Klasifikace vybraných zemědělských plodin v modelovém území Kutnohorska s využitím časové řady dat Sentinel-2 a PlanetScope

• Název práce v češtině: Klasifikace vybraných zemědělských plodin v modelovém území Kutnohorska s využitím časové řady dat Sentinel-2 a PlanetScope
• Název v anglickém jazyce: Classification of selected agricultural crops from time series of Sentinel-2 and PlanetScope imagery in Kutnohorsko model area
• Klíčová slova: časová řada družicových dat, zemědělské plodiny, klasifikace, spektrální příznak, Sentinel-2, PlanetScope
• Klíčová slova anglicky: time series of satellite imagery, agricultural crops, classification, spectral feature, Sentinel-2, PlanetScope
• Akademický rok vypsání: 2016/2017
• Typ práce: diplomová práce
• Jazyk práce: čeština
• Ústav: Katedra aplikované geoinformatiky a kartografie (31-370)
• Vedoucí / školitel: doc. RNDr. Lucie Kupková, Ph.D.
• Řešitel: Mgr. Tomáš Kuthan - zadáno vedoucím/školitelem
• Datum přihlášení: 12.12.2016
• Datum zadání: 13.12.2016
• Datum odevzdání elektronické podoby: 07.12.2018
• Datum proběhlé obhajoby: 22.01.2019
• Oponenti: Ing. Markéta Potůčková, Ph.D.
• Konzultanti: Mgr. Lucie Červená, Ph.D.

Předběžná náplň práce

Diplomová práce se zaměří na analýzu spektrálních charakteristik vybraných zemědělských plodin v průběhu zemědělské sezóny z časové řady dat Sentinel-2 a PlanetScope. Mezi vybrané plodiny patří: cukrovka, ječmen jarní, ječmen ozimý, kukuřice, pšenice ozimá, řepka ozimá, oves, vojtěška, trvalé travní porosty a úhor. Všechny tyto typy ploch jsou uloženy v geoprostorové databázi LPIS, která je spravována Státním zemědělským a intervenčním fondem, který poskytne data pro modelové území Kutnohorska. Cílem práce bude jednak zpracovat charakteristiku sezónního průběhu spektrálních příznaků plodin, která určí období roku vhodná pro odlišení jednotlivých plodin. Dalším cílem práce je 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, případně pro snímek z období, kdy jsou od sebe jednotlivé plodiny dobře rozlišitelné. Cílem práce je také porovnat přesnost klasifikace při použití dvou typů dat s rozdílným prostorovým a spektrálním rozlišením.

Rozsah grafických prací: dle potřeby

Rozsah průvodní zprávy: cca 80 stran

Seznam odborné literatury:
SOLA, I. et al., 2018. Assessment of atmospheric correction methods for Sentinel-2 images in Mediterranean landscapes. International Journal of Applied Earth Observation and Geoinformation [online]. 73, str. 63-76. Dostupné z: https://www.sciencedirect.com/science/article/pii/S0303243418301843

VUOLO, F. et al., 2018. How much does multi-temporal Sentinel-2 data improve crop type classification?. International Journal of Applied Earth Observation and Geoinformation [online]. 72, str. 122-130. Dostupné z: https://www.sciencedirect.com/science/article/pii/S0303243418303167

BELGIU, M., CSILLIK, O,. 2017. Sentinel-2 cropland mapping using pixel-based and
object-based timeweighted dynamic time warping analysis. Remote Sensing of Environment [online]. 204, str. 509-523. Dostupné z: https://www.sciencedirect.com/science/article/pii/S0034425717304686

MORAN, S. M., INOUE, Y., BARNES, M. E., 1997. Oppurtunities and Limitations for Image-Based Remote Sensing in Precision Crop Managemant. Remote Sensing of Environment [online]. 61(3), str. 319-346. Dostupné z: https://www.sciencedirect.com/science/article/pii/S003442579700045X

BUNNIK, J. J. N., 1981. Spectral reflectance characteristics of agriculture crops and application to crop growth monitoring. Advances in Space Research [online]. 1(10), str. 21-40. Dostupné z: https://www.sciencedirect.com/science/article/pii/0273117781903793

MANGIAROTTI, S. et al., 2017. Can the global modeling technique be used for crop classification?. Chaos, Solitons & Fractals [online]. 106, str. 363-378. Dostupné z: https://www.sciencedirect.com/science/article/pii/S0960077917305040

SCHOWENGERDT, A. R., 2007. Remote Sensing: Models and methods for image processing. 3. vyd. Tuscon: University of Arizona. 515 str. ISBN 10: 0-12-369407-8.