Určenie druhovej skladby lesa

Abstract

Forest species determination from satellite data Abstract This thesis examines the species composition of forests from satellite images using the pixel classification. The research was done on 24 forest locations in The Ustecký Region, The Karlovarský Region, The Plzeňský Region and The Central Bohemian Region in the Czech Republic. In this thesis, data from the Landsat-8 and Sentinel-2 satellites from summer season and the Random Forest Classifier method were used. The layer of species composition of forests from map portal LhpoMap was used as reference data. The method of work consisted of a broad literature search to select the most favourable classifier and to choose the most advantageous input parameter values to achieve the highest overall accuracy of the classification. The practical part was focused on creating a software classification process. The accuracy of the individual image values was verified using matrix errors. Based on the literature search, the Random Forest classifier was used to classify the images. Parameter values were used for the Gini criterion, 500 decision trees, and the other parameters were left with default values. The entire classification process was performed in ArcMap and ArcGIS Pro software using Python programming language with the help of the sklearn.ensemble module...

Určení druhové skladby lesa z družicových dat Abstrakt V tejto práci bolo skúmané druhové zloženie lesov z družicových snímok pomocou pixelovej klasifikácie. Výskum bol robený v 24 lokalitách lesných porastov v Usteckom, Karlovarskom, Plzeňskom a Stredočeskom kraji v Českej republike. V práci boli použité dáta z družíc Landsat-8 a zo Sentinel-2 z letného ročného obdobia a ako klasifikátor bol použitý Random Forest. Ako referenčné dáta boli použité údaje o druhovom zložení lesných porastov z mapového portálu LhpoMap. Metóda práce spočívala v tom, že sa pomocou rozsiahlej literárnej rešerši vybral najvhodnejší klasifikátor a zvolili sa najvhodnejšie hodnoty vstupných parametrov pre dosiahnutie, čo najvyššej celkovej presnosti klasifikácie. Praktická časť bola zameraná na tvorbu klasifikačného procesu zo softvérového hľadiska. Správnosť klasifikácií jednotlivých snímok bola overená pomocou chybových matíc. Na základe literárnej rešerši bol pre klasifikáciu snímok použitý klasifikátor Random Forest. Hodnoty parametrov boli použité Giniho kritérium, 500 rozhodovacích stromov a ostatným parametrom boli ponechané defaultné hodnoty. Celý klasifikačný proces bol robený v softvéroch ArcMap a ArcGIS Pro s využitím jazyka Python pomocou modulu sklearn.ensemble a jeho knižníc. Výsledky klasifikácie snímok dosahovali...