Mapování vegetace podél dopravní infrastruktury

Problematika porostu v blízkosti dopravní infrastruktury je v současnosti velmi probírané téma. Výsadba dřevin podél komunikací může zlepšit podmínky provozu, neboť zmírňuje nežádoucí účinky klimatických vlivů, především účinky větru, závějí a slunce (předchází oslnění řidičů a přehřívání vozovky). Tyto porosty však mohou představovat i bezpečnostní riziko, například při střetu vozidla se stromem padlým do komunikace, případně mohou tvořit potencionálně nebezpečnou pevnou překážku provozu apod.

Cílem navrženého metodického přístupu jak tak vytvořit řešení pro mapování vegetace podél liniové dopravní infrastruktury (zejména silnic a železnic), a to za pomoci bezpilotních leteckých prostředků v kombinaci s nástroji a technologiemi GIS a DPZ. Bezpilotní letecké prostředky v dnešní době představují účinný nástroj pro sběr prostorových dat, který díky své vysoké provozní flexibilitě a detailnímu prostorovému rozlišení pořízených snímků konkuruje stále ještě běžněji využívaným snímkům pořízených pomocí satelitů a letadel. Kombinace bezpilotních leteckých prostředků s vlastním unikátním analytickým řešením, tak umožnuje detailně mapovat a monitorovat vegetaci na úrovni jednotlivých stromů. Mimo problematiku resortu dopravy může navržené řešení nacházet uplatnění ve všech oblastech zabývajících se problematikou mapování vegetace (například v lesnictví, monitoringu vegetace v okolí energetické infrastruktury, správě chráněných území apod.), kde může efektivně poskytovat prostorově reprezentativní charakteristiky zkoumaných porostů, a tím i doplňovat či dokonce částečně nahrazovat stávající pozemní měření a průzkum. Výzkum byl podpořen v rámci 2. výzvy TAČR Doprava 2020+ projektu č. CK02000203. Aplikačními garanty projektu jsou Ředitelství silnic a dálnic ČR (ŘSD) a Správa železnic (SŽ).

Pozornost metodického řešení je zaměřena zejména na detekci jednotlivých stromů, vymezení jejich korun, určení výšky, vypočtení jejich vzdálenosti od dopravní infrastruktury a stanovení dalších vybraných parametrů, které mohou sloužit jako podklad k dendrologickému hodnocení či ke stanovení korun zasahujících do vozovky/kolejiště. Z těchto parametrů je následně zjištěna celková potenciální rizikovost stromů pro provoz, resp. jsou precizně lokalizovány a vytipovány stromy k pozemnímu dendrologickému průzkumu či odbornému zásahu. 

V rámci projektu bylo vybráno v koordinaci s oběma aplikačními garanty (ŘSD, SŽ) deset testovacích lokalit napříč Českou republikou s rozdílnými přírodními podmínkami (charakter reliéfu, druhové složení apod.) situovaných podél dopravní infrastruktury (silnic a železnic), a to:

• dálnice D1 v úseku 50-51 km,
• silnice I. třídy (2) mezi obcemi Vyžlovka-Kozojedy,
• silnice I. třídy (9) mezi obcemi Libiš-Větrušice,
• silnice I. třídy (18) mezi obcemi Višňová-Obory,
• silnice I. třídy (38) mezi obcemi Vlkava-Zavadilka.
• trať 309A v úseku Mohelnice-Olomouc (2 úseky),
• trať 310A v úseku Břidličná-Domašov nad Bystřicí (2 úseky),
• trať 516A v úseku Soběšín-Kácov.

Letové mise se řídily vydaným Oprávněním k provozu ÚCL a respektovaly stanoviska dotčených orgánů (tj. mj. ŘSD, SŽ, AOPK a OOP Středočeského kraje). Všechny lokality se snímaly vždy dvakrát a to, s minimálním olistěním (tedy podzim 2021-zima 2022) a v plném vegetačním období (tj. v létě 2022 a 2023).

Proces monitoringu lze rozdělit do tří navazujících kroků:

1. Pořízení obrazových dat (plánování leteckého snímkování, sběr dat a terénní průzkum).
2. Zpracování dat (kvazi-fotogrammetrie, výpočet odvozených produktů pro detekci vegetace).
3. Detekce stromů (pasport vegetace kolem komunikace, výpočet podkladů pro dendrologický průzkum).

Parametry stromů rostoucích podél dopravní infrastruktury jsou pro lepší názornost zachyceny na tematických mapách, které zobrazují pět studijních území podél pozemních komunikací v gesci ŘSD a pět území situovaných kolem železnic v gesci SŽ. Mapy jsou interaktivní, takže je možné mimo vizualizovaných charakteristik zobrazovat formou atributové tabulky i další vybrané parametry a získat tak detailní představu o stavu porostu v okolí zájmové dopravní infrastruktury.

V každé tematické mapě pro každou z lokalit jsou tak zobrazeny čtyři základní charakteristicky vegetace a po kliknutí na vybraný strom lze mimo nich získat přesné hodnoty dalších odvozených parametrů. Vysvětlení vizualizovaných proměnných je popsáno níže.

Základní druh stromu. Výsledek spektrální neřízené objektové klasifikace korun stromů. Rozlišovány jsou tři třídy, a to stromy jehličnaté, listnaté a suché stromy.

Doporučen dendrologický průzkum. Souhrnné kritérium určující stromy, u kterých je vhodné provést kontrolu dendrologem. Stanovení takových stromů je podmíněno dosažením kritických hodnot stran vitality stromu, velikosti okolního svahu a vzdálenosti stromu od komunikace. Konkrétně tak strom nesmí být označen jako suchý, jeho výška musí být výší než jeho vzdálenost od infrastruktury a pata stromu musí ležet nad úrovní komunikace.

Koruna přesahující komunikaci. Všem stromům byla odvozena a vykreslena velikost jejich koruny. U stromů v těsné blízkosti komunikace došlo k vzájemnému průmětu koruny a těla komunikace, odečtení výškové informace z CHM pro přesahující části korun a následnému výběru korun s výškou nižší než 5 m, které dle metodiky Kolařík et al. (2020) mohou svým přesahem do průjezdního profilu komunikace potencionálně ovlivňovat bezpečnost provozu.

Sklon svahu. Parametr, který vyjadřuje odvozený průměrný sklon terénu mezi stromem a komunikací [°]. Vyšší sklon značí vyšší potencionální dopadovou vzdálenost padajícího stromu.

Webová mapa je jedním z dílčích výstupů projektu typu Nmap (CK02000203-V11) a jedná se vlastně o jakousi generalizovanou vizualizaci vycházející z širšího metodického postupu. Rozšířená metodika (NmetC, CK02000203-V12) monitoringu vegetace je publikována samostatně. Metodika je veřejně a volně dostupná na oficiálním webu projektu  ZDE .

Identifikace stromů i jejich klasifikace a odvozování jednotlivých parametrů probíhá semi-automatickými postupy, proto je nutné zjišťovat i dosažené přesnosti a být si vědom nejistot, které souvisejí jak s metodami pořizování dat, tak s jejich zpracováním. Výpočet faktorů ovlivňujících výsledky je popsaný níže.

Dosažené přesnosti jsou dle vybrané zájmové lokality následující (i) polohová přesnost (RMSE) se u použitých ortorektifikovaných georeferencovaných bezešvých mozaik a výškových modelů pohybuje mezi 0,15-0,28 m; (ii) počty identifikovaných stromů dosahují přesnosti 75-80%; (iii) jejich odhadnuté výšky průměrné absolutní chyby (MAE) 1,59-2,12 m a odhadnuté průměry vymezených korun 1,03-1,60 m; (iv) druhová klasifikace dosahuje celkové přesnosti 76-90%.

Využití bezpilotních leteckých prostředků ke sběru dat doprovází značné množství provozních nejistot. Podstatným faktorem ovlivňujícím kvalitu dat jsou nepříznivé povětrnostní podmínky jako jsou rychlost větru, oblačnost nebo srážky. Každý bezpilotní letecký prostředek má výrobcem stanoveny provozní limity týkající se právě povětrnostních podmínek, nicméně ty jsou mnohdy hraniční. Při silném větru nebo nárazech větru může docházet k rozmazání snímků a při změně oblačnosti během letové mise může docházet k prudkým změnám v expozici snímků. Tyto podmínky následně vedou ke zhoršené kvalitě a omezení úrovně podrobnosti vytvořené bezešvé mozaiky. Dalším negativním faktorem je cena bezpilotních leteckých prostředků. Profesionální drony stále vyžadují nemalé finanční náklady na pořízení a v kombinaci s požadavky na vysokou míru kvalifikace obsluhy těchto systémů je nutné počítat také s vysokými časovými náklady na zaškolení a získání potřebných zkušeností. Při použití poloprofesionálních či rekreačních bezpilotních leteckých prostředků je možné tyto náklady snížit, nicméně je nutné počítat s dalšími negativními faktory jako jsou snížená doba letu na jedno nabití baterie, či nízká kvalita snímacího senzoru (profesionální drony mohou být vybaveny například multispektrálním senzorem). Se všemi zmíněnými faktory je nutné počítat před samotným sběrem dat, podobně jako je nutné počítat s vysokou časovou a výpočetní náročností při zpracování těchto dat.

Stejně jako v případě pořizování dat bezpilotními leteckými prostředky i jejich samotné zpracování přináší řadu nejistot. Z výsledků projektu je patrné, že pro dosažení maximálně přesných výsledků je vhodné použít multispektrální snímky (minimálně se spektrálními pásmy Blue, Green, Red a NIR) s velmi vysokým prostorovým rozlišením (<10 cm) pořízené zejména ve vegetačním období (olistěná vegetace). Samotný výpočetní algoritmus lze jednoduše uzpůsobit i pro zpracování RGB snímků, které však díky svému nižšímu spektrálnímu rozlišení nemusí přinést zcela uspokojivé výsledky, a to zejména v případě detekce suchých stromů či základní druhové klasifikaci. Výpočetní algoritmus není vázaný jen na využití bezpilotní letecké platformy jako nosiče senzoru a v případě dodržení podmínky dostatečného prostorového a spektrálního rozlišení ho lze aplikovat i na data pořízená senzory nesenými pilotovanými leteckými platformami apod.  

Kvalita následného kvazi-fotogrammetrického zpracování ovlivňuje polohovou přesnost vytvořené ortorektifikované bezešvé mozaiky, filtrace bodového mračna i přesnost vytvořených digitálních modelů povrchu a reliéfu. Pokud se zaměříme na samotný výpočetní algoritmus, tak první potenciální nevěrohodnost může vzniknout při detekci vršků jednotlivých stromů. Například v zapojeném listnatém porostu, kdy je vstupem výškový model vegetace (CHM) s velmi vysokým prostorovým rozlišením může algoritmus teoreticky detekovat více vršků na jednom stromě, a naopak pokud je jako vstup využit CHM s hrubým prostorovým rozlišením může docházet k opomíjení stromů s menšími korunami. Pro dosažení maximální věrohodnosti je v této fázi zpracování samozřejmě možné výsledky automatické detekce stromů manuálně doupravit. Na druhou stranu přesné určení počtu či hranice jednotlivých korun stromů přímo z ortorektifikovaných georeferencovaných bezešvých mozaik je často velmi obtížné i pro zkušeného operátora.

Výše uvedené nejistoty se pak přímo či nepřímo propisují do přesnosti odvozovaných jedenácti parametrů vegetace, které představuje tato interaktivní mapa s odborným obsahem. Například výšková přesnost modelů ovlivňuje odhad výšky stromu, velikosti koruny či sklonu terénu atd. Naopak radiometrická přesnost vstupních dat ovlivňuje parametry související s druhovým určením jednotlivých stromů. Tu dále ovlivňuje i použitý klasifikační algoritmus (v našem případě shluková analýza), který by mohl být teoreticky nahrazen například metodami hlubokého učení, které jsou ale uživatelsky i výpočetně náročné a je proto otázkou, zda by přinesly kýžený benefit. Ze samotné podstaty pořizování snímků bezpilotními leteckými prostředky (ortogonálně, kolmo na zemský povrch) je víceméně nemožné aplikovat zavedené postupy a metody pozemního dendrologického průzkumu. Typickým příklad je určení průjezdního profilu, kdy je z dat pořízených bezpilotními leteckými prostředky velmi obtížné odhadnout minimální výšku koruny zasahující do komunikace apod. V rámci řešení projektu jsme se všechny výše uvedené nejistoty snažili eliminovat a přiblížit se tak hranici maximální informační hodnoty použité technologie založené na bezpilotních leteckých prostředních osazených multispektrálním a RGB senzorem při monitoringu vegetace podél dopravní infrastruktury a na příkladu zájmových území demonstrovat její praktickou využitelnost. bezpilotních

K dalšímu čtení stran identifikace a klasifikace stromů z dat pořízených bezpilotními leteckými prostředky včetně odvozování jejich parametrů doporučujeme níže uvedené odborné studie:

Klouček, T., Komárek, J., Jaroš, J., Lagner, O., Klápště, P., Rous, J., Štěpánová, K. et Maletínská, B. (2024). Detailní monitoring porostů podél dopravní infrastruktury pomocí bezpilotních leteckých prostředků. Certifikovaná metodika, Praha, 48 s.

Komárek, J., Lagner, O., Klouček, T. (2024). UAV leaf-on, leaf-off and ALS-aided tree height: A case study on the trees in the vicinity of roads. Urban Forestry & Urban Greening, 93,  https://doi.org/10.1016/j.ufug.2024.128229 .

Klouček, T., Klápšte, P., Marešová, J., & Komárek, J. (2022). UAV-Borne Imagery Can Supplement Airborne Lidar in the Precise Description of Dynamically Changing Shrubland Woody Vegetation. Remote Sensing, 14(9). Komárek, J., Klápště, P., Hrach, K., & Klouček, T. (2022). The potential of widespread UAV cameras in the identification of conifers and the delineation of their crowns. Forests, 13(5). Klouček, T., Komárek, J., Surový, P., Hrach, K., Janata, P., & Vašíček, B. (2019). The use of UAV mounted sensors for precise detection of bark beetle infestation. Remote Sensing, 11(13).

Tato webová mapa, resp. metodika mapování vegetace podél dopravní infrastruktury vznikla v rámci projektu Monitoring a vyhodnocení rizikových jevů v okolí dopravní infrastruktury s využitím DPZ (CK02000203) podpořeného Technologickou agenturou ČR. Aplikačními garanty výstupu jsou Ředitelství silnic a dálnic ČR a Správa železnic, jejichž zaměstnanci ochotně a věcně konzultovali a komentovali průběžné metodické kroky a potencionální výsledky projektu.