Professional Documents
Culture Documents
Bakalarka2 Archive
Bakalarka2 Archive
to UNIVERZITA
I PŘÍRODOVĚDECKÁ FAKULTA
GEOGRAFICKÝ ÚSTAV
Bakalářská práce
Kristýna Vilímkova
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
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
Přírodovědecká fakulta
Prohlášení
Prohlašuji, že jsem svoji bakalářskou práci vypracovala samostatně s využitím zdrojů,
3 C H K O ORLICKÉ H O R Y 12
7. VÝSLEDKY K L A S I F I K A C E 34
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
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
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-
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
9
2 REŠERŠE LITERATURY
Dálkový průzkum Země se v posledních desetiletích stal nedílnou součástí
Dobrovolný (1998), Lillesand, Kiefer, Chipman (2004) nebo Darius, Justin (2017). Všichni
Různé typy povrchů mají různé spektrální chování, proto se dají relativně dobře
rozlišit. Právě tohoto jedinečného spektrálního chování využívají vegetační indexy, které
vypovídá o druhu lesa i o jeho zdravotním stavu; ve své knize ho popisuje Dobrovolný
(1998).
lesního porostu v oblasti Moravského krasu využila Faltej sková (2016) normalizovaný
vegetační index (NDVI), transformaci Tasseled Cap a Forest Index. Použila také řízenou
(u jednoho ze snímků byla úspěšnost dokonce 99,56%). Problém s Forest Indexem nastal,
když nebylo snadné nastavit koeficienty tak, aby celkově fungoval správně.
Pro oba snímky použila jak klasifikátor maximální pravděpodobnosti, tak minimální
jehličnatých lesů jako vodní plochy. Index Relative Richness hodnotí druhovou
rozmanitost a bohatost daného území. Pomocí tohoto indexu bylo zjištěno, že v průběhu
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
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.
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
dosahuje lepších výsledků na snímcích ze Sentinelu, což mohlo být způsobeno jejich
Změny ve střední Evropě mezi lety 1984 a 2016 pak zkoumali Oeser, Pflugmacher,
Senf, Heurich, Hostert (2017). Lesní vegetaci zkoumali pomocí řízené i neřízené
byli schopni ve vegetaci rozlišit 3 druhy stromových porostů, zatímco neřízenou klasifikací
11
3 CHKO ORLICKÉ HORY
3.1 Charakteristika oblasti
3.1.1 Fyzickogeografická charakteristika
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
12
C H K O Orlické hory se nachází ve Východních Čechách na hranicích s Polskem.
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
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.
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
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
vrcholech pak může sněžit i více než 80 dní. (Agentura Ochrany Přírody a Krajiny ČR,
2018)
zásahem člověka do tamní přírody byly hlavním lesním biotopem bučiny. V současné době
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 -
z nichž mezi ty kriticky ohrožené patří: rak říční - Astacus astacus, roháč obecný - Lucanus
aervus, střevlík - Carabus, mihule potoční - Lampetra planeri, zmije obecná - Vipera
Územně náleží toto C H K O Královéhradeckému kraji, jen jeho jižní část spadá do
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
následek velmi rychlé zhoršení stavu zejména smrkových porostů. Po jejich odtěžení pak
imisí patřily elektrárny Chvaletice a Opatovice nad Labem, jež jsou v této době už
14
Obr. 2: Les poškozený imisemi (Krušné hory).
Zdroj: sites.google.com
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
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
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
geologický fenomén - přírodní památka Sfinga a již výše zmíněná přírodní rezervace
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
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
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
Poslední, IV. zóna, zabírá jen 3 % plochy C H K O a jedná se o zastavěné oblasti a souvislé
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
17
chrání biotopy živočichů - obnova tůní především v Zaorlicku pro podporu obojživelníků.
Dalším příkladem je Ptačí oblast Orlické Záhoří, které je domovem chřástala polního -
Dále se klade důraz na omezení šíření některých invazních druhů rostlin. Některé
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
• infračervené záření
a ledu
• mikrovlnné záření - 1 mm až 1 m
19
Rostoucí vlnová délka a klesající energie
A právě podle množství odraženého záření se dají identifikovat jednotlivé povrchy - každý
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
definovat jako poměr intenzity odraženého záření (M ) a intenzity dopadajícího záření (Mi)
r
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.
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:
_ 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)
• 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
• 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
• 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
21
4.2 Vegetační indexy
Výpočet vegetačních (nebo také spektrálních) indexů patří mezi velice časté
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
Oblačnost 0,002
Voda -0,257
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
s. 194-197)
Index listové aktivity (LAI - Leaf Area Index) vyjadřuje hustotu zelené hmoty na
22
infračerveném oboru spektra. Čím větší vyjde jeho hodnota, tím více plochy ve vybraném
území je pokryto listy. (DOBROVOLNÝ, 1998, s. 194-197)
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
Index PVI dokáže do jisté míry odlišit odrazivost vegetace a půdy. Odrazivost půdy
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.
koncentrována v prvních dvou pásmech, která tak definují rovinu. V té jsou zvýrazněny
dvou pásem vytvářejí v grafu typický tvar, podle kterého byla celá transformace
maximálního rozptylu hodnot odrazivosti půdy. Pásmo TC2, neboli index Greenness, je
s. 194-197)
23
O 5000 10000 15000 20000
brightness
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
vzdálenosti, kterou urazí paprsek mezi zdrojem záření a zemským povrchem. Umožňuje
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
24
Jak již bylo zmíněno v předchozích kapitolách, každý objekt na zemském povrchu má své
několikrát více pásem s mnohem menší šířkou. Právě tato jejich schopnost umožňuje získat
Hyperspektrální snímky však nebyly pro tuto práci využity, neboť nejsou volně dostupné.
i klasifikace založené na strojovém učení. V této práci byla použita řízená i neřízená
homogenní plochy, které slouží jako trénovací plochy pro klasifikaci řízenou. Tento typ
klasifikace je vhodný tam, kde je velká variabilita spektrálních příznaků pro jednotlivé
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
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
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
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
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
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
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
Snímek z roku 2017 měl původně pocházet ze satelitu Sentinel 2, který disponuje
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.
26
1001
OÍ , , , ^/s , , , _
400 900 1400 1900 2400 10000 11000 12000 13000
Wavelength (nm)
Landsat 8, 1. snímek:
Landsat 8, 2. snímek:
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
různých způsobů klasifikace, ovšem mezi nejčastěji používané patří klasifikace řízená
a neřízená.
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
klasifikátorům patří:
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.
středy od sebe stejně daleko. V takovém případě může být zařazení pixelu do správného
se dá sestavit frekvenční funkce. Pro každou hodnotu na její horizontální ose lze vypočítat
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:
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,
29
Obr. 9: Rozložení tónovacích ploch na snímku z roku 1984.
Zdroj: Vlastní vypracování
(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
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.
středu shluků. Před klasifikací se dají nastavit ještě hodnoty Threshold a Bias, které jsou
elipsu, která je vepsána části spektrálního prostoru. Pokud tuto hodnotu zmenšíme, dojde
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
31
Obr. 11: Porovnání výsledků klasifikace metodou Maximum Likelihood (vlevo) a Minimum Distance
(vpravo).
Zdroj: Vlastní vypracování
potřeba ani předem znát vlastnosti daných tříd. Nejdříve jsou vytvořeny třídy spektrální,
prostoru shlukovat. Nejprve je potřeba vytvořit požadovaný počet shluků a určit polohu
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.
shluků a případně i úvodní poloha jejich středů. Každý pixel je následně přiřazen tomu
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.
• 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
Obr. 12: Porovnání výsledků řízené (vlevo, metoda Maximum Likelihood) a neřízené klasifikace (vpravo,
metoda ISODATA) na snímku z roku 1984.
Zdroj: Vlastní vypracování.
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
33
7. VÝSLEDKY KLASIFIKACE
Pomocí řízené klasifikace byly všechny snímky rozděleny do 5 kategorií, jejichž
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
34
Tab. 2: Procentuální zastoupení klasifikovaných povrchů na území C H K O Orlické hory.
Zdroj: Vlastní vypracování.
stíny - - 0,16 - -
_ 50,00
NO
0 s
• jehličnatý les
• listnatý les
• louka
pole
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
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.
vygeneruje program Geomatica. Pro potřeby mého výzkumu bylo těchto bodů vytvořeno
celkem 50. Určené byly následně manuálně přiřazeny třídám, do kterých skutečně patří.
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
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
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
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
37
8 HODNOCENI VÝSLEDKU
Pro klasifikaci snímků krajinného pokryvu pro území C H K O Orlické hory byla
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
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
Celková přesnost se pohybovala mezi 70-80 % bez filtru a mezi 74-86 % po přidání
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
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
rasterová data. Lze v něm vytvořit jak řízenou, tak neřízenou klasifikaci, a to včetně
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
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.
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.
V následujícím roce však nastal nej větší pokles stabilních ploch (tzn. většina druhů
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
40
Zvláštní zřetel byl potom brán právě na maloplošně chráněná území. Ze všech,
rozlohou na to, aby na nich byly vidět změny. Vybrána byla následující: PR Sedloňovský
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
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
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
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
41
9 ZÁVĚR
Cílem této bakalářské práce bylo zhodnotit změny v krajinném pokryvu na území
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
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
Nej výraznějších změn si lze všimnout při porovnání nej starších dvou snímků. Na
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
monitorovat.
42
10 SEZNAM POUŽITÉ LITERATURY
Tištěná literatura:
DOBROVOLNÝ, R (1998): Dálkový průzkum Země. Digitální zpracování obrazu. 1. vyd.,
Brno: Masarykova univerzita, 208 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:
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)
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)
Mapové podklady:
44
PŘÍLOHY
45
SEZNAM PRILOH
Příl. 1: Výsledek řízené klasifikace snímku z roku 1984
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
46
Příloha 1: Výsledek řízené klasifikace snímku z roku 1984
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
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
PR Zemská brána
Brno, 2018
Zdroj dat: ArcČR 500
Souřadnicový systém: WGS 1984 UTM Zone 33N