Pechanec, V.1 – Klimánek, M.2 – Růžičková K.3

Prezentace na téma: "Pechanec, V.1 – Klimánek, M.2 – Růžičková K.3"— Transkript prezentace:

1 Pechanec, V.1 – Klimánek, M.2 – Růžičková K.3
Geoinformační technologie v hodnocení krajiny a v lesnických aplikacích Pechanec, V.1 – Klimánek, M.2 – Růžičková K.3 1 Univerzita Palackého v Olomouci, Katedra geoinformatiky 2 Mendelova univerzita v Brně, Ústav geoinformačních technologií 3 Vysoká škola báňská – Technická univerzita Ostrava, Institut geoinformatiky

2 GEOINFORMATICKÉ ALTERNATIVY STANOVENÍ C-FAKTORU MODELU (R)USLE
Univerzální rovnice pro výpočet průměrné dlouhodobé ztráty půdy používaná k ochraně půdy po celém světě v předpovídání průměrné roční ztráty půdy způsobené povrchovou a rýhovou erozí G (A) = R*K*L*S*C*P G (A) - průměrná dlouhodobá ztráta půdy (t . ha-1 za rok) R - faktor erozní účinnosti deště - API5, 30, senzorové systémy K - faktor erodovatelnosti půdy L - faktor délky svahu kombinovaný LS faktor v GIS S - faktor sklonu svahu C - faktor ochranného vlivu vegetace P - faktor účinnosti protierozních opatření

3 C FAKTOR VEGETAČNÍ INDEXY OSTATNÍ KLASIFIKACE OBRAZU NDVI
De Jong Geostatistické metody Wang USLE NDVI J.M. van der Knijff a kol. Neuronové sítě C FAKTOR NDVI M.Suriyaprasit a D.P.Shrestha Genetic programming algorithm SAVI/TSAVI M.Kefi a K.Yoshino RUSLE TABULKOVÝ - TERÉNNÍ PŘÍSTUP Janeček a kol. mNDVI u HYPERIONU M. Heidari Mozaffar a kol. KLASIFIKACE OBRAZU NDVI + REKLASIFIKACE A. Karaburun LSMA A.M.de Asis, K.Omasa Databáze (LPIS, CORINE land cover, ZABAGED) KLASIFIKACE OBRAZU NDVI + REKLASIFIKACE S.V. Smith a kol. LIDAR

4 NDVI J.M. Van der KNIJFF a kol.
Při testování jednotlivých typů vegetačního krytu zjištěna korelace mezi NDVI a C-faktorem Obecný vzorec aplikovatelný na různé snímky:

5 NDVI = (NIR – red)/(NIR + red)
NDVI J.M. Van der KNIJFF a kol. NDVI = (NIR – red)/(NIR + red) Landsat 5 TM , 172x183 km, 1:100000 Prostorové rozlišení 30 m Erdas Imagine ArcGIS IDRISI

6 NDVI J.M. Van der KNIJFF a kol.
Histogram NDVI Histogram C-faktoru 1

7 LANDSAT – pásmo 1,2,3 C - FAKTOR

8 Vizuální průzkum pokrytí vegetací
SAVI - Soil Adjusted Vegetation Index M.Kefi a K.Yoshino Vizuální průzkum pokrytí vegetací Raster calculator Model Maker Landsat 5 TM – 4,3,2 L = korekční faktor, hodnota 0 (pokrytí více než 90% snímku vegetací) -> 1 (při méně než 10% pokrytí vegetací)

9 POROVNÁNÍ VÝSLEDKŮ Histogram NDVI Histogram SAVI 1

10 POROVNÁNÍ VÝSLEDKŮ - výřez
C faktor ze SAVI C faktor z NDVI

11 NEDOSTATKY Nevyužití subfaktorů z RUSLE Přesnost (dle zdroje dat)
Nevhodnost pro malá území – prostorové rozlišení Smíšené pixely Interval snímání Oblačnost, poškození snímků

12 VÝHODY Rychlost Dostupnost Cena Vhodný pro velká území
Aplikace v rámci RUSLE - čas Budoucnost

13 Technologie precizního lesnictví
GIT V LESNICTVÍ Dálkový průzkum Země (letecké laserové skenování, multispektrální a hyperspektrální snímkování, radarové snímání, UAV, fotogrammetrická mračna), Pozemní měření a mapování (globální navigační satelitní systémy, pozemní laserové skenování), Bezkontaktní měření a testování materiálů (počítačová tomografie, ultrazvuková měření, laserové skenování), Monitoring (vysokofrekvenční identifikace a čipování, ultrazvukové detektory a čidla, laserové měřicí přístroje), Geografické informační systémy (podpora prostorového rozhodování, modelování a vizualizace, geoweb). Technologie precizního lesnictví

14 Real-Time Forest Intelligence
Využívání služeb obsahujících lesnická data a znalostní báze pro mobilní zařízení v reálném čase – využívat data přímo na pracovní ploše v lesních porostech (v systémech pro podporu rozhodování) Intelligent Harvest Control (projekt RTFI/SATMODO) změřit interpretovat optimalizovat (Treemetrics 2012)

15 APLIKACE Interpolace bodových dat do rastrových povrchů DMT a DMP (rozlišení DMP je zásadní pro identifikaci stromů) Vrcholy stromů použitím zjednodušené metody segmentace inverzního povodí (Edson 2011) Výpočet výšky stromů (DMP – DMT), modelování plochy korun, výčetní tloušťka na základě regresní funkce a zásoba podle modelu objemových rovnic (Petráš et Pajtík 1991). Problémem je vzájemné propojení identických stromů vlivem náklonu kmenů a víceetážové porosty, podhodnocování výšek porostů na svazích Výsledky (s dosahovanou přesností pro): výšky stromů 5 – 8 m (bez etáží 1,5 m) výčetní tloušťka 6 cm objem kmene 0,3 m3 zásoby cca 15 % DMT 10 – 60 cm

16 Experimentální území ŠLP Křtiny, odvození ukazatelů LDS pomocí prostorových analýz
Základním podkladem pro optimalizaci jsou kvalitní informace o reliéfu (DMT) Terénní typizace na základě topografických analýz (sklonitost, zakřivení) a edafických kategorií (ÚHÚL 1980, Simanov et al. 1993, Neruda et al. 2011, Hrůza 2008) Modelové technologické typizace definování přibližovací technologie (přiřazení vah parametrům) frikční povrchy a nákladové povrchy vyhledání optimálních tras určení směru přibližování, zakřivení reliéfu Parametrizace modelu (limitní hodnoty, spojité hodnocení) Problémy s identifikací překážek (výška, hloubka, rozestup)

17 Experimentální území v NP Šumava a na ŠLP Křtiny, interdisciplinární spolupráce (AV ČR)
Multivariantní statistické vyhodnocení kombinace datových vrstev (faktorů) v rámci zvoleného gridu s binárními hodnotami vzhledem k místům polomů (matice s cca 100 tis. kombinacemi) Tato matice byla analyzována pomocí diskriminační analýzy (DA) a logistické regrese (LR) , kde závislou hodnotou byly binární hodnoty rozdílů a nezávislou proměnnou ostatní faktory. Obě metody dosáhly úspěšnosti predikce 71 % pro DA a 74 % pro LR na datech ŠUNAP a 82 % pro LR a 84 % pro DA na datech ŠLP v místech polomů a celkové predikce 70 – 76 %. Celkové zhodnocení bylo provedeno pomocí Youden indexu. Více jak 70 % polomů se objevilo v místech s vysokou hodnotou faktoru MAXTOPEX a 97 % polomů bylo na detekovaných porostních hranách a do 200 m od nich.

18 Děkujeme za pozornost.