MENDELOVA UNIVERZITA V BRNĚ

MENDELOVA UNIVERZITA V BRNĚ Lesnická a dřevařská fakulta Ústav hospodářské úpravy lesů a aplikované geoinformatiky

Sledování sukcese dřevin po požáru s využitím leteckých snímků na lokalitě Havraní skála v NP České Švýcarsko

DIPLOMOVÁ PRÁCE

2014

Bc. Martin Krůček

Prohlašuji, že jsem diplomovou práci na téma: „Sledování sukcese dřevin po požáru s využitím leteckých snímků na lokalitě Havraní skála v NP České Švýcarsko“ zpracoval sám a uvedl jsem všechny použité prameny. Souhlasím, aby moje diplomová práce byla zveřejněna v souladu s § 47b Zákona č. 111/1998 Sb., o vysokých školách a uložena v knihovně Mendelovy univerzity v Brně, zpřístupněna ke studijním účelům ve shodě s Vyhláškou rektora Mendelovy univerzity o archivaci elektronické podoby závěrečných prací. Autor kvalifikační práce se dále zavazuje, že před sepsáním licenční smlouvy o využití autorských práv díla s jinou osobou (subjektem) si vyžádá písemné stanovisko univerzity o tom, že předmětná licenční smlouva není v rozporu s oprávněnými zájmy univerzity a zavazuje se uhradit případný příspěvek na úhradu nákladů spojených se vznikem díla dle řádné kalkulace. V Brně, dne:........................................ podpis studenta

Poděkování Rád bych poděkoval především vedoucímu mé diplomové práce Ing. Kamilu Královi, Ph.D. za konzultace, odborné rady a trpělivost s jakou mi tyto rady poskytoval. Dále bych také rád poděkoval všem ostatním, kteří mi byli nějakým způsobem nápomocní při vypracování této práce.

Abstrakt Martin Krůček, Sledování sukcese dřevin po požáru s využitím leteckých snímků na lokalitě Havraní skála v NP České Švýcarsko Tato práce mapuje rozšíření přirozeného zmlazení po požáru v NP České Švýcarsko který proběhl v červnu 2006. Byly použity letecké snímky z let 2009 a 2011. Výsledná přesnost dosažená při klasifikaci přirozeného zmlazení byla 96 % v roce 2009 a 94% v roce 2011. Přirozené zmlazení pokrývalo v roce 2009 14 % plochy zájmového území v roce 2011 to bylo 51 %. Dále bylo provedeno porovnání pokryvnosti přirozeného zmlazení s počty jedinců sčítaných na trvalých výzkumných plochách. Výsledné korelační koeficienty a koeficienty determinace se ukázali jako nízké. Důvodem jsou suché koruny které ovlivňují pokryvnost přirozeným zmlazením zjištěnou pomocí DPZ, vysoká diverzita přirozeného zmlazení a dále také absolutní polohová přesnost leteckých snímků. Klíčová slova: lesní požár, letecké snímky, přirozené zmlazení, sledování změn, sukcese dřevin.

Abstract Martin Krůček, Monitoring tree succession after the forest fire with the use of aerial photography on the localiy Havrní skála in NP Bohemian Switzerland. This work explores the expansion of natural regeneration after the forest fire in the National Park Bohemian Switzerland, which occured in June 2006. Aerial photography were acquired in years 2009 and 2011 and both were used. The resulting accuracy achieved in the natural regeneration classification was 96 % in the year 2009 and 94 % in the year 2011. Natural regeneration covered 14% of the territory in year 2009 and in the year 2011 it was 51%. Furthermore comparison between the coverage of the natural regeneration and amount of individuals on the permanent research areas was made. The resulting correlation coefficient and coefficient of determination were low. The reason is, that the natural regeneration coverge detected using remote sensing is affected by dry crowns, high diversity of natural regeneration and also the absolute positional accuracy of aerial images. Key words: aerial photography, changes monitoring, forest fire, natural regeneration, tree succession.

Obsah 1 ÚVOD.............................................................................................................................8 2 CÍL PRÁCE..................................................................................................................10 3 LITERÁRNÍ PŘEHLED ŘEŠENÉ PROBLEMATIKY..............................................11 3.1 Obecná problematika požárů................................................................................11 3.2 Monitoring požárů a následných změn ekosystémů s využitím dat DPZ.............15 3.2.1 Detekce požárů..............................................................................................15 3.2.2 Monitorování průběhu požáru.......................................................................16 3.2.3 Posuzování škod způsobených požárem.......................................................17 3.2.4 Hodnocení vegetace po požáru.....................................................................19 3.3 Teorie klasifikace..................................................................................................21 3.3.1 Předzpracování dat........................................................................................21 3.3.2 Vlastní klasifikace obrazu.............................................................................21 3.3.3 Hodnocení přesnosti klasifikace....................................................................27 4 POPIS ZÁJMOVÉHO ÚZEMÍ....................................................................................29 4.1 Administrativně – správní zařazení lokality.........................................................29 4.2 Geomorfologické poměry.....................................................................................29 4.3 Geologické poměry...............................................................................................29 4.4 Pedologické poměry..............................................................................................30 4.5 Klimatické poměry................................................................................................30 4.6 Vegetační poměry..................................................................................................31 4.7 Současný stav........................................................................................................32 6 METODIKA.................................................................................................................33 6.1 Použitá data DPZ..................................................................................................33 6.2 Klasifikace............................................................................................................33 6.3 Hodnocení pokryvnosti přirozeného zmlazení.....................................................34 6.4 Hodnocení přesnosti klasifikace...........................................................................35 6.5 Referenční data.....................................................................................................36 6.6 Porovnání dat........................................................................................................37 7. VÝSLEDKY................................................................................................................38 7.1 Přesnost klasifikace dat z roku 2009.....................................................................38 7.2 Přesnost klasifikace dat z roku 2011.....................................................................39 7.3 Porovnání výsledků klasifikace z jednotlivých let................................................42

7.4 Porovnání výsledků klasifikace s daty z TVP.......................................................45 8 DISKUSE.....................................................................................................................51 9. ZÁVĚR........................................................................................................................55 10 SUMMARY................................................................................................................56 11 LITERÁRNÍ PŘEHLED............................................................................................58 12 SEZNAM ZKRATEK.................................................................................................65 13 PŘÍLOHY...................................................................................................................66 13.1 Seznam tabulek...................................................................................................66 13.2 Seznam obrázků..................................................................................................66

1

ÚVOD Lesní požáry se vyskytují v přírodě odedávna a v některých ekosystémech jsou

věcí naprosto přirozenou a rozšířenou do té míry, že se u druhů tvořící tyto ekosystémy v rámci evoluce vytvořili adaptace které jim zaručují přežití požáru. U některých druhů dosáhly tyto adaptace dokonce té míry, že pro úspěšné vysemenění šišek je nutné aby byl porost zasažen požárem. Tato vlastnost se nazývá serotinie a nemusí se vyskytovat u všech šišek. Jedná se zejména o severoamerické druhy tzv. požárových borovic (Pinus contorta, Pinus banksiana, Pinus rigida… ; Hoření, 2006). V přírodních a klimatických podmínkách České republiky však dochází k požárům nezaviněným rukou člověka velmi zřídka. Samovolné vznícení je velmi zřídkavé a druhá možnost, tedy vznícení lesa po zásahu stromu bleskem také není nijak častá. Zpráva o stavu lesa a lesního hospodářství z roku 2006 uvádí, že za tento rok bylo evidováno 694 požárů. Jankovská (2006) uvádí, že naprostá většina požárů za sledované období od roku 1992 až 2004 byla zaviněna člověkem nebo jeho činností a pouze 1,4 % požárů bylo zaviněno bleskem. A tento poměr je možné zobecnit. Na množství požárů v našich podmínkách má dále vliv průběh počasí. V roce, ve kterém se vyskytovaly suché periody počasí delší než je obvyklé, množství požárů roste. Požáru který zasáhl zájmové území této práce se věnuje článek v časopise „112“ (Schneeberg et Hykl, 2006). Tento časopis uvádí že, požár na lokalitě Havraní skála v Národním parku České Švýcarsko vznikl 22. července 2006, uhašen a předán zástupcům NP ČŠ byl 28. července 2006 ve 14 hodin. Požár v celkovém součtu zasáhl 25 ha a vyskytovaly se zde všechny tři typy požáru, tedy pozemní, podzemní i korunový. Podzemní požár dosahoval na lokalitě až do hloubky 50 cm. Nejvíce poškozen byl vysokokmenný jehličnatý porost ve kterém požár vznikl a z kterého se postupně rozšiřoval. Šíření požáru napomohla dlouho trvající perioda sucha a horkého počasí. Policie ČR označila jako příčinu požáru jednoznačně lidské zavinění. Se stále se rozšiřujícím poznáním jsme již několik desetiletí svědky rozšiřujícího se využívání geoinformačních technologií a získávání informací z dat dálkového průzkumu Země. Metody dálkového průzkumu země je potřeba chápat jako nástroj, který by za určitých podmínek měl v kombinaci s pozemním šetřením usnadnit

8

zjišťování stavu lesa, nelze však očekávat, že plně nahradí dosavadní klasické metody hodnocení stavu lesa (Žíhlavník, 1996). S pokračujícím rozvojem jsou však stále nacházeny nové možnosti pro využívání dat DPZ, vyvíjeny nové technologie. Informace, které máme možnost získat z těchto dat, jsou tak s postupem času stále přesnější a také je jich mnohem více. Data DPZ mohou být využívána k detekci požárů, hodnocení jejich průběhu a odhadu množství způsobených škod. V případě rozsáhlých požárů při kombinaci s geoinformačními technologiemi také k modelování postupu požáru a v neposlední řadě je možné je využít pro hodnocení růstu vegetace na území po požáru. V případě požáru na Havraní skále bylo rozhodnuto, že spálená plocha bude ponechána samovolnému vývoji, jediným provedeným opatřením byla výstavba oplocení. To otevřelo možnosti k pozorování velmi rychlého vývoje sukcese, který v současnosti na lokalitě probíhá. Monitorování této sukcese s využitím leteckých snímků a geoinformačních nástrojů je pak jedním z možných přístupů. Jako výhodná se také jeví možnost porovnání s daty získanými na síti trvalých výzkumných ploch, které byla na ploše založeny v roce 2007 (Jurek, 2009).

9

2

CÍL PRÁCE Cílem této práce je popsat rozšíření přirozeného zmlazení po požáru, který

proběhl na lokalitě Havraní skála v NP České Švýcarsko v červenci 2006, s využitím leteckých snímků. Dále vytvořit mapy rozšíření přirozeného zmlazení v jednotlivých letech a porovnat výsledky z jednotlivých let mezi sebou. Dalším cílem je porovnat mapy rozšíření přirozeného zmlazení s referenčními daty z terénu.

10

3

LITERÁRNÍ PŘEHLED ŘEŠENÉ PROBLEMATIKY Tato kapitola je rozdělena do třech částí. První část se věnuje problematice

lesních požárů obecně a jejich vlivu na živé i neživé složky ekosystémů. Druhá část je vztažena k možnostem využití DPZ k monitoringu požárů a následných změn jimi způsobených. Třetí část se zabývá problematikou klasifikace obrazu.

3.1 Obecná problematika požárů Za požár se považuje takové hoření, které je nežádoucí a dochází při něm ke škodám na majetku či usmrcení/poranění osob nebo zvířat a také poškození životního prostředí. Za lesní požár se obecně považuje takový požár, který vznikl v lese a v lese se šíří, případně vznikl na jiných plochách a do lesních porostů se rozšířil. Dále je zpravidla za lesní požár považován požár v porostu vyšším než 1,8 m, rychle se šíří, hoření probíhá v nepřístupném terénu a často i pod povrchem (Šimek et al., 2004). Požár může být také chápán jako živelné poškození porostů včetně půdního krytu, kdy zápalnost organického materiálu závisí na druhu rostliny a ročním období (Kulhánková, 1995). Z hlediska ohrožení lesních porostů dělíme faktory způsobující ohrožení do dvou skupin. Statické faktory které se v čase téměř nemění, jako je vzdálenost od sídel případně cest, intenzita pohybu osob, nadmořská výška, tvar terénu. Dále sem patří druhová skladba a věk porostu i když tyto veličiny se mění avšak zpravidla velice pomalu. Druhou skupinou jsou faktory dynamické, do kterých řadíme průběh teplot, množství srážek za dané období apod. (Tuček, 2006). Požáry jsou zpravidla rozdělovány do několika typů. Prvním z nich je pozemní požár. Tento typ vzniká zapálením půdního krytu, především hoří buřeň a klest. Následkem tohoto požáru je degradace půdního krytu, poškození mladých lesních kultur, náletů semenáčků, nárostu a také jsou poškozeny tenkokoré dřeviny - buk, habr a mladší jedle. Dalším typem je požár korunový, tento požár vzniká v mlazinách kde ze země přechází do korunových částí a šíří se dále, následkem tohoto typu požáru je zpravidla totální destrukce porostů. Posledním z významných typů lesních požárů dokumentovaných na území ČR je podzemní požár, při tomto požáru hoří hrabanka, podzemní humus a kořeny stromů kterými se požár šíří mezi jednotlivými stromy. Tento 11

požár je velmi nebezpečný neboť, je obtížné na první pohled identifikovat zasaženou plochu a hoření může probíhat i dlouhou dobu. Vnějším projevem tohoto požáru může být slabý dým vyskytující se u pařezů (Křístek, 2002). Zřídka se vyskytujícím typem požáru je požár dutého stromu, kdy hoří trouchnivějící dřevo uvnitř stromu (Jankovská, 2004). Chromek (2006) uvádí na Slovensku nově identifikovaný typ požáru a to požár kalamitní plochy. Tento požár se vyznačuje hořením na velké ploše v nepřístupném terénu a také velkým množstvím dřevní hmoty s nižším obsahem vody, koncentrované v menším prostoru blíže povrchu. V dnešní době lesní požáry považujeme za přirozenou součást lesních ekosystémů avšak podíl požárů nezaviněných člověkem je na území ČR minimální. Nejohroženější jsou zpravidla suchá chudá lesní stanoviště. Výše škody je potom závislá na velikosti vyhořelé plochy a na stáří postiženého porostu. Škody po požáru obecně dělíme na přímé a nepřímé. V případě škod přímých se jedná o zničení dřevní hmoty stojící v porostu, úhyn nebo ztráty na přírůstu, zničení výsadeb, ztráty na technickém zařízení. Nepřímé škody pak vznikají v delším časovém odstupu od požáru a jsou způsobeny chronickým oslabením dřevin a jejich menší rezistencí vůči ostatním negativním vlivům (Pfeffer, 1961; Kunt, 1967). V případě častějšího výskytu požárů v jedné oblasti nebo požáru o velkém rozsahu dochází také k snižování funkčního potenciálu lesa. Kdy jsou snižovány jak funkce produkční tak i mimoprodukční. Požáry do jisté míry ovlivňují druhové složení lesa, zpravidla větší potenciál k přežití požáru a následnému zmlazení mají dřeviny tlustokoré. Při obnově po požáru se zpravidla uplatňují dřeviny slunné. Doba, výskyt a četnost přirozeného zmlazení po požáru je závislá na druhu vegetace, půdě, klimatu, závažnosti požáru, velikosti zasažené plochy a také četnosti s jakou na lokalitě k požárům dochází (Diaz-Delgado et al., 2002)

12

Požáry lze chápat jako disturbanci, která vytváří nový biotop, který je v době krátce po požáru dosti extrémní a postupně se navrací do stavu před ním (Sádlo, 1994). Případně je můžeme také chápat jako událost, která odstraní organismy na dané lokalitě a je vytvořen prostor pro kolonizaci plochy stejného nebo jiného druhu. Intenzita poškození biotopu a tím i intenzita jeho změny je závislá na druhu a rozsáhlosti požáru, druzích dřevin, stáří porostů a dále pak také na způsobu hospodaření (Pfeffer, 1961). Existuje určitý předpoklad, že původní vegetace by se měla na lokalitě zregenerovat. Rychlost této autosukcese je závislá na míře poškození a také na periodicitě požárů v dané lokalitě. V ekosystémech, ve kterých je četnost požáru vyšší než v ČR a opakují se poměrně pravidelně, se původní druhy obnovují během několika let po požáru. Jedná se zejména o středomořské ekosystémy, případně některé oblasti USA, Austrálie atd. V případě že se požár vyskytuje v ekosystému jen výjimečně, stojí na počátku následné sukcese zpravidla druhy pionýrské, které jsou adaptované na extrémní podmínky (Hanes, 1971; Buhka et al., 2006). Výsledná doba sukcese je dále závislá na rozloze požářiště, intenzitě poškození, ekologických podmínkách prostředí, mikroklimatu, reliéfu území, půdě, půdní vodě, obsahu živin a dalších přírodních a klimatických faktorech než dojde k úplnému „vyhojení“ lokality (Sádlo, 1994; Jančová, 2006). Ve vývoji půdy dochází vlivem požárů ke krátkodobému zvýšení dostupných živin v půdě což je způsobeno přeměnou biomasy na popel, dlouhodobě však dochází k jejich vyplavování a půdní povrch je také více ohrožován erozí (Thomas et al., 1999). Na druhou stranu se však v popelu nachází některé toxické látky způsobené nedokonalým spalováním. Dále je dokladován vyšší obsah organické hmoty v půdě na lokalitách po požáru oproti lokalitám které zasaženy nebyly. Množství organických látek je však také ovlivněno geomorfologicky kdy na vrcholu svahu je jich méně než u úpatí což je způsobeno gravitačním odnosem látek dešťovou vodou (Tsitsoni, 1997). Z hlediska systémového hodnocení změn dřevinného porostu přirozenou cestou jsou rozlišovány dva vývojové generační cykly, „malý“ který se odehrává v rámci klimaxu a „velký“ který je charakterizován tzv. sekundární sukcesí. Tento vývojový cyklus má počátek na ploše zbavené dřevinného porostu. Sukcese se zde začíná osidlováním plochy pionýrskými dřevinami a formováním přípravného lesa a pokračuje

13

přes les přechodný až po les závěrečný neboli klimaxový (Míchal et al., 1992). V některých případech požár ovlivní stanoviště natolik, že postupným vývojem nedojde k vytvoření klimatického klimaxu ale k vytvoření specifického „ohňového klimaxu“ čímž

je

zvyšována

celková

diverzita

společenstev

v

krajině

(Laštůvka

et Krejčová, 2000). Jedním z charakteristických rysů ploch zasažených rozsáhlými požáry je nedostatek semen případně vegetačních orgánu schopných rozmnožení. Počáteční průběh sukcese závisí na tom které druhy jako první danou lokalitu osídlí. Semena případně výtrusy musí při osidlování plochy odolávat toxicitě substrátu a snášet sucho (Sádlo, 1994). Jančová (2006) uvádí, že obnova dřevin po požáru se zpravidla děje několika způsoby, první varianta je obnova pomocí semen vyprodukovaných jedinci kteří požár přežili případně nalétnutí semen z okolních nepoškozených porostů. Další možností je obnova pomoci kořenové výmladnosti dřevin s nepoškozeným kořenovým systémem nebo růstem výhonků z různých částí dřevin padlých na zem. U dřevin rostoucích v oblastech s častým výskytem požáru se vyvinuly adaptace umožňující přežití požáru případně usnadňující rozmnožování. Tyto adaptace v podobě tlusté borky k ochraně kambia nacházíme např. u středomořských stálezelených listnáčů jako jsou Quercus ilex, Quercus suber, Quercus coccifera. Tyto duby mají kromě toho i spící pupeny, které zajišťují znovu vyrašení v případě poničení vnější části stromu ohněm. Dále je možné podobné adaptace nalézt u řady druhů rodu Pinus sp. či Sequoia sp. U některých druhů borovic došly tyto adaptace tak daleko, že pro úspěšné otevření všech nebo jen části šišek je nutné aby na lokalitě proběhl požár přičemž zvýšená teplota způsobí následné vysemenění. Tato vlastnost se nazývá serotinie a nacházíme ji např. U Pinus halepensis, Pinus brutia, Pinus contorta, Pinus banksiana a některé další (Hoření, 2004; Meyer, 2001).

14

3.2 Monitoring požárů a následných změn ekosystémů s využitím dat DPZ 3.2.1 Detekce požárů První věc, ke které je možné DPZ využít v souvislosti s požáry je monitoring nově vzniklých požárů. Při tom nachází uplatnění družicová data. K praktickému využití těchto dat pro monitoring požárů došlo až v posledním desetiletí i když myšlenka vznikla již po vypuštění prvních satelitů na oběžnou dráhu. Praktické využití nachází tato metoda zejména na území s vysokým počtem rozsáhlých lesních požárů případně s velkým územím pokrytým lesem (Austrálie, Španělsko, Řecko, Kanada, USA). Praktickým příkladem může být americký systém HMS (Hazard Mapping System). Tento systém automaticky zpracovává data z několika družicových systémů, výstupem je online aplikace ze které mohou uživatelé získat okamžitý přehled o detekovaných požárech (Mišurec a Štefanová, 2009). Současné metody detekce požárů mohou být rozděleny do dvou skupin, detekce aktivních požárů a detekce ploch po požáru. Metody detekce aktivních požárů jsou založeny na možnosti detekovat abnormální množství vyzařované tepelné energie která vzniká

při

hoření.

Tato

energie

se

na

satelitních

snímcích

pořízených

ve středním-infračerveném (3.55–3.93 μm) spektrálním pásmu projevuje jako tzv. hotspots. Nejčastěji se používá radiometr AVHRR (Advanced Very High Resolution Radiometer) nesený na družicích NOAA, případně MetOp (Randriambelo et. al., 1998). Druhá skupina je založena na změnách vegetačních indexů . Zelená vegetace má obecně vysoké hodnoty odrazivosti v blízkém infračerveném pásmu a nízké ve viditelné červené části spektra. Po požáru však dochází k úbytku zelené vegetace v závislosti na jeho síle. Což je možné pozorovat na satelitních snímcích pomocí vegetačních indexů. Vegetační indexy jsou robustními empirickými mírami, které nejen mapují výskyt vegetace v jednotlivých pixelech, ale také její množství a stav (Bannari et al., 1995). Obě tyto skupiny v sobě kombinuje algoritmus HANDS. Detekce aktivního požáru případně plochy po požáru je založena na řetězci na sebe navazujících podmínek které musí být splněny, algoritmus dále využívá data ze dvou po sobě jdoucích dní. 15

Pracovní postup lze rozdělit do čtyř částí: 1) Odpovídající příprava dat – ortorektifikace, atmosférické korekce 2) Detekce hotspots 3) Detekce ploch po požáru 4) Konečné potvrzení K detekování hotspots a ploch po požáru je používáno pevných prahových hodnot jednotlivých kroků algoritmu. Pro závěrečné potvrzení jsou využívána data z předchozího dne. Kdy například pro potvrzení pixelu jako plochy po požáru musí být daný pixel předchozí den detekován jako hotspots. A stejně tak pixel detekovaný jako hotspots musí být na datech z předchozího dne identifikován jak potencionální požárový pixel za pomoci VI. Tímto je je omezena nesprávná klasifikace pixelů, kdy jako hotspots mohou být klasifikovány plochy rozpálené sluncem, vysoce odrazivá oblačnost, glintový jev. Případně kdy by jako plochy po požáru byly označeny např. plochy po těžbě (Pu et. al., 2004). 3.2.2 Monitorování průběhu požáru Další činností při které je v souvislosti s požáry možné využít DPZ je jejich monitorování. Požadovanými výstupními informacemi při monitorování požárů jsou: aktivní oblast hoření, teplota požáru, intenzita hoření a fronta požáru (oblast, kde dochází k jeho rozšiřování). K monitorování dynamických jevů jako jsou požáry, které se za určitých podmínek mohou šířit rychlostí až několik desítek kilometrů v hodině, je potřeba pravidelně aktualizovaná časová sekvence snímků. K tomu je využíváno geostacionárních satelitů, nicméně tyto senzory v současné době neposkytují nejdetailnější informace (Calle a Casanova, 2012). Z uvedeného omezení vyplývá, že jejich použití je možné pouze u požárů velkého měřítka. Pro určování charakteristik požáru na úrovni pixelů je možné použít například Dozierovu metodu (1981). Tato metoda umožňuje zjistit teplotu požáru a oblast která hoří současně. Metoda je založena na soustavě rovnic při jejichž výpočtu je využíváno údajů ze středního infračerveného pásma (MIR) a termálního pásma (TIR), dále je vzata do úvahy teplota povrchu který obklopuje daný pixel pro nějž je soustava rovnic

16

počítána. Výsledky této metody mohou být ovlivněny složkou odrazivosti povrchu kterou obsahuje MIR pásmo, toto může být eliminováno použitím snímků pořízených v noci. Případně porovnáním dvou snímku pořízených za slunečního svitu. Tuto metodu upravil Giglio a Kendall (2001). Upravený systém rovnic bere v potaz sluneční odraz, atmosferické efekty a podmínky vyzařování, které ovlivňují hodnoty jichž nabývají pixely v MIR pásmu. Kaufmann et. al., (1998) dále upravil tuto metodu tak že je možné rozeznat nejen pixely na kterých je zachycen plamen požáru, který je rozeznatelný vysokou teplotou hoření od pixelů ostatních, ale je možné rozeznat i pixely s doutnajícím povrchem. Tyto pixely jsou charakterizovány teplotou vyšší než požárem nezasažený povrch a zároveň mnohem nižší než pixely na kterých je zachycen intenzivní proces hoření. Autoři v této práci dále navrhli rovnic pro zjištěné intenzity hoření

(Free

Radiation

Power)

z

dat

poskytovaných

senzorem

MODIS

(Moderate-resolution Imaging Spectroradiometer).

FRP = 4,34 * 10-19 * (T8MIR – T8MIR, b) Kde FRP znamená intenzitu hoření v MW, TMIR je teplota zjištěná z jasu dotčeného pixelu a TMIR, b je teplota okolních pixelů. Z intenzity hoření požáru a délky trvání je dále možné matematicky odvodit další charakteristiky jako je například množství spáleného materiálu nebo množství látek uvolněných do atmosféry. 3.2.3 Posuzování škod způsobených požárem Při posuzování škod způsobených požárem odpadá potřeba tak vysoce aktuálních dat jako při monitorování průběhu požáru. Zpravidla je tak možné využívat data z různých zdrojů (družicové i letecké snímky) pořízená v delším časovém období. V některých případech je vhodné používat data získaná s delším časovým odstupem od požáru jelikož je možné, že některé poškození se projeví až za delší dobu. Jedná se například o postupné odumírání požárem málo poškozených stromů, které se na datech pořízených krátce po požáru mohou jevit jako zelené. Posuzováním škod způsobených požárem se zabývali např. Ruecker a Siegert (2000) kteří mapovali škody způsobené požárem ve východním Kalimantanu (Indonésie). Autoři při práci použili sérii snímků získanou ze třech družic na sousedních oběžných drahách ve třech různých termínech. A to v srpnu 1997 (před požárem), dubnu 17

1998 a červenci 1998 (po požáru). Vzhledem k technickým potížím byly použité snímky z dubna 1998 pořízeny pouze jednou družicí. Všechna data byla ortorektifikována a převzorkována na velikost pixelu 25 m. V první fázi byla provedena analýza PCA (Principal Component Analysis) na jejímž podkladě byla pomocí vizuální interpretace vytvořena mapa požárem zasaženého území v měřítku 1:200 000. Stupeň poškození byl hodnocen pomocí spektrální analýzy. V závislosti na typu vegetačního pokryvu a výši poškození byly rozlišeny čtyři třídy. Do třídy 1 byly zasaženy plochy kde bylo poškozeno 25 až 50 % vegetace, ve třídě 2 bylo poškozeno 50 až 80 % vegetace, ve třídě 3 bylo poškozeno přes 80 % vegetace a většina mrtvé vegetace shořela (typicky člověkem vysoce ovlivněné lesy a travnaté plochy). Ve čtvrté třídě bylo poškozeno rovněž přes 80 % vegetace ale na rozdíl od třídy 3 se jedná o rašelinné lužní lesy ve kterých ale většina vegetace neshořela ale zůstala na ploše v podobě souší což způsobuje vysoké riziko požáru do budoucna. Výsledná přesnost klasifikace byla při rozlišování požárem zasaženého od nezasaženého přes 90 %, při klasifikaci do tříd dle stupně poškození však přesnost nedosahovala ani 70 %. Mallinis et. al. (2010) se zabývají porovnáním přesnosti klasifikace mezi objektovou a pixelovou klasifikací při mapování požářišť s využitím satelitních snímků. Byla použita data ze tří snímačů IKONOS, ASTER, MODIS. Tato data byla získána během července až září 2007, tedy v rozmezí od několika dnů až po téměř dva měsíce po požáru který vypukl 28. června v NP Parnitha v Řecku. Před vlastní klasifikací byla provedena korekce atmosferických jevů a data byla ortorektifikována. Dále bylo převzorkováno pásmo SWIR (Short-wavelength infrared) ze snímače ASTER na prostorové rozlišení 15 m a pásmo VNIR (Visible and near-infrared) ze snímače MODIS na prostorové rozlišení 500 m. Objektová klasifikace byla provedena v softwaru Definiens Professional, kdy v prvním kroku jsou jednotlivé pixely párově spojovány do větších celků, při čemž je cílem aby heterogenita těchto celků byla co nejmenší, klasifikace spojených oblastí do tříd je prováděna až jako druhý krok. Pro klasifikaci per-pixel byl použit algoritmus maximální pravděpodobnosti, a byly rozlišeny 4 třídy, tedy plochy po požáru, zdravá vegetace, holá půda (přirozeně bez vegetace) a stín. Oba uvedené postupy byly aplikovány na data ze všech tří snímačů. Přesnost byla hodnocena pomocí referenčních dat a výsledné přesnosti byly mezi sebou porovnány za pomocí párového statistického testu. Autoři uvádí že, na žádných datech 18

nebyl nalezen statisticky významný rozdíl mezi pixelovou a objektovou klasifikací a dále že výsledná přesnost klasifikace při použití dat ze snímače LANDSAT a ASTER je srovnatelná (přes 90 %) na rozdíl od klasifikace provedené na datech ze snímače MODIS kdy bylo dosaženo přesnosti pod 90 %. 3.2.4 Hodnocení vegetace po požáru Důležitá veličina při hodnocení požárů a jejich vlivu na krajinu z lesnického hlediska je také množství přirozeného zmlazení dřevin a rychlost obnovy lesa na lokalitě po požáru. Hodnocením hustoty přirozeného zmlazení se zabýval např. Potter et. al. (2012). Autoři se v této práci zabývají hodnocení hustoty jedinců borovice pokroucené (Pinus contorta) na plochách po požárech v Yellowstonském NP které vznikly během roku 1988. Byla použita hyperspektrální družicová data pořízená senzorem AVIRIS 25. září 2006. Prostorové rozlišení bylo 17 m a data obsahovala 224 na sebe navazujících pásem. Datum bylo zvoleno záměrně z důvodu, že bylinný podrost již nebude na snímcích vykazovat všechny znaky zelené vegetace na rozdíl od přirozeného zmlazení borovice. Pro modelování hustoty přirozeného zmlazení bylo v první fázi vypočteno deset nejpoužívanějších vegetačních indexů. Tyto indexy byly kombinovány pro vytvoření čtyř vícenásobných regresních modelů s co největší přesností. Pro porovnání výsledků bylo v roce 2007 založeno 186 porovnávacích ploch o poloměru 17m na plochách zasažených požáry v roce 1988. Na každé ploše byly spočítáni jedinci borovice pokroucené přičemž jedinci menší než 25 cm započítáváni nebyli. Na 76 plochách kde byla hustota zmlazení příliš velká byl počet jedinců zjišťován pouze v kruhu o poloměru 5 m a následně byl tento počet přepočten na velikost kruhu s poloměrem 17 m. Dalších 6 ploch bylo založeno v roce 2008, což vedlo k celkovému počtu 192 ploch. Všechny plochy byly zaměřeny pomocí GPS s přesností vyšší než 2 m. Pro zjištění přesnosti klasifikace bylo náhodně vybráno 96 ploch. Nejlepších výsledků, korelační koeficient 0,83, dosahoval multiplikativní regresní model při použití vegetačních indexů SR (Simple Ratio), VOG1 (Vogelmann Red Edge Index 1) a NDVI1705 (Red Edge Normalized Difference Vegetation Index). Stejné přesnosti bylo také dosaženo při použití vegetačních indexů EVI (Enhanced Vegetation

Index),

ARVI

(Atmospherically

Resistant

NDNI (Normalized Difference Nitrogen Index) a NDVI. 19

Vegetation

Index),

Dalším kdo se zabýval tímto tématem je Veraverbeke et. al. (2012). Tato práce se zabývá hodnocením sukcese vegetace po rozsáhlých lesních požárech které v roce 2007 sužovaly Peloponéský poloostrov v Řecku. A také se zde autoři zabývají porovnáním použitých vegetačních indexů. V létě 2010 bylo provedeno polní měření ručním spektrometrem pro identifikování průběhu spektrálních křivek jednotlivých tříd. Toto měření probíhalo vždy za jasného, slunečného dne, jednu hodinu před polednem. Dále bylo zaměřeno a oklasifikováno 78 pruhových transektů pro pozdější hodnocení přesnosti klasifikace.

K hodnocení vegetace byla použita data pořízená satelitem

Landsat TM v červenci 2010. Tato data s prostorovým rozlišením 30 m byla před započetím prací georeferencována, dále byly provedeny atmosferické korekce a také byly korigovány světelné efekty způsobené geograficky. Autoři uvádí že výsledky založené na spektrálních charakteristikách měřených in situ v prostředí s homogenním typem vegetace SAVI (Soil-Adjusted Vegetation Index) předčí NDVI. Avšak NDVI je přesnější

v

prostředích

s

heterogenními

vrstvami

vegetace

vyskytujícími

se na stejném půdním druhu. Nejvyšší koeficient korelace dosažený mezi NDVI vypočteným na základě snímku Landsat a transekty byl 0,68. Autoři jako trend, který lze zobecnit, doporučují pro hodnocení vegetace po požáru používat NDVI jelikož jeho normalizační vlastnost minimalizuje vliv vegetační variability na odhad pokryvu půdy. Cuevas-González et. al. (2009) se zabývali studiem dynamiky růstu vegetace po požáru za použití časové série snímku na střední Sibiři. Další otázka, kterou si autoři kladou, je zda je dynamika růstu vegetace na ploše po požáru ovlivněna tím, jaký druh vegetace se zde nacházel před požárem. Zkoumané časové období je celkem dlouhé 16 let a zahrnuje dva roky před požáry, rok ve kterém požáry probíhaly a 13 let po požárech. Ke zkoumání vegetace byly použity vegetační indexy NDVI a NDSWIR (Normalized Difference Shortwave Infrared Index) odvozené z dat získaných snímačem MODIS neseným satelitem Terra. Zkoumaná vegetace byla rozdělena do dvou typů, stálezelené jehličnaté lesy a opadavé jehličnaté lesy. Výsledky indikují, že při porovnání s nespálenou plochou oba VI potřebují delší čas než 13 let, aby se vrátily na srovnatelné hodnoty. Přičemž po 13 letech se více blíží hodnotám před požárem NDVI. Výsledky také naznačují rozdíly v rychlosti návratu k původním hodnotám VI mezi oběma typy lesa, kdy opadavé jehličnaté lesy vykazují návrat rychlejší než stálezelené jehličnaté lesy. 20

3.3 Teorie klasifikace 3.3.1 Předzpracování dat První operace po získání dat je zpravidla jejich předzpracování (záleží na poskytovateli a objednávce v jakém stavu dodá data). Jako první se provádí korekce radiometrických, geometrických a atmosférických vlivů a chyb, které vznikly při pořizování dat. V další fázi probíhá zvýraznění obrazu. Jedná se vlastně o vytvoření nového obrazu, který obsahuje pozměněnou informaci například zvýšením kontrastu nebo zvýrazněním hran (Krůček, 2012). Zvýrazněním obrazu se snažíme získat větší informační hodnotu. Zvýrazňovací techniky můžeme rozdělit na prostorové a bodové (Jensen, 1986). Prostorové techniky zvyšují hodnotu pixelu v závislosti na hodnotách okolních pixelů. Naopak techniky bodové zvyšují hodnotu pixelu nezávisle na hodnotách okolních pixelů. Techniky zvýraznění mohou být prováděny pouze na jednom pásmu při použití

monochromatického

obrazu,

nebo

na

jednotlivých

komponentách

multispektrálního obrazu. Mezi bodové techniky patří prahování a zvýraznění kontrastu. Do technik prostorových řadíme Fourierovy transformace a prostorové filtrace. Při požadavku na zvýraznění více pásem najednou je používáno spektrální zvýraznění. Obecně rozdělujeme filtry na nízkofrekvenční a vysokofrekvenční. Při použití nízkofrekvenčního filtru se ztrácí ostré detaily a naopak při použití vysokofrekvenčního filtru ostré detaily vystupují, jako například koruny stromů (Gabzdyl, 2006). V této fázi je také zpravidla prováděna transformace původních pásem multispektrálního obrazu do pásem nových. 3.3.2 Vlastní klasifikace obrazu Obecně se dá klasifikace popsat jako zařazení pixelů do tříd reprezentujících jednotlivé druhy povrchu, které se na obraze vyskytují podle spektrálních vlastností daného pixelu. Podle postupu, který je použit, existuje několik rozdělení klasifikací. Jako první může být uvedeno rozdělení na klasifikace řízené a neřízené. Neřízená klasifikace je založena na shlukování pixelů do tříd dle jejich spektrálních vlastností, uživatelem je zpravidla definován počet tříd které mají být v obraze 21

identifikovány případně minimální množství pixelů pro vytvoření jedné třídy (Eastman, 2006). Neřízená klasifikace bývá také používána před klasifikací řízenou pro zjištění zda se v obraze nevyskytuje některá třída se kterou nebylo uvažováno. Při řízené klasifikaci je v prvním kroku uživatelem definován počet tříd a dále jsou vybrány tzv. trénovací množiny pixelů ze kterých je vytvořena spektrální charakteristika pro každou definovanou třídu. Při vybírání pixelů do trénovacích množin by mělo být dodržováno několik pravidel (Campbell, 1996): - Dostatečný počet pixelů pro každou třídu - Vhodná velikost trénovacích ploch, příliš velké plochy snižují homogenitu dané třídy. - Vhodné umístění, tak aby nebyly do trénovacích ploch zahrnuty pixely obsahující smíšenou spektrální informaci - V rámci možností pravidelné rozmístění po ploše Hixon et al. (1980) uvádí, že definování vhodných trénovacích ploch ovlivní výsledek klasifikace mnohem více než zvolený klasifikátor. Ve druhém kroku jsou pixely zařazovány do tříd na základě spektrálních vlastností

za

použití

klasifikátorů.

Klasifikátory

mohou

být

popsány

jako

matematicko-statistické algoritmy které zařazují pixely do definovaných tříd. Obecně se klasifikátory dělí na měkké a tvrdé. Měkké klasifikátory, nepřiřazují každý pixel do jednotlivé třídy ale pixel nabývá takové hodnoty s jakou pravděpodobností patří do dané třídy. Výstupem při jejich použití je tedy tolik obrazů kolik bylo uživatelem definováno tříd. Jejich výhodou je snadná identifikace pixelů které nemají spektrální vlastnosti charakteristické pro tu kterou třídu ale jsou pixely smíšenými (Misáková, 2009). Mezi měkké klasifikátory se řadí např.: Bayesovský

klasifikátor

–

tento

klasifikátor

umožňuje

vypočítávat

pravděpodobnost příslušnosti pixelu k dané třídě z různých hledisek. Jedním z těchto hledisek může být předpokládaná pravděpodobnost výskytu určité třídy v obraze která koreluje s jejím zastoupením. Jiné hledisko může hodnotit důsledky špatného zařazení pixelu přičemž vysokou váhu mají třídy pro které je vyžadována nejvyšší přesnost. Za nevýhodu je možno považovat, že pro zjištění hledané pravděpodobnosti musí být pravděpodobnost dopředu (a priori) stanovena uživatelem, což může být značně 22

problematické. V praxi se proto pro zjištění pravděpodobnosti stanovené uživatelem v první fázi používá některý z tvrdých klasifikátorů. Výsledná přesnost závisí na přesnosti stanovení vah pro jednotlivé třídy a také kvalitě trénovacích dat (Dobrovolný, 1998) Princip neurčitosti (Fuzzy logic) – je souhrnné označení pro skupinu algoritmů které nejsou v každém kroku přesně definované a umožňují pracovat s určitou mírou neurčitosti (Dobrovolný, 1998). Tvrdé klasifikátory naopak pixel striktně přiřadí do určité třídy, mezi ně se například řadí: Klasifikátor maximální pravděpodobnosti (maximum likelihood) – Spektrální vlastnosti některých tříd se mohou částečně překrývat. Tento klasifikátor kvantitativně hodnotí jak rozptyl hodnot, tak korelaci a kovarianci každé třídy při zatřiďování neznámého pixelu (Dobrovolný, 1998). Znamená to tedy, že pixel, který se nachází v příznakovém prostoru obou tříd, bude zařazen do té třídy jejímž průměrným vlastnostem je blíže. Klasifikátor pravoúhelníků (parallelepiped) – jednoduchý klasifikátor zařazuje pixely do tříd dle intervalu spektrálních vlastností dané třídy případně případně může být definována průměrná hodnota dané třídy ± směrodatná odchylka. Nevýhodou je překrývání spektrálních vlastností tříd které tento klasifikátor neřeší Klasifikátor minimální vzdálenosti (minimum distance) – Při použití tohoto klasifikátoru je pixel vždy jednoznačně zařazen do té třídy, jejímž průměrným spektrálním vlastnostem je nejblíže. Nevýhodou je klasifikování i těch pixelů které jsou velmi vzdálené všem definovaným třídám. Klasifikátor nejbližšího souseda (nearest neighbour) - pixel je hodnocen nejen pomocí vzdálenosti od průměrných spektrálních vlastností určité třídy, ale i podle spektrálních vlastností okolních pixelů. Algoritmus vyhledá ke klasifikovanému pixelu určitý předem stanovený počet (K) nejbližších pixelů v analyzovaném příznakovém prostoru bez ohledu na trénovací množiny. Pixel je potom zařazen do té třídy, která v množině K sousedů převažuje (Devijver a Kittler, 1982).

23

Druhé rozdělení klasifikací je na pixelové a objektové. Při pixelové klasifikaci je každý pixel při zařazování do tříd uvažován samostatně. Objektová klasifikace zahrnuje v první fázi vytvoření objektů ze vzájemně sousedící pixelů, které představují sledovaný objekt. Toto je prováděno na základě stejných nebo podobných spektrálních vlastností, jasu, tvaru nebo textury. Mezi metody segmentace patří např. prahování, rozdělení a spojování, sledování hran, vyplňování oblastí (Kadavý et al., 2000; Gavers et al., 1994; Ma et al., 1997). Klasifikace vegetace na datech DPZ je založena na odlišném průběhu spektrální křivky vegetace zejména v pásmech viditelného červeného záření nabývá hodnoty velmi nízké a naopak v pásmu NIR nabývá hodnot velmi vysokých (obr. 1). Obecně při klasifikaci platí, že čím víc pásem použijeme k charakterizování objektu, tím větší bude pravděpodobnost, že daný objekt nebo jev bude zaujímat v příznakovém prostoru takovou polohu, která ho bude odlišovat od jiných objektů (Dobrovolný, 1998).

Obr. 1: Modelový průběh spektrální křivky zelené vegetace ve viditelné části spektra (blue, green, red) a v blízké infračervené (NIR). Převzato z Campbel, 1996.

24

Na odlišném průběhu spektrální křivky v pásmech RED a NIR je také založen princip používání vegetačních indexů. Tyto indexy slouží k mapování vegetace a také k určování jejího zdravotního stavu. Obecné rozdělení je na poměrové vegetační indexy, které dávají do vztahu jednoduchým nebo normalizovaným poměrem odrazivost povrchů v červené viditelné a blízké infračervené části spektra a distanční kde je třeba k výpočtu rovnice přímky, tzv. půdní linie (Misáková, 2009). Mezi nejčastěji používané poměrové indexy se řadí:

RVI – Jednoduchý poměrový vegetační index (Ratio Vegetation Index): RVI =

NIR R

- Nevýhodou tohoto indexu je, že od určité hustoty vegetace (vysoká hodnota LAI) jeho hodnota zůstává konstantní (Tucker, 1979).

NDVI - Normalizovaný diferenční vegetační index (Normalized Difference Vegetation Index): NDVI =

NIR−R NIR+ R

- Tento index silně koreluje s obsahem zelené hmoty v pixelu. Jeho hodnoty se pohybují v intervalu [-1,+1], ovšem při vysokém indexu LAI má stejnou nevýhodu jako výše uvedený index RVI (Tucker, 1979)

SAVI – Soil Adjusted Vegetation Index - Tento index minimalizuje rušivý vliv půdy, ale je poměrně citlivý na atmosferické vlivy.

25

ARVI - Atmospherically Resistant Vegetation Index - Je modifikací SAVI, pro potlačení vlivu atmosferického rozptylu na červené pásmo je při jeho výpočtu používáno modré pásmo viditelného záření. Tento index je často používán v oblastech kde se v atmosféře nachází velké množství drobných částic např. po požárech (Kaufman et Tanré, 1992).

EVI – Vylepšený vegetační index ( Enhanced Vegetation Index) - Byl vyvinut pro hodnocení vegetace v oblastech kde je LAI velmi vysoký, k jeho výpočtu je využíváno modré, červené a blízké infračervené pásmo (Huete et al., 2002).

Red Edge Normalized Difference Vegetation Index - Je modifikací klasického indexu NDVI používaný na hyperspektrálních snímcích kdy pro jeho výpočet jsou použita pásma na okraji červeného záření. Tyto pásma jsou velmi citlivá na malé změny v obsahu zeleně (Sims et Gamon, 2002).

Dalšími druhy VI jsou indexy ortogonální které počítají lineární kombinace mezi pásmy a indexy distanční které k výpočtu používají rovnici přímky tzv. půdní linie. Mezi tyto indexy

řadíme například PVI - Kolmý index vegetace (Perpendicular

Vegetation Index) kdy výsledná hodnota indexu reprezentuje vzdálenost zeleně od země. Případně Tasseled Cap který přepočítává původní spektrální pásma obrazu na nové vhodnější pro mapování vegetace (Crist et Kauth, 1986).

26

3.3.3 Hodnocení přesnosti klasifikace Na závěr každé klasifikace je nutné provézt zhodnocení její přesnosti. Dle Lillesand et Kiefer (1994) žádná klasifikace není ukončena dokud není zhodnocena její přesnost. Za chybu je považováno když daný pixel je při klasifikaci zařazen do jiné třídy než kterou skutečně reprezentuje. Dobrovolný (1998) tvrdí, že možnosti vlastní klasifikace stále přesahují možnosti jejího hodnocení. Pro chyby v klasifikaci zpravidla platí následující (Campbell, 1996): a) chybně klasifikované pixely se v obraze nevyskytují náhodně ale mají určité prostorové uspořádání b) chybně klasifikované obrazy jsou spojeny jen s některými třídami c) chybně klasifikované pixely se nevyskytují náhodně ale ve skupinách d) chybně klasifikované pixely se vyskytují jen na některých částech klasifikovaných ploch Pro zjištění přesnosti klasifikace je možné použít několik způsobů. První možností je testování shody v zatřídění pixelů použitých k natrénování množin, tento způsob ovšem není příliš objektivní. Druhou možností je porovnání klasifikace s referenčními daty. Sběr těchto dat je možné provádět přímo v terénu, což bývá časově velmi náročné případně je možné manuálně oklasifikovat množinu náhodně generovaných bodů v obraze. Výstupem hodnocení přesnosti klasifikace je potom zpravidla chybová matice. V této matici odpovídá počet sloupců a řádků počtu klasifikovaných tříd. Na hlavní diagonále se nachází počet správně zařazených pixelů pro danou třídu. Počty pixelů mimo hlavní diagonálu představují chyby. Přičemž ve sloupcích jsou pixely které danou třídu představují ale nebyly do ní zařazeny, tyto pixely tvoří tzv. chybu z opomenutí. V řádcích se nalézají pixely které bylo do dané třídy zařazeny nesprávně a tvoří chybu z nesprávného zařazení. Stejně jako na chyby vzniklé při klasifikaci je možné dvojím způsobem nahlížet i na výslednou přesnost. Prvním způsobem je přesnost z hlediska uživatele, jedná se vlastně o pravděpodobnost udávanou v procentech s jakou daný pixel skutečně reprezentuje třídu do které byl zařazen. Druhou možností je přesnost z hlediska zpracovatele, kdy je procenticky vyjádřeno množství správně zařazených 27

pixelů dané třídy. Výsledná celková přesnost klasifikace je procentické vyjádření počtu všech správně klasifikovaných pixelů vůči všem porovnávaným pixelům. (Dobrovolný, 1998; Campbell, 1996) Další možností pro vyjádření přesnosti klasifikace je použití tzv. Kappa koeficientu (k). Tento koeficient ukazuje kolika procentům chyb jsme předešli oproti použití čistě náhodné klasifikace. Jeho výpočet vychází z předpokladu, že i při čistě náhodném zařazování pixelů do tříd jich bude určité procento zařazeno správně. Zjednodušeně lze k vyjádřit takto: k=

Pd −Pn 1−Pn

Kde: Pd je přesnost námi dosažená a Pn je přesnost dosažená při náhodné klasifikaci (Dobrovolný, 1998)

28

4

POPIS ZÁJMOVÉHO ÚZEMÍ 4.1 Administrativně – správní zařazení lokality Zájmové území – lokalita zvaná Havraní skála se nachází nedaleko obce

Jetřichovice v severozápadních Čechách na území Národního parku České Švýcarsko. Celá lokalita spadá do katastru obce Jetřichovice, okres Děčín, Ústecký kraj.

4.2 Geomorfologické poměry Geomorfologicky je zájmové území řazeno do Krušnohorské subprovincie, oblasti Krušnohorská hornatina, celku Děčínská vrchovina, podcelku Jetřichovické stěny (Czudek et al., 1972). Celé požářiště se nachází ve členitém terénu v okolí Havraní (Krkavčí) skály, od níž se směrem na sever táhne pozvolna klesající hřeben, svahy spadající do ostatních světových stran mají podstatně prudší sklon. Nadmořská výška se pohybuje od 275 m.n.m v jižní části až po vrchol Havraní skály který je v 393 m.n.m. Terén na lokalitě je členitý s množstvím vystupujících skalních výchozů a skalních bloků tvořených pískovcem.

4.3 Geologické poměry Matečná hornina na zájmovém území je tvořena kvádrovými (Turonskými) pískovci (Klein et al., 1967). Celá oblast je nejsevernější součástí České křídové tabule. Skalní masivy na území NP ČŠ vznikaly zhruba před 90 miliony let v křídovém období druhohor kdy bylo toto území zaplaveno mořem. Při neustálém poklesu mořského dna se zde usadila přes 1000 m mocná vrstva hornin jejíž střed tvořilo 350 až 420 m mocné těleso pískovců. To se uložilo z geologického hlediska v poměrně krátké době 3 mil. let a pokrývá velkou část území NP ČŠ. V terciéru probíhala vulkanická činnost jejímž důsledkem bylo rozlámání pískovcové desky množstvím zlomů. Tyto zlomy byly následně zpevněny bazaltickými horninami které tvoří nevelká podpovrchová tělesa (Valečka, 2000).

29

4.4 Pedologické poměry Nejčastěji se na území NP ČŠ nachází půdní typ podzol, subtypy modální, arenické nebo litické. V suťových polohách, na zvětralinách pískovců je častým půdním typem ranker, subtyp modální nebo suťový. Dále se na některých místech vyskytují modální litozemě případně na nezpevněném písčitém substrátu regozemě (Härtel et al. 2007). Dle Němečka et al. (2001) se na lokalitě nacházejí podzoly arenické, případně podzoly liticko arenické, v nedávné minulosti disturbované písčité povrchy pokrývaly regozemě dystrické.

4.5 Klimatické poměry Dle klimatického členění ČR (Quitt, 1975) patří lokalita do oblasti mírně teplé MT7. Nejbližší meteorologická stanice zaznamenávající údaje o teplotě je stanice Děčín (Březiny – Libverda). Ta vykazuje za roky 1901 až 1950 průměr 8,3 °C, za roky 1961–90 průměr 9,0 °C. Průměrný počet mrazových dní vykazovaných touto stanicí za uvedené období je 83,5 dne v roce. Tento počet ale může výrazně kolísat díky mikroaž mezoklimatickým poměrům v extrémních polohách lišit. Příkladem může být klimatická inverze ve skalních městech a v zaříznutých kaňonovitých údolí vodních toků (Härtel et al., 2007). Pro celou oblast je typické relativně oceánický charakter klimatu, který se projevuje ve výskytu řady atlantských a subatlantských druhů (Härtel et al., 2007). Dlouhodobý srážkový průměr je 800 mm. Převládající směr větru je západní. Na celém území je typická klimatická inverze, kdy se studený vzduch hromadí na dně roklí, kde rostou chladnomilné podhorské a horské druhy, a na výše položených skalách se vyskytují teplomilná společenstva (Vachoušková, 2007).

30

4.6 Vegetační poměry Dle fytogeografického řazení se NP ČŠ nalézá na styku hercynské a sudetské oblasti s velmi významným vyznívání oceánického klimatu. Zájmová lokalita patří do okresu Jetřichovické skalní město, okresu Labské pískovce, fytogeografického obvodu Česko-moravské mezofytikum. Podle bioregionální diferenciace spadá lokalita do Hercynské

podprovincie,

Děčínský

bioregion

(Culek,

1996). Významným

limitačním faktorem z vegetačního hlediska je typická mikro- až mezoklimatická inverze, která umožňuje výskyt sub/montánních druhů, např. vrance jedlového (Huperzia selago), plavuně pučivé (Lycopodium annotinum), smrku ztepilého (Picea abies), čípku objímavého (Streptopus amplexifolius) či violky dvoukvěté (Viola biflora). Charakteristický je také výskyt rojovníku baheního (Ledum palustre) na vlhkých skalních římsách (Hejný et Slavík, 1988). Dle

členění

dle

Přírodních

lesních

oblastí

se

lokalita

nachází

v PLO 19 – Lužická pískovcová vrchovina, podoblast Děčínská vrchovina 19a (Žlábek et Plíva, 1986). Dle UHÚL (2009) se na zájmovém území nachází tři lesní vegetační stupně, dubobukový, bukový a jedlobukový. Z hlediska potencionální přirozené vegetace patří lokalita do acidofilní bučiny svazu Luzulo-Fagion, asociace biková bučina (Luzulo-Fagetum). S převládajícím bukem lesní (Fagus sylvatica) . V roklích a soutěskách by převládal javor klen (Acer pseudoplatanus), smrk ztepilý (Picea abies), vzácně jedle bělokorá (Abies alba). Bylinné patro je velmi chudé, tvořené obvykle bikou hajní (Luzula luzuloides) či metličkou

křivolakou

(Deschampsia

flexuosa;

Neuhäuslová

et

al.,

1998;

Härtel et Bauer, 2000). V některých polohách se nacházejí reliktní acidofilní bory patřící do svazu Dicrano-Pinion, s převládající borovicí lesní (Pinus sylvestris) a břízou bělokorou (Betula pendula). Tyto reliktní bory jsou však v posledních desetiletích silně vytlačovány vejmutovkou (Pinus strobus; Härtel et. al., 2007). V posledních 250 letech však přirozená vegetace doznala značných změn. Nyní se přirozená vegetace nachází cca na 30% ploch NP ČŠ které jsou vyhlášeny za bezzásahové území. Na ploše zájmové lokality byly před požárem zastoupeny tyto dřeviny: borovice lesní (Pinus sylvestris), borovice vejmutovka (Pinus strobus), smrk 31

ztepilý (Picea abies), dále se na požářišti vyskytoval buk lesní (Fagus sylvatica), dub zimní (Quercus petraea agg.) a jeřáb ptačí (Sorbus aucuparia). V okolí Havraní skály a skalních stěn se vyskytovala bříza bělokorá (Betula pendula) a topol osika (Populus tremula; Jurek, 2009).

4.7 Současný stav Současný stav přirozeného zmlazení uvádí Jurek (2009) ve své diplomové práci, který v roce 2007 uvádí největší zastoupení na trvalých výzkumných plochách (TVP) u borovice lesní (Pinus sylvestris), a to 32 %, dále borovice vejmutovka (Pinus strobus) 0,5%, topol osika (Populus tremula) 28 %, bříza bělokorá (Betula pendula) 20 % a ostatní dřeviny které měli zastoupení 19 %. V roce 2008 bylo zastoupení následující: borovice 22 %, vejmutovka 4,4 %, osika 36 %, bříza 22 % a ostatní 16 %. V roce 2009 se snížilo zastoupení borovice na 16 %, ostatních dřevin na 11 % a vejmutovky na 3 %. Zastoupení osiky zůstalo podobné a to 38 % a zastoupení břízy se zvýšilo na 32 %. Mezi ostatní dřeviny se řadí: vrba jíva (Salix caprea), buk lesní (Fagus sylvatica), dub zimní (Quercus petraea agg.), smrk ztepilý (Picea abies), modřín opadavý (Larix deccidua), habr obecný (Carpinus betulus), olše lepkavá (Alnus glutinosa), jeřáb ptačí (Sorbus aucuparia).

Obr. 2 a 3: Pohled na TVP v roce 2007 vlevo, to samé místo na fotografii z roku 2008 vpravo. Převzato z Král et al., 2012. 32

6

METODIKA 6.1 Použitá data DPZ Pro tuto práci byly použity dvě sady dat pořízených při leteckém snímkování,

obě byly pořízeny v průběhu vegetační sezóny. První sada z roku 2009 obsahovala spektrální kanály RGB a NIR s prostorovým rozlišením 10 cm. Druhá sada z roku 2011 obsahovala pouze snímek z viditelné části spektra (RGB) s prostorovým rozlišením 25 cm. Obě sady snímků byly již předem ortorektifikovány a upraveny. Drobné rozdíly jsou způsobeny rozdílným úhlem snímání.

6.2 Klasifikace Většina práce byla provedena v softwaru ArcMap. V první fázi byl obraz prozkoumán pomocí neřízené pixelové klasifikace pro předběžné zjištění rozlišitelnosti tříd které budou mapovány. Dále byla z obrazu vyjmuta pouze ta část, která byla zasažena požárem z důvodu odstranění okolních pixelů které z velké části reprezentují nezasaženou vegetaci a jejich klasifikace by snižovala přesnost klasifikace přirozeného zmlazení. Na ploše zasažené požárem se také nacházelo několik zdravých korun buků které v první fázi jevily velmi podobné spektrální vlastnosti jako pixely přirozeného zmlazení. Z tohoto důvodu byly pixely vizuálně identifikované jako buky manuálně odstraněny. Obě sady dat byly oříznuty podle stejné šablony vytvořené při odstraňování buků a požárem nezasažených částí.

33

Pro vlastní pixelovou klasifikaci byla vytvořena sada trénovacích množin pro oba hodnocené roky zvlášť. V počátku bylo pomocí klasifikátoru maximální pravděpodobnosti klasifikováno 12 tříd, které pokrývaly odlišnosti ve spektrálních charakteristikách způsobených proměnlivým osvětlením povrchu. Následně byly tyto třídy spojeny do čtyř dle povrchu který reprezentovaly. V obou snímcích byly v konečné fázi rozlišeny tyto třídy: Zmlazení, Stín, Suché koruny a Skála. Posledně jmenovaná třída zahrnuje také plochy pokryté holou půdou. I když se v obraze nachází obě kategorie separátně, z důvodu prakticky stejných spektrálních vlastností, které jsou způsobeny velmi podobným chemickým složením, byly klasifikovány do jedné třídy

6.3 Hodnocení pokryvnosti přirozeného zmlazení Pro hodnocení pokryvnosti byla z klasifikovaného obrazu vytvořena bitmapa kdy pixely klasifikované jako třída zmlazení obdrželi hodnotu 1 a všechny ostatní třídy hodnotu 0. Následně byl použit čtvercový filtr s plovoucím oknem který pro každý pixel vypočítá průměrnou hodnotu z uživatelem definované oblasti. V tomto případě to byl čtverec o straně 1,5 m. Pokryvnost je pak definována jako průměrná hodnota v procentech z čtvercové plochy obklopující každý bod TVP o straně 1,5 m. Tento filtr zároveň upravuje výsledek klasifikace třídy Zmlazení tak aby výsledná mapa neobsahovala šum, co nejvěrněji reprezentovala data a zároveň se neztrácely detaily. Jako další krok byla extrahována hodnota pixelu pokryvnosti přirozeného zmlazení který se nachází na stejných souřadnicích jako bod TVP.

34

6.4 Hodnocení přesnosti klasifikace Pro klasické zhodnocení přesnosti klasifikace byly pro každou sadu dat vygenerovány náhodné body, které byly vizuálně zařazeny do již výše uvedených tříd. Tyto body byly brány jako referenční data a byla s nimi porovnána výsledná klasifikace. To znamená, že u každého náhodně vygenerovaného bodu byla extrahována také hodnota třídy, kterou obdržel pixel na stejných souřadnicích při klasifikaci. Výstupem je potom klasická chybová matice. Pro data z roku 2009 bylo oklasifikováno 416 bodů a pro data z roku 2011 jich bylo klasifikováno 396. Některé body vzniklé při náhodném generování nebyly použity a to ty které se nacházeli příliš blízko okraje mapy. Dále byl ke každé chybové matici vypočten Kappa index dle vzorce (Bishop et al., 1975):

k=

Kde:

( a∗b)−(( c 1∗d 1)+(c 2∗d 2 )+...) ( a∗a)−(( c 1∗d 1)+(c 2∗d 2 )+...)

a = suma všech pixelů v chybové matici b = suma všech správně klasifikovaných pixelů c = suma pixelů v řádku pro danou tříd d = suma pixelů ve sloupci pro danou třídu

Vzhledem k tomu, že software ArcMap neobsahuje modul pro výpočet procentické přesnosti klasifikace a Kappa indexu byly tyto údaje vypočítány pomocí tabulkového procesoru

35

6.5 Referenční data Na požářišti byla v roce 2007 založena čtvercová síť trvalých výzkumných ploch (Jurek, 2009). Vzdálenost mezi body je 30m. Tato vzdálenost mezi body by měla dostatečně pokrýt heterogenitu území. Polohy těchto bodů byly označeny dřevěným kolíkem a také do země zatlučeným krátkým ocelovým roxorem, který je později dohledatelný pomocí detektoru kovů. Jednou z částí TVP je čtvercová plocha, na níž probíhají různá měření. Strany čtverce jsou 1,5 m dlouhá a celková plocha čtverce tak činí 2,25 m². Na ploše čtverce jsou zaznamenávání všichni jedinci všech druhů dřevin a také jsou rozděleni do výškových tříd. • jedinec s děložními listy – semenáček (u jehličnanů bez bočního „pera“) /S/ • výška jedince do 30 cm /30/ • výška jedince 30–60 cm /60/ • výška jedince 60–130 cm /130/ • výška jedince nad 130 cm /N130/, přičemž se jedinec dále rozlišuje na: - jedince s tloušťkou kmene (d 1,3 ) do 10 cm - jedince s tloušťkou kmene (d 1,3 ) nad 10 cm Dále se v každém čtverci zaznamenává pokryvnost substrátu, který je rozdělen do kategorií: minerál (písek promísený s humusem po hašení nebo vlivem svahových procesů, humus, kámen (skála), mechorost, travní drn, deadwood (odumřelé nebo ohořelé dřevo). Mimo to je také každá plocha vyfotografována (Jurek, 2009). Druhou částí TVP je kruhová plocha o poloměru 3m na které jsou zaznamenávání všechny dřeviny (včetně těch uvnitř čtverce) které jsou vyšší než 130 cm. U těchto jedinců je zaznamenáván druh dřeviny a výčetní tloušťka (d1/3). Referenční data pro porovnání byla poskytnuta vedoucím práce.

36

6.6 Porovnání dat Pro porovnání pokryvnosti přirozeného zmlazení zjištěné pomocí DPZ s daty TVP byl vybrán čtverec ve kterém jsou na TVP sčítáni všichni jedinci. V tomto čtverci byli sečteni všichni jedinci dané výškové třídy bez ohledu na druhovou příslušnost a také byli sečteni všichni jedinci celkem. Pro potřeby této práce nebyla uvažována výšková třída semenáčků vzhledem k minimálnímu ovlivnění spektrálních vlastností pixelu ale možnému velkému ovlivnění celkového počtu jedinců. Dále není uváděna třída nad 10 cm d1,3, jelikož se v dané třídě vyskytoval pouze jeden jedinec na záznamu z roku 2009 který byl započítán do třídy do 10 cm d1,3. A na záznamu z roku 2011 se v této třídě nevyskytoval žádný jedinec. Porovnání bylo provedeno pomocí Pearsonova korelačního koeficientu (k) a koeficientu determinace (R²). Tyto koeficienty byly vypočteny pro počet jedinců ve všech výškových třídách v obou letech a také pro počet jedinců celkem. Pearsonův korelační koeficient ukazuje míru korelace dané třídy s pokryvností přirozeného zmlazení zjištěné pomocí DPZ. Koeficient determinace porovnává skutečnost (počet jedinců sčítaných na TVP) s odhadem (pokryvnost). Při porovnání dat z roku 2009 a 2011 mezi sebou byly spočítány změny v ploše pokryté přirozeným zmlazením. Dále je mezi těmito roky porovnávána pokryvnost a počty jedinců. Všechna tato porovnání jsou vztažena buď k ploše a vyjadřují procento pokrytí plochy nebo jsou porovnávány bodové charakteristiky v bodech schodných s body TVP.

37

7. VÝSLEDKY 7.1 Přesnost klasifikace dat z roku 2009 Tab. č. 1 : Chybová matice pro data z roku 2009

Výsledky klasifikace

Referenční data Chyba z Uživatelská nesprávného přesnost zařazení

Zmlazení

Skála

Stín

Suché koruny

Suma

Zmlazení

45

1

0

2

48

93,75%

6,3%

Skála

0

30

0

10

40

75,00%

25,0%

Stín

0

0

19

11

30

63,33%

36,7%

Suché koruny

12

9

1

273

295

92,54%

7,5%

Suma

57

40

20

296

413

78,95%

75,00%

95,00%

92,23%

21,1%

25,0%

5,0%

7,8%

Zpracovatelská přesnost Chyba z opomenutí

Celková přesnost

88,86%

Kappa

0,757

Z chybové matice pro klasifikaci dat z roku 2009 vyplývá, že z celkových 57 pixelů které byly v referenčních datech označeny jako zmlazení jich jako zmlazení bylo klasifikováno 45. Případně také, že tři z celkových 48 pixelů které byly klasifikovány jako zmlazení jím ve skutečnosti nejsou. Celková přesnost klasifikace je téměř 89 % což je ovšem stále pod hodnotou obecně branou jako minimální přesnost pro úspěšnou klasifikaci obrazu tj. 90 %. Výsledná přesnost je ovšem ovlivněna i chybami vzniklými mezi ostatními třídami, například zařazením pixelů třídy Skála do třídy Suché koruny apod. Pokud toto pomineme a sloučíme třídy Skála, Stín a Suché koruny do jedné celková přesnost se zvýší na 96 % (viz. tab. č. 2). Což je dáno zejména vysokou přesností třídy ostatní. Uživatelská přesnost klasifikace je téměř 94 %. Mapa klasifikace obrazu je uvedena na obr. 4. Kappa index indikuje, že oproti náhodné klasifikaci jsme se vyhnuli 76 % chyb při klasifikování všech čtyřech tříd. Při klasifikaci pouze do tříd Zmlazení a Ostatní by to bylo 84 %

38

Tab. č. 2: Chybová matice dat z doku 2009 při klasifikaci pouze do tříd Zmlazení a Ostatní

Výsledky klasifikace

Referenční data Zmlazení Zmlazení 45 Ostatní 12 Suma 57 Zpracovatelská 78,95% přesnost Chyba z 21,05% opomenutí Celková přesnost Kappa

Ostatní

Suma

3 353 356

48 365 413

Uživatelská přesnost 93,75% 96,71%

Chyba z nesprávného zařazení 6,25% 3,29%

99,16% 0,84% 96,36% 0,837

Při zvoleném způsobu hodnocení přesnosti klasifikace je důležité množství referenčních bodů, neboť při malém množství těchto bodů se snižuje statistická průkaznost přesnosti hodnocení a také roste riziko ovlivnění chybou vzniklou při vizuálním zařazování referenčních bodů.

7.2 Přesnost klasifikace dat z roku 2011 Celková přesnost klasifikace dat z roku 2011 byla 84 % tedy o 5 % nižší než přesnost klasifikace dosažená na datech z roku 2009. Z celkových 100 pixelů které tvořily referenční body třídy Zmlazení bylo správně zařazeno 84. Na druhou stranu z počtu 91 pixelů klasifikovaných jako třída zmlazení bylo 7 pixelů klasifikováno špatně a to zejména do třídy Suché koruny. Při porovnání pouze třídy Zmlazení vůči ostatním třídám dohromady byla dosažena celková přesnost klasifikace 94 %. Podle Kappa indexu jsme se vyhnuli 71 % chyb oproti čistě náhodné klasifikaci při klasifikaci do všech čtyřech tříd a 84 % chyb při klasifikaci pouze do tříd Zmlazení a Ostatní (viz tab. č. 5). Celková přesnost klasifikace je o něco nižší než u klasifikace předchozí ovšem přesnosti z hlediska uživatele a zpracovatele u třídy Zmlazení jsou vyrovnanější. Mapa klasifikace obrazu pro data z roku 2011 je uvedena na obr. 5.

39

Tab. č. 4: Chybová matice pro data z roku 2011

Výsledky klasifikace

Referenční data Zmlazení

Skála

Stín

Suché koruny

Suma

Uživatelská přesnost

Chyba z nesprávného zařazení

Zmlazení

84

1

1

5

91

92,31%

7,7%

Skála

2

15

0

26

43

34,88%

65,1%

Stín

3

1

21

11

36

58,33%

41,7%

Suché koruny

11

0

4

212

227

93,39%

6,6%

Suma

100

17

26

254

397

Zpracovatelská přesnost

84,00%

88,24%

80,77%

83,46%

Chyba z opomenutí

16,0%

11,8%

19,2%

16,5%

Celková přesnost

83,63%

Kappa

0,711

Tab. č. 5: Chybová matice dat z roku 2011 při klasifikaci pouze do tříd Zmlazení a Ostatní

Výsledky klasifikace

Referenční data Zmlazení Zmlazení 84 Ostatní 16 Suma 100 Zpracovatelská 84,00% přesnost Chyba z 16,00% opomenutí Celková přesnost Kappa

Ostatní

Suma

7 290 297

91 306 397

Uživatelská přesnost 92,31% 94,77%

97,64% 2,36% 94,21% 0,842

40

Chyba z nesprávného zařazení 7,69% 5,23%

Obr. 4 a 5: Mapy klasifikace obrazu v jednotlivých letech

41

7.3 Porovnání výsledků klasifikace z jednotlivých let Tabulka č. 7 ukazuje rozdíl v plošném zastoupení tříd mezi lety 2009 a 2011. Z tabulky je patrné, že plocha třídy zmlazení se v roce 2011 zvětšila o 4,32 ha což tvoří 33 % z celkové plochy. U třídy Suché koruny byl zaznamenán úbytek o 4,44 ha. Mírný úbytek byl také zaznamenán u třídy Stín a to o 0,40 ha. Naopak v roce 2011 bylo mapováno o 0,53 ha více třídy Skála. Na obrázku 6 jsou znázorněny rozdíly při klasifikaci přirozeného zmlazení mezi jednotlivými roky, viz také tabulka č. 8.

Tab. č. 7: Zastoupení klasifikovaných tříd. Procentické zastoupení je počítáno vždy vůči celkové ploše Třída Zmlazení Skála Stín Suché koruny Suma

2009 ha 1,80 1,22 1,24 8,82 13,08

% 13,80% 9,36% 9,45% 67,39% 100,00%

2011 ha 6,12 1,75 0,83 4,38 13,08

Obr 6: Rozdíl v klasifikaci přirozeného zmlazení 42

% 46,78% 13,42% 6,36% 33,45% 100,00%

Rozdíl ha 4,32 0,53 -0,40 -4,44

% 33,00% 4,01% -3,09% -33,93%

Podrobně jsou změny v mapování jednotlivých tříd popsány v tabulce č. 8, která uvádí posun v klasifikování jednotlivých tříd mezi roky 2009 a 2011. Ve druhém sloupci je znázorněno množství a zastoupení dané třídy v roce 2009. Zatímco v pátém sloupci můžeme vidět kolik procent z dané třídy bylo stejně klasifikováno i v roce 2011, případně jako jaká jiná třída. Z tabulky tak vyplývá, že 73 % třídy Zmlazení v roce 2009 tak bylo klasifikováno i v roce 2011 a 21 % bylo mapováno jako třída Suché. Největší posun byl zaznamenán u třídy Suché kdy 47 % této třídy bylo v roce 2011 klasifikováno jako Zmlazení a také u třídy Stín kdy bylo jako třída Zmlazení klasifikováno 38 %. Vzhledem k celkovému zastoupení třídy stín v obraze to ale tvoří pouze malou část z plochy třídy Zmlazení v roce 2011 na rozdíl od třídy Suché. Nárůst třídy Skála je způsoben tím, že jako tato třída bylo v roce 2011 nesprávně klasifikováno poměrně velké množství pixelů, které byly v roce 2009 klasifikovány jako Suché koruny. Tab. č. 8: Změny v mapování jednotlivých tříd zastoupení tříd v roce 2009 ha Třída % 1,80 Zmlazení 13,80%

V roce 2011 klasifikováno jako Třída

ha

Z třídy %

Celkem %

Zmlazení Skála Stín Suché

1,29 0,06 0,08 0,37 1,80 0,31 0,46 0,04 0,41 1,22 0,38 0,10 0,31 0,46 1,24 4,14 1,14 0,40 3,14 8,82 13,08

71,73% 3,34% 4,31% 20,62% 100,00% 24,90% 37,90% 3,65% 33,55% 100,00% 30,40% 7,78% 24,85% 36,97% 100,00% 47,00% 12,88% 4,56% 35,57% 100,00%

9,89% 0,46% 0,60% 2,84% 13,80% 2,33% 3,55% 0,34% 3,14% 9,36% 2,87% 0,74% 2,35% 3,49% 9,45% 31,67% 8,68% 3,07% 23,97% 67,39% 67,39% 100,00%

Suma 1,22 Skála 9,36%

Zmlazení Skála Stín Suché

Suma 1,24 Stín 9,45%

Zmlazení Skála Stín Suché

Suma 8,82 Suché 67,39%

Zmlazení Skála Stín Suché

Suma Suma celkem

13,08 100,00%

100,00%

43

44

Obr 7: Mapa rozšíření přirozeného zmlazení v jednotlivých letech

7.4 Porovnání výsledků klasifikace s daty z TVP Z hlediska porovnání pokryvnosti s počtem jedinců na TVP vyvstal problém způsobený suchými korunami, kdy na některých bodech TVP byl identifikován poměrně velký počet jedinců přirozeného zmlazení ale protože byl bod při pohledu z hora překryt suchými korunami výsledná pokryvnost byla 0 %. Z tohoto důvodu byly z porovnání vyřazeny ty body které byly mapovány jako třída Suché nebo Stín, ať už pokryvnost v těchto bodech byla nulová nebo poměrně vysoká. Toto pravidlo by mělo minimalizovat vliv suchých korun a stínu na výsledné korelační koeficienty. Jednou z možností jak porovnat dvě datové řady je použití korelačního koeficientu který ukazuje míru závislosti jedné proměnné na druhé. V této práci byl použit Pearsonův korelační koeficient který nabývá hodnot [-1,1] kdy čím je hodnota tohoto koeficientu blíže k 1 roste pozitivní závislost proměnných, tzn. s rostoucí proměnnou x roste i proměnná y. A naopak pokud se hodnota koeficientu blíží -1 roste negativní závislost, tzn. S rostoucí proměnnou x hodnoty y klesají. Pokud je koeficient roven 0 neexistuje mezi proměnnými žádná závislost. Z tabulky č. 9 vyplývá, že největší míra korelace mezi pokryvností a počtem jedinců na TVP byla v kategorii s výškou jedinců od 60 do 130 cm a také s celkovým počtem jedinců v roce 2009. Kdy míra korelace byla střední. V roce 2011 lze pozorovanou míru korelace považovat za velmi nízkou a data se jeví spíše jako na na sobě nezávislá.

Tab. č. 9: Korelační koeficienty mezi pokryvností a počtem jedinců na TVP Výšková třída Rok 2009 2011

k

Do 30

Do 60

Do 130

Do 10cm d1/3

Celkem

0,393 0,219

0,641 0,143

0,644 0,195

0,496 0,241

0,645 0,300

45

Další možností je použití koeficientu determinace (R²). Tento koeficient porovnává skutečné hodnoty y, v tomto případě se jedná o množství jedinců sčítané na TVP, s jejich odhady x (pokryvnost v procentech). Koeficient nabývá hodnoty od 0 do 1, pokud je koeficient roven jedné znamená to dokonalou korelaci, tj. mezi odhadem a skutečnými hodnotami y není žádný rozdíl. Pokud je koeficient determinace roven nule, znamená to, že regresní rovnice nedokáže předpovídat hodnoty y. Koeficient determinace byl vypočten jak pro jednotlivé výškové kategorie tak pro celkový počet jedinců na TVP v jednotlivých letech. Nejvyšší hodnoty nabývá tento koeficient pro třídu Do 60, Do 130 a také pro celkový počet jedinců v roce 2009. Toto číslo lze interpretovat také tak, že pokryvnost je z 42 % závislá na celkovém počtu jedinců na TVP v roce 2009.

Tab. č. 10: Koeficienty determinace

Rok 2009 2011

Do 30 R2

0,154 0,048

Výšková třída Do 10 Do 60 Do 130 cm d1/3 0,41 0,415 0,105 0,02 0,038 0,058

46

Celkem 0,416 0,09

47

Obr. 8: Bodový graf pokryvnosti a počtu jedniců v roce 2009

48

Obr. 9: Bodový graf pokryvnosti a počtu jedinců v roce 2011

Tab. č. 11: Popisná statistika pro všechny body na kterých bylo hodnoceno přirozené zmlazení v roce 2009

Statistická veličina

Do 30

Průměr Medián Modus

23,89 22,00 34,00

Výšková třída Pokryvnost Do 10 [%] Do 60 Do 130 Celkem cm d1/3 9,30 8,00 0,00

9,07 10,00 0,00

5,67 3,00 0,00

47,93 56,00 56,00

38,44 44,44 0,00

Tab. č. 12: Popisná statistika pro všechny body na kterých bylo hodnoceno přirozené zmlazení v roce 2011 Statistická veličina

Do 30

Průměr Medián Modus

5,41 4,00 0,00

Výšková třída Pokryvnost Do 10 [%] Do 60 Do 130 Celkem cm d1/3 3,66 3,09 4,87 17,03 79,42 2,00 1,00 2,00 14,50 94,44 0,00 0,00 0,00 0,00 100,00

V tabulce č. 11 a 12 je patrné ve všech třídách nižší množství sčítaných jedinců na TVP v roce 2011 než v roce 2009 ale také je patrné značné zvýšení pokryvnosti v roce 2011. Pro toto porovnání byly použity body které ani v jednom roce nesplňovali výše uvedené podmínky pro vyřazení z hodnocení. Na datech z roku 2009 bylo hodnoceno celkem 27 bodů, na datech z roku 2011 potom celkem 68.

49

Z následujících dvou grafů je patrné rozložení pokryvností a celkového počtu jedinců sčítaných na TVP v jednotlivých letech. Pro vytvoření těchto grafů byly použity pouze body na kterých bylo přirozené zmlazení hodnoceno v obou letech.

Graf pokryvností 1:1

100 f(x) = 1,01x + 16,38 R² = 0,76

Pokryvnost 2011 [%]

80 60 40 20 0 0

20

40

60

80

100

Pokryvnost 2009 [%]

Obr. 10: Bodový graf pokryvnosti v jednotlivých letech s vynesenou přímkou 1:1

Graf počtu jedinců 80

1:1

Počet jedinců 2011 [ks]

70 60 50 40 30 20 f(x) = 0,49x - 0,21 R² = 0,64

10 0 0

20

40

60

80

100

Počet jedinců 2009 [ks]

Obr. 11: Bodový graf počtu jedinců v jednotlivých letech s vynesenou přímkou 1:1 50

120

8

DISKUSE Při posuzování celkové přesnosti klasifikace neexistuje striktní hranice od které

je klasifikace považována za úspěšnou, zpravidla bývá považována za úspěšnou pokud její celková přesnost přesáhne 90 %. Výsledné přesnosti při klasifikaci obrazu do 4 tříd tj. Zmlazení, Skála, Stín, Suché koruny však dosahují 89 % pro data pořízená v roce 2009 a 84 % pro data pořízená v roce 2011. S ohledem na to že předmětem zájmu této práce je popis přirozeného zmlazení, byla pozornost při definování trénovacích množin směřována zejména na třídu Zmlazení. Pro posouzení přesnosti klasifikace přirozeného zmlazení je tedy možné použít přesnost klasifikace kterou získáme pokud by byly při klasifikaci rozlišeny pouze dvě třídy, tedy Zmlazení a Ostatní. Při tomto postupu není výsledná přesnost ovlivněna chybami vzniklými mezi třídami Skála, Stín a Suché koruny. Výsledná celková přesnost potom dosahuje 96 % pro klasifikaci dat z roku 2009, respektive 94 % pro klasifikaci dat z roku 2011. Za pravděpodobnost s jakou pixel který byl klasifikován jako třída Zmlazení, skutečně představuje přirozené zmlazení na ploše lze považovat přesnost z hlediska uživatele, tedy 94 % pro data z roku 2009 a 92 % pro data z roku 2011. Na datech z roku 2009 bylo přirozené zmlazení mapováno na 1,80 ha z celkových 13,08 ha které byly klasifikovány, tj. přirozené zmlazení pokrývalo 14 % z celkové plochy. Na datech z roku 2011 bylo zaznamenáno přirozené zmlazení na 6,12 ha tj. pokryto přirozeným zmlazením bylo 47 %. Při porovnání ale také vyšlo najevo, že část ploch které byly klasifikovány jako přirozené zmlazení v roce 2009 tak nebyly klasifikovány v roce 2011. Konkrétní rozloha této plochy je 0,51 ha a tvoří téměř 4 % z klasifikované plochy. Při bližším pohledu vychází najevo, že největší část této plochy 0,37 ha byla v roce 2011 klasifikována jako třída Suché koruny (viz tab. č. 8). Pokud ale bereme v úvahu zvýšení celkové plochy přirozeného zmlazení a dále zvýšení pokryvnosti přirozeného zmlazení jak v porovnávaných bodech tak i průměrné, není důvod se domnívat, že by na ploše docházelo k úbytku plochy pokryté přirozeným zmlazením. Také z terénního průzkumu víme, že přirozené zmlazení se jen rozšiřovalo. Celková plocha pokrytá přirozeným zmlazením v roce 2011 tak bude 6,63 ha které tvoří 51 % z plochy. Za příčinu tohoto „úbytku“ jak se autor domnívá stojí nestejné úhly snímání obrazu což způsobuje

51

posunutí projekce korun. Druhou možností jsou nepřesnosti v ortorektifikaci jednotlivých mapových vrstev. Při pohledu na mapu (obr. 6) je však patrné, že se tyto plochy nacházejí jen v určitých částech obrazu a také jsou sloučené do menších shluků. Z tohoto důvodu jsou za hlavní důvod považovány rozdílné úhly snímání a také ortorektifikace, která je prováděna na povrch terénu. Což vysvětluje rozdílené pozice suchých korun v jednotlivých letech. Rozdíly v ortorektifikaci měřené na skalách uprostřed plochy jsou okolo 1,5 m. Jedním z možných řešením pro zamezení odlišných poloh suchých korun by bylo provést ortorektifikaci dat na koruny stromů místo na povrch terénu. Případně použít algoritmus pro zarovnání obrazů s nestejným rozlišením, nebo získaných různými sensory, např. AutoSync od ERDAS IMAGINE (http://geospatial.intergraph.com, 2014). Další třídou která poměrně výrazně změnila své zastoupení v obraze byla třída Skála, nárůst plochy této třídy lze přičítat částečně rozpadu suchých korun, čímž se některé pixely této třídy staly viditelnými. Za druhý a pravděpodobnější důvod jsou však autorem považovány malé rozdíly ve spektrálním projevu mezi suchými korunami a skálou na datech z roku 2011 která neobsahují NIR pásmo. Což dokazuje i poměrně velká chyba z nesprávného zařazení u třídy skála a to 65 %. Pro porovnání pokryvnosti s počty dřevin na TVP byl vypočten Pearsonův korelační koeficient a koeficient determinace. Na datech z roku 2009 vykazoval nejvyšší míru korelace s pokryvností celkový počet jedinců a to 0,645 a dále třída Do 130 kdy byl korelační koeficient 0,644. Korelace mezi ostatními výškovými třídami a pokryvností byla nižší (viz tab. č. 9). V roce 2011 jsou Pearsonovy koeficienty vypočtené pro jednotlivé výškové kategorie ještě nižší než v roce 2009 a ve všech případech vykazují téměř zanedbatelnou míru závislosti. Koeficient determinace vykazuje největší hodnotu pro celkový počet jedinců a to 0,416, dále také pro třídu Do 130 cm a to 0,415 pro data z roku 2009, ostatní hodnoty jsou velmi nízké. Rozdíly mezi korelačním koeficientem a koeficientem determinace mohou být zapříčiněny poměrně velkým rozptylem dat a také tím, že se v souboru dat vyskytují vzdálené body.

52

Oba tyto koeficienty jsou také ovlivněny výběrem bodů pro porovnání pokryvnosti s počty jedinců, i přes veškerou snahu není možné stoprocentně vyloučit ovlivnění pokryvnosti suchými korunami. Toto však pravděpodobně není jediný důvod nízké korelace. Koeficienty z roku 2011 jsou nižší i když v tomto roce bylo klasifikováno jako třída Suché koruny pouze 33 % plochy oproti roku 2009 kdy to bylo 67 %. Pokud by pokrytí suchými korunami byl hlavní důvod nízké korelace dat, měla by být korelace naopak vyšší. Obecně je potom nízká korelace zapříčiněna pravděpodobně nedokonalou superimpozicí ortofotosnímků a referenčních dat. Nízký korelační koeficient je podle autora dále zapříčiněn tím, že vypočtená pokryvnost reflektuje pokrytí plochy zelenou vegetací. Stoprocentní pokryvnost tedy odpovídá plně zapojenému porostu bez ohledu na to kolik jedinců je na prostorové jednotce případně jakou mají výšku či tvar koruny. Toto potvrzují tabulky č. 11 a 12, kde je udávaná průměrná pokryvnost bodu 38 % na datech z roku 2009 a průměrný počet jedinců na jednom bodu je 48 ks bez ohledu na výškovou třídu. Přičemž v roce 2011 je průměrná pokryvnost 79 % a průměrný počet jedinců na bod jen 17. Je zde tedy dobře patrný proces samozřeďování. Kdy při zvyšující se pokryvnosti klesá počet jedinců. Z toho logicky vyplývá snížení korelačních koeficientů. Tento proces je patrný také na obrázcích 10 a 11, pro které byly použity pouze body na kterých bylo přirozené zmlazení hodnocenou v obou letech. Pro srovnání této práce s pracemi jiných autorů se nabízí srovnání s prací Pottera et. al. (2012), který hodnotil pokryvnost přirozeného zmlazení po rozsáhlých požárech v Yellowstonském NP a uvádí korelační koeficient 0,83 mezi pokryvností a třídami hustoty do kterých byly zařazeny jednotlivé kontrolní plochy v terénu. Rozdíly v korelaci mezi touto prací a prací Pottera jsou pak způsobeny zejména dobou uplynulou mezi požárem a hodnocením a také tím že pro porovnání byly použity třídy hustoty což minimalizuje diversitu dat. Potter hodnotil data pořízená s odstupem 18 let a v této práci byla použita data pořízená 3 a 5 let po požáru. Dalším důvodem je potom rozdíl v prostorovém rozlišení, 17 m v práci Pottera versus 10 cm, respektive 25 cm použitých v této práci. Přičemž platí, že jevy pozorované na menším měřítku jsou si podobnější než jevy pozorované na větším měřítku (Levin, 1992; Arbia et al., 1996).

53

V neposlední řadě má na korelační koeficienty také vliv druhové složení přirozeného zmlazení. Potter uvádí na kontrolních plochách pouze borovici pokroucenou, kdežto Jurek (2009) uvádí v roce 2008 pestrou dřevinnou směs s rozdílnými růstovými rytmy a převažujícími pionýrskými listnatými dřevinami. Výsledkem je velice dynamický vývoj sukcese na zájmové ploše této práce.

54

9.

ZÁVĚR V této práci bylo provedeno hodnocení pokryvnosti přirozeného zmlazení

s využitím dat DPZ a to na Na lokalitě Havraní skála v NP České Švýcarsko, která byla v červenci 2006 zasažena požárem. Dále byly porovnány zjištěné skutečnosti s daty získanými terénním šetřením. Ke klasifikaci obrazu byly použity letecké snímky získané 3 a 5 let po požáru. Výsledná přesnost klasifikace třídy Zmlazení pro data z roku 2009 byla 96 %, celková výsledná přesnost byla 89 %. Na datech z roku 2011 byla výsledná přesnost klasifikace pro třídu Zmlazení 94 % a výsledná přesnost celková 84 %. Přirozené zmlazení pokrývalo v roce 2009 plochu 1,80 ha, tj. 14 % z plochy celkové. Do roku 2011 došlo k nárůstu pokryvnosti přirozeným zmlazením na 6,63 ha což tvoří 51 % z celkové plochy. Při porovnávání pokryvnosti s daty získanými v terénu se jako největší problém ukázalo poměrně velké pokrytí plochy suchými korunami a také vysoká heterogenita přirozeného zmlazení. Z těchto důvodů jsou zjištěné korelační koeficienty a koeficienty determinace nízké pro data z obou dvou let. Výrazně nižší korelační koeficienty a koeficienty determinace pro data z roku 2011 oproti roku 2009 jsou pak způsobeny samozřeďováním přirozeného zmlazení, kdy na ploše dochází k nárůstu pokryvnosti přirozeným zmlazením ovšem počet jedinců se snižuje.

55

10

SUMMARY The aim of this thesis is to observe forest natural regeneration in the area after

the forest fire. Area of interest is located in the National Park Bohemian Switzerland. Forest fire on this locality started in July 2006 after the long period of dry weather and it was caused by human fault. For this purpose were used aerial photography acquired in year 2009 and 2011. Data from year 2009 have spatial resolution 10 cm per pixel and contain four different spectral bands, RGB and NIR. Data from year 2011 contain only RGB bands with spatial resolution 25 cm per pixel. Data from both years were

classified by supervised per pixel maximum

likelihood classification in the four classes, Natural regeneration, Rock, Shadow and Dry crowns. Class Rock also contain parts of the area covered by bare soil, it is because sandstone rock and bare soil have a quite similar spectral characteristics. For accuracy assessment were generate random points. For year 2009 416 points were generate and 397 points for year 2011. These points were visually interpreted into the same fourth classes as both datasets. And then they were compare with classification results. Classification accuracy for class Natural regeneration in year 2009 was 96 %, overall accuracy in this year was 89 %. In year 2011 accuracy for class Natural regeneration was 94 % and overall accuracy was 84 %. Other goal of this work is to compare results from each year between them and also compare them with field collected data. In year 2009 natural regeneration covered 14 % from whole area and in year 2011 it was 51 %. From the area which was classified as natural regeneration in year 2009 wasn't 28 % classified as the same class in year 2011. These areas were mainly classified as the Dry crowns, which is probably caused by differences in the datasets incurred during the images acquisition and orthorectification. For comparing with the field data the average coverage of natural regeneration was calculated by floating square filter. This was accomplished in the same squares where tree individuals were counted, the area of each square is 2,25 m². In general, the resulting correlation coefficient was very low. Best Pearson correlation coefficient was 56

0,645 between coverage and total amount of individuals in square on the data from year 2009. Low correlation coefficient was caused by big influence of the dry crown. It affected the average coverage but the amount of individuals are not affected. The second reason was the self-thinning. It means that the coverage increased from year 2009 to year 2011 but amount of tree individuals decreased in the same time. This cause low correlation coefficient mainly in year 2011. And also there is a influence of imperfect superimposition between the aerial photography and the reference field data.

57

11

LITERÁRNÍ PŘEHLED

CALLE, A and CASANOVA J.L. 2012. Forest Fires and Remote Sensing, Earth Observation, Dr. Rustam Rustamov (Ed.), ISBN: 978-953-307-973-8, InTech, Available from:http://www.intechopen.com/books/earth-observation/forest-fires-andremote-sensing ARBIA, G., BENEDETTI, R. ESPA, G., 1996. Effects of the MAUP on image classification. Geographic Systems 3, 123-141. BANNARI, A., et al. 1995. A review of vegetation indices. Remote Sensing Review, Vol. 13, 95-120, pp. BISHOP, Y., FIENBERG, S. and HOLLAND, P.

1975. Discrete Multivariate

Analysis Theory and Practice, MIT Press, Cambridge, MA, 575 s. BUHK, C. et al. 2006. Post-fire regeneration in a Mediterranean pine forest with historically low fire frequency. Acta oecologica 30, 288–298. CAMPBELL, J.B. 1996. Introduction to remote sensing. London: Taylor and Francis. CUEVAS-GONZÁLEZ, M., F. GERARD, H. BALZTER and D. RIAÑO. 2009. Analysing forest recovery after wildfire disturbance in boreal Siberia using remotely sensed

vegetation

indices.

In:

Global

Change

Biology.

561–577.

DOI:

10.1111/j.1365-2486.2008.01784.x. CHEN, J. M., et al. 1997. Leaf area index of boreal forests: Theory, techniques, and measurments. In: Journal of geophysical research, vol. 102, s. 429-443. Dostupné z : http://faculty.geog.utoronto.ca/Chen/Chen%27s%20homepage/PDFfiles/ laitheory_jchen.pdf CULEK , M. et al. 1996. Biogeografické členění ČR. Praha, Enigma. CRIST,

E.P.

and

R.J.

KAUTH.

1986.

The

tasseled

Cap

De-Mystified.

Photogrammetric Engineering and Remote Sensing 52, 81-86. CZUDEK, T. et al. 1972. Geomorfologické členění ČSR. Brno, Geografický ústav, Československá akademie věd, Brno.

58

DEVIJVER, P., KITTLER, J. 1982. Pattern Recognition, A Statistical Approach, Prentice Hall International, London. DIAZ-DELGADO, R. et al. 2000. Satellite evidence of decreasing resilience in Mediterranean plant communities after recurrent wildfires. Ecology 83 (8), 2293–2303. DOBROVOLNÝ, P. 1999. Dálkový průzkum Země. Digitální zpracování obrazu. Masarykova univerzita, Brno. DOZIER, J. 1981. A method for satellite identification of surface temperature fields of subpixel resolution. Remote Sensing of Environment, 11: 221-229. ISSN: 0034-4257 EASTMAN, J.R, 2006. IDRISI Andes User’s Guide, Clark University, Worcester, MA. GEVERS, T., KAJCOVSKI, V.K. 1994. Image segmentation using localized receptive fields, Proceedings Inťl Point Konference Neural Network, Washington, DC., Jan. 1519: 283-286 GIGLIO, L & J.D KENDALL. 2001. Application of the Dozier retrieval to wildfire characterization. A sensitivity analysis. Remote Sensing of Environment, 77, 34-49. ISSN: 0034-4257 HANES,T.L. 1971. In: BUHK, C. et al. 2006. Post-fire regeneration in a Mediterranean pine forest with historically low fire frequency. Acta oecologica 30 (2006), 288–298. HÄRTEL, H. et al. 2007. [eds.], Plán péče o Národní park České Švýcarsko 2009–2016. Rozbory. Krásná Lípa, Správa Národního parku České Švýcarsko, 2007 HÄRTEL, H. et BAUER P. 2000. In: HÄRTEL , H. Et al. 2007 [eds.], Plán péče o Národní park České Švýcarsko 2009–2016. Rozbory. Krásná Lípa, Správa Národního parku České Švýcarsko. HEJNÝ, S., B. SLAVÍK. 1998. Květena České socialistické republiky. Vol. 1. Praha. Academia. HOŘENÍ, A., 2004. Požárové adaptace borovice pokroucené. Lesnická práce 6/04, Ročník 83. [online] Aktualizováno 11. března 2009. Dostupné na World Wide Web:. 59

HUETE, A. et al. 2002. Overview of the radiometric and biophysical performance of the MODIS vegetation indices, Remote Sensing of Environment, 83, 195–213CHROMEK , I. 2006. In: JANKOVSKÁ, Z. 2004. Lesní požáry v ČR (1992–2004) – příčiny, dopady a prevence. Diplomová práce. Brno, Diplomová práce. MZLU Brno. IMAGINE

AutoSync.

[online].

[cit.

2014-04-16].

Dostupné

z:

http://geospatial.intergraph.com/products/ERDAS-IMAGINE/IMAGINEAutoSync/Det ails.aspx JANČOVÁ, G. 2006. Prirodzená obnova lesa na plochách poškodených požiarom na príkladenárodnej prírodnej rezervácie Kyseľ. Zvolen, Technická univerzita vo Zvolene. Lesnícka fakulta. JANKOVSKÁ, Z. 2006. Lesní požáry v ČR (1992-2004) – příčiny, dopady a prevence. Brno, Diplomová práce. Mendelova univerzita. JENSEN, J.R. 1986. Introducery Digital Image Processing, A remote sensing perspective, Prentice Hall, London, 379 s. JUREK, V. 2009. Sukcese dřevin po požáru na lokalitě Havraní Skála v NP České Švýcarsko (výchozí stav). Brno. Diplomová práce. Mendelova univerzita. KADAVÝ, J., MAZAL, P., KNEIFL, M. 2000. Rozvoj aplikací počítačové analýzy obrazu pro hodnocení stavu lesa, in Sborník konference Informační systémy v zemědělství a lesnictví, p.91-95. VI.ročník, Seč u Chrudimi, 22-24.2. KAUFMAN, et al. 1998, Potencial global fire monitoring from EOS-MODIS . Journal of Geophysical Research, 103, 32215-32238. ISSN: 0148-0227 KAUFMAN. Y.J., D. TANRÉ. 1992. Atmospherically resistant vegetation index (ARVI) for EOS-MODIS, IEEE Transactions on Geoscience and Remote Sensing 30, 261–270. KLEIN, V., M, OPLETAL, J, PRAŽÁK, 1967, In: HÄRTEL, H. Et al. [eds.], 2007. Plán péče o Národní park České Švýcarsko 2009–2016. Rozbory. Krásná Lípa, Správa Národního parku České Švýcarsko.

60

KRÁL, K., J. TROCHTA, T. VRŠKA. 2012. Požár a sekundární sukcese jako prostředek obnovního managementu lesů v národním parku. In: Ekologická obnova v České republice. Praha: Agentura ochrany přírody a krajiny České republiky, 2012. ISBN 978-80-87457-31-3 KRŮČEK, M. 2012. Možnosti stanovení dřevinné skladby z dat dálkového průzkumu Země. Brno, Bakalářská práce. Mendelova univerzita. KŘÍSTEK , J., et al. 2001. Ochrana lesů a přírodního prostředí. Písek, Matice lesnická. KULHÁNKOVÁ, E. [eds.]. 1995. Lesnický naučný slovník. Díl 2., P-Ž. Praha, Agrospoj. KULHAVÝ, J. et al. 2009. Ekologie lesa III. 1. vyd. Brno: Mendelova zemědělská a lesnická univerzita v Brně, 114 s. 2441. ISBN 978-80-7375-355-9. KUNT, A. 1967. Lesní požáry. Praha, Čs. svaz požární ochrany. LAŠTŮVKA, Z. et KREJČOVÁ, P. 2000. Ekologie. Brno, Konvoj. LEVIN, S.A. 1992. The Problem of Pattern and Scale in Ecology. In: Ecology 73. s. 1943-1967. LILLESAND, T.M., KIEFER, R.W. 1994. Remote sensing and image interpretation. New York, Chichester, Brisbane, Toronto, Singapore, John Wiley & Sons, 750 s. MA, W.Y., MANJUNATH, B.S. 1997. Edge flow: a framework of bundary detection and image segmentation, Proceedings IEEE Konference on Computer Vision and Pattern Recognition. MALLINIS, G. and M. PLENIOU, N. KOUTSIAS. 2010. Object-based vs pixel-based mapping of fire scars using multi-scale satellite data. The International Archives of the Photogrammetry, Remote Sensing and Spatial Informa tion Sciences, Vol. XXXVIII-4/C7. vyd. Dostupné z: http://www.isprs.org/proceedings/XXXVIII/ 4-C7/pdf/Mallinis.pdf MEYER , M. 2001. O katastrofách trochu jinak. Nationalpark, 2/2001. Dostupné na World Wide Web: . MÍCHAL, I. et al. 1992. Obnova ekologické stability lesů. Praha, Academia. 61

MINISTERSTVO ZEMĚDĚLSTVÍ. 2007. Zpráva o stavu lesa a lesního hospodářství České republiky 2006 [online]. [cit. 2014-02-13].

Dostupné z:

http://eagri.cz/public/web/mze/lesy/publikace-a-dokumenty/lesnictvi/ MISÁKOVÁ, L. 2009. Vliv prostorové rozlišovací schopnosti na výsledky klasifikace dat DPZ, návrh využití pro mapování vegetace. Brno, Disertační práce. Mendelova univerzita. MIŠUREC, J. a E. ŠTEFANOVÁ. 2009. Využití GIS v procesu detekce lesních požárů velkého

měřítka.

In:

[online].

[cit.

2014-02-18].

Dostupné

z:

http://gis.vsb.cz/GIS_Ostrava/GIS_Ova_2009/sbornik/Lists/Papers/030.pdf NEUHÄUSLOVÁ, Z. et al. 1998. Mapa potencionální přirozené vegetace České republiky. Praha, Academia. PFEFFER, A. et al. 1961. Ochrana lesů. Praha, SZN. PLÍVA, K. et ŽLÁBEK , I. 1986. Přírodní lesní oblasti ČSR. Praha, SZN. POTTER, Ch., S. LI, S. HUANG and R. L. CRABTREE. 2012. Analysis of sapling density regeneration in Yellowstone National Park with hyperspectral remote sensing data. In: Remote Sensing of Environment, s. 61-68. Volume 121. PU, R. et al. 2004. A dynamic algorithm for wildlife mapping with NOAA/AVHRR data, International Journal of Wildlife Fire, č. 13, s. 275-285, ISSN 1049-8004 QUITT, E. 1975. Klimatické oblasti ČSR. Brno, ČSAV Brno, 1975. RANDRIAMBELO, T., et al. 1998. An improved detection and characterization of active fires and smoke plumes in south-eastern Africa and Madagascar. Int. J. Remote Sens. 19, 2623–2638. RUECKER, G. and F. SIEGERT. 2000. Burn scar mapping and fire damage assasment using ERS-2 SAR images in east Kalimantan, Indonesia. In: International Archives of Photogrammetry and Remote Sensing. Vol . XXXIII, Part B7. Amsterdam, s.

1286-1293.

Dostupné

z:

http://www.isprs.org/proceedings/xxxiii/

part7/1286_XXXIII-part7.pdf SÁDLO, J. 1994. Život na spáleništi: antrakofyty a pyrofyty. Vesmír, 10/1994.

62

congress/

SCHNEEBERG, V. et HYKL, Z. 2006. Zásah komplikoval nepřístupný terén. 112, časopis

požární ochrany, integrovaného záchranného systému a ochrany, 9/2006.

[online]

Aktualizováno

14.

6.

2006.

Dostupné

na

World

Wide

Web:

. SIMS, D.A., and J.A. GAMON. 2002. Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages, Remote Sensing of Environment 81, 337–354. ŠIMEK, R. et al. 2004. Katastrofy aneb Jak přežít lesní požáry [online]. Sféra, Dostupné na World Wide Web: . WALSH, A. T. and R. SHAKESBY. 1999. Nutrient losses in eroded sediment after fire in eucalyptus and pine forests in the wet Mediterranean environment of northern Portugal. Catena, 283–302. TSITSONI, T. 1997. Conditions determining natural regeneration after wildfires in the Pinus halepensis (Miller, 1768) forests of Kassandra Peninsula (North Greece). Forest Ecology and Management 92, 1997, 199–208. TUCKER, C.J. 1979. Red and photographic infrared linear combinations for monitoring vegetation, Remote Sensing of Environment, 127–150 s. TUČEK, J. a A. MAJLINGOVÁ. 2007. Lesné požiare v Národnom parku Slovenský raj: Aplikácie geoinformatiky. Zvolen, Technická univerzita Zvolen. ÚHUL, 2009. Mapa lesních vegetačních stupňů [online]. Aktualizováno 10. března 2009. Dostupné na World Wide Web: . VALEČKA, J., 2000, In: HÄRTEL, H. et al. 2007. Plán péče o Národní park České Švýcarsko 2009–2016. Rozbory. Krásná Lípa, Správa Národního parku České Švýcarsko. VACHOUŠKOVÁ, T., 2007. Národní park České Švýcarsko. Fauna a flora [online]. Aktualizováno

10.

srpna

2007.

Dostupné

.

63

na

World

Wide

Web:

VERAVERBEKE, et al., 2007. Assessing Post-fire Vegetation Recovery Using Red-near Infrared Vegetation Indices : Accounting for Background and Vegetation Variability. Isprs Journal of Photogrammetry and Remote Sensing 68, 28–39. ŽÍHLAVNÍK, Š., L. SCHEER. 1996. Diaľkový prieskum Země v lesnictve. TU Zvolen, ISBN 80-228-0555-6

64

12

SEZNAM ZKRATEK

aj.

a jiné

č.

číslo

ČR

Česká republika

ČŠ

České Švýcarsko

d1,3

výčetní tloušťka kmene

DPZ

dálkový průzkum Země

k

Kappa koeficient

např.

Například

m n. m.

metry nad mořem

NDVI

Normalizovaný diferenční vegetační index

NIR

blízké infračervené spektrum

NP

Národní park

Obr

obrázek

popř.

popřípadě

R²

koeficient determinace

RGB

spektrum viditelného záření, červené, zelené, modré

Tab

tabulka

TVP

trvalá výzkumná plocha

tzv.

takzvaný

VI

Vegetační index

Zkratky které se v textu vyskytují pouze jednou jsou v textu také vysvětleny

65

13

PŘÍLOHY 13.1 Seznam tabulek

Tabulka 1: Hodnoty bodů použitých pro hodnocení přirozeného zmlazení z roku 2009 Tabulka 2: Hodnoty bodů použitých pro hodnocení přirozeného zmlazení z roku 2011 Tabulka 3: Hodnoty bodů použitých pro hodnocení přirozeného zmlazení z roku 2011

13.2 Seznam obrázků Obr. 1. Pokryvnost přirozeného zmlazení v roce 2009 Obr. 2. Pokryvnost přirozeného zmlazení v roce 2011

Tabulka 1: Hodnoty bodů použitých pro hodnocení přirozeného zmlazení z roku 2009 Výšková třída [ks]

Číslo bodu

Do 30

Do 60

Do 130

4 10 13 25 27 31 35 38 48 49 58 68 69 73 79 82 88 99 100 103 104 110 118 126 135 146 148

6 63 45 34 2 25 37 47 34 39 22 10 17 6 0 38 0 19 24 22 20 32 28 21 37 3 14

0 5 16 24 0 8 17 10 7 26 14 4 11 0 0 6 2 5 7 11 10 9 12 13 33 0 1

0 14 14 17 0 5 11 9 11 29 10 6 12 0 0 8 0 4 11 10 24 10 11 4 24 0 1

66

Do 10 cm d 0 0 9 9 0 18 15 8 4 3 29 1 18 0 0 7 0 0 6 3 11 5 2 3 2 0 0

Celkem Pokryvnost [ks] [%] 6 82 84 84 2 56 80 74 56 97 75 21 58 6 0 59 2 28 48 46 65 56 53 41 96 3 16

11,11% 34% 49% 88% 0,00% 68% 57% 2,22% 48% 99% 61% 0,00% 85% 0,00% 0,00% 44% 56,44% 27% 72% 64% 36% 56% 0,00% 0,00% 69% 10% 0,00%

Tabulka 2: Hodnoty bodů použitých pro hodnocení přirozeného zmlazení z roku 2011

Výšková třída [ks]

Číslo bodu

Do 30

Do 60

Do 130

4 5 7 11 13 14 15 17 19 21 22 24 25 31 32 38 39 40 41 42 44 45 46 49 51 54 58 59 60 62 64 65 69 70 73 75 78

1 15 0 6 7 19 2 0 11 20 10 4 0 6 3 7 1 9 2 10 5 5 3 9 5 2 4 18 4 10 6 0 4 8 2 3 0

1 0 0 2 5 4 0 0 2 7 2 6 10 1 6 11 8 1 0 1 2 1 4 13 1 2 6 12 8 0 0 0 7 10 6 0 1

0 3 0 5 0 3 1 0 5 0 1 3 3 2 0 5 6 0 0 2 0 0 6 7 7 0 10 24 7 2 0 0 8 17 0 0 0

67

Do 10 cm d 0 7 0 3 9 6 4 0 8 0 2 5 26 9 2 10 1 0 2 3 12 17 8 46 6 1 39 0 4 6 2 1 13 0 0 0 0

Celkem Pokryvnost [ks] [%] 2 25 0 16 21 32 7 0 26 27 15 18 39 18 11 33 16 10 4 16 19 23 21 75 19 5 59 54 23 18 8 1 32 35 8 3 1

61,11% 80,56% 100,00% 100,00% 100,00% 100,00% 100,00% 83,33% 100,00% 86,11% 55,56% 83,33% 97,22% 100,00% 100,00% 91,67% 47,22% 91,67% 38,89% 77,78% 55,56% 100,00% 77,78% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 100,00% 2,78% 100,00% 100,00% 100,00% 0,00% 100,00% 100,00%

Tabulka 3: Hodnoty bodů použitých pro hodnocení přirozeného zmlazení z roku 2011 Výšková třída [ks]

Číslo bodu

Do 30

Do 60

Do 130

79 82 83 85 86 87 88 90 91 92 94 96 99 100 103 105 109 115 120 121 126 127 128 130 135 137 139 146 147 148 150

0 16 4 0 0 0 0 0 3 0 15 0 0 5 5 0 4 9 7 11 6 10 6 9 4 2 25 3 0 2 1

0 10 0 0 0 3 0 0 6 2 6 4 0 4 5 0 1 1 6 4 4 5 2 3 4 1 30 0 0 6 2

0 16 0 0 0 2 0 0 1 8 15 1 0 2 6 0 1 0 7 7 2 2 0 8 2 0 1 0 0 0 2

68

Do 10 cm d 0 0 0 0 0 1 0 0 1 0 5 4 0 7 4 0 3 0 6 8 2 18 0 3 16 0 0 0 1 0 0

Celkem Pokryvnost [ks] [%] 0 42 4 0 0 6 0 0 11 10 41 9 0 18 20 0 9 10 26 30 14 35 8 23 26 3 56 3 1 8 5

0,00% 97,22% 100,00% 44,44% 94,44% 100,00% 55,56% 88,89% 100,00% 0,00% 94,44% 100,00% 100,00% 66,67% 88,89% 39,13% 100,00% 88,89% 97,22% 33,33% 72,22% 100,00% 100,00% 91,67% 91,67% 5,56% 86,11% 58,33% 100,00% 0,00% 75,00%

Obr 1: Pokryvnost přirozeného zmlazení v roce 2009, kde 1 se rovná 100 %

Obr 2: Pokryvnost přirozeného zmlazení v roce 2011, kde 1 se rovná 100 %

69