Užití relativní radiometrické normalizace pro účely klasifikace družicových snímků

• Název práce v češtině: Užití relativní radiometrické normalizace pro účely klasifikace družicových snímků
• Název v anglickém jazyce: Use of relative radiometric normalisation for satellite image classification
• Akademický rok vypsání: 2022/2023
• Typ práce: diplomová práce
• Jazyk práce: čeština
• Ústav: Katedra aplikované geoinformatiky a kartografie (31-370)
• Vedoucí / školitel: RNDr. Josef Laštovička, Ph.D.
• Řešitel: skrytý - zadáno a potvrzeno stud. odd.
• Datum přihlášení: 09.01.2023
• Datum zadání: 11.01.2023
• Datum potvrzení stud. oddělením: 13.01.2023
• Konzultanti: Mgr. Jan Svoboda

Seznam odborné literatury

Canty, M.J., 2019. Image Analysis, Classification and Change Detection in Remote Sensing: With Algorithms for Python, Fourth Edition (4th ed.). CRC Press. https://doi.org/10.1201/9780429464348

Canty, M.J., Nielsen, A.A., 2008. Automatic radiometric normalization of multitemporal satellite imagery with the iteratively re-weighted MAD transformation. Remote Sens. Environ. 112, 1025–1036. https://doi.org/https://doi.org/10.1016/j.rse.2007.07.013

Du, Y., Teillet, P.M., Cihlar, J., 2002. Radiometric normalization of multitemporal high-resolution satellite images with quality control for land cover change detection. Remote Sens. Environ. 82, 123–134. https://doi.org/https://doi.org/10.1016/S0034-4257(02)00029-9

Song, C., Woodcock, C.E., Seto, K.C., Lenney, M.P., Macomber, S.A., 2001. Classification and Change Detection Using Landsat TM Data: When and How to Correct Atmospheric Effects? Remote Sens. Environ. 75, 230–244. https://doi.org/https://doi.org/10.1016/S0034-4257(00)00169-3

Zhu, Z., 2017. Change detection using landsat time series: A review of frequencies, preprocessing, algorithms, and applications. ISPRS J. Photogramm. Remote Sens. 130, 370–384. https://doi.org/10.1016/j.isprsjprs.2017.06.013

Předběžná náplň práce

V rámci diplomové práce bude řešena problematika automatizace procesu klasifikace družicových snímků Landsat pomocí vybrané metody relativní radiometrické normalizace (RRN). Pro trénovací data bude provedeno detailní in-situ měření, které bude následně validováno na základě leteckých snímků pro dvě pozorovaná období (současnost a minulost). Užitím těchto dat bude pomocí vhodně vybraného klasifikátoru (např. Random Forest) provedena klasifikace land cover pro obě pozorovaná období stejného území. Následně bude starší snímek normalizován vybranou RRN metodou (na základě porovnání snímku z mladšího období). Na tato normalizovaná data bude opět aplikována klasifikace, kde bude užita vypočítaná spektrální knihovna trénovacích dat získaná z družicového snímku ze současného období (tedy z období, podle něhož byl snímek normalizován). Následně bude porovnána přesnost všech tří klasifikací. Snahou práce bude prokázat, zda je možné využít RRN metody pro klasifikace území, z něhož nemáme validní trénovací data v minulosti. Součástí práce bude i tvorba skriptu umožňující automatizovaný proces klasifikace (ve vhodně vybraném prostředí, např. Google Earth Engine – JavaScript nebo pomocí programovacích jazyků Python či R).

Cíle práce:
1) Testovat možnosti užití vybrané metody RRN pro účely klasifikace družicového snímku z období, ze kterého nejsou k dispozici trénovací data
2) Porovnat přesnosti klasifikací ze stejného období pro data bez normalizace a pro data s normalizací (kde budou užita trénovací data vypočítaná ze snímku, podle něhož proběhla normalizace)
3) Tvorba skriptu pro automatizaci klasifikace družicových snímků Landsat pomocí RRN