Pelatihan DATA Piksel Campuran
Dalam
satu dekade terakhir ini penelitian membahas mengenai klasifikasi land-cover
yang lebih menekankan distribusi algoritma baru yang bebas sebagai alternatif
dari pengklasifikasian tradisional. Termasuk pengklasifikasian pohon keputusan,
jaringan syaraf, nearest neighbor, dan termasuk data pelatihan berikut.
Data pelatihan merupakan komponen
yang penting bagi sebuah proses. Data pelatihan ini biasanya sudah digunakan
sebagai data Statistik Pertanian Nasional USDA Service Layer Data Cropland,
yang menggunakan berlabel polygons dari Badan Layanan Pertanian (NASS,
2011).
Data pelatihan
Data pelatihan biasanya dilakukan dengan
cara analisis. beberapa prinsip harus diikuti dalam dataset berskala yang
paling kuat. Pertama, pelatihan data ini harus mewakili variasi yang ada dari
biogeographic yang ditemukan dalam area studi. Misalanya, pemisahan zona yang
padat dipisahkan dengan kecerahan warna atau input termal.
Jika zona ini hanya memiliki data
pelatihan untuk satu kelas misalnya hutan, kemudian seluruh zona terdapat
dengan mudah dapat mendiskriminasi menggunakan input termal, yang mengakibatkan
seluruh daerah yang diberikan ke kelas hutan. Untuk wilayah seperti itu, semua
kelas menarik yang ada dalam zona tersebut perlu ditetapkan sebagai situs
pelatihan di dalamnya.
MENDETEKSI PERUBAHAN TUTUPAN HUTAN DENGAN BANTUAN
MESIN VEKTOR
Hutan adalah komponen
penting dari permukaan bumi, yang mencakup sekitar 30% dari luas lahan.
Perubahan tutupan hutan, khususnya akibat antropogenik, berdampak luas pada
proses lingkungan kritis termasuk keseimbangan energi, siklus air, dan proses
biogeokimia. Seperti Konversi hutan untuk pertanian, perkotaan, dan nonhutan.
Dengan kemampuannya untuk
memperoleh pengamatan berulang dari permukaan bumi, satelit penginderaan jauh
merupakan sumber data primer untuk memantau perubahan hutan.
Support Vector Machine (SVM)
untuk perubahan pemetaan tutupan hutan. SVM adalah algoritma pembelajaran
statistik dirancang untuk mencapai akurasi klasifikasi optimal melalui
Structural Risk Minimization (SRM) (Vapnik, 1995). seperti desain memungkinkan
SVM untuk menghasilkan hasil yang lebih akurat dibandingkan mesin lain
algoritma yang biasa digunakan dalam klasifikasi citra penginderaan jarak jauh
(Chan et al., 2001; Huang et al., 2002; Pal dan Mather, 2005).
Tidak ada komentar:
Posting Komentar