Předložená diplomová práce se zabývá využitím vybraných klasifikačních metod a nástrojů pro sledování změn krajinného pokryvu na družicových snímcích. Konktrétně je sledován fenomén odlesňování v různých lokalitách, zejména na jižní Sibiři, kde je pozorován vývoj odlesnění v letech 2011 až 2021. Současně jsou zde nasbírána vstupní data pro tvorbu deep learningového modelu v programu ArcGIS Pro, který je dále použit na několika dalších lokalitách. Cílem je vytvořit model tak, aby co nejpřesněji klasifikoval lesní porosty a vykácené plochy a byl použitelný na různých typech lesa v co nejširším geografickém kontextu. V rámci tohoto úkolu jsou porovnány tradiční klasifikační metody s klasifikací pomocí metod deep learningu (DL). Porovnání je zaměřeno na několik vybraných parametrů, jako je množství vstupních dat, časová náročnost, a zejména přesnost výsledků.
Anotace v angličtině
The submitted diploma thesis deals with the application of selected classification methods and tools for monitoring changes in land cover on satellite images. Specifically, the phenomenon of deforestation is monitored in various localities, especially in southern Siberia, where the progress of deforestation in between 2011 and 2021 is observed. At the same time, input data are collected for the creation of a deep learning model in ArcGIS Pro software, which is further used in several other locations. The aim is to create a model so that it classifies forest stands and felled areas as accurately as possible and is applicable to various types of forest in broad geographical context. In this task, traditional classification methods are compared with deep learning classification. The comparison focuses on several selected parameters, such as the amount of input data, time consumption, and especially the accuracy of the results.
Klíčová slova
dálkový průzkum Země, geografický informační systém, objektová klasifikace, pixelová klasifikace, deep learning, odlesňování, ArcGIS Pro
Klíčová slova v angličtině
remote sensing, geographic information system, object classification, pixel classification, deep learning, deforestation, ArcGIS Pro
Rozsah průvodní práce
152
Jazyk
CZ
Anotace
Předložená diplomová práce se zabývá využitím vybraných klasifikačních metod a nástrojů pro sledování změn krajinného pokryvu na družicových snímcích. Konktrétně je sledován fenomén odlesňování v různých lokalitách, zejména na jižní Sibiři, kde je pozorován vývoj odlesnění v letech 2011 až 2021. Současně jsou zde nasbírána vstupní data pro tvorbu deep learningového modelu v programu ArcGIS Pro, který je dále použit na několika dalších lokalitách. Cílem je vytvořit model tak, aby co nejpřesněji klasifikoval lesní porosty a vykácené plochy a byl použitelný na různých typech lesa v co nejširším geografickém kontextu. V rámci tohoto úkolu jsou porovnány tradiční klasifikační metody s klasifikací pomocí metod deep learningu (DL). Porovnání je zaměřeno na několik vybraných parametrů, jako je množství vstupních dat, časová náročnost, a zejména přesnost výsledků.
Anotace v angličtině
The submitted diploma thesis deals with the application of selected classification methods and tools for monitoring changes in land cover on satellite images. Specifically, the phenomenon of deforestation is monitored in various localities, especially in southern Siberia, where the progress of deforestation in between 2011 and 2021 is observed. At the same time, input data are collected for the creation of a deep learning model in ArcGIS Pro software, which is further used in several other locations. The aim is to create a model so that it classifies forest stands and felled areas as accurately as possible and is applicable to various types of forest in broad geographical context. In this task, traditional classification methods are compared with deep learning classification. The comparison focuses on several selected parameters, such as the amount of input data, time consumption, and especially the accuracy of the results.
Klíčová slova
dálkový průzkum Země, geografický informační systém, objektová klasifikace, pixelová klasifikace, deep learning, odlesňování, ArcGIS Pro
Klíčová slova v angličtině
remote sensing, geographic information system, object classification, pixel classification, deep learning, deforestation, ArcGIS Pro
Zásady pro vypracování
1. Rešerše dostupných datových podkladů.
2. Výběr zájmových oblastí.
3. Zpracování vybraných datových pokladů s využitím metod bezkontaktního sběru prostorových dat.
4. Analýza zpracovaných dat.
5. Hodnocení výsledků a jejich zpřístupnění v prostředí internetu.
Zásady pro vypracování
1. Rešerše dostupných datových podkladů.
2. Výběr zájmových oblastí.
3. Zpracování vybraných datových pokladů s využitím metod bezkontaktního sběru prostorových dat.
4. Analýza zpracovaných dat.
5. Hodnocení výsledků a jejich zpřístupnění v prostředí internetu.
Seznam doporučené literatury
KONECNY, Gottfried. Geoinformation: remote sensing, photogrammetry, and geographic information systems. Second edition. Boca Raton, FL: CRC Press, [2014]. ISBN 9781420068566.
DOLANSKÝ, Tomáš. Lidary a letecké laserové skenování. Ústí nad Labem: STUDIA GEOINFORMATICA, 2004. ISBN 80-7044-575-0.
JENSEN, John R. Remote Sensing of the Environment An Earth Resource Perspective. 2nd edition. Harlow: Pearson Education Limited, 2014. ISBN ISBN 10: 1-292-02170-5.
NAYAK, S. a S. ZLATANOVA, ed. Remote Sensing and GIS Technologies for Monitoring and Prediction of Disasters. Berlin: Springer-Verlag Berlin Heidelberg, 2008. ISBN ISBN: 978-3-540-79258-1.
PURKIS, Samuel J. a V. KLEMAS. Remote sensing and global environmental change. Hoboken, N.J.: Wiley-Blackwell, 2011. ISBN 9781405182256.
HO, Pei-Gee Peter, ed. Geoscience and Remote Sensing. Vukovar: In-Teh, 2009. ISBN 978-953-307-003-2.
Seznam doporučené literatury
KONECNY, Gottfried. Geoinformation: remote sensing, photogrammetry, and geographic information systems. Second edition. Boca Raton, FL: CRC Press, [2014]. ISBN 9781420068566.
DOLANSKÝ, Tomáš. Lidary a letecké laserové skenování. Ústí nad Labem: STUDIA GEOINFORMATICA, 2004. ISBN 80-7044-575-0.
JENSEN, John R. Remote Sensing of the Environment An Earth Resource Perspective. 2nd edition. Harlow: Pearson Education Limited, 2014. ISBN ISBN 10: 1-292-02170-5.
NAYAK, S. a S. ZLATANOVA, ed. Remote Sensing and GIS Technologies for Monitoring and Prediction of Disasters. Berlin: Springer-Verlag Berlin Heidelberg, 2008. ISBN ISBN: 978-3-540-79258-1.
PURKIS, Samuel J. a V. KLEMAS. Remote sensing and global environmental change. Hoboken, N.J.: Wiley-Blackwell, 2011. ISBN 9781405182256.
HO, Pei-Gee Peter, ed. Geoscience and Remote Sensing. Vukovar: In-Teh, 2009. ISBN 978-953-307-003-2.
Přílohy volně vložené
-
Přílohy vázané v práci
mapy, tabulky
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
V rámci obhajoby své diplomové práce studentka přednesla svou prezentaci a představila v ní metodiku, výsledky a závěry formou tabulek, map a fotodokumentace.
U obhajoby byl přítomen vedoucí práce doc. Ing. Jan Pacina, Ph.D., který přečetl svůj posudek práce. Oponentka práce Mgr. Jana Müllerová, Ph.D. u obhajoby přítomna nebyla a její posudek přečetl předseda komise doc. Ing. Petr Vráblík, Ph.D.
Studentka zodpověděla otázky z posudků vedoucího práce a oponentky.
V diskuzi byly vzneseny následující dotazy a připomínky:
doc. Ing. Martin Neruda, Ph.D.: Jak jste používala Deep Learning?
doc. Ing. Martin Neruda, Ph.D.: Jak se data zpracovávala?
doc. Ing. Martin Neruda, Ph.D.: Předpovídala jste nějaký výsledek odlesnění?
Mgr. Diana Holcová, Ph.D.: V čem vznikají tak velké nepřesnosti?