Show simple item record

Využití hlubokého učení pro mapování vegetace na horní hranici lesa z dat dálkového průzkumu
dc.contributor.advisorPotůčková, Markéta
dc.creatorDvořák, Jakub
dc.date.accessioned2020-09-23T11:26:03Z
dc.date.available2020-09-23T11:26:03Z
dc.date.issued2020
dc.identifier.urihttp://hdl.handle.net/20.500.11956/120388
dc.description.abstractHluboké učení se v posledních letech stále více uplatňuje v dálkovém průzkumu, především jako klasifikační algoritmus. První část této práce popisuje hluboké neuronové sítě používané pro klasifikaci v dálkovém průzkumu a možnosti jejich využití. V této části práce jsou diskutovány i implementace hlubokých modelů ve vybraných geografických softwarech. Teoretická zjištění z první části práce jsou ověřena pomocí dvou hlubokých konvolučních sítí typu "Encoder-Decoder" - U-Net a její navrhovaná adaptace KrakonosNet. Tyto sítě jsou využity pro klasifikaci smrků a kosodřeviny v oblasti krkonošské horní hranice lesa. Normalizovaný digitální model povrchu je využit k tvorbě dostatečného množství trénovacích dat a klasifikace samotná je provedena pouze na základě optických dat s velmi vysokým prostorovým rozlišením. Výsledná klasifikace je porovnána s několika tradičními metodami, konkrétně se jedná o klasifikátor maximální pravděpodobnosti, náhodný les a metodu podpůrných vektorů. U-Net i KrakonosNet dosáhly na tomto datasetu výrazně lepších výsledků a budou následně využity pro potřeby souvisejícího výzkumného projektu. Klíčová slova hluboké učení, U-Net, Krkonoše, klasifikace, mapování vegetace, smrk ztepilý, borovice kleč, ortofotocs_CZ
dc.description.abstractDeep learning is growing in popularity in the remote sensing community, especially as a classification algorithm. First part of this thesis describes deep neural networks commonly used for remote sensing classification and their various applications. Capabilities of selected geospatial software suites in relation to deep models are also discussed in this part. Theoretical findings from the first part of the thesis are validated using two deep convolutional Encoder-Decoder networks - U-Net and its proposed adaptation called KrakonosNet. They are used to perform a sematic segmentation of spruce trees and dwarf pine shrubs in the tree line ecotone of the Krkonoše Mountains, Czechia. A normalised digital surface model is employed for creation of sufficiently large amount of training data, while the classification itself is performed using only optical imagery with very high spatial resolution. Resulting classification is compared to a set of traditional remote sensing classifiers, namely Maximum Likelihood, Random Forest, and a Support Vector Machine. Both U-Net and KrakonosNet significantly outperform the other classifiers on this dataset and will be consequently used in a related research project. Key words deep learning, U-Net, Krkonoše mountains, classification, vegetation mapping, picea abies,...en_US
dc.languageEnglishcs_CZ
dc.language.isoen_US
dc.publisherUniverzita Karlova, Přírodovědecká fakultacs_CZ
dc.subjecthluboké učenícs_CZ
dc.subjectU-Netcs_CZ
dc.subjectKrkonošecs_CZ
dc.subjectklasifikacecs_CZ
dc.subjectmapování vegetacecs_CZ
dc.subjectsmrk ztepilýcs_CZ
dc.subjectborovice klečcs_CZ
dc.subjectortofotocs_CZ
dc.subjectdeep learningen_US
dc.subjectU-Neten_US
dc.subjectKrkonoše mountainsen_US
dc.subjectclassificationen_US
dc.subjectvegetation mappingen_US
dc.subjectpicea abiesen_US
dc.subjectpinus mugoen_US
dc.subjectorthoimageen_US
dc.titleDeep learning for tree line ecotone mapping from remote sensing dataen_US
dc.typebakalářská prácecs_CZ
dcterms.created2020
dcterms.dateAccepted2020-09-02
dc.description.departmentKatedra aplikované geoinformatiky a kartografiecs_CZ
dc.description.departmentDepartment of Applied Geoinformatics and Cartographyen_US
dc.description.facultyFaculty of Scienceen_US
dc.description.facultyPřírodovědecká fakultacs_CZ
dc.identifier.repId221148
dc.title.translatedVyužití hlubokého učení pro mapování vegetace na horní hranici lesa z dat dálkového průzkumucs_CZ
dc.contributor.refereeLefèvre, Sébastien
thesis.degree.nameBc.
thesis.degree.levelbakalářskécs_CZ
thesis.degree.disciplinePhysical Geography and Geoinformaticsen_US
thesis.degree.disciplineFyzická geografie a geoinformatikacs_CZ
thesis.degree.programGeographyen_US
thesis.degree.programGeografiecs_CZ
uk.faculty-name.csPřírodovědecká fakultacs_CZ
uk.faculty-name.enFaculty of Scienceen_US
uk.faculty-abbr.csPřFcs_CZ
uk.degree-discipline.csFyzická geografie a geoinformatikacs_CZ
uk.degree-discipline.enPhysical Geography and Geoinformaticsen_US
uk.degree-program.csGeografiecs_CZ
uk.degree-program.enGeographyen_US
thesis.grade.csVýborněcs_CZ
thesis.grade.enExcellenten_US
uk.abstract.csHluboké učení se v posledních letech stále více uplatňuje v dálkovém průzkumu, především jako klasifikační algoritmus. První část této práce popisuje hluboké neuronové sítě používané pro klasifikaci v dálkovém průzkumu a možnosti jejich využití. V této části práce jsou diskutovány i implementace hlubokých modelů ve vybraných geografických softwarech. Teoretická zjištění z první části práce jsou ověřena pomocí dvou hlubokých konvolučních sítí typu "Encoder-Decoder" - U-Net a její navrhovaná adaptace KrakonosNet. Tyto sítě jsou využity pro klasifikaci smrků a kosodřeviny v oblasti krkonošské horní hranice lesa. Normalizovaný digitální model povrchu je využit k tvorbě dostatečného množství trénovacích dat a klasifikace samotná je provedena pouze na základě optických dat s velmi vysokým prostorovým rozlišením. Výsledná klasifikace je porovnána s několika tradičními metodami, konkrétně se jedná o klasifikátor maximální pravděpodobnosti, náhodný les a metodu podpůrných vektorů. U-Net i KrakonosNet dosáhly na tomto datasetu výrazně lepších výsledků a budou následně využity pro potřeby souvisejícího výzkumného projektu. Klíčová slova hluboké učení, U-Net, Krkonoše, klasifikace, mapování vegetace, smrk ztepilý, borovice kleč, ortofotocs_CZ
uk.abstract.enDeep learning is growing in popularity in the remote sensing community, especially as a classification algorithm. First part of this thesis describes deep neural networks commonly used for remote sensing classification and their various applications. Capabilities of selected geospatial software suites in relation to deep models are also discussed in this part. Theoretical findings from the first part of the thesis are validated using two deep convolutional Encoder-Decoder networks - U-Net and its proposed adaptation called KrakonosNet. They are used to perform a sematic segmentation of spruce trees and dwarf pine shrubs in the tree line ecotone of the Krkonoše Mountains, Czechia. A normalised digital surface model is employed for creation of sufficiently large amount of training data, while the classification itself is performed using only optical imagery with very high spatial resolution. Resulting classification is compared to a set of traditional remote sensing classifiers, namely Maximum Likelihood, Random Forest, and a Support Vector Machine. Both U-Net and KrakonosNet significantly outperform the other classifiers on this dataset and will be consequently used in a related research project. Key words deep learning, U-Net, Krkonoše mountains, classification, vegetation mapping, picea abies,...en_US
uk.file-availabilityV
uk.grantorUniverzita Karlova, Přírodovědecká fakulta, Katedra aplikované geoinformatiky a kartografiecs_CZ
thesis.grade.code1
uk.publication-placePrahacs_CZ


Files in this item

Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record


© 2017 Univerzita Karlova, Ústřední knihovna, Ovocný trh 560/5, 116 36 Praha 1; email: admin-repozitar [at] cuni.cz

Za dodržení všech ustanovení autorského zákona jsou zodpovědné jednotlivé složky Univerzity Karlovy. / Each constituent part of Charles University is responsible for adherence to all provisions of the copyright law.

Upozornění / Notice: Získané informace nemohou být použity k výdělečným účelům nebo vydávány za studijní, vědeckou nebo jinou tvůrčí činnost jiné osoby než autora. / Any retrieved information shall not be used for any commercial purposes or claimed as results of studying, scientific or any other creative activities of any person other than the author.

DSpace software copyright © 2002-2015  DuraSpace
Theme by 
@mire NV