National Repository of Grey Literature 7 records found  Search took 0.00 seconds. 
Fusion of Radar and Visual Data for Remote Sensing
Strych, Tomáš ; Beran, Vítězslav (referee) ; Kolář, Martin (advisor)
Cieľom práce je vygenerovať satelitný optický snímok v prípade jeho nedostupnosti. Takýto snímok je vygenerovaný z aktuálneho radarového snímku a za pomoci radarových a optických snímkov z minulosti. Zameranie práce cieli na poľnohospodárstvo, kde sa na analýzu dát používajú rôzne vegetačné indexy. Pre zjednodušenie problematiky je práca zameraná len na optický snímok zobrazujúci NDVI. Boli vytvorené 4 dátové sady, pre prvé tri ročné obdobia a~štvrtý, ktorý ich spája. Pre riešenie problému preloženia obrázku z jedného na druhý bol použitý model Pix2Pix-cGAN. Výsledky práce zobrazujú rozdiely pri použití dátových sád, rozličného množstva a~typu použitých snímkov, tak ako aj intervalu medzi snímkami. Daným výskumom bolo zistené, že sieť je schopná vytvárať reálne uveriteľné obrázky s validnými numerickými hodnotami, avšak má problém správne využiť informáciu o radarovej zmene, ktorá je dôležitá pre ohodnotenie vývoja rastlín práve v prípade nedostupnosti optického snímku. Táto práca a~jej výsledky sú jedinečné vďaka naprieč Európou geograficky rozmanitej dátovej sade a vďaka zameraniu na agrikultúru, a to bez ohľadu na typ plodín.
Evaluation of the land cover in the military training area Libavá using Random Forest classifier
Žďánský, Vít ; Štych, Přemysl (advisor) ; Laštovička, Josef (referee)
Data land cover help us understand nature, how it develops, its uses and the influence that human actions have on it. Thanks to new methods in the remote sensing area, we can record these processes faster and at a larger scale than before. This thesis evaluates accuracy of the Random Forest (RF) and Maximum Likelihood (ML) classifiers using satellite data Sentinel-2 from the military training area Libavá. The military area went through a very specific development and the information regarding natural coverage in the region is missing. The classifier documentation contains 8 classes. The classification results from both algorithms are higher than 80 %. As expected, more accurate results were achieved using the Random Forest classifier. The most accurate classifications were of water surfaces and forests. The least accurate classifications were of agricultural land and sparse vegetation. Other classes varied in accuracy levels. This thesis' results are evaluated using error matrices, overall accuracy and the kappa coefficient. Keywords: classification, Random Forest, Maximum Likelihood, military training area, remote sensing, Sentinel 2, land cover, Libavá

Interested in being notified about new results for this query?
Subscribe to the RSS feed.