Časoprostorová analýza vegetace v alpínské tundře Krkonoš - využití dálkového průzkumu

Kateřina KROPÍKOVÁ

Bakalářská práce

Spatio-temporal analysis of vegetation in Krkonoše alpine tundra - remote sensing approach

Anotace:

Cílem práce bylo testování metod řízené klasifikace dostupných v programu ArcGIS Pro k rozlišení heterogenního vegetačního pokryvu na části území východní krkonošské arkto-alpínské tundry. Využito bylo multispektrálních družicových dat PlanetScope s vysokým prostorovým rozlišením 3 m ze tří různých termínů vegetační sezóny 2022. Dále bylo testováno, zda lze prostřednictvím multitemporálního přístupu, jehož využití umožňuje vysoké časové rozlišení družicových snímků, dospět k lepším klasifikačním výsledkům. Pro klasifikaci a porovnání výsledků sloužila rovněž multispektrální letecká data s velmi vysokým prostorovým rozlišením 0,05 m z téhož roku. Pro další srovnání bylo využito také snímků vzniklých převzorkováním těchto leteckých dat na 0,2 m, 0,5 m, 1 m, 2 m a 3 m. Bylo využito metod řízené pixelové a objektové klasifikace s algoritmy Random Forest a Support Vector Machine na základě terénních dat zaměřených pomocí přesné GPS v roce 2021. Nejlepší celkové přesnosti klasifikace (72,02 %) bylo dosaženo v případě objektové klasifikace leteckého snímku s rozlišením 0,5 m s využitím klasifikátoru Support Vector Machine. V případě dat PlanetScope byl nejlépe klasifikován multitemporální kompozit s využitím per-pixel metody s algoritmem Random Forest s celkovou přesností 65,97 %.

Abstract:

The aim of this work was to test the methods of supervised classification available in ArcGIS Pro to distinguish heterogeneous vegetation cover in part of the eastern arctic-alpine tundra of the Giant Mountains. Multispectral PlanetScope satellite data with high spatial resolution of 3 m from three different parts of the vegetation season were used. Furthermore, capitalizing on high temporal resolution satellite imagery, it was tested whether better classification results can be achieved through a multitemporal approach. Multispectral aerial data with very high spatial resolution of 0.05 m was also included for classification and comparison of results. For further comparison, images generated by resampling these aerial data to 0.2 m, 0.5 m, 1 m, 2 m and 3 m were also classified. Both supervised pixel and object classification methods with Random Forest and Support Vector Machine algorithms were used based on field data acquired with precision GPS in 2021. The best overall classification accuracy (72.02%) was achieved in case of object classification of the 0.5 m resolution aerial image using the Support Vector Machine classifier. In case of PlanetScope data, the multitemporal composite using the per-pixel method with the Random Forest algorithm was the best classified with an overall accuracy of 65.97%.

Klíčová slova

řízená klasifikace, multitemporální klasifikace, PlanetScope, letecké snímky, převzorkování, tundra, vegetace, Krkonoše

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 27. 4. 2023

Zveřejnit od: 31. 12. 2999

Obhajoba závěrečné práce

• Vedoucí: Mgr. Jana Müllerová, Ph.D.

UNIVERZITA JANA EVANGELISTY PURKYNĚ V ÚSTÍ NAD LABEM

Fakulta životního prostředí

Bakalářský studijní program / obor:
Aplikovaná geoinformatika / Aplikovaná geoinformatika