決定と観察可能なターゲットから始まります
実用的な質問は、他の沿岸植生クラスではなく、証拠がマングローブカバーをサポートしているところですか? マングローブ生息地パッチをレポートユニットとして使用し、画像やアルゴリズムを選択する前に観察期間を定義します。 潮流の場所、永続的な木質カバーおよび多天性のスペクトルかレーダーパターンは候補者のマングローブを区別するのに役立ちます。
森林監視は、明示的な環境と管理の定義を必要とします。 樹木キャノピー、森林土地利用、植林管理、生態系条件が関連しているが、異なる属性です。 一時的に開いているエリアは特定の報告枠の下に森林の土地を維持することができます。, 果樹園は、フレームワークの森林定義を満たしていない密なツリーカバーを持つことができます. 定義が解析を管理し、管理分類から区別できる観察型属性を保持するレコード。 繰り返し観察は、葉が変化する季節的な行動を大きく比較する必要があります。 経理歴、地形、林型は、分光の出発が有意義であるかどうかを判断できます。 フィールドプロットが使用されると、ヘテロ遺伝子のエッジ付近にある画像や文書の地理位置不確実性で空間的なサポートを整列します。 別の森型にモデルを移すことは想定しないでください。 透明で支えないエリアマスクは、その間違いを防ぐことができます。 最強の監視記録は、各証拠のソースと日付を保持しながら、キャノピーの観察、在庫測定、およびローカル履歴を接続します。
適切な身体的および気道的なサポートで観察を選択
情報補完や差分をコントロールする際、センサーを組み合わせることは便利です。 光学的画像、レーダー、熱観測、およびコンテキストデータセットは同じプロパティを測定しないため、交換可能な写真があったらそれらをマージしないでください。 各ソースの貢献を定義し、空間サポート、取得時間と欠落データパターンを調べます。 グリッドを非適度に揃え、変数タイプに応じて再サンプリングを選択し、元の品質マスクを保持します。 粗い出力グリッドは、粗い入力から情報流入を回復できません。 ソースが異なる日付を記述する場合、ターゲットがギャップ中に変化する可能性があるかどうかを決定します。 それぞれの単純ソース固有のベースラインに対して、結合されたワークフローを評価します。 融合は、単に機能のカウントを増加させるよりも有用な追加情報を示すべきです。 最終証拠層のソース固有の属性を保存して、アナリストは分類や異常にそれを支持した観察に戻すことができます。
処理する前に、コンパクトなデータマニフェストを作成してください。 関心、取得時間、製品識別子、処理バージョン、バンドまたは変数、単位、スケール要因および品質基準の領域を録音します。 シーン全体の品質比率だけに依存するのではなく、ターゲットを上回る実際の使用可能なカバレッジを確認してください。 元のマスクを保存し、不足している値が派生したレイヤーにどのように属するかを定義します。 いくつかの日付やセンサーが組み合わされている場合は、プロジェクト内でのサポート情報を保持します。 これらは、測定を繰り返すことができ、製品変更後の変更が経過した理由を説明することを可能にします。 また、環境や観察条件、処理選択から明らかな意見が出てくるかどうかを同僚に決定するのに役立ちます。
検討できる分析ルールの構築
estuary と open-coast の設定をStratifyし、tidal コンテキストを調べて、混合された海岸線ピクセルを明示的に評価します。
分類は、保存可能なクラス定義と参照ラベルで始まり、画像日付に一致する。 適切な場合、困難な代替品、混合境界、未知のクラスを含める。 バンドを選ぶのではなく、ターゲットプロセスを表現する機能を構築します。 トレーニングと評価の場所を空間的に独立させ、転送が意図した使用時に異なる地域や季節を保存することを検討してください。 全体的な正確さを単独で報告するのではなく、クラス固有の省略と手数料エラーを確認します。 全体スコアが高いと、レアなターゲットは、実用的な精度が悪い可能性があります。 最終的なクラスと並行して確率や他のサポートされていない不確実性測定値を保持し、校正制限を文書化しました。 クラスエリアがレポートを駆動する場合、マップエラーが適切なサンプリングベースのエリア推定器を介して組み込まれる必要があるかどうかを評価します。
完全な地理を横断するルールを適用する前に、小さめで独立してサブセットを見直し始めます。 出力と中間層を概観とローカルスケールで調べ、そのユニットをチェックし、マスクを調節し、アライメントを合わせる。 分析設定の名称バージョンを保ち、すべての結果のしきい値の説明を保持します。 ワークフローが他の地域や季節に移行すると、成功した実行が科学的な転送を証明するのを仮定する代わりに、それらの仮定を再訪します。 オートメーションが自動的に解釈を正しいようにしないので、選択は点検され、変更することができるので反復可能なパイプラインは価値があります。
代替説明を隠さない結果の解釈
養殖のエッジ、他の常緑野菜および潮汐の複雑な分類。 あらゆる種をカンポピーカバーは識別しません。
ターゲットの解釈を、そのサポートに使用される証拠とは異なるものにしてください。 マングローブ生息地パッチについては、観察されたパターンが合理的な代替ベースライン、品質マスク、集計下にあるかどうかを尋ねます。 明らかに成功と申し分のないカウンターを一緒に見直します。 有能な説明が利用可能な観察と分離できない場合は、調査対象の候補として調査結果を記録してください。 これにより、結論のどの部分が独立した証拠に依存するかを正確に示す間、有用な空間情報を保持します。 次の観察は、類似の地図を再現するだけでなく、不確実性を解決するために選択する必要があります。
スケールする前に独立した証拠で検証
パーセのマージンと内部スタンドに広がる環境参照観察を収集します。
意図したマップの使用を表すための参照サンプルを設計します。, 難易度と分類器がフラグをしなかった場所を含みます. 訓練およびしきい値の調節のサンプルを独立して保って下さい。 まれなターゲットクラスが意図的にオーバーサンプリングされると、選択確率を保持し、人口レベルの推定値を適切に計算することができます。 一貫した参照定義とレポートの省略、および手数料エラーを使用して混乱行列を作成。 ラベルが解釈を必要とする観察者同意をチェックする。 パフォーマンスが異なる場合、地形、ターゲットサイズ、季節などの有意義な文脈によるレポート結果。 地図は、シンプルなインテリア例でのみ評価され、狭いエッジや混合された風景についてのクレームを正当化することはできません。 監査のために利用可能な参照証拠を保持し、特定のものではなく、各サンプルを決定的なカテゴリに強制するという参照ラベルを区別します。
使用可能な GIS 証拠層を納入
海岸設定で、サポートされたマングローブの程度、混合エッジと不確実性を届けます。
GIS 配達のために、安定した機能識別子、ソースの観察日、物理的な変数、単位、有効なサポート区域、不確実性および見直しの状態を保って下さい。 任意の領域または距離計算に適した座標参照を使用して、外部レイヤーに参加するときに変換を文書化します。 測定された属性やフィールド・コンピレーションされた属性を分離して、他の属性を上書きせずに1つの証拠タイプを更新できます。 要約で未知の状態や未サポート状態を含み、パーセンテージに使用されるデノミネーターを保存します。 地図の凡例、簡潔なデータ辞書とアクセス可能なソースリンクは、分析を実行しなかった同僚に有用な結果になります。 エクスポート形式は、実際のダウンストリームワークフローにマッチし、ハンドオフ前にチェックされた属性エンコーディングとジオメトリで一致する必要があります。
実用的iT Sensing ワークフローに方法を回して下さい
iT Sensingは衛星発見、ラスター解析、機械学習、ジオAI、ビジュアルモデルワークフロー、Python実験をクラウドリモートセンシングワークスペースに実現しました。 文書化されたツールを使用して、入力を整理し、適切なラスター操作をテストし、評価された結果をプロジェクトアウェアGIS ワークフローに接続します。 一般的なツールの存在は、ここで説明するすべての専門家の検索が既製の操作として利用可能であることを保証しません。 必要に応じて、文書をチェックし、その実証済みの不当で、プロジェクトに独立して処理および評価された製品を持ってください。 実用的な次のステップは、代表的な領域でワークフローをテストし、ドメインスペシャリストによる証拠を見直し、チームの実際のストレージ、コラボレーション、および処理ニーズに合ったワークスペースプランを選択することです。