観察と決定を定義する
分類されたピクセルをカウントすると、分類器の決定の下にあるマップ領域が付与されます。 エラーが体系的にある場合、そのカウントは真のクラス領域と異なる。 周囲の推定値は、適切な参照サンプリング設計とエラー調整を必要とすることができます。
検証されたテーマ領域の推定のために、正確な質問から始めます。 ソフトウェア設定を比較する前に決定と数量をステータスします。 結果、それらを認識する地理単位および証拠が検査または分析を変更するかどうかを識別します。 ターゲット条件と代替説明を書いてください。 実際の観察が質問に答えることができるかどうかを判断できる。 出力が異なる意味でプロキシを表すとき、細かい地図は十分ではありません。 短期的な前提条件を保持するので、後ほどの審査者は測定された入力、モデルの選択および解釈を区別できます。
方法へのデータサポートの一致
検証されたテーマ領域の測定基準は、解釈を通して重要視します。 衛星モデルは、定義された入力と参照対象の関連をサンプル条件下で学習します。 センサーから、または、自動的に正しい矛盾するラベルから、情報不在を作成しません。 アルゴリズムを選択する前にクラスの意味や連続ターゲット単位を定義します。 トレーニングリファレンスをイメージタイムと空間サポートに合わせ、ラベルの不確実性や不一致を記録します。 意図した展開領域、季節、取得条件を特定します。 これらの選択肢は、モデルが異なる操作設定の準備が整っている証拠のために誤ったから、一般的なテストと印象的な開発スコアを防ぐべきかどうかを決定します。
トレーサブルな解析を準備する
クラスとエリアのサポートを定義し、問題に適した確率ベースのリファレンスサンプリングを計画します。 選択確率と参照ラベルを保存します。 地図を付けられた区域、間違い調整された推定および不確実性を区別して下さい。
検証されたテーマ領域の推定の準備は、次の証拠を保持する必要があります。 ソースの日付、バンドの注文、ユニット、マスク、プリプロセッシングで再現可能な予測者マニフェストを用意してください。 機能選択、スケーリング、調整、パッチ抽出前の個別の評価は、分割された情報を取り消すことができます。 ジオグラフィックや一時的なパーティションをデプロイするのに適切な使用し、シンプルなベースラインを比較します。 モデルパラメータ、該当するソフトウェアバージョンとソフトウェアバージョンのランダムシードを保存します。 実質的に欠落したデータと難しさの画像条件をテストします。 収束または完了するトレーニングは、唯一の技術的なステップです。 その出力はまだ独立した証拠と意図した決定の結果に対して評価されなければなりません。
代表的なパイロットをテストする
検証されたテーマ領域推定のためのパイロットは、実際の受信ワークフローに対処すべきです。 通常の条件と難易度例外を含む代表的なパイロットから始まります。 関連する境界、混合された表面、欠落観察および既知の参照の場所を含んで下さい。 ソースメタデータと一緒に、手動でチェックした数値例をいくつか保存します。 結果と独立した読者や実用的な計算と比較します。 パイロットは、正しい式が間違ったユニット、バンドオーダー、または妥当性処理によって支配される可能性があるため、輸出を通じてソース選択からの完全なパスをテストする必要があります。 パイロットが理解したら、後方修正の参考として保持します。
トピック固有の解釈リスクを認識
便利な道端のサンプルは偏見のない地域の不妊を支えません。 全体的な正確さだけはクラス特定の区域のバイアスを訂正できません。 独立したように相関ピクセルを扱うことは、不確実性を過小状態にすることができます。
検証されたテーマ領域の推定の見直しは、計算が完了した後に続行する必要があります。 スコアは1つ以上を補います。 分類や偏差、回帰のためのエラーパターンのクラス固有の混乱を報告します。, サンプルサポートと地理的または一時的なスコープ. 難しく、まれなターゲットを意図的に評価する。 校正された確率とは異なるモデルスコアを保持し、適切なサポートされていないドメインフラグを維持します。 代表的なエラーを調べ、誤った警報で作成した運用レビューの負担を比較します。 モデルの転送や更新を行う際は、未処理のデータに関する候補を評価し、以前のバージョンを保持します。 初期のパフォーマンスを想定するよりも、入力や結果が確認されるときだけ、監視は信頼性を維持します。
イラストの一例を通した作業
偽陽性が多い、幻覚的なまれた湿地クラスを想像してみてください。 ドライ背景を左右する精度が高いにもかかわらず、マッピングされた領域は大幅に膨脹させることができます。
検証されたテーマ領域推定の推論例は、意図的に限られたロールを持っています。 本記事の一例は、イラストであり、報告されたプロジェクト結果、精度要求、パフォーマンス保証ではありません。 運用上の理由をつかまえて、測定したプロジェクト値で仮定を置換します。 単位、観察日および関連するデノミネーターを目に見える保ちます。 合理的な代替マスク、参照またはパラメータが決定を変更する場合、感度を報告し、実用的な証拠を得る。 異常な場所は、観察されたものの不確実性を解決しません。 最も説得力のある物語を生成するパラメータを選択することではなく、未解決のケースを明示的に保持します。
独立した証拠に対する評価
エリアの推論とレポートクラス固有の混乱をサポートする評価設計を使用してください。 不確実性と仮定を保持します。. 結果報告がそれに依存したときに統計推定値が確認される。
独立した評価は、結果が利用される母集団や地域、その条件を代表する必要があります。パラメータ選択やモデル訓練に使う観測と、性能評価に使う観測を分けてください。明確な対象だけでなく、判別が難しい非対象例も含め、欠測または観測不能な領域の情報を保持します。参照データの時刻と空間的な観測範囲は、実行可能な限り一致させます。不一致が生じた場合は、解析と参照証拠の両方を調べてください。参照測定にも不確かさがあるため、地図に無理に合わせることは妥当な修正方法ではありません。
有用なスケールで不確実性を報告する
検証されたテーマ領域の推定のために、結果は実証済みのスコープを保持しなければなりません。 意図した決定のスケールで不確実性を見直します。 ピクセル間隔、有効なセンサー サポート、処理の近傍および管理の単位は実質的に異なる場合があります。 再サンプルされたピクセルは、多くの独立した観察を生成しません。 エリアの要約のために、有効なカバレッジと除外を保存します。候補機能では、検出の自信とソースの日付を保存します。 証拠が許可するローカルの変化から別の系統的な効果。 小さな平均誤差は、まれなクラス、特定の材料または代表的な領域で、結果的な偏差を除外しません。 評価で示したスコープを報告する。
使用可能な GIS および分析の証拠を提供して下さい
マッピングされたエリアと推定エリアをサンプリング設計と不確実性でお届けします。 ITSensing GISの要約は、マップのカウントを提供できますが、検証された地域の推論は、適切な参照サンプリングと統計処理を必要とします。
認証されたテーマ領域の推定のためのハンドオーバーは、許可環境の外側に理解できるままでなければなりません。 関連する地理空間データと簡潔なデータ辞書とともにアクセス可能な概要を配信します。 安定した識別子、ソース参照、観察日、処理バージョン、調整基準および品質フィールドを保持します。 未知の領域と、例外レジスタで次の有用なチェックを記述します。 受取アナリストにサンプル項目を見つけるよう依頼し、証拠を特定し、その制限を解釈します。 実用的なレビューは、ファイルインテグレーションチェックが検出できない状態を明らかにすることができます。 変更の理由を保存し、後で変更した方法は新しい観察や変更方法に追跡することができます。
ITSensing ワークフローを実入で評価
検証されたテーマ領域推定のためのクラウドリモートセンシングソフトウェアを評価する場合、文書化されたパイロットを使用します。 製品の比較を使用して、代表的なデータで完全なワークフローをテストします。 ITSensingは、衛星発見、ラスターおよびスペクトル分析のためのクラウドワークスペースを提示します, 機械学習, GeoAI, モデル構築とPythonベースの作業. これら広範な機能は、ここに記述するすべての専門的方法がネイティブボタンであるか、またはすべての外部サービスが直接接続することを確立しません。 実際の文書化されたツール、サポートされた入力およびエクスポートパスを確認してください。 パイロット証拠と独立した検証を保持し、再発ワークフローを選択する前に。 製品リンクは評価のエントリーポイントであり、科学的解釈はデータとメソッドに縛られたままです。
