Zpracování

Při zpracování byly použity starší topografické mapy, data z terénního měření, popisné informace některých zkoumaných vegetačních druhů a satelitní snímky zájmové oblasti. Satelitní snímky byly pořízeny ze senzoru ETM+, který nese družice Landsat 7, a ze senzoru ASTER, jehož nosičem je družice Terra.

Nejprve byl využit software ArcGIS 9.1, který umožnil zpracování vektorových dat, a za pomocí extenzí Spatial Analyst a 3D Analyst také tvorbu digitálního modelu reliéfu. Stěžejní část práce, tj. mapu vegetačního pokryvu, obstaral program Erdas IMAGINE 9.0, což je software pro veškeré zpracování dat dálkového průzkumu Země a fotogrammetrie. Zde proběhla jak příprava tak i vlastní analýza satelitních snímků.

Vektorová databáze a topografická mapa

Vektorová databáze vznikla digitalizací starších analogových map. Byla k tomu použita naskenovaná mapa Uryl´ M – 45 – XXVII v měřítku 1: 200 000 a mapa Berel´ M – 45 – XXI v měřítku 1: 100 000. Ze získaných vektorových vrstev se v prostředí ArcMap sestavila nová topografická mapa, která zahrnuje jen zájmovou oblast NP.

DMR

Mezi studované charakteristiky DMR byly vybrány ty, které lze využít při určování vegetačního pokryvu – výšková členitost, orientace a sklonitost reliéfu a oslunění reliéfu. Při jejich tvorbě byly v prostředí ArcScene použity extenze Spatial Analyst a 3D Analyst.

K vygenerování digitálního modelu reliéfu byl využit algoritmus Topo to Raster, který je jednou z interpolačních metod extenze Spatial Analyst. Topo to Raster byl navržen pro vytvoření hydrologicky korektního DMR. Podle typu interpolace se jedná o diskrétní spline metodu, která kromě vrstvy vrstevnic využívá pro zpřesnění další data, která jsou pro dané území k dispozici. Jedná se zejména o linie toků, plochy jezer, výškové kóty nebo hranice zájmového území.

Mapa vegetačního pokryvu

Při tvorbě mapy vegetačního pokryvu měly původně zaměřené body z terénního šetření sloužit jako hlavní identifikátory k detekci mapovaných druhů. Po zpracování bodů se ale zjistilo, že jejich hustota neodpovídá rozlišení dostupných snímků, takže se přistoupilo k metodám zvýraznění.

Pomocí následujícího postupu byly detekovány tyto druhy vegetace:

jehličnatý les

listnatý les

křoviny

euroasijské stepi

alpínské louky

mokřady

sutě a skály

voda, sněhová pole a ledovce

PCA - analýza hlavních komponent

Analýza hlavních komponent (PCA – Principal Component Analysis) je metoda zvýrazňování multispektrálního obrazu a používá se jednak jako prostředek zvýraznění barevného obrazu k následné vizuální interpretaci, jednak jako metoda předzpracování a zvýraznění před jeho automatickou klasifikací. Touto metodou lze další zpracování omezit na méně pásem bez podstatné ztráty informace. (Dobrovolný, 1998)

Metodou PCA byl snímek rozdělen do čtyřech hlavních komponent, díky čemu se tedy zmenšila velikost analyzovaných dat a byly zvýrazněné rozdíly mezi odlišnými druhy povrchu.

NDVI - normalizovaný diferenční vegetační index

Pomocí tzv. poměrových indexů se zjišťuje množství a hustota sledovaného objektu či jevu. V případě vegetace se nejčastěji využívá normalizovaný diferenční vegetační index (NDVI), který je vyjádřen jako poměr rozdílu infračervené a červené viditelné části spektra s jejich součtem.

NDVI = (NIR - VIS)/(NIR + VIS)

Hodnota NDVI pro daný pixel se pohybuje vždy v intervalu (-1,1), podle obsahu vegetační složky. Obecně platí, že čím nižší hodnota, tím méně vegetace. Plochy se záporným NDVI znázorňují vodu, led nebo sníh a v odstínech šedi je vyznačují nejtmavší pixely. S rostoucí hodnotou NDVI lze rozlišit oblačnost, holou půdu, řídkou vegetaci, středně hustou až po velmi hustou vegetaci, která nabývá nejvyšších hodnot a na snímku ji pak vyznačují nejsvětlejší pixely.

Díky této metodě se podařilo rozlišit tři hlavní povrchy – vodu, holou půdu a hustou vegetaci.

Barevné kompozice

Vztahy mezi jednotlivými spektrálními pásmy jsou důležité k rozpoznání objektů a jevů, a proto lze na základě různých kombinací zjistit druh povrchu. V případě snímků ze senzoru ETM+ se k rozlišení vegetace používají nejčastěji barevné kombinace 432, 453 a 742 (upraveno podle Quinn, 2001), které byly využity i při řešení této práce.

Klasifikace

Cílovou částí zpracování satelitních snímků byla klasifikace obrazu, což je proces kdy je jednotlivým obrazovým prvkům přiřazován určitý informační význam.

Nejdříve byla použita neřízená klasifikace, kterou lze označit za statistickou metodu shlukové analýzy. Vzhledem k tomu, že tato klasifikace je poměrně rychlá, ale zároveň ne moc přesná, tak bylo detekováno jen 6 informačních tříd, které šly vcelku jasně rozeznat – lesní porost, křoviny, travnatý porost, mokřady, sutě a skály a voda, sněhová pole a ledovce.

Druhou metodou byla řízená klasifikace, kde se nejdříve definují informační kategorie a až poté jejich spektrální odlišnost. Aplikování algoritmů pro řízenou klasifikaci předchází výběr vhodných trénovacích ploch (v Erdasu IMAGINE označovány jako AOI – Area Of Interest), které dobře reprezentují zkoumaný povrch. Tento výběr představoval poměrně náročnou část práce, protože musely být vizuálně porovnávány všechny připravené vstupní vrstvy (zaměřené body, PCA, NDVI, barevné kompozice, neřízená klasifikace, nadmořská výška, orientace a sklonitost reliéfu).

Poté byl vybrán klasifikátor Maximum Likelihood, kterým se provedla samotná klasifikace.

Filtrace obrazu

Aby v klasifikovaném obraze nebylo velké množství osamocených pixelů či malých skupin pixelů zatříděných odlišně od jejich okolí bylo nutné ho shladit tzv. nízkofrekvenčním majoritním filtrem. To je jedna z nejběžnějších postklasifikačních úprav, díky které je výsledek čitelnější.

Hodnocení přesnosti

Na závěr byla vypočítána chybová matice, která testuje shodu mezi trénovacími plochami s odpovídajícími třídami těchto ploch ve výsledném obrazu. Mimo to byla přesnost hodnocena přímým porovnáním s referenčními daty - zaměřenými body v terénu.