Přehled jevů a dat DPZ pro použití. v dopravě. Analýza přínosu vybraných aplikací

Číslo projektu

TB0100MD021

Název projektu

Zhodnocení využitelnosti dat dálkového průzkumu Země pro použití v dopravě

Přehled jevů a dat DPZ pro použití v dopravě Analýza přínosu vybraných aplikací Verze dokumentu 1.0

GISAT s.r.o. Milady Horákové 57 170 00 Praha 7 http://www.gisat.cz

Dokument č.: Verze: D1.00

GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013

‐ 1 ‐

Projekt TB0100MD021 / Zhodnocení využitelnosti dat dálkového průzkumu Země pro použití v dopravě je řešen s finanční podporou TA ČR. Dokument č.: Verze: D1.00


‐ 2 ‐

OBSAH DOKUMENTU OBSAH DOKUMENTU ......................................................................................... - 3 - SEZNAM TABULEK ............................................................................................ - 5 - SEZNAM ZKRATEK ............................................................................................ - 6 - SHRNUTÍ ....................................................................................................... - 7 - 1 ÚVOD .................................................................................................... - 8 - 2 REŠERŠE ................................................................................................ - 10 - 2.1 SLEDOVÁNÍ NĚŽÁDOUCÍCH POHYBŮ A DEFORMACÍ DOPRAVNÍ INFRASTRUKTURY .... - 10 - 2.2 SLEDOVÁNÍ VLIVŮ A DOPADŮ DOPRAVNÍ INFRASTRUKTURY NA ŽIVOTNÍ PROSTŘEDÍ - 13 - 3 PŘEHLED DAT DPZ ................................................................................... - 16 - 3.1 ÚVOD ................................................................................................. - 16 - 3.2 ZÁKLADNÍ PARAMETRY DAT ..................................................................... - 16 - 3.3 DOSTUPNOST DAT Z TECHNICKÉHO HLEDISKA ............................................... - 21 - 3.4 DOSTUPNOST DAT Z FINANČNÍHO HLEDISKA ................................................. - 25 - 4 PŘEHLED JEVŮ V DOPRAVĚ ........................................................................ - 30 - 4.1 ROZDĚLENÍ JEVŮ ................................................................................... - 30 - 4.2 JEVY SOUVISEJÍCÍ S NEŽÁDOUCÍMI POHYBY .................................................. - 30 -

4.2.1 Monitorování pomocí radarové interferometrie a trvalých odražečů .................. ‐ 31 ‐ 4.2.1.1 Princip ................................................................................................................ ‐ 31 ‐ 4.2.1.2 Vyhodnocení proveditelnosti ............................................................................ ‐ 32 ‐ 4.2.1.3 Výběr dat ........................................................................................................... ‐ 33 ‐ 4.2.1.4 Výběr metody zpracování .................................................................................. ‐ 34 ‐ 4.2.1.5 Přesnost a limity ................................................................................................ ‐ 36 ‐ 4.2.1.6 Výsledné produkty ............................................................................................. ‐ 38 ‐ 4.2.2 Uživatelské požadavky ........................................................................................... ‐ 38 ‐ 4.2.3 Identifikované jevy ................................................................................................ ‐ 40 ‐ 4.2.3.1 Deformace tělesa a povrchu vozovky ................................................................ ‐ 40 ‐ 4.2.3.2 Deformace tělesa železniční trati ...................................................................... ‐ 42 ‐ 4.2.3.3 Deformace konstrukcí mostů, nadjezdů ........................................................... ‐ 43 ‐ 4.2.3.4 Deformace infrastrukturních prvků v okolí dopravní infrastruktury ................. ‐ 46 ‐ 4.2.3.5 Sedání a poklesy podloží nebo nadloží .............................................................. ‐ 48 ‐ 4.2.3.6 Svahové pohyby a sesuvy .................................................................................. ‐ 50 ‐ 4.3 JEVY SOUVISEJÍCÍ S DOPADY NA ŽIVOTNÍ PROSTŘEDÍ ...................................... - 52 - 4.3.1 Mapování dopadů na životní prostředí ................................................................. ‐ 52 ‐ 4.3.1.1 Princip zpracování optických dat ....................................................................... ‐ 52 ‐ 4.3.1.2 Obrazová spektroskopie .................................................................................... ‐ 54 ‐ 4.3.1.3 Využití normalizovaných vegetačních indexů ................................................... ‐ 55 ‐ 4.3.1.4 Výběr dat a metod ............................................................................................. ‐ 56 ‐ 4.3.1.5 Přesnost a limity ................................................................................................ ‐ 57 ‐ 4.3.1.6 Produkty ze zpracování ..................................................................................... ‐ 58 ‐ 4.3.2 Jevy související se znečištěním .............................................................................. ‐ 59 ‐ Dokument č.: Verze: D1.00


‐ 3 ‐

4.3.2.1 Exhalace ............................................................................................................. ‐ 59 ‐ 4.3.2.2 Kontaminace půdy splachem ............................................................................ ‐ 61 ‐ 4.3.2.3 Kontaminace půdy únikem nebezpečných látek v případě havárie .................. ‐ 62 ‐ 4.3.3 Jevy související se změnami vegetace a krajinné pokryvu .................................... ‐ 64 ‐ 4.3.3.1 Sledování zdravotního stavu vegetace .............................................................. ‐ 64 ‐ 4.3.3.2 Monitoring výstavby, změn krajinného pokryvu a využití půdy, změn druhové skladby vegetace a fragmentace krajiny ........................................................................... ‐ 66 ‐ 4.4 Ostatní jevy ......................................................................................... - 69 - 4.4.1 Identifikované jevy ................................................................................................ ‐ 69 ‐ 4.4.1.1 Monitorování zaplavení dopravní infrastruktury .............................................. ‐ 69 ‐ 4.4.1.2 Sledování stavu a okolí infrastruktury pomocí LiDARu ..................................... ‐ 70 ‐ 4.5 Degradace kvality povrchu vozovky ........................................................... - 72 - 5 ANALÝZA PŘÍNOSU DRUŽICOVÝCH DAT PRO APLIKACE V DOPRAVĚ ........................ - 74 - 5.1 OBECNÉ VÝHODY A NEVÝHODY ................................................................. - 74 - 5.2 PŘÍNOSY VE SROVNÁNÍ S EXISTUJÍCÍMI METODAMI .......................................... - 75 - 5.2.1 Monitoring nežádoucích pohybů a deformací ...................................................... ‐ 75 ‐ 5.2.2 Sledování dopadů na životní prostředí .................................................................. ‐ 76 ‐ 5.3 ANALÝZA NÁKLADŮ ............................................................................... - 77 - 5.3.1 Porovnání nákladů ................................................................................................. ‐ 77 ‐ 5.3.2 Náklady na data ..................................................................................................... ‐ 79 ‐ 5.3.3 Náklady na služby .................................................................................................. ‐ 84 ‐ 5.4 VÝTĚŽNOST DAT ................................................................................... - 90 - 5.5 ZÁVĚR ................................................................................................ - 94 - PŘEHLED LITERATURY ..................................................................................... - 96 - O AUTORECH .............................................................................................. - 100 -



‐ 4 ‐

SEZNAM TABULEK Tabulka 1 Tabulka 2 Tabulka 3 Tabulka 4 Tabulka 5 Tabulka 6 Tabulka 7 Tabulka 8 Tabulka 9 Tabulka 10 Tabulka 11 Tabulka 12 Tabulka 13 Tabulka 14 Tabulka 15 Tabulka 16 Tabulka 17 Tabulka 18 Tabulka 19 Tabulka 20

Parametry optických dat DPZ ............................................................................ ‐ 17 ‐ Parametry radarových dat DPZ (část1) ............................................................. ‐ 18 ‐ Parametry radarových dat DPZ (část 2) ............................................................ ‐ 19 ‐ Parametry leteckých hyperspektrálních dat ..................................................... ‐ 20 ‐ Technická dostupnost optických dat DPZ ......................................................... ‐ 23 ‐ Technická dostupnost radarových dat DPZ ....................................................... ‐ 24 ‐ Kurzy platné ke dni 22. 11. 2013 použité pro přepočet cen dat na CZK ........... ‐ 25 ‐ Finanční dostupnost optických dat DPZ ............................................................ ‐ 27 ‐ Finanční dostupnost radarových dat DPZ ......................................................... ‐ 29 ‐ Kritéria pro vyhodnocení proveditelnosti ......................................................... ‐ 32 ‐ Teoretický vztah mezi vlastnostmi družicových dat, velikostí a rozsahem detekovatelných pohybů ................................................................................... ‐ 38 ‐ Kategorizace požadavků .................................................................................... ‐ 39 ‐ Stručný přehled základních vegetačních indexů ............................................... ‐ 55 ‐ Obecné výhody použití dat DPZ ........................................................................ ‐ 74 ‐ Obecné neýhody použití dat DPZ ...................................................................... ‐ 75 ‐ Porovnání parametrů konvenčních a DPZ metod ............................................. ‐ 76 ‐ Kalkulace ceny pro programování nové akvizice optických dat DPZ ................. ‐ 80 ‐ Kalkulace ceny pro pořízení archivních optických dat DPZ ............................... ‐ 81 ‐ Kalkulace ceny pro programování nové akvizice radarových dat DPZ .............. ‐ 82 ‐ Kalkulace ceny pro pořízení archivních radarových dat DPZ ............................. ‐ 83 ‐



‐ 5 ‐

SEZNAM ZKRATEK CSM DEM DI DLR DN DPZ DSM D InSAR EC EO ESA EU GB InSAR GCM GMES GSC HLOP HR InSAR IPTA L1 LiDAR LOS LU/LC MD MR MS NIR OBIA PAN PS InSAR ŘSD SŽDC SAR SBAS SLC StaMPS SWIR TAČR TPM TSX T InSAR VHR VIS ŽP Dokument č.: Verze: D1.00

COSMO‐SkyMed Digital Elevation Model (digitální výškový model) Dopravní infrastruktura Forschungszentrum der Bundesrepublik Deutschland für Luft‐ und Raumfahrt Digital number (digitální číslo/hodnota) Dálkový průzkum Země Digital Surface Model (digitální model povrchu) Diferenciální InSAR Evropská komise Earth Observation (pozorování země) Evropská kosmická agentura Evropská unie Ground‐based InSAR (pozemní InSAR) GMES Contributing Mission Global Monitoring for Environment and Security (program GMES/Copernicus) GMES Space Component High Level Operational Pkan High‐Resolution (data vysokého rozlišení) Interferometcický SAR Interferometric Point Target Analysis Level 1 (úroveň zpracování na úrovni 1) Light Detection and Ranging Line of Sight (směr pohledu) Land Use / Land Cover (využití půdy / krajinný pokryv) Ministerstvo dopravy Medium resolution (data středního rozllišení) Multispektrální data / kanál Near Infrared (blízký infračervený obor spektra) Object‐based Image Analysis (objektová analýza obrazu) Panchromatická data / kanál Persistent/Permanent Scatterers InSAR (metoda trvalých odražečů) Ředitelství silnic a dálnic Správa železniční dopravní cesty Snthetic Aparture Radar (syntetická radarová aparatura) Small BAsline Subset algoritmus Single Look Complex data Stanford Method for Persistent Scatterers Short‐wavelength Infra Red (střední infračervený obor spektra) Technologická agentura České republiky Third Party Missions TerraSAR‐X Terrestrial InSAR (pozemní InSAR) Very High Resolution (data velmi vysokého rozlišení) Visible light (viditelný obor spektra) Životní prostředí GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013

‐ 6 ‐

SHRNUTÍ Dokument Přehled jevů a dat pro použití v dopravě a Analýza přínosu je výstupem z první fáze veřejné zakázky „Zhodnocení využitelnosti dat DPZ pro použití v dopravě“ financovaného v rámci programu Technologické agentury České republiky (TAČR) Beta, který je řešen společností GISAT s.r.o. Dokument si klade za cíl seznámit odbornou veřejnost v oblasti dopravy a dopravních aplikací s možnostmi, které současná data a zpracovatelské postupy dálkového průzkumu Země (DPZ) v této oblasti nabízí. Dokument se zaměřuje na popis a zhodnocení využití především dat z družicových nosičů a senzorů. Parametry družicových dat jsou uvedeny v přehledné tabulkové formě. Popsány jsou družicové platformy a konstelace stávající, které umožňují operační objednání dat dle požadavků uživatele, již nefunkční, jejichž archivní data se dají použít pro srovnání stávajícího a historického stavu, a platformy plánované. Zhodnocena je dostupnost z technického i finančního hlediska jak pro komerční tak nekomerční družice. Cena dat je podstatným a z hlediska udržitelnosti aplikace v podmínkách České republiky klíčovým faktorem. Slibné je v tomto směru plánované zahájení provozu evropské družicové konstelace Sentinel, která nabídne členským státům operačně pořizovaná data vysokého rozlišení zdarma. Dokument cílí na aplikace pro sledování dvou základních okruhů dopravních jevů, které souvisí s bezpečností v dopravě a dále s jejími vlivy na okolí:  

sledování nežádoucích pohybů a deformací dopravní infrastruktury, sledování dopadů dopravní infrastruktury na životní prostředí.

Jevy vhodné pro sledování pomocí prostředků DPZ byly identifikovány na základě rešerše literatury, projektů a zkušeností autorů a byly konzultovány s odborníky z Ředitelství silnic a dálnic a Správy železniční dopravní cesty.



‐ 7 ‐

1

ÚVOD

Dálkový průzkum Země (DPZ) se v oblasti nevojenských aplikací začal uplatňovat již od 80. let 20. století, opravdu výrazného nástupu a komerčního využití se dočkal až na přelomu tisíciletí v důsledku zvýšení počtu operačně provozovaných komerčních a nekomerčních družic. Hovoříme o rozvoji “průmyslu DPZ” (z angl. Earth Observation Industry), který sobě zahrnuje segment vlastních družic, ale i obslužnou infrastrukturu včetně přijímacích stanic, rozsáhlých datových archivů a přístupových bodů pro vyhledávání, výběr a objednání družicových dat, a dále navazující služby zaměřené na vývoj specializovaných softwarových nástrojů, zpracování, analýzu a interpretaci družicových dat. Informace o objektech a jevech na zemském povrchu a o jejich vlastnostech získané z družicových dat dnes nacházejí uplatnění v celé řadě oblastí, vědních oborů a aplikací počínaje životním prostředím přes zemědělství a lesnictví až po průmyslové, těžební a infrastrukturní aplikace, dopravu nevyjímaje. Na základě požadavků založených na vlastnostech, charakteru a rozsahu sledovaného objektu či jevu je dnes možné vybírat z řady alternativ družicových dat, které se liší svým prostorovým, spektrálním a temporálním rozlišením i cenou. Zatímco sledování stavu životního prostředí pomocí DPZ jako je detekce zdravotního stavu vegetace, fragmentace krajiny ad. se řadí k tradičním aplikacím, které využívají dlouho vyvíjené a operačně nasazované metody detekce, klasifikace a analýzy převážně nad optickými daty DPZ, sledování pohybů a deformací pomocí DPZ je mladším odvětvím, které využívá tzv. radarové interferometrie pomocí syntetické aparatury – InSAR (z angl. Interferometric Synthetic Aperture Radar). Nejmladší a současně nejprogresivnější technika InSAR využívá srovnání fázových rozdílů signálů z více snímků SAR a nazývá metoda trvalých odražečů –PS InSAR (z angl. Persistent Scatterers InSAR). Techniky InSAR jsou založeny na porovnání fázové složky dvojice nebo série radarových SAR snímků. Ty jsou pořízeny přesnými senzory umístěnými na družicovém nosiči pohybujícím se na oběžné dráze ve výšce stovek kilometrů nad zemským povrchem. Technika umožňuje sledovat pohyby povrchu a objektů na něm až s přesností jednotek milimetrů za rok. Je třeba zdůraznit, že data a metody DPZ slouží k detekci projevů sledovaných jevů a neukazují přímo na jejich příčinu. Stejně tak nemůže dálkový průzkum odpovědět na otázku, zda se jedná o pohyb žádoucí nebo nežádoucí. Interpretaci výsledků je proto třeba provést ve spolupráci s odborníky na sledovanou problematiku (deformace infrastruktury, projektanti, analytici a měřiči konvenčními sledovacími metodami). Toto platí v dálkovém průzkumu Země obecně. V čem je třeba vyzdvihnout hlavní přínos DPZ je schopnost detekovat nejen velikost (magnitudu) či intenzitu sledovaného jevu, ale především jeho rozsah v prostoru a v případě monitorování i projev v čase. To činí z dálkového průzkumu vhodný doplněk ke konvenčním měřícím metodám tam, kde jsou tyto metody sice přesnější, ale kde by jejich plošné nebo preventivní nasazení bylo neefektivní nebo neekonomické. Další výhodou DPZ je možnost využití archivních dat pořízených v minulosti ke zpětnému monitoringu požadovaných jevů (tzv. backdating). Dokument č.: Verze: D1.00


‐ 8 ‐

Dokument je strukturován následujícím způsobem: 







Rešeršní část stručně shrnuje stav výzkumu a operačních aplikací metod a dat DPZ v oblasti dopravy na základě rešerše odborných článků a výstupů z proběhlých i probíhajících projektů aplikovaného výzkumu. Datová část sumarizuje přehled dostupných dat DPZ dle jejich typu, módu rozlišení a určení. Kromě archivních dat a dat z v současnosti operačně provozovaných družic jsou uvedeny i data z družic, které by měly být uvedeny do provozu v blízké budoucnosti. Klíčová část dokumentu se zaměřuje na stručný popis a charakteristiku metod pro sledování dopravních jevů, a to z hlediska výhod i možných omezení. Postupně jsou představeny jednotlivé jevy související s bezpečností v dopravě a jejími dopady na životní prostředí, které byly identifikovány ve spolupráci se zástupci ŘSD a SŽDC. Jevy jsou, bylo‐li to možné, popsány a kvantifikovány z hlediska jejich projevů v prostoru a čase a jsou navržena vhodná data a metody pro jejich sledování pomocí DPZ. Poslední část dokumentu se zabývá analýzou přínosu aplikace dat DPZ v dopravě. Jsou sumarizována kvalitativní kritéria obecných přínosů a jsou uvedeny náklady na pořízení dat a realizaci služeb jako vstup pro kvantitativní porovnání nákladů a finančních dopadů pro zadavatele služeb. V této kapitole je také zhodnocena výtěžnost dat po kategoriích.



‐ 9 ‐

2

REŠERŠE

V rešeršní části je odkazováno na výzkumné práce a projekty zaměřené na aplikaci metod DPZ pro sledování vybraných jevů v oblasti dopravy. Cílem není podat vyčerpávající rešerši dostupné literatury na dané téma, ale odkázat na základní zdroje dokumentující aktuálnost řešené problematiky v kontextu dopravních aplikací. Dopravní infrastruktura (DI) představuje nedílnou součást hospodářství a její rozvoj a údržba je předmětem dopravní politiky v národním i nadnárodním měřítku. Dopravní infrastrukturu lze chápat zejména jako cesty a doprovodné technické zázemí (např. dálnice, železnice, ale také produktovody nebo vodní cesty, nezahrnuje však samotné dopravní prostředky, jejichž pozorování pomocí satelitů je také v omezené míře proveditelné v podobě pilotních studií, například na pozemních komunikacích nebo detekce plavidel.

2.1

SLEDOVÁNÍ NĚŽÁDOUCÍCH POHYBŮ A DEFORMACÍ DOPRAVNÍ INFRASTRUKTURY

Jak bylo naznačeno v úvodu, metoda trvalých odražečů PS InSAR je poměrně mladou implementací radarové interferometrie. Metoda PS InSAR vychází z nejnovějších vědeckých poznatků a v současnosti se v oblasti DPZ jedná o nejčastěji používanou metodu pro dlouhodobé sledování jevů souvisejících s pohyby a deformacemi povrchů v řadě tematických oblastí včetně dopravy. V literatuře lze nalézt reference, které potvrzují její robustnost a aplikovatelnost s využitím časových řad družicových snímků s různým prostorovým rozlišením. Zde je nutno předestřít, že se jedná o metodu, kterou lze využít ke sledování obecně jakýchkoliv pohybů a deformací, ať již se jedná o pohyby nezastavěného zemského povrchu nebo budov a objektů infrastruktury. Tedy k detekci projevu jevů (pohybů, posunů), které jsou buď přírodního původu (v důsledku zemětřesení, sopečné aktivity, pohybů zemské kůry a nestability svahů), nebo antropogenního původu (poddolování), resp. pohybů samotného sledovaného objektu coby důsledků jeho stavu (stárnutí, deformace atd.); v případě použití dat s metrovým či submetrovým rozlišením lze sledovat i změny vlivem teplotní dilatace. V dlouhodobém horizontu je možné detekovat lineární i nelineární posuny v řádu centimetrů až milimetrů. Omezení pro konkrétní aplikaci jsou daná charakterem projevu sledovaného jevu v kombinaci s dostupností vhodných dat z hlediska prostorového, temporálního a spektrálního (vlnového) rozlišení. Metodický popis využívající bodů se stabilním projevem, tzv. trvalých odražečů, v sadě snímků pořízených během určitého časového intervalu byl publikován v roce 1999 výzkumníky z Milánské polytechniky a byl jimi dále rozveden a podrobně popsán v [1]. Dle [2], který podrobně popisuje teoretické základy a principy sady metod v rámci InSAR, se obecně pro sledování pohybů a deformací zpracovává pár či série radarových snímků, nasnímaných obvykle z družice (je však možná i letecká či pozemní varianta). Existuje řada variant metody InSAR: D InSAR (diferenciální InSAR), který zpracovává dva nebo více snímků po dvojicích (každá dvojice se vyhodnocuje samostatně); vlastní PS InSAR, který využívá zpracování velké sady (série) dat, avšak ne celých snímků (jen význačné body) [1], SBAS (metoda krátkých základen‐ Dokument č.: Verze: D1.00


‐ 10 ‐

z angl. Small BAseline Subsets) [3], SqueeSAR [4] a další, již méně významné. Použití konkrétních metod závisí na řadě faktorů vycházejících z mapovaného jevu a prostředí, dostupnosti dat a liší se i diskovými a výpočetními nároky. Podrobnější přehled metod InSAR a diskuse vhodnosti pro sledování konkrétních jevů jsou uvedeny v kapitole 4. Z pohledu dálkového průzkumu Země se v dopravě až na výjimky jedná o stavby liniové, kde jeden rozměr stavby řádově přesahuje rozměry ostatní. Výhodou je, že jde o umělé objekty, jejichž vlastnosti jsou pro účely PS InSAR nepoměrně příznivější než objekty přírodní ‐ především co se týče stability objektů a jejich okolí. Výhodám PS InSAR pro zpracování pro liniové stavby se věnuje [5], která zmiňuje monitorování hráze v Nizozemí na základě široké časové řady 83 snímků z družic středního rozlišení (ERS‐1/2), pořízených v letech 1992‐2000. Nevýhodou z hlediska pokryvnosti jednotlivými snímky může být délka liniové stavby. Pokud stavba zasahuje do více sad sousedních snímků, je třeba provést zpracování pro každou sadu zvlášť (pro každou dráhu družice budou i různá data snímání) a výsledky pak spojit; postup spojení lze najít v [6]. Studie [7] tuto metodu aplikuje na sledování čínské dálnice dlouhé přes 1600 km, jejíž poklesy v řádu 5‐10 cm/rok jsou způsobeny čerpáním podzemní vody. Zpracování zde probíhalo pouze v 3km pásu okolo dálnice a byly použity snímky z družice středního rozlišení (ENVISAT) z let 2008‐2010. Pro silniční a zvláště pro železniční infrastrukturu mohou být vážným problémem neplánované poklesy podloží, tzv. subsidence. Poklesy v oblasti koridoru rychlostní železniční trati způsobené čerpáním podzemní vody byly sledovány v rámci několika projektů ‐ [8] (s využitím 9 snímků z družice ENVISAT z let 2003‐2004 metodou D InSAR) a [9] (s využitím 37 snímků z družice TerraSAR‐ X s velmi vysokým rozlišením cca 1 m, 2009‐2010 pomocí metody PS InSAR). Podobně lze sledovat i poklesy v důsledku poddolování, např. v důsledku stavby tunelu metra. Čínské město Šanghaj je položeno v deltě řeky na jílech a píscích a dle detekce poklesů metodou PS InSAR v [10] zde byly získány přesné trasy nově postavených úseků metra, které do té doby nebyly zveřejněny. Pro účely studie bylo využito několika desítek snímků velmi vysokého rozlišení (1 m) z družic Cosmo‐SkyMed z let 2008‐2010. Metodou InSAR byly též sledovány [11] poklesy způsobené ražbou metra v Londýně, který je také situován na silných vrstvách jílu. Projekt demonstroval možnosti metodologie tentokrát s využitím 31 snímků středního rozlišení z družic ERS‐1/2 z let 1992‐2001. V Itálii byly sledovány deformace v důsledku stavby tunelů (resp. infrastruktury nad tunely) [12], a to ze satelitů ERS‐1/2 (1992‐2001) a RADARSAT (2003‐2008). Byly využívány jak klesající, tak stoupající dráhy, což umožnilo spolehlivěji odhadnout deformace ve více směrech – tato metoda kontrastuje s obvyklým využitím série snímků pouze z jedné dráhy družice, kdy dostáváme deformace pouze ve směru paprsku (tzv. line of sight ‐ LOS, typicky tedy v odklonu cca 25‐40 stupňů od svislice). Navíc je zde na případových studiích doložena aplikovatelnost PS InSAR při řešení problémů s pohyby v různých fázích výstavby železničních tunelů (projektovou, realizační – propady, svahové sesuvy a monitorovací – sledování účinnosti aplikovaných opatření). ASTRIUM [13, 14]podobně jako TRE [12] se snaží uvádět PS InSAR aplikace do industriální operační praxe, jak dokládá na příkladech monitorování subsidence pomocí TerraSAR‐X snímků v souvislosti



‐ 11 ‐

s výstavbou tunelů v Budapešti a Hong Kongu, bohužel bez doložení konkrétních detailů zpracovatelského postupu a přesnějších výsledků. Dlouhodobé sledováním tektonických pohybů v přípravné fázi před výstavbou mostní konstrukce se věnuje [15], nicméně výhody takového monitoringu se projeví především v tektonicky aktivní oblasti. [16] se zaměřili na sledování deformací mostní konstrukce nejdelšího zavěšeného mostu v Evropě: Rio‐Antirio v Řecku. V 34 snímků dlouhé řadě snímků velmi vysokého rozlišení z TerraSAR‐X v letech 2010‐2012 byly na mostní konstrukci identifikovány umělé odražeče na vrcholech mostních pylonů a podél nájezdů, které umožnily detekci pohybů pomocí implementace PS InSAR. Výsledky studie byly validovány s využitím rozdílné techniky PS InSAR v rámci evropského projektu TerraFirma. Autoři zdůrazňují jednu z výhod PS InSAR – sledování diferenciálních relativních rozdílů deformací. Na rozdíl od rovnoměrně působících pohybů či deformací, některé diferenciální mohou představovat značné riziko pro mostní konstrukce. Další z častých, ne‐li nejčetnějších, aplikací interferometrie je sledování svahových pohybů a sesuvů. Z řady zdrojů se jen minimum věnuje přímo aplikacím v souvislosti s dopravou, nicméně jedná se o univerzální implementaci metod použitelné pro stanovení rizika v důsledku probíhajících pohybů nebo detekci rozsahu zasaženého území. Velkým problémem při sledování přírodních povrchů je její tzv. dekorelace vlivem vegetace. Při nedostatku koherentních přírodních trvalých odražečů je třeba použít umělých trvalých odražečů, tedy pro tyto účely vyrobených a nainstalovaných odražečů. Tento přístup je dokumentován v [17] při sledování subsidence v okolí železnice vedoucí nad krasovou oblastí v Rusku či potrubí na sesouvajícím se svahu na Kubě. Pro oba projekty byla použita metoda D InSAR a pouze 4 snímky z družice TerraSAR‐X. Umělé trvalé odražeče nelze použít pro historické zpětné mapování. V [18] je doloženo, že nevhodná data v kombinaci s nepříznivými topografickými podmínkami vedou k neuspokojivým výsledkům i tam, kde jsou svahové pohyby zdokumentovány a za normálních okolností by měly být detekovatelné. Zájmová oblast zde byla situována v radarovém překryvu, pokryta alespoň částečně vegetací, a protože šlo o historická archivní data, nebylo možné ani změnit úhel pohledu, ani instalovat umělé odražeče. Jsou zde také popsány potřebný počet a konstelace umělých odražečů pro sledování sesuvné oblasti dané velikosti. Z hlediska časového a prostorového rozlišení je pro sledování bodových nebo plošně malých objektů velmi slibná metoda T InSAR (terestriální InSAR), která využívá statického SAR radaru umístěného na zemském povrchu. V oblasti sledování dopravní infrastruktury nebo rizikových faktorů je tato metoda v současnosti ve fázi případových studií nebo testování. Např. v rámci projektu ARTES Evropské kosmické agentury je financován projekt [19] na sledování ohrožení infrastruktury ve švýcarských Alpách. Zatím nejsou bohužel známy podrobnosti a konkrétní výsledky testování. V České republice doposud nebyla úspěšně zrealizována aplikace zaměřená na využití PS InSAR přímo v dopravě, nicméně proběhlo několik studií nebo testování v jiných resortních oblastech. V rámci projektu zaměřeného na vyhodnocení poklesů v důsledku důlní činnosti proběhlo v r. 2010 vyhodnocení poklesů na Ervěnickém koridoru v sev. Čechách [20]. Ervěnický koridor je čtyřproudá silnice, dvoukolejná železnice a zatrubněná řeka Bílina, společně postavené v 80. letech 20. století Dokument č.: Verze: D1.00


‐ 12 ‐

na výsypce. Poklesy koridoru v prvních letech byly v řádu 1 m/rok, od té doby postupně klesají. Zpracováním 35 snímků z družic ERS‐1/2, pořízených v letech 1992‐2000 s rozlišením 4.5 m (směr letu) x 20‐30m (směr kolmý) metodou PS InSAR v programu GAMMA/IPTA byly detekovány maximální poklesy cca 5.5 cm/rok s odhadem jejich lineárního časového průběhu. Byla zpracována větší oblast, poklesy však byly znatelné jen na samotném železničním koridoru, zatímco na silnici ani na potrubí nebyly zpracovány body z důvodu nízké odrazivosti. V současnosti v oblasti probíhá návazný výzkum s využitím dat velmi vysokého rozlišení z družice TerraSAR‐X a instalovaných umělých trvalých odražečů. V oblasti dopravy bylo také provedeno testování využití dat z TerraSAR‐X pro sledování pohybů jednoho z dálničních nadjezdů na dálnici D47 [21]. Nicméně byl použit malý počet snímků (6) a výsledky nebyly validovány. V České republice bylo dále zrealizováno několik projektů využívajících techniky InSAR na datech středního rozlišení – ERS ½ a ENVISAT ASAR). Projekty se nevěnovaly dopravně a infrastruktuře jako takové, ale byly zaměřeny na mapování subsidence vlivem důlní činnosti a detekci subsidence ve velkých městech (Praha, Ostrava) [22, 23]. Některé zóny poklesů detekované pomocí metody PS InSAR koincidují se silniční nebo železniční infrastrukturou a patrně souvisí s kompresí podloží nebo jeho složením. Otázkou ověření přesnosti metod PS InSAR a validace výsledků pomocí pozemních měření se obsáhle zabývá report publikovaný v rámci evropského projektu TerraFirma [24].

2.2

SLEDOVÁNÍ VLIVŮ A DOPADŮ DOPRAVNÍ INFRASTRUKTURY NA ŽIVOTNÍ PROSTŘEDÍ

Intenzita dopravy nadále roste, důsledkem je nárůst vlivu dopravy na ŽP a z toho plynoucí vyšší míra znečištění. Kromě kontinuálního znečišťování z běžného provozu můžeme odlišit případy znečištění způsobené mimořádnými událostmi ‐ haváriemi. Emise polutantů způsobené dopravním provozem vznikají především jako důsledek nedokonalého spalování fosilního paliva. V menší míře ke zhoršení vlastností ovzduší přispívá také víření pohybem dopravních prostředků a opotřebení součástí vozidel. Na základě pozorování lze z dat DPZ dále odvodit některé veličiny popisující charakter znečištění ovzduší. Častou aplikací je monitorování optické hloubky, ovlivněné aerosoly (AOD Aerosol optical depth). Od poloviny 90. let bylo vypuštěno několik desítek družic se zaměřením na monitorování kvality ovzduší[28]. Většinou se jedná o družice nízkého a středního rozlišení (3‐1 km, 1000 ‐ 250m) a primárně slouží pro meteorologická vyhodnocení a jako zdroj pro globální modely. Široký přehled družic a aplikací pro monitorování kvality ovzduší jako AVHRR, GOES, Aura (OMI), Gome‐1, Terra (MODIS, MISR), Aqua (MODIS), ENVISAT, Metop lze najít v [28][29]. Do budoucna jsou také plánované další družice pro monitorování atmosféry např. Sentinel 5 (ESA). Data DPZ lze dále využít jako vstup pro další modelování, např. rozptylových podmínek. Dokument č.: Verze: D1.00


‐ 13 ‐

Často lze získat pro operační použití i hotové produkty např. MODIS ‐ Aerosol Product [30][31]. Příklady aplikací a detekce polutantů jako NO2, O3, CO apod. uvádí např. [29]. [32] uvádí příklad monitorování optické hloubky v asijských megalopolích s využitím satelitních družicových dat MODIS a následně pomocí pozemních měření, dat Land Cover a populačních charakteristik modelování zplodin. Přes možné náhodné vlivy (lesní požár, srážky) studie potvrzuje korelaci pozorování DPZ (AOD) a měření (PM2.5). Odvození množství PM2.5 je možné určit také z dat vysokého rozlišení např. SPOT [33]. Vzniklá mapa poskytuje prostorovou distribuci s lepšími parametry, než interpolace lokálních měření. Pomocí dat velmi nízkého rozlišení ‐ např. OMI (Ozone monitoring instrument) lze také určovat koncentrace dalších chemických látek jako NOx nebo O3 [34] . Tato měření jsou spíše vhodná pro pozorování velkých území, jejich aplikace vzhledem k prostorovému rozlišení, je např. pro menší městskou aglomeraci omezená. Kromě satelitních měření je možné vzdušné polutanty monitorovat i letecky ‐ Airborn Air Quality Mapper (AAQM) na příkladu města Leicester (UK)[35]. Na základě absorpce ve viditelném spektru jsou vyhodnoceny a odhadovány zdroje znečištění NO2 (průmysl ale také doprava). Podrobnou analýzu využití satelitních dat v oblasti znečištění ovzduší poskytuje také zpráva JRC [34]. Pomocí leteckých nosičů lze analogicky využít i hyperspektrálních senzorů, jedná se zatím převážně o studie. Zimní údržba DI je vzhledem k dnešní intenzitě dopravy nezbytná. Především zimní solení na bázi chloridů (sodný, méně vápenatý) obnáší nežádoucí škálu efektů na vegetaci kolem silnic, ať už na fyziologický stav rostlin či posuny v zastoupení druhů na úrovni společenstva; na kvalitu vody podzemní i povrchové a na živočichy v nich žijící; na změnu vlastností půd, jako jsou stabilita, dostupnost živin, obsahy (resp. toky) jednotlivých makro i mikroprvků. Kvalita půdy také zpětně ovlivňuje stav rostlinného společenstva [36]. Příklad aplikace DPZ při monitorování zhoršení stavu vegetace na příkladu úmrtnosti stromových formací uvádí [37], pomocí odvozeného indexu listové plochy (a NDVI) z dat IKONOS pak [38]. Monitorování kontaminace půdy v případě havárií např. produktovodů je obvykle rentabilní jen pro odlehlé lokality anebo pro zvlášť rozsáhlé úniky škodlivých látek[39]. Nezbytnou podmínkou pro spolehlivou identifikaci vegetace a stanovení dalších vlastností je snímání v blízkém infračerveném pásmu (NIR, SWIR). Existuje celá řada studií a příkladů dokládajících širokou využitelnost pro mapování vegetace z dat DPZ a dnes jsou tato mapovaní prováděna rutinně a do značné míry i automatizovaně. Podrobný přehled aplikací této skupiny dat včetně nejběžnějších postupů uvádí např. [41]. Častým přístupem jsou také metody a algoritmy určení biofyzikálních parametrů následně umožňující interpretaci stavu vegetace [41]. Výzkum bioindikátorů vychází z výzkumu a modelování závislostí spektrálních vlastností (odrazivost, spektrální absorpce, barva, propustnost a další) a jejich přiřazení (souvislost) se stresovými faktory na rozličných plodinách ‐ např. v zemědělství (obilí, vojtěška apod.) v různých podmínkách (acidifikace půdy, znečištění těžkými kovy, vlastnostmi půdy, míře hnojení apod.) Vyvozením statistických souvislostí lze následně stanovit vhodné indikátory pro posouzení stavu vegetace[42]. Mezi nejčastěji aplikované postupy lze zařadit využití vegetačních indexů. Princip spočívá v algebraické kombinaci spektrálních pásem. Tato kombinace pak umožní zvýraznění požadovaných projevů vegetace, nebo konkrétní charakteristiky vegetace, nebo naopak potlačení nežádoucích Dokument č.: Verze: D1.00


‐ 14 ‐

elementů v datech [41]. Výhodou indexů je především přenositelnost mezi snímky pořízenými za odlišných podmínek v jisté míře i např. mezi různými senzory [43],[44],[45],[46]. Kromě vegetačních indexů lze také využít obrazové transformace a biofyzikální indexy založené na modelaci přenosového modelu. Následně je možné vytvořit model popisující vztah mezi indexem a konkrétním ukazatelem stavu vegetace. Využití hyperspektrálních dat pro environmentální vyhodnocení (vegetační stres) a vztahu kontaminace toxickými kovy a zdravotním stavem vegetace je předmětem práce [46]. Příklad velmi komplexního posouzení DPZ v procesu plánování DI lze najít v [48]. Tato zpráva je ukázkou a sumarizací výhod DPZ pro plán výstavby významné komunikace (USA). Zahrnuje kompletní proces od výběru vhodných dat, zpracování a volby metod analýzy až po hodnocení předností. Pro městské prostředí lze uvést studii monitorování kondice stromů na základě leteckého snímkování v rozlišení 1m, která na základě korelace umožňuje stanovení stresu stromů s využitím vegetačních indexů ‐ analogický postup lze pak aplikovat na družicová data VHR [49]. V rámci projektu VAV v České republice proběhlo vyhodnocení možností monitoringu stavu a změn v okolí hlavních komunikací pomocí metod DPZ [49]. V rámci projektu byly testovány praktické aplikace pro sledování vybraných jevů pomocí optických dat DPZ a laserového skenování (LiDARu).



‐ 15 ‐

3

PŘEHLED DAT DPZ

3.1

ÚVOD

V následující kapitole je uveden ucelený přehled dostupných družicových dat, jejich parametrů a vlastností, které jsou podstatné při jejich výběru pro aplikace v dopravě. Data byla z důvodu větší přehlednosti a neporovnatelnosti některých charakteristik rozdělena do dvou skupin – na optická a radarová. Rozdíly charakteristik vycházejí z rozdílu povahy mezi optickým (pasívním) a radarovým (aktivním) snímáním. Přehled se zaměřuje na data z družicových senzorů. V případě hyperspektrálních dat, kde je zatím funkční minimum družicových systémů, jsou v samostatné tabulce uvedené dostupné letecké senzory. Výčet dat není úplný, ale zaměřuje se na nejrozšířenější komerční a nekomerční družice a systémy velmi vysokého (VHR) a vysokého (HR) rozlišení, které jsou relevantní pro aplikace v dopravě. V optické doméně jsou uvedeny i některé družice středního rozlišení (MR), které mohou nacházet uplatnění pro sledování znečištění ovzduší. Data jsou dále zhodnocena z hlediska jejich dostupnosti z technického a finančního hlediska.

3.2

ZÁKLADNÍ PARAMETRY DAT

Následující tabulky sumarizují komerční i nekomerční družicová data z hlediska základních parametrů souvisejících s pokryvností, prostorovým, spektrálním a temporálním rozlišením (tzv. periodou snímání). Radiometrické rozlišení u funkčních družic bývá 10 nebo více bitů což zajištuje dostatečný dynamický rozsah hodnot pro rozlišení jemných nuancí v odrazivosti sledovaných povrchů.   



Prostorové rozlišení určuje velikost detekovatelných objektů Spektrální rozlišení (počet kanálů) ovlivňuje vzájemnou rozlišitelnost typů objektů a povrchů na základě rozdílu v odrazivosti materiálů, které je tvoří. Temporální rozlišení dané periodou snímání určuje, za jak dlouho bude moci být území danou družicí znovu nasnímáno. Jedná se o klíčový parametr pro aplikace založené na monitoringu ‐ dlouhodobém a opakovaném pozorování vybraného jevu. Šíře záběru určuje plochu pokryvnosti v rámci jednoho snímku. Obecně platí, že vyšší prostorové nebo spektrální rozlišením jsou vykoupeny nižší pokryvností.

V případě radarových družic nehovoříme o spektrálním rozlišení jako u optických, frekvence kmitání (potažmo jeho vlnová délka) elektromagnetického signálu v použitém pásmu nicméně ovlivňuje charakter odraženého signálu a je důležitým parametrem při výběru vhodných dat pro konkrétní aplikace, zvláště v radarové interferometrii. V aplikacích zaměřených na detekci a rozlišení objektů a krajinného krytu hraje důležitou roli další z parametrů, kterým je schopnost detekovat směr kmitání odraženého signálu (tzv. polarizace), který je ovlivněn interakcí s povrchem a závisí na jeho dielektrických vlastnostech. Pro interferometrické aplikace jsou relevantní radarová data nasnímaná v tzv. Single Look Complex módu (SLC), který umožňuje detekovat jak amplitudu (intenzitu) tak fázi odraženého signálu. Dokument č.: Verze: D1.00


‐ 16 ‐

Název

DRUŽICE Operační doba

OrbView‐3 Ikonos QuickBird Formosat‐2 Kompsat‐2 WorldView‐1 GeoEye‐1 WorldView‐2 Pleiades Kompsat‐3 SPOT6 WorldView‐3 GeoEye‐2 ALOS (AVNIR‐2) ALOS (PRISM) Landsat‐5 Landsat‐7 Landsat‐8 SPOT4 SPOT5 RapidEye Sentinel‐2a/2b Proba‐1 EO‐1 EnMap PRISMA Terra (MODIS) Aqua (MODIS)

Tabulka 1 Dokument č.: Verze: D1.00

2003‐2007 1999‐dosud 2001‐dosud 2005‐dosud 2006‐dosud 2007‐dosud 2008‐dosud 2009‐dosud 2012‐dosud 2013‐dosud 2013‐dosud 2014* 2020* 2006‐2011 2006‐2011 1985‐2011 1999‐2003 2013‐dosud 1998‐2013 2002‐dosud 2008‐dosud 2014/2015* 2001‐dosud 2001‐dosud 2017* 2014* 2000‐dosud 2002‐dosud

Perioda snímání Šíře záběru (dny) (km) 3 3 3 1 5 2 3 2 1 2 3 ? ? 5 5 16 16 16 5 3 1 10/5 2 30 21 7 1 1

8 11 16 24 15 17,6 15,2 16,4 20 16,8 60 13,1 14,5 70 35 185 185 185 60 60 77 290 14 7,7 30 30 2330 2330

ROZLIŠENÍ PAN (m) MS (m) 1 1 0,6 2 1 0,5 0,5 0,5 0,7 0,7 1,5 0,31 0,34 ‐ 2,5 ‐ 15 15 10 5 ‐ ‐ 5 10 ‐ 5 ‐ ‐

4 4 2,4 8 4 ‐ 4 1,84 2,8 2,8 6 1,24; 3,7; 30 1,36 10 ‐ 30 30 30 20 10 6,5 10; 20; 60 18 a 34 30 30 30 250; 500; 1000 250; 500; 1000

KANÁLY MS počet 4 4 4 4 4 0 4 8 4 4 4 8+8+12 4 4 0 6 6 8 4 4 5 4; 6; 3 18+64 9+220 228 237 36 36

KATEGORIE DLE ROZLIŠENÍ spektrálního prostorového multispektrální multispektrální multispektrální multispektrální multispektrální panchromatická multispektrální superspektrální multispektrální multispektrální multispektrální superspektrální multispektrální multispektrální panchromatická superspektrální superspektrální superspektrální multispektrální multispektrální multispektrální superspektrální hyperspektrální hyperspektrální hyperspektrální hyperspektrální hyperspektrální hyperspektrální

Parametry optických dat DPZ GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013

‐ 17 ‐

VHR VHR VHR VHR VHR VHR VHR VHR VHR VHR VHR VHR VHR HR HR HR HR HR HR HR HR HR HR HR HR HR MR MR

POZNÁMKA Již nefunkční. PAN a MS snímány zvlášť. Nejstarší VHR družice. Bez vlícování chyba v poloze až 25m. Pokrytí lze zjistit jen dotazem. Pokrytí lze zjistit jen dotazem. Pouze černobílá data GE‐1 a WV‐2 nejpodrobnější dostupná data. MS volitelné 4 nebo 8 kanálů. Rozlišení PAN 0,7m, ale dodáváno 0,5m. Přelety ve 13:30 lokálního času. Bude dodáváno rozlišení jen do 0,5m. Bude dodáváno rozlišení jen do 0,5m Od podzimu 2011 prakticky nesnímá. Od 2003/05 použitelná pouze 1/8 scény Nová pásma MS a úprava rozsahu. PAN HRG rozl. 5 m, PAN HRS 10 m Konstelace celkem 5 družic, pouze MS data. Plánovaná operační doba Hyperspektrální pokusná družice Hyperspektrální italská družice

DRUŽICE Název

Operační doba

ALOS Palsar ALOS Palsar ALOS Palsar ALOS Palsar

2006‐2011 2006‐2011 2006‐2011 2006‐2011

ALOS‐2 Palsar‐2 ALOS‐2 Palsar‐2 ALOS‐2 Palsar‐2 ALOS‐2 Palsar‐2 ALOS‐2 Palsar‐2 ALOS‐2 Palsar‐2

2014* 2014* 2014* 2014* 2014* 2014*

PERIODA SNÍM. Akviziční mód

SCÉNA

ROZLIŠENÍ

VLNOVÁ DÉLKA

POLARIZACE

INTERFEROMETRIE

23,61 23,61 23,61 23,61

single dual full single

SLC data SLC data SLC data NE

22,90 22,90 22,90 22,90 22,90 22,90

single single, dual single, dual, full single, dual, full single, dual single, dual

SLC data SLC data SLC data SLC data NE NE

(dny)

Šířka (km)

Délka (km)

Range x Azimuth (m)

Pásmo

λ (cm)

FBS Fine Resolution FBD Fine Resolution P Fine Polarimetric SL SCANSAR

46 46 46 46

70 70 30 350

70 70 70 350

7až44 14až88 30 100 a více

L L L L

SpotLight Ultra Fine High Sensitive Fine Scansar Nominal Scansar Wide

14 14 14 14 14 14

25 50 6 10 100 60

25 50 50 70 350 490

1x3 3x3 6x6 10x10 100x100 60x60

L L L L L L

z

COSMO‐SkyMed 1 až 4

2007‐dosud

SpotLight

16 (1)

10

10

1x1

X

3,12

single

SLC data

COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 Envisat ASAR Envisat ASAR Envisat ASAR Envisat ASAR Envisat ASAR

2007‐dosud 2007‐dosud 2007‐dosud 2007‐dosud 2007‐dosud 2002‐2012 2002‐2012 2002‐2012 2002‐2012 2002‐2012

SpotLight‐2 StripMap‐Himage StripMap‐PingPong ScanSAR‐WideRegion ScanSAR‐HugeRegion StripMap‐Image Alternating polaris. StripMap‐Wave Wide Swath Global Monitoring

16 (1) 16 (1) 16 (1) 16 (1) 16 (1) 35 35 35 35 35

7 40 30 100 200 100 100 5 400 400

7 40 30 100 200 100 100 5 400 400

1x1 3‐5x3‐5 15x15 30x30 100x100 30x30 30x30 400x400 150x150 950x950

X X X X X C C C C C

3,12 3,12 3,12 3,12 3,12 5,60 5,60 5,60 5,60 5,60

single single full single single single alternating single single single

SLC data SLC data SLC data NE NE SLC data SLC data SLC data NE NE

ERS‐2

1995‐2011

ERS‐PRI

35

100

100

30x30

C

5,66

single

SLC data

JERS

1992‐1998

Standard

44

75

75

18x18

L

23,51

single

SLC data

Kompsat‐5 Kompsat‐5 Kompsat‐5 PAZ SEOSAR PAZ SEOSAR

2013* 2013* 2013* 2014* 2014*

High Resolution Standard Mode Wide Swath SpotLight ScanSAR

28 28 28 11 11

5 30 100 5 100

5 800 800 10 100

1x1 3x3 20x20 1x1 15x15

X X X X X

3,20 3,20 3,20 3,11 3,11

single single single single single

SLC data SLC data SLC data SLC data SLC data

PAZ SEOSAR

2014*

Stripmode

11

30

30

3x3

X

3,11

single

SLC data

Tabulka 2

Parametry radarových dat DPZ (část1)

Funkční družice Nefunkční družice Plánovaná družice



‐ 18 ‐

Název

DRUŽICE Operační doba

Akviziční mód

RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2

1996‐2013 1996‐2013 1996‐2013 1996‐2013 1996‐2013 1996‐2013 1996‐2013 2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud

RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 Sentinel‐1A/1B Sentinel‐1A/1B Sentinel‐1A/1B Sentinel‐1A/1B TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X

2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud 2008‐dosud 2014/2015* 2014/2015* 2014/2015* 2014/2015* 2007‐dosud 2007‐dosud 2007‐dosud 2007‐dosud 2007‐dosud

Fine Standard Extended High Wide Extended Low ScanSAR Narrow ScanSAR Wide Spotlight A Ultra‐Fine Wide Ultra‐Fine Multi‐Look Fine Wide Multi‐Look Fine Fine Fine Quad‐Po Extended High Standard Quad‐Pol Standard Wide Extended Low ScanSAR Narrow ScanSAR Wide strip mode interferom. wide extra‐wide swath wave mode Staring SpotLight High Res. SpotLight SpotLight Stripmap ScanSAR

TerraSAR‐X, TanDEM‐X

2007‐dosud

WideScanSAR

Tabulka 3

PERIODA SNÍMÁNÍ (dny)

SCÉNA Šířka (km) Délka (km)

ROZLIŠENÍ Range x Azimuth (m)

VLNOVÁ DÉLKA Pásmo λ (cm)

POLARIZACE

INTERFEROMETRIE z

24 24 24 24 24 24 24 24 24 24 24

45 100 75 150 170 305 510 20 20 50 50

50 100 75 150 170 300 500 20 20 50 50

9‐11x9 28x25 28x20 28x25 28x40 50x50 100x100 1x1 3x3 2,8x1,6‐3,3 4,6‐7,6x3,1‐10,4

C C C C C C C C C C C

5,66 5,66 5,66 5,66 5,66 5,66 5,66 5,55 5,55 5,55 5,55

single single single single single single single single single single single

SLC data SLC data SLC data SLC data SLC data NE NE SLC data SLC data SLC data SLC data

24 24 24 24 24 24 24 24 24 24 12/6 12/6 12/6 12/6 11 11 11 11 11

90 45 25 75 25 100 150 170 305 510 80 250 400 20 4 10 10 30 100

90 50 25 75 25 100 150 170 300 500 80 250 400 20 4 5 10 50 150

4,6‐7,6x3,1‐10,4 9‐11x9 9‐11x9 28x20 28x25 28x25 28x25 28x40 50x50 100x100 5x5 20x5 40x20 5x5 0,24x0,85‐1,77 1x1 1x2 3x3 16x16

C C C C C C C C C C C C C C X X X X X

5,55 5,55 5,55 5,55 5,55 5,55 5,55 5,55 5,55 5,55 5,55 5,55 5,55 5,55 3,10 3,10 3,10 3,10 3,10

single single, dual full single full single, dual single, dual single single, dual single, dual dual dual dual single single single, dual single, dual single, dual single

SLC data SLC data SLC data SLC data SLC data SLC data SLC data SLC data NE NE doplňkově SLC data doplňkově doplňkově SLC data SLC data SLC data SLC data NE

11

270

200

40x6‐10

X

3,10

single

NE

Parametry radarových dat DPZ (část 2)

Pozn.: Plánovaný start. Po vynesení na oběžnou dráhu probíhá po dobu 3‐6 měsíců zaváděcí provoz a testování, kdy nejsou operačně pořizovány snímky Dokument č.: Verze: D1.00


‐ 19 ‐

Pro úplnost je níže uvedena tabulka s leteckými hyperspektrálními daty. Ty jsou snímány z hyperspektrální kamery umístěné na leteckém nosiči. V současné době je v ČR provozován pouze jeden hyperspektrální letecký skener: AISA Eagle. Snímání některým z dalších skenerů je nutno zrealizovat objednávkou od zahraničního provozovatele platformy. Kategorie

Šíře záběru (km)*

Rozlišení (m) *

Spektrální pásma

HyMap

Název senzoru

VHR‐HR

**

2‐10

128

AVIRIS

VHR‐HR

**

4‐20

224

CASI

VHR‐HR

**

0.25‐10

288

SFSI

VHR‐HR

**

0.5‐10

230

VHR

500‐4000***

0.5‐4

492

VHR‐HR

**

2‐10

256

AISA Eagle ProSpecTIR VS

Tabulka 4

Parametry leteckých hyperspektrálních dat

Pozn.: *Šíře záběru a rozlišení záleží na výšce, ze které je obraz snímán a na ohniskové vzdálenosti a zorném poli čočky hyperspektrální kamery ** Nebyly nalezeny vstupní údaje pro výpočet *** Příklad pro čočku ohniskové vzdálenosti 23 mm a zorném poli 29.9°



‐ 20 ‐

3.3

DOSTUPNOST DAT Z TECHNICKÉHO HLEDISKA

Dostupnost dat DPZ z technického hlediska je daná infrastrukturou, která umožňuje jednoduché a efektivní vyhledávání požadovaných dat na základě strukturovaného uživatelského požadavku, jejich kontrolu, výběr a export metadat vybraných scén pro jejich následné zpracování uživatelem. Konkrétně se jedná o následující standardní požadavky na infrastrukturu, které jsou po skupinách uvedeny pro jednotlivé družice v tabulkách níže. 









Přístupnost katalogu / archivu dat o Online / offline – nutnost instalace o Nutnost přihlášení Vyhledávání o Import / definice uživatelského AOI o Definice data pořízení nebo jejich rozsahů o Definice dalších relevantních parametrů Kontrola vhodnosti dat o Výběr dle oblačnosti o Výběr dle radiometrické kvality o Zobrazení rozsahu scény o Zobrazení náhledu scény Export výsledků hledání o Do strojově zpracovatelného formátu o Do formátu umožňujícího načtení výsledků do geografického informačního systému (GIS) Možnost objednání / zadání programování akvizice nové scény

Většina komerčních i nekomerčních družic dnes umožňuje přístup do on‐line katalogu. Katalogy se liší vzhledem, přehledností a uspořádáním dostupných funkcí a nástrojů, ale všechny nabízí standardní funkcionalitu pro výběr dat a jejich metadat. Přístup k datům s družic provozovaných Evropskou kosmickou agenturou (ESA) případně k datům z komerčních družic pořízeným v rámci některých projektů financovaných z rozpočtu Evropské komise (EC) je realizován přes off‐line aplikaci Eoli‐sa, kterou je nutné nainstalovat na lokálním PC. Až na výjimky není třeba provádět registraci uživatele pro přímý přístup ke standardní funkcionalitě katalogů. Objednání dat je v některých případech možné pro registrované uživatele přímo z katalogu, nicméně ve většině případů je nutné oslovit provozovatele případně prodejce dat pro daný region s konkrétním seznamem identifikátorů požadovaných družicových dle provedeného výběru. Důležitým aspektem z hlediska vyhovění uživatelským požadavkům co do místa a frekvence snímání je programovatelnost družice. Ta umožňuje provést manévr s vykloněním a specifickým zaměřením senzorů na místo zájmu. Krátká perioda snímání u komerčních VHR družic je daná touto schopností, bez ní by se pohybovala v řádu desítek dnů. Nevýhodu pro některé aplikace (a současně výhodu pro jiné) představuje geometrie optického snímku ve vysokých náklonech, kdy objekty na povrchu nejsou snímány shora ale z boku (až s odklonem 45° od svislice). Družice středního rozlišení a hyperspektrální družice tuto schopnost většinou nemají. Dokument č.: Verze: D1.00


‐ 21 ‐

Pořizování dat a programování každé družice probíhá v souladu s jejím operačním akvizičním plánem, který dle typu požadavku (krizový, rutinní sběr, komerční požadavek, požadavek v rámci podpory vědeckého programu atd.) přiřazuje jednotlivým požadavkům prioritu v rámci definovaných akvizičních oken. V případě optických dat se jedná o důležitý aspekt z hlediska pořizování nad oblastí pokrytou oblačností a v případě konfliktů mezi souběžnými požadavky na pořízení dat v různých směrech a úhlech snímání v rámci jedné orbity. Ještě důležitější je tento aspekt v případě radarových družic, které umožňují pořizovat snímky ve více akvizičních módech, z nichž se ale některé navzájem vylučují pro paralelní snímání. U komerčních družic mají obvykle přednost urgentní (krizové) a dále komerční požadavky. Evropská radarová družice Sentinel ‐1, jejíž data by měla být až na specifické výjimky poskytována zdarma, nabídne celkem čtyři akviziční módy snímání, navíc rozšířené o varianty polarizace, které ve výsledné kombinaci budou reprezentovat 34 možných operačních sub‐módů, z nichž některé jsou navzájem exkluzivní pro paralelní snímání z technických důvodů.    

Interferometric Wide Swath (IW) Extra Wide Swath (EW) Strip Map (SM) – celkem 6 možných programovatelných incidenčních úhlů Wave (WV)

Případné konflikty mezi konkurenčními požadavky se snaží řešit Vysokoúrovňový operační plán (High Level Operation Plan – HLOP) 1 provozu družic Sentinel, na jehož základě se budou v maximálním možném rozsahu naplňovat požadavky:     

GMES/Copernikus služeb užití pro potřeby jednotlivých členských států EU zajištění kontinuity misí ERS / ENVISAT požadavky vědecké komunity příspěvky mezinárodní spolupráci.

Dokument definuje strategii pro optimální využití zdrojů satelitu. Na jejím základě jsou zpracovány předdefinované operační scénáře pro pořizování dat v jednotlivých módech, kterým jsou přiřazeny priority podle typu snímaného povrchu (souše, moře), geografické oblasti (oblasti pro rutinní sledování, předdefinované rizikové oblasti) a typu požadavku. Česká republika spadá do standardní pevninské zóny. Tudíž by nad jejím územím měla být rutinně pořizována data v IW(S) módu se single (HH) nebo duální polarizací. To umožní vyvinout řadu operačních aplikací založených na InSAR , podporujících monitorování povodní, změn land use a land cover, zemědělství a lesnictví. Nevýhodou tohoto módu je relativně nízké rozlišení. Data s vyšším rozlišením (SM) se budou rutinně pořizovat pro jiné oblasti (se zvýšenými tektonickými a vulkanickými riziky) nebo v případě krizových událostí. 1

ESA Sentinel HLOP – (2013)1. Dostupné online:

https://sentinel.esa.int/documents/247904/351367/Sentinel+High+Level+Operations+Plan/530fd782‐6386‐4d26‐9e05‐36970bf91b85



‐ 22 ‐

DRUŽICE

Provozovatel

Přístup

Dostupnost

Aktuální

Název OrbView‐3 Ikonos QuickBird Formosat‐2 Kompsat‐2 WorldView‐1 GeoEye‐1 WorldView‐2 Pleiades Kompsat‐3 SPOT6 WorldView‐3 GeoEye‐2 ALOS (AVNIR‐2) ALOS (PRISM) Landsat‐5 Landsat‐7 Landsat‐8 SPOT4 SPOT5 RapidEye Sentinel‐2 Proba‐1 EO‐1 EnMap PRISMA Terra (MODIS) Aqua (MODIS)

k datům

programovatelnost

DigitalGlobe

komerční data

v GMES* TPM TPM TPM TPM TPM TPM TPM TPM GCM ‐ GCM ‐ ‐ TPM TPM TPM TPM TPM GCM GCM GCM GSC TPM ‐ GCM GCM TPM TPM


DigitalGlobe

komerční data

DigitalGlobe

komerční data

NSPO

komerční data

KARI

komerční data

DigitalGlobe

komerční data

DigitalGlobe

komerční data

DigitalGlobe

komerční data

Astrium, CNES

komerční data

KARI

komerční data

Astrium, CNES

komerční data

DigitalGlobe

komerční data

DigitalGlobe

komerční data

JAXA

komerční data

JAXA

komerční data

USGS, NASA

nekomerční data

USGS, NASA

nekomerční data

USGS, NASA

nekomerční data

Astrium, CNES

komerční data

Astrium, CNES

komerční data

RapidEye AG

komerční data

ESA

nekomerční data

ESA

nekomerční data

NASA

nekomerční data

DLR

nekomerční data

ASI

nekomerční data

NASA

nekomerční data

NASA

nekomerční data

N A A A A A A A A A A předpokládá se předpokládá se N N N N N N A A ‐*** A A předpokládá se předpokládá se A A

Katalog Druh** Vyhledání Kontrola Export Přístup On A A A http://earthexplorer.usgs.gov/ On A A A http://geofuse.geoeye.com/advanced/ On A A A https://browse.digitalglobe.com/imagefinder/filter.do N N N N pouze na dotaz N N N N pouze na dotaz On A A A https://browse.digitalglobe.com/imagefinder/filter.do On A A A http://geofuse.geoeye.com/advanced/ On A A A https://browse.digitalglobe.com/imagefinder/filter.do On A A A http://www.astrium‐geo.com/geostore/ N N N N pouze na dotaz On A A A http://www.astrium‐geo.com/geostore/ Pon ‐ ‐ ‐ https://browse.digitalglobe.com/imagefinder/filter.do Pon ‐ ‐ ‐ http://geofuse.geoeye.com/advanced/ On A A A https://auig.eoc.jaxa.jp/auigs/top/TOP1000Login.do On A A A https://auig.eoc.jaxa.jp/auigs/top/TOP1000Login.do On A A A http://earthexplorer.usgs.gov/ On A A A http://earthexplorer.usgs.gov/ On A A A https://landsat8portal.eo.esa.int/portal/ On A A A http://www.astrium‐geo.com/geostore/ On A A A http://www.astrium‐geo.com/geostore/ On A A A http://eyefind.rapideye.com/ Pon + Of ‐ ‐ ‐ Předpokládá se online katalog + Eoli‐sa Of A A A Eoli‐sa On A A A http://earthexplorer.usgs.gov/ Pon ‐ ‐ ‐ Předpokládá se online katalog + Eoli‐sa Of ‐ ‐ ‐ Eoli‐sa On A A A http://glovis.usgs.gov/ a další On A A A http://glovis.usgs.gov/ a další

Technická dostupnost optických dat DPZ GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013

‐ 23 ‐

DRUŽICE

Provozovatel

Přístup

Dostupnost

Název

k datům

v GMES*

Katalog Druh **

Vyhledávání

Kontrola

Export

Přístup

ALOS Palsar

JAXA

komerční data

TPM

On

A

A

A

https://auig.eoc.jaxa.jp/auigs/top/TOP1000Login.do

ALOS‐2 Palsar‐2

JAXA

komerční data

TPM

On

A

A

A

https://auig.eoc.jaxa.jp/auigs/top/TOP1000Login.do

COSMO‐SkyMed 1 až 4

ASI

komerční data

GCM

On, Reg

A

A

A

http://87.241.31.78/index.php

Envisat ASAR

ESA

nekomerční data

GCM

Of

A

A

A

Eoli‐sa

ERS‐2

ESA

nekomerční data

GCM

Of

A

A

A

Eoli‐sa

JERS‐1

JAXA

komerční data

TPM

On, Reg

A

A

A

https://www.gportal.jaxa.jp/gp/top.html

Kompsat‐5

KARI

komerční data

‐

N

N

N

N

pouze na dotaz

PAZ SEOSAR

CDTI

komerční data

GCM

Pon

‐

‐

‐

RADARSAT‐1

CSA

komerční data

‐

N

N

N

N

pouze na dotaz

RADARSAT‐2

CSA

komerční data

GCM

N

N

N

N

pouze na dotaz

Sentinel‐1

ESA

nekomerční data

GSC

Pon

‐

‐

‐

Eoli‐sa

TerraSAR‐X, TanDEM‐X

DLR

komerční data

GCM

On

A

A

A

http://terrasar‐x‐archive.infoterra.de/

Tabulka 6

Technická dostupnost radarových dat DPZ

Pozn: *GMES/Copernicus = Global Monitoring for Environment and Security, od roku 2013 se nazývá Copernicus. Iniciativa na podporu pozorování Země pomocí DPZpod vedením a koordinovaná Evropskou unií. Služby GMES/Copernicus mohou přistupovat k družicovým datům v rámci mechanismu a interface GSC‐DA spravovaného Evropskou kosmickou agenturou (ESA). Data se dělí do skupin dle způsobu a podpory přístupu: GSC – klíčová tzv. vesmírná komponenty GMES, které budou nabízet plnou operační kapacitu službám GMES/Copernicus. Jedná se o satelity Sentinel1‐5. GCM – GMES Contributing Mission; doplňková data k datům GSC: data členských zemí ES EU+Kanady případně komerční data, u nichž se počítá s operačním využitím v rámci služeb GMES/Copernicus. TPM – Third Party Missions; přístup k části kapacity družicových misí je umožněn smlouvami mezi provozovateli družic a ESA, po zprovoznění GSC může být přehodnocen. ** Katalog – Druh: On ‐ online, Of ‐ offline, Pon ‐ předpokládá se online, Reg ‐ k přístupu do katalogu nutná registrace, N ‐ není *** Sentinel‐2 bude pořizovat standardně ve zvoleném módu a programování bude aplikováno pouze v případě mimořádné události dle Operačního akvizičního plánu Funkční družice Nefunkční družice Plánovaná družice



‐ 24 ‐

3.4

DOSTUPNOST DAT Z FINANČNÍHO HLEDISKA

Dostupnost družicových dat je dále vyhodnocena z finančního hlediska. Při hodnocení pořizovací ceny družicových dat je třeba vycházet ze dvou hledisek: absolutní ceny za scénu a relativní ceny přepočtené na 1 km2. Absolutní cena komerčních družicových scén závisí primárně na jejich aktuálnosti:  

zda se jedná o nově pořízenou scénu v rámci poptávky programování pořízení nebo zda byla pořízena před méně než třemi měsíci zda se jedná o archivní scénu (starší 3 měsíců).

Archivní scéna bývá obvykle o přibližně 50 % levnější než nová. Další faktory, které ovlivňují absolutní cenu dat, závisí na typu družice, poskytovateli a použitém akvizičním módu, který ovlivňuje prostorové a spektrální rozlišení a velikost výsledné scény. Dále cenu ovlivňuje tzv. úroveň zpracování, která udává úroveň radiometrického a geometrického předzpracování provedeného již provozovatelem družice. Vyšší úroveň se odráží ve vyšší ceně. Ač jsou úrovně zpracování mezi jednotlivými provozovateli víceméně shodné, pro směrodatné porovnání cen jsme vybrali úroveň zpracování L1, která vždy znamená, že byly provedeny relativní a absolutní kalibrace, opravy systémových geometrických a radiometrických zkreslení, chyb detektorů a šumů. Tato úroveň, která se někdy nazývá jako „ortho‐ ready“ je vhodná pro následné standardní postupy zpracování obrazu DPZ (atmosférické korekce, ortorektifikace, mozaikování, úpravy a normalizace histogramu ad.). Cena za 1 km2 slouží k relativnímu srovnání. Po přepočtu na české koruny dle kurzů uvedených v tabulce 5 se pohybuje od řádu desítek korun po stovky u optických dat a až po tisíce u dat radarových. Nejlevnější v relativních cenách jsou snímky z družic VHR s rozlišením 5 – 10 m, snímky z mise Landsat s rozlišením 15 resp. 30 m jsou od roku 2009 nabízeny zadarmo, týká se to ale pouze scén dostupných přes USGS (cca 70% pořízených dat). Cenová politika je plně pod kontrolou jednotlivých poskytovatelů družicových dat a může být předmětem změn. Obecně platí, že jak u optických tak u radarových dat vytváří nárůst počtu provozovaných komerčních i nekomerčních družic v posledních letech tlak na snižování cen dat, které se v optické doméně projevuje o něco razantněji než v radarové.

Tabulka 7

1 EUR

27.4 CZK

1 USD

21.0 CZK

1 CAD

19.4 CZK

Kurzy platné ke dni 22. 11. 2013 použité pro přepočet cen dat na CZK

Zajímavým impulsem na ceny může v optické doméně představovat zprovoznění evropské konstelace Sentinel‐2, která nabídne vysokou pokryvnost prostorovou i časovou pokryvnost v oblasti superspektrálních dat vysokého rozlišení 10 – 30m a může vést ke snížení cen nových dat ze srovnatelných komerčních družic. Otázkou je, zda se impulz projeví i u komerčních archivních dat, které samozřejmě nemají ekvivalent. Dokument č.: Verze: D1.00


‐ 25 ‐

V doméně radarových dat nelze čekat razantní impulz na ceny po uvedení družice Sentinel‐1 do provozu, neboť ekvivalentní historická data ze senzorů ERS‐1/2 a ENVISAT ASAR již nabízena zadarmo jsou. V souvislosti s absolutní cenou je třeba zmínit, že se nevztahuje nutně k celé scéně, jejíž velikost je uvedena v tabulkách v kapitole 3.2, ale k minimální objednatelné ploše scény. Ta většinou představuje subset z celkové plochy scény definovaný plochou a minimálními rozměry – oba tyto parametry jsou uvedeny v poli Min. plocha. Tuto skutečnost je třeba mít na paměti při srovnání výše absolutní ceny mezi různými družicemi, kde se liší relativní cena a absolutní cena v závislosti na minimální ploše. Z ekonomického hlediska racionální výběr vhodných dat by tedy měl brát v potaz nejen relativní cenu, ale i absolutní založenou na minimální ploše, která by měla odrážet požadavky na pokryvnost zájmového území. Někteří provozovatelé komerčních družic nabízejí nezanedbatelné slevy v řádu až desítek procent z komerční ceny v rámci podpory vědecko‐výzkumných a demonstračních aplikací založených nad jejich daty. Na konkrétní podmínky je třeba se vždy informovat u konkrétního provozovatele. Specifickým případem je přístup k datům z družice TerraSAR‐X, kterou společně provozují německé Národní centrum pro aeronautiku a vesmírný výzkum (DLR) a soukromý subjekt ASTRIUM GmbH. DLR poskytuje přístup k archivním datům nebo programování nových akvizic pro schválené výzkumné projekty, případně demonstraci možností dat TSX v rámci systému pro vědecké služby (Science Service System). Cena za TSX data je pak řádově nižší – v závislosti na povaze projektu jsou scény poskytovány buď zadarmo, nebo za manipulační poplatek 200 EUR za scénu. Možnou nevýhodou je nízká priorita požadavku na akvizici v rámci operačního plánu, která může způsobit nepořízení scény v případě konfliktu s požadavkem vyšší priority.



‐ 26 ‐

DRUŽICE Název

Min. plocha 2 nová (km (km))

Min. plocha 2 archiv (km (km))

CENA ‐ nová 2 (Kč/km )

CENA – archiv 2 (Kč/km )

CENA ‐ nová minim. (Kč)

CENA ‐ nová minim. (Kč)

OrbView‐3 Ikonos QuickBird Formosat‐2 Kompsat‐2 WorldView‐1 GeoEye‐1 WorldView‐2 Pleiades Kompsat‐3 SPOT6 ALOS (AVNIR‐2) ALOS (PRISM)

‐ 100 (10x10) 100 (10x10) 576 (10x10) 225 (15x15) 100 (10x10) 100 (10x10) 100 (10x10) 100 (10x10) 256 (16x16) 1 000 ‐ ‐

121 25 (5x5) 25 (5x5) 576 225 (15x15) 25 (5x5) 25 (5x5) 25 (5x5) 25 (5x5) 256 (16x16) 250 4900 2450

‐ 546 525 126 357 462 546 525 467,5 315 126,5 ‐ ‐

0 315 357 98,7 191 294 420 357 275 189 104,5 6,7 13,5

‐ 54 600 52 500 72 576 80 325 46 200 54 600 52 500 46 750 80 640 126 500 ‐ ‐

0 7 875 8 925 56 851 42 840 7 350 10 500 8 925 6 875 48 384 26 125 33 000 33 000

‐

0

Landsat‐5 Landsat‐7 Landsat‐8 SPOT4 SPOT5 RapidEye Sentinel‐2 Proba‐1 EO‐1 Terra (MODIS) Aqua (MODIS)

‐ ‐ 31 820 (185x172) ‐ 3 600 (60x60) 3 500 ‐ 196 323 3600 3600

31 820 (185x172) 31 820 (185x172) 31 820 (185x172) 3 600 (60x60) 400 (20x20) 500 84100 196 323 3600 3600

‐ ‐ 0 ‐ 68,75 28,875 ‐ 0 0 0 0

0 0 0 16,5 209 28,875 ‐ 0 0 0 0

‐ 0 ‐ 247 500 101 063 ‐ 0 0 0 0

0 0 59 400 83 600 14 438 0 0 0 0 0

Tabulka 8

Finanční dostupnost optických dat DPZ



‐ 27 ‐

Poznámka Scény přes USGS zadarmo Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Programování a výřez tvaru dle AOI Scény mimo katalog USGS (cca 30% snímků) zpoplatněny částkou 1500EUR/scénu Data budou dodávána zdarma

DRUŽICE Název

CENA ‐ nová 2 (Kč/km )

CENA ‐ archiv 2 (Kč/km )

CENA – nová minim. (Kč)

CENA – archiv minim (Kč)

ALOS Palsar ALOS Palsar ALOS Palsar ALOS Palsar COSMO‐SkyMed 1 až 4

FBS Fine Resolution FBD Fine Resolution P Fine Polarimetric SL SCANSAR SpotLight

4 900 4 900 2 100 122 500 100

2 589,3

3,4 3,4 7,9 1,2 1 294,7

258 930

16 440 16 440 16 440 16 440 129 465

COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 COSMO‐SkyMed 1 až 4 Envisat ASAR Envisat ASAR Envisat ASAR Envisat ASAR Envisat ASAR ERS‐2

SpotLight‐2 StripMap‐Himage StripMap‐PingPong ScanSAR‐WideRegion ScanSAR‐HugeRegion StripMap‐Image Alternating polarisation StripMap‐Wave Wide Swath Global Monitoring ERS‐PRI

49 1 600 900 10 000 40 000 10 000 10 000 25 160 000 160 000 10 000

3 439,0 61,7 60,0 4,5 1,1

1 719,5 30,8 29,2 2,3 0,6 0 0 0 0 0

168 510 98 640 53 978 45 210 45 210

84 255 49 320 26 304 22 605 22 605 0 0 0 0 0 0

RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1 RADARSAT‐1

Fine Standard Extended High Wide Extended Low ScanSAR Narrow ScanSAR Wide

2 250 10 000 5 625 22 500 28 900 91 500 255 000

31,0 7,0 12,4 3,1 2,4 0,8 0,3

69 840 69 840 69 840 69 840 69 840 69 840 69 840

RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 RADARSAT‐2

Spotlight A Ultra‐Fine Wide Ultra‐Fine Multi‐Look Fine Wide Multi‐Look Fine Fine Fine Quad‐Po Extended High Standard Quad‐Pol

400 400 2 500 2 500 8 100 2 250 625 5 625 625

436,5 291,0 65,2 37,2 19,4 37,9

407,4 261,9 60,5 32,6 18,0 32,8 167,6 12,4 167,6

174 600 116 400 162 960 93 120 157 140 85 360

162 960 104 760 151 320 81 480 145 500 73 720 104 760 69 840 104 760


Plocha scény = min. plocha 2 (km )

PRODUKT Akviziční mód


‐ 28 ‐

RADARSAT‐2 RADARSAT‐2 RADARSAT‐2 Sentinel‐1A a 1B RADARSAT‐2 Sentinel‐1A a 1B RADARSAT‐2 Sentinel‐1A a 1B Sentinel‐1A a 1B TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X TerraSAR‐X, TanDEM‐X

Tabulka 9

Standard Wide Extended Low strip mode ScanSAR Narrow interferom. wide swath ScanSAR Wide extra‐wide swath wave mode Staring SporLight High Resolution SpotLight SpotLight Stripmap ScanSAR WideScanSAR

10 000 22 500 28 900 6 400 91 500 62 500 255 000 160 000 400

7,4 3,3 2,4 0 0,8 0 0,3 0 0

15 50 100 1 500 15 000 54 000

12 866,9 3 260,6 1 164,5 53,9 3,2 0,9

6 433,4 1 630,3 582,3 26,9 1,6 0,4

190 430 163 030 116 450 80 830 47 950 47 950

Finanční dostupnost radarových dat DPZ

Funkční družice Nefunkční družice Plánovaná družice



‐ 29 ‐

73 720 73 720 69 840 0* 73 720 0 73 720 0 0 95 215 81 515 58 225 40 415 23 975 23 975

4

PŘEHLED JEVŮ V DOPRAVĚ

4.1

ROZDĚLENÍ JEVŮ

Základní rozdělení jevů lze provést dle požadavků v zadávací dokumentaci projektu na jevy, které ovlivňují bezpečnost dopravy, a na jevy, které souvisí s dopravou a mají negativní dopady na životní prostředí. Z hlediska dálkového průzkumu Země je ale výhodnější rozdělit jevy nikoliv dle jejich dopadů, ale dle jejich charakteru, neboť ten ovlivňuje aplikovatelnost dat a metod DPZ pro jejich sledování. Proto jsme jevy rozdělili do 3 základních skupin: 





Jevy související s nežádoucími pohyby a deformacemi DI nebo jejího okolí. Z hlediska negativních dopadů patří tyto jevy do skupiny jevů, které ovlivňují bezpečnost v dopravě. Data DPZ pro sledování těchto pohybů jsou téměř výhradně snímky z radarových (aktivních) senzorů SAR při použití metod radarové interferometrie (InSAR). Jevy související s dopady dopravy na životní prostředí. Do této kategorie lze zařadit jevy, které mají přímý či nepřímý vliv na životní prostředí. Současně mohou mít v důsledku některé z nich vliv na bezpečnost dopravy (např. zdravotní stav stromů v blízkosti DI). Pro jejich sledování jsou vhodná především optická data DPZ. Ostatní jevy. Do této kategorie spadají jevy, jejichž vliv na bezpečnost dopravy nebo životní prostředí je spíše nepřímý. Vzhledem ke svému charakteru jsou ale dobře sledovatelné pomocí družicových nebo leteckých prostředků DPZ (optických nebo radarových) a zvyšují tedy výtěžnost dat DPZ.

U všech skupin jevů platí, že prostředky DPZ lze sledovat, detekovat či monitorovat především jejich důsledky (projevy) – tedy např. velikost a směr pohybu, zdravotní stav vegetace atd. Obecně platí, že příčinu jevu prostředky DPZ nelze přímo určit, navíc v řadě případů může existovat více příčin, z nichž některé nemusí souviset s dopravou. V některých případech lze nicméně dle charakteru projevu při znalosti sledovaného území a problematiky usuzovat na možné příčiny, které je pak možné ověřit in‐situ měřením či rekognoskací.

4.2

JEVY SOUVISEJÍCÍ S NEŽÁDOUCÍMI POHYBY

Do této kategorie spadá široká škála jevů, které se projevují jako nežádoucí pohyby či deformace těles DI nebo jejího okolí. V důsledku mohou ohrožovat bezpečnost dopravy. Včasná detekce projevu jevů může být klíčová pro minimalizaci časových a finančních nákladů nutných k jejich opravě nebo aplikaci nápravných opatření. Z hlediska prostorového tvaru je většina staveb DI liniového charakteru (silnice, železnice) různých tvarů, zakřivení, plochy a s různým podílem doprovodných technických staveb a opatření (náspy, protihlukové zábrany, zárubní a podpěrné zdi atd.). Pohyby DI mohou být způsobeny vadami a deformacemi tělesa (konstrukce) DI, nebo důsledkem vnějších vlivů, jako jsou pohyby a nestabilita geologického podloží. V závislosti na charakteru projevu (velikost, časový průběh, plošný rozsah) nežádoucího pohybu je třeba vybrat vhodná data DPZ s ohledem na jejich prostorové, spektrální a temporální rozlišení. Dokument č.: Verze: D1.00


‐ 30 ‐

4.2.1

Monitorování pomocí radarové interferometrie a trvalých odražečů

4.2.1.1

Princip

Pro sledování průběhu a velikosti pohybu povrchu v čase se v DPZ používá metod diferenciální radarové interferometrie, která zpracovává snímky pořízené družicovými, leteckými nebo pozemními (stacionárními) nosiči. Díky principu aktivního snímání jsou radarové systémy schopny detekovat na základě fázových rozdílů přijatých signálů v různých časových obdobích změny polohy detekovaných objektů v řádu jednotek milimetrů. Metoda je založena na porovnání vzdáleností mezi radarem a daným objektem v různých časových okamžicích, detekovaný rozdíl fází je dán právě rozdílem vzdáleností. Toto pojetí je ale velmi zjednodušené, především v těchto ohledech: 











Snímek má omezené rozlišení, je tedy nutné, aby ke stejnému pohybu došlo na celé oblasti odpovídající jednomu pixelu (ale spíše oblasti větší), či na bodě, který má řádově vyšší odrazivost než celé okolí (most nad řekou, opěrné zdi atd. ve správné orientaci ke směru paprsku) zobrazené do stejného pixelu jako tento vysoce odrazivý bod. Pohyby jsou detekovány pouze ve směru úhlu pohledu paprsku (line of sight, LOS), tj. cca 25‐40 stupňů od svislice a ve směru kolmém na přibližně severo‐jižní směr letu (inklinace dráhy družic obvykle činí 95‐110°). Pokud je skutečný směr sledovaného pohybu znám, lze jej přepočítat dle projekce z LOS. V opačném případě je nutné provést zpracování pro několik různých drah družice či různých družic (jsou‐li dostupná data) a určit směr a rychlost pohybu syntezí těchto výsledků. U některých družic lze úhel pohledu předem programovat, u jiných je dán pouze polohou bodu ve snímku resp. orientací dráhy družice (sestupná ‐ D, vzestupná ‐ A). Vzdálenost mezi radarem a objektem lze měřit absolutně s přesností obvykle na několik metrů či desítek metrů (dáno rozlišením), nicméně InSAR funguje na principu porovnání doměrků do vlnové délky radaru (fáze). Maximální detekovatelný pohyb činí polovinu vlnové délky radaru (obvykle několik cm), a to mezi dvěma sousedními zpracovanými body a mezi dvěma v čase následujícími snímky. Pokud je skutečný pohyb větší/prudší, bude odhadnutá hodnota nižší. V případě, že došlo k pohybu pouze části oblasti zahrnuté v jednom pixelu, či došlo ke změně odrazivých vlastností (rozorání pole, pohyb vegetace ve větru a podobně), dochází k dekorelaci. Oblasti postižené dekorelací jsou pro InSAR zcela nepoužitelné – za spolehlivý výsledek lze posuzovat jen případ, kdy má rozdíl fází podobné hodnoty pro více (cca 10x10) sousedících pixelů. To, zda bude oblast dekorelována či ne, závisí mj. na vlnové délce radaru (pásmo L je méně citlivé než pásma C či X). Metoda InSAR je relativní v čase i prostoru: zpracovává páry snímků (jeden snímek/datum je vždy posuzován jako referenční, kdy žádné pohyby nenastaly) a výsledky je třeba vztáhnout k referenčnímu bodu, který buď leží ve stabilní oblasti, nebo jsou jeho pohyby známy. Pokud je zájmová oblast rozdělena dekorelovanou oblastí (oblast pokrytá vegetací, vodní toky a plochy apod.) na několik izolovaných částí, nelze výsledky z jednotlivých částí



‐ 31 ‐







propojit a je vždy nutné je posuzovat odděleně (v každé oblasti identifikovat samostatný referenční bod). Rozdíl fází kromě pohybů obsahuje i jiné složky: hodnotu úměrnou topografické výšce (odhaduje se za pomoci známého digitálního modelu povrchu (digital surface model, DSM), její přesnost ale závisí na přesnosti tohoto DSM), atmosférické zpoždění a šum. Atmosférické zpoždění není třeba uvažovat při malých sledovaných územích (do několika stovek m), protože má obvykle dlouhovlnný charakter. Jeho odhad je obtížný, nejsilněji se vyskytuje při bouřkách v případě silnějšího deště či při nástupu meteorologické fronty. V případě značného ovlivnění je vhodné daný snímek vyloučit ze zpracování. Sněhová pokrývka InSAR nevylučuje, ale v tom případě sledujeme výšku sněhu, což není žádoucí. Při zpracování snímků s a bez sněhové pokrývky nastává dekorelace, i zde závisí na výšce pokrývky ve vztahu k vlnové délce radaru. Při opakovaném pořizování snímků ze stejné dráhy družice neletí po zcela totožné trajektorii, ale vzhledem k tomu, že dráhy mají přesnost cca 5 cm a posunut je celý snímek, nemá tato vlastnost na přesnost zpracování vliv. Jsou‐li dráhy od sebe příliš daleko, je zpracování nemožné.

4.2.1.2

Vyhodnocení proveditelnosti

V závislosti na výše uvedených principech je ve spolupráci s uživatelem/zadavatelem třeba před vlastním zahájení mapování provést studii proveditelnosti. V jejím rámci jsou vyhodnoceny možnosti metody a její limity z hlediska vlastností a konstelace sledovaného jevu či objektu. Pro výběr vhodných dat SAR a metody zpracování pro konkrétní aplikaci je třeba uvažovat řadu kritérií souvisejících s vlastnostmi jevu, které mají dopad na výběr parametrů dat k jejich sledování: Kritérium

Vlastnosti jevu

‐> Parametry dat

Velikost (magnituda)

milimetry – centimetry ‐ decimetry

pásmo (vlnová délka), časové rozlišení

Směr pohybu

vertikální ‐ bobtnání, pokles; komplexní

pásmo, dráha, a priori informace

metry, desítky metrů

prostorové rozlišení, pásmo, metoda, a priori informace

lineární, nelineární, skokový

časové rozlišení, metoda

Prostorový rozsah pohybu Časový průběh (dynamika) Prostorový charakter / topografie Půdní / krajinný pokryv

plošný, liniový, izolované body, orientace prvku, sousednost, kontext zakrytí pokryv klima (sníh, voda)

Dostupnost dat Tabulka 10

metoda, prostorové rozlišení, vlnová délka, dráha vlnová délka, nutnost umělých odražečů historická data temporální distribuce mezery v distribuci

‐

Kritéria pro vyhodnocení proveditelnosti



‐ 32 ‐

4.2.1.3

Výběr dat

Na základě vyhodnocení proveditelnosti vycházející z požadavků a vlastností jevu třeba zvážit následující parametry družice resp. jejích senzorů a snímků: 

 



Prostorové rozlišení a velikost scény: pro sledování lokálních objektů v řádu desítek až stovek metrů (např. křižovatky) je třeba volit snímky s metrovým či submetrovým rozlišením, zatímco pro sledování jevů, které jsou plošně rozsáhlé, případně velmi dlouhých liniových objektů je vhodné volit snímky s nižším rozlišením, ale lepším pokrytím (pokud není rozsah sledovaných pohybů v prostoru prudký). Pro sledování pohybů s větší prostorovou frekvencí (variabilita pohybů na relativně malé ploše) je vhodné volit data s vyšším prostorovým rozlišením. Vlnová délka (pásmo X umožňuje vyšší přesnost než pásmo C či L, ale pásmo L slibuje lepší výsledky i např. v oblastech s vysokou trávou). Úhel dopadu, a to ve svislém i vodorovném směru kolmém na směr letu nosiče: pohyby ve směru letu (přibližně S‐J) nelze metodami InSAR detekovat vůbec. Odrazivost objektů závisí na jejich materiálu a orientaci vzhledem k úhlu dopadu paprsků – závislost se dá popsat jako sinová. Vertikální objekty (stěny, podpěry) se stěnou rovnoběžnou se směrem LOS nelze sledovat. Horizontální objekty (plochy) lze detekovat především v závislosti na materiálu a drsnosti jejich povrchu v kombinaci s úhlem dopadu. Perioda přeletu: doba, za kterou je možné znovu pořídit snímek stejného území. Protože na ní závisí maximální detekovatelná rychlost pohybu, je podstatná především u rychlých pohybů.

Největším omezením při výběru družice a typu scény však v praxi bývá dostupnost (především pro historické projekty) či cena dat (zvláště při zvažování programování nové akvizice). Dostupnost závisí na konkrétní lokalitě a časovém období, kdy k jevu dochází, a nelze ji specifikovat obecně. V zásadě platí, že pokrytí ČR družicemi ERS‐1/2 (1991‐2000) je dobré i pro metodu PS InSAR (je k dispozici dostatečný počet snímků), v případě družice ENVISAT (2003‐2010) závisí pokrytí již silně na lokalitě. Např. pro Prahu je k dispozici pouze 8‐13 snímků v jednotlivých drahách. Komerční družice (ALOS, TerraSAR‐X) snímají ČR v módu vhodném pro interferometrii jen výjimečně nebo na objednávku. Prvky dopravní infrastruktury patří k umělým objektům s vysokou odrazivostí, k jejich monitorování jsou obecně vhodné všechny vlnové délky. Pokud jde o objekty menších rozměrů (ve srovnání s rozlišením snímku), nižší odrazivostí a jsou obklopeny vegetací, je lépe zvolit vyšší vlnovou délku (pásmo L, v horším případě C). Variantu zpracování (D InSAR, PS InSAR, SBAS) určujeme typicky na základě dostupnosti dat, tedy dle frekvence pokrytí sledovaného území snímky v čase a prostorových rozestupů sledovaných objektů. Často lze provést zpracování i více metodami současně. Prostorové rozlišení volíme dle velikosti sledovaného objektu, časové nejčastěji dle velikosti deformací tak, aby ‐ je‐li to možné ‐ nepřesáhla deformace mezi sousedními body (dáno prostorovým rozlišením, u varianty PS InSAR to je několikanásobek rozlišení v závislosti na typu terénu) za čas mezi následujícími daty snímání desetinu vlnové délky radaru. Je‐li to možné, doporučuje se použít všechny dostupné snímky. Dokument č.: Verze: D1.00


‐ 33 ‐

Speciální případ radarového snímání představuje letecký SAR – SAR přístroj je umístěn na leteckém nosiči. To přináší dvojí výhodu: větší prostorové rozlišení a volitelné temporální rozlišení. Kvůli nestabilitě nosiče a odchylkám v trajektorii dráhy nosiče se ale nejedná o metodu vhodnou pro přesné sledování deformací a pohybů radarovou interferometrií. Dalším speciálním případem je tzv. pozemní radar (ground‐based SAR, GB‐SAR, nebo T‐SAR). Radarový přístroj se umístí stacionárně nebo na kolejnici (kvůli pohybu nutnému pro syntetizaci radarového signálu) a je s ním prováděno dlouhodobé, trvalé měření jednoho objektu především tam, kde je vhodný přibližně vodorovný (nebo šikmý směrem vzhůru) úhel pohledu. Příkladem je sledování bočních (příčných) pohybů mostů, přehrad, rychlých nebo skokových a nelineárních sesuvů atd. Měření není závislé na přeletu družic a může probíhat i s periodou několika minut.

4.2.1.4

Výběr metody zpracování

Existuje řada variant interferometrického zpracování a jejich výběr závisí na projevech sledovaného jevu v prostoru a čase a vlastnostech a počtu použitých vstupních snímků. Konkrétní postup zpracování závisí na použité softwarové implementaci ‐ v každém softwaru se provádí zpracování odlišně, nicméně obdobné výsledky lze získat i aplikací odlišných postupů. Jednotlivé postupy se liší v nárocích na počet a rozložení vstupních snímků v čase a prostoru a při nevyhovujících vstupech nemusí dát uspokojivé výsledky či nedetekují deformace žádné. Dále uvádíme zjednodušené rozdělení použitelných metod interferometrie. 



D InSAR (Diferenciální InSAR): zpracovává všechny body z jednotlivých párů snímků. Používá se především při nízkém počtu vstupních snímků. V takovém případě může být problém odlišit deformace od atmosférických vlivů (atmosférického zpoždění) či od nepřesností DSM. Posuzují se všechny koherentní oblasti ve snímku, tj. oblasti s pixely s podobnými hodnotami fáze. Pokud jsou hodnoty fáze v blízkém okolí náhodné, mluvíme o dekorelaci. Pokud jde o koherentní oblast (hodnoty fáze v okolí jsou podobné), je vzdálenost mezi sousedními zpracovanými body dána rozlišením snímku. Minimální detekovatelný pohyb určuje přesnost metody a je udáván empiricky jako přibližně osmina hodnoty vlnové délky radaru. Velikost okolí, na kterém je detekovatelný takovýto pohyb by měl být přibližně alespoň 10x10 pixelů; pohyby na menší ploše obvykle nelze rozenat od šumu. PS InSAR (Metoda Trvalých Odražečů): Persistent Scatterers, Permanent ScatterersTM, IPTA (Interferometric Point Target Analysis) nebo StaMPS (Stanford Method for Persistent Scatterers) – dle softwarové implementace): zpracovává velké sady snímků a v nich jsou vybírány pouze body, které jsou považovány za nejpřesnější a z hlediska detekovatelnosti za stabilní v čase: typicky body s vysokou odrazivostí, malými změnami v odrazivosti a malými variacemi fáze vzhledem k apriornímu modelu deformací (typicky lineární v čase). V rámci iterativního postupu se tato množina bodů obvykle dále zmenšuje na základě postupných výsledků zpracování. Typicky je vybrán jeden hlavní (referenční tzv. master) snímek a ostatní jsou párovány pouze s ním. Výhodou metody je odhad a oprava chyb způsobených nepřesností DSM a též atmosférického zpoždění na základě statistického



‐ 34 ‐





vyhodnocení jejich trendů v datasetu. Oprava chyb v každém snímku vede ke zvýšení přesnosti ve srovnání s D InSAR. Vzdálenost mezi sousedními zpracovanými body je dána vzdáleností bodů s vysokou intenzitou, která je typicky několik pixelů v zastavěných oblastech s vysokou hustotou detekovaných trvalých odražečů (100‐ky / km2), ale desítky až stovky pixelů v oblastech pokrytých vegetací (zde bývají detekovány řádově jednotky odražečů / km2). Nevýhodou PS InSAR je, že v případě dekorelovaných povrchů případně povrchů se zrcadlovým odrazem (např. hladká silnice) obvykle nejsou nalezeny trvalé body z důvodu nízké intenzity zpětného signálu. Některé vylepšené metody již umožňují za určitých podmínek vybírat i body s nízkou intenzitou odrazu, tj. i na silnicích. Odrazivost ze silničního povrchu je nicméně ovlivněna a zvýšena (díky mechanismu dvojího odrazu) přítomností doprovodných struktur jako jsou svodidla, opěrné, protihlukové zdi, kovové sloupy, a jejich orientací vzhledem ke směru letu družice. Vysokou odrazivost mají např. i nadjezdy a kovové kolejnice na železničních tratích. SBAS (metoda krátkých základen): představuje kompromis mezi D InSAR a PS InSAR, zpracovávají se středně velké až velké sady snímků. Párují se snímky nasnímané z blízkých drah družic (tj. s krátkou kolmou základnou). Výhodou je možnost zpracovat celé snímky nebo jen vybrané body ‐ kritéria pro výběr bodů zde nejsou tak omezující. Z toho plyne výhoda možnosti sledování i bodů s nižší odrazivostí i pro větší sady dat, ta je ale vyvážena nevýhodou vyšších výpočetních nároků. Další varianty, např. squeeSARTM, jsou adaptacemi předešlých metod, hledajícími kompromisy mezi nimi.

O použití konkrétní metody se obvykle rozhoduje na základě dostupných dat (počet snímků, jejich rozložení v čase a prostoru) a charakteru terénu, je možné jednotlivé metody i zkombinovat či vzájemně validovat. Obecně platí, že metody PS InSAR a SBAS jsou vhodné v případě velké sady dat a alespoň přibližně lineárního charakteru sledovaných pohybů během delšího časového úseku. Metoda D InSAR se používá v případech, kdy je k dispozici jen několik málo snímků, či v případech, kdy jde o jednorázové jevy (typicky sesuvy) se skokovou změnou výšky povrchu. Implementace IPTA (varianta PS InSAR/SBAS) dává uspokojivé výsledky cca od 30 snímků výše, pokud jsou kolmé (ne nutně všechny) vzdálenosti drah kratší než cca 300‐500 m (platí pro pásmo C). Implementace StaMPS (varianta PS InSAR/SBAS) dává uspokojivé výsledky pro metodu PS InSAR již cca od 7 snímků. PS InSAR by měl teoreticky dávat uspokojivé výsledky i pro vzdálenosti drah kolem 1 km, toto však platí jen pro skutečné rohové odražeče, které se v dostatečné hustotě na čtverečný kilometr nacházejí pouze ve větších městech. Zde ale dochází k problému zastínění objektů vysokými stavbami, což představuje v případě velkých vzdáleností drah problém. Metoda krátkých základen SBAS a D InSAR vyžadují vzdálenosti drah do 300 m (pro pásmo C; nemusí jít nutně o všechny dráhy). Nevýhodou IPTA (i ve variantě s krátkými základnami) je taktéž fakt, že body s nízkou odrazivostí (typicky silnice) nejsou do zpracování zahrnuty. Toto omezení neplatí pro D InSAR a pro StaMPS jen částečně. Netypická zadání (zpracování pouze omezené sady bodů – např. umělých trvalých odražečů nebo pouze liniového úseku sledované infrastruktury) obvykle vyžadují zpracování na míru, které se liší Dokument č.: Verze: D1.00


‐ 35 ‐

od standardně používaných postupů. Důsledkem malého nebo variabilního rozsahu sledovaných pohybů v takovém případě je nutnost použít rozdílný způsob filtrování a výběru zpracovaných bodů. Existuje‐li velká mezera v trajektoriích družic v rámci její shodné dráhy nebo v čase (např. z důvodu nepořízení dat nebo vyloučení snímku ze zpracování), je možné sadu snímků rozdělit na dvě či více podmnožin a ty zpracovávat odděleně. Zde je ale třeba uvažovat i časovou referenci – v každé sadě je nutné definovat čas, kdy jsou deformace nulové. Pro automatizované zpracování rozsáhlé sady snímků (PS InSAR, SBAS) platí, že pohyby se aproximují modelem – typicky se jedná o model lineární. Pokud časový průběh deformací tuto podmínku přibližně splňuje, výsledky bývají spolehlivé. Některé softwarové implementace rovněž umožňují do modelu zahrnout známý (očekávaný) časový průběh deformací a odhadnout jen změny oproti tomu modelu. V případě velkých nelineárních (jednorázových, sezonních atd.) deformací v čase pak dochází často k vyloučení bodu ze zpracování (vlivem velkých reziduí při vyrovnání).

4.2.1.5

Přesnost a limity

Minimální detekovatelné pohyby jsou dány přesností metody. Pro D InSAR se udává absolutní minimální detekovatelný pohyb mezi dvěma sousedními body a snímky v řádu 1/8 vlnové délky (časový rozsah je dán rozdílem dat snímání), ale záleží též na přesnosti použitého DSM a případných atmosférických vlivech, které nelze odhadnout. Přesnost určení rychlosti pohybu pro PS InSAR a SBAS (s využitím pásem C či X) se pohybuje v řádu několika mm ročně, při velkém počtu snímků (50 a více) se lze dostat na přesnost (směrodatnou odchylku průměrné detekované rychlosti) 1 mm ročně, v rámci dlouhodobého pozorování při 100 a více snímcích (za předpokladu lineárních pohybů) lze získat i submilimetrovou přesnost průměrné detekované rychlosti. Maximální detekovatelné pohyby jsou dány rozlišením snímků (v případě PS InSAR je to několikanásobek rozlišení – empiricky se udává 10x), vlnovou délkou a časovými rozestupy mezi jednotlivými snímky. Zvýšením frekvence snímání lze zvýšit maximální rozsah a rychlost detekovatelných pohybů, samozřejmě do limitu, který je dán temporálním rozlišením daného družicového systému (periodou přeletu). Platí zde základní teoretický princip: mezi dvěma sousedními (zpracovanými) body, pro rozdíl dvou po sobě následujících snímků nesmí deformace (ve směru LOS) být vyšší než polovina vlnové délky. Důvodem je mnohoznačnost metody: z principu nelze rozlišit případy, kdy došlo ke změně o hodnotu a a o hodnotu a ± /2 (kde  je vlnová délka) – hovoříme o tzv. ambiguitě. Vždy je více variant řešení, ale v případě, že jsou reálné pohyby řádově nižší než maximální detekovatelné, je tato možnost jen jedna. Např. pro družice ERS‐1/2: počítejme s rozlišením 30 m (rozlišení se v rámci snímku mění, cca 20‐ 30m), vlnovou délkou 5,67 cm a časovým rozlišením 35 dní činí maximální detekovatelný pohyb v LOS 28 mm na jeden pixel a na jednu periodu přeletu, po přepočtu na měrnou délkovou jednotku (1 m) přibližně 0.9 mm/m/rok. Jedná se ale o teoretickou hodnotu, k pohybu musí



‐ 36 ‐

konstantně docházet na řádově větším než metrovém úsek. Dále detekovatelnost prakticky snížena: 



  

Šumem: ke skutečným hodnotám deformací se přidává šum, který hodnotu může vychýlit až za povolený limit, tj. nastává tzv. aliasing (je odhadnuta hodnota o polovinu vlnové délky vyšší či nižší). Dekorelací: ne všechny body snímku jsou koherentní, tedy spolehlivé (příp. u PS InSAR nejsou vůbec zpracovány), lze odhadnout, že takto bude koherentní/zpracovaný jeden bod v oblasti cca 10x10 pixelů. Nedostupností některých snímků, ať již v minulosti nebo v budoucnosti (zhoršení časového rozlišení). Atmosférickými a dalšími chybovými vlivy: v některých případech je vhodné ze zpracování vyloučit celý snímek (taktéž zhoršení časového rozlišení). Nepředvídatelnými skokovými pohyby, např. sesuvem v důsledku silných dešťů: došlo by k aliasingu a tím pádem k odhadu podstatně nižšího pohybu.

Pásmo

Rozlišení ‐ azimut [m]

Rozlišeni ‐ range [m]

Frekvence snímání (dnů)

Vlnová délka (cm)

Min detekovatelný rozdíl v LOS (mm)

Max detekovatelný rozdíl v LOS (cm)

Max detekovatelná rychlost v LOS (cm/rok)

Min horizontální délka na detekovatelný rozdíl v LOS (m)

Max detekovatelná rychlost v LOS přepočtený na 1 m (cm/m/rok) *

Minimální horizontální délka pro detekovatelný souvislý pohyb (m) *

Max detekovatelná rychlost v LOS přepočtená dle min horiz délky na 1 m (cm/m/rok) *

V případě sesuvů dochází často k dekorelaci, rozsáhlejší objemné sesuvy proto v mnoha případech ani metodou InSAR monitorovat nelze. Dekorelace může být způsobena jak výraznou změnou ve struktuře povrchu, tak i příliš velkým pohybem (přesahujícím přibližně desetinu prostorového rozlišení). Sesuvy se navíc často vyskytují v oblastech pokrytých vegetací, která sledování metodou InSAR komplikuje. V podstatě jedinou možností ke sledování sesuvů v těchto oblastech je instalace umělých rohových odražečů, pokud to umožňuje povaha terénu. To samé platí i pro sledování pomalých svahových pohybů a sedání v oblasti pokryté vegetací.

X‐Band

1

1

11

3.10

1‐5

1.6

51.2

1

51.2

10

5.1

X‐Band

3

3

11

3.10

1‐5

1.6

51.2

3

17.1

30

1.7

X‐Band

5

5

11

3.10

1‐5

1.6

51.2

5

10.2

50

1.0

C‐Band

3

3

24

5.60

1‐5

2.8

42.0

3

14.0

30

1.4

C‐Band

5

5

12

5.60

1‐5

2.8

84.0

5

16.8

50

1.7

C‐Band

8

8

24

5.60

1‐5

2.8

42.0

8

5.3

80

0.5

C‐Band

20

5

12

5.60

1‐5

2.8

84.0

20

4.2

200

0.4

C‐Band

5

30

35

5.60

1‐5

2.8

28.0

30

0.9

300

0.1

L‐Band

1

3

14

23.60

1‐5

11.8

306.8

3

102.3

30

10.2

L‐Band

3

10

14

23.60

1‐5

11.8

306.8

10

30.7

100

3.1

L‐Band

10

10

46

23.60

1‐5

11.8

82.6

10

8.3

100

0.8

L‐Band

18

18

44

23.60

1‐5

11.8

94.4

18

5.2

180

0.5



‐ 37 ‐

Tabulka 11 Teoretický vztah mezi vlastnostmi družicových dat, velikostí a rozsahem detekovatelných pohybů Pozn: * Jedná se o teoretické, vypočtené hodnoty pro demonstrační účely. Reálné detekovatelné hodnoty jsou podmíněny řadou proměnných závislých na místních podmínkách.

Přesnost geometrická je v případě InSAR dat daná dvěma složkami: 



Relativní přesnost koregistrace. Je nutná subpixelová přesnost koregistrace jednotlivých scén na master scénu a mezi sebou. Toho je dosaženo standardním postupem v softwarech pro zpracování SAR dat. Absolutní přesnost umístění v souřadném systému. Závisí na velikosti pixelu, přesnosti orbitálních parametrů jednotlivých družic, modelu pro ortorektifikaci a přesnosti použitého DEM. Pečlivým výběrem vhodných kontrolních bodů lze dosáhnout až přesnosti 1 px.

4.2.1.6

Výsledné produkty

Výstupem ze zpracování časové řady bývají typicky následující vrstvy, které lze dodat ve vektorovém, rastrovém, nebo tabulkovém formátu umožňujících jejich další zpracování a interpretaci uživatelem. Souhrnně lze o vrstvách hovořit jako o produktu z interferometrického zpracování. 



Průměrná rychlost pohybu /deformace v LOS. Je spočítána pro každý trvalý odražeč a lze ji plošně vizualizovat. Pohyby ve směru od družice (subsidence) se konvenčně zobrazují v červené škále barev, pohyby ve směru k družici (bobtnání, vyzdvižení) v modré škále. Je vhodné dopočítat rychlost pro plochy mezi jednotlivými body – vhodně zvolenou interpolační metodou (Kriging, inverzní vážená vzdálenost) a tím získat interpolované hodnoty pro celou plochu zájmového území. Trend pohybu v LOS v čase. Vizualizace trendu v grafu pro vybrané zájmové body. Z grafu je zřejmý charakter pohybu či deformací.

Na základě trendu pohybu v čase je možné pro každý bod spočítat a vizualizovat v ploše následující míry:  

Směrodatná odchylka. Je mírou variability a pro každý trvalý odražeč udává spolehlivost měření. Nižší hodnoty indikují větší spolehlivost. Kumulativní velikost pohybu. Pro každý bod je uveden rozdíl mezi prvním a posledním měřením (resp. nejnižší a nejvyšší naměřenou hodnotou).

4.2.2

Uživatelské požadavky

V průběhu práce na dokumentu byli na základě doporučení odborného garanta projektu kontaktováni odborníci na ŘSD a SŽDC, kteří se věnují problematice sledování nežádoucích pohybů Dokument č.: Verze: D1.00


‐ 38 ‐

a deformací silniční a železniční infrastruktury konvenčními metodami. Na základě interakce s nimi lze potřeby a požadavky v souvislosti s nežádoucími pohyby a deformacemi shrnout do dvou základních skupin:  

předpovídání možných rizikových jevů na základě preventivního monitorování, monitorování (sledování) probíhajících rizikových jevů o známém rozsahu, tedy se jedná o monitoring velikosti a dynamiky jevu (MVD).

Z hlediska aplikace metod dálkového průzkumu je vhodné rozdělit jevy do skupin dle jejich průběhu v čase respektive míry rizika či nebezpečí, která souvisí s dynamikou jevu. Dále je vhodné dodat, že z hlediska principu detekce pohybů pomocí interferometrie lze v souvislosti s dosažením výsledku pomocí dlouhodobé časové řady snímků prakticky vždy hovořit o monitorování. Preventivní monitorování lze pojmout dvěma způsoby coby: 



Plošný monitoring (PM) – sledují se všechny pohyby; pokud je detekovaný pohyb v překryvu s infrastrukturou nebo zájmovým objektem interpretován jako nadlimitní, je vydána výstraha. Cílený monitoring (CM) – sledují se pohyby ve vybrané lokalitě, kde je podezření na průběh konkrétních rizikových jevů a je třeba je potvrdit nebo identifikovat jejich rozsah. a priori informace o pohybech

možné

probíhající

probíhající

průběh

trend

středně dobý

krátko dobý

potenciální

střední

vysoké

PM, CM

MVD

CM

MVD

CM

MVD

PM, CM

MVD

PM, CM

MVD

MVD

riziko Deformace tělesa a povrchu Deformace konstrukcí

vozovky železniční trati mostu nadjezdu

Deformace a pohyby okolní infrastruktury podloží

Sedání a poklesy

nadloží

Svahové pohyby a sesuvy Tabulka 12

Kategorizace požadavků

Přidaná hodnota dálkového průzkumu v poměru k ceně vynikne především v aplikacích plošného a cíleného monitoringu. Protože cena dat se podstatně podílí na výsledné ceně, je třeba zvážit požadavky na prostorové rozlišení snímků – obecně platí, čím vyšší rozlišení tím vyšší cena (viz přehled dat v kapitole 2). Pro monitorování efektivní z hlediska vynaložených nákladů se proto hodí především ty družicové konstelace, které v rámci operačního provozu pořizují rutinně snímky s vysokým časovým rozlišením, které jsou poskytovány zadarmo případně za nízké (manipulační) poplatky. Tato efektivita je ovšem vyvážena nízkým prostorovým rozlišením, které limituje nasazení dat pro některé aplikace. Finančnímu hledisku v souvislosti s přínosy se blíže věnuje kapitola 5. Dokument č.: Verze: D1.00


‐ 39 ‐

4.2.3

Identifikované jevy

4.2.3.1

Deformace tělesa a povrchu vozovky

Vlivem hydrogeologických podmínek (průsaky spodní vody, špatné odvodnění) nebo náchylností nevhodně vrstveného materiálu v dálničním případně silničním tělese dochází k sesedání či bobtnání může docházet k zvlnění povrchu vozovky. Příkladem je zvlnění dálnice D11 u Dobřenic (V. Čechy) případně problémy se zvlněním na dálnici D47 (S. Morava). Typ jevu Oblast Velikost pohybů (řád) Směr pohybu Časový průběh Prostorový rozsah Prostorový charakter

Nežádoucí pohyb Bezpečnost Parametry jevu cm ‐ dm / rok Vertikální – vyboulení (směrem vzhůru) případně propady (směrem dolů) Spojitý lineární průběh Jednotlivé boule či poklesy, případně zvlnění s frekvencí metrů – desítek metrů Liniově‐plošný, omezený na dálniční těleso (vozovka a násep)

Z důvodu spekulární odrazivosti silničního povrchu se jedná o obtížně sledovatelný jev. Kombinace liniového charakteru s plošně malým rozsahem pohybů by vyžadovaly úpravu standardních postupů PS InSAR. Slibná pro detekci objektů s nízkou odrazivostí, ale vysokou koherencí fázové složky je metoda squeeSARTM , která nicméně nebyla dosud dokumentována pro sledování tohoto typu jevu. V následující tabulce jsou navržena vhodná data SAR pro sledování jevu. parametry

ideální

alternativní 5 – 20 m V případě plošně rozsáhlých boulí (v řádu desítek metrů) Pro obdélníkové rozlišení je vhodné, aby kratší strana byla ve směru orientace linie

Prostorové rozlišení

1 – 3 m

Pásmo (vlnová délka)

C nebo X

Časové rozlišení

Pro pozvolné lineární deformace do řádu cm – dm / rok 10 – 15 snímků.

Dráha

A + D

Pro rychlé a nelineární pohyby nutno zahustit až na 30 snímků za rok případně paralelním pořízením dat z více družic A nebo D

InSAR

Plošný charakter – SBAS (StaMPS)

SBAS (StaMPS), PS (StaMPS)

Data

Metoda

hledisko

diskuse 

Omezení Povrch Prostorové rozlišení Dokument č.: Verze: D1.00




Zrcadlový odraz od povrchu silnice představuje kritický faktor – většina radarového signálu odraženého od povrchu silnice není detekována a nemůže být zpracována standardními postupy PS InSAR Rozlišení je druhým kritickým faktorem. Pokud jsou boule/ vlny metrové velikosti (délkově, plošně), je krajně obtížné je

‐ 40 ‐

    Orientace prvku 



Terén, okolí, vegetace

 

 Přilehlé prvky  

Údržba

detekovat i ve VHR snímcích. Z tohoto důvodu nemá smysl uvažovat menší stavby než dálnice nebo rychlostní komunikace (obecně vícepruhové komunikace) V rámci zvoleného rozlišení by se v oblasti přibližně 10 x 10 pixelů měly deformace měnit minimálně. Vzhledem k vertikálnímu charakteru pohybu nemá orientace komunikace na detekovatelnost zásadní vliv. Vliv na intenzitu odrazu mohou mít přilehlé stavby (např. protihlukové zdi), pokud silnice (a přilehlé liniové stavby) nejsou kolmé na směr letu. V případě obdélníkového rozlišení dat (výrazně odlišné v každém směru) je vhodnější zvolit vzestupnou (A) nebo sestupnou (D) dráhu tak, aby bylo rozlišení ve směru silnice co nejlepší. Komunikace v hornatém terénu nebo na svazích mohou být zastíněny svahem nebo stromy ve směru LOS a znemožní detekci – nutná topografická analýza před zahájením sledování. Nadjezdy a mosty nad komunikací zastiňují části komunikace, které pak nebudou sledovatelné. Detekce pohybů vlastních svahů náspů a zářezů je z důvodu pokrytí vegetací prakticky nemožná bez přítomnosti trvalých odražečů (betonové, kovové prvky opěrných zdí, teras atd.) Protihluková stěna rovnoběžná se směrem komunikace, kolmá na úhel LOS a umístěná „za“ komunikací ve směru LOS podstatně zvýší odrazivost a detekovatelnost pohybů. Detekovaný pohyb je pak ale součtem možných pohybů stěny i komunikace Frézování povrchu vozovky v průběhu monitorování představuje skokovou změnu výšky povrchu, která ovlivňuje detekované pohyby. Změna struktury povrchu vozovky může mít v citlivějších pásmech (X) za důsledek dekorelaci, ale i v ostatních pásmech dochází k „rozpadu“ sady dat na dvě, které je nutno zpracovávat odděleně (při znalosti data údržby). V případě zpracování celé sady dat najednou může dojít zvláště při větších změnách výšky k vyloučení bodů ze zpracování i k chybné interpretaci.

Doporučení: V případě relativně malých ploch, na kterých dochází k deformacím, je třeba zvážit efektivitu nasazení DPZ z důvodu vysoké pořizovací ceny dat VHR. Nasazení levných dat (Sentinel‐1) pro plošný i cílený monitoring naráží na limity prostorového rozlišení, především ve směru range (tedy LOS). Detekovatelnost konkrétních prvků by musela být ověřena v rámci předoperační studie proveditelnosti. Dokument č.: Verze: D1.00


‐ 41 ‐

4.2.3.2

Deformace tělesa železniční trati

Vlivem různých faktorů včetně nestability geologického podloží, ad hoc stavebních úprav (změny vedení trati, vytvoření nových napojení) nebo podemletím v důsledku povodní může docházet k nežádoucím deformacím tělesa železničního spodku a tím je značně ovlivněna bezpečnost železniční dopravy. Typ jevu Oblast

Nežádoucí pohyb Bezpečnost Parametry jevu

Velikost pohybů (řád) Směr pohybu Časový průběh Prostorový rozsah Prostorový charakter

mm ‐ cm / rok dm / rok – v případě vnějších vlivů (povodně, sesuvy, náhlé svahové pohyby). Komplexní – může docházet k pohybům jak ve vertikálním, tak v šikmém směru Lineární – deformace vlivem zatížení Skokové, nelineární – deformace vlivem povodní, geologie (svahový pohyb) Desítky a až stovky metrů V případě postižení povodní může být rozsah postižení větší Liniově‐plošný. Omezený na násep trati nebo vysokorychlostní trati. Na rovných úsecích i v zatáčkách

Přestože se jedná o prostorově podobný typ pohybu jako v případě deformací těles silniční struktury, rozdíl je v povrchu a jeho odrazivých vlastnostech, které ovlivňují detekovatelnost jevu pomocí InSAR. Výhody InSAR se projeví při sledování plošně rozsáhlejších pohybů. V případě plošně omezených pohybů bude aplikace narážet na limity detekovatelnosti z důvodu prostorového rozlišení. V následující tabulce jsou navržena vhodná data SAR pro sledování daného jevu. parametry Prostorové rozlišení Data

Pásmo (vlnová délka) Časové rozlišení Dráha

Metoda

InSAR hledisko

ideální

alternativní 5 ‐ 20 m Pro obdélníkové rozlišení je 1 ‐ 3 m vhodné, aby kratší strana byla ve směru orientace linie C nebo X Pro rychlé a nelineární pohyby Pro monitorování pomalé lineární nutno zahustit až na 30 snímků za pohyby –10 – 15 snímků za rok, rok případně paralelním víceletá časová řada. pořízením dat z více družic A + D A nebo D PS InSAR (StaMPS, IPTA), SBAS PS (StaMPS), SBAS (StaMPS, IPTA) (StaMPS, IPTA) Diskuse 

Omezení

Povrch 



Železniční koleje mají vysokou odrazivost ve vysokém i středním rozlišení, pokud nejsou orientovány kolmo na směr letu. Proto jsou velmi dobře detekovatelné pomocí InSAR Pokud je násep tvořen kameny většími než drobný štěrk, je

‐ 42 ‐

 Prostorové rozlišení   Časové rozlišení



  Orientace prvku 

 Terén, okolí, vegetace   Přilehlé prvky Údržba



odraz koherentní. V případě přeskupení však dojde k dekorelaci. Rozlišení je kritickým faktorem pro lokální deformace. Deformace s rozsahem pouze metrů lze detekovat pouze při použití VHR dat V rámci zvoleného rozlišení by se v oblasti přibližně 10 x 10 pixelů měly deformace měnit minimálně. Na rozdíl od preventivního (cíleného) monitoringu je v případě náhlé události (povodeň, sesuv) problém s absencí dat před událostí. Pro srovnání deformací vzhledem ke stavu před událostí je třeba využít konstelace dlouhodobě monitorující území (bude dostupné až v případě družic Sentinel‐1) Ideální z hlediska sledovatelnosti InSAR je S‐J směr: paralelní s dráhou družice (tedy kolmý na směr LOS). Trať ve směru paralelním s LOS (V‐Z) je možné detekovat, pokud je násep tvořen kameny a není pokryt vegetací (viz výše) V případě komplexních deformací (ve více směrech) je vhodné použít kombinace dat z obou drah (A+D) případně z více družic. Tratě v hornatém terénu nebo na svazích mohou být zastíněny svahem nebo stromy ve směru LOS a znemožní detekci – nutná topografická analýza před zahájením sledování Nadjezdy a mosty nad komunikací zastiňují části tratě Betonové podstavce a kovové/betonové sloupy vedení elektrifikace a další stavby železničního spodku představují vhodné trvalé odražeče umístěné v pravidelných rozestupech. Speciální údržba náspu (výměna štěrku) má za následek dekorelaci. Je pak nutné rozdělit sadu snímků do dvou.

Doporučení: V případě relativně malých ploch, na kterých dochází k deformacím, je třeba zvážit efektivitu nasazení DPZ z důvodu vysoké pořizovací ceny dat VHR. Nasazení levných dat (Sentinel‐1) pro plošný i cílený monitoring naráží na limity prostorového rozlišení. Detekovatelnost konkrétních prvků by musela být ověřena v rámci předoperační studie proveditelnosti.

4.2.3.3

Deformace konstrukcí mostů, nadjezdů

Konstrukce mostů jsou projektovány tak, aby byly schopny kompenzovat vnější vlivy (nestabilní podloží, zemětřesení). Je počítáno s pohyby i se stárnutím materiálu a návaznými deformacemi. Řada pohybů je žádoucích (např. dilatace v podélném a částečně i příčném směru vlivem tepelné roztažnosti materiálu – díky umístění hlavní nosné konstrukce na ložiscích). K největším (očekávaným) pohybům vlivem sedání dochází po dostavbě mostu během několika měsíců až let ve fázi tzv. aktivace. Předpokládané hodnoty a prognózy sedání a průhybů jsou tabelovány v projektové dokumentaci stavby. V dalších letech se dynamika pohybů zpomaluje, Dokument č.: Verze: D1.00


‐ 43 ‐

stav mostu je kontrolován v pravidelných intervalech předepsaných v projektu a v závislosti na typu a stavu mostní konstrukce. Vlivem konstrukčních vad nebo působením živelné pohromy (povodně) v rozsahu, se kterým původní projekt a konstrukce nepočítala (plošné základy náchylné k podemletí), může docházet k nadlimitním nežádoucím pohybům mostní konstrukce. Mezi konvenčními metodami standardně měřené deformace patří pokles (sedání) podpůrných pilířů, naklonění a průhyb rozpětí mostního pole. Typ jevu Oblast Velikost pohybů (řád)

Směr pohybu

Časový průběh Prostorový rozsah Prostorový charakter

Nežádoucí pohyb, deformace konstrukce Bezpečnost Parametry jevu Záleží na typu mostu, konstrukci a jejím stáří. mm / rok cm / rok – tento rozsah pohybů mimo dilataci je již vysoce nežádoucí Vertikální – průhyb mostních polí, pokles pilířů sedáním Horizontální ‐ dilatace v podélném směru: přirozený a projektovaný pohyb ‐ příčný (vychýlení, náklon): nežádoucí pohyb Komplexní ‐ ve více směrech, kombinace výše uvedených Lineární – po fázi usednutí by se měl průběh pohybů blížit lineárnímu Skokové, nelineární – velmi nežádoucí Dle velikosti konkrétního mostu, nadjezdu, estakády Desítky metrů pro mostní pole, až stovky metrů pro most jako celek Liniově‐plošný.

Sledování pohybů a deformací mostních konstrukcí představuje nejkomplexnější aplikaci z důvodu variability mostních konstrukcí, jejich orientaci, výšce nad povrchem a okolí. Sledování průhybů (vertikální pohyby) je možné, podobně jako u dalších jevů (infrastrukturních). Sledování bočních pohybů je možné pouze pro některé orientace a jeho intepretace může být značně ovlivněna vícenásobnými odrazy. V případě nutnosti častého sledování bočních pohybů je alternativou k PS InSAR pozemní radarová interferometrie (GB‐SAR) pomocí statického přístroje. V následující tabulce jsou navržena vhodná data SAR pro sledování daného jevu. parametry

Data


ideální


1 ‐ 5 m


C nebo X


 Pro pomalé lineární pohyby v řádu mm: desítky snímků, víceletá časová řada  Pro pomalé lineární pohyby v řádu cm: 10 – 15 snímků / rok.


alternativní 5 ‐ 20 m Pro obdélníkové rozlišení je vhodné, aby kratší strana byla ve směru orientace linie Pro rychlé a nelineární pohyby nutno zahustit až na 30 snímků za rok případně paralelním pořízením dat z více družic

‐ 44 ‐

Metoda

Dráha

A nebo D

A + D

InSAR

PS InSAR, SBAS (StaMPS)

PS InSAR, SBAS (StaMPS, IPTA)

hledisko

Diskuse 

Povrch  Prostorové rozlišení



 Rozsah pohybů  Časové rozlišení





 Omezení Orientace prvku 



Terén, okolí, vegetace

   

Přilehlé prvky



Platí stejné výhody a omezení jako pro sledování povrchu železnice a silnic: silnice – špatná zpětná odrazivost, koleje vysoká zpětná odrazivost Rozlišení je třeba volit s ohledem na velikost pohybujících se prvků. V rámci zvoleného rozlišení by se v oblasti přibližně 10 x 10 pixelů měly deformace měnit minimálně. Milimetrové pohyby jsou na hranici přesnosti metod PS InSAR a lze je detekovat pouze při častém opakovaném snímání v dlouhém časovém horizontu. Pro detekci jemných nuancí je třeba vysokého počtu snímků, ať již v průběhu roku nebo rozloženě ve více letech (pokud nejsou očekávány vysoké max. pohyby) Pokud jsou očekávány skokové pohyby, je třeba zahustit periodu snímání z důvodu vyvarování se ambiguity a s ohledem na to zvážit metodu zpracování Samotné vertikální pohyby je možné sledovat pro jakkoliv orientované mosty, vertikální pohyby mostů s orientací paralelní s LOS je vhodné sledovat pomocí kombinace drah A+D. Vychýlení nebo náklon v horizontálním směru je možné sledovat pouze pro mosty orientovaných ideálně v S‐J směru (bok mostního pole a pilíře jsou pak orientovány kolmo vzhledem ke směru LOS). V případě komplexních deformací (ve více směrech) a nutnosti odlišit jednotlivé směry pohybů je třeba použít více (alespoň 2) sady dat z obou drah družice (A+D) nebo z více družic. V případě mostních konstrukcí rovnoběžných se směrem letu nad vodní hladinou je pravděpodobný dvojnásobný (družice ‐ voda – most – družice) nebo trojnásobný odraz (družice – hladina – most – hladina ‐ družice; družice – most – pylon ‐ družice). V případě mostu se jedná o odraz od spodní stavby (opěr, pilířů) nebo boku nosné konstrukce. Každopádně je v takovém případě detekována i změna výšky vodní hladiny, která nabývá větších rozsahů než změny mostní konstrukce. Vícenásobné odrazy v sobě nesou informaci o případných posunech všech elementů a nelze je od sebe jednoznačně odlišit V opačném případě by mělo docházet pouze k odrazům od horní části (plochy) mostu Referenční bod je třeba definovat mimo most samotný – je třeba, aby byl stabilní nebo sledován jinou metodou. Členitý mostní svršek (římsy), vybavení (svodidla, zábradlí), pilíře vystupující nad úroveň svršku představují dobré trvalé odražeče jak v datech většího ale i menšího prostorového rozlišení. Členitý povrch mostu by proto měl umožnit detekci

‐ 45 ‐

dostatečného počtu trvalých odražečů.  Údržba



V případě silničních mostů je třeba znát rozsah a uvažovat datum oprav povrchu frézováním. Je třeba znát rozsah a uvažovat datum případných provozních výškových rektifikací

Doporučení: Mosty představují relativně malé objekty a pro cílený monitoring jejich deformací jsou používána především VHR data. Proto je třeba zvážit efektivitu nasazení DPZ z důvodu vysoké pořizovací ceny těchto dat. Nasazení levných dat (Sentinel‐1) bude narážet na limity prostorového rozlišení především ve směru range, ale má smysl ověřit ho v rámci předoperační studie proveditelnosti pro sledování velkých mostů a estakád.

4.2.3.4

Deformace infrastrukturních prvků v okolí dopravní infrastruktury

Jedná se o stavební a infrastrukturní prvky v blízkém a nejbližším okolí komunikací, jako jsou zárubně, podpůrné stěny, protihlukové stěny. Jejich pohyby a deformace mohou ohrozit bezpečnost silničního a železničního provozu. Potenciální ohrožení v případě havárie mohou představovat i povrchové produktovody a elektrické vedení vysokého napětí v nejbližším okolí nebo křížící komunikace. Typ jevu Oblast

Nežádoucí pohyb Bezpečnost, prevence Parametry jevu

Velikost pohybů (řád)

Směr pohybu

Časový průběh Prostorový rozsah Prostorový charakter

mm – cm / rok Vertikální – pravděpodobný pouze v souvislosti s vertikálním pohybem podloží případně u produktovodů Horizontální – vychýlení ze svislé osy (stožáry), náklon, vyboulení (stěny, zárubně) Lineární Nelineární výjimečně Stěny ‐ minimálně po jednotlivých segmentech (5m), v případě vychýlení v důsledku sedání podloží v řádu desítek metrů. Produktovody – metry až desítky metrů. Liniový. Bodový u stožárů.

InSAR představuje možný nástroj pro detekci tohoto druhu deformací. Relativně dobrá odrazivost sledovaných objektů zde ale naráží na hranice detekovatelnosti z hlediska prostorového rozlišení. V následující tabulce jsou navržena vhodná data SAR pro sledování daného jevu. parametry Data



ideální 1 m


alternativní 3 ‐ 20 m Pro obdélníkové rozlišení je vhodné, aby kratší strana byla ve směru orientace linie

‐ 46 ‐


Dráha

 Pro pomalé lineární pohyby v řádu mm: desítky snímků, víceletá časová řada  Pro pomalé lineární pohyby v řádu cm: 10 – 15 snímků / rok. A nebo D

InSAR

PS InSAR, SBAS (StaMPS)


Metoda

X nebo C

hledisko

 Povrch  

    Prostorové rozlišení  Omezení 

 



Orientace prvku

Terén, okolí, vegetace Dokument č.: Verze: D1.00


A+D PS InSAR, SBAS( StaMPS, IPTA)

Diskuse 


Pro rychlé a nelineární pohyby nutno zahustit až na 30 snímků / rok za rok případně paralelním pořízením dat z více družic





Povrch je klíčovým faktorem, neboť drsnost povrchu spolu s jeho materiálem ovlivňuje zásadním způsobem intenzitu zpětného odrazu. Betonové prvky v případě zárubní, zdí a stěn jsou dobře detekovatelné, zvláště pokud vytváří spolu se sousední plochou (silnice) rohový odražeč. Kovové prvky (potrubí, stožáry) mají vysokou odrazivost a jsou dobře detekovatelné Povrchy s vysokou drsností (vyskládané gabiony) nebo např. ze dřeva mají menší odrazivost, skleněné nebo plastové minimální. Prostorový rozsah pohybů je dalším klíčovým faktorem. Pro pohyby v řádu metrů při sledování náklonu jsou nutná data velmi vysokého rozlišení (1 m) Detekce stožárů také vyžaduje nejvyšší možné rozlišení. Detekce potrubí a energovodů také, v případě použití nižšího rozlišení by bylo nutné, aby se jednalo o více paralelně vedených trubek. Pro pohyby (homogenní) na delších úsecích je možné použít data s nižším rozlišením. V případě vysoké frekvence různorodých změn na malé ploše / krátkém úseku linie je třeba zvolit nestandardní postup výběru bodů trvalých odražečů, neboť tyto by standardně byly vyfiltrovány jako šum. Pro detekci jemných nuancí je třeba vysokého počtu snímků, ať již v průběhu roku nebo rozloženě ve více letech (pokud nejsou očekávány vysoké max. pohyby) Pokud jsou očekávány skokové pohyby, je třeba zahustit periodu snímání z důvodu vyvarování se ambiguity a s ohledem na to zvážit metodu zpracování. Ideální konstelací je sledování liniových prvků (stěny, produktovody) rovnoběžných se směrem letu družice (přibližně S‐J směr). Sledování liniových prvků kolmých na směr letu není možné (lze volit A+D dráhu). V případě komplexních deformací (ve více směrech) a nutnosti odlišit jednotlivé směry pohybů je třeba použít více (alespoň 2) sady dat z obou drah družice (A+D) nebo z více družic. Je třeba uvažovat rohový odraz v případě blízkosti s odrazivou vodorovnou plochou (silnicí). Výsledné detekované rozdíly

‐ 47 ‐

 

 Přilehlé prvky 

Údržba

jsou součtem pohybů vodorovného povrchu a sledovaného prvku. Nelze sledovat prvky odvrácené od směru LOS a na odvrácené straně svahu, pokud jsou svahem zastíněné. V případě zárubní (zapuštění komunikace pod povrch) je třeba zvažovat i vzdálenost a tedy případné zastínění protější zárubní. To je závislé na hloubce zahloubení (výšce zárubní). Např. pro zárubeň o výšce 5 m je kritická minimální vzdálenost od protější zárubně 4.5 m. Je vhodné interpretaci analýzy doplnit přesným vektorovým zákresem sledovaného prvku k jeho snazšímu odlišení od odrazů (trvalých bodů) v nejbližším okolí V případě dvojného odrazu od povrchu silnice je třeba znát a uvážit rozsah a datum oprav povrchu frézováním.

Doporučení: I v tomto případě představuje rozlišení a cena dat VHR limitní faktor nasazení DPZ pro plošný i cílený monitoring. Levná data nižšího rozlišení lze použít pro cílený monitoring, ale velikost pixelu znesnadní nebo znemožní interpretaci zdrojů pohybu ve snímku a jejich navázání na konkrétní infrastrukturní prvky.

4.2.3.5

Sedání a poklesy podloží nebo nadloží

Pokles podloží (tzv. subsidence) může mít řadu příčin: nestabilita geologického podloží, jeho náchylnost ke kompresi, poddolování, ražba tunelů (z hlediska dopravní infrastruktury vedené tunelem hovoříme o poklesu nadloží), těžba (ropy), pokles spodní vody. Byť oblasti postižené tímto fenoménem jsou v ČR vesměs dobře zmapovány a na pohyby v důsledku poklesu je myšleno při projektování dopravních staveb, stále mohou mít negativní dopad na infrastrukturu (nutnost přeložení trati, propady tunelů) i na okolí (ohrožení zástavby). Typ jevu Oblast Velikost pohybů (řád) Směr pohybu Časový průběh Prostorový rozsah Prostorový charakter

Nežádoucí pohyb Bezpečnost, prevence, vymezení rozsahu Parametry jevu mm ‐ cm – dm / rok m / rok (výjimečně) Vertikální Spojitý lineární Spojitý nelineární Skokový v případě propadu Obvykle značný: stovky metrů až kilometry Plošný Plošně‐liniový u tunelů.

InSAR je možné nasadit především z preventivních důvodů k dlouhodobému monitorování a odhalení změny očekávané dynamiky a rozsahu pohybů nebo k lokalizaci nepředpokládaných míst subsidence. Dokument č.: Verze: D1.00


‐ 48 ‐

V následující tabulce jsou navržena vhodná data SAR pro sledování daného jevu. parametry Prostorové rozlišení

alternativní

Dráha

10 ‐ 30 m C L – pro velké pohyby  Pro pomalé lineární pohyby v řádu cm: 10 – 15 snímků / rok, víceletá časová řada  Pro nelineární pohyby v řádu cm: 30 snímků / rok. A nebo D

InSAR

PS InSAR, SBAS (StaMPS, IPTA)

Pásmo (vlnová délka) Data Časové rozlišení

Metoda

ideální

hledisko Povrch

Pro skokové (katastrofální) pohyby (otřesy, propady) dm – m: jednotlivé snímky (dvojice) D InSAR

Diskuse  

Prostorové rozlišení   Časové rozlišení

1 ‐ 10 m X

  

Omezení  

Terén, okolí, vegetace 





Rozsáhlé oblasti pokrývají rozmanité přírodní a antropogenní povrchy s různorodou zpětnou odrazivostí radarového vlnění. Pro detekci lokálních subsidencí v oblasti s vysokou hustotou trvalých odražečů je vhodné použít data s 1‐m rozlišením. To je relevantní především pro sledování subsidence vlivem stavby tunelů v urbánním prostředí. Pro větší oblasti je vhodné použít data s menším rozlišením, které ale nabízí výrazně vyšší rozsah pokryvnosti. Periodu snímání je třeba zvolit s ohledem na odhadovaný charakter pohybů v zájmovém území. Vzhledem k tomu, že poklesy jsou dlouhodobé procesy, je vhodné volit delší časové řady (několikaleté) Pokud jsou očekávány skokové pohyby, je třeba zahustit periodu snímání z důvodu vyvarování se ambiguity. Vzhledem k tomu, že se typicky jedná o sledování v rozsáhlých oblastech, interferogramy jsou postiženy dekorelací vlivem nekoherentních povrchů: vegetace, nestabilní půda (rozoráním), změny v povrchovém dolu atd. Z toho důvodu jsou vhodnější data z pásma C nebo L, které jsou méně ovlivněny vegetací a drsností povrchu. Stále se ale bude jednat o nízkou hustotu nalezených trvalých odražečů v zemědělské a přírodní krajině (jednotky na kilometr čtverečný) – bude se jednat o budovy, prvky infrastruktury (sloupy vysokého napětí) nebo skalní výchozy. Je‐li to relevantní, je možno volit data z období vegetačního klidu (rané jaro, pozdní podzim, zima), ale bez sněhové pokrývky V případě potřeby je možné pro sledování oblastí, kde byl testováním prokázán nedostatek přirozených trvalých odražečů, provést instalaci umělých trvalých odražečů v požadované hustotě. V urbánních oblastech lze očekávat vysokou hustotu trvalých odražečů (až 100‐ky na kilometr čtverečný)



‐ 49 ‐

Doporučení: Vzhledem k plošnému rozsahu jsou vhodná data s velkým pokryvem. Data ERS‐1/2 a ENVISAT představují zdroj historických dat až do roku 1991. Srovnatelné rozlišení, ale výrazně vyšší časové rozlišeni, které umožní sledovat i rychlejší a větší pohyby, nabídne konstelace družic Sentinel‐1. Pásmo C představuje kompromis z hlediska dekorelace vzniklé vegetací, v případě opravdu velkých pohybů nebo v hustou vegetací pokrytých oblastech představují alternativu data z pásma L.

4.2.3.6

Svahové pohyby a sesuvy

Svahové pohyby mohou vést deformacím staveb dopravní infrastruktury, která je protíná. Svahové sesuvy mohou vést k zasažení dopravní infrastrukturu a přímému ohrožení dopravy. Příkladem je rozsáhlý sesuv v oblasti Českého středohoří, který v šířce cca 500 m zasáhl rozestavěnou dálnici D8 a postihl i paralelně vedoucí lokální železniční trať. Následné sanace a omezení provozu mohou být velmi nákladné. Z toho důvodu má smysl uvažovat i o preventivním monitorování před započetím stavby (k případné identifikaci neodhalených pohybů) a pokračovat na vybraných rizikových místech v jejím průběhu a po jejím dokončení – kvůli zjištění dynamiky pohybů akcelerované stavebním zásahem. Typ jevu Oblast

Nežádoucí pohyb Bezpečnost, prevence Parametry jevu

Velikost pohybů (řád) Směr pohybu Časový průběh Prostorový rozsah Prostorový charakter

mm ‐ cm – dm / rok m / rok (výjimečně) Vertikální Spojitý nelineární Skokový v případě sesuvu Desítky až stovky metrů Výjimečně kilometry Plošný

SAR data je možné nasadit pro preventivní monitorování oblastí se zvýšeným rizikem svahových pohybů a sesuvů. Při výběru dat je nicméně nutné zvážit řadu omezujících faktorů vyplývajících z topografie terénu a vegetačního pokryvu. V následující tabulce jsou navržena vhodná data SAR pro sledování daného jevu. parametry Prostorové rozlišení

5 ‐ 30 m

1 ‐ 5 m


C nebo L

X – oblasti bez vegetace

Data Časové rozlišení

Dráha Dokument č.: Verze: D1.00

ideální

 Pro pomalé lineární pohyby v řádu cm: 10 – 15 snímků / rok, víceletá časová řada  Pro nelineární pohyby v řádu cm: 30 snímků / rok. A nebo D


alternativní

Pro skokové (katastrofální) pohyby (sesuvy) dm – m: jednotlivé snímky (dvojice) A+D

‐ 50 ‐

Metoda

InSAR

PS InSAR, SBAS (StaMPS, IPTA) hledisko

Diskuse 

Povrch  Prostorové rozlišení



  Časové rozlišení  

Omezení Orientace svahu

 

Sklon svahu

D InSAR

  



Terén, okolí, vegetace 

Oblasti možných sesuvů pokrývají především přírodní, ale i antropogenní povrchy s různorodou zpětnou odrazivostí radarového vlnění. Vzhledem k rozsahu potenciálně nebezpečných ploch jsou k jejich vymezení vhodná data všech rozlišení. V případě sledování rozsáhlé oblasti (administrativní, přírodní jednotka) jsou vhodná data s nižším rozlišením ale větším rozsahem pokryvnosti. Periodu snímání je třeba zvolit s ohledem na odhadovaný charakter pohybů v zájmovém území. Pro mapování rozsahu sesuvů, nebo kde dochází k velkým změnám výšky, je vhodné nasadit D InSAR s využitím pouze několika interferogramů. Pokud jsou očekávány skokové pohyby, je třeba zahustit periodu snímání z důvodu vyvarování se ambiguity. Protože se jedná o oblasti, které se z podstaty nacházejí na svazích, které mohou být ovlivněny radarovými topografickými artefakty (zastínění, zhuštění, překryv)), je nutné analyzovat polohu sledovaného místa vzhledem k možným směrům LOS a incidenčnímu úhlu. V ideálním případě by měla být svah orientován kolmo na směr LOS. Pohyby rovnoběžné se směrem LOS nelze detekovat. V případě potřeby je proto vhodné vybrat data z více drah nebo směrů. Strmé svahy nejsou vhodné pro sledování pomocí InSAR. Jako hraniční se udává hodnota sklonu 50°. Oblasti s vegetací a nestabilní půdou jsou postiženy dekorelací, která znemožňuje nasazení pásma X. Pásmo C je pro sledování takových oblastí vhodnější, nicméně i to může značně dekorelovat – pak by jedinou možnost pro PS InSAR představovala data z pásma L. Je‐li to relevantní, je možno volit data z období vegetačního klidu (rané jaro, pozdní podzim, zima), ale bez sněhové pokrývky. To zůží interval pro pořízení dat a pravidelnost časového pokrytí v případě delšího sledování V případě potřeby je možné pro sledování oblastí, kde byl testováním prokázán nedostatek přirozených trvalých odražečů, provést instalaci umělých trvalých odražečů v požadované hustotě. Instalace by umožnila využití i kratších vlnových délek (pásma X)

Doporučení: Vzhledem k rozsahu magnitud pohybů, jejich rychlosti a očekávatelnému vegetačnímu pokryvu je vhodné uvažovat především pásmo C a X a současně v pásmu C vysoké temporální rozlišení. Protože v případě sesuvů má aplikace smysl především pro preventivní dlouhodobý monitoring, jeví se jako ideální data z budoucí konstelace Sentinel‐1, která bude pořizovat snímky rutinně a s vysokou frekvencí. Dokument č.: Verze: D1.00


‐ 51 ‐

4.3

JEVY SOUVISEJÍCÍ S DOPADY NA ŽIVOTNÍ PROSTŘEDÍ

Provoz na silniční infrastruktuře ovlivňuje její okolí v podobě dlouhodobých zátěží a dopadů na životní prostředí v jejím bezprostředním i vzdálenějším okolí. Případné havárie s úniky nebezpečných látek představují akutní a bezprostřední ohrožení. Výstavba a přítomnost infrastruktury může mít další dopady v podobě fragmentace prostředí a narušení stávajících funkčních vztahů. Data DPZ představují zdroj informací o stavu a vývoji dopadů jevů, jako jsou znečištění a emise, které se v dlouhodobém horizontu projevují na chemickém složení půdy a zdravotním stavu okolní vegetace. Optické metody DPZ se uplatňují zejména v procesu monitoringu a analýzy jako podklad pro vyhodnocení vlastností půdy a vegetace – aktuálního stavu a především jejich vývoje, který je důležitým indikátorem negativního působení. Ekologické efekty DI na životní prostředí mají různorodý charakter, avšak s omezením na reálné možnosti detekce dopadů pomocí DPZ je můžeme zjednodušeně kategorizovat na:  



přímé o emise nepřímé o kontaminace vodních zdrojů (povrchové) o kontaminace půdy o odvozené na základě sekundárních projevů (např. vliv na vegetaci a její následné změny) jiné: fragmentace krajiny, bariérový efekt (biotopy)

Lokality podél komunikací jsou těmito vlivy bezprostředně spojené a zároveň můžou tyto efekty působit vzájemně a mohou působit synergicky. Omezené je specifické určení původu znečištění v komplexních urbánních oblastech s vysokým zastoupením industriálních zón. Pro sledování jevů souvisejících s dopady na životní prostředí se uplatňují především optická data DPZ. Pro dílčí úkoly (vlhkostní poměry, ropné skvrny na hladině, určování objemu biomasy) lze využít i data radarová, ta ale díky svému relativně úzkému vymezení nejsou vhodná pro komplexnější aplikace.

4.3.1

Mapování dopadů na životní prostředí

4.3.1.1

Princip zpracování optických dat

Optické senzory tvoří kategorii tzv. pasivního DPZ. Metoda snímání je založená na záznamu odraženého slunečního záření různé intenzity v jednotlivých spektrálních pásmech (vlnových délkách). Množství energie je následně převedeno na tzv. DN ‐ digital number ‐ hodnotu pixelu ve výsledném rastru reprezentující odrazivost.



‐ 52 ‐

Spektrální rozsah zahrnuje u optických dat sledování odraženého záření ve viditelné, blízké infračervené a střední infračervené část spektra, a také emitované záření v termální oblasti. Zaznamenaná spektrální signatura umožňuje následné rozlišení typů povrchu a jejich vlastnosti. Pro správnou interpretaci naměřených fyzických hodnot, jejich vzájemné srovnání a analyzovatelnost je nutné data pořízená metodou DPZ upravit: 



geometricky – polohové vsazení do souřadného systému, oprava o deformace a artefakty způsobené topografií terénu (ortorektifikace) a slícování překrývajících se snímků (koregistrace), radiometricky ‐ atmosférické korekce a normalizace umožňují relativní i absolutní srovnání detekovaných hodnot mezi sousedními snímky nebo snímky pořízenými v různých časových obdobích.

Obecně rozlišujeme dva základní přístupy pro analýzu optických dat:  

vizuální interpretace (vyhodnocení) zpracování obrazu (image processing)

Pro opakované a operační zpracování nacházejí uplatnění především metody (polo‐) automatického zpracování obrazu, které zahrnuje korekci a zvýraznění obrazu, transformaci obrazu a jeho klasifikaci. V aplikacích pro sledování dopadů na životní prostředí se uplatňuje především zpracování multispektrálních, superspektrálních nebo hyperspektrálních dat. Pro kalibraci spektrálního projevu a jeho validaci je často nutný sběr in‐situ vzorků pomocí pozemního měření. To platí především pro měření absolutních hodnot povrchové odrazivosti v hyperspektrálních datech. Pro zvýraznění a usnadnění identifikace zájmových prvků či jevů slouží transformace obrazu na pixelové úrovni, která využívá široké škály metod a nástrojů:   

Normalizované diferenční indexy (vegetační, vodní, půdní, biofyzikální) PCA analýzy (Principal Component Analysis) nebo TCT (Tasseled Cup Transformation) ‐ redukce dimenzionality dat a zvýšení separability tříd Filtrace, tvorbu texturálních charakteristik a využití hranových operátorů

Klasifikace dat může probíhat tzv. řízeným nebo neřízeným způsobem, ale také komplexněji vytvořením klasifikačních pravidel (rule‐based, rozhodovacích stromů nebo neuronových sítí). Podle typu analyzované obrazové jednotky rozlišujeme: 

Analýzu na pixelové úrovni. Jedná se o spektrální přístup s využitím pixelové klasifikace řízené (s použitím trénovacích množin, kde předem definujeme diskrétní třídy ‐ voda, les, silnice atd.) nebo neřízené (vytvořením statisticky separabilních shluků, jejich následnou agregací a přiřazením sémantických tříd ‐ ISO Data, SVM ad.). Analýza na pixelové úrovni se používá především pro data středního a nízkého rozlišení, kde navíc dochází k fenoménu tzv. spektrálního mixování, kdy relativně velký pixel obsahuje spektrální signatury z více tříd, které pokrývá.



‐ 53 ‐



Analýzu na objektové úrovni. Na základě definovaných parametrů (např. vnitřní homogenita) jsou vytvořeny segmenty (objekty), které jsou následně řízeně klasifikovány na základě definice komplexních klasifikačních pravidel (eCognition) zahrnujících nejen spektrální, ale i kontextuální, tvarové, velikostní a další vlastnosti.

4.3.1.2

Obrazová spektroskopie

Hyperspektrální data poskytují informaci pro každý obrazový pixel v rozsahu několika desítek až stovek úzkých spektrálních pásem – kromě počtu pásem je důležité především úzké vymezení a spojitá návaznost těchto pásem. Toto vysoké spektrální rozlišení umožňuje identifikaci a rozlišení prvků‐jevů, které se s použitím jiných dat (např. multispektrálních) jeví jako spektrálně velmi podobné nebo identické. Vzhledem k charakteru hyperspektrálních dat (velké množství pásem, zatížení šumem) je nutné aplikovat specifické metody ve fázi předzpracování i klasifikace (nutnost radiometrické a atmosférické korekce, normalizace a redukce vysoké dimenzionality dat, užití spektrálních knihoven, pokročilé analytické metody). Metody zpracování hyperspektrálních dat se také označují jako obrazová spektroskopie. Obrazovou spektroskopii lze především využít pro tyto aplikace: 





cílené vyhledávání (Target detection) o aplikace přímého vyhledávání známých prvků (typů povrchu) a jejich extrakce z okolí (např. určení vegetačních typů, typů povrchu vozovky) materiálová identifikace a mapování (Material mapping and identification) o identifikace známých/neznámých materiálů a jejich prostorového rozložení (toxické odpady, znečištění v okolí DI, těžké kovy) mapování detailních vlastností o analýza specifických fyzikálních a odvozených vlastností (vlastnosti půd ‐ vlhkost, salinita, vlastnosti vegetace ‐ obsah chlorofylu, zdravotní stav vegetace)

Při velkém množství spektrálních pásem obsahují hyperspektrální data i množství redundantních informací, které je vhodné nejprve odstranit za použití statistických metod, např. PCA (Principal Component Analysis), MNF ‐ Minimum Nosie Fraction . Snížením dimenzionality datového souboru lze snížit výpočetní náročnost při dalším zpracování. S využitím trénování a spektrálních knihoven (obsahujících známé spektrální signatury) jsou aplikovány algoritmy mapující zájmové území:   



Maximum likelihood (třída je charakterizována nezávislými příznaky) SAM (Spectral Angle Mapper) ‐ odvozuje příslušnost ke třídě na základě úhlu spektrální signatury SVM (Supprot Vector Machines) ‐ efektivní metoda klasifikace pro multidimenzionální data Canonical Analysis (CA) ‐ lineární transformace minimalizující vnitřní variabilitu a maximalizující separabilitu tříd



‐ 54 ‐

Pro stanovení jednoznačné spektrální charakteristiky je ideální vzít v úvahu pixely tzv. čisté, kde celá plocha patří do jedné uživatelem definované kategorie (např. voda). Pro data s nižším prostorovým rozlišením je ale typické, že samostatný obrazový element zahrnuje víc typů povrchů s odlišnou spektrální odezvou a výsledná spektrální hodnota je smíšená dle proporcí jednotlivých složek a znesnadňuje jednoznačné zařazení do správné třídy. Metody pro analýzu jednotlivých frakcí těchto smíšených pixelů jsou označovány jako měkké klasifikátory. Umožňují stanovení jednotlivých podílů v daném pixelu – dekompozici. Metody se dále člení v závislosti na volbě statistického vyhodnocení, parametrizaci a modelu subpixelového složení (lineární, nelineární).

4.3.1.3

Využití normalizovaných vegetačních indexů

Účelem vegetačních indexů je primárně zvýraznění vybraných vlastností vegetace. Pro multispektrální vegetační indexy (tzv. broadband VI) je charakteristické, že indikují primárně přítomnost vegetace a následně je možné je korelovat s konkrétní charakteristikou (např. stresovým faktorem). Rozlišují se dvou‐, vícepásmové a transformační indexy. Možnost aplikace vegetačních indexů obecně klesá s rostoucím prostorovým rozlišením družicových dat z důvodu menšího počtu spektrálních pásem (obvykle pouze VIS+NIR, s výjimkou družice WorldView2, která nabízí 8 kanálů (také však bez SWIR)). Hyperspektrální vegetační indexy (tzv. narrowband VI) jsou založeny na podobném principu, ale úzké vymezení pásem umožňuje citlivější výběr spektrálního rozsahu a tedy i přesnější korelaci s pozorovaným jevem (vyšší senzitivita, eliminace saturace). Hyperspektrální indexy lze dále rozdělit na strukturální a biochemické. Z biochemických je pro charakteristiku stavu a kondice vegetace zvlášť důležitá skupina indexů indikujících vlastnosti pigmentace, chlorofylu a vodního obsahu.

Multispektrální Indexy

VIS+NIR

VIS+NIR

SR

Simple Ratio

Biochemické (Chlorofyl)

MSR

Modified Simple Ratio

CARI

VIS+NIR +SWIR

EVI

Biochemické (pigment, fyziologie)

NDWI

Normalized Differential Water Index

SIPI

NDVI SAVI MSAVI SARVI TVI

Hyperspektrální indexy

Chlorophyll absorption ratio index Modified Chlorophyll absorption ratio Normalized Diffrence Vegetation Index MCARI index Transformed Chlorophyll absorption Soil‐Adjusted Vegetation Index TCARI ratioi index Modified Soil‐Adjusted Vegetation Index Strukturální (LAI, biomasa) Soil and Atmospherically Resistant TrVI Triangular Vegetation Index Vegetation Index Transformed Vegetation Index NDVI Normalized Diffrence Vegetation Index

Moisture Stress Index MSI Tasseled Cap Transformation Tabulka 13

Enhance Vegetation Index

Structure‐Independent Pigment Index

PRI

Photochemical Reflectance Index

Stručný přehled základních vegetačních indexů



‐ 55 ‐

Výhodou vegetačních indexů je poměrně jednoduchá aplikovatelnost a široké spektrum užití na základě korelace s daným jevem. Pro srovnání více scén je nutná kalibrace pro eliminaci rozdílných atmosférických podmínek a geometrie letu. Hyperspektrální data umožňují díky vysokému počtu pásem vysokou míru adaptability indexů pro konkrétní aplikaci. Předpokladem je, že algebraická kombinace spektrálních pásem souvisí s konkrétní charakteristikou vegetace: obsah vody, struktura vegetace, hustota nebo zdravotní stav. Následně je možné poměřovat indexy s odvozenými charakteristikami jako např. LAI (Leaf area index). U hyperspektrálních indexů se jedná o silně empirické závislosti způsobující vysokou závislost na podmínkách snímání (změna vegetačního období, pořizovací podmínky pod.)

4.3.1.4

Výběr dat a metod

Jednotlivé aplikace optických dat DPZ pro sledování jevů souvisejících s životním prostředím v okolí DI vyžadují použití vhodných dat. Hledisko výběru je závislé na požadavku prostorové přesnosti, časového určení a tematické aplikace. Prostorová přesnost je vždy dána požadovaným měřítkem výstupu a velikostí ‐ rozlišitelností daného jevu v obrazových datech. Z časového hlediska je ukazatelem temporální rozlišení daného senzoru(ů) (doba, za kdy lze opakovaně pořídit data ze stejného území). Spektrální rozlišení je pak kritériem vhodnosti tematické aplikace. Zkoumaný jev by ideálně měl mít jedinečnou spektrální odezvu ve zvoleném pořízeném rozsahu vlnových délek. Volbu typu dat uvádí následující přehled: 





data VHR, multispektrální o prostorové rozlišení je 5 m a lepší, často méně než 1m a umožňuje rozlišit vysoký detail prvků (jednotlivé stromy, mosty, prvky silnice, jednotlivá vozidla apod.) o spektrální rozlišení je omezeno na oblast VIS+NIR, ale s využitím vhodné metody je možné mapování široké škály land use / land cover (LU/LC), typů vegetace o data jsou vhodná pro podrobné mapování v regionálním měřítku (pro větší celky je omezením především cena, ale také náročnost zpracování) o vhodné metody zpracování: OBIA (Object Based Image Analysis), vizuální interpretace o temporální rozlišení se pohybuje v řádu dnů, programováním lze pro krátkou etapu pořídit snímky několik souvislých dnů za sebou data VHR superspektrální o oproti datům VHR nabízí širší spektrální rozlišení, díky kterému je možné preciznější stanovení vybraných charakteristik vegetace (zdravotní kondice, biomasy) nebo vodních ploch (podpora pro batymetrii) data VHR hyperspektrální o při vysokém prostorovém rozlišení je dostupné i široké a spojité spektrální rozlišení a umožňuje velmi podrobné mapování na úrovni druhů vegetace, vlastností povrchů (minerální složení) o v současnosti pouze letecké senzory, vhodné pouze pro jednorázové mapování (z hlediska finančních nákladů) o vhodné metody: obrazová spektroskopie (kap. 3.3.1.2)



‐ 56 ‐







data HR multispektrální (superspektrální) o prostorové rozlišení se pohybuje od 5 do cca 30m a spektrum aplikací je obdobné jako u dat VHR (především mapování LC), ale postrádá jejich prostorový detail o výhodou je naopak pokrytí velkých regionálních až nadregionálních celků o z hlediska spektrálního zahrnuje často kromě VIS+NIR také oblast SWIR (vlhkostní podmínky) o vhodné metody: OBIA i analýza na pixelové úrovni data HR hyperspektrální o prostorové rozlišení: ~30m o oblast použití je obdobná jako u hyperspektrálních VHR dat, ale bez prostorového detailu o v případě družicových dat je monitorování pravidelné, ale nabídka senzorů je minimální data LR multispektrální o mají mnohem širší spektrální rozsah (UV, SWIR, TIR) a velmi vysoké temporální rozlišení (den a méně) dobře využitelné pro modelování složitých jevů (atmosféra, hydrologie) o vhodné pro pravidelné monitorování a automatické vyhodnocení v atmosférických aplikacích a dlouhodobé sledování vlastností vegetace na úrovni regionálních celků (zcela postrádají vizuální detail) o analýza na pixelové úrovni, kvantitativní analýzy

4.3.1.5

Přesnost a limity

Rozlišujeme dva základní typy přesnosti výsledného produktu, které jsou ovlivněné použitými metodami zpracování a detekovatelností prvků ve vstupních datech: 

Geometrická (polohová) přesnost je funkcí prostorového rozlišení, kvality vlícovacích (kontrolních), použitého DEM a softwarového modelu pro orthorektifikaci. Vysoká absolutní polohová přesnost je nutná pro analýzu výsledků v prostředí geografických informačních systémů. Vysoká relativní polohová přesnost mezi vrstvami ve zpracované časové řadě snímků je nutná pro konzistenci detekovaných změn a tematickou přesnost výsledků.  Tematická přesnost je dána srovnáním výsledného produktu s referenčními informacemi (data naměřená v terénu nebo získána interpretací nezávislého zdroje) daty pomocí chybové matice.

Nevhodně zvolené prostorové rozlišení v relaci na velikost sledovaných prvků snižuje či znemožňuje přesnost jejich určení. Např. pro sledování a rozlišení jednotlivých stromů je vhodné vybrat co nejvyšší rozlišení. Pro sledování jevů souvisejících s lesním porostem jako celkem stačí nižší rozlišení. Podobně, pro rozlišení tříd s výrazně odlišným spektrálním projeve dostačují multispektrální data. Pro rozlišení jemných rozdílů mezi spektrálně podobnými třídami je nutné vybrat data super‐ nebo hyper‐ spektrální: Dokument č.: Verze: D1.00


‐ 57 ‐









Pro multispektrální data (zejména družicová) platí, že se zvyšujícím se prostorovým rozlišením, klesá rozlišení spektrální. Multispektrální družicová data velmi vysokého rozlišení s rozlišením do 5 m zahrnují pouze spektrum viditelného světla a blízkého infračerveného záření a uplatní se především při kategorickém mapovaní typů povrchů a posouzení relativních změn při primárním požadavku maximální polohové přesnosti. Pro studium a rozlišení kvalitativních parametrů (např. základní druhové složení u vegetace) je vhodné použít data s nižším prostorovým rozlišením, které mají vyšší rozlišení spektrální (VIS, NIR + SWIR). Temporální rozlišení je v tomto případě dostatečné pro dlouhodobé monitorování i meziroční srovnání. Použití HR dat je omezeno především možností rozlišit daný prvek/jev (pokud je menší než samotné prostorové rozlišení) a s tím související výskyt smíšených pixelů. V řadě případů dochází také ke spektrální podobnosti. Důsledkem průniku příznakového prostoru může být nemožnost rozlišení dvou významově rozdílných objektů. Data superspektrální při zachovaném relativním vysokém prostorovém rozlišení splňují i požadavek na širší spektrální rozsah. Jedná se o data družicová (WorldView2, Landsat 8, budoucí Sentinel‐2), která nabízí oproti leteckým hyperspektrálním datům pravidelné monitorování. Pro podrobné analýzy a velmi přesné vyhodnocení lokálních podmínek (např. zdravotní stav vegetace) při zachování velmi vysokého prostorového rozlišení je ideální využít data z leteckého hyperspektrálního senzoru. Nabídka těchto senzorů je i v současnosti nižší, než u dat multispektrálních.

Z povahy optických dat vyplývá, že je nelze použít v případě oblačnosti nad zájmovým územím. Oblačnost může pokrývat souvislé území (analýza je zcela nemožná), ale také může být rozptýlená (analýza s omezením, nutné je také brát v úvahu stíny oblaků na zemském povrchu). V případě multitemporální anebo kvantitativní analýzy a složitějších atmosférických podmínek (opar, vodní páry) je pro lepší srovnatelnost vhodné v rámci předzpracování provést atmosférickou korekci. Letecké snímkování se zpravidla provádí za bezoblačných podmínek, podmínky iluminace (směr náletu, výška a azimut slunce) se však mění, proto je nutná radiometrická korekce.

4.3.1.6

Produkty ze zpracování

Výstupem ze zpracování bývají produkty v podobě prostorových vrstev nebo tabulárních dat, které umožňují jejich další zpracování a interpretaci uživatelem. Vrstvy lze dodat ve formě mapových výstupů nebo samostatných vektorových či rastrových vrstev ve výměnném formátu, který umožňuje načtení, vizualizaci a analýzu v prostředí GIS. Obecně je v prostorových vrstvách uložena informace o:  

Detekované intenzitě sledovaného jevu. Příkladem je koncentrace, míra poškození, obsah chlorofylu ad. Rozsahu jevu v prostoru.



‐ 58 ‐



Vývoj jevu v čase. Lze indikovat vývoj diskrétních hodnot souvisejících se změnou rozsahu (přítomnost: Ano nebo Ne) a vývoj intenzity na základě porovnání mezi dvěma či více časovými horizonty.

4.3.2

Jevy související se znečištěním

Rostoucí přepravní objemy jsou jedním z významných zdrojů znečištění ŽP v okolí DI a jeho monitorování je proto nezbytné pro dlouhodobé plánování. Pomocí metod satelitního DPZ není možné přímé určení chemického složení podobně jako při pozemním in‐situ měření. Jejich koncentrace je určena z dat DPZ na základě absorpce v určité vlnové délce. Z celé řady meteorologických družic pro sledování atmosférických podmínek jsou pro detekci polutantů a stopových plynů vhodné družice na nízké oběžné dráze (LEO – Low Earth Orbit, polární – slunečně synchronní orbit). Z hlediska spektrálního umožňuje informace z oblasti IR spektra detekci mechanických částic ‐ aerosolů antropogenního původu (prach). Měření v oblasti viditelného a UV záření je předpokladem detekce vybraných stopových plynů (O3, SO2, NO2 ‐ výrazná absorpce v těchto vlnových délkách).

4.3.2.1

Exhalace

Mezi sledované polutanty patří zejména oxidy dusíku NOx, polycyklické aromatické uhlovodíky (PAH), oxidy uhlíku (CO, CO2), oxid siřičitý, ozon, prach (zejm. dieselové motory)a směsi částic PM2.5 Jednou z primárních aplikací satelitních měření je odhad koncentrace pevných částic (PM) z optických dat odvozením z optické hloubky (AOD – Aerosol optical depth), kterou lze odvodit i ze širokopásmových multispektrálních dat (např. SPOT). Přesnější odhad (avšak s horším prostorovým rozlišením) poskytují data zahrnující i střední IR pásmo. Příkladem lze uvést data MODIS (přímo produkt Aerosol Data). Zcela odlišnou distanční metodou je užití pozemních LiDARových měření pro stanovení koncentrací škodlivin anebo stanovení zastoupení druhů aerosolů (DIAL – Differential Absorption LiDAR). Měření je založeno na porovnání signálů s odlišnou vlnovou délkou (jeden v absorpčním pásmu sledovaného polutantu, druhý referenční, mimo absorpční pásmo). Z této závislosti je možné odvodit koncentraci dané škodlivé látky. Výhodou oproti satelitním měřením je informace o výškovém rozmístění polutantů a měření není zatíženo aktuálními atmosférickými podmínkami. Typ jevu Oblast Oblast ohrožení Časový průběh Prostorový rozsah Prostorový charakter

Exhalace Dopad na ŽP, znečištění Parametry jevu Silnice a křižovatky s intenzivním automobilovým provozem, vysoce urbanizované a průmyslové oblasti Hodiny až dny Bezprostřední okolí x10 až x100 m Plošný



‐ 59 ‐

Metody založené na využití družicových dat jsou vhodné spíše pro sledování exhalací v rozsáhlých aglomeracích (neindustriální), vzhledem k prostorovému rozlišení se v podmínkách ČR uplatní jen omezeně. Finální produkt může představovat samostatnou vrstvu vstupující jako jeden z parametrů do predikčních modelů, např. pro modelování kvality ovzduší nebo rozptylové modely. V ČR v současné době ČHMÚ využívá model CAMx (disperzní fotochemický model pro plyny a aerosoly). Tento model vyžaduje hodinové vstupy meteodat (z modelu ALADIN), antropogenních emisí (model REZZO) a biogenních emisí (kategorie zemského povrchu – např. druhové složení stromů). Model je nezbytný pro provedení rozptylových studií a vyhodnocení a předpověď imisních zátěží. Model je vhodný pro modelování na městské až kontinentální úrovni. Časový krok a velikost buňky jsou ve vzájemné závislosti. Pro buňku 10‐50 km počítá model v řádu 5‐15 min, pro buňku 1‐2 km méně než minutu. Typická aplikace probíhá na gridu o velikosti 36, 12 nebo 4 km. Vybrané veličiny vstupních dat modelu je možné doplnit/příp. nahradit z dat DPZm konkrétně parametry: obsah antropogenních emisí, obsah vodních par, oblačnost (z MS dat nízkého rozlišení) a také krajinný pokryv (resp. míra zastoupení jednotlivých typů pokryvu, z MS dat vysokého rozlišení). Na rok 2015 je plánováno vypuštění nová družice s označením Sentinel‐ 5 zaměřená přímo na na měření chemie atmosféry (ozon, SO2, NO2, CO a aerosoly) s prostorovým rozlišením 7,5 km. Takové rozlišení je ale příliš hrubé pro modely na regionální a lokální úrovni, které jsou relevantní pro oblast dopravy. parametry Prostorové rozlišení

Data



ideální x 10 – x 100 m (Medium resolution MR)

Analýza multispektrálních dat

 

Analýza časových řad


Prostorové rozlišení GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013

Analýza na pixelové úrovni (výsledek je obvykle vstupem do dalších modelů) Možný vysoký stupeň automatizace (pro modelová řešení, pokud jsou známé vstupní parametry) Korelační metody s využitím pozemních měření (HR data)



Vysoký stupeň automatizace a analýza časové řady, fyzikálně založené modely Diskuse



Data s vhodným spektrálním a časovým rozlišením mají nižší prostorové rozlišení vzhledem k velikosti dopravních komunikací. Možné je monitorování širšího okolí ovlivněného

hledisko Omezení

alternativní 3 km (Low resolution LR) High resolution HR LiDAR (7,5m)

 Multispektrální UV/VIS + TIR – O3, NO2, SO2 LiDAR (DIAL) – vertikální profil VIS+NIR – aerosol /objem/ aerosolů VIS+MIR – aerosol /rozptyl, velikost částic/ V intervalu desítek minut až hodin pro monitorování aktuálního Denní pro dlouhodobé sledování stavu 

Metoda



‐ 60 ‐

exhalacemi. 

V oblastech, kde dochází ke znečištění v důsledku různých zdrojů, není možné určit podíl exhalací způsobených dopravou (odlišní od např. průmyslových provozů)



Při silné mlze (příp. kouřmo) není měření možné

Zdroj exhalací

LiDAR

Doporučení: Vzhledem k nízkému rozlišení družic zaměřených na sledování atmosféry jsou data z nich nevhodná pro aplikaci v dopravě. Vybrané produkty ze zpracování HR a MR dat nicméně mohou sloužit jako vstupní parametry do emisních a imisních modelů.

4.3.2.2

Kontaminace půdy splachem

Kontaminace půdy v okolí DI vzniká v důsledku odplavení škodlivin splachem srážkové vody. Jedná se o těžké kovy a splach solí na bázi chloridů použitých pro zimní údržbu silnic. Přímá detekce kontaminace za běžných okolností možná není. Škodliviny můžou být transportovány hlouběji a pomocí DPZ lze postihnout pouze povrchovou vrstvu půdy. Koncentrace těchto látek jsou obvykle pod rozlišovací schopností z hlediska prostorového rozlišení a toxické kovy nemusí vykazovat jednoznačné charakteristiky z hlediska absorpce/odrazivosti. Kontaminaci lze však monitorovat nepřímo na základě projevů vegetace anebo změn vlastností složek půdy v okolí. Splach posypových solí lze odvodit na základě poškození dřevin (možná detekce pomocí multispektrálních dat). Typickým projevem je usychání konečků jehličí u jehličnanů s přímou vazbou na pokles chlorofylu a jeho detekce pomocí DPZ. Přítomnost toxických kovů je většinou detekována nepřímo na základě interakce těchto prvků s ostatními součástmi půdy (s organickou hmotou, přítomnost oxidů, hydroxidů). Kontaminace půd těžkými kovy souvisí nejčastěji s důlní činností a detekce pomocí analýzy hyperspektrálních dat je příkladem aplikovaným i v podmínkách ČR (Severočeská pánev – ČGS). V případě výrazných kontaminací toxickými kovy způsobených dopravou za předpokládaných podmínek (mimo vegetační období), by metoda mohla být uplatnitelná i v této oblasti. Typ jevu Oblast Oblast ohrožení Časový průběh Směr Prostorový rozsah Prostorový charakter

Kontaminace půdy (splachem) Dopad na ŽP, znečištění Parametry jevu Vegetace podél a v blízkém okolí DI Sezónní až dlouhodobá degradace Po spádu /směr odtoku/ Přímý vliv cca do 10m, dále vliv na širší okolí (30‐80m) Liniový až plošný

Data

parametry Prostorové rozlišení

ideální < 5 m (VHR)

Pásmo (vlnová délka) Dokument č.: Verze: D1.00


alternativní 10 ‐ 30 m (HR)

Hyperspektrální, multispektrální (nutný kanál NIR, SWIR)

‐ 61 ‐


Metoda


Min. 3‐5 snímků během vegetačního období  Odvození zdravotního stavu vegetace na bázi stanovení obsahu chlorofylu  Analýza vegetačních indexů, odvozením LAI (Leaf Area Index)



Analýza hyperspektrálních dat

  

hledisko  Prostorové rozlišení Omezení  Kontaminace půdy

V kombinaci s využitím DEM vhodné pro mapování potenciálně ohrožených míst a následnou úpravou režimu údržby a způsobu solení s ohledem na ŽP (snížení zátěže a úspora finančních prostředků)

Pro eliminaci redundantní informace v datech je nutná aplikace speciálních postupů (PCA, Vícenásobná lineární regrese) K přímé absorpci v daných vlnových délkách nedochází, toxické kovy jsou detekovány odvozeně ze souvisejících sloučenin obsažených v půdě (oxidy, hydroxidy, sulfidy…) Vyhodnocení je provedeno s použitím pozemních měření a následného statistického vyhodnocení Vzhledem k prostorovému rozlišení často nutné aplikovat subpixelouvou analýzu (Spectral Mixture Analysis) Diskuse Jedná se o hraniční rozlohu poškození pro efektivní uplatnění DPZ. (např. pro HR 2‐3px – podél komunikace). Předpokladem detekce je také výrazný projev degradace dané vegetace vůči nepoškozenému (splachem nezasaženému) okolí. Ve většině případů je půda překrytá vegetací, která znemožňuje analýzu (nutné identifikace mimo vegetační sezónu)

Doporučení: Přímou detekci škodlivých substancí v půdě lze detekovat z hyperspektrálních dat. Nepřímé indikátory založené na stavu vegetace lze detekovat také z multispektrálních dat. V obou případech je limitním faktorem prostorové rozlišení. Pro kalibraci naměřených hodnot a kalibraci modelu závislosti indikátoru na přítomnosti a koncentraci škodlivin je nutné provést terénní měření a validaci.

4.3.2.3

Kontaminace půdy únikem nebezpečných látek v případě havárie

Poškození půdy v důsledku kontaminace dochází zejména při těžbě, těžkém průmyslu apod., ale také užitím umělých hnojiva jejich případným nežádoucím transportem. Z hlediska kontaminace způsobené dopravou se jedná o významně menší podíl jak v objemu tak ploše s výjimkou mimořádných událostí ‐ havárií. Uvažovat lze havárie na transportní infrastruktuře ‐ především ropovody a specifické události dopravních nehod velkého rozsahu. Převážně půjde o látky bitumenózního původu (ropě příbuzných látek). V případě úniku do povrchového vodního zdroje se jedná o skvrnu na hladině přehradních nádrží (a rozsáhlejších vodních ploch).



‐ 62 ‐

Zkoumaným parametrem bude v tomto případě stanovení plošného rozsahu úniku nebezpečné látky. Typ jevu Oblast Oblast ohrožení Časový průběh Prostorový rozsah Prostorový charakter

Kontaminace půdy (únikem v případě havárie) Dopad na ŽP, znečištění Parametry jevu Vegetace, půda a vodní zdroje v blízkém okolí a podél DI Hodiny (až dny) po havarijní události V závislosti na rozsahu havárie ve vzdálenosti x10 až x100m od DI Plošný (v příp. vodních toků liniový)

Data

parametry Prostorové rozlišení

ideální < 5 m


Hyperspektrální


Nutné pořízení dat bezprostředně po havárii 

Metoda

alternativní < 30 m HR a VHR multispektrální data pouze za předpokladu velmi rozsáhlé havárie s výraznými následky např. na vegetaci SAR – identifikace ropných skvrn (rozsah a pohyb) na klidné hladině

Analýza hyperspektrálních dat 

Materiálová identifikace Mapování poškozené vegetace s využitím spektrálních knihoven a trénovacích množin. (monitorování dlouhodobých následků poškození vlivem mimořádné události) Často se uplatňují spektrální klasifikátory (Maximum likelihood, SVM, SAM, CA)

hledisko 

 Prostorové rozlišení/ Dostupná data







Pro efektivní detekci bitumenozních materiálů v půdě je vhodné především pásmo SWIR (absorpční maxima) Využití upravených vegetačních indexů a nepřímá identifikace odvozená z projevů vegetace (dlouhodobé poškození v důsledku kontaminace) Monitorování regenerace poškozené vegetace

Diskuse

Rozsah/výskyt Omezení



Pro podmínky ČR předpokládaný ojedinělý výskyt (vysoká hustota zalidnění, monitorovací infrastruktura, systém včasného varování apod.) HR, VHR – ve většině případů nevyhovující z hlediska prostorového rozlišení Hyperspektrální data – absence satelitních dat v požadovaném rozlišení

Doporučení: Pro stanovení povrchového rozsahu a šíření uniklé látky na zemském povrchu nebo ve vodě se hodí hyperspektrální data, v omezené míře multispektrální nebo radarová. Pomocí všech typů optických dat lze sledovat dlouhodobé dopady havárie na ŽP (zdravotní stav vegetace). Dokument č.: Verze: D1.00


‐ 63 ‐

4.3.3

Jevy související se změnami vegetace a krajinné pokryvu

4.3.3.1

Sledování zdravotního stavu vegetace

Okolí DI je tvořeno z velké části vegetací (přírodní, zemědělskou a městskou zelení; travinami, keři, stromy). Vegetace je znečišťujícími látkami ovlivňována přímo i nepřímo transportem vody a živin z kontaminované půdy. Lze ji tedy považovat za komplexní indikátor dopadů dopravy na životní prostředí. Z hlediska vzájemné interakce DI a vegetace můžeme rozlišit tři hlediska:   

stav vegetace (jako cenné území z environmentálního hlediska) vliv DI na vegetaci (nevratné poškození vegetace) vliv vegetace na DI (možná ohrožení)

K významným změnám podílu dochází již v procesu výstavby (kácení a další pozemkové úpravy), vlivem poškození nebo snižování diverzity pak i během následného provozu infrastruktury. Pravidelné monitorování zeleně je proto nezbytné pro efektivní management DI tak, aby případné negativní dopady dopravy na ŽP byly minimální. DPZ nabízí širokou škálu možností a metod monitorování vegetace prakticky na všech úrovních prostorového (nízké, střední, vysoké i velmi vysoké) i spektrálního rozlišení (multispektrální, superspektrální, hyperspektrální); z hlediska nosičů jak satelitní tak letecké snímkování. Výhodu představuje především standardizované sledování v časové řadě a retrospektivní mapování, tedy možnost vyhodnocení a srovnání aktuálních a historických dat (např. mise Landsat nabízí archiv od 70. Let 20. století). Dálkový průzkum umožňuje jednak mapování vegetace, tj. oddělení od ostatních typů krajiny a následně případné druhové rozlišení, a jednak vyhodnocení zdravotního stavu a kondice této vegetace. Vyhodnocení je založeno na odvození biofyzikálních parametrů vegetace z jejích spektrálních vlastností. Spektrální vlastnosti vegetace jsou primárně závislé na přítomnosti listových barviv, tedy obsahu chlorofylu (Cab), ale také karotenoidů, příp. xantofylů. Z analýzy hyperspektrálních dat v součinnosti s pozemním měřením lze stanovit obsah těchto látek. Z dat s nižším spektrálním rozlišením se je stanovení obsahu méně přesné . Protože poměrové vegetační indexy jsou citlivé na obsah listových barviv, lze z jejich vývoje v prostoru a čase dobře odvozovat vlastnosti vegetace jako zdravotní stav, míra poškození nebo dlouhodobý stres bez nutnosti odvozování absolutního obsahu barviv.Mezi ukazatele zdravotního stavu vegetace řadíme: Nebiochemické ukazatele

Biochemické ukazatele





    

skladbu vegetace (diverzita, podíl invazivních rostlin) hustotu vegetace na ploše podíl vegetace vzrůst vegetace / její výška intenzitu růstu objem biomasy

 

obsah chlorofylu a dalších listových barviv LAI (Leaf Area Index) fPAR, alternativně FAPAR (Fraction of Photosynthetically Active Radiation)



‐ 64 ‐

Typ jevu Oblast Oblast ohrožení Časový průběh Prostorový rozsah Prostorový charakter

Zdravotní stav vegetace (v okolí DI) Dopad na ŽP, znečištění, bezpečnost Parametry jevu Vegetace /přírodní, příp. zemědělská/ v okolí DI Lineární, postupná degradace (ev. zotavení) vegetace Společenství vegetace, řádově stovky metrů Plošný

parametry

ideální


1 ‐5 m (VHR)


Multispektrální, superspektrální

Data

Analýza multispektrálních / hyperspektrálních dat Metoda

Analýza časové řady hledisko

Monitorování průběhu v roce: 3‐5 snímků za rok ve vegetačním období  Monitorování ve více letech – dle potřeb Metody a algoritmy pro určení biofyzikálních parametrů je možné rozlišit dle přístupu:  Statistické (jedná se o stanovení vhodných vegetačních indexů, kap. 3.3.1.3).  Fyzikální modelování umožňuje sestavení tzv. Canopy Reflectance model a jedná se o inverzní model radiativního transferu. Na základě modelace je možné určení biofyzikálních parametrů vegetace. Proces je iterativní a relativně složitý a navíc vyžaduje odhad parametrů modelu odrazivosti vegetačního krytu (vyžaduje měření v terénu) I v současnosti se jedná o experimentální metody.  Regresní stromy Aplikace metody neuronových sítí (Artificial neural networks ANN)  Dále hybridní a kombinované metody  Z dat LR lze sestavit a sledovat a vyhodnotit vybrané charakteristiky vegetace v dlouhodobých časových řadách, např. v průběhu celého vegetačního období, včasné odhalení negativního trendu apod. Diskuse 

Omezení Prostorové a spektrální rozlišení

 

Hyperspektrální





alternativní HR, LR (pro dlouhodobé monitorování v časové řadě)


Data nízkého rozlišení jsou uplatnitelná díky vysokému časovému rozlišení pro sestavení časových řad, ale z hlediska prostorového rozlišení je nelze přímo adresovat na DI (řádově desítky až stovky metrů Data vysokého rozlišení (5‐30m) je možné doplnit i daty archivními, obvykle dostupné i v širším spektrálním rozsahu (SWIR, širší záběr v oblasti NIR). VHR data vykazují sice vysokou prostorovou přesnost a detail, ale s rostoucím prostorovým rozlišením obvykle klesá rozlišení spektrální – často pouze VIS+NIR

‐ 65 ‐

 Statistický přístup (vegetační indexy)  Fyzikální modelování Učící se algoritmy (RT, ANN)

  

Hyperspektrální data

Pro srovnání indexů pro více scén je nutná kalibrace. Aplikací atmosférické korekce, geometrické koregistrace a následného statistického sjednocení lze vegetační indexy využít i na časovou řadu scén. Použití indexů je široce uplatnitelné pro monitorování charakteristik/poškození jednotlivých typů vegetace. Vhodné pouze pro lokální použití z důvodu komplexity odhadu parametrů Nutnost dostupnosti trénovacích množin pro sledované charakteristiky Výsledné vyhodnocení spektrálních křivek odvozených z dat DPZ je nutné doplnit srovnáním s pozemním šetřením – nutnost in‐ situ měření pomocí přenosného spektroskopu.

Doporučení: Pro operační monitorování stavu vegetace (kondice) jsou vhodné především data HR‐ VHR s využitím vegetačních indexů, zejména z důvodu jejich dobré dostupnosti. Mezi superspektrálními daty se z hlediska kontinuity datové řady, spektrálního rozlišení a pokryvnosti se jako ideální jeví data z mise Landsat. Podobné parametry a výrazně vyšší temporální rozlišení nabídne v blízké budoucnosti konstelace družic Sentinel‐2. Na úrovni sledování menších ploch a jednotlivých stromů je nutné využít VHR data. Pro sledování aktuálního stavu, rozlišování specifických charakteristik degradace a poškození e jejich přesné kvantifikaci je vhodné využít analýzu hyperspektrálních dat. Vzhledem k nízké nabídce hyperspektrálních družicových dat lze využít především letecké skenery.

4.3.3.2

Monitoring výstavby, změn krajinného pokryvu a využití půdy, změn druhové skladby vegetace a fragmentace krajiny

S urbanizací, budováním dopravní infrastruktury a dopravní infrastruktury se kromě pozitivních, především socio‐ekonomických jevů, pojí i řada negativních dopadů na životní prostředí. Kromě znečištění a zdravotního stavu vegetace, které byly diskutováno výše, se jedná především o zásahy do přírodních a funkčních vztahů v krajině, jako jsou nevratné změny krajinného pokryvu v důsledku záboru půdy zvyšováním podílu umělých neprostupných ploch (tzv. soil sealing ‐ v důsledku vzniku návazných komerčních a průmyslových areálů v blízkosti hlavních dopravních tahů, budování rezidenční zástavby a návazné infrastruktury), degradace půdy v důsledku stavební činnosti a další změny ve využití půdy. Na straně úbytků ploch se jedná především o zábory zemědělské půdy a přírodních či polo‐přírodních ploch, které způsobují fragmentaci krajiny a pokles ekologické stability krajiny a biodiverzity. Kromě změn v důsledku poškození vegetace v okolí DI dochází v průběhu času i ke změnám její druhové skladby (v lesních a travních porostech). Částečně přirozeně, ale také vlivem dalších antropogenních zásahů. Jedná se o široké vymezení jevů, jejichž sledování se někdy označuje jako „Land“ aplikace – aplikace, které souvisí se sledováním stavu a změn ve využití půdy a krajinného pokryvu. Dokument č.: Verze: D1.00


‐ 66 ‐

Výše uvedené změny jevy je možné sledovat v průběhu výstavby infrastruktury, Protože se ale jedná o dlouhodobé a pozvolné procesy, je vhodné sledovat je s vhodně zvolenou frekvencí a porovnávat stav před a po výstavbě. Typ jevu Oblast Oblast Časový průběh Prostorový rozsah Prostorový charakter

Změny krajinného pokryvu, využití půdy, druhové skladby vegetace, fragmentace Dopady na ŽP, plánování Parametry jevu Vegetace /přírodní, příp. zemědělská/ v okolí DI Měsíce – roky Lineární (postupná sukcese), skokový (umělý/přírodní) zásah Kilometry – desítky kilometrů Plošný, Plošně‐liniový (aleje)

Určení vhodné metody pro detekci změn je velmi závislé na požadovaném účelu a použitých datech 

 

Pro data VHR je neřízená pixelová klasifikace použitelná, ale nevhodná, vede k roztříštěnosti výsledku, který neodpovídá danému účelu – generalizovanému obrazu skutečnosti. Objektový přístup v tomto případě poskytne výrazně lepší výsledky. Obdobně vhodnost uplatnění vizuální interpretace roste se zvyšujícím se prostorovým rozlišením. Velkou přesnost lze dosáhnout postupem klasifikace na výchozím časovém horizontu a následným srovnáním s ostatními horizonty vhodnou metodou (OBIA), tzv. map to image.

Použitá data odrážejí požadavky na měřítko, rozsah a míru detailu v rámci zvolené nomenklatury pro kategorizaci vybraného jevu. Klíčovým prvkem po detekci a klasifikaci jevů je aplikace metodiky pro vyhodnocení změn v prostoru a čase, tzv. land accountingu. Ten umožňuje kvantifikovat změny na základě statistického vyhodnocení změnových toků (flows), kalkulace strukturálních indikátorů a jejich míry intenzity, dynamiky a heterogenity v prostoru a čase. parametry Prostorové rozlišení Pásmo (vlnová délka) Data


Hledisko Cíl analýzy aplikace Metoda Dokument č.: Verze: D1.00

ideální

alternativní

1 – 5 m

10 – 30 m Hyperspektrální Radarová interferometrická nebo Multispektrální, superspektrální multipolarizační – pro specifické vybrané aplikace. V závislosti na daném období pozorovaných změn  V průběhu vegetačního období – snímek před‐po změně  Změny v průběhu delšího období (několik let) – alespoň 1 snímek za rok  Snímky by měly být pořízeny za shodných sezónních podmínek  Kvalitativní změny – vyhodnocení změny druhové skladby  Kvantitativní změny – změna ploch obsazených jednotlivými druhy/typy sledované vegetace nebo typu LU/LC

Předzpracování dat GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013



Kalibrace, normalizace, koregistrace

‐ 67 ‐

Algebraická detekce změn



 Detekce změn klasifikací

  

Postklasifikační  hledisko  Prostorové a spektrální rozlišení





Omezení

Metody rozdílové, regresní a poměrové založené na prahování (odhadu parametru odlišujícího kvalitativní typ daného povrchu, vegetace atd.), analogicky srovnání vhodných vegetačních indexů Detekce změn na základě neřízené klasifikace (výběrem množin (spektrálně a významově obdobných ploch) ve více časových horizontech Detekce řízenou klasifikací (ideálně OBIA) Vizuální interpretace Nejprve jsou vyhodnoceny (klasifikace) všechny časové horizonty samostatně vybranou metodou. Následně jsou porovnávány již výsledné klasifikace vedoucí k indikaci sledovaných změn. Land accounting Diskuse Precizní koregistrace – chyby geometrie způsobí nechtěné artefakty (pseudozměny) Při aplikaci stejné metody je vhodné nejen použití stejného typu dat ale i konkrétního typu senzoru, kombinace senzorů v časové řadě Pro rychlé, skokové změny může být dostupnost vhodných dat velmi limitovaná. Dynamika změn je limitována časovým rozlišením dat. Porovnání odlišných vegetačních období způsobí detekci změn pouze způsobených změnou zápoje apod.


 

Zpracování dat



Nutná koregistrace, normalizace



Pokryvnost VHR daty z různých senzorů ve velkém území je problematická z hlediska kalibrace a vzájemné porovnatelnosti, pokud jsou pro detekci změn využívány indikátory založené na absolutních hodnotách obrazových dat. Využitelnost optických dat je značně omezena v případě výskytu oblačnosti. Obvykle se používá práh 10% pro vyřazení scény ze zpracování. Nicméně je třeba dodat, že záleží na rozložení oblačnosti ve scéně a zvláště nad zájmovým územím, a dále na míře fragmentace, kterou oblačnost v datech způsobuje. Přítomnost oblačnosti ve více snímcích v časové řadě pro detekci změn znamená, že se plochy masek mraků sčítají. Kvůli srovnatelnosti výsledků mezi porovnávanými časovými profily je nutné zajistit data pořízená ve shodných vegetačních sezónách.

Pokryvnost 

Oblačnost   Sezónnost Archivní data



Archivní data VHR až od roku 2001

Doporučení: Sledování změn LU/LC představuje díky komplexnosti možných jevů a typů povrchu i využití půdy komplexní problematiku. Na evropské i národní úrovni se nicméně jedná o oblast s řadou operačně fungujících služeb a doložených aplikací, které využívají široké spektrum především optických, případně radarových dat různých prostorových a spektrálních rozlišení. Pro sledování bezprostředního okolí a malých objektů je vhodné využít VHR data, pro sledování dopadů v širším okolí a infrastruktury lze úspěšně využít HR data.



‐ 68 ‐

4.4

Ostatní jevy

Další identifikované jevy mohou mít nepřímý vliv na bezpečnost dopravy. Jejich sledování pomocí prostředků DPZ může přispět k větší efektivitě při plánování v případě krizových událostí (povodně) nebo při identifikaci poškozených úseků silničního povrchu a plánování oprav.

4.4.1

Identifikované jevy

4.4.1.1

Monitorování zaplavení dopravní infrastruktury

V uplynulých dvou dekádách bylo území České republiky opakovaně postiženo lokálními nebo rozsáhlými povodněmi, které způsobily značné škody na majetku a na životech. Z hlediska dopravních aplikací jsou pro potřeby krizového řízení klíčové informace o rozsahu záplavy a jejím vývoji v čase. Aktuální informace přispívají k identifikaci zasažených nebo ohrožených úseků komunikací a plánování objízdných tras. V dlouhodobém horizontu je pro potřeby správ silniční nebo železniční sítě důležitá informace o maximálním rozsahu zatopení, který umožňuje identifikovat úseky komunikací a prvky infrastruktury, které byly přímo či nepřímo zasaženy povodní a u nichž hrozí v budoucnu zvýšené riziko nežádoucích pohybů v důsledku podemletí nebo narušení statiky. Typ jevu Oblast Časový rozsah

Rozsah a průběh záplavy Bezpečnost, plánování Parametry jevu

Prostorový rozsah Prostorový charakter

Dny ‐ týdny Desítky až stovky metrů Výjimečně kilometry Plošný

Pro sledování povodní lze využít prakticky všech dat DPZ. V případě rozsáhlých povodní je spíše než prostorové rozlišení klíčovým parametrem plošná pokryvnost jednotlivé scény, pro monitoring pak temporální rozlišení (frekvence snímání). SAR data jsou vysoce citlivá na vodní plochy a ve srovnání s optickými daty nabízí nezávislost na počasí a denní/noční době snímání. Další výhodou je možnost využití polarimetrie – tedy více polarizací radarového signálu, která zlepšuje separabilitu detekovaných ploch. Optická data nabízí využití normalizovaných vodních indexů usnadňujících detekovatelnost vodních ploch a snazší interpretabiliu obrazu ve srovnání s radarovými daty. Optická letecká data jsou v případě oblačnosti použitelná, pokud počasí dovoluje let a snímání pod základnou oblačnosti. parametry Prostorové rozlišení Data


Časové rozlišení Dokument č.: Verze: D1.00

ideální 1 – 10 m Radary ‐ C nebo X Optická data ‐ Multispektrální (s NIR nebo SWIR kanálem) Jednotky dnů


alternativní 10 – 100 m Radary ‐ L Letecká data (RGB, NIR)

‐ 69 ‐

Metoda

SAR data Optická data hledisko

Prahování intenzitní složky Prahování diferenčního indexu

Diskuse 

Povrch 

 Prostorové rozlišení



Omezení 

Časové rozlišení 

 Terén, okolí, vegetace

Řízená/neřízená klasifikace

Rozpuštěné substráty nebo zvýšený obsah chlorofylu ve vodě (sinice) snižuje spolehlivost detekce vodních ploch s využitím optických dat ve viditelné části spektra a standardních vegetačních indexů (využívajících NIR kanál). Zvlněný povrch vodní hladiny vlivem větru nebo peřejí snižuje spolehlivost detekce založené na prahování SAR dat, zvláště v pásmu X. Pro spolehlivou detekci vody v úzkých (ulice) nebo plošně malých lokalitách nejsou vhodná data nízkého a středního rozlišení. I při využití VHR rozlišení SAR dat může být výsledná přesnost detekce v problematických podmínkách (komplexní krajinný pokryv s hustou denzitou stromů a budov) může být snížená Žádost o programování urgentní akvizice mimo rámce služby krizového řízení může být jak u komerčního tak nekomerčního provozovatele družice v konfliktu s akvizičním plánem a může vést k nepořízení snímků v nejpříhodnější chvíli. Nejvyšší dostupné časové rozlišení založené na standardním, rutinním a opakovaném snímání území budou nabízet konstelace družic Sentinel‐1/2 v době plné operační kapacity. V případě šikmého snímkování u optických družic nebo obecně u radarových je třeba počítat s možností zastínění některých ploch přilehlou vegetací, budovami nebo příkrými svahy.

Doporučení: Aplikace dat DPZ pro účely podpory krizového řízení patří k tradičním a osvědčeným aplikacím na evropské i národní úrovni. Družicová data nabízí možnost operativního monitoringu rozsahu a vývoje zatopení. V případě jednorázového sledování a příznivých atmosférických podmínek představují letecky pořízená data vhodnou a osvědčenou alternativu.

4.4.1.2

Sledování stavu a okolí infrastruktury pomocí LiDARu

Laserové skenování pomocí LiDARu patří k moderním metodám DPZ. V dopravě bývá používáno k tvorbě velmi přesných digitálních 3D modelů terénu a povrchu a pasportizaci související infrastruktury (svodidla, značky, sloupy atd.). Díky vysoké relativní přesnosti naměřených hodnot v rámci mračna bodů (až jednotky milimetrů) a jejich vysoké hustotě na měrnou jednotku (až desítky / m2) lze lidarová data využít i ke sledování kvality povrchu vozovky, tedy vyjetých kolejí, výtluků a širokých prasklin. Stromy představují pro LiDAR nekoherentní povrch z hlediska možné detekce změn ve stromové struktuře za účelem sledování zdravotního stavu a možného ohrožení. Nicméně je možné sledovat průjezdní profil a identifikovat místa, která jsou potenciálně ohrožena pádem větví přímo na vozovku nebo která jsou v dosahu případného pádu celého stromu. Pro tento účel je vodné zkombinovat analýzu výšky a vzdálenosti jednotlivých stromů, coby objektů detekovaných pomocí Dokument č.: Verze: D1.00


‐ 70 ‐

lidaru, s analýzou zdravotního stavu vegetace založenou na vyhodnocení multispektrálních nebo hyperspektrálních dat. Typ jevu Oblast

Prostorový rozsah a charakter

Okolní infrastruktura a poškození vozovky Bezpečnost, plánování Parametry jevu Infrastruktura v okolí ‐ Pás okolo komunikace široký desítky až stovky metrů Poškození vozovky ‐ Výtluky, praskliny: liniové a bodové jevy o velikosti (hloubce) cm – dm a několikametrovém rozsahu ‐ Koleje: liniové jevy o hloubce cm – dm a délce desítek – stovek m

Nosičem pro skener může být letadlo, vrtulník, nebo vozidlo – v případě silničního monitoringu je skener namontován na střechu automobilu, v případě železničního pak na speciální drážní vozidlo. Rozdíl je ve velikosti měřeného území – letecký skener obsáhne větší plochu i za horizontem viditelným pro automobilový resp. drážní nosič. parametry Prostorové rozlišení Data

Pásmo (vlnová délka) Časové rozlišení

Metoda

Zpracování LiDAR

ideální cm – mm UV, viditelné, NIR V závislosti na průjezdech / průletech Detailní 3D model

hledisko   Povrch   

Omezení

Prostorové rozlišení   Objekty na vozovce Dokument č.: Verze: D1.00




alternativní ‐ ‐

‐

Klasifikace – pro rozlišení druhu povrchů a objektů v závislosti na signatuře reflektivity, tvaru a kontextu Diskuse

Podobně jako u SAR dat mají různé materiály různou míru odrazivosti. Pro materiály s relativně nižší odrazivostí jako je asfalt bude dosaženo nižší plošné hustoty detekovaných bodů v mračnu než např. pro beton. Vlhkost nebo stojící voda zásadně ovlivní sledovatelnost kvality povrchu vozovky. Podobně jako u SAR dat jsou lidarová data postižena relativně vysokou mírou šumu. Při výběru metody redukce šumu a snížení počtu bodů v mračnu (filtrace) je třeba zohlednit míru směrového a lokálního vyhlazení, aby nedošlo ke ztrátě prostorového a vertikálního detailu znemožňujícího detekci sledovaných prvků. Pro sledování kvality vozovky jsou vzhledem k minimální distanci při sledování nejvhodnější data pořízená z automobilového nosiče. Pro detekci přesného digitálního modelu, k lokalizaci a detekci výšky stromů v okolí plně dostačuje letecký LiDAR Detekce kvality povrchu vozovky z leteckého nosiče je omezena přítomností vozidel

‐ 71 ‐

Doporučení: LiDARová data jsou již dnes standardně používaná pro tvorbu DSM. Při správné interpretaci a vyhodnocení mohou nalézt široké využití i v oblasti dopravy. Za inovativní lze považovat kombinaci LiDARových měření s výsledky analýzy optických dat např. pro určení rizika pro dopravu vlivem starých/poškozených stromů.

4.5

Degradace kvality povrchu vozovky

Kvalita DI není dána pouze rozsahem a mírou dopravní dostupnosti z geograficko‐prostorového hlediska, ale také do velké míry i stavem této infrastruktury. Můžeme rozlišit kvalitu z hlediska rychlosti a přepravní kapacity a z hlediska technického stavu a míry poškození povrchu komunikace. Pomocí optického DPZ je možné sledovat kvalitu, stáří a poškození povrchové části vozovky. Variabilita a četnost detekovaných projevů vztažená na měrnou plošnou jednotku může představovat indikátor poškození vozovky. Typ jevu Oblast Oblast Časový průběh Prostorový rozsah Prostorový charakter

Degradace kvality povrchu vozovky Bezpečnost, plánování Parametry jevu Svrchní vrstva vozovky Spojitý lineární průběh V celé šíři povrchu komunikace Plošný, liniový

parametry

Data

prostorové rozlišení

pásmo (vlnová délka) Hledisko Cíl analýzy aplikace Metoda



ideální submetrová (VHR) multispektrální ‐ Vzhledem k možné velikosti poruch maximální možné prostorové rozlišení pro detekci mechanického poškození Hyperspektrální ‐ Pro sledování materiálového složení (stárnutí vozovky). Vzhledem k rozlišení pouze letecké senzory. (multispektrální/hyperspektr ální termální data (MIVIS, SEBASS)

alternativní

Letecké ortofoto

Multispektrální, superspektrální, RGB (ortofoto)  Mechanické poškození – trhliny, koroze povrchové vrstvy  Materiálové složení – sledování stárnutí povrchu vozovky Vyhodnocení povrchového poškození  Objektový (eventuelně pixelový) přístup extrakce prvků (feature extraction)  Automatické učící se algoritmy (SAM)

Hyperspektrální


‐ 72 ‐



 Analýza hyperspektrálních dat

Omezení





hledisko Prostorové rozlišení

 

Překážky  Metodika

Vyhodnocení změn v materiálovém složení povrchu vozovky a zachycení změny spektrálního projevu v důsledku stárnutí asfaltu metodou spektrální analýzy, kde je srovnáváno spektroskopické pozemní měření a odvozených spektrálních křivek s daty DPZ. Metoda umožňuje rozlišení povrchů kamenitých (převážně horninové složení) a asfaltových (uhlovodíkový – bitumenózní základ) V důsledku reakce asfaltových povrchů s atmosférickým kyslíkem a následkem fotochemických reakcí (solární radiace) dochází ke stárnutí povrchu v důsledku poklesu komplexních uhlovodíků (následkem je vyšší reflektance starších povrchů, u betonových povrchů naopak) Následně je možné porovnání a korelace výsledků např. s indexy typu PCI (Pavement Condition Index) nebo SI (Structural Index) Diskuse V současnosti nedostupná hyperspektrální družicová data vhodného prostorového rozlišení. Oblast komunikací může být zatížena různorodou sadou nežádoucích prvků (stíny vegetace a doplňkových objektů podél komunikací – osvětlení, nadchody apod.) včetně samotných vozidel Doposud byly publikovány experimentální studie: sledování prováděno obvykle na menších testovacích lokalitách (nutná dostupnost pozemních měření)

Doporučení: Pro automatizovanou kontrolu stáří a kvality povrchu je vhodné využít hyperspektrální data s co nejvyšším rozlišením. Pro vizuální kontrolu lze použít snímků z RGB/NIR letecké kamery. Dokument č.: Verze: D1.00


‐ 73 ‐

5

ANALÝZA PŘÍNOSU DRUŽICOVÝCH DAT PRO APLIKACE V DOPRAVĚ

5.1

OBECNÉ VÝHODY A NEVÝHODY

Výhody použití dat DPZ byly zmíněny nebo naznačeny v předešlých kapitolách v souvislosti s popisem dat a popisem jejich použití pro aplikace v dopravě. Následující tabulka přehledně shrnuje kvalitativní výčet obecných výhod dat DPZ. Bezkontaktní sledování objektů Měřitelnost absolutních hodnot Relativní srovnatelnost Pokryvnost Poměr ceny na plochu

Variabilita datových zdrojů Granularita Rozvinutá nabídka služeb

Kontinuita

Operační kapacita Monitorovací kapacita Historické mapování Metodologický základ Komplementarita Tabulka 14

Sledování bez ohledu na přístupnost sledovaných objektů. DPZ "nezná" ploty ani hranice. DPZ měří fyzické hodnoty odrazivosti povrchů a rychlosti pohybů. Naměřené fyzické hodnoty je možné srovnávat relativně ve vybraném časovém úseku i prostoru. Plošný charakter sledování umožňuje sledovat oblasti značných rozsahů. Bez ohledu na vysokou pořizovací cenu dat a cenu práce je u velkých zájmových oblastí a zvláště při opakovaném monitoringu cena přepočtená na plochu (např. 1 km2) velmi příznivá. Výběr z široké nabídky dat různých parametrů (prostorové, temporální rozlišení ad.) a na různých cenových hladinách, vč. dat dostupných zadarmo. Variabilita prostorových rozlišení a rozsahu pokrytí umožňuje uplatnit data pro aplikace na lokální, regionální, národní a mezinárodní úrovni. Vesmírný průmysl představuje zralé prostředí s řadou soukromých, institucionálních a národních subjektů, kteří poskytují širokou nabídku dat a služeb založených na analýze geoinformací. Vesmírný průmysl vykazuje dlouhodobý stabilní rozvoj. Stávající a plánované družicové systémy zajišťují a budou zajišťovat kontinuitu dostupnosti datových zdrojů. Infrastruktura pro distribuci družicových dat a služeb nabízí dostatečnou operační kapacitu pro vyhovění potřebám zákazníků z různých aplikačních oblastí. Díky kontinuitě misí a budování družicových konstelací se vývoj ubírá k podpoře monitorovacích aktivit. Existence rozsáhlých archivů starých až desítky let umožňuje retrospektivní mapování a srovnání se současným i budoucím časem. Zpracování a analýza dat jsou založeny na robustních, zdokumentovaných a osvědčených postupech. Data a výsledky lze doplňovat, srovnávat, kalibrovat s daty z jiných družicových i ostatních zdrojů a s výsledky pozemního šetření.

Obecné výhody použití dat DPZ

Vyjmenované výhody platí obecně a jsou relevantní i pro aplikace v dopravě. Specifikem některých konkrétních dopravních aplikací je liniový nebo plošně velmi malý charakter sledovaných objektů nebo jejich okolí. To může mít dopad na výpočet poměrné ceny na plochu – pořizovací náklady vztažené relativně k minimální objednatelné ploše lze přepočítat na délku nebo plochu sledovaného jevu. Dokument č.: Verze: D1.00


‐ 74 ‐

Nelze hovořit pouze o výhodách. Metody DPZ mají i nevýhody, které omezují nebo prodražují jejich nasazení při sledování jevů. Absolutní přesnost Tematická přesnost Validace

Předzpracování dat

Nástroje

Atmosférické podmínky

Tabulka 15

Ve srovnání s pozemním měřením je absolutní přesnost ve většině případů nižší. Z finančních a časových důvodů nelze dosáhnout 100 % tematické přesnosti interpretace a analýzy dat. Pro kontrolu kvality výsledků je nutná znalost charakteru jevu a lokality. Validace by měla být založena na využití nezávislých datových zdrojů, ideálně by měla být ověřena měřením přímo na místě. Pro věrohodnou analýzu a interpretaci dat a spolehlivé výsledky srovnatelné relativně v ploše i čase je nutné předzpracování dat a pomocné datové zdroje (DEM) Přes postupné prosazování nástrojů a knihoven s otevřeným kódem je většina nástrojů pro zpracování optických i radarových dat proprietární a značně drahá. Oblačnost a obsah vodních par ovlivňuje rozsah pokrytí zájmového území daty a má vliv na absolutní měření i relativní srovnání mezi různými scénami. V radarové doméně ovlivňují atmosférické podmínky refrakci elektromagnetického záření a tudíž i přesnost detekovaných pohybů.

Obecné nevýhody použití dat DPZ

5.2

PŘÍNOSY VE SROVNÁNÍ S EXISTUJÍCÍMI METODAMI

5.2.1

Monitoring nežádoucích pohybů a deformací

Nežádoucí pohyby a deformace lze měřit řadou konvenčních technik. 

 

Viditelné a přístupné projevy lze sledovat vizuální inspekcí místa nebo konstrukce objektu – sledování okem viditelných deformací, prasklin, trhlin, stavu materiálu v případě mostů nebo viditelných poškození a deformací (vyboulení) povrchu v případě vozovky. Z optických a elektronických geodetických metod se jedná o nivelaci, měření teodolitem či totální stanicí (s měřením GPS), nebo kontinuální statické měření pomocí GPS. Z geotechnických metod měření mechanickými a mechanicky‐elektrických přístroji se u svahových pohybů a deformací jedná např. o měření inklinometrem, extensometrem nebo creepmetrem. Podobně relativní deformace vymezené části mostní konstrukce se provádí tenzometry či deformetry.

Každá z metod má rozdílné charakteristiky z hlediska přesnosti, spolehlivosti, míry automatizace, ceny a operačnosti. Obecně platí, že přesnější techniky vyžadují dražší instrumenty a pracnější procedury. Pozemní automatizovaná řešení (laserové dálkoměry, měření založené na kontinuálním měření pomocí GPS) jsou omezena na limitovaný počet měřených bodů na relativně malém ploše. Nevýhodou většiny pozemních měření, (polo‐)automatizovaných a především manuálních, jsou nároky na čas, práci a logistiku spojenou s měřením, instalací a údržbou měřících přístrojů a bodů. Dokument č.: Verze: D1.00


‐ 75 ‐

Výhodou je vysoká přesnost takto získaných měření a možnost definice konkrétních měřících bodů. PS InSAR nabízí typické výhody metod dálkového průzkumu: možnost sledování v nepřístupných oblastech, vysoký rozsah pokryvnosti při přijatelné přesnosti a určení přesného rozsahu detekovatelných pohybů nebo oblastí s poklesy, který není možné stávajícími technikami zjistit. Podobně jako u statických kontinuálních měření lze na základě husté časové řady měření z přechozího vývoje odhadnout budoucí vývoj. Nevýhodou je, pomineme‐li možnost cílené instalace umělých trvalých odražečů, nižší přesnost ve srovnání s konvenčními metodami a prostorová nahodilost měřených bodů, která je předem odhadnutelná, ale ne přesně kvantifikovatelná. Citlivost ve směru vert.

horiz.

vysoká (závisí na orientaci umístění)

Mechanické přístroje

Přesnost (mm) ver.

Hor.

0.01‐0.1

Měření densita rozsah

Temporální distribuce

rozlišení

vysoká

nízký

Dobře definované body

možné kontinuální v měření v reálném čase

Nivelace / geod. měření

vysoká

vysoká

0.0

0.05

vysoká

nízký

dobře definované body

dle opakování měření

GPS

střední

vysoká

1

0.1

střední

nízký

dobře definované body

možné kontinuální v měření v reálném čase

PS InSAR

střední (v LOS)

střední (V‐Z) nízká (S‐J)

1

1000

střední‐ nízká

velký

náhodná

dny ‐ desítky dnů

Tabulka 16

Porovnání parametrů konvenčních a DPZ metod

Z výše uvedené tabulky je zřejmé, že zmíněné rozdílné metody mají různé silné a slabé stránky. Integrace výsledků z PS InSAR a přesného měření GPS dává výsledky, které v kombinaci obcházejí nevýhody jednotlivých metod. Spojením s GPS měřením lze převést výsledky InSAR z relativního do absolutního rámce, odstranit ambiguitu a rozložit měření v LOS na 3D komponenty. Na druhé PS InSAR zahustí měření mezi jednotlivými GSP měřícími body, pokud jde o plošné měření, nebo ho doplní v jeho okolí, pokud se jedná o měření v omezeném areálu.

5.2.2

Sledování dopadů na životní prostředí

Měření dopadů na životní prostředí zahrnuje širokou škálu metod sběru dat, které jsou založené na pozemním šetření přímo v zájmovém území: 



Vizuální kontrola sledovaného jevu na místě – např. dendrologická revize při určování zdravotního stavu dřevin, kdy jsou sledovány veličiny, jako je obvod kmene, výška stromu, průměr koruny, zdravotní stav nebo vitalita. V případě plošného sledování pak druhová skladba, zápoj korunové plochy ad. In‐situ měření znečištění – odebírání vzorků půdy, vody, vegetace a jejich následné laboratorní zpracování a vyhodnocení.



‐ 76 ‐

 

In‐situ měření spektrálního projevu povrchů (půdy, hornin, vegetace, vody). Měření znečištění ovzduší přenosnými data‐loggery.

Dále je možné sledovat znečištění pomocí bodových měření v ze sítě měřících stanic: 



V případě sledování znečištění ovzduší jsou standardní způsoby závislé na bodovém měření v rámci sítě meteorologických stanic resp. inventarizaci umístění a vydatnosti bodových zdrojů znečištění v databázích. V plošných modelech znečištění ovzduší a jeho vývoje jsou měřené nebo vykazované hodnoty interpolovány v rozsahu dle požadavků modelu. Kvalita tekoucích povrchových vod je měřena na vybraných limnigrafických stanicích, kde jsou odebírány vzorky plavenin, které bývají v měsíčních intervalech odesílány k laboratorní analýze.

Podobně jako při sledování nežádoucích pohybů umožňují konvenční techniky dosáhnout velmi přesných výsledků (koncentrace škodlivých látek atd.). Problém může nastat při interpretaci statických měření – při stanovení míry závislosti na dopravě jako zdroji znečištěni ve srovnání s jinými zdroji. Umístění a vzdálenost měřící stanice od sledovaného zdroje znečištění zde hraje podstatnou roli. Podstatným omezením a nevýhodou konvenčních metod je jejich plošná omezenost z hlediska měřeného území. Větší plocha zájmového území při zachování hustoty sběru vzorků (samplingu) s sebou automaticky nese zvýšení pracnosti a nákladů. Totéž platí i pro opakované sledování (monitoring). V kontrastu s tím vynikají hlavní výhody použití dálkového průzkumu – plošný charakter mapování a možnost opakovaného monitoringu. Nevýhodu představují obtíže s normalizací a kalibrací naměřených výsledků – aby bylo možné naměřené absolutní hodnoty správně interpretovat nebo porovnávat, je mnohdy nezbytné provést validaci a kalibraci s využitím pozemního měření. To platí především pro oblast obrazové spektroskopie. Další a velmi významný limitující faktor představuje v optické doméně DPZ přítomnost oblačnosti. Temporální rozlišení dané frekvencí snímání je parametr technických možností daného systému, může však být značně omezeno aktuálními atmosférickými podmínkami a délkou sezóny vhodné pro sledování konkrétního jevu. Pro sledování vegetace je třeba snímky pořizovat během vegetačního období, nebo v rámci jeho vybraných časových úseků. Sledování holé půdy je naopak v případě přítomnosti husté vegetace (a sněhu) znemožněno.

5.3

ANALÝZA NÁKLADŮ

5.3.1

Porovnání nákladů

Následující sekce shrnuje náklady spojené s provedením nebo provozováním služby zaměřené na sledování vybraných jevů v dopravě pomocí dálkového průzkumu Země. Je třeba zdůraznit, že se nejedná o analýzu přínosů a nákladů (Cost Benefit Analysis), která je z podstaty zaměřená na kvantifikaci finančních přínosů služby/projektu po odečtení nákladů ve



‐ 77 ‐

srovnání s nulovou variantou (stav, kdy služba není implementována) případně ve srovnání s alternativními variantami. Kvantifikace nákladů konvenčních metod sledování jevů v dopravě jde za rámec možností tohoto projektu. Dále v textu jsou uvedeny kalkulace nákladů za data a služby, které by měly posloužit případnému zadavateli služby jako vstup na straně nákladů pro rámcové porovnání s uspořenými náklady ve srovnání s tradičními postupy či náklady spojenými s trváním nulové varianty. Vzhledem k vzájemným rozdílům mezi dálkovým průzkumem a konvenčními postupy z hlediska možného rozsahu použití a určení jednotlivých metod je zřejmé, že metody lze porovnávat z technického hlediska na úrovni jednotlivých parametrů, ale obecné celkové porovnání technické a především z finančního hlediska nelze provést, neboť rozsahy vstupních cen jsou příliš závislé na konkrétním jevu a lokalitě a v obecné rovině jsou tudíž příliš široké a vágní. Srovnání lze do určité míry provést na úrovni jednotlivých jevů, lokalit a objektů při detailní znalosti místních podmínek, parametrů jevů, možností jednotlivých metod a vstupních dat. Omezení při srovnání na konkrétní úrovni jsou opět daná technickými aspekty metod. Díky rozdílům v přesnosti a povaze jsou metody spíše komplementární než navzájem alternativní a totéž platí i o výsledcích z měření. Tuto skutečnost je třeba vzít v potaz při jakémkoliv hodnocení a srovnání finančním i na úrovni benefitů. Pro případné srovnání s nulovou variantou je situace o něco jednodušší. Hlavní síla použití dálkového průzkumu je v detekci jevů, jejich vývoje nebo rozsahu, u kterých je preventivní mapování stávajícími metodami finančně nerealizovatelné, případně které jsou stávajícími metodami neodhalitelné. 



Na plošné úrovni, kde neexistuje realizovatelná konvenční alternativa, jsou náklady dané cenou služby a dat v závislosti na komerční nabídce. Rozhodnutí o realizaci služby je na zadavateli, který musí zvážit poměr přidané hodnoty informací obsažených v produktech služby k nákladům za její vykonání. Zvláště v oblasti dopadů na životní prostředí jsou některé informace obtížně kvantifikovatelné z hlediska jejich ceny vyjádřené v penězích. Cenu nevratných poškození mnohdy vyčíslit nelze; tato cena je každopádně vysoká z environmentálního a společenského hlediska. Cena části dopadů se dá spočítat nepřímo: v případě negativních dopadů na životní prostředí jako cena ze snížení ceny pozemků, znehodnocení půdy, snížení zemědělských výnosů, případně jako cena nákladů na odstranění ekologických zátěží nebo za aplikaci nápravných opatření. Tyto náklady je možné porovnat s náklady za informace, které pomáhají identifikovat případné problémy, jejich rozsah, vývoj a intenzitu a tím podporují plánování nápravných opatření a jejich přesnější zacílení. Pokud je výsledná cena nápravných opatření díky těmto informacím nižší, můžeme hovořit o úspoře finančních prostředků. Podobná situace je v oblasti sledování nežádoucích pohybů a deformací, kde včasná informace o možných problémech jak ve fázi plánování a přípravy tak realizace a provozu dopravní stavby může uspořit nemalé finanční prostředky, které by bylo nutné vynaložit v souvislosti s nápravnými opatřeními v případě pozdní identifikace jevu.

V některých případech může mít náležitý dopad informace o stavu sledovaného jevu k danému datu, obecně ale v souvislosti s prevencí mají největší hodnotu informace o vývoji daného jevu Dokument č.: Verze: D1.00


‐ 78 ‐

v čase. Tento faktor je umocněn možností (v případě dostupnosti archivních dat) provést mapování retrospektivně – tedy srovnat stávající stav a jeho vývoj se stavem a vývojem v minulosti. Tato možnost je pro dálkový průzkum ve srovnání s ostatními metodami unikátní.

5.3.2

Náklady na data

V následujících tabulkách jsou postupně pro optická i radarová data kvantifikovány náklady na pořízení nových nebo archivních dat s důrazem na plošnost a monitoring. Tabulky vycházejí z tabulek uvedených v kapitole 3: Přehled dat. Pro každou družici je kalkulace provedena pro několik simulací objednávek s různou plochou, tvarem nebo počtem scén. V tabulce optických dat je zdůrazněn plošný aspekt – většina komerčních provozovatelů družic umožňují objednání libovolné ho tvaru zájmového území, pokud je splněna podmínka minimální plochy a minimálních rozměrů (např. minimální šířka 10km v jakékoliv části zájmového území). Pokud je plocha nebo rozměr menší než minimální, je nutné objednat minimální plochu a rozměr nebo celou scénu, pokud je minimální plocha rovná celé scéně. Tato skutečnost je indikovaná pomocí údaje scén, který vyjadřuje počet scén nutných k pokrytí zájmového území o zadané ploše nebo tvaru. Je‐li plocha zájmového území menší, než minimální objednatelná plocha, nebo je‐li některý rozměr menší než minimální objednatelný rozměr, nebo je‐li možné data z družice objednávat pouze po celých scénách (ne jejich částech), je zde uveden celočíselný násobek. Ten indikuje, že k pokrytí území bude potřeba celé scény, což může mít negativní dopad na relativní finanční výtěžnost vzhledem k ploše zájmového území, zvláště v případě velkých scén (např. u SPOT 4, SPOT 5). Desetinné hodnoty v počtu scén indikují možnost objednání libovolného počtu kilometrů nad hranicí minimální objednatelné plochy. Na druhou stranu, vyšší počet scén má dopad na náklady spojené s jejich zpracováním (vzájemná ko‐registrace, kalibrace a normalizace). To samozřejmě platí i pro nekomerční data zadarmo. Protože SLC radarová data se pro interferometrii objednávají po celých scénách, jsou v tabulkách uvedeny kalkulace ceny pro násobky počtu scén (10, 20, 30 a 50). Ty se vztahují k monitoringu v čase pomocí daného počtu scén. Pro přehlednost nejsou uvedeny všechny varianty SLC dat. Cenu monitoringu pro vybranou plochu u optických dat lze spočítat vynásobením odpovídající absolutní ceny počtem požadovaných časových horizontů. Jak u optických tak u radarových dat je uvedena kalkulace pro hypotetický případ sledování pásu širokého 5 km podél silnice dlouhé 100 km (např. jevů okolo dálnice). Kalkulovaná cena se vztahuje k jednomu časovému horizontu. Je patrné, že výsledný počet scén, nutnou objednatelnou plochu a tudíž i cenu i v tomto případě zásadně ovlivňuje politika poskytování dat jednotlivými provozovateli komerčních družic. Pro kalkulaci ceny monitoringu je i zde nutné uvedenou cenu vynásobit požadovaným počtem požadovaných časových horizontů. Pro kontrast s komerčními cenami jsou uvedeny i družice, jejichž archivní data jsou poskytována bez úplaty.



‐ 79 ‐

DRUŽICE

Min. plocha archiv 2 (km )


CENA – archiv minim. (Kč)

2

2

PROGRAMOVÁNÍ NOVÉ AKVIZICE: cena (Kč) ‐ plocha km ) ‐ počet scén (Nx) 2

100km

2

scén*

(km )

OrbView‐3

64

4

‐

121

‐

0

Ikonos

121

4

100

25

54 600

7 875

54 600

0,8

546 000

8,3

546 000

8,3

1000

QuickBird

256

2,4

100

25

52 500

8 925

52 500

0,4

525 000

3,9

525 000

3,9

1000

Formosat‐2

576

8

576

576

72 576

56 851

72 576

1,0

126 000

1,7

362 880

5,0

2880

‐

‐

1000km

scén*

‐

‐

1x5x100km ‐

scén*

2

Název

Kompsat‐2

‐

nutná plocha (km )* ‐

225

4

225

225

80 325

42 840

80 325

1,0

357 000

4,4

562 275

7,0

1575

309,8

‐

100

25

46 200

7 350

46 200

0,3

462 000

3,2

462 000

3,2

1000

GeoEye‐1

231

4

100

25

54 600

10 500

54 600

0,4

546 000

4,3

546 000

4,3

1000

WorldView‐2

269

1,84

100

25

52 500

8 925

52 500

0,4

525 000

3,7

525 000

3,7

1000

Pleiades

400

2,8

100

25

46 750

6 875

46 750

0,3

467 500

2,5

467 500

2,5

1000

Kompsat‐3

282,2

2,8

256

256

80 640

48 384

80 640

1,0

315 000

3,5

564 480

6,3

1792

SPOT6

3600

6

1 000

250

126 500

26 125

126 500

0,3

126 500

0,3

126 500

0,3

1000

SPOT4

3600

20

‐

3 600

‐

59 400

SPOT5

3600

10

3 600

400

247 500

83 600

247 500

1,0

247 500

1,0

495 000

2,0

7200

RapidEye

5929

6,5

3 500

500

101 063

14 438

101 063

1,0

101 063

1,0

101 063

1,0

3500

ALOS (AVNIR‐ 2)

4900

10

‐

4900

‐

33 000

‐

‐

‐

‐

‐

‐

‐

ALOS (PRISM)

1225

‐

‐

2450

‐

33 000

‐

‐

‐

‐

‐

‐

‐

Sentinel‐2

84100

10; 20; 60

‐

0

‐

0

‐

‐

‐

‐

‐

‐

‐

Landsat‐5

34225

30

‐

31 820

‐

0

‐

‐

‐

‐

‐

‐

‐

Landsat‐7

34225

30

‐

31 820

‐

0

‐

‐

‐

‐

‐

‐

‐

Landsat‐8

34225

30

‐

31 820

‐

0

‐

‐

‐

1

‐

‐

‐

18 a 34

196

196

0

0

0

1,0

0

5,1

0 7,0

‐

30

323

323

0

0

0

2,0

0

16,9

0 15,0

‐

WorldView‐1

Proba‐1 EO‐1


MS (m)

Min. plocha nová. 2 (km )

SCÉNA

196 59,29

‐

‐

‐

‐

Kalkulace ceny pro programování nové akvizice optických dat DPZ GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013

‐ 80 ‐

‐

‐

‐

DRUŽICE Název OrbView‐3

2

(km )

MS (m)

Min. plocha nová. 2 (km )

Min. plocha archiv 2 (km )


CENA ‐ archiv minim. (Kč)

64

4

‐

121

‐

0

Ikonos

121

4

100

25

54 600

QuickBird

256

2,4

100

25

Formosat‐2

576

8

576

Kompsat‐2

225

4

WorldView‐1

ARCHIVNÍ DATA: cena (Kč) ‐ plocha (km2) ‐ počet scén (Nx) 2

100km

scén*

2

1000km

scén*

1x5x100km

2

scén*

nutná plocha (km ) ‐

0

2,0

0

15,6

0

13,0

7 875

31 500

0,8

315 000

8,3

157 500

4,1

500

52 500

8 925

35 700

0,4

357 000

3,9

178 500

2,0

500

576

72 576

56 851

56 851

1,0

98 700

1,7

284 256

5,0

2880

225

225

80 325

42 840

42 840

1,0

190 400

4,4

299 880

7,0

1575

309,8

‐

100

25

46 200

7 350

29 400

0,3

294 000

3,2

147 000

1,6

500

GeoEye‐1

231

4

100

25

54 600

10 500

42 000

0,4

420 000

4,3

210 000

2,2

500

WorldView‐2

269

1,84

100

25

52 500

8 925

35 700

0,4

357 000

3,7

178 500

1,9

500

Pleiades

400

2,8

100

25

46 750

6 875

27 500

0,3

275 000

2,5

137 500

1,3

500

Kompsat‐3

282,2

2,8

256

256

80 640

48 384

48 384

1,0

189 000

3,5

338 688

6,3

1792

SPOT6

3600

6

1 000

250

126 500

26 125

26 125

1,0

104 500

4,0

182 875

2,0

1750

SPOT4

3600

20

‐

3 600

‐

59 400

59 400

1,0

59 400

1,0

118 800

2,0

7200

SPOT5

3600

10

3 600

400

247 500

83 600

83 600

1,0

209 000

3,0

418 000

5,0

2000

RapidEye

5929

6,5

3 500

500

101 063

14 438

14 438

1,0

28 875

0,2

14 438

1,0

500

ALOS (AVNIR‐2)

4900

10

‐

4900

‐

33 000

33 000

1,0

33 000

1,0

66 000

2,0

9800

ALOS (PRISM)

1225

‐

‐

2450

‐

33 000

33 000

1,0

33 000

1,0

99 000

3,0

3675

Sentinel‐2

84100

10; 20; 60

‐

0

‐

0

0

1,0

0

1,0

0

1,0

‐

Landsat‐5

34225

30

‐

31 820

‐

0

0

1,0

0

1,0

0

1,0

‐

Landsat‐7

34225

30

‐

31 820

‐

0

0

1,0

0

1,0

0

1,0

‐

Landsat‐8

34225

30

‐

31 820

‐

0

0

1,0

0

1,0

0

1,0

‐

18 a 34

196

196

0

0

0

1,0

0

5,1

0

7,0

‐

30

323

323

0

0

0

2,0

0

16,9

0

15,0

‐

Proba‐1 EO‐1


SCÉNA

196 59,29

Kalkulace ceny pro pořízení archivních optických dat DPZ GST‐TACRb‐D1_v1‐0 Datum: 5. prosince 2013

‐ 81 ‐

DRUŽICE

PRODUKT

Název

2

(km )

ROZLIŠENÍ

PROGRAMOVÁNÍ NOVÉ AKVIZICE: cena (Kč) ‐ počet scén (Nx)

(m)

Kanál

cena / km2 (1x)

1x

1x5km x 100km

scén**

10x

20x

30x

50x

100

1x1

X

2 589 258 930

2 589 300

10

2 589 300

5 178 600

7 767 900

12 946 500

49

1x1

X

3 439 168 510

2 527 650

15

1 685 100

3 370 200

5 055 300

8 425 500

COSMO‐SkyMed

SpotLight

COSMO‐SkyMed

SpotLight‐2

TerraSAR‐X

Staring SporLight

14,8

0,24x0,85‐1,7

X

12 867 190 430

4 760 750

25

2 058 703

4 117 405

6 176 108

10 293 514

TerraSAR‐X

SpotLight

100

1x2

X

1 165 116 450

1 164 500

10

1 164 500

2 329 000

3 493 500

5 822 500

TerraSAR‐X

High Res. SpotLight

50

1x1

X

3 261 163 030

3 260 600

20

1 630 300

3 260 600

4 890 900

8 151 500

RADARSAT‐2

Spotlight A

400

1x1

C

437 174 600

873 000

5

1 746 000

3 492 000

5 238 000

8 730 000

COSMO‐SkyMed

StripMap‐Himage

1600

3‐5x3‐5

X

62

98 640

295 920

3

986 400

1 972 800

2 959 200

4 932 000

TerraSAR‐X

Stripmap

1500

3x3

X

54

80 830

323 320

4

808 300

1 616 600

2 424 900

4 041 500

RADARSAT‐2

Ultra‐Fine

400

3x3

C

291 116 400

582 000

5

1 164 000

2 328 000

3 492 000

5 820 000

RADARSAT‐2

Wide Ultra‐Fine

2500

2,8x1,6‐3,3

C

65 162 960

325 920

2

1 629 600

3 259 200

4 888 800

8 148 000

Sentinel‐1

Strip mode

6400

5x5

C

0

0

0

2

0

0

0

0

COSMO‐SkyMed

StripMap‐PingPong

900

15x15

X

60

53 978

215 912

4

539 780

1 079 560

1 619 340

2 698 900

RADARSAT‐1

Fine

2250

9‐11x9

C

‐

2

RADARSAT‐2

Multi‐Look Fine

2500

4,6‐7,6x3,1‐10,4

C

37

93 120

186 240

2

931 200

1 862 400

2 793 600

4 656 000

RADARSAT‐2

Fine

2250

9‐11x9

C

38

85 360

170 720

2

853 600

1 707 200

2 560 800

4 268 000

Envisat ASAR

StripMap‐Image

10000

5x20

C

‐

‐

‐

1

‐

‐

‐

‐

ERS‐2

ERS‐PRI

10000

5x20

C

‐

‐

‐

1

‐

‐

‐

‐

Sentinel‐1

Interf. wide swath

62500

20x5

C

‐

‐

‐

1

‐

‐

‐

‐

ALOS Palsar

FBS Fine Resolution

4900

7x7‐44

L

‐

‐

‐

2

‐

‐

‐

‐

RADARSAT‐1

Standard

10000

28x25

C

‐

‐

‐

1

‐

‐

‐

‐

RADARSAT‐2

Standard

10000

28x25

C

‐

‐

‐

1

‐

‐

‐

‐

Tabulka 19


Mód

SCÉNA

‐

‐

Kalkulace ceny pro programování nové akvizice radarových dat DPZ


‐ 82 ‐

‐

‐

‐

‐

DRUŽICE

PRODUKT

Název

Mód

SCÉNA 2

(km )

ROZLIŠENÍ

ARCHIVNÍ DATA: cena (Kč) ‐ počet scén (Nx)

(m)

Kanál

cena / km2 (1x)

1x

5km x 100km

scén**

10x

20x

30x

100

1x1

X

1 295 129 465

1 294 650

10

1 294 650

2 589 300

3 883 950

6 473 250

49

1x1

X

1 719

84 255

1 263 825

15

842 550

1 685 100

2 527 650

4 212 750

0,24x0,85‐1,7

X

6 433

95 215

2 380 375

25

1 029 351

2 058 703

3 088 054

5 146 757

COSMO‐SkyMed

SpotLight

COSMO‐SkyMed

SpotLight‐2

TerraSAR‐X

Staring SporLight

14,8

TerraSAR‐X

SpotLight

100

1x2

X

582

58 225

582 250

10

582 250

1 164 500

1 746 750

2 911 250

TerraSAR‐X

High Res. SpotLight

50

1x1

X

1 630

81 515

1 630 300

20

815 150

1 630 300

2 445 450

4 075 750

RADARSAT‐2

Spotlight A

400

1x1

C

407 162 960

814 800

5

1 629 600

3 259 200

4 888 800

8 148 000

COSMO‐SkyMed

StripMap‐Himage

1600

3‐5x3‐5

X

31

49 320

147 960

3

493 200

986 400

1 479 600

2 466 000

TerraSAR‐X

Stripmap

1500

3x3

X

27

40 415

161 660

4

404 150

808 300

1 212 450

2 020 750

RADARSAT‐2

Ultra‐Fine

400

3x3

C

262 104 760

523 800

5

1 047 600

2 095 200

3 142 800

5 238 000

RADARSAT‐2

Wide Ultra‐Fine

2500

2,8x1,6‐3,3

C

61 151 320

302 640

2

1 513 200

3 026 400

4 539 600

7 566 000

Sentinel‐1

Strip mode

6400

5x5

C

0

0

0

2

0

0

0

0

COSMO‐SkyMed

StripMap‐PingPong

900

15x15

X

29

26 304

105 216

4

263 040

526 080

789 120

1 315 200

RADARSAT‐1

Fine

2250

9‐11x9

C

31

69 840

139 680

2

698 400

1 396 800

2 095 200

3 492 000

RADARSAT‐2

Multi‐Look Fine

2500

4,6‐7,6x3,1‐10,4

C

33

81 480

162 960

2

814 800

1 629 600

2 444 400

4 074 000

RADARSAT‐2

Fine

2250

9‐11x9

C

33

73 720

147 440

2

737 200

1 474 400

2 211 600

3 686 000

Envisat ASAR

StripMap‐Image

10000

5x20

C

0

0

0

1

0

0

0

0

ERS‐2

ERS‐PRI

10000

5x20

C

0

0

0

1

0

0

0

0

Sentinel‐1

Interf. wide swath

62500

20x5

C

0

0

0

1

0

0

0

0

ALOS Palsar

FBS Fine Resolution

4900

7x7‐44

L

3,4

16 440

32 880

2

164 400

328 800

493 200

822 000

RADARSAT‐1

Standard

10000

28x25

C

7

69 840

69 840

1

698 400

1 396 800

2 095 200

3 492 000

RADARSAT‐2

Standard

10000

28x25

C

7,4

73 720

73 720

1

737 200

1 474 400

2 211 600

3 686 000

Tabulka 20 Kalkulace ceny pro pořízení archivních radarových dat DPZ Pozn: *Údaj indikuje počet scén nutných k pokrytí zájmového území dané plochy a tvaru. ** Údaj indikuje počet scén nutných k pokrytí zájmového území dané plochy a tvaru. SLC radarová data lze objednávat pouze po celých scénách. Dokument č.: Verze: D1.00

50x


‐ 83 ‐

5.3.3

Náklady na služby

V této kapitole jsou diskutovány náklady spojené s realizací služeb pro sledování vybraných jevů. Náklady za služby jsou kategorizovány do dvou složek: 

Cena dat dle minimálního/ideálního počtu snímku pro sledování jevu dle přehledu v kapitole 4.



Cena zpracování, analýzy a interpretace dat.

Přesnou specifikaci nákladů za data a především za službu je nutné vypracovat vždy podle konkrétního zadání. Důvodem je, že náklady jsou závislé na variabilních požadavcích aplikace, vlastnostech sledovaného jevu a charakteru lokality. Proto je nutné brát uvedený cenový odhad jako orientační. Odhady jsou založeny na obvyklých cenách, které byly získány rešerší odhadů pro ceny odpovídajících služeb poskytovaných v rámci GMES/Copernicus. Jak bylo naznačeno výše, pro zvážení vhodných dat a metod a v návaznosti na to pro kvalifikovaný odhad reálných nákladů služby je třeba znát požadavky zadavatele a konkrétní místní podmínky ve sledované lokalitě. To platí především v radarové doméně. Poskytovatel služby by proto měl v návaznosti na zadání před objednáním data zahájením zpracování vypracovat studii proveditelnosti, která zohlední kritéria dle tabulky 9 v kapitole 4.2.1.2, tedy především: 

Vlastnosti a charakter jevu



Topografie terénu a zastínění objekty v okolí



Pokryvnost vegetací a koherence



Nutnost instalace umělých trvalých odražečů



Dostupnost a cena dat

A priori vyhodnocení krajinného pokryvu a jeho vlivu na koherenci trvalých odražečů je ideální provést pomocí jedné nebo více dvojic SAR snímků. To je v případě komerčních dat finančně náročný postup. Částečně lze tento postup nahradit expertní rekognoskací a interpretací území nad barevným ortofotem. Kromě ceny je třeba uvažovat také časový faktor. V případě dostupnosti archivních dat je možné službu spustit okamžitě, v případě programování je třeba počítat s dobou pro pořízení datové sady. Vzhledem k faktu, že v případě interferometrického zpracování je pro dostatečnou přesnost metod třeba využít řádově desítky snímků, může cílený sběr dat trvat měsíce až roky. Následující tabulky sumarizují náklady služby pro sledování nežádoucích pohybů a deformací. Odhady nejsou uvedeny pro konkrétní jevy, ale obecně pro monitoring jevů určitého shodného rozsahu.



‐ 84 ‐

Produkt

Detekce pohybů v časové řadě snímků: vysoké rozlišení (1m), plocha scény 25 ‐ 400km2

Položka

Komentář

Cena 20 scén

SAR Data ‐ komerční

2 330 000 ‐

50 scén

5 180 000 5 830 000 ‐

Zpracování PS InSAR

Uveden rozsah minimální a maximální ceny relevantních dat pro 12 950 000 novou akvizici 20 a 50 scén dle tabulky 19 Pro interpretaci celistvého území či objektu v rámci scény

< 500 000

Produkt

Detekce pohybů v časové řadě snímků: vysoké rozlišení (3‐5m), plocha scény 400 ‐ 2500 km2

Položka

Komentář

Cena 20 scén


1 620 000 ‐

SAR Data ‐ nekomerční

50 scén

3 260 000 4 050 000 ‐

0


Uveden rozsah minimální a maximální ceny relevantních dat pro 8 150 000 novou akvizici 20 a 50 scén dle tabulky 19 U nekomerčních dat nelze programovat novou akvizici, jedná se 0 o scénu pořízenou v rámci operačního plánu akvizic. Pro interpretaci celistvého území či objektu v rámci scény

< 450 000

Produkt

Detekce pohybů v časové řadě snímků: vysoké rozlišení (5‐20m), plocha scény 400 ‐ 2500 km2

Položka

Komentář

Cena 20 scén


1 080 000 ‐

SAR Data ‐ nekomerční

50 scén

1 870 000 2 700 000 ‐


0

< 450 000

Uveden rozsah minimální a maximální ceny relevantních dat 4 660 000 pro novou akvizici 20 a 50 scén dle tabulky 19 U nekomerčních dat nelze programovat novou akvizici, jedná 0 se o scénu pořízenou v rámci operačního plánu akvizic Pro interpretaci celistvého území či objektu v rámci scény

Poznámky k ceně služeb 

Cena dat je závislá na použitém typu a rozlišení družice. Počet scén pro kalkulaci byl vybrán podle doporučeného minimálního počtu resp. ideálního počtu umožňující detekci s vysokou absolutní přesností dle přehledu jevů v kapitole 4. S vybráním a objednáním



‐ 85 ‐

komerčních i nekomerčních scén se pojí náklady, které jsou zahrnuty v ceně za zpracování datasetu. 

Zatímco celková cena dat je přímo úměrná počtu objednaných scén, u ceny zpracování tento vztah neplatí. Obecně lze říci, že v případě menšího počtu zpracovaných snímků bude cena o něco nižší, ale ne v úměře k počtu snímků.



Cena zpracování je založena na finančních odhadech, které byly na základě zpracování velkého počtu území provedeny v rámci projektu TerraFirma. Jednalo se o projekt v rámci programu GMES vyvíjející služby založené na technice PS InSAR pro monitoring geohazardů, subsidence a svahových sesuvů. Součástí bylo i zhodnocení nákladů služby monitoringu2. Ceny se vztahují k roku 2011, nicméně jsou v relaci s našimi odhady pracnosti.



Náklady na zpracování v InSAR jsou odvislé především od pracnosti dle poměru interpretované plochy k rozlišení (počtu a velikosti pixelů) a počtu detekovaných trvalých odražečů. Monitorování okolí malého objektu ve velmi vysokém rozlišení proto bude mít podobnou pracnost, jako monitorování rozsáhlého území v menším rozlišení. Zpracování a interpretace deformací pro tvarově komplexní objekt jako je most je z důvodu dvojitých a trojitých odrazů pracnější, než sledování ploch. Pracnost závisí i na počtu interpretovaných oblastí/objektů, jejich vzdálenosti ve snímku, heterogenitě území a rozmanitosti hranic detekovaných pohybů.



Ceny jsou kalkulovány pro vyhodnocení jedné časové řady snímků. V případě zpracování sady ze vzestupné a sestupné dráhy, které je doporučeno pro sledování některých jevů, je třeba je uvažovat jako dva samostatné úkony a cenu je nutné násobit dvěma.



V případě kompletního plošného zpracování oblasti o velikosti tisíců km2 (např. menší povodí, region atd.), kde je nutné interpretovat řadu oddělených a nezávislých pohybů bude cena za zpracování několikanásobně vyšší. Pokud je pro pokrytí území nebo jeho analýzu potřeba scén z více samostatných datových sad nebo z obou družicových drah (sestupné/vzestupné), adekvátně se zvýší počet scén a tudíž se i navýší cena za jejich pořízení.



Protože jsou ceny za zpracování v rámci realizaci služeb předmětem konkurenční nabídky poskytovatelů, mohu být nabídkové ceny nižší.



Cena zahrnuje: o Výběr a objednání dat o Studii proveditelnosti o Korekci a koregistraci snímků o Zpracování metodou PS nebo SBAS o Report

2

TerraFirma. Stage 2: Final Report (2011)



‐ 86 ‐



V případě navázání na proběhlé InSAR mapování je v případě dostupnosti původních zdrojových dat a dat z mezikroků cena doplňujícího zpracování a analýzy přibližně třetinová.

Z důvodu vysokých výpočetních nároků na zpracování rozsáhlých datových sad je třeba počítat s dodáním produktů v horizontu 4 – 6 týdnů od aktivace služby. Použití umělých trvalých odražečů a jejich potřebný počet je třeba vyhodnotit v rámci studie proveditelnosti. Kalkulace je udělána pro 10 trvalých odražečů, které obvykle postačují pro přesné detailní sledování území o ploše 25 km2.

Produkt

Výroba a instalace umělých trvalých odražečů

Položka

Komentář

Cena 1 odražeč

Umělý trvalý odražeč

10 odražečů

Cena zahrnuje: ‐ Materiál ‐ Výrobní náklady ‐ Instalace ‐ Zaměření < 600 000 Pozn: Cena je závislá na konstrukci odražeče a možnostech jeho nastavení. Uvedená cena se vztahuje k odražeči s mechanismem umožňujícím nastavení směru (rotace, aretace.)

< 60 000

Následující tabulky sumarizují náklady služby pro sledování dopadů na životní prostředí. Kalkulace nejsou provedeny pro konkrétní jevy, ale obecně pro monitoring jevů určitého shodného rozsahu. První dva vybrané případy simulují použití optických družicových dat pro monitoring 5 km širokého pruhu okolo 100km dálnice dle tabulky 17. Produkt

Vyhodnocení změn a změnových indikátorů vybraného jevu ve VHR (1‐4m) 5km x 100km

Položka 2 horizonty Optická data VHR ‐ komerční

260 000 ‐

Zpracování optických dat


Komentář

Cena (Kč)

1 140 000

5 horizontů 650 000 ‐

< 350 000


Kalkulováno pro novou akvizici VHR 2 850 000 optických multi‐/superspektrálních družicových dat dle tabulky 17

< 950 000

LULC, fragmentace nebo druhová skladba

‐ 87 ‐

Produkt

Vyhodnocení změn a změnových indikátorů vybraného jevu v HR (5‐30m) 5km x 100km

Položka 2 horizonty Optická data HR ‐ komerční

200 000 ‐

5 horizontů

1 000 000 500 000 ‐

Optická data HR ‐ nekomerční

Zpracování optických dat

< 350 000

Produkt

Komentář

Cena (Kč)

0

Kalkulováno pro novou akvizici HR 2 500 000 optických multi‐/superspektrálních družicových dat dle tabulky 17

0

< 950 000

Nekomerční optická data multi‐/super‐ /hyper‐spektrální. LULC, fragmentace nebo druhová skladba

Vyhodnocení zdravotního stavu vegetace z VHR/HR dat na úseku 5km x 100km

Položka

Komentář

Cena (Kč) 1 horizont

Optická data HR/VHR ‐ komerční Optická data HR/VHR ‐ nekomerční Zpracování optických dat

100 000 ‐ 570 000

Kalkulováno pro novou akvizici HR optických multi‐ /superspektrálních družicových dat dle tabulky 17

0

Nekomerční optická data multi‐/super‐/hyper‐ spektrální.

< 250 000

Jednorázová detekce zdravotního stavu vegetace

Poznámky k ceně služeb 

Cena dat se týká optických družicových dat.



Cena zpracování je založena na jednotkových cenách, které byly kvantifikovány pro Land produkty v rámci projektu GMES geoland2. Pracnost a tudíž i cena se mohou lišit dle požadovaného typu, detailu, podrobnosti členění produktu.



Zpracování VHR dat ve větším detailu způsobuje vyšší pracnost v přepočtu na km2 než zpracování HR dat.



Přestože řada metod je automatizovaná, reálně se jedná o polo‐automatické zpracování s nutnými korekčními zásahy operátora. Následná manuální interpretace a validace výsledků také představuje podstatnou položku z hlediska pracnosti.



Cena pozemní validace a vyhodnocení pozemního spektroskopického měření není zahrnuta.



Protože jsou ceny za zpracování v rámci realizaci služeb předmětem konkurenční nabídky poskytovatelů, mohu být nabídkové ceny nižší.



Cena zahrnuje: o Ortorektifikace a koregistrace o Kalibrace a normalizace obrazu o Detekce tříd/prvků o Vyhodnocení změn



‐ 88 ‐

o o

Analýza změnových indikátorů Report

Optická data jsou ve srovnání se SAR méně náročná na výpočetní výkon. Doba dodání produktů od zahájení službu se bude pohybovat v rozmezí 3 – 5 týdnů pro zpracování stavu nebo změn mezi dvěma horizonty. V případě zpracování více časových horizontů se doba dodání navýší. Shrnutí: Je patrné, že v případě použití snímků z komerčních zdrojů je podstatný podíl z celkové ceny tvořen náklady na pořízení dat. Při objednání většího počtu snímků ať plošně nebo časově pro monitorování lze uvažovat slevovou politiku poskytovatelů dat – ta mezi jednotlivými poskytovateli liší, ale obecně mohou slevy dosahovat řádu desítek procent z tabulkové ceny, zvláště v případě objednání opravdu velké datové sady. I v takovém případě ale stále vyniká rozdíl v pořizovacích nákladech mezi komerčními a nekomerčními daty. Poskytovatel služby by pro to měl vždy velmi pečlivě zvážit požadavky a parametry sledovaného jevu z hlediska možnosti jeho sledování daty z nekomerčních zdrojů. Vzhledem k disproporci mezi cenou komerčních a nekomerčních dat zvláště v segmentu radarových snímků je nasnadě, že udržitelnost aplikace služby z ekonomického hlediska je zásadně zvýšena při použití nekomerčních dat. Dokument č.: Verze: D1.00


‐ 89 ‐

5.4

VÝTĚŽNOST DAT

V této kapitole je sumarizována výtěžnost dat DPZ z hlediska možností jejich využití k sekundárním účelům. Jako primární účel označujeme využití k sledování jevů v dopravě, které jsou popsány v kapitole 4: sledování nežádoucích pohybů a sledování dopadů na životní prostředí. Jak je zřejmé z předešlé sekce, především komerční data tvoří podstatnou část rozpočtu případných služeb zaměřených na sledování jevů v dopravě. Využitelnost k sekundárním účelům je proto podstatným parametrem výtěžnosti dat. Sekundárními účely rozumíme použití pro sledování rozdílného jevu v oblasti dopravy, případně použití v dalších tematických oblastech, které souvisí především s životním prostředím. Díky možnosti navázat na časovou řadu novou akvizicí ze stejné družice nebo z rozdílné srovnatelné družice je třeba výtěžnost chápat i z časového hlediska – jednou koupená / pořízená data mohou posloužit v budoucnosti pro srovnání budoucího stavu s historickým. V následující tabulce je sumarizována výtěžnost radarových dat. V doméně dopravních aplikací nabízí radarová data největší výtěžnost z hlediska možného znovupoužití pro sledování a analýzu nežádoucích pohybů a deformací jiných jevů, než pro jaké byla původně objednána. Vysokou výtěžnost mají radarová data i v ostatních oblastech a vědních disciplínách. Přestože se řada obecných kategorií překrývá se sekundárním využitím optických dat, je třeba vzít v potaz specifikum radarových dat, které se projevuje v nižší interpretabilitě většiny tříd a jevů sledovatelných opticky, ale současně i v unikátní citlivosti na vlastnosti povrchů, které nejsou sledovatelné optickými daty. Radarová komplexní (s fázovou a intenzitní složkou) případně polarimetrická (PolSAR) data Výtěžnost Navržené využití v dopravě Vysoké a velmi vysoké rozlišení  Deformace tělesa a povrchu vozovky  Deformace těles železniční trati  Deformace konstrukcí mostů, nadjezdů  Deformace infrastrukturních prvků  Sedání a poklesy podloží a nadloží  Svahové pohyby a sesuvy


Doplňkové využití v dopravě Vysoké a velmi vysoké rozlišení  Sledování výstavby  Sledování rozsahu a vývoje zaplavení  Detekce změn


VYSOKÁ Alternativní využití v jiném sektoru Obecně  Sledování půdní vlhkosti  Detekce změn Zemědělství  Rozlišení plodin (PolSAR)  Sledování sucha (PolSAR) Lesnictví  Určení objemu biomasy (InSAR, PolSAR)  Výšková stupňovitost (PolSAR)  Druhová skladba  Inventarizace typů  Detekce nelegální těžby  sledování napadení kůrovcem  Detekce polomů a škod na lesním porostu ‐ vichřice ‐ požáry Topografie  Tvorba DEM (InSAR)  Vstup do hydrologických modelů ‐ srážkoodtokové poměry – sealing

‐ 90 ‐

‐ ‐

krajinný pokryv sledování plošných zdrojů znečištění (hnojení)  Vstup do erozních modelů ‐ krajinný pokryv ‐ vývoj krajinné pokryvu ‐ stanovení rizika a zranitelnosti Krajinná ekologie a chráněná území  Inventarizace krajinných prvků (vybrané prvky)  Sledování změn krajinného pokryvu a využití půdy (vybrané třídy)  Rozlišení zemědělské půdy a půdy ladem  Sledování bariérových prvků (ripariánské zóny) Urbánní management  Sledování urban sprawlu a densifikace  Detekce změn  Tvorba 3D modelů Krizové řízení  Sledování rozsahu a vývoje zatopení

Multispektrální data nacházejí velké uplatnění v dopravních aplikacích především v oblastech zaměřených na detekci zdravotního stavu vegetace a dalších dopadů na životní prostředí. Data se dají sekundárně využít pro velmi širokou škálu aplikací v řadě disciplín, jak bylo ověřeno více než čtyřicetiletou operační praxí. Multispektrální, Superspektrální optická data Výtěžnost Navržené využití v dopravě Nízké a střední rozlišení  Exhalace v atmosféře Vysoké a velmi vysoké rozl.  Zdravotní stav vegetace  Sledování výstavby  Sledování dopadů (fragmentace, využití půdy a krajinného pokryvu)


Doplňkové využití v dopravě Vysoké a velmi vysoké rozl.  Kontaminace půdy  Sledování rozsahu a vývoje zatopení


VYSOKÁ Alternativní využití v jiném sektoru Zemědělství  Zdravotní stav plodin  Rozlišení plodin  Sledování sucha a vodního stresu Lesnictví  Druhová skladba  Inventarizace typů  Detekce nelegální těžby  sledování napadení kůrovcem  Detekce polomů a škod na lesním porostu ‐ vichřice ‐ požáry Hydrologie  Vstup do hydrologických modelů ‐ srážkoodtokové poměry – sealing ‐ krajinný pokryv ‐ sledování plošných zdrojů znečištění (hnojení)  Vstup do erozních modelů

‐ 91 ‐

‐ krajinný pokryv ‐ vývoj krajinné pokryvu ‐ stanovení rizika a zranitelnosti Krajinná ekologie a chráněná území  Inventarizace krajinných prvků  Sledování změn krajinného pokryvu a využití půdy  Sledování dopadů antropogenního tlaku  Sledování půdy ladem  Sledování bariérových prvků (ripariánské zóny) Urbánní management  Zastavěnost území  Sledování urban sprawlu a densifikace  Vytváření urbánního atlasu – funkčního využití ploch  Detekce změn  Sledování a pasportizace městské zeleně Krizové řízení  Sledování rozsahu a vývoje zatopení  Sledování rozsahu a vývoje požárů  Detekce škod Vyšetřování a prosazení práva  Vztažení stavu prvku k datu pořízení  Monitoring fotovoltaiky  Stav pozemků

Hyperspektrální data se dají využít v zásadě pro všechny aplikace optických dat a především tam, kde je nutné rozlišovat jemné nuance v rozdílech stavu materiálů, obsahu látek a zdravotního stavu (vegetace). Zvláště při použití leteckých hyperspektrálních dat je ve srovnání s běžnými optickými daty nutné uvažovat sníženou kapacitu pro operační monitoring. Hyperspektrální Výtěžnost Navržené využití v dopravě Vysoké a velmi vysoké rozlišení  Detekce kontaminace půdy splachem  Detekce zdravotního stavu vegetace  Detekce degradace kvality povrchu vozovky


Doplňkové využití v dopravě Vysoké a velmi vysoké rozlišení  Detekce kontaminace malých a stojatých vod v blízkosti dopravní infrastruktury


STŘEDNÍ Alternativní využití v jiném sektoru Obecně  Detekce materiálů,  Detekce typů povrchů Zemědělství  Zdravotní stav plodin  Rozlišení plodin  Sledování sucha a vodního stresu Lesnictví  Druhová skladba  Inventarizace typů  Sledování napadení kůrovcem Těžba  Sledování dopadů na ŽP ‐ kontaminace půdy

‐ 92 ‐

‐ kontaminace vodních zdrojů ‐ zdravotní stav vegetace ‐ detekce hornin a minerálů ‐ teplota Hydrologie  Detekce eutrofizace  Detekce druhů vodní flóry  Teplotní mapa povrchu Vyšetřování a prosazení práva  Vztažení stavu prvku k datu pořízení  Monitoring fotovoltaiky  Stav pozemků

Lidarová data představují velmi specifický informační vstup, který nenachází tak široké uplatnění, ale představuje unikátní zdroj pro velmi přesné tvorby digitálního modelu povrchů, které lze uplatnit v řadě oborů. LiDAR Výtěžnost Navržené využití v dopravě Vysoké a velmi vysoké rozlišení  Detekce stavu a kvality vozovky

NÍZKÁ Alternativní využití v jiném sektoru

Doplňkové využití v dopravě Vysoké a velmi vysoké Obecně rozlišení  Tvorba 3D modelů (DEM, DSM)  Pasportizace ‐> Lesnictví infrastruktury v okolí ‐> Urbanismus ‐> Krajinná ekologie  Tvorba přesných 3D  Sledování zatopení modelů Vyšetřování a prosazení práva  Doplněk ke sledování  Vztažení stavu prvku k datu pořízení rizikových dřevin Sledování  Monitoring stavu objektů atmosférických aerosolů  Monitoring fotovoltaiky

Jak je zřejmé z výše uvedených přehledů, výtěžnost dat DPZ je vysoká a neomezuje se pouze na rezort dopravy. Uplatnění dat lze nalézt v řadě sektorů a tematických oblastí, které jsou v gesci následujících rezortů:      

Ministerstvo dopravy Ministerstvo zemědělství Ministerstvo životního prostředí Ministerstvo průmyslu a obchodu Ministerstvo vnitra Ministerstvo spravedlnosti



‐ 93 ‐

5.5

ZÁVĚR

Zásadní přínos dálkového průzkumu z hlediska úspory nákladů je třeba hledat v jeho preventivním a plošném nasazení tam, kde má zadavatel podezření na přítomnost nežádoucích jevů v rozsahu, který není možné sledovat konvenčními metodami a prostředky z technických nebo finančních důvodů. Metody i data DPZ mají omezení, které limitují jejich použití coby plnohodnotnou alternativu za konvenční metody pozemního měření. Nicméně, díky rozdílnosti přesností a parametrů metod pozemního a dálkového průzkumu se uvedené metody nedají přímo porovnávat. Případné nasazení dat pro aplikace v dopravě by mělo tento fakt respektovat a mělo by být založeno na maximalizaci výhod plynoucích z doplňkovosti uvedených metod, které pak povedou k maximalizaci přínosů finančních i informačních. Přímé finanční úspory plynoucí z nasazení dat dálkového průzkumu Země budou vycházet především z jeho silných stránek: schopnosti plošného a opakovaného měření a detekce rizikových jevů a dopadů, a tedy i predikce těch rizik, které by v případě včasného neodhalení implikovaly násobně vyšší než cenu (finanční, environmentální, společenskou), než jaké jsou náklady za aplikaci dat a metod DPZ. Jak vyplývá z odhadnutých nákladů služeb založených na využití a zpracování dat DPZ v dopravních aplikacích, nelze dálkový průzkum Země označit za levnou metodu. Toto platí především u služeb založených na komerčních datech. Jejich rozsáhlejší využití představuje i přes možné poskytnutí slev značné náklady, které je nutné zdůvodnit jednoznačnými benefity plynoucími z hodnoty informací nebo finančních úspor dosažených nasazením dálkového průzkumu. Z výše uvedených důvodu by proto měla být před zahájením každého mapování zpracována studie proveditelnosti zohledňující jak technickou proveditelnost vycházející z možností dat DPZ pro sledování daného jevu a specifické lokality tak finanční proveditelnost v rámci plánovaného rozpočtu. Na jejím základě může zadavatel vyhodnotit případné úspory a tedy i hodnotu přínosu využití služby. Dlouhodobá operační realizovatelnost služeb poskytujících tyto informace je proto v České republice závislá na poměru přínos / cena, který nejlépe vychází při použití nekomerčních dat nebo dat s velmi nízkou cenou absolutní nebo relativní. Z tohoto pohledu není současný stav pro realizovatelnost příliš příznivý: pro území ČR jsou nekomerční data dostupná jako archivní pro zpětné mapování historického stavu, nicméně nejsou zde pořizována systematicky z hlediska prostorového a časového pokryvu. Situaci by v blízké budoucnosti měly pozitivně ovlivnit dva faktory, přičemž první zcela zásadně: 



Spuštění operačního provozu konstelace evropských nekomerčních družic Sentinel, které budou nabízet garantované, systematické, opakované a dlouhodobé pokrytí daty i pro území ČR. Systém by měl být operačně provozuschopný postupně od r. 2014/2015. Dlouhodobý trend snižování ceny komerčních dat vlivem zvyšující se nabídky a konkurence na trhu kosmického průmyslu.



‐ 94 ‐



‐ 95 ‐

PŘEHLED LITERATURY [1] A. Ferretti, C. Prati, F. Rocca: Permanent scatterers in SAR interferometry, IEEE Transactions on Geoscience and Remote Sensing, 39 (1):8‐20, 2001. [2] R. F. Hanssen. Radar Interferometry: Data Interpretation and Error Analysis. Kluwer Academic Publishers, Dordrecht, 2001. [3] P. Berardino, G. Fornaro, R. Lanari, and E. Sansosti: A new algorithm for surface deformation monitoring based on small baseline differential SAR interferograms. IEEE Transactions on Geoscience and Remote Sensing, 40(11):2375–2383, 2002. [4] A. Ferretti, A. Fumagalli, F. Novali, C. Prati, F. Rocca, A. Rucci: A New Algorithm for Processing Interferometric Data‐Stacks: SqueeSAR. IEEE Transactions on Geoscience and Remote Sensing, 49(09): 3460 ‐ 3470, 2011. [5] R. F. Hanssen, , F. J. van Leijen: One‐dimensional radar interferometry for line infrastructure, Geoscience and Remote Sensing Symposium (IGARSS, Volume 5):V‐9 ‐ V‐12, IEEE International, 2009. [6] V. B. H. Ketelaar: Satellite Radar Interferometry: Subsidence Monitoring Techniques. Springer Verlag, Press, Oxford, 2008. [7] Z. Xuedong, G. Daqing, M. Weiyu, Z. Ling, Y. Dapeng, G. Xiaofang: Study the land subsidence along JingHu highway (Beijing‐Hebei) using PS‐InSAR technique, Geoscience and Remote Sensing Symposium (IGARSS): 1608 ‐ 1611, IEEE International, 2011. [8] D. Ge, Y. Wang, G., X, Y. Wang, Y. Xia: Land Subsidence Investigation Along Railway Using Permanent Scatterers SAR Interferometry, Geoscience and Remote Sensing Symposium(IGARSS, Volume 2): II‐1235 ‐ II‐1238, IEEE International, 2008. [9] L. Qingli, D. Perissin, L. Hui, L. Qinghua, R. Duering,: Railway subsidence monitoring by high resolution INSAR time series analysis in Tianjin, 19th International Conference on Geoinformatics, 2011. [10] W. Zhiying, D. Perissin, L. Hui: Subway tunnels identification through Cosmo‐SkyMed PSInSAR analysis in Shanghai, Geoscience and Remote Sensing Symposium Symposium (IGARSS): 1267‐ 1270, IEEE International, 2011. [11] S. M. Buckley, P. Vincent, D. Yang: New ground truth capability from InSAR time series analysis, 005, http://www.llnl.gov/tid/lof/documents/pdf/322321.pdf [12] A. Pigorini, M. Ricci, A. Sciotti, C. Giannico, A. Tamburini: Satellite remote‐sensing PSInSAR(TM) technique applied to design and construction of railway infrastructures, 2010, http://treuropa.com/uploads/2010_Satellite_remote‐ sensing_PSInSAR_technique_applied_to_design_and_construction_of_railway_infrastructures.p df [13] TunnelTalk. Space monitoring for Hong Kong settlement. Dostupné online: http://www.tunneltalk.com/Satellite‐imaging‐Sep11‐Satellite‐eye‐on‐settlement.php [14] ASTRIUM. Using radar satellites for monitoring underground construction. Dotupné online: http://www.astrium.eads.net/en/news2/using‐radar‐satellites‐for‐monitoring‐underground‐ construction.html [15] I. Parcharidis, G. Benekos, M. Foumelis, S. Stramondo: High‐Resolution Interferometric Observations/Measurements over the Rio‐Antirio Cable‐Stayed Bridge (Greece), Living Planet Symposium 2013, Edinburg.



‐ 96 ‐

[16] I. Parcharidis, M. Foumelis, P. Kourkoli, U. Wegmuller: Persistent Scatterers InSAR to detect ground deformation over Rio‐Antirio area (Western Greece) for the period 1992–2000. Journal of Applied Geophysics 68 (2009) 348–355. [17] A. Zakharov, S. Mashurov, A. Dragunov: Application of TerraSAR‐X Data for Monitoring of Potential Landslide and Karst Areas in Railway and Pipeline Corridors, 8th European Conference on Synthetic Aperture Radar (EUSAR), 2010. [18] Advanced InSAR Technnology (SqueeSAR (TM) ) for Monitoring Movements of Landslides, 2011. Dostupné online: http://www.cflhd.gov/programs/techDevelopment/geotech/SqueeSAR/documents/01_Advance d_InSAR_Technology_SqueeSAR_entire_report.pdf [19] Monitoring Alpine Transportation Infrastructures using Space Techniques, http://iap.esa.int/iap/projects/transport/MATIST [20] I. Hlaváčová, L. Halounová, B. Knechtlová: Sledování poklesů na výsypce v severních Čechách metodou radarové interferometrie, Geodetický a kartografický obzor. 2011, roč. 57, č. 10, s. 241‐ 243. [21] M. Lazecký, P. Rapant: Aplikace družicové radarové interferometrie. Prezentace na Symposiu GIS‐ Ostrava, 2010. [22] J. Mišurec, J. Jelének, V. Kopačková: Geohazard Description for Prague. Dostupné online: http://www.pangeoproject.eu/pdfs/english/ostrava/Geohazard‐Description‐ostrava.pdf. [23] J. Mišurec, J. Jelének, V. Kopačková: Geohazard Description for Ostrava. Dostupné online: http://www.pangeoproject.eu/pdfs/english/ostrava/Geohazard‐Description‐prague.pdf [24] L. Bateson, F. Novali, G. Cooksley: TerraFirma User Guide. Available online: http://www.terrafirma.eu.com/images_all_site/documents/user_guide/Terrafirma%20User%20 Guide%20Oct%202010.pdf [25] MMR (MINISTERSTVO PRO MÍSTNÍ ROZVOJ): Dopravní Infrastruktura spolufinancovaná ze sf / fs a národních zdrojů. NOK‐MMR 2011 [26] E. P. Paska: State‐Of‐The‐Art Remote Sensing Geospatial Technologies In Support Of Transportation Monitoring And Management. Disertační práce, The Ohio State University 2009 [27] G. Wilhauck: Object‐Oriented Ship Detection From Vhr Satellite Images. ISPR Proceedings 2005. Dostupné online: http://www.isprs.org/proceedings/2005/semana_geomatica05/front/abstracts/Dijous10/R32.pd f [28] R. Hoff, S. A. Christopher: Remote Sensing of Particulate Pollution from Space: Have We Reached the Promised Land? Air & Waste Manage. Assoc. 59:645–675. 2009. [29] R. V. Martin: Satellite remote sensing of surface air quality. Atmospheric Environment 42 (2008) 7823–7843. 2008 Elsevier Ltd. [30] Y. Zha et al. (2010): Monitoring of urban air pollution from MODIS aerosol data: effect of meteorological parameters. Tellus 62B (2010), 2, 109–116. [31] NASA: Commercial Remote Sensing Technologies Application To Transportation Dostupné online: http://wwwghcc.msfc.nasa.gov/land/ncrst/dot_nasa_brochure.pdf [32] K. Hirotoshi: Exhaust emissions assessment over asian mega cities with satellite remote sensing and city traffic modeling. Asian Conference on Remote Sensing (ACRS 2008), Section TS23:Urban Change / Monitoring. [33] S. Ch. Keat: Remote Sensing of PM2.5 Over Penang Island from Satellite Measurements. In:Monitoring, Control and Effects of Air Pollution 2011. InTech.



‐ 97 ‐

[34] P. Veefkind et al.: The Applicability of Remote Sensing in the Field of Air Pollution. JRC Institute for Environment and Sustainability 2007. © European Communities. [35] R. Leigh: Remote sensing of NO2: Integrating slant column measurements into operational air quality management systems. PRESCRIBE workshop, Bremen, 15th May 2013. Prezentace. Dostupné online: http://www.iup.uni‐ bremen.de/doas/meetings/prescribe_2013/Leigh_PRESCRIBE_2013.pdf [36] E.Trávníčková: Vliv zimního chemického ošetření silnic na mikrobiální společenstvo okolních půd. Diplomová práce. Masarykova univezita, Přírodovědecké fakulta. 2011. [37] P. Weisberg et al.: Integrating Forest Pathology Surveys with Remote Sensing Analysis for Monitoring Road‐Related Effects on Tree Crown Mortality. University of Nevada, Reno. Presentation. 2009. [38] F. Yuanchao: Tree crown mortality associated with roads in the Lake Tahoe Basin: a remote sensing approach. Thesis. University of Nevada, Reno. August 2011. [39] W. Roper, D. Subijoy: Oil Spill and Pipeline Condition Assessment Using Remote Sensing and Data Visualization Management Systems. Georg Mason university, 4400 Universitz Drive, MS 53C, Fairfax, S&M, 2006 Dostupné online: http://www.epa.gov/osweroe1/docs/oil/fss/fss06/roper_1.pdf [40] Y. Xie, et al.: Remote sensing imagery in vegetation mapping: a review. Journal of Plant Ecology volume 1, number 1, pages 9–23 march 2008. [41] S. Liang: Quantitative Remote Sensing Of Land Surfaces. John Wiley & Sons, Inc., 2002. [42] R. Kancheva, D. Borisova: Vegetation Stress Indicators Derived From Multispectral And Multitemporal Data. Space Technol. Vol. 26, Nos. 3, pp. 1–8, 2007 © 2007 Lister Science. [43] P.J. Tejada, G.Sepulcre‐Cantó: Remote Sensing Of Vegetation Biophysical Parameters For Detecting Stress Condition And Land Cover Changes. Estudios de la Zona No Saturada del Suelo Vol. VIII. J.V. Giráldez Cervera y F.J. Jiménez Hornero, 2007. [44] K. Wang: Remote Sensing of Forestry Studies. In: Global Perspectives on Sustainable Forest Management 2012. InTech, www.intechopen.com. [45] J. Wang et al.: Review of Satellite Remote Sensing Use in Forest Health Studies. The Open Geography Journal, 2010, 3, 28‐42. [46] L. Dengsheng: The potential and challenge of remote sensing‐based biomass estimation. International Journal of Remote Sensing Vol. 27, No. 7, 10 April 2006, 1297–1328. [47] V. Kopačková: Hyperspectral Remote Sensing for Environmental Mapping and Monitoring. Disertační práce. Přírodovědecká fakulta. Universita Karlova Praha, 2013. [48] D. Xiong et al.: Remote Sensing Applications For Environmental Analysis In Transportation Planning: Application To The Washington State I‐405 Corridor. Oak Ridge National Laboratory.Washington State Department of Transportation. 2008. Dostupné online: http://www.wsdot.wa.gov/research/reports/fullreports/593.1.pdf [49] T. J. Malthus, C. J. Younger: Remotely Sensing Stress In Street Trees Using High Spatial Resolution Data. Geospatial Information In Agriculture And Forestry ‐ International Conference‐; 2; Ii‐326‐ 333, 2000. [50] K. Pavelka, T. Vohradský, J. Šustera: Možnosti monitorování stavu a změn v okolí hlavních komunikací metodami dálkového průzkumu Země a laserového skenování a jejich využití pro realizaci udržitelného rozvoje dopravy. VaV/CG912‐105‐520. 2010. [51] P. Engst, J. Keder: Zpracování rešeršní studie shrnující základní principy měření koncentrací znečišťujících látek v ovzduší metodou lidarové diferenční absorpční spektroskopie.



‐ 98 ‐

VaV/740/2/00:"Vyhodnocení připravenosti České republiky splnit požadavky na kvalitu ovzduší podle směrnic EU a Konvence LRTAP". 2000. [52] J. Maznová, I. Hůnová, O. Vlček, H. Hnilicová: Zlepšení metod hodnocení znečištění ovzduší částicemi PM10 na území České republiky. Ochrana ovzduší, 2, str. 3‐9, 2009. [53] S. Pascucci et al.: Road Asphalt Pavements Analyzed by Airborne Thermal Remote Sensing: Preliminary Results of the Venice Highway. Sensors 2008, 1278‐1296. [54] R. Herold, D. Roberts: Spectral characteristics of asphalt road aging and deterioration: implications for remote‐sensing applications. Applied Optics, Vol. 44, No. 20. © 2005 Optical Society of America.



‐ 99 ‐

O AUTORECH Mgr. Jan Kolomazník Jan Kolomazník má více než 6 let zkušeností na pozici specialisty a analytika DPZ ve firmě GISAT, specializuje se na vývoj, implementaci a kontrolu kvality služeb satelitního mapování, zpracování družicových dat a prostorové analýzy. Je zodpovědný za technické vedení mapovacích a výzkumných projektů řešených v rámci FP7 a pro ESA. Ing. Jiří Šustera Jiří Šustera má více než 12 let zkušeností na pozici specialisty DPZ ve firmě GISAT. Má dlouholetou zkušenost se zapojením do národních a mezinárodních projektů (v rámci VaV, FP6, FP7, ESA). Specializuje se na zpracování a korekce optických a radarových dat DPZ. Mgr. Tomáš Bartaloš Tomáš Bartaloš má více než 5 let zkušeností na pozici specialisty DPZ ve firmě GISAT. Je zapojen do řady národních a mezinárodních projektů, kde je zodpovědný za vývoj a implementaci metod pro zpracování, analýzu a klasifikaci obrazových dat DPZ. Specializuje se na objektově orientované klasifikace, využití spektrální analýzy pro automatizované postupy v oblasti land aplikací. Ing. Ivana Hlaváčová, PhD. Ivana Hlaváčová se více než 8 let věnuje výuce, vědecké a publikační činnosti na Katedře geomatiky Stavební fakulty ČVUT. Specializuje se na interferometrické zpracování radarových dat DPZ, metody trvalých odražečů DPZ a jejich aplikace v ČR i zahraničí. Dlouhodobě se podílela řadě mezinárodních i národních grantových projektů zaměřených na toto téma. GISAT s.r.o. GISAT je česká společnost, která se dlouhodobě specializuje na vývoj a poskytování geoinformačních služeb a aplikací DPZ. Pracovní tým vysoce kvalifikovaných pracovníků čerpá ze zkušeností s vedením a řízením projektů, konzultační činností a poskytováním široké škály GIS a DPZ aplikací nejrůznějších tematických oblastí včetně aplikací v dopravě. Za dobu svého působení na trhu dodal GISAT desítky služeb národním i zahraničním zákazníkům z řad státní správy i soukromé sféry a množství služeb vyvinutých v rámci programu GMES/Copernicus. Řešil řadu národních i mezinárodních výzkumných projektů (v rámci FP7, pro Evropskou kosmickou agenturu a další). GISAT je držitelem certifikátu integrovaného systému managementu jakosti a systému environmentálního managementu podle standardu ISO 9001:2008 a ISO 1400:2004. Dokument č.: Verze: D1.00


‐ 100 ‐

Přehled jevů a dat DPZ pro použití. v dopravě. Analýza přínosu vybraných aplikací

Recommend Documents