_________________________________________________________________________ MASARYKOVA UNIVERZITA Přírodovědecká fakulta
DIPLOMOVÁ PRÁCE
Brno 2008
Pavel BLAŽEK
MASARYKOVA UNIVERZITA Přírodovědecká fakulta Geografický ústav
Pavel BLAŽEK
SOUČASNÉ ZMĚNY V CHARAKTERU VYUŽITÍ ZEMĚDĚLSKÝCH PLOCH V JIHOMORAVSKÉM KRAJI
Diplomová práce
Vedoucí práce: Doc. RNDr. Petr Dobrovolný, CSc. _________________________________________________________________________ Brno 2008
Jméno a příjmení autora:
Pavel BLAŽEK
Název diplomové práce:
Současné změny v charakteru využití zemědělských ploch v jihomoravském kraji
Název v angličtině:
The changes in use soil in agriculture in Jihomoravský kraj department
Studijní obor (směr):
Geografická kartografie a geoinformatika
Vedoucí bakalářské práce:
Doc. RNDr. Petr Dobrovolný, CSc.
Rok obhajoby:
2008 Anotace
Na multispektrálních družicových snímků vytvoření mapy zemědělských plodin v Jihomoravském kraji. Zjištění změny v pěstování plodin mezi lety 1986 a 2001. Klasifikace snímku s využitím masky. Annotation Creation maps of agriculture products of the South Moravia using multi-spectral satellite images. Indicate changes in growing products among years 1986 and 2001. Classification process using masks in image interpretation. Klíčová slova dálkový průzkum, spektrální chování plodin, interpretace a klasifikace obrazu, trénovací plochy, filtrace obrazu, postklasifikační úpravy, maska Key words remote sensing, multi-image manipulation, image interpretation and classification, training stage, post-classification smoothing, mask
Masarykova univerzita Přírodovědecká fakulta
ZADÁNÍ DIPLOMOVÉ PRÁCE Student: Studijní program: Studijní obor:
Pavel Blažek Geografie Geografie a kartografie
Vedoucí sekce věd o Zemi PřF MU Vám ve smyslu Studijního a zkušebního řádu MU určuje diplomovou práci s tématem:
Současné změny v charakteru využití zemědělských ploch v jihomoravském kraji
Zásady pro vypracování: Cílem práce je studium změn v plošném zastoupení a struktuře pěstování vybraných zemědělských plodin v jihomoravském kraji s využitím dat DPZ. Základní etapy zpracování: 1. Na základě výsledků bakalářské práce a klasifikačního schématu CORINE Land cover vytvořte vhodnou množinu základních druhů zemědělských plodin pěstovaných na území Jihomoravského kraje a zjistitelných metodami automatické klasifikace obrazu. 2. Proveďte rešerši využívání dat DPZ pro účely zemědělské statistiky. 3. Z družicových obrazových dat sestavte mapu JM kraje pro dva časové horizonty. 4. S využitím metod klasifikace obrazu sestavte mapy rozložení ploch základních druhů zemědělských plodin. 5. Popište hlavní druhy změn ve využívání zemědělských ploch. 6. Výsledky konfrontujte s oficiální zemědělskou statistikou. 7. Uveďte přednosti a nedostatky používání obrazových dat DPZ pro mapování zemědělských ploch v podmínkách ČR.
Rozsah grafických prací:
podle potřeby
Rozsah průvodní zprávy:
cca 60-80 stran
Seznam odborné literatury: Remote sensing change detection: environmental monitoring methods and applications. Edited by Ross S. Lunetta, Christopher D. Elvidge. London, Taylor & Francis, 1999. xviii, 318. Lillesand, T. M., Kiefer, R. W.: Remote sensing and image interpretation. New York, John Wiley & Sons, 1999. xii, 724 s.
Vedoucí diplomové práce: Datum zadání diplomové práce: Datum odevzdání diplomové práce:
doc. RNDr. Petr Dobrovolný, CSc. září 2005 dle harmonogramu akademického roku 2007/2008
V Brně dne 10.10.2005
Zadání diplomové práce převzal dne: 13. října 2005
doc. RNDr. Petr Dobrovolný, CSc. vedoucí sekce VoZ PřF MU
Podpis studenta
Chtěl bych vyjádřit poděkování vedoucímu práce docentu Petru Dobrovolnému za shovívavost při tvorbě této práce. A déle chci poděkovat Kateřině Keprtové za čas strávený konzultováním a dáváním cenných rad při plnění praktické části diplomové práce.
Prohlašuji tímto, že jsem zadanou diplomovou práci vypracoval samostatně pod vedením doc. RNDr. Petra Dobrovolného, CSc. a uvedl v seznamu literatury veškerou použitou literaturu a další zdroje.
V Brně dne 11. února 2008
____________________________ vlastnoruční podpis autora
OBSAH ÚVOD............................................................................................................................8 CÍL PRÁCE A VYMEZENÍ ÚZEMÍ ........................................................................9 2.1. CÍL PRÁCE ...............................................................................................................9 2.2. VYMEZENÍ ÚZEMÍ ...................................................................................................9 3. DOSAVADNÍ POZNATKY......................................................................................10 3.1. OBECNÁ CHARAKTERISTIKA ..................................................................................10 3.1.1. DRUHY SNÍMKŮ ................................................................................................10 3.1.2. SPEKTRÁLNÍ ODRAZIVOST.................................................................................12 3.2. DPZ A JEHO VYUŽITÍ V ZEMĚDĚLSTVÍ; PRECIZNÍ ZEMĚDĚLSTVÍ ............................13 3.3. PROJEKT GSE LAND .............................................................................................15 4. PŘÍPRAVA DAT .......................................................................................................16 4.1. DRUŽICOVÝ SNÍMEK .............................................................................................16 4.2. POZEMNÍ DATA .....................................................................................................16 4.3. DATABÁZE LPIS...................................................................................................17 4.3.1. VYUŽITÍ DATABÁZE LPIS .................................................................................18 4.3.2. PŘÍPRAVA DAT Z DATABÁZE LPIS ....................................................................19 4.4. KLASIFIKAČNÍ SCHÉMA .........................................................................................19 4.4.1. LEGENDA ..........................................................................................................20 4.5. SPEKTRÁLNÍ CHOVÁNÍ JEDNOTLIVÝCH POVRCHŮ..................................................21 ŘEPKA...............................................................................................................21 4.5.1. 4.5.2. HOLÉ POLE ........................................................................................................22 4.5.3. MÁK .................................................................................................................22 4.5.4. JEČMEN A PŠENICE ............................................................................................23 4.5.5. VODA ................................................................................................................24 4.5.6. LES ...................................................................................................................24 4.5.7. LOUKY ..............................................................................................................25 4.5.8. PÍCNINY ............................................................................................................26 4.5.9. ZÁSTAVBA ........................................................................................................26 5. POSTUP PRÁCE .......................................................................................................27 5.1. PŘÍPRAVA OBRAZŮ................................................................................................27 5.1.1. TRANSFORMACE OBRAZU .................................................................................27 5.1.2. VÝBĚR PÁSEM DO OBRAZU................................................................................29 5.1.3. VÝBĚR PÁSEM KE KLASIFIKACI .........................................................................30 5.2. KLASIFIKACE CELÉHO SNÍMKU..............................................................................30 5.2.1. KLASIFIKACE SNÍMKU 1986 ..............................................................................30 5.2.2. KLASIFIKACE SNÍMKU 2001 ..............................................................................32 5.3. KLASIFIKACE ZEMĚDĚLSKÉ PŮDY .........................................................................33 5.3.1. KLASIFIKACE SNÍMKU 1986 ..............................................................................33 5.3.2. KLASIFIKACE SNÍMKU 2001 ..............................................................................35 5.4. SROVNÁNÍ SE ZEMĚDĚLSKOU STATISTIKOU...........................................................37 5.5. POSTKLASIFIKAČNÍ ÚPRAVY .................................................................................37 6. DISKUSE VÝSLEDKŮ A ZÁVĚR..........................................................................39 7. LITERATURA...........................................................................................................40 SEZNAM ZKRATEK .......................................................................................................43 SEZNAM PŘÍLOH............................................................................................................44 1. 2.
7
1. ÚVOD Dálkový průzkum Země (DPZ), též bezkontaktní (distanční) mapování zemského povrchu, je vědní disciplína, která zaznamenala obrovský a rychlý vzestup od prvního vypuštění družice pro tento účel na oběžnou dráhu. Produkty dálkového průzkumu jsou závislé na skenovacích zařízeních a na počítačích, které data zpracovávají. S rozvojem výpočetní techniky, tedy s její schopností rychleji zpracovávat více dat, roste význam a možnosti využití stále většího objemu dat získaných z družic. Zpracováním vznikají výstupy většinou ve formě mapy. Jsou to většinou mapy změn vegetace, ledovcového příkrovu, mapy druhů povrchů nebo mapy pohybů vodních mas v oceánech. Definice dálkového průzkumu Země není jednoznačná. Téměř každý autor má svoji definici. Přehled nejzajímavějších z nich je ve studijních materiálech M. ŽELEZNÉHO [7]. Pro potřeby této práce se DPZ dá definovat jako Získávání informací o povrchu Země z její oběžné dráhy za účelem jejího znázornění do mapy.
8
2. CÍL PRÁCE A VYMEZENÍ ÚZEMÍ 2.1. Cíl práce Ze zadání této práce lze vyčíst, že výsledkem má být zmapování druhů zemědělských plodin a jejich vzájemné porovnání mezi lety 1986 a 2001. Uvedený cíl bude dosažen dvěma způsoby – klasifikací celého snímku, jak bylo popsáno v bakalářské práci autora a klasifikací pouze orné půdy. Jako prostředek k vymezení orné půdy byla použita vektorová databáze z projektu identifikace půdních bloků (Land Parcel Identification System). K dispozici jsou dva družicové snímky. První je z LANDSATu 5 a druhý je ze sedmé družice této série.
2.2. Vymezení území Práce se zabývá územím Jihomoravského kraje (Obr. 2.). Tento kraj složený z šesti okresů a města Brna zabírá rozlohu o výměře 7067 km2. Pokud se podíváme na typ obhospodařování, tak si představme pomyslnou spojnici Znojma Brna a Olomouce. Na Jihovýchodě se jedná o půdu intenzivně využívanou. Vyskytují se zde oblasti řepařská a obilnářská. Severozápadní část je hornatější a převažují zde lesy. Rozdíl mezi nejvyšším a nejnižším bodem je necelých sedm set metrů - 150 m n.m. při soutoku Dyje a Moravy a 842 m n.m. vrchol Durda v nejvýchodnějším cípu kraje (Autoatlas České republiky, 2002).
Obr. 1. Vymezení zájmového území s družicovým snímkem – Jihomoravský kraj. Výraznými dominantami na Jižní Moravě, z hlediska druhů povrchů, jsou tři vodní díla. Soustava Nové Mlýny, Vranovská a Brněnská přehrada. Tyto zabírají celkem 4250 hektarů. Na území kraje se vyskytuje národní park (NP Podyjí) a dvě chráněné krajinné oblasti (CHKO Moravský Kras a CHKO Pálava). 9
3. DOSAVADNÍ POZNATKY Dálkový průzkum Země, pro účely této práce, můžeme chápat jako prostředek pro rozpoznávání druhů plodin, kvantifikaci produkce a její predikci. K výsledku lze dojít za předpokladu znalosti několika základních postupů: -
spektrální odrazivost: množní reflektovaného záření. Je závislé na vlnové délce paprsku a na objektu, od kterého se odráží. Charakteristika jednotlivých povrchů je popsána v kapitole 4.6.
-
zvýraznění obrazu: pomocí kombinace spektrálních pásem nebo pomocí vegetačních indexů.
-
klasifikace snímku: složená z trénovací fáze, výběru algoritmu pro výpočet spektrálních příznaků a filtrování obrazu.
3.1. obecná charakteristika Od počátku sedmdesátých let se ukázalo, že mapování vegetace, příp. druhů povrchů je rychlejší a levnější pomocí satelitního snímkování než leteckými metodami (Campbell, 1981). Pro cíl práce je nutné zvolit správný snímek. Snímek obsahující větší množství dat je dražší než snímek s méně daty. K vytvoření mapy zemědělských plodin v Jihomoravském kraji je potřeba obrazu s více spektrálními pásmy, ale jeho rozlišení se může pohybovat v desítkách metrů. Data z družice Landsat jsou pro toto mapování vhodná. Jejich výhoda také spočívá v pravidelném snímkování povrchu Země. Každý bod povrchu je snímán co šestnáct dní a snímkování je rovněž synchronní se sluncem. 3.1.1. Druhy snímků Družicová data (snímky) lze rozdělit do tří skupin podle jejich prostorového rozlišení. První jsou data s nízkým a středním rozlišením (Obr. 2a.). To znamená velikost pixelu v řádu 1 kilometru, resp. v řádu stovek metrů. Data jsou multispektrální s pásmy viditelnými a infračervenými. pořizování dat má denní až několikadenní frekvenci. Většinou se totiž jedná o geostacionární družice. Použití je u globálních a kontinentálních mapování, monitoring přírodních katastrof či sledování stavu atmosféry, oceánů nebo ledovců. Data jsou vhodná pro mapování v měřítku 1:1 000 000. Zástupci družic pořizujících tato data jsou NOAA, SPOT Vegetation, MERIS nebo MODIS. Data s vysokým rozlišením (Obr. 2b.) jsou další kategorií v přehledu získávání družicových snímků. Rozlišení se pohybuje v řádu desítek metrů. Mají již zpravidla
10
panchromatický i multispektrální režim, který zabírá významnou část infračerveného záření a dokonce i tepelné záření. Jedinou výjimkou v této kategorii je družice HYPERION, která pořizuje data v hyperspektrálním režimu (220 pásem). Starší družice pořizují data v pravidelných intervalech při totožných obletech Země. Modernější družice dokáží pořizovat snímky na základě žádosti zákazníka. Data jsou využívána pro regionální mapování a plánování, pro sledování stavu a vývoje vegetace, sledování těžby, geologické mapování či pro tvorbu digitálního modelu terénu (DMT). Z těchto dat vznikají mapy v měřítcích 1:100 000 až 1:25 000. Typickými zástupci jsou LANDSAT, SPOT, IRS, ASTER či DMC. Pro tuto práci byla z této kategorie vybrána data z družice LANDSAT 5 a LANDSAT 7. Poslední kategorií jsou data s velmi vysokým rozlišením (Obr. 2c.). Zde se již prostorové rozlišení pohybuje v řádu metrů. Tato data mohou být zatím pořizována jen v panchromatickém režimu. Avšak často se kombinují s multispektrálním režimem. V současnosti se jedná o nejrychleji se rozvíjející sektor dálkového průzkumu Země. Jedná se o nejmodernější družicové systémy, kde kladen důraz na velkou flexibilitu, co se týče požadavků zákazníka. Aplikace pro tato data jsou podrobné mapování, urbanistické studie, 3D modely měst, precizní zemědělství, projektování liniových staveb, inventarizace lesních porostů, mapování půdní eroze a také tvorba DMT. Použití je pro mapy s měřítkem 1:25 000 až 1:5 000. Jedna z nejstarších družic s vysokým rozlišením byla KOSMOS (na oběžné dráze strávila 58 dní). Novější družice jsou například IKONOS, QuickBird, OrbView3, EROS A a Cartosat-1. Radarová data, jako další, specifická, kategorie, jsou pro mapování vegetační složky krajiny nevhodná. Použití v rámci této práce by mohlo být využití pro delineaci jevů na pořízených multispektrálních snímcích. Ale to až u dat s metrovým rozlišením.
a
b c Obr. 2. Ukázka dat s nízkým (a), vysokým (b) a velmi vysokým (c) rozlišením.
11
Do neřízené klasifikace nevstupují žádná tréninková data. Tato metoda se používá pokud nemáme informace z pozemního průzkumu či naše znalosti o území jsou nedostačující, nebo se používá jako předstupeň klasifikace řízené. Tato metoda je založena na seskupování pixelů s podobnými spektrálními vlastnostmi do skupin dle zadaných, statistických kritérií (Jensen, 1996). Na závěr musí uživatel rozhodnout které skupiny pixelů spojí do tříd land-cover. Neřízená klasifikace často slouží jako základ pro určení trénovacích ploch. 3.1.2. Spektrální odrazivost Pro rozpoznání jednotlivých druhů povrchů slouží multispektrální snímky. Ty zachycují hodnoty odrazivosti povrchu v určitých vlnových délkách. Pro rozpoznání druhů rostlin je nutná znalost jejich chování v jednotlivých částech spektra – znalost odrazu záření (Obr. 3.). Následující členění je převzato od J.BROMA [1]. Ve viditelné oblasti spektra (0,45-0,70 µm) připadá největší spektrální odezva na chlorofyl. Chlorofyl umožňuje rostlinám absorbovat sluneční záření pro zajištění fotosyntézy. Chlorofyl neabsorbuje všechno záření rovnoměrně, ale přijímá zejména modrou a červenou část spektra, při absorpci 70 až 90% dopadajícího záření v této části, zelená část je pak z větší části odrážena. V blízké infračervené oblasti spektra (0,75-0,90 µm) je odraz řízen především strukturami houbového parenchymu. Kutikula s pokožkou jsou kompletně prostupné pro IČ záření, kterého odrážejí velmi malé množství. Radiace přicházející na svrchní část listu je úplně rozptylována tkáněmi mezofylu a v mezibuněčných prostorech. Velmi málo z této části záření je pohlcováno mezofylem, zbytek je odražen nebo propouštěn listem. Na hranici viditelného záření klesá absorpce červeného světla chlorofylem a výrazně narůstá množství odraženého záření. V delších vlnových délkách (nad 1,3 µm) jsou spektrální vlastnosti listu ovlivňovány především obsahem vody v listu.
12
Obr. 3. Spektrální křivky odrazivosti základních druhů povrchů. (převzato: www.sci.muni.cz / Výuka krajinné ekologie a DPZ)
3.2. DPZ a jeho využití v zemědělství; precizní zemědělství Data z dálkového průzkumu jsou využívána velmi často právě v zemědělských aplikacích. Tyto aplikace zahrnují předpověď výnosů sklizní, monitorování plodin či sledování povětrnostních podmínek. Spojené státy v sedmdesátých letech spustily program Large Area Crop Inventory Experiment (LACIE), který měl za cíl odhadovat celosvětovou produkci obilí. Začaly používat data ze skenerů MSS a TM na družicích Landsat (Moulin et al, 1998). To bylo důležité pro plánované zemědělství a zemědělskou politiku vůbec. Zatímco LACIE si kladl za cíl zjišťovat výměru a odhadnout produkci, řada dalších programů ukázala, že měření v různých vlnových délkách dokáže zjistit informace o podmínkách sklizní (McAdam, 1997). Thenkabil a kol. (1994) využívá obrazové záznamy Landsat TM pro vyhodnocování vlastností sklizně sóje a kukuřice. Program testoval schopnost satelitu odvodit vegetační indexy za účelem odhadnutí výnosů sklizně. Výsledek testu přinesl, že nejvíce informací o úrodě a sklizni dává střední infračervené pásmo satelitu Landsat 5 TM. Tento výsledek byl studován v porovnání s blízkým infračerveným a červeným pásmem. V této práci bylo střední infračervené pásmo použito (TM7). Schwartz (1994) vyzkoušel základní vztah mezi fenofázemi rostlin a klimatem. Schwartz tvrdí, že typické zvyšování teploty a relativní vlhkosti na počátku sezóny koresponduje s časem, kdy pučí stromy. Podle něj je pro zachycení změn v charakteristice zemědělských plodin potřeba použít tzv. multitemporální snímkování. Multitemporální klasifikace slouží rovněž pro identifikaci jednotlivých plodin.
13
Ortiz, et al. (1997) klasifikoval plodiny pomocí integrace GIS a dálkového průzkumu. Použil databázi land-cover s daty z pozemního průzkumu v GIS a tím vylepšil přesnost samotné klasifikace. Informace jako typ pole a poloha vedly k lepšímu rozpoznání, které plochy použít jako tréninkové. Pro multitemporální klasifikaci s použitím GIS to znamenalo zvýšení celkové přesnosti o 20 procent – ve srovnání s konvenčními digitálními postupy. Dálkový průzkum a prostorová data byla rovněž použita pro zemědělský land-cover v údolí řeky Colorado v Kalifornii, Arizoně a Nevadě. Congalton, et al. (1998) dosáhl velmi vysokých přesností díky použití detailního pozemního pozorování a řízené klasifikace vícečasového snímkování Landsat TM. Počátkem klasifikace byla digitalizace hranic polí s využitím panchromatických snímků družice SPOT s rozlišením 10 metrů. Pole byla rozdělena tak, aby reprezentovala jednotlivé plodiny v celém území. Náhodný počet jich byl vybrán, aby zde byla provedena kontrola. Tato místa byla navštívena čtyřikrát (březen, květen, srpen a prosinec). jedna třetina z nich byla později použita pro zjištění přesnosti. Zbylé dvě třetiny byly použity jako trénovací plochy. Spektrální příznaky byly vyhodnoceny, zatímco ty nežádoucí byly odstraněny. Touto metodou zvýšil celkovou přesnost klasifikace plodin na 93 %. Pro níže popsanou práci byly použity též digitalizované hranice polí. Tyto polygony byly použity z programu LPIS a slouží pro vytvoření masky nad plochami, které nejsou objekty zájmu (zástavba, vodní plochy, zahrady apod.). Protože se mění charakteristika plodin v průběhu sezóny, je žádoucí používat obrazové záznamy získané v průběhu celého cyklu rostlin pro jejich lepší identifikaci. Nicméně nejlepších výsledků je dosaženo, když je plodina zachycena v jejím plném vývoji, kdy půda má nejmenší vliv na spektrální odrazivost (Tao & Nellis, 1999). Jenže je nutno brát v úvahu, že každá plodina dosahuje plného vývoje v různý čas. Tao & Nellis (1999) také uvádějí řadu problémů spojených s klasifikací zemědělských ploch pomocí družicových snímků. Zaprvé opožďování v pěstování mezi jednotlivými poli se stejnými plodinami může způsobovat rozdíly ve spektrální odrazivosti. Dále spektrální odrazivost je ovlivněna také ve vlhkosti půdy či v orientaci pole, sklonu nebo jeho nadmořské výšky. Poslední důvod je uveden jako rozdílnost v setí (šířka řádků, jejich směr nebo rozestup rostlin). Při snímání záleží také na části dne.
14
3.3. Projekt GSE Land Autor práce sbíral praktické informace a rady při účasti na projektu GSE Land. Tohoto projektu se pro Českou republiku ujala firma GISAT. Projekt zahrnuje kompletní proceduru k vytvoření Land Cover databáze. Od prvotního družicového snímku po výslednou mapu druhů povrchů podle CORINE LCCS. Následující text je převzat ze stránek www.czechspace.cz. GSE Land je projekt financovaný Evropskou kosmickou agenturou (ESA) v rámci evropského rámce GMES (Globální monitoring životního prostředí a bezpečnosti) – společné iniciativy ESA a Evropské komise. ESA podporuje GMES v rámci svého programu sledování Země (Earth Watch Programme) financováním vývoje nových informačních služeb založených na družicových datech. Cílem projektu GSE Land je podpora standardních geoinformačních služeb a produktů založených na datech DPZ pro potřeby státní správy a samosprávy při implementaci strategií a direktiv Evropské komise. V případě projektu GSE Land jde konkrétně o podporu aktivit spojených s implementací ‘Rámcové směrnice o vodě’ (WFD), ’Tematické strategie pro městské životní prostředí‘ (Urban Thematic Strategy – UTS) a ‘Iniciativy na ochranu půdy’ (Thematic Strategy on Soil Protection – STS). Uživatelé v České republice mají vstupem GISAtu do konsortia bezprostřední přístup k posuzování, ovlivňování a využívání metod a nástrojů vyvíjených v rámci GSE Land. GSE Land v sobě spojuje zkušenosti tří předchozích projektů ESA GSE (GMES Service Element), které v první fázi připravili návrhy služeb a aplikací pro předoperační nasazení: - GSE SAGE vyvíjející služby pro poskytování detailních informací o aktuálním krajinném pokryvu, modelování nebodového znečištění vod nitráty v důsledku zemědělského hospodaření v krajině a informací o míře zastavění půdy spojené s úbytkem zemědělské půdy (soil sealing) včetně tvorby příslušných indikátorů - GMES Urban Services (GUS) poskytující detailní městské mapovací a monitorovací služby - GSE CoastWatch (pevninská část) na podporu integrované správy pobřežních oblastí a nabízí nyní už společné portfolio vzájemně provázaných služeb pro podporu rozhodování v krajině.
15
4. PŘÍPRAVA DAT 4.1. Družicový snímek Pro mapování vegetace či druhů povrchů se v současné době velmi často používají produkty dálkového průzkumu Země. Jsou to buď letecké snímky nebo snímky družicové. Pro tuto práci byl potřeba snímek družicový v multispektrálním provedení. Přehled typů družicových systémů dokresluje představu o možnosti využití těchto dat a zároveň je přiřazuje do několika kategorií (viz 3.1.1). Pro práci byly vybrány dva snímky. První je totožný jako u bakalářské práce autora. Tedy snímek skeneru ETM+ z družice Landsat 7 (scéna 190/26) ze dne 24. května 2001. Druhý snímek je pořízen družicí Landsat 5, konkrétně skenerem TM. Datum pořízení je 7. května 1986. Oba snímky však nepokrývají úplně celé území Jihomoravského kraje. Jedná se o východní výběžek (Javorník, Nová Lhota, Suchov) a o severní výběžek (Velké Opatovice, Uhřice, Úsobrno). Snímek z roku 1986 je geometricky nepřesný. Jeho transformace je popsána v kapitole 5.1.1.
4.2. Pozemní data K provedení úspěšné automatické klasifikace je potřeba mít k dispozici kvalitní a hlavně přesná podkladová data získaná z pozemního průzkumu. Tato data mohou být získána z archivních databází firem, zabývajících se zemědělskou výrobou. Většina organizací si vede záznamy o osevních plochách. Velmi přesná dokumentace byla vedena do roku 1989. Následující dekádu nebyla tato data striktně vyžadována, takže záleželo jen na družstvech, zda a jak si záznamy povedou. V té době se také ztratila značná část záznamů z dob komunismu – krachování podniků, noví majitelé… Od doby, kdy bylo možné dostávat dotace EU se záznamy opět zkvalitňují. Firma ZD Rostěnice a.s., se kterou autor práce spolupracoval již při tvorbě bakalářské práce, má záznamy vedené precizně s dlouhou historií (Obr. 4.). Od tohoto podniku byla získána tabulková data společně s mapou zobrazující obhospodařovávané půdní bloky a díly. Data byla vizuálně překontrolovaná s družicovým snímkem (Obr. 5.) a uvedené údaje souhlasí se skutečností. Druhým podnikem, který byl zapojen do projektu je ZD Sokolnice. Data z roku 2001 byla dobře archivována a souhlasí se skutečností. Údaje z roku 1986 sice byly uloženy v archivu, ale při porovnání s družicovým snímkem neodpovídaly skutečnosti. Pozemní data vstupují do klasifikace jako trénovací plochy, kromě dat z roku 1986 ze ZD Sokolnice.
16
Obr. 4. Kopie tabulky osiv pro jednotlivé půdní bloky/díly ZD Rostěnice a.s. v letech 1995-2002 V Jihomoravském kraji se nachází orná půda o celkové rozloze asi 325 000 hektarů a trvalé travní porosty
o celkové rozloze asi 18 500 hektarů. Zemědělské družstvo
Rostěnice se rozkládá na ploše 4970 hektarů. Při použití získaných podkladů je třeba brát v úvahu, že rozloha půdních dílů se na obou snímcích liší. Další rozdíly jsou i ve výrazných
antropogenních
krajinotvorných
prvcích.
Typickým
příkladem
jsou
Novomlýnské nádrže. V roce 1986 byla Nové Mlýny II ve fázi napouštění a Nové Mlýny III teprve ve výstavbě.
a
b Obr. 5. Mapa osevních ploch pro jednotlivé půdní bloky/díly (a) a její znázornění na družicovém snímku.
4.3. Databáze LPIS Jak bylo uvedeno v kapitole 2.1. - klasifikace snímku byla vypočtena dvěma způsoby. Druhý způsob – klasifikace orné půdy – využívá databázi LPIS. Z vektorové vrstvy byly vybrány polygony orné půdy a trvalých travních porostů, které posloužily jako maska – tedy plochy, které vstupovaly do klasifikace.
17
V LPIS (Land Parcel Identification System) v rámci České republiky se evidují půdní bloky, které mohou být ještě rozděleny na díly půdních bloků. Půdní blok je souvislá plocha zemědělské půdy, ohraničená zřetelnými terénními překážkami jako hranice lesa, břehový porost, cesta, atd. (EKOTOXA OPAVA, 2004). Při výskytu nezemědělské půdy, nebo půdy zemědělsky nevyužívané uvnitř půdního bloku je tato plochy vyjmuta z celkové plochy bloku. Databázi pro tuto práci zapůjčilo Ministerstvo zemědělství. Tento registr půdy je geografickou databází obsahující název půdního bloku, jeho výměra, majitel pozemku apod. Pro účely této práce a z hlediska Zákona č. 101/2000 Sb., o ochraně osobních údajů byla použita jen data o typu zemědělské plochy a její výměře (Obr. 6.).
Obr. 6. Atributová tabulka databáze LPIS. Databáze vznikala v průběhu let 1999-2004. Databáze však není stále aktuální. Odlišnosti od skutečnosti lze zaznamenat již na snímku z roku 2001. Projevuje se tu vliv Evropské unie. Díky Společné zemědělské politice (CAP) a jejím dotacím se orná půda v méně úrodných oblastech (LFA) změnila na trvalé travní porosty. Při porovnání databáze se snímkem z roku 1986 se již neliší jen některé druhy kultur, ale i průběh hranic či velikost a rozdělení jednotlivých dílů respektive bloků. Jako příklad může sloužit dálnice D1 z Brna do Vyškova, která byla právě ve výstavbě. V době nasnímání obrazu dálnice končila u Komořan. 4.3.1. Využití databáze LPIS Registr využívá především Státní zemědělský a intervenční fond, pomocí nějž kontroluje využívání evropských peněz, které jsou poskytovány ve formě dotací zemědělcům. Přístup do databáze mají rovněž uživatelé půdy, a to kvůli administraci při podávání projektů a žádostí o dotace. Toto využití probíhá i obráceně – kontrola projektů, zda půdní bloky opravdu existují a jsou o uvedené výměře. Databázi lze též využít pro
18
územní plánování, tvorbu a ochranu životního prostředí a krajiny či pro monitoring agroenvironmentálních opatření.
Obr. 7. Zobrazení SHP souboru orné půdy (vlevo) a inverzní vrstvy pro ornou půdu (vpravo) z databáze LPIS. 4.3.2. Příprava dat z databáze LPIS Půdní bloky jsou seskupeny v souborech SHP podle okresů ČR, kam svojí polohou náležejí. Pro vytvoření masky bylo nutné je nejprve sloučit do jednoho souboru, který bude reprezentovat celý Jihomoravský kraj. Z tohoto byla exportována vrstva orné půdy (Obr. 7.) a vrstva trvalých travních porostů. Tyto dvě vrstvy byly sloučeny do jedné v programovém prostředí ArcMAP. V tabulce 1 je seznam všech těchto kultur, jejich celková výměra a četnost výskytu v Jihomoravském kraji. Tab. 1. Kultury a jejich výměra v databázi LPIS pro JM kraj. Kultura Orná půda Ovocné sady TTP Vinice Porost rrd Les ostatní Les (ArcČR 500)
Výměra [ha] 325 203,25 4 638,35 18 428,83 12 557,96 0,5 182,63 126,56 268 754,80
Počet jednotek 29073 1330 6563 5858 1 129 82 324
4.4. Klasifikační schéma Základní standardizované klasifikační schéma je převzato z projektu CORINE Land Cover, to bylo řešeno pro Českou republiku v rámci programu PHARE. Phare je programem Evropské unie, vytvořeným v roce 1989 na podporu ekonomické restrukturalizace a politických změn v Polsku a Maďarsku, který byl postupně rozšířen na všechny kandidátské země EU a od roku 2000 i na země východního Balkánu (převzato: www.nvf.cz/phare).
Program
CORINE
(COoRdination
19
of
INformation
on
the
Environment) byl zahájen v roce 1985. Iniciátorem byla Evropská komise a cílem je sběr, koordinace a zajištění kvalitních informací o životním prostředí a přírodních zdrojích, které jsou srovnatelné v rámci Evropského společenství. Program má několik částí: Land Cover, Biotopes a Air. V roce 1991 se Evropská komise rozhodla díky programu Phare rozšířit program CORINE i na státy střední a východní Evropy (převzato: www.cenia.cz). Všechny evropské země pracují za základě této metodiky. Česká republika již má tuto databázi vytvořenou. Jedná se o mapu v měřítku 1:100 000, která byla vytvořena kolektivem pracovníků několika institucí pod koordinací firmy GISAT, Praha. Celý projekt byl zhotoven v souřadném systému S-42, a to ruční klasifikací. 2. Zemědělské plochy 2.1. Orná půda 2.1.1. Nezavlažovaná orná půda 2.1.1.1. Ozimé obiloviny 2.1.1.2. Jarní obiloviny 2.1.1.3. Letní plodiny (okopaniny) 2.1.1.4. Olejoviny (řepka) 2.1.1.5. Ostatní plodiny
Obr. 8. Ukázka mapy CORINE Land Cover 1:100 000 pro Českou republiku s částí legendy (vlevo) a hierarchizace klasifikace podle CORINE LCCS (vpravo). 4.4.1. Legenda Druhy povrchů byly stanoveny skupinou expertů tak, aby byly shodné pro většinu států a přitom umožnily zmapovat i regionální specifika. Celá nomenklatura je pojata hierarchickým způsobem a obsahuje tři úrovně, které jsou povinné ve všech zemích (Obr. 8. vlevo znázorňuje typy povrchů třetí úrovně). Na této úrovni je určeno 44 kategorií označených tříciferným kódem. Pro potřeby České republiky je možné jít ještě do větších podrobností – do čtvrté úrovně (Obr. 8. vpravo). Z této oficiální legendy byla vypracována legenda pro účely této práce (Tab. 2.). V ní jsou uvedeny druhy povrchů, které byly klasifikovány na příslušných snímcích a v obou variantách klasifikace.
20
Tab. 2. Klasifikační schéma pro účely této práce. Barva v legendě
Kultura Řepka Pšenice Ječmen Mák Pícniny Holé pole TTP Zástavba Les Voda Okraje snímku neklasifikováno
xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx xxxxxxxxxxxxx
Klasifikace bez masky Snímek Snímek 1986 2001 Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano
Klasifikace s maskou Snímek Snímek 1986 2001 Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano Ano
Ano
Ano
4.5. Spektrální chování jednotlivých povrchů Níže popisované barevné syntézy spektrálních pásem a jejich vizualizace je uváděna pomocí čísel spektrálních pásem. Čísla odpovídají názvům pásem z družice. Například 4 je TM4, tedy blízké infračervené pásmo. Zobrazení, ať v barvách přirozených nebo nepřirozených je vždy v pořadí barev RGB (červená, zelená, modrá). 4.5.1. Řepka Je to plodina, která je velmi lehce rozpoznatelná na všech snímcích (Obr. 9.). Listy řepky jsou velmi světle zelené. Tuto plodinu může zkušený pozorovatel nalézt i na obyčejném snímku v přirozených barvách. Na snímcích v barevné syntéze 453 se zobrazuje jako sytě růžová až purpurová. Při kombinaci pásem 347 se jeví sytě světle červeně. Ve všech případech se jedná o takovou barvu, která se jinde v obraze nevyskytuje.
Obr. 9. Pole řepky v barevných syntézách 321, 453 a 347.
21
4.5.2. Holé pole Holá půda, nebo-li půda bez vegetace (Obr. 10.) zabírá na snímku značnou část, asi 8,8 %. Půdní bloky bez vegetace v květnu neznamenají, že pole není oseto. Na tomto poli jsou většinou vysázeny kořenové či jiné letní plodiny (brambory, kukuřice, řepa). Plodiny začnou vzrůstat až v polovině června a vrcholná fenologická fáze nastává v srpnu nebo v září. Holé pole lze též vždy velmi dobře rozpoznat. V přirozených barvách je to bílá přes světle hnědou až po tmavě šedo-hnědou. V syntéze 453 se jedná o barvy azurové. Pro klasifikaci byla použita i syntéza 347, kde se holá pole jeví oranžově, červeně až červeno-hnědě (pole s vegetací jsou zelená až sytě zelená).
Obr. 10. Pole bez vegetace v barevných syntézách 321, 453 a 347. 4.5.3. Mák Mák je velmi specifická plodina pro naši republiku. Ve většině okolních států je jeho pěstování zakázáno, a tak se u nás jeho produkce neustále zvyšuje. Česká republika se pohybuje na špici v pěstování máku. S průměrnými 15-25 tisíci tun zabírá druhé místo, hned za Tureckem (http://sdruzeni.ceskymak.cz). Jak vyplývá tabulky 3 jeho produkce, s občasnými výkyvy, rok od roku roste. V roce 2007 osevní plocha přesáhla již padesát tisíc hektarů.
Obr. 11. Pole s mákem v barevných syntézách 321 a 453.
22
Při zobrazení v přirozených barvách se na květnovém snímku mák jeví bledě zeleně, což je dáno jeho řídkým pokryvem. Mezi porostem je ještě velmi patrná holá půda. Pro klasifikaci máku bude použito mj. kombinace pásem 453, kde mák má azurovou barvu v nádechem červené. Tab. 3. Vývoj osevních ploch v pěstování máku v ČR v lichých letech její existence P1-oseté plochy, P2-sklizené plochy, S-sklizeň, V-výnos
P1 [ha] P2 [ha] S [t] V [t/ha]
1993 9 915 8 814 6 890 0,78
1995 35 253 34 308 25 053 0,73
1997 17 865 16 641 9 515 0,57
1999 46 018 45 462 28 509 0,63
2001 34 478 33 235 21 294 0,64
2003 38 148 38 147 19 544 0,51
2005 44 615 44 613 36 418 0,82
(převzato: ČSÚ). 4.5.4. Ječmen a pšenice Obiloviny jako takové se od sebe velmi těžko rozlišují. Podle CORINE Land Cover Classification System se v třetí nejvyšší úrovni dělí na ozimy a jařiny. Na květnovém snímku se však velmi těžko rozeznává jařina od letních (kořenových) plodin. Jařiny ještě nejsou dostatečně vzrostlé, aby mohly ovlivnit spektrální odrazivost holé půdy. V práci je snaha oddělit alespoň ječmen od pšenice (Obr. 12.). Při detailnějším zkoumání spektrální křivky odrazivosti lze nalézt místa, kde se od sebe liší. Na následujících obrázcích je pod bílým křížkem pole s ječmenem. Vpravo nahoře a vlevo dole se nachází pole s pšenicí. Na snímku v přirozených barvách se ječmen jeví světlejší než pšenice. To lze vypozorovat i následujícím obraze, který má kombinaci pásem 453. Oproti pšenici má ječmen méně výraznou hnědočervenou barvu. Je to dáno menším obsahem zelené hmoty. Ozimé obiloviny mají většinou tuto hnědočervenou barvu. Podobně se ječmen chová i v syntéze 347, kde má mírně odlišnou barvu od pšenice – tmavěji zelenou.
Obr. 12. Ječmen v barevných syntézách 321, 453 a 347.
23
4.5.5. Voda Voda je velmi důležitý prvek na snímcích, v pásmech blízkých a středních infračervených lze okamžitě rozpoznat (Obr. 13. vpravo). Vodní toky tvoří výrazné linie a vodní plochy zcela jasně vymezené území. Voda má maximální odrazivost na vlnové délce 0,48 µm a trvale klesá s vlnovou délkou až do oblasti tepelného infračerveného záření (M. ŽELEZNÝ [7]). V přirozených barvách se voda od ostatní vegetace velmi těžko poznává.
Obr. 13. Voda v barevných syntézách 321 a 347. 4.5.6. Les Lesní porosty, které na území České republiky zabírají jednu třetinu rozlohy, jsou také významným prvkem při určování druhů povrchů. Les má své specifické spektrální chování. V Jihomoravském kraji existují tři duhy lesů – jehličnatý, listnatý a smíšený (Obr. 14.). Odrazivost jehličnatého lesa se v průběhu roku téměř nemění. Je stále zelený a jeho schopnost reflektovat záření je stejná. U zdravých jehličnanů (Obr. 15.) se odrazivost pohybuje kolem čtyřiceti procent v blízké infračervené části spektra. V těchto pásmech ji můžeme snadno rozlišit od vody, která zde pohlcuje téměř všechno záření.
Obr. 14. Lesní porost jehličnatý v barevných syntézách 321 a 453. Listnaté lesy přes zimu opadávají, na těchto snímcích by neodrážely žádnou zelenou část spektra. V květnu již mají stromy dostatek listů. Při pohledu na barevnou 24
syntézu 453 se jeví oranžově, zatímco lesy jehličnaté mají tmavě zelenou, tmavě oranžovou nebo černou barvu. Lesy byly do klasifikace zahrnuty jen v první variantě klasifikace – tedy v klasifikaci celého snímku.
Obr. 15. Rozdíly v odrazivosti mezi zdravými a poškozenými jehlicemi. (převzato: www.vesmir.cz) 4.5.7. Louky Louky je možno rozlišit na obdělávané (kosené) a neobdělávané. V Jihomoravském kraji se louky, které nejsou zemědělsky využívány, téměř nevyskytují. Louky aneb trvalé travní porosty nemají v květnu ještě řádně vyvinuty porost. Takže na odrazivost má největší vliv suchá tráva. Což má za následek, že lidské oko vnímá louky jako světle zelené plochy s bílými místy (Obr. 16.). Vzrostlá tráva může v syntéze 453 dosahovat velmi podobných barev jako les, proto je její interpretace obtížná. Tj. světle oranžová s azurovými ploškami. Postupně se travní porosty na těchto snímcích stávají tmavě oranžovými.
Obr. 16. Louka v barevných syntézách 321 a 453.
25
4.5.8. Pícniny Tento druh plodin (jetel, vojtěška) je jednoletý a víceletý. Pro rozpoznávání na snímku května vstupují jen víceleté pícniny. Rozdíly od řepky jsou pozorovatelné v blízkých infračervených částech spektra. Konkrétně při syntéze 453 se zobrazí jako jasně oranžová (Obr. 17.). Tuto barvu si zachovává téměř po celou svoji vegetační dobu. Jen díky kosení se několikrát do roka spektrální odrazivost promění a je ovlivněna prosvítáním holé půdy. V kombinaci pásem 347 se Pícniny jeví růžově, což se v celém obraze jinak nevyskytuje.
Obr. 17. Pícniny v barevných syntézách 321, 453 a 347. 4.5.9. Zástavba Nejproblematičtější prvek na všech družicových snímcích je zástavba. Jedná se o směsici povrchů jako je beton, asfalt, střechy budov, městská zeleň, vodní plochy či zahrádky. Při klasifikaci se k městské zástavbě mohou snadno přiřadit smíšené pixely (mixely). Na snímku v přirozených barvách se v oblasti zástavby objevují pixely o barvách šedé, bílé, hnědé i zelené (Obr. 18.). Při pohledu na barevnou syntézu 4,5,3 se nejvíce projevují plošky bez vegetace, tedy barva azurová a modrá. Vegetace se jeví oranžově až hnědě. Zástavba jako výsledek klasifikace figuruje pouze v první metodě, kterou tato práce obsahuje.
Obr. 18. Zástavba v barevných syntézách 321 a 453 (Brno).
26
5. POSTUP PRÁCE Mapování land-cover pomocí dat dálkového průzkumu prochází tzv. řízenou nebo neřízenou klasifikací. Pro řízenou klasifikaci, uvedenou v této práci, jsou to tři základní kroky: tréninková část, klasifikační část a konečná úprava (Lillesand & Kiefer, 2000). V tréninkové části uživatel vyhledává reprezentativní plochy pro různé typy povrchů. Sbírají se zde data o spektrálních vlastnostech. Je to základ k úspěšnému vyřešení úkolu (McGwire, Estes, and Star, 1996). V klasifikační části je každý pixel obrazového záznamu přiřazen do jedné třídy, ke které s největší pravděpodobností patří. Takto „roztříděný“ obraz je vstupem do závěrečné části řízené klasifikace. V ní se z tohoto obrazu vytvoří tematická mapa obsahující druhy povrchu. Konečnou úpravou se rozumí filtrace obrazu a jeho vložení do zrcadla mapy.
5.1. Příprava obrazů Snímek, který je možno obdržet od poskytovatele dat, je pro účely této práce nevyhovující. Snímek není v požadovaném souřadném systému, takže se s ním nedají kombinovat žádné vektorové databáze. Kdyby se měl snímek pouze klasifikovat, ať již řízenou nebo neřízenou klasifikací, byl by postačující i v původním stavu. Jelikož v této práci se využívá vektorových dat, je třeba snímek transformovat. Byl zvolen postup dvojité transformace. První je georeferencování obrazu snímku a druhá je transformace souboru *.pix. Této metody bylo použito z důvodu, že v programu ArcGIS nelze transformovat soubor ve formátu *.pix. A druhý důvod, že vektorová databáze, na jejímž základě se transformuje obraz, je poskytována webovým mapovým portálem www.cenia.cz. Tyto vektory lze používat pouze on-line, což nedovoluje program PCI, kde lze transformovat soubory s příponou .pix. 5.1.1. Transformace obrazu Zvolený cílový souřadný systém je Systém Jednotné trigonometrické sítě katastrální (S-JTSK). Prostředí ve kterém byl obraz transformován je program firmy ESRI – ArcGIS, respektive jeho modul ArcMap. Georeferencování obrazu bylo provedeno za pomocí 20 vlícovacích bodů. Celková RMS chyba byla 16,1 metrů u snímku z roku 2001 (Obr. 19.) a 12 metrů u snímku z roku 1986. Podrobnosti jsou v příloze 1.
27
Obr. 19. Rozmístění vlícovacích bodů pro transformaci obrazu z roku 2001. Obraz, kterému byl přiřazen souřadný systém, bylo nutné převzorkovat. Jelikož tento obraz bude dále využit jen jako podklad pro další transformaci a nebudou se používat hodnoty pixelů, je možno použít metody, která mění jejich DN hodnotu (Digital Numer – hodnota pixelů). Takže padla volba na metodu, která je geometricky přesnější – kubická konvoluce. Dalším krokem bylo transformovat družicový snímek na základě georeferencovaného obrazu. V programu PCI Geomatics v utilitě OrthoEngine byl vytvořen nový projekt, kde se celá transformace odehrála. Jako podklad sloužil obraz, který byl převzorkován do S-JTSK. V programu PCI byly také sbírány identické body. Tedy místa shodná jak na podkladovém obraze, tak na družicovém snímku. Celková RMS chyba byla 0,56 pixelu pro snímek z roku 2001 (Obr. 20.) a 0,30 pixelu pro snímek z roku 1986 pixelu. Přehledná tabulka s GCP body je v příloze 2.
Obr. 20. Rozložení vlícovacích bodů na snímku – výstup programu PCI (vlevo) a znázornění pomocí programu ArcMap (vpravo).
28
Při této transformace nastal jeden problém. Snímek z roku 1986, pokud byl pomocí vlícovacích bodu transformován, vykazoval velké RMS chyby. Ty dosahovaly řádu stovek metrů, což je nepřijatelná chyba. Při podrobnějším zkoumání byla na snímku nalezena fialová čára vedená přibližně v severojižním směru (Obr. 21.), a to v jeho západní polovině. Od této čáry na západ se snímek stával netransformovatelným. Pokud se žádné vlícovací body nevyskytly na této části snímku, vše proběhlo v pořádku s chybou výše zmíněnou.
Obr. 21. Ukázka geometrické nepřesnosti v obraze (1986). Vlevo je výřez originálního snímku, vpravo transformovaný a klasifikovaný výřez (s čárou „nepřesnosti“). Chyba v obraze byla patrně způsobena rozdělením originálního snímku a jeho následným spojením. Toto spojení však asi neproběhlo zcela korektně a obě části snímku se musely navzájem překrýt. Autor této operace pravděpodobně přepsal původní originální soubor a Geografický ústav jiný originál nevlastní. Pokud je tato část snímku geometricky nepřesná a tudíž nemá řádný souřadný systém, je nemožné pro ni při dalších krocích klasifikace používat jakékoli vektorové databáze. 5.1.2. Výběr pásem do obrazu Pro lepší a rychlejší průběh klasifikace byly z obrazu odebrána pásma, která neměla potřebné rozlišení. Tedy pásmo TM6, a to jak ze skeneru TM i ETM+ o rozlišení 120 resp. 60 metrů. Evropská vesmírná asociace (ESA) poskytuje toto pásmo také v rozlišení 30 metrů, je však jen na požádání a jedná o převzorkované pásmo z šedesátimetrového rozlišení. A dále bylo odebráno pásmo TM8 ze skeneru ETM+ o rozlišení 15 metrů. Výběr pásem byl proveden v programu EOScape. Návod na tento postup uvádí například ve svých elektronických materiálech na Geografickém ústavu v Brně Petr Dobrovolný.
29
5.1.3. Výběr pásem ke klasifikaci Při klasifikaci multispektrálního snímku je vhodné vycházet z kombinace několika spektrálních pásem. Vhodnou kombinací pásem se dosáhne mnohem lepších výsledků. Pokud budou jednotlivá pásma spolu co nejméně korelovat, bude dosaženo lepších výsledků. Pro práci byly použity dvě varianty složené vždy ze tří pásem. Prví vychází z Bakalářské práce autora (BLAŽEK,P. 2005), kde byly vybrány pomocí objektivních metod. Zde byla použita kombinace TM3, TM4 a TM7. Další variantou je běžně používaná kombinace pásem pro projekty na evropské úrovni – například GSE Land [7]. Zde se používá kombinace TM4, TM5 a TM3. Dále bylo nutné do souboru vložit dvě pásma bez dat. To jsou pásma připravená k naplnění trénovacími plochami a výsledku klasifikace. Společně s vybranými spektrálními pásmy tvoří soubor osm pásem.
5.2. Klasifikace celého snímku Tato část popisuje klasifikaci vycházející z bakalářské práce autora. Jde o zachycení základních druhů povrchů – tedy zemědělských plodin, zástavby, lesních a vodních ploch. Výsledkem má být mapa s těmito druhy povrchu. Ke klasifikaci jsou připraveny dva snímky. První z roku 1986 o velikosti 9142 × 8789 pixelů a druhý z roku 2001 o velikosti 10174 × 9462 pixelů. 5.2.1. Klasifikace snímku 1986 Řízená klasifikace u staršího snímku byla nejprve nastavena tak, že vstupní pásma pro výpočet spektrálních příznaků byla TM3, TM4 a TM7. Při vyznačování trénovacích se nelze řídit jen druhem plodiny či povrchu, ale i rozličnými vlastnostmi v rámci stejného druhu povrchu. Tím je například různá fenofáze, sklon povrchu, vlhkost apod. Proto pro klasifikaci osmi povrchů bylo použito třicet trénovacích (spektrálních) tříd. V tabulce 4 je uvedena jejich četnost. Tab. 4. Četnost spektrálních tříd pro rok 1986. třída Ječmen Pšenice Pícniny Les Řepka
četnost třída četnost 4 Voda 3 4 Holé pole 8 3 TTP 2 3 Zástavba 1 1 Okraje 1
30
Celková plocha trénovacích ploch dosáhla 2000 hektarů,což je 0,61 % orné půdy Jihomoravského kraje. Matice Transformed Divergence (TD) vykazuje míru nepodobnosti mezi dvěma třídami a nabývá hodnot 0,0 až 2,0 [9]. Průměrná míra odlišnosti byla v tomto případě 1,98. Přičemž nejvíce podobné si byly ty spektrální třídy, které zastupovaly stejnou informační třídu. Z definovaných ploch byly vypočítány spektrální příznaky a podle nich byly podle pravidla maximální pravděpodobnosti (Maximum Likelihood Algorithm) začleněny ostatní pixely obrazu do jednotlivých tříd. Průměrná přesnost klasifikace, tedy pravděpodobnost správného začlenění pixelu dosáhla 90,92 %. Závěrečnou částí klasifikace obrazu je jeho úprava a vložení do zrcadla mapy. Výsledek klasifikace uložený ve formátu TIFF byl filtrován. Program PCI nabízí filtr s názvem SIEVE. Ten odstraní ze snímku všechny skupiny pixelů, které jsou menší než zadaná limitní hodnota. Ta v tomto případě činí čtyři pixely. Tato skupinka pixelů bude nahrazena jinou s hodnotou, která se nejčastěji vyskytuje v jejím bezprostředním okolí. Tento filtr, oproti mediánovému, který byl použit v autorově bakalářské práci, stoprocentně odstraní všechny malé shluky pixelů. Jeho nevýhodou je, že výsledkem jsou neshlazené okraje areálů (Obr. 22.). Při implementaci snímku do zrcadla mapy, tedy při tvorbě výsledné mapy, byl použit filtrovaný obraz druhů zemědělských plodin, kde jednotlivé spektrální třídy byly spojeny do příslušných informačních tříd. Byla vytvořena legenda, která je stejná pro všechny výsledné mapy této práce. Do mapy byly dále přidány vektorové vrstvy vodních toků a komunikací. Další varianta pro výpočet spektrálních příznaků je použití jiné kombinace pásem. Tedy druhá možnost je založená na kombinaci pásem TM3, TM4 a TM5. Trénovací plochy zůstaly totožné. Hodnota TD vyšla 1,99. Průměrná přesnost správného začlenění pixelů z trénovacích ploch je 91,37 %. Z těchto čísel je patrno, ze výsledek je přesnější. Horší výsledek je možné zachytit při prohlížení tabulky s celkovým zastoupením pixelů spektrálních tříd v obraze (Přílohy 3-18). Kdy neklasifikované pixely u této kombinace dosáhly 13,43 % na rozdíl od kombinace první, kde to bylo 12,13 %.
31
Obr. 22. Výsledek klasifikace snímku z roku 1986 bez využití masky. Vlevo z pásem TM3 TM4 a TM7, vpravo TM4 TM5 TM3. 5.2.2. Klasifikace snímku 2001 Klasifikace celého snímku z května 2001 proběhla stejným způsobem jako u snímku 1986. Samozřejmě s rozdílnými trénovacími plochami. Celková rozloha těchto ploch dosáhla 3255 hektarů, což je jedno procento orné půdy v Jihomoravském kraji a 0,05 % plochy celého obrazu. Počet spektrálních tříd je 34 a tabulka 5 ukazuje jejich četnosti. Při klasifikaci nad kombinací pásem TM3, TM4 a TM7 byla vypočítána průměrná odlišnost matice divergencí trénovacích ploch 1,98. Průměrná přesnost začlenění pixelů z trénovacích ploch je 84,72 %. Pozitivní zjištění je u nezačleněných pixelů, které tvoří jen dvě procenta plochy obrazu. Tab. 5. Četnost spektrálních tříd pro rok 2001. třída četnost Řepka 6 Mák 3 Pšenice 4 Ječmen 3 Pícniny 2 Holé pole 6 Zástavba 2 Voda 4 Les 2 TTP 1 Okraje 1 U druhé varianty s kombinací pásem TM3, TM4 a TM5 bylo dosaženo rovněž lepších výsledků – podobně jako u snímku z roku 1986. Průměrná odlišnost v matici
32
transformovaných divergencí je 1,99 a průměrná přesnost zařazení pixelů z trénovacích ploch je 87,36 %. Nezařazených pixelů je oproti variantě TM3 TM4 TM7 více, tedy 3,78 %. Což je paralelní výsledek se snímkem z roku 1986. Z těchto dílčích výsledků je patrné, že snímek z roku 1986 má přesnější výsledky (Obr. 23.). Pro tento jev jsou pravděpodobně dvě příčiny. Starší snímek má více spektrálních tříd a tyto třídy jdou si jednak podobnější v rámci jedné informační třídy a jednak si jsou podobnější i mezi různými plodinami. Tyto údaje byly zjištěny z výsledků klasifikace (Příloha 3, 5, 7 a 9) Podobnost v rámci jednoho druhu povrchu není brána jako nedostatek nebo chyba klasifikace. Snižuje pouze celkovou úspěšnost zařazení pixelů z trénovacích ploch do tříd. Ale výsledná mapa je celistvější, tedy bez méně nezařazených pixelů.
Obr. 23. Výsledek klasifikace snímku z roku 2001 bez využití masky. Vlevo z pásem TM3 TM4 a TM7, vpravo TM4 TM5 TM3.
5.3. Klasifikace zemědělské půdy Klasifikace zemědělské půdy, pro potřeby této práce zahrnuje ornou půdu a trvalé travní porosty, byla použita na základě hypotézy, že pokud do výpočtu spektrálních charakteristik nevstoupí data ze zástavby, lesů, vodních ploch a podobně, bude výsledek přesnější. Pro tento účel bylo nutné získat masku – bitmapu, kde bude jen orná půda a trvalé travní porosty (viz 4.3). 5.3.1. Klasifikace snímku 1986 Pro účely klasifikace bylo nutné spojit polygony orné půdy a trvalých travních porostů (TTP) databáze LPIS, protože jejich složení na snímku neodpovídá vektorové
33
databázi. Vyskytují se případy, kdy je orná půda v databázi definována jako TTP a naopak v důsledku změny využití půdy. Růst podílu TTP na zemědělské půdě nastal s vlivem Evropské Unie, kdy díky Společné zemědělské politice bylo podporováno zatravňování orné půdy. U snímku z roku 1986 se vyskytuje výše popsaná chyba (5.1.1.). Proto bylo nutné nad geometricky nepřesnou částí obrazu oddělit polygony a odstranit je. Tuto část snímku nešlo v tomto případě vůbec klasifikovat. Jelikož proces klasifikace u této metody byl uskutečněn v programovém prostředí Focus PCI Geomatics, byly znovu definovány trénovací plochy. Tentokráte bez nezemědělských ploch a bez okraje obrazu. Výčet druhů povrchů a jejich četnost pro oba roky je v tabulce 6. Celkový počet spektrálních tříd je pro tento snímek 21. Při klasifikaci byl použit rovněž algoritmus maximální pravděpodobnosti, nyní však s požadavkem, aby výsledný obraz byl bez neklasifikovaných pixelů, tedy aby byly všechny pixely zařazeny (Obr. 24.). Tab. 6. Četnost spektrálních tříd pro roky 1986 a 2001. Četnost Četnost 1986 2001 Řepka 1 2 Pšenice 5 3 Ječmen 2 4 Pícniny 3 1 Holé pole 10 5 Mák 0 3 třída
Celková rozloha trénovacích ploch je 1100 hektarů, což je 0,34 % plochy orné půdy a TTP. Při výpočtu spektrálních příznaků z kombinace pásem TM3, TM4 a TM7 byla zjištěna průměrná odlišnost transformované matice divergencí 1,98. Průměrná přesnost zařazení pixelů z trénovacích ploch je 89,67 %. Což je méně, než u stejného snímku při jeho celkové klasifikaci. Vysvětlení může být podobné jako v předchozím případě, a to i přesto, že počet spektrálních tříd je stejný. Tyto jsou ovšem již bez povrchů typu zástavby, lesa a vodních ploch. Takže pro pět druhů povrchů je jedenadvacet spektrálních tříd. Proto i zde dochází k částečnému překryvu tříd. Další důvod překrývání tříd je dán požadavkem, aby algoritmus nezanechal žádné neklasifikované pixely. U varianty se spektrálními pásmy TM3, TM4 a TM5 byla plocha trénovacích pixelů 0,38 % z rozlohy klasifikované půdy. Průměrná míra separability vypočtená
34
z transformované matice divergencí je 1,99. Průměrná přesnost zařazení pixelů z trénovacích ploch je 90,86 %. Což je předpokládaný nárůst.
Obr. 24. Výsledek klasifikace snímku z roku 1986 s využitím masky. Vlevo z pásem TM3 TM4 a TM7, vpravo TM4 TM5 TM3. 5.3.2. Klasifikace snímku 2001 Snímek byl nejprve podroben klasifikaci nad pásmy TM3, TM4 a TM7. Plocha trénovacích pixelů činí 510 hektarů, což je asi 0,16 % plochy určené ke klasifikaci. Počet spektrálních tříd je osmnáct a jejich četnosti jsou uvedeny ve tabulce 6. Průměrná odchylka hodnot TD dosáhla hodnoty 1,98 a průměrná přesnost zařazení trénovacích pixelů je 94,70 %. Podobně dobré výsledky byly i po klasifikaci snímku se vstupními pásmy TM3, TM4 a TM5, kde jsou sledované hodnoty o něco málo lepší, tedy 1,99 respektive 96,21 % (Obr. 25.). Toto jsou vysoká čísla ve srovnání se snímky z roku 1986 a 2001 v první variantě postupu. Tam u novějšího snímku bylo snížení úspěšnosti dáno vyšším počtem spektrálních tříd. Zde je počet tříd téměř stejný. Vysvětlení je pravděpodobně v chování samotného povrchu. Zemědělské podniky upouštějí od pěstování plodin jako koření a luskoviny. Tyto údaje jsou z archivních materiálů ZD Hostěnice a Sokolnice a dále ze Statistických ročenek ČSR a ČR. Z ekonomického hlediska se vyplatí pěstovat méně druhů plodin na větších územích – například pšenice, ječmen, řepka. Z tohoto důvodu mají pixely na zemědělské půdě velmi jasné chování dané těmi několika základními plodinami.
35
Obr. 25. Výsledek klasifikace snímku z roku 2001 s využitím masky. Vlevo z pásem TM3 TM4 a TM7, vpravo TM4 TM5 TM3. Tabulka 7 ukazuje sumář výsledků (reportů) z programů EOScape a PCI. Jsou v ní uvedeny obě varianty postupu. První klasifikace celého snímku a druhá klasifikace s maskou, tedy klasifikace jen orné půdy a trvalých travních porostů. Názvy spektrálních pásem jsou totožné s původními názvy pásem zachycených družicemi Landsat 5 a Landsat 7. Průměrná odchylka je označení pro anglické Average separability, které je uvedeno v tabulce SEPARABILITY MEASURE: Transformed Divergence, vygenerované automaticky při výpočtu spektrálních příznaků. Průměrná přesnost a Celková přesnost jsou hodnoty z tabulky, která vznikla po klasifikaci snímku. V originále Average accuracy a Overall accuracy. Tyto hodnoty značí přesnosti zařazení pixelů z trénovacích ploch. pokud by hodnota byla sto procent, pak by všechny trénovací pixely zůstaly v té spektrální třídě, ve které byly natrénovány. Tab. 7. Přehled výsledků klasifikace.
Varianta
Rok snímku
Spektrální pásma
Průměrná odchylka
Bez masky
1986
TM3 TM4 TM7 TM4 TM5 TM3 TM3 TM4 TM7 TM4 TM5 TM3 TM3 TM4 TM7 TM4 TM5 TM3 TM3 TM4 TM7 TM4 TM5 TM3
1,9826 1,9868 1,9822 1,9863 1,9770 1,9891 1,9842 1,9868
2001 S maskou
1986 2001
36
Průměrná přesnost [%] 90,92 91,37 84,72 87,36 89,67 90,86 94,70 96,21
Absolutní přesnost [%] 88,26 88,98 86,86 88,99 89,73 90,78 93,55 95,20
5.4. Srovnání se zemědělskou statistikou Výsledky klasifikace můžeme srovnat se statistikou, zabývající se zemědělstvím. dobrá data poskytují nejrůznější ročenky. Pro účely této práce je to publikace o definitivní sklizni, popřípadě údaje o osevních plochách. Data vydává, popřípadě poskytuje Český statistický úřad. Z tabulky 8 a 9, uvádějící plochu plodin na snímku a plochu sklizně podle Statistické ročenky ČSÚ. Dále je uveden procentuální rozdíl výsledku klasifikace od oficiální statistiky. U plodin, které mají výrazně odlišné spektrální charakteristiky (viz 4.5.), je rozdíl malý. U snímku z roku 2001 byl nejpřesněji rozpoznán ječmen a řepka. U máku je velká odchylka způsobena jeho fenofází. Při snímání obrazu není ještě vzrostlý a podobá se holým polím, kde mák není ani vysetý. Klasifikátor tento rozdíl není schopen zachytit. U snímku z roku 1986 je nejpřesněji klasifikována řepka a pšenice. Tab. 8. Přehled vybraných plodin v JMK v roce 2001 a jejich porovnání se statistikou. Plodina Pšenice Ječmen Řepka Mák Pícniny
Plocha [ha] snímek statistika 72 136 128 478 62 572 62 085 29 172 35 172 19 884 3 495 73 667 39260
Rozdíl [%] 43,8 -0,8 17,1 -468,9 -87,6
Zdroj: ČSÚ - Definitivní údaje o sklizni v roce 2001
Tab. 9. Přehled vybraných plodin v JMK v roce 1986 a jejich porovnání se statistikou. Plodina Pšenice Ječmen Řepka Mák Pícniny
Plocha [ha] snímek statistika 94 539 111 225 12 004 57 719 4 484 4 391 0 0 28 228 46975
Rozdíl [%] 15,0 79,2 -2,12 0,0 39,9
Zdroj: ČSÚ – Statistická ročenka 1987
5.5. Postklasifikační úpravy Závěrečné úpravy snímku spočívají především ve vizuální úpravě. Po klasifikaci zůstávají v obraze skupinky pixelů, popřípadě samotné pixely, které mají jinou hodnotu, než okolí. V bakalářské práci autora (BLAŽEK, P., 2005) byl použit filtr mediánový. Ten shlazoval hrany areálů a linie. V případě této práce byl použit filtr, který odstranil skupinky pixelů o velikosti menší než 2500 čtverečních metrů, tj. 4 pixely (Obr. 26). 37
Obr. 26. Nefiltrovaný obraz (vlevo) a obraz po filtraci SIEVE filtrem (vpravo).
38
6. DISKUSE VÝSLEDKŮ A ZÁVĚR Klasifikace družicových snímků za účelem rozpoznání zemědělských plodin byla provedena dvěma způsoby. První způsob – natrénování základních druhů povrchů – je nepřesný z hlediska obsáhlosti potenciální legendy. Druhý způsob se omezuje pouze na zemědělskou půdu. Díky vektorové databázi LPIS lze ze snímku vyčlenit ostatní plochy. Zde se klasifikace týká jen vybraných plodin. Toto přineslo částečné zlepšení výsledků klasifikace (Tab. 7.) Průměrná odchylka vyklasifikovaných pixelů od statistických údajů však je 84 %. Při vynechání nejmenší a největší odchylky vychází 41% odlišnost. Vytvoření masky je způsob jak dosáhnout lepších výsledků. Dalším zlepšením by mohlo být, pokud by se jednotlivé plodiny klasifikovaly postupně. Každá vyklasifikovaná plodina by se stávala maskou. Pořadí klasifikace plodin musí záviset na jejich spektrálním chování. Nejprve klasifikovat jednoznačné plodiny, později plodiny hůře rozpoznatelné. Při klasifikaci snímku Jihomoravského kraje bylo zjištěno, že vhodná kombinace pásem pro výpočet spektrálních charakteristik, je TM3 TM4 a TM5. To jsou pásma v červené a blízké infračervené části spektra. Výsledky těchto klasifikací mohou sloužit jako orientační mapa druhů zemědělských plodin. Popřípadě jako podklad pro vizuální interpretaci, která se stále hojně využívá, neboť její výsledky přesahují i devadesáti procentní přesnost. Další zpřesnění klasifikace přináší porovnávání snímků v časové řadě. Další směr, který posouvá interpretaci družicových dat dál, je klasifikace založená na vlastnostech okolí jednotlivých pixelů – objektová klasifikace [11]. Nebo klasifikace založená na principu neuronových sítí [10].
39
7. LITERATURA knihy a časopisy ANDERSON, JAMES, R. (1976): A Land Use And Land Cover Classification System For Use With Remote Sensor Data. Washington, 41 s. BAUER, M. E., HIXSON, M. M., DAVIS, B. J., & ETHERIDGE, J. B. (1978). Area estimation of crops by digital analysis of Landsat data. Photogrammetric Engineering and Remote Sensing, 44, 1033 - 1043. BLAŽEK, P. (2005): Mapování vegetační složky krajiny distančními metodami. Brno, 33s. BOSSARD, M., ET AL. (2000): Definice tříd CLC; Zpracováno podle „CORINE land cover technical guide – Addendum 2000.“ Evropská agentura pro životní prostředí, 71 s. BUECHEL, S. W., PHILIPSON, W. R., & PHILPOT, W. D. (1989). The effects of a complex environment on crop separability with Landsat TM. Remote Sensing of Environment, 27, 261 - 272. CRIPPEN, R. E.: Calculating the Vegetation Index Faster. Remote Sensing of Environment, 1990, č. 34., s. 71-73. CRIST, E. P. (1984). Effects of cultural and environmental factors on corn and soybean spectral development patterns. Remote Sensing of Environment, 14, 3 - 13. DANSON F.M. and Plummer S.E., Eds.: Advances in Environmental Remote Sensing. John Wiley & Sons Ltd, , Chichester, 1995. 184 s. ISBN 0-471-95464-0 DAPPEN, P., TOOZE, M. (2001): Delineation of Land Use Patterns For the Cooperative Hydrology Study in the Central Platte River Basin. University of Nebraska, 73 s. DOBROVOLNÝ, P.: Dálkový průzkum Země, Digitální zpracování obrazu. 1.vyd., MU, Brno, 1998. 208 s. ISBN 80-210-1812-7 HALOUNOVÁ, L.: Dálkový průzkum Země. ČVÚT – fakulta stavební, Praha, 2005. 189 s. ISBN 80-01-03124-1 HENEBERY, G. M. (1993). Detecting change in grasslands using measures of spatial dependence with Landsat TM data. Remote Sensing of Environment, 46, 223 - 234. KRIEGLER, F. J., ET AL.: Preprocessing transformation and their effects on multispectral recognition. In Proceedings of the Sixth International Symposium on Remote Sensing of Environment. University of Michigan, Ann Arbor, MI, 1969, s. 97-131. LILLESAND, T.M., KIEFER, R.W. (2000): Remote sensing and image interpretation. 4th ed., John Wiley & Sons, New York, 724 s. ISBN 0-471-25515-7 MILLER, L. D., ET AL.: Assessing Forage Conditions in Individual Ranch Pastures Using Thematic Mapper Imagery and an IBM Personal Computer. Proceedings: 10th William T. Pecora Memorial Symposium. American Society for Photogrammetry and Remote Sensing, Fort Collins, CO, 1985. 40
MORAIN S. and BAROS S.L., Eds.: Raster Imagery in Geographics Information Systém. 1st Edition, USA, 1996. 495 s. ISBN 1-56690-097-2 PRICE, M. (1986): The analysis of vegetation change by remote sensing. Progress in Physical Geography. Vol. 10. No. 4, s. 473-491. SEDLÁČEK, J.: Mapa využití ploch: Zpracování pomocí DPZ a GIS. (Geografický projekt – Katedra geografie PřF MU) Brno, 1995. 26 s. SHUEB, S., & ATKINS, P. (1991). Crop area estimation: a comparison of remote sensing and census methods. Geography, 76, 235 - 239. STATISTICKÁ ROČENKA ČSR, Federální statistický úřad, Praha, 1987, 704 s. STATISTICKÁ ROČENKA ČR, Český statistický úřad. Scientia, Praha, 2002, 795 s. WILLIAMS, V. L., PHILIPSON, W. R., & PHILPOT, W. D. (1987). Identifying vegetable crops with Landsat Thematic Mapper data. Photogrammetric Engineering and Remote Sensing, 53, 187 - 191. Mapy a atlasy HOLEČEK, M.: Česká Republika. Sešitové atlasy pro ZŠ. 2. vyd., Kartografie Praha, 1995. ISBN 80-7011-373-1 KLÍMOVÁ, E., A KOL.: Školní atlas České republiky. 1.vyd., Geodézie ČS a.s., 1999. Autoatlas České republiky 1.100000, SHOCart, spol.s.r.o., Vizovice, 2002. ZM ČR: 24-414 Vyškov. S-JTSK, Bpv. 3. vyd., ČUZK, Opava, 1997. ZM ČR: 24-423 Švábenice. S-JTSK, Bpv. 2. vyd., ČUZK, Opava, 2001. Elektronické nosiče a www stránky [1] Odhady biomasy a produkce pomocí dálkového průzkumu Země; dostupné na [http://www.jbrom.wz.cz/vyuk/biomasa-DPZ.pdf]; navštíveno: 12.12.2007 [2] Mapování vegetace s využitím družicových snímků; dostupné na [http://www.sci.muni.cz/~dobro/zemsky_povrch_vegetace.html]; navštíveno 13.12.2007 [3] Trh s mákem a vývoj cen; dostupné na [http://sdruzeni.ceskymak.cz/index.php?view=uroda_11_2004_trh_s_makem_a_vyvoj_cen _Vasak_Kosek]; navštíveno 13.12.2007 [4] Vývoj ploch osevů vybraných zemědělských plodin v letech 1980 až 2007 dostupné na [http://www.czso.cz/csu/2007edicniplan.nsf/p/2104-07]; navštíveno 13.12.2007 [5] Dálkový průzkum krušnohorských lesů; dostupné na [http://www.vesmir.cz/clanek.php3?CID=5497]; navštíveno 14.12.2007; Publikováno: Vesmír 82, 323, 2003/6
41
[6] ŽELEZNÝ, M. Dálkový průzkum Země KKY/DPZ, Západočeská univerzita v Plzni, katedra kybernetiky, 83s. Dostupné na [http://artin.zcu.cz/courses/dpz]. Navštíveno 13.12.2007. [7] Projekt GSE Land; dostupné na [http://www.czechspace.cz/cs/pozorovani-zeme/gseland]; navštíveno 2.1.2008 [8] DOBROVOLNÝ, P. Dálkový průzkum Země, studijní materiály; dostupné na [http://www.geogr.muni.cz/archiv/vyuka/DPZ_CVICENI/Texty/cviceni_dpz_uvod.html]; navštíveno 15.11.2007 [9] PCI Geomatics; slovník pojmů: Transformed Divergence; dostupné na [http://www.pcigeomatics.com/cgi- bin/pcihlp/CLWORKS%7CSignature+ Separability%7CTransformed+Divergence]; navštíveno 8.1.2008 [10] Neuronové sítě; dostupné na [cmp.felk.cvut.cz/~hlavac/TeachPresCz/31Rozp/72UmeleNN.ppt -]; navštíveno 10.1.2008 [11] KOCH, B. Objektově versus pixelově; dostupné na [http://www.vugtk.cz/nzk/c204/Koch.htm]; navštíveno 10.1.2008
42
SEZNAM ZKRATEK B
blue - modrá
DN
digital number – digitální číslo (hodnota pixelu)
DPZ
dálkový průzkum Země
ETM+
Enhanced Thematic Mapper Plus; skener družice Landsat 7
G
green - zelená
Landsat TM
Landsat Thematic Mapper; skener na družici
NiR
near infrared - blízké infračervené; pásmo TM4
PIX
přípona grafického souboru
R
red - červená
RED
červené pásmo (TM3)
RMS Error
root mean square error - střední kvadratická chyba
SHP
shapefile; přípona souboru nesoucí geometrii
S-JTSK
systém jednotné trigonometrické sítě katastrální; souřadný systém
TM
Thematic Mapper; označení pro pásma družice Landsat
v.d.
východní délka (zeměpisná)
GSE Land
projekt evropské komise pro monitoring životního prostředí
TD
Transformed Divergence
LPIS
Land Parcel Identification Systém; databáze půdních bloků a dílů
DMT
Digitální Model Terénu
LCCS
Land Cover Classification Systém; definice a klasifikace druhů povrchů
GIS
Geografický Informační Systém
CAP
Common Agricultural Policy; Společná Zemědělská Politika
ZD
Zemědělské Družstvo
GCP
Ground Control Point; vlícovací bod
TTP
Trvalé Travní Porosty
RMS
Root Mean Square; nejčastěji jako střední kvadratická chyba
ČSÚ
Český Statistický Úřad
ESA
European Space Agency; Evropská kosmická agentura
43
SEZNAM PŘÍLOH Vázané Příl. 1. Souřadnice vlícovacích bodů pro transformaci obrazu v programu ArcMAP Příl. 2. Souřadnice vlícovacích bodů pro transformaci obrazu v programu PCI Příl. 3. Matice transformovaných divergencí; Varianta 1; 347; 1986 Příl. 4. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 1; 347; 1986 Příl. 5. Matice transformovaných divergencí; Varianta 1; 453; 1986 Příl. 6. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 1; 453; 1986 Příl. 7. Matice transformovaných divergencí; Varianta 1; 347; 2001 Příl. 8. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 1; 347; 2001 Příl. 9. Matice transformovaných divergencí; Varianta 1; 453; 2001 Příl. 10. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 1; 453; 2001 Příl. 11. Matice transformovaných divergencí; Varianta 2; 347; 1986 Příl. 12. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 2; 347; 1986 Příl. 13. Matice transformovaných divergencí; Varianta 2; 453; 1986 Příl. 14. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 2; 453; 1986 Příl. 15. Matice transformovaných divergencí; Varianta 2; 347; 2001 Příl. 16. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 2; 347; 2001 Příl. 17. Matice transformovaných divergencí; Varianta 2; 453; 2001 Příl. 18. Zastoupení tříd v obraze a úspěšnost klasifikace; Varianta 2; 453; 2001 Volné Příl. 19. Mapa základních druhů zemědělských plodin 1986 Příl. 20. Mapa základních druhů zemědělských plodin 2001
44
Příl. 1a. Souřadnice vlícovacích bodů pro transformaci obrazu v programu ArcMAP, 1986
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X1 4318.029403 4689.954381 4569.496178 4659.997587 4546.965087 4033.270799 4019.818601 4848.111159 4776.860154 4430.836211 4478.411263 3661.677667 3521.188423 3783.594685 3437.380830 5038.239852 5631.944165 5723.569258 5585.479245 5492.422188
Y1 -1477.921943 -1462.913310 -1577.292432 -1652.800154 -2322.211387 -2075.442077 -1628.328256 -2903.462009 -2601.023205 -2201.357669 -1783.496770 -391.111168 -1003.192686 -1153.374346 -1520.940511 -1154.713798 -913.923156 -1292.541482 -1874.196510 -2719.486376
X2 -590606.586693 -581505.548584 -585462.625394 -583992.638299 -592970.931233 -603051.118639 -599186.822330 -591193.896075 -590061.747647 -594651.993224 -589579.082467 -596209.851573 -605339.046498 -600415.290734 -612200.964143 -570211.506643 -553648.455555 -554992.217430 -563766.413929 -573934.120552
Y2 -1162988.149901 -1165638.368859 -1167735.315498 -1170515.537158 -1187583.851823 -1176714.115441 -1164580.899720 -1205731.034680 -1196992.817616 -1183381.701535 -1172548.149957 -1128331.740358 -1143630.415976 -1149839.528652 -1156875.662413 -1160243.144667 -1158690.189337 -1169629.854832 -1184127.966636 -1206113.609286
Příl. 1b. Souřadnice vlícovacích bodů pro transformaci obrazu v programu ArcMAP, 2001
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
X1 4012.347810 3242.102704 4562.429570 2802.349231 2640.497981 2033.807382 1666.941308 958.616469 739.671508 2404.160442 2885.100238 4311.863551 4858.066536 5915.177337 6263.953916 4327.058031 4658.873327 6219.616866 1681.252723 3614.570093
Y1 -2729.643239 -3154.095584 -4075.918513 -4944.927958 -4695.428412 -4565.953387 -3683.055773 -2859.689195 -1825.275662 -163.771552 -893.061994 -224.204341 -825.984217 -277.734431 -3200.405824 -1783.951796 -3146.145642 -941.417886 -2120.262857 -2373.853986
X2 -585954.888797 -604493.419726 -583472.662741 -625226.657614 -626939.302643 -638514.539121 -640267.619080 -649400.885025 -647093.869915 -602119.231862 -597038.666814 -563415.727013 -556170.729579 -530916.589297 -542910.602208 -573317.868023 -575421.266313 -529025.806105 -629746.215306 -591757.689003
Y2 -1173347.164262 -1176035.449330 -1202850.815210 -1207028.209689 -1201135.437181 -1194420.652892 -1175020.760758 -1154348.637071 -1133083.871663 -1113163.374906 -1130434.678964 -1127765.940490 -1143049.342150 -1140060.623230 -1198177.611131 -1157563.902251 -1185848.835818 -1154850.478334 -1145341.911329 -1163802.883218
X1,Y1 – souřadnice zdroje, X2,Y2 – souřadnice mapy
Příl. 2a. Souřadnice vlícovacích bodů pro transformaci obrazu v programu PCI, 1986 Point ID G0003 G0004 G0005 G0006 G0008 G0011 G0012 G0013 G0014 G0015 G0016 G0017 G0018 G0020 G0022 G0023 G0025 G0026 G0027 G0028
Res 0,1 0,15 0,36 0,15 0,12 0,13 0,29 0,28 0,3 0,33 0,23 0,37 0,34 0,18 0,37 0,19 0,37 0,48 0,33 0,39
Res X 0,1 -0,04 -0,13 -0,08 0,03 -0,08 0,2 -0,26 -0,29 -0,15 -0,01 0 -0,31 0,11 0,37 0,18 -0,3 0,08 0,32 0,24
Res Y Image X Image Y -0,03 5182,9 2787,4 -0,15 6582,5 1973,5 0,34 5601,6 2116,5 -0,12 4601,0 2488,9 -0,12 3553,5 2703,5 -0,11 6554,5 3435,5 0,21 4017,5 1983,5 0,1 5224,4 39,5 0,08 3496,4 1109,5 0,29 3336,4 3761,5 0,23 6149,5 3968,6 -0,37 4847,4 3591,5 -0,14 5435,5 651,5 0,14 5917,5 2769,5 0,02 4469,0 758,0 0,06 6644,0 111,0 -0,21 4458,5 1480,5 -0,47 5113,5 1882,5 -0,06 3422,5 1601,5 0,31 5478,5 1427,5
Comp X 5183,0 6582,5 5601,4 4600,9 3553,6 6554,4 4017,7 5224,2 3496,2 3336,3 6149,4 4847,4 5435,2 5917,6 4469,4 6644,2 4458,2 5113,6 3422,8 5478,7
Comp Y 2787,4 1973,3 2116,8 2488,8 2703,4 3435,4 1983,7 39,6 1109,6 3761,8 3968,8 3591,1 651,3 2769,7 758,0 111,1 1480,3 1882,1 1601,5 1427,8
Příl. 2b. Souřadnice vlícovacích bodů pro transformaci obrazu v programu PCI, 1986 Point ID G0001 G0002 G0003 G0004 G0005 G0006 G0007 G0008 G0009 G0010 G0011 G0012 G0013 G0014
Res 0,24 0,74 1,06 0,37 0,4 0,15 0,38 0,68 0,32 0,47 0,74 0,39 0,36 0,51
Res X 0,15 -0,46 -0,39 0,33 -0,1 0,1 -0,32 -0,02 0,24 -0,44 0,73 0,37 -0,2 0,02
Res Y Image X Image Y -0,19 4450,9 1592,8 -0,59 4737,7 1831,6 -0,98 4551,5 2173,8 0,16 4211,5 2322,4 0,38 6416,7 124,4 0,12 2124,4 311,6 0,21 1901,6 3612,3 0,68 6006,6 3894,2 -0,21 3008,0 1879,2 0,17 4129,3 45,6 0,16 3742,9 1131,3 -0,13 5478,4 3056,3 -0,3 3069,4 2510,5 0,51 2263,2 1953,2
7
Comp X 4451,1 4737,2 4551,1 4211,9 6416,6 2124,5 1901,3 6006,6 3008,2 4128,9 3743,6 5478,8 3069,2 2263,2
Comp Y 1592,6 1831,0 2172,8 2322,6 124,8 311,7 3612,6 3894,9 1879,0 45,8 1131,5 3056,2 2510,2 1953,7
Příl. 3. Matice transformovaných divergencí
les_3
ttp_1
jec_jr_4
hole_7
repka_1
hole_6
hole_5
voda_3
hole_5
voda
jecm_jr3
zast_1
hole_4
hole_3
hole_2
hole_1
les_2
voda_1
les_1
psen_oz4
jecm_jr2
Varianta 1; TM3 TM4 TM7; 1986 psen_oz3
psen_oz2
picni_3
picni_2
picni_1
psen_oz1
jecm_jr1
Name
SEPARABILITY MEASURE: Transformed Divergence Average Separability: 1,9826 Minimum Separability: 0,8819 Max. Separability: 2,0000 SEPARABILITY MATRIX
psen_oz1
1,9931
picni_1
1,9970
2,0000
picni_2
1,9271
2,0000
1,2117
picni_3
1,5697
2,0000
1,9972
1,9102
psen_oz2
1,8364
1,6760
1,9992
1,9996
1,9999
psen_oz3
1,9989
2,0000
1,9512
1,9468
1,9999
jecm_jr2
1,5117
2,0000
2,0000
1,9999
1,7419
1,9987
psen_oz4
2,0000
2,0000
1,9638
1,9972
2,0000
1,9992
1,9997
2,0000
les_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
voda_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
les_2
1,9862
1,9866
2,0000
2,0000
2,0000
1,9968
2,0000
2,0000
2,0000
1,9502
2,0000
hole_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9649
hole_3
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9824
1,9086
hole_4
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
2,0000
2,0000
2,0000
1,9987
1,9982
zast_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9996
1,9999
1,9106
2,0000
jecm_jr3
1,8504
1,9998
2,0000
1,9999
1,9910
1,9746
2,0000
1,9811
2,0000
2,0000
2,0000
1,9820
2,0000
2,0000
2,0000
2,0000
voda
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9995
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_5
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9968
2,0000
2,0000
1,9782
2,0000
2,0000
voda_3
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9994
0,8819
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9935
2,0000
hole_5
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9766
1,9256
1,9999
1,9975
2,0000
2,0000
1,9996
2,0000
hole_6
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9995
2,0000
1,8823
2,0000
1,9999
2,0000
2,0000
2,0000
2,0000
repka_1
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
1,9837
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9953
1,9978
2,0000
2,0000
2,0000
2,0000
2,0000
hole_7
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
1,7567
2,0000
1,9994
2,0000
2,0000
2,0000
2,0000
2,0000
1,9996
jec_jr_4
1,9951
2,0000
2,0000
2,0000
1,9998
2,0000
2,0000
1,8761
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,4808
1,9998
1,9989
2,0000
2,0000
2,0000
1,9999
2,0000
1,9993
2,0000
ttp_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9987
2,0000
1,9961
1,8202
1,9997
2,0000
1,8042
2,0000
2,0000
2,0000
2,0000
2,0000
les_3
1,9898
1,9992
2,0000
2,0000
2,0000
1,9996
2,0000
2,0000
2,0000
1,8480
2,0000
1,5127
2,0000
2,0000
2,0000
2,0000
2,0000
1,9956
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9985
1,9996
ttp_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9998
1,9953
1,9598
1,9997
1,4230
1,9995
2,0000
1,9941
2,0000
1,9838
2,0000
1,9986
1,9997
1,9643
1,8929
1,9667
nic
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9524 2,0000
2,0000
1,9964
1,9309
2,0000
1,9926
Příl. 4. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 1; TM3 TM4 TM7; 1986 Name Code Pixels %Image Thres Bias jecm_jr1 1 1491912 1,86 3,00 1,00 psen_oz1 2 529830 0,66 3,00 1,00 picni_1 3 612187 0,76 3,00 1,00 picni_2 4 864950 1,08 3,91 1,00 picni_3 5 463581 0,58 4,10 1,00 psen_oz2 6 1798261 2,24 3,00 1,00 psen_oz3 7 389543 0,48 3,00 1,00 jecm_jr2 8 315804 0,39 3,00 1,00 psen_oz4 9 228722 0,28 3,00 1,00 les_1 10 5613526 6,99 3,00 1,00 voda_1 11 65626 0,08 3,00 1,00 les_2 12 3022037 3,76 3,00 1,00 hole_1 13 880794 1,10 3,00 1,00 hole_2 14 775256 0,96 3,00 1,00 hole_3 15 1696743 2,11 3,00 1,00 hole_4 16 218537 0,27 3,00 1,00 zast_1 17 2102308 2,62 2,19 1,00 jecm_jr3 18 3307966 4,12 3,00 1,00 voda 19 45108 0,06 3,00 1,00 hole_5 20 1184655 1,47 3,00 1,00 voda_3 21 145550 0,18 3,00 1,00 hole_5 22 992316 1,24 3,00 1,00 hole_6 23 771884 0,96 3,00 1,00 repka_1 24 4103952 5,11 3,72 1,00 hole_7 25 288752 0,36 3,00 1,00 jec_jr_4 26 415631 0,52 3,00 1,00 ttp_1 27 1519975 1,89 3,00 1,00 les_3 28 2185103 2,72 3,00 1,00 ttp_2 29 1782549 2,22 3,00 1,00 nic 30 32787805 40,81 3,00 1,00 NULL 0 9748175 12,13 Total 80349038 100
Average accuracy = 90,92 % Overall accuracy = 88,26 % KAPPA COEFFICIENT = 0,87645 Standard Deviation = 0,00189 Confidence Level : 99% 0,87645 +/- 0,00488 95% 0,87645 +/- 0,00371 90% 0,87645 +/- 0,00311
SEPARABILITY MEASURE: Transformed Divergence
les_3
ttp_1
jec_jr_4
hole_7
repka_1
hole_6
hole_5
voda_3
hole_5
voda
jecm_jr3
zast_1
hole_4
hole_3
hole_2
hole_1
les_2
voda_1
les_1
psen_oz4
jecm_jr2
psen_oz3
Varianta 1; TM4 TM5 TM3; 1986 psen_oz2
picni_2
picni_1
psen_oz1
jecm_jr1
Maximum Separability:
picni_3
Minimum Separability:
Name
Příl. 5. Matice transformovaných divergencí
1,9868 0,9266 2,0000
Average Separability:
psen_oz1
1,9990
picni_1
1,9972
2,0000
picni_2
1,9554
2,0000
1,2190
picni_3
1,9264
2,0000
1,9985
psen_oz2
1,9780
1,8770
2,0000
2,0000
2,0000
psen_oz3
1,9990
2,0000
1,9940
1,9985
2,0000
1,9932
jecm_jr2
1,4698
2,0000
2,0000
1,9994
1,7865
1,9999
psen_oz4
2,0000
2,0000
2,0000
2,0000
2,0000
1,9993
2,0000
2,0000
les_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
voda_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
les_2
1,9785
1,9959
2,0000
2,0000
2,0000
1,9981
2,0000
2,0000
2,0000
1,9574
2,0000
hole_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_3
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9873
1,8648
hole_4
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
2,0000
2,0000
2,0000
1,9988
1,9957
zast_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9764
2,0000
jecm_jr3
1,9557
1,9999
2,0000
2,0000
2,0000
1,9793
2,0000
1,9983
2,0000
2,0000
2,0000
1,9751
2,0000
2,0000
2,0000
2,0000
1,9994
voda
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9996
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_5
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9954
2,0000
2,0000
1,9903
2,0000
voda_3
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9997
0,9266
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9956
2,0000
hole_5
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9964
1,9631
2,0000
1,9999
2,0000
2,0000
1,9994
2,0000
hole_6
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9710
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
repka_1
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
1,9889
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
1,9998
2,0000
2,0000
2,0000
2,0000
2,0000
hole_7
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,8151
2,0000
1,9997
2,0000
2,0000
2,0000
2,0000
2,0000
1,9998
2,0000
jec_jr_4
1,9879
2,0000
2,0000
2,0000
1,9995
2,0000
2,0000
1,8798
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,5341
1,9997
1,9996
2,0000
2,0000
2,0000
2,0000
2,0000
1,9995
2,0000
ttp_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,8546
1,9984
1,9215
1,9887
2,0000
2,0000
1,9815
2,0000
1,9395
2,0000
2,0000
2,0000
les_3
1,9919
1,9999
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
2,0000
1,8927
2,0000
1,6157
2,0000
2,0000
2,0000
2,0000
2,0000
1,9996
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9840
1,9999
ttp_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
2,0000
1,9999
1,9996
1,9947
1,8997
1,9995
1,8854
1,9998
2,0000
1,9904
2,0000
1,9587
1,9994
2,0000
1,9991
1,9210
1,7647
1,9773
nic
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9007
2,0000
1,9803
2,0000
1,9250
1,9878
Příl. 6. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 1; TM4 TM5 TM3; 1986 Name Code Pixels %Image Thres Bias jecm_jr1 1 1740649 2,17 3,00 1,00 psen_oz1 2 346316 0,43 3,00 1,00 picni_1 3 490540 0,61 3,00 1,00 picni_2 4 562196 0,70 3,91 1,00 picni_3 5 365849 0,46 4,10 1,00 psen_oz2 6 1278839 1,59 3,00 1,00 psen_oz3 7 252311 0,31 3,00 1,00 jecm_jr2 8 384889 0,48 3,00 1,00 psen_oz4 9 174162 0,22 3,00 1,00 les_1 10 5678241 7,07 3,00 1,00 voda_1 11 66417 0,08 3,00 1,00 les_2 12 2937914 3,66 3,00 1,00 hole_1 13 833626 1,04 3,00 1,00 hole_2 14 718410 0,89 3,00 1,00 hole_3 15 1865596 2,32 3,00 1,00 hole_4 16 226497 0,28 3,00 1,00 zast_1 17 1839886 2,29 2,19 1,00 jecm_jr3 18 2656240 3,31 3,00 1,00 voda 19 44637 0,06 3,00 1,00 hole_5 20 1236413 1,54 3,00 1,00 voda_3 21 146024 0,18 3,00 1,00 hole_5 22 955407 1,19 3,00 1,00 hole_6 23 1034170 1,29 3,00 1,00 repka_1 24 5528217 6,88 3,72 1,00 hole_7 25 296722 0,37 3,00 1,00 jec_jr_4 26 623844 0,78 3,00 1,00 ttp_1 27 900175 1,12 3,00 1,00 les_3 28 1788596 2,23 3,00 1,00 ttp_2 29 1800006 2,24 3,00 1,00 nic 30 32787805 40,81 3,00 1,00 NULL 0 10788444 13,43 Total 80349038 100
Average accuracy = 91,37 % Overall accuracy = 88,98 % KAPPA COEFFICIENT = 0,88394 Standard Deviation = 0,00184 Confidence Level : 99% 0,88394 +/- 0,00475 95% 0,88394 +/- 0,00361 90% 0,88394 +/- 0,00303
SEPARABILITY MEASURE: Transformed Divergence
Příl. 7. Matice transformovaných divergencí
1,9822 0,6295 2,0000
Average Separability: Minimum Separability: Maximum Separability:
Varianta 1; TM3 TM4 TM7; 2001
repka_2
voda_3
picni_2
reka
asfalt
voda_2
repka_7
ttp_1
repka_6
picni_1
hole_7
voda_1
zast_1
les_2
les_1
repka_5
jecm_3
hole_5
hole_4
hole_3
hole_2
hole_1
psen_4
jecm_2
jecm_1
psen_3
psen_2
psen_1
mak_3
mak_2
mak_1
repka_3
repka_2
Name
repka_1
SEPARABILITY MATRIX
1,68
repka_3
1,82
1,83
mak_1
2,00
2,00
2,00
mak_2
2,00
2,00
2,00
mak_3
2,00
2,00
2,00
2,00
1,82
psen_1
2,00
2,00
2,00
2,00
2,00
psen_2
2,00
2,00
2,00
2,00
2,00
2,00
1,99
psen_3
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
jecm_1
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
jecm_2
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
psen_4
2,00
2,00
2,00
2,00
2,00
1,96
2,00
2,00
1,84
1,97
1,86
hole_1
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
hole_2
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,82
hole_3
2,00
2,00
2,00
2,00
1,94
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,08
1,99
hole_4
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,75
1,99
1,95
hole_5
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,85
jecm_3
2,00
2,00
2,00
2,00
2,00
1,27
2,00
2,00
2,00
2,00
1,34
1,91
2,00
2,00
2,00
2,00
2,00
repka_5
1,67
1,38
1,94
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
les_1
2,00
2,00
2,00
2,00
2,00
1,86
2,00
2,00
1,99
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
les_2
2,00
2,00
2,00
2,00
2,00
2,00
1,99
2,00
1,39
1,95
2,00
1,82
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,97
zast_1
2,00
2,00
2,00
2,00
1,99
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,93
2,00
1,92
1,98
2,00
2,00
2,00
2,00
voda_1
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
hole_7
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,59
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,98
2,00
picni_1
2,00
2,00
2,00
2,00
2,00
1,92
2,00
2,00
2,00
2,00
2,00
1,98
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,99
2,00
2,00
repka_6
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
ttp_1
2,00
2,00
2,00
1,95
1,95
1,93
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,99
2,00
repka_7
2,00
2,00
1,83
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,98
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
voda_2
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
asfalt
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,87
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,88
2,00
1,67
2,00
2,00
2,00
2,00
reka
2,00
2,00
2,00
2,00
2,00
1,79
2,00
2,00
1,99
2,00
2,00
1,95
2,00
2,00
2,00
2,00
2,00
1,98
2,00
0,63
1,98
1,95
2,00
2,00
1,98
2,00
2,00
2,00
2,00
2,00
picni_2
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
voda_3
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
nic
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
2,00
1,88
2,00
2,00
2,00
2,00
2,00
Příl. 8. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 1; TM3 TM4 TM7; 2001 Name repka_1 repka_2 repka_3 mak_1 mak_2 mak_3 psen_1 psen_2 psen_3 jecm_1 jecm_2 psen_4 hole_1 hole_2 hole_3 hole_4 hole_5 jecm_3 repka_5 les_1 les_2 zast_1 voda_1 hole_7 picni_1 repka_6 ttp_1 repka_7 voda_2 asfalt reka picni_2 voda_3 nic NULL
Code 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 0 Total
Pixels %Image Thres Bias 44882 0,05 3,00 1,00 515647 0,54 3,00 1,00 389778 0,40 3,00 1,00 344983 0,36 3,00 1,00 1226988 1,27 3,00 1,00 628865 0,65 1,43 1,00 263256 0,27 3,91 1,00 167476 0,17 3,91 1,00 1984794 2,06 3,34 1,00 1724864 1,79 3,00 1,00 1443307 1,50 3,00 1,00 4898935 5,09 3,91 1,00 290068 0,30 3,00 1,00 1536297 1,60 3,00 1,00 242714 0,25 3,00 1,00 489181 0,51 3,00 1,00 101125 0,11 3,00 1,00 1673514 1,74 3,00 1,00 115178 0,12 3,00 1,00 8556751 8,89 3,00 1,00 3637156 3,78 3,00 1,00 3326657 3,46 2,00 1,00 63743 0,07 3,00 1,00 1918247 1,99 3,00 1,00 4816233 5,00 3,00 1,00 326468 0,34 3,91 1,00 1185692 1,23 3,00 1,00 491108 0,51 3,00 1,00 88148 0,09 3,00 1,00 3291037 3,42 3,00 1,00 4059311 4,22 3,00 1,00 35490 0,04 3,00 1,00 183592 0,19 3,00 1,00 44213621 45,93 3,00 1,00 1991282 2,07 96266388 100
Average accuracy = 84,72 % Overall accuracy = 86,86 % KAPPA COEFFICIENT = 0,84785 Standard Deviation = 0,00167 Confidence Level : 99% 0,84785 +/- 0,00430 95% 0,84785 +/- 0,00326 90% 0,84785 +/- 0,00274
SEPARABILITY MEASURE: Transformed Divergence Average Separability:
Příl. 9. Matice transformovaných divergencí
1,9863 0,6726 2,0000
Minimum Separability: Maximum Separability:
Varianta 1; TM4 TM5 TM3; 2001
SEPARABILITY MATRIX voda_3
picni_2
reka
asfalt
voda_2
repka_7
ttp_1
repka_6
picni_1
hole_7
voda_1
zast_1
les_2
les_1
repka_5
jecm_3
hole_5
hole_4
hole_3
hole_2
hole_1
psen_4
jecm_2
jecm_1
psen_3
psen_2
psen_1
mak_3
mak_2
mak_1
repka_3
repka_2
repka_1
Name
repka_2 1,769 repka_3 1,867 1,846 mak_1
2,000 2,000 2,000
mak_2
2,000 2,000 2,000 1,882
mak_3
2,000 2,000 2,000 1,997 1,851
psen_1 2,000 2,000 2,000 2,000 2,000 2,000 psen_2 2,000 2,000 2,000 2,000 2,000 2,000 2,000 psen_3 2,000 2,000 2,000 2,000 2,000 2,000 1,997 2,000 jecm_1
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000
jecm_2
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000
psen_4 2,000 2,000 2,000 2,000 2,000 1,874 2,000 2,000 1,889 2,000 1,862 hole_1
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000
hole_2
2,000 2,000 2,000 2,000 1,998 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,819
hole_3
2,000 2,000 2,000 2,000 1,932 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,053 1,994
hole_4
2,000 2,000 2,000 2,000 1,999 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,786 1,992 1,958
hole_5
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,801
jecm_3
2,000 2,000 2,000 2,000 2,000 1,303 2,000 2,000 2,000 2,000 1,759 1,906 2,000 2,000 2,000 2,000 2,000
repka_5 1,694 1,488 1,943 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 les_1
2,000 2,000 2,000 2,000 2,000 1,899 2,000 2,000 2,000 2,000 2,000 1,998 2,000 2,000 2,000 2,000 2,000 1,993 2,000
les_2
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,958 1,973 2,000 1,987 2,000 2,000 2,000 2,000 2,000 1,997 2,000 1,968
zast_1
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,960 2,000 1,958 2,000 2,000 2,000 2,000 2,000
voda_1 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 hole_7
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,645 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000
picni_1
2,000 2,000 2,000 2,000 2,000 1,895 2,000 2,000 2,000 2,000 2,000 1,993 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,998 1,999 2,000 2,000
repka_6 2,000 1,999 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 ttp_1
2,000 2,000 2,000 1,939 1,912 1,921 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,998 2,000
repka_7 2,000 2,000 1,843 2,000 2,000 1,998 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,999 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 voda_2 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,998 2,000 2,000 1,999 2,000 2,000 2,000 2,000 2,000 asfalt
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,932 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,888 2,000 1,984 2,000 2,000 2,000 2,000 2,000
reka
2,000 2,000 2,000 2,000 2,000 1,908 2,000 2,000 1,994 2,000 2,000 1,960 2,000 2,000 2,000 2,000 2,000 1,984 2,000 0,673 1,987 1,943 2,000 2,000 1,998 2,000 2,000 2,000 2,000 2,000
picni_2
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000
voda_3 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 1,999 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 nic
2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000 2,000
Příl. 10. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 1; TM4 TM5 TM3; 2001
Name Code Pixels %Image Thres Bias repka_1 1 30675 0,03 3,00 1,00 repka_2 2 344381 0,36 3,00 1,00 repka_3 3 294098 0,31 3,00 1,00 mak_1 4 316992 0,33 3,00 1,00 mak_2 5 916184 0,95 3,00 1,00 mak_3 6 623402 0,65 1,43 1,00 psen_1 7 188675 0,20 3,91 1,00 psen_2 8 162913 0,17 3,91 1,00 psen_3 9 2131443 2,21 3,34 1,00 jecm_1 10 960956 1,00 3,00 1,00 jecm_2 11 856438 0,89 3,00 1,00 psen_4 12 5498495 5,71 3,91 1,00 hole_1 13 242599 0,25 3,00 1,00 hole_2 14 1661016 1,73 3,00 1,00 hole_3 15 207950 0,22 3,00 1,00 hole_4 16 512719 0,53 3,00 1,00 hole_5 17 104521 0,11 3,00 1,00 jecm_3 18 1997605 2,08 3,00 1,00 repka_5 19 93235 0,10 3,00 1,00 les_1 20 9236445 9,59 3,00 1,00 les_2 21 3608687 3,75 3,00 1,00 zast_1 22 2873704 2,99 2,00 1,00 voda_1 23 62525 0,06 3,00 1,00 hole_7 24 1238644 1,29 3,00 1,00 picni_1 25 4209496 4,37 3,00 1,00 repka_6 26 323471 0,34 3,91 1,00 ttp_1 27 924120 0,96 3,00 1,00 repka_7 28 561370 0,58 3,00 1,00 voda_2 29 89962 0,09 3,00 1,00 asfalt 30 3637547 3,78 3,00 1,00 reka 31 4299035 4,47 3,00 1,00 picni_2 32 24217 0,03 3,00 1,00 voda_3 33 182270 0,19 3,00 1,00 CLASS034 34 44213159 45,93 3,00 1,00 NULL 0 3637439 3,78 Total 96266388 100,00
SEPARABILITY MEASURE: Transformed Divergence
Příl. 11. Matice transformovaných divergencí
1,9770 1,0874 2,0000
Average Separability: Minimum Separability: Maximum Separability:
Varianta 2; TM3 TM4 TM7; 1986
jecm_1
2,0000
picni_1
2,0000
1,9061
hole_1
2,0000
2,0000
2,0000
hole_2
2,0000
2,0000
2,0000
2,0000
hole_3
2,0000
2,0000
2,0000
2,0000
2,0000
hole_4
2,0000
2,0000
2,0000
1,9969
2,0000
1,9998
picni_2
2,0000
1,6061
1,7107
2,0000
2,0000
2,0000
2,0000
psen_2
1,9986
1,9835
1,8735
2,0000
2,0000
2,0000
2,0000
1,9995
psen_3
1,9995
1,0874
1,9532
2,0000
2,0000
2,0000
2,0000
1,9924
1,6900
jecm_2
2,0000
1,5292
1,9976
2,0000
2,0000
2,0000
2,0000
1,7207
2,0000
1,8981
hole_5
2,0000
2,0000
2,0000
2,0000
1,7296
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_6
2,0000
2,0000
2,0000
2,0000
2,0000
1,9998
1,9980
2,0000
2,0000
2,0000
2,0000
1,9995
psen_4
2,0000
1,8030
1,9996
2,0000
2,0000
2,0000
2,0000
1,9992
1,9653
1,7527
1,9895
2,0000
2,0000
repka_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
picni_3
2,0000
2,0000
1,8773
2,0000
2,0000
2,0000
2,0000
2,0000
1,9993
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_7
2,0000
2,0000
2,0000
2,0000
1,9993
1,9996
1,8376
2,0000
2,0000
2,0000
2,0000
1,9985
1,9705
2,0000
2,0000
2,0000
hole_8
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9998
2,0000
2,0000
2,0000
2,0000
2,0000
1,9991
2,0000
2,0000
2,0000
1,9236
psen_5
2,0000
1,9874
1,9956
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9993
1,9742
2,0000
2,0000
1,9944
2,0000
2,0000
1,9995
2,0000
hole_9
2,0000
2,0000
2,0000
1,9997
2,0000
1,7169
1,9998
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9939
2,0000
2,0000
hole_10
2,0000
2,0000
2,0000
1,7183
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9982
1,9990
2,0000
hole_9
psen_5
hole_8
hole_7
picni_3
repka_1
psen_4
hole_6
hole_5
jecm_2
psen_3
psen_2
picni_2
hole_4
hole_3
hole_2
hole_1
picni_1
jecm_1
psen_1
SEPARABILITY MATRIX
2,0000
Příl. 12. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 2; TM3 TM4 TM7; 1986 Name psen_1 jecm_1 picni_1 hole_1 hole_2 hole_3 hole_4 picni_2 psen_2 psen_3 jecm_2 hole_5 hole_6 psen_4 repka_1 picni_3 hole_7 hole_8 psen_5 hole_9 hole_10 NULL
Code 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 0 Total
Pixels %Image Thres Bias 25214 0,58 3,00 1,00 88659 2,05 3,00 1,00 305947 7,07 3,00 1,00 240499 5,56 3,00 1,00 13047 0,30 3,00 1,00 89539 2,07 3,00 1,00 131593 3,04 3,00 1,00 27186 0,63 3,00 1,00 116991 2,70 4,00 1,00 185617 4,29 4,00 1,00 88915 2,05 3,00 1,00 61256 1,42 3,50 1,00 61256 1,42 3,50 1,00 249527 5,77 3,30 1,00 85676 1,98 4,00 1,00 149292 3,45 4,50 1,00 963524 22,26 4,50 1,00 127730 2,95 4,50 1,00 885090 20,45 3,00 1,00 149896 3,46 3,00 1,00 281628 6,51 4,00 1,00 0 0,00 4328082 100
Average accuracy = 89,67 Overall accuracy = 89,73 KAPPA COEFFICIENT = 0,88803 Standard Deviation = 0,00249 Confidence Level : 99 +/- 0,00641 95 +/- 0,00487 90 +/- 0,00409
SEPARABILITY MEASURE: Transformed Divergence
Příl. 13. Matice transformovaných divergencí
1,9891 1,2190 2,0000
Average Separability: Minimum Separability: Maximum Separability:
Varianta 2; TM4 TM5 TM3; 1986
Name psen_1 Picni_1 Picni_2 Picni_3 psen_2 psen_3 jecm_2 psen_4 les_1 voda_1 les_2 hole_1 hole_2 hole_3 hole_4 zast_1 jecm_3 voda hole_5
voda
jecm_3
zast_1
hole_4
hole_3
hole_2
hole_1
les_2
voda_1
les_1
psen_4
jecm_2
psen_3
psen_2
picni_3
picni_2
picni_1
psen_1
jecm_1
SEPARABILITY MATRIX
1,9990 1,9972
2,0000
1,9554
2,0000
1,2190
1,9264
2,0000
1,9985
1,9007
1,9780
1,8770
2,0000
2,0000
2,0000
1,9990
2,0000
1,9940
1,9985
2,0000
1,9932
1,4698
2,0000
2,0000
1,9994
1,7865
1,9999
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9993
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9785
1,9959
2,0000
2,0000
2,0000
1,9981
2,0000
2,0000
2,0000
1,9574
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9803
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9873
1,8648
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
2,0000
2,0000
2,0000
1,9988
1,9957
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9764
2,0000
1,9557
1,9999
2,0000
2,0000
2,0000
1,9793
2,0000
1,9983
2,0000
2,0000
2,0000
1,9751
2,0000
2,0000
2,0000
2,0000
1,9994
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9996
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9954
2,0000
2,0000
1,9903
2,0000
2,0000
Příl. 14. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 2; TM4 TM5 TM3; 1986 Name psen_1 jecm_1 picni_1 hole_1 hole_2 hole_3 hole_4 picni_2 psen_2 psen_3 jecm_2 hole_5 hole_6 psen_4 repka_1 picni_3 hole_7 hole_8 psen_5 hole_9 hole_10
Code 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 Total
Pixels 27 552 96 323 294 253 277 543 12 546 80 271 119 364 17 347 140 532 241 088 95 747 60 132 49 684 188 015 71 743 140 052 952 592 135 417 915 442 153 948 258 491 4 328 082
SEPARABILITY MEASURE: Transformed Divergence
Příl. 15. Matice transformovaných divergencí
1,9842 1,4424 2,0000
Average Separability: Minimum Separability: Maximum Separability:
Varianta 2; TM3 TM4 TM7; 2001
repka
hole_5
picni_2
hola_4
repka_2
picni_1
hole_3
hole_2
psenice_4
psenice_3
psenice_2
jecmen_2
jecmen_3
mak_2
mak
hole
jecmen
repka
Class-00
SEPARABILITY MATRIX
2,0000
jecmen
2,0000
2,0000
hole
2,0000
2,0000
2,0000
mak
2,0000
2,0000
2,0000
2,0000
mak_2
2,0000
2,0000
2,0000
2,0000
1,7583
jecmen_3
2,0000
2,0000
1,4424
2,0000
2,0000
2,0000
jecmen_2
2,0000
2,0000
1,9994
2,0000
2,0000
2,0000
1,9630
psenice_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
psenice_3
2,0000
2,0000
1,9975
2,0000
2,0000
2,0000
1,8565
2,0000
1,9983
psenice_4
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9995
1,8923
1,9191
1,9999
hole_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_3
2,0000
2,0000
2,0000
1,8455
1,9906
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9792
picni_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
repka_2
2,0000
1,8822
2,0000
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hola_4
2,0000
2,0000
2,0000
1,9257
1,9945
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9991
1,9784
2,0000
2,0000
picni_2
2,0000
2,0000
2,0000
2,0000
1,9995
2,0000
2,0000
2,0000
1,9848
2,0000
2,0000
2,0000
1,9995
2,0000
2,0000
2,0000
hole_5
1,9992
2,0000
2,0000
1,9984
1,9999
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,7581
1,7896
2,0000
2,0000
1,9826
1,9997
jecmen_4
2,0000
2,0000
1,5959
2,0000
2,0000
2,0000
1,7653
1,9999
2,0000
1,9998
2,0000
2,0000
2,0000
1,9991
2,0000
2,0000
2,0000
2,0000
Příl. 16. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 2; TM3 TM4 TM7; 2001 Name Code Pixels Image Thres Bias repka 1 122654 2,23 3,00 1,00 jecmen 2 63078 1,15 3,00 1,00 hole 3 171864 3,13 3,50 1,00 mak 4 247685 4,51 2,00 1,00 mak_2 5 125039 2,27 3,00 1,00 jecmen_3 6 557739 10,14 3,00 1,00 jecmen_2 7 387005 7,04 3,00 1,00 psenice_2 8 349730 6,36 3,00 1,00 psenice_3 9 312001 5,67 4,50 1,00 psenice_4 10 217002 3,95 3,00 1,00 hole_2 11 145714 2,65 3,00 1,00 hole_3 12 197524 3,59 3,00 1,00 picni_1 13 39656 0,72 3,00 1,00 repka_2 14 310097 5,64 4,00 1,00 hola_4 15 288726 5,25 4,00 1,00 picni_2 16 1316768 23,95 3,00 1,00 hole_5 17 543859 9,89 4,00 1,00 jecmen_4 18 101807 1,85 3,00 1,00 NULL 0 0 0,00 Total 5497948 100
Average accuracy = 94,70 Overall accuracy = 93,55 KAPPA COEFFICIENT = 0,93064 Standard Deviation = 0,00292 Confidence Level : 99 +/- 0,00754 95 +/- 0,00573 90 +/- 0,00481
SEPARABILITY MEASURE: Transformed Divergence
Příl. 17. Matice transformovaných divergencí
1,9868 1,4991 2,0000
Average Separability: Minimum Separability: Maximum Separability:
Varianta 2; TM4 TM5 TM3; 2001
jecmen
2,0000
hole
2,0000
2,0000
mak
2,0000
2,0000
2,0000
mak_2
2,0000
2,0000
2,0000
1,7466
jecmen_3
2,0000
1,4991
2,0000
2,0000
2,0000
jecmen_2
2,0000
2,0000
2,0000
2,0000
2,0000
1,9977
psenice_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
psenice_3
2,0000
2,0000
2,0000
2,0000
2,0000
1,9976
2,0000
1,9999
psenice_4
2,0000
2,0000
2,0000
2,0000
2,0000
1,9998
1,9696
1,9988
2,0000
hole_2
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_3
2,0000
2,0000
1,8902
1,9918
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9871
picni_1
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
repka_2
1,9146
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hola_4
2,0000
2,0000
1,9793
1,9991
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,9990
1,9891
2,0000
2,0000
picni_2
2,0000
2,0000
2,0000
1,9997
2,0000
2,0000
1,9998
1,9988
2,0000
2,0000
2,0000
1,9999
2,0000
2,0000
2,0000
hole_5
2,0000
2,0000
1,9995
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
1,7539
1,8271
2,0000
2,0000
1,9815
1,9997
jecmen_4
2,0000
1,6975
2,0000
2,0000
2,0000
1,7580
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
2,0000
hole_5
picni_2
hola_4
repka_2
picni_1
hole_3
hole_2
psenice_4
psenice_3
psenice_2
jecmen_2
jecmen_3
mak_2
mak
hole
jecmen
repka
SEPARABILITY MATRIX
2,0000
Příl. 18. Zastoupení spektrálních tříd v obraze a úspěšnost klasifikace Varianta 2; TM4 TM5 TM3; 2001 Name Code Pixels Image Thres Bias repka 1 151033 2,75 3,00 1,00 jecmen 2 49628 0,90 3,00 1,00 hole 3 172972 3,15 3,50 1,00 mak 4 212932 3,87 2,00 1,00 mak_2 5 105212 1,91 3,00 1,00 jecmen_3 6 737284 13,41 3,00 1,00 jecmen_2 7 263866 4,80 3,00 1,00 psenice_2 8 508076 9,24 3,00 1,00 psenice_3 9 304665 5,54 4,50 1,00 psenice_4 10 185243 3,37 3,00 1,00 hole_2 11 148197 2,70 3,00 1,00 hole_3 12 186066 3,38 3,00 1,00 picni_1 13 15013 0,27 3,00 1,00 repka_2 14 315712 5,74 4,00 1,00 hola_4 15 305739 5,56 4,00 1,00 picni_2 16 1163661 21,17 3,00 1,00 hole_5 17 566081 10,30 4,00 1,00 jecmen_4 18 106568 1,94 3,00 1,00 NULL 0 0 0,00 Total 5497948 100
Average accuracy = 96,21 Overall accuracy = 95,20 KAPPA COEFFICIENT = 0,94839 Standard Deviation = 0,00254 Confidence Level : 99 +/- 0,00656 95 +/- 0,00499 90 +/- 0,00418
