Cvičení 5-6 Vegetační analýza v aridním prostředí (Vegetation Analysis in Arid Environments) V tomto cvičení budete zkoumat různé způsoby výpočtu vegetačních indexů, které jsou k dispozici v modulech VEGINDEX, TASSCAP a PCA k analyzování vegetačního pokryvu. Předtím než budete pokračovat, mohou být pro vás užitečné čtení nebo opakování kapitoly Vegetation Indices (Vegetační indexy) v publikaci IDRISI Guide to GIS and Image Processing. Tato kapitola poskytuje rozsáhlý přehled mnoha vegetačních indexů, z nichž pouze některé budou použity v tomto cvičení.
Úvod do vegetačních indexů Vegetační pokryv byl prvním předmětem výzkumu v rámci managementu přírodních zdrojů, využívajícího družicové obrazové záznamy, zvláště po vypuštění družice Earth Resources Technology Satellites, známé jako Landsat, v roce 1972. Data ze systémů Landsat, SPOT a NOAA nabízejí digitální obrazové záznamy v časových sériích, kterých se hojně využívá k monitorování a hodnocení stavu vegetace na globální, regionální, národní a místní úrovni. Vegetační indexy využívají různé kombinace multispektrálních družicových dat k vytvoření jednopásmového obrazu, reprezentujícího přítomnost vegetace nebo vegetační vitalitu. Nízké hodnoty indexu indikují špatný zdravotní stav vegetace odezvy1, zatím co vysoké hodnoty indikují výborný zdravotní stav vegetace. Pro lepší modelování aktuálního množství vegetace na zemském povrchu byly vyvinuty jiné vegetační indexy. Index, který je nejvhodnější pro použití v určitém prostředí, může být stanoven s pomocí kalibrace s využitím vzorového měření biomasy. Jestliže není k dispozici měření množství biomasy, mohou být tyto indexy užitečné jako indikátory relativního množství existující vegetace. Vegetace má charakteristické příznaky spektrální odezvy2, projevující se silným pohlcováním energie modrého a červeného oboru viditelné části spektra, slabým odrazem záření zelené oboru viditelné části spektra (proto vnímáme vegetaci jako zelenou) a velice silným odrazem energie blízkého infračerveného oboru. Tyto charakteristiky spektrální odrazivosti jsou důvodem, proč při výpočtu mnoha vegetačních indexů se využívá červené a blízké infračervené pásmo.
Úvod k datům a ke studované oblasti V tomto cvičení budeme ohodnocovat vegetační pokryv v oblasti jižní Mauretánie a jeho změny. a) Zobrazte rastrový záznam MAUR90-BAND3 v Greyscale palette (šedotónové paletě) a přitom zvolte autoscale (automatické roztažení obrazu) a Equal Intervals (s využitím stejných intervalů). Oblast pokrytá rastrovým obrazem je v blízkosti hranice Senegal/Mauretánie a zachycuje část luhu (zaplavované území) řeky Senegal a část luhu řeky Gorgol (částečně viditelné v levém horním rohu obrazu). Toto je poslední přítok řeky Senegal. Tyto části těchto dvou řek jsou pokryty říční vegetací, kde převládá druh Acacia nilotica, vhodného pro výrobu palivového dříví a dřevěného uhlí. Ostatní lesní druhy, jako Borassius flaberier a Iphaene thebaica, jsou používány jako stavební materiál. V tomto regionu se uplatňuje „náplavové“ zemědělství a pastevectví. Přestože to bývala relativně humidní oblast, přetrvávající srážkový deficit od konce 60.let proměňoval Sahel postupně v semiaridní oblast. Většina vegetace savany byla nahrazena vegetací stepi. Pozůstatky vegetace savany se nalézají pouze podél říčních údolí na jílovitých, jílovitopísčitých a písčitojílovitých půdách, které si ponechaly vláhu spíše než ostatní půdy v oblasti. Rostoucí tlak populace, pokoušející se adaptovat na podmínky pokračujícího období sucha, je v tomto prostředí hlavní příčinou degradace vegetačního pokryvu. Hlavní výzvou je kvantifikování nízké hustoty vegetačního krytu, která charakterizuje aridní a semiaridní oblasti, protože vegetační kryt není úplný – většina pixelů obsahuje hodnoty průměrné odrazivosti vegetace a odkrytých půd. Některé vegetační indexy, které budeme používat, byly vyvinuty specificky k tomu, aby pomohly zhodnotit vliv odrazivosti půd, které jsou na pozadí. 1 Z 19 vegetačních indexů, které lze vytvořit v modulu VEGINDEX programu Idrisi, vytváří pouze RVI a NRVI rastrové obrazy s vysokými hodnotami, indikujícími malé množství vegetace a nízkými hodnotami, indikujícími více vegetace. 2 Viz kapitola Introduction to Remote sensing and Image Processing v publikaci IDRISI Guide to GIS and Image Processing, kde jsou podrobnosti o spektrálních příznacích.
Data, která budeme používat, jsou digitální obrazové záznamy ze systému Landsat Multi-spectral Scanner (MSS). Tyto záznamy byly pořízeny 10. října 1980 a 12. října 1990 systémem Landsat 4. Obrazový záznam obsahuje 8 obrazů - pásem, 4 pro každý z uvedených roků: MAUR80-BAND1, MAUR80-BAND2, MAUR80BAND3 a MAUR80-BAND4 pro rok 1980 a MAUR90-BAND1, MAUR90-BAND2, MAUR90-BAND3 a MAUR90-BAND4 pro rok 1990. Ty odpovídají pásmům MSS: viditelné zelené, viditelné červené, blízkéinfračervené a blízké-infračervené s mírně delší vlnovou délkou. Protože ty dvě scény byly pořízeny ve dvou odlišných časových termínech, musí být registrována jedna vůči druhé, aby bylo možno mezi nimi provést analýzu. Tento úkol byl již proveden s využitím metody podobné té, která je popisována ve cvičení Exercise 4-5. Cvičení zahájíme vytvořením a vzájemným porovnáním různých vegetačních indexů pro scénu z roku 1990, poté budeme analyzovat změny, kterými se liší dvěma scénami.
Vytvoření obrazů vegetačních indexů Budeme zkoumat 3 nejdůležitějších skupiny vegetačních indexů: - poměrové (Slope-Based VI's) - vzdálenostní (Distance-Based VI's) - ortogonální (Orthogonal Transformation VI's)
Poměrové vegetační indexy Poměrové vegetační indexy využívají poměr odrazivosti jednoho z pásem k odrazivosti jiného pásma, obvykle červeného a blízkého-infračerveného pásma. V angličtině je pro pojmenování využit výraz slope = sklon, protože při porovnání výsledných hodnot vegetačního indexu v podstatě porovnáváme sklon linií procházejících počátkem a hodnotami odrazivosti pixelů vykreslených v rozptylogramu, jedno pásmo jako osa X, druhé pásmo jako osa Y. b) Nejdříve v User Preferences (uživatelských nastaveních) vybraných z nabídky File, nastavte položku „Automatically display the output of analytical modules“ („automaticky zobrazit výstupy analytických modulů“). Obrazy vegetačních indexů budeme zobrazovat vždy pomocí palety NDVI (záložka Display setting, jako kvantitativní paletu zadejte NDVI). Zvolte rovněž zobrazování názvu obrazu-mapy, ale zakažte zobrazování legendy (tím maximalizujete prostor pro zobrazení). Klikněte OK pro uložení a ukončení voleb User Preferences. c)
Dvakrát použijte modul VEGINDEX (nabídka Image processing/Transformation) pro výpočet poměrových indexů: Ratio a NDVI. Použijte MAUR90-BAND2 jako červené pásmo a MAUR90-BAND3 jako blízké infračervené. Výsledné obrazy nazvěte 90RATIO a 90NDVI. Zkontrolujte každý z výstupních obrazů. Nahlédněte do on-line Help System (on-line nápovědy) kvůli detailům týkajícím se rovnic, použitých při výpočtu každého z indexů.
Otázka 1: Popište co podobného a co odlišného pozorujete na obou výstupních obrazech (pro správné zodpovězení této otázky je vhodné podívat se na páry výstupních obrazů ještě v jiných kvantitativních paletách – Greyscale nebo Quant). Co je účelem normalizace založené na podílu (Ratio) při vytváření NDVI? Poměrové vegetační indexy (Slope-Based VI's) jsou jednoduché lineární kombinace, které používají pouze informace o hodnotách odrazivosti červeného a infračerveného pásma. Druhá zkoumanou rodinou vegetačních indexů, budou vzdálenostní vegetační indexy (Distance-Based VI's), využívající navíc charakteristiky odrazivosti půdního podkladu v červeném a blízkém infračerveném pásmu.
Vzdálenostní vegetační indexy Hodnoty odrazivosti zaznamenané senzorem pro každý pixel tvoří průměrná hodnota odrazivosti všech typů pokryvu, nacházejících se v okamžitém zorném poli (t.j. tohoto pixelu). Když vegetační pokryv není kompletní, což je částečně v případě aridních a semiaridních regionů, průměrné hodnoty odrazivosti jsou velmi ovlivněny typem půd na pozadí. Problémem vzdálenostních vegetačních indexů je oddělení informací o vegetaci od informací o půdách. Vzdálenostní modely vegetačních indexů jsou založeny na konceptu půdní linie a vzdáleností od půdní linie. Půdní linie je vyjádřena lineární rovnicí, popisující vztah mezi hodnotami odrazivosti v červeném a v infračerveném pásmu pro pixely odkryté půdy. Tato linie je vytvořena po výpočtu jednoduché lineární regrese mezi červeným a infračerveným pásmem na vzorku pixelů odkryté půdy. Jakmile je jednou vzájemný vztah
Intercept
SoilSlope Line
určen, tak všechny ostatní pixely, které vykazují v červeném a infračerveném pásmu podobný poměr mezi odrazovými hodnotami, jsou považovány za odkrytou půdu. Neznámé pixely, které z důvodu vyšších hodnot odrazivosti v infračerveném pásmu, spadají daleko od půdní linie, jsou přiřazeny vegetaci (nazákladě spektrálního projevu vzorku vegetace, kde odraz v infračervené části spektra je relativně vyšší nežhodnoty v červeném pásmu). Pixely, které spadají mimo půdní linii z důvodu vyšší odrazivosti v červeném pásmu, jsou často ohodnoceny jako voda (opět na základě charakteristik spektrálního projevu vody, u kterého jsou hodnoty odrazu v červeném pásmu spektra vyšší než v infračerveném pásmu). Jako vstupy pro výpočet vzdálenostních vegetačních indexů slouží červené a infračervené pásmo, sklon půdní linie (slope) a úsek vymezený půdní linii na souřadnicové ose Y (intercept). (některé vegetační indexy vyžadují navíc i měřítkový faktor).
Prvním krokem k výpočtu půdní linie je identifikace vzorových pixelů odkryté (holé) půdy v rastrovém obrazu. Nejprve musíme použít 90NDVI obraz, vytvořený již dříve, abychom stanovili masku pro odkryté půdy (jestliže jsou k dispozici lepší znalosti o těchto plochách, mohli bychom na displeji digitalizovat známé oblasti s odkrytou půdou). Otázka 2: Předpokládejme, že každý pixel, mající vyšší hodnotu odrazivosti v infračervené části spektra než červené, je vegetace a všechno ostatní je odkrytá půda, jakou prahovou hodnotu můžeme použít pro 90NDVI, abychom oddělili vegetaci od odkrytých půd? (Nápověda: Abyste zodpověděli tuto otázku, vezměte si na pomoc příklady některých hodnot stanovené za použití rovnice NDVI.) d) Spusťte RECLASS (z nabídky GIS Analysis/Database Query) nad 90NDVI a vytvořte rastrový obraz MASKSOIL. Přiřaďte novou hodnotu 1 oblastem s odkrytými půdami a novou hodnotu 0 plochám s vegetací. Jakmile jsou odkryté půdy identifikovány, hodnoty pro tyto oblasti v infračerveném a červeném pásmu jsou zpracovány lineární regresí za účelem výpočtu půdní linie. Avšak výpočet půdní linie není stejný, pro všechny vzdálenostní vegetační indexy. Některé jsou založeny na regresi, kde červené pásmo je vyhodnoceno jako nezávisle proměnná, a některé jsou založeny na regresi, kde infračervené pásmo je vyhodnoceno jako nezávisle proměnná. Protože jsme vytvořili oba typy vzdálenostních vegetačních indexů, budeme spouštět regresi dvakrát, abychom získali dvě půdní linie. e)
Spusťte dvakrát REGRESS (z nabídky GIS Analysis/Statistics), mezi obrazy MAUR90-BAND2 a MAUR90-BAND3, jako masku použijte obraz SOILMASK. Zapište si hodnoty sklonu (b) a úseku vytínaného na svislé ose (a) pro případ, kdy červené pásmo lze označit jako nezávisle proměnnou a pro případ, kdy infračervené pásmo lze označit jako nezávisle proměnnou.
Otázka 3: Co je sklon a úsek vytínaný na svislé ose, kdy je červené pásmo nezávisle proměnná? Co když je infračervené pásmo nezávisle proměnná. Co je koeficient determinace (r2)? Koeficient determinace je docela vysoký, což indikuje, že vztah mezi červeným a infračerveným pásmem pro tyto pixely odkryté půdy, je dobře popsán lineární rovnicí. f)
Postupně třikrát spusťte VEGINDEX (z nabídky Image processing/Transformation), abyste vytvořili vzdálenostní vegetační indexy PVI, PVI3 a WDVI. Pro každý vegetační index se obraťte systémovou nápovědu Determining slope and intercept values (Určení sklonu a velikosti úseku vymezeného na ose Y) v tématu VEGINDEX, abyste přesně určili jaké parametry půdní linie použít pro každý jednotlivý vegetační index. Podívejte se rovněž do kapitoly Vegetation Indices v IDRISI Guide to GIS and Image Processing, kvůli detailům týkajícím se matematických vztahů použitých pro každý index.
Otázka 4: Jaké jsou hlavním rozdíly, které vidíte na těchto třech vytvořených obrazech vegetačních indexů? Otázka 5: Je zde znatelný rozdíl mezi těmito třemi obrazy a dvěma obrazy vzdálenostních indexů, vytvořenými dříve? Jinými slovy, dokázali byste pouze vizuálním zhodnocením výsledných obrazů oddělit pět výstupních obrazů a určit do jaké rodiny vegetačních indexů patří?
Ortogonální vegetační indexy Poslední skupinou vegetačních indexů, které budeme zkoumat, jsou ortogonální vegetační indexy. Těmito vegetačními indexy jsou transformována čtyři nebo více obrazových pásem do množiny nových rastrových obrazů, z nichž jeden popisuje vegetaci. Seznámíme se s použitím transformace Tasseled Cap a s použitím transformace hlavních komponent za účelem získání rastrových obrazů vegetace. Pro vytvoření čtyř nových rastrových obrazů (pásem) je při transformaci Tasseled Cap použita sada čtyř multispektrálních pásem ze systému MSS. Zelená hmota v rastrovém obrazu Green Vegetation Index (GVI), reprezentuje vegetaci. Další vytvořené rastrové obrazy reprezentují Soil Brightness Index (SBI), Yellow Vegetation Index (YVI) a Non-Such Index (NSI). Název transformace vyjadřuje tvar hodnot pixelů vynesených do rozpylogramu v prostoru GVI-SBI pro rastrové obrazy zobrazující vegetaci v několika stadiích vývoje. Transformace Tasseled Cap byla vyvinuta, aby nejdůležitější informace z vícepásmové scény zemědělských ploch bylo možno reprezentovat pouze s pomocí dvou rastrových obrazů – GVI a SBI. g) Z nabídky Image Processing/Transformation spusťte TASSCAP. Označte, že budete používat data MMS a zadejte čtyři pásma ze scény 1990. Zadejte prefix 90 pro množinu výstupních souborů. Vytvoří se čtyři obrazy označené 90GREEN, 90BRIGHT, 90YELLOW a 90NOSUCH. Zobrazte tyto čtyři soubory (Pro moduly, při nichž se vytváří více než jeden výstupní rastrový obraz, je funkce Auto-display zablokována). Otázka 6: Proč plochy, které naznačují velké množství vegetace v zeleném vegetačním pásmu, mají nízké hodnoty v obrazu jasu půd (soil brightness)? Transformace Tasseled Cap používá globální konstanty (tj. hodnoty, které se nemění od scény ke scéně) k vyjádření váhy pásem, která jsou transformována. S ohledem na to nemusí být její použití vhodné ve všech prostředích. Na druhé straně analýza hlavních komponent, specifická pro každou scénu, je transformace množiny multispektrálních obrazů do nové množiny obrazových komponent. Rastrové obrazy - komponenty - jsou nekorelované a jsou uspořádané podle velikosti odchylky od originální množiny pásem. První z těchto komponent popisuje albedo nebo jas (zahrnující půdy na pozadí) a druhá komponenta popisuje odchylky ve vegetačním krytu. h) Z nabídky Image Processing/Transformation spusťte PCA. Vyberte přímý výpočet kovariancí. Zadejte, že vkládáte 4 vstupní pásma a zadejte čtyři rastrové obrazy MMS z 1990 jako vstupní pásma. Zadejte 4 jako počet komponent, které mají být získány. Určete prefix 90 pro množinu výstupních souborů. Akceptujte implicitní nastavení, které používá nestandardizované proměnné. Jakmile bude zpracování u konce, vizualizujte si čtyři výsledná pásma, 90CMP1 až 90CMP4. Informace, které jsou modulem PCA vytvořeny ve formě tabulky, ukazují, že první komponenta obsahuje téměř 93% informací původních 4 pásem. Všechna výstupní pásma mají vysoké a kladné koeficienty funkcionálních hlavních komponent (angl. loadings – představují míru korelace mezi původními a novými proměnnými) pro komponentu 1 (90CMP1). Tuto komponentu můžeme interpretovat jako celkový jas rastrového obrazu. Druhá komponenta má kladné koeficienty pro obě infračervená pásma a záporné koeficienty pro viditelné zelené a červené pásmo. To může být interpretováno jako obraz popisující vegetaci, nezávisle na celkovém jasu scény. Komponenta tři a čtyři popisují originální rozptyl a zdá se, že reprezentují atmosférický a jiný šum v obrazech. Rovnice, používané pro vytvoření GVI obrazu získaného transformací Tasseled Cap3, též váží infračervená pásma kladně a viditelná pásma záporně, ačkoli váhy jsou poněkud odlišné. Proto tedy není překvapení vidět velkou podobnost mezi obrazem druhé hlavní komponenty a obrazem GVI vytvořeným dříve.
3 GVI = [(-0,386MSS4)+(-0,562MSS5)+(0,600MSS6)+(0,491MSS7)] V pojmenování obrazových souborů pro toto cvičení MAUR90-BAND1 odpovídá MSS4 v rovnici, MAUR90-BAND2 odpovídá MSS5 a tak dále.
Porovnání vegetačních indexů Existuje možnost vizuálního porovnání všech obrazů vegetačních indexů, které jsme vytvořili. Některé mají samozřejmě lepší kontrast než jiné. Zdá se, že některé ukazují větší variační rozpětí v oblastech popisovaných nízkými hodnotami. Nicméně bez informací o stavu vegetace v roce 1990, získaných pozemním měřením, nemůžeme učit, které indexy jsou nejužitečnější. To, co budeme provádět je analýza množiny obrazových pásem jako celku, abychom viděli jak odlišné charakteristiky jsou zobrazeny různými indexy. Abychom, toho dosáhli, podrobíme analýza hlavních komponent všechny vegetační indexy, které jsme vytvořili v tomto cvičení. Modul Idrisi PCA požaduje, aby vstupní data byla zapsána pomocí formátu (datového typu) byte binary (8 bit = 1 byte na pásmo). Naše vegetační indexy jsou zapsané pomocí datového typu real (poznáme je podle desetinné čárky resp. tečky v číselných kódech). Pro převod obrazů vegetačních indexů do formátu byte binary, použijeme modul STRETCH. Provedeme lineární roztažení každého obrazu transformací originálního rozsahu hodnot do nového rozsahu 0-255. i)
Spusťte STRETCH pro všech sedm dříve vytvořených vegetačních indexů (nepoužívejte 90NOSUCH ani 90YELLOW). Zvolte lineární roztažení s 256 úrovněmi ve výstupu. Zadejte názvy výstupních souborů plus příponu „-BYTE“ (například vytvořte 90RATIO-BYTE, 90NDVI-BYTE …). Pro úsporu času je možno použít Macro Modeler.
j)
Spusťte modul PCA. Vyberte extract covariances directly (kovariance extrahovat přímo) a označte 7 vstupních pásem. Zadejte názvy 7 obrazů vegetačních indexů po roztažení. Vyberte extract 4 components (extrahovat 4 hlavní komponenty). Zadejte řetězec „VI“ (Vegetation Indices) jako prefix výstupního souboru a vyberte to use standardized variables (použít standardizované proměnné) vytvářející rastrové obrazy s celými čísly (poslední volba). Výstupní rastrové obrazy se budou nazývat VICMP1, VICMP2, VICMP3 a VICMP4. Zobrazte tyto rastry.
Obrazy (hlavních) komponent popisují nejdůležitější příznaky obsažené v 7 vstupních obrazech vegetačních indexů. Obraz první komponenty ukazuje příznaky, které jsou společné všem vstupním obrazům. Obraz druhé komponenty ukazuje další nejdůležitější příznaky, které zůstaly po odstranění první komponenty a tak dále. Statistické charakteristiky vytvořené pomocí PCA, obsahují informace o procentech rozptylu vyjádřených každou komponentou a o váhách (angl. loadings), koeficientech představujících míru korelace mezi každým vstupním pásma a každou komponentou. Otázka 7: Porovnejte VICMP1 se vstupními „roztaženými“ obrazy vegetačních indexů. V čem jsou si nejpodobnější? Jsou váhové koeficienty těchto vstupních obrazů vysoké ve srovnání s jinými pro tuto komponentu? Nedávný výzkum4 ukazuje, že v jednoduché studii, porovnávající 25 obrazů vegetačních indexů, první komponenta popisuje všeobecný vegetační index, zahrnující prvky zeleně a půd na pozadí. Druhá komponenta reprezentuje ty indexy, které jsou korigovány pro půdy na pozadí, a třetí komponenta popisuje půdní vlhkost.
Analýza změn s využitím vegetačních indexů Nyní budeme podnikat analýzu mezi obrazovými daty ze dvou různých časových období. Soustředíme se na identifikaci oblastí, které mezi roky 1980 a 1990 podstoupily rozsáhlé změny. k) Zobrazte si MAUR80-BAND3, blízké infračervené pásmo obrazového záznamu z roku 1980, s využitím šedotónové palety (Grayscale palette) a funkce autoscaling with Equal Interval (automatické roztažení hodnoty se stejnými intervaly). Bohužel data z roku 1980 mají výrazně znatelné efekty páskování (striping), způsobené špatnou kalibrací senzoru. Jsou to však nejlepší data z toho období, která máme k dispozici, takže je použijeme5. 4 Thiam, Amadeu, 1997. Geographic Information and Remote Sensing Systems Methods for Assessing and Monitoring Land Degradation in the Sahel Region: The Case of Southern Mauritania. PhD Dissertation, Clark University, Worcester, Massachusetts. 5 Můžete si přát vyzkoušet zmírnit páskování (striping) použitím Fourierovy transformace u obrazů z roku 1980. Použijte zpětnou transformaci, odfiltrujte horizontální prvky a potom použijte dopřednou transformaci. Více informací naleznete v kapitole Fourier Analysis (Fourierova analýza) v publikaci IDRISI Guide to GIS and Image Processing.
l)
Zvolte jakýkoliv z vegetačních indexů, který jste použili při zpracování dat z roku 1990 a vytvořte odpovídající rastrový obraz pro rok 1980. Pokud zvolíte vzdálenostní vegetační index, budete muset nalézt nové parametry půdních linií pro data z 1980, od té doby se mohla vlhkost půdy změnit a oblasti odkryté půdy mohly být změněny.
Nejzákladnější metodou analýzy změn je vizuální porovnání. m) Podívejte se na dvojice obrazů vegetačních indexů a pokuste se určit oblasti, kde jsou změny vegetace evidentní. Páskování, které je znatelné ve scéně z roku 1980, je pozůstatek funkce systému senzorů. Použijte HISTO se dvěma obrazy vegetace a poznamenejte si průměrnou hodnotu pro celý obraz. Otázka 8: Ukazuje se, že v roce 1990 je více nebo méně vegetace než v roce 1980? Nejbližší srážkoměrnou stanicí od této oblasti je město Mbout, nacházející se mimo obraz na východě. Stanice zaznamenala přibližně 200 mm deště v roce 1980 a 240 mm deště v roce 1990. Protože vodní srážky a vegetační kryt jsou silně korelované, můžeme očekávat, že uvidíme obecně vyšší hodnoty vegetačních indexů v roce 1990 než v roce 1980. Existuje mnoho kvantitativních metod, které můžeme použít pro analyzování změn mezi dvěma obrazovými záznamy. Budeme zde zkoumat pouze jednu, jednoduché diferencování. Pro dokonalejší zacházení s technikami analýzy změn, se podívejte na kapitolu Time Series/Change Analysis (Časové řady/Analýzy změn) v publikaci IDRISI Guide to GIS and Image Processing. Můžete použít data ze cvičení pro samostatné zkoumání mnoha technik prezentovaných v této kapitole. Při jednoduchém diferencováním pouze odečteme jeden obraz od druhého, potom analyzujeme výsledek. Kritickou záležitostí se potom stává nastavení vhodné prahové hodnoty pro rozdílový obraz, pomocí něhož chceme posoudit skutečné změny oproti dočasným změnám, které se vyskytly. Pro identifikování těchto prahových hodnot by měly být obvykle použity informace získané na místě. n) Pro odečtení rastrového obrazu z roku 1990 od obrazu z 1980 použijte OVERLAY. Výsledný obraz označte 1980-1990. Použijte HISTO s obrazem 1980-1990 a změňte šířku třídy, tak aby byla malá ve vztahu rozsahu hodnot v obrazu 1980-1990. (Šířka třídy bude závislá na příslušném vegetačním indexu, který si vyberete. Ujistěte se, že budete mít nejméně 100 hodnot v histogramu). Poznačte si distribuci hodnot, jakož i aritmetický průměr a směrodatnou odchylku. Při absenci podpůrných informací (získaných na místě), které řídí váš výběr vhodného prahu pro rozlišení změněno/nezměněno, použijeme směrodatnou odchylku. Posoudíme, zda pouze tyto pixely ležící za dvojnásobkem směrodatné odchylky jak v záporném tak v kladném směru, představují skutečné změny a ty, které jsou uvnitř dvojnásobku směrodatné odchylky, reprezentují normální rozpětí. V normálním rozdělení, 90% hodnot spadá do rozpětí dvojnásobku směrodatné odchylky. Nastavením našeho prahu, je tedy identifikováno 10% pixelů jako naše oblasti významných změn. o) Pro obraz 1980-1990 použijte RECLASS a hodnoty aritmetického průměru a směrodatné odchylky, které naleznete nahoře, k vytvoření nového obrazu, CHANGE, v němž oblasti ukazující významné negativní změny vegetace v období od roku 1980 do 1990, mají hodnotu 1, oblasti normálním rozptylem mají hodnotu 2 a oblasti s významnými pozitivními změnami v období 1980 až 1990 mají hodnotu 3. Otázka 9: Jaká je distribuce pozitivních a negativních změn ploch ve studované oblasti? (Pokuste se zanedbat změny, které vznikly v důsledku chybné kalibrace senzoru v rastrovém obrazu z roku 1980.) Volitelné: Opakujte kroky a) až o) pro všechny další vegetační indexy a porovnejte výsledky. Do jaké míry může mít volba vegetačního indexu vliv na finální vyhodnocení změn?
Odpovědi 1.
Zjištění získaná touto vizuální analýzou mohou být různorodá. V obou obrazech se ukazuje docela zřetelně struktura vodní sítě (angl. drainage patterns), protože má vyšší hodnoty vegetačního indexu, jak by se dalo očekávat. Rozdíly mezi dvěma obrazy jsou jemnější. Když v obou obrazech saturací (Layer Properties)
2.
3.
4.
5. 6. 7.
8. 9.
snížíte rozsah zobrazovaný hodnot v horní polovině variačního rozpětí, zdá se, že obraz NDVI má relativně více pixelů s vyššími hodnotami v oblastech s nízkým množstvím vegetace a obraz poměrového indexu (angl. Ratio image) má relativně nižší hodnoty pixelů v oblastech s nízkým množstvím vegetace. Normalizace NDVI slouží k minimalizaci topografických efektů a chyb způsobených dělením nulou. Rovnice pro výpočet NDVI je: (IR-Red)/(IR+Red) Jestliže předpokládáme, že vegetace má vyšší hodnoty odrazivosti v infračerveném oboru než v červeném oboru, pak NDVI by měl být pro vegetaci vždy kladný. Tedy naše identifikace pixelů, zobrazujících odkryté půdy, může mít hodnoty NDVI =< 0. Proto tedy vyjádřením „rovno nebo menší než“ v modulu RECLASS, byste mohli přiřadit novou hodnotu 1 hodnotám v intervalu <-1; 0,000001> a novou hodnotu 0 hodnotám v intervalu (0,000001; 1> . To by mohlo zahrnovat i hodnotu 0 v kategorii odkrytých půd. Když červený obor je nezávisle proměnná a infračervený obor závisle proměnná: Y=-1,01+1,00X; r2=98,41. Když infračervený obor je nezávisle proměnná a červený obor závisle proměnná: Y=2,36+0,98X; r2=98,41. První číslo v rovnici vyjadřuje posun půdní linie na ose Y (angl. intercept), druhé číslo je sklon půdní linie (angl. slope) vzhledem k ose X (zobrazená čísla jsou zaokrouhlena na 2 desetinná místa). Vaše rovnice bude mírně odlišná, jestliže pro maskovací obraz používáte reklasifikační kriteria, odlišná od případu popsaného ve 2. otázce. Tyto tři obrazy jsou velmi odlišné. Obraz PVI3 částečně identifikuje rozlehlé oblasti s relativně vysokým výskytem vegetace, které nelze identifikovat na ostatních dvou obrazech (ani na obrazech ze skupiny poměrových vegetačních indexů). Oblasti s malým výskytem vegetace mají většinou relativně nízké hodnoty na obrazu PVI než na obrazech WDVI. PVI a WDVI by měly být významnější než obrazy Ratio a NDVI, protože dříve měly relativně menší hodnoty v oblastech s malým množstvím vegetace. Nicméně obraz PVI3 nelze jednoduše spojovat s obrazy indexů z jiných skupin. Oblasti s velkým množstvím vegetace jsou tmavší než oblasti s menším množstvím vegetace, protože vegetace je tmavší než odkrytá půda. Váhy (angl. loadings - koeficienty představujících míru korelace mezi každým vstupním pásma a každou komponentou) pro obraz VICMP1 jsou nejvyšší v poměru k NDVI, PVI a WDVI. Nejnižší váha je pro PVI3, což potvrzuje, že PVI3 je značně odlišný od ostatních indexů. Nejvyšší váhu má obraz druhé komponenty PVI3. Zde odpověď závisí na vybraném indexu, ale zdálo by se, že oblast má celkově více vegetace v roce 1990 než v roce 1980. Bohužel, páskování na obrazu z roku 1980 působí obtíže při ohodnocení. Oblasti, které vykazují největší nárůst vegetace v období 1980-1990 se zdají být podél zavlažovacích systémů. Zdá se, že mnohé z toho je klasifikováno jako negativní změna, odpovídá problémům s páskováním v obrazu z roku 1980.
