観察と決定を定義する
インデックスのしきい値は、連続した光学機能をクラスまたはアラートに変換します。 しきい値は、決定ルールとその結果を物理的法ではなく符号化します。 異なる土地カバー、季節、センサーは同じインデックス値の意味を変更できます。
インデックスベースの分類のしきい値については、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
インデックスベースの分類の閾値の測定値は、解釈全体で重要です。 スペクトル機能は、その式とそれに供給された観察の両方で定義されます。 バンド番号と波長応答がミッション間で異なるため、バンド名を選択する前にソース製品の説明をお読みください。 処理レベル、反射率のスケーリング、取得時間および質情報を一緒に保って下さい。 運用ユニットがピクセル、フィールド、生息地パッチ、管理領域であるかどうかを決定。 数学的に正しい比率は、混合された表面を結合したり、異なる季節的なステージを比較するときに、まだ間違った質問に答えることができます。 元のバンド観測を保存して、疑わしいインデックスは、その色だけから解釈されるのではなく、その入力に追跡することができます。
トレーサブルな解析を準備する
ターゲットクラスと偽警報の費用を定義し、対象を見逃した。 代表的なラベル付けされたトレーニングデータを使用して、候補のしきい値を選択し、選択したルールを独立したデータで評価します。 自信のないターゲットとは、曖昧で不快な場所を分離してください。
インデックスベースの分類のしきい値の準備は、次の証拠を保持する必要があります。 インデックスやスペクトルのコントラストを計算する前に、互換性のある物理的な量を用意します。 文書化されたスケールおよび付加的なオフセットを丁度加えて下さい。 検証ルールに従って、有効なゼロ、マスククラウド、影から無効な観察を区別し、飽和入力を検査します。 ネイティブ情報サポートを維持しながら、文書化されたグリッド上のバンドをアライメントします。 粗いバンドが再サンプルされると、より細かい出力間隔は細かいスペクトルの細部を作成しません。 いくつかのソースピクセルを手動でテストし、式のデノミネーターまたは他の数値条件を確認します。 プレゼンテーション色が反射率測定ではないため、定量計算の外側に表示を張ってください。
代表的なパイロットをテストする
インデックスベースの分類のしきい値のパイロットは、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
評価ラベルのバイアスを調べた後、閾値を選択すると、報告されたパフォーマンスが劣化します。 公開されたカットオフは、さまざまなスケーリング、バンド、または生態学的なクラスで開発されているかもしれません。 意図した実世界カテゴリに必ずしも一致しない統計的なパーティションを見つける自動ヒストグラムメソッド。
インデックスベースの分類のしきい値のレビューは、計算が完了した後に続行する必要があります。 ローカルの質問と独立した証拠を使用して機能を解釈します。 数値は、身体的影響や観察的影響に反応する可能性があるため、診断される前には、通常、強いコントラストがスクリーニング結果である。 盗用された共同創設者を比較し、ソースバンドを調べ、適切な関係が適用される人口を文書化します。 繰り返し監視のために、一般的な有効なサポートを使用して下さいまたは変更の適用範囲を記述して下さい。 平均値とともに有効な観察率を報告し、閾値のマップが配信されると連続した機能層を保持します。 しきい値とは、自在の物理的境界ではなく、省略と誤った警報が評価されるべき決定ルールです。
イラストの一例を通した作業
透かしのある水底が、ほぼすべてのクリア湖をキャプチャするが、繰り返しは陰影の都市屋根をフラグを立てます。 運転目標が都市の洪水検査の場合、これらの誤警報は、簡単に農村の背景によって支配される高い全体的な精度よりも重要です。
インデックスベースの分類のしきい値の推論例は、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
合理的なしきい値の感度を報告し、難易度の高い授業で性能評価を行います。 転送が期待される場合、独立したサイトまたは日付を使用してください。 代替品を比較するときに、選択した規則と評価サンプルを固定します。
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
インデックスベースの分類のしきい値については、その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
しきい値、インデックス定義、クラスの意味、想定されるエラーパターンを渡す。 連続レイヤーを保存して、審査官は境界線のケースを調べることができます。 ITSensingは、防御可能な局所決定規則が適切な基準証拠を必要とする間、反復可能なラスタースクリーニングをサポートすることができます。
インデックスベースの分類のしきい値のハンドオーバーは、作者の環境の外側に理解できるままであるべきです。 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
インデックスベースの分類閾値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。
