Souhrn

Ministerstvo zdravotnictví ve spolupráci s dalšími dotčenými orgány sestavuje každoročně Seznam přírodních koupališť na povrchových vodách, ve kterých nabízí službu koupání provozovatel, a dalších povrchových vod ke koupání. Ten je sestavován na základě dlouhodobého monitoringu prováděného krajskými hygienickými stanicemi, a to výhradně in situ na bázi kalendářních let. Vzhledem k tomu, že je tento způsob monitoringu nejen časově, ale i finančně náročný, vzniká tedy přirozeně potřeba tyto nároky minimalizovat.

V současnosti probíhající projekt Využití metod dálkového průzkumu Země pro monitoring stavu a kvality koupacích míst v České republice nabízí možnost některé ukazatele potřebné pro tato hodnocení monitorovat distančně. Jeho cílem je za pomoci moderních statistických technik v kombinaci s využitím GIS nástrojů nalézt a popsat vzájemný vztah mezi daty získanými při terénních šetřeních a satelitními daty. Prostřednictvím svých výstupů tak může nabídnout krajským hygienickým stanicím nástroj nejen pro stanovení běžně hodnocených ukazatelů, ale i pro identifikaci možných nových koupacích míst. Díky vytvořeným časovým řadám může zároveň sloužit jako podklad pro hodnocení koupací sezony.

V předloženém příspěvku jsou prezentovány zejména postupy použité pro dosažení stanovených cílů. Na čtrnácti modelových lokalitách proběhly dvě etapy terénních šetření s navazujícími laboratorními pracemi. Zároveň byly hledány optimální způsoby zpracování satelitních dat vysokého prostorového rozlišení (Sentinel-2). Po základním zpracování multispektrálního obrazu bylo otestováno 105 spektrálních indexů, přičemž byl potvrzen počáteční předpoklad silné korelace některých indexů s hodnotami naměřených ukazatelů. Pro predikci hodnot sledovaných ukazatelů byly využity dvě modelovací techniky, a to Random Forests a Partial Least Squares regression, kterým byla satelitní data předkládána jako vysvětlující proměnné.

Úvod

Koupací vody

Za koupací vody lze považovat veškeré vody, které jsou využívány ke koupání větším počtem obyvatel. Lze je podrobněji rozčlenit na přírodní a umělá koupaliště. Pro potřeby řešeného projektu jsou v úvahu brána pouze koupaliště přírodní. Těmi se podle § 6 odst. 1 zákona č. 258/2000 Sb., o ochraně veřejného zdraví, rozumí stavba povolená k účelu koupání nebo nádrž ke koupání, v nichž je voda ke koupání obměňována řízeným přítokem a odtokem pitné vody nebo trvalým přítokem a odtokem chemicky neupravované podzemní nebo povrchové vody, nebo stavba povolená k účelu koupání vybavená systémem přírodního způsobu čištění vody ke koupání, nebo povrchová voda, ve které nabízí službu koupání provozovatel.

Problematika koupacích vod je legislativně ukotvena zejména ve výše uvedeném zákoně, který reflektuje nařízení a požadavky směrnice Evropského parlamentu a Rady 2006/7/ES ze dne 15. února 2006, o řízení jakosti vod ke koupání. Jsou zde mj. upravena práva a povinnosti fyzických a právnických osob v oblasti ochrany a podpory veřejného zdraví. Dále je zde definována soustava orgánů ochrany veřejného zdraví, včetně jejich pravomocí a působnosti [1, 2]. Dalším významným předpisem je vyhláška č. 238/2011 Sb., o stanovení hygienických požadavků na koupaliště, sauny a hygienické limity písku v pískovištích venkovních hracích ploch. Ta stanovuje základní pravidla pro monitoring a posouzení jakosti vody v přírodních koupalištích a její klasifikaci, rovněž určuje rozsah informování veřejnosti o jakosti povrchových vod ke koupání.

Pokud zvláštní prováděcí předpis nestanoví jinak, je při odběru vzorků pro zjišťování hodnot ukazatelů jakosti vody (tabulka 1) postupováno podle následujících technických norem:

  • ČSN EN ISO 5667-1 (75 7051) Jakost vod – Odběr vzorků, část 1: Návod a návrh programu odběru vzorků a pro způsoby odběru vzorků,
  • ČSN ISO 5667-4,6 (75 7051) Jakost vod – Odběr vzorků, část 4: Pokyny pro odběr vzorků z vodních nádrží,
  • ČSN ISO 5667-4,6 (75 7051) Jakost vod – Odběr vzorků, část 6: Návod pro odběr vzorků z řek a potoků,
  • ČSN EN ISO 19458 (75 7801) Jakost vod – Odběr vzorků pro mikrobiologickou analýzu,
  • ČSN 75 7717 Jakost vod – Stanovení planktonních sinic [3, 4].

Četnost odběrů vzorků a jejich rozložení po dobu koupací sezony, včetně míst odběrů v případě dalších povrchových vod ke koupání, je dána monitorovacím kalendářem. Ten je vydáván pravidelně před zahájením koupací sezony 1. května krajskou hygienickou stanicí (KHS) jako opatření obecné povahy. Koupací sezona je pak zpravidla vymezena obdobím od 30. května do 1. září, nebo obdobím, během něhož lze očekávat velký počet koupajících se osob [1].

Tabulka 1. Sledované ukazatele pro hodnocení jakosti koupacích vod
Table 1. Monitored indicators for the assessment of bathing waters quality

Vyhláška rovněž stanovuje pravidla pro posuzování a postupy při klasifikaci jakosti koupacích vod [3, 4]. Přírodní koupaliště a povrchové vody využívané ke koupání, u nichž je základním předpokladem splnění hygienických limitů, jsou zařazeny do Seznamu přírodních koupališť na povrchových vodách, ve kterých nabízí službu koupání provozovatel, a dalších povrchových vod ke koupání (dále jen seznam). Ten je každoročně sestavován do 31. března a po dobu 10 kalendářních dnů zpřístupněn na úředních deskách Ministerstva zdravotnictví (MZd) a KHS, včetně jejich územních pracovišť, veřejnosti k připomínkám. Po vyhodnocení všech uplatněných připomínek je upravený seznam ještě před zahájením koupací sezony znovu uveřejněn na úředních deskách a na portálu veřejné správy [5]. Zároveň je seznam s uvedením důvodů jeho změn oproti předchozímu roku, pokud k nim došlo, předložen Ministerstvem životního prostředí (MŽP) Evropské komisi. Do 31. prosince kalendářního roku po uplynutí koupací sezony MŽP ve spolupráci s MZd zpracuje a předloží zprávu o výsledcích monitorování a posouzení jakosti povrchových vod uvedených v seznamu s popisem významných opatření, která byla přijata příslušnými orgány k řízení jakosti vody ke koupání [1, 2].

Dálkový průzkum Země

Dálkový průzkum Země (DPZ) je relativně moderní metoda získávání informací o objektech a jevech na zemském povrchu, přičemž musí být splněna základní podmínka, a to že přenos informací je zajištěn pomocí elektromagnetického záření. To je členěno podle vlnové délky do tzv. elektromagnetického spektra, které je spojité a velmi rozsáhlé, avšak pro potřeby DPZ je využita pouze jeho část (pásma viditelného záření, infračerveného záření a pásma mikrovlnná). Za základní členění metod DPZ by se dalo považovat rozdělení na konvenční a nekonvenční. Zatímco v případě konvenčních metod jsou pořizovány a zpracovávány fotografické snímky zachycené centrální projekcí na fotografický materiál, nekonvenční metody využívají registrace elektromagnetického záření pomocí snímačů. Pro účely tohoto výzkumu byly využívány výhradně produkty metod nekonvenčních, a to snímání zemského povrchu pomocí družicových systémů.

Existuje několik důvodů, proč metody DPZ využít, ať už v přírodovědných, či technických oborech. První nespornou výhodou je aktuálnost získaných informací, která výrazně předčí informace pořízené metodami klasického pozemního šetření. S tím je úzce spjata další vysoce ceněná vlastnost, opakovatelnost pořízení dat. To se týká především družicových systémů, které mají pevně stanovenou dráhu oběhu. Díky tomu je umožněno zachycení časové dynamiky sledovaných jevů. Nelze opomenout ani rozsah zachyceného území v jednom okamžiku (řádově několik desítek až stovek km2). Po provedení geometrických a radiometrických korekcí, jejichž účelem je odstranění zkreslení dat, je zpravidla získán geometricky přesný a standardizovaný obraz. Ten umožňuje nejen zjištění přesné polohy objektu zájmu, ale i stanovení a porovnání získaných hodnot registrovaného elektromagnetického záření [6]. Relativně novou výzvou pro oblast DPZ jsou volně dostupné produkty Evropské kosmické agentury (ESA). Ta v současné době zajišťuje provoz šesti typů družicových systémů (mise Sentinel-6 zahájena 21. listopadu 2020) se zaměřením na různé složky životního prostředí, díky kterým jsou naplňovány cíle programu Copernicus. Jeho hlavním cílem je poskytovat informační služby založené na DPZ, a umožnit tak sledování nejrůznějších komponent životního prostředí. Pro účely projektu byla využita data družicového systému Sentinel-2. Hlavním úkolem této mise je především monitoring stavu lesů a zemědělství, avšak díky parametrům výsledných dat (prostorové rozlišení, rozsah snímaného elektromagnetického spektra a perioda snímání) jsou současně snímky družic Sentinel-2 vysoce atraktivní i pro jiná odvětví monitoringu životního prostředí [7].

Výzkumný projekt Zéta II TJ02000091 – Využití metod dálkového průzkumu Země pro monitoring stavu a kvality koupacích míst v České republice je zaměřen na nalezení optimálních metod pro hodnocení ukazatelů sledovaných na koupacích vodách s využitím satelitních dat. Cílem řešeného projektu je pomocí kombinace těchto dat s daty z pozemního šetření identifikovat rozsah a intenzitu znečištění vodních ploch (především zelenou organickou složkou) využívaných pro koupání (např. chlorofyl-a, množství sinic a řas nebo zákal). Základní motivací pro využití informací získaných metodami DPZ pro řešení projektu je skutečnost, že již v minulosti byla prokázána závislost mezi projevy odrazivosti a množstvím pevných částic ve vodním prostředí. V případě fytoplanktonu (mikroskopické sinice a řasy volně se vznášející ve vodě) byly popsány změny v projevech odrazivosti při využití vlnových délek 0,5–0,75 μm, tedy v červeném a infračerveném pásmu elektromagnetického spektra [8, 9]. Hlavním očekávaným výsledným produktem je nástroj ve formě webové mapové aplikace pro zvýšení efektivity zejména KHS při činnostech souvisejících s monitoringem stavu koupacích vod a hodnocením uplynulé koupací sezony. Přidanou hodnotou by pak měla být možnost získání některých parametrů jakosti koupacích vod bez nutnosti přímého kontaktu s nimi, a to i na lokalitách, které nepodléhají současnému monitoringu, a ucelený přehled o heterogenitě vodních ploch a jejím vývoji v čase.

Metodika řešení

Terénní šetření

První etapa terénního šetření proběhla v období měsíců června až října 2019, kdy byl pracovníky Státního zdravotního ústavu (SZÚ) prováděn pravidelný odběr vzorků vody na čtrnácti modelových lokalitách v Praze, Středočeském, Pardubickém a Královehradeckém kraji (tabulka 2). Při výběru modelových lokalit bylo dbáno na rozmanitost vodních ploch z hlediska jejich velikosti, charakteru a oživení fytoplanktonem – v tomto případě byla brána v úvahu nejen kvantita fytoplanktonu, ale i jeho předpokládané složení. Předběžný časový harmonogram terénních šetření byl vytvořen tak, aby korespondoval s dobou přeletu družice. Letový plán družic Sentinel-2 je dostupný online [10] od listopadu 2015 ve formátu KML.

Tabulka 2. Modelové lokality 2019
Table 2. Model sites 2019

Pro každou modelovou lokalitu bylo zvoleno jedno hlavní odběrové místo (H). U oficiálně sledovaných vod bylo většinou totožné s monitorovaným místem odběru provozovatele či KHS. Na hlavním odběrovém místě byly z horizontu 0–30 cm (standardní odběr pro koupací vody) Andělovou tyčí odebírány vzorky pro stanovení chlorofylu-a, zákalu, fluorometrické stanovení fytoplanktonu a mikroskopický rozbor. V souladu s postupem ČSN 75 7717 byl vytvořen směsný vzorek z několika dílčích vzorků (zpravidla z pěti) z okruhu několika metrů, kde hloubka dosahovala minimálně 1 m. Pro utvoření představy o přítomnosti a složení větších zástupců fytoplanktonu (především sinic) byl odebírán vzorek s použitím planktonní sítě s oky o průměru 20 µm. Odběry vzorků z horizontu 0–10 cm (těsně pod hladinou) byly využity pro fluorometrické stanovení fytoplanktonu a zákalu. Současně byla stanovena průhlednost vody, přítomnost vodního květu a další přímo pozorovatelné ukazatele kvality koupacích vod a změřena teplota v obou horizontech odběru. Kromě odběrových míst (H) byl vytipován i různý počet vedlejších odběrových míst (O) – většinou 2–4 podle plochy modelové lokality. Na těch byly vzorky odebírány pouze z horizontu těsně pod hladinou. Odběry byly prováděny vstupem do vody, z mola, v některých případech z lodi.

Laboratorní práce

Fluorescenční analýzy, filtrace a extrakce vzorků pro stanovení chlorofylu-a byly vždy prováděny po návratu do laboratoře v den odběru. Ukazatele spjaté se sinicemi a řasami byly mikroskopicky stanoveny metodou podle ČSN 75 7717 a podle ČSN 75 7712. Vzorky pro kvantifikaci byly konzervovány v Lugolově roztoku. Chlorofyl-a byl stanoven pomocí standardní metody ČSN ISO 10260. Fluorescence fytoplanktonu byla měřena fluorometrem AquaPen AP100, který měří odezvu vzorků excitovaných při dvou vlnových délkách (450 a 620 nm). Pro odebrané vzorky byla stanovena hodnota okamžité fluorescence chlorofylu (Ft) po excitaci při obou vlnových délkách a OJIP křivky (450 a 620 nm), ze kterých, kromě množství fytoplanktonu, lze získat informace i o jeho fyziologickém stavu. Pro stanovení zákalu byl využíván turbidimetr HACH 2100P [4].

Zpracování multispektrálního obrazu

Zpracovávaná data pocházela z mise Sentinel-2, která byla zahájena 23. června 2015 vypuštěním družice Sentinel-2A do oběhu. Je vybavena senzorem MultiSpectral Imager, který snímá data ve 13 pásmech ve vysokém prostorovém rozlišení (10–60 m). Za nejdůležitější je považováno pásmo viditelné (B2, B3, B4) a infračervené části (B5, B6, B7, B8 a B8a) elektromagnetického spektra. Ostatní pásma jsou určena především pro radiometrické korekce obrazu. Doba oběhu této družice je 10 dní, ve spolupráci se sesterskou družicí Sentinel-2B (vypuštěna do oběhu 7. března 2017) se však perioda snímání stejné lokality snižuje na polovinu, v případě rovníkových oblastí dokonce až na tři dny. V rámci jedné pořízené scény je zachyceno 290 × 290 km zemského povrchu [11].

Pro základní předzpracování obrazu bylo testováno několik softwarových prostředí. Prvním byl SNAP – ver. 6.0 vyvíjený společností Brockmann Consult, Array Systems Computing and C-S pro účely programu Copernicus.

Tento software je distribuován pod licencí GPL (General Public Licence), je tedy volně k dispozici. Jeho nevýhodou však je, že se stále vyvíjí, jeho moduly jsou vyvíjeny samostatně a velmi často se vyskytují problémy s aplikací v různých operačních systémech [12]. Dále byly jednotlivé kroky předzpracování testovány a prováděny v komerčním softwaru Geomatica (PCI). Prvním krokem bylo převzorkování jednotlivých pásem na stejné prostorové rozlišení 10 m. Tento krok byl nezbytný pro další předzpracování obrazu. Následně byly provedeny pro jednotlivé scény atmosférické korekce. Jedná se o nejkomplikovanější formy opravy obrazu. Vlivem rozptylu, pohlcování a také emisivity atmosféry dochází k modifikaci hodnot pixelu. Všeobecně je pro úpravu hodnot pixelů využíváno přírodního modelu a jeho aproximací, s cílem zajistit, aby tyto hodnoty co nejvíce odpovídaly skutečným odrazovým nebo zářivým vlastnostem sledovaného objektu. Zároveň zde byly vygenerovány tzv. masky mraků, tedy pixely oblačnosti, které byly z dalších analýz vyloučeny.

Vzhledem k tomu, že bylo získáno velké množství dat, vznikla potřeba (z důvodů časové a výpočetní náročnosti) velikost získaných dat a čas nutný k jejich zpracování snížit. Prvním krokem bylo tzv. mozaikování dlaždic. Jedná se o proces, při kterém v případě, kdy sledované území je pokryto více snímky, je dosaženo bezešvé a barevně vyrovnané mozaiky (nebudou zde patrné přechody mezi jednotlivými snímky). Kvalita výsledné mozaiky závisí především na geometrické přesnosti snímků, velikosti jejich překryvů a rozdílech ve způsobu jejich pořízení. K mozaikování byl využit modul softwaru Geomatica, Mosaic Tool, ve kterém bylo na základě uživatelských recenzí využito manuální metody [13]. Díky tomuto procesu byl následně snížen počet opakování u dalších kroků digitálního zpracování snímku. Ke snížení celkového objemu dat bylo nutné vybrat z mozaiky pouze vodní plochy. Ty byly získány výběrem prvků z vrstvy vodních ploch ZABAGED®. Takto získané datové sady očištěné o „nepotřebná data“ vstupovaly do dalších analýz.

Je patrné, že zdrojová satelitní data a manipulace s nimi představují poměrné velkou zátěž pro paměť pracovní stanice a vysoké časové nároky na získání a zpracování obrazových dat. Poměrně zajímavou možnost automatizace nabízí R balíček „sen2r“. Při využití některých jeho funkcí lze podle zadání požadovaných parametrů získat více snímků najednou, provést na nich atmosférickou korekci (za využití nástroje Sen2Cor), vytvořit jejich mozaiky (po dnech snímání), maskování oblačnosti, ořez na požadované vodní plochy a výpočet spektrálních indexů v uživatelsky přívětivém prostředí [14].

Tvorba modelů

Vlastní modelování hodnot ukazatelů jakosti vody prostřednictvím satelitních dat proběhlo pomocí dvou modelovacích technik v prostředí statistického softwaru R [15], který je rovněž distribuován pod licencí GPL.

Random Forests (RF) je jednou z technik využívajících např. klasifikačních a regresních stromů (CART). Jedná se o ansámblovou metodu učení pro klasifikaci, predikci, měření významnosti proměnných, měření efektu proměnných na predikci, shlukování a detekci odlehlých hodnot. Spočívá především v konstrukci velkého počtu rozhodovacích stromů, přičemž výsledná regresní funkce je vážený průměr regresních funkcí všech stromů. Při konstrukci RF jsou využívány binární stromy, při jejichž tvorbě se vstupní data dělí na testovací a trénovací soubor. Souborem vstupních dat, se kterým se zde pracuje, je myšlen ansámbl bootstrapových výběrů. Jedná se tedy o náhodné výběry s opakováním vzniklé z původního vzorku pozorovaných dat. Tím lze zajistit, že i velmi malé soubory dat mohou být rozděleny na velký počet testovacích a trénovacích souborů. Trénovací soubory jsou použity pro konstrukci stromů.

Testovací soubory, tedy pozorování, která se do výběru pro trénování nedostala, jsou využity k odhadu chyby. Základním algoritmem tvorby RF je:

  1. vytvoření bootstrapového podsouboru o velikosti N (trénovací soubor),
  2. výběr náhodné podmnožiny prediktorů s předem zvoleným počtem těchto prediktorů,
  3. vytvoření stromu na bootstrapovém souboru pouze pomocí této podmnožiny prediktorů,
  4. zařazení hodnot z testovacího souboru vytvořeným stromem a určení predikce,
  5. opakování kroků 1–4 až do vytvoření lesa s požadovaným počtem stromů [16].

Volba optimálního počtu prediktorů ve druhém kroku algoritmu byla zajištěna postupem implementovaným v R balíčku „CAST“, kde bylo využito funkcí dalších balíčků „caret“ a „randomForest“ [17–22]. Ostatní parametry byly ponechány ve výchozím nastavení. Příklad zkonstruovaného regresního stromu s nejmenším počtem uzlů pro ukazatel CHA.30 je znázorněn na obr. 1.

Obr. 1. Příklad regresního stromu s nejmenším počtem uzlů pro ukazatel CHA.30
Fig. 1. An example of the chlorophyll-a indicator (30 cm depth) regression tree with the smallest number of nodes

Partial Least Square regression (PLSR) technika pro vytvoření modelu a následnou predikci je v současné době hojně využívána nejen v přírodních vědách, ale například v ekonomii či marketingu. Původně byla vyvinuta pro účely zpracování chemických dat a poprvé byla popsána statistikem H. Woldem [23]. Své uplatnění nalézá především při posuzování velkého množství možných korelací a vysvětlujících proměnných. Promítnutím mnoha proměnných do výrazně nižšího počtu ortogonálních latentních proměnných redukuje jejich dimenzi. Jinými slovy, informační obsah prediktorů přenese do uměle vytvořených vzájemně nekorelovaných proměnných, při zachování maximálního informačního rozsahu. Tyto proměnné jsou následně optimalizovány pro aplikaci vícerozměrné lineární regrese. PLSR se snaží pomocí latentních proměnných v prostoru matice prediktorů popsat směr rozptylu v prostoru matice vysvětlovaných proměnných. Před samotným modelováním je část vstupních dat skryta. Kalibrace tedy probíhá nasazením modelu na data známá, zatímco validace modelu pomocí skryté části dat. Při výpočtech byla využita kombinace R balíčků „caret“ a „pls“ [24]. Pro individuální vysvětlované proměnné byly konstruovány modely s maximálním počtem latentních proměnných získávaných z původních proměnných vysvětlujících (tj. spektrálních indexů či pásem).

Výkonnost finálních modelů byla posouzena běžnými „performance“ statistikami, jako jsou např. koeficient determinace (R2), symetrická střední absolutní procentní chyba (SMAPE), střední čtvercová chyba (MSE) a odmocninová střední čtvercová chyba (RMSE).

Výsledky a diskuse

Na čtrnácti modelových lokalitách (51 odběrových míst) bylo v rámci první etapy terénního šetření (v roce 2019) odebráno 218 vzorků koupacích vod. Pro každé odběrové místo byly stanoveny hodnoty 15 ukazatelů (tabulka 3).

Tabulka 3. Ukazatele sledované v terénu
Table 3. Indicators monitored in terrain

Jedním z významných omezení při využití optických dat DPZ pro monitoring je oblačnost. Je třeba poznamenat, že i když četnost terénních šetření byla výrazně vyšší, nízká kvalita satelitních dat z důvodu nadměrné oblačnosti v několika dnech způsobila, že pro další analýzy bylo relevantních pouze 19 odběrových dní v rámci koupací sezony 2019.

Po skončení první etapy byla terénními pracovníky předána data nejen s hodnotami naměřených ukazatelů, ale i s lokalizací odběrových míst v souřadnicovém systému WGS 84. Tato data byla ještě před vstupem do procesu modelování při standardizaci (např. převod z dlouhého formátu tabulky na formát široký) zbavena zjevných chyb, které mohly být způsobeny častou konverzí datových typů v rámci různých uživatelských prostředí. Pro pozice se známými souřadnicemi bylo po transformaci na společný souřadnicový systém z družicových dat (WGS 84/UTM zone 33N) pro budoucí modely vypočteno 105 spektrálních indexů a určeny hodnoty odrazivosti 11 samostatných spektrálních pásem družic Sentinel-2, tedy celkem 116 prediktorů. Algoritmy pro výpočet vhodných spektrálních indexů byly sestaveny na základě formulací uvedených v databázi indexů využitelných v DPZ (IDB) dostupné online na https://www.indexdatabase.de/. Při výběru zdrojových kombinací spektrálních pásem byl především brán ohled na uvedenou primární aplikaci konkrétního spektrálního indexu a na spektrální pásma obsažena v kombinaci. Bylo zjištěno, že ve zdrojové databázi IDB jsou uvedeny duplicitní kombinace spektrálních pásem uvedené pod jiným názvem nebo chybně uvedeny rovnice. Duplicitní prediktory a kombinace s nestandardními či chybějícími hodnotami byly odstraněny, tedy byl redukován počet prediktorů vstupujících do modelu na 104 (93 spektrálních indexů a 11 samostatných spektrálních pásem).

V počáteční fázi prediktivního modelování byly zkoumány vzájemné vztahy mezi veličinami získanými v terénu a prediktory reprezentovanými výstupy ze satelitních dat. Pro tento účel byly vypočteny hodnoty korelací prostřednictvím Pearsonova koeficientu pro lineární vztahy a Spearmanova koeficientu pro zahrnutí vztahů nelineárních. Jejich statistická významnost byla sledována na hladinách 0,05, 0,01 a 0,001. U některých vysvětlujících proměnných byla zaznamenána poměrně silná korelace (s absolutními hodnotami koeficientů > 0,7) s ukazateli měřenými v terénu. Pouze vysoké hodnoty korelačních koeficientů však nejsou zárukou pro dosažení relevantních výsledků modelování. Základním předpokladem je znalost kauzálních vztahů. Proto byly průběžné výsledky konzultovány v rámci řešitelského týmu s odborníky na jakost koupacích vod. Na základě korelací, s přihlédnutím k jejich statistické významnosti na zvolené hladině, lze tedy usuzovat o vztazích lineárních i nelineárních, na nichž je možné stavět další analýzy.

Obr. 2. Korelační graf znázorňující vypočítané hodnoty Pearsonova korelačního koeficientu a jejich statistické významnosti na hladině 0,001 pro měřené ukazatele a prediktory vstupující do jakéhokoliv RF modelu
Fig. 2. Correlation plot showing computed values of the Pearson correlation coefficient and their statistical significance at the 0.001 level for measured indicators and predictors entering any of the RF models

Výsledky statistického hodnocení vzájemných vztahů mezi proměnnými jsou zobrazeny pro hladinu 0,001 ve formě korelačních grafů znázorněných na obr. 2 a 3 (z důvodu stručnosti jen pro RF modely a prediktory do nich vstupující). Popisují nejen vzájemné vztahy, ale jsou zároveň i výčtem spektrálních pásem a jejich kombinací, které vstoupily do vlastního procesu modelování (v případě PLSR modelů tvořily latentní proměnné všechny prediktory). Zde je patrné, že v modelech jsou zahrnuty i vysvětlující proměnné, které statisticky významnou korelaci nevykazovaly, nebo byl jejich vstup do modelu založen na nelineárním vztahu. Ty měly při náhodném výběru, prováděném balíčkem „CAST“, zásadní vliv na vysvětlení měřených ukazatelů. Skutečnost, že korelace vždy nemusí indikovat kauzalitu, potvrzuje i fakt, že nejvyšší četnost vstupu do modelů měly prediktory B1, ndb7b4, cri700, datt4, maccion, mnd680.

Obr. 3. Korelační graf znázorňující vypočítané hodnoty Spearmanova korelačního koeficientu a jejich statistické významnosti na hladině 0,001 pro měřené ukazatele a prediktory vstupující do jakéhokoliv RF modelu
Fig. 3. Correlation plot showing computed values of the Spearman correlation coefficient and their statistical significance at the 0.001 level for measured indicators and predictors entering any of the RF model

Z výše zobrazených korelačních grafů rovněž vyplývá, že ukazatele chlorofyl-a a zákal významně korelují s pásmy o vlnových délkách 0,69–0,71 μm a jejich kombinacemi. Pásma o vlnových délkách 0,5–0,6 μm, na která byla zaměřena studie provedená Jihočeskou univerzitou v Českých Budějovicích [8, 9], v tomto případě nevykazovala významnou závislost. To si lze vysvětlit zejména vyšší heterogenitou námi zvolených modelových lokalit.

Pro prediktivní modelování bylo využito dvou modelovacích technik, jejichž základní principy jsou popsány výše. Celkem bylo zkonstruováno 30 modelů (tj. pro 15 ukazatelů měřených v rámci terénního šetření a dvě modelovací techniky). Pro modelové lokality vzniklo celkem 570 rastrových vrstev s hodnotami transformovanými do hodnot ukazatelů sledovaných v terénu (tj. pro všech 19 možných dnů). Z hodnocení jejich výkonnosti v tabulce 4 vyplývá, že výrazně kvalitnějších výsledků dosahují modely konstruované pomocí RF, kde u většiny ukazatelů nabývá R2 hodnot nad 0,5. Nejlepších výsledků dosahuje ukazatel teploty vody v obou měřených horizontech, rovněž hodnoty křivek OJIP (v obou vlnových délkách) a v odběrovém horizontu těsně pod hladinou. Podle očekávání byly vysoko hodnoceny i ukazatele chlorofyl-a a zákal, což koresponduje s výsledky studií [8, 9]. Modely pro predikci sinic nedosahují bohužel uspokojivých výsledků. To lze přiřknout nedostatečnému zohlednění sezonnosti a různých vývojových stádií sinic.

Tabulka 4. Celková výkonnost modelů RF a PLSR měřená vybranými statistikami
Table 4. Total performance of the RF and PLSR models measured by selected statistics

Odhady hodnot ukazatelů, pro které se neosvědčil ani jeden z konstruovaných modelů využitých k transferu informace ze satelitních dat do výsledných rastrů, mohou rovněž vycházet ze vztahů mezi ukazateli samotnými, které naznačují korelační grafy na obr. 4. Podmínkou však je, že ukazatel, ze kterého bude potenciálně možné informaci přenést, bude dobře vystižen výše uvedenými modely a zároveň bude vykazovat dobrou korelaci s ukazatelem, kterému bude třeba tuto informaci dodat. Při jejím hodnocení je nezbytně nutné uvědomit si příčinné souvislosti. Z hodnot korelačních koeficientů je též možno posoudit vhodnost využití lineárního, potažmo nelineárního regresního modelu, příp. nutnost veličiny transformovat tak, aby těmto modelům coby vstupy vyhovovaly.

Obr. 4. Korelační grafy znázorňující vypočítané hodnoty Pearsonova (vlevo) a Spearmanova (vpravo) korelačního koeficientu a jejich statistické významnosti na hladině 0,001 pro měřené terénní ukazatele samotné
Fig. 4. Correlation plots showing computed values of the Pearson (left) and Spearman (right) correlation coefficients and their statistical significance at the 0.001 level for measured terrain indicators themselves

Na obr. 5 je zobrazeno všech 15 ukazatelů pro jeden odběrový den (konkrétně 3. 6. 2019) na modelové lokalitě Proboštská jezera v Brandýse nad Labem. Již na první pohled je patrné, že v mnoha případech zde vznikají na okrajích vodní plochy nadhodnocené predikce. Jedná se převážně o zahrnutí okolní vegetace do pixelů, které zasahují do vodních ploch. Tato systematická chyba byla potlačena ořezem vstupní polygonové vrstvy s vodními plochami a posunem prvků v bodové vrstvě s odběrnými místy.

Obr. 5. Vizualizace výsledných rastrů odhadů sledovaných ukazatelů pro den 3. 6. 2019 vzniklých pomocí RF modelu za využití satelitních dat (lokalita Proboštská jezera)
Fig. 5. Visualization of resulting raster layers of monitored indicators estimates for 3 June 2019 produced using the RF model fed by satellite data (Proboštská lakes site)

Závěr

Monitoring a hodnocení stavu a kvality koupacích vod jsou významné nejen pro pravidelný reporting příslušným institucím, ale i pro informování veřejnosti o stavu životního prostředí. Doposud získané výsledky v rámci řešeného projektu TJ02000091 – Využití metod dálkového průzkumu Země pro monitoring stavu a kvality koupacích míst v České republice potvrzují počáteční hypotézu o tom, že data získaná pomocí metod dálkového průzkumu Země mohou představovat významnou podporu a zefektivnění těchto činností. V předloženém článku byla nastíněna nejen základní problematika koupacích vod a monitoringu jejich stavu, ale především zde byly popsány dílčí činnosti postupu, který lze použít pro odhad požadovaných ukazatelů pomocí satelitních snímků, včetně jeho předností a nedostatků. Vzhledem k tomu, že v současné době projekt stále probíhá, budou v průběhu příštího roku jeho kompletní výsledky promítnuty do výstupů projektu v podobě tištěného Atlasu koupacích míst a webové mapové aplikace provozované Výzkumným ústavem vodohospodářským T. G. Masaryka, v. v. i. Rovněž budou závěrečné výsledky i s postupy pro jejich dosažení představeny na workshopu určeném především pracovníkům krajských hygienických stanic a dotčených ministerstev.

Poděkování

Autoři děkují za finanční podporu Technologické agentuře České republiky. Příspěvek byl zpracován s podporou projektu 2. veřejné soutěže Programu aplikovaného výzkumu ZÉTA TJ02000091 – Využití metod dálkového průzkumu Země pro monitoring stavu a kvality koupacích míst v České republice (2019–2021).