|
|
A correction of the local incidence angle of SAR data: a land cover specific approach for time series analysis
Paluba, Daniel ; Štych, Přemysl (vedoucí práce) ; Mouratidis, Antonios (oponent)
K zajištění co nejvyššího možného časového rozlišení dat SAR je nutné použít všechny dostupné dráhy družic nad daným územím. To může představovat výzvu v hornatém terénu, kde boční snímání družic SAR v kombinaci s různými sklony a aspekty terénu může silně ovlivnit intenzitu zpětného radarového rozptylu. Tyto chyby způsobené terénem je třeba odstranit pro možné porovnání dat v čase. Ačkoli v literatuře jsou popsány metody, které se zabývají tímto problémem, žádná z těchto metod není připravena na operativní a snadno přístupnou analýzu časových řad v horských oblastech. Tato studie se zabývá metodou korekce lokálního dopadového úhlu (LIA) pro analýzu časových řad lesů v horských oblastech. Metodika je založena na použití lineární závislosti mezi radarovým zpětným rozptylem a LIA, který se počítá pro každý satelitní snímek zvlášť. Použitím kombinace databází CORINE a Hansen Global Forest můžeme pro každý jednotlivý snímek získat širokou škálu různých LIA pro konkrétní typ lesa. Algoritmus korekce byl připraven v cloudové platformě Google Earth Engine (GEE) s využitím volně dostupných dat Sentinel-1, digitálního modelu terénu SRTM a databází CORINE a Hansen Global...
|
|
|
Evaluation of methods and input data for land cover classification: case study of the former military areas Ralsko and Brdy
Paluba, Daniel ; Štych, Přemysl (vedoucí práce) ; Brom, Jakub (oponent)
Využitie dát diaľkového prieskumu Zeme (DPZ) na mapovanie krajinnej pokrývky upútalo pozornosť širokej škály vedeckých výskumníkov a praktikov v posledných desaťročiach. Vplyv na zvýšenie záujmu o DPZ malo hlavne otvorenie archívu dát družíc Landsat a Sentinel. Hlavným cieľom tejto štúdie je vyhodnotiť presnosť bežne využívaných algoritmov Maximum Likelihood (ML) a Support Vector Machine (SVM) nad voľne dostupnými dátami Landsat 8 a Sentinel-2 na príklade území bývalých vojenských obvodov Ralsko a Brdy, ktoré prešli špecifickým vývojom krajinnej pokrývky. Štúdia hodnotí krajinnú pokrývku v oboch záujmových územiach k roku 2016 a na základe dosiahnutých výsledkov poukazuje na použiteľnosť vybraných dát a metód. Dosiahnuté výsledky klasifikácií krajinnej pokrývky dosahovali uspokojivé výsledky - celkové presnosti boli vyššie ako 85 %. Na základe očakávania, algoritmus SVM celkovou presnosťou prekonal algoritmus ML. Najlepšie presnosti klasifikácie dosahovali triedy vodných plôch a ihličnatých lesov, naopak, najviac chýb generovali triedy zastavané plochy, riedka vegetácia a plochy bez vegetácie. Kľúčové slová: diaľkový prieskum Zeme, Support Vector Machine, Maximum Likelihood, Česko, Sentinel-2, Landsat 8
|
host ::
RSS.