Konvolūcijas neironu tīkla izmantošana zemes seguma klasifikācijai ortofoto materiālos

Abstract

Zemes attālā novērošana un iegūto datu analīze ļauj gūt priekšstatu par tās lietošanu un lietošanas izmaiņām laikā, kas ir tiešs dabas un sabiedrības procesu spogulis. Mūsdienās ir svarīgi ātri un kvalitatīvi iegūt nepieciešamos datus, un, pateicoties straujai tehnoloģiju attīstībai, tam parādās aizvien vairāk iespēju. Konvolūcijas neironu tīkli (CNN) ir sevi ļoti labi pierādījuši attēlu atpazīšanas uzdevumos, un tādēļ maģistra darba mērķis ir izpētīt CNN lietošanas iespējas zemes seguma klasificēšanā. Darbā tiek aprakstīta mākslīgo neironu tīkla izmantošana ģeogrāfiskajos pētījumos, kā arī dažādās attēla klasifikācijas pieejas. Mērķa īstenošanai tika izmantotas dažādas neironu tīkla arhitektūras un tās konfigurācijas, lai identificētu labāku apmācības rezultātu. Pētījumā izmantotajā CNN klasificēšanas pieejas realizācijā CNN sasniedza 81% pareizību, kas ir augstāka par klasisko maksimālās paticamības klasifikatora sasniegtās 66% pareizības, taču CNN iemācījās tikai mazāko daļu no kopējā klašu skaita. Darba noslēgumā ir sniegtas rekomendācijas, kas varētu CNN sniegumu būtiski uzlabot.

Remote observation of the Earth and analysis of the obtain data allows us to get an idea of its use, and the changes of its use over time, which is a direct mirror of natural and social processes. Nowadays it is important to quickly and qualitatively obtain necessary data, and thanks to the rapid development of technology, it is becoming increasingly available. Convolution Neural Networks (CNN) have proven themselves very well in image recognition tasks, therefore, the aim of the master thesis is to explore the use of CNN in the classification of land cover. In this paper, the use of artificial neural networks in geographic research and various image classification approaches are described. To achieve the goal, various neural network architectures and configurations were used to identify the best training result. The CNN classification approach used in the study reached an accuracy of 81%, which is higher than the classic maximum likelihood classifier accuracy of 66%, however the CNN learnt only the smallest part of the total number of land cover classes. Recommendations that could significantly improve the CNN’s performance are included at the end of the study.