Jak to v těch datech najít?

0557864 - ÚTIA 2023 RIV CZ cze K - Konferenční příspěvek (tuzemská konf.)
Zitová, Barbara - Šorel, Michal
Jak to v těch datech najít?
[How to find it in the data?]
České uživatelské fórum Copernicus 2021. Praha: Coparnicus, 2022.
[České uživatelské fórum Copernicus 2021. Praha (CZ), 09.11.2021-10.11.2021]
Institucionální podpora: RVO:67985556
Klíčová slova: remote sensing * satellite imaging * machine learning
Obor OECD: Computer hardware and architecture
https://copernicus.gov.cz/wp-content/uploads/2021/11/13_Jak-to-v-tech-datech-najit.pdf

Přednáška si klade za cíl seznámit odbornou veřejnost s aktivitami oddělení Zpracování obrazové informace ÚTIA AV ČR v.v.i. v oblasti analýz dat projektu Copernicus. Oddělení se dlouhodobě zabývá vývojem metod digitálního zpracování obrazu a hlubokého učení. Během posledních dvou let vzniklo několik demonstračních studentských prací ve spolupráci s MFF UK a FJFI ČVUT využívajících data z družic Sentinel, jako například rozpoznávání typů plodin z časových řad snímků ze satelitu Sentinel-2, automatická segmentace oblastí podle způsobu využití či typu povrchu pomocí metod strojového učení, přesnější detekce mraků v datech ze Sentinel-2, ve spolupráci s Ústavem pro hydrodynamiku AV ČR postupy pro odhad vlhkosti povrchové vrstvy krajiny z dat družice Sentinel-2 a zvyšování rozlišení tepelných dat Sentinel-3 pomocí metod hlubokého učení. V druhé části budou přiblíženy možnosti aplikace metod vyvinutých pro jiné oblasti (separace zdrojů
informace) v DPZ.

The lecture aims to introduce the activities of the Image Processing Department of the Institute of Image Information of the CAS in the field of Copernicus data analysis to the professional public. The department has long been involved in the development of digital image processing and deep learning methods. During the last two years, in cooperation with the MFF UK and FJFI CTU, several student demonstration projects using data from Sentinel satellites have been finished, such as crop type recognition from Sentinel-2 time-series images, automatic segmentation of areas by land use or surface type using machine learning methods learning, more accurate cloud detection in Sentinel-2 data, in collaboration with the Institute of Hydrodynamics of the CAS Czech Republic, procedures for estimating landscape surface moisture from Sentinel-2 data and increasing the resolution of Sentinel-3 thermal data using deep learning methods. The second part will present the application of developed methods for other areas in remote sensing.
Trvalý link: http://hdl.handle.net/11104/0332282