Geografski vestnik 78-2, 2006, 85-95 Metode METODE UGOTAVLJANJE POKROVNOSTI SLOVENIJE IZ SATELITSKIH POSNETKOV LANDSAT AVTORJA @iga Kokalj In{titut za antropolo{ke in prostorske {tudije, ZRC SAZU, Novi trg 2, SI- 1000 Ljubljana, Slovenija ziga.kokalj@zrc-sazu.si dr. Kri{tof O{tir In{titut za antropolo{ke in prostorske {tudije, ZRC SAZU, Novi trg 2, SI- 1000 Ljubljana, Slovenija kristof@zrc-sazu.si UDK: 528.6:711.14(497.4) COBISS: 1.01 IZVLE^EK Ugotavljanje pokrovnosti Slovenije iz satelitskih posnetkov Landsat Daljinsko zaznavanje oziroma napredna klasifikacija satelitskih posnetkov sta natan~na in cenovno ugodna alternativa klasi~nim tehnikam kartiranja pokrovnosti. V prispevku so predstavljene metode za pridobitev zanesljive karte pokrovnosti zemeljskega povr{ja. Kompleksnost slovenske pokrajine, zlasti izrazita drobnoposestni{ka struktura in z njo povezana velika spremenljivost rabe tal na kratke razdalje, narekuje kombinacijo razli~nih virov podatkov, kot so satelitski posnetki Landsat, digitalni model vi{in, posnetki ortofoto in obstoje~e topografske in tematske karte. Kot glavni klasifikacijski algoritem je bila uporabljena metoda najve~je verjetnosti, natan~nost je bila pove~ana z upo{tevanjem klasifikacije v dva sloja, omejevanjem z vi{ino in naklonom ter dodatnih slojev. KLJU^NE BESEDE satelitski posnetki, pokrovnost, raba tal, klasifikacija, Landsat, Slovenija ABSTRACT Land cover map of Slovenia from Landsat satellite imagery Remote sensing, or to be more specific advanced satellite images classification, represents an accurate and cost-effective alternative to the classical techniques of land cover mapping. The methods used to produce a reliable land cover map are presented in the paper. The complexity of the Slovenian landscape, especially complex cultivation patterns and high frequency of land use changes over short distances, requires a combination of data sources such as Landsat satellite images, a digital elevation model, digital orthophotos as well as existing topographic and thematic maps. Maximum likelihood algorithm was used as the main classifier and the accuracy of results was further improved by fuzzy classification, altitude and inclination filtering and auxiliary data. KEY WORDS satellite images, land cover, land use, classification, Landsat, Slovenia Uredni{tvo je prispevek prejelo 20. aprila 2006. 85 @iga Kokalj, Kri{tof O{tir Ugotavljanje pokrovnosti Slovenije iz satelitskih posnetkov Landsat 1 Uvod Daljinsko zaznavanje oziroma napredna klasifikacija satelitskih posnetkov predstavljata natan~no in cenovno ugodno alternativo klasi~nim tehnikam kartiranja pokrovnosti. Terenski pregled je primeren za manj{a obmo~ja in ob~asne {tudije, ne moremo pa z njim v razumnem ~asu in/ali z realnimi stro{ki pokriti ve~jih povr{in. Klasifikacija satelitskih in letalskih posnetkov se je v preteklosti izkazala za primerno izbiro, saj omogo~a tako podrobno klasifikacijo kot hitro izvedbo in ~asovne primerjave. Tehnologija klasifikacije podob daljinskega zaznavanja je poznana in uveljavljena, vendar pa jo je treba prilagoditi posameznemu okolju in opazovanim pojavom. Pri klasifikaciji pokrovnosti Slovenije smo posebno pozornost namenili vsem korakom, od izbire podatkov do analize kakovosti. Ukvarjali smo se z naprednimi tehnikami obdelave, kot je poklasifikacijsko modeliranje, saj z osnovnimi ni mo~ pridobiti sloja dovolj visoke natan~nosti. Izdelan zemljevid pokrovnosti podaja prostorsko razporeditev izbranih kategorij na ravni celice z osnovnico 25 m in je primeren zlasti za {tudije na regionalni ali dr`avni ravni. 2 Pregled dosedanjega dela Za celotno obmo~je Slovenije so na razpolago {tevilni digitalni sloji rabe tal oziroma pokrovnosti. Rabo tal lahko definiramo kot namen, za katerega ljudje izkori{~ajo nek kos zemlji{~a s poudarkom na funkcijski vlogi zemlji{~a v ekonomskih aktivnostih. Je abstraktna in je v~asih ne moremo dolo~iti niti s podrobnim ogledom. Pokrovnost, na drugi strani, pa je konkretna in jo lahko kot tako neposredno opazujemo (Campbell 1996, 550). Za uspe{no na~rtovanje in gospodarjenje z zemlji{~i moramo biti seznanjeni z obema. Razlika postane pomembnej{a, ko merilo raziskave postane ve~je in detajli podrobnej{i. Temeljni vir mnogim {tudijam so podatki zemlji{kega katastra, ki ga vodi Geodetska uprava Republike Slovenije (Gabrovec in Kladnik 1997, 15-18). Evidenca katastra je sestavljena iz digitalnega grafi~nega in digitalnega atributnega dela, katerih vzdr`evanje poteka na krajevni ravni, in sicer na posameznih krajevnih geodetskih upravah. Raba tal se vodi za vsako najmanj{o enoto - parcelo. Glavna slabost katastra je stalno (ne)sistemati~no zaostajanje pri registraciji {tevilnih sprememb, saj nikoli ne prikazuje dejanskega stanja (Kladnik 1999, 73); evidentirana raba tal se od dejanskega stanja lo~i v povpre~ju med 10 in 20 % (Petek 2001, 10). Na Ministrstvu Republike Slovenije za kmetijstvo, gozdarstvo in prehrano so izdelali lokacijsko natan~-ne in za potrebe raziskav lahko dostopne podatke o rabi kmetijskih zemlji{~. Lo~ijo 21 razredov rabe tal, izvedeni pa so bili na podlagi vizualne interpretacije digitalnih posnetkov ortofoto. Po drugi strani je za projekt izdelave rabe tal tak{ne ali podobne kakovosti za ve~je obmo~je (na primer celotno dr`avno ozemlje) potrebno izjemno veliko finan~nih sredstev in vlo`enega dela. Zaradi razli~nih let snemanja posameznih posnetkov podatki niso ~asovno primerljivi, te`ave pa ponekod nastopijo tudi na stikih, saj ima zaradi subjektivne interpretacije ista raba na dveh posnetkih razli~en atribut (Kokalj 2004, 7-8). Posebne odlike sloja pokrovnosti CORINE so zelo natan~no dolo~ena metodologija in razdelitev kategorij na tri ravni ter ~asovna in prostorska primerljivost na evropski ravni. Osnovni vir podatkov so bili ortorektificirani satelitski posnetki Landsat, sloj pokrovnosti pa je bil pridobljen z vizualno interpretacijo. Pomembnej{i pomanjkljivosti sta najmanj{a velikost kartiranih obmo~ij in najmanj{a {irina poligona, ki se odra`ata v me{anih kategorijah in v veliki meri izpu{~enih oblikah. Statisti~ni GIS pokrovnosti in rabe tal, izdelan na Statisti~nem uradu Republike Slovenije, zdru`uje klasifikacijo posnetkov Landsat ter primerjavo in prekrivanje rezultata s pomo`nimi zbirkami vektorskih podatkov. Dobra stran je metodolo{ka raz~lenjenost in poznavanje metapodatkov virov, iz katerih je bil zemljevid izdelan ([abi} in ostali 1998, 233-242). Slika 1: Zemljevid pokrovnosti Slovenije. 86 @iga Kokalj, Kri{tof O{tir Ugotavljanje pokrovnosti Slovenije iz satelitskih posnetkov Landsat 60 50 40 "S 30 20 20 0 gozd | avtorja ~lanka ...II grmi~evje ekstenzivna intenzivna pozidana in in zara{~anje travni{ka raba kmetijska raba sorodna zemlji{~a _____________I voda odprto | MKGP |ZRC SAZU | CORINE | SURS kategorija pokrovnosti 1 vsebuje kategorijo odprto 2 deloma vsebuje gozd I SURS 3 vsebuje pa{nike Slika 2: Primerjava razli~nih slojev pokrovnosti Slovenije. Na In{titutu za antropolo{ke in prostorske {tudije Znanstvenoraziskovalnega centra Slovenske akademije znanosti in umetnosti je bil za potrebe na~rtovanja omre`ja mobilne telefonije izdelan sloj pokrovnosti s klasi~no nadzorovano klasifikacijo satelitskih posnetkov Landsat. Kategorije so opredeljene glede na oviro, ki jo predstavljajo za potovanje elektromagnetnega signala. Karta ne prikazuje le ozemlja Slovenije temve~ tudi pet kilometrski obmejni pas (O{tir in sodelavci 2000). Omenjeni podatkovni sloji so bili izdelani na podlagi druga~nih virov in z razli~nimi metodami; zaradi razli~nih namenov se razlikujejo njihova kakovost ter opredelitve in {tevilo kategorij. Pomembna razlika je v ~asu, ki je bil potrebnem za njihovo izdelavo, v {tevilu ljudi, ki so sloj izdelovali, in potrebnih finan~nih sredstvih. Odlo~itev za izdelavo novega sloja pokrovnosti izhaja iz `elje po ve~ji homogenosti rezultata glede na vir in metodo. Temu lahko zadosti uporaba satelitsko zaznanih podob. Samodejna klasifikacija namre~ omogo~a izdelavo kakovostnega sloja pokrovnosti ve~jih obmo~ij z delom posameznika v nekaj mesecih, v nasprotju z ro~nim na~inom, ki v enakih razmerah lahko traja ve~ let. 3 Klasifikacijska shema in klasificiranje posameznih kategorij pokrovnosti Da bi bila klasifikacija ~im bolj uspe{na, je treba podatke predhodno ustrezno pripraviti, kar storimo v procesu predobdelave. Predobdelava obsega postopke, ki pripravijo podatke za nadaljnjo analizo, ponavadi z namenom odpravljanja ali zmanj{evanja sistemati~nih napak. Lo~imo tri skupine operacij (Campbell 1996, 116): • operacije izbolj{anja podob z namenom la`je vizualne interpretacije (na primer sprememba histograma, filtriranje, povzemanje), • operacije, ki odpravijo radiometri~ne napake, ki so lahko posledica napak v delovanju senzorja, atmosferskih motenj, variacije kota snemanja, variacije v osvetljenosti ali sistemskega {uma, in • operacije, ki odpravijo lokacijske napake v odnosu med posnetki. 88 Geografski vestnik 78-2, 2006 Metode Kot temeljni vir pri izdelavi sloja pokrovnosti so bili uporabljeni trije georeferencirani posnetki sistema Landsat (iz let 1999 in 2000), prevzor~eni na lo~ljivost 25 krat 25 m. Posnetek zahodne Slovenije v visokogorju vsebuje velik del obla~nosti, ki je bila izlo~ena z uporabo podobe oddaljenosti pripisane kategorije od povpre~ja vrednosti u~nih vzorcev. Obmo~ja so bila nadome{~ena s klasifikacijo starej{ega posnetka (iz leta 1992). Ozemlje Slovenije je bilo z namenom preprostej{e, predvsem pa u~inkovitej{e in natan~nej{e klasifikacije razdeljeno na {est manj{ih neenakih obmo~ij (kvadrantov), v katerih je bil glede na reliefno izoblikovanost in pri~akovano pokrovnost poudarek na klasifikaciji razli~nih kategorij. Le tako je mo~ v ve~ji meri zaobjeti posebnosti in razlike, ki so posledica reliefne raz~lenjenosti, drobne zemlji{kopo-sestne strukture, pestrosti kamninske in pedolo{ke sestave, mikroklimatskih razmer in podobnega. Spektralni podpis kategorij pokrovnosti je namre~ prostorsko odvisen, zato ima ista kategorija (na primer grmi~evje) na razli~nih lokacijah razli~en spektralni podpis, pri ~emer se lahko le-ta na dolo~enih obmo~jih pribli`a drugim kategorijam (na primer gozdu, vinogradom, sadovnjakom). [e pred za~etkom samega postopka klasifikacije je treba izbrati in definirati kategorije pokrovnosti. Raven podrobnosti klasifikacije je odvisna od mnogih dejavnikov, na primer namena kartiranja, potrebovanih informacij, prostorske in radiometri~ne lo~ljivosti senzorja, okoljskih lastnosti preu~evanega obmo~ja, analiti~nih tehnik, ki naj bi jih uporabili, in podobnega (Apan 1997, 1030). Ponavadi je treba zaradi omejitev pri razpolo`ljivem ~asu in sredstvih skleniti kompromis pri {tevilu kategorij, saj s tem zmanj{amo zapletenost obdelave in poobdelave. V nadaljevanju so na{tete uporabljene kategorije pokrovnosti in kaj naj bi v idealnih razmerah lo~evanja vsebovale: • gozd (listnati, iglasti in me{ani gozd); • grmi~evje in zara{~anje (grmi~evje, prehod iz gozda v travnik, zara{~ajo~i travniki, nizki (predvsem kra{ki) gozd, ru{evje); • ekstenzivna travni{ka raba (pa{niki in ko{enice, visokogorsko travinje, barjanski travniki); digitalna satelitska podoba ------> predobdelava (georeferenciranje, izlo~itev obla~nosti) razdelitev na ve~ manj{ih obmo~ij nabor vzorcev za nadzorovano klasifikacijo nadzorovana klasifikacija po posameznih razredih I vizualna ocena rezultatov klasifikacije poklasifikacija (mozai~enje, preklasifikacija, filtriranje) dodajanje sloja vod izbira kategorij pokrovnosti pomo`ni podatki DTK 1 : 25.000 vektorski sloji (ceste, reke) raba tal MKGP digitalni model vi{in poznavanje obmo~ja digitalni ortofotoposnetki statisti~na ocena rezultatov klasifikacije Slika 3: Shema poteka pridobitve sloja pokrovnosti. 89 @iga Kokalj, Kri{tof O{tir Ugotavljanje pokrovnosti Slovenije iz satelitskih posnetkov Landsat • intenzivna kmetijska raba (njive z razli~nimi kulturami, vrtovi, vinogradi, sadovnjaki, hmelji{~a, intenzivni travniki, ~redinski pa{niki); • pozidana in sorodna zemlji{~a (mesta, vasi, industrijske povr{ine, {ir{e prometnice in parkiri{~a, gradbi{~a); • voda (morje, jezera, zajezitve, reke, soline); • odprto (skalnato visokogorje, kamnolomi in peskokopi). Zaradi `e omenjenih omejevanih dejavnikov, ki ote`ujejo klasifikacijo, se sku{amo dejanskemu stanju le kolikor mogo~e pribli`ati. Prvi in najpomembnej{i korak v procesu nadzorovane klasifikacije je izbira u~nih vzorcev, to je obmo~ij z znanim tipom pokrovnosti. Operater jih praviloma ozna~i na ra~unalni{kem zaslonu, lahko pa uporabimo tudi druge metode omejevanja, na primer terenski zajem koordinat s pomo~jo sistema globalnega pozicioniranja. Program za obdelavo posnetkov nato izra~una spektralni podpis tipa pokrovnosti. V opisanem primeru so bili u~ni vzorci dolo~eni s samodejnim in ro~nim omejevanjem, kategorija odprto pa je bila pridobljena naknadno v procesu poklasifikacije. Zaradi razli~nih dejavnikov, ki vplivajo na ~asovno in prostorsko spremenljivost spektralnih podpisov (Lillesand in Kieffer 1994, 21), so bili u~ni vzorci dolo~eni za vsak kvadrant ter satelitski posnetek posebej, enaki so bili uporabljeni le na nekaterih obmo~jih prekrivanja. Kakovost vzorcev je bila iterativno preverjena z ve~ analizami (grafi~na predstavitev spektralnih odbojev vzorcev, analiza lo~ljivosti vzorcev, prekrivanje v spektralnem prostoru, samoklasifikacija in testna klasifikacija manj{ih obmo~ij), neustrezni vzorci pa so bili zamenjani. Kot glavni klasifikator je bila uporabljena metoda najve~je verjetnosti, saj imajo njene dobre lastnosti, zlasti velika to~nost, bistveno prednost pred slabimi, na primer ob~utljivostjo na kakovost u~nih vzorcev. Klasifikacijo smo sku{ali izbolj{ati z upo{tevanjem dodatnih slojev: digitalnega modela vi{in in iz njega izra~unanih naklonov, normiranega diferencialnega vegetacijskega indeksa (NDVI), pankromat-skega kanala. Kot poseben sloj so bili dodani spektralnim kanalom, najprej vsak posebej in nato {e vsi skupaj. Pankromatski kanal je bil uporabljen tudi za izbolj{anje lo~ljivosti ve~spektralnih kanalov. Rezultati niso bili zadovoljivi, saj je na podlagi vizualne interpretacije mogo~e soditi, da so manj to~ni kot klasifikacija brez dodanih slojev. Omeniti je treba, da so bila za u~ne vzorce uporabljena enaka obmo~-ja kot pri prvotni klasifikaciji. Klub temu menimo, da je na tem podro~ju potrebna podrobnej{a raziskava ter da bi bolj premi{ljena razpostavitev u~nih vzorcev, prilagojena tudi vi{inam in predvsem naklonu, lahko prinesla bolj{e rezultate. 4 Poklasifikacija in ovrednotenje rezultata Te`ave pri klasifikaciji pokrovnosti so se pojavile predvsem pri lo~evanju grmi~evja od zemlji{~ z intenzivno kmetijsko rabo. Zaradi podobnosti in prepletanja spektralnih podpisov omenjenih kategorij je bilo pri dolo~evanju u~nih vzorcev treba uporabiti {tevilne metode preverjanja njihove primernosti. Podobno te`avo je predstavljalo razlikovanje med pozidanimi zemlji{~i in zemlji{~i z odkrito prstjo, vendar je bila dokaj uspe{no premo{~ena z »mehko« klasifikacijo v dva sloja. Ta celicam v prvem sloju pripi{e najbolj verjetno pripadnost dolo~enemu u~nemu vzorcu in celicam v drugem sloju najbolj verjetno pripadnost enemu izmed preostalih u~nih vzorcev. Celicam, ki so bile v prvem sloju ozna~ene kot pozidana zemlji{~a in v drugem sloju kot katera druga kategorija, je bil atribut spremenjen v kategorijo iz drugega sloja. Po opravljeni klasifikaciji so bili kvadranti ponovno zdru`eni v mozaik, pri ~emer so bila glavna vodila vizualno ugotovljena kakovost klasifikacije, starost posnetka in meje pokrajinskoekolo{kih tipov ([pes in sodelavci 2002). Z upo{tevanjem pomo`nih informacij, pridobljenih iz knjig, zemljevidov, statisti~nih tabel, terenskega dela ali drugih virov, je mogo~e kakovost klasifikacije dodatno izbolj{ati. Pisno gradivo se lahko nana{a neposredno na opazovano obmo~je ali na druga, v~asih zelo oddaljena, a geografsko sorodna obmo~ja s podobnimi ekolo{kimi, talnimi, klimatskimi, vegetacijskimi in reliefnimi lastnostmi. Pridobljene infor- 90 Geografski vestnik 78-2, 2006 Metode pokrovnost digitalni model vi{in nakloni i ~e je ((vi{ina > 1900 m) ali (vi{ina > 1700 m in nagib > 45°)) potem spremeni gozd v odprto ~e je (vi{ina > 1800 m in (vi{ina < 1900 ali nagib < 45°)) potem spremeni gozd v grmi~evje ~e je (vi{ina > 900 m ali nagib >22°) potem spremeni intenzivno kmetijsko rabo v travinje ~e je (vi{ina > 900 m ali nagib >25°) potem spremeni pozidano v odprto ~e je (vi{ina >900 m ali nagib > 12°) potem spremeni vodo v odprto 1 preklasificirana pokrovnost Slika 4: Odlo~itveno drevo omejevanja kategorij z vi{ino in naklonom. macije lahko upo{tevamo `e med samim procesom klasifikacije, ~e pa to ni mogo~e oziroma ne prinese pri~akovanih rezultatov, pa tudi v poklasifikaciji v obliki odlo~itvenega drevesa. Kakovost klasifikacije v {tudiji je bila izbolj{ana z omejevanjem razredov z vi{ino in strmino pobo~ij. Mejne vrednosti so bile ugotovljene s pregledom literature (Gams 1960; Krajevni leksikon Slovenije 1995, 9-10; Vri{er 1995, 37; Perko 1998, 84; Kladnik 1999, 124-125; Perko 2001, 82-132), odlo~itveno drevo omejevanja pa prikazuje slika 4. S preklasifikacijo se povr{insko najbolj pove~a kategorija odprto, in sicer najve~ na ra~un pozidanih in sorodnih zemlji{~. To je pri~akovano, saj ta kategorija ni bila posebej klasificirana, pa~ pa naj bi bila izlo~ena prav v poklasifikacijskem procesu. Iz gozda so se v odprto preklasificirala predvsem obmo~-ja na severni, torej sen~ni strani gorskih grebenov, saj je bila tam njihova klasifikacija najve~krat nepravilna. Nekoliko izstopa pove~anje zemlji{~ z ekstenzivno travni{ko rabo (za 6,7 %), kar potrjuje te`avno razlo~evanje v primerjavi s kategorijo intenzivne kmetijske rabe. Za izlo~itev »{uma« in s tem delno generalizacijo je bilo uporabljeno filtriranje z upo{tevanjem okolice. Obi~ajen filter velikosti 3 krat 3 celice spremeni robove in se ne izogne posami~nim celicam, zato je bil prilagojen tako, da je celicam, ki v bli`nji okolici nimajo pokrovnosti iste kategorije, pripisal vrednost, ki se v njihovi okolici najve~krat pojavi (slika 5). Analiza rezultatov filtriranja poka`e, da je najbolj razpr{ena kategorija grmi~evje in zara{~anje, saj se je njena povr{ina pri filtriranju zmanj{ala kar za 8,8 %. Vzrok gre iskati v prepletanju oziroma podobnosti spektralnih podpisov grmi~evja z gozdom na eni ter intenzivno kmetijsko rabo in ekstenzivno travni{ko rabo na drugi strani. Trditev lahko potrdimo s podatkom, da se je ve~ kot 94 % razpr{enih celic s kategorijo grmi~evje prefiltriralo v eno od omenjenih kategorij. Prav tako izstopa zmanj{anje dele`a pozidanih povr{in za 3,9 %. Ve~ina zmanj{anja je {la na ra~un intenzivne kmetijske rabe, kar ponovno govori o te`avnosti lo~evanja med zemlji{~i z odkrito prstjo in pozidanimi zemlji{~i. Natan~nost zemljevida, ocenjena na podlagi 800 vzor~nih to~k, primerjanih s stanjem na posnetkih ortofoto, presega 92 %, kar je zelo dober rezultat (Foody 2002). Podrobnej{a analiza natan~nosti (preglednici 1 in 2) razkrije, da v negativnem smislu najbolj izstopa klasifikacija kategorije grmi~evje in zara{~anje, pri ~emer odstopanje v negativnem smislu ni povezano s preklasifikacijo in filtriranjem. Kot grmi~evje sta bili najve~krat napa~no klasificirani kategoriji gozd in intenzivna kmetijska raba, kar izhaja iz `e ve~krat omenjene podobnosti v spektralnem podpisu. Tudi grmi~evje je bilo napa~no klasificirano kot intenzivna kmetijska raba, kot gozd pa le redko, iz ~esar je mogo~e sklepati, da so bili u~ni vzorci omejeni s favoriziranjem grmi~evja napram gozdu, medtem ko so »mo~i« med grmi~evjem in intenzivno kmetijsko rabo razporejene enakomerneje. Enako velja za 91 @iga Kokalj, Kri{tof O{tir Ugotavljanje pokrovnosti Slovenije iz satelitskih posnetkov Landsat Slika 5: Razli~ni na~ini filtriranja: pokrovnost brez filtriranja (levo), filtriranje celotne slike s filtrom ve~ine velikosti 3 krat 3 (na sredini), izlo~evanje posami~nih celic in nadome{~anje njihovih vrednosti s filtri ve~ine (desno). Vizogib te`avam pri filtriranju robov predstavljajo slike izreze ve~jih podob. kategoriji ekstenzivna travni{ka raba in intenzivna kmetijska raba. Obmo~ja, ki so bila napa~no kla-sificirana kot pozidana in sorodna zemlji{~a, so predvsem intenzivna kmetijska zemlji{~a (zemlji{~a z odkrito prstjo, na primer zorane njive) ter gozd in kategorija odprto (kamnolomi z naklonom manj{im od 25°, peskokopi, gramozne jame, prodi{~a ob rekah…). V kategoriji odprto je zajetega tudi nekaj gozda in grmi~evja (ru{evja). To bi bilo mogo~e re{iti le s posebno klasifikacijo gorskih obmo~ij ali zahtevnej{o poklasifikacijo, ki bi upo{tevala {e usmerjenost povr{ja in kombinacije med naklonom, usmerjenostjo, vi{ino ter drugimi pomo`nimi podatki. Vendar bi bila za to potrebna dodatna raziskava, ki bi meje lahko tudi kvantitativno opredelila. Kljub temu bi to~nost klasifikacije izbolj{ala le malenkostno. Preglednica 1: Ocena natan~nosti. razred referen~ne klasificirane pravilno izdeloval~eva uporabnikova to~ke to~ke klasificirane natan~nost v % natan~nost v % to~ke gozd 329 316 312 94,8 98,7 grmi~evje in zara{~anje 84 81 67 79,8 82,7 ekstenzivna travni{ka raba 99 107 94 95,0 87,9 intenzivna kmetijska raba 145 147 128 88,3 87,1 pozidana zemlji{~a 65 68 59 90,8 86,8 voda 19 20 19 100,0 95,0 odprto 59 61 58 98,3 95,1 skupaj 800 800 737 Preglednica 2: Matrika napak. razred 1 2 3 4 5 6 7 skupaj klasificirane to~ke 316 81 107 147 1 68 19 20 58 61 19 59 800 92 1 gozd 312 1 2 1 2 grmi~evje in zara{~anje 6 67 2 6 3 ekstenzivna travni{ka raba 4 4 94 5 4 intenzivna kmetijska raba 3 10 1 128 5 5 pozidana zemlji{~a 3 5 59 6 voda 1 7 odprto 1 2 skupaj referen~ne 329 84 99 145 65 Geografski vestnik 78-2, 2006 Metode 60 50 40 30 20 20 0 ¦¦¦ gozd grmi~evje ekstenzivna intenzivna pozidana in voda in zara{~anje travni{ka raba kmetijska raba sorodna zemlji{~a odprto | klasificirana | po omejevanju z vi{ino in naklonom | filtrirana Slika 6: Primerjava pokrovnosti po klasifikaciji, po omejevanju z vi{ino in naklonom ter po kon~anem filtriranju. 5 Sklep Klasifikacija satelitskih posnetkov se je izkazala kot u~inkovito orodje pri dolo~anju pokrovnosti Slovenije. Z njo je mogo~e v razmeroma kratkem ~asu opraviti kartiranje celotnega dr`avnega ozemlja (tudi okolice) in v primeru periodi~ne obdelave opazovati ~asovni razvoj dogajanja. Uporabljeni posnetki sistema Landsat so primerni za lo~evanje od deset do dvajset kategorij pokrovnosti z lo~ljivostjo 25 m. Zaradi raznovrstnosti pokrajinske rabe in naravnih potez pokrajine, predvsem velike zemlji{ke razdrobljenosti, spremenljivih talnih razmer in intenzivnega zara{~anja, je lo~evanje nekaterih razredov te`avno in je treba uporabiti naprednej{e metode, vklju~no s poklasifikacijo. Omejevanje z vi{ino in naklonom ter izbolj{ava lo~ljivosti kategorij s klasifikacijo v dva sloja lahko znatno izbolj{ajo kakovost kon~ne karte pokrovnosti. Atributna natan~nost izdelane klasifikacije, ocenjena s primerjavo stanja na posnetkih ortofoto na podlagi ve~jega {tevila testnih to~k, je zelo visoka, saj presega 90 %. Najve~krat napa~no klasificirana kategorija je grmi~evje in zara{~anje. Kakovost izdelanega sloja je zelo dobra, zlasti za {tudije na regionalni ali dr`avni ravni, mogo~e pa jo je dodatno izbolj{ati zlasti s klasifikacijo po manj{ih prostorskih obmo~jih (pokrajinskoekolo{kih tipih ali enotah), z zahtevnej{o poklasifikacijo, ki bi upo{tevala {e druge spremenljivke (na primer usmerjenost pobo~ij in oson~enost) ter njihove kombinacije, in natan~nej{o, s {tudijo podprto, kvantitativno opredelitvijo mej posameznih razredov. Uporabnost odlo~itvenega drevesa bi se {e pove~ala z aplikacijo na manj{ih prostorskih enotah. Tako bi lahko na primer lo~evali spremenljivo vi{ino zgornje gozdne meje po regijah. Opravljena {tudija je potrdila domnevo, da enostavna klasifikacija pokrovnosti ni mogo~a, ~e `elimo dose~i visoko natan~nost. Izkazalo se je, da je dolo~anje pokrovnosti izrazito prostorsko opredeljeno, saj je treba upo{tevati vse lokalne posebnosti, tako naravnih pojavov in danosti kot umetnih objektov. Zato menimo, da je pokrovnost smiselno dolo~ati glede na manj{e pokrajinske enote. Med zanimivej{a 93 @iga Kokalj, Kri{tof O{tir Ugotavljanje pokrovnosti Slovenije iz satelitskih posnetkov Landsat vpra{anja za nadaljnje raziskave sodi tudi uporabnost visokolo~ljivih (prostorsko in spektralno) satelitskih in letalskih sistemov za podrobnej{e razlikovanje naravnih in antropogenih zna~ilnosti slovenskih pokrajin. 6 Viri in liteartura Apan, A. A. 1997: Land cover mapping for tropical forest rehabilitation planning using remotely-sensed data. International journal of remote sensing 18-5. New York. Campbell, J. B. 1996: Introduction to remote sensing. New York. Foody, G. M. 2002: Status of land cover classification accuracy assessment. Remote Sensing of Environment 80. Elsevier. Gabrovec, M., Kladnik, D. 1997: Nekaj novih vidikov rabe tal v Sloveniji. Geografski zbornik 37. Ljubljana. Gams, I. 1986: Osnove pokrajinske ekologije. Ljubljana. Kladnik, D. 1999: Leksikon geografije pode`elja. Ljubljana. Kokalj, @. 2004: Vrednotenje pokrajinskoekolo{kih tipov Slovenije v lu~i pokrovnosti, pridobljene s klasifikacijo satelitskih posnetkov Landsat. Diplomska naloga, Oddelek za geografijo, Filozofska fakulteta, Univerza v Ljubljani. Ljubljana. Krajevni leksikon Slovenije. Ljubljana, 1995. O{tir, K. 2004: Daljinsko zaznavanje. Ljubljana. O{tir, K., Stan~i~, Z., Podobnikar, T., Vehovar, Z. 2000: Pridobivanje in uporaba prostorskih podatkov visoke lo~ljivosti pri na~rtovanju omre`ja mobilne telefonije. Geografski informacijski sistemi v Sloveniji 1999-2000. Ljubljana. Perko, D. 1998: Nadmorske vi{ine povr{ja. Geografski atlas Slovenije. Ljubljana. Perko, D. 2001: Analiza povr{ja Slovenije s stometrskim digitalnim modelom reliefa. Geografija Slovenije 3. Ljubljana. Petek, F., 2001: Vrednotenje rabe zemlji{~ v slovenskih pokrajinah z vidika kazalcev sonaravnega razvoja. Magistrsko delo, Oddelek za geografijo, Filozofska fakulteta, Univerza v Ljubljani. Ljubljana. [abi}, D, Lojovi}, E., Tretjak, A, 1998: Statisti~ni GIS pokrovnosti in rabe tal Slovenije z oceno spremembe pokrovnosti tal med letoma 1993 in 1997. Geografski informacijski sistemi v Sloveniji 1997-1998. Ljubljana. [pes, M., Cigale, D., Lampi~, B., Natek, K., Plut, D., Smrekar, A. 2002: [tudija ranljivosti okolja. Geographica Slovenica 35,1-2. Ljubljana. Vri{er, I. 1995: Agrarna geografija. Ljubljana. 7 Summary: Land cover map of Slovenia from Landsat satellite imagery (translated by the authors) The presented digital land cover map production method uses Landsat satellite imagery and combines different classification methods with employment of ancillary data, of which digital orthophotos and digital elevation model are the most important. The principal data sources were three orhtorec-tified Landsat images from 1999 and 2000, resampled to resolution 25 × 25 m. The area of Slovenia was divided into different size rectangles, as this facilitates inclusion of differences and particularities that are the consequence of terrain uniqueness, complex cultivation patterns, variety in pedological and geological conditions, rapid overgrowing, microclimate, and similar. Unsupervised classification was used to clarify the basic knowledge about natural organization of data and to determine homogeneous surfaces for definition of supervised classification training samples. Training samples for selected categories (forest, bushes and overgrowth, intensive agriculture, extensive grasslands, build up and similar 94 Geografski vestnik 78-2, 2006 Metode areas, water) were obtained by automatic (region growing) and manual delineation, whereas the category open was produced in the postclassification step. The quality of training samples was iteratively tested with multiple analyses; unsuitable samples were changed or dropped. Maximum likelihood method was used as the main classifier, because of its benevolent characteristics, mainly good accuracy, have substantial advantages over negative ones, e.g. sensitivity to the quality of training samples. Individual rectangles were mosaicked after the classification, with a special consideration of visually ascertained classification quality, recentness of imagery, and borders of landscape-ecological types. Altitude and inclination were used to reclassify intensive agriculture, forest, build up areas, and water. »Noise« was removed using adapted majority filter. The filter was set to identify isolated pixels and assign them a value that appears in their vicinity the most often. The attribute precision of the classification, based on 800 test points evaluated by comparing the situation on orthophotos, is very high as it exceeds 92%. Considerable difficulties in separation of bushes from intensive agriculture were encountered. Because of spectral signature similarities and their mixing several methods of their suitability testing were required. The problem of distinction between build up areas and bare soil was successfully solved by classification into two classes. With this a two layer land cover image was obtained; the first layer represents the most probable land cover class and in the second layer the next most probable class. The value was changed to the pixels that were determined as build up in the first layer and as any other category in the second layer. Ancillary data, such as normalised difference vegetation index (NDVI), panchromatic band, digital elevation model, and inclination, did not enhance the classification when added to the six spectral bands. However, a detailed investigation might provide favourable results. Experiment should be attempted in a small area, where special attention can be paid to the training samples selection adapted to the altitude and inclination characteristics. Nevertheless, supplementary data proved very useful in the post-classification process with limiting the altitude and slope. The effectiveness of the approach can be enhanced by applying it on a smaller area. For example, maximum forest altitude can be considered according to region. Other criteria, such as exposition and solar radiation, can also be regarded. However, the principal weakness to the method is complex quantitative limits determination. 95