|
|
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...
|
|
|
Klasifikace land cover change v Etiopii pomocí dat Landsat a Sentinel-2
Zadražil, Filip ; Laštovička, Josef (vedoucí práce) ; Svoboda, Jan (oponent)
Tato bakalářská práce je zaměřena na porovnání klasifikátorů Random Forest (RF) a CART na příkladu etiopského regionu Sidama. Pro tento region byla provedena analýza vývoje krajinného pokryvu mezi roky 2014 a 2020. Softwarem využitým ke klasifikaci byla cloudová platforma Google Earth Engine (GEE). Řízená klasifikace byla provedena na snímcích z misí Landsat 8 a Sentinel-2, které byly načteny z datového katalogu Earth Engine. Pro trénovací body byla využita data z in-situ měření, u vstupních dat byla ověřena variabilita v čase pomocí volně dostupných dat v Google Earth Pro. V rámci řešeršní části se práce věnuje metodám a výsledkům výzkumů, které byly prováděny v tématu blízkém této práci. V empirické části se práce věnuje analýze dat Landsat 8 a Sentinel-2, porovnáno bylo temporální, prostorové i spektrální rozlišení. Z hlediska temporálního rozlišení bylo prokázáno, že data Sentinel-2 díky dvěma paralelně snímajícím družicím umožňují snímat až třikrát více snímků pro stejné území v rámci Etiopie. Spektrální a prostorové rozlišení Sentinel-2 umožňuje lépe pozorovat menší a hůře odlišitelné prvky. Data byla následně využita pro klasifikace land cover pomocí klasifikátorů RF a CART v cloud based prostředí GEE. Klasifikátor RF umožnil získat vyšší celkovou přesnost, konkrétně až 82 % u dat Sentinel-2...
|
|
|
Hodnocení lesní vegetace pomocí časových řad družicových snímků
Laštovička, Josef
Příloha k disertační práci: Abstrakt (Mgr. Josef Laštovička) Abstrakt Disertační práce se zabývá studiem lesních ekosystému na území střední Evropy pomocí časových řad družicových snímků, se zaměřením na zpracování optických multispektrálních dat. Právě lesní ekosystémy jsou poslední desetiletí pod četnými disturbancemi biotického i abiotického charakteru. Časové řady družicových dat s vysokým prostorovým rozlišením umožňují lesní disturbance podrobně zkoumat a analyzovat. V práci je kladen důraz na užití volně dostupných dat Landsat a Sentinel- 2, pro něž bylo provedeno detailní testování a porovnání. Vybrány byly diferenční metody časových řad. Práci lze rozdělit do dvou částí. První část zkoumá detekci lesních povrchů pomocí per-pixelových a sub-pixelových klasifikačních metod. Konkrétně bylo užito per-pixel klasifikátorů Neural Network, Support Vector Machine a Maximum Likelihood, které byly mezi sebou vzájemně otestovány a porovnány pro různé typy dat (s vysokým prostorovým rozlišením - Landsat a Sentinel; i velmi vysokým prostorovým rozlišením - WorldView-2) pro detekci land cover chráněných území. Z výše zmíněných klasifikátorů dosahoval nejvyšší přesnosti klasifikace Support Vector Machine. Z hlediska sub-pixelové klasifikace bylo využito Spectral Unmixing metod. Konkrétně byly pro tvorbu frakcí...
|
|
|
Hodnocení lesní vegetace pomocí časových řad družicových snímků
Laštovička, Josef ; Štych, Přemysl (vedoucí práce) ; Brom, Jakub (oponent) ; Bucha, Tomáš (oponent)
Příloha k disertační práci: Abstrakt (Mgr. Josef Laštovička) Abstrakt Disertační práce se zabývá studiem lesních ekosystému na území střední Evropy pomocí časových řad družicových snímků, se zaměřením na zpracování optických multispektrálních dat. Právě lesní ekosystémy jsou poslední desetiletí pod četnými disturbancemi biotického i abiotického charakteru. Časové řady družicových dat s vysokým prostorovým rozlišením umožňují lesní disturbance podrobně zkoumat a analyzovat. V práci je kladen důraz na užití volně dostupných dat Landsat a Sentinel- 2, pro něž bylo provedeno detailní testování a porovnání. Vybrány byly diferenční metody časových řad. Práci lze rozdělit do dvou částí. První část zkoumá detekci lesních povrchů pomocí per-pixelových a sub-pixelových klasifikačních metod. Konkrétně bylo užito per-pixel klasifikátorů Neural Network, Support Vector Machine a Maximum Likelihood, které byly mezi sebou vzájemně otestovány a porovnány pro různé typy dat (s vysokým prostorovým rozlišením - Landsat a Sentinel; i velmi vysokým prostorovým rozlišením - WorldView-2) pro detekci land cover chráněných území. Z výše zmíněných klasifikátorů dosahoval nejvyšší přesnosti klasifikace Support Vector Machine. Z hlediska sub-pixelové klasifikace bylo využito Spectral Unmixing metod. Konkrétně byly pro tvorbu frakcí...
|
|
|
Archiv družicových dat CENIA
Kvapil, Jiří
Laboratoř dálkového průzkumu CENIA, české informační agentury životního prostředí v rámci své výzkumné činnosti vyvinula a pro širokou veřejnost zpřístupnila informační systém Archiv družicových dat. Aplikace je dostupná na webu Laboratoře dálkového průzkumu na https://dpz.cenia.cz/archiv. Data jsou využitelná pro nejrůznější aplikace v zemědělství, lesnictví, monitoringu životního prostředí, sledování vývoje území apod.
Plný text:  PDF
|
|
| |
|
| |
|
|
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...
|
host ::
RSS.