548-0024/06 – Digitální zpracování dat v DPZ (DZDPZ)
| Garantující katedra | Katedra geoinformatiky | Kredity | 5 |
| Garant předmětu | prof. Ing. Jiří Horák, Dr. | Garant verze předmětu | prof. Ing. Jiří Horák, Dr. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinný |
| Ročník | 1 | Semestr | zimní |
| | Jazyk výuky | angličtina |
| Rok zavedení | 2015/2016 | Rok zrušení | 2022/2023 |
| Určeno pro fakulty | HGF | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je seznámit posluchače s metodami zpracování obrazových dat získaných dálkovým průzkumem Země, porozumět způsobu aplikace získaných teoretických poznatků, získat schopnosti prakticky uplatnit metody zpracování obrazu a hodnocení získaných informací, kriticky posuzovat získané výsledky.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Projekt
Anotace
Předmět představuje metody digitálního zpracování obrazových dat z dálkového průzkumu. Předmět má praktickou orientaci, kombinující koncepční základy s ohledem na aplikace. Studentům se nabízí výběr pokročilých technik zpracování pro snímání na dálku. Absolvent kurzu dokáže zvolit vhodnou metodu zpracování, rozumí tomu, jak tuto metodu prakticky použít a je schopen kriticky posoudit výsledky zpracování.
Povinná literatura:
Dobrovolný P.: Dálkový průzkum Země. Digitální zpracování obrazu, Masarykova univerzita, 1998.
Halounová, L.; Pavelka, K.: Dálkový průzkum Země. Vydavatelství ČVUT. Praha, 2005.
Doporučená literatura:
Šmidrkal, J.; Černohorský, A.; Fujan, B.; Charvát, K.; Poláček J.: Zpracování informací dálkového průzkumu Země. ČVUT Praha, 1989.
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Získané znalosti studentů jsou průběžně ověřovány v průběhu jednotlivých hodin. Studenti pracují na samostatných úkolech, které prokazují získané znalosti. Jednotlivé úlohy zpravidla vyžadují porozumění předchozím, jednodušším úlohám. Předmět je ukončena písemnou a ústní zkouškou.
E-learning
https://lms.vsb.cz/?lang=cs
Další požadavky na studenta
Žádné další požadavky na studenta nejsou kladeny.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
1. Digitální obrazová data z dálkového průzkumu. Vlastnosti obrazového rastru, struktura typy číselných dat a jejich konverze. Formáty rastrových dat, import a export rastrových dat, konverze datových formátů.
2. Předzpracování dat z DPZ - korekce vlivu atmosféry, terénního reliéfu a vysoké oblačnosti. Optická tloušťka atmosféry, relativní a absolutní atmosférické korekce obrazových dat. Úplný model přenosu elektromagnetického záření atmosférou. Modelování vlivu terénního reliéfu a vlivu cirů na přenos elektromagnetického záření v atmosféře. Nástroje pro modelování vlivu atmosféry (ATREM, ATMOSC, ATCOR2,3, Sen2cor, …).
3. Spektrální indexy z multispektrálních dat. Indexy poměrové, indexy ortogonální, indexy založené na vzdálenosti od linie půdy. Aplikace spektrálních indexů pro hodnocení stavu vegetace, geologické pro potřeby, pro identifikaci a hodnocení následků požárů, ostatní spektrální indexy. Databáze indexů.
4. Řízená spektrální klasifikace multispektrálního obrazu. Klasifikační schéma. Tréninková etapa - sběr dat in-situ dat a získávání podpůrných dat z alternativních zdrojů. Hodnocení tréninkové etapy, korekce tréninkových ploch. Parametrické a neparametrické klasifikátory. Význam referenčních dat při hodnocení úspěšnosti klasifikace. Postklasifikační úpravy.
5. Vizuální interpretace vs. automatizovaná klasifikace. Neřízená klasifikace. Shlukovací algoritmy RGB clustering, K-means, ISODATA, ISOCLUSTER, Narendra-Goldberg, EM clustering. Transformace spektrálních tříd na třídy informační. Zjednodušení výsledků podle klasifikačního stromu. Využití shluků pro techniku hybridní klasifikace. Hodnocení úspěšnosti automatizované klasifikace.
6. Analýza založená na objektech (OBIA). Metody segmentace, metody vymezení obrazových objektů (algoritmus pro vymezení povodí, algoritmus Baatz-Shäpe).
7. Identifikace změn v krajině, párové porovnání (jednoduché rozdíly, regresní analýza obrazu, dělení obrazu obrazem) a vícenásobné porovnání - analýza časových řad. Vyhodnocení změn v území z radarových dat.
8. Komplementární metody klasifikace. Bayesův teorém při klasifikaci maximální věrohodnosti. Klasifikace na základě časových změn. Metody měkké klasifikace založené na Bayesově teorii věrohodnosti, Dempster-Shaferově teorii, Mahalanobisově vzdálenosti, na fuzzy množinách. Využití teorie neurčitosti při klasifikaci. Využití kontextu a textury při klasifikaci.
9. Zpracování dat obrazové spektrometrie.
10. Využití umělé inteligence, strojového učení, neuronové sítě při zpracování obrazových dat dálkového průzkumu. Technika deep learning při zpracování obrazových dat.
11. Metody zpracování termálních dat z DPZ. Data z termoelektrických, bolometrických a kvantových senzorů. Vizualizace termálních dat, termogram. Interpretace termálního obrazu s vysokým rozlišením a identifikace teplotních anomálií v termálních datech. Termometrie.
12. Zpracování obrazových dat z radarových systémů. Koregistrace dvojice produktů SAR, tvorba interferogramu a odhad koherence, odstranění demarkace z interferogramu, filtrace. Metoda DInSAR. Radarová polarimetrie. Mapování krajinného pokryvu klasifikací dat SAR.
13. Metody dálkového průzkumu pro měření výšky a mapování dna vodních objektů. Radarová altimetrie. Využití sonaru při mapování dna vodních objektů.
14. Integrace dat získaných z dálkového průzkumu Země do GIS.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky