Anyag és módszer
A vizsgálat helyszíne a Berettyó folyó Szentpéterszeg és Berettyóújfalu kö-zötti szakasza volt. A vizsgált területre jellemzı, hogy a középvízi meder melletti 10-50m-es sávjában sőrő füzes-bokros állomány található, amelyet néhány méteres mocsárréti-ártéri rudeális zóna övez. A hullámtér nagyvízi mederének jelentıs részén löszös illetve szikes gyepek találhatóak, amelyet gyakran kaszálnak. A töltés tetején földút található, többnyire taposás tőrı gyepekkel. A LIDAR repülés a tél végi,- tavasz eleji hómentes és lombmen-tes, minimális zöld növényzetet tartalmazó idıszakban 2009. március 12.-én volt. Az alkalmazott szenzor Leica ALS50, a látószög (FOV): 21fok.
A fıbb repüléstechnikai paraméterek:
• repülési sebesség 67m/s,
• repülési magasság (AGL): 1260m
• sávszálesség:467m
• átfedés: 30%
A nyers adatok elıfeldolgozását a felvételezést végzı cég végezte el.
A hiperspektrális felvételezést a Debreceni Egyetem AMTC Víz- és Környezetgazdálkodási Tanszéke és a Gödöllıi FVM MGI intézet együtt-mőködésének eredményeképpen 2006-ban üzembe állított AISA DUAL rendszerő hiperspektrális szenzorral végeztük el. A szenzor 400-2450nm közötti hullámhossz tartományban, 1,25-10nm közötti csatornaszélességgel és 0,5-3m-es terepi felbontásban képes adatot győjteni (Deákvári et al., 2008). A szenzorral készített felvételek elsı hazai alkalmazása 2006-ben volt, azóta elsısorban a precíziós mezıgazdasági és környezetvédelemi kuta-tásokban alkalmazták (Mucsi et al., 2008; Milics et al, 2009). A teljes minta-területre a DUAL szenzort alkalmaztuk (400-2450nm), a VNIR tartomány-ban 5nm (12bit), míg a SWIR tartománytartomány-ban 6nm-es mintavételezéssel (14bit), 1,5m-es terepi felbontással, 1128m-es repülési magasságból, 444m-es sávszél444m-ességgel és 30%-os átfedéssel. A pontosabb geometria miatt egy nagy pontosságú OxTS 3003 típusú GPS/INS rendszert alkalmaztunk a na-vigációs adatok győjtésére. A mintaterület hiperspektrális repülésének idı-pontja 2009.06.19.-én 9:30-12:30 közötti idıszakban volt. A hiperspektrális képosztályozáshoz alkalmazott tanítóterületek kijelöléséhez terepbejáráson GPS készülékkel kijelöltük a jellemzı vegetációtípusokat.
Az elızetes bejárás alapján 6 fı csoportot különítettünk el (1. táblá-zat), amely jellemzı a mintaterületen. Az osztályok elkülönítése az uralkodó fajok, a kaszálás és a növényi állomány állapota alapján történt.
1.táblázat A mintaterület 6 fıcsoportja
Sor-szám
Class name (azonosító)
Osztályozott társulás meg-nevezése
Rövid leírás
1
bokor_füzes bokorfüzes
A társulást több főzfaj alkotja (Salix sp.), gazdag aljnövényzettel. A társulást a főz mellett fehér és a fekete nyár (Populus alba, P. nigra) alkotja.
2 nyílt víz nyílt_vízfelszín Elsısorban középvízi meder, jelentıs rögzült hínár nélkül.
3
töltésgyep_01
zavart löszös töltésgyep ártéri ruderális
növényzettel keveredve
Jellemzı fajok: Amorpha fruticosa, Lotus corniculatus, Prunella vulgaris, Salvia
nemarosa, Cynodon dactylon, Festuca rupicola, Salvia nemarosa, Rubus caesius, Potentilla reptans, Iris pseudacorus
4
töltésgyep_02
töltésgyep, löszös gyep amelyet
rend-szeresen ka-szálnak
Jellemzı gyepalkotó fajok: Cynodon dactylon, Festuca rupicola, Salvia nemarosa, Achillea collina, Galium verum, Agropyron repens, Platango lanceolata, Cirsium arvense, Pimpinella saxifraga
5
kaszált_gyep
kaszált gyep, jelentıs tarló maradvánnyal
A fajok hasonlóak mint a kaszált töltésgyep ese-tében.
6
erodált_gyep
kaszált, erısen erodált, kiégett
töltésgyep
„Kiégett” és taposott gyep állomány, többségben kiszáradt, jelentıs tarló maradvánnyal. A fajok hasonlóak mint a töltésgyep_01 esetében
Eredmények
Az osztályozott LIDAR pontfelhı az utolsó visszaverıdés értékeit, azaz a valós felszín magassági értékeit tartalmazza, amelybıl ArcGIS szoftver Ter-rain adatsruktúra alkalmazásával 1m-es geometriai felbontású DEM állo-mányt készítettünk. A tervezıi feladatokhoz és a hidrológiai modellek al-kalmazásához keresztszelvények elıállítására volt szükség, ezért a hossz-szelvény alapján 10m-ként 50m széles kereszthossz-szelvények leválogatását vé-geztük el a DTM-bıl. Az elıállított DTM-et továbbá felhasználtuk a hiperspektrális felvételek geometriai korrekciójához. A geometriailag és ra-diometriailag korrigált hiperspektrális felvételekkel a képelemzés elsı lép-csıjeként csatornaszelekciót alkalmaztunk, amellyel az eredeti felvétel 359 csatornájából 259 csatornát válogattunk ki. Azokat a tartományokat zártuk ki a további vizsgálatból amelyeknél a légköri abszorbensek miatt magas volt az abszorció, vagy a szóródás. Az atmoszférikus korrekcióra alkalmazott ENVI FLAASH szofter által kijelölt tartományt és a vizuálisan is látható
„zajos” csatornákat nem vettük számításba a további osztályozási algoritmu-sok alkalmazása során. További zajszőrést, vagy dimenzió csökkentést nem
alkalmaztunk a felvételen. A tanítóterületes osztályozásra az ENVI program
„spektrális szög térképezı” módszerét (Spectral Angle Mapper – SAM) al-kalmaztuk (KRUSE ET AL.,1993), amely a spektrumokat n-dimenziós vekto-roknak tekinti, – ahol n a spektrális csatornák száma – és a közöttük lévı szöget számítja ki. A módszer kevésbé érzékeny a felvételek pixel-pontjainak a különbözı megvilágítási viszonyok okozta intenzitás-különbégébıl adódó eltérésekre. A tanítóterületbıl meghatároztuk a keresett tulajdonsághoz tartozó spektrumot, amelyekbıl spektrális adatbázist készí-tettünk. A csatornaszelekció és a mintaterület maszkolása után sávonként lefuttattuk a képelemzı algoritmust, elıször az alapbeállításnál javasolt 0,1 radián értékkel, majd az ellenırzı-terület újraosztályozásával, 0,01radián lépésközzel meghatároztuk a legmegbízhatóbb osztályozási eredményt adó radián értékeket. Az osztályozás teljes pontossága 80,02% volt. A raszter formátumú végeredményt SHP formába exportáltuk (1.ábra).
1.ábra Részlet a SAM osztályozás eredményébıl készített tematikus digitális adatbázisból
A képosztályozással meghatározott osztályok mellett kvantitatív vizsgálatok céljából a keresztszelvényekre növényi vegetációs indexet számítottunk (NDVI), amellyel jól becsülhetı az egyes vegetációs típusok biomassza nagysága (2.ábra).
Berettyó hullámtér NDVI profil
-0,4 -0,2 0 0,2 0,4 0,6 0,8 1
1 10 19 28 37 46 55 64 73 82 91 100 109 118 127 136 145 154 163 172 181 190 199 208 217 226 235
NDVI
erodált gyep töltés
gyep Berettyó
bokor-füzes
kaszált töltés gyep
földút földút
töltés gyep
2. ábra NDVI minta keresztszelvény
Bár a nagyobb folyók esetében középvízi medret a folyó önmaga „rendben”
tartja, a Berettyó esetében több helyen találkozhatunk jelentıs növényi be-nıttséggel, amely akár kedvezıtlenül is befolyásolhatja az áramlási viszo-nyokat. A hullámtéren a folyó idıszakosan elárasztja a nagyvízi meder terü-letét, ezzel külön tápanyaggal látja el. A nagyvízi meder területén folyamatos agrotechnológiai beavatkozással biztosítják az árhullámok biztonságos leve-zetéséhez szükséges állapotot, ezért ott többnyire kaszált gyepet találhatunk.
A LIDAR mérési eredményekbıl készített DTM és a felszínborítás kvalitatív és kvantitatív vizsgálati eredményei jól alkalmazhatóak a Manning-féle mederérdességi jellemzık pontosabb becsléséhez, amely lé-nyeges input paramétere a vízfolyások hidrológiai vizsgálatára gyakran al-kalmazott HEC-RAS modellnek.
Következtetések
A mintaterületre alkalmazott osztályozás, az ellenırzı területek adatai alap-ján 80,02%-os pontosságot jelent, amely egy kevert összetételő ökoszisztéma esetében jónak mondható. Az osztályozás kiterjesztésének más területekre, speciálisan vizes élıhelyekre kifejlesztett spektrális könyvtár kifejlesztésére lenne szükség, amihez terepi spektrofotométeres mérések és az atmoszféri-kus korrekció továbbfejlesztését indokolná, elsısorban a sávon belüli egyen-lıtlen reflektancia és a BRDF hatás csökkentése miatt. A kutatásban alkal-mazott korszerő légi szenzorokkal készített adatok a megfelelı feldolgozást alkalmazva nagyobb területen található vizes élıhelyek kvalitatív és
kvanti-tatív tulajdonságainak vizsgálataihoz is alkalmazhatóak, így több célú vizs-gálatok is elvégezhetıek ugyanazon adatbázisok elemzésével. Az alkalma-zott légi szenzorokkal készített felvételek feldolgozásával olyan adatokat állíthatunk elı amely az egyes hidrológiai modelleknél sokkal részletesebb input adatokat biztosít mint a hagyományosan alkalmazott adatbázisokból. A pontos területhasználati térkép segítségül szolgálhat az ökológiailag fenn-tartható vízügyi menedzsment tervezési feladataihoz.
Irodalomjegyzék
BARSI Á.,DETREKÕI Á.,LOVAS T.,TÓVÁRI D. (2003): Adatgyőjtés légi lézerletapogatással, Geodézia és Kartográfia, Budapest, v. 45/7, pp. 10-17
DEÁKVÁRI J.,KOVÁCS L.,PAPP Z.,FENYVESI L.,TAMÁS J.,BURAI P.,LÉNÁRT CS. (2008):
Az AISA hiperspektrális távérzékelı rendszer használatának elsı eredményei.
MTA AMB XXXII. Kutatási és Fejlesztési Tanácskozás. Gödöllı., Conference CD, 46-50.
HAMADA Y.,STOW D.A.,COULTER L.L.,JAFOLLA J.C.,HENDRICKS L.W. (2007): Detecting Tamarisk species (Tamarix spp.) in riparian habitats of Southern California using high spatial resolution hyperspectral imagery. Remote Sensing of Environment, 109, 237−248.
KRUSE F. A., LEFKOFF A. B., BOARDMAN J. B., HEIDEBRECHT K. B., SHAPIRO A. T., BARLOON P.J.,GOETZ, A. F. H., (1993): "The Spectral Image Processing System (SIPS) - Interactive Visualization and Analysis of Imaging spectrometer Data".
Remote Sensing of the Environment, v. 44, p. 145 - 163.
MILICS G.,BURAI P.,LÉNÁRT CS. (2008): Pre-Harvest Prediction of spring barley nitrogen content using hyperspectral imaging. Cereal Research Communications, Akadé-miai Kiadó, 36: 1863-1866 p.
MUCSI L.,TOBAK Z.,LEEUWEN,B.,F.KOVÁCS,SZATMÁRI J. (2008): Analyses of spatial and temporal changes of the urban environment using multi- and hyperspectral data. 275.- 284. In. Jürgens, C. (2008): Remote Sensing – New Challenges of High Resolution, Bochum
ROSSO P.H.,USTIN S.L.,HASTINGS A. (2005): Mapping marshland vegetation of San Fran-cisco Bay, California, using hyperspectral data. International Journal of Remote Sensing 26 (23), 5169-5191.
SZABÓ SZ.,SZABÓ G.,SZABÓ J., (2004): Digitális magasságmodellek és őrfelvételek alkal-mazása geomorfológiai értékeléshez a Bodrogzug példáján. Digitális dombor-zatmodellezés használata a környezet- és mérnöktudományokban, Miskolci Egyetem, Mőszaki Földtudományi Kar, Konferencia CD ROM, ISBN 963 661 686 8
UNDERWOOD E., USTIN S., DIPIETRO D. (2003): Mapping nonnative plants using hyperspectral imagery. Remote Sensing of Environment, 86, 150−161.
UNDERWOOD E.C.,USTIN S.L.,RAMIREZ C.M. (2007). A comparison of spatial and spectral image resolution for mapping invasive plants in coastal California.
Environmental Management 39 (1), 63-83.