Dokumentace
Odhadované parametry
Webová služba Remote Water Quality nabízí odhad parametrů kvality vod pro vodní nádrže ze snímků družice Sentinel 2 programu Copernicus. K odhadu jsou použity odhadní modely založené na metodách strojového učení, trénované na základě laboratorně měřených dat z vodních vzorků odebraných v terénu. Podrobnosti lze nalézt v podrobné metodice zde. Služba nabízí odhad parametrů:
Chlorofyl a (CHLA)
Chlorofyl b (CHLB)
Fykocyanin (PC)
Allofykocyanin (APC)
Fykoerythrin (PE)
Karotenoidy a xantofyly (CX)
Nerozpuštěné látky (NL)
Chlorofyl a (CHLA) Služba Remote Water Quality odhaduje koncentraci chlorofylu a v μg.l-1. Přesnost odhadu se pro testovací vzorek měřených dat pohybuje okolo 95 %. Použitý odhadní model je založen na použití metody plnně propojené mělké neuronové sítě. Pro trénování a validaci modelu bylo použito 136 vzorků. Model byl testován na počtu 27 nezávislých hodnot. Vlastnosti použitého modelu popisují následující grafy.
Chlorofyl b (CHLB) Služba Remote Water Quality odhaduje koncentraci chlorofylu b v μg.l-1. Přesnost odhadu se pro testovací vzorek měřených dat pohybuje okolo 70 %. Použitý odhadní model je založen na použití metody plnně propojené mělké neuronové sítě. Pro trénování a validaci modelu bylo použito 136 vzorků. Model byl testován na počtu 27 nezávislých hodnot. Vlastnosti použitého modelu popisují následující grafy.
Fykocyanin (PC)
Služba Remote Water Quality odhaduje koncentraci fykocyaninu v μg.l-1. Přesnost odhadu se pro testovací vzorek měřených dat pohybuje okolo 81 %. Použitý odhadní model je založen na použití metody plnně propojené mělké neuronové sítě. Pro trénování a validaci modelu bylo použito 136 vzorků. Model byl testován na počtu 27 nezávislých hodnot. Vlastnosti použitého modelu popisují následující grafy.
Allofykocyanin (APC)
Služba Remote Water Quality odhaduje koncentraci allofykocyaninu v μg.l-1. Přesnost odhadu se pro testovací vzorek měřených dat pohybuje okolo 83 %. Použitý odhadní model je založen na použití metody plnně propojené mělké neuronové sítě. Pro trénování a validaci modelu bylo použito 127 vzorků. Model byl testován na počtu 25 nezávislých hodnot. Vlastnosti použitého modelu popisují následující grafy.
Fykoerythrin (PE)
Služba Remote Water Quality odhaduje koncentraci fykoerythrinu v μg.l-1. Přesnost odhadu se pro testovací vzorek měřených dat pohybuje okolo 80 %. Použitý odhadní model je založen na použití metody plnně propojené mělké neuronové sítě. Pro trénování a validaci modelu bylo použito 136 vzorků. Model byl testován na počtu 27 nezávislých hodnot. Vlastnosti použitého modelu popisují následující grafy.
Karotenoidy a xantofyly (CX)
Služba Remote Water Quality odhaduje koncentraci karotenoidů a xantofylů v μg.l-1. Přesnost odhadu se pro testovací vzorek měřených dat pohybuje okolo 79 %. Použitý odhadní model je založen na použití metody plnně propojené mělké neuronové sítě. Pro trénování a validaci modelu bylo použito 136 vzorků. Model byl testován na počtu 27 nezávislých hodnot. Vlastnosti použitého modelu popisují následující grafy.
Celkové nerozpuštěné látky (NL)
Služba Remote Water Quality odhaduje koncentraci nerozpuštěných látek v mg.l-1. Přesnost odhadu se pro testovací vzorek měřených dat pohybuje okolo 80 %. Použitý odhadní model je založen na použití metody plnně propojené mělké neuronové sítě. Pro trénování a validaci modelu bylo použito 136 vzorků. Model byl testován na počtu 27 nezávislých hodnot. Vlastnosti použitého modelu popisují následující grafy.
Metodika
Princip
Webová služba Remote Water Quality kombinuje dostupné snímky družic Sentinel 2 programu Copernicus Evropské kosmické agentury (ESA) a moderní výpočetní přístupy pro odhad vybraných parametrů kvality vody. Jedná se především o parametry, které mají optickou odezvu. Zjednodušeně se dá mluvit o barevném projevu, který umí satelit zachytit. Hlavními ukazateli kvality vody jsou zde koncentrace pigmentů zelených řas a sinic, jako jsou koncentrace chlorofylů a a b, fykobiliproteinů sinic (fykocyanin, fykerythrin a allofykocyanin), karotenoidů a xantofylů a dále nerozpuštěných látek, jako ukazatele turbidity vody. Odhad jednotlivých parametrů je založen na porovnání obrazových spektrometrických dat získaných satelitem a dat získaných laboratorním rozborem vzorků, získaných přímo v terénu. Způsob porovnání si můžeme zjednodušeně představit jako regresní model mezi satelitními a měřenými daty. V případě Remote Water Quality je k odhadu jednotlivých parametrů využit přístup strojového učení, který náleží do skupiny metod umělé inteligence. Jedná se o nelineární modely, které pro odhad využívají složité vztahy uvnitř datového souboru. Odhadní model můžeme chápat jako černou skříňku. Konkrétně byly využity plně propojené mělké neuronové sítě. Způsob tvorby modelu je založen na tzv. trénování neuronové sítě. V principu model funguje tak, že mu předáme informace o tom, jak vypadá parametr, který chceme odhadovat, a data, pomocí kterých bude model parametr odhadovat. Model se následně „učí“ jak data vypadají a jaké jsou jejich vnitřní vztahy. Natrénovaný model je následně validován a testován na části nezávislých dat, která nebyla použita pro trénování modelu. Pomocí modelu je na základě sady dat z družice proveden odhad daného parametru. Ten je následně porovnán s nezávisle naměřenými daty pomocí jednoduché lineární regrese. Kvalita odhadu je u většiny sledovaných parametrů velmi dobrá, případně odhad poskytuje dobrou představu o stavu vodní nádrže. Konkrétní metodický přístup použitý ve službě Remote Water Quality je popsaný v metodice Brom et al. (2022), která je k dispozici zde:Link
Základní vlastnosti
Webová služba Remote Water Quality nabízí analýzu vybraných ukazatelů kvality vody ve vodních nádržích stanovenou na základě analýzy snímků z evropské družice Sentinel 2 (Evropská kosmická agentura, ESA). V současné době umožňuje stanovení parametrů:
⦁ obsah chlorofylu a ve vodě (CHLA)
⦁ obsah chlorofylu b ve vodě (CHLB)
⦁ obsah celkových nerozpuštěných látek (NL)
⦁ obsah fykocyaninu (PC)
⦁ obsah allofykocyaninu (APC)
⦁ obsah fykoerythrinu (PE)
⦁ obsah karotenoidů a xantofylů (CX)
Webová služba Remote Water Quality poskytuje velmi detailní přehled o dění ve vodních nádržích. Zásadními vlastnostmi výstupů analýzy jsou:
⦁ prostorová distribuce sledovaných parametrů – systém hodnotí nádrže v rozlišení 10 x 10 m, to znamená, že na 1 ha plochy lze vyhodnotit až 100 jednotlivých hodnot
⦁ vysoká frekvence dostupnosti dat – frekvence snímkování družice Sentinel 2 je každých pět dnů, nicméně díky překryvům snímků jsou data k dispozici pro většinu území ČR každé dva až tři dny. Dostupnost dat závisí na průběhu počasí sledovaného období
⦁ retrospektiva – data jsou dostupná zpětně od roku 2015
⦁ výběr vodní plochy – systém umožňuje analyzovat v podstatě jakoukoli vodní plochu větší než 0,5 ha. V současné době je možné analyzovat data na území Evropy (s výjimkou Ruska)
⦁ nezávislost na terénním vzorkování - systém nevyžaduje žádné další datové vstupy
⦁ uživatelská jednoduchost - velmi jednoduchý přístup ke zpracování dat ze strany uživatele. Není zde předpoklad znalosti zpracování dat.
⦁ dostupnost – přístup k analýze dat je zdarma, nutná je pouze registrace
Výstupy mají podobu statistických přehledů pro jednotlivé nádrže, grafických výstupů a vypočtených originálních dat, která lze použít v GIS. Webová služba Remote Water Quality nabízí vysokou kvalitu a přesnost zpracování dat, na které neustále pracujeme. Všechny analýzy satelitních dat jsou podepřeny vlastním výzkumem a využitím nejmodernějších metod zpracování dat. V současné době využíváme univerzální modely pro území ČR založené na pokročilých metodách umělé inteligence.
Nejistoty a omezení
Hodnocení ukazatelů kvality vody v mělkých vodních nádržích pomocí dálkového průzkumu Země je, přes všechny své výhody, zatíženo chybami a nejistotami. Nejistoty mohou být způsobeny celou řadou vlivů, které zahrnují jak vnitřní vlivy způsobující systematické a náhodné chyby vznikající přímo na vlastním snímacím zařízení, tak i vlivy, které působí z vnějšku. Jedná se především o vliv atmosféry na spektrální informaci, typ vodní nádrže, období ve kterém dochází ke snímkování apod. Nejistoty hodnocení jsou:
• Přístrojové chyby
• Vliv atmosféry
• Definice odhadního modelu
• Vodní zákal
• Průběh počasí
• Definice hloubky vodního sloupce
• Typ vodní nádrže
• Ostatní vlivy
Zodpovědnost a záruky Provozovatel webové služby Remote Water Quality (Jihočeská univerzita v Českých Budějovicích) nenese odpovědnost za kvalitu odhadu jednotlivých parametrů. Nejedná se o přesné laboratorní stanovení, ale o odhad. Testovací data byla získána na omezeném geografickém prostoru. Použité odhadní modely nemusí být pro některé typy nádrží platné.
Reference
Brom, J., Nedbal, V., Císař, P., Urban, J., Tesařová, B., 2022. Hodnocení přítomnosti sinic, řas a dalších ukazatelů kvality vody pomocí metod dálkového průzkumu Země. Certifikovaná metodika., První. ed. Lesnická práce s.r.o., Kostelec nad Černými lesy. Link
Ghaznavi, A., Saberioon, M., Brom, J., Itzerott, S., 2024. Comparative performance analysis of simple U-Net, residual attention U-Net, and VGG16-U-Net for inventory inland water bodies. Applied Computing and Geosciences 21, 100150. https://doi.org/10.1016/j.acags.2023.100150
Saberioon, M., Brom, J., Nedbal, V., Souc̆ek, P., Císař, P., 2020. Chlorophyll-a and total suspended solids retrieval and mapping using Sentinel-2A and machine learning for inland waters. Ecological Indicators 113, 106236. https: //doi.org/10.1016/j.ecolind.2020.106236
Saberioon, M., Khosravi, V., Brom, J., Gholizadeh, A., Segl, K., 2023. Examining the sensitivity of simulated EnMAP data for estimating chlorophyll-a and total suspended solids in inland waters. Ecological Informatics 75, 102058. https: //doi.org/10.1016/j.ecoinf.2023.102058
Nedbal, V., Brom, J., 2019. Hodnocení znečištění povrchových vod pomocí satelitních snímků. Vodní hospodářství 5, 6–8. Link
Brom, J., Nedbal, V., Císař, P., Tesařová, B., Kuntzman, J., 2022. Hodnocení vodního květu v nádržích pomocí dálkového průzkumu Země, in: Hospodaření s Vodou v Krajině. Presented at the Hospodaření s vodou v krajině, mezinárodní konference, Český hydrometeorologický ústav, Třeboň, pp. 5–10. Link
Duras, J., Potužák, J., Brom, J., Nedbal, V., 2020. K čemu je dobré dívat se na rybníky z (velké) výšky. Rybářství 10/2020, 40–43. Link