|
| |
|
| |
|
|
Změny pokryvu a orografie povodí 4. řádu ve vztahu k výstavbě dálnice hodnocené ze satelitních dat Sentinel-2 a leteckých LiDAR dat
ŽŮČEK, Petr
Práce se zabývá sledováním změny krajinného pokryvu a orografie v povodí čtvrtého řádu. Pro tento účel byla použita satelitní multispektrální data Sentinel-2 a data leteckého LiDAR skenování. Hlavním cílem práce bylo ověřit, do jaké míry lze veřejně dostupná a bezplatná satelitní data Sentinel-2 využít k hodnocení změn území a pro potřeby krajinného plánování. K ověření cíle byla využita časová řada satelitních dat Sentinel-2 pro zhodnocení změny krajinného pokryvu ve vztahu ke stavbě nového úseku dálnice D3 na vybraném území. Sentinel-2 data byla stažena, převzorkována, a klasifikována. Byla použita metoda řízené klasifikace Maximum Likelihood. Kategorie pokryvu byly vytvořeny pomocí trénovacích ploch v softwaru ArcMap. Přesnost klasifikace z dat 22. 9. 2020 byla ověřena pomocí kontrolních bodů, které byly generovány náhodně a terénním šetřením byly zjištěny třídy pokryvu. Z výsledných dat klasifikace byly získány údaje o změně krajinného pokryvu. LiDAR data byla převzorkována na stejné prostorové rozlišení a byly vyhodnoceny rozdíly. Byla nalezena místa s výraznou změnou orografie. Z LiDAR dat byly vytvořeny modely linií soustředěného odtoku. Výsledky modelů byly porovnány a diskutovány. Výsledky srovnání Sentinel-2 dat za období 2017 až 2020 ukazují výrazné zvýšení zastoupení oblastí s řídkou vegetací o 46,39 ha a ploch s travnatou a křovinnou vegetací o 38,36 ha. Dále došlo k zvýšení ploch luk o 7,02 ha a lesních mýtin o 1,95 ha. Sníženo bylo zastoupení orné půdy o 34,78 ha, lesů o 29,05 ha, vodních ploch o 12,12 ha, urbanizace o 13,39 ha a ploch s probíhající stavbou o 4,38 ha. Výsledky srovnání LiDAR dat ukázaly několik oblastí s výraznou změnou orografie. Srovnání modelů linií soustředěných otoků odhalilo výraznou změnu. Výrazná část vody z povodí odtékala do sousedního povodí 1-06-03-0030. Po rekultivaci bývalého odkaliště se rozdělené části koryta Hodějovického potoka propojily a voda z celého povodí končí v uzávěrném profilu řešeného povodí. Celková přesnost 91,4 % a Kappa koeficient 0,902 ukazují, že použitý postup zpracování Sentinel-2 dat umožňuje dostatečně prostorově i tematicky přesnou klasifikaci krajinného pokryvu, vyjma území urbanizace. Klasifikace v zastavěném území měla uživatelskou přesnost 86,7 %. Data zjištěná ze Sentinel-2 dat mohou být tedy použita v několika částech krajinného plánování. Je možné je použít k: aktualizaci využití území, určování aktuálního stavu porostu, sledování lesních komplexů, nebo sledování rekultivací. LiDAR data mohou být efektivně použita ke sledování změn orografie, modelování linií soustředěného odtoku a určování kritických bodů.
|
|
|
Možnosti využití satelitních dat Sentinel-2 v krajinném plánování
TOMS, Petr
Diplomová práce se zaměřuje na analýzu změn krajinného pokryvu a vlhkostních charakteristik na povodí Dobřejovického potoka pomocí Sentinel-2 dat. Cílem práce bylo zjistit, jak mohou být získané výsledky využity pro krajinné plánování. V první části diplomové práce je zpracovaná literární rešerše, týkající se principů dálkového průzkumu Země, elektromagnetického spektra, spektrálního projevu objektů, multispektrálních dat a satelitních dat Sentinelem-2, zajišťovaných Evropskou kosmickou agenturou. Praktická část obsahuje popis zájmového území, využité metody při zpracování Sentinel-2 dat. Důležitá část se zaměřuje na klasifikaci dat, ze kterých jsou vytvořeny výstupy, interpretovány výsledky a zhodnocena přesnost klasifikace změn krajinného pokryvu. Dále se praktická část věnuje vypočítání vegetačních indexů, díky kterým můžeme získat informace o vlhkostních charakteristikách. Část práce dále poukazuje na využitelnost získaných výsledků ve formách krajinného plánování.
|
|
|
Testování možností extrakce vybraných krajinných charakteristik pro popis stanovišť výskytu indikačně významných druhů ptáků v Krkonoších z dat dálkového průzkumu Země
Polák, Mojmír ; Kupková, Lucie (vedoucí práce) ; Janík, Tomáš (oponent)
Diplomová práce využívá data Dálkového průzkumu Země dvou prostorových úrovní (Sentinel-2 s pixelem 10 x 10 m a PlanetScope 3 x 3 m). Práce zkoumá možnosti extrakce vybraných krajinných charakteristik (spektrální indexy, typ land cover, krajinné metriky) s cílem vyhodnotit, jaké charakteristiky a v jakém měřítku jsou statisticky významné pro výskyt 23 vybraných druhů ptáků, druhovou bohatost a počet druhů řádu pěvci v kvadrátech 1400 x 1400 m v Krkonoších. Data o výskytu druhů byla mapována v letech 2012-2014 na české i polské straně. Síla vztahu mezi charakteristikami a výskytem byla určena Pearsonovým korelačním koeficientem. Nepodařilo se potvrdit, že by pro extrakci krajinných charakteristik byla přínosnější data s větším prostorovým rozlišením. Z celkového pohledu krajinné charakteristiky neprokázaly funkční vztahy pro všechny vybrané druhy. Jako relevantní se potvrdily pro vybrané druhy, druhovou bohatost a řád pěvců například faktory průměrná nadmořská výška a land cover. Land cover byl analyzován metodou řízené klasifikace Random Forest v prostředí Google Earth Engine s celkovou přesností 78 % v případě dat Sentinel-2, jak v tundře, tak i ve zbylé části území a pro data PlanetScoce v tundře 77 %, ve zbylé části území 66 %. Výsledky klasifikací byly porovnány s datovými produkty CORINE Land...
|
|
| |
|
|
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...
|
|
|
Assessment of vegetation phenology using Sentinel-2 time series data
Danilchyk, Tatsiana ; Štych, Přemysl (vedoucí práce) ; Bohovic, Roman (oponent)
Cílem této práce je vyhodnotit detekci fenologických fází vegetace na základě fenometrických parametrů podle archivních dat Sentinel-2 ve vybraných oblastech v období 2018-2020. V první části práce je uveden literární přehled relevantních publikací, na který navazuje popis navržené metodiky. Poté jsou uvedeny výsledky s grafickými materiály a popisem pro jednotlivé sledované lokality. V závěrečné části práce jsou diskutovány výhody a nevýhody vytvořeného algoritmu, na které navazují návrhy na budoucí výzkum a zlepšení. Vyvinutý algoritmus se skládá ze 2 částí. Odmaskování oblačných pixelů a generování na časové řadě vegetačních indexů se provádí v prostředí GEE. Analýza časových řad a detekce SOS a EOS a statistická analýza se provádí v prostředí R. Studované plochy 20 x 20 m reprezentují různé druhy trvalé vegetace na celém území České republiky. Pro hodnocení detekce fenofází jsou zvoleny hodnoty NDVI, RENDVI, NDRE, NDMI a MCARI. Asymetrická Gaussova funkce a Dvojitá logistická funkce jsou aplikovany na časové řady jednotlivých vegetačních období v každé testované lokalitě, fenologické parametry jsou odvozeny na základě prahových hodnot nebo derivací. Výsledky jsou ověřeny na základě in-situ dat poskytnutých ČHMÚ. NDMI vykázal nejvyšší přesnost při detekci SOS při použití Asymetrické Gaussovy...
|
|
|
Multitemporální segmentace krajiny pomocí metody dynamic time warping
Suske, Daniel ; Štych, Přemysl (vedoucí práce) ; Kolář, Jan (oponent)
Práce poskytuje nový náhled na zpracování segmentace volně dostupných družicových dat časové řady. Je založen na open source technologiích a nabízí novou metodu neřízené segmentace, která využívá dat časové řady s pomocí metody původně určené k rozpoznávání řeči, Dynamic Time Warping (DTW). Práce se zabývá výběrem vhodných dat s dostatečným časovým, prostorovým a spektrálním rozlišením, nejvíce vyhovující jsou pro práci ve všech ohledech data Sentinel 2. Práce vychází z předpokladu, že při využití časové řady dochází k zlepšení výsledků segmentace oproti segmentaci založené na jednom snímku. Cílem práce tak bylo najít, případně vytvořit segmentační metodu, která bude brát v potaz nejen data časové řady, ale zároveň metodu výpočtu nejbližších vztahů pomocí metody DTW. Dalším cílem práce bylo vytvořit algoritmus, který za minimálního vstupu uživatele předzpracuje data časové řady dostupné konstelace, dá uživateli možnost postupně promítat mezivýsledky, nabídne alternativní, aktuálně dostupné metody segmentace používané ve vědecké komunitě a nabídne samotný segmentační algoritmus, jehož výsledky lze ovlivnit pomocí definovaných parametrů. Výsledky práce jsou validovány pomocí volně dostupných, upravených dat LPIS, které jsou poskytovány Státním zemědělským intervenčním fondem (SZIF). Nejlepších...
|
|
|
Klasifikace krajinného pokryvu ve vybraných územích Etiopie pomocí klasifikátoru strojového učení
Valchářová, Daniela ; Štych, Přemysl (vedoucí práce) ; Nedbal, Václav (oponent)
Diplomová práce se zabývá klasifikací krajinného pokryvu v regionu Sidama v Etiopii a 2 kebelí, Chancho a Dangora Morocho. Využívány jsou družicové snímky vysokého rozlišení Sentinel-2 a velmi vysokého rozlišení PlanetScope. Tvorba klasifikačního algoritmu probíhá v cloudovém prostředí Google Earth Engine. Testováno je 10 kombinací 4 nejdůležitějších parametrů klasifikační metody Random Forest. Definovaná legenda obsahuje 8 tříd land cover, a to zástavba, plodiny, louka/pastvina, les, křoviny, holá půda, mokřad a vodní plocha. Trénovací dataset je sbírán v terénu na podzim roku 2020. Porovnávány jsou výsledky klasifikace dvou typů dat na dvou měřítkových úrovní. Nejvyšší celková přesnost pro klasifikaci land cover regionu Sidama vyšla 84,1 % a kappa index 0,797, a to s parametry metody Random Forest 100 stromů, 4 spektrální pásma vstupující do každého stromu, hodnota 1 pro populaci listu a 40 % trénovacích dat využitých pro každý strom. Pro klasifikaci land cover kebele Chancho a Dangora Morocho se stejným nastavením metody vyšla celková přesnost 66,00 a 73,73 % a kappa index 0,545 a 0,601. Pro klasifikaci kebele Chancho vyšla lépe jiná kombinace parametrů (80, 3, 1, 0,4), a přenositelnost stejného nastavení algoritmu se tak potvrdila pouze z 50 %. Pro klasifikaci kebelí autorka práce v diskuzi...
|
host ::
RSS.