HODNOCENÍ DLOUHODOBÝCH ZMĚN KRAJINNÉHO POKRYVU OKRESU SVITAVY

Transkript

1 UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie Studijní program: Geografie (bakalářské studium) Studijní obor: Geografie - kartografie Stanislava DRAHOŠOVÁ HODNOCENÍ DLOUHODOBÝCH ZMĚN KRAJINNÉHO POKRYVU OKRESU SVITAVY LAND COVER CHANGES IN REGION SVITAVY Bakalářská práce Vedoucí bakalářské práce: RNDr. Přemysl Štych, Ph.D. Praha

2 Prohlašuji, že jsem tuto bakalářskou práci vypracovala samostatně a že jsem všechny použité prameny řádně citovala. Jsem si vědoma toho, že případné použití výsledků, získaných v této práci, mimo Univerzitu Karlovu v Praze je možné pouze po písemném souhlasu této univerzity. Svoluji k zapůjčení této práce pro studijní účely a souhlasím s tím, aby byla řádně vedena v evidenci vypůjčovatelů. V Praze dne Stanislava Drahošová 2

3 Poděkování Na tomto místě bych ráda poděkovala vedoucímu práce RNDr. Přemyslu Štychovi, Ph.D. za věnovaný čas, cenné rady a připomínky. Dále bych chtěla poděkovat společnosti ESA a MŽP za poskytnutí dat. V neposlední řadě děkuji své rodině a přátelům za podporu v průběhu celého studia. 3

4 Hodnocení dlouhodobých změn krajinného pokryvu okresu Svitavy Abstrakt Cílem práce je hodnocení změn krajinného pokryvu z dat DPZ v okrese Svitavy po roce Vstupními daty jsou scény z družic Landsat 5 a 7 (1994 a 2001) a scéna z družice IRS-P6 (2006). Rešerše se zabývá spektrálními vlastnostmi krajiny, klasifikací dat a hodnocením změn krajinného pokryvu v České republice. Byl použit klasifikátor maximální pravděpodobnosti metody řízené klasifikace. Součástí klasifikace je výběr trénovacích ploch, klasifikace dat, postklasifikační úpravy a ověření správnosti výsledků klasifikace. Hodnocení změn proběhlo na základě rozlohy a podílu jednotlivých tříd land cover a překryvu vektorových vrstev v období a Pracováno bylo v programech PCI Geomatica a ArcGIS. Na základě hodnocení chybových matic docházelo v klasifikaci k chybám. Za celé období však došlo v okrese Svitavy v určité míře k předpokládaným trendů zatravňování, zalesňování a rozšiřování zastavěných ploch. Klíčová slova: land cover, klasifikace, okres Svitavy, Maximum Likelihood Land Cover changes in region Svitavy Abstract The aim of this thesis is to evaluate land cover changes of remote sensing data in region Svitavy after Landsat data (1994 and 2001) and IRS-P6 data (2006) were used. The literature search concerns the spectral characteristics of surface, the image classification and evaluating land cover changes in the Czech Republic. For image classification was used Maximum Likelihood algorithm of supervised method. The parts of image classification are the training stage, the classification stage, postclassification smoothing and classification accuracy assessment. Land cover changes were evaluated by compare area and share of land cover category and overlap of vector layers for and Two programmes were used: PCI Geomatica and the ArcGIS. In my classification were found some errors based on evaluation error matrix. For the whole time period was confirm relatively assumed tendency as growth of grasslands and forests and spreading built-up area in region Svitavy. Keywords: land cover, classification, region Svitavy, Maximum Likelihood 4

5 OBSAH Seznam použitých zkratek... 7 Seznam obrázků a tabulek Úvod Literární rešerše a úvod do problematiky Spektrální vlastnosti a projevy složek krajiny Klasifikace obrazových dat Druhy klasifikací Řízená klasifikace Neřízená klasifikace Objektově orientovaná klasifikace Úprava výsledků klasifikace Hodnocení klasifikace Hodnocení změn krajinného pokryvu v České republice Vstupní datové zdroje Družicové snímky Landsat Družicový snímek IRS-P Ortofotomapy Databáze CORINE Land Cover Metodika Předzpracování dat Klasifikace Klasifikační schéma - legenda Trénovací plochy Klasifikace a postklasifikační úpravy Hodnocení přesnosti Převod do vektorového formátu a zjišťování změn krajinného pokryvu Výsledky Vyhodnocení přesnosti klasifikace Změny land cover Diskuse Závěr

6 Seznam zdrojů a informací Seznam použitých dat Seznam příloh

7 PŘEHLED POUŽITÝCH ZKRATEK CENIA Česká informační agentura životního prostředí CLC CORINE (Coordination of information on the Environment) Land Cover EEA European Environment Agency - Evropská agentura životního prostředí ESA European Space Agency Evropská vesmírná agentura ETM+ Enhanced Thematic Mapper Plus GCP Ground Control Points GMES Global Monitoring for Environment and Security LC Land cover IČ Infračervené záření IRS Indian Remote Sensing Satellite LISS-III Linear Imaging Self - Scanner MSS Multi-Spectral Scanner MŽP Ministerstvo životního prostředí NASA National Aeronautic and Space Administration Národní letecká a vesmírná správa NIR Near Infrared Radiation blízké infračervené záření pix PCIDSK - PCI Geomatics Database File - databázový formát RMSE Root Mean Square Error - střední kvadratická chyba SWIR Short Wave Infrared Radiation krátkovlnné infračervené záření S-JTSK Systém jednotné trigonometrické sítě katastrální shp Shapefile - vektorový datový formát TIFF Tagged Image File Format - formát souboru pro rastrovou grafiku TM Thematic Mapper USGS United States Geological Survey Geologický výzkum Spojených států UTM Universal Transverse Mercator - souřadnicový systém VNIR Visible and Near Infrared Radiation - viditelné a blízké infračervené záření WGS 84 World Geodetic System geodetický referenční systém z roku 1984 WMS Web Map Services WRS Worldwide Reference System 7

8 SEZNAM OBRÁZKŮ A TABULEK Obr. 1 Spektrální křivky odrazivosti základních druhů povrchů Obr. 2 Klasifikátor minimální vzdálenosti a "K" nejbližších sousedů Obr. 3 Klasifikátor pravoúhelníků a upravený klasifikátor pravoúhelníků Obr. 4 Klasifikátor maximální pravděpodobnosti Tab. 1 Chybová matice, hodnocení chyb a přesnosti klasifikace na základě referenčních dat Tab. 2 Základní parametry použitých družicových dat Tab. 3 Základní údaje o pásmech senzoru TM družice Landsat Tab. 4 Základní údaje o pásmech senzoru ETM+ družice Landsat Tab. 5 Základní údaje o pásmech senzoru LISS-III družice IRS-P Tab. 6 Minimální hodnoty jasu atmosférických korekcí Obr. 5 Rozmístění vlícovacích bodů na snímku Landsat Obr. 6 Rozmístění vlícovacích bodů na snímku IRS-P Obr. 7 Detailní umístění některých bodů Tab. 7 Výsledky georeferencování snímku z družieirs-p Tab. 8 Klasifikační schéma pro účel této práce Tab. 9 Počet spektrálních tříd pro jednotlivé kategorie Obr. 8 Ukázka barevných syntéz 432 a 453 na snímku družice IRS-P6 pro rok Obr. 9 Porovnání vrstvy výsledné klasifikace s vrstvou po modální filtraci Tab. 10 Četnost kontrolních bodů Tab. 11 Celkové přesnosti klasifikací Tab. 12 Přesnost klasifikace trénovacích ploch Tab. 13 Rozloha a podíl jednotlivých tříd land cover v okrese Svitavy Tab. 14 Rozloha a podíl nejvýraznějších změn v období Tab. 15 Rozloha a podíl nejvýraznějších změn v období Tab. 16 Podíl rozlohy ploch BP a CLC pro období v okrese Svitavy

9 1. ÚVOD Cílem této práce je zhodnocení změn krajinného pokryvu v okrese Svitavy za tři časová období po roce Území okresu Svitavy bylo vybráno z toho důvodu, že je mi blízké a zejména znalost západní části okresu mi bude nápomocná při zpracování této práce. Zvolené téma hodnocení změn krajinného pokryvu (land cover) je zajímavé i pro starší období než pouze po roce Dnes jsou však aktuálním tématem změny po roce 1990 a jejich předpokládaný vývoj do budoucnosti, proto bylo vybráno toto období a s ním spojené trendy vývoje krajinného pokryvu jako jsou zatravňování orné půdy, zalesňování a nárůst zastavěných ploch. Celý postup zpracování dat je rozdělen do několika částí. Nejdříve jsou zkontrolovány přesnosti geometrických a radiometrických korekcí použitých snímků. Dále je vybrána vhodná klasifikační metoda, s níž jsou spojeny postklasifikační úpravy a hodnocení přesnosti klasifikace. Nakonec byly vyhotoveny mapové výstupy krajinného pokryvu třech časových období a změny krajinného pokryvu v období a Důležitou částí je pak vyhodnocení změn krajinného pokryvu. Pro zpracování byly vybrány snímky vysokého prostorového rozlišení z dat dálkového průzkumu Země (DPZ). Práce je řešena ve dvou programech PCI Geomatica a ArcGIS pod operačním systémem Windows 7. 9

10 2. LITERÁRNÍ REŠERŠE A ÚVOD DO PROBLEMATIKY 2.1. Spektrální vlastnosti a projevy složek krajiny Sluneční záření, které dopadá na zemský povrch, je do značné míry modifikováno. Poměr intenzity odraženého záření a intenzity záření dopadajícího na určité vlnové délce udává spektrální odrazivost. Intenzita odraženého, ale i emitovaného záření je závislá na druhu látky či objektu, na jeho fyzikálním stavu a na stavu jeho okolí. Tyto jednotlivé faktory ovlivňují průběh tzv. spektrální křivky odrazivosti. Spektrální křivka odrazivosti je graf, který udává závislost mezi odrazivostí objektů a vlnovou délkou. Objekty na snímcích můžeme vidět díky odraženému záření, které se mění s vlnovou délkou. Objekty rozpoznáme podle jedinečné spektrální charakteristiky každé látky na zemském povrchu (viz obrázek 1), a to buď ve viditelné, nebo v infračervené části spektra (Dobrovolný, 1998). Vegetační pokryv se objevuje na většině datových souborech pořízených dálkovým průzkumem Země. Spektrální chování určitých druhů rostlin je dáno odrazivostí a emisivitou jejich částí, nejvíce je ovlivňováno listy (Kolář a kol., 1997). V listech jsou zastoupeny zejména buněčné tekutiny, celulózy, tuky, lignin, proteiny, cukry a oleje. Na základě těchto prvků má každá rostlina jiné spektrální chování, avšak pro určení vegetace se vyznačují určitými společnými rysy. Křivka spektrální odrazivosti vegetace se dělí do tří oblastí, které určují velikost spektrální odrazivosti. První oblastí je pigmentační absorpce (pásmo 0,4-0,7 µm). Jedná se o viditelné pásmo, které je nejvíce ovlivněno pigmentačními látkami. V případě rostlin se jedná hlavně o chlorofyl, který se nejvíce odráží v okolí zeleného pásma. Dalšími látkami jsou karoten, xanthofyl a anthokyany. Druhou oblastí je vysoká odrazivost, neboli buněčná struktura (0,7-1,3 µm). V pásmu blízkého infračerveného záření ovlivňuje odrazivost hlavně morfologická struktura listu. A poslední oblastí je oblast vodní absorpce (1,3-3,0 µm). Oblast středního infračerveného záření, je závislá na schopnosti absorpce vody na určitých vlnových délkách (Kolář a kol., 1997). Hodnoty vegetačního indexu korelují s obsahem zelené hmoty v rostlině. Vypočítá se rozdílem odrazivosti v blízkém infračerveném a červeném pásmu. V normovaném tvaru se pro tento ukazatel objevuje tzv. normovaný vegetační index. Odrazivost v jednotlivých pásech je závislá na několika faktorech. Především je ovlivněna obsahem vody v rostlině a také správným obsahem minerálů v půdě nebo nedostatkem železa (Kolář a kol., 1997). Voda se na Zemi vyskytuje jak v plynném skupenství v atmosféře, tak i ve skupenství pevném a kapalném na zemském povrchu. Její spektrální vlastnosti jsou odlišné od ostatních objektů a její obsah například v půdě mění její spektrální chování. Kapalné skupenství se vyznačuje nízkou odrazivostí záření na všech vlnových délkách. Pokud je však ve vodě obsažen plankton nebo jiné látky, její odrazivost se sníží v modré části spektra a naopak ve žlutozelené části se její odrazivost zvýší. Pokud chceme zjišťovat 10

11 informace o dnu vodní nádrže, pak je vhodné užití krátkovlnné oblasti viditelného záření, kde je propustnost vody maximální. Naopak v infračerveném záření je voda téměř nepropustná. Pokud budeme hovořit o pevném stavu vody, její vlastnosti se v mnohém liší. Sníh a led má vysokou odrazivost ve viditelné a blízké infračervené části spektra (Kolář, 1990). Půdy jsou z hlediska spektrálního chování heterogenní. S rostoucí vlnovou délkou je obecně odrazivost anorganických látek v půdě vyšší. Změna průběhu tohoto chování může být narušena chemickým složením, mechanickými vlastnostmi a také strukturou povrchu. S větší velikostí půdní částice je také vyšší celková odrazivost a čím je větší vlhkost, tím je její odrazivost menší. Tyto dva faktory spolu často úzce souvisí. Hrubé písčité půdy jsou dobře odvodňovány, proto mají vyšší odrazivost. Opakem jsou jemnozrnné půdy, které mají nižší odrazivost z důvodu špatného odvodnění. Změnu spektrálních vlastností půd ovlivňuje minerální složení, které ovlivňuje charakteristické zbarvení půd, půdní vlhkost, obsah organických látek zejména v kratších vlnových délkách a textura půdního povrchu v oblasti mikrovln (Dobrovolný, 1998). Obr. 1 Spektrální křivky odrazivosti základních druhů povrchů (zdroj: Klasifikace obrazových dat Klasifikace je proces, který zařazuje naměřené hodnoty do jednotlivých tříd. Součástí tohoto procesu je stanovení klasifikačního pravidla, které přiřadí velikost radiační veličiny určitým parametrům v celém obrazu, a tím určí tyto jednotlivé třídy. Podle změny radiační veličiny, která je závislá na změně druhového nebo stavového parametru, se určují klasifikační pravidla. Pokud jsou tato pravidla význačná a charakteristická, nazýváme je příznaky. Příznaky jsou spojeny se změnou prostorových souřadnic nebo s naměřenými údaji u některé obrazové složky. Podle toho je dělíme na spektrální, prostorové a časové (Kolář, 1990). Nejčastěji se k určení klasifikačního pravidla používají spektrální příznaky, a to z důvodu dobré znalosti spektrálních projevů krajinných složek. Tyto příznaky jsou založeny na zkoumání odrazivých a emisivních vlastností povrchu. Prostorové příznaky 11

12 zahrnují rozpoznávací charakteristiky jako jsou hranice, tvar a velikost, ale také vnitřní textura objektu. Časové příznaky sledují změny prostorových a spektrálních příznaků v čase, které jsou uvedeny v klasifikačních pravidlech. U těchto změn je nutné odlišit změny náhodné a sledované (Kolář, 1990). Klasifikační pravidla se vytvářejí pomocí příznaků, které jsou zkoumány pouze na vybrané části naměřeného souboru. Tyto části souboru nazýváme trénovací soubor. Trénovací soubor musí obsahovat všechny zkoumané třídy a díky datům z jiných zdrojů do nich musí být jednoznačně zařazen (Kolář a kol., 1997). Než použijeme klasifikační pravidlo pro celý soubor, můžeme ho použít na ověřovacím souboru, který je tvořen částí původního souboru. Pokud je pravidlo nefunkční, je nutné ho opravit (Kolář, 1990). Pro kvalitní zpracování klasifikačního pravidla se využívají geoinformační systémy, které mohou poskytnout data z jiných informačních zdrojů, to umožňuje rozšíření informací o krajinných objektech (Kolář a kol., 1997) Druhy klasifikací Podle způsobu, jak klasifikaci vytváříme, ji dělíme na dva druhy: klasifikaci řízenou a klasifikaci neřízenou. Řízená klasifikace je založena na vytvoření tzv. trénovacích ploch, stanovení (statistické) charakteristiky spektrálních příznaků, porovnání obrazových prvků a jejich zařazení do tříd na základě zvoleného klasifikačního pravidla. Neřízená klasifikace roztřídí všechny obrazové prvky do shluků, kterým poté zpracovatel přiřadí informační obsah. Existují také tzv. hybridní klasifikace, které se skládají z jednotlivých etap těchto dvou klasifikací (Dobrovolný, 1998). V následujících podkapitolách budou popsány základní klasifikace: řízená, neřízená a objektově orientovaná Řízená klasifikace Proces řízené klasifikace se dělí na tři hlavní kroky, kterými jsou tréninkové stádium, samotná klasifikace a její hodnocení. (Liu; Mason, 2009) Na základě podkladových informací se v tréninkovém stádium vyberou vhodné trénovací plochy, které slouží jako vzory pro jednotlivé předem dané třídy. Důležitými kroky, pro správné určení těchto ploch, je jejich rozložení po celém zkoumaném území a zastoupení všech jednotlivých tříd, které mají odlišné spektrální vlastnosti. Dále je potřeba stanovit limit minimálního počtu pixelů pro každou třídu trénovací plochy a pro jednu třídu vybrat více menších ploch než jednu velkou (Kolář a kol., 1997). Dobrovolný (1998) navíc doplňuje tento výčet o umístění ploch mimo okrajové pixely daného povrchu a jejich normální rozdělení v trénovacích plochách. Aby klasifikace proběhla bezchybně, je nutné, aby tréninková data byla reprezentativní a kompletní. V průběhu vybírání tréninkové množiny se pak provádějí grafické (histogramy, grafy koincidence a rozptylogramy) a numerické (divergence) analýzy procesu. Pro kontrolu normálního rozložení, které je důležité zejména při použití klasifikátoru maximální pravděpodobnosti, se nejčastěji používá grafického znázornění jednotlivých pásem pomocí histogramů, které znázorňují rozdělení jednotlivých tříd. Pokud má histogram dva vrcholy, znamená to, že třída je složená 12

13 ze dvou různých spektrálních charakteristik, a proto je vhodné trénovací plochu rozdělit do dvou tříd. Dalším způsobem poznání separability tříd je vykreslení tříd do rozptylogramu, což jsou grafy s vykreslenými DN hodnotami pixelů trénovacích ploch. Do numerické analýzy řadíme tzv. matici divergencí, která znázorňuje míru statistické separability dvou tříd ve dvou pásmech. Hodnota 2000 je nejvyšší, kterou může divergence dosáhnout, a značí maximální spektrální oddělitelnost tříd. Čím je pak divergence nižší, tím se také snižuje pravděpodobnost správného oddělení tříd, přičemž hodnota 1500 označuje spektrálně podobné třídy (Kolář a kol., 1997). Během druhého stádia, tedy klasifikace, se pixely zařazují, nebo nezařazují do jedné z tříd. Zařazují se pomocí rozhodovacího pravidla - klasifikátoru, který je založen na předpokladu shlukování obrazových prvků jedné třídy v určité části vícerozměrného příznakového prostoru. Shluky popisují spektrální chování každé třídy hodnoceného povrchu (Dobrovolný, 1998). Mezi jednotlivá nejčastěji používaná pravidla patří: Klasifikátor minimální vzdálenosti od průměru (Minimum distance), kdy v každém pásmu je nejdříve vypočtena průměrná spektrální hodnota pro každý shluk, která pak definuje střed shluku (centroid) ve vícerozměrném prostoru. Zařazení pixelů do tříd je hodnoceno na základě vzdálenosti od středu shluku. Určitou modifikací tohoto pravidla vzniká Klasifikátor "K" nejbližších sousedů. Příslušnost pixelu hodnotí navíc na základě početního zastoupení pixelů určité třídy v okolí zpracovaného obrazového prvku, ten je pak zařazen do třídy, která v množině sousedů převažuje (Dobrovolný, 1998). Obr. 2 Klasifikátor minimální vzdálenosti a "K" nejbližších sousedů (zdroj: Dobrovolný, 1998) Klasifikátor pravoúhelníků (Parallelpiped) Způsob klasifikace spočívá v zařazení pixelů do vymezeného prostoru, který je dán rozsahem mezi maximální a minimální hodnotou v každém pásmu. V každém pásmu je vytvořen čtyřúhelník, který určí jednu třídu (Kolář a kol., 1997). 13

14 Obr. 3 Klasifikátor pravoúhelníků a upravený klasifikátor pravoúhelníků (zdroj: Dobrovolný, 1998) Klasifikátor maximální pravděpodobnosti (Maximum Likelihood) Početně náročný klasifikátor, jehož předpokladem je normální rozložení shluku pixelů v trénovacích množinách, ale také kvantitativní hodnocení jak rozptylu hodnot, tak i korelace a kovariance tříd. Díky tomu může definovat frekvenční funkci normálního rozložení, která je dána tzv. průměrovým vektorem (míra úrovně) a kovarianční maticí (míra variability). Podstata frekvenční funkce spočívá v zařazení pixelu na základě nejvyšší pravděpodobnosti výskytu. Třídy jsou určeny elipsami, které spojují místa stejné pravděpodobnosti výskytu pixelu určité hodnoty. Rozšířením tohoto klasifikátoru je Bayesovský klasifikátor (Dobrovolný, 1998). Obr. 4 Klasifikátor maximální pravděpodobnosti (zdroj: Dobrovolný, 1998) Neřízená klasifikace Během neřízené klasifikace se na rozdíl od řízené klasifikace nedefinují trénovací plochy. Jejím hlavním procesem jsou tzv. shlukové analýzy, které slouží k vymezení shluků. Během první fáze analýzy jsou zkoumány neznámé pixely v obrazu, které jsou následně na základě podobné spektrální odrazivosti spojeny do shluků. Tím se vytvoří tzv. spektrální třídy, které jsou srovnávány s jinými třídami z podpůrných (referenčních) dat jako jsou např. letecké snímky a mapy. Až v druhé fázi je těmto třídám přiřazen určitý geografický obsah, který vytváří informační třídy. V některých případech můžeme 14

15 shlukováním lépe odlišit některé spektrální charakteristiky povrchu než pomocí řízené klasifikace. Zde jsou však spektrální třídy pouze meziprodukt a nemusí mít pro výsledné zpracování žádný význam (Dobrovolný, 1998). Mezi nejznámější používané algoritmy patří K-means, ISODATA, NARENDRA A GOLDBERGA a AMOEBA. Algoritmus "K-means" vznikl modifikací metody nejbližšího souseda. Hodnotí vzdálenosti mezi středy jednotlivých shluků na základě definování výsledného počtu shluků a poloh jejich středů. Klasifikované pixely jsou pak přiřazeny do shluku, jehož průměrový vektor (střed) je analyzovanému prostoru nejblíže. Dalším příkladem je algoritmus ISODATA, který vychází z předchozího. Při zařazování pixelů do jednotlivých shluků jsou určeny parametry, díky nimž je možné, že jeden shluk se rozdělí do dvou shluků. Druhou možností je spojení shluků v jeden a třetí je zrušení shluku jednoho a přiřazení jeho pixelů k okolním shlukům. Příkladem tzv. neparametrické metody shlukování je algoritmus NADENDRA a GOLDBERG. Shluky se vytváří na základě definování hranic různých tvarů mezi jednotlivými shluky ve zpracovatelském procesu. Na počátku tohoto algoritmu se neudává požadovaný počet výsledných shluků. Posledním uváděným algoritmem je AMOEBA, který funguje jako speciální filtrace obrazu (Dobrovolný, 1998) Objektově orientovaná klasifikace V současné době se dostává do popředí klasifikace, která není založená pouze na klasifikaci příznakového (spektrálního) prostoru, ale zahrnuje také prostor geografický. Tento nový přístup se nazývá objektově orientovaná klasifikace (OBIA Object-oriented Image Analysis) (GISAT, 200-?). Metoda objektové klasifikace může pro klasifikaci dat brát v úvahu jak spektrální, texturální, tak i kontextuální informace. Tuto metodu je vhodné použít na snímcích s vysokým prostorovým rozlišením. Prvním a nejdůležitějším krokem je vymezení objektů reality, které jsou tvořeny homogenní skupinou pixelů podobných spektrálních nebo prostorových vlastností (textura, tvar, velikost a vztahy k sousedním objektům). Tyto objekty vznikají na základě tzv. segmentace. Segmentační algoritmy jsou důležité pro získávání objektů, čili rozdělování obrazových dat v geografickém a příznakovém prostoru. Pro tento proces však musí být definovány parametry objektů jako jsou míra homogenity nebo heterogenity a jejich velikost (Bhaskaran et al., 2010). Objektově orientovaná klasifikace je tedy založena na segmentech nebo objektech, které jsou tvořeny skupinou souvisejících pixelů. Nejmenší jednotku klasifikace tvoří tyto segmenty na rozdíl od klasifikací per-pixel, kde je za nejmenší jednotku považován obrazový prvek (pixel) (Huang; Ni, 2008). Klasifikátory objektové klasifikace se dělí na tzv. měkké, kam můžeme zařadit například klasifikátor neostré množiny "fuzzy logic", který zařazuje objekty do tříd podle stupně příslušnosti. Hodnota stupně příslušnosti může ležet v intervalu 0 až 1, kde hodnota 0 nebo 1 značí absolutní nepříslušnost resp. příslušnost. Hodnoty v rozmezí tohoto intervalu udávají pravděpodobnost náležitosti do dané třídy. Pokud příslušnost 15

16 nabývá hodnot 0 nebo 1, mluvíme o tzv. tvrdých klasifikátorech. Klasifikátor pixel do příslušné třídy buď zařadí, nebo nezařadí (Váňová, 2009) Úprava výsledků klasifikace Vhodným procesem, který se používá pro úpravu klasifikovaného obrazu, je vyhlazení. V klasifikovaném obraze se mohou z důvodu klasifikace pixelu po pixelu objevovat osamocené pixely, které náleží do jiné třídy. Takový výsledek není příliš vhodný pro prezentaci výsledků, a proto by tyto pixely měly být zařazeny do dominující třídy v okolí, než do které byly přiřazeny původně. Proces vyhlazení tedy odstraní osamocené pixely a současně zlepší celkovou přesnost klasifikace. Jedním ze způsobu vyhlazení obrazu je použití nízkofrekvenčního filtru. Nízkofrekvenční filtry jsou založeny na aritmetických a logických operacích. Výsledkem aritmetického filtru může v obraze vzniknout chyba z nesprávného výpočtu středního pixelu, a proto je vhodnější použití filtru na základě logických operací. Jediným takovým filtrem je modální (majoritní) filtr. Tento filtr přiřadí středovému pixelu takovou hodnotu, která se nejčastěji vyskytuje ve zvoleném obrazovém okně, pokud třída majoritní není, středový pixel se nezmění (Liu; Mason, 2009) Hodnocení klasifikace Hodnocení přesnosti klasifikace je obtížný proces, bez kterého by však klasifikace nebyla úplná. Pokud nalezneme v klasifikaci chybu, pak tomu rozumíme tak, že pixel byl klasifikován do jiné třídy a jeho význam neodpovídá skutečnosti (Dobrovolný, 1998). Tyto chyby mohou mít různé vlastnosti: vyskytují se pouze mezi některými třídami (např. záměna listnatého a jehličnatého lesa), vytváří se spíše ve skupinách než izolovaně (např. les klasifikovaný uprostřed vodní plochy) a na některých typických místech klasifikovaných snímků (příkladem je klasifikovaný les ve vodní hladině způsobený zvýšeným obsahem řas) (Kaplan, 2004). Pro vyhodnocení úspěšnosti klasifikace se nejčastěji používá výpočet klasifikační chybové matice (viz tabulka 1). Počet hodnocených tříd udává počet řádků a sloupců ve čtvercové matici. Nejjednodušší metodou pro získání chybové matice je srovnání trénovacích ploch s výsledkem klasifikace. Hodnoty v této matici pak oznamují, kolik pixelů z trénovacích ploch bylo klasifikováno do jednotlivých tříd. Tato chybová matice nehodnotí výsledek klasifikace celého obrazu, ale pouze trénovacích ploch. Variantou pro hodnocení úspěšnosti klasifikace celého obrazu je srovnání výsledku klasifikace s testovacími plochami, které jsou definovány na základě jiné části referenčních dat než těch, která byla použita na trénovacích plochách z důvodu zachování objektivnosti (Kaplan, 2004). Při čtení z chybové matice zjišťujeme, že pixely, které leží mimo její diagonálu, představují chyby v klasifikaci. Jedněmi z nich jsou tzv. chyby z opomenutí (CHO), které se vypočítají jako podíl součtu pixelů ve sloupci mimo hlavní diagonálu dělený celkovým počtem pixelů dané třídy v referenčních datech. Jedná se o pixely, které 16

17 Klasifikovaná data měly být klasifikovány do nějaké třídy, byly však vynechány a zařazeny do třídy jiné (např. 16 pixelů, které měly být klasifikovány do třídy lesa, zde byly opomenuty). Tzv. chyby z nesprávného zařazení (CHZ) se vypočítají jako součet nesprávně zařazených pixelů v řádku dané třídy dělený celkovým počtem pixelů dané třídy v referenčních datech. Chyby z nesprávného zařazení zahrnují pixely jedné třídy, které byly nesprávně zařazeny do jiné třídy něž měly být klasifikované (příkladem je 5 pixelů pole, které byly nesprávně přiřazeny do třídy vody) (Dobrovolný, 1998). Z chybové matice můžeme vyčíst další ukazatele, na základě kterých se hodnotí přesnost výsledků klasifikace, která je ovlivněna zejména výběrem testovacích ploch. Ukazatelem, který hodnotí přesnost klasifikace je průměrná přesnost, která se vypočítá jako poměr počtu správně klasifikovaných pixelů ku celkovému počtu pixelů. Udává s jakou pravděpodobností byl pixel správně zařazen. Matice znázorněná v tabulce 1 dosáhla průměrné přesnosti 92 % (Kaplan, 2004). Pro hodnocení přesnosti jednotlivých tříd se uvádějí dva ukazatele. Jedním je přesnost z hlediska uživatele (PU) a druhým je přesnost z hlediska zpracovatele (PZ). První ukazatel se vypočítá jako počet správně klasifikovaných pixelů, který se vydělí celkovým počtem pixelů zařazených do této kategorie (součet řádku). Uživatelská přesnost udává pravděpodobnost, že pixel zařazený do dané třídy tuto třídu reprezentuje i ve skutečnosti. Druhé hledisko se počítá opět pro každou třídu jako poměr mezi počtem správně klasifikovaných pixelů a počtem použitých pixelů pro danou třídu (sloupec). Tato hodnocení přesnosti jsou mnohem objektivnější než použití dat z trénovacích ploch (Dobrovolný, 1998). Tab. 1 Chybová matice, hodnocení chyb a přesnosti klasifikace na základě referenčních dat (zdroj: Dobrovolný, 1998; upraveno) Referenční data třída Voda Les Pole TTP Půda SUMA PU [%] Voda Les Pole TTP Půda SUMA CHO [%] CHZ [%] PZ [%] Dalším běžně užívaným ukazatelem přesnosti klasifikace a její kvality je kappa koeficient. Tento ukazatel však nehodnotí pouze přesnosti jednotlivých tříd jako předchozí dva ukazatele, ale jejich kombinací hodnotí jako jediný přesnost klasifikace celého obrazu. Kappa koeficient nabývá hodnot v intervalu 0 a 1. Pokud se klasifikace shoduje s referenčními daty stoprocentně, pak se pixely v chybové matici nacházejí pouze v diagonále. Výsledná, a tedy maximální hodnota koeficientu je 1. Pokud klasifikace a referenční data nebudou mít žádnou shodu, pak v diagonále chybové matice budou samé 17

18 nuly. Hodnota koeficientu v tomto případě nabývá hodnot menších nebo rovno 0 (Liu; Mason, 2009). Příkladem je hodnota 0,90, která, jak uvádí Dobrovolný (1998, s. 170.), znamená, že při dané klasifikaci jsme se vyhnuli 90 % chyb, které by vznikly při čistě náhodném zařazování pixelů do jednotlivých tříd. Výpočet koeficientu je založen na principu, že i při použití náhodné klasifikace, mohou být některé pixely správně zařazeny do svých tříd. Koeficient κ je definován takto κ = PP PO 1 PO, kde PP je dosažená přesnost a PO je přesnost klasifikace při náhodném zařazování pixelů do tříd (Kaplan, 2004) Hodnocení změn krajinného pokryvu v České republice V rámci České republiky (ČR) se zabývá mapováním a hodnocením krajinného pokryvu pomocí metod dálkového průzkumu Země mnoho odborných i studentských prací. Projektem, který se zabývá zjišťováním povrchů na území celé České republiky, ale i celé Evropské unie, je CORINE Land Cover (viz kapitola 3.4.). Dalším výzkumným projektem, který se zabývá změnou krajinného pokryvu v rámci České republiky a je součástí grantového programu ČR, je výzkum dlouhodobých změn využití krajiny Česka (LUCC Czechia). Pod záštitou mezinárodní komise IGU LUCC (International Geographical Union Commission on Land Use and Land Cover Change) probíhají projekty mezinárodního významu jako je Land Use Land Cover Change, jehož přispěvatelem je i projekt LUCC Czechia. Součástí tohoto projektu byla vytvořena speciální skupina, která se snaží hodnotit krátké, střednědobé i dlouhodobé změny využití krajiny pomocí moderních metod DPZ a GIS. Hlavním koordinátorem tohoto projektu je Doc. RNDr. Ivan Bičík, CSc., který je zároveň v období předsedou komise IGU-LUCC a člen katedry sociální geografie a regionálního rozvoje PřF UK. V rámci projektu již byla na Přírodovědecké fakultě UK v Praze vytvořena databáze využití půdy katastrálních území pro roky 1845, 1948, 1990 a V databázi nalezneme rozlohy a podíly osmi kategorií využití půdy pro tzv. srovnatelné územní jednotky (tvoří je buď katastrální území nebo sloučená katastrální území), které pokrývají celou ČR. Nyní je snaha doplnit tuto databázi rokem 2010 (LUCC Czechia, c ). Jednotlivými zájmovými územími se zabývají diplomové a bakalářské práce. L. Červená (2010) hodnotí dlouhodobé změny krajinného pokryvu okresu Náchod mezi lety 1979 a 2001 pomocí multispektrálních snímků družice Landsat. Jako metodu automatické klasifikace zvolila řízenou klasifikaci s klasifikátorem maximální pravděpodobnosti. Minimální mapovací jednotka byla stanovena na 5 ha. Celkové přesnosti klasifikace dosahovaly pro jednotlivé roky od 67,2 % (1979), 74 % (1991), po nejvyšší v roce ,8 %. Změny land cover klasifikací let 1991 a 2000 porovnává s podíly rozloh databází CORINE Land Cover a LUCC Czechia. Na závěr z autorčina porovnávání vyplývá, že nelze 18

19 hodnotit změny za celé sledované období, protože pro rok 1979 nebyla sehnána žádná referenční data. Na základě hodnocení přesnosti klasifikací nevypovídají snímky o skutečnosti, avšak ze snímků z roku 1991 a 2001 mohla potvrdit trendy zatravňování, mírné zalesňování a pokles rozlohy orné půdy. Vytvořením tématické mapy základních druhů povrchů ORP Jihlava se zabývá práce S. Váňové (2007), která zpracovává snímek z družice Landsat 7. Pro zpracování nejdříve vytvořila klasifikační systém o osmi třídách. V programu EOSCAPE použila klasifikátor maximální pravděpodobnosti řízené klasifikace a v programu Multispect použila klasifikátor ECHO, který je součástí tzv. per-object metody. Pro výslednou mapu byl zvolen výstup z klasifikátoru maximální pravděpodobnosti, který dosáhl přesnosti klasifikace trénovacích ploch 95,1 %. Výsledek zastoupení jednotlivých tříd se příliš nelišil od skutečnosti. Vytvořením map vegetačního krytu vybraného území v okolí Zlína z družicového snímku Landsat 7 se zabývá práce L. Geherové (2011). V práci využila k mapování vegetace vegetačního indexu NDVI a pro klasifikaci zvolila klasifikátor maximální pravděpodobnosti. Ve výsledku bylo vytvořeno celkem pět informačních tříd. Celková přesnost trénovacích ploch dosáhla v tomto příkladě 95,4 %. Přesnost klasifikace byla hodnocena vizualizací jednotlivých klasifikovaných tříd a CORINE Land Cover. Z výsledku vyplývá, že klasifikace odpovídá reálnému rozmístění jednotlivých sledovaných povrchů. 19

20 3. VSTUPNÍ DATOVÉ ZDROJE Hlavním zdrojem dat pro vypracování bakalářské práce byly tři snímky z let 1994, 2001 a První snímek byl pořízen 1. srpna 1994 družicí Landsat 5, druhý 24. května 2001 družicí Landsat 7 a poslední 17. července 2006 družicí IRS-P6. Přehled základních parametrů dat je uveden v tabulce 2. Zdrojem referenčních dat byly barevné ortofotomapy dostupné přes Web Map Services (WMS) pro roky z GEODIS Brno a pro roky z Českého úřadu zeměměřičského a katastrálního, spol. s.r.o. Ministerstvo životního prostředí (MŽP) poskytlo databáze CORINE Land Cover ve formátu shapefile pro roky 1990, 2000 a Tab. 2 Základní parametry použitých družicových dat (zdroje: Dobrovolný, 1998; Tucker et al, 2004; Müller et al., 2009) družice Landsat 5 Landsat 7 IRS-P6 skener TM ETM+ LISS-III velikost pixelu 30 m 28,5 m (převzorkováno z 30 m) 20 m (převzorkováno z 23,5 m) datum pořízení počet pásem Družicové snímky Landsat Snímky z družic Landsat jsou po registraci zdarma dostupné na internetu na stránkách EarthExplorer ( nebo na stránkách USGS Global Visualization Viewer ( Global Orthorectified Landsat Data Set jsou dostupné na stránkách Marylandské Univerzity Global Land Cover Facility ( Jednotlivá pásma všech snímků jsou dostupná samostatně ve formátu TIFF. Snímky jsou zařazeny do univerzálního transverzálního Mercatorova systému souřadnic (UTM) vztaženému k referenčnímu systému WGS84. Cílem Landsat programu je shromáždit data o Zemi, která jsou pořízená sérií satelitů. Na programu se podílejí společnosti U.S. Geological Survey (USGS) a Národní úřad pro letectví a kosmonautiku (NASA). Data ze satelitů Landsat jsou používaná v oblastech výzkumu změny klimatu, zemědělství, lesnictví, geologie, geografie a mnoha dalších. První družice Landsat byla vypuštěna do vesmíru v červenci roku Další následovaly během několika let až do současnosti. Nejnovější je družice Landsat 7, která byla vypuštěna v dubnu Všechny družice mají opakovanou, slunečně synchronní dráhu (USGS, 2003). Landsat 5 nese senzor Multispectral sensor (MSS), který nesly také první tři družice, a vylepšený senzor Thematic Mapper (TM). Tyto dva senzory snímají odražené nebo emitované záření z povrchu Země ve viditelných a infračervených (IČ) vlnových délkách. Senzor TM snímá odražené záření kromě pásma 6., které snímá emitované záření. Prostorové rozlišení je 30 m pro šest pásem a 120 m pro termální-infračervené pásmo. 20

21 Nejnovější satelit v sérii Landsat 7 nese senzor Enhanced Thematic Mapper Plus (ETM+) s rozlišením 30 m pro viditelná a infračervená pásma, 60 m pro termální a 15 m pro panchromatické. Tyto dva satelity mají oběžnou dráhu družic ve výšce 705,3 km a jsou synchronizovány tak, aby perioda opakování byla dosažena po osmi dnech. Každý tedy dosáhne stejného místa po 16 dnech (USGS, 2003). Snímky, na kterých se nachází okres Svitavy, jsou v systému WRS-2 a jsou určeny dráhou 190 a řádkem 25. Worldwide Reference System (WRS) je způsob globálního záznamového systému, na základě kterého jsou organizovány snímky z družic Landsat. Družice snímají celou plochu zemského povrchu mezi 82 severní a jižní šířky. Jednotlivé scény jsou pro snadnější hledání rozděleny podle čísla dráhy (path) a čísla řádky (row). Záznamový systém se liší pro družice Landsat 1, 2 a 3, pro které je určen WRS-1, a pro Landsat 4, 5 a 7, které mají z důvodu nižší výšky družice systém WRS-2. WRS-2 vznikl rozšířením WRS-1 a je určen 233 drahami. Jeho oběžná dráha, která kříží rovník nad 64,6 západní délky, začíná číslem 001. Čísla řádek umožňují vyhledat všechny scény v jedné zeměpisné šířce a oba WRS jich mají 248. Řádek 060 odpovídá rovníku, řádka 001 odpovídá 80 1'12" na severu a řádku 119 na jihu (NASA, 2010). Snímky byly vybrány tak, aby obsahovaly co nejméně oblačnosti. Byl vybrán snímek pořízený 24. května 2001 senzorem ETM+ družice Landsat 7, který je součástí zpracovaných ortorektifikovaných dat (Global Orthorectified Landsat Data Set). Tento projekt nechala zpracovat NASA společností Earth Satellite Corporation ( of Rockville (Maryland), která ortorektifikovala vhodně vybrané snímky z let cca 1970, cca 1990 a cca Vypracovaná data jsou uložena v USGS EROS Data, Center, Sioux Falls (South Dakota). Většina dat je dostupných na University of Maryland s Global Land Cover Facility ( Všechny snímky se skládají z osmi spektrálních pásem. Jejich prostorové rozlišení je 14,25 m pro panchromatické, 28,5 m pro odrazivé a 57 m pro termální pásmo (Tucker et al., 2004). Další vybraný snímek z roku 1994 je pořízený senzorem TM družice Landsat 5. Tento snímek poskytuje korekce Level 1T a byl převzorkován metodou kubické konvoluce. Snímek je dostupný na stránkách EarthExplorer ( s prostorovým rozlišením všech pásem 30 m kromě termálního pásma, které bylo pořízeno v rozlišení 120 m a poté převzorkováno na 60 m (USGS, 200-?). Přehledné informace o jednotlivých pásmech senzorů TM a ETM+ družice Landsat jsou uvedeny v tabulkách 3 a 4. 21

22 Tab. 3 Základní údaje o pásmech senzoru TM družice Landsat (zdroj: Dobrovolný, 1998) Pásmo Spektrální rozsah pásma Δλ (µm) Prostorové rozlišení [m] Název 1. 0,45-0,52 30 viditelné modré 2. 0,52-0,60 30 viditelné zelené 3. 0,63-0,69 30 viditelné červené 4. 0,76-0,90 30 blízké infračervené 5. 1,55-1,75 30 střední infračervené 6. 10,40-12, termální 7. 2,08-2,35 30 střední infračervené Tab. 4 Základní údaje o pásmech senzoru ETM+ družice Landsat (zdroj: Tucker et al.,2004) Pásmo Spektrální rozsah pásma Δλ (µm) Prostorové rozlišení [m] Rozlišení po převzorkování [m] Název 1. 0,45-0, ,5 viditelné modré 2. 0,52-0, ,5 viditelné zelené 3. 0,63-0, ,5 viditelné červené 4. 0,76-0, ,5 blízké infračervené 5. 1,55-1, ,5 střední infračervené ,40-12, termální ,40-12, termální 7. 2,08-2, ,5 střední infračervené 8. 0,52-0, ,25 panchromatické 3.2. Družicový snímek IRS-P6 Indická družice Indian Remote Sensing Satellite (IRS-P6), známá také pod názvem ResourceSat-1, byla vypuštěna 17. října 2003 na slunečně synchronní dráhu. Družice se nachází ve výšce 817 km. Snímek byl poskytnut společností European Space Agency (ESA) ( na základě žádosti. Unikátem této družice je nosnost tří senzorů s jiným rozlišením a různou šířkou řádku. Jedním z nich je i elektronický Linear Imaging Self-Scanner (LISS-III), který pořizuje snímky vysokého prostorového rozlišení. Jedná se o multispektrální senzor, který snímá čtyři spektrální pásma. Tři pásma se nacházejí ve viditelném a blízkém infračerveném pásmu (VNIR) a jedno se nachází ve středním IČ pásmu (SWIR). Jejich rozlišení je 23,5 m a šířka jednoho řádku je 141 km. Jedná se o 7 bitová data. Snímek pořízený 17. července 2006 je součástí projektu Image Pod záštitou GMESFast Track Land Service a společností ESA byla vytvořena nová databáze ortorektifikovaných snímků, které pokrývají celkem 38 státu Evropy. Do projektu byly zařazeny tři družice: SPOT 4 HRVIR s prostorovým rozlišením 20 m, SPOT 5 HRG (10 m) a IRS-P6 LISS-III (23 m). Všechny družice pracují se čtyřmi spektrálními pásmy (Müller et al., 2009). Pro tuto práci byl vybrán snímek družice IRS-P6 z důvodu pokrytí celého sledovaného území okresu Svitavy. Vybraný snímek byl 22

23 poskytnut ve zpracování OrthoKit, který zahrnuje všechna čtyři spektrální pásma ve formátu TIFF v souřadnicovém systému UTM, referenčním systému WGS84 a prostorovém rozlišení 20 m. Rozsah spektrálních pásem a jejich prostorové rozlišení je uvedeno v tabulce 5. Tab. 5 Základní údaje o pásmech senzoru LIS-III družice IRS-P6 (zdroj: Müller et al., 2009) Pásmo Spektrální rozsah pásma Δλ (µm) Prostorové rozlišení [m] Rozlišení po převzorkování [m] Název 2. 0,52-0,59 23,5 20 viditelné zelené 3. 0,62-0,68 23,5 20 viditelné červené 4. 0,77-0,86 23,5 20 blízké infračervené 5. 1,55-1,70 23,5 20 střední infračervené 3.3. Ortofotomapy Základními podkladovými a informačními daty jsou ortofotomapy pořízené přibližně v letech družicových snímků. Ortofotomapa z let byla vytvořena společností GEODIS Brno, s.r.o. Jedná se o barevnou ortofotomapu, která pokrývá celé území České republiky (GEODIS, ). Pro tuto práci však byla použita pouze dostupná část ortofotomapy pomocí WMS serveru pro Pardubický kraj. Její rozlišení je 50 cm/pixel a je umístěna v souřadnicovém systému WGS84. Český úřad zeměměřičský a katastrální poskytuje barevnou ortofotomapu pro roky , která je také dostupná přes WMS server. Její rozlišení je 50 cm/pixel a opět se jedná pouze o území Pardubického kraje Databáze CORINE Land Cover Cílem programu CORINE (COoRdination of INformation on the Environment) je sběr, koordinace a zajištění kvalitních informací o životním prostředí a přírodních zdrojích. Program byl zahájen Evropskou komisí v roce 1985 a dále se rozšířil na státy střední a východní Evropy v roce Databáze CORINE Land cover (CLC) byla vytvořena interpretací družicových snímků ve třech časových obdobích (1990, 2000 a 2006). V každém období byla vytvořena mapa vegetačního pokryvu v měřítku 1 : a mezi dvěma referenčními lety byly vytvořeny změnové databáze přírůstku a úbytku jednotlivých ploch. Pro tento projekt byla vytvořena nomenklatura, která má v základní hierarchii tříd tři úrovně. První úroveň obsahuje 5 tříd a třetí úroveň 44. Tyto třídy se vyskytují po celé Evropě a na území České republiky se jich na třetí úrovni vyskytuje 28 (CENIA, 2008). Projekt CORINE Land Cover 1990 byl v České republice započat v roce 1993 firmou Gisat. Přípravné práce na tomto projektu začaly v roce 1991, kdy byla prozkoumána 23

24 vhodnost nomenklatury a metodologie pro Československou republiku. Pro zpracování byly použity snímky Landsat z let Výstupem byly dvě databáze, každá pro jednu republiku (CENIA, 2008). Aktualizace projektu byla nazvána CLC 2000 a byla zpracovávána pod nově vytvořenou Evropskou agenturou životního prostředí (EEA). V České republice probíhal projekt pod záštitou Ministerstva životního prostředí (MŽP) a technické zpracování provedla firma Help service remote sensing s.r.o. Aktualizace probíhala na základě dvou projektů IMAGE2000 a CLC2000 (I&CLC2000). Projekt IMAGE2000 zahrnuje pořízení snímků z družice Landsat 7 s radiometrem ETM + (Holý, 2008). Prostorové rozlišení snímků bylo 25 m a minimální jednotka pro inventarizaci byla stanovena na 25 ha o minimální šíři 100 m. Minimální velikost změnové plochy byla stanovena na 5 ha (CENIA, 2008). Dalším referenčním rokem pro mapování CORINE Land Cover se stal rok 2006 jenž byl součástí evropského projektu Global Monitoring for Environment and Security (GMES) Fast Track Service (FTS) Land Monitoring. V České republice tento projekt koordinovala Česká informační agentura životního prostředí - CENIA a technické zpracování provedla stejně jako v roce 2000 firma Help service remote sensing s.r.o. Na rozdíl od roku 2000 je projekt zaměřen na mapování všech změn větších než 5 ha včetně změn izolovaných. Součástí projektu IMAGE 2006 jsou data družic SPOT-4 (senzor HRVIR) a IRS-P6 (senzor LISS-III). Tato data byla ortorektifikována a jejich prostorové rozlišení je 20 m (Holý, 2008). 24

25 4. METODIKA V této části je popsán proces zpracování obrazových dat. V první části byly hodnoceny přesnosti radiometrických a geometrických korekcí. V dalších částech byly provedeny klasifikace snímků, postklasifikační úpravy, ověření získaných výsledků, které byly provedeny v programu PCI Geomatica (modul Focus a OrthoEngine), a převod výsledků klasifikace z rasterové do vektorové podoby, které poslouží pro tvorbu finálního výstupu v programu ArcGIS 10 (modul ArcMap) Předzpracování dat Na kvalitu výsledného snímku působí nežádoucí vlivy, jako jsou technické nedokonalosti snímacího přístroje a atmosféra. Abychom mohli použít snímky pro další zpracování, je nutné nejdříve opravit jisté geometrické a radiometrické vlastnosti, které odstraní nebo potlačí tyto chyby (Dobrovolný, 1998). Na všech dostupných snímcích, které byly použity v této práci, již byly provedeny jak radiometrické, tak i geometrické korekce. Snímek pořízený družicí Landsat 5 spadá do kategorie korekcí Level 1T (Terrain Correction). Na tomto snímku z 1. srpna 1994 byly provedeny pomocí dostupných vlícovacích bodů a digitálního modelu terénu systematické radiometrické a geometrické korekce (USGS, 200-?). Snímek pořízený 24. května 2001 je součástí projektu NASA Global Orthorectified Landsat Data Set. Ortorektifikací byly odstraněny geometrické chyby způsobené nerovnostmi terénu a různým sklonem senzoru. Zároveň byly snímky zařazeny do přesného geodetického systému Universal Transverse Mercator (UTM). Polohová přesnost všech použitých snímků Landsat byla stanovena na méně než 50 m (Tucker et al., 2004). Snímek z družice IRS-P6 senzoru LISS-III byl poskytnutý ve zpracování OrthoKit. Tato data poskytují jak radiometrické, tak i geometrické korekce. Snímek byl zařazen do souřadnicového systému UTM s elipsoidem WGS84 stejně jako snímky Landsat. Jeho polohová přesnost byla stanovena na lepší než 20 m (Müller et al., 2009). Přesnost atmosférických korekcí byla hodnocena na základě nejtmavších DN hodnot pixelů vodních ploch. Vodní plochy se jeví nejtmavěji v blízkém infračerveném a středním infračerveném pásmu z důvodu rostoucí absorpce slunečních paprsků. Zároveň je tento ukazatel závislý na hloubce vody a vlnových délkách (Kolář, 1990). Pro zjištění atmosférických příspěvků byla vybrána pásma blízkého infračerveného záření (4.) a středního infračerveného záření (5., popř. 7.). Snímky Landsat zahrnují několik velkých vodních ploch, na kterých mohly být zjištěny nejnižší DN hodnoty v uvedených pásmech. Největším rybníkem v okrese Svitavy je rybník Hvězda o velikosti 96 ha, který se nachází na severu jeho území. Zjišťování DN hodnot pouze tohoto rybníka není dostačující, protože je poměrně málo hluboký, a proto byly vybrány největší vodní nádrže, které se nacházejí na jednotlivých neořezaných scénách Landsat. Jedná se o přehradní nádrže Rozkoš (okres 25

26 Náchod), Otmuchovské jezero (Polsko) a Zbiornik Mietkowski (Polsko). Na snímku IRS se však nachází pouze vodní nádrž Rozkoš a rybník Hvězda. V jednotlivých pásmech byly zjišťovány minimální hodnoty jasu vodních ploch, které nalezneme v tabulce 6. Je předpokládáno, že v případě čisté atmosféry by tyto objekty měly mít velmi malé hodnoty jasu (skoro nulové). Tab. 6 Minimální hodnoty jasu atmosférických korekcí naměřené hodnoty DN rok pásmo Rozkoš Otmuchovské jezero Zbiornik Mietkowski Hvězda Pro hodnocení přesnosti geometrických korekcí byl vizuálně zkontrolován překryv jednotlivých pásem pomocí identických bodů. I přesto, že snímek pořízený družicí IRS má stejný souřadnicový systém jako snímky z družice Landsat, se překrývají nepřesně. Snímek pořízený družicí IRS je posunut jihozápadním směrem, což bylo také potvrzeno vizualizací přes dostupnou ortofotomapu. Tato chyba byla patrně způsobena chybnou transformací. Proto bylo provedeno georeferencování snímku z družice IRS na základě snímku z družice Landsat 7 v programu PCI Geomatica modulu OrthoEngine. Abychom však mohli snímky georeferencovat a dále s nimi pracovat, musela být nejdříve jednotlivá pásma, získaná ve formátu TIFF, spojena pomocí funkce Data Merge v programu PCI Geomatica modulu Focus. Nejdříve byla vybrána jednotlivá pásma, která budou spojena. V případě dat Landsat bylo vybráno 6 pásem, která mají stejné prostorové rozlišení. Data z Landsat 5 mají prostorové rozlišení 30 m a data z Landsat 7 mají rozlišení 28,5 m. Termální a panchromatické pásmo bylo tedy vynecháno právě z důvodu jiného prostorového rozlišení. V případě dat z družice IRS byla zahrnuta všechna pásma, která mají prostorové rozlišení 20 m. Všechny scény byly získány v souřadnicovém systému UTM a jejich referenčním elipsoidem byl WGS 84. V dalším kroku byl zadán výstupní soubor ve formátu *.pix, vybrán souřadnicový systém, zvolena velikost prostorového rozlišení snímku a metoda převzorkování. Parametry, které zde byly zmíněny, nebyly změněny. Metodou převzorkování byla zvolena metoda nejbližšího souseda. Poté došlo k samotnému georeferencování snímku z roku 2006 v modulu OrthoEngine. Byl vytvořen nový projekt, u kterého byla zvolena polynomická transformace, kterou můžeme pomocí vlícovacích bodů - tzv. ground control points (GCP) přiřadit souřadnice snímku Landsat odpovídajícím si bodům na snímku IRS. Pro sběr vlícovacích bodů byly voleny křížící se komunikace. Bylo zvoleno 9 vlícovacích bodů a 4 body kontrolní. Výsledky georeferencování jsou uvedeny v tabulce 7. U vlícovacích bodů byla snaha 26

27 o rovnoměrné rozmístění, bohužel ne každá křižovatka je pro sběr bodů vyhovující. Z obrázků 5 a 6 je patrné rozložení vlícovacích bodů. Na obrázku 7 můžeme vidět detailní umístění třech použitých bodů. Obr. 5 Rozmístění vlícovacích bodů na snímku Landsat 7 Obr. 6 Rozmístění vlícovacích bodů na snímku IRS-P6 27

28 Obr. 7 Detailní umístění některých bodů Míru přesnosti transformace udává odmocnina z tzv. střední kvadratické chyby (RMS - root mean square error), což je vzdálenost mezi polohou bodu ve zdrojových souřadnicích a jeho polohou vypočtenou na základě koeficientu rovnic opět ve zdrojových souřadnicích (Dobrovolný, 1998, s ). RMS = (x x or ) 2 + (y y or ) 2 Střední kvadratické chyby pro osy x a y jsou uvedeny v tabulce 7. Celková RMS chyba nepřesáhla hodnotu 1 pixelu. Transformace obrazu proběhla po nastavení původní velikosti pixelu (20 m) a výběru metody převzorkování nejbližším sousedem. Proces převzorkování je způsob přiřazení každému pixelu buď stejnou nebo novou DN hodnotu, která je vypočtena na základě určitého předpisu. Jednou z používaných metod je metoda nejbližšího souseda, která přiřadí nové poloze středu pixelu hodnotu nejbližšího středu pixelu původního. Mezi další předpisy patří např. bilineární interpolace nebo metoda kubické konvoluce, které mění na základě výpočtů váženým průměrem DN hodnoty obrazových prvků (Kolář, Halounová, Pavelka 1997). Pro účely této práce byla zvolena metoda nejbližšího souseda, protože zachovává původní hodnoty obrazových prvků. Nakonec byly snímky ještě jednou vizuálně ověřeny překryvem všech tří scén a ukázalo se, že si snímky polohově odpovídají s přesností na jeden maximálně dva pixely. 28

29 Tab. 7 Výsledky georeferencování snímku z družice IRS-P6 počet X RMS Y RMS GCP Check Point ID Type Res Res X Res Y G0001 GCP G0002 GCP G0003 GCP G0004 GCP G0005 GCP G0006 GCP G0007 GCP G0008 GCP G0009 GCP CH01 Check CH02 Check CH03 Check CH04 Check Posledním krokem v této části bylo ořezání všech scén dle hranic okresu Svitavy. Shapefile okresu Svitavy byl vyexportován v systému WGS84 z dat ArcČR 500 a poté už s tímto shapefilem bylo pracováno v programu PCI Geomatica. Jednotlivé scény byly ořezány pomocí nástroje Clipping/Subseting Klasifikace Na snímku z roku 2001 byla vyzkoušena jak neřízená, tak i řízená klasifikace a jejich klasifikátory dostupné v programu PCI Geomatica. Při použití metody neřízené klasifikace, klasifikátorů K-Means (Fuzzy) a IsoData dostupných bylo vyzkoušeno vytvoření různého počtu shluků. Ve vytvořených spektrálních třídách však byly těžko oddělitelné jednotlivé prvky jako jsou např. zástavba a orná půda bez vegetace nebo trvalé travní porosty a orná půda s vegetací. Pro použití neřízené klasifikace je zastoupení některých tříd v okrese Svitavy příliš heterogenní, proto byla pro další zpracování dat použita metoda řízené klasifikace Klasifikační schéma - legenda Klasifikační schéma je důležitou součástí procesu klasifikace a je třeba ho vytvořit ještě před zahájením vytváření trénovacích ploch. Klasifikační schéma této práce bylo inspirováno nomenklaturou CORINE Land Cover, která je jednotná pro celou Evropu ve třech hierarchických úrovních, a uzpůsobeno datovým zdrojům a lokálním podmínkám řešeného území. Tyto tři úrovně jsou ve všech zemích Evropy povinné a obsahují 44 tříd. 29

30 Na základě třetí úrovně byla vypracována legenda pro účely této práce. Nejdříve byly zjištěny informační třídy z jednotlivých databází CLC2006, CLC2000 a CLC1990, které se nacházejí v okrese Svitavy. Těmito třídami bylo inspirováno klasifikační schéma, které je uvedeno v tabulce 8, pro území okresu Svitavy. V následujících odstavcích jsou charakterizovány jednotlivé třídy, které vycházejí z charakteristických prvků nomenklatury CORINE Land Cover, uvedené v příručce od Bossard et al. (2000). Trénovací plochy byly určeny na základě následujících definic. První zvolenou třídou byly vodní plochy. V rámci okresu Svitavy jde o uměle vytvořené vodní plochy. Vymezeno bylo několik dobře známých nádrží a rybníků na základě barevné syntézy RGB. Další vymezenou třídou byly jehličnaté lesy, které dominují velkým zastoupením v celém okrese. Třída jehličnaté lesy je tvořená plochou s minimálním zastoupením jehličnatého druhu 75 % celé plochy. Listnaté lesy se vyskytují řídce a jejich zastoupení je především ve východní části okresu. Jedná se o plochy, na kterých dominují listnaté druhy stromů minimálně na 75 % plochy. Hůře jsou vymezitelné smíšené lesy, pro které je typický výskyt jak listnatých, tak i jehličnatých stromů. Žádný z těchto dvou druhů stromů by neměl být dominantní. Třída přechodová stádia lesa a křoviny byla vymezována na okraji nebo uprostřed lesů, kde se vyskytují buď travnaté plochy s rozptýlenými stromy, nebo křovinné vegetace. Třída zástavby zahrnuje souvisle zastavěné plochy doprovázené v malém rozsahu zahrádkami a okolní zelení. Umělé povrchy, střechy domů a komunikace pokrývají minimálně 50 % plochy. Zástavba byla vymezována především v největších městech okresu Svitavy. Orná půda byla klasifikována ve více spektrálních třídách, protože má odlišnou spektrální odrazivost např. z důvodu růstu odlišných plodin na polích. Do této kategorie patří půda, která dočasně leží ladem, a orná půda, na které se pěstují zejména obilniny, dále pícniny, víceleté plodiny a jednoleté průmyslové plodiny. Orná půda byla definována ve dvou kategoriích - orná půda bez vegetace a orná půda s vegetací, které byly po klasifikaci sloučeny do orné půdy. Ovocné sady jsou zastoupeny v celém okrese Svitavy jen velmi malou plochou. Zahrnují pozemky, na nichž se vyskytují stromy i keře k pěstování ovoce. Do třídy trvalé travní porosty jsou zahrnuty pozemky s hustým travním porostem. Jedná se především o pastviny, které mohou být mechanizovaně sečeny nebo spásány dobytkem, a o stálé, umělé i dočasné louky a živé ploty. 30

31 Tab. 8 Klasifikační schéma pro účel této práce ID informační třídy okresu Svitavy barva v legendě Urbanizovaná území 1 Zástavba Zemědělské plochy 2 Orná půda 3 Ovocné sady 4 Trvalé travní porosty Lesy a polopřírodní oblasti 5 Listnaté lesy 6 Jehličnaté lesy 7 Smíšené lesy 8 Přechodová stádia lesa a křoviny Vodní plochy 9 Vodní plochy Trénovací plochy Jednotlivé spektrální řídy jsou vymezovány trénovacími plochami, které jsou součástí tréninkového stádia. Dle Lillesand a Kiefer. (1994) je vhodné vytvořit trénovací plochy s minimálním počtem 100 pixelů a rozmístit 5 10 ploch pro každou spektrální třídu po celém sledovaném území, aby byly reprezentativní. Vzhledem k velikosti okresu Svitavy však některé plochy, jako jsou např. vodní plochy a ovocné sady, takovouto souvislou rozlohu nemají, a proto byly vytvářeny trénovací plochy i o menším počtu pixelů. Ze stejného důvodu nebylo pokaždé dosaženo minimálně 5ti trénovacích ploch. Dále byla snaha o umísťování trénovacích ploch mimo okrajové pixely daného homogenního povrchu a o jejich normální rozdělení. Trénovací etapa probíhala v programu PCI Geomatica v modulu Focus. Postupně byly vytvářeny jednotlivé spektrální třídy tak, aby byly co nejvíce reprezentativní. Při vytváření těchto tříd hraje důležitou roli druh povrchu nebo plodiny. Nesmíme však zapomenout na rozmanité vlastnosti, které může mít stejná kategorie land cover. Jde například o jiný sklon povrchu, jeho vlhkost, osvícení sluncem apod. Z toho důvodu bylo pro určité typy povrchů vymezeno více spektrálních tříd. V tabulce 9 je uvedena četnost spektrálních tříd pro jednotlivé roky. Na základě vytvořených spektrálních tříd se pak jednotlivé pixely klasifikují. Spektrální třídy byly určovány tak, aby mohly být po klasifikaci spojeny do informačních tříd. Trénovací plochy všech scén pořízených 17. července 2006, 24. května 2001 a 1. srpna 1994 byly vymezovány zejména na základě barevných syntéz. Ukázky syntéz z roku 2006 můžeme vidět na obrázku 8. Jedná se o kombinace jednotlivých obrazů, které jsou zobrazovány pomocí červené, zelené a modré (RGB - z angl.) barvy. Vhodné syntézy pro mapování vegetace zahrnují blízké infračervené pásmo a jedná se např. o kombinace 432, 453 nebo také 543. Na všech snímcích byly nejvíce užívány první dvě kombinace, ale 31

32 i kombinace v pravých barvách 321, která z počátku posloužila pro orientaci ve snímku. Nedílnou součástí byla i znalost sledovaného území. Některé prvky krajinného pokryvu jsou pomocí barevných syntéz těžko oddělitelné, proto pro scénu z roku 2006 byla také vizuálně používána Barevná ortofotomapa ( Český úřad zeměměřičský a katastrální) a databáze CLC Pro scénu z roku 2001 byla vizuálně používána Barevná ortofotomapa ( GEDOS BRNO, spol. s r.o.) a v neposlední řadě také databáze CLC Pro scénu z roku 1994 byly zdrojem informací pouze barevné syntézy a změnová databáze CLC pro roky 1990 a Jednoznačně vymezená trénovací plocha jabloňových ovocných sadů je u obce Osík na Litomyšlsku. Jehličnaté lesy se nejpřesněji vymezovaly v západní části okresu, kde se nachází pískovcové podloží s přírodní rezervací Toulovcovy maštale. Listnaté lesy byly jednoznačně natrénovány v přírodní rezervaci Nedošínkský háj, která byla zřízena pro ochranu dubo-habrového lesa. Vodními plochami, které byly spolehlivě natrénovány, jsou např. rybník Hvězda, rybník Velký Košíř u Litomyšle nebo vodní plocha Rosnička. Tab. 9 Počet spektrálních tříd pro jednotlivé kategorie ID třída četnost zástavba orná půda ovocné sady trvalé travní porosty listnaté lesy jehličnaté lesy smíšené lesy přechodová stádia lesa a křoviny vodní plochy celkem Obr. 8 Ukázka barevných syntéz 432 a 453 na snímku družice IRS-P6 pro rok 2006 V průběhu vytváření spektrálních tříd byla analyzována jejich oddělitelnost pomocí vizuální interpretace z ortofotomap a databází CLC, normálního rozdělení v histogramu 32

33 a separability dle velikosti divergence. Matice divergencí (Transformed Divergence) vypovídá o separabilitě dvou tříd a nabývá hodnot mezi 0 a 2. Průměrná míra odlišnosti mezi dvěma třídami dosahovala ve všech třech sledovaných letech hodnoty 1,998. V jednotlivých letech však byly rozdílné hodnoty minimální separability dvou tříd. V roce 1994 dosáhla minimální separabilita 1,917 a to mezi spektrálními třídami, které zastupovaly stejnou třídu. V následujícím roce si byly nejvíce podobné spektrální třídy trvalé travní porosty a přechodová stádia lesa a křovin, které dosáhly míry odlišnosti 1,902. Minimální odlišnosti 1,904 dosáhly na snímku z roku 2006 opět takové třídy, které zastupovaly stejnou spektrální třídu Klasifikace a postklasifikační úpravy V procesu řízené klasifikace byl nejdříve nastaven počet vstupních pásem pro výpočet spektrálních příznaků. Pomocí nástroje Scatter Plot byla v programu PCI Geomatica provedena analýza podobnosti jednotlivých pásem. Bylo prokázáno, že všechna pásma se stejným prostorovým rozlišením jsou pro klasifikaci vhodná. Proto vstupovala do klasifikace u nejstaršího snímku z roku 1994 a u snímku z roku 2001 pásma viditelného a infračerveného záření (1., 2., 3., 4., 5. a 7.). Pro rok 2006 vstupovala do klasifikace všechna čtyři pásma, se kterými družice IRS-P6 pracuje. Jde o dvě pásma viditelného záření a dvě pásma infračerveného záření (2., 3., 4. a 5.). K těmto vstupním pásmům byly vytvořeny dvě nové vrstvy bez dat. Jedna je potřebná pro vytvoření trénovacích ploch a druhá slouží k výstupu klasifikace. Následovala trénovací etapa, které byla věnována kapitola Po jejím ukončení přichází na řadu samotná klasifikace. Vyzkoušeny byly všechny klasifikátory řízené klasifikace, které jsou dostupné v programu PCI Geomatica (Parallelpiped, Minimum distance a Maximum Likelihood). Na základě ověření metodou přesnosti klasifikace kontrolními body na snímku z roku 2001 byl vybrán klasifikátor Maximum Likelihood, který dosáhl nejlepších výsledků. Tento klasifikátor dosahuje často dostatečných výsledků, a proto je nejvíce používán, což potvrzuje i kapitola 2.3. v rešeršní části. Po zařazení všech pixelů do jednotlivých tříd podle klasifikátoru Maximum Likelihood jsou dalším krokem postklasifikační úpravy. První úpravou, která proběhla, byl proces agregace (Aggregation). V tomto kroku byly vytvořené spektrální třídy agregovány do informačních tříd klasifikačního schématu této práce. Zvolený klasifikátor zařazuje jednotlivé pixely na základě spektrálních tříd. Aby se v obraze nenacházely osamocené pixely, je vhodné obraz vyhladit filtrem. Jedním takovým je nízkofrekvenční majoritní filtr, který vyhlazuje obraz na základě majoritní třídy v pohyblivém oknu. V práci byl použit majoritní filtr o velikosti kernelu 3x3, aby co nejméně ovlivnil výsledky klasifikace a zároveň odstranil osamocené pixely. Výsledky filtrování pro jednotlivé roky byly uloženy do nových vrstev a ukázku filtrace pro rok 2006 můžeme vidět na obrázku 9. 33

34 Obr. 9 Porovnání vrstvy výsledné klasifikace s vrstvou po modální filtraci 4.3. Hodnocení přesnosti Hodnocení přesnosti klasifikace probíhá na základě kontrolních bodů. Dle Lillesand a Kiefer (1994) by měl být minimální počet kontrolních bodů pro každou třídu land cover 50, avšak měl by být brán ohled na rozlohu jednotlivých kategorií. Pokud rozloha jedné kategorie bude o mnoho větší, jejich počet by měl stoupnout na 75 až 100 kontrolních bodů na třídu. Počet bodů může být také přizpůsoben důležitosti jednotlivých tříd. V programu ArcGIS modulu ArcMap byly v okrese Svitavy pro roky 2006 a 2001 náhodně vytvořeny kontrolní body pomocí funkce Create Random Points. Celkem bylo vytvořeno 10 tisíc bodů, aby bylo zaručeno vytvoření alespoň minimálního počtu bodů v každé třídě. Pomocí nástroje Spatial Join jim byly přiřazeny informace o třídách na základě databází CLC. Poté byl dle rozlohy jednotlivých tříd CLC stanoven počet kontrolních bodů pro každou třídu a následně jejich počet v atributové tabulce náhodně zredukován. V průměru bylo pro každou třídu let 2006 a 2001 vytvořeno 70 kontrolních bodů, pro rok 1994 bylo těchto bodů 55. Kontrolní body pro rok 1994 nemohly být odvozeny z databáze CLC 1990, jelikož se tento snímek nachází mezi dvěma obdobími mapování a na snímku z roku 1994 již mohly proběhnout nějaké změny. Proto byl počet bodů pro rok 1994 zredukován z vytvořených bodů pro rok Redukce proběhla na základě změn mezi lety 1990 a V oblastech změn byly pomocí nástroje Intersect zjištěny body, které se nacházejí ve změnových plochách a které byly následně smazány. Ve změnových plochách byly nejvíce zastoupeny trvalé travní porosty a přechodová stádia lesa a křoviny. V atributové tabulce bodových vrstev bylo vytvořeno nástrojem Add field nové pole s názvem trida. Do tohoto pole byla postupně pomocí funkce Field Calculator přiřazena hodnota (Value), která byla přiřazena informační třídě po agregování spektrálních tříd v programu PCI Geomatica. Dalším důležitým krokem byla kontrola tříd vytvořených kontrolních bodů na základě dostupných ortofotomap pro roky 2001 a Pokud hodnota původní třídy neodpovídala třídě na ortofotomapách, byla v poli trida tato hodnota změněna. Výsledný počet kontrolních bodů je uveden v tabulce 10. Dále byly tyto 34

35 vrstvy vyexportovány ve formátu shapefile a vloženy do programu PCI Geomatica. Zde pomocí nástroje Data Merge byly spojeny se snímkem odpovídajícího roku. V dalším kroku bylo provedeno samotné hodnocení přesnosti (Accuracy Assesment), kde byly zvoleny jednotlivé výsledné vrstvy. Vrstvy byly hodnoceny samostatně a za pomocí funkce Samples From Vector byly vloženy vektorové vrstvy kontrolních bodů s atributem trida za hodnocená období. Vypočtené chybové matice a jejich přesnosti zjistíme pomocí funkce Accuracy Report. Výsledné hodnoty celkové přesnosti a hodnoty kappa koeficientu jsou uvedeny v tabulce 11. Chybové matice pro jednotlivé roky jsou uvedeny v přílohách 2 až 4. Tab. 10 Četnost kontrolních bodů ID třída zástavba orná půda ovocné sady trvalé travní porosty listnaté lesy jehličnaté lesy smíšené lesy přechodová stádia lesa a křoviny vodní plochy celkem Tab. 11 Celkové přesnosti klasifikací rok kappa koeficient celková přesnost [%] ,50 59, ,55 62, ,56 66, Převod do vektorového formátu a zjišťování změn krajinného pokryvu Aby bylo možné zjistit a zhodnotit změny krajinného pokryvu, bylo nutné jednotlivé filtrované výstupy převést do vektorového formátu. Z SW PCI Geomatica byly jednotlivé obrazy vyexportovány do formátu TIFF pomocí nástroje Translate. Po vložení souboru ve formátu TIFF do modulu ArcMap musel být snímek ořezán (Clip) vrstvou okresu Svitavy, protože v okolí snímku se vyklasifikovala třída NULL Class, která byla nežádoucí. Poté byl snímek převeden z rastrového do vektorového formátu pomocí nástroje Raster to Polygon. Součástí tohoto nástroje je funkce Simplify polygons. Tato funkce vyhladí hranice polygonů tak, aby nebyly kostrbaté. Nově vytvořená vrstva měla v atributové tabulce jak informace o třídách (grid_code), tak i o rozloze (Shape_Area) ploch. Navíc bylo vytvořeno nové pole kod_tridy, kam byla zadávána identifikační čísla (ID) informačních tříd (viz tab. 8). 35

36 Nejmenší mapovou jednotkou byly zvoleny 2 ha. Aby byly plochy menší než 2 ha odstraněny, byl použit nástroj Eliminate, ve kterém bylo nastaveno přiřazení těchto menších ploch k sousedním plochám, se kterými mají nejdelší hranici (Eliminate polygon by border). Výsledné mapy za jednotlivé roky, které vypovídají o krajinném pokryvu okresu Svitavy, jsou v přílohách 7 až 9. Aby bylo možné vytvořit mapu změn ze snímků, byl použit nástroj Intersect s tolerancí souřadnic X a Y na 30 metrů. Tolerance měla zamezit vzniku chyb, které by mohly vzniknout polohovou nepřesností snímků nebo špatným zařazením pixelů na hranici s více třídami. Byla vytvořena nová vektorová vrstva, která zahrnuje informace za obě období a V atributové tabulce pak muselo být vytvořeno nové pole, do kterého byly vypočítány změny dle následujícího vzorce: zmeny = kod_tridy (jeden sledovaný rok) * 10 + kod_tridy (druhý sledovaný rok). Na základě tohoto výpočtu mohly být zjištěny všechny změny, které se v okrese Svitavy vyskytly. Pokud v poli zmeny byla dvě stejná čísla, pak žádná změna nenastala, pokud byla v tomto poli čísla odlišná, pak došlo mezi dvěma lety ke změně využití ploch. Nejmenší mapová jednotka změnových ploch byla opět určena na 2 ha. Všechny jednotky, ve kterých nedošlo ke změně a které měly velikost plochy menší než 2 ha, byly smazány. 36

37 5. VÝSLEDKY V první části bude uvedena přesnost klasifikace trénovacích ploch a vyhodnocena úspěšnost klasifikace na základě chybových matic pro jednotlivé scény. Další část navazuje s hodnocením změn land cover v okrese Svitavy za období a Vyhodnocení přesnosti klasifikace Klasifikace může být hodnocena dvěma způsoby. Jedním z nich je hodnocení přesnosti trénovacích ploch, při níž se vytvoří klasifikační chybová matice pouze porovnáním trénovacích ploch s výsledkem klasifikace. Celkové přesnosti klasifikací trénovacích ploch pro jednotlivé roky jsou uvedeny v tabulce 12. Tab. 12 Přesnost klasifikace trénovacích ploch rok kappa koeficient celková přesnost [%] průměrná přesnost [%] ,98 98,00 98, ,96 96,12 96, ,97 97,02 97,13 Celkové přesnosti klasifikací (viz tab. 11) může ovlivnit zejména počet vstupních pásem, prostorové rozlišení jednotlivých snímků a subjektivní výběr trénovacích ploch zpracovatelem. Počet vstupních pásem se projevil zejména na celkové přesnosti klasifikace snímku z roku 2006, kdy do klasifikace vstupovala pouze čtyři pásma. I přes nepříliš vhodná referenční data dosáhla klasifikace snímku z roku 1994 nejvyšší celkové přesnosti 66 %. Kappa koeficient dosáhl nejvyšší hodnoty 0,56 pro klasifikaci snímku z roku V následujících odstavcích budou shrnuty výsledky chybových matic, které jsou uvedeny v přílohách 2 až 4. Vodní plochy budou hodnoceny v samostatném odstavci. Ve všech časových obdobích dosahovala nejnižší zpracovatelské přesnosti zástavba ( ,0 %; ,5 %; ,6 %), která byla chybně klasifikována jako orná půda bez vegetace. Zástavba byla vymezována na souvisle zastavěných plochách, ale může zahrnovat i okolní zeleň, proto je její vymezení na základě spektrálních vlastností poměrně obtížné. Její uživatelská přesnost však neklesla pod 59 %. Naopak nejvyšší zpracovatelské přesnosti dosáhla ve všech třech časových obdobích třída orná půda ( ,5 %; ,8 %; ,4 %). Z důvodu různého vegetačního pokryvu je chování této spektrální třídy odlišné, proto musela být rozdělena do dvou tříd: orná půda bez vegetace a orná půda s vegetací. Nejčastěji byla orná půda špatně klasifikována jako trvalé travní porosty. Trvalé travní porosty, listnaté lesy a přechodová stádia lesa a křoviny dosáhly v klasifikaci snímku z roku 1994 zpracovatelské přesnosti pod 50 %. V roce 2001 dosáhla zpracovatelské přesnosti pod 50 % pouze třída listnatých lesů, která byla chybně klasifikována jako smíšené lesy. A v roce 2006 byly chybně klasifikovány zejména třídy ovocné sady, listnaté lesy a přechodová stádia lesa a křoviny. 37

38 Nejnižší uživatelské přesnosti dosáhla v letech 1994 a 2006 třída přechodová stádia lesa a křoviny (22,7 % a 36,0 %). Do této třídy byly chybně zařazovány pixely zejména jehličnatého a smíšeného lesa. Pro tuto třídu byl na snímku z roku 1994 vygenerován vzhledem k rozloze třídy nízký počet kontrolních bodů, což může ovlivnit výsledek přesnosti. V roce 2001 dosáhly nejnižší přesnosti ovocné sady (43,8 %), do kterých byly zařazovány trvalé travní porosty. Nejvyšší uživatelské přesnosti dosahovaly listnaté (pro rok ,8 %) a jehličnaté lesy ( ,4 % a ,32 %). Uživatelská přesnost dosáhla pouze v jednom případě nižší hodnoty než 50 %. Jde o třídu smíšené lesy v roce 2006, do které byly zařazeny také pixely listnatých a jehličnatých lesů a přechodová stádia lesa a křoviny. Uživatelská i zpracovatelská přesnost vodních ploch se pohybovala ve všech třech časových obdobích v rozmezí %. Vzhledem k dosažené přesnosti klasifikace tyto hodnoty svědčí o dobré klasifikaci této třídy. Vodní plochy se vymezovaly nejsnadněji, protože mají zcela odlišné spektrální vlastnosti od ostatních druhů povrchů Změny land cover Pro bakalářskou práci byly vybrány jednotlivé snímky tak, aby neobsahovaly žádnou popř. minimální oblačnost, aby byly zdarma dostupné na internetu a aby byl rok jejich pořízení podobný rokům, pro které byly vytvořeny databáze CORINE Land Cover po roce I přesto, že snímky byly pořízeny v odlišných obdobích roku (květen, červenec a srpen), což je pro porovnávání změn krajinného pokryvu určitým nedostatkem, budou v následujících odstavcích hodnoceny změny krajinného pokryvu, jak bylo zamýšleno v úvodu práce. Nejdříve budou hodnoceny změny na základě rozlohy jednotlivých tříd a v druhé části budou hodnoceny pomocí překryvu výsledných vektorových vrstev jednotlivých let. Nejdříve se tedy zaměříme na změny krajinného pokryvu z hlediska rozlohy tříd výsledných vrstev jednotlivých let. Jednotlivé plochy a jejich podíly jsou zobrazeny v tabulce 13. Největší zastoupenou plochou v okrese Svitavy je orná půda, která zabírá více jak polovinu rozlohy okresu. V roce 1994 dosáhla dokonce více jak 60,3 % rozlohy okresu, což je také spojeno s vymezením třídy trvalé travní porosty, jak je popsáno níže. V roce 2001 klesla na 52,2 % a v roce 2006 naopak stoupla na 54,1 %. I přes kolísání rozlohy v jednotlivých letech můžeme zaznamenat její celkový pokles. Přibližně 32 % rozlohy zabírají lesy, z toho nejvíce jehličnaté. Porovnání rozlohy lesů je poměrně obtížné, protože jsou v klasifikaci jednotlivé druhy často zaměňovány zásluhou podobných spektrálních vlastností. Rozloha zástavby se v období poměrně hodně zvýšila, téměř o 1000 ha (0,67 %), a do roku 2006 se pak ještě navýšila o 0,17 %. Rozloha trvalých travních porostů v průběhu vývoje kolísá. Trvalé travní porosty byly často chybně klasifikovány a zároveň orná půda byla chybně zařazována do trvalých travních porostů. Ve velké míře se tato záměna projevila právě na snímku z roku 1994, kdy se celková 38

39 rozloha travních porostů a orné půdy od následujících let výrazně liší. Nejmenší změny proběhly v třídách vodní plochy a ovocné sady, které mají nejmenší rozlohu, tedy necelé 1 % podílu z celkové plochy. Tab. 13 Rozloha a podíl jednotlivých tříd land cover v okrese Svitavy ID třídy land cover rozloha [ha] rozloha [%] zástavba 2294, , ,88 1,66 2,33 2,50 2 orná půda 83216, , ,43 60,28 52,17 54,10 3 ovocné sady 691,81 991,80 612,33 0,50 0,72 0,44 4 trvalé travní porosty 7737, , ,81 5,60 12,99 10,62 5 listnaté lesy 647, , ,83 0,47 1,45 0,89 6 jehličnaté lesy 25093, , ,15 18,18 14,84 14,06 7 smíšené lesy 12753, , ,71 9,24 9,72 11,19 přechodová stádia lesa 8 a křoviny 5385, , ,37 3,90 5,52 5,95 9 vodní plochy 239,56 346,66 333,82 0,17 0,25 0,24 celkem , , , Druhou částí je porovnání změn prvků krajiny pomocí překryvu vektorových vrstev. Tyto překryvy byly provedeny ve stejných obdobích jako změnové databáze CLC a Změny proběhly téměř ve všech třídách krajinného pokryvu a jsou uvedeny v přílohách 5 a 6. V tabulkách 14 a 15 jsou zaznamenány pouze změnové plochy větší než 1000 ha, aby byly vyzdviženy nejvýraznější změny. Nejmarkantnější změny v obou obdobích a proběhly mezi třídami orná půda a trvalé travní porosty. Ze změn krajinného pokryvu v přílohách 10 a 11 můžeme zjistit, že mnoho změn proběhlo v jihozápadní části okresu. Tato část okresu se nachází na okraji Českomoravské Vysočiny, kde byly orné půdy zatravňovány z důvodu nerentabilních ploch. Je však pravděpodobné, že takto velké změny neproběhly pouze při zatravňování této oblasti, ale že v klasifikaci docházelo k chybám, což můžeme vidět i z chybových matic. Další velké změny proběhly mezi jehličnatými lesy, smíšenými lesy a třídou přechodová stádia lesa a křoviny. Mezi největší změny patří také změna z orné půdy na zástavbu, která může být příčinou rozšiřování zastavěných ploch. V období proběhla markantní změna zástavby na ornou půdu, která je způsobena chybnou klasifikací. V menším měřítku jsou v obou obdobích zaznamenány změny zástavby na třídy lesů či trvalé travní porosty nebo také změna vodních ploch na zástavbu. Tyto změny jsou patrně způsobeny chybami v klasifikaci a jsou také chybně znázorněny ve mapách změn krajinného pokryvu. V okrese Svitavy byly v období zaznamenány změny o celkové rozloze 37069,7 ha, což představuje 26,9 % území okresu Svitavy. V období bylo zaznamenáno 61 změn o celkové rozloze 30995,6 ha. Tato rozloha změn představuje 22,5 % území okresu. 39

40 Tab. 14 Rozloha a podíl nejvýznamnějších změn v období třídy land cover 1994 třídy land cover 2001 rozloha [ha] podíl z celkové plochy [%] orná půda trvalé travní porosty 11154,3 30,1 jehličnaté lesy smíšené lesy 3297,6 8,9 trvalé travní porosty orná půda 3012,9 8,1 jehličnaté lesy přechodová stádia lesa a křoviny 2355,3 6,4 smíšené lesy jehličnaté lesy 1882,7 5,1 smíšené lesy přechodová stádia lesa a křoviny 1844,7 5,0 orná půda zástavba 1332,1 3,6 orná půda smíšené lesy 1326,4 3,6 orná půda přechodová stádia lesa a křoviny 1016,9 2,7 celkem 27222,9 73,4 celková změnová plocha 37069,7 100,0 Tab. 15 Rozloha a podíl nejvýznamnějších změn v období třídy land cover 2001 třídy land cover 2006 rozloha [ha] podíl z celkové plochy [%] trvalé travní porosty orná půda 7611,0 24,3 orná půda trvalé travní porosty 5206,3 16,6 jehličnatý les smíšený les 2278,0 7,3 smíšené lesy jehličnaté lesy 1425,8 4,5 přechodová stádia lesa a křoviny jehličnatý les 1287,3 4,1 orná půda zástavba 1072,7 3,4 smíšené lesy přechodová stádia lesa a křoviny 1012,6 3,2 přechodová stádia lesa a křoviny smíšené lesy 1000,4 3,2 celkem 22002,9 70,1 celková změnová plocha 31367,3 100,0 40

41 6. DISKUZE Hlavním cílem bakalářské práce bylo zhodnocení změn krajinného pokryvu po roce 1990 v okrese Svitavy. Snahou bylo zjistit, zda-li můžeme vypozorovat všeobecné trendy vývoje krajinného pokryvu jako jsou zatravňování orné půdy, zalesňování a nárůst zastavěných ploch pomocí družicových snímků vysokého prostorového rozlišení. Přesnost klasifikace trénovacích ploch dosáhla poměrně vysokých hodnot, v roce 2006 až 98 %. V podobně zaměřených pracích dosahují celkové přesnosti minimálně 90 %. Studentské práce zmíněné v kapitole 2.3. dosahují srovnatelných výsledků, až 95 %. Celkovou přesnost klasifikace na základě kontrolních bodů hodnotí pouze práce L. Červené (2011). Ve srovnání mé bakalářské práce dosahuje mnohem vyšších přesností, pro rok 2001 dokonce 82,8 %. Nejčastěji voleným klasifikátorem pro hodnocení krajinného pokryvu je klasifikátor maximální pravděpodobnosti řízné klasifikace. I v této práci byl použit stejný klasifikátor na základě ověření metodou přesnosti. Jak mapy krajinného pokryvu okresu Svitavy, tak i jednotlivé změny v období lze v určité míře porovnat s databází CORINE Land Cover let 2000 a Co se týče rozporu mezi rokem 2000 a 2001, můžeme předpokládat, že během jednoho roku se krajina příliš nezměnila. Nevhodné by bylo srovnání roku 1994 s CLC 1990, protože během několika let může dojít ke změnám. Z podílu rozlohy ploch všech tříd land cover jak mé bakalářské práce (BP), tak i CORINE Land Cover můžeme v období pozorovat změny, které jsou uvedeny v tabulce 16. Pro objektivní srovnání byly spojeny třídy jednotlivých druhů lesních porostů, které mezi sebou byly zaměňovány. Z podílů mé klasifikace je patrný velmi mírný růst jejich rozlohy a v případě CLC tato třída v okrese Svitavy stagnuje. Z porovnání mapových výstupů mé klasifikace a CLC pro rok 2006 v příloze 12 je patrné stejné rozmístění lesů. Zaměříme-li se na jednotlivé druhy lesních porostů, pak zjistíme, že jsou v rámci okresu umístěny v obou zdrojích relativně podobně, až na přechodová stádia lesa a křoviny, která v určitých místech nahrazuje jehličnaté lesy. Příčinou tohoto jevu jsou zřejmě podobné spektrální vlastnosti těchto dvou tříd a jejich chybné zařazení v klasifikaci. Ve sledovaném období je z podílů ploch zástavby z CORINE Land Cover, tak i z podílů BP jasně vidět jejich mírný nárůst. Porovnání mapových výstupů můžeme vidět, že v klasifikaci BP byla zastavěná plocha vymezena pouze v oblastech velkých měst, zatímco v CLC jsou tyto plochy znázorněny i v oblastech menších obcí. V mé práci se navíc do třídy zástavby klasifikovaly průmyslové areály a oblasti těžby hornin, které měly podobné spektrální vlastnosti jako zastavěné plochy. Jak vidíme ze změn BP, rozloha orné půdy se zvyšuje a rozloha trvalých travních porostů se snižuje na rozdíl od změn CORINE Land Cover. Musíme tedy konstatovat, že změny těchto tříd v BP pro období neodpovídají trendům vývoje. Tyto třídy 41

42 mají velkou rozlohu a při porovnání vizualizace mé klasifikace a CLC roku 2006 si tyto třídy relativně odpovídají. V okrese Svitavy jsou vodní plochy a ovocné sady zastoupeny malými plochami. V období v těchto třídách proběhly jen nepatrné změny. Vzhledem ke stanovené nejmenší mapové jednotky CLC na 25 ha jsou tyto třídy k vizuálnímu porovnání nevhodné. Zejména většina menších vodních ploch se v CORINE Land Cover ani nevyskytuje. Třída land cover ostatní zahrnuje neklasifikované třídy CLC komplexní systém kultur a parcel a převážně zemědělská území s příměsí přirozené vegetace. Tab. 16 Podíl rozlohy ploch BP a CLC pro období v okrese Svitavy (zdroje: vlastní; vektorová vrstva databáze CLC 2000 a CLC 2006) třídy land cover BP [%] CLC [%] zástavba 2,33 2,47 5,21 5,23 orná půda 52,79 54,75 48,88 48,15 ovocné sady 0,72 0,44 0,09 0,07 trvalé travní porosty 12,87 10,54 5,17 5,85 lesy 31,04 31,55 31,62 31,62 vodní plochy 0,25 0,24 0,17 0,17 ostatní 0,00 0,00 8,87 8,91 celkem 100,00 100,00 100,00 100,00 V období sice došlo k opačným trendům v případě orné půdy a trvalých travních porostů, ale v případě zástavby a lesů došlo k předpokládanému vývoji. Za celé sledované období však můžeme v určité míře konstatovat, že jednotlivé trendy zalesňování, zatravňování a rozšiřování zastavěných ploch byly prokázány. Při porovnávání mé klasifikace z roku 2006 a CORINE Land Cover 2006 bylo zjištěno, že v okrese Svitavy si jednotlivé třídy relativně odpovídají jak umístěním, tak i velikostí. Ve větší míře byla zaměňována přechodová stádia lesa a křoviny s lesním porostem, a proto bych pro příště tuto třídu z klasifikačního schématu vyloučila. Při detailnějším zkoumání klasifikace a CORINE se však setkáme s jistými odlišnostmi způsobenými převážně rozdílnou hodnotou minimální mapovací jednotky. V mé práci byla pro okres Svitavy zvolena minimální mapovací jednotka 2 ha, zatímco CLC má stanovenou tuto jednotku na 25 ha. Z hlediska dosažení nízkých přesností klasifikací a z hlediska porovnání výsledků chybových matic je jasné, že v klasifikaci docházelo k chybám, a proto výsledný krajinný pokryv dostatečně nevypovídá o skutečném stavu. Pro studium vegetace je vhodné použít snímky vysokého nebo velmi vysokého rozlišení s větším počtem spektrálních kanálů, na kterých můžeme jednoznačně vymezit jednotlivé třídy krajinného pokryvu. Byly zvoleny snímky z družic Landsat 5, Landsat 7 a IRS-P6 s vysokým prostorovým rozlišením. Pro většinu prací jsou volena data Landsat, která jsou volně dostupná a vykazují dostatečné výsledky v klasifikacích. Pro sledování změn krajinného pokryvu je vhodné pořídit snímky ve stejném ročním období, aby byla 42

43 krajina ve stejném ročním vývoji. Snímky vybrané pro tuto práci tedy nejsou z hlediska data pořízení snímků příliš vhodné. Pro dosažení vyšších přesností klasifikace by bylo vhodné pořídit pro všechna časová období vhodná referenční data nebo použít novějších typů klasifikací, jako je např. objektově orientovaná klasifikace. 43

44 7. ZÁVĚR Klasifikační proces byl proveden na snímcích multispektrálních družicových dat. Data družic Landsat a IRS byla pořízena ve třech časových obdobích 1994, 2001 a Na základě ověření přesnosti klasifikace byl použit klasifikátor maximální pravděpodobnosti řízené klasifikace. Ve výsledné klasifikaci bylo nutné odstranit určité nehomogenity v obraze pomocí nízkofrekvenčního majoritního filtru, který celý obraz vyhladil. Přesnost klasifikace byla ověřena pomocí náhodně vygenerovaných kontrolních bodů. Nejvyšší přesnosti 66% dosáhl klasifikovaný snímek z roku Klasifikace roku 2001 dosáhla celkové přesnosti 62,86 % a roku 2006 dosáhla 59,68 %. Cílem práce bylo zhodnotit změny krajinného pokryvu a především trendy zalesňování, zatravňování a přibývání zastavěných ploch po roce 1990 v okrese Svitavy. I přes dosažení relativně nízkých hodnot přesnosti klasifikace, došlo za celé sledované období v určité míře k předpokládaným změnám. Při klasifikaci však docházelo mezi jednotlivými třídami k chybám díky podobným spektrálním vlastnostem. Nejvíce byly zaměňovány třídy trvalé travní porosty a orná půda s vegetací, jednotlivé druhy lesních porostů a také zástavba a orná půda bez vegetace. Svým umístěním si třídy land cover v okrese Svitavy při vizuálním porovnání mé klasifikace roku 2006 a CORINE Land Cover 2006 relativně odpovídaly. Často však docházelo k chybnému klasifikovaní např. orné půdy s vegetací do třídy trvalých travních porostů a naopak. Pro hodnocení klasifikace je dobré pořídit vhodná referenční data pro všechna časová období ve formě ortofotomap nebo leteckých snímků. Pro porovnání změn krajinného pokryvu je vhodné pořídit taková klasifikační data, která budou pořízena ve stejném ročním období. S rozvojem DPZ se vyvíjejí i nové metody klasifikace, které dosahují celkově vyšších přesností klasifikace. Jednou takovou je dnes již známá objektově orientovaná klasifikace založená na vytváření segmentů. 44

45 SEZNAM ZDROJŮ A INFORMACÍ BHASKARAN, S. et al Per-pixel and object-oriented classification methods for mapping urban features using Ikonos satellite data. Applied Geography [online]. December 2010, vol. 30, no. 4 [cit ], p Dostupné z URL: < S main.pdf?_tid=82424c4c786f8103d22534e9286fb329&acdnat= _c078e7c c3d1f53a505f15a10f0c7630e>. BOSSARD, M. et al CORINE land cover technical guide - Addendum Copenhagen : European Environment Agency, May p. CENIA CORINE Land Cover 2006 ( ) [online] [cit ] Dostupné z URL: < ČERVENÁ, L Hodnocení dlouhodobých změn land cover okresu Náchod pomocí dat DPZ. Praha, s. Bakalářská práce na Přírodovědecké fakultě Univerzity Karlovy v Praze. Vedoucí bakalářské práce RNDr. Přemysl Štych, Ph.D. DEPARTMENT OF GEOGRAPHY, MASARYK UNIVERSITY Mapování vegetace s využitím družicových snímků [cit ]. Dostupné z URL: < DOBROVOLNÝ, P Dálkový průzkum Země, Digitální zpracování obrazu. 1. vyd. Brno : Masarykova univerzita v Brně, s. ISBN: GEHEROVÁ, L Mapy vegetačního krytu vybrané části jižní Moravy vytvořené metodami DPZ a verifikace jejich přesnosti. [elektronický zdroj]. Brno, s. Bakalářská práce na Přírodovědecké fakultě Masarykovy univerzity na Geografickém ústavu. Vedoucí bakalářské práce RNDr. Petr Dobrovolný Csc. Dostupné jako PDF také z URL: < GISAT. 200-?. Klasifikace [online]. 200-? [cit ]. Dostupné z URL: < GEODIS. c Ortofotomapy [online]. [cit ]. Dostupné z URL: < HOLÝ, S Aktualizace databáze CORINE Land Cover České republiky (CLC2006). Závěrečná zpráva. Praha (Ministerstvo životního prostředí České republiky), s. HUANG, L. ; NI, L Object-Oriented Classification of High Resolution Satellite Image for Better Accuracy. Shanghai, P. R. China, June 2008 [cit ], p Dostupné z URL: < 45

46 KAPLAN, V Možnosti klasifikace multispektrálního snímku metodami strojového učení. Brno, s. Diplomová práce na Přírodovědecké fakultě Masarykovy univerzity na Geografickém ústavu. Vedoucí bakalářské práce RNDr. Petr Dobrovolný Csc. KOLÁŘ, J Dálkový průzkum Země. 1. vyd. Praha : SNTL, s. ISBN: KOLÁŘ, J. a kol Dálkový průzkum Země 10. Praha : Vydavatelství ČVUT, s. ISBN: X. LILLESAND, T. M. ; KIEFER, R. W Remote Sensing and Image Interpretation. 3rd ed. New York : Wiley, p. ISBN: LIU, J. G. ; MASON, P. J Essential Image Processing and GIS for Remote Sensing. 1th ed. Chichester : Wiley-Blackwell, 443 p. ISBN LUCC CZECHIA. c LUCC Czechia : Land use/land cover project [online] [cit ]. Dostupné z URL: < MÜLLER, R, IMAGE2006 European Coverage: Methodology and Results [online]. May 2009, no. 1 [cit ]. Dostupné z URL: < NASA Find Your Location [online]. October 2010, poslední revize [cit ]. Dostupné z URL: < TUCKER, C. et al NASA s Global Orthorectified Landsat Data Set. Photogrammetric Engineering and Remote Sensing [online]. March 2004, vol. 70, no. 3 [cit ], p Dostupné z URL: < VÁŇOVÁ, S Identifikace krajinné struktury metodami DPZ. [elektronický zdroj]. Brno, s. Bakalářská práce na Přírodovědecké fakultě Masarykovy univerzity na Geografickém ústavu. Vedoucí bakalářské práce RNDr. Petr Dobrovolný Csc. Dostupné jako PDF také z URL: < VÁŇOVÁ, S Zpracování leteckých snímků na ukázce časové řady vybraného území. [elektronický zdroj]. Brno, s. Diplomová práce na Přírodovědecké fakultě Masarykovy univerzity na Geografickém ústavu. Vedoucí bakalářské práce RNDr. Petr Dobrovolný Csc. Dostupné jako PDF také z URL: < USGS science for a changing world, Landsat: A Global Land-Observing Program [online]. March 2003, poslední revize [cit ]. Dostupné z URL: < USGS science for a changing world. 200-?. Landsat Processing Details [online]. 200-?, poslední revize [cit ]. Dostupné z URL: < 46

47 SEZNAM POUŽITÝCH DAT ArcČR 500: Digitální geografická databáze [cd-rom] 2003 Arcdata Praha, s.r.o. Barevná ortofotomapa Pardubického kraje [online]. GEDOS BRNO, spol. s r.o. Dostupné z WMS < Barevná ortofotomapa Pardubického kraje [online]. Český úřad zeměměřičský a katastrální. Dostupné z WMS < C1P.11446_2_1_0001_0_ (Multispektrální snímek pořízený IRS-P6 v roce 2006) [online]. Poskytnutý společností European Space Agency. Databáze CORINE Land Cover 1990, 2000 a 2006 České Republiky. Poskytnuto ve formátu shapefile Ministerstvem životního prostředí dne 2. dubna p190r025_7x etm-earthsat-orthorectified (Multispektrální snímek pořízený Landsat 7 v roce 2001) [online]. Earth Satellite Corporation. Staženo dne 8. února 2012 z webových stránek < LT XXX03 (Multispektrální snímek pořízený Landsat 5 v roce 1994) [online]. U. S. Geological Survey. Staženo dne 8. února 2012 z webových stránek < 47

48 SEZNAM PŘÍLOH Příloha 1 CD s elektronickou verzí práce Příloha 2 Chybová matice pro klasifikaci land cover ze snímku Landsat 5 v roce 1994 Příloha 3 Chybová matice pro klasifikaci land cover ze snímku Landsat 7 v roce 2001 Příloha 4 Chybová matice pro klasifikaci land cover ze snímku IRS-P6 v roce 2006 Příloha 5 Rozloha a podíl změn land cover pro období Příloha 6 Rozloha a podíl změn land cover pro období Příloha 7 Krajinný pokryv okresu Svitavy v roce 1994 klasifikovaný ze snímku Landsat 5 Příloha 8 Příloha 9 Krajinný pokryv okresu Svitavy v roce 2001 klasifikovaný ze snímku Landsat 7 Krajinný pokryv okresu Svitavy v roce 2006 klasifikovaný ze snímku IRS-P6 Příloha 10 Změny krajinného pokryvu mezi lety 1994 a 2001 Příloha 11 Změny krajinného pokryvu mezi lety 2001 a 2006 Příloha 12 Porovnání mé klasifikace s CORINE Land Cover pro rok

49 Klasifikovaná data Příloha 2 Chybová matice pro klasifikaci land cover ze snímku Landsat 5 v roce srpna 1994 Referenční data třídy land cover zástavba orná půda ovocné sady trvalé travní porosty listnaté lesy jehličnaté lesy smíšené lesy křoviny vodní plochy celkem uživatelská přesnost [%] kappa koeficient zástavba ,31 0,91 orná půda ,03 0,45 ovocné sady ,00 0,69 trvalé travní porosty ,00 0,47 listnaté lesy ,75 0,93 jehličnaté lesy ,06 0,81 smíšené lesy ,82 0,49 křoviny ,73 0,21 vodní plochy ,00 1,00 celkem zpracovatelská přesnost [%] 20,00 91,46 58,33 38,46 44,12 66,07 68,49 38,46 100,00 Poznámka: *křoviny = přechodová stádia lesa a křoviny 49

50 Klasifikovaná data Příloha 3 Chybová matice pro klasifikaci land cover ze snímku Landsat 7 v roce května 2001 Referenční data orná ovocné trvalé travní listnaté jehličnaté třídy land cover zástavba půda sady porosty lesy lesy smíšené lesy křoviny celkem uživatelská přesnost [%] zástavba ,09 0,56 orná půda ,06 0,51 ovocné sady ,75 0,43 trvalé travní porosty ,61 0,46 listnaté lesy ,64 0,61 jehličnaté lesy ,41 0,90 smíšené lesy ,98 0,44 křoviny ,92 0,48 vodní plochy ,00 1,00 vodní plochy celkem zpracovatelská přesnost [%] 29,55 80,81 63,64 55,91 48,84 56,15 67,53 57,44 92,31 Poznámka: *křoviny = přechodová stádia lesa a křoviny kappa koeficient 50

51 Klasifikovaná data Příloha 4 Chybová matice pro klasifikaci land cover ze snímku IRS-P6 v roce července 2006 Referenční data orná ovocné trvalé travní listnaté jehličnaté třídy land cover zástavba půda sady porosty lesy lesy smíšené lesy křoviny celkem uživatelská přesnost [%] zástavba ,64 0,60 orná půda ,04 0,47 ovocné sady ,00 0,49 trvalé travní porosty ,33 0,57 listnaté lesy ,86 0,65 jehličnaté lesy ,32 0,84 smíšené lesy ,00 0,32 křoviny ,00 0,31 vodní plochy ,00 0,90 vodní plochy celkem zpracovatelská přesnost [%] 24,56 86,36 33,33 61,96 41,30 51,67 59,46 36,74 90,00 Poznámka: *křoviny = přechodová stádia lesa a křoviny kappa koeficient 51

52 Příloha 5 Rozloha a podíl změn land cover pro období třída land cover 1994 třída land cover 2001 rozloha [ha] podíl [%] zástavba orná půda 428,4 1,16 zástavba ovocné sady 3,9 0,01 zástavba trvalé travní porosty 39,7 0,11 zástavba listnaté lesy 3,8 0,01 zástavba jehličnaté lesy 30,3 0,08 zástavba smíšené lesy 41,8 0,11 zástavba přechodová stádia lesa a křoviny 67,8 0,18 zástavba vodní plochy 14,0 0,04 orná půda zástavba 1332,1 3,59 orná půda ovocné sady 512,7 1,38 orná půda trvalé travní porosty 11154,3 30,09 orná půda listnaté lesy 472,8 1,28 orná půda jehličnaté lesy 407,1 1,10 orná půda smíšené lesy 1326,4 3,58 orná půda přechodová stádia lesa a křoviny 1016,9 2,74 orná půda vodní plochy 42,0 0,11 ovocné sady zástavba 3,2 0,01 ovocné sady orná půda 242,6 0,65 ovocné sady trvalé travní porosty 217,9 0,59 ovocné sady listnaté lesy 11,4 0,03 ovocné sady jehličnaté lesy 5,9 0,02 ovocné sady smíšené lesy 23,0 0,06 ovocné sady přechodová stádia lesa a křoviny 43,6 0,12 trvalé travní porosty zástavba 26,1 0,07 trvalé travní porosty orná půda 3012,9 8,13 trvalé travní porosty ovocné sady 183,6 0,50 trvalé travní porosty listnaté lesy 131,6 0,35 trvalé travní porosty jehličnaté lesy 33,0 0,09 trvalé travní porosty smíšené lesy 200,5 0,54 trvalé travní porosty přechodová stádia lesa a křoviny 88,2 0,24 trvalé travní porosty vodní plochy 2,4 0,01 listnaté lesy orná půda 17,5 0,05 listnaté lesy trvalé travní porosty 27,5 0,07 listnaté lesy jehličnaté lesy 6,9 0,02 listnaté lesy smíšené lesy 193,1 0,52 listnaté lesy přechodová stádia lesa a křoviny 5,5 0,01 jehličnaté lesy zástavba 98,6 0,27 jehličnaté lesy orná půda 422,8 1,14 jehličnaté lesy ovocné sady 12,7 0,03 jehličnaté lesy trvalé travní porosty 563,0 1,52 jehličnaté lesy listnaté lesy 39,0 0,11 52

53 jehličnaté lesy smíšené lesy 3297,6 8,90 jehličnaté lesy přechodová stádia lesa a křoviny 2355,3 6,35 smíšené lesy zástavba 28,9 0,08 smíšené lesy orná půda 468,3 1,26 smíšené lesy ovocné sady 12,3 0,03 smíšené lesy trvalé travní porosty 699,8 1,89 smíšené lesy listnaté lesy 664,8 1,79 smíšené lesy jehličnaté lesy 1882,7 5,08 smíšené lesy přechodová stádia lesa a křoviny 1844,7 4,98 smíšené lesy vodní plochy 32,9 0,09 přechodová stádia lesa a křoviny zástavba 44,5 0,12 přechodová stádia lesa a křoviny orná půda 982,9 2,65 přechodová stádia lesa a křoviny ovocné sady 29,5 0,08 přechodová stádia lesa a křoviny trvalé travní porosty 924,2 2,49 přechodová stádia lesa a křoviny listnaté lesy 114,2 0,31 přechodová stádia lesa a křoviny jehličnaté lesy 299,4 0,81 přechodová stádia lesa a křoviny smíšené lesy 863,7 2,33 přechodová stádia lesa a křoviny vodni plochy 4,0 0,01 vodní plochy zástavba 5,0 0,01 vodní plochy orná půda 2,4 0,01 vodní plochy trvalé travní porosty 4,5 0,01 vodní plochy smíšené lesy 2,0 0,01 celkem 37069,7 100,00 53

54 Příloha 6 Rozloha a podíl změn land cover pro období třída land cover 2001 třída land cover 2006 rozloha [ha] podíl [%] zástavba orná půda 1108,8 3,58 zástavba trvalé travní porosty 74,8 0,24 zástavba jehličnaté lesy 28,5 0,09 zástavba smíšené lesy 34,6 0,11 zástavba přechodová stádia lesa a křoviny 41,5 0,13 zástavba vodní plochy 8,8 0,03 orná půda zástavba 1072,7 3,46 orná půda ovocné sady 131,7 0,42 orná půda trvalé travní porosty 5206,3 16,80 orná půda listnaté lesy 31,2 0,10 orná půda jehličnaté lesy 73,1 0,24 orná půda smíšené lesy 731,0 2,36 orná půda přechodová stádia lesa a křoviny 724,6 2,34 orná půda vodní plochy 5,4 0,02 ovocné sady zástavba 4,0 0,01 ovocné sady orná půda 367,5 1,19 ovocné sady trvalé travní porosty 369,3 1,19 ovocné sady listnaté lesy 2,3 0,01 ovocné sady smíšené lesy 15,4 0,05 ovocné sady přechodová stádia lesa a křoviny 9,3 0,03 trvalé travní porosty zástavba 81,1 0,26 trvalé travní porosty orná půda 7611,0 24,56 trvalé travní porosty ovocné sady 215,1 0,69 trvalé travní porosty listnaté lesy 91,6 0,30 trvalé travní porosty jehličnaté lesy 51,1 0,16 trvalé travní porosty smíšené lesy 822,9 2,65 trvalé travní porosty přechodová stádia lesa a křoviny 577,4 1,86 trvalé travní porosty vodní plochy 16,0 0,05 listnaté lesy zástavba 4,9 0,02 listnaté lesy orná půda 271,0 0,87 listnaté lesy ovocné sady 14,8 0,05 listnaté lesy trvalé travní porosty 244,6 0,79 listnaté lesy jehličnaté lesy 8,6 0,03 listnaté lesy smíšené lesy 461,8 1,49 listnaté lesy přechodová stádia lesa a křoviny 27,3 0,09 jehličnaté lesy zástavba 194,1 0,63 jehličnaté lesy orná půda 283,6 0,91 jehličnaté lesy ovocné sady 2,8 0,01 jehličnaté lesy trvalé travní porosty 87,0 0,28 jehličnaté lesy smíšené lesy 2278,0 7,35 jehličnaté lesy přechodová stádia lesa a křoviny 829,3 2,68 jehličnaté lesy vodní plochy 2,0 0,01 54

55 smíšené lesy zástavba 32,6 0,11 smíšené lesy orná půda 639,6 2,06 smíšené lesy ovocné sady 16,3 0,05 smíšené lesy trvalé travní porosty 266,0 0,86 smíšené lesy listnaté lesy 265,2 0,86 smíšené lesy jehličnaté lesy 1425,8 4,60 smíšené lesy přechodová stádia lesa a křoviny 1012,6 3,27 přechodová stádia lesa a křoviny zástavba 29,1 0,09 přechodová stádia lesa a křoviny orná půda 624,6 2,02 přechodová stádia lesa a křoviny ovocné sady 4,3 0,01 přechodová stádia lesa a křoviny trvalé travní porosty 129,8 0,42 přechodová stádia lesa a křoviny jehličnaté lesy 1287,3 4,15 přechodová stádia lesa a křoviny smíšené lesy 1000,4 3,23 přechodová stádia lesa a křoviny vodni plochy 3,8 0,01 vodní plochy zástavba 20,6 0,07 vodní plochy orná půda 9,9 0,03 vodní plochy trvalé travní porosty 4,6 0,01 vodní plochy smíšené lesy 2,6 0,01 vodní plochy přechodová stádia lesa a křoviny 4,0 0,01 celkem 30995,6 100,00 55

56 Příloha 7 Krajinný pokryv okresu Svitavy v roce 1994 klasifikovaný ze snímku Landsat 5 56

57 Příloha 8 Krajinný pokryv okresu Svitavy v roce 2001 klasifikovaný ze snímku Landsat 7 57

58 Příloha 9 Krajinný pokryv okresu Svitavy v roce 2006 klasifikovaný ze snímku IRS-P6 58

59 Příloha 10 Změny krajinného pokryvu mezi lety 1994 a

60 Příloha 11 Změny krajinného pokryvu mezi lety 2001 a

61 Příloha 12 Porovnání mé klasifikace a CORINE Land Cover v roce