Použité metody
Vegetační indexy
Tato práce je založena na vegetačních indexech, které slouží jak pro odlišení vegetace od ostatních povrchů,
tak i pro odlišení jednotlivých druhů vegetace. Vegetační indexy jsou založené na kombinacích spektrálních pásem, díky kterým je možné zjistit například obsah chlorofylu
či vody v listech vegetace. Pro tuto práci byly vybrány čtyři vegetační indexy a to NDVI, CVI, SAVI a GLI, které jsou využitelné pro práci se zemědělskými plodinami.
Metoda korelace
Korelace vyjadřuje sílu vztahu mezi několika proměnnými a obecně dosahuje hodnot <-1,1>. Čím více se blíží k 1 (-1), tím je korelace silnější, naopak hodnoty blížící se nule
nevykazují téměř žádnou závislost. Záporné hodnoty znamenají, že zkoumané jevy mají nepřímou závislost. Hodnoty korelace se dají rozdělit podle několika způsobů a jedním z nich
je interpretace podle de Vaus (2002):
- korelace 0,01 – 0,09 → žádná závislost
- korelace 0,10 – 0,29 → nízká až střední závislost
- korelace 0,30 – 0,49 → střední závislost
- korelace 0,50 – 0,69 → podstatná závislost
- korelace 0,70 – 0,89 → velmi silná závislost
- korelace 0,90 – 0,99 → skoro perfektní závislost
Shlukování
Jedna z metod, která byla použita pro zjištění typu zemědělských plodin, je shlukování. Tato analýza byla provedena nástrojem SimUrb 9.0, který vznikl jako výstup disertační
práce Mgr. Jitky Doležalové z Katedry geoinformatiky na Univerzitě Palackého v Olomouci, se kterou byla tato metoda konzultována. SimUrb slouží pro analýzu časoprostorových
dat a dokáže vyhledat skupiny vzájemně si podobných sekvencí. Pro zjištění podobnosti či odlišnosti mezi jednotlivými sekvencemi indexů posloužil algoritmus, ve kterém mají
vstupní data charakter uspořádané n-tice koeficientů. Tento algoritmus vypočítává euklidovskou vzdálenost napříč všemi dvojicemi daných souborů sekvencí. Výsledné vzdálenosti
jsou modifikovány tak, že nabývají hodnot v intervalu <0,1>, kdy hodnoty 1 jsou pro totožné sekvence a hodnoty 0 pro maximálně odlišné sekvence. Nástroj umožňuje zvolit minimální
velikost skupiny, v případě této práce tedy minimální počet polí, která mají být seskupena. Nejmenší možná skupina musí obsahovat alespoň dva prvky. Dále je možné nastavit parametr p,
který nabývá hodnot <0,1> a určuje míru požadované podobnosti mezi poli. Poslední možností je využití algoritmu Bron-Kersbosch, který je schopen vyhledat všechny skupiny vzájemně si
podobných sekvencí. Bez použití algoritmu Bron-Kersbosch nástroj vyhledá skupinu s největším počtem prvků a poté hledá další největší skupiny tak, aby všechny výsledné skupiny byly vzájemně disjunktní.
