Klasifikace UAV obrazových dat v rámci vybraných území

Ešpandr, Jakub

Publikace:
Klasifikace UAV obrazových dat v rámci vybraných území

Diplomová práceopen access

dc.contributor.advisor	Jech, Jakub
dc.contributor.author	Ešpandr, Jakub
dc.contributor.referee	Sedlák, Pavel
dc.date.accepted	2025-08-27
dc.date.accessioned	2025-09-08T08:54:26Z
dc.date.issued	2025
dc.date.submitted	2025-07-26
dc.description.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.	cze
dc.description.abstract-translated	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.	eng
dc.description.defence	Student přednesl obhajobu práce s názvem Klasifikace UAV obrazových dat v rámci vybraných území. Cílem práce je analyzovat a porovnat metody řízené a neřízené klasifikace pro zpracování reálných obrazových dat s velmi vysokým prostorovým rozlišením získaných pomocí UAV. Práce se zaměřuje na proces zahrnující od přípravy letu, sběr dat, až po jejich zpracování a interpretaci. Součástí práce bude praktické ověření vybraných metod na reálném datovém souboru pro potřeby vnitřní analýzy podniku. Otázky dle posudku vedoucího práce: Student přistupoval k práci zodpovědně, pravidelně práci konzultovala i v rámci Erasmus výjezdu, a proto k práci mám jen jednu otázku: 1. Jaké jsou limity využívání RGB dat při klasifikaci vegetačních typů a jak by se výsledky mohly změnit při použití multispektrálních nebo hyperspektrálních senzorů (kdyby nebylo zadání práce omezeno na RGB data)? Otázky dle posudku oponenta 1. Jakými pravidly jste se řídil při definování trénovacích ploch pro řízenou klasifikaci obrazu? 2. Jak by se daly navržené softwarové nástroje integrovat do jednotné platformy pro uživatele bez technického zázemí? Otázky komise: Jak jste dospěl ke koeficientům spektrálních indexů? Mají spektrální indexy význam na RGB datech vůči použití spektrálních dat? Student položené otázky zodpověděl	cze
dc.description.department	Fakulta ekonomicko-správní	cze
dc.description.grade	Dokončená práce s úspěšnou obhajobou	cze
dc.format	137 s., 50 s. příl.
dc.identifier.stag	49798
dc.identifier.uri	https://hdl.handle.net/10195/85636
dc.language.iso	cze
dc.publisher	Univerzita Pardubice	cze
dc.rights	Bez omezení
dc.subject	dálkový průzkum Země	cze
dc.subject	bezpilotní letecké systémy	cze
dc.subject	neřízená a řízená klasifikace obrazových dat	cze
dc.subject	hluboké učení	cze
dc.subject	RGB data	cze
dc.subject	spektrální indexy	cze
dc.subject	ortofotosnímky	cze
dc.subject	remote sensing	eng
dc.subject	unmanned aerial systems	eng
dc.subject	unsupervised and supervised image data classification	eng
dc.subject	deep learning	eng
dc.subject	RGB data	eng
dc.subject	spectral indices	eng
dc.subject	orthophotograph	eng
dc.thesis.degree-discipline	Aplikovaná informatika - Data Science pro business	cze
dc.thesis.degree-grantor	Univerzita Pardubice. Fakulta ekonomicko-správní	cze
dc.thesis.degree-name	Ing.
dc.thesis.degree-program	Aplikovaná informatika - Data Science pro business	cze
dc.title	Klasifikace UAV obrazových dat v rámci vybraných území	cze
dc.title.alternative	Classification of UAV Image Data within Selected Areas	eng
dc.type	diplomová práce	cze
dspace.entity.type	Publication