Spis treści Contents

46 WARSZAWA 2011 Spis treści Contents Porównanie klasyfikacji wieloczasowych zdjęć satelitarnych MODIS......................... 3 Comparison of multi-temporal classification of MODIS satellite data Katarzyna Ewa LEWIŃSKA Wykorzystanie zdjęć satelitarnych MODIS do badania stopnia pokrycia terenu roślinnością.... 13 Use of MODIS Satellite Images to Study the Percentage of Vegetation Cover Monika TOMASZEWSKA, Stanisław LEWIŃSKI, Edyta WOŹNIAK Szacowanie plonów roślin uprawnych na podstawie naziemnych pomiarów spektralnych...... 23 Estimating crop yields on the basis of ground hyperspectral measurements Jan PIEKARCZYK Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych przy użyciu modelu transferu promieniowania............................................. 29 Simulating spectrum for heterogeneous meadows using a Radiative Transfer Model Anna JAROCIŃSKA Zmiana użytkowania ziemi dla Stacji Bazowej Wigry........................................ 39 Changes in land use of the Base Station Wigry Małgorzata MYCKE-DOMINKO, Marta TOBIASZ Cyfrowa mapa geomorfologiczna Karpat................................................... 48 Digital geomorphological map of Karpaty Mts Jaromir BORZUCHOWSKI, Jan R. OLĘDZKI

46 WARSZAWA 2011 Porównanie klasyfikacji wieloczasowych zdjęć satelitarnych MODIS Comparison of multi-temporal classifi cation of MODIS satellite data Katarzyna Ewa LEWIŃSKA Słowa kluczowe: klasyfikacja wieloczasowa, pokrycie terenu, MODIS Key words: multi-temporal classification, land cover, MODIS Otrzymano: 11 stycznia 2011; Zaakceptowano: 24 sierpnia 2011 Received: 11 January 2011 Accepted: 24 August 2011 Since the 1970 s remote sensing enable constant monitoring of land cover and land use, which are considered as the most crucial environmental data. Obtaining this information at global, regional and local scales, becames the goal of many research and application programs and has allowed for the deeper understanding of the entire Earth system. In December 1999 NASA launched the EOS Terra Satellite, followed in 2002 by Aqua, both equipped with MODIS (Moderate Resolution Imaging Spectroradiometer). Thanks to its technical specification and free distribution of the majority of its products, MODIS is considered to be the most important sensor for the global vegetation mapping. Although has been originally designed for large-scale analysis, MODIS is also used in many regional research programs. This paper presents results of two approaches of multitemporal land cover classification of MODIS data. For the study polygon of 22100 square kilometres, situated in the western Poland, four single day surface reflectance data sets, of spatial resolution of 250m and 500m, were collected for the year 2007 one for spring and autumn, and two for summer. In the first approach supervised land cover classification was conducted for each set of single day data separately. On the basis of obtained results, final classification was elaborated as an effect of analyse of the sequence of changes for each pixel. In second approach, independent classification was conducted for the aggregation of all possessed data. The accuracy of all classifications results was checked against Corine Land Cover 2000 database using 4200 randomly distributed points. Obtained statistics show that comparing with single-day classifications as well as with classification of aggregated data, multi-temporal approach based on the analysis of sequence, enabled crucial improvement of accuracy of the classification. Wstęp Od lat siedemdziesiątych ubiegłego stulecia teledetekcyjne techniki satelitarne pozwalają na ciągły monitoring środowiska naturalnego Ziemi. Informacje pozyskane w wyniku analizy zobrazowań satelitarnych o średniej i niskiej rozdzielczości odgrywają istotną rolę w procesie poznania i zrozumienia zależności istniejących między komponentami środowiska planety, jak również umożliwia modelowanie procesów przyrodniczych. Szczególny wkład, wniosły tutaj serie satelitów Landsat wyposażone między innymi w sknery obrazujące MSS, TM, ETM i ETM+; oraz NOAA Polar-Orbiting Operational Environmental Satellites ze skanerem AVHRR na pokładzie (Jensen, 1996). Opracowania powstałe na podstawie danych dostarczonych przez jednostki wchodzące w skład obu programów, zapoczątkowały nową erę badań przyrodniczych Ziemi zarówno, w skali regionalnej jak i globalnej. Szczególnie istotna okazała się możliwość pozyskania za pośrednictwem danych satelitarnych, informacji o pokryciu terenu w skali globalnej. Pierwszym takim opracowaniem była globalna mapa pokrycia terenu o rozdzielczości 1º (DeFries i Townshend, 1994), wykonana na początku lat dziewięćdziesiątych XX wieku, na podstawie miesięcznych kompozycji wskaźnika NDVI pozyskanych przez skaner AVHRR. Wraz z nieco późniejszą, ulepszoną wersją (DeFries i in. 1998), pozwoliły na poznanie rozmieszczenia i zróżnicowania form pokrycia terenu na całym globie ziemskim.

4 Przełomowym krokiem w dziedzinie monitoringu środowiska w skalach przeglądowych, ze szczególnym uwzględnieniem pokrycia terenu, było wyniesienie na orbitę w grudniu 1999 roku satelity Terra. Razem z działającą od maja 2002 misją Aqua, satelity zapewniają możliwość zintegrowanego i kompleksowego pomiaru i rejestracji procesów naturalnych zachodzących na Ziemi (The Earth Observing System). Wyjątkowość oby misji polega przede wszystkim na fakcie, że poza innymi instrumentami pokładowymi, oba satelity zostały wyposażone w skaner MODIS (Moderate Resolution Imaging Spectroradiometer). Urządzenie to zostało skonstruowane w wyniku wielu lat badań i doświadczeń prowadzonych w ramach programu Earth Science Enterprise (ESE). MODIS łączy w sobie cechy takich skanerów jak: NOAA/AVHRR, Nimbus Coastal Zone Color Scanner (CZCS), Orbview-2 SeaWIFS, NOAA High-resolution Infrared Sounder (HIRS) oraz Landsat Thematic Mapper (Guenther i in., 2002). Wyjątkowa konstrukcja tego trzydziestosześcio-kanałowego skanera, 12-sto bitowa rozdzielczość radiometryczna oraz niespotykana stabilność kalibracji (Justice i in., 2002) połączona z parametrami satelitów Terra i Aqua (The Earth Observing) sprawiają, że zobrazowania pozyskiwane przez skaner MODIS, jak również produkty opracowywane na ich podstawie (Savtchenko i in., 2004), od lat są wykorzystywane w badaniach środowiska naturalnego. Parametry skanera oraz dostępność zobrazowań sprawiły, że pozyskiwane przez niego dane środowiskowe są podstawą wielu opracowań prowadzonych w skali globalnej, takich jak MODIS Global Land Cover (Friedl i in., 2002) czy Vegetation Cover Conversion (Zhan i in., 2002), będących kontynuacją projektów zapoczątkowanych przy wykorzystaniu danych AVHRR. Dane MODIS są również z powodzeniem stosowane w badaniach w skalach regionalnych i lokalnych, takich jak obserwacja rozwoju fenologicznego roślin (Zhang X. i in., 2003) czy klasyfikacja upraw (Doraiswamy i in., 2007). Szczególnie korzystne w badaniach środowiska naturalnego jest wysoka rozdzielczość czasowa danych. Misje Aqua i Terra zostały zaprojektowane w taki sposób, że codziennie dla każdego punktu na ziemi jest dostępne co najmniej jedno zobrazowanie MODIS. Daje to olbrzymie możliwości prowadzenia badań wymagających danych z więcej niż jednego terminu rejestracji, jak choćby obserwacji zmian i detekcja zagrożeń (Lunetta i in., 2006). Celem niniejszej pracy jest sprawdzenie możliwości klasyfikacji form pokrycia terenu z wykorzystaniem zobrazowań MODIS pochodzących z więcej niż jednego terminu rejestracji. Zastosowanie danych wieloczasowych pozwala na poprawę dokładności końcowego rezultatu klasyfikacji. W artykule przeanalizowano wyniki dwóch różnych podejść klasyfikacyjnych uwzględniających zastosowanie zobrazowań satelitarnych z wielu terminów: jednoczesną klasyfikację wszystkich danych, oraz stosowaną do tej pory głównie w monitoringu zmian rozwoju fenologicznego roślinności (Zhang i in., 2003) i w badaniach erozji gleb (Marquinez i in., 2008), analizę sekwencji zmian klas pokrycia terenu wykonaną na dla każdego piksela obrazu na podstawie pojedynczych, niezależnych obrazów klasyfikacyjnych pochodzących z kilku terminów rejestracji (Lewińska, 2009). Dane W analizie wykorzystano jednodniowe zobrazowania MODIS o rozdzielczości 250 i 500 metrów, pochodzące z tzw. drugiego poziomu przetworzenia danych (MODIS/ Terra/Aqua Surface Reflectance Daily L2G Global 250m SIN Grid V005 oraz MODIS/Terra/Aqua Surface Reflectance Daily L2G Global 1km 500m SIN Grid V005). Zgodnie z podziałem arkuszowym odwzorowania sinusoidalnego, w którym udostępniane są wszystkie produkty MODIS, terytorium Polski jest odwzorowywane na czterech arkuszach: h18v03, h18v04, h19v03 i h19v04. Z uwagi jednak na stosunkowo niewielką powierzchnię kraju znajdującą się na arkuszach południowych, ostatecznie zdecydowano się na wykorzystanie danych jedynie z arkuszy h18v03 i h19v03. W celu uchwycenia zmienności fenologicznej pokrywy roślinnej, mającej ułatwić rozpoznanie form pokrycia terenu, analizę wykonano na podstawie zdjęć zarejestrowanych w okresie jednego sezonu wegetacyjnego, definiowanego jako czas trwający od połowy marca (początek prac polowych) do końca października (ostatnie zbiory, zrzucanie liści przez drzewa). Podczas doboru zobrazowań głównymi czynnikami ograniczającymi było występowanie zachmurzenia i zamglenia, jak również występujące na zdjęciach błędy rejestracji skanera. Ostatecznie spośród dwunastu, wstępnie wyselekcjonowanych dla roku 2007 zestawów danych, do dalszej analizy wybrano zobrazowania z: 31 marca (Terra), 16 lipca (Terra), 2 sierpnia (Terra) i 13 października (Aqua). Jako materiał pomocniczy podczas klasyfikacji użyto dwóch scen Landsat ETM+ zarejestrowanych 13 czerwca 2000 i 24 maja 2001. Kanały 3, 4 i 5 wykorzystane w kompozycji RGB (4,5,3) zostały pobrane z serwera USGS (http://edcsns17.cr.usgs.gov/earthexplorer). Materiałem referencyjnym dla wyników klasyfikacji, jak również pomocniczym podczas procesu definiowania klas pokrycia terenu możliwych do wydzielenia na zdjęciach MODIS była baza danych CORINE Land Cover 2000 (EEA, 2004). Poligon badawczy Katarzyna Ewa Lewińska W wyniku selekcji dostępnych danych satelitarnych, oraz analizy zróżnicowania wielkości pól uprawnych na obszarze kraju, poligon badawczy został zdefiniowany jako prostokąt o powierzchni 22100 km² i wymiarach 130 na 170 km, położony w zachodniej części Polski (Ryc. 1). Zgodnie z podziałem administracyjnym kraju, obszar badawczy obejmuje tereny należące do trzech województw: lubuskiego, wielkopolskiego i dolnośląskiego. Pod względem przyrodniczym jest to obszar bardzo

Porównanie klasyfikacji wieloczasowych zdjęć satelitarnych MODIS 5 urozmaicony i niejednorodny o skomplikowanej budowie geologicznej i morfologicznej (Geografia fizyczna Polski, 2005). Ze względu na właściwości fotomorficzne, w zasięgu poligonu badawczego można wyróżnić następujące regiony geograficzne: Pojezierze Lubuskie, Dolinę Środkowej Ordy z niewielkim obszarem Ziemi Zielonogórskiej, Wielkopolskę Północną, Wielkopolskę Środkową, Wielkopolskę Południową, Dolny Śląsk a także część Przedgórza Sudeckiego i Sudetów Zachodnich (Olędzki, 2007). Na obszarze badań występuje klimat umiarkowany przejściowy z dominacją wpływów oceanicznych. Łagodny przebieg okresów zimowych i umiarkowanie upalne lato, wpływają korzystnie na długość okresu wegetacyjnego, który wynosi od 210 do 220 dni (Geografia Polski, 1999). Znajduje to odzwierciedlenie w strukturze użytkowania gruntów użytki rolne stanowią tu przeszło 50% obszaru. Roślinność naturalna jest reprezentowana głównie przez zbiorowiska leśne zajmujące trochę ponad 13% powierzchni terenu, wśród których zdecydowanie dominują lasy iglaste (EEA, 2004). Metody badań Wstępne przetworzenie zdjęć Przed przystąpieniem do właściwej analizy, wybrane zobrazowania MODIS zostały poddane wstępnemu przetworzeniu. Dla każdego z czterech terminów dysponowano pełnym zestawem danych składającym się w sumie z czterech plików dwa arkusze każdy w rozdzielczości 250 i 500 metrów. Zgodnie ze schematem postępowania przedstawionym na rycinie 2, w pierwszej kolejności wykonany został resampling (nearest neighbour) zdjęć o rozdzielczości 500 metrów, do rozdzielczości 250 metrów. W efekcie tego zabiegu, dla każdego terminu uzyskano po dwa pełne zestawy danych o rozdzielczości 250 metrów. Ponieważ produkty o rozdzielczości 500 metrów posiadały także kanały 1 i 2, postanowiono usunąć je z nowo otrzymanych zbiorów. Podobnie postąpiono z dodatkowym kanałem QC Reflectance Band Quality, dostępnym w pakiecie produktów o rozdzielczości 250 i charakteryzującym jakość zobrazowań (Vermote i Kotchenova, 2008). Otrzymane w ten sposób siedmiokanałowe zestawy danych, zostały następnie pogrupowane zgodnie z datą Ryc. 1. Usytuowanie poligonu badawczego (Baza Danych Ogólnogeograficznych: http://maps.geoportal.gov.pl). Fig. 1. Location of the study area (General Geographic Data Base: http://maps.geoportal.gov.pl).

6 Katarzyna Ewa Lewińska Ryc. 2. Schemat wstępnego przetworzenia danych (nazwy kanałów są zgodne z nazewnictwem produktów MODIS). Fig. 2. Scheme of data s preprocessing (bands names correspond with MODIS products names). rejestracji i automatycznie zmozaikowane w module OrthoEngine oprogramowania PCI Geomatica. W efekcie tego procesu dla każdego terminu uzyskano jeden plik zawierający kompletny zestaw danych. Ostatnim etapem była zmiana projekcji zobrazowań z odwzorowania sinusoidalnego do odwzorowania PUWG 1992. Pojedyncze błędy rejestracji danych (piksele o wartości -28672, tak zwanej fill value ) (Vermote i Kotchenova, 2008) zostały zastąpione wartościami obliczonymi z zastosowaniem filtra mediany o oknie 5x5 pikseli (wyjątek stanowiły tu dane z 2 sierpnia, dla których z powodu wielkości zakłóceń należało posłużyć się filtrem o oknie zwiększonym do wymiarów 13x13 pikseli). Klasyfikacja danych z pojedynczych terminów i analiza sekwencji zmian Zgodnie z założeniami, użycie w klasyfikacji danych pochodzących z różnych terminów sezonu wegetacyjnego ma ułatwić rozpoznanie form pokrycia terenu. Ostateczna klasa pokrycia terenu jest definiowana osobno dla każdego piksela obrazu, na podstawie analizy sekwencji zmian klas pokrycia terenu, uzyskanych dla danych pochodzących z różnych terminów rejestracji. Klasyfikacja danych pochodzących z pojedynczych terminów rejestracji została wykonana niezależnie dla każdego zobrazowania z wykorzystaniem algorytmu klasyfikacji nadzorowanej największego prawdopodobieństwa. W celu poprawnego wyznaczenia pól treningowych niezbędne było wcześniejsze określenie klas pokrycia terenu możliwych do rozpoznania na zdjęciach MODIS. Ocena ta miała charakter wizualny i polegała na analizie porównawczej kompozycji (7,2,1) i (6,2,1) zdjęć MODIS z kompozycją (4,5,3) zobrazowań Landsat ETM+. Kompozycje barwne dla zdjęć MODIS zostały wybrane na podstawie wielkości wskaźnika OIF (Optimum Index Factor) (Chavez i in. 1984, za Jensen, 1996). Ponieważ materiałem referencyjnym dla końcowej klasyfikacji form pokrycia terenu miała być baza danych CLC2000, postanowiono aby punktem wyjścia w rozważaniach nad możliwościami wydzielania form pokrycia terenu był trzeci poziom legendy CORINE. Wykorzystanie pierwszego lub drugiego poziomu legendy wiązałoby się ze stratą wielu cennych informacji, jak choćby rozróżnienia zbiorowisk leśnych na liściaste, iglaste i mieszane. Przyjęte podejście zakłada utrzymanie jak największej liczby możliwych do prawidłowego rozpoznania klas, przy jednoczesnej agregacji tych wydzieleń trzeciego poziomu legendy CORINE, których jednoznaczne rozpoznanie jest utrudnione lub też niemożliwe ze względu na rozdzielczość zdjęć MODIS (Waser, Schwarz, 2006). W wyniku przeprowadzonych obserwacji, popartych próbami klasyfikacji, stwierdzono, że na zobrazowaniach MODIS można wydzielić 7 klas pokrycia terenu: zabudowa, grunty orne, łąki, lasy liściaste, lasy iglaste, lasy mieszane i woda. Schemat agregacji 24 klas trzeciego poziomu legendy CORINE został przedstawiony w tabeli 1. Ponieważ klasa gruntów ornych jest wydzieleniem niejednorodnym, różnicującym się w zależności od pory roku i rodzaju upraw, w jej ramach wyróżniono cztery podklasy: grunty orne bez pokrywy roślinnej, grunty orne z pokrywą roślinną, grunty orne z pokrywą roślinną dojrzałych zbóż oraz grunty orne z pokrywą przejściową, oznaczającą ścierniska i pola z bardzo rzadką pokrywą roślinności. Podział ten służy nie tylko ułatwieniu klasyfikacji obszarów gruntów ornych ale także zwiększa możliwości analizy sekwencji zmian. Wyniki klasyfikacji danych z pojedynczych terminów różnią się zatem między sobą liczbą klas pokrycia terenu, wynikającą z odmiennej liczny wyróżnionych podklas gruntów ornych. Pola treningowe dla klasyfikacji, zostały wyznaczone niezależnie dla zobrazowań ze wszystkich czterech terminów. Podczas tego procesu bardzo pomocna okazała się wiedza dotycząca kalendarza upraw oraz zobrazowania satelitarne Landsat ETM+. W zależności od terminu rejestracji zdjęcia, liczba pikseli treningowych dla każdej z możliwych do wyróżnienia klas była odmienna. Wartości te plasowały się między 350 a 1000 pikseli dla każdej klasy, przy średnim udziale pól treningowych

Porównanie klasyfikacji wieloczasowych zdjęć satelitarnych MODIS 7 Tabela 1. Porównanie klas wyróżnionych na zobrazowaniach MODIS z legendą trzeciego poziomu klasyfikacji CORINE. W ostatniej kolumnie podane są powierzchnie klas na poligonie badawczym wg. bazy CLC2000. Klasa gruntów ornych jest przedstawiona wraz z czterema podklasami wydzielonymi zgodnie ze zmianami sezonu wegetacyjnego Table 1. Comparison of land cover classes classified on MODIS data, with CORINE Level 3 legend. Last column presents area of each class according to the CLC2000 database. MODIS agricultural areas are presented with four subclasses selected accordingly to the changes of growing season Kod Code 1 2 3 4 5 6 7 Zabudowa Urban area MODIS Klasa Class name Grunty orne Agricultural areas 2.1 bez pokrywy roślinnej 2.1. areas of bear soil 2.2. z pokrywą roślinną 2.2. areas of green crops 2.3. z pokrywą dojrzałych zbóż 2.3. areas of rope crops 2.4. z pokrywą przejściową 2.4. areas briefly after harvest Łąki Grasslands Lasy liściaste Broad-leaved forest Lasy iglaste Coniferous forest Lasy mieszane Mixed forest Woda Water bodies CORINE Klasa trzeciego poziomu legendy Class of the third lebel 1.1.1. Zabudowa zwarta 1.1.1. Continuous urban fabric 1.1.2. Zabudowa luźna 1.1.2. Discontinuous urban fabric 1.2.1. Tereny przemysłowe i handlowe 1.2.1. Industrial or commercial units 1.2.2. Tereny komunikacyjne i związane z komunikacją (drogową i kolejową) 1.2.2. Road and rail networks and associated land 1.3.1.Miejsca eksploatacji odkrywkowej 1.3.1. Mineral extraction sites 1.3.2. Zwałowiska i hałdy 1.3.2. Dump sites 1.3.3. Budowy 1.3.3. Construction sites 2.1.1. Grunty orne poza zasięgiem urządzeń nawadniających 2.1.1. Non-irrigated arable land 2.4.2. Złożone systemy upraw i działek 2.4.2. Complex cultivation patterns 3.3.3. Roślinność rozproszona 3.3.3. Sparsely vegetated areas 1.2.4. Lotniska 1.2.4. Airports 2.2.2. Sady i plantacje 2.2.2. Fruit trees and berry plantations 2.3.1. Łąki 2.3.1. Pastures 2.4.3. Tereny głównie zajęte przez rolnictwo z dużym udziałem roślinności naturalnej 2.4.3. Land principally occupied by agriculture, with significant areas of natural vegetation 3.2.1. Murawy i pastwiska naturalne 3.2.1. Natural grassland 4.1.1. Bagna śródlądowe 4.1.1. Inland marshes 3.1.1. Lasy liściaste 3.1.1. Broad-leaved forest 1.4.1. Miejskie tereny zielone 1.4.1. Green urban areas 1.4.2. Tereny sportowe i wypoczynkowe 1.4.2. Sport and leisure facilities 3.1.2. Lasy iglaste 3.1.2. Coniferous forest 3.1.3. Lasy mieszane 3.1.3. Mixed forest 3.2.4. Lasy i roślinność krzewiasta w stanie zmian 3.2.4. Transitional woodland/shrub 5.1.1. Cieki 5.1.1. Water courses 5.1.2. Zbiorniki wodne 5.1.2. Water bodies Obszar [km²] Area [km²] 722,81 12896,69 2206,88 938,38 3635,13 1435,94 264,19

8 Katarzyna Ewa Lewińska na poziomie około 1,5% poligonu badawczego. Rozróżnialność klas na polach treningowych została zweryfikowana z wykorzystaniem odległości Bhattacharrya (Bhattacharrya Distance) przyjmującej wartości od 0 do 2. Uzyskane wyniki, jedynie dla par klas lasów mieszanych i liściastych oraz mieszanych i iglastych, jak również łąk i gruntów ornych z pokrywą roślinną, mają wartości poniżej 1,9, ujawniając tym samym pewne, spodziewane problemy we wzajemnej rozróżnialności tych wydzieleń Podczas procesu wyznaczania pól treningowych okazało się, że dane z 2 sierpnia cechują się niewielkim wykonanych dla całej sceny oraz osobno dla obszaru objętego maską. Dokładność wyników klasyfikacji została sprawdzona względem bazy danych CORINE CLC2000 z wykorzystaniem 4200 losowo rozmieszczonych punktów. W tym celu niezbędna była konwersja wektorowej bazy danych CLC2000 do formatu rastrowego o rozdzielczości 250 metrów oraz reklasyfikacja do 7 klas pokrycia terenu, zgodnie z tabelą 1. Podklasy gruntów ornych zostały dla potrzeb oszacowania dokładności klasyfikacji zagregowane do jednej klasy. Otrzymane statystyki są zaprezentowane w tabeli 2. Tabela 2. Dokładność klasyfikacji na polach treningowych oraz całkowita dokładność klasyfikacji oszacowana na podstawie wyników z 4200 losowo rozmieszczonych punktów Table 2. Classification accuracy for training sites and overall classification accuracy estimated using 4200 randomly distributed check points Dane Data set 21 marca 2007 31 March 2007 16 lipca 2007 16 July 2007 2 sierpnia 2007 2 August 2007 13 października 2007 13 October 2007 Liczba rozpoznanych klas Number of recognized classes Całkowita Overall Pola treningowe Training sites Dokładność klasyfikacji Classification accuracy Wsp. Kappa Kappa statistic 4200 punktów kontrolnych 4200 check points Całkowita Overall Wsp. Kappa Kappa statistic 8 91,50% 0,902 73,24% 0,577 9 93,91% 0,931 75,33% 0,588 10 93,10% 93,55% * 0,922 0,927 * 76,91% 0,615 9 88,34% 0,866 73,67% 0,579 * Obszar zamglenia i zachmurzenia typu cirrus na zobrazowaniach z 2 sierpnia 2007, objęty maską Masked area of cirrus clouds in data registered on the 2 nd of August 2007 zamgleniem atmosferycznym. Obszary te zostały objęte maską. Klasyfikacja nadzorowana największego prawdopodobieństwa została przeprowadzona dla wszystkich czterech terminów niezależnie. Pierwsze próby klasyfikacji wykazały, że zastosowanie dla klasy zabudowy parametru bias=0,01 ograniczającego prawdopodobieństwo wystąpienia klasy, wpływa korzystnie na uzyskane wyniki. Dobór optymalnych kanałów użytych w klasyfikacji każdego z terminów, został wykonany na podstawie wartości średniej transponowanej dywergencji (TDV Average Transformed Divergence). Z analizy wykluczono kanały z widocznymi błędami rejestracji. Ostatecznie dla danych z 31 marca i 13 października, klasyfikacja została wykonana dla wszystkich 7 kanałów. W przypadku danych z 16 lipca pominięto kanały 5 i 7, a dla zobrazowań z 2 sierpnia nie uwzględniono kanałów 4 i 5. W związku ze wspomnianymi wcześniej zamgleniem na scenie z 2 sierpnia, końcowy obraz klasyfikacyjny dla tego terminu jest efektem połączenia dwóch klasyfikacji Klasyfikacje otrzymane dla zobrazowań z pojedynczych terminów wykorzystano następnie w analizie sekwencji zmian klas pokrycia terenu dla każdego piksela obrazu. Analizę sekwencji zmian wykonano dla wszystkich klas rozpoznanych w toku klasyfikacji pojedynczych zdjęć, z uwzględnieniem wszystkich podklas gruntów ornych. Ponieważ jednak wspomniane podklasy gruntów ornych mają charakter sezonowy, ostateczny wynik klasyfikacji z wykorzystaniem analizy sekwencji zmian uwzględnia jedynie siedem głównych klas pokrycia terenu. Podczas procesu reklasyfikacji posługiwano się następującymi zasadami: cztery takie same wartości klasy w sekwencji dają w efekcie klasę dominującą, trzy takie same wartości klasy w sekwencji dają w efekcie klasę dominującą, wzajemne przeplatanie się podklas gruntów ornych daje w efekcie klasę gruntów ornych, dwie takie same wartości klasy w sekwencji dają w efekcie końcowym tą klasę.

Porównanie klasyfikacji wieloczasowych zdjęć satelitarnych MODIS 9 Dodatkowo wyznaczono także pewną grupę przypadków szczególnych obejmujących: naprzemienne występowanie w sekwencji klas łąk i gruntów ornych z pokrywą, roślinną lub dominacja w sekwencji klasy gruntów ornych z pokrywą roślinną daje w efekcie klasę łąk, ostateczna klasa lasu jest uzależniona od występowania określonych klas lasów w określonych miejscach sekwencji (na przykład sekwencja klasy lasu mieszanego i iglastego daje w efekcie końcowym klasę lasu iglastego, podczas gdy las liściasty występujący w sekwencji naprzemiennie z lasem mieszanym daje w rozrachunku końcowym klasę lasu mieszanego), sekwencja zmian obejmująca klasy: lasu liściastego, łąki i gruntów ornych z pokrywą roślinną daje w efekcie klasę łąk. Na podstawie wyżej wymienionych reguł, w module EASI oprogramowania PCI Geomatica został napisany skrypt analizujący wyniki klasyfikacji dla poszczególnych pikseli zdjęć MODIS. Efektem jego działania jest ostateczny wynik klasyfikacji. Jednoczesna klasyfikacja danych ze wszystkich terminów Drugim rozpatrywanym podejściem klasyfikacji form pokrycia terenu z wykorzystaniem zobrazowań pochodzących z więcej niż jednego terminu rejestracji, jest jednoczesna klasyfikacja danych ze wszystkich terminów. W analizie wykorzystano już wcześniej przygotowane zobrazowania zarejestrowane w czterech różnych terminach 2007 roku. Spośród wszystkich posiadanych danych, do klasyfikacji wybrano 26 kanałów dla danych z 16 lipca i 2 sierpnia kanały 5 charakteryzowały się zakłóceniami rejestracji i zostały usunięty z ostatecznego zestawu danych. Ponieważ wartości średniej transponowanej dywergencji, sugerowały wykorzystanie danych głównie z terminów letnich, co w oczywisty sposób wpłynęłoby na ostateczne wyniki, postanowiono nie sugerować się otrzymanymi wartościami TDV. Tak, jak w przypadku klasyfikacji danych pochodzących z pojedynczych terminów, w analizie użyto klasyfikacji nadzorowanej największego prawdopodobieństwa. Zgodnie z zaprezentowanymi wcześniej wynikami, na zobrazowaniach MODIS można było rozpoznać siedem klas pokrycia terenu. Ponieważ klasyfikowano jednocześnie dane pochodzące z różnych okresów sezonu wegetacyjnego, zrezygnowano z wyróżniania czterech podklas gruntów ornych. Pola treningowe zostały ustalone na podstawie materiałów pomocniczych w postaci posiadanych scen Landsat ETM+ oraz wiedzy zdobytej podczas wcześniej przeprowadzonych niezależnych klasyfikacji danych ze wszystkich czterech terminów. Odległość Bhattacharrya użyta do określenia rozróżnialności klas na polach treningowych przyjął wartości 1,9 i większe. Jedynym wyjątkiem były tutaj lasy mieszane i lasy liściaste, dla których miara Bhattacharrya wyniosła 1,76. Podobnie jak miało to miejsce w przypadków klasyfikacji danych z pojedynczych terminów, dla klasy zabudowy określono ograniczający parametr bias=0,01. Podsumowanie uzyskanych wyników Ocena dokładności klasyfikacji pokrycia terenu, uzyskanej w wyniku analizy sekwencji zmian oraz jednoczesnej klasyfikacji wszystkich danych, została sprawdzona względem bazy danych CORINE Land Cover 2000, z wykorzystaniem 4200 losowo rozmieszczonych punktów. Wyniki klasyfikacji opartej na analizie sekwencji zmian są przedstawione w tabeli 3. Całkowita dokładność opracowania została oszacowana na poziomie 81,21% przy współczynniku Kappa 0,697. Spośród wszystkich klas, najlepsze wyniki uzyskała klasa gruntów ornych. Zarówno w przypadku dokładności producenta jak i użytkownika wartości statystyk przekroczyły dla tego wydzielenia 93% przy współczynniku Kappa równym 0,834. Bardzo dobrą dokładnością rozpoznania cechuje się również klasa wody: pomimo pewnych błędów wynikających z rozdzielczości materiałów, końcowa wartość błędu niedoszacowania wyniosła 24% przy jedynie piętnastoprocentowym błędzie przeszacowania i statystyce Kappa na poziomie 0,843. Lasy iglaste uzyskały prawie 71% dokładności producenta i ponad 89% dokładności użytkownika, co sprawiło, że wartość współczynnika Kappa dla tej klasy jest największa w porównaniu z pozostałymi wydzieleniami i wynosi 0,879. Zabudowa cechuje się błędem niedoszacowania i przeszacowania na poziomie niecałych 30%. Zadowalające wyniki uzyskała również klasa łąk, choć kolizyjność tego wydzielenia z gruntami ornymi jest szczególnie widoczna i wyraźnie wpływa na wartość statystyki Kappa. Dokładność klasyfikacji lasów mieszanych i liściastych jest najmniejsza ze wszystkich siedmiu wydzieleń i wynika przede wszystkim ze słabej rozróżnialności lasów liściastych i łąk oraz lasów mieszanych i iglastych. W obu przypadkach wpływa to na bardzo niską, bo poniżej poziomu 0,5 wartość statystyki Kappa. Wyniki dokładności jednoczesnej klasyfikacji danych ze wszystkich terminów zostały oszacowane na poziomie 73,50% przy współczynniku Kappa równym 0,552 (Tab. 4). Najlepszą dokładność uzyskała klasa gruntów ornych: 97% dla dokładności producenta i prawie 86% dla dokładności użytkownika. Współczynnik Kappa dla tej klasy wyniósł 0,664. Lasy iglaste uzyskały zaskakująco wysoką wartość współczynnika Kappa (0,958) przy dokładności użytkownika na poziomie 96% i ponad siedendziesięcioprocentowym błędzie niedoszacowania. Podobna sytuacja wystąpiła w przypadku klasy łąk dla której dokładność producenta osiągnęła poziom prawie 42% przy aż nieco ponad 80% dokładności użytkownika, co jest najlepszym wynikiem osiągniętym dla tego wydzielenia w obu omawianych podejściach. Klasa zabudowy uzyskała niewiele ponad 30% błąd przeszacowania i niedoszacowania. Pozostałe klasy pokrycia terenu uzyskały dokładność znacznie niższą niż w przypadku analizy z wykorzystaniem procesów logicznych.

10 Katarzyna Ewa Lewińska Tabela 3. Dokładność klasyfikacji form pokrycia terenu dla obrazu będącego wynikiem analizy sekwencji zmian z wykorzystaniem danych z czterech terminów rejestracji Table 3. Accuracy report of final land cover classification obtained as the result of analyse of the sequence of changes for 4 data sets Klasa Class code Dokładność producenta [%] Producer s accuracy [%] Raport dokładności klasyfikacji: Conduplicatio accuracy report: Dokładność całkowita: 81.21% 95-cio% przedział ufności (80.02% ; 82.41%) Overall Accuracy: 95% Confidence Interval Całkowity wsp. Kappa: 0.697 Całkowita zmienność wsp. Kappa:-0.00% Overall Kappa Statistic: Overall Kappa Variance: 95-cio% przedział ufności [%] 95% Confidence interval [%] Dokładność użytkownika [%] User s accuracy [%] 95-cio% przedział ufności [%] 95% Confidence interval [%] Wsp. Kappa Kappa Statistic 1 71,53 (63,61 ; 79,45) 73,13 (65,26 ; 81,01) 0,722 2 93,15 (92,13 ; 94,17) 93,07 (92,04 ; 94,09) 0,834 3 52,98 (48,09 ; 57,88) 63,79 (58,60 ; 68,99) 0,598 4 74,16 (67,45 ; 80,87) 38,48 (33,19 ; 43,78) 0,358 5 70,81 (67,35 ; 74,27) 89,91 (87,29 ; 92,53) 0,879 6 54,21 (48,12 ; 60,31) 44,58 (39,08 ; 50,08) 0,407 7 76,00 (63,16 ; 88,84) 84,44 (72,74 ; 96,15) 0,843 Tabela 4. Dokładność klasyfikacji form pokrycia terenu dla wyniku jednoczesnej klasyfikacji wszystkich danych Table 4. Accuracy report of land cover classification obtained as a result of simultaneous classification of all data Klasa Class code Dokładność producenta [%] Producer s accuracy [%] Raport dokładności klasyfikacji: Classification accuracy report: Dokładność całkowita: 73.50% 95-cio% przedział ufności (72.00% 75.00%) Overall Accuracy: 95% Confidence Interval Całkowity wsp. Kappa: 0.552 Całkowita zmienność wsp. Kappa: -0.00% Overall Kappa Statistic: Overall Kappa Variance: 95-cio% przedział ufności [%] 95% Confidence interval [%] Dokładność użytkownika [%] User s accuracy [%] 95-cio% przedział ufności [%] 95% Confidence interval [%] Wsp. Kappa Kappa Statistic 1 69,37 (60,34 ; 78,39) 69,37 (60,34 ; 78,40) 0,683 2 97,13 (96,37 ; 97,89) 85,99 (84,53 ; 87,45) 0,664 6 41,59 (36,20 ; 46,99) 80,11 (73,93 ; 86,30) 0,779 7 50,00 (41,49 ; 58,51) 27,38 (21,80 ; 32,96) 0,242 8 29,23 (25,38 ; 33,09) 96,47 (93,40 ; 99,54) 0,958 9 38,01 (31,38 ; 44,64) 25,23 (20,41 ; 30,04) 0,200 10 85,00 (72,68 ; 97,32) 32,08 (22,72 ; 41,43) 0,313 Wizualne porównanie uzyskanych wyników z bazą danych CLC2000 sprowadzoną do rozdzielczości 250 metrów i poddaną agregacji do 7 klas ujawnia dość dużą różnicę w szczegółowości klasyfikacji (ryc 3). Obrazy klasyfikacyjne MODIS charakteryzują się dużym stopniem generalizacji wynikającym z rozdzielczości danych wejściowych. Wynik najbardziej zbliżony wizualnie do CLC2000 uzyskała analiza procesów logicznych z wykorzystaniem danych z 4 terminów rejestracji. Inną widoczną różnicą jest duże zróżnicowanie obszaru zajętego przez zabudowę na obrazach klasyfikacyjnych względem materiału referencyjnego. W obu przypadkach widać powiększenie terenów należących do aglomeracji Poznania i Wrocławia. Wyraźnie zaznacza się również przeszacowanie powierzchni zajmowanej przez lasy liściaste i mieszane kosztem lasów iglastych. W przypadku wyniku jednoczesnej klasyfikacji wszystkich danych, widoczne jest również przeszacowanie powierzchni klasy wody, błędnie klasyfikowanej na obrzeżach zbiorowisk leśnych.

Porównanie klasyfikacji wieloczasowych zdjęć satelitarnych MODIS 11 Ryc. 3. Materiał referencyjny: baza danych CLC2000 poddana procesowi agregacji klas i resamplingu (A), wyniki klasyfikacji form pokrycia terenu: efekt końcowy analizy sekwencji zmian dla danych z 4 terminów (B) i jednoczesna klasyfikacji wszystkich danych (C). Fig. 3. Reference material: CLC2000 database after class aggregation and resampling (A), final classification results: analyse of the sequence of changes for 4 datasets (B) and simultaneous classification of all data (C) Wnioski Oba zaprezentowane wyniki klasyfikacji form pokrycia terenu charakteryzuje się dokładnością całkowitą przekraczającą 73%. Należy podkreślić, że najlepsze wyniki zostały uzyskane dla klasyfikacji będącej efektem analizy sekwencji zmian. Dokładność całkowita tego opracowania to 81,21%, a poprawa dokładności względem pojedynczych klasyfikacji w zależności od terminu wynosi od 4 do 8%. Wynik jednoczesnej klasyfikacji danych ze wszystkich terminów jest bardzo zbliżone do wyników klasyfikacji z pojedynczych terminów rejestracji i wyniósł 73,50%. Uzyskane wyniki potwierdzają pierwotne założenie, że analiza różnicowania się form pokrycia terenu w zależności od pory okresu fenologicznego, zastosowana w postaci sekwencji zmian klas pokrycia terenu, pozwala na uzyskanie lepszych wyników klasyfikacji. Jednoczesna klasyfikacja danych pochodzących z kilku terminów rejestracji okazała się w tym przypadku podejściem nie przynoszącym satysfakcjonujących wyników, aczkolwiek dla kilku klas pokrycia terenu otrzymana dokładność jest stosunkowo dobra. W związku z rozdzielczością przestrzenną zobrazowań MODIS, końcowe klasyfikacje cechują się małym stopniem szczegółowości, dobrze widocznym w porównaniu z bazą danych CORINE CLC2000. Jest to szczególnie wyraźne w przypadku niewielkich wydzieleń oraz przebiegu granic między klasami. W związku z tym istotną rolę w uzyskanej dokładności odgrywa również zastosowany materiał referencyjny, który nawet po sprowadzeniu do rozdzielczości 250 metrów, ciągle cechuje się wysoką szczegółowością. Uzyskane wyniki potwierdzają możliwość wykorzystania danych MODIS w analizach w skali regionalnej również w przypadku terenów o kompleksowym charakterze pokrycia terenu, zapewniając uzyskanie satysfakcjonujących wyników. Podziękowania Zaprezentowane analiza została w całości wykonana w oprogramowaniu PCI Geomatics Geomatica 10.1. Uzyskanie rocznej licencji nie byłoby możliwe bez pomocy i wsparcia pana Iaina MacInnesa z PCI. Słowa podziękowania za wspólne dyskusje kieruję również do pani doktor Edyty Woźniak z Uniwersytetu Warszawskiego. Lieratura Baza Danych Ogólnogeograficznych (BDO) 1:1 000 000, grudzień 2009, Geoportal http://maps.geoportal.gov.pl Chavez P.S., Guptill S.C., Bowell J.A., 1984, Image Processing Techniques for Themaic Mapper Data. Proceedings, ASPRS-ACSM Technical Papers, vol. 2, s. 728 742 DeFries R., Hansen M., Townsend J.G.R., Sohlberg R., 1998, Global land cover classification at 8 km resolution: the use of training data derived from Landsat imagery in decision tree classifiers. International Journal of Remote Sensing, 19, s. 3141 3168 DeFries R.S., Townshend J.G.R., 1994, NDVI derived land cover classifications at a global scale. International Journal of Remote Sensing, 5 s. 3567 3586 Doraiswamy Paul C., Stern Alan J., 2007, Crop classificationin the U.S. Corn Belt using MODIS Imagery, 2007. Presenta-

12 Katarzyna Ewa Lewińska tion at the International Geoscience and Remote Sensing Symposium July 19 27, Barcelona European Environment Agency, 2004: Corine Land Cover 2000 database, luty 2009, http://www.eea.europa.eu Friedl M.A., McIver D.K., Hodges J.C.F., Zhang X.Y., Muchoney D., Strahler A.H., Woodcock C.E., Gopal S., Schneider A., Cooper A., Baccini A., Gao F., Schaaf C., 2002, Global land cover mapping MODIS: algorithms and early results. Remote Sensing of Environment, 83 s. 287-302 Geografia fizyczna Polski, 2005, redakcja naukowa: Rychling A., Ostaszewska K., Wydawnictwo Naukowe PWN, Warszawa Geografia Polski: Środowisko przyrodnicze, 1999, redaktor naukowy Starkel L., Wydawnictwo Naukowe PWN, Warszawa Guenther B., Xiong X., Salomonson V.V., Barnes W.L., Young J., 2002, On-orbit performance of the Earth Observing System Moderate Resolution Imaging Spectroradiometer; first year of data. Remote Sensing of Environment, 83, s. 16-30 Jensen J.R., 1996, Introductory Digital Image Processing A remote Sensing Perspective. Prentice Hall, New Jersey Justice C.O., Townsend J.G.R., Vermote E.F., Masuoka E., Wolfe R.E., Saleous N., Roy D.P., Morisette J.E., 2002, An Overview of MODIS Land data processing nad product status. Remote Sensing of Environment, 83, s. 3-15 Lewińska K.E., 2009, Land cover classification using multitemporal MODIS satellite data. Annals of Geomatics, vol 7 no. 2 (32), s. 75-81 Lunetta Ross S., Knight Joseph F., Ediriwickrema Jayantha, Lyon John G., Worthy L. Dorsey, 2006, Land-cover change detection using multi-temporal MODIS NDVI data, Remote Sensing of Environment, 105, s. 142-154 Marquinez J., Woźniak E., Fernandez S., Martinem R., 2008, Analysis of the evolution of soil erosion classes using multitemporal Landsat imagery. International Journal of Wildland Fire, 17, s. 549-558 Olędzki J.R., 2007, Regiony geograficzne Polski. Teledetekcja Środowiska, tom 38, Klub Teledetekcji Środowiska Polskiego Towarzystwa Geograficznego, Warszawa Savtchenko A., Ouzounov D., Ahmad S., Acker J., Leptoukh G., Koziana J., Nickless D., 2004, Terra and Aqua MO- DIS products available from NASA GES DAAC. Space Research, 34, s. 710-714 The Earth Observing System: Mission Science Office, luty 2009, http://eospso.gsfc.nasa.gov/index.php Vermote E.F., Kotchenova S.Y., 2008, MOD09 (Surface Reflectance) User s Guide, Version 1.1, MODIS Land Surface Reflectance Science Computing Facility Waser L.T., Schwarz M., 2006, Comparison of large-area cover products with national forest inventories and CORINE land cover in the European Alps. International Journal of Applied Earth Observation and Geoinformation, 8, s. 196-207 Zhan X., Sohlberg R.A., Townshend J.R.G., DiMiceli C., Carroll M.L., Eastman J.C., Hansen M.C., DeFries R.S., 2002, Detection of land cover changes using MODIS 250 m data. Remote Sensing of Environment, 83, s. 336-350 Zhang X., Friedl M.A., Schaaf C.B., Strahler A.H., Hodges J.C.F., Gao F., Reed B.C., Huete A., 2003, Monitoring vegetation phenology using MODIS. Remote Sensing of Environment, 84, s. 471-475 Katarzyna Ewa Lewińska jest absolwentką Międzywydziałowych Indywidualnych Studiów Matematyczno-Przyrodniczych (MISMaP) Uniwersytetu Warszawskiego. Pracę magisterską obroniła w czerwcu 2009 w Katedrze Geoinformatyki i Teledetekcji Wydziału Geografii i Studiów Regionalnych. Od października 2009 do grudnia 2010 pracowała jako stażystka w Joint Research Centre (JRC) Komisji Europejskiej w Isprze, gdzie była członkiem akcji DESERT w Instytucie Środowiska i Zrównoważonego Rozwoju (IES). Obecnie w ramach pracy w European Academy of Bolzano (EURAC) bierze udział w realizacji unijnego programu EUFODOS. k.e.lewinska@10g.pl

46 WARSZAWA 2011 Wykorzystanie zdjęć satelitarnych MODIS do badania stopnia pokrycia terenu roślinnością Use of MODIS Satellite Images to Study the Percentage of Vegetation Cover Monika TOMASZEWSKA, Stanisław LEWIŃSKI, Edyta WOŹNIAK Słowa kluczowe: Stopień pokrycia terenu roślinnością, NDVI, Landsat TM, MODIS Key words: Degree of a Vegetation Cover, NDVI, Landsat TM, MODIS Otrzymano: 20 lutego 2011; Zaakceptowano: 28 czerwca 2011 Received: 20 February 2011; Accepted: 28 June 2011 The work presents a methodology of processing MODIS satellite images in order to obtain information on the degree of correlation and dependence between vegetation index NDVI and a percentage of a vegetation cover. The low resolution satellite image from MODIS scanner placed on AQUA satellite was used in the analysis and as a reference data an image from Landsat TM satellite. The test area was Warsaw and its surroundings. The analysis allowed to obtain a function which defines the relation between NDVI index and a percentage of vegetation cover (R2 = 0,85) This analysis permitted to create vegetation cover maps of Masovian Voivodeship. The work proved the possibility of mapping land vegetation cover on the base of low resolution satellite images. That kind of a map can be used as a background material to carry out various types of environmental studies. Wprowadzenie Obecny poziom i rozwój teledetekcji daje bardzo duże możliwości badania środowiska, monitorowania zmian w nim zachodzących i pozwala na szacowanie oraz prognozowanie kierunku tych zmian w przyszłości. Prowadzenie badań na podstawie materiałów satelitarnych jest jedną z najefektywniejszych metod badawczych. Szeroki wybór analiz i sposobów przetworzenia materiałów teledetekcyjnych od prostych analiz przestrzennych, poprzez wskaźniki roślinne, do skomplikowanych matematycznie algorytmów pozwala na uzyskanie dużo lepszych wyników niż za pomocą tradycyjnych metod. Tym bardziej, że zmiany w środowisku są procesem dynamicznym, szybkim i wielokrotnie nieodwracalnym, wymagającym ciągłej kontroli (Bański, 2009). Każde pojedyncze badanie może być wstępem bądź podstawą do prowadzenia kolejnego, analizującego stan środowiska. Niniejsza praca, przedstawia metodykę, która może być wykorzystywana we wstępnych fazach badań związanych ze zmianami stanu środowiska przyrodniczego. Pokrywa roślinna jest jednym z podstawowych komponentów zapewniających równowagę energetyczną ekosystemu Ziemi. Spełnia ona rolę naturalnego łącznika między powierzchnią naszej planety a jej atmosferą (Song, 2008). Dlatego też badania związane z określe- niem stopnia pokrycia Ziemi roślinnością mają znaczenie z punktu wiedzenia postępujących zmian klimatycznych oraz są istotnym elementem globalnego monitoringu środowiska. Stopień pokrycia terenu roślinnością jest bardzo ważną zmienną w modelach opisujących procesy klimatyczne, hydrologiczne, geomorfologiczne. Szata roślinna jest zasadniczym czynnikiem kształtującym obieg wody, CO 2, NO 2, itp. w przyrodzie, toteż jest obiektem badań nauk przyrodniczych. Jednym z głównych aspektów badań nad roślinnością jest określenie zmian jej zasięgu oraz przyczyn i skutków tego zjawiska. Dlatego, każde nowe spojrzenie lub narzędzie umożliwiające przeprowadzenie badań w tym temacie, przybliża do dokładnego zrozumienia mechanizmów występujących w przyrodzie. Głównym celem badań było opracowanie metodyki przetworzenia zdjęć satelitarnych, której podstawą jest wskaźnik roślinny, aby w efekcie końcowym móc wykonać mapę stopnia pokrycia terenu roślinnością. Artykuł składa się z dwóch części: pierwszej teoretycznej, omawiającej materiały oraz źródła danych, z jakich korzystano podczas badania. Druga część dotyczy metodyki przetworzenia danych. Ma ona na celu określenie stopnia zależności pomiędzy procentowym pokryciem terenu roślinnością, uzyskanym ze zdjęcia z satelity Landsat TM otrzymanym na podstawie wskaź-

14 nika roślinności NDVI, a tym wskaźnikiem obliczonym na podstawie zdjęcia niskorozdzielczego MODIS. Prace nad określeniem zwartości pokrywy roślinnej z zastosowaniem wskaźników teledetekcyjnych prowadzone są w całym świecie. Najczęściej analizowane są wartości wskaźników roślinności: NDVI, SAVI, MSAVI, TSAVI (Purevdorj i in. 1998, Hansen i in. 2002). Inspiracją do przeprowadzenia prezentowanych badań był artykuł opublikowany w 2005 roku przez fińskich badaczy z Instytutu Środowiska SYKE (Törmä, 2006). Zamierzeniem autorów było opracowanie takiego modelu matematycznego, który byłby pomocny w znalezieniu sposobu ułatwiającego walkę z zanieczyszczeniem rzek. Model pokrycia terenu miał pozwolić na wydzielenie potencjalnych źródeł powierzchniowych zanieczyszczeń azotanami, fosforanami, itd. wynikających z działalności rolniczej: nawożenia i hodowli zwierząt; przemysłowej: produkcji żywności, drewna; oraz gospodarki ściekami przemysłowymi i komunalnymi. Zweryfikowano stopień korelacji pomiędzy wskaźnikiem NDVI obliczonym na podstawie niskorozdzielczych zdjęć MODIS a stopniem pokrycia terenu wyznaczonym przy użyciu zdjęć Landsat. Dodatkowo sprawdzono czy korelacja również zachodzi dla innego obszaru badawczego, a także oceniono czy własna metoda opracowania materiałów teledetekcyjnych pozwala na uzyskanie podobnych rezultatów. Oprócz zdjęć satelitarnych, fińscy badacze posiłkowali się badaniami naziemnymi i zdjęciami lotniczymi. NDVI znormalizowany wskaźnik zieleni Monika Tomaszewska, Stanisław Lewiński, Edyta Woźniak Obecnie podstawowym źródłem informacji wykorzystywanym w monitoringu środowiska są wielospektralne zdjęcia satelitarne, na których rejestrowany jest obraz powierzchni Ziemi w różnych zakresach promieniowania elektromagnetycznego. Stan zobrazowanej na nich roślinności jest oceniany na podstawie tzw. wskaźników roślinnych, które zdefiniowane są najczęściej jako przekształcenia algebraiczne wartości pikseli w odpowiednio dobranych kanałach spektralnych. Pozwalają one nie tylko identyfikować miejsca występowania roślinności, ale również na wykonanie ocen ilościowych i jakościowych. Wartości wskaźników są wypadkową cech optycznych i wegetacyjnych roślin. Właściwości optyczne roślin to absorpcja, odbicie, emisyjności oraz przepuszczalność, które są związane z długością fali rejestrowanego na zdjęciach promieniowania. Natomiast do cech wegetacyjnych zaliczamy strukturę wewnętrzną i budowę rośliny, zawartość wody w niej oraz w glebie, temperaturę powierzchni rośliny oraz zawartość chlorofilu (Ciołkosz i Białousz, 2008). Stopień koncentracji chlorofilu jest bardzo istotny, gdyż jest to związek organiczny występujący w roślinach zielonych (zielony barwnik), który umożliwia przemianę energii światła w energię chemiczną wykorzystywaną w procesie fotosyntezy. Dwa najpowszechniej występujące chlorofile w roślinach, chlorofil a niebieskozielony oraz chlorofil b żółtozielony, stanowią przeważającą większość masy wszystkich barwników w organie fotosyntetyzującym. Chlorofil absorbuje w paśmie widzialnym promieniowania elektromagnetycznego w przedziale 400 700 nm. Najwyższy poziom absorpcji osiągany jest dla 690 nm. Chlorofil a absorbuje promieniowanie w zakresie 430 nm i 660 nm, natomiast chlorofil b pochłania w pasmach 450 nm i 650 nm (Jarocińska i Zagajewski, 2008). Charakterystyczne jest niskie pochłanianie w paśmie zielonym, co powoduje najwyższe odbicie w okolicach 540 nm. Badanie zawartości wody w roślinach, gdzie ilość absorbowanego promieniowania jest zależna od ilości wody możliwe jest dla zakresu od 1300 do 2500 nm. Bardzo duża absorpcja występuje w okolicach 1400 nm, 1900 nm oraz 2700 nm. Maksymalne odbicie występuje w dwóch pasmach: 1600 nm i 2200 nm (Jarocińska i Zagajewski, 2008). Pomiary dla tych zakresów, służą przede wszystkim do badania warunków wilgotnościowych upraw. W badaniach teledetekcyjnych jednym z najczęściej wykorzystywanych wskaźników jest Normalized Difference Vegetation Index (NDVI). Po raz pierwszy został on zastosowany przez Rouse i inni (1973), jako iloraz różnicy i sumy promieniowania w zakresie bliskiej podczerwieni (IR) i czerwieni (R): NDVI = (IR R)/(IR + R). Może on osiągnąć minimalną wartość -1, a maksymalną 1. Roślinność charakteryzuje się dużą wartością NDVI ze względu na wysokie odbicie w podczerwieni i niskie w zakresie czerwonym. Jest to spowodowane zawartością w roślinach chlorofilu, który odpowiada za pochłanianie promieniowania czerwonego, oraz miękiszu gąbczastego odbijającego promieniowanie podczerwone. Wysokie wartości NDVI są związane z aktywnością procesu fotosyntezy (Kowalski, 2008). Natomiast niskie wartości NDVI mogą świadczyć o stresie roślinności wywołanym niedoborem wody lub zanieczyszczeniami. Wykorzystanie wskaźnika NDVI jest powszechne w różnorodnych badaniach przyrodniczych oraz w monitoringu środowiska w skali lokalnej i globalnej. Prowadzone są miedzy innymi badania związków pomiędzy tym wskaźnikiem a zanieczyszczeniami dostającymi się do gleby oraz do atmosfery (Burgheimer i inni, 2005). W badaniach z zakresu uprawy roślin dużo uwagi poświęca się zastosowaniom nowych rozwiązań technologicznych, umożliwiających redukcję ilości stosowanych środków ochrony roślin w celu minimalizacji wpływu rolnictwa na środowisko (Nieróbca i inni, 2007). Okazuje się, że za pomocą zdalnych metod m.in. wskaźnika NDVI można wyznaczyć ogniska porażenia roślin przez choroby grzybicowe (Kuckenberg i in. 2007). Na przestrzeni ostatnich kilkunastu lat udowodniono, że zmiany zachodzące w atmosferze i mające wpływ na szatę roślinną, mogą być monitorowane dzięki stosowaniu w teledetekcji satelitarnej wskaźników roślinnych (Zhou i inni, 2001). Zaobserwowano występowanie korelacji pomiędzy NDVI a parametrami meteorologicznymi, tj. opadem atmosferycznym i temperaturą (Song, 2008). Posłużył on również do oceny wpływu obszarów leśnych na zmiany klimatyczne (Zoran i Stefan, 2006). Katagis i Gitas (2007) wykonywali ocenę stanu roślinności wy-

Wykorzystanie zdjęć satelitarnych MODIS do badania stopnia pokrycia terenu roślinnością 15 korzystując w tym celu 16-dniowe kompozycje NDVI uzyskane na podstawie zdjęć MODIS. Charakterystyka materiałów źródłowych Badanie korelacji między wartością wskaźnika NDVI a stopniem pokrycia terenu roślinnością wykonano na podstawie zdjęcia satelitarnego MODIS. Jako materiał referencyjny wykorzystano zdjęcie Landsat TM charakteryzujące się dużo większą rozdzielczością przestrzenną. Skaner MODIS (Moderate Resolution Imaging Spectroradiometer) zainstalowany jest na pokładzie satelitów TERRA i AQUA. Oba satelity poruszają się po zbliżonych orbitach. Różnica polega przede wszystkim na kierunku przelotu. Pierwszy przemieszcza się z północy na południe i przekracza równik w godzinach przedpołudniowych. Drugi satelita okrąża Ziemię z południa na północ, a równik przecinana parę godzin później, w godzinach popołudniowych (czasu lokalnego). Parametry orbity oraz skanera pozwalają na ciągłą rejestrację obrazów. Codziennie z satelity TERRA i AQUA pozyskiwane są zdjęcia MODIS tego samego fragmentu powierzchni Ziemi. Satelity należą do międzynarodowego programu badawczego EOS (System Obserwacji Ziemi), który został utworzony w 1991 roku, w ramach ustaleń Szczytu Ziemi. Badania prowadzone są przez Europejską Agencję Kosmiczną (ESA) oraz Amerykańską Agencję Aeronautyki i Przestrzeni Kosmicznej (NASA). Skaner MODIS jest urządzeniem typu whiskbroom (tzn. poprzecznie zbierający). Obrazy powierzchni Ziemi są rejestrowane w 36 specjalnie dobranych i nieskorelowanych ze sobą kanałach, obejmujących zakresy spektralne od 0,405 do 14,385 μm. Rozdzielczość przestrzenna nie jest jednakowa dla wszystkich kanałów. Wynosi ona 250, 500 i 1000 m. Rozdzielczość radiometryczna jest jednakowa 16 bitów. Zdjęcia MODIS są dystrybuowane bezpłatnie. Przez Internet, ze strony https://wist.echo.nasa.gov można pozyskać oryginalne dane obrazowe jak również produkty, w liczbie 39, które są generowane automatycznie na ich podstawie (Kotarba, 2010). Wszystkie dane są udostępniane w formacie HDF i w odwzorowaniu sinusoidalnym. W pracy wykorzystano dane obrazowe MODIS o rozdzielczości 250 m. Scena oznaczona symbolem 19v3 zarejestrowana została z pokładu satelity AQUA w dniu 3 lipca 2006. Kompozycja barwna wykonana na jej podstawie przedstawiona jest na rysunku 1. Na zdjęciu widać linię biegnącą w poprzek sceny, rozgraniczającą zdjęcie na dwie części, zachodnia strona jest wyraźnie jaśniejsza. Jest to wynik automatycznego łączenia dwóch zdjęć. Obszar badań został dobrany w taki sposób aby ominąć strefę łączenia. Zdjęcie satelitarne Landsat TM o rozdzielczości przestrzennej 30 m, pełniące rolę materiału referencyjnego, zostało pobrane z ogólnie dostępnej bazy danych http:// glovis.usgs.gov. Wybrano scenę 188/024, która została zarejestrowana w tym samym dniu co zdjęcie MODIS, 3 Ryc. 1. Scena 19v3 zarejestrowana przez skaner MODIS w dniu 3 lipca 2006. Fig. 1. Scene 19v3 acquired by MODIS sensor on the 3 rd of July 2006. lipca 2006. Na jej podstawie zdefiniowano poligon badań, który przedstawiony jest na rysunku 2. Teren badań Teren badań o powierzchni 2173,5 km 2, zlokalizowany został wokół Warszawy. Wybrano ten teren ze względu na występowanie na nim dużego zróżnicowania środowiska co bezpośrednio wpływa na wartości wskaźnika NDVI. Jego obraz na zdjęciu Landsat TM ma rozmiar 1890 x 1840 pikseli co odpowiada w terenie 47,25 km x 46 km (ryc. 2). Ryc. 2. Teren badań przedstawiony na kompozycji barwnej RGB (4,5,3) zdjęcia Landsat TM. Fig. 2. Study area shown in Landsat TM scene (RGB: 4,5,3)

16 Monika Tomaszewska, Stanisław Lewiński, Edyta Woźniak Teren badań jest zlokalizowany w obrębie Równin Środkowopolskich, w dolinie Środkowej Wisły na północy i wschodzie, aglomeracji Warszawskiej w części środkowej i Mazowsza Środkowego w części południowozachodniej (Olędzki, 2007). Wysokości bezwzględne wynoszą tu od 60 do 140 m, a formy terenu powstały głównie w wyniku procesów fluwialnych, denudacyjnych i eolicznych. W krajobrazie dominują równiny denudacyjne i tarasy rzeczne, urozmaicone występowaniem wydm. Gleby są przeważnie bielicoziemne, ale w dnach dolin występują różnego rodzaju mady, zaś na równinie denudacyjnej w okolicach Błonia czarneziemie wykształcone na peryglacjalnych utworach pylastych lub iłach. Na obszarze tym możemy wyróżnić 5 rodzajów pokrycia terenu: obszar antropogeniczny aglomeracja Warszawy; obszary leśne (lasy liściaste, iglaste i mieszane) Puszcza Kampinoska, Kozienicka; pola uprawne (intensywne rolnictwo i ogrodnictwo) obszary podmiejskie i wiejskie okolic Warszawy oraz łąki (tereny zalewowe wzdłuż Wisły) i rzekę Wisłę. Na kompozycji barwnej RGB (4,5,3) zdjęcia Landsat TM obszary antropogeniczne odwzorowane są w barwach granatowej i niebieskiej, wyraźnie dominuje zabudowa Warszawy. Północno zachodni obszar stanowi Puszcza Kampinoska odwzorowana w barwach od pomarańczowej po brązową. Obszary rolnicze to mozaika kolorów i kształtów. Mają one różnorodną fototeksturę, od porfirowej, przez ziarnistą zróżnicowaną, po skibową i poligonalną. Czyli od nierównomiernego rozmieszczenia elementów obrazu, momentami bezładnego, po regularne, geometryczne i pasmowe ułożenie pól (Olędzki, 2007). Barwa obrazu zmienia się od białej po seledynową dla terenów pozbawionych roślinności oraz od zieleni do barwy pomarańczowej w przypadku występowania pokrywy roślinnej. Ryc. 3. Schemat przetwarzania danych satelitarnych. Fig. 3. Scheme of satellite data processing. Metodyka badań Schemat algorytmu postępowania zastosowanego w prezentowanych badaniach przedstawiony jest na rysunku 3. Składa się on z trzech podstawowych etapów. Najpierw wykonywane jest wstępne przetworzenie zdjęcia MODIS oraz zdjęcia Landsat TM pełniącego istotną rolę materiału referencyjnego. Następnie wartości współczynnika NDVI uzyskane na podstawie obu zdjęć są analizowane z zastosowaniem programu, który został opracowany specjalnie w tym celu. Na podstawie informacji uzyskanych w wyniku działania programu określana jest zależność między wartościami wskaźnika NDVI uzyskanego ze zdjęcia MODIS a stopniem pokrycia terenu roślinnością. Wstępne przetworzenie zdjęć MODIS oraz Landsat TM wykonano niezależnie. W przypadku zdjęcia MODIS przetworzono jedynie pierwszy i drugi kanał o rozdzielczości przestrzennej 250 m, które są związane odpowiednio z zakresem promieniowania czerwonego i bliskiej podczerwieni. Dane obrazowe, udostępniane w odwzorowaniu sinusoidalnym ISIN, przekształcono do układu współrzędnych 1992. Zostało to wykonane automatycznie funkcją oprogramowania PCI Geomatica, nowe wartości pikseli obliczono z zastosowaniem resamplingu wykonanym metodą najbliższego sąsiada. Następnie utworzono warstwę z wartościami NDVI. Przetwarzanie danych Landsat TM również rozpoczęto od zmiany odwzorowania. Oryginalny obraz w odwzorowaniu WGS 84 został doprowadzony do geometrii układu 1992. Tym razem jednak nie można było wykorzystać funkcji automatycznych. Wyznaczono 7 punktów kontrolnych a następnie wykonano przekształcenie z zastosowaniem wielomianu 2-go stopnia. Średni błąd kwadratowy położenia punktów wyniósł 0,23 piksela. Podobnie jak w wypadku zdjęcia MODIS zastosowano metodę resamplingu najbliższego sąsiada. W czasie geometryzacji zdjęcia Landsat TM zmieniono rozdzielczość przestrzenną z 30 na 25 m. Zostało to podyktowane później wykonywanymi obliczeniami polegającymi na analizie wartości pikseli zdjęcia Landsat zawartych w granicach dużych pikseli zdjęcia MODIS. Dzięki zmianie

Wykorzystanie zdjęć satelitarnych MODIS do badania stopnia pokrycia terenu roślinnością 17 Ryc. 4. Scena zdjęcia MODIS oraz scena z Landsat TM na tle granic Polski i województwa mazowieckiego. Fig. 4. The MODIS and Landsat TM scenes against a background of borders of Poland and Masovian Voivodeship rozdzielczości uzyskano równy podział piksela MODIS na 100 mniejszych pikseli zdjęcia Landsat. Na rysunku 4 przedstawione jest wzajemne położenie zdjęć MODIS i Landsat TM po doprowadzeniu ich do jednakowego układu współrzędnych 1992. Kolejnym etapem przetwarzania zdjęcia Landsat TM jest korekcja atmosferyczna. Wykonano ją z zastosowaniem programu ATCOR w środowisku oprogramowania PCI GEOMATICA. Na ryc. 5 przedstawiono zdjęcie przed (A) i po (B) korekcji atmosferycznej. Na zdjęciu B zauważalna jest różnica w nasyceniu barw, wynikająca z przesunięcia histogramu w stronę niższych wartości. Obraz stał się bardziej wyrazisty i kontrastowy, dodatkowo został zmniejszony stopień zamglenia obrazu. Ten etap przetwarzania został pominięty w przypadku zdjęcia MODIS, ponieważ są one dystrybuowane już po automatycznie wykonanej korekcji atmosferycznej. Na podstawie kanału 3 i 4 zdjęcia Landsat TM obliczono wskaźnik NDVI, który został wykorzystany w czasie dalszych analiz, jego obraz przedstawiony jest na rysunku 6. Obszary o ubogiej szacie roślinnej, tereny antropologiczne i obszary wodne mają ciemny fototon. Powierzchnie jasne są pokryte roślinnością np. tereny leśne, łąki. Reklasyfikacja wartości NDVI na zdjęciu Landsat TM Wartości NDVI obliczone na zdjęciu Landsat TM posłużyły do uzyskania informacji referencyjnej o stopniu pokrycia powierzchni poligonu badawczego roślinnością. Ryc. 5. Kompozycja RGB (3,2,1) zdjęcia Landsat TM przed (A) i po (B) korekcji atmosferycznej. Fig. 5. Landsat TM (RGB: 3,2,1): before (A) and after (B) atmospheric correction. Przyjęto założenie, że piksele, których wartość NDVI jest niższa niż 0,3 reprezentują obszary bez roślinności, natomiast o wartości powyżej 0,7 reprezentują obszary o intensywnej roślinności. Pozostałe wartości są związane z częściową pokrywą roślinną. Na tej podstawie wykonano reklasyfikację przyporządkowującą wartościom NDVI z przedziałów <-1, 0.3>, (0.3, 07), <0.7, 1> odpowiednio wartości 0, 0.5 i 1. Podobną zasadę reklasyfikacji NDVI zastosował Grenzdörffer (2004) w badaniach terenów zurbanizowanych. Na rysunku 7 przedstawiony jest obraz NDVI po wykonaniu reklasyfikacji wartości do trzech klas: 0 -barwa czerwona, 0.5 barwę żółtą, 1 barwa zielona. Na obrazie występuje najmniej pikseli o wartości 0.

18 Monika Tomaszewska, Stanisław Lewiński, Edyta Woźniak Ryc. 6. Obraz wartości NDVI uzyskanych na podstawie zdjęcia Landsat TM. Fig. 6. NDVI image obtained from Landsat TM. na podstawie zdjęcia Landsat według wyżej opisanej metodyki, został napisany skrypt w języku Visual Basic. Jego działanie polega na obliczeniu, na podstawie sklasyfikowanych danych Landsat procentowego udziału roślinności dla poszczególnych pikseli MODIS. Ustalono, że do wyznaczania funkcji użyty będzie, co trzeci piksel MODIS, czyli odległość terenowa pomiędzy kolejnymi próbkami wynosiła 750m. Dwa pliki: przeklasyfikowane wartości NDVI obrazu TM i warstwę NDVI z MODIS-a zostały zapisane w formacie ASCII i zaimplementowane do napisanego programu. Utworzono dwie tablice: jedna dla warstwy MODIS, druga dla Landsata. Następnie dla tablicy Landsat utworzono ruchome okno o wymiarach 10x10 poruszające się po tablicy w interwale 30 komórek w każdym kierunku. Interwał ten wynikał z gęstości próbkowania. Wymiary okna, zaś zostały ustalone tak aby wszystkie pierwotne piksele Landsata o rozdzielczości 25m pokrywały się z jednym pikselem MODISa (250 m). Stosując technikę ruchomego okna zsumowywano wszystkie wartości i w ten sposób określono udział procentowy roślinności w pokryciu terenu na obszarze odpowiadającym powierzchni piksela MODIS. Liczebność pobranej próby wynosiła 3843 rekordy. Każdy z nich zawierał informację o wartości NDVI piksela MODIS oraz stopień jego wypełnienia roślinnością. Następnie określono zależność między NDVI a stopniem pokrycia roślinnością. W tym celu uszeregowano wartości procentowego pokrycia terenu roślinnością w kolejności od najmniejszej do największej. Wszystkie te wartości zostały zaokrąglone do liczb całkowitych. Dla każdej procentowej wartości wyliczono medianę ze wszystkich przypisanych jej pikseli NDVI. Po tym zabiegu otrzymano tabelę z trzema kolumnami składającą się z 101 wierszy (uszeregowanych od 0 do 100% pokrycia roślinnością). Pierwsza kolumna to procentowe pokrycie terenu, druga to mediana wartości NDVI, trzecia pokazuje, ile razy wystąpił piksel o takim pokryciu (tab. 1). Używając metody najmniejszych kwadratów została wyznaczona funkcja opisująca zależność między NDVI zdjęcia MODIS a pokrywą roślinną, której zwartość określona jest w procentach. Wyniki Ryc. 7. Obraz poligonu badawczego po reklasyfikacji wartości NDVI zdjęcia Landsat TM. Fig. 7. Reclassified values of NDVI obtained from Landsat TM for the study area. Wyznaczenie funkcji pomiędzy wskaźnikiem NDVI i stopniem pokrycia terenu W celu wyznaczenia funkcji opisującej zależność pomiędzy wskaźnikiem NDVI otrzymanym ze zdjęcia MODIS a procentowym pokryciem terenu, obliczonym Otrzymano zależność opisującą stopień pokrycia terenu roślinnością (zmienna zależna PR) w funkcji wartości NDVI [1]. Współczynnik determinacji wynosi R 2 = 0,8512. (ryc.8) PR= 297,48 NDVI 2 139,81 NDVI + 26,194 [1] Wysoki współczynnik determinacji funkcji świadczy o dużej zależności zachodzącej pomiędzy NDVI obliczonym na podstawie zdjęcia MODIS a procentowym pokryciem terenu. Najsilniejszą relację można zaobserwować dla terenów charakteryzujących się dużym stopniem pokrycia roślinnością (powyżej 50%). Dla obszarów o małym udziale roślinności w pokryciu terenu korelacja ta jest niższa. Niski stopień pokrycia roślinnością na badanym tere-

Wykorzystanie zdjęć satelitarnych MODIS do badania stopnia pokrycia terenu roślinnością 19 Tabela 1. Wartość procentowego pokrycia terenu roślinnością oraz odpowiadające im wartości NDVI zdjęcia MODIS. Tab. 1. Percentage of vegetation cover and its corresponding values of MODIS-NDVI % pokrycia roślinnością Częstość występowania % vegetation cover NDVI MODIS Occurance frequence 51 0,5709 65 52 0,5716 51 53 0,5907 82 54 0,6068 59 55 0,596 62 56 0,6166 73 57 0,6049 59 58 0,6349 76 59 0,6182 68 60 0,6276 77 61 0,6389 65 62 0,6355 57 63 0,6331 53 64 0,6274 58 65 0,6575 51 66 0,6654 61 67 0,6586 54 68 0,6816 65 69 0,6864 58 70 0,6707 59 71 0,6812 68 72 0,6897 59 73 0,6955 57 74 0,6857 43 75 0,7129 56 76 0,698 48 77 0,6918 57 78 0,6998 56 79 0,7099 56 80 0,6973 50 81 0,7158 52 82 0,7256 56 83 0,7262 44 84 0,7141 55 85 0,7204 50 86 0,7215 55 87 0,7492 56 88 0,7318 49 89 0,7548 46 90 0,7423 46 91 0,7501 56 92 0,7604 53 93 0,748 41 94 0,7693 53 95 0,7753 55 96 0,7633 65 97 0,7878 61 98 0,7861 60 99 0,8002 115 100 0,8258 533 Ryc. 8. Wykres korelacji wskaźnikiem NDVI a procentowym pokryciem terenu roślinnością. Fig. 8. The correlation function between the NDVI and the percentage of vegetation cover. nie cechuje obszary antropogeniczne: miejskie, przemysłowe i węzły komunikacyjne oraz pola uprawne, gdzie przeprowadzono już zbiory płodów rolnych. Ze względu na specyfikę terenu badań tego typu powierzchnie występują rzadko (tab. 1) co miało wpływ na liczebność próby dla tych obszarów, jak i najprawdopodobniej na przebieg otrzymanej funkcji. Poza tym teren badań charakteryzuje się stosunkowo dużym rozdrobnieniem form pokrycia terenu. Dystrybucja poszczególnych typów powierzchni w obrębie jednego piksela MODIS jest zmienna. Może to powodować, że mimo takiego samego udziału procentowego roślinności, wartości NDVI będą zróżnicowane, ponieważ na danym obszarze będzie występował inny typ pokrycia powierzchni. Uzyskane wyniki posłużyły do wykonania mapy stopnia pokrycia terenu roślinnością dla województwa mazowieckiego (ryc.9). Mapę opracowano poprzez re- -klasyfikację warstwy NDVI obliczonej ze zdjęcia MO- DIS. Wartości NDVI dla poszczególnych klas stopnia pokrycia terenu są przedstawione w tabeli 2. Zostały one wyznaczone przy użyciu funkcji [1]. Mapę opracowano w skali 1:1 000 000. Tabela 2. Wartości progowe NDVI dla poszczególnych klas stopnia pokrycia terenu obliczone według otrzymanej funkcji. Tab. 2 Threshold values of NDVI for classes of percentage of vegetation cover according to the function. % pokrycia terenu roślinnością % vegetation cover NDVI 10 0,2637 20 0,4199 30 0,5077 40 0,5635 50 0,6112 60 0,6534 70 0,6918 80 0,7272 90 0,7602 100 0,7913

20 Monika Tomaszewska, Stanisław Lewiński, Edyta Woźniak Ryc. 10. Wykres korelacji uzyskany przez zespół badawczy z fińskiego Instytutu Środowiska SYKE (Törmä, 2006). Fig. 10. The correlation function between the NDVI and the percentage of vegetation cover obtained by Finish SYKE (Törmä, 2006). Ryc. 9. Mapa pokrycia terenu roślinnością. Województwo Mazowieckie. Stan na dzień 03/07/2006, wykonana na podstawie zdjęcia satelitarnego MODIS. Fig. 9. The map of the percentage of vegetation cover elaborated on the base of MODIS image (03/07/2006). Masovian Voivodeship. Podsumowanie Inspiracją przeprowadzonych badań był artykuł Törmä (2006) z ośrodka naukowo-badawczego SYKE w Finlandii, poświęcony badaniom poziomu zależności pomiędzy wskaźnikiem NDVI a stopniem pokrycia terenu roślinnością. Prace wykonywane były z zastosowaniem wielu zdjęć o różnej rozdzielczości, w tym również zdjęć lotniczych oraz z wykorzystywaniem wyników szczegółowych badań terenowych. Uzyskana funkcja zależności między NDVI i stopniem pokrycia terenu roślinnością przedstawiona jest na rysunku 10. Generalnie, mimo innych warunków środowiskowych i zastosowanych metod, jest ona zbliżona do naszych wyników uzyskanych wyłącznie na podstawie danych satelitarnych. Przedstawione wyniki prac wykazały, że jest możliwe śledzenie stopnia pokrycia powierzchni Ziemi roślinnością za pomocą zdjęć niskiej rozdzielczości MO- DIS. Rozdzielczość czasowa tych zdjęć, wykonywanych codziennie, umożliwia nieustanną aktualizację danych czyli wykonywanie ciągłego monitoringu. Zdjęcie Landsat TM spełniło rolę materiału referencyjnego. Można przyjąć, że jedno zdjęcie TM pozwala na opracowanie kilku zdjęć MODIS pokrywających cały kraj. W przypadku kontynuacji pracy należy rozważyć możliwość innej, bardziej szczegółowej reklasyfikacji zdjęcia pełniącego rolę materiału referencyjnego. Dodatkowo wskazane byłoby przeprowadzenie badania weryfikującego, w którym zdjęcie Landsat zostałoby zastąpione innym zdjęciem wysokorozdzielczym np. SPOT lub IRS. Wykorzystane zdjęcia MODIS i Landsat zostały zarejestrowane tego samego dnia. Ze względu na warunki atmosferyczne oraz częstotliwość pozyskiwania zdjęć wysokiej rozdzielczości nie można zakładać, że zawsze uzyskamy taki zestaw danych. Jednak, różnica nawet dwóch tygodni między zobrazowaniami nie powinna stanowić przeszkody w uzyskaniu wiarygodnych wyników. Zaproponowana metoda postępowania może być wykorzystana w monitoringu zmian zachodzących w środowisku będących skutkiem występowaniem susz, wylesiania oraz klęsk żywiołowych. Stopień pokrycia roślinnością jest również niezbędną informacją w badaniach cykli obiegu NO 2 i CO 2. Literatura Bań ski J., 2009. Zmiany gospodarki rolnej i zabezpieczenia żywnościowego ludności w wyniku zmian klimatycznych, [w:] M. Guty-Korycka, T. Markowski (red.), Zrównoważone warunki życia w zmieniającym się systemie klimatycznym Ziemi, Studia KPZK PAN, 74, 64-74, Warszawa. Będkowski K., Adamczyk J., 2007. Metody cyfrowe w teledetekcji, Wydawnictwo SGGW, Warszawa. Burgheimer J., Wilske B., Maseyk K., Karnieli A., 2005. Relationship between Normalized Difference Vegetation Index (NDVI) and carbon fluxes of biologic soil crusts assessed

Wykorzystanie zdjęć satelitarnych MODIS do badania stopnia pokrycia terenu roślinnością 21 by ground measurements, Journal of Arid Environments 64, Holandia. Ciołkosz A., Białousz S., 2008. Zastosowanie teledetekcji satelitarnej w badaniach środowiska w Polsce, Nauka, 3, Warszawa. Gallo K., 2005. Multi-platform comparisons of MODIS and AVHRR normalized difference vegetation index data, Remote Sensing of Environment 99, USA. Giannico C., 2007. Remote sensing of vegetation in the Calabrian region, Acta Astronautica 60, Włochy. Grenzdörffer G.J.,2004. Land use change in Rostock, Germany since the reunification a Combined approach with satellite data and high resolution aerial Images, Rostock University, Niemcy. Hansen, M.C, DeFries, R.S., Townshend, J.R.G., Sohlberg, R., Dimiceli, C., Carroll, M. 2002. Towards an operational MODIS continuous field of percent tree cover algorithm: example using AVHRR and MODIS data. Remote Sensing of Environment 83, s. 303-319. Jarocińska A., Zagajewski B., 2008. Korelacje naziemnych i lotniczych teledetekcyjnych wskaźników roślinności dla zlewni Bystrzanki, Teledetekcja Środowiska, 40, Warszawa. Jóźwiak J., Podgórski J.,1998. Statystyka od podstaw, Polskie wydawnictwo Ekonomiczne, Warszawa. Katagis T.G., Gitas I.Z., 2007. Developing MODIS time series for monitoring vegetation conditions: preliminary results, New Developments and Challenges in Remote Sensing, Millpress, Rotterdam, Holandia. Kotarba A., 2010. Pierwsze spotkanie z danymi sensora MODIS, Zakład Systemów Informacji Geograficznej, Kartografii i Teledetekcji IGiGP Uniwersytet Jagielloński, Kraków. Kowalski P., 2007. Wskaźniki biometryczne roślinności oparte na danych teledetekcyjnych i możliwości ich praktycznego wykorzystania, OKÓLNIK TD nr 129, Warszawa. Kuckenberg J., Tartachnyk I., Schmitz-Eiberger M., Noga G. 2007. Early detection of leaf rust and powdery mildew infections on wheat leaves by PAM fluorescence imaging.stafford J.V. (Edytor) Precision agriculture 07. Papers presented at the 6th European Conference on Precision Agriculture, Skiathos, Greece, 3-6 June, 2007 2007 pp. 515-521 Lewiński S., Poławski Z., 2003. Możliwości zasilania systemów informacji przestrzennej danymi satelitarnymi, Człowiek i Środowisko 27, Warszawa. Miller R.L., McKee B.A.,2004. Using MODIS Terra 250 m imagery to map concentrations of total suspended matter in coastal waters, Remote Sensing of Environment 93, USA. Nieróbca A., Pudełko R., Kozyra J., Smagacz J., 2007. Wykorzystanie pomiarów zdalnych do oceny wiosennego porażenia roślin przez choroby, Instytut Uprawy Nawożenia i Gleboznawstwa Państwowy Instytut Badawczy, Puławy. Olędzki J.R., 2007. Regiony geograficzne Polski, Teledetekcja Środowiska 38, Klub Teledetekcji Środowiska PTG, Warszawa. Poławski Z., 2006. Zmiany powierzchni i przestrzennego rozmieszczenia lasów w Polsce w II połowie XX wieku, Leśne Prace Badawcze 3, Raszyn. Rurevdorj, T.S., Tatelishi, R., Ishiyama, T., Honda, Y. 1998. Relationship between percent vegetation cover and vegetation indices. International Journal of Remote Sensing 18, s. 3519-3535. Rouse J.W., Haas R.H., Schell J.A., Deering D.W., 1973. Monitoring vegetation systems in the great plains with erts, Texas A&M University, Texas, USA. Stani A., 2007. Współczesne satelity do badań środowiska i ich wyposażenie w urządzenia obrazujące, OKÓLNIK TD nr 129, Warszawa. Song D., 2008. Spatial Distribution Pattern of MODIS-NDVI and Correlation between NDVI and Meteorology Factors in Shandong Province in China, China University of Petroleum, Chiny. Törmä M., 2006. Using Phenological Information Derived from MODIS- data to Aid Nutrient Modeling, Finnish Environment Institute SYKE, Finlandia. Wesołowski T., 2008. Klasyfikacja form pokrycia terenu na zdjęciach satelitarnych MODIS, praca magisterska, WGiSR UW, Warszawa. Zhang X., 2003. Monitoring vegetation phenology using MODIS, Remote Sensing of Environment, USA. Zoran M., Stefan S., 2006. Climatic changes effects on spectral vegetation indices for forested areas analysisfrom satellite data, Proceedings of the 2 nd Environmental Physics Conference, Aleksandria, Egipt. Zhou L., Tucker C.J, Kaufmann R., 2001. Variations in northern vegetation activity inferred from satellite data of vegetation index during 1981 to 1999, Journal of Geophysical Research 106, USA. www.greenpeace.org http://landsat.gsfc.nasa.gov http://glcf.umiacs.umd.edu/data/landsat/ http://glovis.usgs.gov/ http://earthobservatory.nasa.gov/features/measuringvegetation www.hdfgroup.org www.vb4all.pl http://pl.wikipedia.org/wiki/visual_basic

22 Monika Tomaszewska, Stanisław Lewiński, Edyta Woźniak Mgr Monika Tomaszewska ukończyła w 2010 roku studia magisterskie w Katedrze Geoinformatyki i Teledetekcji na Wydziale Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego. Aktualnie jest uczestniczką studiów podyplomowych: System Informacji Przestrzennej na Politechnice Warszawskiej. W lutym 2011 rozpoczęła pracę w Instytucie Geodezji i Kartografii w Zakładzie Teledetekcji. E-mail: monika.tomaszewska@igik.edu.pl, telefon: 606-996-992 Dr hab. inż. Stanisław Lewiński jest absolwentem Wydziału Inżynierii Środowiska Politechniki Warszawskiej. W latach 1984 2010 zatrudniony był w Instytucie Geodezji i Kartografii w Zakładzie Teledetekcji. Uczestniczył w różnorodnych projektach związanych z aplikacyjnym wykorzystaniem zdjęć satelitarnych i systemów GIS, kierował również własnymi projektami naukowo-badawczymi. Specjalizuje się w klasyfikacji obiektowej zdjęć satelitarnych wysokiej i średniej rozdzielczości. Prowadzi zajęcia z cyfrowego przetwarzania zdjęć satelitarnych w Katedrze Geoinformatyki WGiSR Uniwersytetu Warszawskiego. W marcu 2011 rozpoczął pracę w Centrum Badań Kosmicznych PAN. Dr Edyta Woźniak jest absolwentką Wydziału Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego. Ukończyła specjali zacje: Sedymentologia i Geoekologia. W latach 2000 2007 zatrudniona była w INDUROT (El Instituto de Recursos Naturales y Ordena cion del Territorio) na Uniwersytecie w Oviedo (Hiszpania). Uczestniczyła w różnorodnych projektach związanych z aplikacyjnym wykorzystaniem zdjęć satelitarnych i systemów GIS, do modelowania zagrożeń naturalnych, określania zasobów ekosystemów lądowych i wodnych. Email: edyta_wozniak@hotmail.com

46 WARSZAWA 2011 Szacowanie plonów roślin uprawnych na podstawie naziemnych pomiarów spektralnych Estimating crop yields on the basis of ground hyperspectral measurements Jan PIEKARCZYK Słowa kluczowe: Teledetekcja, naziemne pomiary hiperspektralne, rzepak ozimy, orkisz ozimy, wskaźniki roślinne, plon Key words: Remote Sensing, ground hyperspectral measurements, winter oilseed rape, winter spelt, vegetation indices, yield Otrzymano: 5 listopada 2010; Zaakceptowano: 14 czerwca 2011 Received: 5 November 2010 Accepted: 14 June 2011 The objective of the study was to compare the variability of hyperspectral characteristics of winter oilseed rape and winter spelt in the early growing season and to determine the usefulness of vegetation indices obtained during the ground-based hyperspectral measurements to predict the yield of these crops. Field hyperspectral measurements were taken from the experimental plots of three varieties of winter oilseed rape and four winter spelt varieties during the first part of the growing season. The oilseed rape plots were sown at four dates in the autumn and the spelt plots were fertilized in six schemes. Vegetation indices were calculated on the basis of the reflec tance factors of the visible and near-infrared bands and their logarithmic and first derivative transformations. Then, relationships between the vegetation indices and oilseed rape and spelt yields were analyzed. Among the unprocessed indices the highest R 2 values (0.86) were obtained for the relationship between the winter rape yield and NDVI 550-775 recorded at the beginning of the flowering stage. The transformation of the spectral data improved the relationship between the NDVI 675-775, NDVI 820-980, SRWI 870-1260 and yield up to 0.86. The winter spelt yield was most strongly correlated with NDVI 550-775 (R 2= 0.80) at the stem elongation stage and the transformation of the spectral data did not improve the relationship. Wstęp Technologie produkcji stosowane w rolnictwie precyzyjnym wymagają szczegółowej kontroli upraw, w wyniku której uzyskuje się informacje dotyczące przestrzennej i czasowej zmienności najważniejszych właściwości agronomicznych roślin, ich stanu zdrowotnego, poziomu odżywienia oraz wysokości spodziewanego plonu. Prognozowanie plonów można określić jako przewidywanie wysokości plonu danego gatunku roślin po zbiorze przy założeniu, że warunki środowiskowe do tego momentu będą zbliżone do średnich wieloletnich. Terminowe i dokładne prognozy zbiorów głównych gatunków roślin uprawnych przed żniwami w skali regionalnej, krajowej i międzynarodowej mają kluczowe znaczenie dla rynków żywności (Justice i Becker-Reshef, 2007). Do prognozowania plonów stosowane są różne metody, począwszy od wizualnej oceny pól, poprzez wielokrotne w sezonie pobieranie prób roślinnych, korzystanie z analogii z poprzednimi latami, a skończywszy na zastosowaniu modeli symulujących rozwój roślin i modeli regresyjnych (Doraiswamy i in., 2003; Maselli i in., 2001; Wall i in., 2007). Kontrola produkcji rolniczej z poziomu lotniczego i satelitarnego, a w tym prognozowanie plonów jest przedmiotem badań od lat siedemdziesiątych (Wall i in., 2007) a jej przydatność została potwierdzona w zastosowaniach w różnych skalach i regionach geograficznych (Funk i Budde, 2009; Rojas, 2007; Salazar i in., 2007;). Metody teledetekcyjne, dzięki szybkości, powtarzalności, obiektywności i niskim kosztom, mogą być bardzo przydatne pośrednio i bezpośrednio do prognozowania plonów (Manjunath i in., 2002; Prasad i in., 2006). Przy szacowaniu plonów z użyciem biofizycznych modeli symulujących rozwój roślin, dane spektralne są wykorzystywane do określania parametrów wzrostu roślin i do kalibracji tych modeli. Główną wadą takich modeli jest konieczność przygotowania dużej liczby danych wejściowych, takich jak charakterystyki glebowe, informacje o agrotechnice i dane meteorologiczne (Moriondo i in., 2007). Najczęściej do prognozowania plonów stosuje się modele regresyjne oparte na empirycznych zależnościach

24 między wartościami wskaźników roślinnych obliczonych na podstawie danych spektralnych oraz wysokością uzyskanych plonów (Wall i in., 2007). Takie modele są łatwe do zastosowania i nie wymagają wielu danych wejściowych. Główną ich wadą jest to, że zależności plonu z charakterystykami spektralnymi roślin mają charakter lokalny i opracowane modele trudno zastosować w innych regionach niż te dla których zostały opracowane (Doraiswamy i in., 2003; Moriondo i in., 2007). Coraz powszechniejsze stosowanie czujników hiperspektralnych skłania do prowadzenia badań nad zależnościami między najważniejszymi parametrami roślinnymi a odbiciem promieniowania w bardzo wielu wąskich zakresach widma. Celem tych badań jest wykrycie subtelnych zmian właściwości spektralnych roślin niemożliwych do zarejestrowania przez stosowane do tej pory czujniki szerokopasmowe. Wyniki dotychczasowych badań potwierdzają większą przydatność danych hiperspektralnych do szacowania właściwości biofizycznych roślin niż danych szerokopasmowych. Broge i Leblanc, (2000) stwierdzili, że zastosowanie danych wąskopasmowych daje lepsze wyniki przy prognozowaniu wielkości LAI (Leaf area index) i koncentracji chlorofilu w modelach symulujących odbicie promieniowania elektromagnetycznego od roślinności. Celem badań było porównanie zmienności charakterystyk hiperspektralnych rzepaku i orkiszu ozimego w wiosennej części sezonu wegetacyjnego oraz określenie przydatności wskaźników roślinnych uzyskanych w trakcie naziemnych pomiarów hiperspektralnych do prognozowania wysokości plonów tych upraw. Metodyka Badania prowadzono na terenie Rolniczego Gospodarstwa Doświadczalnego w Złotnikach oraz Zakładu Doświadczalno-Dydaktycznego Uprawy Roli i Roślin w Swadzimiu należących do Uniwersytetu Przyrodniczego w Poznaniu. Badania dotyczyły trzech odmian rzepaku ozimego: PR 45D03, PR 46W31 i Californium, wysianego w czterech terminach: 14 i 25 sierpnia (t1 i t2) oraz 4 i 15 września (t3 i t4) z gęstością 30, 40, 50 i 60 roślin na m -2 oraz trzech odmian orkiszu: Badengold, Schwabenpel, Schwabenkorn i jednej odmiany pszenicy zwyczajnej Turkis wysianych w sześciu schematach nawożenia: (1) 0 kg N/ha, (2) 30 kg N/ha po ruszeniu wegetacji, (3) 30 kg N/ha po ruszeniu wegetacji + 30 kg N/ha w fazie strzelania w źdźbło, (4) 30 kg N/ha po ruszeniu wegetacji + 30 kg N/ha w fazie strzelania w źdźbło + kg N/ha w fazie kłoszenia, (a) 15 t obornika/ ha, (b) 30 t obornika/ha. Naziemne pomiary odbicia wykonywano w następujących terminach: rzepak ozimy 19 kwietnia, gdy rośliny znajdowały się w fazie pełni pąkowania (BBCH 55-57) i początku kwitnienia (BBCH 60), 30 kwietnia w fazie końca kwitnienia (BBCH 65-69) oraz 12 maja w fazie rozwoju owoców (BBCH 73 74), orkisz ozimy 16 kwietnia w fazie końca krzewienia (BBCH 23) oraz 1 i 13 maja w fazie strzelania w źdźbło (BBCH 32-36). Odbite od poletek promieniowanie rejestrowano za pomocą radiometru hiperspektralnego FieldSpec3 firmy ASD. Radiometr ten, o polu widzenia 25, rejestruje odbite promieniowanie z rozdzielczością spektralną 3 nm w zakresie długości fali λ od 350 do 1000 nm i 10 nm w przedziale od 1000 do 2500 nm. Pomiary były wykonywane z wysokości 2 m nad uprawami w godzinach południowych w bezchmurne dni. Na podstawie wartości współczynników odbicia fal z zakresu czerwonego oraz bliskiej (NIR) i środkowej (SWIR) podczerwieni obliczono następujące wskaźniki roślinne: NDVI 675-775 =(R 775 -R 675 )/(R 775 -R 675 ) NDVI 550-775 =(R 775 -R 550 )/(R 775 -R 550 ), NDVI 820-980 =(R 980 -R 820 )/(R 980 -R 820 ), SRWI=R 870 /R 1260, gdzie R 550, R 675, R 700, R 775, R 820, R 870, R 980, R 1260, to współczynniki odbicia fal o długościach wynoszących odpowiednio: 550, 675, 700, 775, 820, 870, 980 i 1260 nm. Wyniki Jan Piekarczyk Wegetacja roślin w roku 2009, w zachodniej części Polski, rozpoczęła się pod koniec marca a prace polowe rolnicy rozpoczęli z dwutygodniowym opóźnieniem w stosunku do lat przeciętnych. Do połowy kwietnia warunki agrometeorologiczne sprzyjały rozwojowi roślin. Stopień uwilgotnienia ornej warstwy gleby po obfitych marcowych opadach był bardzo wysoki. Natomiast później, stosunkowo wysokie temperatury powietrza występujące w drugiej i trzeciej dekadzie kwietnia, przy bardzo małych opadach spowodowały pogorszenie warunków wilgotnościowych gleby. W takich warunkach rzepak ozimy wykształcił nieco mniejszą liczbę rozgałęzień drugiego i trzeciego rzędu, co mogło mieć wpływ na jego plonowanie. We wszystkich trzech terminach pomiarowych największe różnice odbicia między rzepakiem i orkiszem ozimym występowały w zakresie NIR (750 1130 nm) (Ryc. 1). Rośliny rzepaku pokrywały w znacznie większym stopniu glebę (Tabela 1) i ich biomasa była większa niż roślin orkiszu. Z tego powodu odbicie fal NIR od poletek rzepaku było o około 12% wyższe i o około 5% niższe w zakresie SWIR niż od poletek orkiszu. Wielkość odbicia promieniowania NIR jest zależna od ilości powietrza w przestworach międzykomórkowych miękiszu gąbczastego liści i zwiększa się wraz z przyrostem zielonej masy roślin. Natomiast duża ilość uwodnionej masy zielonej powoduje silne pochłanianie promieniowania z zakresu SWIR. Na początku drugiej dekady maja różnica w wielkości odbicia fal NIR między poletkami rzepaku i orkiszu wynosiła około 30%. Do początku fazy kwitnienia rzepaku odbicie fal z zakresu widzialnego

Szacowanie plonów roślin uprawnych na podstawie naziemnych pomiarów spektralnych 25 Tabela 1. Stopień pokrycia gleby przez rośliny w trzech terminach oraz plon zebrany z poletek rzepaku ozimego wysianego w czterech terminach i orkiszu ozimego nawożonego według sześciu schematów Table 1. The degree of soil cover by plants on three dates and harvested yield from plots of winter oilseed rape sown at four dates and winter spelt fertilized in six schemes Rzepak ozimy Winter oilseed rape Terminy siewu Sowing date Data Date t1 t2 t3 t4 Średnio Mean Pokrycie gleby przez rośliny (%) Ground cover (%) 07.04. 64.5 52.8 65.1 19.9 50.6 19.04. 72.8 81.9 76.1 40.8 67.9 30.04. 72.9 74.4 77.0 68.2 73.1 Średni plon (dt/ha) Average yield (dt/ha) 49.3 53.9 50.8 40.0 48.5 Orkisz ozimy Winter spelt Schemat nawożenia Fertilization scheme Data Date 1 2 3 4 a b Średnio Mean Pokrycie gleby przez rośliny (%) Ground cover (%) 02.04. 31.7 36.8 34.8 35.9 34.1 33.0 34.4 16.04. 53.9 62.9 59.5 63.7 52.0 54.4 57.7 01.05. 40.0 53.2 57.4 60.6 47.1 51.4 51.6 Średni plon (t/ha) Average yield (t/ha) 2.9 3.5 3.8 3.5 3.6 3.4 49.3 od rzepaku nieznacznie różniło się od odbicia tych fal od orkiszu. W czasie kwitnienia odbicie w tym zakresie od rzepaku wyraźnie wzrosło dochodząc do 20% i 15% odpowiednio dla fal zielonych i czerwonych. Najwyższy plon nasion rzepaku (średnio 53,9 dt/ ha) uzyskano z poletek obsianych w drugim terminie, optymalnym dla regionu Wielkopolski, a najniższy plon (40,0 dt/ha) z poletek, które obsiano najpóźniej (Tabela 1). Na tych poletkach występowało również odpowiednio największe i najmniejsze pokrycie gleby przez rośliny w dniu 19 kwietnia. Najwyższy plon ziarna orkiszu zebrano z poletek nawożonych wyłącznie mineralnie w dwóch dawkach, zgodnie ze schematem trzecim. Plony uzyskane na 48 poletkach rzepaku ozimego i 96 poletkach orkiszu ozimego zestawiono z wartościami wskaźników roślinnych obliczonymi na podstawie danych hiperspektralnych uzyskanych w trakcie pomiarów polowych. Na początku sezonu wegetacyjnego, gdy rozpoczynało się kwitnienie roślin rzepaku (19.04.), najsilniejszą zależność z plonem (R 2 =0,86) wykazywał wskaźnik NDVI 550-775, obliczony z wykorzystaniem współczynników odbicia fal zielonych (550 nm) (Tabela 2). Ryc. 1. Krzywe spektralne poletek rzepaku i orkiszu ozimego sporządzone na podstawie średnich wartości współczynników odbicia uzyskanych w sześciu terminach. Fig. 1. The mean spectral reflectance curves of winter rape oilseed and winter spelt from six dates.

26 Jan Piekarczyk Tabela 2. Wartości współczynników determinacji (R 2 ) dla zależności między plonem rzepaku i orkiszu ozimego a wartościami czterech nieprzetworzonych wskaźników roślinnych Table 2. The values of determination coefficients for the correlation between the yield of winter oilseed rape and winter spelt, and the values of four untreated vegetation indices Wskaźniki roślinne Vegetation indices Rzepak ozimy Winter oilseed rape Orkisz ozimy Winter spelt 19.04. 30.04. 12.05. 16.04. 01.05. 13.05. NDVI 675-775 0.82 0.43 0.07 0.62 0.65 0.71 NDVI 550-775 0.86 0.35 0.01 0.67 0.66 0.80 NDVI 820-980 0.83 0.70 0.66 0.59 0.55 0.25 SRWI 870-1260 0.83 0.71 0.41 0.62 0.33 0.35 Ryc. 2. Zależność między plonem rzepaku ozimego (dt/ha) i orkiszu ozimego (t/ha) a wartościami wskaźników roślinnych obliczonych na podstawie wartości współczynników odbicia fal o długości 550 i 775 nm zarejestrowanych w dwóch terminach. Fig. 2. Relationship between the winter oilseed rape yield (dt/ ha) and winter spelt (t/ha) and vegetation index NDVI 550-775 calculated on the basis of reflectance in 550 and 775 nm on two dates. W późniejszych terminach wskaźniki, obliczone z użyciem fal widzialnych dawały słabszą zależność z plonem. Obecność kwiatów na roślinach rzepaku w terminach drugim i trzecim powodowała wzrost odbicia w zakresie widzialnym nie wpływając na wielkość odbicia w zakresie NIR. Stosunkowo wysoka zależność występowała nadal ze wskaźnikami obliczonymi na podstawie odbicia fal z zakresu NIR i SWIR. Na początku drugiej dekady maja (12.0 5.) wartości współczynników determinacji obliczone dla zależności między plonem i wskaźnikami NDVI 820-980 oraz SRWI 870-1260 miały wartości odpowiednio 0,66 i 0,41 Biomasa roślin orkiszu, oceniana na podstawie wielkości odbicia fal z zakresu NIR wzrastała w całym okresie, gdy wykonywano pomiary spektralne: na poletkach nawożonych mineralnie szybciej a na pozostałych wolniej. Zależność danych spektralnych z plonem orkiszu zwiększała się w przypadku wskaźników obliczonych z użyciem fal widzialnych osiągając nieco niższe wartości (R 2 =0,80) niż w przypadku rzepaku. Dla rzepaku najsilniejszą zależność między wskaźnikami roślinnymi i plonem obserwowano, gdy stosowano równania wielomianowe ponieważ występowało wysycenie odbicia tzn. przy dużej biomasie dalszy jej wzrost nie powodował zwiększania wartości wskaźników (Behrens, 2006). Natomiast u orkiszu biomasa była mniejsza i najlepsze efekty osiągano stosując równania liniowe (Ryc 2). Zależność z plonem określono również dla wskaźników roślinnych obliczonych na podstawie współczynników odbicia przetworzonych do postaci logarytmu dziesiętnego (log 10 (1/R)) i pierwszej pochodnej. Według Huang a i in. (2004) zastosowanie pochodnych współczynników odbicia pozwala ograniczyć wpływ warunków oświetlenia oraz tła glebowego i w konsekwencji umożliwia uzyskanie lepszych zależności między danymi spektralnymi i parametrami biofizycznymi roślin. Rycina 3 przedstawia wartości współczynników odbicia przekształconych do postaci logarytmu dziesiętnego i pierwszej pochodnej zarejestrowanych na poletkach rzepaku ozimego obsianych w czterech terminach oraz na poletkach orkiszu nawożonych według sześciu schematów. Ryc. 3. Średnie wartości współczynników odbicia przekształconych do postaci logarytmu dziesiętnego i pierwszej pochodnej zarejestrowanych na poletkach rzepaku ozimego obsianych w czterech terminach oraz na poletkach orkiszu nawożonych według sześciu schematów. Figure 3. Mean values of the reflectance factors transformed to logarithm and first derivative from winter oilseed rape sown at four different dates and winter spelt fertilized in six schemes.

Szacowanie plonów roślin uprawnych na podstawie naziemnych pomiarów spektralnych 27 Wartości współczynników determinacji (R 2 ) dla zależności plonów ze wskaźnikami przetworzonymi Log 10 (1/R) NDVI 675-775, Log 10 (1/R)NDVI 820-980, Log 10 (1/R)SRWI 870-1260 uzyskanymi na początku kwitnienia rzepaku wzrosły w niewielkim stopniu (od 0,02 do 0,04) w porównaniu z wartościami tego współczynnika dla wskaźników roślinnych nie przetworzonych (Tabela 3). Największy wzrost wartości R 2 obserwowano dla danych zebranych w pełni kwitnienia rzepaku. W przypadku wskaźników Log 10 (1/R)NDVI 675-775 i Log (1/R)NDVI wzrost współczynnika wynosił odpowiednio 0,57 i 10 550-775 0,63. uprawnej. Najsilniejszy związek miedzy danymi spektralnymi i wysokością plonu orkiszu i rzepaku występował w różnych terminach wiosennej części sezonu wegetacyjnego. Dla rzepaku był to początek fazy kwitnienia (faza BBCH 55-60), która przypadała na koniec drugiej dekady kwietnia a dla orkiszu najsilniejszą zależność między odbiciem i plonem zaobserwowano około trzy tygodnie później, w drugiej dekadzie maja, gdy rośliny znajdowały się w fazie strzelania w źdźbło (BBCH 36). W zależności od gatunku rośliny uprawnej i fazy rozwojowej do prognozowania plonów przydatne są Tabela 3. Wartości współczynników determinacji (R 2 ) dla zależności między plonem rzepaku i orkiszu ozimego a wartościami czterech wskaźników roślinnych obliczonych na podstawie współczynników odbicia przetworzonych do postaci logarytmicznej i pierwszej pochodnej Table 3. The values of the coefficients of determination (R 2 ) for the correlation between the yield of winter oilseed rape and winter spelt, and the values of four vegetation indices calculated on the basis of reflectance factors transformed into logarithmic form and the first derivative Wskaźniki roślinne Vegetation indices Rzepak ozimy Winter oilseed rape Orkisz ozimy Winter spelt 19.04. 30.04. 12.05. 16.04. 01.05. 13.05. Log 10 (1/R) Log 10 (1/R)NDVI 675-775 0.86 0.47 0.63 0.60 0.38 0.29 Log 10 (1/R)NDVI 550-775 0.85 0.42 0.64 0.62 0.58 0.61 Log 10 (1/R)NDVI 820-980 0.86 0.46 0.71 0.65 0.64 0.61 Log 10 (1/R)SRWI 870-1260 0.85 0.58 0.71 0.62 0.52 0.36 Pierwsza pochodna First derivative PpNDVI 675-775 0.85 0.63 0.71 0.21 0.61 0.22 PpNDVI 550-775 0.17 0.23 0.004 0.42 0.74 0.73 PpNDVI 820-980 0.75 0.07 0.31 0.33 0.02 0.09 PpSRWI 870-1260 0.86 0.61 0.65 0.52 0.67 0.74 Wzrost zależności z plonem orkiszu wykazywały tylko wskaźniki obliczone z użyciem zlogarytmizowanych współczynników odbicia fal z zakresu NIR. Wartości R 2 dla zależności plonu orkiszu z wartościami wskaźnika Log 10 (1/R)SRWI 870-1260 i Log 10 (1/R) NDVI 820-980 wzrosły odpowiednio o 0,19 na początku fazy strzelania w źdźbło (01.05) i o 0,36 w pełni tej fazy (13.05) w porównaniu do wartości R 2 uzyskanych dla zależności plonu z wartościami wskaźników nie przetwarzanych. Wskaźniki roślinne obliczone na podstawie pierwszych pochodnych współczynników odbicia w niewielkim stopniu dały lepszą zależność z plonem zarówno rzepaku jak i orkiszu. Jedynie w przypadku rzepaku wskaźnik PpNDVI 675-775 dał wyższą zależność z plonem we wszystkich trzech terminach pomiarowych. Podsumowanie W celu prognozowania plonów na podstawie danych spektralnych obserwacje powinny być prowadzone w różnych terminach, w zależności od gatunku rośliny wskaźniki obliczane na podstawie współczynników odbicia fal o różnych długościach z zakresu widzialnego oraz NIR i SWIR. W fazach rozwojowych, w których nie występowały kwiaty na roślinach rzepaku i orkiszu, najsilniejszą zależność z plonem wykazywały wskaźniki obliczone z użyciem fal zielonych o długości 550 nm i NIR o długości 775 nm. W fazach rozwojowych, w których obecność kwiatów decyduje o wielkości odbicia w zakresie widzialnym, do prognozowania plonów wskazane jest użycie wskaźników obliczanych na podstawie współczynników odbicia fal z zakresu NIR. Również przekształcenie współczynników odbicia do postaci logarytmicznej poprawiło zależność z plonem rzepaku w czasie kwitnienia. Uzyskana duża zależność między plonem i naziemnymi danymi spektralnymi wskazuje na możliwość wykorzystania zobrazowań z pułapu lotniczego oraz obrazów satelitarnych do prognozowania plonu we wczesnych fazach rozwojowych rzepaku i orkiszu ozimego, jeśli późniejszy rozwój roślin w sezonie wegetacyjnym będzie niezakłócony.

28 Literatura Behrens T., Muller J., Diepenbrock W., 2006, Utilization of canopy reflectance to predict properties of oilseed rape (Brassica napus L.) and barley (Hordeum vulgare L.) during ontogenesis. European, Journal of Agronomy, 25, 345 355. Broge N.H., Leblanc E., 2000, Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density. Remote Sensing of Environment, 76, 156-172. Doraiswamy P.C., Moulin S., Cook P.W., Stern A., 2003, Crop yield assessment from remote sensing. Photogrammetric Engineering and Remote Sensing, 69, 665 674. Funk C., Budde M.E., 2009, Phenologically-tuned MODIS NDVI-based production anomaly estimates for Zimbabwe. Remote Sensing of Environment, 113, 115 125. Huang Z., Turner B.J., Durya S.J., Wallis I.R., Foley W.J., 2004, Estimating foliage nitrogen concentration from HYMAP data using continuum removal analysis. Remote Sensing of Environment, 93, 18 29. Justice C.O., Becker-Reshef I., 2007, Report from the workshop on developing a strategy for global agricultural monitoring in the framework of Group on EarthObservations (GEO). s 1 67. Manjunath K.R., Potdar M.B., Purohit N.L., 2002, Large area operational wheat yield model development and validation Jan Piekarczyk based on spectral and meteorological data. International Journal of Remote Sensing, 23, 3023 3038. Maselli F., Rembold F., 2001, Analysis of GAC NDVI data for cropland identification and yield forecasting in Mediterranean African countries. Photogrammetric Engineering and Remote Sensing, 67, 593 602. Mika J., Kerenyi J., Rimoczi-Paal A., Merza A., Szinell C., Csiszar I., 2002, On correlation of maize and wheat yield with NDVI: Example of Hungary (1985 1998). Advances in Space Research, 30, 2399 2404. Moriondo M., Maselli F., Bindi M., 2007, A simple model of regional wheat yield based on NDVI data. European Journal of Agronomy, 26, 266 274. Prasad A.K., Chai L., Singh R.P., Kafatos M., 2006, Crop yield estimation model for Iowa using remote sensing and surface parameters. International Journal of Applied Earth Observation and Geoinformation, 8, 26 33. Rojas O., 2007, Operational maize yield model development and validation based on remote sensing and agro-meteorological data in Kenya. International Journal of Remote Sensing, 28, 3775 3793. Salazar L., Kogan F., Roytman L., 2007, Use of remote sensing data for estimation of winter wheat yield in the United States. International Journal of Remote Sensing, 28, 3795 3811. Wall L., Larocque D., Leger P.M., 2007, The early explanatory power of NDVI in crop yield modeling. International Journal of Remote Sensing, 29, 2211 2225. Dr inż. Jan Piekarczyk jest absolwentem Wydziału Rolniczego Akademii Rolniczej w Poznaniu. Pracując w Instytucie Ochrony Roślin w Poznaniu zajmował się opracowaniem charakterystyk spektralnych roślin uprawnych. W 1996 r. obronił pracę doktorską pt.: Dwukierunkowa charakterystyka spektralna odbicia od uprawy rzepaku w sezonie wegetacyjnym. Od 1997 r. Jest adiunktem na Uniwersytecie im. Adama Mickiewicza w Poznaniu w Zakładzie Gleboznawstwa i Teledetekcji Gleb. Jego obecne zainteresowania naukowe dotyczą badania charakterystyk spektralnych roślinności w krajobrazie rolniczym oraz możliwości wykorzystania danych teledetekcyjnych do identyfikacji i monitoringu pól uprawnych i nieużytków porolnych. Adres: Uniwersytet im Adama Mickiewicza w Poznaniu, Instytut Geografii Fizycznej i Kształtowania Środowiska Przyrodniczego, ul. Dzięgielowa 27, 61-680 Poznań. E-mail: piekjan@amu.edu.pl; tel.: (61) 829 6235, fax: (61) 829 6230.

46 WARSZAWA 2011 Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych przy użyciu modelu transferu promieniowania Simulating spectrum for heterogeneous meadows using a Radiative Transfer Model Anna JAROCIŃSKA Słowa kluczowe: Model transferu promieniowania, łąki, PROSPECT Key words: Radiative Transfer Model, meadows, PROSPECT Otrzymano: 2 października 2010; Zaakceptowano: 31 sierpnia 2011 Received: 2 October 2010 Accepted: 31 August 2011 Meadows are important ecosystems and should be protected. Also, in Poland organic agriculture and farming, where crops from meadows are used, is getting more popular. That is why meadows monitoring and predicting crops is important issue. Much information can be calculated from spectrum of plants and that is why remote sensing data are very useful tool. Two approaches are used to calculate biophysical variables: statistical and modelling. In statistical, values from field measurements have to be compared with images. In modelling, radiative transfer models are used. RTM are physical models based on the fundamental equation of radiative transfer. After all necessary adjustments, models can give the description of the canopy with fewer field measurements. In this paper model on leaf level was chosen. PROSPECT uses only five input variables: chlorophyll and carotenoid content, water content, dry matter and leaf structure parameter. Model is normally used to homogeneous canopy, like corn. In this paper, PROSPECT was used to simulate spectrum for heterogenic meadows using field measurements. Biophysical variables were collected during field measurements in the Bystrzanka catchment in the Low Beskid Mountains. In the same time more than 10 samples of spectrum were collected using ASD FieldSpec 3 FR and then averaged. The minimum size of polygon was 100m 2. All input parameters for every polygon were included into the model and spectrum was modelled. Then spectrum was compared with measured samples of each polygon. In the end the vegetation indices were calculated using two kinds of spectrum and compared. All used vegetation indices are describing plant condition or crop monitoring: Normalized Difference Vegetation Index, Red Edge Normalized Difference Vegetation Index, Photochemical Reflectance Index, Normalized Difference Nitrogen Index, Normalized Difference Lignin Index, Cellulose Absorption Index, Carotenoid Reflectance Index, Water Band Index and Moisture Stress Index. Researches shows, that it is possible to simulate spectra for heterogeneous meadows using PROSPECT. The average RMSE value for all polygons was 0,0346, which mean the spectra are well modelled. The biggest mistake was for near infrared range, where is the strongest influence of dry matter content. The differences between measured and modelled spectrum were also noticed on the part of visible light 400-500nm. For most calculated vegetation indices values were similar for both kinds of spectra. Values of NDVI,WBI and NDLI were very close. The biggest differences were noticed form PRI and CRI. Wstęp Spektroskopia umożliwia badanie obiektów przy użyciu krzywych odbicia spektralnego. Każdy obiekt absorbuje i odbija różną ilość promieniowania w zależności od długości fali elektromagnetycznej. Za pomocą analizy charakterystyk spektralnych możliwe jest bardzo precyzyjne badanie poszczególnych obiektów. Spektroskopia stosowana jest w badaniach roślinności ze względu na możliwość analizy budowy roślin, ich składu chemicznego, struktur komórkowych, biomasy, zawartości wody i kondycji roślin. Do badania właściwości pokrywy roślinnej używane są dwa podejścia: statystyczne oraz modelowanie (Kumar i in., 2006). W podejściu statystycznym korelowane są parametry roślinne pobrane w czasie pomia-

30 rów naziemnych z wartością odbicia lub transmitancji. Drugim sposobem jest opisywanie za pomocą praw fizyki drogi, jaką przebywają fotony w liściach używając modeli transferu promieniowania Radiative Transfer Model (Jacquemoud i in., 1996). Modele są coraz szerzej stosowane ze względu na automatyzację procesu po dostosowaniu parametrów do badanego środowiska. Modele umożliwiają szybkie i precyzyjne badanie pokrywy roślinnej. Wprowadzane udoskonalenia umożliwiają badanie coraz bardziej złożonych zbiorowisk. W Polsce badania roślinności do tej pory odbywały się wyłącznie przy użyciu podejścia statystycznego, zarówno przy wykorzystaniu danych wielo- jak i hiperspektralnych (np.: Dąbrowska-Zielińska i in., 2009; Jarocińska i Zagajewski, 2009). Ograniczeniem podejścia statystycznego jest konieczność stałego wykonywania referencyjnych pomiarów terenowych, co wydłuża czas badań. Modele transferu promieniowania wykorzystywane są do wielu rodzajów zbiorowisk roślinnych: zbóż, użytków zielonych, lasów. Model ujednolica pokrywę roślinności, więc im bardziej zróżnicowane zbiorowisko, tym większe ryzyko błędnego uogólnienia. Do analiz wybrano model PROSPECT, który opisuje roślinność na poziomie pojedynczych liści, a nie całej pokrywy. Mimo dokładności analizy ujednolica on parametry liści. Przedmiotem analizy są zbiorowiska łąkowe, które na terenie Polski są zróżnicowane pod względem fitosocjologicznym i morfologicznym. Szczególnie dotyczy to łąk użytkowanych ekstensywnie. Model PROSPECT niezwykle rzadko stosowany jest do zbiorowisk heterogenicznych, dlatego jego użycie do tego typu roślinności jest nowatorskie. Łąki to grunty zajęte pod uprawę traw lub innych upraw zielnych naturalnych lub powstałe w wyniku działalności rolniczej. Łąki najczęściej powstają na siedliskach poleśnych, a ich istnienie warunkuje systematyczne wykaszanie. Charakterystyczną cechą zbiorowisk jest to, że korzenie i rozłogi roślinności tworzą darń, dzięki której łąka może się odradzać po każdym skoszeniu i przerwie zimowej. Łąki użytkowane są głównie kośnie, a pozyskiwaną z nich zielonkę suszy się na siano lub zakisza. Plony z łąk stanowią główne źródło pokarmu dla hodowlanych zwierząt roślinożernych. Łąki wraz z pastwiskami składają się na użytki zielone. Trwale użytki zielone, które są porośnięte trwale roślinnością, a nie występują na gruntach ornych jako płodozmian, stanowią około 10% powierzchni całej Polski. W porównaniu z innymi państwami Europy i rolą, jaką spełniają w kształtowaniu krajobrazu, ich udział w powierzchni kraju jest niski. Ponadto nie wszystkie z trwałych użytków zielonych stanowią powierzchnię produkcyjną, część jest zaniedbana lub na terenach niedostępnych. Pomijając tego typu grunty szacuje się, że około 70% użytków jest wykorzystywanych: koszonych lub wypasanych. Łąki mają zarówno znaczenie dla rolnictwa jak i znaczenie ekologiczne. Tego typu zbiorowiska są bardzo cenne przyrodniczo. Stanowią wartościowe siedliska rodzimych gatunków roślin i zwierząt, co ma także związek z ich często naturalnym lub półnaturalnym charakterem. Łąki stanowią także magazyn wód powierzchniowych i podziemnych. Obecnie ze względu na coraz większą popularność rolnictwa ekologicznego znaczenie łąk wzrosło. W artykule zaprezentowane są wyniki zastosowania modelu do symulowania krzywych odbicia spektralnego na niejednorodnych łąkach. Dane biofizyczne o roślinach pobrane w terenie zostały dostosowane, a następnie wprowadzone do modelu PROSPECT w celu uzyskania krzywych odbicia spektralnego. Następnie porównano je z wartościami odbicia zmierzonymi w terenie na tych samych poligonach. Przeanalizowano zgodność krzywych oraz wpływ poszczególnych parametrów biofizycznych na dokładność modelowania. Ostatnim etapem było policzenie z obu rodzajów krzywych teledetekcyjnych wskaźników roślinności i porównanie ich. Modele transferu promieniowania w badaniach roślinności Anna Jarocińska Modele RTM są modelami fizycznymi, które na podstawie praw fizycznych opisują, co dzieje się z promieniowaniem w atmosferze i kontakcie z pokrywą roślinną. Modele bazują na charakterystyce transferu energii w formie promieniowania elektromagnetycznego. Rozprzestrzenianie się promieniowania przez określone medium jest uwarunkowane procesami absorpcji, emisji i rozproszenia (Kumar i in., 2006). Pokrywa roślinności lub pojedyncze liście opisane są jako homogeniczne warstwy. Modele transferu promieniowania dostarczają informacji na temat promieniowania w zetknięciu z pokrywą roślinną. Przy ich użyciu można wyliczać zmienne biofizyczne roślin. Pokrywa roślinna może być traktowana jako homogeniczna warstwa składająca się z liści oraz przestrzeni między nimi. Zarówno pojedyncze liście jak i cały baldachim roślinności można opisać za pomocą trzech parametrów: odbicia, transmisji i absorpcji. Za absorpcję w świetle ultrafioletowym i widzialnym odpowiada kompozycja, ilość i rozmieszczenie pigmentów w liściach. Na odbicie w zakresie bliskiej i średniej podczerwieni wpływa wewnętrzna struktura liści oraz zawartość wody. Główne substancje biochemiczne budujące liście wpływające na wielkość odbicia to celuloza, hemiceluloza, lignina, skrobia, azot oraz komponenty: białka i pigmenty (Tretyn, 2007). Chlorofil, który jest niezbędny do fotosyntezy, absorbuje światło w zakresach 430, 660nm (chlorofil a) i 460, 640nm (chlorofil b). Białka zawierające w sobie większość azotu absorbują światło w następujących długościach fali: 1500, 1680, 1740, 1940, 2050, 2170, 2290 oraz 2470nm. Celuloza absorbuje zakres 1220, 1480, 1930, 100, 2280, 2340, 2480nm oraz w podczerwieni termalnej. Od 10 do 35% suchej masy stanowi lignina pochłaniająca promieniowanie w zakresie 1450, 1680, 1930, 2270, 2330, 2380, 2500nm oraz w przedziale 2050-2140nm. Skrobia absorbuje światło o następujących długościach: 990, 1220, 1450, 1560,

Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych... 31 1700, 1770, 1930, 2100, 2320 oraz 2480nm. Wymienione pięć substancji wywiera dominujący wpływ na kształt i wartości krzywej odbicia spektralnego dla liści. Są one odpowiedzialne za podobieństwo spektrum dla wszystkich roślin zielonych. Modele charakteryzujące pokrywę roślinną różnią się danymi wejściowymi i wyjściowymi, poziomem analizy, wprowadzanymi modyfikacjami uwzględniającymi zakłócenia oraz rodzajem roślinności, do jakich można je zastosować. Parametrami wejściowymi modeli są zmienne biofizyczne (np. zawartość chlorofilu, wody, biomasa, geometria pokrywy roślinnej, liści), a wyjściowymi na ogół krzywe odbicia spektralnego. Modele mogą analizować roślinność na dwóch poziomach: pokrywy roślinnej oraz liści. Mogą uwzględniać różnego rodzaju zakłócenia przez wprowadzanie elementów korygujących, np. efekt nadmiernego odbicia. Są dostosowywane do różnorodnych powierzchni, innego rodzaju stosowane są do powierzchni łąkowych niż w przypadku leśnych ze względu na inną strukturę zbiorowisk. Modele, które opisują wielokierunkowe odbicie i rozproszenie na poziomie liści nazywane są plate models. Opisują wewnętrzną strukturę liści jako płaszczyzny i nie biorą pod uwagę atmosfery ani tła gleby. Do tego typu modeli należy PROSPECT (Jacquemoud, Baret, 1990), który został zastosowany w badaniach. Model pozwala na obliczenie odbicia i transmitancji liści w zakresie 400-2500nm. Jest jednym z najpopularniejszych używanych na świecie modeli obliczających charakterystyki spektralne (Darviszadeh i in., 2008; Haboudane i in., 2002; Jacquemoud i in., 2000; Jacquemoud i in., 1996; Verhoef i Bach, 2003a; Verhoef i Bach, 2003b). Na ogół jest stosowany do jednolitych powierzchni, takich jak zboża. Z czasem zaczęto wprowadzać modyfikacje modelu umożliwiające analizę bardziej złożonych formacji roślinnych. Model bardzo rzadko jest stosowany do roślinności niejednorodnej. Model PROSPECT jest bardzo szeroko stosowany do odwzorowywania właściwości pokrywy roślinnej. Model używany jest jako samodzielny moduł lub jako kombinacja z innymi algorytmami charakteryzującymi cały baldachim roślinności. Do celów aplikacyjnych model stosowany był w badaniach zmiennych biofizycznych na poziomie pojedynczych: w szczególności zawartość chlorofilu, LAI (Darvishadeh i in., 2008; Feret i in. 2008) oraz wody (Ceccato i in., 2001). Używano go do analizy zarówno upraw jak i formacji trawiastych (Darvishadeh i in., 2008). Znacznie częściej samodzielnie model był opisywany w artykułach analizujących metodykę. Badano możliwości modelu w zakresie symulowania danych, szczególnie hiperspektralnych, opisujących roślinność (Verhoef, Bach 2003a; Jacquemoud i Baret, 1990; Fourty i in., 1996; Jacquemoud i in., 1996). Najczęściej wykorzystywany jest jako model obliczający parametry wejściowe do modeli. Może być łączony z modelami rolniczymi, czyli szacującymi rozwój roślin oraz plony (Blackburn i Ferwerda, 2008), a także z innymi RTM opisującymi pokrywę roślinną. Wśród drugiej grupy najczęściej pojawia się model SAIL oraz jego modyfikacje, np. GeoSAIL (Koetz i in., 2007; Verhoef i Bach, 2003a). Model PROSAIL (połączenie PROSPECT i SAIL) służył do badania zmiennych biofizycznych: np. chlorofilu, wody, LAI (Haboudane i in., 2002; Jacquemoud i in., 2009, Zarco-Tejada i in., 2003). Szacowane były także błędy modelu dla różnego rodzaju upraw, np. zbożowych (Duke, Guérif, 1998). Bez połączenia z modelem opisującym pokrywę roślinności może być używany jedynie dla danych pobranych na poziomie naziemnym. Model zakłada, że roślinność składa się z wielu prostych warstw liści o specyficznych właściwościach absorpcyjnych i refrakcyjnych oddzielonych od siebie warstwami powietrza (Fourty i in., 1996). Każda warstwa jest charakteryzowana przez rozpraszanie za pomocą współczynnika refrakcji liści i parametru opisującego strukturę liści. Przy tworzeniu modelu brano pod uwagę parametry roślinne takie jak zawartość wody, pigmentów, głównie chlorofilu, białka, celulozy i jej pochodnych, ligniny, skrobi oraz masę liści (Jacquemoud i in, 1996). Model zakłada, że liść i jego właściwości są takie same z obu stron, homogeniczne pod względem biochemicznym, a odbicie od liścia jest identyczne niezależnie od kierunku, co jest znacznym uproszczeniem. Teren badań Teren badań obejmował obszar w Beskidzie Niskim na granicy Beskidów i Pogórza Karpackiego w zlewni Bystrzanki w okolicy Gorlic (Ryc. 1). Teren ten jest ekstensywnie użytkowany rolniczo. Obszar zlewni (13.6km 2 ) pokryty jest w większości lasami oraz terenami rolniczymi. Dominującymi uprawami są zboża jare i ozime, rośliny okopowe i koniczyna. Grunty orne stanowią 19%, łąki i pastwiska 28%, najwięcej lasy 40%. Około 10% stanowią sady i zabudowania. Poligony badawcze znajdowały się na stokach wzgórza Taborówka oraz w dolinie Bystrzanki. Były one do siebie zbliżone pod względem fitosocjologicznym. Przedmiotem badań były heterogeniczne zbiorowiska trawiaste łąki. Analizowano zarówno łąki koszone jak i niekoszone. Wszystkie zbiorowiska są zróżnicowane, złożone z minimum 4 gatunków roślin. Większość z nich stanowiły laki rajgrasowe, wykształcone na siedliskach świeżych. Dominowały rodzaje z rodziny wiechlinowatych: rajgras (w tym rajgras wyniosły), stokłosa (w tym stokłosa bezostna), a także perz i wiechlina. Spoza rodziny wiechlinowatych duży udział miała koniczyna łąkowa. Ze względu na koszenie łąki często miały różny stopień odrośnięcia. Dlatego podzielono poligony na łąki skoszone i łąki nieskoszone. Metodologia pobieranie danych przekształcenia modelu Pomiary w terenie wykonano w czasie 23, 24 lipca 2009 roku. W terenie wyznaczono 7 poligonów

32 Anna Jarocińska Ryc. 1. Teren badań zlewnia Bystrzanki. Źródło: Google- Earth, GoogleMaps Fig. 1. Area of interest Bystrzanka catchement (GoogleEarth, GoogleMaps) testowych, gdzie dokonano pomiarów, trzy z nich na terenie Taborówki, cztery w dolinie Bystrzanki. Poza współrzędnymi geograficznymi pobrano referencyjne krzywe odbicia spektralnego, dane wejściowe do modelu PROSPECT oraz dodatkowe pomiary. Poligony zostały wybrane na podstawie zróżnicowania roślinności. Miały one wielkość około 1 ha. Na każdym z poligonów wybrano obszar reprezentatywny wielkości około 25m 2, gdzie dokonywano pomiarów. Poligony pobrano dla regionów Taborówka (oznaczone symbolem T) i dolina Bystrzanki (symbol P). Wykonano pomiary krzywych odbicia spektralnego przy użyciu ASD FieldSpec 3 FR w świetle naturalnym. Spektrometr mierzy współczynnik odbicia dla 1151 kanałów spektralnych o szerokości około 3nm w zakresie od 350 do 2500 nm. Wykonywany był pomiar kalibracyjny wzorca bieli i czerni. Nie w każdym przypadku korekcja kalibracja spektrometru była udana, dlatego w zakresach absorpcji wody pomiary są zafałszowane. Dla każdego poligonu pobrano minimum 10 krzywych odbicia spektralnego, a następnie je uśredniono. Pomiary wejściowe do modelu PROSPECT obejmowały pomiary chlorofilu, masy suchej oraz zawartości wody. Zawartość chlorofilu mierzono za pomocą urządzenia CCM-200 Chlorophyll Content Meter, które nieinwazyjnie mierzy wskaźnik Chlorophyll Content Index. Dla każdego z poligonów wykonano po 10 pomiarów, które następnie uśredniono. Zawartość wody i masa sucha określone były przez zważenie biomasy świeżej i suchej. Biomasę z 0,25m 2 ścięto i zważono. Następnie wysuszono i zważono masę suchą. W ten sposób uzyskano zawartość wody w liściach i masy suchej w g/m 2. Wykonano także pomiary dodatkowe. Należały do nich: pomiary temperatury powietrza i roślin, LAI, APAR i fapar. Pomiary LAI wykonane były urządzeniem LAI Plant Canopy Analizer, które liczy powierzchnię projekcyjna liści na 1m 2. Pomiary wartości LAI zostały użyte do przeliczania danych wejściowych do modelu. Wykonano towarzyszące pomiary temperatury radiacyjnej roślin (Ts) oraz temperatury powietrza (Ta) i obliczono wskaźnik Ts-Ta. Temperaturę mierzono termohigrometrem i pirometrem IR-Tec. Za pomocą wskaźnika uzyskano dane o stresie wodnym roślin. Zmierzono także Akumulowane Promieniowanie w Zakresie Fotosyntezy (APAR) oraz jego frakcję fapar. Na tej podstawie określono produktywność roślin oraz ich kondycję. Poligony pierwszego regionu Taborówki miały nieco mniejszą zawartość chlorofilu, a także znacząco niższą zawartość wody w porównaniu z roślinami doliną Bystrzanki. Trzy poligony (T1, T9 i P2.2) zostały określone jako łąka skoszona z odrastającą roślinności, a cztery jako łąka nieskoszona. Poligony łąki skoszonej miały nieco mniejszą wartość powierzchni projekcyjnej liści (LAI wynosiło od 1,43 do 2,86) w porównaniu a nieskoszonymi, gdzie wartość wahała się od 1,85 do 4,35. Do badań wybrano model PROSPECT-5, czyli najnowszą wersję algorytmu. Parametry wejściowe do modelu to: parametr opisujący strukturę liści zwartość warstw liści (N), zawartość chlorofilu a i b (Cab) oraz Tabela 1. Dane wejściowe do modelu PROSPECT-5. Table 1. Input biophysical variables for PROSPECT-5 Symbol Jednostka Symbol Unit N Bezjednostkowy / no units Zakres wartości Zmienna Range of values RTM variables 1,2-3 Parametr strukturalny liści / Leaf structure index Cab μg/ cm 2 30-109 Zawartość chlorofilu / Leaf chlorophyl content Car μg/ cm 2 8-22 Zawartość karotenoidów / Leaf carotenoid content Cm g/cm 2 0,004-0,05 Masa sucha liści / Dry matter content Cw cm 0,01-0,05 Zawartość wody w liściach / Equiwalent Water Thickness

Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych... 33 karotenoidów (Car), zawartość materii suchej (Cm) i masa wody w liściach (Cw). Dane wraz z jednostkami zamieszczone są w Tabeli 1. Wyjściowym elementem modelu jest wartość współczynnika odbicia i transmitancji dla każdej długości fali od 400 do 2500nm co 1nm. Model PROSPECT_5 składa się z czterech podprogramów. Jeden z nich oblicza transmitancję na powierzchni liści dla danego trójwymiarowego kąta padania. Drugi ustala długości fali, jakie będą używane w programie (od 400 do 2500nm). Trzeci nadaje wartości współczynnika refrakcji i absorpcji dla chlorofilu, karotenoidów, wody i materii suchej. Do ostatniego programu używającego wymienione moduły wczytywane są dane wejściowe: N, Cab, Car, Cw, Cm. Danymi wyjściowymi jest tablica składająca się z trzech kolumn: długości fali, wartości odbicia i transmitancji dla danej długości fali. Obliczanie odbywa się pojedynczo dla każdej długości fali. Pierwszym etapem jest obliczenie współczynnika absorpcji na podstawie zawartości poszczególnych parametrów przemnażanych przez współczynniki absorpcji, następnie w zależności od jego wartości, w różny sposób obliczana jest absorpcja i transmitancja. Dla każdego zbiorowiska przeliczono dane z pomiarów na dane wejściowe we właściwych jednostkach. Zawartości chlorofilu z wartości CCI zostały przeliczone według wzoru, który był ustalony empirycznie w badaniach dla tego instrumentu. Zależność ustalono na podstawie ponad 200 losowo wybranych punktów. Mierzono zawartość chlorofilu instrumentem, a następnie dla tej same rośliny badano zawartość chlorofilu w μg. Następnie zawartość chlorofilu dla każdego poligonu została podzielona przez powierzchnię liści w cm 2, które były uzyskane z pomiarów LAI. Zawartość karotenoidów przeliczono na podstawie zależności karotenoidów w stosunku do chlorofilu dla zdrowych roślin dla tego terenu. Przeliczono je na podstawie wzoru: Car=Cab/5. Karotenoidy używane są w modelowaniu jedynie zakresu od 400 do 600nm, a ich wpływ jest niewielki w porównaniu z wpływem chlorofilu. Zawartość wody podawana w cm, jako frakcja całkowitej zawartości wody w roślinie (Equiwalent Water Thickness), czyli miara grubości wody, jaka byłaby wymagana do naśladowania elementów absorbujących wodę mierzonych w zakresie 580-1100nm. Określana jest na podstawie ilości wody w roślinie w cm 3 w stosunku do powierzchni liści w m 2 (Yilmaz i in., 2008). Zawartość obliczono na podstawie różnicy wagi między biomasą świeżą a suchą. Ilość wody zważoną w pomiarach przeliczono na zawartość w procentach i zawartość wody na 1cm 3, a następnie na cm, dzieląc przez powierzchnię liści w cm 2. Zawartość masy suchej w g/cm 2 wyznaczono z ilości masy suchej modyfikując jednostki. Ostatnią daną wejściową jest parametr strukturalny N. Jego zakres dla waha się od 1 do prawie 6, ale na ogół zamyka się w przedziale od 1 do 4. Dla zwartych pokryw jednoliściennych parametr waha się od 1 do 1,5, dla dwuliściennych 1,5 do 2,5, natomiast wartości powyżej 2,5 przyjmują rośliny z dużą liczbą liści o niezorganizowanej strukturze wewnętrznej (Jacquemoud, Baret, 1990). Parametr można obliczyć z Specific Leaf Area, czyli powierzchni liści na jednostkę masy suchej materii mierzonej w cm 2 na gram. Autorzy modelu podają następujący wzór: Kolejny wzór na obliczenie N z SLA zaproponowali Veroustraele i Gond (Ceccato i in., 2001): Oba wzory nie zawsze dają możliwość prawidłowego określenia parametru. Dla niewielkich wartości SLA równanie nie może być zastosowane. Dlatego często ten parametr strukturalny wyznacza się empirycznie (Ceccato i in., 2001). W badaniach wykorzystano obydwa wzory. Parametr SLA został wyliczony z danych o powierzchni projekcyjnej liści, gdzie LAI jest mierzony na 1 metr kwadratowy, a masa sucha została pobrana z powierzchni ¼ metra kwadratowego. Po obliczeniu parametru SLA został obliczony N za pomocą dwóch wzorów. Dla obu sposobów obliczania, dane wahały się od 0,9 do 1, co oznacza, że żaden ze wzorów nie może być zastosowany. Błędne wyliczenie parametru najprawdopodobniej wynika z heterogeniczności zbiorowisk. Parametr strukturalny został dopasowany empirycznie osobno dla każdego poligonu. Dla wszystkich pomiarów wahał się on od 1 do 2,3. Program PROSPECT uzupełniono i na podstawie wczytanych danych, utworzono krzywe odbicia spektralnego. Konieczne były wielokrotne próby dopasowania parametru N, aby krzywe były jak najbardziej zbliżone do rzeczywistych. Analiza danych Poddano weryfikacji krzywe na podstawie porównania z oryginałem. Zestawiono całe krzywe oraz wycinki w zależności od zakresu promieniowania. Został obliczony pierwiastek z średniego błędu kwadratowego (Root Mean Square Error RMSE). Policzony został dla wszystkich krzywych odbicia spektralnego w zakresie od 400 do 2500 nm. Ponadto, wydzielono cztery przedziały widma, dla których wyliczono RMSE. Zakres widzialny podzielono na dwie części: 400-600 nm oraz 400-800 nm. Jest to związane z zakresami wartości absorpcji poszczególnych substancji. Na wartość współczynnika odbicia w zakresie między 400 a 600mn mają wpływ wszystkie parametry: karotenoidy, chlorofil, zawartość wody, ilość materii suchej oraz parametr strukturalny N. Ponadto policzono wartości błędu RMSE dla zakresów: 800-1500 nm oraz 1500-2500 nm. Podzielono także łąki na skoszone i nieskoszone, a następnie obliczono wartości RMSE dla tych grup.

34 Ze względu na błędy w kalibracji w czasie pomiarów terenowych wartości współczynnika odbicia były zaburzone w zakresie od 1350 do 1400 nm, około 1810 do 1945 nm oraz powyżej 2450 nm. Do obliczenia RMSE dla każdej krzywej wycięto fragment o niewłaściwych wartościach dla krzywej z terenu i modelowanej przez PROSPECT. W analizie roślinności szerokie zastosowanie mają wskaźniki, które pozwalają na szczegółową analizę. Jest to szczególnie precyzyjna metoda badawcza przy użyciu danych hiperspektralnych. Teledetekcyjne wskaźniki roślinności to miary bazujące na krzywych odbicia spektralnego roślinności służące do badania szaty roślinnej (Jensen, 1983). Łączą dane teledetekcyjne z biofizycznymi charakterystykami powierzchni roślin. Teledetekcyjne wskaźniki roślinności są powszechnie wykorzystywane w prognozowaniu plonów, analizie produkcji biomasy, kondycji roślinności i identyfikacji poszczególnych gatunków. Końcowym etapem analizy charakterystyk spektralnych było policzenie teledetekcyjnych wskaźników roślinności na krzywych pobranych z terenu i modelowanych za pomocą PROSPECT. Dla wszystkich wskaźników porównano wartości dla dwóch rodzajów krzywych. Obliczono następujące wskaźniki w przewadze dedykowane do danych hiperspektralnych: Normalized Difference Vegetation Index bazując na maksymalnym odbiciu w bliskiej podczerwieni i maksymalnej absorpcji w paśmie czerwonym. Określa pokrycie terenu przez roślinność i jej kondycję (Rouse i in., 1973). We wzorze wykorzystano wartości maksymalnego odbicia w bliskiej podczerwieni i minimalnego w paśmie czerwonym Anna Jarocińska Normalized Difference Lignin Index przeznaczony do oszacowania zawartości ligniny suchej materii w roślinach (Serrano i in., 2002). Stosuje się go do analizy ekosystemów i badania ilości zeschniętych części roślin, zagrożenia pożarowego. Cellulose Absorption Index określa, ile jest materii suchej reprezentowanej w przewadze przez celulozę (Nagler i in., 2003). Używany do badania produktywności roślin, szacowania ich suchych części i biomasy. Carotenoid Reflectance Index określa zawartość karotenoidów w pokrywie roślinności (Gitelson i in., 2002) Water Band Index mierzący zawartość wody w pokrywie roślinności (Peñuelas i in., 1997). Wskaźnik wykorzystywany w analizie stresu wodnego roślin, w przewidywaniu produktywności roślin, modelowaniu, analizie zagrożenia pożarowego i rolnictwie Moisture Stress Index określa zmiany zawartości wody w roślinach (Rock i in., 1985). Wykorzystywany do badania stresu wodnego roślin. Red Edge Normalized Difference Vegetation Index służy do badania nawet niewielkich zmian roślinności dzięki wykorzystaniu wartości odbicia z pasma Red Edge (Gitelson i Merzlyak, 1994). Spełnia po dobne funkcje jak NDVI. Wartości wskaźników mówią o kondycji roślinności oraz ilości biomasy. Ich wykorzystanie pozwala na oszacowanie tego typu danych. Dlatego istotne jest sprawdzenie, czy dane modelowane mogą służyć do obliczania wskaźników, oraz zweryfikowanie ich wartości. Wyniki Photochemical Reflectance Index jest wrażliwy na zmiany zawartości karotenoidów, dlatego jest używany do badania światła wykorzystywanego do procesu fotosyntezy (Gamon i in., 1992) Normalized Difference Nitrogen Index jest używany do badania względnej zawartości azotu w roślinach (Serrano i in., 2002). Stosowany w rolnictwie, analizach ekosystemów i zarządzaniu lasami. Wykorzystuje zakresy, w których azot absorbuje promieniowanie. Porównując wartości zmiennych biofizycznych z dwóch regionów większość modelowanych krzywych odbicia spektralnego daje bardzo dobre wyniki. Średni błąd RMSE dla wszystkich krzywych wyniósł 0,0346. Oznacza to, ze krzywe są dobrze dopasowane, a model PROSPECT może służyć do modelowania tego typu zbiorowisk na poziomie pojedynczych liści. Średnio największy błąd został zanotowany w zakresie od 800 do 1500 nm, a najmniejszy dla zakresu od 1500 do 2500 nm (ryc. 2). Na rycinie 3 zamieszczony jest rozkład wartości RMSE dla poszczególnych poligonów. Najmniejszy błąd równa się 0,0219 i został obliczony dla poligonu P1.2 łąka nieskoszona o LAI równym 3,13 (Ryc. 4a), tylko nieco większą wartość (0,0234) zanotowano dla

Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych... 35 Ryc. 2. Średnia wartość RMSE dla zakresów 400-2500, 400-600, 400-800, 800-1500 i 1500-2500 nm Fig. 2. The average RMSE value for ranges: 400-2500, 400-600, 400-800, 800-1500 i 1500-2500 nm Ryc. 3. Wartość RMSE dla 400-2500nm Fig. 3. The RMSE value for all modelled spectrum 400-2500 nm poligonu T6 łąki podsiewanej (Ryc. 4b). Najwyższą wartość (0,0586) zanotowano dla poligonu T9 łąki odrastającej o niskich wartościach LAI 1,43 (Ryc. 4d), a nieco mniejszą (0,0461) dla łąki skoszonej odrośniętej T1 (Ryc. 4c). Przy analizie wartości odbicia widoczne jest gorsze dopasowanie krzywych w rejonie bliskiej podczerwieni. W przypadku części poligonów istotne są także różnice w odbiciu 400-500nm, gdzie bardzo duże znaczenie ma zawartość karotenoidów. Poza tymi zakresami nie można stwierdzić, że jakiś zakres jest źle modelowany. Dobrze modelowana jest część światła widzialnego: 500-700nm, gdzie dominuje zawartość chlorofilu, a także średnia podczerwień z dominującym wpływem zawartości wody w liściach. Krzywe dla regionu Taborówka mają nieco większe wartości RMSE. Różnice w dokładności dopasowania występują także w poszczególnych zakresach promieniowania elektromagnetycznego. Najpierw przeanalizowano zakres od 400 do 600 nm, gdzie na wartość odbicia mają wpływ wszystkie parametry wejściowe. Średni błąd RMSE dla wszystkich poligonów wyniósł 0,0224. Wartość RMSE Ryc. 4. Krzywe odbicia spektralnego modelowane i pobrane w czasie pomiarów terenowych. Najlepiej dopasowane spektra to a poligon P1.2 i b T6, najgorzej c T9 i d T1. Fig. 4. Spectrum modelled using PROSPECT and measured during field measurements: the best fitted (a polygon P1.2 and b T6) and the worst (c T9 and d T1)

36 była największa dla poligonu T1 0,0158, natomiast największa dla poligonu T6 0,0335 (Ryc. 5). Anna Jarocińska łąka podsiewana o dużej ilości biomasy do 0,0921 dla poligonu T9 łąka odrastająca z mniejszą ilością masy suchej (Ryc. 7). Także dla pozostałych poligonów, gdzie występuje łąka skoszona, wartości RMSE są większe od pozostałych. Można stwierdzić, że w przypadku mniejszej ilości biomasy (np. w wyniku jej skoszenia) modelowanie wartości współczynnika odbicia jest mniej dokładne. Na skuteczność dopasowania krzywych wpływa także nieuwzględnienie wartości powierzchni projekcyjnej liści, która ma duże znacznie w przypadku modelowania tego zakresu promieniowania. Taki parametr jest jedynie związany z masą suchą i nie jest uwzględniany w modelu PROSPECT na poziomie pojedynczego liścia, jednak ma wpływ na modelowanie krzywej. Ryc. 5. Wartości błędu RMSE dla zakresu 400-600nm Fig. 5. The RMSE value for 400-600nm Kolejny wydzielony przedział 400-800nm obejmuje zakres światła widzialnego i fragment bliskiej podczerwieni tzw Red Edge. W tym zakresie dominuje wpływ chlorofilu na wartość odbicia. Mniejszy wpływ na odbicie mają woda i zawartość masy suchej. W tym zakresie RMSE dla wszystkich poligonów średnio równał się 0,0303. Wartości RMSE dla poszczególnych poligonów (Ryc. 6) nie wykazują znaczących odchyleń od średniej. Minimalna wartość wynosi 0,2006 (dla P1.2), a maksymalna 0,0463 (dla T9). Pomimo mniejszej zawartości chlorofilu na terenie poligonu Taborówka, nie zanotowano różnic w skuteczności modelowania w zależności od regionu. Wynika z tego, że krzywe są dobrze dopasowane niezależnie od ilości chlorofilu. Ryc. 6 Wartości błędu RMSE dla zakresu 400-800nm Fig. 6. The RMSE value for 400-800 nm Największy średni błąd RMSE (0,0463) zanotowano dla zakresu bliskiej podczerwieni 800-1500nm. W tym zakresie na wartość odbicia, poza parametrem strukturalnym, wpływa zawartość wody i masa sucha, z czego dominujący wpływ ma druga zmienna. W tym zakresie wartość RMSE wahała się od 0,0093 dla poligonu T6 Ryc. 7. Wartości błędu RMSE dla zakresu 800-1500nm Fig. 7. The RMSE value for 800-1500nm Na odbicie w zakresie średniej podczerwieni (1500-2500nm) największy wpływ, poza parametrem strukturalnym, ma zawartość wody w roślinach, natomiast nieco mniejszy zawartość materii suchej. W tym zakresie występują kanały absorpcji wody, które mają znaczący wpływ na wartości krzywej odbicia spektralnego. Średnia wartość RMSE dla tego zakresu była najmniejsza w porównaniu z pozostałymi i wyniosła 0,0193. W tym przypadku najmniejsze wartości RMSE 0,0137 zanotowano dla poligonu P2.1 (łąka nieskoszona, jednorodna), natomiast największe 0,02717 dla poligonu T6, czyli łąki podsiewanej nieskoszonej, niejednorodnej (Ryc. 8). Może być to związane z większym zróżnicowaniem poligonu T6. Zbiorowiska podzielono na dwie kategorie roślinności: łąkę skoszoną i nieskoszoną. Wartości RMSE dla dwóch zbiorowisk różnią się od siebie: dla łąki nieskoszonej średni błąd dla zakresu 400-2500 nm wyniósł 0,0252, natomiast dla skoszonej 0,0471. Na rycinie 9 zamieszczono wartość RMSE dla całego zakresu oraz porównanie dla poszczególnych jego fragmentów. Znaczące różnice w dopasowaniu występują dla podczerwieni od 800 do 1500 nm, gdzie RMSE dla łąk skoszonych wyniósł 0,0735, a dla nieskoszonych 0,0259. Błąd dla łąk skoszonych jest znacznie większy, co oznacza, że w przypadku skoszenia występuje błąd dla zakresu, gdzie wartość suchej biomasy ma największy wpływ na wielkość odbicia.

Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych... 37 Ryc. 8. Wartości błędu RMSE dla zakresu 1500-2500nm Fig. 8. The RMSE value for 1500-2500nm Ryc. 10. Wartość Normalized Difference Vegetation Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 10. Value of Normalized Difference Vegetation Index calculated from measured and modelled spectrum Ryc. 9. Wartości błędu RMSE w zależności od rodzaju łąki Fig. 9. The RMSE value for two kinds of meadows: moved and not mowed Także w zakresie widzialnym (400-800nm) większy błąd zanotowano dla łąk skoszonych. Następnie przeanalizowano wartości teledetekcyjnych wskaźników roślinności obliczonych z dwóch rodzajów krzywych odbicia spektralnego. Wartości wskaźnika NDVI są zbliżone dla obu rodzajów krzywych (Ryc. 10). Największe różnice nie przekraczają 0,07 dla wszystkich poligonów, co oznacza niewielkie wahanie nie wpływające na interpretację wartości wskaźnika. Sam wskaźnik przyjmuje wartości między -1 a 1 (Rouse i in., 1973). Wskaźnik z krzywych modelowanych jest nieco zaniżony dla poligonów dolinnych. W przypadku Taborówki wahania są nieznaczne. Wskaźnik NDVI705 wykazuje większe różnice (Ryc. 11). Dla większości poligonów, z wyjątkiem P1.2 i P2.3, wartości wskaźnika na podstawie modelowanych krzywych są zaniżone w stosunku do realnych wartości. Największa różnica wyniosła 0,11 dla poligonu T9 oraz 0,09 dla T1, natomiast zakres wartości dla tego wskaźnika dla roślin zielonych to 0,2 do 0,9 (Gitelson Ryc. 11. Wartość Red Edge Normalized Difference Vegetation Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 11. Value of Red Edge Normalized Difference Vegetation Index calculated from measured and modelled spectrum i Merzlyak, 1994). Oba poligony T1 i T9 zaliczają się do kategorii łąk skoszonych, a poligon T1 ma niską wartość LAI. Różnice tej wielkości w wartościach wskaźników mogą wpływać na błędne wnioskowanie np. o kondycji roślinności. Bardziej zróżnicowane były wartości wskaźnika Photochemical Refletance Index (Ryc. 12). Wartości oscylowały wokół 0. Dla dwóch poligonów T2 i P2.1 wartości miały ten sam znak. W przypadku poligonu T6 różnica między wartością modelowaną z zmierzoną wyniosła 0,17, nieco mniejsza wystąpiła dla poligonu P2.3 (0,12). Wskaźnik osiąga wartości między -1 a 1, a dla roślin zielonych typowe to od -0,2 do 0,2 (Gamon i in., 1992). Różnice między wartościami modelowanymi a realnymi są istotne i nie wykazują prawidłowości.

38 Anna Jarocińska a 0,05 (Serrano i in., 2002). Dla dwóch poligonów (łąk skoszonych T1 i T9) wartość modelowana była mniejsza niż realna, dla pozostałych wartość była zawyżona. Można stwierdzić, że dla większości poligonów wartości są dostatecznie zbliżone, żeby można je było uznać za wiarygodne, jednak różnice w wartościach mogą wpłynąć na niedoszacowanie lub przeszacowanie ilości biomasy. Ryc. 12. Wartość Photochemical Reflectance Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 12. Value of Photochemical Reflectance Index calculated from measured and modelled spectrum Modelowany wskaźnik Normalized Difference Nitrogen Index osiągał wartości na ogół dość zbliżone do realnych (Ryc. 13). Wskaźnik osiąga wartości od 0 do 1 (Serrano i in., 2002), natomiast największa różnica na badanych poligonach wyniosła 0,077 dla łąki T9, która ma niską wartość LAI i została skoszona. Dla znacznej większości punktów wartości są do siebie dostatecznie zbliżone. Na ogół wartości zmierzone w terenie są wyższe niż modelowane. Ryc. 14. Wartość Normalized Difference Lignin Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 14. Value of Normalized Difference Lignin Index calculated from measured and modelled spectrum Zakres wskaźnik Cellulose Absorpion Index wynosi na ogół od -3 do 4, natomiast dla roślinności zielonej od -2 do 4 (Nagler i in., 2003). Wartości tego wskaźnika zmierzone w terenie wahają się od -0,018 do -0,006, natomiast modelowane od -0,019 do -0,002, co oznacza, że wartości wskaźnika w odniesieniu do jego zakresu są bardzo niewielkie (Ryc. 15). Najbardziej znacząca różnica 0,008 została zanotowana dla poligonu łąki skoszonej P2.2. Ryc.13. Wartość Normalized Difference Nitrogen Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 13. Value of Normalized Difference Nitrogen Index calculated from measured and modelled spectrum Wartości wskaźnika Normalized Differnce Lignin Index w większości przypadków były zbliżone dla obu sposobów obliczania (Ryc. 14). Zakres wahania wskaźnika nie przekroczył 0,02 (dla poligonu P1.2), podczas gdy wartości wskaźnika mają zakres od 0 do 1, natomiast dla zielonej roślinności na ogół wynoszą między 0,005 Ryc. 15. Wartość Cellulose Absorption Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 15. Value of Cellulose Absorption Index calculated from measured and modelled spectrum

Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych... 39 Zdecydowanie większe różnice w skuteczności modelowania są widoczne na podstawie wskaźnika Carotenoid Reflectance Index (Ryc. 16). Zakres jego wahań może wynosić od 0 do 15 (Gitelson i in., 2002). Dla poligonów położonych w dolinie wartości zmierzone w terenie znacznie przekraczają obliczone z modelowanych krzywych wartości. Dla Taborówki wartości modelowanie i zmierzone są dość zbliżone dla trzech poligonów, z wyjątkiem T6. Ponadto, w przypadku poligonów dolinnych wartości modelowane są zawyżone i nie mieszczą się w zakresie dla tego wskaźnika. Takie wyniki mogą wskazywać na błędy w wartościach odbicia w poszczególnych kanałach krzywych pobieranych w terenie. Ryc. 17. Wartość Water Band Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 17. Value of Water Band Index calculated from measured and modelled spectrum Ryc. 16. Wartość Carotenoid Reflectance Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 16. Value of Carotenoid Reflectance Index calculated from measured and modelled spectrum Wskaźnik Water Band Index ma zakres od 0,8 do 1,2 dla zielonych roślin (Peñuelas i in., 1997). Wartości zmierzone i modelowana oscylują wokół wartości 1 (Ryc. 17). Największa różnica między wskaźnikiem modelowanym a obliczonym z pomiarów terenowych wyniosła 0,042 dla poligonu P1.2. Różnice te są niewielkie. Na ogół wartości modelowane są nieco niższe niż rzeczywiste. Wartości wskaźnika Moisture Stress Index są nieco mniej spójne niż w przypadku poprzedniego wskaźnika analizującego zawartość wody (Ryc. 18). Zakres wartości wskaźnika to od 0 do 3, z czego dla zielonej roślinności najczęściej wynoszą od 0,4 do 2 (Rock i in., 1985). Wartości modelowane wahają się od 0,32 do 0,69, a zmierzone od 0,28 do 0,61. Wartości dla obu grup są do siebie dość zbliżone, największą różnicę 0,149 zanotowano dla poligonu T9. Na ogół wartości modelowane są zawyżone w stosunku do zmierzonych w terenie. Dla większości wskaźników wartości modelowane były zbliżone do zmierzonych w terenie. Najbardziej wiarygodne były wskaźniki NDVI, NDVI705 oraz WBI, czyli wskaźniki określające kondycję roślinności oraz zawartość wody. Najbardziej rozbieżne wartości osiągały Ryc. 18. Wartość Moisture Stress Index policzona z krzywych modelowanych i zmierzonych w terenie Fig. 18. Value of Moisture Stress Index calculated from measured and modelled spectrum wskaźniki CRI oraz PRI. Oba wskaźniki wykorzystują pasmo absorpcji karotenoidów, czyli pasmo niebieskie, dla którego były duże różnice w wielkości współczynnika odbicia między krzywą modelowaną a zmierzoną w terenie. Ponadto często większe rozbieżności w wielkości wskaźników wykazują poligony, gdzie roślinność została skoszona. Wnioski Na podstawie przeprowadzonych badań stwierdzono, że możliwe jest zastosowanie modelu PROSPECT do modelowania niejednorodnych użytków zielonych ekstensywnie użytkowanych rolniczo. Zbiorowiska

40 Anna Jarocińska niejednorodne są zróżnicowane pod względem fitosocjologicznym, morfologicznym oraz biochemicznym, dlatego ich modelowanie oraz uogólnianie jest znacznie utrudnione. Na podstawie poszczególnych wartości błędów RMSE można stwierdzić, że uzyskano dostatecznie dobre rezultaty symulacji danych hiperspektralnych przy zastosowaniu odpowiednich parametrów. Ze względu na zastosowanie krzywych odbicia spektralnego do badania roślin, nawet najmniejsze różnice w odbiciu powodują zmianę wskaźników, dlatego błąd RMSE nie może być pominięty. Ze względu na niejednorodny charakter zbiorowisk trawiastych wysoki poziom zgodności jest bardzo trudny do uzyskania. Stwierdzono, że osiągnięty stopień dopasowania jest wystarczający na podstawie obliczonego błędu RMSE oraz wartości większości wskaźników. Dane wejściowe były wielokrotnie przeliczane i dostosowywane oddzielnie dla każdej krzywej. Taka procedura nie może być stosowana przy większej ilości krzywych odbicia spektralnego ze względu na dużą czasochłonność. Jednocześnie model PROSPECT nie może być samodzielnie zastosowany do modelowania pokrywy roślinności. Bazując na informacjach o zakresach absorpcji światła przez poszczególne substancje oraz na procedurze modelowania można stwierdzić, jakie substancje mają dominujący wpływ na odbicie dla łąk w różnych zakresach spektrum. W przypadku chlorofilu ma on wpływ na odbicie wyłącznie w świetle widzialnym i początku bliskiej podczerwieni (tzw. Red Edge) 400-800nm. Karotenoidy mają wpływ na odbicie w świetle widzialnym: zakresie niebieskim i mniejszy w zielonym (400-600nm). Wpływ tych dwóch substancji jest od siebie zależny, natomiast na podstawie modelowania można stwierdzić, że zdecydowanie większy jest wpływ chlorofilu. Woda oraz zawartość masy suchej mają wpływ w bliskiej i średniej podczerwieni. Zaznacza się dominujący wpływ masy suchej w bliskiej podczerwieni i duży wpływ wody w średniej podczerwieni. Pomiary wartości chlorofilu były wykonywane przy pomocy urządzenia CCM-200, a nie techniką laboratoryjną. Mimo to stopień dopasowania krzywych jest dostatecznie dobry. Karotenoidy nie mają dużego wpływu na całość krzywej, jednak mają znaczenie w przypadku obliczania niektórych wskaźników, dlatego błąd w modelowaniu nie może być pominięty. Dobrze dopasowane są zakres światła widzialnego i podczerwieni od 1500 do 2500 nm. Najbardziej problemowym zakresem promieniowania jest bliska podczerwień do 800 do 1500 nm, gdzie dominuje wpływ zawartości masy suchej. W tym zakresie zanotowano największy błąd RMSE. Na skuteczność dopasowania krzywych wpływa także nieuwzględnienie w modelu PROSPECT wartości powierzchni projekcyjnej liści. Mimo związku z masą suchą, nieuwzględnienie parametru ma wpływ na modelowanie krzywej. Jest to widoczne w przypadku analizowanych krzywych, szczególnie dla łąk skoszonych o zredukowanej biomasie. Duży wpływ na skuteczność modelowania ma zawartość wody w liściach. Mimo dobrego dopasowania krzywych zanotowano, że wraz ze wzrostem jej zawartości w liściach wzrasta błąd RMSE. Podobne analizy związku między wielkością odbicia a substancją były przeprowadzane przy użyciu modelu PROSPECT na badaniach liści drzew uzyskując zbliżone wyniki (Ceccato i in., 2001). Analizując pomiary przestrzennie, nieco większe błędy w modelowaniu występują dla poligonów na terenie wzniesienia Taborówka, które charakteryzowały się nieco mniejszą zawartością chlorofilu i mniejszą zawartością wody. Gorsze dopasowanie może być związane z błędami pomiaru. Im mniejsza wartość parametru biofizycznego, tym trudniejsze dokładne określenie jego wartości. Typ pokrycia terenu, czyli usunięcie biomasy przez skoszenie ma znaczenie w przypadku modelowania odbicia w zakresie od 800 do 1500 nm, czyli tam, gdzie największe znaczenie ma ilość masy suchej. Przy usunięciu biomasy modelowanie staje się mniej skuteczne. Na podstawie wartości wskaźników nie można stwierdzić, że charakterystyki spektralne jakiegoś poligonu są źle dopasowane. Nie można także stwierdzić jednoznacznie, że wartości wskaźników są zaniżane lub zawyżane. Dla większości wskaźników wartości były bardzo zbliżone: najbardziej zbliżone były wartości wskaźników NDVI, natomiast największe błędy zanotowano dla wskaźników Carotenoid Reflectance Index i Photochemical Reflectance Index. Często nieco większe różnice między wartościami wskaźników modelowanych i zmierzonych w terenie występowały w przypadku łąk o skoszonej roślinności. Bardziej różnią się wskaźniki, które wykorzystują pasmo niebieskie, gdzie dominuje wpływ karotenoidów. Teledetekcyjne wskaźniki roślinności na ogół wykorzystują pasmo widzialne, bliską podczerwień ze szczególnym uwzględnieniem tzw. Red Edge i okolic 1500nm oraz pojedyncze kanały z zakresu średniej podczerwieni. Większość tych zakresów jest dobrze modelowana, właśnie ze względu na użycie modelu, który uwzględnia najważniejsze parametry opisujące roślinność. Na podstawie analizowanych wskaźników można stwierdzić, że większość z nich jest dostatecznie zbliżona do wartości obliczonych ze zmierzonych krzywych. Krzywe obliczane przy użyciu modelu PROSPECT mogą być stosowane do badań przy wykorzystaniu teledetekcyjnych wskaźników roślinności. Modelowanie krzywych spektralnych wymaga pobrania danych w optymalnych warunkach, a także w tym samym czasie. Ważne jest także odpowiednie przygotowanie próbek masy świeżej a następnie suchej do pomiaru. Dla większość krzywych można stwierdzić, że wartości odbicia są zbliżone do rzeczywistych (średni błąd RMSE wyniósł 0,035). Krzywe mogą być używane do dalszych przekształceń. Wadą stosowania modelu PROSPECT jest modelowanie wyłącznie na poziomie liścia, a nie całej pokrywy roślinności, dlatego także sam model PROSPECT jest rzadko wykorzystywany. Najczęściej jest łączony z modelem SAIL lub jego modyfikacjami, które uwzględnia-

Modelowanie charakterystyk spektralnych heterogenicznych zbiorowisk trawiastych... 41 ją budowę baldachimu roślinności. W takim połączeniu modele mogą być używane zarówno do badań terenowych jak i danych lotniczych. Konieczne jest pobranie dodatkowych danych, które pozwalają na uogólnienie i modelowanie krzywych dla całej pokrywy roślinnej, nie jedynie pojedynczych liści. Literatura: Blackburn G. A., Ferwerda J. G., 2008, Retrieval of chlorophyll concentration from leaf reflectance spectra using wavelet analysis, Remote Sensing of Environment, nr 112, str. 1614-1632 Ceccato P., Flasse S., Tarantola S., Jacquemoud S., Grégorie J-M., 2001, Detecing vegetation leaf water content using reflectance on the optical domain, Remote Sensing of Environment, nr 77, str. 22-33. Dąbrowska-Zielińska K., Budzyńska M., Lewiński S., Hościło A., Bojanowski J., 2009, Application of remote and in situ information to the management of wetlands in Poland. Journal of Environmental Management, nr 90, str. 2261 2269 Darvishadeh R., Skidmore A., Schlerf M., Atzberger C., 2008, Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in heterogeneous grassland, Remote Sensing of Environment, nr 112, str. 2592-2604 Duke C., Guérif M., 1998, Crop Reflectance Estimate Errors from the SAIL Model Due to Spatial and Temporal Variability of Canopy and Soil Characteristics, Remote Sensing of Environment, nr 66, str. 286-297 Feret J., Frençois C., Asner G. P., Gitelson A. A., Martin R. E., Bidel L. P. R., Ustin S., le Maire G., Jacquemoud S., 2008, PROSPECT-4 and 5: Advances in the leaf optical properties model separating photosynthetic pigments, Remote Sensing of Environment, nr 112, str. 3030-3043 Gamon J. A., Peñuelas J., Field C. B., 1992, A narrow-waveband spectral index that tracks diurnal changes in photosynthetic efficiency, Remote Sensing of Environment, nr 41, str. 35 44 Gitelson A. A., Zur Y., Chivkunova O. B., Merzlyak M. N., 2002, Assessing carotenoid content in plant leaves with reflectance spectroscopy, Photochemistry and Photobiology, nr 75, str. 272 281 Gitelson A., Merzlyak M. N., 1994, Spectral reflectance changes associated with autumn senescence of Aesculus hippocastanum L. and Acer platanoides L. leaves. Spectral features and relation to chlorophyll estimation, Journal of Plant Physiology, nr 143, str. 286 292 Haboudane D., Miller J. R., Tremblay N., Zarco-Tejada P., Dextraze L., 2002, Integrated narrow-band vegetation indices for prediction of crop chlorophyll content for application to precision agriculture, Remote Sensing of Environment, nr 81, str. 416-426 Jacquemoud S., Bacour C., Poilvé H., Frangi J. P., 2000, Comparison of Four Radiative Transfer Models to Simulate Plant Canopies Reflectance: Direct and Inverse Mode, Remote Sensing of Environment, nr 74, str. 471-481 Jacquemoud S., Baret F., 1990, PROSPECT: A Model of Leaf Optical properties Spectra, Remote Sensing of Environment, nr 34, str. 75-91 Jacquemoud S., Ustin S. L., Verdebout J., Schmuck G., Anderoli G., Hosgood B., 1996, Estimating Leaf Biochemistry Using the PROSPECT Leaf Optical Properties Model, Remote Sensing of Environment, nr 56, str. 194-202 Jacquemoud S., Verhoef W., Baret F., Bacour C., Zarco-Tejada P., Asner G., Frençois C., Ustin S., 2009, PROSPEC + SAIL models: A review of use for vegetation characterization, Remote Sensing of Environment, nr 113, str. 556-566 Jarocińska A., Zagajewski B., 2009, Remote sensing tools for analysis of vegetation condition in extensively used agricultural areas. W: Ben-Dor E. [red.] Proceedings of the 6th EARSeL Imaging Spectroscopy SIG Workshop Imaging Spectroscopy: Innovative Tool for Scientific and Commercial Environmental Applications, ISPRS technical commission VII. Tel Aviv, Israel, March 16-18, 2009. Tel Aviv, str. 1-6 Jensen J. R., 1983, Biophysical Remote sensing Review Article, Annals of the Associations of American Geographers, t. 73, nr 1, 111-132 Koetz B., Sun G., Morsdorf F., Ranon K. J., Kneubühler M., Itten K., Allgöwer B., 2007, Fusion of imaging spectrometer and LIDAR data over radiative transfer models for forest canopy characterization, Remote Sensing of Environment, nr 106, str. 449-459 Kumar L., Schmidt K., Dury S., Skidmore A., 2006, Imaging spectrometry and vegetation science, W: van der Meer F. D., de Jong S. M. [red.], Imaging Spectrometry. Basic principles and Prospective Applications, wyd. Springer, Holandia, str. 111-155 Nagler P. L., Inoueb Y., Glenn E. P., Russ A. L., Daughtry C.S.T., 2003, Cellulose absorption index (CAI) to quantify mixed soil plant litter scenes, Remote Sensing of Environment, nr 87, str. 10 325 Peñuelas J., Pinol J., Ogaya R., Filella I., 1997, Estimation of plant water concentration by the reflectance water index WI (R900/R970), International Journal of Remote Sensing, nr 18, str. 2863 2868 Rock B. N., Williams D. L., Vogehnann J. E., 1985, Field and airborne spectral characterization of suspected acid deposition damage in red spruce (Picea rubens) from Vermont. Machine Processing of Remotely Sensed Data Symposium, Purdue University, Lafayette, IN, str. 71-81 Rouse, J.W., Jr., R.H. Haas, J.A. Schell, and D.W. Deering, 1973, Monitoring the vernal advancement and retrogradation (green wave effect) of natural vegetation, Prog. Rep. RSC 1978-1, Remote Sensing Center, Texas A&M Univ., College Station, nr. E73-106393, 93. (NTIS No. E73-106393 Serrano L., Peñuelas J., Ustin S. L., 2002, Remote sensing of nitrogen and lignin in Mediterranean vegetation from AVIRIS data: Decomposing biochemical from structural signals, Remote Sensing of Environment, nr 81, str. 355 364 Tretyn A., 2007, Podstawy strukturalno-funkcjonalne komórki roślinnej; W: Kopcewicz J., Lewak S., [red.], Fizjologia roślin, Wydawnictwo Naukowe PWN, Warszawa, str. 22-87 Verhoef W., Bach H., 2003a, Simulation of hyperspectral and directional radiance images using coupled biophysical and atmospheric radiative transfer models, Remote Sensing of Environment, nr 87, str. 23-41 Verhoef W., Bach H., 2003b, Remote sensing data assimilation using coupled radiative transfer models, Physics and Chemistry of the Earth, nr 28, str. 3 13 Yilmaz M. T., Hunt Jr R., Jackson T. J., 2008, Remote sensing of vegetation water content from equivalent water thickness using satellite imagery, Remote Sensing of Environment, nr 112, str. 2514 2522 Zarco-Tejada P. J., Rueda C. A., Ustin S. L., 2003, Water content estimation in vegetation with MODIS reflectance data and model inversion methods, Remote Sensing of Environment, nr 85, str. 109-124.

42 Anna Jarocińska Mgr Anna Jarocińska absolwentka studiów magisterskich na Wydziale Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego, w Katedrze Geoinformatyki i Teledetekcji. Obecnie uczestniczka Studium Doktoranckiego w macierzystej jednostce. Adres do korespondencji: ajarocin@gmail.com; telefon: 606491444; fax: + 48 22 5521521

46 WARSZAWA 2011 Zmiana użytkowania ziemi dla Stacji Bazowej Wigry Changes in land use of the Base Station Wigry Małgorzata MYCKE-DOMINKO, Marta TOBIASZ Słowa kluczowe: Stacja Bazowa Wigry, Czarna Hańcza, zlewnia, użytkowanie ziemi, Sobolewo, zdjęcia lotnicze, ortofotomapa Key wards: Base Stadion Wigry, Czarna Hańcza river, land use, Sobolewo, aerial photos, ortophotomap Otrzymano: 15 stycznia 2011; Zaakceptowano: 10 maja 2011 Received: 15 January 2011 Accepted: 10 May 2011 Study concerns changes in land-use base station Wigry that took place in the years 1969-2002. Achieve this land use maps were used in the program drawn up QuantumGis 1.4.0 Enceladus. Map for 1969 is based on the interpretation of a series of aerial photographs. For 2002, used land-use map made on the basis of orthophotos. In order to determine the size and nature of changes that have occurred over the years in the study area map drawn differential. The station covers a part of the Czarna Hańcza basin Hańcza between the village Sobolewo and its outlet to Lake Wigry. The analysis showed that between 1969-2002 there was a significant increase in forest area at the expense of grassland. Changes in the surface of the other classes of land use are much smaller. Wstęp Celem opracowania jest analiza zmian użytkowania ziemi dla Stacji Bazowej Wigry w latach 1969-2002. Użytkowanie ziemi jest to wykorzystywanie terenu przez człowieka dla potrzeb gospodarczych. Wyróżnia się użytki rolne, łąki i pastwiska, użytki leśne, nieużytki i inne grunty. Do tej ostatniej kategorii zalicza się tereny osiedlowe, przemysłowe, komunikacyjne oraz wody wewnętrzne (Migoń i in. 2005). Do osiągnięcia tego celu posłużyły dwie mapy użytkowania ziemi. Mapa dla roku 1969 została opracowana na podstawie interpretacji serii zdjęć lotniczych, natomiast dla 2002 roku wykorzystano mapę użytkowania ziemi wykonaną na podstawie ortofotomapy. W celu określenia wielkości i charakteru zmian, jakie zaszły na przestrzeni lat na badanym obszarze sporządzono mapę różnicową. Położenie obszaru badań Przedmiotem analizy są zmiany użytkowania ziemi na obszarze Stacji Bazowej Wigry utworzonej w ramach Zintegrowanego Monitoringu Środowiska Przyrodniczego w październiku 1993 roku, na mocy porozumienia pomiędzy Głównym Inspektorem Ochrony Środowiska a dyrekcją Wigierskiego Parku Narodowego (Krzysztofiak 1997b). Głównym zadaniem na terenie Stacji jest monitoring środowiska przyrodniczego, w tym przyrody ożywionej, nieożywionej (wód powierzchniowych i podziemnych oraz atmosfery) i zagospodarowania przestrzennego. Na terenie Stacji Bazowej realizowane są różnego typu programy pomiarowe, które prowadzone są na wydzielonych stanowiskach kontrolno-pomiarowych. Dzięki danym z monitoringu możliwe jest określenie stanu, kierunków i tempa zmian zachodzących w środowisku, zarówno w rezultacie procesów naturalnych, jak i w wyniku różnorodnych form antropopresji (Krzysztofiak 1997b, s. 17). Wigierska Stacja Bazowa jest jedną z siedmiu stacji tego typu istniejących na terenie Polski. Została ona wybrana jako reprezentatywna dla obszarów leśno- -torfowiskowych, z rzeźbą młodoglacjalną o surowych warunkach klimatycznych, w niewielkim stopniu przekształconych przez człowieka. Szczegółowy teren badań, czyli zlewnia eksperymentalna o powierzchni 744 ha (7,44 km²) położona jest w północno-wschodniej Polsce, w województwie podlaskim. Stacja Bazowa obejmuje fragment zlewni

44 rzeki Czarnej Hańczy pomiędzy wsią Sobolewo, a jej ujściem do jeziora Wigry. Według podziału na regiony fotomorficzne Polski J. R. Olędzkiego (2007), obszar ten zaliczany jest do jednostki 4.2.5 Puszcza Augustowska. Znaczny obszar Stacji Bazowej znajduje się na terenie Wigierskiego Parku Narodowego, w jego środkowo-zachodniej części (Krzysztofiak 1997b). Wigierski Park Narodowy został utworzony 1 stycznia 1989 roku. Powierzchnia parku wynosi około 150 km², z czego lasy stanowią prawie 63 % jego powierzchni, wody 19%, grunty orne 15%, a tereny zurbanizowane 3%. Na jego terenie znajdują się 42 stałe naturalne zbiorniki wodne, o łącznej powierzchni 28 km². Największym jeziorem jest Jezioro Wigry, największą rzeką Czarna Hańcza. Podstawowym celem istnienia Wigierskiego Parku Narodowego jest zachowanie przyrody, krajobrazu oraz obiektów historycznych i kulturowych. Obszary objęte ochroną ścisłą stanowią 4% powierzchni całego parku, a czynną ok. 76%. Pozostały obszar, do którego głównie należą grunty prywatne, podlega ochronie krajobrazu. Charakterystyka geograficzna obszaru badań Rzeźba. Według J. Kondrackiego (1994) teren badań leży w zasięgu mikroregionu Pojezierza Wigierskiego wchodzącego w skład Pojezierza Wschodniosuwalskiego, Pojezierza Litewskiego. Na ukształtowanie współczesnej powierzchni zlewni największy wpływ miała akumulacyjna i erozyjna działalność wód fluwioglacjalnych oraz akumulacyjna działalność dwóch ostatnich zlodowaceń: środkowopolskiego i północnopolskiego. Jednak ostateczny wpływ na morfologię zlewni eksperymentalnej miała recesja lądolodu fazy pomorskiej zlodowacenia bałtyckiego (Ber 2000). Centralną część zlewni tworzy płaskodenna dolina rzeki Czarnej Hańczy z licznymi bagnami i torfowiskami. Na północ od doliny Czarnej Hańczy przeważają formy morenowe fazy pomorskiej zbudowane z piasków, żwirów, głazów i glin zwałowych tworzące krajobraz falisty. Zbocza doliny są wyraźne, o znacznym nachyleniu wynoszącym 5-18%. Na południe od doliny rzecznej dominują równiny sandrowe zbudowane z piasków i żwirów wodnolodowcowych. W tej części dolina graniczy z zewnętrzną strefą sandru suwalsko-augustowskiego, przykrywającego moreny faz wcześniejszych. Takie ukształtowanie sprawia, iż rzeźba terenu jest zróżnicowana i deniwelacje osiągają nawet 50 m (Bajkiewicz-Grabowska 1997; Ber 1981; Kondracki 1972; Kostrowicki 1988). W podłożu zlewni dominują piaski luźne, gliniaste lekkie oraz gliniaste mocne o różnej miąższości. W dolinie zalegają piaski przykryte namułami rzecznymi lub torfami. Rzeka tworzy tarasy zalewowy i nadzalewowy, które pokrywają osady piasków, żwirów i miejscami torfu. Brzegi rzeki zbudowane są z piasków i żwirów glacjofluwialnych warstwowanych poziomo (Kostrowicki 1988). Małgorzata Mycke-Dominko, Marta Tobiasz Klimat. Według klimatycznego podziału Polski A. Wosia (1999) obszar zlewni eksperymentalnej zalicza się do Regionu Mazursko-Podlaskiego. Wyróżnia się on jako najchłodniejszy, poza obszarami górskimi, co wynika z narastania wpływów mas powietrza kontynentalnego. Region ten charakteryzuje się wydłużonym okresem zimy i skróconym czasem trwania lata, największymi rocznymi amplitudami temperatury powietrza oraz znacznie krótszym okresem wegetacyjnym. Warunki klimatyczne badanego obszaru odzwierciedlają dane ze stacji synoptycznej w Suwałkach, które obejmują lata 1961-1990. Średnia roczna temperatura powietrza atmosferycznego wynosi 6,1 C. Średnie miesięczne temperatury powietrza w najchłodniejszym miesiącu styczniu wynoszą -5,3 C, natomiast w najcieplejszym miesiącu lipcu +16,6 C. Roczna suma opadów dla danego wielolecia wynosi 594 mm. Najobfitsze opady notowane są w lecie suma miesięczna około 80 mm (lipiec 77 mm), a najmniejsze zimą poniżej 30 mm (luty 24 mm). Wiatry najczęściej wieją z kierunków południowo-zachodnich i zachodnich, a średnia roczna prędkość wiatru wynosi 4,0 m/s (Climatological Normals 1996). Hydrografia. Rzeka Czarna Hańcza występująca na obszarze analizowanej Stacji Bazowej jest główną rzeką Wigierskiego Parku Narodowego. Jest ona lewobrzeżnym dopływem rzeki Niemen. Czarna Hańcza bierze swój początek w okolicy Rogożajn Wielkich, na północ od jeziora Jegliniszki. W górnym biegu przepływa ona przez najgłębsze jezioro Polski jezioro Hańcza i charakteryzuje się dużym spadkiem typowym dla rzek podgórskich (średnio 1,9 ). Czarna Hańcza wpływa do jeziora Wigry we wschodniej części Plosa Północnego Zatoki Hańczańskiej. W środkowym biegu, czyli także na badanym obszarze jej spadek zmniejsza się i wynosi średnio 0,87. Na tym odcinku rzeka tworzy liczne meandry, jej krętość osiąga wartość 1,51 najwyższą na całej długości. W dalszym biegu, wypływając z jeziora Wigry, płynie charakterystycznie dla rzek nizinnych, meandruje i tworzy szerokie, bagienne rozlewiska (Bajkiewicz-Grabowska 1992). Rzeka ma ustrój umiarkowany złożony, z głównym wezbraniem wiosennym oraz drugorzędnym zimowym. Cechuje ją zasilanie gruntowo-deszczowo-śnieżne (Dynowska 1971). Średni roczny przepływ rzeki powyżej ujścia do jeziora Wigry (profil Sobolewo) w wieloleciu 1971-1996 wynosił 1,50 m 3 /s (Bajkiewicz-Grabowska 1997). Na analizowanym obszarze (stan na 2008 rok) wody Czarnej Hańczy zaliczają się do III i IV klasy czystości. Klasę o niezadowalającej jakości tj. IV wykazał wodowskaz Sobolewo, znajdujący się w północno-zachodniej części zlewni. Natomiast niedaleko ujścia rzeki do jeziora Wigry (wodowskaz Ujście) wody zaliczają się do III klasy czystości. Gleby. Zdecydowaną większość analizowanego obszaru stanowią gleby rozwinięte na piaskach, czyli gleby bielicowe, rdzawe i brunatne kwaśne. Na terenach wilgotnych, w podmokłej dolinie rzecznej występują gleby

Zmiana użytkowania ziemi dla Stacji Bazowej Wigry organogeniczne: murszowo-torfowe i torfowe. Największą część siedlisk leśnych zajmują gleby brunatno-rdzawe (Bajkiewicz-Grabowska 1997; Kamiński 1997). Wymienione gleby ze względu między innymi na niewielką zawartość próchnicy oraz ilość składników mineralnych nie należą do gleb żyznych. W związku z tym gleby gruntów ornych oraz użytków zielonych zaliczane są do VI i V klasy bonitacyjnej. Roślinność. Zlewnia eksperymentalna Wigierskiej Stacji Bazowej według podziału geobotanicznego Polski W. Szafera i K. Zarzyckiego (1972) położona jest w Okręgu Suwalskim, Krainy Suwalsko-Augustowskiej, Działu Północnego, Prowincji Środkowoeuropejskiej, Obszaru Euro-Syberyjskiego, Państwa Holarktydy w subborealnej strefie lasów mieszanych. Podstawowym wyróżnikiem Działu Północnego jest dominujący udział świerka w drzewostanie oraz liczne występowanie gatunków borealnych takich jak wierzba lapońska czy turzyca życicowa, a brak jest na naturalnych siedliskach gatunków takich jak: modrzew, buk, dąb bezszypułkowy czy jodła. Roślinność zlewni badawczej i jej rozmieszczenie przedstawia się następująco: w dolinie rzeki Czarnej Hańczy występują głównie zbiorowiska szuwarowe i turzycowiska oraz wilgotne łąki, gdzie rosną między innymi gatunki takie jak: czarcikęs łąkowy, jaskier ostry, turzyca błotna, sit członowaty, trzcina pospolita, turzyca prosowata, pałka szerokolistna, turzyca pęcherzykowata oraz tłustosz pospolity. Miejscami występują torfowiska przejściowe i wysokie z charakterystycznymi gatunkami: modrzewnica zwyczajna, żurawina błotna, bobrek trójlistkowy, turzyca nitkowata, turzyca bagienna, bagnica torfowiskowa oraz torfowiec magellański. Obrzeża doliny zajęte są przez bagienne zbiorowiska leśne olsy i bory bagienne. Drzewostan składa się tu głównie z olszy czarnej i brzozy omszonej. Na skarpach doliny rzecznej występują ciepłolubne zbiorowiska leśne oraz kserotermiczne murawy. Zbiorowiska leśne. Obszary leśne zajmują największą część powierzchni zlewni eksperymentalnej. Lasy na badanym obszarze zostały silnie przekształcone przez człowieka. Nastąpiło również zwiększenie udziału sosny w drzewostanach na skutek licznych nasadzeń. Efektem tego były zmiany w strukturze gatunkowej oraz wiele innych niekorzystnych zjawisk, miedzy innymi obniżenie naturalnej odporności drzew i zmniejszenie zróżnicowania gatunków. Większość drzew zlewni jest jednak zdrowa lub lekko uszkodzona. W obrębie analizowanego terenu wyodrębniono 7 typów siedliskowych lasów, co jest związane z występowaniem zróżnicowanych rodzajów gleb, zarówno pod względem budowy i składu mechanicznego, jak również ze stopniem ich uwilgotnienia. Największy obszar zlewni eksperymentalnej zajmuje las mieszany świeży oraz las świeży. Porastają one obszary o glebach o średnim, optymalnym uwilgotnieniu. W dolinie rzecznej, na terenach bardzo wilgotnych i mokrych występują olsy, bory i lasy bagienne. W I piętrze drzewostanu najliczniej występuje sosna i świerk, rzadziej w tej warstwie lasu można spotkać 45 olchę, brzozę oraz dąb. Najwyższe piętro drzew wykazuje najczęściej zwarcie umiarkowane (ok. 63,6% powierzchni zlewni) i przerywane (ok. 28,4%). W II piętrze lasu, jak również w podroście dominuje świerk. W podszycie występuje głównie leszczyna, świerk i wiciokrzew suchodrzew, natomiast w runie dominuje szczawik, rokiet i trzcinnik. Największy udział w powierzchni zlewni stanowią drzewa o wieku między 60-100 lat, a najmniejszy drzewostany do 20 i powyżej 120 lat (Kamiński 1997). Osadnictwo. W granicach zlewni eksperymentalnej, w jej zachodniej stronie, leży fragment miejscowości Sobolewo. Należy ona do Gminy Suwałki i jest oddalona od Suwałk o około 5 km. Według stanu na dzień 24 marca 2010 r. w całej wsi na stałe zameldowanych było 294 osoby. W okresie letnim, w związku z przyjazdem rodzin liczba osób przebywających w miejscowości wzrasta. W Sobolewie z 67 gospodarstw, 25 położonych jest na terenie Wigierskiej Stacji Bazowej. Ludność zajmuje się uprawą jęczmienia, owsa, żyta i ziemniaków. Wykorzystane materiały W celu dokonania analizy zmian użytkowania ziemi dla Stacji Bazowej Wigry w latach 1969 2002 wykorzystano serię zdjęć lotniczych z 1969 roku oraz mapę użytkowania ziemi z 2002 roku. Czarno-białe panchromatyczne zdjęcia lotnicze z 16.09.1969 roku zostały wykonane w skali 1:17 000. Wykorzystano 9 kolejnych zdjęć o następujących numerach: 4931, 4932, 4933, 4947, 4948, 4949, 4864, 4865, 4866. Mapa użytkowania ziemi dla 2002 roku została wykonana na podstawie ortofotomapy w skali około 1:16 300 przez Katedrę Geoinformatyki i Teledetekcji na Uniwersytecie Warszawskim na zlecenie Ministerstwa Ochrony Środowiska w ramach opracowania map użytkowania ziemi dla Stacji Bazowych. Jako materiał pomocniczy posłużyły dwie mapy topograficzne w skali 1:25 000. Były to arkusze: 215.34 Suwałki Pd., 215.43 Pogorzelec w układzie 1965. Metody badań Pierwszym etapem opracowania była wizualna interpretacja zdjęć lotniczych z 1969 roku. Polegała ona na rozpoznawaniu i interpretacji obiektów przedstawionych na tych zdjęciach. W celu łatwiejszej interpretacji serii zdjęć lotniczych z 1969 roku został z nich sporządzony fotoszkic, a dla dokładniejszego i lepszego wyróżnienia obiektów na zdjęciach podczas interpretacji użyto stereoskopu lustrzanego. Zinterpretowane elementy treści czarno-białych zdjęć przeniesiono na oddzielną kalkę, którą następnie zeskanowano. W celu wyróżnienia form użytkowania ziemi przyjęto za wzorzec klasyfikację zastosowaną na otrzymanej mapie z 2002 roku. Wyróżniono następujące klasy:

46 grunty orne, użytki zielone, lasy, sady, zabudowania, grupy i szpalery drzew, cieki oraz drogi. Dla oznaczenia tych form na mapach przyjęto barwy zalecane przez J. Kostrowickiego i R. Kulikowskiego (1971). Drugim etapem była rejestracja do układu 1965 skanu kalki interpretacyjnej z 1969 roku i mapy użytkowania ziemi z 2002 roku, w programie ArcGIS 9.3. Trzecim etapem była wektoryzacja zgeometryzowanych map z każdego okresu, czyli plików rastrowych, przeprowadzona w programie Quantum GIS 1.4.0 Enceladus. Dla każdej kategorii z legendy utworzono oddzielną warstwę wektorową. Cieki i drogi zostały utworzone jako oddzielna nakładka wektorowa. Z powodu braku obiektów liniowych na mapie z 2002 roku zaimportowano je z mapy z 1969 roku. Następnie opracowane mapy użytkowania ziemi zostały doprowadzone do jednakowej skali opracowania 1:20 000. Zmiany użytkowania ziemi dla analizowanego przedziału czasowego przedstawiono za pomocą mapy różnicowej, wykonanej w tej samej skali, co pozostałe dwie mapy. Została ona również sporządzona w programie Quantum GIS 1.4.0 Enceladus. Dobrze widoczny jest na niej zarówno brak jak i obecność nowych form pokrycia terenu, a także kierunki zmian. Po nałożeniu mapy z roku 1969 roku na mapę z 2002 roku otrzymano nowe poligony powstałe w wyniku nie pokrywania się granic poszczególnych wydzieleń i zostały one uznane jako zmiany w użytkowaniu ziemi. Problemem przy sporządzaniu tej mapy były poligony obarczone błędem wynikającym z różnego stopnia dokładności ręcznego nanoszenia poszczególnych obiektów, tym bardziej, że interpretatorami zdjęć dla każdego z okresów były inne osoby. Problem ten rozwiązano w ten sposób, że podczas tworzenia mapy różnicowej analizowano czy dana granica jest wynikiem zmian w użytkowaniu ziemi czy różnej digitalizacji wydzieleń. W momencie, gdy uznano, że granica jest efektem różnej digitalizacji obiektów na mapie, błędny poligon usuwano. W związku z tym skasowano w sumie około 25 niewielkich wydzieleń. Decyzja o tym, który poligon usunąć należała do subiektywnej oceny interpretatora. Dla każdego analizowanego roku została dokonana analiza ilościowa powierzchni poszczególnych form użytkowania ziemi. Nie została nią objęta klasa wód powierzchniowych, która na terenie Stacji Bazowej reprezentowana jest przez rzekę, jak również klasa dróg. 1. Grunty orne klasa ta charakteryzuje się różnorodnym fototonem, od bardzo jasnego aż po bardzo ciemne odcienie szarości. Spowodowane jest to rozmaitym wykorzystaniem gruntów, co z kolei wpływa na zróżnicowaną strukturę i teksturę. Występują grunty orne o strukturze liniowej lub drobnoziarnistej. Kształt pól uprawnych jest geometryczny (prostokątny), prostopadły do dróg. Wielkość działek jest zróżnicowana. Na badanym obszarze wyróżniono 2 typy układów pól: niwowy i blokowo-niwowy. Ryc. 1. Grunty orne Fig. 1. Arable lands Małgorzata Mycke-Dominko, Marta Tobiasz 2. Użytki zielone (łąki, pastwiska) kategorię tę cechuje drobnoziarnista struktura oraz równomierny ciemnoszary fototon. Łąki występują często wzdłuż cieków. Ich kształt jest wtedy zazwyczaj nieregularny. Często widoczne są ślady po koszeniu oraz plamy odzwierciedlające różne uwilgotnienie łąk. Analiza zmian użytkowania ziemi Na wykonanych mapach wyróżniono następujące klasy użytkowania ziemi: grunty orne, użytki zielone, lasy, sady, zabudowania, grupy i szpalery drzew, cieki oraz drogi. Poniżej przestawiono charakterystykę cech rozpoznawczych każdej formy wykorzystywania terenu, sporządzoną na podstawie opracowania A. Ciołkosza, J. Miszalskiego i J. R. Olędzkiego (1999) oraz fragment zdjęcia z 1969 roku, na którym znajduje się opisywany obiekt. Ryc. 2. Użytek zielony w dolinie Czarnej Hańczy Fig. 2. Grassland in valley of Czarna Hańcza 3. Lasy charakteryzują się strukturą ziarnistą, przy czym las liściasty gruboziarnistą, a iglasty drobnoziarnistą. Im las jest starszy, tym jego struktura jest bardziej gruboziarnista, a nawet gąbczasta. Na analizowanym obszarze przewaga starodrzewu powoduje, że nie

Zmiana użytkowania ziemi dla Stacji Bazowej Wigry 47 są widoczne drogi śródleśne. Na tym terenie granice lasów są liniami prostymi. Fototon lasów jest ciemnoszary. Ryc. 5. Zabudowania we wsi Sobolewo Fig. 5. Buildings in the Sobolewo village Ryc. 3. Las Fig 3. Forest 6. Grupy i szpalery drzew na zdjęciach odznaczają się takimi sami cechami jak lasy, jednak o zaklasyfikowaniu ich do tej kategorii decydowało mniejsze zwarcie drzewostanów i liniowy kształt, nawiązujący do przebiegu cieków wodnych i dróg. 4. Sady klasa ta charakteryzuje się strukturą średnioziarnistą i kratową teksturą. Sady mają geometryczny kształt i często występują w pobliżu zabudowań. O nasadzeniu drzew owocowych świadczy ich rzut w kształcie koła. Ryc. 6. Szpalery drzew Fig. 6. Trees line Ryc. 4. Sad Fig. 4. Orchard 7. Cieki wody powierzchniowe mają ciemnoszary, prawie czarny fototon. Nieuregulowane rzeki mają często kręty kształt koryta i niedużą szerokość. Ciemnoszary, ale nie czarny fototon, o nieregularnym kształcie nawiązujący do przebiegu rzeki wskazuje na dawne starorzecza. 5. Zabudowania w zależności od oświetlenia dachów domów fototon jest jasnoszary lub ciemnoszary. Kształt budynków jest geometryczny. Na całym analizowanym terenie występuje zabudowa rozproszona i rozmieszczona przede wszystkim wzdłuż dróg. Na jednej działce w obrębie tzw. zagrody zazwyczaj znajduje się kilka budynków tj. dom mieszkalny, mniejsza obora i stodoła, która najczęściej jest największym obiektem. Budynki mieszkalne są pobudowane najbliżej drogi. Teren wewnątrz obejścia porośnięty jest trawą, o czym świadczy ciemny fototon. Ryc. 7. Rzeka Czarna Hańcza Fig. 7. Czarna Hańcza river

48 8. Drogi odznaczają się na zdjęciach lotniczych jako jasne i zazwyczaj proste linie. Drogi gruntowe mają różną szerokość, a ciemniejsze linie po ich dwóch stronach wskazują na rowy przydrożne. Ryc. 8. Odcinek drogi we wsi Sobolewo Fig. 8. Fragment of road in the village Sobolewo Analiza użytkowania ziemi w 1969 roku Przestrzenne rozmieszczenie poszczególnych form wykorzystywania ziemi dla Stacji Bazowej Wigry pokazuje mapa użytkowania ziemi w 1969 roku (Ryc.9). Małgorzata Mycke-Dominko, Marta Tobiasz Wśród użytków rolnych i fragmentarycznie wzdłuż doliny rzecznej występują grupy i szpalery drzew. Tworzą one dość wąskie i stosunkowo niewielkie obszary o całkowitej powierzchni 8,01 ha, które stanowią 1,10% powierzchni zlewni. Gospodarstwa wsi Sobolewo zajmują 5,70 ha, czyli 0,79% badanego obszaru i występują w zachodniej części zlewni. Na analizowanym terenie zabudowania występują w formie rozproszonej i koncentrują się wzdłuż jednej z głównych dróg. Sady stanowią ułamkowy procent powierzchni terenu 0,03% (0,20 ha). W 1969 roku znajduje się jeden przydomowy sad. Z wód na obszarze Stacji Bazowej Wigry znajduje się tylko jedna nieuregulowana, meandrująca rzeka Czarna Hańcza. Położona jest ona w centralnej części analizowanego obszaru, przy czym w miejscowości Sobolewo płynie w kierunku południowo-wschodnim, a wpływając na teren Wigierskiego Parku Narodowego zmienia kierunek i płynie równoleżnikowo na wschód. Na obszarze zlokalizowanych jest kilka dróg. Wzdłuż jednej, jak już wspomniano, usytuowane są domostwa. Druga droga przebiega przez grunty orne na północnym-zachodzie, a następnie przez lasy na terenie parku w kierunku południowo-wschodnim, przecinając się z poprzednią drogą. Zachodnia granica zlewni, jak i niewielki fragment północnej granicy biegnie wzdłuż dróg. Ryc. 9. Fig. 9. Dominującą klasą na obszarze zlewni badawczej są lasy porastające 516,40 ha, stanowiące 71,24 % (Ryc.10) ogólnej powierzchni. Zwarte kompleksy leśne występują po obu stronach doliny rzeki Czarnej Hańczy. Na zdjęciach lotniczych widoczne były znaczne obszary młodych nasadzeń leśnych, które zostały zaklasyfikowane do lasów. Drugą klasę użytkowania ziemi pod względem zajmowanej powierzchni stanowią grunty orne, które położone są w zachodniej części analizowanego obszaru, w miejscowości Sobolewo. Zajmują one 98,39 ha, czyli 13,57 % ogólnej powierzchni zlewni. Kolejna klasa użytki zielone, zajmują podobną powierzchnię jak grunty orne czyli 96,23 ha, co stanowi 13,27% zlewni. Pokrywają one dość duży i zwarty obszar wzdłuż doliny Czarnej Hańczy. Występują również jako polany śródleśne. Ryc. 10. Fig. 10. Analiza użytkowania ziemi w 2002 roku Analizując mapę użytkowania ziemi w 2002 roku (ryc. 11) można zauważyć, iż największy obszar Stacji Bazowej w omawianym roku pokrywały lasy. Porastały one obszar 571,68 ha (Ryc. 12), co stanowi 78,86 % powierzchni zlewni.znajdują się one po obu stronach doliny rzecznej oraz wchodzą częściowo na teren miejscowości Sobolewo. Miejscami lasy tworzą niewielkie kępy wśród użytków rolnych koło wsi.

Zmiana użytkowania ziemi dla Stacji Bazowej Wigry 49 Obiekty liniowe zostały zaimportowane z mapy użytkowania ziemi dla Stacji Bazowej Wigry w 1969 roku, ponieważ ich przebieg do 2002 roku nie uległ zmianie, Analiza zmian w użytkowaniu ziemi na przestrzeni lat Wydzielenia na mapach użytkowania ziemi dla 1969 i 2002 roku są podobnie rozmieszczone przestrzennie, jak również ich udział w powierzchni poszczególnych klas nie uległ znacznym zmianom (Tabela 1). Ryc. 11. Fig. 11. Tab. 1. Powierzchnia klas użytkowania ziemi w latach 1969 i 2002 Tab. 1. Area of particular land use categories in 1969 and 2002 Kolejną klasę pod względem zajmowanej powierzchni stanowią grunty orne. Zajmują one jednak zdecydowanie mniejszą powierzchnię niż lasy 100,93 ha, czyli ich udział w ogólnej powierzchni zlewni stanowi 13,92 %. Użytki zielone, pokrywające 41,52 ha (5,73 % powierzchni zlewni), koncentrują się wzdłuż rzeki, tworząc większe kompleksy w środkowej części i stopniowo zwężając się w przeciwległych kierunkach. Miejscami łąki tworzą polany śródleśne, zajmują one jednak stosunkowo niewielkie obszary. Kolejną klasę pod względem zajmowanej powierzchni stanowią zabudowania, o łącznej powierzchni 7,50 ha, co stanowi 1,03 %. Grupy i szpalery drzew porastające 2,44 ha stanowią 0,34 % powierzchni zlewni. Tworzą one niewielkie płaty położone głównie wzdłuż rzeki. Najmniejszą powierzchnię zlewni zajmują sady 0,86 ha, które stanowią 0,12 % powierzchni Stacji Bazowej. W analizowanym roku znajduje się 6 sadów zlokalizowanych w pobliżu gospodarstw. Cała powierzchnia Total area Grunty orne Arable lands Użytki zielone Grasslands Lasy Forests Sady Orchards Rok Year Powierzchnia w ha Area in ha Różnica powierzchni w ha Area difference in ha Udział kategorii w % Share of category in % 1969 724,93 100-2002 724,93 100 1969 98,39 13,57 + 2,54 2002 100,93 13,92 1969 96,23 13,27-54,71 2002 41,52 5,73 1969 516,40 + 71,24 2002 571,68 55,28 78,86 1969 0,20 0,03 + 0,66 2002 0,86 0,12 Różnica udziału w % Difference in share in % - + 0,35-7,54 + 7,62 + 0,09 Zabudowania Buildings Grupy i szpalery drzew Trees line 1969 5,70 0,79 + 1,8 2002 7,50 1,03 1969 8,01 1,10-5,57 2002 2,44 0,34 + 0,24-0,76 Ryc. 12. Fig. 12. We wszystkich kategoriach użytkowania ziemi odnotowano zmiany w zajmowanej powierzchni po 33 latach. Klasy, które zwiększyły swoją powierzchnię to: grunty orne, lasy, sady oraz zabudowania. Pozostałe kategorie, czyli użytki zielone oraz grupy i szpalery drzew odnotowały spadek swojej powierzchni. Zmiany dotyczące zajmowanej powierzchni lasów oraz użytków zielonych na przestrzeni lat były zdecydowanie większe niż pozostałych klas użytkowania ziemi.

50 Najmniejsze różnice odnotowano w kategoriach: sady oraz zabudowania. Powierzchnia sadów wzrosła z 0,2 ha do 0,86 ha, czyli ponad 4 razy (względna wartość duża, ale udział w całości bardzo mały). Małgorzata Mycke-Dominko, Marta Tobiasz Kolejny charakterystyczny kierunek zmian to przekształcenia użytków zielonych w grunty orne oraz szpalerów drzew w lasy, widoczne głównie w zachodniej części Stacji Bazowej. Stanowią one jednak zdecydowanie mniejszy udział i wynoszą odpowiednio 6,86% (4,83 ha) oraz 6,25% (4,40 ha) wszystkich zmian. Wzrost areałów gruntów ornych jest najmniejszy w północnej i centralnej części omawianego fragmentu obszaru badań. Przekształcenia szpalerów drzew w lasy zaszły w kilku miejscach na terenie Stacji Bazowej. Pozostałe 19 klas typów zmian stanowią mniej niż 2,50% ogółu. W miejscowości Sobolewo odnotowano niewielki przyrost zabudowań mieszkalnych wybudowano kilka nowych budynków, część domów rozbudowano, a tylko jeden zburzono. We wsi założono też 6 nowych sadów. Ryc. 13 Fig. 13. Opracowana mapa różnicowa (Ryc.13) przedstawia przestrzenne rozmieszczenie zmian, jakie zaszły w latach 1969 2002. Otrzymano na niej 22 klasy typów zmian, o łącznej powierzchni 70,37 ha, co stanowi 9,71 % ogólnej powierzchni analizowanego obszaru. Największe powierzchniowo zmiany zaszły w centralnej części obszaru badań, gdzie dokonała się sukcesja w kierunku lasów na łąkach. Ten kierunek zmian stanowi 73,07 % (51,42 ha) wszystkich przekształceń, jakie zaszły na badanym obszarze. Lasów przybyło o podobną wartość, o jaką ubyło łąk (Tab. 1). Szczególnie dobrze jest to widoczne wzdłuż rzeki Czarnej Hańczy, gdzie powierzchnia łąk bardzo się zmniejszyła i im bliżej ujścia, tym dolina rzeczna staje się coraz bardziej zalesiona. Zalesionych zostało również większość polan śródleśnych. Podsumowanie Przeprowadzona analiza zmian użytkowania ziemi dla Stacji Bazowej Wigry w latach 1969-2002 pozwala sformułować następujące wnioski. Na badanym obszarze nastąpił znaczny wzrost powierzchni lasów kosztem użytków zielonych. Przekształcenia te nastąpiły głównie na terenie Wigierskiego Parku Narodowego. Powołanie Wigierskiego Parku Krajobrazowego w 1975 roku, a później jego przekształcenie w Wigierski Park Narodowy (1989 rok) miało decydujący wpływ na przemiany zachodzące na terenie Stacji Bazowej. Można przypuszczać, iż prowadzona działalność ochronna parku na nieużytkowanych łąkach w dolinie rzecznej spowodowała rozwój zbiorowisk leśnych. W przyszłości tendencja ta prawdopodobnie zostanie utrzymana, co spowoduje dalszy wzrost powierzchni lasów i naturalność krajobrazu. Na badanym obszarze na przestrzeni 33 lat nastąpił minimalny wzrost areałów gruntów ornych, co świadczy o stabilizacji struktury rolniczej na tym terenie. Przyrost ten nastąpił głównie kosztem użytków zielonych, co pokazuje, iż miejscowi rolnicy prawdopodobnie nie nastawiają się na rozwój hodowli zwierząt. Na obszarze Stacji Bazowej nastąpił rozwój zabudowy powstały nowe budynki mieszkalne i gospodarcze. Wzrosła też znacznie liczba sadów. Literatura Ryc. 14 Fig. 14. Bajkiewicz-Grabowska E., 1992, Sieć hydrograficzna, warunki odpływu i wymiany wód w jeziorach. W: Zdanowski B. (red.), Jeziora Wigierskiego Parku Narodowego. Stan eutrofizacji i kierunki ochrony, Polska Akademia Nauk Człowiek i Środowisko, Zeszyt Naukowy, 3, Ossolineum, Wrocław. Bajkiewicz-Grabowska E., 1997, Charakterystyka fizycznogeograficzna zlewni eksperymentalnej Wigierskiej Stacji Bazowej. W: Krzysztofiak L. (red.), Zintegrowany Monitoring Środowiska Przyrodniczego. Stacja Bazowa Wigry (Wigierski Park Narodowy), Biblioteka Monitoringu Środowiska, Warszawa, s.19-28.

Zmiana użytkowania ziemi dla Stacji Bazowej Wigry 51 Ber A., 1981, Przewodnik geologiczny. Pojezierze Suwalsko- Augustowskie. Wydawnictwo Geologiczne, Warszawa. Ber A., 2000, Plejstocen Polski północno-wschodniej w nawiązaniu do głębszego podłoża i obszarów sąsiednich. Prace Państwowego Instytutu Geologicznego, CLXX, Warszawa. Ciołkosz A., Miszalski J., Olędzki J.R., 1999, Interpretacja zdjęć lotniczych. Wydawnictwo Naukowe PWN, Warszawa. Climatological Normals (Clino) for the period 1961-1990, 1996, World Meteorological Organization, WMO-No.847, Geneva- Switzerland. Dynowska I.,1971, Typy reżimów rzecznych w Polsce. Zeszyty Naukowe UJ, CCLXVIII, Prace Geograficzne, Kraków, z. 28. Kamiński M., 1997, Drzewostany zlewni eksperymentalnej Wigierskiej Stacji Bazowej. W: Krzysztofiak L. (red.), Zintegrowany Monitoring Środowiska Przyrodniczego. Stacja Bazowa Wigry (Wigierski Park Narodowy), Biblioteka Monitoringu Środowiska, Warszawa, s. 94-109. Kondracki J., 1994, Geografia Polski. Mezoregiony fizycznogeograficzne. Wydawnictwo Naukowe PWN, Warszawa. Kostrowicki A. S., (red.), 1988, Studium geoekologiczne rejonu jezior Wigierskich. Prace Geograficzne, IGiPZ PAN, nr 147, Wrocław. Kostrowicki J., Kulikowski R., 1971, Przeglądowe zdjęcie użytkowania ziemi (Projekt instrukcji). Dokumentacja Geograficzna, IGiPZ PAN, z. 2 Warszawa. Krzysztofiak L.,1997a, System monitoringu środowiska przyrodniczego. W: Krzysztofiak L. (red.), Zintegrowany Monitoring Środowiska Przyrodniczego. Stacja Bazowa Wigry (Wigierski Park Narodowy), Biblioteka Monitoringu Środowiska, Warszawa, s.10-13. Krzysztofiak L.,1997b, Stacja Bazowa Wigry jej struktura i główne zadania. W: Krzysztofiak L. (red.), Zintegrowany Monitoring Środowiska Przyrodniczego. Stacja Bazowa Wigry (Wigierski Park Narodowy), Biblioteka Monitoringu Środowiska, Warszawa, s.14-17. Migoń P., Grykień S., Pawlak R., Sobik M., 2005, Słownik geograficzny. Wydawnictwo Europa, Warszawa. Olędzki J.R., 2007, Regiony geograficzne Polski. Teledetekcja Środowiska, T.38. Klub Teledetekcji Środowiska Polskiego Towarzystwa Geograficznego, Warszawa. Praktyczny przewodnik dla odwiedzających Wigierski park Narodowy, 2009, Wigierski Park Narodowy. Romański M., 1997, Flora i roślinność zlewni eksperymentalnej Wigierskiej Stacji Bazowej. W: Krzysztofiak L. (red.), Zintegrowany Monitoring Środowiska Przyrodniczego. Stacja Bazowa Wigry (Wigierski Park Narodowy), Biblioteka Monitoringu Środowiska, Warszawa, s.77-93. Szafer W., Zarzycki K., 1972, Szata roślinna Polski. PWN, Warszawa, t. 2. Woś A., 1999, Klimat Polski. Wydawnictwo Naukowe PWN, Warszawa. Zarzycki K., Szeląg Z., 1992, Czerwona lista roślin naczyniowych zagrożonych w Polsce. W: Zarzycki K., Wojewoda W., Heinrich Z., (red.), Lista roślin zagrożonych w Polsce, Instytut Botaniki im. W. Szafera, PAN, Kraków. Mgr Marta Tobiasz ukończyła w 2010 roku studia wyższe na Wydziale Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego, na kierunku geografia. Obecnie specjalizuje się w zakresie geoinformatyki w Katedrze Geoinformatyki i Teledetekcji WGiSR UW. E-mail: marcia_t@wp.pl Dr Małgorzata Mycke-Dominko adiunkt w Katedrze Geoinformatyki i Teledetekcji na Wydziale Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego. Zajmuje się problematyką pożarów w lasach oraz problematyką miejską. Prowadzi zajęcia z zakresu geograficznej interpretacji zdjęć lotniczych i satelitarnych dla studentów na specjalności Geoinformatyka. E-mail: dominkom@uw.edu.pl

46 WARSZAWA 2011 Cyfrowa mapa geomorfologiczna Karpat 1 Digital geomorphological map of Karpaty Mts Jaromir BORZUCHOWSKI, Jan R. OLĘDZKI Słowa kluczowe: Cyfrowa mapa geomorfologiczna, Karpaty Key words: Digital geomorphological map, Karpaty Mts Otrzymano: 4 kwietnia 2011; Zaakceptowano: 19 maja 2011 Received: 4 April 2011; Accepted: 19 May 2011 The paper discusses the principles governing the conversion of an analogue, reference geomorphological map into a digital map. This was done using a fragment of the 1:500 000 Geomorphological Map of Poland published in 1984, with topical editorship provided by L. Starkel and cartographic layout by K. Trafas. For the purposes of the paper, the southern part of Poland, situated within the boundaries of the geographic macroregion of the Carpathins, was selected (Olędzki, 2007). The methodology of converting an analogue map into a digital map comprised the process of data collection, encoding and processing. In this process, we used the ArcInfo, ArcView, Arc- Map and Erdas Imagine software. In effect, a map was created as well as a spatial database of geomorphological information. The nature of the input data, that is the existing analogue Geomorphological Map of Poland, determined the way the data were compiled. The map s sheets were scanned, vectorised and encoded. The basic problem was to define the method of encoding and graphic marking of data in the digital map. The geomorphological content of the Digital Geomorphological Map of the Carpathians was expanded by an additional information layer, i.e. the raster underlay of the 1:500 000 Administrative Map of Poland, derived from the Atlas of the Republic of Poland. Wstęp 1 Celem opracowania jest przedstawienie zasad przekształcenia geomorfologicznej mapy analogowej w skali przeglądowej na zapis cyfrowy. Obiektem opracowania był fragment Geomorfologicznej Mapy Polski w skali 1:500 000, wydanej pod redakcją merytoryczną L.Starkla, w opracowaniu kartograficznym K.Trafasa (Przegladowa mapa geomorfologiczna Polski; Gilewska, Klimkowa Starkel, 1980). Do opracowania wybrano południową część Polski w granicach wyróżnionego przez J.R.Olędzkiego (2007) makroregionu geograficznego Karpaty. Metodyka konwersji mapy analogowej w opracowanie cyfrowe, obejmował proces pozyskania danych ich zakodowania i przetworzenia w odpowiednim programie gisowskim. W rezultacie tych działań uzyskano nie tylko mapę ale również pewnego rodzaju bazę danych przestrzennych o tematyce geomorfologicznej. Klucz do 1 Niniejszy artykuł został opracowany na podstawie pracy magisterskiej Jaromira Borzuchowskiego: Cyfrowa mapa geomorfologiczna Polski, wykonanej w roku 2005, w Zakładzie Teledetekcji Środowiska Wydziału Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego, według pomysłu i pod opieką prof. dr hab. J. R. Olędzkiego. odczytania relacji pomiędzy poszczególnymi danymi stanowi odpowiednie oprogramowanie komputerowe. Charakter danych wejściowych, czyli istniejącej analogowej Mapy Geomorfologicznej Polski, określa sposób ich pozyskania. Arkusze tej mapy zostały zeskanowane, zwektoryzowane, a następnie treść mapy została w odpowiedni sposób zakodowana. Podstawowym i kluczowym problemem było określenie metody kodowania i graficznego oznaczenia danych na mapie cyfrowej. Treść geomorfologiczna Cyfrowej Mapy Geomorfologicznej Karpat, została uzupełniona o dodatkową warstwę informacyjną, którą stanowił rastrowy podkład Mapy Administracyjnej Polski w skali 1:500 000, zaczerpniętej z Atlasu Rzeczpospolitej Polski. Przegląd cyfrowych opracowań geomorfologicznych Cyfrowa mapa tematyczna musi spełniać wszystkie wymogi odnośnie treści i jej czytelności obowiązujące przy kartograficznych opracowaniach analogowych. Do-

Cyfrowa mapa geomorfologiczna Karpat datkową cechą map cyfrowych jest fakt, że stanowiąc bazę danych przestrzennych umożliwiają one prowadzenie różnego rodzaju analiz nie tylko jakościowych ale i ilościowych. Chociaż obecnie mapy jakimi posługujemy się w badaniach geograficznych, planowaniu przestrzennym i życiu codzienny to w większości mapy analogowe. Z biegiem czasu ich udział w zaspokajaniu potrzeb naukowych i praktycznych będzie malał. Coraz częściej będą one zastępowane dokumentami cyfrowymi. Obecnie szereg opracowań kartograficznych wykonywanych w Polsce ma postać map cyfrowych i różnego rodzaju baz danych przestrzennych. Na podstawie Prawa Geodezyjnego i Kartograficznego oraz rozporządzenia Ministra Spraw Wewnętrznych i Administracji w sprawie określenia rodzajów materiałów stanowiących państwowy zasób geodezyjno kartograficzny (z dnia 17.05.1999) do obowiązków marszałków województw należy prowadzenie wojewódzkich baz danych wchodzących w skład krajowego systemu informacji o terenie. Prowadzenie systematycznych i jednolitych opracowań tego typu, a w szczególności tematycznych baz danych zawierających informacje o przestrzeni, może być istotnym źródłem danych dla prac planistycznych i urbanistyczno-architektonicznych. Cyfrowe bazy danych tematycznych są wielce istotne dla wizualizacji wielu czynników środowiska, ich wzajemnych relacji przestrzennych, a także pomagają one w dokonywaniu wszelakich porównań. W wyniku tego użytkownik ma możliwość wybrania interesujących go danych, a następnie ich analizy. Do czołowych opracowań tego typu należy Szczegółowa Mapa Geologiczna Polski (Jurkan, Zielke, 1995). Stanowi ona numeryczną bazę danych, odzwierciedlającą budowę geologiczną powierzchni terenu, z jednoczesnym uwzględnieniem budowy geologicznej w profilu pionowym w skali 1:50 000. Mapa ta w wersji analogowej istnieje i jest wydawana od 1953 r. przez Państwowy Instytut Geologiczny. Cechą charakterystyczną tego opracowania jest podział na arkusze pokrywające teren całej Polski. Stanowi ona więc podstawowe, a zarazem bardzo szczegółowe źródło danych geologicznych dla obszaru całego kraju. W 1994 r. z inicjatywy Departamentu Geologii Ministerstwa Środowiska rozpoczęto w Państwowym Instytucie Geologicznym program cyfrowej formy Szczegółowej Mapy Geologicznej Polski. Głównym narzędziem wykorzystywanym do opracowania cyfrowej wersji Szczegółowej Mapy Geologicznej Polski jest oprogramowanie ArcInfo firmy ESRI (1990-1997). Służy ono zarówno do digitalizacji, tworzenia bazy danych, jak i wspomagania redakcji technicznej i dostosowania poszczególnych arkuszy do druku. Całość wytycznych niezbędnych do opracowania poszczególnych arkuszy stanowi Instrukcja Opracowania i Wydawania Szczegółowej Mapy Geologicznej Polski. Również w Państwowym Instytucie Geologicznym opracowywane są: Mapa Hydrogeologiczna Polski w skali 1:50 000 i Mapa Geologiczno Gospodarcza Polski w skali 1:50 000. 53 W celu poprawnego stworzenia dowolnego arkusza Mapy hydrogeologicznej Polski w skali 1:50 000 należy zastosować jedno z poniższych zestawów oprogramowania: Imagineer Technical dla MhP; Mapping Office dla MhP; GIS Office dla MhP i GIS/Karto Office dla MhP. Podane wyżej warianty pozwalają na opracowanie tej mapy, jednakże w różnym stopniu. Pierwszy zestaw umożliwia tylko digitalizację wszystkich obiektów oraz przypisanie im atrybutów opisowych. W celu dalszej obróbki należy posłużyć się jedną z pozostałych opcji. Mapping Office dla MhP i GIS Office dla MhP pozwalają już na kompletne wykonanie danego arkusza, umożliwiając oprócz powyższych (digitalizacja i przypisanie atrybutów), sprawdzenie topologii, wprowadzenie danych do bazy danych, a także dodatkowo pozwalają na stworzenie legendy oraz wstępną obróbkę kartograficzną. Jedynym z powyżej prezentowanych zestawów oprogramowań, umożliwiającym opracowanie poprawnej wersji mapy wraz z jej wyplotowaniem w postaci zgodnej z zasadami kartografii jest wariant GIS/Karto Office dla MhP. Jednocześnie wszystkie arkusze tworzone w trzech pierwszych zestawach są ostatecznie przygotowywane do wydruku za pomocą GIS/Karto Office dla MhP. Etap ten nie jest jednak częścią składową tworzenia Mapy Hydrogeologicznej Polski, a jedynie sposobem na jej udostępnienie w formie analogowej. Ostatecznym etapem, stanowiącym produkt prac, w wyniku których powstają poszczególne arkusze jest dostosowanie plików zawierających przestrzenne dane hydrogeologiczne do formatu eksportowego MGE *.mpd. Jest to format zawierający dane graficzne (MicroStation) wraz z ich informacją opisową (baza danych). Oprócz wyżej wymienionych map cyfrowych wykonano w Polsce wiele prób metodycznych mających na celu określenie zasad opracowywania szczegółowych cyfrowych map geomorfologicznych. Pierwsze próby podjęto już w latach 80. ubiegłego wieku (Wołk-Musiał, 1984). Prace te kontynuowane były w następnych latach. W roku 1992, E. Wołk-Musiał, posługując się interpretacją zdjęć lotniczych, wspartą badaniami terenowymi i dokumentacjami geologicznymi, przygotowała i opublikowała szczegółową mapę geomorfologiczną w skali 1:50 000, arkusz Choroszcz. Legenda mapy obejmuje 42 wyróżnienia. Mapę tą wykonano w oprogramowaniu SI- NUS, opracowanym w Instytucie Geodezji i Kartografii przez M. Baranowskiego (Wołk-Musiał, 1984). Kolejne etapy działań związanych z metodyką wykonywania cyfrowych map geomorfologicznych opisane zostały w artykułach E. Wołk-Musiał i B. Zagajewskiego (2000). W stosunku do poprzedniego opracowania udoskonalono metodykę zestawiania cyfrowej mapy geomorfologicznej poprzez przeniesienie opracowanych w programie SINUS warstw tematycznych do systemu ArcInfo, który umożliwił połącznie baz danych poszczególnych warstw tematycznych w jedną całość. Autorzy ci, za najistotniejszą cechę zastosowania systemów informacji geograficznej w badaniach rzeźby upatrują w możliwości dokonywania różnych operacji na zbiorach danych. W przypadku opracowywanej mapy geomorfologicznej

54 była to możliwość opracowania, na podstawie wcześniej przygotowanych warstw tematycznych (jednostek fotomorficznych, typów morfometrycznych rzeźby, i litologii), mapy typów rzeźby. Uwzględniono w tym przypadku ciągłość funkcji systemu ArcInfo, pozwalającej na łączenie zbiorów form rzeźby o wspólnym czynnik morfotwórczy kształtujacym określone powierzchnie. W wyniku tych operacji spośród 40 wyróżnionych na mapie form rzeźby wyodrębniono 12 typów rzeźby. W Katedrze Geoinformatyki i Teledetekcji Wydziału Geografii i Studiów Regionalnych opracowano również kilka innych szczegółowych cyfrowych map geomorfologicznych (Mapa geomorfologiczna Narwiańskiego Parku Narodowego wraz z otuliną w skali 1:25000 2 ; Wielkoskalowa mapa geomorfologiczna 1:50000 wschodniej części arkusza Knyszyn (N-34-106-B) 3 ; Wielkoskalowa mapa geomorfologiczna zachodniej części arkusza Knyszyn (N-34-106-B) 4). Doświadczenie zgromadzone w wyniku wykonania wyżej wymienionych map upoważniło do podjęcia próby opracowania instrukcji wykonywania szczegółowych map geomorfologicznych. Opracowanie takie, pod opieką dr Elżbiety Wołk-Musiał wykonał Jakub Binduga 5. W instrukcji tej uwzględniono również geoinformatyczne aspekty opracowywania map geomorfologicznych. Jako pokłosie opracowania metodyki dla cyfrowej mapy geomorfologicznej Karpat podjęto kolejne prace nad zastosowaniem systemów geoinformatycznych do konwersji analogowych przeglądowych map geomorfologicznych do postaci cyfrowej. Tym razem wykonywane mapy wzbogacono o bardziej precyzyjne zarysy poszczególnych form, wyróżnionych na mapie w skali 1:500 000, poprzez analizę obrazów satelitarnych i włączenie wyinterpretowanej z nich treści do cyfrowej mapy geomorfologicznej. Nową wersję tej mapy opracowano skali 1:300000. Dotychczas wykonano opracowanie dla dwóch obszarów: Podlasia (Krzemiński, 2009) i województwa mazowieckiego (Napiórkowska, 2010). Prace nad przekształcaniem analogowych map geomorfologicznych prowadzone były również przez geografów poznańskich. I tak, opracowaną w latach 50 XX wieku, pod redakcją B. Krygowskiego wieloarkuszową Mapę geomorfologiczną Niziny Wielkopolsko-Kujawskiej oraz Mapę geomorfologiczną Pojezierza Myśliborskiego i Niziny Szczecińskiej opracowaną przez A. Karczewskiego (1968) 6 przekształcono w mapy cyfrowe 7. 2 Martyna Kanigowska: Mapa geomorfologiczna Narwiańskiego Parku Narodowego wraz z otuliną w skali 1:25000. Opiekun: dr E. Wołk- -Musiał, 2009. 3 Adam Ciećwierz: Wielkoskalowa mapa geomorfologiczna 1:50000 wschodniej części arkusza Knyszyn (N-34-106-B). Studium metodyczne cyfrowej prezentacji. Opiekun: dr E. Wołk-Musiał, 2007. 4 Grzegorz Lewczuk: Wielkoskalowa mapa geomorfologiczna zachodniej części arkusza Knyszyn (N-34-106-B). Studium metodyczne cyfrowej prezentacji. Opiekun: dr E. Wołk-Musiał, 2007. 5 Instrukcja szczegółowej mapy geomorfologicznej w skali 1:50 000. Opiekun: dr E. Wołk-Musiał, 2007. 6 Karczewski A., Dmowska A., Stach A., Gudowicz J., 2008. Mapa Geomorfologiczna Pojezierza Myśliborskiego i Niziny Szczecińskiej. Opracowanie numeryczne. Instytut Paleogeografii i Geoekologii, Uniwersytet im. A. Mickiewicza, Poznań. 7 Karczewski A., Mazurek M., Stach A., Zwoliński Zb., 2007. Mapa geomorfologiczna Niziny Wielkopolsko-Kujawskiej pod redakcją Jaromir Borzuchowski, Jan R. Olędzki Tak wiec, obecnie dla terenu Polski opracowane zostały przeglądowe mapy geomorfologiczne obejmujące obszar Karpat, Podlasia, Mazowsza, Wielkoposki i Kujaw oraz fragmentu Polski północno-zachodniej w okolicach Szczecina. Charakterystyka Przeglądowej Mapy Geomorfologicznej Polski Uwagi ogólne. Przeglądowa Mapa Geomorfologiczna Polski opracowana w Zakładzie Geomorfologii i Hydrologii Gór i Wyżyn PAN w Krakowie, stanowi pionierskie opracowanie. Istniała wprawdzie wcześniej Mapa Geomorfologiczna Polski w skali 1:500 000 (Kalniet A., Karaszewska, 1972), jednakże opracowana była ona jako mapa ścienna, w konsekwencji wiele struktur tam pokazanych opracowano w sposób pobieżny, czasem tylko na podstawie danych geologicznych i topograficznych. Przeglądowa Mapa Geomorfologiczna Polski w skali 1:500 000, pomimo że przedstawia stan wiedzy o przestrzennym zróżnicowaniu form rzeźby w Polsce na rok 1968 (Gilewska, Klimkowa, Starkel, 1982) jest po dzień dzisiejszy jedynym jednolitym opracowaniem kartograficznym charakteryzującym rzeźbę Polski ze stosunkowo wysokim stopniem szczegółowości. Przy jej opracowywaniu posłużono się głównie danymi dotyczącymi struktury i genezy jednostek morfologicznych, występujących na terenie kraju. Bardzo istotnym źródłem informacji były badania terenowe. Dodatkowo przy opracowaniu tej mapy wykorzystano Przeglądową Mapę Geologiczna Polski w skali 1:300 000, szczegółowe i przeglądowe mapy geomorfologiczne Polski, a także wiele innych prac autorów wymienionych na ramce każdego arkusza. Mapę wydrukowano w sześciu arkuszach, ułożonych w dwa rzędy i trzy kolumny. Nazwy poszczególnych arkuszy zostały utworzone od nazw większych miast znajdujących się w ich zasięgu, ryc. 1. Wojskowe Zakłady Kartograficzne wydrukowały mapę w nakładzie 1000 egzemplarzy. Grafika mapy. Podstawowym założeniem graficznej prezentacji treści mapy było przypisanie głównym jednostkom morfologicznym kolorów podstawowych, tj. brązowego, czerwono fioletowego i pomarańczowego. W ten sposób dokonano zróżnicowania graficznego, odmiennych pod względem morfologicznym struktur powierzchniowych, wykorzystując jednocześnie szeroką gamę odcieni i szrafów. Dodatkowo zastosowano cztery odcieni zieleni w celu zaznaczenia obszarów powstałych w wyniku procesów glacjalnych zachodzących w okresie ostatnich zlodowaceń występujących na terenie Polski. Występujące w terenie formy o ograniczonym zasięgu powierzchniowym (np. ozy, kemy, jaskinie krasowe), zostały na mapie przedstawione punktowo - symbolami graficznymi. Nadano im odpowiednio odmienne od tła barwy, dzięki czemu można B. Krygowskiego w skali 1: 300 000. Opracowanie numeryczne. Instytut Paleogeografii i Geoekologii, Uniwersytet im. A. Mickiewicza, Poznań.

Cyfrowa mapa geomorfologiczna Karpat 55 Ryc. 1. Mapa Geomorfologicznaa Polski. Schematyczny podział na arkusze i zasięgi obszarów opracowanych przez poszczególnych autorów. Fig. 1. Geomorphological Map of Poland. Schematic division into sheets and area ranges, as developed by different authors. określić, jakiego typu procesy morfologiczne zachodziły na danym terenie. Poza treścią geomorfologiczną na mapie zaznaczono również sieć hydrograficzną ważniejszych cieków wodnych oraz większych jezior. Rzeki zaznaczono kolorem ciemno niebieskim, a zbiorniki wodne jasno niebieskim. Drugą warstwę pomocniczą stanowi sieć głównych dróg wraz z większymi miastami, przy których umieszczono ich nazwy. Wszystkie te elementy oznaczono kolorem czarnym. Legenda. Formy rzeźby przedstawione na mapie zaklasyfikowano do dwóch głównych grup. W pierwszej znalazły się duże formy neotektoniczne podnoszone w neogenie i czwartorzędzie góry i wyżyny o rzeźbie erozyjno-denudacyjnej, w drugiej duże formy neotektoniczne (niziny i kotliny) obniżane okresowo w neogenie i czwartorzędzie stanowiąc obszary sedymentacji. Ponadto w pierwszej grupie form wydzielono: masywy krystaliczne i stare zrównane góry fałdowe, podniesione wzdłuż linii tektonicznych; masywy krystaliczne i młode góry fałdowe wysoko podniesione wzdłuż linii tektonicznych; młode góry o budowie fałdowej (fliszowej) sfałdowanej po paleogenie; płyty i monokliny zbudowane za skał osadowych mezozoicznych i neogeńskich. Wszystkie wyżej wymienione formy rzeźby reprezentują trzy główne typy ukształtowania powierzchni terenu: góry, wyżyny i niziny. Obok form wyżej wymienionych przedstawiono na mapie mniejsze formy rzeźby, oznaczając je jako: genetyczne zespoły form endogenicznych małych oraz genetyczne zespoły form egzogenicznych małych. W tabeli 1. przedstawiono wyróżnione na mapach formy rzeźby wraz z odpowiednimi oznaczeniami graficznymi. Dodatkowo w pierwszej kolumnie umieszczono kody poszczególnych form rzeźby. Kodowanie to ma charakter hierarchiczny. Było to konieczne ze względu na geoinformatyczną metodę konwersji mapy analogowej do postaci cyfrowej. Tabela 1. Legenda Przeglądowej Mapy Geomorfologicznej Polski. Table 1. Legend to the Reference Geomorphological Map of Poland. Kod Code 1 11 111 Symbol Symbol Opis Description Duże formy neotektoniczne podnoszone w neogenie i czwartorzędzie Principal neotectonic landforms repeatedly uplifted during the Neogene and the Quaternary Masywy krystaliczne i stare zrównane góry fałdowe, podniesione wzdłuż linii tektonicznych Crystalline massifs and plantem,mountains of old folding produced by uplift along tectonic lines Wysoko podniesione bloki, powyżej 1000 m n.p.m. Highest blocks (over 1000 m.a.s.l.) 1111 1112 1113 1114 Wierzchowiny i stoki Summit areas and mountain-sides Góry średnie z resztkami zrównań o założeniach paleogeńskich Medium-high mountains with remnants of planation surfaces initiated during the Paleogene Góry niskie z resztkami zrównań o założeniu neogeńskim Low mountains with remnants of planation surfaces initiated during the Neogene Pogórza z resztkami zrównań niższych o założeniu neogeńskim Foothills with remnants of lower planation surfaces initiated during the Neogene

56 Jaromir Borzuchowski, Jan R. Olędzki Kod Code 112 1121 Symbol Symbol Średnio podniesione bloki, 500 1000 m n.p.m. Blocks of intermedia te height (500 1000 m.a.s.l.) Wierzchowiny i stoki Summit areas and mountain-sides Opis Description 1122 1123 1124 1125 1126 113 1131 1132 1133 1134 1135 12 121 122 13 131 132 133 134 14 141 1411 1412 142 Grzbiety i wzgórza o cechach twardzieli i ostańców Resistant Bridges and mountains, residua peaks Góry z resztkami zrównań o założeniu trzeciorzędowym Mountains with remnants of higher planation surfaces initiated during the Tertiary Pogórza z resztkami wyższych zrównań o założeniu neogeńskim Foothills with remnants of higher planation surfaces initiated during the Neogene Pogórza z resztkami niższych zrównań o założeniu neogeńskim Foothills with remnants of lower planation surfaces initiated during the Neogene Niskie pogórza okryte osadami starszych zlodowaceń Low foothills concealed by deposits dating from older continental glaciations Słabo podniesione lub tektonicznie obniżone bloki, poniżej 500 m n.p.m. Slightly upheaved or downthrown blocks (up to 500 m.a.s.l.) Grzbiety i wzgórza o cechach twardzieli i ostańców Resistant ridges and mountains, residua peaks Niskie góry i wysokie pogórza z resztkami zrównań paleogeńskich Low mountains and high foothills with remnants of Paleogene planation surfaces Niskie pogórza z resztkami zrównań trzeciorzędowych Low foothills and remnants of Tertiery planation surfaces Pogórza okryte osada mi zlodowacenia południowopolskiego Foothills concealed by South-Polish glaciation (Mindel; Elster) deposits Pogórza okryta osadami zlodowacenia środkowopolskiego Foothills concealed by Middle-Polish glaciation (Riss; Saale) deposits Masywy krystaliczne i młode góry fałdowe wysoko podniesione wzdłuż linii tektonicznych Crystalline massifs and young fold mountains produced by uplift along tectonic lines Góry wysokie (powyżej 1800 m n.p.m.) o cechach rzeźby alpejskiej High mountains over 1800 m.a.s.l.) of alpine type Góry średnie z resztkami zrównań o założeniu neogeńskim,1300 1600 m n.p.m. Medium-high mountains (1300 1600 m.a.s.l.) with memnants of planation surfsces initiated during the Neogene Młode góry o budowie fałdowej (fliszowej) sfałdowane po paleogenie Young fold (flysch) mountains folder In post-paleogene times Góry średnie o cechach wzniesień ostańcowych, twardzieli, 700 1700 m n.p.m. Medium-high mountains of residual type (700 1700 m.a.s.l., local relief of 400 800 m) Góry niskie i wysokie pogórza z resztkami zrównań o założeniu neogeńskim, 600 1000 m n.p.m.,miejscami 300 400 m Low mountains (600 1000 m.a.s.l., local 300 400 m) and high foothills with remnants of planation surfaces initiated during the Neogene Pogórza średnie z resztkami zrównań o założeniu plioceńskim Foothills of intermedia te height with remnants of planation surfa ces initiated Turing the Pliocene Pogórza niskie i wysokie dna kotlin śródgórskich z resztkami spłaszczeń dolno czwartorzędowych Low foothills and high intermontane basin floors containing remnants of level surfaces Płyty i monokliny zbudowane ze skał osadowych mezozoicznych i neogeńskich Horizontal and subhorizontal structures composed of Mesozoic and Neogene sedimentary rocks Góry średnie o cechach stoliw Medium-high table mountans Stoliwa wyższe (o założeniu paleogeńskim), 800 900 m n.p.m. Higher table mountains initiated during the Paleogene (800 900 m.a.s.l.) Stoliwa niższe (o założeniu neogeńskim), 600 700 m n.p.m. Lower table mountains initiated during the Neogene (600 700 m.a.s.l.) Wysokie płaty wyżynne z resztkami starszych zrównań Highest uplands with remnants of old planation surfaces

Cyfrowa mapa geomorfologiczna Karpat 57 Kod Code Symbol Symbol Opis Description 1421 1422 143 1431 1432 144 145 146 1461 1462 2 21 211 212 213 3 31 311 3111 3112 3113 312 313 32 321 Wyższe, 400 500 m n.p.m. Higher plateaux (400 500 m.a.s.l.) Niższe, do 400 m n.p.m. Lower plateaux and broad ridges (up to 400 m.a.s.l.) Wyżyny z resztkami zrównań (przeważnie plioceńskich) Uplands with remnants of planation surfaces (largely Pliocene in age) Wyższe, do 400 m n.p.m. Higher plateaux and broad ridges (up to 400 m.a.s.l.) Niższe Lower plateaux and broad ridges Płaskowyże o cechach stoliw z resztkami neogeńskiej powierzchni strukturalnej Tableland with remnants of the Neogene structural surface Działy wyżynne i dna kotlin z resztkami spłaszczeń o wysokości względnej poniżej 40 m, na stokach najmniej odpornych Upland divides and basin floors with remnants of levelled surfa ces on the weakest rocks (up to 40 m In hight) Płaskowyże i garby o rzeźbie uwarunkowanej starszym podłożem z pokrywą czwartorzędową Plateaux and ridges concealed by Quaternary deposits (landforms generalny reflect those of the bedrock beneath) with patches of: Z resztkami osadów zlodowacenia południowopolskiego South-Polish glaciation (Mindel; Elster) deposits Z resztkami osadów zlodowacenia środkowopolskiego Middle-Polish glaciation (Riss; Saale) deposits Duże formy neotektoniczne (niziny i kotliny) obniżane okresowo w neogenie i czwartorzędzie obszary sedymentacji Principal neotectonic landforms (lowlands areas and Bains) repeatedly deprssed during the neogene and Quaternary areas of sedimentation Wysoczyzny o zdegradowanych utworach mioceńskich, okryte: Divides on degraded Miocene rocks, concealed by: Osadami z okresu zlodowacenia południowopolskiego South-Polish glaciation (Mindel; Elster) deposits Osadami z okresu zlodowacenia środkowopolskiego Middle-Polish glaciation (Riss; Saale) deposits Na zdegradowanych utworach neogeńskich bez pokrywy plejstoceńskiej Drift-free Genetyczne zespoły form endogenicznych małych Genetic complexes of small endogenic landforms Formy tektoniczne Tectonic landforms Progi tektoniczne Tectonic scarps o wysokości względnej poniżej 100 m less than 100 m in height o wysokości względnej 100 250 m 100 250 m in height o wysokości względnej powyżej 250 m more than 250 m in height Strefy o wyraźnych tendencjach podnoszących Areas clearly showing uplift trndencies Strefy o wyraźnych tendencjach wginających Areas clearly showing tendencies towards subsidence Formy pochodzenia wulkanicznego Volcanic landforms Szczątkowe stożki wulkaniczne Relict volcanic cones

58 Jaromir Borzuchowski, Jan R. Olędzki Kod Code Symbol Symbol Opis Description 322 Neki i dajki (twardzielce) Volcanic necks and dikes (resistance monadnocks) 4 41 411 4111 4112 4113 4114 4115 4116 4118 4119 41101 412 4121 4122 4123 4124 4125 4126 4127 4128 4129 41201 413 4131 4132 Genetyczne zespoły form egzogenicznych małych Genetic complexes of small exogenic landforms Formy denudacyjne Denudational landforms Formy grzbietowe o wysokości względnej poniżej 250 m Mountain ridges below 250 m in height Grzbiety twardzielcowe antyklinalne Anticlinal resistance ridges Grzbiety twardzielcowe synklinalne Synclinal resistance ridges Grzbiety twardzielcowe monoklinalne Resistant monoclinal ridges (hogbacks) Grzbiety twardzielcowe monoklinalne ze stokiem typu kuesty Resistant monoclinal Bridges (with one slope of kuesta type) Inne grzbiety twardzielcowe Other resistance ridges Grzbiety niezależne od odporności Ridges not depending on structure Pagóry ostańcowe i twardzielcowe na działach wodnych Residual peaks and resistance peaks on the water divides Odosobnione góry wyspowe Isolated inselbergs Duże przełęcze Passes Formy grzbietowe o wysokości względnej powyżej 250 m Mountain ridges over 250 m in height Grzbiety twardzielcowe antyklinalne Anticlinal resistance ridges Grzbiety twardzielcowe synklinalne Synclinal resistance ridges Grzbiety twardzielcowe monoklinalne Resistant monoclinal ridges (hogbacks) Grzbiety twardzielcowe monoklinalne ze stokiem typu kuesty Resistant monoclinal ridges (with one slope of kuesta type) Inne grzbiety twardzielcowe Other resistant ridges Grzbiety niezależne od odporności Ridges not depending on structure Granie Crests Pagóry ostańcowe i twardzielcowe na działach wodnych Residual peaks and resistance peaks on the water divides Odosobnione góry wyspowe Isolated inselbergs Duże przełęcze Passes Progi denudacyjne w Karpatach o wysokości względnej poniżej 250 m Denudational escarpments in the Carpathians below 250 m in height Progi na czołach nasunięć Escarpments follwing the front of nappes Progi typu kuesty na czołach nasunięć Escarpments of cuesta type following the front of nappes

Cyfrowa mapa geomorfologiczna Karpat 59 Kod Code Symbol Symbol Opis Description 4133 414 4141 4142 4143 415 4151 4152 4153 4154 4155 4156 4157 4158 Inne progi i załomy denudacyjne Other scarps and denudational break of slope Progi denudacyjne w Karpatach o wysokości względnej powyżej 250 m Denudational escarpments in the Carpathians over 250 m in height Progi na czołach nasunięć Escarpments follwing the front of nappes Progi typu kuesty na czołach nasunięć Escarpments of cuesta type following the front of nappes Inne progi i załomy denudacyjne Other scarps and denudational break of slope Progi denudacyjne w strefie starych gór i wyżyn, niskie Denudational escarpments within the old mountains and upland zone low Progi obsekwentne (inwersyjne)na liniach uskoków Fault Line scarps (obsequent, invversional) Kuesty na wychodniach skał piaskowcowych Sandstone cuestas Kuesty na wychodniach skał węglanowych Limestone and dolomite cuestas Kuesty na wychodniach skał gipsowych Gypsum cuestas Progi na wychodniach skał wylewnych Lava scarps Inne progi i załomy erozyjno denudacyjne (również okryte utworami czwartorzędowymi) Other scarps and erosional-denudational break of slope (including those manteled with Quaternary deposits) Góry świadki węglanowe Outliers and uponliers bearing limestone and dolomite caps Góry świadki piaskowcowe Outliers and uponliers bearing sandstone caps 4159 Skałki twardzielcowe Tors 416 Progi denudacyjne w strefie starych gór i wyżyn, wysokie Denudational escarpments within the old mountains and upland zone high 4161 Fault line scarps 4162 Kuesty na wychodniach skał piaskowcowych Sandstone cuestas 4163 4165 4166 4167 4168 418 419 42 421 Kuesty na wychodniach skał węglanowych Limestone and dolomite cuestas Progi na wychodniach skał wylewnych Lava scarps Inne progi i załomy erozyjno denudacyjne (również okryte utworami czwartorzędowymi) Other scarps and erosional-denudational break of slope (including those manteled with Quaternary deposits) Góry świadki węglanowe Outliers and uponliers bearing limestone and dolomite caps Skałki twardzielcowe Tors Progi denudacyjne w strefie starych gór i wyżyn niskie, okryte gołoborzami Denudational escarpments within the old mountains and upland zone low, with boulder fields Progi denudacyjne w strefie starych gór i wyżyn niskie, z dużymi osuwiskami Denudational escarpments within the old mountains and upland zone low, with great landslides Formy erozji rzecznej Landforms due to fluvial erosion Dna większych dolin płaskodennych Small Valley floors filled with:

60 Jaromir Borzuchowski, Jan R. Olędzki Kod Code Symbol Symbol Opis Description 4211 4212 422 423 424 4241 4242 4243 4244 425 426 427 428 429 43 431 4311 4312 4313 4314 432 433 434 435 436 44 Z akumulacją plejstoceńską Pleistocene sediments Z akumulacją holoceńską Holocene sediments Duże doliny V kształtne (w górach) Great V-shaped Valley (in mountains) Wąwozy, wciosy i debrza (w obszarach lessowych i innych) Gullies and V-shaped valleys (in the less areas and other) Przełomy (w obszarach górskich i wyżynnych) Water gaps (only in the mountains and uplands) Antecedentne Antecedent Epigenetyczne Epigenetic Inne przełomy Other gaps Suche przełomy dolinne Dry gaps Krawędzie erozyjne o wysokości względnej powyżej 20 m Erosional edges, more than 20 m in height Inne ważniejsze krawędzie teras (w obszarach rozpoznanych) Other import ant terrace edges (In less well known areas) Czynne podcięcia Undermined slopes, River cliffs Koryta rzek (rzeki) River channles (rivers) Duże starorzecza Great abandoned loops (cut-offs) Formy akumulacji rzecznej równiny teras akumulacyjnych i erozyjno - denudacyjnych (także w pradolinach) Landforms due to fluvial accumulation-depositional and erosional-denudational terrace plains (also in the ice-marginal valleys) Równiny terasowe plejstoceńskie Pleistocene terrace plains dating from the: Z okresu zlodowacenia południowopolskiego South-Polish glaciation (Mindel; Elster) Z okresu zlodowacenia środkowopolskiego Middle-Polish glaciation (Riss; Saale) Z okresu zlodowacenia północnopolskiego North-Polish glaciation (Würm; Vistulian) Nierozdzielone Not subdivided Równiny zalewowe i nadzalewowe holoceńskie Holocene floodplains and supra-floodplains Stożki napływowe plejstoceńskie (na Podhalu rzeczno lodowcowe) Pleistocene alluvial fans (plus outwash fans in the Podhale) Stożki napływowe holoceńskie Holocene alluvial fans Równiny deltowe holoceńskie Holocene delta plains Równiny akumulacji rzecznej i stokowej Plains due to accumulation by both fluvial and slope processes Formy erozji lodowcowej i rzeczno lodowcowej Landforms due to glacial and fluvioglacial erosion

Cyfrowa mapa geomorfologiczna Karpat 61 Kod Code Symbol Symbol Opis Description 441 442 4421 4422 443 4431 4432 444 45 451 452 453 46 461 462 463 4631 4632 4633 4634 464 465 466 467 4671 Kotły i żłoby lodowców górskich Glacial cirques and troughs in the mountains Krawędzie kontaktu lodowego Ice-contact slopes (scarps) dating from the: Z okresu zlodowacenia środkowopolskiego Middle-Polish glaciation (Riss;Saale) Z okresu zlodowacenia północnopolskiego North-Polish glaciation (Würm; Vistulian) Rynny subglacjalne (jeziorne) Subglacial channel (with lakes) dating from the: Z okresu zlodowacenia środkowopolskiego (przeobrażone) Middle-Polish glaciation (Riss; Saale), transformed Z okresu zlodowacenia północnopolskiego North-Polish glaciation (Würm; Vistulian) Ważniejsze krawędzie poziomów sandrowych (w obszarach rozpoznanych) Marked edges outwash (sandur) plains (in well know areas) Formy akumulacji lodowcowej i rzeczno lodowcowej zdenudowane w zasięgu zlodowacenia południowopolskiego Landforms due to glaciation and fluvioglacition accumulation, now degraded, occurring within the limit of the South-Polish glaciations (Mindel; Elster) Równiny denudacji peryglacjalnej powstałe z przekształcenia form akumulacji lodowcowej i rzeczno lodowcowej Plains due periglacial denudation, resulting from the alteration of former glacial and fluvioglacial landforms Ostańcowe pagóry zbudowane z osadów morenowych i rzeczno-lodowcowych Relict mounds composed og morainic and fluvioglacial deposits Krawędzie denudacyjne (na tle formy podstawowej) Denudational scarps (superimposed on the background form Formy akumulacji lodowcowej i rzeczno lodowcowej zdenudowane w zasięgu zlodowacenia środkowopolskiego Landforms due to glaciation and fluvioglacition accumulation, now degraded, occurring within the limit of the Middle-Polish (Riss; Saale) glaciation Wysoczyzna morenowa falista Undulating morainic plateaux Pagórkowata strefa marginalna Hilly marginal zone Wały morenowe i ostańce wzgórz strefy marginalnej Morainic ridges and relict mounds in the marginal zone formed by Moren spiętrzonych (Zlodowacenia Odry) Thrust (Odra glaciation) Moren akumulacyjnych (Zlodowacenia Odry) Deposition (Odra glaciation) Moren spiętrzonych (Zlodowacenia Warty) Thrust (Warta glaciation) Moren akumulacyjnych (Zlodowacenia Warty) Deposition (Warta glaciation) Zdenudowane wysoczyzny morenowe oraz akumulacji rzeczno lodowcowej (w obszarach słabo poznanych) Degraded morainic plateau and outwash (sandur) plains in less well known areas Zdenudowane równiny sandrowe i rozległe terasy kemowe Degraded outwash plains and extensive kame terraces Zdenudowane stożki sandrowe Degraded outwash fans Wytopiska Landforms due to melting out of buried ice blocks Pojedyncze małe wytopiska i zespoły małych wytopisk Single small kettles and groups of small kettles

62 Jaromir Borzuchowski, Jan R. Olędzki Kod Code 4672 4673 468 4681 4682 4683 469 4601 46011 46012 46013 47 471 472 473 474 475 4751 4752 476 4761 4762 477 478 479 4791 4792 Symbol Symbol Kemy Kames Opis Description Pojedyncze duże wytopiska, w ich obrębie formy wtórne Single small thaw basins containing secondary forms Rozległe wytopiska, w ich obrębie formy wtórne Large thaw basins containing secondary forms Pojedyncze małe kemy i terasy kemowe Single small kames and kame terraces Zespoły małych kemów i duże terasy kemowe Groups of small kames and great kame terraces Pojedyncze duże stoliwa kemowe Single kame plateaux Ozy Eskers Formy denudacyjne powstałe z przekształcenia form akumulacji lodowcowej i rzeczno lodowcowej Denudational landforms resulting from the alteration of glacial and fluvioglacial depositional landforms Krawędzie denudacyjne Denudational scarps Długie stoki wysoczyzn oraz dużych wałów morenowych, itp. Long slopes of morainic plateau, large morainic ridges etc. Równiny denudacji peryglacjalnej typu sedymentów Plains of pediment type produced by periglacial denudation Formy akumulacji lodowcowej i rzeczno lodowcowej z okresu zlodowacenia północnopolskiego Landforms due to glaciation and fluvioglacition accumulation dating from the North-Polish glaciation (Würm; Vistulian) Formy akumulacyjne lodowców górskich Depositional moraines left by valley glaciers Wysoczyzna morenowa falista Undulating morainic plateaux Wysoczyzna morenowa płaska Flat morainic plateaux Pagórkowata strefa marginalna Hilly marginal zone Wały morenowe strefy marginalnej Morainic ridges in the marginal zone, formed by: Wały moren spiętrzonych Thrust Wały moren akumulacyjnych Deposition Drumliny Drumlins Zespoły drumlinów Groups drumlins Powierzchnie drumnoidalne Drumlinoid surfaces Równiny sandrowe Outwash (sandur) plains Stożki sandrowe Outwash fans Wytopiska Landforms due to melting out of buried ice blocks Pojedyncze małe wytopiska lub zespoły małych wytopisk Single small kettles and groups of small kettles Pojedyncze duże wytopiska Single small melt-out basins

Cyfrowa mapa geomorfologiczna Karpat 63 Kod Code Symbol Symbol Opis Description 4793 4701 Kemy Kames 47011 47012 Bardzo rozległe wytopiska Large melt-out basins Pojedyncze małe kemy i terasy kemowe Single small kames and kame terraces Zespoły małych kemów i duże terasy kemowe Groups of small kames and great kame terraces 4702 48 481 482 4821 4822 4823 483 484 49 491 401 4011 40111 40112 4012 40121 40122 4013 40131 40132 4014 4015 402 Ozy Eskers Formy krasowe czwartorzędowe Karst landforms, Quaternary in age Jary Karst gorges Lejki krasowe na: Sinkholes developing in: Wapieniach Limestone Kredzie piszącej Soft chalk Gipsach Gypsum Misy jezior krasowych Karst lake basins Ważniejsze jaskinie Caves Formy sufozyjne holoceńskie Suffosional (piping) landforms, Holocene in age Zespoły zagłębień sufozyjnych Groups of suffosional pits, valleys etc. Formy eoliczne późnoglacjalne i holoceńskie Aeolian landforms, late Glacial and Holocene in age Obszary deflacji Areas of deflation Czynnej Active Zamarłe Inactive Zwarte zespoły wydm Groups of dunes Czynne Active Utrwalone Stabilized Pojedyncze wydmy paraboliczne wałowe i inne Single parabolic and other dunes Czynne Active Utrwalone Stabilized Pola piasków przewianych Wind-blown areas Starsza rzeźba okryta pokrywą lessową z zespołem form towarzyszących Older relief bearing a trick less mantle with a set of characteristic small forms Formy organogeniczne holoceńskie Organogenetic landforms, Holocene in age

64 Jaromir Borzuchowski, Jan R. Olędzki Kod Code Symbol Symbol Opis Description 4021 4022 403 4031 4032 Równiny akumulacji torfowiskowej Bog plains Złożone równiny akumulacji torfowiskowo jeziornej, torfowiskowo rzecznej i torfowiskowo morskiej Compound plains due to plant accumulation on sea- and lake stores and the river valleys Formy limniczne czwartorzędowe Limnic landforms, Quaternary in age Misy jeziorne (powierzchnia wody) Lake basins (water surface) Równiny akumulacji jeziornej Plains due to lake water deposition 4033 Równiny akumulacji zastoiskowej Plains infilled ice dammed lakes Holoceńskie formy abrazji morskiej 404 Landforms due to Marine abrasion, Holocene in age 4041 Klify Cliffs Obecnie podcinane 40411 Now undercut 40412 405 4051 4052 4053 Nieczynne Inactive Holoceńskie formy akumulacji morskiej Landforms due to marine deposition, Holocene in age Wały brzegowe Beach ridges Mierzeje z dobrze wykształconymi plażami Spits with well developer beaches Delty wsteczne Tidel deltas Terytorialny zasięg opracowania. Granice Cyfrowej Mapy Geomorfologicznej Karpat wyznaczają współrzędne geograficzne. Zachodnią granicę stanowi południk 19 o E, a wschodnią 24o E długości geograficznej wschodniej. Granicę południową poprowadzono wzdłuż 49 o N, a północną wzdłuż 51 o N, szerokości geograficznej północnej. Od strony południowej i wschodniej faktyczny zasięg opracowania ograniczony jest granicą państwową. ryc. 2. W obrębie opracowanego terenu, M. Klimaszewski (1972) wyróżnił dwie strefy morfogenetyczne. W pierwszej Alpejskiej znalazły się: Karpaty, z podziałem na Karpaty Zachodnie i Karpaty wschodnie. W obrębie Karpat zachodnich występują Karpaty Wewnętrzne z podziałem na Tatry i Podhale, a w obrębie Karpat Zewnętrznych znalazły się Beskidy i Pogórze Karpackie. W obrębie Karpat Wschodnich M. Klimaszewski wyróżnił jedynie Karpaty Zewnętrzne z Bieszczadami. Do strefy tej zaliczane są również Kotliny Podkarpackie. Ryc. 2. Zasięgu terytorialny Cyfrowej Mapy Geomorfologicznej Karpat oznaczono czerwoną ramką. Fig. 2. The territorial range of the Digital Geological Map of the Carpathians was marked in red.

Cyfrowa mapa geomorfologiczna Karpat 65 Na drugą ze stref morfogenetycznych Strefę Hercyńską, składają się: Wyżyny Śląsko-Małopolskie i Wyżyny Czarnomorskie. Metodyka opracowania Cyfrowej Mapy Geomorfologicznej Karpat Algorytm postępowania. Mapę cyfrową można określić jako numeryczny zapis rzeczywistej przestrzeni. Elementy takiej przestrzeni mogą być reprezentowane w dwojaki sposób w pamięci komputera: na zasadzie zapisu rastrowego lub w postaci wektorowej. Oba typy cyfrowego zapisu przestrzeni pozwalają na uzyskanie mapy komputerowej, jednakże dają różne możliwości jej użytkowania. W trakcie doboru pożą danego algorytmu postępowania należy dokładnie określić cel jakiemu ma służyć mapa. System rastrowy oparty na odniesieniu danych do pól podstawowych jest prostszy, ale wymaga większej pamięci komputera. Umożliwia on powierzchniowe analizy przestrzenne. Natomiast zapis rastrowy umożliwia przedstawianie form poligonalnych, liniowych i punktowych. Tym samym jego możliwości w odniesieniu do analiz przestrzennych są większe. Podstawowym założeniem dla Cyfrowej Mapy Geomorfologicznej Karpat było stworzenie jej zapisu komputerowego w postaci wektorowej. W tym celu przeprowadzono analizę danych wejściowych zawartych na analogowej Przeglądowej Mapy Geomorfologicznej Polski. Na mapie tej, formy rzeźby terenu przedstawione są za pomocą punktów, linii i poligonów. W legendzie mapy wyróżniono 172 jednostki, odnoszące się do wszystkich trzech rodzajów oznaczeń graficznych (punkty, linie i poligony). Było to punktem wyjścia do zaprojektowania układu zapisu komputerowego, dla Cyfrowej Mapie Geomorfologicznej Karpat, którego charakterystykę przedstawia tabela 2. Tabela 2. Liczba wydzieleń na Cyfrowej Mapie Geomorfologicznej Polski Table 2. Number of units on the Digital Geomorphological Map of Poland Główne wydzielenia legendy Przeglądowej Mapy Geomorfologicznej Polski Key units of legend of the Geomorphological Map of Poland Wydzielenia dodatkowe Additional units Poligon Polygons Liczba jednostek Number of units Linia Lines Punkt Points Suma Total 73 78 21 172 17 5 0 22 194 Jak wynika z tabeli 2 mapa cyfrowa w części geomorfologicznej składa się z trzech warstw, wyróżnionych ze względu na geometryczny charakter oznaczeń form rzeźby. Oznaczenia objęte nazwą struktury dodatkowe odnoszą się do wydzieleń utworzonych z połączenia lub rozdzielenia form rzeźby oznaczonych na analogowej Przeglądowej Mapie Geomorfologicznej Polski. Dotyczy to takich przypadków, w których na tle danej formy przedstawionej w postaci poligonu oznaczano symbolami mniejsze formy jej towarzyszące. Działania tego typu pozwoliły na łatwiejszą wektoryzację tych złożonych przypadków, nie zmniejszając wartości mapy. Wszystkie opisane elementy pozwoliły na wybór odpowiedniego algorytmu postępowania. Cały proces konstruowania Cyfrowej Mapy Geomorfologicznej Karpat przebiegał w trzech etapach: pozyskanie danych, przetwarzanie danych cyfrowych oraz przygotowanie graficznej prezentacji poszczególnych wydzieleń. Wszystkie te etapy są szczegółowo omówione w dalszej części opracowania. Ogólny schematu działania, przedstawiono w tabeli 3. Tabela 3. Schemat działania przy tworzeniu Cyfrowej Mapy Geomorfologicznej Karpat Table 3. Algorithm of creation of the Digital Geomorphological Map of the Carpathians Etap I Stage I Etap II Stage II Etap III Stage III Pozyskanie danych Data acquisition Skanowanie poszczególnych arkuszy Scanning of map sheets Rejestracja uzyskanych skanów Georectification of scans Łączenie uzyskanych skanów Mosaicing of scans Przetwarzanie danych cyfrowych Digital data processing Wektoryzacja poszczególnych warstw tematycznych Digitaising of thematic layers Kodowanie powstałych warstw tematycznych Topology and codding of thematic layers Przygotowanie graficznej reprezentacji poszczególnych wydzieleń Edditing of the map Zakres i struktura bazy danych. W czasie projektowania numerycznego zapisu przestrzeni, należy zdać sobie sprawę, że wszystkie dane muszą być w pewien logiczny sposób powiązane, muszą stanowić swojego rodzaju bazę danych. Cała treść tematyczna została zapisana w postaci trzech warstw wektorowych. Początkowo, podczas tworzenia poszczególnych warstw wszystkie wektoryzowane elementy były nierozróżnialne. Różniły się kształtem, wielkością, jednakże system komputerowy przypisywał im taką samą wartość. W celu selekcji poszczególnych struktur w obrębie wszystkich trzech warstw, stworzono pewnego rodzaju klucz.

66 Jaromir Borzuchowski, Jan R. Olędzki Wszystkim elementom występującym w legendzie Przeglądowej Mapy Geomorfologicznej Polski (a także tak zwanych struktur dodatkowych) przypisano jednoznaczny numer kod. Nawiązuje on do hierarchicznego porządek legendy Przeglądowej Mapy Geomorfologicznej Polski. Sytuacja taka stanowi pewnego rodzaju ułatwienie w korzystaniu z danych zawartych w tej bazie. Użytkownik może wyciągnąć interesujące go informacje wpisując w pole zapytań do bazy, jedynie kod lub kody pożądanych elementów, a nie ich całe nazwy. Wpisanie całych nazw prowadzić może do zapętlenia się programu komputerowego, gdyż w większości są one przystosowane do pracy raczej z liczbami niż nazwami. Obok jednoznacznie określonego kodu, każda struktura wektorowa posiada swoją oryginalną nazwę. Jest to informacja typu opisowego pozyskana z Przeglądowej Mapy Geomorfologicznej Polski. Informacja pomocnicza rastrowa warstwa administracyjna. Cyfrowa Mapa Geomorfologiczna Karpat, jako mapa tematyczna nie posiada żadnej warstwy wektorowej, która mogłaby stanowić element orientacyjny. Sytuacja taka mogłaby prowadzić do znacznego ograniczenia możliwości związanych z wykorzystywaniem takiej mapy. W wyniku tego do powyższego opracowania dołączono dodatkową warstwę, rastrową warstwę administracyjną. Głównym jej zadaniem jest pomoc w precyzyjnej lokalizacji form rzeźby interesujących użytkownika, zawartych w trzech zbiorach wektorowych. Omawiana warstwa została zaczerpnięta z Atlasu Rzeczypospolitej Polski i stanowi ją Mapa Przeglądowa Polski w skali 1:500 000. Pozyskanie danych. Głównym założeniem procesu tworzenia Cyfrowej Mapy Geomorfologicznej Karpat było założenie, że będzie ona miała postać wektorową. Łatwo zauważyć, że fakt ten był podstawą doboru ściśle określonego algorytmu postępowania. W tabeli 3. przedstawiony został schemat algorytmu postępowania. Pierwszym etapem jest pozyskanie danych. Dane te stanowią główne źródło informacji. W przypadku mapy wektorowej etap pozyskania danych może przebiegać na kilka sposobów, z których wyróżnić można dwie główne grupy. W pierwszej z nich dokonuje się wprowadzenia do pamięci komputera informacji rastrowej. Polega to na wczytaniu za pomocą skanera, danych w postaci obrazowej. Drugim sposobem jest uzyskanie danych wejściowych jako zbioru opisowego, który dzięki odpowiedniemu oprogramowaniu komputerowemu, stanowi bezpośrednio warstwę wektorową. W wykonanym opracowaniu dla uzyskania danych wejściowych zastosowano metodę skanowania. W efekcie zeskanowane zostały wszystkie arkusze Przeglądowej Mapy Geomorfologicznej Polski. Powstał obraz rastrowy zapisany osobno dla każdego arkusza, w formacie TIFF. Na ryc. 3, przedstawiono ten obraz w zestawieniu dla całej Polski. Poszczególne zeskanowane arkusze mapy otrzymały nazwy pochodzące od nazw odpowiednich im arkuszy, co jest zestawione w tabeli 4. Ryc. 3. Przeglądowa Mapa Geomorfologiczna Polski. Obraz rastrowy. Fig. 3. Refence Geomorphological Map of Poland. A raster image. Charakterystyka procesu opracowywania Cyfrowej Mapy Geomorfologicznej Karpat. Tabela 4. Nazwy poszczególnych plików zeskanowanej Przeglądowej Mapy Geomorfologicznej Polski Table 4. Names of individual files in the scanned Reference Geomorphological Map of Poland Lp. No Nazwa arkusza Name of sheet Nazwa skanu Name of scan 1 Poznań poz.tif 2 Gdańsk gda.tif 3 Warszawa war.tif 4 Wrocław wro.tif 5 Kraków kra.tif 6 Lublin lub.tif Kolejnym krokiem było połączenie otrzymanych obrazów rastrowych w całość. Skorzystano z oprogramowania ArcInfo firmy ESRI (1996). Otrzymane obrazy rastrowe zostały wczytane i za pomocą procedury REGISTER naniesiono dla każdego arkusza serię punktów, ozna-

Cyfrowa mapa geomorfologiczna Karpat 67 czając je na podstawie współrzędnych geograficznych, podanych na ramkach. Informacje te zawarte zostały w odpowiednich plikach posiadających rozszerzenie *.tfw. Iiczba punktów różni się na poszczególnych arkuszach, natomiast jest ich co najmniej sześć dla każdego. Punkty te były opisywane w sposób pośredni za pomocą współrzędnych geograficznych, tak aby system ArcInfo mógł je odpowiednio odczytywać. Oprogramowanie to, dzięki podanym wcześniej współrzędnym jest w stanie zorientować przestrzennie poszczególne obrazy względem siebie. Uzyskano w ten sposób wspólny obraz wszystkich arkuszy Przeglądowej Mapy Geomorfologicznej Polski w jednakowym układzie współrzędnych geograficznych. Przetwarzanie danych cyfrowych. W rezultacie wcześniejszego etapu otrzymano rastrowy obraz Przeglądowej Mapy Geomorfologicznej Polski, który w pewnych aspektach można uznać za mapę cyfrową, natomiast bezpieczniej będzie nazywać ten obraz rastrowym zestawem danych wejściowych, który stanowi podstawę do opracowania mapy wektorowej. Przed przystąpieniem do wektoryzacji uzyskanych danych rastrowych należało zastanowić się nad strukturą projektowanych warstw wektorowych. Na podstawie legendy Przeglądowej Mapy Geomorfologicznej Polski została utworzona tzw. przestrzeń robocza. Twór ten stanowił odpowiednio uporządkowany układ katalogów, który zawierał poszczególne warstwy wektorowe. Na podstawie analizy poddano wektoryzacji trzy odmienne geometrycznie grupy struktur tworzących geomorfologiczną część Przeglądowej Mapy Geomorfologicznej Polski. Były to struktury punktowe, liniowe i poligonowe. Poniżej prezentowana jest struktura plików tworzących wymienione warstwy wektorowe, tabela 5. Tabela 5. Schemat struktury plików tworzących warstwy wektorowe Cyfrowej Mapy Geomorfologicznej Karpat. Table 5. Structure of files making up the vector layers of the Digital Geomorphological Map of the Carpathians Warstwa punktowa Podkatalog Punktgem Layer of points subdirectory Punktgem Warstwa liniowa Podkatalog Lingem Layer of lines subdirectory Lingem Warstwa poligonowa Podkatalog Polgem Layer of poligons subdirectory Polgem - punktgem.dbf - punktgem.sbn - punktgem.sbx - punktgem.shp - punktgem.shx - lingem.dbf - lingem.sbn - lingem.sbx - lingem.shp - lingem.shx - polgem.dbf - polgem.sbn - polgem.sbx - polgem.shp - polgem.shx Jak wynika z danych zawartych w Tabeli 5. każda z utworzonych warstw składa się z pięciu różnych typów plików. Jest to wynikiem wyboru oprogramowania ArcView użytego do wektoryzacji. Do podstawowych zalet tego oprogramowania należy prostota obsługi, a także szeroka współpraca z innymi programami i formatami plików. Utworzona przestrzeń robocza umożliwiła rozpoczęcie procesu wektoryzacji. Warstwy wektorowe były tworzone w kolejności odwrotnej niż pokazano to w tabeli 5. W pierwszym kroku wyświetlono uzyskane wcześniej rastry Przeglądowej Mapy Geomorfologicznej Polski. Na ich podkładzie dokonano wrysowywania kolejnych warstw wektorowych metodą wektoryzacji ręcznej na ekranie monitora. Proces ten polegał na kopiowaniu wyświetlonych w postaci rastrów powierzchni, za pomocą punktów, linii i poligonów. Wszystkie warstwy przypisywano automatycznie do tej samej przestrzeni, co uzyskane wcześniej obrazy cyfrowe. Oznacza to, że każda z powstałych warstw zastała określona w przestrzeni na podstawie tych samych współrzędnych geograficznych. Ostatnim krokiem tego etapu było określenie poprawności wykreślenia strukturalnych elementów mapy. Polegało to na sprawdzeniu, czy wszystkie powstałe poligony, linie i punkty zgadzają się z ich odpowiednikami na warstwach rastrowych. Dodatkowo warstwa poligonów poddana była sprawdzeniu topologicznemu. Weryfikacja polegała na sprawdzeniu: domknięcia wszystkich poligonów, jednoznaczności granic sąsiadujących poligonów, pełnej rozdzielności powierzchni sąsiadujących poligonów. Ten etap opracowania zrealizowano za pomocą procedury TOPOLOGY. Po utworzeniu wszystkich trzech warstw otrzymano graficzną prezentację form rzeźby występujących na Przeglądowej Mapie Geomorfologicznej Polski. Prezentacja ta nie była jednak doskonała, gdyż wszystkie formy rzeźby w obrębie każdej warstwy, wyglądały podobnie, różniąc się jedynie geometrią. W wyniku tego, program komputerowy ich nie rozróżniał. W celu odpowiedniego ich zróżnicowania dokonano kodowania powstałych warstw tematycznych na podstawie opracowanego wcześniej klucza kodów. W trakcie realizacji tego etapu zaistniała potrzeba utworzenia dodatkowych oznaczeń. Było to wynikiem procesu wektoryzacji, w którym zostało utworzonych 17 dodatkowych form w warstwie poligonów i 5 w warstwie linii. Powstały one w wyniku połączenia lub rozdzielenia poszczególnych elementów rzeźby oznaczonej w Przeglądowej Mapie Geomorfologicznej Polski, o czym wspomniano już poprzednio, tabela 6. Po etapie kodowania wszystkie trzy warstwy wektorowe posiadały już odpowiednią informację opisową o zawartych tam formach. Na tej podstawie możliwa była prosta wizualizacja otrzymanych wydzieleń, na zasadzie zróżnicowania barwnego. Przygotowanie graficznej prezentacji poszczególnych wydzieleń. Ostatnim etapem prowadzącym do uzyskania Cyfrowej Mapy Geomorfologicznej Karpat,

68 Jaromir Borzuchowski, Jan R. Olędzki Tabela 6. Formy dodatkowe powstałe w wyniku połączenia lub rozdzielenia poszczególnych form rzeźby wyróżnionych na Przeglądowej Mapie Geomorfologicznej Polski Table 6. Additional forms created by the merging or separating of individual types of relief shown in the Reference Geomorphological Map of Poland Formy powstałe z rozdzielenia Forms created by the separating 211000 + 401500 = 211100 464000 + 401500 = 464100 145000 + 401500 = 145100 143100 + 401500 = 143110 431400 + 401500 = 431410 143200 + 401500 = 143210 142100 + 401500 = 142110 134000 + 401500 = 134100 113300 + 401500 = 113310 212000 + 401500 = 212100 113400 + 401500 = 113410 451000 + 401500 = 451100 Formy powstałe z połączenia Forms created by the merging 112500 + 401500 = 112510 433000 = 433000 (linia) + 433000 (poligon) 113100 + 401500 = 113110 434000 = 434000 (linia) + 434000 (poligon) 460120 + 401500 = 460121 435000 = 435000 (linia) + 435000 (poligon) 213000 + 401500 = 213100 468100 = 468100 (linia) + 468100 (poligon) 142200 + 401500 = 142210 470110 = 470110 (linia) + 470110 (poligon) było przygotowanie odpowiedniej prezentacji graficznej poszczególnych wydzieleń. W tym celu należało przyporządkować utworzonym formom geometrycznym odpowiednie oznaczenia wizualne. Procedura tych działań przebiegała w dwóch fazach dla wszystkich typów wydzieleń we wszystkich trzech warstwach. Najpierw wykonano analizę graficzną poszczególnych kategorii form przedstawionych na analogowej Przeglądowej Mapie Geomorfologicznej Polski, a następnie przypisano odpowiednim grupom struktur wektorowych, właściwe dla nich prezentacje graficzne, w zależności od wyników analizy wykonanej w pierwszej fazie postępowania. Wszystkie wspomniane działania wykonano w programie ArcMap. Utworzone warstwy wektorowe były kolejno poddawane edycji, w wyniku której w drodze analizy wizualnej Przeglądowej Mapy Geomorfologicznej Polski, dokonano graficznego odwzorowania. Wszystkim grupom struktur wektorowych przypisano oznaczenia jak najwierniej odzwierciedlające ich oryginały. Tło orientacyjne warstwa rastrowa. Przeglądowa Mapa Geomorfologiczna Polski w swojej analogowej postaci posiada oprócz warstwy geomorfologicznej, szereg informacji dodatkowych. Informacje te tworzą swoistego rodzaju tło pomocnicze, wspomagające czytelność warstwy głównej. Wyróżnić tam można zasadniczo trzy warstwy dodatkowe: sieć hydrograficzną, poziomice oraz granicę państwa wraz z punktowo zaznaczonymi wybranymi miastami i głównymi drogami. W celu zwiększenia czytelności utworzonej Cyfrowej Mapy Geomorfologicznej Karpat w skali 1:500 000, zdecydowano się uzupełnić ją informacją dodatkową, tak jak to jest w przypadku Przeglądowej Mapy Geomorfologicznej Polski, z tą różnicą, że omawiane tło orientacyjne stanowić miała warstwa rastrowa (a nie dodatkowe warstwy wektorowe). Wspomniane tło stanowi zeskanowany i odpowiednio przetworzony raster Mapy Administracyjnej Polski w skali 1:500 000, zaczerpnięty z Atlasu RP. Tak więc zeskanowano odpowiedni arkusz tej mapy (12.6. Małopolska), zapisując plik w formacie TIFF, pod nazwą małopolska.tif. Kolejnym krokiem było dokonanie przestrzennego zorientowania otrzymanego rastra z Cyfrową Mapą Geomorfologiczną Karpat. Uzyskano to za pomocą oprogramowania Erdas Imagine. Po wczytaniu plików małopolska.tif, kra.tif oraz lub. tif, przystąpiono do ich przestrzennego zorientowania. Dokonano tego używając procedury IMAGE TO IMA- GE. Polegało to na wskazaniu wybranym punktom na Mapie Administracyjnej odpowiadających im punktów z Mapy Geomorfologicznej. W ten sposób stworzono około pięćdziesięciu par punktów, zlokalizowanych na przecięciach siatki współrzędnych oraz wzdłuż granicy państwa. Następnie dokonano weryfikacji otrzymanych połączeń. W tym celu skasowano te pary punktów, które charakteryzowały się nadmiernym błędem. Jeden piksel zeskanowenego w rozdzielczości 300 dpi arkusza Mapy Administracyjnej Polski przypada na około 42 metry w terenie. Uwzględniając skalę 1:500 000, w jakiej to opracowanie zostało wykonane, usunięto te pary, których błąd przekraczał swoim zasięgiem ponad 8 10 pikseli.

Cyfrowa mapa geomorfologiczna Karpat Uzyskano wprawdzie połączenie obu map, jednak w dalszym ciągu posiadały one odmienne geometrie wyświetlania. W celu ich ujednolicenia, na podstawie otrzymanych par punktów, przetransponowano Mapę Administracyjną do siatki współrzędnych Cyfrowej Mapy Geomorfologicznej Karpat. Działanie to zostało wykonane za pomocą modułu Geo Correction Tools, poprzez procedurę Resampling. W wyniku przepróbkowania Mapy Administracyjnej powstał obraz warstwy administracyjnej posiadający tą samą geometrię, co Cyfrowa Mapa Geomorfologiczna Karpat. W celu odróżnienia tej warstwy od jej pierwotnej formy nadano jej nazwę rectifymałopolska.tif. Tak otrzymana warstwa stała się integralną częścią Cyfrowej Mapy Geomorfologicznej Karpat. W celu uzyskania odpowiedniej generalizacji, warstwa pomocnicza wyświetlana jest z 50 % przeźroczystością przy pomocy 8 bitowej skali jaskrawości. 69 cowaniu, służącym do edycji i odczytu Cyfrowej Mapy Geomorfologicznej Karpat, jest program ArcMap. Możliwości prezentacji Cyfrowej Mapy Geomorfologicznej Karpat, przy wykorzystaniu systemu ArcMap, pozwalają dokonać tego na kilka sposobów. Zależy to głównie od potrzeb użytkownika, co się bezpośrednio przekłada na sposób jej wyświetlania. Kompozycja do wydruku. Obok możliwości oglądania mapy cyfrowej na ekranie komputera jest jej prezentacja w postaci wydruku. W tym celu stworzono odpowiednią kompozycję tej mapy, wykorzystując do tego celu oprogramowanie ArcMap. Cały proces tworzenia kompozycji do wydruku przebiegał w siedmiu etapach. W pierwszym etapie wyświetlano wszystkie warstwy w kolejności, w trybie data view : punktgem.shp, lingem.shp, polgem.shp, rectifymałopolska.tif. W drugim, nadano odpowiednią reprezentację wszystkim strukturom wektorowym (tryb data view ). W trzecim, określono położenia wszystkich warstw w trybie layout view kompozycja do wydruku. W czwartym, określono położenie i utworzono ramkę tytułową. W piątym, określono położenie i utworzono ramkę legendy. W szóstym, określono położenie i utworzono dodatkową ramkę, zawierającą informacje o autorach Przeglądowej Mapy Geomorfologicznej Polski, skalę i podziałkę liniową. W siódmym, naniesiono siatkę współrzędnych geograficznych. W wyniku tego postępowania otrzymano gotową kompozycję zapisaną w formacie pliku projektowego programu ArcMap, jako CMGK_wydruk.mxd. Schematyczny obraz tej kompozycji przedstawiono na ryc. 4. Cyfrowa Mapa Geomorfologiczna Karpat możliwości prezentacji Cyfrowa Mapa geomorfologiczna Karpat, jest mapą w całości dostępną w komputerze. Narzędziami służącymi do jej bezpośredniego odczytu są programy z zakresu Systemów Informacji Geograficznej, czytające format typu SHAPE (*.shp). Głównym oprogramowaniem wykorzystanym w tym opra- Ryc. 4. Cyfrowej Mapy Geomorfologicznej Karpat. Zrzut ekranowy mapy przygotowanej do wydruku. Fig. 4. Digital Geological Map of the Carpathians. Printscreen of the map ready for printing. Praca z bazą danych. Cyfrowa Mapa Geomorfologiczna Karpat, jako mapa wektorowa stanowi źródło danych, pozwalające na szybką i nieskomplikowaną ich selekcję i agregację. Za pomocą przyporządkowanych wszystkim strukturom wektorowym atrybutom, możliwe jest zastosowanie języka zapytań SQL. Docelowo wszystkie warstwy wektorowe zapisane są w formacie Shapefile. Pliki tego typu zorganizowane są w ten sposób, aby zautomatyzować procesy edycji i obróbki struktur wektorowych. Każda nowo założona warstwa wektorowa ma na wstępie przyporządkowane trzy różne typy plików. Sytuacja ta pozwala na umieszczenie w osobnych tabelach, różnych pod względem charakteru informacji. W czasie edycji tworzonych form wektorowych, do istniejących już trzech plików, dołączane są dwa kolejne. W rezultacie utworzona warstwa wektorowa posiada kilka tabel zawierających różnego rodzaju informacje. Tabela 7. ilustruje wspomniane typy plików. W celu wykorzystania Cyfrowej Mapy Geomorfologicznej Karpat, używając języka zapytań SQL, należy wyświetlić interesujące warstwy wektorowe w programie wyposażonym w tego typu funkcje. Ze względu na

70 Jaromir Borzuchowski, Jan R. Olędzki Tabela 7. Typy plików składające się na jedną warstwę formatu Shapefile. Table 7. Types of files making up one layer in the Shapefile format. - *.dbf - *.sbn - *.sbx - *.shp - *.shx Pliki, w których przechowywana jest informacja o atrybutach Database files Pliki, w których przechowywany jest format struktur przestrzennych Shapefile spatial format Pliki, w których przechowywany jest indeks struktur przestrzennych Shapefile spatial index format Pliki, w których przechowywana jest informacja o geometrii struktur Shapefile geometry format Pliki, w których przechowywany jest indeks geometrii struktur Shapefile index geometry format Ryc. 5. Zrzut ekranowy mapy. Przykład 1, zastosowania języka zapytań SQL w programie ArcMap. Fig. 5. Map print screen. Example 1, applications of SQL in the ArcMap software. zastosowanie formatu Shapefile, ESRI, jako podstawowego sposobu zapisu informacji wektorowej, proponuje się wykorzystanie do tych celów oprogramowania tej samej firmy. Wspominany wcześniej program ArcMap, stanowi odpowiednie tego typu narzędzie. Poniżej prezentowane są dwa przykłady zastosowania języka zapytań SQL za pomocą programu ArcMap, ryc. 5 i ryc. 6. Wnioski Cyfrowa Mapa Geomorfologiczna Karpat w skali 1:500 000 w swojej cyfrowej postaci zwiększa dostępność danych geomorfologicznych, gdyż może być udostępniana w dwóch formach. Na pierwszym miejscu należy wymienić możliwość wizualizacji poprzez wydruk ploterowy. Dodatkowo metoda ta wzbogacona jest poprzez szerokie pole graficznej prezentacji. Kolejnym sposobem wizualizacji mapy numerycznej jest jej wyświetlenie na ekranie monitora. Mapa cyfrowa może być w tym przypadku przedstawiona w całości z zastosowaniem dowolnej formy prezentacyjnej lub dowolnej jej części. Cyfrowa Mapa Geomorfologiczna Karpat, jako mapa wektorowa magazynuje wszystkie informacje na zasadzie zapisu matematycznego, uzupełnionego danymi opisowymi. W procesie wektoryzacji Przeglądowej Mapy Geomorfologicznej Polski zaistniały pewne problemy wynikające z trudności interpretacji zdigitalizowanych obrazów, niektórych form rzeźby. W sytuacjach takich zachodziła konieczność wykonania korekcji merytorycznej zarysu i położenia takich form rzeźby, posługując się szczegółowymi materiałami referencyjnymi, takimi jak szczegółowe mapy tematyczne. Sytuacje takie wskazują na potrzebę uczestnictwa w procesie opracowywania cyfrowych map tematycznych zarówno specjalistów o wiedzy geoinformatycznej jak i osób o dużej wiedzy i doświadczeniu merytorycznym w określonej dziedzinie nauk o Ziemi. Literatura Ryc.6. Zrzut ekranowy mapy. Przykład 2, zastosowania języka zapytań SQL w programie ArcMap. Fig. 6. Map print screen. Example 2, applications of SQL in the Arc- Map software. ArcView GIS; ArcView Spatial Analyst, 1996, ESRI, Inc. Redlands California USA. Gilewska S., Klimkowa M., Starkel L., 1982, The 1:500 000 Geomorphological Map of Poland. Geographia Polonica, T. 48, Polish Academy of Sciences, Institut of Geography and Spatial Organization, PWN Polish Scientfic Publishers, Warszawa. Jurkan A., Zielke J., 1995, Szczegółowa Mapa Geologiczna Polski w skali 1:50 000 baza danych

Cyfrowa mapa geomorfologiczna Karpat 71 oraz wspomaganie redakcji mapy, Systemy Informacji Przestrzennej. Materiały V Konferencji Naukowo Technicznej, Warszawa. Kalniet A., Karaszewska U.,1972, Mapa Geomorfologiczna Polski w skali 1:500 000. Opracowanie merytoryczne Instytut Geodezji i Kartografii, red. kartograficzna W. Lisiecka, Państwowe Przedsiębiorstwo Wydawnictw Kartograficznych, Warszawa. Karczewski A., 1968. Mapa Geomorfologia Pojezierza Myśliborskiego i Niziny Szczecińskiej. Wpływ recesji lobu Odry na powstanie i rozwój sieci dolinnej Pojezierza Myśliborskiego i Niziny Szczecińskiej. Prace Komisji Geograficzno- -Geologicznej, Poznańskie Towarzystwo Przyjaciół Nauk. z.105. Poznań. Klimaszewski M., 1972, Podział geomorfologiczny Polski Południowej. W: Geomorfologia Polski, t. 1, Polska Południowa góry i wyżyny, opracowanie zbiorowe pod redakcją M.Klimaszewskiego,Państwowe Wydawnictwo Naukowe, Warszawa. Krzemiński J., 2009, Przeglądowa mapa geomorfologiczna Podlasia, w skali 1:300000. Teledetekcja środowiska, T. 42, Polskie Towarzystwo Geograficzne, Warszawa. Napiórkowska M., 2011, Cyfrowa mapa geomorfologiczna Mazowsza. Teledetekcja środowiska, T. 45, Polskie Towarzystwo Geograficzne, Warszawa, w druku. Olędzki J.R., 2007, Regiony geograficzne Polski. Teledetekcja środowiska, T.38, Polskie Towarzystwo Geograficzne, Warszawa. Przeglądowa Mapa Geomorfologiczna Polski w skali 1:500 000, 1980, opracowanie zbiorowe pod redakcją naukową L. Starkela i redakcją kartograficzną K. Trafasa, Wojskowe Zakłady Kartograficzne, Warszawa. Understanding GIS, The ArcInfo Method, 1990-1997, ESRI, Inc. Redlands California USA. Wołk-Musiał E., 1984, Systeme d information spatial SINUS-1 instrument de l analise geomorfologique. Miscellanea Geographica, WGiSR Uniwersytet Warszawski, Warszawa. Wołk-Musiał E., 1992, Fotointerpretacyjna mapa geomorfologiczna w skali 1:50000, arkusz Choroszcz, opracowana numerycznie. Fotointerpretacja w geografii, T.22, Polskie Towarzystwo Geograficzne, Warszawa. Wołk-Musiał E., 1994, Strefowość rzeźby Niziny Północnomazowieckiej według danych teledetekcyjnych. Fotointerpretacja w geografii, t. 24, Klub Teledetekcji Środowiska PTG, Warszawa 1994. Wołk-Musiał E., Zagajewski B., 2000, Analiza geomorfologiczna terenu z zastosowaniem systemów informacji geograficznej. Fotointerpretacja w geografii, T.31, Polskie Towarzystwo Geograficzne, Warszawa. Mgr Jaromir Borzuchowski absolwent Międzywydziałowych Studiów Ochrony Środowiska ze specjalizacją w Katedrze Geoinformatyki i Teledetekcji Wydziału Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego. Obecnie pracuje w firmie prywatnej zajmując się głównie projektami z zakresu konsultingu środowiskowego, gdzie teledetekcja i GIS niejednokrotnie stanowią podstawowe źródło danych i analiz. Adres do korespondencji: jaromir.borzuchowski@gazeta.pl Prof. dr hab. Jan R. Olędzki Kierownik Katedry Geoinformatyki i Teledetekcji na Wydziale Geografii i Studiów Regionalnych Uniwersytetu Warszawskiego. Zajmuje się zagadnieniami wykorzystania zdjęć lotniczych w badaniach struktury środowiska geograficznego oraz nauczaniu teledetekcji na studiach geograficznych i ochronie środowiska. Ważniejsze opracowania to: Geoinformatyka zintegrowanym narzędziem badań przestrzennych (2004), Regiony geograficzne Polski (2007). Jest współautorem podręczników: Polska na zdjęciach lotniczych i satelitarnych (1988), Interpretacja zdjęć lotniczych (1999), Geograficzne badania środowiska przyrodniczego (2007), Zintegrowane badania środowiska (2009). E-mail: jroledzk@uw.edu.pl