VYUŽITÍ HYPERSPEKTRÁLNÍCH DAT KE KLASIFIKACI VEGETACE ALPÍNSKÉHO BEZLESÍ V KRKONOŠÍCH

Transkript

1 UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie Studijní program: Geografie (magisterské studium) Studijní obor: Geoinformatika a kartografie Bc. Martina ANDRŠTOVÁ VYUŽITÍ HYPERSPEKTRÁLNÍCH DAT KE KLASIFIKACI VEGETACE ALPÍNSKÉHO BEZLESÍ V KRKONOŠÍCH HYPERSPECTRAL DATA FOR CLASSIFICATION OF VEGETATION OF ALPINE TREELESS IN THE KRKONOŠE MTS. Diplomová práce Vedoucí diplomové práce: RNDr. Lucie Kupková, Ph.D. Konzultant diplomové práce: RNDr. Stanislav Březina, Ph.D. Praha 214

2 Prohlášení Prohlašuji, že jsem tuto diplomovou 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. podpis

3 Poděkování Na tomto místě bych ráda poděkovala všem, kteří mi poskytli podklady pro vypracování této práce. Zvláště děkuji své vedoucí RNDr. Lucii Kupkové, PhD. za odborné vedení a konzultování diplomové práce, za její obětavost, vstřícnost a trpělivost a za veškeré užitečné rady, které mi poskytovala po celou dobu mého studia. Rovněž bych ráda poděkovala RNDr. Stanislavu Březinovi, Ph.D. za odborné konzultace a asistenci při terénních výjezdech. V neposlední řadě je mou milou povinností poděkovat svým rodičům a přátelům za morální a materiální podporu, které se mi dostávalo po celou dobu studia.

4 Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších ABSTRAKT Diplomová práce je součástí projektu HyMountEcos, který se zabývá komplexním hodnocením ekosystémů v Krkonošském národním parku s využitím hyperspektrálních dat. Zájmovým územím je oblast alpínského bezlesí v Krkonošském národním parku (krkonošská tundra). Cílem práce bylo vytvoření podrobné metodiky klasifikace vegetačního pokryvu z hyperspektrálních dat senzoru AISA DUAL a APEX, nalezení klasifikátoru, který zlepší přesnost klasifikace oproti údajům z literatury, a porovnání přesností dosažených pomocí těchto dvou typů dat. Na data bylo aplikováno několik klasifikačních algoritmů (Spectral Angle Mapper, Linear Spectral Unmixing, Support Vector Machine, MESMA a Neural Net), výsledky klasifikací byly v následujícím kroku statisticky vyhodnoceny a porovnány. Jako nejpřesnější byla vyhodnocena metoda Neural Net, která poskytuje nejpřesnější výsledky pro data APEX (celková přesnost 96 %, Kappa koeficient,95) i AISA DUAL (celková přesnost 9 %, Kappa koeficient,88). Výsledná přesnost klasifikace (celková i pro některé třídy) dosáhla lepších výsledků, než jsou zmiňovány v literatuře Výstupem práce jsou také mapy vegetace alpínského bezlesí zpracované na žádost Správy Krkonošského národního parku, které budou využity pro management a ochranu cenného území alpínského bezlesí v Krkonoších. Klíčová slova: alpínská vegetace, horské ekosystémy, hyperspektrální data, klasifikace, klasifikační algoritmy, Krkonošský národní park, vegetační pokryv Hyperspectral data for classification of vegetation of alpine treeless in the Krkonoše Mts. ABSTRACT The Master Thesis is a part of the HyMountEcos project, which deals with a complex evaluation of mountain s ecosystems in the Giant Mountains National Park using the hyperspectral data. The area of interest is alpine treeless in the Giant Mountains National Park. The main goal of this thesis was to create detailed methodology for classification of vegetation cover using hyperspectral data from AISA DUAL and APEX sensors, to find a classification method, which would improve the accuracy of the results compared to those found in the literature, and to compare the accuracy reached with these two types of the data. Many different classification algorithms (Spectral Angle Mapper, Linear Spectral Unmixing, Support Vector Machine, MESMA a Neural Net) were applied and the classification results were statistically evaluated and compared in the next part of the work. The classification method Neural Net was found as the most accurate one, as it gives the most accurate results for APEX data (the overall accuracy 96 %, Kappa coefficient,95) as well as for AISA DUAL data (the overall accuracy 9 %, Kappa coefficient,88). The resulting accuracy of the classification (the overall one and also for some classes) reached better results than were those mentioned in the literature. The output of this thesis are also maps of alpine treeless vegetation created on the request of the Giant Mountain s National Park management. The maps will be used for management and protection of valuable areas of alpine treeless in the Giant Mountains. Keywords: alpine vegetation, mountain ecosystems, hyperspectral data, classification, classification algorithms, Krkonoše National Park, land cover

5 OBSAH SEZNAM POUŽITÝCH ZKRATEK... 7 SEZNAM MAP, OBRÁZKŮ A TABULEK ÚVOD A CÍLE PRÁCE ÚVOD DO PROBLEMATIKY Principy dálkového průzkumu Země Zářivé vlastnosti krajinných prvků Vegetace Voda Holý povrch Hyperspektrální obrazová data Hyperspektrální obrazové senzory Klasifikace Metody klasifikace Spectral Angle Mapper Spectral Unmixing Support Vector Machine Neural Net Multiple Endmember Spectral Mixture Analysis Studie zabývající se klasifikací horských ekosystémů s využitím hyperspektrálních dat 34 ZÁJMOVÉ ÚZEMÍ Klimatické podmínky, přehled výškových stupňů Krkonoš a vývoj hospodářství Klimatické podmínky Přehled výškových stupňů Krkonoš Vývoj krajiny a hospodářství DATA A METODY Charakteristika použitých obrazových dat Zpracování obrazových dat Předzpracování obrazových dat Mozaikování obrazových dat Klasifikace obrazových dat Legenda klasifikace Klasifikace dat Klasifikace pro porovnání dat AISA DUAL a APEX Postklasifikační úpravy a hodnocení přesnosti jednotlivých klasifikací... 65

6 5 VÝSLEDKY Porovnání relativního zastoupení tříd ve výsledných klasifikacích Hodnocení výsledků klasifikace algoritmem SAM Hodnocení výsledků klasifikace algoritmem SLU Hodnocení výsledků klasifikace algoritmem SVM Hodnocení výsledků klasifikace algoritmem NN Hodnocení výsledků klasifikace algoritmem MESMA Výsledek klasifikace algoritmem NN pro východní alpínské bezlesí Porovnání přesnosti jednotlivých klasifikačních algoritmů Porovnání výsledků klasifikace dat APEX a AISA DUAL Shrnutí výsledků klasifikací DISKUZE ZÁVĚRY SEZNAM ZDROJŮ SEZNAM PŘÍLOH... 91

7 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších SEZNAM POUŽITÝCH ZKRATEK BRDF Bidirectional Reflectance Distribution Function DPZ dálkový průzkum Země ETM+ Enhanced Thematic Mapper plus FOV Field of view HS hyperspektrální MESMA Multiple Endmember Spectral Mixture Analysis MNF Minimal Noise Fraction MS multispektrální PPI Pixel Purity Index RMSE Root Mean Square Error SAM Spectral Angle Mapper SLU Spectral Linear Unmixing SVM Support Vector Machine NN Neural Net 7

8 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších SEZNAM MAP, OBRÁZKŮ A TABULEK Mapa 1: Hranice zájmového území 4 Mapa 2: Hlavní zájmové území západní krkonošská tundra 41 Obrázek 1: Elektromagnetické spektrum 14 Obrázek 2: Křivky spektrální intenzity vyzařování 15 Obrázek 3: Obecný průběh spektrální odrazivosti vody (1), vegetace (2), suché (3) a vlhké (4) půdy Obrázek 4: 16 Spektrální odrazivost vegetace v oblasti viditelného a infračerveného záření 17 Obrázek 5: Vliv chlorofylu a suspenze na odrazivost vody 18 Obrázek 6: Spektrální odrazivost půd s různým obsahem humusu a železa 19 Obrázek 7: Princip DPZ 19 Obrázek 8: Rozdíl mezi MS a HS daty 2 Obrázek 9: Křivka spektrální odrazivosti pro tři různé minerály 21 Obrázek 1: AISA Eagle hyperspektrální senzor 23 Obrázek 11: AISA Hawk 23 Obrázek 12: AISA DUAL 23 Obrázek 13: AISA Eagle pohled ze strany a ze předu 24 Obrázek 14: AISA Hawk pohled ze strany a ze předu 25 Obrázek 15: AISA DUAL pohled ze strany a ze předu 25 Obrázek 16: APEX systém 26 Obrázek 17: Spektrální úhel mezi materiály A a B v případě 2 pásem 28 Obrázek 18: Linear Spectral Unmixing 29 Obrázek 19: Minimum noise fraction 3 Obrázek 2: MNF, pásmo Obrázek 21: Princip Support vector machine 32 Obrázek 22: Ukázka umělé neuronové sítě, která obsahuje skupinu propojených uzlů, podobných rozsáhlé síti neuronů v lidském mozku Obrázek 23: 33 Příklad třívrstvé sítě se 6 vstupními, 8 skrytými a 11 výstupními uzly s příkladem vstupu a výstupu při klas. satelitních snímků 33 Obrázek 24: Horizontální a vertikální stupňovitost ve světě 42 Obrázek 25: Výškové vegetační stupně Krkonoš na č. a p. straně hor 42 8

9 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Obrázek 26: Stupeň submontánní 43 Obrázek 27: Zvonek koníkovitý, montánní stupeň 44 Obrázek 28: Subalpínský stupeň 45 Obrázek 29: Alpínský stupeň 45 Obrázek 3: Pravidelné letové linie 49 Obrázek 31: BRDF letové linie 5 Obrázek 32: Schéma pracovního postupu pro pre-processing hyperspektrálních snímků 52 Obrázek 33: Náhled na geometricky a radiometricky korigované snímky 53 Obrázek 34: Rozmístění trénovacích polygonů 58 Obrázek 35: Srovnání obrázků v RGB a v nepravých barvách 59 Obrázek 36: Ukázka ROI Tool a načtených polygonů 6 Obrázek 37: Ukázka spektrální křivky odrazivosti pro kategorii smrku a brusnicové vegetace 61 Obrázek 38: RMSE obraz pro západní část Krkonoš 62 Obrázek 39: Linear Spectral Unmixing pro třídu kamenných polí 63 Obrázek 4: Graf RMSE v závislosti na počtu iterací 64 Obrázek 41: Rozmístění validačních polygonů 67 Obrázek 42: Legenda všech výstupů klasifikace 69 Obrázek 43: Výřez výsledné klasifikace pomocí klasifikátoru SAM 69 Obrázek 44: Výřez výsledné klasifikace pomocí klasifikátoru SLU 71 Obrázek 45: Výřez výsledné klasifikace pomocí klasifikátoru SVM 72 Obrázek 46: Výřez výsledné klasifikace pomocí klasifikátoru NN 73 Obrázek 47: Výřez výsledné klasifikace pomocí klasifikátoru MESMA 74 Obrázek 48: Výřez klasifikace algoritmem NN pro území vých. alp. bezlesí 76 Obrázek 49: Výřez pro porovnání přesností klasifikací z dat APEX a AISA 78 Obrázek 5: Mapa západního alpínského bezlesí klasifikace SAM 12 Obrázek 51: Mapa západního alpínského bezlesí klasifikace SLU 13 Obrázek 52: Mapa západního alpínského bezlesí klasifikace SVM 14 Obrázek 53: Mapa západního alpínského bezlesí klasifikace NN 15 Obrázek 54: Mapa západního alpínského bezlesí klasifikace MESMA 16 Obrázek 55: Mapa východního alpínského bezlesí klasifikace NN 17 Obrázek 56: Srovnání klasifikací APEX výřez západního alp. bezlesí 18 Obrázek 57: Srovnání klasifikací AISA výřez západního alp. bezlesí 18 9

10 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Tabulka 1: Vlastnosti senzoru AISA Eagle a AISA Hawk 25 Tabulka 2: Vlastnosti senzoru APEX 26 Tabulka 3: Počty trénovacích polygonů jednotlivých kategorií 57 Tabulka 4: Počty validačních polygonů jednotlivých kategorií 66 Tabulka 5: Relativní zastoupení tříd v celém zájm. území, klasifikátor SAM 7 Tabulka 6: Relativní zastoupení tříd v celém zájm. území, klasifikátor SLU 71 Tabulka 7: Relativní zastoupení tříd v celém zájm. území, klasifikátor SVM 73 Tabulka 8: Relativní zastoupení tříd v celém zájm. území, klasifikátor NN 74 Tabulka 9: Relativní zastoupení tříd v celém zájm. území, klasifikátor MESMA75 Tabulka 1: Přesnost jednotlivých klasifikačních algoritmů 76 Tabulka 11: Relat. zastoupení tříd u klasif. NN pro výřez záp. alp. bezlesí 79 Tabulka 12: Confusion matrix pro klasifikaci západního alp. bezlesí, SAM 92 Tabulka 13: Confusion matrix pro klasifikaci západního alp. bezlesí, SLU 93 Tabulka 14: Confusion matrix pro klasifikaci západního alp. bezlesí, SVM 94 Tabulka 15: Confusion matrix pro klasifikaci západního alp. bezlesí, NN 95 Tabulka 16: Confusion matrix pro klasifikaci západního alp. bezlesí, MESMA 96 Tabulka 17: Procentuální zastoupení tříd u jednotlivých klasifikací 97 Tabulka 18: Přesnost tříd u jednotlivých klasifikací 98 Tabulka 19: Confusion matrix pro klasifikaci východního alp. bezlesí 99 Tabulka 2: Confusion matrix pro klasifikaci výřezu záp. alp. bezlesí, NN 1 Tabulka 21: Confusion matrix pro klasifikaci výřezu záp. alp. bezlesí, NN 11 1

11 Kapitola 1: Úvod a cíle práce KAPITOLA 1 Úvod a cíle práce Diplomová práce je součástí projektu HyMountEcos, který se zabývá komplexním hodnocením ekosystémů v Krkonošském národním parku s využitím hyperspektrálních dat skeneru APEX. Cílem diplomové práce je navrhnout metodiku podrobné klasifikace vegetačního pokryvu alpínského bezlesí v Krkonoších z hyperspektrálních obrazových dat a zpracovat mapu vegetace alpínského bezlesí na žádost správy Krkonošského národního parku. Přesnost klasifikace by měla být lepší, než je dosud zmiňovaná v literatuře. Dalším cílem je porovnat přesnosti klasifikace HS dat s různým spektrálním a prostorovým rozlišením. Práce je zaměřena na biotopy alpínského bezlesí (tundry). Území bylo nasnímkováno hyperspektrálním senzorem ASAS v září 212. Podkladem práce tedy budou hyperspektrální letecké snímky ze senzorů AISA DUAL a APEX a dále data získaná terénním průzkumem. Alpínský vegetační stupeň se v ČR vyskytuje pouze v malých ploškách nejvyšších pohoří. Jsou to polohy nad horní hranicí lesa s porosty křovin, kde klimatické podmínky nedovolují rozvoj souvislých porostů dřevin. Tvoří jej hole krátkostébelných trav a na místech kamenitějších porosty mechorostů a lišejníků. U nás zde najdeme kleče (v Alpách kromě kleče také olše zelené a pěnišníky). Z bylin se zde vyskytují druhy arkto-alpínské, jako je vrba bylinná nebo prvosenka nejmenší. Konkrétní třídy alpínské vegetace vyskytující se v našich horách jsou: alpínská vřesoviště, acidofilní alpínské trávníky, bazofilní alpínské trávníky, smilkové trávníky a vřesoviště, vegetace pramenišť, vegetace přechodových rašelinišť a slatinišť, a vegetace vrchovišť (Chytrý, Kučera, Kočí, 21). 11

12 Kapitola 1: Úvod a cíle práce V poslední době se horské ekosystémy stávají středem zájmu při diskuzích o globální změně klimatu. Alpínská vegetace je považována za velmi citlivou na zvyšování teploty. Proto jsou tato společenstva pokládána za ideální ke studiu. Modelování a odhady dopadů globálního oteplování na horské systémy vyžadují přesnou a podrobnou znalost vegetačního pokryvu, případně jeho změn. Při zpracování diplomové práce jsem spolupracovala s botanikem Správy KRNAP, který pomohl navrhnout legendu vyhovující potřebám monitoringu a dalšího výzkumu. V zájmovém území byl proveden terénní průzkum a sběr dat pozemním spektrometrem ASD FieldSpec 4, s pomocí GPS byly zaměřeny vzorky jednotlivých typů vegetačního pokryvu a využity pro řízenou klasifikaci. Snímky byly následně klasifikovány s využitím softwaru ENVI. Bylo aplikováno několik klasifikačních algoritmů, které byly následně porovnány. Úvodní část práce je zaměřena na teoretický vstup do tématu, rešerši a diskuzi dostupných pramenů a zdrojů dat a návrh legendy. V další části byla navržena metodika, jež byla na data aplikována, dále jsou shrnuty dosažené výsledky a porovnání výsledků získaných s využitím různých metod a dvou typů hyperspektrálních dat (data skenerů APEX a AISA DUAL) a zhodnocena jejich přesnost. Hlavním výstupem jsou podkladové mapy znázorňující rozmístění a druhy alpínské vegetace vyskytující se v zájmovém území. Do práce vstupujeme s předpokladem, že nejlepších výsledků klasifikace by mělo být dosaženo pomocí klasifikátorů Neural Net či Support Vector Machine a že přesnost bude lepší v případě dat s lepším prostorovým a spektrálním rozlišením. 12

13 Kapitola 2: Úvod do problematiky KAPITOLA 2 Úvod do problematiky 2.1 Principy dálkového průzkumu Země V literatuře se setkáváme s mnoha definicemi pojmu DPZ. Dálkový průzkum Země (z anglického Remote Sensing) znamená získávání informací o objektech a jevech na dálku, tzn. bez přímého kontaktu s těmito jevy a objekty, při kterém se využívá dvou základních poznatků: Člověk je schopen získávat kvalitativní a kvantitativní informace o jevech a věcech, které ho obklopují. Každý tento jev nebo objekt nějakým charakteristickým způsobem ovlivňuje své okolí (Dobrovolný, 1998). Campbell (1996 in Dobrovolný, 1998) definuje dálkový průzkum jako způsob získávání informací o zemském povrchu i vodních plochách s využitím snímků pořízených z ptačí perspektivy, využívající elektromagnetické záření v jednom nebo více intervalech spektra, toto záření je pak odráženo nebo emitováno ze zemského povrchu. Můžeme také zmínit jednu definici spíše populárního charakteru Johna Huntingtona z australského časopisu Geoscience, která zní: Dálkový průzkum Země je umění rozdělit svět na množství malých barevných čtverečků, se kterými si lze hrát na počítači s cílem odhalení jejich neuvěřitelného potenciálu. Základním principem dálkového průzkumu země je snímání elektromagnetického záření, které vzniká zrychleným nebo zpomaleným pohybem nabitých částic. Vzhledem k pestrosti jevů, které jsou tímto pohybem doprovázeny, je elektromagnetické záření obsaženo ve spojitém spektru (viz obr. 1). 13

14 Kapitola 2: Úvod do problematiky Obrázek 1: Elektromagnetické spektrum (Vesmír - mlhoviny, 213) Pohyb nabitých částic představuje rotační a vibrační pohyby atomů podél jejich chemických vazeb a pohyby elektronů kolem jádra. Tato kombinace pohybů částic odpovídá určité vnitřní energii, která je vnímána jako teplota látky. Pomocí zákonů termodynamiky lze určit, jak velká část tepelné energie může být přeměněna na zářivou. Pomocí Stefan-Boltzmanova zákona můžeme vyjádřit vztah mezi intenzitou záření produkované tělesem a jeho teplotou: M = σ T 4 kde M = intenzita záření; σ = přírodní konstanta 5,6693 * 1-8 W m -2 K -4 a T je teplota tělesa v K. Protože všechna tělesa v přírodě mají nenulovou absolutní teplotu, znamená to, že každé těleso je neustálým zdrojem elektromagnetického záření (Kolář et al., 1997). Exponenciální závislost spektrální intenzity na vlnové délce výrazně preferuje určitý interval vlnových délek, jehož umístění v elektromagnetickém spektru závisí na teplotě zdroje záření. Hodnota vlnové délky, na které je spektrální intenzita maximální, určuje Wienův posunovací zákon: λmax = b/t kde b má hodnotu 2898 μm.k. podle tohoto vidíme, že vlnová délka záření se posunuje do kratších vlnových délek s rostoucí teplotou tělesa (viz obr. 2). Tepelné záření Slunce můžeme přirovnat k záření černého tělesa s teplotou 6 K. Vidíme tak, že oblast maximálního vyzařování bude Slunce kolem,5 μm, což je přibližně ve středu části našeho viditelného spektra. Záření země můžeme naopak přirovnat k záření černého tělesa s teplotou 3 K. Z toho plyne, že vlnová délka 14

15 Kapitola 2: Úvod do problematiky maximálního vyzařování je kolem 1 μm. Srovnáním spektrálních průběhů intenzity ozařování slunečním zářením a intenzity vyzařování tepelného záření Země vidíme, že obě veličiny nabývají stejných hodnot v oblasti středního infračerveného záření. Na kratších vlnových délkách tedy převládá dopadající sluneční záření, na delších naopak vždy vyzařování Země (Kolář et al., 1997). Obrázek 2: Křivky spektrální intenzity vyzařování černého tělesa pro různé teploty (Kolář et al., 1997) Parametry dopadajícího záření se nemění, pouze když procházejí absolutně homogenním prostředím. Každá nehomogenita způsobuje změnu jeho elektromagnetických a geometrických charakteristik záření. Pro DPZ jsou tyto změny podstatné, protože jejich výsledek je závislý na fyzikálních parametrech každé nehomogenity. Dopadající elektromagnetická vlna indukuje na hranici dvou prostředí oscilační pohyb elektrických nábojů na povrchu tělesa, které následně produkují sekundární elektromagnetickou vlnu. Ta se odlišuje od dopadající vlny svou intenzitou, energií, vlnovou délkou, polarizací a směrem šíření (Kolář et al., 1997). Záření může být od tělesa odraženo, absorbováno nebo propuštěno. Podle zákona o zachování energie musí platit, že suma energií absorbovaného, propuštěného a odraženého záření musí být rovna energii dopadajícího záření. Platí tedy: 1 15

16 Kapitola 2: Úvod do problematiky kde: α je absorpce (podíl absorbovaného záření k záření dopadajícímu), τ je transmitance (podíl propuštěného záření ku dopadajícímu záření) a ρ je reflektance (podíl odraženého záření ku dopadajícímu záření). 2.2 Zářivé vlastnosti krajinných prvků Zářivé vlastnosti objektu popisuje spektrální charakteristika, která vyjadřuje závislost odrazivosti nebo emisivity dané látky na vlnové délce. Spektrální charakteristiky objektů jsou zjišťovány experimentálně v laboratorních podmínkách, ale i v terénu. Současně s tím je také zapotřebí zjišťovat druhové (kvalitativní povaha) a stavové parametry (kvantitativní povaha), kterým odpovídá jedna spektrální charakteristika. Ze znalosti vztahu spektrální charakteristiky a stavových vlastností lze odvodit nejvhodnější spektrální pásma pro měření. Rozmanitost krajiny způsobuje i rozličnost spektrálních vlastností objektů a jim odpovídajících spektrálních křivek. Spektrální odrazivosti lze rozdělit do čtyř základních skupin holý povrch bez vegetace, povrch s vegetací, voda a plynné látky (viz obr. 3). Výsledná naměřená odrazivost bývá nejčastěji kombinací více látek. Se změnou stavových parametrů objektů v čase se také mění spektrální charakteristiky, např. růst vegetace je charakteristickým rozpoznávacím příznakem, která souvisí i s ročním obdobím (Kolář et al., 1997). Obrázek 3: Obecný průběh spektrální odrazivosti vody (1), vegetace (2), suché (3) a vlhké (4) půdy (Kolář et al, 1997) 16

17 Kapitola 2: Úvod do problematiky Vegetace Vyjma polárních a pouštních oblastí rostlinstvo představuje výraznou dominantu v dálkovém průzkumu Země. Vyskytuje se ve formě travních porostů, zemědělských plodin a stromových kultur. Předmětem zkoumání bývají většinou společenství jednoho druhu a jejich spektrální projev je výslednicí odrazivých a emisních vlastností různých částí rostliny i jejího pozadí (půdy). Průběh spektrální křivky různých typů vegetace je podobný a dělíme jej do třech hlavních oblastí (viz obr. 4): oblast pigmentační absorpce (,4,7 μm), oblast vysoké odrazivosti neboli buněčné struktury (,7 1,3 μm) a oblast vodní absorpce (1,3 3 μm) (Kolář et al, 1997) Voda Obrázek 4: Spektrální odrazivost vegetace v oblasti viditelného a infračerveného záření (Kolář et al, 1997) Zářivé vlastnosti vody jsou v celé šíři elektromagnetického spektra dosti odlišné od ostatních látek, proto přítomnost vody mění spektrální projev každého objektu. Voda se vyznačuje nízkou odrazivostí záření na všech vlnových délkách, sluneční záření proniká z velké části pod hladinu, kde je absorbováno. Maximální propustnost vody je na vlnové délce,48 μm, od této hodnoty dále propustnost klesá až do oblasti IR záření (viz obr. 5). Pro získání údajů o vodě z hloubky 1 15 m využijeme větší propustnosti na vlnových délkách,5,6 μm. Pro infračervené záření je voda prakticky nepropustná. Jakékoli mechanické částice, příměsi a nečistoty ale naopak zvyšují odrazivost. Tím může být například plankton, který způsobuje snížení odrazivosti v modré části spektra a posouván maximum do 17

18 Kapitola 2: Úvod do problematiky žlutozelené části. Zvýšení odrazivosti a posunutí jejího maxima do delších vlnových délek také způsobuje suspenze (Kolář et al, 1997). Obrázek 5: Vliv chlorofylu a suspenze na odrazivost vody: a) mořská voda, b) kalná voda, c) voda s chlorofylem, (Kolář et al. 1997) Sníh a led má naopak ve viditelné a IR části spektra mnohem vyšší odrazivost. Podobně vysokou odrazivost mívají horní vrstvy oblaků, které jsou tvořeny ledovými krystalky. Křivka spektrální odrazivosti má výrazná minima ve vlnových délkách odpovídajícím absorpčním pásům vody (pásma 1,55 1,75 μm a 2,1 2,3 μm). Pokles odrazivosti bývá o více než 9 %, což je mezi přírodními objekty ojedinělý jev. Odrazivost také závisí na stáří sněhu, kdy starý sníh má odrazivost menší než starý (Kolář et al, 1997) Holý povrch Do této kategorie spadají povrchy bez vegetace, skalní masivy, aridní oblasti, zemědělská půda a umělé materiály. Ve viditelném záření spektrální křivka odrazivosti pomalu stoupá, propady se projevují pouze u absorpčních pásů vody (viz obr. 6). Konkrétní hodnoty odrazivosti jsou závislé na chemickém složení objektu, hlavní parametry ovlivňující odrazivost jsou voda, vlhkost, obsah humusu a struktura a složení půdy. Jíly a hlíny jsou vlhčí než písky, proto je i jejich odrazivost nižší. Také obsah humusu zmenšuje odrazivost ve viditelném spektru. Důležité je také chemické složení hornin, které půda obsahuje. Při větším obsahu křemíku jsou půdy světlejší, tudíž více odrážejí (Kolář et al, 1997). 18

19 Kapitola 2: Úvod do problematiky Obrázek 6: Spektrální odrazivost půd s různým obsahem humusu a železa: a) vysoký obsah humusu, b)nízký obsah humusu, c)bez příměsi, d) nízký obsah železa, e) vysoký obsah železa (Kolář et al., 1997) 2.3 Hyperspektrální obrazová data Jak již bylo řečeno, z principu dálkového průzkumu Země vyplývá, že získávání údajů o krajině touto metodou spočívá v měření množství zářivé energie, které obsahuje elektromagnetické záření odražené nebo emitované složkami krajiny. Toto záření je nositelem informací o objektech zájmu. Obrázek 7: Princip DPZ (USDA, 21) Pro práci s daty je vždy nutno vědět, za jakých podmínek byla data získána, jelikož zaznamenaná velikost radiační energie je na těchto podmínkách závislá. Jde především o závislost na časovém okamžiku měření, vlnové délce či intervalu vlnových délek měřeného záření a jeho polarizaci a geometrické uspořádání. Sledování těchto charakteristik a následné odrazivosti objektu nám umožňuje 19

20 Kapitola 2: Úvod do problematiky zjišťování informací o objektech bez přímého kontaktu s nimi. Mezi hlavní typy dat DPZ patří hlavně multispektrální a nově nastupující hyperspektrální data. Základní rozdíl mezi multispektrálními a hyperspektrálními daty je v počtu, šířce spektrálních pásem použitých pro sběr dat a v návaznosti jednotlivých pásem, tzn. nenajdeme mezi nimi mezery. Počet pásem se u multispektrálních dat pohybuje v řádech jednotek, příkladem je senzor ETM+ na družici Landsat, který má využívaný interval elektromagnetického záření rozdělený do 8 pásem. Intervaly vlnových délek obvykle zhruba odpovídají určitým barvám viditelného optického spektra nebo vybraným specifickým částem neviditelné části spektra. Hyperspektrální senzor ale stejný rozsah záření pokryje v řádu desítek až stovek pásem (2-4). Šířka pásem je poté samozřejmě užší (1 2 nm) a při vykreslování grafu spektrálních křivek odrazivosti se pak spektrum jeví jako spojité. Toto můžeme názorně vidět na obrázku 2, kde je zobrazen rozdíl mezi oběma typy dat při vykreslování grafu spektrální odrazivosti. HS data se využívají tedy hlavně k odlišení velmi jemných charakteristik zemského povrchu a to nám umožňuje zcela nové přístupy k analýzám obrazu. Hyperspektrální data mají ale složitou vizualizaci, proto se pro jejich zobrazení používá tzv. hyperspektrální kostka. Ta se skládá ze tří os, kde první a druhá odpovídá prostorovému rozlišení a třetí počtu souvislých pásem (viz obr. 8). Obrázek 8: Rozdíl mezi MS a HS daty, (Remote Sensing Tutorial, 213) 2

21 Kapitola 2: Úvod do problematiky Jak uvádí Dobrovolný (1998), přes všechny vlivy atmosféry a interakce záření na zemském povrchu můžeme tvrdit, že každá látka na povrchu naší planety se projevuje svojí vlastní spektrální charakteristikou. Všechny tyto vlastnosti utvářejí tzv. spektrální chování objektu. Pro daný objekt lze poté sestavit křivku závislosti odrazivosti na vlnové délce a průběh této závislosti křivky spektrální odrazivosti - bude pro tento objekt typický (viz obr. 9), (Valent, 26). Obrázek 9: Křivka spektrální odrazivosti pro tři různé minerály (ENVI, zdroj: autorka) V souvislosti s hyperspektrálními daty zavadíme také pojem spektrální knihovny. Ty představují soubory křivek spektrální odrazivosti naměřených obvykle v terénu nebo v laboratoři na materiálech o známých kompozicích (Shippert, 23 in Valent, 26). Týkají se všemožných druhů objektů, například minerálů, hornin, rostlin nebo stromů. Podle Dobrovolného (1998) spektrální knihovny obsahují údaje o absolutních hodnotách odrazivosti a lze jich využívat jako určitých vzorových spekter základních objektů. Poskytují tedy data, která mohou být použita jako vzorová pro porovnání se vzorkem naměřeným v jakékoli části Země. Dále se také setkáváme s pojmem obrazové spektroskopie. Obrazová spektroskopie je moderní metoda založená na kombinaci spektroskopie a pořizování obrazových dat pomocí DPZ. Rozšiřuje tzv. multispektrální přístup na tzv. hyperspektrální přístup. Specifickou oblastí spektroskopie je potom studium vlastností látek pomocí spektra záření, které s danou látkou interagovalo. 21

22 Kapitola 2: Úvod do problematiky V současné době nalezneme mnoho okruhů, v nichž lze využít HS data a metody obrazové spektroskopie. Jako příklad můžeme jmenovat sledování zdravotního stavu a kvantitativních charakteristik vegetace (např. obsah chlorofylu, vody, celulózy, dusíku), studium vlastností půd (např. degradace, eroze), sledování kvality vod, monitoring zdravotního stavu zemědělských kultur nebo geologické mapování - výskyt hornin a minerálů (ČGS, 212). 2.4 Hyperspektrální obrazové senzory Každá družice nebo její skener má své specifické parametry. Při rozhodování, které snímky jsou pro náš účel nejvhodnější, je nutné brát v úvahu prostorové, spektrální, časové a radiometrické rozlišení. Rozhodujeme se především podle prostorového rozlišení, které nám udává, kolik metrů na zemském povrchu představuje jeden pixel na snímku. Zatím nejpodrobnější komerční družicí je WorldView-1 s rozlišením 5 cm, která snímá pouze v panchromatickém módu. Z multispektrálních družic drží prvenství družice Geoeye-1 s rozlišením 5 cm v panchromatickém a 1,65 m v multispektrálním módu. Dále se zajímáme o spektrální rozlišení, které stanovuje, ve kterých částech spektra družice snímá, např. panchromatická data jsou pořízena jako jeden snímek z celé části viditelného záření. Multispektrální data snímají v různých částech spektra a hyperspektrální data snímají v mnoha částech spektra, většinou úzkých a spojitých. Dle spektrálních charakteristik můžeme družicové snímky dělit do tří skupin multispektrální, hyperspektrální a radarové. Radiometrické rozlišení stanovuje počet hodnot (stupňů šedi) každého pixelu v obraze, např. u 8-bitových dat se může každý pixel nacházet v intervalu hodnot od do 255, z družicových systémů mají radiometricky nejbohatší informaci radary ERS a Envisat a také hyperspektrální senzor Hyperion, a to 16-bitovou. U většiny ostatních komerčních družic s vysokým rozlišením bývá standardem 11-bitové rozlišení. Časové rozlišení určuje, jak často senzor pořizuje snímky daného území. Většina nabízených komerčních družic je schopna totéž místo vyfotit každé 3 dny, ale pod různými úhly. Výjimkou je družice Formosat-2, která je díky své jedinečné dráze schopna snímat stejné místo každý den ve stejnou hodinu a pod stejným úhlem. (Gisat, 213). 22

23 Kapitola 2: Úvod do problematiky Hyperspektrální senzory, neboli spektroradiometry, byly vyvinuty v 8. letech 2. století. Snímají zemský povrch a využívají při tom velkého počtu relativně úzkých spektrálních pásem. Obrazové spektroradiometry mají charakter spíše skenerů, obraz území tedy není pořízen najednou jako leteckou kamerou, ale postupným snímáním řádků (Kaplan, 211). Nosičem spektrometru může být letadlo či družice. Pro pozemní snímání existují také pozemní spektroradiometry, pomocí nichž lze snímat data i při terénních šetřeních. Hyperspektrální senzory tedy můžeme rozdělit na 3 skupiny dle nosiče, na kterém se nacházejí: družicové senzory (ASTER, Hyperion, MODIS) letecké senzory (AISA, APEX, AVIRIS, HyMap) pozemní senzory (FieldSpec, SpecTIR) V této práci budou použita data ze senzoru AISA DUAL a APEX (viz obr ). Obrázek 1: AISA Eagle hyperspektrální senzor (Spectral cameras, 214) Obrázek 11: AISA Hawk Obrázek 12: AISA DUAL hyperspektrální senzor hyperspektrální senzor (Spectral Cameras, 214) (Spectral Cameras, 214) 23

24 Kapitola 2: Úvod do problematiky Hyperspektrální systémy AISA Eagle jsou kompletní stírací 1 obrazové systémy, které se skládají z hyperspektrálního senzoru hlavy, miniaturního GPS/INS (Inertial Navigation System) senzoru a z jednotky získávající data, která se nachází v robustním počítači. Tyto systémy jsou user and field friendly. Jsou rychlé na instalaci a vyjmutí z jakéhokoli letadla a poskytují časově přesnou a spolehlivou informaci. Měří v pásmu 4 až 97 nm, poskytují 9 nebo 1 bitovou informaci a jsou schopny snímat až ve 488 spektrálních pásmech. Dále poskytují řešení pro mnoho aplikací jako lesnictví, precizní zemědělství, mapování minerálů a monitoring životního prostředí (Multispectral and Hyperspectral Imaging Solutions from Channel Systems - Spectral Cameras, 214). Aisa Hawk je nejvíce spektrálně stabilní hyperspektrální letecký senzor na trhu. Je navržen tak, aby poskytoval data vysoké kvality v pásmu SWIR (97 nm do 2 5 nm). V tomto spektrálním rozsahu má teplota velký vliv na stabilitu senzoru, jakékoliv změny teploty vzduchu vně nebo uvnitř kabiny ovlivňují výsledky snímání. Proto je v senzoru zabudován vysoce citlivý chladící detektor a teplotně stabilizovaná optika, aby bylo zaručeno nejvyšší stability nehledě na to, jak dlouho bude let trvat (aisahawk Specim, 214). Aisa DUAL je hyperspektrální stírací senzor, který dokáže simultánně získávat data z pásma VNIR a SWIR. Je kombinací senzorů Aisa Eagle a Aisa Hawk, tudíž rozsah pásem, ve kterých snímá data, je od 4 nm do 2 5 nm (aisadual Specim, 214). Technické specifikace jednotlivých senzorů viz tabulka 1. Obrázek 13: AISA Eagle - pohled ze strany a ze předu (Spectral cameras, 214) 1 Stírací skener technologie pro získávání satelitních snímků pomocí optické kamery, používáno pro pasivní dálkový průzkum, ve stíracím systému je linie senzorů uspořádána kolmo na směr letu. Stírací senzor dokáže zachytit více světla, jelikož se dívá na určité oblasti delší dobu stejně jako fotoaparát s dlouhou expoziční dobou. 24

25 Kapitola 2: Úvod do problematiky Obrázek 14: AISA Hawk - pohled ze strany a ze předu (Spectral cameras, 214) Obrázek 15:AISA DUAL - pohled ze strany a ze zadu (Spectral cameras, 214) Typ hyperspektrálního systému Typ detektoru Spektrální rozlišení Počet prostorových pixelů/fov Velikost pixelu Rozsah vlnových délek FOV/Ground resolution Uchovávání Provoz Počet spektrálních kanálů Vystupující signál push broom = stírací push broom = stírací CCD matrice (Charged Coupled Device) 3,3 nm MTC matrice (Mercury Cadmium Telluride) 12 nm 32/24, 1 24/37,7 32/ 24, 35,5 12 μm 4 97 nm 29,9 /,52 m, 37,7 /,68 m C 5 4 C 6,3 μm nm 17,8 /,97 m, 24 /1,34 m, 35,5 /2 m C 5 4 C 256/128/64/ bitů 14 bitů Tabulka 1: Vlastnosti senzoru AISA Eagle (prostřední sloupec) a AISA Hawk (pravý sloupec) (aisaeagle-specim, aisahawk Specim, 214 a ESRI konference 211 Hanuš et al.) 25

26 Kapitola 2: Úvod do problematiky APEX (Airborne Prism EXperiment) je letecký stírací obrazový spektrometr vyvinutý Švýcarsko-Belgickým konsorciem jménem ESA. Je to pokrokový vědecký nástroj pro evropskou komunitu zabývající se dálkovým průzkumem. Pracuje v pásmu 4 až 2 5 nm v prostorovém rozlišení 2 5 m. Je založen na detekci mnoha úzkých navazujících spektrálních pásů. To představuje možnosti pro více precizní identifikaci povrchových materiálů. APEX team byl založen, aby organizoval a řídil APEX misi a zpracoval data na požadovanou úroveň (APEX, 214). Typ hyperspektrálního systému Spektrální rozsah Spektrální pásy Spektrální vzorkovací interval Prostorové rozlišení Pozemní rozlišení FOV Okamžité FOV Výška letu Dynamický rozsah push broom = stírací ,7 nm a 941,2 2 51,5 nm Až 532 < 5 nm (38 15 nm), < 1 nm (15-25 nm) 2 5m,5 1,75 m ve výšce m 28, km nad hladinou moře 16 bit Tabulka 2: Vlastnosti senzoru APEX (APEX, 214) Obrázek 16: APEX systém (APEX Airborne sensors, 214) 2.5 Klasifikace Klasifikace obrazu bývá často cílem jeho zpracování. V obecném slova smyslu je to proces, při kterém je jednotlivým obrazovým prvkům přiřazován určitý informační význam. Jeho cílem je nahradit hodnoty radiometrických charakteristik původního obrazu, které vyjadřují spektrální vlastnosti objektů a jevů na něm zobrazených, hodnotami vyjadřujícími informační třídy. Typ a obsah nové informace závisí na 26

27 Kapitola 2: Úvod do problematiky zaměření projektu. Typy informačních tříd stanovujeme na počátku klasifikace (Dobrovolný, 1998). 2.6 Metody klasifikace Metody zpracování hyperspektrálních dat se liší od zpracování dat multispektrálních. Jak už bylo řečeno v úvodu práce, data hyperspektrální mají mnohem více kanálů (řádově 2 až 4) - tudíž lepší spektrální rozlišení a dále lepší rozlišení prostorové (např. 1 m). Jednotlivé pásy jsou pouze několik nanometrů široké, zatímco si stále zachovávají dobré prostorové rozlišení. Tato dobrá rozlišení mají ale pouze senzory umístěné na palubách letadel na rozdíl od satelitních senzorů. V práci budou použity metody pro zpracování hyperspektrálních dat jako je metoda Spectral Angle Mapper a Spectral Correlation Maper, dále metoda Linear Spectral Unmixing, Neural Net a Support Vector Machine, které budou následně porovnány (pro představu o klasifikovaném území může být nejprve použita metoda neřízené klasifikace) Spectral Angle Mapper Spektrem odrazivosti jednotlivého pixelu rozumíme n-dimenzionální vektor, kde a je počet kanálů v obraze. Každý vektor má určitou délku a směr. Délka vektoru reprezentuje jas objektu, zatímco směr reprezentuje spektrální vlastnosti. Variace v osvětlení ovlivňuje hlavně změny v délce vektoru, proto je klasifikace založena na směru vektoru (Kruce et al., 23 in Lumme, 24). Klasifikace probíhá na základě porovnání spektrálních úhlů mezi odrazivým spektrem klasifikovaného pixelu a referenčním spektrem získaným z trénovací množiny nebo ze spektrální knihovny. Každý pixel pak je klasifikován do dané třídy podle nejmenší hodnoty spektrálního úhlu (viz obr. 17). Nevýhodou metody je, že nerozlišuje pozitivní či negativní korelace a pracuje pouze s absolutní hodnotou (Lumme, 24). Klasifikátor vlastně porovnává radiometrickou hodnotu každého pixelu v jednotlivém pásmu se spektrem z trénovací množiny nebo ze spektrální 27

28 Kapitola 2: Úvod do problematiky knihovny. Spektrálním úhlem pak rozumíme úhel mezi vektorem daného pixelu a vektorem reprezentujícím třídu. Čím je úhel mezi těmito dvěma menší, tím pravděpodobněji pixel do dané třídy náleží. Obrázek 17: Spektrální úhel mezi materiály A a B v případě dvou pásem (Kruce et al., 1993 in Lumme, 24) Spectral Unmixing Plocha, kterou pokrývá jeden pixel, většinou zahrnuje více tříd pokryvu než jen jednu a předpokládá se, že výsledné odrazivé spektrum je lineární kombinací odrazivostí těchto materiálů (nebo koncových členů), které jsou přítomny v daném pixelu. Abychom získali více informace z jednoho pixelu, jednotlivé poměry zastoupených materiálů, který pixel tvoří, mohou být odhadnuty použitím Spectral Mixing Model (Boardman, 1994 in Lumme, 24). Použitím následného Spectral Unmixing Modelu může být mixel rekonstruován ze známých spekter v obraze nebo může být rozdělen do komponent. Spectral Unmixing model tak dokáže ze známých obrazových spekter tyto kombinované povrchy rozlišit a rozklasifikovat je do tříd (Lumme, 24). Počet koncových členů, které chceme vyklasifikovat z obrazu, musí být vždy nižší než počet použitých pásem pro klasifikaci (ENVI, 214). Algoritmus, podle kterého je tato metoda počítána, je dán vztahem: n Rk ai Ei, k k i 1... m i 28

29 Kapitola 2: Úvod do problematiky kde Rk vyjadřuje reflektanci pro pixel v pásmu k, Ei,k značí známou reflektanci pro koncový člen i v pásmu k, ai je neznámá hodnota koncového členu i, εk je rozdíl mezi naměřenou a modelovanou odrazivostí pro pásmo k, m je počet spektrálních pásem a n je počet koncových členů. Správnost analýzy linear spectral unmixing lze zkontrolovat pomocí hodnoty RMSE (střední chyba). Obraz má m pixelů a střední chyba je vypočtena pro každý pixel v obraze. Čím vyšší hodnota, tím vypočtený model popisuje data méně přesně. Hodnota RMS chyby tedy částečně popisuje a hodnotí výběr referenčního spektra, které bylo v analýze použito. Sekundárním výsledkem analýzy je chybový obraz, který udává hodnoty kvantitativní chyby pro každý pixel v obraze (Málková, 21). RMSE m 2 k k m kde m je počet pixelů a εk je reziduální chyba mezi zjišťovaným a modelovým spektrem. V ENVI tutoriálu můžeme naleznout následující příklad. Mějme mixel, ve kterém se nachází 25 % materiálu A, 25 % materiálu B a 5 % materiálu C. Spektrum pro tento mixel je vážený průměr jednotlivých materiálů, přičemž jako váhy slouží právě jejich procentuální zastoupení (ENVI, 214). Obrázek 18: Linear Spectral Unmixing (ENVI, 214) 29

30 Kapitola 2: Úvod do problematiky Výsledky této metody jsou vysoce závislé na požadovaných koncových členech a na zadaných trénovacích souborech. Změnou koncových členů se nám pak značně změní i klasifikace. Důvodů, proč se takovéto pixely objevují, může být několik, avšak jako hlavní se uvádí nízké prostorové rozlišení obrazu. Pro subpixelové zpracování obrazu se tak používá metoda Linear Spectral Unmixing. Výsledkem této metody je obraz s procentuálním zastoupení jednotlivých frakcí v daném pixelu, např.,45 značí 45% zastoupení povrchu v pixelu. Pokud se nám ale velké množství dat pohybuje v hodnotách nad 1 nebo pod, znamená to, že nebyly vhodně zvoleny referenční pixely (ENVI, 214). K určení spektrálně čistých pixelů používáme výpočtu Pixel Purity indexu, který v obraze hledá nejvíce čisté (extrémní) pixely. Tyto nalezené pixely jsou pak vhodné i pro následné trénovací množiny. Jelikož je vhodné redukovat počet pásem použitých ve výpočtech, je zapotřebí před použitím PPI aplikovat na data MNF transformaci (minimum noise fraction), která nám odstraní z dat korelaci, a pracujeme dále pouze se statisticky významnými pásmy (viz obr. 19 v tomto případě můžeme vybrat přibližně 35 statisticky významných pásem, přidáním dalších už žádné významnější informace nedosáhneme). Obrázek 19: Minimum noise fraction (ENVI, zdroj: autorka) 3

31 Kapitola 2: Úvod do problematiky Od 6. pásma dále vypadá obraz scény asi takto: Obrázek 2: MNF, pásmo 17 (ENVI, zdroj: autorka) PPI je počítán iterativně jako projekce n-dimenzionálního scatter plotu na náhodný jednotkový vektor. ENVI vybere v každé projekci extrémní pixely a označí jejich celkový počet. PPI obraz je vytvořen, když každá hodnota pixelu odpovídá počtu, kolikrát byl pixel zvolen jako extrémní (ENVI, 214). Postup práce probíhá asi takto: je aplikována MNF transformace, odstraněn šum a redukována dimenzionalita dat, dále je spočten PPI a jsou vybrány extrémní pixely, které jsou označeny jako spektrálně čisté. Jako vstup do této funkce tedy zadáváme vrstvu z MNF transformace, kde máme již data bez šumu, počet iterací a která pásma chceme do výpočtu zahrnout Support Vector Machine Support vector machine je metoda strojového učení. Podpůrné vektory patří k relativně novým metodám, které tvoří určitou kategorii tzv. jádrových algoritmů. Tyto metody se snaží využít výhody poskytované efektivními algoritmy pro nalezení lineární hranice a zároveň jsou schopny reprezentovat vysoce složité nelineární funkce. Jedním ze základních principů je převod daného původního vstupního prostoru do jiného, vícedimenzionálního, kde již lze od sebe oddělit třídy lineárně (SVM, 213). V úloze klasifikace SVM hledá nadrovinu, která v prostoru příznaků optimálně rozděluje trénovací data (viz obr. 23). Optimální nadrovina je taková, že body leží 31

32 Kapitola 2: Úvod do problematiky v opačných poloprostorech a hodnota minima vzdáleností bodů od roviny je co největší. Jinými slovy, okolo nadroviny je na obě strany co nejširší pruh bez bodů. Na popis nadroviny stačí pouze nejbližší body, kterých je obvykle málo - tyto body se nazývají podpůrné vektory. Tato metoda je ze své přirozenosti binární, tedy rozděluje data do dvou tříd. Rozdělující nadrovina je lineární funkcí v prostoru příznaků (Schölkopf a Smola, 22). Obrázek 21: Princip Support vector machine, Princip vzniku možnosti lineárního oddělení dvou tříd s nelineárními hranicemi pomocí přidané dimenze (SVM, 213) Neural Net Uměle vytvořené neuronové sítě by měly být schopny se chovat stejně nebo alespoň podobně jako jejich biologické vzory. Vyskytuje se tu tak šance simulovat některé funkce lidského myšlení. Neuronové sítě využívají distribuované, paralelní zpracování informace při provádění výpočtů - ukládání, zpracování a předávání informace probíhá prostřednictvím celé neuronové sítě spíše než pomocí určitých paměťových míst. Znalosti jsou ukládány především prostřednictvím síly vazeb mezi jednotlivými. Základní vlastností neuronové sítě je schopnost učení (Lantora, Vašková, 26). Hodnoty signálů přenášených mezi jednotlivými prvky se mění v závislosti na nastavitelných parametrech, které se nazývají váhy, wij. Prvek sčítá všechny příchozí hodnoty vážených spojení a produkuje výslednou hodnotu, která je 32

33 Kapitola 2: Úvod do problematiky nelineární (statickou) funkcí jeho součtu. Výstup prvku může být výstupem systému nebo může být zaslán na stejný nebo jiný prvek. Obrázek 22: Ukázka umělé neuronové sítě, která obsahuje skupinu propojených uzlů, podobných rozsáhlé síti neuronů v lidském mozku, (Applications of adaptive systéme, 28) Vzhledem k nejrůznějším aplikacím využívaným například pro zemědělskou evidenci půdního fondu, mapování využití území, zjišťování zamokření, lesní hospodářství či pro analýzy životního prostředí, se objevuje i mnoho rozličných metod zpracování těchto dat. Klasifikace pomocí umělé neuronové sítě patří mezi nejnovější metody klasifikace obrazu pomocí dat DPZ. V současné době je její využití stále častější (Lantora, Vašková, 26). Obrázek 23: Příklad třívrstvé sítě se 6 vstupními, 8 skrytými a 11 výstupními uzly (MLP ) s příkladem vstupu a výstupu při klasifikaci satelitních snímků (s vyznačenými aktivacemi pro město), (Lantora, Vašková, 26) Multiple Endmember Spectral Mixture Analysis Zkráceně MESMA klasifikátor je rozšířením tzv. Spectral Mixture Analysis, která umožňuje klasifikovat větší množství koncových členů. Typickým postupem je 33

34 Kapitola 2: Úvod do problematiky implementace spektrální knihovny, poté zpracování Spectral Unmixing obrazu při použití každé možné kombinace dvou, tří, či čtyř koncových členů aplikovaných na každý pixel (Roberts, Halligan, Dennison, 27). Koncové členy mohou být odvozeny z obrazu nebo z knihovny známých materiálů. Referenční koncové členy mohou být odvozeny z terénu, laboratoře, obrazu nebo dokonce z modelů radiativního transferu. Jeden z faktorů, který tento klasifikátor limituje, je to, že musí být použit pouze ke konkrétním softwarům, které nejsou vždy jednoduše dostupné. Dříve byl využíván pro klasifikaci stovek koncových členů, což vyúsťovalo ve značné neshody v interpretaci a počítání výsledků (Roberts, Halligan, Dennison, 27). Později zde byly snahy vylepšit tento nástroj, aby byl vybrán ze spektrální knihovny vždy pouze optimální počet koncových členů, které by nemohly být zaměňovány za jiné. Pro usnadnění tohoto kroku bylo vyvinuto několik postupů: Count-based Endmember Selection (CoB) používáním tohoto přístupu jsou koncové členy vybrány tak, aby modelovaly největší možný počet koncových členů. Endmember Average RMSE (EAR) tento přístup vybírá koncové členy tak, aby výsledná RMSE byla minimální. Minimum Average Spectral Angle (MASA) koncové členy jsou ty, které mají nejmenší průměrný spektrální úhel (Roberts, Halligan, Dennison, 27). 2.7 Studie zabývající se klasifikací horských ekosystémů s využitím hyperspektrálních dat Tradiční metody mapování vegetace (terénní průzkum území) nám poskytují možnost popsat vegetaci ve velkém stupni detailu. Nevýhodou je ale jejich pracnost, časová náročnost a často jsou také zatíženy jistou mírou subjektivismu daného interpreta, proto tato jejich náročnost tyto metody značně limituje, i co se rozsahu území týče. Data DPZ nám tyto nevýhody umožňují částečně eliminovat. Jejich výsledky se ale mohou také značně lišit. Na rozdíl od botanického průzkumu, který nám dokáže popsat každý jedinečný druh vyskytující se na daném území, metody dálkového průzkumu rozlišují méně vegetačních tříd, zaměřují se tedy na dominantní druhy vegetace, jejich biomasu, obsah chlorofylu, plochu listů, obsah vody, jejich strukturu a charakter nebo půdní podmínky. Počet tříd se ale může 34

35 Kapitola 2: Úvod do problematiky zvyšovat v závislosti na kvalitě použitých dat, softwaru a zkušenostech zpracovatele. Software se musí vypořádat s rozdílným osvícením scény a s dalšími nepravidelnostmi vyskytujícími se na snímku. Umožňuje dále částečnou korekci geometrických nepřesností, vizuální vylepšení obrazu pomocí filtrace a další operace spadající do preprocessingu, dále statistické vyhodnocení či vizualizaci samotných výsledků ve formě přehledné mapy. Z důvodu relativně vysokého prostorového rozlišení a především vysokého spektrálního rozlišení jsou hyperspektrální data vhodná pro detailní mapování a klasifikaci vegetace. Nevýhodou je jejich velmi náročné předzpracování (Müllerová, 24). Práce zabývající se hyperspektrálními daty v obecné úrovni Jelikož ve své práci pracuji s hyperspektrálními daty, další kapitola bude obsahovat rešerši různých prací různých autorů, kteří tato data také využívají, zejména ke klasifikaci vegetace. Kromě rešerše použitých metod je důležité také to, jaké přesnosti klasifikace se jednotlivým autorům podařilo dosáhnout. Tyto poznatky budou využity pro návrh metody klasifikace v této práci, jejímž cílem je i zlepšit přesnost klasifikací uváděnou v literatuře. Autoři Tong Q., Zhang B. a Zheng L. (24) dokládají ve své práci rozšíření ve využívání a přechodu z MS dat k datům HS využívaných především v zemědělských aplikacích (Tanvir et al. 199 in Tong et al.). Ve studii využívají data z Pushbroom hyperspectral imager a Operative modular imaging spectrometer. Autoři článku s názvem Crop classification with hyperspectral data of the HyMap sensor using different feature extraction techniques Mader S., Vohland M., Jarmer T. a Casper M. (26) popisují možnosti využití tradičních algoritmů při zpracování HS dat pořízených senzorem HyMap na jihu Německa. Dále diskutují problém počtu použitých pixelů v trénovacích množinách ku počtu spektrálních pásů použitých při klasifikaci problém známý jako Hughův fenomén. Tento problém vzniká při použití malého počtu pixelů v trénovacích plochách ku velkému počtu spektrálních pásem. Dále ve své práci využívají metodu PCA využitou pro redukci dimenzionality dat a ke klasifikaci používají tradiční metodu maximální věrohodnosti. Výsledkem je pak šest tříd pokryvu. Kayitakire F. a Defourny P. (Belgie, 24) ve své studii používají senzor Chris na satelitu Proba a zabývají se rozlišením jednotlivých typů lesních porostů 35

36 Kapitola 2: Úvod do problematiky pomocí simultánního multiple view angle image. Studie ukazuje, že nejvíce typů porostu může být rozlišeno při použití úhlu, který se blíží nadiru, naopak dva typy jehličnatého porostu lišící se především svou hustotou mohly být rozlišeny pouze použitím úhlu daleko od nadiru. Hsieh P. a Landgrebe D. (1998) v článku Lowpass Filter For Increasing Class Separability zkoumají možnosti využití nízkofrekvenčního filtru pro zvýšení separability jednotlivých tříd krajinného pokryvu. Experimenty prováděné na HS datech nám ukazují, že zvýšením separability tříd dokáže dobře kompenzovat sníženou klasifikační přesnost způsobenou již výše zmíněným Hughovým jevem. Fang J. et al. (213) ve studii Land cover classification and grassland biomass monitoring model in alpine pastoral area based on HJ-1A hyperspectral image analyzují spektrální křivky různých objektů a hodnotí přesnost mezi řízenou klasifikací a metodou spectral angle mapper. Jako zájmové území si vybrali pastevní alpínské oblasti. Výsledky ukazují, že pozice absorpčních maxim, jejich hloubka a šířka a další spektrální charakteristiky křivek různých objektů jsou různé ve viditelné části spektra, ale podobné v NIR. Ve viditelné části se nachází pouze jedno absorpční maximum v případě křivek mraků a vegetace a absorpce je menší v případě mraků, a pět či šest absorpcí v případě holé půdy či vodní plochy. Výsledky dále ukazují, že obě použité metody jsou vhodné k mapování HS obrazu. Přesnost SAM klasifikace byla 85,9 % a jevila se tedy jako vhodnější, jelikož rozeznává i objekty pod tenkou oblačností a ve stínu mraků a hor. Práce zabývající se použitými klasifikačními algoritmy Výčet následujících prací uvádím proto, že v nich autoři použili metody ke klasifikaci hyperspektrálních dat, které použiji ve své práci. Klasifikací vegetace a půdy za použití hyperspektrálních dat se zabývá Lumme (24). Jeho zájmová oblast se nachází na jihu Finska a byla snímána spektrometrem AISA za použití 17 viditelných a infračervených pásem. Cílem zkoumání bylo zhodnotit přesnost jednotlivých klasifikačních algoritmů na různých typech povrchu. Odrazové spektrum různých druhů pokryvů bylo zkoumáno také pod různým osvětlením. Využity byly algoritmy Spectral Angle Mapper, Spectral Correlation Mapper a Spectral Unmixing a dále algoritmy Minimální vzdálenosti a Maximální 36

37 Kapitola 2: Úvod do problematiky věrohodnosti. Dimenzionalita dat byla zmenšena pomocí analýzy hlavních komponent. Referenční spektrum pro SAM, SCM a SU bylo vybráno z trénovacích ploch dat. Klasifikátor maximální věrohodnosti vedl k dobrým výsledkům, ale vyžadoval delší výpočetní čas. Celková přesnost klasifikátoru byla 91 %, ale výsledky se lišily podle osvětlení scény. Výpočty s využitím SAM a SCM byly rychlejší na spočítání a vedly k lepším výsledkům klasifikace v případě horšího osvětlení. Nejnáročnější metoda Spectral unmixing, nacházela vhodná referenční spektra ze spektrálně čistých ploch. Poté, co bylo nalezeno referenční spektrum, klasifikace vedla k dobrým výsledkům, ačkoliv se výsledky lišily mezi jednotlivými třídami (Lumme, 24). Binaghi et al. (24) používají ve své práci klasifikátor neuronových sítí. Navrhují metodu, která je schopna sloučit spektrální informaci s prostorovou pro vyřešení klasifikačních problémů. Metoda je schopna vyřešit problémy ve zpracování hyperspektrálních dat s vysokým rozlišením a produkovat přesnější výsledky klasifikace. Jako zájmové území byla využita krajina s typickým lesním ekosystémem. Výsledná mapa z této práce byla použita jako vstup pro metodu k získání přehledu o biofyzikálních vegetačních parametrech. Neuronové sítě mohou mít významný přínos při komplexní klasifikaci vegetace, především v místech mokřadů (Filippi a Jensen, 25). Oblast, která byla v této studii pro klasifikaci vybrána, se nachází v USA na Floridě blízko JFK Space Center. Biologická diverzita je zde vysoká, jelikož sem zasahují druhy jak z topické tak ze subtropické zóny. V této práci byly použity hyperspektrální snímky AVIRIS. Neřízená neuronová klasifikace nebývá tak obvyklá jako řízená. Její výhodou je, že koncové členy, které mohou být těžko určitelné, nemusí být definovány před klasifikací. Přesnost této klasifikace byla srovnatelná s klasickými metodami pro HS data, a to 82,82 %. Další práce zabývající se podobnou zájmovou oblastí Everglades na jižní Floridě, používá data ze senzoru AVIRIS (viditelné a infračervené pásmo) (Zang a Xie, 212). Klasifikátor neuronových sítí se zde jevil jako velmi vhodný. Výsledná přesnost byla 94% a počet klasifikovaných tříd byl 15. Výsledky byly významně lepší než ty, které byly získány pomocí klasifikátorů maximální věrohodnosti a SAM. 37

38 Kapitola 2: Úvod do problematiky Autoři Silvestri, Marani M. a Marani A. (23) zkoumali oblast okolo Benátského zálivu pomocí metody Spectral Unmixing, se kterou dosáhli uspokojivých výsledků a uvádí, že přesnost klasifikace nezáleží v prvé řadě na počtu spektrálních pásem, ale na prostorovém rozlišení snímku. Práce zabývající se alpínskou vegetací Klasifikací subalpínské a alpínské vegetace se zabývali McDougall a Walsh (27) v oblasti Australských Alp. Avšak používali pouze náročnou metodu terénního botanického průzkumu, kdy si vymezili 1222 floristických oblastí a v nich identifikovali 56 rostlinných komunit v bezlesé části hor. Wundram a Löffler (28) v článku High-resolution spatial analysis of mountain landscapes using a lowaltitude remote sensing approach využívají Kite Aerial Photography s rozlišením 1 cm v oblasti norských hor nad hranicí lesa. Použita byla pásma RGB a řízená klasifikace maximální věrohodnosti (přesnost 51 %) a neřízená klasifikace ISODATA (přesnost 65 %). Výsledkem byly tyto třídy: skalní podloží, lišejníky, zakrslé keře, močály a zakrslé břízky. Problémem bylo rozeznat vyšší keře a velké kameny a to, že na mnohých místech nebyl vyklasifikovány žádný typ pokryvu. Klasifikací subalpínské vegetace v oblasti Krkonoš se zabývala Müllerová (24). Autorka nepoužívala pro svou práci hyperspektrální data, ale multispektrální letecké snímky z let 1986, 1989, 1997 s prostorovým rozlišením,5 1 m. Použita byly vždy čtyři pásma, tři z viditelné části spektra a jedno z infračervené oblasti. Jako nejvíce užitečná se ukázala pásma z červené a infračervené části spektra. Použita byla jednak neřízená klasifikace ISODATA, dále řízená klasifikace Minimum distance, která nepřinesla uspokojivé výsledky a byla proto zamítnuta, a také metoda Maximum likelihood. Výsledky klasifikace byly porovnány s terénním průzkumem prováděným Fišerovou (1991). Výsledkem klasifikace ISODATA bylo šest tříd krajinného pokryvu (borovicové porosty přesnost 74 %, nízké traviny přesnost 58 %, vysoké traviny a byliny přesnost 58 %, pěšinami pozměněná vegetace a vysoké traviny a byliny, nízké traviny v blízkosti pěšin, cesty a nízké traviny). Celková přesnost této metody byla pouze 63 %. Výsledkem řízené klasifikace bylo osm tříd pokryvu (borovicové porosty přesnost 86 %, smilkové traviny 84 %, vysoké traviny a byliny 74 %, cestami 38

39 Kapitola 2: Úvod do problematiky pozměněná vegetace 75 %, cesty 79 %, voda 8 %, mokřady 62 %, ostatní). Celková přesnost této klasifikace byla 78,8 %. Problémem bylo to, že ne všechny botanické skupiny definované terénním průzkumem bylo možno pomocí technik dálkového průzkumu rozpoznat kvůli jejich podobným spektrálním projevům. Nejvíce problematické byly smilkové trávníky, které byly často vyklasifikovány jako vysoké traviny a bylinná společenstva. S touto prací je možné porovnat přesnost a vhodnost použití dat MS a HS ke klasifikaci horského ekosystému Krkonoš. Klasifikací alpínské vegetace se zabýval také Král (29) v práci Classification of Current Vegetation Cover and Alpine Treeline Ecotone in the Praděd Reserve (Czech Republic), Using Remote Sensing. V práci používá color-infrared ortofoto z roku 2 s rozlišením,9 m. Metoda, kterou použil, byla metoda maximální věrohodnosti. Avšak kvůli vysoké spektrální variabilitě jednotlivých tříd krajinného pokryvu a nízkému spektrálnímu rozlišení ortofota, byly výsledné třídy často smíšeného charakteru. Přesto bylo dosaženo přesnosti 78 %. Třídy, které byly rozlišeny, jsou: antropogenní povrchy přesnost 82 %, traviny 72 %, zakrslé borovice 76 %, listnaté dřeviny 52 %, jehličnaté dřeviny 87 %, samostatně stojící uschlé dřeviny 82 %, sutě a horninové výchozy 72 %. 39

40 Kapitola 3: Zájmové území KAPITOLA 3 Zájmové území V této kapitole je zpracována charakteristika zájmového území s ohledem na faktory důležité pro téma práce. Zájmovým územím byla oblast západního krkonošského alpínského bezlesí a částečně bezlesí východního (viz mapa 1 a 2), kde byla provedena pouze jedna klasifikace. Mapa 1: Hranice východní a západní tundry (ArcGIS 1.2, zdroj: autorka) 4

41 Kapitola 3: Zájmové území Mapa 2: Hlavní zájmové území západní krkonošská tundra (ArcGIS 1.2, zdroj: autorka) Práce tedy hodnotí jak západní, tak východní alpínské bezlesí. Místa východního alpínského bezlesí zahrnovala oblast kolem Luční boudy, pramenu Bílého Labe, Sněžky a Výrovky, zatímco oblast západní zahrnovala místa pramenu Labe, Labskou boudu, Vrbatovu boudu, Vysoké kolo, Violík a Sněžné jámy. Velikost západního území byla přibližně 13 km2 a východního přibližně 23 km2. Výřez západního území pro data AISA měl velikost 6,3 km Klimatické podmínky, přehled výškových stupňů Krkonoš a vývoj hospodářství Klimatické podmínky Vegetační stupňovitost v každém území je podmíněna změnou klimatu, zejména změnou teplot a srážek s měnící se nadmořskou výškou terénu (obr. 24 a 25). Se zvyšující se nadmořskou výškou stoupá intenzita slunečního záření asi o 1 % na jeden kilometr, teplota však klesá (na 1 m o,54 C) a množství srážek se zvyšuje. 41

42 Kapitola 3: Zájmové území Obrázek 24: Horizontální a vertikální stupňovitost ve světě (Přírodní oblasti Země, 214) Tyto změny přímo působících ekologických faktorů na vegetaci způsobují, že od nížin do hor v tomtéž území se mění životní podmínky pro vegetaci, což se odráží na její skladbě. Obrázek 25: Výškové vegetační stupně Krkonoš na české a polské straně hor (Štursa, 1999) 42

43 Kapitola 3: Zájmové území Přehled výškových stupňů Krkonoš Jak již bylo řečeno v úvodu, práce se zabývá územím krkonošské tundry, neboli alpínského bezlesí. Specialisté na severskou biogeografii spojují tundru právě s bezlesým územím (slovo tundra má totiž své kořeny v laponském slově tunturi holý kopec). Celoroční průměr teploty vzduchu v takovéto oblasti je pod bodem mrazu, v nejteplejších měsících se teploty pohybují od do 1 C a dále se zde velkoplošně udržuje trvale zmrzlá půda. Z těchto tří kritérií může vypadat nevěrohodně, že se v ČR vyskytuje alpínské bezlesí. Avšak opak je pravdou. Dokazují to výsledky dlouhodobého mezioborového výzkumu hercynských pohoří a srovnávací badatelské aktivity ve Vysokých Sudetech (Štursa, 213). V Krkonoších nalezneme tyto čtyři základní výškové vegetační stupně, submontánní, montánní, subalpínský a alpínský. Stupeň submontánní se rozkládá v krkonošském podhůří a na úpatí hor, mezi 4 až 8 m n. m. (5 % z celkové rozlohy Krkonoš). Původně ho pokrývaly listnaté lesy nebo smíšené horské pralesy. Obvyklými dřevinami jsou buk, javor, jasan, jeřáb, olše, vzácně i jedle. Většinu těchto lesů však člověk v průběhu kolonizace hor vytěžil a nahradil buď smrkovými monokulturami, nebo je přeměnil na louky, pastviny a pole (Krnap.cz, 21). Obrázek 26: Stupeň submontánní (Botany.cz, ) Zbytky listnatých nebo smíšených horských lesů se zachovaly v údolích kolem řek a potoků. V podrostu se vyskytují chráněné rostliny jako kyčelnice cibulkonosná a devítilistá, sasanka pryskyřníkovitá a hajní, česnek medvědí, lilie zlatohlavá. (Krnap.cz, 21) 43

44 Kapitola 3: Zájmové území Stupeň montánní pokrývá svahy Krkonoš v rozpětí 8 až 1 2 m n. m. (4 % z celkové rozlohy Krkonoš). V minulosti tady rostly husté smíšené a horské smrkové lesy, které však v uplynulých staletích prodělaly značné změny. V důsledku dolování, těžby dříví, sklářství a budního hospodářství byla velká část horských lesů vykácena. Na jejich místě vznikaly (zejména v období budního hospodářství v století) bezlesé osídlené horské enklávy s druhově bohatými květnatými horskými loukami. Obrázek 27: Zvonek kosníkovitý, montánní stupeň (Botany,cz, ) Hojně jsou zde zastoupeny vzácné druhy rostlin jako např. zvonek krkonošský, violka sudetská, prha arnika, devětsil bílý, náholník jednokvětý a několik zástupců čeledi vstavačovitých. (Krnap.cz, 21) Hranice lesa představuje důležitý předěl v horské krajině, oddělující od sebe stupeň montánní a spodní alpínský. V Krkonoších probíhá v rozmezí 1 2 až 1 35 m n. m. Její průběh na řadě míst významně změnil člověk při zakládání horských bezlesých enkláv. Stupeň subalpínský se rozkládá v nadmořských výškách 1 2 až 1 45 m, převážně na náhorních plošinách západních a východních Krkonoš a na přilehlých svazích (9,3 % z celkové rozlohy Krkonoš). 44

45 Kapitola 3: Zájmové území Obrázek 28: Subalpínský stupeň (Štursa, 1999) Nalézá se zde velkoplošná mozaika rozsáhlých klečových porostů, přirozených i druhotných smilkových luk a severských rašelinišť. Místo stromů zde rostou už jen keře, keříčky, traviny a byliny. V bylinném patru jsou zastoupeny smilka tuhá, třtina chloupkatá, brusnicovité rostliny, šicha oboupohlavná aj. (Krnap.cz, 21) Na stupeň subalpínský navazuje plynule stupeň alpínský v polohách mezi 1 45 až 1 62 m n. m. (,7 % z celkové rozlohy Krkonoš), který je zároveň zájmovým územím práce. Obrázek 29: Alpínský stupeň (Štursa, 1999) Na relativně malé ploše arktoalpínské tundry pokrývající jen 7,4 % z celkové rozlohy Krkonoš (32 km2 na české a 15 km2 na polské straně hor) se nachází výjimečně pestrá galerie fenoménů neživé i živé vysokohorské přírody (Štursa, 213). 45

46 Kapitola 3: Zájmové území Z botanického hlediska představuje arktoalpínská tundra Krkonoš (resp. Vysokých Sudet) významné centrum biodiverzity v rámci okolních evropských pohoří střední nadmořské výšky. Hostí zde bezmála 5 z přibližně 8 původních (autochtonních) druhů a poddruhů horské flóry, její výjimečnost spočívá rovněž v relativně vysokém počtu místních endemitů. Je význačným refugiem pro relikty, jako jsou ostružiník moruška, všivec krkonošský, lomikámen sněžný nebo rašeliník Lindbergův (Štursa, 213). Vzhledem k dlouhodobé izolovanosti nejvyšších poloh Vysokých Sudet se zde vytvořily specifické niky pro vznik neoendemických druhů. S výjimkou mnoha endemických druhů a poddruhů rodu jestřábník a zvonku českého, které rostou převážně na květnatých horských loukách středních poloh Krkonoš, se naprostá většina krkonošských neoendemitů vyskytuje v různých zónách arktoalpínské tundry, především na azonálních stanovištích ledovcových karů. Do této kolekce neoendemitů patří jeřáb sudetský, kuřička krkonošská, chrastavec rolní krkonošský, ostřice krkonošská, prvosenka vyšší krkonošská, bedrník obecný skalní nebo lomikámen pižmový čedičový (Štursa, 213). V arktoalpínské tundře Krkonoš se vyskytují malé rozptýlené populace druhů, které jsou zařazeny v Červeném seznamu ohrožených cévnatých rostlin České republiky. V ledovcových karech Úpské jámy a Kotelních jam mezi ně patří např. řeřišnice rýtolistá, ostřice skalní, jinořadec kadeřavý, vrba dvoubarvá, vrba bylinná a vrba laponská, dále v masivu Sněžky a Studniční hory bika klasnatá pravá, lipnice plihá nebo koniklec jarní alpínský (Štursa, 213). Z pohledu současného třídění horské vegetace se tady na 47 km 2 nacházejí vegetační jednotky z přibližně 2 tříd fytocenologického systému nejvyšších syntaxonomických jednotek. Od acidofilních alpínských trávníků v kryoeolické zóně, přes pozoruhodně bohatá společenstva vysokobylinných niv a křovin s břízou karpatskou řazená do třídy Mulgedio-Aconitetea v niveoglacigenní zóně (kary) až po chudá společenstva sněhových polí v nivačních depresích (najdeme je na svazích Studniční a Luční hory, ve Sněžných jámách a Labské rokli). Pozoruhodný je výskyt smilkových luk, který z biogeografického hlediska představuje spojovací článek mezi pohořími střední nadmořské výšky, alpskými, karpatskými a severskými horskými trávníky s dominantní smilkou tuhou. 46

47 Kapitola 3: Zájmové území Seversky laděná vrchoviště obou náhorních plošin kolem Labské a Luční boudy hostí endemické vrchovištní společenstvo kleče s podrostem ostružiníku morušky (Štursa, 213) Vývoj krajiny a hospodářství Ve 13. a 14. století byly Krkonoše kolonizovány. Kolonisté vysušovali bažinatou půdu a přeměňovali rozsáhlé hvozdy v louky, pole a pastviny. Osídlené enklávy se nacházely nejprve kolem stezek, ale postupem času zatlačily lesní porosty do stále neúrodnějších a nepřístupnějších míst. V 16. a 17. století dosáhla těžba dřeva a zároveň devastace lesů největšího rozsahu. Mocensko-politické důvody vedly tehdejšího panovníka k tomu, aby do Krkonoš povolal řadu cizích šlechticů, kterým svěřoval nejvyšší úřady a také je náležitě odměňoval. V roce 1569 byly odhadovány zásoby dřevní hmoty zhruba na 8 let. Těžilo se na svazích hor, čímž se zamezilo zmlazení stínomilných dřevin, hlavně jedle, ale i buku, jehož porosty navíc decimovali místní uhlíři. Tak byla zničena velká většina lesů hlavně ve východních Krkonoších (Krnap.cz, 21). Přistěhovalci z alpských zemí přinášeli do Krkonoš svůj způsob života a hospodaření. Skot a kozy pásli nejen na loukách, ale i v lese či nad jeho horní hranicí, čímž bránili přirozenému zmlazování porostů. Svá sídla rozkládali, jak byli zvyklí, i mimo údolní osady. Třicetiletá válka přinutila obyvatele Podkrkonoší, aby se i se svými stády ukryli do hor. Tak vznikla celá řada sídelních enkláv, zvláště při horní hranici lesa. Konec třicetileté války přinesl i změny v držení jednotlivých panství. Nová hospodářská situace nutila obyvatele k rozšiřování chovu dobytka, který se stával hlavním zdrojem obživy (Krnap.cz, 21). Brzy na to se na krkonošských hřbetech objevila i prvá stavení. Tak se začalo formovat tzv. budní hospodářství, ve kterém vrchnost brzy poznala možnost ekonomického zhodnocení horské půdy. První boudy v klečovém stupni byly založeny již v prvé polovině 17. století. Porosty kosodřeviny okolo nich musely ustoupit loukám a pastvinám. Enklávy okolo hřebenových bud markantně snížily horní hranici lesa místy až na 1 m n. m. Počátkem 19. století bylo na území 47

48 Kapitola 3: Zájmové území 1621 bud. Nejstarší z nich byla Luční bouda, která vznikla již v roce 1823 (Krnap.cz, 21). Od konce 18. století začala uplatňovat svůj vliv na krajinu i turistika. Původní sezónní boudy, sloužící budnímu hospodářství, byly přestavovány pro celoroční potřeby turistického ruchu. Zemědělské produkty bylo možno výhodně prodávat stále sílícímu přílivu návštěvníků. Vznikly také boudy postavené jen pro turistický ruch. Rostoucí návštěvnost si vyžádala zbudování řady nových komunikací, které doplnily původní síť stezek a průhonů vyšlapaných dobytkem. Byly postaveny i lanovky spojující turistická centra s vrcholovými partiemi Krkonoš (Krnap.cz, 21). 48

49 Kapitola 4: Data a metody KAPITOLA 4 Data a metody 4.1 Charakteristika použitých obrazových dat Předkládaná diplomová práce zpracovává data pořízená senzorem APEX v září roku 212 (nasnímala je belgická firma VITO) a senzorem AISA DUAL (senzory AISA Eagle a AISA Hawk). Snímání zajišťovala firmy Geodis a maďarská firma ENVIROSENS. Snímání pro projekt HyMountEcos APEX bylo 1. září 212 ve dvou různých letových výškách, a to 5 75 m a 6 65 m v místním čase od 1:35 do 14:13. Bylo pořízeno celkem 15 letových linií a čtyři přídavné BRDF linie v oblasti Sněžky, jak můžeme vidět na obrázku 3 a 31. Obrázek 3: Pravidelné letové linie (APEX 212) 49

50 Kapitola 4: Data a metody Obrázek 31: BRDF letové linie (APEX 212) Tato letecká kampaň nepokrývala pouze území Krkonoš na české straně hor, ale i na polské, přičemž interval vlnových délek,413 2,447 µm je pokryt 288 spektrálními pásmy a dosahují prostorového rozlišení 2,97 m/pixel (APEX 212). Datový soubor tedy obsahuje celkem 19 letových linií. Aby se snížila jeho velikost, byl rozdělen do čtyř částí pojmenovaných HYME1, HYME2, HYME3, HYME4. Jelikož každá naskenovaná linie byla příliš veliká, byla také rozdělena na části, aby se usnadnila manipulace s nimi. Data byla pořízena ve formátu HDF5, každý takový obsahuje jak negeoreferencovaná tak georeferencovaná data. Data byla poté zpřístupněna uživatelům přes APEX FTP-server. Pro každé pásmo byla udána centrální vlnová délka společně s pěti parametry, které umožňují tzv. spectral smile correction. Předzpracování dat provedla firma VITO. Doručené náhledy byly georeferencovány pomocí SRTM DEM, výsledek je v geografických souřadnicích šířka, délka, a výšky jsou vztaženy k elipsoidu WGS84. Data pro Českou republiku, která obsahují 7 letových linií, prošla atmosférickou a geometrickou korekcí. Dále byla spektra shlazena a převzorkována na vlnové délky, ve kterých senzory měří během spektrální kalibrace. Data byla dodána ve formátu ENVI, tj. 27 párů *.img a *.hdr souborů (APEX 212). Snímání senzorem AISA bylo provedeno ve třech dnech, a to a 19. a Data byla pořízena ve 498 spektrálních pásmech. Na palubě letadla se nacházely dva hyperspektrální senzory AISA Eagle VNIR (spektrální rozsah 5

51 Kapitola 4: Data a metody mezi 4-1 nm) a AISA Hawk (spektrální rozsah mezi nm). V kategorii VNIR bylo snímáno 254 spektrálních pásem v rozlišení cca 2,5 nm, v kategorii SWIR pak 244 pásem v rozlišení cca 6 nm (APEX 212). Pro tvorbu finálních dat byl použit pixel 1 m. Doba pořízení snímků byla dne od 9:4 do 11:, kdy byly nasnímány čtyři linie. Ve dnech 19. a bylo snímáno od 9:16 do 12:48, resp. od 8:11 do 11:, kdy bylo nasnímáno 44 řad. Pro další zpracování jich ale bylo použito pouze 25 (APEX 212). 4.2 Zpracování obrazových dat Diplomová práce byla zpracována pomocí SW ENVI verze 4.7. Tento program je dílem firmy ITT Visual Information Solutions, která se specializuje na vývoj SW pro analýzu a vizualizaci vědeckých dat a snímků. ENVI je zkratkou pro ENvironment for Visualizing Images a je používán pro zpracování a analýzu geoprostorových snímků. Je využíván odborníky na DPZ a analytiky obrazových dat. Poskytuje mnoho vědeckých algoritmů pro zpracování obrazu, kde většina z nich je poskytována automaticky na bázi průvodce funkcí, který nás provede celkovým úkolem. Kombinuje tak pokročilé spektrální zpracování obrazu a technologie geoprostorové analýzy a moderním userfriendly prostředím. Zpracovávat zde můžeme jak panchromatické, LiDARové hyperspektrální tak i multispektrální snímky (ENVI Software - Image Analysis Software - LiDAR Data, 214) Předzpracování obrazových dat Data byla již dodána s provedenými radiometrickými, spektrálními a geometrickými korekcemi. Radiometrické, spektrální a geometrické kalibrace obrazů APEX byly provádeny pomocí kalibrační kostky generované z dat měřených a sesbíraných z APEX Calibration Home Base, zpracované v DLR Oberpfaffenhofenu v Německu. Tato kalibrace se provádí na začátku a na konci každé letové mise a výstupem jsou data úrovně 1. avšak i poté se určité radiometrické miskalibrace vyskytují v pásmu modré a blízké infračervené oblasti kolem 1 2 nm a na konci detektoru pro blízkou infračervenou oblast. 51

52 Kapitola 4: Data a metody V současné době jsou tyto chyby opravovány zprostředkovaně načtenými koeficienty na základě metadat (APEX 212). APEX je znám pro tzv. smile efekty. Vzhledem ke spektrální nestabilitě APEX způsobené tlakem a/nebo teplotními výkyvy se analýza posunu vlnové délky provádí na základě atmosférické absorpce pro přiřazení nové centrální vlnové délky každému pixelu (APEX 212). Geometrická korekce je prováděna pomocí modulu C++ vyvinutého firmou VITO na základě přímého georeferencování. Vstupní data ze senzoru GPS/IMU, korekční data a uživatelský specifikovaný DTM/DSM jsou dále použita během geometrické korekce. Nakonec jsou data převedena do systému UTM (WGS84, zóna 33N) (APEX 212). Atmosférická korekce získaných dat APEX je prováděna pomocí CDPC (Central Data Processing Center) s radiativním transferem MODTRAN4 podle algoritmů a bere v úvahu centrální vlnové délky pro každý pixel (APEX 212). Spektrální shlazení dat se provádí pro odstranění šumu a extrémů, které zbudou po atmosférické korekci (APEX 212). Pro pre-processing hyperspektrálních snímků senzoru AISA byly použity aplikace ENVI/IDL a CaliGeoPro. Obrázek 32: Schéma pracovního postupu pro pre-processing hyperspektrálních snímků (AISA, 213) 52

53 Kapitola 4: Data a metody Výsledkem pre-processingu byla následující data: - Radiometricky korigované snímky ( at-sensor radiance ) - Geometricky a radiometricky korigované snímky - Geometricky korigované snímky odrazivosti terénu - Textový soubor s centrální vlnovou délkou a údaji full-width half maximum pro každé pásmo ve všech snímcích Hyperspektrální snímky byly radiometricky kalibrovány na odrazivost pomocí ploch v terénu vykazujících jednolitou charakteristiku odrazivosti (např. fotbalové hřiště, beton, asfalt, ). Z geometricky upravených snímků byly v místech referenčních spektrometrických ploch vyexportovány radiometricky korigované pixely. Následně byly na těchto datech provedeny atmosférické korekce. Vypočtené přírůstky a offsety byly poté aplikovány v prostředí ENVI/IDL (AISA, 213) Obrázek 33: Náhled na geometricky a radiometricky korigované snímky bez radiometrické normalizace (AISA, 213) Mozaikování obrazových dat Před samotnou prací bylo nutné rozhodnout, zda budou data zpracovávána jednotlivě (po letových liniích) nebo se sloučí v jeden snímek. Kvůli náročnosti zpracování byla data sloučena. Nejprve však bylo nutné provést redukci dimenzionality dat pomocí Spectral Math v SW ENVI. 53

54 Kapitola 4: Data a metody Postup je takový, že nejprve definujeme funkci, která nám vynásobí jednotlivé hodnoty reflektance hodnotou 1 a převede tak data z formátu float (5 desetinných míst v datech) na formát integer. Původní velikosti snímků většinou 6 7 GB byla tak zmenšena na velikost poloviční, se kterou už se dalo lépe pracovat. Snímky byly vloženy do ENVI, kde pomocí funkce Mosaicking - Georeferenced byly spojeny v jeden. V možnostech funkce lze nastavit hodnotu dat, kterou bude funkce ignorovat, hodnotu pozadí a algoritmus, kterým budou data převzorkována. Byla nastavena hodnota 1, aby zmizela část, kde nejsou data, a algoritmus Nearest Neighbour, který zachovává radiometrické hodnoty a nedojde tak ke změně, která by ovlivnila výsledek klasifikace. Spojených snímků bylo šest, takže výsledná velikost spojeného snímku byla cca 18 GB. Výsledný spojený snímek byl poté nahrán do SW ArcMap, kde byl oříznut hranicí zájmového území pomocí funkce Extrakt by Mask. Tento ořez bylo možné provést pouze tehdy, když byl výsledek ukládán do geodatabáze. Z ní ale není možné načíst data do ENVI. Z tohoto důvodu byl snímek z geodatabáze exportován do formátu Esri BSQ, který se již dá v ENVI načíst. Při exportu oříznutého snímku do daného formátu se však snímek mírně prostorově posunul, tudíž musel být poté podle hranice zájmového území zgeoreferencován. Při načtení do ENVI mu pak chyběla hlavička s informací o souřadném systému, která musela být ručně doplněna, jelikož trénovací polygony a hranice území se nenacházely nad snímkem. Takto byla připravena data pro území západního i východního alpínského bezlesí. Nejnáročnější na těchto krocích byla jejich časová náročnost, spojování, oříznutí, export i zgeoreferencování - každý tento krok však trval kolem 12 hodin. Takto bylo získáno území západního i východního alpínského bezlesí. Oříznutí dat v ArcMap je možno vynechat a nastavit v každé klasifikační funkci Spatial Subset, kde načteme hranici zájmového území, kterou musíme ale nejdříve převést ze souřadného systému S-JTSK do UTM (jelikož snímky mají tento souřadný systém), ale hranice poté nebude členitá, nýbrž pouze obdélníková. Takto bylo pracováno se snímky ze senzoru APEX i AISA. Data AISA však měla mnohonásobně větší velikost (až 3 GB), tudíž zmíněné operace byly mnohem náročnější. Další rozdíl ve zpracovávání snímků AISA a APEX byl ten, že snímky AISA jsou pořizovány ve vlnových délkách 4-92 nm (snímky Eagle) a

55 Kapitola 4: Data a metody nm (snímky Hawk), tudíž bylo za potřebí je nejprve spojit v jeden datový soubor pomocí funkce Layer Stacking a poté teprve bylo možno přistoupit k mozaikování. 4.3 Klasifikace obrazových dat Klasifikace dat proběhla několika metodami, které budou v následující kapitole detailně popsány Legenda klasifikace Před samotnou klasifikací snímků bylo potřeba stanovit legendu klasifikované vegetace. Legenda vznikla na základě konzultace s botanikem Krkonošského národního parku po rekognoskaci terénu. Bylo stanoveno 12 kategorií a několik podkategorií: 1. kosodřevina - porosty s převahou borovice kleče (Pinus mugo). Přirozené porosty kleče na sušších stanovištích (hercynsko-karpatská klečová vegetace), porosty tvořící křovinnou část vegetace vrchovišť i umělé výsadby kleče z průběhu 2. století. Základní a v řešeném území velkoplošně se vyskytující typ vegetace krkonošského alpínského bezlesí. 2. mokřad (2a rašeliniště, 2b ostatní) 2a: různé typy mokřadní vegetace s převahou rašeliníku (Sphagnum sp.). Rašelinná část vegetace vrchovišť i rašeliníkem tvořené typy mírně kyselých rašelinišť a rašelinných luk, přechodových rašelinišť a vegetace vrchovištních šlenků. 2b: různé typy mokřadní vegetace s převahou cévnatých rostlin s významným zastoupením rostlin z čeledi šáchorovité (Cyperaceae). Cévnatými rostlinami tvořená část vegetace vrchovišť i některé typy mírně kyselých rašelinišť a rašelinných luk, přechodových rašelinišť a vegetace vrchovištních šlenků. 3. vodní plochy - vodou naplněné vrchovištní šlenky 4. alpínská vřesoviště - porosty vřesu obecného (Calluna vulgaris). Vegetace alpínských vřesovišť na extrémně vyfoukávaných stanovištích i vřesem bohatý typ podhorských až subalpínských brusnicových vřesovišť na méně extrémních stanovištích. 5. subalpínská brusnicová vegetace 55

56 Kapitola 4: Data a metody - keříčkové porosty brusnice borůvky (Vaccinium myrtillus). Brusnicemi bohatý typ podhorských až subalpínských brusnicových vřesovišť na místech s vytrvalou sněhovou pokrývkou. 6. alpínské trávníky zapojené (6a smilka, 6b metlička, 6c druhově bohaté porosty s velkým zastoupením dvouděložných) 6a: druhově chudé porosty smilky tuhé (Nardus stricta). Jedná se o zapojené alpínské trávníky, které jsou základní a v řešeném území velkoplošně se vyskytující typ vegetace krkonošského alpínského bezlesí. 6b: druhově chudé porosty metličky křivolaké (Deschampsia flexuosa). Jedná se o maloplošně se vyskytující porosty ve smilkové matrici, které patří k vegetaci zapojených alpínských trávníků 6c: maloplošně se vyskytující druhově bohatá vegetace na vlhčích stanovištích v lokálních reliéfových depresích. Typicky je tvořena rostlinnými druhy alpínských zapojených trávníků, subalpínských smilkových trávníků a vegetace nevápnitých alpínských a subalpínských pramenišť. 7. subalpínské vysokostébelné trávníky (7a třtina, 7b bezkolenec, 7c metlice) 7a: porosty s dominancí třtiny chloupkaté (Calamagrostis villosa). Často jde o třtinou chloupkatou přerostlé nízké trávníky smilky, metličky nebo druhově bohatých nízkých porostů. Vyskytuje se i na místech po výřezech kleče. 7b: porosty s dominancí bezkolence modrého (Molinia caerulea). Často jde o bezkolencem modrým přerostlé nízké trávníky smilky, metličky nebo druhově bohatých nízkých porostů. Vyskytuje se i na místech po výřezech kleče. 7c: porosty s dominancí metlice trsnaté (Deschampsia cespitosa). Typicky na vlhčích místech krkonošského alpínského bezlesí či v lemu místních komunikací. 8. subalpínské vysokobylinné trávníky - vysoké porosty s nízkým zastoupením trav. Často jde o nepůvodní vegetační pokryv živinami a bazickými ionty obohacené půdy v lemech místních komunikací. Významnými rostlinnými druhy jsou např. pcháč různolistý (Cirsium heterophyllum), starček hercynský (Senecio hercynicus) nebo kýchavice bílá Lobelova (Veratrum album ssp. lobelianum). 9. cesty, kamenná pole - plochy komunikací, vyschlé vrchovištní šlenky, obnažená a dosud vegetací nezarostlá půda po výřezu borovice kleče, suť či hromady kamenů. 1. smrk - jedinci či skupinky smrku ztepilého (Picea abies). Ojediněle se vyskytující nízké smrky vtroušené do porostů kleče či smilky. Řešená lokalita je vymezena jako území 56

57 Kapitola 4: Data a metody alpínského krkonošského bezlesí, tedy jako území navazující na souvislé a vysoké porosty smrku ztepilého. (Kubát, 22; Chytrý ) V případě východního alpínského bezlesí byly kategorie 1 a 1 sloučeny v jednu z důvodu nedostatku ploch s kategorií smrku. K těmto kategoriím byly dne sebrány trénovací množiny v okolí Labské boudy, za pomoci GPS a asistence botanika. Doplnění trénovacího souboru (trénovací a validační polygony) proběhlo ve dnech v místech západních i východních Krkonoš. Následující tabulka a obrázek popisuje, kolik trénovacích polygonů bylo použito ke klasifikaci pro jednotlivé kategorie a jejich rozmístění. Kategorie Počet trénovacích polygonů Kosodřevina Rašeliniště 3 4 Mokřad ostatní 2 Vodní plocha 2 Alpínská vřesoviště 3 Subalpínská brusnicová vegetace 3 Smilka 3 Metlička 1 Druhově bohaté porosty, dvouděložné 2 Třtina 3 Bezkolenec 2 Metlice 3 Subalpínské vysokobylinné trávníky 3 Plochy bez vegetace 2 Smrk 3 Tabulka 3: Počty trénovacích polygonů jednotlivých kategorií (zdroj: autorka) 57

58 Kapitola 4: Data a metody Obrázek 34: Rozmístění trénovacích polygonů (ArcGIS 1.2, zdroj: autorka) 58

59 Kapitola 4: Data a metody Klasifikace dat Po nasbírání trénovacích množin mohlo být přistoupeno k samotné klasifikaci dat. Co se týče vizualizace dat, v SW ENVI zobrazíme data pomocí File Import Image File a zvolíme snímek. Načte se nám do okna Available band list, kde zvolíme, jaká tři pásma chceme použít pro vizualizace. Pro zobrazení v RGB použijeme pásma pro červenou (6 7 nm), zelenou (5 6 nm) a modrou (4 5 nm). Pokud chceme zobrazit snímek v nepravých barvách, tak do R načteme pásma z NIR (76 9 nm), do G pásmo červené a do B pásmo zelené. Toto je hezké srovnání pro vizualizaci snímku níže, který nám ukazuje místa s vegetací obsahující chlorofyl a naopak místa na chlorofyl chudá. Na obrázku 35 tak můžeme vidět místa posetá zdravou vegetací (v barvě červené) a místa bez vegetace a chlorofylu (v barvě modré). Vidíme, že modrá místa jsou převážně cesty, skály nebo holá půda. Obrázek 35: Srovnání obrázků v RGB a v nepravých barvách (ENVI, zdroj: autorka) Před tím, než byly na data aplikovány jednotlivé klasifikační algoritmy, byla provedena MNF transformace pro odstranění šumu, nadbytečné informace a redukci dimenzionality dat. Při výpočtu MNF transformace jsou také určena vlastní čísla, která určují množství informace nesené určitým spektrálním pásmem. MNF transformace založená na principu hlavních komponent (PCA) rozděluje data na dvě skupiny, a to na pásma s velkými vlastními čísly, která obsahují hodně informace, a pásma s malými vlastními čísly, která obsahují převážně šum. Pro 59

60 Kapitola 4: Data a metody klasifikaci bylo z výstupu MNF transformace použito 15 pásem, která obsahovala 9 % informace. Byla tedy použita pásma 1 15 pro data APEX, pro data AISA to byla pásma 1-9. Pro samotnou klasifikaci bylo v ENVI 4.7 zvoleno několik klasifikačních algoritmů pro představu o klasifikovaném území byla nejprve použita řízená klasifikace ze skupiny tradičních algoritmů používaná převážně pro multispektrální data, klasifikace minimální vzdálenosti, poté řízená klasifikace maximální věrohodnosti a dále pak přístupy obvykle používané pro hyperspektrální klasifikaci: Spectral Angle Mapper, Neural Net, Support Vector Machine, Linear Unmixing a MESMA. Před samotnou prací byly v terénu sesbírány již zmíněné trénovací množiny, které byly ke klasifikaci využity jako ROI (regions of interest). Tyto získáme přeložením vektorové vrstvy přes daný snímek, zobrazením ROI Tool (obr. 36), načtením vektorové vrstvy do ROI a případným sloučením více polygonů v jednu ROI, pokud obsahují vzorek stejné třídy vegetačního pokryvu. Dále bylo potřeba vytvořit zvláštní ROI, která obsahovala bílá místa ve snímku (místa za hranicí zájmového území). Obrázek 36: Ukázka ROI Tool a načtených polygonů (ENVI, zdroj: autorka) Pro každou ROI si také můžeme zobrazit spektrální křivku odrazivosti pomocí volby Z-profile (viz obr. 37). 6

61 Kapitola 4: Data a metody Obrázek 37: Ukázka spektrální křivky odrazivost pro kategorii smrku (vlevo) a brusnicové vegetace (vpravo) (ENVI, zdroj: autorka) Dále byla pro jednotlivé (již sloučené) ROI spočtena charakteristika ROI Separability, která počítá spektrální odlišnost mezi vybranými ROI páry. Spočtená hodnota se pohybuje od do 2 a udává, jak dobře jsou vybrané ROI statisticky odlišné. Hodnoty větší než 1,9 značí, že ROI páry jsou statisticky dobře odlišené. Pro hodnoty menší je třeba sebrat další trénovací plochy. Pro hodnoty menší než 1 znamená, že se budou třídy překrývat. Ke klasifikaci bylo přistoupeno tehdy, když byla hodnota vyšší než 1,9 (ENVI Help, 214). ROI lze také zobrazit v tzv. n-d visualizer, kde vidíme shluky jednotlivých tříd v podobě pixelů, a můžeme zde jednotlivé ROI upravovat tak, že vybereme pouze nějaké pixely do třídy a pixely odlehlé z výběru vynecháme. Toto bylo použito minimálně. U každého klasifikátoru byla použita klasifikace zahrnující všechna spektrální pásma obrazu (např. 288 pro APEX) a poté pásma, která byla vybrána z MNF transformace. Výsledky se značně lišily u klasifikátoru SAM, ale naopak naprosto stejné byly v případě SVM. U ostatních byly výsledky velmi podobné. Klasifikátor SAM: V menu Spectral Mapping vybereme možnost Spectral Angle Mapper. Zde vybereme klasifikovaný snímek, dále je možno nastavit počet spektrálních pásů, které budou zahrnuty do klasifikace (toto můžeme rozhodnout na základě výsledku z MNF transformace), masku území (zde je možnost načíst vektorovou vrstvu značící hranici území) a ROI, podle kterých bude území klasifikováno. Jelikož tento klasifikátor pracuje na principu porovnávání spektrálních úhlů mezi vektorem určovaného a referenčního spektra, je možnost nastavit prahovou hodnotu, kterou když pixel překročí, nebude klasifikován. Bylo ponecháno na,1 rad. Klasifikátor Linear Spectral Unmixing: V menu Spectral Mapping - vybereme linear unmixing. Vložíme snímek, dále vybereme Spectral Library nebo příslušné 61

62 Kapitola 4: Data a metody ROI a necháme proběhnout. Výsledná vrstva má tolik pásem, kolik jsme zvolili klasifikovaných tříd plus pásmo RMSE, které by ideálně mělo vypadat jako obraz pepř a sůl, lze vidět na obrázku 38. U každého pixelu je klasifikován relativní výskyt materiálů, které obsahují vstupní data. V našem případě je velikost pixelu 2,64 m a většina pixelů tak není tvořena pouze jedním druhem materiálu a nejsou tak spektrálně čisté. V jednotlivých pásmech jsou vyklasifikovány dané třídy, hodnota pixelu udává procento zastoupení třídy v něm. Hodnoty by se měly pohybovat okolo jedné. Hodnoty nad 1 a pod značí, že nebyly zvoleny vhodné trénovací množiny. Čím světlejší pixel, tím větší pravděpodobnost výskytu dané třídy. Obrázek 38: RMSE obraz pro západní část Krkonoš (ENVI, zdroj: autorka) Na obrázku níže můžeme vidět výsledek Spectral Unmixingu pro třídu kamenných polí. Bílé plošky odpovídají pixelům/místům, které s pravděpodobností,8 1 zachycují danou třídu. Takto pro každou třídu vytvoříme masku a ty následně sečteme a sloučíme tak do jednoho obrazu. 62

63 Kapitola 4: Data a metody Obrázek 39: Linear Spectral Unmixing pro třídu kamenných polí (světlá místa), (ENVI, zdroj: autorka) Klasifikátor Support Vector Machine: V menu Classification Supervised vybereme možnost Support Vector Machine, opět vybereme klasifikovaný snímek a nastavíme parametry, kterými jsou výběr mozaikovaného snímku, ROI, funkce, která nám bude zařazovat pixel do jednotlivých tříd, a penalty parametr, který nám povoluje určitý stupeň špatného zařazení pixelu ke třídě. Tento klasifikátor pracuje uspokojivě i s komplexními a zašuměnými daty. Funkce pro zařazování pixelů do daných tříd, kterou můžeme zvolit, je buď lineární, polynomická nebo RBF. Byla zvolena RBF, která dávala nejlepší výsledky. Klasifikátor Neural Net: V menu Classification Supervised vybereme možnost Neural Net, opět vybereme klasifikovaný snímek a nastavíme parametry, kterými jsou Training Threshold Contribution, který se pohybuje od do 1 a jeho malé zvýšení může vést k přesnější klasifikaci, dále Training Rate a Training Momentum, které zrychlují trénovací proces, tudíž byly ponechány na hodnotě. RMS exit Criteria, kde udáme, při jaké RMSE bude trénování ukončeno, zde bylo nastaveno,5, a Number of Iterations, kde byla zvýšena hodnota z 1 na 3. Dobu procesu klasifikace toto nastavení nijak výrazně neovlivnilo. Algoritmus probíhá tak dlouho, než směrodatná odchylka klesne pod,45, nebo dokud není dosaženo 3 iterací. Ve většině případech klasifikace dat APEX se směrodatná odchylka pohybovala pod,1. Při použití pouze 15 pásem se odchylka blížila k,4, jak 63

64 Kapitola 4: Data a metody můžeme vidět na obrázku 4. Hledání nejvhodnějšího nastavení parametrů klasifikace probíhalo velmi dlouho, protože klasifikace takovéhoto typu vegetace je velmi specifický úkol, tudíž nestačí nechat parametry pouze defaultně nastavené. Při klasifikaci dat AISA bylo použito 9 pásem z MNF transformace a počet iterací byl ponechán na 3. Časová náročnost sice stoupla, ale výsledek byl mnohem lepší než při použití defaultního nastavení 1 iterací. RMSE se pak pohybovala mezi,1 a,2, trénování bylo ukončeno při hodnotě,17. Obrázek 4: Graf RMSE v závislosti na počtu iterací, vlevo pro data APEX, vpravo pro data AISA (ENVI, zdroj: autorka) Klasifikátor MESMA: K tomuto kroku bylo zapotřebí stažení a nainstalování extenze pro tento klasifikátor, který je naštěstí free-ware. Po správné instalaci se nám zobrazí pod možností Spectral VIPER Tools. Dále se nám zobrazí okno, kde vybereme nejprve Create Spectral Library from ROIs, kde vybereme snímek a příslušné ROI a dáme Run, jelikož tento klasifikátor neumí pracovat se souborem *.roi, ale pouze se *.sli. Poté můžeme přistoupit ke klasifikaci, kde zvolíme Run SMA/MESMA, zadáme klasifikovaný snímek, odpovídající spektrální knihovnu a další parametry Klasifikace pro porovnání dat AISA DUAL a APEX Jelikož pro data AISA DUAL nebyly k dispozici všechny linie, které pokrývají území alpínského bezlesí, a také z důvodu náročnosti zpracování velkého objemu dat bylo porovnání provedeno pouze v části území (3 linie AISA DUAL v západní oblasti). Bylo vybráno území severně od Labské boudy, kde můžeme zachytit jak nejvyšší místa zájmového území, kde se nachází především kamenná pole a vřesoviště, ale také místa kolem již zmíněné Labské boudy a pramenu Labe, kde 64

65 Kapitola 4: Data a metody můžeme najít kosodřevinu nebo místy i smrkové porosty. Na tomto území byla provedena jedna klasifikace s využitím klasifikátoru Neural Net, který dosahoval v případě klasifikace dat APEX nejlepších výsledků. Dále byla data APEX pro území západní části alpínského bezlesí oříznuta hranicí odpovídající výřezu AISA a provedena klasifikace stejného území, aby bylo možno výsledky porovnávat. Jelikož mozaika vytvořená z dat AISA byla příliš veliká, byl ve výpočtu klasifikátoru nastaven Spatial subset podle hranice oblasti západního alpínského bezlesí. Následně byla z této hranice vytvořena maska pomocí Basic Tools Masking Build Mask a poté aplikována na výslednou klasifikaci (Basic Tools Masking Apply Mask) Postklasifikační úpravy a hodnocení přesnosti jednotlivých klasifikací Po vyhodnocení přesnosti klasifikací byly za účelem odstranění izolovaných pixelů výsledné klasifikační výstupy upraveny pomocí nízkofrekvenčního mediánového filtru o velikosti 3x3 pixelů, který nastavíme v menu Filter - Convolutions and Morphology Convolutions Median. Dále byla každá klasifikace převedena na vektor pomocí Post Classification Classification to vector. Zde byly vybrány třídy, které se budou převádět, a bylo zadáno, aby se vytvořila pouze jedna vrstva. Dále bylo nutné vektor, který lze načíst v ENVI, převést na shapefile. Z takto vyzniklých shapefilů byly následně vytvořeny výsledné mapy klasifikací v SW ArcMap. Přesnost klasifikací byla zhodnocena v SW ENVI 4.7. Pro určení jejich přesnosti bylo využito druhé poloviny v terénu nasbíraných polygonů, které byly využity pro metodu Ground Truth ROI s (Classification Post Classification Confusion Matrix). Přesnost byla hodnocena pomocí Kappa koeficientu, který nám porovnává přesnost klasifikace (PP) s přesností náhodného zařazení pixelů do tříd (PO) podle: к = (PP - PO) / (1 - PO). Výsledné hodnoty pak se pohybují v intervalu 1. Výsledek dané klasifikace je tedy o hodnotu kappa koeficientu přesnější, než náhodné zatřídění pixelů do tříd, tedy kolika procentu chyb jsme se vyhnuli (Lilledand, T. et al., 24). 65

66 Kapitola 4: Data a metody V následující tabulce 4 a obrázku 41 je uvedeno, kolik polygonů bylo nasbíráno a použito pro hodnocení přesnosti, a rozmístění polygonů. Kategorie Počet validačních polygonů Kosodřevina 5 Rašeliniště 6 Mokřad ostatní 2 Vodní plocha 3 Alpínská vřesoviště 5 Subalpínská brusnicová vegetace 3 Smilka 4 Metlička 2 Druhově bohaté porosty, dvouděložné 3 Třtina 3 Bezkolenec 4 Metlice 4 Subalpínské vysokobylinné trávníky 3 Plochy bez vegetace 3 Smrk 6 Tabulka 4: Počty validačních polygonů jednotlivých kategorií (zdroj: autorka) 66

67 Kapitola 4: Data a metody Obrázek 41: Rozmístění validačních polygonů (ArcGIS 1.2, zdroj: autorka) 67

68 Kapitola 5: Hodnocení a porovnání výsledků klasifikace KAPITOLA 5 Výsledky V této části práce budou zhodnoceny a porovnány výsledky klasifikací hyperspektrálních dat, která byla zpracována pomocí výše popsaných postupů. Cílem práce bylo najít nejvhodnější (nejpřesnější a nejspolehlivější) klasifikační algoritmus pro klasifikaci tohoto typu dat. Zhodnocení výsledků klasifikací zahrnuje jednak porovnání relativního zastoupení tříd ve výsledných klasifikacích, dále porovnávání přesnosti jednotlivých klasifikačních algoritmů a porovnání přesnosti klasifikace pro dané území pomocí dat AISA vs. APEX. Dále je vytvořena jedna klasifikace území východního krkonošského alpínského bezlesí pomocí nejpřesnějšího klasifikátoru z území západního. 5.1 Porovnání relativního zastoupení tříd ve výsledných klasifikacích Relativní zastoupení tříd v klasifikacích je dáno poměrem plochy přiřazené k dané třídě ku celkové ploše v obraze. Zde můžeme vidět, jak se jednotlivé algoritmy liší ve výsledku, který poskytují. Pokud sledujeme Kappa koeficient, bylo nejlepších výsledků dosaženo využitím klasifikátoru Neural Net (viz tab. 8), tudíž jeho zastoupení jednotlivých tříd můžeme považovat za ideální. V každém obraze jsou hojně zastoupeny kategorie, jako je kosodřevina, smrkové porosty, alpínská vřesoviště a alpínské trávníky zapojené, naopak nejméně jsou zastoupeny kategorie, jako je vodní plocha nebo holá půda. Ačkoliv bylo použito u všech klasifikací stejného trénovacího souboru, jednotlivé výsledky a zastoupení kategorií se liší. 68

69 Kapitola 5: Hodnocení a porovnání výsledků klasifikace Obrázek 42: Legenda všech výstupů klasifikace (ENVI, zdroj: autorka) Hodnocení výsledků klasifikace algoritmem SAM Obrázek 43: Výřez výsledné klasifikace pomocí klasifikátoru SAM (ENVI, zdroj: autorka) Algoritmus SAM poskytuje relativně uspokojivý výsledek (viz tab. 8 a 12). Nevíce zastoupené třídy zde byly třídy vysokobylinných trávníků, kosodřeviny a mokřadu. Naopak nejméně se zde vyskytovaly rašeliniště, třtina a bezkolenec. Nejasnosti a špatné zařazení do kategorie (viz tab. 12, příloha 1) nastalo například v případě střechy Labské boudy, která byla mylně klasifikována jako místo za zájmovou 69

70 Kapitola 5: Hodnocení a porovnání výsledků klasifikace hranicí a ne jako místo bez vegetace. Toto by se ale nejspíše stalo proto, že střecha má odrazivost s hodnotou 1 stejně jako místa za zájmovou hranicí. Zastíněné plochy byly dále často klasifikovány jako vodní plocha. Takových míst ale nebylo mnoho. Dále docházelo oproti jiným klasifikacím k přiřazení míst s vřesovištěm do kategorie již zmíněných vysokobylinných, které ale dle hodnocení přesnosti klasifikace byly vyklasifikovány s přesností pouhých 14 %. Nejčastěji zaměňované třídy byly třídy třtiny a brusnice, dále kosodřeviny a vysokobylinných a vysokobylinných a brusnice. Třídy vyklasifikované s největší přesností byly třídy bez vegetace, vřesovišť a smilky. Třídy vyklasifikované s nejmenší přesností byly třídy mokřadu-ostatní, třtiny a dvouděložných (vše podrobně viz příloha 1 a 7). Klasifikovaná třída Relativní zastoupení třídy Kosodřevina Mokřad rašeliniště - ostatní Vodní plochy Alpínská vřesoviště Subalp. brusnicová vegetace Alpínské trávníky zapojené smilka - metlička - druhově bohaté porosty (dvouděložné) Subalp. vysokostébelné trávníky třtina - bezkolenec - metlice Subalpínské vysokobylinné trávníky Cesty, kamenná pole Smrk Neklasifikováno 15,89 %,89 % 1,1%,3 % 6,43 % 5,34 % 7,57 % 5,2 % 4,92 % 1,55 % 2,23 % 7,84 % 16,46 % 5,5 % 4,55 % 6,23 % Tabulka 5: Relativní zastoupení tříd v celém zájmovém území, klasifikátoru SAM (ENVI, zdroj: autorka) 7

71 Kapitola 5: Hodnocení a porovnání výsledků klasifikace Hodnocení výsledků klasifikace algoritmem SLU Obrázek 44: Výřez výsledné klasifikace pomocí klasifikátoru SLU (ENVI, zdroj: autorka) Výsledek této klasifikace se vyznačuje velkým podílem ploch přiřazených do kategorie rašelinišť a také smrkových porostů. Naopak třída kamenných polí a cest se zde vyskytuje pouze z 1 %. Toto byl nejspíše nevětší nedostatek klasifikace, kdy místa s prašnými cestami byla klasifikována jako smilkové trávníky (viz šipka). Podobně jako u předchozí klasifikace byly některé zastíněné plochy vyklasifikovány jako vodní plochy. Nejčastěji zaměňované třídy byly třídy kosodřeviny a rašeliniště, smrku a rašeliniště a vysokobylinných a dvouděložných. Třídy vyklasifikované s největší přesností byly třídy bez vegetace, vodních ploch a vřesovišť. Třídy vyklasifikované s nejmenší přesností byly třídy mokřadu-ostatní, metlice a dvouděložných (vše podrobně viz příloha 2 a 7). Klasifikovaná třída Kosodřevina Mokřad rašeliniště - ostatní Vodní plochy Alpínská vřesoviště Subalp. brusnicová vegetace Alpínské trávníky zapojené smilka - metlička - druhově bohaté porosty (dvouděložné) Relativní zastoupení třídy 6,24 % 13,44 % 9,68 % 2,91 % 11,8 % 9,65 % 1,6 % 6,3 % 1,34 % 71

72 Kapitola 5: Hodnocení a porovnání výsledků klasifikace Subalp. vysokostébelné trávníky třtina - bezkolenec - metlice Subalpínské vysokobylinné trávníky Cesty, kamenná pole Smrk Neklasifikováno 4,74 % 3,34 % 2,5 % 3,94 % 1,4 % 14,9 % % Tabulka 6: Relativní zastoupení tříd v celém zájmovém území, klasifikátor SLU (ENVI, zdroj: autorka) Hodnocení výsledků klasifikace algoritmem SVM Obrázek 45: Výřez výsledné klasifikace pomocí klasifikátoru SVM (ENVI, zdroj: autorka) Klasifikace metodou SVM se vyznačuje především velkým zastoupením kosodřeviny a rašelinišť. Třídy smrku, bezkolence a vřesovišť se zde naopak vyskytují minimálně. Relativně dobře jsou vyklasifikována místa silnic, cest a kamenných polí, se kterými měly předchozí klasifikátory problém. Z tohoto bychom mohli usuzovat, že tento algoritmus by byl vhodnější spíše pro různorodější krajinu (zástavba, silnice, pole, louky ) a ne pouze pro rozlišování jednotlivých druhů vegetace. Nejčastěji zaměňované třídy byly třídy rašeliniště a kosodřeviny, vodních ploch a kosodřeviny a metlice a dvouděložných. Třídy vyklasifikované s největší přesností byly třídy bez vegetace, vodních ploch a smilky. Třídy vyklasifikované s nejmenší přesností byly třídy smrku a metličky (vše podrobně viz příloha 3 a 7). 72

73 Kapitola 5: Hodnocení a porovnání výsledků klasifikace Klasifikovaná třída Relativní zastoupení třídy Kosodřevina Mokřad rašeliniště - ostatní Vodní plochy Alpínská vřesoviště Subalp. brusnicová vegetace Alpínské trávníky zapojené smilka - metlička - druhově bohaté porosty (dvouděložné) Subalp. vysokostébelné trávníky třtina - bezkolenec - metlice Subalpínské vysokobylinné trávníky Cesty, kamenná pole Smrk Neklasifikováno 23,41 % 18,68 % 5,65% 8,53 % 2,8 % 5,6 % 7,24 % 1,5 % 3,25 % 5,23 % 1,37 % 5,61 % 7,75 % 3%,84 % % Tabulka 7 Relativní zastoupení tříd v celém zájmovém území, klasifikátor SVM (ENVI, zdroj: autorka) Hodnocení výsledků klasifikace algoritmem NN Obrázek 46: Výřez výsledné klasifikace pomocí klasifikátoru NN (ENVI, zdroj: autorka) Výsledek klasifikátoru Neural Net se vyznačuje největším podílem kosodřeviny ze všech provedených klasifikací, dále jsou zde hojně zastoupena rašeliniště a smilka. Nejméně pak připadá na vodní plochy, metličku a mokřad-ostatní. Chyba, která u klasifikací přetrvává, je ta, že v místech stínů se klasifikuje mokřad či rašeliniště. Jako další nedostatek je možno zmínit, že do třídy vodních ploch nebyl přiřazen 73

74 Kapitola 5: Hodnocení a porovnání výsledků klasifikace žádný pixel, ačkoliv se zde několik takových ploch nachází. Ty byly ale mylně klasifikovány jako mokřad. Nejčastěji zaměňované třídy byly třídy kosodřeviny a rašeliniště. Třídy vyklasifikované s největší přesností byly třídy bez vegetace, mokřadu-ostatní a metličky vše 1 %. Ostatní třídy byly vyklasifikováno s přesností nad 92 % (vše podrobně viz příloha 4 a 7). Klasifikovaná třída Relativní zastoupení třídy Kosodřevina Mokřad rašeliniště - ostatní Vodní plochy Alpínská vřesoviště Subalp. brusnicová vegetace Alpínské trávníky zapojené smilka - metlička - druhově bohaté porosty (dvouděložné) Subalp. vysokostébelné trávníky třtina - bezkolenec - metlice Subalpínské vysokobylinné trávníky Cesty, kamenná pole Smrk Neklasifikováno 39,39 % 15,47 %,1 % % 4,28 % 3,54 % 11,76 %,2 % 3,32 % 1,9 % 4,9 % 3,2 % 5,53 % 4,12 % 4,26 % % Tabulka 8: Relativní zastoupení tříd v celém zájmovém území, klasifikátor NN (ENVI, zdroj: autorka) Hodnocení výsledků klasifikace algoritmem MESMA Obrázek 47: Výřez výsledné klasifikace pomocí klasifikátoru MESMA (ENVI, zdroj: autorka) 74

75 Kapitola 5: Hodnocení a porovnání výsledků klasifikace Tento algoritmus se vyznačuje opět vysokým podílem kosodřeviny, rašelinišť a smilky. Naopak málo je zde vidět metličky či vodních ploch. Pomocí tohoto klasifikátoru se již ve větším množství vyklasifikovaly smrkové porosty i to, že dobře můžeme rozlišit třtinu, bezkolenec a metlici. Vodní plocha se vyklasifikovala pouze v místech vodní hladiny a ne v místech stínu, což je pozitivní, ale v místech stínu se z části vyklasifikovaly rašeliniště. Nejčastěji zaměňované třídy byly třídy vodních ploch a rašeliniště a kosodřeviny a smrku. Třídy vyklasifikované s největší přesností byly třídy bez vegetace, mokřadu-ostatní a metličky. Třídy vyklasifikované s nejmenší přesností byly třídy vodních ploch a smrku, ostatní třídy byly vyklasifikováno s přesností nad 7 % (vše podrobně viz příloha 5 a 7). Klasifikovaná třída Relativní zastoupení třídy Kosodřevina Mokřad rašeliniště - ostatní Vodní plochy Alpínská vřesoviště Subalp. brusnicová vegetace Alpínské trávníky zapojené smilka - metlička - druhově bohaté porosty (dvouděložné) Subalp. vysokostébelné trávníky třtina - bezkolenec - metlice Subalpínské vysokobylinné trávníky Cesty, kamenná pole Smrk Neklasifikováno 35,95 % 1,2% 1,7%,1 % 3,86 % 2,93 % 9,37 % 1,33 % 2,8 % 7,38 % 3,59 % 3,26 % 5,55 % 4,53 % 8,34 % % Tabulka 9: Relativní zastoupení tříd v celém zájmovém území, klasifikátoru MESMA (ENVI, zdroj: autorka) Výsledek klasifikace algoritmem NN pro východní alpínské bezlesí Východní alpínské bezlesí zahrnuje území v okolí boudy Výrovky, Luční boudy a Sněžky. Je zde také oblast pramene Bílého Labe a mokřadů, která je pěkně zobrazena modrou barvou. V tomto území nebyly nalezeny všechny třídy, které 75

76 Kapitola 5: Hodnocení a porovnání výsledků klasifikace legenda obsahuje, tudíž i ve výsledné klasifikaci chybí. Jsou to třídy vodních ploch a subalpínských vysokobylinných trávníků. Přesnost klasifikace byla 87,52 % a Kappa koeficient,86. Byla zde provedena klasifikace Neural Net, jelikož ta poskytovala na území západního alpínského bezlesí nejlepší výsledek. Stejně jako u západního alpínského bezlesí se tato vyklasifikovaná oblast vyznačuje velkým podílem kosodřeviny a rašelinišť, což můžeme například podle ortofota vizuálně zkontrolovat, zda je správně. Nejčastěji zaměňované třídy byly třídy smilky a dvouděložných a rašeliniště a bezkolence. Třídy vyklasifikované s největší přesností byly třídy kosodřeviny, mokřadu-ostatní a brusnice. Všechny ostatní třídy byly vyklasifikováno s přesností nad 7 % (vše podrobně viz příloha 8). Obrázek 48: Výřez klasifikace algoritmem NN pro území východního alpínského bezlesí okolí Luční boudy (ENVI, zdroj: autorka) 5.2 Porovnání přesnosti jednotlivých klasifikačních algoritmů Výsledné přesnosti jsou uvedeny v tabulce č. 1, kde je uvedena celková přesnost klasifikace a hodnota Kappa koeficientu. Klasifikační algoritmus Spectral Angle Mapper Přesnost klasifikace Kappa koeficient 99,6 %,75 76

77 Kapitola 5: Hodnocení a porovnání výsledků klasifikace Spectral Linear Unmixing 99,8 %,74 Support Vector Machine 57 %,52 Neural Net 96,24 %,95 MESMA 86,34 %,85 Tabulka 1: Přesnost jednotlivých klasifikačních algoritmů (zdroj: autorka) Celková přesnost použitých klasifikačních algoritmů se pohybovala kolem 9 %. Co se přesnosti klasifikace týče, nejlepšího výsledku dosáhl klasifikátor Spectral Unmixing, avšak Kappa koeficient byl nejvyšší u klasifikátoru Neural Net, který byl pak také použit na klasifikaci území východního alpínského bezlesí. Dobrý výsledek je patrný i vizuálně, kdy tento klasifikátor dobře rozlišil např. cesty a místa bez vegetace nebo smrkové porosty a kosodřevinu. K časté záměně docházelo při rozlišování kategorií kosodřeviny a rašeliniště, dále kosodřeviny a smrku a metlice a třtiny. U posledního zmíněného se toto dalo předpokládat již z terénního průzkumu, kdy problém s určením typu pokryvu měl občas i botanik. Naopak velmi dobře téměř u všech klasifikátorů byla rozlišena smilka, plochy bez vegetace, metlička a vřesoviště. Jednotlivé přesnosti i procentuální zastoupení jednotlivých tříd viz příloha Porovnání výsledků klasifikace dat APEX a AISA DUAL V této část budou porovnány dosažené výsledky klasifikace výřezu území západního alpínského bezlesí pro data APEX a AISA. Oba snímky zachycují stejné území, a to okolí Vysokého Kola, nejvyšší místo klasifikované oblasti. Rozdíl v klasifikacích je zde patrný. Toto může nastávat z důvodu různého prostorového i spektrálního rozlišení daných snímků, APEX snímky mají velikost pixelu 2,64 m a spektrální rozlišení 288, snímky AISA 1 m a spektrální rozlišení 494, proto je také výstup mnohem zrnitější, ačkoliv byl na snímek uplatněn nízkofrekvenční filtr. V tomto případě klasifikace vidíme, že větší rozlišení dává vzniknout přehlednější klasifikaci a vznikají větší a homogennější oblasti. Na obou snímcích jsou téměř shodně zachycena kamenná pole (hnědá barva), dále se z části shoduje oblast vřesoviště (zelená barva) a smilkové trávníky (žlutá barva). Podle vizuální kontroly snímků vidíme hlavní rozdíl v tom, že část míst 77

78 Kapitola 5: Hodnocení a porovnání výsledků klasifikace s brusnicí bylo na datech AISA zařazeno do kategorie dvouděložných, což se mohlo stát vzhledem k jejich podobnému spektrálnímu projevu. Dále na snímku z APEXu je vyklasifikováno více rašelinišť. Na snímku AISA byla dále místa cest přiřazena do správné kategorie a jsou zde zřetelné jasné linie, dokonce je zřetelná i malá cestička na vrcholek Vysokého kola, zatímco na snímku z APEXu jsou pouze středy cest přiřazeny správně a po krajích můžeme vidět, že se zde vyskytuje kategorie metlice, která lemuje všechna místa bez vegetace. Hlavní rozdíl v obou klasifikacích je zřejmý při spodním okraji výřezu, kde je na datech AISA mnohem více třtiny a dvouděložných. Celkově lze říci, že klasifikace na výřezu dat APEX se značně liší od klasifikace provedené na celém území, což může být způsobeno tím, že kvůli použití výřezu nebylo možno použít všechny trénovací ROI. Celkové přesnosti jednotlivých výstupů ve výřezech jsou u dat APEXu 64 % a u dat AISY 9 % a Kappa koeficienty,57, resp.,88. Dále byla na datech AISA provedena klasifikace metodou SVM, ale její přesnost byla pouze 82 % a Kappa koeficient,79. Zastoupení jednotlivých druhů vegetace u v klasifikacích značně liší, a to hlavně u kategorie smrku, který se u klasifikace na datech APEX vyskytuje na 8 % území a u klasifikace na datech AISA na 3 % území. Dále různé poměry zastoupení vidíme u třtiny (12 %, resp. 3 %) a u brusnicové vegetace (1 %, resp. 4 %). V podobném poměru byly vyklasifikováno kategorie kosodřeviny (2 %, resp. 14 %), ploch bez vegetace (4 %), metlice (2 %, resp. 3 %), dvouděložných (2 %) a mokřadů (4 %, resp. 6 %). Poměry zastoupení jednotlivých kategorií jsou v tabulce 11. Přesnosti pro jednotlivé kategorie shrnuje tabulka 2 a 21, příloha 9 a 1. Obrázek 49: Výřez pro porovnání přesností klasifikací z dat APEX a AISA (ENVI, zdroj: autorka) 78

79 Kapitola 5: Hodnocení a porovnání výsledků klasifikace Relativní zastoupení třídy Klasifikovaná třída Kosodřevina Mokřad rašeliniště - ostatní Vodní plochy Alpínská vřesoviště Subalp. brusnicová vegetace Alpínské trávníky zapojené smilka - metlička - druhově bohaté porosty (dvouděložné) Subalp. vysokostébelné trávníky třtina - bezkolenec - metlice Subalpínské vysokobylinné trávníky Cesty, kamenná pole Smrk Neklasifikováno APEX 2,96 % 4% 3,3 % 4,29 % 9,96 % 1,87 % 1,8 % --- % 2,65 % 12,75 % 6,2 % 2,48 % --- % 4,41 % 8,47 % AISA 14,77 % 6,12 %,84 %,51 % 6,64 % 3,94 % 16,29 % --- % 2,7 % 3,67 % 4,39 % 3,37 % --- % 4,53 % 3,52 % % Tabulka 11: Relativní zastoupení tříd u klasifikátoru NN pro výřez západního alpínského bezlesí - srovnání APEX-AISA (ENVI, zdroj: autorka) 5.4 Shrnutí výsledků klasifikací Na základě studia literatury bylo předpokladem práce dosažení nejlepších výsledků pomocí klasifikátoru Neural Net či SVM. Toto bylo splněno, jelikož přesnost klasifikace Neural Net dosáhla přesnosti 96 % a Kappa koeficientu,95. Nejmenší přesnosti však bylo dosaženo pomocí klasifikátoru SVM. Přesnost záleží především na prostorovém a spektrálním rozlišení dat. Ačkoliv byl použit pro každou klasifikaci stejný trénovací a validační soubor, bylo jednotlivými algoritmy dosaženo rozdílných výsledků. Největších rozdílů bylo dosaženo v klasifikaci smrku a kosodřeviny, jejichž zastoupení se v jednotlivých klasifikacích pohybuje od,4 do 14 %, resp. od 6 do 39 %. Tyto dvě třídy byly také často zaměňovány, čím více bylo kosodřeviny, tím méně smrku a naopak. Nejvíce stabilní u klasifikací byla třída ploch bez vegetace, která byla téměř vždy bezpečně rozlišena, její zastoupení v obraze se pohybuje od 1 do 5 %. Třída vysokobylinných trávníků byla zastoupena vždy v podílu kolem 5 %, jen u SAM se vyskytuje na 16 % území. 79

80 Kapitola 6 : Výsledky a diskuze KAPITOLA 6 Diskuze Hlavním cílem této práce bylo navržení metody přesné klasifikace vybraných biotopů alpínského bezlesí v Krkonošském národním parku a zhodnocení její přesnosti, dále vytvoření mapy vegetačního pokryvu pro oblast alpínského bezlesí (tundry). Výstupem práce jsou mapy krkonošského alpínského bezlesí a porovnání výsledků získaných na základě několika klasifikačních algoritmů a dvou různých typů dat (APEX a AISA DUAL). Práce hodnotila jak západní tak částečně (vybranými metodami) i východní alpínské bezlesí. Místa východního alpínského bezlesí zahrnovala oblast kolem Luční boudy, pramenu Bílého Labe, Sněžky a Výrovky, zatímco oblast západní zahrnovala místa pramenu Labe, Labskou boudu, Vrbatovu boudu, Vysoké kolo, Violík a Sněžné jámy. Velikost západního území byla přibližně 13 km 2 a východního přibližně 23 km 2. Samotná alpínská oblast je pestrým ekosystémem, ve kterém můžeme najít mozaiku zapojených alpínských trávníků, klečové porosty, rašeliniště, vyfoukávané trávníky, karové svahy a skály. Jedná se o biotopy hostící řadu vzácných druhů rostlin a živočichů, z nichž některé jsou pro Krkonoše endemické (např. různé druhy jestřábníků), jiné zase ukazují příbuznost krkonošského bezlesí se severskou tundrou (Štursa, 213). V každém případě je alpínská vegetace považována za velmi citlivou na zvyšování teploty. Proto jsou tato společenstva pokládána za ideální ke studiu. Modelování a odhady dopadů globálního oteplování na horské systémy vyžaduje přesnou a podrobnou znalost vegetačního pokryvu, případně jeho změn. Proto se jeví jako vhodné využití metod DPZ, které umožňují opakovatelné a spolehlivé mapování rozsáhlých území. Charakter části biotopů nad horní hranicí lesa přitom skýtá relativně dobré možnosti pro přesnou 8

81 Kapitola 6 : Výsledky a diskuze klasifikaci s využitím dat DPZ. Jednotlivé kategorie jsou totiž poměrně dobře ohraničené a není zde tak tolik pozvolných gradientů jako v případě luk. Z těchto důvodů si předkládaná diplomová práce kladla za cíl co nejpřesněji vyklasifikovat rozložení jednotlivých alpínských druhů vegetace v naší části Krkonoš. Klasifikaci vegetace v zájmovém území Krkonoš se ve svých diplomových pracích věnují i Pomahačová (212), Dorič nebo Jelének (oba 213), tito se věnují převážně klasifikaci lučních společenstev, lučního managementu, resp. klasifikaci invazivních druhů. Pomahačová i Dorič používali data WorlView2. Pomohačová za použití klasifikátoru neuronových sítí dosáhla přesnosti kolem 75 %, Dorič se věnoval objektové klasifikaci a dosáhl přesnosti 58,95 %. Jelének za použití dat ze senzoru APEX dosáhl přesnosti 8 %. Tyto přesnosti můžeme porovnávat s přesností klasifikace obou typů dat použitých v práci. Data ze senzoru AISA s rozlišením 1 m/pixel a spektrálním rozlišením 494 pomocí klasifikace neuronových sítí dosáhla přesnosti 89 %. Na stejném výřezu dosáhla klasifikace dat ze senzoru APEX (2,64 m/pixel) přesnosti 64 %. V celém zájmovém území západního alpínského bezlesí pak data APEX dosáhla největší přesnosti pomocí klasifikátoru Neural Net, a to 96,24 %. K samotné klasifikaci vegetace byla použita hyperspektrální data ze dvou leteckých senzorů AISA DUAL a APEX. Hyperspektrální data rozšiřují možnosti oproti datům multispektrálním. Jejich použití je výhodné především z důvodu jejich velkého spektrálního rozlišení. Počet spektrálních pásem byl v případě dat APEXu 288, v případě AISY 494. Vzhledem k velikosti hyperspektrálních dat bývá nutné provést redukci dimenzionality z důvodu zašumění okrajových pásem. Toto se provádí pomocí MNF transformace, ze které nám vyjde graf počtu statisticky významných pásem. Ve výsledné klasifikaci tak většinou použijeme přibližně třetinu nasnímaných pásem. Tento postup byl použit i na data, která zpracovává předkládaná diplomová práce. Klasifikace jednotlivých druhů vegetace je poměrně náročným úkolem z důvodu velmi podobného spektrálního projevu jednotlivých druhů a společenstev. Nalezneme zde rozdíly například mezi kategoriemi kosodřeviny a smilky a mokřadu, naopak kategorie jako jsou kosodřevina a smrk se rozeznávají jen velmi ztěžka. Pro ještě přesnější odlišení některých kategorií by mohl být 81

82 Kapitola 6 : Výsledky a diskuze použit digitální výškový model terénu. Například pro odlišení smrků, kosodřeviny a travních společenstev nebo brusnicových keříčků, jelikož tyto kategorie vegetace se liší především svým vzrůstem. Další možností je nasbírání většího množství trénovacích množin, o což jsme se v průběhu terénních výjezdů snažili. Z výše zmíněných důvodů by bylo náročné splnit cíl pomocí tradičních metod klasifikace dat, jelikož tyto nemusí přesně vystihovat složitost ekosystémů a jejich různorodou strukturu (McMahan et al., 23). McMahan et al. (23) ve své práci zmiňují problematiku klasifikace při nedostatečně velkém prostorovém rozlišení dat, kdy se snažili klasifikovat vegetační složení na Upper River Snake Plain v jižním Idahu. Klasifikace zde dosáhly přesností menších než 5 % pomocí klasifikačního algoritmu Maximum likelihood. Na základě zjištěných dosavadních studií lze pro práci použít klasické klasifikační algoritmy (např. Minimum distance, Parallelpiped, Maximum likelihood či Mahalanobis distance), tak i metody vyvinuté speciálně pro hyperspektrální data. V práci byly porovnávány algoritmy pro HS data, a to SAM, SLU, SVM, NN a MESMA podle legendy sestavené ve spolupráci s botanikem KRNAP, která respektovala praktické požadavky botaniků Krkonošského národního parku. Jsou zde zahrnuty kategorie jako je kosodřevina, rašeliniště, vřesoviště, zapojené, vysokostébelné a vysokobylinné trávníky po plochy bez vegetace. V legendě nebyla zahrnuta místa ve stínu, která byla v datech rozeznatelná a která způsobovala mírné chyby u nějakých klasifikací. I přes to bylo nejvyšší přesnosti dosaženo pomocí klasifikace neuronových sítí (96 %, Kappa koeficient,95). Co se průběhu samotné Neural Net klasifikace týče, u dat s menším prostorovým rozlišením, jako jsou data APEX, hraje u tohoto klasifikátoru velkou roli počet pixelů u jednotlivých trénovacích kategorií. Pokud se například u jedné kategorie počet pixelů řádově liší, má klasifikátor tendenci přiřadit celý obraz k jedné třídě. V případě dat AISA, která mají prostorové a zejména spektrální rozlišení větší, nebyl tento problém tak zásadní. Velmi dobrých výsledků bylo dosaženo také s využitím klasifikátoru MESMA (86 %, Kappa koeficient,85). Tyto výsledky lze porovnávat s prací Müllerové (24), která klasifikovala subalpínskou vegetaci za použití MS dat pomocí neřízené (ISODATA) i řízené klasifikace (Maximum likelihood) a dosahovala přesností 63 %, resp. 78,8 %. Kromě celkové přesnosti klasifikace bylo v této práci výrazně lepších 82

83 Kapitola 6 : Výsledky a diskuze výsledků dosaženo i pro jednotlivé kategorie. Kategorie, které byly vyklasifikovány a byla určena jejich přesnost, můžeme porovnat s kategoriemi klasifikovanými v této práci. Klečové porosty přesnost 86 % - v této práci 96 %, smilkové traviny 84 % - zde 97 %, vysoké traviny a byliny 74 % - zde 94 %, cesty 79 % - zde 98 %, voda 8 % - zde 1 %, mokřady 62 % - zde 1 %. Alpínskou vegetací se dále zabýval i Wundram a Löffler (28) za použití klasifikátoru Maximum likelihood a ISODATA při celkových přesnostech 51%, resp. 65 %. Pokud se týká samotné práce s hyperspektrálními daty, jako největší nevýhodu lze uvést to, že práce s nimi je náročná z důvodu jejich značné velikosti, která klade značné nároky na hardware a je příčinou velké časové náročnosti výpočetních operací. Data APEX byla v tomto ohledu mírně schůdnější, jelikož velikosti jednoho snímku se pohybovala okolo 8 GB, naopak velikost jednoho snímku dat AISA DUAL se pohybovala okolo 25 GB. Hodnocení přesnosti všech klasifikací probíhalo pomocí nasbíraných validačních polygonů, byly tedy použity zcela jiné polygony než pro trénování, což je korektní postup, a výsledky hodnocení přesnosti lze tedy považovat za korektní. Velmi dobrých výsledků bylo dosaženo s využitím metod SAM a SLU. Dosažená celková přesnost těchto klasifikací je 99 %, Kappa koeficient,75, resp.,74 je až nestandardní. Ačkoliv Lumme (24), který ve své práci používal také klasifikátor SAM, dosáhl celkové přesnosti 91 %. Velmi dobře dopadlo hodnocení přesnosti ve většině klasifikací v případě kategorie smilkových trávníků (přesnost se pohybovala od 65 do 97 %), klečových porostů (56 96 %) a ploch bez vegetace (93 1 %), které jsou oproti vegetaci naprosto odlišné. Naopak s velmi různou přesností dopadla klasifikace kategorií vysokobylinných (35 94 %) a rašelinišť (35 94 %). Z dosažených výsledků i dle vizuální kontroly lze říci, že data s větším spektrálním rozlišením vedou k přesnějšímu výsledku a jsou pro klasifikaci různých kategorií vegetace vhodnější, jelikož v přírodě se vyskytuje vždy mozaika různých druhů společenstev a nikdy ne ohraničené a uzavřené oblasti. 83

84 Kapitola 7: Závěr KAPITOLA 7 Závěry Cílem diplomové práce bylo vytvořit metodiku podrobné klasifikace vegetačního pokryvu z hyperspektrálních leteckých dat senzorů APEX a AISA DUAL za účelem vytvoření podkladové mapy na žádost správy Krkonošského národního parku. Hlavním cílem práce bylo navrhnout klasifikační algoritmus, který bude dosahovat největších přesností. V práci byla použita data ze senzorů APEX a AISA DUAL. Tato data se lišila svým spektrálním i prostorovým rozlišením. Byly provedeny klasifikace s využitím obou typů zmíněných dat a byla porovnána přesnost jednotlivých klasifikačních algoritmů i přesnost obou druhů dat pro jeden vybraný klasifikační algoritmus. V celém zájmovém území, které čítalo cca 13 km 2 pro západní alpínské bezlesí a 23 km 2 pro východní alpínské bezlesí, bylo provedeno několik klasifikací. V území západního bezlesí to byly klasifikace SAM, SLU, SVM, NN a MESMA, v území východního bezlesí to byla klasifikace NN. Klasifikační legenda navržená ve spolupráci s botanikem KRNAP zahrnovala deset tříd včetně osmi podtříd, které vyčerpávajícím způsobem charakterizují krajinný pokryv dané oblasti. Pro splnění cílů práce bylo nutné vyřešit několik problémů při zpracovávání dat. Prvním úskalím práce byla obtížná manipulace s velkým objemem dat v případě obou typů dat, ať už jde o stahování, přípravu dat ke klasifikaci, či o samotné klasifikace. Dalším důležitým úkonem pro dosažení dobrých výsledků klasifikace byl správný výběr trénovacích množin, které, jak práce ukázala, do značné míry ovlivňují výsledky klasifikací. Proto pro korektní průběh klasifikací bylo zásadní nasbírat v terénu dostatečné množství trénovacích i validačních polygonů pro všechny zastoupené třídy, což se podařilo. Polygonů ve validačním souboru bylo přibližně dvakrát více než v souboru trénovacím. 84

85 Kapitola 7: Závěr Na data bylo s využitím signatur z terénu aplikováno pět klasifikačních algoritmů v případě dat APEX pro bezlesí západní a dále jeden algoritmus pro bezlesí východní a pro data AISA, a to ten, který dával nejlepší výsledky v případě bezlesí západního. Vstupní trénovací i validační soubor byl ve všech případech totožný, aby bylo možno porovnávat přesnost jednotlivých klasifikací. V hodnocení přesnosti byla posuzována dosažená přesnost klasifikace i procentuální zastoupení jednotlivých tříd. Dále byla na výřezu západního alpínského bezlesí porovnána přesnost klasifikace i zastoupení tříd v obraze pro oba dva typy vstupních dat data APEX a AISA DUAL. Nejlepší výsledek byl dosažen pomocí klasifikátoru neuronových sítí, v případě dat APEX pro západní alpínské bezlesí byla přesnost 96 %, pro východní alpínské bezlesí dosahoval klasifikátor přesnosti 87 %. Pro výřez v západním alpínském bezlesí a srovnání přesnosti dat s různým spektrální i prostorovým rozlišením byla přesnost pro data APEX 64 % a pro data AISA 9 %. Naopak s nejmenší přesností bylo území vyklasifikováno pomocí klasifikátoru SVM 57 %. Dosažené výsledky lze považovat za velmi dobré a potvrdil se tedy předpoklad, že hyperspektrální data mohou v případě vegetace tundry, kde jsou jednotlivé typy vegetace ostřeji ohraničené ve srovnání s vegetací luk, poskytnout velmi dobré klasifikační výsledky. Potvrdil se také předpoklad, že lepší spektrální a prostorové rozlišení vede k přesnějšímu výsledku klasifikace. Data senzoru AISA DUAL, která mají oproti datům senzoru APEX významně lepší prostorové i spektrální rozlišení, přinesla v případě klasifikace výřezu území východní tundry metodou neuronových sítí významné zlepšení celkové přesnosti klasifikace (9% oproti 64% v případě senzoru APEX). Výsledkem práce je vedle vyhodnocení nejpřesnějšího algoritmu klasifikace také mapa vegetačního pokryvu zájmového území. V práci se podařilo splnit cíl vytyčený na samém začátku práce, a to zlepšení přesnosti klasifikace vegetace alpínského bezlesí ve srovnání s údaji dostupnými v literatuře. Důležitým výstupem je také porovnání přesnosti klasifikace s využitím dat různého prostorového a spektrálního rozlišení. Výsledky práce budou předány správě KRNAP, která je využije při správě a ochraně nejcennějších partií Krkonoš. 85

86 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších SEZNAM ZDROJŮ 1. AISA 213. Hyperspektrální snímkování a tvorba map vegetace a map inventarizace lesních porostů technická zpráva za rok 213, KRNAP, 213, 19 s. 2. APEX 212. Airborne Prism EXperiment. APEX 212 September campaign HyMountEcos data delivery report, 212, 17 s. 3. APEX [214]. APEX - Airborne Prism Experiment. [online]. [cit ]. Dostupné z WWW: < 4. APPLICATION OF ADAPTIVE SYSTEMS [28]. [online]. [cit ]. Dostupné z WWW: < cations_of_adaptive_systems>. 5. ASRI [213]. Microsatellite Remote Sensing Asher Space Research Institute [online]. [cit ]. Dostupné z WWW: < microsatellite-remote-sensing/>. 6. BINAGHI, E; GALLO, I; BOSCHETTI, M; et al. 24. Image and signal processing for remote sensing. Conference on Image and Signal Processing for Remote Sensing, Barcelona, Spain Volume: Pages: Published: BOTANY [213]. BOTANY.cz - Zajímavosti ze světa rostlin. [online]. [cit ]. Dostupné z WWW: < 8. ČGS [212]. Obrazová spektroskopie - hyperspektrální dálkový průzkum Země. [online]. [cit ]. Dostupné z WWW: < 9. DOBROVOLNÝ, P Dálkový průzkum Země, Digitální zpracování obrazu. Brno: Přírodovědecká fakulta Masarykovy univerzity, Katedra geografie. 27 s. ISBN ENVI [214]. Linear Spectral Unmixing (Using ENVI). [online]. [cit ]. Dostupné z WWW: < html>. 86

87 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších 11. ENVI SOFTWARE [214]. ENVI Software - Image Analysis Software - LiDAR Data. [online]. [cit ]. Dostupné z WWW: < ProductsServices/ENVI/ENVI.aspx>. 12. FANG, J. et al Land cover classification and grassland biomass monitoring model in alpine pastoral area based on HJ-1A hyperspectal image [online]. Lanzhou, Lanzhou University, China. State key laboratory of grassland agroecosystems. Pratacultural science, vol. 3, No. 2, 2/ s. [cit ]. Dostupný z WWW: < >. 13. FILIPPI, A. M.; JENSEN, J. R. 25. Fuzzy learning vector quantization for hyperspectral coastal vegetation classification. USA, Remose Sensing of Environment 1 (26). s , 19 s. 14. GISAT [213]. Gisat základní pojmy. [online]. [cit ]. Dostupné z WWW: < zakladni-pojmy>. 15. HANUŠ ET AL Sborník ESRI konference konference GIS Esri v ČR. Proběhlo ve dnech ISBN HSIEH, P., LANDGREBE D Lowpass Filter For Increasing Class Separability [online]. Seattle, West Lafayette, Purdue University, School of Electrical & Computer Engineering. the International Geoscience and Remote Sensing Symposium, Seattle, WA. July s. [cit ]. Dostupný z WWW: < 17. CHYTRÝ, M. [ed.] (27 213): Vegetace České republiky 1 4. Academia, Praha. 18. CHYTRÝ, M., KUČERA, T., KOČÍ, M. 21. Katalog biotopů České republiky. Praha: AOPK ČR, 21. ISBN KAPLAN, V Inverzní postupy modelů radiativního transferu pro odhad biochemických a fyzikálních parametrů vegetace. Brno 211. Vedoucí práce: doc. RNDr. Petr Dobrovolný, CSc. Disertační práce, Přírodovědecká fakulta Masarykovy university v Brně. 19 s. 2. KAYITAKIRE, F., DEFOURNEY, P. 24. Forest type discrimination using multiangle hyperspectral data [online]. Belgium, Université Catholique de Louvain: Department of Environmental Sciences and Land Use Planning, 24. CHRIS/Proba Workshop, Italy, s. [cit ]. Dostupný z WWW: < int/workshops/chris_proba_4/papers/18_kayit.pdf >. 21. KOLÁŘ, J Dálkový průzkum Země. Praha: ČVUT Fakulta stavební. 171 s. ISBN

88 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších 22. KRÁL, K. 29 Classification of current vegetation cover and Alpine treeline ecotone in the Praděd Reserve (Czech Republic), using remote sensing. Mountain Research and Development, 29.2 (29): [cit ]. Dostupný z WWW: < 23. KRUCE ET AL in Lumme J. H. 24. Classification of vegetation and soil using imaging spectrometer data [online]. Helsinky, Finland, s. [cit ]. Dostupný z WWW: < comm7/papers /16.pdf> 24. KUBÁT, K. et al. [eds] (22): Klíč ke květeně České republiky. Academia, Praha. 25. LANTORA, J., VAŠKOVÁ, Z. [26]. Neuronové sítě v DPZ [online]. Fakulta životního prostředí, Univerzita J. E. Purkyně, Ústí nad Labem s. [cit ]. Dostupný z WWW: < Site.pdf >. 26. LILLESAND, T., M. et. al.: Remote Sensing and Image Interpretation. 5. vyd., John Willey & Sons, New York 24, 763 s. ISBN LUMME, J. H. 24. Classification of vegetation and soil using imaging spectrometer data [online]. Helsinky, Finland, s. [cit ]. Dostupný z WWW: < papers/16.pdf >. 28. MADER, S. [et al.]. 26. Crop classification with hyperspectral data of the HyMap sensor using different feature extraction techniques [online]. 2nd Workshop of the EARSeL SIG on Land Use and Land Cover, Bonn, 26. s [cit ]. Dostupný z WWW: < fb6/prof/fer/dateien/vohland/vohland_crop_class_96-11.pdf>. 29. MÁLKOVÁ, H. 21. Klasifikace land cover z hyperspektrálních dat v rekultivovaných oblastech Sokolovské hnědouhelné pánve. Praha 21. Vedoucí práce: Ing. Markéta Potůčková, PhD. Diplomová práce, Přírodovědecká fakulta UK v Praze. 79 s. 3. MCDOUGALL, K. L., WALSH N. G. 27. Treeless vegetation of the Australian Alps [online]. South Yarra, Victoria. Cunninghamia 1(1). 57 s. [cit ]. Dostupný z WWW: < ncjxjk44qej: data/assets/pdf_file/4/8563/c un111mcd.pdf+mullerov%c3%a1+classification+alpine+vegetation&cd=2 &hl=cs&ct=clnk&gl=cz>. 31. MCMAHAN, B.; WEBER, K. T.; SAUDER, J., 23. Fuzzy Classification of Heterogeneous Vegetation in a Complex Arid Ecosystem. Pocatello: Idaho State 88

89 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších University, 23. Dostupné z: < wildfire/pdf/ chapter7.pdf >. 32. MÜLLEROVÁ, J. 24. Use of digital aerial photography for sub-alpine vegetation mapping: A case study from the Krkonoše MTS., Czech Republic. Netherlands, Plant Ecology , 24. Institute of Botany, Academy of Science of the CR. 14 s. 33. PŘÍRODNÍ OBLASTI ZEMĚ [214]. [online]. [cit ]. Dostupné z WWW: < html/>. 34. REMOTE SENSING TUTORIAL [213]. [online]. [cit ]. Dostupné z WWW: < 35. ROBERTS, D., HALLIGAN, K., DENNISON, P., [27]. VIPER Tools User Manual. [online]. [cit ]. Dostupné z WWW: < 91 s., San Francisco, California, 9415, USA. 36. SCHÖLKOPF, B., SMOLA, A. Learning with Kernels: Support Vector Machines, Regularization, Optimization, and Beyond (Adaptive Computation and Machine Learning), MIT Press, Cambridge, MA, 22, ISBN ) 37. SILVESTRI, S., MARANI, M., MARANI, A. 23. Hyperspectral remote sensing of salt marsh vegetation,morphology and soil topography. Italy. Physics and Chemistry of the Earth 28 (23) s. 38. SPECIM [214]. [online]. [cit ]. Dostupné z WWW: < specim.fi/>. 39. SPECTRAL CAMERAS [214]. Multispectral and Hyperspectral Imaging Solutions from Channel Systems - Spectral Cameras. [online]. [cit ]. Dostupné z WWW: < 4. SPRÁVA KRKONOŠSKÉHO NÁRODNÍHO PARKU [21]. Vegetační výškové stupně Krkonoš [online]. [cit ]. Dostupné z WWW: < krnap.cz/ vegetacni-stupne/>. 41. SVM, 213. Support Vector Machines algoritmy podpůrných vektorů [online]. [cit ]. Dostupné z WWW: <is.muni.cz/el/1433/podzim26/ PA34/9_ SVM.pdf>. 42. ŠTURSA, J Alpínská vegetace nad horní hranicí lesa, [23]. [online]. [cit ]. Dostupné z WWW: < 89

90 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších 43. ŠTURSA, J Arktoalpínská tundra Krkonoš, [214]. Živa 4/213, str Academia. [online]. [cit ]. Dostupné z WWW: < avcr.cz /213-4/arktoalpinska-tundra-krkonos.html>. 44. TONG, Q. [et al.]. 24. Hyperspectral remote sensing technology and applications in China [online]. CHRIS/Proba Workshop, Italy, s. [cit ]. Dostupné z WWW: < _4/papers/39_ tong.pdf >. 45. USDA [21]. Hydrology and Remote Sensing Laboratory : Research [online]. [cit ]. Dostupné z WWW: < /docs.htm? docid=9124&pf=1&cg_id=>. 46. VALENT, T. 26. Dostupné spektrální knihovny a jejich využití v geologii. [online]. [cit ]. Dostupné z WWW: < GISacek_27/sbornik/valent_gisacek7.pdf>. 47. VESMÍR: MLHOVINY [213]. [online]. [cit ]. Dostupné z WWW: < mlhoviny>. 48. WIKIPEDIA, 213. Support Vector Machines [online]. [cit ]. Dostupné z WWW: < WUNDRAM, D.; LÖFFLER, J. 28. High resolution spatial analysis of mountain landscapes using a low altitude remote sensing approach. International Journal of Remote Sensing, 28, 29.4: [cit ]. Dostupný z WWW: < 5. ZANG, C. a XIE, Z., 212. Combining object-based texture measures with a neural network for vegetation mapping in the Everglades from hyperspectral imagery. Department of Geosciences, Florida Atlantic University. Remose Sensing of Environment 124 (212), s , 11 s. 9

91 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších SEZNAM PŘÍLOH Chybové matice: Příloha 1: Chybová matice klasifikace SAM pro západní alpínské bezlesí Příloha 2: Chybová matice klasifikace SLU pro západní alpínské bezlesí Příloha 3: Chybová matice klasifikace SVM pro západní alpínské bezlesí Příloha 4: Chybová matice klasifikace NN pro západní alpínské bezlesí Příloha 5: Chybová matice klasifikace MESMA pro západní alpínské bezlesí Příloha 6: Procentuální zastoupení tříd u jednotlivých klasifikací Příloha 7: Přesnost tříd u jednotlivých klasifikací Příloha 8: Chybová matice klasifikace NN pro východní alpínské bezlesí Příloha 9: Chybová matice klasifikace NN pro výřez západního alpínského bezlesí (APEX) Příloha 1: Chybová matice klasifikace NN pro výřez západního alpínského bezlesí (AISA) Mapové výstupy z dat APEX: Příloha 11: Mapa západního alpínského bezlesí klasifikace SAM Příloha 12: Mapa západního alpínského bezlesí klasifikace SLU Příloha 13: Mapa západního alpínského bezlesí klasifikace SVM Příloha 14: Mapa západního alpínského bezlesí klasifikace NN Příloha 15: Mapa západního alpínského bezlesí klasifikace MESMA Příloha 16: Mapa východního alpínského bezlesí klasifikace NN Mapové výstupy z dat APEX a AISA: Příloha 17: Srovnání klasifikací AISA APEX, výřez západního alpínského bezlesí Příloha 18: Obsah přiloženého CD Volně vložené přílohy: Výsledná mapa západního alpínského bezlesí klasifikace NN Výsledná mapa východního alpínského bezlesí klasifikace NN 91

92 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 1: SAM Class Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) smrk /69 6/128 za hranicí / /3384 cesta /59 31/93 kamenná pole / /135 voda /34 6/7 kosodřevina /992 56/586 smilka / /192 bezkolenec /16 39/125 mokřad /29 48/5 třtina /49 3/34 vřesoviště /28 169/262 brusnice /87 17/32 vysokobylinné /116 66/442 mokřad-ostatní /37 1/19 brusnice /18 9/99 metlička /38 12/85 metlice /9 24/88 dvouděložné /9 7/81 SAM smrk za hranicí cesta kamenná pole voda kosodřevina smilka bezkolen rašeliniště neklas smrk za hranicí cesta kamenná pole 134 voda 6 1 kosodřevina smilka bezkolenec rašeliniště 1 48 třtina vřes brusnice vysokobylinné mokřad ostatní brusnice metlička metlice dvouděložné Total třtina vřes brusnice vysokobylinné mokřad ostatní brusnice metlička metlice dvouděložtotal neklas smrk za hranicí 3384 cesta kamenná pole voda 7 kosodřevina smilka bezkolenec rašeliniště 1 5 třtina vřes brusnice vysokobylinné mokřad ostatní brusnice metlička metlice dvouděložné Total Tabulka 12: Confusion matrix pro klasifikaci západního alpínského bezlesí, SAM (ENVI, zdroj: autorka) 92

93 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 2: SLU Class Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) za hranicí / /33839 kosodřevina /148 38/59 smilka /85 56/82 rašeliniště /119 43/91 třtina /19 2/26 vřes /66 47/83 metlička /14 4/4 bezkolenec /32 9/37 vysokobylinné /65 23/74 mokřad ostatní.. /18 /45 brusnice /46 27/82 dvouděložné /4 6/25 voda /85 61/71 smrk /1 2/64 bez vegetace / /128 metlice /42 2/19 SLU za hranicí kosodřevina smilka rašeliniště třtina vřes metlička bezkolenec za hranicí kosodřevina smilka rašeliniště třtina vřes metlička bezkolenec vysokobylinné mokřad-ostatní brusnice dvouděložné 2 2 vodní plocha 5 4 smrk bez vegetace metlice 8 2 Total vysokobylinnmokřad-ostatnbrusnic dvouděložné voda smrk bez vegetametlice Total za hranicí kosodřevina smilka rašeliniště třtina vřes metlička bezkolenec vysokobylinné mokřad-ostatní brusnice dvouděložné vodní plocha smrk bez vegetace metlice Total Tabulka 13: Confusion matrix pro klasifikaci západního alpínského bezlesí, SLU (ENVI, zdroj: autorka) 93

94 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 3: SVM Class Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) metlice /48 17/7 smilka /129 1/12 metlička /24 2/13 bezkolenec /74 14/32 dvouděložné /49 2/63 brusnice /59 28/64 vřes /13 52/62 třtina /28 3/37 rašeliniště /151 7/121 vysokobylinné /4 22/89 mokřad-ostatní /19 3/47 voda /72 63/17 kosodřevina / /26 smrk.. /15 /5 bez vegetace / /176 SVM metlice smilka metlička bezkolenec dvouděložné brusnice vřes třtina metlice smilka metlička bezkolenec dvouděložné brusnice vřes třtina rašeliniště vysokobylinné mokřad-ostatní voda 1 kosodřevina smrk 1 bez vegetace 1 Total rašeliniště vysokobylinné mokřad-ostatní voda kosodřevina smrk bez vegetace Total metlice smilka metlička bezkolenec dvouděložné brusnice vřes třtina rašeliniště vysokobylinné mokřad-ostatní voda kosodřevina smrk 4 5 bez vegetace Tabulka 14: Confusion matrix pro klasifikaci západního alpínského bezlesí, SVM (ENVI, zdroj: autorka) 94

95 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 4: NN Class Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) smilka /216 21/232 bezkolenec /16 11/19 mokřad /29 267/284 třtina /49 48/5 dvouděložné /9 86/89 vřes /28 199/199 brusnice /15 14/15 vysokobylinné /116 19/121 mokřad-ost /37 37/37 smrk /69 67/75 cesta /59 58/59 kamenná pole / /135 metlička /38 38/38 metlice /9 88/95 vodní plocha /34 34/34 kosodřevina / /971 NN smilka bezkolenec rašeliniště třtina dvouděložné vřes brusnice vysokobylinné smilka bezkolenec rašeliniště třtina dvouděložné vřes 199 brusnice 14 vysokobylinné mokřad-ostatní smrk 1 cesta kamenná pole 1 metlička metlice voda kosodřevina Total mokřad-ostatní smrk cesta kamenná pole metlička metlice voda kosodřevina Total smilka bezkolenec rašeliniště třtina 5 dvouděložné 89 vřes 199 brusnice 1 15 vysokobylinné mokřad-ostatní smrk cesta kamenná pole metlička metlice voda kosodřevina Tabulka 15: Confusion matrix pro klasifikaci západního alpínského bezlesí, NN (ENVI, zdroj: autorka) 95

96 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 5: MESMA Class Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) Smilka / /135 bezkolenec /73 65/76 třtina /28 2/33 mokřad-ostatní /19 18/21 smrk /15 1/2 metlička /24 23/28 metlice /48 44/52 kosodřevina / /283 dvouděložn /49 43/51 brusnice /59 51/58 vřes /13 87/87 mokřad / /177 vysokobylinné /48 4/49 vodní plocha /72 28/28 kamenná pole / /176 MESMA smilka bezkolenetřtina mokřad-ossmrk metlička metlice kosodřevi smilka bezkolenec třtina mokřad-ostatní 18 1 smrk metlička metlice kosodřevina dvouděložné 1 1 brusnice 5 1 vřes rašeliniště vysokobylinné 1 2 voda kamenná pole Total dvouděložbrusnice vřes rašelinišvysokobylvoda kamenná ptotal smilka bezkolenec třtina mokřad-ostatní smrk metlička 1 28 metlice kosodřevina dvouděložné brusnice vřes rašeliniště vysokobylinné voda kamenná pole Tabulka 16: Confusion matrix pro klasifikaci západního alpínského bezlesí, MESMA (ENVI, zdroj: autorka) 96

97 Příloha 6: Relativní Relativní Relativní Relativní Relativní zastoupení třídy zastoupení třídy zastoupení třídy zastoupení třídy zastoupení třídy klasifikátor SAM klasifikátor SLU klasifikátor SVM klasifikátor NN klasifikátor MESMA [%] [%] [%] [%] [%] 15,89,89 6,24 13,44 23,41 18,68 39,39 15,47 35,95 1,2 1,1 9,68 5,65,1 1,7 Vodní plochy,3 2,91 8,53,1 Alpínská vřesoviště 6,43 11,8 2,8 4,28 3,86 Subalp. brusnicová vegetace 5,34 9,65 5,6 3,54 2,93 Alpínské trávníky zapojené smilka 7,57 1,6 7,24 11,76 9,37 5,2 6,3 1,5,2 1,33 4,92 1,34 3,25 3,32 2,8 1,55 4,74 5,23 1,9 7,38 - bezkolenec 2,23 3,34 1,37 4,9 3,59 - metlice 7,84 2,5 5,61 3,2 3,26 Subalpínské vysokobylinné trávníky 16,46 3,94 7,75 5,53 5,55 Cesty, kamenná pole 5,5 1,4 3 4,12 4,53 Smrk 4,55 14,9,84 4,26 8,34 Neklasifikováno 6,23 Klasifikovaná třída Kosodřevina Mokřad rašeliniště - ostatní - metlička - druhově bohaté porosty (dvouděložné) Subalp. vysokostébelné trávníky třtina Tabulka 17: Procentuální zastoupení tříd u jednotlivých klasifikací (zdroj: autorka) 97

98 Příloha 7: Přesnost Přesnost Přesnost Přesnost Přesnost klasifikace klasifikace klasifikace klasifikace klasifikace klasifikátor SAM klasifikátor SLU klasifikátor SVM klasifikátor NN klasifikátor MESMA [%] [%] [%] [%] [%] 56,45 16,55 25,68 36,13 55,87 46,36 96,17 92,7 9,39 87,42 2,7 15, ,74 Vodní plochy 17,65 71,76 87,5 1 38,89 Alpínská vřesoviště 81,25 71,21 5,49 95,67 84,47 Subalp. brusnicová vegetace 19,54 58,7 47,46 99,5 86,44 Alpínské trávníky zapojené smilka 75,83 65,88 77,52 97,22 92,25 31,58 28,57 8, ,83 7, ,82 95,56 87,76 6,12 1,53 1,71 97,96 71,43 - bezkolenec 36,79 28,13 18,92 95,28 89,4 - metlice 26,67 4,76 35,42 97,78 91,67 56,9 35,38 45,83 93,97 83,33 Cesty, kamenná pole 1 93, Smrk 8,7 2 97,1 6,67 Klasifikovaná třída Kosodřevina Mokřad rašeliniště - ostatní - metlička - druhově bohaté porosty (dvouděložné) Subalp. vysokostébelné trávníky třtina Subalpínské vysokobylinné trávníky Tabulka 18: Přesnost tříd u jednotlivých klasifikací (zdroj: autorka) 98

99 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 8: Východ Class Prod. Acc. User Acc. Prod. Acc. User Acc. (Percent) (Percent) (Pixels) (Pixels) brusnice /5 47/59 metlička /14 89/139 smilka /31 221/264 bezkolenec /71 61/87 dvouděložné /12 91/113 vřes / /198 třtina / /149 metlice / /159 mokřad-ost /29 29/33 rašeliniště /22 184/195 kosodřevina / /464 bez vegetace /45 376/399 Východ brusnice metlička smilka bezkolenec dvouděložné vřes třtina metlice mokřad-ostatní rašeliniště kosodřevina bez vegetace Total brusnice metlička smilka bezkolenec dvouděložné vřes třtina metlice mokřad-ostatní rašeliniště kosodřevina bez vegetace Total Tabulka 19: Confusion matrix pro klasifikaci východního alpínského bezlesí (ENVI, zdroj: autorka) 99

100 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 9: Srovnání APEX Class rašeliniště smilka subalpínská bezkolenec dvouděložné alp. vřesoviště mokřad-ostatní vodní ploch kosodřevina bez vegetace smrk třtina metlice Výřez rašeliniště smilka brusnice bezkolenec dvouděložné vřes mokřad-ostatní voda kosodřevina bez vegetace smrk třtina metlice total Prod. Acc. (Percent) User Acc. (Percent) Prod. Acc. (Pixels) 27/57 57/63 1/11 11/16 6/9 28/56 5/5 17/23 6/13 127/ /399 4/1 14/3 User Acc. (Pixels) 27/66 57/61 1/5 11/56 6/9 28/51 5/21 17/68 6/ / /237 4/19 14/15 rašel. smilka brusnice bezkol. dvouděl. vřes mokř.-ost. voda kosodř. bez veget. smrk třtina metl. total Tabulka 2: Confusion matrix pro klasifikaci výřezu západního alpínského bezlesí, NN (ENVI, zdroj: autorka) 1

101 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 1: Srovnání AISA Class Prod. Acc. (Percent) Smrk 1. rašeliniště smilka 99.9 třtina brusnice bezkolenec dvouděložné 9.57 vřesoviště metlice 7.67 mokřad-ostatní vodní plochy kosodřevina bez vegetace 1. Výřez smrk rašeliniště smilka třtina brusnice bezkolenec dvouděložné vřesoviště metlice mokřad ostatní vodní plocha kosodřevina bez vegetace total User Acc. (Percent) Prod. Acc. (Pixels) 316/316 39/ /439 54/66 62/65 88/17 48/53 37/ /28 2/29 16/ / /911 User Acc. (Pixels) 316/441 39/ /468 54/94 62/7 88/97 48/48 37/ /167 2/32 16/ / /911 smrk rašeliniště smilka třtina brusnice bezkolenec dvouděložné vřesoviště metlice mokřad ostatní vodní kosodřevina plochabez vegetace total Tabulka 21: Confusion matrix pro klasifikaci výřezu západního alpínského bezlesí, NN (ENVI, zdroj: autorka) 11

102 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 11: Obrázek 5: Mapa západního alpínského bezlesí klasifikace SAM 12

103 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 12: Obrázek 51: Mapa západního alpínského bezlesí klasifikace SLU 13

104 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 13: Obrázek 52: Mapa západního alpínského bezlesí klasifikace SVM 14

105 Martina Andrštová: Využití hyperspektrálních dat ke klasifikaci vegetace alpínského bezlesí v Krkonoších Příloha 14: Obrázek 53: Mapa západního alpínského bezlesí klasifikace NN 15