Analiza Urbanizacije Grada Zagreba

SVEUČILIŠTE U ZAGREBU
GEODETSKI FAKULTET
Antonija Veselski
Analiza urbanizacije grada Zagreba
Diplomski rad
Zagreb, 2019.
UNIVERSITY OF ZAGREB
FACULTY OF GEODESY
Antonija Veselski
Analysis of Urbanization of Zagreb
Diploma Thesis
Zagreb, 2019
GEODETSKI FAKULTET
Na temelju članka 19. Etičkog kodeksa Sveučilišta u Zagrebu i Odluke br.:

1_349_11 Fakultetskog vijeća Geodetskog fakulteta Sveučilišta u Zagrebu,
od 26. 10. 2017. godine (klasa: 643-03/16-07/03), ureĎena je obaveza
davanja „Izjave o izvornosti“ diplomskog rada / specijalističkog rada /
doktorskog rada koji se vrednuju na diplomskom studiju, specijalističkom
studiju i poslijediplomskom doktorskom studiju geodezije i geoinformatike,
a u svrhu potvrĎivanja da je rad izvorni rezultat rada studenta te da taj rad ne
sadrţava druge izvore osim onih koji su u njima navedeni.
IZJAVLJUJEM
Izjavljujem da je moj diplomski rad / specijalistički rad /

doktorski rad izvorni rezultat mojeg rada te da se u izradi tog rada
nisam koristio drugim izvorima osim onih koji su u njemu
navedeni.
Datum: Ime i prezime:
Klasa: 643-03/16-07/03, Urbroj: 380-65-09-03-17, Odl. br.: 1_349_11, Točka II.: Prilog 2.
Veselski, A. Diplomski rad
Za početak veliko hvala mom mentoru izv. prof. dr. sc. Mladenu Zrinjskom na podršci i
pristupačnosti kod izrade diplomskog rada. Također, veliku zahvalnost dugujem i doc. dr.
sc. Mateu Gašparoviću koji me podržao u izboru teme, osigurao materijale i uvijek bio
spreman pružiti savjet kako vezano za diplomski tako i za budućnost. Hvala Vam na
strpljenju i uloženom vremenu!
Posebno hvala prijateljima koje sam upoznala upravo ovdje, na fakultetu. Zahvaljujući
Vama proživjela sam najlijepših pet godina i u životu osim znanja i diplome dobila ono
najvažnije - prave prijatelje! Pamtit ću sva naša učenja, druženja i izlaske i znam da će ih
biti još!
Hvala i mojim curama iz Bjelovara i svim ostalim prijateljima i kolegama sa posla koji su
u nekom periodu života bili uz mene i ovaj studentski život učinili zabavnim.
I za kraj, najviše hvala mojoj obitelji, roditeljima Marijani i Draženu, bratu i cimeru
Leonu. Hvala Vam što ste vjerovali u mene, što ste se žrtvovali i omogučili mi sve i puno
više od toga, bez Vas ovo ne bi bilo moguće.
Veliko HVALA svima!
iv
GEODETSKI FAKULTET
ZAVOD ZA PRIMIJENJENU GEODEZIJU
KATEDRA ZA INSTRUMENTALNU TEHNIKU
STUDENTICA: Antonija Veselski
ZADATAK ZA DIPLOMSKI RAD
U diplomskom radu potrebno provesti detekciju i praćenje promjena zemljišnog pokrova u

urbanom okolišu grada Zagreba u razdoblju od 1985. – 2017. godine s vremenskim
intervalom svake dvije godine.
U tu svrhu je potrebno obraditi sljedeće:
 Preuzeti satelitske snimke,

 Provesti klasifikaciju scena snimki,
 Analizirati i vizualizirati dobivene rezultate
U Zagrebu, 19. veljače 2018. godine
Mentor:
izv. prof. dr. sc. Mladen Zrinjski
v
I. AUTOR
Ime i prezime: Antonija Veselski

Datum i mjesto roĎenja: 21. 08. 1994., Bjelovar, Hrvatska
II. DIPLOMSKI RAD
Naslov: Analiza urbanizacije grada Zagreba

Mentor: izv. prof. dr. sc. Mladen Zrinjski
Drugi mentor: doc. dr. sc. Mateo Gašparović
Voditelj:
III. OCJENA I OBRANA
Datum zadavanja zadatka: 19. 02. 2018.

Datum obrane: 12. 07. 2019.
Sastav povjerenstva pred kojim je izv. prof. dr. sc. Mladen Zrinjski
branjen diplomski rad:
doc. dr. sc. Mateo Gašparović
prof. dr. sc. Đuro Barković
vi
Analiza urbanizacije grada Zagreba
SAŽETAK: Jedan od problema današnjice je iseljavanje stanovništva iz ruralnih dijelova u

urbane. Gradovi postaju prenaseljeni, a posljedično tome i preizgraĎeni. Zbog velike
potrebe za novim stambenim i poslovnim objektima u zadnjih nekoliko desetaka godina,
zelene zone poput parkova nerijetko postaju izgraĎene. U gradovima se sve manje mjesta
ostavlja prirodi. Urbana vegetacija ima veliki utjecaj na kvalitetu ţivota u gradovima.
Tema ovog istraţivanja je detekcija i praćenje promjena zemljišnog pokrova u urbanom
okolišu poput promjena urbane vegetacije, izgraĎenog zemljišta i dr. Prostorno-vremenska
analiza urbanizacije provedena je na području grada Zagreba kroz vremensko razdoblje od
32 godine. Prostorni podaci potrebni za analizu prikupljeni su satelitskim misijama
Landsat. Multispektralne satelitske snimke prostorne rezolucije 30 m x 30 m korištene su
za klasifikaciju zemljišnog pokrova u 5 klasa (vodena površina, izgraĎeno zemljište, niska
i visoka vegetacija i zemlja). Klasifikacija svih satelitskih snimaka provedena je na bazi
metode nadzirane klasifikacije, random forest i velikog broja trening uzoraka. Svojom
točnošću i brzinom provedbe klasifikacije, random forest pokazala se optimalnom
metodom u ovom istraţivanju. Temeljem izraĎenih klasifikacija detektirane su promjene
zemljišnog pokrova s posebnim naglaskom na izraĎeno zemljište i urbanu vegetaciju. Cilj
ovog istraţivanja je ukazati na moguće problematične zone u urbanizaciji grada Zagreba te
dati smjernice za lokacije na kojima bi se trebalo poticati razvoj urbane vegetacije. Ova
tema vaţna je za širu stručnu i znanstvenu zajednicu jer je neophodno kontinuirano
praćenje razvoja urbanih područja radi kvalitetnog prostornog planiranja kao vaţnog
čimbenika koji utječe na kvalitetu ţivota u gradovima.
Ključne riječi: detekcija promjena zemljišnog pokrova, daljinska istraživanja, Landsat,

Zagreb, nadzirana klasifikacija
vii
Analysis of Urbanization of Zagreb
ABSTRACT: One of the biggest issues in the last few decades is the emigration of the
population from rural to urban areas. Cities become overbought and consequently
overbuilt. Due to the great need for new residential and business facilities in the last few
decades, green areas such as parks are often built. Urban vegetation has a major impact on
the quality of life in cities. The topic of this research is the detection and monitoring of
changes in the land cover in the urban environment such as changes in urban vegetation,
built land etc. Spatial and temporal analysis of urbanisation has been conducted in the city
of Zagreb over a period of 32 years. Spatial data required for analysis were collected by the
Landsat satellite missions. Multispectral spatial resolution 30 m x 30 m satellite images
were used to classify the land cover in 5 classes (built ground, low and high vegetation,
earth and water). Classification of all satellite images was done based on the method of
supervised classification, random forest and a large number of training samples. With its
accuracy and speed of implementation of the classification, random forest proved to be the
optimal method in this research. Based on the compiled classifications, the changes in the
land cover have been detected, with particular emphasis on land and urban vegetation. This
study aims to point out the possible problematic zones in the urbanisation of the city of
Zagreb and to provide guidelines for locations where the development of urban vegetation
should be encouraged. This topic is important for a wider professional and scientific
sommunity beacuse it is necessary to continuously monitor the development of urban areas
for quality spatial planning as an important factor affecting the quality od life in cities.
Keywords: land-cover change detection, remote sensing, Landsat, Zagreb, supervised

classification
viii
S A D R Ţ A J
1. UVOD .......................................................................................................................1
2. DOSADAŠNJA ISTRAŢIVANJA I SPOZNAJE ...................................................2
2.1. PODRUČJE ISTRAŢIVANJA .......................................................................................3
3. DALJINSKA ISTRAŢIVANJA ...............................................................................5

3.1. ELEKTROMAGNETSKO ZRAČENJE ............................................................................6
3.2. SPEKTAR ELEKTROMAGNETSKOG ZRAČENJA ...........................................................8
3.3. INTERAKCIJA ELEKTROMAGNETSKOG ZRAČENJA SA POVRŠINOM ........................... 10
4. IZVORI PODATAKA............................................................................................ 13
4.1. SENZORI .............................................................................................................. 13
4.2. LANDSAT 4 (1982. – 2011.) .................................................................................. 14
4.3. LANDSAT 5 (1984 – 2013) .................................................................................... 18
4.4. LANDSAT 8 OLI (2013. – DANAS ) ........................................................................20
4.5. PREUZIMANJE LANDSAT PODATAKA .....................................................................25
5. KORIŠTENI SOFTVERI ...................................................................................... 27

5.1. QGIS 3.4 MADEIRA ............................................................................................. 27
5.2. SAGA GIS .......................................................................................................... 29
5.3. MICROSOFT EXCEL .............................................................................................. 30
6. METODOLOGIJA ISTRAŢIVANJA...................................................................31
6.1. PREDOBRADA SATELITSKIH SNIMKI .......................................................................31
6.2. PRIKUPLJANJE REPREZENTATIVNOG SETA TRENING UZORAKA ................................ 32
6.3. KLASIFIKACIJA SNIMKI ......................................................................................... 32
6.3.1. Random Forest metoda klasifikacije ............................................................. 33
6.4. OCJENA TOČNOSTI KLASIFIKACIJE.........................................................................34
7. REZULTATI ISTRAŢIVANJA ............................................................................ 36

7.1. REZULTATI KLASIFIKACIJE ZA PODRUČJE GRADA ZAGREBA ...................................36
7.1.1. Rezultat klasifikacije za 1985. godinu........................................................... 36
7.1.2. Rezultati klasifikacije za 1987. Godinu ......................................................... 37
7.1.3. Rezultati klasifikacije za 1989. godinu.......................................................... 38
ix

7.2. INTERPRETACIJA I ANALIZA REZULTATA KLASIFIKACIJE.........................................53
8. ZAKLJUČAK ........................................................................................................58
9. LITERATURA .......................................................................................................59
10. POPIS MREŢNIH ADRESA ................................................................................. 62
11. POPIS SLIKA ........................................................................................................66
12. POPIS TABLICA ...................................................................................................68
13. DIGITALNI PRILOZI .......................................................................................... 69
14. ŢIVOTOPIS ........................................................................................................... 70
x
1. UVOD
Pojam urbanizacije podrazumijeva razvoj gradova izraţen porastom gradskog

stanovništva, promjenu zemljišnog pokrova i izmjenu socioekonomske i demografske
strukture gradova. Trend rasta broja stanovnika na globalnoj razini uzrokuje promjene u
strukturi gradova kao i u strukturi zemljišnog pokrova. Poznato je kako transformacija
zemljišta i načina korištenja danas imaju veći utjecaj na kvalitetu ţivota i zdravlje od
klimatskih promjena stoga je vaţno provoditi analize i istraţivanja koja će poboljšati samu
kvalitetu ţivota u urbanim sredinama.
Naslov diplomskog rada, „Analiza urbanizacije grada Zagreba“, sadrţi nekoliko ključnih
pojmova koji precizno definiraju tematiku istraţivanja. Pojam analiza urbanizacije
objedinjuje promjene zemljišnog pokrova i način korištenja zemljišta povezano sa
razvitkom gradova. Svi ti procesi zajedno odraz su interakcije društva i okoliša. Drugi
pojam je pojam grada kojeg u ovom radu predstavlja grad Zagreb. Grad je teritorijalna,
relativno samostalna funkcionalna zajednica nastala dugotrajnim društvenim procesima u
odreĎenom prostoru radi zadovoljavanja odreĎenih potreba kroz koju čovjek, doţivljava i
cijelo društvo (Bjelajac, 2010). Teritorij grada Zagreba iznimno je vaţan za Republiku
Hrvatsku zbog svog geografskog i socioekonomskog statusa. Zbog velike koncentracije
stanovništva i ubrzanog procesa urbanizacije zahtjeva detaljnije analize promjena unutar
gradske strukture.
Kako bi utvrdili promjene na području grada Zagreba korištene su tehnike daljinskih

istraţivanja. Cilj daljinskih istraţivanja je pruţiti brzo i ekonomično dobivanje preciznih
informacija na relativno velikim područjima. Cijelo istraţivanje temelji se na
multispektralnim satelitskim snimkama misija Landsat preuzete za vremensko razdoblje od
trideset i dvije godine (1985. do 2017. godine) sa vremenskim intervalom od dvije godine.
U ovom radu će se osim kartografska vizualizacija stanja zemljišnog pokrova odreĎenih
godina priloţiti i brojčani podaci o količini i udjelu odreĎene vrste zemljišnog pokrova.
Zaključno, rezultat klasifikacije biti će i statistički podaci koji su uzročno-posljedično
povezani s promjenama u obliku tablica i grafova. Princip obrade i analize satelitskih
snimki primjenjiv je za bilo koje područje te daje konkretne rezultate iskoristive u srodnim
istraţivanjima
1
2. DOSADAŠNJA ISTRAŢIVANJA I SPOZNAJE
Istraţivanja promjena zemljišnog pokrova zahtijevaju suradnju i interakciju raznih

znanstvenih područja (prirodne znanosti, geoinformatike i dr.), potaknuta razvojem
daljinskih istraţivanja i računalne tehnologije povezanih putem geografskih informacijskih
sustava.
Jedno od prvih istraţivanja u kojima se ispitivao potencijal satelitskih snimaka u svrhu

praćenja promjena zemljišnog pokrova u urbanim područjima su objavljena u radovima
Alberti i dr. (2004), Goetz i dr. (2004), i Yang (2002). Zaključci prethodno navedenih
istraţivanja jasno su ukazivala kako daljinska istraţivanja temeljena na satelitskim
snimkama imaju veliki potoštirencijal za pruţanje točnih i pravodobnih geoprostornih
informacija. Od ostalih istraţivanja problematike koju moţemo usporediti sa temom ovog
istraţivanja, istaknuti ćemo istraţivanje Lyons i dr., 2012. koje prati promjene u
zemljišnom pokrovu na području Queenslanda-a u Australiji u periodu od 1972. do 2010.
godine na temelju objektno-orijentirane analize snimki. Slično istraţivanje provedeno je i
na području Malezije (Tan i dr., 2010).
Slično kao i kod istraţivanja u svijetu i hrvatski znanstvenici provodili su razne analize
zemljišta. U početku analize su se provodile bez prostornog pristupa. Neki od prvih
značajnijih istraţivanja su radovi (Crkvenčić, 1958., Rogić, 1959.) koji su se preteţito
bazirali na promjenama u poljoprivredi. Testiranjem utjecaja fuzije odnosno izoštravanja
satelitskih snimaka na točnost klasifikacije zemljišta provedeno je u istraţivanju
Gašparović i Jogun, 2018. Primjenu metoda daljinskih istraţivanja moţemo pronaći u
doktorskom radu „Objektno orijentirana klasifikacija zemljišnog pokrova pomoću
multispektralnih satelitskih snimaka – primjer grada Zagreba“ (Valoţić, 2015) u kojem je
struktura grada Zagreba dovedena u vezu s tipovima urbaniziranih i ruralnih naselja. U
interesantnom istraţivanju, Gašparović i dr. (2017) provele su se analize urbanizacije na
području grada Splita. Kada se govori o problemu urbanizacije, veliku vaţnost i paţnja
danas se posvećuje detekciji i praćenju urbane vegetacije (Gašparović i dr. 2018).
2
2.1. Područje istraţivanja
Područje interesa i prostor istraţivanja ovog rada je grad Zagreb. Grad Zagreb ujedno je
glavni i najveći grad Republike Hrvatske s površinom od 641355 km2 (Slika 2.1). Prema
aktualnom popisu stanovništva iz 2011. godine, grad broji 790017 stanovnika, dok cijelo
urbano i gravitirajuće područje broji oko 1,1 milijun. Danas, Zagreb predstavlja
administrativno, gospodarsko, kulturno i znanstveno središte Hrvatske te zbog svoje
vaţnosti čini samostalnu teritorijalnu i samoupravnu jedinicu koja ima status ţupanije.
Geografski gledano Zagreb se nalazi na 15° 59’ istočne zemljopisne duţine i 45° 49’
sjeverne zemljopisne širine. Nalazi se u kontinentalnoj središnjoj Hrvatskoj i smjestio se
podno juţnih obronaka Medvednice, a prostrana ravnica i rijeka Sava glavne su
karakteristike juţnog dijela grada. Povoljan geografski poloţaj izmeĎu Panonske nizine,
ruba Alpa i Dinarida svrstao je grad Zagreb u jedno od najvaţnijih prometnih čvorišta
izmeĎu Srednje i Jugoistočne Europe i naravno Jadranskog mora. Vaţno je istaknuti da sve
glavne autoceste u Hrvatskoj prolaze kroz Zagreb i granaju se prema raznim dijelovima
drţave (URL 1).
Na samom području grada Zagreba još 1999. osnovane su gradske četvrti i mjesni odbori
kao oblici mjesne samouprave, ukupno 17 gradskih četvrti i 218 mjesnih odbora. Četvrti se
neformalno dijele na „kvartove“, odnosno manje četvrti odreĎene specifičnom izgradnjom,
urbanizmom, arhitekturom i stanovništvom koje ih naseljava.
Najvaţnije grane gospodarstva u Zagrebu su: proizvodnja električnih aparata, kemijska,

farmaceutska i tekstilna industrija, te industrija hrane. Zagreb je meĎunarodno trgovinsko i
poslovno središte, te prometno raskriţje izmeĎu Srednje i Istočne Europe. Klima u Zagrebu
je umjerena kontinentalna, ljeta su vruća i suha s prosječnim temperaturama od 20 °C, dok
su zime hladne s prosječnim temperaturama od 1 °C (URL 2).
3
Slika 2.1: Područje istraživanja, podloga: Landsat 8 na 19.07.2015 (Zrinjski i dr., 2018)
4
3. DALJINSKA ISTRAŢIVANJA
Daljinska istraţivanja (engl. Remote sensing, njem. Fernerkundung, fra. teledetection,

tal. telerilevamento) danas su nezaobilazna metoda u brojnim znanstvenim područjima, a
dobiveni rezultati zahvaljujući razvoju računalnih tehnologija nalaze široku primjenu u
različitim disciplinama. Riječ je o metodi prikupljanja i interpretaciji informacija o
udaljenim objektima bez fizičkog dodira s objektom. Uključuje sve aktivnosti od snimanja,
procesiranja, analiziranja, interpretacije do dobivanja informacija iz podataka prikupljenih
tim istraţivanjem (Frančula i dr., 1994). Daljinska istraţivanja se najčešće, ali ne i uvijek,
bave opaţanjem Zemlje. Podaci se dobivaju iz velike udaljenosti (od nekoliko stotina do
nekoliko tisuća kilometara) instrumentima postavljenim u zračne ili svemirske letjelice.
Daljinsko istraţivanje je postupak koji se temelji na interakciji upadnih elektromagnetskih
zračenja (svjetlosti) sa opaţanim predmetima te se taj proces moţe podijeliti na sedam
etapa (Oštir i Mulahusić, 2014):
1. Izvor elektromagnetskog zračenja (A) – Prvi uvjet za daljinska istraţivanja je izvor

elektromagnetnog zračenja, koji osvjetljava opaţane predmete ili to zračenje
stvaraju sami predmeti. Najčešći izvor zračenja je Sunce, a kod daljinskih
istraţivanja koriste se i umjetni izvori zračenja (antene) i vlastito (toplinsko)
zračenje objekata (predmeta).
2. Put kroz atmosferu (B) – Kada valovi putuju kroz atmosferu sa njom dolazi do
interakcije. Valovi prolaze kroz atmosferu u jednom (od površine do senzora) ili u
dva smjera (od izvora energije – Sunca ili aktivnog instrumenta – na površinu i
natrag)
3. Inetrakcija s površinom (C) – Kada val doĎe do površine Zemlje dolazi do
meĎudjelovanja. Način meĎudjelovanja ovisi o svojstvima površine i samog vala.
4. Detekcija zračenja senzorom (D) – Nakon što se val rasprši po površini, ili ako
sama površina emitira valove, te valove potrebno je detektirati senzorom (koji je
udaljen, tj. nije u kontaktu s objektom). Senzori otkrivaju elektromagnetske valove
i pretvaraju ga u odgovarajući zapis (fotografiju ili digitalnu sliku).
5. Prijenos, primanje i obrada (E) – U pravilu, signali koje biljeţi senzor trebaju se
radio signalima prebaciti u elektronički oblik do prijemne stanice na Zemlji. Podaci
se obraĎuju u prijemnoj stanici i iz njih kreiramo snimke (slike) u analognom ili (i)
u digitalnom obliku (u novije vrijeme).
5
6. Interpretacija i analiza (F) – ObraĎeni snimak (sliku) potrebno je interpretirati,

vizualno ili digitalno, pri čemu pokušavamo doći do što više informacija o
promatranom objektu.
7. Korištenje (G) – Posljednji, ali vjerojatno i najvaţniji element u procesu daljinskih
istraţivanja je korištenje informacija koje smo dobili analizom u odreĎenim
studijama ili rješavanju konkretnog problema.
Cilj daljinskih istraţivanja je brzo i ekonomično dobivanje preciznih informacija o

relativno velikim područjima. Sustavnim ponavljanjem snimanja moguće je pratiti i
registrirati dnevne, sezonske i godišnje promjene neke pojave. Objekt daljinskih
istraţivanja su svi elementi Zemljine površine i atmosfere u vidnom polju senzora (Oluić,
2001).
3.1. Elektromagnetsko zračenje
Kao što je prethodno navedeno prvi uvjet za daljinska istraţivanja je elektromagnetsko

zračenje stoga je vaţno razumjeti kretanje elektromagnetskih valova kroz atmosferu i
načine interakcije sa objektima na Zemljinoj površini. U ovom poglavlju detaljnije će se
objasniti karakteristike elektromagnetskog zračenja što će posluţiti kao uvod i objašnjenje
osnovnih pojmova i postupaka koji su se koristili kod provoĎenja klasifikacije i analize
Landsat snimki za područje grada Zagreba.
Elektromagnetsko zračenje, kao produkt nuklearnih reakcija unutar Sunca, putuje kroz
svemir zatim atmosferu kako bi došlo do zemljine površine. Na tom putu zračenje dolazi u
interakciju sa objektima na površini, pri čemu se dio zračenja apsorbira, dio propusti, a
ostatak odbije. Zračenje je kombinacija oscilirajućeg električnog polja (E) i magnetskog
polja (H) koja su okomita na smjer širenja zračenja i u meĎusobno su okomitom odnosu
(Slika 3.1). Elektromagnetsko zračenje, kao pojavu širenja vala, moţemo opisati kroz
sljedeća tri svojstva (Slika 3.2):
 Valnom duljinom (λ)

 Frekvencijom (ν)
 Amplitudom (A)
6
Slika 3.1: Slika prikazuje oscilacije (amplitude) električnog (E) i magnetskog polja (H) koje čine
elektromagnetsko zračenje i njihov međusobni odnos (URL 3)
Valna duljina (λ) je najmanja udaljenost izmeĎu dvije čestice koje titraju u fazi odnosno
razlika izmeĎu dva vrha ili dola vala. Jedan puni val ujedno predstavlja i jedan puni titraj
čestice, a broj valova koji u sekundi proĎu istom točkom naziva se frekvencijom tog vala.
Valna duljina je obrnuto proporcionalna frekvenciji, a izračunava se (1) dijeljenjem brzine
(c) kojom se val rasprostire u prostoru ili sredstvu kojim se širi sa frekvencijom tog vala
(ν):
c
, (1)
pri čemu je c brzina svjetlosti, koja je samo u praznom prostoru (vakuumu) konstanta i
iznosi = 299.792,458 . U vakuumu se elektromagnetski valovi šire brzinom
svjetlosti dok se pri prolasku kroz plinove ili tekućine dijelovi spektra mogu apsorbirati
odnosno rasipati pri kaotičnom kretanju čestica.
7
Slika 3.2: Slikovni prikaz valne duljine i amplitude elektromagnetskog vala (URL4)
Jedna od karakteristika elektromagnetskog zračenja je ta da se širi i putuje u obliku vala,

ali isto tako elektromagnetsko zračenje moţemo definirati i sa stajališta prijenosa energije
(E) mnoštvom čestica (fotona) kroz prostor. Na taj način elektromagnetskom valu
pridodajemo i čestična obiljeţja. Energija (E) fotona je direktno povezana sa frekvencijom;
što je veća frekvencija to je veća i energija fotona. Taj odnos opisan je Plankovom
relacijom gdje je h Plankova konstanta (h 6.626 Js). Odnos zapisujemo
formulom (2):
, (2)
Elektromagnetske valove je teorijski predvidio James Maxwell pokušavajući objasniti

efekte indukcije električne struje u magnetskim poljima i obrnuto. Kasnije je Heinrich
Rudolf Hertz potvrdio ovu teoriju proizvevši radiovalove jednostavnom oscilacijom
(titranjem) električne struje kroz provodnik, kako je i sam Maxwell predvidio. Osobine
elektromagnetskog zračenja ovise o njegovoj valnoj duljini. Cijeli opseg valnih duţina
elektromagnetskog zračenja se zove elektromagnetski spektar (URL 5).
3.2. Spektar elektromagnetskog zračenja
Karakteristike elektromagnetskog zračenja ovise o njegovoj valnoj duljini i frekvenciji pa

se na temelju toga dijeli na: električne, radio i mikro-valove, infracrvenu, vidljivu,
ultraljubičastu svjetlost, X-zrake i gama zrake. Ukupan opseg valnih duljina svih
navedenih vrsta zračenja naziva se elektromagnetski spektar (Slika 4.3).
8
Slika 3.3: Prikaz spektra elektromagnetskog zračenja (URL 6)
Raspon valnih duljina elektromagnetskog spektra proteţe se od desetinke pikometra do

nekoliko stotina kilometara, dok frekvencije navedenih dijelova spektra zauzimaju raspon
od do . Kod elektromagnetskog zračenja, uz valnu duljinu i frekvenciju,
definirali smo i energiju kao čestično svojstvo. Prema tome poznato je kako čestice koje se
kreću vrlo brzo, toplija tijela i tijela veće energije, emitiraju visokoenergetska zračenja, a
hladnija i sporija tijela nisko energetska zračenja kao što su radio-valovi.
Raspon valnih duljina radio valova je od 100 m do 1 mm. Koriste se za prijenos podataka,
a najčešće se njima sluţe televizijski i radijski odašiljači. Primjer radio-valova su zračenja
iz Svemira. Nakon radio-valova slijede mikro-valovi koji se nalaze u okviru područja od 1
m do 1 mm. Isto kao i kod radio-valova izvor su elektronski ureĎaji, a najčešće se
primjenjuju u komunikacijskim sustavima i radarskoj tehnici. Slijedi infracrveno zračenje
u rasponu valnih duljina od 1 mm do 750 nm gdje valove emitiraju molekule plina i
uţarena tijela. Infracrveno zračenje ima široku primjenu u industriji, medicini, astronomiji
kao i u istraţivanjima molekulske strukture. Moţe se podijeliti na tri dijela, i to na: dalje
infracrveno (10 – 1 mm), srednje infracrveno (2,5 – 10 ) i blisko infracrveno
(750 nm – 2,5 ).
Najpoznatiji i vrlo uski dio spektra od 380 nm do 780 nm obuhvaća vidljiva svjetlost.
Svakoj valnoj duljini unutar spektra pripada jedna boja i to su: crvena (625 – 740 nm),
narančasta (590 – 625 nm), ţuta (565 – 590 nm), zelena (520 – 565 nm), tirkizna (500 –
520 nm), plava (430 – 500 nm) i ljubičasta (380 – 430 nm). Nakon vidljivog dijela spektra
slijedi ultraljubičasto svjetlo, koje pokriva valne duljine izmeĎu 0,3 i 30 nm. Poznati su
štetni učinci prekomjerne izloţenosti koţe ultraljubičastom svjetlu upravo zbog promjena
9
struktura molekula u doticaju s ultraljubičastim zračenjem. Sunce emitira velike količine

ovog zračenja, koje se većinom apsorbira u atmosferi. Još jedno od opasnih zračenja za
ljude su X-zrake, valnih duljina izmeĎu 10 nm i 100 pm. Njihova primjena je najčešća u
medicini, astronomiji i fizici pri kontroliranim uvjetima. Podjelu završavamo sa Gama
zrakama koje predstavljaju elektromagnetsko zračenje najveće energije. Koriste se u
nuklearnoj medicini za istraţivanja i liječenje, kao i kod astronomije pri opaţanju
visokoenergetskih objekata i područja. Za potrebe provoĎenja istraţivanja ovog
diplomskog rada i prilikom primjene metoda daljinskih istraţivanja koristi se samo
ograničeni dio elektromagnetskog spektra, odnosno vidljiva svjetlost, infracrvena svjetlost
i mikro-valovi (Oštir i Mulahusić, 2014)
3.3. Interakcija elektromagnetskog zračenja sa površinom
Kao što je prethodno navedeno daljinsko istraţivanje je postupak koji se temelji na

interakciji upadnog elektromagnetskog zračenja (EM), koje se nije apsorbiralo ili rasipalo
u atmosferi, sa opaţanim predmetima. Taj se proces moţe podijeliti na nekoliko etapa, a
jedan od njih je i interakcija EM zračenja sa površinom. Način interakcije ovisi o
svojstvima površine i vala. Valna duljina kao svojstvo vala definira refleksiju odnosno tzv.
spektralni potpis koji omogućava identifikaciju objekata na površini. Tri su glavna načina
interakcije EM zračenja sa površinom: apsorpcija, transmisija i refleksija.
Slika 3.4: Slikovni prikaz interakcije EM zračenja s određenom površinom (URL 7)
10
Apsorpcija je prijenos energije valova na materiju prilikom prolaza vala kroz nju; upijanje
različitih vrsta elektromagnetskog zračenja koje se pritom pretvara u toplinu ili neki drugi
oblik energije. Iznos apsorpcije ovisi o tvari koja upija zračenje i njezinoj debljini. Tvari
selektivno upijaju odreĎene vrste zračenja, npr. ţuto staklo (filtar) propušta zeleni i crveni
dio spektra, a apsorbira plavi. Transmisija je prenošenje zračenja kroz medij bez promjene
valne duljine. Ovisno o fizikalnim svojstvima materijala, dio spektra će se reflektirati i/ili
apsorbirati, a ostatak će biti transmitiran. Refleksija zračenja je promjena smjera širenja
vala, tj. odbijanje vala od nekog objekta čime mijenja smjer svog širenja. Promjena smjera
opisuje se pomoću upadnog kuta i kuta refleksije, točnije, upadni kut jednak je kutu
refleksije. Pošto većina realnih tijela nema savršeno glatku površinu, normale na površinu
bit će različite za pojedine upadne valove zračenja dok su upadni kutovi uvijek isti,
odnosno, na grubljim površinama reflektirane zrake bit će raspršene u različitim
smjerovima. Zato se refleksija dijeli na zrcalnu i difuznu (Berns, 2010).
Slika 3.5: Grafički prikaz spektralne refleksije određenih elemenata na Zemljinoj površini; refleksija(%),
valna duljina ( )(URL 8)
11
Za interpretaciju i klasifikaciju podataka daljinskih istraţivanja izrazito je bitna spektralna

refleksija odreĎenih elemenata na površini Zemlje. Što se tiče vegetacije, na spektralnu
refleksiju utječu količina pigmenta (klorofil A i B), količina vode u lišću, refleksivna
svojstva asimilacijskih organa, njihov poloţaj, reljef gornje površine vegetacije, fenološko
i fiziološko stanje. Sam klorofil u vegetaciji dobro apsorbira valove zračenja u crvenom i
plavom dijelu vidljivog spektra, a odbija u zelenom. Iz tog razloga vegetaciju vidimo kao
zelenu i promjenu boje lišća moţemo povezati s promjenama godišnjih doba i količini
upadnog zračenja odnosno količini svjetlosti u tim periodima. Interakcija zračenja sa
vodom u potpunosti se razlikuje od interakcije sa vegetacijom. Voda bolje apsorbira duţe
valne duljine vidljive i infracrvene svjetlosti kao kratkovalnu vidljivu svjetlost. Zbog toga
je voda obično plava ili zeleno-plava (prisutnost algi u vodi i klorofila u algama) osim ako
podatke refleksije analiziramo u crvenom i infracrvenom dijelu spektra, tada je voda
tamnija. Sveukupno, površina vode moţe biti dosta nejednaka tako da dolazi do sloţene
refleksije, što utječe na boju i svjetlinu promatrane površine. Kod tla na refleksiju izravno
utječe vlaţnost tla, vrsta minerala i veličina čestica, struktura i hrapavost tla te način
obrade. Tlo je smeĎkastocrvenkastog izgleda jer je refleksija crvenog svjetla jača od
refleksije u plavom i zelenom intervalnom području vidljivog spektra (Oštir i Mulahusić,
2014).
12
4. IZVORI PODATAKA
U prethodnim poglavljima definirali smo osnovne pojmove za razumjevanje procesa

daljinskih istraţivanja. U ovom poglavlju bavit ćemo se osobinama senzora koji se koriste
kod daljinskih istraţivanja što će posluţiti kao uvod u satelitske misije (Landsat 4-5 TM,
Landsat 8 OLI) koje su izvor podataka našeg istraţivanja. Niz satelita Landsat misije
kamen je temeljac ljudske sposobnosti za promatranje Zemlje. Svijet se oslanja na podatke
Landsat-a za otkrivanje i mjerenje promjena pokrivenosti odnosno korištenja zemljišta,
zdravlja ekosustava i dostupnosti vode.
4.1. Senzori
Interakcija elektromagnetskog zračenja s površinom i pojam spektralne refleksije zajedno

doprinose i omogućuju rad senzora. Senzori biljeţe rezultate interakcije zračenja s
površinom odnosno jačinu i količinu sposobnosti spektralne refleksije pojedinih elemenata.
Senzori koji sluţe za detektiranje i snimanje odbijenih elektromagnetskih valova uvijek su
postavljeni na stabilne platforme. Te platforme mogu biti na tlu, u avionima ili balonima,
satelitima ili svemirskim letjelicama. Rezultati mjerenja se kvantiziraju i konvertiraju u
digitalnu sliku gdje svaki element slike (piksel) ima odreĎenu vrijednost u jedinicama
Digitalnog broja (DN – Digital Number). Digitalne slike koje nastaju različitih su
rezolucija ovisno o senzoru koji prikuplja podatke. Nekoliko je vrsta rezolucije:
 Prostorna rezolucija – obično se izraţava veličinom piksela, a ovisi o veličini

detektora, ţarišnoj duljini i visini senzora;
 Spektralna rezolucija – pokazuje koliko dobro senzor odreĎuje različite valne
duljine; bolja spektralna rezolucija – veći broj spektralnih kanala i njihov raspon je
uţi
 Radiometrijska rezolucija – opisuje informacijsku vrijednost snimka, najčešće se
mjeri u bitovima (binarni brojevi); je broj različitih intenziteta radijacije koje
senzor moţe razlikovati; npr. Slika sa 8 bitnom rezolucijom ima 256 nijansi boje u
svakom pojasu;
 Vremenska rezolucija – postoji samo za satelitske senzore, označava vrijeme da
senzor ponovno preleti isto područje Zemlje
13
Pri definiranju idealnog rješenja za senzor, potrebno je pronaći najbolji omjer izmeĎu
navedenih vrsta rezolucija. Ako ţelimo imati veliku prostornu rezoluciju senzor mora imati
usko trenutno vidno polje. To smanjuje količinu otkrivene energije pa moţemo promatrati
mali dio površine koja reflektira malo valova. Rezultat je slaba radiometrijska rezolucija i
ograničena sposobnost otkrivanja razlika u energiji. Količina otkrivene energije, a time i
radiometrijska rezolucija, moţe se povećati ako promatramo širi pojas valnih duljina u
jednom kanalu. Na ovaj način smanjujemo spektralnu rezoluciju senzora, ali sa druge
strane, slabija prostorna rezolucija povećava količinu energije koja dolazi na detektor, što
povećava spektralnu i radiometrijsku rezoluciju. Zaključno, kada se ţeli postići najbolja
rezolucija i sposobnost senzora mora se uspostaviti ravnoteţa izmeĎu ţeljenih prostornih,
spektralnih i radiometrijskih svojstava senzora (Oštir i Mulahusić, 2014).
4.2. Landsat 4 (1982. – 2011.)
Landsat je najstariji postojeći aktivni sustav za snimanje Zemlje iz svemira. Prvi satelit
misije Landsat lansiran je 1972. godine, dok je Landsat 4 lansiran 16. srpnja 1982.
Letjelica Landsat 4 bila je znatno drugačija od onih u prethodnim Landsat misijama, uz to
Landsat 4 nije nosio instrument RBV (Return-Beam Vidicon). Osim senzora Multispectral
Scanner System (MSS), Landsat 4 i Landsat 5 nosili su senzor s poboljšanom spektralnom
i prostornom razlučivošću Thematic Mapper (TM) (Slika 4.1).
U periodu od godinu dana Landsat 4 izgubio je mogućnost korištenja dvaju solarnih panela
i oba izravna odašiljača. Dakle, veza podataka nije bila moguća sve dok satelitski sustav za
praćenje i prijenos podataka (TDRSS - poiuz) nije počeo s radom. Landsat 4 je tada mogao
prenositi podatke u TDRSS-u koristeći svoj Ku-pojasni odašiljač, a TDRSS je tada mogao
prenijeti tu informaciju na svoje zemaljske postaje. Sustav je funkcionirao sve do 1993.
godine kada je posljednja mogućnost prijenosa podataka propala. Landsat 4 je zadrţan u
orbiti za voĎenje telemetrijskih naredbi i podataka o praćenju (koje je spajao putem
posebnog podatkovnog puta, S-pojasom) sve dok 2001. godine nije stavljen van pogona.
Landsat 4 izgraĎen je i pokrenut od strane NASA-e, dok je NOAA (National Orbit
Aviation Adminisstration) nadgledala rad satelita.
Operacije Landsat 4 ugovorene su s korporacijom EOSAT (Earth Observation Satellite

Company) 1984. godine. Do 1998. godine upravljanje ugovorom o operacijama Landsat 4
(i Landsat 5) preneseno je iz NOAA-e na USGS; operacije je nastavio privatni sektor do
14
sredine 2001. godine, kada je Space Imaging (bivši EOSAT) vratio ugovor o operacijama
američkoj vladi.
Usprkos brojnim prijenosima satelitskih operacija, USGS je ostao odgovoran za dugoročno

očuvanje Landsatovih podataka u Nacionalnom arhivu podataka za daljinska istraţivanja
senzorskih podataka (NSLRSDA) u Sioux Fallsu, Juţna Dakota. Više od 177.647
Multispectral Scanner (MSS) i 40.000 Landsat 4 Thematic Mapper (TM) scena, dostupne
su za preuzimanje s EarthExplorer-a, GloVis-a i LandsatLook Viewer-a (URL 9).
Slika 4.1: Prikaz Landsat 4/5 satelita i njegovih dijelova (URL 10)
15
Multispectral Scanner System-a (MSS) su ureĎaji za linijsko skeniranje koji su

promatrali Zemlju okomito na orbitalnu stazu. Skeneri MSS-a isto kao i Thematic Mapper
poprečni skeneri i preuzimaju podatke scene dimenzija 185 km x 185 km. Prvih pet
Landsat satelita nosilo je MSS skener koji je prikupljao podatke Sunčeve refleksije na
površini Zemlje u četiri spektralna kanala (jedino Landsat 3 ima 5 spektralnih kanala).
Prostorna rezolucija tih kanala iznosila je 68 metara u poprečnom smjeru snimanja i 83
metra u smjeru snimanja. Kanali su isto tako imali 6-bitnu radiometrijsku rezoluciju, što je
značilo da je skener mogao zapisati podatke scene u 64 nijanse sive boje. Landsat MSS
senzori identični su Landsat 1, 2 i 3 senzorima čije karakteristike su (URL 11):
 4 spektralna kanala:
Kanal 1 (vidljivi) (0,5 – 0,6 µm)
Kanal 2 (vidljivi) (0,6 – 0,7 µm)
Kanal 3 (blisko infracrveno) (0,7 – 0,8 µm)
Kanal 4 (blisko infracrveno) (0,8 – 1,1 µm)
 Vrsta senzora: opto-mehanički
 6 detektora za svaki kanal koji osiguravaju 6 linija skeniranja za svako aktivno
skeniranje
 Prostorna rezolucija (veličina piksela): 68 m x 83 m
 Vremenska rezolucija: 18 dana (L1-L3), 16 dana (L4, L5)
 Prostorni obuhvat: 185 km x 185 km
Tablica 4.1: Prikaz spektralnih kanala MSS senzora Landsat 4 i rezultati koje pojedini kanal prikazuje
(URL 12)
Senzor Kanal Područje kanala Valna duljina (µm) Rezolucija Karakteristike
MSS 1 Vidljivi zeleni 0,5 – 0,6 68 m x 83 m Područje plitke vode
MSS 2 Vidljivi crveni 0,6 – 0,7 68 m x 83 m Obradive površine
Granica vegetacije
MSS 3 Blisko infracrveno 0,7 – 0,8 68 m x 83 m
izmeĎu kopna i vode
Naglašava vegetaciju
MSS 4 Blisko infracrveno 0,8 – 1,1 68 m x 83 m i granicu vegetacije s
ostalim kulturama
16
Landsat 4 Thematic Mapper je napredni senzor za multispektralno skeniranje, dizajniran za

postizanje veće rezolucije slike, oštriju spektralnu razdvojenost, poboljšanu geometrijsku
vjernost i veću radiometrijsku točnost i rezoluciju od MSS skenera. Za razliku od
postojećeg MSS-a ima sedam spektralnih kanala. Podaci su prikupljani iz plavog, zelenog,
crvenog, infracrvenog, srednjeg infracrvenog (2 pojasa) i termičkog infracrvenog dijela
elektromagnetskog spektra. Kanal 6 prikuplja toplinsko (termičko) infracrveno zračenje.
Landsat moţe dobiti samo noćne prizore u kanalu 6. Prostorna rezolucija TM senzora je 30
metara za sve kanale, osim termalnog (kanal 6) u kojem je prostorna rezolucija nešto lošija
i iznosi 120 metara. Vrijednosti svih kanala su u rasponu od 0 do 255, što odgovara 8-
bitnoj radiometrijskoj rezoluciji. Tehničke karakteristike Thematic Mapper-a su (URL 13):
 Broj kanala: 7
 Spektralni raspon: 0,45 µm – 12,5 µm
 Vrsta senzora: opto-mehanički
 Prostorna razlučivost: 30 m (120 m – termalni kanal)
 Vremenska rezolucija: 16 dana
 Prostorni obuhvat: 185 km x 172 km
Tablica 4.2: Karakteristike kanala senzora Thematic Mapper (Landsat 4 i 5) (URL 13)
Kanal Područje kanala Valna duljina (µm) Karakteristike
Kartiranje dna plitkih voda;

1 Vidljivi plavi 0,45 – 0,52 razlikovanje tla i vegetacije
Područje maksimalne
2 Vidljivi zeleni 0,52 – 0,60 refleksije zelenog, vodena
tijela
Područje koje apsorbira
3 Vidljivi crveni 0,63 – 0,69 klorofil
Pogodno za kartiranje obalnih
4 Blisko infracrveno 0,76 – 0,90 linija
Vlaţnost tla i vegetacije;
5 Blisko infracrveno 1,55 – 1,75 prodire kroz oblake
Noćne snimke pogodne za
6 Termalni 10,40 – 12,50 termalna kartiranja
Apsorpcijsko područje
7 Bliska IC 2,08 – 2,35 uzrokovano hidroksilnim
ionima u mineralima
17
4.3. Landsat 5 (1984 – 2013)
NASA je 1. oţujka 1984. plansirala Landsat 5 satelit, posljednji izvorni satelit Landsat
misije pod vodstvom NASA-e. Landsat 5 je dizajniran i izgraĎen u isto vrijeme kao i
Landsat 4 i nosio je isti teret: Multispectral Scanner System (MSS) i senzore Thematic
Mappera (TM).
Godine 1988. primarni TDRSS odašiljač Landsata 5 (Ku-pojas) nije uspio, a onda je u
srpnju 1992. redundantni Ku-band odašiljač propao. Taj nedostatak uzrokovao je
nemogućnost preuzimanja podataka van područja SAD-a. U to vrijeme Landsat 5 nije imao
ureĎaj za snimanje podataka koje je bilo moguće preuzimati. MSS sustav senzora isključen
je u kolovozu 1995. godine. U studenom 2011. godine senzori TM-a prestali su dobivati
slike zbog ubrzane degradacije elektroničke komponente. Nekoliko mjeseci kasnije
inţenjeri su ponovno uključili MSS instrument i implementirali nove mogućnosti za
uzimanje sirovih podataka o instrumentima na zemaljskoj stanici. 21. prosinca 2012.
godine USGS je najavio da će Landsat 5 biti stavljen izvan pogona nakon neuspjeha
suvišnog ţiroskopa. Satelit je nosio tri ţiroskopa, jedan za kontrolu poloţaja i dva za
odrţavanje kontrole. U siječnju 2013. instrumenti Landsat 5 bili su isključeni i satelit je
premješten na niţu orbitu, te je poslana posljednja naredba za isključenje predajnika 5.
lipnja 2013. godine.
Istovremeno s lansiranjem Landsat 5 satelita 1984. godine u Americi je donesen Zakon o

komercijalizaciji proizvoda daljinskih istraţivanja. Na temelju toga, NOAA ( u čijoj su
ovlasti bile sve misije) odabire tvrtku za satelitko promatranje zemlje (EOSAT) kao
dobavljača podataka sa satelita. Ugovor je EOSAT-u dao odgovornost za arhiviranje,
prikupljanje i distribuciju aktualnih podataka Landsata kao i odgovornost za izgradnju,
pokretanje i upravljanje sljedeća dva Landsat satelita (uz drţavne subvencije). Iz tog
perioda komercijalizacije Landsat misija dolazi do previsokih cijena podataka što u
konačnici dovodi do sloma američkog monopola nad pruţanjem podataka satelita Landsat
misija.
Do 1989. godine NOAA je usmjerila EOSAT da isključi satelite jer nijedna vladina
agencija nije ţeljela financirati proširenje satelitskih operacija i korisnici podataka nisu bili
voljni ulagati u hardver za računalnu obradu ako je buduće prikupljanje podataka bilo
18
upitno. Program je spasio snaţan protest kongresa i stranih i domaćih korisnika podataka te
intervencija potpredsjednika.
Dvije godine nakon lansiranja Landsata 7, Space Imaging (bivši EOSAT) vratio je
operativnu odgovornost za Landsat 4 i Landsat 5 američkoj vladi. 1. srpnja 2001., kada je
operativna kontrola sluţbeno vraćena saveznoj vladi, Space Imaging se takoĎer odrekao
svog komercijalnog prava na Landsat podatke omogućujući USGS-u prodaju svih podataka
Landsat 4 i 5 misija u skladu s politikom cijena USGS-a.
U konačnici, Landsat 5 je pruţio visokokvalitetne, globalne podatke o kopnenoj površini

Zemlje 28 godina i 10 mjeseci, čime je sluţbeno postavio Guinnessov svjetski rekord za
"Najduţi operativni satelit za promatranje Zemlje". Tablica 4.3 prikazuje pripadnost
spektralnih kanala ovisno o Landsat misijma i njihov ekvivalent kanalima kod Landsat 4 i
5 misija sa Thematic Mapper senzorom (URL 14).
Tablica 4.3: Prikaz pripadnih spektralnih kanala ovisno o misijama (L1, L2, L3, L4, L5) i poveznica sam
instrumentom Thematic Mapper kod Landsat 4 i 5 misija (URL 15)
Kanal Kanal Kanal Valna duljina Rezolucija Ekvivalentan kanal s

(L1-L2) (L3) (L4-L5) m (m) L4/L5 TM
4 4 1 0,5 – 0,6 68 x 83 ~ 2 (0,52 – 0,60 m)
5 5 2 0,6 – 0,7 68 x 83 ~ 3 (0,63 – 0,69 m)
6 6 3 0,7 – 0,8 68 x 83 ~ 4 (0,76 – 0,90 m)
7 7 4 0,8 – 1,1 68 x 83 ~ 4 (0,76 – 0,90 m)
N/A 8 N/A 10,4 – 12,6 68 x 83 ~ 6 (10,41 – 12,5 m)
19
4.4. Landsat 8 OLI (2013. – danas )
Landsat 8 lansiran je 11. veljače 2013. iz zrakoplovne baze Vandenberg u Kaliforniji, na

raketi Atlas-V 401. To je osmi satelit u Landsat programu; sedmi koji je uspješno došao do
atmosfere. Landsat 8 satelitski sadrţaj sastoji se od dva nova znanstvena instrumenta -
Operational Land Imager (OLI) i Thermal Infrared Sensor (TIRS). Ova dva senzora
pruţaju senzorsku pokrivenost globalne kopnene mase u prostornoj rezoluciji od 30 metara
(vidljivo, blisko IC), 100 metara (toplinska) i 15 metara (pankromatsko) (URL 16).
Landsat 8 razvijen je kroz suradnju NASA-e i US Geological Survey (USGS). NASA je

vodila projektiranje, izgradnju, lansiranje i faze kalibracije na orbiti. Za to vrijeme
originalni naziv misije bio je „Landsat Data Continuity Mission“ (LDCM). Tijekom prvih
108 dana u orbiti, LDCM je prošla sve provjere od strane NASA-e te je 30. svibnja 2013.
USGS preuzeo voĎenje svih operacija, a satelit je dobio naziv „Landsat 8“. USGS je
odgovoran za let satelita nakon lansiranja i uz to razvija, implementira i upravlja mreţom
stanica za prikupljanje, arhiviranje, obradu i distribuciju podataka na Zemlji. Landsat 8
sastoji se od 3 ključna znanstvena cilja (URL 17):
1. Prikupljanje i arhiviranje multispektralnih snimki srednje rezolucije (prostorna

rezolucija od 30 metara), koji pruţaju sezonsku pokrivenost globalnih kopnenih
masa za period ne manji od 5 godina
2. Osiguravanje dovoljne konzistentnosti Landsat 8 podataka s ranijim Landsat
misijama u svrhu prikupljanja geometrije, kalibracije, karakteristika pokrivenosti,
spektralnih karakteristika, davanje značajki o kvaliteti proizvoda te dostupnost
podataka za omogućavanje proučavanja pokrivenosti zemljišta i upotrebi zemljišta
tijekom vremena
3. Distribucija Landsat 8 podataka javnosti bez ograničenja i besplatno za sve
korisnike
Landsat 8 snima više od 700 scena dnevno, 250 više u odnosu na Landsat 7 u 11
spektralnih kanala ( 9 OLI kanala i 2 TIRS). OLI i TIRS imaju poboljšani omjer signala i
šuma (SNR – Signal to noise ratio) što omogućava 12-bitnu kvantizaciju podataka te
dozvoljava bolju karakterizaciju pokrova zemljišta. Visina letjelice je 705 km, a
20
kartografska točnost 12 m ili bolja. Veličina scene iznosi 170 km x 185 km, a podaci su
dostupni korisnicima od 30.05.2013. godine.
Karakteristike senzora satelita Landsat 8 prikazane su u Tablici 4.4:
Tablica 4.4: Karakteristike svih kanala senzora OLI i TIRS Landsat 8 satelita (URL 18)
Senzor Kanal Spektralni kanal Valna duljina (µm) Rezolucija Karakteristike

Kartiranje dna plitkih
OLI 1 Obalni / Aerosol 0,43 – 0,45 30 m voda;razlikovanje tla i
vegetacije
Područje max.
OLI 2 Plavi 0,45 – 0,52 30 m refleksije zelenog,
vodena tijela
Područje koje
OLI 3 Zeleni 0,53 – 0,59 30 m
apsorbira klorofil
Pogodno za kartiranje
OLI 4 Crveni 0,63 – 0,68 30 m
obalnih linija
Vlaţnost tla i
Blisko
OLI 5 0,84 – 0,88 30 m vegetacije; prodire
infracrveno
kroz oblake
Noćne snimke
Kratkovalni
OLI 6 1,55 – 1,66 30 m pogodne za termalna
infracrveni
kartiranja
Apsorpcijsko područje
Kratkovalni uzrokovano
OLI 7 2,10 – 2,30 30 m
infracrveni hidroksilnim ionima u
mineralima
Veća oštrina snimki,
OLI 8 Pankromatski 0,50 – 0,68 15 m bolja detekcija
pokrova
Poboljšana detekcija
OLI 9 Cirrus 1,36 – 1,39 30 m
cirrus naoblake
Detektira termalna
TIRS 10 TIRS 1 10,3 – 11,3 100 m
područja i vlagu u tlu
Detektira termalna
TIRS 11 TIRS 2 11,5 – 12,5 100 m
područja i vlagu u tlu
Satelit je izgradila „Orbital Sciences Corporation“ koja sluţi kao NASA-in glavni izvoĎač
radova na letjelici. OSC koristi standardni LEOStar-3 satelitski model koji se oprema
isključivo prema zahtjevima naručitelja. Sve komponente osim pogonskog modula se
montiraju na vanjski dio glavne strukture. Jedan rasklopivi solarni panel napaja
21
komponente satelita i puni Ni-H2 bateriju (nikal - vodik) od 125 amper-sati. Podaci se
skladište na tvrdom disku od 3.14 terabita, a X-band antena odašilje OLI i TIRS podatke u
realnom vremenu ili naknadno. OLI i TIRS su montirani na optičku klupu na prednjem
dijelu satelita.
Prvi senzor Landsat 8 sustava, „Operational Land Imager (OLI)“, konstruiran je od

strane tvrtke „Ball Aerospace & Technologies Corporation“. Njegov dizajn predstavlja
napredak u Landsat senzorskoj tehnologiji i koristi tehnološki pristup demonstriran od
strane „Advanced Land Imager“ senzora kojeg koristi NASA na eksperimentalnom EO-
1 satelitu. OLI koristi „pushbroom“ senzore umjesto „whiskbroom“ senzora koje su
koristili raniji Landsat sateliti te na taj način omogućava veću osjetljivost manje pokretnih
dijelova te poboljšane informacije o površini Zemlje s veličinom otkosa od 185 kilometara
(Slika 4.2).
Slika 4.2: Prikaz komponenti Landsat 8 – OLI instrumenta (URL 19)
OLI je senzor s četverosmjernim teleskopom i 12-bitnom kvantizacijom. Prikuplja podatke

za vidljive, blisko infracrvene i kratkovalne infracrvene spektralne pojaseve kao i za
pankromatske kanale. Ukupno devet kanala od kojih je sedam u skladu sa „Thematic
Mapper (TM)“ i „Enhanced Thematic Mapper Plus (ETM+)“ senzorima koji se nalaze na
ranijim Landsat satelitima. To omogućava kompatibilnost s povijesnim Landsat podacima
dok u isto vrijeme poboljšava mogućnosti mjerenja. OLI pruţa dva nova spektralna kanala,
jedan prilagoĎen za detekciju visokih tankih oblaka (kanal 9), a drugi za promatranje
22
obalnih područja i mjerenja kvalitete vode. S poboljšanim omjerom signal-šum u usporedbi

s prethodnim Landsat instrumentima, OLI je pouzdaniji i pruţa poboljšane preformanse.
Grafički prikaz usporeĎuje OLI spektralne pojaseve s Landsatovim ETM + kanalima (Slika
4.4) (URL 20).
Slika 4.3: Prikaz usporedbe Landsat 8 OLI spektralnih pojaseva s Landsat 7 ETM+ kanalima (URL 21)
Drugi senzor, „Thermal InfraRed Sensor (TIRS)“ , izradio je NASA-in „Goddard Space
Flight Center“. Za razliku od opreme koja je instalirana na prethodnim Landsat satelitima,
TIRS pruţa mogućnost provoĎenja opaţanja u dvije infracrvene valne duljine, novom
tehnologijom koja primjenjuje kvantnu fiziku za otkrivanje topline.
Slika 4.4: Komponente sustava TIRS Landsat 8 satelita (URL 22)
23
TIRS koristi Quantum Well Infrared Photodetectors (QWIPs) za otkrivanje dugih valnih
duljina svjetlosti koju emitira Zemlja čiji intenzitet ovisi o površinskoj temperaturi. Te
valne duljine, zvane termalne infracrvene zrake, daleko su izvan dosega ljudskog vida.
QWIP-ovi su nova, jeftinija alternativa konvencionalnoj infracrvenoj tehnologiji. QWIP-
ovi prikupljaju podatke kroz dva termalna infracrvena kanala (TIRS 1 i TIRS 2) što
omogućuje bolju detekciju termalne razlike izmeĎu temperature Zemljine površine i
temperature u atmosferi. Njihov dizajn radi na sloţenim principima kvantne mehanike.
Rezolucija prostornih snimaka snimljenih s instrumentom TIRS iznosi 100 m. 100 m TIRS
podataka registrira se na OLI podatke radi stvaranja radiometrijski, geometrijski i terenski
ispravljenih 12-bitnih podataka. Oba instrumenta snimaju u načinu skeniranja duţ putanje
svemirske letjelice, što smanjuje razinu radiometrijskog izobličenja u usporedbi s
instrumentima za poprečno skeniranje koji se koriste na prethodnim Landsat satelitima.
Njegova glavna svrha je dobivanje karakteristika površinske temperature, te proučavanje
procesa prijenosa topline i vlage za potrebe praćenja korištenja vodenih i zemljanih resursa
SAD-a (URL 23).
Slika 4.5: Prva Landsat 8 slika; područje Fort Collins, Colorado, SAD. Desna slika je prikazana
korištenjem plavog, zelenog i crvenog OLI kanala, a lijeva korištenjem zelenog, bliskog IC i kratkovalnog IC
(URL 24)
24
4.5. Preuzimanje Landsat podataka
Podacima satelitske misije Landsat upravlja USGS, a moguće ih je preuzeti sa nekoliko

servera. Za potrebe izrade ovog diplomskog rada, podaci su prvobitno preuzimani sa
USGS servera „Earth Explorer“, no u meĎuvremenu dolazi do ograničenja preuzimanja
podataka za područje Europe zbog aţuriranja podataka servera pa je preuzimanje podataka
nastavljeno sa servera „LandsatLook Viewer“ (URL 25).
Slika 4.6: Sučelje za pretragu Landsat snimki
Kako bismo preuzeli podatke prethodno je potrebno definirati kriterije pretrage. Slika 4.6
prikazuje sučelje unutar kojega se prvo odabire godina pretrage. Ovo istraţivanje obuhvaća
vremenski period od 1985. do 2017., a u primjeru pretraţujemo snimke za 1985. godinu,
prvu godinu istraţivanja. Pod kriterijem „Days of the Year“ odabrani su ljetni (sunčani)
mjeseci, pod uvjetom da je naoblaka 10% i manja. Na kraju odabiremo satelitsku misiju. Iz
vremenskog intervala misija vidimo kako Landsat 4-5 TM (1982. – 2011.) zadovoljava
prethodno postavljen uvjet za godinu pretraţivanja, dok će Landsat 8 OLI (2013. – danas)
zadovoljiti kasnije uvjete pretraţivanja.
25
Slika 4.7: Sučelje rezultata pretraživanja Landsat snimki
Klikom na „Show Image“ dobiven je popis snimki (2) koje zadovoljavaju kriterije te
njihova vizualizacija na web karti. Rezultate pretrage moguće je modificirati pomoću
izbornika (1), odnosno odabrati što i kako ţelimo prikazati. Zatim s popisa snimki
odabiremo onu koja zadovoljava naše uvjete, u našem slučaju preuzeta je snimka za datum
24.08.1985. godine sa 0% naoblake. Snimka je preuzeta kao „Standard Product“ u sklopu
Level 1 Data Product datoteke u GeoTiff formatu koji je pogodan za daljnju obradu.
Snimke se u QGIS računalni program učitavaju u WGS84, UTM 33N referentnom
koordinatnom sustavu. Na isti način preuzete su sve ostale snimke, ukupno njih
sedamnaest (Tablica 4.5).
Tablica 4.5: Prikaz preuzetih Landsat snimki
Datum Satelitska misija Datum Satelitska misija
24. 08. 1985 Landsat 5 20. 09. 2003 Landsat 5

23. 08. 1987 Landsat 5 21. 06. 2005 Landsat 5
28. 03. 1989 Landsat 5 14. 08. 2007 Landsat 5
10. 09. 1991 Landsat 5 26. 08. 2009 Landsat 5
24. 09. 1993 Landsat 5 26. 09. 2011 Landsat 5
13. 08. 1995 Landsat 5 05. 08. 2013 Landsat 8
19. 09. 1997 Landsat 5 19. 07. 2015 Landsat 8
27. 05. 1999 Landsat 5 25. 08. 2017 Landsat 8
13. 08. 2001 Landsat 5
26
5. KORIŠTENI SOFTVERI
Nakon preuzimanja podataka slijedi njihova obrada, a softveri korišteni u tu svrhu navest
će se u ovom poglavlju. Računalni programi korišteni za obradu snimki i analizu dobivenih
rezultata su QGIS (verzija 3.4 Madeira), SAGA GIS (verzija 6.2.0), te za obradu statičkih
podataka Microsoft Excel 2010.
5.1. QGIS 3.4 Madeira
QGIS („Quantum GIS“) je računalna GIS aplikacija otvorenog koda („open source
softwer“) koja svojim korisnicima omogućuje vizualizaciju, ureĎivanje i analiziranje
različitih vektorskih i rasterskih formata, zajedno sa ESRI Shape datotekama i prostornim
podacima u PostgreSQL/PostGIS bazama podataka.
Pojam „Open source softwer (OSS)“ govori nam da je QGIS vrsta računalnog softvera u
kojem je izvorni kod objavljen pod licencom u kojoj vlasnik autorskih prava daje pravo na
proučavanje, primjenu i distribuciju softvera bilo kome i u bilo koju svrhu. „Open source
softver“ je istaknuti primjer otvorene suradnje.
QGIS pruţa uobičajene GIS funkcionalnosti od kojih su neke dio programskih paketa, kao
što su PostGIS, GRASS i MapServer, a ostale je moguće koristiti nadogradnjom dodataka
za GIS. Primjena dodataka je široka, od mogućnosti geokodiranja korištenjem Google-
ovog API-ja za geokodiranje, zatim mogućnost provedbe geoprocesiranja korištenjem
fTools-a, te ih se moţe koristiti i s PostgreSQL/PostGIS, SpatiaLite i MySQL bazama
podataka. Kao takav, QGIS omogućuje korisnicima stvaranje karata i kartografskih prikaza
u različitim projekcijama koje mogu biti različite namjene i u različitim formatima.
kartografski prikazi sastoje se od rasterskih ili vektorskih slojeva, a vektorski podaci
(točke, linije, poligoni) mogu biti pohranjeni u raznim oblicima (Tutić, 2004).
QGIS odrţavaju programeri koji redovito objavljuju aţuriranja i ispravke grešaka. Od

2012. godine preveden je na 48 jezika, a aplikacija se koristi na meĎunarodnoj razini u
akademske i znanstvene svrhe. Razvijen je u C++ programskom jeziku kao sluţbeni
projekt Open Source Geospital Foundation (OSGeo) i kao takav kompatibilan je sa svim
operativnim sustavima kao što su Linux, Unix, Mac OSX, Windows i Android platforme
(URL 26).
27
Prilikom obrade satelitskih snimki, za potrebe ovog istraţivanja korišten je Semi-

Automatic Classification (SCP) dodatak. Kao besplatan dodatak otvorenog koda za QGIS,
sluţi za poluautomatsku (nadziranu) klasifikaciju te meĎu ostalim sadrţi i razne alate za
preuzimanje snimki, pretprocesing, vizualizaciju prikaza i izračun rastera, koji su korišteni
prilikom za potrebe ovog istraţivanja (Slika 6.1). Opći cilj SCP-a je pruţiti skup
isprepletenih alata za rastersku obradu, kako bi se uspostavio automatiziran radni proces i
olakšala klasifikacija pokrova zemljišta. Prvu verziju SCP-a razvio je Luca Congedo 2012.
godine. Sljedeće verzije razvijene su kao rezultat predanosti znanstvenika polju daljinskih
istraţivanja i utemeljene su na filozofiji otvorenog koda (URL 27).
Slika 6.1: Prikaz funkcionalnosti SCP dodatka
28
5.2. SAGA GIS
SAGA GIS ili u prijevodu Sustav za automatsku geoznanstvenu analizu korišten je za

provedbu same klasifikacije. Nakon predobrade snimki i uzimanja reprezentativnog seta
uzoraka postupak klasifikacije prebacuje se u program SAGA GIS. SAGA je kao i QGIS,
besplatan softver otvorenog koda za geografski informacijski sustav (GIS) dizajniran za
jednostavnu i učinkovitu implementaciju prostornih algoritama.
Cilj SAGA-e je pruţiti znanstvenicima učinkovitu i lako razumljivu platformu za primjenu

geoznanstvenih metoda u brojnim aplikacijama. To omogućava jednostavno aplikacijsko
programsko sučelje (API – Application Programming Interface) i pristupačno grafičko
sučelje (GUI – Graphical User Interface). Ukratko, API osigurava osnovne objektne
modele za programiranje znanstvenih modula i funkcija, dok GUI omogućuje korisniku
upravljanje podacima kao i različite mogućnosti vizualizacije. SAGA je kao i većina
današnjih sustava razvijena u C++ programskom jeziku i podrţava Windows i Linux
operativne sustave (URL 28).
Slika 6.2: Prikaz grafičkog korisničkog sučelja (GUI-a) (URL 29)
29
5.3. Microsoft Excel
Microsoft Excel je program za tablično računanje, proizvod kompanije Microsoft, sastavni

je dio programskog paketa Microsoft Office. Microsoft Excel uglavnom sluţi za rješavanje
problema matematičkog tipa pomoću tablica i polja koje je moguće povezivati različitim
formulama. Moţe posluţiti i za izradu jednostavnijih baza podataka (program koji sluţi za
izradu sloţenijih baza podataka je Microsoft Access). Na temelju unesenih podataka, lako
iz tablica moţe stvarati grafikone. TakoĎer omogućuje dodavanje različitih objekata:
tablica, slika, grafikona. Microsoft Excel 2007 i noviji kao osnovni format koriste '.xlsx'
format datoteke. U ovom radu Microsoft Excel korišten je u svrhu izrade statističkih
pokazatelja uspješnosti klasifikacije i usporedbe podataka (URL 30).
30
6. METODOLOGIJA ISTRAŢIVANJA
Kvalitetna metodologija i organizacija rada jedan su od osnovnih uvjeta za dobivanje

kvalitetnih i smislenih rezultata istraţivanja. Stoga je na samom početku bitno definirati
postupke i slijed istraţivanja zajedno sa metodom klasifikacije i popratnim procesima kao
najvaţniji segment istraţivanja. Postupak istraţivanja u ovom diplomskom radu sastoji se
od nekoliko koraka i to su:
 Preuzimanje podataka,
 Predobrada satelitskih snimki,
 Prikupljanje reprezentativnog seta trening uzoraka,
 ProvoĎenje nadzirane klasifikacije,
 Analiza dobivenih rezultata.
U ovom poglavlju bazirati ćemo se na procesu predobrade snimki i pobliţe opisati

odabranu metodu nadzirane klasifikacije – Random Forest (RF). Tim postupcima
prethodilo je preuzimanje podataka koje je detaljno pojašnjeno u poglavlju 4.5
Preuzimanje Landsat podataka. Kao što je navedeno i u poglavlju bitan kriterij je da
preuzeti podaci obuhvaćaju cjelokupno područje interesa, u našem slučaju to je područje
Grada Zagreba, te da sadrţe sve izvorne kanale unutar preuzete datoteke Level 1 Data
Product.
6.1. Predobrada satelitskih snimki
Predobrada (engl. Preprocessing) je prvi korak nakon preuzimanja i učitavanja snimki u

računalni program QGIS. Proces predobrade poboljšava karakteristike snimki odnosno
vrijednosti piksela snimki se iz digitalnog broja (DN - Digital Number) pretvaraju u fizičku
vrijednost sadrţane refleksije. Uz to provodi se i izrazitno bitna atmoserska korekcija
metodom Dark Object Subtraction 1. Ovisno o primjeni, atmosferska korekcija moţe biti
apsolutna, gdje se digitalni broj pretvara u realnu površinsku refleksiju ili relativna gdje
iste vrijednosti digitalnog broja kod korigiranih snimki predstavljaju istu refleksiju bez
obzira na stvarnu vrijednost refleksije na terenu (Chavez i Mackinnon, 1994).
Metoda eliminiranja utjecaja atmosfere (DOS1) polazi od pretpostavke da su pojedini

pikseli unutar snimke u potpunoj sjeni te da je njihova radijacija rezultat raspršivanja, a ne
31
refleksije koju prima satelit. Tijekom raspršivanja čestice atmosfere povećavaju prividnu
refleksiju tamnih objekata i smanjuju ju za svijetle objekte na snimci što uzrokuje gubitak
informacija. Naţalost, gubitak informacija nije moguće povratiti atmosferskom
korekcijom. Ciljevi primjene atmosferske korekcije su smanjiti pogreške u procjeni
refleksije površinskih objekata (Song i dr., 2001) jer je poznato kako atmosferski učinci
mijenjaju stvarne vrijednosti refleksije, no spektralne razlike u satelitskim snimkama
upućuju na razlike u refleksijskim karakteristikama tla i vegetacije, čime se omogućuje
razlikovanje vegetacije i objekata na snimkama.
6.2. Prikupljanje reprezentativnog seta trening uzoraka
Nakon predobrade izraĎeni su “false-color“ i „true-color“ kompoziti satelitskih snimki

temeljem kojih su se prikupljali trening uzorci za potrebe provedbe klasifikacije. Trening
uzorci su vaţna stavka u procesu provedbe nadzirane klasifikacije. Jedino pravilnim
odabirom trening uzoraka moţemo doći do kvalitetnih rezultata finalne klasifikacije. U
našem slučaju, zemljišni pokrov klasificiran je unutar 5 klasa: voda, izgraĎeno zemljište,
niska vegetacija, visoka vegetacija i zemlja. Za svaku pojedinu klasu prikupljeno je izmeĎu
15-25 uzoraka. Ulazne varijable, odnosno trening uzorci nadzirane klasifikacije, moraju
zadovoljiti odreĎene uvijete (Belgiu i Dragut, 2016):
1. Podaci na kojima se provodi klasifikacija moraju biti statistički neovisni;

2. Trening uzorci moraju biti ravnomjerno rasporeĎeni unutar klasa;
3. Moraju reprezentativno predstavljati klasu kojoj pripadaju;
4. Uzorak mora biti dovoljno velik kako bi zadovoljio sve veći broj različitih
dimenzija podataka.
6.3. Klasifikacija snimki
Pri obradi snimki dobivenih postupkom daljinskih istraţivanja jedan od najvaţnijih

postupaka je upravo klasifikacija. Osnovna namjena klasifikacije je prepoznavanje i
izdvajanje predmeta i vegetacije na zemljinoj površini te ujedno predstavlja vezu izmeĎu
daljinskih istraţivanja i geografskih informacijskih sustava (Oštir i Mulahusić, 2004). S
obzirom na metodu, klasifikaciju dijelimo na:
 Nenadziranu (automatsku)
 Nadziranu (poluautomatsku)
32
Osnovna razlika izmeĎu navedenih metoda je ta da se kod nadzirane klasifikacije unaprijed

definira broj i vrsta klasa. Operater svakoj pojedinoj klasi dodjeljuje odreĎeni broj uzoraka
specifičnih za svaku klasu, a računski program na temelju toga izračunava spektralne
potpise klasa. Time se svaki novi element scene na temelju vlastitog spektralnog potpisa
svrstava u ispravnu klasu. Nenadzirana klasifikacija se koristi kada ne postoji unaprijed
odreĎena pripadnost uzoraka, niti su poznate klase te u velikom broju slučajeva ne postoji
informacija o broju klasa. Za potrebe ovog istraţivanja nad snimkama je provedena
nadzirana klasifikacija metodom Random Forest.
6.3.1. Random Forest metoda klasifikacije
Strojno učenje (engl. machine learning) predstavlja podskup područja umjetne inteligencije
gdje se matematičkim modelima stvaraju automatizirana rješenja čija je svrha koristeći
funkciju dobrote optimirati stvarni model prema nekom kriteriju. Jedna od osnovnih
podjela dijeli strojno učenje na modele nenadziranog i nadziranog strojnog učenja (URL
31). Upravo u modele nadziranog strojnog učenja spada i Random Forest (RF) metoda
klasifikacije. Random forest metoda detaljno je izloţena u radu Breiman, 2001. Prednosti
random forest metode u odnosu na druge metode su mnogobrojne (Kamusoko, 2015):
1. Mogućnost obrade veliku bazu podataka (npr. tisuće ulaznih numeričkih i

kategorijskih varijabli);
2. Potrebno manje vrijeme obrade podataka u usporedbi s drugim metodama strojnog
učenja (npr. Support Vector Machine (SVM));
3. Modeli su osloboĎeni normalnih pretpostavki distribucije;
4. Robusnost u rješavanju problema buke;
5. Modeli kvantificiraju svaku ulaznu varijablu u mjeru vaţnosti.
Postoje brojna (Gislasons i dr., 2006) istraţivanja vezana za kvalitetu točnosti Random
forest metode i usporedbu s ostalim modelima strojnog učenja, posebice usporedbe s SVM
metodom. Zaključak je da RF metoda postiţe bolje rezultate klasifikacije kada se koriste
višedimenzionalni podaci kao što su hiperspektralni podaci; RF takoĎer zahtijeva
odreĎivanje različitih parametara, te je brţi kod obrade podataka od SVM klasifikatora ili
drugih metoda klasifikacije kao što je AdaBoost (Schapire, 1999).
33
6.4. Ocjena točnosti klasifikacije
Nakon same klasifikacije potrebno je utvrditi točnosti dobivenih rezultata. Ocjena točnosti
provedena je kreirajući model analize unutar QGIS programskog paketa putem izbornika
„Processing  Graphical Modeler“. Većina operacija GIS analiza nisu izolirane već se
sastoje od niza sloţenih funkcija. Upravo „Graphical Modeler“ omogućuje izradu sloţenih
modela pomoću jednostavnog i efikasnog sučelja. Bez obzira koliko koraka i funkcija
konačni model uključuje on se izvodi kao jedan algoritam i na taj način štedi vrijeme i trud
korisniku (URL 32). Iz tog razloga kreiran je model ocjene točnosti (Slika 6.3).
Slika 6.3: Algoritam modela ocjene točnosti rezultata klasifikacije
Model koristi uzorke („uzorciTest“) koji su GRASS funkcijom v.to.rast konvertirani iz

vektorskog formata podataka u rasterski kako bi se poklapali sa formatom rezultata
klasifikacije („klass“). Uzorci i rezultat klasifikacije zajedno ulaze u algoritam GRASS
funkcije r.kappa nakon čega model izbacuje konačan rezultat. Algoritam r.kappa računa
matricu pogrešaka i kappa parametar koji ukazuje na cjelokupnu točnost klasifikacije. Kod
analize podataka grada Zagreba provedena je ocjena točnosti za prvu, posljednju i srednju
godinu istraţivanja kako bi utvrdili je li klasifikacija kontinuirano provoĎena na pravilan
način.
34
Drugi model kreiran za potrebe analize je statistički model čiji rezultat prikazuje
zastupljenost pojedine klase, prikazano u postotcima i površinom, unutar interesnog
područja („aoi“ – area of interest) klasifikacije (Slika 6.4). Funkcijom Clip raster by extent,
rezultat klasifikacije koje obuhvaća šire područje grada Zagreba smanjuje se na prethodno
definirano interesno područje – aoi. Dobiveni rezultat predstavlja referentni ulazni podatak
nad kojim se provodi analiza primjenom GRASS funkcije r.stats.
Slika 6.4: Algoritam statističkog modela zastupljenosti pojedine klase
35
7. REZULTATI ISTRAŢIVANJA
Prikazani su rezultati u ovom poglavlju dobiveni su istraţivanjem. Uz svaki rezultat

klasifikacije prikazani su i udjeli zastupljenosti pojedine klase unutar interesnog područja
zajedno sa ocjenom točnosti klasifikacije za 1985., 1999. i 2017. godinu. Upravo ti podaci
omogućuju prikaz trenda promjene korištenja zemljišta prilikom analize i interpretacije
snimki.
7.1. Rezultati klasifikacije za područje grada Zagreba
7.1.1. Rezultat klasifikacije za 1985. godinu
U ovom poglavlju su grafički (Slika 7.1) i tablično (Tablica 7.1) prikazane promjene
zemljišnog pokrova 1985. godine.
Slika 7.1: Prikaz urbaniziranosti grada Zagreba 1985. godine
36
Tablica 7.1: Zastupljenost pojedine klase na sceni 1985. godine
Klasa Površina (km2) Udio (%)

Vodena površina 3,12 0,82
IzgraĎeno zemljište 99,14 25,92
Visoka vegetacija 67,47 17,64
Zemlja 5,77 1,51
Niska vegetacija 207,00 54,12
7.1.2. Rezultati klasifikacije za 1987. godinu
37

Zemlja 6,80 1,78
38

Zemlja 62,87 16,44
39

Zemlja 16,48 4,31
40

Zemlja 33,05 8,64
Slika 7.6: Prikaz urbaniziranosti grada Zagreba 1995.godine
41

Zemlja 33,97 8,88
42

Zemlja 5,73 1,50
43

Zemlja 16,81 4,39
44

Zemlja 39,47 10,32
45

Zemlja 28,73 7,51
46

Zemlja 22,67 5,93
47

Zemlja 3,70 0,97
48

Zemlja 22,60 5,91
49
Klasa Površina (m2) Udio (%)

Zemlja 30,30 7,92
Slika 7.15: Prikaz urbaniziranosti grada Zagreba 2013. Godine
50

Zemlja 34,97 9,14
51

Zemlja 46,53 12,17
52
Tablica 7.17: Zastupljenost pojedine klase na sceni 2017.godine

Zemlja 17,27 4,51
7.2. Interpretacija i analiza rezultata klasifikacije
Rezultati klasifikacije prikazani u prethodnom poglavlju, omogućuju analizu promjena

uporabe zemljišta i strukture grada Zagreba u protekle trideset i dvije godine (1985. –
2017). Interesno područje nad kojim je provedena analiza (klasifikacija) ukupne je
površine 382,5 km2 i već spomenutom Random Forest (ViGrA) metodom nadzirane
klasifikacije na tom području utvrĎene su promjene vodenih površina, izgraĎenog
zemljišta, visoke vegetacije, zemlje i niske vegetacije.
Počevši od 1985. godine, vidljivo je da scenom dominira klasa niske vegetacije s ukupno
207 km2 što je gotovo 55% scene (Tablica 7.1). Najmanju zastupljenost na sceni očekivano
imaju klase vodene površine i zemlje. Klasa zemlje odnosi se na neobraĎena
poljoprivredna područja i gradske neizgraĎene zone. Upravo odnos i promjene klasa niske
vegetacije, zemlje i izgraĎenog zemljišta daju pravi uvid u promjene stupnja urbanizacije
grada Zagreba.
Iz tablice 7.2 rezultata za 1987. godinu pratimo blago povećanje zastupljenosti klase
izgraĎenog zemljišta, a sukladno tome, smanjenje udjela vegetacije. Vodena površina
pribliţnih je vrijednosti kao i kod prethodne klasifikacije, isto kao i zemlja i visoka
vegetacija. Realno gledajući, vremensko razdoblje od dvije godine nije dovoljno dug
period tijekom kojeg bi se mogle uočiti veće promjene.
Grafički prikazi rezultata uz osnovni prikaz cjelokupne scene sadrţe i izdvojeni (uvećani)
dio. Primjerice, kod prva dva rezultata za 1985. i 1987. godinu, izdvojeno je područje
juţnog dijela grada Zagreba koji obuhvaća dio Novog Zagreba i dio zapadnog dijela grada
uz Jarunsko jezero. Prikazani dijelovi grada zanimljivi su iz razloga što su tijekom godina
ta područja doţivjela najveće promjene u sastavu zemljišnog pokrova i stupnju
53
urbanizacije. Već prilikom usporedbe prethodne dvije snimke vidimo kako su pojedini
dijelovi niske vegetacije iskorišteni za potrebe širenja urbanih odnosno izgraĎenih površina
ili su ta područja prenamijenjena za potrebe uzgoja poljoprivrednih kultura. Za bolje
razumijevanje i iščitavanje rezultata scene, vaţno je napomenuti kako odnos niske
vegetacije i zemlje (obradive površine) često zna varirati. Razlog tomu je i godišnje doba
odnosno razdoblje koji snimka prikazuje jer vegetacija i kulture koje se obraĎuju doseţu
svoj vrhunac u različitim periodima godine.
Rezultat klasifikacije 1989. godine upravo prikazuje prethodno navedene moguće

promjene izmeĎu niske vegetacije i zemlje. Zemlja s ukupnim udjelom od 16 % biljeţi
povećanje od gotovo 14 % (Tablica 7.3). Razlog tomu je dozrijevanje poljoprivrednih
kultura i period intenzivne obrade zemljišta. Na uvećanoj sceni prikazan je originalan „true
- color“ kompozit iz kojeg opaţamo visok stupanj refleksije tih dviju klasa što je rezultiralo
i većim udjelom zastupljenosti.
Rezultati za razdoblje 1991. i 1993. godine prate već poznate vrijednosti. Iz tablice 7.5
iščitavamo kako najveću površinu zauzima niska vegetaciju, ukupno 166,08 km2, slijedi ju
izgraĎeno zemljište s 103,89 km2 i konačno vodena površina, zemlja i visoka vegetacija s
udjelima sličnim prethodnim rezultatima.
Takav trend nastavlja se i na rezultatima klasifikacije za 1995. i 1997. godinu. Na temelju

toga zaključujemo kako je točnost klasifikacije konstantna i kako do sada ne postoje veća
odstupanja. Dodatno, točnost klasifikacije za odreĎene godine ispitali smo matricom
konfuzije i vrijednošću kappa koeficijenta. Zanimljivi rezultati ocjene točnosti dobiveni su
upravo za sljedeću godinu istraţivanja (1999.).
Kod rezultata klasifikacije za 1999. godinu vidljivo je značajno povećanje udjela površine
izgraĎenog zemljišta. Povećanje biljeţi rast sa 27,17 % na 34, 27%. Kako rezultat za 2001.
godinu prikazuje 30,72 % zastupljenosti izgraĎenog zemljišta, vidimo kako prvi puta
dolazi do nedosljednosti rezultata. Iz tog razloga, provedena je analiza točnosti testnih
podataka po klasama za 1999. godinu koja ukazuje na odreĎene nedostatke. Pojedini
pikseli koji prikazuju klase niska vegetacija i zemlja pogrešno su klasificirani i na sceni
prikazani kao izgraĎeno zemljište. Iz tog razloga klasa izgraĎeno zemljište ima ukupno
34,27 % zastupljenosti na sceni. Ukupna točnost klasifikacije je unutar dopuštenih
vrijednosti stoga klasifikaciju nećemo izbaciti iz analize.
54
U vremenskom periodu od deset godina, odnosno na temelju rezultata iz 2001., 2003.,

2005., 2007. i 2009. pratimo linearan trend povećanja izgraĎenog zemljišta od ukupno 5%.
Ostale vrste zemljišnog pokrova biljeţe stagnaciju bez većih odmaka i variraju 1-2%.
Trend rasta zastupljenosti izgraĎenog zemljišta nastavlja se i u 2011., 2013., 2015. godini
te 2017. doseţe svoj vrhunac. Nakon usporedbe konačnih rezultata sa prvom analizom
vidljive su značajne promjene. Od 1985. godine kada je scenom dominirala klasa niske
vegetacije sa gotovo 55% i 207 km2 dolazimo do 2017. godine gdje scenom dominira
klasa izgraĎenog zemljišta sa 40% zastupljenosti na sceni i ukupno 149,20 km2. Ostale
klase biljeţe promjene sukladno povećanju stupnja urbanizacije.
Slika 7.18 grafički prikazuje odnose izmeĎu klasa kroz cijeli period istraţivanja i
tendenciju promjene zemljišnog pokrova nad interesnim područjem.
Slika 7.18: Tendencija promjena zemljišnog pokrova u razdoblju od 1985. – 2017. godine
Promjene zastupljenosti odreĎenog zemljišnog pokrova u različitim vremenskim

razdobljima dane su pomoću matrice konfuzije i tabličnih prikaza površinske
zastupljenosti. Osim procjene ukupne točnosti, matrica konfuzije omogućava analizu
točnosti testnih podataka po klasama i utvrĎivanje grešaka gubljenja (engl. omission error) i
grešaka dodavanja (engl. commission error). Pogreška gubljenja nastaje kada se dio uzoraka
55
razmatrane klase alocira u druge klase dok pogreška dodavanja nastaje kada se dio uzoraka
drugih klasa alocira u razmatranu klasu (Bajić, 1999).
Kappa koeficijent definira ukupnu točnost klasifikacije. Vrijednosti kappa koeficijenta

variraju, i prikazuju točnost izraţenu u postotcima. Vrijednosti izmeĎu 0,41 i 0,6
predstavljaju umjerenu točnost u klasifikaciji, vrijednosti izmeĎu 0,61 i 0,80 visoku
točnost, a vrijednosti više od 0,8 vrlo visoku točnost klasifikacije (Viera i Garett, 2005).
Usporedbom definiranih raspona točnosti i dobivenih rezultata (Tablice 7.18, 7.19, 7.20)
proizlazi kako su klasifikacije za 1985. i 2017. godinu postigle vrlo visoku točnost, a
rezultat klasifikacije za 1999. visoku točnost.
Tablica 7.18: Matrica konfuzije i parametri ocjene točnosti za 1985. godinu
1985.
Visoka Niska
Klasa Voda IzgraĎeno Zemlja
vegetacija vegetacija
Voda 93 0 0 0 0
IzgraĎeno 9 164 0 15 7
Visoka vegetacija 1 0 140 0 0
Zemlja 0 7 0 77 0
Niska vegetacija 2 5 12 0 185
Ukupno 105 176 152 92 192
Kappa 0,8965
Ocjena točnosti
89,65 %
56
1999.
Visoka Niska
Voda 61 0 0 0 0
IzgraĎeno 4 209 0 38 25
Zemlja 0 3 0 68 1
Ukupno 68 244 83 110 256
Kappa 0,7851
Ocjena točnosti
78,51 %
2017.
Visoka Niska
Voda 38 0 0 0 0
IzgraĎeno 1 164 102 1 1
Zemlja 0 7 5 47 1
Ukupno 39 109 109 53 60
Kappa 0,9235
Ocjena točnosti
92,35 %
57
8. ZAKLJUČAK
Primjenom metoda daljinskih istraţivanja dobiveni rezultati omogućili su detekciju,

analizu i interpretaciju promjena zemljišnog pokrova odnosno praćenje urbanizacije grada
Zagreba u periodu od 1985.-2017. godine. Provedena je nadzirana klasifikacija primjenom
Random Forest metode na multispektralnim snimkama Landsat 8 misije. Provedbom
klasifikacije praćen je trend promjene načina korištenja zemljišta što je iskazano tabličnim
prikazima zastupljenosti pojedinih klasa na sceni kao i geovizualizacijom klasificiranih
scena.
Kroz analizu i interpretaciju rezultata uočeno je kako je područje Grada Zagreba u

promatranom razdoblju doţivjelo značajne promjene. Vodena površina jedina je klasa
odnosno vrsta zemljišnog pokrova koja kroz cjelokupan period istraţivanja zadrţava
konstantu. Najvaţnije vodene komponente na području grada Zagreba su naravno rijeka
Sava te umjetna jezera Jarun i Bundek. Iz rezultata klasifikacije moţemo zaključiti kako
navedene vodene površine nisu doţivjele značajne promjene. Slično kao i vodene površine,
uz kraća razdoblja oscilacije, relativnu konstantu zadrţava i klasa visoke vegetacije.
Visoka vegetacija uključuje površine pod šumama i gustim raslinjem koje preteţito
pronalazimo na sjevernim dijelovima grada na obroncima Medvednice. Nadalje,
zanimljivo je kako klase zemlja i niska vegetacije imaju obrnuto proporcionalan odnos.
Razdoblja niţih vrijednosti niske vegetacije popraćena su visokim vrijednostima zemljanih
površina i obrnuto. Kroz cijeli period istraţivanja uočavamo kontinuirano gotovo linearno
praćenje trenda povećanja izgraĎenih površina na štetu vegetacije. Od početka istraţivanja
do 2017. godine izgubljeno je gotovo 42,66 km2 vegetacijske površine (zemlja, niska i
visoka vegetacija), dok se izgraĎeno područje površinski povećalo za 50,06 km2. Takvo
saznanje s gledišta kvalitete ţivota u gradu Zagrebu je zabrinjavajuće i treba teţiti
urbanizaciji ruralnih područja izvan grada. TakoĎer, veliku vaţnost treba obratiti na
očuvanje urbane vegetacije poput parkova i ostalih zelenih površina u gradu.
Urbanizacija kao jedan od bitnih procesa današnjice sa sobom donosi vaţna pitanja kao što
je i kvaliteta ţivota u gradovima. Ovo istraţivanje moţe posluţiti kao osnova za daljnje
analize i pridonijeti poboljšanju prostornog planiranja kako urbanih tako i ruralnim
područja grada Zagreba. Vaţno je naglasiti kako metode i analize prikazane u ovom radu
mogu biti korištene u sličnim istraţivanjima bez obzira na područje istraţivanja ili tip i
vrstu satelitskih snimaka.
58
9. LITERATURA
Alberti, M., Weeks, R., Coe, S. (2004): Urban land cover change analysis in Central Puget
Sound, Photogrammetric Engineering and Remote Sensing, 9, 10, 1043.-1052.
Bajić, M. (1999): Daljinska istraţivanja, Geodetski fakultet, Sveučilište u Zagrebu, Zagreb.
Belgiu, M., Dragut, L. (2016): Random forest in remote sensing: A review od applications
and future directions, ISPRS Journal of Photogrammetry and Remote Sensing 114 (2016)
24.-31.
Berns, R. S. (2000): Billmeyer and Saltzman's Principles of color technology, Third

edition.
Bjelajac, S., Vrdoljak, D. (2010): Urbanizacija kao svjetski proces i njezine posljedice,
Zbornik radova Filozofskog fakulteta u Splitu, 2/3 (2009/2010), 3.-19.
Breiman, L. (2001): Random Forests, Kluwer Academic Publishers, 45, 1, 5.-32.
Chavez, Pat S. Jr., and MacKinnon, David J. (1994), Automatic detection of

vegetation changes in the southwestern United States using remote sensing images,
Photogrammetric Engineering and Remote Sensing 60(5): 571.-583.
Crkvenčić, I., (1958): Prigorje planinskog niza Ivančice, Acta Geographica Croatica, 1, 1,
7.-113.
Frančula, N. i dr. (1994): Primjena daljinskih istraţivanja u kartografiji, Geodetski list 48

(3), 265-276
Gašparović, M., Dobrinić, D., Medak, D. (2018): Urban vegetation detection based on the
land-cover classification of Planetscope, RapidEye And Worldview-2 Satellite Imagery,
International Multidisciplinary Scientific Geoconference SGEM 2017, 18, 2.3, 249.-256.
Gašparović, M., Jogun, T. (2018): The effect of fusing Sentinel-2 bands on land-cover
classification, International journal of remote sensing, 39, 3, 822.-841.
Gašparović, M., Zrinjski, M., Gudelj, M. (2017): Analiza urbanizacije grada Splita,
Geodetski list: glasilo Hrvatskoga geodetskog društva. 71, 94, 3, 189.-202.
59
Gislason, P., Benediktsson, O., Atli, J., Johannes, R. S. (2006): Random Forests for land
cover classification, Pattern Recognition Letters, 27, 4, 294.-300.
Goetz, S. J., Varlyguin, D., Smith, A. J., Wright, R. K., Prince, S. D., Mazzacato, M. E., i
dr. (2004): Application of multitemporal Landsat data to map and monitor land cover and
land use change in the Chesapeake Baywatershed, proceedings of the second international
workshop on the analysis of multi-temporal remote sensing images, Singapore’ World
Scientific Publishing Co., 223.-232.
Kamusoko, C. (2015): Simulating Urban Growth Using a Random Forest-Cellular

Automata (RF-CA) Model, ISPRS International Journal of Geo-Information, 4, 2, 447.-
470.
Lyons, M. B., Phinn, S. R., Roelfsema, C. M. (2012): Long term land cover and seagrass
mapping using Landsat and object-based image analysis from 1972 to 2010 in the coastal
environment of South East Queensland, Australia, ISPRS Journal of Photogrammetry and
Remote, 71, 34.-46.
Oluić, M. (2001): Snimanje i istraţivanje Zemlje iz svemira, Hrvatska akademija znanosti i

umjetnosti, Zagreb.
Oštir, K., Mulahusić, A. (2014): Daljinska istraţivanja, GraĎevinski fakultet, Univerzitet u

Sarajevu, Bosna i Hercegovina
Rogić, V. (1959): Velebitska primorska padina, Acta Geographica Croatica, 2, 1, 8.-119.
Schapire, R. E. (1999): Theoretical views of boosting in computational learning theory,

Fourth European Conference, EuroCOLT'99, 1.-10.
Song i dr., (2001): Classification and Change Detection Using Landsat TM Data: When
and How to Correct Atmospheric Effects? Remote Sensing of Environment Volume 75,
Issue 2, February 2001, 230.-244.
Tan, K. C., San L., Hwee, M., Mohd Z., Abdullah, K. (2010): Landsat data to evaluate
urban expansion and determine land use/land cover changes in Penang Island, Malaysia,
Enviromental Earth Sciences, 60, 7, 1509.-1521.
Tutić, D. (2004): Slobodni programi za kartografiju i GIS, Ekscentar 6, 28.-33.
60
Valoţić, L. (2015): Objektno orijentirana klasifikacija zemljišnoga pokrova pomoću

multispektralnih satelitskih snimaka - primjer Grada Zagreba, Hrvatski geografski glasnik,
76, 2, 27.-38.
Viera, A. J., Garett, J. M. (2005): Understanding Interobserver Agreement: The Kappa

Statistic, Fam. Med., 37(5), 360.-365.
Zrinjski, M., Gašparović M., Veselski, A., (2018): Analiza urbanizacije grada Zagreba,
Zbornik radova 11. Simpozija ovlaštenih inţenjera geodezije, 121. -126.
Yang, X. (2002): Satellite monitoring of urban spatial growth in the Atlanta metropolitan
area, Photogrammetric Engineering and Remote Sensing, 68, 7, 725.-734.
61
10. POPIS MREŢNIH ADRESA
URL 1: Turistička zajednica grada Zagreba,
http://www.infozagreb.hr/o-zagrebu/osnovni-podaci, (04.05.2019.).
URL 2: Wikipedia grad Zagreb,
https://hr.wikipedia.org/wiki/Zagreb, (04.05.2019.).
URL 3: Oscilacije električnog (E) i magnetskog polja (H),
http://hyperphysics.phy-astr.gsu.edu/hbase/electric/elefie.html, (06.05.2019).
URL 4: Valna duljina i amplituda,
https://www.google.com/search?q=valna+duljina+i+amplituda&source=lnms&tbm=isch&
sa=X&ved=0ahUKEwj7ipPH0qXjAhUjposKHUnmAjMQ_AUIECgB&biw=1600&bih=7
89#imgrc=bvn2zo3yR-5TKM:, (06.05.2019).
URL 5: Elektromagnetsko zračenje,
https://www.wikiwand.com/sh/Elektromagnetsko_zra%C4%8Denje, (07.05.2019.).
URL 6: Spektar elektromagnetskog zračenja,
https://edutorij.e-skole.hr/share/proxy/alfresco-noauth/edutorij/api/proxy-guest/9948b293-
e5f0-4e05-b7e1-5cb6bc02b81a/content/uploads/kemija-1/m02/j03/kem19-1.jpg,
(07.05.2019).
URL7: Transmisija, Refleksija, Absorpcija
https://www.google.com/search?q=Figure+3.6+Our+symbolic+notations+for+diagrammin
g+the+emission,+transmission,+reflectance,+and+absorptance+of+light+(both+shortwave
+and+longwave+bands.+Credit:+Jeffrey+R.+S.+Brownson&source=lnms&tbm=isch&sa=
X&ved=0ahUKEwjayuSIvaXjAhVMoKHeqfBu4Q_AUIECgB&biw=776&bih=565#imgr
c=aqGGERxbCTj40M: (08.06.2019).
62
URL 8: Spektralna refleksija,
https://www.google.com/search?biw=1600&bih=789&tbm=isch&sa=1&ei=L2MjXcixGpS
D8gKT0a34CA&q=spectral+reflection+of+grass&oq=spectral+reflection+of+grass&gs_l
=img.3...118526.119300..119799...0.0..0.84.398.5......0....1..gws-wiz
img.gbuZDsgsMso#imgrc=UQVhayqxtuStOM:, (08.06.2019).
URL 9: Landsat 4,
https://landsat.gsfc.nasa.gov/landsat-4/, (12.05.2019).
URL 10: Landsat 4/5 satelit,
https://eo.belspo.be/fr/satellites-and-sensors/landsat-4, (12.05.2019.).
URL 11: Multispectral scanner system,
https://landsat.gsfc.nasa.gov/the-multispectral-scanner-system/, (15.05.2019).
URL 12: Multispectral scanner system,
https://eos.com/landsat-4-mss/, (15.05.2019).
URL 13: Thematic mapper,
https://landsat.gsfc.nasa.gov/the-thematic-mapper/, (16.05.2019).
URL 14: Landsat 5,
https://landsat.gsfc.nasa.gov/landsat-5/, (19.05.2019).
URL 15: Multispectral scanner i thematic mapper
https://landsat.gsfc.nasa.gov/the-multispectral-scanner-system/, (15.05.2019).
URL 16: Landsat 8,
https://landsat.gsfc.nasa.gov/landsat-8/landsat-8-overview/, (20.05.2019).
URL 17: Landsat 8,
https://en.wikipedia.org/wiki/Landsat_8, (20.05.2019).
63
URL 18: Karakteristike Landsat 8 satelita,
https://eos.com/landsat-8/ (20.05.2019).
URL 19: Landsat 8 Operational land imager,
https://en.wikipedia.org/wiki/Landsat_8, (21.05.2019)
URL 20: Operational land imager,
https://landsat.gsfc.nasa.gov/operational-land-imager-oli/, (22.05.2019).
URL 21: Usporedba Landsat 8 OLI spektralnih pojaseva s Landsat 7 ETM+ kanalima,
https://landsat.gsfc.nasa.gov/landsat-8/landsat-8-overview/, (20.05.2019).
URL 22: Komponente TIRS-a,
https://landsat.gsfc.nasa.gov/tirs-design/ (25.05.2019).
URL 23: TIRS,
https://landsat.gsfc.nasa.gov/operational-land-imager-oli/, (25.05.2019).
URL 24: Landsat 8,
https://en.wikipedia.org/wiki/Landsat_8 (30.05.2019).
URL 25: LandsatLook Viewer,
https://landsatlook.usgs.gov/viewer.html, (01.06.2019).
URL 26: QuantumGIS,
https://en.wikipedia.org/wiki/QGIS (10.06.2019).
URL 27: Semi-Automatic Classification Plugin for QGIS (SCP),
https://fromgistors.blogspot.com/p/user-manual.html, (13.06.2019)
URL 28: SAGA GIS,
http://www.saga-gis.org/en/about/software.html, (15.06.2019).
64
URL 29: Grafičko sučelje SAGA-e,
http://www.saga-gis.org/en/about/software.html, (15.06.2019).
URL 30: Microsoft Excel,
https://hr.wikipedia.org/wiki/Microsoft_Excel, (17.06.2019).
URL 31: Machine learning,
https://en.wikipedia.org/wiki/Machine_learning, (18.06.2019).
URL 32: Graphical modeler,
https://docs.qgis.org/2.8/en/docs/user_manual/processing/modeler.html, (19.06.2019)
65
11. POPIS SLIKA

Slika 2.1: Područje istraţivanja, podloga: Landsat 8 na 19.07.2015 (Zrinjski i dr., 2018)....4
Slika 3.1: Slika prikazuje oscilacije (amplitude) električnog (E) i magnetskog polja (H)
koje čine elektromagnetsko zračenje i njihov meĎusobni odnos (URL 3) ...........................7
Slika 3.2: Slikovni prikaz valne duljine i amplitude elektromagnetskog vala (URL4) .........8
Slika 3.3: Prikaz spektra elektromagnetskog zračenja (URL 6) ...........................................9
Slika 3.4: Slikovni prikaz interakcije EM zračenja s odreĎenom površinom (URL 7) .......10
Slika 3.5: Grafički prikaz spektralne refleksije odreĎenih elemenata na Zemljinoj površini;
refleksija(%), valna duljina ( m)(URL 8).........................................................................11
Slika 4.1: Prikaz Landsat 4/5 satelita i njegovih dijelova (URL 10) ..................................15
Slika 4.2: Prikaz komponenti Landsat 8 – OLI instrumenta (URL 19) .............................. 22
Slika 4.3: Prikaz usporedbe Landsat 8 OLI spektralnih pojaseva s Landsat 7 ETM+
kanalima (URL 21) .......................................................................................................... 23
Slika 4.4: Komponente sustava TIRS Landsat 8 satelita (URL 22) ...................................23
........................................................................................................................................24
Slika 4.5: Prva Landsat 8 slika; područje Fort Collins, Colorado, SAD. Desna slika je
prikazana korištenjem plavog, zelenog i crvenog OLI kanala, a lijeva korištenjem zelenog,
bliskog IC i kratkovalnog IC (URL 24) ............................................................................ 24
Slika 4.6: Sučelje za pretragu Landsat snimki...................................................................25
Slika 4.7: Sučelje rezultata pretraţivanja Landsat snimki ................................................. 26
Slika 6.1: Prikaz funkcionalnosti SCP dodatka ................................................................. 28
Slika 6.2: Prikaz grafičkog korisničkog sučelja (GUI-a) (URL 29) ...................................29
Slika 6.3: Algoritam modela ocjene točnosti rezultata klasifikacije ..................................34
Slika 6.4: Algoritam statističkog modela zastupljenosti pojedine klase ............................. 35
Slika 7.1: Prikaz urbaniziranosti grada Zagreba 1985. godine ........................................... 36
Slika 7.6: Prikaz urbaniziranosti grada Zagreba 1995.godine ............................................ 41
66
Slika 7.10: Prikaz urbaniziranosti grada Zagreba 2003. godine .........................................45

Slika 7.15: Prikaz urbaniziranosti grada Zagreba 2013. Godine ........................................50
Slika 7.18: Tendencija promjena zemljišnog pokrova u razdoblju od 1985. – 2017. godine
........................................................................................................................................55
67
12. POPIS TABLICA

Tablica 4.1: Prikaz spektralnih kanala MSS senzora Landsat 4 i rezultati koje pojedini
kanal prikazuje (URL 12) .............................................................................................. 16
Tablica 4.2: Karakteristike kanala senzora Thematic Mapper (Landsat 4 i 5) (URL 13).... 17
Tablica 4.3: Prikaz pripadnih spektralnih kanala ovisno o misijama (L1, L2, L3, L4, L5) i
poveznica sam instrumentom Thematic Mapper kod Landsat 4 i 5 misija (URL 15) .........19
Tablica 4.4: Karakteristike svih kanala senzora OLI i TIRS Landsat 8 satelita (URL 18) ..21
Tablica 4.5: Prikaz preuzetih Landsat snimki ...................................................................26
Tablica 7.1: Zastupljenost pojedine klase na sceni 1985. godine .......................................37
Tablica 7.6: Zastupljenost pojedine klase na sceni 1995. godine ......................................42
Tablica 7.10: Zastupljenost pojedine klase na sceni 2003. godine .....................................46
Tablica 7.17: Zastupljenost pojedine klase na sceni 2017.godine ......................................53
Tablica 7.18: Matrica konfuzije i parametri ocjene točnosti za 1985. godinu .................... 56
68
13. DIGITALNI PRILOZI
Literatura, materijali kao i konačni rezultati istraţivanja pohranjeni su u digitalnom zapisu

na CD-u.Sadrţaj CD-a:
1. Finalni diplomski rad (.docx i .pdf)
2. Prezentacija diplomskog rada (.pptx)
3. Satelitski snimci
4. Klasifikacije satelitskih snimaka
5. Uzorci korišteni za treninranje i testiranje klasifikacija
6. Korištena literatura
69
14. ŢIVOTOPIS
Ime Antonija Veselski

Adresa Horvačanska cesta 53, 10000 Zagreb
Telefon +385 099 283 1131
E-pošta veselskia@gmail.com
URL -
Nacionalnost Hrvatica
Drţavljanstvo hrvatsko
Datum roĎenja 21. kolovoza 1994
RADNO ISKUSTVO
• Vrsta posla ili područje Studentski poslovi tijekom studiranja
ŠKOLOVANJE I IZOBRAZBA
• Datum (od – do) 2016. – 2019.
• Naziv i vrsta obrazovne Geodetski fakultet Sveučilišta u Zagrebu, Diplomski
ustanove studij
• Osnovni predmet Geodezija
/zanimanje
• Naslov postignut Magistar inţenjer geodezije i geoinformatike
obrazovanjem
• Stupanj nacionalne VSS
kvalifikacije
• Datum (od – do) 2013. – 2016.

• Naziv i vrsta obrazovne Geodetski fakultet Sveučilišta u Zagrebu, Preddiplomski
ustanove studij
• Osnovni predmet
/zanimanje Geodezija i geoinformatika
• Naslov postignut Sveučilišni prvostupnik inţenjer geodezije i
obrazovanjem geoinformatike
• Stupanj nacionalne
kvalifikacije VŠS
• Datum (od – do) 2009. – 2013.

• Naziv i vrsta obrazovne
Gimnazija Bjelovar
ustanove
• Osnovni predmet Opća gimnazija
70
OSOBNE VJEŠTINE I
SPOSOBNOSTI
MATERINSKI JEZIK HRVATSKI JEZIK
DRUGI JEZICI
ENGLESKI JEZIK
• sposobnost čitanja IZVRSNO
• sposobnost pisanja IZVRSNO
• sposobnost usmenog
IZVRSNO
izraţavanja
SOCIJALNE VJEŠTINE I -sklonost timskom radu

SPOSOBNOSTI -dobre komunikacijske vještine stečene kroz brojne
Življenje i rad s drugim studentske poslove
ljudima u višekulturnim -ţelja za daljnjim napredovanjem i educiranjem
okolinama gdje je značajna -ţelja za učenjem od drugih
komunikacija, gdje je timski
rad osnova (npr. u
kulturnim ili sportskim
aktivnostima).
ORGANIZACIJSKE -dobro razvijene organizacijske sposobnosti

VJEŠTINE I -dobro razvijene vještine rada pod pritiskom
SPOSOBNOSTI - kreativna
Npr. koordinacija i -pouzdana
upravljanje osobljem,
projektima, financijama; na
poslu, u dragovoljnom radu
(npr. u kulturi i športu) i
kod kuće, itd.
TEHNIČKE VJEŠTINE I Osnove rada na računalu - poznavanje rada programa:

SPOSOBNOSTI MS Office, QGIS, AutoCAD, Sketch up, SAGA GIS,
TNT mips
S računalima, posebnim
vrstama opreme, strojeva, Osnove programskih jezika: C++, Java, Phyton, SQL
itd.
VOZAČKA DOZVOLA B kategorija
71

Analiza Urbanizacije Grada Zagreba

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Analiza Urbanizacije Grada Zagreba

Uploaded by

Copyright:

Available Formats

SVEUČILIŠTE U ZAGREBU

Analiza urbanizacije grada Zagreba

Analysis of Urbanization of Zagreb

Na temelju članka 19. Etičkog kodeksa Sveučilišta u Zagrebu i Odluke br.:

Izjavljujem da je moj diplomski rad / specijalistički rad /

Datum: Ime i prezime:

Veliko HVALA svima!

ZADATAK ZA DIPLOMSKI RAD

U diplomskom radu potrebno provesti detekciju i praćenje promjena zemljišnog pokrova u

U tu svrhu je potrebno obraditi sljedeće:

 Preuzeti satelitske snimke,

U Zagrebu, 19. veljače 2018. godine

izv. prof. dr. sc. Mladen Zrinjski

Ime i prezime: Antonija Veselski

II. DIPLOMSKI RAD

Naslov: Analiza urbanizacije grada Zagreba

III. OCJENA I OBRANA

Datum zadavanja zadatka: 19. 02. 2018.

Analiza urbanizacije grada Zagreba

SAŽETAK: Jedan od problema današnjice je iseljavanje stanovništva iz ruralnih dijelova u

Ključne riječi: detekcija promjena zemljišnog pokrova, daljinska istraživanja, Landsat,

Analysis of Urbanization of Zagreb

Keywords: land-cover change detection, remote sensing, Landsat, Zagreb, supervised

3. DALJINSKA ISTRAŢIVANJA ...............................................................................5

5. KORIŠTENI SOFTVERI ...................................................................................... 27

7. REZULTATI ISTRAŢIVANJA ............................................................................ 36

7.1.6. Rezultati klasifikacije za 1995. godinu.......................................................... 41

Pojam urbanizacije podrazumijeva razvoj gradova izraţen porastom gradskog

Kako bi utvrdili promjene na području grada Zagreba korištene su tehnike daljinskih

2. DOSADAŠNJA ISTRAŢIVANJA I SPOZNAJE

Istraţivanja promjena zemljišnog pokrova zahtijevaju suradnju i interakciju raznih

Jedno od prvih istraţivanja u kojima se ispitivao potencijal satelitskih snimaka u svrhu

2.1. Područje istraţivanja

Najvaţnije grane gospodarstva u Zagrebu su: proizvodnja električnih aparata, kemijska,

Daljinska istraţivanja (engl. Remote sensing, njem. Fernerkundung, fra. teledetection,

1. Izvor elektromagnetskog zračenja (A) – Prvi uvjet za daljinska istraţivanja je izvor

6. Interpretacija i analiza (F) – ObraĎeni snimak (sliku) potrebno je interpretirati,

Cilj daljinskih istraţivanja je brzo i ekonomično dobivanje preciznih informacija o

3.1. Elektromagnetsko zračenje

Kao što je prethodno navedeno prvi uvjet za daljinska istraţivanja je elektromagnetsko

 Valnom duljinom (λ)

Jedna od karakteristika elektromagnetskog zračenja je ta da se širi i putuje u obliku vala,

Elektromagnetske valove je teorijski predvidio James Maxwell pokušavajući objasniti

3.2. Spektar elektromagnetskog zračenja

Karakteristike elektromagnetskog zračenja ovise o njegovoj valnoj duljini i frekvenciji pa

Slika 3.3: Prikaz spektra elektromagnetskog zračenja (URL 6)

Raspon valnih duljina elektromagnetskog spektra proteţe se od desetinke pikometra do

struktura molekula u doticaju s ultraljubičastim zračenjem. Sunce emitira velike količine

3.3. Interakcija elektromagnetskog zračenja sa površinom

Kao što je prethodno navedeno daljinsko istraţivanje je postupak koji se temelji na

Slika 3.4: Slikovni prikaz interakcije EM zračenja s određenom površinom (URL 7)

Za interpretaciju i klasifikaciju podataka daljinskih istraţivanja izrazito je bitna spektralna

U prethodnim poglavljima definirali smo osnovne pojmove za razumjevanje procesa

Interakcija elektromagnetskog zračenja s površinom i pojam spektralne refleksije zajedno

 Prostorna rezolucija – obično se izraţava veličinom piksela, a ovisi o veličini

4.2. Landsat 4 (1982. – 2011.)

Operacije Landsat 4 ugovorene su s korporacijom EOSAT (Earth Observation Satellite

Usprkos brojnim prijenosima satelitskih operacija, USGS je ostao odgovoran za dugoročno

Multispectral Scanner System-a (MSS) su ureĎaji za linijsko skeniranje koji su

Senzor Kanal Područje kanala Valna duljina (µm) Rezolucija Karakteristike

MSS 1 Vidljivi zeleni 0,5 – 0,6 68 m x 83 m Područje plitke vode

MSS 2 Vidljivi crveni 0,6 – 0,7 68 m x 83 m Obradive površine

Landsat 4 Thematic Mapper je napredni senzor za multispektralno skeniranje, dizajniran za