Näytä suppeat kuvailutiedot

dc.contributor.advisorPölönen, Ilkka
dc.contributor.advisorUusitalo, Laura
dc.contributor.authorMäyrä, Janne
dc.date.accessioned2018-12-19T13:22:59Z
dc.date.available2018-12-19T13:22:59Z
dc.date.issued2018
dc.identifier.urihttps://jyx.jyu.fi/handle/123456789/60705
dc.description.abstractSyväoppiminen saanut paljon huomiota 2000-luvun puolivälistä alkaen, ja tänä päivänä sen sovelluksia on lähes kaikkialla. Samalla aikavälillä avoimen satelliittikuvadatan määrä on kasvanut, erityisesti Sentinel-2 satelliittien laukaisujen jälkeen. Tätä dataa voidaan hyödyntää useissa kaukokartoitussovellutuksissa, mutta tämän datamäärän analysointi ja käsittely on ihmisille käytännössä mahdotonta. Tässä tutkielmassa testattiin erään tunnetun neuroverkkoarkkitehtuurin, U-Netin, suorituskykyä Rakkolanjoen valuma-alueen maanpeiteluokittelussa monispektrisatelliittikuvista eri luokittelutarkkuuksille. Eri lähtodatoilla saatuja luokittelutarkkuuksia vertailtiin keskenään, ja parhaat luokittelutulokset saatiin hyödyntämällä sekä kaikkea Sentinel-2 dataa että erikseen laskettuja spektri-indeksejä. Huolimatta lähes olemattomasta verkkojen hienosäädöstä ja lyhyestä koulutusajasta saadut luokittelutulokset ovat varsin lupaavia helpoimman luokittelutason (CORINE land cover taso 1) tarkkuuden ollessa yli 90% ja haastavimmallakin yli 75%. Tuotettuja maanpeitekarttoja vertailtiin myös visuaalisesti sekä lähtötietoihin että satelliittikuviin. Johtopäätöksenä voidaan todeta, että U-Net on käyttökelpoinen malli Suomen Ympäristökeskuksen tarpeisiin, ja kehitettyä mallia tullaan jatkokehittämään edelleen.fi
dc.description.abstractSince the mid 2000's, deep learning has received much attention and today its applications are almost everywhere. Around the same timespan the amount of freely available satellite data has grown, especially after Sentinel-2 missions started. This data has a lot of remote sensing applications, but the amount of produced data is practically impossible for humans to analyze or process. This thesis tested the viability of U-Net, a well-known neural network architecture, in land cover classification from multispectral satellite images to different classification levels in the Rakkolanjoki river drainage basin area. Classification results from only visible light bandwidths, all Sentinel-2 bands, precomputed spectral indices and all available features were compared, and best results were achieved with all available features. Even with next to none fine-tuning and short training time, implemented version of U-Net managed to accurately classify over 90% of the pixels for the easiest classification level (CORINE land cover level 1), and around 75% for the hardest level. Produced segmentation maps were also visually observed and compared to both ground truth labels and RGB-composites of the satellite image. As as conclusion, U-Net is a viable baseline for the needs of Finnish Environment Institute, and will later be developed further.en
dc.format.extent84
dc.format.mimetypeapplication/pdf
dc.language.isoen
dc.subject.otherland cover classification
dc.titleLand cover classification from multispectral data using convolutional autoencoder networks
dc.identifier.urnURN:NBN:fi:jyu-201812195243
dc.type.ontasotPro gradu -tutkielmafi
dc.type.ontasotMaster’s thesisen
dc.contributor.tiedekuntaInformaatioteknologian tiedekuntafi
dc.contributor.tiedekuntaFaculty of Information Technologyen
dc.contributor.laitosInformaatioteknologiafi
dc.contributor.laitosInformation Technologyen
dc.contributor.yliopistoJyväskylän yliopistofi
dc.contributor.yliopistoUniversity of Jyväskyläen
dc.contributor.oppiaineTietotekniikkafi
dc.contributor.oppiaineMathematical Information Technologyen
dc.rights.copyrightJulkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.fi
dc.rights.copyrightThis publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.en
dc.type.publicationmasterThesis
dc.contributor.oppiainekoodi602
dc.subject.ysoneuroverkot
dc.subject.ysokaukokartoitus
dc.subject.ysosatelliittikuvat
dc.subject.ysokoneoppiminen
dc.subject.ysosatelliittikuvaus
dc.subject.ysoneural networks
dc.subject.ysoremote sensing
dc.subject.ysosatellite images
dc.subject.ysomachine learning
dc.subject.ysosatellite photography
dc.format.contentfulltext
dc.type.okmG2


Aineistoon kuuluvat tiedostot

Thumbnail

Aineisto kuuluu seuraaviin kokoelmiin

Näytä suppeat kuvailutiedot