I P^AOhßlnh^ GLOBAL CHANGE lO^eUMVaiUUe RESEARCH INSTITUTE CAS Kdo jsem • Absolvent bc. i mgr. oboru kartografie • Aktuálně ve třetím ročníku Ph.D., zaměření DPZ • Zaměstnaný na CzechGlobe (Ústav výzkumu globální změny AVČR) - spolupráce v rámci doktorského studia • Vedoucí doc. Pokorná (bc. a mgr. u doktorky Tajovské) • Původní zaměření na znečištění vody, teď rekonstruování lesa CzechGlobe Ústav výzkumu globální změny Akademie věd České republiky - CzechGlobe je veřejná výzkumná instituce, evropské centrum excelence, zabývající se příčinami a dopady globální změny, tedy závažného aktuálního problému lidstva, jejímž jedním z hlavních aspektů je klimatická změna. i Globe prostorově distribuovaná výzkumná infrastruktura Automatic Dendrometer network Quercus ssp. 0=15 Fagus 0 = 18 Pinus /)=16 ^— Picea 11 = 34 0 200 400 600 800 1000 1200 14Ó0JJ nadmořská výška (m n. m.) nadmořská výška 1400 m n. m. 150 m n. m. FireRisk - network of monitoring stations Air temp. Air hum. Wind €ä> Letecký dálkový průzkum na CzechGlobe 8 Flying laboratory of imaging syst^rlls VNIR VNIR-SWIR imaging spectroscopy Zpracování hyperspektrálních dat - standardní výstupy False color composite R 9 041 nm G 9 588 nm B 10 354 nm Pixel size 0.7 m 0.8 1.2 1.6 2.0 Wavelength (|jm) 9.0 9.5 10.0 10.5 Wavelength (pm) 11.0 VNiaSWIR-odrazivost LWIR - povrchová teplota - emisivita Letecké kampaně Letecká laboratoř CzechGlobe uskutečnila v roce 2024 více jak 60 letů, zejména pro účely projektů SustES a CzeCOS. K nejzajímavějším patřily kampaně prováděné ve spolupráci s CNR, za účelem kalibrace Italského hyperspektrálního satelitu PRISMA. Ve spolupráci s německým FZJ byla uskutečněna již tradiční kampaň se senzorem HyPlant, který je leteckým demonstrátorem budoucí družicové mise FLEX. Zpestřením v průběhu kampaně bylo snímání ledovců ve švýcarských Alpách. 1700 km A J N Laboratory — Image Data Acquisition Core instruments: • Laboratory Kit provided by headwall Photonics • Imaging instruments iiiiii ' Sensor Nano Micro Range VNIR NIR Spectral range [nm] 400-1000 900- 1700 Number of spatial pixels 640 320 Max. spectral resolution [nm] 6.0 10.0 DIFFERENT SENSORS, DATA, PRE-PROCESSING METHODS APLICATIONS 3D modelling of forest Terrestrial laser scanning for 3D tree species models Radiative transfer modelling (DART) #fáf| 740 nm 0.5 14 m 0.4 0.3 0.2 0.1 0.0 [W Dense with wood 2 Dense without wood Sparse with wood co o ■ Sparse without wood m d O -í d o d *° ^ IT) o 0.19 Ifl O O 1 B F nadir canopy SIF hemis. escape SIF nadir escape SIF nadir m-2.pm-1.sr-1.e+01] [rel.] [rel.] [nm-1 efficiency e-04] sun-induced fluorescence Without wood: fAPARgreen = 0.76 With wood: fAPARgreen = 0.58 JtW.m^.um-1. 0 0.3 0.6 0.9 1.2 1.5 Forest aboveground biomass Tree level AGB from airborne laser scanning and hyperspectral data using tree allometry. Forest stand level ■5 ► "TV AGB It/ha] 3 km if AGB modelling using airborne LiDAR and area-based approach. Spatial resolution is 5-10 m. MINISTRY OF AGRICULTURE OF THE CZECH REPUBLIC Region level AGB modelling using satellite (optical & radar) data and machine-learning approaches. Spatial resolution is 20 m. Plant traits Urban Applications Airborne acquisitions by FLIS ► Essential input data Advanced thematic layers and spatial analysis Pocitová teplota odhad z leteckých dat vs. in-situ měření 18 Thermal regime of urban systems http://tekob.czechglobe.cz/ Bark beetle infestation mapping from S-2 Seasonal trajectory of wetness vegetation Infestation stages in autumn derived from Sentinel-2 15.40 e 15.42°e 15.44°e 15.463£ Day of year i5.4o°e is.42°e is.44°e is.46°e Seasonal course of forest 1 so J-J £ 40 B □ § 0 u a 6 I 4 3 ■■ = 1° u 2 60 - c 40 o U is 20 biochemical traits Floodplain mixed forest (Lanzhot) Estimated chlorophyll content k J r h i \s>- =a£ ®— i Jan 19 Mar 19 May 19 Jul 19 Sep 19 Nov 19 Ian 20 Mar 20 May 20 Jul 20 Sep 20 Nov 20 Jan 21 Estimated carotenoid content .fr»'*1 1 I \_ / k * Janl9 Marl9 Mayl9 Jull9 Sepl9 Ncvl9 Jan20 Mar20 May20 Jul20 Sep20 Nov20 Jan21 Estimated water content J 1 . J J 1 ® I >- $ _L_ F1 / 1 \ \ \ i f r -®« 1 \ Jan 19 Mar 19 May 19 Jul 19 Sep 19 Nov 19 Jan 20 Mar 20 May 20 Jul 20 Sep 20 Nov 20 Jan 21 ® Sentinel (S30) ♦ Landsat (L30) Field campaign Mapping crop properties from Sentinel-2 Leaf chlorophyll content Leaf water content Leaf area index 22 Soil organic content from satellite time series Rekonstrukce lesa pomocí metod DPZ 1. Rekonstrukce jehlic 2. Rekonstrukce stromu 3. Simulace syntetických dat Rekonstrukce jehlic • Snaha vytvořit 3D model • Přiřazení optické vlastnosti o o o > co m o > n Rekonstrukce stromu • Další krok po tvorbě modelů jehlic/ listí • Užití TLS dat • Separace bodů dřeva a listí • Tvorba QSM modelů kmene Global Change Research Institute CAS Workflow Individual tree isolation algorithm Wood-Foliage separation QSM reconstruction TLS point cloud TLS raw scans Separated tree PC Wood PC r Foliage PC ) QSM model (triangulated) T Tree crown model Foliage mask XY convex hull Leave model Spatial distribution of leaves LAI value of plot area LAI of individual tree VoxLAD algorithm BBox of plot Retrive LAI for individual tree ^CzechGlobe r Tree 3D representation www.czechglobe.cz Global Change Research Institute CAS TLS bodové mračno Global Change Research Institute CAS Segmentace individuálních stromů Pro rozdělení stromů používám metodu shlukování bodů založenou na metodě grafů a vzdálenosti mezi body Nalezení kořenového shluku a propojení ostatních shluků na základě nejkratší cesty L XYZ 7 (cut-pursuit clustering) / small clusters (connectivity calculation) / XY / cluster nearest distance / / large segments / cut-pursuit clustering J Global Change Research Institute CAS Rozdeleni dreva a listi • Trenoväni PointNet++ DL pro rozdelenf b zem/dfevo/listi . 56 rucne olabelovanych stromü SPEC Number Train Val Test Beech 20 10 5 5 Oak 4 2 1 1 Spruce 20 10 5 5 Pine 8 4 2 2 Eucalyptus 4 2 1 1 Sum 56 28 14 14 % 100 50 25 25 Overall Accuracy: 0.9462 Macro Avg Precision: 0.9226 Macro Avg Recall: 0.9429 Macro Avg F1 -Score: 0.9320 Macro Avg loll: 0.8801 Weighted Avg loll: 0.9037 Normalized Confusion Matrix (Batch) ground (0) rtOOCi (1) Predicted Label Global Change Research Institute CAS Rekonstrukce kmene a větví • Pro jehličnany používáme vlastní algoritmus na tvorbu QSM (Quantitative Structure Mode) a prázdné strany pak vyplňujeme metodou triangulace. • Pro listnáče v současné době používáme software AdQSM, který vytvoří QSM a následně celý model trianguluje. Global Change Research Institute CAS Olistění stromů • Výpočet/odhad LAI (Leaf Area Index) pro určení množství listí • Určení plochy koruny • Plocha listu/jehlic • Úhel listí dle druhu/měření Global Change Research Institute CAS Odhad LAI z TLS . LAD per voxel -> LAI ve 2D; grid 20 cm Tree_10,5.994500262915919 Tree_12,7.616194501612145 Tree_13,5.110890768354769 Tree_16,3.848462080696577 Tree_17,7.003354158949421 Tree_19,6.817706493816321 Tree_6,4.112898409743725 Tree_8,4.085412631693949 7 Global Change Research Institute CAS Modely listí • Používáme většinou zjednodušené modely (výpočetní náročnost) • Jehlice budeme ještě validovat dle laboratorního měření Global Change Research Institute CAS 3D Reprezentace stromů XZY Dva objekty (L, W) Simulace syntetických dat • Tvorba 3,5 mil kombinací hyperspektrálních dat listnatého lesa • Trénování ML nad těmito daty, díky tomu, že poskytuje rozmanitou a komplexní datovou sadu přizpůsobitelnou různým lokalitám, časovým rámcům a hyperspektrálním/multispektrálním senzorům. • Jsme součástí CHIME projektu a data budou použita při vývoji Level-2B procesoru a jeho validaci Continues vegetation variables for leaves optical properties distribution mean std combination s notes Chlorophyl content Cab normal 34.003 16.04424 Carotenoid content Car normal 5.427387 1.433608 Leaf water content Cw normal 0.009018 0.00427 2000 Dry matter content Cm normal 0.0048 0.00134 Structural number N normal 1.39 0.1757 start range end range step combination s notes canopy cover CC 60 90 15 3 leaf area index LAI 3 10 1 8 Not for all CC sun zenith angle sza 25 65 5 9 sun azimuth angle saa 0 360 30 12 Ukázka dat Maskování jen osluněných pixelů Wavelength [nm] Využití syntetických dat k učení ML CASI, Štítná Syntetická data "tWT-roooíOLnnworoNíD-íni-ocoNio-šKVi-o) eoi--!KDO)(\iLnco-T-'*(oo)(MLDcoi-^!ooi(\iLnooi-n co(oinnNi-oico!ownwoo)N!D-íni-o(!ONU) oiwwcoi-'*(DO)NLncoi-'íií)0)(\imcoT-'šKi)0)w WV[nm] WV [nm] 60 50 fN u 40 -a 30 QJ "S 20 10 0 Statistical Actual (ug/cm2) 1 1 1 1 1 1 1 m u - • -• _ • - N < - ✓ ✓ _ • Cab, nRMSE = 11.1 • T-1 Car, nRMSE 1-1- = 12.92 10 20 30 40 50 Actual (|ig/cm2) 9 8 7 _ fN 6 E 1-53 TD A J 0J 2 1 0 60 60 50 E Ü 40 en cn 3. 73 3 0 ~S 20 10 - ALSS Actual (ug/cm2) it • t ✓ ✓ • - • J ti % m t • • • w ✓ ✓ * s /* • • Cab, nRMSE=13.41 • Car, nRMSE=17.4 9 8 7 fN si T3 " 4-1 u 3 oi a. 2 1 0 10 20 30 40 50 Actual (ug/cm2) 60 60 50 § 40 T3 30 "S 20 10 0 LUT Actual (ug/cm2) 7 8 10 20 30 40 50 Actual (ug/cm2) € ✓ m _ « ✓ ✓ ✓ • ! * • Cab, nRMSE=16.17 • Car, nRMSE=21.77 9 8 7 fN 1-6 B si TS 4 y 3 oj Q. 2 1 0 60 Simulace lidaru a výpočet biomasy Stáže • Finsko, Helsinki - Aalto University - Květen 2024 • Remote Sensing Research Team (Miina Rautiainen) • Německo, Bonn - Uni. Of Bonn - Listopad 2024 • Remote Sensing Research Group (Zbyněk Malenovský) • Estonsko, Tartu - Uni. Of Tartu — Mobility projekt (2 týdny ročně) • Francie, Toulouse - J.RSabatier Uni, Leden 2025 • DART development team Nabídka práce/brigády • Na oddělení leteckých činností hledáme technika na zpracování leteckých dat • Možnost půl úvazku při škole, ale i plný úvazek po absolvování • Rozvoj směrem, kterým budete chtít (víc DPZ, programování, databáze, GIS)