Burai Péter1 – Gaál Márta2 – Molnár András3 – Tomor Tamás4 – Bekő László5
1 főiskolai docens, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, burai.peter@unideb.hu
2 tudományos főmunkatárs, Agrárgazdasági Kutató Intézet, gaal.marta@aki.gov.hu
3 osztályvezető, Agrárgazdasági Kutató Intézet, molnar.andras@aki.gov.hu
4 főiskolai docens, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, tomor.tamas@unideb.hu
5 tudományos segédmunkatárs, Debreceni Egyetem, Távérzékelési Szolgáltató Központ, beko.laszlo@unideb.hu
Bevezetés
Az Országos Statisztikai Adatgyűjtési Program keretében gyűjtött adatok alapján 2017-ben 29.604 hektár volt a halastavak teljes tóterülete hazánkban, ebből 26.065 hektár volt az üzemelt tóterület (Kiss 2018). Évről-évre változik az a terület, ahol a tényleges gazdálkodás folyik, ennek a nyomon követése a gazdálkodó szervezetek bevallási adatai alapján történik. A halastavak környezetében jelentős a vízi növényzet előfordulása, ezen belül a nádnak van kiemelt természeti és gazdasági jelentősége. A nád területének meghatározását nehezíti, hogy keveredhet különböző vízinövényekkel és a változó minőségi állapotban fordul elő. A nád többnyire vízparon, terepen nehezen megközelíthető helyen fordul elő ezért a terepi bejárással nagyon nehéz a pontos meghatározása.
A korszerű távérzékelési módszerekkel lehetőség nyílik nagyobb területek pontos térképezésére. Ahhoz, hogy távérzékeléssel meg tudjuk határozni a gyakran csak néhány méter területi kiterjedésben és kevert fajösszetételben előforduló társulásokat nagy terepi- és spektrális felbontású felvételekre van szükség. A műholdakon elhelyezett szenzorokkal készített felvételek terepi felbontása ma már meghaladja az 1 métert, azonban ezeknél az adatoknál a faj szintű elemzésekhez szükséges spektrális információ csak korlátozottan áll rendelkezésre. A légi távérzékelés esetében az alacsonyabb repülési magasságnak és az érzékeny szenzoroknak köszönhetően nagy terepi és radiometriai felbontású felvételek készíthetők. A passzív távérzékelési módszerek közül a légi hiperspektrális szenzorokkal készített felvételek rendelkeznek olyan információval, amellyel a felszíni objektumok minőségi és mennyiségi tulajdonságai is pontosan meghatározhatók.
Abstract: Remote sensing techniques offer a viable solution for mapping extended, complex and hardly accessible areas. Innovative remote sensing technologies can be effective tools to investigate fishponds and their environment. During the research the applicability of aerial remote sensing data (LiDAR, UAV, orthophoto) and satellite data were analysed. Various image analysis methods were compared, and the reliability of thematic maps were examined. In addition to accuracy the practical applicability and costs of the remote sensing methods were analysed, as well.
Hazai területen alkalmaztak már légi távérzékelési módszereket és képosztályozást a Balaton partmenti nádasainak minőségi állapotának vizsgálatában (Stratoulias et al. 2014) és a vízi vegetáció térképezésében (Burai et al. 2014).
A passzív távérzékelési módszerek mellett eredményesen alkalmazzák a légi lézerszkennelt adatokat a különböző vegetációk térképezésében (Zlinszky et al.
2014).
Alkalmazott eszközök és módszerek ismertetése
A vizsgálat során különböző méretű és eltérő természetföldrajzi adottságú tavak kerültek mintaként kiválasztásra. A tótípusok között voltak völgyzárógátas (Almamellék) és alföldi körtöltéses (Szarvas, Csökmő, Darvas) halastavak (1. táblázat).
Az elsődlegesen vizsgált entitás a vízfelszín és a nád volt. A képosztályozásnál az „egyéb” kategóriába tartozott az egyéb vízi növény, fa és a töltésen található gyep.
Az összehasonlított távérzékelési módszerek: (1) pilóta nélküli légi járműről (UAV) multispektrális kamerával készített felvételek, (2) légi lézerszkenneléssel kombinált RGB ortofotó, illetve (3) Sentinel–2A műhold adatok. A légi felvételezés ideje a 2018-as téli lombmentes időszak volt. A légi felvételeknél a képek előfeldolgozását az alkalmazott szenzornál általánosan használt módszereket alkalmaztuk. Az UAV felvételek esetében PiX4D, a mérőkamerás felvételeknél Inpho, míg a LiDAR adatoknál a Terrasolid szoftvert alkalmaztuk. A légi felvételekből ortofotó mozaikot, míg a lézerszkennelt adatokból osztályozott LAS adatokat állítottunk elő. A nagy felbontású felvételeknél a képfeldolgozáshoz objektum alapú képosztályozás (OBIA) módszerét alkalmaztuk Trimble eCognition szoftver környezetben. A mintaterületekre letöltöttük a Sentinel-2 L1C és L2A adatfeldolgozottsági szintű felvételeket a 2018-as évre, és elvégeztük ezek feldolgozását. A képek előfeldolgozására SNAP/Sen2Cor és saját fejlesztésű szoftvereket, míg a képfeldolgozásra ENVI szoftvert alkalmaztunk Az atmoszférikus korrekció után csak a felhőmentes felvételeket hagytuk meg a további vizsgálathoz (1. ábra).
A kutatásunkban a műholdfelvételeknél három pixel alapú osztályozási módszer hatékonyságát vizsgáltuk: egy hagyományos képosztályozót: Maximum Likelihood Classifier (MLC), és gépi algoritmusokon alapuló osztályozókat: Support Vector Machine (SVM), valamint Random Forest (RF).
Halastavak Méretkategóriák Összesen
<1ha 1–5ha >5ha db ha
Almamelléki halastavak 4 10 4 18 100,79
Iskolaföldi (Szarvas) halastavak 77 14 6 97 205,55
Csökmői halastavak 0 3 2 5 78,53
Darvasi halastavak 0 3 6 9 277,10
1. táblázat A vizsgálatba vont halastavak méret szerinti csoportosítása
1. ábra A 2018-as évben a felhőmentes felvételek száma havi bontásban Pilóta nélküli légi járműről (UAV) készített légi felvételek alkalmazása
Az UAV felvételezést 2018. december és 2019. február közötti időszakban hajtottuk végre. A geometriai korrekció pontosítására a terepen geodéziai GNSS mérőeszközzel mért GCP pontokat alkalmaztunk. A kis méretű kamerával készített felvételek dinamikája alacsony, és a 3–4 spektrális csatorna miatt sem számíthatunk megbízható eredményre csupán a pixel alapú képosztályozás használatával. A közeli infravörös tartományban is működő kamerával (Parrot Sequoia) készített felvétel dinamikája jobb volt, azzal az egyes objektumok pixel alapú elkülönítése is pontosabb volt. Az RGB+NIR felvételek képszegmentálása után a közeli infravörös csatornák nagyban segítették a vízi növények beazonosítását és az árnyékos területek elkülönítését. A képosztályozás során a pontosság (OA) 89–93% között változott, azonban minden tónál egyedi paraméterezést kellett alkalmazni.
Légi lézerszkennelt technológia alkalmazása
A légi lézerszkennelés (LiDAR) leggyakoribb alkalmazási területe a nagy pontosságú felszínmodellek előállítása, illetve a beépített területek térképezése (Lovas et al. 2012; Szabó et al. 2014). A légi lézerszkennelésből nyert nagy pontosságú domborzati modell (DTM) és a borított felszínmodell (DSM) alkalmas a növények határvonalainak kinyerésére és a szegmentált objektumok magasságának megadására. Azok a LiDAR rendszerek, amelyek a teljes jelalakot (FWF) is rögzítik, olyan információkat tartalmaznak, amelyek a felszínborítás osztályozására is alkalmasak lehetnek A magassági értékek mellett több olyan tulajdonság is kinyerhető a LAS adatból, mint az intenzitás textúra, hullámforma stb., amelyek közvetlenül alkalmazhatók a képosztályozási folyamatban. A LiDAR felvételezéssel készített digitális légi felvételek tovább növelhetik a képosztályozás megbízhatóságát. A
különböző dimenziójú adatok együttes kezelésére az OBIA módszer jól alkalmazható, és a képfeldolgozás jelentős része automatizálható.
Amennyiben csak ortofotón vizsgáltuk az eredményeket, a nádat nehéz volt elkülöníteni az egyéb vízi növényzettől. Mivel vegetációs időszakon kívül készültek a felvételek, valószínűleg ennél pontosabban is meg lehetne határozni az eltérő növénytípusokat. A feldolgozást segítette, ha közeli infravörös csatornákat tartalmazó kamerát is alkalmaztunk. A legpontosabb eredményeket a LiDAR adatokkal kombinált ortofotó feldolgozásával kaptuk (OA: 97,2–99,1%).
Műholdas technológia alkalmazása
A Sentinel–2 műhold adatok egész évben rendelkezésre állnak és akár idősorok vizsgálatára is lehetőség nyílik a 2–5 naponta készülő felvételek elemzésével.
A feldolgozásuk gyors, kis erőforrásigényű, azonban itt is szükséges a megfelelő referencia adat alkalmazása. A hátránya, hogy a 10m-es felbontás sokszor nem elég, mivel a tavakat övező nádas sávok és a tavakban található elszórt foltok szélessége gyakran ennél kisebb.
A képelemzéshez három pixel alapú képosztályozó módszert alkalmaztunk.
A képosztályozási módszereke közül az SVM alkalmazásával értük el a legjobb pontosságot (OA: 79,9–85,96%). Több felvétel együttes alkalmazása nem növelte a pontosságot az egyetlen „optimális” időpontban (július–augusztus) kiválasztott felvételhez képest.
2. ábra A darvasi halastavak képosztályozási eredménye (a. Lidar-ortofotó alapján, b.
Sentinel–2 felvétel alapján)
Összefoglalás
A hazai haltermelés kapcsán részletes és naprakész információra van szükség a termelőtevékenység aktuális kiterjedésére vonatkozóan. Ugyanakkor szintén fontos cél, hogy az adatszolgáltatási teher a termelők számára a lehető legkisebb legyen.
A korszerű távérzékelési módszerekkel lehetőség nyílik nagyobb területek pontos térképezésére. A halastavak környezetének vizsgálatára a legpontosabb eredményt a LiDAR és ortofotó alkalmazásával kaptuk. A korszerű szenzoroknak köszönhetően akár napi 1000 km2 terület is felmérhető. A feldolgozásra alkalmazott OBIA módszer könnyen paraméterezhető és automatizálható. További előnye a LiDAR adatfelvételezésnek, hogy geodéziai pontosságú geometriai adatokat kapunk, amellyel pontosan meghatározható a halastavat határoló töltés, ezáltal a tavak területe. Az UAV felvételek a nagy geometriai felbontás mellett alacsony radiometriai felbontásúak, ennek köszönhetően a nád és egyéb vízi növény szétválogatás csak alacsony megbízhatósággal volt lehetséges. A műholdfelvételeken végzett képosztályozás elsősorban a nagy terület/kerület arányú, nagyobb összefüggő vízfelszínnel rendelkező halastavaknál adott jobb eredményt. A műhold adatok pontossága ugyan elmaradt az UAV és LiDAR+ortofotó alkalmazásával készített felvételektől, azonban ez az alapadatok előfeldolgozásának és képosztályozásnak fejlesztésével javítható.
A képfeldolgozási lánc itt automatizálható, így akár folyamatos monitoringra alkalmazható rendszer is kiépíthető.
Köszönetnyilvánítás
A cikkben közölt kutatások elkészítését a MAHOP-3-1.2.1-2017-2017-00001 azonosítószámú „A 2016-2023 időszak MAHOP DCF feladatainak megvalósítása”
című projekt támogatta.
Felhasznált irodalom
Burai, P. – Lövei, G. – Lénárt, Cs. – Nagy, I. – Enyedi, P. (2010): Mapping aquatic vegetation of the Rakamaz-Tiszanagyfalui Nagy-Morotva using hyperspectral imagery. Acta Geographica Debrecina, Landscape & Environment Series, 4, pp. 1–10.
http://landscape.geo.klte.hu/pdf/agd/2010/2010v4is1_1.pdf
Kiss G. (2018): Statisztikai jelentések, Lehalászás jelentés 2006-2017. XXIII. évfolyam, Agrárgazdasági Kutató Intézet, Budapest.
Lovas T. – Berényi A. – Barsi Á. (2012): Lézerszkennelés. TERC Kft., Budapest, 166 p.
Stratoulias, D. – Balzter, H. – Zlinszky A. – Toth, V.R. (2015): Assessment of ecophysiology of lake shore reed vegetation based on chlorophyll fluorescence, field spectroscopy and hyperspectral airborne imagery. Remote Sensing of Environment, 157, pp. 72–84.
Szabó, Sz. – Burai, P. – Kovács, Z. – Szabó, Gy. – Kerényi, A. – Fazekas, I. – Paládi, M.
– Buday, T. – Szabó, G. (2014): Testing of algorithms for the identification of asbestos roofing based on hyperspectral data. Environmental Engineering and Management.
Zlinszky, A. – Schroiff, A. – Kania, A. – Deák, B. – Mücke, W. – Vári, Á. – Székely, B.
– Pfeifer, N. (2014): Categorizing grassland vegetation with full-waveform airborne laser scanning: A feasibility study for detecting Natura 2000 habitat types. Remote Sensing, 6(9), pp. 8056–8087.