STANOVENÍ OBSAHU LIGNINU A ROZPUSTNÝCH FENOLICKÝCH LÁTEK V JEHLICÍCH SMRKU ZTEPILÉHO S VYUŽITÍM HYPERSPEKTRÁLNÍCH DAT

UNIVERZITA KARLOVA V PRAZE Přírodovědecká fakulta Katedra aplikované geoinformatiky a kartografie Studijní program: Geografie (navazující magisterské studium) Studijní obor: Kartografie a geoinformatika Bc. Michaela BUŘIČOVÁ STANOVENÍ OBSAHU LIGNINU A ROZPUSTNÝCH FENOLICKÝCH LÁTEK V JEHLICÍCH SMRKU ZTEPILÉHO S VYUŽITÍM HYPERSPEKTRÁLNÍCH DAT LIGNIN AND SOLUBLE PHENOLICS DETERMINATION IN NORWAY SPRUCE FOLIAGE USING HYPERSPECTRAL DATA Diplomová práce Vedoucí diplomové práce: : RNDr. Lucie Kupková, Ph.D.. Praha 2011

Prohlášení kvalifikační práce Prohlašuji, že jsem tuto diplomovou práci vypracovala samostatně s využitím uvedených pramenů a literatury, na které odkazuji. 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 Pacově dne 20. června 2011. Michaela Buřičová

Poděkování Ráda bych na tomto místě poděkovala všem, kteří mi během studia na vysoké škole i v průběhu zpracování diplomové práce poskytli pomoc a podporu, bez níž by tato práce nemohla vzniknout. Mé poděkování patří zejména RNDr. Lucii Kupkové, Ph.D. za odborné vedení mé diplomové práce, Mgr. Zuzaně Lhotákové za odborné konzultace v oblasti biologie. Můj nejhlubší dík patří především mým rodičům za trpělivost a laskavou podporu během celého studia na vysoké škole, dále mým kamarádům, kteří mi zpříjemňovali čas během studia i ve volných chvílích a samozřejmě srdečný dík patří Martinovi za toleranci, pochopení a psychickou podporu.

ABSTRAKT Diplomová práce se zabývá možnostmi stanovení obsahu ligninu a fenolických látek v jehlicích smrku ztepilého s využitím hyperspektrálních dat. Po shrnutí výzkumných prací zabývajících se analýzou ligninu a fenolických látek se praktická část zaměřuje na stanovení intervalu vlnových délek, které jsou vhodné pro detekci ligninu a fenolických látek. Na vybraných oblastech spektra je aplikována regresní analýza pro nalezení vztahu mezi spektrálními vlastnostmi jehlic a obsahem biochemických látek. Dále jsou vypočítány indexy NDLI, mndli a RLI. Podkladem této praktické části jsou letecké hyperspektrální snímky senzoru HyMap z roku 2009 a 2010 v oblasti Sokolova, spektrální křivky sušiny a čerstvých větví smrku ztepilého a obsah ligninu a fenolických látek stanovený v laboratoři. Výsledkem práce jsou mapy zobrazující obsah ligninu ve smrku ztepilém. Klíčová slova: Smrk ztepilý (Picea Abies), lignin, fenolické látky, PLS metoda, vícerozměrná kroková regrese, NDLI ABSTRACT The thesis deals with lignin and soluble phenolic determination in Norway spruce foliace using hyperspectral data. A literature overview is focused on the analysis of lignin and soluble phenolics. The practical part focuses on the determination of wavelenghts intervals which are suitable for the detection of lignin and soluble phenolics. There is applied regression analysis for the determination of relationship between the foliage spectra and the content of biochemical substances for the chosen spektrum intervals. Indexes NDLI, mndli and RLI were than calculated. HyMap hyperspectral airborne images from 2009 and 2010 for the area of Sokolov, spectral curves of dry matter and fresh branches of Norway spruce and laboratory determination of lignin and soluble phenolics content were the inputs for the analyses. Maps of lignin content in Norway spruce are the final output of the work. Keywords: Norway spruce (Picea Abies), lignin, soluble phenolics, PLS (partial least square) method, multiple Stepwise regression, NDLI

OBSAH Přehled použitých zkratek 8 Seznam obrázků a tabulek 9 1. Úvod a cíle práce 12 2. Úvod do problematiky 14 2.1 Principy dálkového průzkumu země 14 2.1.1 Spektrální charakteristiky povrchu 16 2.1.2 Hyperspektrální data a senzor HyMap 18 2.2 Fenolické látky a jejich spektrální vlastnosti 20 2.2.1 Lignin 22 2.3 Spektrální transformační metody 26 2.3.1 1.derivace spektra 26 2.3.2 Continuum removal 26 2.3.3 Normalizace spektra 27 2.4 Spektrální metody určování ligninu a fenolických látek 28 2.4.1 PLS metoda 29 2.4.2 Vegetační indexy 32 2.4.3 Modely radiačního přenosu 32 3. Zpracování dat a metodika 35 3.1 Postup práce 36 3.2 Vstupní data a jejich zpracování 39 3.2.1 Popis zkoumané lokality 39 3.2.2 Terénní práce 40 3.2.3 Laboratorní biochemické měření 41 3.2.3.1 Stanovení obsahu fenolických látek 41 3.2.3.2 Stanovení obsahu ligninu 41 3.2.4 Laboratorní spektrální měření 42 3.2.4.1 ASD FieldSpec 3 42 3.2.4.1 NIR 6500 44 3.2.5 Letecká hyperspektrální obrazová data 43

3.3 Spektrální analýza ligninu 44 3.3.1 metody zpracování dat 44 3.3.2 výsledky 49 3.4 Spektrální analýza fenolických látek 57 3.4.1 metody zpracování dat 57 3.4.2 výsledky 59 4. Shrnutí a diskuze 66 5. Závěr 73 Seznam použitých zdrojů 77 Seznam příloh 83

SEZNAM OBRÁZKŮ A TABULEK SEZNAM OBRÁZKŮ Obr. 1 Zájmová oblast Sokolova, povrchový důl Jiří 13 Obr. 2 Spektrální křivka intenzity vyzařování černého tělesa pro různé teploty 15 Obr. 3 Obecný průběh spektrální odrazivosti vody, vegetace a půdy 16 Obr. 4 Spektrální charakteristika cukrovky, neobdělávaného pole, pšeničného strniště, trávy a stromu 17 Obr. 5 Spektrální charakteristiky vybraných stromů (bříza, borovice a smrk) 18 Obr. 6 Reflektanční křivka smrku ztepilého 23 Obr. 7 Ukázka tvorby kontinuum removal 27 Obr. 8 Příklad změny tvaru v profilu normalizované spektrální hloubky absorpční vrstvu 2,30 μm 28 Obr. 9 Grafické znázornění metody PLS 30 Obr. 10 Predikční chyba versus počet komponent v modelu 31 Obr. 11 Tvar průřezu jehlice smrku ztepilého 33 Obr. 12 Analýza obsahu ligninu postup práce 37 Obr. 13 Analýza obsahu fenolických látek postup práce 38 Obr. 14 Oblast výzkumu 40 Obr. 15-16 Rozložení kontrolních bodů na snímku z roku 2010: 15) korekce z DLR 44 16) korekce z Tel Avivu 44 Obr. 17 Obsah ligninu v jehlicíche smrku ztepilého 50 Obr. 18 Výsledky validace dat pomocí Cross validace 51 Obr. 19-22 Závislost indexu NDLI na obsahu ligninu pro spektrometr: 19) NIR 6500 54 20) ASD FieldSpec 54 21) HyMap ((z roku 2009 pro polygony) 55 22) HyMap ((z roku 2009 pro každý strom zvlášť) 55 Obr. 23-26 Závislost hodnot indexu mndli na obsahu ligninu (% sušiny): 23) NIR 6500 55 24) ASD FieldSpec 3 55 25) HyMap (z roku 2009 pro polygony) 56

26) HyMap (z roku 2009 pro každý strom zvlášť) 56 Obr. 27-30: Závislost hodnot indexu RLI na obsahu ligninu: 27) NIR 6500 56 28) ASD FielSpec 56 29) HyMap (z roku 2009 pro polygony) 56 30) HyMap (z roku 2009 pro každý strom zvlášť) 56 Obr. 31 Stanoviště Habartov zastíněné mraky 58 Obr. 32 Hodnoty spektrální odrazivosti neměřené spektrometrem ASD FieldSpec a senzorem HyMap 60 Obr. 33 Závislost indexu BNA na obsahu fenolických látek (pro na vlnovou délku 1762 nm) 64 Obr. 34 Závislost indexu BNC na obsahu fenolických látek (pro vlnovou délku 1754nm) 65 SEZNAM TABULEK Tab. 1 Charakteristika spektrometrů senzoru HyMap 19 Tab. 2 Vlastnosti senzoru HyMap 20 Tab. 3 Oblast vlnových délek charakteristických pro lignin a celulózu 23 Tab. 4 Seznam prací zabývající se výzkumem obsahu ligninu v rostlinách 24 Tab. 5 Výsledky výzkum převzaté a upravené podle Kokaly a Clark (1999) 25 Tab. 6 Základní charakteristika lokalit odběru vzorků 39 Tab. 7 Výsledky rozbor půdy na stanovištích 40 Tab. 8 Oblasti vlnových délek využité při analýze ligninu 49 Tab. 9 Oblasti vybrané pro analýzy na snímku HyMap 46 Tab. 10 Vzorky využité pro validaci dat 47 Tab. 11 Základní statistika regresní analýzy (NIR 6500) 52 Tab. 12 Základní statistika výpočtu regresní analýzy pro všechny vlnové délky (NIR 6500) 52 Tab. 13 Základní výsledky vícenásobné regresní analýzy (HyMap 2009 polygon) 53 Tab. 14 Výsledky vícenásobné regrese ligninu (HyMap pro pixel) 53 Tab.15 Výsledky validace dat pro analýzu ligninu z leteckého snímku 53 Tab. 16 Vlnové délky využité pro detekci fenolických látek dle literatury 57 Tab. 17 Průměrná koncentrace fenolických látek z roku 2009 60 Tab. 18 Průměrná koncentrace fenolických látek z roku 2010 60 Tab. 19 Přesnost vícenásobné regresní analýzy (ASD FieldSpec) 63 Tab. 20 Výsledky regresní analýzy (HyMap TAU 2010 polygon) 63

SEZNAM ZKRATEK ASD FieldSpec 3 DPZ NDLI PLS PCA NDVI LIBERTY PROSPECT DART BNA BNC BDRF GPS WGS Analytical Spectral Devices FieldSpec Dálkový průzkum země Normalized Difference Lignin Index Partial least square method Principal komponent analysis Normalized Difference Vegetation Index Leaf Incorporating Biochemistry Exhibiting Reflectance and Transmittance Yields Leaf optical properties spectra Discrete Anisotrophic Radiative Transfer Band depthnormalised to area of absorption feature Band depth normalised to band depth at the centre of the absorption feature Biderectional reflectance distribution fiction Global Positioning Systém World Geodetic System

Kapitola 1. Úvod a cíle práce 12 KAPITOLA 1 Úvod a cíle práce Dlouhodobá a intenzivní těžba významně ovlivnila životní prostřední regionu Sokolovska. Vegetace vystavená negativním vlivům těžby (např. kontaminace půdy těžkými kovy) musí využít různé obranné mechanismy pro svou ochranu a přežití. Jedním z obranných mechanismů stromů je produkce fenolických látek, které rostlinu chrání před patogeny 1 a herbivory 2. Tato různorodá skupina sekundárních metabolitů se vyskytuje prakticky ve všech částech rostliny. Obsah fenolických látek v listoví se v průběhu vegetačního období a vlivem různých faktorů mění. Je velmi obtížné jednotlivé látky ve spektru analyzovaného rostlinného vzorku od sebe odlišit a kvantifikovat. Většina dosavadních prací se zaměřuje na spektrální analýzu některých fenolických látek především taninu a ligninu. Detekce těchto látek přináší řadu problémů. Je nutné si uvědomit, že spektrální charakteristiky rostlin jsou si velmi podobné a jednotlivé křivky se mění i v závislosti na fyziologicém stavu rostliny (Zwiggelaar, 1998, Soukupová, 2002). Předkládaná diplomová práce je součástí projektu Grantové agentury České Republiky č.205/09/1989 Assessment of Mining Related impacts based on Utilization of ARES Airborne Hyperspectral Sensor, řešeného Českou geologickou službou pod vedením Mgr. Veroniky Kopačkové. Projekt se primárně zabývá hodnocením vlivu těžební činnosti na krajinu Sokolovska, a to především na zdravotní stav vegetace a kontaminaci půd v okolí současné i již ukončené těžby. Primárním podkladem pro spektrální analýzu obsahu fenolických látek a ligninu v jehlicích smrku ztepilého jsou hyperpektrální letecké snímky pořízené v červenci 2009 a srpnu 2010 senzorem HyMap. Data byla pořízena v zájmovém území Sokolovska, které se rozprostírá na ploše přibližně 200 km 2. Souběžně s leteckým snímkováním byla provedena pozemní kampaň, kdy pod vedením Katedry experimentální biologie rostlin na Přírodovědecké fakultě Karlovy univerzity v Praze odebrány vzorky jehličí pro chemické analýzy obsahu fenolických látek a ligninu. Důležitý podklad pro práci představují také data spektrální odrazivosti vzorků jehličí odebraných při pozemní kampani v roce 2010. Měření bylo provedeno pomocí 1 Patogeny: organismy, které mohou narušit normální fyziologické procesy mnohobuněčných organismů 2 Herbivor: živočich, který se živí pouze rostlinami (býložravec)

Kapitola 1. Úvod a cíle práce 13 spektrometru ASD FieldSpec 3, který byl zapůjčen Českou Zemědělskou univerzitou v Praze. Prvotním cílem diplomové práce bylo studium spektrálních křivek odrazivosti jehlic smrku ztepilého a stanovení závislosti spektra na obsahu fenolických látek v jehlicích smrku ztepilého. V průběhu studia této problematiky byla zjištěna nízká variabilita dat způsobená ne zcela vhodně zvolenými oblastmi pro odběr pozemních dat. Proto bylo téma výzkumu rozšířeno o analýzu ligninu, u něhož se předpokádala vyšší závislost. Diplomová práce shrnuje dosavadní možnosti určení obsahu fenolických látek a ligninu ve smrkovém porostu z hyperspektrálních dat. Zatímco metodika určení jiných biochemických komponent jako je chlorofyl nebo dusík je v literatuře často popsána a úspěšně použita, určení ligninu nebo celulózy pomocí spektrálních dat je doposud málo řešeno. Analýza fenolických látek a ligninu je složitější a není v takové míře prováděna, a proto jsou studie týkající se těchto biochemických látek spíše ojedinělé. Cílem práce bylo studium spektrálních křivek odrazivosti vzorků jehlic smrku ztepilého a stanovení intervalů vlnových délek využitelných pro určení jejich vztahu k obsahu rozpustných fenolických látek a ligninu, které byly stanoveny laboratorním měřením. Dále pak stanovení obsahu fenolických látek a ligninu v hyperspektrálních datech na základě regresní analýzy a vytvoření návrhu mapového výstupu zobrazujícího obsah rozpustných fenolických látek a ligninu ve vybraných smrkových porostech. V práci jsou určeny oblasti spektra, podle kterých lze stanovit obsah fenolických látek a ligninu v rostlině. Nalezené vlnové délky slouží pro určení vztahu k obsahu biochemické látky stanovené laboratorním měřením a při statistických analýzách dat. Hlavním výstupem práce je určení obsahu ligninu a fenolických látek na základě regresní analýzy a hyperspektrálních dat. Výsledky obsahu fenolických látek a ligninu ve smrkovém porostu jsou zhodnoceny, diskutovány a v případě ligninu znázorněny pomocí mapových výstupů. Obr.1 Zájmová oblast Sokolova, povrchový důl Jiří (zdroj:www.cestovani.kr-karlovarsky.cz)

Kapitola 2. Úvod a do problematiky 12 KAPITOLA 2 Kvantifikace fenolických látek z hyperspektrálních obrazových dat 2.1 Principy dálkového průzkum země Pomocí dálkového průzkumu země (DPZ) získáváme informace o objektech a jevech na dálku tj. bez přímého kontaktu s těmito jevy či objekty (Dobrovolný,1998). DPZ zahrnuje nejen problematiku pořizování dat, ale i jejich přenos, zpracování, vyhodnocení a využití. DPZ poskytuje na rozdíl od laboratorních a terénních prací rychlé a komplexní informace o zkoumané oblasti prostřednictvím leteckých a družicových snímků. Data nemusí sloužit pouze pro primární výzkumnou oblast, pro kterou byla vytvořena, ale mohou být využita i dalšími vědními obory, které provádějí výzkum ve stejné oblasti. Další nespornou výhodou je možnost pořizování dat opakovaně v libovolném intervalu a čase. Snímky mohou být mezi sebou porovnávány a využívány například pro analýzy změn krajinného pokryvu. Při snímání nedochází k poškozování vegetace, jak se tomu děje při odběru pozemních vzorků, a je tak šetrnější a ohleduplnější k přírodě. DPZ je výhodný i po ekonomické stránce. Výdaje jsou mnohem nižší než při využití pozemního měření na stejně velké ploše a následných analýz v laboratoři. Výsledky DPZ jsou srovnatelné s ostatními metodami výzkumu a v některých případech i jedinou možností, jak cíle dosáhnout. Při analýze dat pořízených metodou dálkového průzkumu je třeba nezapomínat na základní informace o vlastnostech dat. Jedná se především o prostorové, spektrální rozlišení a době snímání. Tyto vlastnosti pomáhají při rozhodování o vhodnosti využití dat pro výzkumné práce. Při práci s daty pořízenými pomocí DPZ je nutné si v první řadě uvědomit, co od dat očekáváme a jaké by měla mít vlastnosti. Ne každý snímek je vhodný pro daný výzkum. Nemusí splňovat například nároky na prostorovou přesnost nebo byly snímky pořízeny v nevhodném období. Při analýzách časových řad je zase obzvlášť důležitá informace o typu přístroje, kterým byla data pořízena. Jednotlivá zařízení mohou mít odlišné prostorové nebo spektrální vlastnosti a kombinace snímků s odlišnými vlastnostmi potom představuje problém, který je nutné eliminovat. Dalším negativním jevem ovlivňujícím data jsou vlivy atmosféry a topografie, které jsou odstraňovány pomocí různých kalibrací a korekcí dat.

Kapitola 2. Úvod a do problematiky 13 Základním principem dálkového průzkumu země je snímání elektromagnetického záření, které vzniká zrychleným nebo zpomaleným pohybem nabitých částic. Jedná se o rotační a vibrační pohyby atomů podél jejich chemických vazeb a pohyby elektronů kolem jádra. Tato kombinace pohybů částic odpovídá určité vnitřní energii, která je vnímána jako teplota látky. Pomocí zákonů termodynamiky lze určit, jak velká část tepelné energie může být přeměněna na zářivou. Pomocí Stefan-Boltzmanova zákona můžeme vyjádřit vztah mezi intenzitou záření produkované tělesem a jeho teplotou: M 4 T kde, M = intenzita záření; = přírodní konstanta ( 5,6693 10 8 2 4 Wm K ) Ze zákona vyplývá, že elektromagnetické vlny jsou vyzařovány každým tělesem i látkou, která má nenulovou absolutní teplotu. Přestože každý objekt na zemi vyzařuje elektromagnetické vlny, jejich měření je možné pouze pokus by nesvítilo Slunce. Protože intenzita záření závisí na teplotě tělesa (Obr. 2). V naší blízkosti je nejteplejší těleso Slunce, které ostatní záření z jiných objektů překrývá. Tepelné záření Slunce můžeme přirovnat k tepelnému záření černého tělesa o teplotě 6 000 K (Kolář, 1997). Vrchol spektrální křivky se nachází v oblasti vlnové délky 0,5 μm a energie není vyzařována v oblasti vlnových délek kratších jak 0,1 μm a delších než 100 μm (Meer, 2002). Obr.2 Spektrální křivka intenzity vyzařování černého tělesa pro různé teploty (zdroj: Kolář, 1997) Parametry elektromagnetického záření se nemění, pokud se šíří dokonale homogenním prostředím. Pokud prochází nehomogenním prostředím, dochází ke změnám elektromagnetických i geometrických charakteristik záření. Tyto změny jsou závislé na fyzikálních vlastnostech nehomogenity, která je představována každým hmotným objektem. Dopadající elektromagnetické záření může být tělesem absorbováno, propuštěno nebo odraženo různými směry zpět do prostoru. Podle zákona o zachování energie musí platit, že suma energií absorbovaného, propuštěného a odraženého záření musí být rovna energii dopadajícího záření. Musí tedy platit vztah: 1

Kapitola. 3 Zpracování dat a metodika 14 kde: = reflektance (podíl odraženého záření ku dopadajícímu záření); = absorpce (podíl absorbovaného záření k záření dopadajícímu); = transmitace (podíl propuštěného záření ku dopadajícímu záření. 2.1.1 Spektrální charakteristiky povrchu Elektromagnetické záření rozdělujeme podle frekvence a vlnové délky do několika základních skupin. Především oblasti viditelného (0,4 0,75 μm), infračerveného (0,75-12 μm) a mikrovlnného záření (30 300 mm) jsou využívány pro rozlišení objektů krajinného pokryvu využitím metody dálkového průzkumu (Kolář, 1997). Každý objekt má svou typickou spektrální odrazivost, která je ovlivněna jeho specifickým složením a vlastnostmi (např. teplota, minerální nebo biochmické složení). Spektrální křivka je důležitá pro stanovení oblastí vlnových délek, které charakterizují spektrální chování objektu. Protože krajinný pokryv je tvořen nevyčíslitelným množstvím objektů, nalézt oblast spektra, která by byla typická pro jednotlivé druhy vegetace nebo pro minerální látky či biochemické látky rostlin, je velmi obtížné. Za základní typy povrchu, které lze v DPZ snadno rozlišit, můžeme považovat vodní plochy, vegetaci a holou půdu (Obr. 3). Obr. 3. Obecný průběh spektrální odrazivosti vody, vegetace a půdy (zdroj: Richards, 2006) Průběh spektrální křivky půdy závisí na obsahu organických látek (humusu), mineralogickém složení, obsahu vody a vzduchu (Meer, 2002). Odrazivost půdy pozvolna narůstá až do oblasti středního infračerveného záření, kde dochází vlivem absorpčních pásů vody k poklesu na vlnových délkách 1,4 μm, 1,9 μm a 2,7 μm. Méně významné absorpční pásy vody se mohou vyskytovat v oblasti 0,97 μm 1,2 μm a 1,77 μm. Zvyšující se vlhkost půdy všeobecně způsobuje snížení celkové odrazivosti půdy (Meer,2002). U suchých půd a písků se absorpční pásy vody nemusejí téměř projevit, naopak u jílovitých půd se navíc vyskytují absorpční pásy hydroxylového iontu v oblasti vlnových délek 1,4 μm a 2,2 μm. Deprese

Kapitola. 3 Zpracování dat a metodika 15 především v oblasti 2,2 μm je využívána při určování přítomnosti některých jílových materiálů například kaolinitu (Kolář, 1998). Rostliny představují významnou část krajinného pokryvu po celé zeměkouli, výjimku tvoří snad jen polární a pouštní oblasti. Vegetaci na snímcích můžeme rozdělit do několika kategorií travní porosty, zemědělské plodiny a jehličnaté a listnaté stromy, jejichž spektrální křivky se od sebe odlišují (Obr. 4). Williams (1991) pozoroval rozdíly mezi spektrálními charakteristikami jehličnatých a listnatých stromů na vybraných druzích rostlin. Z jeho výsledků vyplývá, že jehličnany absorbují více slunečního záření než listnaté stromy. Obecně lze říci, že spektrální chování jednotlivých druhů rostlin je podobné a vykazují určité společné rysy. Obr.4 Spektrální charakteristika cukrovky ( ), neobdělávaného pole ( ), pšeničného strniště ( ),trávy ( ) a stromu ( ). (zdroj:železný,2010?) Spektrální projev porostu je výsledkem kombinace odrazivosti samotné rostliny (listy, větve, kmen), ale i půdy, na které porost roste (Kolář, 1998). Podle Malenovského et al. (2006a) optické vlastnosti listů závisejí také na jejich věku a poloze v koruně. Práce poukazuje na rozdílné spektrální chování (vlastnosti) mezi smrkovými jehlicemi z nejvyšší, střední a spodní části koruny. Nejvyšší část koruny je osvícena sluncem po celý den na rozdíl od střední části koruny, která je osvícena jen zčásti, a spodního patra, které je trvale zastíněno. Intenzita dopadajícího slunečního záření má vliv na křivky reflektance a transmitace. Rozdíly ve tvaru spektrálních křivek jsou způsobeny odlišnou vnitřní strukturou jehlic (především mezofylu) a biochemickými vlastnostmi, které se mohou změnami ozářenosti měnit. Mezi tyto biochemické vlastnosti podmíněné ozářeností patří např. obsah fotosyntetických pigmentů, který je na jednotku suché hmotnosti vyšší u stinných jehlic (Niinemets 2007); nebo obsah fenolických látek, který většinou s ozářeností roste (Poorter et al., 2006, Häberle et al., 2009). Spektrální křivka listu v oblasti viditelného záření je ovlivněna obsahem pigmentačních látek (barviv) v rostlině a proto je často označována jako oblast pigmentační absorpce (0,4 0,7 μm) (Obr.5). Významná barviva ovlivňující spektrální charakter listu jsou chlorofyl (a,b), karoten, xantofyl a antokyany. Chlorofyl a a b (zelená barviva vyšších rostlin) tvoří až 65%

Kapitola. 3 Zpracování dat a metodika 16 obsahu pigmentů listu. Změny obsahu těchto barviv mají podstatný vliv na spektrální projevy vegetačního cyklu rostlin (Gitelson & Merzlyak, 1994; cit. in Daniel, 2002). Charakteristickými vlastnostmi chlorofylu jsou dvě absorpční pásma v oblasti vlnových délek 0,45 a 0,65 μm. Mezi nimi se nachází maximum odrazivosti v oblasti zeleného světla (0,54 μm) (Kolář, 1998). V oblasti blízkého IČ záření (0,7 1,3 μm) dochází u spektrální křivky listu k nárůstu odrazivosti, která je způsobena vnitřní strukturou listu a nízkou pohltivostí buněk. Na vlnových délkách 1,4 μm, 1,9 μm a 2,7 μm se nachází hlavní vibrační absorpční pás vody, který způsobuje pokles odrazivosti (Kolář, 1998). Obr.5. Spektrální charakteristiky vybraných stromů ( získaná měřením odrazivosti spektrometrem ASD FieldSpec bříza, borovice a smrk), vlastní data (zdroj: autor) 2.1.2 Hyperspektrální data a senzor HyMap Hyperspektrální senzory byly vyvinuty v 80. letech 20. století na základě kombinace technologií spektrometrie a dálkového průzkumu Země. Jedná se o zařízení schopná pořizovat záznam o spektrálním chování objektů prostřednictvím velkého množství úzkých na sebe navazujících spektrálních pásem. Počet spektrálních pásem se pohybuje v řádech desítek až stovek a jejich šířka se pohybuje okolo 5-20 nm. Obraz území je pořízen pomocí skenerů a vzniká postupným snímáním jednotlivých řádků obrazu v průběhu pohybu nosiče. Nosičem je zpravidla letadlo nebo družice. Spektrální křivky odrazivosti jednotlivých objektů, které byly pořízeny pomocí hyperspektrálních senzorů, se vlivem úzkých spektrálních pásem a jejich návazností jeví jako spojité. Proto je možné přesněji klasifikovat typy krajinného pokryvu a provádět například analýzy obsahu biochemických látek ve vegetaci. Především v 90. letech 20 stol. se rychle rozvíjel výzkum obsahu biochemických látek prostřednictvím dálkového průzkumu. Podněty

Kapitola. 3 Zpracování dat a metodika 17 k rozvoji pocházely z programu ACCP (NASAs Accelerated Canopy Chemismy Programme) a ostatních podobně zaměřených programů (Curran, 1994; Cit In Curran, 2001). Senzor HyMap Hyperspektrální senzor HyMap (Hyperspectral Mapper) byl uveden do provozu v roce 1996 australskou společností Integrated Spectronics. Jedná se o mechanický skener, který byl primárně navržen pro geologické účely. První prototyp snímal povrch na 96 spektrálních kanálech v intervalu vlnových délek 0,55 2,5 μm. Pozdější úpravy senzoru přinesly rozšíření spektrálních pásem na 128 kanálů a interval vlnových délek byl zvětšen na oblast 0,44 2,5 μm. Šířka spektrálních pásů se pohybuje od 10 do 20 nm. Orientaci a stabilizace přístroje s přesností +/- 5 zajišťuje gyro-stabilizační platforma Zeiss-Jena SM 2000 s tříosým systémem. Odchylka může být vyrovnána do +/- 20 s +/- 8 stabilizací. (Cocks, 1998). Senzor HyMap byl navržen tak, aby snesl vnitřní fluktuaci teplot v rozsahu 0 a 30 C a vnější kolísání teplot vzduchu od -40 C do +40 C. Teplota pohybující se v tomto rozsahu neovlivní hodnoty snímané přístrojem (Cocks, 1998). Tab.1. Charakteristika spektrometrů senzoru HyMap Modul Spektrální rozsah Šířka pásma Průměrný interval vzorků VIS 0,45-0,89 μm 15-16 nm 15 nm NIR 0,89-1,35 μm 15-16 nm 15 nm SWIR1 1,40-1,80 μm 15-16 nm 13 nm SWIR2 1,95-2,48 μm 18-20 nm 17 nm (zdroj: Cocks, 1998) Data jsou snímána pomocí čtyř spektrometrů (modulů), které snímají oblast viditelného a infračerveného záření (Tab.1). Každý z nich pořizuje hodnoty ve 32 spektrálních kanálech. Modul VIS zahrnuje sadu Si detektorů a spektrometry NIR, SWIR1 a SWIR2 obsahují sadu InSb detektorů, které jsou chlazeny tekutým dusíkem o teplotě 77K. Radiometrická kalibrace je prováděna snímáním spektrálního záření odráženého od spectralonové podložky (SRT-99-100), která je osvětlena 1000 W QI lampou (dodávané firmou Optronics laboratories FEL-C) a nacházející se ve výšce 650 mm nad podložkou. Senzor je umístěn tak, aby snímal záření s 45 úhlem pohledu (Cocks, 1998). Tab. 2 Vlastnosti senzoru HyMap Spektrální oblasti VIS, NIR, SWIR Počet kanálů 100-200 šířka spektrálního pásu 10-20 nm prostorové rozlišení 2-10 m

Kapitola. 3 Zpracování dat a metodika 18 (zdroj: Cocks,1998 ) šířka záběru 60-70 procento šumu (30 SZA, 50% reflektance >500:1 Operační výška 2 000-5 000 m AGL Pro senzor je typické široké zorné pole, které umožňuje snímat širší pás území najednou. Jedna scéna přitom pokryje území o rozloze 2,3 x 20 km. Nevýhodou je, že snímání musí být prováděno z vyšší letové výšky (2,5 km) a tak dochází ke zhoršení prostorové rozlišovací schopnosti dat na 5 m/pixel. Přístroj je schopen zaznamenat 80 GB dat, kdy záznam za sekundu má velikost cca 2,5 MB. Základní vlastnosti senzoru jsou uvedeny v Tab.2. Senzor může být využíván v širokém spektru vědních oborů například pro výzkumy znečištění životního prostředí, v zemědělství, lesnictví, mapování půd nebo pro vyhodnocení původních a invazních rostlin. Senzor HyMap byl využit pro monitoring obsahu biochemických látek ve smrkovém porostu (Dinesh, 2011) nebo při výzkumu kvality travních porostů v Afrických savanách (Skidmore et al., 2010). 2.2 Fenolické látky a jejich spektrální vlastnosti Fenolické látky jsou sloučeniny obsahující hydroxylovou skupinu (-OH) vázanou přímo na benzenový kruh (aromatické jádro). Představují velmi různorodou a rozsáhlou skupinu sekundárních metabolitů rostlin. Do skupiny se řadí jak jednoduché látky, jako jsou deriváty benzenu, kyseliny benzoové a skořicové, tak látky složitější, jako jsou antokyany, kumariny, třísloviny nebo lignin. Fenolické látky jsou zastoupeny v celé rostlinné říši. Většinou se vyskytují ve velkých koncentracích. Například v práci Vondráčkové (2010) byl stanoven obsah fenolických látek na 1 l pšenice (709,8 860 μmol). Rozpustné fenolické látky jsou nejčastěji uloženy ve vakuolách, často jsou také vázané v buněčné stěně (taniny, lignin) (Procházka, 1998). Fenolické látky hrají významnou roli zejména při ochraně rostliny před patogeny a herbivory (Hagerman, 2002). Podle Provenza et al. (1990, cit Skidmore, 2010) vysoká koncentrace fenolických látek a taninu způsobuje srážení proteinů a tím činní rostlinu nestravitelnou pro býložravé živočichy. Akumulace fenolických látek v listoví bývá považována za nespecifický indikátor stresu u rostlin, který je způsoben např. znečištěním ovzduší (Luis & Yamamoto, 1990; cit Soukupová et al., 2000). Rostlina pak reaguje na stres zvýšením produkce fenolických látek, které je obvykle doprovázeno i nárůstem lignifikace 3 v kůře (Oven & Torelli, 1994; cit Soukupová et al., 2000). Fenolové deriváty mohou vytvářet komplexy s inoty težkých kovů a snižovat tak jejich toxicitu (Laecher, 1995; Cit In Stejskalová, 2003). 3 Lignifikace: dřevnatění, ukládání ligninu ve středních dutinách celulózní kostry buněčné stěny rostlin. Lignifikací dochází např. ke zpevňování stonku rostlin.

Kapitola. 3 Zpracování dat a metodika 19 Obsah fenolických látek také ovlivňuje rozklad rostlinného opadu a hraje tak důležitou roli v koloběhu živin v ekosystémech. Karolewski (1990; Cit in Stejskalová, 2003) předpokládá, že zvýšené množství fenolických látek odděluje zdravou část jehlice od nekrotizující, ve snaze zabránit vodním ztrátám. Pomocí hyperspektrálních dat je možné zkoumat biochemické složení rostlin (Martin, 2002, Cit In Serrano et al., 2002). Často jsou zkoumány vztahy mezi spektrálním signálem listoví a obsahem chlorofylu a dusíku (Waring and Running, 1998, Cit In. Schlerf et al., 2010), hyperspektrální data je možné využívat také pro odhad obsahu dalších látek v listoví např. ligninu, celulózy (Kokaly et al. 2009; Serrano et al., 2002), taninu (Soukupová et al. 2002) nebo polyfenolických látek (Skidmore et al., 2010). Spektrální vlastnosti fenolických látek jsou ve spojení s technikami DPZ využívány pro stanovení jejich koncentrace v rostlinách. Většina studií využívá analýz ligninu, celulózy a dusíku pro modelování potravního řetězce či koloběhu látek v ekosystému, pro který je zásadní především kritické množství ligninu. Pří zatížení rostlin stresovými faktory (např. přemnožení herbivorů), dochází ke zvýšení koncentrace ligninu, který je nestravitelný pro většinu organismů. V mnoha případech tak živočichové nemají dostatek přísunu energie a živin. (Dhinsa, 1971). Pro tyto ekosystémové studie jsou využívány obvykle oblasti blízkého a středního infračerveného záření (Zwiggelaar, 1998, cit. In Soukupová). V této oblasti se také nachází pásy silné absorpce vody, které mohou překrývat slabší absorpční pásma fenolických látek (Dawson *et al.+, 1999, Cit. In Soukupová, 2002). Některé chemické látky obsažené v listu rostlin mohou mít vliv na podobné oblasti spektrální křivky rostliny. Například lignin, taniny a celulóza mají natolik podobné charakteristiky odrazivosti, že jsou v některých studiích zkoumány dohromady (Dawson *et al.+,1999; Cit. In Soukupová, 2002). Skidmore et al. (2010) ve své práci sledoval obsah dusíku a fenolických látek ve stromech mopane (Colophospermum mopane) a travních porostech v Krugerově národním parku v Jižní Africe. Práce využívá vzorky ze 109 oblastí, jejichž poloha byla vymezena pomocí GPS. V každé oblasti byl odebrán jeden vzorek ze stromů mopane (listy z osluněné strany ve výšce 1,5 2 m). Vzorky travního porostu byly odebírány nejméně z deseti rostlin v oblasti o rozloze 15 x 15 m vymezené na základě homogenity porostu. Fenolické látky byly extrahovány ze vzorků dle Hagermanna (1988, cit in Skidmore, 2010), načež koncentrace v extraktu byla stanovena podle Grahama (1992, cit in Skidmore, 2010) a měření bylo standardizováno podle Watermana a Moleho (1994, cit in Skidmore, 2010). Dále bylo na jaře roku 2003 provedeno letecké snímání spektrometrem HyMap v rozsahu 500 2400 nm (96 pásem o šířce 15 nm s prostorovou rozlišovací schopností 4,2 m). Pomocí softwaru IDL/ENVI byla ze snímku extrahována oblast sběru pozemních vzorků. Pro analýzu fenolických látek z hyperspektrálních dat využil vlnových délek - 710, 804, 1641, 1714, 1738, 2146 a 2182 nm, které byly převzaty z práce Ferwerda et al. (2006) a Mutanga & Skidmore (2004). Fenolické látky spolu s dusíkem byly analyzovány pomocí metody neuronových sítí. Metoda využila 30 náhodně vybraných vzorků stromu a 45 vzorků trávy jako

Kapitola. 3 Zpracování dat a metodika 20 tréninkovou množinu (vstupní data). Pro testování bylo vybráno 19 vzorků stromu a 15 vzorků trávy. Byla nalezena více než 80% shoda mezi pozorovanými (vstupními daty) a předpovídanými hodnotami. RMSE pro fenolické látky byla stanovena na 0,0012 (gg-1) pro vstupní (trénovací) data a pro testovaná data bylo RMSE = 0,013 (gg-1). Pro diplomovou práci budou využity stejné vlnové délky, které využil ve své práci Skidmore et al. (2010). Pro analýzu fenolických látek však nebude využito metody neuronových sítí. Problematika této metody spočívá v samotném natrénování modelu a jeho obtížné interpretaci výsledků. Pro nalezení nejvhodnějších vlnových délek k odhadu obsahu dané biochemické látky je nejčastěji využíváno empirických výpočtů nebo regresních analýz a postupné vícenásobné regresní analýzy (Fourty and Baret, 1998, Cit. In Soukupová, 2002). Metoda regresní analýzy byla v roce 1987 uznána protokolem NIRS za vhodnou pro určení biochemických látek v sušinách, zemědělských rostlinách a krmivech (Wessman, 1990; Cit. In Grossmann et al.,1996). Pro odhad obsahu fenolických látek se jeví vhodné vlnové délky 1454 nm, 1680 nm a 1983, které použila ve své práci i Soukupová (2001). 2.2.1 Lignin Lignin je po celulóze druhá nejhojnější organická sloučenina na Zemi. Jedná se o 3D větvený polymer fenylpropanoidů. Tato látka postrádá pravidelnou strukturu, proto se na ni pohlíží jako na směs fyzikálně a chemicky heterogenních látek, jejichž strukturu lze interpretovat modely. U jehličnatých dřevin je lignin označován jako guaiacyl lignin podle převažujícího monolignoru (Sutela *et.al+,2009). Další charakteristickou vlastností je teplotní nestálost, kdy rozklad ligninu začíná při cca. 140 C. Důsledkem je hnědnutí dřeva. V rostlinách tvoří až 35% sekundární buněčné stěny a přispívá tak k její odolnosti. Průměrně se obsah ligninu v kultivované trávě pohybuje okolo 15% sušiny a jehličnany obsahují více než 24% ligninu v sušině (Kokaly et. al.,2009). Význam ligninu pro rostliny je především v jeho strukturní funkci (vyztužení buněčné stěny). Lignin však hraje důležitou roli i při stresových reakcích rostlin, zejména při ochraně před herbivory, kdy se projevuje jeho nestravitelnost pro živočichy. Jeho obsah je ovlivňován celou řadou faktorů, mezi které můžeme zařadit například nízkou teplotu, sluneční záření, nedostatek vláhy nebo příjem minerálů a těžkých kovů (Moura et al., 2010). Rostliny citlivé na obsah hliníku (Al-Aluminium) vykazují zvýšenou akumulaci ligninu v buněčných stěnách a může tak docházet k poklesu růstu rostliny (Budíková, 1999; cit Moura, 2010).

Kapitola. 3 Zpracování dat a metodika 21 Obr.6 Reflektanční křivka smrku ztepilého. Barva šipek značí spekrální oblasti využívané pro detekci biochemických a strukturních vlasností jehlice (zdroj:lhotáková, 2009) Spektrální charakteristika ligninu Spektrální vlastnosti biochemických látek rostlin jsou zkoumány již několik desetiletí. Můžeme zmínit například výzkum Currana, který popsal v roce 1989 základní vztahy spektrálních vlastností biochemických látek. Stanovení vlnové délky, podle které by bylo možné definovat biochemickou látku, není jednoduché. Některé spektrální křivky biochemických látek mohou být podobné vlivem podobných chemických vlastností. (obsahují stejné chemické vazby). Velmi často také dochází k překrytu dominantní látkou vyskytující se v rostlině, jako je například voda (Obr.6). Tab.3. Oblast vlnových délek charakteristických pro lignin a celulózu vlnová délka (μm) přenos elektronů nebo vazba vibrace Chemická látka 1,12 C-H skupina, C-H skupina lignin 1,45 H skupina, C-H skupina lignin 1,69 C-H skupina, lignin 1,94 O-H skupina, O-H voda, lignin, dusík, škrob, celulóza 1,78 C-H skupina, O-H skupina, H-O-H vazba celulóza, cukr, škrob 1,82 O-H skupina, C-O skupina celulóza 2,34 C-H skupina, O-H vazba, O-H skupina celulóza 2,27 C-H skupina, O-H skupina, H-O-H vazba celulóza, cukr 2,35 CH4 skupina, C-H vazba celulóza, protein, dusík (zdroj: Michael, 2004)

Kapitola. 3 Zpracování dat a metodika 22 Základní vlnové délky pro lignin a celulózu jsou shrnuty v Tab.3. Jedná se o vlnové délky charakteristické pro biochemické látky, které stanovil Curran a ze kterých většina současných prací vychází. Některé vlnové délky nemusejí být charakteristické pouze pro jednu látku. Například spektrální vlastnosti ligninu a celulózy jsou si natolik podobné, že je některé práce vyhodnocují dohromady (Dawson *et al.+, 1999). Jiné práce poukazují na obtížnou rozlišitelnost spektrálních signálů ligninu a taninu (Sokupová et al. 2002). Obě látky obsahují aromatické jádro, tak jako hydroxylové skupiny, pro které je charakteristická absorpční oblast blízkého infračerveného záření. Látky se pak zejména v oblasti absorpčních vrcholů překrývají a tím může docházet k posunu vrcholů. Proto se nedoporučuje využívat pouze absorpční vrcholy, ale i jejich blízkého okolí a eliminovat tak vliv posunu při zachování citlivosti modelu pro vyšší koncentrace látky (Ferwerda, 2006). Doposud nebyla pro lignin stanovena přesná oblast spektra, která by ho jednoznačně charakterizovala, a proto existuje celá řada prací, které využívají pro jeho predikci různé oblasti vlnových délek. Seznam prací, zaměřených na analýzu ligninu je uveden v Tab. 4, kde jsou popsány také vlnové délky a základní metoda použitá při analýze. Tab.4 Seznam prací zabývající se výzkumem obsahu ligninu v rostlinách typ Koeficient Autor vlnové délky *nm+ nástroj vzorků determinace Guo, 2010 1116, 1284 čerstvé Neuvedena Soukupová, 2002 Serrano, 2002 Curran, 2001 Kokaly and Clark, 1999 Dawson et al. 1998 Berardo, 1997 Martin and Aber, 1997 1470, 1688, 1870, 1933, 2008, 2143, 2287 1452-1458, 1668, 1846, 1920-1922, 2008, 2146-2148, 2272 Neuvedena ASD spektrometr GER 2600 NIRS systém 972, 1599, 2048 povrch AVIRIS lignin 1124; celulóza 1800 suché* 1730, 2100, 2300 suché* 1564, 1680, 2061, 2328 čerstvé lignin 0,88-0,92; celulóza 0,94-0,96 lignin 0,65-0,83; celulóza 0,75-0,93 lignin a celulóza dohromady 0,79 1100-2498 suché* 0,83-0,96 1660, 1740, 1900, 2280 AVIRIS NIR systém 6250 NIR systém 500 NIR systém 500 pokryv 0,71-0,90 AVIRIS základní použitá metoda 1.derivace reflektance, continuum removal Spearmanova a Peasronova korelace stepwisova vícenásobná lineární regrese, index BNA afds stepwisova vícenásobná lineární regrese ANN algoritmus a model LIBERTY regrese stepwisova vícenásobná lineární regrese

Kapitola. 3 Zpracování dat a metodika 23 Pro analýzu ligninu byla použita celá řada vlnových délek, které byly testovány na čerstvých vzorcích nebo sušině. Spektrální charakter těchto dvou typů vzorků se od sebe liší, zejména absencí vody u suchých vzorků. Také je rozdíl, je-li následná analýza prováděna na jednotlivých listech nebo pro vegetační pokryv na úrovni korun, který odráží elektromagnetické záření ze všech jeho složek (list, větev, kmen rostliny i půda okolo). Kokaly a Clark (1999) považují nejvíce stabilní oblast okolo 2300 nm, protože spektrální odezva vody v této oblasti je téměř lineární. Kokaly a Clark (1999) navrhli a vyzkoušeli metodu vícenásobné lineární regrese spolu s indexem FDS (standard first derivative reflectance spectra), BNC (Band depth normalized to centre) a BNA (Band depth normalized to area) pro stanovení obsahu dusíku, ligninu a celulózy. V práci byly využity absorpční vrstvy s centrem na vlnové délce 1730, 2100 a 2300 nm. Výsledky analýzy ligninu byly rozkolísané (Tab. 5). Průměrná hodnota koeficientu determinace byla 0,65 a RMSE = 2,73, ale například pro vzorky rýže byl koeficient determinace nízký (R 2 = 0,32). Tab.5 Výsledky výzkum převzaté a upravené podle Kokaly a Clark (1999) databáze počet vzorků Dusík Lignin Celulóza R 2 SEC R2 SEC R 2 SEC Blackhawk Island 184 0,94 0,14 0,83 1,85 0,75 2,1 Harvardský les 193 0,94 0,14 0,81 2,04 0,85 2,74 Howland, Maine 189 0,95 0,11 0,77 2,21 0,79 2,4 smrk 78 0,95 0,07 0,72 0,93 0,81 1,1 rýže 69 0,9 0,06 0,32 0,91 0,81 1,41 LTER 31 0,97 0,12 0,65 5,58 0,93 4,33 (R 2 = koeficient determinace; SEC= směrodatná odchylka) Metodikou, kterou navrhl Kokaly a Clarck (1999), se nechal inspirovat i Curran (2001), který rozšířil práci o analýzu obsahu biochemických látek pro 12 druhů látek (chlorofyl a, chlorofyl b, celkový obsah chlorofylu, lignin, dusík, celulóza, voda, fosfor, bílkoviny, aminokyseliny, nestrukturní sacharidya škrob). Pro práci využil vzorky suchého rozdrceného jehličí smrku. Regresní analýzou byla stanovena nejvhodnější oblast spektra pro detekci sledovaných látek. Pro lignin byla nalezena signifikantní oblast na vlnové délce 1124 nm a pro celulózu 1800 nm. U ostatních oblastí nebyla prokázána dostačující závislost. Koeficient determinace se pro lignin pohyboval v rozpětí od 0,88 do 0,92 a pro celulózu od 0,94 do 0,96. Serrano et al. (2002) stanovili koncentraci ligninu z povrchu tvořeného složkami suchých, starých listů a dřeva. Pomocí indexu NDLI (Normalized Difference Lignin Index), kde využil vlnových délek 1754 a 1680 nm dosáhl nejlepších výsledků (R 2 = 0,44-0,58). V práci byly dále použity vlnové délky 2262 a 2380 nm.

Kapitola. 3 Zpracování dat a metodika 24 2.3 Spektrální transformační metody Hyperspektrální snímky poskytují detailní informace o odrazivosti povrchu v úzkých na sebe navazujících intervalech spektra. Výsledkem skenování je velký objem dat, která mohou být považována za téměř spojitá. Data jsou však mnohem více zatížena šumem. Pro eliminaci těchto nežádoucích vlivů je využívána celá řada algoritmů. Mezi klasické metody pro redukci chyb můžeme zařadit metody využívající poměru nebo rozdílu mezi dvěma vlnovými délkami. Jiné algoritmy pracují s větší oblastí spektra nikoliv pouze s jednou či dvěma vlnovými délkami a jsou také efektivnější. Jedná se například o metodu kontinuum removal nebo o metodu 1. derivace spektra. (Demetriades-Shah et. al., 1990). 2.3.1. 1. derivace spektra Metoda 1. derivace spektra vychází z předpokladu, že hledaná závislost sledovaného jevu není uložena v absolutních hodnotách odrazivosti, ale závisí spíše na rychlosti změny odrazivosti mezi sousedními vlnovými délkami (Guo, 2010). Po aplikaci 1. derivace nejsou hodnoty spektra citlivé na změny intenzity osvětlení, které byly způsobeny změnou úhlu Slunce, zastíněním nebo reliéfem (Tsai and Philpot, 1998). Rovnice 1. derivace spektra lze vyjádřit následovně: R R R )/ (Guo, 2010) fd ( i) ( ( j 1) ( j), kde R fd (i) představuje první derivaci odrazivosti na střední vlnové délce (i) mezi vlnovými délkami j a j+1; R( j) a R je reflektance vlnové délky j a j+1; je rozdíl mezi vlnovými ( j 1) délkami j a j+1 (Guo, 2010). 2.3.2 Continuum removal Hlavním účelem metody CR je minimalizovat efekty způsobené vnějšími faktrory. Podobně jako může být odrazivost extraktu měřená v laboratoři ovlivněna druhem použitého organického rozpouštědla, obsahují i data pořízená pomocí dálkového průzkumu země určité nedostatky. Tato data jsou ovlivněna například absorpcí atmosféry, vody nebo odkryvem půdy, která prosvítá vegetačním pokryvem. Proto je nutné, aby analytické metody nebyly na tyto faktory citlivé a nebyly jimi ovlivňovány výsledky. Jednou z možností, jak tyto nežádoucích vlivy eliminovat, je aplikace procesu normalizace spektrální hloubky s využitím hodnot continuum removal. Transformace continuum removal odstranění kontinua slouží k transformaci absolutních hodnot odrazivosti, které mohou být ovlivněny různými vlivy, které přímo nesouvisejí se sledovaným jevem. Zároveň nám umožňují pozorovat změny tvaru reflektanční křivky (Kokaly, 2001; Cit In Mutanga and Skidmore, 2003). Pro transformaci jsou vybrány oblasti ohraničené lokálními maximy, v jejichž centru se nacházejí vlnové délky typické pro sledovaný jev (Obr. 7). Křivka je vypočítána pomocí následujícího vztahu:

Kapitola. 3 Zpracování dat a metodika 25 R ' ( i) R( i) R C( i) (Mutanga and Skidmore, 2003) kde, R '( i) hodnota odrazivosti po transformaci kontinuum removal, R ( i) hodnota odrazivosti, R C hodnota kontinua. První a poslední hodnota odrazivosti vytváří linii ( i) kontinua a po transformaci jsou rovny 1. Jednotlivé absporpčí příznaky kontinua nabývají hodnot od 0 do 1 (Schmidt and Skidmore, 2001; cit Mutanga and Skidmore, 2003). Obr. 7 Ukázka tvorby kontinuum removal (zdroj: Kokaly and Clark, 1999) Při sledování kvality travních porostů v kanadském národním parku využil Guo (2010) šesti biochemických látek, na které aplikoval metodu continuum removal. Mezi pozorovanými látkami byl i lignin, pro jehož detekci byla využita oblast spektra mezi vlnovými délkami 1116 nm a 1284 nm. 2.3.3 Normalizace spektrální hloubky Normalizace spektrální hloubky (Normalization bend depth) je vypočítána jako poměr spektrální hloubky každého kanálu a hodnoty spektra, které představuje minimum absorpční vrstvy kontinua. Změny normalizované spektrální hloubky ukazují na změny tvaru absorpčních vrstev (obr. 6.). Na Obr. 8 jsou jasně patrné rozdílné tvary absorpce borovice bílé a javoru červeného, které jsou způsobeny proměnlivostí množství absorbantů v listu, jako je obsah dusíku, ligninu a celulózy (Kokaly and Clark, 1999). Výpočet normalizace spektrální hloubky: D n D D C (Kokaly and Clark, 1999) kde, D n normalizace spektrální hloubky, D vlnová délka na kterí se projevuje absorpce ( D 1 R', kde R ' je hodnota odrazivosti po transformaci kontinuum removal), D absorpční maximum. Hodnoty normalizované spektrální hloubky ( D ) mohou být dále využity pro krokovou vícenásobnou lineární regresi (stepwise regression). Pomocí této metody lze stanovit závislost n C

Kapitola. 3 Zpracování dat a metodika 26 koncentrace chemických látek (C ) na spektrálních vlastnostech rostliny využitím lineární kombinace nezávislých proměnných ( D n ) a jejich příslušných vlnových délek ( s koeficienty, ) určenými pomocí následujícího vztahu. a 0 a i 1, N i 1, N ) C a N 0 a1 D n i (Kokaly and Clark, 1999) i 1 Obr.8 Příklad změny tvaru v profilu normalizované spektrální hloubky absorpční vrstvu 2,30 μm (zdroj: Kokaly and Clark, 1999 ) Kokaly and Clark (1999) určili obsah dusíku, ligninu a celulózy na vzorcích sušiny použitím stupňovité regresní analýzy (stepwise regression) s využitím metody kontinuum removal a normalizace spektrální hloubky. Analýzy byly prováděny na datech z několika spektrálních knihoven. Nejlepšího výsledku pro predikci obsahu ligninu dosáhli na vzorcích z východní části spojených států, kde na 189 vzorcích byla dosažena přesnost R 2 = 0,73 s RMSE = 2,57. 2.4 Spektrální metody určování ligninu a fenolických látek Jednou z často používaných laboratorních metod je NIR spektrometrie, která využívá oblast blízkého infračerveného záření (800-2500 nm). Metoda se zařazuje mezi tzv. procesní analytické metody, u kterých je kladen důraz na rychlost samotné analýzy. Výhodou je také možnost aplikace analýzy pro stanovení obsahu několika látek během jedné analýzy (Matějka, 2010?). Spektrální projevy vzorků je možné využít také pro kalibraci dat. Jedním z využívaných postupů je metoda PLS (Partial least squares), kterou lze využít pro kalibraci dat a následně pro predikci. Například Bolster (1996) využila metodu PLS pro kalibraci a následnou detekci dusíku, ligninu a celulózy v homogenizované sušině jehlic smrku (? nejsem si jistá, co to bylo za vzorky). Přesnost modelu popisuje pomocí směrodatné odchylky a koeficientu determinace. Pro obsah dusíku byla stanovena směrodatná odchylka 0,106 při R 2 = 0,97; 1,613 s R 2 = 0,88 pro lignin a 2,103 s R 2 = 0,89 pro celulózu (Bolster,1996).

Kapitola. 3 Zpracování dat a metodika 27 2.4.1 PLS metoda (Partial least squares method) Metoda byla vyvinuta v 60. letech 20. století Hermanem Woldem, který řešil problém jak eliminovat problém over-fitting (přeučení). Overfitting je problém u všech metod pracující s vícenásobnými proměnnými. Pokud využijeme u metody MLR velké množství proměnných (například vyšší než počet pozorování), model dokonale popíše vzorová data, ale nepředpoví nám nová data správně. V takovýchto případech, ačkoliv existuje mnoho proměnných, může existovat jen několik zásadních nebo skrytých faktorů, které vysvětlují většinu variace. Cílem PLS metody je zkomprimovat informaci obsaženou ve velkém počtu původních proměnných ve vstupní matici do několika málo nových proměnných (komponent). Metoda částečných nejmenších čtverců (PLS) vychází z principu metody hlavních komponent (PCA) a vícenásobné lineární regrese. Metoda hlavních komponent používá ke konstrukci modelu všech k prvních hlavních komponent. Některé z těchto komponent však mohou popisovat zdroj variability, která není svázána s koncentrací zkoumané veličiny. Proto může u takovýchto modelů dojít k nesprávné predikci. Metoda PLS však využívá pouze ty proměnné, které jsou korelovány s koncentrací zkoumané veličiny (Obr.9). Předpokládejme, že máme k dispozici naměřené hodnoty p veličin (sloupců) s n řádky (matice vstupních dat X (n x p)), a k nim odpovídající veličiny popisující jejich vlastnosti (př. vlnové délky), které mají stejný počet řádků n ale s q veličinami (matice závisle proměnných Y (n x q)), kdy nemusí platit vztah n>p,q. Abychom extrahovali maximum informace z p a q rozměrných matic do prostoru s nižší dimenzí k, rozložíme X a Y na ortogonální matice T (n x k) a U (n x k) (matice skóre matice x (Y)), s koeficienty P a Q (matice zátěží matice X (Y)). Jedná se o analogický postup používaný u metody hlavních komponent. X = TP + E Y = UQ + F T (n x k), U (n x k), k min(p, q). Dimenzionalita T a U je typicky menší než X a Y. Šum a nadbytečné informace jsou uloženy v matici E (n x p) a F (n x q). Dekompozice matice U = TB (B je čtvercová diagonální matice) poskytuje nástroj pro predikci Y z X: = TBQ,T = XP Kombinací tohoto a předchozích vztahů je zřejmý vztah mezi X a Y. U = TB X = TP + E BQ = R Y = TR + F,kde T je vytvořeno z nových dat X. T = XP, Y = XP BQ, a tedy i P BQ reprezentují originální (obecně vychýlené a zkrácené tedy stabilnější) regresní parametry modelu Y = XA (Kupka, 2007).

Kapitola. 3 Zpracování dat a metodika 28 Obr. 9 Grafické znázornění metody PLS X = T P + E Y = U Q + F X PREDIKCE Y (zdroj: Kupka, 2007) Narozdíl od klasické lineární regrese jsou v PLS X a Y rovnocenné, tedy zaměnitelné je jedno, kterou matici označíme X a kterou Y. Proto lze predikovat Y z X stejně jako X z Y. PLS je rovněž často používaným nástrojem pro lineární vícerozměrnou kalibraci. Narozdíl od PCR (regrese na hlavních komponentách Principal Komponent Regression) počítá PLS pro každou hodnotu komponenty zátěže nebo váhy pro každou vlnovou délku využitou pro stanovení chemické koncentrace tak, aby jejich variace byla popsána v 1. faktoru (složce). Výhoda metody PLS nastává, když šum v datech způsobuje vyšší variabilitu, než je variabilita chemického složení. Pomocí PLS metody je často dosaženo lepších výsledků než metodou PCA pokud je využito více faktorů (Neas and Martens, 1984, cit in Bolster, 1996). Validace je u metody PLS chápána jako stanovení optimálního počtu komponent zahrnutých v modelu a odhad jeho predikčních schopností. Během kalibrace PLS metody jsou všechny důležité koncentrační a spektrální informace analyzované oblasti nebo oblastí seskupeny do souboru nových proměnných, tzv. komponent (Dračková a kol., 2009). Každá komponenta reprezentuje nezávislý zdroj proměnlivosti v kalibračních datech. Využitím nadbytečného počtu faktorů by mohlo docházet ke snižování kvality predikce pro jiná než kalibrační měření. Kalibrační model s více faktory zahrnuje stále větší podíl šumu, kdy popisuje stále dokonaleji kalibrační data včetně všech chyb s nahodilými jevy v nich obsaženými (overfitting) (Obr.10). Nevhodné je také využití malého počtu faktorů, kdy dostatečně nevyužijeme všech relevantních informací (under-fitting) (Meloun a Militký, 2002).

Kapitola. 3 Zpracování dat a metodika 29 Obr.10 Predikční chyba versus počet komponent v modelu (zdroj:meloun a Militký, 2002) Pro určení optimálního počtu komponent a predikční schopnosti modelu se v praxi využívá dvou přístupů: 1) Metoda příčné validace (cross-validation, CV): Kalibrační data jsou náhodně rozdělena do k disjunktních podmnožin (s i - s k ) o přibližně stejné velikosti. V extrémním případě je počet podmnožin s i roven počtu proměnných, metoda se pak nazývá leave-one-out validation ( odlož-jeden-mimo příčná validace). Při i-té iteraci je brána množina s i jako testovací a zbylé množiny jsou využity pro výpočet modelu, takže koncentrace každého vzorku je stanovena právě jednou (Meloun a Militký, 2002). Odhad chyby koncentrace pro predikované vzorky je vypočítán pomocí srovnání referenčních (c ref *) a stanovených (c*) koncentrací kalibračních vzorků. RMSECV n i 1, kde i je index kalibračního vzorku od 1 do n nebo do s k 2) Metoda predikčního testování externí validace Tato metoda rozděluje kalibrační data do dvou skupin (tréninková a monitorovací). Kalibrační model je pak vytvořen pomocí trénovacích dat. Validace dat je pak vytvořena pomocí monitorovacích dat, například stanovením střední kvadratické chyby RMSEP: c i n c i, ref 2 RMSECV n i 1 c i n t c i, ref 2, kde i je index monitorovacího vzorku od 1 do n t

Kapitola. 3 Zpracování dat a metodika 30 Metoda PLS byla využita v této práci pro kalibraci laboratorního měření obsahu ligninu a následně pro predikci obsahu ligninu pro ostatní vzorky dat (celkem 137) (viz. Kapitola 3 Zpracování dat a metodika). 2.4.2 Vegetační indexy Při zkoumání kvantitativních parametrů (např. obsahu fenolických látek) se snažíme nalézt jednoznačný funkční vztah mezi naměřenou hodnotou reflektance a zkoumanou veličinou, čehož je možné dosáhnout několika způsoby. Jedním z nejběžněji využívaných postupů je hledání přímé závislosti mezi zkoumaným ukazatelem a odrazivostí s využitím transformací kontinuum removal, 1. derivace spektra a ostatních metod. Dalším neméně často využívaným postupem jsou výpočty optických indexů, jejichž základní myšlenkou je nelézt pomocí kombinace spektrálních pásem funkční předpis, který nám může prozradit něco o struktuře vegetace a jejích vlastnostech (např. hustoty olistění, obsah vody v listu, minerální složení, napadení škůdci nebo stáří vegetace). Optické indexy by neměly být citlivé na ostatní faktory ovlivňující odrazivost, jako jsou půdní vlastnosti, atmosférické podmínky, geometrie snímání aj. Správně sestavený index by měl tedy vykazovat silnou funkční závislost ke zkoumanému parametru a zároveň by měl být co nejméně citlivý na ostatní vlivy, které s pozorovaným jevem přímo nesouvisí (Liang, 2004). V rámci diplomové práce byly hledány vegetační indexy pro stanovení obsahu fenolických látek a ligninu, které byly již dříve využity ve vědeckých výzkumech. Bohužel nebyl nalezen žádný funkční postupy (indexy) pro stanovení obsahu fenolických látek. Pro detekci ligninu je v literatuře uváděn normalizovaný index ligninu, který využila ve své práci Serrana (2002). Index využívá vlnových délek 1754 nm a 1680nm. Při korelaci výsledků indexu NDLI s obsahem ligninu však Serrana (2002) odosáhl jen nízké přesnosti (r = 0,451). NDLI (Normalized Difference Lignin Index) : NDLI log(1/ log(1/ 1754 1754 ) ) log(1/ log(1/ 1680 1680 ) ) (Serrano, 2002) Index nabývá hodnot v rozsahu od 0 do 1. Hodnoty pro vegetaci se pohybují v rozsahu od 0,005 do 0,05 (Serrano, 2002). Index byl odvozen z NDVI (Normalized Diference Vegetation Index), jednoho z prvních vegetačních indexů, který vykazuje silnou korelaci mezi obsahem chlorofylu a vody ve vegetaci. Index NDVI byl využit pro zpřesnění a nalezení celé řady nových indexů (mndvi 705, NDNI, aj.). 2. 4. 3 Modely radiačního přenosu Teorie modelů radiačního přenosu (RT) byla vyvinuta pro účely astrofyziky, nukleární a atmosférické fyziky. V dálkovém průzkumu země se metoda využívá od 90. let pro odhad

Kapitola. 3 Zpracování dat a metodika 31 kvantitativních biochemických a biofyzikálních parametrů (chlorofylu, karotenu, ligninu, ) z leteckých hyperspektrálních dat (Liang, 2004). Modely radiačního přenosu pracují na několika prostorových úrovních. Pro studium vegetace jsou využívány RT modely na úrovni listů (jehlic) a na úrovni celých korun stromů. Podle Zarco-Tejada (2001) mohou být spektrální informace získané na úrovní listů (jehlic) převedeny pomocí RT modelů na úroveň korun stromů. Modely radiačního přenosu mohou sloužit pro stanovení odrazivosti a transmitance listu. Častěji jsou však využívány v inverzní podobě pro určení biofyzikálních vlastností listu (Liang, 2004). Modely radiačních přenosů lze rozdělit na tzv. jednodimenzionální (1D) a třídimenzionální (3D) modely. Jednodimenzionální modely mají horizontálně homogenní neohraničenou, ale vertikálně heterogenní ohraničenou vrstvu atmosféry a vegetačního pokryvu,. Mezi tuto kategorii můžeme zařadit model PROSPECT nebo LIBERTY, které pracují na úrovni listů popřípadě jehlic. Koncept jednodimenzionálních modelů radiačního přenosu však nelze využít pro horizontálně heterogenní neohraničený krajinný pokryv, jako je například les s individuálními korunami stromů. Tento problém je vyřešen pomocí třídimenzionálních modelů. Mezi tyto modely můžeme zařadit například model radiačního přenosu DART (Discrete Anisotropic Radiative Transfer), který byl určen pro výzkum šíření záření v přírodních a antropogenních scénách (Gastellu-Etchegorry *et.al.+, 1994). Pro odlišnou stavbu i strukturu listu a jehlic, je nutné modely radiačního přenosu modifikovat pouze pro listnaté nebo jehličnaté stromy. Při provedení řezu jehlice (Obr. 11) můžeme pozorovat nepravidelný tvar jehlice, který připomíná tvar kosočtverce. Vzhledem ke složité prostorové struktuře jehličnatého porostu je obtížné změřit spektrální vlastnosti jehlic. Tento problém se snaží řešit například model LIBERTY, který nahrazuje složitý tvar rostlinného orgánu (jehlice) kulovitou plochou (Stenberg *et al.+, 1994, Cit. In Dawson, 1998). Obr. 11 Tvar průřezu jehlice smrku ztepilého (zdroj:lhotáková, 2009) V diplomové práci byla zvažována možnost aplikace radiačních modelů na námi dostupná data. Pro využití by byly vhodné dva jednodimenzionální modely PROSPECT 3.01 S a

Kapitola. 3 Zpracování dat a metodika 32 model LIBERTY. Nakonec tyto modely nebyly v diplomové práci využity. Model PROSPECT 3.01 S je modifikován přímo pro analýzu smrku ztepilého, ale využívá pouze 4 proměnných (koncentrace chlorofylu a, b (C ab ), obsah vody (C w ), obsah sušiny (C m ) a strukturní parametr N). Ani jeden z těchto parametrů neobsahuje charakteristiku o obsahu fenolických látek nebo ligninu. Proto tento model nebylo možné v práci využít. Druhý model LIBERTY využívá již 9 parametrů, mezi kterými sice není zachycena koncentrace fenolických látek, ale alespoň disponuje s proměnnou koncentrace ligninu. Pro tento model však nebyly k dispozici ostatní parametry, jako například průměr buňky, mezibuněčný vzdušný prostor či mocnost jehlice. Zmiňované modely pracují stále na úrovni listu, proto by bylo nutné na tyto modely dále aplikovat třídimenzionální model (např. DART). Pro model DART nebyly k dispozici potřebné vstupní parametry. V neposlední řadě je aplikace inverzních modelů značně komplikovaná a náročná. Ve většině případů je inverzní podoba modelů provedena pomocí neuronových sítí.

Kapitola. 3 Zpracování dat a metodika 33 KAPITOLA 3 Zpracování dat a metodika 3.1 Postup práce Poskytnutá data z letecké a pozemní kampaně Letecké snímky z roku 2009 byly zízkány v rámci projektu Grantové agentury ČR: Assessment of Mining Related impacts based on Utilization of ARES Airborne Hyperspectral Sensor, kde je hlavním vedoucím projektu je Mgr. Veronikou Kopačková z Českého geologického ústavu. Snímání a korekce dat provedla německá společností DLR. Letecké snímky z roku 2010 byly zízkány v rámci projektu EC FP7 programu - EO- MINERS: Earth Observation for Monitoring and Observing Environmental and Societal Impacts of Mineral Resources Exploration and Exploitation. O korekce snímků se postarala německá společnost DLR a Univerzita v Tel Avivu. Pozemní vzorky byly financovány v rámci projektu grantové agentury ČR: Assessment of Mining Related impacts based on Utilization of ARES Airborne Hyperspectral Sensor hlavním vedoucím projektu je Mgr. Veronikou Kopačková z Českého geologického ústavu, na jejichž odběru jsem se také podílela. Laboratorní analýzy obsahu ligninu 58 vzorků byly provedeny akreditovanou laboratoří EKO-LAB Žamberk spol. s.r.o. a obsah fenolických látek byl stanoven v laboratoři Katedry experimentální biologie rostlin PřF UK pod vedením Mgr. Drahomíry Bartákové. Spektrometr ASD FieldSpec 3 byl zapůjčen českou zemědělskou univerzitou v Praze Spektrální křivky sušiny byly nasnímány spektrometrem NIR 6500 ve Výzkumném ústavu rostlinné výroby, v.v.i. Vlastní práce na diplomové práci Spolupráce při odběru vzorků jehlic ze stromů smrku ztepilého pro laboratorní vyhodnocení obsahu biochemických látek (lignin, fenolickcé látky)

Kapitola. 3 Zpracování dat a metodika 34 spolupráce při měření odrazivosti odebraných čerstvých vzorků jehlic pomocí spektrometru ASD FieldSpec 3 a laboratorní měření spektrální odrazivosti sušiny pomocí spektrometru NIR 6500 výpočet všech analýz detekce ligninu a fenolických látek jehlic smrku ztepilého pomocí hyperspektrálních dat včetně stanovení kalibrační křivky obsahu ligninu pomocí PLS metody Analýza ligninu použití PLS metody pro kalibraci dat (58 vzorků) a stanovení obsahu ligninu ve zbylých 137 vzorcích pomocí dat ze spektrometru NIR 6500 (vzorky z roku 2009) výpočet regrese mezi spektrálními křivkami a obsahem ligninu ve smrku ztepilém (HyMap, ASD FieldSpec, NIR 6500) aplikace vícenásobné krokové regrese pro nalezení nejvhodnějších vlnových délek pro detekci ligninu (porovnání výsledků s literaturou) výpočet indexu NDLI a poměru vlnových délek pojmenovaných mndli, RLI aplikace výsledků analýz a vytvoření mapy koncentrace ligninu pro výřezy oblastí stanovišť (1 x 1 km) dat HyMap z roku 2009 Analýza fenolických látek výpočet regrese mezi spektrálními křivkami jehlic smrku ztepilého (HyMap (vzorky z roku 2009 a 2010, ASD FieldSpec (vzorky z roku 2010), NIR 6500 (vzorky z roku 2009)) a laboratorním měřením obsahu fenolických látek aplikace vícenásobné krokové regrese pro nalezení nejvhodnějších vlnových délek pro detekci fenolických látek (porovnání výsledků s literaturou) použití PLS metody pro ověření metody pomocí predikce obsahu fenolických látek a jejich porovnání s výsledky laboratorního měření výpočet indexu BNC (Band depth normalised to band depth at the centre of absorption feature) a BNA (band depth normalised to are of absorption feature) Celý postup práce je graficky vyjádřen na Obr.12 a 13.

Kapitola. 3 Zpracování dat a metodika 35 Obr.12 Analýza obsahu ligninu postup práce Stanovení závislosti odrazivosti jehlic smrku ztepilého na obsahu ligninu pomocí hyperspektrálních dat (spektrometr NIR 6500, spektrometr ASD FieldSpec 3, senzor HyMap 2009) Letecká kampaň Pozemní kampaň Laboratorní analýza Hyperspektrální snímek z roku 2009 Vzorky jehličí (29 stromů) Koncentrace ligninu (58 vzorků) spektrum sušiny z roku 2009 (NIR 6500) Korekce: radiometrická atmosférická geometrická Spektrální odrazivost jehličí (ASD FielSpec3 rok 2010) PLS metoda Okolí stanivišť (1 x 1 km) Výběr 10 polygonů Výběr pixelu Koncentrace ligninu (137 vzorků) klasifikace (unmixing) Výpočet indexu NDLI Výběr vlnových délek (dle literatury) Spektrum (400 2500 nm) Vyklasifikovaná oblast smrku ztepilého Regresní analýza Ligninová mapa Grafy a tabulky výpočtů výsledky práce vstupní data; název použité metody; mezikrok analýzy;

Výstupy Postup práce Vstupní data Kapitola. 3 Zpracování dat a metodika 36 Obr.13 Analýza obsahu fenolických látek postup práce Stanovení závislosti odrazivosti jehlic smrku ztepilého na obsahu ligninu pomocí hyperspektrálních dat (spektrometr NIR 6500, spektrometr ASD FieldSpec 3, senzor HyMap 2009, 2010) Letecká kampaň Pozemní kampaň Laboratorní analýza Hyperspektrální snímky z roku 2009, 2010 (HyMap) Vzorky jehličí ze smrku (50 stromů) Koncentrace biochemických látek spektrum sušiny z roku 2009 (NIR 6500) Korekce: Radiometrická Atmosférická geometrická Spektrální odrazivost jehličí z roku 2010 (ASD FielSpec3) PLS metoda Výběr 10 polygonů Výběr pixelu pro vzorek Výběr vlnových délek (dle literatury) Spektrum (400-2500 nm) 1. derivace spektra continuum removal Regresní analýza Výpočet BNA, BNC Grafy a tabulky výpočtů výsledky práce vstupní data; název použité metody; mezikrok analýzy;

Kapitola. 3 Zpracování dat a metodika 37 3.2 Vstupní data a jejich zpracování 3.2.1 Popis zájmového území Oblasti zájmu diplomové práce je situována do oblasti Sokolovské pánve, která zaujímá 8 9 km širokou a cca 36 km dlouhou depresi mezi Krušnými horami a Slavkovským lesem v západních Čechách (Obr. 14). Základním rysem regionu je dlouhodobá a intenzivní těžba hnědého uhlí, která zásadním způsobem ovlivňuje krajinu nejen v bezprostřední blízkosti těžebních prostor. Dominantními prvky regionu se staly antropogenní tvary, jako jsou povrchové doly, výsypky a odkaliště a došlo ke znečištění ovzduší i půdy. Především v 50. až 80. letech 20. století docházelo v oblasti k vysoké kontaminaci půdy především oxidem siřičitým, ale i těžkými kovy a dalšími toxickými prvky, jako je arzen nebo rtuť. Zvětrávání uhelného materiálu způsobilo povrchovou acidifikaci, která narušuje kvalitu půd, podzemní i povrchové vody, negativně působí na živé organismy a ekosystém. Na záchranu životního prostřední byla vypracována celá řada projektů pro revitalizace a rekultivace oblastí postižených těžbou uhlí (Pecharová, 200-). V rámci nápravných projektů jsou v oblastech bývalé těžby vysazovány jehličnaté a listnaté stromy v 5-ti letých cyklech. Pro osázení se využívá 2-3 leté prostokořenné sazenice. Z listnatých stromů je nejčastěji vybírána olše šedá (Almus incana), javor klen (Acer pseudoplatanus), jasn ztepilý (Fraxinus excelsior) nebo dub letní (Quercus robur) a zimní (Quercus petrarea). Z jehličnatých stromů potom smrk ztepilý (Picea abies), borovice lesní (Pinus sylvestris) a modřín evropský (Larix decidua) (Frouz et al., 2007). V důsledku velkoplošného zalesnění se v oblasti vyskytuje vegetace stejného stáří, která je na velmi malém území zatížena různou koncentrací škodlivin a je proto hodnotná pro výzkumné práce (Sokolovská uhelná, a.s, 2007). Tab. 6. Základní charakteristika lokalit odběru vzorků stáří stromů (roky) nadmořská výška (m n. m.) počet analyzovaných stromů Habartov 41-60 470 15 Erika 41-60 500 10 Mezihorská 61-80 660 15 Studenec 41-60 660 10 (zdroj: autor) V zájmové oblasti Sokolova byly vymezeny čtyři lokality výskytu smrku ztepilého (Tab. 6). Jedná se o stanoviště pojmenované Habartov, Erika, Mezihorská a Studenec. Na třech stanovištích (Habartov, Erika, Studenec) se vyskytují stromy staré 41 60 let, pouze v oblasti stanoviště Mezihorská jsou stromy staré 61 80 let. V lokalitách bylo vybráno 10-15 stromů, ze kterých byly odebrány vzorky pro laboratorní analýzy (viz Kapitola 3 Zpracování dat a metodika). Poloha stromů byla stanovena pomocí diferenciálního GPS přijímače Field Map

Kapitola. 3 Zpracování dat a metodika 38 s přesností do 1 m. Výjimku tvoří stromy na stanovišti Mezihorská, kde se přesnost polohy stromů pohybuje okolo 5m. Na sledovaném území byly dále odebrány vzorky půdy, pro stanovené kontaminace půdy a vztahu. Na všech stanovištích byly zjištěny velmi nízké hodnoty ph, které se pohybovalo pod kritickou hodnotou 3,5. Nejnižší hodnoty ph se vyskytují na stanovišti Erika a Mezihorská. Nejvyšší kontaminace těžkými kovy (rtuť, arsen) byla nalezena na stanovišti Habartov a Erika (Tab.7). Tab.7 Výsledky rozbor půdy na stanovištích ph C:N Ca Na K Mg Al Hg As Pb Habartov 3,31 29,24 1,25 28,42 158,25 95,17 680,33 19 76 81 Erika 2,53 28,40 0,53 19,00 274,63 113,63 509,63 18 42 100 Mezihorská 2,81 27,65 0,43 20,50 356,60 95,40 449,50 8 25 109 Studenec 3,16 27,73 1,07 11,13 257,00 126,50 268,63 6 34 115 Obr. 14 Oblast výzkumu (zdroj:autor) 3.2.2 Terénní práce V červenci 2009 a začátkem září 2010 proběhla letecká kampaň, při níž byla nasnímána data modelového území senzorem Hymap a zároveň pozemní kampaň - sběr pozemních dat ve vymezených lokalitách (viz. Obr. 14). V každé z vymezených lokalit byly odebrány vzorky jehličí smrku ztepilého vždy z vrchní produkční osluněné části koruny (přibližně ve výšce 10 12 m) a ze střední též osluněné části koruny z 10 15 stromů na stanovišti. Do předem označených zkumavek bylo odebíráno nadrobno nastřihané jehliční (2-5 mm) bez koncových částí jehlic z přírůstků z roku 2010 a 2008 pro analýzy obsahu chlorofylu, karotenoidů a fenolických látek. Pro zachování biochemických vlastností odebraných vzorků

Kapitola. 3 Zpracování dat a metodika 39 byly zkumavky bezprostředně po odběru uloženy do chladicího boxu (0 C) a po příjezdu z terénu přemístěny do mrazničky (-20 C). Po převozu do laboratoře byly vzorky zváženy a umístěny do provedení analýz v mrazícím boxu (-70 C). Dále byly odebrány části větví s jehličím z roku 2008 a 2010, které byly využity pro stanovení spektrální odrazivosti pomocí ASD spektrometru a následně usušeny a rozemlety pro laboratorní analýzy. Vzorky větví byly při odběru uzavřeny do hermeticky uzavíratelných igelitových sáčků s navlhčenou buničinou a také uloženy do chladicího boxu. Po ukončení sběru dat v terénu bylo na ubytovně provedeno snímání spektrální odrazivosti ze vzorků větví pomocí spektrometru ASD FieldSpec 3 zapůjčeného Českou zemědělskou univerzitou v Praze. 3.2.3 Laboratorní biochemické měření 3.2.3.1. Stranovení obsahu fenolických látek Stanovení obsahu fenolických látek byl proveden v laboratoři Katedry experimentální biologie rostlin PřF UK Mgr. Drahomírou Bartákovou. Vzorky jehličí studovaných stromů byly zmraženy v tekutém dusíku a homogenizovány v třecí misce. Rozpustné fenolické látky byly extrahovány v 8 ml 80% vroucího metanolu po dobu 1,5 hodiny. Celkové množství fenolických látek bylo stanoveno pomocí reakce činidla Folin Ciocalteau (Singleton a Rossi, 1965; cit in Soukupová, 2002) a kyseliny gallové, která byla použita jako standard. Postup extrakce fenolických látek podle Singletona a Rossi je uveden v boxu 1. Koncentrace fenolických látek byla vyjádřena v miligramech fenolických látek na gram čerstvé hmotnosti vzorku (mg/g). Box 1: Stanovení koncentrace fenolických látek (Singleton a Rossi, 1965) 1. Homogenizace jehlice zmrazené tekutým dusíkem v třecí misce 2. Extrakce vzorku v 10 ml vroucího 80% metanolu 3. Zbylý pelet vysušen, zvážen a použit ke stanovení ligninu 4. 0,5 ml extraktu do 5 ml Roztoku A, nechat 10 min. reagovat 5. Přidat 0,2 ml Foli-Ciocaltan činidla, nechat 30 min. reagovat 6. Měřit spektrometrem na vlnové délce 750 nm, standardem Roztok A Roztok A: 1ml Roztoku B v 50 ml Roztoku C, (připravujeme těsně před měřením) Roztok B: 2% Na 2 CO 3 v 0,1 M NaOH Roztok C: 0,5% CuSO 4.5H 2 0 v 1% vinanu sodnodraselném NaKCH 3.2.3.2 Stanovení obsahu ligninu Obsah ligninu v jehličí byl pro 58 vzorků stanoven v akreditované laboratoři EKO-LAB Žamberk spol.s r. o. podle Lutonská a Pichl (1983).

Kapitola. 3 Zpracování dat a metodika 40 Lignin byl stanoven vážkově jako zbytek lignocelulózového komplexu po oxidaci 72% kyselinou sírovou za studena. Takto stanovený lignin se označuje jako S-lignin. Obsah hrubé celulózy představuje rozdíl ADF (acido-detergentní vláknina) - (S-lignin). Přičemž ADF je lignocelulózový zbytek buněčných stěn rostlinných pletiv, který se stanoví vážkově po kyselé hydrolýze vzorku krmiva v prostředí kyselého roztoku cetyltrimetylamonium bromidu. Pro zbylé vzorky (137) byl obsah ligninu stanoven pomocí metody PLS (Partial least squares method), která se využívá pro stanovení biochemických látek (viz. Kapitola 3 Zpracování dat a metodika.). 3.2.4 Laboratorní spektrální měření 3.2.4.1 ASD spektrometr Spektrometrem ASD FieldSpec 3 byl navržen pro práce v terénu i v laboratoři. Přístroj je možné nosit na zádech a měřit intenzitu ozáření a záření objektu přímo v terénu. ASD FieldSpec 3 měří spektrum v rozsahu 350-2 500 nm, který je zaznamenáván třemi senzory. První senzor měří odrazivost na vlnových délkách 350 1050 nm (Si fotodiody) při intervalu 1,4 nm. Druhý a třetí senzor zaznamenává odrazivost na vlnových délkách 1000 2500 nm (InGaAs fotodiody) v intervalu 2 nm. Pro měření spektrometrem bylo vytvořeno provizorní prostředí na ubytovně u Sokolova, kde probíhalo snímání spektrální odrazivosti z nasbíraných větví smrku ztepilého. Větve byly před samotným měřením vyjmuty z igelitových sáčků a ponechány na vzduchu pár minut oschnout, protože byly mírně oroseny. Kalibrace ASD spektrometru byla vždy provedena před měřením vzorků z jednotlivých stanovišť pomocí bílého etalonu, jehož odrazivost byla považována za 100%. V průběhu měření jednotlivých vzorků byla kontrolována spektrální křivka bílého etalonu. Pokud křivka vykazovala ostré přechody na rozhraní dvou senzorů (oblast 1000 1050 nm) byla opětovně provedena kalibrace. Spektrální charakteristiky byly stanoveny pouze na větvích s jehličím z roku 2010. Uložený záznam o spektrální charakteristice vzorku bje výsledkem průměrné hodnoty z 15 měření spektrometru ASD FieldSpec. Odrazivost byla měřena z několika větviček navršených na sebe (zpravidla 3 4). Tato metoda eliminovala vliv podložky, na které vzorky ležely. Při pokusech o snímání odrazivosti pouze jedné větve docházelo k silnému ovlivnění výsledů podkladovou plochou. Na každém vzorku bylo provedeno pět měření v různých směrech záběru. Snímáno bylo zpravidla z vrchu a z boku vzorku. Práce byly prováděny na podložce, která byla vybrána s ohledem na její spektrální charakteristiky. Nejvhodnější podklad byl nalezen u dřevěného stolu natřeného černou tabulovou barvou. Tato podložka se ukázala jako nejvhodnější pro spektrální měření vzorků jehličí. Vhodnější podložkou by bylo sklo natřené černou barvou, které jsme však v improvizovaném prosředí neměli k dispozici. Naměřené spektrální křivky byly uloženy ve formátu asd, který není podporován námi dostupnými programy (ENVI, SPSS, ), a proto byla data exportována do běžně využívaného

Kapitola. 3 Zpracování dat a metodika 41 textového formátu txt. Soubory obsahovaly informace o odrazivosti jednotlivých vzorků na vlnových délkách v rozmezí od 350 2 500 nm v intervalu 1 nm. 3.2.5.2 Spektrometr NIR 6500 Snímání spektrálních křivrk vzorků usušených a rozemletých jehlic smrku ztepilého z roku 2009 pomocí spektrometru NIR 6500 probíhalo ve Výzkumném ústavu rostlinné výroby, v.v.i., u pana Dr. Václava Dvořáčka. Touto metodou byla stanovena spektrální odrazivost sušiny pro všechny odebrané vzorky jehlic (cca 200 vzorků) na vlnových délkách v rozmezí 400 2 500 nm v intervalu 2 nm. 3.2.5 Letecká hyperspektrální obrazová data (HyMap) Pro analýzy ligninu a fenolických látek bylo využito leteckých hyperspektrálních snímků z roku 2009 a 2010. Pro analýzy ligninu byla použita data pouze z roku 2009. Dne 27. července 2009 a 21. srpna 2010 německá společnost DLR provedla snímání zájmové oblasti Sokolova (rozloha cca 200 km 2 ) pomocí hyperspektrálního senzoru HyMap. Bylo zaznamenáno celkem 125 spektrálních pásem s prostorovým rozlišením 5 m x 5 m. V diplomové práci byly využity snímky s radiometrickými korekcemi dle modelu ATCOR4 4, které provedl Ústav systémové biologie a ekologie AV ČR na snímku z roku 2009, německá společnost DLR pro snímek z roku 2010) a tzv. supervised vicarious calibration (SVC) (Brook and Ben-Dor, 2011) provedenou univerzitou v Tel Avivu. Na snímku z roku 2009 byly navíc provedeny BDRF korekce. Snímky jsou k dispozici v souřadnicovém systému UTM (33 zóna, elipsoid WGS 84). Polohová přesnost Na snímku z roku 2009 byla Ústavem systémové biologie a ekologie AV ČR provedena kontrola geometrické přesnosti dat. Přesnost byla stanovena pomocí 20 kontrolních bodů rozmístěných na snímku rovnoměrně, tak aby pokryly celé zájmové území. Souřadnice bodů na hyperspektrálním snímku byly porovnány se souřadnicemi na ortofotomapě. Výsledná směrodatná odchylka je 2,7 m. Pro kontrolu geometrické přesnosti hyperspektrálního snímku z roku 2010 od společnosti DLR a univerzity z Tel Avivu byla využita ortofotomapa v souřadném systému UTM (elipsoid WGS 84) poskytnutá českým zeměměřičským úřadem. Pro analýzu bylo využito 15 kontrolních bodů (Obr. 15, 16), pro které byla změřena poloha na snímku i na ortofotomapě. Z naměřených souřadnic byla dále vypočítána polohová přesnost pomocí směrodatné odchylky: dd n 4 Více informací na http://www.rese.ch/atcor/atcor4/

Kapitola. 3 Zpracování dat a metodika 42, kde d je rozdíl hodnoty změřených na snímku a ortofotomapě a n je počet bodů (v tomto případě 15). Odchylka polohové přesnosti pro snímek s korekcemi z DLR byla stanovena pro souřadnici X = 3,50 m a pro Y =4,75 m. Pro snímek z Tel Avivu byla stanovena polohová přesnost souřadnice X = 2,54 m a Y = 4,48 m (Zachová, 2011). Obr.15-16 Rozložení kontrolních bodů na snímku z roku 2010: 15) snímek s korekcemi z DLR, 16) snímek s korekcemi z Tel Avivu 15) 16) (zdroj:autor) (zdroj:zachová, 2011) 3.3 Spektrální analýza ligninu Analýza ligninu byla provedena na datech z roku 2009. Jedná se o spektrální křivky odrazivosti usušených rozemletých jehlic smrku ztepilého pořízené spektrometrem NIR 6500 a o letecké snímky pořízené senzorem HyMap. I přesto, že nejsou k dispozici laboratorní měření obsahu ligninu pro vzorky z roku 2010, byla provedena analýza z dat spektrometru ASD FieldSpec 3. Na leteckých snímcích byly výpočty pro lignin provedeny pouze pro rok 2009. Pro bližší popis vstupních dat byly vypočítány základní statistické údaje o obsahu ligninu stanoveném laboratorně i pomocí metody PLS. Jedná se především o výpočet průměrných hodnot a směrodatných odchylek reprezentující jednotlivá stanoviště, ročníky a typ větví pro rok 2009. 3.3.1 Metody zpracování dat PLS metoda Obsah ligninu byl laboratorně stanoven pouze u 58 vzorků. Pro určení obsahu ligninu u zbylých 137 vzorků bylo využito spektálních křivek ze spektrometru NIR 6500, na které byla aplikována metoda PLS (partial least square regresion). Jako vstupní data posloužily hodnoty obsahu ligninu zjištěné laboratorně spolu s jejich spektrálními křivkami pořízené

Kapitola. 3 Zpracování dat a metodika 43 spektrometrem NIR 6500 (sušina). Výpočty byly provedeny v softwaru SAS a pro porovnání výsledků i v programu Statistica. Předpis pro výpočet PLS metody v programu SAS je uložen v Příloze č.1. Přesnost výsledků získané metodou PLS záleží na počtu použitých hlavních faktorů (komponent), které popisují proměnnou. Pro vyloučení přebytečných počtů faktorů (složek) metody PLS, byla vypočítána minimální suma čtverců rezidua (PRESS) pro každou složku. Jedná se o diagnostiku, která popisuje, jak se hodnota predikované zbytkové chyby sumy čtverců mění s počtem faktorů použitých ke kalibraci komponent aktivní PLS metody (Šustová a Kuchtík, 2007). Individuální příspěvek každého pozorování je vypočítáno podle vztahu: 2 2 e e 1 h (Hebák *et. al.+, 2005) i( i) i ( ii ), kde e je reziduum i-tého prvku a h je projekční h-prvek (h-hat value). Pro zpřesnění výsledků byla dále použita metoda van der Voeta (1994, cit in SAS/STAT), pomocí které byly komponenty testovány, zda jsou všechny hodnoty signifikantní. Tato metoda navrhuje výběr nejmenšího množství faktorů, jehož reziduum není významně větší než minimální chyba. Jeho kritické hodnoty jsou založeny na rozdílu mezi čtverci předpovídaných reziduí. 2 2 D R R i, jk i, jk i min, jk,kde j je předpovídané residuum pro vzorek k a faktor i. Dále byla vypočítána validace dat pomocí metody cross-validation, kde byl využit hottelingův T 2 test. Jedná se o zobecněný dvouvýběrový Studentův t-test pro vícerozměrná data a slouží k testování středních hodnot výběru z vícerozměrného normálního rozdělení. (Smutný, 2009) Regresní analýza a vícenásobná kroková regresní analýza Spektrometr NIR 6500 a ASD FieldSpec Data ze spektrometrů NIR 6500 a ASD FieldSpec 3 byla seřazena podle názvů stanovišť a byly jim přiřazeny příslušné hodnoty obsahu ligninu získané z laboratoře a pomocí metody PLS. Z literatury byly vybrány nejvhodnější vlnové délky pro detekci ligninu (Tab. 8), pro které byly na základě regresní analýzy stanovovány závislosti obsahu ligninu na vlnových délkách vyjádřené pomocí koeficientu determinace (R 2 ). Dále byla na vybraných vlnových délkách aplikována kroková vícenásobná lineární regrese. Vícenásobná kroková regresní analýza byla poté aplikována na všechny vlnové délky ve snaze najít nejlepší závislost mezi daty. Regresní analýza byla provedena pomocí softwaru Statistica.

Kapitola. 3 Zpracování dat a metodika 44 Tab. 8 Oblasti vlnových délek využité při analýze ligninu uvedené v literatuře. vlnová délka vlnová délka zdroj (nm) (nm) Zdroj 1116 Guo, 2010 1933 Soukupová, 2002 1124 Kokaly and Clark, 1999 2008 Soukupová, 2002 1284 Guo, 2010 2008 Soukupová, 2002 1470 Soukupová, 2002 2061 Dawson et al. 1998 1564 Dawson et al. 1998 2100 Kokaly and Clark, 1999 1660 Martin and Aber, 1997 2143 Soukupová, 2002 1668 Soukupová, 2002 2146 Soukupová, 2002 1680 Dawson et al. 1998 2272 Soukupová, 2002 1688 Soukupová, 2002 2280 Martin and Aber, 1997 1730 Kokaly and Clark, 1999 2287 Soukupová, 2002 1740 Martin and Aber, 1997 2300 Kokaly and Clark, 1999 1846 Soukupová, 2002 2328 Dawson et al. 1998 1870 Soukupová, 2002 1452-1458 Soukupová, 2002 1900 Martin and Aber, 1997 1920-1922 Soukupová, 2002 (zdroj:autor) Senzor HyMap Analýza hyperspektrální snímků pořízených senzorem HyMap se potýká s řadou problémů. Pro analýzu je velmi důležitá jednoznačná identifikace stromů, ze kterých byl proveden odběr vzorků. Poloha stromů byla stanovena s přesností 1 m (kromě stanoviště Mezihorská přesnost 5 m). Nejedná se pouze o problém správného polohového zaměření stromů pomocí GPS, ale také správné prostorové umístění samotného snímku. Pokud je polohová přesnost optimální, lze využít spektrální odrazivosti toho pixelu, ve kterém se nachází měřený strom. Polohová přesnost snímku z roku 2009 provedená v centru výzkumu globální změny AV ČR v Brně, byla určena na 2,7 m. Tuto odchylku je možné zanedbat, pokud se zkoumaný strom nachází uprostřed pixelu. Ve většině případů tomu tak není, a proto je poloha stromů na snímku určena pomocí několika pixelů nacházející se v jeho bezprostřední blízkosti. Protože vzorky byly odebírány ze stromů, které se nacházely v těsné blízkosti, vznikli ucelené oblasti vždy v okolí 5ti stromů. Proto v analýzách disponujeme pouze s 10 proměnnými (oblastmi), které reprezentující naše stanoviště (Tab. 9). Tab. 9 Oblasti vybrané pro analýzy na snímku HyMap číslo polygon stanoviště stromu polygon stanoviště číslo stromu 1 Erika 21-25 6 mezihosrska 31-35 2 Erika 26-30 7 mezihosrska 36-40 3 Habartov 10-15 8 mezihosrska 41-45 4 Habartov 1-5 9 Studenec 51-55

Kapitola. 3 Zpracování dat a metodika 45 5 Habartov 6-10 10 Studenec 56-60 V programu ENVI byly vybráno 10 polygonů reprezentující stanoviště, jejichž hodnoty radiance byly exportovány do textového souboru. Ze spekter pixelů zahrnutých do polygonu byl vypočítán průměr. Průměr byl vypočítán také pro obsahy biochemických látek vzorků z příslušného polygonu. Na výsledná data byla aplikována regresní analýza. Pro porovnání výsledků byly analýzy provedeny také pixely reprezentující každý strom zvlášť. Obsah fenolických látek pro každý strom byl pak vypočítán jako průměrná hodnota obsahu fenolických látek změřených pro horní, spodní patro koruny stromu a pro 1. a 3. ročníky jehlic. Tam, kde se nacházely pozorované stromy v jednom pixelu, byly vypočítány průměrné hodnoty z obou dvou proměnných. Dále byla provedena validace výsledků regresní analýzy z leteckého snímku pro stromy reprezentované jednotlivými pixely. Pro validaci dat bylo ze vstupních hodnot (44 stromů) vybráno 10 vzorků, z nichž každé 2 hodnoty reprezentují jednotlivé stanoviště (Tab. 10). Pro tyto proměnné byly predikovány hodnoty ligninu pomocí regresního modelu. Výsledky byly pak porovnány se skutečným stavem získaným z laboratoře. Jako statistická metoda byla využita směrodatná odchylka. Tab. 10 Vzorky využité pro validaci dat Stanoviště Číslo stromu Erika 23 Erika 27 Habartov 1 Habartov 6 Habartov 14 Mezihorská 33 Mezihorská 35 Mezihorská 43 Studenec 55 Studenec 60 (zdroj:autor) Tvorba ligninové mapy Na základě výsledků získaných z vícenásobné krokové regresní analýzy provedené na datech z leteckého snímku z roku 2009 (pro pixely s využitím celého spektra) byla vytvořena ligninová mapa pro výřezy zájmové oblasti Sokolova o velikosti 1 x 1 km (v místech, kde se nacházely stromy, z nichž byly odebírány vzorky). Cílem Diplomové práce bylo hledání závislosti odrazivosti na obsahu ligninu v jehlicích smrku ztepilého pomocí leteckého snímku pořízeného senzorem HyMap. Proto je pro vytvoření ligninové mapy důležité v první řadě vyklasifikovat oblasti výskytu smrku ztepilého.

Kapitola. 3 Zpracování dat a metodika 46 Pro přesnější klasifikaci leteckých snímků z roku 2009 byla použita subpixelová metoda linear spectral unmixing. Jedná se o model, který počítá procentuální zastoupení jednotlivých druhů povrchů vyskytující se na ploše pixelu. Celková odrazivost pixelu je vypočítána lineární kombinací jednotlivých referenčních spekter, dle vztahu: y i m j 1 a ij x j i, i 1,2,..., n (Zeng et al., 2007), kde y i referenční hodnota v pásmu i pro pixel; a ij hodnota odrazivosti v pásmu i pro referenční pixel j; x j zenámhá hodnota pro referenční pixel j; ε i rozdíl mezi ěmřenou a modlívanou odrazivostí pro pásmo i; m číslo referenčního pixelu; n počet spektrálních pásem Postup klasifikace Pro zjednodušení a pro dosažení co nejpřesnějších výsledků byly na leteckém snímku vybrány čtyři zájmové oblasti o velikosti 1 x 1 km okolo stanoviště Erika, Habartov, Mezihorská a Studenec. Tyto oblasti byly dále klasifikovány zvlášť. Pro každou oblast byly vybrány trénovací množiny (roi), které zastupují základní krajinné typy vyskytující se v oblasti. Tyto množiny byly využity pro klasifikaci metodou linear spectral unmixing. Výsledkem bylo několik frakcí, zastupujících rozložení jednotlivých krajinných typů. Pomocí těchto frakcí byly postupně nástrojem band math vybrány oblasti výskytu polí, luk, ostatních ploch a lesa. Pomocí nástoje masking byla vybrána oblast, reprezentující pouze lesní porosty. Pro rozlišení jednotlivých typů lesa (smrkový, borovicový a lestnatý les) bylo použito třech poměrových indexů.,, Pro další manipulaci s poměry pásem byly indexy spojeny do jednoho obrazu pomocí nástroje Layer stacking v softwaru ENVI. Pomocí těchto pásem byly dále vytvořeny nové trénovací množiny reprezentující oblasti výskytu smrku ztepilého, borovice lesní a listnatých stromů. Borovice od smrku byla rozřazena pomocí spektrálních charakteristik stanovených ze shodného snímku, jejichž poloha byla zaměřena pomocí GPS v rámci projektu: Assessment of Mining Related impacts based on Utilization of ARES Airborne Hyperspectral Sensor. Na vyklasifikovanou oblast smrku ztepilého byla pomocí nástroje band math aplikována rovnice vícenásobné regresní analýzy získaná z dat obsahu ligninu stanoveného z laboratorních dat a spektra sušiny, a z dat leteckého snímku z roku 2009. Rovnice má tvar: y 16,66 0,05 x 0,01x 0,01x 0,07 x 0,008 x 0,03x 0,01x 0,009 x 0,002 1 2 3 4 5 6 7 8 x9, kde x 1 vlnová délka v oblasti 1135 nm; x 2 vlnová délka v oblasti 1149 nm; x 3 vlnová délka v oblasti 985 nm; x 4 vlnová délka v oblasti 1948 nm; x 5 vlnová délka v oblasti 718 nm; x 6 vlnová délka v oblasti 955 nm; x 7 vlnová délka v oblasti 887 nm; x 8 vlnová délka v oblasti 1076 nm; x 9 vlnová délka v oblasti 1433 nm.

Kapitola. 3 Zpracování dat a metodika 47 Výsledný rastr byl exportována do softwaru ArcGis 9.3, kde byla vytvořena tématická mapa zobrazující obsah ligninu ve smrku ztepilém. Výpočet Indexu NDLI, mndli, RLI Na vstupní data pořízená spektrometr NIR 6500, spektrometrem ASD FielSpec 3 a snímek HyMap z roku 2009 byl dále aplikován index NDLI (Normalized Difference Lignin Index). Pomocí regresní analýzy byla stanovena závislost mezi indexem NDLI a obsahem ligninu v jehlicích smrku ztepilého. Index NDLI byl vypočítán podle následujícího vzorce: NDLI log(1/ log(1/ 1754 1754 ) ) log(1/ log(1/ 1680 1680 ) ) (Serrano, 2002) Dále byl hledán nový poměr vlnových délek, který by přesněji vystihl závislost obsahu ligninu na odrazivosti. Na základě dosud známých základních indexů využívaných pro analýzy vegetace byl hledán poměrový index. Byla hledána kombinace vlnových délek, na kterých již dříve byla nalezena závislost odrazivosti na obsahu ligninu. Po vyzkoušení několika vlnových délek byly nalezeny nejlepší výsledky při použití poměru vlnových délek 1620 nm, 2280nm a 2344 nm. Poměry vlnových délek jsme označili jako mndli a RLI a byly vypočítány podle následujícího vztahu: mndli log(1/ log(1/ 1620 1620 ) ) log(1/ log(1/ 2278 2278 ) ), RLI 1620 2344 3.3.2 Výsledky analýzy obsahu ligninu Pro jednotlivá stanoviště byly vypočítány průměrné hodnoty obsahu ligninu (pro rok 2009) a jejich směrodatná odchylka. Průměrné hodnoty obsahu biochemické látky jsou u všech stanovišť podobné. Typická je vyšší hodnota pro jehlice 1. ročníku, kde se hodnoty koncentrace ligninu pohybují okolo 19 % sušiny a to jak pro horní, tak pro spodní větve. Pro 3. ročníky je průměrný obsah ligninu okolo 16 % sušiny (Obr. 17, Příloha č. 2). Hodnoty obsahu ligninu ve vzorcích se pohybují v rozmezí od 12, 26 (% sušiny) do 25,71 (% sušiny).

obsah ligninu (% sušiny) Kapitola. 3 Zpracování dat a metodika 48 Obr. 17 Obsah ligninu v jehlicích smrku ztepilého 25 Horní patro 1. ročník Horní patro 3. ročník Spodní patro 1. ročník Spodní patro 3. ročník 20 15 10 5 0 Habartov Studenec Erika Mezihorská (zdroj: autor) Variabilita vzorků byla stanovena u všech stanovišť velmi podobná. Nejnižší hodnota byla nalezena pro 1. ročníky jehlic spodního patra větví na stanovišti Mezihorská. Nejvyšší variabilita byla naopak nalezena na 1. ročníku jehlic horního parta větví na stanovišti Studenec, kde je také nejvyšší variabilita pro celé stanoviště (3,07). Variabilita celého souboru dat je 2,7 (Příloha č. 3). PLS metoda PLS metoda byla využita pro stanovení obsahu ligninu pro 137 vzorků. Metodou bylo stanovenvo 15 komponent popisující vzath obsahu ligninu a spektrální odrazivosti jehlic smrku ztepilého získané spektrometrem NIR 6500. Pro stanovení optimálního počtu komponent podílející se na analýze bylo vypočítáno minimum koeficientu PRESS, kterého bylo dosaženo na 13 komponentách (hodnota PRESS byla nižší než 1). Dále byl vypočítán van der Voetův test, který stanovil maximální počet vstupních komponent 8 (Příloha č.4). Pro stanovení obsahu ligninu tedy bylo využito 8 komponent, kterými se podařilo vysvětlit 75% z celkové variability (součet čtverců) závisle proměnných (spektrum) (Příloha č.5). Pro 137 vzorků byly následně stanoveny hodnoty obsahu ligninu (Příloha č.6). Shrnutí výsledků je zobrazeno na Obr. 18.

Kapitola. 3 Zpracování dat a metodika 49 Obr. 18 Výsledky validace dat pomocí Cross validace (zdroj: výsledky SAS) (T-square- Hottelingův T 2 test) Regresní analýza Spektrometr NIR 6500 Pro data získaná metodou PLS byla poté hodnocena závislost odrazivosti na obsahu ligninu, které byly již dříve využity pro detekci ligninu. Nejlepšího výsledku bylo dosaženo na vlnové délce 1116 nm s koeficientem determinace R 2 = 0,25 (Příloha č.7). Spektrometr ASD FieldSpec 3 Ve výsledcích regresní analýzy provedené na datech ze spektrometru ASD FielSpec nebyla nalezena žádná závislost. Pro všechny vlnové délky, na kterých byla počítána regrese (Příloha č. 8), byl koeficient determinace stanoven okolo 0. Na stejné vlnové délky byla použita i vícenásobná kroková regresní analýza. Použitou analýzou však nebyla nalezena žádná závislost (R 2 =0). HyMap 2009 a) pro polygony Nejlepší výsledky na datech ze snímku HyMap 2009 se povedlo nalézt v oblasti vlnových délek 1106 nm (R 2 =0,63), 1120 nm (R 2 =0,61) a 1277 nm (R 2 =0,55). Nejhoršího výsledku bylo dosaženo na vlnové délce2314 nm (R 2 =0,18) (Příloha č. 9).

Kapitola. 3 Zpracování dat a metodika 50 b) pro každý strom zvlášť Vlnové délky byly také zkoumány pro data reprezentující každý analyzovaný strom na snímku zvlášť. Z výsledků je patrné, že koeficient determinace byl na všech zkoumaných vlnových délkách stanoven kolem 0 (Příloha č. 10). Vícenásobná kroková regresní analýza Spektrometr NIR 6500 Dále byla na vybrané vlnové délky, získané pro rok 2009 spektrometrem NIR 6500, aplikována vícenásobná kroková regresní analýza. Pomocí regresního modelu se podařilo popsat 68% variability proměnných (Tab.11). Pro analýzu byly použity vlnové délky 1470 nm, 1680 nm, 1688 nm, 1740 nm, 1846 nm, 2008 nm, 2100 nm, 2146 nm, 2300 nm. Podrobné výsledky analýzy jsou uloženy v Příloze č. 11. Tab. 11 Základní statistika regresní analýzy (NIR 6500) R R 2 adjust R 2 F(10,181) p směrodatná odchylka 0,829844 0,68864 0,671438 40,03214 9,87E-41 1,560246 (R-korelační koeficient, R 2 - koeficient determinace; adjut R 2 - přizpůsobený koeficient determinace) (zdroj: autor) Vícenásobná kroková regresní analýza byla poté aplikována také na všechny vlnové délky. Pomocí regresního modelu se podařilo popsat 82% variability proměnných (Tab. 12). Pro analýzu byly použity vlnové délky 1470 nm, 1680 nm, 1688 nm, 1740 nm, 1846 nm, 2008 nm, 2100 nm, 2146 nm, 2300 nm. Rovnice regresní přímky má tedy následující tvar: y 18,92 101,99x x 1 175,87x2 146,14x3 133,73x4 179,42x5 1599,20x6 830x7 512,11x8 165x9 26, 96 10 Ze standardizovaných parciálních regresních koeficientů je zřejmý větší význam vlnové délky 1328 nm a 1364 nm. Nejnižší hladina významnosti byla vypočítána na všech vlnových délkách kromě vlnové délky 1220 nm, zde tedy nemůžeme zamítnout hypotézu o nulových hodnotách regresních koeficientů (Příloha č.12). Tab. 12 Základní statistika výpočtu regresní analýzy pro všechny vlnové délky (NIR 6500) R R 2 adjust R 2 F(10,181) p směrodatná chyba odhadu 0,907 0,822 0,808 58,446 1,69E-42 1,240 (R-korelační koeficient, R 2 - koeficient determinace; adjut R 2 - přizpůsobený koeficient determinace) (zdroj: autor) Spektrometr ASD FieldSpec 3 Na všechny vlnové délky byla dále aplikována vícenásobná kroková regresní analýza. Metodou se podařilo zachytit 37% celkové variability proměnné se směrodatnou odchylkou 1,78. Regresní přímka má tvar (Příloha č. 13):

Kapitola. 3 Zpracování dat a metodika 51 y 26,66 210,29x x 1 723,46x2 492,65x3 444,97x4 316,33x5 261,87x61472, 46 7 HyMap 2009 a) pro polygony Pro polygony byla vypočítána vícenásobná regresní analýza v programu Statistica. Regresním modelem se povedlo definovat 100% variability proměnné se směrodatnou odchylkou 0 (Tab. 13). V analýze byly využity vlnové délky 1135 nm, 1149 nm, 985 nm, 1948 nm, 718 nm, 955 nm, 887 nm, 1076 nm, 1433 nm. Podrobné výsledky jsou uloženy v Příloze č. 14. Rovnice regrese má tvar: y 16,66 0,05x1 0,01x 2 0,01x 3 0,07x4 0,008x5 0,03x6 0,01x 7 0,009x8 0, 002x9 Tab.13 Základní výsledky vícenásobné regresní analýzy (HyMap 2009 polygon) R R 2 adjust R 2 F(9,34) p Sm.odchylka 1 1 1 27569215 0,000148 0,000285 (R-korelační koeficient, R 2 - koeficient determinace; adjut R 2 - přizpůsobený koeficient determinace) (zdroj: autor) b) pro každý strom zvlášť Vlnové délky byly také zkoumány pro data reprezentující každý analyzovaný strom na snímku zvlášť. Z výsledků je patrné, že koeficient determinace byl na všech zkoumaných vlnových délkách stanoven kolem 0 (Příloha č.15). Na všechny vlnové délky ze snímku z roku 2009 byla aplikována vícenásobná regresní analýza. Pomocí 34 vzorků se podařilo zachytit 95% variability se směrodatnou odchylkou 0,37 (Tab. 14). Tab. 14 Výsledky vícenásobné regrese ligninu (HyMap pro pixel) R R 2 adjust R 2 F(9,34) p Sm.odchylka 0,992366 0,98479 0,958171 36,99693 6,95E-08 0,37005 (zdroj:autor) Pro stanovení přesnosti modelu byla vypočítána validace dat z 9 vzorků s využitím směrodatné odchylky, která je 4,83 (Tab. 15). Tab.15 Výsledky validace dat pro analýzu ligninu z leteckého snímku vzorek predikovaný lignin (mg/g) skutečný obsah ligninu (mg/g) vzorek predikovaný lignin (mg/g) skutečný obsah ligninu (mg/g) E23 11,49046 15,99855 M35 24,67612 17,5834 E27 14,71 18,52 M43 14,28521 19,08505 H1 18,71106 15,2489 S55 20,33259 21,20938 H14 24,92144 16,79485 S60 18,0556 18,67063 H6 12,94979 18,57946 (zdroj:autor)

NDLI NDLI Kapitola. 3 Zpracování dat a metodika 52 Výpočet ligninové mapy Ligninová mapa byla vytvořena na základě výsledků vícenásobné krokové regresní analýzy provedené na datech ze senzoru HyMap z roku 2009, která reprezentující každý analyzovaný strom na snímku zvlášť. Výsledky této analýzy byly pak aplikovány na vegetaci smrku ztepilého v okolí zkoumaných stanovišť (zájmové oblasti 1 x 1 km). Přesnost klasifikace byla zhodnocena pomocí chybové matice, která byla vytvořena na základě shodnosti vyklasifikovaného obrazu se 40 body, které byly jednoznačně určeny do správné třídy (smrk ztepilý x ostatní plocha). Na stanovišti Erika byl smrk ztepilý vyklasifikován celkovou přesností 85%, stanoviště Habartov s přesností 87,5%, stanoviště Mezihorská 97,5% a stanoviště Studenec 85%. Výsledné mapy jsou uloženy v Příloze č.33 a č.34 Obsah ligninu v jehlicích smrku ztepilého se na všech stanovištích pohyboval v rozmezí od 6 do 32 (% sušiny). Na stanovišti Studenec převládaji smrky s obsahem ligninu od 21 do 32 (% sušiny). Průměrná hodnota obsahu ligninu na stanovišti Studenec činí 22,5 (% sušiny). Druhé nejvyšší průměrné hodnoty obsahu ligninu ve smrku ztepilém bylo dosaženo na stanovišti Habartov (22,14 % sušiny). Průměrná hodnota obsahu ligninu ve smrku ztepilém na stanovišti Mezihorská je 21,36 (% sušiny) a na stanovišti Erika 20,4 (% sušiny.) Výpočet Indexu NDLI, mndli, RLI Pro všechna data pořízena spektrometrem NIR 6500, ASD FieldSpec 3, a senzorem HyMap v roce 2009 byl vypočítán index NDLI. Pro tento index byla hledána závislost na obsahu ligninu (Obr. 19-22). Nejlepších výsledků se podařilo dosáhnout pro data sušiny ze spektrometru NIR 6500 (R 2 =0,38). Nejhorší výsledek představuje analýza na datech ze spektrometru ASD FieldSpec 3. Obr. 19-22 Závislost indexu NDLI na obsahu ligninu pro spektrometr: 19) NIR 6500, 20) ASD FieldSpec 3, 21) HyMap 2009 (polygon), 22) HyMap 2009 (pixel) 19) 20) 0 0,5-0,01-0,02-0,03-0,04-0,05 y = 1E-05x 2-0,001x - 0,014 R² = 0,388 0,4 0,3 0,2 0,1 y = -0,000x 2 + 0,021x + 0,109 R² = 0,004-0,06 0 10 15 20 25 obsah ligninu (% sušiny) 15 20 25 obsah ligninu (% sušiny)

mndli mndli NDLI NDLI Kapitola. 3 Zpracování dat a metodika 53 21) 22) 0,04 0,03 0-0,004 y = 4E-05x 2-0,001x + 0,002 R² = 0,009 0,02-0,008 0,01 y = 0,000x 2-0,010x + 0,112 R² = 0,323-0,012 0 15 17 19 21 obsah ligninu (% sušiny) -0,016 15 17 19 21 23 obsah ligninu (% sušiny) (zdroj:autor) Dále jsme se pokusili modifikovat index NDLI a aplikovat na něj vlnové délky, které byly již dříve použity pro detekci ligninu. Lepších výsledků se podařilo nalézt při kombinaci vlnových délek 1620 nm, 2280nm a 2344 nm (Obr. 23-26), jejichž poměr popisuje rovnice mndli a RLI: mndli log(1/ log(1/ 1620 1620 ) ) log(1/ log(1/ 2278 2278 ) ), Nejlepších výsledků mndli bylo dosaženo pro data z detektoru HyMap, na kterých bylo vytvořeno 10 polygonů reprezentující zkoumanou oblast. Zde bylo dosaženo koeficientu determinace 0,67. Nejhorších výsledků bylo dosaženo pro data ze spektrometru ASD FieldSpec 3 (R 2 =0,02). Obr. 23-26 Závislost hodnot indexu mndli na obsahu ligninu (% sušiny) 23) NIR 6500, 24) ASD FieldSpec 3, 25) HyMap (z roku 2009 pro polygony), 26) HyMap (z rku 2009 pro každý strom zvlášť) 23) 24) 0,5 0,4 0,3 0,2 0,1 0 y = 6E-05x 2 + 0,001x + 0,274 R² = 0,375 12 17 22 27 obsah ligninu (% sušiny) 0-0,05-0,1-0,15-0,2-0,25-0,3-0,35 RLI 1620 2344 y = -0,000x 2 + 0,010x - 0,369 R² = 0,029 15 20 25 30 obsah ligninu (% sušiny)

RLI RLI RLI RLI mndli mndli Kapitola. 3 Zpracování dat a metodika 54 25) 26) -0,15 0,12-0,155 0,1-0,16-0,165-0,17-0,175-0,18 y = -0,0015x 2 + 0,0519x - 0,6021 R² = 0,7697 15 17 19 21 obsah ligninu (% sušiny) 0,08 0,06 0,04 0,02 0 y = 0,000x 2-0,010x + 0,172 R² = 0,016 15 17 19 21 23 obsah ligninu (% sušiny) (zdroj:autor) Nejlepších výsledků u indexu RLI (Obr. 27-30) se podařilo dosáhnout u dat ze senzoru HyMap (R 2 = 0,67). Regresní křivka má však kvadratický průběh a nelze proto využít pro predikci ligninu. Dále pak u dat ze spektrometru NIR 6500 (R 2 = 0,40). Nejhoršího výsledku bylo opět dosaženo na datech z ASD FieldSpec 3. Obr 27-30: Závislost hodnot indexu RLI na obsahu ligninu: 27) NIR 6500, 28) ASD FielSpec, 29) HyMap (z roku 2009 pro polygony), 30) HyMap (z rku 2009 pro každý strom zvlášť) 27) 28) 0,6 0,5 6 5 0,4 4 0,3 0,2 0,1 y = 0,000x 2-0,010x + 0,612 R² = 0,402 3 2 1 y = 0,002x 2-0,118x + 5,580 R² = 0,007 0 12 17 22 27 obsah ligninu (% sušiny) 0 15 20 25 obsah ligninu (% sušiny) 29) 30) 3,5E-04 3,4E-04 3,3E-04 3,2E-04 3,1E-04 3,0E-04 2,9E-04 2,8E-04 (zdroj:autor) y = 5E-06x 2-0,000x + 0,002 R² = 0,404 16 18 20 22 obsah ligninu (% sušiny) 60 50 40 30 20 10 0 y = -0,313x 2 + 11,30x - 68,67 R² = 0,017 15 17 19 21 23 obsah ligninu(% sušiny)

Kapitola. 3 Zpracování dat a metodika 55 3.4 Spektrální analýza fenolických látek 3.4.1 Metody zpracování dat Pro bližší popis vstupních dat byly vypočítány základní statistické údaje o obsahu fenolických látek stanovených laboratorně. Jedná se především o výpočet průměrných hodnot a směrodatných odchylek reprezentující jednotlivá stanoviště, ročníky a typ větví pro rok 2009 a 2010. Dále byla data z ASD spektrometru a snímku z roku 2010 porovnána pomocí základních metod statistiky, především pomocí směrodatné odchylky vypočítané pomocí vzorce: dd n, kde d je rozdíl reflektance ze spektrometru ASD FielSpec a leteckého snímku z roku 2010; n je počet vzorků. Výsledky analýzy jsou uvedeny v kapitole 3. Zpracování dat a metodika. Data ze spektrometru ASD FieldSpec bylo nutné před porovnáním s leteckým snímkem převzorkovat na stejný počet spektrálních pásem jaké má letecký snímek, tedy na 125 pásem. Převzorkování bylo provedeno pomocí softwaru ENVI. Regresní analýza a vícenásobná kroková regresní analýza Spektrometr NIR 6500 a ASD FieldSpec Pro nalezení závislosti mezi obsahem fenolických látek a příslušné vlnové délky bylo využito dat ze spektrometru NIR 6500 pro data z roku 2009, ADS FieldSpec 3 pro data z roku 2010 a snímky HyMap pro data z roku 2009 a 2010. Podobně jako u ligninu byly z literatury stanoveny nejvhodnější vlnové délky pro detekci fenolických látek (Tab.9). Bylo využito softwaru Statistica, pro výpočet vícenásobné krokové regresní analýzy pro stanovení závislosti mezi vlnovými délkami a obsahem fenolických látek. Této metody bylo využito, jak pro vlnové délky využité již dříve pro detekci fenolických látek (Tab. 16), tak i pro všechny ostatní vlnové délky, za účelem nalézt, pokud možno významnou, závislost mezi daty. Tab.16 Vlnové délky využité pro detekci fenolických látek dle literatury vlnové délky (nm) zdroj vlnové délky (nm) zdroj 710 Ferwerda et al., 2006 1714 Ferwerda et al., 2009 804 Ferwerda et al., 2007 1738 Ferwerda et al., 2010 1454 Soukupová, 2002 1983 Soukupová, 2003 1641 Ferwerda et al., 2008 2146 Ferwerda et al., 2011 1680 Soukupová, 2001 2182 Ferwerda et al., 2012 (Zdroj: autor)

Kapitola. 3 Zpracování dat a metodika 56 Senzor HyMap Regresní analýza hyperspektrálního snímku z roku 2009 byla provedena jak pro 10 polygonů ohraničující oblasti sběru laboratorních dat, tak pro jednotlivé pixely, reprezentující jednotlivé analyzované stromy. Postup práce je totožný jako pro analýzy ligninu (viz. Kapitola 3. Zpracování dat a metodika). Z roku 2010 jsou k dispozici snímky se dvěma typy atmosférických korekcí, které byly provedeny ve výzkumném středisku v Německu (DLR) a na univerzitě v Tel Avivu (TAU). Pro oba snímky byla zpracována regresní analýza, kde byla určována závislost spektrální charakteristiky na laboratorně stanovené koncentraci fenolických látek ve vegetaci. Při snímání hyperspektrálních dat oblasti Sokolov v roce 2010 se vyskytovala nad územím nízká oblačnost. Překryla stanoviště v místech stanoviště Habartov v místech stromů č.11 15 (Obr.31). Tyto stromy nebyly do analýzy zahrnuty. Protože na snímku z roku 2010 se vyskytují větve stejného stáří větví odebraných pro stanovení biochemických látek v roce 2009 i 2010, analýzy provedené na snímku z roku 2010 využívají všech hodnot o obsahu fenolických látek získaných v roce 2009 i 2010. Tyto hodnoty byly pak pro jednotlivé stromy průměrovány. Obr.31 Stanoviště Habartov zastíněné mraky (zdroj:autor) PLS metoda Tato metoda byla primárně využita pro stanovení obsahu ligninu pomocí 58 vstupních vzorků. V návaznosti na tuto analýzu, byl shodný postup aplikován také pro stanovení obsahu fenolických látek. Protože jsou k dispozici laboratorní stanovení obsahu fenolických látek pro všechny vzorky, byla tato data ideální pro porovnání přesnosti predikce fenolických látek. Jako vstupní data pro analýzu bylo použito 58 vzorků totožných se vstupními vzorky pro lignin (Příloha č. 16). Analýza byla provedena postupně pro obsah fenolických látek přepočítaných na čerstvou hmotu (mg/g) a na sušinu (mg/g). Predikce dat proběhla na 137 vzorcích.