Show simple item record
dc.contributor.author |
Jech, Jakub
|
cze |
dc.contributor.author |
Komárková, Jitka
|
cze |
dc.contributor.author |
Bhattacharya, Devanjan
|
cze |
dc.date.accessioned |
2024-08-24T07:08:57Z |
|
dc.date.available |
2024-08-24T07:08:57Z |
|
dc.date.issued |
2023 |
eng |
dc.identifier.issn |
2076-3417 |
eng |
dc.identifier.uri |
https://hdl.handle.net/10195/83604 |
|
dc.description.abstract |
This article describes a comparison of the pixel-based classification methods used to distinguish ice from other land cover types. The article focuses on processing RGB imagery, as these are very easy to obtained. The imagery was taken using UAVs and has a very high spatial resolution. Classical classification methods (ISODATA and Maximum Likelihood) and more modern approaches (support vector machines, random forests, deep learning) have been compared for image data classifications. Input datasets were created from two distinct areas: The Pond Skříň and the Baroch Nature Reserve. The images were classified into two classes: ice and all other land cover types. The accuracy of each classification was verified using a Cohen’s Kappa coefficient, with reference values obtained via manual surface identification. Deep learning and Maximum Likelihood were the best classifiers, with a classification accuracy of over 92% in the first area of interest. On average, the support vector machine was the best classifier for both areas of interest. A comparison of the selected methods, which were applied to highly detailed RGB images obtained with UAVs, demonstrates the potential of their utilization compared to imagery obtained using satellites or aerial technologies for remote sensing. |
eng |
dc.format |
p. 11400 |
eng |
dc.language.iso |
eng |
eng |
dc.relation.ispartof |
Applied Science - Basel, volume 13, issue: 20 |
eng |
dc.rights |
Pouze v rámci univerzity |
eng |
dc.subject |
imagery classification |
eng |
dc.subject |
RGB imagery data |
eng |
dc.subject |
UAV |
eng |
dc.subject |
supervised classification |
eng |
dc.subject |
unsupervised classification |
eng |
dc.subject |
Iso Cluster |
eng |
dc.subject |
Maximum Likelihood |
eng |
dc.subject |
random trees |
eng |
dc.subject |
support vector machine |
eng |
dc.subject |
deep learning |
eng |
dc.subject |
pixel-based classification |
eng |
dc.subject |
klasifikace snímků |
cze |
dc.subject |
RGB obrazová data |
cze |
dc.subject |
UAV |
cze |
dc.subject |
řízená klasifikace |
cze |
dc.subject |
neřízená klasifikace |
cze |
dc.subject |
Iso Cluster |
cze |
dc.subject |
Maximum Likelihood |
cze |
dc.subject |
náhodné stromy |
cze |
dc.subject |
podpůrný vektorový stroj |
cze |
dc.subject |
hluboké učení |
cze |
dc.subject |
pixelová klasifikace |
cze |
dc.title |
Comparison of Automatic Classification Methods for Identification of Ice Surfaces from Unmanned-Aerial-Vehicle-Borne RGB Imagery |
eng |
dc.title.alternative |
Porovnání metod automatické klasifikace pro identifikaci ledových ploch ze snímků RGB získaných bezpilotním prostředkem |
cze |
dc.type |
article |
eng |
dc.description.abstract-translated |
Tento článek popisuje srovnání metod klasifikace na základě pixelů používaných k rozlišení ledu od jiných typů krajinného pokryvu. Článek se zaměřuje na zpracování RGB snímků, protože je velmi snadné získat. Snímky byly pořízeny pomocí UAV a mají velmi vysoké prostorové rozlišení. Pro klasifikaci obrazových dat byly porovnány klasické klasifikační metody (ISODATA a Maximum Likelihood) a modernější přístupy (podpora vektorových strojů, náhodné lesy, hluboké učení). Vstupní datové sady byly vytvořeny ze dvou odlišných oblastí: Rybník Skříň a Přírodní rezervace Baroch. Obrázky byly rozděleny do dvou tříd: led a všechny ostatní typy krajinného pokryvu. Přesnost každé klasifikace byla ověřena pomocí Cohenova Kappa koeficientu s referenčními hodnotami získanými pomocí ruční identifikace povrchu. Hluboké učení a Maximum Likelihood byly nejlepšími klasifikátory s přesností klasifikace přes 92 % v první oblasti zájmu. Nejlepším klasifikátorem pro obě zájmové oblasti byl v průměru stroj podporující vektor. Srovnání vybraných metod, které byly aplikovány na vysoce detailní RGB snímky získané pomocí UAV, ukazuje potenciál jejich využití ve srovnání se snímky získanými pomocí satelitů nebo leteckých technologií pro dálkový průzkum Země. |
cze |
dc.peerreviewed |
yes |
eng |
dc.publicationstatus |
postprint |
eng |
dc.identifier.doi |
10.3390/app132011400 |
eng |
dc.relation.publisherversion |
https://www.mdpi.com/2076-3417/13/20/11400 |
eng |
dc.project.ID |
SGS_2023_013/Digitální transformace jako součást rozvoje chytrých měst a regionů |
eng |
dc.identifier.wos |
001095934000001 |
eng |
dc.identifier.obd |
39888804 |
eng |
dc.note |
New Trends of GIS Technology in Environmental Studies |
eng |
This item appears in the following Collection(s)
Show simple item record
|
Search DSpace
Browse
-
All of DSpace
-
This Collection
My Account
|