Pohjatodellisuus

Kaukokartoituksessa ”maatotuudella” tarkoitetaan paikan päällä kerättyä tietoa. Maastotodellisuuden avulla kuvatiedot voidaan suhteuttaa todellisiin piirteisiin ja materiaaleihin maastossa. Maastotodellisuustietojen kerääminen mahdollistaa kaukokartoitustietojen kalibroinnin ja auttaa tulkitsemaan ja analysoimaan sitä, mitä avataan. Esimerkkeinä voidaan mainita kartografia, meteorologia, ilmakuvien analysointi, satelliittikuvat ja muut tekniikat, joissa tietoja kerätään etäältä.

Tarkemmin sanottuna maastotodellisuudella voidaan viitata prosessiin, jossa satelliittikuvan ”pikseliä” verrataan siihen, mitä todellisuudessa (tällä hetkellä) on, jotta voidaan todentaa kuvan ”pikselin” sisällön oikeellisuus (huomioiden, että ”pikselin” käsite on jossain määrin epämääräinen). Luokitellun kuvan tapauksessa se mahdollistaa valvotun luokittelun, jonka avulla voidaan määrittää kaukokartoitusohjelmiston suorittaman luokittelun tarkkuus ja siten minimoida luokittelussa esiintyvät virheet, kuten teko- ja laiminlyöntivirheet.

Ground truth tehdään tavallisesti paikan päällä tekemällä pintahavaintoja ja mittauksia niiden maanpinnan resoluutiokennojen piirteiden erilaisista ominaisuuksista, joita tutkitaan digitaalisesta kaukokartoituskuvasta. Siihen kuuluu myös maanpinnan resoluutiokennon maantieteellisten koordinaattien ottaminen GPS-tekniikalla ja niiden vertaaminen kaukokartoitusohjelmiston antamiin tutkittavan ”pikselin” koordinaatteihin sijaintivirheiden ymmärtämiseksi ja analysoimiseksi ja sen selvittämiseksi, miten se voi vaikuttaa tiettyyn tutkimukseen.

Pohjatodellisuus (ground truth) on tärkeää kuvan alkuperäisessä valvotussa luokittelussa. Kun maanpeittotyyppien identiteetti ja sijainti tunnetaan kenttätyön, karttojen ja henkilökohtaisen kokemuksen yhdistelmällä, näitä alueita kutsutaan harjoitusalueiksi. Näiden alueiden spektriominaisuuksia käytetään kaukokartoitusohjelmiston kouluttamiseen päätöksentekosääntöjen avulla muun kuvan luokittelua varten. Nämä päätöksentekosäännöt, kuten Maximum Likelihood Classification, Parallelepiped Classification ja Minimum Distance Classification, tarjoavat erilaisia tekniikoita kuvan luokitteluun. Muiden maastotodellisuuskohteiden avulla kaukokartoittaja voi laatia virhematriisin, jolla validoidaan käytetyn luokittelumenetelmän tarkkuus. Eri luokitusmenetelmillä voi olla eri virheprosentti tietyssä luokitusprojektissa. On tärkeää, että kaukokartoittaja valitsee luokittelumenetelmän, joka toimii parhaiten käytettävien luokitusten määrän kanssa ja tuottaa samalla vähiten virheitä.

Ground truth auttaa myös ilmakehän korjauksessa. Koska satelliittien lähettämät kuvat joutuvat luonnollisesti kulkemaan ilmakehän läpi, ne voivat vääristyä ilmakehän absorption vuoksi. Näin ollen maatotuus voi auttaa tunnistamaan kohteet satelliittikuvissa täydellisesti.

Virhevirheet Muokkaa

Esimerkki virhevirheestä on se, että pikseli ilmoittaa sellaisen piirteen (kuten puiden) olemassaolon, joka todellisuudessa puuttuu (puita ei todellisuudessa ole). Maatutkalla varmistetaan, että virhematriisien tarkkuusprosentti on korkeampi kuin jos pikseleitä ei olisi maatutkalla tarkistettu. Tämä arvo on käyttäjän tarkkuuden käänteisarvo eli komission virhe = 1 – käyttäjän tarkkuus.

PuuttumisvirheetEdit

Esimerkki puuttumisvirheestä on, kun tietyn asian, esimerkiksi vaahterapuun, pikseleitä ei luokitella vaahterapuiksi. Ground truthing -prosessi auttaa varmistamaan, että pikseli on luokiteltu oikein ja virhematriisit ovat tarkempia. Tämä arvo on tuottajan tarkkuuden käänteisarvo eli Puuttumisvirhe = 1 – tuottajan tarkkuus

.