Analýza post-požárových změn vegetace v Národním parku České Švýcarsko pomocí hyperspektrálních dat EnMAP

Abstract

Bakalářská práce se zaměřuje na využití hyperspektrálních dat družicové mise EnMAP k analýze postpožárových změn vegetačního pokryvu v Národním parku České Švýcarsko po rozsáhlém požáru z července 2022. Teoretická část popisuje základní vlastnosti hyperspektrálních dat a jejich odlišnosti od dat multispektrálních, přináší přehled současných hyperspektrálních družicových misí a věnuje se možnostem využití hyperspektrálních dat pro analýzu vegetace a hodnocení jejího stavu. Součástí je rovněž představení Národního parku České Švýcarsko a průběhu požáru. Praktická část zahrnuje předzpracování snímků EnMAP, tvorbu spektrální knihovny a řízenou klasifikaci vegetačních typů algoritmem Random Forest, jejíž přesnost byla hodnocena pomocí konfúzní matice. Detekce postpožárových změn byla provedena prostřednictvím indexu RdNBR a postklasifikačního srovnání snímků z let 2022 a 2024. Výsledky umožňují kvantifikovat rozsah poškození vegetačního pokryvu a posoudit míru jeho obnovy přibližně dva roky po požáru.

The bachelor's thesis focuses on the use of hyperspectral data from the EnMAP satellite mission for the analysis of post-fire vegetation changes in Bohemian Switzerland National Park following the large wildfire of July 2022. The theoretical part describes the fundamental properties of hyperspectral data and their differences from multispectral data, provides an overview of current hyperspectral satellite missions, and addresses the possibilities of using hyperspectral data for vegetation analysis and assessment of its condition. An introduction to Bohemian Switzerland National Park and the progression of the wildfire are also included. The practical part covers the pre-processing of EnMAP imagery, the construction of a spectral library, and supervised classification of vegetation types using the Random Forest algorithm, with accuracy assessed by means of a confusion matrix. Post-fire vegetation changes were detected using the RdNBR index and a post-classification comparison of images from 2022 and 2024. The results allow the extent of damage to the vegetation cover to be quantified and the degree of its recovery approximately two years after the fire to be assessed.