Deep learning for tree line ecotone mapping from remote sensing data

• Název práce v češtině: Využití hlubokého učení pro mapování vegetace na horní hranici lesa z dat dálkového průzkumu
• Název v anglickém jazyce: Deep learning for tree line ecotone mapping from remote sensing data
• Klíčová slova: hluboké učení, U-Net, Krkonoše, klasifikace, mapování vegetace, smrk ztepilý, borovice kleč, ortofoto
• Klíčová slova anglicky: deep learning, U-Net, Krkonoše mountains, classification, vegetation mapping, picea abies, pinus mugo, orthoimage
• Akademický rok vypsání: 2019/2020
• Typ práce: bakalářská práce
• Jazyk práce: angličtina
• Ústav: Katedra aplikované geoinformatiky a kartografie (31-370)
• Vedoucí / školitel: Ing. Markéta Potůčková, Ph.D.
• Řešitel: skrytý - zadáno vedoucím/školitelem, čeká na schválení garantem
• Datum přihlášení: 28.11.2019
• Datum zadání: 29.11.2019
• Datum odevzdání elektronické podoby: 06.08.2020
• Datum proběhlé obhajoby: 02.09.2020
• Oponenti: prof. Sébastien Lefèvre

Seznam odborné literatury

ZHU, X. X., TUIA, D., MOU, L., XIA, G. S., ZHANG, L., XU, F., FRAUNDORFER, F. (2017): Deep Learning in Remote Sensing : A Comprehensive Review and List of Resources . IEEE Geoscience and Remote Sensing Magazine , 4, 5, 8 36.
ZHANG, L., ZHANG, L., DU, B. (2016): Deep Learning for Remote Sensing Data: A Technical Tutorial on the State of the Art. IEEE Geoscience and Remote Sensing Magazine , 2, 4, 22 40.
CHOLLET, F. (2018): Deep learning with Python. Manning Publications Co, Shelter Island, New York
CHENG, G., ZHOU, P., HAN, J. (2016): Learning Rotation Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images . IEEE Transactions on Geoscience and Remote Sensing , 12, 54, 7405 7415.
KATTENBORN, T., EICHEL, J., FASSNACHT, F. E. (2019): Convolutional Neural Networks enable efficient , accurate and fine grained segmentation of plant species and communities from high resolution UAV imagery. Scientific Reports , 1, 9, 17656.
LECUN, Y., BENGIO, Y., HINTON, G. (2015): Deep learning. Nature , 7553, 521, 436 444.
MA, L., LIU, Y., ZHANG, X., YE, Y., YIN, G., JOHNSON, B. A. (2019): Deep learning in remote sensing applications : A meta-analysis and review . ISPRS Journal of Photogrammetry and Remote Sensing , 152, 166 177.
SCHMIDHUBER, J. (2015): Deep learning in neural networks : An overview . Neural Networks , 61, 85 117.
XIAO, C., QIN, R., HUANG, X. (2020): Treetop detection using convolutional neural networks trained through automatically generated pseudo labels . International Journal of Remote Sensing , 8, 41, 3010 3030.

Předběžná náplň práce

Klasifikace obrazu metodami hlubokého učení je v posledních letech hojně uplatňována i v oblasti dálkového průzkumu. Cílem bakalářské práce je provést rešerši metod hlubokého učení používaných pro klasifikaci obrazových dat DPZ. V praktické části bude vybraný algoritmus použit pro klasifikaci multispektrálních snímků a porovnán s výsledky získané pomocí tradičního algoritmu (např. maximum likelihood nebo rozhodovacího stromu v případě objektové klasifikace). Pro klasifikaci budou použita barevná a NIR ortofota společně s normalizovaným digitálním modelem povrchu v oblasti horní hranice lesa v Krkonoších.