Classification of Sentinel-2 Imagery for LULUCF Reports Using Machine Learning

Abstract

Toky skleníkových plynů mezi krajinou a atmosférou jsou v ekonomicky rozvinutých státech každoročně reportovány v takzvaných národních inventarizačních zprávách pro sektor Land Use, Land-Use Change and Forestry (LULUCF) zasílaných sekretariátu Rámcové úmluvy OSN o změně klimatu (UNFCCC). Za Českou republiku (Česko) jsou tyto toky stanoveny z rozloh jednotlivých kategorií odvozených z dat katastru nemovitostí (KN), změn rozloh mezi těmito kategoriemi a z měření prováděných Národní inventarizací lesů pod Ústavem pro hospodářskou úpravu lesů. Vzhledem k informacím dostupným v literatuře (např. Míček et al., 2021, Pazúr et al., 2017, Langer 2022, Růžičková 2025) je zřejmé, že pro tyto konkrétní účely mají plošná data z KN své limity. Tato disertační práce se zabývá možnostmi sběru podkladových dat pro inventury LULUCF pomocí klasifikace družicových dat Sentinel-2 (S2). Základním modelem použitým ke klasifikaci byl v současnosti široce rozšířený a populární Random Forest (RF). Následující výzkum se zabýval testováním metod konvolučních neurálních sítí (CNN) pro účely LULUCF inventur a také samotným rozvojem CNN metod. Bylo prokázáno, že trojrozměrné (3D) CNN modely mohou být efektivní i při zpracování multispektrálních mono-temporálních družicových dat a mohou překonat pro tyto účely obvyklejší...

Greenhouse gas flux between the landscape and the atmosphere is reported annually in economically developed countries in so-called national inventory reports for the Land Use, Land-Use Change and Forestry (LULUCF) sector, which are sent to the Secretariat of the United Nations Framework Convention on Climate Change (UNFCCC). For the Czech Republic (Czechia), these flows are determined from the areas of individual categories derived from land registry (LR) data, changes in areas between these categories, and measurements carried out by the National Forest Inventory under the Institute for Forest Management. Given the information available in the literature (e.g., Míček et al., 2021, Pazúr et al., 2017, Langer 2022, Růžičková 2025), it is clear that area data from the LR has its limitations for these specific purposes. This dissertation deals with the possibilities of collecting baseline data for LULUCF inventories using Sentinel-2 (S2) satellite data classification. The basic model used for classification was the currently widely used and popular Random Forest (RF). The following research focused on testing convolutional neural network (CNN) methods for LULUCF inventories and on the development of CNN methods themselves. It was demonstrated that three-dimensional (3D) CNN models can be effective in...