Original title: Klasifikace lučních porostů v Krkonoších s využitím leteckých hyperspektrálních dat a s pomocí vector machines klasifikace
Translated title: Classification of meadow vegetation in the Krkonoše Mts. using aerial hyperspectral data and support vector machines classifier
Authors: Hromádková, Lucie ; Kupková, Lucie (advisor) ; Potůčková, Markéta (referee)
Document type: Master’s theses
Year: 2015
Language: eng
Abstract: [eng] [cze]
Meadow vegetation in the Krkonoše Mountains National Park is classified in this master thesis using aerial hyperspectral data from sensor AISA and Support Vector Machines (SVM) and Neural Networks (NN) classification algorithms. The main goals of the master thesis are to determine the best settings of SVM parameters and to propose an ideal design for a training dataset for this classification algorithm and mapping of the meadows in the Krkonoše mountains. The criterion of the tests will be the result of classification accuracy (confusion matrices and kappa coefficient). The additional goal of the master thesis is to compare performances of both utilized classifiers, especially regarding the amount of training pixels necessary for successful classification of the mountainous meadow vegetation. Classification maps of the area of interest and Python scripts are the main outputs of the master thesis. These outputs will be handed over to the Administration of the Krkonoše Mountains National Park for further utilization in the monitoring and protecting these valuable meadow vegetation communities. Key words: hyperspectral data, AISA, Support Vector Machines, Neural Networks, training dataset, mountainous meadow vegetation 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
Keywords: AISA; hyperspectral data; mountainous meadow vegetation; Neural Networks; Support Vector Machines; training dataset; AISA; horská luční vegetace; hyperspektrální data; Neural Networks; Support Vector Machines; trénovací dataset

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/81197

Permalink: http://www.nusl.cz/ntk/nusl-350860


The record appears in these collections:
Universities and colleges > Public universities > Charles University > Charles University Faculties (theses)
Academic theses (ETDs) > Master’s theses