MASARYKOVA UNIVERZITA PŘÍRODOVĚDECKÁ FAKULTA GEOGRAFICKÝ ÚSTAV
Mapy vegetačního krytu vybrané části jižní Moravy vytvořené metodami DPZ a verifikace jejich přesnosti Bakalářská práce Lucie Geherová
Vedoucí práce:
RNDr. Petr Dobrovolný Csc.
Bibliografický záznam Autor:
Název práce:
Lucie Geherová Přírodovědecká fakulta, Masarykova univerzita Geografický ústav Mapy vegetačního krytu vybrané části jižní Moravy vytvořené metodami DPZ a verifikace jejich přesnosti
Studijní program:
Geografie a kartografie
Studijní obor:
Geografická kartografie a geoinformatika
Vedoucí práce:
RNDr. Petr Dobrovolný Csc.
Akademický rok:
2011/2012
Počet stran:
52
Klíčová slova:
DPZ; Mapování vegetace; Landsat 7; Vegetační indexy; NDVI; Tasseled Cap; Řízená klasifikace
Bibliographic Entry Author:
Title of Thesis:
Lucie Geherová Faculty of Science, Masaryk University Department of Geography Remotely sensed vegetation maps of selected part of South Moravia and verification of their accuracy
Degree programme:
Bachelor
Field of Study:
Geographical cartography and geoinformatics
Supervisor:
RNDr. Petr Dobrovolný Csc.
Academic Year:
2011/2012
Number of Pages:
52
Keyword:
Remote sensing; Vegetation mapping; LANDSAT 7; Vegetation indices; NDVI; Tasseled Cap; Supervised classification
Abstrakt V této bakalářské práci se věnujeme tvorbě map vegetačního krytu okolí Zlína prostředky DPZ a verifikaci jejich přesnosti. Pozornost je věnována zejména výčtu základních metodických přístupů, zvláště pak roli spektrálních indexů při mapování vegetace. Význam je přikládán také geometrické korekci snímku z Landsat 7 ETM+, který je v této studii zpracováván. Cílem je sestavení mapy vymezující vegetační druhy v rámci studovaného území. Přesnost této mapy je následně ověřena na základě informací z mapových zdrojů a terénního průzkumu.
Abstract In this bachelor thesis we study remotely sensed vegetation maps of surroundings of city Zlín and a verification of their accuracy. This bachelor thesis is especially focused on overview of the basic approaches to vegetation cover mapping; special attention is paid to spectral vegetation indices. The thesis is also based on the geometric correction of LANDSAT 7 ETM+ imagery. The last chapter deals with a creation of vegetation cover map of studied area. The map accuracy is verified by field investigation and information gained from maps.
Masarykova univerzita Přírodovědecká fakulta ZADÁNÍ BAKALÁŘSKÉ PRÁCE Student: Studijní program: Studijní obor:
Lucie Geherová Geografie a kartografie Geografická kartografie a geoinformatika
Ředitel Geografického ústavu Přírodovědecké fakulty MU Vám ve smyslu Studijního a zkušebního řádu MU určuje bakalářskou práci s tématem:
Mapy vegetačního krytu vybrané části jižní Moravy vytvořené metodami DPZ a verifikace jejich přesnosti Remotely sensed vegetation maps of selected part of South Moravia and verification of their accuracy Zásady pro vypracování: Sestavte mapy vegetačního krytu zvoleného území s využitím multispektrálních družicových snímků. Na konkrétních příkladech otestujte vhodné metody zvýraznění a klasifikace vegetačního krytu na snímcích především s ohledem na druhovou skladbu vegetace, případně dalších parametrů umožňujících studovat vlastnosti vegetace prostředky DPZ (zdravotní stav, vitalita, …). Verifikujte výsledné mapy na základě informací z terénního průzkumu, dostupných literárních a mapových zdrojů. Postup zpracování: 1) Sestavte přehled základních metodických přístupů k mapování vegetačního krytu prostředky dálkového průzkumu 2) Proveďte geometrickou korekci snímků zvoleného území 3) Vhodnými metodami (automatická klasifikace snímků, zvýraznění vegetační složky metodami vegetačních indexů) sestavte mapy charakterizující prostorovou diferenciaci vegetační složky ve studovaném území 4) Pomocí dostupných zdrojů zhodnoťte přesnost sestavených map.
Rozsah grafických prací:
podle potřeby
Rozsah průvodní zprávy:
cca 30-40 stran
Seznam odborné literatury: CAMPBELL, J. B. (1996): Introduction to Remote Sensing. Taylor and Francis. London. 622 s. LILLESAND, T.M., KIEFER, R.W. (1994): Remote sensing and image interpretation. John Wiley and Sons, New York, Chichester, Brisbane, Toronto, Singapore, 750 s. Xie et al. (2008) Remote sensing imagery in vegetation mapping: a review. Journal of plant ecology 1, s. 9-23. Internetové zdroje věnované problematice mapování vegetace prostředky DPZ články v odborných časopisech (Progress in Physical Geography) Studentské práce na obdobné téma zpracované na GÚ
Vedoucí bakalářské práce:
doc. RNDr. Petr Dobrovolný, CSc.
Podpis vedoucího práce:
..............................................................
Datum zadání bakalářské práce: Datum odevzdání bakalářské práce:
říjen 2010 do 13. května 2011
Poděkování Na tomto místě bych chtěla poděkovat především doc. RNDr. Petru Dobrovolnému, CSc. za ochotu, trpělivost a cenné rady při vedení této bakalářské práce. Ráda bych také poděkovala Mgr. Andree Kýnové za pomoc při řešení technických problémů. V neposlední řadě děkuji i rodině a přátelům za jejich podporu.
Prohlášení Prohlašuji, že jsem svoji bakalářskou práci vypracovala samostatně s využitím informačních zdrojů, které jsou v práci citovány. Brno 29. února 2012
……………………………… Lucie Geherová
OBSAH 1 ÚVOD
9
2 CÍL PRÁCE A POUŽITÁ DATA
10
3 VYMEZENÍ A CHARAKTERISTIKA ÚZEMÍ
11
3.1 Vymezení území
11
3.2 Charakterisitka území
12
3.2.1 Fyzickogeografická charakteristika
12
3.2.2 Socioekonomická charakteristika
14
4 METODY MAPOVÁNÍ VEGETACE A DOSAVADNÍ POZNATKY 4.1 Přehled základních metodických přístupů
16 17
4.1.1 Vegetační indexy
18
4.2.2 Zvýrazňování obrazu
18
4.1.3 Klasifikace
19
4.2 Dosavadní stav řešené problematiky
20
5 PŘEDZPRACOVÁNÍ A GEOMETRICKÁ KOREKCE
22
6 SESTAVENÍ MAP VEGETAČNÍHO KRYTU
25
6.1 Spektrální indexy
25
6.2 Extrakce druhů vegetace z histogramů spektrálních indexů
29
6.2.1 Les s převahou jehličnanů
30
6.2.2 Les s převahou listnáčů
32
6.2.3 Zemědělské plochy
33
6.2.4 Trvalé travní porosty
34
6.2.5 Zhodnocení výsledků metod prahování a hustotních řezů
35
6.3 Klasifikace obrazu
36
6.3.1 Rozmístění trénovacích tříd
36
6.3.2 Volba klasifikátoru
37
6.3.3 Výsledek klasifikace
38
6.3.4 Postklasifikační úpravy
38
7 VERIFIKACE PŘESNOSTI SESTAVENÝCH MAP
40
7.1 Lesní půda
40
7.2 Orná půda
41
7.3 Louky a pastviny
42
7.4 Hodnocení úspěšnosti vytvořené mapy
43
8 ZÁVĚR
44
SEZNAM POUŽITÉ LITERATURY
46
PŘÍLOHY
48
1 ÚVOD Dálkový průzkum Země nabízí řadu metod, které jsou často uplatňovány k mapování vegetačního krytu. Využíváno je zejména specifické odrazivosti vegetace, jež se výrazně liší od ostatních druhů povrchů. Rozdílné odrazivosti vegetace v různých intervalech spektra často využívají tzv. vegetační indexy, které bývají nejčastějším prostředkem při mapování vegetace. Předložená bakalářská práce se zabývá mapováním vegetačního krytu okolí Zlína. První část je věnována popisu družicového systému Landsat 7 ETM+, z něhož je zpracováván snímek. Následně je vymezeno území a popsány vlastnosti tohoto území s ohledem na jejich vliv na vegetační složku krajiny. V další části jsou představeny základní metodické přístupy k mapování vegetace prostředky DPZ a dosavadní poznatky zahraničních i českých autorů ve využití těchto metod. Důraz je dán především na vegetační indexy a klasifikační metody. Druhá, praktická část je věnována popisu zpracování dat. Po geometrickém zkorigování snímku bude jeho ořezáním vymezena oblast zájmu. Data budou zpracována metodami zvolenými na základě poznatků z rešerše literatury s cílem vymezení požadovaných druhů vegetačního krytu. Výsledná mapa pak bude ověřena z dostupných zdrojů a terénním výzkumem.
9
2 CÍL PRÁCE A POUŽITÁ DATA Cílem práce je sestavení mapy vegetačního krytu zvoleného území v rámci Zlínského kraje s využitím multispektrálních družicových snímků. Na konkrétních příkladech je třeba otestovat vhodné metody zvýraznění a klasifikace vegetačního krytu na snímcích. Zřetel je brán především na druhovou skladbu vegetace, případně i na její další vlastnosti (zdravotní stav, vitalita apod.). Výsledné mapy budou verifikovány na základě informací z terénního průzkumu a dostupných literárních či mapových zdrojů. Pro tyto účely je zvolen snímek z dat Landsat 7 ETM+. Landsat je americký systém družic. Pod záštitou NASA zaznamenává povrch Země již od 70. let minulého století a patří mezi nejdéle působící systémy. V dnešní době je archivováno již několik miliónů snímků z družic Landsat. Jednotlivé družice jsou označovány pořadovým číslem. Landsat 7 byl vypuštěn v dubnu 1999 a původně měl sloužit pouze 5 let. Nese senzor ETM+ (Enhanced Thematic Mapper Plus). Tato inovovaná snímací aparatura zaznamenává vedle původních 7 pásem i pásmo panchromatické s 15m prostorovým rozlišením. Pásma viditelného a infračerveného záření jsou označeny 1, 2, 3, 4, 5 a 7 a nacházejí se v intervalu o vlnových délkách 0,45 – 2,35 μm a jejich rozlišení je 30m. Interval termálního infračerveného pásma (10,40 – 12,50 μm) je označen jako pásmo 6 a má rozlišení 60m (NASA, 1999). Multispektrální snímky Landsat jsou pro své prostorové rozlišení využívány k mapování vegetace zejména v regionálním měřítku. Vzhledem k tomuto omezení neslouží data Landsat k mapování vegetace na úrovni rostlinných druhů. Především v heterogenním prostředí to není možné. Při použití správných výpočtů či pomocí doplňujících údajů lze zmapovat výskyt některých druhů (Xie at al., 2008). Kvalitu snímku ovlivňují i atmosférické jevy, jelikož jednotlivé scény družice snímá ve výšce 705 km. Dráha je synchronní se sluncem a ve chvíli přeletu nad rovníkem je družice pod úhlem 98,2°. Snímek, jehož data jsou použita v této práci, má označení 189/026 a byl pořízen 2. srpna 2000. Přibližně středem jeho scény prochází hranice České republiky a Slovenska, svými okraji snímek zasahuje do Rakouska i Polska. K transformaci snímku do Křovákova zobrazení jsou použita polohopisná vektorová data ZABAGED 1:10 000, poskytnutá ČÚZK. Data budou sloužit především ke georeferencování snímku a částečně i k hodnocení výsledků.
10
3 VYMEZENÍ A CHARAKTERISTIKA ÚZEMÍ Před dalším zpracováním dat je nejprve důležité vymezit zájmovou oblast. Ta je vybrána především s ohledem na rozmanitost vegetační složky. Ve vymezeném území následuje seznámení se s jednotlivými složkami krajiny, které mají vliv na výskyt vegetace.
3.1 Vymezení území Území spadá do administrativní jednotky Zlínský kraj a je vymezeno s ohledem na rozmanitost povrchů. Nacházející se zde pole, louky, lesy různých typů, říční nivy atd. Tomuto předpokladu odpovídá oblast kolem krajského města. Na východ od Zlína se nachází Hostýnskovsetínská hornatina, v aglomeraci Zlín – Otrokovice - Napajedla se nachází převážně zastavěná průmyslová oblast a na severozápadě krajina nížinného charakteru sloužící zemědělským účelům. Území se tak vyznačuje různorodou skladbou vegetace, členitostí i využitím půd. Páteř vodní sítě zde tvoří část řeky Moravy a do ní se vlévající Dřevnice. Podél Dřevnice se rozprostírá údolí spojující Vizovice, Otrokovice a Zlín. Pro přesné vymezení poslouží hranice obcí s rozšířenou působností (ORP). Konkrétně to jsou Bystřice pod Hostýnem, Holešov, Otrokovice, Vizovice a Zlín (viz Obr. 1).
Obr. 1: Vymezení mapovaného území
11
3.2 Charakteristika území Vzhledem k charakteru práce, se popis území postupně věnuje všem složkám krajinné sféry, které ovlivňují vegetaci. Z fyzickogeografických činitelů má vliv na vegetaci především reliéf, klima a půda. Pro upřesnění typizace těchto složek je fyzickogeografická charakteristika doplněna o biogeografické členění. Ze socioekonomických faktorů na vegetaci nejvíce působí úroveň osídlení. Další složky socioekonomické sféry z ní částečně vycházejí. Jedná se hlavně o zemědělství, průmysl a dopravu. 3.2.1 Fyzickogeografická charakteristika Reliéf Západních Karpat, do nějž spadá i mapované území, byl vytvořen při alpinském vrásnění. Toto mladé pásemné pohoří s hraničním pruhem sníženin je známo větší vertikální i horizontální členitostí oproti Českému masívu. V mapovaném
území leží sníženina
Hornomoravského úvalu a částečně i tři Karpatská pohoří (Hostýnsko-vsetínská hornatina, Chřiby a Vizovická vrchovina). Hornomoravský úval sem zasahuje svým jižním cípem přes Holešov (232 m n. m.) k Otrokovicím. Představuje úrodnou rovinu Hané. Na západ od tohoto cípu vystupuje Hostýnsko-vsetínská hornatina, která je v mapovaném území zastoupena Hostýnskými vrchy. Jejich nejvyšší vrchol je zároveň i nejvyšším vrcholem celého území (Kelčský Javorník – 864 m n. m.). Vrchy zabírají celé Bystřicko a částečně vstupují i na Zlínsko a Holešovsko. Do západního cípu území zasahují Chřiby. Zastoupeny jsou však pouze jakýmsi přechodem mezi terasou Moravy a vrchovinou Středomoravských Karpat. Celý zbytek území pokrývá Vizovická vrchovina, jež je plošně nejrozsáhlejší geomorfologický celek Moravských Karpat. Z Atlasu podnebí Česka vyplývá, že mapované území prochází všemi třemi hlavními skupinami, teplou, mírně teplou i chladnou (Quitt in Tolazs et al., 2007). A to postupně od západu k východu. Nejteplejší T2 úzce obklopuje řeku Moravu, na severu území se rozšiřuje až k Holešovu. V rámci území se vyznačuje nejdelším vegetačním obdobím (až 170 dnů v roce) a nejkratší zimou. Tuto klimatickou oblast obklopují mírně teplé oblasti MT11 ze západní strany a MT10 a MT9 z východní. Tyto tři mírně teplé klimatické oblasti jsou si velmi podobné. Vyznačují se dlouhým, teplým a spíše suchým létem s krátkým přechodným obdobím a krátkou zimou. Průměrná červencová teplota přesahuje 17°C, lednová klesá k -3°C. Vizovickou vrchovinu i Hostýnsko-vsetínskou hornatinu obklopuje mírnější oblast MT7. V jádru Hostýnských vrchů převažuje MT2, odlišující se od ostatních mírně teplých oblastí především vyšší vlhkostí a krátkým mírným až mírně chladným létem. Všechny mírně teplé oblasti mají vegetační období dlouhé přibližně 140-160 dní. Převážná část studovaného území odpovídá klimatu středních poloh ČR.
12
Jediná chladná oblast v území je CH7, jež se vyznačuje velmi krátkým, mírně chladným a vlhkým létem a zimou dlouhou, mírnou, mírně vlhkou s dlouhotrvající sněhovou pokrývkou. Tvoří menší trojúhelník v nejvýše položené ploše území. Přibližně se jedná o oblast mezi Chvalčovem, Rajnochovicemi a Vičanovem. Půdy hrají podstatnou roli pro ráz krajiny a rozmístění rostlin. Na Půdní mapě ČR (AOPK ČR, 2005) lze rozpoznat, že se podél řek Dřevnice i Moravy nacházejí fluvizemě, nejčastěji glejové a oglejené. Podle Tomáška (2007) jsou tyto nivní půdy vývojově velmi mladé, tvoří je téměř výhradně říční náplavy. Původním porostem byl lužní les, druhotně údolní louky. V nižších polohách (především podél dolního toku Dřevnice a v okolí Moravy) jsou nivní půdy obklopeny hnědozeměmi a illimerizovanými půdami (luvizemě). Ve vyšších polohách se nejčastěji nacházejí oglejené či modální kambizemě. Ty se vyznačují intenzivním vnitropůdním zvětráváním, jsou to půdy mladé a u nás se vyskytují nejčastěji. Matečným substrátem bývá téměř jakákoli hornina skalního podkladu. Primárně na nich rostou listnaté lesy. Oproti tomu hnědozemě jsou tvořeny pouze na spraších a sprašové hlíně. Stejně jako u luvizemí je hlavním půdotvorným procesem u hnědozemí illimerizace. Při ní je jíl vymýván hlouběji pod povrch. Luvizemě jsou často podmáčené právě díky jílu, který vodu zadržuje. Výjimkou je opět prostor mezi Moravou a Holešovem. Zde se na spraši uchovává černozemě. Rovinný terén Hané a zemědělská kultivace k tomu vytvářejí dobré podmínky. Původně vznikly pod stepí či lesostepí. Do vybraného území zasahuje několik bioregionů, které charakterizují rozšíření potenciální vegetace. Jsou to především Hranický, Zlínský a Hostýnský bioregion. Z Biogeografického členění ČR (CULEK, 1996) vyplývá, že se vegetační stupňovitost mapované oblasti pohybuje mezi 3. - 5. vegetačním stupněm. Na nížinném severozápadě území proto převládá 3., dubo-bukový stupeň, zasahující i do údolí Dřevnice, přes Zlín až Vizovicím. Nejrozptýlenější je 4., bukový stupeň. Zasahuje do území ze severovýchodu, ze západu u Otrokovic a z jihu až ke Zlínu. 5., jedlo-bukový stupeň se vyskytuje pouze v západní části a dominuje v oblasti Hostýnsko-vsetínské hornatiny. Na téměř celém území by přirozené vegetaci odpovídala karpatská dubohabřina, ve vyšších polohách bučina. Primární bezlesí téměř chybí a skladba flóry je zde spíše chudší, většinou odpovídá běžným druhům moravských Karpat. Pouze okolí Holešova se odlišuje. Přirozeně by převládaly dubohabrové háje. Vyskytují se zde i teplomilnější druhy a flóra je celkově bohatší. V úzkém pruhu podél řeky Moravy jsou dobré podmínky pro vegetaci údolních niv, dařilo by se zde i mnohým mokřadním druhům.
13
3.2.2 Socioekonomická charakteristika Zlínský kraj je tvořen okresy Uherské Hradiště, Vsetín, Kroměříž a Zlín. Do posledních dvou spadá mapované území. Bystřice pod Hostýnem a Holešov patří do kroměřížského a Otrokovice, Vizovice a Zlín do zlínského okresu. Podle posledních statistik správních obvodů obcí s rozšířenou působností z roku 2003 z ČSÚ je ORP Otrokovice nejmenším správním obvodem v kraji, s největší průměrnou hustotou obyvatel. Spadají do něj 2 města (kromě Otrokovic jsou to ještě Napajedla) a 8 obcí. Druhým nejmenším ORP v kraji je Holešov. Zde je 13 obcí a 1 město, ve kterém žije více než 50% obyvatel. Stejně tak v ORP Bystřice pod Hostýnem je 1 město s více než 50% obyvatel a 13 dalších obcí. V tomto správním celku žije nejméně obyvatel z celého kraje, tedy necelých 15 tisíc. ORP Vizovice se nachází ve středu celého kraje. Má 14 obcí a 2 města, Vizovice a Slušovice. Největším správním celkem této pětice je ORP Zlín, a to jak rozlohou, tak i počtem obyvatel. Člení se na 2 města (Zlín a Fryšták) a 27 obcí. Patří k výhradně městským obvodům, jelikož celých 80% obyvatel žije ve Zlíně. Dohromady mapované území čítá 83 obcí, z nichž 8 má statut města. Celkem zde žije 188 475 obyvatel a rozloha všech pěti ORP je 904,7 km2. Osídlování probíhalo v rámci území různě. Například západní část území byla přetvářena již od prvního osídlování krajiny. Protéká tudy řeka Morava, jejíž údolí bylo měněno za účelem obživy vypalováním lužních lesů a obděláváním půdy. Tato úrodná a silně pozměněná niva tvoří několik kilometrů široký pás podél toku Moravy, avšak Zlín na ní neleží. Spadá do hornatějšího terénu Vizovické vrchoviny a byl osídlen později. Spolu s dalšími sídly na východě území patří k bývalým valašským osadám a jeho širší okolí je pokryto lesy. Aglomerace Zlín – Otrokovice -Napajedla značně přetváří charakter nejen Moravy, ale i dolního toku Dřevnice. Terasa dolního toku řeky Dřevnice byla osídlována během středověku, ale k zásadní proměně došlo až ke konci 19.století, kdy se rozrůstala obuvnická živnost Tomáše Bati do takové míry, že ovlivnila budoucí podobu celé této aglomerace. Dnes se v této aglomeraci nachází více než polovina obyvatel zlínského okresu. V severní části mapovaného území je sídelní struktura řidší. Především okolí Hostýnských vrchů je spíše řídce zalidněno a ráz krajiny je tak méně ovlivněn. Zemědělství ovlivňovalo krajinu odpradávna souběžně s osídlováním. Nížinné okolí řek je zbaveno lesů vypálením a obhospodařováno orbou. Jak vyplývá ze statistické ročenky, ve Zlínském kraji se vysévá především pšenice a ječmen (více než polovina osevních ploch) a dále řepka olejka, kukuřice a vojtěška. Nejvíce jsou poli pokryty ORP ležící podél moravského úvalu, tedy Holešov a Otrokovice. Nejméně jich leží v hornatějším ORP Vizovice. Naopak pastvin je nejvíce právě v okolí Vizovic. Chovají se zde již tradičně ovce, jako na celém Valašsku. Vizovická vrchovina je dále využívána k těžbě dřeva. Přirozená vegetační složka je proto člověkem nahrazena za převážně 14
smrkové monokultury. Nejzachovalejší částí oblasti zůstávají Hostýnské vrchy, i když i zde je část přirozených lesů nahrazena. Průmysl se koncentruje především v aglomeraci Zlín – Napajedla – Otrokovice. Dominuje zde strojírenský a gumárenský průmysl. Tradičně se udržuje i průmysl obuvnický. Na severu území se soustřeďuje dřevozpracující a nábytkářský průmysl s centrem v Bystřici pod Hostýnem. Částečně se však objevuje i na Holešovsku a Vizovicku. V těchto třech ORP má velký význam i zpracování masa. Vzhledem k výše zmíněnému využití půd na Holešovsku se i zpracování zemědělských plodin koncentruje v jeho okolí. Infrastruktura je v oblasti využívána hlavně na regionální úrovni. I když kraj leží při hranici státu, na dálnici je napojen pouze okrajově. Vale může budoucnu právě infrastruktura přispívat k proměně rázu krajiny.
15
4 METODY MAPOVÁNÍ VEGETACE A DOSAVADNÍ POZNATKY
Sluneční záření, které projde atmosférou je povrchem země částečně pohlcováno a částečně odráženo zpět do atmosféry. Množství absorbovaného i emitovaného záření závisí na druhu povrchu, jeho stavu (např. vlhkost, hustota) a vlivu okolí (např. vliv atmosféry). Každý povrch na Zemi se tedy vyznačuje charakteristickou spektrální odrazivostí. Tu lze vyjádřit v procentech jako poměr odraženého (Mr) a dopadajícího (Mi) záření (Dobrovolný, 1998):
Pro rozpoznání jednotlivých povrchů je výhodné snímkování v různých částech elektromagnetického spektra, protože se jejich odrazivost s vlnovou délkou mění rozdílně. Spektrální chování objektů je nejčastěji zaznamenáváno křivkou, vyjadřující vztah právě mezi odrazivostí a vlnovou délkou. Vlnová délka vhodná k identifikaci určitého druhu zemského povrchu se pak určuje právě z této křivky. Vegetační složka krajiny je jedním s nejčastěji zastoupených typů povrchů na družicových snímcích.
Lze ji vyjádřit spektrální křivkou odrazivosti vegetace, přesněji řečeno “zelené
vegetace” (Lillesand et al., 2004) či “živého listu” (Campbell, 1996). Ta se dělí do tří částí. První část charakterizuje interval 0,45-0,67 μm (Lillesand et al., 2004). Jak je vidět na obrázku č. 2, jedná se o pásmo viditelné části spektra, kde většinu modrého a červeného záření absorbuje chlorofyl. Zelená je naopak odrážena, proto lidské oko hodnotí vegetaci jako zelenou. Samozřejmě při určitém stresu rostliny může být absorpce a odrazivost jiného charakteru a tím se i mění vnímaná barva rostliny. V práci Campbella (1996) je uvedeno, že listy můžou v tomto intervalu absorbovat až 70-90% záření. Při přechodu do blízkého infračerveného záření (kolem 0,7 μm) zaznamenáváme prudší vzestup odrazivosti. Druhá část spektrální křivky odrazivosti vegetace se nachází mezi 0,7 a 1,3 μm. V tomto intervalu je zdravou vegetací pohlcováno pouze 40-50% záření (Lillesand et al., 2004). Odrazivost vegetace v blízkém infračerveném spektru je způsobeno samotnou buněčnou strukturou listu. U jednotlivých druhů je struktura listů rozdílná, a proto jsou měření odrazivosti v tomto pásmu důležitá nejen pro zjišťování zdravotního stavu, ale i pro určování druhů. Za hranicí 1,3 μm se nachází pásmo vodní absorpce. Zde křivka několikrát klesá a opět stoupá. Minimální odrazivosti dosahuje kolem hodnot 1,4, 1,9 a 2,7 μm (viz obr. 2). V těchto vlnových délkách voda v listech pohlcuje nejvíce záření. Maximální odrazivosti dosahuje při vlnových délkách 1,6 a 2,2 μm.
16
V těchto vlnových délkách proto zjišťujeme změny ve vodním obsahu, především tedy vodní stres rostlin (Dobrovolný, 1998).
Obr. 2: Spektrální křivka odrazivosti vegetace (upraveno podle: http://www.scotland.gov.uk/Publications/2009/11/06110108/6)
Družicový snímek tedy poskytuje vhodný materiál pro mapování vegetace. Každý pixel digitálního snímku nese číselnou DN hodnotu. Tím pádem lze odvodit charakteristické chování jednotlivých povrchů. Díky tomu se dálkovým průzkumem u vegetace pozoruje její rozmístění, zdravotní stav, či druhovou skladbu. Tyto informace se získávají různými metodami zpracování snímku.
4.1 Přehled základních metodických přístupů Mapování vegetační složky krajiny lze provést jak metodami obecného zpracování digitálního snímku, jako je zvýraznění obrazového záznamu nebo jeho klasifikace, tak i metodami specializovanými na extrakci vegetace, jako jsou vegetační indexy.
17
4.1.1 Vegetační indexy K získání informace o rozložení vegetace v krajině, o jejím stavu a dalších charakteristikách slouží spektrální, neboli vegetační indexy. Jedná se o jednoduché aritmetické operace většinou mezi dvěma pásmy. I když existuje více variant, nejčastěji jsou k oddělení vody, půdy a vegetace využívána pásma v oblasti červeného a v oblasti blízkého infračerveného záření (Glenn et al., 2008). Mezi těmito pásmy totiž vegetace vykazuje nejvýraznější rozdíl v odrazivosti záření (viz. Obr. 3). Vypočtené indexy slouží jak k přímým analýzám výskytu a stavu vegetace (v odvětvích zemědělství, lesnictví apod.), tak i jako nástroj k dalšímu zpracování obrazu.
Obr. 3: Výřez plochy s jehličnatými lesy ležícími při jižní okraji obce Loukov v RGB syntéze pásem 4, 3, 2 a 1, 2, 3
4.1.2 Zvýrazňování obrazu Některé druhy povrchů nemají mezi sebou pro lidské oko zřetelné rozdíly ve spektrálním chování. Proto vzniká potřeba rozdíly zvýraznit a usnadnit tak interpretaci těchto povrchů. Výsledky zvýrazňování bývají využívány nejen jako prostředek ke snazší interpretaci dat, ale i jako způsob úpravy snímku před dalším zpracováním. Tyto metody často využívají pouze jednoho pásma (s výjimkou spektrálního zvýrazňování), ve kterém zvýrazní pixely. Jednou z možností zvýraznění je rozdělení histogramu vybraného pásma do požadovaného počtu kategorií. Při prahování mají pixely ve výsledném obraze pouze dvě hodnoty. Takto lze oddělit povrchy se specifickým spektrálním chováním, např. vodu. Hustotní řezy dělí původní hodnoty pixelů do více než dvou kategorií, čehož je využíváno především u spojitých jevů, např. u
18
nadmořské výšky apod. U obou způsobů dělení histogramu je potřebná znalost přibližné hodnoty pixelů ze zvýrazňovaného povrchu.
4.1.3 Klasifikace Nejrozšířenější metodou mapování krajiny z družicových dat je klasifikace obrazu. Jedná se o zařazování jednotlivých prvků krajiny zobrazených na snímku do požadovaných tříd. Informace se tak mění z kvantitativní (DN hodnota pixelu) na kvalitativní (příslušnost k určité třídě). Klasifikace je často využívána k finálnímu zpracování obrazu s výstupem v podobě tématické mapy. Klasifikace může mít mnoho podob. Obecně je za klasifikaci obrazu povážována tvorba mapy typů povrchů z původních pásem snímku, tedy klasifikování vícerozměrných dat. Za klasifikaci lze však považovat i roztřídění jednoho pásma, tedy například vegetačního indexu, jelikož i v tomto případě je kvantitativním datům přidělen kvalitativní charakter. Extrakce jednotlivých složek vegetace pomocí některého z typů řezů v histogramu je tedy také určitým typem klasifikace. Výsledky jsou však většinou omezené právě proto, že vycházejí z dat jednoho rozměru. Práce s vícerozměrným prostorem dává lepší výsledky, jelikož hodnoty rozdílných povrchů prolínající se v jednom pásmu mohou mít jiné hodnoty v pásmu druhém. Hranice mezi jednotlivými třídami je tak lépe určena. Výsledek vícerozměrné klasifikace závisí na předem nadefinovaných třídách (klasifikační schéma, budoucí legenda mapy) a volbě klasifikátoru (rozhodovacího pravidla), podle kterého se prvky obrazu přiřazují určité kategorii (Dobrovolný, 1998). Klasifikátory lze dělit na bodové a prostorové, podle toho jestli zařazují do kategorií jednotlivě pixely nebo shluky pixelů. Klasifikace je většinou rozlišována na řízenou a neřízenou. A to podle toho, kdy a jak zpracovatel zasahuje do jejího procesu. U řízené klasifikace zpracovatel předem nadefinuje, které shluky pixelů mají být typické pro zařazování ostatních pomocí tzv. trénovacích ploch. Podle zvoleného klasifikátoru jsou posléze ostatní plochy s těmito nadefinovanými trénovacími plochami. V procesu neřízené klasifikace jsou nejprve všechny prvky obrazu rozděleny do tříd např. metodami shlukové analýzy a až poté zpracovatel těmto třídám přiřazuje informační charakter. Pokud jsou oba přístupy klasifikace kombinovány, jedná se o klasifikaci hybridní.
19
4.2 Dosavadní stav řešené problematiky Metodikou mapování vegetace prostředky dálkového průzkumu se zabývá mnoho autorů. DPZ a obecné přístupy ke zpracování obrazu z družicových dat popisuje Campbell (1996), Lillesand et al. (2004) nebo Chapman (2008). Možnosti zpracování dat DPZ zkoumá i několik diplomových a bakalářských prací. Zpracování snímku družice Landsat 7 popisuje ve své práci Keprtová (2004) či Blažek (2005). Práce Xie et al. (2008) se přímo zaměřuje na roli DPZ při mapování vegetace. Popisuje senzory vhodné pro mapování vegetačního krytu, včetně Landsat 7 a následnou extrakci vegetace. Metodika extrakce vegetace z digitálního snímku je studována také v několika závěrečných pracech studentů GÚ. Honková (2008) se ve své práci specializuje na vegetační indexy, Gimunová (2009) mapuje městskou vegetaci a Neničková (2009) vegetaci údolní nivy. Ve své studentské práci se metodice extrakce vegetace z digitálního snímku věnuje např. Honková (2008), Gimunová (2009) a Neničková (2009). Honková se specializuje na vegetační indexy. Gimunová mapuje městskou vegetaci a Neničková vegetaci údolní nivy. Pro mapování vegetace neexistuje jednoznačně funkční postup. Přístupů k mapování vegetačního krytu je nespočet, proto jsou dále zmíněny jen ty, které mohou být pro tuto práci přínosem. Vegetačním indexům se ve své studii speciálně věnuje Glenn et al. (2008). Potvrdil, že podstata vegetačních indexů úzce souvisí s fotosynteticky aktivní radiací, absorbovanou rostlinami a je tedy výhodné využít při mapování vegetace právě indexů. Dále zmiňuje, že je interpretace indexů často limitována typem senzoru, jeho kalibrací apod. Jako v praxi nejvíce používaný a užitečný index hodnotí tato práce NDVI (Normalizovaný diferenční vegetační index), což je index poměrový. Za nejrozšířenější index je NDVI povážován i v práci Xie et al. (2008). (Podstata jeho výpočtu bude vysvětlena v kapitole 6.1.) Z ortogonálních indexů je pro své dobré výsledky poměrně často využívána transformace Tasseled Cap. (Její specifikace je blíže popsána v kapitole 6.1.) Tato transformace je vhodná při odhalování klíčových atributů, jako např. lesních druhů, věku a struktury vegetační složky apod. (Cohen et al., 1995 in Huang, 2002). Klasifikaci využívá při mapování vegetace např. Xie et al. (2008). Za důležitou považuje především volbu parametrů s ohledem na předmět výzkumu. Pro lepší přesnost navrhuje zvolit takový počet tříd, aby kategorie nebyly dvojznačné a zároveň, aby byla popsána komplexnost vegetace. 20
Vzhledem k dosaženým výsledkům ve většině studovaných prací je pro zpracování snímku okolí Zlína vhodné využít vegetační index NDVI, který bude blíže popsán v kapitole 6.1. Např. Jiang et al. (2006) potvrzuje, že užitečnost tohoto indexu při vyhodnocování družicových dat byla během posledních dvou dekád mnohokrát dokázána. Také při využití pásem brightness, greenness a wetness z transformace Tasseled Cap (blíže viz kapitola 6.1) dosahují zpracovatelé dobrých výsledků (Huang et al., 2002). Proto i v této práci budou využity spektrální indexy z Tasseled Cap a NDVI. Obrazy vypočtených indexů budou zpracovány řízenou klasifikací do výsledné tematické mapy. Jako podpůrná data pro klasifikaci poslouží bitové obrazy druhů vegetace, vytvořené prahováním a hustotními řezy.
21
5 PŘEDZPRACOVÁNÍ A GEOMETRICKÁ KOREKCE Předzpracování je proces přípravy družicového snímku před jeho hlavní analýzou. Zahrnuje radiometrické korekce, které snižují vlivy atmosféry a korekce geometrické. Digitální snímek běžně vykazuje nesrovnalosti v poloze objektů nebo v jejich vzdálenostech oproti skutečnému povrchu země. Data nemají jednotné měřítko. Proto je potřeba před klasifikací a zpracováním snímku do výsledné mapy provést geometrickou korekci. Po jejím provedení je snímek v požadovaném souřadném systému a může být použit k další analýze a k extrakci informace z obrazu (Campbell, 1996). V tomto případě je obraz rektifikován do souřadného systému S-JTSK, jelikož zobrazení tohoto systému (Křovákovo) je jednotné pro celou Českou republiku. V prostředí programu PCI Geomatica se geometrická korekce provádí pomocí funkcí v oddílu Orthoengine. Po otevření snímku je dalším krokem volba způsobu trransformace. Pro tuto práci je použita polynomická transformace, která patří mezi jednodušší řešení geometrické korekce. Neodstraňuje nepřesnosti vznikající v členitém terénu. Avšak pro rektifikaci dat družicového snímku, které budou v této práci použity v měřítku 1:50 000 a menším, je tato transformace postačující. Kroky vedoucí ke geometricky korektnímu snímku jsou podle Dobrovolného (1996) následující: 1. sběr identických bodů 2. volba stupně transformace 3. výpočet transformačních rovnic 4. testování transformačních rovnic 5. rektifikace obrazu 6. převzorkování obrazu Identický (vlícovací) bod je bod mající přesnou polohu jak na snímku, který bude transformován, tak na mapě, která je v požadovaném souřadném systému. Pro tento identický bod jsou nejprve určeny souřadnice zdrojové (většinou ve formě sloupec, řádek) na transformovaném obrazu. Následně jsou bodu přiřazeny souřadnice cílové na obrazu s požadovanou projekcí. Vlícovací body je doporučeno vybírat v místech křížení liniových prvků, v tomto případě vodních toků (soutoky apod.). Sběr cílových souřadnic vlícovacích bodů lze provést několika způsoby, v tomto případě je sběr proveden z vektorů vodních toků a vodních ploch. Identických bodů je nasbíráno 8 a jsou rovnoměrně rozprostřeny po ploše výřezu ze snímku 189/026 (viz. Obr. 4).
22
Obr. 4: Rozmístění vlícovacích bodů na výřezu ze snímku 189/026, Landsat 7 ETM+
Po nasbírání vlícovacích bodů je zvolen 1. stupeň polynomické transformace a následně vypočítány transformační rovnice. Ty definují vztah mezi polohou transformovaného bodu a bodu s požadovanými souřadnicemi. Závisí na přesnosti položení bodů, jelikož jsou z nich vypočítávány koeficienty transformačních rovnic. O vhodnosti volby bodů a jejich umístění informuje hodnota RMS (Root Mean Square error). Je to odmocnina ze střední kvadratické chyby. Výsledný obraz by neměl mít chybu vyšší než jeden pixel. To umožní přesné prostorové rozmístění objektů a jevů a zpřesňuje také následné operace s daty družicových snímků (Xie et al., 2008). Pro účely této práce je požadavek na chybu do 0,5 pixelu. To splňuje jak celková chyba (0,26), tak i chyby pro jednotlivé identické body (viz Tab. 1). Celková hodnota RMS všech x-ových souřadnic odpovídá hodnotě 0,19 a stejnou hodnotu nese i hodnota RMS souřadnic y-ových. 23
Tab. 1: Residuální chyby (RMS) jednotlivých vlícovacích bodů ID bodu G0007 G0002 G0003 G0008 G0006 G0005 G0004 G0001
Res 0,31 0,31 0,30 0,28 0,26 0,19 0,15 0,07
Res X 0,23 -0,09 0,29 -0,14 -0,22 0,08 -0,15 -0,01
Res Y 0,21 -0,29 -0,06 -0,25 0,13 0,17 0,01 0,07
Následuje definování požadovaných parametrů výsledného korigovaného obrazu, po kterém lze provést vlastní transformaci. Při ní je každému objektu či jevu na snímku určena poloha ve zvoleném souřadném systému a každému pixelu vypočtena nová DN hodnota. Postup výpočtu DN hodnoty se nazývá převzorkování. Pro způsob převzorkování se nastavuje metoda výpočtu. Zde je nastavena metoda nejbližšího souseda (Nearest neighbour). Tato metoda přiřazuje hodnotu nejbližšího pixelu k hodnotě výstupního pixelu a tím převádí původní hodnoty dat bez jejich průměrování. Data tedy zůstávají nezměněna (Erdas in Xie et al., 2008), což je vhodné pro další zpracování.
24
6 SESTAVENÍ MAP VEGETAČNÍHO KRYTU Pro účely extrakce vegetace bude snímek zpracován nejprve výpočtem spektrálních indexů. Histogramy těchto indexů budou prahovány za účelem lokalizace základních druhů vegetačního krytu. Při finálním zpracování usnadní tyto prahované obrazy volbu trénovacích ploch do řízené klasifikace.
6.1 Spektrální indexy Pro účely mapování vegetace ve vybraném území z dat Landsat 7 je využito osvědčeného normalizovaného diferenčního vegetačního indexu (NDVI) a tranformace Tasseled Cap (TC). NDVI je jedním z nejčastěji využívaných poměrových indexů. Potřebuje pouze hodnoty odrazivosti viditelné červené a blízké infračervené části spektra. NDVI nabývá hodnot v intervalu (-1, +1), které informují o obsahu zelené hmoty na ploše pixelu. Nejblíže hodnotě 1 se nachází velmi hustá vegetace. Směrem k nule je řídká vegetace až holá půda, na nule převládá oblačnost. Záporných hodnot nabývá sníh, led a voda (Williams in Dobrovolný, 1998). NDVI se využívá k sestavování přehledových map stavu vegetace, ke zjišťování zdravotního stavu vegetace, k odhadování výnosu zemědělských plodin, vodního stresu apod. Vzorec pro výpočet NDVI má v případě obrazových dat z Landsat TM resp. ETM+ následující podobu (převzato z Glenn et al., 2008): NDVI = (ρ4 - ρ3)/(ρ4 + ρ3) kde
ρ4 je odrazivost v blízké infračervené části spektra (odrazivost 4. pásma) ρ3 je odrazivost v červené viditelné části spektra (odrazivost 3. pásma) Transformace Tasseled Cap (TC) je často využívaným typem ortogonálního indexu.
Funguje na principu lineární transformace pásem multispektrálního obrazu. U družicových dat ze systému Landsat přeměňuje 6 původních pásem (kromě termálního) na 6 nových pásem transformovaných (TC1 až TC6). Výhodou je, že se významné množství informace koncentruje do prvních dvou až tří pásem, která lze interpretovat jako tzv. spektrální indexy. První transformované pásmo (TC1) je označováno jako index „Brightness“ a jeho osa je orientována ve směru maximálního rozptylu hodnot odrazivosti půdy. TC2 se značí jako index „Greenness“. Osa greenness je kolmá k brightness a je orientovaná ve směru největšího kontrastu mezi viditelnou a blízkou infračervenou částí spektra. Informuje o množství zelené hmoty a je tedy vegetačním
25
indexem. Třetí pásmo (TC3) koreluje s vlhkostí půdy a vegetace a značí se jako index „Wetness“ (Dobrovolný, 1996). Ostatní pásma nevyjadřují vlastnosti mezi půdou a vegetací. Často představují pouze šum. Výpočty obou indexů byly provedeny v prostředí programu PCI Geomatica. K výpočtu NDVI je využito funkce „Raster calculator“. Vzhledem k tomu, že se hodnoty NDVI pohybují mezi -1 až +1, je pro budoucí čitelnost výsledků výhodnější vzorec upravit. Jelikož je rozsah hodnot v běžných 8bitových pásmech 0 až 255 (tedy 256 barev) je NDVI upraven tak, aby se jeho výsledky co nejvíce podobaly běžnému rozsahu. Proto je vzorec do programu Geomatica zadán v podobě: NDVI = ((%4 - %3)/(%4 + %3))*100 + 100 kde:
%4 = 4. pásmo snímku ležící v blízké infračervené části spektra %3 = 3. pásmo snímku ležící v červené viditelné části spektra
Hodnoty pixelů pozměněného NDVI se tedy pohybují mezi 0 a 200. Pro získání indexů brightness, greenness a wetness z tranformace Tasseled Cap je v programu PCI Geomatica využito algoritmu TASSEL. U parametru Scaling mode je zvolena možnost AUTO a při volbě typu senzoru je vybráno L7, tedy senzor družicového systému LANDSAT 7 ETM+. Určit správný typ senzoru je velmi důležité. Koeficienty obsažené v rovnicích jsou totiž pro jednotlivé typy senzorů specifické (viz Tab. 2).
Tab. 2: Koeficienty transformace Tasseled Cap pro Landsat 7 ETM+
Index Brightness Greenness Wetness
(tm) 1 0.3561 -0.3344 0.2626
(tm) 2 0.3972 -0.3544 0.2141
(tm) 3 0.3904 -0.4556 0.0926
(tm) 4 0.6966 0.6966 0.0656
(tm) 5 0.2286 -0.0242 -0.7629
(tm) 7 0.1596 -0.2630 -0.5388
(upraveno podle HUANG et al., 2002)
Jednotlivé spektrální indexy jsou zobrazeny ve stupních šedi (viz. Obr. 5). Světlé plochy vykazují nejvyšší hodnoty. Nejnižší hodnoty náleží tmavým plochám. U NDVI nejsvětlejší plochy představují místa s nejhustší vegetací, především listnaté lesy a některá pole. Nejtmavší plochy patří vodní hladině a holé půdě. U brightness nejvyšší hodnotu s nejsvětlejším odstínem šedi reprezentují povrchy s nejvyšší odrazivostí půdy. Bohatá vegetace a vodní plocha jsou naopak 26
tmavé. Greenness má podobné vlastnosti jako NDVI, nejvyšší hodnoty mají pixely s hustou vegetací. Nejnižší hodnoty však náleží pouze holé půdě. Vodní hladina je vyjádřena světlejším odstínem. Index wetness představuje obsah vody, proto jsou vodní plochy zobrazeny bílou barvou a suchá holá půda černou.
Obr. 5: Spektrální indexy použité na vybrané území: a) NDVI, b) Brightness, c) Greenness, d) Wetness
27
Jak již bylo zmíněno, NDVI a greenness si jsou podobné. Používají se v obdobných studiích, přesto jsou mezi nimi určité rozdíly. Na obrázku č. 5 lze pozorovat, že v mapovaném území rozdíl mezi nimi je v odrazivosti holé půdy a vodní plochy. Zatímco např. vodní plocha u NDVI vykazuje velmi nízké hodnoty, u indexu greenness je tato zřetelně vyšší. Také z provedené korelační analýzy, jejíž výsledky shrnuje obrázek č. 6. je patrné, že mezi NDVI a indexem greenness není významná závislost. I z ostatních vztahů mezi spektrálními indexy lze usoudit, že tyto poskytují odlišnou informaci.
Obr. 6: Grafy vzájemných korelací mezi spektrálními indexy včetně korelačních koeficientů
28
6.2 Extrakce druhů vegetace z histogramů spektrálních indexů Z vypočtených indexů jsou oproti snímku v přirozených barvách patrné rozdíly mezi jednotlivými typy vegetace již pouhým okem. A jelikož výpočet spektrálních indexů data seřadil do ordinální škály, lze využít metod prahování, resp. hustotních řezů. Jedná se o jednoduchou metodu, kterou se na základě tvaru histogramu zvýrazní pouze požadovaná oblast. Tato oblast se v histogramu nachází pod „prahovou“ DN hodnotou a je ve výsledném obraze znázorněna černou barvou. Vše ostatní, nad „prahovou“ hodnotou, je bílé. Je-li zájmová oblast nejednoznačně odlišitelná, lze použít hustotních řezů. V takovém případě vzniká obraz s více než dvěmi kategoriemi v odstínech šedi. Jelikož touto metodou nelze zajistit objektivní definování hranic, vytvořené masky pouze určí oblast vlivu pro další zpracování. Ve zkoumaném území budou pomocí prahování a hustotních řezů představeny jehličnaté lesy, listnaté lesy, trvalé travní porosty a zemědělské plochy. Příklady těchto typů vegetačního krytu jsou zaznačeny do snímku (viz. Obr. 7).
29
Obr. 7: Lokalizace vzorových povrchů v RGB syntéze 4., 3. a 2. pásma do vymezeného území v RGB syntéze 1., 2. a 3. pásma
6.2.1 Les s převahou jehličnanů Poměrně rozsáhlá plocha jehličnatého lesa se nachází mezi obcemi Loukov, Chvalčov a nejvyšší horou Hostýnských vrchů, Kelčským Javorníkem (865 m n. m.). Jedná se o les kulturní, s převahou smrků. Celá plocha byla v době pořízení snímku (2000) zalesněna, ovšem dnes je les částečně vytěžen, jak je možné vidět na fotografiích (viz Příloha 1). Tento les představuje typický příklad jehličnatého lesa, proto DN hodnoty pixelů z této oblasti poslouží k nalezení vhodných hodnot a odlišení jehličnanů i v rámci celého snímku.
30
Plochy jehličnatého lesa jsou na všech vypočtených indexech odlišitelné. Nejzřetelněji však vystupují na indexu brightness. Jehličnatý les se na něm jeví jako téměř nejtmavší plocha. Odrážejí totiž společně s vodními plochami minimum záření. Proto byl výběr zvýrazňované plochy směřován k nižším DN hodnotám v levé části histogramu. Nejprve byla zvolena hodnota, která leží přibližně v místě, v němž se mění tvar histogramu. Tato hodnota odděluje lesy od povrchů, které jsou charakteristické vyššími hodnotami indexu brightness. Tímto způsobem ale nebyly odděleny pouze jehličnaté lesy. Zvýrazněny zůstaly i vodní plochy. Proto byly dodatečně odříznuty i nejnižší hodnoty indexu brightness. Obrázek č. 8 znázorňuje způsob řezu histogramem spolu s výslednou maskou jehličnatých lesů (černá barva). Na obrázku č. 9 je názorná ukázka oddělení vodní plochy (přehrada Slušovice) od jehličnatých lesů, které ji obklopují. Při porovnání s některým z indexů (Obr.5) či se snímkem v přirozených barvách (Obr. 7) je patrné, že hodnotu mezi jehličnatými lesy a vodní plochou nelze jednoznačně určit. Mělké části Slušovické přehrady jsou sloučené s kategorií jehličnatých lesů.
Obr. 8: Výřez jehličnatého lesa z histogramu brightness
31
Obr. 9: Slušovická přehrada a ji obklopující jehličnaté lesy
6.2.2 Les s převahou listnáčů V okolí Zlína se nejrozsáhlejší listnatý porost nachází v okolí severně od obce Fryšták. Jedná se o částečně přirozenou vegetaci s množstvím zavlečených druhů. Jelikož oblast tohoto lesa spadá do 3. i 4. vegetačního stupně (Culek, 1996), převažují zde buky. Ovšem vyskytuje se zde v hojném počtu i habr, dub, méně pak bříza. Jelikož není ve studovaném území větší plochy pokryté listnatým porostem a počet zavlečených jehličnanů je zanedbatelný, byla tato oblast vybrána jako vzorová pro extrakci listnatého lesa. Extrakci listnatého lesa pomocí prahování, či hustotních řezů nelze provést jednoznačně. U všech indexů vykazuje částečně podobné hodnoty jako některý ze spektrálně blízkých povrchů. Většinou je výsledný bitový obraz listnáčů sloučen s některými poli či loukami. U NDVI se jeví, že jsou plochy listnatých lesů více odlišné od ostatních povrchů než u jiných indexů (viz. Obr. 5). Proto je také tento index ke zvýraznění listnáčů využit. Jak je vidět hodnoty náležející listnáčům patří k nejvyšším hodnotám NDVI. Prahová hodnota oddělující tento typ porostu leží před vrcholem histogramu. Histogram s vyznačenou prahovou hodnotou a výsledný bitový obraz je zobrazen na obrázku č. 10 (listnaté lesy jsou ve výsleném obraze vykresleny černou barvou).
32
Obr. 10: Prahování listnatého lesa z histogramu NDVI a výsledný bitový obraz
6.2.3 Zemědělské plochy Rovinná oblast Hané je převážně využívána k pěstování zemědělských plodin. Ve studovaném území se jedná o okolí Holešova. Vzorové území pro studium této kategorie se nachází jižně od Holešova. Studovaný snímek byl pořízen v srpnu a některé pěstované plodiny jsou v tomto období již sklizeny. Proto jsou pole pokrytá vegetací spíše v menšině. V případě extrakce zemědělské plochy není prahování možné. Do této kategorie spadá jak pole pokryté zdravou, zelenou vegetací, tak i holá půda. S ohledem na dobu pořízení snímku je vhodné zařadit i tyto plochy bez vegetace do kategorie půdy využívané v zemědělství. Ke zvýraznění povrchu ve vzorové oblasti byla použita metoda hustotních řezů na histogramu indexu greenness. Greenness má ve vymezené lokalitě hned několik vrcholů (viz. Obr. 11). Toho bylo využito k rozdělení histogramu a zvýraznění jednotlivých typů zemědělsky využívaných povrchů. Nejprve byly řezy provedeny v lokálních minimech histogramu, to však jednotlivá pole neodlišovalo jednoznačně. Hranice řezů byly zvoleny tak, aby souhlasily s hranicemi polí. Plocha náležící ostatním typům povrchů byla v tomto případě odříznuta hodnotou nula, proto má v bitovém obraze černou barvu. Pole pokrytá vegetací patří k poslednímu vrcholu histogramu a jsou znázorněna bíle. První dva vrcholy histogramu jsou znázorněny dvěma odstíny tmavě šedé. Přesto patří oba do kategorie holých půd. Nejsvětlejší odstín šedé náleží polím, která nemohou být jednoznačně přiřazeny k holé půdě.
33
Obr. 11: Zvýraznění jednotlivých typů zemědělské krajiny hustotními řezy na histogramu indexu greenness
Jak je vidět, výsledky vykazují určité nedostatky, jelikož hodnoty náležící jednoznačně ostatním povrchům mohou patřit i k některým polím v období před sklizní (černá barva), kdy jsou plodiny značně vitální. Ostatní pole s plodinami jsou přitom bílé. Nesrovnalosti ve spektrálním chování zemědělských povrchů lze posoudit porovnáním zemědělské plochy v RGB syntéze 4., 3. a 2. pásma a bitového obrazu polí zvýrazněných z indexu greenness (viz. Obr. 12).
Obr. 12: Příklad nejednoznačných výsledků získaných metodou hustotních řezů
6.2.4 Trvalé travní porosty Nejrozlehlejší plochy luk a pastvin se nacházejí v okolí Vizovic. Mísí se ale se zemědělskou plochou, což ztěžuje posouzení správnosti výsledků. Proto je jako typická ukázka trvalého travního
34
porostu zvolena oblast v okolí Držkové, Vlčkové a Kašavy. Tyto obce se nacházejí v podhůří Hostýnských vrchů, v polohách kolem 400 m n. m. a klimatické podmínky zde nejsou příznivé pro pěstování zemědělských plodin. Toto území plně vyhovuje jako vzor TTP. Pro zvýraznění této kategorie byl vybrán index wetness. Tento index byl vybrán proto, že se na něm travnaté povrchy jeví nejvíce odlišné od ostatních povrchů, s nimiž mají podobné spektrální chování. I přesto se hodnoty luk a pastvin částečně prolínají s jinými povrchy. Většinou se jedná o zemědělské plochy, ovšem i tak bylo dosaženo lepších výsledků než u ostatních indexů. Hodnoty zvolené pro oddělení trvalých travních porostů jsou graficky znázorněny na obrázku č. 13 spolu s výslednou maskou těchto porostů (vykresleny černou barvou).
Obr. 13: Výřez TTP z indexu wetness (vlevo) a ukázka výsledného bitového obrazu (vpravo)
6.2.5 Zhodnocení výsledků metod prahování a hustotních řezů Jak již bylo výše zmíněno, metody prahování a hustotních řezů nelze spolehlivě využít k nalezení ploch s jednotlivými druhy vegetačního krytu. Jelikož využívají při extrakci vegetační složky vždy pouze jednoho pásma, výsledky jsou spíše orientační. Některé části obrazu se objevují ve více kategoriích a jiné nejsou zařazené ani do jedné. Největší problémy se projevily při odlišování polí s vegetací a travních porostů. Tyto povrchy vykazují téměř shodné spektrální chování v původním obraze a i vypočtené spektrální indexy mají obdobný rozsah hodnot. Přesto je role takto vytvořených masek při dalším zpracování významná. Bitové obrazy povrchů poslouží jako předloha při volbě trénovacích ploch. V místech kolize je pak možné využít osobní znalosti terénu či dané povrchy do trénovacích ploch vůbec nezařazovat. V zájmovém území byly odděleny 4 druhy vegetačního krytu. Kromě těchto druhů se na Zlínsku vyskytuje kategorie smíšených lesů. Ty ale není vhodné v tomto případě mapovat, jelikož
35
dochází ke značnému prolínání s jehličnatými i listnatými lesy. O lesích v mapovaném území je možné ze znalosti terénu prohlásit, že téměř každý smíšený les lze hodnotit jako „převážně jehličnatý“ či „převážně listnatý“ a vzhledem k měřítku je odlišování smíšeného lesa bezpředmětné.
6.3 Klasifikace obrazu Metodou použitou k finálnímu zpracování obrazu je řízená klasifikace všech studovaných spektrálních indexů. Klasifikován tedy bude multispektrální prostor složený z vegetačního indexu NDVI a spektrálních indexů brightness, greenness a wetness z transformace Tasseled Cap. NDVI je k transformaci TC přiložen, i když je vegetačním indexem stejně jako greenness a to proto, že mezi nimi není významná závislost (viz. kapitola 6.1). Oba jsou tedy pro klasifikaci přínosné. Řízená klasifikace studuje multispektrální prostor ze zpracovatelem navrhnutých trénovacích datových sad. Jednotlivé části snímku jsou zvoleným třídám podle vybraného klasifikátoru. Blíže tuto metodu popisuje např. Xie et al. (2008), Lillesand et al. (2004) či Campbell (1996).
6.3.1 Rozmístění trénovacích tříd Výběr trénovacích tříd je důležitou a zároveň nejméně objektivní etapou řízené klasifikace. Jde o výběr ploch typicky reprezentujících danou třídu. Na základě statistických vlastností DN hodnot pixelů v těchto trénovacích plochách je posléze celý obraz rozčleněn do požadovaných tříd. I přes obecná doporučení (viz např. Campbell, 1996) záleží nejvíce na subjektivním výběru zpracovatele. S cílem co nejobjektivnější volby skutečně reprezentativních vzorků bylo využito bitových obrazů jednotlivých druhů vegetačního krytu (viz. kapitola 6.2) a znalostí terénu. Třídy, do kterých bude následně celý prostor rozdělen, odpovídají třídám extrahovaným v kapitole 6.2. Jedná se tedy o les s převahou jehličnanů, les s převahou listnáčů, zemědělskou plochu a trvalé travní porosty, přičemž zemědělské plochy jsou dále rozčleněny do 3 tříd, jelikož jejich povrchy mají výrazně odlišné hodnoty. Jelikož je pro tuto práci důležité rozlišit druhy vegetace, byla v prostoru z ostatních druhů povrchů natrénována jen vodní plocha. Na obrázku č. 14 jsou zobrazeny všechny zvolené trénovací třídy a jejich rozmístění.
36
Obr. 14: Rozmístění trénovacích ploch v mapovaném území
6.3.2 Volba klasifikátoru Další etapou klasifikace je volba klasifikátoru. Klasifikátor určuje, jakým způsobem budou jednotlivé prvky obrazu přiřazovány třídám. V této práci je použit klasifikátor maximální pravděpodobnosti (maximum likelihood classification – MLC). Tento klasifikátor často dosahuje nejpřesnějších výsledků a je proto nejvíce používaným (XIE et al., 2008). Pro každý pixel počítá s pravděpodobnost příslušnosti do dané třídy. Bližší popis tohoto klasifikátoru, spolu s principy dalších (klasifikátor minimálních vzdáleností středů shluků, klasifikátor k-nejbližších sousedů atd.) lze nalézt např. v Lillesand et al. (2004), Campbell (1996) nebo Dobrovolný (1998).
37
6.3.3 Výsledek klasifikace Po zařazení všech obrazových prvků spektrálním třídám vzniká klasifikovaný obraz. Jeho úspěšnost lze vyčíst z chybové matice porovnávající vztahy mezi natrénovanými a klasifikovanými daty. Chybová matice výsledného klasifikovaného obrazu má tedy následující podobu: Name Code Pixels 1 2 3 4 5 6 7 ---------------------------------------------------------------------------jehlicnaty 1 5031 97.48 1.81 0.00 0.42 0.00 0.14 0.16 listnaty 2 6835 1.42 96.83 0.00 1.14 0.00 0.00 0.61 voda 3 724 0.14 0.00 99.59 0.00 0.00 0.28 0.00 pole1 4 5818 0.00 0.02 0.00 86.16 0.00 0.00 13.82 pole2 5 4600 0.00 0.00 0.00 0.33 99.61 0.07 0.00 pole3 6 2785 0.00 0.00 0.00 0.07 0.25 99.68 0.00 ttp 7 548 0.00 2.19 0.00 4.56 0.00 0.00 93.25
Chyby vznikají buď opomenutím zařazení pixelu nebo zařazením nesprávné třídě. Úspěšnost zařazení pixelů správné třídě je udávána v procentech. Nejlepšího výsledku dosáhla třída s vodními plochami, s téměř 100% správně zařazených pixelů. Vodní plocha se totiž svým spektrálním chováním výrazně odlišuje od ostatních povrchů (Lillesand et al., 2004). Nejhorší výsledek má pole1, což je zemědělská plocha s vegetací. U té mohou vznikat překryvy s travnatými plochami, které mají také nižší procento úspěšnosti, oproti ostatním povrchům. (Více informací k přesnosti výsledků lze najít v kapitole 7.) Vedle procentuální úspěšnosti zařazení pixelů jednotlivým třídám matice počítá i průměrnou a celkovou přesnost celého klasifikovaného souboru. Průměrná přesnost této klasifikace dosahuje 96,08% a celková 95,38%.
6.3.4 Postklasifikační úpravy Spektrální třídy vytvořené během klasifikace lze pro lepší vizuální interpretaci upravit pomocí vhodného druhu filtrace. Filtrace např. umožňuje zařadit osamocené pixely k homogenním plochám v jejich blízkosti. Osamocené pixely jsou většinou příkladem nesprávného zařazení, filtrace tak často zlepšuje výsledky klasifikace. Způsob filtrace se definuje volbou filtru (nejčastěji modální nebo mediánový) a míra shlazení pak velikostí tzv. filtrovacího okna (Lillesand et al., 2004). Pro mapované území dává nejlepší výsledky modální filtr s využitím filtrovacího okna 3x3. Obraz je tedy shlazen pomocí posunujícího se čtvercového okénka o velikosti 9 pixelů, přičemž je středový pixel vždy nahrazován módem, vypočteným z hodnot těchto 9 pixelů.
38
Další úpravy obrazu probíhaly již v prostředí programu ArcGIS. Nejprve byly spektrální třídy klasifikovaného obrazu převedeny do tříd informačních. Spektrální třídy totiž často nejsou shodné s třídami informačními, tedy těmi, které jsou ve výsledné tématické mapě očekávány. Začlenění do informačních tříd se jednoduše provádí tak, že je spektrálním třídám přiřazena barva vyhovující požadované informační třídě. V tomto případě je třeba sloučit 2 kategorie polí (pole2 a pole3). Tím vzniká finální obraz rozdělený na: les s převahou jehličnanů, les s převahou listnáčů, zemědělské plochy s vegetací (ze třídy pole1), zemědělské plochy bez vegetace (ze tříd pole2 a pole3), trvalé travní porosty a vodní plochy. Nakonec je ke klasifikovanému obrazu přidáno několik vrstev ze ZABAGED pro vytvoření výsledné tematické mapy.
39
7 VERIFIKACE PŘESNOSTI SESTAVENÝCH MAP Mapa skladby vegetace okolí Zlína byla vytvořena klasifikací spektrálních indexů vypočtených ze snímku Landsat 7 ETM+. Kompozice této mapy je tvořená 5 třídami. Jsou to lesy s převahou jehličnanů, lesy s převahou listnáčů, zemědělské plochy s vegetací a bez vegetace a trvalé travní porosty. Pro účely ověření správnosti této mapy byla vytvořena vrstva typů vegetace, vycházející především z dat CORINE Land Cover 2000 (Národní geoportál INSPIRE, ukázka originálních dat viz Příloha 2). Výhodou této datové sady je shodné datum vzniku s mapovaným snímkem a také podobnost kategorií. Data CORINE Land Cover byla dále doplněna a zpřesněna daty ZABAGED a vlastním terénním výzkumem (viz Příloha 1). K porovnání byly využity kategorie CORINE Land Cover, jelikož téměř odpovídají klasifikovaným třídám. Jsou to jehličnatý les, listnatý les, smíšený les, orná půda a louky a pastviny. Pro lepší odlišení byly k vizualizaci tříd vycházejících z klasifikovaných dat snímku využity barvy typické pro dané povrchy a k vizualizaci reálného rozmístění druhů vegetace bylo využito šrafování.
7.1 Lesní půda Klasifikované kategorie lesů (les s převahou jehličnanů a les s převahou listnáčů) je vhodné hodnotit společně a to především proto, že neodpovídají kategoriím lesních typů CORINE Land Cover (jehličnatý les, listnatý les a smíšený les). Les pokrývá značnou část mapovaného území. Nejrozsáhlejší plocha pokrytá lesem se nachází v oblasti Hostýnských vrchů. Celou východní hranici území tvoří souvislý pás lesa. Jde o Vizovickou vrchovinu. Další souvislé plochy lesa leží při severním a jižním okraji Zlína a na západ od Otrokovic jsou lesem porostlé Chřiby. K ověření správnosti výsledné mapy byla vybrána část Hostýnských vrchů. Jak je vidět na obázku č. 15, kategorie listnatý les i jehličnatý les z dat CORINE Land Cover vždy leží na odpovídající třídě klasifikovaného obrazu. Jedná se především o místa, kde se nacházejí velké, souvislé plochy těchto druhů porostu. Chybně klasifikované pixely se vyskytují jen velmi zřídka. Většinou jde o nepřesnosti v místech hranic jednotlivých typů lesů. Smíšené lesy lesy logicky leží na obou lesních třídách klasifikovaného obrazu. Jde o oblasti, kde se malé plochy obou klasifikovaných tříd lesa střídají, lze tedy tyto oblasti za smíšený les považovat. Jak je patrné
40
z chybové matice představené v kapitole 6.3.3, klasifikace lesních typů dopadla úspěšně a jejich rozmístění na mapě odpovídá skutečnosti.
Obr. 15: Verifikace lesních typů na příkladu Hostýnských vrchů
7.2 Orná půda Třídám zemědělská plocha s vegetací i bez vegetace odpovídá kategorie orná půda z CORINE Land Cover. Tento typ povrchu se rozkládá po značné části mapovaného území. Kromě Hostýnských vrchů pokrývá celé ORP Bystřice pod Hostýnem a ORP Holešov. Od Holešova se táhnou dva souvislé pásy polí. Jeden přes Fryšták až ke Slušovicím a druhý přes Otrokovice k Napajedlům. K posouzení úspěšnosti výsledné mapy byla vybrána oblast v okolí několika obcí v jižní části Hané, tedy jižně od Holešova (viz. Obr. 16). Orná půda podle dat z databáze CORINE Land Cover téměř ve všech případech leží na jedné ze tříd zemědělských ploch. Na obrázku č. 16 lze vidět pouze jednu plošku náležející kategorii orná půda, avšak nezařazenou do třídy zemědělských ploch. Obdobně je tomu na celém mapovaném území. Naopak třídy zemědělských ploch nespadají celé do kategorie orná půda. 41
Některým místům je tedy tato třída chybně přiřazena. Ve skutečnosti je v těchto místech zastavěná plocha. Ta však nebyla do klasifikace zařazena, jelikož to není při klasifikaci vegetačních druhů přínosem. Od zemědělských ploch ji i přesto lze odlišit. Pole jsou souvislé, větší plochy, kdežto v místech, kde se nachází zástavba jsou kategorie zemědělských ploch s vegetací a bez vegetace roztroušeny do menších plošek.
Obr.16: Verifikace orné půdy na příkladu jižní části Hané
7.3 Louky a pastviny Trvalé travní porosty klasifikované ze satelitního snímku odpovídají kategorii luk a pastvin z dat CORINE Land Cover. Louky a pastviny se nejvíce vyskytují ve východní části území, v předhůří Vizovické vrchoviny. Několik větších ploch se vyskytuje mezi Vizovicemi a Hostýnskými vrchy, především v blízkosti obcí v horských údolích. A na jihovýchod od Zlína se nachází mozaikovitě uspořádané louky Želechovických pasek.
42
Travnaté povrchy zabírají na mapě nejméně souvislé plošky, proto jejich hranice hůř odpovídá hranici luk a pastvin z databáze CORINE Land Cover, jak je patrné např. na západ od Trnavy (Obr. 17). Mimo tyto drobné nesrovnalosti většinou větší plochy travnatých povrchů na klasifikované mapě odpovídají i kategorii luk a pastvin, jak je zřejmé v okolí Trnavy a Všeminy. Menší plochy jsou často zařazeny nesprávně nebo nejsou nezařazeny vůbec. Tak je tomu např. v okolí Kašavy. Jelikož jsou rozlohy luk a pastvin v okolí Zlína většinou velmi malé, nelze předpokládat lepší výsledky, vzhledem k použitým datům (prostorové rozlišení snímku: 30 m).
Obr. 17: Verifikace luk a pastvin na příkladu okolí Trnavy
7.4 Hodnocení úspěšnosti vytvořené mapy Mapa druhů vegetačního krytu okolí Zlína odpovídá reálnému rozmístění mapovaných povrchů. Jak bylo zmíněno v kapitolách 7.1-7.3 významnější chyby se vyskytují pouze u zástavby, která byla zařazena do tříd zemědělská plocha s vegetací a zemědělská plocha bez vegetace a u travnatých povrchů, které zabírají tak malé plochy, že jsou z dostupných dat těžko lokalizovatelné. Úspěšnost potvrzuje také chybová matice klasifikovaného obrazu (viz kapitola 6.3.3).
43
8 ZÁVĚR Družicové snímky jsou častým prostředkem k mapování vegetace. Je to především proto, že se vegetační kryt vyskytuje téměř na všech obrazových záznamech Země a také proto, že má vegetace specifické spektrální chování a díky tomu ji lze od ostatních povrchů snadno odlišit. Využívá se hlavně rozdílu mezi červeným a blízkým infračerveným zářením. Zpracovaná data DPZ tak mohou přispětke studiu nejen druhové skladby vegetace, ale i zdravotního stavu, odhadům výnosů zemědělských plodin apod. Cílem této bakalářské práce bylo vytvoření mapy vegetace v okolí Zlína (konkrétně v ORP Bystřice pod Hostýnem, Holešov, Otrokovice, Vizovice a Zlín) a její následná verifikace. K tomu bylo využito snímku z dat Landsat 7 ETM+, pořízeným v srpnu roku 2000, konkrétně pásem 1, 2, 3, 4, 5 a 7 s prostorovým rozlišením 30m. Vzhledem k tomuto rozlišení není možné mapovat vegetaci na úrovni druhu. V mapovaném území lze z těchto dat dobře odlišit les s převahou jehličnanů, les s převahou listnáčů, zemědělskou půdu se vzrostlou vegetací a zemědělskou půdu bez vegetace a travnaté porosty. Na geometricky transformovaných datech byl nejprve vypočten index NDVI a provedena transformace Tasseled Cap. Touto transformací vznikly spektrální indexy brightness, greenness a wetness. Vzhledem k tomu, že každý z těchto indexů souvisí z jinou vlastností zemského povrchu, byly spolu s osvědčeným NDVI využity k vymezení druhů vegetace. K vytvoření mapy vegetačního krytu byla zvolena metoda řízené klasifikace. Pro efektivnější výběr trénovacích ploch byla nejprve vytvořena podpůrná data. Vypočtené spektrální indexy proto byly před vlastní klasifikací využity k tvorbě bitových obrazů jednotlivých povrchů metodami prahování a hustotních řezů. Protože jednotlivé spektrální indexy ale představují pouze jeden druh informace jsou tyto metody omezené. Nejlépe se podařilo odlišit jehličnany. Byl využit index brightness, protože dával nejlepší výsledky. Uspokojivě lze ale tento typ povrchu extrahovat i z ostatních indexů. Masky ostatních typů vegetačního krytu nebyly tak jednoznačné jako maska jehličnanů, k prvotní lokalizaci byly však zcela dostačující. I když jsou NDVI a greenness oba vegetační indexy a jsou velmi podobné, jejich výpočet v mapovaném území vykazuje určité rozdíly. I korelační analýzou bylo dokázáno, že jsou odlišné. Proto bylo ke klasifikaci použito všech čtyř spektrálních indexů. V trénovací etapě bylo využito bitových obrazů jednotlivých povrchů a znalosti terénu. Při samotné klasifikaci byl využit klasifikátor maximální pravděpodobnosti.
44
Verifikace byla provedena pomocí vektorové vrstvy vycházející z dat CORINE Land Cover, ZABAGED a terénního výzkumu. Zjištěné nesrovnalosti se vyskytují u kategorie zemědělských ploch, do nichž je nesprávně zařazena i zástavba. Další nesoulad lze najít u třídy travnatých povrchů. Jejich plochy jsou příliš malé a použitá data nelze vzhledem k měřítku využívat v takto heterogenním prostředí. I přes výše zmíněné nedostatky je výsledná mapa porovnatelná s obdobně zaměřenými studiemi, které využily obdobných vstupních dat a metod. Sestavená mapa ve vymezeném území dobře lokalizuje požadované druhy vegetačního krytu.
45
SEZNAM POUŽITÉ LITERATURY
TIŠTĚNÉ ZDROJE: BLAŽEK, P.: Mapování vegetační složky krajiny distančími metodami. BP. Brno, PřF MU v Brně, 2005. 30 s. CULEK, M.: Biogeografické členění České republiky. Praha, ENIGMA, 1996. 347 s. CAMPBELL J. B.: Introduction to Remote Sensing. London, Taylor & Francis, 1996. 662 s. DOBROVOLNÝ, P.: Dálkový průzkum Země. Digitální zpracování obrazu. Masarykova univerzita v Brně, Brno, 1998. 210 s. ISBN 80-210-1812-7. GIMUNOVÁ, T.: Mapování vegetace na území města Brna prostředky DPZ. BP. Brno, PřF MU v Brně, 2009, 42 s. GLENN, E. P., HUETE, A. R., NAGLER, P. L., NELSON, S. G.: Relationship Between Remotelysensed Vegetation Indices, Canopy Attributes and Plant Physiological Processes: What Vegetation Indices Can and Cannot Tell Us About the Landscape. Tucson, Sensors 8, 2008. 25 s. HONKOVÁ, M.: Mapování vegetace a využitím spektrálních indexů. DP. Brno, PřF MU v Brně, 2008. 94 s. HUANG, CH., WYLIE, B., YANG, L., HOMER, C., ZYLSTRA, G.: Derivation of a Tasseled Cap transformation based on Landsat 7 at-satellite reflectance. Sioux Falls, U.S. Geological Survey, International Journal of Remote Sensing, 2002, Vol. 23, No. 8, s. 1741-1748. CHAPMAN, L.: An introduction to 'upside.down' remote sensing. Birmingham, Progress in Physical Geography 32 (5), 2008. s. 529-542 JIANG, Z., HUETE, A. R., CHEN, J., CHEN, Y., LI, J., YAN, G., ZHANG, X.: Analysis of NDVI and scaled difference vegetation index retrievals of vegetation fraction. Beijing, Tucson, Remote Sensing of Environment 101, 2006, s. 366-378 KEPRTOVÁ, K: Družicové mapy vybraného území jižní Moravy. DP. Brno, PřF MU v Brně, 2004. 109 s. KOVAŘÍK, V.: Anglicko-český a česko-anglický slovník dálkového průzkumu Země. 1. vyd., Brno, Vojenská akademie v Brně, 2001. 98 s. LILLESAND, T. M., KIEFER, R. W., CHIPMAN, J. W.: Remote sensing and image interpretation. 5. vyd., New York, Chichester, Brisbane, Toronto, Singapore, John Wiley and Sons, 2004. 724 s. ISBN 0-471-15227-7. NENIČKOVÁ, P.: Mapování vegetace ve vybrané části údolní nivy Moravy prostředky DPZ. BP. Brno, PřF MU v Brně, 2009. 49 s. 46
RAUŠER, J.: Biogeografické členění ČSR, Brno, Geografický ústav ČSAV, 1971 QUITT, E.: Klimatické oblasti v ČSR. Brno, GÚ ČSAV, 1975. 73 s. TOLASZ, R.: Atlas podnebí Česka. 1. vyd. Praha : Český hydrometeorologický ústav, 2007. TOMÁŠEK, M.: Půdy České republiky. 4. vyd. Praha, Česká geologická služba, 2007. 67 s. XIE, Y., SHA, Z., YU, M.: Remote sensing imagery in vegetation mapping: a review. Ypsilanti, Wuhan, Beijing, Journal of Plant Ecology 1, 2008. s. 9-23
INTERNETOVÉ ZDROJE: Landsat: http://www.gisat.cz/content/cz/dpz/prehled-druzicovych-systemu/landsat Landsat 7, NASA: http://geo.arc.nasa.gov/sge/landsat/l7.html CORINE Land Cover 2000: http://geoportal.gov.cz/web/guest/home Chráněná území Zlínského kraje: http://nature.hyperlink.cz/ Půdní mapy na území České republiky, Mapový server ČGS, Tematický obsah: AOPK ČR, 2005, Topografický podklad: ČÚZK: http://mapy.geology.cz/website/pudni_mapy/ Spektrální křivka odrazivosti vegetace: http://www.scotland.gov.uk/Publications/2009/11/06110108/6 Správní obvody obcí s rozšířenou působností - Zlínský kraj 2004 za rok 2003 at ČSÚ: http://www.czso.cz/xz/edicniplan.nsf/p/13-7203-04
Snímek Landsat 7 ETM+, online na: Global Land Cover Facility (GLCF): Earth Science Data Interface: http://glcfapp.glcf.umd.edu:8080/esdi/index.jsp Zlínský kraj: http://www.zlinskykraj.net/
47
PŘÍLOHY Příloha 1 – Fotodokumentace terénního výzkumu
48
Fotodokumentace č. 1: Jehličnatý les, okolí Loukova
Fotodokumentace č. 2: Listnatý les, okolí Lukovečka
49
Fotodokumentace č. 3: Trvalé travní porosty, okolí Držkové
Fotodokumentace č. 4: Zemědělské plochy, okolí Lechotic a Míškovic
Fotodokumentace č. 5: Jehličnatý les, okolí Rackové
50
Fotodokumentace č. 6: Listnatý les, okolí Mladcové (Zlín)
Fotodokumentace č. 7: Trvalé travní porosty, okolí Provodova
Fotodokumentace č. 8: Listnatý les, Chřiby
51
Příloha 2 – Náhled CORINE Land Cover na Národním geoportálu
52
