Systém detekce změn událostí ze družicových dat pomocí umělé inteligence

Abstract

Družicové pozorování sehrává zásadní roli v mnoha oblastech, jako je urbanizace nebo ekologické monitorování. Rychlé a přesné vyhodnocování satelitních snímků je klíčové pro rozhodování v reálném čase i pro dlouhodobé plánování. Tradiční metody zpracování dat obvykle způsobují zpoždění, vysoké náklady a nízkou efektivitu. Tato omezení představují významnou překážku v situacích, kde je rychlá reakce klíčová. Tato diplomová práce se zabývá návrhem a implementací systému pro automatickou detekci změn na družicových snímcích s využitím metod umělé inteligence a hlubokého učení. V práci je kladen důraz na zlepšení výpočetní efektivity, která je nezbytná pro zpracování velkých objemů dat v omezených výpočetních prostředích, například přímo na družicích. Výstupem práce je trojice modelů, které jsou srovnány pomocí standardních metrik. Výsledky ukázaly, že nejvyšší hodnoty poměru průniku a sjednocení (Intersection over Union, IoU) dosáhl model U-net (0,7794). Kompaktnější architektury založené na MobileNetV2 vykazovaly nižší hodnoty IoU (0,7090, resp. 0,7383), nicméně i nadále si zachovávaly konkurenceschopný výkon při výrazně nižších paměťových nárocích. Výsledky potvrzují, že i lehké modely mohou být vhodné pro úlohu detekce změn, pokud jsou správně optimalizovány.Earth observation plays a crucial role in various fields such as urban development or environmental monitoring. Fast and accurate interpretation of satellite imagery is essential for real-time decision-making as well as for long-term planning. Traditional data processing methods often lead to delays, high costs, and low efficiency. These limitations pose a significant obstacle in situations where rapid response is critical. This thesis focuses on the design and implementation of a system for automatic change detection in satellite imagery using artificial intelligence and deep learning techniques. The emphasis is placed on improving computational efficiency, which is essential for processing large volumes of data in resource-constrained environments, such as directly onboard satellites. The outcome of the work is a set of three models, evaluated using standard performance metrics. The results show that the highest value of Intersection over Union (IoU) was achieved by the U-net model (0.7794). More compact architectures based on MobileNetV2 exhibited lower IoU scores (0.7090 and 0.7383, respectively), but maintained competitive performance with significantly reduced memory requirements. These findings demonstrate that lightweight models can be suitable for change detection tasks when properly optimized.