Pokročilé metody klasifikace družicových dat pro účely LULUCF

Abstract

Presented thesis explores the potential of remote sensing data for reporting in the LULUCF sector (Land Use, Land Use Change and Forestry) in Czechia. Currently, LULUCF data are derived from the national cadastral records. The aim of this thesis was to develop a classification model capable of determining LULUCF categories based on Sentinel-2 imagery. The model was trained using a custom dataset obtained through detailed field mapping. The processing was carried out on the Google Earth Engine platform, using two classification algorithms: Random Forest (RF) and Gradient Tree Boosting (GTB). The evaluation focused on the influence of spectral bands from Sentinel-2, the method of composite creation, the quality of training data, and algorithm parameter settings. The RF algorithm achieved an overall accuracy of 87.4 %, while the GTB algorithm reached 86.7 %. The best- performing RF model was subsequently applied to the entire territory of Czechia. The thesis provides a critical assessment of the potential and limitations of using remote sensing data for LULUCF reporting, particularly in relation to the differences between land cover and land use concepts. It also includes an overview and mutual comparison of selected freely available global land cover/land use datasets (CLC+, ESA World Cover, Dynamic...

Předkládaná diplomová práce se zabývá možnostmi využití dat dálkového průzkumu Země pro účely reportingu v sektoru LULUCF (Land Use, Land Use Change and Forestry) v Česku. V současnosti jsou data pro LULUCF reporting čerpána z katastru nemovitostí. Cílem práce bylo vytvořit klasifikační model umožňující určovat LULUCF třídy na základě snímků Sentinel- 2. Tvorba klasifikačního modelu probíhala za využití vlastního trénovacího datasetu vzešlého z podrobného terénního mapování. V prostředí Google Earth Engine byly testovány algoritmy Random Forest (RF) a Gradient Tree Boosting (GTB). Hodnocen byl vliv vstupních pásem Sentinel-2, způsobu tvorby kompozitu, čistoty dat pro trénování modelu a nastavení parametrů obou klasifikátorů. Metodou RF se podařilo dosáhnout celkové přesnosti 87,4 %, metodou GTB pak 86,7 %. Nejúspěšnější model RF byl následně aplikován na celé území Česka. Práce kriticky hodnotí potenciál i limity využití dat DPZ pro LULUCF reporting, zejména ve vztahu k rozdílům mezi land cover a land use. Součástí práce bylo také představení a vzájemné porovnání vybraných volně dostupných globálních land cover/land use datasetů (CLC+, ESA World Cover, Dynamic World a ESRI Land Cover). Klíčová slova: LULUCF, GEE, Random Forest, Gradient Tree Boosting, Sentinel-2