ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗ ΑΠΟΤΥΠΩΣΗ ΔΑΣΩΝ

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΧΕΙΡΙΣΗ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗΣ ΠΑΡΑΓΩΓΗΣ & ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΕ ΠΕΡΙΒΑΛΛΟΝ GIS ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗ ΑΠΟΤΥΠΩΣΗ ΔΑΣΩΝ ΚΑΙ ΔΑΣΙΚΩΝ ΕΚΤΑΣΕΩΝ ΜΕ ΧΡΗΣΗ UAV: ΤΕΧΝΙΚΕΣ ΑΥΤΟΜΑΤΗΣ ΑΦΑΙΡΕΣΗΣ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΚΑΙ ΠΑΡΑΓΩΓΗΣ ΨΗΦΙΑΚΟΥ ΜΟΝΤΕΛΟΥ ΕΔΑΦΟΥΣ ΓΙΑ ΥΔΡΟΛΟΓΙΚΗ ΧΡΗΣΗ ΣΕ ΠΕΡΙΒΑΛΛΟΝ GIS Φώτης Δ. Γιάγκας Δασολόγος - Περιβαλλοντολόγος Επιβλέπων: Π. Πατιάς Τριμελής Εξεταστική Επιτροπή: Π. Πατιάς Ο. Γεωργούλα Β. Τσιούκας Θεσσαλονίκη, Μάιος 2016

2

3 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΧΕΙΡΙΣΗ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗΣ ΠΑΡΑΓΩΓΗΣ & ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΕ ΠΕΡΙΒΑΛΛΟΝ GIS ΙΔΡΥΜΑ ΣΧΟΛΗ ΤΜΗΜΑ ΕΡΓΑΣΙΑ ΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ ΕΚΠΟΝΗΣΗ Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Πολυτεχνική Σχολή Αγρονόμων και Τοπογράφων Μηχανικών Μεταπτυχιακή Διατριβή Φωτογραμμετρική αποτύπωση δασών και δασικών εκτάσεων με UAV: Τεχνικές αυτόματης αφαίρεσης της βλάστησης και παραγωγής ψηφιακού μοντελόυ εδάφους για υδρολογική χρήση σε περιβάλλον GIS. Φώτης Δ. Γιάγκας, Δασολόγος ΗΜΕΡΟΜΗΝΙΑ 18/5/2016 ΕΠΙΒΛΕΠΩΝ ΤΡΙΜΕΛΗΣ ΕΠΙΤΡΟΠΗ ΟΝΟΜΑ ΗΛΕΚΡΟΝΙΚΟΥ ΑΡΧΕΙΟΥ ΣΥΝΝΗΜΕΝΑ ΑΡΧΕΙΑ ΠΕΡΙΓΡΑΦΗ ΠΑΡΑΔΟΤΕΟΥ Π. Πατιάς, Καθηγητής ΤΑΤΜ Π. Πατιάς, Καθηγητής ΤΑΤΜ Ο. Γεωργούλα, Καθηγήτρια ΤΑΤΜ Β. Τσιούκας, Καθηγητής ΤΑΤΜ Fotis.Giagkas.2016.docx και Fotis.Giagkas.2016.pdf Συνημμένα σε ψηφιακή μορφή παραδίδονται το σύνολο των αεροφωτογραφιών που χρησιμοποιήθηκαν, οι μετρήσεις πεδίου με την τεκμηρίωσή τους, το σύνολο των χαρτών που αναφέρονται στο Παράρτημα ΙΙ, καθώς και ολοκληρωμένη γεωβάση δεδομένων που περιλαμβάνει τα τελικά και ενδιάμεσα προϊόντα που αναφέρονται στο κείμενο. Αναλογική μορφή Το παρόν τεύχος αποτελεί τη Διπλωματική εργασία, που περιλαμβάνει την αναλυτική περιγραφή της μεθοδολογίας, την εφαρμογή, τα αποτελέσματα και τα συμπεράσματα της εργασίας. Συνοδεύεται από ορθοφωτοχάρτες σε κλίμακα 1:500. Ψηφιακή μορφή Στο DVD που συνοδεύει το τεύχος περιλαμβάνονται σε ψηφιακή μορφή: τα κείμενα της εργασίας σε μορφή αρχείων.doc και.pdf, οι μετρήσεις πεδίου σε μορφή αρχείου.txt και η τεκμηρίωσή τους επί προσωρινού ορθοφωτοχάρτη και οι χάρτες του παραρτήματος ΙΙ σε μορφή αρχείου.pdf κατάλληλοι για εκτύπωση στις αντίστοιχες κλίμακες. 1

4 2

5 Φωτογραμμετρική αποτύπωση δασών και δασικών εκτάσεων με UAV: Τεχνικές αυτόματης αφαίρεσης της βλάστησης και παραγωγής ψηφιακού μοντελόυ εδάφους για υδρολογική χρήση σε περιβάλλον GIS. Περίληψη Φώτης Δ. Γιάγκας Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Πολυτεχνική Σχολή, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Τομέας Κτηματολογίου, Φωτογραμμετρίας και Χαρτογραφίας, Σκοπός της παρούσας εργασίας είναι η φωτογραμμετρική αποτύπωση μιας δασικής περιοχής με χρήση UAV και η διερεύνηση της δυνατότητας εκτίμησης του DTM της περιοχής βάσει του DSM που παράγεται για αυτή φωτογραμμετρικά. Περαιτέρω, γίνεται χρήση του παραχθέντος DTM σε εφαρμογή υδρολογικής ανάλυσης για να διαπιστωθεί η καταλληλότητά του έναντι του DSM για τη συγκεκριμένη χρήση. Τέλος, χρησιμοποιείται η διαφορά μεταξύ DSM και DTM ως μοντέλο ύψους βλάστησης για την παραγωγή μέσω ταξινόμησης ενός χάρτη τύπων βλάστησης κατάλληλου για την εκτίμηση του συντελεστή απορροής μιας λεκάνης υδατοσυλλογής. Σαν περιοχή μελέτης επιλέχθηκε το περιαστικό δάσος της Θεσσαλονίκης (Σέιχ Σου). Για την αποτύπωση χρησιμοποιήθηκαν 495 αεροφωτογραφίες που ελήφθησαν με χρήση UAV από ύψος ~ 200m από την επιφάνεια ενδιαφέροντος. Στο έδαφος μετρήθηκαν με δέκτη RTK GNSS και ακρίβεια 5cm, συνολικά 44 σημεία. Tα μισά από αυτά χρησιμοποιήθηκαν στην επίλυση του μπλοκ (φωτοσταθερά) και τα άλλα μισά στον εκ των υστέρων έλεγχο της ακρίβειας (σημεία ελέγχου). Η ακρίβεια του αεροτριγωνισμού άγγιξε τα ~ 13cm (3D). Το παραχθέν νέφος σημείων αριθμεί σημεία. Η ακρίβεια του ορθοφωτοχάρτη (οριζοντιογραφική) είναι ~ 8cm. Για τον ορθοφωτοχάρτη επετεύχθη ανάλυση ~ 9cm, ενώ για το DSM αυτή ανήλθε σε ~ 18cm. Εκτός αυτών παράχθηκε επίσης τρισδιάστατο φωτορεαλιστικό μοντέλο της περιοχής μελέτης, Η μεθοδολογία εξαγωγής του DTM αφορά σε ταξινόμηση και φιλτράρισμα των σημείων του νέφους βάσει των οποίων παράγεται το μοντέλο της επιφάνειας με σκοπό τη συμπερίληψη σε αυτό, αποκλειστικά σημείων εδάφους. Η μεθοδολογία απέδωσε ένα DTM που σε αντίθεση με το DSM λειτούργησε ικανοποιητικά ως βάση για την πραγματοποίηση υδρολογικής ανάλυσης. Επίσης, με ταξινόμηση της διαφοράς DSM DTM κατασκευάστηκε ένας χάρτης τύπων βλάστησης για τον οποίο μπορεί φωτοερμηνευτικά να επιβεβαιωθεί ότι αποδίδει ικανοποιητικά την πραγματικότητα. Προϋπόθεση για την εφαρμογή της μεθοδολογίας που χρησιμοποιήθηκε για την εκτίμηση του DTM είναι η ύπαρξη επαρκών διάκενων στην υψηλή βλάστηση, ώστε να είναι ορατό το έδαφος στις αεροφωτογραφίες. Η μεθοδολογία συνεπώς δεν μπορεί να εφαρμοστεί σε περιοχές με πλήρη φυτοκάλυψη, αλλά μπορεί να φανεί χρήσιμη σε αρκετές περιπτώσεις όπου η βλάστηση δεν καλύπτει πλήρως το έδαφος. 3

6 4

7 Photogrammetric surveying forests and woodlands with UAVs: Techniques for automatic removal of vegetation and Digital Terrain Model production for hydrological use in GIS environment Fotis D. Giagkas Aristotle University of Thessaloniki, Faculty of Engineering, School of Rural and Surveying Engineering, Dept. of Cadastre, Photogrammetry and Cartography, Abstract Purpose of this work is the photogrammetric surveying of a forest area using UAV and the investigation of the capability of estimation of the Digital Terrain Model (DTM) of the area, on the basis of the photogrammetrically produced Digital Surface Model (DSM) (point cloud form). Further, the resulting DTM is used in hydrological analysis application to determine its suitability for that use against the DSM. Finally, through classification of the difference between DSM and DTM as a vegetation height model, a vegetation types (heights) map is produced, suitable for assessing the surface drainage rate of a watershed. The survey area selected was the forest of Seih-Sou (Thessaloniki). For the survey, 495 aerial images were used, taken by UAV from a height of ~ 200m from the surface of interest. A total of 44 ground control points were measured on the ground with an accuracy of 5cm using an RTK GNSS receiver. Half of them were used to solve the block (control points) and the other in the subsequent verification of accuracy (check points). The accuracy of the aerial triangulation touched ~ 13cm (3D). The produced dense point cloud, counts 146,593,725 points. The accuracy of the produced orthophotomap (planar) reached ~ 8cm. The spatial resolution of the orthophotomap reached ~ 9cm, while for the produced DSM, that reached ~ 18cm. Beyond these, a 3D photorealistic model of the study area was produced as well. The DTM extraction methodology refers to classification and filtering of cloud points and aims in the production of a surface model including ground points only (DTM). The method yielded a DTM which in contrast to the DSM, functioned satisfactorily as a basis for hydrological analysis. Also, by classification of the DSM - DTM difference, a vegetation types map was constructed, for which it can be confirmed by photointerpretation that it adequately reflects reality. A prerequisite for the application of the methodology used for the assessment of the DTM, is that sufficient clearances in the high vegetation must be present, in order for the ground to be visible on the aerial images. The methodology therefore cannot be applied in areas with fully closed vegetation canopies, but can be useful in several cases where the vegetation does not completely cover the ground. 5

8 6

9 ΠΕΡΙΕΧΟΜΕΝΑ ΠΕΡΙΛΗΨΗ... 3 Abstract... 5 ΠΕΡΙΕΧΟΜΕΝΑ... 7 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ... 9 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ ΚΑΤΑΛΟΓΟΣ ΧΑΡΤΩΝ ΕΙΣΑΓΩΓΗ Γενικά Χρησιμότητα του DTM Η διαφορά DSM-DTM ως μοντέλο ύψους βλάστησης Σχετικές εφαρμογές - βιβλιογραφία Σκοπός της εργασίας ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ Περιαστικό δάσος Θεσσαλονίκης «Σέιχ-Σου» Ρέμα Ουτσάρσο ΥΛΙΚΑ & ΜΕΘΟΔΟΛΟΓΙΕΣ Γενικά Στάδια εκπόνησης της εργασίας Υλικό Λογισμικό Μεθοδολογία αποτύπωσης της περιοχής μελέτης Γενικά Μεθοδολογία Σχεδιασμός & πραγματοποίηση πτήσεων Προεπεξεργασία των αεροφωτογραφιών Προσωρινή επίλυση του μπλοκ Σήμανση και μέτρηση φωτοσταθερών και σημείων ελέγχου Οριστική επίλυση του μπλοκ Πρωτογενή προϊόντα της αποτύπωσης Μεθοδολογίες παραγωγής Ψηφιακού Μοντέλου Εδάφους (DTM) Γενικά Πλήρως αυτοματοποιημένη μέθοδος Υποβοήθηση της μεθόδου Αξιολόγηση & τεκμηρίωση της αξιοπιστίας του DTM

10 3.6 Υδρολογική ανάλυση Γενικά Η μέθοδος r.watershed Μεθοδολογία παραγωγής χάρτη τύπων βλάστησης Raster algebra Ερμηνεία τιμών και ταξινόμηση εικόνας Αξιολόγηση και χρήση του παραγόμενου χάρτη ΑΠΟΤΕΛΕΣΜΑΤΑ & ΣΥΖΗΤΗΣΗ Αποτελέσματα αποτύπωσης Πρωτογενή προϊόντα Επίλυση του μπλοκ επιτευχθείσες ακρίβειες Νέφος σημείων Τρισδιάστατο φωτορεαλιστικό μοντέλο Ψηφιακό μοντέλο επιφανείας (DSM) Ορθοφωτοχάρτης (TrueOrtho) Υψομετρικά προφίλ βάσει DSM και Ortho Ψηφιακό Μοντέλο Εδάφους (DTM) Εναλλακτικά DTMs Βέλτιστο DTM Εικόνα αξιοπιστίας του DTM Υδρολογική ανάλυση Γενικά Αποτελέσματα βάσει του DSM Αποτελέσματα βάσει του DTM Χάρτης τύπων βλάστησης Στερεοσκοπική απόδοση ΣΥΜΠΕΡΑΣΜΑΤΑ Χρήση των UAV στην αποτύπωση δασικών εκτάσεων Παραγωγή Ψηφιακού Μοντέλου Εδάφους (DTM) ΒΙΒΛΙΟΓΡΑΦΙΑ Ξενόγλωσση Βιβλιογραφία Ελληνική Βιβλιογραφία ΠΑΡΑΡΤΗΜΑ Ι: ΑΝΑΦΟΡΑ ΕΠΕΞΕΡΓΑΣΙΑΣ ΠΑΡΑΡΤΗΜΑ ΙΙ: ΧΑΡΤΕΣ

11 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ Εικόνα 1.1: Διαφορά DSM DTM Εικόνα 1.2: Προφίλ νέφους σημείων από LiDAR και από φωτογραμμετρική επεξεργασία σε δασική περιοχή Εικόνα 2.1: Χάρτης γενικού προσανατολισμού Εικόνα 2.2: Περιοχή μελέτης: κόκκινο όριο: συνολική έκταση που αποτυπώθηκε, κίτρινο όριο: περιοχή εφαρμογής εκτίμησης του DTM Εικόνα 2.3: Άποψη της λεκάνης απορροής του ρέματος Ουτσάρσο Εικόνα 3.1: Στάδια εκπόνησης της εργασίας Εικόνα 3.2: Το τετρακόπτερο Phantom 2 της DJI Εικόνα 3.3: Ο RTK GNSS δέκτης Leica GS14 και το σχετικό καταγραφικό Εικόνα 3.4: Περιβάλλον εργασίας του πακέτου Agisoft Photoscan Pro Εικόνα 3.5: Συνοπτική παρουσίαση της μεθοδολογίας αποτύπωσης Εικόνα 3.6: Προεπεξεργασία των αεροφωτογραφιών Εικόνα 3.7: Αριστερά: προσωρινός ορθοφωτοχάρτης Δεξιά: χάρτης επικάλυψης για τον έλεγχο της επάρκειας των δεδομένων Εικόνα 3.8: Κατανομή των σημείων ελέγχου στο χώρο Εικόνα 3.9: Λεπτομέρεια της εικόνας 3.8 με τη σήμανση των σημείων Εικόνα 3.10: Διαδικασία επίλυσης του μπλοκ Εικόνα 3.11: Επικάλυψη εικόνων και μέτρηση σημείων εδάφους σε μικρά διάκενα του δάσους Εικόνα 3.12: Εργαλείο ταξινόμησης σημείων εδάφους του Photoscan Pro Εικόνα 3.13: Το νέφος σημείων σε πραγματικό χρώμα (επάνω) και ταξινομημένο (κάτω) (με καφέ χρώμα τα σημεία εδάφους) Εικόνα 3.14: Επιλογή σημείων βάσει χρώματος Εικόνα 3.15: Επάνω: ορθοφωτοχάρτης & ισοϋψείς ανά 1m βάσει του DSM. Κάτω: Επίθεση των ισοϋψών ανά 1m που παράχθηκαν βάσει του DTM Εικόνα 3.16: Διαφορά DSM-DTM και το αντίστοιχο απόσπασμα όρθο Εικόνα 3.17: Ιστόγραμμα της εικόνας διαφοράς DSM-DTM Εικόνα 3.18: Επίθεση με διαφάνεια του χάρτη τύπων βλάστησης στον όρθο Εικόνα 4.1: Χάρτης επικάλυψης της περιοχής μελέτης

12 Εικόνα 4.2: Image residuals for HERO3+ Black (already undistorted) Εικόνα 4.3: Το παραχθέν νέφος σημείων. Πλήθος σημείων: Εικόνα 4.4: Το παραχθέν τρισδιάστατο φωτορεαλιστικό μοντέλο Εικόνα 4.5: Ψηφιακό Μοντέλο Επιφανείας (DSM) Εικόνα 4.6: Ορθοφωτοχάρτης (TrueOrtho) Εικόνα 4.7: Απόσπασμα του ορθοφωτοχάρτη και το αντίστοιχο απόσπασμα DSM. 58 Εικόνα 4.8: Απόσπασμα του ορθοφωτοχάρτη και το αντίστοιχο απόσπασμα DSM. 59 Εικόνα 4.9: Μηκοτομή τμήματος δασικής οδού βάσει DSM και Ortho Εικόνα 4.10: Μηκοτομή τμήματος δασικής οδού βάσει DSM και Ortho Εικόνα 4.12: Διατομές κοιτών ρευμάτων βάσει DSM και Ortho Εικόνα 4.13: Υψομετρικό προφίλ μερικώς δασοσκεπούς κλιτύος Εικόνα 4.14: Αποσπάσματα των DTMs που παράχθηκαν με την πλήρως αυτοματοποιημένη μέθοδο και οι αντίστοιχες ισοϋψείς ανά 1m Εικόνα 4.15: Υπέρθεση των ισοϋψών των τριών πρώτων DTMs με μπλε, κίτρινο και κόκκινο χρώμα αντίστοιχα: σε γενικές γραμμές τα τρία DTMs είναι παρόμοια.. 66 Εικόνα 4.16: Υπέρθεση των ισοϋψών του τέταρτου DTM επί αυτών του τρίτου DTM: παρατηρούνται αξιοσημείωτες διαφορές Εικόνα 4.17: Υπέρθεση των ισοϋψών ανά 1m που προέκυψαν οπό το DTM που παράχθηκε με την υποβοηθούμενη μέθοδο: α) επί του ίδιου του DTM, β) επί του αντίστοιχου σκιασμένου αναγλύφου και γ) επί του ορθοφωτοχάρτη Εικόνα 4.18: Υπέρθεση των ισοϋψών της εικόνας 4.12 επί των αντίστοιχων που παράχθηκαν με την πλήρως αυτοματοποιημένη μέθοδο (4 η απόπειρα) Εικόνα 4.19: Στερεοσκοπική απόδοση του ορθοφωτοχάρτη βάσει του DSM, με υπέρθεση των ισοϋψών του DTM Εικόνα 4.20: Αριστερά: Σκιασμένο ανάγλυφο βάσει του DTM. Δεξιά: Εικόνα αξιοπιστίας του DTM Εικόνα 4.21: Επί του ορθοφωτοχάρτη εμφανίζονται αφενός τα σημεία βάσει των οποίων παράχθηκε το DTM (ανοιχτό πράσινο) και αφετέρου κατώτερες κλάσεις της εικόνας αξιοπιστίας του DTM (κίτρινα, πορτοκαλί και κόκκινα pixels)

13 Εικόνα 4.22: Αριστερά: κατεύθυνση της απορροής (drainage direction) βάσει του DSM; Δεξιά: συγκέντρωση της απορροής (flow accumulation) βάσει του DSM Εικόνα 4.23: Λεπτομέρεια της εικόνας 4.22: παρατηρείται πολύ σύνθετη και κατακερματισμένη ροή Εικόνα 4.24: Όρια λεκανών και κοίτες ρευμάτων βάσει DSM ( cells) Εικόνα 4.25: Όρια λεκανών και κοίτες ρευμάτων βάσει DSM ( cells) Εικόνα 4.26: Αριστερά: κατεύθυνση της απορροής (drainage direction) βάσει του DTM; Δεξιά: συγκέντρωση της απορροής (flow accumulation) βάσει του DTM Εικόνα 4.27: Λεπτομέρεια της εικόνας Εικόνα 4.28: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM ( cells) Εικόνα 4.29: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM ( cells) Εικόνα 4.30: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM ( cells) Εικόνα 4.31: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM ( cells) Εικόνα 4.32: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM ( cells) Εικόνα 4.33: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM ( cells) Εικόνα 4.34: Επίθεση των ορίων της βασικής λεκάνης απορροής και των κοιτών των ρευμάτων επί του ορθοφωτοχάρτη Εικόνα 4.35: Εικόνα διαφοράς μεταξύ DSM DTM Εικόνα 4.36: Ο παραχθείς χάρτης τύπων βλάστησης Εικόνα 4.37: Λεπτομέρεια του χάρτη τύπων βλάστησης (απόσπασμα) Εικόνα 4.38: Το απόσπασμα της εικόνας 4.37 με διαφάνεια επί του όρθο Εικόνα 4.39: Στερεοσκοπική απόδοση της περιοχής μελέτης Εικόνα 4.40: Λεπτομέρεια στερεοσκοπικής απόδοσης ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ Πίνακας 3.1: Χαρακτηριστικά της κάμερας που χρησιμοποιήθηκε Πίνακας 3.2: Συνδυασμοί παραμέτρων που χρησιμοποιήθηκαν για την ταξινόμηση των σημείων εδάφους Πίνακας 4.1: Camera calibration parameters for HERO3+ Black (undistorted) Πίνακας 4.2: Ακρίβεια αεροτριγωνισμού βάσει των φωτοσταθερών σημείων

14 Πίνακας 4.3: Ακρίβεια αεροτριγωνισμού βάσει των σημείων ελέγχου Πίνακας 4.4: Έλεγχος ακρίβειας του ορθοφωτοχάρτη Πίνακας 4.5: Συνδυασμοί παραμέτρων που χρησιμοποιήθηκαν για την ταξινόμηση των σημείων εδάφους και αριθμός σημείων που ταξινομήθηκαν Πίνακας 4.6: Thresholds που χρησιμοποιήθηκαν κατά την εφαρμογή της μεθόδου και οι εκτάσεις στις οποίες αυτά αντιστοιχούν ΚΑΤΑΛΟΓΟΣ ΧΑΡΤΩΝ ΠΑΡΑΡΤΗΜΑΤΟΣ ΙΙ 1 ο Απόσπασμα ορθοφωτοχάρτη σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα ορθοφωτοχάρτη σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα ορθοφωτοχάρτη σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα ορθοφωτοχάρτη σε μέγεθος Α3. Κλίμακα 1: Πλήρης ορθοφωτοχάρτης περιοχής μελέτης ο Απόσπασμα στερεοσκοπικού χάρτη σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα στερεοσκοπικού χάρτη σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα στερεοσκοπικού χάρτη σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα στερεοσκοπικού χάρτη σε μέγεθος Α3. Κλίμακα 1: Πλήρης στερεοσκοπικός χάρτης περιοχής μελέτης ο Απόσπασμα χάρτη τύπων βλάστησης σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα χάρτη τύπων βλάστησης σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα χάρτη τύπων βλάστησης σε μέγεθος Α3. Κλίμακα 1: ο Απόσπασμα χάρτη τύπων βλάστησης σε μέγεθος Α3. Κλίμακα 1: Πλήρης χάρτης τύπων βλάστησης περιοχής μελέτης

15 Εισαγωγή 1. ΕΙΣΑΓΩΓΗ 1.1 Γενικά Η τεχνολογική ανάπτυξη των τελευταίων ετών στο χώρο των μη επανδρωμένων εναέριων οχημάτων (Unmanned Aerial Vehicles UAVs) τα έχει καταστήσει ιδιαίτερα προσβάσιμα από άποψη κόστους. Σε συνδυασμό με την παράλληλη πρόοδο που έχει σημειωθεί στο χώρο των ψηφιακών φωτογραφικών μηχανών, τα UAVs έχουν καταστήσει σήμερα την απόκτηση αεροφωτογραφιών μεγάλης χωρικής ανάλυσης ιδιαίτερα οικονομική σε σχέση με το παρελθόν. Είναι προφανές πως οι εικόνες αυτές μπορούν να χρησιμοποιηθούν και να αποδώσουν σημαντικά αποτελέσματα στην περιοχή των φωτογραμμετρικών αποτυπώσεων. Συνεπώς, μαζί με την ανάπτυξη των συστημάτων που κατέστησαν εύκολη την απόκτηση τέτοιων εικόνων, υπήρξε και εξακολουθεί να συμβαίνει αντίστοιχη ανάπτυξη φωτογραμμετρικών πακέτων που να τις αξιοποιούν. Σε σχέση με την παραδοσιακή φωτογραμμετρία, η λογική εργασίας εδώ είναι σημαντικά διαφοροποιημένη. Τα σύγχρονα πακέτα λογισμικού που προορίζονται για χρήση με δεδομένα από UAVs δανείζονται μεθόδους τόσο από την παραδοσιακή φωτογραμμετρία όσο και από το χώρο της ψηφιακής όρασης (computer vision). Για παράδειγμα, σε αντίθεση με τα παραδοσιακά φωτογραμμετρικά πακέτα όπου ο σχετικός προσανατολισμός των εικόνων αποκαθίσταται με την χρήση σχετικά λίγων ομόλογων σημείων (tie points), εδώ τα ομόλογα σημεία που χρησιμοποιούνται μεταξύ δύο ή περισσότερων εικόνων είναι συνήθως χιλιάδες και κατανέμονται σε όλο το χώρο της εικόνας, γεγονός που μπορεί να επιτρέψει μεταξύ άλλων και την αυτόματη βαθμονόμηση (εσωτερικό προσανατολισμό) της φωτογραφικής μηχανής. Ένα άλλο βασικό σημείο διαφοροποίησης είναι ότι τα σημεία που μετρώνται αυτόματα από τα εν λόγω λογισμικά, δεν παρατηρούνται αποκλειστικά σε ένα ζεύγος εικόνων (στερεοσκοπική παρατήρηση) αλλά σε περισσότερες, με αποτέλεσμα να είναι εφικτή η συνόρθωση των παρατηρήσεων και η αύξηση της ακρίβειας. Έτσι, ο κανόνας της επικάλυψης 60% που συνηθίζεται στον παραδοσιακό σχεδιασμό φωτογραμμετρικής παραγωγής θεωρείται εδώ μη λειτουργικός, αφού δεν επιτρέπει την πολλαπλή 13

16 Εισαγωγή παρατήρηση που ενσωματώνουν ως λειτουργία τα περισσότερα σχετικά πακέτα λογισμικού. Τα βασικά φωτογραμμετρικά προϊόντα είναι οι Ορθοφωτοχάρτες και τα Ψηφιακά Υψομετρικά Μοντέλα (Digital Elevation Models DEMs). Η μεγάλη χωρική ανάλυση όμως των εικόνων που προέρχονται από τα UAVs, αποτελεί πρόκληση για τους σημερινούς φωτογραμμέτρες, αφού η παραγωγή ορθοφωτοχαρτών πολύ μεγάλης ανάλυσης και ακρίβειας προϋποθέτει την παραγωγή αντίστοιχης ανάλυσης και ακρίβειας Ψηφιακών Υψομετρικών Μοντέλων. Για το λόγο αυτό, τα σχετικά λογισμικά ενσωματώνουν μεθόδους που αυτοματοποιούν σημαντικά τη διαδικασία της παραγωγής των μοντέλων αυτών, βασικά επιδιώκοντας να μετρήσουν με αυτόματο τρόπο όσο το δυνατό περισσότερα σημεία μπορούν να εντοπιστούν στις εικόνες και με την προσδοκία ότι τα σημεία αυτά είναι επαρκώς πυκνά, ώστε να αποδώσουν ικανοποιητικά την «πλήρη» γεωμετρία της σκηνής που αποτυπώνεται. Αποτέλεσμα είναι να παράγεται ένα σύνολο σημείων τόσο πυκνών, που ονομάζονται νέφος σημείων (Point Cloud) και που αποτελούν τη βάση για την παραγωγή του απαιτούμενου Ψηφιακού Υψομετρικού Μοντέλου. Παραδοσιακά στην φωτογραμμετρία, το υψομετρικό μοντέλο που χρησιμοποιείται για την ορθοαναγωγή των εικόνων συνηθίζεται να είναι ένα προσεγγιστικό μοντέλο της φυσικής συνεχούς επιφάνειας του εδάφους και δεν περιλαμβάνει υψομετρική πληροφορία για τα κτήρια ή άλλες ανθρώπινες κατασκευές (δρόμους, γέφυρες κτλ.) που μπορεί να εξέχουν ή πιο σπάνια να εισχωρούν στη φυσική επιφάνεια του εδάφους. Τα μοντέλα αυτά παράγονται συνήθως φωτογραμμετρικά και καλούνται Ψηφιακά Μοντέλα Εδάφους (Digital Terrain Models DTMs), αν και συχνά κατά παράβαση του ορισμού περιλαμβάνουν σημεία που αντιστοιχούν στις κόμες της βλάστησης και όχι στο έδαφος. Στους ορθοφωτοχάρτες που παράγονται βάσει τέτοιων υψομετρικών μοντέλων, τα χαρακτηριστικά που εξέχουν της επιφάνειας του εδάφους εμφανίζονται μετατοπισμένα σε σχέση με την πραγματική τους θέση. Ωστόσο, αφενός λόγω της μεγάλης εστιακής απόστασης και του μεγάλου ύψους από το οποίο γίνεται συνήθως η λήψη των εικόνων που υπόκεινται τέτοιου είδους επεξεργασία και αφετέρου λόγω της σχετικά μικρής κλίμακας των ορθοφωτοχαρτών που παράγονται από τέτοιες εικόνες, η μετατόπιση αυτή δεν θεωρείται σημαντική. 14

17 Εισαγωγή Οι ορθοφωτοχάρτες που παράγονται βάσει υψομετρικών μοντέλων που περιλαμβάνουν υψομετρική πληροφορία για τα κτήρια, τη βλάστηση κτλ. και οι οποίοι εμφανίζουν αυτά τα χαρακτηριστικά στην πραγματική τους θέση, ονομάζονται TrueORTHO, ενώ τα αντίστοιχα υψομετρικά μοντέλα ονομάζονται Ψηφιακά Μοντέλα Επιφανείας (Digital Surface Models DSMs). Τα σύγχρονα φωτογραμμετρικά πακέτα που προορίζονται για χρήση με δεδομένα από UAVs όπως γίνεται αντιληπτό και από την περιγραφή που προηγήθηκε προσανατολίζονται στην αυτοματοποιημένη παραγωγή ορθοφωτοχαρτών τύπου TrueORTHO και υψομετρικών μοντέλων τύπου DSM. Η διαφορά μεταξύ DSM και DTM αποδίδεται γραφικά στην Εικόνα 1.1. Εικόνα 1.1: Διαφορά DSM DTM. Πηγή: Βασικό ζητούμενο της παρούσας εργασίας είναι η διερεύνηση μεθόδων που σε περιπτώσεις αποτύπωσης δασικών περιοχών, επιτρέπουν την αφαίρεση από το αρχικό νέφος σημείων, των σημείων εκείνων που αντιστοιχούν σε βλάστηση και την εν συνεχεία δημιουργία υψομετρικών μοντέλων που προσεγγίζουν την επιφάνεια του εδάφους (DTMs). Τέτοια υψομετρικά μοντέλα μπορούν να φανούν ιδιαίτερα χρήσιμα σε δασικές εφαρμογές (Lisein et al., 2013; Tuominen et al., 2015; Rybakov, 2015). Οι μπλε κουκίδες της παραπάνω εικόνας (Εικόνα 1.1) αντιπροσωπεύουν τα σημεία που απαρτίζουν το αρχικό νέφος σημείων που παράγεται με αυτοματοποιημένο τρόπο από 15

18 Εισαγωγή το λογισμικό. Αν λοιπόν από το σύνολο των σημείων αυτών απορριφθούν τα σημεία που δεν αντιστοιχούν στο έδαφος, τότε με τα υπόλοιπα σημεία μπορεί να προσεγγιστεί η επιφάνεια του εδάφους. Προϋπόθεση βέβαια για την ικανοποιητική προσέγγιση είναι να υπάρχουν αρκετά κενά στην κάλυψη του εδάφους, ώστε να συμπεριλαμβάνονται στο νέφος σημείων αρκετά σημεία που αντιστοιχούν στο έδαφος. Αυτό σημαίνει ότι οι μεθοδολογίες που πραγματεύονται εδώ δεν μπορούν να εφαρμοστούν σε δάση πλήρους συγκόμωσης. Παρόλα αυτά στην Ελλάδα και ιδίως στην παραμεσογειακή ζώνη βλάστησης, δάση με πλήρη συγκόμωση απαντώνται σχετικά σπάνια. Επιπλέον, σε δάση φυλλοβόλων ειδών (δρυς, οξυά κ.α.) ακόμη και αν η συγκόμωσή τους είναι πλήρης, η πραγματοποίηση αεροφωτογραφίσεων την περίοδο της βλαστικής ηρεμίας που τα φύλλα έχουν πέσει θα μπορούσε να επιτρέψει τη χρήση των μεθόδων με ικανοποιητικά αποτελέσματα. Συνεπώς θεωρείται πως οι μεθοδολογίες αυτές μπορεί να βρουν ευρεία εφαρμογή στην ελληνική δασική πράξη. Η απόρριψη των σημείων που δεν ανήκουν στο έδαφος θα μπορούσε θεωρητικά να γίνει με τρόπο χειρωνακτικό. Όταν όμως τα δεδομένα αφορούν σε δεκάδες ή εκατοντάδες εκατομμυρίων σημείων, κάτι τέτοιο καθίσταται πρακτικά αδύνατο. Έτσι το ενδιαφέρον στρέφεται σε μεθόδους που με αυτοματοποιημένο, ή ελαφρώς υποβοηθούμενο από το χρήστη τρόπο, να επιτρέπουν την απόρριψη των σημείων που αντιστοιχούν στη βλάστηση εύκολα και γρήγορα. 1.2 Χρησιμότητα του DTM Όπως είναι φυσικό, ιδίως στις περιπτώσεις όπου η βλάστηση είναι ψηλό δάσος, η συμπερίληψή της σε ένα υψομετρικό μοντέλο οδηγεί στην εμφάνιση βυθίσεων και εξάρσεων που δεν ανταποκρίνονται στην επιφάνεια του εδάφους. Η χρήση τέτοιων υψομετρικών μοντέλων για υδρολογική ανάλυση μπορεί να οδηγήσει σε λανθασμένα αποτελέσματα τόσο στην οριοθέτηση και τη χαρτογράφηση των λεκανών απορροής και των κοιτών, όσο και στον υπολογισμό των μέσων κλίσεων των λεκανών, των ταχυτήτων επιφανειακής απορροής κτλ.. Για το λόγο αυτό, στην περίπτωση υδρολογικών εφαρμογών, η εκτίμηση ενός DTM με βάση το αρχικά παραχθέν DSM καθίσταται αναγκαία. 16

19 Εισαγωγή Οι Kinner et al. (2005) είχαν εντοπίσει τέτοιες δυσλειτουργίες και σε εργασία τους χρησιμοποίησαν υψομετρικά μοντέλα με γνωστά προβλήματα τέτοιου είδους (SRTM & IFSAR DEMs) για να διερευνήσουν τα αποτελέσματα που δίνουν βάσει αυτών δύο διαφορετικές μέθοδοι υδρολογικής ανάλυσης. Σύγκριναν τις μεθόδους r.watershed και r.terraflow που υλοποιούνται σε περιβάλλον GRASS GIS, για να καταλήξουν ότι η πρώτη έδωσε πολύ πιο ακριβή αποτελέσματα αν και είναι αρκετά πιο αργή από τη δεύτερη (Kinner et al., 2005). Στην παρούσα εργασία για την πραγματοποίηση της υδρολογικής ανάλυσης χρησιμοποιήθηκε η μέθοδος r.watershed, η οποία εφαρμόστηκε τόσο στο παραχθέν DSM όσο και στο παραχθέν DTM προκειμένου να συγκριθούν τα αποτελέσματα. Η εφαρμογή έδειξε ότι πράγματι με βάση το DSM παρήχθησαν αποτελέσματα σαφώς εσφαλμένα, ενώ με βάση το DTM τα αποτελέσματα ήταν ορθά. 1.3 Η διαφορά DSM-DTM ως μοντέλο ύψους βλάστησης Από την Εικόνα 1.1 γίνεται εύκολα αντιληπτό πως από την αφαίρεση των τιμών υψομέτρου του DTM, από τις αντίστοιχες τιμές του DSM, προκύπτει μία διαφορά που αντιστοιχεί στο ύψος των χαρακτηριστικών που εξέχουν της επιφάνειας του εδάφους. Έτσι, στην περίπτωση των δασικών εκτάσεων, η διαφορά αυτή αντιστοιχεί στο ύψος της βλάστησης. Άρα μπορεί να ειπωθεί ότι από την αφαίρεση του DTM από το DSM, προκύπτει ένα νέο αρχείο που θα μπορούσε να ονομαστεί Μοντέλο Ύψους Βλάστησης. Η παραγωγή ενός χάρτη βλάστησης με βάση αυτό το μοντέλο ύψους βλάστησης είναι αδύνατη. Ωστόσο το μοντέλο αυτό θα μπορούσε να χρησιμοποιηθεί ως σημαντική συμπληρωματική πληροφορία και να ενσωματωθεί στη διαδικασία ταξινόμησης μιας πολυφασματικής εικόνας με σκοπό την παραγωγή ενός χάρτη βλάστησης. Επιπλέον, η ταξινόμηση του μοντέλου αυτού και μόνο σε κλάσεις υψών βλάστησης, μπορεί να παράξει έναν χάρτη τύπων βλάστησης (ποώδης θαμνώδης δενδρώδης) πιθανότατα κατάλληλο για την εκτίμηση του συντελεστή απορροής μιας λεκάνης υδατοσυλλογής. Στα πλαίσια της εργασίας πραγματοποιήθηκε σχετική εφαρμογή με αποτελέσματα πολύ ενθαρρυντικά. Περαιτέρω, υπό την προϋπόθεση ύπαρξης κατάλληλων αλλομετρικών εξισώσεων και στατιστικών μοντέλων που να συσχετίζουν το ύψος με τις στηθαίες διαμέτρους και τον 17

20 Εισαγωγή ξυλώδη όγκο, το μοντέλο ύψους βλάστησης θα μπορούσε να χρησιμοποιηθεί για την εξαγωγή σημαντικότατων δασικών παραμέτρων. 1.4 Σχετικές εφαρμογές - βιβλιογραφία Πολλές εργασίες έχουν γίνει πάνω στο θέμα της διαφοράς DSM DTM και στη δυνατότητα αξιοποίησης της προκύπτουσας από αυτή τη διαφορά πληροφορίας. Οι περισσότερες όμως από αυτές αφορούν σε δεδομένα (νέφη σημείων) προερχόμενα από εναέρια συστήματα LiDAR (Popescu and Wynne, 2004; Sithole and Vosselman, 2004; Suárez et al., 2005; Evans and Hudak, 2007; Zhang and Qiu, 2012; κ.α.) τα οποία έχουν τα χαρακτηριστικά αφενός της καλύτερης διείσδυσης στο δασικό περιβάλλον (Εικόνα 1.2) και αφετέρου των πολλαπλών επιστροφών που διευκολύνουν το διαχωρισμό των σημείων του εδάφους από τα σημεία της βλάστησης. Τα συστήματα αυτά είναι ιδιαίτερα ακριβά. Κατά συνέπεια η απόκτηση αντίστοιχων δεδομένων είναι δύσκολη. Αυτός είναι και ο λόγος που εδώ επιδιώκεται η εκτίμηση του DTM με βάση το φωτογραμμετρικό νέφος σημείων, αφού δεδομένα LiDAR δεν είναι διαθέσιμα για τον ελληνικό χώρο. Εικόνα 1.2: Προφίλ νέφους σημείων από LiDAR και από φωτογραμμετρική επεξεργασία σε δασική περιοχή. Πηγή: Lisein et al., 2013 Άλλες σχετικές εργασίες που αφορούν όμως και σε UAVs, κάνουν χρήση αποκλειστικά του DSM που παράγεται φωτογραμμετρικά, ενώ ως DTM χρησιμοποιούν και πάλι δεδομένα που προέρχονται από εναέρια συστήματα LiDAR. Οι Lisein κ.α. κάνουν 18

21 Εισαγωγή χρήση ενός UAV για την απόκτηση εικόνων και την φωτογραμμετρική αποτύπωση της επιφάνειας της κόμης ενός δάσους χωρίς να επιδιώκουν την εξαγωγή πληροφορίας όσον αφορά το έδαφος από αυτό. Αντί αυτού για την εκτίμηση του ύψους της βλάστησης χρησιμοποιούν ένα DTM προέλευσης LiDAR. Επιπλέον, συγκρίνουν το νέφος σημείων που προέκυψε φωτογραμμετρικά με το αντίστοιχο που προέκυψε από το σύστημα LiDAR (Εικόνα 1.2) θεωρώντας το δεύτερο ως ground truth για να καταλήξουν στο συμπέρασμα ότι το πρώτο περιγράφει με ικανοποιητική ακρίβεια την κομοστέγη του δάσους (Lisein et al., 2013). Με παρόμοιο τρόπο λειτούργησαν και οι Tuominen κ.α. για να καταλήξουν σε συναφή συμπεράσματα δίνοντας όμως περισσότερο βάση στην εκτίμηση δασικών παραμέτρων και επιβεβαιώνοντας τις εκτιμήσεις τους με επιτόπιες μετρήσεις εδάφους (Tuominen et al., 2015). Ο Rybakov επίσης χρησιμοποιεί ένα DTM LiDAR προέλευσης και ένα DSM φωτογραμμετρικής προέλευσης για να παράξει το μοντέλο ύψους βλάστησης και κατόπιν να προχωρήσει στην εκτίμηση δασικών παραμέτρων τις οποίες συγκρίνει με αυτές που έχουν εκτιμηθεί στο διαχειριστικό σχέδιο του υπό εξέταση δάσους, καταλήγοντας σε αποτελέσματα σχετικά ενθαρρυντικά. Στη συζήτηση ωστόσο αναφέρει ότι θα ήταν εξαιρετικά ενδιαφέρουσα για τη δασοκομία η διερεύνηση της δυνατότητας εκτίμησης του DTM βάσει των φωτογραμμετρικών δεδομένων, αφού αυτό θα επέτρεπε τη χρήση των μεθόδων που εφάρμοσε ο ίδιος σε μία σειρά από χώρες για τις οποίες δεν υπάρχουν ακριβή και ποιοτικά τοπογραφικά δεδομένα για την επιφάνεια του εδάφους (Rybakov, 2015). 1.5 Σκοπός της εργασίας Σκοπός της παρούσας εργασίας είναι η φωτογραμμετρική αποτύπωση μιας δασικής περιοχής με χρήση UAV και η διερεύνηση της δυνατότητας εκτίμησης του DTM της περιοχής βάσει του DSM που παράγεται για αυτή φωτογραμμετρικά. Περαιτέρω, γίνεται χρήση του παραχθέντος DTM σε εφαρμογή υδρολογικής ανάλυσης για να διαπιστωθεί η καταλληλότητά του έναντι του DSM για τη συγκεκριμένη χρήση. Τέλος, χρησιμοποιείται η διαφορά μεταξύ DSM και DTM ως μοντέλο ύψους βλάστησης για την παραγωγή μέσω ταξινόμησης ενός χάρτη τύπων βλάστησης κατάλληλου για την εκτίμηση του συντελεστή απορροής μιας λεκάνης υδατοσυλλογής. 19

22 Περιοχή Μελέτης 2. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ Η επιλογή της περιοχής μελέτης βασίστηκε αφενός στην καταλληλότητα της βλάστησης και του αναγλύφου, και αφετέρου στην εγγύτητα και την ευκολία πρόσβασης. Προϋπόθεση από άποψη αναγλύφου ήταν η περιοχή να περιλαμβάνει τουλάχιστον μία άρτια λεκάνη απορροής, ώστε να μπορεί με βάση τα προϊόντα της φωτογραμμετρικής αποτύπωσης να πραγματοποιηθεί στη συνέχεια υδρολογική ανάλυση και αυτόματη οριοθέτηση της λεκάνης. Από άποψη βλάστησης, η ύπαρξη ποικιλίας τύπων βλάστησης αποτελούσε ζητούμενο ώστε να είναι εφικτή η παρατήρηση της συμπεριφοράς των μεθόδων εκτίμησης του DTM στους διάφορους τύπους, αλλά και ο έλεγχος της δυνατότητας παραγωγής χάρτη τύπων βλάστησης από τη διαφορά DSM-DTM. Βάσει αυτών, σαν περιοχή μελέτης επιλέχθηκε το περιαστικό δάσος της Θεσσαλονίκης «Σέιχ-Σου» και συγκεκριμένα η λεκάνη απορροής του ρέματος «Ουτσάρσο» (Εικόνα 2.1). Αποτυπώθηκε συνολικά μία έκταση ~ 2.0 km 2, η οποία ωστόσο περιορίστηκε εκ των υστέρων σε ~ 1.5 km 2 ώστε η εφαρμογή εκτίμησης του DTM να γίνει σε αμιγώς δασική έκταση (Εικόνα 2.2). Εικόνα 2.1: Χάρτης γενικού προσανατολισμού. Προέλευση υποβάθρου: Open Street Maps 20

23 Περιοχή Μελέτης Εικόνα 2.2: Περιοχή μελέτης: κόκκινο όριο: συνολική έκταση που αποτυπώθηκε, κίτρινο όριο: περιοχή εφαρμογής εκτίμησης του DTM. 2.1 Περιαστικό δάσος Θεσσαλονίκης «Σέιχ-Σου» Το περιαστικό δάσος Θεσσαλονίκης καταλαμβάνει ένα τμήμα των νοτίων και δυτικών πλευρών της λοφοσειράς του Κισσού όρους (Χορτιάτης), που ξεκινά από τον Γαλλικό ποταμό και κατευθύνεται προς ανατολάς μέχρι την κορυφή Χορτιάτη, του οποίου οι νότιες πλευρές κλίνουν προς την θάλασσα και οι βόρειες προς την λίμνη Κορώνεια. Ορεογραφικά η έκταση χαρακτηρίζεται ως λοφώδης και ημιορεινή. Το τοπογραφικό ανάγλυφο είναι έντονο και χαρακτηρίζεται από συνεχή εναλλαγή κορυφών, κατερχομένων κορυφογραμμών και μισγαγγειών που διαρρέονται από ρέματα και οι οποίες κατευθύνονται προς την πόλη (Τουρλακίδης κ.α., 2001). Το δάσος είναι τεχνητό και αποτελεί το αποτέλεσμα των προσπαθειών περισσότερων των εξήντα χρόνων. Η πρώτη απόπειρα αναδάσωσης έγινε το 1929 από τους φοιτητές της δασολογικής σχολής του Α.Π.Θ. και επαναλήφθηκε το Αναφέρεται πως ένας σημαντικός από τους σκοπούς της ίδρυσης του δάσους ήταν ο περιορισμός των συχνών πλημμυρικών φαινομένων που προκαλούσαν καταστροφές στην πόλη της Θεσσαλονίκης (Τουρλακίδης κ.α., 2001). Το καλοκαίρι του 1997 ( ) εκδηλώθηκε πυρκαγιά που κατέκαψε περίπου το 63 % της συνολικής έκτασης του δάσους η οποία ανέρχεται σε ~ 30.2 km 2 (Σ. Στεφανίδης, 2009). 21

24 Περιοχή Μελέτης 2.2 Ρέμα Ουτσάρσο Το ρέμα Ουτσάρσο είναι ένα πολύ μικρό ρέμα, ένα από τα μικρότερα του περιαστικού δάσους, με λεκάνη απορροής μικρότερη του ενός τετραγωνικού χιλιομέτρου (km 2 ). Από άποψη τύπου βλάστησης η περιοχή ανήκει στην παραμεσογειακή ζώνη βλάστησης (Quercetalia Pubescentis) και πιο συγκεκριμένα στην υποζώνη ostryo - carpinion και στον αυξητικό χώρο coccifero - carpinetum. Περιλαμβάνει δε επιφάνειες γυμνές ή με χαμηλή βλάστηση, επιφάνειες με θαμνώνες αείφυλλων πλατύφυλλων, επιφάνειες με νεαρό δάσος κωνοφόρων πλήρους συγκόμωσης, επιφάνειες με ψηλότερο και γηραιότερο δάσος κωνοφόρων μέτριας συγκόμωσης καθώς και μικτές επιφάνειες. Στην έξοδο του ρέματος από το δάσος, η κοίτη του έχει επιχωματωθεί σε μεγάλο μήκος. Όπως αναφέρεται σε σχετική μελέτη (Τουρλακίδης κ.α., 2001) πριν την επιχωμάτωση είχε κατασκευαστεί οχετός για να παροχετεύονται τα νερά του ρέματος, ο οποίος ωστόσο έχει αποφραχθεί με αποτέλεσμα η επιχωμάτωση να λειτουργεί ως φράγμα - δεξαμενή απάλυνσης πλημμυρικών αιχμών, εμπλουτισμού του υπόγειου υδροφορέα, καθίζησης αιωροϋλικών και ως ταμιευτήρας νερού. Πιο ψηλά στην κοίτη έχουν κατασκευαστεί ακόμη δύο πολύ χαμηλά φράγματα από μπετό. Εικόνα 2.3: Άποψη της λεκάνης απορροής του ρέματος Ουτσάρσο με φόντο το Χορτιάτη. 22

25 Υλικά & Μεθοδολογίες 3. ΥΛΙΚΑ & ΜΕΘΟΔΟΛΟΓΙΕΣ 3.1 Γενικά Στάδια εκπόνησης της εργασίας Όπως αναφέρεται και παραπάνω, σκοπός της εργασίας είναι καταρχήν η φωτογραμμετρική αποτύπωση μιας δασικής περιοχής (αεροφωτογράφηση, αεροτριγωνισμός, παραγωγή Point Cloud, DSM, TrueOrtho, 3D Model), η εν συνεχεία βάσει αυτών εκτίμηση του DTM της περιοχής, και τέλος η ενδεικτική αξιοποίηση των παραχθέντων δεδομένων σε δασικές εφαρμογές (Υδρολογική ανάλυση & Χάρτης τύπων βλάστησης). Άρα από άποψη δομής, η παρούσα εργασία χωρίζεται στις τρείς παραπάνω λογικές ενότητες, οι οποίες επιπλέον ανταποκρίνονται και στα χρονικά στάδια εκπόνησής της (Εικόνα 3.1). Οι μεθοδολογίες που ακολουθήθηκαν στα επιμέρους στάδια περιγράφονται αναλυτικά στις αντίστοιχες παραγράφους. Εικόνα 3.1: Στάδια εκπόνησης της εργασίας 3.2 Υλικό Ο εξοπλισμός που χρησιμοποιήθηκε για την εργασία περιλαμβάνει τα εξής: UAV: Το μη επανδρωμένο εναέριο όχημα που χρησιμοποιήθηκε είναι το Phantom 2 της εταιρίας DJI (Εικόνα 3.2). Πρόκειται για ένα τετρακόπτερο το οποίο κατευθύνεται με τηλεχειρισμό και σύστημα GPS/INS. Φέρει επιπλέον σύστημα ζωντανής μετάδοσης εικόνας και δεδομένων τηλεμετρίας στο σταθμό εδάφους καθώς και σύστημα σταθεροποίησης της κάμερας που διατηρεί τον προσανατολισμό της σταθερό (στο ναδίρ) ανεξαρτήτως των στροφών του οχήματος. Η ακτίνα δράσης του ανέρχεται σε ~ 2 km ενώ ο χρόνος πτήσης του σε ~ 18 min. 23

26 Υλικά & Μεθοδολογίες Εικόνα 3.2: Το τετρακόπτερο Phantom 2 της DJI. Πηγή: Digital Camera: Η κάμερα που χρησιμοποιήθηκε είναι η GoPro Hero 3+ Black. Μία ευρείας κυκλοφορίας ψηφιακή φωτογραφική μηχανή τα χαρακτηριστικά της οποίας παρατίθενται στον Πίνακα 3.1. Πίνακας 3.1: Χαρακτηριστικά της κάμερας που χρησιμοποιήθηκε Model GoPro Hero3+ Black Edition Lens Type Image Resolution Pixel size Ultra-sharp 6-element aspherical glass lens Fixed f/2.8 aperture, Fixed focal length 2.77 mm Ultra wide angle field of view x MP Resolution x3000 pixels um x um Battery Rechargeable lithium-ion battery, 1180mAH, 3.7V Weight 74g (2.6oz) 24

27 Υλικά & Μεθοδολογίες RTK GNSS Receiver: Για τη μέτρηση των συντεταγμένων των φωτοσταθερών και των σημείων ελέγχου χρησιμοποιήθηκε ο RTK GNSS δέκτης Leica GS14 (Εικόνα 3.3) σε σύνδεση με το δίκτυο μόνιμων σταθμών αναφοράς SmartNet Greece. Η ακρίβεια μέτρησης ορίστηκε στα 5 εκατοστά (cm). Εικόνα 3.3: Ο RTK GNSS δέκτης Leica GS14 και το σχετικό καταγραφικό. Πηγή: Desktop workstation: Για την επεξεργασία των δεδομένων χρησιμοποιήθηκε προσωπικός υπολογιστής με λειτουργικό σύστημα Windows 7 64-bit, με επεξεργαστή Intel Core i7 3770@3.4GHz, μνήμη RAM Corsair Vengeance MHz, κάρτα γραφικών Asus NVIDIA GeForce GTX760 και δίσκο Samsung SSD 840EVO 250 GB. 25

28 Υλικά & Μεθοδολογίες 3.3 Λογισμικό Για την επεξεργασία των δεδομένων και την εκτέλεση του συνόλου των εφαρμογών της εργασίας χρησιμοποιήθηκαν τα παρακάτω πακέτα λογισμικού: Adobe Bridge, Camera Raw, Photoshop Αυτή η σειρά συνεργαζόμενων προγραμμάτων της Adobe για τη διαχείριση και την επεξεργασία ψηφιακών εικόνων, χρησιμοποιήθηκε στο στάδιο της προεπεξεργασίας των αρχικών αεροφωτογραφιών. Συγκεκριμένα χρησιμοποιήθηκαν με batch process μέσω του Bridge η εφαρμογή Camera Raw για τη γεωμετρική διόρθωση (εφαρμογή Lens correction profile) καθώς και η εφαρμογή Photoshop για τη χρωματική εξισορρόπηση των αρχικών αεροφωτογραφιών. Agisoft Photoscan Pro Το Photoscan Pro (Εικόνα 3.4) είναι το πακέτο λογισμικού που χρησιμοποιήθηκε για την πραγματοποίηση της φωτογραμμετρικής επεξεργασίας. Το πακέτο επιτρέπει την πραγματοποίηση του αεροτριγωνισμού (αποκατάσταση εσωτερικού, σχετικού και εξωτερικού προσανατολισμού) και την παραγωγή τρισδιάστατου νέφους σημείων (3D Point Cloud), ψηφιακού μοντέλου επιφανείας (DSM), ορθοφωτοχάρτη (TrueOrtho), τρισδιάστατου φωτορεαλιστικού μοντέλου (3D Textured Mesh) καθώς και αναφοράς επεξεργασίας όπου εμφανίζονται τα στατιστικά για την επίλυση του μπλοκ (ακρίβειες που επιτεύχθηκαν, επικαλύψεις, αναλύσεις κτλ.). Εκτός αυτών, το συγκεκριμένο πακέτο λογισμικού παρέχει μία διεπαφή για την επεξεργασία του νέφους σημείων η οποία ενσωματώνει εργαλεία που χρησιμοποιήθηκαν στη συνέχεια για την επιλογή των σημείων εδάφους και την παραγωγή του ψηφιακού μοντέλου εδάφους (DTM). QGIS GRASS GIS Πρόκειται για ένα ιδιαίτερα αξιόπιστο ανοιχτού κώδικα πακέτο λογισμικού για την πραγματοποίηση εργασιών GIS. Ενσωματώνει δε, μεγάλη ποικιλία εργαλείων χωρικών πράξεων και ανάλυσης που το καθιστούν κατάλληλο για αντίστοιχα μεγάλη ποικιλία εφαρμογών. Εδώ, αφού ολοκληρώθηκε η διαδικασία της αποτύπωσης και της 26

29 Υλικά & Μεθοδολογίες παραγωγής του DTM, ακολούθησε η ανάπτυξη σχετικής βάσης γεωδεδομένων και η περαιτέρω επεξεργασία και ανάλυσή τους, η οποία πραγματοποιήθηκε σε περιβάλλον QGIS GRASS GIS. Εργαλεία του QGIS χρησιμοποιήθηκαν για την πραγματοποίηση πράξεων μεταξύ αρχείων raster (raster algebra), την οπτικοποίηση (visualization) των δεδομένων και την χαρτογραφική τους απόδοση (map rendering). Επιπλέον, στο GRASS GIS που χρησιμοποιήθηκε μέσω του QGIS ως plug-in, πραγματοποιήθηκε υδρολογική ανάλυση επί των δεδομένων (DSM & DTM) με χρήση της μεθόδου r.watershed για την αυτόματη οριοθέτηση των λεκανών απορροής και τον εντοπισμό των κοιτών των υδατορευμάτων της περιοχής μελέτης. ERDAS IMAGINE Τέλος, το ERDAS IMAGINE χρησιμοποιήθηκε αφενός για την παραγωγή μίας εικόνας στερεοσκοπικής παρατήρησης της περιοχής (βάσει του DSM και του ορθοφωτοχάρτη που είχαν παραχθεί προηγουμένως), και αφετέρου για την ταξινόμηση της εικόνας διαφοράς DSM-DTM (μοντέλο ύψους βλάστησης) με σκοπό την παραγωγή ενός χάρτη τύπων βλάστησης. Εικόνα 3.4: Περιβάλλον εργασίας του πακέτου Agisoft Photoscan Pro 27

30 Υλικά & Μεθοδολογίες 3.4 Μεθοδολογία αποτύπωσης της περιοχής μελέτης Γενικά Μεθοδολογία Για τους σκοπούς της εργασίας έγινε φωτογραμμετρική αποτύπωση της περιοχής μελέτης. Ως επιδιωκόμενη χωρική ανάλυση ορίστηκαν τα 10 cm. Για την απόκτηση των αεροφωτογραφιών πραγματοποιήθηκαν κατάλληλες πτήσεις με UAV ενώ φωτοσταθερά σημεία και σημεία ελέγχου μετρήθηκαν επιτόπου με χρήση ενός RTK GNSS δέκτη. Η επεξεργασία έγινε σε έναν προσωπικό Η/Υ (Desktop Workstation). Συνοπτικά, η μεθοδολογία που ακολουθήθηκε παρουσιάζεται στο παρακάτω διάγραμμα (Εικόνα 3.5). Εικόνα 3.5: Συνοπτική παρουσίαση της μεθοδολογίας αποτύπωσης 28

31 Υλικά & Μεθοδολογίες Σχεδιασμός & πραγματοποίηση πτήσεων Ο σχεδιασμός των πτήσεων έγινε με τρόπο εμπειρικό, καθώς το UAV σύστημα που χρησιμοποιήθηκε δεν έχει τη δυνατότητα ελέγχου της κάμερας κατά τη διάρκεια της πτήσης που θα επέτρεπε να δημιουργηθεί σχέδιο πτήσης με συγκεκριμένα σημεία πυροδότησης του κλείστρου. Έτσι, αυτό που έγινε ήταν να ρυθμιστεί η κάμερα με τρόπο που να λαμβάνει σταθερά μία εικόνα κάθε 2 sec. Βάσει αυτού, η ταχύτητα πτήσης (οριζοντιογραφικά) ρυθμίστηκε κατά τη διάρκεια της πτήσης έτσι ώστε να υπάρχει επαρκής επικάλυψη μεταξύ των εικόνων. Στην πραγματικότητα οι εικόνες που ελήφθησαν με αυτό τον τρόπο ήταν πλεονάζουσες και έγινε επιλογή εκ των υστέρων. Όσον αφορά το ύψος πτήσης, αυτό υπολογίστηκε βάσει των χαρακτηριστικών της κάμερας (FOV 94 ) ώστε να επιτευχθεί η επιδιωκόμενη χωρική ανάλυση που ορίστηκε σε 10 cm. Έτσι, υπολογίστηκε ότι σε ένα ύψος πτήσης 230 m από την επιφάνεια ενδιαφέροντος, η μέση χωρική ανάλυση της εικόνας ανέρχεται σε 9.86 cm. Για λόγους εξασφάλισης της επιδιωκόμενης ανάλυσης ορίστηκε ένα μικρότερο μέγιστο ύψος πτήσης ίσο με 200 m. Το ύψος πτήσης βέβαια στην παρούσα περίπτωση δεν είναι ένα σταθερό υψόμετρο. Το μεγάλο ανάγλυφο της περιοχής ενδιαφέροντος (~ m) δημιουργεί την ανάγκη οι γραμμές πτήσης να ακολουθούν υψομετρικά το ανάγλυφο, πράγμα σχετικά δύσκολο από άποψη χειρισμού. Όπως είναι βέβαια φυσικό, ο εμπειρικός σχεδιασμός των πτήσεων και ο χειροκίνητος έλεγχος του UAV για την πραγματοποίησή τους, δεν μπορούν να εξασφαλίσουν απόλυτα με την αποχώρηση από το πεδίο την πληρότητα των δεδομένων. Συνεπώς, μετά την πραγματοποίηση των πτήσεων που θεωρήθηκαν αρχικά επαρκείς, πραγματοποιήθηκε μία γρήγορη επίλυση του μπλοκ ώστε να διαπιστωθεί είτε η πληρότητα των δεδομένων είτε η ανάγκη πραγματοποίησης επιπλέον λήψεων. Περισσότερα για τη διαδικασία αυτή αναφέρονται στην αντίστοιχη παράγραφο. Στην παρούσα περίπτωση πραγματοποιήθηκαν συνολικά πέντε (5) πτήσεις σε τρεις διαφορετικές ημέρες. Όλες τις ημέρες οι πτήσεις πραγματοποιήθηκαν περίπου ίδια ώρα (15.00) ώστε να υπάρχουν ίδιες συνθήκες φωτισμού. Ένας άλλος παράγοντας που επηρεάζει τις συνθήκες φωτισμού βέβαια είναι η νεφοκάλυψη (συννεφιά). Λόγω λοιπόν μεταβολών του καιρού, δεν κατέστη εφικτή η πραγματοποίηση των λήψεων σε διαδοχικές ημέρες. 29

32 Υλικά & Μεθοδολογίες Προεπεξεργασία των αεροφωτογραφιών Το πρώτο στάδιο επεξεργασίας των εικόνων αμέσως μετά τη λήψη τους ήταν η γεωμετρική και ραδιομετρική (χρωματική) διόρθωσή τους η οποία έγινε όπως έχει ήδη αναφερθεί στα προγράμματα Adobe Bridge, Camera Raw & Photoshop. Επειδή ο φακός της κάμερας που χρησιμοποιήθηκε παρουσιάζει έντονη παραμόρφωση (fisheye effect) θεωρήθηκε σκόπιμο να εφαρμοστεί ένα προφίλ διόρθωσης της παραμόρφωσης (lens correction profile) που έχει δημιουργηθεί για τo συγκεκριμένο φακό και διατίθεται μαζί με τα προγράμματα της Adobe. Ουσιαστικά με αυτό τον τρόπο αποκαθίσταται ο εσωτερικός προσανατολισμός της κάμερας και οι διορθωμένες εικόνες δεν εμφανίζουν την παραμόρφωση των αρχικών (Εικόνα 3.6). Επιπλέον, επειδή ο καιρός τις ημέρες των λήψεων δεν χαρακτηρίζονταν από πλήρη ηλιοφάνεια, παρατηρήθηκαν μικρές αλλά ορατές ραδιομετρικές διαφορές μεταξύ των εικόνων (Εικόνα 3.6) οι οποίες οφείλονταν σε παροδική αραιή συννεφιά. Σε μία προσπάθεια να εξομαλυνθούν οι διαφορές αυτές εφαρμόστηκε η αυτόματη διόρθωση χρώματος του λογισμικού Adobe Photoshop. Τα αποτελέσματα αυτής της διαδικασίας κρίθηκαν ικανοποιητικά και επαρκή (Εικόνα 3.6). Εικόνα 3.6: Προεπεξεργασία των αεροφωτογραφιών: Αριστερά: αρχικές εικόνες; Μέση: γεωμετρική διόρθωση; Δεξιά: Χρωματική διόρθωση 30

33 Υλικά & Μεθοδολογίες Προσωρινή επίλυση του μπλοκ Όπως ήδη αναφέρθηκε, μετά την πραγματοποίηση των αρχικών λήψεων πραγματοποιήθηκε μία προσωρινή γρήγορη επίλυση του μπλοκ. Ως φωτοσταθερά σημεία για την επίλυση αυτή χρησιμοποιήθηκαν σημεία που μετρήθηκαν χονδρικά στο Google Earth σε σύστημα αναφοράς WGS84. Ο σκοπός αυτής της επίλυσης ήταν διττός: αφενός με τον τρόπο αυτό έγινε ο έλεγχος της πληρότητας των δεδομένων και αφετέρου κατέστη εφικτή η παραγωγή ενός αρχικού ορθομωσαϊκού (Εικόνα 3.7) πάνω στο οποίο εντοπίστηκαν χαρακτηριστικά σημεία της περιοχής με σκοπό τον εντοπισμό τους στο έδαφος και την μέτρηση των συντεταγμένων τους ώστε να χρησιμοποιηθούν σαν φωτοσταθερά και σημεία ελέγχου στην οριστική επίλυση του μπλοκ. Ως επαρκή, αρχικά θεωρήθηκαν τα δεδομένα που προέκυψαν από τις πρώτες τρείς πτήσεις που πραγματοποιήθηκαν. Με τις εικόνες από αυτές τις τρεις πρώτες πτήσεις πραγματοποιήθηκε η αρχική επίλυση του μπλοκ, από την οποία διαπιστώθηκε ότι στα άκρα του οι επικαλύψεις δεν ήταν οι βέλτιστες (Εικόνα 3.7). Έτσι, αποφασίστηκε να πραγματοποιηθεί μία επιπλέον πτήση περιφερειακά του μπλοκ για την επίλυση των θεμάτων επικάλυψης. Δοθείσης της ευκαιρίας και καθαρά από περιέργεια για τα αποτελέσματα στον αστικό χώρο, πραγματοποιήθηκε μία ακόμη πτήση με σκοπό την κάλυψη τμήματος της αστικής περιοχής στα νότια (Κωνσταντινουπολίτικα). Εικόνα 3.7: Αριστερά: προσωρινός ορθοφωτοχάρτης; Δεξιά: χάρτης επικάλυψης για τον έλεγχο της επάρκειας των δεδομένων 31

34 Υλικά & Μεθοδολογίες Σήμανση και μέτρηση φωτοσταθερών και σημείων ελέγχου Ως φωτοσταθερά και σημεία ελέγχου χρησιμοποιήθηκαν χαρακτηριστικά σημεία της περιοχής. Για την τεκμηρίωσή τους χρησιμοποιήθηκε ο προσωρινός ορθοφωτοχάρτης της εικόνας 3.7, πάνω στον οποίο σημάνθηκαν τα εν λόγω σημεία (Εικόνα 3.8; Εικόνα 3.9). Ο εντοπισμός τους στο έδαφος έγινε βάσει αυτού του χάρτη. Η μέτρηση των συντεταγμένων τους δε, έγινε σε σύστημα αναφοράς ΕΓΣΑ 87 με ένα δέκτη RTK GNSS συνδεδεμένο με το δίκτυο μόνιμων σταθμών αναφοράς SmartNet Greece. Η ακρίβεια μέτρησης ορίστηκε στα 5 cm. Μετρήθηκαν συνολικά 44 σημεία (22 ζεύγη δίδυμων (Πατιάς, 2010)). Εικόνα 3.8: Κατανομή των σημείων στο χώρο (προσωρινός ορθοφωτοχάρτης) 32

35 Υλικά & Μεθοδολογίες Εικόνα 3.9: Λεπτομέρεια της εικόνας 3.8 με τη σήμανση των σημείων Οριστική επίλυση του μπλοκ Κατόπιν όλων των παραπάνω, όλα τα απαραίτητα δεδομένα για την οριστική επίλυση του μπλοκ είχαν συγκεντρωθεί. Από τα 44 σημεία που μετρήθηκαν στο πεδίο τα μισά χρησιμοποιήθηκαν κατά την επίλυση του μπλοκ ως φωτοσταθερά, ενώ τα υπόλοιπα ως σημεία ελέγχου. Συνολικά χρησιμοποιήθηκαν 495 αεροφωτογραφίες. Αδρομερώς, τα στάδια της διαδικασίας της επίλυσης αποδίδονται στο παρακάτω διάγραμμα (Εικόνα 3.10). Οι ακριβείς ρυθμίσεις και επιλογές του λογισμικού που χρησιμοποιήθηκαν εμφανίζονται στην αναφορά επεξεργασίας η οποία επισυνάπτεται στο παράρτημα Ι. Εικόνα 3.10: Διαδικασία επίλυσης του μπλοκ 33

36 Υλικά & Μεθοδολογίες Πρωτογενή προϊόντα της αποτύπωσης Τα πρωτογενή προϊόντα της αποτύπωσης περιλαμβάνουν τα εξής: Νέφος σημείων (Point Cloud), Ψηφιακό Μοντέλο Επιφάνειας (DSM), ορθοφωτοχάρτη (TrueORTHO), τρισδιάστατο φωτορεαλιστικό μοντέλο (3D Textured Mesh) και αναφορά επεξεργασίας (Processing Report). Δευτερογενώς, μετά από επεξεργασία του νέφους σημείων και φιλτράρισμα των σημείων εκείνων που δεν ανήκουν στο έδαφος, επιδιώχθηκε η παραγωγή του Ψηφιακού Μοντέλου Εδάφους (DTM). 3.5 Μεθοδολογίες παραγωγής Ψηφιακού Μοντέλου Εδάφους (DTM) Γενικά Το Ψηφιακό Μοντέλο Εδάφους (DTM) είναι ένα υψομετρικό μοντέλο που αποδίδει την γεωμετρία της συνεχούς φυσικής επιφάνειας του εδάφους. Όπως αναφέρθηκε και στην εισαγωγή, για να παραχθεί το μοντέλο αυτό βάσει των πρωτογενών προϊόντων της αποτύπωσης, απαιτείται το φιλτράρισμα του νέφους σημείων που αντιπροσωπεύει το DSM, ώστε να απομείνουν μόνο τα σημεία που ανήκουν στην επιφάνεια του εδάφους. Φυσικά, προϋπόθεση αποτελεί το αρχικό νέφος σημείων να περιλαμβάνει αρκετά σημεία εδάφους, γεγονός που εισάγει απευθείας περιορισμούς: σε μία έκταση όπου το έδαφος είναι πλήρως καλυμμένο από ψηλή βλάστηση, είναι αδύνατο να εντοπιστούν φωτογραμμετρικά σημεία που ανήκουν στο έδαφος. Λύση σε αυτό το πρόβλημα μπορούν να δώσουν μόνο τα LiDAR δεδομένα. Ωστόσο, είναι πολλές οι δασικές περιοχές που δεν παρουσιάζουν πλήρη συγκόμωση, με αποτέλεσμα να είναι εφικτός σε αυτές ο εντοπισμός σημείων του εδάφους ακόμη και φωτογραμμετρικά. Θα πρέπει βέβαια, όταν σχεδιάζεται μία φωτογραμμετρική αποτύπωση για τέτοιο σκοπό, οι επικαλύψεις που χρησιμοποιούνται να είναι μεγάλες, ή με άλλα λόγια η απόσταση μεταξύ των στερεοζευγών (βάση) να είναι μικρή ώστε να είναι εφικτός ο εντοπισμός σημείων μέσα σε μικρά διάκενα του δάσους. Σε άλλη περίπτωση το νέφος σημείων θα περιλαμβάνει αποκλειστικά σημεία που ανήκουν στην επιφάνεια της κομοστέγης του δάσους (Εικόνα 3.11). 34

37 Υλικά & Μεθοδολογίες Εικόνα 3.11: Επικάλυψη εικόνων και μέτρηση σημείων εδάφους σε μικρά διάκενα του δάσους: μόνο με μεγάλη επικάλυψη (μικρή βάση) είναι εφικτή η μέτρηση τέτοιων σημείων. Το φιλτράρισμα του νέφους σημείων και η επιλογή των σημείων εδάφους έγινε με εργαλεία που ενσωματώνει για το σκοπό αυτό το πακέτο λογισμικού Photoscan Pro. Το λογισμικό προσφέρει ένα οργανωμένο περιβάλλον για τη διαχείριση του νέφους σημείων, την ταξινόμηση των σημείων του σε κλάσεις και τη διαχείριση των κλάσεων. Συγκεκριμένα, χρησιμοποιήθηκε ένας αλγόριθμος που κάνει με τρόπο πλήρως αυτοματοποιημένο ταξινόμηση των σημείων του νέφους σε σημεία εδάφους, χρησιμοποιώντας αποκλειστικά γεωμετρικά χαρακτηριστικά των σημείων (πλήρως αυτοματοποιημένη μέθοδος). Τα σχετικά φτωχά αποτελέσματα που απέδωσε αυτή η μέθοδος, οδήγησαν στην ανάγκη να βρεθεί ένας τρόπος υποβοήθησής της. Αυτός δεν ήταν άλλος από τη χρήση θεματικής πληροφορίας του νέφους σημείων (χρώμα) για την απόρριψη σημείων που αντιστοιχούν στη βλάστηση Πλήρως αυτοματοποιημένη μέθοδος Η μέθοδος αυτή είναι διαθέσιμη στο περιβάλλον Photoscan Pro μέσω της επιλογής Tools > Dense Cloud > Classify Ground Points, η οποία ανοίγει το παράθυρο της εικόνας Ο αλγόριθμος ταξινομεί βάσει ορισμένων κριτηρίων τα σημεία του νέφους στις κλάσεις Ground και Low Points (Noise). Για την ταξινόμηση των σημείων, η διαδικασία που ακολουθείται έχει ως εξής: Αρχικά, το νέφος σημείων χωρίζεται οριζοντιογραφικά βάσει κανάβου. Το βήμα του κανάβου (cell size) ορίζεται από το χρήστη (Εικόνα 3.12). Από τα σημεία που περιέχονται στο κάθε κελί του κανάβου επιλέγεται το σημείο με το χαμηλότερο υψόμετρο (συντεταγμένη Ζ) και ταξινομείται στην κλάση Ground. Αυτό επαναλαμβάνεται για κάθε κελί του κανάβου. Βάσει των σημείων που επελέγησαν με αυτό τον τρόπο δημιουργείται μία 3D 35

38 Υλικά & Μεθοδολογίες επιφάνεια (TIN Surface). Στη συνέχεια, το κάθε ένα από τα υπόλοιπα σημεία του νέφους, ελέγχεται αφενός βάσει της απόστασής του από την επιφάνεια, και αφετέρου βάσει της γωνίας που σχηματίζει με την ίδια την επιφάνεια, η γραμμή που ενώνει το εν λόγω σημείο με την κοντινότερη κορυφή της επιφάνειας (Agisoft LLC, 2016). Τα μέγιστα όρια απόστασης και γωνίας ορίζονται από το χρήστη και τα σημεία που βρίσκονται εντός αυτών ταξινομούνται στην κλάση Ground. Από τα υπόλοιπα σημεία όσα βρίσκονται χαμηλότερα από την επιφάνεια ταξινομούνται στην κλάση Low Points (Noise). Tα σημεία που δεν πληρούν τα κριτήρια για ένταξη σε κάποια από τις δύο κλάσεις, αφήνονται αταξινόμητα. Εικόνα 3.12: Εργαλείο ταξινόμησης σημείων εδάφους του Photoscan Pro Το οριζόμενο μέγεθος κελιού, ουσιαστικά αντικατοπτρίζει την πεποίθηση του χρήστη για την ελάχιστη επιφάνεια στην οποία το νέφος σημείων περιλαμβάνει τουλάχιστον ένα σημείο εδάφους. Αντίστοιχα, η οριζόμενη μέγιστη απόσταση και μέγιστη γωνία, αντικατοπτρίζουν τις πεποιθήσεις του χρήστη για το μέγιστο ανάγλυφο εντός του κάθε κελιού και για τη μέγιστη κλίση της επιφάνειας του εδάφους αντίστοιχα. Για τους σκοπούς της εργασίας πραγματοποιήθηκε σειρά δοκιμών με διάφορες παραμέτρους. Οι συνδυασμοί παραμέτρων που χρησιμοποιήθηκαν παρουσιάζονται στον Πίνακα 3.2. Η μέθοδος έχει ένα καλό σκεπτικό και μία καλή πιθανότητα να αποδώσει ικανοποιητικά αποτελέσματα (Εικόνα 3.13). Το πιο ευάλωτο σημείο της 36

39 Υλικά & Μεθοδολογίες είναι φυσικά η ύπαρξη μεγάλων καλυμμένων με βλάστηση επιφανειών στις οποίες δεν διακρίνονται σημεία εδάφους. Στις περιπτώσεις αυτές παρατηρείται να ταξινομούνται ως σημεία εδάφους, σημεία που ανήκουν στην κομοστέγη της βλάστησης. Η μέθοδος επίσης αποδίδει πολύ καλύτερα σε περιοχές με ήπιο ανάγλυφο αφού το έντονο ανάγλυφο ουσιαστικά περιορίζει τη δράση του κριτηρίου μέγιστη γωνία. Πίνακας 3.2: Συνδυασμοί παραμέτρων που χρησιμοποιήθηκαν για την ταξινόμηση των σημείων εδάφους (με κίτρινο οι πλέον ικανοποιητικές απόπειρες) No. Parameters Cell Size (m) Max Dist. (m) Max Angle ( ) , , , , , , , , , , , , , , , , , , , , , , , Από τις δοκιμές που πραγματοποιήθηκαν εδώ, φάνηκε ότι με διαφορετικές παραμέτρους η μέθοδος απέδωσε καλύτερα σε περιοχές με διαφορετικά χαρακτηριστικά αναγλύφου και δομής βλάστησης. Παρόλα αυτά, δεν κατέστη εφικτή η εύρεση ενός συνδυασμού παραμέτρων με τον οποίο τα αποτελέσματα της ταξινόμησης να μπορούν να θεωρηθούν ικανοποιητικά για ολόκληρη την επιφάνεια. Μία καλή προσθήκη στο λογισμικό θα ήταν το να επιτρέπει την πραγματοποίηση της 37

40 Υλικά & Μεθοδολογίες ταξινόμησης του νέφους με διαφορετικούς συνδυασμούς παραμέτρων σε τμήματά του που θα επιλέγονται από το χρήστη. Η διαπίστωση πάντως ότι η διαδικασία ως έχει δεν απέδωσε ικανοποιητικά αποτελέσματα οδήγησε στην ανάγκη να χρησιμοποιηθεί κάποιος τρόπος για την υποβοήθησή της. Εικόνα 3.13: Το νέφος σημείων σε πραγματικό χρώμα (επάνω) και ταξινομημένο (κάτω) (με καφέ χρώμα τα σημεία εδάφους) Υποβοήθηση της μεθόδου Ουσιαστικά πρόκειται για μία προεπεξεργασία του νέφους σημείων, με σκοπό την αφαίρεση σημείων που αντιστοιχούν στη βλάστηση, προτού εφαρμοστεί τελικά η πιο πάνω αυτοματοποιημένη μέθοδος. Το σκεπτικό είναι ότι η αφαίρεση σημείων που 38

41 Υλικά & Μεθοδολογίες σίγουρα δεν ανήκουν στο έδαφος από τη διαδικασία της ταξινόμησης σημείων εδάφους μειώνει δραστικά την πιθανότητα σφάλματος της ταξινόμησης. Όπως έχει αναφερθεί και στην εισαγωγή, η ταξινόμηση ή η απόρριψη των σημείων με το χέρι, σε νέφη με δεκάδες ή εκατοντάδες εκατομμύρια σημεία είναι πρακτικά αδύνατη. Για το λόγο αυτό θα πρέπει να χρησιμοποιηθεί κάποιος τρόπος με τον οποίο να μπορούν μαζικά να επιλεγούν σημεία βάσει κάποιου χαρακτηριστικού τους που να τα αποκλείει από την κλάση έδαφος. Ένα τέτοιο χαρακτηριστικό στην παρούσα περίπτωση είναι το χρώμα. Αξίζει να σημειωθεί ότι η ύπαρξη επιπλέον φασματικής πληροφορίας (εγγύς υπέρυθρο) θα μπορούσε να φανεί ιδιαίτερα προωθητική. Το Photoscan Pro ενσωματώνει μία μέθοδο για την επιλογή σημείων βάσει του χρώματός τους (Agisoft LLC, 2016). Μέσω της επιλογής Tools > Dense Cloud > Select points by color, ανοίγει το παράθυρο της παρακάτω εικόνας (Εικόνα 3.14) όπου ζητείται από το χρήστη η επιλογή ενός χρώματος (χρώμα αναφοράς) και μιας ανοχής (tolerance). Δίνεται επιπλέον η δυνατότητα επιλογής των ιδιοτήτων του χρώματος (channels: Red Green Blue Hue Saturation Value) που συγκρίνονται με τις αντίστοιχες του χρώματος αναφοράς για την επιλογή των σημείων. Εικόνα 3.14: Επιλογή σημείων βάσει χρώματος Με την επιλογή του πλήκτρου select του παραθύρου της εικόνας 3.14, δίνεται η δυνατότητα επιλογής του χρώματος αναφοράς είτε από κατάλογο χρωμάτων, είτε από 39

42 Υλικά & Μεθοδολογίες την οθόνη (pick screen color). Έτσι ο χειριστής μπορεί να επιλέξει το χρώμα αναφοράς επιλέγοντας σημεία του νέφους που βλέπει στην οθόνη ότι εξέχουν της επιφάνειας του εδάφους (π.χ. πράσινα σημεία από την κομοστέγη του δάσους). Ακολούθως, το λογισμικό θα επιλέξει, βάσει και της ανοχής που ορίζεται, τα σημεία που χρωματικά ομοιάζουν. Τα σημεία που έχουν επιλεγεί μπορούν στη συνέχεια είτε να διαγραφούν, είτε να ταξινομηθούν σε κάποια κλάση που δεν θα πάρει μέρος στην ταξινόμηση σημείων εδάφους. Βέβαια, ακόμη και σημεία ενός δένδρου που βρίσκονται στη φωτισμένη πλευρά του, εμφανίζονται με διαφορετικό χρώμα από αντίστοιχα σημεία του ίδιου δένδρου που βρίσκονται στη σκιασμένη. Πολύ περισσότερο, διαφορετικά είδη βλάστησης εμφανίζονται με διαφορετικά χρώματα. Έτσι, στην προσπάθεια επιλογής και αφαίρεσης των σημείων της βλάστησης από τη διαδικασία ταξινόμησης σημείων εδάφους, θα πρέπει να γίνει επαναληπτική εφαρμογή της διαδικασίας επιλογής σημείων βάσει χρώματος και αφαίρεσής τους. Ο χειριστής δε, θα πρέπει να ελέγχει οπτικά σε κάθε επανάληψη το αποτέλεσμα της επιλογής και να το κάνει αποδεκτό μόνο αν αυτό δεν περιλαμβάνει σημεία εδάφους. Αν διαπιστωθεί ότι περιλαμβάνονται σημεία εδάφους θα πρέπει η επιλογή να απορρίπτεται και να επαναλαμβάνεται με μικρότερη ανοχή ή διαφορετικό χρώμα αναφοράς. Αξίζει να σημειωθεί ότι στόχος της υποβοήθησης πρέπει να θεωρείται η ελάφρυνση του νέφους σημείων και όχι η εξάλειψη όλων των σημείων που εξέχουν από το έδαφος, αφού στη συνέχεια πρόκειται να γίνει ταξινόμηση των σημείων εδάφους με την πλήρως αυτοματοποιημένη μέθοδο που περιγράφηκε στην προηγούμενη παράγραφο (3.5.3). Από τα αποτελέσματα της εφαρμογής που έγινε κρίνεται ότι η υποβοήθηση της διαδικασίας βελτίωσε πολύ την ποιότητα του παραγόμενου DTM Αξιολόγηση & τεκμηρίωση της αξιοπιστίας του DTM Η αξιολόγηση των παραχθέντων DTMs για την εκτίμηση της ποιότητάς τους έγινε καταρχήν οπτικά (φωτοερμηνευτικά), με την παραγωγή ισοϋψών καμπυλών από αυτά και επίθεσή τους επί του ορθοφωτοχάρτη και των αντίστοιχων ισοϋψών που προέρχονται από το DSM (Εικόνα 3.15). Ωστόσο, θεωρήθηκε πως σε μία 40

43 Υλικά & Μεθοδολογίες αυτοματοποιημένη διαδικασία όπως αυτή που χρησιμοποιείται εδώ για την εξαγωγή του DTM, είναι ιδιαίτερα σημαντική η παραγωγή ενός συνοδευτικού χάρτη που να τεκμηριώνει την ποιότητα του προϊόντος στις διάφορες περιοχές του. Η έννοια βέβαια της ποιότητας του DTM είναι μία έννοια κάπως ασαφής, καθώς περιλαμβάνει αφενός την έννοια της ακρίβειας και αφετέρου την έννοια της πιστότητας της αναπαράστασης. Εικόνα 3.15: Επάνω: ορθοφωτοχάρτης & ισοϋψείς ανά 1m βάσει του DSM. Κάτω: Επίθεση των ισοϋψών ανά 1m που παράχθηκαν βάσει του DTM. Ως ακρίβεια του DTM, θεωρείται η τυπική απόκλιση των τιμών υψομέτρου του DTM για δεδομένα X και Y, από τα πραγματικά υψόμετρα του εδάφους για τα ίδια X και Y. Η ακρίβεια ωστόσο δεν είναι ένα μέγεθος που θα μπορούσε να τεκμηριώνει την 41

44 Υλικά & Μεθοδολογίες διαφοροποίηση της ποιότητας των διαφόρων περιοχών του DTM, αφού αποτελεί ένα στατιστικό μέγεθος που χαρακτηρίζει το σύνολο του DTM χωρίς να διακρίνει τις διάφορες περιοχές του. Επιπλέον, η απόπειρα εκτίμησης της ακρίβειας του DTM βάσει των σημείων που χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας του ορθοφωτοχάρτη και του DSM, δεν έχει νόημα, αφού τα σημεία αυτά είναι όλα σημεία του εδάφους που είναι ορατά στις αεροφωτογραφίες (ακάλυπτα) και έτσι η εκτίμηση θα συμπίπτει με αυτή που έγινε για το DSM. Η διαδικασία αυτή θα είχε νόημα μόνο αν ήταν διαθέσιμες οι συντεταγμένες σημείων του εδάφους που καλύπτονται από βλάστηση και δεν είναι ορατά στις εικόνες. Τότε θα μπορούσε να φανεί με πόση ακρίβεια προσεγγίστηκαν οι δασωμένες περιοχές για τις οποίες η διαθέσιμη πληροφορία ήταν περιορισμένη ή ανύπαρκτη. Δυστυχώς η μέτρηση σημείων του εδάφους με μεγάλη ακρίβεια σε δασοσκεπές περιβάλλον είναι αρκετά δύσκολη, καθώς η λήψη δορυφορικού σήματος (GNSS) είναι δυσχερής και οι οδεύσεις είναι δύσκολες λόγω περιορισμένης ορατότητας και βατότητας. Συνεπώς ο έλεγχος της ακρίβειας του DTM καθίσταται αδύνατος. Ωστόσο είναι γνωστή η ακρίβεια με την οποία έχουν μετρηθεί τα σημεία βάσει των οποίων παράχθηκε το DTM και η οποία ταυτίζεται με την ακρίβεια του αεροτριγωνισμού. Από τα παραπάνω συνάγεται ότι οι παράγοντες που εισάγουν αβεβαιότητα ως προς την προσέγγιση του εδάφους από το DTM εδώ είναι οι εξής δύο: Ο πρώτος αφορά στα σημεία που συμμετέχουν στην παραγωγή του DTM τα οποία ναι μεν είναι μετρημένα με γνωστή ακρίβεια, αλλά είναι πράγματι σημεία εδάφους ή μπορεί να είναι και σημεία της βλάστησης; Σε μικρά διάκενα του πυκνού δάσους που εμφανίζονται σαν τρύπες στην κομοστέγη και όπου ταξινομείται το χαμηλότερο σημείο ως σημείο εδάφους, η πιθανότητα το σημείο αυτό να ανήκει στις κόμες των δένδρων είναι μεγάλη (Εικόνα 3.11). Ο δεύτερος παράγοντας αφορά στην πυκνότητα των σημείων και στο κατά πόσο αυτή είναι επαρκής για την πιστή αναπαράσταση της επιφάνειας. Στις περιοχές για τις οποίες δεν υπάρχει διαθέσιμη υψομετρική πληροφορία (σημεία εδάφους), οι τιμές υψομέτρου προκύπτουν από χωρική παρεμβολή μεταξύ των γειτονικών περιοχών. Αν η επιφάνεια σε αυτές τις περιοχές είναι ομαλή τότε πιθανότατα αναπαρίσταται ικανοποιητικά, αλλά αν παρουσιάζει εξάρσεις, βυθίσεις ή ασυνέχειες τότε η 42

45 Υλικά & Μεθοδολογίες αναπαράστασή της θα είναι φτωχή έως παραπλανητική. Κατά συνέπεια, η γνώση αυτών των περιοχών είναι σημαντική για το χρήστη των δεδομένων. Η προσπάθεια να τεκμηριωθεί με κάποιο τρόπο η διαφοροποίηση της ποιότητας των περιοχών του DTM οδήγησε στην εισαγωγή της έννοια της αξιοπιστίας του DTM η οποία εδράζεται στο εξής σκεπτικό: όπου η πυκνότητα των σημείων που συγκροτούν το DTM είναι μεγάλη, η πιθανότητα τα σημεία αυτά να μην ανήκουν στο έδαφος είναι μικρή. Επιπλέον, η μεγάλη πυκνότητα των σημείων ευνοεί την πιστότητα της αναπαράστασης της επιφάνειας. Αντιθέτως, όπου η πυκνότητα των σημείων είναι μικρή, η χωρική παρεμβολή έχει μεγάλη πιθανότητα να έχει απαλείψει ανωμαλίες της επιφάνειας μειώνοντας την πιστότητα της αναπαράστασης. Ακόμη, τα αραιά μοναχικά σημεία έχουν αυξημένη πιθανότητα να μην ανήκουν στο έδαφος, αφού εμφανίζονται σε περιοχές που παρουσιάζουν πυκνή κάλυψη από βλάστηση. Έτσι, ως μέτρο αξιοπιστίας του DTM θεωρήθηκε η πυκνότητα των σημείων βάσει των οποίων αυτό παράχθηκε. Όπου δηλαδή εμφανίζονται μεγάλες συγκεντρώσεις σημείων, το DTM θεωρείται αξιόπιστο, ενώ όπου αυτές είναι μικρές θεωρείται λιγότερο αξιόπιστο δηλαδή έχει αυξημένη πιθανότητα να παρουσιάζει απόκλιση από την πραγματική επιφάνεια. Για την έκφραση της πυκνότητας αυτής σε χάρτη, η πρώτη μέθοδος που ακολουθήθηκε ήταν η δημιουργία ενός πλέγματος (polygon grid) και στη συνέχεια η μέτρηση πάντα με αυτοματοποιημένο τρόπο του πλήθους των σημείων ανά κελί του πλέγματος, με σκοπό τη δημιουργία ενός χωροπληθή χάρτη (choropleth map). Ωστόσο, η υλοποίηση αυτής της μεθόδου κατέληξε απογοητευτικά, αφού είκοσι ώρες αργότερα η επεξεργασία είχε φτάσει μόλις στο 2%, οπότε διακόπηκε και αντί αυτής χρησιμοποιήθηκε το εργαλείο Heatmap του QGIS. Το εργαλείο Heatmap επιτρέπει τη δημιουργία χαρτών τύπου Heatmap βάσει σημειακών διανυσματικών αρχείων (point shapefiles). Ένας χάρτης τύπου Heatmap εκφράζει την πυκνότητα των σχετικών σημειακών πληροφοριών. Αφού ολοκληρώθηκε και η παραγωγή της εικόνας αξιοπιστίας του DTM, ακολούθησαν οι εφαρμογές. Πρώτη εφαρμογή ήταν η χρήση του DTM για την πραγματοποίηση υδρολογικής ανάλυσης. 43

46 Υλικά & Μεθοδολογίες 3.6 Υδρολογική ανάλυση Γενικά Πρώτο βήμα για την εκτίμηση της συμπεριφοράς ενός υδάτινου ρεύματος είναι η οριοθέτηση της λεκάνης απορροής του, δηλαδή της περιοχής από την οποία τροφοδοτείται με το νερό των κατακρημνισμάτων. Φυσικά, τα όρια μίας λεκάνης απορροής καθορίζονται από το ανάγλυφο της περιοχής. Περαιτέρω, τα τοπογραφικά χαρακτηριστικά της λεκάνης (μέση κλίση, μέγιστο ανάγλυφο, έκθεση κτλ.) είναι από τους πλέον καθοριστικούς παράγοντες που διαμορφώνουν τη συμπεριφορά ενός υδάτινου ρεύματος. Έτσι, τα ψηφιακά μοντέλα εδάφους αποτελούν δεδομένα που χρησιμοποιούνται κατεξοχήν στην υδρολογική ανάλυση. Για την οριοθέτηση των λεκανών απορροής και τον εντοπισμό των κοιτών των υδάτινων ρευμάτων, διατίθεται πληθώρα εργαλείων σε διάφορα περιβάλλοντα GIS. Τα πιο πολλά όμως από αυτά βασίζονται στην απλή ιδέα ότι το νερό από ένα κελί του DTM θα απορρεύσει προς το κελί εκείνο από τα γειτονικά, το οποίο έχει τη μικρότερη τιμή (χαμηλότερο υψόμετρο). Η ιδέα αυτή είναι λογική, αλλά όταν ένα κελί έχει τιμή μικρότερη από όλα τα γειτονικά του, τότε η διαδικασία της προσομοίωσης της απορροής δεν μπορεί να προχωρήσει. Για το λόγο αυτό, οι μέθοδοι που βασίζονται σε αυτή την ιδέα προϋποθέτουν την προεπεξεργασία του DTM προτού χρησιμοποιηθεί για την ανάλυση. Αυτή η προεπεξεργασία, που καλείται γέμισμα του DTM, έχει σκοπό την εξάλειψη των βυθισμάτων του DTM και τον επιτυγχάνει αντικαθιστώντας τις τιμές των κελιών που περιβάλλονται από μεγαλύτερες τιμές, με τη χαμηλότερη από αυτές τις τιμές. Συνεπώς, η εφαρμογή της συνιστά αλλοίωση των δεδομένων. Τέτοιες μέθοδοι, ιδίως στις περιπτώσεις χρήσης λεπτομερών DSM όπως αυτά που προκύπτουν συνήθως από αεροφωτογραφίες χαμηλού ύψους (από UAV), μπορεί να εμφανίσουν σημαντικά εσφαλμένα αποτελέσματα. Στην παρούσα εργασία χρησιμοποιήθηκε μία πιο προηγμένη μέθοδος, που για την εκτίμηση της ροής χρησιμοποιεί έναν αλγόριθμο ελάχιστου κόστους μετακίνησης. Η μέθοδος θεωρείται ότι μπορεί να υπερβαίνει τέτοιου είδους προβλήματα που σχετίζονται με το υψομετρικό μοντέλο που χρησιμοποιείται και δεν προϋποθέτει την προεπεξεργασία του (γέμισμα). Είναι δε διαθέσιμη σε περιβάλλον GRASS GIS και λέγεται r.watershed. 44

47 Υλικά & Μεθοδολογίες Η μέθοδος r.watershed Η μέθοδος είναι κατάλληλη για την εκτίμηση διάφορων υδρολογικών παραμέτρων. Χρησιμοποιώντας σαν είσοδο μία εικόνα / υψομετρικό μοντέλο (raster DEM), η μέθοδος παράγει τέσσερις αντίστοιχες εικόνες (χάρτες) στις οποίες αποδίδονται 1) η κατεύθυνση απορροής (drainage direction) για κάθε κελί, 2) η συγκέντρωση της απορροής (flow accumulation) για κάθε κελί, 3) τα όρια των λεκανών απορροής και 4) oι τοποθεσίες των ρεμάτων (κοιτών). Κατά την εκτέλεση απαιτείται να προσδιοριστεί από το χρήστη ένα αριθμητικό όριο κατώφλι (threshold), που εκφράζει τον ελάχιστο αριθμό κελιών του υψομετρικού μοντέλου που μπορούν να συγκροτήσουν μία λεκάνη απορροής. Επιπλέον, η μέθοδος είναι κατάλληλη για τον υπολογισμό των παραγόντων LS και S της αναθεωρημένης γενικής εξίσωσης απώλειας εδάφους Revised Universal Soil Loss Equation (RUSLE) (Renard et al., 1991). Η μέθοδος χρησιμοποιεί έναν αλγόριθμο αναζήτησης ελαχίστου κόστους (A T least-cost search algorithm) που σχεδιάστηκε για να ελαχιστοποιεί την επίδραση των σφαλμάτων των υψομετρικών δεδομένων που χρησιμοποιούνται (GRASS Development Team, 2015). Σε περιοχές με ήπιες κλίσεις ή όταν χρησιμοποιούνται υψομετρικά μοντέλα που μπερδεύουν την επιφάνεια του εδάφους με την επιφάνεια της κομοστέγης των δασών (DSMs), η μέθοδος r.watershed δίνει πολύ καλύτερα αποτελέσματα σε σύγκριση με τη μέθοδο r.terraflow (Kinner et al., 2005). H μέθοδος r.terraflow χρησιμοποιεί τον ίδιο τύπο αλγορίθμου με το εργαλείο watershed του ArcGIS της ESRI, το οποίο κάτω από τέτοιες συνθήκες επίσης αποτυγχάνει (GRASS Development Team, 2015). Επιπλέον, η μέθοδος r.watershed προσφέρει δύο τρόπους για τον υπολογισμό της επιφανειακής απορροής: την μοναδική κατεύθυνση ροής (Single Flow Direction SFD) και την πολλαπλή κατεύθυνση ροής (Multiple Flow Direction MFD). Με την πολλαπλή κατεύθυνση ροής (MFD), η ροή του νερού διανέμεται σε όλα τα γειτονικά κελιά με χαμηλότερο υψόμετρο, χρησιμοποιώντας την κλίση προς τα γειτονικά κελιά ως συντελεστή βαρύτητας για την αναλογική κατανομή της ροής. Η διαδρομή ελάχιστου κόστους περιλαμβάνεται πάντα. Ως αποτέλεσμα, τα βυθίσματα και τα εμπόδια προσπερνώνται με αξιοπρεπή σύγκλιση της ροής πριν από την υπερχείλιση (GRASS Development Team, 2015). Για τους σκοπούς της εργασίας, χρησιμοποιήθηκε η πολλαπλή κατεύθυνση ροής. 45

48 Υλικά & Μεθοδολογίες Στα πλαίσια της εργασίας, η μέθοδος εφαρμόστηκε αφενός με χρήση του DTM και αφετέρου με χρήση του DSM της περιοχής μελέτης, προκειμένου να συγκριθούν τα αποτελέσματα. Επίσης, έγινε εφαρμογή της μεθόδου με διαφορετικά thresholds προκειμένου να οριοθετηθούν λεκάνες και υπολεκάνες απορροής διαφορετικών μεγεθών τάξεων. Η εφαρμογή έδειξε ότι η μέθοδος απέδωσε σωστά αποτελέσματα όταν χρησιμοποιήθηκε σαν υψομετρικό μοντέλο το DTM, ενώ στην περίπτωση χρήσης του DSM, τα αποτελέσματα ήταν εσφαλμένα. Επόμενη εφαρμογή ήταν η παραγωγή χάρτη τύπων βλάστησης. 3.7 Μεθοδολογία παραγωγής χάρτη τύπων βλάστησης Raster algebra Από τις διαδικασίες που προηγήθηκαν, παράχθηκαν δύο υψομετρικά μοντέλα για την περιοχή μελέτης. Το ένα μοντέλο αντιπροσωπεύει την επιφάνεια του εδάφους (DTM) και το άλλο μοντέλο την πραγματική επιφάνεια της περιοχής, συμπεριλαμβανομένης της βλάστησης (DSM). Όπως έχει εξηγηθεί και στην εισαγωγή (Εικόνα 1.1), η διαφορά μεταξύ των δύο μοντέλων στην περίπτωση που μιλάμε για δασική έκταση, αντιπροσωπεύει το ύψος της δασικής βλάστησης. Τα δύο υψομετρικά μοντέλα είναι αρχεία τύπου raster. Μέσω της αφαίρεσης των τιμών του DTM από τις αντίστοιχες του DSM, επιτυγχάνεται η παραγωγή ενός τρίτου αρχείου raster, που στα κελιά του αναγράφονται οι τιμές που αντιστοιχούν στο ύψος της βλάστησης. H πραγματοποίηση αριθμητικών πράξεων μεταξύ αρχείων raster λέγεται raster algebra και παρέχεται ως λειτουργία σε πολλά περιβάλλοντα GIS. Στην παρούσα περίπτωση, το λογισμικό που χρησιμοποιήθηκε για την πραγματοποίηση των πράξεων ήταν το QGIS και συγκεκριμένα το εργαλείο raster calculator. Απόσπασμα του αρχείου που προέκυψε από τη διαδικασία αυτή φαίνεται παρακάτω (Εικόνα 3.16). Εικόνα 3.16: Διαφορά DSM-DTM (αριστερά) και το αντίστοιχο απόσπασμα όρθο (δεξιά). 46

49 Υλικά & Μεθοδολογίες Ερμηνεία τιμών και ταξινόμηση εικόνας Ένα πολύ χρήσιμο εργαλείο για την ερμηνεία της εικόνας που προέκυψε είναι το ιστόγραμμά της (Εικόνα 3.17). Βάσει του ιστογράμματος μπορεί να γίνει η παρακάτω διαπίστωση: Οι τιμές της εικόνας που είναι αρνητικές οφείλονται σε σφάλματα του DTM ή του DSM και προφανώς αντιστοιχούν σε περιοχές με γυμνό έδαφος ή πολύ χαμηλή βλάστηση. Στην ίδια κατηγορία αντιστοιχούν και οι θετικές τιμές που βρίσκονται κοντά στο μηδέν. Από ένα όριο όμως και πάνω, η διάκριση μεταξύ DTM και DSM είναι σαφής και παύει να οφείλεται σε σφάλματα, αλλά οφείλεται πια σε οντότητες που εξέχουν από την επιφάνεια του εδάφους όπως η βλάστηση. Εικόνα 3.17: Ιστόγραμμα της εικόνας διαφοράς DSM-DTM. Σε μία δασική περιοχή λοιπόν, είναι βάσιμο να υποτεθεί ότι οι περιοχές της εικόνας που εμφανίζουν τιμές από κάποιο όριο και πάνω καλύπτονται από υψηλότερη βλάστηση. Αυτή είναι η πλέον βασική κατηγοριοποίηση (ταξινόμηση) που μπορεί να γίνει στην εικόνα: περιοχές γυμνές ή με πολύ χαμηλή συνήθως ποώδη βλάστηση και περιοχές με υψηλότερη συνήθως ξυλώδη δασική βλάστηση. Έτσι, βάσει αυτών των δύο κατηγοριών, μπορεί να υπολογιστεί καταρχήν το ποσοστό δασοκάλυψης της περιοχής της εικόνας. Ωστόσο, η δεύτερη κατηγορία της παραπάνω κατηγοριοποίησης (ταξινόμησης) μπορεί να αναλυθεί περαιτέρω: προφανώς ένα ύψος βλάστησης έστω δύο μέτρων, φανερώνει ένα διαφορετικό τύπο βλάστησης από το ύψος των δέκα μέτρων. Βάσει αυτού, 47

50 Υλικά & Μεθοδολογίες θεωρήθηκε ότι η εικόνα μπορεί να ταξινομηθεί με ασφάλεια στις εξής τέσσερις κατηγορίες: 1) Γυμνό έδαφος ή πολύ χαμηλή βλάστηση (min 1.0 m); 2) Χαμηλή θαμνώδης βλάστηση (1.0 m 3.0 m); 3) Υψηλή θαμνώδης ή χαμηλή δενδρώδης βλάστηση (3.0 m 5.0 m); 4) Υψηλή δενδρώδης βλάστηση (5.0 m max); Για την ταξινόμηση της εικόνας χρησιμοποιήθηκε η μέθοδος k-means σε περιβάλλον ERDAS Imagine. Ο αριθμός κλάσεων που ορίστηκε ήταν πέντε (5): μία για τις περιοχές της εικόνας που δεν περιλαμβάνουν δεδομένα (null no data cells) και τέσσερις ακόμη όπως παραπάνω. Τα όρια των κλάσεων της εικόνας που προέκυψε είχαν ως εξής: 0) NULL 1) min 1.0m; 2) 1.0m 2.5m; 3) 2.5m 4.7m; 4) 4.7m max; Τα όρια αυτά θεωρήθηκαν ικανοποιητικά. Η εικόνα που προέκυψε αποτελεί ένα χάρτη τύπων βλάστησης Αξιολόγηση και χρήση του παραγόμενου χάρτη Η αξιολόγηση του παραχθέντος χάρτη τύπων βλάστησης έγινε οπτικά με χρήση φωτοερμηνευτικών μεθόδων και επίθεση του χάρτη με διαφάνεια επί του ορθοφωτοχάρτη της περιοχής (Εικόνα 3.18). Το αποτέλεσμα θεωρήθηκε ενθαρρυντικό. Ο χάρτης αυτός μπορεί να φανεί χρήσιμος στην εκτίμηση του συντελεστή απορροής για μία λεκάνη απορροής ως εξής: Αποδίδοντας σε κάθε μία από τις εμφανιζόμενες τάξεις (τύπους βλάστησης / κάλυψης) έναν συντελεστή απορροής και σταθμίζοντας βάσει του αριθμού των ψηφίδων κάθε τάξης που περιλαμβάνονται στα όρια της λεκάνης μπορεί να υπολογιστεί εύκολα ο μέσος συντελεστής απορροής της λεκάνης. Εικόνα 3.18: Επίθεση με διαφάνεια του χάρτη τύπων βλάστησης στον ορθοφωτοχάρτη. 48

51 Αποτελέσματα & Συζήτηση 4. ΑΠΟΤΕΛΕΣΜΑΤΑ & ΣΥΖΗΤΗΣΗ 4.1 Αποτελέσματα αποτύπωσης Πρωτογενή προϊόντα Επίλυση του μπλοκ επιτευχθείσες ακρίβειες Γενικά Η περιοχή που αποτυπώθηκε έχει έκταση 2 km 2. Για την αποτύπωσή της έγινε χρήση 495 αεροφωτογραφιών, οι οποίες ελήφθησαν από ένα μέσο ύψος 199 m από την επιφάνεια της περιοχής. Η επικάλυψη των εικόνων αποδίδεται στην εικόνα 4.1. Εικόνα 4.1: Χάρτης επικάλυψης της περιοχής μελέτης: το χρώμα εκφράζει τον αριθμό των εικόνων από τις οποίες είναι ορατό το αντίστοιχο σημείο ενώ οι μαύρες κουκίδες τις θέσεις λήψης των εικόνων. 49

52 Αποτελέσματα & Συζήτηση Αεροτριγωνισμός Η διαδικασία του αεροτριγωνισμού δηλαδή της επίλυσης του μπλοκ περιλαμβάνει βασικά δύο ενότητες: τον εσωτερικό και τον εξωτερικό προσανατολισμό. Η πρώτη ενότητα αφορά στην εκτίμηση της εσωτερικής γεωμετρίας της κάμερας (μέγεθος αισθητήρα, εστιακή απόσταση, παραμορφώσεις φακού κτλ.), η οποία είναι σταθερή για όλες τις εικόνες (εσωτερικός προσανατολισμός). Η δεύτερη ενότητα (εξωτερικός προσανατολισμός), αναλύεται σε δύο επιμέρους στάδια: το πρώτο αφορά στην εκτίμηση του προσανατολισμού της κάθε εικόνας σε σχέση με τις υπόλοιπες εικόνες, χωρίς να είναι γνωστή η απόλυτη θέση τους (σχετικός προσανατολισμός), ενώ το δεύτερο (απόλυτος προσανατολισμός) αφορά στην τοποθέτηση του συστήματος που έχει υπολογιστεί ως εδώ, σε απόλυτη θέση στον κόσμο (εξάρτηση σε κάποιο γεωγραφικό / γεωδαιτικό σύστημα αναφοράς γεωαναφορά). Εσωτερικός προσανατολισμός Ο εσωτερικός προσανατολισμός της κάμερας στην παρούσα περίπτωση είχε αποκατασταθεί με εφαρμογή μοντέλου γεωμετρικής διόρθωσης του φακού (lens correction profile) μέσω του λογισμικού Adobe Camera Raw, προτού οι εικόνες εισαχθούν στο λογισμικό Photoscan Pro. Έτσι, η αυτοβαθμονόμηση του φακού που πραγματοποιεί το λογισμικό Photoscan Pro βάσει των ομόλογων σημείων των εικόνων (tie points), εντόπισε πολύ μικρά σφάλματα (image residuals) (Εικόνα 4.2). Κατά συνέπεια, και οι συντελεστές παραμόρφωσης που υπολογίστηκαν κατά την αυτοβαθμονόμηση ήταν εξίσου μικροί (Πίνακας 4.1). Πίνακας 4.1: Camera calibration parameters for HERO3+ Black (already undistorted). Type: Frame Resolution: 4000 x 3000 Focal Length: 2.77 mm Pixel Size: 1.6 x 1.6 um Fx: P1: Fy: P2: Cx: K1: Cy: Κ2: Skew: Κ3:

53 Αποτελέσματα & Συζήτηση Εικόνα 4.2: Image residuals for HERO3+ Black (already undistorted). Εξωτερικός (σχετικός & απόλυτος) προσανατολισμός Ο σχετικός προσανατολισμός των εικόνων γίνεται βάσει ομόλογων σημείων που εντοπίζονται σε αυτές και είναι μία διαδικασία που γίνεται με αυτόματο τρόπο από το λογισμικό. Η ακρίβειά του εκτιμάται σε pixel ως σφάλμα επαναπροβολής (reprojection error) των ομόλογων σημείων στις εικόνες στις οποίες είναι ορατά. Ένας τρόπος βελτίωσης του αεροτριγωνισμού σε αυτό το στάδιο είναι η αρχική εκτίμηση πλεονάζοντα αριθμού ομόλογων σημείων, και η βελτιστοποίηση του προσανατολισμού ύστερα από απόρριψη των σημείων με τα μεγαλύτερα σφάλματα επαναπροβολής. Μπαίνοντας στη φάση του απόλυτου προσανατολισμού και εισάγοντας στην επίλυση του μπλοκ φωτοσταθερά σημεία, είναι δυνατή η περαιτέρω βελτιστοποίηση της επίλυσης. Η τελική ακρίβεια του αεροτριγωνισμού περιλαμβάνει τα σφάλματα που προκύπτουν από όλα τα επιμέρους στάδια πραγματοποίησης του αεροτριγωνισμού. Ωστόσο, για τον τελικό έλεγχο της ακρίβειας του αεροτριγωνισμού ή των άλλων προϊόντων (DSM, Ortho) θα πρέπει να χρησιμοποιηθούν σημεία που δεν έχουν συμμετάσχει στην επίλυση του μπλοκ δηλαδή σημεία ελέγχου. Τούτων δοθέντων, οι ακρίβειες που επιτεύχθηκαν έχουν ως εξής: Στις 495 αεροφωτογραφίες που χρησιμοποιήθηκαν εντοπίστηκαν αρχικά περίπου 900,000 51

54 Αποτελέσματα & Συζήτηση ομόλογα σημεία. Από αυτά, ύστερα από φιλτράρισμα βάσει του σφάλματος επαναπροβολής, τελικά χρησιμοποιήθηκαν για το σχετικό προσανατολισμό τα 474,764 σημεία και το μέσο σφάλμα επαναπροβολής ανήλθε σε pixel (max pixel). Η αποτελεσματική επικάλυψη (effective overlaps) που εκφράζει τον μέσο αριθμό εικόνων από τις οποίες είναι ορατό το κάθε σημείο ανήλθε σε 3.39 εικόνες ανά σημείο. Η τελική ακρίβεια του αεροτριγωνισμού ανήλθε στα ~ 13 cm. Αναλυτικά οι επιτευχθείσες ακρίβειες βάσει των φωτοσταθερών και των σημείων ελέγχου αποδίδονται αντίστοιχα στον πίνακα 4.2 και στον πίνακα 4.3. Πίνακας 4.2: Ακρίβεια αεροτριγωνισμού βάσει των φωτοσταθερών σημείων. Label X error Y error Z error XY Error XYZ Error 01B -0,020-0,012 0,034 0,023 0,041 02B -0,020 0,010 0,004 0,022 0,023 03A -0,017 0,012-0,029 0,021 0,036 04A -0,062 0,041 0,039 0,074 0,084 05A 0,003 0,029 0,046 0,029 0,055 06A 0,138-0,055-0,112 0,149 0,186 07A 0,181-0,059-0,057 0,190 0,199 08B 0,079-0,100 0,116 0,127 0,172 09A 0,018-0,075 0,061 0,077 0,099 10A -0,127 0,088-0,036 0,155 0,159 11B 0,023 0,015-0,005 0,028 0,029 12B -0,082-0,094-0,048 0,124 0,133 13B 0,025 0,020-0,025 0,032 0,041 14A -0,127 0,205 0,000 0,241 0,241 15B 0,033-0,067 0,065 0,075 0,099 16B -0,006-0,083-0,074 0,084 0,111 17B -0,017-0,008-0,055 0,018 0,058 18B 0,153 0,029 0,068 0,156 0,170 19A 0,019 0,173-0,014 0,174 0,174 20A -0,229-0,058-0,012 0,236 0,236 21A -0,016-0,049-0,057 0,051 0,077 22A 0,046 0,042 0,087 0,062 0,107 TOTAL 0,0913 0,0780 0,0570 0,1201 0,

55 Αποτελέσματα & Συζήτηση Πίνακας 4.3: Ακρίβεια αεροτριγωνισμού βάσει των σημείων ελέγχου. Label X error Y error Z error XY Error XYZ Error 01A -0,069 0,010 0,031 0,070 0,077 02A -0,034-0,016 0,031 0,038 0,049 03B 0,095-0,118-0,054 0,152 0,161 04B 0,087 0,055-0,060 0,103 0,119 05B -0,025-0,077 0,031 0,081 0,087 06B 0,106-0,134-0,031 0,171 0,173 07B -0,026-0,025-0,032 0,037 0,049 08A 0,030-0,040 0,138 0,050 0,147 09B -0,009-0,116 0,151 0,117 0,190 10B -0,051-0,109-0,106 0,120 0,160 11A -0,049-0,003 0,028 0,049 0,057 12A 0,034-0,139-0,012 0,143 0,144 13A 0,063-0,036-0,018 0,072 0,075 15A -0,107-0,098 0,170 0,145 0,224 16A -0,048-0,045-0,163 0,065 0,175 17A 0,018 0,040-0,115 0,044 0,123 18A 0,081 0,030 0,036 0,086 0,093 19B 0,102 0,061-0,044 0,119 0,127 20B -0,164-0,044 0,067 0,170 0,182 21B -0,001-0,009 0,035 0,009 0,036 22B -0,013 0,075-0,010 0,076 0,077 TOTAL 0,0704 0,0741 0,0826 0,1022 0,1314 Στους δύο παραπάνω πίνακες (4.2, 4.3), τα σφάλματα ανά σημείο κατά Χ, Υ και Ζ υπολογίζονται ως διαφορά μεταξύ των τιμών αναφοράς (μετρήσεις RTK GNSS) και των εκτιμούμενων από το μοντέλο τιμών (Χ error = X reference X estimate,.). Το συνολικό (total) σφάλμα κατά Χ, Υ και Ζ υπολογίζεται ως η τυπική απόκλιση των σφαλμάτων του συνόλου των σημείων κατά Χ, Υ και Ζ αντίστοιχα. Τέλος, το οριζοντιογραφικό σφάλμα (XY error) υπολογίζεται ως τετραγωνική ρίζα του αθροίσματος των τετραγώνων των σφαλμάτων κατά Χ και κατά Υ, ενώ το τρισδιάστατο σφάλμα (XYZ error) ως τετραγωνική ρίζα του αθροίσματος των τετραγώνων των σφαλμάτων κατά Χ, Υ και Ζ. Μετά την ολοκλήρωση του αεροτριγωνισμού ακολούθησε το στάδιο της παραγωγής των τελικών προϊόντων της αποτύπωσης. Το παραχθέν νέφος σημείων αριθμεί σημεία. Στη συνέχεια παρουσιάζονται τα παραχθέντα προϊόντα. 53

56 Αποτελέσματα & Συζήτηση Νέφος σημείων Εικόνα 4.3: Το παραχθέν νέφος σημείων. Πλήθος σημείων: Τρισδιάστατο φωτορεαλιστικό μοντέλο Εικόνα 4.4: Το παραχθέν τρισδιάστατο φωτορεαλιστικό μοντέλο (3D Textured Mesh) 54

57 Αποτελέσματα & Συζήτηση Ψηφιακό μοντέλο επιφανείας (DSM) Το ψηφιακό μοντέλο επιφανείας (DSM) (Εικόνα 4.5) παράχθηκε βάσει του νέφους σημείων. Η πυκνότητα των σημείων που χρησιμοποιήθηκαν ανέρχεται σε 30.6 σημεία ανά τετραγωνικό μέτρο, γεγονός που οδήγησε σε μία ανάλυση του DSM ίση με ~ 18 cm. Η ακρίβεια του DSM που εκτιμήθηκε βάσει των σημείων ελέγχου βρέθηκε επίσης ίση με ~ 18 cm. Εικόνα 4.5: Ψηφιακό Μοντέλο Επιφανείας (DSM) 55

58 Αποτελέσματα & Συζήτηση Ορθοφωτοχάρτης (TrueOrtho) Ο ορθοφωτοχάρτης της περιοχής μελέτης που παράχθηκε (TrueOrtho) έχει ανάλυση ~ 9 cm και βάσει αυτής μπορεί να θεωρηθεί κατάλληλος για εκτύπωση σε κλίμακα 1:500. Ύστερα από έλεγχο της ακρίβειας του ορθοφωτοχάρτη (Πίνακας 4.4), διαπιστώθηκε ότι αυτή ανέρχεται σε ~ 8 cm, πράγμα που καθιστά τον ορθοφωτοχάρτη κατάλληλο και από άποψη ακρίβειας για εκτύπωση σε κλίμακα 1:500. Αποσπάσματα του ορθοφωτοχάρτη σε κλίμακα 1:500 επισυνάπτονται στο παράρτημα ΙΙ. Ο ορθοφωτοχάρτης προέκυψε ως μωσαϊκό των 495 εικόνων που χρησιμοποιήθηκαν για την αποτύπωση. Εικόνα 4.6: Ορθοφωτοχάρτης (TrueOrtho) 56

59 Αποτελέσματα & Συζήτηση Ο έλεγχος της ακρίβειας του ορθοφωτοχάρτη έγινε κατά τα γνωστά: Τα σφάλματα κατά Χ και κατά Υ για το κάθε σημείο υπολογίστηκαν ως η διαφορά των τιμών αναφοράς (μετρήσεις RTK GNSS) με τις αντίστοιχες τιμές που προκύπτουν από μέτρηση επί του ορθοφωτοχάρτη. Tο συνολικό σφάλμα κατά Χ και κατά Υ υπολογίστηκε ως η τυπική απόκλιση του συνόλου των αντίστοιχων παραπάνω σφαλμάτων, ενώ το συνολικό οριζοντιογραφικό σφάλμα (ΧΥ Error) ως η τετραγωνική ρίζα του αθροίσματος των τετραγώνων των σφαλμάτων κατά Χ και κατά Υ. Τα σημεία που χρησιμοποιήθηκαν για τον έλεγχο ήταν σημεία που δεν είχαν χρησιμοποιηθεί κατά την επίλυση του μπλοκ, δηλαδή σημεία ελέγχου. Πίνακας 4.4: Έλεγχος ακρίβειας του ορθοφωτοχάρτη X ERROR Y ERROR XY ERROR Label X REF Y REF X EST Y EST 01A , , , ,831 0,026-0,046 0,053 02A , , , ,438 0,046-0,047 0,066 03B , , , ,851-0,072 0,072 0,102 04B , , , ,020 0,061-0,071 0,094 05B , , , ,226 0,044-0,014 0,046 06B , , , ,925-0,098 0,040 0,106 07B , , , ,277-0,053 0,038 0,065 08A , , , ,075 0,046-0,007 0,047 09B , , , ,008-0,015 0,036 0,039 10B , , , ,831 0,055-0,029 0,062 11A , , , ,454 0,052-0,034 0,062 12A , , , ,963 0,034 0,046 0,057 13A , , , ,408-0,060 0,049 0,077 15A , , , ,920 0,061 0,176 0,186 16A , , , ,020 0,004 0,069 0,069 17A , , , ,834-0,057-0,002 0,057 18A , , , ,850-0,011-0,051 0,052 19B , , , ,341-0,062-0,036 0,072 20B , , , ,180 0,115 0,074 0,137 21B , , , ,268 0,001 0,036 0,036 22B , , , ,993 0,016-0,024 0,029 TOTAL ERROR = 0,055 0,057 0,079 57

60 Αποτελέσματα & Συζήτηση Εικόνα 4.7: Απόσπασμα του ορθοφωτοχάρτη και το αντίστοιχο απόσπασμα του DSM. 58

61 Αποτελέσματα & Συζήτηση Εικόνα 4.8: Απόσπασμα του ορθοφωτοχάρτη και το αντίστοιχο απόσπασμα του DSM. 59

62 Αποτελέσματα & Συζήτηση Υψομετρικά προφίλ βάσει DSM και Ortho Αξίζει να σημειωθεί ότι βάσει του DSM και του ορθοφωτοχάρτη μπορούν πολύ εύκολα να εξαχθούν υψομετρικά προφίλ. Η λεπτομέρεια και η ακρίβεια των συγκεκριμένων δεδομένων, καθιστούν τα προκύπτοντα υψομετρικά προφίλ ικανοποιητικά για χρήση στο στάδιο της προμελέτης δασοτεχνικών έργων (έργων δασικής οδοποιίας, ορεινής υδρονομικής κτλ.). Δεν αποκλείεται ωστόσο καθόλου η πιθανότητα χρήσης παρόμοιων δεδομένων (από UAV) και στα στάδια της οριστικής μελέτης, της κατασκευής και ιδιαίτερα στη διαδικασία παράδοσης παραλαβής των έργων, εφόσον βέβαια οι σχετικές πτήσεις σχεδιαστούν με τρόπο τέτοιο που να επιτρέπει τις κατάλληλες για αυτά τα στάδια αναλύσεις και ακρίβειες. Στις παρακάτω εικόνες εμφανίζονται κάποια παραδείγματα τέτοιων υψομετρικών προφίλ: μηκοτομές δασικών δρόμων (Εικόνα 4.9; Εικόνα 4.10); διατομές δασικών δρόμων (Εικόνα 4.11); διατομές κοιτών ρευμάτων (Εικόνα 4.12); και υψομετρικό προφίλ δασωμένης κλιτύος όπου διακρίνονται τα δένδρα (Εικόνα 4.13). 60

63 Αποτελέσματα & Συζήτηση Εικόνα 4.9: Μηκοτομή τμήματος δασικής οδού βάσει DSM και Ortho 61

64 Αποτελέσματα & Συζήτηση Εικόνα 4.10: Μηκοτομή τμήματος δασικής οδού βάσει DSM και Ortho 62

65 Αποτελέσματα & Συζήτηση Εικόνα 4.11: Διατομές δασικών οδών βάσει DSM και Ortho 63

66 Αποτελέσματα & Συζήτηση Εικόνα 4.12: Διατομές κοιτών ρευμάτων βάσει DSM και Ortho. Εικόνα 4.13: Υψομετρικό προφίλ μερικώς δασοσκεπούς κλιτύος: διακρίνονται τα δένδρα. 64

67 Αποτελέσματα & Συζήτηση 4.2 Ψηφιακό Μοντέλο Εδάφους (DTM) Εναλλακτικά DTMs Όπως έχει ήδη αναφερθεί στο προηγούμενο κεφάλαιο, κατά την προσπάθεια εκτίμησης του DTM με την πλήρως αυτοματοποιημένη μέθοδο, έγιναν διάφορες απόπειρες με διάφορες παραμέτρους (Πίνακας 4.5). Τα DTMs που εκτιμήθηκαν έχουν όλα την ίδια ανάλυση με το αρχικό DSM (0.18 m). Από το σύνολο των αποπειρών αυτών, σχετικά ικανοποιητικά αποτελέσματα απέδωσαν μόνο οι τέσσερις (Εικόνα 4.14), οι οποίες επισημαίνονται στον πίνακα 4.5 με κίτρινο χρώμα. Από αυτές, οι τρείς πρώτες απέδωσαν σχετικά παρόμοια αποτελέσματα, πράγμα που γίνεται εμφανές αν γίνει υπέρθεση με διαφορετικά χρώματα των ισοϋψών καμπυλών που αντιστοιχούν στα τρία αυτά DTMs (Εικόνα 4.15). Εικόνα 4.14: Αποσπάσματα των DTMs που παράχθηκαν με την πλήρως αυτοματοποιημένη μέθοδο και οι αντίστοιχες ισοϋψείς ανά 1m που προκύπτουν από αυτά. Η τέταρτη απόπειρα απέδωσε μάλλον το καλύτερο αποτέλεσμα (Εικόνα 4.14, κάτω δεξιά). Στην περίπτωση αυτή ακολουθήθηκε μία διαφορετική στρατηγική: οι παράμετροι που ορίστηκαν ήταν πολύ περιοριστικοί με αποτέλεσμα τα σημεία που ταξινομήθηκαν να είναι αισθητά λιγότερα σε σχέση με τις προηγούμενες απόπειρες (Πίνακας 4.5, τελευταία σειρά). Για να συγκριθεί αυτό το αποτέλεσμα με τα προηγούμενα έγινε υπέρθεση με διαφορετικά χρώματα των ισοϋψών καμπυλών που αντιστοιχούν σε αυτή την απόπειρα, επί των αντίστοιχων της προηγούμενης απόπειρας (Εικόνα 4.16). Παρατηρείται ότι ο πλεονάζων αριθμός σημείων οδηγεί στην παραγωγή ισοϋψών που δεν είναι επαρκώς γενικευμένες για να εμφανιστούν σε ένα χάρτη. 65

68 Αποτελέσματα & Συζήτηση Πίνακας 4.5: Συνδυασμοί παραμέτρων που χρησιμοποιήθηκαν για την ταξινόμηση των σημείων εδάφους και αριθμός σημείων που ταξινομήθηκαν (με κίτρινο οι πλέον ικανοποιητικές απόπειρες) Classification Attempts No. Parameters No. of points classified as Cell Size (m) Max Dist. (m) Max Angle ( ) "Ground" "Low Points" , , , , , , , , , , , , , , , , , , , , , , , Εικόνα 4.15: Υπέρθεση των ισοϋψών των τριών πρώτων DTMs με μπλε, κίτρινο και κόκκινο χρώμα αντίστοιχα: σε γενικές γραμμές τα τρία DTMs είναι παρόμοια. 66

69 Αποτελέσματα & Συζήτηση Εικόνα 4.16: Υπέρθεση των ισοϋψών του τέταρτου DTM (μαύρο χρώμα) επί αυτών του τρίτου DTM (κίτρινο χρώμα): παρατηρούνται αξιοσημείωτες διαφορές Βέλτιστο DTM Παρά το βελτιωμένο αποτέλεσμα της τελευταίας απόπειρας παραπάνω σε σχέση με τις προηγούμενες περιπτώσεις, εξακολουθούν να παρουσιάζονται και σε αυτό εμφανή σφάλματα (βυθίσματα, κορυφές, συμπερίληψη της βλάστησης). Για το λόγο αυτό, όπως περιγράφεται και σε προηγούμενο κεφάλαιο, αποφασίστηκε η υποβοήθηση της διαδικασίας με αξιοποίηση της διαθέσιμης θεματικής πληροφορίας. Έγινε δηλαδή φιλτράρισμα των σημείων του νέφους βάσει του χρώματός τους, με σκοπό την αφαίρεση σημείων της βλάστησης προτού πραγματοποιηθεί η ταξινόμηση των σημείων εδάφους. Αναλυτικότερα η μεθοδολογία περιγράφεται στο αντίστοιχο κεφάλαιο. Η μέθοδος αυτή πράγματι απέδωσε το καλύτερο των αποτελεσμάτων (Εικόνα 4.17). Όπως γίνεται βέβαια σαφές και από την εικόνα, περιλαμβάνονται σφάλματα και σε αυτή την περίπτωση. Ωστόσο αυτά είναι σαφώς λιγότερα σε σχέση με τις προηγούμενες περιπτώσεις (Εικόνα 4.18). Επιπλέον, με στερεοσκοπική παρατήρηση των ισοϋψών του DTM επί του ορθοφωτοχάρτη (Εικόνα 4.19), μπορεί να διαπιστωθεί μία αρκετά καλή προσέγγιση της επιφάνειας του εδάφους από τις ισοϋψείς. 67

70 Αποτελέσματα & Συζήτηση Εικόνα 4.17: Υπέρθεση των ισοϋψών ανά 1m που προέκυψαν οπό το DTM που παράχθηκε με την υποβοηθούμενη μέθοδο: α) επί του ίδιου του DTM (επάνω), β) επί του αντίστοιχου σκιασμένου αναγλύφου (μέση) και γ) επί του ορθοφωτοχάρτη (κάτω). 68

71 Αποτελέσματα & Συζήτηση Εικόνα 4.18: Υπέρθεση των ισοϋψών της εικόνας 4.12 επί των αντίστοιχων που παράχθηκαν με την πλήρως αυτοματοποιημένη μέθοδο (4 η απόπειρα) Εικόνα 4.19: Στερεοσκοπική απόδοση του ορθοφωτοχάρτη βάσει του DSM, με υπέρθεση των ισοϋψών του DTM, των υδατορευμάτων και των ορίων της λεκάνης απορροής Εικόνα αξιοπιστίας του DTM Παρά το όπως όλα δείχνουν σχετικά ικανοποιητικό αποτέλεσμα που επιτεύχθηκε παραπάνω, θα πρέπει πάντα να λαμβάνεται υπόψη ότι στις περιοχές που υφίσταται πυκνό δάσος χωρίς διάκενα, δεν υπάρχει διαθέσιμη πληροφορία για το έδαφος. Κατά συνέπεια, αυτές οι περιοχές στο μοντέλο προκύπτουν από χωρική παρεμβολή μεταξύ των γειτονικών περιοχών για τις οποίες υπάρχει διαθέσιμη πληροφορία. Έτσι, η 69

72 Αποτελέσματα & Συζήτηση αξιοπιστία του μοντέλου στις περιοχές αυτές είναι περιορισμένη. Αυτό αποτελεί το βασικό υστέρημα της φωτογραμμετρικής αποτύπωσης σε σχέση με τη χρήση LiDAR. Η έννοια της αξιοπιστίας του DTM εισήχθη και αναλύθηκε στη σχετική παράγραφο του κεφαλαίου 3 όπου περιγράφεται η μεθοδολογία. Δεδομένης λοιπόν της μεταβλητής αξιοπιστίας του παραγόμενου DTM, θεωρήθηκε αναγκαία η παραγωγή ενός συνοδευτικού χάρτη που με κάποιο τρόπο να εκφράζει τη διαφοροποίηση της αξιοπιστίας των διαφόρων περιοχών του DTM. Ως κριτήριο αξιοπιστίας θεωρήθηκε η πυκνότητα των σημείων βάσει των οποίων παράχθηκε το DTM. Η λογική αυτής της επιλογής τεκμηριώνεται στη σχετική παράγραφο του κεφαλαίου 3. Για την έκφραση της πυκνότητας των σημείων σε χάρτη, χρησιμοποιήθηκε το εργαλείο Heatmap του QGIS. Tο αποτέλεσμα εμφανίζεται στην εικόνα 4.20, όπου οι περιοχές με υψηλή πυκνότητα εμφανίζονται με πράσινο χρώμα, με μέση πυκνότητα με κίτρινο και με χαμηλή πυκνότητα με κόκκινο. Βάσει της εικόνας, και με υπέρθεσή της επί του ορθοφωτοχάρτη, μπορεί να επαληθευθεί ότι οι περιοχές στις οποίες εμφανίζεται μέτρια και κυρίως χαμηλή αξιοπιστία, είναι κατά βάση περιοχές καλυμμένες από πυκνό νεαρό δάσος που αποτρέπει την καταγραφή πληροφορίας για το έδαφος (Εικόνα 4.21). Εικόνα 4.20: Αριστερά: Σκιασμένο ανάγλυφο βάσει του DTM. Δεξιά: Εικόνα αξιοπιστίας του DTM 70

73 Αποτελέσματα & Συζήτηση Εικόνα 4.21: Επί του ορθοφωτοχάρτη εμφανίζονται αφενός τα σημεία βάσει των οποίων παράχθηκε το DTM (ανοιχτό πράσινο) και αφετέρου κατώτερες κλάσεις της εικόνας αξιοπιστίας του DTM (κίτρινα, πορτοκαλί και κόκκινα pixel με διαφάνεια). 71

74 Αποτελέσματα & Συζήτηση 4.3 Υδρολογική ανάλυση Γενικά Όπως έχει αναφερθεί και στη μεθοδολογία, για την πραγματοποίηση της ανάλυσης χρησιμοποιήθηκε η μέθοδος r.watershed σε περιβάλλον GRASS GIS. Η μέθοδος δέχεται σαν είσοδο ένα υψομετρικό μοντέλο (raster DEM) και ένα αριθμητικό όριο κατώφλι (threshold), που εκφράζει τον ελάχιστο αριθμό κελιών του υψομετρικού μοντέλου (δηλαδή την ελάχιστη έκταση) που μπορεί να συγκροτήσει μία λεκάνη απορροής. Στη συνέχεια παράγει τέσσερις εικόνες (χάρτες) στις οποίες αποδίδονται: 1) η κατεύθυνση απορροής για κάθε κελί, 2) η συγκέντρωση της απορροής για κάθε κελί, 3) τα όρια των λεκανών απορροής και 4) oι τοποθεσίες των ρεμάτων (κοιτών). Η εικόνα κατεύθυνσης της απορροής (drainage direction), στα κελιά της περιέχει ακέραιες τιμές από το ένα έως και το οκτώ, οι οποίες εκφράζουν για το κάθε κελί, προς ποιο από τα οκτώ γειτονικά του κελιά κατευθύνεται η απορροή που φεύγει από αυτό. Η εικόνα συγκέντρωσης της απορροής (flow accumulation), στα κελιά της περιέχει ακέραιους θετικούς αριθμούς, οι οποίοι εκφράζουν για το κάθε κελί, τον αριθμό των κελιών που απορρέουν προς το συγκεκριμένο κελί. Η εικόνα των ορίων των λεκανών απορροής, περιέχει επίσης ακέραιες τιμές, σε μοναδικές ανά μεμονωμένη τιμή ενιαίες περιοχές, που αντιστοιχούν στις περιοχές που συγκροτούν τις λεκάνες απορροής. Τέλος, η εικόνα με τις τοποθεσίες των κοιτών των ρευμάτων, συγκροτείται κατά βάση από κενά (NULL) κελιά, με εξαίρεση γραμμικές διατάξεις κελιών που αντιπροσωπεύουν τις κοίτες των ρευμάτων και περιλαμβάνουν τις ίδιες ακέραιες τιμές με τις αντίστοιχες λεκάνες της προηγούμενης εικόνας. Σε αντίθεση με τις δύο τελευταίες εικόνες παραπάνω, οι δύο πρώτες εικόνες (drainage direction, flow accumulation), επηρεάζονται αποκλειστικά από το υψομετρικό μοντέλο και δεν μεταβάλλονται με μεταβολή του οριζόμενου κατωφλιού (threshold) ελάχιστης έκτασης λεκάνης. Οι δύο τελευταίες εικόνες λόγω της φύσης τους είναι χαρτογραφικά πολύ πιο εύκολα αποδόσιμες αν μετατραπούν σε διανυσματικά (vector) αρχεία. Τα αποτελέσματα της εφαρμογής της μεθόδου παρουσιάζονται στη συνέχεια. 72

75 Αποτελέσματα & Συζήτηση Αποτελέσματα βάσει του DSM Χρησιμοποιώντας κατά την εφαρμογή της μεθόδου σαν υψομετρικό μοντέλο το ψηφιακό μοντέλο επιφανείας (DSM), παράγονται κατ αρχήν οι παρακάτω εικόνες που αφορούν στην κατεύθυνση και στη συγκέντρωση της απορροής (Εικόνα 4.22). Λεπτομέρεια των εικόνων εμφανίζεται στην εικόνα 4.23 όπου μπορεί να παρατηρηθεί ότι η ροή εμφανίζεται πολύ σύνθετη και κατακερματισμένη. Αυτό οφείλεται στο DSM, βάσει του οποίου, λόγω συμπερίληψης της βλάστησης, η επιφάνεια του εδάφους εμφανίζεται πολύ πιο πτυχωτή και πολυσχιδής από ότι πραγματικά είναι. Όπως εξηγήθηκε και προηγουμένως, η κατεύθυνση και η συγκέντρωση της απορροής δεν μεταβάλλονται με μεταβολή του threshold. Αυτές εξαρτώνται αποκλειστικά από το χρησιμοποιούμενο υψομετρικό μοντέλο. Εικόνα 4.22: Αριστερά: κατεύθυνση της απορροής (drainage direction) βάσει του DSM; Δεξιά: συγκέντρωση της απορροής (flow accumulation) βάσει του DSM. 73

76 Αποτελέσματα & Συζήτηση Εικόνα 4.23: Λεπτομέρεια της εικόνας 4.22: παρατηρείται πολύ σύνθετη και κατακερματισμένη ροή. Σε αντίθεση με την κατεύθυνση και τη συγκέντρωση της απορροής, με το ίδιο υψομετρικό μοντέλο και διαφορετικά thresholds παράγονται διαφορετικές εικόνες για τα όρια των λεκανών απορροής και τις κοίτες των ρευμάτων. Τα αποτελέσματα της εφαρμογής για τις λεκάνες και τις κοίτες βάσει του DSM και με threshold οριζόμενο ίσο με κελιά (ελάχιστη έκταση λεκάνης ~ m 2 ), εμφανίζονται στην εικόνα Για threshold ίσο με κελιά (ελάχιστη έκταση λεκάνης ~ m 2 ) τα αποτελέσματα εμφανίζονται στην εικόνα Από τα αποτελέσματα γίνεται σαφές ότι το DSM είναι ακατάλληλο για υδρολογική ανάλυση. 74

77 Αποτελέσματα & Συζήτηση Εικόνα 4.24: Όρια λεκανών και κοίτες ρευμάτων βάσει DSM (threshold: cells) Εικόνα 4.25: Όρια λεκανών και κοίτες ρευμάτων βάσει DSM (threshold: cells) 75

78 Αποτελέσματα & Συζήτηση Αποτελέσματα βάσει του DTM Τα αντίστοιχα αποτελέσματα που παρήγαγε η μέθοδος βάσει του DTM εμφανίζονται στις παρακάτω εικόνες. Στην εικόνα 4.26 εμφανίζονται οι χάρτες κατεύθυνσης και συγκέντρωσης της απορροής ενώ στην εικόνα 4.27 εμφανίζεται λεπτομέρεια αυτών. Στις εικόνες 4.28 έως 4.33 εμφανίζονται τα όρια των λεκανών απορροής που προέκυψαν με διαφορετικά thresholds (Πίνακας 4.6). Τέλος, στην εικόνα 4.34 εμφανίζονται τα όρια της βασικής λεκάνης απορροής καθώς και οι κοίτες των ρευμάτων που περιλαμβάνονται στην περιοχή μελέτης, σε επίθεση επί του ορθοφωτοχάρτη. Εικόνα 4.26: Αριστερά: κατεύθυνση της απορροής (drainage direction) βάσει του DTM; Δεξιά: συγκέντρωση της απορροής (flow accumulation) βάσει του DTM. 76

79 Αποτελέσματα & Συζήτηση Εικόνα 4.27: Λεπτομέρεια της εικόνας 4.16: παρατηρείται πολύ πιο φυσική σύγκλιση της απορροής και αποφεύγεται ο κατακερματισμός που δημιουργεί το DSM. Πίνακας 4.6: Thresholds που χρησιμοποιήθηκαν κατά την εφαρμογή της μεθόδου και οι εκτάσεις στις οποίες αυτά αντιστοιχούν Εικόνα όπου Threshold (cells) DTM Pixel size Area (m 2 ) εμφανίζεται (m) , , , , , ,

80 Αποτελέσματα & Συζήτηση Εικόνα 4.28: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM (threshold: cells) Εικόνα 4.29: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM (threshold: cells) 78

81 Αποτελέσματα & Συζήτηση Εικόνα 4.30: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM (threshold: cells) Εικόνα 4.31: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM (threshold: cells) 79

82 Αποτελέσματα & Συζήτηση Εικόνα 4.32: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM (threshold: cells) Εικόνα 4.33: Όρια λεκανών και κοίτες ρευμάτων βάσει DTM (threshold: cells) 80

83 Αποτελέσματα & Συζήτηση Εικόνα 4.34: Επίθεση των ορίων της βασικής λεκάνης απορροής και των κοιτών των ρευμάτων επί του ορθοφωτοχάρτη. Από τα αποτελέσματα αυτά προκύπτει ότι το DTM είναι πολύ καταλληλότερο για την πραγματοποίηση υδρολογικής ανάλυσης. Με σύγκριση των εικόνων 4.23 και 4.27, μπορεί να διαπιστωθεί ότι βάσει του DTM παράγεται μία εικόνα συγκέντρωσης της 81

84 Αποτελέσματα & Συζήτηση απορροής που εμφανίζει πολύ καλύτερη και φυσική σύγκλιση της απορροής, ενώ όσον αφορά την κατεύθυνση της απορροής φαίνεται να αποφεύγεται ο χαρακτηριστικός κατακερματισμός που δημιουργείται από το DSM. Τέλος, σχετικά με τα όρια των λεκανών και τις θέσεις των κοιτών, αυτά εμφανίζονται πολύ εγγύτερα στην πραγματικότητα αλλά και πολύ πιο ομαλά σε αντίθεση με τα αντίστοιχα που προέκυψαν βάσει του DSM. 4.4 Χάρτης τύπων βλάστησης Ο χάρτης τύπων βλάστησης προέκυψε από τη διαφορά μεταξύ DSM και DTM (Εικόνα 4.35), η οποία εκφράζει το ύψος της βλάστησης. Ο χάρτης (Εικόνα 4.36) περιλαμβάνει τέσσερις τάξεις οι οποίες αντιστοιχούν σε: 1) Γυμνό έδαφος ή πολύ χαμηλή βλάστηση (καφέ χρώμα); 2) Χαμηλή θαμνώδη βλάστηση (κίτρινο χρώμα); 3) Υψηλή θαμνώδη / χαμηλή δενδρώδη βλάστηση (ανοιχτό πράσινο); και 4) Υψηλή δενδρώδη βλάστηση (σκούρο πράσινο). Απόσπασμα του χάρτη σε μεγαλύτερη κλίμακα εμφανίζεται στην εικόνα Το ίδιο απόσπασμα εμφανίζεται και στην εικόνα 4.38 όπου έχει τεθεί με διαφάνεια επί του ορθοφωτοχάρτη. Από αυτή την τελευταία εικόνα μπορεί να διαπιστωθεί ότι η προσέγγιση της πραγματικότητας από το χάρτη είναι αρκετά ικανοποιητική. Εικόνα 4.35: Εικόνα διαφοράς μεταξύ DSM DTM. 82

85 Αποτελέσματα & Συζήτηση Εικόνα 4.36: Ο παραχθείς χάρτης τύπων βλάστησης. Για την ταξινόμηση της εικόνας χρησιμοποιήθηκε η μέθοδος k-means σε περιβάλλον ERDAS Imagine. Ο αριθμός κλάσεων που ορίστηκε ήταν πέντε (5): μία για τις περιοχές της εικόνας που δεν περιλαμβάνουν δεδομένα (null no data cells) και τέσσερις ακόμη όπως παραπάνω. Τα όρια των κλάσεων της εικόνας που προέκυψε είχαν ως εξής: 0) NULL 1) min 1.0m; 2) 1.0m 2.5m; 3) 2.5m 4.7m; 4) 4.7m max; 83

86 Αποτελέσματα & Συζήτηση Εικόνα 4.37: Λεπτομέρεια του χάρτη τύπων βλάστησης (απόσπασμα) Εικόνα 4.38: Το απόσπασμα της εικόνας 4.37 με διαφάνεια επί του ορθοφωτοχάρτη. 4.5 Στερεοσκοπική απόδοση Η στερεοσκοπική απόδοση της περιοχής μελέτης έγινε βάσει του DSM και του ορθοφωτοχάρτη σε περιβάλλον ERDAS Imagine (terrain tools). Το αποτέλεσμα είναι ορατό σε σμίκρυνση στην εικόνα Λεπτομερή αποσπάσματα εμφανίζονται επίσης στην εικόνα Για τη θέασή τους απαιτούνται κατάλληλα μπλε κόκκινα γυαλιά. Ο χάρτης επισυνάπτεται σε μορφή pdf κατάλληλος για εκτύπωση σε κλίμακα 1:

87 Αποτελέσματα & Συζήτηση Εικόνα 4.39: Στερεοσκοπική απόδοση της περιοχής μελέτης. 85

88 Αποτελέσματα & Συζήτηση Εικόνα 4.40: Λεπτομέρεια στερεοσκοπικής απόδοσης. 86

89 Συμπεράσματα 5. ΣΥΜΠΕΡΑΣΜΑΤΑ 5.1 Χρήση των UAV στην αποτύπωση δασικών εκτάσεων Βάσει των αποτελεσμάτων που επιτεύχθηκαν στην παρούσα, προκύπτει ότι οι αεροφωτογραφίες μεγάλης κλίμακας που μπορούν να αποκτηθούν πλέον εύκολα με την αξιοποίηση των UAVs, μπορούν να αποδώσουν εξαιρετικά λεπτομερείς ορθοφωτοχάρτες και υψομετρικά μοντέλα σε δασικές περιοχές. Τόσο οι ορθοφωτοχάρτες όσο και τα υψομετρικά αυτά μοντέλα, μπορούν να φανούν ιδιαίτερα χρήσιμα σε πλήθος δασικών και άλλων τεχνικών εφαρμογών. Ωστόσο καθίσταται σαφές ότι τα υψομετρικά αυτά μοντέλα (DSMs) δεν αποδίδουν αποκλειστικά την επιφάνεια του εδάφους, αλλά και ό,τι βρίσκεται επί αυτής (βλάστηση, κτίρια κτλ.). Ιδίως όμως για τις δασικές εφαρμογές, απαιτείται η ύπαρξη κάποιου υψομετρικού μοντέλου που να αποδίδει την επιφάνεια του εδάφους. Όπως φάνηκε από την εφαρμογή, η χρήση του ψηφιακού μοντέλου επιφανείας (DSM) για την πραγματοποίηση υδρολογικής ανάλυσης οδήγησε σε αποτελέσματα εσφαλμένα. Για την πραγματοποίηση υδρολογικής ανάλυσης απαιτείται η χρήση ψηφιακού μοντέλου εδάφους (DTM). Επιπλέον, η έρευνα για την εκτίμηση βιομετρικών χαρακτηριστικών των δασών (ύψος, ξυλώδης όγκος κτλ.) που βρίσκεται σε εξέλιξη (Rahlf et al., 2015; Tuominen et al., 2015; Rybakov, 2015; Lisein et al., 2013; Jarnstedt et al., 2012; κ.α.), στηρίζεται κατά βάση στα δεδομένα που προκύπτουν ως διαφορά μεταξύ DSM και DTM. Η δυνατότητα εκτίμησης βιομετρικών χαρακτηριστικών των δασών χωρίς επιτόπιες μετρήσεις θα αυξήσει σημαντικά την ανταγωνιστικότητα της δασοπονίας. Αξιόπιστα και λεπτομερή δεδομένα για την επιφάνεια του εδάφους δεν είναι προς το παρόν διαθέσιμα για τον ελλαδικό χώρο. Όμως επειδή η επιφάνεια του εδάφους είναι αρκετά σταθερή και δεν μεταβάλλεται σημαντικά με το χρόνο, η επένδυση από πλευράς ελληνικού δημοσίου στην παραγωγή ενός ποιοτικού και λεπτομερούς ψηφιακού μοντέλου εδάφους με χρήση LiDAR για τις δασικές περιοχές της χώρας θα μπορούσε να θεωρηθεί ως έργο υποδομής για την ελληνική δασοπονία. Βάσει αυτού και των ψηφιακών μοντέλων επιφανείας που μπορούν πλέον να επικαιροποιούνται σχετικά εύκολα με τη χρήση των UAVs για τις περιοχές ενδιαφέροντος, φαίνεται πως σύντομα θα υπάρχει η δυνατότητα να εκτιμηθούν πολύ σημαντικά για τη δασοπονία δεδομένα, η απόκτηση των οποίων με επιτόπιες μετρήσεις έχει σημαντικό κόστος. 87

90 Συμπεράσματα 5.2 Παραγωγή Ψηφιακού Μοντέλου Εδάφους (DTM) Λόγω της απουσίας σχετικών λεπτομερών και αξιόπιστων δεδομένων, επιδιώχθηκε η παραγωγή ενός υψομετρικού μοντέλου που να προσεγγίζει την επιφάνεια του εδάφους, βάσει της πληροφορίας που ήταν διαθέσιμη στις εικόνες. Η μεθοδολογία που εφαρμόστηκε (κυρίως η υποβοηθούμενη μέθοδος) έχει πολύ καλές πιθανότητες να παράγει ικανοποιητικά αποτελέσματα εφόσον συντρέχουν συγκεκριμένες προϋποθέσεις, η βασικότερη από τις οποίες όπως είναι φυσικό είναι η ύπαρξη αρκετών κενών στη φυτοκάλυψη ώστε να είναι επαρκώς ορατή η επιφάνεια του εδάφους. Η μεθοδολογία δεν μπορεί να εφαρμοστεί σε περιοχές με πλήρη φυτοκάλυψη καθώς εκεί φωτογραμμετρικά δεν καταγράφεται καθόλου πληροφορία για το έδαφος. Όπου μπορεί να εφαρμοστεί η εν λόγω μεθοδολογία, θα πρέπει να λαμβάνεται υπόψη κατά το σχεδιασμό της αποτύπωσης, το γεγονός ότι η μέτρηση σημείων εδάφους σε μικρά διάκενα του δάσους (ιδιαίτερα του ψηλού δάσους), απαιτεί πολύ αυξημένη επικάλυψη μεταξύ των εικόνων (Εικόνα 3.11). Η εικόνα αξιοπιστίας που παράχθηκε ως συνοδευτική του παραχθέντος DTM δείχνει ότι πράγματι οι περιοχές του DTM με τη χαμηλότερη αξιοπιστία είναι εκείνες που εμφανίζουν πολύ πυκνή φυτοκάλυψη. Σε τέτοιες περιοχές μπορεί κανείς να επέμβει εκ των υστέρων προσθέτοντας σημεία με το χέρι και επανεκτιμώντας την επιφάνεια. Πέραν των airborne LiDAR συστημάτων, η εναλλακτική μεθοδολογία αποτύπωσης της επιφάνειας του εδάφους σε δασοσκεπείς περιοχές είναι η επίγεια τοπογραφική έρευνα. Αξίζει να σημειωθεί ότι η επίγεια τοπογραφική έρευνα είναι ιδιαίτερα δύσκολη σε δασοσκεπές περιβάλλον (περιορισμένη ορατότητα, κομοστέγη που αποκόπτει το σήμα GNSS, συνήθως έντονο ορεινό ανάγλυφο με δυσκολία πρόσβασης ή ακόμη και στάσης κτλ.). Συνεπώς, η μεθοδολογία που παρουσιάστηκε εδώ, θεωρείται ότι μπορεί να φανεί χρήσιμη σε αρκετές περιπτώσεις. Π.χ., βάσει της διαφοράς DSM-DTM, κατέστη εφικτή η παραγωγή ενός χάρτη τύπων βλάστησης (Εικόνα 4.36) ο οποίος εμφανίζεται αρκετά αξιόπιστος και μπορεί μεταξύ άλλων να αξιοποιηθεί στην εκτίμηση συντελεστών επιφανειακής απορροής. Επιπλέον, όπως αποδείχθηκε, βάσει του DTM προέκυψαν ορθά αποτελέσματα από την υδρολογική ανάλυση (όρια λεκανών και κοίτες ρευμάτων), γεγονός που δεν συνέβη όταν αυτή βασίστηκε στο DSM. 88

91 6. ΒΙΒΛΙΟΓΡΑΦΙΑ Ξενόγλωσση Βιβλιογραφία Agisoft LLC, Agisoft PhotoScan User Manual: Professional Edition, Version 1.2, Evans, J. S., Hudak, A. T., A multiscale curvature algorithm for classifying discrete return LiDAR in forested environments. IEEE Transactions on Geoscience and Remote Sensing 45(4), GRASS Development Team, Geographic Resources Analysis Support System (GRASS) Software, Version 7.0. Open Source Geospatial Foundation. Järnstedt, J., Pekkarinen, A., Tuominen, S., Ginzler, C., Holopainen, M., Viitala, R., Forest variable estimation using a high-resolution digital surface model. ISPRS J. Photogramm. Remote Sens., 74, Kinner D., Mitasova H., Harmon R., Toma L., Stallard R., GIS-based Stream Network Analysis for The Chagres River Basin, Republic of Panama. The Rio Chagres: A Multidisciplinary Profile of a Tropical Watershed, R. Harmon (Ed.), Springer/Kluwer, p Lisein, J., Pierrot-Deseilligny, M., Bonnet, S. & Lejeune, P., A Photogrammetric Workflow for the Creation of a Forest Canopy Height Model from Small Unmanned Aerial System Imagery. MDPI Forests (ISSN ), 4, pp , doi: /f Popescu S.C., Wynne R.H., Seeing the trees in the forest: using lidar and multispectral data fusion with local filtering and variable window size for estimating tree height. Photogrammetric Engineering & Remote Sensing 70(5): Rahlf, J., Breidenbach, J., Solberg, S. and Astrup, R., Forest Parameter Prediction Using an Image-Based Point Cloud: A Comparison of Semi-ITC with ABA. Forests, 6(11), pp Renard KG, Foster GR, Weesies GA, Porter JP, RUSLE: revised universal soil loss equation. Journal of Soil and Water Conservation, 46:

92 Rybakov Georgy, Mean forest volume estimation by high-resolution aerial RGB imagery and digital surface model with Trestima as validation technique, Thesis for Bachelor of Natural Resources Degree Programme in Integrated Coastal Zone Management. Sithole, G., Vosselman, G., Experimental comparison of filter algorithms for bare-earth extraction from airborne laser scanning point clouds. ISPRS Journal of Photogrammetry and Remote Sensing 59 (1-2), Suárez, J.C., C. Ontiveros, S. Smith, and S. Snape, Use of airborne LiDAR and aerial photography in the estimation of individual tree heights in forestry, Computers and Geosciences, 31: Tuominen S., Balazs A., Saari H., Pölönen I., Sarkeala J., Viitala R., Unmanned aerial system imagery and photogrammetric canopy height data in area-based estimation of forest variables. Silva Fennica vol. 49 no. 5 article id p. Zhang, C., & Qiu, F. (2012). Mapping individual tree species in an urban forest using airborne lidar data and hyperspectral imagery. Photogrammetric Engineering & Remote Sensing, 78(10), Ελληνική Βιβλιογραφία Π. Πατιάς, Σχεδιασμός, Διερεύνηση και Έλεγχος Φωτογραμμετρικής Παραγωγής, Πανεπιστημιακές Παραδόσεις, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Στεφανίδης Σ., Η πυρκαγιά στο περιαστικό δάσος Θεσσαλονίκης και η αποτελεσματικότητα των αντιδιαβρωτικών και αντιπλημμυρικών έργων 12 χρόνια μετά τη φωτιά, Πτυχιακή Εργασία, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Tουρλακίδης Χρ., Πινακίδης Ι., Αθανασιάδης Β., Ειδική οριστική μελέτη αντιπλημμυρικών έργων περιαστικού δάσους (Σέιχ σου) Θεσσαλονίκης. Περιφέρεια Κεντρικής Μακεδονίας, Διεύθυνση Αναδασώσεων Θεσσαλονίκης 90

93 ΠΑΡΑΡΤΗΜΑ Ι: ΑΝΑΦΟΡΑ ΕΠΕΞΕΡΓΑΣΙΑΣ AGISOFT PHOTOSCAN PRO 91

94 Αναφορά Επεξεργασίας Ρέμμα Ουτσάρσο Αποτύπωση λεκάνης απορροής 19 January 2016

95 Survey Data > Fig. 1. Camera locations and image overlap. 500 m Number of images: 495 Flying altitude: 199 m Ground resolution: 9.03 cm/pix Coverage area: 2 sq km Camera stations: 495 Tie points: 474,764 Projections: 1,064,814 Reprojection error: pix Camera Model Resolution Focal Length Pixel Size Precalibrated HERO3+ Black Edition (2.77 mm) 4000 x mm 1.6 x 1.6 um No Table 1. Cameras.

96 Camera Calibration 1 pix Fig. 2. Image residuals for HERO3+ Black Edition (2.77 mm). HERO3+ Black Edition (2.77 mm) Resolution Focal Length Pixel Size Precalibrated 4000 x mm 1.6 x 1.6 um No Type: Frame K1: Fx: K2: Fy: K3: Cx: K4: Cy: P1: Skew: P2:

97 Ground Control Points 12A 12B 14A 10B 13A 13B 10A 15A 15B 11A 11B 9A 9B 8A8B 16A 16B 17A 17B 22B 22A 21B 21A 19A 19B 18A 18B 20A20B 6A 6B 7A 7B 5A 5B 1A 1B 4B 4A 2A2B 3A 3B Fig. 3. GCP locations. 500 m Label X error (m) Y error (m) Z error (m) Error (m) Projections Error (pix) 10A B B B A B B B B

98 Label X error (m) Y error (m) Z error (m) Error (m) Projections Error (pix) 19A B A A A B A A A A A B A Total Table 2. Control points. Label X error (m) Y error (m) Z error (m) Error (m) Projections Error (pix) 10B A A A A A A A B A B B B A B

99 Label X error (m) Y error (m) Z error (m) Error (m) Projections Error (pix) 4B B B B A B Total Table 3. Check points.

100 Digital Elevation Model 380 m 80 m Fig. 4. Reconstructed digital elevation model. 500 m Resolution: Point density: 18.1 cm/pix points per sq m

101 Processing Parameters General Cameras 495 Aligned cameras 495 Markers 43 Point Cloud Points 474,764 of 1,271,079 RMS reprojection error ( pix) Max reprojection error ( pix) Mean key point size pix Effective overlap Alignment parameters Accuracy Highest Pair preselection Generic Key point limit 100,000 Tie point limit 10,000 Constrain features by mask No Matching time 2 hours 24 minutes Alignment time 1 seconds Optimization parameters Parameters fx, fy, cx, cy, skew, k1-k3, p1, p2 Optimization time 7 seconds Dense Point Cloud Points 146,594,353 Reconstruction parameters Quality High Depth filtering Aggressive Processing time 3 hours 1 minutes Model Faces 249,999 Vertices 125,816 Texture 8,192 x 8,192, uint8 Reconstruction parameters Surface type Height field Source data Dense Interpolation Enabled Quality High Depth filtering Aggressive Face count 7,086,829 Processing time 3 minutes 43 seconds Texturing parameters Mapping mode Adaptive orthophoto Blending mode Mosaic Texture size 8,192 x 8,192 UV mapping time 6 seconds Blending time 4 minutes 51 seconds DEM Size 9,212 x 13,758 Orthomosaic Size 18,297 x 27,341 Channels 3, uint8 Blending mode Mosaic

102 ΠΑΡΑΡΤΗΜΑ ΙΙ: ΧΑΡΤΕΣ (Όλοι οι χάρτες του παραρτήματος επισυνάπτονται και ηλεκτρονικά) 100

103

104

105

106

107 Πλήρης ορθοφωτοχάρτης περιοχής μελέτης Ο χάρτης που εμφανίζεται σε μικρογραφία παρακάτω επισυνάπτεται σε ηλεκτρονική μορφή, προετοιμασμένος για εκτύπωση σε κλίμακες 1:1000; 1:2000; και 1:

108

109

110

111

112 Πλήρης στερεοσκοπικός χάρτης περιοχής μελέτης Ο χάρτης που εμφανίζεται σε μικρογραφία παρακάτω επισυνάπτεται σε ηλεκτρονική μορφή, προετοιμασμένος για εκτύπωση σε κλίμακες 1:1000; 1:2000; και 1:

113

114

115

116