Metode klasifikasi
dan Metode Tradisional Tanah Sampul Pemetaan
Pemetaan
tutupan lahan tradisional didasarkan pada klasifikasi berbasis pixel. algoritma
analisis citra digital baru, seperti yang digunakan dalam klasifikasi
berorientasi objek, didasarkan pada informasi semantik untuk menafsirkan
gambar. Informasi ini tidak diwakili oleh piksel tunggal tetapi oleh objek
gambar yang berarti dan hubungan timbal balik antara mereka (Abbas et al.,
2007).
Perbedaan
utama antara klasifikasi berorientasi objek dan klasifikasi berbasis pixel
adalah bahwa algoritma tidak mengklasifikasikan setiap pixel tunggal tetapi
mengklasifikasikan objek gambar diambil melalui langkah segmentasi citra. objek
gambar memberikan skala yang lebih tepat untuk memetakan fitur lingkungan di
berbagai skala spasial dan informasi lebih relevan daripada individu piksel
(Gamanya et al., 2007)
DATA DAN STUDI AREA
B. Data
Waktu yang optimal untuk akuisisi
citra, Untuk memantau fenologi vegetasi hutan di wilayah studi dilakukan selama
12 bulan. Gambar-gambar tersebut diperoleh pada tanggal 27 April 2007, ketika
kanopi tanaman semua spesies penuh, untuk meminimalkan perbedaan fenologi
karena variabilitas topografi antara daerah yang diduduki oleh spesies yang
sama.
METODE
1. Preprocessing
Analisis
komponen utama (PCA) transformasi digunakan untuk mengkonversi intercorrelated
band multispektral menjadi set baru komponen berkorelasi.
Indeks
vegetasi perbedaan normalisasi (NDVI) tematik generasi gambar. Digunakan untuk
berkorelasi positif dengan biomassa tanaman
2. Klasifikasi Kemungkinan Maksimum
Klasifikasi
kemungkinan maksimum adalah salah satu metode yang paling populer dari
klasifikasi dalam penginderaan jauh (Benedictsson et al, 1990;. Foody et al,
1992.).
Parameternya
yaitu (lingkungan, kendala geografis, jarak euclidean spektral).
3.
Berorientasi Objek Gambar Klasifikasi
Objek
gambar yang dibuat menggunakan alat segmentasi citra ditawarkan dalam
eCognition® Developer 7.0. Proses segmentasi dalam perangkat lunak ini adalah
wilayah-penggabungan pendekatan bottom-up, di mana benda terkecil berisi piksel
tunggal (Baatz et al., 2004). Dalam proses ini, benda-benda yang lebih kecil
digabung menjadi objek yang lebih besar berdasarkan tiga parameter: skala,
warna (sifat spektral), dan bentuk (kelancaran dan kekompakan).
4.
Jaringan htm
Merupakan kumpulan
node dihubungkan diatur dalam hierarki berbentuk pohon. Contoh jaringan HTM,
jaringan HTM terdiri dari beberapa lapisan atau tingkatan.
OPERASI SIMPUL
1.
Operasi
Nodes selama Learning : Node menerima input dan mengukur statistic node
tersebut.
2.
Operasi
Tata Ruang Pooler selama Learning
·
Selama
tahap belajar itu quantizes pola masukan
dan menghafal pusat kuantisasi.
·
Setelah
pusat kuantisasi ini dipelajari, menghasilkan output dalam hal pusat-pusat
kuantisasi ini selama tahap inferensi (George dan Jaros, 2007).
3.
Operasi
Temporal Pooler selama Learning
Tujuan dari pooler temporal untuk membuat
grup yang koheren sementara dari urutan pola spasial.
4.
Pelatihan
Jaringan
Untuk membuat klasifikasi, menggunakan
mapper diawasi yang menggantikan pooler sementara di tingkat tertinggi dari
jaringan HTM. Untuk setiap pola input pelatihan, mapper diawasi menerima dua
input selama pembelajaran: dari pooler spasial dan kategori vektor input dari
sensor kategori.
5.
Operasi
Nodes selama Inference
Setelah pelatihan node, dapat beralih ke modus
inferensi. Selama inferensi, tingkat sudah memiliki model dunia (disimpan di
kelenjar pooler spasial dan temporal). Ketika tingkat menerima masukan dari
anak-anak, ia menggunakan model internal dari dunia untuk menciptakan output
untuk mengirim ke induknya (s).
6.
Selama
Inference
Ketiga algoritma pooler spasial,
Gaussian, dot, dan produk, kerja yang berbeda selama tahap kesimpulan, tetapi
mereka semua mengkonversi vektor masukan ke dalam vektor keyakinan atas
kebetulan.
7.
Operasi
Temporal Pooler selama Inference
Selama inferensi, yang pooler sementara
menerima vektor keyakinan atas kebetulan dari pooler spasial.
8.
Operasi
Top Node selama Inference
Selama inferensi dari node atas, yang pooler
spasial bekerja seperti dijelaskan di atas. Mapper diawasi menerima vektor
keyakinan atas kebetulan dari pooler spasial dan kategori dari sensor kategori.
KESIMPULAN
Pemilah
berorientasi objek outruns metode berbasis pixel sangat. Ini menghasilkan
akurasi keseluruhan 89,33%, sedangkan akurasi keseluruhan untuk metode
klasifikasi terbimbing hanya 70,89%. Variasi antara akurasi dari kelas yang
berbeda secara signifikan dipersempit dalam klasifikasi berorientasi objek.
Secara khusus, pendekatan berorientasi objek menunjukkan kinerja yang unggul
dalam mengklasifikasikan daerah built-up. Konsep objek memungkinkan penggunaan
berbagai fitur, membuat penuh penggunaan informasi gambar resolusi tinggi. Di
luar informasi murni spektral, objek gambar berisi atribut tambahan yang dapat digunakan
untuk klasifikasi. Dengan parameter yang berbeda, pendekatan multiscale
menawarkan kemungkinan dengan mudah beradaptasi resolusi objek gambar dengan
persyaratan tertentu, data, dan tugas. Selain itu, klasifikasi HTM menganggap
hubungan spasial dan temporal antara fitur dari sinyal sensorik, yang terbentuk
dalam arsitektur memori hirarkis selama proses pembelajaran, dengan demikian
meningkatkan hasil yang diperoleh oleh klasifikasi terbimbing.
Tidak ada komentar:
Posting Komentar