Original title: Hodnocení krajinného pokryvu Vojenského újezdu Libavá s použitím klasifikátoru Random Forest
Translated title: Evaluation of the land cover in the military training area Libavá using Random Forest classifier
Authors: Žďánský, Vít ; Štych, Přemysl (advisor) ; Laštovička, Josef (referee)
Document type: Bachelor's theses
Year: 2019
Language: cze
Abstract: [cze] [eng]
Data land cover nám pomáhají lépe pochopit krajinu, jak se vyvíjí, její využití a vliv lidské činnosti na ni. Díky novým metodám v oblasti DPZ jsme schopni tyto procesy zaznamenávat rychleji a v širším měřítku, než tomu bylo dříve. Tato práce se zabývá hodnocením přesností klasifikátorů Random Forest (RF) a Maximum Likelihood (ML) pomocí družicových dat Sentinel-2 v oblasti Vojenského újezdu Libavá. Právě vojenské újezdy prošly velmi specifickým vývojem a údaje o krajinném pokrytí chybí. Klasifikační legenda obsahuje 8 tříd. Výsledky klasifikace obou algoritmů jsou vyšší než 80 %. Lepších výsledků bylo dle očekávání dosaženo použitím klasifikátoru Random Forest. Nejpřesněji byly klasifikovány třídy vodních ploch a listnatých a jehličnatých lesů, nejhůře orná půda a řídká vegetace. Ostatní třídy se svou přesností odlišovaly. Výsledky práce jsou hodnoceny pomocí chybových matic, celkové přesnosti a kappa koeficientu. Klíčová slova: klasifikace, Random Forest, Maximum Likelihood, vojenský újezd, dálkový průzkum země, Sentinel 2, krajinné pokrytí, Libavá Data land cover help us understand nature, how it develops, its uses and the influence that human actions have on it. Thanks to new methods in the remote sensing area, we can record these processes faster and at a larger scale than before. This thesis evaluates accuracy of the Random Forest (RF) and Maximum Likelihood (ML) classifiers using satellite data Sentinel-2 from the military training area Libavá. The military area went through a very specific development and the information regarding natural coverage in the region is missing. The classifier documentation contains 8 classes. The classification results from both algorithms are higher than 80 %. As expected, more accurate results were achieved using the Random Forest classifier. The most accurate classifications were of water surfaces and forests. The least accurate classifications were of agricultural land and sparse vegetation. Other classes varied in accuracy levels. This thesis' results are evaluated using error matrices, overall accuracy and the kappa coefficient. Keywords: classification, Random Forest, Maximum Likelihood, military training area, remote sensing, Sentinel 2, land cover, Libavá
Keywords: classification; land cover; Libavá; Maximum Likelihood; military training area; Random Forest; remote sensing; Sentinel 2; dálkový průzkum země; klasifikace; krajinné pokrytí; Libavá; Maximum Likelihood; Random Forest; Sentinel 2; vojenský újezd

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/108839

Permalink: http://www.nusl.cz/ntk/nusl-403992


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