Bakalářská práce

Verifikace a doplnění Open Land Use z dat DPZ

Verifications and Ammendment of Open Land Use by Remotely Sensed Data

Jan Chytrý
Anotace

Tato práce se zabývá rozšířením databáze Open Land Use (OLU). Primárně zpracovává možnost využití dat dálkového průzkumu Země (DPZ) k doplnění podkladů o využití půdy a krajinného pokryvu (LULC). Práce se dále věnuje tématům softwarového inženýrství, konkrétně zdokonalení datového modelu databáze OLU a specifikaci softwarových požadavků OLU jako projektu. S využitím knihovny eo-learn programovacího …více

Abstract

This thesis deals with extending the Open Land Use database (OLU). It primarily elaborates the possibility of using remote sensing data to amend land-use and land-cover (LULC) information in OLU. Furthermore, it addresses the software engineering topics of OLU data model refinement and software requirements specification for OLU as a project. A preliminary pipeline for Sentinel-2 imagery processing …více

Klíčová slova
Open Land Use využití území krajinný pokryv zpracování satelitních dat klasifikace obrazu Sentinel-2 datové modelování analýza softwarových požadavků land use land cover satellite data processing image classification data modelling software requirements engineering
Zadání práce
Hlavním cílem této bakalářské práce (BP) je ověřit možnosti aktualizace databáze Open Land Use prostřednictvím metod dálkového průzkumu Země (DPZ). Pro naplnění hlavního cíle BP postupujte přes níže uvedené dílčí cíle: 1. Identifikace případů použití a definice matice požadavků. 2. Revize a doplnění datového modelu pro Open Land Use v UML. 3. Návrh DPZ algoritmů vhodných pro aktualizaci Open Land Use. 4. Pilotní ověření vybraného DPZ algoritmu pro aktualizaci Open Land Use. 5. Zhodnocení vývoje, diskuze. 6. Závěr. Literatura: KAMBA, V. (2002): Tvorba systémů a komponent podle specifikace UML. Brno, 61 s. + CD NOI, P. T., KAPPAS, M. (2018): Comparison of Random Forest, k-Nearest Neighbor, and Support Vector Machine Classifiers for Land Cover Classification Using Sentinel-2 Imagery. Sensors, 18, č. 1. DOI: 10.3390/s18010018. ZHANG, C. et al. (2018): An object-based convolutional neural network (OCNN) for urban land use classification. Remote Sensing of Environment. 216, s. 57-70. DOI: 10.1016/j.rse.2018.06.034. ZHU, Z., WOODCOCK, C. E. (2014): Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment, 144, s. 152-171. DOI: 10.1016/j.rse.2014.01.011. KUSSUL, N. et al. (2017): Deep Learning Classification of Land Cover and Crop Types Using Remote Sensing Data. IEEE Geoscience and Remote Sensing Letters, 14, č. 5., s. 778-782. DOI: 10.1109/LGRS.2017.2681128.
Administrativní informace
Práce zkontrolována:
31. 5. 2020 13:19, prof. RNDr. Tomáš Řezník, Ph.D., učo 52529
Plný text práce
47,3 MB / soubor PDF
Jazyk práce
angličtina angličtina
Termín obhajoby
24. 6. 2020
Práce byla úspěšně obhájena

Vedoucí

prof. RNDr. Tomáš Řezník, Ph.D., učo 52529
GeogÚ VoZ PřF MU

Oponent

Mgr. Tomáš Pavelka, učo 409021
stud PřF MU

Konzultanti

Mgr. Šimon Leitgeb
GeogÚ VoZ PřF MU
Ing. Václav Šafář, Ph.D.
KGeog PdF MU
Citovat tuto práci
Masarykova univerzita Přírodovědecká fakulta
Studijní program
Geografie a kartografie
Obor

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.