Krystian Kozio³, Piotr Wê yk. Laboratorium GIS i Teledetekcji Katedra Ekologii Lasu, Wydzia³ Leœny Akademii Rolniczej w Krakowie

Transkrypt

1 Rola klasyfikacji POLSKIE nadzorowanej TOWARZYSTWO wysokorozdzielczych INFORMACJI obrazów PRZESTRZENNEJ satelitarnych QuickBird... ROCZNIKI GEOMATYKI 2005 m TOM III m ZESZYT 2 87 ROLA KLASYFIKACJI NADZOROWANEJ WYSOKOROZDZIELCZYCH OBRAZÓW SATELITARNYCH QUICKBIRD W NOWEJ KONCEPCJI WYZNACZANIA PRZEMYS OWYCH STREF USZKODZEÑ DRZEWOSTANÓW NA PRZYK ADZIE MIASTECZKA ŒL SKIEGO THE ROLE OF SUPERVISED CLASSIFICATION OF THE VHR QUICKBIRD SATELLITE IMAGES IN A NEW CONCEPT OF FOREST INDUSTRIAL DAMAGE ZONES DELINEATION BASED ON THE EXAMPLE OF MIASTECZKO ŒL SKIE Krystian Kozio³, Piotr Wê yk Laboratorium GIS i Teledetekcji Katedra Ekologii Lasu, Wydzia³ Leœny Akademii Rolniczej w Krakowie S³owa kluczowe: teledetekcja, klasyfikacja nadzorowana, QuickBird, LMN, SILP, strefy uszkodzeñ lasu Key words: Remote Sensing, supervised classification, QuickBird, Digital Forest Map, SILP, forest damage zones Wstêp Obserwowana w ostatnich dziesiêcioleciach dynamika negatywnych procesów zachodz¹cych w œrodowisku naturalnym, wywo³ana najczêœciej oddzia³ywaniem czynników o charakterze antropogenicznym, powoduje koniecznoœæ ci¹g³ego monitoringu i oceny stanu ekosystemów. Jedn¹ z kluczowych ról w poprawnym funkcjonowaniu œrodowiska odgrywaj¹ ekosystemy leœne. Na cykliczne ich monitorowanie ponoszony jest du y wysi³ek organizacyjny i finansowy (EC-UN/ECE 2000; Seidling i in. 2001; Wawrzoniak i in. 2002). W Europie, która jest bardzo zró nicowan¹ mieszank¹ wielu standardów, tradycji i technologii, budowane s¹ liczne systemy monitoringu i podejmowane próby spójnej oceny zasobów leœnych kontynentu, w tym i stanu zdrowotnego drzew (de Vries i in. 2000; Forest ICP 1994; Solberg, Wê yk 2000).

2 88 Krystian Kozio³, Piotr Wê yk Podstawowym Ÿród³em informacji o zasobach leœnych s¹ w g³ównej mierze bezpoœrednie obserwacje terenowe, a ich jakoœæ uzale niona jest w znacznym stopniu od zastosowanej metody, w tym subiektywizmu taksatora. Ze wzglêdu na cechê wielkoobszarowoœci ekosystemów leœnych informacjê pozyskuje siê zwykle w oparciu o metody statystyczno-matematyczne, tj. siatki powierzchni próbnych obejmuj¹cych du e kompleksy leœne (Wê yk i in. 2000) b¹dÿ te ca³¹ powierzchniê kraju (wielkopowierzchniowa inwentaryzacja). Sieci powierzchni obserwacyjnych czy monitoringowych maj¹ swe ogromne zalety, szczególnie w aspekcie wsparcia tych prac technikami z zakresu GPS, fotogrametrii cyfrowej, technologii skaningu laserowego czy wreszcie wykorzystania wysokorozdzielczych obrazów satelitarnych (VHR) i integracji pozyskanych t¹ drog¹ geodanych do systemu GIS (Wê yk 2004). Okresowa ocena stanu lasów i zasobów leœnych, a tak e prognozowanie zmian w ekosystemach leœnych okreœla w Polsce bardzo precyzyjnie tzw. Ustawa o Lasach (1991). Na barkach Pañstwowego Gospodarstwa Leœnego Lasy Pañstwowe (PGL LP) spoczywaj¹ równie obowi¹zki sporz¹dzania okresowych wielkoobszarowych inwentaryzacji stanu lasów oraz aktualizacji stanu zasobów leœnych, a tak e prowadzenia baz danych. Instrukcje techniczne wydane przez PGL LP okreœlaj¹ dalej sposób wykonywania zadañ okreœlonych w ww. ustawie. Bior¹c pod uwagê ocenê drzewostanów i jego zdrowotnoœæ, Instrukcja Urz¹dzania Lasu (IUL 2003) stwierdza w 1, i (...) do g³ównych celów i zadañ urz¹dzania lasu nale ¹: (...) 11) ustalenie stref uszkodzenia lasu (po wprowadzeniu obowi¹zku ustalania takich stref; patrz 1 ust. 6 niniejszej instrukcji) oraz ustalenie stopni uszkodzenia drzewostanów; (...). Niestety w chwili obecnej nie istnieje obowi¹zek ustalania nowych stref uszkodzenia lasów, poniewa nie wydano odpowiedniego zarz¹dzenia w tej sprawie. W przypadku przekazywania Nadleœnictwom nowych Planów Urz¹dzania Lasu i zwi¹zanej bezpoœrednio z nimi Leœnej Mapy Numerycznej, zwyczajowo przejmuje siê strefy wyznaczane w przesz³oœci, w poprzednich cyklach urz¹dzeniowych, np. 10 lub nawet 20 lat temu. Jest to jedyna istniej¹ca i niestety nie aktualizowana informacja. Szczególnie w przypadku bardzo wyraÿnych zmian charakteru i wielkoœci emisji z zak³adów przemys³owych w ostatnich 15-tu latach, tego typu informacje staj¹ siê niemal bezwartoœciowe. Wykorzystanie zdjêæ lotniczych, w tym przede wszystkim barwnych spektrostrefowych zdjêæ lotniczych (CIR) w monitoringu stanu zdrowotnego lasów, znane jest od wielu dziesi¹tków lat z terenu Niemiec, Austrii czy Szwajcarii. W Polsce podejmowano w przesz³oœci próby wdro enia fotogrametrii do oceny stref uszkodzeñ lasów na obszarze Gór Izerskich i Puszczy Kozienickiej z wykorzystaniem filmu SN-10 (Zawi³a-NiedŸwiecki i in. 2001). Dotychczasowe doœwiadczenia z praktycznym wykorzystaniem geodanych teledetekcyjnych nie da³y jak dot¹d decydentom wystarczaj¹cych argumentów do opracowania i wprowadzenia metod inwentaryzacji opieraj¹cych siê na tych technologiach (Zawi³a-NiedŸwiecki 1994; Zaj¹czkowski, Wê yk 2004). Coraz szerszy dostêp do wysokiej jakoœci cyfrowych obrazów lotniczych i satelitarnych, a tak e istotny postêp w technologiach przetwarzania obrazu (Kayitakire 2002; Sasakawa, Tsuyuki 2003), pozwalaj¹ przypuszczaæ, i w nied³ugiej przysz³oœci wykorzystanie tych informacji stanie siê nie tylko po ¹dane, ale wrêcz konieczne (Wê yk i in. 2004). Wynikaæ to bêdzie przede wszystkim z ich aktualnoœci, wysokiej jakoœci geometrycznej, malej¹cych kosztów pozyskania i przetworzenia informacji oraz mo liwoœci integracji z innymi geodanymi w systemach GIS czy wspomagania decyzji (DSS). Celem prezentowanej pracy wykonywanej w ramach projektu zleconego przez Instytut Badawczy Leœnictwa by³o okreœlenie przydatnoœci wysokorozdzielczych obrazów Quick- Bird dla nowo opracowywanej metody okreœlania stref przemys³owego uszkodzenia lasów.

3 Rola klasyfikacji nadzorowanej wysokorozdzielczych obrazów satelitarnych QuickBird Teren badañ Do badañ wybrano lasy Nadleœnictwa Œwierklaniec (RDLP Katowice) bezpoœrednio otaczaj¹ce hutê cynku i o³owiu w Miasteczku Œl¹skim. Obszar ten, to bardzo drastyczny i szeroko znany przyk³ad negatywnego wp³ywu zanieczyszczeñ przemys³owych na ekosystem leœny, przejawiaj¹cy siê wyraÿnymi jego uszkodzeniami. Reprezentowane s¹ strefy uszkodzeñ drzewostanów od II do IV, a tak e murawy przemys³owe strefa V i pustynia przemys³owa strefa VI. Uszkodzenia te wywo³ane zosta³y py³ami metali ciê kich (m.in.: Zn, Cd i Pb) oraz toksycznym stê eniem gazów (SO x ), a tak e zaburzeniem poziomu wód gruntowych lub ich zanieczyszczeniem. Metodyka W czerwcu 2004 roku na obszarze Nadleœnictwa Œwierklaniec dokonano wstêpnego wyboru obszaru zobrazowania QuickBird, opartego o wizjê terenow¹ oraz analizy kartograficzne. Zobrazowanie planowano wykonaæ w pierwszej po³owie lipca 2004, bezpoœrednio po ukoñczeniu, b¹dÿ jeszcze w czasie trwania kampanii pomiarowej. Z powodów technicznych (g³ównie zbyt du e zachmurzenie) wykonane one zosta³o dopiero dnia 04 wrzeœnia 2004 roku (09:47:03 UTC). W pracach kameralnych wykorzystywano materia³y kartograficzne, takie jak: m Leœna Mapa Numeryczna (LMN; format SHAPE uk³ad PUWG 1992/19; stan aktualnoœci 2003; zgodna ze Standardem LMN); m 4 arkusze map topograficznych w skali 1: (PUWG 1965); m 3 arkusze map topograficznych w skali 1: (PUWG 1992) oraz m scenê satelitarn¹ LANDSAT 7 ETM+ (189/025; ). Transformacje geodezyjne przeprowadzano w oparciu o oprogramowanie GeoTrans (Geo- System) oraz Trako (Taxus SI/GDLP). Odbiorniki Pathfinder ProXRS (Trimble) z rejestratorem polowym TSC1 s³u y³y do nawigacji i pomiarów wykonywanych na obszarze badawczym. Korekcji dokonywano przez bezpoœredni odbiór sygna³u OmniStar lub w trybie postprocessing ze stacji Katowice albo Tarnowskie Góry (sieæ ASG-PL). W trakcie pomiarów GPS korzystano równie z testowego sygna³u poprawki ró nicowej RTK poprzez modem telefonu komórkowego (GPRS; WODGiK Katowice). Prace terenowe realizowane w drzewostanach wokó³ Miasteczka Œl¹skiego koncentrowa³y siê na: m wyznaczaniu 86 pól treningowych (ang. Area of interest; ROI) oraz 56 obszarów testowych (ang. Test areas; TA); m dokonaniu uproszczonego opisu taksacyjnego szaty roœlinnej i zebraniu informacji atrybutowej. Na ka dym ROI oraz TA dokonano pomiaru wybranych cech taksacyjnych lub dokonywano opisu powierzchni (np. w przypadku muraw przemys³owych). Jako ROI wybierano du e homogeniczne obszary uszkodzonego lasu w okreœlonych instrukcj¹ (IUL 2003) strefach uszkodzeñ. Dodatkowo zebrano dokumentacjê w postaci zdjêæ cyfrowych i komentarzy do poszczególnych ujêæ. Dane z formularzy terenowych zosta³y wprowadzone do bazy danych Access (MS), dziêki czemu mo liwe

4 90 Krystian Kozio³, Piotr Wê yk m by³o ich póÿniejsze wykorzystanie do tworzenia relacji pomiêdzy baz¹ geometryczn¹ ROI, a tabel¹ opisow¹ w oprogramowaniu GIS (ESRI). Przebieg granic ROI oraz TA wykonywano w technologii pomiaru DGPS oraz na pomiarze punktów dostosowania (GCP) do kontroli procesu kalibracji obrazu QuickBird. W pracach kameralnych pos³ugiwano siê oprogramowaniem ER Mapper 6.4 (ERM). Obraz QuickBird (Digital Globe; produkt: Standard Imagery) dostarczony zosta³ w postaci plików GeoTIFF wstêpnie zorientowanych (WGS84; odwzorowanie UTM-34U). Obraz wielospektralny (MS; piksel 2,4 x 2,4 m) sk³ada³ siê z czterech kana³ów: R,G,B oraz NIR. Obraz panchromatyczny PAN o rozdzielczoœci terenowej 62 x 62 m. W celu przeprowadzenia korekcji geometrycznej wykorzystano transformacjê wielomianow¹ drugiego stopnia w oparciu o wektor LMN udostêpniony przez Nadleœnictwo Œwierklaniec. Opieraj¹c siê na doœwiadczeniach z klasyfikacj¹ drzewostanów na obrazach QuickBird zdobytych podczas wczeœniejszych projektów (Zaj¹czkowski, Wê yk 2004), jako algorytm uzyskuj¹cy najlepsze wyniki dla tego typu obiektów, wybrano metodê najwiêkszego prawdopodobieñstwa (Maximum Likelihood), dostêpn¹ w programie ER Mapper (ERM). Leœna Mapa Numeryczna (LMN) w relacji z rekordami z bazy danych LAS/SILP (wyeksportowane do formatu *.mdb), zawiera³a m.in. informacje na temat przebiegu stref uszkodzenia lasu, wyznaczanych co najmniej w 1993 roku (w poprzednim cyklu urz¹dzania lasu). Analizy przestrzenne GIS przeprowadzano u ywaj¹c oprogramowanie ArcView oraz ArcInfo ArcGIS 9 (ESRI). Wyniki Wyniki przeprowadzonej kalibracji by³y satysfakcjonuj¹ce dla wiêkszoœci analizowanego obszaru badawczego, w aspekcie porównywania geometrii obrazu do mapy referencyjnej za jak¹ przyjêto LMN (2003) Nadleœnictwa Œwierklaniec (b³êdy przesuniêcia wzglêdem punktów kontrolnych DGPS nie przekracza³y 1,5 metra XY). W niektórych przypadkach podwa- ono jednak poprawnoœæ geometryczn¹ LMN, szczególnie w obszarach oddalonych od granicy rolno-leœnej, która z regu³y posiada wysok¹ poprawnoœæ geometryczn¹ (du a iloœæ graniczników). W takich przypadkach pomiar DGPS musia³ byæ traktowany jako referencyjny choæ dok³adnoœæ okreœlania pozycji w drzewostanie t¹ metod¹ nie zawsze pozbawiona jest b³êdów (Wê yk 2004; Kuliesis, Bajorunas 1999). W wyniku przeprowadzonych prac terenowych powi¹zanych z tworzeniem ROI, zdecydowano siê na wyodrêbnienie 12 klas obiektów. Szczegó³owa analiza sygnatur klas obiektów i ich elips w poszczególnych kana³ach spektralnych, a tak e dane opisuj¹ce sk³ad gatunkowy pododdzia³ów (z baz danych LAS/SILP; stan na 2003), wykaza³a koniecznoœæ modyfikacji wartoœci maksymalnego prawdopodobieñstwa wyst¹pienia poszczególnej klasy, przydzielanego przez operatora w trakcie procesu klasyfikacji (tab.1). Na wyznaczonych w terenie obszarach testowych (TA) okreœlano poprawnoœæ klasyfikacji poprzez porównanie obrazu klasyfikacji do rastrowej postaci (GRID; ESRI) pomiarów terenowych. Zgodnoœæ ta w przypadku klasy LAS wynios³a 92,6%, a w przypadku klasy NIE_LAS a 95,3%. Dla klasy las iglasty poprawnoœæ klasyfikacji by³a nieznacznie ni sza (93,1%), natomiast w przypadku klasy las liœciasty wynik klasyfikacji (87,8%) zdecydowanie siê pogorszy³, co

5 Rola klasyfikacji nadzorowanej wysokorozdzielczych obrazów satelitarnych QuickBird Tabela 1. Zestawienie klas obiektów typu LAS i wartoœci ich wyst¹pieñ Parametr Wartoœæ maksymalnego prawdopodobieñstwa Parametr Wartoœæ maksymalnego prawdopodobieñstwa sosna (So) œwier k (Sw) Klasy obiektów TYP: LAS brzoza (Brz) prawdopodobieñstwa NIE_LAS wynikaæ mo e z licznego na tym terenie wystêpowania lasu mieszanego (gatunki: So i Brz). W przypadku klasyfikacji gatunków drzew, odnotowano spadek poprawnoœci i wynios³y one odpowiednio: 82,2% dla sosny zwyczajnej (So), 55,7% dla olszy czarnej (Olcz), 50% dla brzozy (Brz), 47.8 % dla dêbu (Db) i zaledwie 38,5% dla œwierka (Œw). Niskie wartoœci zgodnoœci dla poszczególnych gatunków mog³y wynikaæ ze stanu zdrowotnego drzewostanów (przerzedzone z powodu defoliacji lub przebarwione korony) lub te z fazy fenologicznej (data wykonania zobrazowania). Wyniki przeprowadzonej klasyfikacji nadzorowanej przy u yciu algorytmu najwiêkszego prawdopodobieñstwa (rysunek) porównano z rekordami atrybutowej bazy danych LAS/ SILP. Zestawienia statystyczne ograniczono analizami przestrzennymi GIS tylko do pododdzia³ów leœnych, ca³kowicie zawieraj¹cych siê wewn¹trz obszaru pokrytego zobrazowaniem QuickBird. W dalszych etapach wykorzystano równie informacje na temat zasiêgu stref uszkodzeñ lasu wyznaczonych w poprzednim cyklu urz¹dzaniu (tab. 2). W tabeli 2 zauwa alna jest tendencja zmniejszania siê udzia³u pokrywy o charakterze drzewiastym (LAS) wraz ze wzrostem intensywnoœci uszkodzenia (strefy). Nie jest to jednak a tak oczywiste w przypadku stref: II oraz III, gdy wartoœci procentowe s¹ w nich niemal identyczne (oko³o 94%). Sytuacja taka mo e po prostu wynikaæ z faktu, i strefy dla jakich analiza zosta³a wykonana, s¹ co najmniej nieaktualne i w pierwszej kolejnoœci nale a³oby na podstawie ustalonych kryteriów zweryfikowaæ ich zasiêgi. Wyrównanie siê sumarycznej liczby pikseli reprezentuj¹cych korony drzew (klasa LAS) w strefach II i III mo e równoczeœnie wskazywaæ na proces rewitalizacji drzewostanów w III strefie. Wartoœæ 94% Strefa uszkodzeñ d¹b (Db) olsza (Ol cz) cieñ pola uprawne trawa TYP: NIE_LAS piasek odkryta gleba po arzysko woda Tabela 2. Zestawienie wyników klasyfikacji dla stref uszkodzeñ w klasach LAS oraz NIE_LAS z uwzglêdnieniem podzia³u klasy LAS na las iglasty (IG Y) i liœciasty (LIŒÆ) Pow. typu LAS Udzia³ typu IG Y Udzia³ typu LIŒÆ Udzia³ typu LAS Pow. typu NIE_LAS Udzia³ typu NIE_LAS Pow. ca k owita [ha] [ha] [ha] II 4799,25 64,35 26, ,38 9, III 968,07 57,78 32, ,44 9, IV 272,18 52,87 19,06 71,93 106,24 28,07 378,42

6 92 Krystian Kozio³, Piotr Wê yk oznaczaæ mo e, i tyle procent pikseli analizowanego obszaru przypisano podczas klasyfikacji do poszczególnych koron drzew. Wartoœæ 9,6% (NIE_LAS) tj. traw, odkrytej gleby itp., widocznych w lukach pomiêdzy koronami, oznacza wci¹ bardzo wysoki stopieñ zwarcia koron drzew. W przypadku tych stref uszkodzeñ, ma to du e znaczenie ze wzglêdu na fakt, i korony sosny zwyczajnej posiadaj¹ najczêœciej tylko 2 roczniki igie³ (wyraÿna defoliacja) i podobnie jak korony brzozy brodawkowatej s¹ niezmiernie a urowe. Ta sytuacja powoduje, i informacja spektralna mo e pochodziæ nie tylko od koron drzew, ale dodatkowo mo e zostaæ zmieszana z pochodz¹c¹ od runa leœnego b¹dÿ gleby. Istnienie pokrywy koron drzew w strefie III, w tak du ym zwarciu, jest z drugiej strony stosunkowo pozytywn¹ informacj¹, stawiaj¹c¹ jednak pod znakiem zapytania poprawnoœæ wyznaczenia zasiêgu tej strefy. Pewnych cech taksacyjnych drzewostanów nie sposób okreœliæ na zobrazowaniu wysokorozdzielczym QuickBird, ale zwarcie i sk³ad gatunkowy, a przede wszystkim informacja geometryczna o rozmieszczeniu drzew daje nowe spojrzenie na metodykê wyznaczania stref uszkodzeñ przemys³owych. W przesz³oœci, dla uproszczenia, granice stref wyznaczano wzd³u linii oddzia³owych b¹dÿ pododdzia³ów. Informacja pochodz¹ca z klasyfikacji obrazu Quick- Bird mo e pozwoliæ na weryfikacjê i aktualizacjê LMN (wraz z informacjami opisowymi z SILP) poprzez podzia³ lub ³¹czenie wydzieleñ o du ym podobieñstwie cech zdalnie okreœlanych (np. sk³ad gatunkowy drzewostanu, wielkoœæ koron, tekstura obrazu, stopieñ zmieszania gatunków, itp.). Utrzymywanie sztucznego podzia³u przestrzennego nie ma sensu w obszarach o bardzo silnej dynamice przemian drzewostanów (zamieranie, wypadanie wra - liwych gatunków, os³abienie przyrostu, konkurencja innych gatunków krzewiastych, itp). Granice przebiegu wy³¹czeñ drzewostanowych nale y dostosowaæ do zaistnia³ej sytuacji i mo liwoœci regeneracyjnych ekosystemu leœnego, objawiaj¹cego siê wtórn¹ sukcesj¹ na obszarach zdegradowanych b¹dÿ te rewitalizacj¹ poszczególnych drzew. Analiza stopnia zwarcia koron czy zagêszczenia drzew na jednostce powierzchni (na 1ha; w pododdziale) umo liwiaæ mo e ustalenie nowych kryteriów w modyfikowanej obecnie instrukcji dotycz¹cej stref uszkodzenia lasu. O ile nie sposób oceniæ stopnia defoliacji korony sosny zwyczajnej (nawet w przypadku obrazu QuickBird 432 pan-sharpened jego jakoœæ wci¹ ustêpuje szczegó³owoœci zdjêæ lotniczych CIR wykonanych w skali 1:10.000), to jednak okreœlenie œredniego wspó³czynnika wype³nienia koronami pododdzia³u jest mo liwe. Pozwala to w konsekwencji na podjêcie konkretnych decyzji o zabiegach gospodarczych, np. o ponownym za³o eniu uprawy o du ej nieudatnoœci (du a liczba wypadów czyli obecnoœæ klasy typu NIE_LAS wewn¹trz pododdzia³u leœnego; tab. 3). W bazach danych LAS/ SILP zapisywanych jest bardzo wiele informacji pochodz¹cych z urz¹dzania lasu, które niestety odnosz¹ siê do ca³ego pododdzia³u (poligon), traktuj¹c go jako encjê. Nawet w przypadku obiektów nie stanowi¹cych pododdzia³u, jak: kêpy, luki czy miejsca po aru, nie ma mo liwoœci precyzyjnego okreœlenia ich lokalizacji na podstawie wspó³czeœnie tworzonych LMN czy baz danych LAS/SILP. Szczegó³ow¹ analizê wyników klasyfikacji przeprowadzono tak e w odniesieniu do podstawowej jednostki podzia³u powierzchniowego jakim jest pododdzia³ (tab. 3). Na jej podstawie dla typów LAS i NIE_LAS mo na wskazaæ pododdzia³y, w których zwarcie drzewostanu (powierzchnia koron drzew) zmienia siê w zakresie od 7,9 do 94,9%. Ten procentowy wskaÿnik nie jest jednak równoznaczny ze wspó³czynnikiem zadrzewienia czy ze zwarciem, choæ wg nowej Instrukcji Urz¹dzania Lasu (IUL 2003), sk³ad gatunkowy mo na ju okreœlaæ udzia³em powierzchni zajmowanych przez poszczególne korony drzew. Ponadto klasyfikacja obrazu pozwala na wyraÿne wyznaczenia obszarów o ró nym pokryciu drzewami.

7 Rola klasyfikacji nadzorowanej wysokorozdzielczych obrazów satelitarnych QuickBird Oznaczenie pododdzia³u Tabela 3. Wyniki okreœlania wspó³czynnika zwarcia koron drzew w oddziale 113 (IV strefa uszkodzeñ) Pow. typu LAS [ha] Udzia³ typu LAS Pow. typu NIE_LAS [ha] Udzia³ typu NIE_LAS Pow. ca³kowita [ha] a 2,71 86, , 1 3,12 b 2,61 84, , 8 3,11 c 2,80 94, , 4 2,96 d 2,19 94, , 2 2,31 f 1,48 89, ,64 g 57 77, , 6 74 h 1,51 45, 0 1,84 54, 9 3,35 i 2,09 85, , 3 2,44 j 2,08 57, 0 1,57 43, 0 3,65 k 1,40 61, , 3 2,27 l 13 7, 9 1,56 92, 3 1,69 m 50 29, 8 1, ,67 Uzyskane na drodze klasyfikacji obrazu QuickBird informacje o: sk³adzie gatunkowym, wype³nieniu przestrzeni 2D przez korony drzew oraz o wystêpowaniu innych klas (np. traw, odkrytej gleby, miejsca po aru) posiadaj¹ce przede wszystkim lokalizacjê w przestrzeni geograficznej, pozwalaj¹ na wsparcie wyznaczania stref uszkodzeñ lasów. Klasyfikacja nadzorowana, nawet pomimo du ej liczby ROI i osi¹ganych wysokich poprawnoœci, musi zostaæ Tabela 4. Szczegó³owa analiza wyników klasyfikacji dla Pododdzia³ So Sw Brz Db Klasy obiektów LAS oraz NIE_LAS Ol cz Cieñ Pola oddzia³u 113 (IV strefa uszkodzeñ) Traw a Pia sek Odkryta gleba a 66, , 7 1, 9 b.w. 6 2, 9 9, 0 b.w. 5 1 b 69, 1 8, 1 6, , 0 4, 2 b.w. 1 5 c 81, 1 9, 9 2, , 0 b.w. 0, 5 b.w. b.w. b.w. d 61, 8 14, 3 9, 2 8, 6 9 4, 6 b.w. 0, 4 b.w. b.w. b.w. f 64, 0 13, 9 7, 8 3, 8 4 8, , 1 b.w. 7 g 32, 3 4, 5 32, 1 5, 6 3, 3 3, 1 3, 1 15, 6 b.w. 2 2 h 13, , 0 2, 5 2 1, 1 18, 5 34, i 48, 6 3, 9 22, 8 8, 8 1, , 4 b.w. b.w. b.w. j 25, , 6 b.w. 7 6, 7 35, 2 b.w. 3 2 k 26, , 5 2, , 1 34, 7 b.w. b.w. 2 l 0, 2 b.w. 7, 7 b.w. b.w , 1 1 1, 1 2, 7 m 14, , 5 0, 6 b.w. 1, 8 11, , 2 b.w. brak wyst¹pienia Po ar

8 94 Krystian Kozio³, Piotr Wê yk uzupe³niona o szczegó³owe obserwacje terenowe okreœlaj¹ce inne istotne parametry zdrowotne. Obraz wysokorozdzielczy QuickBird nie mo e dostarczyæ wprost jednoznacznej informacji: do jakiej strefy uszkodzeñ przypisaæ nale y dany drzewostan, ale w zdecydowany sposób wspieraæ mo e podejmowanie decyzji w tym wzglêdzie. Porównuj¹c wyniki klasyfikacji z opisem taksacyjnym drzewostanów na polach treningowych oraz z informacj¹ z bazy SILP, pojawi³ siê problem ró nic statystycznych dla pikseli reprezentuj¹cych drzewostany liœciaste ró nogatunkowe (tab. 4). W przypadku Nadleœnictwa Œwierklaniec, g³ównymi gatunkami liœciastymi by³y: d¹b, brzoza oraz olsza czarna. W przypadku brzozy, która wystêpuje g³ównie w zmieszaniu z sosn¹, uzyskiwana zgodnoœæ klasyfikacji waha³a siê w zakresie od 80% do 90%, natomiast w przypadku dêbów i olszy zgodnoœæ ta oscylowa³a tylko w zakresie 50%. Wynika to z faktu, i powy sze dwa gatunki w okresie wykonania zobrazowania charakteryzowa³y siê zbli on¹ odpowiedzi¹ spektraln¹ (nak³adanie siê sygnatur spektralnych na siebie). Czêœciowym rozwi¹zaniem tych niedogodnoœci i problemów zwi¹zanych z klasyfikacj¹ obrazu QuickBird i innych wysokorozdzielczych zobrazowañ satelitarnych pod wzglêdem rozró niania gatunków by³oby zarejestrowanie 2-3 scen w tym samym roku: na pocz¹tku, w œrodku i na koñcu okresu wegetacji. Wnioski Rozdzielczoœæ terenowa (obrazu pan-sharpened ) oraz spektralna obrazu QuickBird pozwala na analizê stanu szaty roœlinnej na poziomie pojedynczych koron lub biogrup drzew, charakteryzuj¹cych siê odpowiednim zwarciem, zapewniaj¹cym odbicie promieniowania elektromagnetycznego. Osi¹gniête wyniki potwierdzi³y mo liwoœæ okreœlania wybranych cech taksacyjnych drzewostanów (np. sk³adu gatunkowego), jak równie wykrywania i okreœlania udzia³u powierzchni innych klas obiektów (roœlinnoœci trawiastej, krzewów, miejsc pozbawionej wegetacji, itp.) wewn¹trz pododdzia³ów opisywanych bazami LMN i LS/SILP. Proponowanym rozwi¹zaniem dla nowej metody okreœlania stref uszkodzenia lasów jest wsparcie prac terenowych wynikami klasyfikacji nadzorowanej (lub obiektowej) oraz zastosowanie innych technologii geoinformatycznych, w tym MobileGIS (odbiornik GPS + PDA + aplikacja GIS wykorzystuj¹ca LMN i LAS/SILP). Autorzy widz¹ celowoœæ dalszych badañ w zakresie szczegó³owej analizy drzewostanów starszych klas wieku (tzw. rêbnych), tj. ich struktury przestrzennej oraz zmieszania gatunkowego przy uwzglêdnieniu danych o charakterze archiwalnym (wczeœniejsze opisy taksacyjne wydzieleñ, zdjêcia lotnicze, obrazy satelitarne). Taka kombinowana analiza wieloczasowa mo e daæ wprost informacjê o uszkodzeniu drzewostanów, rozumianym jako odstêpstwo od typowej dla tych klas wieku: struktury i zmieszania (np. dla litego drzewostanu sosnowego w wieku 95 lat). Przerywane zwarcie koron oraz obecnoœæ innych gatunków drzew szczególnie lekkonasiennych i szybkorosn¹cych wskazywaæ mo e na os³abienie i uszkodzenie tego drzewostanu. Wci¹ trudnoœæ stwarza klasyfikacja nadzorowana drzewostanów liœciastych, których dalsza stratyfikacja wg gatunku panuj¹cego jest niezmiernie utrudniona (nak³adanie siê sygnatur spektralnych). Brak informacji na obrazie QuickBird na temat wysokoœci obiektów (wa ne w korelowaniu tej cechy z wiekiem i wielkoœci¹ koron) rekompensowane mo e byæ z baz danych LMN (SILP) b¹dÿ z przetworzonych odpowiednio modeli ITED (SRTM). Wykorzystanie kana³u PAN do klasyfikacji nadzorowanej obrazu (poza wzmocnieniem informacji geometrycznej) nie daje oczekiwanych efektów, poniewa jego zakres spektralny pokrywa siê w zasadzie z pozosta³ymi kana³ami MS (R, G, B oraz NIR).

9 Rola klasyfikacji nadzorowanej wysokorozdzielczych obrazów satelitarnych QuickBird Lasy Pañstwowe oraz inne instytucje odpowiedzialne za monitoring œrodowiska naturalnego stoj¹ obecnie przed wielkim wyzwaniem jakim jest wykorzystanie obrazów teledetekcyjnych w powi¹zaniu z ogromnymi zasobami zgromadzonych informacji w bazach opisowych (SILP) oraz geometrycznych (LMN). Zapowiadane przez liczne konsorcja, zwiêkszenie rozdzielczoœci terenowej i spektralnej zobrazowañ satelitarnych oraz nowe, dostepne ju, technologie, jak np. skaning laserowy (LiDAR), mog¹ w znacz¹cy sposób przyczyniæ siê do podejmowania uzasadnionych decyzji na temat wyznaczania stref uszkodzeñ lasów. Literatura de Vries W. (ed.) 2000: Intensive monitoring of forest ecosystems in Europe. FIMCI Technical Report Forest Intensive Monitoring Coordinating Institute. Brussels, Geneva. EC-UN/ECE 2000: Forest condition in Europe, Result of the 1999 Survey, 2000 Report. EC-UN/ECE, Brussels, Geneva. Forest ICP, Manual on Methodologies and criteria for harmonized sampling, assessment, monitoring and analysis of the effects of air pollution on forests, International Co-operative Programme on Assessment and Monitoring of Air Pollution Effects on Forests, Programme Coordinating Centres, Hamburg and Prague. IUL 2003: Instrukcja Urz¹dzania Lasu. Za³¹cznik do Zarz¹dzenia nr 43 Dyrektora Generalnego Lasów Pañstwowych z dnia 18 kwietnia 2003 r. Kayitakire F., Farcy C., Defourny P., Culvenor D.C., 2002: IKONOS-2 imagery potential for forest stands mapping. ss. 11. Kuliesis A., Bajorunas A., Study on GPS technology application in Lithuanian forest survey. In: Conference Proceedings: Remote Sensing and Forest Monitoring. IUFRO. Rogów p , Sasakawa H., Tsuyuki S. 2003: Development of forest type classification technique for the mixed forest with coniferous and broad-leaved species using the high resolution satellite data; documents/reference2003.htm Seidling W., Fischer R., De Vries W., Lorenz M., Wójcik J. 2001: Organisation, Methods, and Results of the European Programme on Forest Condition under UN/ECE and EC. W: Zintegrowany Monitoring Œrodowiska Przyrodniczego. Funkcjonowanie i monitoring geoekosystemów z uwzglêdnieniem zanieczyszczeñ powietrza. IOŒ, Biblioteka Monitoringu Œrodowiska, Warszawa. Solberg R., Wê yk P., Forest Environmental Monitoring and Management System FOREMMS contribution to the development of sustainable use of natural resources. [In:] Application of Remote Sensing in Forestry, Zvolen, Slovakia. Ustawa z dnia 28 wrzeœnia 1991 r. o lasach (tekst jednolity, Dz. U ). Wawrzoniak J., (red.), 2003: Forest condition in Poland in IOŒ, Biblioteka Monitoringu Œrodowiska, Warszawa. Wê yk P., 2004: Integracja technologii geoinformatycznych w systemie monitoringu i zarz¹dzania ekosystemami leœnym Europy, na przyk³adzie projektu FOREMMS (5 PR UE). Teledetekcja Œrodowiska. Nr 33. s Wê yk P., de Kok R., Zajaczkowski G., 2004: The role of statistical and structural texture analysis in VHR image analysis for forest applications. A case study on QuickBird data in the Niepolomice Forest. [In:] Strobl et al. Hrsg. Angewandte Geoinformatik 2004; ss Wichman. Heidelberg. Wê yk P., Ma³ek S., Kozio³ K., Guzik M., Zieliñski B., Monitoring of forest litter contamination in the Ojcow National Park (South Poland) using GIS tools. Application of remote sensing in forestry. Zvolen, Slovakia. Zaj¹czkowski G., Wê yk P., 2004: Techniki teledetekcyjne w inwentaryzacji urz¹dzeniowej lasu. Roczniki Geomatyki, Tom II, Z. 4, ss Zawi³a-NiedŸwiedzki T., Ocena stanu lasu w ekosystemach zagro onych z wykorzystaniem zdjêæ satelitarnych i systemu informacji przestrzennej. Prace Instytutu Geodezji i Kartografii, Tom XLI, Z. 90. Zawi³a-NiedŸwiedzki T., Wiœniewska E., Iracka M., 2001: Zdjêcia lotnicze i satelitarne w leœnictwie. Mat. XI Konf. PTIP Systemy Inf. Przestrz., Warszawa, ss

10 96 Krystian Kozio³, Piotr Wê yk Summary During the last decades the influence of industry left its trace on Polish forests worsening significantly their health condition, expressed e.g. by the defoliation degree. Direct negative influence of industrial contamination was in certain forests so high that they have been considered the zones of ecological disaster. The new Instruction of Forest Management issued in 2003 does not describe precisely the method of zone delineation leaving a serious gap due to which the zones determined 10 or 20 years ago are taken over by new forest management. The purpose of this paper is to point out the usefulness of application of the VHR QuickBird satellite images ( ; region of 89 km 2 ), which is thesocalled supervised classification in assisting the new method of the forest damage zones delineation. Forests of the Œwierklaniec Forest Inspectorate (RDLP Katowice) surrounding the zinc and lead metallurgical plant in Miasteczko Œl¹skie was the region of interest. Distinct damages of stands, including even the so-called industrial turfs caused by heavy metals dust emission and toxic concentrations of gases are still visible in this region. The calibration of image was based on vector data from the Digital Forest Map and GCP (RMS XY <1.50 m) control measurements. The supervised classification (Maximum Likelihood) was performed by means of DGPS measurements in ROI. The results of classification of the QuickBird image were compared with the determined Test Areas and information in the database of the LAS/SILP system prepared during the last forest management review (2003). The obtained classification likelihood for the FOREST class was 92.6%, while for the NON FOREST class: 95.3%. The likelihood of the classification for individual tree species was from 82% for Scots pine (Pinus sylvestris L.) to 38% for Black alder (Alnus glutinosa L.). For industrial damage zones (II, III and IV) determined more than 10 years ago, the supervised classification allowed to establish the approximate parameter of the crown density as being: 90.37% (zone II), 90.43% (zone III) and 71.93% (zone IV the so-called death zone ). Detailed analyses of the selected evaluating features proved the possibility of utilizing the QuickBird image for the determination of such parameters as the crown density or the number of trees in a unit area. The value of the crown canopy oscillated from 94.9% to approximately 7.9% in the damage zone IV. The investigations have shown, beyond any doubt, that the VHR QuickBird satellite images can assist works on site and decision-making processes in delineation of new damage zones. High resolution in the region of interest and variety of radiometric information cause that the QuickBird images are valuable cartometric material, which due to the integration with other geoinformatic technologies (GPS, GIS) can be used for the verification and updating of LMN and SILP databases, including information on already existing forest damage zones. dr in. Krystian Kozio³ rlkoziol@cyf-kr.edu.pl dr in. Piotr Wê yk rlwezyk@cyf-kr.edu.pl tel./fax

11 Rys. 1: A podzia³ powierzchniowy w oddziale 113 oraz 114 na tle obrazu QuickBird (kombinacja 432_PAN); B wynik klasyfikacji LAS (szary kolor)/nie_las (jasne t³o); C wyniki klasyfikacji gatunków: So (br¹zowy), Œw (fiolet), Brz (b³êkit), roœlinnoœæ zielna i trawy (odcienie zielonego), piasek i odkryta gleba ( ó³ty), po arzysko (ró owy) Rola klasyfikacji nadzorowanej wysokorozdzielczych obrazów satelitarnych QuickBird... 97