m ď1 MASARYKOVA

to UNIVERZITA
I PŘÍRODOVĚDECKÁ FAKULTA
GEOGRAFICKÝ ÚSTAV

Sledování změn porostu CHKO Orlické hory

prostředky DPZ

Bakalářská práce

Kristýna Vilímkova

Vedoucí práce: Ing. Kateřina Tajovská, Ph.D. Brno 2018

Bibliografický záznam

Autor: Kristýna Vilímkova

Přírodovědecká fakulta, Masarykova univerzita
Geografický ústav

Sledování změn porostu C H K O Orlické hory prostředky

Název práce:
DPZ

Studijní program: Geografie a kartografie

Studijní obor: Geografická kartografie a geoinformatika

Vedoucí práce: Ing. Kateřina Tajovská, Ph.D.

Akademický rok: 2017/2018

Počet stran: 46+ 15

Klíčová slova: DPZ, sledování, klasifikace, vegetace, Orlické hory, land

cover, Landsat
Bibliographie Entry

Author: Kristýna Vilímkova

Faculty of Science, Masaryk University
Department of Geography

Monitoring land cover changes by Remote Sensing in

Title of Thesis:
region of Orlic Mountain

Degree programme: Geography and Cartography

Field of Study: Geographical Cartography and Geoinformatics

Supervisor: Ing. Kateřina Tajovská, Ph.D.

Academic Year: 2017/2018

Number of Pages: 46+15

Keywords: remote sensing, land cover, vegetation, monitoring,

classification, Orlic Mountain, Landsat
Abstrakt
Tato bakalářská práce se věnuje změnám porostu v C H K O Orlické hory mezi lety

1984 a 2017. Ze snímků z družic Landsat byly vytvořeny mapové kompozice základních

druhů povrchů za použití řízené klasifikace, které byly následně porovnány a vznikla tak

mapa časových změn. Hodnoceny byly změny v rozložení lesů a zároveň určeny plochy,

které jsou stabilní a v čase se nemění. Zvláštní zřetel byl přitom kladen na maloplošná

zvláště chráněná území. Výsledky byly následně porovnány s vrstvami z databáze

CORINE Land Cover a vlastním terénním průzkumem. Práce prokázala, že na území

C H K O Orlické hory ke změnám dochází, ale nezměněných ploch v posledních letech

přibývá.

Abstrakt
This bachelor thesis focuses on the changes of land cover in region of Orlic

Mountain between the years 1984 and 2017. Using images from Landsat satellites, the map

composition of the basic surfaces was created by supervised classification. These maps

were compared and the map of changes during the time was created. Changes of forest

layout were rated and areas which are stable and doesn't change in time were determined.

The results were compared with layers from CORTNE Land Cover database and own

terrain research. It was proved that there were changes in region of Orlic Mountain, but in

recent years there are more stable areas.

 Masarykova univerzita

Přírodovědecká fakulta

ZADÁNÍ BAKALÁRSKE PRÁCE

Student: Kristýna Vilímkova

Studijní program: Geografie a kartografie
Studijní obor: Geografická kartografie a geoinformatika

Ředitel Geografického ústavu Prírodovedecké fakulty M U Vám ve smyslu Studijního a

zkušebního řádu M U určuje bakalářskou práci s tématem:

Sledování změn porostu CHKO Orlické hory prostředky DPZ

Monitoring land cover changes by Remote Sensing in region of Orlic

Mountain.

Zásady pro vypracování:

Práce je zaměřena na sledování změn v porostu na území C H K O Orlické hory se zvláštním

zřetelem k oblastem přírodních rezervací a biotopů za využití prostředků dálkového
průzkumu Země. Cílem je zanalyzovat dopady zásahů na podporu ochrany přírody.
Práce bude reflektovat následující kroky.
1. analýza dosavadních přístupů a metod ke sledování změn porostu v oblasti dálkového
průzkumu Země;
2. vyhledání vhodných satelitních snímků, podkladových dat na územní C H K O Orlické
hory;
3. vytvoření mapy porostů v různých časových horizontech a vizualizace změn zejména v
oblastech biotopů a přírodních rezervací;
4. diskuse výsledků.
Rozsah grafických prací: podle potřeby

Rozsah průvodní zprávy: cca 30-40 stran

Seznam odborné literatury:

Mather P, Koch M . (2011): Computer Processing O f Remotely-Sensed Images: A n
Introduction [e-book]. Chichester, West Sussex, U K : Wiley
Darius, P, & Justin, M . (2017): Developments in Landsat Land Cover Classification Methods:
A Review, Remote Sensing, Vol 9, Iss 9, P 967 (2017), 9, p. 967, Directory of Open Access
Journals
Toderas, T., Cracea, T., Negoescu, A . (2015): Using landsat multispectral images in analysing
forest vegetation. Land Forces Academy Review, 20(2), 243-250.

Jazyk závěrečné práce: čeština

Vedoucí bakalářské práce: Ing. Kateřina Tajovská, Ph.D.

Podpis vedoucího práce:

Datum zadání bakalářské práce: říjen 2017

Datum odevzdáni bakalářské práce. do 10. května 2018

prof. RNDr. Petr Dobrovolný, CSc.

ředitel Geografického ústavu

Se zadáním bakalářské práce souhlasím, jsem si vědom(a), že zadání práce je závazné.

Převzal(a): ./ií^M dne ...%b.:LMíl.

Poděkování
Na tomto místě bych chtěla poděkovat své vedoucí Ing. Kateřině Tajovské, Ph.D.

za ochotu, vstřícnost a cenné rady při zpracováni této bakalářské práce.

Prohlášení
Prohlašuji, že jsem svoji bakalářskou práci vypracovala samostatně s využitím zdrojů,

které j sou v práci citovány.

Brno28.dubna 2018 Kristýna Vilímkova

1 ÚVOD 9
2 REŠERŠE LITERATURY 10

3 C H K O ORLICKÉ H O R Y 12

3.1 Charakteristika oblasti 12

3.1.1 Fyzickogeografická charakteristika 12

3.1.2 Socio-ekonomická charakteristika 14

3.2 Chráněná území 16

4 M E T O D Y DPZ PRO SLEDOVÁNÍ ZMĚN POROSTU 19

4.1 Fyzikální podstata DPZ 19

4.2 Vegetační indexy 22

4.3 Metody sledování vegetace prostředky DPZ 24

4.4 Metody klasifikace obrazu 25

5 POUŽITÁ DATA 26

5.1 Základní informace o snímcích 27

6 KLASIFIKACE OBRAZU 28

6.1 Řízená klasifikace 28

6.1.1 Trénovací fáze 29

6.1.2 Klasifikační fáze 31

6.2 Neřízená klasifikace 32

7. VÝSLEDKY K L A S I F I K A C E 34

7.1 Přesnost klasifikace 36

7.2 Postklasifíkační úpravy 37

8 HODNOCENÍ VÝSLEDKŮ 38

9 ZÁVĚR 42

10 S E Z N A M POUŽITÉ LITERATURY 43

PŘÍLOHY 45

S E Z N A M PŘÍLOH 46
1 ÚVOD
Dálkový průzkum Země (DPZ) je obor, který nám umožňuje pozorovat jevy

na zemském povrchu bez nutnosti terénního průzkumu. Využívá při tom soustavy družic,

které v pravidelných intervalech snímají pevninu i oceány. Dnešní satelity mají velmi

vysoké rozlišení, proto je tak možné monitorovat různé fenomény s velkou přesností. DPZ

lze využít v celé řadě oborů. Může pomoci hodnotit stav oceánů nebo vegetace, tání

ledovců, změnu klimatu, nebo jako v tomto případě, sledovat změny ve využívání krajiny.

Národní parky (NP) a chráněné krajinné oblasti (CHKO) mají za úkol chránit

a udržovat unikátní a vzácné ekosystémy i s jejich faunou a flórou. Avšak i v těchto

oblastech může docházet ke změnám krajinného pokryvu, ať už vinou člověka (imisní

znečištění, apod.) nebo přemnožením škůdců (např. kůrovcové kalamity na Šumavě).

Správa NP i C H K O se potom snaží poškozené části krajiny znovu obnovovat a navrátit je

tak co nejvíce do původní podoby.

Cílem této práce bylo zjistit změny krajinného pokryvu v C H K O Orlické hory

od 80. let minulého století do současnosti (vždy v intervalu přibližně 10 let). Bylo nutné

najít vhodné a především kvalitní snímky z vybraných let a následně zvolit metodu

klasifikace, která nejlépe postihne transformaci krajiny. Využita byla data ze dvou druhů

družic - Landsat (5, 7 a 8) a Sentinel 2. Původní hypotéza předpokládala, že by se

vegetační pokryv v C H K O Orlické hory v průběhu let příliš měnit neměl.

V samotném textu jsou nejprve v rešeršní části popsány ostatní práce, které se

věnovaly danému tématu. V další části je charakterizované vybrané území včetně fyzicko-

geograckých a antropogenních činitelů, a také důvody ochrany celé oblasti. Následující

kapitoly se věnují samotnému dálkovému průzkumu Země, jeho fyzikální podstatě

a vegetačním indexům, které se používají při zpracování snímků. Použitá data jsou potom

detailně popsána v kapitole 3. V dalších částech jsou rozebrány všechny použité metody

klasifikace a ověření jejich přesnosti.

9
2 REŠERŠE LITERATURY
Dálkový průzkum Země se v posledních desetiletích stal nedílnou součástí

sledování a zkoumání jevů na zemském povrchu. Fyzikální specifikace a obecný princip

fungování, včetně zpracování družicových snímků, vysvětlují ve svých knihách

Dobrovolný (1998), Lillesand, Kiefer, Chipman (2004) nebo Darius, Justin (2017). Všichni

zmínění popisují také různé metody zpracování a možnosti klasifikace snímků.

Různé typy povrchů mají různé spektrální chování, proto se dají relativně dobře

rozlišit. Právě tohoto jedinečného spektrálního chování využívají vegetační indexy, které

dávají do vztahu hodnoty odrazivosti v blízké infračervené části spektra a ve viditelné

oblasti. Jedním z nej používanějších spektrálních (vegetačních) indexů je NDVI, který

vypovídá o druhu lesa i o jeho zdravotním stavu; ve své knize ho popisuje Dobrovolný

(1998).

K dalším zdrojům patří také bakalářské a diplomové práce. Ke sledování změn

lesního porostu v oblasti Moravského krasu využila Faltej sková (2016) normalizovaný

vegetační index (NDVI), transformaci Tasseled Cap a Forest Index. Použila také řízenou

klasifikaci, kde si zvolila klasifikátor maximální pravděpodobnosti. Výsledky porovnala

s databází CORJNE Land Cover, lesními hospodářskými plány a vlastním terénním

průzkumem. Celková přesnost klasifikace u všech zpracovávaných snímků přesáhla 90%

(u jednoho ze snímků byla úspěšnost dokonce 99,56%). Problém s Forest Indexem nastal,

když nebylo snadné nastavit koeficienty tak, aby celkově fungoval správně.

Změny ve struktuře krajiny sledovala také Janáčková (2013), která provedla

řízenou klasifikaci a vypočítala vybrané krajinné indexy (Relative Richness a Diversity).

Pro oba snímky použila jak klasifikátor maximální pravděpodobnosti, tak minimální

vzdálenosti. V obou případech se však jako vhodnější ukázal klasifikátor maximální

pravděpodobnosti, protože druhý použitý algoritmus chybně označoval velkou část

jehličnatých lesů jako vodní plochy. Index Relative Richness hodnotí druhovou

rozmanitost a bohatost daného území. Pomocí tohoto indexu bylo zjištěno, že v průběhu

vybraného období se druhová pestrost na studovaném území zvýšia přibližně o 5%.

Obdobné téma zpracovávala ve své diplomové práci Musilová (2012), která zadané

území zhodnotila hned několika vegetačními indexy, z nichž k nej známějším patří

normalizovaný rozdílový vegetační index (NDVI), index listové plochy (LAI) nebo simple

10
ratio (SR). Výsledky vegetačních indexů porovnávala na základě jejich průměrných hodnot

a směrodatných odchylek. Je třeba počítat s tím, že vypočtené hodnoty mohou být

ovlivněny celou řadou faktorů. Náhlé změny mezi jednotlivými roky nemusejí nutně značit

náhlou změnu v kondici porostu, mohou znamenat pouze to, že daný index není vhodný.

Pokud byl tedy daný trend rozeznán u více indexů, byl označen za platný.

Dalšími zdroji byly zahraniční studie. Data ze Sentinelu 2 a Landsatu 7 a 8

porovnával Flood (2017). Změny v lesních porostech jižní Brazílie sledovali Sothe, de

Almeida, Liesenberg, Schimalski (2017), kteří ve své práci použili dvě různé techniky

Random Forest (RF) a Support Vector Machines (SVM). Random Forest je učící metoda,

která vytvoří několik rozhodovacích stromů, a poté vytvoří modus tříd vrácených

jednotlivými stromy. S V M je metoda strojového učení s učitelem, která slouží především

pro klasifikaci. Ve své práci použili data z Landsatu 8 a Sentinelu 2. Zjistili, že S V M

dosahuje lepších výsledků na snímcích ze Sentinelu, což mohlo být způsobeno jejich

lepším prostorovým a spektrálním rozlišením. Naopak metoda Random Forest se na datech

ze Sentinelu ukázala jako mnohem méně citlivá při zařazování proměnných.

Změny ve střední Evropě mezi lety 1984 a 2016 pak zkoumali Oeser, Pflugmacher,

Senf, Heurich, Hostert (2017). Lesní vegetaci zkoumali pomocí řízené i neřízené

klasifikace a vegetačních indexů (NDVI - Normalized Difference Vegetation Index, a PVI -

Perpendicular Vegetation Index) Toderas, Cracea, Negoescu (2015). Řízenou klasifikací

byli schopni ve vegetaci rozlišit 3 druhy stromových porostů, zatímco neřízenou klasifikací

jich objevili hned 5.

11
3 CHKO ORLICKÉ HORY
3.1 Charakteristika oblasti
3.1.1 Fyzickogeografická charakteristika

Plán péče o CHKO Orlické hory

mapová příloha č. 1
PŘEHLEDOVÁ M A P A

státní hranice
C3 hranice CHKO
hranice maloplošných ZCHÚ
budovy, zástavba
silnice
železnice
vodní tok

významné vrcholy
lesy
louky a pastviny
94 omá púda a sady

\ a

10 km datový obsah ©AOPK CR, Správa CHKO Orlické hory, 2013

— mapový podklad ZABAGED © ČŮZK, 2009
terénni reliéf © CENIA; wms http://geoportal.gov.cz, 2013

Obr. 1: Přehledová mapa C H K O Orlické hory.

Zdroj: orlickehory.ochranaprirody.cz, 2018

12
 C H K O Orlické hory se nachází ve Východních Čechách na hranicích s Polskem.

Geomorfologicky se Orlické hory řadí do Krkonošsko-Jesenické soustavy, kde tvoří

samostatný celek Orlické podsoustavy. C H K O Orlické hory se potom z velké části

rozprostírá na Deštenské hornatine, zasahuje však i do Mladkovské hornatiny a Podorlické

tabule (do podcelků Náchodské a Zamberecké vrchoviny). Chráněná krajinná oblast je

tvořena hlavním hřebenem Orlických hor a částečně i jejich podhůřím. Její rozloha je 204

km a vyhlášena byla roku 1969. Nej vyšším vrcholem této soustavy je Velká Deštná, která
2

dosahuje výšky 1115 m n.m., naopak nejnižším bodem je řeka Bělá u Skuhrova nad Bělou

(416 m n.m.). (Agentura Ochrany Přírody a Krajiny ČR, 2018)

Nej významnej ší řekou v oblasti je Divoká Orlice, která pramení v Polsku

a necelých 30 km tvoří také státní hranici. Reka dále protéká skalnatým úsekem

v rozpukaných rulách a protíná snížený hřbet Orlických hor v místě zvaném Zemská brána.

Tato oblast je vyhlášenou přírodní rezervací. Do Divoké Orlice se nedaleko Vamberka

vlévá Zdobnice, která pramení poblíž stejnojmenné vesnice a je charakteristická

rozkolísaností průtoku. Co se kvality vody týče, mají povrchové vody v této oblasti velmi

nízký obsah rozpustných látek (měkká voda). V Orlických horách se přirozeně akumuluje

povrchová i podzemní voda, proto byly v roce 1978 vyhlášeny chráněnou oblastí přirozené

akumulace vod (CHOPAV). (Agentura Ochrany Přírody a Krajiny ČR, 2018)

Klimaticky se převážná část C H K O Orlické hory řadí do chladné oblasti, kdy se

teploty v nej chladnějším měsíci (lednu) pohybují kolem -11°C a v nejteplejším (červenci)

potom kolem 13°C. Průměrný roční úhrn srážek v nižších polohách kolísá mezi 700-800

mm, zatímco v polohách vyšších může dosahovat až k 1300 mm. Obdobně je to také se

sněhovými srážkami - v podhůří během zimy sněží průměrně 40 dní, na horských

vrcholech pak může sněžit i více než 80 dní. (Agentura Ochrany Přírody a Krajiny ČR,

2018)

Orlické hory se vyznačují poměrně velkou rozmanitostí přírodních biotopů. Před

zásahem člověka do tamní přírody byly hlavním lesním biotopem bučiny. V současné době

C H K O Orlické hory zaznamenává výskyt 47 druhů chráněných rostlin, přičemž jedním

z nejhojnějších a nej typičtějších zástupců je bledule jarní - Leucojum vernum. Místním

endemitem s poměrně velkou populací je horeček mnohotvarý český - Gentianella

bohemica (po něm je pojmenovaná přírodní rezervace Horečky). Avšak i v této oblasti se

13
vyskytují invázni druhy - některé se daří potlačovat na celém území (bolševník velkolepý -

Heracleum maňtegazzianum), jiné alespoň kolem přírodních památek a rezervací.

(Agentura Ochrany Přírody a Krajiny ČR, 2018)

Na území C H K O Orlické hory se vyskytuje také řada ohrožených druhů živočichů,

z nichž mezi ty kriticky ohrožené patří: rak říční - Astacus astacus, roháč obecný - Lucanus

aervus, střevlík - Carabus, mihule potoční - Lampetra planeri, zmije obecná - Vipera

berus, vrápenec malý - Rhinolophus hipposideros a bobr evropský - Castor fiber.

(Agentura Ochrany Přírody a Krajiny ČR, 2018)

3.1.2 Socio-ekonomická charakteristika

Územně náleží toto C H K O Královéhradeckému kraji, jen jeho jižní část spadá do

kraje Pardubického. Z historického hlediska byla krajina a příroda ovlivněna využíváním

přírodních zdrojů. Další velký vliv na celou oblast mělo poválečné období, kdy se podél

hranic budovaly pevnosti a zákopy. V tomto období byly celé Orlické hory odtrženy od

republiky, což velice narušilo život v oblasti. Obyvatelé se vystěhovali a zemědělská půda

zůstala nevyužívaná.

Obrovský vliv na lesní porosty v Orlických horách měly imise. Imisní poškození

lesnatých ploch se začalo projevovat po roce 1980 (tedy v době, kdy už byla oblast

vyhlášená za chráněnou). Imise spolu s extrémními klimatickými podmínkami měly za

následek velmi rychlé zhoršení stavu zejména smrkových porostů. Po jejich odtěžení pak

vznikly rozsáhlé mýtiny táhnoucí se od Serlichu po Anenský vrch. K hlavním zdrojům

imisí patřily elektrárny Chvaletice a Opatovice nad Labem, jež jsou v této době už

odsířené, což Orlickým horám výrazně pomohlo. (Orlické hory, 2018)

14
Obr. 2: Les poškozený imisemi (Krušné hory).
Zdroj: sites.google.com

Obr. 3: Poškození lesních porostů v Orlických horách v roce 2017.

Zdroj: geoportal.uhul.cz, 2018

15
3.2 Chráněná území
Na území C H K O Orlické hory se nacházejí dvě národní přírodní rezervace - N P R

Bukačka a N P R Trčkov. N P R Bukačka byla vyhlášena v roce 1954 a důvodem její ochrany

jsou původní bukosmrčiny s klenem a jeřábem. Na jejím území se nachází 294 druhů

vyšších rostlin a z toho 23 je chráněných - proto se Bukačka přezdívá Botanickou zahradou

Orlických hor. N P R Trčkov byla vyhlášena v roce 1982 a nacházejí se zde přirozené

smíšené porosty s převahou horského smrku - Picea, buku - Fagus, klenu - Acer

pseudoplatanus a jedle -Abies. (Agentura Ochrany Přírody a Krajiny ČR, 2018)

Na území C H K O Orlické hory se nachází celkem 21 maloplošných zvláště

chráněných území s celkovou rozlohou 480 ha. Většina z nich se nachází na pozemcích

vedených jako lesní plochy. Mimo lesních porostů však také velkou část tvoří rašeliniště

a podmáčené louky. Ve dvou případech je předmětem ochrany geomorfologický nebo

geologický fenomén - přírodní památka Sfinga a již výše zmíněná přírodní rezervace

Zemská brána. (Agentura Ochrany Přírody a Krajiny ČR, 2018)

V C H K O Orlické hory se nachází celkem 5 evropsky významných lokalit patřících

do soustavy Nátura 2000, které dohromady zabírají plochu o rozloze 2364 ha - tedy 12 %

rozlohy celé C H K O . Jsou to Orlické hory - sever, Trčkov, Panský vrch, Zaorlicko

a Zdobnice - Říčka. Předmětem ochrany je 13 typů stanovišť, přičemž převládají lesní

porosty. (Agentura Ochrany Přírody a Krajiny ČR, 2018)

V roce 1999 byla Ministerstvem životního prostředí schválena zonace CHKO.

V oblasti jsou odlišeny 4 zóny rozlišené podle stupně ochrany. I. zóna zahrnuje oblasti

nejcennější, které zabírají 7 % celkové rozlohy C H K O . Z lesů jsou do této zóny zařazeny

ty, ve kterých je druhová skladba přírodě nejbližší. Z luk potom ty, ve kterých se vyskytují

zvláště chráněné druhy rostlin a živočichů. II.zóna zabírá 39 % C H K O a zahrnuje

zachovalé části krajiny. Jde o mozaiku druhově bohatých luk, pastvin a mokřadů. Nej větší

plochu zabírá III. zóna (51 %) a řadí se do ní zbylé oblasti - především smrkové

monokultury, imisemi poškozené lesní porosty a zemědělsky intenzivněji využívaná půda.

Poslední, IV. zóna, zabírá jen 3 % plochy C H K O a jedná se o zastavěné oblasti a souvislé

plochy orné půdy. (Agentura Ochrany Přírody a Krajiny ČR, 2018)

16
Obr. 4: Zonace C H K O Orlické hory.
Zdroj: orlickehory.ochranaprirody.cz, 2018

Každý rok jsou vytvářena opatření, která mají za úkol udržovat nebo zlepšit stav

vzácných lokalit. Například zvláštní péče je věnována PR Horečky, která je významnou

lokalitou výskytu horečku mnohotvárného českého - Gentianella bohemica. Obdobně se

17
chrání biotopy živočichů - obnova tůní především v Zaorlicku pro podporu obojživelníků.

Dalším příkladem je Ptačí oblast Orlické Záhoří, které je domovem chřástala polního -

ErexErex. (Agentura Ochrany Přírody a Krajiny ČR, 2018)

Dále se klade důraz na omezení šíření některých invazních druhů rostlin. Některé

druhy (bolševník - Heracleum, křídlatky - Reynoutria) se daří redukovat, jiné se naopak

rozšířily i do jiných oblastí (netýkavka žláznatá - Impatiens glandulifera). Jsou také

prováděna opatření s cílem omezit škody způsobené vysokou zvěří. Tato snaha je však

zatím stále neúspěšná z důvodu imigrace zvěře z Polska, která probíhá převážně v zimním

období, tedy mimo lovnou sezónu. (Agentura Ochrany Přírody a Krajiny ČR, 2018)

18
4 METODY DPZ PRO SLEDOVÁNÍ ZMĚN POROSTU
4.1 Fyzikální podstata DPZ
Dálkový průzkum Země využívá elektromagnetické záření jako zdroj informací

o objektech na zemském povrchu. Elektromagnetické vlny se dělí podle vlnové délky na

záření ultrafialové, viditelné, infračervené a mikrovlnné. Lidské oko je přitom schopné

zachytit jen záření z viditelné části spektra. (DOBROVOLNÝ, 1998, s. 12-28)

Části elektromagnetického záření a jejich vlnové délky:

• ultrafialové záření (UV) - 0,1 až 0,4 um

- výrazně pohlcováno atmosférou

- použití: vyhledávání ložisek zlata, monitorování ropných skvrn

• viditelné záření - 0,4 až 0,7 um

- zdrojem je pouze Slunce (využití pouze v denních hodinách)

- proniká vodním sloupcem (cca do 20 m hloubky) - umožňuje sledování

vlastností vodních ploch

• infračervené záření

blízké infračervené (NIR) - 0,7 až 1,3 um

- voda se v tomto pásmu chová jako černé těleso
-využití: studium vegetace, lesnictví, zemědělství

střední infračervené (MIR) - 1,3 až 3 um

- dá se rozlišit druh vegetace (i její zdravotní stav), rozpoznání sněhu

a ledu

tepelné infračervené (TIR) - 3 až 14 um

- zjištění povrchové teploty oceánu, lokalizace lesních požárů,..

• mikrovlnné záření - 1 mm až 1 m

- studium reliéfu, geologie, plovoucích ledů,..

19
 Rostoucí vlnová délka a klesající energie

0,0001 nm 0,01 nm 10 nm 1000 nm 0,01 cm 1 cm 1m 100 m

• • • •
Rentgenovo
Paprsky gama zářeni UV Infračervené záření Mikrovlny
Rádiové vlny

400 nm 500 nm 600 nm 700 nm

Obr. 5: Elektromagnetické spektrum

Zdroj: LabGuide, 2014

Sluneční záření pronikající do atmosféry je z části pohlceno atmosférou, z části se

od ní odrazí. Zbytek záření projde až k zemskému povrchu, od kterého se také odráží.

A právě podle množství odraženého záření se dají identifikovat jednotlivé povrchy - každý

typ povrchu má jedinečnou spektrální charakteristiku. Vliv na spektrální vlastnosti každého

povrchu potom má jeho fyzikální stav (obsah vlhkosti,..) i stav jeho blízkého okolí

(propustnost atmosféry,..), nej větší vliv na to však má skutečnost, o jaký druh povrchu

(objektu) se jedná - například jeho chemické složení. (DOBROVOLNÝ, 1998, s. 12-28)

Množství odraženého záření lze charakterizovat spektrální odrazivostí p, kterou lze

definovat jako poměr intenzity odraženého záření (M ) a intenzity dopadajícího záření (Mi)
r

na určité vlnové délce (X) - udáváno většinou v procentech:

PM = — TT*
Mt(\)
1 0 0
t ]
%

Pokud objekt odráží málo světla, bude se na snímku jevit jako tmavý a naopak. Ve

viditelné části světlaje obtížné rozlišit některé typy povrchů - například rozeznat listnatý

les od jehličnatého není téměř možné. Proto je nutné použít snímky v infračervené části

spektra, kde listnaté stromy nabývají vyšších hodnot odrazivostí než stromy jehličnaté.

(DOBROVOLNÝ, 1998, s. 12-28)

Projevem spektrálního chování jednotlivých povrchů je spektrální křivka - tedy

závislost mezi jeho odrazivostí a vlnovou délkou. Spektrální křivka má pro daný typ

20
objektu vždy typický průběh. Například u spektrálního projevu vegetace lze odlišit 3 části:

oblast pigmentační absorpce, oblast buněčné struktury a oblast vodní absorpce.

60- Visible Near- Mid-infrared

_ 50- Soil

0.5 0.7 0.9 1.1 1.3 1.5 1.7 1.9 2.1 2.3 2.5
Wavelength (|jm)

Obr. 6: Spektrální projev vegetace.

Zdroj: seos-project.eu, 2017

• Oblast pigmentační absorpce se nachází ve vlnových délkách 0,4-0,7 um. V této části

spektra hrají důležitou roli karoteny, ale především chlorofyl obsažený v listech. Ten

pohlcuje 70-90 % dopadajícího záření v modré a červené části spektra. Lokální

maximum odrazivosti se nachází v zelené části spektra, což je důvodem toho, že se

vegetace jeví jako zelená.

• Oblast buněčné struktury je ve vlnových délkách 0,7-1,3 um. V této části závisí nejvíce

na morfologické struktuře listu. Dají se tedy dobře odlišit plochy s vegetací od ostatních

objektů, je možné však rozlišit i jednotlivé druhy rostlin.

• Oblast vodní absorpce je ve vlnových délkách 1,3-3 um. Lokální maxima v této části

spektra se nacházejí ve vlnových délkách 1,6 a 2,2 um a platí, že čím vyšší obsah vody

v rostlině je, tím menší odrazivost má. V těchto vlnových délkách se tedy dají nejlépe

pozorovat změny obsahu vody. (DOBROVOLNÝ, 1998, s. 12-28)

21
4.2 Vegetační indexy
Výpočet vegetačních (nebo také spektrálních) indexů patří mezi velice časté

metody hodnocení stavu vegetace. Jedná se o jednoduché aritmetické operace se dvěma

nebo více pásmy mul ti spektrálního obrazu. Tento koncept vychází z typického spektrálního

chování vegetace, která jako zdravá odráží 40-50 % dopadajícího záření v blízké

infračervené části spektra. Ve viditelné části spektra je odrazivost jen 10-20 %, což je dáno

tím, že chlorofyl ve vegetaci pohlcuje záření. (DOBROVOLNÝ, 1998, s. 194-197)

Jeden z nejvíce používaných spektrálních indexů je Normalizovaný diferenční

vegetační index (NDVI - Normalized Difference Vegetation Index), který indikuje

množství zelené vegetace obsažené v jednom pixelu. Hodnoty N D V I se pohybují

v rozmezí mezi -1 a 1, přičemž platí, že čím vyšší hodnota, tím větší je obsah vegetace.
Využití nachází v mnoha lesnických a zemědělských aplikacích.

TM 4 - TM 3 TM3 - odrazivost v červené viditelné části spektra

NDVI = F

TM 4 + TM 3 TM4 - odrazivost v blízké infračervené části spektra

Tab. 1: Typické hodnoty N D V I pro vybrané druhy povrchů.
Zdroj: Dobrovolný (1998)

Druh povrchu NDVI

Velmi hustá vegetace 0,5

Středně hustá vegetace 0,14

Řídká vegetace 0,09

Holá půda 0,025

Oblačnost 0,002

Sníh a led -0,046

Voda -0,257

Dalším běžným indexem je Jednoduchý poměrový vegetační index (SR - Simple

Ratio, nebo také RVI - Ratio Vegetation Index), který se vypočítá jako poměr pásma TM4

a TM3. Pro RVI je typické, že u holých půd se jeho hodnota pohybuje kolem 1 a se

zvětšujícím se podílem vegetace v pixelu roste také RVI. (DOBROVOLNÝ, 1998,

s. 194-197)

Index listové aktivity (LAI - Leaf Area Index) vyjadřuje hustotu zelené hmoty na

jednotku plochy. L AI je vypočten z odrazivosti v červeném viditelném a blízkém

22
infračerveném oboru spektra. Čím větší vyjde jeho hodnota, tím více plochy ve vybraném
území je pokryto listy. (DOBROVOLNÝ, 1998, s. 194-197)

Výše jmenované indexy patří do kategorie poměrových indexů, které dávají do

vztahu odrazivost povrchů v červené viditelné a blízké infračervené části spektra. Druhou

skupinou indexů jsou indexy ortogonální, které se počítají jako lineární kombinace

původních pásem mul ti spektrálního obrazu. Taková pásma vytvářejí vícerozměrný prostor,

pomocí něhož lze vhodným uspořádáním souřadnic zdůraznit určitou informaci obsaženou

v původním obraze. Mezi nej využívanější ortogonální indexy patří PVI (Perpendicular

Vegetation Index) a transformace Tasseled Cap. (DOBROVOLNÝ, 1998, s. 194-197)

Index PVI dokáže do jisté míry odlišit odrazivost vegetace a půdy. Odrazivost půdy

nepokryté vegetací v blízké infračervené a červené viditelné části spektra vykazuje

kladnou korelaci, a proto ve dvourozměrném prostoru holá půda vytváří přímku (tzv. soil

line - linie půd). Pixely, které představují vegetaci, se budou objevovat mimo danou linii.

P V I potom vyjadřuje kolmou vzdálenost jednotlivých pixelů od linie půd.

(DOBROVOLNÝ, 1998, s. 194-197)

V případě transformace Tasseled Cap jsou z původních multispektrálních pásem

vytvořena nová, která zvýrazňují určité vlastnosti. Většina informací je potom

koncentrována v prvních dvou pásmech, která tak definují rovinu. V té jsou zvýrazněny

rozdíly ve spektrálním chování půdy a vegetace. Vzájemně si odpovídající pixely z prvních

dvou pásem vytvářejí v grafu typický tvar, podle kterého byla celá transformace

pojmenována. Pásmo TC1 je označováno jako index Brightness a je orientováno ve směru

maximálního rozptylu hodnot odrazivosti půdy. Pásmo TC2, neboli index Greenness, je

k prvnímu pásmu kolmé a je ukazatelem množství zelené hmoty. (DOBROVOLNÝ, 1998,

s. 194-197)

23
 O 5000 10000 15000 20000

brightness

Obr. 7: Transformace Tasseled Cap - brightness (TC1) a greenness (TC2)

Zdroj: revealnews.org

4.3 Metody sledování vegetace prostředky DPZ

Ke sledování vegetace metodami DPZ se nemusí využívat pouze skenery, které

pracují v optické části spektra - tedy takové, které využívají odražené sluneční záření. Je

možné použít také přístroje pracující v mikrovlnné části spektra. Ukázkou může být

například radar vybavený vlastním zdrojem záření (s vlnovou délkou 1 mm až 1 m). Jeho

výhodou je, že není závislý na slunečním záření a dokáže získat data i přes oblačnost, mlhu

nebo déšť. Radar navíc zvládne proniknout vrstvou sněhu nebo půdy a poskytuje tak

i podpovrchová data. Pro tuto práci však nejsou radarová data příliš vhodná. Odraz

mikrovlnného záření od vegetace je komplikovaný, protože se neodráží jen od jednotlivých

listů, ale jedná se o několikanásobný odraz od celého vegetačního krytu.

Další technologií, kterou lze použít ke sledování vegetace, je laserové skenování

neboli L I D A R (Light Detection And Ranging). Princip LIDARu spočívá v měření

vzdálenosti, kterou urazí paprsek mezi zdrojem záření a zemským povrchem. Umožňuje

změřit šířku a výšku jednotlivých stromů a uplatňuje se tedy především v lesnictví. L I D A R

dokáže také rozeznat, zda se jedná o jehličnatý, nebo listnatý strom. (SIKOVA, 2013)

Metoda, kterou jsem v této práci využila, se nazývá mul ti spektrální snímkování. Při

něm se měří množství elektromagnetického záření odraženého nebo vyzářeného objektem.

24
Jak již bylo zmíněno v předchozích kapitolách, každý objekt na zemském povrchu má své

specifické vlastnosti, které se potom snadno rozeznávají. Na podobném principu fungují

i hyperspektrální snímky, které však narozdíl od snímků multispektrálních obsahují

několikrát více pásem s mnohem menší šířkou. Právě tato jejich schopnost umožňuje získat

daleko přesnější informace o objektech. Často se využívá například k detekci minerálů.

Hyperspektrální snímky však nebyly pro tuto práci využity, neboť nejsou volně dostupné.

4.4 Metody klasifikace obrazu

Metod klasifikace obrazu je celá řada. Dají se rozdělit například na klasifikaci

řízenou, neřízenou a hybridní, nebo na pixelovou a objektově orientovanou, ale existují

i klasifikace založené na strojovém učení. V této práci byla použita řízená i neřízená

klasifikace, které jsou podrobněji popsány v kapitole Klasifikace obrazu. Hybridní

klasifikace spojuje řízenou a neřízenou klasifikaci. Neřízenou klasifikací jsou vytvořeny

homogenní plochy, které slouží jako trénovací plochy pro klasifikaci řízenou. Tento typ

klasifikace je vhodný tam, kde je velká variabilita spektrálních příznaků pro jednotlivé

povrchy. (LILLESAND, KIEFER, 2000)

Zásadní rozdíl mezi pixelovou a objektově orientovanou klasifikací je ten, že

objektová klasifikace bere jako základní prvek objekt (skupina pixelů) a ne jednotlivé

pixely. Objekt vzniká takzvanou segmentací, kdy se spojují pixely podobných vlastností,

přičemž se neberou v úvahu jen spektrální vlastnosti, ale také textura nebo kontext. Takto

vzniklé segmenty se poté testují, aby se vyloučila jejich heterogenita. Následně je možné

na nich provézt i samotnou klasifikaci.

Mezi nejznámnější metody klasifikace strojovým učením patří rozhodovací stromy

a neuronové sítě. Neuronové sítě se snaží napodobit procesy probíhající v nervové

soustavě. Mají navíc schopnost asociativního učení a dokáží také kombinovat různé typy

vstupních dat. Rozhodovací stromy fungují na principu, že se původní data dělí podle

vybraného kritéria, dokud nenajdeme požadovaný prvek. Například, hledáme-li listnatý

les, rozdělíme vstupní data na vodu a vegetaci. Listnatý les musí být ve skupině s vegetací,

skupinu s vodou už tedy ponecháme a další dělení bude probíhat jen ve skupině vegetace.

Tu můžeme dále rozdělit například na pole, travní porosty a lesy. Dělení takto probíhá

dokud nenajdeme hledaný prvek. (DOBROVOLNÝ, 1998, s. 172)

25
5 POUŽITÁ DATA
Ke zjištění změn v porostu ve sledovaném území bylo použito celkem 5 snímků ze

dvou různých družicových systémů. Všechny použité snímky pocházejí ze satelitů Landsat.

Kvůli snadnějšímu porovnání změn v porostu byly vybrány snímky pořízené ve stejném

ročním období, tedy na podzim.

Landsat je americký systém družic patřící N A S A a USGS. První satelit Landsat 1

byl vypuštěn v roce 1972 a patří tedy mezi nejdéle působící systémy. Do vypuštění

Landsatu 5 měly všechny satelity multispektrální skener MSS. Právě Landsat 5 měl jako

první kromě MSS také skener T M (Thematic Mapper). Tento skener pracuje v sedmi

pásmech spektra s radiometrickým rozlišením 8 bitů - obraz je zaznamenáván do 256

úrovní. Jeho prostorové rozlišení je 30 m, jen šesté, termální pásmo, disponuje rozlišením

120 m. Snímky z let 1984 a 1994 byly pořízeny právě družicí Landsat 5, který je pátým

z řad satelitů Landsat. Snímek z roku 2003 pochází z Landsatu 7, který byl vypuštěn v roce

1999, a který nese přístroj ETM+ (Enhanced Thematic Mapper). Tento senzor pracuje v 8

pásmech s rozlišením 15 m (panchromatické), 30 m a 60 m (tepelné). Snímky z let 2013

i 2017 byly pořízeny nej novějším z řady satelitů Landsat, a to Landsatem 8. Na své palubě

nese přístroje OLI (Operational Land Imager) a TIRS (Thermal InfraRed Sensor). OLI

pracuje v devíti pásmech, přičemž pořizuje panchromatické snímky s rozlišením 15m

a multispektrální s rozlišením 30 m. Oproti tomu TIRS pracuje v infračerveném spektru,

zajišťuje tedy tepelná data. (NASA, 2018)

Snímek z roku 2017 měl původně pocházet ze satelitu Sentinel 2, který disponuje

výrazně lepším prostorovým rozlišením než Landsat 8. Snímků z požadovné doby a na

zkoumaném území však příliš mnoho není. Snímky, které splňovaly dané podmínky,

obsahovaly velké množství oblačnosti. Pro účely této práce tedy nebyly vhodné a nebyly

použily.

Dále byla použita data ve formátu shapefile, která byla poskytnuta A O P K

(Agentura Ochrany Přírody a Krajiny České republiky). N a závěrečné určení přesnosti
byly použily vrstvy CORINE Land Cover (z let 2006 a 2012) poskytnuté společností
Cenia.

26
 1001

OÍ , , , ^/s , , , _
400 900 1400 1900 2400 10000 11000 12000 13000

Wavelength (nm)

Obr. 8: Porovnání pásem Landsatu 7 a 8 a Sentinelu 2.

Zdroj: landsat.gsfc.nasa.gov

5.1 Základní informace o snímcích

Landsat 5, 1. snímek:

číslo scény: LT51910251984193XXX12

datum pořízení: 11.7. 1984

radiometrické rozlišení: 8-bit

Landsat 5, 2. snímek:

číslo scény: LT51900251994229XXX02

datum pořízení: 17. 8. 1994

radiometrické rozlišení: 8-bit

Landsat 7:

číslo scény: LE71900252003150ASN00

datum pořízení: 30. 5. 2003

radiometrické rozlišení: 8-bit

Landsat 8, 1. snímek:

číslo scény: LC81900252013249LGN01

datum pořízení: 6. 9. 2013

radiometrické rozlišení: 16-bit

Landsat 8, 2. snímek:

číslo scény: LC81910252017171LGN00

datum pořízení: 20. 6. 2018

radiometrické rozlišení: 16-bit

27
6 KLASIFIKACE OBRAZU
Klasifikací obrazu se označuje proces, při kterém je jednotlivým obrazovým

prvkům (pixelům) přiřazován určitý informační význam. Tyto informační třídy jsou určeny

již na začátku samotné klasifikace a objeví se v legendě výsledné mapy. Prvky se řadí do

daných tříd za použití určitých rozhodovacích pravidel - klasifikátorů. Velice často se

používají klasifikátory založené na spektrálním chování objektů. Existuje celá řada

různých způsobů klasifikace, ovšem mezi nejčastěji používané patří klasifikace řízená

a neřízená.

6.1 Řízená klasifikace

Řízená klasifikace je taková, při které se na začátku celého procesu určí informační

třídy, kterým se následně přiřazují tzv. trénovací plochy. Tyto by měly být typickými

zástupci daného typu objektu. Trénovací etapa je klíčová pro úspěšné provedení celé

klasifikace, proto musí být kompletní (musí být charakterizované všechny zvolené třídy)

a reprezentativní (zvolené třídy by měly být charakterizovány částmi obrazu typickými pro

pro danou třídu). Poté, co se vypočtou spektrální příznaky pro dané trénovací plochy, je

nutno vybrat vhodné rozhodovací pravidlo (klasifikátor), podle kterého se všechny

obrazové prvky rozřadí do jednotlivých informačních tříd. K nejčastěji používaným

klasifikátorům patří:

• Klasifikátor minimální vzdálenosti středu shluků (Minimum Distance)

Pro každý shluk je vypočtena průměrná spektrální hodnota, která určuje jeho střed.

Jednotlivé pixely jsou potom přiřazeny tomu shluku, jehož střed je ve vícerozměrném

prostoru nejblíže.

• Klasifikátor maximální pravděpodobnosti (Maximum Likelihood)

Může se stát, že se shluky v příznakovém prostoru překrývají nebo jsou jejich

středy od sebe stejně daleko. V takovém případě může být zařazení pixelu do správného

shluku problematické. Klasifikátor maximální pravděpodobnosti však zohledňuje také

rozptyl, kovarianci a korelaci. Předpokládá zároveň normální rozdělení hodnot, se kterým

se dá sestavit frekvenční funkce. Pro každou hodnotu na její horizontální ose lze vypočítat

pravděpodobnost její příslušnosti k dané skupině. (DOBROVOLNÝ, 1998, s. 157-160)

28
6.1.1 Trénovací fáze
Jak je již výše zmíněno, trénovací etapa je první a zároveň nej důležitější fází celé
klasifikace. Vytvářejí se v ní trénovací plochy, které slouží jako základ pro samotnou
klasifikaci. Úspěšnost této fáze závisí na následujících faktorech:

• dostatečný počet pixelů v každé trénovací ploše,

• vhodná velikost trénovacích ploch,

• vhodná poloha trénovacích ploch,

• umístění trénovacích ploch,

• rozmístění trénovacích ploch pro danou třídu,

• míra homogenity trénovacích ploch z hlediska jejich spektrálního chování.

(DOBROVOLNÝ, 1998, s. 150-151)

Pro účely této práce bylo vytvořeno celkem 5 informačních tříd, a to zástavba,

jehličnatý les, listnatý les, louka a holé pole. V některých snímcích bylo nutné přidat ještě

další 2 třídy - mraky a jejich stíny. V první fázi však bylo kategorií vytvořeno více,

následně však byly sloučeny do již zmíněných tříd.

29
Obr. 9: Rozložení tónovacích ploch na snímku z roku 1984.
Zdroj: Vlastní vypracování

Pro všechny pixely jsou následně vypočítány statistické charakteristiky

(směrodatná odchylka atd.). Podle nich lze zjistit, které třídy se od sebe dají dobře odlišit,

a které si jsou naopak podobné. K tomuto účelu se používají například histogramy, grafy

korelačního pole (Scatter plot) nebo spektrální křivky povrchů. Ve Scatter plotu se vybírají

dvojice pásem tak, aby spolu co nejméně korelovaly a jejich korelační koeficient se blížil

0. V grafu je možné zobrazit elipsy (znázorňující informační třídy), které graficky

vyjadřují míru korelace. Pokud se jednotlivé elipsy překrývají, je těžké dané třídy rozlišit.

Míru korelace mezi jednotlivými třídami lze zjistit také bez použití grafů, a to

maticí divergencí. Ta porovnává vždy dvě kategorie tříd a její hodnoty se mohou

30
pohybovat v rozmezí od 0 do 2. Nula značí úplnou shodnost spektrálních příznaků, tedy

nejméně vhodný výsledek. Naopak čím více se číslo blíží hodnotě 2, tím větší jsou rozdíly

mezi jednotlivými třídami, a tedy tím vhodnější je výsledek. Akceptovatelné jsou hodnoty

od 1,9 výš.

0 5: 100 15C 200 250

Channel 4
Obr. 10: Scatter Plot snímku z Landsatu 5 z roku 1984 - porovnání pásem 4 a 5.
Zdroj: Vlastní vypracování

6.1.2 Klasifikační fáze

Při klasifikaci byl použit klasifikátor maximální pravděpodobnosti (Maximum

Likelihood), který se ukázal jako vhodnější oproti klasifikátoru minimální vzdálenosti

středu shluků. Před klasifikací se dají nastavit ještě hodnoty Threshold a Bias, které jsou

defaultně nastavené na 3 a 1. Threshold udává násobek směrodatné odchylky a vymezuje

elipsu, která je vepsána části spektrálního prostoru. Pokud tuto hodnotu zmenšíme, dojde

k ořezání pixelů s netypickými D N hodnotami. Hodnota Bias potom přiřazuje jednotlivým

třídám váhu. Obě hodnoty musely být pozměněny u všech klasifikovaných snímků.

Nejvíce musely být upraveny u třídy lesů (jak jehličnatých, tak listnatých), kde byly

zvyšovány, dokud obě třídy nekopírovaly skutečný povrch. Kontrola probíhala vizuálně

v porovnání se snímkem v přirozených barvách. U jiných tříd bylo naopak potřeba obě tyto

hodnoty snížit, a to nejčastěji u zástavby, která se občas chybně vyklasifikovala

a prezentovala na místech, kde ve skutečnosti není.

31
Obr. 11: Porovnání výsledků klasifikace metodou Maximum Likelihood (vlevo) a Minimum Distance
(vpravo).
Zdroj: Vlastní vypracování

6.2 Neřízená klasifikace

Neřízená klasifikace je taková, která nevyžaduje vytvoření trénovacích ploch a není

potřeba ani předem znát vlastnosti daných tříd. Nejdříve jsou vytvořeny třídy spektrální,

které jsou později spojeny do požadovaných tříd informačních. Neřízená klasifikace je

založena na předpokladu, že se objekty s podobnými vlastnostmi budou ve vícerozměrném

prostoru shlukovat. Nejprve je potřeba vytvořit požadovaný počet shluků a určit polohu

centroidu. Následně se podle vybraného rozhodovacího pravidla přiřadí jednotlivé pixely

tomu shluku, kterému přísluší. Přičemž se požaduje, aby variabilita mezi jednotlivými

shluky byla maximální, a naopak aby byla variabilita v rámci jedno shluku co možná

nej menší.

K nejčastěji používaným shlukovacím metodám patří K-means a ISODATA. K -

means je velice jednoduchý algoritmus, ve kterém se na začátku určí požadovaný počet

shluků a případně i úvodní poloha jejich středů. Každý pixel je následně přiřazen tomu

shluku, k jehož průměrovému vektoru (centroidu) má ve zkoumaném prostoru nejblíže.

Následně se vypočte nová poloha centroidu a celý proces se opakuje do té doby, dokud

32
buď centroid přestane výrazně měnit polohu, nebo dokud přestane docházet
k významnému počtu změn v řazení klasifikovaných pixelů.

V metodě ISODATA se nejprve nastaví počet shluků a počet iterací (opakování).

Zařazování pixelů do shluků se poté řídí následujícími pravidly:

• Shluk, který se stane heterogenním, se rozdělí.

• Shluky, které jsou sobě blíže, než je předem stanovená hodnota, se spojí v jeden shluk.

• Shluky, které obsahují méně pixelů, než je předem zadáno, jsou zrušeny. Jejich pixely

se poté přiřadí okolním shlukům. (DOBROVOLNÝ, 1998, s. 162-166)

Obr. 12: Porovnání výsledků řízené (vlevo, metoda Maximum Likelihood) a neřízené klasifikace (vpravo,
metoda ISODATA) na snímku z roku 1984.
Zdroj: Vlastní vypracování.

Na obrázku č. 12 je zobrazený snímek C H K O Orlické hory klasifikovaný řízenou

i neřízenou klasifikací. Při řízené klasifikaci byla použita metoda Maximum Likelihood,

která se ukázala být nej vhodnější. Při jejím vytváření byly upraveny hodnoty Threshold

i Bias tak, aby obraz odpovídal co nejvíce skutečnosti. Při neřízené klasifikaci byla použita

metoda ISODATA, přičemž počet shluků byl nastaven na 23 a počet iterací na 35.

Z porovnání obou obrázků jsou patrné rozdíly, z nichž nej větší lze spatřit v rozšíření

listnatého lesa, který je na snímku s neřízenou klasifikací zastoupen mnohem méně

a neodpovídá skutečnosti. Nahrazen je nejčastěji loukami.

33
7. VÝSLEDKY KLASIFIKACE
Pomocí řízené klasifikace byly všechny snímky rozděleny do 5 kategorií, jejichž

procentuální zastoupení je znázorněno v tabulce níže (Tab. 2), ze které je patrné, že

nej větší zastoupení jehličnatých lesů z celého zkoumaného období bylo v roce 2013. Trend

jejich výskytu byl od roku 1984 sestupný, avšak od roku 2003 nastal prudký nárůst

rozšíření. Poté, co jejich zastoupení dosáhlo v roce 2013 vrcholu, nastal opět pokles. Avšak

tak značný pokles může být způsoben z části také klasifikací. Přesně opačný trend mají

listnaté lesy, které byly v roce 2003 nejvíce rozšířené a v současné době je jich na území

C H K O téměř stejně jako v prvním zkoumaném roce. Rozšíření travnatých ploch vykazuje

od roku 1984 vzrůstající tendenci, která dosáhla svého maxima v roce 2003. Od té doby je

patrný mírný pokles, který je však v posledních dvou obdobích prakticky stejný. Z grafu

(Graf 1) je patrné, že nejmenší výkyvy v rozšíření byly zaznamenány u třídy polí, jejichž

výskyt se do roku 2003 snižoval, od té doby však začalo docházet opět k postupnému

nárůstu. Změny v zastoupení zástavby mohou být způsobeny z větší části přesností

klasifikace. Výsledky klasifikací jsou zobrazeny v přílohách 1-5.

34
Tab. 2: Procentuální zastoupení klasifikovaných povrchů na území C H K O Orlické hory.
Zdroj: Vlastní vypracování.

1984 1994 2003 2013 2017

jehličnatý les 35,19 28,69 17,68 41,78 27,48

listnatý les 27,99 35,99 41,12 21,39 31,91

louka 26,20 31,55 37,47 34,64 34,36

pole 10,47 3,27 1,29 1,95 6,03
zástavba 0,15 0,50 0,13 0,24 0,22
mraky - - 2,15 - -

stíny - - 0,16 - -

_ 50,00
NO
0 s

• jehličnatý les
• listnatý les
• louka
pole

1984 1994 2003 2013 2017

Rok
Graf 1: Vývoj zastoupení vybraných povrchů v C H K O Orlické hory.
Zdroj: Vlastní vypracování.

Úspěšnost klasifikace lze nejrychleji zjistit z reportu, který je automaticky vytvořen

při každé klasifikaci. Nejlepších výsledků bylo dosaženo v klasifikaci snímku z roku 2017,

kdy celková přesnost dosáhla 99,78 %. Velice dobrých výsledků však dosáhla i klasifikace

snímku z roku 2003, kdy celková přesnost byla 98,80 % (průměrná je vždy o něco nižší

a v tomto případě se rovnala 96,4 8%). Podobných výsledků bylo dosaženo i při klasifikaci

snímku z roku 1984. O něco horší úspěšnost vyšla na snímcích z let 1994 a 2013, kdy se

celková úspěšnost pohybovala kolem 97 % - což se dá stále považovat za velice dobrý

výsledek.

Obecně nejméně úspěšné bylo klasifikování třídy zástavby, která se velmi často

chybně určila jako holé pole. Což je dáno tím, že oba tyto typy povrchů mají podobné

spektrální vlastnosti a v některých případech proto není příliš snadné je od sebe odlišit.

35
Další povrchy, které se občas chybně klasifikují, jsou louky/travnaté plochy a pole

s vegetací. V tomto případě je úspěšnost klasifikace dána měsícem pořízení snímku. Pokud

je vegetace na poli ještě nízká, dá se od zatravněných ploch odlišit lépe než když je již

vzrostlá.

7.1 Přesnost klasifikace

Způsobem, jak zjistit přesnost klasifikace, je vytvoření náhodných bodů - ty

vygeneruje program Geomatica. Pro potřeby mého výzkumu bylo těchto bodů vytvořeno

celkem 50. Určené byly následně manuálně přiřazeny třídám, do kterých skutečně patří.

Přiřazování probíhalo na základě porovnávání s ortofotem a také na podkladě vrstev

COPJNE Land Cover získaných od společnosti Cenia.

U snímku z roku 2013 vyšla potom celková přesnost 80 % a po přidání

mediánového filtru o velikosti okna 3x3 se přesnost zvýší na 84 % s koeficientem Kappa

0,769. U snímku z roku 2003 vyšla celková přesnost opět 80 % (86 % s mediánovým

filtrem, Kappa koeficient: 0,798). Oba nej starší snímky už nebylo možné porovnávat

s vrstvou CORINE Land Cover, jedinou možností tak byla vizuální kontrola. Snímek

z roku 1994 však i tak vykazoval přesnost 80 %. Nej starší snímek (z roku 1984) byl jediný,

u kterého byla přesnost lepší bez přidání mediánového filtru, než s ním. Původně přesnost

vyšla na 78 %, po přidání filtru ovšem klesla na 74 % - Kappa koeficienty se potom lišily

o 0,054.

Obr. 13: Ukázka porovnání vrstvy CORINE Land Cover se satelitním snímkem a s vytvořenou klasifikací
snímku z roku 2003.
Zdroj: Vlastní vypracování

36
 V dubnu roku 2018 byl na území C H K O Orlické hory proveden vlastní terénní

výzkum, kdy bylo pomocí aplikace Locus Map Free sesbíráno celkem 71 bodů. Body byly

zaznamenávány tak, aby co nejvíce rovnoměrně pokryly celé území. Kvůli lepšímu

rozpoznání při pozdějším hodnocení přesnosti bylo také nutné, aby zaznamenávané body

neležely na rozhraní dvou typů povrchů. Byly zásadně vybírány tak, aby šlo jednoznačně

určit, o který typ povrchu se jedná. Ke každému z nich byla navíc vytvořena poznámka

s druhem povrchu, na kterém se nachází. Později je bylo možno porovnat s výsledky

klasifikace. Přesnost této klasifikace byla 70,4 %. Nižší přesnost oproti ostatním snímkům

se dá vysvětlit tím, že v tomto případě byl jednoznačně určen druh povrchu, na kterém se

daný bod nachází. Nepřesnosti, které v klasifikaci nastaly, se většinou týkaly zástavby. Ta

byla často klasifikována na menší ploše, než na jaké se ve skutečnosti nachází. Další chyby

se objevovaly při určování druhu lesa.

7.2 Postklasifikační úpravy

Jelikož prováděná klasifikace byla per pixel, byly pixely rozřazovány do

jednotlivých tříd podle jejich vlastností (nebyl brán zřetel na pixely okolní). Proto může

výsledný obraz vypadat "zrnitě", což znamená, že i v celistvých plochách jedné třídy se

mohou nacházet osamocené pixely třídy jiné. Aby klasifikovaný obraz působil uhlazeněji,

velice často se používá nízkofrekvenční filtrace. Při tomto typu filtrace je určena velikost

okna, přičemž platí, že čím větší okno je, tím větší uhlazení nastane. Nízkofrekvenční filtry

redukují rozptyl hodnot v rámci filtrovacího okna. Mezi nejčastěji používané filtry patří

například průměrový, modálni nebo mediánový. V rámci této práce byl na všechny

zpracované snímky použit mediánový filtr s velikostí okna 3x3.

37
8 HODNOCENI VÝSLEDKU
Pro klasifikaci snímků krajinného pokryvu pro území C H K O Orlické hory byla

primárně použita řízená klasifikace, kdy byl použit klasifikátor Maximální

pravděpodobnosti (Maximum Likelihood). Ten se ukázal jako mnohem přesnější než

například klasifikátor Minimální vzdálenosti středu shluků (Minimum Distance). Je

zřejmé, že výsledky klasifikace z velké části ovlivňuje také rozložení trénovacích ploch.

Stačí, aby jedna ploška byla určena nepřesně a výsledné rozložení jednotlivých tříd se

změní. Velice důležité jsou zároveň hodnoty Threshold a Bias. Těmi se dají doladit

nepřesnosti v klasifikaci - zvětšit nebo naopak potlačit rozšíření jednotlivých tříd.

Například pokud se ve třídě listnatých lesů objevují osamocené pixely třídy luk, stačí

zvětšit hodnotu Bias listnatých lesů a ty potom vyplní i nežádoucí pixely z jiných skupin.

Právě tyto dvě hodnoty představují velkou výhodu oproti neřízené klasifikaci, která

rozčlení obraz na určený počet tříd.

Z hlediska přesnosti se všechny klasifikace dají považovat za poměrně přesné.

Celková přesnost se pohybovala mezi 70-80 % bez filtru a mezi 74-86 % po přidání

mediánového filtru. Nejméně přesná je klasifikace nejnovějšího snímku, kdy po porovnání

s kontrolními body z vlastního terénního výzkumu, vyšla přesnost jen na 70,4 %. Naopak

nejlépe vyšel snímek z roku 2003, který dosáhl již zmíněných 86 %, což se dá považovat

za velice dobrý výsledek.

Největší problémy byly s určováním třídy zástavby, která se často klasifikovala do

míst, kde ve skutečnosti vůbec není - často tvořila osamocené pixely nebo menší shluky

pixelů. Nejčastěji byla zástavba zaměňována s poly bez vegetace, která mají dost podobné

spektrální vlastnosti. Dalšími problematickými třídami byla také pole s vegetací, která byla

občas vyhodnocena jako louky.

Veškerá klasifikace probíhala v programu Geomatica ve verzích 2013 a 2017

v modulu Focus. Tento software umožňuje zobrazovat, upravovat i zpracovávat především

rasterová data. Lze v něm vytvořit jak řízenou, tak neřízenou klasifikaci, a to včetně

postklasifikačních úprav (agregace tříd, určení přesnosti, atd.).

Samotné hodnocení výsledků a vizualizace probíhaly také v programu Geomatica.

Změny v krajinném pokryvu byly postihnuty dvěma způsoby, přičemž oba popisují vztah

mezi dvěma po sobě následujícími roky. Nejprve byla ze všech klasifikací vytvořena

38
maska lesů (jehličnaté i listnaté byly spojeny a brány jako jedna vrstva). Tyto masky od

sebe byly poté odečteny pomocí nástroje Overlay. Výsledkem byly plochy lesů, které se

mezi jednotlivými roky změnily. Poměrně výrazných změn si lze všimnout při porovnání

lesních ploch mezi lety 1984 a 1994 {Příl. 6). V roce 1994 oproti předchozímu snímku

těchto ploch ubylo, a to především na hřebenech hor. Změny byly detekovány také při

porovnání se snímkem z roku 2003 {Příl. 7). Do roku 2013 se rozšíření lesů ustálilo a lesy

jsou tak mnohem stabilnější {Příl. 8). Mezi lety 2013 a 2017 už potom došlo jen

k minimálním změnám v rozložení lesů {Příl. 9).

Obr. 13: Ukázka ploch se změnou rozložení lesů mezi lety 1984 a 1994 (detail z Příl. 6). Červené plochy
znamenají změnu.
Zdroj: Vlastní vypracování.

V další vizualizaci jsem chtěla postihnout naopak plochy stabilní - tedy ty, které se

v průběhu času nezměnily. Porovnávány byly vždy dva po sobě jdoucí snímky. Obdobně

jako v předchozím případě jsem využila nástroj Overlay, s tím rozdílem, že tentokrát j sem

vybrala jen plochy, které byly na obou snímcích nezměněné. Z výsledků je patrné, že

většina těchto stabilních ploch jsou lesy, z nichž většina je jehličnatých. Nejvíce stabilních

ploch bylo při porovnání dvou nej novějších snímků {Příl. 13), což je logické vzhledem

k tomu, že je dělí nejkratší časový interval (jen 4 roky). Z vizualizace je patrné, že stabilní

plochy v roce 1994 víceméně kopírují jehličnaté lesy {Příl. 10). V průběhu doby, během

39
dvou prvních zkoumaných období došlo ke změnám, ve kterých byly polnosti s ornou

půdou nahrazeny loukami - trvalými travními porosty TTP. Velká část těchto travnatých

ploch se ustálila do dalšího zkoumaného období a jejich zbývající část byla nahrazena

listnatými lesy (Příl. 11). Zastoupení stabilních ploch na snímku z roku 2013 je mnohem

větší než v předchozích obdobích {Příl. 12). Již zmíněné listnaté lesy se přeměnily na lesy

jehličnaté. Nej menší zastoupení nestabilních ploch je potom při porovnání dvou

nej novějších snímků, kdy se změnily hlavně některé louky zpětně na ornou půdu.

Tab. 3: Procentuální zastoupení nezměněných povrchů ve vybraných M Z C H U a v celém C H K O Orlické

hory.
Zdroj: Vlastní vypracování.

1994 2003 2013 2017

Vybraná MZCHÚ 78,13 31,82 59,94 70,17

CHKO Orlické hory 56,35 43,47 57,26 71,27

90,00

75,00

•g 60,00
o
Q.
-<D 45,00
>o
• | 30,00
N
(D

z
15,00

0,00
1994 2003 2013 2017
Rok
Graf 2: Vývoj zastoupení nezměněných povrchů ve vybraných M Z C H U a v C H K O Orlické hory.
Zdroj: Vlastní vypracování.

Z tabulky (Tab. 3) i grafu (Graf 2) je patrné, že nej větší zastoupení nezměněných

ploch (v porovnání s předchozím rokem) bylo ve vybraných M Z C H U v roce 1994.

V následujícím roce však nastal nej větší pokles stabilních ploch (tzn. většina druhů

povrchů se změnila), a to jak v rámci celé C H K O Orlické hory, tak ve vybraných M Z C H U .

Z mapy (Příl. 11) je patrné, že nezměněné plochy byly z naprosté většiny louky

a jehličnaté lesy. Právě rok 2003 je jediným rokem ve zkoumaném období, kdy zastoupení

stabilních ploch nedosahovalo ani 50 %. Od té doby se zastoupení stabilních ploch opět

zvětšovat a v roce 2017 dosáhlo pro území celého C H K O svého maxima.

40
 Zvláštní zřetel byl potom brán právě na maloplošně chráněná území. Ze všech,

která se na území C H K O Orlické hory nacházejí, byla vybrána jen ta s dostatečnou

rozlohou na to, aby na nich byly vidět změny. Vybrána byla následující: PR Sedloňovský

vrch, N P R Bukačka, N P R Trčkov a N P R Zemská brána. Z první viuzalizace (změny

v rozloze lesa) je patrné, že na území těchto maloplošně chráněných území příliš změn

nenastalo (Příl. 6 - Příl. 9). Tím se jen potvrdila úvodní hypotéza, že zvláště chráněná

území by měla zůstat nezměněná v průběhu času. Avšak druhá vizualizace toto částečně

vyvrací {Příl. 14). Je z ní patrné, že se ve vybraných maloplošně chráněných územích

nenachází pouze stabilní plochy. Změny, které se v nich ovšem odehrály, jsou z drtivé

většiny jen změnou listnatého lesa na jehličnatý (nebo naopak). K výraznějším změnám

došlo při porovnání snímků z let 1994 a 2003.

V PR Pod Vrchmezím zůstalo nejvíce stabilních ploch při porovnání let 1984

a 1994, kdy v obou obdobích bylo skoro celé území pokryto jehličnatými lesy. Do roku

2003 se však jejich rozšíření značně omezilo. Avšak dále se už tyto plochy neměnily. V PR

Sedloňovský vrch, N P R Bukačka a N P R Trčkov bylo nejméně nezměněných ploch v roce

2003. V ostatních zkoumaných obdobích zůstalo stabilních mnohem více povrchů. V PR

Zemská brána v roce 2003 stabilních ploch také ubylo. Na rozdíl od ostatních M Z C H U se

tento stav příliš nezměnil ani do roku 2013. Větší změny si pak lze povšimnout opět až

v roce 2017. Změny v rozložení stabilních ploch ve vybraných M Z C H U ve všech

zkoumaných obdobích je znázorněn v Příloze 14.

41
9 ZÁVĚR
Cílem této bakalářské práce bylo zhodnotit změny v krajinném pokryvu na území

C H K O Orlické hory od 80. let minulého století do současnosti. Samotné klasifikaci

předcházelo nalezení snímků, které by byly vhodné pro zpracování. Zpracovávány byly

snímky z let 1984, 1994, 2003, 2013 a 2017. Pro analýzu byly vybrány snímky z rodiny

satelitů Landsat. Dva nej starší použité snímky pocházejí z Landsatu 5 a mají prostorové

rozlišení 30 m. Snímek z roku 2003 byl potom pořízen Landsatem 7, jež má rovněž

prostorové rozlišení 30 m. Snímky z let 2013 a 2017 pocházejí z Landastu 8, který

disponuje stejným prostorovým rozlišením jako jeho předchůdci.

Samotná klasifikace byla provedena v programu Geomatica za použití řízené

klasifikace metodou Maximum Likelihood. Obraz byl nejprve ořezán na velikost, se kterou

se snadněji pracuje. Následně byl klasifikací rozčleněn do 7 až devíti tříd, které byly

později sloučeny do finálních 5 tříd (7 v případě snímku z roku 2003, na kterém byly

přítomny mraky a jejich stíny). Celková přesnost klasifikace se pohybovala v rozmezí od

70 do 84 %, což se dá považovat za dobrý výsledek.

Změny v rozšíření lesů byly znázorněny jejich jednoduchým překrytím.

Nej výraznějších změn si lze všimnout při porovnání nej starších dvou snímků. Na

maloplošných zvláště chráněných územích bylo zaznamenáno jen minimum změn

v zastoupení lesů. Další výstupy popisují naopak plochy, na kterých ke změnám v průběhu

času nedocházelo. Je patrné, že od roku 2003 došlo na zkoumaném území jen k mírným

změnám a většina jeho rozlohy tak byla vyhodnocena jako stabilní. Do budoucna by bylo

vhodné se tomuto tématu nadále věnovat a změny v chráněných krajinných oblastech

monitorovat.

42
10 SEZNAM POUŽITÉ LITERATURY
Tištěná literatura:
DOBROVOLNÝ, R (1998): Dálkový průzkum Země. Digitální zpracování obrazu. 1. vyd.,
Brno: Masarykova univerzita, 208 s.

L I L L E S A N D , T M . , KIEFER, R.W., C H I P M A N , J.W. (2004): Remote sensing and image

interpretation. 5. vydání, Hoboken, N.J. : John Wiley & Sons, 763 s.

MATHER, P., K O C H , M . (2011): Computer Processing of Remotely-Sensed Images: A n

Introduction. 4. vyd., Chichester, West Sussex, U K : Wiley

FALTEJ SKOVÁ, M . (2016): Sledování změn lesního porostu na území C H K O Moravský

kras metodami DPZ. Bakalářská práce. Masarykova univerzita, Brno, 56 s. https://
is.muni.cz/th/423468/prif_b/BAKALARSKA_PRACE.docx (17. 10. 2017)

JANÁČKOVÁ, D. (2013): Změny ve struktuře krajiny vybraného území na základě studia

leteckých a družicových snímků. Bakalářská práce. Masarykova univerzita, Brno, 47+4 s.
https://is.muni.cz/th/376012/prif_b/BPJanacova.pdf (21. 10. 2017)

MATĚJKA, K . (1993): Monitoring stavu lesů České republiky. Metodický komentář,

seznam ploch a některé dosavadní výsledky. Praha, V U L H M Jíloviště-Strnady, 68 s.

MUSILOVÁ, R. (2012): Využití dat DPZ pro hodnocení aktuálního stavu a vývoej
smrkových porostů v Krkonoších. Diplomová práce. Univerzita Karlova, Praha, 101 s.
https://is.cuni.cz/webapps/zzp/detail/119490 (17. 10. 2017)

OUTRATA, D. (2015): Změny využití krajiny vojenských újezdů Česka. Bakalářská práce.
Univerzita Karlova, Praha, 76 s. https://is.cuni.cz/webapps/zzp/download/130156433/?
lang=cs(18. 3. 2018)

SIKOVA, Z. (2013): Využití lidarových dat pro detekci a vizualizaci vegetace. Bakalářská
práce. Univerzita Karlova, Praha, 67 s. https://is.cuni.cz/webapps/zzp/download/
130115373/?lang=cs, https://is.cuni.cz/webapps/zzp/detail/132517/

Elektronické zdroje:

DARIUS, P., JUSTIN, M . (2017): Developments in Landsat Land Cover Classification

Methods: A Review. Remote Sensing, 9, č. 2, s. 1-25. Directory of Open Access Journals.
https://doi.org/10.3390/rs9090967 (25. 10. 2017)

FLOOD, N . (2017): Comparing Sentinel-2A and Landsat 7 and 8 Using Surface

Reflectance over Australia. Remote Sensing, 9, č. 2, s. 1-14. https://doi.org/10.3390/
rs9070659 (5. 11. 2017)

43
OESER, J., P F L U G M A C H E R , D., SENF, C , HEURICH, M . , HOSTERT, P. (2017): Using
Intra-Annual Landsat Time Series for Attributing Forest Disturbance Agents in Central
Europe. Forests, 8, č. 7, s. 1-24. https://doi.org/10.3390/f8070251 (5. 11. 2017)

SOTHE, C , D E A L M E I D A , C. M . , LIESENBERG, V , SCHIMALSKI, M . B. (2017):

Evaluating Sentinel-2 and Landsat-8 Data to Map Sucessional Forest Stages in a
Subtropical Forest in Southern Brazil. Remote Sensing, 9, č. 8, s. 1-22. https://doi.org/
10.3390/rs9080838 (7. 11. 2017)

TODERAS, T , C R A C E A , T , N E G O E S C U , A . (2015): Using Landsat multispectral

images in forest vegetation. Land Forces Academy Review, 20, č. 2, s. 243-250. http://
www.armyacademy.ro/reviste/rev2_2015/Toderas.pdf (25. 10. 2017)

Agentura Ochrany Přírody a Krajiny České Republiky (2012): Rozbory Chráněné krajinné
oblasti Orlické hory. http://orlickehory.ochranaprirody.cz/res/archive/311/038354.pdf?
seek=1469030344 (10. 3. 2018)

Orlické hory (2018): Lesy Orlických hor. http://www.orlickehory.net/lesy.htm (10. 3. 2018)

N A S A (2018): Landsat Science, https://landsat.gsfc.nasa.gov/landsat-data-continuity-

mission/(23. 1. 2018)

Mapové podklady:

USGS (2018): EarthExplorer. https://earthexplorer.usgs.gov (17. 10. 2017)

ArcData (2014): ArcČR 500, 3.3, Praha

C E N I A (2012): C O R I N E Land Cover 2006. https://geoportal.gov.cz/download/

UVtzpL0egQ5wqZK71TJePRMLuwgSkv(15. 3. 2018)

C E N I A (2012): C O R I N E Land Cover 2012. https://geoportal.gov.cz/download/

UVtzpL0egQ5wqZK71TJePRMLuwgSkv(15. 3. 2018)

44
PŘÍLOHY

45
SEZNAM PRILOH
Příl. 1: Výsledek řízené klasifikace snímku z roku 1984

Příl. 2: Výsledek řízené klasifikace snímku z roku 1994

Příl. 3: Výsledek řízené klasifikace snímku z roku 2003

Příl. 4: Výsledek řízené klasifikace snímku z roku 2013

Příl. 5: Výsledek řízené klasifikace snímku z roku 2017

Příl. 6: Vyznačení ploch se změnou rozložení lesů mezi lety 1984 a 1994

Příl. 7: Vyznačení ploch se změnou rozložení lesů mezi lety 1994 a 2003

Příl. 8: Vyznačení ploch se změnou rozložení lesů mezi lety 2003 a 2013

Příl. 9: Vyznačení ploch se změnou rozložení lesů mezi lety 2013 a 2017

Příl. 10: Stabilní druhy povrchů v letech 1984 - 1994

Příl. 11: Stabilní druhy povrchů v letech 1994 - 2003

Příl. 12: Stabilní druhy povrchů v letech 2003 - 2013

Příl. 13: Stabilní druhy povrchů v letech 2013 -2017

Příl. 14: Vývoj stabilních ploch ve vybraných M Z C H U

Příl. 15: Rozložení zaměřených bodů v C H K O Orlické hory

46
 Příloha 1: Výsledek řízené klasifikace snímku z roku 1984

VÝSLEDEK ŘÍZENÉ KLASIFIKACE SNÍMKU Z ROKU 1984

• Hranice CHKO Orlické hory

| Jehličnatý les
| Listnatý les
| Louka
] Pole
I Zástavba

Kristýna Vilímkova, 451334

3. ročník, BG KART
Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 2: Výsledek řízené klasifikace snímku z roku 1994
VÝSLEDEK ŘÍZENÉ KLASIFIKACE SNÍMKU Z ROKU 1994

Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 3: Výsledek řízené klasifikace snímku z roku 2003
VÝSLEDEK ŘÍZENÉ KLASIFIKACE SNÍMKU Z ROKU 2003

3. ročník, BG KART
Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 4: Výsledek řízené klasifikace snímku z roku 2013
VÝSLEDEK ŘÍZENÉ KLASIFIKACE SNÍMKU Z ROKU 2013
 Příloha 5: Výsledek řízené klasifikace snímku z roku 2017

VÝSLEDEK ŘÍZENÉ KLASIFIKACE SNÍMKU Z ROKU 2017

3. ročník, BG KART
Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 6: Změna rozložení lesů mezi lety 1984 a 1994
ZMĚNA ROZLOŽENÍ LESŮ MEZI LETY 1984 a 1994

3. ročník, BG KART
Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500, AOPK ČR
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 7: Změna rozložení lesů mezi lety 1994 a 2003
ZMĚNA ROZLOŽENÍ LESŮ MEZI LETY 1994 a 2003

Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500, AOPK ČR
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 8: Změna rozložení lesů mezi lety 2003 a 2013
ZMĚNA ROZLOŽENÍ LESŮ MEZI LETY 2003 a 2013
 Příloha 9: Změna rozložení lesů mezi lety 2013 a 2017
ZMĚNA ROZLOŽENÍ LESŮ MEZI LETY 2013 a 2017

Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500, AOPK ČR
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 10: Stabilní druhy povrchů v letech 1984 - 1994
STABILNÍ DRUHY POVRCHŮ V LETECH 1984 - 1994
 Příloha 11: Stabilní druhy povrchů v letech 1994 - 2003
STABILNÍ DRUHY POVRCHŮ V LETECH 1994 - 2003
 Příloha 12: Stabilní druhy povrchů v letech 2003 - 2013
STABILNÍ DRUHY POVRCHŮ V LETECH 2003 - 2013

Brno, 2018
Zdroj dat: EarthExplorer.usgs.gov, ArcČR 500, AOPK ČR
Souřadnicový systém: WGS 1984 UTM Zone 33N
 Příloha 13: Stabilní druhy povrchů v letech 2013 -2017
STABILNÍ DRUHY POVRCHŮ V LETECH 2013 - 2017
 Příloha 14: Vývoj stabilních ploch ve vybraných M Z C H U
VÝVOJ STABILNÍCH PLOCH V E VYBRANÝCH MZCHÚ

PR Pod Vrchmezím
1984-1994 1994-2003 2003 -2013 2013 -2017

m
PR Sedloňovský vrch

NPR Bukačka

NPR Trč kov

PR Zemská brána

Změněný / Nezměněný povrch

| | Jehličnatý les Hranice MZCHU

Kristýna Vilímkova, 451334 ~J Pole

3. ročník, BG KART
Brno, 2018 ^\ Mraky
Zdroj dat: ArcČR 500 2 km
Souřadnicový systém: WGS 1984 UTM Zone 33N | Stíny _l
 Příloha 15: Rozložení zaměřených bodů v C H K O Orlické hory
ROZLOŽENÍ ZAMĚŘENÝCH BODŮ V CHKO ORLICKÉ HORY

Brno, 2018
Zdroj dat: ArcČR 500
Souřadnicový systém: WGS 1984 UTM Zone 33N