Classification of Tundra Vegetation in the Krkonose Mts. National Park Using APEX, AISA Dual and Sentinel-2A Data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11310%2F17%3A10361541" target="_blank" >RIV/00216208:11310/17:10361541 - isvavai.cz</a>
Výsledek na webu
<a href="http://dx.doi.org/10.1080/22797254.2017.1274573" target="_blank" >http://dx.doi.org/10.1080/22797254.2017.1274573</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.1080/22797254.2017.1274573" target="_blank" >10.1080/22797254.2017.1274573</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Classification of Tundra Vegetation in the Krkonose Mts. National Park Using APEX, AISA Dual and Sentinel-2A Data
Popis výsledku v původním jazyce
The aim of this study was to evaluate and compare suitability of aerial hyperspectral data (AISA Dual and APEX sensors) and Sentinel-2A data for classification of tundra vegetation cover in the Krkonose Mts. National Park. We compared classification results (accuracy, maps) of pixel-based (Maximum Likelihood, Suport Vector Machine and Neural Net) and object-based approaches. The best classification results (overall accuracy 84.3%, Kappa coefficient = 0.81) were achieved for AISA Dual data using per-pixel SVM classifier for 40 PCA bands. The best classification results of APEX though were only 1.7 percentage points lower. To get comparable results for Sentinel-2A classification legend had to be simplified. With the simplified legend the accuracy using MLC classifier reached 77.7%.
Název v anglickém jazyce
Classification of Tundra Vegetation in the Krkonose Mts. National Park Using APEX, AISA Dual and Sentinel-2A Data
Popis výsledku anglicky
The aim of this study was to evaluate and compare suitability of aerial hyperspectral data (AISA Dual and APEX sensors) and Sentinel-2A data for classification of tundra vegetation cover in the Krkonose Mts. National Park. We compared classification results (accuracy, maps) of pixel-based (Maximum Likelihood, Suport Vector Machine and Neural Net) and object-based approaches. The best classification results (overall accuracy 84.3%, Kappa coefficient = 0.81) were achieved for AISA Dual data using per-pixel SVM classifier for 40 PCA bands. The best classification results of APEX though were only 1.7 percentage points lower. To get comparable results for Sentinel-2A classification legend had to be simplified. With the simplified legend the accuracy using MLC classifier reached 77.7%.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10508 - Physical geography
Návaznosti výsledku
Projekt
<a href="/cs/project/LO1417" target="_blank" >LO1417: Centrum experimentální biologie rostlin UK</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Europen Journal of Remote Sensing [online]
ISSN
2279-7254
e-ISSN
—
Svazek periodika
50
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
IT - Italská republika
Počet stran výsledku
18
Strana od-do
29-46
Kód UT WoS článku
000405204300003
EID výsledku v databázi Scopus
—