KIT | KIT-Bibliothek | Impressum | Datenschutz

Development and Applications of Machine Learning Methods for Hyperspectral Data

Riese, Felix M.

Abstract:

Die hyperspektrale Fernerkundung der Erde stützt sich auf Daten passiver optischer Sensoren, die auf Plattformen wie Satelliten und unbemannten Luftfahrzeugen montiert sind. Hyperspektrale Daten umfassen Informationen zur Identifizierung von Materialien und zur Überwachung von Umweltvariablen wie Bodentextur, Bodenfeuchte, Chlorophyll a und Landbedeckung. Methoden zur Datenanalyse sind erforderlich, um Informationen aus hyperspektralen Daten zu erhalten. Ein leistungsstarkes Werkzeug bei der Analyse von Hyperspektraldaten ist das Maschinelle Lernen, eine Untergruppe von Künstlicher Intelligenz. ... mehr

Abstract (englisch):

Hyperspectral remote sensing of the Earth relies on data from passive optical sensors that are mounted on platforms such as satellites and Unmanned Aerial Vehicles (UAVs). Hyperspectral data includes information to identify materials and to monitor environmental variables, such as soil texture, soil moisture, chlorophyll a, and land cover. Data analysis methods are necessary to retrieve information from hyperspectral data. One powerful tool in the analysis of hyperspectral data is Machine Learning (ML), a subset of Artificial Intelligence. ML models can solve nonlinear correlations and are scalable on increasing dataset sizes. ... mehr


Volltext §
DOI: 10.5445/IR/1000120067
Cover der Publikation
Zugehörige Institution(en) am KIT Institut für Photogrammetrie und Fernerkundung (IPF)
KIT-Zentrum Klima und Umwelt (ZKU)
Publikationstyp Hochschulschrift
Publikationsdatum 10.06.2020
Sprache Englisch
Identifikator KITopen-ID: 1000120067
Verlag Karlsruher Institut für Technologie (KIT)
Umfang XIV, 160 S.
Art der Arbeit Dissertation
Fakultät Fakultät für Bauingenieur-, Geo- und Umweltwissenschaften (BGU)
Institut Institut für Photogrammetrie und Fernerkundung (IPF)
Prüfungsdatum 19.05.2020
Schlagwörter hyperspectral data, remote sensing, machine learning, artificial intelligence, soil moisture, crop type, land use, land cover, self-organizing maps, convolution neural networks, dataset shift, regression, classification, semi-supervised learning, unsupervised learning
Relationen in KITopen
Referent/Betreuer Hinz, S.
KIT – Die Forschungsuniversität in der Helmholtz-Gemeinschaft
KITopen Landing Page