ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ

Transcript

1 ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΤΜΗΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΟΠΟΓΡΑΦΙΑΣ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ Πτυχιακή Εργασία των Αϊβαλιώτης Κων/νος (ΑΕΜ 902) Τσουρέκας Κων/νος (ΑΕΜ 559) Ομάδα Επίβλεψης Κ. Κωνσταντινίδης Αλέξανδρος, Καθηγητής Εφαρμογών Δρ. Παπαθεοδώρου Κων/νος, Αναπληρωτής Καθηγητής Δρ. Ντούρος Κων/νος, Επιστημονικός Συνεργάτης ΣΕΡΡΕΣ, ΑΠΡΙΛΙΟΣ 2014

2 ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΤΜΗΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΟΠΟΓΡΑΦΙΑΣ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ Πτυχιακή Εργασία των Αϊβαλιώτης Κων/νος (ΑΕΜ 902) Τσουρέκας Κων/νος (ΑΕΜ 559) Ομάδα Επίβλεψης Κ. Κωνσταντινίδης Αλέξανδρος, Καθηγητής Εφαρμογών Δρ. Παπαθεοδώρου Κων/νος, Αναπληρωτής Καθηγητής Δρ. Ντούρος Κων/νος, Επιστημονικός Συνεργάτης ΣΕΡΡΕΣ, ΑΠΡΙΛΙΟΣ

3 ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΤΜΗΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΟΠΟΓΡΑΦΙΑΣ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ Υπεύθυνη Δήλωση Οι παρακάτω υπογράφοντες δηλώνουμε ότι είμαστε συγγραφείς της παρούσας πτυχιακής εργασίας. Κάθε βοήθεια την οποία είχαμε για την προετοιμασία της, είναι πλήρως αναγνωρισμένη και αναφέρεται στην πτυχιακή εργασία. Αναφέρονται οι όποιες πηγές, από τις οποίες λήφθηκαν δεδομένα, ιδέες ή φράσεις για χρήση. Δηλώνουμε ότι αυτή η πτυχιακή εργασία προετοιμάστηκε από εμένα/εμάς προσωπικά και μετά την παρουσίαση και την επαρκή αξιολόγηση αποτελεί πνευματική περιουσία του Τμήματος Γεωπληροφορικής και Τοπογραφίας του ΤΕΙ Σερρών, σε εφαρμογή της 4.8. του κανονισμού πτυχιακών εργασιών του τμήματος. Στον πίνακα που ακολουθεί, οι συμβάλλοντες (συγγραφείς και επιβλέπων) στην εκπόνηση της πτυχιακής εργασίας, υπογράφοντας στην αντίστοιχη στήλη, δηλώνουμε υπεύθυνα ότι επιθυμούμε να διατίθενται τα στοιχεία σε τρίτους, μετά από έγγραφη άδεια του/ης Προϊσταμένου/ης του Τμήματος. να παραχωρηθεί στο τμήμα εκδόσεων και Βιβλιοθήκης του ΤΕΙ Σερρών το δικαίωμα να διαθέτει το πλήρες κείμενο της πτυχιακής σε ψηφιακή μορφή από το Διαδίκτυο (αφορά δηλαδή τη «γκρίζα βιβλιογραφία» που παράγεται στο Ίδρυμα). Αϊβαλιώτης Κων/νος Τσουρέκας Κων/νος Πτυχιακή Εργασία των Προς τρίτους Βιβλιοθήκη Επιβλέπων Πτυχιακής Εργασίας Κ. Κωνσταντινίδης Αλέξανδρος, Καθηγητής Εφαρμογών ΣΕΡΡΕΣ, ΑΠΡΙΛΙΟΣ

4 Ευχαριστίες Αρχικά θα θέλαμε να ευχαριστήσουμε τον επιβλέποντα καθηγητή της πτυχιακής μας εργασίας κ. Αλέξανδρο Κωνσταντινίδη για την ανάθεση του θέματος, την καθοδήγηση και την εποπτεία σε κάθε φάση της εργασίας. Επιπλέον θα θέλαμε να ευχαριστήσουμε τον καθηγητή κ. Ντούρο Κωνσταντίνο για την αμέριστη βοήθεια του καθ' όλη τη διάρκεια της εκπόνησης της πτυχιακής εργασίας, καθώς και για τη συμβολή του σε πάνω σε θέματα τηλεπισκόπησης. Τον κ. Καραποστόλου ο οποίος μέσω προσωπικών του γνωριμιών επεδίωξε να συνεισφέρει στην ολοκλήρωση της παρούσας έρευνας. Επίσης θα θέλαμε να ευχαριστήσουμε την Ένωση Αγροτικού Συνεταιρισμού Κιλκίς για την απόκτηση σημαντικών δεδομένων, χωρίς τα οποία δεν θα ήταν δυνατή η ολοκλήρωση ης πτυχιακής εργασίας. Τέλος θα θέλαμε να ευχαριστήσουμε τις οικογένειες μας για την στήριξη και το κουράγιο που μας έδωσαν και συνεχίζουν να μας δίνουν. 3

5 Ακρωνύμια DOI EOSAT ESA GE GIS GPS MLC MSS NASA NDVI NIR NOAA SPOT TM USGS UTM WGS Department of the Interior Earth Observation Satellite Company European Space Agency General Electric Geographic Information System Global Positioning System Maximum Likelihood Classification Multi Spectral Scanner National Aeronautics and Space Administration Normalized Difference Vegetation Index Near Infra Red National Oceanic and Atmospheric Administration Systeme Pour I 'Observation de la Terre Thematic Mapper United States Geological Survey Universal Traverse Mercator World Geographic System ΓΣΠ ΔΕ ΔΔ ΕΓΣΑ ΜΜΠ ΟΠΕΚΕΠΕ ΟΣΔΕ ΕΑΣ ΕΓΣ Γεωγραφικά Συστήματα Πληροφοριών Δορυφορική Εικόνα Δημοτικό Διαμέρισμα Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς Μέθοδος Μέγιστης Πιθανοφάνειας Οργανισμός Πληρωμών και Ελέγχου Κοινοτικών Ενισχύσεων Προσανατολισμού και Εγγυήσεων Ολοκληρωμένο Σύστημα Διαχείρισης και Ελέγχου Ένωση Αγροτικών Συνεταιρισμών Ένωση Γεωργικών Συνεταιρισμών 4

6 Περιεχόμενα Περίληψη...11 Κεφάλαιο 1 - Εισαγωγή...13 Κεφάλαιο 2 - Ανασκόπηση βιβλιογραφίας Κεφάλαιο 3: Περιοχή Μελέτης Γενικά Θέση - Έκταση Είδη καλλιεργειών Μορφολογικά στοιχεία Γενικά στατιστικά στοιχεία...24 Κεφάλαιο 4 - Μεθοδολογία Γεωδαιτικό Σύστημα Αναφοράς Λογισμικά Επεξεργασίας Δεδομένων Διανυσματικά δεδομένα (VECTOR) Προέλευση δεδομένων Περιγραφή δεδομένων Επεξήγηση πεδίων Σύνδεση πεδίου Cropcode με πίνακα excel Επεξεργασία Διανυσματικών δεδομένων Ενοποίηση αγροτεμαχίων - Αφαίρεση διπλοεγγραφών Επιλογή είδους καλλιεργειών προς ταξινόμηση - Κριτήρια καταλληλότητας Ψηφιδωτά δεδομένα (Raster) Αναζήτηση Δορυφορικής εικόνας Δορυφορική εικόνα Landsat 5 TM Δορυφορικό Απεικονιστής Landsat 5 - Χαρακτηριστικά εικόνας Επεξεργασία Ψηφιδωτών δεδομένων Ένωση Φασματικών ζωνών Αποκοπή εικόνας στα όρια της περιοχής μελέτης Φασματικές υπογραφές

7 4.7 Ταξινόμηση δορυφορικής εικόνας Επιβλεπόμενη ταξινόμηση (SUPERVISED CLASSIFICATION) Η μέθοδος της μεγίστης πιθανοφάνειας (Maximum likelihood algorithm)...48 Κεφάλαιο 5 - Αποτελέσματα Ταξινομημένη εικόνα Ακρίβεια ταξινόμησης της εικόνας Γεωργικά Στατιστικά στοιχεία Στατιστικά στοιχεία βάση των Ψηφιδωτών δεδομένων Στατιστικά στοιχεία βάση διανυσματικών δεδομένων...64 Κεφάλαιο 6 - Συζήτηση Στατιστικά Ακρίβεια ταξινόμησης...83 Κεφάλαιο 7 - Συμπεράσματα...93 Βιβλιογραφία...94 Παράρτημα Α'...96 Παράρτημα Β' Παράρτημα Γ' Ευρετήριο πινάκων Πίνακας 3.1 Κλίση εδάφους ανά καλλιέργεια...22 Πίνακας 3.2 Προσανατολισμός κλίσης ανά καλλιέργεια...23 Πίνακας 3.3 Υψομετρική πληροφορία ανά καλλιέργεια...23 Πίνακας 3.4 Στοιχεία περιοχής μελέτης...24 Πίνακας 4.1 Είδη Καλλιεργειών...30 Πίνακας 4.2 Πίνακας διαλογής καλλιεργειών...35 Πίνακας 4.3 Πίνακας φασματικών υπογραφών...44 Πίνακας 5.1 Ακρίβεια Ταξινόμησης...52 Πίνακας 9 Χρήσεις γης Γαλλικού (vector)...96 Πίνακας 10 Χρήσεις γης Κιλκίς (vector)...96 Πίνακας 11 Χρήσεις γης Καμπάνη (vector)...97 Πίνακας 12 Χρήσεις γης Λειψυδρίου (vector)

8 Πίνακας 13 Χρήσεις γης Μανδρών (vector)...98 Πίνακας 14 Χρήσεις γης Ν.Σάντας (vector)...98 Πίνακας 15 Χρήσει γης Πεδινού (vector)...99 Πίνακας 16 Χρήσεις γης Χρυσόπετρας (vector)...99 Πίνακας 17 Χρήσεις γης Ξυλοκερατιάς (vector) Πίνακας 18 Έκταση καλλιεργειών (% Vector) Πίνακας 19 Κάλυψη γης ανά δημοτικό διαμέρισμα (% Vector) Πίνακας 20 Χρήσεις γης Κιλκίς (Raster) Πίνακας 21 Χρήσεις γης Μανδρών (Raster) Πίνακας 22 Χρήσεις γης Ν.Σάντας (Raster) Πίνακας 23 Χρήσεις γης Ξυλοκερατιάς (Raster) Πίνακας 24 Χρήσεις γης Καμπάνη (Raster) Πίνακας 25 Χρήσεις γης Λειψυδρίου (Raster) Πίνακας 26 Χρήσεις γης Πεδινού (Raster) Πίνακας 27 Χρήσεις γης Χρυσόπετρας (Raster) Πίνακας 28 Χρήσεις γης Γαλλικού (Raster) Πίνακας 29 Έκταση καλλιεργειών (% Raster) Πίνακας 30 Κάλυψη γης ανά δημοτικό διαμέρισμα (% Raster) Πίνακας 31 Διαφορά έκτασης raster από vector σε ποσοστιαίες μονάδες Πίνακας 32 Διαφορά κάλυψης γης raster από vector σε ποσοστιαίες μονάδες Πίνακας 33 Ακρίβεια ταξινόμησης Landsat Πίνακας 34 Ακρίβεια ταξινόμησης Landsat Πίνακας 35 Κατανομή των εικονοστοιχείων κατά την ταξινόμηση εικόνας Landsat Πίνακας 36 Κατανομή των εικονοστοιχείων κατά την ταξινόμηση εικόνας Landsat Ευρετήριο εικόνων Εικόνα 3.1 Περιοχή Μελέτης Ταξινόμησης Καλλιεργειών Εικόνα 3.2 Τα αγροτεμάχια της περιοχής μελέτης...20 Εικόνα 3.3 Κλίση του εδάφους...21 Εικόνα 3.4 Προσανατολισμός της κλίσης...21 Εικόνα 3.5 Υψομετρική Πληροφορία...22 Εικόνα 4.1 Διάγραμμα ροής εργασιών...26 Εικόνα 4.2 Δείγμα απεικόνισης αγροτεμαχίων...28 Εικόνα 4.3 Σύνδεση πεδίου Cropcode με πίνακα excel...31 Εικόνα 4.4 Λειτουργία της εντολής join...31 Εικόνα 4.5 Τα αγροτεμάχια ανά δημοτικό διαμέρισμα

9 Εικόνα 4.6 Παράδειγμα διπλών εγγραφών...32 Εικόνα 4.7 Σιτηρά (Χειμερινές) με Λοιπές (Θερινές) καλλιέργειες...33 Εικόνα 4.8 Η περιοχή μελέτης μετά την εφαρμογή των κριτηρίων...35 Εικόνα 4.9 Η δορυφορική εικόνα Landsat 5 TM που χρησιμοποιήθηκε...37 Εικόνα 4.10 Απεικόνιση του Landsat Εικόνα 4.11 Λειτουργία της εντολής Stack Layer...40 Εικόνα 4.12 Από αριστερά: Φασματικές ζώνες 1, 2, 3 και Εικόνα 4.13 Από αριστερά: Φασματικές ζώνες 5, 6, 7 και η εικόνα μετά το stack layer...40 Εικόνα 4.14 Τελική μορφή εικόνας προς ταξινόμηση...41 Εικόνα 4.15 Απεικόνιση...42 Εικόνα 4.16 Διαγράμματα των φασματικών υπογραφών των υδάτων, του εδάφους και της βλάστησης...42 Εικόνα 4.17 Οι φασματικές υπογραφές επεξεργάζονται ως ψηφιακές τιμές στο δορυφορικό σαρωτή...42 Εικόνα 4.18 Διαχωρισμός των αγροτεμαχίων...43 Εικόνα 4.19 Προετοιμασία λήψης φασματικών υπογραφών για το βαμβάκι...44 Εικόνα 4.20 Η συγκεκριμένη καλλιέργεια βρίσκεται και σε λοφώδες αλλά και πεδινό τμήμα της περιοχής μελέτης...46 Εικόνα 4.21 Εφαρμογή του αλγόριθμου της μέγιστης πιθανοφάνειας...49 Εικόνα 5.1 Ταξινομημένη εικόνα...50 Εικόνα 5.2 Απόσπασμα του Πίνακα ακρίβειας ταξινόμησης...51 Εικόνα 5.3 Απόσπασμα πίνακα χαρακτηριστικών ταξινομημένης εικόνας...52 Εικόνα 6.1 Στατιστικά στοιχεία Καλλιεργειών...84 Εικόνα 6.2 Απεικόνιση Έλλειψης Βλάστησης...85 Εικόνα 6.3 Απόσπασμα Καλλιέργειας βαμβακιού...87 Εικόνα 6.4 Σφάλματα σχεδίασης αγροτεμαχίων...88 Εικόνα 6.5 Σφάλματα σχεδίασης αγροτεμαχίων...88 Εικόνα 6.6 Σφάλματα σχεδίασης αγροτεμαχίων...89 Εικόνα 6.7 Σφάλματα σχεδίασης αγροτεμαχίων...89 Εικόνα 6.8 Σφάλματα σχεδίασης αγροτεμαχίων...90 Εικόνα 6.9 Σφάλματα σχεδίασης αγροτεμαχίων...90 Εικόνα 6.10 Μεθοδολογία για την επαναληπτική ταξινόμηση με τον αλγόριθμο της Μέγιστης Πιθανοφάνειας...91 Ευρετήριο Διαγραμμάτων Διάγραμμα 1 Απεικόνιση πλήθους αγροτεμαχίων ανά δημοτικό διαμέρισμα

10 Διάγραμμα 2 Κατανομή δένδρων βάσει Raster...53 Διάγραμμα 3 Κατανομή βαμβακιού βάσει Raster...53 Διάγραμμα 4 Κατανομή ελαιούχων σπόρων βάσει Raster...54 Διάγραμμα 5 Κατανομή ελιάς βάσει Raster...54 Διάγραμμα 6 Κατανομή αραβόσιτου βάσει Raster...55 Διάγραμμα 7 Κατανομή ενεργειακών καλλιεργειών βάσει Raster...55 Διάγραμμα 8 Κατανομή ζωοτροφών βάσει Raster...56 Διάγραμμα 9 Κατανομή κηπευτικών βάσει Raster...56 Διάγραμμα 10 Κατανομή οσπριοειδών βάσει Raster...57 Διάγραμμα 11 Κατανομή πρωτεϊνούχων σπόρων βάσει Raster...57 Διάγραμμα 12 Κατανομή σιτηρών βάσει Raster...58 Διάγραμμα 13 Κατανομή Καλλιεργειών ΔΔ Γαλλικού (Raster)...58 Διάγραμμα 14 Κατανομή Καλλιεργειών ΔΔ Καμπάνη (Raster)...59 Διάγραμμα 15 Κατανομή Καλλιεργειών ΔΔ Κιλκίς (Raster)...59 Διάγραμμα 16 Κατανομή Καλλιεργειών ΔΔ Λειψυδρίου (Raster)...60 Διάγραμμα 17 Κατανομή Καλλιεργειών ΔΔ Μανδρών (Raster)...60 Διάγραμμα 18 Κατανομή Καλλιεργειών ΔΔ Ν.Σάντας (Raster)...61 Διάγραμμα 19 Κατανομή Καλλιεργειών ΔΔ Ξυλοκερατιάς (Raster)...61 Διάγραμμα 20 Κατανομή Καλλιεργειών ΔΔ Πεδινού (Raster)...62 Διάγραμμα 21 Κατανομή Χρυσόπετρας...62 Διάγραμμα 22 Κατανομή Καλλιεργειών Περιοχής μελέτης (Raster)...63 Διάγραμμα 23 Κατανομή δένδρων βάσει Vector...64 Διάγραμμα 24 Κατανομή βαμβακιού βάσει Vector...64 Διάγραμμα 25 Κατανομή ελαιούχων σπόρων βάσει Vector...65 Διάγραμμα 26 Κατανομή ελιάς βάσει Vector...65 Διάγραμμα 27 Κατανομή αραβόσιτου βάσει Vector...66 Διάγραμμα 28 Κατανομή ενεργειακών καλλιεργειών βάσει Vector...66 Διάγραμμα 29 Κατανομή ζωτροφών βάσει Vector...67 Διάγραμμα 30 Κατανομή κηπευτικών βάσει Vector...67 Διάγραμμα 31 Κατανομή οσπριοειδών βάσει Vector...68 Διάγραμμα 32 Κατανομή πρωτεϊνούχων σπόρων βάσει Vector...68 Διάγραμμα 33 Κατανομή σιτηρών βάσει Vector...69 Διάγραμμα 34 Κατανομή Κατανομή Καλλιεργειών ΔΔ Γαλλικού (Vector)...69 Διάγραμμα 35 Κατανομή Καλλιεργειών ΔΔ Καμπάνη (Vector)...70 Διάγραμμα 36 Κατανομή Καλλιεργειών ΔΔ Κιλκίς (Vector)...70 Διάγραμμα 37 Κατανομή Καλλιεργειών ΔΔ Λειψυδρίου (Vector)...71 Διάγραμμα 38 Κατανομή Καλλιεργειών ΔΔ Μανδρών (Vector)

11 Διάγραμμα 39 Κατανομή Καλλιεργειών ΔΔ Ν.Σάντας ( Vector)...72 Διάγραμμα 40 Κατανομή Καλλιεργειών ΔΔ Ξυλοκερατιάς (Vector)...72 Διάγραμμα 41 Κατανομή Καλλιεργειών ΔΔ Πεδινού (Vector)...73 Διάγραμμα 42 Κατανομή Καλλιεργειών ΔΔ Χρυσόπετρας (Vector)...73 Διάγραμμα 43 Κατανομή Καλλιεργειών Περιοχής μελέτης (Vector)...74 Διάγραμμα 44 Απεικόνιση απόκλισης ελαιχούχων σπόρων (Raster από Vector)...76 Διάγραμμα 45 Απεικόνιση απόκλισης ελαιών (Raster από Vector)...76 Διάγραμμα 46 Απεικόνιση απόκλισης οσπριοειδών (Raster από Vector)...77 Διάγραμμα 47 Απεικόνιση απόκλισης κηπευτικών (Raster από Vector)...77 Διάγραμμα 48 Απεικόνιση απόκλισης πρωτεϊνούχων σπόρων (Raster από Vector)...78 Διάγραμμα 49 Απεικόνιση απόκλισης βαμβακιού (Raster από Vector)...78 Διάγραμμα 50 Απεικόνιση απόκλισης αραβόσιτου (Raster από Vector)...79 Διάγραμμα 51 Απεικόνιση απόκλισης ενεργειακών καλλιεργειών (Raster από Vector)...79 Διάγραμμα 52 Απεικόνιση απόκλισης σιτηρών (Raster από Vector)...80 Διάγραμμα 53 Απεικόνιση απόκλισης δένδρων (Raster από Vector)...80 Διάγραμμα 54 Απεικόνιση απόκλισης ζωοτροφών (Raster από Vector)...81 Διάγραμμα 55 Απεικόνιση απόκλισης αγρανάπαυσης (Raster από Vector)...81 Διάγραμμα 56 Απεικόνιση απόκλισης Raster στατιστικών από Vector (δεύτερη περίπτωση)

12 Περίληψη Το αγροτικό περιβάλλον αποτελεί ένα σημαντικό κομμάτι για την εξέλιξη του ανθρώπου, το οποίο χρήζει παρακολούθησης μέσα από καινοτόμα μέσα και τεχνολογίες, όπως είναι η Τηλεπισκόπηση σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών. Η παρούσα εργασία πραγματεύεται την ταξινόμηση των καλλιεργειών της καλλιεργητικής περιόδου συγκεκριμένης περιοχής του Νομού Κιλκίς, με χρήση Δορυφορικής Εικόνας Landsat 5 TM, την εξαγωγή στατιστικών στοιχείων από διανυσματικά δεδομένα στα οποία βασίστηκε η ταξινόμηση αυτή και σύγκριση τους με τα στατιστικά στοιχεία που προέκυψαν από τα μεταδεδομένα της ταξινόμησης. Στα διανυσματικά πρωτογενή δεδομένα κατόπιν επεξεργασίας τους για την αφαίρεση των διπλών εγγραφών, πραγματοποιήθηκε η εφαρμογή δύο κριτηρίων καταλληλότητας, αυτό της ελάχιστης έκτασης και της συχνότητας εμφάνισης. Η δορυφορική εικόνα, αφού πραγματοποιήθηκε η ένωση των έξι φασματικών ζωνών, περιορίστηκε στα όρια της περιοχής μελέτης. Συνδυάζοντας την Τηλεπισκόπηση με τα Γεωγραφικά Συστήματα Πληροφοριών, πραγματοποιήθηκε η λήψη των φασματικών υπογραφών και ολοκληρώθηκε η ταξινόμηση χρησιμοποιώντας τον αλγόριθμο της μέγιστης πιθανοφάνειας. Επίσης πραγματοποιήθηκε η εξαγωγή στατιστικών στοιχείων, με βάση την έκταση που καταλαμβάνει κάθε καλλιέργεια ανά δημοτικό διαμέρισμα και στο σύνολο της περιοχής μελέτης από τα ψηφιδωτά και τα διανυσματικά δεδομένα. Η εκτίμηση της ακρίβειας της ταξινόμησης έφτασε στο 64%. Οι παράγοντες που επηρέασαν το παραπάνω αποτέλεσμα ήταν το μεγάλο μέγεθος των εικονοστοιχείωνσε σχέση με τα μικρά αγροτεμάχια, η αδυναμία ελέγχου των διανυσματικών δεδομένων μέσω της αυτοψίας κ.α. Επίσης υπάρχουν αποκλίσεις στη σύγκριση των στατιστικών διαγραμμάτων που δημιουργήθηκαν από τα ψηφιδωτά και τα διανυσματικά δεδομένα. Λέξεις Κλειδιά: Επιβλεπόμενη Ταξινόμηση καλλιεργειών, Γεωγραφικά Συστήματα Πληροφοριών, φασματικές υπογραφές, Αλγόριθμος της μέγιστης πιθανοφάνειας 11

13 Abstract The agricurtural environment is an important part of human evolution, which requires monitoring through innovative tools and technologies such as remote sensing combined with GIS. This paper deals with the classification of crops of a particular region of Kilkis, from growing season , using satellite image Landsat 5 TM, then export statistics from vector data which this classification was based and compare them to the statistics obtained from the metadata classification. There was a pre-process stage for both, vector and raster data. After removing duplicate records from primary vector data, there was conducted an implementation of two eligibility criteria that of the minimum extent and that of occurrence frequency. Six layers of the satellite image were stacked. After that the stacked image was limited to the boundaries of the study area. Combining Remote Sensing and GIS, spectral signatures were obtained and the classification was completed, using the maximum likelihood method. Also, statistics were created, based on the area occupied by each crop per district and throughout the study area by the raster and vector data. The accuracy assessment reached 64%. The factors that affected the above result was the spatial resolution of the image combined with the small parcels, the inability to check the vector data through autopsy etc. Major differences also appear by comparing the statistical diagrams created by the raster and vector data. Keywords: Supervised Crops Classification, Geographical Information Systems, spectral signatures, Maximum Likelihood 12

14 Κεφάλαιο 1 - Εισαγωγή Η παρατήρηση της γης από το διάστημα αποτελεί, τα τελευταία χρόνια, σημαντικό εργαλείο για τη μελέτη του περιβάλλοντος, την κατανόηση του παγκόσμιου κλίματος, καθώς και το σχεδιασμό και την υποστήριξη αναπτυξιακών και παραγωγικών δραστηριοτήτων σε μια περιοχή (Καρτάλης Κ., Φείδας Χ., 2006). Μία από αυτές τις δραστηριότητες αφορούν και στην παρακολούθηση του "αγροτικού" περιβάλλοντος. Το αγροτικό περιβάλλον μεταβάλλεται δυναμικά στο χρόνο, λόγω των συνεχών επεμβάσεων από τον άνθρωπο με σκοπό την καλύτερη απόδοση του τόσο σε ποσότητα, όσο και σε ποιότητα. Επομένως παρατηρούνται μεταβολές στο είδος και στον τρόπο καλλιέργειας σε κάποια περιοχή, ή η διακοπή της καλλιέργειας για συγκεκριμένο χρονικό διάστημα με σκοπό την ανανέωση των ποιοτικών χαρακτηριστικών του εδάφους. Επίσης σημαντική είναι η ανάπτυξη και η εξέλιξη νέων τεχνολογιών που αφορούν τα Γεωγραφικά Συστήματα Πληροφοριών, τα οποία θεωρούνται αξιόλογα εργαλεία για ενσωμάτωση, αποθήκευση, ανάλυση και παρουσίαση γεωγραφικά συσχετισμένων πληροφοριών. Όλη αυτή η παραπάνω διαχείριση των πληροφοριών μπορεί να αξιοποιηθεί και η χρήση του να αποδειχθεί καταλυτική σε ένα αγροτικό ζήτημα. Η τεχνολογία των συστημάτων GIS είναι δοκιμασμένη και οι βασικές λειτουργίες τους σήμερα παρέχουν ασφαλείς και καθιερωμένες βάσεις για τη λήψη μετρήσεων, τη χαρτογράφηση και την ανάλυση του πραγματικού κόσμου. (Paul A. Lonfley, Michael G. Goodchild, David J. Maguire, David W. Rhind, 2010). Οι διαχρονικές αλλαγές που προκαλούνται σε μια περιοχή παρουσιάζονται με τη χρήση δορυφορικών εικόνων και την επεξεργασία τους από τις σύγχρονες μεθόδους της Τηλεπισκόπησης και των Γεωγραφικών Συστημάτων Πληροφοριών. Η Τηλεπισκόπηση σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών προσφέρουν τη δυνατότητα ανάπτυξης ενός ολοκληρωμένου συστήματος παρακολούθησης και διαχείρισης των φυσικών οικοσυστημάτων (Καρτέρης, 2004). Η αποτύπωση της παρακολούθησης των διαχρονικών αλλαγών των χρήσεων γης, προϋποθέτει μία σειρά από παραμέτρους οι οποίες δε μπορούν να ανακαλυφθούν μόνο με τις επίγειες μεθόδους (Mas, J-F., 1999). Η χρήση σύγχρονων μεθόδων παρατήρησης, όπως είναι η Τηλεπισκόπηση δίνει τη δυνατότητα να εστιάσουμε στην ανάπτυξη και την εφαρμογή μεθόδων και τεχνικών για τη μελέτη περιβαλλοντικών προβλημάτων και φαινομένων (Collins, J. and C. Woodcock., 1996). Ο συνδυασμός της Τηλεπισκόπησης με τα Γεωγραφικά Συστήματα Πληροφοριών μπορεί να αξιοποιηθεί και για αγροτικά ζητήματα. 13

15 Παρακάτω παρουσιάζονται διάφορες μέθοδοι προσέγγισης της ταξινόμησης των καλλιεργειών από ερευνητές, σε διάφορες περιοχές όπως στις πεδιάδες της Νοτίου Αμερικής, ή στην λεκάνη απορροής του ποταμού Zayandeh Rud στο Ιράν. Μερικές από αυτές είναι η ταξινόμηση καλλιεργειών με τη χρήση διαχρονικών δορυφορικών εικόνων και τον αλγόριθμο της μέγιστης πιθανοφάνειας, η ταξινόμηση καλλιεργειών με τη χρήση δορυφορικής εικόνας Landsat 7 και τον αλγόριθμο της ελάχιστης απόστασης κα. Σκοπός Η παρούσα εργασία αφορά στη μελέτη του αγροτικού περιβάλλοντος σε τμήμα του Νομού Κιλκίς και συγκεκριμένα εννέα Δημοτικών διαμερισμάτων (Κιλκίς, Λειψυδρίου, Γαλλικού, Καμπάνη, Ξυλοκερατιάς, Νέας Σάντας, Πεδινού, Μανδρών και Χρυσόπετρας ) την καλλιεργητική περίοδο , μέσω της ταξινόμησης με τη χρήση δορυφορικής εικόνας LAND-SAT 5 ΤΜ. Επίσης η εργασία αποσκοπεί στην εξαγωγή στατιστικών στοιχείων για τα είδη και την έκταση των καλλιεργειών της περιοχής μελέτης. Στόχοι Η παρούσα έρευνα θέτει ειδικότερα τους εξής στόχους: α) Διερεύνηση παρόμοιων μελετών μέσω βιβλιογραφικής ανασκόπησης. β) Η ταξινόμηση των καλλιεργειών που βρίσκονται στη περιοχή μελέτης, καθώς και ο έλεγχος της ακρίβειας της ταξινόμησης αυτής. γ) Εξαγωγή στατιστικών στοιχείων από τα διανυσματικά και τα ψηφιδωτά δεδομένα και σύγκριση μεταξύ τους. 14

16 Κεφάλαιο 2 - Ανασκόπηση βιβλιογραφίας. Παρόμοιες μελέτες έχουν ασχοληθεί με την ταξινόμηση των καλλιεργειών. Παρακάτω γίνεται αναφορά σε έξι έρευνες, έγκριτων επιστημονικών ερευνητών και παρουσιάζεται ο τρόπος προσέγγισης τους για το εν λόγω ζήτημα. Η μελέτη των C. S. Murthy et al είχε σκοπό να καταδείξει την ανάγκη για διαχρονικά δορυφορικά δεδομένα για την ταξινόμηση των καλλιεργειών σιταριού, να μελετήσει την απόδοση της μέθοδο της μέγιστης πιθανοφάνειας, όταν εφαρμόζεται σε διαχρονικά δορυφορικά δεδομένα για να οριοθετηθούν οι καλλιέργειες του σιταριού, να εφαρμοστεί η μέθοδος της μέγιστης πιθανοφάνειας με διαφορετικές στρατηγικές : τη διαδοχική MLC (s_mlc), MLC με Κύρια Στοιχεία (pca_mlc) και την επαναλαμβανόμενη MLC (i_mlc)-με τα πολυχρονικά δεδομένα και να συγκρίνει την απόδοση ταξινόμησης για κάθε στρατηγική. Επίσης να εφαρμόσει την τεχνική της ανάστροφης διάδοσης τεχνητών νευρωνικών δικτύων για διαχρονικές εικόνες και να αξιολογήσει την απόδοση ταξινόμησης σε σύγκριση με την μέθοδο της μέγιστης πιθανοφάνειας (C. S. Murthy, P. V. Raju και K. V. S. Badrinath, 2003). Η μελέτη έδειξε πρώτα την ανάγκη για διαχρονικές εικόνες για την ταξινόμηση των καλλιεργειών και στη συνέχεια συνέκρινε τα αποτελέσματα από διάφορες πρότυπες μεθοδολογίες, παραμετρικές και μη παραμετρικές, για την ταξινόμηση των καλλιεργειών με διαχρονικές εικόνες. Η χρήση των πολλαπλών χρονικών δεδομένων έχει αυξήσει την φασματική διαχωριστικότητα μεταξύ των γεωργικών καλλιεργειών. Η ταξινόμηση μίας μόνο ημερομηνίας περιορίζεται από το πρόβλημα της φασματικής επικάλυψης, ενώ η ταξινόμηση πολλαπλών ημερομηνιών περιορίζεται από το πρόβλημα των μηδενικών τιμών των εικονοστοιχείων και της ανεπαρκούς διαβάθμισης των "καλλιεργούμενων" εικονοστοιχείων. Υπάρχει μια αντίστροφη σχέση μεταξύ των ταξινομημένων εικονοστοιχείων σιταριού και του αριθμού των άνω διαβάσεων και μια πολύ ισχυρή και άμεση σχέση μεταξύ των ταξινομημένων μηδενικής τιμής εικονοστοιχείων και του αριθμού των άνω διαβάσεων, όταν χρησιμοποιείται η MLC. Οποιαδήποτε διαδικασία ταξινόμησης μπορεί να γίνει αποτελεσματική υπό δύο προϋποθέσεις. Πρώτον η ταξινόμηση αυτή πρέπει να είναι πλήρης, υπό την έννοια ότι όλες οι μονάδες της ταξινόμησης (pixel) πρέπει να επισημαίνονται, και δεύτερον η ακριβής επισήμανση των μονάδων. Οι M. Αkbari et al προκειμένου να αποκτήσουν περισσότερες πληροφορίες σχετικά με τα πρότυπα των καλλιεργειών στις αρδευόμενες εκτάσεις στη λεκάνη απορροής του ποταμού Zayandeh Rud, πραγματοποίησαν μία ανάλυση ταξινόμησης της εικόνας 15

17 Landsat 7 με ημερομηνία λήψης την 2α Ιουλίου του Ο στόχος της ταξινόμησης ήταν να επικεντρωθεί κυρίως στη γεωργική χρήση της γης. Η ημερομηνία της εικόνας έπεσε κατά τη μεταβατική περίοδο, όπου οι πρώτες καλλιέργειες συλλέχθηκαν και πολλά χωράφια προετοιμαζόντουσαν για τη δεύτερη σοδειά. Η εικόνα έχει ως εκ τούτου συλλάβει μια στιγμιαία εικόνα ενός γενικού συστήματος στην μετάβαση από την πρώτη στη δεύτερη σοδειά, αλλά με σημαντικές διαφορές από σύστημα σε σύστημα, σε σχέση με τους τύπους των καλλιεργειών και των γεωργικών κύκλων. Η συνολική ακρίβεια της καταγραφής της εικόνας ήταν περίπου 30m (ένα pixel). Επιτόπια έρευνα διεξήχθη σε διάφορες περιπτώσεις τη περίοδο Αυγούστου-Οκτωβρίου του 2000 και την περίοδο Μαΐου-Οκτωβρίου Ερωτήθηκαν αγρότες να προσδιοριστεί η κατάσταση της 2ας Ιουλίου Τα αγροτεμάχια χαρτογραφήθηκαν λεπτομερώς με τα όργανα GPS και δεδομένα συγκεντρώθηκαν για 112 αγροτεμάχια. Χρησιμοποιώντας έναν εποπτευόμενο σύστημα ταξινόμησης, περιοχές εκπαίδευσης επιλέχθηκαν και οι αρχικές ταξινομήσεις έγιναν για να προσδιορίσει την εγκυρότητα των κατηγοριών. Μετά τη συγχώνευση διαφόρων κλάσεων και τον έλεγχο πολλών νέων κατηγοριών, έγινε ένα τελικό σύστημα κατάταξης. Και οι επτά φασματικές ζώνες της Landsat εικόνας χρησιμοποιήθηκαν στον προσδιορισμό των στατιστικών χαρακτηριστικών. Η τελική κατάταξη έγινε με τον αλγόριθμο της ελάχιστης απόστασης. Τα στατιστικά στοιχεία που αφορούν στις περιοχές και στο είδος καλλιέργειας για τη περιοχή μελέτης λήφθηκαν με τη διασταύρωση του ψηφιδωτού χάρτη με τον ψηφιδωτό χάρτη άρδευσης της περιοχής. Τα αποτελέσματα συγκρίθηκαν με άλλα προηγούμενων μελετών (M. Αkbari, A. R. Mamanpoush, A. Gieske, M. Miranzadeh, M. Torabi, H. R. Salemi, 2006). Ο L. Pedroni έκανε χρήση των τροποποιημένων εκ των προτέρων πιθανοτήτων με σκοπό την αξιοποίηση των επικουρικών δεδομένων και την αύξηση στην ακρίβεια της ταξινόμησης. Παρουσίασε μια μελέτη κατά την οποία η διαδικασία που ακολουθήθηκε κατέστησε δυνατό να εκτιμηθούν 537 σύνολα των εκ των προτέρων πιθανοτήτων για μια ολόκληρη Landsat (TM) εικόνα της κεντρικής Κόστα Ρίκα. Μετά την τροποποίηση των τάξεων των εκ των προτέρων πιθανοτήτων, η συνολική συνοχή στη ταξινόμηση των χώρων εκπαίδευσης (training areas), βελτιώθηκε από 74,6% σε 91,9%, ενώ η συνολική ακρίβεια ταξινόμησης των περιοχών που ελέγχονται στον τομέα από ανεξάρτητες μελέτες βελτιώθηκε από 68,7% σε 89,0%. Η ακρίβεια ταξινόμησης ήταν πιο βελτιωμένη στις φασματικά παρόμοιες 16

18 κλάσεις. Η μέθοδος αυτή βελτιώνει την ακρίβεια ταξινόμησης σε μεγάλα και πολύπλοκα τοπία με φασματικά μικτές κατηγορίες χρήσης γης (L. Pedroni, 2003). Οι Pampas είναι γόνιμες πεδιάδες στη Νότιο Αμερική. Οι J. P. Guerschman et al, στη μελέτη στόχο είχαν τη διερεύνηση της χρήσης των διαχρονικών δεδομένων Landsat TM, από την ίδια καλλιεργητική περίοδο, για την ταξινόμηση των τύπων κάλυψης γης στο νότιο-δυτικό τμήμα των Pampas της Αργεντινής. Έρευνες έγιναν στο πόσες ημερομηνίες είναι απαραίτητες για να ληφθεί μια ακριβής ταξινόμηση (χρονικό βήμα) και δεδομένου ένα προκαθορισμένο αριθμό ημερομηνιών, ποιος είναι ο συγκεκριμένος συνδυασμός των ημερομηνιών που αποφέρουν τα καλύτερα αποτελέσματα. Επιπλέον, ελέγχθηκαν η επίδραση της χρήσης του NDVI αντί των φασματικών ζωνών που διατίθενται για την ακρίβεια της ταξινόμησης και η χρήση ενός φίλτρου κινούμενου παραθύρου πάνω από την ταξινομημένη εικόνα. Χρησιμοποιήθηκαν εικόνες οι οποίες αποκτήθηκαν την άνοιξη, αρχές του καλοκαιριού, τα τέλη του καλοκαιριού και στις αρχές του φθινοπώρου της καλλιεργητικής περιόδου Πληροφορίες για την κάλυψη γης για την ίδια περίοδο συλλέχθηκαν από μονάδες και αγροκτήματα και οι πληροφορίες αυτές περιλήφθηκαν σε ένα GIS. Πραγματοποιήθηκαν Επιβλεπόμενες ταξινομήσεις χρησιμοποιώντας όλες τους 15 πιθανούς τρόπους έτσι ώστε να συνδυαστούν οι τέσσερις ημερομηνίες. Συμπέραναν πως τουλάχιστον δύο εικόνες απαιτούνται για μια ικανοποιητική ταξινόμηση. Αυτές οι σκηνές πρέπει να περιλαμβάνουν την μετατόπιση μεταξύ χειμερινών και θερινών καλλιεργειών. Χρησιμοποιώντας το δείκτη βλάστησης NDVI αντί των φασματικών ζωνών Landsat TM 3, 4 και 5, αυξήθηκε η βιολογική ερμηνευσιμότητα των αποτελεσμάτων, αλλά προκλήθηκε μια μείωση στην ακρίβεια (J. P. Guerschman, J. M. Paruelo, C. Di Bella, M. C. Giallorenzi, F. Pacin, 2003). Στην έρευνα των S. Cordero-Sancho και S. A. Sader, η περιοχή μελέτης βρίσκεται στην κεντρική κοιλάδα της Κόστα Ρίκα. Οι στόχοι της έρευνας ήταν η εκτέλεση μίας επιβλεπόμενης ταξινόμησης με τρεις διαφορετικούς συνδυασμούς ζωνών συχνοτήτων, χρησιμοποιώντας εικόνες Landsat Enhanced Thematic Mapper Plus (ETM +), η ανάπτυξη και η εφαρμογή ενός μοντέλου περιβαλλοντικής στρωματοποίησης της καλλιέργειας του καφέ (CESM) στο στάδιο της μετα-ταξινόμησης. Έπειτα να συγκρίνει στατιστικά τα αποτελέσματα της ακρίβειας της επιβλεπόμενης ταξινόμησης, με και χωρίς την CESM, καθώς και την εκτέλεση σταδιακής και διακριτής ανάλυσης για να καθοριστεί ποιος συνδυασμός ζωνών συχνοτήτων έχει την υψηλότερη διακριτική ικανότητα για τις 17

19 καλλιέργειες καφέ και να συγκρίνουν την ακρίβεια ταξινόμησης με τους άλλους συνδυασμούς ζωνών συχνοτήτων. Στα αποτελέσματα της έρευνας αναφέρεται πως υπήρχε φασματική σύγχυση στη διαχώριση της καλλιέργειας του καφέ με την "ξύλινη" και μη, χρήση γης. Ωστόσο, η συνολική ακρίβεια για την καλλιέργεια του καφέ και τις διάφορες ποικιλίες του, ήταν υψηλότερη από ό, τι έχει αναφερθεί σε προηγούμενες έρευνες που προσπάθησαν να διακρίνουν τον καφέ από τα δάση και άλλα είδη (S. Cordero-Sancho, S. A. Sader, 2007). Οι Luis Samaniego και Karsten Schulz, εφαρμόζουν την τεχνική του Nearest neighbor η οποία χρησιμοποιείται συνήθως στην τεχνολογία της τηλεπισκόπησης για την ταξινόμηση των αντικειμένων σε ένα προκαθορισμένο αριθμό των κατηγοριών με βάση ένα δεδομένο σύνολο των προγνωστικών. Για την επεξήγηση της εφαρμογής της τεχνικής αυτής, παρουσιάστηκαν δύο ταξινομήσεις αγροτικών καλύψεων γης χρησιμοποιώντας μονοχρονικές και πολυχρονικές εικόνες Landsat. Τα αποτελέσματα της μελέτης, συγκρίθηκαν με τις συνήθεις προσεγγίσεις που χρησιμοποιούνται στην τηλεπισκόπηση, όπως αυτή της μέγιστης πιθανοφάνειας ή του k- Nearest Neighbor (πλησιέστερου κοντινού σημείου) και δείχνουν σημαντική βελτίωση σε σχέση με τη συνολική ακρίβεια. Επίσης, με τη χρήση της τροποποιημένης τεχνικής Nearest Neighbor, αποδείχθηκε ότι είναι ένα πολύ χρήσιμο εργαλείο, προκειμένου να αντληθούν κρίσιμες πληροφορίες για περιοχές που χρειάζονται κάποια επιπλέον προσοχή (Luis Samaniego, Karsten Schulz, 2009). 18

20 Κεφάλαιο 3: Περιοχή Μελέτης 3.1 Γενικά Η περιοχή μελέτης ορίστηκε κατόπιν συνεννοήσεως με τον επιβλέποντα καθηγητή. Βρίσκεται στο Νομό Κιλκίς και απαρτίζεται από δημοτικά διαμερίσματα των Καποδιστριακών Δήμων Κιλκίς, Γαλλικού και Πικρολίμνης. Συγκεκριμένα αποτελείται από : Δ.δ. Κιλκίς και Λειψυδρίου τα οποία ανήκουν στο Δήμο Κιλκίς. Δ.δ. Πεδινού, Καμπάνη, Χρυσόπετρας, Μανδρών, Γαλλικού και Νέας Σάντας τα οποία ανήκουν στο Δήμο Γαλλικού. Δ.δ. Ξυλοκερατέας το οποίο ανήκει στο Δήμο Πικρολίμνης. 3.2 Θέση - Έκταση Εικόνα 3.1 Περιοχή Μελέτης Ταξινόμησης Καλλιεργειών Η περιοχή μελέτης συνορεύει στα ανατολικά με το Νομό Σερρών, στα νότια με το Νομό Θεσσαλονίκης, ενώ στα βόρεια και στα δυτικά συνορεύει με δημοτικά διαμερίσματα του 19

21 Νομού. Επίσης στο ανατολικό μέρος η μορφολογία του εδάφους της χαρακτηρίζεται ως λοφώδης, σε αντίθεση με το δυτικό τμήμα. Επιπλέον στο δυτικό τμήμα διέρχεται ο ποταμός Γαλλικός. Η συνολική έκταση της περιοχής μελέτης ανέρχεται στα 300 km Είδη καλλιεργειών Στη περιοχή μελέτης όλες οι καλλιέργειες είναι ξηρικές. Μη αρδευόμενη γεωργία ή ξηρική καλλιέργεια είναι η καλλιέργεια φυτών δίχως άρδευση σε περιοχές όπου η ετήσια βροχόπτωση δεν ξεπερνά τα 500 χιλ. Η ξηρική καλλιέργεια βασίζεται κυρίως σε συγκεκριμένες καλλιεργητικές πρακτικές οι οποίες επιτρέπουν μια αποτελεσματική και επαρκή χρήση της περιορισμένης υγρασίας του εδάφους (geografia.fcsh.unl.pt/lucinda). Τα αγροτεμάχια συνολικά ξεπερνούν τις (συγκεκριμένα στο πλήθος), όπου η συντριπτική πλειοψηφία τους (16.603) αποτελείται από σιτηρά. Στα υπόλοιπα συναντώνται οι εξής καλλιέργειες: Εικόνα 3.2 Τα αγροτεμάχια της περιοχής μελέτης 20

22 3.4 Μορφολογικά στοιχεία Παρακάτω απεικονίζονται κάποια μορφολογικά στοιχεία της περιοχής μελέτης όπως η κλίση του εδάφους, ο προσανατολισμός της κλίσης αυτής, καθώς και υψομετρική πληροφορία. Επίσης παρατίθενται πίνακες για τα παραπάνω μορφολογικά στοιχεία ανά καλλιέργεια. Εικόνα 3.3 Κλίση του εδάφους Εικόνα 3.4 Προσανατολισμός της κλίσης 21

23 Εικόνα 3.5 Υψομετρική Πληροφορία ΚΛΙΣΗ % ΜΙΝ ΜΑΧ ΜΕΣΗ ΚΛΙΣΗ Αραβόσιτος 0 10,394 1,710 Δένδρα 0 16,794 5,749 Αγρανάπαυση 0,216 16,615 5,04 Ελαιούχοι σπόροι 0,649 10,872 3,550 Ελιές 0,483 11,321 5,318 Ενεργειακές Καλλιέργεις 0 16,456 4,297 Σιτηρά 0 23,883 4,709 Κηπευτικά 0,216 12,064 3,813 Όσπρια 0,483 15,701 5,028 Πρωτεϊνούχοι σπόροι 0,216 17,789 5,490 Βαμβάκι 0 18,734 5,139 Ζωοτροφές 0,216 20,196 4,439 Βοσκότοποι 0 64,888 11,495 Πίνακας 3.1 Κλίση εδάφους ανά καλλιέργεια 22

24 ΜΕΣΟΣ ΠΡΟΣΑΝΑΤΟΛΙΣΜΟΣ Αραβόσιτος Δένδρα Αγρανάπαυση Ελαιούχοι σπόροι Ελιές Ενεργειακές Καλλιέργεις Σιτηρά Κηπευτικά Όσπρια Πρωτεϊνούχοι σπόροι ΝΟΤΙΟΣ ΝΟΤΙΟΣ ΝΟΤΙΟΣ ΝΟΤΙΟΑΝΑΤΟΛΙΚΟΣ ΝΟΤΙΟΑΝΑΤΟΛΙΚΟΣ ΝΟΤΙΟΣ ΝΟΤΙΟΣ ΝΟΤΙΟΣ ΝΟΤΙΟΣ ΝΟΤΙΟΣ Βαμβάκι ΝΟΤΙΟΣ Ζωοτροφές ΝΟΤΙΟΣ Βοσκότοποι ΝΟΤΙΟΣ Πίνακας 3.2 Προσανατολισμός κλίσης ανά καλλιέργεια ΥΨΟΜΕΤΡΟ ΜΙΝ ΜΑΧ ΜΕΣΟ ΥΨΟΜΕΤΡΟ Αραβόσιτος ,983 Δένδρα ,240 Αγρανάπαυση ,029 Ελαιούχοι σπόροι ,347 Ελιές ,805 Ενεργειακές Καλλιέργειες ,124 Σιτηρά ,128 Κηπευτικά ,289 Όσπρια ,206 Πρωτεϊνούχοι σπόροι ,065 Βαμβάκι ,190 Ζωοτροφές ,691 Βοσκότοποι ,291 Πίνακας 3.3 Υψομετρική πληροφορία ανά καλλιέργεια 23

25 3.5 Γενικά στατιστικά στοιχεία Παρακάτω παρατίθεται πίνακας, από τον οποίο προέκυψαν κάποια στατιστικά διαγράμματα, όπως ποσοστά είδους καλλιέργειας ανά δημοτικό διαμέρισμα κλπ, για την περιοχή μελέτης. Τα στοιχεία αυτά βρίσκονται στο κεφάλαιο των αποτελεσμάτων της παρούσας εργασίας. ΔΗΜΟΤΙΚΟ ΔΙΑΜΕΡΙΣΜΑ ΠΛΗΘΟΣ ΑΓΡΟΤΕΜΑΧΙΩΝ ΕΚΤΑΣΗ (km 2 ) ΠΕΡΙΜΕΤΡΟΣ (m) ΚΑΛΛΙΕΡΓΗΣΙΜΗ ΕΚΤΑΣΗ (km 2 ) ΠΟΣΟΣΤΟ ΚΑΛΛΙΕΡΓΗΣΙΜΗΣ ΕΚΤΑΣΗΣ (%) ΓΑΛΛΙΚΟΣ ΚΑΜΠΑΝΗ ΚΙΛΚΙΣ ΛΕΙΨΥΔΡΙΟ ΜΑΝΔΡΕΣ ΝΕΑ ΣΑΝΤΑ ΞΥΛΟΚΕΡΑΤΙΑ ΠΕΔΙΝΟ ΧΡΥΣΟΠΕΤΡΑ ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ Πίνακας 3.4 Στοιχεία περιοχής μελέτης ΠΛΗΘΟΣ ΑΓΡΟΤΕΜΑΧΙΩΝ Διάγραμμα 3.1 Απεικόνιση πλήθους αγροτεμαχίων ανά δημοτικό διαμέρισμα 24

26 Κεφάλαιο 4 - Μεθοδολογία Η μεθοδολογία που ακολουθήθηκε στη παρούσα εργασία αφορούσε στο συνδυασμό της Δορυφορικής Τηλεπισκόπησης με τα Γεωγραφικά Συστήματα Πληροφοριών για την εξαγωγή του ζητούμενου αποτελέσματος πρωτογενή δεδομένα χωρίστηκαν σε διανυσματικά (vector) και ψηφιδωτά (raster). Τα διανυσματικά δεδομένα καταρχάς, αφού ορίστηκε για αυτά ως γεωδαιτικό σύστημα αναφοράς το WGS 84 (εγκάρσια μερκατορική προβολή, ζώνη 34Ν), ενοποιήθηκαν σε ένα αρχείο shapefile. Έπειτα διαχωρίστηκαν οι χειμερινές καλλιέργειες από τις θερινές. Επόμενο βήμα ήταν η εφαρμογή δύο κριτηρίων, αυτό της έκτασης (κάθε αγροτεμάχιο είναι μεγαλύτερο ή ίσο με δύο στρέμματα) και αυτό του πλήθους της συχνότητας εμφάνισης των καλλιεργειών (κάθε τύπος καλλιέργειας πρέπει να εμφανίζεται αρκετές φορές στην περιοχή μελέτης για να γίνει αργότερα σωστή η δειγματοληψία για τη λήψη φασματικών υπογραφών).. Οι παραπάνω διαδικασίες πραγματοποιήθηκαν από το λογισμικό ArcGis Εκτός από την επεξεργασία, τα διανυσματικά δεδομένα απέδωσαν και κάποιες στατιστικές πληροφορίες για την περιοχή μελέτης οι οποίες παρατίθενται στα αποτελέσματα σε μορφή διαγραμμάτων και πινάκων προερχόμενα από το Microsoft Office Excel. Τα ψηφιδωτά δεδομένα αποτελούνται από 7 φασματικές μπάντες δορυφορικής εικόνας Landsat 5 TM με ημερομηνία λήψης την Πρώτο βήμα ήταν η ένωση των φασματικών ζωνών σε μία εικόνα. Έπειτα πραγματοποιήθηκε η κοπή της στα όρια της περιοχής μελέτης. Αμέσως μετά πραγματοποιήθηκε η λήψη των φασματικών υπογραφών για κάθε καλλιέργεια με τη χρήση των διανυσματικών δεδομένων ως σημείο αναφοράς. Με τη λήψη των φασματικών υπογραφών πραγματοποιήθηκε η επιβλεπόμενη ταξινόμηση στην δορυφορική εικόνα με τον αλγόριθμο της μέγιστης πιθανοφάνειας. Οι παραπάνω διαδικασίες πραγματοποιήθηκαν από το λογισμικό Erdas Imagine 9.1. Έπειτα έγινε εξαγωγή στατιστικών στοιχείων βάση των αποτελεσμάτων και συγκρίθικαν με τα στατιστικά που προέκυψαν από τα διανυσματικά δεδομένα. Αφού πραγματοποιήθηκε η ταξινόμηση, τέλος, αξιολογήθηκε η ακρίβεια της. Τέλος, στην αξιολόγηση της ακρίβειας της επιβλεπόμενης ταξινόμησης, έγινε μία αναφορά στα ποσοστά επιτυχίας της, για ποιο λόγο επιτεύχθηκαν αυτά τα ποσοστά και ποιοι παράγοντες οδήγησαν σε αυτά. Παρακάτω παρατίθεται διάγραμμα ροής των εργασιών: 25

27 Εικόνα 4.1 Διάγραμμα ροής εργασιών 26

28 4.1 Γεωδαιτικό Σύστημα Αναφοράς Σημαντικό βήμα πριν την έναρξη επεξεργασίας των δεδομένων είναι πάντα το κοινό σύστημα αναφοράς. Υπήρχαν δύο επιλογές στο σημείο αυτό. Είτε να μετατραπούν τα αγροτεμάχια στο γεωγραφικό σύστημα αναφοράς όπου υφίσταται η δορυφορική εικόνα, είτε το αντίθετο. Επελέγη η πρώτη περίπτωση. Αυτό συνέβη διότι αλλάζοντας το γεωγραφικό σύστημα αναφοράς της δορυφορικής εικόνας υπήρχε πολύ μεγάλη πιθανότητα να αλλοιωθούν οι τιμές των pixels κατά τη διαδικασία αυτή, με αποτέλεσμα την εξαγωγή εσφαλμένων αποτελεσμάτων κατά την ταξινόμηση της. Έπειτα από την ολοκλήρωση της ταξινόμησης, είναι δυνατή και ασφαλής η οποιαδήποτε μετατροπή. 4.2 Λογισμικά Επεξεργασίας Δεδομένων Για τη σωστή επεξεργασία των δεδομένων (vector και raster) απαιτούνται και τα κατάλληλα λογισμικά. Στη προκειμένη περίπτωση για την επεξεργασία των διανυσματικών δεδομένων χρησιμοποιήθηκε το ArcGIS έκδοση 10.1 για λόγους κυρίως της εξοικείωσης που υπάρχει με το λογισμικό αυτό, ενώ σε ζητήματα που ασχολούνται με τηλεπισκόπηση, ταξινόμηση και επεξεργασία raster δεδομένων χρησιμοποιήθηκε το ERDAS Imagine έκδοση 9.1. Το ArcGIS της ESRI είναι ένα σύστημα γεωγραφικών πληροφοριών (GIS) για την εργασία με χάρτες και γεωγραφικές πληροφορίες. Χρησιμοποιείται για τη δημιουργία και τη χρήση των χαρτών, σύνταξη γεωγραφικών δεδομένων, ανταλλαγή και την ανακάλυψη γεωγραφικών πληροφοριών, χρησιμοποίηση χαρτών και γεωγραφικών πληροφορών σε ένα ευρύ φάσμα εφαρμογών, καθώς και διαχείριση γεωγραφικών πληροφοριών σε μια βάση δεδομένων. Το ERDAS IMAGINE είναι μια εφαρμογή τηλεπισκόπησης με δυνατότητες επεξεργασίας γραφικών raster που σχεδιάστηκε από την ERDAS για γεωχωρικές εφαρμογές. Είναι μια εργαλειοθήκη που επιτρέπει στο χρήστη να εκτελέσει πολλές λειτουργίες σε μια εικόνα και να δημιουργήσει μια απάντηση σε συγκεκριμένες γεωγραφικές ερωτήσεις. 27

29 4.3 Διανυσματικά δεδομένα (VECTOR) Προέλευση δεδομένων Τα δεδομένα αποκτήθηκαν κατόπιν αίτησης προς την Ένωση Αγροτικού Συνεταιρισμού Κιλκίς. Ο σκοπός δημιουργίας των δεδομένων έχει να κάνει με τις δηλώσεις τις Α.Ε.Ε (Αίτηση Ενιαίας Ενίσχυσης) όπως αυτές υπάρχουν στον σύστημα Ο.Σ.Δ.Ε. (Ολοκληρωμένο Σύστημα Διαχείρισης και Ελέγχου) το οποίο διαθέτει η εταιρία Neuropublic και διαχειρίζεται ο κρατικός φορέας Ο.Π.Ε.Κ.Ε.Π.Ε. (Οργανισμός Πληρωμών και Ελέγχου Κοινοτικών Ενισχύσεων Προσανατολισμού και Εγγυήσεων) σε συνεργασία πάντα και με τις αντίστοιχες κατά τόπους Ε.Α.Σ. (Ένωση Αγροτικού Συνεταιρισμού) ή Ε.Γ.Σ. (Ένωση Γεωργικού Συνεταιρισμού). Εικόνα 4.2 Δείγμα απεικόνισης αγροτεμαχίων 28

30 4.3.2 Περιγραφή δεδομένων Οι πληροφορίες για την διεξαγωγή της παρούσας εργασίας αντλήθηκαν από τα δεδομένα αυτά, τα οποία βρίσκονται σε ψηφιακή μορφή και χρονολογία δημιουργίας το Πρόκειται για πολυγωνικά διανύσματα (vector), σε μορφή αρχείου shapefile (.shp) όπου το καθένα αναπαριστά το αντίστοιχο αγροτεμάχιο από την περιοχή μελέτης. Επιπλέον κάθε εγγραφή, (αγροτεμάχιο) περιέχει πρόσθετες πληροφορίες όπως έκταση, είδος καλλιέργειας, γεωγραφικές συντεταγμένες κ.ά. Όλα τα shapefiles έχουν ως προκαθορισμένο το Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς 87 (εγκάρσια Μερκατορική προβολή του ΕΓΣΑ 87 ). Συγκεκριμένα τα αρχεία αποκτήθηκαν ανά δημοτικό διαμέρισμα, δηλαδή ξεχωριστά τα αγροτεμάχια του δημοτικού διαμερίσματος Κιλκίς κλπ. και είναι : parcels_gallikos.shp, parcels_kampani.shp, parcels_kilkis.shp, parcels_leipsidrio.shp, parcels_mandres.shp, parcels_n.santas.shp, parcels_xylokeratias.shp, parcels_pedino.shp, και parcels_xrysopetra.shp Επεξήγηση πεδίων Όπως προαναφέρθηκε τα δεδομένα περιέχουν πρόσθετες πληροφορίες. Οι πληροφορίες αυτές έχουν μορφή πίνακα ο οποίος αποτελείται από πεδία τα οποία επεξηγούνται αμέσως παρακάτω. Επίσης παρατίθεται πίνακας επεξήγησης του πεδίου Cropcode το οποίο έχει σχέση με το είδος καλλιέργειας ανά αγροτεμάχιο : 1) FID= Αύξων αριθμός των αγροτεμαχίων (parcels) 2) SHAPE= Σχήμα 3) ID= Αύξων αριθμός δημιουργίας parcels 4) EFO_ID= 5) AFM= Αριθμός Φορολογικού Μητρώου 6) EPONYMO= Επώνυμο 7) ONOMA= Όνομα 8) PATRONYMO= Πατρώνυμο 9) EDA 12 KODI = Αύξων αριθμός αγροτεμάχιου στη δήλωση 10) EST 12 KODI = Α/Α σταβλικής εγκατάστασης στη δήλωση 11) ADT FLAG = Αγροτεμάχιο το οποίο ανήκει σε άλλη Ε.Α.Σ. 12) MHEPILEXIM = εάν παίρνει την τιμή 0, τότε το αγροτεμάχιο βρίσκεται σε καλλιεργήσιμη ενότητα. Εάν η τιμή είναι -1, τότε βρίσκεται σε καλλιεργήσιμη 29

31 ενότητα, με τη διαφορά ότι περιέχει ακαλλιέργητο κομμάτι. Τέλος, εάν παίρνει την τιμή 1, τότε το αγροτεμάχιο βρίσκεται σε ενότητα ακαλλιέργητη (πχ δάσος) 13) SYNIDIOFLAG = Εάν παίρνει την τιμή 9, τότε έχει ψηφιοποιηθεί βοσκότοπος με ποσοστό συνιδιοκτησίας. 14) CROPCODE = είδος καλλιέργειας. CROPCODE ΚΑΛΛΙΕΡΓΕΙΑ CROPCOD ΚΑΛΛΙΕΡΓΕΙΑ 1 σίτος σκληρός 21 E καρποί με κέλυφος 2 λοιπά σιτηρά αραβόσιτος ποτιστικός 23 ψυχανθή 4 ελαιούχοι σπόροι 26 εκτάσεις σε καλή γεωργική κατάσταση 5 πρωτεϊνούχοι σπόροι 36.1 αμπέλια αναδιάρθρωσης 6 αγρανάπαυση 36.2 αμπέλια οινοποιήσιμα αμπέλια επιτραπέζια 8 ζωοτροφές 37-9 βοσκότοπος 38 κηπευτικά 10 ζαχαρότευτλα 43 αποξηραμένες χορτονομές 11 οσπριοειδή βαμβάκι 45.1 λοιπά δέντρα δενδρώδεις καλλιέργειες ελιές ενεργειακές καλλιέργειες 48 φωτοβολταϊκά 17 καπνός 49 δασικές καλλιέργειες 18 ντομάτες 50 - Πίνακας 4.1 Είδη Καλλιεργειών 15) ΑΑ ΤΕΜ= 3ψηφιος κωδικός αριθμός αγροτεμάχιου ανά ενότητα. 16) ΧΑΡΤΟ Ν = Α/Α τεμαχίου μαζί με το 10ψηφιο κωδικό αριθμό της ενότητας. 17) AREA DHL = Δηλωμένη έκταση αγροτεμάχιου 18) AREA PH = Ψηφιοποιημένη έκταση αγροτεμάχιου 19) PERIM P = Περίμετρος αγροτεμάχιου Υπάρχουν και άλλα πεδία για τα οποία δεν κρίνεται αναγκαία κάποια επεξήγηση, διότι η χρησιμότητα και ο σκοπός δημιουργίας τους δεν αποτελούν βοηθητικά στοιχεία για την περάτωση της εργασίας. Για λόγους διασφάλισης του προσωπικού απορρήτου, τα πεδία τα οποία περιέχουν ιδιωτικές πληροφορίες όπως πχ το ΑΦΜ, διαγράφηκαν, καθώς επίσης δεν παρέχουν καμία απολύτως χρησιμότητα για τον σκοπό της εργασίας. 30

32 4.3.4 Σύνδεση πεδίου Cropcode με πίνακα excel Για τον ευκολότερο συμβολισμό και διαχωρισμό των καλλιεργειών, ο πίνακας 1 της προηγούμενης υποενότητας συνδέθηκε με τη βάση δεδομένων των καλλιεργειών. Η σύνδεση πραγματοποιήθηκε με την εντολή join του ArcGis. Πρώτα ο πίνακας 1 μεταφέρθηκε σε αρχείο τύπου excel. Έπειτα από το πρόγραμμα έγινε η σύνδεση με κοινό πεδίο και στους δύο πίνακες το CROPCODE. Εικόνα 4.3 Σύνδεση πεδίου Cropcode με πίνακα excel Εικόνα 4.4 Λειτουργία της εντολής join 31

33 4.4 Επεξεργασία Διανυσματικών δεδομένων 4.4.1Ενοποίηση αγροτεμαχίων - Αφαίρεση διπλοεγγραφών Όπως προαναφέρθηκε τα δεδομένα που αφορούν τα αγροτεμάχια δόθηκαν ανά δημοτικό διαμέρισμα. Για την ορθότερη και ευκολότερη επεξεργασία - διαχείριση των δεδομένων αυτών θεωρήθηκε ορθό να ενοποιηθούν από εννέα διαφορετικά shapefiles σε ένα. Με Εικόνα 4.5 Τα αγροτεμάχια ανά δημοτικό διαμέρισμα τον τρόπο αυτό επιτυγχάνεται σημαντικά η μείωση χρόνου στη διαχείριση τους. Σημαντικό σημείο όπου απαιτήθηκε προσοχή, ήταν η εκκαθάριση των διπλό-εγγραφών. Εικόνα Εικόνα 4.61 Παράδειγμα Δείγμα Διπλών διπλών εγγραφών εγγραφών 32

34 Το φαινόμενο αυτό παρατηρήθηκε σε αγροτεμάχια τα οποία ως προς τη θέση τους βρίσκονται στα όρια των δημοτικών διαμερισμάτων τα οποία συνορεύουν μεταξύ τους. Προφανώς προέκυψε από το γεγονός όπου κατά την άντληση των shapefiles από τη βάση δεδομένων της ΕΑΣ Κιλκίς, τα αγροτεμάχια τα οποία τέμνονταν με τα όρια των δημοτικών διαμερισμάτων προστέθηκαν για κάθε δημοτικό διαμέρισμα (βλ Εικόνα 4.6). Σε πρώτη φάση, ξεκινώντας από το δημοτικό διαμέρισμα Κιλκίς μαζί με αυτό του Λειψυδρίου, χρησιμοποιώντας την εντολή select by location εντοπίστηκαν και αφαιρέθηκαν τα αγροτεμάχια τα οποία υπήρχαν εις διπλούν. Έπειτα με την εντολή merge ενοποιήθηκαν όλα τα αγροτεμάχια των δύο δημοτικών διαμερισμάτων σε ένα αρχείο. Η διαδικασία αυτή ακολουθήθηκε, κάθε φορά προσθέτοντας και ένα ακόμη shapefile, έως ότου ολοκληρώθηκε η ενοποίηση. Με αυτόν τον τρόπο αφαιρέθηκαν συνολικά 598 αγροτεμάχια τα οποία υπήρχαν δύο φορές μέσα στη περιοχή μελέτης Επιλογή είδους καλλιεργειών προς ταξινόμηση - Κριτήρια καταλληλότητας Η επιλογή των καλλιεργειών προς ταξινόμηση βασίστηκε στην εξής μεθοδολογία: Οι καλλιέργειες χωρίστηκαν σε δύο κατηγορίες, τις θερινές και τις χειμερινές. Ο διαχωρισμός αυτός βασίστηκε στην εποχή όπου πραγματοποιήθηκε η σπορά των αγροτεμαχίων. Στην παρούσα φάση και στη συγκεκριμένη περιοχή μελέτης, στις χειμερινές καλλιέργειες κατατάχθηκαν τα σιτηρά. Στις θερινές καλλιέργειες κατατάχθηκαν όλες οι υπόλοιπες. Καθοριστικό ρόλο για την επιλογή είχε η ημερομηνία δημιουργίας της εικόνας. Η συγκεκριμένη λήφθηκε από τον δορυφόρο στις 19 Ιουνίου. Κατά τον Ιούνιο (και ειδικά από τα μέσα και μετά) στη συγκεκριμένη περιοχή τα σιτηρά είχαν ήδη θεριστεί. Παρόλα αυτά, μπορεί η βλάστηση να μην είναι ορατή για τα σιτηρά, όμως όπως θα ειπωθεί Εικόνα 4.7 Σιτηρά (Χειμερινές) με Λοιπές (Θερινές) καλλιέργειες 33

35 παρακάτω ήταν εφικτό να διαχωριστούν από τα υπόλοιπα είδη. Για τον λόγο αυτό κατέστη δυνατή η ταξινόμηση τους. Από όλες επίσης τις καλλιέργειες ορίστηκαν δύο επιπλέον κριτήρια καταλληλότητας : της έκτασης κάθε αγροτεμαχίου και του πλήθους συχνότητας εμφάνισης κάθε καλλιέργειας. Σύμφωνα με τα χαρακτηριστικά της δορυφορικής εικόνας, το μέγεθος κάθε pixel είναι 30m x 30m = 900 m 2, δηλαδή κάθε pixel λαμβάνει έκταση η οποία στην πραγματικότητα ανέρχεται κοντά στο ένα στρέμμα. Όπως θα επεξηγηθεί και παρακάτω, για τη σωστή δειγματοληψία περιοχών εκπαίδευσης του αλγορίθμου της ταξινόμησης, απαιτήθηκε κάθε pixel να βρίσκεται εξ ολοκλήρου εντός του αγροτεμαχίου. Αυτό συνέβη έτσι ώστε κάθε pixel ήταν δυνατόν να χαρακτηρισθεί σαν περιοχή συγκεκριμένης καλλιέργειας. Σαν ελάχιστη έκταση κάθε αγροτεμαχίου επομένως ορίσθηκαν τα 2 στρέμματα. Με εφαρμογή ερωτήματος επιλέχθηκαν τα αγροτεμάχια τα οποία είχαν μικρότερη έκταση των δύο στρεμμάτων και αφαιρέθηκαν από τη βάση δεδομένων. Επόμενο κριτήριο καταλληλότητας ορίστηκε και το πλήθος συχνότητας εμφάνισης κάθε καλλιέργειας. Εκτός από τη θέση των pixels εντός του αγροτεμαχίου, για τη σωστή εκπαίδευση του αλγορίθμου της ταξινόμησης, κρίθηκε αναγκαίο και το πλήθος της δειγματοληψίας ανά καλλιέργεια. Εν συντομία, κάθε καλλιέργεια απαιτείται να εμφανίζεται αρκετές φορές σε αρκετά αγροτεμάχια, τα οποία να είναι διάσπαρτα στη περιοχή μελέτης. Το πλήθος της δειγματοληψίας για κάθε καλλιέργεια ορίστηκε στα 150 με 200 περίπου σημεία (pixels),ή όσο το δυνατόν περισσότερα. Αυτό σημαίνει πως αρκετά σε μέγεθος και έκταση αγροτεμάχια, με μία συγκεκριμένη καλλιέργεια, πρέπει να υπάρχουν στη περιοχή μελέτης. Αναλυτικότερα στον παρακάτω πίνακα για κάθε καλλιέργεια: ΚΑΛΛΙΕΡΓΕΙΑ ΠΛΗΘΟΣ ΑΠΟΡΡΙΦΘΕΝΤΑ ΑΓΡΑΝΑΠΑΥΣΗ 12 ΑΜΠΕΛΙΑ ΕΠΙΤΡΑΠΕΖΙΑ 2 X ΑΜΠΕΛΙΑ ΟΙΝΟΠΟΙΗΣΙΜΑ 11 X ΑΠΟΞΗΡΑΜΕΝΕΣ ΧΟΡΤΟΝΟΜΕΣ 3 X ΑΡΑΒΟΣΙΤΟΣ ΠΟΤΙΣΤΙΚΟΣ 125 ΒΑΜΒΑΚΙ 792 ΒΟΣΚΟΤΟΠΟΣ 434 ΔΑΣΙΚΕΣ ΚΑΛΛΙΕΡΓΕΙΕΣ 3 X ΔΕΝΔΡΩΔΕΙΣ ΚΑΛΛΙΕΡΓΕΙΣ 52 ΕΚΤΑΣΕΙΣ ΣΕ ΚΑΛΗ ΓΕΩΡΓΙΚΗ ΚΑΤΑΣΤΑΣΗ 511 ΕΛΑΙΟΥΧΟΙ ΣΠΟΡΟΙ 22 ΕΛΙΕΣ 44 34

36 ΕΝΕΡΓΕΙΑΚΕΣ ΚΑΛΛΙΕΡΓΕΙΕΣ 393 ΖΩΟΤΡΟΦΕΣ 607 ΚΑΠΝΟΣ 11 X ΚΑΡΠΟΙ ΜΕ ΚΕΛΥΦΟΣ 7 X ΚΗΠΕΥΤΙΚΑ 74 ΛΟΙΠΑ ΔΕΝΤΡΑ 29 ΟΣΠΡΙΟΕΙΔΗ 105 ΠΡΩΤΕΪΝΟΥΧΟΙ ΣΠΟΡΟΙ 394 ΨΥΧΑΝΘΗ 7 X ΣΥΝΟΛΟ Πίνακας 4.2 Πίνακας διαλογής καλλιεργειών Οι καλλιέργειες "Ελιές" και "ελαιούχοι σπόροι", παρόλο που είναι μικρές σε πλήθος, δεν αφαιρέθηκαν διότι κατέστη δυνατή η δειγματοληψία κάποιων σημείων λόγω του μεγέθους των αγροτεμαχίων τους. Επίσης η "αγρανάπαυση" ομαδοποιήθηκε με τις "εκτάσεις σε καλή γεωργική κατάσταση" και τα "λοιπά δέντρα" με τις "δενδρώδεις καλλιέργειες". Στην εικόνα 4.8 απεικονίζεται η έκταση που καταλαμβάνουν τα αγροτεμάχια έπειτα από την εφαρμογή και των δύο κριτηρίων. Επίσης σημειώνεται πως με μπλε χρώμα συμβολίζονται οι βοσκότοποι, οι οποίοι δεν χρησιμοποιούνται στη ταξινόμηση, αλλά δεν αφαιρέθηκαν για λόγους πληρότητας της εικόνας: Εικόνα 4.8 Η περιοχή μελέτης μετά την εφαρμογή των κριτηρίων 35

37 Παρατηρείται πως η περιοχή μελέτης δεν μειώθηκε δραματικά σε σχέση με την αρχική, ειδικά εάν εξαιρεθούν και οι βοσκότοποι οι οποίοι καταλαμβάνουν αρκετά μεγάλη έκταση. Επίσης αυτό οφείλεται και στην διατήρηση των αγροτεμαχίων όπου καλλιεργήθηκαν σιτηρά καθώς και αυτά αποτελούν μεγάλο κομμάτι της περιοχής. Στο τέλος για την ταξινόμηση απέμειναν αγροτεμάχια από τα που υπήρχαν αρχικά συνολικά. Αυτό σε ποσοστό επί τοις εκατό μεταφράζεται σε 95,55%. 4.5 Ψηφιδωτά δεδομένα (Raster) Αναζήτηση Δορυφορικής εικόνας Πρωταρχικός στόχος για την εκπόνηση της παρούσας πτυχιακής εργασίας όπως προαναφέρθηκε ήταν η χρησιμοποίηση δορυφορικής εικόνας όσο το δυνατόν καλύτερης χωρικής ανάλυσης για την ορθότερη εξαγωγή αποτελεσμάτων, καθώς και για την ευκολότερη διαχείριση και επεξεργασία της. Προτού αποφασισθεί και οριστικοποιηθεί η χρησιμοποίηση της δορυφορικής εικόνας Landsat 5 TM, πραγματοποιήθηκε μία αναζήτηση για πιθανή εύρεση καλύτερης ποιότητας εικόνων. Οι γράφοντες, καταρχάς, απευθύνθηκαν σε διδάσκοντα του τμήματος, συγκεκριμένα στον κ. Καραποστόλου όπου κατόπιν επεξηγήσεως του ζητούμενου, μέσω προσωπικών του επαφών απευθύνθηκε στην εταιρεία TotalView. Η συγκεκριμένη ελληνική εταιρεία δραστηριοποιείται στο χώρο των δορυφορικών εικόνων, των γεωγραφικών δεδομένων αλλά και έργων πληροφορικής. Τελικά, δεν κατέστη δυνατή η απόκτηση κάποιας δορυφορικής εικόνας. Επόμενη επιλογή ήταν η αποστολή στη European Space Agency (ESA) αναφέροντας τη χώρα, το τμήμα του εκπαιδευτικού ιδρύματος, επεξηγώντας την υφιστάμενη κατάσταση, καθώς και το σκοπό της αποκλειστικά ακαδημαϊκής χρήσης των δορυφορικών εικόνων. Δυστυχώς όμως το αποτέλεσμα δεν ήταν το επιθυμητό. Λόγω του τεράστιου κόστους εικόνων όπως SPOT 5, IKONOS κ.ά., αποτέλεσε η απόκτηση της εικόνας Landsat 5 TM. τελική επιλογή Δορυφορική εικόνα Landsat 5 TM H εικόνα που χρησιμοποιήθηκε, για την ταξινόμηση των καλλιεργειών, είναι δορυφορική TM (thematic mapper) και προέρχεται από τον Landsat 5. Η απόκτησή της, προήλθε από την online εφαρμογή Earth Explorer του ιστοτόπου του U.S. Geological Survey ( 36

38 Το USGS είναι ένας επιστημονικός οργανισμός που παρέχει αμερόληπτη πληροφόρηση σχετικά με την υγεία των οικοσυστημάτων και το περιβάλλον, τους φυσικούς κινδύνους που μας απειλούν, τους φυσικούς πόρους στους οποίους στηριζόμαστε, τις επιπτώσεις της αλλαγής του κλίματος και της αλλαγής της χρήσης γης και τα βασικά επιστημονικά συστήματα που μας βοηθούν και μας παρέχουν έγκαιρες, αξιόπιστες και αξιοποιήσιμες πληροφορίες. Εικόνα 4.9 Η δορυφορική εικόνα Landsat 5 TM που χρησιμοποιήθηκε Η συγκεκριμένη εικόνα λήφθηκε στις 19 Ιουνίου 2011 από τον δορυφόρο. Είναι γεωαναφερμένη στο προβολικό σύστημα αναφοράς WGS 84 UTM στην ζώνη 34Ν. Οι λόγοι που χρησιμοποιήθηκε για την ταξινόμηση είναι δύο. Ο πρώτος λόγος αφορά την ορατότητα που προσφέρει στην περιοχή μελέτης όπως θα φανεί παρακάτω, καθώς δεν καλύπτεται από σύννεφα. Ο δεύτερος λόγος έχει να κάνει με τη συγκεκριμένη χρονολογία της εικόνας, όπου είναι δυνατή η απόκτηση δεδομένων και πληροφοριών για τα αγροτεμάχια προς ταξινόμηση. 37

39 4.5.2 Δορυφορικό Απεικονιστής Landsat 5 - Χαρακτηριστικά εικόνας Κρίνεται σκόπιμο να γίνει μία σύντομη αναφορά στα τεχνικά χαρακτηριστικά τόσο του δορυφόρου, όσο και των δορυφορικών εικόνων, καθώς και κάποιες ιστορικές πληροφορίες από την ημερομηνία εκτόξευσης έως την ημερομηνία διακοπής της λειτουργίας του: LANDSAT 5. Συμμετέχοντες στο πρόγραμμα: NASA Εικόνα 4.10 Απεικόνιση του Landsat 5 National Oceanic and Atmospheric Administration (NOAA) Earth Observation Satellite Company (EOSAT) Department of the Interior (DOI) U.S. Geological Survey (USGS) Κατασκευαστές: General Electric (GE) Astrospace and Hughes Santa Barbara Remote Sensing Εκτόξευση: Ημερομηνία: 1η Μαρτίου, 1984 Όχημα: Delta 3920 Εκτοξεύθηκε από : NASA Τοποθεσία : Βάση Πολεμικής Αεροπορίας, Βάντερμπεργκ, Καλιφόρνια Τροχιά: Παγκόσμιο Σύστημα Αναφοράς -2 (WRS-2) σύστημα path/row Κυκλική, ήλιο-σύγχρονη, σχεδόν πολική τροχιά σε ύψος 705 χιλιομέτρων κεκλιμένη κατά 98.2 Επανάληψη του κύκλου σε: 16 ημέρες 38

40 Swath width: 185 km (115 mi) Ισημερινή διάρκεια του διάπλου: 9:45 π.μ +/- 15 λεπτά Αισθητήρες Multispectral Scanner (MSS) Η απόκτηση δεδομένων Landsat 5 MSS πάνω από τις Ηνωμένες Πολιτείες σταμάτησε το Παγκόσμια έπαυσαν το Περιορισμένες αποκτήσεις έγιναν από τον Ιούνιο του 2012 έως τον Ιανουάριο του 2013, μετά την απώλεια του αισθητήρα TM του δορυφόρου. Τέσσερις φασματικές ζώνες (πανομοιότυπες με Landsat 1 και 2): o o o o 4η ζώνη Ορατό πράσινο (0.5 έως 0.6 µm) 5η ζώνη Ορατό κόκκινο (0.6 έως 0.7 µm) 6η ζώνη Εγγύς υπέρυθρο (0.7 έως 0.8 µm) 7η ζώνη Εγγύς υπέρυθρο (0.8 έως 1.1 µm) Έξι ανιχνευτές για κάθε φασματική ζώνη παρέχοντας έξι γραμμές σάρωσης σε κάθε ενεργή σάρωση Μέγεθος πίξελ: 57 x 79 m Thematic Mapper (TM) Προστέθηκε το μέσου εύρους υπέρυθρο στα δεδομένα Επτά φασματικές ζώνες, συμπεριλαμβανομένου μιας θερμικής ζώνης: o o o o o o o 1η ζώνη Ορατό ( µm) 30 m 2η ζώνη Ορατό ( µm) 30 m 3η ζώνη Ορατό ( µm) 30 m 4η ζώνη Εγγύς υπέρυθρο ( µm) 30 m 5η ζώνη Εγγύς υπέρυθρο ( µm) 30 m 6η ζώνη Θερμικό ( µm) 120 m 7η ζώνη 7 Μέσο-υπέρυθρο ( µm) 30 m Μέγεθος πίξελ: 30 m σε όλες οι ζώνες, εκτός της έκτης όπου το μέγεθος πίξελ είναι 120 m 39

41 4.6 Επεξεργασία Ψηφιδωτών δεδομένων Ένωση Φασματικών ζωνών Όπως προαναφέρθηκε η δορυφορικές εικόνες Landsat 5 TM αποτελούνται από επτά φασματικές ζώνες (μπάντες). Κατά την απόκτηση της συγκεκριμένης εικόνας κάθε μπάντα αποτελείτο από μία εικόνα, δηλαδή λήφθηκαν 7 εικόνες σε αρχείο zip. Για την περαιτέρω επεξεργασία της απαιτήθηκε κάποια προεργασία. Πρώτο μέλημα ήταν η τοποθέτηση όλων των φασματικών ζωνών, εκτός της έκτης, σε μία εικόνα. Ουσιαστικά οι εικόνες (μπάντες) "στοιβάζονται" η μία πίσω από την άλλη ενσωματώνοντας τες σε μία και μόνο εικόνα.αυτό πραγματοποιήθηκε με την εντολή stack layer. Ο λόγος που αποκλείστηκε η έκτη φασματική ζώνη είναι διότι το μέγεθος του pixel της συγκεκριμένης μπάντας είναι 120 x 120 m σε σχέση με το 30 x 30 m των υπολοίπων. Εικόνα 4.11 Λειτουργία της εντολής Stack Layer Πηγή: Εικόνα 4.12 Από αριστερά: Φασματικές ζώνες 1, 2, 3 και 4 Εικόνα 4.13 Από αριστερά: Φασματικές ζώνες 5, 6, 7 και η εικόνα μετά το stack layer 40

42 4.6.2 Αποκοπή εικόνας στα όρια της περιοχής μελέτης Επόμενο βήμα ήταν η "κοπή" της δορυφορικής εικόνας στα όρια της περιοχής μελέτης. Για την επίτευξη αυτού του στόχου, καταρχάς, ενοποιήθηκαν όλα τα πολύγωνα (αγροτεμάχια) που επρόκειτο να αξιοποιηθούν για την ταξινόμηση σε ένα πολύγωνο. Σκοπός αυτής της ενέργειας ήταν η δημιουργία ενός πολυγώνου το οποίο θα χαρακτηριστεί από το λογισμικό επεξεργασίας της δορυφορικής εικόνας ως "φίλτρο" δηλώνοντας τα όρια κοπής της συγκεκριμένης εικόνας. Το πολύγωνο αυτό δηλώθηκε ως Area Of Interest (AOI) δηλαδή περιοχή ενδιαφέροντος. Έπειτα με την εντολή subset area η τελική περιοχή ταξινόμησης ορίστηκε όπως απεικονίζεται στην εικόνα Η ταξινόμηση θα γίνει στα εναπομείναντα κομμάτια της δορυφορικής εικόνας. Σημειώνεται πως η ενοποίηση των αγροτεμαχίων σε ένα μόνο πολύγωνο πραγματοποιήθηκε μόνο για την εξαγωγή της εικόνας στα επιθυμητά όρια και όχι για την διάρκεια της υπόλοιπης μεθοδολογίας. Εικόνα 4.14 Τελική μορφή εικόνας προς ταξινόμηση 41

43 4.6.3 Φασματικές υπογραφές Γενικά Σύμφωνα με τη European Space Agenacy (ESA), oι διάφοροι τύποι επιφανειών, όπως το νερό, τα χερσαία εδάφη ή η βλάστηση, ανακλούν την ακτινοβολία με διαφορετικό τρόπο στα διάφορα κανάλια. Η ακτινοβολία που αντανακλάται από μια επιφάνεια στα διάφορα μήκη κύματος, ονομάζεται φασματική υπογραφή της επιφάνειας. Εικόνα 4.15 Απόδοση της βλάστησης (χρώμα κόκκινο) στο εγγύς υπέρυθρο κανάλι Πηγή: Στην Εικόνα 4.16 αναπαριστώνται γραφήματα των φασματικών υπογραφών του εδάφους της βλάστησης και του νερού. Η βλάστηση εμφανίζει μεγάλη ανάκλαση στο κανάλι 4(εγγύς υπέρυθρο) και μικρή ανάκλαση στο κανάλι 3. Αυτό βοηθά στη διάκριση της βλάστησης από τις χέρσες περιοχές. Εικόνα 4.16 Διαγράμματα των φασματικών υπογραφών των υδάτων, του εδάφους και της βλάστησης Πηγή: Εικόνα 4.17 Οι φασματικές υπογραφές επεξεργάζονται ως ψηφιακές τιμές στο δορυφορικό σαρωτή Πηγή: Εικόνα 4.17 : Για τους σαρωτές των δορυφόρων, οι φασματικές υπογραφές αντιστοιχούν σε συγκεκριμένες ψηφιακές τιμές. Αριστερά απεικονίζεται ένα υποθετικό παράδειγμα, πώς θα μπορούσε να καταγραφεί στους αισθητήρες του LANDSAT το νερό, η βλάστηση και το χέρσο έδαφος. Παρατηρείται πως η αντανάκλαση από το χέρσο έδαφος 42

44 αυξάνει βαθμιαία από την περιοχή του ορατού στην περιοχή του υπέρυθρου φάσματος. Οι φασματικές υπογραφές διαφέρουν από έδαφος με έδαφος, ανάλογα με τη χρήση γης που έχει το κάθε ένα. Στο διάγραμμα παρουσιάζεται μόνο μια μέση καμπύλη του χέρσου εδάφους. Το νερό από την άλλη, κατά κανόνα, αντανακλά την ακτινοβολία μόνο στην περιοχή του ορατού φάσματος. Καθώς το νερό δεν αντανακλά την ακτινοβολία σχεδόν καθόλου στην περιοχή του εγγύς υπέρυθρου, μπορεί να διακριθεί εύκολα από άλλες επιφάνειες. Για αυτό το λόγο οι υδατικές επιφάνειες μπορούν να διακριθούν εύκολα επειδή είναι σκούρες (χαμηλές τιμές εικονοστοιχείου) στις απεικονίσεις που καταγράφονται στο εγγύς υπέρυθρο τμήμα του φάσματος. "Ιδιαίτερα χαρακτηριστική είναι η φασματική υπογραφή των φυτών. Η χλωροφύλλη των αναπτυσσόμενων φυτών απορροφά την ακτινοβολία στην περιοχή του ορατού και ιδιαίτερα στο κόκκινο που χρησιμοποιείται για τη φωτοσύνθεση, ενώ ανακλάται σχεδόν πλήρως η ακτινοβολία στο εγγύς υπέρυθρο (βλέπε εικόνα 4.15). Με τον τρόπο αυτό τα φυτά αποφεύγουν την άσκοπη θέρμανση και την απώλεια υγρών λόγω της εξάτμισης. Κατά συνέπεια, η αντανάκλαση της βλάστησης στην περιοχή του ορατού φάσματος και στην περιοχή του εγγύς υπέρυθρου διαφέρουν σημαντικά. Το μέγεθος της διαφοράς φανερώνει πόσο μεγάλο είναι το τμήμα της απεικονιζόμενης περιοχής που καλύπτεται από πράσινα φύλλα" ( Διαδικασία λήψης φασματικών υπογραφών Εικόνα 4.18 Διαχωρισμός των αγροτεμαχίων. 43

45 Επόμενο βήμα ήταν η λήψη φασματικών υπογραφών για κάθε καλλιέργεια. Για την επίτευξη αυτού, σε πρώτη φάση απαιτήθηκε ο διαχωρισμός κάθε είδους καλλιέργειας σε ξεχωριστό shapefile, με σκοπό την εισαγωγή τους στο πρόγραμμα επεξεργασίας της δορυφορικής εικόνας ανά ένα για την λήψη των φασματικών υπογραφών. Εικόνα 4.19 Προετοιμασία λήψης φασματικών υπογραφών για το βαμβάκι Έπειτα από αυτό, για κάθε καλλιέργεια, λήφθηκαν οι φασματικές υπογραφές με την εξής διαδικασία : Πραγματοποιήθηκε δειγματοληψία, όσο το δυνατόν σε όλη την έκταση της περιοχής μελέτης. Λήφθηκαν όσο το δυνατόν περισσότερα δείγματα για κάθε καλλιέργεια (εικονοστοιχεία) τα οποία βρισκόντουσαν πλήρως εντός των ορίων του αγροτεμαχίου. Επίσης από τα εικονοστοιχεία το 70 εξ αυτών ομαδοποιήθηκαν και χρησιμοποιήθηκαν για δοκιμή του αλγόριθμου, ενώ το 30% ομαδοποιήθηκαν και χρησιμοποιήθηκαν ως περιοχές εκπαίδευσης του αλγόριθμου. Παρακάτω παρατίθεται πίνακας των φασματικών υπογραφών ομαδοποιημένες : Πίνακας 4.3 Πίνακας φασματικών υπογραφών 44

46 Η διαδικασία δειγματοληψίας είναι αρκετά σημαντική καθώς καθορίζει σε μεγάλο ποσοστό την τελική επιτυχία της ταξινόμησης της δορυφορικής εικόνας. Απαιτήθηκε ιδιαίτερη προσοχή κατά τη διαδικασία εφαρμογής της, ειδικά στην επιλογή των εικονοστοιχείων καθώς αποτελούν κρίσιμο κομμάτι της διαδικασίας αυτής. 4.7 Ταξινόμηση δορυφορικής εικόνας Επιβλεπόμενη ταξινόμηση (SUPERVISED CLASSIFICATION) Η επιβλεπόμενη ταξινόμηση υλοποιείται με: Α) την φωτοερμηνεία των κύριων θεματικών τάξεων που εμπεριέχονται σε μια πολυφασματική εικόνα, Β) την στατιστική προσέγγιση της φασματικής υπογραφής κάθε τάξης (με επιλογή και ψηφιοποιήση περιοχών εκπαίδευσης) και Γ) την χαρτογράφηση των θεματικών τάξεων που εμπεριέχονται στην εικόνα με την εφαρμογή ενός αλγορίθμου ταξινόμησης που βασίζεται στην στατιστική προσέγγιση της φασματικής υπογραφής των τάξεων. Επομένως η αποτελεσματικότητα της επιβλεπόμενης ταξινόμησης είναι συνάρτηση των περιοχών εκπαίδευσης και του αλγορίθμου που επιλέγονται (Μιλιαρέσης, 2004). Κατά τη διαδικασία της ταξινόμησης, ορίστηκαν από την αρχή, οι επιθυμητές κατηγορίες στις οποίες επρόκειτο να ταξινομηθεί η εικόνα. Στην συγκεκριμένη εικόνα δείγμα των εικονοστοιχείων τα οποία εμπεριέχονται σε κάθε αγροτεμάχιο ορίστηκαν ως αντιπροσωπευτικές περιοχές ή περιοχές εκπαίδευσης (training sites). Σημειώνεται πως ο καθορισμός αυτός των περιοχών εκπαίδευσης δεν έγινε με εργασία υπαίθρου (με τη χρήση GPS), αλλά βασίστηκε στα διανυσματικά δεδομένα του ΟΠΕΚΕΠΕ. 45

47 ''Οι περιοχές αυτές πρέπει, όσο το δυνατόν, να είναι ομοιογενείς, δηλαδή το ιστόγραμμα τους να είναι μικρού εύρους και με μια κορυφή. Ένα άλλο σημαντικό στοιχείο, για κάθε βιοφυσική κατηγορία, είναι να μη λαμβάνεται μόνο μια περιοχή εκπαίδευσης, αλλά περισσότερες, σε αντιπροσωπευτικά σημεία της εικόνα. Στο σημείο αυτό κρίνεται σκόπιμο να σχολιαστεί το νόημα της διαδικασίας της στρωματοποίησης της περιοχής έρευνας (area stratification)'' (Συλαίος κ.α., 2007). Έστω ότι ο ταξινομητής ενδιαφέρεται για αναγνώριση και ταξινόμηση των γεωργικών καλλιεργειών στην περιοχή της πεδιάδας του Νομού Κιλκίς στο Δήμο Κιλκίς. Ενδιαφέρεται για τρεις καλλιέργειες, βαμβάκι, τριφύλλι και ελαιοκράμβη. Σύμφωνα με τα παραπάνω, θα πρέπει να γνωρίζει το είδος της καλλιέργειας, που υπάρχει σε ορισμένους αγρούς, τους οποίους και αναγνωρίζει στην εικόνα, ώστε με τη βοήθεια του ειδικού λογισμικού να διαβάσει τη φασματική ταυτότητα της Εικόνα 4.20 Η συγκεκριμένη καλλιέργεια βρίσκεται και σε λοφώδες αλλά και πεδινό τμήμα της περιοχής μελέτης καλλιέργειας. Εάν λάβει, ως περιοχή τότε, κατά πάσα πιθανότητα, η φασματική ταυτότητα του βαμβακιού στον αγρό αυτό θα διαφέρει σημαντικά από τη φασματική ταυτότητα της ίδιας καλλιέργειας σε ένα αγρό που βρίσκεται στο λοφώδες τμήμα της περιοχής. Αυτό συμβαίνει γιατί, λόγω διαφοράς ανάγλυφου και εδάφους, θα υπάρχει διαφορά ανάπτυξης των φυτών στις δύο αυτές περιοχές και, κατά συνέπεια, θα υπάρχει διαφοροποίηση στις φασματικές ταυτότητες, με κίνδυνο την εσφαλμένη ταξινόμηση. Για το λόγο αυτό είναι σκόπιμο να ληφθούν οι 46

48 φασματικές ταυτότητες του βαμβακιού στο πεδινό και στο λοφώδες τμήμα της περιοχής, ώστε οι αγροί να ταξινομηθούν σωστά και στην ίδια κατηγορία σε όλες τις φυσιογραφικές μονάδες της περιοχής (πεδινό και λοφώδες τμήμα). Αφού καθορίστηκαν οι περιοχές ταυτότητες των κλάσεων. (training sites), λήφθηκαν οι φασματικές Στο σημείο αυτό τίθεται το ερώτημα ποιοι φασματικοί δίαυλοι θα χρησιμοποιηθούν. Εάν χρησιμοποιηθεί ο δορυφόρος SPOT-5, δεν υπάρχει ουσιαστικό πρόβλημα, αφού το πολυφασματικό του σύστημα καταγράφει την επιφάνεια της γης σε 4 φασματικούς δίαυλους. Εάν όμως χρησιμοποιηθεί ο δορυφόρος Landsat-5 TM, τότε θα πρέπει να ληφθεί υπόψη ότι ο δορυφόρος αυτός καταγράφει σε 6 φασματικούς δίαυλους (εξαιρείται ο θερματικός φασματικός δίαυλος). Συνήθως χρησιμοποιούνται οι δίαυλοι 4,3,2 ή 2,4,5. Θα πρέπει ακόμη να γνωρίζεται ότι, όσο αυξάνονται οι φασματικοί δίαυλοι που θα χρησιμοποιηθούν, τόσο αυξάνεται ο χρόνος υπολογισμού και ταξινόμησης και βεβαίως η κατάσταση γίνεται δύσκολη με τη χρήση υπερφασματικών απεικονιστών. Ένα σημαντικό στοιχείο είναι η επιλογή του φαινολογικού σταδίου, εάν πρόκειται για καλλιέργειες. Π.χ. δεν είναι δυνατό να γίνει προσπάθεια ταξινόμησης βαμβακιού και καλαμποκιού με εικόνες Μάιου, γιατί τα δύο αυτά φυτά σπέρνονται στα τέλη Απριλίου. Έτσι τον Μάιο, έχουν μικρό ύψος και, επειδή σπέρνονται σε γραμμές, η κάλυψη του εδάφους είναι μικρή και έτσι η φασματική ταυτότητα είναι μίγμα από το φυτό και το έδαφος. Το ίδιο συμβαίνει και με τις δασικές περιοχές (Συλαίος κ.α., 2007).. Μετά τη λήψη των φασματικών ταυτοτήτων των βιοφυσικών κατηγοριών, που πρόκειται να ταξινομηθούν, επιλέγεται η μέθοδος ταξινόμησης (ταξινομητής), που θα χρησιμοποιηθεί Ανελαστικοί ταξινομητές Οι ανελαστικοί ταξινομητές ονομάζονται έτσι επειδή καταλήγουν σε μια ανελαστική απόφαση για την κλάση κάλυψης στην οποία ανήκει το εικονοστοιχείο. Στηρίζονται σε μια λογική, κατά την οποία περιγράφεται η αναμενόμενη θέση μιας κλάσης (βασισμένη σε δεδομένα περιοχής εκπαίδευσης) στο χώρο ενός συνδυασμού καναλιών (band space) και, κατόπιν, εκτιμάται η θέση του κάθε εικονοστοιχείου που πρόκειται να ταξινομηθεί, στο ίδιο συνδυασμό καναλιών, σε σχέση με τις θέσεις των κλάσεων. Στην κατηγορία των ανελαστικών ταξινομητών ανήκουν οι 47

49 εξής: 1) της Ελάχιστης Απόστασης από τον Μέσο Όρο, 2) της ορθογώνιας παραλληλεπιπεδοειδούς και 3) της Μέγιστης Πιθανοφάνειας (Συλαίος κ.α., 2007) Η μέθοδος της μεγίστης πιθανοφάνειας (Maximum likelihood algorithm) Ο ανελαστικός ταξινομητής που θα περιγραφεί παρακάτω, είναι η Μέθοδος της Μέγιστης Πιθανοφάνειας (ΜΜΠ), η οποία βασίζεται στην Bayesian θεωρία πιθανοτήτων. Χρησιμοποιώντας τις πληροφορίες ενός αριθμού εκπαίδευσης, η Μ.Μ.Π. χρησιμοποιεί το μέσο όρο και το λόγο μεταβλητότητας και συμμεταβλότητας των φασματικών ταυτοτήτων, για να εκτιμήσει την προκαταρκτική πιθανότητα ενός εικονοστοιχείου να ανήκει σε κάποια κλάση. Η Μ.Μ.Π. αξιολογεί ποσοτικά τη διακύμανση και συνδιακύμανση των διαφόρων φασματικών κατηγοριών, όταν ταξινομεί ένα άγνωστο εικονοστοιχείο. Για να επιτευχθεί αυτό, η μέθοδος κάνει μια παραδοχή ότι το νέφος των εικονοστοιχείων ακολουθούν κατανομή Gaussian (κανονική κατανομή). Με την παραδοχή αυτή η κατανομή μιας φασματικής κατηγορίας μπορεί να περιγραφεί με το μέσο διάνυσμα και τη μήτρα συσχέτισης. Με την χρήση των παραμέτρων αυτών μπορεί να υπολογιστεί η στατιστική πιθανότητα, βάση της οποίας, ένα άγνωστο εικονοστοιχείο ταξινομείται σε κάποια φασματική κατηγορία. Εάν προβληθούν οι τιμές πιθανότητας σε ένα γράφημα, ο κάθετος άξονας συνδέεται με την πιθανότητα ότι ένα εικονοστοιχείο ανήκει σε κάποια φασματική κλάση. Οι δημιουργούμενες κωνοειδείς επιφάνειες ονομάζονται συναρτήσεις πιθανοφάνειας (Σ.Π.) και υπάρχει μια τέτοια συνάρτηση για κάθε φασματική κατηγορία. Οι Σ.Π. χρησιμοποιούνται για την ταξινόμηση ενός άγνωστου εικονοστοιχείου, με τον υπολογισμό της πιθανότητας ότι η τιμή ενός εικονοστοιχείου το ταξινομεί σε κάποια κατηγορία. Δηλαδή ο υπολογιστής θα εξετάσει την πιθανότητα ότι ένα εικονοστοιχείο ταξινομείται στην κατηγορία κωνοφόρα, μετά την εξέταση της πιθανότητας ότι ανήκει στην κατηγορία αειθαλή, κ.ο.κ. Μετά την αξιολόγηση της κάθε πιθανότητας, για κάθε κατηγορία, το εικονοστοιχείο θα ταξινομηθεί στην πιο πιθανή κλάση (κατηγορία) ή θα ταξινομηθεί ως άγνωστο, εάν η τιμή πιθανότητας είναι κάτω από ένα όριο που έχει προκαθοριστεί από το χρήστη (Συλαίος κ.α., 2007). 48

50 Εικόνα 4.21 Εφαρμογή του αλγόριθμου της μέγιστης πιθανοφάνειας 49