S-92.305 Avaruustekniikan Erityiskysymyksiä (3 ov) L: Kaukokartoitusaineistojen fysikaalinen ja tilastollinen tulkinta

Juhan harjoitus: Metsien inventointi

Tehtävä: tilastollinen hahmontunnistus

Jonkinlaista yhteenvetoa tuloksista.

Tehtävänä on ohjelmoida luokittelija ja testata sitä annetulla datajoukolla.

Eli tee näin:

• Valitse jokin luokittelija (kohta Valitse joku näistä: numerot 1-8) ja datajoukko (kohdat Data ja Valitse joku näistä: kirjaimet A-C)
• Ilmoita valintasi minulle (Markus.Torma@hut.fi)
• Opiskele aihetta
• Sitten koneen ääreen tekemään, Matlab tai vastaava on varsin hyödyllinen työkalu
• Luokittele data käyttäen resubstituutio- ja holdout-estimointia (katso kohta Virhe-estimoinnin periaatteet)
• Laske tarkkuusluvut (kohta Tulosteet)
• Lähetä tulokset (ja mahdolliset kysymykset) minulle

Data

Datajoukkoja on kolmea päätyyppiä sekä kutakin päätyyppiä kaksi joukkoa:

• Landsat TM-kuvasta otettuja hahmovektoreita (joukko 1 / joukko 2):
  1. Sarake: luokan numero
  2. Sarake: TM kanava 1 (sininen)
  3. Sarake: TM kanava 2 (vihreä)
  4. Sarake: TM kanava 3 (punainen)
  5. Sarake: TM kanava 4 (lähi-infra)
  6. Sarake: TM kanava 5 (lähi-infra)
  7. Sarake: TM kanava 7 (pikkasen pidemmällä infra-alueella)
• Landsat TM-kuvasta (kanavat edellä) lasketuista kolmesta ensimmäisestä pääkomponentista otettuja hahmovektoreita (joukko 1 / joukko 2):
  1. Sarake: luokan numero
  2. Sarake: ensimmäinen pääkomponentti (sisältää 80.3% alkuperäisen datan vaihteluista)
  3. Sarake: toinen pääkomponentti (sisältää 14.7% alkuperäisen datan vaihteluista)
  4. Sarake: kolmas pääkomponentti (sisältää 4.2% alkuperäisen datan vaihteluista)
• Landsat TM-kuvasta (kanavat edellä) lasketusta Tasselled Cap-muunnoksesta otettuja hahmovektoreita (joukko 1 / joukko 2):
  1. Sarake: luokan numero
  2. Sarake: TC muunnoksen piirre kirkkaus
  3. Sarake: TC muunnoksen piirre kasvillisuus
  4. Sarake: TC muunnoksen piirre kosteus

Luokkien numerot ja hahmovektorien lukumäärät (joukko 1 / joukko 2) ovat:

1. metsä ( 155 / 128 )
2. vesi ( 128 / 128 )
3. metsäinen suo ( 128 / 128 )
4. kallio ( 129 / 124 )
5. pelto ( 130 / 132 )

Virhe-estimoinnin periaatteet

Virheen estimointimenetelminä käytetään resubstituutio- ja holdout-menetelmiä. Resubstituutio-menetelmässä luokittelija opetetaan eli suunnitellaan käyttäen samaa datajoukkoa kuin testattaessa luokittelijaa. Estimaatti on optimistisesti harhainen. Holdout-menetelmässä data jaetaan kahteen osaan, toisella suunnitellaan luokittelija ja toisella testataan. Estimaatti on pessimistisesti harhainen. Eli toisin sanoen:

• Resubstituutio-estimointi
  • Luokittelijan suunnittelu: joukko 1 + joukko 2
  • Luokittelijan testaaminen: joukko 1 + joukko 2
• Holdout-estimointi
  • Luokittelijan suunnittelu: joukko 1
  • Luokittelijan testaaminen: joukko 2

Tulosteet

Luokittelun (sekä resubstituutio että holdout) jälkeen laske luokittelun virhematriisi ja tarkkuusluvuista ainakin kokonaistarkkuus (voihan ne muutkin laskea). Lisäksi, jos luokittelija on hylännyt hahmovektoreita on myös ilmoitettava hylättyjen osuus.

Virhematriisi kuvaa miten hahmovektorit ovat luokittuneet. Sarakesuunnassa ilmaistaan miten referenssiaineiston (maastotieto, kartta tai toinen luokitus) tiettyyn luokkaan kuuluvat hahmovektorit ovat luokittuneet luokittelutuloksessa. Rivisuunnassa ilmaistaan mihin luokkiin luokittelutuloksen tietyn luokan hahmovektorit kuuluvat referenssiaineistossa. Tietoa tarkkuuslukujen laskennasta löytyy eräästä luokitteluesimerkistä tai teoksesta: P.Sotkas, J.Laaksonen, R.Kuittinen: Satelliittikuvan tulkintatarkkuuden määrittäminen, Geodeettinen laitos, tiedote 5, 1992.

Valitse joku näistä

Minimietäisyysluokittelija

Tehtävänä on ohjelmoida algoritmi, joka luokittelee hahmovektorit eri luokkiin käyttäen minimietäisyysluokittelijaa.

Ajattelin tehdä tämän malliksi, tässä tulokset:

• Luokittelu alkuperäisistä kuvista otettuja piirteitä käyttäen
• Luokittelu kolmea ensimmäistä pääkomponenttia käyttäen
• Luokittelu Tasselled Cap-muunnosta käyttäen

1. Bayes: Maximum Likelihood-estimointi

A: Tehtävänä on ohjelmoida algoritmi, joka luokittelee hahmovektorit eri luokkiin Bayesin päätössääntöä käyttäen. Oletuksena on, että luokat ovat normaalijakautuneita eli tiheysfunktiot estimoidaan maximum-likelihood menetelmällä. Päätössääntö olettaa kustannus-funktion (0-1) mukaiseksi. Testattavana suureena on hylkäyskynnys l_r. Kokeile vähintään neljällä eri arvolla joista yksi on niin pieni, että kaikki hahmovektorit luokitellaan johonkin luokkaan. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Vesa Junnikkala (vesa.junnikkala@finnagro.fi)

B: Tehtävänä on ohjelmoida algoritmi, joka luokittelee hahmovektorit eri luokkiin Bayesin päätössääntöä käyttäen. Oletuksena on, että luokat ovat normaalijakautuneita eli tiheysfunktiot estimoidaan maximum-likelihood menetelmällä. Päätössääntö olettaa kustannus-funktion (0-1) mukaiseksi. Testattavana suureena on hylkäyskynnys l_r. Kokeile vähintään neljällä eri arvolla joista yksi on niin pieni, että kaikki hahmovektorit luokitellaan johonkin luokkaan. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Tommi Nykopp (tnykopp@kitara.hut.fi)

C: Tehtävänä on ohjelmoida algoritmi, joka luokittelee hahmovektorit eri luokkiin Bayesin päätössääntöä käyttäen. Oletuksena on, että luokat ovat normaalijakautuneita eli tiheysfunktiot estimoidaan maximum-likelihood menetelmällä. Päätössääntö olettaa kustannus-funktion (0-1) mukaiseksi. Testattavana suureena on hylkäyskynnys l_r. Kokeile vähintään neljällä eri arvolla joista yksi on niin pieni, että kaikki hahmovektorit luokitellaan johonkin luokkaan. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Juha Karvonen (juhak@kuohu.fimr.fi)

2. Bayes: histogrammiestimointi

A: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan histogrammiin pohjautuvalla menetelmällä. Testattavana suureena on alueiden b koko. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Teemu Tares (tares@avasun.hut.fi)

B: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan histogrammiin pohjautuvalla menetelmällä. Testattavana suureena on alueiden b koko. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

C: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan histogrammiin pohjautuvalla menetelmällä. Testattavana suureena on alueiden b koko. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

3. Bayes: Parzen estimointi (Gaussin ydinfunktio)

A: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona Gaussin funktio. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Josu Uusitalo (jauusita@cc.hut.fi)

B: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona Gaussin funktio. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

C: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona Gaussin funktio. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

4. Bayes: Parzen estimointi (hyperpallo ydinfunktio)

A: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona hyperpallo. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

B: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona hyperpallo. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

C: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona hyperpallo. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

5. Bayes: Parzen estimointi (hyperkuutio ydinfunktio)

A: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona hyperkuutio. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

B: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona hyperkuutio. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

C: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan Parzenin estimaattorilla, ydinfunktiona hyperkuutio. Testattavana suureena on ydinfunktion koko r. Kokeile vähintään neljällä eri arvolla. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

6. Bayes: k-lähimmän naapurin estimointi

A: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan K-lähimmän naapurin menetelmällä. Testaa ohjelmalla parametrin k vaikutusta. Kokeile vähintään neljällä eri k:n arvolla. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Ali Nadir Arslan (arslan@avanet.hut.fi)

B: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan K-lähimmän naapurin menetelmällä. Testaa ohjelmalla parametrin k vaikutusta. Kokeile vähintään neljällä eri k:n arvolla. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Kai Rasmus (rasmus@vesuri.Helsinki.fi)

C: Valmista ohjelma, joka suorittaa Bayesilaisen luokituksen (Bayesin sääntö pienimmälle virheelle). Tiheysfunktiot estimoidaan K-lähimmän naapurin menetelmällä. Testaa ohjelmalla parametrin k vaikutusta. Kokeile vähintään neljällä eri k:n arvolla. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

7. k-lähimmän naapurin luokittelija

A: Tee k-NNR luokittelija. Tutki erityisesti k:n vaikutusta lopputulokseen, k:n arvot voivat olla vaikka k=1,3,5,jne. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Harri Turunen (hkt@nettilinja.fi)

B: Tee k-NNR luokittelija. Tutki erityisesti k:n vaikutusta lopputulokseen, k:n arvot voivat olla vaikka k=1,3,5,jne. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Jyrki Mononen (Jyrki.Mononen@hut.fi)

C: Tee k-NNR luokittelija. Tutki erityisesti k:n vaikutusta lopputulokseen, k:n arvot voivat olla vaikka k=1,3,5,jne. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Raisa Lehtinen (raisa.lehtinen@vaisala.com)

8. k,l-lähimmän naapurin luokittelija

A: Tee (k,l)-NNR luokittelija. Tutki erityisesti k:n ja l:n vaikutusta lopputulokseen, eli aseta k vakioksi (esim. 5) ja muuta l:n arvoa. Käytä datana alkuperäisistä kuvista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Eero Ahokas (Eero.Ahokas@fgi.fi)

B: Tee (k,l)-NNR luokittelija. Tutki erityisesti k:n ja l:n vaikutusta lopputulokseen, eli aseta k vakioksi (esim. 5) ja muuta l:n arvoa. Käytä datana alkuperäisistä kuvista lasketuista kolmesta ensimmäisestä pääkomponentista otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Eija Honkavaara (Eija.Honkavaara@fgi.fi)

C: Tee (k,l)-NNR luokittelija. Tutki erityisesti k:n ja l:n vaikutusta lopputulokseen, eli aseta k vakioksi (esim. 5) ja muuta l:n arvoa. Käytä datana alkuperäisistä kuvista lasketuista Tasselled Cap-muunnoksen piirteistä kirkkaus, kasvillisuus ja kosteus otettuja joukkoa 1 ja joukkoa 2.

Tekijät:

• Leena Matikainen (Leena.Matikainen@fgi.fi)