aplikace dpz v op - univerzita karlova · tomáš janata, mgr. miroslav válek, rndr. milena...
TRANSCRIPT
Aplikace DPZv ochraně přírodyLucie Kupková, Přemysl Štych a kol.
Katedra aplikované geoinformatiky a kartografie PřF UK v [email protected], [email protected]
Seminář DPZ v ochraně přírody, PřF UK v Praze, 25.9.2012
Obsah
n Spolupráce s KRNAPn Data WorldView-2n Planet Actionn HyMountEcos
n Další case studiesn SH pánev - Monitorování chemických parametrů povrchových
důlních vod z hyperspektrálních obrazových datn Šumava – Analýza hustoty lesních porostůn Litovelské Pomoraví – Klasifikace land covern Šumava a České Švýcarsko – Hodnocení stavu a změn land covern Povodí Vydry – Určení land cover pomocí umělých neuronových
sítín Analýza vegetační fenologie v ČR
Spolupráce s KRNAP
n Začátek spolupráce – seminář na PřF UK – duben 2011
n Ing. Jaroslav Andrle, Ph.D., RNDr. Stanislav Březina, Ph.D.,Ing. Tomáš Janata, Mgr. Miroslav Válek, RNDr. Milena Kociánová, Jana Kalenská, RNDr. Vlastimil Pilous
n Konkrétní náplň spolupráce
n Pořízení dat WorldView2 z prostředků projektu GEONETCABn Projekt Planet Actionn Projekt HyMountEcosn Diplomové práce/seminární práce
Data WorldView 2n DP na téma Možnosti využití DPZ při monitoringu Luční vegetace a
managementových zásahů v Krkonšíchn Autorka Bc. Michaela Pomáhačován Vedoucí RNDr. Lucie Kupková, Ph.D.n Konzultant RNDr. Stanislav Březnia, Ph.D.
n Východiska prácen Tradičně obhospodařované louky jsou jednou z nejcennějších přírodních i
krajinářských hodnot Krkonoš – vyžadují pravidelné obhospodařovánín Iniciativu při managementu luk přebírá v posledních letech správa KRNAPn Součástí rozhodování o provádění managementových zásahů je i tzv.
managementový monitoringn Je nutné zjišťovat jaký typ zásahu (pastva, seč, mulčování) byl ve zkoumaném
časovém úseku provedenn Vyžadováno spolehlivé a opakovatelné mapování různých typů luční vegetacen Je třeba odlišit druhově bohaté a přírodovědně cenné louky od intenzivně
hnojených druhově chudých lukn Vizuální zjišťování uvedených skutečností mapovateli v terénu je zatíženo
velkou subjektivní chybou a je časově náročnén Tyto nedostatky by mohly být odstraněny použitím metod DPZ
n Cíle práce
n Zhodnocení možností využití družicových dat WorldView-2 pro klasifikaci základních lučních společenstev a způsobů managementu luční vegetace modelového území v Krkonoších
n Klasifikace bude primárně vycházet z legendy navržené botanikem
n Zhodnocení využití dat WorldView-2 pro mapování biotopů Natura 2000
n Porovnání dat WorldView-2 s daty Quickbird – cílem je zjistit zda nová spektrální pásma přidaná v datech WorldView-2 umožní lépe vyklasifikovat navržené kategorie luční vegetace
Data
n Družicové snímky WorldView-2 pořízené 22. 8. 2011 (haze) a 24. 9. 2011
n Data WorldView-2 zahrnují kromě čtyř tradičních pásem (blue, green, red, NIR) čtyři nová pásma (coatal blue, yellow, red-edge, NIR2)
n Terénní vzorky reprezentující luční společenstva z jednotlivých tříd definovaných botanikem nasbírané 26. a 27. 8. 2011 (celkem 65 vzorků)
n Data Quickbird nebylo možné ortorektifikovat s dostatečnou přesností → použita simulovaná data Quickbird vytvořená na základě pásem shodných s pásmy WorldView-2 (blue, green, red, NIR1)
n Data ZABAGED zapůjčená Zeměměřickým úřadem
n Data z mapování biotopů Natura 2000 poskytnutá AOPK
Náhled snímku WorldView-2 pořízeného v srpnu 2011
Náhled snímku WorldView-2 pořízeného v září 2011
METODIKA
n Ortorektifikace s využitím racionálních funkcí (RPC)
n Maska lučních porostů – vytvořena z důvodu vyloučení vlivu ostatních druhů povrchů na přesnost klasifikace
n Aplikace Fisherovy diskriminační analýzy v softwaru SPSS Statistics s cílem nalézt optimální kombinaci proměnných pro odlišení jednotlivých lučních kategorií
n Testováno 24 proměnných pro data WorldView-2 (8 spektrálních pásem WV-2, 8 komponent analýzy PCA, vegetační indexy RVI, SAVI, NDVI, indexy založené na NDVI – NDVICoastal blue, NDVIBlue, NDVIYellow, NDVIGreen, NDVIRed-edge)
n Trénovací množiny vytvořeny na základě bodů zaměřených v terénu (63)
n Klasifikace algoritmem neuronových sítí a pro porovnání algoritmem maximální věrohodnosti na základě výsledků diskriminační analýzy v softwaru ENVI 4.7
n Aplikace mediánového filtru 5x5 na výsledky klasifikace
n Mapy luční vegetace vytvořeny v softwaru ArcGIS 9.3
Klasifikace luční vegetace z dat WorldView-2 v září 2011
Klasifikace luční vegetace z dat WorldView-2 v srpnu 2011
Výsledky práce a pokračování spolupráce
n Nejvyšší přesnost klasifikace luční vegetace dle legendy navržené botanikem z dat WorldView-2 dosažena klasifikátorem neuronových sítí (91,1 % u zářijového a 90,7 % u srpnového snímku)
n Legenda navržená botanikem je pro klasifikaci vhodnější než legenda Natura 2000 (nezahrnuje managementové kategorie)
n Význam práce v prakticky prvním použití dat WV-2 pro klasifikaci lučních ekosystémů v horské oblasti
n Další kroky spoluprácen Hodnocení na základě hyperspektrálních datn OBIAn ? Prakticky zaměřený společný projekt – monitorování aktuálního managementu
luk v průběhu sezóny s využitím leteckých snímků s infračerveným pásmem
Projekt Planet Action
n http://www.planet-action.org/web/85-project-detail.php?projectID=8684
n DP na téma Využití dat DPZ pro hodnocení aktuálního stavu a vývoje smrkových porostů v Krkonošíchn Autorka Bc. Romana Musilován Vedoucí RNDr. Lucie Kupková, Ph.D.
n Cíle prácen Využití a porovnání snímků z družic Landsat, SPOT, QuickBird a WorldView-2
pro hodnocení zdravotního stavu smrkových porostů v KRNAP
n Aplikace vybraných vegetačních indexů
n Popis vývoje kondice smrkových porostů
n Porovnání výsledků indexů s dalším zdrojem
n Družicová data: n Landsat (1984, 1993, 2011)n SPOT (1999, 2004, 2006, 2007)n QuickBird (2003, 2005, 2010)n WorldView-2 (2011)
n ZABAGEDn Sběr bodů v terénu pro účely ortorektifikacen Data z pozemního šetření VÚLHM Opočnon Mapy defoliace a mortality jehličnatých porostů
14
15
Zdroj: vlastní výstup.
Metodika
n Použití vegetačních indexůn NDVI, simple ratio, LAI, GRVI, RGI, FMI,
wNDII, REIPn Tvorba masek lesa pro každý snímek pomocí
klasifikace maximum likelihoodn Hodnocení trendůn Porovnání indexů
Vývoj zdravotního stavu smrkových porostů dle indexu NDVI
Zdroj: vlastní výstup.
17
18
Stejné trendy:NDVI, SR, LAI, wNDIIOdděleně:1. GRVI a RGI - barevné změny2. FMI - doplňkově
19
n Význam práce v porovnání množství indexů
n Indexy většinou ukázaly stejné rysy, trendy
n Pro hodnocení smrkových porostů lze doporučit NDVI, SR, LAI, wNDII a pro doplnění GRVI a RGI
n Index FMI je méně vhodný
n Dlouhodobě se kondice zlepšuje, v některých letech narušeno (vliv počasí)
n Budoucnost: výstupy tohoto typu porovnat s terénním výzkumem (např. fyziologický stav, obsah pigmentů)
20
n Seminární práce Hodnocení vývoje land cover KRNAP na základě leteckých snímkůn Autorka Bc. Jana Kubečkován Cíl - zhodnotit vývoj land cover ve třech časových horizontech v I. zóně
KRNAP na základě. klasifikace rastrových dat (LS, ortofota)
KategoriePodíl na celkové rozloze I. zóny (v %)
1953 2001 2010
Zastavěná území 0,03 0,03 0,03
Silnice 0,08 0,09 0,09
Cesty 0,53 0,36 0,36
Orná půda 0,03 0,01 0,01
Louky a pastviny 14,52 12,40 12,54
Les 27,61 25,73 25,48
Křoviny a sukcesní stádia 49,45 53,88 53,86
Vodní plochy 0,01 0,01 0,01
Mokřady a rákosiny 1,13 1,16 1,14
Skaliska 6,61 6,33 6,49
Celkem 100,00 100,00 100,00
Projekt HyMountEcos (Hyperspectral remotesensing for Mountain Ecosystems)
n EUFAR - Česko-polský projekt (Varšavská Univerzita – doc. Bogdan Zagajewski
n První kampaň konec června 2012, druhá od 10. září 2012n 10. září 2012 nasnímána HS data skenerem APEX pro českou a
polskou část Krkonoš
n Cílen Mapování a inventarizace horských ekosystémůn Analýza společenstev, druhů a invazivních druhůn Hodnocení kondice lesních ekosystémů (biofizykální parametry,
spektrální parametry)n Návrh komplexního zpracování dat pro hodnocení horských
ekosystémů
Diplomové práce HyMountEcos
n Hodnocení lučních společenstev a invazivních druhůn Analýza chlorofylu jako indikátoru fyziologického stavu
smrkových porostůn Analýza ligninu jako indikátoru fyziologického stavu
smrkových porostn Geologické mapování vrcholových partií Krkonošn Odhad množství lesní biomasy (využití dat laserového
skenování)n Podrobná mapa land cover Krkonošn Klasifikace antropogenních materiálů z HS dat
n Ukázka dat APEX (Airborne Prism Experiment)n Prostorové rozlišení 2 mn 308 - 2500 nmn Cca 300 spektrálních pásem
Další case studies - využití dat DPZ v OP
n Diplomová práce Monitorování chemických parametrů povrchových důlních vod z hyperspektrálníchobrazových dat
n Autorka Bc. Lenka Hladíkován Vedoucí RNDr. Lucie Kupková, Ph.D.n Konzultantka Mgr. Veronika Kopačková - ČGSn DP součástí projektu GAČR České geologické služby
n Hlavní cíl práce - odvození metodiky pro určení obsahu železa a suspenze v důlních vodách pomocí dvou odlišných přístupů
n Data HyMap (125 pásem, prostorové rozlišení 5)
n empirický modeln spectral unmixing
Zájmové území
n oblast Sokolovské hnědouhelné pánven dlouhodobý vliv těžby uhlín extrémní hodnoty obsahu naměřených látek ve vodě
4/14Cíle DP - Zájmové území - Data - Empirický model - Spectral unmixing - Porovnání metod - Přenositelnost - Souhrn
Empirický model - železo
n sklon mezi R455 nm a R573 nmn rxy = 0,92
7/14Cíle DP - Zájmové území - Data - Empirický model - Spectral unmixing - Porovnání metod - Přenositelnost - Souhrn
• v rámci DP vytvořeny mapy pro obsah železa a suspenze ve vodě s využitím empirického přístupu a metodou spectral unmixing
• hyperspektrální data jsou vhodným nástrojem pro monitorování kvality vod v oblasti těžby
n Diplomová práce Analýza hustoty lesních porostů
n Autorka Bc. Petra Bromován Vedoucí Ing. Markéta Potůčková, Ph.D.
Cíle prácen stromový zápoj„Vzájemný dotyk a prolínání větví stromů.“n texturální příznaky snímků velmi vysokéhoprostorového rozlišenín objektový přístupn data leteckého laserového skenování
n Zájmové území – Březník, Modravské slatě (53 km2)
Terénní průzkumn 21. 4. 2012, 23. 6. 2012, hemisférické fotografie, 40 plochn Gap Light Analyzern 5 kategorií korunového zápoje
Data a SWn panchromatický snímek WorldView-2, 27. 10. 2010, 0,5 mn data LLS, březen 2011, 0,5 – 1 bod/m2n software: eCognition Developer 8 a 8.7, ArcGIS for Desktop 10.0
Metodyn objektová klasifikace – segmentace, klasifikace – rozhodovací stromyn výpočet textur – GLCM kontrast, entropie, korelacen filtrace dat LLS – body 1,3 m a výše nad terénem
CHKO Litovelské Pomoraví – klasifikace land cover
n Podkladová datan Vektorová vrstva LC z roku 2006 vytvořená na základě
vizuální interpretace ortofotomapn Snímky Landsat 5 TM
n Cíl: Porovnání výsledků vizuální interpretace a klasifikace land cover
n Metoda řízené klasifikace – klasifikátor maximální pravděpodobnosti
Třídy definované na základě vizuální interpretace1) Zahrádkářské kolonie2) Les3) Orná půda4) Sady5) Trvalé travní porosty6) Voda7) Zástavba8) Rozptýlená zeleň
Klasifikace na základě dat DPZ→ celková shoda cca 80 %→ nelze určit úzké, malé
plochy (např. vodní tok)→ nelze určit třídy 1, 4 a 8→ objeveny nedostatky mezi
TTP a ornou půdou→ lze zpřesnit legendu:
Les – listnatý– jehličnatý / smíšený
Nízký porost
n Výsledek – shodné legendy (vektor x klasifikace)n 4-3-2 výřez snímku – louky x polen Výsledek – zpřesněný
Hodnocení stavu a změn land cover – Šumava a České Švýcarsko
Přemysl Štych, Petra Kolešová, Petra Bromová, Veronika Oubrechtová, Kristýna Lihanová
Národní park Šumava
Hodnocení změn land cover pomocí dat Landsat
Hodnocení změn land cover pomocí dat SPOT
Národní park Šumava
Změny land cover
Národní park České Švýcarsko
Změny land cover
Národní park České Švýcarsko
Určení land cover pomocí umělých neuronových sítíModelové území – povodí Vydry
§ Les
§ Řídký porost
§ Suchý les
§ Trvalé travní porosty
§ Zamokřená území
Umělé neuronové sítěMulti Layer Perceptron (MLP)
Nepřesnější nalezené řešení MLP
Training Threshold Contribution 0,2Training Rate 0,2Training Momentum 0,4Celková přesnost [%] 89,5Kappa index [%] 0,851
Metoda ML
Celková přesnost [%] 85,0
Kappa index [%] 0,807
Průběh trénovacího procesu sítě MLP
Určení land cover pomocí umělých neuronových sítíModelové území – povodí Vydry
třída rozloha MLP [%] rozloha ML [%]
les 57 63
řídký porost 19 22
suchý les 18 5
TTP 4 9
zamokřená území 2 1
Určení land cover pomocí umělých neuronových sítíModelové území – povodí Vydry
Analýza vegetační fenologie v ČR
ó Směrnice regresních přímek – průměr za data
ó Pozemní fenologická data
ó GIMMS ČR trend shodný s pozemními
ó Začátek vegetačního období nejvíce shoduje
ó Nejméně konec vegetačního období
Analýza vegetačních dat DPZ s pozemními fenologickými daty ČHMÚ
ó Směrnice regresních přímek
ó Land coveró Pozemní data
ČHMÚ
Srovnání fenologických datových sad s pozemními daty ČHMÚ –Svoboda nad Úpou
ó Hodnoty směrnice regresní přímky u datových sad 2001 – 2006
ó Shoda u začátku a konce dat. Sady GIMMS
ó Hodnoty směrnice reg. přímky u dat ČHMÚ a GIMMS v období 1982 -2006
ó Široké období – hodnoty shodné téměř na desetiny
Děkujeme za pozornostOtázky?