अवलोकन और निर्णय को परिभाषित करना
एक मॉडल स्कोर, वोट भिन्न और कैलिब्रेटेड संभावना अलग मात्रा में होती है। अभी भी एक उच्च स्कोर अयोग्य परिस्थितियों में गलत हो सकता है। इसलिए आत्मविश्वास के नक्शे को यह बताना चाहिए कि संख्या क्या दर्शाती है और इसकी विश्वसनीयता का मूल्यांकन कैसे किया गया था।
मॉडल संभावना और अनिश्चितता परतों के लिए, एक सटीक सवाल के साथ शुरू। सॉफ्टवेयर सेटिंग्स की तुलना करने से पहले निर्णय और मात्रा को स्टेट करें। यह पहचानें कि कौन परिणाम का उपयोग करेगा, भौगोलिक इकाइयां जो वे पहचानती हैं और कौन सा सबूत निरीक्षण या विश्लेषण बदलेगा। लक्ष्य की स्थिति और संभावित वैकल्पिक स्पष्टीकरण को नीचे लिखें। यह निर्णय लेना संभव बनाता है कि विधि का वास्तविक अवलोकन प्रश्न का उत्तर दे सकता है। जब उत्पादन एक अलग अर्थ के साथ प्रॉक्सी का प्रतिनिधित्व करता है तो एक बेहतरीन दिखने वाला नक्शा पर्याप्त नहीं है। एक लघु धारणा रजिस्टर बनाए रखने के लिए इसलिए बाद में समीक्षकों को मापा इनपुट, मॉडल विकल्प और व्याख्या को अलग कर सकते हैं।
विधि के लिए डेटा समर्थन का मिलान करें
मॉडल संभावना और अनिश्चितता परतों के लिए माप आधार व्याख्या में मामलों। एक उपग्रह मॉडल नमूना स्थितियों के तहत परिभाषित इनपुट और संदर्भ लक्ष्य के बीच संबंध सीखता है। यह सेंसर से अनुपस्थित जानकारी नहीं बनाता है या स्वचालित रूप से असंगत लेबल को सही करता है। एक एल्गोरिथ्म चुनने से पहले वर्ग के अर्थ या निरंतर लक्ष्य इकाइयों को परिभाषित करें। छवि समय और स्थानिक समर्थन के लिए प्रशिक्षण संदर्भ से मेल खाते हैं, और लेबल में अनिश्चितता या असहमति रिकॉर्ड करते हैं। इच्छित तैनाती क्षेत्र, मौसम और अधिग्रहण की स्थिति की पहचान करें। ये विकल्प यह निर्धारित करते हैं कि सामान्यीकरण का परीक्षण क्या किया जाना चाहिए और सबूतों के लिए गलत होने से एक प्रभावशाली विकास स्कोर को रोकने के लिए कि मॉडल एक अलग परिचालन सेटिंग के लिए तैयार है।
एक अनुरेखण विश्लेषण तैयार करना
स्वतंत्र संदर्भ डेटा और जरूरत पड़ने पर उचित अंशांकन विधि का उपयोग करके स्कोर विश्वसनीयता का मूल्यांकन करें। अंतिम मूल्यांकन से अलग अंशांकन फिटिंग रखें। संभावना के साथ एक बाहरी डोमेन या असमर्थित डेटा ध्वज को संरक्षित करें।
मॉडल संभावना और अनिश्चितता परतों के लिए तैयारी निम्नलिखित सबूतों को संरक्षित करना चाहिए। एक Reproducible भविष्यवक्ता की तैयारी करें जो स्रोत तिथियों, बैंड ऑर्डर, इकाइयों, मास्क और प्रीप्रोसेसिंग के साथ प्रकट होती है। सुविधा चयन, स्केलिंग, ट्यूनिंग या पैच निष्कर्षण से पहले अलग मूल्यांकन से जानकारी को विभाजित किया जा सकता है। तैनाती के लिए उपयुक्त भौगोलिक या अस्थायी विभाजन का उपयोग करें, और एक सरल आधार रेखा की तुलना करें। मॉडल पैरामीटर्स, यादृच्छिक बीज जहां लागू और सॉफ्टवेयर संस्करण को संरक्षित करें। टेस्ट यथार्थवादी लापता-data और मुश्किल-छवि की स्थिति। प्रशिक्षण वहन करता है जो अभिसरण या पूरा होता है, केवल एक तकनीकी कदम है; इसके उत्पादन का अभी भी स्वतंत्र साक्ष्य और इच्छित निर्णय के परिणामों के खिलाफ मूल्यांकन किया जाना चाहिए।
प्रतिनिधि पायलट का परीक्षण करें
मॉडल संभावना और अनिश्चितता परतों के लिए एक पायलट वास्तविक प्राप्त करने कार्यप्रवाह को संबोधित करना चाहिए। एक प्रतिनिधि पायलट के साथ शुरू होता है जिसमें साधारण स्थितियां और कठिन अपवाद होते हैं। प्रासंगिक सीमाओं, मिश्रित सतहों, लापता टिप्पणियों और ज्ञात संदर्भ स्थानों को शामिल करें। कुछ मैन्युअल रूप से जाँच किए गए संख्यात्मक उदाहरणों को सोर्स मेटाडाटा के साथ सहेजें। एक स्वतंत्र पाठक या गणना के साथ परिणाम की तुलना करें जहां व्यावहारिक हो। पायलट को निर्यात के माध्यम से स्रोत चयन से पूरा पथ का परीक्षण करना चाहिए, क्योंकि एक सही सूत्र अभी भी गलत इकाइयों, बैंड ऑर्डर या वैधता हैंडलिंग द्वारा कम किया जा सकता है। एक बार पायलट को समझा जाता है, इसे बाद में संशोधनों के लिए एक संदर्भ के रूप में बनाए रखा जाता है।
विषय-विशिष्ट व्याख्या जोखिम को पहचानें
एक विश्वसनीय मॉडल सेंसर या मौसमी बदलाव के बाद व्यवस्थित रूप से विफल हो सकता है। एक प्रचलित व्यवस्था में अंशांकन हस्तांतरण नहीं हो सकता है। कई दशमलव स्थानों को प्रदर्शित करने से सबूत के बिना परिशुद्धता पैदा होती है यदि विश्वसनीयता को मापा नहीं गया है।
मॉडल संभावना और अनिश्चितता परतों की समीक्षा की गणना पूरा होने के बाद जारी रखना चाहिए। एक से अधिक समग्र स्कोर का आकलन करें। वर्गीकरण या पूर्वाग्रह और प्रतिगमन के लिए त्रुटि पैटर्न के लिए वर्ग-विशिष्ट भ्रम की रिपोर्ट, नमूना समर्थन और भौगोलिक या अस्थायी क्षेत्र के साथ। मुश्किल और दुर्लभ लक्ष्य जानबूझकर मूल्यांकन करें। मॉडल स्कोर को कैलिब्रेटेड प्रायिकता से अलग रखें और एक अप्रयुक्त-डोमेन ध्वज को संरक्षित करें जहां उपयुक्त हो। प्रतिनिधि त्रुटियों का निरीक्षण करें और झूठे अलार्म द्वारा बनाई गई परिचालन समीक्षा बोझ की तुलना करें। जब किसी मॉडल को स्थानांतरित या अद्यतन किया जाता है, तो उम्मीदवार को बिना किसी संपर्क डेटा पर मूल्यांकन करें और पिछले संस्करण को बनाए रखें। जब इनपुट और परिणाम बदलने की समीक्षा की जाती है, तो निगरानी विश्वसनीय रहती है, बजाय प्रारंभिक प्रदर्शन को समझने के लिए अनिश्चित काल तक जारी रहता है।
उदाहरण के माध्यम से काम करना
एक उदाहरणात्मक वर्गीकरणकर्ता की कल्पना करें जो 0.95 से कई पिक्सल को सौंपा गया है, लेकिन समान रूप से रनबंद स्वतंत्र उदाहरणों का केवल 70% सही हैं। स्कोर उस मूल्यांकन संदर्भ के तहत ओवरकॉन्फिडेंट है।
मॉडल संभावना और अनिश्चितता परतों के लिए तर्क उदाहरण में जानबूझकर सीमित भूमिका होती है। इस लेख में उदाहरण स्पष्ट है और यह एक रिपोर्ट परियोजना परिणाम, सटीकता दावा या प्रदर्शन गारंटी नहीं है। तर्क के संचालन से पहले मापा परियोजना मूल्यों के साथ अपनी धारणाओं को बदलें। इकाइयों, अवलोकन तिथियों और प्रासंगिक विषयक दृश्यमान रखें। यदि एक उचित वैकल्पिक मुखौटा, संदर्भ या पैरामीटर निर्णय को बदल देता है, तो उस संवेदनशीलता की रिपोर्ट करें और बेहतर सबूत प्राप्त करें जहां व्यावहारिक हो। अतिरिक्त दशमलव स्थान अनिश्चितता को हल नहीं करते हैं। अनसुलझ मामलों को स्पष्ट रूप से उस पैरामीटर का चयन करने के बजाय जो सबसे अधिक प्रेरक कथा पैदा करता है।
स्वतंत्र साक्ष्यों के खिलाफ मूल्यांकन
विश्वसनीयता सारांश, वर्ग-विशिष्ट जांच और स्वतंत्र हस्तांतरण परीक्षण का उपयोग करें। कठिन क्षेत्रों और लापता-इनपुट स्थितियों की जांच करें। त्रुटियों और परिचालन परिणामों दोनों का उपयोग करके दहलीज निर्णयों की तुलना करें।
स्वतंत्र मूल्यांकन को उस जनसमूह और परिस्थितियों का प्रतिनिधित्व करना चाहिए जहाँ परिणाम इस्तेमाल होगा। पैरामीटर चुनने या मॉडल को प्रशिक्षित करने वाले प्रेक्षणों को प्रदर्शन जाँचने वाले प्रेक्षणों से अलग रखें। स्पष्ट लक्ष्यों के साथ कठिन गैर-लक्षित उदाहरण भी शामिल करें और अनुपलब्ध या न देखे जा सकने वाले क्षेत्रों की जानकारी बनाए रखें। संदर्भ के समय और स्थानिक मापन-क्षेत्र को यथासंभव मिलाएँ। असहमति होने पर विश्लेषण और संदर्भ प्रमाण, दोनों की जाँच करें। संदर्भ मापन भी अनिश्चित हो सकते हैं; उन्हें नक्शे से जबरन मिलाना वैध सुधार रणनीति नहीं है।
उपयोगी पैमाने पर अनिश्चितता की रिपोर्ट करें
मॉडल संभावना और अनिश्चितता परतों के लिए, परिणामस्वरूप अपने प्रदर्शन का दायरा बनाए रखना चाहिए। अपेक्षित निर्णय के पैमाने पर अनिश्चितता की समीक्षा करें। पिक्सेल स्पेसिंग, प्रभावी सेंसर समर्थन, प्रसंस्करण पड़ोस और प्रबंधन इकाइयों में काफी भिन्न हो सकते हैं। कई resampled पिक्सल कई स्वतंत्र अवलोकन नहीं बनाते हैं। एक क्षेत्र सारांश के लिए, वैध कवरेज और बहिष्कार को बनाए रखें; उम्मीदवार सुविधा के लिए, पहचान आत्मविश्वास और स्रोत की तारीख को संरक्षित करें। स्थानीय विविधता से अलग-अलग तरीके से प्रभाव जहां साक्ष्य परमिट। एक छोटी औसत त्रुटि एक दुर्लभ वर्ग, एक विशेष सामग्री या एक अधूरे क्षेत्र में एक परिणामी पूर्वाग्रह को खारिज नहीं करती है। मूल्यांकन द्वारा प्रदर्शित क्षेत्र की रिपोर्ट करें।
उपयोग करने योग्य GIS और विश्लेषण सबूत प्रदान करें
अंक परिभाषा, अंशांकन सिद्धता और प्रयोज्यता सीमा का निर्यात करें। ITSensing विश्लेषण को भविष्यवाणी वर्ग, संभावना और अवलोकन गुणवत्ता को अलग करना चाहिए क्योंकि उन्हें एक निश्चित लेबल में विलय करने के बजाय।
मॉडल संभावना और अनिश्चितता परतों के लिए हैंडओवर लेखक वातावरण के बाहर समझे रहने योग्य होना चाहिए। प्रासंगिक भू-स्थानिक डेटा और एक संक्षिप्त डेटा शब्दकोश के साथ एक सुलभ अवलोकन प्रदान करें। स्थिर पहचानकर्ता, स्रोत संदर्भ, अवलोकन तिथियां, प्रसंस्करण संस्करण, समन्वय संदर्भ और गुणवत्ता फ़ील्ड बनाए रखें। अज्ञात क्षेत्रों और एक अपवाद रजिस्टर में अगले उपयोगी चेक को समझाएं। एक नमूना आइटम का पता लगाने के लिए प्राप्त विश्लेषक से पूछो, इसके सबूत की पहचान करें और इसकी सीमाओं की व्याख्या करें। यह व्यावहारिक समीक्षा लापता संदर्भ को प्रकट कर सकती है कि फ़ाइल-एकता जांच का पता नहीं लगा सकता है। संशोधनों के कारण को संरक्षित करें ताकि बाद में बदलाव को नए अवलोकनों या एक बदली विधि के लिए पता लगाया जा सके।
वास्तविक इनपुट के साथ ITSensing कार्यप्रवाह का मूल्यांकन करें
जब मॉडल संभावना और अनिश्चितता परतों के लिए क्लाउड सुदूर संवेदन सॉफ्टवेयर का आकलन किया जाता है, तो एक दस्तावेज पायलट का उपयोग करें। प्रतिनिधि डेटा के साथ एक पूर्ण कार्यप्रवाह परीक्षण करने के लिए उत्पाद तुलना का उपयोग करें। ITSensing उपग्रह खोज, रेस्टर और वर्णक्रमीय विश्लेषण, मशीन लर्निंग, जियोएआई, मॉडल बिल्डिंग और पायथन आधारित कार्य के लिए क्लाउड वर्कस्पेस प्रस्तुत करता है। उन व्यापक क्षमताओं को यह स्थापित नहीं किया है कि यहां वर्णित हर विशिष्ट विधि एक मूल बटन है या हर बाहरी सेवा सीधे जुड़ती है। वास्तविक दस्तावेजी उपकरण, समर्थित इनपुट और निर्यात पथ की जाँच करें। एक आवर्ती कार्यप्रवाह चुनने से पहले पायलट सबूत और स्वतंत्र सत्यापन बनाए रखें। एक उत्पाद लिंक मूल्यांकन के लिए एक प्रवेश बिंदु है, जबकि वैज्ञानिक व्याख्या डेटा और विधि से जुड़ा हुआ है।
