Vymezení teoretického a datového rámce
Rešerše přístupů k odhadu AGB, družicových dat a prostorových prediktorů a posouzení jejich využitelnosti v podmínkách ČR.
Stanovení nadzemní biomasy a zásob uhlíku v lesích České republiky pomocí družicových dat Sentinel-1, Sentinel-2 a metod strojového učení.
Nadzemní biomasa představuje důležitý indikátor stavu lesních ekosystémů a zásob uhlíku. Terénní měření poskytují přesná, avšak prostorově omezená data. Výzkum proto ověřuje možnosti jejich propojení s volně dostupnými družicovými snímky pro plošné modelování v národním měřítku.
Postup je založen na datech dálkového průzkumu Země, pozemních referenčních měřeních a metodách strojového učení. Výsledkem jsou celostátní rastrové vrstvy AGB a odvozeného uhlíku za rok 2023.
Lze nadzemní biomasu spolehlivě modelovat pomocí volně dostupných dat? A zlepší přidání dalších prediktorových vrstev přesnost odhadu?
Rešerše přístupů k odhadu AGB, družicových dat a prostorových prediktorů a posouzení jejich využitelnosti v podmínkách ČR.
Příprava sezónních mozaik Sentinel-1, Sentinel-2, vegetačních indexů a harmonizace vstupních vrstev na společnou rastrovou mřížku.
Porovnání algoritmů RF, XGBoost a LightGBM, významu prediktorů a přesnosti odhadu na nezávislých prostorových blocích.
Vytvoření národních vrstev pro rok 2023, kvantifikace zásob a porovnání s globálními produkty a Národní inventarizací lesů.
Metodika kombinuje multispektrální a radarové snímky, pozemní referenční plochy a prostorové prediktory. Trénování a ladění modelů probíhalo odděleně od nezávislého prostorového hodnocení.
Uhlík v nadzemní biomase nebyl modelován samostatně. Byl odvozen z predikované AGB použitím konstantního přepočetního faktoru 0,50.
Finálním produktem je celostátní vrstva nadzemní biomasy lesních porostů pro rok 2023 a z ní odvozená vrstva uhlíku. Pro mapování byl zvolen Random Forest s kombinací prediktorů Sentinel-1 a Sentinel-2.
Kombinace Sentinel-1 a Sentinel-2 poskytla stabilní výsledky napříč testovanými algoritmy. Zahrnutí dalších prediktorů nezlepšovalo přesnost automaticky. Vliv měly také jejich časová konzistence a prostorová stabilita.
Random Forest byl vybrán jako kompromis mezi přesností, nižší typickou absolutní chybou, interpretovatelností a fyzikálně věrohodným prostorovým výstupem. V krajních hodnotách AGB se projevuje tendence nadhodnocovat nízkou a podhodnocovat vysokou biomasu.
Vnější 5-fold prostorová CV: R² = 0,69 ± 0,12; RMSE = 79,28 ± 16,14 Mg·ha⁻¹; MAE = 48,03 ± 10,20 Mg·ha⁻¹. Pooled OOF: R² = 0,70, RMSE = 80,47 a MAE = 48,01 Mg·ha⁻¹.


Průměrná AGB modelu RF (213,63 Mg·ha⁻¹) je blízká NIL (219,4 ± 2,5 Mg·ha⁻¹). Rozdíly v celkových zásobách nelze interpretovat pouze jako predikční chybu — významnou roli hraje rozsah lesní masky a časový nesoulad (RF: 2023; NIL: 2016–2020).
Plný text práce, odborné publikace, výsledné rastrové vrstvy a skripty použité při zpracování družicových dat a modelování AGB.
Plný text disertační práce. Pavel Vyvlečka · Univerzita Palackého v Olomouci, 2026.
Vyvlečka & Pechanec. European Journal of Remote Sensing. Výsledky národního modelování AGB z dat Sentinel-1 a 2.
Vyvlečka & Pechanec. Sensors. Přehled využití DPZ při analýze ekosystémových funkcí.
Rastrový výstup AGB pro rok 2023 · TIFF · 20 m · Mg·ha⁻¹.
Odvozený rastr zásob uhlíku pro rok 2023 · TIFF · 20 m · Mg C·ha⁻¹.
Modelování RF, XGBoost a LightGBM. Optimalizace hyperparametrů, prostorově vnořená křížová validace a export map.
Sezónní mozaika, vegetační indexy a export zpracovaných dat do Google Drive.
Příprava radarových prediktorů a výšky lesního porostu s exportem do Google Drive.