Asist. Univ. Dr. Vîrghileanu Marina [305809]

Universitatea din București

Facultatea de Geografie

Lucrare de Licență

Îndrumători științifici:

Prof. Univ. Dr. Mihai Bogdan

Asist. Univ. Dr. Vîrghileanu Marina

Absolvent: [anonimizat], 2020

[anonimizat] a suprafețelor agricole

din județul Călărași pe baza imaginilor satelitare multispectrale.

Îndrumători științifici:

Prof. Univ. Dr. Mihai Bogdan

Asist. Univ. Dr. Vîrghileanu Marina

Absolvent: [anonimizat], 2020

CUPRINS

INTRODUCERE

CAPITOLUL I. Prezentarea zonei de studiu

Localizarea județului Călărași

Caracteristici ale elementelor naturale

Caracteristici ale elementelor antropice

CAPITOLUL II. Metodologie

Surse de date

Metode și procedee folosite

CAPITOLUL III. [anonimizat] a terenurilor agricole in perioada 1990-2019

Validarea rezultatelor

CONCLUZII

BIBLIOGRAFIE

Introducere

CAPITOLUL I – [anonimizat]-teritorială declarată în ianuarie 1981, [anonimizat] a României, [anonimizat]-[anonimizat], [anonimizat]. (Consiliul Județean Călărași, 2015)

Suprafața județului este de 5.088 km², ceea ce reprezintă 2,1% [anonimizat] 28 ca mărime în rândul județelor. (Consiliul Județean Călărași, 2015)

[anonimizat]. Câmpia, [anonimizat]: Câmpia Bărăganului Mostiștei (sudul Câmpiei Bărăganului), [anonimizat]. (Direcția regională de statistică Călărași, 2018)

[anonimizat], în cea mai mare parte a [anonimizat] o [anonimizat], iar diferența mare între culturile de pe pante și cele de pe teren drept ([anonimizat], umbră) este diminuată.

Figura 3. [anonimizat], fiind completate de subbazinul Mostiștei. Dunărea, [anonimizat] 300 lângă Cernavodă la km 450 [anonimizat]-[anonimizat], în mijlocul acestora fiind Balta Ialomiței. Argeșul traversează județul pe o lungime de 37 [anonimizat]. [anonimizat], care deservesc în special irigațiilor și pisciculturii: Iezer-Mostiștea, Frăsinet, Gălățui, Fundulea, Iezer-Călărași. (Direcția regională de statistică Călărași, 2018)

[anonimizat] a [anonimizat]-se prin veri calde si secetoase și ierni reci. [anonimizat] ​​restul câmpiei. (ANMP, 2013)

Vegetația forestieră ocupă 4,4% din suprafața județului și este compusă în mare parte din specii precum plop euro-american, stejar brumăriu, salcâm, salcie alba, ulm, etc. (Consiliul Județean Călărași, 2014)

Solurile sunt compuse în mare parte diferite tipuri de cernoziomuri și soluri aluviale cu o fertilitate foarte ridicată, care, se reflectă în capacitatea susținerii culturilor in parametrii optimi pe areale întinse, acestea fiind ajutate în unele zone cu irigații.

Figura 4. Harta solurilor în județul Călărași

Caracteristici ale elementelor antropice

Din punct de vedere al organizării administrative-teritoriale, la data de 15.06.2020, județul Călărași cuprinde 2 municipii (Călărași, Oltenița), 3 orașe (Lehliu-Gară, Fundulea, Budești), 50 comune și 160 de sate, reședința de județ fiind Municipiul Călărași, care la data de 1 ianuarie 2020 avea o populație de 75.058 locuitori, iar totalul județului reprezentând 306.820 locuitori, conform calarasi.insse.ro.

Caracteristică generală a industriei din județul Călărași este aceea că zonele industriale sunt de obicei situate în apropierea comunităților mari precum municipiile și orașele. Principala ramură a industriei o reprezintă producerea și prelucrarea produselor agro-alimentare, o resursă important în dezvoltare și un sector de bază în economia județului Călărași. (Consiliul Județean Călărași, 2014)

Puterea de producție a terenurilor din județ se reflectă și în afacerile asociațiilor agricole, un bun exemplu fiind firma AGRO-CHIRNOGI SA, care în anul 2018 a avut o cifră de afaceri de aproximativ 698 milioane de lei, număr care a clasat-o pe locul 1 în județ si pe locul 3 în țară în topul celor mai mari companii din sectorul agricol. (wall-street.ro/)

CAPITOLUL II – Metodologie

Surse de date

Principalele date care au fost folosite în analiza terenurilor au fost imaginile satelitare, care au fost procurate din cadrul site-ului Serviciului de Prospectare Geologică al Statelor Unite (USGS-United States Geological Survey) – earthexplorer.usgs.gov/. (Tabelul 1)

Din submeniul seturilor de date Landsat>Landsat Collection>Landsat Collection1 Level1, au fost alese urmatoarele imagini satelitare, fiind selectate cele fără nori sau alte erori de afișare, urmând ulterior să se corecteze atmosferic si să fie decupate pe zona județului Călărași:

Tabelul 1: Imagini satelitare multispectrale folosite în analiză

Sursa: earthexplorer.usgs.gov/

O altă sursă importantă de date o reprezintă CORINE Land Cover, materiale oferite de către Copernicus Land Monitoring Service – land.copernicus.eu (Tabelul 2). Aceste date au fost necesare în cadrul analizei segmentării, mai precis vectorii pentru păduri care au fost folosiți în mascarea arealelor cu vegetație înaltă.

Din meniul Pan-European>CORINE Land Cover, au fost alese următoarele seturi de date, după cum urmează:

Tabelul 2: Imagini CORINE Land Cover folosite în analiză

Sursă: land.copernicus.eu/

Vectorii cu terenurile intravilane din județul Călărași –– Aceștia au fost folosiți îm mascarea arealelor cu spațiu construit. Datele sunt la nivelul anului 2019 și au fost folosite pentru fiecare moment temporal, întrucât nu sunt diferențe majore între acestea.

Metode și procedee folosite

Corecția atmosferică: Reprezintă etapa de pre-procesare în care imaginile sunt calibrate atmosferic, rezultând imagini mai detaliate, care vor ajuta în procesele ulterioare. Datele stocate la nivel de pixeli reprezintă cantitatea totală de radiații primite de senzor la momentul realizării unei imagini.

Radiometric Calibration: Mai exact, calibrarea senzorului, având ca scop transformarea numerelor digitale de la nivelul pixelilor, în valori de informație care se pot măsura. Rezultatul procesului se numește radianța la senzor (TOA-Top of Atmosphere).

Primul pas este acela de a aduce datele imaginii în programul Envi, cu ajutorul butonului Data Manager>Open, selectăm fișierul care conține denumirea MTL, reprezentând metadatele, fiind recunoscute de program două imagini, una cu șapte benzi, cealaltă cu o singură bandă (Landsat 5)/sau patru imagini, una cu nouă benzi și alte trei cu două respectiv o bandă (Landsat 8). (Figura 6)

Deoarece arealul foarte mare acoperit de imaginea satelitară ne permite o redimensionare pe zona județului Călărași, se aduce în program, tot prin Data Manager, limita județului, proiecție EPSG: 32635, urmând să folosim funcția Resize Data din cadrul toolbox-ului ENVI. Se alege imaginea cu șase benzi în cazul imaginii Landsat 5 și limita după care se va decupa imaginea raster, în cazul de față limita adusă anterior. Rezultatul procesului este o imagine raster necorectată atmosferic, pe zona județului Călărași plus alte zone de la marginea acesteia, deoarece, limitele sunt în format vectorial, iar imaginea satelitară, raster.

După redimensionarea imaginii satelitare, putem folosi algoritmul Radiometric Calibration, pentru conversia numerelor digitale. Pentru acest lucru, avem nevoie de subscena satelitară redimensionată anterior. (Figura 7)

În prima etapă a calibrării radiometrice, trebuie să aplicăm setările modulului FLAASH care vor fi utilizate în a doua etapă. Fișierul de ieșire va fi imaginea calibrată la senzor, care trebuie să aibă un nume sugestiv. (Figura 8)

FLAASH Atmospheric Correction:

Cu imaginea calibrată prin radiație, TOA, tot ce trebuie să facem este să folosim modulul FLAASH de care am menționat anterior pentru a elimina efectele atmosferice din imagine.

În acest pas, avem nevoie de imaginea de radianței obținută în etapa anterioară și de o serie de informații despre imagine. Pentru a elimina influența atmosferei, imaginea trebuie să aibă o poziție pe coordonatele care vor fi extrase automat, acesta fiind un senzor, care după selectare, vor fi afișate informații despre înălțimea și rezoluția spațială a senzorului. Data zborului, locația și timpul din an sunt foarte importante, așa că trebuie să completăm aceste spații cu informațiile corecte. În acest caz, imaginea este realizată vara și va folosi modelul atmosferic MID-Latitude Summer. Modelul de aerosol va fi troposferic. Informațiile necesare pentru corectare vor fi procurate din cadrul fișierului MTL, deschizându-l cu o aplicație de tip Notepad, în care vom observa date precum: data preluării imaginii, ora, tipul de senzor, etc.

După consultarea fișierului MTL, completăm în meniul algoritmului datele necesare dupa cum am explicat și după cum urmează:

Tipul de sensor

Data la care a fost preluată imaginea

Modelul de aerosol

Modelul atmosferic

Fișierele de ieșire a imaginilor corectate

Ultimul detaliu al acestei etape este selecția benzilor pentru calcularea și compensarea aerosolilor din momentul în care fotografia a fost făcută folosind algoritmul Kaufman-Tanre, în care am ales modelul standard pentru compensarea aerosolului dintr-o imagine preluată de pe uscat (Over-Land Retrieval Standard). (Figura 11)

Efectuarea acestor pași pentru calibrarea imaginilor din satelit ne oferă o prelucrare mai bună a datelor.

În etapa viitoare a analizei clasificării supervizate și a evoluției spațio-temporale, datorită corecției atmosferice a imaginii, calculul prin intermediul algoritmului va fi mai precis.

Clasificare supervizată: Extragerea informațiilor geospațiale din imagini satelitare prin clasificări supervizate de pixeli, cu ajutorul programului ENVI:

Analiza presupune folosirea imaginilor corectate atmosferic Landsat 5 TM și 8 OLI pentru producerea unor seturi de date privind acoperirea terenurilor pentru patru momente temporale. Astfel, în cadrul acestei analize se vor folosi imaginile corectate atmosferic, mai precis imaginile reflectanței (Bottom of Atmosphere).

Pasul următor este acela de a identifica clasele de acoperire a terenurilor din cadrul arealului de lucru, în cazul de față fiind alese patru clase: Terenuri agricole, Vegetație înaltă, Teren intravilan și Ape.

Alegerea combinațiilor de culori este un factor important în analiză, cele fals color ajutând prin faptul că oferă o imagine a obiectelor mai bine definită decât în cazul combinațiilor color, așadar se va folosi combinația NIR (Near Infrared), SWIR (Short-wave infrared) si Red.

În figura următoare se ilustrează selectarea benzilor pe un senzor Landsat 5, banda NIR fiind banda 4, SWIR 1 va fi banda 5 și banda Red care va fi banda 3.

După alegerea combinației de benzi se trece la pasul următor, implicit crearea unor seturi de pixeli pentru fiecare clasă in parte, cu cât mai multe seturi, cu atât mai mult imaginea va fi mai corectă și mai precisă. (Figura 12)

Procesul se reia de câte ori este nevoie pentru a rezulta o imagine cât mai calitativă, astfel trebuie să ținem cont de anumiți factori precum:

Exemple de pixeli de pe întreagul areal

Mai multe exemple pentru fiecare clasă de acoperire

Cuprinderea mai multor nuanțe de pixeli (de exemplu în cazul apelor mai adânci sau mai puțin adânci pot fi diferențe de culoare)

Fiecare set de pixeli este creat doar pentru o anumită clasă

Exemple de pixeli din zone nediferențiate

Folosirea zoom-ului pe anumite zone pentru a nu extrage pixeli din alte clase de acoperire

Exemplele să nu fie luate de la marginea zonelor, astfel nu vom alege pixelii altor clase

După finalizarea eșantioanelor de pixeli se alege un algoritm de clasificare și se urmează pașii pentru realizarea acesteia, precum alegerea imaginii care urmează să fie clasificate, salvarea eșantioanelor de pixeli și denumirea fișierelor finale. În cazul de față, clasificarea folosită este Maximum Likelihood.

În acest algoritm, vom folosi imaginea de corecție atmosferică (BOA) ca fișier de intrare, apoi, pentru a intra în următoarea etapă, va trebui să selectăm cele patru tipuri de regiuni de interes create, apoi să selectăm un fișier de ieșire care să reprezinte imaginea clasificată.

Rezultatul este reprezentat de o imagine de tip raster în care observăm clasele de acoperire, plasate automat de către clasificare, în funcție de alegerile făcute în pasul cu seturile de pixeli. (Figura 17)

Din nefericire, imaginea are pixeli izolați, care trebuie eliminați prin generalizare, iar multe din zonele intravilane sunt confundate cu terenul agricol din cauza arealului foarte mare, ceea ce ne arată că acest tip de analiză este mult mai eficientă pe zone mai mici, așadar, în rezultatul final al clasificărilor supervizate, se va folosi un vector cu terenurile intravilane la nivelul anului 2019, întrucât cum am amintit la sursele de date, nu existâ schimbări majore între anii aleși. Vom efectua acest proces ulterior.

În această etapă, un nou proces foarte important este folosirea clasificării pentru a verifica informațiile existente în imagine. Acest lucru poate fi verificat prin crearea de noi puncte de control, de această dată la nivel de pixeli folosind aceeași clasă pe care am creat-o anterior, dar pe o imagine de culoare vizibilă (RGB). Se va folosi funcția Confusion Matrix Using Ground Truth ROIs. (Figura 18)

Imaginea de intrare este o imagine clasificată, în plus, trebuie să formăm și categorii bazate pe puncte de interes și clasificare a imaginii. (Figura 19)

După executarea acestui algoritm, vom primi un tabel care conține precizia datelor din imagine, care se bazează pe categoria din imaginea de satelit clasificată și punctele de control necesare pentru verificarea exactității datelor.

Pentru fiecare moment temporal, următoarele date au rezultat în urma validării:

Pentru anul 1990, a rezultat o acuratețe de 82,6498%, cea mai mică dintre toate momentele temporale, dat fiind faptul că această validare a conținut și stratul vectorial cu terenul intravilan.

Pentru anul 1999, a rezultat o acuratețe de 95,6311%, o acuratețe mult mai mare deoarece s-a renunțat la stratul vectorial cu teren intravilan, deoarece, cum am amintit în rezultatul clasificării, erau foarte mulți pixeli confundați, așadar, putem observa o creștere consistentă a acurateții per total.

Pentru anul 2011, acuratețea este de 99,4941%, cea mai mare acuratețe înregistrată.

Pentru anul 2019, s-a înregistrat o acuratețe de 93,6019%, cea mai mica din toate momentele care nu au incluse vectorul cu teren intravilan.

Generalizare: În urmatorul pas, voi explica cum se realizează generalizarea. Aceasta se creează folosind un algoritm de analiză Majority/Minority care ne va ajuta să obținem o imagine clasificată, verificată și generalizată pe care o vom folosi pentru schimbările tematice din următorul pas.

În meniul generalizării vom selecta ce straturi dorim să se generalizeze, și, cum am spus anterior, vom alege doar Ape, Vegetație_înaltă și Terenuri agricole, deoarece în clasificarea finală vom folosi alt vector cu terenurile intravilane la nivelul anului 2019.

Aplicarea măștilor pe imagini:

Acest procedeu este necesar și foarte important în realizarea segmentării, deoarece ne va acoperi zonele în care nu dorim să se segmenteze datele, zone precum terenurile intravilane, pădurile și apele. În următoarele paragrafe voi explica cum se realizează acest lucru.

Primul lucru de care avem nevoie sunt vectorii care conțin apele, vectori pe care îi vom extrage cu funcția Raster to Vector din cadrul toolbox-ului ENVI. Acești vectori îi vom alege din imaginile obținute după generalizare, deoarece sunt cei mai eficienți și au o detaliere îndeajuns de bună pentru a masca zonele cu ape.

Următorul pas după ce salvăm vectorii, este acela de a îi transforma din EVF în Shapefile pentru a-i putea importa corect. Pentru acest lucru se va folosi funcția Classic EVF to Shapefile, din toolbox-ul ENVI. Se selecteaza datele de intrare EVF, iar după aceea vom alege unde salvăm noii vectori cu ape în format Shapefile.

După acest pas, putem spune că am terminat cu vectorii apelor.

Mai departe, tot în cadrul realizării si aplicării măștilor, urmează să modificăm fișierele CORINE pentru fiecare moment temporal, astfel, vom deschide documentele acestora într-un program de tip GIS, în cazul de față fiind folosit QGIS, pentru a decupa informațiile pe zona județului Călărași și pentru a salva din acestea doar straturile care conțin păduri, acestea înlocuind vectorii cu vegetație inaltă din generalizare. Acest fapt a fost realizat deoarece s-a observant, în urma unei analizări îndeaproape, că pădurile/vegetația înaltă nu era scoasă în evidentă și bine delimitată în zone precum imediata apropiere a Dunării.

Astfel, masca pe care o vom aplica pe imaginea corectată, va acoperi cât mai bine suprafețele cu păduri.

După finalizarea decupării vectorilor cu păduri, pasul următor este acela de a ne asigura că toate straturile vectoriale au aceeași proiecție, mai precis WGS 84 (EPSG: 32635) pentru a nu exista decalaj între elementele de pe imaginea satelitară și vectori. Completând acest pas și având datele necesare, vom putea realiza o mască, care, ne va deservi drept zonă de excludere pentru algoritmul segmentării pe care îl voi explica ulterior.

Pentru a crea o mască vom folosi funcția Build Mask în ENVI. Înainte de acest pas, va trebui să combinăm toate straturile vectorilor. Pentru acest lucru vom crea un nou strat de tip Shapefile în QGIS, în care vom aduce toți vectorii menționați anterior, salvând noul strat ca un întreg, fiind mai ușor să creem masca.

După acest pas, aducem fișierul Shapefile și imaginea satelitară corectată atmosferic în ENVI.

Figura 30. Mască 1990

În funcția Build Mask, alegem imaginea de intrare, după care, în meniul Mask Definition vom alege Options si bifăm opțiunea Select Areas “OFF”, pentru a ne crea mască în interiorul poligoanelor. Ulterior, intrăm din nou în Options și alegem Import EVFs, iar aici vom alege stratul vectorial Shapefile care conține toți vectorii combinați în pasul anterior.

Se alege locația fișierului măștii și se rulează.

Rezultatul în urma rulării funcției, este reprezentat de o imagine de tip mască, care va fi aplicată imaginii corectate atmosferic.

Pentru a aplica masca, vom folosi funcția Apply Mask, în care vom alege ca imagine de intrare (imaginea care urmează să fie mascată) imaginea corectată atmosferic. (Figura 33)

În cadrul aceluiași meniu, în Select Mask Band se va alege masca realizată anterior, se va rula instrumentul, se alege denumirea și locul imaginii mascate. Imaginea rezultată reprezintă o imagine satelitară la un anumit moment temporal, corectată atmosferic și mascată, gata să fie folosită în algoritmul segmentării, care urmează să fie explicat. (Figura 34)

Segmentare: Proces în care vom segmenta parcelele de teren arabil în poligoane individuale, astfel, putem cuantifica pentru fiecare moment temporal numărul de parcele arabile și suprafața medie a parcelelor. Pentru acest algoritm vom avea nevoie de imaginea mascată în pasul anterior.

Primul pas este acela de a aduce imaginea mascată pe un anumit moment în Data Manager în ENVI, apoi vom rula Segment Only Feature Extraction Workflow. În acest pas trebuie să selectăm imaginea pe care va rula algoritmul, în cazul de față, imaginea mascată. (Figura 35)

După acest pas, se rulează algoritmul si se așteaptă până vom fi redirecționați într-un meniu în care vom putea ajusta parametrii segmentării. (Figura 36)

În cazul prezentat, toți algoritmii au fost aleși la fel pentru fiecare moment, după cum urmează: Algorithm – Edge – Scale level: 60, Merge Settings – Full Lambda Schedule – Merge Level: 20 și Texture Kernel Size: 5. După ajustarea tuturor parametrilor și după ce suntem mulțumiți cu aspectul segmentării, vom rula pentru ultima dată algoritmul, în final fiind nevoie să alegem numele și locul de salvare al fișierelor care urmează să fie create. În urma acestei segmentări vor rezulta datele atât în format vector cât și raster, dar, acestea conținând zone din afara județului Călărași, deoarece fișierul de intrare fiind raster, creează o imagine care nu este decupată pe limita județului, în pasul următor urmând să prezint decuparea vectorilor pe limită și ștergerea poligoanelor în care au fost arealele mascate, acestea nefiind valabile în analiza terenului arabil.

Figura 37. Imagine segmentată, nedecupată, 1990

Pentru decuparea imaginii vom avea nevoie de ArcGis. Primul pas este acela de a importa vectorii care conțin segmentele nedecupate și limita județului, urmând să folosim funcția Clip din cadrul ArcGis > Geoprocessing > Clip. Imaginea de intrare o reprezintă vectorii cu segmentele nedecupate iar la Clip Features, limita județului. Pe lângă acestea vom alege calea unde se vor salva vectorii decupați. (Figura 38)

După acest pas, vectorii vor fi decupați pe limita județului, dar, trebuiesc eliminate poligoanele vectorilor care au ținut rol de mască în procesele anterioare. Pentru acest lucru vom folosi funcția Erase din cadrul Arc Toolbox > Analyst Tools > Overlay > Erase. Imaginea de intrare va fi setul de vectori decupați anterior pe limita de județ, iar Erase Features vor fi vectorii combinați care au fost folosiți în crearea măștii. De asemenea, alegem și aici calea unde vor fi salvați noii vectori decupați total. Rezultatul, după Clip și Erase, este reprezentat de vectorii terenurilor agricole.

Un ultim pas este acela de a transforma dimensiunea terenurilor din metri pătrați în hectare, cu ajutorul funcției Calculate Geometry din meniul tabelei de atribute a vectorilor decupați. Acest lucru ne va ajuta în referințe ulterioare asupra acestei metode.

Analiza schimbărilor: În aceste pas, vom analiza îndeaproape schimbările care s-au petrecut în structura terenurilor agricole pentru fiecare moment temporal din punct de vedere al dimensiunii medii a terenurilor agricole, urmând să fie ilustrate și exemplificate cu ajutorul tabelurilor din programul Microsoft Excel.

Așadar, după finalizarea tuturor pașilor, schema fluxului de lucru este următoarea:

Corecția atmosferică > Radiometric Calibration > FLAASH Atmospheric Correction

Clasificare supervizată > Validare > Generalizare

Aplicarea măștilor pe imagini > Segmentare > Analiza Schimbărilor

CAPITOLUL III. Rezultate

Acoperirea terenurilor la diferite momente temporale

Repartiția terenurilor agricole la diferite momente temporale

Dinamica spațio-temporală a terenurilor agricole în perioada

1990 – 2019

Validarea rezultatelor

CONCLUZII

BIBLIOGRAFIE