|
|
Aktualizace dat land use katastrální evidence s využitím družicových dat Sentinel-2
Šaffová, Michaela ; Štych, Přemysl (vedoucí práce) ; Kupková, Lucie (oponent)
Aktualizace dat land use katastrální evidence s využitím družicových dat Sentinel-2 Abstrakt Cílem práce je navrhnout metodický postup, který bude klasifikovat vybrané třídy land use s přesností vyšší než 80 %. Konstruovaný metodický postup bude mít za úkol detekovat rozpor mezi land use vykazovaným v katastrální evidenci a skutečným stavem v krajině určeným pomocí klasifikace dat Sentinel-2. Klasifikace tříd zemědělské půdy (orná půda, trvalé travní porosty, sady a vinice) je řešena v této práci pomocí multitemporálních dat Sentinel-2 s využitím metod objektové klasifikace (OBIA). První část práce je zaměřena na literární úvod do problematiky řešeného tématu. Druhá část je věnována samotnému procesu tvorby metodického postupu pro objektovou klasifikaci tříd land use, kdy jsou experimentální činností a prahováním definovány parametry klasifikace. Výsledky práce jsou porovnávány a hodnoceny pomocí celkové přesnosti a chybových matic jednotlivých výsledných klasifikací, při kterých byl využit vytvořený algoritmus. Klíčová slova: katastrální evidence, multitemporální družicové snímky, objektově- orientovaná klasifikace, Sentinel-2, zemědělský půdní fond
|
|
|
Klasifikace vybraných druhů vegetace v krkonošské tundře s využitím časové řady dat PlanetScope
Roubalová, Markéta ; Kupková, Lucie (vedoucí práce) ; Červená, Lucie (oponent)
Cílem práce bylo zjistit, do jaké míry lze s využitím dat PlanetScope rozlišit tři druhy travin - bezkolenec modrý (Molinia caerulea), třtina chloupkatá (Calamagrostis villosa) a smilka tuhá (Nardus stricta) v krkonošské tundře a zda multitemporální přístup může přispět ke zvýšení přesnosti klasifikace těchto druhů. Využito bylo dat PlanetScope s prostorovým rozlišením 3 m. Řízená pixelová klasifikace Maximum Likelihood, Support Vector Machine, Random Forest a objektová klasifikace SVM proběhly v programu ENVI 5.3 na základě terénních dat zaměřených GPS přístrojem v letech 2014 až 2018. Jednotlivé přesnosti klasifikace byly porovnány s výstupy řízené klasifikace v Kupková et al. (2017) a Marcinkowska-Ochytra et al. (2018a). Nejlepší výsledek klasifikace byl dosažen pro multitemporální kompozit metodou Random Forest. Celková přesnost klasifikace byla 80,67 %, což je lepší výsledek, než v případě klasifikace snímku z jednoho termínu (celková přesnost 76,06 %). Data PlanetScope byla porovnána s daty RapidEye a Apex. V rámci dat RapidEye dosáhl nejvyšší celkové přesnosti multitemporální kompozit klasifikovaný metodou Random Forest (74,75 %), v případě dat Apex (termín 10.9.2012) bylo dosaženo nejlepšího výsledku také metodou Random Forest (75,91 %). Klíčová slova: multitemporální klasifikace, vegetace,...
|
|
|
Optimalizace tvorby trénovacího a validačního datasetu pro zvýšení přesnosti klasifikace v dálkovém průzkumu Země
Potočná, Barbora ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Diplomová práce se zabývá optimalizací trénovacího a validačního datasetu pro řízenou klasifikaci dat v DPZ. V rámci řešení práce jsou v území lesně-luční krajiny v Podkrkonoší prováděny pro dva klasifikační algoritmy (Maximum Likelihood - MLC a Support Vector Machine - SVM) experimenty s trénovacími a validačními daty. Práce vychází z předpokladu, že pro dosažení maximální přesnosti klasifikace je ideální podíl 1/3 trénovacích a 2/3 validačních dat (Foody, 2009). Další hypotézou práce byl předpoklad, že v případě klasifikace pomocí algoritmu SVM je pro dosažení stejné/podobné přesnosti klasifikace potřeba nižší počet trénovacích bodů než v případě klasifikačního algoritmu Maximum Likelihood (Foody, 2004). Cílem práce bylo testovat vliv podílu/množství trénovacích a validačních dat na přesnost klasifikace multispektrálních dat senzoru Sentinel-2A s využitím algoritmu Maximum Likelihood. Nejvyšší celkové přesnosti při využití klasifikačního algoritmu Maximum Likelihood bylo dosaženo pro podíl 375 trénovacích a 625 validačních bodů. Celková přesnost pro tento podíl byla 72,88 %. Teorie Foodyho (2009), že pro dosažení nejvyšší přesnosti klasifikace je ideální podíl 1/3 trénovacích a 2/3 validačních dat potvrzují výsledky hodnocení celkové přesnosti a Kappa koeficientu pro Maximum Likelihood. Avšak...
|
|
|
Zaniklá krajina horského zemědělství na Šumavě: rekonstrukce, 3D modely krajiny a možnosti jejich prezentace v prostředí webu
Polák, Mojmír ; Kupková, Lucie (vedoucí práce) ; Štych, Přemysl (oponent)
Práce se zabývá modelovým územím obce Prášily na Šumavě, které je analyzováno v rámci projektu Dědictví zaniklých krajin, identifikace, rekonstrukce a zpřístupnění. Cílem práce bylo zhodnotit změny krajinného pokryvu od poloviny 19. století do současnosti s využitím stabilního katastru, historického ortofota, současného ortofota a vytvoření rekonstrukčních 3D modelů krajiny a fotorealistického 3D modelu zaniklé osady Hůrka. Dalším cílem bylo hodnocení možnosti prezentace 3D modelů v prostředí webu a nalezení optimálního řešení pro prezentaci na webu. V teoretické části jsou popsány možné metody pro hodnocení změn krajiny, vývoj krajiny v Česku od poloviny 19. století do současnosti, teorie 3D modelů, využití 3D modelů v praxi a možnosti prezentace 3D modelů. V praxi byly vytvořeny 2 modely krajiny vizualizované v ArcGIS Online Web Scene, CityEngine Web Viewer a 3D model zaniklé osady s průletovým videem a zobrazení současného stavu. Model byl vizualizován pomocí Sketchfab, 3DWarehouse a Google Poly. Vybráno bylo řešení pomocí Sketchfab, pro dobrou vizuální stránku a možnost zobrazení na mobilních zařízeních.
|
|
|
Identifikace potenciálně vhodných habitatů pro výskyt sysla obecného (Spermophilus citellus) s využitím dálkového průzkumu Země
Kadeřábková, Tereza ; Kupková, Lucie (vedoucí práce) ; Hais, Martin (oponent)
Cílem práce bylo testovat možnosti dat DPZ s různým prostorovým rozlišením (data z UAV s rozlišením 5 cm, data družice RapidEye s rozlišením 5 m a data družice Sentinel-2A s rozlišením 10 m) a různých metod DPZ (neřízená klasifikace, řízená klasifikace, vegetační indexy NDVI a TVI) pro identifikaci potenciálně vhodných habitatů výskytu sysla obecného. Analýza byla prováděna v užším zájmovém území Velkých Pavlovic a následně v širším zájmovém území 5 krajů Moravy a Slovenska a využívala data terénního mapování biotopů a nor sysla, které prováděli biologové v rámci projektu "Sysli pro krajinu, krajina pro sysly". Metody DPZ byly nejprve testovány v užším území na datech RapidEye. Metoda vykazující nejpřesnější výsledek z hlediska detekce nor byla poté aplikována v širším zájmovém území, kde byla využita data Sentinel-2A. Přesnost výsledků byla vyjádřena jako podíl detekovaných nor ve výsledné vrstvě získané z dat DPZ ku celkovému počtu zmapovaných nor v terénu. Nejlepšího výsledku dosáhla metoda definice intervalu vycházející z výpočtu průměru a směrodatné odchylky hodnot TVI v místě výskytu nor (přesnost 68,91 % pro zájmové území Velkých Pavlovic a data RapidEye při pokrytí 51,69 % užšího území; přesnost 49,89 % pro území pěti krajů a data Sentinel-2A při pokrytí 11,66 % širšího území). Výstupy byly...
|
|
|
Porovnání vývoje krajinného pokryvu a struktury krajiny v českém a rakouském pohraničí v období 1991 - 2016 s využitím dálkového průzkumu Země
Brůžek, Jindřich ; Kupková, Lucie (vedoucí práce) ; Štych, Přemysl (oponent)
Cílem práce bylo porovnání vývoje krajinného pokryvu a krajinné struktury v pohraničním území Jihomoravského kraje a Dolních Rakous na české a rakouské straně hranice s využití dat a metod dálkového průzkumu Země (klasifikační metodou Maximum Likelihood). Pro širší zájmové území byla využita data z družic Landsat 5, Landsat 8 (roky 1991 a 2016) s prostorovým rozlišením 30 m a pro menší území Valticka data z družice Rapid Eye s prostorovým rozlišením 6,5 m (roky 2010 a 2016). Klasifikační legenda byla odvozena z práce Rašína a Chromého (2010). Řízená klasifikace pro krajinný pokryv proběhla v programu ENVI 5.4 na základě trenovacích datasetů získaných z ortofot a databáze LPIS. Nejlepší výsledek klasifikace dat Rapid Eye v roce 2016 dosáhl celkové přesnosti 94,87 % a nejhorší data družice Landsat 5 88,71 %. Z intenzity změn krajinného pokryvu byl nejzajímavější výsledek kategorie orné půdy, která na české straně zaznamenala v roce 2016 ztrátu 5,67 procentního bodu, zatímco na rakouské straně to byla ztráta pouze 2,81 procentního bodu. Celkově se projevily větší změny pro data z družic Landsat, které porovnávaly delší časové období. Pro data z družice Rapid Eye byly zjištěny menší změny. Jelikož Valticko je úrodná oblast, s intenzivním zemědělstvím, můžeme do budoucna očekávat spíše stabilní...
|
|
|
Klasifikace vybraných zemědělských plodin v modelovém území Kutnohorska s využitím časové řady dat Sentinel-2 a PlanetScope
Kuthan, Tomáš ; Kupková, Lucie (vedoucí práce) ; Potůčková, Markéta (oponent)
Klasifikace vybraných zemědělských plodin v modelovém území Kutnohorska s využitím časové řady dat Sentinel-2 a PlanetScope Abstrakt Práce je zaměřena na analýzu spektrálních charakteristik vybraných zemědělských plodin v průběhu zemědělské sezóny z časové řady družicových dat senzorů Sentinel-2 (A a B) a PlanetScope v modelovém území v okolí sídel Kolín a Kutná Hora. Vychází z předpokladu, že využití více termínů obrazových dat, která zachycují plodiny v různých fenologických fázích, umožňuje lepší identifikaci druhů plodin (Lu et al., 2004). Cílem práce bylo zpracovat charakteristiku sezónního průběhu spektrálních příznaků vybraných zemědělských plodin (cukrovka, ječmen jarní, ječmen ozimý, kukuřice, pšenice jarní, pšenice ozimá, řepka ozimá), která určí období roku vhodná pro odlišení jednotlivých plodin. Dalším cílem práce bylo provést klasifikaci těchto plodin v modelovém území z časové řady dat dvou výše zmíněných senzorů a porovnat přesnost pixelové a objektově orientované klasifikace pro multitemporální kompozit a přesnost pro snímek z období, kdy jsou od sebe jednotlivé plodiny dobře rozlišitelné. Trénovací a validační plochy a klasifikační maska byly vytvořeny s využitím databáze LPIS, kterou poskytl Státní zemědělský intervenční fond. Pro klasifikaci byla využita časová řada družicových dat obou...
|
|
|
Laboratory/Field Spectroscopy and Remote Sensing Image Data for Vegetation Studies
Červená, Lucie ; Kupková, Lucie (vedoucí práce) ; Pavelka, Karel (oponent) ; Müllerová, Jana (oponent)
Dominantní druhy vegetace dvou strukturálně a funkčně odlišných horských ekosystémů byly studovány pomocí laboratorní a terénní spektroskopie a obrazových dat dálkového průzkumu Země: (1) člověkem ovlivněný homogenní stálezelený jehličnatý les reprezentovaný porostem smrku ztepilého v Krušných horách a (2) přirozený heterogenní ekosystém reliktní arkto-alpínské tundry v Krkonoších s převahou travin. První část týkající se smrku ztepilého je zaměřena především na laboratorní spektroskopii. K hodnocení smrkových porostů na regionální a globální úrovni je potřeba podrobných znalostí o jejich spektrálních vlastnostech na úrovni jehlic a výhonů, avšak pozemní průzkum je velmi časově náročný. K získání většího množství pozemních dat pro analýzy porostů by mohly pomoci otevřené spektrální knihovny. Problém však může nastat s porovnatelností spekter pořízených různými přístroji. Tato práce se zaměřila na srovnatelnost spekter naměřených spektroradiometrem v kombinaci s kontaktní sondou a dvěma integračními sférami (Paper 3) a prokázala, že spektra naměřená kontaktní sondou a integrační sférou pro smrkové jehlice jsou signifikantně odlišná, pro listnaté druhy s dorziventrálním typem listu (reprezentované tabákem) jsou též odlišná, ale průměrné hodnoty vegetačních indexů z nich odvozených se již pohybují v...
|
|
|
Klasifikace druhové skladby lesa pomocí dat Sentinel-2 a Landsat
Havelka, Ondřej ; Štych, Přemysl (vedoucí práce) ; Kupková, Lucie (oponent)
Hlavním cílem diplomové práce je zhodnocení využitelnosti vybraných klasifikačních algoritmů k rozlišení druhové skladby lesů na území Česka. Použitím družicových snímků Sentinel-2 a Landsat 8 je zkoumáno, zda lepší prostorové rozlišení ovlivní výslednou klasifikaci a zda díky technologickému pokroku lze docílit klasifikace lesních porostů na úrovni jednotlivých druhů. Základem každé řízené klasifikace je vhodně zvolený soubor trénovacích a kontrolních množin, který v předkládané práci vychází z polygonové vrstvy, popisující druhovou skladbu, jejímž autorem je Ústav pro hospodářskou úpravu lesů. Na základě rešerše aktuální odborné literatury jsou v předkládané práci použity klasifikační algoritmy Support Vector Machine, Neural Network a Maximum Likelihood. Je snahou jejich modifikacemi, které vychází z výsledků odborných prací, dosáhnout co nejvyšší klasifikační přesnosti. Veškeré výsledky jsou doplněny tabulkami, grafy a mapami, které uceleně a přehledně shrnou odpovědi na stanovené cíle předkládané práce.
|
|
| |
host ::
RSS.