geoinforma n technologie v hodnocen krajiny a v lesnick ch aplikac ch
Download
Skip this Video
Download Presentation
Geoinformační technologie v hodnocení krajiny a v lesnických aplikacích

Loading in 2 Seconds...

play fullscreen
1 / 18

Geoinformační technologie v hodnocení krajiny a v lesnických aplikacích - PowerPoint PPT Presentation


  • 104 Views
  • Uploaded on

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

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Geoinformační technologie v hodnocení krajiny a v lesnických aplikacích' - gillian-thomas


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
geoinforma n technologie v hodnocen krajiny a v lesnick ch aplikac ch

Geoinformační technologie v hodnocení krajinya v lesnických aplikacích

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

1 Univerzita Palackého v Olomouci, Katedra geoinformatiky

2 Mendelova univerzita v Brně, Ústav geoinformačních technologií

3 Vysoká škola báňská – Technická univerzita Ostrava, Institut geoinformatiky

slide2

GEOINFORMATICKÉ ALTERNATIVY STANOVENÍ C-FAKTORU MODELU (R)USLE

  • Univerzální rovnice pro výpočet průměrné dlouhodobé ztráty půdy

používaná k ochraně půdy po celém světě v předpovídání průměrné roční ztráty půdy způsobené povrchovou a rýhovou erozí

G (A) = R*K*L*S*C*P

G (A) - průměrná dlouhodobá ztráta půdy (t . ha-1 za rok)

R - faktor erozní účinnosti deště - API5, 30, senzorové systémy

K - faktor erodovatelnosti půdy

L - faktordélkysvahu kombinovaný LS faktor v GIS

S - faktorsklonusvahu

C - faktor ochranného vlivu vegetace

P - faktor účinnosti protierozních opatření

slide3

VEGETAČNÍ INDEXY

OSTATNÍ

NDVI

De Jong

Geostatistické metody

Wang

USLE

NDVI

J.M. van der Knijff a kol.

Neuronové sítě

C FAKTOR

NDVI

M.Suriyaprasit a D.P.Shrestha

Genetic programming algorithm

SAVI/TSAVI

M.Kefi a K.Yoshino

RUSLE

TABULKOVÝ - TERÉNNÍ PŘÍSTUP

Janeček a kol.

mNDVI u HYPERIONU

M. Heidari Mozaffar a kol.

KLASIFIKACE OBRAZU

Databáze

(LPIS, CORINE land cover, ZABAGED)

NDVI + REKLASIFIKACE

A. Karaburun

LSMA

A.M.de Asis, K.Omasa

KLASIFIKACE OBRAZU

NDVI + REKLASIFIKACE

S.V. Smith a kol.

LIDAR

slide4

NDVIJ.M. Van der KNIJFF a kol.

  • Při testování jednotlivých typů vegetačního krytu zjištěna korelace mezi NDVI a C-faktorem
  • Obecný vzorec aplikovatelný na různé snímky:
slide5

NDVIJ.M. Van der KNIJFF a kol.

NDVI = (NIR – red)/(NIR + red)

Landsat 5 TM

26.9.2011, 172x183 km, 1:100000

Prostorové rozlišení 30 m

Erdas Imagine

ArcGIS

IDRISI

slide6

NDVIJ.M. Van der KNIJFF a kol.

Histogram NDVI

17209459

0

0

Histogram C-faktoru

17209459

1

slide7

C - FAKTOR

LANDSAT – pásmo 1,2,3

slide8

SAVI -Soil Adjusted Vegetation IndexM.Kefi a K.Yoshino

Vizuální průzkum pokrytí vegetací

Raster calculator

Model Maker

Landsat 5 TM – 4,3,2

L = korekční faktor, hodnota 0 (pokrytí více než 90% snímku vegetací) -> 1 (při méně než 10% pokrytí vegetací)

slide9

POROVNÁNÍ VÝSLEDKŮ

Histogram NDVI

17209459

0

0

Histogram SAVI

17208289

0

1

0

slide10

POROVNÁNÍ VÝSLEDKŮ - výřez

C faktor ze SAVI

C faktor z NDVI

slide11

NEDOSTATKY

  • Nevyužití subfaktorů z RUSLE
  • Přesnost (dle zdroje dat)
    • Nevhodnost pro malá území – prostorové rozlišení
    • Smíšené pixely
    • Interval snímání
    • Oblačnost, poškození snímků
slide12

VÝHODY

  • Rychlost
  • Dostupnost
  • Cena
  • Vhodný pro velká území
  • Aplikace v rámci RUSLE - čas
  • Budoucnost
git v lesnictv
GIT V LESNICTVÍ
  • Dálkový průzkum Země (letecké laserové skenování, multispektrální a hyperspektrální snímkování, radarové snímání, UAV, fotogrammetrická mračna),
  • Pozemní měření a mapování (globální navigační satelitní systémy, pozemní laserové skenování),
  • Bezkontaktní měření a testování materiálů (počítačová tomografie, ultrazvuková měření, laserové skenování),
  • Monitoring (vysokofrekvenční identifikace a čipování, ultrazvukové detektory a čidla, laserové měřicí přístroje),
  • Geografické informační systémy (podpora prostorového rozhodování, modelování a vizualizace, geoweb).

Technologie precizního lesnictví

real time forest intelligence
Real-Time Forest Intelligence
  • Využívání služeb obsahujících lesnická data a znalostní báze pro mobilní zařízení v reálném čase – využívat data přímo na pracovní ploše v lesních porostech (v systémech pro podporu rozhodování)
  • Intelligent Harvest Control (projekt RTFI/SATMODO)

změřit

interpretovat

optimalizovat

(Treemetrics 2012)

aplikace
APLIKACE
  • Interpolace bodových dat do rastrových povrchů DMT a DMP (rozlišení DMP je zásadní pro identifikaci stromů)
  • Vrcholy stromů použitím zjednodušené metody segmentace inverzního povodí (Edson 2011)
  • Výpočet výšky stromů (DMP – DMT), modelování plochy korun, výčetní tloušťka na základě regresní funkce a zásoba podle modelu objemových rovnic (Petráš et Pajtík 1991).
  • Problémem je vzájemné propojení identických stromů vlivem náklonu kmenů a víceetážové porosty, podhodnocování výšek porostů na svazích
  • Výsledky (s dosahovanou přesností pro):
    • výšky stromů 5 – 8 m (bez etáží 1,5 m)
    • výčetní tloušťka 6 cm
    • objem kmene 0,3 m3
    • zásoby cca 15 %
    • DMT 10 – 60 cm
slide16

Experimentální území ŠLP Křtiny, odvození ukazatelů LDS pomocí prostorových analýz

  • Základním podkladem pro optimalizaci jsou kvalitní informace o reliéfu (DMT)
  • Terénní typizace na základě topografických analýz (sklonitost, zakřivení) a edafických kategorií (ÚHÚL 1980, Simanov et al. 1993, Neruda et al. 2011, Hrůza 2008)
  • Modelové technologické typizace
    • definování přibližovací technologie (přiřazení vah parametrům)
    • frikční povrchy a nákladové povrchy
    • vyhledání optimálních tras
    • určení směru přibližování, zakřivení reliéfu
  • Parametrizace modelu (limitní hodnoty, spojité hodnocení)
  • Problémy s identifikací překážek (výška, hloubka, rozestup)
slide17

Experimentální území v NP Šumava a na ŠLP Křtiny, interdisciplinární spolupráce (AV ČR)

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