Kvantifikace napadení stromu kůrovcem pomocí fotogrammetrických metod

Bc. Karel Čada

Diplomová práce

Quantification of bark beetle infestation with the use of photogrammetric methods

Anotace:

Tato diplomová práce se zabývá možností využití trojrozměrných bodových mračen vzorků smrkové kůry poškozené kůrovci pro automatickou objektivní kvantifikaci napadení. Snímky byly pořízeny fotogrammetrickou metodou Structure from Motion (SfM), která spočívá ve fotografování předmětu z více úhlů a následné tvorby bodového mračna v softwaru Agisoft Metashape. Bodová mračna byla rasterizována, aby bylo možné je zpracovávat jako vrstvy. Výstupem byly dvě rastrové vrstvy každého vzorku. Vrstva v RGB spektru a vrstva mapy výšek konkrétního vzorku. Činnosti spojené s klasifikací probíhaly v softwaru ArcGis® PRO. Na sedmnácti vybraných snímcích byla nejdříve provedena manuální klasifikace plochy požerku a nepoškozené části vzorku. Tím byla získána informace o skutečné ploše, kterou na vzorku kůry zabíral požerek a nepoškozená část. Automatická klasifikace probíhala v nástroji Image Classification Wizzard. Z obou typů snímků byla vytvořena mozaika, která byla dále klasifikována. Pro porovnání výsledků byly zvoleny klasifikátory Support Vector Machine a Random Trees, které byly kombinovány s oběma typy snímků. Výsledkem byly čtyři nové vrstvy pro každý vzorek kůry. Každá vrstva obsahovala dvě třídy, plochu požerku a nepoškozenou část. Data o poškozených a nepoškozených plochách vzorku získaná automatickou klasifikací všech kombinací klasifikátorů a typů snímků byla validována na datech vzniklých manuální klasifikací. Výsledkem bylo zjištění přesnosti klasifikace pro každou nově vytvořenou vrstvu. Pomocí dvouvýběrového Wilcoxonova testu bylo zjištěno, že statisticky významná vyšší přesnost automatické klasifikace je dosažena po použití výškových map vzorků. Přesnost při použití výškových map dosahovala průměrně 76,5 % a při použití RGB snímků 72,3 %. Vliv zvoleného klasifikátoru na přesnost klasifikace se nepodařilo prokázat, oba klasifikátory se od sebe statisticky nelišily v dosažené přesnosti klasifikace. Byl prokázán i vliv konkrétního vzorku na přesnost klasifikace.

Abstract:

This master thesis deals with the possibility of using three-dimensional point clouds of spruce bark samples damaged by bark beetles for automatic objective quantification of infestation. The images were taken using the Structure from Motion (SfM) photogrammetric method, which involves photographing an object from multiple angles and then creating a point cloud in Agisoft Metashape software. The point clouds were rasterized in order to process them as layers. The output was two raster layers of each sample. A layer in the RGB spectrum and a layer of the height map of the particular sample. The classification activities were performed in ArcGis® PRO software. The seventeen selected images were first subjected to manual classification of the fire area and the undamaged portion of the sample. This provided information on the actual area occupied by the bark beetle galleries and undamaged portion of the bark sample. The automatic classification was performed in the Image Classification Wizzard tool. A mosaic was created from both types of images and further classified. Support Vector Machine and Random Trees classifiers were chosen to compare the results and were combined with both types of images. This resulted in four new layers for each bark sample. Each layer contained two classes, the bark beetles galleries area and the undamaged part. The data on damaged and undamaged areas of the sample obtained by automatic classification of all combinations of classifiers and image types were validated on the data generated by manual classification. As a result, the classification accuracy for each newly created layer was determined. Using a two-sample Wilcoxon test, it was found that statistically significant higher accuracy of automatic classification is obtained after using the height maps of the samples. The accuracy when using height maps averaged 76.5% and 72.3% when using RGB images. The influence of the chosen classifier on the classification accuracy could not be demonstrated, both classifiers were not statistically different from each other in the achieved classification accuracy. The effect of the particular sample on classification accuracy was also demonstrated.

Klíčová slova

fotogrammetrie, klasifikace, kůrovec, SfM

Keywords

bark beetle, classification, photogrammetry, SfM

Jazyk práce: čeština

Datum vytvoření / odevzdání či podání práce: 7. 4. 2024

Obhajoba závěrečné práce

• Obhajoba proběhla 27. 5. 2024
• Vedoucí: doc. Ing. Karel Kuželka, Ph.D.
• Oponent: Jan Komárek, Ph.D.

Česká zemědělská univerzita v Praze

Fakulta lesnická a dřevařská

Magisterský studijní program:
Lesní inženýrství