Original title: Porovnání monotemporálních a multitemporálních přístupů pro klasifikaci
Translated title: Comparison of monotemporal and multitemporal approaches to classification
Authors: Vítková, Ludmila ; Laštovička, Josef (advisor) ; Kupková, Lucie (referee)
Document type: Master’s theses
Year: 2026
Language: cze
Abstract: [cze] [eng]
Diplomová práce se zabývá porovnáním monotemporálních a multitemporálních přístupů per-pixel klasifikace land cover na základě dat družicové mise Landsat 9. Zájmové území se nachází v okolí Milovic. Klasifikace jsou realizovány v cloudovém prostředí Google Earth Engine (GEE) pomocí algoritmu Random Forest. Testovány jsou čtyři přístupy: klasifikace jedné scény, klasifikace kompozitního snímku (mediánového, průměrového a percentilového), multitemporální layer stack a klasifikace časové řady s agregací pomocí funkce modus. Vstupní data jsou doplněna o vegetační indexy NDVI a NDMI a topografické proměnné odvozené z digitálního modelu terénu SRTM. Přesnost klasifikací je hodnocena prostřednictvím chybových matic a optimalizace parametrů klasifikátoru je prováděna metodou grid search. Výsledky potvrzují, že multitemporální přístupy dosahují vyšší přesnosti než přístup monotemporální, přičemž nejlepších výsledků dosáhl multitemporální layer stack s celkovou přesností 89,71 %. Z kompozitních přístupů se jako nejpřesnější ukázal průměrový kompozit. Klíčová slova: klasifikace; dálkový průzkum Země; multispektrální data; multitemporální přístup This thesis compares mono-temporal and multi-temporal approaches to per-pixel land cover classification based on data from the Landsat 9 satellite mission. The study area is located around Milovice. Classifications are performed in the Google Earth Engine (GEE) cloud environment using the Random Forest algorithm. Four approaches are tested: single-scene classification, composite image classification (median, mean, and percentile), multitemporal layer stack, and time-series classification with aggregation using the mode function. The input data are supplemented with the NDVI and NDMI, vegetation indices and topographic variables derived from the SRTM digital elevation model. Classification accuracy is evaluated using confusion matrices, and classifier parameter optimization is performed using the grid search method. The results confirm that multitemporal approaches achieve higher accuracy than the mono-temporal approach, with the multi-temporal layer stack achieving the best overall accuracy of 89.71 %. Among the composite approaches, the mean composite proved to be the most accurate. Keywords: classification; remote sensing; multispectral data; multitemporal approach
Keywords: classification; multispectral data; multitemporal approach; remote sensing; dálkový průzkum Země; klasifikace; multispektrální data; multitemporální přístup

Institution: Charles University Faculties (theses) (web)
Document availability information: Available in the Charles University Digital Repository.
Original record: http://hdl.handle.net/20.500.11956/209463

Permalink: http://www.nusl.cz/ntk/nusl-778568


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