Sunteți pe pagina 1din 42

4.

Clasificri pe imagini satelitare multispectrale

Imaginile satelitare i n general imaginile n format digital sunt alctuite din


pixeli, cea mai mic entitate ce contribuie la formarea imaginii obiectelor. Pixelii,
indiferent de valorile numerice asociate sunt ,,purttori de informaie geografic,
deoarece, n imaginile geocorectate, centrul acestor ptrate sau dreptunghiuri are anumite
coordonate, geografice sau rectangulare. Imaginile devin astfel surse de informaii pentru
aplicaiile specifice SIG.
n practica procesrii imaginilor, ultima etap sau una dintre ultimele este
extragerea informaiilor din imagini i pregtirea lor n vederea transferului ctre aplicaii
SIG. Tehnic, aceste informaii sunt grupri de pixeli sau clustere, iar algoritmii
perfecionai n ultimele dou decenii de ctre diferite companii ce ofer produse software
pentru SIG, se numesc clasificri de pixeli.
Definiia acestora este centrat pe ,,gruparea automat a pixelilor ce alctuiesc
imaginea digital sub forma de clase sau teme de acoperire a terenului. Acest concept
de acoperire a terenului se refer la totalitatea formelor de utilizare a terenului, naturale
i impuse de societate, ce apar n imagini prin pixeli i poriuni de pixeli, prin tonuri sau
nuane de culoare n funcie de signatura lor spectral.
Prin clasificri, pixelii sunt grupai n clustere ce reflect mai mult sau mai puin
realitatea terenului, n funcie de signatura spectral, textur (diferenele de ton sau
nuan n raport cu pixelii nvecinai) i momentul de timp al prelurii imaginii (ce
implic schimbri la nivel de fenologia vegetaiei, regim hidrologic, acoperire cu zpad,
prezena unor construcii etc.).
Clasificrile de pixeli sunt diferit abordate de la o aplicaie la alta, n funcie de
tipul de imagine, particularitile terenului ce se reflect n texturi mai fine (apele curate)
sau mai grosiere (culturi pomicole sau viticole), scopul aplicaiei (n unele cazuri este
necesar doar clasificarea unui numr limitat de elemente cum ar fi numai pdurile de
molid) i resursele informatice (condiioneaz rularea n timp mai lung sau mai scurt a
algoritmilor).
Lucrrile de specialitate din domeniu (vezi bibliografia) explic dou sau trei
tipuri de clasificri de pixeli:
Clasificarea nesupervizat presupune doar gruparea pe criterii de signatur
spectral a pixelilor n clustere, fr a se cunoate semnificaia lor n teren.
Clasificarea supervizat se bazeaz pe date-eantion create de analist pe baza
informaiilor din teren sau alte surse, care sunt comparate cu datele spectrale din
imagine n funcie de algoritmi i parametri.
Clasificarea hibrid este o combinaie ntre cele dou pentru obinerea unor
rezultate ct mai reale n raport cu terenul.
Rezultatele clasificrilor sunt imagini noi, n nuane sau tonuri de culori ce se pot
vizualiza separat sub forma de hri tematice sau se pot utiliza n alte analize n SIG.
4.1. Clasificarea nesupervizat

Aceasta nu presupune pregtirea analistului n prealabil n ceea ce privete


caracteristicile terenului. Pixelii nu sunt cunoscui la nivel de semnificaie n teren, fiind
grupai n clustere numai pe baza signaturii lor spectrale, exprimat n imagini prin
nuane sau prin tonuri de culoare.
Prin clasificarea nesupervizat rezult clase spectrale, mai exact grupri de pixeli
omogeni sau puin difereniai sub raport spectral, fr nsemntate geografic. Analistul
poate acorda fiecrui cluster o anumit semnificaie geografic prin compararea
rezultatului clasificrii cu diverse surse de date (hrii topografice i tematice, imagini
aeriene, observaii de teren i fotografii etc.).
Gruparea pixelilor pe clustere se realizeaz automat i ine seama de numerele
digitale ale pixelilor din toate benzile spectrale ce compun scena satelitar. Clasificarea
este rezultatul corelrii benzilor n toate posibilitile (fig. 4.1).

Fig. 4.1. Delimitarea claselor spectrale pe scatterplotul clasificrii nesupervizate.


Tonurile de culoare semnific clasele spectrale. Corelaie nelinear ntre benzile 2 i 5,
subscena Landsat ETM+, Depresiunea Braov, zona Reci.

Avantajul clasificrii nesupervizate este separarea automat a clusterelor de


pixeli, ceea ce este util n cazul imaginilor cu schimbri frecvente de signaturi spectrale,
imagini cu rugozitate mare. n procesarea digital se utilizeaz doi algoritmi pentru
gruparea nesupervizat a pixelilor: algoritmul K (engl. k-means) i algoritmul iterativ sau
ISODATA.
4.1. Algoritmul K(engl. k-means) presupune specificarea de ctre analist a
numrului mediu de grupri de pixeli sau clustere. Aceasta se face prin intermediul unor
variabile statistice, stabilite n funcie de textura imaginii dar i de scopul aplicaiei.
n acest scop, se stabilesc automat n funcie de numrul de clase, pixelii centrali
ai clusterelor, n jurul crora se genereaz un spaiu multidimensional, n funcie de
numrul de benzi spectrale la care se raporteaz clasificarea.
Pe baza variabilelor ce se completeaz n cmpurile ferestrei aferente, se
genereaz vectori n spaiul aminitit care exprim distanele medii ale fiecrui pixel n
raport cu centrul unui cluster.
Algoritmul este rulat pn ce toi pixelii au fost raportai prin vectori la clustere i
au fost atribuii uneia sau alteia dintre clasele spectrale. Clasificarea poate duce frecvent
la insuficienta grupare a pixelilor, unii dintre acetia fiind menonai ca
,,neclasificai.Din acest motiv clasificarea se poate relua dup modificarea unor
variabile ca de pild numrul de clase, numrul de pixeli dintr-o clas, deviaia standard a
variaiei numrului digital din cuprinsul unei clase etc.
n final rezult o imagine n culori convenionale (fig. 4.2), diferit de cea iniial,
n care clasele spectrale apar ca areale colorate diferit. Ele pot fi identificate cu diferite
categorii de acoperire a terenului, prin contribuia analistului.

a b

Fig. 4.2. Subscena Landsat ETM+, falscolor 453 a zonei de confluen Olt-Rul
Negru i a mestecniului de la Reci, Depresiunea Braov (a); clasificare nesupervizat
prin algoritmul K. Vizualizare n scar de gri.

4.2. Algoritmul ISODATA (engl. Iterative Self Organizing Data Analysis)


presupune posibilitatea reajustrii numrului de clustere la fiecare rulare repetat a
algoritmului. Aceasta este singura diferen n raport cu cel anterior.
Statistica pixelilor se modific permanent. n acest mod vectorii de distan medie
generai dintre clustere sunt comparai la fiecare rulare, iar dac dac acetia sunt mai
mici dect distana predefinit, gruprile de pixeli se vor uni ntr-una singur. Similar,
dac la nivelul unui cluster, deviaia standard (variaia numerelor digitale ai pixelilor din
aceai clas spectral) este mai mare dect valoarea maxim prevzut iniial de ctre
analist, acesta va fi divizat n dou sau mai multe grupuri.
Algoritmul permite depirea numrului de clustere predefinit, iar posibilitatea ca
un mare numr de pixeli s nu fie clasificat scade, n condiiile repetrii lui.
n cazul imaginilor cu texturi variate, de rugozitate mare, clasificarea
nesupervizat poate apela la analize bazate pe praguri de textur. Astfel textura, definit
ca variaia multidimensional la nivelul unei matrici (Lillesand et al.,2004) a signaturii
spectrale, se poate vizualiza n imagini, n funcie de proprieti (interval numeric,
varian, entropie, deformare etc.). Generarea acestor imagini ale texturii (fig. 4.3)
implic definirea unei matrici n limitele creia sunt comparate nivelurile de gri ce
desemneaz signaturi spectrale. n final valorile medii din matrice, se vor atribui centrului
unor clustere pe baza crora se va performa clasificarea.

Fig.4.3.Delimitarea texturilor n imaginea Landsat ETM+, confluena Olt-Rul


Negru, Depresiunea Braov.

Prin specificarea unor praguri texturale este posibil i cunoaterea exact a


numrului de clustere, deoarece astfel se pot determina distanele medii dintre clasele
texturale ce devin clase spectrale n clasificarea nesupervizat. Clusterele cele mai
apropiate se vor uni pentru ca noile entiti ce cuprind pixeli s devin repere pentru
clasificarea celorlali pixeli. Rezultatul poate fi mai precis dac se aplic clasificarea
nesupervizat pe setul de date texturale. Acestea pot genera imagini RGB, simplificate
sub raport textural i cromatic.
Rezultatul clasificrii prin acest algoritm se aseamn cu cel obinut anterior, dar
scade numrul pixelilor neclasificai i crete gradul de detaliere deoarece n acest caz nu
mai exist limita predefinit a numrului de clustere (fig. 4.3).
Fig. 4.4. Rezulatul clasificrii nesupervizate prin algoritmul ISODATA. Subscena
Landsat ETM+, zona Reci Depresiunea Braov.

Complexitatea imaginii necesit alegerea algoritmului cel mai adecvat. Scopul


este clasificarea unui numr ct mai mare de pixeli n clase spectrale ct mai bine
delimitate. n numeroase cazuri se aplic filtre de mediere sau de convoluie n scopul
simplificrii rezultatului clasificrii. Cu toate acestea metoda poate conduce i la rezultate
eronate, mai ales atunci cnd apar entiti cu sugnaturi spectrale aproape identice
(drumuri i case n imagini de rezoluie medie). De asemenea analiza textural nu permite
i delimitarea unor obiecte mici, care apar n imaginea iniial (drumurile ce au lime
mic pe imagini la rezoluie medie).
Etapa final este cea a identificrii claselor spectrale cu realitatea terenului.
Aceasta necesit experien n interpretare vizual a imaginilor, documentare etc. De
multe ori imaginea rezultat este foarte neomogen chromatic, fapt pentru care intervin
probleme n definirea unor clase i mai ales a unor subclase (de pild terenul agricol, cu
vegetaie i fr vegetaie, cu cereale sau cu cartof, ori furaje etc.).Atribuirea greit a
semnificaiior duce la erori ce se propag n analizele ulterioare. Dei este simpl la nivel
de algoritmi, clasificarea nesupervizat necesit experien n alegerea algoritmului,
stabilirea parametrilor i mai ales n interpretarea rezultatului. Ea este util n contextul
folosirii clusterelor obinute n generarea zonelor de interes (ROI) n clasificarea
supervizat (clasificarea devine ,,hibrid).
4.2. Clasificarea supervizat

Posibilitatea gruprii pixelilor n mod dirijat, n raport cu semnificaia lor real


este oferit de clasificarea supervizat. Aceasta reprezint un ansamblu de algoritmi
matematici i statistici, rulai n mediu digital care se bazeaz pe urmrirea fiecrui pixel
n fiecare band spectral a unei scene sau subscene satelitare, la nivel de numr digital i
raportarea lui la un set de date-eantion creat de analist.
Clasificarea se bazeaz n acest caz pe diferena ct mai mare de signatur
spectral de la un pixel la altul. Avnd n vedere faptul c datele-eantion sunt elementul-
cheie i mai ales importana documentrii n teren i n diverse alte surse, considerm
acest tip de clasificare drept ,,cea mai geografic.
Clasificarea supervizat prezint trei etape:
etapa pregtitoare, n care analistul identific zone eantion pe care le
delimiteaz i le asociaz cu valori numerice.
etapa clasificrii propriu-zise n care fiecare pixel din imagine este
distribuit ntr-o clas de acoperire a terenului (land-cover) n funcie de zonele-
eantion prestabilite (pixelii care nu i gsesc asemnare se raporteaz ca
necunoscui).
etapa final, n care noua imagine rezultat prin clasificare este procesat
la nivel cromatic, exploatat statistic, folosit n cartografiere sau integrat ca un
layer distinct n aplicaii SIG.

4.2.1. Etapa pregtitoare (engl.training stage) este de cea mai mare importan, n
acest context. Rezulatul clasificrii propriu-zise se bazeaz pe exactitatea delimitrii
zonelor-eantion.
Zonele-eantion denumite n literatur i ,,zone de interes (de la engl. Region of
Interest, cu acronimul ROI) sunt grupri de pixeli, de diferite forme i mrimi, omogene
sub raportul semnificaiei geografice (ex. pdure, pajite, teren construit, teren arabil, ap
etc.). Pixelii cuprini n acestea nu au aproape niciodat acelai numr digital, dar au
valori apropiate, caracterizate de o serie de parametri ca valori extreme, medii, deviaie
standard etc.
n fig. 4.5., se poate observa diversificarea zonelor-eantion alese ca reper pentru
clasificare, pe un scatter plot rezultat din corelarea a dou benzi spectrale ale unei
imagini. Aceste zone de interes apar similar unor grupri de puncte n anumite pri ale
graficului.
Fig. 4.5. Diagrama scatter-plot a unor zone-eantion.
n realitate, alegerea acestora se realizeaz pe o imagine color ct mai expresiv,
dar clasificarea se raporteaz la valorile pixelilor n toate benzile spectrale ce compun
subscena satelitar. n fapt acestea sunt poligoane diferite care devin eficiente datorit
corectitudinii semnificaiilor associate i mai ales prin includerea unor variaii de
signatur spectral ce apar la nivelul aceleiai entiti (de exemplu includerea la pduri de
foioase a celor de fag dar i a celor de gorun, chiar dac signature este uor diferit).
Detalierea acestor zone-eantion (fig. 4.6) depinde de tipul aplicaiei i de experiena
analistului n asocierea la signaturile spectrale din imagine, a realitii terenului.

Fig. 4.6. Zone-eantion generate pe o combinaie falscolor rezultat din


combinarea rapoartelor de eliminare a umbrelor. Depresiunea Cmpulung, interfluviul
Rul Trgului- Dmbovia. Subscena Landsat ETM+, iunie 2000.

Scopul aplicaiei din care face parte fig. 4.6 a fost analiza de detecie a
schimbrilor modului de utilizare a terenurilor n Depresiunea Cmpulung. n fapt, au
fost documentate n teren, n sezonul de var, categoriile principale de utilizare a
terenurilor, ce aveau s devin clase n cadrul clasificrii supervizate. Acestea au fost
fotografiate, marcate pe harta topografic sau cu puncte GPS la precizia de 4 m,
suficient pentru un areal de o asemenea ntindere.
Crearea acestor zone-eantion este realizat manual, similar vectorizrii, n jurul
unui grup de pixeli considerat ca fiind reprezentativ. n literatur se recomand ca
numrul minim de pixeli s fie egal cu numrul de benzi al scenei satelitare plus 1, ns
practica recomand numere de 10 sau 100 de ori mai mari dect numrul de benzi pentru
ca eantionul s fie statistic reprezentativ la nivel de covarian. Clasificarea devine mai
performant dac pixelii alei sunt mai numeroi i mai reprezentativi sub raport spectral
i informaional. Se impune o ct mai bun distribuire spaial la nivelul imaginii, astfel
nct s fie surprinse diferenele cele mai mici la nivelul aceleiai clase din imagine
(fig.4.6), n condiii de iluminare diferit. Imaginile se impun a fi ortorectificate i
corectate geometric pentru posibilitatea obinerii unor erori spaiale ct mai diminuate.
Pixelii ce compun zone de interes se raporteaz n sisteme de axe rectangulare,
prin corelarea a dou sau trei benzi, fie n plan (Lillesand et al., 2004) fie n spaiu
(Lucieer, 2004). Ei vor fi definii de vectori de poziie raportat la cele dou sau trei axe,
dup caz. Fiecare punct ce corespunde centrului unui pixel este caracterizat prin
coordonate de tip x, y, z sau x, y.
Alegerea zonelor-eantion ine seama de faptul c pixelii care reprezint acelai
element de mediu nu au valori spectrale identice. Ei alctuiesc nori de puncte, similare
clusterelor de stele de pe bolta cereasc. Tendina este de grupare, dar definirea zonelor-
eantion poate duce la erori n clasificare, dac nu sunt precizate corect variabilele la
nivel de grup de pixeli. Un exemplu este pdurea de pe versanii dealurilor sau munilor
care dei identic ea apare diferit ca signatur spectral datorit umbririi. n aceste cazuri
se impun fie alegerea unor combinaii de benzi optime, n care efectul umbririi s fie
diminuat (exemplu cele n infrarou), fi realizarea unor corecii, prezentate n lucrare la
capitolul ,,corecii radiometrice.
Alegerea combinaiilor utile clasificrilor de pixeli este posibil i dup generarea
zonelor-eantion sub forma unor fiiere speciale (cu extensia .roi). Fiecare grupare de
pixeli poate fi analizat la nivel de reflectan spectral n raport cu benzile spectrale ce
compun scena (fig. 4.7).

Fig. 4.7. Diagrama unei zone-eantion reprezentnd pixeli atribuii livezilor.


Depresiunea Cmpulung, Subscena Landsat ETM+, iunie 2000.

Crearea zonelor-eantion este o operaie ce necesit experiena analistului.


Alegerea combinaiei color potrivite trebuie nsoit de capacitatea de interpretare corect
a imaginii falscolor sau n culori naturale, n concordan cu sezonul n care aceasta a fost
preluat. Zonele de interes depind n multe cazuri de scena sau subscena care a stat la
baza generrii lor. Fiierul poate fi utilizat n clasificarea de imagini diferite, dar de
aceeai rezoluie spectral i dac este posibil, din sezoane identice. Cele mai multe
probleme apar n zonele cu mai multe anotimpuri, ca de pild n cele temperate.
Clasificarea culturilor agricole sau a celor vitipomicole sunt exemple reprezentative n
acest sens. Generarea acestor date implic verificare permanent prin confruntarea cu
imaginea i simularea clasificrii dup fiecare modificare (unele zone se pot terge sau se
pot aduga altele representative). De multe ori analistul trebuie s aprecieze dac se vor
diferenia subclase i va aprecia diversificarea sau generalizarea zonelor-eantion (de
exemplu, pduri de foioase sau separat pduri de fag i pduri de fag cu gorun).

4.2.2. Etapa clasificrii propriu-zise necesit n primul rnd alegerea de ctre


analist a algoritmului potrivit. De acesta depind i calitatea rezultatului clasificrii. i n
acest caz scopul este clasificare tuturor pixelilor cu erori ct mai mici n raport cu
realitatea terenului (engl. ground truth). Derularea algoritmilor necesit crearea zonelor-
eantion
Algoritmul distanei minime-medii .Presupune o serie de etape. Se determin
centrul fiecrei grupri de pixeli ce reprezint o zon-eantion. Fiecare pixel din imagine
este raportat prin vector de distan (fig. 4.8) la zonele eantion, fiind apoi atribuit celei
mai apropiate clase, reprezentat prin zona-eantion.

Fig. 4.8. Reprezentarea schematic a algoritmului distanei minime-medii (dup


Lillesand et al, 2004).

n acest caz, este necesar o ct mai bun delimitare a zonelor-eantion, la nivel


de varian a signaturii spectrale. O problem o reprezint norii sau ceaa care determin,
mai ales n domeniul vizibil, o alterare a signaturilor spectrale a elementelor din teren.
Din aceast cauz norii devin o clas separat, situaie specific i unor obiecte de la sol
ce apar acoperite de nori. Algoritmul este util n cazul imaginilor cu un numr limitat de
clase, bine difereniate la nivel de covarian. Dac zonele eantion sunt deprtate,
determinarea vectorului de distan al pixelului este uoar. n schimb clasele apropiate
spectral, implic dificulti de calcul automat al vectorului i se produc erori. Un exemplu
sunt imaginile cu teren mpdurit i teren despdurit acoperit cu pajiti (n etajul alpin, de
exemplu).
Algoritmul paralelipipedului, presupune raportarea valorilor numrului digital al
pixelului, n sistem rectangular de dou axe (dreptunghi) sau trei axe (paralelipiped) la un
spaiu generat automat n jurul gruprilor de pixeli din zonele-eantion (fig. 4.9). Fiecare
grupare are o anumit varian ce condiioneaz dimensiunile dreptunghiului sau
paralelipipedului. Fiecare pixel este localizat ntr-un spaiu sau altul, conform valorii
numrului digital. Pixelii se pot situa i la intersecia a dou spaii de acest tip, acetia
fiind considerai ca nesiguri ori pot fi grupai arbitrar uneia dintre clase.

Fig. 4.9. Reprezentarea schematic a algoritmului paralelipipedului (dup


Lillesand et al, 2004).

Exist destul de multe cazuri de covarian linear a pixelilor ce tind sa se situeze


pe o dreapt de regresie fa de dreptunghiuri sau paralelipipede. n acest caz pot aprea
erori de clasificare sau muli pixeli nu pot fi atribuii unei clase. S-au creat astfel spaii de
tipul dreptunghiurilor ,,n trepte sau paralelipipede ,,n scar. Fiecare asemenea figur
reunete pixeli cu aceai semnificaie geografic sau apropiat (subclase ca de pild apa
curat, apa cu aluviuni, apa cu alge etc.).
Algoritmul se dovedete util clasificrii pe imagini cu date-eantion ce au o
varian ceva mai mare (pixeli mai dispersai n diagrama 2d), n jurul crora se
genereaz cu o mai mare precizie spaii virtuale de tip paralelipiped (de exemplu spaiile
urbane n raport cu vegetaia, avnd n vedere diversitatea materialelor de construcii).
Algoritmul Gaussian de asemnare maxim (engl. maximum likelihood) pleac
de la generarea automat a unor funcii Gaussiene, cu grafic n form de clopot, ce
exprim densitatea probabilitilor.Raportarea se realizeaz ntr-un spaiu tridimensional
n care planul orizontal corespunde sistemului de axe la care se raporteaz numerele
digitale n cele dou benzi spectrale. Axa vertical exprim densitatea probabilitii
apartenenei unui pixel la o clas sau alta, n funcie de zonele eantion (fig. 4.10).
Fig. 4.9. Reprezentarea schematic a algoritmului Gaussian de asemnare maxim
(dup Lillesand et al, 2004). Reprezentare n spaiu tridimensional (a) i bidimensional
(b).

Fiecare pixel este clasificat n raport cu probabilitatea de a se integra unui spaiu


ce are n proiecie n plan o configuraie de izolinii concentrice, numite i contururi de
probabilitate egal (echipoteniale), asemeni fig. 4.9 b. Acestea sunt de fapt proiecia unor
corpuri de rotaie concentrice derivate din parabolele funciilor gaussiene (fig. 4.9 a).Ele
nlocuiesc paralelipipedele din algoritmul prezentat anterior. Interpretarea acestor izolinii
arat i covariana la nivel de clase, deoarece forma eliptic exprim corelaie linear, n
timp ce un cerc arat dispersie i deci covarian redus.
Algoritmul este frecvent aplicat n cazul imaginilor complexe sub raportul
signaturilor spectrale (fig. 4.10). Fiecare pixel este raportat la funciile de
echiprobabilitate, indiferent de banda spectral. Din aceast cauz, rularea necesit un
timp mai ndelungat, cu ct imaginea este mai mare i numrul de benzi spectrale este
mai mare. Sunt generate statistici de tip gaussian la nivelul tuturor combinaiilor posibile
de cte dou benzi (de pild combinaii de ase benzi non-termale, luate cte dou la
imaginile Landsat TM).

a
b

Fig. 4.10. Imaginea falscolor 453 (a) i clasificarea supervizat (b). Subscena
Landsat ETM+, iunie 2000. Utilizarea terenului n Depresiunea Cmpulung, Subcarpaii
Getici.

Clasificarea devine mai rapid utiliznd componentele principale. Decorelarea


reduce volumul de date, deoarece se apeleaz numai la primele imagini ce au o
covarian evident.
Pe lng acest algoritm, exist i alii asemntori, viznd asemnarea maxim a
signaturilor spectrale din imagine cu cele din zonele-eantion.
Algoritmul Bayesian ce utilizeaz probabilitatea a prioric ce vizeaz anticiparea
apartenenei pixelului la o clas dect la alt clas (de exemplu stncria n raport cu
terenul construit). Aplicaia este util n calcularea erorilor de clasificare.
Arborele de decizie (engl. decision tree) presupune construirea unui model de tip
arborescent n care se separ treptat, una cte una, pe mai multe niveluri, fiecare clas sau
subclas. Avantajul este o acuratee mai mare la separarea claselor, n funcie de fiecare
band spectral. n fapt clasificarea supervizat se aplic pentru fiecare element extras
automat sub forma de layere digitale . De pild se separ terenul arabil cu vegetaie, apoi
cel fr vegetaie, pdurea de foioase, pdurea de conifere etc. O abordare detaliat,
bazat pe un exemplu, va fi prezentat ntr-un volum ce va aprea ulterior.
Clasificarea supervizat cu algoritm de asemnare maxim este extrem de
utilizat n practic. Separarea unui mare numr de clase n imagini de o mare rugozitate
este mai precis. Compararea rezultatelor aplicrii algoritmilor pe o singur imagine ne
aduce rezultate difereniate, la nivelul pixelilor neatribuii sau atribuii n mod eronat.
4.2.3. mbuntirea clasificrii
Rezultatele clasificrilor supervizate se constituie n seturi de date raster cu o
mare aplicabilitate practic. Pe de o parte clasificarea se poate transform n hart
tematic, ca de pild harta utilizrii terenului sau harta vegetaiei. Frecvent, date din
clasificri sunt vizualizate mpreun cu alte date, ca de pild limitele pdurilor i mase de
alunecri de teren, ntr-o conexiune logic. Alte date se pot introduce n producerea de
noi date raster cum ar fi integrarea utilizrii terenului n hrile de hazard geomorfologic.
Calitatea rezultatelor crete dac a fost selectat combinaia optim pentru
generarea zonelor-eantion i dac analistul a sesizat corect variana spectral a pixelilor
ce reprezint aceeai entitate, delimitnd clase n mod adecvat.
Decorelarea benzilor spectrale se impune atunci cnd diferenierea spectral a
claselor este dificil. Se aplic ori strech de decorelare, dar cel mai util este generarea
componentelor principale i utilizarea primelor trei (imagine RGB pe care sunt trasate
zonele-eantion).
Expresia cantitativ a calitii rezultatelor este dat de matricea de divergen. Ea
arat de fapt datele de covarian rezultate din corelarea celor dou benzi, exprimnd
diferena statistic dintre setul de date-eantion i rezultatul clasificrii.
Matricea de erori sau de contingen exprim nivelul de performan atins de
analist n clasificarea imaginii. Rezultatul este un table n care se arat cum s-au clasificat
procentual pixelii n raport de cei din eantion. Matricea exprim mai ales incertitudinea
clasificrii unor pixeli i atenioneaz analistul n a reveni asupra algoritmului i alegerii
zonelor de interes. Matricea rezult din compararea rezultatului clasificrii cu o
,,imagine a realitii terenului, ce poate fi o hart n format grid sau alt imagine
rezultat din clasificarea unui alt set de date de teledetecie. Uneori se apeleaz la zonele-
eantion, dar rezultatul nu reflect n totalitate, procentul de clasificare corect, pentru c
ele au fost create de pe aceai imagine.
n practic, cea mai simpl posibilitate este compararea imaginii iniiale cu
rezultatul clasificrii, ceea ce necesit un efort de interpretare vizual. Ea se realizeaz pe
poriuni limitate de imagine.
Rezultatele sunt supuse adesea filtrrii ce determin o generalizare la nivelul
clusterelor, fapt ce permite obinerea de imagini uor de interpretat.
Problemele devin cu totul altele pe imaginile de mare rezoluie (Ikonos,
QuickBird etc.) deoarece algoritmul se va schimba. Pixelii sunt mult mai numeroi i mai
omogeni sub raport spectral. Clasificrile orientate-obiect sunt cea mai potrivit metod,
dar acestea vor fi abordate ntr-o lucrare ulterioar.
4.3. Clasificrile mixte

Clasificrile hibride cum mai sunt denumite, combin pe cea nesupervizat i pe


cea supervizat, n scopul obinerii unor rezultate mai performante, mai apropiate de
realitatea terenului. Ele pleac de la posibilitatea generrii de zone-eantion pe baza
clusterelor obinute nesupervizat.
Clasificrile hibride devin utile n cazul n care cele nesupervizate nu permit
gruparea n clase a tuturor pixelilor, situaie ntlnit pe imaginile cu o mare diversitate
de signaturi spectrale foarte apropiate. Este cazul imaginilor de rezoluie medie (ex.
Landsat sau Aster) cu pduri de foioase alctuite din multe genuri de copaci, cum ar fi
leaurile de cmpie. Algoritmul clasificrilor se alege n funcie de caz. Sunt de preferat
ISODATA (clasificare nesupervizat), respectiv maximum likelihood (clasificare
supervizat).
Metoda utilizat presupune o clusterizare dirijat (Lillesand et al.,2004). Pornind
de la gruprile bazate exclusiv pe diferene spectrale, se obin grupri de pixeli-eantion,
prin compararea cu imaginea i reinerea doar a celor mai relevante clustere la nivel de
clas. Dac dou sau mai multe clustere sunt apropiate ca semnificaie, dar apar colorate
diferit, ele pot fi unite. Rezult clustere mai mari i mai reprezentative.
Operaiile de mai sus se repet pentru fiecare clas ce are la baz o zon-eantion.
Rezultatul se compar cu imaginea i se poate corecta, pn la elaborarea tuturor zonelor-
eantion pentru clasele dorite.
Algoritmul continu cu clasificarea supervizat pe baza entioanelor stabilite,
dup care rezult o imagine sau un layer raster similar figurii 4.10.
Avantajul este considerabil n cartografierea de detaliu a vegetaiei sau culturilor
agricole, deoarece peisajul este mozaicat iar probabilitatea de a nu clasifica toi pixelii
scade considerabil. Dealtfel i cele mai mici grupri de pixeli din interiorul claselor pot fi
vizualizate (exemplul unui lumini dintr-o pdure sau terenuri umede din crovuri,
nconjurate de culturi cerealiere).

5. Analiza schimbrilor pe imagini satelitare (Change Detection)

Imaginile de teledetecie ofer posibilitatea celor mai expeditive analize


multitemporale n evoluia acoperirii terenului. n acest mod, cele mai diverse fenomene
sunt analizate pe dou sau mai multe imagini ce corespund diferitelor momente. Evoluia
suprafeelor cu pduri sau cu diferite alte utilizri, dinamica unei albii, a unei alunecri de
teren, efectele unui seism sau incendiu n pdure sau evoluia liniei rmului sunt doar
cteva exemple.
Analiza schimbrilor de mediu pe imagini constituie un ansamblu de proceduri
calitative i cantitative ce au ca scop compararea a dou sau mai multor imagini ale
aceleiai zone i generarea unor reprezentri cartografice adecvate. Acestea implic
rezultate de tipul unui text de interpretare comparativ, a unor imagini noi (ale
modificrilor), a unor statistici mai simple sau mai detaliate ce se pot integra n studii
complexe ale dinamicii peisajului sau componentelor acestuia.
Analiza implic mai nti alegerea imaginilor corespunztoare, care trebuie s
ndeplineasc o serie de condiii, pentru ca rezultatul s fie relevant :
imaginile trebuie s cuprind ntreaga suprafa ce face obiectul analizei.
imaginile trebuie s fie obinute (de obicei) cu ajutorul aceluiai senzor i
s aib aceeai rezoluie spaial i spectral.
imaginile trebuie s fie verticale sau oblice i este recomandabil, n cele
mai multe cazuri, s aib aceai proiecie cartografic.
imaginile trebuie s corespund unor momente cheie (nainte i dup
schimbare) i s aib o radiometrie identic (preluate acelai moment al
anului, al zilei, n acelai anotimp).
n practic, alegerea imaginilor ine seama de scopul analizei (n cazul vegetaiei
sau al culturilor agricole se aleg n funcie de datele ciclului vegetal, n cazul oraelor
condiiile de iluminare sunt importante, n cazul rmurilor se ine cont de maree etc.).
Aceasta implic o documentare prealabil cu ajutorul literaturii, hrilor i, foarte util, cu
ajutorul fotogramelor aeriene.
Rezulatele analizei sunt influenate considerabil de dou elemente ale imaginilor:
elemente geometrice, determinate de precizia geocoreciei, care determin
valorile noilor pixeli din imaginea schimbrii i configuraia clusterelor (este
recomandat o acuratee de un sfert sau cel mult o jumatate de pixel, mai
exact ntre 7,5 m i 15 m la imaginile Landsat TM i ETM+).
elemente radiometrice, generate de factorii ce determin modificarea
numrului digital al pixelilor care n realitate nu corespund schimbrilor
analizate (ceaa i norii din atmosfer, iluminarea diferit a terenului,
umiditatea din sol i vegetaie, regimul nivelului mareic sau cel hidrologic ori
lacustru etc.).
Analiza change detection poate fi abordat diferit, n funcie de scop dar i de
datele (imaginile) disponibile, de posibilitile de procesare digital i resursele soft i
hard, n general. nelegerea diferitelor metode specifice este posibil prin intermediul
unor exemple, pe care le prezentm n cele ce urmeaz. La acestea vom aduga i o serie
de elemente interpretative.
n literatura de specialitate, exist mai multe metode de la cele mai simple la cele
mai complexe ce implic abordri calitative i cantitative :
analiza vizual comparativ a imaginilor multitemporale,
diferenierea imaginilor multitemporale,
rapoartele de imagini multitemporale,
analiza bazat pe regresia linear,
analiza vectorilor de schimbare,
analiza componentelor principale ale imaginilor multitemporale,
diferenierea selectiv a clasificrilor de pixeli din imaginile
multitemporale.
5.1. Analiza vizual comparativ a imaginilor multitemporale

Aceasta este cea mai simpl dintre metodele de analiz a schimbrilor. Ea impune
rareori corecii geometrice i radiometrice la nivelul imaginilor multitemporale, care pot
fi obinute i cu ajutorul senzorilor diferii. Analiza necesit totui o delimitare exact a
zonei de studiu, utilizarea de imagini cu rezoluii spaiale identice sau ct mai apropiate i
pentru simplificare, rezoluii spectrale identice sau apropiate. Acest ultim aspect poate
suplini experiena interpretatorului i obinerea n scurt timp a unui rezultat valabil.
Pentru exemplificare, am ales dou situaii, folosind subscene Landsat TM din 7
iulie 1988 (momentul t 1) i Landsat ETM+ din 5 iunie 2000 (momentul t 2).
n fig. 5.1. a i b, sunt prezentate dou imagini ale oraului Ploieti obinute la
circa 12 ani diferen cu senzorii Landsat. Imaginile sunt subscene de var (iunie, iulie),
separate de momentul schimbrilor din 1990 i al tranziiei social-economice i politice,
dup revoluia din decembrie 1989. Cele dou imagini au aceai rezoluie spectral, fapt
ce avantajeaz interpretarea. Diferene radiometrice exist, avnd n vedere azimutul i
elevaia solar uor diferite, sensibilitatea senzorilor i vechimea lor, ns cel mai mare
avantaj este lipsa norilor. Imaginile au fost obinute aproximativ la aceai or, n jur de
7.30-8.00, ora local. Detectarea schimbrilor se realizeaz, n acest caz pe cale vizual,
implicnd interpretare dar i recunoatere sau validare n teren a rezulatelor. Principalele
modificri sesizate sunt urmtoarele:
imaginile arat n ansamblu modificri ale utilizrii terenurilor, care se
reflect n nlocuirea parcelelor cultivate cu cereale, plante tehnice i
legume, cu parcele acoperite de pajite i nu de puine ori cu teren arat sau
nefolosit; de asemenea s-au parcelat terenuri agricole ale fostelor uniti
agricole de stat aa cum se observ n dreapta imaginii (4 n fig. 5.1) n
arealul satului Bucov i nu numai (Ploietiori-Blejoi ; suprafeele cu
pduri nu s-au modificat (Bucov, Corlteti, ramificaia Ploieti-Triaj).
imaginile arat de asemenea, noi extinderi teritoriale ale intravilanului prin
adugarea platformei industriale de vest (industrie alimentar, cu buturi
rcoritoare i tutun), la ieirea oselei ctre Trgovite i n preajma cii
ferate ctre Braov (1), precum i a extinderii cartierului Ploieti-Nord (3)
pe traseul oselei ctre Braov (vile, restaurante, industrie textil,
construcii, depozite etc.).
modificrile de reflectan din intravilan corespund antierelor de
construcii din arealul Bdul. Republicii Str. Gh. Doja (2) sau n cartierele
Ploieti Vest II- Mreti, Mihai Bravu etc., nchise ulterior prin
terminarea blocurilor i ocuparea terenului viran cu reflectan mare,
situaie ntlnit i n preajma Grii Ploieti Vest, prin construirea unui
supermarket pe teren viran (5).
3 4

2
1

4
3

2
1

Fig. 5.1. Municipiul Ploieti n subscenele satelitare Landsat TM (7 iulie 1988)-a i


Landsat ETM+ (5 iunie 2000), rezoluia spaial 30 m, culori naturale 321.
Cele mai spectaculoase imagini sunt cele n care diferenele de signatur spectral sunt
evidente. Amenajri de mici dimensiuni, sub valoarea rezoluiei spaiale se impun
deosebit de expresiv. Un exemplu n acest sens este apariia autostrzii Bucureti-
Constana la limita de est a Capitalei (zona Cernica-Brneti), finalizat pe sectorul pn
la Fundulea la sfritul anilor 90 i inaugurat n 2004. Imaginile din fig. 5.2. a i b
prezint situaia din 7 iulie 1988 (a), respectiv 5 iunie 2000 (b).

A
22

a bb

Fig. 5.2. Autostrada A2 (A), la limita de est a Bucuretiului (Cernica) n subscenele


satelitare Landsat TM (7 iulie 1988)-a i Landsat ETM+ (5 iunie 2000), rezoluia spaial
30 m, culori naturale 321.

Din analiza vizual a imaginilor rezult de asemenea modificri legate de parcelarea


terenurilor i apariia de construcii dispersate ctre lacul Cernica, n condiiile restituirii
proprietilor i dezvoltrii pieei imobiliare la marginea Bucuretiului. O serie de areale
construite i-au modificat reflectana prin scdere, aa cum sunt cartierele de blocuri
terminate de la sud de Dmbovia. Este evident noua autostrad (A, n fig.5.2 b) , pe
atunci n construcie, element linear cu lime egal cel mult cu rezoluia imaginii (30 m).
Reflectana mare a betonului n banda verde este evident n raport cu rspunsul slab al
vegetaiei n benzile rou i albastru.
Analiza vizual comparativ este destinat mai mult informrii analistului,
nainte de a trece la analize cantitative. Rezultatul ei impune aprecierea tratamentelor de
imagini dup care se vor realiza clasificri de pixeli i operaii cu acestea. Utilizarea
imaginilor de mare rezoluie spaial permite obinerea de rezultate detaliate, utile din
punct de vedere practic (exemple sunt ariile afectate de seisme, alunecri, uragane etc.).
Rezult c imaginile de rezoluie din ce n ce mai mare sunt optime analizei schimbrilor
datorate fenomenelor de scurt durat ce afecteaz zone restrnse.

5.2. Diferenierea imaginilor multitemporale

Diferenierea imaginilor multitemporale este o prim form analiz cantitativ a


schimbrilor. n linii mari, aceasta presupune scderea valorilor numerelor digitale ale
imaginii mai vechi din cele ale imaginii mai recente, asemeni elementelor unei matrici.
Prin scdere rezult o nou imagine, cea a schimbrilor, n scar de gri, n care valorile
pixelilor vor fi cuprinse ntre -255 i 255, n cazul n care utlizm imagini n 8 bii.
Pixelii cu valori peste zero (tonuri deschise) semnific o cretere a reflectanei
elementelor de mediu, cei apropiai de zero, fie pozitivi, fie negativi, exprim areale
nemodificate (tonurile de gri nchis, apropiate de negru), n schimb cei negativi arat
scdere de reflectan i tonuri de gri nchis.
Fig. 5.3. Diferena imaginilor n banda 2 (verde). Municipiul Ploieti n subscenele
satelitare Landsat TM (7 iulie 1988) i Landsat ETM+ (5 iunie 2000), rezoluia spaial
30 m.

Din analiza fig.5.3, n care diferena a implicat scderea pixelilor la nivel de


numr digital n banda 2 (unde construciile au reflectana maxim) , se observ ponderea
mare a pixelilor cu tonuri deschise n intravilanul oraului Ploieti, unde au aprut
construcii noi (zona central, mai ales), iar cele vechi au fost n parte restaurate sau
modernizate dup schimbarea sistemului de proprietate. Diferene mari de reflectan
apar n cartierele nou aprute, la limita de nord pe oseaua ctre Braov (cldiri dispuse
linear) sau la ieirea ctre Trgovite i Braov, n extremitatea vestic (zona industrial
nou). Terenul cu pdure rmne nemodificat (tonuri apropiate de negru) iar cel arabil
apare deschis ca efect al nlocuirii unor culturi cu arturi (parcelrile recente sunt de
asemenea evidente).
Imaginea schimbrii obinut astfel are un caracter relativ. n marea majoritate a
cazurilor, imaginile multitemporale nu sunt perfect normalizate la nivel de reflectan,
astfel nct pixelii nemodificai s aib valoarea zero. De multe ori n aer se afl vapori de
ap, chiar dac norii lipsesc, soarele lumineaz terenul diferit i inegal de la un punct la
altul, terenul poate fi mai umed dup o ploaie pe o imagine i uscat pe cealalt etc.
Acestea implic necesitatea unor corecii radiometrice performante care necesit timp i
pregtire, iar rezultatul nu este ntotdeauna cel mai bun. Din aceast cauz apelm la alte
metode.

5.3. Raportul imaginilor multitemporale

Rapoartele de imagini implic mprirea valorilor de numere digitale ale celor


dou imagini multitemporale. n fapt rezult valori diferite de tip floating point, ntre -1 i
+1, fapt ce semnific modificri de reflectan. Valorile ce se apropie de 1 semnific de
fapt pixeli cu reflectan aproape egal i deci nemodificai, aprnd n tonuri deschise,
de aceast dat. ntre 0,1 i 0,5 sunt pixelii ce reflect schimbarea, cu tonuri nchise, iar
valoarea zero poate fi atins doar teoretic (numrtor egal cu zero, deci absorbia
radiaiei).
Imaginea obinut prin raportare de benzi spectrale (fig. 5.4), este ceva mai
expresiv dect cea rezultat prin difereniere (fig.5.3). Prin raportarea valorilor spectrale
are loc o normalizare a imaginii n sensul diminurii efectului luminrii solare i al
umbririi. Interpretarea aduce o serie de elemente interesante pentru intravilanul oraului
Ploieti. Apare o diferen destul de evident ntre specificul cvartalurilor de construcii.
Cartierele de blocuri construite dup 1960 n ansambluri pe teren viran (Ploieti Nord,
Republicii, Ploieti Vest, Malul Rou, parial Calea Bucureti sau Mihai Bravu) apar cu
tonuri deschise, aproape de alb, fapt ce arat lipsa schimbrilor. Noile dezvoltri apar n
ton nchis, ctre negru (vestul oraului i la nord). Casele din zona central i imediat
nvecinat au o textur grosier, cu tonuri alternante ce reflect case vechi i case
restaurate dar i sedii de firme, companii, bnci (ton foarte nchis) evidente n zona
central i mai ales pe axul nord-sud, cea mai evident arter din ora, reabilitat pentru
trafic (Bdul. Republicii i bdul. Independenei, Calea Bucureti). O serie de zone
industriale din intravilan au fost restructurate i retehnologizate, prin reamenajarea
vechilor hale i instalaii, fapt confirmat de tonurile nchise (Derolever, rafinria Vega-
Rompetrol sau combinatul petrochimic Teleajen-Lukoil n est). Noile supermarketuri
introduc schimbri similare (zona grii Ploieti-Vest). Sunt evidente de aceast dat cile
ferate, mai ales cele principale, duble-multiple i electrificate, ctre Bucureti, Braov i
Buzu precum i oselele cu mai multe benzi, spre Braov sau Bucureti (artere
reabilitate i ntreinute).
Imaginea i dovedete utilitatea n analiza componentelor mici ale mediului i
mai ales a spaiului urban.

Fig. 5.4. Raportul imaginilor n banda 2 (verde). Municipiul Ploieti n subscenele


satelitare Landsat TM (7 iulie 1988) i Landsat ETM+ (5 iunie 2000), rezoluia spaial
30 m.

5.4. Analiza pe baza regresiei lineare

Detecia schimbrilor pe imagini presupune de cele mai multe ori o serie de


procesri complexe, destinate normalizrii radiometrice. n realizarea diferenelor sau
rapoartelor de imagini multitemporale sunt necesare corecii atmosferice, de iluminare i
chiar conversii de date n radian, componente principale sau de vegetaie (Lillesand et
al., 2004).
O alt modalitate de analiz a schimbrilor este cea a regresiei lineare, n care se
coreleaz pixelii din cele dou imagini multitemporale. Rezult o imagine a schimbrii
sub forma unui plot 2D (fig. 5.5), n care dinamica schimbrii este dat de raportarea
pixelilor fa de dreapta de regresie linear. n esen, corelarea benzilor multitemporale
este o expresie a lipsei unor modificri semnificative. Contrar, pixelii din ce n ce mai
puin corelai se distaneaz tot mai evident de dreapta de regresie i se grupeaz pe axa
schimbrii, perpendicular pe prima. Acetia arat i o cretere a strlucirii (deasupra
dreptei de regresie), respectiv o scdere a strlucirii (sub dreapta amintit).

Schimbar
e
Fara
Schimbare

R+

R-

Fig. 5.5. Diagrama de tip scatter plot a schimbrilor. Regresia linear a benzii 2,
subscenele Landsat TM (7 iulie 1988) i Landsat ETM+ (5 iunie 2000), rezoluia spaial
30 m, municipiul Ploieti.

Imterpretarea imaginii schimbrii se limiteaz la graficul de regresie. n cazul


nostru, se observ o grupare a pixelilor tot mai evident pe axa de regresie, fapt ce arat o
schimbare limitat la unele sectoare dispersate, aa cum s-a observat i n interpretarea
vizual. Cu toate acestea se evideniaz i o schimbare n sensul creterii strlucirii
pixelilor. Explicaia poate fi multipl, i poate fi legat de nlocuirea multor terenuri
cultivate din zona periurban cu terenuri arate ce au o reflectan mai mare. Punctual apar
i noile zone de dezvoltare urban. Aici se adaug i unele diferene de radiometrie,
generate de calibrarea senzorilor, gradul de sensibilitate i uzur sau prezena unor vapori
n atmosfer.

5.5. Analiza vectorilor de schimbare

n analiza schimbrilor este util compararea seturilor de date multitemporale i


reliefarea modificrilor la nivel de signaturi spectrale. Aceasta se poate realiza prin
plotarea acelorai dou benzi din cele dou imagini i compararea celor dou diagrame.
Ele ilustreaz redistribuirea numerelor digitale de la momentul iniial la cel final i n fapt
prezint ntr-o anumit form ,,micarea sau deplasarea pixelilor de la momentul t1 la
momentul t2, fie n ansamblu fie individual dar mai ales grupat (se folosesc zone-
eantion, vizualizate identic pe diagrame). Exist i posibilitatea suprapunerii imaginilor.

a b
Fig. 5.6. Plottarea 2 D comparativa a datelor pentru benzile 1 i 2 ale subscenelor Landsat
TM (7 iulie 1988)-a i Landsat ETM+ (5 iunie 2000)-b, rezoluia spaial 30 m,
municipiul Ploieti.

Interpretarea se va limita la imaginile comparate n ansamblul lor. n fig. 5.6, cele


dou diagrame, dei prezint date corelate arat redistribuirea pixelilor la nivel de valori
spectrale prin creterea reflectanei. Aceasta se explic prin restrngerea terenului
acoperit de vegetaie i nlocuirea lui cu terenul arat sau nefolosit, cu reflectana mai
mare, dar i prin modificarea reflectanei n intravilan. Prin suprapunerea difereniat pe
grupri de pixeli a diagramelor de poate genera o imagine a direciei i intensitii
schimbrii i mai detaliat.

5. 6. Analiza prin componentele principale a schimbrii

Principiul generrii imaginilor decorelate a fost explicat ntr-un subcapitol


anterior (3.2.9). Analiza schimbrilor pe baza imaginilor multitemporale poate aplica
acest procedeu, deoarece rezult imagini ce reflect variana. n principal, benzile
aceleiai scene sunt substituite cu benzi ale scenelor ce compun imagini multitemporale,
condiia fiind rezoluia spaial identic, alturi de aceleai proprieti geometrice.
Noile imagini rezultate sunt decorelate i au variana ce scade , asemeni valorilor
vectorilor Eigen, de la imaginea 1 la imaginea n. Dintre acestea se pot reine primele, dar
mai exact prima sau cel mult a doua pentru c variana scade mult mai repede pe seturi de
date multitemporale de la 1 la n.
Fig. 5.7. Prima imagine n componente principale rezultat din transformarea subscenelor
Landsat TM (7 iulie 1988) i Landsat ETM+ (5 iunie 2000), rezoluia spaial 30 m,
municipiul Ploieti.

Imaginea din figura 5.7, exprim componenta principal cu cea mai mare varian
din setul de date multitemporale. Tonurile deschise arat modificrile calitative legate de
construciile din intravilan, acestea fiind foarte deschise n noile zone aprute la limita
intravilanului (industrial n vest, rezidenial i de servicii n nord).Albia minor a
Teleajenului este de asemenea un areal cu schimbri de ton de culoare, ca urmare a
depunerii de sedimente la viituri. Tonurile foarte nchise reflect lipsa schimbrilor,
caracteristic pdurilor de cvercinee de la Berceni sau Bucov, plantaiei de pin (Ploieti-
Triaj), inclusiv parcurilor sau scuarurilor (cartierul Ploieti Nord, Bdul. Independenei,
zona Slii Sporturilor). Tonurile de culoare intermediar exprim terenuri cu vegetaie
modificat (culturi nlocuite de pajiti sau tufriuri) i sunt ceva mai deschise la terenuri
arate i parcelate. Apar evidente oselele principale chiar dac au limi de sub 20 m, ca
cele spre Braov sau Bucureti, ce au cunoscut lucrri de reabilitare.
Cu ajutorul acestei imagini se poate elabora o masc binar a schimbrilor n care
vor fi delimitate dou elemente i anume arealele cu schimbri (valoare 1) i fr
schimbri (valoare 0). Aceasta se poate aplica imaginilor pentru izolarea numai a zonelor
de interes n analiza dinamicii mediului.

5.7.Diferenierea selectiv a clasificrilor de pixeli din imaginile


multitemporale.

Metoda este poate cea mai util dintre cele prezentate, deoarece elimin
posibilitatea propagrii erorilor rezultate din diferenele radiometrice dintre imagini. Se
utilizeaz diferena de imagini, ns cele dou seturi de date provin din clasificri de
regul supervizate ce se scad, rezultnd o imagine a schimbrii. Aceasta este deosebit de
sugestiv atunci cnd este ntocmit n detaliu, la nivelul fiecrei clase, deoarece reflect
n modul cel mai concret transformarea unei clase n alta.
Un alt avantaj considerabil este i posibilitatea abordrii statistice a
transformrilor i a unor interpretri de date cantitative.
n cele ce urmeaz vom prezenta o astfel de analiz privind dinamica etajelor de
vegetaie n Munii Iezer.
6. Aplicaii ale imaginilor n Sistemul Informaional Geografic (SIG)

Imaginile satelitare i aeriene sunt surse de informaii geografice, compatibile cu


orice alte informaii geografice, n cadrul aplicaiilor SIG. Procesarea imaginilor de
teledetecie are ca finalitate pregtirea acestor imagini pentru diferitele operaiuni din
SIG, de la cele mai simple cum ar fi vizualizarea individual sau combinat, la analize
spaiale cantitative i mai ales la analize complexe cu date raster ce permit obinerea de
hri de mare importan practic (de hazard sau de risc, de zonare urban, de
probabilitate, geoecologice etc.).
n contextul lucrrii noastre nu ne propunem a redefini SIG i noiunile legate de
acesta i ne vom limita la prezentarea sumar, prin intermediul unor exemple simple, a
unora dintre posibilitile de integrare i utilizare n aplicaii SIG a imaginilor de
teledetecie sau a datelor extrase din coninutul acestora.
Pentru a nelege mai uor aceste probleme, menionm faptul c imaginile de
teledetecie se pot vizualiza, integra, analiza i chiar prelucra n cele mai multe pachete
software pentru SIG ce opereaz cu formate raster. Singurele condiii sunt, pe de o parte
compatibilitatea formatului imaginii i proprietile geometrice ale datelor de teledetecie
ce se pot conregistra cu alte date raster sau vector. n acest scop, sugerm consultarea
manualelor, a tutorialelor fiecrui pachet software, pentru a cunoate diversele posibiliti
de manipulare a datelor, de procesare, de analiz etc. oferite.

6.1. Elaborarea hrilor satelitare

Hrile satelitare (engl. satellite image maps) sunt reprezentri obiective, la scar,
ntr-un sistem de proiecie cu un anumit datum, a unei suprafee de teren diferit ca
ntindere, aa cum apare aceasta n cadrul unei subscene, scene sau mozaic de imagini.
Suprafaa acoperit poate fi extrem de diferit ca mrime i particulariti geografice, de
la un cvartal de locuine sau o intersecie de autostrzi, la orae, regiuni, state, continente
i chiar ntreaga suprafa a Globului. Cu ct suprafaa este mai mare, cu att scade scara
dar i rezoluia imaginilor utilizate i vizualizate. n plus crete numrul de imagini ce vor
fi asamblate, deci procesate n vederea obinerii unei imagini unitare (mozaic). Aceasta
implic un volum considerabil de informaii care trebuie stocate, vizualizate, prelucrate,
ceea ce devine anevoios cu mijloace hard sau soft obinuite (se folosesc staii grafice).
Realizarea hrii satelitare Landsat a unei ri ca Romnia implic lucrul cu un mozaic de
peste 20 de scene i subscene geocorectate, dar cu diferite rezoluii temporale, deoarece
se aleg cele mai bune imagini, cu un procent de acoperire noroas ct mai mic, pe ct
posibil din luni sau anotimpuri apropiate, deoarece apare necesitatea normalizrii
radiometrice, a unificrii signaturilor de la o scen la alta.
Elementele unei hri satelitare sunt de cele mai multe ori aceleai cu ale unei
hri obinuite, ca de pild cu cele dintr-o hart mural (titlu, scara, caroiaj, coordonate,
orientare, toponimie etc.). Legenda apare deseori dar nu este o condiie obligatorie, avnd
n vedere caracterul obiectiv al reprezentrii ce i mrete expresivitatea prin form,
culoare, poziie etc. Obiectivitatea este trstura de baz, n raport cu hrile obinuite,
dar i aceasta poate fi limitat prin prelucrri radiometrice, diminuarea rezoluiei iniiale
din motive de spaiu sau chiar mascarea unor elemente ca norii sau obiective speciale.
Editarea implic utilizarea unui modul special de management al elementelor, ce poate
genera automat caroiajul i coordonatele, scara etc.

Fig. 6.1. Hart satelitar (micorat, n scara de gri) a unei zone inundate de pe
cursul inferior al Rhonului, Frana, realizat pe baza unei imagini Ikonos din iunie 2003.
Sursa : DLR (German Remote Sensing Data Center), European Space Imaging.

n fig. 6.1, se observ c harta satelitar realizat iniial la scar mare, prezint
inclusiv o legend n care au fost reunite eantioane de imagini ale diferitelor entiti din
spaiul geografic. Ele vizeaz cu deosebire acoperirea terenului, legat de vulnerabilitatea
la inundaii (pduri, pajiti, teren cultivat, aezri, industrie, ci ferate i osele sau diguri
etc.). Harta localizeaz subscena de mare rezoluie n raport cu teritoriul rii sau cu
sistemul de referin al scenelor i ofer informaii privind proiecia, rezoluia etc.
Astfel de aplicaii devin deosebit de utile sub raport practic, n rezolvarea unor
probleme de mediu ca poluarea, riscurile naturale, urbanism, infrastructur dar i
didactic, aa cum se observ n cazul mozaicului vegetaiei globale cu imagini NOAA-
AVHRR (fig. 6.2) sau TERRA-MODIS, ori n cel al suprafeei globului pe timp de
noapte (DMSP).
Fig. 6.2. Harta satelitar colar derivat din mozaicul de scene NOAA-AVHRR,
reprezentnd Globul terestru i vegetaia uscatului n culori naturale. Sursa
:worlmapsonline.com.

6.2. Vizualizarea combinat a datelor generate n SIG cu imaginile

Imaginile de teledetecie sunt surse de informaii ce permit pe de o parte crearea


de date noi n SIG, fie vector, fie raster, dar i vizualizarea diverselor date de acest tip, pe
fundalul acestora. Marea majoritate a pachetelor software SIG permit vizualizri
combinate de imagini cu alte date, prin simpla tehnic de tip overlay (vizualizare pe strate
tematice). Aceasta ofer avantaje multiple, de la simple hri turistice i didactice la
aplicaii de corelare i validare a unor date obinute din diverse surse : ridicri
topografice, msurtori GPS, date provenite din diverse baze de date SIG ce vizeaz
utilizarea terenului, ci de comunicaii, date statistice sau climatice-hidrologice stocate ca
atribute etc.
Bazele de date SIG de ultim or permit aplicaii numeroase de acest tip (fig. 6.3),
ceea ce implic o cretere considerabil a numrului de utilizatori i o micorare a
timpului de cutare. n mare msur, date incluse, interogate mpreun cu imaginea se
obin prin interpretarea imaginilor de teledetecie. Validarea datelor din alte surse este de
mare utilitate. Multe date se pot conregistra cu imaginile de teledetecie prin corecii
geometrice.
Aplicaiile vizualizrii combinate sunt mult mai largi. Orice dat vector sau raster
se poate suprapune unei imagini dac are aceleai proprieti geometrice cu aceasta. De
exemplu hrile sinoptice cu imagini de la sateliii meteorologici sunt astfel de aplicaii.
Fig. 6.3. Date vectoriale (reeaua rutier i stradal cu toponimia) suprapuse peste
o imagine aerian, n scar de gri. Extras din baza de date Twix Route-Tele Atlas,
Elveia, 2004.

6.3. Elaborarea hrilor vegetaiei i utilizrii terenului

Imaginile de teledetecie ofer prin modul lor de nregistrare o diversitate de


informaii localizate spaial. Dintre acestea, cele multispectrale sau cele obinute prin
radiometriei, alturi de cele fotografice pancromatice, sunt de o mare importan n
analiza i cartografierea acoperirii terenului. Comportamentul spectral al elementelor din
teren se concretizeaz n signaturi spectrale, exprimate cromatic prin tonuri i, combinat,
prin nuane de culoare.
Aceste date valoroase se obin mult mai dificil prin cartri de teren. De cele mai
multe ori hrile, reprezentri subiective, de regul depite, limitate la nivel de legend
nu mai sunt utile i trebuiesc actualizate. Imaginile permit astfel, extragerea de date de
vegetaie i utilizare a terenului prin interpretare vizual i vectorizare manual, dar mai
ales, prin clasificri de pixeli (metod automat).
Interpretarea imaginilor este o modalitate simpl, expeditiv, prin care operatorul
vizualizeaz imaginea i introduce sub forma de teme sau vectori (puncte, linii,
poligoane), date ntlnite n imagine, n funcie de scopul aplicaiei. Aceasta necesit,
ns, timp i o anumit experien, mai ales dac imaginea folosit are rezoluie medie
(Landsat, Spot, Aster etc.) i dac este disponibil doar n falscolor sau n scara de gri
(banda pancromatic ce are o rezoluie mai mare de 20 m la multe imagini). Aplicarea
interpretrii poate conduce la erori ce se propag n analizele SIG, de regul datorate
lipsei de experien sau timpului scurt alocat. Cu toate acestea se obin i rezultate
semnificative, ca de pild hri ale utilizrii terenului i structurilor urbane din orae (fig.
6.4).
Fig. 6.4. Harta utilizrii terenului n arealul Predeal-Rnov-Buteni cu traseul
proiectat al autostrzii. Interpretare vizual i vectorizare dup o subscen Spot Pan,
rezoluia 10 m, iulie 1997.

Din fig. 6.4, se observ detalierea claselor de utilizarea terenului extrase din
imaginea Spot pancromatic (HRV-High Resolution Visible). Sunt prezente clase care nu
se regsesc n hri topografice la scar mare sau nu sunt delimitate cu exactitate
(aniniuri din lunci, teren erodat, unele stncrii, acumulri de aluviuni etc.), iar
reprezentarea limitelor altora este mai obiectiv i actualizat (limita pdurii din 1997, n
raport cu cea din hrile topografice din 1982 sau limitele intravilanului oraelor Predeal
i Azuga). Este posibil i cartografierea raritilor sau doborturilor de copaci din pduri.
Precizia rezultatelor se poate aprecia n raport cu alte date, din alte surse, ca de pild
drumurile i cile ferate extrase din hri topografice corectate geometric. Unele erori
rezult din geocorecie dar i din lipsa ortocoreciei ce implic deformrile specifice
proieciei centrale. Ele se atenueaz, ns, dac rezoluia imaginii scade. Rezultatele se
valideaz la teren sau n raport cu alte imagini (aerofotograme) sau hri.
Datele extrase astfel se vizualizeaz cartografic, dar se utilizeaz i n contextul
analizelor SIG de mai mare complexitate, ce au ca rezultat noi reprezentri.
Clasificrile de pe imagini au devenit n ultimele dou decenii, pe msura
perfecionrii algoritmilor de grupare automat a pixelilor n clustere, cea mai rspndit
metod. Acestea sunt perfectibile i n condiiile necunoaterii trsturilor terenului sau
lipsei unei experiene bogate n interpretarea vizual (clasificri nesupervizate). n
schimb ele necesit alegerea algoritmului potrivit i a variabilelor geostatistice pentru a
obine un rezultat ct mai bun (clasificarea corect, aproape integral a pixelilor). Cele
mai bune rezultate ns se obin prin aplicarea algoritmilor clasificrii supervizate, pentru
c alegerea eantioanelor de pixeli impune cunoaterea terenului i verificare permanent.
Aplicarea acestei metode implic totodat i operaii de pregtire, de preprocesare
i procesare a imaginilor, prin corecii i filtrri, prin fuziuni de date, n vederea
diferenierii signaturilor spectrale i rulrii algoritmului dorit.
n final rezult de asemenea hri complexe, de detaliu ale vegetaiei sau utilizrii
terenurilor, n care analizele de specialitate i vor gsi o surs principal de date. n plus,
asemeni interpretrii, noile clustere se exploateaz i statistic, n cifre absolute sau
procente, ce se valideaz cu alte date statistice existente.
Figura 6.5 prezint un rezultat al unei clasificri performante a pixelilor ntr-un
areal bine delimitat. Elementele hrii sunt aceleai ca ale oricrei hri de vegetaie dintr-
un atlas.
Fig. 6.5. Harta detaliat a vegetaiei Munilor Iezer realizat prin clasificare
supervizat de pe o subscen Landsat TM din august 1986.

6.4. Vizualizarea combinat cu date de topografie (Modele Numerice


Altitudinale)

Perfecionarea imaginilor a fost abordat ntr-un subcapitol anterior (3.4.5,


vizualizarea tridimensional), ns aceasta necesit date de alt tip, din alte surse. Prin
conregistrarea pixelilor cu date de poziie (geocorecie) i mai ales cu date de topografie
(din modele digitale altitudinale), exist posibilitatea generrii de imagini 3D, de mare
expresivitate.
Datele de topografie se utilizeaz i n elaborarea unor hri generale sau tematice,
ce apeleaz i la date extrase din imaginile de teledetecie. n fig. 6.6, se prezint un
fragment din harta reliefului periglaciar din Munii Timiului (B. Mihai, 2005), n care s-
a utilizat un model hillshade (al umbririi) derivat din modelul numeric altitudinal elaborat
la rezoluia de 10 m cu ajutorul hrilor topografice scara 1:25000. Acest model este de
fapt o reprezentare 2D a datelor topografice de tip grid, peste care au fost suprapuse
clustere de pixeli, reprezentnd acumulri de zpad n luna ianuarie 1997, extrase prin
clasificare nesupervizat de pe o scen Landsat TM. Harta a rezultat prin adugarea de
simboluri sub forma de date vector, constituind elemente ale reliefului periglaciar fosil i
actual. n acest mod se realizeaz o corelare a microreliefului crionival de la peste 1400
m cu acumulri de zpad.

Fig. 6.6. Fragment din harta periglaciarului din Munii Timiului, reprezentnd estul
Clbucetelor Predealului (n scara de gri). Clusterele albe reprezint acumulri de zpad
n poieni i goluri montane, extrase prin clasificare nesupervizate din imagine Landsat
TM, ianuarie 1997.

Reprezentrile tridimensionale utilizeaz date topografice. Imagini falscolor,


relativ dificil de interpretat ca urmare a culorilor, devin expresive. Mai mult, analiza
componentelor de mediu este mai uor documentat prin confruntarea datelor culese n
teren i n bibliografie cu datele de teledetecie vizualizate similar unui blocdiagram.
Imaginea este expresiv n terenurile cu fragmentare mare, de deal sau munte, unde o
serie de elemente se pot aduga prin interpretare corelat (fig.6.7).
Imaginea prezint, deosebit de expresiv, etajarea vegetaiei, limita foioaselor i
coniferelor, amestecul forestier, i mai ales azonalitatea caracteristic. Golurile montane
sunt subliniate de zpada acumulat, ns cel mai interesant este corelarea direct a
fizionomiei reliefului cu morfostructura, analizat n teren i pe hrile geologice.
Calitatea imaginii este bun ca urmare a erorilor mici de corecie geometric ale imaginii
Landsat n raport cu hrile topografice. Umbrirea terenului din perioada de iarn sporete
expresivitatea reprezentrii.n egal msur, se pot vizualiza i clasificri de pixeli pe
modele 3D.
suprafata structurala domeniu schiabil
D
acumulari nivale
paduri de fag falie domeniu schiabil in etajul subalpin

cueste paduri de
solzi, hogback-uri
amestec
(predomina molidul)

graben
domeniu
chei sinclinal suspendat schiabil

frunte de panza
de sariaj

sinclinal suspendat

hogback

NORD acumulari nivale in arie


pajisti secundare

Fig. 6.7. Munii Timiului. Imagine Landsat TM din ianuarie 1997, falscolor 432,
suprapus unui MNA cu rezoluia de 10 m, la care s-au adugat date de interpretare.

6.5. Integrarea datelor de teledetecie n analize SIG

Cele mai avansate modaliti de analiz vizeaz integrarea datelor extrase din
imagini, prin interpretare, dar mai ales prin clasificri de pixeli, n operaii specifice SIG.
Este vorba de operaiile cu date raster de tip grid, ce implic fie calcule simple, de tipul
adunare, scdere sau nmulire de griduri, fie integrarea datelor raster n formule
complexe, cu radicali, integrale, funcii trigonometrice. O nou tendin este exploatarea
datelor n modele de probabilitate, fie individual (lanurile Markov) fie mpreun cu alte
date (de exemplu modelul Bayesian sau Dempster Shaefer).
Indiferent de specificul analizei, datele de teledetecie contribuie la generarea de
noi seturi de date, cum ar fi cele de pretabilitate a terenului pentru amenajri (drumuri,
case, prtii de schi), de hazard i risc geomorfologic (susceptibilitatea la alunecri,
localizarea probabil a avalanelor etc.), de eroziune a terenului i multe altele.
Diversitatea i complexitatea lor ne oblig la a aborda aceste aspecte doar pe scurt, prin
intermediul unui exemplu (B. Mihai, 2005).
Elaborarea proiectelor SIG implic precizarea locului i rolului datelor din
imagini de teledetecie, n raport cu etapele ce definesc desfurarea acestora (fig. 6.8).
Fig. 6.8. Structura schematic a unui proiect SIG destinat analizei potenialului
spaiului montan al M. Timiului.

Exemplu: Analiza erodabilitii terenurilor n Munii


Timiului(Carpaii Curburii)

Integrarea n SIG a factorilor generatori ai erodabilitii a necesitat o


selecie a stratelor tematice: panta, utilizarea terenului, potenialul morfodinamic i
riscul geomorfologic.
Metoda aplicat a fost clasificarea de celule de imagine (pixeli) n
raport cu anumite condiii ce stau la baza categoriilor de erodabilitate (tabelul 6.1).
Asemeni riscului i a altor analize, s-au creat ierarhizri i atribuiri de cifre n
funcie de intensitatea fenomenului. Scopul a fost selectarea corect a arealelor de
erodabilitate i compararea cu situaia din teren, realizarea tipologiei. Prin
operaiuni matematice (algebrice) s-a obinut un nou strat informaional al
erodabilitii.
Tabelul 6.1.. Condiii n analiza SIG a erodabilitii terenului n M.Timiului

Factori Erodabilitate Erodabilitate Erodabilitate


morfodinamici mare medie mic
Geologia aluviuni,pietriuri, conglomerate,gresii calcare,trahite,
nisipuri,marne,fli radiolarite
cretacic,deluvii de
alunecare

Panta 20-90 5-20 sub 5


Utilizarea puni i fnee, puni i fnee, pduri
terenurilor tufriuri,aezri, rariti, tufriuri,
terenurierodate livezi i fnee
Potenialul alunecri,avalane, splare n suprafa, splare n
morfodinamic dezagregri, solifluxiuni, suprafa,
prbuiri,torenialitate torenialitate aluvionare
Riscul mare mediu mic
geomorfologic

Utilizarea fondului de date existent i intersectarea de strate, poate fi legat


de calculul unui indice de vulnerabilitate, de sensibilitate la eroziune, aplicat prin
analiz n mediu SIG la o populaie de bazine toreniale din cadrul bazinului Isere-
Alpii Francezi de Nord (Latulippe, Peiry,1996). Aceast metodologie a fost
perfectat n contextul proiectelor de restaurare a terenurilor erodate montane, la
CEMAGREF Grenoble. Formula a fost adaptat de noi la analiza de caz n funcie
de specificul terenului i coninutul informaional.

Si = Sij (P, L, Ut, Pm, Rg) unde:

Si-indicele de vulnerabilitate la eroziune


Sij-variabile ce condiioneaz vulnerabilitatea la eroziune
P-panta
L-litologia
Ut-utilizarea terenului
pm-potenialul morfodinamic (pretabilitatea pentru procese ce genereaz eroziunea)
Rg-riscul geomorfologic

Densitatea drenajului a fost analizat indirect prin intermediul desimii


reelei de vi. Analiza a apelat prin intermediul hrilor obinute anterior la energia
reliefului.
Toate aceste variabile au permis delimitarea ariilor ce constituie sau pot
reprezenta surse de aluviuni pentru arterele hidrografiei aferente. Corelarea cu
terenurile erodate, delimitate prin aerofotointerpretare pe imaginea satelitar SPOT-
pancromatic (1997) i raportarea la teren au completat structura aplicaiei.
Fig. 6.9. Vulnerabilitatea la eroziune a terenurilor din M. Timiului
Rezultate. Discuii

Cartografierea vulnerabilitii spaiului de ansamblu a spaiului montan


(fig. 6.9) la eroziune ne-a oferit posibilitatea delimitrii a trei mari grupe de areale;
analiza acestora se impune n raport cu datele din teren.
1.Areale de erodabilitate mare, reprezint sub 3-4% din suprafaa
M.Timiului, fapt ce arat o bun stabilitate a terenurilor. Cu toate acestea devine
necesar localizarea i verificarea lor n funcie de caracteristica terenului.
Condiiile pe care acestea le ndeplinesc sunt:
-panta peste 20
-litologie friabil (fli, aluviuni, faciesuri grezo-argiloase ca faciesul de
la Gresten, deluvii de alunecri);
-utilizarea terenului (puni, fnee, aezri, terenuri erodate, tufriuri
etc.);
-potenialul morfodinamic (alunecri, torenialitate, dezagregare,
avalane, prbuiri);
-riscul geomorfologic mare i foarte mare.
Analiza hrii erodabilitii indic ocurena acestor areale: golurile montane secundare
Clbucetul Azugii i parial Clbucetul Taurului, la peste 1400 m, pe fli, n condiii de punat
intens ce se menine aici de peste 100-150 de ani (densitate mare a animalelor pe un spaiu de
pune foarte limitat); golul montan secundar al M.Diham se nscrie n aceeai categorie; poienile
din M.Forbanu, caracterizate prin marea densitate a drumurilor i potecilor pe pante relativ mari;
bazinul Valea lui Dobre pe deluvii de alunecri secionate de toreni i ravene active, adncite n
roc; V.Pietrosu, cu versani afectai de alunecri vechi, defriai, n vecintatea drumurilor
forestiere; areale de alunecri din V.Morii i V.Grcinului amplasate n zone cu pduri exploatate,
puni, secionate de toreni i ravene (excesul de umiditate ntreine condiii favorabile reactivrilor
anuale dup topirea zpezii n februarie-aprilie sau la ploile toreniale din iunie-iulie cnd protecia
vegetal este slab); izvoarele ntrein condiii bune declanrii de pornituri.
O categorie aparte legat de roci gelive (conglomerate eterogene, calcare) slab
protejate vegetal, sunt abrupturile din estul Pietrei Mari, M.Postvaru (Muchea Cheii-Cristianul
Mare) ce apar n toat aria acestor muni (Pietrele lui Solomon, M.Piatra Ars .a.).
2.Areale de erodabilitate medie ocup aproximativ 10% din suprafaa
M.Timiului.
n aceast categorie sunt cuprinse terenurile cu litologie variat, mai
puin cele situate pe formaiunile fliului, pante de 10-30, lipsite n general de
pdure (inclusiv rariti, tufriuri). Potenialul morfodinamic este diversificat:
torenialitate, alunecri de teren, iroire etc.
Analiza hrii ofer doar elemente orientative. Astfel sunt cuprinse areale situate pe
diferite trepte de relief:
-glacisuri (n bazinetul Azuga, la poalele Clbucetului Taurului), n Valea Rnoava-
afluentul Prahovei, n Culoarul Rnoava i pe V.Pietrosu, la Predeal, la poalele Fetifoiului, Cioplei
i Clbucetului Taurului, pe glacisul Dmbul Morii i glacisul de la Scele;
-versanii (poalele unor abrupturi despdurite ca cele din nordul i nord-estul Pietrei
Mari, M.Tmpa, M.Stejeriul Mare, M.Runcu, Muchea Cheii, M.Piatra Ars etc.);
-suprafee i nivele de eroziune intens fragmentate de eroziunea liniar la obriile
unor toreni (Poiana Braov-Poiana Mare mai ales, Poiana Ruia, platoul structural Piatra Mare,
Clbucetul Azuga, Clbucetul Taurului, M.Diham-M.Forbanu etc.).
La acestea se mai pot aduga i sectoare de maluri(nalte) de ruri, ca efect al
eroziunii laterale i al proteciei vegetale slabe: pe Prahova, n avale de confluena Joiei cu
Politoaca, pe Azuga, pe Valea Crebului inferioar, pe Rul Mare sau V.Grcinului, inclusiv pe
V.Timi i cursurile inferioare ale unor aflueni etc. Se includ i taluze de drumuri forestiere.
O categorie cu totul aparte, specific acestei arii montane sunt terenurile cu amenajri
de prtii de schi. Acestea sunt cuprinse n proporie de peste 60-70% n categoria terenurilor de
erodabilitate medie. Ocurena se leag perfect de prtiile de la Predeal-Clbucet, Pru Rece i
Poiana Ruia-Cristianul Mare i chiar de la Bolnoc-Valea Baciului. Aici arealele alterneaz cu
terenuri de erodabilitate mare, reprezentate prin rupturi de pant generate de adncirea unor
talveguri i chiar de alunecri superficiale i solifluxiuni, aflorimente de roc (Cristianul Mare).
Refacerea pdurilor prin rempduriri i regenerare natural a avut n ultimii 200 de
ani un efect remarcabil. Terenurile cu erodabilitate medie i mare s-au restrns, astfel nct ceea ce
exist n prezent constituie geotopurile motenite, relicte, ale unui peisaj puternic antropizat.
n arealul culoarelor de vale, pe glacisuri, conuri i terase, aceast categorie de
terenuri este legat fie de pstoritul local i extracia lemnului din pduri (Scele, Azuga, Rnov)
fie mai ales de construcii i circulaia neorganizat, pe drumuri forestiere de cru sau poteci
(Predeal, Azuga, Braov). i aici au existat terenuri intens erodate, aa cum arat materialele
fotografice vechi de un secol. Omniprezente au fost potecile de vite (n mare parte vegetalizate) i
sectoarele de ravene i mici badlanduri (Azuga, Scele etc.).
Extinderea construciilor n ultimul secol, dar mai ales n ultimii 50 de ani, a avut ca
efect intensificarea eroziunii. Amenajarea unor pante de peste 7-10 n aria oraului Predeal, n urma
parcelrilor de la sfrit de secol 19, a permis att restrngerea pdurii i pajitilor, ct mai ales
modificarea unor geotopuri. Tasarea terenurilor, pietruirea i betonarea la nivelul fundaiilor relativ
adnci (n deluvii argiloase), au dus la compactarea solului. S-a modificat regimul aerohidric al unor
soluri frecvent suprasaturate n urma topirii zpezilor i a ploilor toreniale i s-a declanat eroziunea
liniar i superficial.
Pe harta erodabilitii, Predealul i mai ales cartierele de pe Cioplea i Fetifoiu (parial
Malu Ursului), se nscriu cu unele excepii n arii de erodabilitate medie. Imagini din anii 1900-1935
arat aezarea n faz dispers, cu trecere treptat spre concentrat-tentacular dar mai ales puin
vegetaie forestier. Comparaiile cu fotogramele aeriene (1956, 1985) i scene satelitare (1997),
precum i corelri n teren, arat o restrngere a acestui potenial de degradare a terenurilor.
Regenerarea i mai ales plantaiile de pdure din jurul vilelor i hotelurilor, au dus la modificri
radicale de peisaj i bilan hidric al solului. Au fost canalizate talveguri i captate o serie de izvoare.
Stabilitatea a crescut mai ales pe M.Cioplea, n partea central a cartierului, pe interfluviul Prahova-
Politoaca. Asanrile din perioada de dup 1918-1920 au mbuntit starea de echilibru a terenului.
3.Areale cu erodabilitate mic acoper cea mai mare parte a regiunii
studiate (peste 75%). n principal ele se suprapun terenurilor mpdurite dar scara la
care s-a redactat harta (1:100.000) a limitat anumite detalieri.
Situaia se prezint ns cu mult mai nuanat, deoarece pdurea are o
consisten diferit, chiar pe o suprafa de un kilometru ptrat. Fragmentarea i
panta impun o nuanare a acestui potenial de erodabilitate. ntr-un procent destul
de nsemnat exist multe terenuri iniial de erodabilitate mare i medie, ce au
revenit prin rempdurire la acest areal (fig. 113). Marea densitate a ravenelor i
torenilor din pdurile de la poalele Postvarului i Pietrei Mari (Scele, Drste,
Rnov, Braov etc.) explic modificri de esen a peisajului n ultimele dou
secole i mai ales n secolul 20.
Harta erodabilitii a surprins n mic msur arealele drumurilor
forestiere ce reprezint i n acest spaiu montan o important surs de aluviuni. O
serie de areale liniare se suprapun unor asemenea axe de penetrare: Valea Timiului
Sec Mic, Valea Morii, Baciului, Limbelului (erodabilitate mare), Valea
Rcdului, ipoaie (curs inferior) etc.
Folosirea acestor artere este legat n bun msur de ntreinerea
fondului forestier, prin degajarea arborilor dobori de vnt sau zpad, a celor
uscai i bolnavi. Amenajrile dateaz n mare msur din ultimii 70 de ani.
Evoluia profilului transversal al vilor este puternic influenat de aceste drumuri,
ce controleaz inclusiv scurgerea i rata de eroziune (Pcurar,2001). Procesele de
degradare i de agradare la nivelul talvegurilor sunt o caracteristic a multor
asemenea artere, ca efect al unei slabe ntreineri i exploatri iraionale, n perioada
viiturilor de var, dup ploile toreniale. Este i argumentul ce a susinut
retrogradarea lor la introducerea datelor n baza SIG din categoria drumuri n cea a
drumurilor impracticabile i potecilor (M.Runcu, M.Forbanu, V.Crbunari i multe
alte cazuri).
Un alt aspect generator de condiii de erodabilitate sunt liniile electrice
sau cele de funiculare forestiere. Acestea sunt legate de pante relativ mari, de peste
10 chiar 20. Crearea de culoare prin pduri i de amplasamente din beton au dus la
tasarea solului i la apariia eroziunii liniare i superficiale. Inaccesibilitatea sau
accesibilitatea limitat a acestora au redus riscul unei eroziuni accelerate.
Amenajarea de talveguri toreniale prin baraje de retenie al aluviunilor, este un alt
aspect al eroziunii terenurilor.
Limitate la cteva areale, aceste construcii au avut eficien maxim n msura n care
au fost ntreinute prin lucrri de decolmatare a incintelor. Pe Valea Timiului Sec Mic, n sudul
M.Piatra Mare, pe facies de fli, exist baraje ce au permis n amonte agradri (bolovniuri i chiar
suspensii). Acestea depeau la nivelul lui septembrie 1999 nivelul maxim al barajului iar n aval
albiile erau cu peste 1-1,5 m adncite ca efect al viiturilor de var i al reinerii aluviunilor.
Aluvionrile de mare amploare de pe albia inferioar i conul de la Timiu de Sus, dar mai ales
protecia cii ferate Predeal-Braov, au necesitat lucrri permanente de ntreinere (intensificate dup
vara lui 1997, cnd au avut loc mari viituri).De altfel aproape toi afluenii Timiului din aval de
Timiu de Sus dispun de lucrari de corecie i retenie, n vederea proteciei caii ferate i a oselei
Predeal-Braov.
Amenajri similare i canalizri de albii sunt prezente i pe Valea Limbelului
(bazinul superior-Limbelul Mare), pe Valea Grcinului inferioar, Valea Baciului, Valea Morii,
Valea Cernatu, Valea Durbav (nordul Pietrei Mari), pe aflueni ai Prahovei n sectorul Azuga-
Buteni etc. Eficiena acestora se leag strns de marea densitate a construciilor de pe Valea
Prahovei i de pe glacisul de contact de la Scele dar mai ales din protecia cilor de comunicaii.
Adncirea (degradarea) sectoarelor de albii n aval de baraje, poate favoriza creterea competenei la
marile viituri (Rdoane,1984,1986). Pe un fond neotectonic pozitiv torenii tind s i refac faciesul
de albie iniial.

Concluzii

Analiza SIG efectuat are un caracter general, informativ. Scara


reprezentrii cartografice i numrul limitat de variabile senzitive (doar patru strate
tematice) nu au permis dect realizarea unei imagini de ansamblu. Utilizarea unor
date de detaliu privind scurgerea pe versani, consistena pdurilor, coeficienii de
efluen aluvionar (Ichim,1986) pot mri utilitatea unor astfel de abordri. n acest
caz analiza trebuie s plece de la nivelul bazinului morfohidrografic, pentru c
acesta este celula de baz n analiza eroziunii terenului montan (Hamilton i
colab.,1999).
Un alt element urmrit de noi este corelarea terenurilor erodabile cu
ocurena celor erodate, aa cum rezult din analiza scenelor satelitare pancromatice
SPOT. S-au realizat i o serie de localizri n teren, deosebit de utile n procesul
fotointerpretrii.
O mare parte a arealelor erodate (circa 1-2% din suprafaa M.Timiului)
apar pe terenuri cu erodabilitate medie. Ele se suprapun de cele mai multe ori
drumurilor de crue i forestiere, potecilor pastorale din trecut i turistice n
prezent. Multe terenuri au configuraie liniar deoarece eroziunea liniar are cea
mai mare pondere n diferenierea lor n raport cu geotopurile vecine. Exemple sunt
n nordul Pietrei Mari, pe vile Baciu, Morii, Cernatu, pe Valea Grcinului, pe
glacisul de la Dmbu Morii, Valea Cheii Valea Rul Mare, Valea Cerbului,
Clbucetul Taurului (zona Cabana Grbova-Clbucet Plecare).
Aici au fost cuprinse i drumuri modernizate, ca efect al degradrilor de pe taluze slab
protejate vegetal; este cauza ce explic localizarea de terenuri erodate n arii cu pante mici, afectate
de tasri (sub 5-7, ca de pild Culoarul Rnoava).
Terenurile erodate au fost legate n mare msur i de spaiul construit, aspect
juxtapus clasei de erodabilitate medie i mic, n Poiana Braov, Scheii Braovului, Timiu de Jos,
Dmbu Morii .a.m.d.
Pstoritul a generat doar izolat terenuri erodate. Acestea s-au restrns
considerabil prin regenerarea pdurii n ultimul secol i au rmas doar n platoul
Pietrei Mari (arealul stnelor i potecilor pastorale), pe Valea Pietrosu (versant
drept), Clbucetul Azugii (nord-vest), Clbucetul Taurului etc.
Raportul erodabilitate-eroziune este n prezent defavorabil ultimei.
Gradul mare de acoperire forestier (circa 75%) i vegetal (peste 85%), creeaz
condiii bune pentru o dezvoltare durabil pe plan local/regional. Atenia cea mai
mare o necesit domeniile schiabile actuale extinderile prevzute ale acestora i mai
ales cel de la Predeal-Clbucet. Aici prtiile existente sunt suprapuse ariilor de
erodabilitate mare i medie, fiind chiar afectate liniar de iroiri, alunecri i
solifluxiuni. Alt problem este amenajarea talvegurilor toreniale n arii de
erodabilitate maxim, ce trebuie realizat n corelare cu drumurile forestiere i mai
ales cu specificul dinamic de albie.