Historické letecké snímky sú dobre známe ako spoľahlivý zdroj informácií o historickej krajinnej pokrývke a využívaní pôdy. Získavanie týchto informácií však môže byť náročné vzhľadom na obmedzené spektrálne charakteristiky čiernobielych snímok. Ako sa s touto úlohou popasovali naši kolegovia na rieke Belá sa dočítate nižšie.
V tejto štúdii autori hodnotia prístup založený na textúre s použitím modelov strojového učenia na zisťovanie priestorového vzoru divočiaceho riečneho systému z historických leteckých snímok s dôrazom na brehovú vegetáciu. Historické snímky zachytávajú vývoj riek za posledných 75 rokov a často sú jediným zdrojom informácií o vývoji krajiny v minulosti. Autori v štúdii ukázali, že aj napriek obmedzeným spektrálnym možnostiam týchto snímok je možné pomocou textúrnych metód a ensemble modelov strojového učenia spoľahlivo identifikovať priestorový vzor divočiaceho – viacramenného riečneho systému s dôrazom na ripariálnu (brehovú) vegetáciu. Na vysokokvalitne spracovaných a normalizovaných ortofotomozaikách rieky Belá (päť časových horizontov 1949, 1961, 1973, 1986, 1992) sme extrahovali textúrne príznaky GLCM a morfologické operácie (gradient, erózia, dilatácia a ďalšie) a testovali tri bežné ensemble klasifikátory: Random Forest, LightGBM a XGBoost. Najstabilnejšie výsledky priniesol model Random Forest, ktorý na testovacích dátach dosiahol celkovú presnosť 90 % a F1-skóre 89 %, pričom najlepšie sa klasifikovala trieda „les“; LightGBM a XGBoost dosiahli podobné metriky, XGBoost však vynikal rýchlosťou výpočtu. Kľúčové sa ukázali práve morfologické príznaky (najmä gradient, eroded, dilated), ktoré v dôležitosti predbehli klasické GLCM metriky (napr. kontrast, entropia).
Článok Ensemble machine learning models for monitoring riparian vegetation dynamics using historical aerial orthophotos bol publikovaný v časopise Remote Sensing Applications: Society and Environment (Elsevier) – IF 2024: 4.5
Článok je súčasťou výskumu v rámci projektu:
- Hodnotenie transformácie vodných tokov vplyvom človeka a zmeny klímy prostredníctvom presných 3D geodát, [VEGA 02/0016/24]
- 3D technológie a metódy strojového učenia pre environmentálny monitoring a hodnotenie kvalitatívneho stavu riek, [APVV-23-0265]
- Doktogrant No. APP0461
Text: Miloš Rusnák, Hamid Afzali | Upravil: Tomáš Goga
