Klasifikace vybraných tříd land cover kombinovanými radarovými a optickými daty DPZ

• Název práce v češtině: Klasifikace vybraných tříd land cover kombinovanými radarovými a optickými daty DPZ
• Název v anglickém jazyce: Classification of land cover using fussed radar and optical remote sensing data
• Klíčová slova: radar se syntetickou aperturou (SAR), multispektrální skener, spojování dat (data fussion), atmosférická korekce, řízená klasifikace, validace dat
• Klíčová slova anglicky: Synthetic apperture radar (SAR), multispectral scanner, data fussion, atmpospheric correction, supervised classification, data validation
• Akademický rok vypsání: 2024/2025
• Typ práce: diplomová práce
• Jazyk práce: čeština
• Ústav: Katedra aplikované geoinformatiky a kartografie (31-370)
• Vedoucí / školitel: doc. Ing. Jan Kolář, CSc.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 20.03.2025
• Datum zadání: 20.03.2025
• Datum potvrzení stud. oddělením: 29.04.2025
• Forma studia: prezenční

Zásady pro vypracování

Applied Geoinformatics
Machine Learning in Geosciences
Processing of imaging radar data
Zpracování obrazových dat DPZ I
Zpracování obrazových dat DPZ II

Seznam odborné literatury

Clerici, N., Valbuena Calderón, C. A., & Posada, J. M. (2017). Fusion of Sentinel-1A and Sentinel-2A data for land cover mapping: a case study in the lower Magdalena region, Colombia. Journal of Maps, 13(2), 718–726.
Gargiulo, M.; Dell’Aglio, D.A.G.; Iodice, A.; Riccio, D.; Ruello, G. Integration of Sentinel-1 and Sentinel-2 Data for Land Cover Mapping Using W-Net. Sensors 2020, 20, 2969. https://doi.org/10.3390/s20102969
Hu, B.; Xu, Y.; Huang, X.; Cheng, Q.; Ding, Q.; Bai, L.; Li, Y. Improving Urban Land Cover Classification with Combined Use of Sentinel-2 and Sentinel-1 Imagery. ISPRS Int. J. Geo-Inf. 2021, 10, 533. https://doi.org/10.3390/ijgi10080533
Shivam Pande: Land Use/Land Cover Classification of Fused Sentinel-1 and Sentinel-2 Imageries Using Ensembles of Random Forests (2023), arXiv:2312.10798 [cs.CV], https://doi.org/10.48550/arXiv.2312.10798
Dino Ienco et al.: Combining Sentinel-1 and Sentinel-2 Time Series via RNN for Object-Based Land Cover Classification (2018), arXiv:1812.05530 [cs.CV], https://doi.org/10.48550/arXiv.2312.10798
Mariusz Kaim et al.: Integration of Multitemporal Sentinel-1 and Sentinel-2 Imagery for Land Cover Classification with Limited Reference Data, The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, Volume XLIII-B1-2020, 2020, XXIV ISPRS Congress (2020 edition)
Dagne, S.S., Hirpha, H.H., Tekoye, A.T. et al. Fusion of sentinel-1 SAR and sentinel-2 MSI data for accurate Urban land use-land cover classification in Gondar City, Ethiopia. Environ Syst Res 12, 40 (2023). https://doi.org/10.1186/s40068-023-00324-5

Předběžná náplň práce

Data z radaru a optických dat dálkového průzkumu přinášejí navzájem se domplňující informace. Proto úlohy klasifikace krajinného pokryvu mohou využívat výhod spojení obou typů dat, což obecně vede ke zvýšení přesnosti získanýchinformací. Data SAR v kombinaci s optickými daty VNIR mají potenciál zlepšit klasifikaci vegetace. SAR pomohla snížit omezení častého pokrytí oblačností a zlepšila oddělitelnost stálezelených keřů a plodin od lesů. Výhodou integrace družicových a optických radarových dat pro klasifikaci je, že využitím různých fyzikálních principů poskytují jak vícepásmové spektrální informace, tak vlastnosti strukturního krajinného pokryvu, které lze synergicky kombinovat. Hlavním cílem tohoto zkoumání je odvodit metodologický rámec pro integraci snímků Sentinel-1 a Sentinel-2 pro přesné mapování krajinného pokryvu pomocí objektových a spektrálních klasifikačních technik.

Předběžná náplň práce v anglickém jazyce

Radar and optical remote sensing data deliver complementary information, hence land cover classification tasks can take advantage of the fusion of both data types leading generally to increase mapping accuracy SAR-based texture information combined with VNIR optical data led to an improved classification of vegetation. SAR helped in reducing the limitations of frequent cloud coverage and improved separability of evergreen shrubs and crops from forests. The main advantage of the integration of satellite and optical radar data for classification lies in the fact that by exploiting different physical principles they provide both multi-band spectral information and structural land cover properties to be synergistically combined. Main objective of this investigation is to derive a methodological framework to integrate Sentinel-1 and Sentinel-2 imagery for accurate land cover mapping by using object-based and spectral classification techniques.