Změna land cover v zaledněných horských oblastech

Abstract

6 Abstrakt Cílem diplomové práce je navržení metody detekce plošných změn zalednění, přičemž důraz je kladen na odlišení nepravých změn, jako jsou stíny, změna vlhkosti povrchu nebo suť na ledovci, od změn skutečných (změna třídy krajinného pokryvu). Klíčovou částí je volba vhodných příznaků a modelu strojového učení pro odlišení problematických ploch zalednění (suť, stín) na základě různých vlastností povrchu, a analýza přínosu jednotlivých příznaků pro detekci změn zalednění. Hlavním zdrojem dat jsou multitemporální snímky Landsat zachycující ostrov Disko, který se nachází západně od Grónska. Zkoumáno bylo šest hlavních tříd: zaledněné plochy, zastíněné zaledněné plochy, ledovce pokryté sutí, nezaledněné plochy, zastíněné nezaledněné plochy a vodní plochy. Pro odlišení těchto tříd byly kromě spektrálních příznaků použity spektrální indexy, termální pásmo, texturní a topografické příznaky a rychlost povrchového pohybu ledovce. Pro klasifikaci krajinného pokryvu v jednotlivých letech byly vyzkoušeny tři modely strojového učení: k-Nearest Neighbors, Random Forest a Gradient Boosted Decision Trees. Random Forest se ukázal jako vhodný model, protože se dokázal vypořádat s komplexní strukturou dat, a dokázal odlišit problematické třídy s celkovou přesností > 95 %. Pro detekci změn byly zkoumány techniky detekce...

7 Abstract The aim of this thesis is to propose a method for detecting glacier area changes, with emphasis on distinguishing between false positive changes, such as shadows, surface moisture change, or debris cover on glacier surface, and real changes (transition between land cover classes). The key part is to choose appropriate features and a machine learning model to distinguish problematic glaciation areas (debris, shadow) based on different surface properties and to analyze the contribution of each feature for glaciation change detection. The main data source is Landsat multitemporal imagery capturing Disko Island, located west of Greenland. Six main classes were investigated: glaciated areas, shaded glaciated areas, debris-covered glaciers, unglaciated areas, shaded unglaciated areas and water bodies. In addition to spectral features, spectral indices, thermal band, textural and topographic features, and glacier surface velocity were used to distinguish these classes. Three machine learning models were tested to classify the land cover for each year: k-Nearest Neighbours, Random Forest and Gradient Boosted Decision Trees. Random Forest proved to be a suitable model as it was able to deal with the complex data structure and was able to distinguish problematic classes with >95 % overall accuracy. Image...