Hidrológiai Közlöny, 2019 (99. évfolyam)
2019 / 1. szám
41 Gulácsi A. és Kovács F.: Radaralapú vizesélőhely-monitorinj’ Sentinel-1 adatokkal mindegyik átlagosan 4-5 szélcsendes időben készült felvételből készült. Ha csak egy megfelelő felvételünk volt, akkor azt az egy képet használtuk az átlagképek helyett. A korrigált adatok automatikus osztályozása és a statisztikák számítása Az úgynevezett wekaKMeans klaszterezési algoritmust használtuk, ami egy továbbfejlesztett kmeans típusú kemény osztályozás (Arthur és Vassilvitskii 2007). Az osztályközepektől való eltéréseken alapul, csakúgy, mint az ISODATA algoritmus. A wekaKMeans a kezdeti osztályközepeket véletlenszerű mintákból számítja. Távolság függvénynek az euklideszi távolságot használtunk. A kimenő klaszterek számát 15-re állítottuk és a VV és a VH sávot is felhasználtam az osztályozásnál. A tapasztalatok szerint a -17-18 dB körüli vagy alacsonyabb klaszterközéppel rendelkező osztályok vízborítást jeleznek. Szélcsendes időben alacsonyabb, szeles időben magasabb értékek jellemzőek. Az eredményeket a felhasználónak kell értelmeznie. Ez a lépés nem automatizálható. Miután meghatározásra kerültek a nyílt vízborítást jelző osztályok, újraosztályoztuk az osztályozott képet az alábbiak szerint: • vízborítás: 1 • nincs vízborítás: 0 Az utolsó lépésként pedig az újraosztályozott kép alapján kiszámitottuk a nyílt vízzel borított terület nagyságát. A statisztikai elemzéseket (lineáris regresszió, korrelációszámítás) és a diagramokat az R szoftver segítségével készítettük el. A statisztikai kapcsolatok kiértékelésekor Pearson-féle (R-érték) és Spearman-féle (p-érték) korrelációkat számoltunk, valamint szignifikancia tesztet is végeztünk. A verifikációhoz a Landsat 8 Operational Land Imager (ÖLI) és a Sentinel-2 MultiSpectral Instrument (MSI) légkör teteji reflektancia értékekből számolt vízindexet használtunk (Gulácsi 2017). Csak felhőmentes képeket használtunk. A különböző szenzorok összehasonlítása igazolja az eredményeket. A Landsat adatok geometriai felbontása 30, míg a Sentinel-2 adatoké 20 méter. A normalizált differenciált vízindexek (MNDWI, Modified Normalized Difference Water Index) gyakran használatosak a felszíni vízborítás detektálására (McFeeters 1996, Xu 2006, Li és társai 2013, van Leeuwen és társai 2017). Xu (2006) szerinti vízindex a legpontosabb: MNDWI = (G - MIR) / (G + MIR), ahol G a látható zöld hullámhossz-tartomány műholdkép sávja, MIR (middle infrared): ez a középső infravörös sáv (központi hullámhossz: 2,1 pm). A vizindex értékeket az úgynevezett „vevő működési karakterisztika” (Receiver Operator Characteristics, ROC) módszer segítségével osztályoztuk (Gulácsi 2017). Ez egy küszöbértékes eljárás, melynek lényege, hogy a különböző küszöbértékek esetén megvizsgáljuk, hogy egy bináris osztályozónak mekkora az igaz pozitív aránya (tehát amikor helyesen vízborítást jelez az osztályozó) és a hamis pozitív aránya (téves vízborítás detektálás). Mi azt az osztályozót (és a hozzá tartozó küszöbértéket) keressük, aminél az igaz pozitív arány a lehető legmagasabb, míg a hamis pozitív arány a legkisebb. Ehhez referenciaként felhasználtam két időpontban egy-egy elérhető Pléiades és WorldView-3 nagy felbontású műholdképet (a Google Earth adatbázisából). A Landsat 8 esetén a 0,625 vagy nagyobb, míg a Sentinel-2 esetén 0,57 vagy nagyobb indexértékek jeleznek vízborítást. Ez alapján osztályoztuk a képeket és megkaptuk a vízborításokat. EREDMÉNYEK Havi vízborítások számítása A nagy természetes változékonyság miatt kihívást jelent a felszíni vízborítás gyakoriságában és tartósságában bekövetkező változások kimutatása. Néhány az átlagosnál nedvesebb évben felélednek az egykori medermaradványok és feltöltődnek a tavak, azonban a legtöbb évben ezek nagy része, a nagy tavakat leszámítva, teljesen szárazon marad. A vízborítások havonkénti számításakor külön ábrázoltuk a csak emelkedő és a csak süllyedő pályán készült felvételek szerinti eredményeket (2. ábra). A havi vízborítás értékek 50%-a az 500-1000 ha közötti tartományban mozog. Ha 1000 ha-ig tekintjük az értékeket, tehát nem veszszük figyelembe a kiugró értékeket, akkor ránézésre viszonylag normál eloszlású a minta, többé-kevésbé haranggörbét ír le. A tél végi, vagy tavaszi vízborítási csúcsok kiugró értékei miatt nagy a különbség a médián és az átlag érték között. Az éves minimum borítások az augusztus-október közötti időszakban jelentkeznek. Atavaszi maximum és a nyár végi minimum borításértékek között többszörös a különbség. 0.0020-j .5 0.0015-Z o.ooio-0.0005-o.oooo.*íA ’A I» 0 500 1000 1500 2000 2500 3000 HAVI VÍZBORÍTÁSOK (HA)________ 2. ábra. A havi vízborítások sűrűségfüggvénye (fent) és az adatok ábrázolása dobozdiagramon (lent) (Megjegyzés: wekaKMeans DESC - a süllyedő pályán készüli képekre végzett wekaKMeans osztályozás alapján nyert vízborítások; wekaKMeans ASC - hasonló eljárás az emelkedő pályán készült képekre. A kék célkeresztek a számtani átlagokat jelölik.) Figure 2. Density function (top) and box plot (bottom) of the monthly water coverage (Note: wekaKMeans DESC - water coverage yielded from the classification of images captured on descending path; wekaKMeans ASC - the same procedure for ascending path. The blue cross-hairs represent arithmetic averages.)
