Využití metod strojového učení pro klasifikaci družicových snímků

POPELÍNSKÝ, Lubomír, Petr DOBROVOLNÝ and Petr KUBA. Využití metod strojového učení pro klasifikaci družicových snímků (Using machine learning methods for classification of satellite images). Online. In Sborník konference Znalosti 2001. Praha: Vysoká škola ekonomická, Praha, 2001. p. 1-6. [citováno 2024-04-24]

Basic information

• Original name: Využití metod strojového učení pro klasifikaci družicových snímků
• Name (in English): Using machine learning methods for classification of satellite images
• Authors: POPELÍNSKÝ, Lubomír, Petr DOBROVOLNÝ and Petr KUBA
• Edition: Praha, Sborník konference Znalosti 2001, p. 1-6, 2001.
• Publisher: Vysoká škola ekonomická, Praha

Other information

• Original language: Czech
• Type of outcome: Proceedings paper
• Field of Study: 10000 1. Natural Sciences
• Country of publisher: Czech Republic
• Confidentiality degree: is not subject to a state or trade secret
• RIV identification code: RIV/00216224:14330/01:00005487
• Organization unit: Faculty of Informatics
• Keywords in English: classification; geomining; spatial data; satellite images; machine learning
• Tags: CLASSIFICATION, geomining, machine learning, Satellite Images, spatial data

Abstract

Článek se zabývá využitím metod strojového učení pro dolování znalostí v geografických datech. Hlavní důraz je kladen na klasifikaci rastrových snímků pocházejících z dálkového průzkumu země. Byly použity družicové snímky, u kterých pro každý pixel o velikosti 30 x 30 metrů byly k dispozici hodnoty z 6 pásem spektra. Tyto snímky byly klasifikovány pomocí různých metod strojového učení, tj. pro každý pixel byl určen typ povrchu, který tento pixel obsahuje (např. les, voda, zástavba). Hlavní pozornost se soustředila na metodu rozhodovacích stromů. Výsledky této metody byly porovnány s výsledky dosaženými standardními metodami klasifikace používanými v dálkovém průzkumu Země.

Abstract (in English)

This paper deals with use of machine learning methods for data mining in geographical data, especially in raster images from remote sensing. Satellite images with size of pixel 30 x 30 m were used. These images contain values in 6 bands of spectrum. Different machine lerning methods were used to determine target class (e.g. forest, water) for each pixel. The results were compared to the results achieved by standard methods used in remote sensing.

Links

• MSM 143300003, plan (intention): Name: Interakce člověka s počítačem, dialogové systémy a asistivní technologie

Investor: Ministry of Education, Youth and Sports of the CR, Human-computer interaction, dialog systems and assistive technologies