DEBRECENI EGYETEM TERMÉSZETTUDOMÁNYI ÉS TECHNOLÓGIAI KAR TERMÉSZETFÖLDRAJZI ÉS GEOINFORMATIKAI TANSZÉK
ŐRFELVÉTEL-KIÉRTÉKELÉS EGY ÉSZAK-KELET-MAGYARORSZÁGI MINTATERÜLETEN
- Raszter alapú térinformatikai rendszerek c. tantárgyhoz –
_______________________________________________ Készítette: Bertalan László Földrajz BSc. II. évfolyam Debreceni Egyetem TTK Természetföldrajzi és Geoinformatikai tanszék Debrecen, 2009. május
TARTALOMJEGYZÉK:
I. BEVEZETÉS…………………………………………………………………………..3.oldal I.1. A kiválasztott mintaterület…………………………………………………...3.oldal I.2. A felhasznált őrfelvétel – alkalmazott szoftverek...……….…….………….....4.oldal II. VIZUÁLIS INTERPRETÁCIÓ………….…………………………………………...4.oldal III. DIGITÁLIS INTERPRETÁCIÓ…….………………………………………………...5.oldal III.1. Nem ellenırzött osztályba sorolás……………………………………….......5.oldal III.2. Ellenırzött osztályba sorolás…………………………………………….......7.oldal III.2.1. Tanulóterületek kijelölése…………………...……………………..7.oldal III.2.2. Az ellenırzött osztályba sorolás végrehajtása……………………8.oldal III.2.2.1. A PIPED (parallelepipedon) módszer alkalmazásának bemutatása……………………………………………….....8.oldal III.2.2.2. A MINDIST (minimum distance) módszer alkalmazásának bemutatása……………………………………………….…8.oldal III.2.2.3. A MAXLIKE (maximum likelihood) módszer alkalmazásának bemutatása………………………………………….………9.oldal III.3. Szőrés alkalmazása…………………………………………..……………...10.oldal IV. FELHASZNÁLT IRODALMAK, FORRÁSOK………………...………………..…11.oldal
-2-
I. BEVEZETÉS: Dolgozatom elkészítéséhez alkalmazott tudományág a Távérzékelés1, mely a napjainkban egyre szélesebb körben alkalmazott technológiák egyike. Általánosságban úgy fogalmazhatunk, hogy a távérzékelés során úgy szerzünk adatokat a felszín objektumairól, hogy közben nem vagyunk azzal közvetlen fizikai kapcsolatban (Lóki J., 1996). Hagyományos alkalmazások (pl. tájhasználat felmérés, ásványi anyag-kutatás, stb.) egyre szélesebb körben alkalmazzák a távérzékelést, például a környezetvédelemben, a tájban lezajló változások vizsgálatában, vagy a katasztrófák (és azok kivédése) esetén. Dolgozatom célja egy mintaterület tájhasználati tematikus térképének a létrehozása, a gyakorlatokon alkalmazott térinformatikai szoftver segítségével. I.1. A kiválasztott mintaterület:
Az általam választott mintaterület ÉK-Magyarországon, Sz-Sz-B, B-A-Z és HajdúBihar megyék találkozásának területét, azon belül a Tisza-folyó egyik szabályozott2 kanyarulatát ábrázolja. A területen jelentısebb város nem, viszont néhány apróbb település található.
1. ábra: a kiválaszott mintaterület a Google Earth szoftverben
1 2
Remote Sensing A Tisza-szabályozás Tiszadobnál indult meg 1846. augusztus 27-én.
-3-
I.2. A felhasznált őrfelvétel – alkalmazott szoftverek:
Az általam választott őrfelvételt a LANDSAT-5 amerikai erıforrás-kutató mőhold készítette 2001. augusztus 8-án a Thematic Mapper (TM) elnevezéső érzékelıjével. A berendezés térbeli felbontása hozzávetılegesen 30x30 méter (Mucsi L., 2005). Dolgozatom elkészítéséhez az IDRISI332 és az IDRISI 15.0 The Andes Edition szoftvereket alkalmaztam, amelyek a raszteres elemzések vezetı szoftverei, funkciói lefedik a térinformatika és a távérzékelés minden igényét az adatbázis lekérdezésektıl a képjavításon keresztül az osztályozásig (Alba Regia Idrisi Resource Center Magyarország). II. VIZUÁLIS INTERPRETÁCIÓ:
Az őrfelvétel vizuális kiértékeléséhez nem az eredeti felvételt, hanem annak különbözı csatornáiból készített kompozitokat használtam, mivel azokon markánsabban elkülönültek az egyes tájhasználati típusok. Ha három csatorna szürkeárnyalatos színeit – azaz az adott képpont értékének megfeleltetett színt – lecseréljük a kék, a zöld és a piros különbözı intenzitású színeire, majd ”összeadjuk” a felvételeket, akkor ”hamisszínes” kompozitot kapunk. Az elkészült képek a továbbiakban vizuálisan és digitálisan is értékelhetık. A 7db csatorna jóvoltából számos sorrendbeli variációt készítettem a csatornákból, s így lehetıségem akadt, hogy kiválasszam a legtökéletesebb kompozitot.
2. ábra: A mintaterület néhány LANDSAT-5 TM kompoziton
Az elkészült kompozitok közül leginkább a comp_bgr_145 jelzésőnél tapasztaltam jelentısen elkülönülı tájhasználati típusokat. Egyes részleteket a Google Earth szoftverrel azonosítottam és próbáltam személyes tapasztalataimra is támaszkodni, ugyanis én magam is a mintaterületen (nevezetesen Tiszadobon) élek; viszont még így is számos foltot nem tudtam beazonosítani. Ezen foltok ismeretéhez részletes bejárás lenne szükséges. 3
Clark Labs – IDRISI GIS and Image Processing Software – http://www.clarklabs.org
-4-
3. ábra: A mintaterület a LANDSAT-5 comp_bgr_145 jelzéső kompozitján
Elsıként a vízfolyásokat próbáltam elkülöníteni, amik a kompoziton a sötétkék színt viselik, valamint a holtágak, morotvák fekete színőek. A folyóparton könnyen kivehetık a sötétzöld színt mutató lombhullató erdık. A többi világosabb zöldes árnyalat a rétek-legelık csoportját képviselik. A legjelentısebb területet a szántók alkotják, melyeknek több típusa a ciklámen és a lila különbözı árnyalataiban jelenik meg. A beépített területek sajnos egyik kompoziton sem mutattak nagyon nagy elkülönülést a szántók árnyalataitól, sajnos így kijelölésük túlnyomórészt nem is lehetséges - ezen a képen körülbelül a világosabb lilás-kékes árnyalatot kapták. A közúthálózat egyáltalán nem különül el élesen, ennek oka valószínőleg azok alsóbbrendő kiépítettsége lehet.
III. DIGITÁLIS INTERPRETÁCIÓ:
III.1. Nem ellenırzött osztályba sorolás:
A felvétel digitális kiértékelésekor elıször a nem ellenırzött osztályba sorolás (unsupervised classification) módszerét alkalmaztam. A nem ellenırzött osztályba sorolást a CLUSTER utasítással hajtjuk végre. Az utasításon belül több lehetıségünk is van, hogy megadjuk a nem ellenırzött osztályba sorolás” szabályait. Egyrészt lehetıségünk van a generalizációs szint (Generalization level) megadására, vagyis megszabhatjuk, hogy mennyire egyszerősítsen a program. A generalizációs szint lehet ”Broad” – széles, illetve ”Fine” – finom. Az elıbbi esetben kevesebb, az utóbbi esetben több osztályt képez az Idrisi.
-5-
E mellett a program ad három lehetıséget az osztályozás szabályai megadása tekintetében (Clustering rule). Az elsı lehetıség szerint a program elhagyja az azon csoportokat, melyek részaránya a területbıl kevesebb, mint 1 %. A második választási lehetıség szerint mi szabhatjuk meg, hogy maximum hány osztályt képezzen a program, a harmadik beállítás szerint pedig minden osztályt megtart, amelyrıl ”úgy gondolja”, hogylétezik.
Elvégeztem az elemzést, mindkét generalizációs szinten, viszont egyik sem hozott számomra megfelelı eredményt. Broad módban 78 (4.ábra), míg Fine módban pedig 256(5.ábra) osztályt hozott létre a szoftver, ami számomra túlságosan részletes. Ezért a vizuális kiértékelésre támaszkodva olyan variációt hoztam létre, mely Broad módban maximálisan 6 osztályt hoz létre és a telítettségi érték 5%. Ezt mutatja a 6.ábra.
4. ábra: comp_bgr_145 kompozit Broad generalizációs szintő osztályba sorolása
A nem ellenırzött osztálybasorolásnál azt tapasztalhatjuk, hogy a településeket gyakorlatilag egyik maximálisnak megadott klaszter-értéknél sem ”azonosította” a program, vagyis nem jelenik meg külön osztályként, hanem a különféle szántó-területekkel lett egy osztályba besorolva. Azt is megállapíthatjuk, hogy a szoftver a holtágakat a lombhullató erdık csoportjába sorolta be, s a folyóvíznek megfelelı csoport más helyeken is megjelenik.
5. ábra: comp_bgr_145 kompozit Fine generalizációs szintő osztályba sorolása
6.ábra: legeredményesebb beállításokkal végrehajtott osztályba sorolás a comp_bgr_145 kompizoton
-6-
III.2. Ellenırzött osztályba sorolás: A következı alkalmazott módszer az ellenırzött osztályozás (supervised classification) volt. Az ellenırzött osztályba sorolást három lépésben végezzük el (Lóki J., 2002): 1. A tanulóterületek kijelölése. 2. A tanulóterületek alapján az osztályt leíró fájlok készítése. 3. Az osztályt leíró fájlok, és a képcsatornák alkalmazásával az osztályozás elkészítése. III.2.1. Tanulóterületek kijelölése:
Az ellenırzött osztályba sorolás egyik fı lépéseként tanulóterületeket jelöltem ki a vizsgált kompoziton, ezáltal a saját kategóriáimhoz rendeltetem hozzá az egyes pixelértékeket a szoftver segítségével. Ezáltal a saját elképzelésemben szereplı szántó (1-2), lombhullató, folyó, holtág, beépített területek és rétlegelı kategóriákkal próbálom majd az osztályba sorolást elvégezni. 7.ábra: a tanulóterületek elhelyezkedése a comp_bgr_ 145 kompozit egy részletén
A tanulóterületek kijelölése után megvizsgáltam, hogy a tanulóterületek milyen eloszlásban fedik a pixelértékeket a rendelkezésemre álló 7 csatornán (SIGCOMP utasítás).
A tanter1 Signature Comparison diagramját szemlélteti a 8. ábra.
8.ábra: a tanter1 Signature Comparison diagramja
-7-
Az ábrát szemlélve azt állapítottam meg, hogy az elérhetı legpontosabb területlehatárolás, a nagyszámú tanulóterület kijelölés ellenére is jelentıs átfedések vannak az egyes intervallumok között, illetve jelentıs számban találunk olyan pixelértékeket, melyek nem tartoznak egyik osztályba se. Azt sajnos már ebbıl a diagramból is észrevettem, hogy a beépített területek pixelei egybeesne a szántók és a legelık egyes pixeleivel, ezáltal nem igazán tud elkülönülni. III.2.2. Az ellenırzött osztályba sorolás végrehajtása: Az ellenırzött osztályba sorolást három fı módszer szerint végezhetjük (Lóki J., 2002): PIPED MINDIST MAXLIKE
III.2.2.1. A PIPED (parallelepipedon) módszer alkalmazásának bemutatása
9.ábra: a PIPED módszer alkalmazásának eredménye (tanter1)
A PIPED osztályozás eredményeként azt állapítottam meg, hogy a holtágak, a folyó, valamint a lombhullató erdık különülnek el a legmarkánsabban. A szántó1 esetében feltőnıen kevésnek tőnik a terület, míg ahogy számítottam rá a SIGCOMP diagram láttán, a beépített területek teljesen egybeolvadnak a szántókkal és a legelıkkel. Ezen kívül megemlítendı, hogy jelentıs nagyságú terület maradt feketén, amelyek nem tartoznak bele egyik kategóriába sem. III.2.2.2. A MINDIST (minimum distance) módszer alkalmazásának bemutatása: A MINDIST osztályozás eredménye (10.ábra) másabb, de nem radikálisan. A holtágak, folyók és az szántó2 ebben az esetben is különválnak, viszont érdekes, hogy a lombhullatók pixelei már nagyobb szóródást mutatnak. Ezzel a módszerrel sem tudtam különválasztani a beépített területeket a szántóktól és legelıktıl.
-8-
10.ábra: a MINDIST módszer alkalmazásának eredménye (tanter1)
III.2.2.3. A MAXLIKE (maximum likelihood) módszer alkalmazásának bemutatása A legnagyobb valószínőség módszerével többféle beállítással végeztem el az interpretációt. Végül elkészítettem egy olyan variációt, ahol a beépített területek valószínőségi értéket 0,000001 körülire, s ezáltal valamennyire jobban elkülönültek a beépített területek. Az eredményt a 11. ábra mutatja.
11. ábra: a MAXLIKE osztályozás eredménye, valamint a beépített területek elkülönülése
A továbbiakban ezt a képet használom majd a tematikus térkép elkészítéséhez.
-9-
III.3. Szőrés alkalmazása, tájhasználati tematikus térkép Szőrés (FILTER) alkalmazása esetén a program a pixelek értékét úgy alakítja, hogy annak valamilyen módon köze legyen a szomszédoshoz. Kétféle szőrési eljárást különböztethetünk meg. Beszélhetünk alul-, illetve felül áteresztı szőrıkrıl. Az alul áteresztı (vagy átlagoló szőrı) szőrı homogenizál, míg a felül áteresztı (vagy élkiemelı szőrı) a hirtelen változásokat keresi a képen. Mivel nekem a kis foltok eltüntetésére volt szükségem, ezért egy átlagoló szőrı, a módusz (Mode) alkalmazása mellett döntöttem. A módusz szőréssel két változatot is készítettem (3x3, 5x5). Az elkészült két tematikus térképet a 1213.ábra szemlélteti.
12. ábra: a Mode szőrı alkalmazása 3x3-as szőrımérettel
13. ábra: a Mode szőrı alkalmazása 5x5-ös szőrımérettel
- 10 -
IV. FELHASZNÁLT IRODALMAK, FORRÁSOK
Lóki J. 2002.: Távérzékelés, Kossuth Egyetemi Kiadó, Debrecen p. 113. Mucsi L. 2004.: Mőholdas Távérzékelés, Libellus Kiadó, Szeged p. 237. Unger J. 2003.: Bevezetés a térképészetbe, JATEPress Szeged p. 215.
- 11 -
