Készítette: © Kurucz Lajos
Karcag és környéke űrfelvételének kiértékelése
Készítette: …………………………… ……… geográfus hallgató Konzulens: Dr. Szabó Gergely Egyetemi adjunktus
1. Bevezetés 1.1. A távérzékelés fogalma A távérzékelés (angolul: Remote Sensing) azon technológiák egyike, melyet egyre szélesebb körben alkalmaz az emberiség a legkülönbözőbb feladatok megoldására. Általánosságban úgy fogalmazhatunk, hogy a távérzékelés a ”Föld felszínéről, annak jelenségeiről közvetlen kapcsolat nélküli méréssel, műszeres megfigyeléssel történő információszerzés” (Almár I. – Both E. – Horváth A., 1996.) Egyes kutatók szerint a távérzékelés fogalmába nemcsak a speciális adatgyűjtést, hanem az adatok kiértékelését is beleértjük (Lóki J., 2002). 1.2. A műholdas távérzékelésről A műholdas távérzékelés kialakulása a hidegháború időszakára esik. A két szuperhatalom (az USA illetve a Szovjetunió) az 1950-es években indította el műholdas katonai felderítő programját. A múlt század közepe óta a titkos kémműholdak szupertitkos berendezései a katonai felderítés kétségkívül legfontosabb eszközeivé váltak, hiszen számtalan olyan stratégiai (és taktikai) célpont létezik, amelynek megközelítése a felszínen, vagy a levegőben tilos és / vagy lehetetlen, mivel szoros katonai védelem alatt áll, az ellenséges ország belső területein helyezkedik el, vagy egyéb okok miatt. Mindezen objektumok, jelenségek, folyamatok azonban jól megfigyelhetőek a nagy felbontású műholdfelvételek segítségével. A katonai felhasználás mellett azonban a civil szféra is hamarosan felfedezte a távérzékelésben rejlő hatalmas lehetőségeket. A katonai műholdak mellett hamarosan megjelentek a kettős – (polgári és katonai), majd tisztán polgári célú műholdak. Az erőforrás-kutató műholdak sorát az amerikai Landsat-1 (korábbi nevén ERTS-1) nyitotta meg, melyet 1972-ben bocsátottak fel a világűrbe. A folyamatos technikai fejlődés eredményeként a távérzékelési műholdak ma már olyan – méteres (sőt annál is jobb) felbontású – felvételeket szolgáltatnak, melyek számos – a civil életben felmerülő feladat megoldására – is – alkalmasak. Ezen alkalmazások köre igen széles spektrumot fog át a meteorológiától az erőforrás-kutatásig, a mezőgazdaságtól az orvostudományig. 1.3. Célkitűzés – A kiválasztott mintaterület – A felhasznált űrfelvétel Dolgozatom célja egy általam kiválasztott mintaterület tájhasználati tematikus térképének elkészítése (a terület vizuális és digitális interpretációja révén), amelyhez kiindulásképpen egy, - a SPOT 4 erőforrás-kutató műhold által készített - űrfelvétel áll rendelkezésemre. Az általam választott mintaterület űrfelvétele az Alföld egy kis szegletét, a Nagykunság keleti részét ábrázolja. A mintaterület egyetlen települése ”a Nagykunság fővárosa” – Karcag. A felhasznált űrfelvételt 2004. május 3-án készítette – HRVIR nevű berendezésével – a SPOT 4 műhold.
-1-
2. A SPOT műholdprogramról 2.1. Történeti áttekintés Az első erőforrás-kutató műholdsorozat - az amerikai Landsat - sikerén felbuzdulva a 1978-ban a francia kormány úgy határozott, hogy elkezdik egy önálló földmegfigyelési program kidolgozását. A program irányítását a francia űrügynökség: a Francia Nemzeti Űrkutatási Központ1 végzi, illetve a projekt a SPOT (Systeme Pour l’Observation de le Terre) nevet kapta. A program keretében napjainkig öt műhold felbocsátására került sor. Az elsőt a SPOT 1-et 1986. február 22.-én, míg ez idáig az utolsót – a SPOT 5-öt – 2002. május 4.-én lőtték fel a világűrbe (1. ábra).
1. ábra. A SPOT műholdsorozat – Forrás: CNES – Spot Image - http://www.spot.com 2.2. A SPOT berendezései Mint már említettem, az általam választott űrfelvételt a SPOT 4 erőforrás-kutató műhold készítette - HRVIR nevű berendezésével. A berendezés legfontosabb paraméterei: A berendezés térbeli felbontása multispektrális módban hozzávetőlegesen 20 méter, pankromatikus módban pedig mindössze 10 m (Forrás: Spot Image2). (Természetesen a függőlegestől eltérő tengelyű képalkotás esetén a pixelméret szükségszerűen nagyobb.) A SPOT 4 HRVIR nevű érzékelőjének spektrális felbontását – mely megegyezik a rendelkezésemre álló űrfelvétel sávjaival – az 1. táblázat szemlélteti. Spektrális sávok B1 B2 B3 B4
Spektrális felbontás - m m 0,50 - 0,59 0,61 - 0,68 0,79 - 0,89 1,58 - 1,75
A sáv névleges spektrális helye zöld (green) vörös (red) közeli–infravörös (NIR) közép–infravörös (SWIR)
1. táblázat. A SPOT 4 műhold HRVIR berendezésének spektrális felbontása - Forrás: Mucsi L., 2004; Lóki J., 2002., és Spot Image adatok alapján saját szerkesztés 1
2
CNES, Centre National d'Etudes spatiales - http://www.cnes.fr/web/455-cnes-en.php Spot Image - http://www.spotimage.fr/
-2-
Az általam kiválasztott űrfelvételt vizuálisan és digitálisan is kiértékeltem.
3. Az űrfelvétel vizuális interpretációja A műholdfelvétel vizuális értékeléséhez - három csatorna adatait felhasználva kompozit képet készítünk (a kompozit készítését részletesebben később, a digitális kiértékelésnél ismertetem). A kompozit vizuális szemrevételezésével megpróbáljuk felismerni a különböző természetes (természeti) és antropogén (mesterséges) elemeket a tájban. Ehhez egyrészt saját terepi ismereteinket, másrészt különböző tematikus térképeket használunk. A területre vonatkozó személyes ismereteim – beleértve a ”határt is” – igen részletesek, hiszen Karcagon születtem és nőttem fel, tehát a régiót jól ismerem. Másrészt évtizedes személyes tapasztalatom vannak a régió területhasználatáról, melyekre nyaranként végzett mezőgazdasági munkák során tettem szert. A területről rendelkezésemre állnak különböző térképek (megye és várostérkép, a régió ökotérképe, a területen valamikor gazdálkodó termelőszövetkezet ”táblatérképe” stb. csak hogy a leglényegesebbeket említsem), mely alapján az ismeretlen területek jórészt nagy valószínűséggel azonosíthatók. De még így is maradnak ismeretlen ”foltok”, melyek beazonosításához helyszíni bejárás lenne szükséges. A 2. ábra a mintaterületet ábrázolja egy, a műholdfelvétel három csatornájából készített kompoziton.
2. ábra. A mintaterület egy SPOT 4 – HRVIR kompoziton (BGR 432) Az elkészített kompozitot a térképekkel összevetve kiderül, hogy a mintaterület szinte kizárólag csak Jász-Nagykun-Szolnok megye területét érinti, mindössze a keleti része nyúlik át Hajdú-Biharba. A felvétel metaadatából kiolvasható, hogy a terület kiterjedése kelet-nyugati irányban 14,6 km, az észak-déli irányban pedig közel 10,4 km. Nagysága az előző adatokból könnyen -3-
kiszámítható, több mint 150 km2. Ám ez a hatalmas terület is mindössze kevesebb, mint a felét jelenti a város 67 ezer holdas határának. A kompoziton viszonylag jól elkülönülnek a területhasználat különböző típusai. Elemzésemben a természetes (természeti-) elemektől haladok az antropogén objektumok felé. Erdők, fás területek Legegyszerűbben az erdők foltjait különíthetjük el, melyeket a zöld sötétebb árnyalatai jeleznek a felvételen. Karcag határában túlnyomórészt lombhullató erdő (melyek fajösszetételében elsősorban a tölgy és az akác a domináns) található. Három nagyobb, és több kisebb erdőfoltot fedezhetünk fel. A legnagyobb terület a kompozit DK-i részén a 4-es számú főút és a Hortobágy-Berettyó határolta Apavári-erdő tölgyese, európai hírű nagyvadas vadászterület. A másik nagyobb folt, már Hajdú-Bihar megye területére esik – felvétel ÉK-i részén – a Hortobágy-Berettyó bal partján található. A harmadik pedig a településtől nyugatra a ”város tüdeje”-ként, valamint rekreációs területként is funkcionáló igen gazdag fajösszetételű erdő. Ezen kívül csak kisebb erdőfoltok ismerhetők fel: erdősávok, illetve a város köztemetőit övező erdők (Karcagtól K-re és D-re). Rétek, legelők és kaszálók A várostól ÉNy-i és déli, délkeleti irányba levő – jórészt igen szabálytalan alakú – kékes-lilás színű parcellák rétek, legelők és kaszálók. Szántók A határ túlnyomó részét – más alföldi mezővárosokhoz hasonlóan – szántóterületek foglalják el. Ezek elsősorban szabályos – általában téglalap – alakjukról ismerhetők fel. Színük igen változatos a (világos/abb/) zöld különböző árnyalataitól – a lila különböző árnyalatáig terjed. Megfigyelhető a táblák viszonylag nagy mérete, mely a ”szövetkezeti város”-i múlt maradványai, és valamelyest a mai napig is fennmaradtak (az egykori TSZ-ek jogutódai által). (A hatalmas táblamértek még inkább feltűnőek élkiemelő szűrő alkalmazása esetén.) Kertek A várostól nyugatra lévő kis, téglalap alakú parcellák a kerteket jelzik. A kertek mozaikossága részint természeti okokra (talajadottságok különbözősége különböző vetésszerkezet), részint társadalmi okokra vezethető vissza (beépítettség növekedése – lakófunkció előtérbe kerülése, különösen a fürdő közelében). Vizek és vizekkel kapcsolatos létesítmények A kompoziton jól kivehetőek a legnagyobb vízfolyások, bár szélességük sehol nem éri el a felvétel térbeli felbontását – a 20 métert. Ennek az az oka, hogy a vízmosások partjain található (füves-) bokros - fás növényzet igen jól elüt a csatornát kísérő szántóktól, illetve füves területektől. A két legnagyobb vízfolyás: a felvétel keleti részén – néhány kanyarulattól eltekintve – ember alkotta szinte nyílegyenes medrében futó Hortobágy-Berettyó, valamint a szintén a várostól keltre látható DK-ÉNy futásirányú ”I. sz. belvíz-főcsatorna”. A lakott területtől délre – fekete és sötétbarnás foltok formájában – kisebb-nagyobb tavakat fedezhetünk fel, melyek a hajdani téglagyár(ak) agyagbányászatának emlékei. Annak, hogy ez, Magyarország egyik legszárazabb vidéke valamikor vízben bővelkedett (a Tisza és a Hortobágy-Berettyó uralma alatt állt a terület, – és árvizeik idején víz borította szinte az egész Nagykunságot (a legmagasabb részek kivételével) – mára alig maradt nyoma. Mindössze a Hortobágy-Berettyó mentén felismerhető morotvák maradványai jelzik az egykori vízivilágot. Az előbb említett I. sz. belvízcsatornával párhozamosan, – az Ágota-hídhoz vezető út felénél található az 1809-ben elkészült Zádor-híd, (mely a két évtizeddel később felépített hortobágyi kilenclyukú híd mintájául is szolgál, és a nagy alföldi vízrendezések előtt a Karcag-Debrecen útvonal egyik fontos átkelőhelye volt a Zádor-ér felett). Ez, – valamint az -4-
előbb említett öntözőcsatorna – már átmenetet képvisel az antropogén objektumok felé, bár a Zádor-híd, mivel füves vegetáció borítja, viszonylag jól beleolvad környezetébe. Beépített területek – Város környéki antropogén létesítmények A beépített terület maga a ”város” igen mozaikos képet mutat – a piros különböző árnyalataiban (a rózsaszíntől a bordóig) pompázik, melyet a zöldfelületek zöldje tesz változatossá. Megfelelő nagyítással még az utcahálózat is könnyen felismerhető, különösen a nagyobb sugárutak és az azokat összekötő körutak. A várostól viszonylag elkülönülve fedezhetjük fel Karcag két legújabb városrészét. É-on a Nagyvénkert, DNy-on pedig a jóval nagyobb területű, de mint láthatjuk igen laza beépítettségű, és sok zöldfelülettel rendelkező Kertvárost (Kisföldek), melynek legdélebbi csücskén a Debreceni Egyetem Agrártudományi Centrumának Karcagi Kutatóintézete (illetve annak arborétuma) is felismerhető. A településen kívül több nagyobb méretű antropogén létesítmény is felismerhető. Ilyen a várostól ÉK-re (a 3104-es számú út mellett) a Carlgill (Agribrands Europe Hungary Zrt.) takarmánykeverő telepe /1/ és a Karcagi Cserhát Mg. Kft. ”Cserhát-központja” /2/. A volt ”Szabad-Ifjúság-központ” (É-ra) /3/ mellett a Karcagtól keletre elhelyezkedő városi szennyvíztisztító komplexuma /4/, a volt laktanya épülettömbje (DK-re) /5/, a bezárt karcagi téglagyár (D-re) /6/, valamint a Kunagro21 Kft. Tarattyó úti telepe (DNy-ra) /7/ is jól felismerhető. A 3. ábra az antropogén létesítményeket mutatja az előbbi kompoziton
Tilalmasi út
3104-es út
3
Zádor-híd
2 1
4
103-as vasúti szárnyvonal
5
100-as vasúti fővonal
6 7
4-es főút
3. ábra. A fontosabb város környéki mesterséges létesítmények egy BGR 432 kompoziton. Vonalas infrastruktúra Jól kirajzolódnak a vonalas infrastruktúra különböző elemei is. A 4-es számú (E60) főközlekedési út, valamint a 100-as vasútvonal (azaz a Budapest-Záhony fővonal) a településtől délre jól azonosítható. A terület Ny-i részén a vasút (északabbra) és a főút -5-
(délebbre) között kilométeres távolság van, ami a laktanya után néhányszor tíz méterre csökken. A városból ÉK-i irányába kifutó műút (3104-es számú út - a ”Madarasi út” és a mellette futó (103-as számú) Karcag-Tiszafüred vasúti szárnyvonal együtt jól látszódik, igen határozott vonalat képez, bár már nem különíthető el a felvételen. A várostól északra pedig ÉÉNy-DDK iránnyal a Tilalmasi út képe rajzolódik ki.
4. Az űrfelvétel digitális kiértékelése Az űrfelvétel digitális interpretációját a Clark Labs szakemberei által kifejlesztett Idrisi programmal végeztem3.
Az 1. csatorna képe
A 2. csatorna képe
A 3. csatorna képe A 4. csatorna képe 4. ábra. A kiértékelésre rendelkezésre álló 4 csatorna képe szürkeárnyalatos palettával (grey256) megnyitva. 4.1. Kompozit készítés Ha űrfelvételek hullámsávjaiból hármat kiválasztunk, és e három csatorna szürkeárnyalatos színeit – azaz az adott képpont értékének megfeleltetett színt – lecseréljük a kék, a zöld és a piros különböző intenzitású színeire, majd ”összeadjuk” a felvételeket, akkor ”hamisszínes” kompozitot kapunk. 3
A Clark Labs a Clark University keretein belül működő George Perkins Marsh Institute kutatási központja. Bővebben l. Clark University hivatalos honlapja: http://www.clarku.edu, és a Clark Labs weblapja: http://www.clarklabs.org
-6-
A rendelkezésemre álló 4 csatornából 3-at – 3-at kiválasztva, és különböző módon sorba rendezve, – és különböző beállítások mellett – kompozit képeket készítettem. A kompozit készítési beállítások közül azt találtam a legmegfelelőbbnek, mikor a kontraszt sztreccselésének típusa (Contrast stretch type) lineáris szaturációs pontok megadásával (Linear with Saturation), és a szaturáció értéke 2 %. Ezen beállítások mellett elkészítettem az összes lehetséges kompozitot, szám szerint 24-et, melyet mellékeltem a dolgozathoz. Az elkészített kompozitokból mutat be néhányat az 5. ábra.
5. ábra. Néhány tetszőlegesen kiválasztott kompozit képe Az összes kompozit képét elmentettem BMP (Windows bitmap) formátumba, melyet szintén mellékeltem a dolgozatomhoz. E sorozat végignézése során a BGR432-es összeállítású kompozit esetén figyeltem meg a legjobb elkülönülést a különböző területhasználati típusok között, ezért a továbbiakban ezt használtam, illetve ezen végeztem el a vizuális interpretációt. (BGR432 – vagyis a kompozit készítésekor a kék (B) színhez a közép-infravörös (4), a zöld (G) színhez a közeliinfravörös (3), a vöröshöz (R) pedig a vörös (2) csatornát rendeltem.) 4.2. Nem ellenőrzött osztályba sorolás (”unsupervised classification”) A felvétel digitális kiértékelésekor először a ”nem ellenőrzött osztályba sorolás” módszerét alkalmaztam. A nem ellenőrzött osztályba sorolást a CLUSTER utasítással hajtjuk végre. Az utasításon belül több lehetőségünk is van, hogy megadjuk a ”nem ellenőrzött osztályba sorolás” szabályait. Egyrészt lehetőségünk van a generalizációs szint (Generalization level) megadására, vagyis megszabhatjuk, hogy mennyire egyszerűsítsen a program. A generalizációs szint lehet ”Broad” – széles, illetve ”Fine” – finom. Az előbbi esetben kevesebb, az utóbbi esetben több osztályt képez az Idrisi.
-7-
E mellett a program ad három lehetőséget az osztályozás szabályai megadása tekintetében (Clustering rule). Az első lehetőség szerint a program elhagyja az azon csoportokat, melyek részaránya a területből kevesebb, mint 1 %. A második választási lehetőség szerint mi szabhatjuk meg, hogy maximum hány osztályt képezzen a program, a harmadik beállítás szerint pedig minden osztályt megtart, amelyről ”úgy gondolja”, hogy létezik. Elemzés ”Broad” generalizációs szinten – (az osztályozás szabálya: a program hagyja el azon csoportokat, melyek részaránya a területből kevesebb, mint 1 %) Amennyiben a folyamatot úgy hajtatom végre, hogy minden lényeges osztály megmaradjon, – vagyis egy általános képet kapjunk a spektrális osztályokról –, akkor csak 5 osztályt eredményez az analízis. Ebben az esetben több, nyilvánvalóan elkülönülő osztályt egybeolvaszt a szoftver (6. ábra). Elemzés ”Fine” generalizációs szinten – (az osztályozás szabálya szintén az, hogy: a program hagyja el azon csoportokat, melyek részaránya a területből kevesebb, mint 1 %) A finom osztályozási móddal elvégezve az analízist jóval részletesebb képet kapok spektrális osztályokról, mint az előbb, sőt túl részleteset is. Fine osztályozási módban 22 csoportot képezett az Idrisi, ami már túlzottan magas érték, az összetartozó osztályok is több alosztályra estek szét. Ez különösen a szántók esetében figyelhető meg, míg az erdőterületek itt is viszonylag jól elkülöníthetőek (7. ábra). A beépített területekre egyik esetben se alakított ki külön osztályt a szoftver.
6. ábra A BGR432 szín-összeállítású 7. ábra A BGR432 szín-összeállítású kompozit ”Broad” generalizációs szinten kompozit ”Fine” generalizációs szinten való való osztályba sorolása osztályba sorolása Mint már említettem, a program arra is lehetőséget nyújt, hogy az osztályozás szabályai (”Clustering rule”) között megszabjuk a klaszterek számát. Ezt a lehetőséget én is alkalmaztam. Próbálgatással azt tapasztaltam, hogy 6-7-8 osztály kialakítása a legcélszerűbb. Ha ennél több osztályt alakítok ki, akkor csak a vizuálisan ”szántónak” és ”legelőnek” azonosított területeken belül differenciál tovább a program, míg a többi kategória gyakorlatilag szinte változatlan marad. Hosszas mérlegelés után – az előbb említett okok miatt – a 7 osztályt tartalmazó változatot tartom a legpontosabbnak a nem ellenőrzött osztályba sorolás eredményei közül (8. ábra).
-8-
8. ábra. A legeredményesebb beállításokkal végzett nem ellenőrzött osztályba sorolás A nem ellenőrzött osztályba-sorolásnál meglepődve tapasztalhatjuk, hogy a várost gyakorlatilag egyik maximálisnak megadott klaszter-értéknél sem ”azonosította” a program(vagyis nem jelenik meg külön osztályként), hanem a különféle egyéb (szántó és legelő) területekkel lett egy osztályba besorolva. 4.3. Ellenőrzött osztályba sorolás (”supervised classification”) Az ellenőrzött 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. 4.3.1. Tanulóterületek kijelölése A tanulóterületek digitalizálásának (majd az ellenőrzött osztályba sorolásnak) három esetét mutatom be. A tanulóterületek kijelölésében a különbséget a beépített terület (vagyis maga a város) jelentette. Úgy találtam, hogy az a változat adja a legjobb eredményt, ha a tanulóterületetek 7 csoportját alakítom ki (tanter1 nevű fájlok). Ezen belül összesen 20 tanulóterületet jelöltem ki. A legkevesebb – osztályonként két tanulóterületet – a legelő, a szántó_4 és a vizek (tavak) esetén, a legtöbbet (ötöt) pedig az erdők esetében alkalmaztam. A többi esetekben: szántó_1; 2 és 3 esetében kategóriánként három tanulóterület kijelölésére került sor. A második esetben az előzőek mellett – 8-ik osztályként – kijelöltem két tanulóterületet a város területén (tanter2). Ezek a város leginkább antropogén jelleget mutató részei. Egyik a belváros, ahol a legsűrűbb a beépítettség, másik pedig a város déli részén a vasútállomás és környéke, valamint a rizshántoló épülete, amelyek kapcsolódó létesítményeikkel a természetes objektumoktól leginkább különböző reflektanciát mutatnak. -9-
A harmadik esetben szintén két tanulóterületet jelöltem ki, amelyek azonban város egész területét lefedik (tanter3). (A két részletben való területkijelölés a Kertvárosnak a város központi részétől való viszonylagos elkülönülésével magyarázható.) A tanulóterületek elhelyezkedését szemlélteti a 9. ábra
9. ábra. A tanulóterületek elhelyezkedése az első esetben (tanter1). A tanulóterületek kijelölése után megvizsgáltam, hogy a tanulóterületek milyen eloszlásben fedik a pixelértékeket a rendelkezésemre álló 4 csatornán (SIGCOMP parancs alkalmazása). A tanter1 Signature Comparison diagramját szemlélteti a 10. ábra.
10. ábra. A tanter1 Signature Comparison diagramja Az ábrát szemlélve azt állapíthatjuk meg, hogy az elérhető legpontosabb területlehatárolás, a nagyszámú tanulóterület kijelölés ellenére is jelentős átfedések vannak az egyes - 10 -
intervallumok között, illetve jelentős számban találunk olyan pixelértékeket, melyek nem tartoznak egyik osztályba se. (Ha a tanulóterületek kijelölésekor nem figyelünk olyan pontosan a területhatáron lévő kissé másabb színű pixelek elkerülésére, akkor az egy kategóriába sem sorolt pixelek száma jóval kevesebb lenne, de a digitális kiértékelés eredménye viszont elmaradna az alább bemutatott osztályba sorolásoktól.) A másik két eset Signature Comparison diagramját mutatja a 11. ábra.
11. ábra. A tanter2 és a tanter3 Signature Comparison diagramja. Ha a város területén (a beépített területeken) is jelöltem ki tanulóterületet, akkor mindkét esetben azt figyelhetjük meg (az előbbi megállapítások mellett), hogy a város gyakorlatilag az összes pixelértékből tartalmaz néhányat, sőt a 3-as és a 4-es csatorna teljes spektrumát lefedi. (A tanter2 és a tanter3 Signature Comparison diagramja azonos képet mutat.) 4.3.2. Az ellenőrzött osztályba sorolás végrehajtása Az ellenőrzött osztályba sorolást három fő módszer szerint végezhetjük (Lóki J., 2002): • PIPED • MINDIST • MAXLIKE 4.3.2.1. A PIPED (paralepipedon) módszer alkalmazásának bemutatása Az első esetben (tanter1) a település esetében nem került sor tanulóterület kijelölésére. Ennek az az oka, hogy a vizuális interpretációval kitűnően azonosított város űrfelvételének képe (a kompozit) nagyon mozaikos (inhomogén) képet mutat, gyakorlatilag majd az egész spektrumát tartalmazza a lehetséges pixelértékeknek. Ezért azon esetekben, mikor a város belterületéből is jelöltem ki tanulóterületeket (tanter2 és tanter3), akkor a külterület digitális kiértékelésének eredménye egyes esetekben jóval rosszabb lett – a város néhány esetben a külterület jó részét is ”elfoglalta”, szinte csak az erdők területét interpretálta megfelelően a program. Így a tanter2 és -3 PIPED módszerrel való kiértékelésének eredménye azonos, és gyakorlatilag használhatatlan. Az tanter1 esetében viszont az osztályozás pontosabb képet mutat. Itt viszont elég sok a feketével jelölt terület, melyek nem kerültek egyik osztályba sem. Az alábbi 12. és 13. ábra ezt szemlélteti. - 11 -
12. ábra. A PIPED módszer alkalmazásának eredménye – tanter1 használata esetén
13. ábra. A PIPED módszer alkalmazásának eredménye – tanter2 (bal oldali kép) és tanter3 (jobb oldali kép) használata esetén 4.3.2.2. A MINDIST (minimum distance) módszer alkalmazásának bemutatása A legkisebb távolság elvén alapuló módszer alkalmazása esetén az első esetben a legelőterületek kissé felülreprezentáltak, de attól eltekintve elég pontos képet kapunk a területhasználati típusokról. (Természetesen figyelembe véve, hogy mivel nem jelöltem ki tanulóterület(ek)et a városra, így ott minden külterületi területhasználati típus megfigyelhető, amely természetesen nem felel meg a valóságnak) 14. ábra.
- 12 -
14. ábra. A MINDIST módszer alkalmazásának eredménye – tanter1 használata esetén Amennyiben azt a két esetet tekintjük, mely esetben a városra is jelöltem ki tanulóterületet, akkor viszont a beépített területek felülreprezentáltságának lehetünk tanúi, mert a szántóterületek egy részét is a beépített területet jelző osztályba sorolta a szoftver. (A tanter2 és a tanter3 MINDIST módszerrel való elemzésének eredménye azonos.)
15. ábra. A MINDIST módszer alkalmazásának eredménye – tanter2 (bal oldali kép) és tanter3 (jobb oldali kép) használata esetén
4.3.2.3. A MAXLIKE (maximum likelihood) módszer alkalmazásának bemutatása A ”legnagyobb valószínűség” módszerének alkalmazásakor szintén többféle beállítást alkalmaztam. Az alábbi ábrák (a 16. és a 17. ábra) az előbb megismert sorrendben mutatják az interpretáció eredményét azon az esetekben, mikor egyenlő valószínűséget használtam minden osztályra. (A tanter2 és a tanter3 MAXLIKE módszerrel való elemzésének eredménye szintén azonos.)
- 13 -
16. ábra. A MAXLIKE módszer alkalmazásának eredménye – tanter1 használata esetén (egyenlő valószínűségek mellett)
17. ábra. A MAXLIKE módszer alkalmazásának eredménye – tanter2 (bal oldali kép) és tanter3 (jobb oldali kép) használata esetén (egyenlő valószínűségek mellett) E mellett más beállításokkal is elvégeztem az interpretációt. Csökkentettem – növeltem az egyes osztályok valószínűségét (mindhárom eset alkalmazása esetén). Mivel azon esetben, mikor a beépített területen is jelöltem ki tanulóterületet nem hozott értékelhető eredményt, így az első esettel dolgoztam tovább, mikor csak a külterületen digitalizáltam tanulóterületeket. Ez esetben pedig azt találtam, hogy ha a szántó_2 valószínűségét csökkentem a többi osztály változatlanul hagyása mellett, akkor kapok a valóságnak leginkább megfelelő eredményt. A kapott adatbázis sok területen tartalmazott inhomogén és kisméretű parcellákat (különösen a város nyugati részén lévő kertek esetében, illetve a szántóként használt területeken) ezért ”szűrést” hajtottam végre, hogy a nagyon kis (mindössze néhány pixelnyi) foltok eltűnjenek, és a terület képe homogénebb legyen. A szűrés bemutatása Szűrés (FILTER) alkalmazása esetén a program a pixelek értékét úgy alakítja, hogy annak valamilyen módon köze legyen a szomszédoshoz. - 14 -
Kétféle szűrési eljárást különböztethetünk meg. Beszélhetünk alul-, illetve felüláteresztő szűrőkről. Az aluláteresztő (vagy átlagoló szűrő) szűrő homogenizál, míg a felüláteresztő (vagy élkiemelő szűrő) a hirtelen változásokat keresi a képen. Mivel nekem a kis foltok eltüntetésére volt szükségem, ezért egy átlagoló szűrő, a módusz (Mode) alkalmazása mellett döntöttem. A mozgó ablak méretének pedig 5X5 (filter size) pixelértéket választottam, mert nem akartam, hogy a városkörnyéki kisebb tavak eltűnjenek (beleolvadjanak környezetükbe) nagyobb méretű mozgó ablak alkalmazásával. A szűrés eredményét mutatja a 18. ábra.
18. ábra. A szűrés eredménye az adatbázisban.
5. Vetületi rendszerbe transzformálás A beadandó dolgozat követelményei között szerepel, hogy űrfelvételünket (vagy a kész tematikus térképet) vetületi rendszerbe – jelen esetbe EOV-ba – kell transzformálni. A rendelkezésemre bocsátott űrfelvételt megvizsgálva azt tapasztaltam, hogy az már vetületbe van illesztve. Ennek ellenére röviden ismertetem az EOV-t, és potenciális földi illesztőpontokat keresek a - már sokat használt - BGR 432 szín-összeállítású kompoziton, illetve táblázatos formában megadom azok EOV koordinátáit. 5.1. Az Egységes Országos Vetületi rendszerről Az Egységes Országos Vetületi rendszert (EOV) 1976-ban vezették be, azóta ez a magyarországi állami földmérési térképek (és általában a térinformatikai adatok) vetületi egységes rendszere. Ezen alapszik többek közt az Egységes Országos Térképrendszer (EOTR). Az EOV egy ferdetengelyű, szögtartó, metsző (süllyesztett) hengervetület. Alapfelülete a Nemzetközi Geodéziai Unió által 1967-ben elfogadott IUGG/1967 elnevezésű forgási ellipszoid. A pontok magasságát a Balti-tenger szintjére vonatkoztatják. A vetület x tengelye a Gellért-hegyi háromszögelési ponton áthaladó meridián, az y tengely pedig az - 15 -
ország középső szélességi vonala közelében haladó, és az előbbi meridiánra merőleges legnagyobb gömbi kör képe. Gyakorlati okokból a síkkoordináta rendszer kezdőpontját (200 km-rel délebbre és 650 km-rel nyugatabbra) egy, az ország területén kívül eső (alkalmasan kiválasztott) pontba helyezték át. Így az ország egész területe az első koordináta-negyedbe esik, és az ország területére eső pontok koordinátái mindig pozitív előjelűek. Minden x érték kisebb, és minden y érték nagyobb 400 km-nél. 5.2. Potenciális földi illesztőpontok keresése Mivel, mint már említettem, az űrfelvételem már vetületi rendszerbe van transzformálva, így csak annyit teszek meg, hogy egy kompoziton megkeresem (megmutatom) azon lehetséges földi illesztőpontok (angolul: Ground Control Point - GCP) helyeit, melyet akkor alkalmaznák, ha a felvételem nem lenne EOV-ba illesztve. Illetve e mellett megadom a GCP-k koordinátáit is. A kompoziton 25 GCP-t jelöltem be (19. ábra), és ezek közül (viszonylag egyenletes területi eloszlásba) 10 koordinátáját és helyzetét ismertetem szöveges formába (2. táblázat). GCP 3
GCP 2 GCP 1
GCP 4
GCP 5
GCP 6
GCP 7
GCP 8 GCP 9
GCP 10
19. ábra. Potenciális földi illesztőpontok a vizsgált területen.
- 16 -
a GCP EOV
GCP száma
y
1 2 3 4 5 6 7 8 9 10
788696 791536 794910 799131 789864 792998 796466 787863 792011 799361
a GCP helye szövegesen
x
koordinátái (m) 226145 227085 226542 227351 222600 222671 222636 220141 219195 218242
jellegzetes útkereszteződés (szántón) jellegzetes útkereszteződés (szántón) jellegzetes útkereszteződés (szántó - gyep) Hortobágy-Berettyó kanyarulata útkereszteződés (3104-es út - és egy földút) útkereszteződés – (gyepterület szegélye) jellegzetes útkereszteződés (szántón) jellegzetes útkereszteződés (szántón) vasúti átjáró közepe Apavári-erdő DK-i szegélye
2. táblázat. 10 kiválasztott GCP adatai.
6. A tematikus térkép elkészítésének utolsó lépései A városi beépített területeket digitalizáltam, majd létrehoztam egy üres adatbázist, mely pont akkora méretű, mint a szűréssel homogenizált adatbázis. Majd ebbe beletöltöttem a vektoros állományt (vagyis a beépített területeket). Végül egymásra fedettem a két raszteres adatbázist (a beépített területeket-tartalmazót) és a (MAXLIKE) ellenőrzött osztálybasorolással kapott, majd szűréssel homogenizált adatbázist) Elkészítettem a megfelelő színeket tartalmazó egyedi palettát. A legfontosabb csatornákat, és a vonalas infrastruktúra legfontosabb elemeit (vasútvonalakat és a közutakat) bedigitalizáltam, és vektoros rétegként ráhelyeztem a térképre. Majd a térképet elláttam azokkal a legfontosabb ”kellékekkel”, amelyek a térképet ”térképpé teszik”. Úgymint kilométerháló, szélrózsa és vonalas aránymérték. Az így elkészített tematikus térképet mutatja a 20. ábra.
20. ábra. A mintaterület földhasználati térképe
- 17 -
7. Egyéb alkalmazási lehetőségek bemutatása az Idrisiben Az Idrisi segítségével (a vetületi rendszer ismeretében) szoftveres lekérdezéseket is végezhetünk. Elkészítettem a mintaterület földhasználati táblázatát (3. táblázat). Kategória
Megnevezés
1 2 3 4 5 6 7 8
erdő legelő szántó_1 szántó_2 szántó_3 szántó_4 vizek beépített
Terület (ha) 726.46 2302.86 247.14 5885.83 99.97 5094.63 39.26 744.05
3. táblázat. Táblázat a mintaterület területhasználatáról. A program segítségével bonyolultabb feladatok is megoldhatóak. Ki tudjuk jelölni egy objektumtól bizonyos távolságra lévő pontokat, melynek ismerete számtalan gyakorlati alkalmazás tekintetében fontos lehet. A lehetőség bemutatására kijelöltem a 4-es számú főúttól 1500 méternél közelebb lévő területet (21. ábra). Most is lehetőségünk van a legkülönbözőbb lekérdezések elvégzésére, pl. lekérdezhető, hogy a település mekkora része esik a főútvonal 1,5 km-es körzetébe. (Jelen esetben közel 3,3 km2.)
21. ábra. A 4-es számú főúttól 1500 méternél közelebb lévő területeket földhasználati térképe
- 18 -
8. Összefoglalás A bevezetőben említett célkitűzést teljesítettem, általam kiválasztott űrfelvételt mind vizuálisan, mind pedig digitálisan kiértékeltem. Az előírt összes utasítást alkalmazva elkészítettem a mintaterület tájhasználati térképét, mely a – program és a rendelkezésre álló felhasznált műholdfelvétel alapján elérhető – legnagyobb pontossággal megfelel a valóságnak.
Felhasznált irodalom Lóki J. 2002.: Távérzékelés, Kossuth Egyetemi Kiadó, Debrecen p. 113. Mucsi L. 2004.: Műholdas Távérzékelés, Libellus Kiadó, Szeged p. 237. Almár I. – Both E. – Horváth A. 1996.: SH atlasz, Springer Hungarica Kiadó, Budapest p. 328. Unger J. 2003.: Bevezetés a térképészetbe, JATEPress Szeged p. 215.
- 19 -
