Užití relativní radiometrické normalizace pro účely klasifikace družicových snímků

Abstract

The Landsat programe offers a long-term time series for monitoring landscape changes. However, change detection is often affected by differences between mission sensors and the difficulty of collecting training data, which may be completely missing for certain older time periods. Relative radiometric normalization (RRN) may offer a suitable way to minimizing these obstacles. This thesis explores the potential of using RRN to classify satellite images for which no training data is available. The main objective is to verify whether a normalized image can be classified using the training data from a reference image. In this work, images from the Landsat 5 mission (year 2000, target image) and the Landsat 9 mission (year 2023, reference image) were processed. RRN methods based on the selection of pseudo-invariant features (PIF) were applied in this work. Five PIF selection methods were tested: SID, SAM, EMD, MAD and IR-MAD. Analysis of the normalization quality showed that MAD and IR-MAD methods are suitable candidates for testing the classification of the normalized images. Before classifying the normalized images, the reference and target images were first classified using the training data from 2000 and 2023, respectively. The classification of the normalized images achieved overall accuracies of...

Program Landsat nabízí dlouhou časovou řadu pro sledování změn krajiny. Detekci změn však mohou značně ztížit odlišné senzory jednotlivých misí a náročnost sběru trénovacích dat, která pro některá starší časová období mohou zcela chybět. Relativní radiometrická normalizace (RRN) může nabídnou vhodné východisko, jak tyto překážky minimalizovat. Diplomová práce se zabývá možností využití RRN pro účely klasifikace družicových snímků, pro které nejsou k dispozici trénovací data. Hlavním cílem je ověřit, zda je možné klasifikovat normalizovaný snímek dle trénovacích dat snímku referenčního. V práci byl zpracováván snímek z roku 2000 mise Landsat 5 (cílový snímek) a snímek z roku 2023 mise Landsat 9 (referenční snímek). Pro účel práce byly vybrány RRN založené na výběru pseudo-invariantních prvků (PIF). Bylo testováno pět metod výběru PIF: SID, SAM, EMD, MAD a IR-MAD. Analýza kvality normalizace ukázala, že vhodnými kandidáty pro testování klasifikace normalizovaných snímků jsou metody MAD a IR-MAD. Před klasifikací normalizovaných snímků byl klasifikován referenční a cílový snímek na trénovacích datech z roku 2000, respektive 2023. Klasifikace obou snímků dosahují po validaci i testování celkových přesností kolem 90 %. Klasifikace normalizovaných snímků dosahovaly přesností 86 % (MAD) a 84 % (IR-MAD)....