Automatizace klasifikace změn LULUCF pomocí land cover databází
Automation of LULUCF change classification using land cover databases
diplomová práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/203840Identifikátory
SIS: 256018
Kolekce
- Kvalifikační práce [21515]
Autor
Vedoucí práce
Konzultant práce
Svoboda, Jan
Oponent práce
Štych, Přemysl
Fakulta / součást
Přírodovědecká fakulta
Obor
Geoinformatika, kartografie a dálkový průzkum Země
Katedra / ústav / klinika
Katedra aplikované geoinformatiky a kartografie
Datum obhajoby
11. 9. 2025
Nakladatel
Univerzita Karlova, Přírodovědecká fakultaJazyk
Čeština
Známka
Dobře
Tato diplomová práce se zabývá automatizací klasifikace změn v rámci systému LULUCF (Land Use, Land-Use Change and Forestry) pomocí volně dostupných databází land cover. Cílem bylo vytvořit metodiku pro tvorbu univerzálních trénovacích dat pseudo-invariantních LULUCF povrchů, která by mohla být využita pro klasifikaci změn ve vybraném území České republiky v časové řadě satelitních snímků. Práce využívá přístupů strojového učení, konkrétně algoritmu Random Forest, implementovaného v prostředí Google Earth Engine. Důraz je kladen na možnosti využití různých databází a jejich vzájemné agregace k automatizované tvorbě trénovacích dat. Výstupem je databáze klasifikací, analýza změn LULUCF a webová mapová aplikace. Výsledky potvrzují, že použití invariantních dat může vést k přesné klasifikaci i v obdobích, pro která nejsou dostupná specifická trénovací data. Klíčová slova: LULUCF, klasifikace, dálkový průzkum Země, Random Forest, Google Earth Engine, databáze land cover, změny krajiny
This thesis focuses on the automation of change classification within the LULUCF (Land Use, Land-Use Change and Forestry) system using publicly available land cover databases. The goal was to develop a methodology for creating a universal training dataset of pseudo-invariant LULUCF surfaces applicable to change detection in selected areas of the Czech Republic over a time series of satellite imagery. The work applies machine learning methods, specifically the Random Forest algorithm, implemented in the Google Earth Engine environment. Emphasis is placed on integrating various land cover datasets to automate the generation of training data. The outputs include a classification database, LULUCF change analysis, and a web map application. The results demonstrate that using invariant data enables accurate classification even for time periods lacking specific training samples. Keywords: LULUCF, classification, remote sensing, Random Forest, Google Earth Engine, land cover databases, landscape change
