|
|
Classification of meadow vegetation in the Krkonoše Mts. using aerial hyperspectral data and support vector machines classifier
Hromádková, Lucie ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Tato diplomová práce se zabývá využitím leteckých hyperspektrálních dat senzoru AISA a klasifikačních metod Support Vector Machines (SVM) a Neural Networks (NN) pro mapování lučních společenstev v Krkonošském národním parku. Hlavní cíle práce jsou experimentální určení nejlepší kombinace parametrů algoritmu SVM, a navržení ideálního trénovacího datasetu pro tento algoritmus a krkonošská luční společenstva. Kritériem úspěšnosti jednotlivých kombinací parametrů SVM a trénovacích datasetů jsou výsledky posouzení přesnosti klasifikace pomocí confusion matic a kappa koeficientu. Kromě hlavních cílů je účelem práce také porovnání klasifikačních algoritmů SVM a NN, především co se týče počtu trénovacích pixelů potřebných pro úspěšnou klasifikaci horských luk. Hlavními výstupy práce jsou klasifikační mapy zájmových území a skripty v jazyce Python, které budou předány Správě KRNAP pro další využití v monitoringu a ochraně cenných lučních společenstev. Klíčová slova: hyperspektrální data, AISA, Support Vector Machines, Neural Networks, trénovací dataset, horská luční vegetace
|
|
|
Klasifikace UAV hyperspaktrálních obrazových dat s využitím metod hlubokého učení
Řádová, Martina ; Potůčková, Markéta (vedoucí práce) ; Kupková, Lucie (oponent)
Uvedená diplomová práce "Klasifikace UAV hyperspektrálních (HS) obrazových dat s využitím metod hlubokého učení" se v obecné rovině věnuje klasifikačním metodám hyperspektrálních snímků. Ve své rešeršní části diplomová práce podává obecný přehled metod konvolučních neuronových sítí. Na základě toho je sestaven přehledný rámec jako podklad pro vytipování vhodné metody pro tuto práci. Vybrány jsou dvě metody s otevřeným řešením v jazyce Python. Zvolenými metodami jsou Capsule Network a U-Net. Cílem práce je ověřit vhodnost těchto metod pro klasifikaci hyperspektrálních snímků krkonošské tundry s vysokým prostorovým rozlišením. Dílčím cílem je i příprava vstupních HS (54 pásem, 9 cm) dat do vhodné podoby pro vstup do sítě. Vzhledem ke složitosti architektury nebylo dosaženo všech požadovaných výsledků u metody Capsule Network. Pro účely porovnání a ověření výsledků byla použita metoda U-Net. Ta dosáhla přesnějších výsledků oproti hodnotám získávaným tradičními metodami (SVM, ML, RF a další), kdy celková přesnost byla u U-Net vyšší než 90% a u ostatních zmiňovaných metod OA nepřesáhla 88%. Zejména třídy suť a kleč vyšly výrazně přesněji než všechny ostatní třídy (UA - user's accuracy a PA - producer's accuracy přes 99%). Klíčová slova Hluboké učení, konvoluční neuronové sítě, hyperspektrální snímky,...
|
|
|
JCU_1802
Fabiánek, Tomáš ; Hanuš, Jan ; Fajmon, Lukáš
Akvizice dat Leteckou hyperspektrální laboratoří nad lokalitami v okolí obcí Krasíkovice a Kochánky proběhla 27. a 29. května 2018. Důvodem pořízení hyperspektrálních a LiDARových dat bylo ověření kritických zdrojových lokalit na experimentálních povodích IV. řádu nebo jejich částech s vysokými koncentracemi dusičnanů ve vodách (vč. drenáží).
|
|
|
Vliv spektrálního rozlišení na klasifikaci krajinného pokryvu v krkonošské tundře
Palúchová, Miroslava ; Červená, Lucie (vedoucí práce) ; Kupková, Lucie (oponent)
Vliv spektrálního rozlišení na klasifikaci krajinného pokryvu v krkonošské tundře Abstrakt Diplomová práce je zaměřena na specifikaci požadavků na spektrální rozlišení dat vstupujících do klasifikace a zodpovězení otázky, která pásma jsou stěžejní pro rozlišení tříd předem stanovené legendy. V práci jsou použita letecká hyperspektrální data senzoru AisaDUAL. Aplikovanou metodou výběru významných pásem byla diskriminační analýza provedena v IBM SPSS Statistics. Významná pásma se nacházela v intervalech 1500-1750 nm (začátek oblasti SWIR), 1100-1300 nm (delší vlnové délky NIR), 670-760 (red-edge) a 500-600 nm (zelené pásmo). Klasifikace vybraných pásem proběhla v ENVI 5.4 pomocí klasifikátoru Support Vector Machine a dosáhla celkové přesnosti 80,54 %, Kappa koeficient 0,7755. Součástí práce je také hodnocení vhodnosti dostupných družicových dat pro klasifikaci vegetace tundry z hlediska spektrálního rozlišení. Klíčová slova: tundra, Krkonoše, klasifikace, spektrální rozlišení, separabilita tříd, diskriminační analýza, hyperspektrální data
|
|
|
UHUL_1704
Hanuš, Jan ; Fabiánek, Tomáš ; Fajmon, Lukáš
Pro vyhonocení zdravotního stavu lesních porostů byli použity hyperspectrální snímky o prostorovém rozlišení 1 m a v rozmezí vlnových délek 400 – 2500 nm. Data byla nasnímána Leteckou hyperspektrální laboratoří Ústavu Výzkumu globální změny AV ČR v.v.i. v termínu 5. 8. 2017 nad převážně smrkovými porosty Nízkého Jeseníku v okolí Bruntálu. Pro analýzu struktury porostů byl použit LiDARový scanner se snímáním 2 body na m2.
|
|
|
JCU_1702
Hanuš, Jan
Letecká hyperspektrální kampaň nad lokalitou Dehtáře, jejíž účelem bylo pořízení dat pro studium vodního vegetačního stresu v zemědělské krajině, probíhala ve dvou termínech a to 11. 5. a 28. 5. 2017. Leteckou hyperspektrální laboratoří Ústavu Výzkumu globální změny AV ČR v.v.i. byly nasnímány data ve spektrálním rozmezí 380-2450nm, 8000–11500nm (termální oblast spektra) a LiDARové mračno o hustotě 0.5 bodu na m2. Pro následné analýzy byla připravena georeferencovaná hyperspektrální rastrová data s odstraněným vlivem atmosféry na výsledné hodnoty odrazivosti povrchu v prostorovém rozlišení 2 a 5m.
|
|
|
ČZU_1701
Hanuš, Jan ; Fabiánek, Tomáš ; Fajmon, Lukáš
Letecká hyperspektrální kampaň se souběžným laserovým snímáním povrchu nad výsypkami povrchových dolů v okolí Litvínova a Bíliny byla provedena 18. 5. 2017. Dle zadání výzkumu byly snímány dvě lokality o ploše 100 a 60km2 leteckou laboratoří Ústavu Výzkumu Globální změny AV, v.v.i. a to ve spektrálním rozsahu 380–2450nm (ve 46 a 141 pásmech), prostorovém rozlišení 0.5 a 1.25m a hustotou LiDARového mračna 4 bodů na m2. Výsledným produktem byla ortorektifikovaná mosaikovaná rastrová data v ENVI formátu (po atmosférických korekcích) a georeferencované LiDARové mračno bodů využitelné pro studium fyzicko-geografické diverzity potěžebních oblastí.
|
|
|
ČGS_1703
Hanuš, Jan ; Fabiánek, Tomáš ; Fajmon, Lukáš
Data snímané Leteckou hyperspektrální laboratoří Ústavu Výzkumu globální změny AV ČR v.v.i. v termínu 18. 5. 2016 nad územím dolů Lítov a Silvestr byla pořízena pro následné modelování degradace půd. Pořízeny byly rastrová data s prostorovým rozlišením 0.8 a 2.0m ve spektrálním rozmezí od 380 do 2450nm a v termální oblasti 8000 až 11500nm souběžně s LiDARovým mračnem bodů o hustotě 3 body na m2. Pro další použítí byly snímky ortorektifikovány a byly provedeny korekce na vliv atmoféry na výsledné spektum.
|
|
|
Classification of meadow vegetation in the Krkonoše Mts. using aerial hyperspectral data and support vector machines classifier
Hromádková, Lucie ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Tato diplomová práce se zabývá využitím leteckých hyperspektrálních dat senzoru AISA a klasifikačních metod Support Vector Machines (SVM) a Neural Networks (NN) pro mapování lučních společenstev v Krkonošském národním parku. Hlavní cíle práce jsou experimentální určení nejlepší kombinace parametrů algoritmu SVM, a navržení ideálního trénovacího datasetu pro tento algoritmus a krkonošská luční společenstva. Kritériem úspěšnosti jednotlivých kombinací parametrů SVM a trénovacích datasetů jsou výsledky posouzení přesnosti klasifikace pomocí confusion matic a kappa koeficientu. Kromě hlavních cílů je účelem práce také porovnání klasifikačních algoritmů SVM a NN, především co se týče počtu trénovacích pixelů potřebných pro úspěšnou klasifikaci horských luk. Hlavními výstupy práce jsou klasifikační mapy zájmových území a skripty v jazyce Python, které budou předány Správě KRNAP pro další využití v monitoringu a ochraně cenných lučních společenstev. Klíčová slova: hyperspektrální data, AISA, Support Vector Machines, Neural Networks, trénovací dataset, horská luční vegetace
|
|
|
Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších
Andrštová, Martina ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších ABSTRAKT Diplomová práce je součástí projektu HyMountEcos, který se zabývá komplexním hodnocením ekosystémů v Krkonošském národním parku s využitím hyperspektrálních dat. Zájmovým územím je oblast alpínského bezlesí v Krkonošském národním parku (krkonošská tundra). Cílem práce bylo vytvoření podrobné metodiky klasifikace vegetačního pokryvu z hyperspektrálních dat senzoru AISA DUAL a APEX, nalezení klasifikátoru, který zlepší přesnost klasifikace oproti údajům z literatury, a porovnání přesností dosažených pomocí těchto dvou typů dat. Na data bylo aplikováno několik klasifikačních algoritmů (Spectral Angle Mapper, Linear Spectral Unmixing, Support Vector Machine, MESMA a Neural Net), výsledky klasifikací byly v následujícím kroku statisticky vyhodnoceny a porovnány. Jako nejpřesnější byla vyhodnocena metoda Neural Net, která poskytuje nejpřesnější výsledky pro data APEX (celková přesnost 96 %, Kappa koeficient 0,95) i AISA DUAL (celková přesnost 90 %, Kappa koeficient 0,88). Výsledná přesnost klasifikace (celková i pro některé třídy) dosáhla lepších výsledků, než jsou zmiňovány v literatuře Výstupem práce jsou také mapy vegetace alpínského bezlesí zpracované na žádost Správy Krkonošského národního parku, které budou...
|
host ::
RSS.