HODNOCENÍ GLOBÁLNÍCH ZMĚN LESNÍCH PLOCH NA ZÁKLADĚ DAT DÁLKOVÉHO PRŮZKUMU ZEMĚ

Transkript

1 UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie HODNOCENÍ GLOBÁLNÍCH ZMĚN LESNÍCH PLOCH NA ZÁKLADĚ DAT DÁLKOVÉHO PRŮZKUMU ZEMĚ EVALUATION OF GLOBAL CHANGES IN FOREST AREA BASED ON REMOTE SENSING DATA Bakalářská práce Anna Hladká srpen 2010 Vedoucí bakalářské práce: RNDr. Přemysl Štych, Ph.D.

2 Prohlašuji, že jsem tuto bakalářskou práci vypracovala samostatně a že jsem všechny použité prameny řádně citovala. Jsem si vědoma toho, že případné použití výsledků získaných v této práci mimo Univerzitu Karlovu v Praze je možné pouze po písemném souhlasu této univerzity. Svoluji k zapůjčení této práce pro studijní účely a souhlasím s tím, aby byla řádně vedena v evidenci vypůjčovatelů. V Praze dne 13. srpna 2010 Anna Hladká

3 Poděkování Na tomto místě bych v první řadě ráda poděkovala vedoucímu mé bakalářské práce, RNDr. Přemyslu Štychovi, Ph.D., za ochotu, cenné rady, předmětnou kritiku a věnovaný čas. Dále bych chtěla poděkovat své rodině a přátelům za podporu během celého studia a v neposlední řadě také oponentovi za posudek mé práce a případné připomínky.

4 Hodnocení globálních změn lesních ploch na základě dat dálkového průzkumu Země Abstrakt: Cílem této práce je pomocí dat dálkového průzkumu Země hodnotit změny celosvětových lesních ploch. Práce by měla čtenáři nastínit principy klasifikace krajinného pokryvu se zaměřením na lesní plochy na základě družicových snímků, ale také ukázat konkrétní řešení při hodnocení změn lesních ploch na dvou zvolených regionech. V první části práce je provedena literární rešerše všech dílčích aspektů tohoto tématu od základních principů dálkového průzkumu Země, přes typologii a parametry družicových senzorů, které pořizují družicové snímky, až po klasifikační systémy krajinného pokryvu a charakteristiku lesních ploch. V následující části je popsán základní postup při klasifikaci družicových snímků a jeho možné varianty. Jsou zde rozebírány například korekce obrazu, klasifikace řízená a neřízená, metody kontroly přesnosti klasifikace nebo používané softwary. Pro aplikační část byly vybrány oblast Riau v Indonésii a stát Oregon v USA. Na těchto regionech je demonstrován konkrétní postup klasifikace krajinného pokryvu a z něj následně hodnocení změn lesních ploch. V závěru práce jsou získané výsledky diskutovány a porovnány s dostupnými databázemi krajinného pokryvu. Klíčová slova: Dálkový průzkum Země, družicové snímky, klasifikace, krajinný pokryv, lesy, odlesňování, zalesňování, Riau, Oregon Evaluation of global changes in forest area based on remote sensing data Abstract: The aim of this project is using remote sensing data to assess change in global forest area. This work should give the outline of the principles of land cover classification, with a focus on forests based on satellite images, but also show a real solution in the evaluation of changes in forest areas in two selected regions. The first part is performed a literature review of all aspects of this subtopic from the basic principles of remote sensing across the typology and characteristics of satellite sensors, which are giving the satellite images to land cover classification systems and characteristics of forest area. The next section describes the basic procedure for classification of satellite imagery and its possible variants. In my work there are explain the image corrections, the supervised and unsupervised classification, the method of checking the accuracy of classification or use of software. Selected area for my work was Riau in Indonesia and state of Oregon, USA. To these regions there are demonstrated practical procedure for classifying land cover and then its changes from the forest areas. In conclusion of my work the results are discussed and compared with available land cover databases. Key Words: Remote Sensing, Satellite Images, Classification, Land Cover, Forests, Reforestation, Reforestation / Afforestation, Riau, Oregon

5 OBSAH SEZNAM POUŽITÝCH ZKRATEK... 7 SEZNAM TABULEK... 8 SEZNAM OBRÁZKŮ ÚVOD REŠERŠE LITERATURY A UVEDENÍ DO PROBLEMATIKY DÁLKOVÝ PRŮZKUM ZEMĚ Historie družicového DPZ Družice Landsat a jejich senzory Vybrané zdroje družicových dat Země ELEKTROMAGNETISMUS A SPEKTRÁLNÍ CHOVÁNÍ OBJEKTŮ Spektrální odrazivost Vegetace Voda Holá půda KRAJINNÝ POKRYV / LAND COVER USGS Land Use / Land Cover LCCS CORINE Land Cover LESY Definice a klasifikace lesa ZPRACOVÁNÍ DRUŽICOVÝCH SNÍMKŮ CHYBY SNÍMKŮ A JEJICH KOREKCE Geometrické korekce Radiometrické korekce KLASIFIKACE Řízená klasifikace Neřízená klasifikace KONTROLA PŘESNOSTI KLASIFIKACE POSTKLASIFIKAČNÍ ÚPRAVY Filtrace obrazu Další postklasifikační úpravy METODIKA A POUŽITÁ DATA VÝBĚR ŘEŠENÝCH ÚZEMÍ STRUČNÁ CHARAKTERISTIKA VYBRANÝCH ÚZEMÍ Provincie Riau - ostrov Sumatra, Indonésie Stát Oregon - USA SBĚR DAT VYUŽITÉ SOFTWARY

6 4.5 ÚPRAVY DAT Změna formátu a sloučení pásem Ořezání snímků KOREKCE DAT KLASIFIKACE LAND COVER Příprava klasifikace Sběr trénovacích ploch Použitá metoda klasifikace Postklasifikační úpravy KONTROLA PŘESNOSTI KLASIFIKACE TVORBA VEKTOROVÉ DATABÁZE A MAPOVÝCH VÝSTUPŮ ANALÝZA ZMĚN LAND COVER NA ŘEŠENÝCH ÚZEMÍCH VÝSLEDKY ZMĚNY LESNÍCH PLOCH Z GLOBÁLNÍHO POHLEDU Odlesňování Zalesňování DOSAŽENÉ VÝSLEDKY KLASIFIKACE DRUŽICOVÝCH SNÍMKŮ Změny lesních ploch a LC v provincii Riau Změny lesních ploch a LC ve státě Oregon Výsledná přesnost klasifikací DISKUZE ZÁVĚR SEZNAM POUŽITÝCH ZDROJŮ INFORMACÍ SEZNAM PŘÍLOH PŘÍLOHY

7 SEZNAM POUŽITÝCH ZKRATEK (eng. *) - English - * je pojem používaný v anglické literatuře pro ekvivalent před závorkou (trans. *) - Translation - * je překlad do češtiny pojmu před závorkou BP - Bakalářská práce CBD - Convention on Biological Diversity - Dohoda o biologické diverzitě ČSAV - Československá akademie věd DMT - Digitální model terénu DN - Digital number- hodnoty, které nesou jednotlivé pixely obrazu DPZ - Dálkový průzkum Země ESA - European Space Agency - Evropská vesmírná agentura FAO - The Food and Agriculture Organisation of the United Nations - Organizace pro výživu a zemědělství Organizace spojených národů IUCN - International Union for Conservation of Nature - Mezinárodní unie pro ochranu přírody LC - Land cover - krajinný pokryv LU - Land use - využití půdy NASA - National Aeronautic and Space Administration - Národní letecká a vesmírná správa NIR - Near infrared radiation - blízké infračervené záření SW - Software UNEP - The United Nations Environment Programme - Plán životního prostředí Organizace spojených národů UNFCCC - The United Nations Framework Convention on Climate Change - Soustava úmluv o klimatických změnách Organizace spojených národů USGS - U.S. Geological Survey - Geologický výzkum Spojených států WHO - World Health Organisation - Organizace světového zdraví WRI - World Resources Institute - Ústav pro světové zdroje WWF - World Wildlife Fund - Světový přírodní fond 7

8 SEZNAM TABULEK A OBRÁZKŮ Tab. 1 Charakteristika senzoru MSS Tab. 2 Charakteristika senzoru TM Tab. 3 Charakteristika senzoru ETM Tab. 4 Porovnání Landsat senzorů Obr. 1 Schéma elektromagnetického spektra Obr. 2 Spektrální chování objektů Obr. 3 Spektrální projev vegetace Obr. 4 Spektrální projev vody Obr. 5 Spektrální projev půdy dle vlhkosti Obr. 6 Světové lesní plochy při 75% a 10% pokryvu korunami stromů Obr. 7 Normální rozdělení hodnot - průběh Gaussovy křivky Obr. 8 Lokalita řešeného území - Indonésie Obr. 9 Lokalita řešeného území - Oregon Tab. 5 Třídy Land Cover - oblast Riau Tab. 6 Třídy Land Cover - Oregon Obr. 10 Maximum Likelihood with NULL class Obr. 11 Maximum Likelihood with NULL class, Mode Filter 3x Obr. 12 Maximum Likelihood with NULL class, Mode Filter 3x3, Aggregation Obr. 13 Eliminate Obr. 14 Eliminate Obr. 15 Funkce Intersect Obr. 17 Změny lesních ploch Obr. 18 FAO - Změny lesních ploch mezi lety 2000 a Tab. 7 FAO - Vývoj lesních ploch ve světě od roku Obr. 18 FAO - Změny lesních ploch mezi lety 2005 a 2010 podle států Obr. 19 Kácení deštného lesa, Amazonský prales Obr. 20 Vysazování borového lesa, stát Michigan - USA Tab. 8 Land Cover oblasti Riau v letech 1979 a Tab. 9 Změny mezi třídami Land Cover oblasti Riau mezi lety 1979 a Tab. 10 Land Cover státu Oregon v letech 1973 a Tab. 11 Změny mezi třídami Land Cover státu Oregon mezi lety 1973 a

9 1 ÚVOD Změny lesních ploch, především pak jejich úbytek, jsou velmi závažným ekologickým tématem a předmětem vědeckých výzkumů. Lesy patří k nepostradatelným krajinným prvkům pro život na Zemi, protože produkují velké množství kyslíku a naopak pohlcují emise oxidu uhličitého. Kromě toho také pro mnoho živočišných i rostlinných druhů znamenají jedinečné životní prostředí. Mým motivem pro zpracování tohoto tématu v bakalářské práci byl stále více alarmující úbytek lesních ploch, ačkoliv se mnoho zemí snaží o opětovné zalesňování. Odpovědět si na otázku, kde k odlesňování dochází, o jak rapidní úbytek lesních ploch se zde jedná a kde se naopak zasazuje o vyrovnání ekologické stability planety. Cílem práce je zhodnotit globální změny lesních ploch od 70. let do současnosti popřípadě nedávné minulosti. K tomu je nutné nejprve proniknout do procesu odlesňování a zalesňování v rámci celého světa, zjistit jaké jsou ve světových regionech tendence těchto změn. Dále je mým cílem zhodnotit proces změn lesních ploch na 2 reprezentativních územích, jednom zalesňovaném a druhém odlesňovaném, pomocí dat dálkového průzkumu Země. K výběru území by měly posloužit doposud vydané studie světových organizací zabývajících se globálními změnami krajinného pokryvu Země nebo také derivované mapy ze snímků pořízených vědeckovýzkumnými družicemi. Ještě před samotným hodnocením budou podrobněji rozebrány základní principy DPZ, jejichž znalost je základem celé analýzy. Důležitým cílem je proniknout do metodiky práce s družicovými snímky a následného zpracování. Stěžejní je hlavně klasifikace krajinného pokryvu, která je zásadním krokem pro hodnocení procesu změn lesních ploch. K této části práce bude provedena důkladná literární rešerše. Kromě samotného hodnocení změn lesních ploch, potažmo krajinného pokryvu, je mým cílem srovnat dosažené výsledky s odlišnými zdroji informací o krajinném pokryvu popřípadě jeho změnách. Jedná se především o databáze celosvětového krajinného pokryvu nebo regionální databáze, jako je například databáze CORINE pro země Evropské unie. V závěru práce budou kriticky zhodnoceny použité metody a výstupy práce srovnány s výsledky jiných studií. Hypotézou práce je, že k odlesňování dochází především v rozvojových zemích a vyspělé země jsou naopak zalesňovány. Druhým předpokladem je, že družicová data vysokého a středního prostorového rozlišení jsou vhodná k hodnocení změn krajinného pokryvu potažmo monitoringu změn lesních ploch. 9

10 2 REŠERŠE LITERATURY A UVEDENÍ DO PROBLEMATIKY 2.1 DÁLKOVÝ PRŮZKUM ZEMĚ Dezertifikace, odlesňování, tání ledovců, změny využití půdy, urbanizace. Tyto a mnohé další otázky týkající se životního prostředí jsou v současnosti velmi diskutovanými tématy. Proč zrovna v dnešní době se lidé začali touto problematikou tak intenzivně zabývat, ačkoliv se dá předpokládat, že podobné procesy probíhaly již mnohem dříve? Odpovědí na otázku je jistě kromě jiného vědeckotechnický pokrok naší civilizace. Lze se domnívat, že před 200 lety měli lidé dostatek informací k tomu, aby z globálního hlediska mohli sledovat vývoj naší planety? Pravděpodobně ne. Co tedy umožnilo začít se starat o environmentální směřování Země? Byl to právě dálkový průzkum Země, který poskytl lidstvu dostatek informací k tomu, aby mohlo stav Země nepřetržitě sledovat a dále řešit. Vymezení dálkového průzkumu Země udává několik definic a všechny jsou svým způsobem správné. Pro zajímavost je zde uvedeno několik z nich: "Dálkový průzkum může být definován jako zjištění, rozpoznání nebo zhodnocení předmětů prostředky snímajícími na dálku, anebo záznamovými zařízeními." (Avery, 1977 cit. in Čapek, 1988) "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, 1988) "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 zařízení." (Światkiewicz, 1978 cit. in Čapek, 1988) "Dálkový průzkum je věda i umění získávat užitečné informace o objektech, plochách či jiných jevech prostřednictvím dat měřených na zařízení, která s těmito zkoumanými objekty, plochami či jevy nejsou v přímém kontaktu." (Lillesand, 1979, cit. in Čapek, 1988) Z geografického hlediska je nejlepší pojetí omezené na Zemi: "Dálkový průzkum Země můžeme definovat 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, str. 17, 1988) DPZ tedy zahrnuje snímání z družic, ale také metody, které se začaly využívat mnohem dříve, jako je letecké snímkování, nebo ještě starší snímkování z balónu. Největší zásluhu na usnadnění analytického zkoumání Země díky poskytnutí snímků celého jejího povrchu mají právě družice. Družicové snímky jsou schopny zaznamenat velkou plochu zemského povrchu oproti snímkům leteckým, které snímají podstatně menší území, ale zato podrobněji. Vzhledem k tomu, že tato 10

11 práce se zabývá hodnocením odlesňování z globálního hlediska, tedy hodnocením relativně velkých ploch, bude zde dále řešeno pouze družicové snímání. Lze tedy shrnout, že "se družicové snímky stávají nezastupitelným zdrojem dat nejen při 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, 2010). "Předností družicových snímků, jako zdroje informací o území, je zejména schopnost zmapovat rozsáhlé oblasti během několika okamžiků, přičemž tato data mohou být dodána do rukou uživatele již několik dní či dokonce hodin po nasnímání " (ARCDATA Praha, 2010) Historie družicového DPZ Snímkování z družic bylo zahájeno společně se snímkováním z kosmických lodí. První družice byly vyslány Sovětským svazem, ovšem ty ještě neměly snímkování ve svém programu. Jednalo se například o Sputnik 1 v roce Družice, která jako první pořídila černobílé snímky zemského povrchu, byla americká Explorer IV dne Roku 1960 byla vypuštěna série devíti kosmických lodí Mercury, z nichž pocházejí první barevné a tepelné snímky Země. Kosmické lodě řady Gemini, jichž bylo celkem dvanáct, vyhotovily přes tisíc barevných a spektrozonálních snímků v letech Značné množství takových snímků nashromáždily také kosmické lodě řady Apollo (zvláště V, VII a IX) v letech , které byly ovšem určeny především k přepravě člověka na Měsíc. Další mimořádně kvalitní snímky, jejichž počet jde do desítek tisíc, pak pocházely z kosmických laboratoří, například americké stanice řady Skylab ( ) a ruské řady Saljut (od r. 1971) (Čapek, 1988). Meteorologické družice s dálkovým přenosem snímků se vypouštějí již od roku 1960, kdy byla vyslána první ze série družic TIROS (Television and Infrared Observation Satellite). Globální pohled na Zemi dále přinášejí snímky ze stacionárních komunikačních družic ATS (Applications Technology Satellite; od roku 1966) a meteorologických SMS (Synchronous Meteorological Satellite; od r. 1967), GOES (Geostationary Oprational Environmental Satellite; od r. 1975), Himawari a Meteosat (obě od r. 1977) (Čapek, 1988). Pro geografické účely jsou však nejdůležitější družice pro výzkum přírodních zdrojů, které jsou schopny nasnímat téměř celý zemský povrch. Z této skupiny jsou nejvýznamnější družice řady Landsat (Land Satellite - původně ERTS: Earth Resources Technological Satellite), které dodávají multispektrální snímky od roku K podobným družicím tohoto typu patří například družice Seasat (Sea Satellite; od r. 1978) a HCMM (Heat Capacity Mapping Mission; od r. 1978) (Čapek, 1988). V současné době existuje mnoho různých typů družic, z nichž každá slouží k jinému účelu. Některé jsou velmi hojně využívány při průzkumu Země. Přehled vybraných senzorů, které se hojně využívají pro zkoumání zemského povrchu, je rozdělen podle jejich prostorového rozlišení a přiložen v příloze č

12 Družice Landsat a jejich senzory Program Landsat nabízí nejdéle probíhající záznam o zemském povrchu. První ze série družic Landsat, Landsat 1, byla vypuštěna roku 1972 a od té doby poskytly družice této řady miliony snímků využívaných v DPZ, zemědělství, lesnictví, kartografii, geologii nebo regionálním plánování (NASA, 2010). I v této práci jsou snímky Landsatu stěžejními pro klasifikaci LC. Družice Landsat 1 byla vypuštěna jako první ze série Landsatu. V té době byla označována jako ERTS (Earth Resources Technology Satellite). Nesla s sebou dvě zařízení, kamerový systém sestavený firmou Radio Corporation of America (RCA) nazvaný Return Beam Vidicon (RBV) a multispektrální skener MSS (Multispectral Scanner System) sestavený společností General Electric (NASA, 2010). Tab. 1 Charakteristika senzoru MSS (zdroj: NASA, 2010) ID pásma Pásmo Pásma senzoru MSS (Multispectral Scanner System) - Landsat 1 - Landsat 5 Získaná velikost pixelu 2 Viditelné zelené (0,5-0,6 µm) 68 m x 83 m 57 m 3 Viditelné červené (0,6 0,7 µm) 68 m x 83 m 57 m 4 Blízké IČ (0,7 0,8 µm) 68 m x 83 m 57 m 5 Blízké IČ (0,8 1,1 µm) 68 m x 83 m 57 m Velikost pixelu po převzorkování 1 Landsat 2 byla vypuštěna o necelé 3 roky později, Přístroje, které s sebou nesla byly totožné s Landsat 1. Zatímco RBV byl primárně využíván pro technické zhodnocení, funkce senzoru MSS byla stále snímání zemského povrchu. Mise Landsat 2 byla ukončena v únoru roku 1982 (NASA, 2010). Tři roky po vypuštění Landsatu 2 byla na oběžnou dráhu vyslána také družice Landsat 3, Stejně jako první Landsaty, i projekt Landsat 3 byl řízen NASA. V roce 1979 však organizační odpovědnost přešla z NASA na organizaci NOAA, která spravuje mnohé meteorologické družice. Landsat 3 s sebou nesla stejná zařízení jako předchozí 2, ovšem prostorové rozlišení kamerového systému RBV bylo zlepšeno na 30 m a počet kamer byl zvýšen na 2. Senzor MMS oproti předchozím mohl snímat i na pátém, termálním pásmu, ovšem toto pásmo selhalo krátce po startu. Landsat 3 byla vyřazena z provozu v březnu 1983 (NASA, 2010). Landsat 4 byla první družicí, která kromě dosavadního senzoru MSS nesla také senzor TM, který má oproti předchozímu lepší spektrální i prostorové rozlišení. Na rozdíl od ostatních na ní ovšem nebyl kamerový systém RBV. Byla vypuštěna Během prvního roku na oběžné dráze ztratila dva své solární panely a nebyl možný přenos dat do řídícího centra až do doby, kdy byl vypuštěn systém TDRSS (Tracking and Data Relay Satellite System), který tento přenos umožnil. Landsat 4 byla vyřazena z provozu Další vypuštěnou družicí série Landsat byla Landsat 5. Tato družice byla stavěna současně s Landsat 4, a proto i její vybavení je totožné. V roce 1995 byl vyřazen z provozu senzor MSS, ovšem senzor TM je funkční dodnes. 1 Velikost pixelu již ortorektifikovaných snímků 12

13 Tab. 2 Charakteristika senzoru TM (zdroj: NASA, 2010) ID pásma Pásmo Pásma senzoru TM (Thematic Mapper) - Landsat 1 - Landsat 5 Získaná velikost pixelu 1 Viditelné modré (0,45 0,52 µm) 30 m 28,5 m 2 Viditelné zelené (0,52 0,60 µm) 30 m 28,5 m 3 Viditelné červené (0,63 0,69 µm) 30 m 28,5 m 4 Blízké IČ (0,76 0,90 µm) 30 m 28,5 m 5 Blízké IČ (1,55 1,75 µm) 30 m 28,5 m 6 Termální (10,40 12,50 µm) 120 m 114,0 m 7 Střední IČ (2,08 2,35 µm) 30 m 28,5 m Velikost pixelu po převzorkování Neúspěšná mise Landsatu 6 započala a zároveň skončila Vyslání družice do vesmíru selhalo a družice se nedostala na svou oběžnou dráhu. Na rozdíl od předchozích s sebou nesla zcela nový senzor ETM (Enhanced Thematic Mapper) obohacený o panchromatické pásmo (NASA, 2010). Zatím poslední z programu Landsat je družice Landsat 7, vypuštěná Původní senzor ETM umístěný na Landsat 6 byl vylepšen zvýšením prostorového rozlišení termálního pásma a pojmenován ETM+ (Enhanced Thematic Mapper Plus) (NASA, 2010). Tab. 3 Charakteristika senzoru ETM+ (zdroj: NASA, 2010) Pásma senzoru ETM+ - Landsat 7 ID pásma Pásmo Získaná velikost pixelu Velikost pixelu po převzorkování 1 Viditelné modré (0,45 0,52 µm) 30 m 28,50 m 2 Viditelné zelené (0,52 0,60 µm) 30 m 28,50 m 3 Viditelné červené (0,63 0,69 µm) 30 m 28,50 m 4 Blízké IČ (0,77 0,90 µm) 30 m 28,50 m 5 Blízké IČ (1,55 1,75 µm) 30 m 28,50 m 6a Termální (10,40 12,50 µm) 60 m 57,00 m 6b Termální (10,40 12,50 µm) 60 m 57,00 m 7 Střední IČ (2,08 2,35 µm) 30 m 28,50 m 8 Panchromatické (0,52-0,9 µm) 15 m 14,25 m Charakteristiky pásem všech tří senzorů jsou uvedeny v tabulkách č. 1, 2, 3. Družice Landsat mají několik společných charakteristik. Jejich funkce byla ve všech případech vědecko-výzkumná a snímky jimi pořízené byly využity ve spoustě odvětvích od ekonomických přes zemědělské až po vědecké. Také v drahách jejich oběhu kolem Země lze najít několik společných znaků. Obecně lze řadu Landsat rozdělit na 2 skupiny. První tři družice Landsat 1-3 se senzorem MSS byly z velké části experimentální. Od Landsatu 4 se již jednalo o plně vyvinuté vědeckovýzkumné družice. Dráhy 13

14 oběhů mají společné znaky pro zmíněné 2 skupiny, ovšem ve všech případech se jedná o dráhy polární, slunečně synchronní. Tab. 4 Porovnání Landsat senzorů (zdroj: NASA, 2010) Technická specifikace MSS (L 1-5) TM (L 4-5) ETM (L 6) ETM+ (L 7) Typ senzoru optickomechanický optickomechanický optickomechanický optickomechanický Prostorové rozlišení 68 m x 83 m 30 m; 120 m - term. 30 m; 120 m - term.; 15 m - panchro. 30 m; 60 m - term.; 15 m - panchro. Spektrální rozsah 0,5-1,1 µm 0,45-12,5 µm 0,45-12,5 µm 0,45-12,5 µm Počet pásem 4; 5 (L 3) Časové rozlišení 18 dní (L1-L3); 16 dní (L4 a L5) 16 dní 16 dní 16 dní Velikost snímku 185x185 km 185x172 km 184x185,2 km 183x170 km Záběr 185 km 185 km 184 km 183 km Programovatelný ne ano ano ano Výška oběhu byla 900 km u Landsatu 1-3, u Landsatu 4-7 byla snížena na 705 km. Inklinace oběhu, neboli úklon od roviny zemského rovníku, byla u Landsatu ,2, oproti tomu u Landsatu 4 a výše 98,2. Doba jednoho oběhu kolem Země je také různá. Oběh Landsatu 1-3 trval 103 minut (14 oběhů denně), kdežto u novějších modelů to bylo pouze 99 minut (14,5 oběhů denně). Časové rozlišení prvních tří bylo 18 dní, u novějších pak 16 dní. Místní čas oběhu byl u prvních třech modelů 9:42, u Landsatu 4 a 5 9:15 (±15 min) a u nejnovějšího Landsatu 7 je to 10:00 (±15 min) (NASA, 2010). V tabulce č. 4 je uvedeno porovnání technických parametrů všech 4 senzorů, včetně nevyužitého ETM. V současné době Zemi obíhá pouze Landsat 5 a 7. Do budoucna už je naplánováno vypuštění dalšího modelu, družice Landsat 8 neboli Landsat Data Continuity Mission (LDCM). K vyslání na oběžnou dráhu by mělo podle předběžných zpráv dojít v prosinci roku 2012 (NASA, 2010) Vybrané zdroje družicových dat Země K tomu, aby bylo možné hodnotit jakékoliv změny v krajinném pokryvu, je nutné mít k dispozici snímky ze stejného území v různých časových horizontech. Některé snímky jsou v současnosti přístupné na internetu. Organizace poskytující družicové snímky jsou například ESA (European Space Agency), USGS, nebo také NASA. Některé zdroje jsou placené, jiné volně přístupné. Jak již bylo zmíněno v předchozích kapitolách, k analýze změn lesních ploch na vybraných územích byly využity snímky družic Landsat. Tyto snímky jsou na internetu přístupné od roku 14

15 2008. Do konce roku 2008 byly zpřístupněny snímky z Landsatu 5 a 7. a počátkem roku 2009 byly přidány i archivní snímky pořízené Landsatem 1-4. Snímky jsou komprimovány ve formátu GeoTIFF. Na vyhledávacím serveru USGS Global Visaulisation Viewer se dají nalézt všechny snímky pořízené Landsatem, ale také snímky ze senzorů Aster a Modis. Snímky Landsatu se zde nacházejí v původní podobě, bez provedené ortorektifikace a mnoho z nich je silně pokryto oblačností. Druhým systémem umožňujícím vyhledání a stažení družicových snímků je GLCF: ESDI (Global Land Cover Facility: Earth Science Data Interface), který je provozován Univerzitou v Marylandu. Na tomto serveru je k dispozici soubor vybraných snímků celého světa za všechna období nazvaný NASA s Global Orthorectified Landsat Data Set. Jejich výběr byl proveden na základě několika kritérií zahrnujících maximální přípustnou oblačnost, opravu chyb způsobených senzorem, nebo období vzniku snímku, které by mělo odpovídat nejlepší fázi vzrůstu vegetace. Tyto snímky byly ortorektifikovány, což vedlo ke změně původní velikosti pixelu (viz. tabulky č. 1, 2, 3), a umístěny do jednotného souřadného systému UTM s referenčním elipsoidem WGS84 (Tucker et al. 2004). Posledním z komplexních vyhledavačů, které jsou zde uvedeny, je WIST (Warehouse Inventory Search Tool), jenž je provozován NASA. Data jsou zde rozdělena podle tématu na atmosféru, kryosféru, krajinu, oceán a ostatní. Je třeba vybrat si konkrétní družici a její produkt. Podle mapy nebo zeměpisných souřadnic se poté vybere vyhledávaný region nebo celý svět. Na závěr se určí zájmový časový horizont. Po vyhledání je možné si zde data prohlédnout a následně stáhnout (WIST, 2010). 2.2 ELEKTROMAGNETISMUS A SPEKTRÁLNÍ CHOVÁNÍ OBJEKTŮ V dálkovém průzkumu je nositelem informace elektromagnetické záření, tvořené elektromagnetickými vlnami. Základním fyzikálním jevem, na kterém je celý princip dálkového průzkumu založen, je interakce elektromagnetického záření se zkoumaným látkovým objektem (Kolář et al., 2000). Veškeré elektromagnetické záření, které se v přírodě vyskytuje, je obsaženo v rozsáhlém spojitém spektru charakterizovaném vlnovými délkami (eng. wavelength) EM vln (Kolář et al., 2000). Na obrázku č. 1 je znázorněno celé spektrum elektromagnetického záření a detail jeho viditelné části, na kterou je jako na jedinou lidské oko citlivé. V DPZ se používají především vlnové délky viditelného (eng. visible), infračerveného (eng. infrared) a mikrovlnného (eng. microwaves) záření. Infračervené záření se dále dělí na blízké, střední a daleké. Mikrovlnné je pak děleno do osmi pásem - Ka, K, Ku, X, C, S, L a P. (Kolář et al. 2000). V reálném prostředí dochází k interakci objektů s elektromagnetickým zářením, ať už z přírodního nebo umělého zdroje. Při styku EM záření s objektem může dojít ke třem základním jevům. Prvním je odražení EM vlny, které je buďto jednosměrné nebo rozptýlené. Druhou variantou je pohlcení EM záření, které znamená šíření EM vlny dále do objektu. Pokud je pohlcení, neboli absorpce, objektu nízké nebo je objekt malých rozměrů, může EM vlna projít celým objektem a sekundární záření se pak označuje jako prošlé (Kolář et al., 2000). 15

16 Obr. 1 Schéma elektromagnetického spektra (zdroj: Pajari, 2009) Spektrální odrazivost Principem snímacích zařízení je příjem a zaznamenání sekundárního odraženého záření. Na základě znalosti spektrálních vlastností jednotlivých objektů lze z družicového či jiného snímku stanovit typ povrchu. Kromě základních typů jako je zástavba, vodní plocha, orná půda, či vegetace, je možné určit například rostlinný druh, zdravotní stav vegetace, množství vody obsažené v rostlinách, nebo stádium jejich vzrůstu (Kolář et al., 2000). Na obrázku č. 2 jsou znázorněny odrazové vlastnosti vybraných krajinných prvků. Odrazivost (eng. reflectance nebo albedo) na konkrétní vlnové délce je udávána v procentech. Obr. 2 Spektrální chování objektů (zdroj: Dobrovolný, 2008) Měřená elektromagnetická vlna musí překonat určitou dráhu od zkoumaného objektu k přístroji. Tato dráha leží v atmosféře Země, která má charakter látkového prostředí a je v ní veškeré EM záření rozptylováno odrazem na částicích atmosféry a pohlcováno. Kromě toho je atmosféra, jako každý objekt, zdrojem emitovaného záření. Proto je atmosféra velmi důležitým faktorem v DPZ (Kolář et al., 2000). Vlivy atmosféry na charakter objektem odraženého a přístrojem přijatého záření musí být před prací se snímkem odstraněny, neboť zkreslují získanou informaci. 16

17 Vegetace Faktory ovlivňujícími spektrální odrazivost vegetace jsou hlavně vnější uspořádání vegetačního krytu, vnitřní struktura jednotlivých částí rostlin, obsah vody a zdravotní stav dané rostliny. Spektrální projev vegetace lze rozdělit do tří oblastí. První z nich je oblast pigmentační absorpce (0,4-0,7 µm), ve které je odrazivost nejnižší, což je způsobeno pigmentačními látkami, zejména chlorofylem, který pohlcuje velkou část dopadajícího záření v modré a červené části spektra. Malé lokální maximum odrazivosti je v zelené části viditelného spektra, což je příčinou zelené barvy rostlin ve vegetačním období (Dobrovolný, 2008). conifers (jehličnatá), decidous (opadavá), grass (travní) Obr. 3 Spektrální projev vegetace (zdroj: Wagner, 2006) Následuje oblast buněčné struktury (0,7-1,3 µm), pro kterou je typický výrazný nárůst odrazivosti. To je způsobeno stěnami buněk, které se u jednotlivých rostlin liší; proto jsou snímky pořízené v této části spektra vhodné pro odlišení jednotlivých rostlinných druhů (Dobrovolný, 2008). Poslední je oblast vodní absorpce (1,3-3,0 µm), ve které je odrazivost o něco nižší než v předchozí oblasti. Dvě lokální maxima jsou na vlnových délkách 1,6 a 2,2 µm. V této části spektra má na odrazivost největší vliv obsah vody v rostlině; proto se právě v těchto vlnových délkách nejvíce projeví, zda rostlina má či nemá dostatek vody. Čím víc je rostlina "ve stresu", tím jsou hodnoty odrazivosti v této oblasti vyšší (Dobrovolný, 2008). Na obrázku č. 3 je vidět, že spektrální křivka odrazivosti pro listnaté a jehličnaté stromy má téměř stejný tvar, ale ve všech třech oblastech dosahuje odrazivost o něco vyšších hodnot u listnatých stromů. Třetí graf naznačuje odrazivost vegetace při použití vysokofrekvenčního filtru (viz. kapitola 3.4.1). 17

18 Voda Odrazové vlastnosti vody jsou výrazně odlišné od ostatních běžných povrchů, liší se však i v rámci jednotlivých skupenství. Voda v kapalném stavu se vyznačuje nízkou odrazivostí na všech vlnových délkách, nejvyšší odrazivost má ve viditelném spektru. Samotná voda také modifikuje chování látek, ve kterých je přítomna, například v půdě nebo vegetaci (Kolář, 2000). Odrazivost vody kromě skupenství závisí také na příměsích a pohybu - kalná voda má vyšší odrazivost než voda čistá, proudící voda má vyšší odrazivost než voda stojatá. Na rozdíl od tekoucí vody vzkazuje sníh a led ve viditelné a blízké infračervené části spektra vysokou odrazivost. a) mořská voda, b) kalná voda, c) voda s chlorofylem Obr. 4 Spektrální projev vody (zdroj: Kolář et al., 2000) Maximální propustnost vody připadá na vlnovou délku kolem 0,48 µm (modré světlo). V těchto vlnových délkách proniká záření do hloubky až 20 m. V infračervené části spektra se voda chová téměř jako absolutně černé těleso. Intenzivně pohlcuje záření a na snímcích se jeví jako nejtmavší. Této skutečnosti se využívá při korekci atmosferických chyb. V oblasti termálního záření lze z množství emitovaného záření zjišťovat radiační teplotu vodních ploch (Dobrovolný, 2008) Holá půda Spektrální odrazivost holé půdy formuje několik faktorů, především minerální složení půdy, půdní vlhkost, obsah organických látek, stupeň erozních procesů a textura půdy. Obr. 5 Spektrální projev půdy dle vlhkosti (zdroj: Kolář et al., 2000) 18

19 Odrazivost půdy roste na všech vlnových délkách s hrubší texturou půdy, naopak vyšší vlhkost půdy odrazivost snižuje. Na obrázku č. 5 je vidět, že spektrální křivka odrazivosti pro suchou i vlhkou půdu má přibližně stejný tvar, ale odrazivost suché půdy je výrazně vyšší (Kolář et al., 2000). Vlhkost je rovněž úzce spojena s typem půdy. Půdy jílovité a hlinité jsou vlhčí, proto je jejich odrazivost nižší. Naopak písčité půdy se vyznačují vyšší odrazivostí (Kolář et al., 2000). Obsah humusu v půdě také ovlivňuje spektrální odrazivost. Zvyšování obsahu organických látek snižuje odrazivost půdy pro viditelné záření nelineárním způsobem (Kolář et al., 2000). 2.3 KRAJINNÝ POKRYV / LAND COVER Na základě spektrální odrazivosti objektů je možné z družicových snímků klasifikovat zemský povrch. Kategorizovat zemský povrch pomocí jeho pokryvu je třeba pro účely vědecké, statistické, ale i ekonomické a obchodní (Anderson et al., 1976). Je rovněž nutné rozlišovat pojmy Land Use (trans. využití půdy) a Land Cover (trans. krajinný pokryv). Zatímco klasifikace Land Use řeší funkční využití zemského povrchu, např. rozlišuje městskou zástavbu podle jejího funkčního typu (např. obytné domy, průmyslové areály, sportoviště..), klasifikace Land Cover řeší pouze typ pokryvu a rozlišuje například zástavbu souvislou a nesouvislou, ale nezabývá se už jejím typem (Lillesand et al., 2008). Klasifikace LC i LU je vždy spíše konceptem, který je více či méně využívaný. Většina existujících databází LC i LU používá různé vlastní nebo převzaté koncepty. Proto dodnes neexistuje oficiální klasifikace krajiny používaná všemi státy a organizacemi. Je možné ovšem stanovit parametry podle kterých takovou klasifikaci vytvořit a používat. Efektivní klasifikace LC i LU z dat DPZ by dle Andersona (1976) měla splňovat následující kritéria: 1. Minimální úroveň interpretační přesnosti identifikace LU a LC kategorií z dat DPZ by měla být 85 %. 2. Přesnost interpretace všech kategorií by měla být přibližně stejná. 3. Opakovaných či opakovatelných výsledků by mělo být dosaženo různými interpretátory a v různých časech interpretace. 4. Systém klasifikace by měl být použitelný na rozsáhlých územích. 5. Klasifikace by měla umožňovat odvodit využití krajiny (LU) z kategorií LC. 6. Klasifikační systém by měl být použitelný pro DPZ data z různých ročních období. 7. Mělo by být umožněno efektivně využívat subkategorie, které mohou být získány pozemním průzkumem nebo použitím dat DPZ větších měřítek nebo lepšího zvýraznění. 8. Musí být možné slučování tříd. 9. Mělo by být možné porovnání s budoucími LC a LU daty. 10. Pokud je to možné, měla by být rozpoznatelná multifunkční využití krajiny. Většinou jsou klasifikace krajiny řešeny na regionální úrovni, ovšem existuje i několik klasifikačních konceptů, které jsou použitelné pro celý svět a jsou proto často využívány nadnárodními organizacemi. Patří mezi ně například USGS Land Use / Land Cover Classification System for Use with Remote Sensor Data nebo Land Cover Classification System. 19

20 2.3.1 USGS Land Use / Land Cover Pravděpodobně nejstarší klasifikační systém krajiny vůbec začal vznikat již na začátku 70. let minulého století ve Spojených státech. Roku 1971 zde byla vládou založena Řídící komise pro informace a klasifikaci využití krajiny (eng. Steering Committee on Land Use information and Classification). V této komisi byli zastoupeni odborníci z vědeckých organizací Geological Survey of the U.S. Department of the Interior (trans. Geologický výzkum Spojených států, Ministerstva vnitra), NASA, Soil Conservation Service of the US Department of Agriculture (trans. Služba pro zachování půd Spojených států, Ministerstva zemědělství), Association of American Geographers (trans. Sdružení amerických geografů) a International Geographical Union (trans. Mezinárodní geografická unie). Práce komise byla podporována NASA a Ministerstvem vnitra a řízena USGS. Finální podoba rozdělení tříd LC a LU byla ustanovena během několika let na třech konferencích za spoluúčasti všech zmiňovaných organizací (Anderson et al., 1976). Klasifikační systém USGS byl určen k aplikaci na snímky DPZ a byl vyvinut tak, aby vyhovoval potřebám federálních a státních úřadů Spojených států. Jednotlivé třídy byly definovány podle výše zmíněných kritérií a zařazeny do 4-úrovňové hierarchické klasifikace. Kategorie první třídy byly stanoveny na základě dat z družic Landsat, druhá třída pak vycházela z dat naměřených ve středních nadmořských výškách kolem m a s měřítkem menším než 1 : Kategorie 1. a 2. úrovně jsou uvedeny v příloze č. 1. Třídy 3. úrovně byly určeny k definování z dat pořízených v nadmořských výškách m s měřítkem mezi 1 : a 1 : Kategorie 4. úrovně pak měly vycházet ze snímků pořízených v nízkých nadmořských výškách do m s měřítky většími než 1 : Kategorie 3. a 4. úrovně byly určeny k definování na regionální úrovni. Zdroje pro typologii však nemusely být vždy dodržovány. Například snímky Landsatu byly často využity při klasifikaci 2., někdy dokonce 3. úrovně 2 (Anderson et al., 1976). Výhodou klasifikačního systému USGS je hlavně flexibilita při případném rozvoji do detailnějších podkategorií LC nebo LU (Anderson et al., 1976). Nevýhodou však může být pro některé účely sloučení LC a LU do jedné klasifikace LCCS Land Cover Classification System (LCCS) je model klasifikačního systému krajinného pokryvu vyvinutý organizací FAO jako softwarová aplikace. Jedná se o zcela komplexní a standardizovaný systém, vytvořený tak aby vyhověl požadavkům každého uživatele, převážně pro mapovací účely. Každý typ krajinného pokryvu na Zemi může být zařazen do jedné třídy na základě aplikace systému LCCS (Di Gregorio et el., 2000). Klasifikace používá sadu nezávislých diagnostických kritérií, neboli klasifikátorů, které dovolují vzájemný vztah s již existujícími klasifikacemi. Klasifikační kritéria jsou hierarchicky seřazena tak, aby zaručila vysoký stupeň geografické přesnosti. Z důvodu heterogenity krajinného pokryvu nejsou užívána stejná kritéria, klasifikátory, pro všechny třídy (Di Gregorio et el., 2000). 2 V roce 1976, kdy publikace poprvé vyšla, měly snímky Landsatu prostorové rozlišení 60 m. Při současném rozlišení 30 m mohou být poměrně spolehlivě použity i pro kategorizaci na vyšších stupních. 20

21 Klasifikace má dvě hlavní fáze: 1) fáze iniciativní, kdy je rozděleno 8 hlavních typů krajinného pokryvu a 2) fáze sestavující následnou hierarchii klasifikátorů, které každou z osmi tříd individuálně dělí do podtříd. Tento systém redukuje nadměrné množství nepraktických kombinací diagnostických kritérií, na jejichž základě vznikají často nesmyslné nebo nerozlišitelné třídy LC. Například klasifikátory pro primární vegetaci jsou: životní forma, pokryv a výška (Di Gregorio et el., 2000). V aplikaci lze rovněž vzniklým třídám přiřazovat další popisné atributy, například atributy environmentální, jako jsou klima, typ krajiny, nadmořská výška, půdní typ, litologický podklad nebo eroze (Di Gregorio et el., 2000). Výhodou tohoto systému je hlavně vysoká flexibilita, jednoznačné zařazení každého povrchu do příslušné třídy na základě specifických klasifikátorů a možnost využití k širokému spektru účelů (Di Gregorio et el., 2000). Příklad užití klasifikačního systému LCCS na databázi krajinného pokryvu GlobCover je uveden v příloze č CORINE Land Cover Program, který se nejvýznamněji podílí na kategorizaci Land Cover v Evropě, byl vytvořen za účelem monitorování a řešení životního prostředí. Tímto programem je CORINE (Coordination of Information on the Environment) Land Cover (CLC). Program CORINE byl zahájen v roce 1985 na žádost Evropské komise. Skládá se ze tří částí: krajinný pokryv, biotopy a ovzduší. Jeho cílem je sbírat a analyzovat informace o životním prostředí Evropy se zaměřením na nejzávažnější problémy. Těmito problémy jsou dezertifikace, odlesňování, degradace půd, urbanizace a vysoušení vlhkých půd (EEA, 1994). Kategorie krajinného pokryvu jsou děleny do tří úrovní. Na nejzákladnější úrovni je rozlišováno pouze 5 typů LC: 1) Urbanizovaná území, 2) Zemědělské plochy, 3) Lesy a polopřírodní plochy, 4) Humidní území a 5) Vodní plochy (EEA, 1994). Podrobnější typologie krajinného pokryvu vycházející z programu CORINE je uvedena v příloze č. 3. Právě kategorizace podle CORINE je nejpoužívanější v Evropě. Bohužel tento program nebyl zatím rozšířen v celosvětovém měřítku. Nevýhoda CORINE je také v tom, že první rekognoskace evropského prostoru proběhla až v roce Pokud je tedy cílem výzkumu řešit i dřívější období, je třeba se spolehnout pouze na družicové snímky a vlastní hodnocení, popřípadě vyhodnocení z jiného zdroje. 2.4 LESY Nejdůležitější pro tuto práci je kategorie lesů. Při hodnocení změn lesních ploch je třeba zahrnout každý typ lesního porostu, který se na Zemi nachází. Rozčlenění světového lesního pokryvu do určitých tříd je poměrně problematické a těchto klasifikací existuje celá řada. Stejně problematické je pak přesně definovat lesní plochu. Dle Lunda (2008), je ve světě používáno více než 800 různých definicí lesa. Definice se liší dle autorů, ale hlavně dle území, na němž se dané lesní plochy nacházejí. Les bude zcela odlišně chápán na 21

22 Britských ostrovech nebo v Africe či Asii, a stejně tak se bude lišit definice ekonoma od definice vědce, lesníka nebo farmáře (UNEP, 2009) Definice a klasifikace lesa Na mezinárodní úrovni je používáno několik definic lesních ploch, které stanovily organizace fungující pod záštitou OSN. Těmito organizacemi jsou UNEP, FAO, UNFCCC a CBD. Ovšem ani tyto definice se zcela neshodují. UNEP definuje rozdíl mezi souvislým (eng. closed) a otevřeným (eng. open) lesem. Za souvislý les je považována plocha pokryta korunami stromů z více než 40 %. Naopak otevřený les musí dosahovat pouze 10-40% korunného pokryvu (UNEP, 2009). CBD ve spolupráci s UNEP vyvinula definici lesa znějící následovně: Les je plocha větší než 0,5 ha s pokryvem korunami stromů vyšším než 10 %, která primárně neslouží k zemědělskému nebo jinému než lesnímu využití. V případě mladého lesa nebo regionu, kde je výška stromů klimaticky potlačena, musí mít stromy potenciál dosáhnout minimální výšky 5 m a požadovaného korunného pokryvu (USDA, 2010). Obr. 6 Světové lesní plochy při 75% a 10% pokryvu korunami stromů (zdroj: UNEP, 2009) FAO používá velmi podobnou definici. Za les označuje plochu s minimální výškou stromů 5 m, minimálně 10% pokryvem korunami stromů a minimální rozlohou této plochy 0,5 ha. Z této definice jsou vyloučeny městské parky, sady a jiné zemědělské plochy (UNEP, 2009). Definice FAO je rovněž používána v České republice (Mlok, 2004). Na obrázku č. 6 je vidět rozdíl v rozloze světových lesních ploch při 75% a 10% pokrytí korunami stromů. V příloze č. 4 jsou zobrazeny světové lesní plochy dle FAO. 22

23 UNFCCC neuznává jednotnou celosvětovou definici lesa a zachovává regionálně stanovené parametry. Lesy musí být však definovány jako plocha s minimální rozlohou 0,05-1 ha a minimálním pokryvem korun stromů %. Požadovaný minimální potenciál vzrůstu stromů je 2-5 m. Lesní plocha může být tvořena jak lesy, kde stromy různých pater a lesní podrost zabírají vysoký podíl země, tak i různými formami otevřených lesů. Tato definice je rovněž použita v Kjótském protokolu (Lang, 2009). Dle klasifikačního systému USGS jsou lesy definovány jako plocha s podílem pokryvu korunami stromů větším než 10 %. Do této kategorie se ovšem řadí i plochy, u nichž podíl pokryvu korunami stromů klesl pod 10 %, ovšem plocha nebyla využita k jinému účelu. Jedná se například o cykly kácení a znovuvysazování lesů. Lesy musí být rovněž schopny produkce dřeva nebo jiných lesních surovin a mít znatelný vliv na klimatické nebo vodní režimy. Ve všech kategoriích LC je klasifikace 4-úrovňová. Kategorie les je první úroveň. Na druhé úrovni, která by měla být rozeznatelná mezinárodně, jsou rozlišovány lesy listnaté, stálezelené a smíšené. Třetí a čtvrtá úroveň klasifikace, které bývají řešeny spíše regionálně, jsou pak detailnější a k jejich vyhotovení je třeba podrobnějších snímků větších měřítek (Anderson, 1976). V listnatých lesích se podle definice USGS nachází většina stromů opadavých, které ztrácí ke konci nemrznoucího období nebo na začátku suchého období své listy. Stálezelené lesy jsou naopak většinově zastoupeny stromy, které během roku neopadávají. Jsou zde zahrnuty jak lesy jehličnaté, tak i stálezelené deštné pralesy. Ve smíšených lesích nedominuje ani jeden z předchozích typů stromů, nachází se zde stromy opadavé i neopadavé (Anderson, 1976). Kromě klasifikací založených na interpretaci družicových snímků existují i typologie podle definic světových ekosystémů.dle Wiegla (2008), třídílné encyklopedie U-X-L Encyclopedia of biomes, lze lesy rozdělit do 6 základních skupin: Tropical rain forest (trans.: tropický deštný les), Semievergreen and deciduous tropical forest and thorn forest (trans.: polo-stálezelený a opadavý tropický les a trnitý les), Warm temperate mixed and conifer forest (trans. mírně teplý smíšený a jehličnatý les), Mediterranean and chaparral forest (trans.: mediteránní a hustě křovinatý les), Temperate deciduous forest (trans.: mírný opadavý les), Boreal conifer forest (trans.: boreální jehličnatý les - tajga). Pro každou kategorii platí, že minimální pokryv korunami stromů je 25 % (Weigel, 2000). 23

24 3 ZPRACOVÁNÍ DRUŽICOVÝCH SNÍMKŮ V této kapitole budou teoreticky popsány základní principy a metody používané při klasifikaci krajinného pokryvu a s ní souvisejícím hodnocení změn lesních ploch na základě družicových dat. 3.1 CHYBY SNÍMKŮ A JEJICH KOREKCE Před provedením vlastní klasifikace je důležité provést řádné (před)zpracování družicových snímků. Je třeba zajistit odstranění všech chyb, které mohou značně znehodnotit jejich kvalitu Geometrické korekce Geometrické korekce se provádí z důvodu vyloučení polohových zkreslení, které snímek po pořízení obsahuje, tak, aby bylo možno snímek umístit do souřadného systému a následně do mapy. Zdroje geometrických zkreslení jsou především změny výšky, polohy a rychlosti nosiče, zakřivené Země a výšková členitost terénu (Kolář et al., 2000). Geometrické chyby se zpravidla dělí do dvou skupin, 1) chyby předvídatelné, systematické, 2) chyby nepředvídatelné, náhodné. Systematické chyby jsou opravovány georeferenčními korekcemi na základě znalosti parametrů senzoru a jeho nosiče v době pořízení snímku. Tyto korekce provádí většinou přímo provozovatel družice (Kolář et al., 2000). Pokud snímek obsahuje i chyby náhodné, je třeba provést další geometrické opravy, aby bylo dosaženo požadované polohové přesnosti. Tyto opravy se provádějí geometrickou transformací pomocí vlícovacích bodů, které jsou přesně identifikovatelné na snímku a z mapového podkladu jsou známy jeho souřadnice. Geometrické transformace se provádí pomocí definování polynomických transformačních rovnic, které udávají vztah mezi polohou na snímku a geometricky správnou polohou odečtenou z mapového podkladu, a následného převzorkování původního snímku. Převzorkování, tedy přenos informace z původní matice do korigované, se provádí dvěma základními způsoby. Pokud se požaduje, aby měl každý pixel transformovaného obrazu pixel z původního obrazu, používá se například metody nejbližšího souseda. V této metodě se nepřepočítává hodnota v pixelu, ale přebírá se hodnota pixelu nejbližšího. Pokud se požaduje nová hodnota pixelu podle určitého pixelu, používá se interpolačních metod. Jednou z nich je například metoda bilineární interpolace, která přiřazuje nové hodnoty na základě výpočtu váženého průměru DN hodnot nejbližších 4 pixelů z distorzní matice (Kolář et al., 2000). Zvláštním typem geometrických zkreslení jsou zkreslení topografická, způsobená různou výškou snímaného terénu, ovšem tyto chyby jsou zanedbatelné v případě snímání družicemi ve vysoké nadmořské výšce. Topografická zkreslení se řeší pouze u snímků pořízených snímacími zařízeními, která obíhají v nízké nadmořské výšce, jako například radary nebo letecké kamery (Kolář et al., 2000) Radiometrické korekce Radiometrická zkreslení jsou způsobena čtyřmi základními faktory, a to parametry kamery, změnou ozáření, geometrií letu a stavem atmosféry (Kolář et el., 2000). 24

25 Opravy chyb, které byly způsobeny přístrojem, se provádí tzv. kalibrací. Kalibrací snímacího zařízení se zjišťují konkrétní hodnoty zkreslení a o tyto naměřené hodnoty je pak opraven každý snímek pořízený tímto přístrojem (Kolář et al., 2000). Chyby způsobené různým ozářením Slunce v závislosti na denní i roční době se opravují rovnicí sestavenou na základě znalosti výšky Slunce a polohy družice v momentu snímání zemského povrchu, která vypočítá zenitový úhel ozařování předmětu, pomocí kterého je následně přepočítána hodnota pixelu (Kolář et al., 2000). Geometrie letu má vliv na změny v úhlu ozařování i skenované řádce. Na snímcích vznikají stíny od vertikálně členitých objektů. Atmosferické korekce jsou zvláštním typem radiometrických korekcí a zahrnují odstranění vlivů atmosféry na pořízení snímku. Odstranění atmosferických chyb je vždy náročný proces a nelze určit jedno spolehlivé řešení, jak tyto chyby odstranit. Existuje však několik metod, jak tyto opravy provádět. Jednou z nich je metoda nejtmavšího pixelu, která je založena na fyzikálním poznatku, že vyzařování vodních objektů v oblasti NIR je rovno téměř nule, proto hodnota naměřená senzorem na hluboké a relativně čisté vodě je odečtena od hodnot všech pixelů (Dobrovolný, 2008). Této metody bylo využito při kontrole atmosferických korekcí zpracovávaných snímků. Mezi další metody, jak provádět atmosferické korekce, patří regresní analýza nebo modelování atmosferických podmínek. 3.2 KLASIFIKACE Klasifikace je rozdělení naměřeného datového obrazového souboru, tedy snímku, do několika tříd. Provádí se na základě klasifikačních pravidel, při jejichž hledání se vychází z toho, jakým způsobem se mění radiační veličina v závislosti na změně druhového nebo stavového parametru. Pokud jsou tyto změny natolik význačné a charakteristické, že je lze použít k sestavení klasifikačního pravidla, nazývají se příznaky. Podle toho, zda je příznak spojen se změnou prostorových souřadnic nebo se změnou naměřeného údaje u některé obrazové složky, se rozeznávají příznaky prostorové, spektrální, časové a polarizační. Při tvorbě klasifikačních pravidel se používá především spektrálních příznaků. Rozlišují se dva základní typy klasifikací, řízená a neřízená, ale také klasifikace hybridní, která je kombinací obou dvou (Kolář et al., 2000). Kromě nich však existují i jiné, například klasifikace objektově-orientovaná (GISAT, 2010) Řízená klasifikace Řízená klasifikace je založena na tom, že si sám klasifikátor vybírá trénovací plochy jako vzory pro jednotlivé třídy. Sběr trénovacích ploch určuje kvalitu výsledné klasifikace a je tedy třeba provádět jej pečlivě. Je nutné, aby tréninková data byla reprezentativní a kompletní. Vždy je lepší sbírat větší množství malých ploch než méně ploch velkých (Kolář et al., 2000). Správné definování trénovacích ploch se projeví v průběhu histogramu DN hodnot třídy v každém pásmu. Správně natrénovaná třída by měla mít ve všech pásmech přibližně stejný průběh normálního rozdělení hodnot definovaného Gaussovou křivkou (obr. 7). Pokud by například histogram vykazoval dva vrcholy nebo vyšší četnosti na jedné své straně, jednalo by se o špatně definovanou třídu trénovacích plošek. 25

26 Další metody, jak zobrazit a zkontrolovat natrénované plochy, jsou graf koincidence a rozptylogram (Kolář et al., 2000). Obr. 7 Normální rozdělení hodnot - průběh Gaussovy křivky (zdroj: Lowagie, 2006) "Graf koincidence ukazuje průměrnou spektrální odezvu každé kategorie a odchylky (± 2x standardní odchylka). Ukazuje jak se kategorie překrývají a které kombinace pásem budou nejvhodnější (Kolář et al., 2000)." "Na dvourozměrném či trojrozměrném rozptylogramu se nejlépe pozná separability jednotlivých tříd. Rozptylogram je graf, kde jsou vyneseny hodnoty pixelů trénovacích ploch (Kolář et al., 2000)." Dalšími možnostmi jak hodnotit přesnost trénovací sady jsou matice divergencí nebo kontingenční tabulka (Kolář et al., 2000). V další fázi řízené klasifikace již pracuje automaticky počítač. Na zpracovávateli klasifikace je, aby zvolil nejvhodnější automatický klasifikátor. I těchto klasifikátorů existuje celá řada. Patří mezi ně například klasifikátor minimální vzdálenosti od průměru (eng. Minimum distance), který vypočítává průměr ze spektrálních hodnot pro každou třídu a každý kanál. Pixely jsou pak zařazeny do třídy, jejíž průměr je nejblíže jejich. Parallelpiped klasifikátor je citlivý na změny v kategorii na základě rozsahu hodnot pro každý soubor. Nastavuje se zde rozsah hodnot pomocí minimální a maximální hodnoty v souboru a pásmu. Pixel je pak klasifikován na základě toho, zda spadá do nastaveného rozsahu. Gaussův klasifikátor maximum likelihood kvantitativně vyhodnocuje jak změny, tak kovarianci kategorie a její spektrální odezvy. Klasifikace je pak založena na předpokladu, že každá třída vykazuje normální rozdělení hodnot, a jsou počítány pravděpodobnosti, s jakými pixely spadají do jednotlivých kategorií. Podkategorií Gaussova klasifikátoru je klasifikátor Bayesovský, který pracuje kromě pravděpodobnosti správné klasifikace i s cenou za klasifikaci nesprávnou (Kolář et al., 2000) Neřízená klasifikace Při neřízené klasifikaci neurčuje reprezentativní plochy pro každou třídu sám klasifikátor, nýbrž se tvoří automaticky na základě shluků. Klasifikátor určí pouze minimální a maximální požadovaný počet shluků, tedy následně vyklasifikovaných tříd (Kolář et al., 2000). Pixely ze stejných nebo příbuzných ploch mají podobné spektrální vlastnosti a tvoří tak zmiňované shluky. Neřízená klasifikace tedy rozčlení povrch do požadovaného počtu tříd jen 26

27 na základě spektrální báze. Zpětně je třeba zjistit, jaký typ krajinného pokryvu jednotlivé třídy představují. I v neřízené klasifikaci existuje několik automatických klasifikátorů. Klasifikace pomocí K-průměrů (eng. K-means) počítá s předem stanoveným počtem shluků a hledá minimální vzdálenosti pixelových hodnot od středů shluků (Kolář et al., 2000). Dalším používaným klasifikátorem je algoritmus ISODATA (Iterative Self-Organizing Data Analysis Techniques), který je vylepšením předchozího K-means klasifikátoru. Na rozdíl od něj klasifikátor ISODATA nepracuje s předem stanoveným počtem shluků, ale je nastaveno rozmezí jejich maximálního a minimálního počtu. Klasifikátor ISODATA určuje optimální počet těchto shluků automaticky (Lillesand et al., 2008). Kromě řízené a neřízené klasifikace existuje ještě klasifikace hybridní, jejímž principem je nejprve provést neřízenou klasifikaci a vytvořené shluky použít jako trénovací plochy a poté provést klasifikaci řízenou (Kolář et al., 2000). 3.3 KONTROLA PŘESNOSTI KLASIFIKACE Kontrola přesnosti klasifikace a postklasifikační úpravy mohou být provedeny v různém pořadí. Může být požadováno nejprve zkontrolovat přesnost původního vyklasifikovaného obrazu a až poté provádět posklasifikační úpravy, nebo naopak nejprve upravit obraz do požadované podoby a až potom provést kontrolu přesnosti. Existuje několik metod jak zhodnotit přesnost klasifikace, ovšem žádná z nich není obecně přijata jako optimální. Nejčastěji se však používá porovnání výsledků klasifikace se skutečností na základě testovacích ploch. K tomuto porovnání je využíváno několika metod. První z nich je použití klasifikační chybové matice, neboli kontingenční tabulky (eng. error matrix, confusion matrix, contingency table). Tato matice je čtvercová a počet jejích řádků i sloupců určuje počet definovaných tříd. Řádky matice reprezentují data klasifikovaná a sloupce naopak data skutečná. V případě stoprocentně správné klasifikace by všechna nenulová čísla byla pouze na hlavní diagonále, neboli body klasifikované by zcela odpovídaly bodům ve skutečnosti. Všechna čísla mimo hlavní diagonálu představují chyby. Tyto chyby jsou dále rozděleny na chyby z opomenutí (eng. omission), které se nacházejí ve sloupcích mimo hlavní diagonálu, a chyby z nesprávného zařazení (eng. inclusion) nacházející se v řádcích mimo hlavní diagonálu. Chyby z opomenutí určují počet pixelů, které jsou ve skutečnosti nějakou třídou, ovšem klasifikovány byly do třídy jiné. Chyby z nesprávného zařazení značí počet pixelů, které byly zařazeny do určité třídy, ale ve skutečnosti reprezentují třídu jinou (Lillesand, 2008). Chybové matice lze dále rozdělit na dva typy. Prvním typem je matice vzniklá z trénovacích dat, druhým je pak matice vytvořená z náhodného vzorkování. Chybová matice prvního typu hodnotí pouze přesnost klasifikace trénovacích ploch a podává tedy informaci o tom, jak kvalitně lze využít trénovací plochy, ale nevypovídá nic o přesnosti klasifikace snímku. V případě chybové matice založené na náhodném vzorkování je třeba nejprve vytvořit sadu dobře rozmístěných bodů. Počet těchto bodů se odvíjí od počtu tříd a rozlohy území. Doporučuje se minimálně 50 bodů pro každou třídu, ovšem v případě většího území (> hektarů) a počtu tříd většího než 12, 27

28 by počet kontrolních bodů pro každou třídu měl být V chybové matici pak čísla reprezentují počty správně a nesprávně klasifikovaných bodů (Lillesand, 2008). Z kontingenční tabulky, tedy chybové matice, jsou pak odvozeny další ukazatele přesnosti provedené klasifikace. Těmito ukazateli jsou přesnost uživatelská, zpracovatelská a celková. Uživatelská přesnost podává informaci o tom, s jakou pravděpodobností pixel zařazený do určité třídy tuto třídu opravdu představuje. Zpracovatelská přesnost je poměr mezi správně klasifikovanými pixely a pixely použitými pro testování dané třídy. Celková přesnost se udává jako procentuelní podíl všech správně klasifikovaných kontrolních pixelů ku jejich celkovému počtu a představuje hodnotu přesnosti pro celý klasifikovaný snímek (Lillesand et al., 2008). Posledním ukazatelem používaným pro hodnocení přesnosti klasifikace je tzv. Kappa index (či Kappa koeficient). Porovnává přesnost klasifikace určenou chybovou maticí s přesností dosažitelnou čistě náhodným zařazením pixelů do jednotlivých tříd. Jeho hodnota se pohybuje v rozmezí 0-1. Hodnota 1 znamená, že daná klasifikace se 100% vyhnula chybám, které by vznikly při čistě náhodném zařezování pixelů do jednotlivých tříd (Dobrovolný, 1998). 3.4 POSTKLASIFIKAČNÍ ÚPRAVY Jak již bylo poznamenáno, některé z postklasifikačních úprav je možné provést ještě před klasifikací obrazu, zvláště pak jeho filtraci Filtrace obrazu Prostorová frekvence charakterizuje relativní změnu DN hodnoty daného pixelu vůči DN hodnotám pixelů okolních. Většina obrazových záznamů obsahuje vysokofrekvenční i nízkofrekvenční prostorovou informaci. Vysoké frekvence popisují velké rozdíly v hodnotách pixelů při přechodu z jednoho pixelu na druhý, jde tedy převážně o liniové prvky v obraze. Nízké frekvence pak popisují změny postupné, jako jsou například u rozsáhlých polí či vodních ploch (Dobrovolný, 20008). Filtrace obrazu se používá k tomu, aby byl do výsledného obrazu puštěn pouze určitý typ informace. Vysokofrekvenční filtry propouštějí vysokofrekvenční informaci a zvýrazňují tedy lokální extrémy, linie a hrany. Nízkofrekvenční filtry naopak propouštějí pouze nízkofrekvenční informaci a produkují tak obrazy vyhlazené (Dobrovolný, 2008). Filtrace obrazu je prováděna tzv. filtrační maticí, neboli filtrovacím oknem, o lichém počtu řádků a sloupců. Každý pixel tvořící toto okno obsahuje určitý koeficient, váhu. Filtrovaný obraz je pak generován násobením každého koeficientu v okně hodnotou pixelu z originálního snímku podle současné polohy okna. Výsledek je pak přiřazen centrálnímu pixelu ve filtrovaném snímku. Okno se posouvá po snímku pohybem vždy o jeden pixel (Dobrovolný, 2008). U nízkofrekvenčních filtrů je stupeň vyhlazení obrazu přímo úměrný velikosti filtračního okna - čím větší okno, tím větší vyhlazení. Filtry se dále dělí podle konkrétní funkce. Prvním typem jsou filtry s váženým středem (eng. central weighted filter), kdy filtrovaný pixel dostává větší či menší váhu než pixely okolní. Čím je váha středního pixelu menší, tím je vyhlazení vyšší. Mezi majoritní nízkofrekvenční filtry paří například filtr modální, který přiřazuje danému pixelu hodnotu módu - nejčetnější hodnoty v daném filtrovacím okně. Existuje ještě například Sieve filtr, který odstraňuje 28

29 plochy, které jsou menší než zadaná prahová hodnota a přiřazuje je největším sousedním plochám. Nejběžnějšími nízkofrekvenčními filtry jsou například průměrový, gaussovský nebo mediánový (Dobrovolný, 2008). Vysokofrekvenční filtry naopak zvýrazňují vysokofrekvenční prostorové informace, jako jsou například vodní toky nebo silnice. K těmto filtrům patří filtry Laplaceovské, Sobelův, nebo Prewittův (Dobrovolný, 2008). Tyto filtry nebývají používány pro klasifikaci LC, jelikož při ní je snaha spíše zobecňovat a tvořit generalizované plochy, než zdůrazňovat extrémní hodnoty. Z tohoto důvodu zde nebyly podrobněji popsány Další postklasifikační úpravy Další postklasifikační úpravou, kterou na rozdíl od filtrace nelze provádět před klasifikací, je agregace. Agregace slouží ke spojení více tříd do jedné výsledné. Například pokud bylo klasifikováno pět tříd pro zemědělské plochy a je zcela dostačující pouze jedna, používá se právě agregace ke sloučení těchto tříd. Poslední z postklasifikačních úprav, která je již spíše kartografickou je generalizace. Generalizace slouží ke zvýšení srozumitelnosti mapového výstupu pomocí zredukování mapového obsahu. V případě klasifikace LC je třeba určit nejmenší mapovou jednotku, tedy nejmenší plochu, která se na mapě bude nacházet, a všechny menší vzniklé plochy eliminovat. Dále je pak vhodné eliminovat zbytečně mnoho obsahových podrobností, které nejsou žádoucí pro požadované výsledky. 29

30 4 METODIKA A POUŽITÁ DATA 4.1 VÝBĚR ŘEŠENÝCH ÚZEMÍ Cílem práce je zhodnotit změny lesních ploch z globálního hlediska od 70. let 20. století až po současnost, popřípadě nedávnou minulost. Je jasné, že není možné v rámci této bakalářské práce podrobně hodnotit změny krajinného pokryvu celého světa. Byla proto vybrána území reprezentující obě možné varianty změn lesních ploch, jak odlesňování, tak zalesňování. Dalším kritériem pro výběr bylo zastoupení různých typů lesa, na základě čehož byl vybrán les jehličnatý severský a deštný prales. Výběr řešených území ovlivnily také existující studie, statistiky nebo derivované mapy ze snímků několika vědeckovýzkumných družic. Studie, a především pak mapy změn lesních ploch publikované organizacemi OSN, byly jedním z hlavních vodítek k vytipování dvou reprezentativních území. Tyto mapy jsou zobrazeny v kapitole 5.1 společně s výsledky. Na základě získaných informací bylo zvažováno několik území, která by mohla být zpracována. Z území odlesňovaných to byly především indonéské ostrovy, evropská část Ruska, rovníková Afrika a Jižní Amerika. Ze zalesňovaných území přicházely v úvahu severní a severovýchodní Čína, západní pobřeží Spojených států, Finsko a Španělsko. S tímto výběrem se přešlo k rešerši odborných článků o změnách lesních ploch ve vybraných oblastech, které rovněž sloužily k posouzení vhodnosti daných území ke zpracování. Odborné články byly získány na serverech WWF, Science Daily, ScienceDirect nebo na oficiálních stránkách příslušných státních orgánů vytipovaných území. S odlesňovanými územími nenastaly větší potíže, protože bylo zjištěno, že proces odlesňování na nich probíhá již mnoho let. Oproti tomu zalesňování je trendem poměrně novým, proto není samozřejmé, že se nárůst lesních ploch na snímcích již projeví. Po prostudování nalezených článků byla vybrána tři území, odlesňovaná oblast Riau na ostrově Sumatra a zalesňované oblasti severní Číny či Oregonu v USA. Nyní bylo třeba vyhledat vhodné družicové snímky těchto území, které by bylo možné zpracovat a prokázat na nich změny lesních ploch. Pro Sumatru byly snímky nalezeny a po prvotních analýzách se ukázal výběr tohoto regionu jako vhodný, odlesňování na nich bylo možné spolehlivě prokázat. Naproti tomu v případě Číny se tak nestalo. Nakonec tedy byla zvolena druhá varianta, stát Oregon na západním pobřeží USA, u kterého se změny lesních ploch daly prokazatelně určit. 4.2 STRUČNÁ CHARAKTERISTIKA VYBRANÝCH ÚZEMÍ V této podkapitole budou stručně popsány změny lesních ploch na vybraných územích. Především pak jejich historie, tendence, příčiny a důsledky Provincie Riau - ostrov Sumatra, Indonésie Provincie Riau se nachází v centrální části ostrova Sumatra, který je druhým (resp. prvním, pokud by nebyl započítán Kalimantan, který je částečně malajským ostrovem) největším ostrovem 30

31 Indonésie. Hlavním městem provincie je Pekanbaru, které se nachází několik desítek kilometrů od řešeného území. Přesná lokalizace zájmového území je vidět na obrázku č. 8. Obr. 8 Lokalita řešeného území - Indonésie Oblast Riau je původně jedním z nejrůznorodějších ekosystémů světa, ve kterém se nachází mnoho ohrožených druhů, jako například tygři a sloni. Právě tyto i jiné druhy jsou kriticky ohroženy důsledkem rozsáhlého odlesňování, které zde probíhá. Důvody pro odlesňování jsou především těžba dřeva, rozšiřování sídel a infrastruktury, ale především rozšiřování zemědělských ploch. Většina původních souvislých deštných lesů s vyšším než 40% korunným pokryvem, které zde byly vykáceny, byly následně přeměněny na rozsáhlé plantáže palmy olejné, popřípadě využity pro rozvoj průmyslu papíru a celulózy. První plantáže na pobřeží Riau se objevily již ve 30. letech minulého století, ovšem ve velkém se začaly rozšiřovat až od let 60. Výzkum organizace WWF, který analyzoval odlesňování v Riau mezi lety 1982 a 2007 s použitím definice lesa FAO, prokázal, že v tomto období bylo ztraceno 65 % lesních ploch této oblasti a podíl lesních ploch na celém území se tak snížil ze 73 % v roce 1982 na 27 % v roce První omezení kácení lesů nastalo až v roce 2006, kdy začala být vládou sledována ilegální těžba dřeva Stát Oregon - USA Stát Oregon se nachází na západním pobřeží Spojených států, konkrétně v jeho severní části, v blízkosti státních hranic s Kanadou. Hlavním městem státu Oregon je Salem, ale největším městem je Portland. Jedná se o 9. největší stát USA. Řešené území se nachází blízko pobřeží v západní části státu (obr. 9). Hlavním stromovým ekosystémem jsou zde jehličnaté lesy, které pokrývají téměř polovinu státu. V těchto lesích se nachází velké množství vzácných druhů zvířat od ptáků, přes kopytníky, až po medvědy. Ve 30. a 40. letech minulého století docházelo na území státu k velkému množství lesních požárů, které přeměnily více než akrů lesních ploch v pustiny, a to především v oblasti Tillamook (OFRI, 2010). V důsledku těchto událostí se Oregon stal prvním státem se zákonem nařízenou obnovou lesních ploch. Tento zákon vyšel v roce 1971, a v dnešní době nařizuje majitelům výsadbu nového lesa nejpozději do 2 let po vykácení. Množství nově vysázených stromů musí být minimálně 100 až 200 sazenic na 1 akr. Místní obyvatelstvo však bere tyto zákony velmi vážně a často zalesňuje 31

32 více než je třeba, lesníci například vysazují místo sazenic na akr kolem 400 (OFRI, 2010). Obr. 9 Lokalita řešeného území - Oregon K zalesňování dochází jak z důvodů ekonomických, protože lesy jsou zde jedněmi z nejdůležitějších přírodních těžených zdrojů, tak z důvodů environmentálních, protože v celé oblasti je životní prostředí a zvláště pak lesní bohatství velmi ceněné (OFRI, 2010). 4.3 SBĚR DAT Daty potřebnými k analýze území jsou především družicové snímky. Kromě nich byly získány i stávající databáze Land Cover pro závěrečné porovnání. Jak již bylo předznamenáno v kapitole 2.1.3, existuje několik serverů provozovaných nejrůznějšími světovými organizacemi, které poskytují volně přístupné nebo placené družicové snímky. Pro tuto práci byly využity snímky volně dostupné. Snímky byly hledány na serverech USGS a GLCF (viz. kapitola 2.1.3). Na serveru GLCF jsou dostupné snímky ortorektifikované a zaručují danou polohovou přesnost. Nevýhodou je, že je zde k dostání jen omezený počet snímků oproti serveru USGS, kde se však nenachází snímky georeferencované. Nabídka snímků v databázi GLCF se nakonec jevila jako dostačující a nebylo třeba hledat jiných zdrojů. Snímky jsou zde dostupné v komprimované podobě. Každé pásmo bylo zvlášť komprimováno do jednoho souboru ve formátu GeoTIFF. Kromě pásem obsahuje dostupný snímek také náhled ve formátu JPEG a metadata v textové podobě. Pro území Indonésie byly staženy 2 snímky. První z pořízený družicí Landsat 1, senzorem MSS, a druhý z pořízený družicí Landsat 7, senzorem ETM+. Ačkoliv rozdíl mezi ročními obdobími pořízení snímků je dvouměsíční, v případě místního stálezeleného deštného lesa a stálé vlhkosti oblasti by to nemělo způsobit nesrovnalosti při klasifikaci lesních ploch. V druhém případě státu Oregon byly staženy rovněž dva snímky. První byl pořízen dne družicí Landsat 1 senzorem MSS, druhý pak družicí Landsat 7 senzorem ETM+. Zde by rovněž neměl nastat problém při klasifikaci lesních ploch z důvodu jiného ročního období, neboť se zde jedná o jehličnaté stálezelené lesy. Náhledy všech čtyřech snímků jsou zobrazeny v přílohách 5-8. V následujících krocích bylo již přistoupeno k samotné práci se snímky ve vybraných softwarech Geomatica a ArcGIS. 32

33 4.4 VYUŽITÉ SOFTWARY Software Geomatica verze 10.0 byl stěžejním pro tuto práci. Byl vyvinut kanadskou společností PCI Geomatics 3 založenou v roce 1982 (PCI Geomatics, 2010). Geomatica je kompletní a integrovaný software zaměřený na DPZ, digitální fotogrammetrii, prostorové analýzy, mozaikování a tvorbu map. Jeho funkce lze aplikovat do mnoha oborů, jako je životní prostředí, zemědělství, letectví, nebo jakákoliv jiná odvětví, v nichž jsou důležité prostorové analýzy zemského povrchu (PCI Geomatics, 2010). Jedná se o komerční program. Druhým důležitým softwarem užitým v této práci byl ArcGIS verze 9.3. ArcGIS byl vyvinut kalifornskou společností ESRI koncem 90. let minulého století. Je to kompletní integrovaný geoinformační systém s širokým polem působnosti. Na rozdíl od Geomaticy jsou jeho funkce využitelné v téměř každém odvětví. Nejvíce je ArcGIS využíván v oborech správy dat, plánování a analýz, monitoringu a dispečinku. Slouží k nejrůznějším prostorovým analýzám a rovněž tvorbě map (ESRI, 2010). Jedná se také o komerční program. 4.5 ÚPRAVY DAT Získaná data musela projít několika fázemi příprav, než mohla být dále zpracovávána. Snímky nebyly k dispozici v požadovaném formátu PCIDSK (*.pix), se kterým se nejprve pracovalo v Geomatice, proto bylo třeba zajistit převod formátu Změna formátu a sloučení pásem Každý snímek byl získán jako soubor vrstev ve formátu GeoTIFF (*.tif), z nichž každá reprezentovala obraz daného území v danou dobu pořízený v jednom pásmu senzoru. Snímky ze 70. let byly pořízeny senzorem MSS, tudíž obsahovaly 4 pásma o prostorovém rozlišení 57 m po převzorkování. Snímky z roku 2000 a déle byly pořízeny senzorem ETM+ a obsahovaly tedy 8 pásem, ale z důvodu dvojího termálního pásma č. 6 bylo vrstev GeoTIFF celkem 9. Prostorové rozlišení a 7. pásma bylo 28,5 m po převzorkování, 6. pásma měla prostorové rozlišení 57 m a 8. pásmo pak 14,25 m. Sloučení pásem a zároveň převod do jedné vrstvy PCIDSK bylo provedeno v Geomatice, konkrétně v modulu Focus. Využita byla funkce Data Merge (trans. spojení dat) z nabídky Tools (trans. nástroje). Jak vyplývá již z názvu, funkce slouží ke spojování dat. Nabízí několik možností, jaká data a jakým způsobem lze spojit. Jako vstupní vrstvy zde byla vybrána pásma pořízená senzorem a získaná ve formátu GeoTIFF. V případě snímků ze 70. let byla sloučena všechna pásma, u snímků pořízených senzorem ETM+ byla sloučena všechna pásma kromě dvou termálních a panchromatického. Z tohoto důvodu také nebylo třeba řešit různé prostorové rozlišení pásem, protože kromě termálních a panchromatického pásma mají všechna pásma senzoru ETM+ rozlišení 30 m (resp. 28,5 po převzorkování). Souřadný systém byl zachován původní, ve kterém snímky vznikly, tedy UTM WGS Rozlišení snímku bylo rovněž zachováno původní. Nakonec bylo zvoleno pouze umístění a název výchozí vrstvy PCIDSK. 3 Název společnosti bývá často zaměňován s názvem softwaru. 33

34 4.5.2 Ořezání snímků Vzhledem k tomu, že nebylo pracováno s celými snímky, ale pouze s menšími částmi, bylo třeba původní snímky ořezat. Byla vybrána území, kde byly nejlépe prokazatelné změny lesních ploch a zároveň nad nimi nebyla příliš velká oblačnost, která celou další práci značně komplikuje. Ořezání bylo rovněž provedeno v Geomatice s využitím funkce Clipping/Subsetting. První z obou dvojic snímků byl ořezán pomocí definovaných souřadnic, které byly předem odečteny z původního velkého snímku, a druhý, novější, snímek byl následně ořezán podle snímku staršího. Výřezy obou území byly zvoleny obdélníkového tvaru a přibližně stejné rozlohy. Výřez z oblasti Riau byl určen zeměpisnými souřadnicemi '02,64'' až '52,59'' východní zeměpisné délky a 0 16'50,58'' severní až 0 09'03,82'' jižní zeměpisné šířky. Rozloha území je cca km 2. Výřez v oblasti Oregonu byl stanoven souřadnicemi '43,98" až '20,67" západní délky a 43 36'37,60" až 43 07'42,58" severní šířky. Velikost tohoto výřezu je přibližně km KOREKCE DAT Dle popisu datového souboru NASA's Global Orthorectified Landsat Data Set dostupného na serveru GLCF prošly snímky již radiometrickými korekcemi chyb, které vznikly senzorem, a geometrickými korekcemi. Polohová přesnost je zaručena lepší než 50 m u snímků ze senzoru ETM+ a lepší než 100 m u senzoru MSS. Existence geometrických korekcí byla na obou územích zjištěna vizuálně. Byly porovnány snímky z obou období u každého území a bylo zkontrolováno, zda spolehlivě určitelná místa na obou snímcích jsou totožně umístěna a překrývají se. Bylo prokázáno, že geometrické korekce provedeny byly na všech snímcích. Nebylo tedy třeba se dále zabývat polohovou přesností. Atmosferické korekce jsou poměrně problematicky řešitelné. Při kontrole těchto korekcí bylo použito nejsnadnější metody nejtmavšího pixelu, podle které by se DN hodnota pixelu reprezentujícího relativně rozlehlou, hlubokou a čistou vodní plochu v NIR (0,8-1,1 µm) pásmu měla blížit nule. V případě oblasti Riau v roce 1979 se bohužel na snímku nevyskytovala žádná plocha stoprocentně vyhovující těmto parametrům a byla tedy využita nejlepší možná varianta, menší vodní plocha nacházející se na zeměpisných souřadnicích přibližně '05'' východní délky a 0 05'58'' jižní šířky. DN hodnota středu této vodní plochy v NIR pásmu byla rovna 8. Na snímku z roku 2000 se již nacházela větší vodní plocha, pravděpodobně uměle vystavěná vodní nádrž nacházející se na zeměpisných souřadnicích '35'' východní délky a 0 04'02'' severní šířky. Její DN hodnota v NIR byla rovna 20. Ačkoliv je tato hodnota vyšší, než u předchozího snímku, stále se nejedná o signifikantní nárůst. Vzhledem k tomu, že se vodní nádrž nachází v intenzivně využívané zemědělské, plantážnické oblasti, dá se předpokládat, že nádrž mohla být silně znečištěna, což by tuto hodnotu značně zvýšilo. V Oregonu se nacházela jediná menší vodní plocha na severu řešeného území. Vzhledem k tomu, že se jedná o oblast s poměrně vysokou úrovní ochrany přírody, která není intenzivně zemědělsky využívaná, předpokládalo se, že DN hodnota u této vodní plochy bude nižší. Tento 34

35 předpoklad byl následně potvrzen. Na snímku z roku 1973 dosáhla DN hodnota vodní plochy 7, na snímku z roku 2006 pak 9. Díky naměřeným hodnotám se dalo předpokládat, že vliv atmosféry byl buďto odstraněn, nebo nedosahuje takové míry, aby ovlivňoval dosažené výsledky. Přešlo se tedy k samotné klasifikaci. 4.7 KLASIFIKACE LAND COVER Na obou územích byly vyzkoušeny obě varianty klasifikace, řízená i neřízená. Neřízená klasifikace se ukázala jako nepříliš vhodná k tomuto účelu, klasifikovaný obraz měl charakter "pepře a soli" a nebyly zde spolehlivě rozlišeny ani nejzákladnější třídy krajinného pokryvu. Z tohoto důvodu byla tedy zvolena klasifikace řízená Příprava klasifikace Nejprve bylo třeba vytvořit ve vstupní PCIDSK vrstvě každého snímku nová pásma k již existujícím, aby se do nich mohly výsledky klasifikace uložit. První nové pásmo bylo vždy označeno jako trénovací, druhé jako výstupní. Pro samotnou klasifikaci bylo velmi důležité zvolit také vhodnou RGB syntézu původních kanálů, ve které bude snímek zobrazen při klasifikaci, aby bylo dosaženo co nejpřesnějších výsledků při určení jednotlivých tříd LC. Pro klasifikaci snímku oblasti Riau z roku 1979 byla zvolena kombinace (resp. v pořadí kanálů Landsat 1 senzoru MSS 3-4-2), která se jevila jako nejvhodnější. V kombinaci se zdravá vegetace zobrazuje do odstínů červených, hnědých, oranžových a žlutých, půdy pak do odstínů zelených a hnědých, městské plochy jsou bílé, světle modré nebo šedé. Světle modrá rovněž reprezentuje nedávno vykácené plochy. Načervenalá barva pak poukazuje na řídkou nebo nově obrostlou vegetaci. Vodní plochy se zobrazují v tmavých barvách. Tato kombinace je jedna z nejvhodnějších pro studium vegetace (Quinn, 2010). Rovněž eliminuje slabou oblačnost, která se nachází na severovýchodě vybraného území v obou řešených letech. Tato 3 pásma byla také zvolena jako vstupní pro klasifikaci. Poslední pásmo, viditelné zelené, nebylo do klasifikace nijak zahrnuto, protože při jeho zahrnutí se v dolní části snímku z roku 1979 objevil pruh, který byl zřejmě způsoben chybou senzoru. Stejná RGB kombinace a ekvivalentní 3 pásma byla použita i pro klasifikaci roku 2000, aby byly obě klasifikace srovnatelné. V případě Oregonu byla zvolena syntéza (resp. v pořadí kanálů Landsat 1 senzoru MSS 3-2-1), která je klasickým zobrazením v pseudobarvách. Tato kombinace se pro dané území zdála být nejvhodnější. Vegetace se zde zobrazuje v barvách červených, zástavba pak v barvách světlomodrých a půdy v odstínech hnědé. Led, sníh a mraky jsou bílé nebo světlomodré. Jehličnaté lesy jsou tmavší než listnaté. Tato kombinace je rovněž vhodná pro analýzu vegetačního pokryvu (Quinn, 2010). Do klasifikace byla zahrnuta všechna čtyři pásma u snímku z roku 1973 a odpovídající čtyři pásma u snímku z roku Všechny 4 výřezy ve zmíněných RGB syntézách jsou přiloženy v přílohách č

36 4.7.2 Sběr trénovacích ploch V dalším kroku bylo třeba nasbírat trénovací plochy ke každé vytvořené třídě LC. Počet trénovacích ploch se vždy lišil v souvislosti s plochou třídy. Čím větší plochu třída zabírala, tím více bylo vytvořeno trénovacích plošek (viz. tabulky č. 5 a 6). Rozmístění trénovacích plošek bylo v každém z případů provedeno co možná nejrovnoměrněji. Počet pixelů tvořících jednu trénovací plošku byl dle homogenity plochy od 4 do 50. Třídy LC byly voleny tak, aby byly po agregaci pro každé území kompatibilní v obou letech pořízení snímku. Při stanovování tříd bylo třeba zohlednit také parametry jako vlhkost a hustotu vegetace nebo oblačnost nad zemským povrchem. Tab. 5 Třídy Land Cover - oblast Riau* Původní třídy LC Trénovací pixely Trénovací plochy Původní třídy LC Trénovací pixely Trénovací plochy Třídy LC po agregaci hustý les hornatý les les hustý les - oblačnost hustý les plantáže hustý les - stín hustý les - nížina pole plantáže hustý les - oblačnost obrostlá pole prosekaný les holá půda, zástavba poloobrostlá půda plantáže okrové vodní plochy holá půda, zástavba plantáže zelené chyby cesta, holá půda plantáže žluté voda, mokřad pole oranžová voda 28 5 pole mentolová čistá voda pole zelená mraky holá půda, řídký obrost stíny mraků holá půda, zástavba NULL čistá voda kalná voda mraky stíny mraků NULL * barevně shodné třídy byly v rámci každého roku agregovány a jsou kompatibilní V případě Indonésie, kde se téměř vždy vyskytuje alespoň minimální oblačnost, bylo nejdůležitější správně klasifikovat povrch nacházející se pod oblačností. Na území se v obou letech vyskytovaly dva typy oblačnosti. Prvním typem byla oblačnost hustá, tedy rozlohou poměrně malé mraky vrhající stíny na povrch. Pro ně bylo třeba vytvořit dvě zvláštní třídy (mraky, stíny mraků), které byly v následujících krocích eliminovány. Druhým typem oblačnosti byla rozsáhlá řídká oblačnost vyskytující se na obou snímcích na severovýchodě území. Tato oblačnost nevrhala stín na povrch, takže se nejevil černý, ale značně zkreslila jeho barvy. Proto například pro kategorii les, 36

37 která je pro BP nejzásadnější, byly vytvořeny podkategorie pro les ve stínu, les pod mrakem, hustý les apod. Pro rok 1979 bylo nakonec vytvořeno 12 tříd LC, pro rok 2000, kdy měl snímek lepší rozlišení a povrch byl pestřejší, bylo vytvořeno tříd 17 (tab. 5). Největší problém nastal při rozlišení plantáží, kterých je na daném území poměrně velké množství, a lesních ploch. Plantážové stromy jsou zde však většinou nižší a jejich pokryv řidší, tudíž se na snímku jevily oproti lesům ve světlejších odstínech zelené v případě roku 1979 a červené či hnědé na snímku z roku Kromě toho plantáže mají většinou pravidelný tvar a vede skrze ně poměrně pravidelná síť menších či větších cest. V případě roku 2000 nastal také problém s jasným stanovením lesních ploch. V této době se totiž na území nacházela poměrně velká plocha lesů, které byly již prořídlé, pravděpodobně prokácené člověkem. Tuto hypotézu potvrdily také snímky z GoogleEarth, které byly o několik let mladší a na těchto územích již byly často holé půdy, pravděpodobně připravené pro založení nových plantáží. Nakonec byly tyto plochy definovány ještě jako lesní plochy, ovšem při hodnocení výsledků byla vyhodnocena i varianta, kdyby se tyto plochy do souvislého lesního porostu již nepočítaly. Plochy v nejsvětlejších odstínech vegetace, tzn. světleoranžové, světležluté, světlezelené (resp. žluté a světle žlutozelené v případě roku 1979), pak byly kategorizovány jako pole. Tab. 6 Třídy Land Cover - Oregon* Původní třídy LC Trénovací pixely Trénovací plochy Původní třídy LC Trénovací pixely Trénovací plochy Třídy LC po agregaci tmavý les les les střední les louky, nízký porost louky, nízký porost světlý les pole pole nízký porost pole holá půda, zástavba louky pole vodní plochy pole holá půda chyby pole zástavba pole voda holá půda NULL zástavba voda NULL * barevně shodné třídy byly v rámci každého roku agregovány a jsou kompatibilní Sběr trénovacích ploch pro území Oregonu byl mnohem snazší. Zaprvé se nad územím nenacházela žádná oblačnost, takže nemuselo být tvořeno více tříd LC a zadruhé se nejedná o plantážnickou oblast, tudíž nebyl problém stanovit lesní plochu. Na druhou stranu bylo obtížné rozpoznat některé nelesní plochy. Například rozdíly mezi loukami, vykácenými lesy, obdělávanými poli a půdou bez většího množství vegetace byly často neznatelné. Ovšem primárním cílem práce je hodnotit změny lesních ploch, takže nebylo příliš důležité zcela 37

38 přesně definovat ostatní plochy. Nakonec bylo vytvořeno 11 tříd LC pro rok 1973 a pouze 8 tříd pro rok 2006 (tab. 6). Na obou snímcích Oregonu byla při zobrazení v nepravých barvách vegetace zbarvena do červených a růžových odstínů. Tmavočervené plochy byly určeny jako souvislé lesy, světločervené, růžové až světlofialové plochy pak jako louky a nízký porost. Při určení polí a holé půdy došlo k několika rozporům. Pole byla rozdělena do tří kategorií, první byla pole obrostlá, zobrazená ve světlozelených odstínech, druhá byla obrostlá velmi řídce až téměř vůbec, zobrazená ve světlomodrých barvách, a zcela holá pole, zobrazená v odstínech bílé. Oproti tomu městská zástavba a čerstvě vykácené lesní plochy s řídkým porostem byly zobrazeny v tmavších modrých odstínech. Znamená to tedy, že v době pořízení obou snímků mohla třída "holá půda a zástavba" vykazovat větší míru porostu než některá pole. Ke klasifikacím roku 2000 a 2006 bylo rovněž využito aplikace Google Earth, která poskytuje snímky zemského povrchu v lepším prostorovém rozlišení než Landsat, a bylo možné díky ní lépe posoudit některá sporná území. Když byl nasbírán dostatečný počet trénovacích ploch pro každou třídu (tab. 5 a 6), bylo možno zkontrolovat její histogram. Ve všech třídách bylo nakonec dosaženo přibližně normálního rozdělení a bylo možné přejít ke klasifikaci Použitá metoda klasifikace Než byly klasifikace obou území a obou let spuštěny, bylo využito funkce Cassification Preview z balíčku nástrojů v editačním okně trénovacích ploch. Tato funkce umožnila náhled všech dostupných typů klasifikací ještě před spuštěním, proto bylo možné jak zvolit nejvhodnější typ, tak zjistit, zda byly nadefinované třídy dostatečné a klasifikace se jeví kvalitně. Vyzkoušeno bylo všech 5 klasifikací v nabídce programu PCI Geomatica a nakonec byla jako nejvhodnější zvolena klasifikace Maximum Likelihood with NULL class. Obr. 10 Maximum Likelihood with NULL class 38

39 Po zobrazení náhledů obou klasifikací Indonésie bylo zjištěno, že se na území nachází několik lesních ploch zaměněných s jinou třídou, převážně polem nebo plantáží, a naopak. Proto bylo využito parametrů Treshold a Bias. V nápovědě SW Geomatica nebyly nalezeny přesné definice těchto parametrů, ale byly prakticky vyzkoušeny na snímcích a bylo zjištěno, že tyto parametry dávají váhu jednotlivým třídám a upřednostňují je při problematické klasifikaci, přičemž vliv parametru Bias na váhu třídy je vyšší. V případě klasifikace roku 1979 byly některé lesní plochy klasifikovány jako pole nebo plantáže, naopak v roce 2000 bylo několik plantáží definovaných jako les. Aby byla vyklasifikována co nejlépe lesní plocha, byly změněny defaultní hodnoty výše zmíněných parametrů, které jsou stanoveny 3 pro Treshold a 1 pro Bias. V roce 1979 byly tyto hodnoty u všech kategorií lesa zvýšeny na 10 a 5. Z důvodu kontinuality vodních toků byly tyto hodnoty zvýšeny ještě u vodních ploch na 5 a 3. V případě roku 2000 bylo naopak potřeba potlačit váhu kategorie lesů, aby nebyly některé husté plantáže klasifikovány jako lesy, a proto byly zvýšeny hodnoty u ostatních tříd LC, konkrétně na 7 a 3 u polí a 8 a 3 u plantáží. Opět byly zvýšeny hodnoty pro kategorii vodních ploch. U Oregonu nebylo třeba takových úprav, byly změněny pouze hodnoty u zástavby pro oba roky, jelikož bylo vyklasifikováno příliš holých polí jako holá půda a zástavba, a to z 3-1 na 3-0,5. Znovu byly zobrazen náhled a již uspokojující klasifikace byly spuštěny. Kromě nadefinovaných tříd vznikla automaticky ještě "NULL class", která reprezentuje pixely nehodící se s vysokou pravděpodobností do žádné ze tříd. První fáze klasifikace 4 je vidět na obrázku č Postklasifikační úpravy Vzniklé klasifikace byly dostačujícím základem pro další úpravy a analýzu a bylo tedy možno přejít k postklasifikačním úpravám. Obr. 11 Maximum Likelihood with NULL class, Mode Filter 3x3 4 Průvodní obrázky znázorňující jednotlivé fáze klasifikace jsou uvedeny pouze pro klasifikaci oblasti Riau v roce

40 Jako první byl použit nízkofrekvenční majoritní filtr (Mode Filter) pro vyhlazení obrazu, protože se na snímku vyskytlo značné množství osamocených pixelů. Vyzkoušeno bylo několik velikostí vyhlazující matice a nakonec byla použita nejmenší z nich - 3x3 - pro oba roky území Oregonu a pro Sumatru rok Klasifikace Sumatry v roce 2000 byla vyhlazena filtrační maticí 5x5, protože se v ní nacházelo největší množství tříd a klasifikace byla příliš různorodá. Filtrovaný snímek je vidět na obrázku č. 11. V druhém kroku se přešlo ke spojení tříd pomocí funkce Aggregation z balíčku funkcí, které slouží k postklasifikačním uprávám (Post-classification Analysis). Třídy byly spojeny tak, aby vznikly pro oba roky každého území kompatibilní třídy, které bude možno dále porovnat. Třídy LC v Indonésii byly spojeny do 6 výsledných: les, plantáže, pole, holá půda a zástavba, vodní plochy a chyby. V poslední třídě "chyby" byly agregovány výše zmíněné třídy mraků, jejich stínů a nulové hodnoty (na obrázku č. 11 zobrazeny červeně, na obr. č. 12 černě). Tato třída byla eliminována během dalších kroků. Snímky z Oregonu byly agregovány rovněž do 6 tříd: lesy, louky a nízký porost, pole, holá půda a zástavba, vodní plochy a chyby. V poslední třídě byly na rozdíl od Indonésie zahrnuty pouze nulové hodnoty. Agregované třídy klasifikace byly uloženy do 3. nových pásem. Výstup po agregaci je vidět na obrázku č. 12. Obr. 12 Maximum Likelihood with NULL class, Mode Filter 3x3, Aggregation Agregace tříd byla poslední postklasifikační úpravou provedenou v SW Geomatica. Další úpravy, zahrnující především generalizaci, již byly provedeny v SW ArcGIS. Ještě než se ale přešlo k dalším úpravám, bylo třeba zkontrolovat přesnost klasifikace. 4.8 KONTROLA PŘESNOSTI KLASIFIKACE Kontrola přesnosti klasifikace je velmi důležitou součástí této analýzy, protože díky ní bylo zjištěno, s jakou přesností je klasifikace spolehlivá. Pro kontrolu byla využita metoda chybové matice 40

41 Nejprve byla vyzkoušena kontrola v SW Geomatica, pomocí funkce Accuracy Assessment. Princip kontroly spočívá ve zpětné klasifikaci několika náhodně vybraných bodů z původního snímku. Počet těchto bodů závisí na velikosti zpracovávaného území a počtu výsledných tříd. Dle Lillesanda (2008) by v případě území většího než ha měl být počet kontrolních bodů pro každou třídu Velikosti území jsou a km 2 a po agregaci zůstalo 6 tříd, proto byl celkový počet kontrolních bodů stanoven na 500. Tyto body byly náhodně vygenerovány přímo Geomaticou (Generate Random Sample) v rámci výše uvedené funkce. Poté byl postupně každý bod zobrazen na původním snímku a na základě vizuálního posudku manuálně klasifikován. Z nezjištěných důvodů však při každém pokusu nešlo klasifikovat více než bodů, ačkoliv byly vygenerované. Byla tedy využita druhá možnost kontroly z již připravené vektorové vrstvy. Tyto vektorové vrstvy bodů byly pro každý klasifikovaný snímek vytvořeny v SW ArcGIS, modulu ArcMap. V modulu ArcCatalog byly nejprve připraveny nové vektorové bodové vrstvy a načteny postupně do modulu ArcMap společně s původními snímky, na nichž byla provedena klasifikace. V prázdné atributové tabulce každé bodové vrstvy byly vytvořeny 3 nové atributy: první, pojmenovaný LC, udává třídu Land Cover, kterou daný bod reprezentuje, další dva sloupce byly vytvořeny pro zeměpisné souřadnice X a Y. Poté bylo zvektorizováno 500 kontrolních bodů a u každého byla určena třída LC. Počty bodů byly rozložením ve třídách LC stanoveny cíleně, ovšem v rámci každé třídy LC byly tvořeny náhodně. Bodů bylo 500 v každém případě, ale jejich rozdělení dle tříd se lišilo s rozlohou třídy LC na snímku. Pro klasifikaci Sumatry v roce 1979 bylo vytvořeno 150 náhodných bodů pro lesy, 70 pro plantáže, 90 pro pole, 60 pro holou půdu a zástavbu, 80 pro vodní plochy a 50 pro plochy chybové. Pro rok 2000 byl tento poměr upraven na 130 bodů pro lesy a 80 pro každou z dalších tříd kromě chybové, na které bylo vytvořeno 50 bodů. Oregon byl rovněž zkontrolován na 500 bodech. Pro snímek z roku 1973 bylo vytvořeno 150 kontrolních bodů pro lesní plochy, 90 pro louky, pole a holé půdy a zástavbu a 50 pro vodní plochy. V roce 2006 se zde nacházel větší podíl lesních ploch, proto i počet kontrolních bodů byl zvýšen na 180. Ostatní třídy byly zkontrolovány na 80 bodech a vodní plochy opět na 50. Vzhledem k tomu, že 6. chybová třída neobsahovala mraky, jako u předchozího území, nemohla být nijak zkontrolována vytvořením bodů. Na závěr byla opět spuštěna funkce Calculate Geometry a tentokrát byly vypočítány X a Y souřadnice v příslušných sloupcích. Nově vytvořené vrstvy byly pomocí modulu ArcCatalog exportovány do formátu shapefile, s nímž umí Geomatica pracovat. Nejprve bylo třeba tyto vrstvy naimportovat do původních souborů PCIDSK. Každá vytvořená bodová vrstva byla otevřena v Geomatice a v záložce Files byla zvolena možnost Export to Existing File, byla vybrána vstupní vrstva PCIDSK, na které byla provedena klasifikace. Tím bylo dosaženo importu vektorové vrstvy do PCIDSK souboru. Kontrola přesnosti pak byla provedena na výsledné vrstvě klasifikovaných agregovaných tříd. Opět byla spuštěna funkce Accuracy Assessment, ale tentokrát nebyla zvolena možnost generování náhodných bodů, ale načtení kontrolní vektorové vrstvy - Samples from Vectors. Byla vybrána vytvořená vektorová vrstva a její atribut LC. Po načtení bodů do kontrolní tabulky se zobrazily body, jejich třídy a souřadnice a byla spuštěna kontrola. Po dokončení byly vyexportovány reporty o kontrole (přílohy 13 a 14). Žlutě zvýrazněná hlavní diagonála udává počty správně určených pixelů. 41

42 4.9 TVORBA VEKTOROVÉ DATABÁZE A MAPOVÝCH VÝSTUPŮ Po dokončení klasifikace, postklasifikačních úprav a kontroly přesnosti bylo třeba vytvořit srozumitelný mapový výstup a popřípadě manuálně opravit vzniklé nepřesnosti klasifikace. K tomuto účelu bylo využito SW ArcGIS. Z Geomaticy byly nejprve uloženy finální klasifikace jako nové vrstvy formátu GeoTIFF, jelikož s tímto formátem bylo možné přistoupit k převodu do vektorové vrstvy a analýze v SW ArcGIS. Každý z nových souborů formátu GeoTIFF byl načten do SW ArcGIS, modulu ArcMap. Nejprve byl soubor převeden do vektorové podoby pomocí funkce Raster to Polygon, byla zde zvolena možnost vyhlazení polygonů (Simplify polygons), aby výsledné polygony neměly kostrbatý tvar tvořený hranicemi původních pixelů. Poté byla zvolena nejmenší mapová jednotka, tedy nejmenší plocha nacházející se na výsledné mapě. Po zvážení rizika ztráty podstatných krajinných prvků ale zároveň zachování srozumitelnosti mapy byla tato jednotka určena na 5 ha v případě Sumatry a 3 ha v případě Oregonu. Nejmenší mapová jednotka byla pro Oregon zvolena menší, protože se na tomto území nachází velké množství malých vykácených území nebo luk uprostřed souvislého lesa. Následně byl v atributové tabulce vytvořen nový atribut (pomocí Add Field) pro výpočet plochy polygonů. Plocha všech polygonů byla vypočítána pomocí funkce Calculate Geometry, která se zobrazí po kliknutí na cílový sloupec. Poté byly polygony seřazeny podle velikosti plochy, aby bylo snazší vyhledat plochy menší než nejmenší mapová jednotka. Byly označeny všechny plochy menší než 5 ha (resp. 3 ha) a spuštěna funkce Eliminate z balíčku nástrojů Data Management Tools. Tato funkce umožňuje vymazání polygonů a jejich přiřazení k větší sousední ploše na základě nejdelší společné hranice (možnost Eliminating polygon by border). Po prvním spuštění stále zůstalo několik polygonů menších než nejmenší mapová jednotka, a proto byla funkce spuštěna ještě jednou. Poté se již na snímku nenacházely polygony menší než 5 resp. 3 ha (obr. 13). Obr. 13 Eliminate Stejným způsobem byla následně eliminována 6. třída chyb. Byly vybrány všechny body s číselným kódem pro tuto třídu a byla ještě jednou spuštěna funkce Eliminate (obr. 14). 42

43 Poslední fází byla vizuální kontrola klasifikace případné opravy chybně klasifikovaných polygonů. Na snímku vzniklo několik polygonů, které se zdály být chybně určenými, nebo nesrovnatelnými v obou obdobích. V případě Indonésie se vyskytlo o několik problematických oblastí. V západní části snímku se nachází vysokohorský deštný prales a díky převýšení terénu jsou zde silně osvětlené a naopak zastíněné části. Proto byly plochy, které byly díky světlosti vyklasifikované například jako pole nebo plantáže, překlasifikovány u obou snímků na lesy. Stejně tak tomu bylo u zaměnění vodních ploch za holou půdu z důvodu kalnosti vodního toku nebo za zamokřené části lesa z důvodu vlhkosti. Poslední úpravou bylo vymazání vodního toku v pravém dolním čtverci snímku z důvodu nesouvislosti. Vodní tok, který je místy velmi úzký, se při filtraci obrazu rozdělil do několika menších plošek tvořících přerušovanou linii. Při eliminaci bylo ještě několik těchto plošek odstraněno a zůstalo pouze pár polygonů jdoucích v řadě a reprezentujících původní vodní tok. Klasifikace tohoto vodního toku nebyla pro cíl analýzy považována za podstatnou, proto byl zcela eliminován. Aby nedošlo ke sporným výsledkům při porovnání s rokem 2000, byl vodní tok eliminován i na snímku novějším, ačkoliv jeho rozlišení by již umožnilo tento tok zobrazit. Obr. 14 Eliminate 2 Na území Oregonu nebylo tolik problematických částí. Ačkoliv vzniklo větší množství malých plošek uprostřed souvislého lesa klasifikovaných jako louky nebo holá půda, tak tento jev na rozdíl od Indonésie korespondoval se skutečností. Tento fakt byl ověřen jak pomocí aplikace GoogleEarth, tak i na základě článků a fotografií z této oblasti. Tyto plošky, které ovšem dosahovaly nejmenší mapové jednotky, zde proto byly zachovány. Jediným eliminovaným prvkem byl vodní tok nacházející se ve východní části území, a to ze stejných důvodů jako tomu bylo v případě Indonésie. Výsledným třídám byly pro přehlednost přiřazeny logické barvy. Takto dokončené klasifikace Land Cover byly doplněny v ArcMapu o základní mapové prvky, jako je titul, podtitul, legenda, směrovka, měřítko a tiráž, a vyexportovány jako soubor formátu PDF. Výsledné mapy jsou přiloženy v měřítku 1 : (Indonésie) nebo 1 : (Oregon) jako přílohy

44 4.10 ANALÝZA ZMĚN LAND COVER NA ŘEŠENÝCH ÚZEMÍCH Úspěšně bylo dosaženo klasifikací povrchu v obou řešených období na obou územích a bylo tedy možné přistoupit k porovnávací analýze. Porovnání bylo provedeno opět v SW ArcGIS, modulu ArcMap, pomocí překryvu. K vzájemnému srovnání LC na řešených území ve dvou časových horizontech bylo využito funkce Intersect z balíčku nástrojů Analysis Tools. Tato funkce umožňuje spojit dva datové soubory do jednoho, přičemž vzniknou nové polygony podle schématu na obrázku č. 15. Do překryvu vstupovaly agregované, tedy kompatibilní datové sady. Před spuštěním funkce byla nastavena ještě polohová tolerance překryvu 30 m, což je přibližně rozdíl ve velikostech pixelů výchozích dat, aby byly alespoň částečně eliminovány rozdíly vzniklé různým prostorovým rozlišením starších a novějších snímků. Výsledkem byly polygony reprezentující hranice původních polygonů obou souborů, přičemž každému novému byly přidány atributy obou původních. To znamená že v atributové tabulce nového souboru byl jak sloupec s kódem původní třídy LC (LC1), tak sloupec s kódem novým (LC2) a bylo možné vytvořit mapový výstup změn LC. K porovnání původní a nové třídy LC byl vytvořen nový sloupec v atributové tabulce. Bylo využito výpočetní funkce Field Calculator, která atributu vytváří matematický předpis v závislosti na jiných atributech. Byl zde zadán vzorec LC1*10+LC2 a v novém atributu tak vznikl nový dvoumístný číselný kód reprezentující změnu LC, která se na daném polygonu udála. První cifra reprezentuje původní třídu LC a druhá cifra třídu stávající (z roku 2000, resp. 2006). V mapových výstupech bylo cílem zobrazit pouze změny týkající se lesních ploch, proto i v zájmu přehlednosti nebyly do vizualizace zahrnuty změny týkající se jiných než lesních ploch. Byly vybrány všechny kódy začínající nebo končící cifrou 1, která byla definována pro lesní plochy. Čísla 1* dle vzorce značí změnu lesních ploch na * třídu LC, tedy odlesnění. Naopak čísla *1 značí změnu * třídy LC na lesní plochy, tedy zalesnění. Ostatní změněné i nezměněné plochy byly sloučeny do jedné třídy. Pomocí vhodné symboliky byla vytvořena reprezentující barevná schémata zahrnující tón barvy podkladových ploch a barvu, směr a šířku šrafury, která zobrazuje na mapách změny lesních ploch. Nakonec byly přidány základní mapové prvky a mapy vygenerovány ve formátu PDF velikosti A3 a přiloženy jako přílohy č. 22 a 23. Obr. 15 Funkce Intersect (zdroj: ESRI, 2009) Výsledné atributové tabulky překryvu byly exportovány do tabulkového formátu DBF, aby mohly být dále zpracovány v MS Excel. Zde došlo k bilančnímu výpočtu změn. 44

45 5 VÝSLEDKY 5.1 ZMĚNY LESNÍCH PLOCH Z GLOBÁLNÍHO POHLEDU Tato kapitola přináší výsledky zjištěné jak z literárních zdrojů, tak i zjištěné z významných globálních databází land use/land cover. Změnami lesních ploch se rozumí změny v jejich rozloze. Těmito změnami jsou buďto úbytek, tedy odlesňování, nebo nárůst, tedy zalesňování. Úbytek lesních ploch patří v současné době k nejzávažnějším ekologickým problémům. Obr. 17 Změny lesních ploch (zdroj: UNEP, 2009) Existuje mnoho organizací, které monitorují celosvětové změny lesních ploch, ať už jako primární nebo sekundární činnost, většinou v rámci sledování změn globálního LC. Obr. 18 FAO - Změny lesních ploch mezi lety 2000 a 2005 (zdroj: FAO, 2010) 45

46 K takovým organizacím patří například WWF, WRI, IPCC, nejrůznější organizace OSN jako jsou FAO, UNEP, UNFF, UNFCCC a WHO, nebo také nejstarší mezinárodní nevládní organizace pro ochranu přírody IUCN založená již v roce 1948, která dopomáhá ostatním vládním i nevládním organizacím zabývajícím se ochranou přírody nalézat řešení nejrůznějších ekologických problémů a zavádět je do legislativy. Na obrázcích č. 17 a 18 jsou zobrazeny dvě různé schematické mapy změn lesních ploch. Jedna byla vyhotovená MA (Millennium Assessment) a použita v publikaci UNEP Vital Forest Graphic, druhá je pak původním výstupem FAO. Červeně jsou vyznačeny oblasti odlesňované, tmavozeleně oblasti zalesňované. Na mapě od MA je ještě světlezeleně znázorněn současný lesní pokryv a hnědozeleně oblasti degradace ploch bez vegetace, na mapě od FAO jsou ještě šedě znázorněny oblasti s relativně stabilními lesními plochami. Je vidět, že ani zde se dostupné zdroje zcela neshodují. Tab. 7 FAO - Vývoj lesních ploch ve světě od roku 1990 (zdroj: FAO, 2010) Rozloha lesních ploch světa od roku 1990 do roku 2005 rok plocha (1 000 ha) , , , ,7 Ročenka FAO rovněž udává rozlohy lesních ploch od roku 1990 na státní, kontinentální i celosvětové úrovni (tab. 7 a obr. 18). Nevýhodou statistických údajů FAO je právě administrativní systém hodnocení rozlohy lesních ploch. Například při vyhodnocení změn lesních ploch v rámci celé Asie, je výsledkem značné zalesňování. Ovšem při detailnějším průzkumu bylo zjištěno, že zalesňování v Asii se týká pouze několika regionů v Číně a oproti tomu zbylé části Asie jsou převážně odlesňovány. Vliv Číny je zde tak zásadní, že ovlivní statistiky pro celý kontinent, což vede k poměrně zkresleným výsledkům. Obr. 18 FAO - Změny lesních ploch mezi lety 2005 a 2010 podle států (zdroj FAO: 2010) Na obrázku č. 18 jsou znázorněny změny lesních ploch na státní úrovni dle ročenky FAO. 46

47 5.1.1 Odlesňování Odlesňování je velmi závažným problémem současného světa. Ztráta lesních ploch znamená ohrožení ekologické stability planety v důsledku zvýšení emisí oxidu uhličitého a naopak snížení přísunu kyslíku. V neposlední řadě je negativním důsledkem odlesňování také ztráta přírodní biodiverzity (UNEP, 2009). Obr. 19 Kácení deštného lesa, Amazonský prales (zdroj: National Geographic, 2010) Většina ztrát lesních ploch je situována do rozvojových zemí, převážně pak v Jižní Americe, Africe a jihovýchodní Asii. Hlavní příčinou odlesňování v těchto zemích je nedostatečná vládní struktura v oblasti ochrany přírody a udržitelných zdrojů (UNEP, 2009). Ke ztrátám lesních ploch dochází dvěma hlavními způsoby, přirozeně nebo lidskou činností. Odlesňování přirozenou cestou způsobují například požáry, sopečně erupce, dezertifikace, bahnotoky nebo povodně. Oproti zásahům člověka jsou tyto ztráty poměrně raritní. Lidské motivy k odlesnění jsou například rozšiřování zemědělských ploch, převážně pak plantáží, rozšiřování zástavby a dopravní infrastruktury, nebo také těžba dřeva (UNEP, 2009). Dle FAO je ročně ztraceno 13 milionů ha lesa, což je přibližně rozloha Řecka (UNEP, 2009). Důsledky odlesňování jsou nedozírné. Hlavním z problémů je nárůst emisí skleníkových plynů. Dle WWF 20 % světových skleníkových plynů pochází z procesu odlesňování a jeho následků, přičemž nejvíce odlesňované země, Brazílie a Indonésie, se podílí na jejich emisích z 54 % (WWF, 2008). V neposlední řadě odlesňování zapříčiňuje také vymírání mnoha živočišných i rostlinných druhů, které jsou na lesní ekosystémy životně vázány Zalesňování Zalesňováním se rozumí nárůst lesních ploch. Tento proces je bohužel podstatně vzácnější než proces odlesňování. Zalesňování lze dále rozdělit na dva typy. Prvním typem je znovuzalesnění ploch, které byly zalesněny v minulosti, ale následně byly lidskou činností 47

48 nebo přirozeně odlesněny (eng. reforestation), druhým typem je pak zalesnění ploch, které předtím zalesněny nebyly (eng. afforestation) (UNEP, 2009). Růst lesních ploch je naopak příznačným pro vyspělé země s kvalitním vládním systémem a vyšší úrovní ochrany přírody. Tyto tendence tudíž vykazují převážně země EU a USA. Zvláštním případem je pak Čína, ve které probíhá zalesňování, ovšem ze zcela odlišných důvodů. Evropské a severoamerické země zalesňují převážně v zájmu ochrany a stabilizace životního prostředí. Oproti tomu Čína zalesňuje převážně v zájmu "přežití". Lesy v Číně znamenají kromě jiného alespoň částečnou ochranu před písečnými bouřemi, při nichž se z okolních pouští dostává ohromné množství písku nad velká města (CHINA.ORG.CN, 2006). Například spadlo během jedné noci 300 tisíc tun písku na hlavní město Peking. Jednalo se o největší písečnou bouři v Číně od doby nástupu komunismu (Ekologie, 2006). Naopak k zalesňování čínských pobřežních oblastí dochází především z důvodu protipovodňové ochrany. Obr. 20 Vysazování borového lesa, stát Michigan - USA (zdroj: Michigan DNRE, 2010) Zalesňování je velmi náročným procesem a je třeba uvědomění vládních orgánu dotyčných států, popřípadě intervence nadnárodních organizací, k tomu, aby mohly být škody způsobené odlesněním ploch alespoň částečně napraveny. Kromě toho je do zalesňovacích projektů třeba nemalých investic. Prvním krokem by však mělo být v každé zemi uzákonění, jak s lesními plochami nakládat, a také jak řešit problematiku ilegální těžby či nadměrného čerpání lesních zdrojů (UNEP, 2009). 5.2 DOSAŽENÉ VÝSLEDKY KLASIFIKACE DRUŽICOVÝCH SNÍMKŮ Původní tabulky exportované do MS Excel (viz. kapitola 4.10) byly dále využity ke statistickému zpracování. Pomocí sumarizační funkce byly sečteny plochy jednotlivých tříd LC a bylo dosaženo konkrétního číselně vyjádřeného rozdílu v krajinném pokryvu mezi jednotlivými lety. Výsledky jsou uvedeny v následujících tabulkách. V první tabulce pro každé území jsou uvedeny množstevní a procentuelní změny, v druhé pak konkrétní charakter změny. 48

49 5.2.1 Změny lesních ploch a Land Cover v provincii Riau Z tabulkového i mapového výstupu je zřejmé, že na vybraném území proběhly velké změny krajinného pokryvu. Z tabulky č. 8 je patrné, že největší ztráty jak v rozloze, tak v podílu na LC zaznamenaly v oblasti Riau právě lesy. Mezi lety 1979 a 2000 ubylo celkem 780,26 km 2 lesních ploch a jejich podíl na krajinném pokryvu celého území se snížil téměř o 30 %. Podobné změny, ovšem v kladných hodnotách zaznamenaly plantáže, kterých přibylo více než 785 km 2. Oproti tomu pole, holá půda, zástavba a vodní plochy nevykázaly v rozloze příliš znatelné změny. Tab. 8 Land Cover oblasti Riau v letech 1979 a 2000 Třída LC rozdíl abs. [km 2 ] % abs. [km 2 ] % abs. [km 2 ] % souvislý les 2 073,05 75, ,79 47,30-780,26-28,54 plantáže 149,95 5,49 935,02 34,21 785,07 28,72 pole 372,35 13,62 329,29 12,05-43,06-1,57 holá půda, zástavba 91,47 3,35 141,17 5,16 49,70 1,81 vodní plochy 46,63 1,71 35,18 1,29-11,45-0,42 úbytek rozlohy třídy LC nárůst rozlohy třídy LC Z map LC v letech 1979 a 2000 (přílohy č. 16 a 17) je vidět, že lesy ubývaly především ve střední, severní, severozápadní a jihovýchodní části území. Naopak lesy na západě zůstaly z větší části zachovány. Na východě území se pak nacházely již zmiňované prokácené lesy, které byly při klasifikaci počítány ještě do lesních ploch, ovšem v následujících letech (po roce 2000) byly postupně vykáceny, jak bylo zjištěno z dostupných zdrojů (viz. dále). Tab. 9 Změny mezi třídami Land Cover oblasti Riau mezi lety 1979 a [km 2 ] Třída LC souvislý les plantáže pole holá půda, zástavba vodní plochy celkem [km 2 ] v roce [km 2 ] souvislý les 1 149,8 555,1 245,5 120,1 2, ,1 plantáže 50,2 81,1 11,9 5,1 1,7 150,0 pole 76,7 230,2 52,5 11,4 1,5 372,3 holá půda, zástavba 9,2 59,1 18,7 4,0 0,4 91,4 vodní plochy 7,0 9,5 0,7 0,5 29,0 46,7 celkem [km 2 ] v roce ,9 935,0 329,3 141,1 35, ,5 odlesnění zalesnění nezměněné plochy Jak je vidět z tabulky č. 9, nejvýraznější přeměnou, která se v provincii Riau odehrála v řešeném časovém horizontu, byla změna lesních ploch na zemědělsky a potažmo ekonomicky výnosnější plantáže. Hned na druhém místě je změna z lesních ploch na pole, která byla definována jako obrostlá či poloobrostlá půda. Může se tedy jednat o pastviny, pole, nebo rovněž plantáže v počátečním stádiu vzrůstu. Významná je také změna lesních ploch na plochu bez 49

50 vegetace, která značí vykácení původních lesů a ještě neexistující zemědělské využití. Potvrdil se předpoklad, že velké množství lesů bylo vykáceno z důvodu plantážnictví. V kapitole bylo zmíněno, že na řešeném území Indonésie se v roce 2000 vyskytovalo velké množství lesů, které byly již tou dobou částečně prokáceny, ovšem při klasifikaci byly ještě započítány do kategorie souvislých lesů. Dalo se však předpokládat, že i tyto lesní plochy byly v následujících letech (po roce 2000) vykáceny a přeměněny na plantáže. Tento předpoklad byl potvrzen také pomocí aplikace GoogleEarth, kde bylo zjištěno, že mnoho těchto ploch je dnes již zcela vykáceno popřípadě plně zemědělsky využíváno. Dodatečně byla tedy v SW Geomatica zjištěna ještě rozloha původní třídy prokácených lesů. Tato rozloha činila 213,5 km 2, což poukazuje na ještě rapidnější úbytek lesních ploch v následujících letech. Celkově bylo v daném časovém horizontu ztraceno 923,4 km 2 lesa a pouze 143,1 km 2 bylo opět zalesněno. Ani toto číslo není zcela spolehlivé, jelikož se mohlo jednat i o plantáže, které mohly být například z důvodu vyšší hustoty klasifikovány jako lesy. Pokud by byly i výše zmíněné prokácené lesy započítány do odlesněných ploch, tak by rozsah odlesňování vzrostl z 923,4 na 1 136,9 km Změny lesních ploch a Land Cover ve státě Oregon Jak vyplývá z mapových výstupů i následujících tabulek, ve státě Oregon skutečně došlo mezi lety 1973 a 2006 k prokazatelnému zalesnění území, ačkoliv se nejednalo o tak markantní změnu jako tomu bylo u odlesnění v Indonésii. Tab. 10 Land Cover státu Oregon v letech 1973 a 2006 Třída LC rozdíl abs. [km 2 ] % abs. [km 2 ] % abs. [km 2 ] % lesy 1 722,60 59, ,0 71,20 350,40 12,03 louky, nízký porost 680,70 23,38 342,7 10,82-338,00-12,56 pole 310,80 10,67 190,6 5,89-120,20-4,79 holá půda, zástavba 196,20 6,74 304,0 9,49 107,80 2,75 vodní plochy 1,30 0,04 1,4 0,05 0,10 0,01 úbytek rozlohy třídy LC nárůst rozlohy třídy LC V tabulce č. 10 je vidět, že největší nárůst plochy zaznamenaly právě lesy. Jejich podíl na krajinném pokryvu řešeného území vzrostl za sledované období o více než 12 %. Oproti tomu ubylo luk a nízkého porostu. Z map LC z let 1973 a 2006 (přílohy 18 a 19) je vidět, že zatímco centrální, jižní a severovýchodní část území byla zalesněna, na západě došlo v prokácení lesů a vzniku malých lučních ploch či ploch s velmi řídkým porostem. V jihovýchodní části snímku, kam zasahuje město Roseburg je vidět rozšíření zástavby. Většina ploch, které byly zalesněné, byly původně loukami nebo se na nich nacházely různé formy nízkého porostu. Tyto plochy, stejně tak jako ostatní přeměněné na lesy, mohly být rovněž 50

51 původně vykácenými plochami, nebo plochami, kde během 30. a 40. let došlo k požárům, ale od té doby nebyly zalesněny. Tab. 11 Změny mezi třídami Land Cover státu Oregon mezi lety 1973 a [km 2 ] Třída LC lesy louky, nízký porost 2006 [km 2 ] pole holá půda, zástavba vodní plochy celkem [km 2 ] v roce 1973 lesy 1 448,8 156,4 13,5 103,9 0, ,6 louky, nízký porost 411,0 151,8 29,6 88,3 0,0 680,7 pole 89,0 26,6 129,4 65,9 0,0 310,9 holá půda, zástavba 124,0 7,9 18,1 45,9 0,3 196,2 vodní plochy 0,2 0,0 0,0 0,0 1,1 1,3 celkem [km 2 ] v roce ,0 342,7 190,6 304,0 1, ,7 odlesnění zalesnění nezměněné plochy Za zkoumané období bylo zalesněno celkem 624,2 km 2 a odlesněno 273,8 km 2 plochy. Zalesňování i odlesňování poměrně malých separovaných plošek může poukazovat na to, že zde vlastníci lesů skutečně dodržují zákon o nové výsadbě lesa do dvou let po jeho vytěžení (viz. kapitola 4.2.2) Výsledná přesnost klasifikací K posouzení kvality dosažených výsledků byly provedeny kontroly přesnosti klasifikace (viz. kapitola 4.8). Celková přesnost klasifikace (Overall Accuracy) u snímku Sumatry z roku 1979 byla zjištěna jako 86,4% a Kappa index 0,829 %, přičemž nejlepší zpracovatelskou přesnost vykazovala třída vodních ploch (100 %) a přesnost uživatelskou třída mraků a chyb (97,1 %). Lesní plochy, které jsou nejzásadnější pro tuto analýzu vykázaly 99,3% zpracovatelskou přesnost a 82,8% přesnost uživatelskou. U snímku z roku 2000 byla přesnost klasifikace zjištěna 91,6 % a Kappa index 0,898 %. Nejlepší zpracovatelskou přesnost vykazovala opět třída vodních ploch (100 %) a přesnost uživatelskou třída chyb i vodních ploch (obě 100 %). Lesní plochy tentokrát vykazovaly zpracovatelskou přesnost 99,2 % a uživatelskou 98,5 %. Celková přesnost klasifikace snímku Oregonu z roku 1973 vyšla 92,6 %, Kappa index 0,905. Nejvyšší zpracovatelskou přesnost byla zjištěna u třídy vodních ploch (100 %) a lesů (98,7 %). Naopak nejvyšší zpracovatelskou přesnost vykazovala třída holé půdy a zástavby (98,8 %) a vodních ploch (98 %). V případě roku 2006 bylo dosaženo nejvyšší celkové přesnosti, 94,6 %, a Kappa indexu 0,93. Nejlepší zpracovatelská přesnost byla zjištěna u vodních ploch (100 %) a lesů (98,9 %). 100% uživatelská přesnost byla zjištěna u vodních ploch i holé půdy a zástavby. Vzhledem k prostorovému i spektrálnímu rozlišení snímků bylo vždy dosaženo lepší přesnosti u snímků novějších. Celkově byla dosažená přesnost posouzena jako uspokojivá u všech snímků. 51

52 6 DISKUZE Nejprve byly porovnány stávající dostupné informace o změnách lesních ploch. K tomuto účelu byly využity tématické mapy těchto změn v globálním měřítku (obr. 17 a 18). Zatímco první byla uvedena v publikaci UNEP a pochází ze studie Millennium Assessment z roku 2005, druhá je původní publikací organizace FAO, hodnotící změny lesních ploch mezi lety 2000 a Publikace MA ovšem neuvádí za jaké sledované období jsou změny hodnoceny a jaké množství či podíl je myšleno čistým nárůstem a úbytkem. Pokud by ovšem byly uvažovány stejná období a přibližně stejný význam pojmů nárůst a úbytek, bylo by zde vidět několik rozdílů. V Severní Americe FAO nezaznamenalo významnou změnu lesních ploch, ovšem MA zmiňuje nárůst na jejím západním i východním pobřeží. Jižní Amerika je hodnocena oběma zdroji dosti podobně, pouze MA vyhodnocuje centrální část Amazonského pralesa za konstantní lesní plochu a FAO za odlesňované území. V Evropě dochází rovněž ke shodě, až na případ Finska, které MA hodnotí jako zalesňované, ovšem FAO jako nezměněné. Naopak evropská část Ruska je MA hodnocena jako odlesňovaná a FAO zde nezaznamenává rozdíl. Afrika je rovněž srovnatelná, pouze FAO hodnotí jako více odlesňovanou oblast Guinejského zálivu. V hodnocení Asie dochází k několika rozdílům. FAO hodnotí Indonésii jako více odlesňovanou než MA a naopak Čínu více zalesňovanou. MA oproti FAO zaznamenává odlesňování v jižní části centrálního Ruska. Obě studie ovšem potvrzují hypotézu, že k zalesňování dochází více ve vyspělých zemích a k odlesňování v zemích rozvojových. Diskutované rozdíly svědčí o odlišnostech v metodikách zmiňovaných studiích, které se promítly do výsledných hodnot. Tento fakt je důležité brát v potaz při srovnávání výsledků jednotlivých studií. Hodnocení vývoje lesních ploch ve dvou zpracovávaných regionech bylo porovnáno s dalšími dostupnými daty. Bohužel nebyl nalezen žádný zdroj, který by monitoroval tento vývoj za celé sledované období. Problémem bylo především to, že v 70. letech ještě neexistovala celosvětová klasifikace krajinného pokryvu. Přesto bylo možno dosažené výsledky porovnat dvěma způsoby. Prvním způsobem je porovnání klasifikací za novější období (rok 2000 a dále) a druhým pak porovnání celého procesu s mapami celosvětových změn lesních ploch diskutovanými výše, které ovšem udávají pouze to, zda se jedná o oblast zalesňovanou, odlesňovanou, nebo s konstantní rozlohou lesů. K porovnání mé a jiných klasifikací byly využity dvě celosvětové klasifikace LC. První z nich byla klasifikace GlobCover vyhotovená mezi lety 2004 a Tato klasifikace byla vytvořena na základě dat senzoru Meris s prostorovým rozlišením 300 m. Druhou z nich byla klasifikace Global Land Cover 2000 (GLC2000) vyhotovená v roce 2000 z dat družice SPOT 4 senzoru Vegetation s rozlišením 1 km a z regionálních dat krajinného pokryvu. Ačkoliv obě databáze i snímky, na nichž byla provedena má klasifikace, pochází z různých let, nejedná se o příliš velký rozdíl a s jistou mírou tolerance je možno tyto klasifikace srovnat. K vizuálnímu srovnání bylo využito mapových výstupů pro obě řešená území se všemi třemi klasifikacemi (viz. přílohy 22 a 23). Již na první pohled je vidět rozdíl v systému klasifikace. Čím vyšší je prostorové rozlišení zdrojových družicových dat, tím podrobnější je i nejmenší mapovaná jednotka. Další rozdíl je pak systém tříd krajinného pokryvu. Zde bylo třeba k porovnání stanovit ekvivalenty tříd LC mé a zvolených dvou klasifikací, což není úplně zcela proveditelné. Proto byly 52

53 zachovány původní klasifikační systémy a u obou databází jsou uvedeny možné ekvivalenty s mou klasifikací. Ekvivalenty jsou v mapách číselně označeny. Čísla před třídami LC stažených databází odpovídají číslům tříd LC mé klasifikace. V případě oblasti Riau i státu Oregon bylo v mé klasifikaci definováno 5 tříd LC: lesy, plantáže (resp. louky a nízký porost v případě Oregonu), pole (myšleno všechny ostatní zarostlé zemědělské plochy), holá půda a zástavba, vodní plochy. Ačkoliv bylo možné vyčlenit větší množství těchto tříd, nebylo to považováno za potřebné s ohledem na cíl práce - hodnocení změn lesních ploch. Navíc z důvodu osobní neznalosti území by ani nemohla být podrobnější klasifikace považována za zcela věrohodnou. Hlavní důraz byl kladen na správnou klasifikaci lesních ploch. Při jejich klasifikaci však došlo k závažné komplikaci. Všechny definice lesních ploch vycházejí z procentuelního podílu pokrytí povrchu korunami stromů. V rámci rozsahu bakalářské práce však nebylo možné zjišťovat tento podíl z družicových snímků. Proto byly všechny klasifikace lesních ploch stanoveny na základě souvislosti stromového pokryvu. Toto považuji za největší nedostatek mé klasifikace. Další nepřesnosti při klasifikaci lesních ploch pak vycházely z charakteru konkrétních území. V Indonésii se nachází velké množství plantáží palmy olejné a jiných stromů, a ty bývají na snímcích často velmi podobné lesům. Bylo tedy třeba na základě vlastního uvážení tyto rozdíly rozlišit. Výchozí indicií bylo pravidelné uspořádání ploch, protože plantáže jsou uměle vysazovány převážně do čtvercových a obdélníkových tvarů a jsou protkány pravidelnou sítí cest či silnic. Druhým ukazatelem pak byla samozřejmě výsledná barevná kompozice na klasifikovaném snímku. Na snímku z roku 1979 byly plantáže mnohem méně zastoupeny a zobrazovaly se v použité kompozici ve světlejších zelenožlutých odstínech než původní les, ale tmavších než pole obrostlá nízkou vegetací. Oproti tomu na snímku z roku 2000 byly plantáže již ve velkém zastoupení a byly identifikovány jako plochy zobrazující se do oranžových, oranžovohnědých, zelenooranžových a tmavožlutých odstínů. I přes tyto identifikovatelné rozdíly, docházelo ve výstupech klasifikace k zaměňování plantáží za lesy a naopak. Proto bylo využito změn parametrů Treshold a Bias. Tyto funkce napomohly k přesnějšímu určení klasifikovaných tříd. Při srovnání výsledků mé klasifikace oblasti Riau s klasifikací GLC2000 a GlobCover bylo zjištěno několik rozdílů. Obě klasifikace na rozdíl od mé vyčlenily pravidelně zaplavovanou oblast v severovýchodním rohu území. Faktor zaplavování nebyl v mé klasifikaci zohledněn a na základě zbarvení a pravidelnosti bylo území považováno za silně zavlažované plantáže, které byly zahrnuty do třídy plantáží. Naopak obě klasifikace potvrdily hypotézu předznamenanou v kapitolách výše, že se na západní části území v roce 2000 nacházelo velké množství prokácených lesů. Klasifikace GLC2000 i moje klasifikace tato území definovala jako lesní plochy, ovšem v novější klasifikaci GlobCover byly tyto plochy určeny již jako zemědělské. V případě státu Oregon nebyly problémy s klasifikací lesních ploch tak závažné. Při zobrazení v nepravých barvách kombinace se lesní plochy zobrazovaly v odstínech tmavě červené. Louky a nízký keřovitý či řídký stromový pokryv se zobrazovaly ve světle červených či růžových odstínech. Větší problém nastal při srovnání klasifikace území ve státě Oregon z roku 2006 se zvolenými databázemi. Zatímco třídy LC klasifikace GLC2000 jsou téměř ekvivalentní s mojí klasifikací, tříd klasifikace GlobCover je několikanásobně více a mnohé z nich se na území vyskytují v téměř neznatelném množství. Při hledaní ekvivalentů tříd LC tedy došlo zprvu k několika nejasnostem, ale nakonec byly určeny kombinacemi mých tříd (viz. přílohy 22 a 23). 53

54 V případě mé klasifikace byla zachována menší nejmenší mapová jednotka než u Indonésie, a to 3 ha, z důvodů malých plošek luk a nízkého porostu v centrální části území. Tyto detaily však ani jedna z klasifikací nezaznamenala. Oproti tomu klasifikace GlobCover, která pochází z přibližně stejného období rozlišila majoritní lesní plochu na lesy jehličnaté, smíšené a listnaté. Starší klasifikace GLC2000 naopak hodnotila téměř celou lesní plochu jako souvislý jehličnatý les. Na základě aplikace GoogleEarth bylo zjištěno, že se na území v tomto roce opravdu s největší pravděpodobností nacházely mnou klasifikované malé plošky luk, nízkého porostu i holé půdy. Oproti tomu byla zpochybněna klasifikace GlobCover, která ukazuje na poměrně velké množství listnatých stromů, které se zde však dle webu Ministerstva lesnictví státu Oregon (eng. Oregon Department of Forestry), jiných odborných publikací a snímků aplikace GoogleEarth zjevně nenacházejí. V tomto ohledu se tedy správnější jevila klasifikace GLC2000. Ačkoliv bylo při porovnání klasifikací zjištěno několik odlišností, které byly způsobeny hlavně různými zdroji dat a klasifikačními systémy, celkově lze říci, že se mé klasifikace dají považovat za poměrně spolehlivé a změny lesních ploch za prokazatelné. V oblasti Riau došlo ke znatelnému odlesnění a naopak vybrané území ve státě Oregon bylo zalesněno. Kromě klasifikací za řešená období byl rovněž studován předpoklad dalšího vývoje lesních ploch. WWF na základě dvou možných scénářů předpověděla vývoj lesních ploch v oblasti Riau do budoucna, konkrétně do roku Pokud dostane přednost obchod před ochranou přírody a zásahy vlády budou omezeny, do roku 2015 budou vykáceny téměř všechny lesy v Riau s výjimkou 6 % území, které je státem chráněno. Druhou variantou je dodržení územního plánu "Riau Land Use Plan 2015", který by měl zajistit těžbu pouze na povolených územích a zastavení ilegální těžby. Tímto způsobem by bylo možné dalšímu odlesňování předcházet a chránit alespoň část původních ekosystémů (WWF, 2008). V Oregonu platí zákon a výsadbě stromů po vytěžení a je zde striktně dodržován, proto se dá očekávat, že zde nedojde v budoucnu k odlesňování, naopak budou lesní plochy spíše přibývat. 54

55 7 ZÁVĚR Cílem práce bylo hodnotit změny lesních ploch z globálního hlediska na základě dat dálkového průzkumu Země. Po provedení důkladné rešerše všech souvisejících aspektů bylo přistoupeno k samotnému řešení dané problematiky. S ohledem na požadovaný rozsah bakalářské práce byla prakticky řešena pouze dvě modelová území, na kterých bylo možno tyto změny pozorovat. Území byla vybrána na základě celosvětových studií změn lesních ploch pocházejících hlavně od organizací OSN, jako je FAO a UNEP. Poté bylo přistoupeno k samotné analýze obou území, oblasti Riau na indonéském ostrově Sumatra a území nacházejícího se na území státu Oregon na západním pobřeží USA. K hodnocení změn lesních ploch bylo využito družicových snímků Landsat ze dvou časových horizontů stažených na serveru GLCF. V případě Riau se jednalo o snímky z let 1979 a 2000, v případě Oregonu 1973 a Aby bylo možné hodnotit změny lesních ploch, bylo třeba klasifikovat krajinný pokryv obou území v uvedených letech. Ve všech případech bylo použito řízené klasifikace a po agregaci všech prvotních klasifikovaných tříd byl počet snížen na 5 kompatibilních tříd LC. V Riau byly klasifikovány lesy, plantáže, pole (myšleno ostatní obrostlá zemědělská půda), holá půda a zástavba a vodní plochy. Oregon byl pak klasifikován do tříd lesy, louky a nízký porost, pole (myšleno obrostlá zemědělská půda), holá půda a zástavba a vodní plochy. Přesnost klasifikace byla zjištěna pomocí chybové matice vygenerované z určení 500 kontrolních bodů pro každý snímek. Vypočtené hodnoty přesnosti klasifikace vykazovaly rozmezí od 86,4% (Riau, 1979) do 94,6 % (Oregon, 2006), což bylo považováno za uspokojivé. Přesnosti byly vždy ve dvojicích snímků nižší u těch starších, což je dáno horším prostorovým rozlišením (57 m u snímků ze 70. let oproti 28,5 m u snímků pořízených senzorem ETM+). Klasifikace byly následně vizualizovány do přehledných map. Pro každé území byly vytvořeny mapy LC pro oba řešené roky a mapa změn LC (viz. přílohy č ). U obou území byly prokázány předpokládané tendence. Zatímco Riau je oblastí silně odlesňovanou, v Oregonu je znatelný proces zalesňování. Bylo zjištěno, že v oblasti Riau bylo za sledované období odlesněno 923,4 km 2 lesů a pouze 143,1 km 2 zalesněno. Odlesnění proběhlo převážně ve prospěch plantáží. V Oregonu byl naopak zaznamenán nárůst lesních ploch o 624,2 km 2 a odlesnění pouze na 273,8 km 2 území. Zalesněné byly převážně plochy, které byly dříve loukami či holou půdou. Oba výsledky tedy korespondují s informacemi získanými o daných územích uvedenými v kapitole 5.2. Klasifikace novějších snímků byly srovnány s dostupnými databázemi LC, a to GlobCover a Global Land Cover Bylo zjištěno, že až na několik rozdílů, které vznikly převážně díky zcela odlišnému prostorovému rozlišení zdrojových dat, různým klasifikačním systémům a odlišnému počtu tříd LC, si klasifikace v zásadě odpovídají. Na základě klasifikace modelových území i výchozích studií organizací UNEP a FAO byla prokázána hypotéza, že k odlesňování dochází převážně v zemích rozvojových a k zalesňování naopak v zemích vyspělých. Ačkoliv k přesné a zcela spolehlivé klasifikaci by bylo třeba podrobnějších, například leteckých, dat, prokázal se i předpoklad, že družicová data vysokého a středního prostorového 55

56 rozlišení jsou vhodná k hodnocení změn krajinného pokryvu potažmo monitoringu změn lesních ploch. Až na několik nedostatků, které byly zmíněny v diskuzi, byly v práci stanovené cíle dosaženy a hypotézy potvrzeny. Čtenář by měl z prostudování této práce získat nejdůležitější informace o principech využití dat dálkového průzkumu Země k hodnocení a monitoringu změn krajinného pokryvu se zaměřením na lesní plochy. Při rozšíření této práce do budoucna, by bylo vhodné zabývat se i procentuelním pokryvem korunami stromů a držet se tak stanovených definic lesních ploch, což by vedlo k ještě přesnějším výsledkům. Dále by byla přínosem aplikace pokročilých klasifikačních metod (např. objektové klasifikace) či vstup snímků za více let ve sledovaném období a mapové výstupy rozšířit ještě o názorné prostorové animace. 56

57 SEZNAM POUŽITÝCH ZDROJŮ INFORMACÍ Tištěné publikace AVERY, Thomas Eugene Interpretation of aerial photographs. Minneapolis : Burgess Pub. Co., 392 s. ČAPEK, Richard Dálkový průzkum Země. První vydání. Praha : Ministerstvo školství, 268 s. DOBROVOLNÝ, Petr Dálkový průzkum Země : Digitální zpracování obrazu. Brno : Vydavatelství Masarykovy Univerzity, 210 s. GREGORY, A. F Remote sensing : a new look at the Canadian environment. The Canadian Surveyor, 25, 2, s KOLÁŘ, J., HALOUNOVÁ, L., PAVELKA, K Dálkový průzkum Země. Skripta, Praha: ČVUT. 2. vydání. 164 s. LILLESAND, T. M.; KIEFER, R. W Remote sensing and image interpretation. New York : John Willey and Sons, 612 s. LILLESAND, T. M.; KIEFER, R. W.; CHIPMAN, J.W Remote Sensing and Image Interpretation. 6th ed. United States of America : Wiley, 756 s. ISBN: ŚWIĄTKIEWICZ, A O pojętiu i definicji teledetekcji. Fot. w geogr.. 13, s WEIGEL, Marlene U-X-L Encyclopedia of biomes : vol Farmington Hills, USA : U-X-L, 566 s (3 volumes). ISBN Webové servery ARCDATA Praha : Geografické informační systémy [online]. c2010 [cit ]. Dostupné z URL: < BIEHL, Larry. MultiSpec : A Freeware Multispectral Image Data Analysis System [online]. 1994, last updated July 8, 2010 [cit ]. Dostupné z URL: < Britannica : Encyclopedia [online].? [cit ]. Dostupné z URL: < ESA : European Space Agency [online]. c [cit ]. Dostupné z URL: < ESRI. ArcGIS Desktop 9.3 Help [online]. c , Last Modified April 25, 2009 [cit ]. Dostupné z URL: < 57

58 ESRI : GIS Software that Gives You the Geographic Advantage [online]. c [cit ]. Dostupné z URL: < FAO : Food and Agriculture Organisation of the United Nations [online]. c2010 [cit ]. Dostupné z URL: < NASA [online].? [cit ]. Dostupné z URL: < OFRI : Oregon Forest Resources Institute [online]. c2010 [cit ]. Dostupné z URL: < PCI Geomatics [online]. c2010 [cit ]. Dostupné z URL: < SIC : Satellite Imaging Corporation [online] [cit ]. Dostupné z URL: < UNEP : World Conservation Monitoring Centre [online] [cit ]. Dostupné z URL: < Webové stránky ANDERSON, J. R., et al A Land Use And Land Cover Classification System For Use With Remote Sensor Data [online]. Geological Survey Professional Paper 964. Washington, D.C. : United States Government Printing Office, 1976 [cit ]. Digitální verze, konvertovaná z originálu v roce 2001, dostupná z URL < DI GREGORIO, Antonio; JANSEN, Louisa J.M. FAO : The Food and Agriculture Organization of the United Nations [online]. Rome : 2000 [cit ]. Land Cover Classification System (LCCS). Dostupné z URL: < ISBN DOBROVOLNÝ, Petr. Dálkový průzkum Země : Přednášky [online] [cit ]. Dostupné z URL: < EEA : European Environment Agency [online] [cit ]. CORINE Land Cover. Dostupné z URL: < Ekologie : Chraňme náš svět... [online]. c2006 [cit ]. Rozšiřování pouští. Dostupné z URL: < GISAT [online] [cit ]. Družicová data. Dostupné z URL: < ITC : Faculty of Geo-Information Science and Earth Observation of the University of Twente [online] [cit ]. ITC's database of Satellites and Sensors. Dostupné z URL: < LANG, Chris. REDD - Monitor : Analysis, opinions and views about Reduced Emissions from Deforestation and Forest Degradation [online]. 8th September 2009 [cit ]. REDD will 58

59 fail with the current definition of "forest". Dostupné z URL: < LOWAGIE, Bruno. Ghent University [online] [cit ]. ECTS seen from the point of view of a software developer. Dostupné z URL: < MLOK : Malý ochranářský kruh Lesy [online]. [cit ]. Dostupné z URL: < > MAURER, John. University of Hawai'i System [online] [cit ]. Retrieval of surface albedo from space. Dostupné z URL: < Michigan DNRE : Department of Natural Resources and Environment [online]. Michigan : c [cit ]. Jack Pine Forests. Dostupné z URL: < National Geographic [online]. c [cit ]. Rain Forest Threats. Dostupné z URL: < PAJARI, Mark. WIDEN [online] [cit ]. Pulp Fiction: Is Print Dead?. Dostupné z URL: < QUINN, James W. Portland State University : Office of Information Technologies [online]. c2001 [cit ]. Band Combinations. Dostupné z URL: < STEPHENS, S. Chod, et al. Utah State University / NASA : Space Grant Extension Program [online]. c [cit ]. Remote Sensing Organic Carbon in Soil. Dostupné z URL: < TUCKER, C., DENELLE, M., DYKSTRA, D NASA s Global Orthorectified Landsat Data Set. Photogrammetric Engineering and Remote Sensing [online]. March 2004, vol. 70, no. 3 [cit ], p Dostupné z URL < UNEP. Vital Forest Graphics [online]. [s.l.] : UNEP/GRID-Arendal, 2009 [cit ]. Dostupné z URL: < ISBN USDA Forest Service : Forest Inventory and Analysis National Program [online] [cit ]. International definitions of forest. Dostupné z URL: < 2-Forest definitions- a global view.pdf>. WAGNER, Thomas, et al. Satellite Group : Max-Planck-Institut für Chemie, Mainz [online] [cit ]. Charakterization of Vegetation Type Using Doas Satellite Retrievals. Dostupné z URL : < 59

60 Wikipedia : The Free Encyclopedia [online] [cit ]. Satellite. Dostupné z URL: < WWF. Deforestation, Forest Degradation, Biodiversity Loss and CO2 Emissions in Riau, Sumatra, Indonesia : One Indonesian Province s Forest and Peat Soil Carbon Loss over a Quarter Century and its Plans for the Future [online]. [s.l.] : WWF Indonesia Technical Report, 27 February 2008 [cit ]. Dostupné z URL: < wwf_id_27feb08_en_lr_.pdf>. Zdroje dat European Commission GEM : Global Environment Monitoring [online]. c2008 [cit ]. Global Land Cover Dostupné z URL: < NASA [online] [cit ]. Warehouse Inventory Search Tool. Dostupné z URL: < POSTEL : Pôle d'observation des Surfaces continentales par Telédétection [online].medias France, c2006 [cit ]. Dostupné z URL: < University of Maryland. GLCF : Global Land Cover Facility [online]. 1997, 2010 [cit ]. Dostupné z URL: < USGS : science for a changing world [online].?, Page Last Modified: 05/24/10 [cit ]. USGS Global Visualization Viewer. Dostupné z URL: < 60

61 SEZNAM PŘÍLOH Příloha 1 Klasifikační systém USGS Příloha 2 Klasifikace Globcover podle LCCS Příloha 3 Klasifikační systém CORINE Příloha 4 Lesní plochy světa Příloha 5 Náhled celého snímku - Sumatra, 1979 Příloha 6 Náhled celého snímku - Sumatra, 2000 Příloha 7 Náhled celého snímku - Oregon, 1973 Příloha 8 Náhled celého snímku - Oregon, 2006 Příloha 9 Výřez - Sumatra, RGB Příloha 10 Výřez - Sumatra, RGB Příloha 11 Výřez - Oregon, RGB Příloha 12 Výřez - Oregon, RGB Příloha 13 Chybové matice - Sumatra 1979 a 2000 Příloha 14 Chybové matice - Oregon 1973 a 2006 Příloha 15 Přehled vybraných senzorů Příloha 16 Land Cover - Sumatra, 1979 Příloha 17 Land Cover - Sumatra, 2000 Příloha 18 Land Cover - Oregon, 1973 Příloha 19 Land Cover - Oregon, 2006 Příloha 20 Land Cover - Sumatra Příloha 21 Land Cover - Oregon Příloha 22 Srovnání klasifikací - Sumatra Příloha 23 Srovnání klasifikací - Oregon Příloha 24 CD s elektronickou podobou bakalářské práce 61

62 Příloha 1 Klasifikační systém USGS (zdroj: Anderson, 1979) LEVEL I LEVEL II trans. 1 Urban or Built-up Land 11 Residential Obytné plochy (trans. Městská a 12 Commercial and Services Obchodní a služební plochy zastavěná plocha) 13 Industrial Průmyslové plochy 14 Transportation, Communications and Utilities Dopravní a komunikační plochy a technické vybavení budov 15 Industrial and Commercial Průmyslové a obchodní komplexy Complexes 16 Mixed Urban or Built-up Land Smíšená městská a zastavěná krajina 17 Other Urban or Built-up Land Ostatní městská a zastavněná krajina 2 Agricultural Land 21 Cropland and Pasture Orná půda a pastviny (trans. Zemědělská půda) 22 Orchards, Groves, Vineyards, Nurseries, and Ornamental Horticultural Areas Sady, háje, vinice, školky, okrasné zahradní plochy 23 Confined Feeding Operations Zavlažovací a vyživovací systémy 24 Other Agricultural Land Ostatní zemědělská plochy 3 Rangeland 31 Herbaceous Rangeland Bylinné louky (trans. Louky) 32 Shrub and Brush Rangeland Křovinaté louky 33 Mixed Rangeland Smíšené louky 4 Forest Land 41 Deciduous Forest Land Listnatý les (trans. Lesní plochy) 42 Evergreen Forest Land Stálezelený les 43 Mixed Forest Land Smíšený les 5 Water 51 Streams and Canals Řeky a kanály (trans. Voda) 52 Lakes Jezera 53 Reservoirs Přehrady 54 Bays and Estuaries Zálivy a ústí řek 6 Wetland 61 Forested Wetland Zalesněné mokřady (trans. Mokřady) 62 Nonforested Wetland Nezalesněné mokřady 7 Barren Land 71 Dry Salt Flats Suché zasolené plochy (trans. Pustá krajina) 72 Beaches Pláže 73 Sandy Areas other than Beaches Písčité plochy jiné než pláže 74 Bare Exposed Rock Holé odkryté skály 75 Strip Mines Quarries, and Gravel Povrchové doly a štěrkové jámy Pits 76 Transitional Areas Přechodné oblasti 77 Mixed Barren Land Smíšená pustá krajina 8 Tundra 81 Shrub and Brush Tundra Křovinatá tundra (trans. Tundra) 82 Herbaceous Tundra Bylinná tundra 83 Bare Ground Tundra Holá tundra 84 Wet Tundra Zamokřená tundra 85 Mixed Tundra Smíčená tundra 9 Perennial Snow or Ice 91 Perennial Snowfields Stálé zasněžené plochy (trans. Stálý sníh nebo led) 92 Glaciers Ledovce

63 Příloha 2 Klasifikace Globcover podle LCCS (zdroj: POSTEL, 2010) ID TŘÍDA LC (Level 1) trans. 11 Post-flooding or irrigated croplands (or aquatic) Pole po povodních, zavlažovaná nebo vodní 14 Rainfed croplands "Deštná" pole Mosaic cropland (50-70%) / vegetation (grassland/shrubland/forest) (20-50%) Mosaic vegetation (grassland/shrubland/forest) (50-70%) / cropland (20-50%) Closed to open (>15%) broadleaved evergreen or semi-deciduous forest (>5m) Closed (>40%) broadleaved deciduous forest (>5m) Open (15-40%) broadleaved deciduous forest/woodland (>5m) Closed (>40%) needleleaved evergreen forest (>5m) Open (15-40%) needleleaved deciduous or evergreen forest (>5m) Closed to open (>15%) mixed broadleaved and needleleaved forest (>5m) Mosaic forest or shrubland (50-70%) / grassland (20-50%) Mosaic grassland (50-70%) / forest or shrubland (20-50%) Closed to open (>15%) (broadleaved or needleleaved, evergreen or deciduous) shrubland (<5m) Closed to open (>15%) herbaceous vegetation (grassland, savannas or lichens/mosses) Struktura: % pole, % vegetace (louky a pastviny/křoviny/les) Struktura: % vegetace (louky a pastviny/křoviny/les), 20-50% pole Středně souvislý (>15%) listnatý stálezelený nebo polo-opadavý les Souvislý (>40%) listnatý opadavý les (>5m) Řídký (15-40%) listnatý opadavý les/ nesouvislý les (>5m) Souvislý (>40%) jehličnatý stálezelný les (>5m) Řídký (15-40%) jehličnatý opadavý nebo stálezelený les (>5m) Středně souvislý (>15%) smíšený listnatý a jehličnatý les Struktura: 50-70% les nebo křoviny, 20-50% louky a pastviny Struktura: 50-70% louky a pastviny, 20-50% les nebo křoviny Středně souvislé (>15%) listnaté nebo jehličnaté, stálezelené nebo opadavé křoviny Středně souvislá (>15%) bylinná vegetace (louky a pastviny, savany nebo lišejníky/mechy) 150 Sparse (<15%) vegetation Řídká vegetace (<15%) 160 Closed to open (>15%) broadleaved forest regularly flooded (semi-permanently or temporarily) - Fresh or brackish water Středně souvislý (>15%) listnatý les pravidelně zaplavovaný (sezónně či stále) sladkou či brakickou vodou 170 Closed (>40%) broadleaved forest or shrubland permanently flooded - Saline or brackish water Souvislý (>40%) listnatý les nebo křoviny pravidelně zaplavované slanou či brakickou vodou 180 Closed to open (>15%) grassland or woody vegetation on regularly flooded or waterlogged soil - Fresh, brackish or saline water Středně souvislé (>15%) louky a pastviny nebo nesouvislá lesní vegetace na pravidelně zaplavované nebo zamokřené půdě sladkou, brakickou či slanou vodou 190 Artificial surfaces and associated areas (Urban areas >50%) Umělé a podobné plochy (zástavba >50%) 200 Bare areas Pustiny 210 Water bodies Vodní plochy 220 Permanent snow and ice Trvalý sníh a led 230 No data (burnt areas, clouds, ) Žádná data (spálená území, mraky..)

64 Příloha 3 Klasifikační systém CORINE (zdroj: EEA, 1994) ID Třída LC trans. 1 Artificiel surfaces Uměle přetvořené povrchy 1.1 Urban fabric Městská zástavba Continuous urban fabric Souvislá městská zástavba Discontinuous urban fabric Nesouvislá městská zástavba 1.2 Industrial, commercial and transport units Průmyslové, obchodní a dopravní oblasti Industrial or commercial units Průmyslové a obchodní areály Road and rail networks and associated land Silniční a železniční síť s okolím Port areas Přístavy Airports Letiště 1.3 Mine, dump and construction sites Doly, skládky a staveniště Mineral extraction sites Oblasti současné těžby surovin Dump sites Haldy a skládky Construction sites Staveniště 1.4 Artificial non-agricultural vegetaded areas Oblasti zeleně a rekreační oblasti Green urban areas Městské zelené plochy Sport and leisure facilities Sportovní a rekreační plochy 2 Agricultural areas Zemědělské oblasti 2.1 Arable land Orná půda Non-irrigated arable land Nezavlažovaná orná půda Permanently irrigated land Trvale zavlažovaná orná půda Rice fields Rýžová pole 2.2 Permanent crops Trvalé kultury Vineyards Vinice Fruit trees and berry plantations Sady, chmelnice a zahradní plantáže Olive groves Olivové háje 2.3 Pastures Travní porosty Pastures Louky a pastviny 2.4 Heterogeneous agricultural areas Smíšené zemědělské oblasti Annual crops associated with permanent crops Jednoleté a trvalé kultury Complex cultivation patterns Směsice polí, luk a trvalých plodin Land principally occupied by agriculture, with significant areas of natural vegetation Zemědělské oblasti s přirozenou vegetací Agro-forestry areas Zemědělsko - lesní oblast 3 Forests and semi-natural areas Les a polopřírodní vegetace 3.1 Forests Lesy Broad-leaved forest Listnaté lesy Coniferous forest Jehličnaté lesy Mixed forest Smíšené lesy 3.2 Shrub and/or herbaceous vegetation associations Travnaté a nebo křovinaté porosty Natural grassland Přírodní louky Moors and heathland Stepi a křoviny Sclerophyllous vegetation Tvrdolistá vegetace Transitional woodland/shrub Nízký porost v lese 3.3 Open spaces with little or no vegetation Holiny a místa téměř bez vegetace Beaches, dunes, sands Pláže, duny, písek Bare rock Skály

65 3.3.3 Sparsely vegetated areas Řídká vegetace Burnt areas Spálená vegetace Glaciers and perpetual snow Ledovce a věčný sníh 4 Wetlands Mokřady 4.1 Inland wetlands Vnitrozemské mokřady Inland marshes Vnitrozemské mokřiny a močály Peatbogs Rašeliniště 4.2 Coastal wetlands Mokřady na mořském pobřeží Salt marshes Solné bažiny Salines Saliny Intertidal flats Přílivové oblasti 5 Water bodies Vody 5.1 Inland waters Sladké vody Water courses Vodní toky Water bodies Vodní plochy 5.2 Marine waters Moře Coastal lagoons Pobřežní laguny Estuaries Ústí Sea and ocean Moře a oceány

66 Příloha 4 Lesní plochy světa (FAO, 2010)

67 Příloha 5 Náhled celého snímku - Sumatra, 1979 (zdroj: GLCF)

68 Příloha 6 Náhled celého snímku - Sumatra, 2000 (zdroj: GLCF)

69 Příloha 7 Náhled celého snímku - Oregon, 1973 (zdroj: GLCF)

70 Příloha 8 Náhled celého snímku - Oregon, 2006 (zdroj: GLCF)

71 Příloha 9 Výřez - Sumatra, RGB 4-5-3

72 Příloha 10 Výřez - Sumatra, RGB 4-5-3

73 Příloha 11 Výřez - Oregon, RGB 4-3-2

74 Příloha 12 Výřez - Oregon, RGB 4-3-2