Klasifikace vegetace z družicových hyperspektrálních snímků

Bc. Lukáš Hošek

Master's thesis

Classification of vegetation from satellite hyperspectral imageries

Abstract:

Pro monitoring životního prostředí je v dnešní době nenahraditelným zdrojem dálkový průzkum Země, pro nějž je v tuto chvíli zásadní rozvoj hyperspektrálních družicových senzorů umožňujících detailní zkoumání vybraných charakteristik zemského povrchu. Cílem diplomové práce bylo vyhodnotit věrohodnost klasifikace krajinného pokryvu s důrazem na druhy zemědělských plodin pomocí družicových hyperspektrálních (PRISMA) a multispektrálních (Landsat 9) snímků vysokého prostorového rozlišení. Pro obě skupiny snímků byly zvoleny klasifikační algoritmy Spectral Angle Mapper (SAM), Support Vector Machine (SVM), Neural Net (NN), Maximum Likelihood (ML) a Minimum Distance (MD). Zájmovým územím pro řešení závěrečné práce bylo širší okolí Školního zemědělského podniku Lány (tzv. Amálie). Z výsledků diplomové práce je zřejmé, že se jako nejvhodnější algoritmus pro klasifikaci vegetace na úrovni zemědělských plodin jeví klasifikátor Support Vector Machines, který dosáhl při využití hlavních komponent analýzy PCA vypočtených z hyperspekrálního snímku PRISMA celkové přesnosti 95,37 %. Vysoké celkové přesnosti výsledků dosáhl dále i klasifikátor Neural Net (92,74 %). Nejmenší přesnost byla dosažena u algoritmu Spectral Angle Mapper s hodnotou celkové přesnosti 84,13 %. U multispektrálního snímku Landsat 9 bylo dosaženo nejvyšší celkové přesnosti v případě klasifikačního algoritmu Maximum Likelihood (86,68 %). Nejnižší celkové přesnosti dosáhl klasifikátor Neural Net (49,75 %). Ze závěru práce vyplývá, že zejména snímky pořízené hyperspektrálními senzory s vysokým prostorovým rozlišením jsou vhodným nástrojem pro klasifikaci vegetace na úrovni zemědělských plodin.

Abstract:

Nowadays remote sensing is an irreplaceable resource for environmental monitoring, for which the development of hyperspectral satellite sensors enabling detailed examination of selected characteristics of the earth's surface is essential at the moment. The aim of the dissertation was to evaluate the reliability of land cover classification with an emphasis on types of agricultural crops using satellite hyperspectral (PRISMA) and multispectral (Landsat 9) images with high spatial resolution. The classification algorithms Spectral Angle Mapper (SAM), Support Vector Machine (SVM), Neural Net (NN), Maximum Likelihood (ML) and Minimum Distance (MD) were chosen for both groups of images. The area of interest of the final thesis was the wider surroundings of the Lány (so-called Amálie) agricultural school. It is evident from the results of the thesis that the Support Vector Machines classifier appears to be the most suitable algorithm for the classification of vegetation at the level of agricultural crops, which achieved an overall accuracy of 95.37 % using PCA principal components calculated from the PRISMA hyperspectral image. The Neural Net classifier also achieved a high overall accuracy of the results (92.74 %). The least accuracy was achieved with the Spectral Angle Mapper algorithm with an overall accuracy value of 84.13 %. For the Landsat 9 multispectral image, the highest overall accuracy was achieved in the case of the Maximum Likelihood classification algorithm (86.68 %). The lowest overall accuracy was achieved by the Neural Net classifier (49.75 %). The conclusion of the work shows that especially images taken by hyperspectral sensors with high spatial resolution are a suitable tool for the classification of vegetation at the level of agricultural crops. The conclusion of the work shows that especially images taken by hyperspectral sensors with high spatial resolution are a suitable tool for the classification of vegetation at the level of agricultural crops.

Keywords

zemědělské plodiny, PRISMA, LANDSAT 9, dálkový průzkum Země, klasifikační algoritmy, krajinný pokryv

Keywords

agricultural crops, landscape cover, remote sensing, classification algorithms, PRISMA, LANDSAT 9

Language used: Czech

Date on which the thesis was submitted / produced: 3. 4. 2023

Thesis defence

• Date of defence: 15. 5. 2023
• Supervisor: Ing. Tomáš Klouček, Ph.D.
• Reader: David Moravec, Ph.D.

Czech University of Life Sciences Prague

Faculty of Environmental Sciences

Master programme:
Spatial Sciences in the Environment