Klasifikace UAV obrazových dat v rámci vybraných území

Bc. Jakub Ešpandr

Master's thesis

Classification of UAV image data within selected territories

Abstract:

Diplomová práce se zabývá klasifikací obrazových dat ve velmi vysokém prostorovém rozlišení získaných bezpilotními leteckými systémy (UAV) na vybraných územích s důrazem na analýzu vegetačního pokryvu a detekci environmentálních změn. Cílem bylo otestovat metody pro zpracování a klasifikaci UAV snímků s využitím řízených i neřízených klasifikačních přístupů, včetně metod hlubokého učení. Využity byly spektrální indexy, včetně autorem navržených SNDGR, GBRWI a MGLI2, pro zvýraznění specifických povrchových charakteristik, jako jsou spálené plochy, zaplavené oblasti či poškozená vegetace. V rámci šesti případových studií zaměřených na klasifikaci výše zmíněných disturbancí a jedné věnované inventarizaci sadu byly testovány různé klasifikační algoritmy. Pro všechny případy byla využita pouze RGB data s případným spektrálním zvýrazněním, přičemž mezi zkoumané klasifikátory patřily například U-Net, Random Trees, SVM a ISO Cluster. Výsledky ukazují, že metody hlubokého učení dosahují vysoké přesnosti, například při klasifikaci zaplavených a vlhkých ploch či poškození úrody, a překonávají konvenční algoritmy, i když jejich trénování a ladění je časově náročné. Navržené indexy zlepšily klasifikaci vegetačních tříd a přechodových zón, přičemž SNDGR se ukázal jako robustní nástroj pro analýzu spálených porostů. V neřízené klasifikaci ISO Cluster došlo díky spektrálním indexům k výraznému zlepšení přesnosti, díky čemuž se výkon neřízeného přístupu přiblížil úrovni řízených metod. Tím se umožnila rychlejší detekce i kvantifikace zasažených oblastí bez nutnosti trénovacích dat. Práce také představuje soubor vlastních softwarových nástrojů v jazyce Python (GeoShrink, FCC MS Image Processor, MetriCalc, Image Meta Locator, UAV Area Calc, Orthophoto Tool), které usnadňují zpracování UAV dat a tvorbu a zpracování ortofotosnímku. Výsledky potvrzují potenciál UAV dat pro operativní monitorování krajiny, zejména v (precizním) zemědělství a environmentálním managementu.

Abstract:

This Master's thesis focuses on classifying very high spatial resolution UAV imagery over selected areas, with an emphasis on vegetation cover analysis and environmental change detection. The objective was to test methods for processing and classifying UAV imagery using both supervised and unsupervised classification approaches, including deep learning techniques. Spectral indices, including the author's proposed SNDGR, GBRWI, and MGLI2, were used to enhance specific surface features such as burnt areas, flooded areas, and damaged vegetation. Various classification algorithms were tested within six case studies focused on classifying the aforementioned disturbances and one dedicated to orchard inventory. Only RGB data, occasionally enhanced with spectral indices, were used across all cases. The tested classifiers included, among others, U-Net, Random Trees, SVM, and ISO Cluster. The results show that Deep Learning methods achieve high accuracy, for example in the classification of flooded and wet areas or crop damage, and outperform conventional algorithms, even though their training and fine-tuning is time-consuming. The proposed indices improved the classification of vegetation classes and transition zones, with SNDGR proving to be a robust tool for analysing burnt vegetation. In unsupervised ISO Cluster classification, there was a significant improvement in accuracy, bringing the performance of the unsupervised approach closer to that of supervised methods. This brought the performance of the unsupervised approach closer to that of supervised methods, enabling faster detection and quantification of affected areas without the need for training data. The thesis also introduces a set of custom software tools developed in Python - GeoShrink, FCC MS Image Processor, MetriCalc, Image Meta Locator, UAV Area Calc and Orthophoto Tool - that facilitate UAV data processing and orthophotograph creation. The results confirm the potential of UAV data for operational landscape monitoring, particularly in (precision) agriculture and environmental management.

Keywords

dálkový průzkum Země, bezpilotní letecké systémy, neřízená a řízená klasifikace obrazových dat, hluboké učení, RGB data, spektrální indexy, ortofotosnímky

Language used: Czech

Date on which the thesis was submitted / produced: 26. 7. 2025

Accessible from:: 31. 12. 2999

Thesis defence

• Supervisor: Ing. Jakub Jech, Ph.D.

University of Pardubice

Faculty of Economics and Administration

Master programme / field:
Applied Informatics - Data Science for Business / Applied Informatics - Data Sciences for Business