UAV remote sensing of hydrological processes and fluvial dynamics

Abstract

DÁLKOVÝ PRŮZKUM HYDROLOGICKÝCH PROCESŮ A ŘÍČNÍ DYNAMIKY POMOCÍ UAV THEODORA LENDZIOCH Abstrakt Bezpilotní systémy (UAV, drony) a algoritmy strojového nebo hlubokého učení (ML nebo DL) přinášejí do oblasti věd o Zemi kvalitativně nové možnosti pro monitorování životního prostředí a dynamických procesů v krajině. Jedná se zejména o schopnost rychlého a neinvazivního sběru dat s vysokým prostorovým rozlišením, kvalitativně širokou škálou senzorů, získávání dat v reálném čase, budování časových řad přesného monitoringu a pokrytí rozsáhlých a vzdálených oblastí. Tato disertační práce se zaměřuje na vybrané aspekty hydrologických procesů, kde je možné uplatnit potenciál UAV pro získávání kvalitativně nových informací o hydrologických procesech, ale i aspektech prostředí, ovlivňujících dynamiku odtoku a stav říčních ekosystémů v podmínkách změny klimatu a měnícího se prostředí. Jde konkrétně o monitoring sněhové pokrývky ve vazbě na charakteristiky disturbance lesa, dynamiku fluviálně-morfologických změn toků a jejich antropogenních změn nebo o dynamiku hydropedologických charakteristik rašelinišť, kde snímkování pomocí dronů přináší kvalitativně nové informace, zásadní pro pochopení dynamiky procesů a jejich změn v kontextu prostředí a ekosystémů. Konkrétně stanovení výšky sněhu ve vazbě na charakteristiky...

UAV REMOTE SENSING OF HYDROLOGICAL PROCESSES AND FLUVIAL DYNAMICS THEODORA LENDZIOCH Abstract Using drones and machine or deep learning algorithms (ML or DL) for environmental monitoring offers several advantages over traditional methods, including gathering high spatial resolution data quickly and non-invasively, acquiring real-time data, and covering large and remote areas. This dissertation focuses on snow cover, river granulometry, river sustainability, river bathymetry, and peatland dynamics based on approaches of drone-based imagery that are critical for understanding fluvial processes in mid-mountain regions and their implications for streamflow patterns and ecosystem health. Measuring Snow Depth (SD) and vegetation characteristics like Leaf Area Index (LAI) accurately is essential for effectively predicting snow cover and snowpack persistence across study sites (papers I and III). A further aspect of the fluvial process mediator involves the reproducibility of drone data. This allows for seamless coverage of riverbeds and the determination of ideal parameters for sediment surface cover detection. This can be done through photo-sieving or DL technique, which can analyze Particle Size Distributions (PSDs) of an entire river point bar from top-view UAV images (as described in papers II and V)....