Aplikace DPZ v ochraně přírody

Transkript

1 Aplikace DPZ v ochraně přírody Lucie Kupková, Přemysl Štych a kol. Katedra aplikované geoinformatiky a kartografie PřF UK v Praze lucie.kupkova@gmail.com, stych@natur.cuni.cz Seminář DPZ v ochraně přírody, PřF UK v Praze,

2 Obsah Spolupráce s KRNAP Data WorldView-2 Planet Action HyMountEcos Další case studies SH pánev - Monitorování chemických parametrů povrchových důlních vod z hyperspektrálních obrazových dat Šumava Analýza hustoty lesních porostů Litovelské Pomoraví Klasifikace land cover Šumava a České Švýcarsko Hodnocení stavu a změn land cover Povodí Vydry Určení land cover pomocí umělých neuronových sítí Analýza vegetační fenologie v ČR

3 Spolupráce s KRNAP Začátek spolupráce seminář na PřF UK duben 2011 Ing. Jaroslav Andrle, Ph.D., RNDr. Stanislav Březina, Ph.D., Ing. Tomáš Janata, Mgr. Miroslav Válek, RNDr. Milena Kociánová, Jana Kalenská, RNDr. Vlastimil Pilous Konkrétní náplň spolupráce Pořízení dat WorldView2 z prostředků projektu GEONETCAB Projekt Planet Action Projekt HyMountEcos Diplomové práce/seminární práce

4 Data WorldView 2 DP na téma Možnosti využití DPZ při monitoringu Luční vegetace a managementovýchzásahů v Krkonších Autorka Bc. Michaela Pomáhačová Vedoucí RNDr. Lucie Kupková, Ph.D. Konzultant RNDr. Stanislav Březnia, Ph.D. Východiska práce Tradičně obhospodařované louky jsou jednou z nejcennějších přírodních i krajinářských hodnot Krkonoš vyžadují pravidelné obhospodařování Iniciativu při managementu luk přebírá v posledních letech správa KRNAP Součástí rozhodování o provádění managementovýchzásahů je i tzv. managementový monitoring Je nutné zjišťovat jaký typ zásahu (pastva, seč, mulčování) byl ve zkoumaném časovém úseku proveden Vyžadováno spolehlivé a opakovatelné mapování různých typů luční vegetace Je třeba odlišit druhově bohaté a přírodovědně cenné louky od intenzivně hnojených druhově chudých luk Vizuální zjišťování uvedených skutečností mapovateli v terénu je zatíženo velkou subjektivní chybou a je časově náročné Tyto nedostatky by mohly být odstraněny použitím metod DPZ

5 Cíle práce Zhodnocení možností využití družicových dat WorldView-2 pro klasifikaci základních lučních společenstev a způsobů managementu luční vegetace modelového území v Krkonoších Klasifikace bude primárně vycházet z legendy navržené botanikem Zhodnocení využití dat WorldView-2 pro mapování biotopů Natura 2000 Porovnání dat WorldView-2 s daty Quickbird cílem je zjistit zda nová spektrální pásma přidaná v datech WorldView-2 umožní lépe vyklasifikovatnavržené kategorie luční vegetace

6 Data Družicové snímky WorldView-2 pořízené (haze) a Data WorldView-2 zahrnují kromě čtyř tradičních pásem (blue, green, red, NIR) čtyři nová pásma (coatal blue, yellow, red-edge, NIR2) Terénní vzorky reprezentující luční společenstva z jednotlivých tříd definovaných botanikem nasbírané 26. a (celkem 65 vzorků) Data Quickbird nebylo možné ortorektifikovat s dostatečnou přesností použita simulovaná data Quickbird vytvořená na základě pásem shodných s pásmy WorldView-2 (blue, green, red, NIR1) Data ZABAGED zapůjčená Zeměměřickým úřadem Data z mapování biotopů Natura 2000 poskytnutá AOPK

7 Náhled snímku WorldView-2 pořízeného v srpnu 2011

8 Náhled snímku WorldView-2 pořízeného v září 2011

9 METODIKA Ortorektifikace s využitím racionálních funkcí (RPC) Maska lučních porostů vytvořena z důvodu vyloučení vlivu ostatních druhů povrchů na přesnost klasifikace Aplikace Fisherovy diskriminační analýzy v softwaru SPSS Statisticss cílem nalézt optimální kombinaci proměnných pro odlišení jednotlivých lučních kategorií Testováno 24 proměnných pro data WorldView-2 (8 spektrálních pásem WV-2, 8 komponent analýzy PCA, vegetační indexy RVI, SAVI, NDVI, indexy založené na NDVI NDVI Coastalblue, NDVI Blue, NDVI Yellow, NDVI Green, NDVI Red-edge ) Trénovací množiny vytvořeny na základě bodů zaměřených v terénu (63) Klasifikace algoritmem neuronových sítí a pro porovnání algoritmem maximální věrohodnosti na základě výsledků diskriminační analýzy v softwaru ENVI 4.7 Aplikace mediánového filtru 5x5 na výsledky klasifikace Mapy luční vegetace vytvořeny v softwaru ArcGIS 9.3

10 Klasifikace luční vegetace z dat WorldView-2 v září 2011

11 Klasifikace luční vegetace z dat WorldView-2 v srpnu 2011

12 Výsledky práce a pokračování spolupráce Nejvyšší přesnost klasifikace luční vegetace dle legendy navržené botanikem z dat WorldView-2 dosažena klasifikátorem neuronových sítí (91,1 % u zářijového a 90,7 % u srpnového snímku) Legenda navržená botanikem je pro klasifikaci vhodnější než legenda Natura 2000 (nezahrnuje managementovékategorie) Význam práce v prakticky prvním použití dat WV-2 pro klasifikaci lučních ekosystémů v horské oblasti Další kroky spolupráce Hodnocení na základě hyperspektrálníchdat OBIA? Prakticky zaměřený společný projekt monitorování aktuálního managementu luk v průběhu sezóny s využitím leteckých snímků s infračerveným pásmem

13 Projekt Planet Action DP na téma Využití dat DPZ pro hodnocení aktuálního stavu a vývoje smrkových porostů v Krkonoších Autorka Bc. Romana Musilová Vedoucí RNDr. Lucie Kupková, Ph.D. Cíle práce Využití a porovnání snímků z družic Landsat, SPOT, QuickBird a WorldView-2 pro hodnocení zdravotního stavu smrkových porostů v KRNAP Aplikace vybraných vegetačních indexů Popis vývoje kondice smrkových porostů Porovnání výsledků indexů s dalším zdrojem

14 Družicová data: Landsat (1984, 1993, 2011) SPOT (1999, 2004, 2006, 2007) QuickBird (2003, 2005, 2010) WorldView-2 (2011) ZABAGED Sběr bodů v terénu pro účely ortorektifikace Data z pozemního šetření VÚLHM Opočno Mapy defoliace a mortality jehličnatých porostů 14

15 15 Zdroj: vlastní výstup.

16 Metodika Použití vegetačních indexů NDVI, simple ratio, LAI, GRVI, RGI, FMI, wndii, REIP Tvorba masek lesa pro každý snímek pomocí klasifikace maximum likelihood Hodnocení trendů Porovnání indexů

17 Vývoj zdravotního stavu smrkových porostů dle indexu NDVI 17 Zdroj: vlastní výstup.

18 18

19 Stejné trendy: NDVI, SR, LAI, wndii Odděleně: 1. GRVI a RGI -barevné změny 2. FMI - doplňkově 19

20 Význam práce v porovnání množství indexů Indexy většinou ukázaly stejné rysy, trendy Pro hodnocení smrkových porostů lze doporučit NDVI, SR, LAI, wndii a pro doplnění GRVI a RGI Index FMI je méně vhodný Dlouhodobě se kondice zlepšuje, v některých letech narušeno (vliv počasí) Budoucnost: výstupy tohoto typu porovnat s terénním výzkumem (např. fyziologický stav, obsah pigmentů) 20

21 Seminární práce Hodnocení vývoje land cover KRNAP na základě leteckých snímků Autorka Bc. Jana Kubečková Cíl - zhodnotit vývoj land cover ve třech časových horizontech v I. zóně KRNAP na základě. klasifikace rastrových dat (LS, ortofota) Kategorie Podíl na celkové rozloze I. zóny (v %) Zastavěná území 0,03 0,03 0,03 Silnice 0,08 0,09 0,09 Cesty 0,53 0,36 0,36 Orná půda 0,03 0,01 0,01 Louky a pastviny 14,52 12,40 12,54 Les 27,61 25,73 25,48 Křoviny a sukcesní stádia 49,45 53,88 53,86 Vodní plochy 0,01 0,01 0,01 Mokřady a rákosiny 1,13 1,16 1,14 Skaliska 6,61 6,33 6,49 Celkem 100,00 100,00 100,00

22

23 Projekt HyMountEcos (Hyperspectral remote sensingfor MountainEcosystems) EUFAR - Česko-polský projekt (Varšavská Univerzita doc. Bogdan Zagajewski První kampaň konec června 2012, druhá od 10. září září 2012 nasnímána HS data skenerem APEX pro českou a polskou část Krkonoš Cíle Mapování a inventarizace horských ekosystémů Analýza společenstev, druhů a invazivních druhů Hodnocení kondice lesních ekosystémů (biofizykální parametry, spektrální parametry) Návrh komplexního zpracování dat pro hodnocení horských ekosystémů

24

25

26 Diplomové práce HyMountEcos Hodnocení lučních společenstev a invazivních druhů Analýza chlorofylu jako indikátoru fyziologického stavu smrkových porostů Analýza ligninu jako indikátoru fyziologického stavu smrkových porost Geologické mapování vrcholových partií Krkonoš Odhad množství lesní biomasy (využití dat laserového skenování) Podrobná mapa land cover Krkonoš Klasifikace antropogenních materiálů z HS dat

27 Ukázka dat APEX (AirbornePrism Experiment) Prostorové rozlišení 2 m nm Cca 300 spektrálních pásem

28 Další case studies-využití dat DPZ v OP

29 Diplomová práce Monitorování chemických parametrů povrchových důlních vod z hyperspektrálních obrazových dat Autorka Bc. Lenka Hladíková Vedoucí RNDr. Lucie Kupková, Ph.D. Konzultantka Mgr. Veronika Kopačková - ČGS DP součástí projektu GAČR České geologické služby Hlavní cíl práce -odvození metodiky pro určení obsahu železa a suspenze v důlních vodách pomocí dvou odlišných přístupů Data HyMap (125 pásem, prostorové rozlišení 5) empirický model spectral unmixing

30 Zájmové území oblast Sokolovské hnědouhelné pánve dlouhodobý vliv těžby uhlí extrémní hodnoty obsahu naměřených látek ve vodě Cíle DP - Zájmové území -Data - Empirický model - Spectral unmixing - Porovnání metod - Přenositelnost - Souhrn 4/14

31 Empirický model - železo sklon mezi R455 nm a R573 nm r xy = 0,92 v rámci DP vytvořeny mapy pro obsah železa a suspenze ve vodě s využitím empirického přístupu a metodou spectral unmixing hyperspektrálnídata jsou vhodným nástrojem pro monitorování kvality vod v oblasti těžby Cíle DP - Zájmové území - Data - Empirický model -Spectral unmixing - Porovnání metod - Přenositelnost - Souhrn 7/14

32 Diplomová práce Analýza hustoty lesních porostů Autorka Bc. Petra Bromová Vedoucí Ing. Markéta Potůčková, Ph.D. Cíle práce stromový zápoj Vzájemný dotyk a prolínání větví stromů. texturálnípříznaky snímků velmi vysokého prostorového rozlišení objektový přístup data leteckého laserového skenování Zájmové území Březník, Modravské slatě (53 km2)

33 Terénní průzkum , , hemisférické fotografie, 40 ploch Gap Light Analyzer 5 kategorií korunového zápoje Data a SW panchromatický snímek WorldView-2, , 0,5 m data LLS, březen 2011, 0,5 1 bod/m2 software: ecognition Developer 8 a 8.7, ArcGISfor Desktop 10.0 Metody objektová klasifikace segmentace, klasifikace rozhodovací stromy výpočet textur GLCM kontrast, entropie, korelace filtracedatlls body 1,3 m a výšenadterénem

34

35 CHKO Litovelské Pomoraví klasifikace land cover Podkladová data Vektorová vrstva LC z roku 2006 vytvořená na základě vizuální interpretace ortofotomap Snímky Landsat 5 TM Cíl: Porovnání výsledků vizuální interpretace a klasifikace land cover Metoda řízené klasifikace klasifikátor maximální pravděpodobnosti

36 Třídy definované na základě vizuální interpretace 1) Zahrádkářské kolonie 2) Les 3) Orná půda 4) Sady 5) Trvalé travní porosty 6) Voda 7) Zástavba 8) Rozptýlená zeleň Klasifikace na základě dat DPZ celková shoda cca 80 % nelze určit úzké, malé plochy (např. vodní tok) nelze určit třídy 1, 4 a 8 objeveny nedostatky mezi TTP a ornou půdou lze zpřesnit legendu: Les listnatý jehličnatý / smíšený Nízký porost

37 Výsledek shodné legendy (vektor x klasifikace) výřez snímku louky x pole Výsledek zpřesněný

38

39

40

41 Hodnocení stavu a změn land cover Šumava a České Švýcarsko Přemysl Štych, Petra Kolešová, Petra Bromová, Veronika Oubrechtová, Kristýna Lihanová

42 Národní park Šumava Hodnocení změn land cover pomocí dat Landsat

43 Národní park Šumava Hodnocení změn land cover pomocí dat SPOT

44 Národní park České Švýcarsko Změny land cover

45 Národní park České Švýcarsko Změny land cover

46 Určení land cover pomocí umělých neuronových sítí Modelové území povodí Vydry Les Řídký porost Suchý les Trvalé travní porosty Zamokřená území

47 Určení land cover pomocí umělých neuronových sítí Modelové území povodí Vydry Umělé neuronové sítě MultiLayerPerceptron(MLP) Průběh trénovacíhoprocesu sítě MLP Nepřesnější nalezené řešení MLP Training Threshold Contribution 0,2 Training Rate 0,2 Training Momentum 0,4 Celková přesnost [%] 89,5 Kappa index [%] 0,851 MetodaML Celková přesnost [%] 85,0 Kappa index [%] 0,807

48 Určení land cover pomocí umělých neuronových sítí Modelové území povodí Vydry třída rozloha MLP [%] rozloha ML [%] les řídký porost suchý les 18 5 TTP 4 9 zamokřená území 2 1

49 Analýza vegetační fenologie v ČR Směrnice regresních přímek průměr za data Pozemní fenologická data GIMMS ČR trend shodný s pozemními Začátek vegetačního období nejvíce shoduje Nejméně konec vegetačního období

50

51 Analýza vegetačních dat DPZ s pozemními fenologickými daty ČHMÚ Směrnice regresních přímek Landcover Pozemní data ČHMÚ

52 Srovnání fenologických datových sad s pozemními daty ČHMÚ Svoboda nad Úpou Hodnoty směrnice regresní přímky u datových sad Shoda u začátku a konce dat. Sady GIMMS Hodnoty směrnice reg. přímky u dat ČHMÚ a GIMMS v období Široké období hodnoty shodné téměř na desetiny

53 Děkujeme za pozornost Otázky?