URČENÍ MNOŽSTVÍ CHLOROFYLU V POROSTECH BŘÍZY BRADAVIČNATÉ A BOROVICE LESNÍ S VYUŽITÍM HYPERSPEKTRÁLNÍCH DAT

UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie Studijní program: Geografie (navazující magisterské studium) Studijní obor: Kartografie a geoinformatika

Bc. Kateřina ZACHOVÁ

URČENÍ MNOŽSTVÍ CHLOROFYLU V POROSTECH BŘÍZY BRADAVIČNATÉ A BOROVICE LESNÍ S VYUŽITÍM HYPERSPEKTRÁLNÍCH DAT DETERMINATION OF CHLOROPHYLL CONTENT IN BIRCH AND PINE TREES USING HYPERSPECTRAL DATA Diplomová práce

Vedoucí diplomové práce: Ing. Markéta Potůčková, Ph.D. Praha 2011

Vysoká škola: Univerzita Karlova v Praze

Fakulta: Přírodovědecká

Katedra: Aplikované geoinformatiky a kartografie

Školní rok: 2010/2011

Zadání diplomové práce pro

Kateřinu Zachovou

obor

Kartografie a geoinformatika

Název tématu: Určení množství chlorofylu v porostech břízy bradavičnaté a borovice lesní s využitím hyperspektrálních dat Zásady pro vypracování Borovice lesní a bříza bradavičnatá představují hlavní zástupce dřevin vyskytujících se na rekultivovaných výsypkách Sokolovské pánve. Obsah chlorofylu v těchto dvou rostlinných druzích může být použit jako jeden z indikátorů kontaminace půdy těžkými kovy. V rámci projektu GAČR „Vyhodnocení environmentálních vlivů povrchové těžby postavené na analýze dat hyperspektráního senzoru HyMap“ byla v srpnu 2010 pořízena hyperspektrální data z oblasti Sokolovské pánve o rozloze přibližně 200 km2 s rozlišením 5m x 5m. V práci budou dále využity výsledky biochemických rozborů - určení obsahu chlorofylu ve vzorcích listů a jehlic odebraných při pozemní kampani ve vybraných lokalitách. A dále budou využity spektrální křivky odrazivosti odebraných vzorků změřené pozemním spektrometrem ASD FiledSpec 3. Cílem diplomové práce je vytvořit metodiku stanovení množství chlorofylu v těchto dvou rostlinných druzích z dostupných hyperspektrálních dat. Dílčí kroky řešení: 1. Rešerše literatury týkající se stanovení obsahu chlorofylu ve vybraných rostlinných druzích z hyperspektrálních dat. Metodika určení chlorofylu v porostech smrku ztepilého je v literatuře hojně popsána. Z rešerše by mělo vyplynout, zda a případně do jaké míry jsou tyto postupy aplikovatelné na jiné druhy dřevin. 2. Studium spektrálních křivek odrazivosti břízy bradavičnaté a borovice lesní z laboratorních měření pomocí ASD spektroradiometru, z hyperspekrálních dat HyMap a jejich vztahu k obsahu chlorofylu stanoveného laboratorním měřením. 3. Vytvoření metodiky pro odvození chlorofylové mapy obou druhů porostu z hyperspekrálních dat. Vzhledem k velikosti pixelu hyperspektrálních dat a relativně nízkému stupni zapojení některých porostů bude nutné vyřešit otázku „čistoty“ jednotlivých pixelů, tj. v první fázi provést subpixelovou klasifikaci hyperspektrálních snímků.

4. Zhodnocení přenositelnosti vytvořené metodiky na jinou datovou sadu (z hlediska času a území) s ohledem na velikost vzorku laboratorně zpracovaných dat. Výsledek práce bude prezentován ve formě mapy chlorofylu ve vybraných porostech, která může být dále použita pro analýzu vlivu kontaminace půdy na kvalitu vegetace. Rozsah grafických prací: dle potřeby Rozsah průvodní zprávy: cca 60 stran Seznam odborné literatury: SCHLERFET, M. et. al., 2010: Retrieval of chlorophyll and nitrogen in Norway spruce (Picea abies L. Karst.) using imaging spectroscopy, ScienceDirect, International Journal of Applied Earth Observation and Geoinformation 12 (2010) 17–26 MOORTHY, I. et. al., 2008: Estimating chlorophyll concentration in conifer needles with hyperspectral data: An assessment at the needle and canopy level, ScienceDirect, Remote Sensing of Environment 112 (2008) 2824–2838 RAUTIAINEN, M. et. al., 2009: Seasonal reflectance trends of hemiboreal birch forests, ScienceDirect, Remote Sensing of Environment 113 (2009) 805–815 KOKALY, R. F. and CLARK, R.N.,1999: Spectroscopic Determination of Leaf Biochemistry Using Band-Depth Analysis of Absorption Features and Stepwise Multiple Linear Regression, Remote sensing of environment, ISSN 0034-4257, 267-287 ENVI User´s Guide 2009. ENVI Version 4.7, ITT Visual Information Solutions Vedoucí diplomové práce: Ing: Markéta Potůčková, Ph.D. Konzultant diplomové práce: Mgr. Zuzana Lhotáková, Ph.D. Datum zadání diplomové práce: 19.11.2010 Termín odevzdání diplomové práce: srpen 2011 Platnost tohoto zadání je po dobu jednoho akademického roku.

........................................... Vedoucí diplomové práce V Praze dne 19.11.2010

.......................................... Vedoucí katedry

Prohlášení Prohlašuji, že jsem závěrečnou práci zpracoval/a samostatně a že jsem uvedl/a všechny použité informační zdroje a literaturu. Tato práce ani její podstatná část nebyla předložena k získání jiného nebo stejného akademického titulu.

V Praze dne 29. 8. 2011 Kateřina Zachová

Poděkování Na tomto místě bych ráda poděkovala všem, kteří mi poskytli podporu během celého studia na vysoké škole a v průběhu sepsání této diplomové práci. Jmenovitě děkuji především vedoucí práce Ing. Markétě Potůčková, Ph.D. za věnovaný čas, cenné rady a odborné vedení mé diplomové práce. Dále bych chtěla poděkovat RNDr. Zuzaně Lhotákové, Ph.D. za odborné konzultace v oblasti biologie. Poděkování patří i RNDr. Lucii Kupkové, Ph.D. za cenné rady a komentáře. V neposlední řadě děkuji rodině a přátelům za podporu během celého studia.

ABSTRAKT Diplomová práce se zabývá stanovením obsahu chlorofylu v listoví břízy bradavičnaté (Betula pendula Roth) a borovice lesní (Pinus sylvestris L.) pomocí hyperspektrálních dat. Úvodní část práce se soustředí na zpracování literatury týkající se metod určení obsahu chlorofylu v listoví zvolených rostlinných druhů. Cílem praktické části práce je nalezení vztahu mezi laboratorně určenou koncentrací chlorofylu v listoví a spektrálními křivkami odrazivosti. K dispozici byly hyperspektrální snímky pořízené senzorem HyMap a spektrální křivky odrazivosti získané pomocí pozemního spektrometru ASD FieldSpec 3. Pomocí vytvořeného regresního modelu byly vytvořeny chlorofylové mapy pro porost borovice lesní ve třech vybraných lokalitách v oblasti sokolovské hnědouhelné pánve. Klíčová slova: borovice lesní (Pinus sylvestris L.), bříza bradavičnaté (Betula pendula Roth), chlorofyl, hyperspektrální data, vegetační chlorofylové indexy

ABSTRACT The master thesis deals with the determination of the chlorophyll content in birch foliage (Betula pendula Roth) and Scots pine using hyperspectral data. The first part of the thesis concentrates on the literature search dealing with the methods of chlorophyll content in the foliage of selected plant species. In the practical part the emphasis is on the study of spectral reflectance curves and finding their relation to the chlorophyll content from the laboratory determination. Images taken with the hyperspectral sensor HyMap and spectral reflectance curves obtained with the ground ASD FieldSpec 3 spectrometer were available. Using the derived regression model chlorophyll maps were created for Scots pine for three selected locations in the Sokolov coal basin area. Keywords: Scots pine (Pinus sylvestris L.), birch (Betula pendula Roth), chlorophyll, hyperspectral data, vegetation chlorophyll indexes

Kateřina Zachová: Určení množství chlorofylu v porostech břízy bradavičnaté a borovice lesní s využitím hyperspektrálních dat

5

OBSAH Přehled použitých zkratek

6

Seznam obrázků a tabulek

7

1 Úvod a cíle práce

9

2 Hyperspektrální dálkový průzkum Země

11

2.1 Hyperspektrální data

11

2.2 Hyperspektrální senzor HyMap

13

2.3 Klasifikace hyperspektrálních dat

14

3 Metody určení množství chlorofylu v listoví

16

3.1 Chlorofyl a jeho spektrální vlastnosti

16

3.2 Modely radiačního přenosu

18

3.3 Spektrální transformační metody

21

3.4 Vegetační chlorofylové indexy

22

3.5 Určení obsahu chlorofylu v listoví borovice a břízy

26

4 Data a metodika zpracování

28

4.1 Postup práce

28

4.2 Popis zkoumané lokality

30

4.3 Pořízení vstupních dat

33

4.3.1 Práce v terénu

34

4.3.2 Měření ASD spektrometrem

34

4.3.3 Laboratorní měření

35

4.3.4 Letecká hyperspektrální obrazová data

36

4.4 Výpočet obsahu chlorofylu

37

4.5 Klasifikace hyperspektrálního snímku

40

5 Výsledky a jejich zhodnocení

42

5.1 Regresní modely pro určení obsahu chlorofylu v jehlicích borovice

42

5.2 Regresní modely pro určení obsahu chlorofylu v listoví břízy

48

5.3 Validace výsledků

49

5.4 Chlorofylová mapa

52

5.5 Diskuze použitých metod a výsledků

52

6 Závěr

57

Seznam použitých zdrojů

59

Seznam příloh

64


6

PŘEHLED POUŽITÝCH ZKRATEK AISA

Airborne Imaging Spectrometer for Aplications

ANMB650-725

Area Under Curve Normalized by Maximal Band Depth between 650-725 nm

ASD

Analytical Spectral Devices

AVIRIS

Airbone Visable and Infrared Imaging Spectrometer

CARI

Chlorophyll Absorption in Reflectance Index

DART

Discrete Anisotropic Radiative Transfer

DD

Double Difference

DLR

Deutsches Zentrum für Luft und Raumfahrt

ETM+

Enhanced Thematic Mapper

GNSS

Global Navigation Satellite System

CHRIS

Compact High Resolution Imiging Spectrometer

LAI

Leaf Area Index

LIBERTY

Leaf Incorporating Biochemistry Exhibiting Reflectance and Transmittance Yields

MCARI

Modified Chorophyll Absorption in Reflectance Index

mNDVI705

Modified Normalized Difference Vegetation Index

NDVI

Normalized Difference Vegetation Index

PLSR

Partial Least Squares Regression

PROSPECT

Leaf Optical Properties Spectra

ROI

Region of Interest

SR

Simple Ratio

SVC

Supervised Vicarious Calibration

SWIR

Short Wave Infrared

TAU

Tel Aviv university

TCARI/OSAVI Transformed Chlorophyll Absorption in Reflectance Index)/Optimized SoilAdjusted Vegetation Index USGS

The United States Geological Survey Spectroscopy

UTM

Universal Transverse Mercator


7

SEZNAM POUŽITÝCH OBRÁZKŮ A TABULEK Obrázky: Obr. 1.1

Důl Jiří

Obr. 2.1

Křivka odrazivosti vegetace získaná z hyperspektrálních obrazových dat v porovnání s rozsahem spektrálních pásem multispektrálního senzoru

Obr. 2.2

Ukázka křivky odrazivosti borovice ze spektrální knihovny USGS

Obr. 2.3

Hyperspektrální senzor HyMap

Obr. 2.4

Prezentace čistého a mixovaného pixelu

Obr. 3.1

Faktory ovlivňující odrazivost listu

Obr. 3.2

Průchod fotonu listem

Obr. 3.3

a) přímé použití modelu PROSPECT, b) inverzní použití modelu PROSPECT

Obr. 3.4

Ukázka metody Continuum removal

Obr. 3.5

Dvě pokusné křivky odrazivosti ukazující princip indexu DD

Obr. 4.1

Schéma postupu práce

Obr. 4.2

Situační mapa sledované oblasti

Obr. 4.3

Stanoviště Erika

Obr. 4.4

Stanoviště Lítov

Obr. 4.5

Stanoviště Lomnice

Obr. 4.6

Stanoviště Svatava

Obr. 4.7

Schéma měření ASD spektrometrem

Obr. 4.8

Rozmístění bodů použitých k určení polohové přesnosti hyperspektrálního snímku

Obr. 4.9

Transformace Continuum removal

Obr. 4.10 Ukázka výběru pixelů na hyperspektrálních snímcích: Obr. 4.11 Spektrální odrazivost z hyperspektrálního snímku pro břízu, borovice a smrk Obr. 5.1

Exponenciální regresní model pro index ANMB650-725 a chlorofyl

Obr. 5.2

Mocninný regresní model pro index TCARI/OSAVI vypočtený z průměrných ASD křivek a chlorofyl

Obr. 5.3

Lineární regresní model pro index NDVI705 vypočtený z hyperspektrálních snímků DLR a TAU a obsah chlorofylu z laboratoře:

Obr. 5.4

Exponenciální regresní model pro index NDVI705 vypočtený z ASD spekter a hyperspektrálních snímků DLR a TAU:

Obr. 5.5

Lineární regresní model pro index NDVI705 vypočtený z ASD spekter a hyperspektrálních snímků DLR a TAU:

Obr. 5.6

Lineární regresní model pro index NDVI705 vypočtený z ASD spekter a hyperspektrálních snímků DLR a TAU:

Obr. 5.7

Lineární regresní model pro index NDVI705 spočtený pro oba typy korekcí

Obr. 5.8

Lineární regresní model pro index NDVI705 spočtený pro oba typy korekcí

Obr. 5.9

Lineární regresní model pro index TCARI/OSAVI a chlorofyl


8

Obr. 5.10 Rozmístění kontrolních bodů pro validaci Obr. 5.11 Srovnání spektrální křivky odrazivosti pro borovici na stanovišti Lomnice Tabulky: Tab. 3.1

Vstupní parametry do modelu LIBERTY

Tab. 4.1

Počty zvolených stromů na jednotlivých stanovištích

Tab. 5.1

Validace regresní rovnice pro vztah chlorofylu z laboratoře a indexu NDVI705 z ASD spekter

Tab. 5.2

Validace regresní rovnice pro vztah chlorofylu z laboratoře a indexu NDVI705 ze snímku s korekcemi DLR

Tab. 5.3

Validace regresní rovnice pro vztah chlorofylu z laboratoře a indexu NDVI705 ze snímku s korekcemi TAU

9

Kap. 1 Úvod a cíle práce

KAPITOLA 1 Úvod a cíle práce Nadměrná těžební činnost, která je hlavní příčinou znečištění krajiny oblasti Sokolovska, způsobuje vysokou koncentraci těžkých kovů v půdě. Dalšími škodlivými procesy spojenými s těžbou hnědého uhlí v této oblasti je vytváření kyselého odpadu a emisí způsobujících znečištění vody a ovzduší, což má neblahý vliv i na vegetaci a životní prostředí obecně. Jedním ze spolehlivých indikátorů zdravotního stavu vegetace je koncentrace chlorofylu v listech. Dálkový průzkumu Země využívá ke stanovení obsahu chlorofylu v listoví obrazovou spektroskopii. Tato metoda umožňuje určení různých biochemických, biofyzikálních a strukturálních vlastností požadovaného porostu. Území Sokolovska je dlouhodobě1 zatíženo těžbou především hnědého uhlí (obr. 1.1). Její devastující následky na krajině je nutné zahladit rekultivačními a revitalizačními metodami. Mezi nejčastější způsoby obnovy krajiny Sokolovska patří zavodňování, zalesňování a zemědělská rekultivace. Na vzniklých výsypkách se usadila typická pionýrská dřevina bříza bradavičnatá (Betula pendula Roth), která je charakteristická svým výskytem v oblastech narušených antropogenní činností a všude tam, kde je dostatek světla a alespoň minimum vláhy [Hejný, Slavík, 1990]. Dalším sledovaným rostlinným druhem je borovice lesní (Pinus sylvestris L.), která je jedním z nejčastěji vysazovaných jehličnatých porostů na Sokolovsku.

Obr. 1.1 Důl Jiří (pohled ze stanoviště Lomnice) 1

První písemné zmínky o těžbě hnědého uhlí již v roce 1642, rozmach těžby však začal až po výstavbě železnice v roce 1871 [Sokolovská uhelná a.s.]

Kap. 1 Úvod a cíle práce

10

V rámci projektu GAČR „Vyhodnocení environmentálních vlivů povrchové těžby postavené na analýze dat hyperspektrálního senzoru HyMap“ a projektu EO-MINERS vedených Mgr. V. Kopačkovou z České geologické služby2 byla v srpnu roku 2010 pořízena hyperspektrální data s rozlišením 5 m x 5 m. Zájmovou oblast tvořilo území Sokolovské pánve o rozloze přibližně 200 km2. Současně s leteckým snímkováním proběhl na předem vytipovaných stanovištích i odběr vzorků listoví bříz a borovic v terénu. Ve spolupráci s Katedrou experimentální biologie rostlin PřF UK v Praze byl v odebraných listech a jehlicích laboratorně určen obsah chlorofylu na základě biochemických rozborů. Dále byly odebrány vzorky celých větví a hned po sběru byla odrazivost listoví měřena pozemním spektrometrem ASD FieldSpec 3, který byl zapůjčen od České zemědělské univerzity, katedry pedologie a ochrany půd. Cílem diplomové práce je navrhnout metodiku stanovení obsahu chlorofylu v listoví břízy bradavičnaté a borovice lesní z dostupných hyperspektrálních dat. Vstupní část je věnována literární rešerši týkající se určování množství chlorofylu ve zvolených rostlinných druzích. Dále se zaměřuje na zdroje řešící obsah chlorofylu i v jiných porostech, především ve smrku ztepilém, který je v současné literatuře velmi často zmiňován. Tato problematika v České republice nebyla s výjimkou Ústavu systémové biologie a ekologie Akademie věd v Brně na jiných dřevinách než smrcích studována, proto má rešerše i v rámci projektu GAČR značný význam. Stěžejním úkolem je nalézt vztah mezi křivkami spektrální odrazivosti naměřených ASD spektrometrem, křivkami odvozenými z hyperspektrálních dat HyMap a laboratorně určeným obsahem chlorofylu v listech břízy a jehlicích borovice. Pomocí subpixelové klasifikace je též nutné vyřešit problém čistoty pixelu, a to vzhledem ke spektrálnímu rozlišení 5x5m a relativně nízkému zapojení některých porostů. Jedním z výstupů práce je chlorofylová mapa vybraných lokalit vycházející z regresního modelu. Využití tato mapa nalezne při dalších analýzách vlivu kontaminace půdy na zdravotní stav vegetace.

2

Více informací o projektech ČGS na http://www.geology.cz/

Kap. 2 Hyperspektrální dálkový průzkum Země

11

KAPITOLA 2 Hyperspektrální dálkový průzkum Země 2.1 Hyperspektrální data Hyperspektrální dálkový průzkum Země (DPZ) patří díky technologickému vývoji mezi rychle se rozvíjející disciplíny. Jeho principy jsou však známé přibližně tři desetiletí. Pomocí metod DPZ lze získávat informaci o objektech a jevech na dálku, tj. nemusíme být s nimi v přímém kontaktu. Základem získání dat je detekce elektromagnetického záření. V závislosti na typu objektu se liší i jeho odrazivost, podle níž je následně možné určit, o jaký objekt se jedná. Základními typy povrchu, které jsou pomocí dálkového průzkumu snadno rozpoznatelné, jsou vodní plochy, holá půda a vegetace [Kolář, 1997]. Avšak pomocí hyperspektrálních dat je možné získat informaci daleko podrobnější, např. informace o znečištění vody, chemickém složení půdy či obsahu pigmentů ve vegetaci. Hyperspektrální data navazují vývojem na data multispektrální. Rozdíl mezi těmito typy dat je hlavně v počtu a šířce spektrálních pásem. Multispektrální data nesou obrazový záznam ve dvou a více spektrálních kanálech (řádově však maximálně několik desítek) s rozsahem pásma v řádu desítek spíše stovek nm.

Na rozdíl od

multispektrálních dat se hyperspektrální data skládají z více spektrálních pásem a to v počtu 100 – 200 pásem s rozsahem 5-10nm, která na sebe navazují. Větší počet pásem a jejich vzájemná návaznost přináší lepší možnosti rozpoznání krajinného pokryvu. Obrázek 2.1 ukazuje příklad rozsahu spektrálních pásem multispektrálních dat (konkrétně Landsat 7, senzor ETM+) a křivku zobrazující odrazivost vegetačního pokryvu získanou za použití hyperspektrálního senzoru.

12


Obr. 2.1 Křivka odrazivosti vegetace získaná z hyperspektrálních obrazových dat (HyMap, šířka spektrálních pásem 15 nm) v porovnání s rozsahem spektrálních pásem multispektrálního senzoru (ETM+)

Před vlastním zpracováním a analýzou snímků je nutné stejně jako u multispektrálních snímků provést korekce vlivu atmosféry a vlivu terénu. Nejčastějším využitím hyperspektrálních snímků je v oblasti geologie (rozpoznávání jednotlivých minerálů a hornin), dále pro mapování vegetačních druhů a jejich stavu. [Smith, 1996] V souvislosti se spektrálními křivkami odrazivosti vznikly i tzv. spektrální knihovny, které uchovávají laboratorně naměřené spektrální křivky odrazivosti pro nejběžnější přírodní i člověkem vytvořené materiály a druhy povrchů. Mezi spektrální knihovny dostupné pro veřejnost je možné zařadit např. ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer), která je vytvořena NASA a obsahuje přibližně 2000 spekter zahrnující minerály, kameny, půdu, antropogenní materiály, vodu a sníh. Mnoho z těchto spektrálních křivek je v rozsahu 0,4 do 14 µm. USGS (The United States Geological Survey Spectroscopy) spektrální knihovna obsahuje kolem 500 křivek spektrální odrazivosti minerálů a několika rostlin v rozmezí od 0,2 až 3 µm (obr. 2.2). [Smith, 1996]


13

Obr. 2.2 Ukázka křivky odrazivosti borovice ze spektrální knihovny USGS [USGS]

2.2 Hyperspektrální senzor HyMap Hyperspektrální senzory jsou také označovány jako radiospektrometry. Jejich základem je pořizování velkého množství obrazových dat na určitém území ve velmi úzkých intervalech spektra, které na sebe navazují, v oblasti viditelného, blízkého a středního infračerveného elektromagnetického záření. Nosičem spektrometrů může být letadlo, jedná se tedy o letecké spektrometry, dále družice (družicové spektrometry), případně mohou být využity i pozemní spektrometry, které se využívají přímo při terénním výzkumu. Mezi nejznámější letecké hyperspektrální senzory patří AVIRIS, AISA-Dual a HyMap. Hyperion a CHRIS jsou příklady družicových spektrometrů. V této diplomové práci byl využit letecký hyperspektrální senzor HyMap (Obr. 2.3). HyMap je australský hyperspektrální senzor, který byl poprvé použit v roce 1996. Tento senzor byl vyvinutý firmou Integrated Spectronics a je provozovaný společností HyVista Corporation (Sydney, Austrálie). Spektrometr využívá vlnové délky od 450 nm do 2500 nm rozdělené do 126 spektrálních pásmem, přibližně 15 nm širokých. Prostorové rozlišení se obecně pohybuje od 3 do 10 m, v našem případě je spektrální rozlišení 5m. Hyperspektrální senzor (HyMap) byl nejprve vyvinut pro potřeby geologie, jeho možnosti se ale postupně rozšířily i do dalších vědních disciplín, kde je nutné podrobné mapování povrchu Země (detekce plynných složek v atmosféře, vegetace, sníh a led, kvalita vody v jezerech a jiných vodních plochách). [Kruse, 1999]


14

Série senzorů HyMap dosahují vysoké úrovně výkonnosti jak ve spektrální tak i radiometrické přesnosti kalibrace, signálu šumu, geometrické vlastnosti a provozní stabilitu. [Kruse, 1999]

Obr. 2.3 Hyperspektrální senzor HyMap [The Full Spectral Imaging Project]

2.3 Klasifikace hyperspektrálních dat Proces klasifikace obrazových dat probíhá na základě klasifikačních pravidel, podle kterých přiřazuje jednotlivé pixely do klasifikačních tříd. Každá třída je charakterizována svými specifickými vlastnostmi. Existují základní dva typy klasifikačních metod – řízená a neřízená. Řízená klasifikace je založena na trénovacích plochách, které slouží jako vzory pro jednotlivé třídy. Operátor si volí trénovací množiny sám na základě podkladových informací o výskytu požadovaných tříd. Je dobré, aby se trénovací plochy nacházely alespoň na několika místech na snímku a byly homogenní. Neřízená klasifikace nevyžaduje tvorbu trénovacích ploch, pracuje na základě slučování pixelů do skupin s obdobnými příznaky (nejčastěji spektrálními vlastnostmi). [Kolář, 1997] Software ENVI 4.8 nabízí několik klasifikačních algoritmů jak pro řízenou tak i neřízenou klasifikaci. Neřízená klasifikace je v software ENVI 4.8 reprezentování metodou „k-means“ a „ISODATA“. [Jensen, 2005] Tyto metody se zakládají na shlukové analýze, tzn. pixely jsou rozděleny pouze na základě statistiky. Uživatel může volit například počet cílových tříd. Podstatou řízené klasifikace je známí počet výsledných tříd. Jedním ze zástupců řízené klasifikace je metoda rovnoběžníků (paralellpiped) pracující na základě opsaného nejmenšího pravoúhelníku. Dalším klasifikátor je např. minimální vzdálenost (minimum distance), který používá běžnou euklidovskou vzdálenost k přiřazení pixelu do třídy. Mezi řízené klasifikační algoritmy je možné zařadit klasifikátor maximální

15


věrohodnosti

(maximum

likelihood),

který

zařazuje

pixely

podle

největší

pravděpodobnosti výskytu v dané třídě (tedy nejmenší Mahalanobisovy vzdálenosti). [ENVI, 2009] Dalšími využívanými klasifikátory je klasifikátor spektrálních úhlů3 (Spectral angle mapper) a klasifikátor neuronových sítí4. Pro hyperspektrální data je dále vhodná subpixelová klasifikace, která pracuje na předpokladu, že je na ploše jednoho pixelu obsaženo více materiálů (obr. 2.4). Opakem je „čistý pixel“ tvořený pouze jedním materiálem, tzn. že odrazivost není ovlivněna okolními materiály. [Iordache, 2011] V této práci použitá metoda „linear spectral unmixing“ obsažená v software ENVI 4.8 vypočítá pro každý pixel vážený průměr pro zástupce daných materiálů. Jako váhy slouží procentuální zastoupení jednotlivých materiálů. [ENVI, 2009]

Obr. 2.4 Prezentace čistého a mixovaného pixelu [Iordache, 2011]

3 4

Více informací v článku [Chan, Canters, 2007] Více informací v článku [Stergiou, Siganos, 1996?]

Kap. 3 Metody určení množství chlorofylu v listoví

16

KAPITOLA 3 Metody určení množství chlorofylu v listoví 3.1 Chlorofyl a jeho spektrální vlastnosti Zlepšující se znalosti o změnách látek v atmosféře, v půdě a o barvivech obsažených v rostlinách přispívají ke stále přesnějším závěrům o vegetačním pokryvu, které můžeme získat pomocí dálkového průzkumu Země. Na základě hyperspektrálních dat nám jsou poskytnuty podrobné informace o odrazivých vlastnostech povrchu pomocí přibližně 100 – 200 spektrálních pásem s rozsahem 5-10nm a velmi dobrým prostorovým rozlišením (až méně než 1 m). Vegetace má odlišnou odrazivost v různých rozmezích elektromagnetického spektra. Rozdíly v odrazivosti jsou dány jak druhem rostliny, tak i různou odrazivostí jednotlivých částí rostliny (rostlinnými orgány). [Albrechtová, 2003] U rostlin jsou sledovány především tři druhy barviv, které způsobují absorpci záření určitých vlnových délek5, a tím výrazně ovlivňují spektrální charakteristiky rostliny. Pro účely dálkového průzkumu Země je tak sledován obsah chlorofylů (dva hlavní typy-chlorofyl a, chlorofyl b), karotenoidů (beta karoten a xantofyly) a anthocyaninů. Tato barviva jsou přítomna v rostlinách v různých poměrech během jejich vegetačního cyklu. Syntéze pigmentů zabraňují některé faktory, jako je například abiotický stres, který může být vyvolán vysokou koncentrací přízemního ozónu, oxidu uhličitého, absencí vody a také obsahem těžkých kovů v půdě [Ustin, 2009]. Chlorofyl a, b: Spektrální křivku odrazivosti listu v oblasti viditelného (400-700 nm) a blízkého infračerveného záření (700-1000 nm) je možné rozdělit do několika oblastí (Obr. 3.1). V oblasti viditelného spektra chlorofyl pohlcuje především modrou a červenou složku spektra a zelenou část z velké části odráží. Proto se nám vegetace jeví jako zelená. V oblasti mezi 700-800 nm se nachází tzv. červený okraj (red edge), jelikož se nachází na hranici červeného a blízkého infračerveného záření. V této oblasti spektra odrazivost listoví výrazně narůstá. Je zde možné nalézt změny v křivkách odrazivosti, podle kterých se dají rozpoznat jemné změny ve fyziologickém stavu rostliny. Tyto změny provází např. množství chlorofylu, které může signalizovat poškození rostliny ještě dříve než je poškození viditelné pouhým okem. V blízké infračervené části spektra je odrazivost listu ovlivněna hlavně strukturou buněk obsažených listu. Oblast

5

Při fotosyntéze zelených rostlin je využito vlnových délek v rozsahu 360-760 nm, tato oblast spektra se označuje jako fotosynteticky aktivní záření. [Energetický metabolismus buňky]

17


krátkovlnné části spektra (1000-2500 nm) je charakteristickým činitelem na tvar křivky odrazivosti především obsahem vody v listu. [Albrechtová, 2003] Spektrální oblasti, které jsou nejvhodnější k zjišťování obsahu chlorofylu, odpovídají maximální absorpci chlorofylu v 680 nm a minimální absorpci v 550 nm. Podrobné diskuse o vhodných vlnových délkách a optimálním chlorofylovém indexu jsou k nalezení v publikacích od [Blackburn, 1999]. Obsah chlorofylů v rostlině se mění v průběhu vegetačního cyklu rostlin a závisí na jejich fyziologickém stavu. Velké množství chlorofylu v rostlině ukazuje na dobrý stav vegetace a je také spojováno s procesem fotosyntézy, při kterém rostliny využívají oxid uhličitý z atmosféry a přeměňují ho na organické látky.

Obr. 3.1 Faktory ovlivňující odrazivost listu [Albrechtová, 2003]

Optické vlastnosti listoví V případě zkoumání optických vlastností listoví jsou sledovány tři základní parametry: odrazivost (reflektance, ρ), pohltivost (absorpce, α) a propustnost (transmitance, τ). Mezi těmito třemi parametry platí zákon o zachování energie: 1 kde ρ představuje podíl odraženého záření ku dopadajícímu záření, α je podíl pohlceného záření ku dopadajícímu záření a τ znázorňuje podíl propuštěného záření ku záření dopadajícímu. [Kolář, 1997]


18

Na obrázku 3.2 je zobrazen průchod fotonu řezem listu. Dopadající sluneční záření může být od povrchu listu přímo odraženo (10 - 15 i více %). Dále dochází k pohlcení, které postihuje 75 - 80 % dopadajícího záření. Z této absorbované části je pouze 0,5 3,5 % využito pro fotosyntézu. Zbylé záření je v závislosti na tloušťce a struktuře listu propuštěno (5 – 10 i více %). [Krpeš, 200-?]

Obr. 3.2 Průchod fotonu listem [upraveno z Malenovský, 2008]

3.2 Modely radiačního přenosu Základem určení obsahu chlorofylu je spektrometrie, která spolu s ekologickými a fyzikálními poznatky pomáhá převést informaci z úrovně vyššího měřítka na měřítko nižší. Získaná spektrální informace na úrovni listu, popř. jehlice je tedy převedena na úroveň koruny stromu a dále na celý lesní porost. Tento jev je prováděn za pomoci modelů radiačního přenosu, které jsou postaveny na matematických rovnicích popisujících vzájemné vztahy mezi vegetací a fotony. Modely radiačního přenosu jsou využívány hlavně v inverzní podobě, kdy jsou z měřené odrazivosti odhadovány hodnoty biochemických a biofyzikálních vlastností lesních porostů (např. obsah chlorofylu). V případě využití modelů radiačního přenosu pro přímé modelování odrazivosti simulované scény jsou využívány znalosti vstupního záření, optických a strukturálních vlastností povrchu. Tyto postupy se používají při teoretických studiích stavu simulovaných objektů [Malenovský 2006]. V závislosti na druhu dřeviny a jejím rozložení v krajině se matematické postupy v modelech radiačního přenosu mění. Je nutné zmínit, že modely radiačního přenosu je možné rozdělit na tzv. jednodimenzionální (1D) a třídimenzionální (3D).


19

Jednodimenzionální předpokládají horizontálně homogenní a neohraničenou, ale vertikálně heterogenní a ohraničenou vrstvu atmosféry a vegetačního pokryvu. Tento přístup není aplikovatelný v případě existence horizontální heterogenity, např. výskyt nesouvislých lesních porostů, což je velice častý jev. Proto byly vyvinuty třídimenzionální modely, které už tento jev postihují. Oba přístupy přitom pracují s odrazivostí na úrovni korun stromů. Nejprve je ovšem nutné odstranit vliv atmosféry, který je řešen opět modely radiačního přenosu, ale přizpůsobenými na stav atmosféry (zabývají se vlastnostmi částic aerosolů a plynů, které způsobují pohlcení a rozptyl záření v atmosféře). [Malenovský 2007]. Použití modelů radiačního přenosu Nejčastěji využívaným modelem radiačního přenosu je PROSPECT (leaf optical PROperties SPECTra). Tento model je založený na tzv. plošném modelu (plane model), který byl sestaven pro stanovení spektrálních charakteristik listů jednotlivých druhů rostlin v rozmezí vlnových délek 400 nm až 2500 nm z hyperspektrálních dat. [Allen, 1969]. PROSPECT pracuje s rostlinnými listy jako s celistvou homogenní vrstvou, ale v první fázi nebyla brána v úvahu vnitřní strukturu listu. Model tedy z počátku obsahoval pouze tři parametry: efektivní index lomu n, úhel dopadu záření ω a koeficient propustnosti θ. Později byl do modelu zaimplementován i strukturní parametr N, který by měl popisovat vnitřní strukturu listu. Uvažuje, že list se skládá z n homogenních vrstev, mezi kterými se nachází vzdušný (prázdný) prostor. Tento parametr závisí na struktuře listového mezofylu a je jedinečný pro jednotlivé druhy rostlin. Parametr N je rozdílný pro jednotlivé listy a je stanoven laboratorně. [Jacquemoud, Baret, 1990]. Je nutné zmínit, že podle [Moorthy 2003] byl model PROSPECT navržen výhradně pro listnaté stromy. Tento model předpokládá absorpci a rozptyl záření rozloženého rovnoměrně po celém listu. Ale skutečný povrch je charakterizován obsahem biochemických látek v buňkách, které jsou odděleny mezibuněčnými prostory, což způsobuje nespojité indexy lomu. Na problematiku jehličnatých stromů, především tedy borovic, se zaměřuje model radiačního přenosu s názvem LIBERTY (Leaf Incorporating Biochemistry Exhibiting Reflectance and Transmittance Yields), který je popsán v publikaci [Dawson et al., 1998]. Listy jehličnanů mají specifickou strukturu. Mezofyl mnohdy vůbec nebývá rozlišen na palisádový a houbovitý parenchym jako v bifaciálních6 listech a při řezu jehlicí tento model předpokládá přibližně kulovité buňky, které jsou odděleny mezibuněčnými prostory. Vzhledem ke složitému prostorovému rozložení porostu borovice je vhodnější využít shluky jehlic než samostatně umístěné jehlice. Nicméně díky jejich tvaru a velikosti je náročné změřit spektrální vlastnosti jehlic i v laboratoři. 6

Bifaciální list je běžný placatý list s odlišnou svrchní a spodní stranou (např. list lípy, břízy atd. ) [Botanický slovník]

20


Model radiačního přenosu LIBERTY obsahuje 9 vstupních biochemických a biofyzikálních parametrů (Tab. 3.1), což tento model činí velmi náročným na celkový sběr dat. Nejdůležitějšími a také vysoce citlivými parametry jsou průměrná velikost buňky (average cell diameter) a mezibuněčný vzdušný prostor (intercellular air space), což jsou parametry, které ovlivňují spektrální charakteristiky ve viditelném a blízkém infračervené pásmu. [Moorthy, 2003]

LIBERTY Parametr průměr buňky (D) mezibuněčný vzdušný prostor (xu) základní absorpce albino absorpce mocnost jehlice koncentrace chlorofylu koncentrace vody koncentrace ligninu/celulózy koncentrace dusíku

Charakteristické parametry jednotky µm / / / / mg/m2 g/m2 g/m2 g/m2

Rozsah 30 -100 0,01 – 0,10 0,004 – 0,010 1 – 10 1 – 10 0 – 600 0 – 500 10 – 80 0,3 – 2,0

Tab. 3.1 Vstupní parametry do modelu LIBERTY [Moorthy, 2003]

PROSPECT+DART Jedním z nejznámějších využití modelů radiačního přenosu pro určení množství chlorofylu u nás je práce od [Malenovský, 2006]. Jeho výzkum se zaměřuje na detekci chlorofylu u smrku ztepilého a navrhuje nové kvantitativní postupy optického hyperspektrálního dálkového průzkumu Země. Ve své práci nejprve využívá model radiačního přenosu PROSPECT, který modifikuje na možnost použití na jehličnaté stromy, především tedy na smrk ztepilý. Verze tohoto modelu je označována jako PROSPECT 3.01 S. Autor se snaží využít tento model hlavně z důvodu jeho nízké náročnosti na vstupní parametry a jeho snadné inverzní podoby. Pro modelování pomocí PROSPECT je možné použít přímou nebo inverzní podobu (Obr. 3.3). V případě přímého modelování jsou vstupními parametry koncentrace chlorofylu a, b (Cab), obsah vody (Cw), obsah sušiny (Cm) a strukturní parametr N a jsou simulovány výsledné hodnoty odrazivosti a propustnosti. Při inverzním modelování naopak slouží odrazivost jako vstup a výstupem jsou pak hodnoty Cab, Cw, Cm a N. Získané hodnoty pomocí inverzního postupu jsou však na úrovni listu a data z hyperspekrálního měření jsou na úrovni korun stromů. Z tohoto důvodu je nutné výsledky z modelu PROSPECT doplnit ještě třídimenzionálním modelem radiačního přenosu na úrovni korun stromů. V práci [Malenovský, 2006] bylo tedy využito modelu DART, který byl publikován v [Gastellu-Etchegorry et al., 1994].


21

Obr. 3.3 a) přímé použití modelu PROSPECT, b) inverzní použití modelu PROSPECT [Mišurec, 2010]

Třídimenzionální model DART (Discrete Anisotropic Radiative Transfer) umožňuje zpracovávat všechny vlnové délky ve viditelné a termální části spektra (300 – 15 000 nm). Z tohoto důvodu využívá dvě odlišná nastavení. Pro kratší vlnové délky používá mód R, který simuluje odrazivost zemského povrchu. Nastavení T se zaměřuje na delší vlnové délky, tedy na oblast termálního infračerveného záření, představující tepelnou emisivitu povrchu Země. Model DART pracuje jak s přírodním tak i městským prostředím (lesy s různými druhy porostu, budovy, řeky a další). Simuluje všechny prvky krajiny jako 3D matice pravoúhlých buněk různých velikostí. V závislosti na nestejnorodém povrchu obsahují buňky různé druhy, které jsou popsány atributy definující chování buňky vůči příchozímu záření. Na tomto faktu je možné buňky rozdělit do dvou skupin. Neprůsvitné buňky představující prvky krajiny, kterými záření neprojde (např. budovy) a buňky průsvitné či rozptylující záření (např. vegetace, atmosféra). Dále se buňky mohou dělit dle typu zemského povrchu na buňky nesoucí informaci o vzduchu, půdě, vegetaci, stavbách a vodních plochách [Cesbio, 2009]. Při práci s modelováním vegetace pomocí modelů DART jsou nejprve vytvořeny makety lesního porostu, které jsou nastaveny podle hodnot odrazivosti a propustnosti získaných při pozemním sběru dat. Následně je pomocí vypočtených simulovaných hodnot provedena inverze vzhledem k reálným hyperspektrálním snímkům, což je provedeno na základě regresního modelu či metody umělých neuronových sítí.

3.3 Spektrální transformační metody Spektrální transformační metody se využívají pro odstranění šumu a dalších vnějších faktorů, které ovlivňují nesenou spektrální informaci. Tyto metody pracují na širším spektrálním pásmu než základní postupy, které využívají poměr či rozdíl pouze pro jednu nebo dvě vlnové délky. Mezi spektrální transformační metody patří např. continuum removal a první derivace. [Demetriades-Shah et. al., 1990]


22

Normalizace continuum removal a band-depth (hloubka spektra) Hlavním účelem metody Continuum removal (CR) je nalézt kvalitativní rozdíly v odrazivosti, tzn. porovnání spektrálních křivek na základě tvaru křivky a ne samostatné hodnoty odrazivosti jak je to v případě následujících metod. Minimalizuje tak efekty způsobené vnějšími faktory, jako je vliv atmosféry, vody a půdy. Výsledek transformace CR pro zvolenou vlnovou délku určuje poměr: Rcr=R/C, kde Rcr je hodnota odrazivosti po transformaci CR, R je původní hodnota odrazivosti a C hodnota kontinua, tj. hodnota na úsečce spojující vybrané body (obvykle lokální maxima) na spektrální křivce odrazivosti (obr. 3.4). [Kokaly a Clark, 1999]

Obr. 3.4 Ukázka metody Continuum removal [Kokaly a Clark, 1999]

CR využívá vegetační chlorofylový index ANMB650-725 navržený Malenovským. ANMB650-725 (Area under curve normalized to Maximal Band depth between 650725nm) byl navržen pro výpočet plochy pod křivkou odrazivosti, která je normalizována maximální hloubkou spektrálního pásma mezi 650-725nm. Jelikož byl tento index navržen pro smrkové jehlice, snaží se postihnout změny obsahu chlorofylu i na základě tvaru jehlice. [Malenovský, 2006] První derivace spektra První derivace se přibližuje prvním diferencím, tj. spočítáním rozdílu odrazivostí mezi přilehlými vlnovými délkami spektra. V porovnání se spektry odrazivosti jsou derivovaná spektra v principu méně citlivá na rozdíly způsobené půdou, povrchovým albedem a intenzitou osvětlení, které bylo způsobeno změnou úhlu Slunce, zastíněním nebo reliéfem. [Demetriades-Shah et al., 1990, Cho et al., 2008 in Schlerf, 2010; Tsai and Philpot, 1998].

3.4 Vegetační chlorofylové indexy Jedním z nástrojů pro zjišťování přítomnosti vegetačního pokryvu, případně i monitoringu fyziologického stavu vegetace jsou tzv. vegetační indexy. Vegetační indexy vyjadřují vztah mezi odrazivostí v různých částech spektra. Ve většině případů


23

se pracuje s vlnovými délkami v blízkosti absorpčních maxim sledovaných látek. Základním cílem vegetačních indexů je najít funkční vztah mezi naměřenou odrazivostí a obsahem chlorofylu. Vegetačních chlorofylových indexů existuje v literatuře mnoho. Níže jsou uvedeny indexy, které byly v práci využity. Za pomoci literatury bylo vybráno několik indexů vhodných pro listnaté a jehličnaté porosty. Ačkoliv chlorofyl a a b jsou u všech vyšších rostlin chemicky shodné látky, odrazivost se mění i se strukturou listu, případně obsahem dalších látek. Proto jsou spektrální charakteristiky a indexy druhově specifické a tedy vždy při použití indexu pro jiný druh, než na který byl vyvinut, se musí tento testovat a validovat. Konkrétně pro borovici a břízy nebyl v dostupné literatuře nalezen žádný specifický index. Popis použitých vegetačních indexů: SR (Simple ratio – jednoduchý poměr) je jeden z několika typů vegetačních indexů využívaných k detekci chlorofylu. SR index je zpravidla sestaven z poměru odrazivosti pro referenční vlnovou délku (Rref, typické rozmezí vlnových délek je 700 nm až 900 nm) a indexovou vlnovou délku (Rindex, typický pro vlnové délky 660 nm až 720 nm). Zatímco odrazivost pro indexovou vlnovou délku je silně citlivá na obsah sledované látky (chlorofyl), hodnota odrazivosti pro referenční vlnovou délku už obsahem chlorofylu není ovlivněna. Možná je i inverzní podoba tohoto vztahu.

Podle [Sims, 2002] byla zvolena za Rref vlnová délka 800 nm a za Rindex 680 nm. Tyto hodnoty jsou využity, protože se nachází uprostřed širokého pásma využívaného pro NDVI (Normalized Difference Vegetation Index) vytvořeného pro multispektrální družicová data.

NDVI pracuje se stejnými vlnovými délkami jako SR, ale využívá rozdíl odrazivostí Rindex a Rref. Následně je hodnota normalizována vydělením sumou odrazivostí na zvolených vlnových délkách. Obecný tvar je vyjádřen pomocí rovnice:

NDVI705 je index s hodnotami pro Rref 750 nm a pro Rindex byla zvolena vlnová délka 705 nm, které jsou základními vlnovými délkami pro chlorofylové indexy navrženými [Gitelson a Merzlyak, 1994].

24


V práci [Sims, 2002] byla vytvořena modifikace indexu NDVI. Pro odstranění vlivu odrazivosti povrchu byla zvolena konstanta R445.

2 MCARI (Modified Chorophyll Absorption in Reflectance Index) Tento vegetační index byl navržen [Daughtry et al., 2000] jako varianta vegetačního indexu CARI (Chlorophyll Absorption in Reflectance Index) vyvinutým [Kim et al. 1994]. CARI byl vytvořen s cílem snížit ovlivnění absorpčního pásma chlorofylu v důsledku přítomnosti

různorodého

nefotosyntetického

materiálu.

Využívá

pásma,

která

odpovídají minimu absorpce fotosyntetických pigmentů (soustředěné do 550 a 700 nm) ve spojení s maximálním absorpčním pásem pro chlorofyl-a (kolem 670 nm). Výběr 700 nm byl zvolen díky poloze na hranici mezi oblastmi, kde je odrazivost vegetace soustředěna na absorpci pigmentů, a na hranici červené části, kde má na odrazivost větší vliv strukturální charakteristika vegetace. [Kim et al., 1994] MCARI je charakterizován mírou hloubky absorpce chlorofylu při 670 nm v poměru k odrazivosti na 550 a 700 nm, jak je patrné na této rovnici [Daughtry et al., 2000]: 0,2 Poměr

/

.

byl zaveden pro minimalizaci kombinace účinku pozadí, tedy

odrazivosti půdy a nefotosyntetických materiálů. Nicméně MCARI je stále citlivý na odrazivost okolního materiálu, takže je obtížné interpretovat tento index při nízké hodnotě indexu listové plochy (LAI), resp. při nízké koncentraci chlorofylu. [Daughtry et al., 2000, Haboudane, 2002]. Tento index je využíván v dálkovém průzkumu hlavně pro účely precizního zemědělství [Vincini a Frazzi, 2011]. I přesto, že indexy založené na derivacích silně korelují s koncentrací chlorofylu [Blackburn, 1999], MCARI nevyžaduje mnoho souvislých úzkých spektrálních pásem. TCARI/OSAVI TCARI (Transformed Chlorophyll Absorption in Reflectance Index)/OSAVI (Optimized Soil-Adjusted Vegetation Index) jsou dva indexy, které jsou velmi citlivé na zjištění koncentrace chlorofylu a jsou zároveň dobře odolné vůči vlivu pozadí, tedy nízkému LAI a zenitovému úhlu osvícení. U vegetačního indexu TCARI, který je rozvinut z vegetačního indexu MCARI, je využíván pro kompenzaci vlivu pozadí (půdy a dalších nefotosyntetických složek

25


povrchu) poměr

/

. Ovšem i přes znatelné

pouze na rozdíl

zlepšení, v případě efektu zapříčiněném nezelenou biomasou, je tento index neustále citlivý na základní vlastnosti odrazivosti půdy a to především v případě nízkého LAI. Za účelem vyřešení tohoto problému byl index TCARI dán do poměru s indexem OSAVI, což je vegetační index upravený pro půdu. 3·

0,2 ·

·

1,16 · 0,16 U tohoto poměru indexů bylo prokázáno, že už není tak citlivý na odrazivost pozadí. Je tedy možné TCARI/OSAVI využít i za velmi nízkých hodnot LAI. [Haboudane, 2002] ANMB650-725 (Area under curve normalized to Maximal Band depth between 650 725nm) byl navržen pro výpočet plochy pod křivkou odrazivosti, která je normalizována maximální hloubkou spektrálního pásma mezi 650 - 725nm. Interval vlnových délek je stanoven na základě vysoké absorpce slunečního záření chlorofyly. Tento index se snaží postihnout obsah chlorofylu i na základě tvaru listu. 0,5 · ∑

·

Kde λj....vlnová délka, Rj....odrazivost po transformaci continuum removal na vlnové délce λj, MBD....maximální hloubka křivky po transformaci continuum removal, j… počet pásem v intervalu 650 – 725 nm. [Malenovský, 2006] DD (Double difference) index je nový typ indexu publikovaný v [Maire, 2004]. Tento index je tvořen rozdílem integrálů derivované odrazivosti R’:

∆

∆

,

kde a a b jsou dvě různé vlnové délky a ∆ je integrační okno. Předběžné studie naznačují, že a a b jsou blízké vlnovým délkám 670 nm a 720 nm a ∆ je přibližně 30 nm. Tento index je zvolen z důvodu, že se zaměřuje na oblast red-edge, kde se odrazivost chlorofyl výrazně mění (obr. 3.5). Jednoduchou integrací se dostane efektivnější tvar indexu DD: ∆

∆

Tento index má výhodu v tom, že je snadno spočitatelný a zachová si vlastnosti indexu pro hyperspektrální data. Konstantní a lineární části v odrazivosti jsou odstraněny, jelikož je použit dvojitý rozdíl se stejnou hodnotou ∆. Tato vlastnost by


26

proto měla být výhodou při použití pro úroveň korun, při které spektrální chování půdy vykazuje linearitu v oblasti viditelného spektra a kde konstantní hodnoty mohou být způsobeny zkreslením v senzoru nebo vlivem atmosféry. [Maire, 2004] Ze studie [Maire, 2004] dále vyplývá, že nejvhodnější vlnové délky pro index DD jsou a = 672 nm, b = 720 nm a ∆ = 29 nm. Výsledná rovnice pro index DD je:

Obr. 3.5 Dvě pokusné křivky odrazivosti ukazující princip indexu DD (horní obrázek představuje nízký obsah chlorofylu, spodní obrázek vysoký obsah chlorofyl) [Maire, 2004]

3.5 Určení obsahu chlorofylu v listoví borovice a břízy Jak již bylo popsáno výše, množství chlorofylu v listoví porostů je možné určit za pomoci modelů radiačního přenosu, které jsou ale výpočetně složité a náročné na vstupní data. Na druhou stranu mohou vytvořit přesné popisy interakce fotonu s povrchem vegetace o známých optických vlastnostech a mohou být potencionálně využity v inverzní podobě pro určení obsahu biochemických složek ve vegetaci. Další způsob určení množství chlorofylu v listoví vegetace je na základě statistické závislosti mezi odrazivostí a koncentrací chlorofylu zjištěnou laboratorně. Tato metoda má

27


nevýhodu v tom, že jí není možné použití na více druhů vegetace současně, jelikož je korelace mezi odrazivostí a obsahem chlorofylu rozdílná v závislosti na druhu porostu. [Haboudane, 2004] Dále je nutné zmínit, že vytvořený model není vhodné použít na jiné území, protože zde ve většině případů nebudou panovat takové podmínky, jaké byly při pořízení původního modelu. Pokud je vytvořený model použit na jiné území, je nutné provést validaci výsledku. Statistické zpracování ovšem umožňuje daleko jednodušší výpočet a není náročné na pořízení všech vstupních dat. V literatuře je poměrně hojně zpracována problematika určení obsahu chlorofylu v jehlicích smrku ztepilého [Malenovský, 2006; Schlerf, 2010], ovšem co se týče porostů borovice a především břízy je počet zdrojů omezený [Santos et al., 2010]. Studie, které se zabývají porostem borovice, využívají především modely radiačního přenosu. [Moorthy, 2008] řeší problematiku borovic, které jsou dominantní dřevinou v boreálních lesích Severní Ameriky. Nejprve jsou spojeny vlastnosti porostu na úrovni jehlic s obsahem chlorofylu pomocí modelů radiačního přenosu, PROSPECT a LIBERTY. Následně byl použit chlorofylový index (R750/R710) a model SAILH vytvořený pro modelování na úrovni korun. Nejlepší výsledek při určení celkového obsahu pigmentů byl

zjištěn

při

použití

kombinace

těchto

dvou

modelů

radiačního

přenosu

PROSPECT+SAILH. Podobnou problematikou se zabývají i práce [Zhang, 2008; Zarco-Tejada, 2004a], kde je opět řešení pomocí modelů radiačního přenosu. Zmínky o využití dálkového průzkumu pro porosty břízy jsou publikovány pouze ve studii [Rautiainen, 2009], kde jsou využity hemiboreální břízy rostoucí v Estonsku. Náplní práce je probádání stavu březových lesů v rámci vlivu klimatu a změn počasí v jednotlivých ročních obdobích za pomoci spektrálních křivek odrazivosti dosažených ze satelitních multispektrálních snímků (Landsat, SPOT). Další zajímavou studií je [Sims, 2002], který se zabývá navržením chlorofylového indexu pro listnatou vegetaci. Ve své práci využívá měření přibližně 400 vzorků listnatých dřevin, kterou rozdělil do 6 skupin v závislosti na typu vegetace (byliny, listnaté stromy, trávy apod.).

28

Kap. 4 Data a metodika zpracování

KAPITOLA 4 Data a metodika zpracování 4.1 Postup práce Na přelomu srpna a září 2010 byl proveden sběr všech vstupních dat na území Sokolovské pánve. Ve dnech 2.9.2010 až 5.9.2010 byly odebrány vzorky ze 45 zástupců břízy bradavičnaté a 45 stromů borovice lesní. Na čerstvých vzorcích bylo hned

po

sběru

v provizorní

laboratoři

v Sokolově

provedeno

měření

ASD

spektrometrem. Letecká kampaň, při které byly pořízeny hyperspektrální snímky senzorem HyMap, proběhla 21.8.2010. Posledním typem dat potřebným pro práci byla data biochemické koncentrace chlorofylu měřená v laboratoři na podzim 2010. Prvním krokem při samotném zpracování všech dostupných dat byl výpočet vhodných

vegetačních

chlorofylových

indexů

z odrazivosti

změřené ASD

spektrometrem. Výsledné indexy byly poté vloženy do regresních modelů spolu s laboratorně zjištěným obsahem chlorofylu. Další postup práce byl směrován na hyperspektrální snímek, který byl k dispozici již se všemi korekcemi (radiometrické, geometrické). Korekce hyperspektrálních snímků byly provedeny společností DLR, která snímky pořizovala, a byly k dispozici i korekce provedené na univerzitě Tel Aviv. Na snímkách bylo nutné vyhledat „čisté“ pixely, kde se sledovaný druh vegetace nachází, a byly vytvořeny i polygony pro skupinky stromů. Pro další postup byla provedena klasifikace zvoleného porostu. Na vytvořenou masku porostu byl aplikován vegetační chlorofylový index a pomocí regresní analýzy byla vytvořena chlorofylová mapa. Výstupy práce představují chlorofylové mapy pro vybraná stanoviště, příslušné grafy a tabulky výpočtů. Celý postup práce je znázorněn na obr. 4.1.

29


Obr. 4.1 Schéma postupu práce

30


4.2 Popis zkoumané lokality Zájmové území o rozloze přibližně 200 km2 (šířka 8-9 km, délka 36 km) je situováno do oblasti Sokolovské pánve. Stáří této oblasti se datuje do doby oligocénu až miocénu. Pánev je tvořena z 60 % sopečnými vyvřelinami, které se zde nahromadily z vytvořených zlomů a sopečných kuželů. Zbylých 40 % území je složeno převážně ze sedimentů. Sokolovská pánev je ohraničená zlomovým systémem táhnoucím se od jihozápadu na severovýchod a je prostoupena propadlinou vedoucí od severozápadu k jihovýchodu. Na severu je pánev omezena Lipnickým zlomem. Lignit se vyskytuje pouze v západní části pánve, kde se nacházejí tři uhelné sloje – Josef, Anežka a Antonín. Uhlí sokolovské pánve je převážně středního stupně prouhlení, které je vhodné pro výrobu briket a chemické zpracování. [Rojík, 2003; Rojík, 2004; Průmysl u nás, 2005] V této oblasti byla skupinou biologů a geologů z týmů již zmíněného projektu GAČR zvolena stanoviště vybraných druhů dřevin vhodných pro odběr potřebných vzorků (obr. 4.2). Pro porost břízy a borovice je typický výskyt na výsypkách tvořených skrývkovým materiálem lomů. V této oblasti byla proto zvolena 2 stanoviště: Lítov a Lomnice. Jako kontrolní byla zvolena stanoviště Erika a Svatava, která by neměla být v takové míře zasažena znečištěním. Na stanovištích bylo vybráno vždy několik vzorových stromů (10 či 15). Pro oba typy porostů bylo zvoleno po 45 stromech (Tab. 4.1). Stanoviště

Bříza

Borovice

Erika

10

10

Lítov

10

15

Lomnice

15

10

Svatava

10

10

Celkem

45

45

Tab. 4.1 Počty zvolených stromů na jednotlivých stanovištích


31

Obr. 4.2 Situační mapa sledované oblasti

Popis jednotlivých stanovišť ERIKA V blízkosti stanoviště Erika se nachází pískovna, proto je zde zastoupen převážně písčitý podklad. V části, kde se nachází borovice, není téměř žádný podrost a stromy jsou zde málo zapojeny. Při velikosti pixelu 5 m x 5 m je na tomto stanovišti velká pravděpodobnost, že se zde nebude vyskytovat žádný čistý pixel. V případě bříz je zápoj hustší a podklad je mírně podrostlý trávou. (obr. 4.3)

Obr. 4.3 Stanoviště Erika (vlevo na fotografii, vpravo na hyperspektrálním snímku)

32


LÍTOV Nachází se v blízkosti Lítovské výsypky, která vznikla jako vnější výsypka hnědouhelného dolu Medard a Libík. Borovice se nachází ve třech skupinách o několika desítkách m2, pouze v případě jedné skupiny je přítomen mírný travnatý podrost. Porost břízy se nachází na holém povrchu, kde je patrný výskyt jílovce s charakteristickým lístkovým rozpadem. Břízy se nacházejí daleko od sebe, jejich zapojení je velmi malé a proto získaná informace o chlorofylu z hyperspektrálního snímku bude ovlivněna odrazivostí půdy. (obr. 4.4)

Obr. 4.4 Stanoviště Lítov (vlevo na fotografii, vpravo na hyperspektrálním snímku)

LOMNICE Stanoviště Lomnice je situováno nedaleko povrchového dolu Jiří. Borovice se nacházejí ve větší vzdálenosti od lomu než břízy. Porost je zde hustý a tvořen jen borovicemi,

proto

je

možné

na

tomto

stanovišti

nalézt

„nejčistější“

pixely

v hyperspektrálních datech. Zastoupení břízy se vyznačuje nízkým zápojem porostu. Stromy jsou dál od sebe, což má vliv na odrazivost v rámci jednotlivých pixelů, jelikož proniká vlhká holá půdou, místy se vyskytuje i řídká travina. (obr. 4.5)

Obr. 4.5 Stanoviště Lomnice (vlevo na fotografii, vpravo na hyperspektrálním snímku)

33


SVATAVA Toto stanoviště je umístěno do smíšeného lesa v blízkosti obce Svatava. Na stanovišti jsou stromy řídké a proniká lesní podrost. Porost borovic i bříz se mezi sebou navzájem mísí, proto bude získaná hodnota odrazivosti pro požadovaný druh ovlivněna jak jiným typem stromů, tak i travním porostem. (obr. 4.6)

Obr. 4.6 Stanoviště Svatava (vlevo na fotografii, vpravo na hyperspektrálním snímku)

Měření souřadnic stromů Souřadnice vybraných stromů bříz a borovic byly zaměřovány pomocí GNSS (Globální navigační družicový systém), konkrétně přístrojem Trimble JunoTM SC. Tento přijímač využívá metodu diferenčního GNSS, který využívá korekce dostupné ze sítě permanentních stanic Trimble VRS Now.

Tuto síť tvoří v České republice 24

referenčních stanic. [Trimble VRS Now] Po zavedení korekcí byla průměrná směrodatná odchylka na bodě 2,7 m (před korekcemi 3,5 m).

4.3 Pořízení vstupních dat Pro zpracování diplomové práce byly využity tři typy dat. Hyperspektrální snímek byl pořízen společností DLR. Po provedení korekcí v DLR a TAU byly na ČGS vytvořeny z jednotlivých snímků dvě mozaiky (s korekcemi DLR a TAU), které byly pro práci k dispozici. Ostatního sběru dat se autorka diplomové práce osobně účastnila. Pod vedením Dr. Lhotákové byl proveden sběr vzorku listoví a jehličí v terénu a následné určení obsahu chlorofylu v laboratoři. Další měření vedené Dr. Brodským probíhalo na ASD spektrometru.


34

4.3.1 Práce v terénu Sběr potřebných vzorků pro biochemický rozbor a spektrometrické měření proběhl na přelomu srpna a září 2010. Na stanovištích bylo vybráno vždy několik vzorových stromů a byly odebrány vrchní (osluněné) větve a spodní (neosluněné) větve. Z větví borovic byly odebrány 1. ročníky přírůstků, byly vloženy do vlhčeného sáčku a dány do přenosných chladicích boxů (4°C). Následně byly odebrány i 2. ročníky přírůstků, které byly vkládány do papírových sáčků a usušeny. Pro biochemické účely byly dále odebrány vzorky do malých plastových zkumavek a též dány do chladicích boxů. Jehlice byly rozstříhány na malé kousky (cca 3 mm) a rozděleny do 5 typů zkumavek, které následně sloužily pro zjištění koncentrace chlorofylu, fenolických látek, sušiny apod. U břízy byl postup podobný jen s tím rozdílem, že nebyly odebírány přírůstky, ale část větví s listy. Do zkumavek se listy opět nastříhaly na malé kousky (cca 3x3 mm2) a dbalo se na to, aby do zkumavky nebyla vložená prostřední část listu s řapíkem. Po krátkém převozu odebraných vzorků byly zkumavky s materiálem uloženy do mrazicího boxu (-20°C). Odebrané 1. ročníky borovice a listy břízy byly hned po transportu měřeny na ASD spektrometru (ASD FieldSpec 3).

4.3.2 Měření ASD spektrometrem Za pomoci Dr. Brodského z České zemědělské univerzity, od kterého byl zapůjčen spektrometr ASD FieldSpec 3, byla v Sokolově vytvořena provizorní laboratoř, kde bylo možné čerstvě nasbírané vzorky měřit. Spektrometr ASD FieldSpec 3 měří v pásmu od 350 do 2500 nm, postihuje tedy viditelné až krátké infračervené záření. Skládá se ze tří senzorů. První senzor měří v rozsahu vlnových délek od 350 nm do 1050 nm a zaznamenává odražené záření po každých 1,4 nm. Další dva senzory (SWIR 1 A 2) pracují v intervalu vlnových délek od 1000 nm do 2500 nm a zaznamenává odražené záření vždy po 2 nm. Před samotným měřením bylo nejprve nutné přístroj zkalibrovat pomocí bílého referenčního etalonu. Odebrané větve byly vyjmuty z vlhčených sáčků a ponechány několik minut oschnout, aby byly odstraněny vodní kapky na povrchu. V případě borových větví byly odebrané vzorky poskládány do stejného směru růstu jehlic a přitisknuty k sobě, aby se snížil průnik záření skrz větvičky na minimum. Na takto přichystaném vzorku bylo provedeno vždy 5 měření v různém místě a úhlu pozorování. Podobným způsobem probíhalo měření i u listů břízy [Eitel et al., 2006]. Zde však bylo nutné listy z větví otrhat a poskládat je na sebe tak, aby se zamezilo pronikání záření na podložku. Na jedno měření bylo použito vždy kolem 5 listů a měření proběhlo opět 5krát po celé ploše připraveného vzorku, jak tomu bylo i v případě borovice (obr. 4.7).


35

Obr. 4.7 Schéma měření ASD spektrometrem (vlevo bříza, vpravo borovice)

4.3.3 Laboratorní měření K zjištění koncentrace chlorofylu a a b a celkového množství karotenoidů bylo využito spektrofotometru. Nejprve bylo nutné nechat vzorky vyextrahovat v dimethylamidu kyseliny mravenčí (DMF) [Porra et al., 1989; Wellburn, 1994]. Vzorky je třeba nastříhat na malé kousky cca 3x3mm, poté odpadá potřeba homogenizace. Vzorky, které byly od sběru v terénu uchovány v mrazicím boxu, byly vloženy do skleněných lahviček a zality 10 ml DMF a uzavřeny parafilmem. Takto připravené vzorky byly překryty alobalem a vloženy do chladničky (4°C) na 7-8 dní (ve čtvrtek zality, další čtvrtek měřeny). Při kontrole úplné extrakce vzorků, která byla provedena vizuálním posouzením bělosti použitého rostlinného materiálu, bylo zjištěno vysoké množství fotosyntetických pigmentů u vzorků břízy. Bylo nutné extrakt slít, doplnit dalších 10 ml DMF a nechat opět 7 dní extrahovat. Poté byly oba extrakty slity dohromady a pečlivě promíchány. Před samotným měřením extraktu pomocí spektrofotometru bylo nutné výsledné extrakty naředit v poměru 1:4 s čistým DMF. Měření vzorků probíhá ve skleněných kyvetách (objem cca 3ml). Při práci se spektrofotometrem bylo nejprve nutné provést kalibraci za pomoci čistého DMF. Měřeno bylo v rozmezí 400-800 nm. Z výsledné absorpční křivky byly odečteny hodnoty absorbance ve vlnových délkách 480, 647, 664 a 750 nm. Naměřené absorbance by neměly přesahovat hodnotu 1. Správnost naměřených hodnot je možné dále ověřit absorbancí v 750 nm, která nesmí být větší než 0,06. Výpočet koncentrace fotosyntetických pigmentů byl proveden na základě rovnic [Lichtenthalera, 1987] a výpočtu podílu suché a čerstvé hmotnosti. Tyto rovnice jsou univerzální pro určení chlorofylu z jakéhokoliv materiálu. Suchá hmotnost byla stanovena za pomoci paralelních vzorků odebraných v terénu.

36


1000 ·

11,65 ·

2,69 ·

/

20,81 ·

4,53 ·

/

0,89 ·

52,02 ·

/245

) /

Cha = chlorofyl a; Chb = chlorofyl b; c(x+c) = celková koncetrace karotenoidů a xantofylů Absorbance dosazované do rovnic jsou již zkorigovány o absorbanci v 750 nm, tj. od každé absorbance se nejdřív odečte hodnota absorbance v 750 nm a pak je dosazena do rovnice.

4.3.4 Letecká hyperspektrální obrazová data Dne 21. srpna 2010 bylo provedeno snímání hyperspektrálním senzorem HyMap německou společností DLR. Mozaika snímků zachycuje území o velikosti přibližně 200 km2 s prostorovým rozlišením 5 m x 5 m. Senzor HyMap zaznamenává 128 spektrálních pásem. Nicméně, dostupná data obsahují 125 pásem, jelikož první a druhé pásmo z prvního spektrometru a překrývající se pásmo mezi spektrometrem 1 a 2 jsou v průběhu předzpracování smazány. Spektrální pásma mají šířku přibližně 15 nm. Pro zpracování diplomové práce byl k dispozici snímek s radiometrickými korekcemi dle modelu ATCOR47 které byly provedeny společností DLR, a tzv. „supervised vicarious calibration (SVC)“ [Brook and Ben-Dor, 2011] provedenou Univerzitou Tel Aviv. Oba snímky byly k dispozici v souřadnicové systému UTM. K dispozici byly snímky z obou zpracování. Dílčím cílem bylo zjistit rozdíly ve spektrálních křivkách odrazivosti a porovnáním s laboratorními spektry posoudit vhodnost obou korekcí. Polohová přesnost snímku Pro oba snímky byl proveden výpočet polohové přesnosti pomocí směrodatné odchylky σ. ∑

kde d je rozdíl hodnoty změřených na snímcích ortofota a n je počet bodů. Jako referenční snímky byla použita ortofota z ČÚZK s rozlišením 0,5 m a bylo vybráno vždy 15 odpovídajících bodů na hyperspektrálním snímku a na ortofotu. U snímku s korekcemi z TAU vyšla směrodatná odchylka v souřadnici X = 2,5 m (0,5 pixelu), pro Y = 4,48 m (0,9 pixelu). Pro snímek z DLR byla polohová přesnost 7

Více informací na http://www.rese.ch/atcor/atcor4/


37

převzata z diplomové práce [Buřičová, 2011] s určením směrodatné odchylky pro souřadnici X = 3,50 m (0,7 pixelu) a Y = 4,75 m (0,9 pixelu). [Kraus, 2007] uvádí, že polohová směrodatná odchylka ortofota by neměla přesáhnout 3 pixely. Vzhledem k tomuto kritériu je dosažená přesnost akceptovatelná. Na obrázku č. 4.8 je zobrazeno rozmístění bodů použitých k určení polohové přesnosti na snímku s korekcemi z TAU (pro snímek z DLR je schéma v příloze D).

Obr. 4.8 Rozmístění bodů použitých k určení polohové přesnosti hyperspektrálního snímku (TAU)

4.4 Výpočet obsahu chlorofylu Laboratorně zjištěný chlorofyl a ASD spektra V prvním kroku praktické části byly spočítány vegetační chlorofylové indexy vhodné pro borovice a břízy. Jak již bylo popsáno v rešeršní části práce, byly využity indexy MCARI, TCARI/OSAVI, ANMB650-725, NDVI705. Na obr. 4.9 je znázorněna dílčí část z výpočtu indexu ANMB650-725. Jelikož tento index využívá transformační metodu continuum removal, bylo využito nadstavby DISPEC 3.2 pro software ENVI 4.8, který tuto metodu umí snadno převést a spočítat plochu pod křivkou a maximální hloubku vybraného spektrálního intervalu (650 – 725 nm). Index ANMB650-725 je poté určen jako poměr plochy pod křivku a maximální hloubky spektra. Pro břízu byly ještě dopočteny další tři indexy navržené pro listnaté stromy DD, mNDVI705 a SR680.

38


Obr. 4.9 Transformace Continuum removal (vlevo originální spektrální křivka, vpravo vybraná část spektra po transformaci CR)

Pro zjištění vztahu mezi laboratorně určeným chlorofylem (Cab) a vegetačními chlorofylovými

indexy

bylo

využito

regresního

modelu.

Regresní

model

byl

zpracováván v softwaru MS Excel. Podle uspořádání naměřených hodnot byly vybrány vhodné křivky z nabídky softwaru MS Excel (podmínkou je existence inverzní funkce, tj. byla volena funkce lineární, exponenciální, logaritmická a mocninná). Jelikož bylo pro každý vzorek 5 měření z ASD spektrometru, bylo nutné zvážit, zda použít do regresního modelu průměrné hodnoty nebo medián těchto hodnot. Použitím všech hodnot se rozumí, že pro každý strom bylo spočteno 5 hodnot stejného typu vegetačního chlorofylového indexu. Tyto indexy byly poté porovnány s hodnotami chlorofylu určenými laboratorně. Pro celý jeden strom byl v laboratoři stanoven jeden celkový obsah chlorofylu. Následně byla všechna měření vykreslena do grafu s úmyslem vyřadit nejvzdálenější měření, u kterých se předpokládala chyba při pořizování dat. Bylo použito několik metod pro určení odlehlých pozorovnání. Jedním z aplikovaných způsobů bylo vizuální označení hodnot, které by bylo vhodné ze sady dat odstranit. Dále byla spočtena Mahalanobisova vzdálenost mezi měřeními a byl spočten i průměr a medián, od kterého pak byla hledána nejvzdálenější hodnota. Tímto způsobem byly postupně odstraňovány hodnoty od nejodlehlejších a byla sledována závislost mezi sledovaným chlorofylem a vegetačním indexem. Použité metody ovšem vždy vedly pouze k drobnému zvýšení koeficientu determinace R2. Při vizuálním přezkoumání celé sady měření byly u borovice odhaleny dva stromy, které výrazně vybočovaly od zbylého měření. Po přezkoumání výpočtu chlorofylu z laboratoře byly objeveny nesrovnalosti v dílčích krocích výpočtu, proto byly tyto dva stromy z regresního modelu vyřazeny. Tento přístup se jevil jako nejlépe možný, jelikož koeficient determinace výrazně stoupl. U břízy nebyla metoda vyhledávání odlehlých

39


měření vhodná, jelikož při zobrazení všech měření v grafu se ukázala velká rozkolísanost a žádné výrazné rozdílnosti nebyly vizuálně odhaleny. Laboratorně zjištěný chlorofyl a hyperspektrální snímek HyMap Při zobrazení polohy jednotlivých stromů na hyperspektrální snímek bylo nutné zvážit, které pixely přísluší danému stromu. Je nutné zdůraznit, že k dispozici byl snímek s velikostí pixelu 5 m x 5 m a průměrná směrodatná odchylka pro souřadnice stromů byla 2,7 m. Z tohoto důvodu byly zvoleny čtyři způsoby, jak vybrat pixely pro co nejpřesnější určení stanovených lokalit (obr. 4.10). První metodou bylo určení přesně těch pixelů, ve kterých leží souřadnice stromu. Dalším způsobem výběru bylo vybrání pixelů, na kterých se nacházely souřadnice, ale v případě že se souřadnice nacházela na okraji pixelu, byly zprůměrovány okolní nejbližší pixely. Výběr byl proveden i za pomoci polygonu tvořeného nejbližší skupinkou stromů (vždy skupinky po 5 stromech). Tento polygon nesl průměrnou hodnotu křivky odrazivosti. Výběr pixelů do polygonu byl proveden dvojího typu. První typem bylo vytvoření společné množiny polygonů obsahující hodnoty vždy všech pixelů, na kterých se nacházely souřadnice. Druhým způsobem vytvoření polygonu byl výběr pravoúhlého polygonu, který pokrýval celou skupinku 5 stromů. Po zjištění spektrálních křivek odrazivosti pro jednotlivé stromy, případně skupiny stromů, byly opět spočteny vegetační chlorofylové indexy jako u měření z ASD spektrometru. Výsledky byly porovnány v regresním modelu spolu s laboratorně naměřeným chlorofylem (u polygonů byly hodnoty obsahu chlorofylu z laboratoře zprůměrovány pro jednotlivé skupiny stromů). Toto porovnání bylo vytvořeno jak pro snímky s korekcemi z DLR tak i z TAU.

a)

b)

40


c)

d) Obr. 4.10 Ukázka výběru pixelů na hyperspektrálních snímcích: a) b) c) d)

Výběr konkrétních pixelů pro každý strom Výběr (nejbližších) pixelů v závislosti na poloze souřadnice v rámci pixelu pro každý strom Množina polygonů pro skupinku stromů tvořený jen pixely se souřadnicí stromu Pravoúhlý polygon pro skupinku souřadnic zvolených stromů

4.5 Klasifikace hyperspektrálního snímku Za účelem vytvoření chlorofylové mapy sledovaného území bylo zapotřebí provést klasifikaci hyperspektrálního snímku. K tomuto účelu byl použit software ENVI 4.8, který nabízí jak řízené, tak i neřízené klasifikační metody. Porost borovice a břízy má na stanovištích převážně nízký zápoj, proto je očekáván silný vliv podrostu a půdy. Z tohoto důvodu byla zvolena subpixelová klasifikace, která předpokládá výskyt více typů povrchu v jednom pixelu. V první

fázi

klasifikace

bylo

uvažováno

o

vyklasifikování

celé

mozaiky

hyperspektrálního snímku. Jelikož se v jednotlivých liniích mozaiky nacházejí velké rozdíly v hodnotách odrazivosti, nebyla klasifikace požadovaného porostu provedena v celém nasnímaném území. Problémy s klasifikací, konkrétně odlišení druhové skladby porostů, z hyperspektrálního snímku s rozlišením 5 m při nehomogenní skladbě vegetace uvádí i diplomová práce [Málková, 2010]. Stromy borovice a břízy bylo velmi těžké rozlišit i v rámci jednotlivých linií, proto byly ve finále vytvořeny pouze výřezy jednotlivých stanovišť (500 m x 500 m). Je zde nutné zmínit, že klasifikace celého snímku nebyla zadána jako hlavní cíl této diplomové práce a byla řešena již dříve [Málková, 2010]. Po vytvoření jednotlivých výřezů byla v prvním kroku provedena pomocí metody „linear spectral unmixing“ klasifikace základních prvků krajiny (holá půda, vegetace, zástavba, voda apod.). Klasifikace se v ENVI provádí pomocí vytvoření trénovacích množin, tzv. ROIs (region of interest). Díky maskování bylo dále pracováno pouze s vrstvou vegetace, která byla dále rozdělena na les, louky a traviny. Dalším stupněm dělení bylo z vrstvy lesů vyklasifikování jehličnatých a listnatých dřevin, na základě „čistých“

pixelů“

určených

pomocí

změřených

souřadnic

vzorových

stromů.

41


Nejnáročnější

částí

klasifikace

bylo

oddělení

jednotlivých

druhů

stromů

na

hyperspektrálním snímku. Na obrázku 4.11 jsou zobrazeny průměrné křivky odrazivosti pro porost břízy, borovice a smrku z vytvořených trénovacích množin.

Obr. 4.11 Spektrální odrazivost z hyperspektrálního snímku pro břízu (červená), borovice (modrá) a smrk (zelená)

Pro zpřesnění vyklasifikovaných masek porostu byl použit sítový filtr (sieve classes) nabízený v postklasifikačních nástrojích v ENVI 4.8. Tento filtr dokáže odstranit osamocené pixely vzniklé při klasifikaci. Je možné nastavit maximální velikost skupiny pixelů, která má být odstraněna. Např. při zvolení šesti pixelů budou osamocené skupinky šesti pixelů vyloučeny. Dalším parametrem je počet směrů, ve kterých jsou sledovány okolní pixely, určující, zda sousední pixel patří nebo nepatří do zvolené třídy. Na výběr je sledování ve čtyřech směrech (přilehlé pixely celou hranou) nebo v osmi směrech (přilehlé pixely i přes roh).

42

Kap. 5 Výsledky a jejich zhodnocení

KAPITOLA 5 Výsledky a jejich zhodnocení 5.1 Regresní modely pro určení obsahu chlorofylu v jehlicích borovice Laboratorně zjištěný chlorofyl a ASD spektra Při porovnání vegetačních chlorofylových indexů z ASD spektrometru a chlorofylu určeného v laboratoři byly nejprve do regresního modelu použity všechny dostupné hodnoty z ASD spektrometru. Pro každý strom bylo spočteno pět hodnot jednoho vegetačního chlorofylového indexu a ty posléze porovnány s obsahem chlorofylu, která byla ovšem pro každou borovici jen jedna. Na obrázku 5.1 je zobrazen výsledek dosažený u borovice lesní. Nejlepší výsled pro jednotlivé hodnoty byl docílen použitím vegetačního indexu ANMB650-725 a obsahem chlorofylu zjištěným v laboratoři. Grafy pro indexy MCARI, TCARI/OSAVI a NDVI705 jsou k dispozici v příloze B.

BOROVICE Cab (mg/g sušiny)

5 4 3

y = 0,0004e0,187x R² = 0,879

2 1 0 35

37

39

41

43

45

47

49

ANMB650‐725 ‐ ASD Obr. 5.1 Exponenciální regresní model pro index ANMB650-725 a chlorofyl

Na obrázku 5.2 je znázorněn nejlepší výsledek pro průměrné hodnoty indexu z ASD spekter. V regresním vztahu je použit Cab z laboratoře a index TCARI/OSAVI při použití průměrných hodnot vegetačních indexů z ASD spektrometru. Pomocí mocninné křivky, která byla proložena zobrazenými hodnotami, byla dosažena silná závislost (koeficient determinace vyšel 0,92).

43



5 4 y = 0,4873x‐1,542 R² = 0,9235

3 2 1 0 0,2

0,4

0,6

0,8

1

1,2

TCARI/OSAVI ‐ průměr ASD Obr. 5.2 Mocninný regresní model pro index TCARI/OSAVI vypočtený z průměrných ASD křivek a chlorofyl

Laboratorně zjištěný chlorofyl a hyperspektrální snímek HyMap Porovnání hodnot z hyperspektrálního snímku a laboratorně určeného chlorofylu bylo docíleno opět pomocí vegetačních chlorofylových indexů MCARI, TCARI/OSAVI, ANMB650-725 a NDVI705. Na obrázku 5.3 jsou uvedeny lineární závislosti mezi množstvím chlorofylu v listoví a

vypočteným

vegetačním

indexem

NDVI705

na

hyperspektrálních

snímkách

s korekcemi DLR i TAU. Koeficient determinace vykazuje silnou závislost, jejíž hodnoty jsou přibližně 0,8. Při porovnání hodnot ve vztahu ke korekcím snímků je patrné, že lepší výsledky pro polygonu jsou dosaženy u korekcí z DLR. Obrázek 5.4 obsahuje exponenciální regresní křivky mezi index NDVI705 vypočteným pro každý strom zvlášť. Oproti grafům č. 3 znázorňují nižší koeficienty determinace (kolem 0,6), ale je nutné vzít v potaz, že do regrese vstupuje více hodnot. Při srovnání snímku v závislosti na použitých korekcí jsou průměrně lepší výsledky z hyperspektrálních snímků s korekcemi z DLR. V příloze C jsou výsledné grafy regresních analýzy pro jednotlivé vegetační chlorofylové indexy.

44

4

4

3

3

Cab (mg/g sušiny)

Cab (mg/g sušiny)


2 1

y = 20,893x ‐ 3,7402 R² = 0,821

0

2 1

y = 16,431x ‐ 3,0928 R² = 0,8004

0 0,2

0,25

0,3

0,35

0,2

0,25

NDVI705 ‐ DLR

0,3

0,35

0,4

NDVI705 ‐ TAU

b) 4

4

3

3

Cab (mg/g sušiny)

Cab (mg/g sušiny)

a)

2 1

y = 20,453x ‐ 3,6377 R² = 0,7999

0

2 1

y = 15,142x ‐ 2,6535 R² = 0,7818

0 0,2

0,25

0,3

0,35

0,2

NDVI705 ‐ DLR

c)

0,25

0,3

0,35

0,4

NDVI705 ‐ TAU

d)

Obr. 5.3 Lineární regresní model pro index NDVI705 vypočtený z hyperspektrálních snímků DLR a TAU a obsah chlorofylu z laboratoře: a) b) c) d)

Hodnoty z hyperspektrálního snímku z DLR brány jako průměr pixelů se souřadnicemi stromů Hodnoty z hyperspektrálního snímku z TAU brány jako průměr pixelů se souřadnicemi stromů Hodnoty z hyperspektrálního snímku z DLR brány jako pravoúhlé polygony Hodnoty z hyperspektrálního snímku z TAU brány jako pravoúhlé polygony

45


5

5 4 Cab (mg/g sušiny)

Cab (mg/g sušiny)

4 y = 0,0755e11,428x R² = 0,5904

3 2

3 2

1

1

0

0 0,15

0,2

0,25

0,3

y = 0,0989e9,3009x R² = 0,6226

0,35

0,15

0,25

NDVI705 ‐ DLR

0,35

0,45

NDVI705 ‐ TAU

a)

b)

5

5 4 Cab (mg/g sušiny)

Cab (mg/g sušiny)

4 y = 0,052e12,801x R² = 0,6645

3 2

3 2

1

1

0

0 0,15

0,2

0,25

0,3

0,35

0,15

NDVI705 ‐ DLR

c)

y = 0,0958e9,3918x R² = 0,6258

0,2

0,25

0,3

0,35

0,4

NDVI705 ‐ TAU

d) Obr. 5.4 Exponenciální regresní model pro index NDVI705 vypočtený z ASD spekter a hyperspektrálních snímků DLR a TAU: a) b) c) d)

Hodnoty z hyperspektrálního snímku z DLR brány pro každý pixel obsahující souřadnici stromu Hodnoty z hyperspektrálního snímku z TAU brány pro každý pixel obsahující souřadnici stromu Hodnoty z hyperspektrálního snímku z DLR brány pro každý pixel nebo skupinku pixelů vybrané v závislosti na poloze pixelu v rámci daného pixelu Hodnoty z hyperspektrálního snímku z TAU brány pro každý pixel nebo skupinku pixelů vybrané v závislosti na poloze pixelu v rámci daného pixelu

Hyperspektrální snímek HyMap a ASD spektra Pro porovnání hyperspektrálních snímků z HyMap a ASD křivek bylo nejprve nutné převzorkovat ASD spektra (krok vlnových délek 1 nm) na stejné rozmezí vlnových délek jako mají hyperspektrální snímky (krok vlnových délek 15 nm). Je nutné zmínit, že interval vlnových délek byl pro hyperspektrální snímek s korekcemi z DLR odlišný od snímku s korekcemi z TAU. Ke srovnání hyperspektrálních snímků a ASD spekter bylo využito vegetačních indexů MCARI, TCARI/OSAVI, ANMB650-725 a NDVI705. Nejvyšší koeficient determinace

46


byl dosažen pro index NDVI705. Na obrázcích 5.5 a 5.6 jsou znázorněny závislosti mezi vypočteným index z korekcí DLR a TAU a převzorkovanými křivkami z ASD spektrometru.

0,4 0,35

0,3

NDVI705 ‐ TAU

NDVI705 ‐ DLR

0,35

0,25

0,3 0,25

y = 0,6431x + 0,0845 R² = 0,8206

y = 0,5133x + 0,1032 R² = 0,7894

0,2

0,2 0,2

0,3

0,4

0,5

0,2

NDVI705 ‐ ASD

0,5

b) 0,35

0,4 0,35

0,3

NDVI705 ‐ TAU

NDVI705 ‐ DLR

0,4

NDVI705 ‐ ASD

a)

0,25

0,3 0,25

y = 0,5147x + 0,1035 R² = 0,7808

0,2

y = 0,6916x + 0,0648 R² = 0,825

0,2 0,2

0,3

0,4

0,5

0,2

NDVI705 ‐ ASD

c)

0,3

0,3

0,4

0,5

NDVI705 ‐ ASD

d)

Obr. 5.5 Lineární regresní model pro index NDVI705 vypočtený z ASD spekter a hyperspektrálních snímků DLR a TAU: e) f) g) h)

Hodnoty z hyperspektrálního snímku z DLR brány jako průměr pixelů se souřadnicemi stromů Hodnoty z hyperspektrálního snímku z TAU brány jako průměr pixelů se souřadnicemi stromů Hodnoty z hyperspektrálního snímku z DLR brány jako pravoúhlé polygony Hodnoty z hyperspektrálního snímku z TAU brány jako pravoúhlé polygony

Z regresních modelů plyne, že mezi křivkami z ASD i z hyperspektrálních snímků je střední až silná závislost. V případě regresních modelu zpracovaných pro skupinky stromů (polygony) je závislost větší. Tento fakt je způsoben především nízkým počtem hodnot vstupujících do výpočtu. Největší závislost podle obr. 5.5 dosahují hodnoty ze snímku s korekcemi TAU a výběrem pravoúhlých polygonů.

47


Obrázek 5.6 znázorňuje lineární regresní model pro všechny stromy zvlášť. Nejlepších výsledků dosáhl snímek s korekcemi z DLR a výběr pixelů, na kterých se nacházely souřadnice stromů. 0,4

0,35

0,35 NDVI705 ‐ DLR

NDVI705 ‐ DLR

0,3 0,25 0,2

y = 0,454x + 0,1254 R² = 0,7318

0,3 0,25 y = 0,5459x + 0,1175 R² = 0,6367

0,2

0,15

0,15 0,15

0,25

0,35

0,45

0,15

0,55

0,25

NDVI705 ‐ ASD

0,45

0,55

NDVI705 ‐ ASD

a)

b) 0,4

0,35

0,35 NDVI705 ‐ DLR

0,3 NDVI705 ‐ DLR

0,35

0,25 0,2 y = 0,4432x + 0,1271 R² = 0,7104

0,15

0,3 0,25 0,2

y = 0,547x + 0,1176 R² = 0,6486

0,15 0,15

0,25

0,35

0,45

0,15

0,55

NDVI705 ‐ ASD

c)

0,25

0,35

0,45

0,55

NDVI705 ‐ ASD

d)

Obr. 5.6 Lineární regresní model pro index NDVI705 vypočtený z ASD spekter a hyperspektrálních snímků DLR a TAU: e) f) g) h)

Hodnoty z hyperspektrálního snímku z DLR brány pro každý pixel obsahující souřadnici stromu Hodnoty z hyperspektrálního snímku z TAU brány pro každý pixel obsahující souřadnici stromu Hodnoty z hyperspektrálního snímku z DLR brány pro každý pixel nebo skupinku pixelů vybrané v závislosti na poloze pixelu v rámci daného pixelu Hodnoty z hyperspektrálního snímku z TAU brány pro každý pixel nebo skupinku pixelů vybrané v závislosti na poloze pixelu v rámci daného pixelu

Porovnání korekcí DLR a TAU Z výše uvedených grafů nejsou patrné výrazné rozdíly mezi použitými korekcemi DLR a TAU. Pokud se ovšem zaměříme na výsledky, u kterých do regrese vstupovaly všechny stromy zvlášť, jsou lepší variantou korekci z DLR. Na obrázku 5.7 je uvedena regresní analýza mezi vegetačním indexem NDVI705 spočteným, jak nad daty z DLR tak i z TAU. Výběr pixelů z hyperspektrálních dat byl

48


proveden na základě přiřazení každému pixelu souřadnici (s označením identifikačního čísla stromu), která se v něm nacházela. Lepším způsobem se v tomto případě stala metoda výběru pixelu vztahující se k umístění souřadnice v rámci pixelu, tedy vybrání křivky odrazivosti jen z jednoho pixelu nebo průměrem okolních pixelů. Tuto metodu reprezentuje obr. 5.8.

BOROVICE ‐ přesně stromy NDVI705 ‐ TAU

0,38 0,33 ERIKA

0,28

LÍTOV 0,23

y = 1,0621x + 0,0159 R² = 0,7097

0,18 0,18

0,23

0,28

LOMNICE SVATAVA

0,33

NDVI705 ‐ DLR

Obr. 5.7 Lineární regresní model pro index NDVI705 spočtený pro oba typy korekcí (výběr udělán pro jednotlivé pixely se souřadnicí)

BOROVICE ‐ okolí stromu NDVI705 ‐ TAU

0,38 0,33 ERIKA

0,28

LÍTOV 0,23

y = 1,1514x ‐ 0,0081 R² = 0,7614

0,18 0,18

0,23

0,28

LOMNICE SVATAVA

0,33

NDVI705 ‐ DLR Obr. 5.8 Lineární regresní model pro index NDVI705 spočtený pro oba typy korekcí (výběr udělán v závislosti na poloze souřadnice v rámci pixelu)

5.2 Regresní modely pro určení obsahu chlorofylu v listoví břízy V případě břízy byly nejprve použity stejné vegetační chlorofylové indexy. Jelikož výsledný koeficient determinace R2 vykazoval nízkou závislost (R2 od 0,1 do 0,4), byly nalezeny ještě další tři vegetační chlorofylové indexy navržené přímo pro listnaté

49


stromy. Avšak ani u těchto indexů nebyl nalezen lepší výsledek, než který byl dosažen pomocí indexu TCARI/OSAVI. Vzhledem k rozkolísanosti hodnot byla použita lineární křivka. Nezlogaritmovaným chlorofylem a zprůměrováním měření pro jeden strom bylo dosaženo koeficientu determinace R2=0,41 (obr. 5.9).

TCARI/OSAVI

BŘÍZA 0,5 0,45 0,4 0,35 0,3 0,25 0,2 0,15

y = ‐0,041x + 0,4829 R² = 0,4108

2

3

4

5

6

7

8

Cab (mg/g sušiny)

Obr. 5.9 Lineární regresní model pro index TCARI/OSAVI a chlorofyl

Vzhledem k rozkolísanosti dat nebyly analýzy na porostu břízy dokončeny. Z literatury vyplývá, že pro listnaté stromy se využívá převážně modelů radiačního transferu, konkrétně modelu PROSPECT. Pro tento způsob zpracování nebyla dostupná vhodná vstupní data.

5.3 Validace výsledků Pro validaci získaných rovnic z regresních modelů pro vztah laboratorně zjištěného chlorofylu a vegetačních chlorofylových indexů vypočtených jak z ASD křivek tak i z HyMap byl použit index NDVI705. Tento index dosáhl nejlepších výsledků při aplikaci na hyperspektrální snímek, ostatní použité vykazovaly nižší koeficient determinace. U ASD křivek lze říci, že koeficienty determinace se v závislosti na použitém indexu výrazně neodlišovaly. Pro srovnání, koeficient determinace pro index NDVI705 z ASD spekter se rovnal 0,9214 a pro index TCARI/OSAVI bylo R2 = 0,9235 (nejvyšší dosažená hodnota). Jelikož nebyla k dispozici další sada dat, např. z jiného období či stanoviště, nebylo možné výslednou rovnici řádně ověřit. Proto byly z dostupných hodnot pro každý vzorový strom vybrány dvě hodnoty na každém stanovišti s výjimkou Lítova, kde byly zvoleny hodnoty tři, protože se zde nachází více vzorových stromů než na ostatních stanovištích. Kontrolní hodnoty byly zvoleny tak, aby byly podél exponenciální křivky rovnoměrně rozmístěné (obr. 5.10).

50


Nejprve byla provedena validace získané rovnice pro vztah laboratorně zjištěného chlorofylu a indexu NDVI705 spočteného z ASD spekter. Exponenciální rovnice má po odstranění 9 hodnot z celé sady vzorků tvar: ,

0,0924 ·

·

V tabulce 5.1 jsou porovnány hodnoty chlorofylu určené z regresního modelu a v laboratoři.


5 4 3 2 1 0 0,2

0,3

0,4

0,5

0,6

NDVI705 ‐ průměr ASD Obr. 5.10 Rozmístění kontrolních bodů pro validaci (červené)

Vzorky stromů E 36 E 41 LI 1 LI 6 LI 11 LO 21 LO 26 SA 81 SA 86

Cab (mg/g sušiny) zjištěný v laboratoři 1,88 2,31 0,89 0,61 1,10 2,89 2,13 4,43 1,82

Cab (mg/g sušiny) vypočtený z regresní rovnice 1,61 2,00 0,80 0,66 1,06 2,67 2,42 3,84 2,49

*Korelační koeficient roven 0,95. Tab. 5.1 Validace regresní rovnice pro vztah chlorofylu z laboratoře a indexu NDVI705 z ASD spekter

51


Stejným způsobem byla provedena i validace dat ze vztahu chlorofyl z laboratoře a NDVI705

spočtený

z hyperspektrálních

snímků.

Nejprve

byla

provedena

pro

hyperspektrální snímek s korekcemi z DLR (tab. 5.2). Exponenciální rovnice má tvar: ,

0,0517 ·



·


*Korelační koeficient roven 0,62. Tab. 5.2 Validace regresní rovnice pro vztah chlorofylu z laboratoře a indexu NDVI705 ze snímku s korekcemi DLR

Regresní rovnice pro hyperspektrální snímek s korekcemi z TAU byla určena jako: 0,1158 ·

,

·

V tabulce 5.3 jsou uvedeny hodnoty kontrolních bodů pro chlorofyl zjištěný v laboratoři i z regresní rovnice.




*Korelační koeficient roven 0,93. Tab. 5.3 Validace regresní rovnice pro vztah chlorofylu z laboratoře a indexu NDVI705 ze snímku s korekcemi TAU

52


5.4 Chlorofylová mapa Pro vytvoření chlorofylové mapy byl z předešlých výsledků vybrán vegetační chlorofylový index NDVI705 a aplikován na výřezy hyperspektrálního snímku s korekcemi z univerzity v Tel Avivu. Jelikož klasifikace celého území nebyla úspěšná, byly zvoleny výřezy 0,5 km x 0,5 km. Stanoviště Svatava je tvořeno převážně smíšeným lesem a s prostorovým rozlišením 5 m x 5 m nebylo možné vyklasifikovat pouze borovice. Proto nebyla chlorofylová mapa vytvořena. Na výřez snímku byla nejprve aplikována vytvořená maska borovic. Poté byl spočten index NDVI705. Jelikož do tohoto indexu vstupují hodnoty odrazivosti s vlnovou délkou 705 a 750, byly na hyperspektrálním snímku nalezeny nejbližší hodnoty (0,7107 a 0,7562). Na výsledný index byla aplikována rovnice ze vztahu laboratorně určeného obsahu chlorofylu a indexu spočteného na základě ASD spekter. Následně byla vytvořena chlorofylová mapa pro zvolená území (v příloze A).

5.5 Diskuze použitých metod a výsledků Vhodnost jednotlivých stanovišť Týmem biologů a geologů byla stanovena čtyři stanoviště pro borovici lesní a břízu bradavičnatou. Jak již bylo popsáno dříve, byla zvolena dvě stanoviště přímo na výsypkách (Lítov, Lomnice) a dvě stanoviště v oblastech, kde se nepředpokládala větší kontaminace půdy těžkými kovy (Erika, Svatava). Při zaměření se na rozmístění a zapojení stromů je zapotřebí zmínit, že borovice ani břízy nepatří mezi typ porostu, který tvoří silný zápoj. Je zde tedy obecně nutné předpokládat vliv podrostu a půdy. Stanoviště Erika je zvoleno blízko pískovny, proto zde převládá převážně písčitá půda bez výraznější nízké vegetace. Porost borovice je velmi řídký, na rozdíl od bříz tvořících kompaktnějších vrstvu. Nedaleko tohoto stanoviště se nachází zvolená lokalita Svatava. Zde se s lesním podrostem mísí borovice s břízami i dalšími typy lesních dřevin. Proto není stanoviště Svatava vhodnou lokalitou

pro

určení

vlastností

vybraných

dřevin

z hyperspektrálních

snímků

s prostorovým rozlišením 5 m. U stanoviště Lítov, které se nachází přímo na Lítovské výsypce, je zapojení porostu břízy velmi nízké. Borovice se zde nacházejí v několika malých skupinkách hustějšího rázu. Stanoviště Lomnice je vhodně vybráno pro borovice, které se zde nacházejí hustě zalesněné lokalitě. Bříza se na tomto stanovišti nachází v malé míře. Podíl „čistých pixelů“ potřebných pro klasifikaci byl na stanovištích nízký. Pomoci by mohla spektra měřená při pozemní kampani, nikoli ale jen listoví, ale i podrostu a půdy. Vzhledem k objemu provedené práci by tento způsob klasifikace mohl být rozšířením této diplomové práce.


53

Metodika sběru dat Nejprve je nutné zmínit, že při sběru dat nebylo uvažováno o využití modelu radiačního přenosu ani LAI, jelikož k tomu nebylo potřebné vybavení. Proto byl pro sběr dat zvolen postup, který je uveden v metodické části této práce. Při měření ASD spektrometrem bylo vyzkoušeno několik metod jak snímat odebrané vzorky jehličí a listoví. K dispozici byl ASD spektrometr, který neobsahoval speciální nástavec pro držení listů (Leaf clip/Leaf probe). Listy a jehlice proto byly navršeny na sebe a hlavice ASD spektrometru na ně byla přiložena. [Eitel et al., 2006] Je však nutné zmínit, že na měření ASD spektrometrem má velký vliv síla vrstvy položených listů, které je v daný okamžik snímána. Oproti snímání jehličí je zde však výhoda souvislého povrchu. Další zpracování nasbíraných vzorků proběhlo v laboratoři. Zde byly jednotlivé vzorky zality rozpouštědlem a ponechány vylouhovat. Jelikož bříza obsahuje obecně větší množství chlorofylu v listoví než porost borovice, bylo nutné provést vylouhování chlorofylu u břízy dvakrát. [Porra et al., 1989; Wellburn, 1994] Nezbytné je zmínit i termín sběru vzorků. Bříza mohla už na přelomu srpna a září být ve fázi žloutnutí a opadávání listů. Metodika zpracování dat Při zpracování všech dostupných dat bylo nutné projít literaturu týkající se určení obsahu chlorofylu v listoví břízy a borovice. Byly nalezeny dva možné přístupy k této problematice a to buď modely radiačního přenosu, nebo statistický přístup využívající především regresních modelů ve spojení s vegetačními chlorofylovými indexy a PLS metodu (partial least squares) neboli metodu částečných nejmenších čtverců. Modely radiačního přenosu, které slouží především k převedení naměřených biochemických hodnot přes úroveň listu až k úrovni korun porostu, jsou náročné na vkládané parametry na rozdíl od výpočtu vegetačního chlorofylového indexu. Pro získání obsahu chlorofylu z hyperspektrálního snímku je zapotřebí využít inverzního postupu, kdy tedy na základě křivky odrazivosti přes model radiačního přenosu určíme hodnoty požadovaného chlorofylu. Jednodušší variantou je tedy výpočet chlorofylových indexů z dostupných dat (ASD spektra, laboratorní měření, snímek) a vytvoření regresního modelu, který je posléze na snímek aplikován a je vytvořena chlorofylová mapa. U těchto dvou přístupů je tedy nutné zvážit dostupnost dat a přesnost určení množství chlorofylu v listoví. Při použití modelů radiačního přenosu je náročné získat všechny potřebné parametry pro správné namodelování. Je zapotřebí získat biochemické parametry porostu, ale i parametry tvaru porostu, úhel osvícení Sluncem atd., které jsou využity pro převedení na úroveň korun porostů (do 3D). Takto vytvořenou maketu porostu je poté nutné převést do inverzní podoby a aplikovat na hyperspektrální snímek. [Gastellu-Etchegorry, 1994] V tomto případě je zapotřebí zvážit do jaké míry se vytvořený model porostu shoduje s informací obsaženou v jednom pixelu snímku. Jestli je v pixelu ideální zobrazení celého stromu či je porost


54

řídký nebo hustý a jsou tedy znatelné pouze části korun stromů (např. jen špičky stromu). Vegetační chlorofylové indexy jsou na druhou stranu zaměřeny na odstranění vlivu okolí, tedy odstranit vliv půdy a dalších nefotosyntetických složek povrchu a najít tak funkční vztah mezi odrazivostí a hodnotou sledovaného jevu (v našem případě chlorofylu). [Daughtry et al., 2000, Haboudane, 2002, Sims, 2002] Při využití vegetačních chlorofylových indexů závisí na LAI (leaf area index). Je rozdíl pokud určitý chlorofylový index použijeme na souvislost hustě zalesněnou plochu nebo na řídký porost, kdy je předpokládané větší ovlivnění podložím. Za zmínku stojí také uvážení tzv. čistoty pixelu, pokud máme snímek s prostorovým rozlišením 5 m x 5 m. Čtverec o takovéto velikosti může obsahovat více složek pokryvu Země (půdu, vegetaci, vodu a další). V diplomové práci byl z počátku zvolen postup pomocí regresního modelu, jelikož je nenáročný na vstupní parametry. Všechny použité hodnoty indexů vypočítané z křivek ASD spektrometru pro borovice vykazovaly silnou závislost (R2=0,9). Proto byla tato statistická metoda zvolena pro další postup. Při práci s hyperspektálními snímky nastal problém s výběrem křivek odrazivosti na zvolených stanovištích. Jelikož průměrná směrodatná odchylka pro zaměření jednotlivých stromů byla 2,7 m a velikost pixelu činila 5 m x 5 m, bylo nutné zvážit jak vytvořit výběr požadovaných křivek. Zvoleny byly dvě metody výběru pomocí polygonu, kdy by výběr proveden na základě pravoúhlého polygonu a dále byl vytvořen polygon skládající si pouze z těch pixelů se souřadnicí daného stromu. Vzorové stromy se na stanovištích nacházely ve skupinkách po 5 stromech, do regresního modelu tedy vstupovalo pouze 9 hodnot. Z tohoto důvodu se přistoupilo k výběru spektrálních křivek pro každý vzorový strom, resp. jeho nejbližší okolí v rámci jednoho pixelu. Prvním způsobem jak vybrat křivky odrazivosti z hyperspektrálního snímku bylo zvolení vždy jen těch pixelů, na kterých se nacházela daná souřadnice stromu. Zde se však vyskytl problém, když se na jednom pixelu nacházel více jak jeden strom nebo byla souřadnice na hraně dvou sousedních pixelů. V takových případech odpovídala jedna hodnota spočteného vegetačního indexu na snímku dvěma hodnotám chlorofylu. Proto byla zvolena ještě jedna metoda výběru spektrálních křivek, kdy byl vybrán jeden či více pixelů nacházející se nejblíže souřadnici. Tato metoda výběru se nakonec ověřila jako nejlepší. U takových to řídkých dat by bylo vhodné využít i metodu PLS, která už byla nad rámec této diplomové práce. Pro vytvoření chlorofylové mapy bylo ještě nutné zvolit vhodný vegetační chlorofylový index. Z křivek odrazivosti z hyperspektrálních dat byly vypočteny všechny indexy jako v případě práce s ASD spektry. Pro hyperspektrální snímky byl nejvhodnější vegetační index NDVI705, ostatní indexy při regresních analýzách dosahovaly výrazně nižších hodnot. Na obr. 5.11 jsou znázorněny rozdíly spektrálních křivek ASD spektrometru a hyperspektrálního snímku, které mohou být důvodem silné závislosti pouze pro index NDVI705. U ASD křivek je odrazivost výrazně vyšší, což lze

55


přisoudit tomu, že odrazivost je měřena na úrovni malých větviček borových jehlic. Měření není ovlivněno okolním prostředím jako je to v případě křivky odrazivosti z hyperspektrálních snímků. Hodnota odrazivosti je v rámci pixelu 5 m x 5 m ovlivněna podrostem, půdou i kmenem celého stromu.

Obr. 5.11 Srovnání spektrální křivky odrazivosti pro borovici na stanovišti Lomnice (bílá – ASD spektrometr, červená – hyperspektrální snímek)

U porostu břízy bradavičnaté ovšem tak významná korelace mezi vegetačním chlorofylovým indexem z ASD spektrometru a laboratorně určeným obsahem chlorofylu nebyla zjištěna. Proto je nutné pro břízy navrhnout metodiku jinou a to buď pokusit se o aplikaci

modelu

radiačního

přenosu

PROSPECT

(pracuje

na

úrovni

listu)

[Jacquemooud, 1990, Feret, 2008, Maire, 2004] v kombinaci s dalším model určeným pro úroveň korun (3D), případně do výpočtu vegetačního chlorofylového indexu zahrnout LAI. Třetí variantou je pokusit se aplikovat metodu částečných nejmenších čtverců (PLS). PLS pracuje na principu metody hlavních komponent (PCA) a vícenásobné lineární regrese. [Kupka, 2007] V posledním kroku bylo nutné provést validaci dat. Jelikož není žádná kontrolní sada vzorků, bylo vybráno z dosavadního souboru dat několik hodnot, na kterých byl regresní vztah ověřen. Důležité bylo, aby kontrolní vzorky byly vybrány rovnoměrně podél regresní křivky a zárovně i rovnoměrně rozložené v terénu. Validace výsledků pro regresní rovnici ze vztahu laboratorně zjištěného chlorofylu a indexu NDVI705 spočteného z ASD spekter, která byla využita pro vytvoření chlorofylových map, vyšla se silnou závislostí (korelační koeficient 0,95). Podobný výsledek byl zjištěn i u vztahu laboratorně určený chlorofyl a index NDVI705 vypočítaný ze snímku s korekcemi z TAU. Pro korekce z DLR vyšel korelační koeficient pro validaci výsledků nižší (0,62).


56

Diskutabilní je i vytvoření chlorofylových map. Dostupné byly obsahy chlorofylu z laboratoře pouze z 1. ročníků a jen z vrchních větví. Nebyly tedy uvažovány obsah chlorofylu v jehličí u spodních větví, ani starší ročníky přírůstků. Proto by bylo vhodné v případném pokračování této diplomové práce zapojit do regresních analýz i ostatní hodnoty obsahu chlorofylu v jehlicích.

57

Kap. 6 Závěr

KAPITOLA 6 Závěr Po zvážení všech dostupných dat a publikovaných metod pro určení obsahu chlorofylu v listoví borovice lesní a břízy bradavičnaté bylo použito statistického (empirického) zpracování dat. Model radiačního přenosu nebyl použit z důvodu vysoké náročnosti na vstupní data, která nebyla pro tuto práci k dispozici. Základem práce bylo vytvoření regresního modelu, který by nejlépe vystihoval vztah mezi laboratorně určeným obsahem chlorofylu v odebraných vzorcích zvolených rostlinných druhů, naměřenými ASD křivkami tohoto porostu a dostupným hyperspektrálním snímkem pořízeným senzorem HyMap. Pro nalezení vztahu mezi hodnotami odrazivosti a obsahem chlorofylu v listoví byly využity vegetační chlorofylové indexy MCARI, TCARI/OSAVI, ANMB650-725 a NDVI705, které se na základě studia literatury jevily jako nejvhodnější pro porost borovice lesní. Tyto indexy byly aplikovány i pro stromy břízy bělokoré. Jelikož získané výsledky pro břízu nebyly uspokojivé, byly testovány další tři vegetační chlorofylové indexy zaměřené na listnaté dřeviny DD, mNDVI705 a SR680. I přesto se nedosáhlo lepších výsledků než v případě vegetačního chlorofylového indexu TCARI/OSAVI. U břízy, kde nebyly během pozemní kampaně určeny všechny potřebné parametry (zejména plocha listů, tvar koruny, odrazivost větví a kmene apod.), nebylo možné využít modely radiačního přenosu, které se pro práci s listnatou vegetací jeví jako vhodnější způsob. Aplikování regresního modelu pro borovici lesní bylo úspěšné. Provedené regresní analýzy dosahovaly silné závislosti (koeficient determinace se pohyboval kolem hodnoty 0,8). Pro zhotovení chlorofylové mapy bylo nutné provést klasifikaci hyperspektrální

snímku.

Bylo

využito

metody

spectral

linear

unmixing.

Na

vyklasifikovaný snímek byla na závěr aplikována regresní rovnice pro vztah obsahu chlorofylu a vypočteného vegetačního indexu a vytvořena chlorofylová mapa. Za hlavní problém, který ovlivnil výsledek práce, lze pokládat dostupnost dat. Pro vytvoření chlorofylové mapy bylo možné aplikovat pouze regresní model, který se v případě porostu břízy bradavičnaté neosvědčil. Proto by bylo vhodné jako další postup řešení této problematiky vytvořit novou sadu dat s takovými parametry, aby bylo možné využít modely radiačního transferu. Dále je nutné zmínit výběr stanovišť pro odběr vzorků porostu borovice a břízy. Zvolena byla čtyři stanoviště v okolí Sokolova. Dvě lokality přímo na výsypkách a dvě jako kontrolní nacházející se v oblastech, kde se nepředpokládala silná kontaminace půdy těžkými kovy. Zapojení vegetace v těchto lokalitách bylo celkově nízké, proto při práci s hyperspektrálními snímky byla hodnota

58

Kap. 6 Závěr

odrazivosti vegetace v jednotlivých pixelech značně ovlivněna půdou a podrostem, který se na stanovištích nacházel. Hodnocení celkového obsahu chlorofylu v listoví na celém hyperspektrálním snímku je velmi diskutabilní. Z tohoto důvodu bylo zvoleno srovnání na základě blízkého okolí jednotlivých stanovišť. Cíle této diplomové práce byly v rámci možností téměř všechny splněny. Pro porost borovice

byla

metodika

určení

chlorofylu

v jehličí

úspěšná.

V případě

břízy

bradavičnaté se ale uspokojivého výsledku nedosáhlo. Proto bylo navrženo několik dalších metod, které by, dle poznatků z literatury, měly přinést zlepšení. V rámci dílčích zadání práce byla vytvořena literární rešerše popisující problematiku stanovení množství chlorofylu v listoví pro vybrané druhy porostů. Bylo provedeno studium spektrálních křivek pro oba druhy dřevin z ASD spekter. Z důvodu nízké závislosti vypočtených indexů z ASD křivek a laboratorně stanoveného obsahu chlorofylu v březovém listí byla provedena regresní analýza hyperspektrálních snímků pouze pro porost borovice lesní. Pro borovici lesní byly posléze vytvořeny chlorofylové mapy v jednotlivých výřezech stanoviště. Pro stanoviště Svatava nebyl výřez vyhotoven, jelikož se na stanovišti nacházel smíšený les, kde nebylo možné správně vyklasifikovat pouze porost borovice. Oproti zadání nebylo provedeno zhodnocení přenositelnosti vytvořené metodiky na jinou datovou sadu z důvodu omezeného počtu pozemního a laboratorního měření. Výsledky práce mohou dále sloužit pro analýzu závislosti mezi kontaminací půdy těžkými kovy a kvalitou porostu borovice lesní v dané lokalitě. Jako námět pro další práci v tomto tématu je použití jiné metodiky určení množství chlorofylu v listoví břízy bělokoré a vytvoření nové sady dat pro borovice lesní, aby mohla být provedena korektní validace získaných výsledků.

SEZNAM POUŽITÝCH ZDROJŮ: ALBRECHTOVÁ, J., BARRETT N. R., 2003: Dálkový průzkum krušnohorských lesů: Z mikroskopu do makroskopu a zase zpátky, Vesmír 82, červen 2003, str. 322-325 ALLEN, W. A., et al., 1969: Interaction of isotrophic light with a compact plant leaf, Journal of Optical Society of America, vol. 59, issue 10, 1376-1379 BLACKBURN, G. A., 1999: Relationships between spectral reflectance and pigment concentrations in stacks of deciduous broadleaves. Remote Sensing of Environment, 70, 224– 237. Botanický slovník, [on-line]. [cit. 2011-08-04]. Dostupné z: BROOK, A., DOR, E.B., 2011: Supervised vicarious calibration (SVC) of hyperspectral remotesensing data. Remote Sensing of Environment, Elsevier, vol. 115, str. 1543-1555. BUŘIČOVÁ, M., 2011: Stanovení obsahu ligninu a rozpustných fenolických látek v jehlicích smrku ztepilého s využitím hyperspektrálních dat. Diplomová práce (v tisku). Univerzita Karlova v Praze, Přírodovědevcá fakulta, katedra aplikované geoinformatiky a kartografie. 2011 CESBIO, 2009: DART Handbook, [on-line]. 2009 [cit. 2011-05-04]. Dostupné z: Česká geologická služba [online]. 2011 [cit. 2011-08-01]. Dostupné z: DAUGHTRY, C.S., WALTHALL, C.L., KIM, M., 2000: Estimating corn leaf chlorophyll concentration from leaf and canopy reflectance. Remote Sensing of Environment 74, 229–239. DAWSON, et al., 1998: LIBERTY-Modeling the Effects of Leaf Biochemical Concentration on Reflectance Spectra. Remote Sensing of Environment, Elsevier, str.50-60. DEMETRAIDES-SHAH, T.H., STEVEN, M.D., CLARK, J.A. 1990. High Resolution Derivative Spectra in Remote Sensing. Remote sensing of environment. 1990, vol. 33, p. 55 – 64. EITEL et al., 2006: Suitability of existing and novel spectral indices to remotely detect water stress in Populus spp. Remote Sensing of Environment, Elsevier, str.170-182. Energetický metabolismus buňky [on-line]. [cit. 2011-08-04]. Dostupné z: ENVI User´s Guide 2009. ENVI Version 4.7, ITT Visual Information Solutions

FERET, J. B. et. al., 2008: PROSPECT – 4 and 5: Advences in the leaf optical properties model separating photosyntetic pigments, Remote sensing of Environment, vol. 112, issue 6, Elsevier, 2008, 3030 – 3043, ISSN: 0043-4257 GAO, B.-C., GOETZ, A.F.H., 1994: Extraction of dry leaf spectral features from reflectance spectra of green vegetation. Remote Sensing of Environment 47, 369–374. GAO, B.-C., GOETZ, A.F.H., 1995: Retrieval of equivalent water thickness and information related to biochemical components of vegetation canopies from AVIRIS data. Remote Sensing of Environment 52, 155–162. GASTELLU-ETCHEGORRY, J. P., DEMAREZ, V., PINEL, V., and ZAGOLSKI, F., 1994: Modeling radiative transfer in heterogeneous 3D vegetation canopies, in Proceedings EUROPTO of the International Symposium on Satellite Remote Sensing, Rome,Italy, SPIE Vol. 2314, pp. 38-49. GITELSON, A. A., MERZLYAK M. N., 1994: Spectral reflectance changes associate with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation. Journal of Plant Physiology, 143, 286–292. HABOUDANE D, 2002: Integrated narrow-band Vegetation Indices for Prediction of Crop Chlorophyll Content for Application to Precision Agriculture. Remote Sensing of Environment, Elsevier, vol. 81, 416–426. HEJNÝ, S., SLAVÍK B.(Eds.), 1990: Květena České republiky. Díl 2, Praha – Academie, str. 3840. CHAN, J. CH., CANTERS, F. 2007. Esemble Classifiers for Hyperspectral Classification [online]. Vrije Universiteit Brussel, Department of Geography, Brussels, Belgium, 2007. 11 s. [cit. 2011-06-02]. Dostupný z WWW: . IORDACHE, M.D., et al., 2011: Sparse unmixing of hyperspectral data, IEEE Transactions on Geoscience and Remote Sensing, vol. 49, no. 6, str. 2014-2039 JACQUEMOUD, S., BARET, F., 1990: PROSPECT – A Model of Leaf Optical Properties Spectra, Remote Sensing of Environment, vol. 34, issue 2, Elsevier, 1990, 75 – 91, ISSN: 00344257 JENSEN, R. J. (2005), Introductory Digital Image Processing, Prentice Hall, 2005, ISBN: 0131453610, str. 526 KIM, M. S., DAUGHTRY, C. S. T., CHAPPELLE, E. W., McMURTREY III, J. E., & WALTHALL, C. L., 1994: The use of high spectral resolution bands for estimating absorbed photosynthetically active radiation (Apar). Proceedings of the 6th Symposium on Physical

Measurements and Signatures in Remote Sensing, January 17– 21, 1994, Val D’Isere, France (pp. 299–306). KOKALY, R. F., CLARK, R. N.,1999: Spectroscopic determination of Leaf biochemistry using band-depth analysis of absorption features and stepwise multiple linear regression. Remote Sensing of Environment. 1999, vol. 67, p 267-287. KOLÁŘ, J., HALOUNOVÁ, L. PAVELKA, K. 1997. Dálkový průzkum země 10. Vysoké učení technické v Praze. Stavební fakulta. 1997, ISBN:80-01-01567 KOPAČKOVÁ, V. 2009. Webové stránky: Assessment of Mining Related Impacts Based on Utilization of (ARES) Airborne Hyperspectral Sensor [online]. 2009. [cit. 2011-04-19]. Dostupné z: < http://www.geology.cz/project619100/>. KRPEŠ, V. 200-?. Ekofyziologie rostlin. Učební text. Ostravská univerzita. [online]. 2008. [cit.2011-06-30]. Dostupné z: KRUSE, F. A., et al., 1999: HyMap: An Australian Hyperspectral Sensor Solving Global Problems – Results from USA HyMap Data Acquisitions [online]. 2008. [cit. 2011-03-20]. Dostupné z: . KUPKA, K., 2007. Quality planning with PLS predictive models in Brewery. Slovenská statistická a demografická společnost. 2007, ročník.2 str.160-164. ISSN 1336-7420. LICHTENTHALER, H. K., 1987: Chlorophylls and carotenoids: Pigments of photosynthetic biomembranes. Methods in Enzymology, vol. 148, p. 350 – 382. MAIRE, G., et al., 2004: Towards universal broad leaf chlorophyll indices using PROSPECT simulated database and hyperspectral reflectance measurements, Remote Sensing of Environment, ELSEVIER Remote Sensing of Environment 89 (2004) p.1 – 28. MALENOVSKÝ, Z., 2006: Quantitative remote sensing of Norway spruce (Picea abies (L.)Karst.): Spectroscopy from needles to crowns to canopies. PhD Thesis, Wageningen University, Wageningen, The Netherlands, p.141. ISBN 90-8504-503-7. MALENOVSKÝ, Z. et al., 2007b: Scaling dimensions in spectroscopy of soil and vegetation, International Journal of Applied Earth Observation and Geoinformation, vol. 9, issue 2, 137 – 164, ISSN: 0303-2434 MALENOVSKÝ Z., et al., 2008: Retreivals of the Ecosystem Variables from the Remotely sensed (hyperspectral) data, HYPER I-NET Distance Learning Environment, 2008

MÁLKOVÁ, H., 2010. Klasifikace land cover z hyperspektrálních dat v rekultivovaných oblastech sokolovské hnědouhelné pánve. Diplomová práce. Univerzita Karlova v Praze, Přírodovědevcá fakulta, katedra aplikované geoinformatiky a kartografie. 2010, 55s. MIŠUREC, J., 2010: Určování obsahu chlorofylu z hyperspektrálních obrazových dat, diplomová práce. Univerzita Karlova v Praze, Přírodovědevcá fakulta, katedra aplikované geoinformatiky a kartografie. 2010, 82s. MOORTHY, I. et. al., 2003: Needle Chlorophyll Content Estimation: A Comparative Study of PROSPECT and LIBERTY, Geoscience and Remote Sensing Symposium, 2003, IGARSS 03, vol. 3, 1676 – 1678, ISSN: 0-7803-7929-2 MOORTHY, I. et al., 2008: Estimating chlorophyll concentration in conifer needles with hyperspectral data: An as-sessment at the needle and canopy level. Remote Sensing of Environment, Elsevier, vol. 112, 2824–2838. PORRA, R. J., THOMPSON, W. A., KRIEDEMANN, P. E., 1989: Determination of accurate extinction coefficients and simultaneous equations for assaying chlorophylls a and b extracted with four different solvents: verification of the concentration of chlorophyll standarts by atomic absorption spectroscopy. Biochemica et Biophysica Acta, vol. 975, p. 384 – 394. PRŮMYSL U NÁS, 2005: Velmi stručná charakteristika severočeských hnědouhelných pánví. [online]. 2005 [cit. 2011-06-01]. Dostupné z: . RAUTIAINEN, M. et. al., 2009: Seasonal reflectance trends of hemiboreal birch forests, ScienceDirect, Remote Sensing of Environment 113 (2009) 805–815 ROJÍK, P., 2003: New stratigraphic subdivision of the Tertiary in the Sokolov Basin in Northwestern Bohemia. Jour-nal of the Czech Geological Society, 49/3, 173–186. ROJÍK, P., 2004: Tectonosedimentary development of the Sokolov Basin and its interaction with the territory of the Krušné hory Mts. MS PhD Thesis. Charles University. SANTOS, et al., 2010: Using hyperspectral remote sensing to detect and quantify southeastern pine senescence effects in red-cockaded woodpecker (Picoides borealis) habitat. ELSEVIER Remote Sensing of Environment 114 (2010) S1242–S1250. SCHLERF M et al., 2010: Retrieval of chlorophyll and nitrogen in Norway spruce (Picea abies L. Karst.) using imaging spectroscopy, International Journal of Applied Earth Observation and Geoinformation, 17-26. SIMS, 2002: Relationships between leaf pigment content and spectral reflectance across a wide range of species, leaf structures and developmental stages. ELSEVIER Remote Sensing of Environment 81 (2002) S337–S354.

SMITH, R. B., 2006: Introduction to Hyperspectral Imaging with TNTmips, MicroImages, [online]. 2006. 24 s. [cit. 2011-05-25]. Dostupné z: SOKOLOVSKÁ UHELNÁ, a. s. 2007. Tvorba nové krajiny na Sokolovsku [online]. Sokolov. 2007. 28 s. [cit. 2011-06-06]. Dostupné z: . STERGIOU, C., SIGANOS, D., 1996?: Neural Networks, [on-line], [cit. 2011-05-11], dostupné z: THE FULL SPECTRAL IMAGING PROJECT, [online]. 2008. [cit. 2011-05-15]. Dostupné z: TRIMBLE VRS Now, [online]. 2008. [cit.

2011-07-25].

Dostupné

z:

TSAI, F., PHILPOT, W. 1998. Derivative Analysis of Hyperspectral Data. Remote Sensing of Environment. 1998, vol. 66, p. 41 – 51. U. S. Geological Survey, [online]. 2011. [cit. 2011-06-30]. Dostupné z: USTIN, S., 2009: Retrieval of foliar information about plant pigment systems from high resolution spectroscopy, Remote Sensing of Environment, ELSEVIER Remote Sensing of Environment 113 (2009) S67–S77. VINCINI, FRAZZI, et al., 2011: Comparing narrow and broad-band vegetation indices to estimate leaf chlorophyll content in planophile crop canopies. Precision Agric. (2011) S334S344. WELLBURN, A. R. 1994: The spectral determination of chlorophylls a and b, as well as total carotenoids, using various solvents with spectrophotometers of different resolution. Journal of Plant Physiology, vol. 44, p. 307 – 313. ZARCO-TEJADA, P. J., MILLER, J. R., HARRON, J., HU, B., NOLAND, T. L., GOEL, N., et al. (2004a): Needle chlorophyll content estimation through model inversion using hyperspectral data from boreal conifer forest canopies. Remote Sensing of Environment, 89,189−199.

SEZNAM PŘÍLOH: A – Chlorofylové mapy B – Regresní analýzy mezi Cab a indexy z ASD spekter C – Regresní anylýzy mezi Cab a indexy z HyMap D – Polohová přesnost (DLR)

B – Regresní analýzy mezi Cab a indexy z ASD spekter


5 4 3

y = 0,0003e0,194x R² = 0,9119

2 1 0 35

37

39

41

43

45

47

49

ANMB650‐725 ‐ průměr ASD Obr. 1 Exponenciální regresní model pro index ANMB650-725 vypočtený z průměrných ASD křivek a chlorofyl


6 5 4 y = 0,5121x‐1,473 R² = 0,881

3 2 1 0 0

0,2

0,4

0,6

0,8

1

1,2

TCARI/OSAVI ‐ ASD Obr. 2 Mocninný regresní model pro index TCARI/OSAVI a chlorofyl


5 4 3

y = 0,1083e6,2934x R² = 0,8725

2 1 0 0,2

0,3

0,4

0,5

0,6

NDVI705 ‐ ASD

Obr. 3 Exponenciální regresní model pro index NDVI705 a chlorofyl


5 4 3

y = 0,093e6,6455x R² = 0,9214

2 1 0 0,2

0,3

0,4

0,5

0,6

NDVI705 ‐ průměr ASD

Obr. 4 Exponenciální regresní model pro index NDVI705 vypočtený z průměrných ASD křivek a chlorofyl


6 5 4 y = 0,3835x‐1,061 R² = 0,7949

3 2 1 0 0

0,2

0,4

0,6

0,8

MCARI ‐ ASD

Obr. 5 Mocninný regresní model pro index MCARI a chlorofyl


5 4 3

y = 0,3569x‐1,125 R² = 0,887

2 1 0 0

0,2

0,4

0,6

0,8

MCARI ‐ medián ASD

Obr. 6 Mocninný regresní model pro index MCARI vypočtený z mediánu ASD křivek a chlorofyl

C – Regresní anylýzy mezi Cab a indexy z HyMap


5 4

y = ‐287,82x + 12,276 R² = 0,6494

3 2 1 0 0,032

0,034

0,036

0,038

0,04

ANMB650‐725 ‐ TAU

Obr. 1 Lineární regresní model pro index ANMB650-725 vypočtený ze snímku TAU (výběr nejbližších pixelů pro každý strom) a chlorofyl


5 y = ‐632,77x + 26,044 R² = 0,4824

4 3 2 1 0 0,036

0,037

0,038

0,039

0,04

ANMB650‐725 ‐ DLR

Obr. 2 Lineární regresní model pro index ANMB650-725 vypočtený ze snímku DLR (výběr nejbližších pixelů pro každý strom) a chlorofyl


5 4

y = ‐11,353x + 2,5361 R² = 0,5245

3 2 1 0 ‐0,1

‐0,05

0

0,05

0,1

0,15

0,2

TCARI/OSAVI ‐ TAU

Obr. 3 Lineární regresní model pro index TCARI/OSAVI vypočtený ze snímku TAU (výběr nejbližších pixelů pro každý strom) a chlorofyl


5 4

y = ‐14,444x + 3,3204 R² = 0,1124

3 2 1 0 0,05

0,07

0,09

0,11

0,13

0,15

TCARI/OSAVI ‐ DLR

Obr. 4 Lineární regresní model pro index TCARI/OSAVI vypočtený ze snímku DLR (výběr nejbližších pixelů pro každý strom) a chlorofyl


5 4 3 2 y = 4,0048x + 1,0357 R² = 0,469

1 0 0

0,2

0,4

0,6

0,8

MCARI ‐ TAU

Obr. 5 Lineární regresní model pro index MCARI vypočtený ze snímku TAU (výběr nejbližších pixelů pro každý strom) a chlorofyl


5 4

y = 17,89x + 0,4215 R² = 0,4833

3 2 1 0 0

0,05

0,1

0,15

0,2

MCARI ‐ DLR

Obr. 6 Lineární regresní model pro index MCARI vypočtený ze snímku DLR (výběr nejbližších pixelů pro každý strom) a chlorofyl

D – Polohová přesnost (DLR)

Obr. 1 Polohová přesnost na snímku DLR [Buřičová, 2011]

URČENÍ MNOŽSTVÍ CHLOROFYLU V POROSTECH BŘÍZY BRADAVIČNATÉ A BOROVICE LESNÍ S VYUŽITÍM HYPERSPEKTRÁLNÍCH DAT

Recommend Documents