Možnosti detekce lesních biotopů Natura 2000 pomocí dat Sentinel-2

Kristýna Nalezinková

Bachelor's thesis

Possibilities of detection of Natura 2000 forest habitats using Sentinel-2 data

Abstract:

Tato bakalářská práce je zaměřena na klasifikaci lesních biotopů Natura 2000 pomocí multispektrálních snímků družice Sentinel-2. Jejím cílem bylo zjistit, jaké podrobnosti lesů dané Katalogem biotopů lze dosáhnout pomocí řízené klasifikace v Google Earth Engine. Dílčí cíle této práce byly: S jakou přesností se rozliší les od ostatních biotopů a s jakou přesností se odliší různé třídy lesů mezi sebou na první a druhé hierarchické úrovni. Z Vrstvy mapování biotopů byly vybrány jen ty lesy, které byly aktualizovány od roku 2015 a zároveň měly celkem větší rozlohu než 1 km2. Lesy, které splňovaly kritéria, byly listnaté. Konkrétně se jednalo o mokřadní olšiny, lužní lesy, dubohabřiny a acidofilní doubravy. Z nich byly vytvořeny trénovací data, které vstupovaly do řízené klasifikace pomocí algoritmu random forest a CART. Klasifikace dokázala rozlišit les od ostatních biotopů s 97% přesností u obou algoritmů. U zjišťování přesnosti klasifikace lesů na první hierarchické úrovni dané Katalogem biotopů ČR (Chytrý et al., 2010) bylo dosaženo celkové přesnosti 52,2 % pomocí algoritmu random forest. Nejlépe byly určeny lužní lesy a acidofilní doubravy s téměř 75% přesností. Přesnost klasifikace lesů na druhé hierarchické úrovni dané Katalogem biotopů ČR (Chytrý et al., 2010) dosáhla přesnosti klasifikace 43,5 % pomocí algoritmu random forest. Klasifikace pomocí algoritmu CART byla přibližně o 11 % horší u určování první i u druhé hierarchické úrovně lesů.

Abstract:

This bachelor thesis is focused on habitat classification based on Habitat Catalogue of the Czech Republic (Chytrý et al., 2010) using multispectral images of the Sentinel-2 satellite. Its aim was to find out, what forest details given by the Habitat Catalogue can be achieved using the supervised classification in the Google Earth Engine. The partial aims of this bachelor thesis were: with what precision will the forest be distinguish from other biotops and with what precision will distinguish different classes of forests from each other to the first and the second hierarchical levels. From the habitat mapping layer were selected only those forests with area larger than 1 km2 and were updated latest in 2015. To those criteria correspond deciduous forests. Specifically, these were alder carrs, alluvial forests, oak-hornbeam forests and acidophilous oak forests. From these were created training data which enter the supervised classification using “random forest” and “CART” algorithm. Classification achieves to recognize forests from other habitats with 97% accuracy at both algorithms same. The analysis of the forest classification accuracy at 1st hierarchical level shows 52,2 % overall accuracy by using “random forest”. The best result was achieved for alluvial forests and acidophilous oak forests which were identified with 75% accuracy. The forest classification accuracy at 2nd hierarchical level shows 43,5 %. The CART algorithm shows 11 % worse result at both hierarchical levels.

Keywords

dálkový průzkum Země, Sentinel-2, klasifikace, random forest, CART, Vrstva mapování biotopů, Google Earth Engine

Keywords

remote sensing, Sentinel-2, classification, random forest, CART, habitat mapping layer, Google Earth Engine

Language used: Czech

Date on which the thesis was submitted / produced: 30. 3. 2021

Thesis defence

• Supervisor: doc. Ing. Petra Šímová, Ph.D.
• Reader: David Moravec, Ph.D.

Czech University of Life Sciences Prague

Faculty of Environmental Sciences

Bachelor programme:
Geographic information systems and Remote sensing in Environmental Sciences