Témata prací (Výběr práce)Témata prací (Výběr práce)(verze: 336)
Detail práce
   Přihlásit přes CAS
Hodnocení lesní vegetace pomocí časových řad družicových snímků
Název práce v češtině: Hodnocení lesní vegetace pomocí časových řad družicových snímků
Název v anglickém jazyce: Evaluation of forest vegetation based on time series of remote sensing data
Klíčová slova: časové řady; Landsat; Sentinel-2; klasifikace; vegetační index
Klíčová slova anglicky: time series; Landsat; Sentinel-2; classification; vegetation index
Akademický rok vypsání: 2020/2021
Typ práce: rigorózní práce
Jazyk práce: čeština
Ústav: Katedra aplikované geoinformatiky a kartografie (31-370)
Vedoucí / školitel:
Řešitel: skrytý - zadáno a potvrzeno stud. odd.
Datum přihlášení: 25.11.2020
Datum zadání: 25.11.2020
Datum potvrzení stud. oddělením: 14.12.2020
Datum odevzdání elektronické podoby:25.11.2020
Datum odevzdání tištěné podoby:25.11.2020
Datum proběhlé obhajoby: 01.06.2021
Předběžná náplň práce
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 povrchů vybrány dvě Machine Learning Regression metody – Support Vector Regression a Random Forest Regression. Obě zkoumané metody se jevily jako velmi účinné pro detailní stanovení stavu vegetace. Z obou testovaných metod se Support Vector Regression metoda jevila jako přesnější. Druhá část disertační práce se zaobírá užitím dat Landsat a Sentinel-2 k tvorbě časových řad s využitím vegetačních indexů. K tomu je využito a detailně porovnáno několik poměrových i ortogonálních vegetačních indexů. Hlavním cílem druhé části bylo určit vhodné vegetační indexy k detekci disturbancí a stavu fáze obnovy lesa po proběhlé disturbanci. Pro detekce disturbancí se jevily jako vhodné zejména indexy NDMI, NDVI a Tasseled Cap Wetness. Z hlediska pozorování fáze obnovy lesa po disturbanci se NDMI index jevil jako nejvhodnější, zejména díky využití pásma SWIR. Index NDMI je možné považovat jako vysoce relevantní pro pozorování změn lesní vegetace, dokáže detekovat i prvotní stádium kůrovcové kalamity. Pro efektivní zpracování časových řad je za současného pokroku efektivní využívat cloud-based technologie, které umožňují efektivní přístup k datům i předpřipraveným funkcím pro zpracování časových řad. V této práci byla užita a otestována platforma Sentinel Hub.
Předběžná náplň práce v anglickém jazyce
This dissertation thesis deals with the study of forest ecosystems in the central Europe with the time series of multispectral optical satellite data. These forest ecosystems have been influenced by biotic and abiotic disturbances for the last decade. The time series of the satellite data with high spatial resolution allow the detection and analysis of forest disturbances. This thesis is mainly focused primally on free available Landsat and Sentinel-2 data, these two data types were compared. From methods, the difference time series analyses / algorithms were used. The whole thesis can be divided into two main parts. The first one analyses usability of classifiers for detection of forest ecosystems with per-pixel and sub-pixel methods. Specifically, the Neural Network, the Support Vector Machine and the Maximum Likelihood per-pixel classifiers were used and compared for different types of data (for data with high spatial resolution – Landsat or Sentinel-2; very high spatial resolution – WorldView-2) and for classification of protected forest areas. The Support Vector Machine were selected as the most suitable method for forest classifications (with most accurate outputs) from the list of selected per-pixel classifiers. Also, Spectral Unmixing methods were used for sub-pixel classification. Specifically, two Machine Learning Regression methods were selected to create forest cover fractions – the Support Vector Regression and the Random Forest Regression. Both studied methods were found as suitable for analyzing forest cover in detail, the Support Vector Regression method seemed more accurate. The second main part of this thesis is focused on using Landsat and Sentinel-2 data for creating time series charts. For this purpose, the difference and orthogonal vegetation indices were used. The main aim of this part was to find the most suitable vegetation indices for detection of disturbances and for evaluating of the different of recovery phases. For the detection of disturbances, the NDMI, the NDVI and the Tasseled Cap Wetness indices were suitable. For the recovery phase detection, the NDMI index was most suitable, thanks to the abilities of SWIR band. The NDMI index were found as universal for observing the disturbances / recovery phases. Additionally, the NDMI index was usable for detection of the initial stage of the bark beetle outbreak. For efficient time series processing, the cloud-based technologies can be used, which allow fast access to the data and pre-processed functions for creating time series charts and maps. From the cloud-based technologies, the Sentinel Hub platform was used and tested.
 
Univerzita Karlova | Informační systém UK