Národní úložiště šedé literatury Nalezeno 7 záznamů.  Hledání trvalo 0.00 vteřin. 
Fusion of Radar and Visual Data for Remote Sensing
Strych, Tomáš ; Beran, Vítězslav (oponent) ; Kolář, Martin (vedoucí práce)
The aim of this thesis is to generate optical imagery in case of its unavailability. Optical and radar data from the past are used to generate such images. The main application field of this thesis is agriculture, where countless vegetation indexes can be used. In this thesis, for simplicity, only NDVI is utilized. Four datasets were created, each for the first three seasons of the year and the fourth that connects them all. As a solution for an image to image translation, Pix2Pix-cGAN was chosen. The results show the differences in the use of these datasets, between the different amounts and types of used pictures, as well as the interval adjustments between pictures. Our research found that the network is capable of creating plausible imagery with valid numerical values, but struggles to correctly utilize the information about the radar difference, which is important in order to evaluate plant development mainly when the optical imagery is unavailable. This thesis and its results are unique due to the geographically diverse dataset across Europe and the focus on agriculture, regardless of crop type.
Hodnocení krajinného pokryvu Vojenského újezdu Libavá s použitím klasifikátoru Random Forest
Žďánský, Vít ; Štych, Přemysl (vedoucí práce) ; Laštovička, Josef (oponent)
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

Chcete být upozorněni, pokud se objeví nové záznamy odpovídající tomuto dotazu?
Přihlásit se k odběru RSS.