HODNOCENÍ LESNÍ VEGETACE NP ŠUMAVA POMOCÍ DAT DÁLKOVÉHO PRŮZKUMU ZEMĚ

Transkript

1 UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie Studijní program: Geografie (bakalářské studium) Studijní obor: Geografie - kartografie Petra KOLEŠOVÁ HODNOCENÍ LESNÍ VEGETACE NP ŠUMAVA POMOCÍ DAT DÁLKOVÉHO PRŮZKUMU ZEMĚ EVALUATION OF FOREST VEGETATION IN NATIONAL PARK ŠUMAVA BY USING REMOTE SENSING DATA Bakalářská práce Vedoucí diplomové práce: RNDr. Přemysl Štych, Ph.D. Praha 2011

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

3 Poděkování Na tomto místě bych v prvé řadě poděkovala svému vedoucímu bakalářské práce RNDr. Přemyslu Štychovi, Ph.D., za pomoc při tvorbě práce, za cenné rady, zkušenosti a kritiku. Dále bych poděkovala své rodině, která mě po celou dobu studia finančně i psychicky podporovala a také spoluţákům, kteří mi při tvorbě samotné práce také velmi pomohli a podporovali.

4 HODNOCENÍ LESNÍ VEGETACE NP ŠUMAVA POMOCÍ DAT DÁLKOVÉHO PRŮZKUMU ZEMĚ Abstrakt: Cílem této práce je zhodnocení změn lesního krajinného pokryvu v NP Šumava. Bude zde zachycen zdravotní stav, druhové sloţení a proměny krajinných typů v průběhu let pomocí druţicových snímků s vysokým a velmi vysokým rozlišením. Pouţité snímky jsou pořízeny mezi lety V rešeršní části se pomocí odborné literatury podrobně rozebírá všeobecný význam DPZ a DPZ v lesnictví. Nachází se zde základní charakteristika NP Šumava a problémy s lýkoţroutem smrkovým. Dále jsou zde teoreticky popsány metody, které se v této práci uţívají. Například klasifikace, prahování nebo metoda vegetačního indexu NDVI a LAI. Pro rozlišení zdravých a nakaţených stromů se pouţila metoda vegetačních indexů a pomocí klasifikace bylo odlišeno druhové sloţení lesů. V praktické části je popsán podrobný postup klasifikace a tvorby vegetačních indexů. V závěru jsou zhodnoceny a diskutovány dosaţené výsledky, které jsou porovnány s odbornou literaturou. Klíčová slova: Dálkový průzkum Země, lesy, klasifikace, vegetační index, lýkožrout smrkový, Národní park Šumava EVALUATION OF FOREST VEGETATION IN NATIONAL PARK ŠUMAVA BY USING REMOTE SENSING DATA Abstract: The goal of this work was to evaluate the changes of forest land cover in NP Šumava. It include health, species specification and also the evaluation of the landscape type changes per time by using satellite high- and very-high resolution screening between In background research, the importance of remote-land-search in general and specially in forestry was analysed. Furter more, the theoretical background for used methods was described, f.e. classification, "tresholding" or the NDVI and LAI vegetation index Metod. The last one was used for tree healthiness detection and different forest species composition was classified. In practical part the detailed procedure of classification and the creation of the vegetation indexes has been described. In epilogue the achieved result were evaluated, discussed and compared with subject publications. Key Words: Repote Sensing, Forests, Classification, Vegetation Index, Spruce Bark Beetle, National Park Šumava

5 OBSAH SEZNAM POUŢITÝCH ZKRATEK... 7 SEZNAM TABULEK... 8 SEZNAM OBRÁZKŮ ÚVOD REŠERŠE LITERATURY A ÚVOD DO PROBLEMATIKY DÁLKOVÝ PRŮZKUM ZEMĚ Definice DPZ Účely DPZ Vybrané zdroje druţicových dat Vyuţití DPZ v lesnictví ELEKTROMAGNETICKÉ ZÁŘENÍ Elektromagnetické spektrum a vznik záření Spektrální odrazivost Zářivé vlastnosti vegetačního krytu Zářivé vlastnosti ostatních povrchů Vegetační indexy LETECKÉ SNÍMKOVÁNÍ STRUČNÁ CHARAKTERISTIKA NP ŠUMAVA ZÁKLADNÍ INFORMACE LESY V NP ŠUMAVA Lýkoţrout smrkový na Šumavě ZPRACOVÁNÍ DRUŢICOVÝCH DAT PŘEHLED VYBRANNÝCH DRUŢICOVÝCH DAT Landsat Spot WorldView REKTIFIKACE Geometrická korekce Radiometrická korekce ZVÝRAZNĚNÍ OBRAZU Úprava histogramu Barevné zvýraznění Filtrace KLASIFIKACE OBRAZU

6 4.4.1 Řízená klasifikace Neřízená klasifikace DATA A METODIKA PŘEDZPRACOVÁNÍ DAT Snímky Landsat Snímky Spot Snímky WorldView Softwary PCI Geomatica, ARCGIS ZPRACOVÁNÍ DAT Zpracování snímků SPOT Klasifikační systém Klasifikace snímků Postklasifikační úpravy Prahování snímku WorldView Výpočet vegetačních indexů NDVI a LAI VÝSLEDKY VYHODNOCENÍ PŘESNOSTI KLASIFIKACÍ ZMĚNY LAND COVER HODNOCENÍ STAVU LESNÍ VEGETACE DISKUZE ZÁVĚR SEZNAM POUŢITÝCH ZDROJŮ INFORMACÍ SEZNAM PŘÍLOH PŘÍLOHY

7 SEZNAM POUŢITÝCH ZKRATEK AATSR - Advanced Along Track Scanning Radiometer ASAR - Advanced Synthetic Aperture Radar BLUE Odrazivost v modrém viditelném světle BP Bakalářská práce DORIS - Digital Oblique Remote Ionospheric Sensing DPZ Dálkový průzkum Země ESA European Space Agency Evropská vesmírná agentura ESRI - Economic and Social Research Institute Hospodářský a sociálně výzkumný ústav ETM+ - Enhanced Thematic Mapper Plus GCP Ground Control Points GOMOS - Global Ozone Monitoring by Occultation of Stars GPS Global Positioning Systém Globální polohový systém GREEN Odrazivost v zeleném viditelném světle CHKO Chráněná krajinná oblast IMU Inertial measurement unit Inerciální měřící jednotka LAI Leaf Area Index Index listové plochy MERIS Medium Resolution Imaging Spectrometer MSS Multi-Spectral Scanner Multispektrální skener NASA National Aeronautic and Space Administration Národní letecká a vesmírná správa NDVI Normalized Difference Vegetation Index Normovaný poměrový vegetační index NIR Near Infrared Radiation blízké infračervené záření NP Národní park RBV - Return Beam Vidicon RED Odrazivost v červeném viditelném světle RVI Ratio Vegetation Index Poměrový vegetační index SWIR Short Wave Infrared Radiation krátkovlnné infračervené záření TC Tasseled Capp TM Thematic Mapper TVI Transformed Vegetation Index Transformovaný vegetační index USGS U.S. Geological Survey Geologický výzkum Spojených států YELLOW Odrazivost v ţlutém viditelném světle 7

8 SEZNAM TABULEK A OBRÁZKŮ Obr. 1 Elektromagnetické spektrum Obr. 2 Spektrální chování objektů Obr. 3 Pásma Tasseled Cap Tab. 1 Hodnoty NDVI pro jednotlivé typy povrchů Obr. 4 Poloha NP Šumava v ČR Tab. 2 Základní charakteristiky snímků Landsat Tab. 3 Polohy vlícovacích bodů Tab. 4 Základní charakteristiky snímků Spot Tab. 5 Vybrané třídy Land Cover Tab. 6 Přesnost klasifikací snímků Tab. 7 Rozloha a podíl ploch v NP Šumava Tab. 8 Rozloha a podíl jednotlivých tříd land cover v NP Šumava Tab. 9 Rozloha a podíl ploch v NP Šumava Tab 10 Rozloha změn land cover v NP Šumava Obr 5 Porovnání výsledků NDVI na výřezu území NP Šumava Obr 6 Porovnání výsledků LAI na výřezu území NP Šumava

9 KAPITOLA 1 Úvod Lesní vegetace je jedna z nejdůleţitějších krajinných pokryvů na Zemi. V České republice zaujímají lesy cca 33,5 % celkové rozlohy, zatímco před tisíci lety bylo jimi pokryto téměř celé území ČR. Za tyto převratné změny můţe největší predátor na Zemi člověk. Hlavním motivem vytvoření této práce byla neustálá diskuze ohledně změn pokryvu v Národním parku Šumava. Vlivem přemnoţení lýkoţrouta smrkového došlo od 80. letech 20. století k veliké expanzi z Bavorského lesa na Šumavu a k napadávání zdravých stromů. Vysázením monokulturních smrčin po celé ploše NP Šumava byla většina listnatých lesů vymícena a jen na málo místech se vyskytují tyto druhy. Hlavním cílem této práce je zhodnotit změny a zdravotní stav lesních ploch na Šumavě. Zdravotní stav lesů bude zkoumán pomocí vybraných vegetačních indexů a druhové sloţení pomocí klasifikace druţicových dat. Budou rozlišeny lesy listnaté, jehličnaté a smíšené. K tomuto zpracování budou pouţity snímky pořízené mezi lety 1995 aţ Snímky s vysokým rozlišením byly pořízeny z druţic Spot a Landsat a s velmi vysokým rozlišením z druţice WorldView 2. Před samotným zpracováním snímků bude podrobně rozebrána česká i zahraniční odborná literatura, která se týká DPZ. Abychom byli schopni porozumět práci s druţicovými snímky, je nutné si osvojit informace o dálkovém průzkumu. Budou zde uvedeny základní informace o DPZ a o metodách jejich zpracování. Bude zde detailně popsána klasifikace krajinného pokryvu, která bude pouţita v praktické části. Hypotézou této práce je, ţe od 80. let 20. století, kdy se kůrovec rozšířil, dochází k neustálým úbytkům lesních ploch a zdravých stromů i přes všechny snahy Správy NP a ochránců přírody. Dále se očekává, ţe NP Šumava je pokryt jehličnatými lesy, zatímco listnaté a smíšené lesy se budou vyskytovat pouze vzácně. A posledním předpokladem je, ţe snímky vysokého a velmi vysokého rozlišení jsou vhodné k hodnocení lesní vegetace v NP Šumava. 9

10 KAPITOLA 2 2 Rešerše literatury a úvod do problematiky 2.1 DÁLKOVÝ PRŮZKUM ZEMĚ O dálkovém průzkumu se ví uţ od dob vzniku starověkých civilizací. S příchodem vyspělejších kultur se začala mapovat krajina a její okolí. Nejdříve se území sledovalo z vyvýšených míst, jako jsou kopce, skály nebo také vysoké stromy. Moderní dálkový průzkum Země vznikl aţ v 19. století, kdy se začaly vyuţívat letecké dopravní prostředky. V polovině 20. století vznikly nové moderní technologie. V té době se rozmohla produkce umělých satelitů a došlo i k rozvoji dálkového průzkumu Země, který zaznamenal rozsáhlý boom v civilní, vojenské i vědecké oblasti Definice DPZ Dálkovému průzkumu se věnují většinou jen odborníci, kteří vystudovali technický obor na vysoké škole. Řada z nich napsala studijní materiály nebo knihy, které se zabývají problematikou dálkového průzkumu. Někteří vytvořili definice dálkového průzkumu Země, které se od sebe značně liší, ale většinou mají společný základ. Ty nejznámější jsou uvedeny v následujících řádcích: Dálkový průzkum může být definován jako zjištění, rozpoznání nebo zhodnocení předmětů prostředky snímajícími na dálku, anebo záznamovými zařízeními. (Avery, 1977 cit. In Čapek, 1987) Dálkový průzkum jsou letecké a družicové snímkovací způsoby využívající ultrafialového, viditelného, infračerveného a mikrovlnného záření, vyzařovaného nebo odráženého zemským povrchem. (Gregory, 1971 cit. In Čapek, 1987) Pod pojmem dálkový průzkum se rozumí zprostředkování informací ze vzdálených objektů, aniž se s nimi přijde do přímého styku. Nositeli informací jsou silová pole, signály jsou zachycovány senzory. (Gierloff-Emden, 1974 cit. In Čapek, 1987) Dálkový průzkum je souhrnem metod, umožňujících určit povahu nebo stav objektů a jevů a jejich vzájemnou závislost na prostředí na základě registrace energie záření studovaných předmětů a vlastní interpretace záznamu tohoto záření. (Światkiewicz, 1978 cit. In Čapek, 1987) 10

11 Jako výstiţná definice se jeví: Dálkový průzkum může být definován jako shromažďování informací o objektech bez fyzického kontaktu s nimi. Letadla a družice jsou běžnými nosiči, ze kterých se měření na dálku provádějí. Termín dálkový průzkum je omezen na metody, které využívají elektromagnetické záření jako prostředku ke zjišťování objektů a k měření jejich charakteristik. (Sabins, 1978) Pro geografické vyuţití je nejvhodnější definicí, kde se dálkový průzkum bere jako získávání informací o zemském povrchu na dálku pomocí snímacích zařízení, umístěných obvykle v letadlech nebo družicích. Zahrnuje jednak samostatné snímání, jednak vyhodnocování pořízených záznamů. (Čapek, 1987) Všichni autoři se shodují v tom, ţe dálkový průzkum je zjišťování informací o určitých objektech na dálku bez fyzického kontaktu. Kaţdá země vnímá dálkový průzkum trošku jiným způsobem. V USA se ujalo pojetí, ţe dálkový průzkum je technický obor, zabývající se nejen snímkováním, ale i vývojem a konstrukcí snímkovacích zařízení. (Čapek, 1987) Z geografického hlediska by bylo nejvhodnější pojetí, které se vztahuje k povrchu Země: Do pojmu dálkový průzkum je zahrnuto nejen snímkování, ale také interpretace snímků. (Paul, 1973 cit. In Čapek, 1987) Zatímco u nás se do dálkového průzkumu zahrnují i ty snímací techniky, kde vzniká obraz nepřímo pomocí tzv. řádkujícího zařízení. (Čapek, 1987) Účely DPZ Dálkový průzkum Země se aplikuje v mnoha odlišných oblastech. Jeden snímek můţe být vyuţit jak pro vědecké účely, tak v zemědělství nebo v dopravě. Pomocí dálkového průzkumu se rozvinula řada humanitních, technických i přírodních oborů. V oblasti geografie se snímky vyuţívají k tvorbě tématických či topografických map, v lesnictví k určování zdravotního či druhového sloţení lesa, dále v zemědělství, meteorologii, geologii, průmyslu, oceánografii, ekologii a dopravě. Největší vyuţití v hydrologii se naskýtá v určování znečištění vodních toků, moří a oceánů nebo při sledování stavu povodní. V geologii a geomorfologii se sleduje pochod geologických zlomů a sesuvů. Vyuţití snímků tkví v pouţití pro mapové podklady či podklady pro terénní práci. Příprava spočívá v předběžné fotointerpretaci, která určí, které části terénu se budou mapovat. Zároveň se zjistí podle dopravní a říční sítě dostupnost terénu, vyhledají se místa zvláštního zájmu a naplánují trasy. (Čapek, 1987). 11

12 2.1.3 Vybrané zdroje druţicových dat Druţicová data jsou dnes mnohem více vyuţívána, neţ tomu bylo před padesáti lety. Pořizují se pro komerční i vědecké účely. Rozvoj druţicové technologie jde neustále dopředu. Rychlost zpracování dat a lepší dostupnost k uţivateli jsou tím pravým důkazem. Data také poskytují rychlejší a levnější informaci o zemském povrchu neţ jakýkoliv pozemní průzkum nebo letecké mapování. Druţicové snímky zachycují území o velké rozloze, které se vyuţívají k řešení přírodních katastrof (povodně, lesní požáry, únik chemikálií do vody či do půdy, lavinové nebezpečí apod.), ale i v ochraně životního prostředí (mapování poškození lesa, druhové skladby vegetace, mokřadů aj.), v hospodářství (monitorování zemědělských plodin, mapování důlní činnosti, těžby dřeva apod.) a v dalších oborech (mapování geologické struktury, sledování změn v území aj.). Velice často jsou snímky užívány pro získání přehledu o typu zemského povrchu (landcover). Tato informace je nepostradatelná při řešení projektů zaměřených na erozi půdy, potenciální znečištění vodních zdrojů, revitalizaci území apod. (ARCDATA Praha, 2011) Mezi nejznámější druţice patří Spot, Envisat, Landsat, Qiuickbird a Geoeye-1. Základní charakteristika jednotlivých druţic bude popsána v následujících řádcích. Hlavním distributorem snímků SPOT je firma Spotimage, která nabízí upravené i neupravené snímky. V roce 1986 byla tato francouzská druţice vypuštěna na oběţnou dráhu Země. Dnes se získávají snímky pouze z druţic Spot 4 a Spot 5. Patří mezi jednu z nejznámějších druţic s vysokým rozlišením, která zaznamenává data ze dvou pásem viditelného záření (červené a zelené) a ze dvou pásem infračerveného záření (ARCDATA Praha, 2011). Druţice Envisat byla vypuštěna Evropskou kosmickou agenturou (ESA) 1. března 2002, která poskytuje měření oceánů, půdy, ledu a atmosféry. Slouţí převáţně k poskytování informací o přírodních jevech na Zemi. Envisat je vybaven několika speciálními senzory: ASAR, GOMOS, AATSR, MERIS, DORIS a dalšími. Například senzor ASAR (Advanced Synthetic Aperture Radar) slouţí ke zjišťování geologických, hydrologických i vegetačních charakteristik (ARCDATA Praha, 2011). Data z druţice LANDSAT jsou zpravována americkou společností NASA (National Aeronautice and Space Administration) a jsou k dispozici od roku 1972, kdy byl vypuštěn první satelit. Na oběţnou dráhu bylo zatím vypuštěno 7 satelitů typu Landsat. První tři druţice Landsat se nazývají druţice první generace, které byly vybaveny dvěma senzory RBV (Return Beam Vidicon) a mulitspektrálním skenerem MSS (Kolář, 2008). Landsat 4 byl vybaven jiţ pokročilejším senzorem TM (Thematic Mapper) a Landsat 7 senzorem ETM+, který umoţňuje dodávat data v panchromatickém spektru (ARCDATA Praha, 2011). Snímky druţice Landsat jsou od února 2009 zdarma dostupná na internetových stránkách USGS, kde jsou zahrnuta data archivní i nově nasnímaná, která se dotýkají přímo naší republiky 12

13 (ARCDATA Praha, 2011). V praktické části se bude pracovat se snímky Landsat získanými ze stránek USGS. Dne 18. října 2001 byla vypuštěna druţice QUICKBIRD na oběţnou dráhu do výšky 450 km. Patří společnosti DigitalGlobe, ale postavily ji firmy Ball Aerospace & Technologies Corp., Kodak a Fokker Space. Váţí necelou 1 tunu, je dlouhá 3 metry a má velmi vysoké rozlišení (Kolář, 2008). Rozlišovací schopnost 60 pixelů je největší mezi civilními druţicemi. Další její předností je, ţe se můţe natáčet jak v rovině letu, tak i napříč dráhou aţ o 25 stupňů. Je vhodná pro tvorbu map malých měřítek (aţ 1:5000), vytváření 3D modelů měst, urbanismus atd (Kolář, 2008). GEOEYE-1 byla vynesena na oběţnou dráhu 6. září 2008 a provozuje ji americká firma Geoeye. Tato druţice je vhodná při sledování přírodních katastrof, protoţe snímá stejné místo na Zemi kaţdé tři dny. Dále mohou být vyuţity k podrobnému mapování zemědělství, růstu zástavby a územnímu plánování. Zajímavostí je, ţe druţice GeoEye-1 má velmi vysokou přesnost (aţ 3 m) a rozlišovací schopnost, kdy mohou být odlišeny jednotlivé lidské postavy (ARCDATA Praha, 2011) Vyuţití DPZ v lesnictví DPZ v lesnictví napomáhá k vhodné analýze dalšího vyuţití lesa. Sami lesníci tvrdí, ţe satelitní i letecké snímky slouţí k rozhodování, jakým směrem se bude les dál vyvíjet. DPZ se nejvíce vyuţívá v oblastech rozsáhlých lesních porostů, kde můţeme díky různému prostorovému rozlišení pořízených dat určit velikost identifikovatelných objektů. Zkoumání se provádí od jednotlivých druhů stromů, přes souvislé lesní celky aţ k rozsáhlým biomům (Hais, 2009) Poprvé se DPZ v lesnictví objevil ve třicátých letech dvacátého století, kdy byl pouţit na zpracování leteckých snímků. Většinou se mapoval celý krajinný pokryv a v lesích se stanovili jednotlivé krajinné typy jako lesní porosty, paseky a území poškozené vichřicí. To se provádí dodnes pomocí leteckých snímků (Hais, 2009). Lesnictví se jiţ delší dobu potýká s celosvětovými problémy. Kvůli vysoké deforestraci dochází k velkým úbytkům lesních ploch a důleţitých deštných pralesů. Sice se stále vysazují nové stromy, ale to bohuţel nestačí k jejich obnově. Politici mají v rukou důleţitá rozhodnutí, která by měla zavést rovnováhu mezi poptávkou po dřevě a ochranou a zachováním lesních porostů (GeoEye, 2010). Jiţ dlouhá dvě desetiletí se v Evropě studuje zdravotní stav lesa a rozsah odlesňování. Zbarvení lesa na snímcích se projevuje mnoţstvím chlorofylu v listech, které jsou obsaţeny převáţně v korunách stromů (Solberg et. al., 2004). K hodnocení zdravotního stavu lesa se vyuţívají data s vysokým počtem pásem a s krátkou vlnovou délkou. Problém nastává tehdy, pokud chceme zkoumat bylinné patro z leteckých a satelitních snímků a brání nám v tom hustý 13

14 lesní porost. Letecké snímky jsou pořizovány ve výšce několika set metrů nad porostem, zatímco druţicové snímky několika set aţ tisíc kilometrů (Hais, 2009). Kromě velkoplošného snímání dat pro výzkum lesa je důleţitý také pravidelný datový záznam, kdy dochází ke snímkování stejného území po určité době. Tím se můţe porovnávat původní stav v dané lokalitě a stav po změně (Hais, 2009). 2.2 ELEKTROMAGNETICKÉ ZÁŘENÍ Fyzika definuje elektromagnetické záření jako šíření energie prostorem. Takové záření, které kromě energie nenese ani hmotu ani elektrický náboj, se nazývá záření elektromagnetické. (Čapek,1988) Existuje více druhů elektromagnetického záření, které se nešíří prostorem stejně rychle a liší se svou vlnovou délkou. Podle vlnových délek se rozděluje elektromagnetické záření na části, kterým říkáme elektromagnetická spektra (Čapek, 1988). Dálkový průzkum zachycuje záření o vlnové délce 0,01 μm 800 mm. Povrch můţe vyzařovat nebo odráţet elektromagnetickou energii různých vlnových délek. Elektromagnetické záření o krátkých vlnových délkách je rozptylováno atmosférou, naopak delší vlnové délky spíše propouští. Průchod atmosférou je také ovlivněn mnoţstvím plynů (vodní pára, oxid uhličitý, ozón) v atmosféře (Čapek, 1988). Jak zmiňuje Čapek (1988), tak tyto plyny, obsažené ve vzduchu absorbují v určitých vlnových délkách velkou část záření tak, že snímací možnosti jsou omezeny jen na tzv. atmosférická okna Elektromagnetické spektrum a vznik záření Vznik elektromagnetického záření je způsobeno zrychlením nebo zpomalením pohybu nabité částice. Rozdíl mezi nejmenší a největší vlnovou délkou předurčuje k velmi vysokému rozsahu elektromagnetického záření (Kolář et. al., 1997). Elektromagnetické záření je rozděleno podle vlnové délky nebo frekvence do elektromagnetických spekter. V dálkovém průzkumu se nejčastěji setkáme s vlnovými délkami viditelného (0,38 0,72 μm), infračerveného (0,72 25 μm) a mikrovlnného (0,8 100 cm) záření. Lidské oko rozpozná pouze vlnové délky viditelného záření. Skládá se z modré (0,4 0,5 μm), zelené (0,5 0,6 μm) a červené (0,6 0,7) části spektra. Infračervené záření je rozděleno na blízké IČ (0,72 1,3 μm), střední IČ (1,3 4,0 μm) a daleké IČ (4,0 25 μm). Silně pohlcovány jsou zemskou atmosférou vlnové délky větší neţ 25 μm, a tudíţ se jeví pro dálkový průzkum jako zcela nevhodné. Mikrovlnné záření je rozděleno do pásem s menšími intervaly Ka, K, Ku, X, C, S, L, P (Kolář et. al., 1997). Obr. 1 znázorňuje jednotlivá záření a jejich vlnové délky. 14

15 Obr. 1: Elektromagnetické spektrum Zdroj: NASA, 2011 Elektromagnetické záření v přírodě nejčastěji vzniká při rotačním pohybu atomů v molekulách. Dalším vznikem je vibrační pohyb atomů podél chemických vazeb, kdy je frekvence záření závislá na druhu atomů a druhu chemické vazby. Vlnové délky rotačního pohybu molekul se nejvíce prosazují v oblasti vzdáleného infračerveného a mikrovlnného záření, zatímco vlnové délky vibračního pohybu jsou produkovány v blízké a střední infračervené části spektra (Kolář et. al., 1997). Záření způsobené přechody elektronů v atomu má vlnovou délku z oboru ultrafialového, viditelného i blízkého infračerveného. Ultrafialové záření vzniká štěpením atomů. Mikrovlnné záření vzniká jak v přírodě, tak i umělým způsobem. Při umělém vzniku dochází k několikanásobně vyšší intenzitě, neţ u přírodních zdrojů (Kolář et. al., 1997) Spektrální odrazivost Elektromagnetické vlastnosti látek ovlivňují intenzitu odraţeného i emitovaného záření. Stav okolí, okamţitý fyzikální stav objektu a druh látky nejvíce ovlivňují tyto elektromagnetické vlastnosti. Pokud tyto vlastnosti známe, můţeme z naměřených hodnot určit, o jakou látku se jedná. Tímto způsobem se zjišťují informace metodou dálkového průzkumu (Kolář et. al., 1997). Obr. 2 Spektrální chování objektů Zdroj: Dobrovolný,

16 Zářivé vlastnosti vegetačního krytu Vegetační pokryv, jakoţto nejvíce zkoumaný povrch v DPZ, se vyskytuje na celém zemském povrchu s výjimkou polárních oblastí a pouští. Objektem výzkumu je nejčastěji společenství jednoho druhu rostliny jako celku. Vegetační povrch zahrnuje travní porosty, zemědělské kultury, jehličnaté a listnaté lesy (Kolář et. al., 1997). Odrazové vlastnosti vegetačního krytu formují především vnější uspořádání vegetačního krytu, vnitřní struktura jednotlivých částí rostlin, obsah vody, zdravotní stav a vlastnosti půdního substrátu. Podle spektrálního projevu vegetace rozdělujeme vlnové délky do třech oblastí: oblast pigmentační absorpce, oblast vysoké odrazivosti a oblast vodní absorpce (Dobrovolný, 1998). Viditelnou část spektra převáţně ovlivňují pigmentační látky obsaţené v listu. Na obrázku 2 je oblast pigmentační absorpce (0,4 0,71 μm) zobrazena pod písmenem A. Dochází zde k absorpci elektromagnetického záření. Nějaké mnoţství zčásti projde a jen málo se ho odrazí. Chlorofyl tvoří aţ 65 % listového pigmentu. Nejvíce pohlcuje zářivou energii v modrém (0,45 μm) a červeném (0,65 μm) barevném spektru, zatímco v zeleném (0,54 μm) dochází k maximální odrazivosti. Při větší ztrátě chlorofylu se začínají uplatňovat i jiné pigmentační látky jako jsou karoten, xantofyl, které jsou zvýrazněny ţlutým pigmentem a anthokyanem, který zbarvuje listy do červena. Zbarvování listů je nejčastěji způsobeno stárnutím nebo onemocněním rostliny (Kolář et. al., 1997). V pásmu blízkého infračerveného záření (0,72 1,3 μm) ovlivňuje odrazivost morfologická struktura listu. Pásmo se vyznačuje velmi nízkou pohltivostí buněk a odrazivost je vysoká díky několikanásobnému odrazu uvnitř listu. Oblast buněčné struktury je na obrázku 2 znázorněna pod písmenem B (Kolář et. al., 1997). Oblast vodní absorpce, která se nachází ve středním infračerveném pásmu, je ovlivněna absorpčními pásy vody, které se nacházejí na vlnových délkách 1,4 μm, 1,9 μm a 2,7 μm (hlavní vibrační pás vody). Vedlejší vibrační pásy vody jsou na 0,96 μm a 1,1 μm. Oblast vodní absorpce zobrazuje obr. 2 pod písmenem C (Horák, 2007). U elektromagnetického záření v infračervené termální části o vlnové délce 3 15 (25) μm dochází k silnému pohlcování. Odrazivost je nízká (3 5 %), zatímco emisivita vysoká (95 98 %) (Horák, 2007) Zářivé vlastnosti ostatních povrchů Voda v kapalném stavu vykazuje typicky nízkou odrazivost ve všech vlnových délkách. Největší propustnost se nachází na vlnové délce kolem 0,48 μm, kde proniká do hloubky 20 metrů. Voda se dokáţe chovat jako absolutně černé těleso v infračervené části spektra, kde pohlcuje intenzivně záření a na snímcích se jeví jako nejtmavší (Dobrovolný, 1998). 16

17 Vyskytují-li se ve vodě jakékoliv částice biologického nebo mechanického původu, záření se na nich odráţí a dochází ke zvýšení odrazivosti vodní plochy. Plankton je jejím typickým příkladem, který obsahuje velké mnoţství chlorofylu. Obdobně působí ke zvýšení odrazivosti i suspenze. V mikrovlnné části naopak voda zvyšuje odrazivost. (Kolář et. a.l., 1997). Spektrální vlastnosti půd jsou závislé na minerálním sloţení, půdní vlhkosti, obsahu organických látek a textuře půdního povrchu (Dobrovolný, 1998) Vegetační indexy Vegetačních indexů se vyuţívá nejčastěji při mapování vegetace. Někdy se mohou uplatnit jako kvantitativní ukazatele, například u určování mnoţství biomasy na ploše jednoho pixelu. Vyjadřují vztah mezi odrazivostí ve viditelném červeném pásu (0,6 0,7 μm) a blízkém infračerveném (0,7 0,9 μm). Většina indexů si je velmi podobná a můţeme je rozdělit na poměrové a ortogonální (Dobrovolný, 1998) Mezi poměrové indexy zahrnujeme normovaný vegetační index (NDVI), kde NIR je odrazivost v blízkém infračerveném záření a RED je odrazivost v červeném viditelném světle. NDVI odpovídá změnám v mnoţství zelené biomasy, obsahu chlorofylu a vodního stresu náboje (Dobrovolný, 1998). NDVI = (NIR RED)/(NIR + RED) Mezi další poměrové indexy patří RVI (Ratio Vegetation Index) a TVI (Transformed Vegetation Index) (Dobrovolný, 1998). Zajímavým poměrovým indexem, který určuje celkovou plochu horní strany listů na horizontální jednotku plochy, je Index listové vegetační sloţky (LAI Leaf Area Index). LAI můţeme povaţovat za kvalitní ukazatel celkové listové plochy (Komeštíková, 2006). Ortogonální indexy jsou lineární kombinací původních pásem multispektrálního obrazu. (Dobrovolný, 1998) Mezi ortogonální indexy patří PVI (Perpendicular Vegetation Index), pomocí něhoţ můţeme odlišit odrazivost půdy a vegetace. K transformaci původních pásem multispektrálního obrazu dochází u druhého zástupce ortogonálních indexů Tasseled Cap. Podobně jako v případě tzv. analýzy hlavních komponent jsou z původních pásem multispektrálního obrazu vypočtena lineární kombinací pásma nová, která zvýrazňují určité vlastnosti povrchů. Koeficienty transformace byly odvozeny empiricky a jejím výsledkem jsou tři nová pásma indexy. (Dobrovolný, 1998) Pásmo TC1 je orientováno ve směru maximálního rozptylu hodnot odrazivosti půdy a označuje se jako index Brightness, druhé pásmo (TC2) je kolmé k ose první a je orientováno 17

18 ve směru největšího kontrastu mezi viditelnou a blízkou infračervenou částí spektra. Je tedy ukazatelem množství zelené hmoty - (index Greenness ). Třetí pásmo (TC3) je označováno jako index Wetness a koreluje s vlhkostí půdy a vegetací. (Dobrovolný, 1998) Obr. 3 Pásma Tasseled Cap Zdroj: Dobrovolný, 1998 Uspořádání hodnot pixelů z prvních dvou transformovaných pásem vytváří v grafu charakteristický obrazec, podle něhoţ dostal také svůj název (Tasseled Cap - čepice Santa Clause). Obr 3 znázorňuje změny hodnot indexů Brightness (TC1) a Greenness (TC2) získané z transformace TASSELED CAP. 1,2,3 jsou tzv. etapy vegetačního cyklu (Dobrovolný, 1998). Na počátku vegetačního období dominuje odrazivost holé půdy (1). S postupným rozvojem vegetace se zvyšují hodnoty indexu Greenness (2) až do stádia zralosti. Poté vegetace postupně odumírá a hodnoty indexu Greenness klesají na úkor hodnot indexu Brightness (3), což indikuje nárůst podílu půdního substrátu na odrazivosti. (Jensen, 1986 cit In. Dobrovolný, 1998) Pomocí obrazových dat z druţic SPOT, LANDSAT nebo NOAA jsou vytvářeny jednotlivé vegetační indexy. V následující tabulce se nacházejí typické hodnoty NDVI pro data z druţice NOAA (Williams, 1995, cit IN Dobrovolný, 1998) : Tab. 1 Hodnoty NDVI pro jednotlivé typy povrchů DRUH POVRCHU HODNOTA NDVI Velmi hustá vegetace 0,5 Středně hustá vegetace 0,14 Řídká vegetace 0,09 Holá půda 0,025 Oblačnost 0,002 Sníh a led -0,046 Voda -0,257 Zdroj: Dobrovolný,

19 Hodnoty NDVI se pohybují v intervalu (-1;+1) a během roku se pro určité povrchy mohou měnit, coţ lze vyuţít v lesnictví či zemědělství. Mapy NDVI mohou být vhodným nástrojem ke studiu zdravotního stavu vegetace, časových změn a průběhu fenofází, odhadům výnosů zemědělských plodin a odhadům vodního stresu rostlin (Dobrovolný, 1998). 2.3 LETECKÉ SNÍMKOVÁNÍ Letecké snímky se pouţívají více neţ sto let. Dnes se pořizují speciálními fotogrammetrickými kamerami, vybavenými GPS/IMU pro přesné určení kamery v době pořizování snímku (GEODIS, 2011). Dříve slouţily pouze k získávání podkladů pro mapování, dnes poskytují informace v mnoha oborech. V minulosti se pořizovaly pouze snímky z viditelné části spektra, dnes jich máme k dispozici celou řadu (panchromatické, infračervené, multispektrální, tepelné, radarové) (Čapek, 1987). K vytvoření leteckého snímku je potřeba nosiče a samotného snímkovacího zařízení. Nosič nemusí být pouze letadlo, ale mohou se vyuţít také umělé druţice, balóny nebo helikoptéry. Letadlo jako nosič není vţdy nejvhodnějším řešením a bývá často zdrojem chyb a zkreslení. Vlivem větru dojde k vychýlení ze stanovené přímé letové dráhy a tím i k driftovému posunu při pozemním přiřazení naměřených dat. Změna výšky způsobuje změnu velikosti obrazového elementu (Kolář et. al., 1997). Existuje mnoho typů kamer, které pracují na velmi odlišných principech. Fotografické kamery rozkládají obraz na řádky a body. Kamery jsou nejčastěji připevněny v podlaze letadla, které snímkují větší souvislé území. Fotografické kamery se označují také jako kamery řadové, protoţe pořizují snímky v pravidelných časových intervalech a zároveň tyto snímky na sebe vzájemně navazují. Někdy je spojeno několik kamer dohromady. Pokud obsahují barevné filtry, jedná se o kameru multispektrální. Dále existují kamery s vyrovnáváním pohybu, štěrbinové kamery nebo panoramatické kamery (Čapek, 1987). Při snímkovém letu musí letadlo udrţovat stále stejnou výšku nad zájmovým územím, dále pak směr letu a rychlost. Před tímto letem je potřeba znát konstanty kamery, rychlost letu a poţadované měřítko snímku (Čapek, 1987). 19

20 KAPITOLA 3 3 Stručná charakteristika NP Šumava 3.1 ZÁKLADNÍ INFORMACE Národní park (NP) Šumava se nachází na jihozápadě České republiky na hranicích s Rakouskem a Spolkovou republikou Německo. Rozkládá se od Ţelezné Rudy na severozápadě směrem na jihovýchod aţ k hraničnímu přechodu Zvonková u Lipenské přehrady. Poloha NP Šumava v rámci České republiky je znázorněna na obrázku 4. Na německé straně pokračuje pohoří Šumava národním parkem Bavorský les. Po více jak 80ti letech trvajících snah o zřízení národního parku se tomu stalo 20. března 1991 a část Šumavy byla vyhlášena národním parkem. Největší vliv na zřízení NP měl výskyt vzácných rašelinišť, ledovcových jezer a zbytků pralesních porostů (Barešová, Hanusová, 2010). Rašeliniště představuje typ mokřadního ekosystému, který vyţaduje chladné a vlhké podnebí. Hromadí se zde odumřelá organická hmota a za přístupu vzduchu karbonizací se mění v humolit (rašelinu). Také je v nich často zakořeněna historie biotopů od poslední doby ledové (Anděra, Zavřel, 2003). Rozloha NP činí ha, z toho je přibliţně 80 % zalesněno (Barešová, Hanusová, 2010). Obr. 4: Poloha NP Šumava v ČR Vytvořeno v ArcGIS 9.3 Nejvyšším vrcholem NP Šumava je Plechý s 1378 m a nejniţší bod se nachází v údolí Otavy u Rejštejna (570 m n. m.). O Šumavě se někdy říká, ţe je to zelená střecha Evropy, jelikoţ je jedním z největších lesních komplexů ve střední Evropě. V druhové skladbě nejčastěji převládají smrky a buky. 20

21 Většina území Šumavy patří do chladné oblasti středoevropského středohorského typu podnebí a pouze malá část spadá do mírně teplé oblasti. Vyskytují se zde pouze malé roční výkyvy teploty a průměrná roční teplota činí 5 C. Napadne zde velké mnoţství sráţek, které jsou stejnoměrně rozloţeny během roku. Průměrné roční sráţky činí 1200 mm (Barešová, Hanusová, 2010) NP Šumava a NP Bavorský les tvoří díky své rozloze největší lesní komplex ve střední Evropě. NP Šumava je biosférickou rezervací, kterých je na našem území momentálně šest. Na tomto území se také nacházejí ramsarské lokality, které mají vysokou ekologickou hodnotu, coţ je například rašeliniště Chalupská slať (Solar, Galland, 2002). Nachází se zde 3 zóny ochrany přírody. V I. zóně (přísná přírodní) se nachází nejcennější části národního parku, kde se vyskytují biotopy, které nejsou nijak ovlivněny člověkem. Nejčastěji jsou zastoupeny rašeliništi, společenstvy horských smíšených a smrkových lesů, reliktních borů či suťových lesů. Neustále dochází ke snahám o rozšíření této zóny, která dnes činí ha (cca 3 % plochy NP). II. zóna (řízená přírodní) je uţ ovlivněna člověkem, kde jsou pozměněny některé lesní a zemědělské ekosystémy. Dnes zaujímá ha, coţ jsou přibliţně tři čtvrtiny plochy NP. III. zóna (okrajová) obsahuje ty části NP, které jsou člověkem značně pozměněné, obhospodařované či osídlené (Anděra, Zavřel, 2003). Poprvé se člověk na Šumavě objevil ve 12. století, kdy okolní krajinu nijak významně neovlivňoval. Větší vliv člověka na krajinu započal aţ v 17. a 18. století s rozšířením osídlení a začátky sklářského průmyslu, dřevařství a těţby nerostných surovin (zlato, ţelezná ruda). Po druhé světové válce došlo k vysídlení a zániku mnoha vesnic (Barešová, Hanusová, 2010). Dnes se v NP Šumava nachází pouze 7 obcí, které čítají dohromady přibliţně 2000 trvale ţijících obyvatel. Při tomto nízkém počtu a vysoké rozloze činí hustota zalidnění asi 1,5 obyvatele/km 2. Největší obcí je Srní, dále se v NP Šumava nachází obce Kvilda, Horská Kvilda, Modrava, Stoţec, České Ţleby a Prášily (Anděra, Zavřel, 2003). 3.2 LESY V NP ŠUMAVA U nejrozsáhlejšího pohoří České republiky, kde pramení řeka Vltava, je původ názvu jména Šumava odhadován od slova šumět. Ve starověkém Řecku se vědělo, ţe na našem území se nachází rozsáhlá zalesněná oblast. Na starých mapách byla Šumava pojmenována jako Silva Gabreta, kde Silva znamená les a Gabreta rozsáhlá horská soustava. Názvosloví z anglosaských a germánských jazyků je ekvivalentní. V německém jazyce se Šumava totiţ řekne Böhmerwald. Mnozí odborníci se shodují, ţe název Šumavy pochází ze staroslovanského jazyka, kde šuma znamená hvozd nebo hustý les (Národní park Šumava, 2011). Počátek přímého vlivu člověka na les se datuje do doby bronzové, kdy lesy lidé vypalovali ohněm za účelem získání zemědělské plochy. Intenzivněji se území vyuţívalo v 21

22 době, kdy se na našem území usadili Bójové a Markomani. Po jejich odchodu se lesy vyvíjely bez větších zásahů člověkem aţ do 11. století. Větší kolonizace lidí na Šumavě začala za vlády Přemysla Otakara I.. Od 13. století došlo k intenzivnímu kácení lesů kvůli záboru zemědělské plochy a důsledkem bylo narušení celistvosti. Rychle rostoucí sklářský průmysl dosáhl největšího rozkvětu v 16. století. Kvůli provozu skláren byla vysoká spotřeba dřeva a docházelo tak k holosečskému kácení v jejich blízkosti a devastaci lesa. Dřevařská kolonizace, která probíhala od 18. století, znamenala výstavbu Vchynicko- Tetovského kanálu pro plavení dřeva pod vedením kníţete Josefa Schwarzenberga. Do druhé poloviny 19. století se Šumava intenzivně vyuţívala zejména k dřevařským účelům. Po odsunu Němců po 2. světové válce a vysídlení obyvatel z pohraničních oblastí začaly Šumavě škodit další faktory. S nástupem průmyslu to byly kyselé deště a kvůli vyhubení velkých šelem i přemnoţení vysoké zvěře (Národní park Šumava, 2011). S modernizací průmyslu se přestala příroda respektovat a začala se vyuţívat k jednostrannému vyuţívání přírodních zdrojů. Neustále docházelo k ničení většího mnoţství biotopů a s tím spojenému poklesu počtu planě rostoucích rostlin a volně ţijících ţivočichů. Proto se začala zřizovat chráněná území. Zároveň ale i uzavření pohraničních oblastí a jejich ustanovení na vojenská hraniční pásma mělo za následek poměrně malý vliv člověka od roku 1948 do roku 1989, vyjma lokálních zásahů Pohraniční stráţe, které jsou taktéţ dodnes patrné a to v podobě průseků lesů v liniích bývalé ţtz (ţenijně technické zabezpečení státní hranice = ţelezná opona) (Anděra, Zavřel, 2003). Dnes se NP Šumava potýká s velkým problémem, a to přemnoţením lýkoţrouta smrkového. V I. zóně ochrany přírody je sice jeho přirozenou součástí a reguluje přírodní procesy, ale na většině místech došlo k jeho přemnoţení a jeho neţádoucím vlivům (Národní park Šumava, 2011). Nejrozšířenějším druhem lesních porostů je smrk ztepilý, který se nachází v méně přívětivých klimatických podmínkách v nadmořské výšce m n. m. Na prosvětlených oblastech ho doplňuje jeřáb ptačí. Dříve se na celém území Šumavy nacházely smíšené lesy, mezi kterými byly nejčastěji zastoupenými buky, smrky a jedle. Vlivem člověka a klimatu došlo k rapidnímu poklesu těchto lesů, a proto člověk začal vysazovat smrkové monokultury. Tyto kulturní smrčiny jsou náchylnější k útokům hmyzu a silnějšímu větru, jak dokazuje orkán Kyrill v roce V 80. letech se začalo s odstraňováním holoseče, která probíhala dokonce v centru Národního parku a výsledkem bylo zvýšení přirozené obnovy lesa. Dříve se zde také pouţívala těţká technika k odstranění nakaţených stromů, ale od toho bylo upuštěno (Národní park Šumava, 2011). Dnes proti Správě Národního parku Šumava vystupuje několik neziskových organizací, které jsou proti kácení napadených stromů v NP Šumava. Členové této organizace často vystupují v médiích, ale také v terénu, kde se přivazují řetězy k napadeným stromům. Správa 22

23 NP Šumava i neziskové organizace chtějí zvýšit diverzitu lesů a rozrůznit věkovou strukturu stromů, avšak zcela odlišnými způsoby (Solar, Galland, 2002) Lýkoţrout smrkový na Šumavě Lýkoţrout smrkový je rozšířen v Evropě a v severní Asii, kde nejčastěji napadá smrk ztepilý. Sameček i samička jsou od sebe velmi těţko rozpoznatelní. Aţ v posledních letech bylo zjištěno, ţe sameček má větší výstupek v obličejové části a řidší ochlupení na předohrudi. Tento brouk na stromy přenáší houby, které stromy ochromí a zabrání jim produkci pryskyřice, která by odehnala, případně usmrtila, tento invazní hmyz. Na stojící strom musí útočit větší počet jedinců, aby bylo přeneseno dostatečné mnoţství hub. Proto vylučují feromony, které přivábí další jedince stejného druhu ke stromu. Ve stromě si vytvoří snubní komůrku, kam si ukládají vajíčka a páří se. Tato komůrka se nachází v lýku pod tenkou kůrou stromu (2 4 mm), která obsahuje dostatečné mnoţství ţivin. Jeden sameček se většinou páří s 1 4 samičkami (Solar, Galland, 2002). Přemnoţení lýkoţrouta smrkového v posledních dvaceti letech znamená pro NP Šumava velikou hrozbu. V letech 1983 a 1984 došlo k přemnoţení tohoto hmyzu vlivem vichřic v Národním parku Bavorský les a k polomům o rozloze 173 ha (Heurich et. al., 2001; Skuhravý, 2002 cit. In Hais, 2009). Tento hmyz nejčastěji napadá slabé jehličnaté stromy, které jsou poškozeny vlivem vysokých teplot, sucha nebo znečištěného ovzduší. Tyto popadané stromy v NP Bavorský les se staly útočištěm a ohniskem dalšího rozšiřování lýkoţrouta smrkového, který začal v roce 1986 expandovat na ţivé stromy. V letech se pohybovaly roční ztráty lesních porostů vlivem lýkožrouta kolem ha (Hais, 2009). Přes hranice se lýkoţrout rozšířil v roce 1992, kdy se na leteckých snímcích v oblasti mezi Špičníkem a Blatným vrchem směrem k Roklanu objevily jednotlivé napadené stromy (Skuhravý, 2002 cit. In Hais, 2009). Nevhodné je také umístění NP Šumava vůči NP Bavorský les, kdy je NP Šumava východně od NP Bavorský les a to usnadňuje šíření kůrovců vlivem převládajících západních větrů. V roce 1995 byla Správou NP Šumava vyhlášena a v roce 1997 rozšířena bezzásadová zóna na jih od silnice mezi Roklanskou hájenkou a Březníkem o celkové rozloze ha. V druhé polovině 90. let se přistoupilo k holosečné těžbě v okolí bezzásahového pásma, aby se zabránilo dalšímu šíření. Nejvíce poškozené území u nás se nachází na Šumavě v okolí Březníku. (Hais, 2009) 23

24 KAPITOLA 4 4 Zpracování druţicových dat Druţicová data jsou vytvářena v analogové nebo digitální podobě. Digitální obrazová data získáváme ze skenovacích zařízení nebo převodem z analogových dat, tzv. digitalizací. Digitalizace je proces, při kterém jsou naskenovaná data z analogové podoby převedena do počítače, kde se mohou vizualizovat a vytisknout. Tato data jsou prezentována většinou v podobě rastrů s pravidelnou sítí pixelů. Jednotlivé pixely na sebe navazují a kaţdý nese určitou hodnotu (nejčastěji se jedná o odrazivost, která při vizualizaci vytváří barevný vjem) (Kolář et. al., 1997). Digitální data se pouţívají jiţ od 50. let 20. století, ale kvůli nízké technické vyspělosti nebylo zpracovávání a vyuţití příliš rozsáhlé. Aţ v 70. letech došlo ke zdokonalení výpočetní techniky a druţic LANDSAT, coţ zapříčinilo jejich aktivnější pouţívání. (Ţelezný, 2007). Data v digitální podobě jsou v mnoha ohledech kvalitnější a dnes i více vyuţívána. A to kvůli jednoduchému přenosu dat, jednoduššímu odstranění šumu, automatickému zpracování, výrobě citlivějších a modernějších snímačů a lepším moţnostem geometrické a radiometrické transformace. Zpracování těchto dat probíhá v několika fázích. Počáteční zpracování nově získaných dat a odstranění geometrických a radiometrických zkreslení se nazývá rektifikace a restaurace dat. Následuje odlišení jednotlivých prvků v obrazu - zvýraznění obrazu, dále pak klasifikace a konečnou fází jsou postklasifikační úpravy (Kolář et. al., 1997). 4.1 PŘEHLED VYBRANNÝCH DRUŢICOVÝCH DAT Snímky, které byly vyuţity v této práci, byly nasnímány druţicemi Landsat 7, Landsat 5 Spot 3, Spot 5 a WorldView Landsat Druţice Landsat 5 a Landsat 7 jsou satelity programu Landsat americké vládní agentury NASA. Druţice byly vyrobeny firmou Lockheed Martin Missiles & Space a vyneseny nosnými raketami Delta 7000 (Landsat 7) a Delta 3000 (Landsat 5). Dnes obíhají kolem Země ve výšce 705 km (Gisat s.r.o, 2011). Druţice Landsat 7 byla vypuštěna 15. dubna 1999 a je stále funkční. Oproti předchozím satelitům je Landsat 7 vybaven osmikanálovým mechanickým multispektrálním skenerem Enhanced Thematic Mapper Plus (ETM+). Data jsou pořizována ve směru nadiru. Jeden cyklus trvá 16 dní. Snímky se pouţívají ke sledování vegetačních cyklů a 24

25 oblačnosti pro národní meteorologickou sluţbu, coţ je vyuţíváno pro lepší předzpracování dat, které spočívá v předcházení snímkování oblačných oblastí (Kolář, 2008). V této práci byl zpracován pouze snímek Landsat 7 z roku Na druţici Landsat 7 totiţ došlo v květnu 2003 k poruše mechanismu skenovacího zrcátka senzoru ETM+ a ovlivnilo celou činnost snímkování. Na snímcích pořízených po 31. květnu 2003 chybí přibliţně 25 % dat., proto nejsou vhodné k dalšímu pouţití (ARCDATA, 2011). Pro lepší porovnání byl pouţit ještě snímek Landsatu 5 z roku Landsat 7 je oproti Landsatu 5 obohacen o panchromatické spektrální pásmo. Prostorové rozlišení je u všech pásem Landsatu 5 30 m, jen u termálního je dosaţeno 120 m. Landsat 7 má také pásma s prostorovým rozlišením 30 m, jen opět u termálního pásma je dosaţeno 60 m a u panchromatického 15 m. Pro bliţší porovnání spektrálních pásem viz příloha 1 a Spot V této práci byly pouţity snímky, které byly pořízeny mezi lety Byly pořízeny z druţic SPOT 3 a SPOT 5. Francouzská druţice SPOT patří mezi druţice s nejvyšším prostorovým rozlišením. Dnes můţeme pořídit snímky pouze z druţic SPOT 4 a SPOT 5. Konkrétně druţice SPOT 5 byla vypuštěna na oběţnou dráhu 4. května Na této druţici se nachází 2 senzory HRG (High resolution Geometry), jejichţ prostorové rozlišení je v panchromatickém reţimu 5 m a v multispektrálním 10 m (Kolář, 2008). Sice existují druţice, které mají větší prostorové rozlišení, ale nedokáţou v rozlišení 2,5 m nasnímkovat území o délce 60 km jako je tomu u druţice SPOT 5. Senzor HRG obsahuje stejná spektrální pásma a díky tomu je zachována kontinuita snímkování, a proto mohou být nové snímky porovnávány se staršími (ARCDATA, 2011). Snímky z druţice SPOT 3 byly nasnímány senzory HRV 1 a HRV 2, které byly u SPOTU 4 nahrazeny skenerem HRVIR 2 (High Resolution Visible and InfraRed). Senzory HRV byly pouţity i u druţic SPOT 1 a SPOT 2. Druţice SPOT 4 i SPOT 5 pořizují data ve dvou pásmech viditelného záření (GREEN a RED) a ve dvou infračerveného záření (NIR a SWIR), zatímco SPOT 3 umoţňuje snímat pouze 3 spektrální pásma (GREEN, RED a NIR) (GISAT, 2011). Snímky SPOT nelze zobrazit v pravých barvách, jelikoţ neobsahují pásmo v modrém viditelném spektru. Přehled spektrálních pásem se nachází v příloze 3, 4, WorldView Komerční druţice WorldView 2 byla na oběţnou dráhu do výšky 770 km vynesena 8. října Tato druţice je schopna pořizovat snímky s velmi vysokým rozlišením (0,46 m) a navíc 25

26 má i vysoké spektrální rozlišení (8 pásem). Novinkou jsou speciální pásma pro zjišťování hloubky vody nebo množství absorbce chlorofylu. Speciální tzv. "red edge" pásmo umožňuje provádět kvalitnější a přesnější analýzu vegetace a zdraví rostlin, než je možné dosáhnout pouze pomocí infračerveného pásma. (ARCDATA, 2011) Navíc je viditelná část spektra obohacena o ţluté spektrální pásmo (0,585 0,625 μm), na nějţ je lidské oko velmi citlivé (ARCDATA, 2011). V příloze 6 je tabulka se základními charakteristikami spektrálních pásem. V této práci jsou zpracovány pouze panchromatické snímky. 4.2 REKTIFIKACE Rektifikace je předzpracování obrazových dat, při kterém dochází k opravám zkreslení. Jedná se o transformaci polohy všech obrazových prvků z jednoho souřadnicového systému do druhého. Cílem rektifikace je porovnání dvou snímků o stejných souřadnicích a velikosti pixelu. Nejčastěji se pouţívá metody sběru tzv. identických bodů (GCP Ground control points) a polynomické transformace (Dobrovolný, 1998). Na zkresleních se provádějí radiometrické a geometrické korekce, které si přiblíţíme v následujících podkapitolách Geometrická korekce Data, která byla nově získána a ještě neproběhla zpracováním, mají velká zkreslení, kvůli kterým nemohou být pouţity v mapě. Nejčastěji tato zkreslení způsobuje zemská rotace, změna náklonu snímacího zařízení, zněna výšky a rychlosti nosiče. Zemská rotace způsobuje změnu polohy měřeného objektu mezi dvěma měřeními. Chyba, způsobená nestabilitou nosiče měřícího přístroje, se vyskytuje převáţně u leteckého snímkování. Tyto geometrické distorze můţeme rozdělit na předvídatelné (systematické chyby) a nepředvídatelné (náhodné chyby). K odstranění či zmírnění vlivu chyb musí proběhnout tzv. korekce dat (Kolář, 1997). Systematické chyby se zjišťují z charakteristik čidla, okamţitého stavu měření nebo ze zemské rotace, kdy je kaţdá řádka posunuta. K odstranění chyb se musí provést georeferenční korekce, která se provádí na přijímacích stanicích, kam jsou odeslány georeferenční data. Georeferenční data jsou data, u kterých známe zeměpisnou délku a zeměpisnou šířku jednoho bodu (Kolář, 2008). Po odstranění systematických chyb se opravují náhodné (zbylé) chyby, kdy se obraz geometricky zpřesňuje. Provede se geometrická transformace pomocí vlícovacích bodů. Metoda vlícovacích bodů upravuje obraz, aby geometricky co nejpřesněji odpovídal vzoru za účelem ztotoţnění obrazových dat s podkladovou mapou. Vlícovací body v souřadném systému souřadnic jsou přenášeny z referenčního souboru, coţ můţe být jiný rastrový geokódovaný 26

27 snímek nebo vektorový. Jednotlivé body musí být vhodně umístěné, rozpoznatelné a musí jich být dostatečné mnoţství (Kolář et. al., 1997). Existují dva způsoby geometrických úprav. Buď přesuneme pixely na jiné místo a zachováme jejich dosavadní hodnoty nebo dojde k převzorkování obrazu, kdy se musí stanovit jiná prostorová síť a spočítat hodnoty nových pixelů podle jedné z uvedených interpolačních metod (Kolář, 2008): Princip nejbliţšího souseda hodnota se přebírá od nejbliţšího pixelu a zachovává původně naměřenou hodnotu Bilineární interpolace vypočítá se váţený průměr hodnot 4 nejbliţších sousedů z distorzí matice, výsledkem je vyhlazený obraz, ztráta původně naměřených dat, nevhodné pro další zpracování Kubická konvoluce bilineární interpolace, kdy se vypočítá váţený průměr z hodnot 16 nejbliţších pixelů, mírně ostřejší obraz neţ u bilineární interpolace Radiometrická korekce K radiometrickým chybám dochází z různých důvodů. Je to například odlišná kalibrace přístrojů, vliv atmosféry, geometrie letu. Hlavním cílem radiometrických korekcí je také odstranění šumu. Odstranění chyb se docílí kalibrací přístrojů, při níţ se kalibrují čidla na přístroji, která se periodicky zaměřují na kalibrační lampy nebo Slunce. Tyto hodnoty jsou dále nahrávány k obrazovým datům (Kolář, 1997). Typickou chybou při příčném skenování je páskování, které je způsobeno špatnou kalibrací jednoho senzoru (Ţelezný, 2007). Velkou příčinu chyb má na vině stav atmosféry. V atmosféře se nacházejí částice, které způsobují rozptyl a je pro snímkování neţádoucí. Proto se sledují specifické povrchy, jako jsou voda, poušť, led, sníh, a porovnává se jejich odrazivost. Nejčastěji se vyuţívá vodních povrchů, kde je odrazivost v blízkém infračerveném pásmu nejniţší. Hodnota, kterou naměříme, je chyba způsobená průchodem atmosféry (Kolář et. al., 1997) Dalším zdrojem chyb je změna ozáření. Výška Slunce se v průběhu roku a dne mění, a proto dochází ke změnám osvětlení. Některé aplikace DPZ provádějí korekce zaměřené i na vzdálenost Země od Slunce (Kolář et. al., 1997). 27

28 4.3 ZVÝRAZNĚNÍ OBRAZU Další etapou zpracování digitálních dat je zvýraznění obrazu. Slouţí k lepší interpretaci obrazu a ke zvýraznění důleţitých detailů. Tím, ţe zvýrazníme obraz, získáme mnohem více informací a můţeme obraz lépe interpretovat. Zvýrazňuje se pomocí barev, změnou kontrastu, tvaru a textury Úprava histogramu Úpravou histogramu dochází ke zvýraznění kontrastu. Roztaţením histogramu se původní naměřená data, která neobsahují všechny moţné hodnoty (např ), roztáhnou do celé moţné škály. Dojde ke změnám rozloţení úrovní šedi v obraze. Lineární roztaţení histogramu znamená, ţe se lineárně rozloţí všechny hodnoty v původním obraze do celého rozsahu výsledného obrazu. Tím se podobné hodnoty pixelů v původním obraze značně odliší. Problémem je, že stejně velký rozsah je přiřazen pixelům málo četným i hojně se vyskytujícím. (Dobrovolný, 1998) Ve vyrovnaném histogramu jsou všechny úrovně šedi zastoupeny rovnoměrně. Roztahujeme více ty pixely, které jsou v obraze zastoupeny četněji. Výsledný obraz je kontrastnější, avšak ztrácíme informace v těch místech, kde jsou malé spektrální rozdíly (Kolář, 2008) Významnou úpravou histogramu je prahování. Prahování neboli segmentace rozděluje obraz na jednotlivé části, které souvisejí s reálnými objekty. Je to metoda zvýraznění obrazu, kdy se zobrazí pouze hodnoty z vybrané části histogramu. Vytvoří se jednobitový obraz, který se nejčastěji pouţívá k maskování oblastí. Můţeme je nastavit ručně nebo pokud známe podíl zastoupení objektů a pozadí v obraze, tak i automaticky (Dobrovolný, 1998) Barevné zvýraznění Důleţitými aspekty barvy jsou odstín, jas a sytost. Barevný obraz je nositelem většího mnoţství informací neţ černobílý snímek. Naše oko totiţ rozpozná desetkrát více barevných odstínů neţ úrovní šedi. U černobílého snímku rozlišuje pouze změny jasu úrovní šedi a pokud ho chceme převést na barevný, musíme vyuţít tzv. pseudobarev a tím dojde i ke zvýšení kontrastu a lépe rozlišíme jednotlivé třídy hodnot (Kolář et. al., 1997). V dálkovém průzkumu se vyuţívá barevná syntéza RGB, která je zaloţena na skládání tří základních barev červené, zelené a modré. Jejich skládáním dostaneme jakoukoliv barvu. Snímky můţeme vizualizovat v pravých či nepravých barvách. V pravých barvách se snímek zobrazí pouze pokud všechny tři pásma ve viditelné části spektra odpovídají vnímání lidského oka pro červené, zelené a modré pásmo. Všechny ostatní případy jsou snímky zobrazené 28

29 v nepravých barvách, které nemusí být pouze ve viditelné části spektra a pouţívají se k zobrazení objektů či vlastností, které nemůţeme zachytit lidským okem (Kolář et. al., 1997) Filtrace Filtrace se pouţívá k potlačení šumu, zostření a zvýraznění kontrastu mezi objekty na snímku. Podle Dobrovolného (2008) je filtr charakterizován tzv. spektrální propustností, což je množství propuštěného záření v daném rozsahu. Jak filtrace probíhá se zmiňuje Kolář (1997), kdy se užívá posunujícího obrazového okénka, jakéhosi okolí pixelu, pro který vypočteme jeho novou hodnotu v závislosti na hodnotách sousedních pixelů v okénku. Nejčastěji se pracuje s maticí 3x3, popřípadě 5x5 pixelů, kdy se vypočte nová hodnota pro středový pixel. Filtry můţeme rozdělit na nízkofrekvenční a vysokofrekvenční. Nízkofrekvenční filtry mají nízkou propustnost a většinou slouţí k nenápadným změnám, vyhlazení obrazu a opravám radiometrických chyb. Existuje mnoho nízkofrekvenčních filtrů, například průměrový, mediánový, minimální, maximální atd (Dolanský, 2001). Vysokofrekvenční filtry naopak propouští záření s vysokou frekvencí a zvýrazňují textury v obraze, zaostřují hrany a linie a zdůrazňují vysoké frekvence. Známe např. Laplaceův, Sobelův a Prewittův filtr (Kolář et. al., 1997) 4.4 KLASIFIKACE OBRAZU Klasifikace je proces zpracování dat, při kterém je celý obrazový soubor rozdělen na třídy prvků a kaţdému obrazovému prvku je dán určitý význam a je zařazen do třídy. Jde o automatickou analýzu, která je provedena pomocí rozhodovacího pravidla, kde záleţí na spektrálním vyzařování a dále na jeho rozpoznání. Řízená a neřízená klasifikace bude přiblíţena v následujících podkapitolách (Kolář, 2008) Řízená klasifikace Kaţdý uţivatel si svoje tzv. trénovací plochy pro jednotlivé třídy vybírá sám. Ty se pouţijí jako vzory pro dané třídy, ke kterým se přerozdělí zbylé pixely s určitou hodnotou podobnosti. Plochy musí být dobře lokalizované, dostatečně veliké, přesně vymezené a homogenní. Nejdříve se musí vypočítat všechny statistické charakteristiky jednotlivých ploch a poté se vybírají a upravují hranice tříd. Následně se vybere vhodný klasifikátor a nechá se proběhnout samotná klasifikace. Klasifikátor slouţí k určení pravidel, podle kterých se budou jednotlivé pixely zařazovat do tříd. Po jejím dokončení můţeme zhodnotit výsledek, upravovat ho a pokud jsme spokojeni, tak prezentovat (Langhammer, 2003) 29

30 Mezi nejpouţívanější klasifikátory patří klasifikátor minimální vzdálenosti středů shluků, klasifikátor K nejbliţších sousedů, Bayesovský klasifikátor, klasifikátor maximální pravděpodobnosti a klasifikátor pravoúhelníků (Langhammer, 2003). U kaţdé klasifikace je konečnou fází kontrola správnosti. Kvantitativním ukazatelem správnosti klasifikace je tzv. Kappa index. U něho se předpokládá, ţe při čistě náhodném zařazování pixelů do tříd bude určité procento zařazeno správně. Pokud je hodnota Kappa indexu 0,9, znamená to, ţe jsme se vyhnuly 90 % chyb (Dobrovolný, 1998) Neřízená klasifikace Neřízená klasifikace vyţaduje minimum vstupních dat od uţivatele a provádí se pomocí matematických algoritmů, které vytvoří spektrálně separované kategorie, kterým udáváme díky podkladovým datům (letecké foto, mapa) funkční význam. Předpokládá se, ţe pixely, které patří odlišným povrchům, budou od sebe vzdáleny a ty, co patří stejnému povrchu, budou blízko u sebe. Výsledkem pak jsou spektrální třídy (Langhammer, 2003) Prakticky tuto klasifikaci provede pouze počítač a po jejím ukončení pak uţivatel určuje význam jednotlivých tříd. Nejčastějšími algoritmy neřízené klasifikace jsou K-means a ISODATA. Nejjednodušší algoritmus K-means je zaloţen na počtu shluků a dalších parametrech shlukování. Poté se vypočítají středy shluků a přiřadí se pixely k těm shlukům, ke kterým mají nejblíţe. ISODATA je vylepšený algoritmus K-means, který umoţňuje měnit shluky v průběhu opakování. Shluky, které se stanou heterogenními, se rozdělí, které jsou blízko u sebe, se sloučí, a ty, které mají malý počet pixelů, se rozdělí mezi ostatní shluky. Výhodou neřízené klasifikace je, ţe zobrazí mnohem více informací neţ můţeme vizuálně rozlišit. Jsou to například malé rozdíly mezi příbuznými třídami jako je vlhkost nebo zdravotní stav stromů (Langhammer, 2003). Po klasifikaci většinou obraz vypadá jako pepř a sůl, jelikoţ se klasifikují jednotlivé pixely. Tento obraz je pro prezentaci zcela nevhodný a musí být upraven. Nejlepší je vyuţití postklasifikačního filtru, který je zaloţen na logickém, nikoliv aritmetickém uspořádání. Jedním z takových filtrů je i majoritní filtr. Nad snímkem se pohybuje okénko, které určí majoritní třídu a pokud nalezne pixel, který nemá hodnotu majoritní třídy, tak mu jí automaticky přiřadí (Kolář et. al., 1997). 30

31 KAPITOLA 5 5 Data a metodika V této kapitole bude podrobně popsána praktická část bakalářské práce. Od získání druţicových snímků, přes jejich zpracování a konečné úpravy. Budou zde zahrnuty i problémy, které se při práci s daty vyskytly. Konečné výstupy budou zahrnuty v příloze. 5.1 PŘEDZPRACOVÁNÍ DAT Tato práce obsahuje výstupy z druţic Landsat 5, Landsat 7, SPOT 3, SPOT 5 a WorldView 2. Snímky Landsat jsou volně dostupné na internetu, zatímco o data z druţic SPOT a WorldView 2 muselo být zaţádáno Snímky Landsat Snímky ze satelitů Landsat 5 a Landsat 7 byly staţeny ze serveru USGS ( kde jsou po zaregistrování uţivatele volně ke staţení. Při vyhledávání snímků z jednotlivých druţic bylo nalezeno velké mnoţství snímků, ale většina z nich byla nevhodná z důvodu výskytu vysoké oblačnosti na snímku nebo pořízení snímku v nevhodném zimním období. Nakonec byly vybrány snímky bez oblačnosti z let 1999 a Snímek z roku 1999 byl pořízen druţicí Landsat 7 a snímek z roku 2009 druţicí Landsat 5. Snímek pro rok 2009 pořízený Landsat 7 nebyl pouţit kvůli poruše skenovacího zrcátka na konci května 2003, která zapříčinila poškození všech snímků pořízených od května Druţicové snímky byly staţeny v komprimovaném souboru, který obsahoval 9 pásem pro Landsat 7 a 7 pásem pro Landsat 5 ve formátu GEOtiff. Charakteristiky těchto dvou snímků Landsat se nacházejí v tabulce 2. Oba tyto snímky bohuţel neobsahují celé území NP Šumava. Podle Správy NP Šumava má NP rozlohu ha. Snímky obsahují pouze území o rozloze ha NP Šumava. Tab 2 Základní charakteristiky snímků Landsat Snímek ID Satelit Datum pořízení Senzor Oblačnost [%] 1 LE EDC00 Landsat ETM+ 0,04 2 LT KIS01 Landsat TM 0,2 Zdroj: USGS, 2011 Na stránkách USGS ( bylo zjištěno, ţe staţené snímky patří pod kategorii Level 1T, coţ znamená, ţe jsou jiţ upraveny 31

32 a nevyţadují geometrické a radiometrické korekce. V PCI Geomatica 9.1 byl pouţit ke spojení jednotlivých pásem nástroj Data Merge v nabídce Tools. Nebylo zahrnuto pásmo panchromatické a termální, jelikoţ mají jiné prostorové rozlišení. Zbylých 6 pásem má rozlišení 30 m. Po spojení pásem byl vytvořen multispektrální soubor. Dále byla zaloţena nová polygonová vrstva v modulu ArcCatalog se souřadnicovým systémem S-JTSK Křovák EastNorth, aby bylo moţné vytvořit hranice NP Šumava. Tato vrstva byla vytvořena pomocí podkladové mapy NP parků ČR, která byla získána z mapového serveru geoportal.cenia.cz v ArcMap. Mapy z tohoto serveru jsou v systému S-JTSK Křovák EastNorth. Protoţe snímky Landsat mají jiný souřadný systém WGS 84 USG 33 N, byla potřeba převést nově vytvořený polygon na tento systém. To bylo provedeno pomocí nástroje Project, který se nachází v Data Management Tools. V PCI Geomatica 9.1 byly jednotlivé snímky oříznuty podle hranic NP Šumava pomocí nástroje Clipping/Subsetting. Takto upravený snímek Landsat z roku 1999 byl následně pouţit ke tvorbě polygonové vrstvy lesních ploch v modulu ArcMap. Po úpravě histogramu, kdy byl snímek zesvětlen a byly zvýrazněny lesní plochy, bylo zřetelné, kde se lesní vegetace nachází a kde nikoliv. Lesy byly zvýrazněny nejtmavší barvou, světlejší byla zobrazena ostatní vegetace a nejsvětlejší zástavba. Vektorizován byl veškerý lesní porost, který měl rozlohu větší neţ m 2. K výpomoci určování lesní vegetace, zda se na udaném místě opravdu nachází, slouţil program GoogleEarth. Oblasti vykácených lesů a holin nebyly zahrnuty ve vrstvě lesních ploch. Po vytvoření nové vrstvy lesů byl v ArcMap pouţit nástroj Extract by Mask, pomocí něhoţ se vytvořila nová rastrová vrstva, která obsahovala stejné hodnoty pixelů jako podkladový snímek a zahrnovala pouze totoţné území s vektorovou vrstvou lesní vegetace. Do dalšího zpracování bylo ale zahrnuto celé území NP Šumava, které bylo vymezeno hranicemi NP. Bílé plochy, které se vyskytovaly uvnitř NP, byly ostatní plochy. Stejný postup byl proveden i u snímku Landsat z roku Snímky Spot Snímky Spot nejsou volně dostupné na internetu, proto o ně muselo být zaţádáno. Nakonec bylo získáno několik snímků z let z projektu Planet Action ( Tyto snímky neobsahují celé území NP Šumava, ale pouze jeho severozápadnější polovinu, kde se nachází obce Horská Kvilda, Kvilda, Modrava, Srní a Prášily. Rozloha tohoto území činí ha. Pro zpracování byly vybrány dva panchromatické snímky z roku 1995 a Snímek z roku 1995 byl pořízen druţicí Spot 3 a 2005 Spot 5. Oba tyto snímky byly vytvořeny na podzim. 32

33 Při zobrazení obou snímků bylo zjištěno, ţe se navzájem nepřekrývají, přestoţe oba snímky mají souřadný systém WGS - 84 USG 33 N. Jeden z moţných důvodů, proč se snímky nepřekrývají, můţe být pořízení snímků odlišnými senzory. Snímek z roku 2005 byl pořízen senzorem HRG a snímek z roku 1995 senzorem HRV. Snímky mají jiná prostorová rozlišení. Snímek z roku m a ,5 m. Musela být provedena rektifikace a převzorkování snímku z roku U tohoto snímku se nenacházela ţádná deformace, šlo pouze o posunutí snímku směrem na západ. Rektifikace byla provedena v modulu ArcMap, kam byly načteny oba snímky ve formátu pix. Zvolenou transformační metodou byla afinní, neboli polynomická transformace 1. řádu, která se pouţívá při geometrických úpravách, jedná-li se o posun či rotaci. Polynomické transformace vyšších řádů se pouţívají při sloţitějších deformacích. Byly vyhledány 4 vlícovací body, které na obou snímcích zobrazují stejnou polohu daného jevu či objektu. Při volbě vlícovacích bodů se hledělo na jejich rozmístění a vzájemnou polohu na snímku. Dále byla vygenerována tabulka s odchylkami a RMS chybou (viz tab. 3). Celková RMS chyba dosáhla hodnoty 4,54132 m. vlícovací body residuální chyby Tab 3 Polohy vlícovacích bodů a jejich residuální chyby zdrojové x zdrojové y x map y map 1. 4, , , , Po rektifikaci následovalo převzorkování obrazu. Velikost prostorového rozlišení snímku z roku 2005 byla nastavena na 10 m a postupně byly vyzkoušeny metody nejbliţšího souseda, bilineární interpolace a kubické konvoluce. Nakonec byl k prezentaci vybrán snímek, na kterém byla pouţita metoda nejbliţšího souseda. Poté byly tyto snímky připravený k dalšímu zpracování. Další úpravy byly provedeny obdobně jako u snímků Landsat. Snímky byly ořezány podle vektorové vrstvy hranic NP Šumava (Clipping/Subsetting v PCI Geomatica 9.1) a byly vytvořeny 2 nové vektorové vrstvy lesní vegetace pro rok 1995 a Protoţe jsou tyto snímky panchromatické, byly tyto snímky vyuţity pouze pro porovnání změn lesních ploch k ostatním plochám. Na snímcích se neřešil zdravotní stav ani druhové sloţení lesů. 33

34 Tab 4 Základní charakteristiky snímků Spot Snímek ID Satelit Datum pořízení Senzor /09/23 09:52:16 2 T SPOT října 2005 HRG PAN :21:47 2 P SPOT října 1995 HRV PAN Zdroj: GISAT, Snímky WorldView 2 Snímky WorldView 2 jsou velmi vhodné pro hodnocení změn vegetace. Snímky byly získány v komprimovaném souboru od společnosti Digital Globe ( který obsahoval 6 scén. Tyto scény byly tvořeny dílčími panchromatickými prostorovými jednotkami velikosti m x m, kterých se zde dohromady nacházelo 114. Nyní byly postupně načteny do modulu ArcMap všechny prostorové jednotky, které skládají 1. scénu. Spojení těchto sousedících prostorových jednotek v jeden snímek bylo zrealizováno v ArcGIS 9.3. V modulu ArcCatalog byla zaloţena geodatabáze a v ní nová rasterová datová sada. Dílčí prostorové jednotky 1. scény byly importovány do Esri geodatabáze a byl pouţit nástroj Mosaic. Poté vznikl nový souvislý snímek (tzv. mozaika) zobrazující určitou oblast NP Šumava. Stejný postup byl proveden u dalších 5 scén. Po načtení všech scén do modulu ArcMap bylo zjištěno, ţe všechny snímky zobrazují vţdy jiné území a ţe na sebe přesně nenavazují, proto nemohlo dojít k slučování scén na základě prostorové sousednosti. Proto také nebylo moţné jednotlivé snímky mezi sebou porovnávat. Byl vyuţit jeden snímek WorldView 2 pořízený 27. října 2010, který byl editován v programu ArcGIS úpravou histogramu tak, aby byla odlišena lesní vegetace a ostatní povrch Softwary PCI Geomatica, ARCGIS 9.3 Nejvíce vyuţitým programem této práce byl program PCI Geomatica verze 9.1. Kanadská soukromá společnost, která ho vytvořila, byla zaloţena v roce 1982 se sídly v Torontu (Ontario) a v Gatineau (Quebeck). Jejich produkty jsou prodávány do více neţ 135 zemí světa. Tento software pracuje s geografickými daty a specializuje se na dálkový průzkum, prostorové analýzy, digitální fotogrammetrii, mozaikování a tvorbu map. Vyuţití má v mnoha oblastech jako je zemědělství, lesnictví, ţivotní prostředí atd. Software PCI Geomatica se stal jedním z nejúspěšnějších programů v oblasti geoinformatiky (PCI Geomatics, 2011). Druhým důleţitým softwarem byl ArcGis verze 9.3, který se pouţil k vytvoření jednotlivých map. Byl vytvořen kanadskou firmou ESRI, která byla zaloţena roku 1969 (ESRI, 2011). Slouţí ke zpracování geografických informací a má širší uplatnění neţ PCI Geomatica. 34

35 Nejvíce se vyuţívá v územním plánování, správě dat, tvorbě map a prostorových analýzách (např. v dopravě). 5.2 ZPRACOVÁNÍ DAT Zpracování snímků SPOT Na převzorkovaných panchromatických snímcích z let 1995 a 2005 nelze rozlišit druhové sloţení lesní vegetace. Pouhým vizuálním kontaktem lze poznat, zda se na daném místě nachází les či jiná plocha. Proto se na těchto snímcích nezkoumá druhové sloţení ani zdravotní stav, ale pouze změny ploch vegetace k ostatním plochám. Nejdříve bylo nutné snímky ořezat podle hranic NP Šumava pomocí nástroje Clipping/Subsetting, jak jiţ bylo popsáno výše. Snímky neobsahují celé území NP, proto musela být vytvořena nová polygonová vrstva, která kopíruje hranice NP Šumava pouze v té části, kde se snímek nachází. Oba snímky byly ve formátu TFF načteny do modulu ArcMap. V modulu ArcCatalog byly vytvořeny dvě nové polygonové vrstvy, které reprezentovaly plochu lesní vegetace pro rok 1995 a Při načtení snímků do ArcMap se oba jevily velmi tmavě, proto muselo dojít ve vlastnostech snímku k úpravě histogramu, tak aby bylo zřetelné, kde se nachází lesy a kde nikoliv. Dále byla provedena vektorizace lesních ploch. Snapping byl nastaven na 5 pixelů. Po vektorizaci se pomocí nástroje Dissolve jednotlivé polygony lesní plochy na snímku sjednotily v jeden polygon. Aby byla vytvořena vrstva ostatních ploch, které se na území NP Šumava vyskytují, byl pouţit nástroj Erase. Pomocí nástroje Merge byly vrstvy ostatních ploch a lesní plochy spojeny v jednu vrstvu, kde lesní plocha má hodnotu ID 0 a ostatní plocha ID 1. Nakonec byl v atributové tabulce vytvořen nový sloupec Area s celkovou plochou lesní vegetace a ostatních ploch. Informace o změnách ploch jsou uvedeny v tabulkách 7 a 8 v kapitole Výsledky. Stejný postup byl proveden u snímku z roku Dále byla potřeba porovnat změny, které proběhly mezi lety 1995 a Toho bylo docíleno pomocí nástroje Intersect nacházejícího se v Analysis Toolbox, který překryl vrstvy z roku 1995 a Nově vytvořená vrstva obsahovala 4 záznamy, které reprezentovaly 1 ze 4 kategorií (lesní vegetace, ostatní plocha, změna lesní vegetace ostatní plocha, změna ostatní plocha lesní vegetace). Výsledek byl zobrazen do formy mapového výstupu a vyexportován ve formátu PDF, který se nachází v příloze 11. Pro lepší přehlednost byl vytvořen obdobným způsobem mapový výstup ze snímků Landsat z let 1999 a 2009, který nalezneme v příloze

36 5.2.2 Klasifikační systém Vycházelo se z klasifikačního systému Corine Land Cover, který se v Evropě pouţívá nejčastěji. Program Corine byl zahájen v roce 1985 a vytvořen za účelem získávání informací o ţivotním prostředí a přírodních zdrojích. Skládá se ze tří částí: Land Cover (krajinný pokryv), Biotopes (biotopy) a Air, (ovzduší). Hlavním podněcovatelem vytvoření tohoto programu byla Evropská komise (EEA, 1994). Při tvorbě klasifikace krajinného pokryvu byly vybrány pouze ty typy povrchů, které se nacházejí na území NP Šumava. Z klasifikačního systému byly vybrány kategorie, které chceme klasifikovat a vyskytují se na území NP Šumava. Zde jsou vypsány v tabulce 5. Tab. 5: Vybrané třídy Land Cover Lesy Ostatní plocha Původní třídy LC listnaté lesy jehličnaté lesy smíšené lesy louky a pastviny holá půda zástavba křovinaté porosty vodní plochy Zdroj: EEA, 1994 Kategorie lesy obsahuje třídy listnaté, smíšené a jehličnaté lesy. Jelikoţ hlavním cílem této klasifikace je odlišit druhové sloţení lesní vegetace, je tato kategorie hlavním objektem zájmu. Lesy napadené kůrovcem byly zařazeny do třídy jehličnaté lesy, jelikoţ nejproblematičtější druh lýkoţrouta napadá smrk ztepilý. Ostatní plocha obsahuje další doplňkové třídy, které se na snímku vyskytují a budou sjednoceny do jediné třídy ostatní plochy Klasifikace snímků Pro klasifikaci byly pouţity 2 snímky z druţic Landsat, které byly jiţ popsány výše. Pro rozlišení druhového sloţení NP Šumava byla zvolena metoda neřízené klasifikace. V kapitole byl popsán postup k získání snímku pouze lesní vegetace. V programu PCI Geomatics 9.1 se pracovalo jak s lesní vegetací pod maskou, tak i ostatními plochami, které doplňují zbylé území NP Šumava. Nejdříve se muselo určit, která pásma budou vstupovat do klasifikace. U snímků Landsat byla zvolena všechna pásma, jelikoţ pro hodnocení vegetace jsou všechna spektrální pásma důleţitá. Největší pozornost je ale věnováno 3. a 4. pásmu. 3. pásmo je oblast červené části viditelného spektra, kdy velmi rychle roste odrazivost a graduje ve 4. pásmu, který odpovídá blízkému infračervenému záření, kde dochází k vysoké odrazivosti 36

37 z důvodu morfologické struktury listu a nízké pohltivosti buněk. K těmto šesti vstupním pásmům byly vytvořeny další dvě, kdy sedmé pásmo bylo určeno jako výstupní. Dále byly programem poskytnuty 3 klasifikátory : Isodata, K-means a Fuzzy K-means Po vyzkoušení všech klasifikátorů byl jako nejvhodnější zvolen K-means s počtem tříd Postklasifikační úpravy Díky neřízené klasifikaci bylo získáno 10 tříd. Jedna třída zahrnovala ostatní plochy, která nebyla klasifikována pod maskou a byla představena jednolitou barvou. Zbylých 9 tříd představoval povrch lesní vegetace. 10 tříd je velké mnoţství, proto bylo nutné sníţit jejich počet a některé třídy sloučit do předem zvoleného klasifikačního systému se 4 třídami. Proto byl pouţit nástroj Aggregation, který se nachází v postklasifikačních úpravách v menu Analysis. K agregaci došlo na základě zobrazení RGB kombinace v pravých barvách 3, 2, 1 a kombinace v nepravých barvách 4, 3, 2, kdy byly zvýrazněny oblasti vegetace. Byly vyuţity také ortofotomapy dostupné na serveru mapy.cz, které poskytly informace o druhovém sloţení lesa. Nejvíce byly tyto ortofotomapy pouţity při tvorbě tříd smíšené a listnaté lesy. Nakonec 9 tříd lesní vegetace bylo sloučeno do 3 (jehličnaté lesy, listnaté lesy, smíšené lesy) a třída ostatní plochy zůstala stejná. Po agregaci bylo nutné provést u obou snímků kontrolu přesnosti klasifikace. Kontrola přesnosti klasifikace je důleţitou součástí této analýzy, podle níţ se zjistí, jak byla klasifikace přesná. Byla vyuţita metoda chybové matice. Nejdříve byla potřeba vytvořit v modulu ArcCatalog nový bodový shapefile. Následně byly do modulu ArcMap načteny ortofotomapy staţené z geoportal.cenia.cz a podkladové druţicové snímky, z nichţ byla prováděna klasifikace. Pomocí těchto dat se podařilo rozlišit jednotlivé kategorie lesní vegetace. Nyní mohla začít editace bodové vrstvy. V atributové tabulce byly vytvořeny 3 sloupce. První byl pojmenován Land Cover, kam se zapisovala třída a další dva sloupce X a Y udávaly souřadnice bodu. Tyto souřadnice byly vygenerovány pomocí nástroje Calculate Geometry. Nyní byla potřeba určit, kolik kaţdá třída bude obsahovat bodů. Podle Lillersanda (2008) je pro území větší neţ ha vhodné, aby kaţdá třída obsahovala bodů. Protoţe velikost plochy jehličnatých lesů ku smíšeným a listnatým je značně nerovnoměrná, bylo pro jehličnaté lesy určeno 200 bodů, pro smíšené 25 bodů, listnaté 25 bodů a pro ostatní plochy 100 bodů. Rovnoměrně rozloţené body byly vytvářeny ručně, protoţe muselo docházet k zařazování jednotlivých bodů do tříd na základě rastrových dat. V dalším kroku byla potřeba připojit nově vytvořenou bodovou vrstvu k souboru PCIDISK, s kterým se pracuje. Bodová vrstva byla importována do programu PCI Geomatica 9.1 a v záloţce File byla zvolena moţnost Export to Existing File. Po připojení k souboru mohl být pouţit nástroj Accuracy Assessment. Tento nástroj slouţí k určení přesnosti klasifikace. 37

38 Dokáţe sám vygenerovat kontrolní body, přičemţ je tato metoda jednodušší, ale bohuţel kvůli nepravidelnému tvaru zájmového území nemohla být tato metoda pouţita. Po vygenerování kontrolních bodů došlo k tomu, ţe velké mnoţství bodů se nacházelo za hranicí NP. Program totiţ vygeneroval body do plochy čtverce, v kterém se nachází NP Šumava. Proto bylo místo moţnosti Generate Random Sample zvolena Samples from Vector Segments, kde se nacházela bodová vrstva. Nyní se určovaly třídy bodů podle klasifikace. Tato metoda spočívá v porovnávání tříd bodů na základě námi vytvořené klasifikace a jiných důvěryhodných podkladů. Po zařazení všech bodů do tříd byly vygenerovány reporty o přesnosti klasifikace a uloţeny. Informace o výsledcích se nachází v přílohách Nakonec byl vyuţit nízkofrekvenční filtr Mode filter, který sníţil velké počet osamocených pixelů. Velikost matice filtru byla u obou snímků nastavena na 3x3. Další úpravy neprobíhaly jiţ v softwaru PCI Geomatica, ale v ArcGIS. Proto bylo nutné tento snímek vyexportovat ve formátu GeoTIFF. Jednotlivé třídy byly samostatně vyexportovány a nahrány do SW ArcGIS, protoţe při importování snímku se všemi vrstvami se v modulu ArcMap z neznámých důvodů některé třídy nezobrazovaly. Dalším krokem bylo převést jednotlivé vrstvy ve formátu TIFF do vektorové podoby pomocí nástroje Raster to polygon, kde bylo defaultně nastaveno Simplify polygons, které zhladí polygony, aby neměly kostrbaté hranice. Nejdříve se v atributové tabulce editoval ID podle toho, který druh to je. Pro jehličnaté lesy byl zvolen kód 1, pro smíšené 2, pro listnaté lesy 3 a pro ostatní plochy 4. Nyní mohlo dojít ke spojení vrstev pomocí nástroje Merge. Dále byl pouţit nástroj Eliminate, který odstranil malé rušivé polygony a přiřadil je k sousední ploše, s kterou má nejdelší hranici (Eliminate polygon by border). Pro vytvoření mapy změn pomocí snímků Landsat byl pouţit nástroj Intersect, díky němuţ se vytvořily polygony v místech, kde došlo ke změnám. V nově vytvořené vrstvě se nacházel sloupec jak s kódem původního druhu pokryvu, tak i nového pokryvu. Téţ se daly určit plochy beze změny. Byl vytvořen nový atribut, kam se vypočítaly hodnoty pomocí Field Calculator ze vzorečku: Původní druh krajinného pokryvu*10+nový druh krajinného pokyvu. Po výpočtu se v sloupci objevila dvojciferná čísla, kde první číslo znamenalo původní druh a druhé číslo nový druh. Polygonová vrstva byla upravena do podoby mapy a byly jí doplněny všechny náleţitosti mapy jako je titul, podtitul, směrovka, legenda, tiráţ, rám a měřítko. Výsledek byl vyexportován ve formátu PDF nacházející se v příloze

39 5.2.5 Prahování snímku WorldView Všech 6 mozaikovaných mapových scén pořízených druţicí WorldView 2 obsahovaly vţdy odlišné území NP Šumava. Jejich příprava byla popsána v kapitole Proto byl vybrán jeden reprezentativní snímek pořízený 27. října 2010, na kterém se nachází obce Modrava, Horská Kvilda a okolí Modravského potoka, která je nejvíce postiţena kalamitou lýkoţrouta smrkového. Na snímku WorldView 2 jsou dobře rozeznatelné lesní plochy, protoţe tyto panchromatické snímky mají prostorové rozlišení 0,5 m. Pro zobrazení lesní vegetace byla vyuţita metoda prahování, která je vhodná pro zvýraznění šedotónových obrazů, u kterých stačí získat pouze dvě třídy. Dochází k rozdělení jednotlivých hodnot pixelů do dvou kategorií podle stanoveného prahu. Vznikne jednobitový obraz, kdy pixely nabývají hodnot pouze 0 nebo 1. Toto zpracování snímků bylo provedeno v programu ArGIS v modulu ArcMap, kam byla spolu se snímkem načtena ortofotomapa ze serveru geoportal.cenia.cz, která slouţila pro zpětnou kontrolu určování lesní vegetace na daném území. Úprava snímku byla zrealizována editací histogramu, kterou lze provést ve vlastnostech snímku. V histogramu obrazu se nacházelo jedno lokální maximum, které představovalo vrcholovou DN hodnotu pro lesní vegetaci. Lokální minimum pak představovalo hranice mezi těmito povrchy. Základními typy povrchů byly lesní vegetace a ostatní plochy. Prahovými hodnotami jsou lokální minima, která byla nastavena manuálně. Byla zvýrazněna lesní vegetace, která získala černou barvu (hodnoty pixelů 0) a ostatní povrch zůstal bílý (hodnoty pixelů 255). Takto přetvořený snímek byl dále upraven do podoby mapy a vyexportován ve formátu PDF, který se nachází v příloze Výpočet vegetačních indexů NDVI a LAI Vegetační indexy jsou důleţité při hodnocení zdravotního stavu a hustoty vegetace. V této práci byly pouţity dva vegetační indexy (NDVI Normalized Difference Vegetation Index a LAI Leaf Area Index). Pro hodnocení zdravotního stavu a hustoty vegetace byly zvoleny dva druţicové snímky pořízeny Landsat 5 a Landsat 7. Lesní povrch prodělává typické změny v hodnotách NDVI v průběhu roku, proto se musely porovnávat snímky ze stejné roční doby (Dobrovolný, 1998). Oba tyto snímky byly pořízeny v září, proto bylo moţné stav vegetace mezi těmito snímky navzájem hodnotit. Panchromatické snímky SPOT nemohly být pouţity pro toto hodnocení, protoţe na panchromatických snímcích nelze provést výpočet NDVI ani LAI. Vytváření výsledku poměrového vegetačního indexu NDVI byl z prvé části zpracován v programu PCI Geomatica 9.1 a z druhé v modulu ArcMap 9.3. Do softwaru PCI Geomatica 9.1 byly načteny upravené snímky obsahující pouze lesní vegetaci. Poté byl vypočítán NDVI 39

40 pomocí funkce ARI, která se nachází v knihovně algoritmů v menu Tools. Tento výsledek byl vyexportován ve formátu TIFF a dále upraven v modulu ArcMap. Hodnoty NDVI se běţně pohybují mezi -1 a 1 a s rostoucí hodnotou NDVI roste i mnoţství biomasy. Jelikoţ zdravá vegetace má velké mnoţství biomasy a obsah chlorofylu, budou pro tento povrch typické vyšší hodnoty a pro poškozený niţší hodnoty. Zdravá vegetace pohlcuje většinu dopadajícího záření pořízeného ve viditelném červeném světle a odráţí blízké infračervené světlo. Poškozená vegetace odráţí méně blízkého infračerveného světla a více červeného viditelného. Obecným pravidlem je, ţe hranicí vegetace je hodnota NDVI 0,4 (Dobrovolný, 1998). Odlišné hodnoty NDVI jsou také mezi jednotlivými druhy lesní vegetace. Niţší hodnoty jsou vykazovány u jehličnatých lesů, zatímco nejvyšší bývají zaznamenány v oblastech růstu listnatých lesů. Pro vizualizaci jednotlivých výsledků bylo důleţité určit stejný počet a velikost tříd pro vizualizaci snímků, aby byly porovnatelné. U snímků totiţ vzniklo odlišné rozmezí hodnot NDVI. Pro rok 1999 bylo rozmezí 0,0189 0,996 a pro rok ,037 0,768. Na základě rozloţení hodnot a porovnávání byly vytvořeny 3 třídy pro lesní vegetaci, kde interval v rozmezí 0 0,45 označoval řídkou a poškozenou vegetaci, interval 0,46 0,55 středně hustou vegetaci a rozmezí 0,56 0,996 velmi hustou vegetaci. V programu ArcGIS modulu ArcMap byly výsledky normalizovaného diferenčního vegetačního indexu manuálně klasifikovány a upraveny do podob map a byly jim přiřazeny všechny náleţitosti. Kvůli lišícímu se rozmezí u výsledků NDVI jsou tyto výstupy méně přesné. Bylo zvoleno přirozené barevné spektrum světle zelené po tmavě zelenou, kde světle zelená znázorňuje řídkou vegetaci a tmavě zelená hustou vegetaci. Výsledky se nachází v přílohách 14 a 15. Index listového pokrytí (Leaf Area Index) byl vypočítán opět v programu PCI Geomatica 9.3 v módu Focus. Byla pouţita funkce LAI v knihovně algoritmů. Do výpočtu LAI vstupovala 2 spektrální pásma, bylo to pásmo z červené části viditelného světla (TM3) a z blízkého infračerveného světla (TM4). Rozmezí hodnot u snímků se lišilo. Pro rok 1999 bylo rozmezí a Výsledky byly exportovány ve formátu GeoTIFF a importovány do ArcMap, kde byly vytvořeny intervaly pro hustotu listového pokrytí. Třídy byly vytvořeny na základě testování a rozloţení hodnot LAI. Pro nízkou hustotu byl zvolen interval s hodnotami 0 70, střední hustotu a vysokou hustotu listového pokrytí 171 a výše. Byly vytvořeny mapové výstupy, které se nachází v přílohách 16 a

41 KAPITOLA 6 Výsledky V této kapitole jsou prezentovány dosaţené výsledky. Bude zde rozebrána přesnost klasifikací, následně změny druhového sloţení a změny stavu vegetace NP Šumava pomocí vegetačních indexů NDVI a LAI. 6.1 VYHODNOCENÍ PŘESNOSTI KLASIFIKACÍ Jak jiţ bylo výše zmíněno, pro hodnocení klasifikace byla zvolena metoda chybové matice s pouţitím 350 bodů pro snímky z roku 1999 a V tabulce 6 jsou uvedeny celkové přesnosti klasifikací u obou snímků a jejich kappa indexy. V přílohách 7 aţ 10 pak dále nalezneme chybové matice klasifikací a zpracovatelské a uţivatelské přesnosti. Tab. 6 Přesnost klasifikací snímků Kappa Index [%] celková přesnost klasifikace [%] Landsat 7 (1999) Landsat 5 (2009) Zdroj: PCI Geomatica Vyšší celkové přesnosti bylo dosaţeno u snímku Landsat 5, kde celková přesnost klasifikace dosáhla 93,714 %, zatímco u snímku z roku 1999 byla přesnost o několik desetin niţší s 93,143 %. Takto vysoká přesnost byla pravděpodobně dosaţena díky tomu, ţe ostatní plochy byly zřetelně rozeznatelné a nebyly klasifikovány pod maskou. Jednalo se o jednobarevnou vrstvu, která zahrnovala zbylé území NP Šumava bez lesní vegetace. Vysoká přesnost byla téţ způsobena převahou jehličnatých lesů na zkoumaném území, jelikoţ většina kontrolních bodů zasahovala do plochy těchto porostů. Nízký počet tříd můţe být příčinou vysoké přesnosti. U obou snímků byly klasifikovány jehličnaté lesy se zpracovatelskou přesností 99 % u snímku pro rok 1999 a dokonce 100 % u roku Uţivatelská přesnost u jehličnatých lesů byla mírně niţší. Pro rok 1999 činila uţivatelská přesnost 93,39 % a u roku ,9 %. Jelikoţ byly ostatní plochy dobře určitelné, měly vysokou uţivatelskou i zpracovatelskou přesnost. Nejproblematičtějšími třídami byly listnaté a smíšené lesy. U roku 1999 byla zpracovatelská přesnost u smíšených lesů 64 %, zatímco u listnatých pouze 40 %. Uţivatelská přesnost smíšených lesů také činila 64 % a u listnatých 90,9 %. Nízké hodnoty u zpracovatelské přesnosti listnatých lesů mohlo být způsobeno nízkým počtem kontrolních bodů, které byly zvoleny při hodnocení klasifikace nebo chybami při ní. V přílohách 7 a 8 se nachází tabulky 41

42 chybové matice pro rok 1999 a 2009, ze kterých je zřetelně vidět, ţe k největším záměnám docházelo mezi listnatými a smíšenými lesy. 6.2 ZMĚNY LAND COVER Změny krajinného pokryvu v NP Šumava byly zkoumány na snímcích z druţic Spot a Landsat. Na snímcích Spot byla zkoumána pouze změna celkového pokryvu lesa k ostatním plochám, zatímco u snímků Landsat také změny druhového sloţení lesa. Na snímcích Spot ani Landsat nebylo obsaţeno celé území NP Šumava. Podle Správy NP Šumava činí rozloha Národního parku ha. U snímků LANDSAT bylo zpracováno území o rozloze ha a u snímků SPOT ha. V následujících tabulkách 7 a 8 jsou výsledky ze snímků SPOT, které byly získány z atributové tabulky a následně dopočítány v programu Microsoft Excel. Tab 7 Rozloha a podíl ploch v NP Šumava rozloha v ha rozloha v % třída Land Cover lesní vegetace ,42 72,37 ostatní plocha ,58 27,63 celkem Zdroj: data Spot Tab 8 Rozlohy a podíl jednotlivých tříd land cover v NP Šumava LC v roce 1995 LC v roce 2005 plocha v ha plocha v % lesní vegetace lesní vegetace ,11 ostatní plocha ostatní plocha ,41 lesní vegetace ostatní plocha ,24 ostatní plocha lesní vegetace ,24 Zdroj: data Spot U snímků Spot se pracovalo pouze s rozlohou ha NP Šumava, coţ je přibliţně 5/7 území celého národního parku. Mezi lety došlo podle výsledků k úbytku lesní plochy a nárůstu ostatních ploch. V roce 1995 zaujímala lesní vegetace 78,42 % rozlohy, zatímco v roce 2005 poklesla na 72,37 %. Nárůst ostatních ploch a pokles lesní vegetace je pravděpodobně způsoben kácením lesů pro dřevařský průmysl a kůrovcovou kalamitou, která trápí NP. Přesně na tomto území došlo k úbytku 2922 ha lesní vegetace. Z přílohy 11 je vidět, ţe největší změny se projevují v oblasti jiţně od obce Modrava, kde se nachází ohnisko kůrovcové kalamity. Pouze na 5,24 % plochy došlo ke změně z ostatních ploch na lesní vegetaci. Toto území zahrnuje oblasti, kde dochází k zalesňování a rozšiřování lesní vegetace. Pro ilustraci byla vytvořena podobná mapa překryvu dvou snímků Spot ( ) i pro Landsat (

43 2009), kde byly v úvahu brány pouze dvě kategorie land cover ostatní plochy a lesní vegetace. Tento mapový výstup se nachází v příloze 12. Tabulky 9 a 10 představují obdobnou podobu tabulek 7 a 8 pro snímky LANDSAT jen s tím rozdílem, ţe je zde lesní vegetace rozdělena do dalších 3 kategorií (jehličnaté lesy, smíšené lesy a listnaté lesy). třída LC Tab 9 Rozloha a podíl ploch v NP Šumava rozloha v ha rozloha v % jehličnaté lesy ,74 66,42 smíšené lesy ,48 0,68 listnaté lesy ,88 0,53 ostatní plochy ,9 32,37 celkem Zdroj: data Landsat Tab 10 Rozloha změn land cover v NP Šumava LC v roce 1999 LC v roce 2009 plocha změn v ha jehličnaté lesy smíšené lesy 28 jehličnaté lesy listnaté lesy 4 jehličnaté lesy ostatní plochy smíšené lesy jehličnaté lesy 12 smíšené lesy listnaté lesy 8 smíšené lesy ostatní plochy 271 listnaté lesy smíšené lesy 58 listnaté lesy ostatní plochy 248 ostatní plochy jehličnaté lesy ostatní plochy smíšené lesy 5 ostatní plochy listnaté lesy 5 celková plocha změn Zdroj: data Landsat U snímků Landsat z let 1999 a 2009 také nebylo zahrnuto celé území NP Šumava. Zájmové území zahrnovalo ha z celkové plochy NP. Podle výsledků ze snímků Landsat došlo mezi lety k úbytku lesní vegetace o 799 ha. Pravděpodobně to bylo opět způsobeno šířením kůrovce a vichřicí Kyrill, která se přehnala přes NP Šumava v roce Nejrozšířenějším druhem v NP jsou jehličnaté lesy, které zaujímají kolem 2/3 z celkové zájmové plochy. Zbývající třetinu tvoří listnaté a smíšené lesy a ostatní plochy. Smíšené a listnaté lesy se v NP vyskytují pouze ojediněle. V roce 1999 pokrývaly listnaté lesy 0,88 % zájmové plochy, zatímco v roce 2009 poklesl jejich stav na 0,53 %. 43

44 Podle Správy NP Šumava je 80 % povrchu NP Šumava pokryto lesy. Podle těchto výpočtů je lesnatost na tomto zájmovém území 66,42 %. Rozdíl 13,58 % můţe být způsoben tím, ţe na vybraném území se vyskytuje mnohem více ostatních ploch, jako jsou obce, louky a pastviny a na zbytku nezahrnutého území NP Šumava se vyskytuje pouze les. Další variantou je, ţe Správa NP Šumava zahrnuje do lesnatosti také oblasti holin, které v této práci jsou zařazeny do ostatních ploch nebo také nepřesnostmi při vytváření vektorové vrstvy lesních ploch. V tabulce 10 jsou zaznamenány změny mezi jednotlivými kategoriemi land cover mezi lety K největším změnám došlo u přeměny jehličnaté lesy na ostatní plochy (3910 ha) a u změny ostatních ploch na jehličnaté lesy (3 620 ha). Změna ostatní plochy jehličnaté lesy má důvod v zalesňování a jehličnaté lesy ostatní plochy v kácení. Zanedbatelné změny jsou u přeměny ostatních ploch na listnaté a smíšené lesy a také u smíšených na listnaté lesy a jehličnaté na listnaté. Celkové změny, vyplývající z překryvu dvou snímků Landsat, se vyskytly na ha zájmového území. Na zbylé ploše nedocházelo mezi lety 1999 a 2009 ke změnám mezi kategoriemi land cover. Mapový výstup změn druhového sloţení se nachází v příloze 13. Na této mapě jsou šrafami zobrazeny plochy, u kterých došlo v intervalu let ke změnám land cover. Oblast s největším úbytkem lesních ploch se vyskytuje jiţně od obce Modrava v okolí hranic se Spolkovou republikou Německo, kde došlo k největšímu úbytku lesních ploch. Tato oblast je vysoce postiţena kůrovcem a také polomy, které zde napáchala vichřice Kyrill v roce Na mapovém výstupu ze snímku pořízeném druţicí WorldView 2 se nachází tato postiţená oblast Modravského potoka, která zachycuje situaci lesní vegetace a ostatních ploch k datu pořízení 27. října Mapa byla vytvořena pouze pro ilustraci problematického území. a nachází se v příloze HODNOCENÍ STAVU LESNÍ VEGETACE Hodnocení stavu lesní vegetace bylo provedeno pomocí vegetačních indexů NDVI a LAI. Tyto vegetační indexy byly vypočítány ze snímků Landsat z roku 1999 a Větší rozmezí hodnot NDVI bylo u snímku z roku 1999 a to 0,0189 0,996, zatímco u snímku z roku 2009 byl interval uţší 0,037 0,768. Oba tyto snímky byly pořízeny v polovině září., coţ by mohlo být důvodem širšího intervalu. Rok 1999 byl více slunečný, a proto bylo v září zvýšené mnoţství slunečního svitu, coţ se projevilo větším mnoţstvím chlorofylu v listech. Odlišný rozsah vypočtených hodnot NDVI mohl souviset také se změnou krajinného pokryvu. Obrázek 5 představuje výřez NP Šumava, na kterém jsou zachyceny výsledky NDVI pro rok 1999 a Tmavě zelená barva představuje vysokou hustotu vegetace a směrem k světlejší hustota klesá. Na tomto obrázku se nenachází velké rozdíly v hustotě vegetace. Pouze v pravém horním rohu došlo mezi lety ke sníţení hustoty vegetace. 44

45 Při porovnání obou mapových výstupů (příloha 14 a 15), které zachycují stav lesní vegetace v roce 1999 a 2009, bylo zjištěno, ţe nejhustější vegetace se vyskytuje v oblastech listnatých a smíšených lesů. Zatímco řídká a nezdravá potaţmo ţádná lesní vegetace se nachází v oblastech napadených kůrovcem, které se nejvíce projevují u hranic se Spolkovou republikou Německo a Rakouskem. Konkrétně nejpostiţenější oblastí jsou okolí Třístoličníku a Plešného jezera, okolí pramene Vltavy a oblast Březníku. Obr. 5 Srovnání výsledků výpočtu NDVI na výřezu z území NP Šumava Druhým vegetačním indexem, který byl pouţit k hodnocení stavu lesní vegetace, byl Index listové plochy (LAI Leaf Area Index). U roku 1999 byl opět evidován širší interval (0 488) neţ u snímku z roku 2009 (0 464), ačkoliv ne příliš závratně. Na obrázku 6 jsou zobrazeny výřezy části území NP Šumava v letech 1999 a 2009 pomocí indexu LAI. Byla vybrána jihovýchodní část NP Šumava z důvodu viditelnosti změn. Škála od tmavě zelené po světle zelenou značí stupnici od vysoké hustoty lesní vegetace po nízkou. Mezi lety došlo na tomto území ke značným změnám. V roce 1999 se na tomto území nacházelo více listnatých a smíšených lesů, coţ znázorňuje i tmavě zelená barva, jelikoţ listy pokrývají mnohem větší plochy neţ jehlice u jehličnatých stromů. Pravděpodobně došlo na tomto území ke změnám druhové skladby lesa na úkor listnatých lesů ve prospěch jehličnatých. Proto odlišná šířka intervalu mohla být způsobena změnou druhové skladby lesa. Mapové výstupy pro roky 1999 a 2009 se nacházejí v přílohách 16 a 17. Obr. 6 Srovnání výsledků výpočtu LAI na výřezu NP Šumava 45

46 KAPITOLA 7 Diskuze Hlavním cílem této práce bylo zhodnotit změny, jak v druhovém sloţení lesa, tak i změny mezi kategoriemi lesní vegetace a ostatní plochy. Mezi další zkoumaný jev patřil i zdravotní stav lesa, který byl značně ovlivněn rozšířením lýkoţrouta smrkového v NP. Změny ploch lesní vegetace byly hodnoceny jak u snímků Spot, tak i Landsat. Na snímcích Landsat bylo navíc zkoumáno druhové sloţení lesní vegetace v kategoriích na jehličnaté, smíšené a listnaté. Oba typy druţic zachycují změny v území NP v intervalu 10 let. Snímky Spot zobrazují změny v krajině mezi lety a Landsat Musí být také řečeno, ţe obě druţice zachycují odlišná území. Oba výsledky se shodují v tom, ţe většina území NP Šumava je pokryta lesní vegetací. U snímků Spot došlo k poklesu lesní vegetace během let ze 78,42 % na 72,37 % a u snímků Landsat 69,1 % na 67,63 %. Pokles u obou snímků značí všeobecný trend poklesu lesní vegetace na území NP Šumava. Způsobila to především kůrovcová kalamita a vichřice Kyrill, která se v roce 2007 přes NP přehnala. Postiţenými oblastmi jsou okolí rozhledny Poledník, oblast podél Modravského potoka a okolí Březníku. Podle Správy NP Šumava ( je podíl lesní vegetace 80%. Jelikoţ snímky zachycují odlišná území, nelze tyto výsledky porovnávat s hodnotami ze Správy NP Šumava. Můţeme ale vysledovat, ţe určité přiblíţení zde je a niţší hodnoty výsledků mohly být způsobeny mapovou vizualizací území, kde jsou největší problémy s kůrovcovou kalamitou. Dalším faktorem odlišnosti výsledků snímků Spot a Landsat mohl být stupeň rozlišení lesní vegetace na snímku. V příloze 18 se nachází výřez z oblasti Modravska, který byl zachycen 3 druţicemi Landsat, Spot a WorldView. Multispektrální snímek Landsat byl pořízen v roce 2009 a byl vizualizován v nepravých barvách v RGB kombinaci 4, 3, 2. Tmavě modrou je zobrazena lesní vegetace, světlejší modrá značí méně hustou vegetaci, růţová představuje louky a pastviny a bílá zástavbu. Snímky Spot z roku 2005 a WorldView z roku 2010 jsou panchromatické. Landsat má prostorové rozlišení 30 m, Spot 5 m a WorldView 0,5 m. Je vidět, ţe díky svému rozlišení je snímek WorldView nejvíce podrobný a lze na snímku jiţ rozeznávat jednotlivé stromy a jejich stíny. Protoţe prostorové rozlišení Landsat činí 30 m, jsou jeho hranice mezi lesem a ostatními plochami značně zkreslené. Jelikoţ má snímek Spot vyšší prostorové rozlišení neţ snímek Landsat, je snímek Spot vhodnější pro hodnocení dynamických jevů lesní vegetace. Správa NP Šumava tvrdí, ţe nejvíce zastoupeným druhem je smrk ztepilý. Kvůli vysázení smrkových monokultur došlo ke zvýšení počtu jehličnanů na úkor listnatých lesů, 46

47 které se vyskytovaly dříve v hojnějším počtu. Proto má také lýkoţrout smrkový velký prostor k napadávání zdravých smrkových lesů. Podle Správy NP Šumava ( se dnes v NP vyskytuje 91,6 % jehličnatých lesů, zatímco listnatých pouhých 8,4 %. V případě nezasahování člověka by bylo zastoupení jednotlivých druhů značně odlišné. Jehličnaté lesy by zaujímaly 68 % a listnaté 32 %. Z toho by byl nejpočetnějším zástupcem listnatých lesů buk lesní. Výsledky práce prokázaly výrazný většinový výskyt jehličnatých lesů. Výsledky Landsat pro rok 2009 ukázaly, ţe na 98 % lesních ploch se vyskytují jehličnany, 1 % zaujímají smíšené lesy a 1 % listnaté. Tyto hodnoty nelze vzájemně porovnávat, jelikoţ výsledky jsou sestaveny pouze z části NP Šumava. Zdravotní stav a hustota lesní vegetace byl hodnocen pomocí výpočtu normalizovaného diferenčního vegetačního indexu (NDVI) a indexu listového pokrytí (LAI). Vyšší hodnoty u obou indexů se vyskytovaly v místech, kde rostly listnaté a smíšené lesy. Vyšší hodnoty indexu značily zdravou a hustou vegetaci, zatímco niţší hodnoty znamenaly řídkou a poškozenou. Je to způsobeno tím, ţe zdravá vegetace obsahuje velké mnoţství biomasy, která odráţí větší mnoţství blízkého infračerveného záření, zatímco poškozená vegetace má menší mnoţství chlorofylu a biomasy a méně odráţí blízké infračervené záření (Dobrovolný, 1998). Hodnocení zdravotního stavu bylo provedeno opět na snímcích Landsat mezi lety Nejvíce poškozená místa se nacházejí v blízkosti hranic se Spolkovou republikou Německo v okolí Březníku, Černé hory a Plešného jezera, kam se lýkoţrout smrkový z Bavorského lesa šířil nejdříve. Všechny tyto oblasti se nacházejí v I. zóně NP, kde je přísně zakázáno kácení lesa. Při porovnání snímků z let je patrné, ţe ke změnám zdravotního stavu lesa docházelo pouze ojediněle a nedocházelo k ţádným převratným změnám. 47

48 KAPITOLA 8 Závěr Stav lesní vegetace byl zkoumán ze tří zdrojů dat. Byla zpracována data z druţice Landsat pro rok 1999 a 2009, z druţice Spot pro rok 1995 a 2005 a z druţice WorldView pro rok U snímků Landsat a Spot byla provedena vektorizace lesní vegetace, která byla zrealizována v softwaru ArcGIS modulu ArcMap. K neřízené klasifikaci, postklasifikačním úpravám a hodnocení přesnosti klasifikací byl pouţit software Geomatica. Následně byly klasifikované třídy importovány do modulu ArcMap, převedeny na vektor a dále upraveny. Hlavní hypotézou této práce bylo neustálé ubývání lesních ploch a ke zhoršování zdravotního stavu lesní vegetace. Z výsledků získaných díky druţicovým snímkům Spot a Landsat bylo prokázáno sniţování rozlohy lesní vegetace ve prospěch ostatních ploch. Při vizuálním pohledu na mapové výstupy Spot a Landsat v přílohách 11 a 12 vyniká území nacházející se jiţně od obce Modrava, kde docházelo na obou snímcích k velké přeměně lesní vegetace na ostatní plochy. Na mapových výstupech NDVI ze snímků Landsat nebyly prokázány změny zdravotního stavu vegetace. Pomocí indexu LAI byl zjištěn vyšší výskyt hustější vegetace v oblastech listnatých a smíšených lesů, protoţe listy zaobírají větší plochu neţ jehlice u jehličnatých lesů. Změny mohou souviset se změnou druhového sloţení lesa, kdy dochází k úbytku listnatých lesů na úkor jehličnatých lesů. Snímky vysokého rozlišení Landsat byly posouzeny jako vhodné pro zkoumání změn stavu lesní vegetace. Lze je vyuţít pro zkoumání změn druhového sloţení lesa a změn lesních ploch. Hodnocení změn zdravotního stavu lesa pomocí indexu NDVI u snímku Landsat nebyl stanoven za vhodný, jelikoţ při porovnání výsledků NDVI z let 1999 a 2009 nedocházelo ke změnám. U panchromatického snímku Spot se určovala pouze změna lesní vegetace a ostatních ploch a snímek WorldView byl vytvořen pouze pro ilustraci území s největšími problémy s kůrovcem. Ţádné druhové sloţení lesní vegetace zde nebylo zkoumáno. Tato práce by mohla poslouţit Správě NP Šumava nebo AOPK ČR k vývojovému hodnocení lesní vegetace. Z mapových výstupů je vidět, odkud dochází k šíření lýkoţrouta smrkového. Mohla by být také nápomocna k dalšímu rozhodování, jak dál řešit kůrovcovou kalamitu. 48

49 SEZNAM POUŢITÝCH ZDROJŮ INFORMACÍ Tištěné publikace ANDĚRA, M., ZAVŘEL, P Šumava příroda historie život. Praha, s. Nakladatelství Miloš Uhlíř Baset ČAPEK, R Dálkový průzkum Země. První vydání. Praha : Ministerstvo školství, 266 s. DOBROVOLNÝ, P Dálkový průzkum Země : Digitální zpracování obrazu. Brno : Vydavatelství Masarykovy Univerzity, 210 s. HAIS, M Vývoj a spektrální projevy odlesnění centrální Šumavy hodnocené prostřednictvím DPZ a GIS. Praha, s. Disertační práce na Přírodovědecké fakultě Univerzity Karlovy na katedře fyzické geografie a geoekologie. HLADKÁ, A Hodnocení globálních změn lesních ploch na základě dat dálkového průzkumu Země. Praha, s. Bakalářská práce na Přírodovědecké fakultě Univerzity Karlovy na katedře aplikované geoinformatiky a kartografie. CHRÁST, J Možnosti hodnocení kalamit lesních ploch pomocí družicových dat. Praha, s. Bakalářská práce na Přírodovědecké fakultě Univerzity Karlovy na katedře aplikované geoinformatiky a kartografie. KOLÁŘ, J Principy fungování a využívání pozorovacích satelitů. Skripta, Praha: Česká kosmická kancelář, o.p.s. 1. vydání. 62 s. KOLÁŘ, J., HALOUNOVÁ, L., PAVELKA, K Dálkový průzkum Země 10. Skripta, Praha: ČVUT. 1. vydání. 164 s. Internetové zdroje ARCDATA Praha: Geografické informační systémy [online] [cit ]. Dostupné z URL: < BAREŠOVÁ, M., HANUSOVÁ, Z. 2010, Šumava [online] [cit ]. Dostupné z URL: < BLÁHA, J. D Citace a metody citování literatury : normy, ukázky a příklady [online]. Praha, 2008, poslední aktualizace [cit ]. Dostupné z URL: < Výukový materiál pro předmět Seminář k bakalářské práci vyučovaný na Přírodovědecké fakultě Univerzity Karlovy na katedře aplikované geoinformatiky a kartografie. 49

50 DIGITALGLOBE: WorldView-2 [online] [cit ]. Dostupné z URL: < DOBROVOLNÝ, P. Dálkový průzkum Země : Přednášky [online] [cit ]. Dostupné z URL: < DOBROVOLNÝ, P. Multimediální výuka předmětů krajinná ekologie a dálkový průzkum Země na katedře geografie PřF MU [online]. [cit ]. Dostupné z URL: < DOLANSKÝ, T. Radiometrické úpravy obrazu [online]. [cit ]. Dostupné z URL: < EEA: European Environment Agency [online] [cit ]. Dostupné z URL: < ESA: European Space Agency [online] [cit ]. Dostupné z URL: < ESRI Understanding Our World: ArcGIS: A complete Integrated System [online]. [cit ]. Dostupné z URL: < GEODIS Brno: Letecké snímkování [online] [cit ]. Dostupné z URL:< GEOEYE: Satellite imaging corporation [online] [cit ]. Dostupné z URL:< GISAT: Družicové snímky [online] [cit ]. Dostupné z URL:< HAIS, M. Využití dálkového průzkumu Země pro monitoring lesů na Šumavě [online] [cit ]. Dostupné z URL:< HORÁK, J. Dálkový průzkum Země : Přednášky [online] [cit ]. Dostupné z URL: < >. INFORMAČNÍ SERVER ŠumavaNet.CZ: MODRAVA a okolí [online] [cit ]. Dostupné z URL: < JANOŠ, Z. Dálkový průzkum Země: Přednášky [online] [cit ]. Dostupné z URL: < KOMEŠTÍKOVÁ, P. Vegetační indexy [online]. [cit ]. Dostupné z URL: < 50

51 LANGHAMMER, J. Dálkový průzkum Země : Přednášky [online] [cit ]. Dostupné z URL: < NÁRODNÍ PARK ŠUMAVA: Správa Národního parku a chráněné krajinné oblasti Šumava [online] [cit ]. Dostupné z URL: < PCI GEOMATICS: About PCI Geomatics [online] [cit ]. Dostupné z URL: < SOLBERG, S....[et al.] Remote Sensing of Forest Health. Remote Sensing and Spatial Information Sciences [online]. [cit ]. 36, p Dostupné z URL: < SPOTIMAGE: GEO-Information Services [online] [cit ]. Dostupné z URL: < WIKIPEDIE Otevřená encyklopedie : Dálkový průzkum Země [online] [cit ]. Dostupné z URL: < >. ŢELEZNÝ, M. Dálkový průzkum Země [online]. [cit ]. Dostupné z URL: < Zdroje dat DIGITAL GLOBE: An Imagery and Information Company [online] [cit ]. Dostupné z URL: < PLANET ACTION: A Spot Image initiative [online] [cit ]. Dostupné z URL: < USGS: science for a changing world [online]. 8th February 2011 [cit ]. Earth Explorer. Dostupné z URL: < 51

52 SEZNAM PŘÍLOH Příloha 1 Spektrální pásma Landsat 7 Příloha 2 Spektrální pásma Landsat 5 Příloha 3 Spektrální pásma SPOT 3 Příloha 4 Spektrální pásma SPOT 4 Příloha 5 Spektrální pásma SPOT 5 Příloha 6 Spektrální pásma WorldView 2 Příloha 7 Chybové matice Landsat 7 (15. září 1999) Příloha 8 Přesnosti klasifikace Landsat 7 (15. září 1999) Příloha 9 Chybové matice Landsat 5 (9. září 2009) Příloha 10 Přesnosti klasifikace Landsat 5 (9. září 2009) Příloha 11 Změny ploch lesní vegetace pomocí snímků Spot ( ) Příloha 12 Změny ploch lesní vegetace pomocí snímků Landsat ( ) Příloha 13 Změny Land Cover pomocí snímků Landsat ( ) Příloha 14 Hodnocení stavu lesní vegetace v roce 1999 pomocí NDVI Příloha 15 Hodnocení stavu lesní vegetace v roce 2009 pomocí NDVI Příloha 16 Hodnocení stavu lesní vegetace v roce 1999 pomocí LAI Příloha 17 Hodnocení stavu lesní vegetace v roce 2009 pomocí LAI Příloha 18 Porovnání snímků Landsat, Spot a WorldView na výřezu z NP Šumava Příloha 19 Náhled celého snímku Landsat, 1999 Příloha 20 Náhled celého snímku Landsat, 2009 Příloha 21 Náhled celého snímku Spot, 1995 Příloha 22 Náhled celého snímku Spot, 2005 Příloha 23 Náhled celého snímku WorldView, 2010 Příloha 24 Výskyt lesní vegetace na snímku WorldView 52

53 Příloha 1 Spektrální pásma Landsat 7 (zdroj: GISAT, 2011) LANDSAT 7 - senzor ETM+ Pásmo Rozsah pásma (μm) Kódování spektrálního pásma Prostorové rozlišení (m) 1 0,45-0,52 BLUE ,52-0,6 GREEN ,63-0,69 RED ,76-0,9 NIR ,55-1,75 SWIR ,08-2,35 SWIR ,42-12,5 TIR ,52-0,9 PAN 15 Příloha 2 Spektrální pásma Landsat 5 (zdroj: GISAT, 2011) LANDSAT 5 - senzor TM Pásmo Rozsah pásma (μm) Kódování spektrálního pásma Prostorové rozlišení (m) 1 0,45-0,52 BLUE ,52-0,6 GREEN ,63-0,69 RED ,76-0,9 NIR ,55-1,75 SWIR ,08-2,35 SWIR ,42-12,5 TIR 120 Příloha 3 Spektrální pásma SPOT 3 (zdroj: GISAT, 2011) SPOT 3 HRV MS Pásmo Rozsah pásma (μm) Kódování spektrálního pásma Prostorové rozlišení (m) B1 0,5-0,59 GREEN 20 B2 0,61-0,68 RED 20 B3 0,78-0,89 NIR 20 Příloha 4 Spektrální pásma SPOT 4 (zdroj: GISAT, 2011) SPOT 4 HRVIR MS Pásmo Rozsah pásma (μm) Kódování spektrálního pásma Prostorové rozlišení (m) B1 0,5-0,59 GREEN 20 B2 0,61-0,68 RED 20 B3 0,78-0,89 NIR 20 B4 1,58-1,75 SWIR 20

54 KLASIFIKOVA NÉ TŘÍDY Příloha 5 Spektrální pásma SPOT 5 (zdroj: GISAT, 2011) SPOT 5 HRG MS Pásmo Rozsah pásma (μm) Kódování spektrálního pásma Prostorové rozlišení (m) B1 0,5-0,59 GREEN 10 B2 0,61-0,68 RED 10 B3 0,78-0,89 NIR 10 B4 1,58-1,75 SWIR 20 Příloha 6 Spektrální pásma WorldView 2 (zdroj: GISAT, 2011) WORLDVIEW 2 - MS Pásmo Rozsah pásma (μm) Kódování spektrálního pásma Prostorové rozlišení (m) 1 0,45-0,51 BLUE 1,84 2 0,51-0,58 GREEN 1,84 3 0,63-0,69 RED 1,84 4 0,77-0,895 NIR 1,84 5 0,4-0,45 COASTAL 1,84 6 0,585-0,625 YELLOW 1,84 7 0,705-0,745 RED EDGE 1,84 8 0,86-1,04 NIR 1,84 Příloha 7 Chybové matice Landsat 7 (15. září 1999) TŘÍDY SKUTEČNÉ Landsat září 1999 jehličnaté smíšené listnaté ostatní plocha celkem jehličnaté smíšené listnaté ostatní plocha celkem Příloha 8 Přesnosti klasifikace Landsat 7 (15. září 1999) 1999 jehličnaté lesy smíšené lesy listnaté lesy ostatní plochy zpracovatelská přesnost 99% 64% 40% 100% uţivatelská přesnost 93,39% 64% 90,9% 98,039%

55 KLASIFIKOVANÉ TŘÍDY Příloha 9 Chybové matice Landsat 5 (9. září 2009) Landsat 5-9. září 2009 TŘÍDY SKUTEČNÉ jehličnaté smíšené listnaté ostatní plocha celkem jehličnaté smíšené listnaté ostatní plocha celkem Příloha 10 Přesnosti klasifikace Landsat 5 (9. září 2009) 2009 jehličnaté lesy smíšené lesy listnaté lesy ostatní plochy zpracovatelská přesnost 100% 35% 33,33% 100% uţivatelská přesnost 90,9% 56,25% 100,00% 94,34%

56 Příloha 18 Porovnání snímků Landsat, Spot a Worldview na výřezu z NP Šumava Landsat 5 (9. září 2009) - multispektrální snímek - RGB kombinace (4, 3, 2) - prostorové rozlišení 30 m Spot 5 (23. října 2005) - panchromatický snímek - prostorové rozlišení 5 m WorldView 2 (27. října 2010) - panchromatický snímek - prostorové rozlišení 0,5 m

57 Příloha 19 Náhled celého snímku Landsat, 1999 (zdroj: USGS)

58 Příloha 20 Náhled celého snímku Landsat, 2009 (zdroj: USGS)

59 Příloha 21 Náhled celého snímku Spot, 1995 (zdroj: Planet Action)

60 Příloha 22 Náhled celého snímku Spot, 2005 (zdroj: Planet Action)

61 Příloha 23 Náhled celého snímku WorldView, 2010 (zdroj: Digital Globe)