Aplikace DPZ v ochraně přírody Lucie Kupková, Přemysl Štych a kol. Katedra aplikované geoinformatiky a kartografie PřF UK v Praze
[email protected],
[email protected] Seminář DPZ v ochraně přírody, PřF UK v Praze, 25.9.2012
Obsah n
Spolupráce s KRNAP n Data WorldView-2 n Planet Action n HyMountEcos
n
Další case studies n SH pánev - Monitorování chemických parametrů povrchových důlních vod z hyperspektrálních obrazových dat n Šumava – Analýza hustoty lesních porostů n Litovelské Pomoraví – Klasifikace land cover n Šumava a České Švýcarsko – Hodnocení stavu a změn land cover n Povodí Vydry – Určení land cover pomocí umělých neuronových sítí n Analýza vegetační fenologie v ČR
Spolupráce s KRNAP n
Začátek spolupráce – seminář na PřF UK – duben 2011
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
n
Konkrétní náplň spolupráce n n n n
Pořízení dat WorldView2 z prostředků projektu GEONETCAB Projekt Planet Action Projekt HyMountEcos Diplomové práce/seminární práce
Data WorldView 2 n
DP na téma Možnosti využití DPZ při monitoringu Luční vegetace a managementových zásahů v Krkonších n n n
n
Autorka Bc. Michaela Pomáhačová Vedoucí RNDr. Lucie Kupková, Ph.D. Konzultant RNDr. Stanislav Březnia, Ph.D.
Východiska práce n n n n n n n n
Tradičně obhospodařované louky jsou jednou z nejcennějších přírodních i krajinářských hodnot Krkonoš – vyžadují pravidelné obhospodařování Iniciativu při managementu luk přebírá v posledních letech správa KRNAP Součástí rozhodování o provádění managementových zásahů je i tzv. managementový monitoring Je nutné zjišťovat jaký typ zásahu (pastva, seč, mulčování) byl ve zkoumaném časovém úseku proveden Vyžadováno spolehlivé a opakovatelné mapování různých typů luční vegetace Je třeba odlišit druhově bohaté a přírodovědně cenné louky od intenzivně hnojených druhově chudých luk Vizuální zjišťování uvedených skutečností mapovateli v terénu je zatíženo velkou subjektivní chybou a je časově náročné 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 spolupráce n n n
Hodnocení na základě hyperspektrálních dat OBIA ? 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-projectdetail.php?projectID=8684
n
DP na téma Využití dat DPZ pro hodnocení aktuálního stavu a vývoje smrkových porostů v Krkonoších n n
n
Autorka Bc. Romana Musilová Vedoucí RNDr. Lucie Kupková, Ph.D.
Cíle práce n
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
ZABAGED Sběr bodů v terénu pro účely ortorektifikace Data z pozemního šetření VÚLHM Opočno Mapy defoliace a mortality jehličnatých porostů
n n n
14
Zdroj: vlastní výstup. 15
Metodika n
Použití vegetačních indexů n
n
n n
NDVI, simple ratio, LAI, GRVI, RGI, FMI, wNDII, REIP
Tvorba masek lesa pro každý snímek pomocí klasifikace maximum likelihood Hodnocení trendů Porovnání indexů
Vývoj zdravotního stavu smrkových porostů dle indexu NDVI
17
Zdroj: vlastní výstup.
18
Stejné trendy: NDVI, SR, LAI, wNDII Odděleně: 1. GRVI a RGI - barevné změny 2. 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 Index FMI je méně vhodný
n 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 snímků n
Autorka Bc. Jana Kubečková
n
Cíl - zhodnotit vývoj land cover ve třech časových horizontech v I. zóně KRNAP na základě. klasifikace rastrových dat (LS, ortofota) Kategorie
Podíl 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 remote sensing for Mountain Ecosystems) n n n
n
EUFAR - Česko-polský projekt (Varšavská Univerzita – doc. Bogdan Zagajewski První kampaň konec června 2012, druhá od 10. září 2012 10. září 2012 nasnímána HS data skenerem APEX pro českou a polskou část Krkonoš Cíle n n n n
Mapování a inventarizace horských ekosystémů Analýza společenstev, druhů a invazivních druhů Hodnocení kondice lesních ekosystémů (biofizykální parametry, spektrální parametry) Návrh komplexního zpracování dat pro hodnocení horských ekosystémů
Diplomové práce HyMountEcos n n n n n n n
Hodnocení lučních společenstev a invazivních druhů Analýza chlorofylu jako indikátoru fyziologického stavu smrkových porostů Analýza ligninu jako indikátoru fyziologického stavu smrkových porost Geologické mapování vrcholových partií Krkonoš Odhad množství lesní biomasy (využití dat laserového skenování) Podrobná mapa land cover Krkonoš Klasifikace antropogenních materiálů z HS dat
n
Ukázka dat APEX (Airborne Prism Experiment) n n n
Prostorové rozlišení 2 m 308 - 2500 nm Cca 300 spektrálních pásem
Další case studies - využití dat DPZ v OP
n
Diplomová práce Monitorování chemických parametrů povrchových důlních vod z hyperspektrálních obrazových dat n n n n
Autorka Bc. Lenka Hladíková Vedoucí RNDr. Lucie Kupková, Ph.D. Konzultantka Mgr. Veronika Kopačková - ČGS 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 model spectral unmixing
n
Zájmové území n n n
oblast Sokolovské hnědouhelné pánve dlouhodobý vliv těžby uhlí extrémní hodnoty obsahu naměřených látek ve vodě
Cíle DP - Zájmové území - Data - Empirický model - Spectral unmixing - Porovnání metod - Přenositelnost - Souhrn
4/14
Empirický model - železo n n
• •
sklon mezi R455 nm a R573 nm rxy = 0,92
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
Cíle DP - Zájmové území - Data - Empirický model - Spectral unmixing - Porovnání metod - Přenositelnost - Souhrn
7/14
n
Diplomová práce Analýza hustoty lesních porostů n n
Autorka Bc. Petra Bromová Vedoucí Ing. Markéta Potůčková, Ph.D.
Cíle práce stromový zápoj „Vzájemný dotyk a prolínání větví stromů.“ n texturální příznaky snímků velmi vysokého prostorového rozlišení n objektový přístup n data leteckého laserového skenování n
n
Zájmové území – Březník, Modravské slatě (53 km2)
Terénní průzkum n 21. 4. 2012, 23. 6. 2012, hemisférické fotografie, 40 ploch n Gap Light Analyzer n 5 kategorií korunového zápoje Data a SW n panchromatický snímek WorldView-2, 27. 10. 2010, 0,5 m n data LLS, březen 2011, 0,5 – 1 bod/m2 n software: eCognition Developer 8 a 8.7, ArcGIS for Desktop 10.0 Metody n objektová klasifikace – segmentace, klasifikace – rozhodovací stromy n výpočet textur – GLCM kontrast, entropie, korelace n filtrace dat LLS – body 1,3 m a výše nad terénem
CHKO Litovelské Pomoraví – klasifikace land cover n
Podkladová data n Vektorová vrstva LC z roku 2006 vytvořená na základě vizuální interpretace ortofotomap n 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 interpretace 1) 2) 3) 4) 5) 6) 7) 8)
Zahrádkářské kolonie Les Orná půda Sady Trvalé travní porosty Voda Zástavba 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 n n
Výsledek – shodné legendy (vektor x klasifikace) 4-3-2 výřez snímku – louky x pole 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
Národní park Šumava Hodnocení změn land cover pomocí dat SPOT
Národní park České Švýcarsko Změny land cover
Národní park České Švýcarsko Změny land cover
Určení land cover pomocí umělých neuronových sítí Modelové území – povodí Vydry
§ Les § Řídký porost § Suchý les § Trvalé travní porosty § Zamokřená území
Určení land cover pomocí umělých neuronových sítí Modelové území – povodí Vydry Průběh trénovacího procesu sítě MLP
Umělé neuronové sítě Multi Layer Perceptron (MLP)
Nepřesnější nalezené řešení MLP
Training Threshold Contribution
0,2
Training Rate
0,2
Metoda ML
Training Momentum
0,4
Celková přesnost [%]
85,0
Celková přesnost [%]
89,5
Kappa index [%]
0,807
Kappa index [%]
0,851
Určení land cover pomocí umělých neuronových sítí Modelové 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
Analýza vegetační fenologie v ČR
— Směrnice regresních — — — —
přímek – průměr za data Pozemní fenologická data GIMMS ČR trend shodný s pozemními Začátek vegetačního období nejvíce shoduje Nejméně konec vegetačního období
Analýza vegetačních dat DPZ s pozemními fenologickými daty ČHMÚ
— Směrnice regresních přímek — Land cover — Pozemní data ČHMÚ
Srovnání fenologických datových sad s pozemními daty ČHMÚ – Svoboda nad Úpou
— Hodnoty směrnice regresní přímky u datových sad 2001 – 2006 — Shoda u začátku a konce dat. Sady GIMMS — Hodnoty směrnice reg. přímky u dat ČHMÚ a GIMMS v období 1982 2006 — Široké období – hodnoty shodné téměř na desetiny
Děkujeme za pozornost Otázky?
