Deep learning for tree line ecotone mapping from remote sensing data
Využití hlubokého učení pro mapování vegetace na horní hranici lesa z dat dálkového průzkumu
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/120388Identifikátory
SIS: 221148
Kolekce
- Kvalifikační práce [19617]
Autor
Vedoucí práce
Oponent práce
Lefèvre, Sébastien
Fakulta / součást
Přírodovědecká fakulta
Obor
Fyzická geografie a geoinformatika
Katedra / ústav / klinika
Katedra aplikované geoinformatiky a kartografie
Datum obhajoby
2. 9. 2020
Nakladatel
Univerzita Karlova, Přírodovědecká fakultaJazyk
Angličtina
Známka
Výborně
Klíčová slova (česky)
hluboké učení, U-Net, Krkonoše, klasifikace, mapování vegetace, smrk ztepilý, borovice kleč, ortofotoKlíčová slova (anglicky)
deep learning, U-Net, Krkonoše mountains, classification, vegetation mapping, picea abies, pinus mugo, orthoimageHluboké učení se v posledních letech stále více uplatňuje v dálkovém průzkumu, především jako klasifikační algoritmus. První část této práce popisuje hluboké neuronové sítě používané pro klasifikaci v dálkovém průzkumu a možnosti jejich využití. V této části práce jsou diskutovány i implementace hlubokých modelů ve vybraných geografických softwarech. Teoretická zjištění z první části práce jsou ověřena pomocí dvou hlubokých konvolučních sítí typu "Encoder-Decoder" - U-Net a její navrhovaná adaptace KrakonosNet. Tyto sítě jsou využity pro klasifikaci smrků a kosodřeviny v oblasti krkonošské horní hranice lesa. Normalizovaný digitální model povrchu je využit k tvorbě dostatečného množství trénovacích dat a klasifikace samotná je provedena pouze na základě optických dat s velmi vysokým prostorovým rozlišením. Výsledná klasifikace je porovnána s několika tradičními metodami, konkrétně se jedná o klasifikátor maximální pravděpodobnosti, náhodný les a metodu podpůrných vektorů. U-Net i KrakonosNet dosáhly na tomto datasetu výrazně lepších výsledků a budou následně využity pro potřeby souvisejícího výzkumného projektu. Klíčová slova hluboké učení, U-Net, Krkonoše, klasifikace, mapování vegetace, smrk ztepilý, borovice kleč, ortofoto
Deep learning is growing in popularity in the remote sensing community, especially as a classification algorithm. First part of this thesis describes deep neural networks commonly used for remote sensing classification and their various applications. Capabilities of selected geospatial software suites in relation to deep models are also discussed in this part. Theoretical findings from the first part of the thesis are validated using two deep convolutional Encoder-Decoder networks - U-Net and its proposed adaptation called KrakonosNet. They are used to perform a sematic segmentation of spruce trees and dwarf pine shrubs in the tree line ecotone of the Krkonoše Mountains, Czechia. A normalised digital surface model is employed for creation of sufficiently large amount of training data, while the classification itself is performed using only optical imagery with very high spatial resolution. Resulting classification is compared to a set of traditional remote sensing classifiers, namely Maximum Likelihood, Random Forest, and a Support Vector Machine. Both U-Net and KrakonosNet significantly outperform the other classifiers on this dataset and will be consequently used in a related research project. Key words deep learning, U-Net, Krkonoše mountains, classification, vegetation mapping, picea abies,...