Monitorizarea și managementul mediului- IF [303352]

UNIVERSITATEA ,,DUNĂREA DE JOS” DIN GALAȚI

FACULTATEA DE ȘTIINȚE ȘI MEDIU

Program de studii universitare de masterat:

[anonimizat]: Gabriel Murariu

Absolvent: [anonimizat]

2019

UNIVERSITATEA ,,DUNĂREA DE JOS” DIN GALAȚI

FACULTATEA DE ȘTIINȚE ȘI MEDIU

Program de studii universitare de masterat:

[anonimizat]: Gabriel Murariu

Semnătura……………… Absolvent: [anonimizat]

2019

[anonimizat], fără a avea contact direct cu aceasta. [anonimizat]. [anonimizat] 1950-1960, în cadrul documentațiilor Administrației Americane a Oceanelor ([anonimizat]), termenul tradus din limba engleză (,,Remote Sensing”) [anonimizat] a fost utilizat în urma traducerii în franceză (teledetection).

Teledetecția, indiferent de natura aplicațiilor folosește radiațiile electromagnetice pentru a [anonimizat], [anonimizat], balon, elicopter, dronă, astfel acestea pot fi utilizate în obținerea de hărți și planuri. Aceasta a evoluat și s-a [anonimizat], mai ales în timpul războiului rece. Astfel, de la o [anonimizat] (chimică) s-a [anonimizat], [anonimizat]: ultraviolet, [anonimizat], microunde.

Teledetecția a [anonimizat] a primului satelit de observare a Pământului, în anul 1972, denumit Landsat 1. [anonimizat], anii 1975-1976, mulți cercetători fiind din ce în ce mai interesați de utilizarea acestora în domenii diverse de activitate.

[anonimizat] o dezvoltare continuă a domeniului teledetecției. Astfel, [anonimizat], [anonimizat], inclusiv de către Agenția Spațială Europeană (ESA). Rezoluția spațială de 70 m a [anonimizat] 1:200 000 [anonimizat], precum și pentru actualizarea hârților existente. Odată cu perfecționarea senzorilor instalați pe sateliți și a îmbunătățirii continue a rezoluției la teren până la 20 m și 10 m (sateliții SPOT), s-au putut realiza hărți topografice la scara 1:50 000. [anonimizat]ie și capacitate stereoscopică de 1m, 0,5m, 0,3 m, ceea ce permite realizarea unor hărți la scări foarte mari.

Imaginile satelitare obținute prin baleiere multispectrală contribuie la identificarea mai multor categorii de elemente ale suprafeței topografice, cum sunt pădurile, culturile agricole, rețeaua hidrografică, localitățile etc, fiind din ce în ce mai utilizate în domenii vaste precum GIS (Sisteme Informaționale Geografice), geodezia, cartografia și realizarea de hărți tematice, geologia și geomorfologia, hidrologia, agricultura și silvicultura. Prin includerea și utilizarea datelor satelitare în sisteme de tip GIS, se obțin informații noi, care pot fi în mod continuu actualizate.

Utilizarea tehnicilor de teledetecției cu senzori pasivi (radiația electromagnetică, provenită de la Soare) precum și de analiză geospațială a datelor astfel obținute derivă din necesitatea asigurării unui management eficient și durabil al mediului înconjurător. De cele mai multe ori se impune cunoașterea în timp cât mai scurt și cu precizie ridicată a schimbărilor ce intervin în distribuția spațială a arboretelor, astfel că posibilitatea furnizării acestor tipuri de informații cât mai precis și pe suprafețe extinse, constituie o provocare pentru cercetarea de profil.

SCOPUL ȘI OBIECTIVUL STUDIULUI

Scopul cercetărilor din cadrul acestui studiu este de evaluare a potențialului de exploatare complexă a imaginilor de teledetecție în domeniul managementului mediului, în vederea definirii unor instrumente specifice, utile în gestionarea durabilă a mediului înconjurător.

Obiectivul studiului a constat în identificarea principalelor grupe de specii de arbori (rășinoase, foioase) pe baza informaților și datelor furnizate de imagini de teledetecție (satelitare și aeriene multispectrale), precum și a tehnicilor și procedeelor specifice de exploatare a acestora.

STADIUL CUNOȘTINȚELOR

Pe plan național, dar mai ales pe plan internațional cercetările referitoare la utilizarea în domeniul forestier al datelor și informațiilor obținute pe baza teledetecției (imagini satelitare, aeriene multispectrale) precum și a tehnicilor specifice de exploatare a acestora ocupă un loc important în interesul manifestat de cercetarea de profil.

Utilizarea imaginilor satelitare pentru evaluarea resurselor forestiere este încă un subiect de mare actualitate în domeniul cercetării silvice, aspect susținut și de multitudinea de senzori satelitari existenți la ora actuală. Astfel, Wulder et al., 2004 au demonstrat utilitatea imaginilor satelitare cu rezoluție spațială înaltă (<10 m) de a furniza informații necesare caracterizării ecosistemelor forestiere. De asemenea, White et al. (2016) susțin că imaginile pancromatice de foarte înaltă rezoluție spațială (<1 m) au fost folosite pentru identificarea speciilor dominante de arbori, pentru estimarea înălțimii medii a arboretului, suprafața de bază, gradul de închidere al coronamentului.

Un studiu elaborat relativ recent (Addabbo et al., 2016) prezintă utilitatea integrării diferitelor imagini satelitare (e.g. Sentinel 2, respectiv Landsat 8) pentru dezvoltarea de aplicații în vederea monitorizării vegetației. Satelitul Sentinel 2 preia imagini cu o rezoluție spațială de 20 de metri printr-o serie de benzi spectrale din spectrul infraroșu apropiat (Band 5, Band 6, Band 7 și Band 8a), care sunt foarte utile în special pentru studiul vegetației. Autorii susțin că disponibilitatea datelor înregistrate de satelitul Sentinel 2 a permis unele îmbunătățiri în ceea ce privește monitorizarea vegetației, a stării de sănătate a acestei, precum și în ceea ce privește evidențierea cu un grad ridicat de acuratețe a diferitelor clase de acoperire a terenului.

Un studiu realizat recent (Puletti et al., 2017) prezintă potențialul de utilizare al imaginilor satelitare Sentinel 2, în special în ceea ce privește îmbunătățirea clasificării, la scară medie și mare, a tipurilor de păduri, datorită disponibilității benzilor multispectrale cu o rezoluție spațială ridicată (10 m) precum și a timpului de revenire relativ scăzut al satelitului.

Imagini de înaltă rezoluție spațială și radiometrică provenite de la sateliții comerciali intră în mod continuu pe piață, însă costul lor este oarecum prohibitiv, ceea ce este, de asemenea, cazul platformelor aeriene pilotate.

În ceea ce privește utilizarea aparatelor de zbor fără pilot (UAV, dronă) pentru înregistrarea imaginilor aeriene de ultra înaltă rezoluție spațială, Torresan et al., 2017 afirmă faptul că majoritatea aplicațiilor UAV utilizate în cercetarea forestieră, precum și majoritatea studiilor de caz, s-au bazat, printre altele, pe estimarea parametrilor dendrometrici ai arborilor și arboretelor, urmată de monitorizarea stării de sănătate a pădurilor, clasificarea compoziției speciilor de arbori, cuantificarea spațială a golurilor apărute în arboret. Unele cercetări (Mohan et al., 2017) evaluează posibilitatea de detectare individuală automată a arborilor folosind algoritmul bazat pe maximele locale pe care îl aplică pe modele digitale ale coronamentului obținute din vehicule aeriene fără pilot (UAV), în combinație cu algoritmi de tipul structură-din-mișcare (Structure-from-Motion – SfM).

De asemenea, cercetările efectuate de Franklin & Ahmed, 2017, subliniază importanța utilizării datelor obținute cu ajutorul UAV, a analizei acestora bazată pe obiecte de imagine (Object-Based Image Analysis – OBIA) precum și aplicării algoritmului de clasificare Machine Learning pentru identificarea și separarea coroanelor arborilor.

Pe plan național, cercetări privind utilizarea tehnicilor de teledetecție în domeniul forestier au fost efectuate încă din anii 1980, in cadrul Facultății de Silvicultură și Exploatări Forestiere din Brașov. Pionieri in acest domeniu au fost personalități de renume, acad. Victor Giurgiu, prof. dr. ing. Aurel Rusu, licențiat atât in silvicultură cât și in fotogrammetrie, prof. dr. ing. Nicolae Bos și prof. dr. ing. Arpad Kiss.

De asemenea, și în cadrul Institutului Național de Cercetare-Dezvoltare în Silvicultură ,,Marin Drăcea” (fostul ICAS) au fost efectuate numeroase cercetări privind utilizarea teledetecție cu senzori pasivi în domeniul silviculturii. Astfel, acestea au avut ca scop utilizarea imaginilor satelitare (e.g. Ikonos, SPOT 5) pentru determinarea unor caracteristici dendrometrice ale arborilor și arboretelor (Gancz et al.,2005). De asemenea, importanța utilizării teledetecției cu senzori pasivi este evidențiată și de cercetările efectuate in vederea detectării schimbărilor de vegetație ca urmare a influenței unor factori biotici, respectiv abiotici (Gancz et al., 2010; Vorovencii și Iordache, 2013; Vorovencii, 2014; Gancz et al., 2014).

Primele cercetări privind posibilitățile de utilizare a tehnologiilor de teledetecție cu senzor activ (LiDAR aeropurtat) au fost inițiate în domeniul forestier, de asemenea, în cadrul Institutului Național de Cercetare Dezvoltare în Silvicultură (INCDS) „Marin Drăcea” (fostul ICAS). Rezultatele obținute sunt satisfăcătoare și arătând potențial ridicat al acestora în furnizarea de informații cu precizie ridicată pentru determinarea înălțimilor arborilor și, în consecință, a volumului și biomasei pentru arboretele de molid (Apostol, 2015, Apostol et al., 2011, 2012, 2016).

MATERIALUL ȘI METODA DE CERCETARE

Noțiuni teoretice de teledetecție

Radiația electromagnetică este vehicolul informațional pe care se bazează teledetecția. Proprietățile acesteia depind de lungimea de undă a acesteia, diverse porțiuni ale spectrului electromagnetic fiind utilizate de diverși senzori în scopuri diferite. Radiația electromagnetică este un fenomen ondulatoriu (undă), sinusoidal, fiind caracterizat de lungimea de undă (frecvență) (Figura 4.1).

Soarele emite radiații electromagnetice în toate benzile spectrale, de la lungimi de undă foarte mici (radiații gamma și raze X) până la lungimi de undă de ordinul kilometrilor (undele radio), lumina vizibilă reprezentând doar o mică regiune din acest spectru (0,4-0,7μm) (Figura 4.2).

Clorofila absoarbe energie în partea vizibilă a spectrului electromagnetic și o reflectă pe cea din infraroșu(IR) apropiat. Lumina albastră și roșie este mai mult absorbită decât cea verde, de aceea vegetația este verde pentru ochiul uman. Diferența între reflectanța din zona vizibilă a spectrului și cea din zona IR apropiat este determinată de structura și compoziția specifică frunzelor și depinde de mai mulți factori: speciile vegetale, starea de stres a vegetației, vârstă, fenologie (Figura 4.3)

,,Limita roșie” corespunde schimbării abrupte a reflectanței spectrale care apare între zona de absorbție puternică a clorofilei și zona infraroșu apropiat unde plantele verzi reflectă puternic radiația incidentă. Atunci când conținutul de clorofilă se diminuează (în general când vegetația este în declin) poziția pantei maxime a limitei roșii migrează către lungimile de undă mai scurte (Figura 4.4).

Imaginea digitală reprezintă cuantificarea unei imagini și depozitarea valorilor numerice obținute pe un suport de pe care sa poată fi introdus în computer. Procesul de digitizare este caracterizat de două aspecte ale cuantificării și anume: primul reprezintă împărțirea imaginii într-o rețea de elemente numite pixeli. Cu cât acești pixeli vor avea dimensiuni mai mici cu atât rezoluția geometrică va fi mai bună (detaliile vor fi mai fine), dar va crește volumul de date ce vor trebui stocate și prelucrate. Al doilea aspect îl reprezintă cuantificarea gradului de înnegrire al unui astfel de element de imagine.

Imaginile digitale color sunt alcătuite analizând separat pârțile spectrului electromagnetic corespunzătoare culorilor roșu, verde și albastru (Red, Green, Blue), considerate culori de bază. Astfel prin combinarea acestora în diferite proporții se pot obține toate culorile spectrului electromagnetic. Acest sistem de obținere a culorilor folosind RGB ca bază se numește sistemul aditiv.

Rezoluția unei imagini digitale reprezintă numărul de pixeli pe mm. În cazul senzorilor utilizați în teledetecție există mai multe tipuri de rezoluții:

Rezoluția spațială – este suprafața terestră acoperită de un pixel. Aceasta determină dimensiunile celui mai mic obiect observabil pe o imagine. Cu cât rezoluția spațială este mai mare cu atât sunt mai mici obiectele vizibile pe imagine.

Rezoluția radiometrică – se referă la domeniul dinamic de măsurare a radiației provenite de la țintă. De exemplu pentru 16 nivele de gri (de la 0-negru la 15-alb) sunt numai 4 biți pentru fiecare pixel. Pentru 256 nivele de gri (0-negru, 255-alb) sunt 8 biți, iar în cazul utilizării pixelilor pe 12 biți vor fi obținute 4096 nivele de gri.

Rezoluția spectrală – se referă la intervalul specific de lungimi de undă (lățimea benzii spectrale) pe care un senzor poate sa o înregistreze (măsoare). De exemplu banda 1 a senzorului Spot 5 înregistrează energia electromagnetică între 0,50 si 0,59 m. Cu cât benzile spectrale sunt mai înguste și mai multe cu atât rezoluția spectrală e mai mare.

Rezoluția temporală – se referă la numărul de treceri ale satelitului peste aceeași zonă. De exemplu satelitul satelitul SPOT revizita aceeași zonă la un interval de 26 zile.

Imaginea digitală multispectrală este redată vizual prin alegerea a trei benzi spectrale și atribuirea câte unei culori convenționale dintre cele trei culori fundamentale (roșu, verde, albastru). Astfel, se obține o combinație fals color compozit. Se pot obține o multitudine de astfel de combinații, numărul acestora fiind:   Am 3, unde m = numărul de benzi spectrale.

În practică nu sunt folosite toate combinațiile posibile ci numai câteva. In principal sunt folosite combinații ca de exemplu 4,3,2 (infraroșu color) sau 4,5,3.

Majoritatea imaginilor digitale permit descompunerea fiecarei culori de bazǎ ȋn 256 de grade de intensitate (8 biți), astfel o imagine care utilizeazǎ ȋntreaga scarǎ de intensitate (valori codificate de la 0 la 255) are un contrast foarte bun având scara cromaticǎ de la alb la negru și culori bine reprezentate. Valorile numerice ale intensitǎții fiecǎrei culori de baza (RGB) pot fi reprezentate grafic printr-o histogramǎ. Cu cât aceasta este mai restrânsǎ (numǎrul de valori specifice intensitații fiecarei culori este mai mic) cu atât este mai scǎzut contrastul imaginii. Îmbunǎtǎțirea contrastului se aplicǎ aproape ȋntotdeauna imaginilor din teledetecție deorece senzorii satelitari sunt calibrați sa ȋnregistreze condiții de iluminare foarte diferite.

Ortorectificarea corecteazǎ deformǎrile de relief ȋn cazul proiecțiilor centrale (cazul camerelor foto și a scannerelor). Aceste corecții sunt necesare deorece sateliții și avioanele (cu camerele acestora) sunt ȋn poziții oblice fațǎ de sol și ȋn cazul zonelor cu relief foarte ȋnalt deoarece apar distorsiuni datoritǎ diferențelor de altitudine, fiind astfel necesarǎ cunoașterea altitudinii fiecǎrui pixel din imagine.

Practic ortorectificarea repune pixelii imaginii ȋn poziția corectă, simulând o proiecție ortografică (centrul de proiecție plasat la infinit, razele optice fiind paralele între ele și perpendiculare pe planul de proiecție).

Ortorectificarea presupune existența modelului digital al terenului care descrie (digital) suprafața topografică. De asemenea sunt necesari parametrii sistemului captor senzor, în care intră inclusiv altitudinea, unghiul de incidență al axei optice și coeficienții de orientare interioară și exterioră.

Toate datele intră într-un aparat matematic specific fiecărui sistem de captură a imaginii, furnizat de către producător. Soft-ul utilizat pentru prelucrări trebuie să includă acest aparat matematic.

În realitate procesul de ortorectificare și de georeferențiere se realizează simultan, imaginea fără coordonate nu se poate suprapune altfel cu modelul digital al terenului pe zona respectivă. În multe cazuri și corectarea deformațiilor platformei se realizează simultan cu georeferențierea și ortorectificarea, la care se adaugă punerea într-o proiecție dorită (inclusiv în sistemul de coordonate atașat proiecției).

Georeferențierea reprezintǎ punerea fiecarui element din imagine ȋn coordonatele corespunzǎtoare sistemului de proiecție utilizat. Este necesarǎ datoritǎ efectelor reliefului, a faptului cǎ Pǎmântul se rotește ȋn jurul axei sale cǎnd sunt luate fotografiile și datoritǎ distorsiunilor cauzate de poziționarea greșitǎ a sateliților pe orbitǎ sau a unghiului camerei.

Presupune suprapunerea unei hǎrți peste imagine astfel ȋncât imaginea sǎ reflecte cu acuratețe detaliile de la sol. Pentru ȋmbunǎtǎțirea corecțiilor se utilizeazǎ puncte de control la sol, ce prezintă coordonate cunoscute (determinate atât prin mijloace topografice, cât și cu ajutorul sistemelor de navigare cu ajutorul sateliților).

Altfel spus, fiecare punct al imaginii trbuie să aibă coordonatele corespunzătoare de pe suprafața terestră, fie geografice (longitudine, latitudine) fie coordonatele cartografice (carteziene) (x,y) într-o anumită proiecție cartografică. Așezarea imaginii într-o proiecție cartografică sau alta presupune o nouă „deformare” a acestei în conformitate cu proiecția cartografică dorită. Așezarea imaginii întro proiecție cartografică presupune atașarea coordonatelor, proces numit georeferențiere. Acest termen, importat forțat din limba engleză (georeferencing) s-a încetățenit în argoul de specialitate. Imaginea, la care au fost atașate coordonatele (georeferențiată), poate fi trecută dintr-un sistem de proiecție în altul, cu ajutorul soft-ului specializat.

Pe baza valorilor reflectanței ale diferitelor benzi spectrale se pot calcula diferiți indici de vegetație (VI – vegetation index). De fapt, utilizarea acestora fost sugerată de caracteristică spectrală a vegetației. Vegetația sănătoasă are o puternică reflectanțǎ în infraroșu apropiat (IR) și mult mai scăzută în spectrul vizibil unde are un maxim în zona verde (care determină culoarea verde a vegetației).

Procesul de fotointepretare este utilizat pentru a extrage informații din imaginile satelitare sau fotografiile aeriene. Inițial, acesta era realizat manual prin suprapunerea fotografiilor cu hărți existente și sublinierea detaliilor cu ajutorul creioanelor colorate. În cazul interpretărilor digitale, calculatoarele atribuie câte un strat acoperitor (vegetație, apa, asfalt etc) fiecărui pixel din imagine in conformitate cu semnătura sa spectrală. În cazul analizei vizuale analistul ia în considerare mai multe aspecte cum ar fi: contextul în care se găsesc diferitele obiecte, scara, culoarea (combinații color, lungimi de undă, contrast, numărul de benzi spectrale), textura și structura (ambele țin de calitatea rezoluției spațiale), iar în cazul imaginilor de înaltă/ultra-înaltă rezoluție se ia în considerare și umbra obiectelor. Indiferent de calitatea imaginii în fotointerpretare este esențială experiența și cunoașterea zonei fotografiate cât și a datei și a perioadei din zi în care aceasta a fost făcută.

Localizarea cercetărilor

Cercetările din cadrul acestui studiu au fost desfășurate în Baza Experimentală (BE) Caransebeș, Unitatea de Producție (UP) 6 Cuntu (Figura 4.5). Informațiile și datele referitoare la zona de desfășurare a cercetărilor au fost obținute prin consultarea Amenajamentului BE Caransebeș, UP 6 Cuntu (ediția 2016). Pădurile din cadrul UP 6 formează un trup compact, acestea fiind în totalitate în proprietatea publică a statului.

Teritoriul BE Caransebeș este situat pe versanții vestici ai munților Poiana Ruscă, Depresiunea Caransebeș din depresiunea Bistra – Timiș – Cerna, versanții vestici ai Muntelui Mic și Țarcu, cît și pe prelungirea acestora către râul Timiș, iar pădurile UP 6 Cuntu sunt situate la izvoarele râului Sebeș, pe văile principale Cuntu și Valea Craiului. Suprafața fondului forestier total din cadrul UP 6 Cuntu este 4098,26 ha, dintre care 4040,23 ha sunt terenuri acoperite cu pădure. Principala cale de acces de pe teritoriul unității de producție este reprezentată de drumul județean 608A Borlova – Stațiunea Muntele Mic, drum asfaltat până la Stațiunea Muntele Mic, ce se racordează cu drumul forestier Valea Cuntu și Petroșnița.

Teritoriul UP 6 Cuntu se suprapune integral cu aria naturală protejată ROSCI0126 Munții Țarcu, cuprinsă în rețeaua ecologică “Natura 2000”.

Conform Amenajamentului UP 6 Cuntu (ediția 2016), altitudinea medie este 955 m, limitele altitudinale fiind cuprinse între 430 m și 1480 m.

Din analiza distribuției pădurilor, pe categorii de altitudini, expoziții reiese că UP 6 Cuntu oferă condiții prielnice atât pentru specii cu temperament de umbră (fag), cât și pentru cele de semiumbră (molid).

Tipurile de stațiune forestieră identificate în cadrul UP 6 Cuntu sunt situate în 4 etaje fitoclimatice, și anume FM3 (etajul montan de molidișuri), FM2 (etajul montan de amestecuri), FM1+ FD4 (etajul montan – premontan de făgete) și FD3 (deluros de gorunete, făgete și goruneto-făgete) (Figura 4.6).

De asemenea, în ceea ce privește tipul de pădure, în cadrul UP 6 Cuntu s-au identificat 11 tipuri de pădure (Tabelul 4.1), repartizate pe categorii de productivitate astfel:

-20% sunt de productivitate superioară

-78% sunt de productivitate mijlocie

– 2% sunt de productivitate inferioară.

Tabelul 4.1

Tipurile de pădure din cadrul UP 6 Cuntu

Referitor la structura arboretelor pe specii, UP 6 Cuntu este format în majoritate de fag (70%), molid (23%), brad (2%) și diverse tari (3%).

Din punct de vedere geologic pe teritoriul luat în studiu sunt reprezentate în cea mai mare parte din șisturi cristaline, aparținând cretacicului, iar pârțile superioare ale teritoriului sunt roci eruptive, aparținând cristalinului mezozoic.

Prin dezagregarea acestor roci au luat naștere soluri de la superficiale la mijlociu profunde, cu un conținut variabil de schelet, de productivitate mijlocie la superioară pentru vegetația forestieră.

Unitățile geomorfologice sunt versanții de lungime diferită, cu pante domoale la repezi și foarte repezi. În măsură mai mică apar coamele, lunca înaltă și platoul. Expoziția generală este cea însorită și parțial însorită cu expoziții intermediare, determinate de direcția de scurgere a văilor secundare.

Din punct de vedere climatic, folosind determinările stațiilor meteorologice Caransebeș și Muntele Mic, temperatura medie anuală variază între 6,5 – 7,50C. Amplitudinea variației temperaturilor medii lunare este de 21,80C la stația Caransebeș, 20,00C la stația Muntele Mic. Media minimelor este de -0,80C, luna ianuarie fiind cea mai geroasă, iar media temperaturii maxime situându-se în luna iulie la 210C.

Media precipitațiilor anuale este de 737,2 mm, iar pe anotimpuri situația se prezintă astfel: iarna – 139 mm, primăvara – 199 mm, vara – 237 mm, toamna – 161 mm. Maximum de precipitații se înregistrează în luna iunie iar minimum în luna februarie.

Solurile întâlnite în cuprinsul unității de producție, aparțin claselor cambisoluri și spodisoluri, predominând eutricambosoluri tipice (58%), urmate de districambosolurile tipice (41%).

Atât indicatorii sintetici ai datelor climatice, cât și topoclimatul local, arată că pădurile UP 6 Cuntu au condiții favorabile de creștere și dezvoltare. Principalele specii forestiere sunt fagul, molidul, paltinul de munte, carpenul și diversele tari.

Din analiza distribuției pădurilor, pe categorii de altitudini, expoziții, reiese că UP 6 Cuntu oferă condiții prielnice atât pentru specii cu temperament de umbră (fag), cât și pentru cele de semiumbră (molid).

Baza experimentală Caransebeș dispune de bază de date geospațială – GIS, realizată odată cu elaborarea ultimului amenajament silvic, în anul 2016 (Figura 4.7). În cadrul lucrării de disertație au fost utilizate descrierile parcelare ale unităților amenijstice (ua) ale UP 6 Cuntu. Acestea sunt codificate conform normativelor în vigoare, și oferă date specifice referitoare la grupa și categoria funcțională, folosința, suprafața unității amenajistice, accesibilitatea, descrierea condițiilor staționale, (altitudinea, expoziția, înclinarea și configurația terenului, tipul de sol, tipul de stațiune și de pădure), semințișul, subarboretul, vârsta arboretului, consistența, clasa de producție, regimul, exploatabilitatea, compoziția țel, lucrările executate și cele propuse), precum și la descrierea elementelor de arboret din punctul de vedere al speciei, vârstei, proporției, diametrul mediu, înălțimea medie, clasa de producție, elagajul, vitalitatea, volumul, creșterea curentă și proveniența.

Imagini de teledecție pentru zona de studiu

Imagine satelitară Sentinel 2

Sentinel 2 este o misiune de observare a Pământului dezvoltată de Agenția Spațială Europeană (ESA) ca parte componentă a programului Copernicus în scopul de a efectua observații terestre ca suport pentru servicii ca monitorizarea pădurilor, detectarea schimbărilor în acoperirea terenului, managementul la dezastre naturale ș.a. Sentinel 2 este compus din doi sateliți identici, Sentinel-2A și Sentinel-2B având scopul de a asigura continuitatea misiunilor SPOT și LANDSAT. Primul satelit (Sentinel 2A) a fost lansat în 23 iunie 2015 și cel de-al doilea (Sentinel 2B) în luna martie 2017. Sentinel 2 oferă acoperire sistematică globală între latitudinile 56° S și 84° N, apele costiere și toată Marea Mediterană. Imaginile sunt livrate în formatul JPEG2000, în sistemul de coordonate UTM/WGS84.

Sateliții Sentinel 2 se deplasează pe o orbită polară și furnizează imagini multispectrale de înaltă rezoluție spațială în scopul monitorizării suprafețelor cu vegetație, a solului și a acoperirii cu apă, zone costiere ș.a. Pot livra de asemenea, informații în scopul managementului dezastrelor naturale sau cartarea zonelor de risc sau de hazard. Specificațiile misiunii prevăd ca cei doi sateliți gemeni să opereze pe aceeași orbită dar decalați la 180° și să aibă un timp de revizitare la Ecuator de 5 zile. Sateliții dețin un senzor optic care înregistrează 13 benzi spectrale: 4 benzi cu rezoluția spațială de 10 m, 6 benzi de 20 m și 3 benzi de 60 m. Lățimea imaginii este de 290 km. Lista benzilor spectrale ale sateliților Sentinel 2 este prezentată în tabelul 4.2.

Tabelul 4.2

Benzile spectrale ale sateliților Sentinel 2

Pentru zona de studiu a fost descărcată, în mod gratuit, o imagine Sentinel 2 din data de 24 octombrie 2016, folosindu-se în acest sens geoportalul EarthExplorer (Figura 4.8). Acesta oferă o paletă diversificată de imagini și date geospațiale, acestea putând a fi descărcate prin parcurgerea unor etape specifice. S-a optat pentru luna octombrie deoarece aceasta este ideală pentru discriminarea vegetației forestiere în zona de deal și munte, datorită diferențelor fenologice care apar între rășinoase și foioase.

Imagini aeriene multispectrale obținute cu aparat de zbor fără pilot (dronă)

Pentru zona de studiu au fost utilizate și imagini aeriene multispectrale de ultra- înaltă rezoluție spațială (10-15 cm) obținute în urma unui zbor cu dron eBee (Figura 4.9).

Aceste imagini au fost capturate cu o cameră de tip frame (cadru) Canon S110 NIR care înregistrează imagini ale suprafeței terestre în trei benzi spectrale simultan: verde, roșu și IR apropiat. Camera a folosit ca platformă aeriană o dronă eBee, dimensiunea pixelului rezultată pentru înălțimea de zbor aleasă fiind de 12-15 cm. Zborul a fost efectuat in august 2016. Prelucrarea imaginilor multispectrale cât și obținerea imaginii mozaicate pentru întreaga zona acoperită de zbor s-a efectuat cu ajutorul softului Pix4Dmapper Pro, in figura 4.10 fiind prezentată o suprafața din UP6 Cuntu.

Metoda de cercetare

Ca metodologie de lucru, pentru procesarea imaginii satelitare Sentinel 2 s-au utilizat, pentru atingerea obiectivului lucrării de disertație, procedee specifice teledetecției. Astfel, prin intermediul aplicațiilor informatice specifice (ArcGIS) au fost efectuate prelucrări preliminare, dar și avansate ale imaginii satelitare, precum și au fost efectuate clasificări supervizate la nivel de pixel. Rezultatele clasificărilor au fost evaluate și a fost calculată acuratețea clasificării.

Prelucrări preliminare ale imaginilor satelitare Sentinel 2

Ulterior descărcării imaginii Sentinel 2, a fost efectuată încărcarea benzilor spectrale, care sunt livrate sub formă de fișiere separate, într-un singur fișier imagine.

Imaginea Sentinel 2 are următoarele caracteristici: 13 benzi spectrale cu rezoluții spațiale diferite, dintre care 3 benzi spectrale sunt pentru studiul atmosferei terestre, care nu sunt utile în studiul suprafeței terestre: benzile 1, 9 și 10 (Tabelul 4.2) care au 60m rezoluție spațială.

Caracteristica transparenței atmosferei terestre și benzile spectrale ale senzorului instalat pe satelitul Sentinel 2 sunt prezentate comparativ cu senzorii de pe sateliții Landsat 7 (ETM+), respectiv Landsat 8 (OLI și TIRS) în figura 4.11.

Având în vedere cele de mai sus s-a realizat un singur fișier imagine cu toate benzile spectrale, mai puțin benzile 1,9 și 10. Deoarece numerotarea benzilor (straturilor) din fișierul imagine nou creat (stack) nu corespunde cu benzile spectrale inițiale s-a folosit tabelul de corespondență (Tabelul 4.3) de care vom ține cont atunci când vom realiza imaginile color compozit în diferite combinații de benzi spectrale.

Tabelul 4.3

Corespondența între benzile spectrale inițiale ale imaginilor Sentinel 2 și straturile (benzile) din fișierul imagine creat (stack)

Vis=vizibil, NIR (Near InfraRed)=infraroșu apropiat, SWIR (Short Wave InfraRed) = infraroșu de unde scurte

Realizarea imaginii de tip stack s-a efectuat cu ajutorul modulului Composite Bands din cadrul programului ArcGIS (Figura 4.12).

In fereastra de lucru (Figura 4.13) s-au introdus pe rând fișierele care conțin benzile alese, cu mare grijă pentru ordinea stabilită. Atenție la stabilirea locului unde este salvată noua imagine multibandă (Output Raster) și denumirea acesteia. Se recomandă insistent ca numele noului fișier să includă data înregistrării imaginii (esențială pentru interpretarea datorită, inclusiv fenologiei) și zona sau cadrul pe care îl cuprinde.

O atenție deosebită trebuie acordată denumirii fișierelor originare, care sunt în formatul jpeg 2 (jp2) (Figura 4.14).

După realizarea imaginii de tip stack, această trebuie reproiectată deoarece imaginile originale sunt în proiecție UTM iar în România sistemul de proiecție este Stereografic 1970 (Stereo 70).

Nu trebuie neglijat faptul că teritoriul României este distribuit în două (2) fuse UTM: 34 și 35 și prin urmare trebuie acordată o mare atenție asupra amplasamentului imaginii pe care o folosim.

Proiectarea imaginii în sistemul de proiecție Stereo 70 s-a realizat cu ajutorul modului Project Raster din cadrul aplicației ArcGIS.

De asemenea, în vederea creșterii vitezei de procesare și micșorării spațiului de stocare a fost necesară decuparea imaginii după limita zonei de lucru.

Imaginea Sentinel 2 a fost descărcată ca nivel de procesare 1C ceea ce înseamnă că aceasta nu este corectată radiometric și geometric (este însă ortorectificată și co-registrată spațial). Nivelul de procesare 1C produce niște imagini îmbunătățite, ca și cum sensorul satelitului ar înregistra reflectanța aflându-se imediat deasupra atmosferei (de aceea se numesc imagini Top-Of-Athmosphere – TOA). Imaginile 1C sunt corectate pentru zenitul solar, distanța Soare-Pământ și pentru radianță. Însă imaginile 1C sunt alterate ca urmare trecerii semnalului electromagnetic prin atmosfera Pământului. Corecția atmosferică încearcă să compenseze difracția și absorbția radiației de către componentele atmosferice, obținându-se o estimare precisă a reflectanței de suprafață. Imaginile corectate atmosferic redau reflectanța obiectelor ca și cum senzorul satelitului s-ar afla la baza atmosferei Pământului, de aceea aceste imagini corectate atmosferic se numesc imagini Bottom-of-Athmosphere (BOA).

Datele care redau reflectanța de suprafață aproximează ceea ce ar măsura un senzor ținut chiar deasupra suprafeței Pământului, fără fenomenele din atmosferă (difracție, absorbție), iluminare sau distorsiuni geometrice. Eliminarea fenomenelor atmosferice mărește consistența și comparabilitatea imaginilor suprafeței Pământului luate în momente diferite. Multe produse geospațiale de nivel superior – inclusiv indicii de vegetație, albedoul, indicele suprafeței foliare (LAI), zonele incendiate, acoperirea terenului și schimbarea terenului – se bazează pe produsele de reflectanță ale suprafeței.

Imaginile de nivel 1C – TOA au fost corectate atmosferic utilizând instrumentul prototip Sen2Cor dezvoltat de către Agenția Spațială Europeană – ESA. Sen2Cor realizează o pre-procesare a imaginilor de tip 1C – TOA, și aplică o clasificare a scenei, o corecție atmosferică și o conversie în orto-imagini de tip Level 2A Bottom-Of-Atmosphere (BOA). Ca și produse rezultate, Sen2Cor produce o hartă de tip Aerosol Optical Thickness (AOT), o hartă Water Vapor (WV) și o hartă Scene Classification precum și indicatorii de calitate a datelor – Quality Indicators data.

Aplicația informatică Sen2Cor a fost utilizată prin intermediul liniei de comandă, dar aceasta poate fi integrată și în programul informatic Sentinel Application Platform (SNAP).

Totuși, în cazul afișării comparative a imaginilor corectate și necorectate atmosferic, în combinația de benzi infraroșu color, diferențele între sunt minore (Figura 4.15).

Clasificarea supervizată a imaginii Sentinel 2

După cum a fost menționat anterior, imaginea Sentinel 2 utilizată pentru clasificarea supervizată a fost înregistrată la data de 24 octombrie 2016. Combinație fals color compus-infraroșu color pune foarte bine în evidență diferențele dintre rășinoase și foioase, dar și diferențele față de alte acoperiri ale terenului(Figura 4.16).

Toate operațiile de clasificare supervizată a imaginii satelitare au fost efectuate cu ajutorul instrumentelor specializate din programul informatic ArcGIS.

Pentru clasificarea supervizată trebuie în primul rând stabilite clasele pe care dorim să le extragem din imagine. In Figura 4.17 este prezentat instrumentul de culegere a semnăturilor spectrale pentru clasele dorite. Intr-o primă fază se culeg mai multe semnături spectrale pentru fiecare clasă, ulterior acestea au fost agregate. După culegerea semnăturilor spectrale acestea s-au salvat în fișiere specifice, cu extensia .gsg

Suprafețele care delimitează eșantioanele se salvează ca shape-uri sau feature class în GDB.

După cum se poate observa (Figura 4.17) au fost alese 4 clase:

Rășinoase

Foioase

Vegetație ierbacee

Fără vegetație (stâncării sau suprafețe artificiale).

Pentru alegerea corectă a eșantioanelor s-au utilizat și imaginile aeriene ca „adevăr-teren”.

După comasarea eșantioanelor pentru fiecare clasă s-a trecut la clasificarea propriu-zisă (Figura 4.18).

Metoda de clasificare folosită (pusă la dispoziție de programul ArcGIS) este „Maximum likelihood” (asemănarea maximă) care folosește eșantioanele extrase de operator pentru a clasifica ceilalți pixeli din imagine pe baza „distanțelor” din hiperspațiu spectral (spațiu matematic cu 10 dimensiuni, în acest caz, deoarece avem o imagine cu 10 benzi spectrale).

Pentru a evalua acuratețea, respectiv eroarea de clasificare, în funcție de datele descriptive pentru fiecare ua din cadrul Amenajamentul UP6 Cuntu s-a procedat în felul următor:

1. S-a realizat conversia fișierului raster rezultat în urma clasificării supervizate, într-un strat de tip vector (ArcToolbox/Conversion Tool/From Raster/ Raster to Polygon).

S-a procedat la utilizarea analizei geospațiale (GIS) pentru a se determina proporția rășinoase-foioase pentru fiecare UA:

Au fost intersectate stratul (feature class) UA cu rezulatul clasificării în format vectorial (ArcToolbox/Analyses Tool/Overlay/Intersect) și s-a obținut un nou strat în care poligoanele UA-urilor au fost subîmpărțite în suprafețe în funcție de clasă. In tabelul de atribute al acestui strat au fost înregistrate atât atributele stratului UA cât și cele ale stratului cu clasele specificate. Au fost obținute un număr mare de poligoane, în cadrul fiecărui UA, pentru fiecare poligon fiind înregistrat codul UA (UA) și codul clasei (gridcode) (Figura 4.19).

Acest tabel a fost exportat mai întâi în formatul .dbf și apoi în formatul Excel (.xls) și a fost utilizat pentru a realiza un tabel în care fiecare UA să devină o linie care să conțină suprafețele din fiecare clasă, astfel au fost calculate procente din fiecare clasă (Figura 4.20).

Analiza s-a efectuat numai asupra UA care au pădure așa că au fost luate în considerare numai primele două clase: rășinoase (gridcode 1) și foioase (gridcode 4).

In continuare, tot în cadrul programului Excel, procentele au fost convertite în zecimi, număr întreg și tabelul a fost simplificat și pregătit pentru a fi importat în mediul ArcGIS, fiind păstrat codul UA și valorile, în zecimi, pentru cele două clase.

In mediul ArcGIS s-a procedat la completarea tabelului UA cu tabelul de proporții în zecimi, elementul de legătură fiind codul UA și au fost copiate din acesta în tabelul UA proporțiile rezultate din clasificarea supervizată.

Au fost introduse încă două coloane în care au fost preluate, printr-o procedură semiautomată, zecimile proporției de rașinoase și, separat, de foioase extrase din baza de date amenajistică.

Au mai fost create încă două coloane de tip întreg (integer) în care au fost calculate automat diferențele dintre proporția, în zecimi, rezultată din amenajament și cea rezultată din clasificarea automată, supervizată a imaginii Sentinel 2 înregistrată la data de 24 octombrie 2016.

Diferența absolută dintre cele două valori a fost considerată eroare. Cu cât diferența este mai mare, cu atât eroarea este mai mare, o parte a tabelului în care s-au efectuat calculele este prezentat în Figura 4.21.

Clasificarea supervizată a imaginii aeriene multispectrale CIR obținută cu ajutorul dronei

Un prim aspect studiat a fost evaluarea separabilității spectrale a claselor în acestă imagine. Pentru realizarea acestui lucru s-au utilizat instrumente specifice, existente în sistemul ERDAS imagine – unul dintre programele specializate prelucrării avansate a imaginilor de teledecție. Aceste instrumente permit realizarea profilului spectral într-un punct de pe o imagine multispectrală.

Astfel, pentru realizarea unor evaluari cantitative, într-o suprafață cu mărimea de un ha (100 m X100m) din cadrul UA 41 (Figura 4.22) au fost au fost selectate câteva profile pentru clasele rășinoase – molid, foioase – fag și molid-mort (Figura 4.23). Pentru fiecare clasă au fost culese mai multe profile. Acestea au fost culese pe baza coroanelor vectorizate manual pe imagine, prin procedeul de fotointerpretare.

Studiind aceste profile vom observa că cel mai sigur se vor diferenția arborii morți pe picior, care au un profil spectral total diferiți de arborii vii. De asemenea ne așteptăm la o separare mai bună între foioase și rășinoase și mai puțin bună în cadrul aceleiași grupe de specii.

Clasificarea supervizată s-a realizat după aceași procedură descrisă anterior și utilizată în cazul imaginii Sentinel 2. Eșantionarea semnăturilor spectrale s-a realizat pe zona de imagine corespunzătoare suprafeței de 1ha din cadrul UA 41.

Pentru evaluarea acurateței clasificării s-a utilizat aceeași procedură ca și pentru evaluarea clasificării imaginii Sentinel 2.

Clasificare semi-automată a imaginii aeriene multispectrale CIR prin metoda analizei bazată pe obiecte de imagine (OBIA)

Obiectivul clasificării l-a constituit extragerea semi-automate a coroanelor celor două mari grupe de specii, respectiv rășinoase și foioase. Clasificarea a fost realizată semi-automat, întrucât procesul este ghidat pas cu pas de către operator care decide ce anume dorește să obțină și alege procesele și instrumentele puse la dispoziție de aplicația informatică de prelucrare a imaginii (eCognition) într-o succesiune logică care poate prezenta un grad ridicat de variabilitate, de la caz la caz.

Analiza imaginii bazată pe obiecte (Object-Based Image Analysis – OBIA) are la bază procesul de segmentare a imaginii, prin care se grupează cognitiv pixeli cu aceleași tonuri și aranjare spațială în obiecte de imagine relevante informațional și care corespund entităților din lumea reală (Mallinis et al. 2008). Factorul de scară ales a fost de 20 iar ponderea criteriului de formă s-a stabilit la 0.4, în care compactitatea și netezimea participă în ponderi egale (0.5). Setarea parametrilor pentru segmentarea inițială a imaginii în vederea extragerii terenului neacoperit de vegetație forestieră este redată în figura 4.24.

Pornind de la metodologia de lucru prezentată de Apostol et al., 2018, obiectele de imagine cu valoarea indicelui NIR-GREEN mai mică sau egală decât 1 și cu luminozitatea mai mică decât 63 au fost clasificate în clasa non-pădure. Toate obiectele de imagine rămase neclasificate au fost încadrate apoi în clasa ,,pădure”. Pentru alegerea parametrilor edificatori unei clase precum și a pragurilor de apartenență optime, utilizatorul testează în mod succesiv diverși indici sau valorile medii ale obiectelor de imagine în benzile disponibile și stabilește vizual soluțiile optime, folosindu-se în acest sens de modul de vizualizare Feature view, disponibil în programul informatic.

După izolarea clasei non-pădure a fost aplicată o nouă segmentare, de această dată doar pentru obiectele de imagine clasificate în clasa ,,pădure”. Parametrii de segmentare aleși au fost similari celor din segmentarea anterioară, însă s-a optat pentru obiecte de imagini mai mari (factor de scară 45) iar pentru criteriul de formă a fost aleasă valoarea de 0,5.

Discriminarea între speciile de foioase și rășinoase s-a realizat prin intermediul algoritmului Standard Nearest Neighbour (sNN). Algoritmul de clasificare Nearest Neighbour este un clasificator non-parametric prin care se calculează distanța euclidiană de la obiectele de imagine destinate clasificării către cel mai apropiat eșantion de antrenare a claselor iar obiectele sunt repartizate clasei respective cele mai apropiate. O caracteristică importantă a algoritmului este că acesta returnează gradul (probabilitatea) de apartenență a obiectelor în diferitele clase eșantionate, în valori de la 0 la 1, încorporând astfel în atribuirea claselor conceptul de incertitudine (fuzziness).

Algoritmul de clasificare sNN presupune antrenarea programului informatic prin alegerea unor eșantioane reprezentative de obiecte de imagine aparținând claselor țintă după care se rulează clasificarea automat pentru întreaga imagine. Operatorul trebuie să definescă criteriile după care clasele țintă pot fi decelate fără confuzie (în cazul nostru grupa rășinoase și respectiv foioase) astfel încât să nu existe coincidențe de apartenență la intervale de valori comune (e.g. valorile de NDVI pentru foioase să fie diferite pe cât posibil de cele pentru rășinoase). În cazul de față au fost selectați următorii indici și parametri care prezintă un grad ridicat de separabilitate între clasa de foioase și cea de rășinoase și anume: doi indici texturali GLMC (Grey Level Co-occurrence Matrix) Entropy și GLMC Standard Deviation și patru indici spectrali: Green Chlorophyll Index ([Mean NIR]/[Mean GREEN]-1)), NDVI – Normalized Difference Vegetation Index (Indicele Diferențial Normalizat al Vegetației) ([Mean NIR]-[Mean RED]/[Mean NIR]+[Mean RED]), diferența între infraroșu și verde ([Mean NIR]-[Mean GREEN] și VIN – Vegetation Index Number ([Mean NIR]/[Mean RED]).

După alegerea unor seturi de eșantioane reprezentative pentru clasele clasificate, se poate verifica în ce măsură parametrii aleși pentru discriminarea claselor cu ajutorul algoritmului Standard Nearest Neighbour sunt reprezentativ distincți, respectiv să aibă un grad de suprapunere cât mai scăzut între clase (Figura 4.25).

Verificarea acurateței clasificării s-a realizat luându-se ca referință coroanele digitizate manual pentru cele două grupe de specii. Digitizarea s-a realizat vizual cu ajutorul procedeul de fotointerpretare a celor două grupe principale de specii(rășinoase, foioase).

Eșantioanele selectate pentru antrenarea algoritmului sNN pentru clasa de foiase și rășinoase sunt prezentate în Figura 4.26.

Fig. 4.26 – Eșantioanele selectate pentru antrenarea algoritmului sNN pentru clasificarea clasei de foioase (verde) și respectiv rășinoase (mov)

Imaginea CIR pentru zona de studiu, ca urmare a planificării nu tocmai optime a zborului cu drona, precum și a unor erori de mozaicare și de descărcare a imaginilor prezintă deformări geometrice și spectrale (Figura 4.27).

REZULTATE OBȚINUTE

În urma aplicării metodologiei de clasificare supervizată a imaginii satelitare Sentinel2, rezultatul clasificării automate este un fișier în care fiecare pixel are valoarea clasei atribuită de algoritm. Un detaliu din imaginea clasificată este prezentat în figura următoare (Figura 4.28).

Examinarea vizuală a clasificării, prin comparație cu imaginea fals color compozit și imaginile aeriene au pus în evidență o foarte bună acuratețe a clasificării, rezultatele obținute în urma analizei acurateței de clasificare fiind sintetizate in Tabelul 4.4.

Tabelul 4.4

Sinteza erorilor

* Diferența de eroare între foioase și rășinoase se datorează unor clasificări eronate, în special a foioaselor, în clasa „Vegetație erbacee” dar și clasa „Fără vegetație”. Din acest motiv suma procentelor nu dă 100%.

In Figura 4.29 este prezentat graficul erorilor în care se observă scăderea rapidă a numărului de cazuri in raport cu mărimea erorii atât pentru foioase cât și pentru rășinoase.

Dacă se consideră și erorea cu valoarea 2 acceptabilă, atunci acuratețea clasificării foioaselor se ridică la 80% iar a rășinoaselor la 81%.

În urma aplicării metodologiei de clasificare supervizată a imaginii aeriene multispectrale CIR obținută cu ajutorul dronei eBee, rezultatul clasficării este prezentat în figura următoare (Figura 4.30).

În ceea ce privește evaluarea acurateței clasificării, la nivelul întregii suprafețe de 1 ha eroarea de clasificare a fost de 33% (acuratețe 67%), iar pe specii (grupe de specii) aceasta a fost:

pentru foioase(fag) – eroarea a fost de 43% (acuratețe 57%);

pentru rășinoase(molid) – eroarea a fost de 32% (acuratețe 68%).

Referitor la clasificare semi-automată a imaginii aeriene multispectrale CIR prin metoda analizei bazată pe obiecte de imagine (OBIA) rezultatele pentru suprafața de 1 ha din cadrul UA 41 sunt prezentate în figura 4.31.

Fig. 4.31 – Rezultatele clasificării prin metoda OBIA suprapuse peste proiecțiile coroanelor digitizate manual (prin fotointerpretare) pentru suprafața de 1 ha din cadrul UA 41: fond verde – clasa foioase obținută prin OBIA; fond mov – clasa rășinoase obținută prin OBIA; contur verde – coroanelor arborilor de foioase digitizate manual; contur mov – coroanelor arborilor de rășinoase digitizate manual

Acurateței clasificării, calculată conform metodologiei prezentate anterior (pct. 4.4) este de 67% la nivelul întregii suprafețe de 1 ha, iar pe grupe de specii, aceasta este:

pentru foioase – eroarea a fost de 30% (acuratețe 70%);

pentru rășinoase – eroarea a fost de 36% (acuratețe 64%).

Rezultatele obținute sunt întrucâtva surprinzătoare dat fiind că ne-am fi așteptat ca imaginea CIR să aducă un plus de siguranță și claritate în separarea speciilor, prin aportul benzii din infraroșu apropiat unde reflectanța vegetației este semnificativ mai ridicată decât celei din spectrul vizibil, permițând extragerea unor indici de vegetație consacrați și larg răspândiți în studiul vegetației pe baza teledetecției, cum ar fi NDVI. Însă, aceste rezultate pot fi justificate prin faptul că imaginea CIR pentru zona de studiu prezintă deformări geometrice și spectrale rezultate în urma erorilor de mozaicare, de descărcare a imaginilor și probabil și ca urmare a planificării nu tocmai optime a zborului cu drona.

CONCLUZII

În urma cercetărilor efectuate în cadrul acestei lucrări de disertație se pot desprinde următoarele concluzii :

Clasificarea supervizată a imaginilor Sentinel 2 poate fi utilizată ca o metodă rapidă și cu o acuratețe ridicată pentru identificarea grupelor principale de arbori (rășinoase, foioase), precum și pentru stabilirea proporțiilor grupelor de specii (rășinoase, foioase), la nivel de unitate amenajistică.

Cu toate că rezoluția spațială a imaginilor satelitare Sentinel 2 nu este foarte ridicată (în cazul clasificării rezultă un pixel de 10x10m), rezoluția spectrală reprezintă un atuu important. Chiar și cu această rezoluție spațială, ele sunt deosebit de utile în silvicultură, în special pentru evaluarea compoziției pe grupe principale de specii. Utilizarea acestor imagini pentru verificarea, respectiv actualizarea compozițiilor stabilite prin descrierea parcelară reprezintă o posibilitate importantă de a avea date cât mai exacte privind compoziția UA. De asemenea imaginile satelitare Sentinel 2 în combinație cu imaginile aeriene, eventual coroborate cu măsurători terestre de precizie adecvată sunt foarte utile pentru actualizarea cu o precizie sporită a limitelor unităților amenajistice.

Un alt avantaj major al imaginilor Sentinel 2 este că acestea sunt gratuite (deși procesul de la descărcare al acesatora nu este chiar simplu). Astfel, pot fi descărcate imagini foarte recente pentru zona de interes, prin comparație cu imaginile aeriene cu acoperire națională care sunt achiziționate pentru ANCPI (50 cm rezoluție spațială), dar care sunt obținute la intervale largi de timp (între 3 și 5 ani).

Imaginile aeriene multispectrale infraroșu color de ultra-înaltă rezoluție spatială sunt superioare din punctul de vedere al interpretabilității vegetației, în general și al vegetației forestiere, în particular, imaginilor în culori naturale, datorită reflexiei puternice a vegetației în infraroșu apropiat. Acest fapt este foarte cunoscut și este folosit de foartă multă vreme în teledetecție. Noutatea constă în rezoluția spațială foarte mare a acestor imagini, ceea ce face ca recunoașterea speciilor, chiar prin fotointerpretare să se facă mult mai exact, comparativ cu imaginile în culori naturale.

Existența a trei benzi spectrale a imaginilor aeriene de ultra-înaltă rezoluție spatială permite utilizarea clasificării pe baza valorii semnăturii spectrale a pixelilor (pixel-oriented classification) care s-a dovedit destul de exactă.

Din punctul de vedere al acurateței geometrice imaginea CIR a lăsat de dorit, nefiind mozaicată corect pe toată suprafața zburată. Unul din motivele posibile este și instabilitatea în zbor a dronei eBee (foarte ușoară) dar și abordarea nu tocmai adecvată a proiectării zborului în zone accidentate, cu variații mari de altitudine, ceea ce face ca deformările datorate perspectivei centrale ale fiecărui cadru să fie inconstante și incontrolabile. Remedierea acestei probleme se poate face pe de o parte, printr-o proiectare adecvată, de către specialiști cu experiență, iar pe de altă parte prin utilizarea unor drone tip avion mai mari și mai stabile (și cu o mai mare autonomie de zbor) chiar dacă implică dificultăți administrative mai mari.

Referitor la metoda analizei bazată pe obiecte de imagine (OBIA), aceasta a dat rezultate promițătoare în ceea ce privește diferentierea speciilor de foioase de cele de rășinoase. Abundența de informații suplimentare disponibile la nivelul entităților obiect comparativ cu entitățile pixel oferă o gamă largă de indicii pentru clasificare însă pe de altă parte pune provocări în ceea ce privește modul cum informația este extrasă și utilizată în mod eficient. Utilizarea indicilor de vegetație, sintetici și ai texturii a îmbunătățit semnificativ acuratețea clasificării.

BIBLIOGRAFIE

Addabbo, P., Focareta, M., Marcuccio, S., Votto, C., & Ullo, S. L. (2016). Contribution of Sentinel ‐ 2 data for applications in vegetation monitoring. Acta Imeko, 5(2), 44–54. http://doi.org/10.21014/acta_imeko.v5i2.352

Apostol, B. (2015). Utilizarea tehnicilor moderne ale teledetecției în estimarea unor caracteristici dendrometrice la arbori și arborete de molid din Valea Lotrului. Teză de doctorat, Universitatea "Transilvania" din Brașov.

Apostol, B., Lorenț, A., Apostol, E.N., Petrila, M., Gancz, V., 2018. Identificarea principalelor grupe de specii forestiere utilizând date LiDAR aeropurtat și imagini aeriene multispectrale înregistrate de avioane fără pilot (Identification of the main groups trees species using airborne LiDAR data and multispectral aerial images recorded by unmanned airplanes). Revista de Silvicultură și Cinegetică. Anul XXIII Nr. 42, p. 35-43

Apostol, B., Lorenț, A., Petrila, M., Gancz, V., Badea, O. (2016). Height Extraction and Stand Volume Estimation Based on Fusion Airborne LiDAR Data and Terrestrial Measurements for a Norway Spruce (Picea abies (L.) Karst.) Test Site in Romania. Notulae Botanicae Horti Agrobotanici Cluj-Napoca 44(1): 313-320 http://dx.doi.org/10.15835/nbha.44.1.10155

Apostol, B., Petrila, M., Lorenț, A., Gancz, V., Creț, A. (2011). Potential use of airborne LiDAR technology by the integration of remote sensing and terrestrial datasets for forests assessment and mapping in Romania. Proceedings to Symposium “Forest and Sustainable Development” – Editura Universitatii “Transilvania” din Brașov, pp. 513-518.

Apostol, B., Petrila, M., Lorenț, A., Gancz, V., Silaghi, D. (2012). Estimarea volumului de masă lemnoasă pe picior la arborete de molid utilizând date LiDAR aeropurtat și măsurători terestre. Revista Pădurilor nr.2: 14-22.

Franklin, S. E., & Ahmed, O. S. (2017). Deciduous tree species classification using object-based analysis and machine learning with unmanned aerial vehicle multispectral data. International Journal of Remote Sensing, 00(00), 1–10. http://doi.org/10.1080/01431161.2017.1363442

Gancz, V., Apostol, B., Petrila, M., Lorenț, A. (2010). Detectarea cu ajutorul imaginilor satelitare a doboraturilor de vant si evaluarea efectelor acestora, Revista pădurilor nr 6: 30-36.

Gancz, V., Lorenț, A., Apostol, B., Petrila, M. (2014). Metodologie de detectare și analiză a suprafețelor de pădure afectate de dispariția vegetației forestiere, cu ajutorul seriilor multitemporale de imagini Landsat – Experiment pe o zonă test, Revista pădurilor nr.5-6: 56-63.

Gancz, V., Tomescu, R., Defourni, P., Giot-Wirgot, P. (2005). Evaluarea potentialului de utilizare a imaginilor satelitare de foarte inaltă rezolutie spatială (VHSRSI) in studiul ecosistemelor forestiere. Analele ICAS 48(1): 197-217.

G, Koutsias N, Tsakiri-Strati M, Karteris M, 2008. Object based classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site. ISPRS Photogramm Remote Sens 63(2):237-250.

Petrila, M., Apostol, B., Gancz, V., Lorenț, A. 2010. Aplicații ale tehnologiilor geomatice în silvicultură, Editura Silvică, ISBN 978-606-8020-05-1, 326 p.

Pinty, B. și Verstraete, M. M. 1992, "GEMI: a non-linear index to monitor global vegetation from satellites," Plant Ecology, Vol. 101, 15–20

Puletti, N., Chianucci, F., & Castaldi, C. (2017). Use of Sentinel-2 for forest classification in Mediterranean environments. Annals of Silvicultural Research, 0(0), 1–7. http://doi.org/10.12899/asr-1463

Mallinis G, Koutsias N, Tsakiri-Strati M, Karteris M, 2008. Objectbased classification using Quickbird imagery for delineating forest vegetation polygons in a Mediterranean test site. ISPRS Photogramm Remote Sens 63(2):237-250.

Mohan, M., Silva, C. A., Klauberg, C., Jat, P., Catts, G., Cardil, A., … Dia, M. (2017). Individual tree detection from unmanned aerial vehicle (UAV) derived canopy height model in an open canopy mixed conifer forest. Forests, 8(9):1–17. http://doi.org/10.3390/f8090340

Torresan, C., Berton, A., Carotenuto, F., Di Gennaro, S.F., Gioli, B., Matese, A., Miglietta, F., Vagnoli, C., Zaldei, A., Wallace, L. (2017). Forestry applications of UAVs in Europe: a review. International Journal of Remote Sensing 38: 2427–2447. doi:10.1080/01431161.2016.1252477

Vorovencii, I. (2014). Assessment of some remote sensing techniques used to detect land use/land cover changes in South-East Transilvania, Romania. Environmental Monitoring and Assessment, 186(5): 2685-2699.

Vorovencii, I. și Iordache, E. (2013). Identification and analysis of forest disturbances and fragmentation in Giurgeu Mountains, Romania, using Landsat data. The sixth international scientific conference „Rural Development 2013” Innovations and Sustainability, 28-29 November, 2013, Aleksandras Stulginskis University, Lithuania, pp. 513–518.

White J.C., Coops N.C., Wulder M.A., Vastaranta M., Hilker T., Tompalski P. (2016). Remote sensing technologies for enhancing forest inventories: a review. Canadian Journal of Remote Sensing 42(5): 61–641. https://doi.org/10.1080/07038992.2016.1207484

Wulder, M.A., Hall, R.J., Coops, N.C. & Franklin, S.E. (2004). High Spatial Resolution Remotely Sensed Data for Ecosystem Characterization. BioScience, 54(6), 511–521. http://doi.org/10.1641/0006-3568(2004)054[0511:HSRRSD]2.0.CO;2

*** http://www.rasfoiesc.com/inginerie/electronica/Teledetectia12.php

*** https://earthexplorer.usgs.gov/

*** Amenajamentul Unității de Producție 6 Cuntu, Baza Experimentală Caransebeș, ediția 2016

*** Gancz V., Introducere ȋn GIS și Teledetecție – suport de curs.