Porovnání mapování NATURA 2000 s výstupy mapování pomocí dálkového průzkumu Země na příkladu krkonošské tundry

Abstract

Porovnání mapování NATURA 2000 s výstupy mapování pomocí dálkového průzkumu Země na příkladu krkonošské tundry Abstrakt Bakalářská práce je zaměřena na porovnání mapování NATURA 2000 s výsledky klasifikace družicových snímků Landsat 8 a WorldView-2 s různým prostorovým rozlišením na příkladu krkonošské tundry. Snímky byly klasifikovány s využitím řízené klasifikace pomocí klasifikátoru Maximum Likelihood a neřízené klasifikace pomocí algoritmu ISODATA. Cílem práce bylo zjistit, jaké kategorie mapování Natura 2000 lze detekovat z družicových dat. Pro všechny klasifikace byla použita upravená legenda Natura 2000 na dvou úrovních. Nejlepších výsledků bylo pro oba snímky dosaženo neřízenou klasifikací na 1. úrovni legendy - celková přesnost pro snímek Landsat 8 byla 64,1 % a pro snímek World-View-2 67,16 %. Pro klasifikace byl použit software ENVI 5.1. Klíčová slova: dálkový průzkum Země, klasifikace řízená, klasifikace neřízená, legenda, přesnost klasifikace, mapování NATURA

Comparison of NATURA 2000 mapping with Earth observation mapping (Case study of tundra in the Krkonoše Mts.) Abstract The bachelor thesis is focused on comparing Natura 2000 mapping with results of classification of Landsat 8 and WorldView-2 satellite images with different spatial resolution in the case study of tundra in the Krkonoše Mts. Satellite images were classified using Maximum Likelihood supervised classification and ISODATA unsupervised classification. The aim of the thesis was to find out what categories of Natura 2000 mapping are detectable using satellite images. For all classifications two levels of modified legend of the Natura 2000 mapping were used. The best results for both satellite images were achieved by unsupervised classification on level 1 of the legend - overall accuracy for Landsat 8 image was 64,1 % and for Word-View-2 image 67,16 %. Software ENVI 5.1 was used for all classifications. Keywords: Earth observation, supervised classification, unsupervised classification, legend, classification accuracy, NATURA mapping