Aplikace DPZv ochraně přírodyLucie Kupková, Přemysl Štych a kol.

Katedra aplikované geoinformatiky a kartografie PřF UK v Prazelucie.kupkova@gmail.com, stych@natur.cuni.cz

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?