GEOLOGIJA 48/1, 153–159, Ljubljana 2005 Dolo~itev rabe tal s klasifikacijo satelitske podobe za namene hidrolo{kega modeliranja na obmo~ju zaledja izvira Ri‘ane Land use determination using satellite image classification for the purposes of hydrological modelling in the Ri‘ana spring catchment Mitja JAN@A Geolo{ki zavod Slovenije, Dimi~eva 14, SI – 1000 Ljubljana, Slovenija E-po{ta: mitja.janza@geo-zs.si Klju~ne besede: daljinsko zaznavanje, klasifikacija, raba tal, izvir Ri‘ane, Slovenija Key words: remote sensing, classification, land use, Ri‘ana spring, Slovenia Povzetek V ~lanku je predstavljena klasifikacija satelitske podobe za dolo~itev rabe tal oziroma porazdelitve vegetacijskih razredov na obravnavanem obmo~ju napajalnega zaledja izvira Ri‘ane. Raba tal je osnovni prostorski podatek za modeliranje evapotranspiracije v hidro-lo{kem modelu, ki je bil izdelan na obravnavanem obmo~ju. Rezultati klasifikacije ka‘ejo, da najve~ji dele‘ varovanega zaledja izvira Ri‘ane pokriva listnati gozd (32 %) sledijo travnata obmo~ja (19 %), grmi~ast gozd (19 %) in kmetijska obmo~ja (18 %) nato iglasti gozd (10 %) ter obmo~ja brez vegetacije (2 %). Prednost uporabe klasifikacije se je pokazala predvsem v mo‘nosti hitrega zajema novih podatkov in samostojne opredelitve vegetacijskih razredov, ki zdru‘ujejo vegetacijo glede na njihov vpliv v hidrolo{kem krogu. Abstract In this paper the satellite image classification for the landuse (distribution of vegetation classes) determination in the study area of Ri‘ana spring catchment is presented. The landuse is the basic spatial data for the modelling of evapotranspiration in a hydrological model that was developed in the study area. The results of the classification show that the biggest part of the study area is covered by deciduous forest (32 %), followed by grassland (19 %), shrub (19 %), agricultural areas (18 %), coniferous forest (10 %) and areas with no or sparse vegetation (2 %). The advantage of using classification is its fastness in acquiring new data and its ability to determine user-defined classes that incorporate vegetation types according to their influence in the hydrological cycle. Uvod naju~inkoviteje simulirajo s pomo~jo dina-mi~nih hidrolo{kih modelov. Posebna vrsta Vegetacija oziroma raba tal ima pomemb- teh modelov so modeli, ki opisujejo procese s no vlogo pri procesih hidrolo{kega kroga. fizikalnimi ena~bami in uporabljajo prostor-Vpliv rastlin v bilan~nem smislu vodnega sko porazdeljene vrednosti parametrov mo-vira pomeni najpogosteje izgubo oziroma dela. Tovrstni modeli omogo~ajo simulacijo zmanj{anje koli~ine napajanja vodonosnika. kompleksnih hidrolo{kih procesov, vendar Ti procesi (predvsem njihova dinamika) se njihova izdelava zahteva {tevilne prostorsko 154 Mitja Jan`a porazdeljene podatke. Pridobivanje le-teh pa je pogosto povezano s terenskimi raziskavami ter je posledi~no zamudno in drago. Alternativo tej omejitvi nudijo metode daljinskega zaznavanja, ki omogo~ajo hitrej{i in cenej{i na~in pridobivanja podatkov, saj {tevilni satelitski sistemi sistemati~no zbirajo podatke prakti~no celotnega zemeljskega povr{ja. Privla~nost teh metod dodatno pove~uje dejstvo, da je z razvojem tehnologije pri~akovati tudi v prihodnje izbolj{eva-nje kvalitete podatkov in ni‘anje njihove cene. Kot primer za~etka uporabe daljinskega zaznavanja v hidrolo{kem modeliranju navajajo Sandholt et al. (1999) {tudijo Jackson et al. (1977). Takrat so uporabili daljinsko zaznavanje kot vir informacij o rabi tal. Kljub {tevilnim drugim mo‘nostim uporabe daljinskega zaznavanja v procesu hidrolo{kega modeliranja (Schultz & Engman 2000, Schultz, 1993; Engman 1995; E n g m a n & G u r n e y , 1991) ostaja v praksi to {e vedno najve~krat, pogosto pa tudi edini na~in uporabe daljinskega zaznavanja pri hidrolo{kem modeliranju. V nadaljevanju je opisan postopek dolo-~itve rabe tal oziroma povr{inske porazdelitve posameznih rastlinskih tipov na ob-mo~ju napajalnega zaledja izvira Ri‘ane. Raba tal je osnovni prostorski podatek za oceno koli~ine in predvsem prostorske porazdelitev realne evapotranspiracije in posle-di~no napajanja vodonosnika. Na obravnavanem obmo~ju je bila raba tal uporabljena kot vhodni podatek modela realne evapo-transpiracije, ki je del modela celotnega hi-drolo{kega kroga, namenjenega predvsem oceni napajanja vodonosnika v zaledju izvira Ri‘ane (Jan‘a, 2003). Postopek je bil izveden s klasifikacijo satelitske podobe Landsat-5 TM (ESA, Eurimage, ZRC SAZU, 1992). Na podlagi rezultatov klasifikacije je bila ocenjena primerljivost s tematsko karto pokrovnosti in rabe tal CORINE Land Cover – CLC (Ho~evar et al., 2001) ter uporabnost postopka klasifikacije za namene hi-drolo{kega modeliranja. Obravnavano obmo~je Obravnavano obmo~je – z varstvenimi pasovi varovano zaledje izvira reke Ri‘ane (244 km2) - le‘i v jugozahodnem delu Slovenije (Slika 1) in se razteza med koordinatami Gauss-Krügerjevega sistema: X: od 5410800 do 5433400; Y: od 5035800 do 5055400. Obmo~je je hribovito. Najvi{ja to~ka je vrh Slavnika (1028 m nad morsko gladino), najni‘ja pa izvir Ri‘ane na nadmorski vi{ini 69 m. Hidrografsko je del Jadranskega po-vodja. Podnebje je zmerno celinsko (zmerno celinsko podnebje zahodne in ju‘ne Slovenije) in submediteransko (Ogrin, 1998). Razprostira se na ozemlju treh slovenskih ob~in (Hrpelje-Kozina, Koper in Ilirska Bistrica) in v manj{em delu (17 km2) na hrva{kem ozemlju. Slika 1. Lega obravnavanega obmo~ja. Satelitska podoba LANDSAT-5 TM (ESA, Eurimage, ZRC SAZU, 1992), barvna zlo‘enka RGB: kanali 1, 2, 3. Figure 1: Position of the study area. Satellite image LANDSAT-5 TM (ESA, Eurimage, ZRC SAZU, 1992), colour composition RGB: bands 1,2,3. Dolo~itev rabe tal s klasifikacijo satelitske podobe za namene hidrolo{kega modeliranja ... 155 Metode Klasifikacija satelitskih podob Klasifikacija je postopek razvr{~anja objektov v skupine tako, da so si ti znotraj skupin ~im bolj podobni in da so objekti razli~nih skupin ~imbolj razli~ni med seboj (Hafner 1999). Klasifikacija satelitskih podob je proces razvr{~anja pikslov - celic (slikovnih elementov podobe) v kon~no {tevilo posameznih razredov ali kategorij na osnovi njihove numeri~ne vrednosti (Erdas, 1999). V primeru ve~spektralnih podob se klasificirajo objekti na osnovi njihove spektralne odsevnosti v razli~nih spektralnih pasovih (kanalih). Razli~ne sevalne lastnosti objekta se tako odra‘ajo v razli~ni kombinaciji nu-meri~nih vrednostih piksla za posamezne spektralne pasove, kar tvori spektralni vzorec. Klasifikacijski postopki, ki kot osnovo za avtomatsko klasifikacijo uporabljajo spektralno informacijo posameznega piksla, se imenujejo spektralno razpoznavanje vzorcev (ang. spectral pattern recognition) (Lillesand & Kiefer, 1994). Uporabljata se dva na~ina klasifikacije: nenadzorovana in nadzorovana. Nenadzorovana klasifikacija je bolj samodejna in temelji na odkrivanju statisti~nih vzorcev med podatki. Klasifikacijski algoritem sam izvede zdru‘evanje podatkov glede na njihovo podobnost. Kot pove ‘e samo ime, je nadzorovana klasifikacija v ve~ji meri kontrolirana (nadzorovana) s strani uporabnika. Klasifikacija je sestavljena iz u~ne faze in faze klasifikacije. V u~ni fazi uporabnik dolo~i reprezentativna obmo~ja za dolo~en objekt (vegetacijski razred). Na podlagi teh obmo~ij je definiran niz statistik, ki opisujejo spektralni vzorec za vsak objekt. V fazi klasifikacije je vsak piksel na podlagi podobnosti spektralnega vzorca uvr{~en v ustrezni razred. V primeru da je podobnost pod dolo~enim pragom, piksel ni uvr{~en. Klasifikacijske metode uporabljene v fazi klasifikacije se delijo na neparametri~ne in parametri~ne. Razmejitev za posamezne razrede v ve~spektralnem prostoru poteka v prvem primeru ro~no, v drugem pa na osnovi statisti~nih parametrov (srednja vrednost, standardni odklon, kovarianca) u~nih podatkov. V praksi najbolj raz{irjeni postopki parametri~nih metod so: metoda najmanj{e razdalje, metoda Mahalanobisove razdalje in metoda najve~je podobnost. Slednja metoda je pogosto najnatan~nej{a, saj upo{teva tudi variabilnost razredov. Natan~nost klasifikacije Eden od najpogosteje uporabljenih prikazov natan~nosti klasifikacije je klasifikacijska matrika napak (ang. error matrix, confusion matrix, contingency table). S po-mo~jo matrike se ugotavlja odnos med refe-ren~nimi »resni~nimi« podatki in rezultati klasifikacije. Matrika je kvadratna, {tevilo stolpcev in vrstic pa ustreza {tevilu razredov, za katere se ugotavlja natan~nost klasifikacije. Stolpci v matriki so referen~ni podatki, vrstice pa klasificirani. Vrednosti v diagonalnih poljih podajajo {tevilo pravilno klasificiranih pikslov, {tevila v ostalih poljih pa so napake. V primeru uporabe klasifikacijske matrike napak na u~nih vzorcih bi se pri~akovalo, da bodo vsi piksli, izbrani kot u~ni za dolo-~en razred, vanj tudi uvr{~eni. Vendar vedno temu ni tako, saj so izbrani piksli na u~nih obmo~jih uporabljeni zgolj za dolo~i-tev statistik posameznega razreda. Redko so tako homogeni, da so vsi uvr{~eni v pripada-jo~i razred. Pomembno je poudariti, da klasifikacijska matrika napak, izdelana na podlagi u~-nih podatkov, ka‘e zgolj to, kako uspe{no lahko uporabimo statistike, definirane na u~nem obmo~ju, za klasifikacijo tega istega obmo~ja; ne pove pa veliko o natan~nosti klasifikacije izven u~nih obmo~ij (Lillesand & Kiefer, 1994). Na osnovi podatkov klasifikacije matrike napak se lahko izra~una naslednje parametre, s katerimi se vrednoti natan~nost klasifikacije (Lillesand & Kiefer, 1994): Natan~nost postopka (NP) za razred n je mera, ki pove, koliko pikslov iz razreda n je pravilno klasificiranih: {tevilo pravilno klasificiranih pikslov razreda n NP = skupno {tevilo pikslov v razredu n Uporabna natan~nost (UN) za razred n je mera, ki podaja pravilnost klasificiranega razreda: {tevilo pravilno klasificiranih pikslov razreda n UN = skupno {tevilo vseh pikslov klasificiranih v razredu n Skupna natan~nost (SN) podaja odstotek vseh pravilno klasificiranih pikslov: 156 Mitja Jan`a SN = {tevilo pravilno klasificiranih pikslov razreda n skupno {tevilo pikslov Poleg opisanih postopkov ocene natančnosti se uporablja tako imenovano kappa statistiko. Uvedena je bila zaradi dejstva, da se tudi s povsem naključno klasifikacijo doseže določeno stopnjo natančnosti v klasifikacijski matriki napak. S kappa statistiko se meri razlika med preučevano in naključno klasifikacijo. Njena vrednost je v razponu med 0 in 1. Vrednost 0 pomeni, da se z uporabljeno klasifikacijo ni doseglo boljših rezultatov, kot bi jih z naključno. Nasprotno vrednost 1 pomeni klasifikacijo brez napake. Vrednost npr. 0.5 pa pomeni, da je uporabljena klasifikacija za 50 % boljša od naključne. Konceptualno je kappa statistika {k) definirana kot (Lillesand & Kiefer, 1994): klasifikac.nat. - naklj.nat. 1 - naklj.nat. izračunamo pa jo z izrazom: kjer so: r {tevilo vrstic v klasifikacijski matriki napak; xnn {tevilo pravilno klasificiranih pikslov (diagonalne vrednosti); xn+ vsota vrednosti n-te vrstice; x+n vsota vrednosti n-tega stolpca; N {tevilo vseh pikslov v matriki. Glajenje rezultatov klasifikacije Praviloma je faza klasifikacije, oziroma preverjanje kriterijev za uvrstitev piksla v dolo~en razred, opravljena na vsakem piks-lu posamezno. Posledi~no se lahko pojavljajo posamezni piksli dolo~enega razreda znotraj nekega drugega bolj homogenega razreda. V teh primerih je pogosto primerno glajenje rezultatov klasifikacije (L i l l e s a n d & K i e f e r , 1994). Uporaba digitalnih filtrov (cedil, sit), ki temeljijo na matemati~nih operacijah, v tem primeru ni ustrezna, ker bi novoizra~unana vrednost piksla (npr. povpre~je) v lu~i klasifikacije ne imela nobene uporabne vrednosti. Za tak{ne namene je uporaben ve~inski filter (ang. majority filter). Ta filter izbere novo vrednost piksla na osnovi dolo~ene so-se{~ine. Nova vrednost piksla je vrednost ve~inskega razreda v izbrani sose{~ini. V primeru, da v sose{~ini ni ve~inskega razreda, ostane vrednost osrednjega piksla nespremenjena ali nedolo~ena. Klasifikacija obravnavanega obmo~ja Glede na vpliv vegetacije v modeliranem hidrolo{kem krogu je bilo na celotnem obravnavanem obmo~ju dolo~enih {est vegetacijskih razredov (Preglednica 1). Kot osnova za dolo~itev vegetacijskih razredov je bila uporabljena tematska karta pokrovnosti in rabe tal CORINE Land Cover – CLC (Ho~evar et al., 2001). Karta ima obliko digitalne vektorske baze podatkov in je bila izdelana z interpretacijo satelitskih podob Landsat TM iz let 1995 in 1996, kot dodaten vir pa so bili uporabljeni aero posnetki, topografske karte in sektorske baze podatkov (P e t e k , 2001). Klasifikacija obravnavanega obmo~ja v posamezne vegetacijske razrede je bila opravljena s satelitsko podobo Landsat-5 TM (ESA, Eurimage, ZRC SAZU, 1992), ki je bila zajeta Preglednica 1: Vegetacijski razredi. Table 1: Vegetation classes. Razred Tip vegetacije CLC razredi ({ifranti) Rl obmo~ja brez vegetacije, urbana obmo~ja nesklenjene urbane povr{ine (112), dnevni kopi, kamnolomi (131) R2 travnata obmo~ja pa{niki (231), naravni travniki (321), redko porasle povr{ine (333) R3 kmetijska obmo~ja kmetijske povr{ine drobnoposestni{ke strukture (242), prete‘no kmetijske povr{ine z ve~jimi ob-mo~ji naravne vegetacije (243) R4 listnati gozd listnati gozd (311) R5 iglasti gozd iglasti gozd (312) R6 grmi~ast gozd grmi~ast gozd (324) Dolo~itev rabe tal s klasifikacijo satelitske podobe za namene hidrolo{kega modeliranja ... 157 18. 8. 1992. Uporabljena je bila nadzorovana klasifikacija, parametri~na metoda najve~je podobnosti. U~na obmo~ja so bila definirana na reprezentativnih obmo~jih znotraj posameznih razredov karte CLC. Za posamezni vegetacijski razred je bilo uporabljenih ve~ u~nih obmo~ij, z namenom zajeti spremenljivost posameznega vegetacijskega razreda v prostoru. Skupno je bilo uporabljenih 63 u~-nih obmo~ji. Celotno obmo~je je bilo v kon~ni fazi razdeljeno v 6 vegetacijskih razredov, brez razreda neklasificiranih pikslov. Po opisani klasifikaciji je bilo uporabljeno postkla-sifikacijsko glajenje z ve~inskim filtrom velikosti 3x3 piksla. Rezultati in razprava Rezultat klasifikacije satelitske podobe je prikazan na sliki 2. Najve~ji dele‘ varovanega zaledja izvira Ri‘ane pokriva listnati gozd sledijo travnata obmo~ja grmi~ast gozd in kmetijska obmo~ja nato iglasti gozd ter obmo~ja brez vegetacije (Preglednica 2). Natan~nost uporabljene klasifikacije Ocena natan~nosti klasifikacije z uporabo dejanskih podatkov na terenu ni bila izvedena, saj je obdobje, ko je bila zajeta sate- litska podoba, ~asovno preve~ oddaljeno, da bi se lahko primerjalo z dana{njim stanjem. Iz navedenih razlogov je bila opravljena zgolj ocena natan~nosti klasifikacije na u~-nih obmo~jih in primerjava rezultatov klasifikacije s karto CLC, ki pokriva slovenski del obravnavanega obmo~ja. Natan~nost klasifikacije na u~nih obmo~-jih je podana v obliki klasifikacijske matrike napak (Preglednica 3) in na podlagi teh podatkovnih dolo~enih parametrov natan~-nosti klasifikacije (Preglednica 4). Ocene ka-‘ejo, da imajo najbolj homogene spektralne lastnosti izbrana u~na obmo~ja razredov R5 (iglasti gozd) in R4 (listnati gozd), sledi razred R2 (travnata obmo~ja), nato razred R3 (kmetijska obmo~ja) ter razreda R1 (obmo~-ja brez vegetacije) in R6 (grmi~ast gozd). Preglednici 5 in 6 prikazujeta ujemanje rezultatov klasifikacije s karto CLC v obliki klasifikacijske matrike napak in pripadajo-~ega izra~una natan~nosti. Razred CLC me{ani gozd ni bil obravnavan kot samostojni razred, saj je sestavljen iz listnatega in iglastega gozda. Pri oceni primerljivosti so bila obmo~ja me{anega gozda na karti CLC, uvr{~ena v razred iglastega ali listnatega gozda obravnavana kot pravilno uvr{~e-na obmo~ja. Ocena primerljivosti razredov karte CLC in klasifikacije ka‘e ve~jo primerljivost razredov, ki imajo vi{jo natan~nost klasifikaci- Preglednica 2: Povr{inski dele‘i klasificiranih vegetacijskih razredov na obravnavanem obmo~ju. Table 2: Cover portions of the classified vegetation classes in the study area. Razred Tip vegetacije Površinski delež [%] Rl obmo~ja brez vegetacije, urbana obmo~ja 2 R2 travnata obmo~ja 19 R3 kmetijska obmo~ja 18 R4 listnati gozd 32 R5 iglasti gozd 10 R6 grmi~ast gozd 19 Preglednica 3: Klasifikacijska matrika napak na u~nih obmo~jih. Table 3: Classification error matrix for training sites. U~ni podatki BI B2 B3 B4 B5 B6 vsota BI 412 60 134 2 5 0 613 B2 3 9511 1160 38 27 167 10906 B3 65 700 5177 45 14 136 6137 B4 0 45 66 17719 6 628 18464 B5 1 18 33 10 2533 49 2644 ^" 0 348 300 951 50 3417 5066 vsota 481 10682 6870 18765 2635 4397 43830 158 Mitja Jan`a je na u~nih obmo~jih in obratno slab{o primerljivost razredov z manj homogenimi spektralnimi lastnostmi na izbranih u~nih obmo~jih. Predvsem se razlikujeta vegetacijska razreda R1 (obmo~ja brez vegetacije) in R6 (grmi~asti gozd). V teh primerih najverjetneje ne gre zgolj za napa~no klasifikacijo, ~eprav ocena natan~nosti klasifikacije na u~nih obmo~jih ka‘e najslab{o natan~-nost klasifikacije prav teh dveh razredov. Razred R1 je na karti CLC (slika 2) zastopan z dale~ najmanj{im povr{inskim dele‘em, ki je omejen zgolj na ve~ja urbana naselja in ne vklju~uje manj{ih zaselkov. V tem pogledu daje izdelana klasifikacija verjetno realnej{o sliko. Razred R6 (grmi~asti gozd) je na karti pokrovnosti CLC prikazan kot homogena obmo~ja v obliki poligonov, na klasificirani karti pa predvsem kot obmo~ja, ki se pojavljajo na robovih oziroma prehodih gozda v druge razrede, kar omogo~a logi~no razlago rezultatov klasifikacije. Zaklju~ki Dolo~itev rabe tal s pomo~jo klasifikacije satelitskih podob je eden od na~inov upora- Preglednica 4: Izra~un natan~nosti klasifikacije na u~nih obmo~jih. Table 4: Classification accuracy assessment for training sites. Referenčni podatki Klasificiram podatki Pravilno klasificirani NP UN Rl 481 613 412 0.86 0.67 R2 10682 10906 9511 0.89 0.87 R3 6870 6137 5177 0.75 0.84 R4 18765 18464 17719 0.94 0.96 R5 2635 2644 2533 0.96 0.96 R6 4397 5066 3417 0.78 0.67 SN 0.88 skupni K 0.84 Preglednica 5: Primerljivost klasifikacije s karto CLC, prikazana v obliki klasifikacijske matrike napak. Table 5: Comparison of classification results with CLC map, expressed with classification error matrix. Podatki pokrovnosti CLC Rl R2 R3 R4 R5 R6 vsota Rl 1016 781 1809 357 803 481 5247 R2 168 24345 10126 6382 2903 8577 52501 R3 467 11516 27126 10678 4223 7565 61575 R4 74 1159 2737 99981 4721 5297 113969 R5 37 492 654 5420 22122 2566 31291 ^" 79 5668 4891 25950 5990 16533 59111 vsota 1841 43961 47343 148769 40761 41019 323694 Preglednica 6: Primerljivost klasifikacije s karto CLC, izra‘ena s parametri natan~nosti klasifikacije. Table 6: Comparison of classification results with CLC map, expressed with classification accuracy parameters. Podatki pokrovnosti Klasificiram podatki Pravilno klasificirani NP UN Rl 1841 5247 1016 0.55 0.19 R2 43961 52501 24345 0.55 0.46 R3 47343 61575 27126 0.57 0.44 R4 148769 113969 99981 0.67 0.88 R5 40761 31291 22122 0.54 0.71 R6 41019 59111 16533 0.40 0.28 SN 0.59 Skupni ? 0.46 Dolo~itev rabe tal s klasifikacijo satelitske podobe za namene hidrolo{kega modeliranja ... 159 Slika 2: Karta CLC (H o ~ e v a r et al., 2001) (levo) in rezultat klasifikacije (desno). Figure 2: CLC map (H o ~ e v a r et al., 2001) (left) and result of classification (right). be daljinskega zaznavanja pri hidrolo{kem modeliranju. V obravnavanem primeru so se pokazale naslednje prednosti uporabe klasifikacije: – Mo‘nost hitre in poceni dolo~itve rabe tal na obmo~jih kjer ti podatki niso razpolo‘ljivi. To je na delu napajalnega zaledja na obmo~ju Hrva{ke, ki ga karta CLC ne pokriva. – Mo‘nost samostojne dolo~itve razredov, ki po svojih zna~ilnostih najbolje odra‘ajo vegetacijske razlike za modeliranje evapo-transpiracije. S klasifikacijo so bila obmo~-ja me{anega gozda na karti CLC razdeljena na obmo~ja listnatega in iglastega gozda, ki so v hidrolo{kem modelu obravnavana raz-li~no. – V primerjavi s karto CLC, ki je poligon-ski informacijski sloj in predvideva homogenost znotraj poligonov, omogo~a klasifikacija ve~jo prostorsko natan~nost. Ta je na~eloma pogojena le z lo~ljivostjo satelitske podobe. – Pri klasifikaciji lahko uporabimo satelitske podobe, ki so bile zajete v obdobju uporabljenem pri hidrolo{kem modeliranju, s ~imer se izognemo napakam, ki so posledica nea‘urnosti podatkov. Z obdelavo satelitskih podob iz razli~nih obdobij lahko spremljamo razvoj naravnega sistema. Vklju~itev ~asovne spremenljivosti prostorskih podatkov v modelu pa omogo~a real-nej{o simulacijo naravnega sistema in za-nesljivej{o napoved preu~evanih procesov. Zahvala Za mo‘nost uporabe satelitske podobe Landsat-5 TM se zahvaljujem dr. Kri{tofu O{tirju in ZRC SAZU. Literatura Engman, E.T. 1995: Recent advances in remote sensing in hydrology. – Reviews of Geophysics, Supplement, 967-975. Engman,E.T. & Gurney, R. 1991: Remote Sensing in Hydrology. - Chapman & Hall, 225 pp., London. ERDAS. 1999: ERDAS Field Guide (Fifth Edition). - ERDAS, Inc, 672 pp., Atlanta. ESA, Eurimage & ZRC SAZU 1992: Landsat-5 TM (satelitska podoba zajeta 18. 8. 1992). H a f n e r , J. 1999: Integracija GIS-a in umetne inteligence v geologiji: doktorska disertacija. – Univerza v Ljubljani, NTF, 170 pp., Ljubljana. H o ~ e v a r , M., K o b l e r , A., V r { ~ a j , B., Poljak , M & Ku{ar, B. 2001: Corine karta rabe tal in pokrovnosti Slovenije: Podprojekt: Fotoin-terpretacija in rezultati: zaklju~no poro~ilo. - Gozdarski in{titut Slovenije, 83 pp. Ljubljana. J a c k s o n , T.J., R agan, R.M. & F i t c h , W.N. 1977: Test of Landsat based urban hydrologic modeling. – ASCE Journal of Water Resources Planning and Management, 103, 1065-1069. J a n ‘ a , M. 2003: Modeliranje napajanja regionalnega vodonosnika z uporabo metod daljinskega zaznavanja: doktorska disertacija. – Univerza v Ljubljani, NTF, 135 pp., Ljubljana. L i l l e s a n d , T. M. & K i e f e r , R. W. 1994: Remote sensing and image interpretation (Third edition). - John Wiley & Sons, 750 pp., New York. O g r i n , D. 1998. Podnebje. – V: Geografski atlas Slovenije – dr‘ava v prostoru in ~asu. Ure- 160 Mitja Jan`a dniki J. Fridl, D. Kladnik, M. Oro‘en Adami~ & D. Perko. – DZS, 110–111, Ljubljana. Petek, T. 2001: CORINE Land Cover (CLC) v Sloveniji. – V: Uporaba informacij o pokrovnosti in rabi prostora pri varstvu okolja in trajnostnem razvoju: zbornik referatov, 1-8, Gozd Martuljek. S a n d h o l t , I., A n d e r s e n , J., D y b k j a e r , G., Lo, M., R a s m u s s e n , K., R e f s g a a r d , J. C. & Jensen, K. H. 1999: Use of remote sensing data in distributed hydrological models: applications in the Senegal River basin. - Danish Journal of Geography, 99, 47–57. Schultz, G.A 1993: Application of GIS and remote sensing in hydrology. - IAHS Publ., 221, 127-140. S c h u l t z , G.A. & E n g m a n , E.T. (eds.) 2000: Remote sensing of surface water. – Springer Verlag, 473 pp., Berlin.