Možnosti využití multispektrálních dat z RPAS

Abstract

Tato práce je zaměřena na možnosti využití multispektrálních dat z RPAS. K tomuto účelu byla nasnímána data pomocí dronu eBee od firmy senseFly (Švýcarsko) a to multispektrální (red, green, red edge, nir) a termální kamerou. Celkem bylo šest sad dat z každého měsíce od března do srpna 2016. V programu Pix4D byla vyrobena ortofota, digitální model povrchu (DMP) a indexové tematické mapy z termálních dat. V programu ENVI byla data georeferencována pro každý jednotlivý měsíc. Dále bylo vypočteno NDVI a provedena neřízená klasifikace Isodata. Výsledkem celé práce byly tematické mapy, NDVI a neřízená klasifikace pro multispektrální sadu a pro multispektrální + termální sadu. V oblasti se nacházelo žitné, kukuřičné pole a pastvina. V indexových tematických mapách z termální sady byla zobrazena radiační teplota, tzn. kolik radiace je vyzařováno povrchem. Tyto mapy ukazují, že s růstem žita klesá radiační teplota. V případě kukuřice je to naopak. NDVI ukazuje, že s růstem plodin roste i hodnota NDVI. Pokud jsou data pořízena za polojasného počasí, data jsou degradována stíny a výsledky NDVI nejsou jednoznačné. Dalším výsledkem práce je neřízená klasifikace s výstupem do 30 tříd. Získané třídy je nutno analyzovat podle ortofot a fotografií pořízených v terénu. Tento proces je časově náročný a proto jsou v této práci jen dvě klasifikace pro porovnání (multispektrální, multispektrální + termální).

This work is focused on the possibilities of multispectral data from the RPAS. The data were taken with drone eBee from senseFly company (Switzerland) - multispectral (red, green, red edge, nir) and thermal photos. The six data-sets were taken as a set of each month from March to do in August 2016. Using software Pix4D orthophoto, DSM and index maps were obtained. In the software ENVI the data were georeferenced for each individual month. The NDVI has been created and unsupervised classification Isodata. The results of this Thesis were index maps, NDVI and unsupervised classification were calculated from multispectral data sets and for multispectral + thermal data sets. The index maps displayed radiation temperature, i.e. how much radiation is emitted by the surface. These maps show that the growth of rye decreases the radiation temperature. In the case of corn surface, it is vice versa. NDVI shows that with the growth of vegetation grows NDVI value. With cloudy weather worse quality of outputs has been occurred the results are not uniform. Another result of the work is unsupervised classification with output to 30 classes. These classes were analysed according to ortho-photos and photos taken in the terrain. This process is time consuming because of that are shown only two classifications for comparison (multispectral, multispectral + thermal) in this work.