Klasifikace UAV obrazových dat v rámci vybraných území

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.