Naar inhoud springen

Introduction to Remote Sensing

Uit Atlas Examenwiki
Course Information
Courses and exams
ProfCanters Frank
CoursesLectures
Examination50% on written exam; 50% on reports
Background
Credits3
When?1st semester
ECTSLink

2025

January

  1. Radiometric calibration
    1. What is a spectralon, and how is it used to perform in-field measurements?
    2. Empirical line method: explain the principle in image calibration
    3. What are Pseudo-Invariant Features (PIFs)? What kind of characteristics should they have?
  2. MLP
    1. Explain the structure of and training mechanisms in MLP, in detail
    2. What are some advantages and disadvantages in using MLP when compared to ML classification?
    3. What is "overtraining"? Explain how you can counter this in MLP classification
  3. Post-classification change detection
    1. Explain the three methods of post-classification change detection
    2. Advantages/disadvantages of each
    3. Explain what influences the accuracies of each method
  4. No how are you :(

2024

January

  1. Explain NDVI. Why can it be used to map biomes. Which sensors can be used to map this biomes (spectral + spatial characteristics)?
  2. What is off-nadir viewing. What are the advantages and the disadvantages?
  3. Explain Multiple Layer Perceptron in detail. What are the (dis)advantages compared to Maximum Likelihood? What is 'overtraining' and how would you solve this for a MLP?
  4. What is Multidate composite image change detection? Explain the difference between supervised and unsupervised.
  5. How are you?

2023

January

12/01/2023

  1. Explain the Radiometric Empirical line calibration method. When is this method used and when not? Explain the importance of PIFs (Pseudo-Invariant Features) in this method.
  2. Explain Maximum Likelihood classification. (Principles, when to use, ...) Use these figures from a case study to explain the pitfalls of the methods (see Figure from 2018-2019).
  3. Explain all post-classification change detection methods. What are the assumptions you make for each method?

13/01/2023

  1. Explain MLP. What are the (dis)advantages in comparison with a maximum likelihood classifier? How can you avoid overtraining? + advantages and disadvanteges.
  2. Explain NDVI and how this measure can be used to map biomes on a global scale. Give examples of sensors that can be used to measure the NDVI globally on a daily basis (give spatial and spectral characteristics).
  3. Explain all post-classification change detection methods. What are the assumptions you make for each method? Is atmospheric/radiometric correction required for these methods? Why (not)?

2022

  1. Explain the Radiometric Empirical line calibration method. When is this method used and when not? Explain the importance of PIFs (Pseudo-Invariant Features) in this method.
  2. Explain descision trees. Explain the principle of inductive learning and how automation via inductive learning improves descision trees. Explain different criteria to split nodes. How are these criteria defined?
  3. Explain the Random Forest algorithm. Why is RF usually better than a single descision tree?
  4. Explain all post-classification change detection methods. What are the assumptions you make for each method? Is atmospheric/radiometric correction required for these methods? Why (not)?

2021

  1. Explain Maximum Likelihood classification. (Principles, when to use, ...) Use these figures from a case study to explain the pitfalls of the methods (see Figure from 2018-2019).
  2. Explain NDVI and how this measure can be used to map biomes on a global scale. Give examples of sensors that can be used to measure the NDVI globally on a daily basis (give spatial and spectral characteristics).
  3. Explain all post-classification change detection methods. What are the assumptions you make for each method? Is atmospheric/radiometric correction required for these methods? Why (not)?

2019

Series 3:

  1. Explain Maximum Likelihood classification. (Principles, when to use, ...) Use these figures from a case study to explain the pitfalls of the methods.
  2. What are along-track off-nadir and off-track off-nadir image acquisition? Give applications and (dis)advantages for both.

2018

Series 2:

  1. Explain the different methods of post-classification. Compare the techniques and give their advantages/disadvantages.
  2. Explain how a confusion matrix is constucted. Give all the validations that you can calculate based on this confusion matrix. An image is classified by two different classifiers. How can I whether one classifier is significantly better than the other one?

Additional questions:

  • Does your data require radiometric correction for image differencing? Why haven't we done that in the practicals? What would be the influence on the Gaussian shape of these values?
  • What is the assumption you need to make for the cross correlation change detection method to work well?
  • What is the range of values for the Kappa index, what does a Kappa of 0 mean?
  • When will there be a large difference between PCC and Kappa?

2017

  1. How monitor vegetation on global scale.
  2. Explain decision tree
  1. MLP
  2. Emperical line calibration

2016

Series 2:

  1. Explain the different methods of post-classification. Compare the techniques and give their advantages/disadvantages.
  2. Explain how a confusion matrix is constucted. Give all the validations that you can calculate based on this confusion matrix. An image is classified by two different classifiers. How can I whether one classifier is significantly better than the other one?

2015

January

26/01/2015

  1. Wat zijn off-track en along-track image acquisition? Geef aan bij welke toepassingen deze best gebruikt worden. Wat zijn de nadelen van off-nadir image acquisition?
  2. Beschrijf de werking van een MLP? Wat zijn de voordelen en nadelen vergeleken met een maxlike classifier? Hoe kan je overtraining vermijden?
  3. Geef alle methoden van postclassificatie change detection en hun voor- en nadelen.

2014

January

20/01/2014

Reeks 1:

  1. Maximumlikelihood classificatie en de a priori probabilities uitleggen + 2 figuren (slide 2.16 en 2.17) onderaan gegeven waar hij dan wat bijvragen over stelde
  2. Wat zijn "pointable" sensors? Geef voorbeelden van deze sensoren. Voordelen en nadelen? Wat is het meest efficiënte gebruik hiervan?

Reeks 2:

  1. Bespreek alle mogelijke methoden van post-classificatie change detection
  2. Leg alle soorten resolutie uit en mogelijke trade-offs.

Reeks 3:

  1. Beschrijf de werking van een MLP? Wat zijn de voordelen en nadelen vergeleken met een maxlike classifier? Hoe kan je overtraining vermijden?
  2. Leg empirical line calibration uit. Hoe zou je dit uitvoeren, wat voor data heb je hier voor nodig? Is dit noodzakelijk voor elke analyse van een satelliet beeld? (bonus: toepassing uitleggen bij land cover CHANGE detection)

2013

  1. Maximumlikelihood classificatie en de a priori probabilities uitleggen + 2 figuren (slide 2.16 en 2.17) onderaan gegeven waar hij dan wat bijvragen over stelde
  2. Wat zijn "pointable" sensors? Geef voorbeelden van deze sensoren. Voordelen en nadelen? Wat is het meest efficiënte gebruik hiervan?
  1. verschillende soorten resolutie uitleggen
  2. post-classificatie methodes voor change detectie uitleggen
  1. Geef alle methoden van postclassificatie change detection en hun voor- en nadelen.
  2. Bespreek spectrale, temporale, spatiale en radiometrische resolutie. Geef telkens voorbeelden van hoge en lage resolutie. Leg de trade-off tussen de verschillende resoluties uit en geef voorbeelden van wanneer welke combinaties nuttig zijn.
  1. Bespreek de maximum likelihood classifier. Leg a priori probability uit en bespreek de figuren op slide 2.16 en 2.17.
  2. Wat zijn 'pointable sensors'? Geef enkele voorbeelden van zulke sensoren? Wat zijn de voordelen en nadelen? Voor welke toepassingen kunnen ze gebruikt worden?
  1. Bespreek Multi-Layer Perceptron. Hoe vermijd je overtraining. Vergelijk met maximum likelihood.
  2. Bespreek de empirische lijn methode. Is calibratie altijd noodzakelijk?
  1. Het gebruik van de valse kleurencomposiet en de PCA bij kwalitatieve change detection uitleggen.
  2. Bespreek de Decision tree classifier. Wat zijn de voordelen ten opzichte van de maxlike? (Bespreek hierbij zeker uw inductive learning system uitgebreid!
  1. Hoe bepaalt ge de top van uw piramide bij inductive learning? Wat is de evaluatiemethode/criteria van uw opsplitsing?
  2. Op welke basis wordt uw inductive learning getoetst?
  1. Geef een eigen benaming voor de beelden van stable components en variable components (met verschilbeelden en veranderingbeelden ging hij wel akkoord)
  2. Op aangeven van eigen redenering: Wat is het specifieke voordeel en dus verschil tussen a-priori stratificatie bij maxlike en hierarchy inwerking door inductive learning?

2012

  1. wat zijn "pointable" sensors? geeft voorbeelden van deze sensoren. voordelen en nadelen? wat is het meest efficiënte gebruik hiervan?
  2. werking MLP uitleggen. voordelen tov. MaxLike? wat is overtraining en hoe dit vermijden?
  3. geeft de verschillende soorten van post-classificatie om aan change detection te doen. Vermeld bij elke methode de voor-en nadelen.
  1. Uitleggen wat spectrale,spatial,temporele en radiometrische resolutie is. En de trade-offs bij sensoren.
  2. Maximumlikelihood classifier gedetailleerd uitleggen. De a priori probabilities uitleggen. Plus de figuren op slde 2.16 en 2.17.
  3. Het gebruik van de valse kleurencomposiet en de PCA bij kwalitatieve change detection uitleggen.

2011

Reeks 1:

  1. Bespreek MLP. (werking, voor- en nadelen tov MLC, overtraining)
  2. Bespreek de empirical line method. Is die correctie altijd noodzakelijk?

Reeks 3:

  1. Hoe werkt de Maximum Likelihood Classifier? Wat zijn de vereisten voor een Maximum Likelihood Classifier? Wat zijn a priori probabilities? Hoe moet je die bepalen? Wat zijn de voor- en nadelen ervan? En dan stonden er ook die figuurkes op slides 2.16 en 2.17 bij (er stond niet in de vraag dat ge die figuren moest uitleggen, maar tijdens het examen vroeg hij daar natuurlijk wel zeer uitgebreid achter).
  2. Wat zijn 'pointable sensors'? Geef enkele voorbeelden van zulke sensoren? Wat zijn de voordelen en nadelen? Voor welke toepassingen kunnen ze gebruikt worden?

Reeks 4:

  1. Bespreek alle types van postclassification change detection, geef ook telkens de voor en nadelen
  2. leg uit: spectrale, spatiale, temporele, radiometrische resolutie. geef telkens voordelen van hoge resoluties, leg trade-off uit en geef voorbeelden van wanneer welke combinaties nuttig zijn

+ hele hoop bijvragen

Reeks 5:

  1. Bespreek de Decision tree classifier. Wat zijn de voordelen ten opzichte van de maxlike? (Bespreek hierbij zeker uw inductive learning system uitgebreid!)
  2. Hoe dragen a) false colour composite images en b) PCA bij tot een qualitatieve change detection?

4 bijvragen:

  • Hoe bepaalt ge de top van uw piramide bij inductive learning? Wat is de evaluatiemethode/criteria van uw opsplitsing?
  • Op welke basis wordt uw inductive learning getoetst?
  • Geef een eigen benaming voor de beelden van stable components en variable components (met verschilbeelden en veranderingbeelden ging hij wel akkoord)
  • Op aangeven van eigen redenering: Wat is het specifieke voordeel en dus verschil tussen a-priori stratificatie bij maxlike en hierarchy inwerking door inductive learning?

2010

Reeks 1

  1. MLP: hoe werkt het, wat zijn de voordelen tov ML en wat zijn er nadelen? leg overtraining uit en hoe los je het op?
  2. keuzetekst uitleggen, idem zoals kasper: doelstelling, methodologie, resultaten, conclusie

(examenvragen van persoon na mij):

  1. pixelbased vs objectbased (voor - en nadelen)

Reeks 2

  1. Semi-variogram uitleggen + verband met remote sensing (ook de figuur van no, low density en high density vegetation)
  2. Alles (doel, methodologie, resultaten en discussie) van keuzepaper uitleggen.
Overgenomen van "http://wiki.atlasleuven.be/index.php?title=Introduction_to_Remote_Sensing&oldid=699"