ΧΡΗΣΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΚΑΤΑΣΤΟΛΗ ΤΩΝ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΡΓΑΣΤΗΡΙΟ ΔΑΣΙΚΗΣ ΔΙΑΧΕΙΡΙΣΤΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΔΙΕΥΘΥΝΤΗΣ ΕΡΓΑΣΤΗΡΙΟΥ: ΚΑΘΗΓΗΤΗΣ ΚΑΡΤΕΡΗΣ ΜΙΧΑΛΗΣ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΓΗΤΑΣ ΙΩΑΝΝΗΣ, ΛΕΚΤΟΡΑΣ ΧΡΗΣΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΚΑΤΑΣΤΟΛΗ ΤΩΝ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ Του ΤΣΑΚΑΛΙΔΗ ΣΠΥΡΙΔΩΝΑ ΘΕΣΣΑΛΟΝΙΚΗ, 2007

2 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΡΓΑΣΤΗΡΙΟ ΔΑΣΙΚΗΣ ΔΙΑΧΕΙΡΙΣΤΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΔΙΕΥΘΥΝΤΗΣ ΕΡΓΑΣΤΗΡΙΟΥ: ΚΑΘΗΓΗΤΗΣ ΚΑΡΤΕΡΗΣ ΜΙΧΑΛΗΣ ΕΠΙΒΛΕΠΩΝ ΚΑΘΗΓΗΤΗΣ: ΓΗΤΑΣ ΙΩΑΝΝΗΣ, ΛΕΚΤΟΡΑΣ ΧΡΗΣΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΚΑΤΑΣΤΟΛΗ ΤΩΝ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ Του ΤΣΑΚΑΛΙΔΗ ΣΠΥΡΙΔΩΝΑ ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ Ι. ΓΗΤΑΣ Μ. ΚΑΡΤΕΡΗΣ Α. ΔΗΜΗΤΡΑΚΟΠΟΥΛΟΣ ΘΕΣΣΑΛΟΝΙΚΗ,

3 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ...4 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ...6 ΚΑΤΑΛΟΓΟΣ ΔΙΑΓΡΑΜΜΑΤΩΝ...7 ΚΑΤΑΛΟΓΟΣ ΠΑΡΑΡΤΗΜΑΤΟΣ...8 ΕΥΧΑΡΙΣΤΙΕΣ...9 ΠΕΡΙΛΗΨΗ ΕΙΣΑΓΩΓΗ ΑΝΑΣΚΟΠΗΣΗ ΒΙΒΛΙΟΓΡΑΦΙΑΣ ΜΕΣΟΓΕΙΑΚΑ ΟΙΚΟΣΥΣΤΗΜΑΤΑ ΚΑΙ ΔΑΣΙΚΕΣ ΠΥΡΚΑΓΙΕΣ ΚΑΥΣΙΜΑ ΚΑΙ ΚΙΝΔΥΝΟΣ ΕΝΑΡΞΗΣ ΚΑΙ ΕΞΑΠΛΩΣΗΣ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ ΜΕΘΟΔΟΙ ΚΑΤΑΣΤΟΛΗΣ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ ΔΕΙΚΤΕΣ ΒΛΑΣΤΗΣΗΣ ΑΜΥΝΤΙΚΟΣ ΧΩΡΟΣ ΤΩΝ ΚΤΗΡΙΩΝ (DEFENSIBLE SPACE) ΣΥΝΟΨΗ ΚΕΦΑΛΑΙΟΥ ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ ΓΕΩΛΟΓΙΑ ΤΗΣ ΘΑΣΟΥ ΚΛΙΜΑ ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΠΥΡΚΑΓΙΕΣ ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ, ΔΕΔΟΜΕΝΑ ΚΑΙ ΛΟΓΙΣΜΙΚΑ ΔΙΕΡΕΥΝΗΣΗ ΣΥΣΧΕΤΙΣΗΣ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΚΑΙ ΕΠΙΛΟΓΗ ΤΟΥ ΚΑΛΥΤΕΡΟΥ ΥΠΟΛΟΓΙΣΜΟΣ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΔΗΜΙΟΥΡΓΙΑ ΔΕΔΟΜΕΝΩΝ ΑΝΑΦΟΡΑΣ (REFERENCE DATA) ΣΧΕΤΙΚΑ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΣΥΣΧΕΤΙΣΗΣ ΤΩΝ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟΥ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΚΑΙ ΤΩΝ ΚΤΗΡΙΩΝ ΕΙΣΑΓΩΓΗ ΔΙΑΚΡΙΣΗ ΝΕΡΟΥ ΓΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ ΚΤΗΡΙΩΝ ΤΑΞΙΝΟΜΗΣΗ ΚΤΗΡΙΩΝ ΜΕ ΚΕΡΑΜΟΣΚΕΠΗ ΤΑΞΙΝΟΜΗΣΗ ΚΤΗΡΙΩΝ ΜΕ ΠΛΑΚΑ ΑΠΟ ΟΠΛΙΣΜΕΝΟ ΣΚΥΡΟΔΕΜΑ ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΑΞΙΝΟΜΗΣΗΣ ΤΩΝ ΚΤΗΡΙΩΝ ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟΥ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΣΕ ΚΛΑΣΕΙΣ ΣΥΓΚΟΜΩΣΗΣ ΤΜΗΜΑΤΟΠΟΙΗΣΗ ΤΗΣ ΕΙΚΟΝΑΣ ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΟΥ ΔΕΙΚΤΗ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΚΑΙ ΚΑΘΟΡΙΣΜΟΣ ΤΩΝ ΚΛΑΣΕΩΝ ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΚΑΝΟΝΕΣ ΑΣΑΦΟΥΣ ΛΟΓΙΚΗΣ ΕΛΕΓΧΟΣ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΑΞΙΝΟΜΗΣΗΣ ΤΩΝ ΚΛΑΣΕΩΝ ΣΥΓΚΟΜΩΣΗΣ ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟΥ ΥΠΟΛΟΓΙΣΜΟΣ ΤΟΥ ΑΜΥΝΤΙΚΟΥ ΧΩΡΟΥ ΤΩΝ ΚΤΗΡΙΩΝ ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟΥ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΧΡΗΣΙΜΟΤΗΤΑ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΚΛΑΣΕΙΣ ΣΥΓΚΟΜΩΣΗΣ ΚΑΙ ΣΥΝΟΔΕΥΤΙΚΑ ΧΑΡΑΚΤΗΡΙΣΤΙΚΑ ΚΤΗΡΙΑ ΚΑΙ ΑΜΥΝΤΙΚΟΣ ΧΩΡΟΣ (DEFENSIBLE SPACE) ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΑΙ ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ ΒΙΒΛΙΟΓΡΑΦΙΑ ΠΑΡΑΡΤΗΜΑ

4 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ Εικόνα 1. Εκτίμηση της περιεχόμενης υγρασίας της ζωντανής βλάστησης των...22 Εικόνα 2. Σχήμα του ιεραρχικού μοντέλου της αντικειμενοστραφούς ταξινόμησης..36 Εικόνα 3. Απεικόνιση των επιπέδων τμηματοποίησης στη διαδικασία της αντικειμενοστραφούς ταξινόμησης Εικόνα 4. Σχηματική απεικόνιση του Defensible Space των κτηρίων από ιστοσελίδα της CDF (California Department of Forestry and Fire Protection) Εικόνα 5. Χάρτης της Ελλάδας. Με το βέλος υποδεικνύεται το νησί της Θάσου Εικόνα 6. Απεικονίζονται οι περιοχές που καήκαν από τις πυρκαγιές του 1984, 1985, 1989 και Εικόνα 7 Αρχική και τελική περιοχή μελέτης Εικόνα 8. Εικόνες των υπολογιζόμενων δεικτών βλάστησης Εικόνα 9. Η εικόνα του PCNDVI Εικόνα 10. Η εικόνα του NDVI...57 Εικόνα 11. Εκτίμηση της συγκόμωσης στην παγχρωματική εικόνα...61 Εικόνα 12 Εκτίμηση της συγκόμωσης στην βελτιωμένη πολυφασματική εικόνα Εικόνα 13. Με κόκκινο χρώμα απεικονίζονται οι δειγματοληπτικές επιφάνειες (τετράγωνα) στις οποίες εφαρμόστηκε η μέθοδος των στιγμών για την εκτίμηση της συγκόμωσης της βλάστησης...62 Εικόνα 14. Απεικόνιση της τρίτης κύριας συνιστώσας (PC3). Παρατηρείται ότι τα κτήρια με κεραμοσκεπή απεικονίζονται λευκά Εικόνα 15. Η πολυφασματική εικόνα του QuickBird σε απεικόνιση, R: layer 3, G: layer 2 και B: layer Εικόνα 16. Απεικόνιση της δεύτερης κύριας συνιστώσας (PC2)...73 Εικόνα 17 Απεικόνιση της πανχρωματικής εικόνας του QuickBird Εικόνα 18. Masking techniques...74 Εικόνα 19. Αρχική περιοχή μελέτης...75 Εικόνα 20. Τελική περιοχή μελέτης Εικόνα 21. Παράμετροι τμηματοποίησης της εικόνας για τη διάκριση μεταξύ νερού και γης...76 Εικόνα 22. Χαρακτηριστικά που προέκυψαν από τη δαδικασία feature space optimization για τη διάκριση μεταξύ νερού και γης Εικόνα 23. Η Πολυφασματική εικόνα Quickbird...78 Εικόνα 24. Το αποτέλεσμα της ταξινόμησης του νερού Εικόνα 25. Παράμετροι τμηματοποίησης της εικόνας για την ταξινόμηση των κτηρίων με κεραμοσκεπή...79 Εικόνα 26. Τα τελικά κριτήρια για την ταξινόμηση των κτηρίων με κεραμοσκεπή...80 Εικόνα 27. Απεικόνιση των ταξινομημένων κτηρίων με κεραμοσκεπή...82 Εικόνα 28. Απεικόνιση της πολυφασματικής εικόνας Quickbird Εικόνα 29. Παράμετροι τμηματοποίησης της εικόνας για την ταξινόμηση των κτηρίων με πλάκα από οπλισμένο σκυρόδεμα Εικόνα 30. Τα τελικά κριτήρια για την ταξινόμηση των κτηρίων με πλάκα από οπλισμένο σκυρόδεμα...85 Εικόνα 31. Απεικόνιση του αποτελέσματος της ταξινόμησης των κτηρίων με κεραμοσκεπή και πλάκα από οπλισμένο σκυρόδεμα Εικόνα 32. Απεικόνιση της παγχρωματικής εικόνα Quickbird Εικόνα 33. Λειτουργία similarity to class + invert expression Εικόνα 34. Η μήτρα σφαλμάτων ταξινόμησης των κτηρίων όπως απεικονίστηκε στο λογισμικό Definiens

5 Εικόνα 35. Με καφέ χρώμα απεικονίζεται η αταξινόμητη περιοχή (εκτός νερού και κτηρίων)...91 Εικόνα 36. Κριτήρια ταξινόμησης για την κλάση 0-5 % συγκόμωση Εικόνα 37. Κριτήρια ταξινόμησης για την κλάση 5-10 % συγκόμωση Εικόνα 38. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση Εικόνα 39. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση Εικόνα 40. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση Εικόνα 41. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση Εικόνα 42. Απεικόνιση των αποτελεσμάτων της ταξινόμησης Εικόνα 43. Απεικόνιση των αποτελεσμάτων της ταξινόμησης έπειτα από τη συνένωση των επιφανειών που ανήκουν στην ίδια κλάση Εικόνα 44. Στον χάρτη φαίνονται οι δειγματοληπτικές επιφάνειες που επελέγησαν για φωτοερμηνεία από κάθε κλάση με σκοπό την αξιολόγηση της ακρίβειας της ταξινόμησης Εικόνα 45 Σταθερότητα της ταξινόμησης (Classification Stability) Εικόνα 46. Ο πίνακας των στατιστικών αποτελεσμάτων της σταθερότητας ταξινόμησης (Classification Stability) Εικόνα 47. Αποτέλεσμα Βέλτιστης Ταξινόμησης Εικόνα 48. Ο πίνακας των στατιστικών αποτελεσμάτων του Αποτελέσματος Βέλτιστης Ταξινόμησης Εικόνα 49. Απεικονίζονται δύο κτήρια με κεραμοσκεπή με τους δακτυλίους των 0-10μ και 10-30μ περιμετρικά από αυτά, και με υπόβαθρο τις κλάσεις συγκόμωσης. 119 Εικόνα 50. Απεικονίζονται οι ζώνες του Defensible Space των κτηρίων με διαβαθμισμένο χρωματισμό από πράσινο για τις πιο ασφαλείς έως κόκκινο για αυτές με την μεγαλύτερη τρωτότητα-διακινδύνευση Εικόνα 51. Απεικονίζονται με χρωματισμό από πράσινο έως κόκκινο τα κτήρια με βάση το ποσοστό επιφανείας, της ζώνης 0-10 μ. των κτηρίων, που καταλαμβάνεται από επιθυμητού είδους επιφάνειες Εικόνα 52. Χρησιμότητα των αποτελεσμάτων στην άμεση καταστολή Εικόνα 53. Απεικόνιση της επιχειρησιακής σπουδαιότητας, από άποψη προστασίας των κτηρίων, των πολυγώνων της βλάστησης Εικόνα 54. Απεικονίζονται οι πιθανές θέσεις απομάκρυνσης της βλάστησης για την εφαρμογή έμμεσης καταστολής

6 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ Πίνακας 1. Οι Δείκτες βλάστησης που επιλέχτηκαν για αξιολόγηση Πίνακας 2. Οι αποστάσεις που θα πρέπει να τηρούνται μεταξύ των δέντρων και των θάμνων εντός της δεύτερης ζώνης ανάλογα με την κλίση του εδάφους Πίνακας 3. Τμήματα καταγραφής ανάκλασης του ηλεκτρομαγνητικού φάσματος από τον δορυφόρο QuickBird Πίνακας 4. Oι ιδιοτιμές και το ποσοστό της συνολικής διακύμανσης που ερμηνεύεται από κάθε κύρια συνιστώσα...55 Πίνακας 5. Η συνεισφορά κάθε αρχικού καναλιού στις τέσσερις κύριες συνιστώσες που προέκυψαν από την ανάλυση...55 Πίνακας 6. Τιμές συσχέτισης (Pearson) των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της παγχρωματικής εικόνας με τη μέθοδο των στιγμών Πίνακας 7. Τιμές συσχέτισης (Pearson) των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της βελτιωμένης πολυφασματικής εικόνας με τη μέθοδο των στιγμών...67 Πίνακας 8. Η επεκτεινόμενη μήτρα σφαλμάτων ταξινόμησης των κλάσεων συγκόμωσης Πίνακας 9. Η απλή μήτρα σφαλμάτων ταξινόμησης των κλάσεων συγκόμωσης Πίνακας 10. Πίνακας συνοδευτικών χαρακτηριστικών των πολυγώνων της βλάστησης

7 ΚΑΤΑΛΟΓΟΣ ΔΙΑΓΡΑΜΜΑΤΩΝ Διάγραμμα 1. Ομβροθερμικό διάγραμμα της Θάσου βασιζόμενο σε κλιματικά δεδομένα της περιόδου Διάγραμμα 2. Διάγραμμα ροής εργασιών κεφαλαίου Διάγραμμα 3. Διαγράμματα συσχέτισης των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της παγχρωματικής εικόνας Διάγραμμα 4. Διαγράμματα συσχέτισης των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της βελτιωμένης πολυφασματικής εικόνας...66 Διάγραμμα 5. Διάγραμμα ροής εργασιών κεφαλαίου Διάγραμμα 6. Απεικόνιση του νέφους σημείων της συσχέτισης μεταξύ του δείκτη βλάστησης SR και των δεδομένων αναφοράς της πολυφασματικής εικόνας. Σε κόκκινο κύκλο περικλείονται τα σημεία που αποκλίνουν σημαντικά από τα υπόλοιπα Διάγραμμα 7. Το νέφος σημείων μετά από τη διαγραφή των δύο σημείων. Η ακρίβεια του μοντέλου (R 2 ) αυξήθηκε από 0,792 σε 0, Διάγραμμα 8. Απεικονίζεται το νέφος σημείων της συσχέτισης του δείκτη βλάστησης SR με τα δεδομένα αναφοράς της συγκόμωσης, η γραμμή παλινδρόμησης, τα διαστήματα εμπιστοσύνης για 95 % πιθανότητα καθώς και τα διαστήματα πρόβλεψης...96 Διάγραμμα 9. Διάγραμμα ροής εργασιών κεφαλαίου

8 ΚΑΤΑΛΟΓΟΣ ΠΑΡΑΡΤΗΜΑΤΟΣ Πίνακας παραρτήματος 1. Πίνακας όπου συνοψίζονται μερικοί από τους πιο γνωστούς δείκτες βλάστησης Πίνακας παραρτήματος 2. Ο πίνακας χαρακτηριστικών (attribute table) των επιλεγμένων τετραγώνων για τα οποία εκτιμήθηκε η συγκόμωση με τη μέθοδο των στιγμών Πίνακας παραρτήματος 3. Το ποσοστό επιφανείας μέσα σε κάθε ζώνη του Defensible Space το οποίο καταλαμβάνεται από επιθυμητές κλάσεις και άρα πληρεί τις προδιαγραφές, για τα κτήρια με πλάκα από οπλισμένο σκυρόδεμα Πίνακας παραρτήματος 4. Το ποσοστό επιφανείας μέσα σε κάθε ζώνη του Defensible Space, το οποίο καταλαμβάνεται από επιθυμητές κλάσεις και άρα πληρεί τις προδιαγραφές για τα κτήρια με κεραμοσκεπή Διάγραμμα παραρτήματος 1. Στο διάγραμμα παρουσιάζονται σχηματικά οι τιμές συμμετοχής που θα αποδοθούν στα αντικείμενα της τμηματοποίησης για όλο το φάσμα των τιμών του δείκτη βλάστησης Simple Ratio (SR), καθώς και τον τρόπο με τον οποίο θα ταξινομηθούν τελικά σε κλάσεις ανάλογα με αυτές Διάγραμμα παραρτήματος 2. Στο διάγραμμα παρουσιάζονται σχηματικά οι τιμές συμμετοχής που θα αποδίδονταν στα αντικείμενα της τμηματοποίησης για όλο το φάσμα των τιμών του δείκτη βλάστησης Simple Ratio (SR), καθώς και τον τρόπο με τον οποίο θα ταξινομούνταν στις κλάσεις εάν χρησιμοποιούνταν τα διαστήματα πρόβλεψης αντί των διαστημάτων εμπιστοσύνης Δημοσίευση εργασίας βασισμένη στη Διατριβή, Τίτλος: Use of Remote Sensing and GIS in Forest Fire Suppression Planning EUR EN Joint Research Centre - Institute for Environment and Sustainability Proceedings of the 6th International Workshop of the EARSeL Special Interest Group on Forest Fire. Towards an Operational Use of Remote Sensing in Forest Fire Management, Editors: IOANNIS Z. GITAS and CESAR CARMONA-MORENO, Luxembourg: Office for Official Publications of the European Communities VIII, 264 pp. 16,2 x 22,9 cm. EUR - Scientific and Technical Research series - ISSN ISBN

9 ΕΥΧΑΡΙΣΤΙΕΣ Η παρούσα εργασία εκπονήθηκε στο Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος του Αριστοτέλειου Πανεπιστημίου Θεσσαλονίκης στα πλαίσια των μεταπτυχιακών μου σπουδών. Η επαγγελματική μου ιδιότητα ως Υπάλληλος του Πυροσβεστικού Σώματος, σε συνδυασμό με την ενασχόλησή μου με την επιστήμη της Τηλεπισκόπησης και των ΓΣΠ οδήγησαν στην επιλογή ενός θέματος με επιχειρησιακό πρακτικό ενδιαφέρον. Ευχαριστώ ιδιαίτερα τον επιβλέποντα της διατριβής κ. Ιωάννη Γήτα, λέκτορα του εργαστηρίου, για την πολύτιμη καθοδήγηση και ενθάρρυνση όσον αφορά την επιλογή του θέματος αλλά και για συμβουλευτικές του υποδείξεις και τον πολύτιμο χρόνο που αφιέρωσε καθ όλη τη διάρκεια των σπουδών μου. Θα ήθελα να εκφράσω επίσης τη βαθύτατη εκτίμηση και τις ευχαριστίες μου στον Καθηγητή και Διευθυντή του εργαστηρίου κ. Μιχάλη Καρτέρη που μου έδωσε την ευκαιρία να ασχοληθώ με το αντικείμενο του εργαστηρίου αλλά και στον Επίκουρο Καθηγητή κ. Αλέξανδρο Δημητρακόπουλο για τη βοήθεια του επάνω στο θέμα των δασικών πυρκαγιών. Τέλος θα ήθελα να ευχαριστήσω και όλους τους υπόλοιπους καθηγητές μου για τις γνώσεις που απέκτησα. Θα ήταν μεγάλη παράλειψη από μέρους μου να μην εκφράσω επίσης τις ευχαριστίες μου προς τους συναδέλφους μου και μέλη του εργαστηρίου, κ. Πολυχρονάκη Αναστασία, κ. Ηλιάδου Σταυρούλα, κ. Μινάκου Χαρά, κ. George Mitri, κ. Μουφλή Γιώργο και κ. Καταγή Θωμά για τη συστηματική βοήθειά τους στα διάφορα προβλήματα που προέκυψαν κατά τη διάρκεια των σπουδών μου, αλλά και κατά την εκπόνηση της μεταπτυχιακής μου διατριβής. Τέλος θα ήθελα να εκφράσω τη βαθιά μου ευγνωμοσύνη και αγάπη προς την οικογένειά μου και τη σύζυγό μου Ειρήνη για την υποστήριξη, υπομονή και την ηθική συμπαράσταση που μου παρείχαν όλα αυτά τα χρόνια. 9

10 ΠΕΡΙΛΗΨΗ Στην Ευρώπη κάθε χρόνο εκδηλώνονται περισσότερες από δασικές πυρκαγιές, προκαλώντας ζημίες σε εκτάρια δάσους και άλλων δασικών εκτάσεων, η πλειοψηφία εκ των οποίων στις Μεσογειακές χώρες όπου το κλίμα είναι θερμότερο και ξηρότερο (European Commision, 2002). Για την ελαχιστοποίηση των ζημιών που προκαλούνται από τις δασικές πυρκαγιές κάθε χώρα έχει αναπτύξει το δικό της μηχανισμό πρόληψης και καταστολής. Η αποτελεσματικότητα του μηχανισμού καταστολής εξαρτάται μεταξύ άλλων και από την ύπαρξη κατάλληλης χωρικής πληροφορίας η οποία θα αξιοποιείται κατά το σχεδιασμό της κατάσβεσης. Αν και, η Τηλεπισκόπηση και τα Γ.Σ.Π. (Γεωγραφικά Συστήματα Πληροφοριών) θεωρούνται σήμερα εργαλεία για τη συγκέντρωση αυτής της πληροφορίας, στη χώρα μας, δεν έχουν αξιοποιηθεί ακόμη όσο θα έπρεπε. Σκοπός της εργασίας είναι η δημιουργία, με τη βοήθεια της αντικειμενοστραφούς ταξινόμησης και των Γ.Σ.Π., μιας ψηφιακής βάσης δεδομένων για επιχειρησιακή χρήση σε σχέση με την συγκόμωση της βλάστησης καθώς και τη θέση και το βαθμό διακινδύνευσης των κτηρίων. Οι επιμέρους στόχοι είναι: Η αξιολόγηση ενός αριθμού δεικτών βλάστησης (Vegetation Indices) και η επιλογή αυτού που εμφανίζει την υψηλότερη συσχέτιση με τη συγκόμωση της βλάστησης, Η ανάπτυξη, με τη βοήθεια του επιλεγμένου δείκτη βλάστησης και δορυφορικών δεδομένων πολύ υψηλής ανάλυσης, ενός αντικειμενοστραφούς μοντέλου ταξινόμησης της βλάστησης και των κτηρίων με σκοπό την εξαγωγή χρήσιμης, από επιχειρησιακή άποψη, πληροφορίας, και τέλος, Η εκτίμηση του αμυντικού χώρου ( Defensible Space ) των κτηρίων. Με βάση τα αποτελέσματα που προέκυψαν από αυτή την εργασία, θα μπορούσαμε να πούμε ότι, με τη βοήθεια της αντικειμενοστραφούς ταξινόμησης και των Γ.Σ.Π. είναι δυνατή η δημιουργία μιας ψηφιακής βάσης δεδομένων ικανοποιητικής ακρίβειας, σε σχέση με τη συγκόμωση της βλάστησης, τη θέση και το βαθμό διακινδύνευσης των κτηρίων. Η πληροφορία αυτή θα μπορούσε να αποτελεί αναπόσπαστο κομμάτι των επιχειρησιακών σχεδίων που συντάσσονται κάθε χρόνο (σε επίπεδο Νομού) με σκοπό τη βελτίωση του σχεδιασμού της καταστολής των δασικών πυρκαγιών και την σωστότερη λήψη αποφάσεων κατά την κατάσβεση. 10

11 1. ΕΙΣΑΓΩΓΗ Η φωτιά κατά τους προσωκρατικούς φιλοσόφους (Ηράκλειτος) είναι ένα από τα στοιχεία της φύσης (Καϊλίδης, 1990). Σύμφωνα με τη μυθολογία, ο Προμηθέας, βλέποντας την κατάντια του ανθρώπινου γένους και την αδυναμία του απέναντι στη φύση αποφάσισε να του χαρίσει την Φωτιά. Έτσι, επισκεπτόμενος το εργαστήρι του Ήφαιστου, τοποθέτησε τη φωτιά σε ένα κούφιο καλάμι και την έδωσε κρυφά στους ανθρώπους. Ως τόπος παράδοσης της φωτιάς αναφέρεται η πόλη Σικυώνα της Πελοποννήσου. Στη συνέχεια έμαθε τους ανθρώπους να χειρίζονται τη φωτιά, να δημιουργούν εργαλεία και τους έμαθε τις Επιστήμες (που έκλεψε από την Αθηνά) και τα Γράμματα (Βικιπαίδεια, ελεύθερη εγκυκλοπαίδεια). Διαμέσου των αιώνων η φωτιά συνέβαλε σε μεγάλο βαθμό στη βελτίωση του τρόπου διαβίωσής του ανθρώπου αλλά και στην εξέλιξή του. Παρόλα αυτά η χρήση της στις μέρες μας δεν γίνεται πάντα με σοφό τρόπο. Εκατομμύρια στρέμματα δάσους και δασικών εκτάσεων παραδίδονται κάθε χρόνο στην πύρινη λαίλαπα από πρόθεση ή από αμέλεια του ανθρώπου επιφέροντας βαρύ πλήγμα στο περιβάλλον, μειώνοντας, μεταξύ άλλων συνεπειών, τη βιοποικιλότητα, εντείνοντας το φαινόμενο του θερμοκηπίου και προκαλώντας μεγάλα κοινωνικά και οικονομικά προβλήματα. Για την αντιμετώπιση αυτού του προβλήματος κάθε χώρα που πλήττεται από δασικές πυρκαγιές έχει δημιουργήσει ένα μηχανισμό πρόληψης και καταστολής με σκοπό την ελαχιστοποίηση των ζημιών. Στην Ευρώπη εκδηλώνονται κάθε χρόνο περισσότερες από δασικές πυρκαγιές, προκαλώντας ζημίες σε εκτάρια δάσους και άλλων δασικών εκτάσεων, η πλειοψηφία εκ των οποίων στις Μεσογειακές χώρες όπου το κλίμα είναι θερμότερο και ξηρότερο (European Commision, 2002). Στην Ελλάδα εκδηλώνεται μεγάλος αριθμός δασικών πυρκαγιών κατά τη θερινή κυρίως περίοδο, μερικές από τις οποίες λαμβάνουν μεγάλες διαστάσεις και επιφέρουν σοβαρές καταστροφές. Το γεγονός αυτό λειτουργεί ως μοχλός πίεσης προς την πολιτεία αλλά και ως κίνητρο προς την επιστημονική κοινότητα ώστε να αναπτυχθούν νέες τεχνικές και μέθοδοι που θα οδηγήσουν στη βελτίωση του μηχανισμού πρόληψης και καταστολής των δασικών πυρκαγιών. Η αποδοτικότητα του μηχανισμού καταστολής των δασικών πυρκαγιών εξαρτάται από ένα πλήθος παραγόντων όπως μεταξύ άλλων, από την ύπαρξη ενός συστήματος έγκαιρης ειδοποίησης, την ικανοποιητική στελέχωση των 11

12 πυροσβεστικών υπηρεσιών από ανθρώπινο δυναμικό καθώς και την ύπαρξη ενός ικανοποιητικού στόλου κατασβεστικών μέσων (οχήματα και εναέρια μέσα). Εκτός από τους παράγοντες αυτούς όμως, η σημασία των οποίων είναι αδιαμφισβήτητη, υπάρχουν και άλλοι στους οποίους έως σήμερα δεν έχει δοθεί η δέουσα βαρύτητα. Ένας από αυτούς είναι η συλλογή, αποθήκευση και επεξεργασία χωρικής πληροφορίας με σκοπό την επιχειρησιακή χρήση. Αν και τα τελευταία χρόνια έχουν αναπτυχθεί ραγδαία τα μέσα, οι μέθοδοι και οι τεχνικές που χρειάζονται για την συγκέντρωση χωρικών πληροφοριών, ελάχιστα έχουν αξιοποιηθεί έως τώρα από το Πυροσβεστικό Σώμα. Οι χάρτες που διαθέτουν οι πυροσβεστικές υπηρεσίες σήμερα είναι στην πλειονότητά τους απαρχαιωμένοι ή ακατάλληλοι για επιχειρησιακή χρήση ενώ, πλην ελάχιστων εξαιρέσεων, δεν υπάρχει διαθέσιμη χωρική πληροφορία σε ψηφιακή μορφή. Η τηλεπισκόπηση και τα ΓΣΠ (Γεωγραφικά Συστήματα Πληροφοριών) αποτελούν εργαλεία, τα οποία μπορούν να συμβάλλουν στην συγκέντρωση χωρικής πληροφορίας και στη δημιουργία ψηφιακών βάσεων δεδομένων επιχειρησιακής χρησιμότητας ανά πυροσβεστική υπηρεσία έτσι ώστε να εξασφαλίζεται η υποστήριξη λήψεως αποφάσεων κατά τη διαχείριση των δασικών πυρκαγιών. Αξίζει να αναφερθεί ότι η μεγάλη διαθεσιμότητα, στις μέρες μας, δορυφορικών δεδομένων πολύ υψηλής ανάλυσης (QuickBird, IKONOS, KOMPSAT 2, μεταξύ άλλων) διευκολύνει ακόμη περισσότερο μια τέτοια διαδικασία. Η εξάπλωση μιας δασικής πυρκαγιάς είναι συνάρτηση τριών παραγόντων οι οποίοι αποτελούν το λεγόμενο τρίγωνο της πυρκαγιάς (Countryman, 1972). Αυτοί οι τρεις παράγοντες είναι: η τοπογραφία, οι μετεωρολογικές συνθήκες και η καύσιμη ύλη. Η αποτελεσματικότητα της κατάσβεσης εξαρτάται σε μεγάλο βαθμό από τους παράγοντες αυτούς και συνεπώς θα πρέπει να λαμβάνονται υπόψη κατά τον αντιπυρικό σχεδιασμό. Ιδιαίτερη σημασία κατέχει η καύσιμη ύλη αφού αποτελεί τον μόνο μεταβαλλόμενο και ευεπηρέαστο από τον άνθρωπο παράγοντα διαμόρφωσης του κινδύνου έναρξης και διάδοσης των πυρκαγιών ενώ η κατανομή της στο χώρο επηρεάζει σε μεγάλο βαθμό την επιλογή της μεθόδου καταστολής και τον τρόπο ανάπτυξης των πυροσβεστικών δυνάμεων στα διάφορα τμήματα μιας πυρκαγιάς. Σε πολλές περιπτώσεις οι πυροσβεστικές δυνάμεις για να κατασβέσουν μια πυρκαγιά εκμεταλλεύονται τα φυσικά διάκενα ή τις επιφάνειες με χαμηλή συγκόμωση. 12

13 Λαμβάνοντας υπόψη τα παραπάνω προκύπτει ότι μία από τις βασικές πληροφορίες που θα πρέπει να έχει στη διάθεση του ο εκάστοτε επικεφαλής των κατασβεστικών δυνάμεων προκειμένου να δώσει ορθές οδηγίες και να κατανείμει σωστά το πυροσβεστικό προσωπικό στα διάφορα τμήματα της πυρκαγιάς είναι ο βαθμός συγκόμωσης της βλάστησης ή η ύπαρξη φυσικών διάκενων στην περιοχή. Η πληροφορία αυτή μπορεί να χρησιμοποιηθεί επίσης για να βρεθούν οι περιοχές οι οποίες με μικρές παρεμβάσεις μπορούν να λειτουργήσουν ως αντιπυρικές ζώνες και ως θέσεις εφαρμογής του αντιπυρός ή να εντοπιστούν θέσεις όπου μπορούν να γίνουν ξυλεύσεις από ομάδες υλοτόμων ώστε να ενωθούν φυσικά διάκενα ή κομμάτια γης με χαμηλή συγκόμωση με σκοπό τη μεγιστοποίηση της αποτελεσματικότητας των πυροσβεστικών δυνάμεων κατά την έμμεση καταστολή πυρκαγιών υψηλής θερμικής έντασης και ρυθμού εξάπλωσης. Άλλες επίσης σημαντικές πληροφορίες που θα πρέπει να έχει στη διάθεσή της η πυροσβεστική υπηρεσία είναι η θέση των κτηρίων που υπάρχουν μέσα σε δασικές εκτάσεις ή γειτνιάζουν με αυτές καθώς και ο βαθμός τρωτότητας ή διακινδύνευσής τους σε σχέση με τη βλάστηση που υπάρχει περιμετρικά, έτσι ώστε να λαμβάνονται σε κάθε περίπτωση τα κατάλληλα μέτρα για την προστασία τους. Για την απόκτηση των πληροφοριών που αναφέρθηκαν απαιτούνται δορυφορικά δεδομένα υψηλής χωρικής ανάλυσης, ενώ σημαντικά μειονεκτήματα που εμφάνιζαν παλαιότερες μέθοδοι σε σχέση με την ταξινόμηση των δεδομένων αυτών, όπως το salt-and-pepper effect (ecognition 4.0 User Guide, 2004), έχουν ξεπεραστεί με την ανάπτυξη νέων μεθόδων αντικειμενοστραφούς λογικής. Οι νέες αυτές μέθοδοι ταξινόμησης θα πρέπει να εφαρμόζονται για την απόκτηση χρήσιμης χωρικής πληροφορίας κατά τη σύνταξη των επιχειρησιακών σχεδίων, η οποία θα αξιοποιείται στη συνέχεια κατά το σχεδιασμό της κατάσβεσης των δασικών πυρκαγιών. Σκοπός της εργασίας είναι η δημιουργία, με τη βοήθεια της αντικειμενοστραφούς ταξινόμησης και των ΓΣΠ, μιας ψηφιακής βάσης δεδομένων για επιχειρησιακή χρήση σε σχέση με την συγκόμωση της βλάστησης καθώς και τη θέση και το βαθμό διακινδύνευσης των κτηρίων. Οι επιμέρους στόχοι είναι: Η αξιολόγηση ενός αριθμού δεικτών βλάστησης (Vegetation Indices) και η επιλογή αυτού που εμφανίζει την υψηλότερη συσχέτιση με τη συγκόμωση της βλάστησης, 13

14 Η ανάπτυξη, με τη βοήθεια του επιλεγμένου δείκτη βλάστησης και δορυφορικών δεδομένων πολύ υψηλής ανάλυσης, ενός αντικειμενοστραφούς μοντέλου ταξινόμησης της βλάστησης και των κτηρίων με σκοπό την εξαγωγή χρήσιμης, από επιχειρησιακή άποψη, πληροφορίας, και τέλος, Η εκτίμηση του αμυντικού χώρου ( Defensible Space ) των κτηρίων. Η εργασία αυτή ακολουθεί την παρακάτω δομή: Στο κεφάλαιο 2 της εργασίας θα γίνει ανασκόπηση της βιβλιογραφίας ώστε να περιγραφεί το πρόβλημα των δασικών πυρκαγιών στα Μεσογειακά οικοσυστήματα και να δοθούν πληροφορίες σχετικά με: τον κίνδυνο έναρξης και εξάπλωσης πυρκαγιάς, τις μεθόδους καταστολής, τους δείκτες βλάστησης που υπολογίζονται από τηλεσκοπικά δεδομένα, τη μέθοδο της αντικειμενοστραφούς ταξινόμησης τηλεσκοπικών δεδομένων και τέλος τον Αμυντικό Χώρο των κτηρίων. Στο τρίτο κεφάλαιο θα περιγραφεί η περιοχή μελέτης δίνοντας πληροφορίες για τη Γεωλογία, το Κλίμα, τη Βλάστηση και το Πυρικό Ιστορικό της, ενώ θα αναφερθούν επίσης τα δεδομένα και τα λογισμικά που θα χρησιμοποιηθούν για την πραγματοποίηση της ανάλυσης. Στο κεφάλαιο 4, το οποίο σχετίζεται με τον πρώτο στόχο της εργασίας, θα γίνει διερεύνηση της συσχέτισης ενός αριθμού δεικτών βλάστησης (που θα επιλεγούν κατά την ανασκόπηση της βιβλιογραφίας) με δεδομένα αναφοράς (reference data), σε σχέση με τη συγκόμωση της βλάστησης, τα οποία θα δημιουργηθούν με τη βοήθεια τεχνικών φωτοερμηνείας από τηλεσκοπικά δεδομένα πολύ υψηλής χωρικής διακριτικής ικανότητας, με σκοπό να επιλεγεί ο καλύτερος δείκτης. Το κεφάλαιο 5 αφορά την επίτευξη του 2 ου στόχου της εργασίας. Σε αυτό θα αναπτυχθεί ένα μοντέλο για την αντικειμενοστραφή ταξινόμηση των κτηρίων και στη συνέχεια της βλάστησης σε κλάσεις συγκόμωσης. Στο έκτο κεφάλαιο με τη βοήθεια των αποτελεσμάτων ταξινόμησης των κτηρίων και της βλάστησης, καθώς επίσης και των Γ.Σ.Π., θα γίνει εκτίμηση του Αμυντικού Χώρου των κτηρίων ώστε να εντοπιστούν τα πλέον ευάλωτα κτήρια συναρτήσει της συγκόμωσης της βλάστησης περιμετρικά από αυτά Στη συνέχεια στο κεφάλαιο 7 θα γίνει συζήτηση σχετικά με την επιχειρησιακή χρησιμότητα των αποτελεσμάτων, δηλαδή πως αυτά μπορούν να αξιοποιηθούν κατά το σχεδιασμό της καταστολής μιας πυρκαγιάς, ενώ στο 8 ο κεφάλαιο θα αναφερθούν 14

15 συνοπτικά τα συμπεράσματα που προέκυψαν από αυτή την εργασία και οραματισμοί για μελλοντικές ενέργειες στη κατεύθυνση μιας αποτελεσματικότερης καταστολής. 15

16 2. ΑΝΑΣΚΟΠΗΣΗ ΒΙΒΛΙΟΓΡΑΦΙΑΣ Στο κεφάλαιο αυτό θα γίνει ανασκόπηση της βιβλιογραφίας ώστε να δοθούν πληροφορίες σχετικά με: το πρόβλημα των δασικών πυρκαγιών στα Μεσογειακά οικοσυστήματα και τα κύρια αίτια, τους παράγοντες που επηρεάζουν τον κίνδυνο έναρξης και εξάπλωσης των δασικών πυρκαγιών με έμφαση στα καύσιμα τις κύριες μεθόδους καταστολής και τη σημασία της συγκόμωσης της βλάστησης κατά την εφαρμογή τους, τους δείκτες βλάστησης που υπολογίζονται από τηλεσκοπικά δεδομένα για την εκτίμηση χαρακτηριστικών της βλάστησης όπως η συγκόμωση, τη νέα μέθοδο αντικειμενοστραφούς ταξινόμησης τηλεσκοπικών δεδομένων, και τον Αμυντικό Χώρο (Defensible Space) των κτηρίων. Στα παρακάτω κεφάλαια οι πληροφορίες αυτές συζητιούνται εκτενέστερα. 2.1 ΜΕΣΟΓΕΙΑΚΑ ΟΙΚΟΣΥΣΤΗΜΑΤΑ ΚΑΙ ΔΑΣΙΚΕΣ ΠΥΡΚΑΓΙΕΣ Κάθε χρόνο, σε ολόκληρο τον πλανήτη, εκδηλώνεται ένας μεγάλος αριθμός δασικών πυρκαγιών με μεγαλύτερη συχνότητα κυρίως σε περιοχές που χαρακτηρίζονται από θερμά και ξερά καλοκαίρια όπως συμβαίνει στις παραμεσόγειες. Η Μεσογειακή Ζώνη έχει αναγνωριστεί από την WWF και την IUCN ως μία από τις σημαντικότερες περιοχές στον κόσμο όσον αφορά τη βιοποικιλότητα. Τα Μεσογειακά δάση βρισκόμενα στο σταυροδρόμι τριών Ηπείρων, Ευρώπης, Αφρικής και Ασίας και αποτελώντας το 1,6 % της συνολικής γήινης επιφάνειας, συνθέτονται από το 10 % των παγκόσμιων φυτικών ειδών ( είδη ή μαζί με τα υποείδη) ενώ παρουσιάζουν επίσης μία εκπληκτικά πλούσια πανίδα. Υπάρχουν ενδημικά είδη φυτών κατατάσσοντας την Μεσογειακή Ζώνη στην δεύτερη θέση, από άποψη πλήθους ενδημικών ειδών, μετά από τις τροπικές Άνδεις. Λόγω του κλίματος στη Μεσογειακή Ζώνη με τα μεγάλα, ξηρά καλοκαίρια τα Μεσογειακά Δάση χαρακτηρίζονται συχνά από φυτικά είδη των οποίων ο αναπαραγωγικός κύκλος εξαρτάται σε μεγάλο βαθμό από τη φωτιά. 16

17 Τέτοια είδη τα οποία ονομάζονται και πυρόφιλα ή πυράντοχα, αποτελούν πολλά από τα κωνοφόρα που σχηματίζουν μεγάλα δάση στα βόρεια και νότια παράλια της Μεσογείου όπως είναι κυρίως, η Χαλέπιος πεύκη (Pinus halepensis), η οποία απαντάται σε μεγάλες εκτάσεις στις ακτές της Ισπανίας, Γαλλίας, Ιταλίας Ελλάδας, Τουρκίας, Μαρόκου, Τυνησίας και Αλγερίας, και η Τραχεία πεύκη (Pinus brutia) που απαντάται περισσότερο στην Ανατολική πλευρά της Μεσογείου. Άλλα κωνοφόρα είδη είναι η Κουκουναριά (Pinus pinea), η Θαλάσσια (Pinus pinaster) και η Μαύρη πεύκη (Pinus nigra). Τα είδη αυτά χαρακτηρίζονται από φυσιολογικούς μηχανισμούς που τα συνδέουν με τη φωτιά, όπως για παράδειγμα το άνοιγμα των κώνων μετά από έκθεσή τους σε θερμότητα καθώς και η αύξηση της φυτρωτικότητας των σπόρων τους ενώ ταυτόχρονα εμφανίζουν μεγάλη περιεκτικότητα σε ρητίνη και αιθέρια έλαια, γεγονός που τα καθιστά εξαιρετικά εύφλεκτα. Άλλα είδη όπως κυρίως οι αείφυλλες σκληρόφυλλες δρύες (Quercus ilex, Quercus suber, Q. coccifera, μεταξύ άλλων) έχουν αναπτύξει άλλου είδους μορφολογικούς μηχανισμούς για να προσαρμοστούν στις πυρικές Μεσογειακές συνθήκες. Για παράδειγμα η Φελλώδης δρυς (Q. suber) έχει αναπτύξει έναν πολύ παχύ φλοιό που προστατεύει το κάμβιο από τη θερμότητα της πυρκαγιάς ενώ οι δρύες έχουν ένα μεγάλο αριθμό κοιμώμενων οφθαλμών οι οποίοι διασφαλίζουν την έκπτυξη πρεμνοβλαστημάτων ή ριζοβλαστημάτων εάν καταστραφεί ολόκληρο το υπέργειο τμήμα του φυτού. Παρόλα αυτά οι αντιπυρικοί αυτοί προσαρμοστικοί μηχανισμοί που αναφέρθηκαν δεν εξασφαλίζουν σίγουρη προστασία των φυτών εάν η συχνότητα των πυρκαγιών είναι μεγάλη. Αν και οι μικρής κλίμακας πυρκαγιές μπορούν να θεωρηθούν ως ένα μέσο ρύθμισης της φυσικής εξέλιξης των οικοσυστημάτων και της διαχείρισης των φυσικών πόρων, οι πυρκαγιές μεγάλης έκτασης και συχνότητας μπορούν να προκαλέσουν μεταξύ άλλων, καταστροφή της χλωρίδας και της πανίδας, μείωση της ικανότητας αναγέννησης της βλάστησης, μείωση της βιοποικιλότητας, διάβρωση του εδάφους και ερημοποίηση, λειψυδρία, τεράστιες οικονομικές ζημίες καθώς και απώλειες σε ανθρώπινες ζωές. Τις τελευταίες δεκαετίες παρατηρείται μία εκθετική αύξηση του αριθμού των πυρκαγιών στην Ευρωπαϊκή Μεσογειακή ζώνη (Pausas και Vallejo 1999) με το 95 % των πυρκαγιών να προκαλούνται εξαιτίας ανθρώπινης αμέλειας ή πρόθεσης. Μόνο στη Μεσογειακή Ζώνη μεταξύ των ετών 1989 και 1993, κάηκαν 2,6 εκατομμύρια εκτάρια βλάστησης που ισοδυναμούν με μία έκταση ίση με αυτή του Βελγίου. 17

18 Σήμερα στην Μεσογειακή Ζώνη εκδηλώνονται κάθε χρόνο περίπου πυρκαγιές που καταστρέφουν κατά μέσο όρο από έως εκτάρια, μια έκταση που ισοδυναμεί με αυτήν της Κρήτης ή της Κορσικής. Η αύξηση αυτή σχετίζεται, μεταξύ άλλων, με τις πρόσφατες κοινωνικοοικονομικές αλλαγές που έγιναν στις χώρες της ευρωπαϊκής Μεσογείου καθώς και με την παγκόσμια κλιματική αλλαγή (Παπανικολάου και Γήτας, 2002). Πιο συγκεκριμένα οι πρόσφατες αλλαγές στον τρόπο ζωής στις Μεσογειακές χώρες της Ευρώπης οδήγησαν στην εγκατάλειψη μεγάλου μέρους των αγροτικών εκτάσεων και αυτό είχε ως αποτέλεσμα την επανεμφάνιση της φυσικής βλάστησης και συνεπώς την αύξηση συγκέντρωσης της καύσιμης ύλης. Το γεγονός αυτό, σε συνδυασμό με την άναρχη τουριστική και οικιστική ανάπτυξη της υπαίθρου είχε αποτέλεσμα την δραματική αύξηση της συχνότητας των πυρκαγιών (Παπανικολάου και Γήτας, 2002). Άλλη σημαντική αιτία της δραματικής αυτής αύξησης του αριθμού πυρκαγιών θεωρείται, η έλλειψη ολοκληρωμένου δασικού κτηματολογίου που εγείρει πολλές φορές θέματα διεκδικήσεων με αποτέλεσμα να χρησιμοποιείται η φωτιά ως εργαλείο για τη μετατροπή της δασικής γης σε αστική. Αν και τα στατιστικά στοιχεία σε σχέση με τα αίτια των δασικών πυρκαγιών είναι ελλιπή, είναι προφανές ότι στη συντριπτική πλειοψηφία τους οφείλονται σε ανθρώπινη αμέλεια ή πρόθεση. Όπως αναφέρεται από τον Velez (1990) οι κυριότερες αιτίες εκδήλωσης πυρκαγιών στην Μεσογειακή Ζώνη είναι: Οι βοσκοί, οι οποίοι καίνε δασικές και χορτολιβαδικές εκτάσεις με σκοπό τη βόσκηση των ζώων τους στη φρέσκια βιομάζα που θα αναπτυχθεί. Όταν αυτό γίνεται χωρίς τις απαραίτητες προφυλάξεις και συμπίπτει με επικίνδυνες κλιματικές συνθήκες τότε αναπόφευκτα προκαλούνται δασικές πυρκαγιές. Στο παρελθόν οι κτηνοτρόφοι κατηγορήθηκαν ως υπεύθυνοι για το σύνολο σχεδόν των πυρκαγιών στην Μεσογειακή περιοχή, αυτό όμως θα πρέπει να θεωρείται υπερβολή. Οι γεωργοί χρησιμοποιούν την πυρκαγιά προκειμένου να κάψουν τα υπολείμματα των καλλιεργειών (καύση καλαμιάς) ή να μετατρέψουν χορτολιβαδικές ή δασικές εκτάσεις σε αγροτικές. Πολλές από αυτές τις πυρκαγιές ξεφεύγουν από τον έλεγχό τους και εξαπλώνονται στα παρακείμενα δάση και δασικές εκτάσεις. 18

19 Οι αστικοί πληθυσμοί στη Μεσογειακή περιοχή δεν αντιλαμβάνονται τον κίνδυνο πυρκαγιάς και τις αρνητικές συνέπειές της. Παρά τις εκστρατείες ενημέρωσης του πληθυσμού οι κάτοικοι των πόλεων δεν κατανοούν τον κίνδυνο ακόμη και κατά την πιο επικίνδυνη περίοδο του θέρους. Η απροσεξία καπνιστών και εκδρομέων που ανάβουν φωτιές για ψήσιμο αποτελεί την αιτία του ενός τρίτου των πυρκαγιών. Η καύση απορριμμάτων που έχουν εγκαταλειφθεί από τουρίστες χωρίς να λαμβάνονται οι απαραίτητες προφυλάξεις Πυρκαγιές που εκδηλώνονται από πρόθεση, κυρίως στη δυτική Μεσογειακή περιοχή, για λόγους εκδίκησης και διαμάχης για θέματα ιδιοκτησίας, δικαιώματα κυνηγίου ακόμη και λόγω πολιτικών επιλογών. Για παράδειγμα όταν γίνεται αναδάσωση περιοχών εις βάρος περιοχών βόσκησης ζώων ή όταν περιοχές με προηγουμένως ελεύθερη πρόσβαση κηρύσσονται προστατευόμενες ζώνες ή εθνικά πάρκα. Ως μια ακόμη αιτία αναφέρεται η προσπάθεια αλλαγής του χαρακτηρισμού της γης, όπως συμβαίνει σε περιοχές της Ιταλίας και της Ελλάδας όπου μεγάλες δασικές εκτάσεις έχουν καταστραφεί από αδίστακτους καταπατητές με σκοπό την ανοικοδόμηση. Τέλος αναφέρεται ότι ένας ολοένα αυξανόμενος αριθμός πυρκαγιών οφείλεται στο βοηθητικό προσωπικό που προσλαμβάνεται από τις πυροσβεστικές υπηρεσίες κατά τους θερινούς μήνες. Το προσωπικό αυτό αμείβεται περισσότερο όταν πραγματοποιεί κατάσβεση και υπάρχουν σύμφωνα με το FAO επιβεβαιωμένες περιπτώσεις όπου προκαλούνται πυρκαγιές με σκοπό την αύξηση των αποδοχών τους. Τα βασικά αίτια των δασικών πυρκαγιών στην Ελλάδα σύμφωνα με το Γκόφα (2001) είναι τα παρακάτω: ΠΡΟΘΕΣΗ ΕΜΠΡΗΣΜΟΣ Είναι πυρκαγιές που προκαλούνται από κακεντρέχεια και έχουν ως σκοπό την καταστροφή του δάσους από πυρομανία, από εκδίκηση ή τέλος για κάποιο όφελος, όπως γεωργική ή οικοπεδική επέκταση και τουριστική αξιοποίηση, μεταξύ άλλων. ΚΑΠΝΙΣΜΑ Καπνιστές μέσα σε δάσος προκαλούν υπό συγκεκριμένες συνθήκες θερμοκρασίας και περιεχόμενης υγρασίας των καυσίμων (< 6 %) με το πέταγμα 19

20 αναμένων τσιγάρων ή σπίρτων άθελά τους δασική πυρκαγιά (π.χ. κατασκηνωτές, ψαράδες, κυνηγοί και άλλοι). ΣΥΓΚΟΙΝΩΝΙΑΚΑ ΜΕΣΑ Σιδηροδρομικοί συρμοί κατά τη διέλευσή τους μέσα από δασικές εκτάσεις μπορούν να προκαλέσουν πυρκαγιά. καθώς επίσης σπινθήρες και θερμός άνθρακας από εξατμίσεις καταλυτικών κυρίως αυτοκινήτων, φρένα και απροσεξία ταξιδιωτών και οδηγών φορτηγών ή λεωφορείων. ΣΚΟΥΠΙΔΟΤΟΠΟΙ Η πρακτική συγκέντρωσης των απορριμμάτων σε χωματερές μέσα ή κοντά σε δασικές εκτάσεις και στη συνέχεια η καύση ή η αυτανάφλεξή τους με ζύμωση αποτελούν συχνά την αιτία εκδήλωσης πυρκαγιάς. ΚΑΤΑΣΚΗΝΩΤΕΣ Επισκέπτες των δασών που κατασκηνώνουν σε μη οργανωμένα κάμπινγκ ανάβουν φωτιές για ψήσιμο φαγητού, φωτισμό ή θέρμανση, τις οποίες εγκαταλείπουν στη συνέχεια χωρίς να τις σβήνουν με την απαιτούμενη προσοχή. ΚΕΡΑΥΝΟΙ Αποτελεί μια συνηθισμένη αιτία πυρκαγιάς κατά τη διάρκεια του καλοκαιριού, σε δάση κυρίως Τραχείας, Χαλέπιου και Μαύρης πεύκης, μετά από ηλεκτρική καταιγίδα συνοδευόμενη από βροχή ή από ξηρασία και άνεμο. ΧΡΗΣΗ ΕΡΓΑΛΕΙΩΝ ΚΑΙ ΜΗΧΑΝΩΝ Οι εκρηκτικές ύλες και τα μηχανήματα που χρησιμοποιούνται μέσα στο δάσος για τη διάνοιξη δρόμων, κορμοπλατειών, για μεταλλεύσεις, σύρση ξυλείας ή την υλοτομία και μεταφορά ξυλωδών προϊόντων, πολλές φορές προκαλούν σπινθήρες και πυρκαγιές στο δάσος. ΠΑΙΔΙΑ Η απροσεξία των παιδιών που παίζουν με σπίρτα, από αμέλεια των γονέων, κοντά ή μέσα στο δάσος, πολλές φορές είναι η αιτία εκδήλωσης πυρκαγιάς. ΑΛΛΕΣ ΑΙΤΙΕΣ Άλλες αιτίες από τις οποίες μπορεί να προκληθεί πυρκαγιά είναι μεταξύ άλλων: το κάψιμο καλαμιάς, θεριζοαλωνιστικές μηχανές, καλώδια της ΔΕΗ, σπασμένα γυάλινα μπουκάλια, καύση ξερών χόρτων, βολές του στρατού, κάπνισμα μελισσών και σιδηροδρομικά ή τροχαία ατυχήματα 20

21 2.2 ΚΑΥΣΙΜΑ ΚΑΙ ΚΙΝΔΥΝΟΣ ΕΝΑΡΞΗΣ ΚΑΙ ΕΞΑΠΛΩΣΗΣ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ Από την παραπάνω περιγραφή γίνεται φανερό ότι η δασικές πυρκαγιές έχουν πάψει σε μεγάλο βαθμό να αποτελούν ένα φυσικό, ρυθμιστικό παράγοντα της εξέλιξης των Μεσογειακών οικοσυστημάτων αφού στη συντριπτική πλειοψηφία τους οφείλονται σε ανθρωπογενή αίτια. Εκτός από την ανθρώπινη αμέλεια ή πρόθεση, ο κίνδυνος έναρξης αλλά και εξάπλωσης μιας δασικής πυρκαγιάς εξαρτάται από τους τρεις παρακάτω παράγοντες: 1. ΜΕΤΕΩΡΟΛΟΓΙΚΟΙ ΠΑΡΑΓΟΝΤΕΣ. Οι μετεωρολογικές συνθήκες (κυρίως σχετική υγρασία, άνεμος και θερμοκρασία του αέρα) επηρεάζουν την ξηρότητα των καυσίμων, η οποία συνδέεται άμεσα με την ευφλεκτικότητά τους και κατά συνέπεια με τον κίνδυνο έναρξης μιας πυρκαγιάς και τη συμπεριφορά της (Viegas et al., 1991). Ο άνεμος παίζει πολύ σημαντικό ρόλο στην εξάπλωση μιας πυρκαγιάς (Rothermel, 1972). 2. ΤΟΠΟΓΡΑΦΙΑ. Η τοπογραφία επηρεάζει τις ατμοσφαιρικές συνθήκες, την κατάσταση της βλάστησης και τη διάδοση της πυρκαγιάς και αποτελεί τον πιο σταθερό (αμετάβλητο) παράγοντα. Οι τοπογραφικές παράμετροι που επηρεάζουν το ρυθμό εξάπλωσης μιας πυρκαγιάς είναι, το υψόμετρο, η έκθεση, η κλίση και το σχήμα του ανάγλυφου (EUFIRELAB, deliverable D ). 3. ΚΑΥΣΙΜΗ ΥΛΗ. Η καύσιμη ύλη αναφέρεται σε όλο το εύφλεκτο υλικό που υπάρχει διαθέσιμο σε μια περιοχή (νεκρή και ζωντανή βιομάζα). Ο κίνδυνος έναρξης μιας πυρκαγιάς εξαρτάται σε μεγάλο βαθμό από την υγρασιακή κατάσταση των καυσίμων και από την ευφλεκτικότητά τους. Η εκτίμηση της υγρασιακής κατάστασης των καυσίμων παραδοσιακά γινόταν με τη βοήθεια μετεωρολογικών μεταβλητών, όπως η θερμοκρασία, η σχετική υγρασία και ο άνεμος ενώ τελευταία χρησιμοποιούνται μέθοδοι τηλεπισκόπησης (Εικόνα 1, Χάρτης από το ερευνητικό πρόγραμμα EUFIRELAB, Deliverable D σύμφωνα με τους CHUVIECO et al., 2004a και επεξεργασία A. CAMIA, JRC). 21

22 Εικόνα 1. Εκτίμηση της περιεχόμενης υγρασίας της ζωντανής βλάστησης των Ευρω- μεσογειακών χωρών με μεθόδους τηλεπισκόπησης (10 Αυγούστου, 2004). Διάφορες μελέτες έχουν γίνει επίσης προκειμένου να εκτιμηθεί η ευφλεκτικότητα των δασικών ειδών (μεταξύ άλλων, Dimitrakopoulos and Papaioannou, 2001, Behm et al., 2004). Άλλες μεταβλητές της βλάστησης που παίζουν σημαντικό ρόλο στην εξάπλωση μιας δασικής πυρκαγιάς, είναι η οριζόντια και κάθετη δομή, οι φυσικές και χημικές της ιδιότητες καθώς και η συνολική ποσότητα της καύσιμης ύλης, η οποία όσο μεγαλύτερη είναι, τόσο μεγαλύτερη είναι η ενέργεια που απελευθερώνεται από την καύση της. Στην πράξη βρέθηκε ότι η ένταση του μετώπου της πυρκαγιάς είναι ανάλογη με το ύψος της φλόγας (Byram, 1959). Οι τρεις έννοιες που αναφέρθηκαν είναι αναγκαίες για την κατανόηση της δασικής πυρκαγιάς και αναφέρονται από τον Countryman (1972) ως το τρίγωνο της πυρκαγιάς. Από τους παραπάνω παράγοντες διαμόρφωσης κινδύνου πυρκαγιάς είναι προφανές ότι μόνο τα καύσιμα μπορούν να τεθούν κάτω από τον έλεγχο του ανθρώπου και να διαχειριστούν κατάλληλα ώστε να μειωθεί ο κίνδυνος έναρξης και διάδοσης αλλά και να αυξηθεί η αποτελεσματικότητα της κατάσβεσης μιας δασικής πυρκαγιάς. Συνεπώς η μελέτη των καυσίμων παρουσιάζει μεγάλο ενδιαφέρον. 22

23 2.3 ΜΕΘΟΔΟΙ ΚΑΤΑΣΤΟΛΗΣ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ Για την καταστολή των δασικών πυρκαγιών εφαρμόζονται δύο μέθοδοι, η άμεση και η έμμεση. Κατά την άμεση μέθοδο οι πυροσβεστικές δυνάμεις επιτίθενται απευθείας στην πυρκαγιά σβήνοντας τις φλόγες και διαχωρίζοντας την καμένη καύσιμη ύλη από εκείνη που δεν έχει προσβληθεί ακόμη. Αντίθετα κατά την έμμεση μέθοδο η γραμμή αντιμετώπισης της πυρκαγιάς βρίσκεται μακριά από την περίμετρό της σε απόσταση που μπορεί να ποικίλλει ανάλογα με τις συνθήκες ενώ η καύσιμη ύλη μεταξύ του μετώπου και της γραμμής αντιμετώπισης καίγεται. Για να εφαρμοστεί η άμεση ή η έμμεση μέθοδος σύμφωνα με το Βορίση (2001) θα πρέπει να ισχύουν οι παρακάτω προϋποθέσεις: ΓΙΑ ΤΗΝ ΑΜΕΣΗ ΜΕΘΟΔΟ η θερμική ακτινοβολία να κυμαίνεται σε ανεκτά επίπεδα, έτσι ώστε να μπορούν οι Πυροσβέστες να εργάζονται κοντά στο μέτωπο της πυρκαγιάς, ο χρόνος κατάσβεσης να είναι μικρός, ο οποίος εκτιμάται σε σχέση με το μέγεθος της πυρκαγιάς, το είδος των καυσίμων κλπ. Η ποσότητα και πυκνότητα του καπνού να επιτρέπει την εργασία κοντά στο μέτωπο της πυρκαγιάς και Οι τοπογραφικές συνθήκες να είναι ευνοϊκές. ΓΙΑ ΤΗΝ ΕΜΜΕΣΗ ΜΕΘΟΔΟ Η θερμότητα και ο καπνός δεν επιτρέπουν στο προσωπικό να εργαστεί κοντά στην πυρκαγιά, Οι τοπογραφία και η σύνθεση της βλάστησης επιτρέπουν τη γρήγορη διάνοιξη αντιπυρικής ζώνης, Η πυρκαγιά έχει μεγάλη ταχύτητα εξάπλωσης, και Υπάρχουν φυσικά εμπόδια όπως ρυάκια, δρόμοι, αντιπυρικές ζώνες που είναι δυνατόν να χρησιμοποιηθούν. Οι τρόποι κατάσβεσης των δασικών πυρκαγιών που εφαρμόζονται είναι: Με πυροσβεστικές εγκαταστάσεις. Για να χρησιμοποιηθούν πυροσβεστικές εγκαταστάσεις θα πρέπει να υπάρχει οδικό δίκτυο κοντά στην περίμετρο την πυρκαγιάς ώστε να είναι δυνατή η πρόσβαση στα υδροφόρα οχήματα, ενώ η ταχύτητα της πυρκαγιάς θα πρέπει να είναι τέτοια ώστε να είναι δυνατή η 23

24 έγκαιρη ανάπτυξή τους. Επίσης θα πρέπει να λαμβάνεται υπόψη η υψομετρική διαφορά μεταξύ του επιθυμητού σημείου προσβολής και της κοντινότερης θέσης στάθμευσης υδροφόρου οχήματος, η οποία αποτελεί τον κύριο παράγοντα απώλειας πίεσης σε μία πυροσβεστική εγκατάσταση. Τόσο ο Wieder (2005) όσο και ο Stryker (2005) αναφέρουν ότι η απώλεια ή αύξηση πίεσης είναι ίση με psi ανά πόδι υψομετρικής διαφοράς. Εφόσον 1 πόδι (foot) είναι m συνεπάγεται ότι η αύξηση ή μείωση πίεσης λόγω υψομετρικής διαφοράς είναι 1,42 psi / m. Θα πρέπει τέλος να αναφερθεί ότι αν και θεωρητικά με πυροσβεστικές εγκαταστάσεις θα μπορούσαμε να σβήσουμε οποιαδήποτε πυρκαγιά, για την αποτελεσματική χρήση τους οι φλόγες δεν θα πρέπει να υπερβαίνουν σε ύψος το 1,5 μέτρο (Βορίσης, 2001). Με φορητά μέσα. Τα φορητά μέσα χρησιμοποιούνται από πεζοπόρα τμήματα τα οποία μπορούν να ενεργήσουν σε οποιοδήποτε σημείο της πυρκαγιάς εφόσον το επιτρέπουν τα επίπεδα της εκπεμπόμενης θερμικής ακτινοβολίας, το ανάγλυφο και η ταχύτητα εξάπλωσης της πυρκαγιάς. Τα φορητά μέσα είναι τα αλυσοπρίονα, τσάπες, φτυάρια, πριόνια, τσεκούρια, μεταλλικά φτερά, τσουγκράνες, επινώτιοι ψεκαστήρες, ακόμη και χλωρά κλαδιά. Κατάσβεση με φορητά μέσα μπορεί να εφαρμοστεί στις περιπτώσεις που το ύψος των φλογών δεν ξεπερνά το 1 μέτρο (Βορίσης, 2001). Με διάνοιξη αντιπυρικής ζώνης. Με τη διάνοιξη μιας αντιπυρικής ζώνης επιδιώκεται η διακοπή, με τεχνητό τρόπο, της συνέχειας των καυσίμων, τα οποία αποτελούν τον έναν από τους τρεις παράγοντες που συντελούν στην εξάπλωση μιας πυρκαγιάς (τρίγωνο της πυρκαγιάς, Countryman 1972). Η διάνοιξη μπορεί να γίνει είτε με φορητά μέσα (αλυσοπρίονα, τσεκούρια, πριόνια, τσάπες, φτυάρια κλπ) είτε με προωθητήρες γαιών (μπουλντόζες). Σε πολλές περιπτώσεις την διάνοιξη της αντιπυρικής ζώνης ακολουθεί κατάκαυση της βλάστησης μεταξύ αυτής και της πυρκαγιάς. Με κατάκαυση. Η κατάκαυση χρησιμοποιείται πολλές φορές κατά την έμμεση προσβολή της πυρκαγιάς. Κατά τη μέθοδο αυτή αφού επιλεγεί το κατάλληλο σημείο όπου έχουμε διακοπή της συνέχειας του καυσίμου (αντιπυρικές ζώνες ή φυσικά διάκενα), πυρπολούμε βαθμιαία σε ζώνες πλάτους 1 έως 2 μέτρων τη βλάστηση προς το μέρος της πυρκαγιάς. Θα πρέπει να βρίσκεται προσωπικό διασκορπισμένο πίσω από την αντιπυρική 24

25 ζώνη για τον έλεγχο του φαινομένου της κηλίδωσης (δημιουργία νέων εστιών από μεταφερόμενα με τον άνεμο καιόμενων υλικών) ενώ μέρος του προσωπικού ακολουθεί αυτούς που πυρπολούν για τον έλεγχο της πυρκαγιάς εάν αυτή πάρει διαστάσεις μεγαλύτερες από τις επιθυμητές (Βορίσης, 2001). Αεροπυρόσβεση. Οι χρήση εναέριων μέσων αποσκοπεί στη μείωση της έντασης της πυρκαγιάς και στο μερικό έλεγχό της υποβοηθώντας τα επίγεια τμήματα και όχι στην πλήρη κατάσβεση. Πολύ σπάνια μια δασική πυρκαγιά θα σβήσει μόνο με εναέρια μέσα. Πιο αναλυτικά η αποστολή των εναέριων μέσων σύμφωνα με το Βορίση (2001) είναι: 1. Η ελάττωση του ύψους των φλογών και της εκλυόμενης θερμότητα ώστε να μπορούν να εργαστούν τα επίγεια τμήματα κοντά στο μέτωπο της πυρκαγιάς, 2. Ο περιορισμός πυρκαγιών που ξεσπούν σε απομακρυσμένα σημεία, ώστε να μην λάβουν μεγάλες διαστάσεις μέχρι την άφιξη των επίγειων δυνάμεων, και 3. Η διάσωση προσωπικού, το οποίο έχει εγκλωβιστεί από την πυρκαγιά. Αντιπύρ. Το αντιπύρ αποτελεί ακραία ενέργεια κατάσβεσης και θα πρέπει να εφαρμόζεται με μεγάλη φειδώ και μόνο όταν δεν υπάρχει άλλος τρόπος. Απαιτείται μεγάλη εμπειρία για την εφαρμογή της και βασικής της αρχή είναι η εκμετάλλευση των θερμών ανοδικών ρευμάτων αέρα που δημιουργούνται από την πυρκαγιά. Τα στάδια που ακολουθούνται κατά την εφαρμογή του αντιπυρός όπως αναφέρονται στις διδακτικές σημειώσεις της Πυροσβεστικής Ακαδημίας (Βορίσης, 2001) είναι τα παρακάτω: 1. Επιλέγεται το κατάλληλο σημείο, στο οποίο υπάρχει διακοπή της συνέχειας της καύσιμης ύλης όπως δρόμος, αντιπυρική ζώνη κλπ. 2. Περιμένουμε μέχρι να μεταβληθεί η κατεύθυνση του αέρα. Η μεταβολή αυτή γίνεται αντιληπτή από το γεγονός ότι ενώ ο αέρας φυσά από την πλευρά του μετώπου της πυρκαγιάς, σταδιακά, λόγω της επίδρασης των θερμών ανοδικών ρευμάτων που δημιουργούνται, η έντασή του μειώνεται μέχρι μηδενισμού. 3. Τη στιγμή που ο άνεμος στο επιλεγμένο σημείο μηδενιστεί πυρπολούμε τη βλάστηση σε σημείο ή σημεία που υπάρχει συνέχεια 25

26 του καυσίμου έως το μέτωπο της πυρκαγιάς και απομακρυνόμαστε το ταχύτερο δυνατόν. 4. Λόγω των θερμών ανοδικών ρευμάτων ο άνεμος αλλάζει κατεύθυνση και η πυρκαγιά παρασύρει προς το μέρος της την πυρκαγιά ή τις πυρκαγιές που εμείς θέσαμε, 5. Οι δύο πυρκαγιές ενώνονται προκαλώντας μεγάλο ύψος φλογών και θερμική ακτινοβολία και η πυρκαγιά σβήνει 6. Τέλος ελέγχουμε το φαινόμενο της κηλίδωσης που πιθανόν να δημιουργηθεί ή τυχόν σημεία όπου μπορεί να έχουμε υπερπήδηση της διακοπής του καυσίμου από την πυρκαγιά. Από την περιγραφή των τρόπων κατάσβεσης δασικών πυρκαγιών προκύπτει ότι η αποτελεσματικότητά τους εξαρτάται σε μεγάλο βαθμό από τον παράγοντα καύσιμα. Η αποτελεσματικότητα της κατάσβεσης με πυροσβεστικές εγκαταστάσεις αλλά και η κατάσβεση με φορητά μέσα από πεζοπόρα τμήματα απαιτούν όπως προαναφέρθηκε χαμηλό ύψος φλογών (χαμηλή θερμική ακτινοβολία) και ρυθμό εξάπλωσης, παράμετροι που σχετίζονται άμεσα με την ποσότητα, το ύψος και την οριζόντια δομή των καυσίμων. Τα πεζοπόρα τμήματα εκμεταλλεύονται τα φυσικά διάκενα και της περιοχές με χαμηλή συγκόμωση προκειμένου να πραγματοποιήσουν κατάσβεση ενώ η εφαρμογή της κατάκαυσης, του αντιπυρός αλλά και η ευκολία με την οποία μπορεί να κατασκευαστεί μια αντιπυρική ζώνη σχετίζονται με την ύπαρξη σημείων όπου διακόπτεται η οριζόντια συνέχεια της καύσιμης ύλης. Αυτό συμβαίνει σε θέσεις όπου υπάρχουν φυσικά διάκενα ή όπου η συγκόμωση της βλάστησης κυμαίνεται σε χαμηλά επίπεδα. Η θέση, το μέγεθος και ο προσανατολισμός των φυσικών διάκενων αλλά και των επιφανειών με χαμηλή συγκόμωση καθορίζουν τη δυνατότητα ή τον τρόπο με τον οποίο μπορούν να αξιοποιηθούν κατά την εφαρμογή των διάφορων τρόπων κατάσβεσης και κατά συνέπεια αποτελούν πληροφορίες οι οποίες θα πρέπει να είναι γνωστές κατά το αντιπυρικό σχεδιασμό. Για την εκτίμηση παραμέτρων των καυσίμων όπως η συγκόμωση ή η ποσότητα των καυσίμων (βιομάζας) αλλά και μιας σειράς άλλων, εφαρμόζονται πλέον ως επί το πλείστον μέθοδοι τηλεπισκόπησης. Μία από τις σημαντικότερες μεθόδους που εφαρμόζονται για το σκοπό αυτό είναι η χρήση δεικτών βλάστησης για τους οποίους γίνεται λόγος παρακάτω. 26

27 2.4 ΔΕΙΚΤΕΣ ΒΛΑΣΤΗΣΗΣ Οι επιστήμονες ήδη από τη δεκαετία του 60 χρησιμοποιούν δεδομένα τηλεπισκόπησης για την εκτίμηση διαφόρων βιοφυσικών χαρακτηριστικών της βλάστησης. Σε αυτή την προσπάθεια συνέβαλλαν σε μεγάλο βαθμό οι δείκτες βλάστησης (Vegetation Indices) οι οποίοι χρησιμοποιούνται στην εκτίμηση παραμέτρων όπως ο δείκτης φυλλικής επιφάνειας (Leaf area index, LAI), το ποσοστό συγκόμωσης, η ποσότητα χλωροφύλλης, η ποσότητα πράσινης βιομάζας και η APAR (Absorbed photosynthetically active radiation) (Jensen, 2007). Τα περισσότερα από τα φυσικά υλικά παρουσιάζουν σχεδόν ίδια ανάκλαση τόσο στο κόκκινο μέρος του ηλεκτρομαγνητικού φάσματος (RED: μm) όσο και στο κοντινό υπέρυθρο (Near Infrared, NIR: μm). Εξαίρεση αποτελεί η βλάστηση η οποία παρουσιάζει ισχυρή απορρόφηση της κόκκινης ακτινοβολίας (κυρίως από τη χλωροφύλλη) και ισχυρή ανάκλαση της κοντινής υπέρυθρης (NIR). Αυτό σημαίνει ότι περιοχές με γυμνό έδαφος απεικονίζονται σχεδόν με την ίδια φωτεινότητα τόσο στο κόκκινο όσο και στο κοντινό υπέρυθρο μέρος του φάσματος ενώ η βλάστηση απεικονίζεται φωτεινή στο κοντινό υπέρυθρο και σκοτεινή στο κόκκινο. Οι περισσότεροι δείκτες βλάστησης στηρίζονται ακριβώς σε αυτή την ιδιαιτερότητα της βλάστησης, προσπαθώντας με μικρές παραλλαγές να μας δώσουν πληροφορία σχετικά με τα διάφορα βιοφυσικά χαρακτηριστικά της μεγιστοποιώντας την ακρίβεια. Ένας δείκτης βλάστησης θα πρέπει (Running et al., 1994; Huete και Justice, 1999): να παρουσιάζει μεγάλη ευαισθησία σε βιοφυσικές παραμέτρους της βλάστησης, με κατά προτίμηση γραμμική απόκριση ώστε να ανταποκρίνεται σε ένα μεγάλο εύρος συνθηκών βλάστησης και να διευκολύνει τον έλεγχο και την προσαρμογή του σε αυτές, να μειώνει εξωτερικές επιδράσεις (external effects) στα δεδομένα όπως αυτές που δημιουργούνται από τη γωνία πρόσπτωσης του Ηλίου, τη γωνία λήψης, και την ατμόσφαιρα ώστε να είναι δυνατή η χωρική και διαχρονική σύγκριση των δεδομένων, να μειώνει επίσης εσωτερικές επιδράσεις (internal effects) όπως διαφοροποιήσεις της κατάστασης κάτω από την κομοστέγη, περιλαμβάνοντας 27

28 την τοπογραφία (κλίση και έκθεση), το έδαφος καθώς και την νεκρή και ξυλώδη βλάστηση. να συσχετίζεται με πραγματικές μετρήσεις βιοφυσικών χαρακτηριστικών της βλάστησης όπως βιομάζα, ή δείκτη φυλλικής επιφάνειας ώστε να ελέγχεται η ακρίβεια και η ποιότητα του δείκτη. Υπάρχει μεγάλος αριθμός δεικτών βλάστησης. Στον πίνακα 1 του παραρτήματος παρουσιάζονται μερικοί από τους πιο κοινούς δείκτες βλάστησης. Στην εργασία αυτή θα χρησιμοποιηθούν δορυφορικά δεδομένα πολύ υψηλής χωρικής ανάλυσης από τον δορυφορικό αισθητήρα Quickbird ο οποίος καταγράφει την ανακλώμενη ακτινοβολία στο μπλε, πράσινο, κόκκινο και κοντινό υπέρυθρο τμήμα του ηλεκτρομαγνητικού φάσματος. Με βάση τα τμήματα καταγραφής του αισθητήρα και την πληροφορία που θέλουμε να εξάγουμε στη συνέχεια (που στην περίπτωσή μας είναι η συγκόμωση της βλάστησης), επιλέχθηκαν για αξιολόγηση έξι δείκτες βλάστησης. Επιπρόσθετα, με βάση τον μαθηματικό τύπο του NDVI και χρησιμοποιώντας αντί των καναλιών ΝΙR και RED τα ασυσχέτιστα κανάλια 2 και 3 που προέκυψαν έπειτα από την ανάλυση σε κύριες συνιστώσες των αρχικών δορυφορικών δεδομένων σχηματίστηκε ένας νέος «δείκτης» βλάστησης που ονομάστηκε PCNDVI (Principal Components Normalized Difference Vegetation Index). Επισημαίνεται ότι ο PCNDVI δεν αποτελεί δείκτη που μπορεί να εφαρμοστεί και σε άλλες εικόνες εκτός της χρησιμοποιούμενης σε αυτή την εργασία αφού η κύριες συνιστώσες που προκύπτουν από τη σχετική ανάλυση επηρεάζονται από την υπάρχουσα φασματική πληροφορία της εικόνας που κάθε φορά αναλύεται. Έτσι μπορεί σε διαφορετικές εικόνες οι κύριες συνιστώσες να χαρακτηρίζουν διαφορετική πληροφορία. Οι δείκτες βλάστησης που επιλέχθηκαν μαζί με τον μαθηματικό τους τύπο συνοψίζονται στον παρακάτω πίνακα και στη συνέχεια ακολουθεί περιγραφή τους. 28

29 Πίνακας 1. Οι Δείκτες βλάστησης που επιλέχτηκαν για αξιολόγηση. α/α ΔΕΙΚΤΗΣ ΒΛΑΣΤΗΣΗΣ ΜΑΘΗΜΑΤΙΚΟΣ ΤΥΠΟΣ 1 WDRVI (Wide Dynamic Range Vegetation Index) WDRVI = a * NIR a * NIR + RED RED 2 MSAVI (Modified Soil Adjusted Vegetation Index) MSAVI = 2NIR + 1 ( 2NIR + 1) 2 2 8( NIR RED) 3 NDVI (Normalized Difference Vegetation Index) NDVI = NIR NIR + RED RED NIR 4 SR (Simple Ratio) SR = RED 5 Tasseled Cap Greeness Greeness 6 TVI (Triangular Vegetation Index) TVI = 0.5 (120(NIR-GREEN))- 200 (RED-GREEN) 7 PCNDVI (Principal Components Normalized Difference Vegetation Index) PCNDVI = PC2 PC3 PC2 + PC3 Wide Dynamic Range Vegetation Index (WDRVI) Ο δείκτης αυτός αναπτύχθηκε από την Gitelson (2004) και αποτελεί μία παραλλαγή του NDVI που προσπαθεί να εξαλείψει τον κορεσμό που παθαίνει ο δείκτης αυτός σε υψηλές τιμές βιομάζας. Ενώ η ανάκλαση στην κόκκινη ακτινοβολία σε τιμές του δείκτη φυλλικής επιφάνειας (Leaf Area Index, LAI) μεγαλύτερες από 2 σταθεροποιείται, η ανάκλαση της βλάστησης στο κοντινό υπέρυθρο συνεχίζει να αυξάνει για τιμές του LAI από 2 έως 6 σύμφωνα με μετρήσεις που έγιναν σε καλλιέργειες (Gitelson, 2004). Παρόλα αυτά, αυτή η μεγαλύτερη ευαισθησία που παρουσιάζεται στο κοντινό υπέρυθρο έχει μικρή επίδραση στις τιμές του NDVI όταν η ανάκλαση σε αυτό το τμήμα του φάσματος ξεπερνά το 30% της προσπίπτουσας ακτινοβολίας. Αυτό έχει ως αποτέλεσμα να επηρεάζεται η απόκριση του NDVI σε 29

30 υψηλές τιμές βιομάζας και να επηρεάζεται η γραμμικότητα της σχέσης που τον συνδέει με αυτήν. Ο WDRVI χρησιμοποιεί μία σταθερά (a) η οποία παίρνει τιμές και αυξάνει τη συσχέτιση του δείκτη με την συγκόμωση της βλάστησης, με αποτέλεσμα να παρουσιάζει τουλάχιστον 3 φορές μεγαλύτερη ευαισθησία σε σχέση με τον NDVI για τιμές του δείκτη φυλλικής επιφάνειας από 2 έως 6. Modified Soil Adjusted Vegetation Index (MSAVI) Αναπτύχθηκε από τους Qi et al. το Ο δείκτης αυτός αποτελεί εξέλιξη του SAVI (Soil Adjusted Vegetation Index) o οποίος προσπαθεί να ελαχιστοποιήσει την επίδραση του εδάφους στην φασματική απόκριση της βλάστησης χρησιμοποιώντας έναν συντελεστή (L) στον παρονομαστή του μαθηματικού τύπου του NDVI. Ο συντελεστής αυτός, για να επιτευχθεί μεγαλύτερη ακρίβεια του SAVI, πρέπει να αλλάζει αντιστρόφως ανάλογα με την ποσότητα της βλάστησης παίρνοντας τιμές από 0, για μεγάλες τιμές συγκόμωσης, έως 1, για πολύ αραιή βλάστηση. Η συνήθης τιμή που χρησιμοποιείται είναι 0.5. Οι Qi et al. (1994) ανέπτυξαν τον MSAVI τροποποιώντας τον τύπο του SAVI λαμβάνοντας υπόψη τη μεταβλητότητα που πρέπει να έχει ο συντελεστής L. Ο MSAVI εμπεριέχει στον μαθηματικό του τύπο μία αυτορρυθμιζόμενη λειτουργία του συντελεστή L και με βάση μετρήσεις που έγιναν σε καλλιέργειες έδειξε μεγαλύτερο δυναμικό εύρος ενώ παράλληλα μείωσε την επίδραση του εδάφους στις μετρήσεις ανάκλασης της βλάστησης. Ως αποτέλεσμα θεωρήθηκε περισσότερο ευαίσθητος από τον SAVI και κατάλληλος για χρήση σε περιπτώσεις με αραιή βλάστηση όπου η επίδραση του εδάφους στην καταγραφόμενη ανάκλαση είναι μεγάλη. Normalized Difference Vegetation Index ( NDVI) Αποτελεί τον πλέον διαδεδομένο δείκτη βλάστησης και υπάρχει πλήθος μελετών που αναφέρονται σε αυτόν και αποδεικνύουν την χρησιμότητά του για την εκτίμηση της βιομάζας, του δείκτη φυλλικής επιφάνειας και άλλων φυσιολογικών και βιοφυσικών χαρακτηριστικών της βλάστησης (Tucker et al., 1985, 1986, Tucker και Sellers 1986, Running 1990, Justice et al. 1998, μεταξύ άλλων). Έχει βρεθεί ότι υπάρχει ισχυρή σχέση μεταξύ του δείκτη αυτού και της ποσότητας της ζωντανής βλάστησης ανεξάρτητα από τα είδη βλάστησης που επικρατούν σε κάθε περίπτωση 30

31 (Gamon et al., 1995) ενώ λειτουργεί μερικώς κατά των επιδράσεων της διακύμανσης της διάχυσης του φωτισμού που προκαλείται από την γωνία πρόσπτωσης της ηλιακής ακτινοβολίας (Holben et al., 1986). Παρόλα αυτά αναφέρεται από την Gitelson (2004) ότι ο NDVI παρουσίασε ευαισθησία σε αλλαγές της συγκόμωσης και του δείκτη φυλλικής επιφάνειας μόνο στην αρχή της βλαστικής περιόδου όταν η συγκόμωση κυμαίνονταν από 0 έως 40-50% και ο LAI από 0-1.2, ενώ όταν η συγκόμωση πλησίασε το 60% ο δείκτης παρουσίασε μειωμένη ευαισθησία. Σε μετρήσεις που έγιναν σε καλλιέργειες η Gitelson αναφέρει ότι ο NDVI έφτασε στο μέγιστό του σε τιμές του LAI 0.8 ενώ στη συνέχεια και για τιμές του LAI από 2 έως 6 έμεινε σχεδόν αμετάβλητος. Simple Ratio (SR) O Cohen (1991) αναφέρει σχετικά με τον SR ότι αποτελεί τον πρώτο πραγματικό δείκτη βλάστησης. Είναι ο λόγος της κοντινής υπέρυθρης ανακλώμενης ακτινοβολίας προς την ανακλώμενη κόκκινη όπως περιγράφεται από τους Birth και McVey (1968). O SR μπορεί να χρησιμοποιηθεί για την εκτίμηση της βιομάζας και του δείκτη φυλλικής επιφάνειας (LAI) και είναι ευαίσθητος ιδιαίτερα σε περιπτώσεις όπου υπάρχει πολύ βιομάζα όπως συμβαίνει στην περίπτωση των δασών (Huete et al., 2002b). O SR πολλές φορές προτιμάται από τον NDVI επειδή παρουσιάζει μεγαλύτερη ευαισθησία και γραμμικότητα σε σχέση με διάφορα χαρακτηριστικά στο έδαφος. Η τιμή του αυξάνεται χωρίς όριο όταν το ποσοστό της ανακλώμενης κόκκινης ακτινοβολίας είναι μικρό και πλησιάζει το μηδέν. Tasseled Cap Greeness Τα δεδομένα από κάθε αισθητήρα μπορούν να θεωρηθούν ως ένας πολυδιάστατος χώρος όπου κάθε μπάντα (καταγραφή ανάκλασης σε ένα τμήμα του ηλεκτρομαγνητικού φάσματος) αντιστοιχεί σε μία διάσταση. Για έναν αισθητήρα με δύο μπάντες ο φασματικός χώρος είναι ένα επίπεδο για τρεις μπάντες ένας κύβος, κ.τ.λ. Για αισθητήρες όμως με περισσότερες από τρεις μπάντες δεν μπορεί να παρουσιαστεί γραφικά ο φασματικός χώρος. Μέσα στο φασματικό χώρο υπάρχουν δομές οι οποίες αντιπροσωπεύουν χρήσιμη πληροφορία. Για έναν αισθητήρα με δύο μπάντες τα δεδομένα μπορούν να 31

32 απεικονιστούν με τη βοήθεια ενός διαγράμματος όπου στον Χ άξονα θα υπάρχουν οι τιμές της μιας και στον Υ άξονα οι τιμές της άλλης, οπότε και θα προκύψει ένα νέφος σημείων στο οποίο οι ενυπάρχουσες δομές θα είναι εύκολα αναγνωρίσιμες. Αντιθέτως σε πολυδιάστατα δεδομένα οι ενυπάρχουσες δομές δεν είναι ορατές και δεν μπορεί να εξαχθεί εύκολα η πληροφορία. Ο Tasseled Cap μετασχηματισμός περιλαμβάνει την αναγνώριση των δομών μέσα στο φασματικό χώρο για έναν αισθητήρα, αλλάζοντας τη θέση παρατήρησης (π.χ. περιστρέφοντας τους άξονες), έτσι ώστε οι δομές αυτές να μπορούν να παρατηρηθούν περισσότερο άμεσα, καθώς και τον καθορισμό της κατεύθυνσης των αξόνων σύμφωνα με την κατεύθυνση των δεδομένων μέσα στο φασματικό χώρο που αντιστοιχούν κύρια ή αποκλειστικά με μια πληροφορία (Crist και Kauth, 1986). Με τον Tasseled Cap μετασχηματισμό για τον αισθητήρα Landsat Multispectral Scanner (MSS) ο οποίος έχει τέσσερις μπάντες έχει βρεθεί ότι η φασματική απόκριση της βλάστησης και του έδαφους καταλαμβάνει, από πλευράς δομής φασματικού χώρου, ένα επίπεδο το οποίο αντιπροσωπεύει το 95% της συνολικής διακύμανσης των αρχικών δεδομένων. Σε αυτό το επίπεδο ορίστηκε ένα καινούριο χαρακτηριστικό το οποίο ονομάστηκε Brightness στην κατεύθυνση της διακύμανσης του εδάφους και ένα άλλο Greeness, κάθετο στο προηγούμενο το οποίο αντιστοιχεί στην διακύμανση της ανάκλαση της βλάστησης. Οι Crist και Kauth (1986) αναφέρουν ότι για κάθε αισθητήρα θα πρέπει η όλη διαδικασία του μετασχηματισμού να γίνεται από την αρχή. Παρόλα αυτά αναφέρεται επίσης ότι ο μετασχηματισμός τείνει να δίνει παρόμοιες δομές για αισθητήρες με ίδιες μπάντες. Στο λογισμικό ERDAS Imagine υπάρχει η δυνατότητα του Tasseled Cap μετασχηματισμού για δεδομένα του αισθητήρα IKONOS αλλά όχι και για τον QuickBird. Επειδή όμως οι δύο αυτοί αισθητήρες καταγράφουν την ανακλώμενη ακτινοβολία στα ίδια σχεδόν τμήματα του ηλεκτρομαγνητικού φάσματος θεωρήθηκε ότι θα ήταν χρήσιμο να πραγματοποιηθεί δοκιμή της μεθόδου. Triangular Vegetation Index (TVI) Ο TVI αναπτύχθηκε από τους Broge και Leblanc (2000). Ο δείκτης αυτός μας δίνει το ποσό της ενέργειας που απορροφάται από τις χρωστικές ως λειτουργία της σχετικής διαφοράς μεταξύ της κόκκινης και κοντινής υπέρυθρης ακτινοβολίας σε συνδυασμό με το ποσό ανάκλασης στο πράσινο τμήμα του φάσματος όπου η απορρόφηση της ακτινοβολίας από την χλωροφύλλη α και β είναι σχεδόν ασήμαντη. 32

33 Ο TVI ορίζεται ως το εμβαδό ενός τριγώνου στο φασματικό χώρο που ορίζεται από την ανάκλαση της πράσινης, κόκκινης και κοντινής υπέρυθρης ακτινοβολίας. Κεντρική ιδέα της ανάπτυξης του δείκτη είναι το γεγονός ότι η συνολική επιφάνεια του τριγώνου θα αυξάνει ως αποτέλεσμα της απορρόφησης της κόκκινης ακτινοβολίας από την χλωροφύλλη και της ανάκλασης της κοντινής υπέρυθρης από τους κυτταρικούς ιστούς. Principal Components Normalized Difference Vegetation Index (PCNDVI) Ο «δείκτης» αυτός σχηματίστηκε αποκλειστικά για να αξιολογηθεί σε αυτή την εργασία και συνεπώς δεν υπάρχει αντίστοιχη βιβλιογραφία. Στο κεφάλαιο αυτό αναφέρεται μόνο για λόγους πληρότητας ενώ ο τρόπος με τον οποίο σχηματίστηκε θα περιγραφεί αναλυτικά στο κεφάλαιο της αξιολόγησης των δεικτών βλάστησης, όπου θα γίνει και η διερεύνηση της συσχέτισής τους με τη συγκόμωση της βλάστησης. Διευκρινίζεται ότι αν και ο PCNDVI αναφέρεται στην εργασία ως δείκτης, δεν αποτελεί πραγματικό δείκτη βλάστησης, αλλά έναν υπολογισμό που βασίστηκε στις κύριες συνιστώσες που προέκυψαν έπειτα από τη σχετική ανάλυση (Principal Components Analysis) της πολυφασματικής εικόνας QuickBird. Οι δείκτες βλάστησης από τη στιγμή που θα βρεθεί ότι συσχετίζονται ισχυρά με κάποιες μεταβλητές της βλάστησης, όπως για παράδειγμα με τη συγκόμωση, μπορούν να αποτελέσουν χρήσιμα δεδομένα εισόδου σε νέα, ειδικά λογισμικά, τα οποία χρησιμοποιούνται για τον τεμαχισμό και ταξινόμηση εικόνων σε ομοιογενείς, ως προς κάποια χαρακτηριστικά, επιφάνειες (αντικείμενα). Τα λογισμικά αυτά χρησιμοποιούν, όπως αναφέρεται από την ορολογία, αντικειμενοστραφή λογική, ενώ η ταξινόμηση που πραγματοποιούν καλείται αντικειμενοστραφής ταξινόμηση. 33

34 2.5 ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ Οι άνθρωποι όταν χρησιμοποιούν τα μάτια τους πραγματοποιούν μία πολύπλοκη διανοητική διαδικασία. Όταν κάποιος παρατηρεί τον περίγυρό του εστιάζει σε συγκεκριμένες περιοχές οι οποίες έχουν συγκεκριμένο μέγεθος, σχήμα και χρώμα και τις αναγνωρίζει ως αντικείμενα. Για παράδειγμα στην εικόνα που ακολουθεί υπάρχει μία κόκκινη σφαιρική περιοχή η οποία αναγνωρίζεται ως ένα κόκκινο σφαιρικό αντικείμενο. Ακριβώς κάτω από αυτό υπάρχει ένα άλλο αντικείμενο το οποίο εύκολα αναγνωρίζεται ως άνθρωπος. Παρατηρώντας κάποιος τις δύο εικόνες αμέσως τις συσχετίζει μεταξύ τους. Και οι δύο εικόνες στη συνέχεια μπορούν να τοποθετηθούν μπροστά από ένα άλλο μεγάλο γαλάζιο αντικείμενο. 34

35 Τα τρία αντικείμενα συνδέονται μεταξύ τους με συγκεκριμένες σχέσεις ( κάτω από, μπροστά από ) και σε συνδυασμό με τα χαρακτηριστικά τους μας επιτρέπουν να αναγνωρίσουμε ένα παιδί που παίζει μπάλα με φόντο τον ουρανό. Αυτή η διαδικασία κατανόησης που περιγράφηκε πραγματοποιείται αυτόματα στην ανθρώπινη σκέψη συγκρίνοντας τη θέα των αντικειμένων με την υπάρχουσα γνώση στη μνήμη. 35

36 Με παρόμοιο τρόπο η αντικειμενοστραφής κατανόηση μιας εικόνας βασίζεται αρχικά στην σωστή τμηματοποίησή της χωρίζοντάς την σε κομμάτια τα οποία διαφέρουν σε κάποιο ή κάποια χαρακτηριστικά και τα οποία ονομάζονται αντικείμενα ενώ στη συνέχεια τα αντικείμενα αυτά ταξινομούνται σε κλάσεις ανάλογα με κάποιο ή κάποια χαρακτηριστικά. Για παράδειγμα σε μία εικόνα με πολλές ανθρώπινες φιγούρες και κόκκινες σφαιρικές περιοχές όπως αυτές στις παραπάνω εικόνες, ίσως αρχικά να χωρίζαμε με βάση το χρώμα την εικόνα σε αντικείμενα (μαύρες ανθρώπινες φιγούρες, κόκκινες σφαιρικές περιοχές και γαλάζιο φόντο) ενώ στη συνέχεια όσες ανθρώπινες φιγούρες θα βρίσκονταν κάτω από ένα κόκκινο σφαιρικό αντικείμενο και μέχρι μια συγκεκριμένη απόσταση από αυτό θα μπορούσαν να ταξινομηθούν ως παιδιά που παίζουν, ενώ όλες οι υπόλοιπες απλά ως ανθρώπινες φιγούρες. Κάθε ένα από τα αντικείμενα που δημιουργούνται κατά την τμηματοποίηση μιας εικόνας (segmentation) αποτελεί ένα σαφώς καθορισμένο χωρικά σύνολο εικονοστοιχείων με παρόμοια χαρακτηριστικά ενώ όλα τα αντικείμενα μιας ενέργειας τεμαχισμού (segmenatation procedure) μαζί σχηματίζουν ένα επίπεδο (image object level). Δύο ή περισσότερα επίπεδα σχηματίζουν με τη σειρά τους μια καθορισμένη ιεραρχία όπου παρόμοια αντικείμενα ενός χαμηλότερου επιπέδου συνδέονται με ένα αντικείμενο του ανώτερου επιπέδου ακολουθώντας αναγκαστικά τα όριά του (εικόνες 2 και 3). Εικόνα 2. Σχήμα του ιεραρχικού μοντέλου της αντικειμενοστραφούς ταξινόμησης. 36

37 Εικόνα 3. Απεικόνιση των επιπέδων τμηματοποίησης στη διαδικασία της αντικειμενοστραφούς ταξινόμησης. Η βασική διαφορά της αντικειμενοστραφούς ταξινόμησης σε σχέση με άλλες τεχνικές ταξινόμησης δορυφορικών δεδομένων είναι ότι αντί να ταξινομούνται τα εικονοστοιχεία (pixels) της εικόνας, η εικόνα σε πρώτη φάση τεμαχίζεται (segmentation) με βάση διάφορα κριτήρια αποσκοπώντας στη δημιουργία αντικειμένων, επιθυμητού μεγέθους και σημασίας, και στη συνέχεια τα αντικείμενα αυτά ταξινομούνται σε κλάσεις με βάση όχι μόνο τα φασματικά τους χαρακτηριστικά αλλά χρησιμοποιώντας πολλαπλά κριτήρια όπως το σχήμα, την υφή, τη θέση, την γειτνίαση των αντικειμένων και το μέγεθός τους, μεταξύ άλλων. Τέλος οι κλάσεις που προκύπτουν, είναι δυνατόν να σχηματίσουν σημαντικά,από άποψη πληροφορίας, γκρουπ. Ένα μεγάλο πλεονέκτημα των αντικειμενοστραφών μεθόδων ταξινόμησης είναι ότι μπορούν να χρησιμοποιηθούν για την ανάλυση και ταξινόμηση τηλεσκοπικών δεδομένων υψηλής ανάλυσης όπου οι κοινές μέθοδοι (pixel based) εμφανίζουν σημαντικές δυσκολίες όπως για παράδειγμα το salt-and-pepper effect (ecognition 4.0 User Guide, 2004). Επιπλέον τα αποτελέσματα της ταξινόμησης μπορούν να εξαχθούν εύκολα σε διανυσματική μορφή (vector format) και να χρησιμοποιηθούν άμεσα σε ένα ΓΣΠ για περαιτέρω επεξεργασία και αξιοποίηση. Οι Benz et al. (2003) περιγράφουν τις δυνατότητες της αντικειμενοστραφούς ταξινόμησης γενικά, όπως και τη δυνατότητα εξαγωγής έτοιμης, για χρήση στα ΓΣΠ, πληροφορίας ενώ οι Blaschke et al. (2000) εξετάζουν τη χρήση αντικειμενοστραφών μεθόδων σε περιβαλλοντικές εφαρμογές. 37

38 Λόγω των πλεονεκτημάτων που παρουσιάζουν οι αντικειμενοστραφείς μέθοδοι ταξινόμησης έχει ήδη αναπτυχθεί πλήθος εφαρμογών όπως μεταξύ άλλων, για τη χαρτογράφηση καμένων εκτάσεων (Mitri και Gitas, 2002, 2004), την χαρτογράφηση τύπων καυσίμων (Giakoumakis et al. 2002) και την εκτίμηση του κινδύνου διάβρωσης (Nobrega et al. 2006). Η χαρτογράφηση των καμένων εκτάσεων (για την περιοχή της Θάσου) βρέθηκε από τους Mitri και Gita (2004) ότι με τη βοήθεια της αντικειμενοστραφούς ταξινόμησης μπορεί να πραγματοποιηθεί με εξαιρετική ακρίβεια (98,85 %) ενώ το μοντέλο που αναπτύχθηκε εφαρμόστηκε επίσης με μεγάλη επιτυχία (ακρίβεια περίπου 96 %) σε μία άλλη καμένη έκταση στην Ισπανία. Η χαρτογράφηση με τη βοήθεια αντικειμενοστραφών μεθόδων είναι πλέον ευρέως διαδεδομένη, ενώ έχει εκτιμηθεί μεγάλος αριθμός παραμέτρων της βλάστησης και έχει εξαχθεί από εφαρμογές σχεδόν κάθε είδους χωρική πληροφορία. Παρόλα αυτά δεν αναφέρονται εφαρμογές στις οποίες η χαρτογράφηση να προορίζεται για επιχειρησιακή χρήση κατά την κατάσβεση δασικών πυρκαγιών. Σε κάθε εφαρμογή ταξινόμησης δορυφορικών δεδομένων η μεθοδολογία που ακολουθείται θα πρέπει να βρίσκεται σε αντιστοιχία με τον σκοπό για τον οποίο πρόκειται να χρησιμοποιηθούν τα αποτελέσματα της ταξινόμησης και επομένως θα πρέπει a priori να καθορίζονται το είδος και η μορφή που θέλουμε να έχει η πληροφορία που θα εξάγουμε. Συνεπώς σε καμία περίπτωση δεν θα πρέπει να θεωρηθεί πως μία ταξινόμηση δορυφορικών δεδομένων, με σκοπό την επιχειρησιακή χρήση κατά την κατάσβεση πυρκαγιών, μπορεί να ακολουθεί την ίδια μεθοδολογία με κάποια άλλη, η οποία δεν προορίζεται για το σκοπό αυτό. Ένας από τους στόχους της εργασίας αυτής είναι η αντικειμενοστραφής ταξινόμηση της βλάστησης αλλά και των κτηρίων με σκοπό το αποτέλεσμα της ταξινόμησης να αξιοποιηθεί κατά τη διαδικασία λήψης αποφάσεων στην κατάσβεση δασικών πυρκαγιών Επομένως θα πρέπει να καθοριστεί εκ των προτέρων το είδος και η μορφή της πληροφορίας που θέλουμε να εξάγουμε έτσι ώστε να μεγιστοποιήσουμε τη χρησιμότητα των αποτελεσμάτων. Μία σημαντική έννοια που σχετίζεται με τα κτήρια είναι ο βαθμός διακινδύνευσής τους (εκτίμηση του Defensible Space με βάση τα χαρακτηριστικά της βλάστησης περιμετρικά από αυτά) που μαζί με τη θέση τους αποτελούν σημαντικές πληροφορίες. Οι πληροφορίες αυτές πρέπει να είναι διαθέσιμες κατά την καταστολή των δασικών πυρκαγιών ώστε να 38

39 λαμβάνονται τα απαραίτητα μέτρα για την προστασία τους. Περιγραφή της έννοιας Defensible Space δίνεται παρακάτω 2.6 ΑΜΥΝΤΙΚΟΣ ΧΩΡΟΣ ΤΩΝ ΚΤΗΡΙΩΝ (DEFENSIBLE SPACE) Μέσα στις σημαντικότερες ζημίες που προκαλούνται από μία πυρκαγιά είναι και η καταστροφή κατοικιών ή άλλων κτηριακών εγκαταστάσεων. Δύο παράγοντες έχει διαπιστωθεί ότι επηρεάζουν την τρωτότητα των κτηρίων. Οι παράγοντες αυτοί είναι το υλικό κατασκευής της στέγης (οροφής) και ο Αμυντικός Χώρος (Dennis, 2006). Σχετικά με τον πρώτο παράγοντα, όπως είναι φυσικό, τα κτήρια με κεραμοσκεπή είναι περισσότερο ευάλωτα στην επίδραση της πυρκαγιάς σε σχέση με αυτά που φέρουν πλάκα από οπλισμένο σκυρόδεμα. Για το λόγο αυτό τα κτήρια θα πρέπει να διακρίνονται αρχικά σε δύο κατηγορίες σε σχέση με το βαθμό διακινδύνευσής τους. Ο Αμυντικός Χώρος αποτελεί χώρο καθορισμένου μεγέθους περιμετρικά ενός κτηρίου στον οποίο διακόπτεται η συνέχεια της καύσιμης ύλης και κατά συνέπεια η επέκταση της πυρκαγιάς ενώ παράλληλα συνιστά ζωτικής σημασίας αμυντικό χώρο τον οποίο μπορούν να εκμεταλλευτούν οι πυροσβεστικές δυνάμεις ώστε να πλησιάσουν και να προστατέψουν το κτήριο από την πυρκαγιά. Ο χώρος αυτός μπορεί να δημιουργηθεί είτε αποψιλώνοντας την βλάστηση είτε μειώνοντας την πυκνότητά της ή αλλιώς τη συνέχειά της τόσο οριζόντια όσο και κάθετα με αραιώσεις και κλαδεύσεις. Ο τρόπος με τον οποίο θα δημιουργηθεί εξαρτάται από το σχήμα και το μέγεθος των κτηρίων, τα υλικά κατασκευής τους, την κλίση του εδάφους και από το μέγεθος και το είδος της περιμετρικά υπάρχουσας βλάστησης. Η δημιουργία Αμυντικού Χώρου περιμετρικά των κτηρίων που γειτνιάζουν με φυσική βλάστηση ορίστηκε ως υποχρεωτική με νόμο το 2005 στην Πολιτεία της Καλιφόρνιας των Η.Π.Α. και υιοθετήθηκε από τις BOF/CDF (State Board of Forestry and Fire Protection / California Department of Forestry and Fire Protection) στις 8 Φεβρουαρίου του Επίσης έχει υιοθετηθεί και από άλλες Πολιτείες των Η.Π.Α., όπως του Κολοράντο, της Ουάσιγκτον και της Νεβάδα. Η δημιουργία του Αμυντικού Χώρου πρέπει να γίνεται σε δύο ζώνες οι οποίες περιγράφονται στη συνέχεια.: 1) Ζωνη 1 η. Είναι η ζώνη στην οποία γίνονται οι μεγαλύτερες επεμβάσεις. Αποτελεί μία περιοχή εμβέλειας 10 μέτρων περιμετρικά του κτηρίου στην οποία 39

40 απομακρύνεται το σύνολο της βλάστησης (καύσιμης ύλης). Η ζώνη αυτή μετριέται από την περίμετρο του κτηρίου ή οποιασδήποτε άλλης ευάλωτης στην πυρκαγιά πρόσθετης κατασκευής. 2) Ζώνη 2 η. Είναι η μεταβατική ζώνη μεταξύ της πρώτης ζώνης και της φυσικής βλάστησης. Σε αυτήν πραγματοποιείται μείωση της ποσότητας και πυκνότητας των καυσίμων με αραιώσεις και κλαδεύσεις. Πιο συγκεκριμένα η συνέχεια των καυσίμων διακόπτεται απομακρύνοντας νεκρά δέντρα, ξερά κλαδιά, κλαδεύοντας τα υπάρχοντα δέντρα και δημιουργώντας κατάλληλες αποστάσεις μεταξύ δέντρων και θάμνων. Εκτείνεται από τα όρια της πρώτης ζώνης έως απόστασης 30 μέτρων από το κτήριο. Κλαδεύσεις θα πρέπει να γίνονται επίσης εκατέρωθεν του δρόμου πρόσβασης του οικοπέδου μέσα στο οποίο βρίσκεται το κτήριο. Οι αποστάσεις μεταξύ των δέντρων και των θάμνων που θα πρέπει να τηρούνται εντός της ζώνης εξαρτώνται από την κλίση του εδάφους (πίνακας 2). Πίνακας 2. Οι αποστάσεις που θα πρέπει να τηρούνται μεταξύ των δέντρων και των θάμνων εντός της δεύτερης ζώνης ανάλογα με την κλίση του εδάφους. % κλίση Αποστάσεις μεταξύ των κομών των δέντρων σε μέτρα Αποστάσεις μεταξύ ομάδων θάμνων σε μέτρα 0-10 % 3 2,5 ύψη θάμνων 11-20% 4,5 3 ύψη θάμνων 21-40% 6 4 ύψη θάμνων > 40% 9 6 ύψη θάμνων Στην εικόνα 4 παρατίθεται ένα απόσπασμα από την ιστοσελίδα της CDF στο οποίο φαίνονται οι προδιαγραφές του Αμυντικού Χώρου (Defensible Space) των κτηρίων. Η τήρηση του Αμυντικού Χώρου, μερικά η ολικά, η οποία εκφράζει τον βαθμό διακινδύνευσης των κτηρίων αλλά και την ύπαρξη ή όχι ζωτικού αμυντικού χώρου περιμετρικά αυτών, αποτελεί σημαντική πληροφορία που θα πρέπει να είναι διαθέσιμη στις πυροσβεστικές δυνάμεις κατά την κατάσβεση μιας δασικής πυρκαγιάς έτσι ώστε να λαμβάνονται τα απαραίτητα μέτρα για την προστασία τους. Η εκτίμηση του Αμυντικού Χώρου για κάθε κτήριο στην περιοχή μελέτης αποτελεί έναν από τους στόχους αυτής της εργασίας 40

41 Εικόνα 4. Σχηματική απεικόνιση του Defensible Space των κτηρίων από ιστοσελίδα της CDF (California Department of Forestry and Fire Protection). Οι κυριότερες πληροφορίες αυτού του κεφαλαίου συνοψίζονται παρακάτω. 41

42 2.7 ΣΥΝΟΨΗ ΚΕΦΑΛΑΙΟΥ Ο άνθρωπος ευθύνεται για το μεγαλύτερο ποσοστό των δασικών πυρκαγιών που λαμβάνουν χώρα στα Μεσογειακά οικοσυστήματα στα οποία τα τελευταία χρόνια παρατηρείται αύξηση τόσο του αριθμού των πυρκαγιών όσο και της συνολικής ετήσιας καμένης έκτασης. Από τους τρεις κύριους παράγοντες διαμόρφωσης κινδύνου έναρξης και εξάπλωσης πυρκαγιάς (τοπογραφία, μετεωρολογικές συνθήκες, καύσιμα) τα καύσιμα αποτελούν τον μοναδικό που μπορεί να τεθεί κάτω από τον έλεγχο του ανθρώπου και να διαχειριστεί κατάλληλα ώστε να μειωθεί ο κίνδυνος έναρξης και διάδοσης αλλά και να αυξηθεί η αποτελεσματικότητα της κατάσβεσης μιας δασικής πυρκαγιάς. Συνεπώς η μελέτη των καυσίμων παρουσιάζει μεγάλο ενδιαφέρον. Οι κυριότερες μέθοδοι καταστολής δασικών πυρκαγιών είναι η άμεση και η έμμεση. Η επιλογή αλλά και η αποτελεσματικότητα της εφαρμογής τους εξαρτάται σε μεγάλο βαθμό από τον παράγοντα καύσιμα. Ένα από τα πιο ουσιώδη χαρακτηριστικά των καυσίμων είναι η συγκόμωση της βλάστησης. Οι δείκτες βλάστησης που υπολογίζονται από Τηλεσκοπικά δεδομένα χρησιμοποιούνται ευρέως για την εκτίμηση διαφόρων χαρακτηριστικών της βλάστησης, μεταξύ των οποίων και για την εκτίμηση της συγκόμωσης. Η αντικειμενοστραφής ταξινόμηση παρουσιάζει σημαντικά πλεονεκτήματα για την ταξινόμηση Τηλεσκοπικών δεδομένων πολύ υψηλής χωρικής διακριτικής ικανότητας, από τα οποία μπορεί να εξαχθεί χρήσιμη από επιχειρησιακή άποψη, πληροφορία. Επίσης αποτελεί ιδανική τεχνική αναγνώρισης ομοιογενών ως προς κάποιο χαρακτηριστικό επιφανειών, όπως για παράδειγμα η συγκόμωση της βλάστησης καθώς και αντικειμένων ενδιαφέροντος (π.χ. οικοδομήματα). Η τήρηση του Αμυντικού Χώρου (Defensible Space), μερικά η ολικά, η οποία εκφράζει τον βαθμό διακινδύνευσης των κτηρίων σε σχέση με την κατάσταση της βλάστησης περιμετρικά από αυτά, αποτελεί σημαντική πληροφορία που θα πρέπει να είναι διαθέσιμη στις πυροσβεστικές δυνάμεις κατά την κατάσβεση μιας δασικής πυρκαγιάς έτσι ώστε να λαμβάνονται τα απαραίτητα μέτρα για την προστασία τους. 42

43 3. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ Στο κεφάλαιο αυτό θα δοθούν πληροφορίες για την περιοχή μελέτης, και πιο συγκεκριμένα για: τη γεωλογία, το κλίμα, τη βλάστηση και το πυρικό ιστορικό του νησιού, ενώ θα αναφερθούν επίσης τα δεδομένα που θα χρησιμοποιηθούν καθώς και τα λογισμικά με τα οποία θα πραγματοποιηθεί στη συνέχεια η ανάλυση. Η περιοχή μελέτης αποτελεί ένα κομμάτι της Βορειοανατολικής πλευράς της Θάσου, του βορειότερου νησιού της Ελλάδας (Εικόνα 5). Εικόνα 5. Χάρτης της Ελλάδας. Με το βέλος υποδεικνύεται το νησί της Θάσου. Η έκταση του νησιού είναι 399 km 2, και η περίμετρός του περίπου 102 km. Είναι σχεδόν κυκλικό σε σχήμα, με μήκος από Βορά προς Νότο, 24 km και πλάτος 19 km. Εκτείνεται από τις 24 ο 30 μέχρι τις 24 ο 48 ανατολικά, και από τις 40 ο 33 έως τις 40 ο 49 βόρεια ενώ το μέγιστο υψόμετρο του νησιού είναι τα 1217 μέτρα. Τα κύρια δασικά είδη είναι η Τραχεία (Pinus brutia) και η Μαύρη πεύκη (Pinus nigra). Η τραχεία πεύκη αποτελεί την κυρίαρχη βλάστηση στα χαμηλότερα υψόμετρα από μέτρα, ενώ η Μαύρη πεύκη βρίσκεται σε μεγαλύτερα υψόμετρα 43

44 (Γήτας 1999). Επιπλέον κάποιοι άλλοι τύποι Μεσογειακής βλάστησης που υπάρχουν στο νησί είναι η μακία βλάστηση και τα φρύγανα. 3.1 ΓΕΩΛΟΓΙΑ ΤΗΣ ΘΑΣΟΥ Περισσότερο από το 60 % της συνολικής έκτασης της Θάσου αποτελείται από μεταμορφωσιγενείς γνεύσιους. Ασβεστόλιθοι και μάρμαρο βρίσκονται επάνω σε ένα κρυσταλλικής μορφής υπόβαθρο. Μάρμαρο υπάρχει σε αφθονία στο νησί (περίπου 25 λατομεία μαρμάρου) και για το λόγο αυτό η Θάσος αποτελεί ένα σημαντικό τόπο εξόρυξης παράγοντας κυβικά μέτρα κάθε χρόνο. Μερικά από τα λατομεία χρονολογούνται από τη Ρωμαϊκή εποχή. Στην ανατολική πλευρά του νησιού υπάρχει μία σειρά από μεταμορφωσιγενή πετρώματα, κυρίως δολομίτες, που καλύπτουν το 25 % περίπου της συνολικής επιφάνειας του νησιού. Δέκα τοις εκατό του νησιού, κατά μήκος της ακτογραμμής, κυρίως σε περιοχές με ήπια κλίση, αποτελείται από τεταρτογενείς αποθέσεις ιλύος, άμμου και χαλικιών. Το βάθος του εδάφους και η γεωλογία παίζουν σημαντικό ρόλο στο υδρολογικό σύστημα του νησιού και στη βλάστηση. Περίπου το 50 % της συνολικής έκτασης της Θάσου χαρακτηρίζεται από ρηχά εδάφη (5-10 cm) εξαιτίας του έντονου ανάγλυφου, της βόσκησης ζώων και των συχνών πυρκαγιών που προκαλούν διάβρωση του εδάφους ενώ το υπόλοιπο χαρακτηρίζεται σε ποσοστό 15 % και 35 % από γυμνά και βαθιά εδάφη αντίστοιχα. 3.2 ΚΛΙΜΑ Το κλίμα της Θάσου χαρακτηρίζεται ήπιο, με δροσερά καλοκαίρια και ήπιους χειμώνες. Η μέση ετήσια θερμοκρασία είναι 27 C o και η μέση θερμοκρασία του καλοκαιριού (Ιούλιος) 23,4 C o. Το μέσο ύψος βροχόπτωσης είναι 783,48 χιλιοστά, το 65 % των οποίων πέφτει μεταξύ Σεπτεμβρίου και Απριλίου. Δυνατοί Βόρειοι- Βορειοανατολικά άνεμοι πνέουν κάθε καλοκαίρι κυρίως τον Αύγουστο, ενώ σε μεγάλο ποσοστό (58,5 %) επικρατεί άπνοια. Η ξηροθερμική περίοδος αρχίζει τον Μάιο και κρατάει μέχρι τον Σεπτέμβριο, με τον Αύγουστο και τον Ιούλιο να είναι οι θερμότεροι μήνες του έτους. 44

45 Χρησιμοποιώντας την μέθοδο του Emberger (1971), βρέθηκε ότι η Θάσος ανήκει στην υποκλάση του Μεσογειακού κλίματος, ψυχρό-υπόυγρο (Γήτας 1999). Διάγραμμα 1. Ομβροθερμικό διάγραμμα της Θάσου βασιζόμενο σε κλιματικά δεδομένα της περιόδου Ο μετεωρολογικός σταθμός της Θάσου βρίσκεται στο επίπεδο της Θάλασσας, στην Πόλη του Λιμένα, και τα κλιματικά δεδομένα καταγράφονται από την Εθνική Μετεωρολογικά Υπηρεσία (ΕΜΥ). Στο ομβροθερμικό διάγραμμα (διάγραμμα 1) φαίνεται ένα τυπικό Μεσογειακό κλίμα με σχετικά μεγάλη μέση ετήσια βροχόπτωση (742,3 χιλιοστά) και ξηροθερμική περίοδο από Μάιο έως Σεπτέμβριο. Θα πρέπει να αναφερθεί ότι μετά από την πυρκαγιά που εκδηλώθηκε στο νησί το 1985 ακολούθησε μία ξηρή περίοδος. Κατά την περίοδο 1985 έως η συνολική ετήσια βροχόπτωση κυμαίνονταν από 288,9 έως 733,6 χιλιοστά ενώ ο μέσος όρος της περιόδου αυτής ήταν μόνο 440,4 χιλιοστά. 3.3 ΠΕΡΙΓΡΑΦΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ Πριν από τις δύο μεγάλες πυρκαγιές που εκδηλώθηκαν κατά τα έτη 1985 και 1989 τα δάση και οι δασικές εκτάσεις κάλυπταν το 47,5 % του νησιού (Γήτας 1999). Οι χρήσεις γης στο νησί ήταν κατά 25 % αγροτικές καλλιέργειες, 50 % δάση, 11 % χορτολιβαδικές εκτάσεις και μόνο 5 % αστική γη. Αξίζει να αναφερθεί ότι στο 45

46 νησί παρά το μικρό σχετικά μέγεθός του υπάρχουν 12 ενδημικά φυτικά είδη. Διάφορα είδη βλάστησης υπάρχουν στο νησί όπως μακία βλάστηση, φρύγανα και δάση τα οποία περιγράφονται παρακάτω. ΦΡΥΓΑΝΑ. Αποτελούν τον πιο χαρακτηριστικό τύπο βλάστησης στη Μεσογειακή ζώνη. Βρίσκονται σε περιοχές με χαμηλά υψόμετρα και συνθέτονται από νανώδη θαμνώδη βλάστηση με πολλά αρωματικά φυτά. Τα οικοσυστήματα αυτά αν και φαίνονται πολύ φτωχά, στην πραγματικότητα είναι πλούσια σε αριθμό και ποικιλία ειδών. Στη φρυγανώδη βλάστηση κυριαρχούν μεταξύ άλλων τα είδη: Anthylis hermanniae (αλογοθύμαρο), Sarcopoterium spinosum (στουβιά), Coridothymuw capitatus (θρούμπι), Phlomis fruticosa (ασφάκα), Cistus creticus (λαδανιά), Teucrium polium (στομαχοβότανο), Origanum heracleoticum (ρίγανη) και Helichrysum stoechas (αμάραντο). Στην Ελλάδα υπάρχουν πολλές παραλλαγές αυτής της βλάστησης εξαιτίας της βόσκησης, των πυρκαγιών, της έκθεσης, του εδάφους και της γεωλογίας. Φρύγανα όπου κυριαρχεί η λαδανιά υπάρχουν κυρίως σε χαμηλά υψόμετρα καθώς και στον υπόροφο κωνοφόρων και μεγάλης ηλικίας ελαιοκαλλιεργειών. Ο κίστος ο κρητικός (Cistus creticus) είναι το πλεόν διαδεδομένο είδος ενώ επίσης σε μεγάλη αφθονία βρίσκεται ο Κίστος ο σφακομηλόφυλλος (Cistus salvifolius). Άλλα είδη αυτής της φυτοκοινωνίας είναι η οξύκεδρος άρκευθος (Juniperus ocycedrus), η φοινικική άρκευθος (Juniperus phoenicea), η φιλλυρέα η πλατύφυλλη (Phillyrea latifolia) και η δρυς η κοκκοφόρος ή πρίνος (Quercus coccifera). Στη νότια πλευρά του νησιού στη φρυγανώδη βλάστηση κυριαρχεί το ρείκι (Erica manipuliflora) και το σπάρτο (Spartium junceum). Μία τρίτη κατηγορία φρυγάνων, που θεωρείται ως μεταβατική, προς τη μακία, βλάστηση είναι αυτή στην οποία κυριαρχεί ψηλότερη θαμνώδη βλάστηση με είδη όπως τον πρίνο (Quercus coccifera), το παλιούρι (Paliourus spina christi), τον σχοίνο (Pistacia lentiscus), την κουτσουπιά (Cercis siliquastrum) και τη λυγαριά (Vitex agnus castus). Αυτή η σύνθεση βλάστησης απαντάται σε εγκατελειμένες αναβαθμίδες, παραμελημένες ελαιοκαλλιέργειες και αδιατάρακτα δασικά διάκενα αλλά γενικά εμφανίζεται σε τοπική κλίμακα. ΜΑΚΙΑ ΒΛΑΣΤΗΣΗ. Αποτελείται από ψηλές θαμνώδεις φυτοκοινότητες και αποτελεί ένα μεταβατικό στάδιο προς την υψηλή φυλλοβόλο βλάστηση. Σε πολλά σημεία του νησιού υπάρχουν μικρές επιφάνειες με μακία βλάστηση ανάλογα με το βαθμό σκίανσης, την υγρασία του εδάφους και τη γεωλογία αλλά σε μεγάλη έκταση 46

47 μακία βλάστηση υπάρχει κυρίως στην κοιλάδα μεταξύ των οικισμός του Πρίνου και του Μεγάλου Καζαβίτι, όπου η Κρανιά η αρσενική (Cornus mas) είναι ένα από τα είδη που ξεχωρίζουν, καθώς και στην περιοχή κάτω από τις Μαριές όπου ξεχωρίζει ο ανατολικός Πλάτανος (Platanus orientalis). Τα φρύγανα λαδανιάς και η μακία βλάστηση αποτελούν τις πιο κοινές φυτοκοινότητες της Θάσου με την πρώτη να κερδίζει έδαφος σε περιοχές με χαμηλό υψόμετρο όπου καταστράφηκαν τα κωνοφόρα από τις πυρκαγιές (Karteris et al. 1992). ΔΑΣΗ. Πριν από την πυρκαγιά του 1984, μία από τις τρεις μεγάλες πυρκαγιές που έπληξαν το νησί μεταξύ 1984 και 1989, το 47,5 % του νησιού καλυπτόταν από δάσος. Μετά από τις πυρκαγιές του 1984 και 1985, τα δάση κάλυπταν 37,5 % του νησιού (Μακέδος 1987). Σήμερα ως αποτέλεσμα των πυρκαγιών, της παράνομης υλοτομίας, της έντονης βόσκησης και της κακής διαχείρισης έχει μείνει δάσος μόνο σε έκταση 2000 εκταρίων στο Βόρειο και Ανατολικό τμήμα του νησιού. Η Τραχεία πεύκη (Pinus brutia) ήταν το κυρίαρχο είδος στα υψόμετρα από 0 έως 800 μέτρα, ενώ η Χαλέπιος (Pinus halepensis) σε μεγαλύτερα. Αξίζει να αναφερθεί ότι η Τραχεία πεύκη είναι καλά προσαρμοσμένη στο Μεσογειακό κλίμα και μπορεί να αντέξει παρατεταμένη ξηρασία καθώς και την απουσία θερινής βροχόπτωσης (Γήτας 1999). Η τραχεία πεύκη χαρακτηρίζεται ως πυρόφυλλο είδος αφού, ενώ αρχικά από μία πυρκαγιά καταστρέφονται σχεδόν όλα τα δέντρα, στη συνέχεια δημιουργείται πυκνή αναγέννηση από τη φύτρωση των σπόρων οι οποίοι μένουν άθικτοι μέσα στους κώνους. Μετά από την επίδραση της θερμότητας αυτό που συμβαίνει είναι να ανοίγουν οι κώνοι και να διασκορπίζονται οι σπόροι παντού. 3.4 ΠΥΡΚΑΓΙΕΣ Το 50 % των πυρκαγιών στη Θάσο προκαλούνται από κεραυνούς αν και οι πυρκαγιές αυτές δεν δημιουργούν σοβαρά προβλήματα (Makedos 1987). Σύμφωνα με στοιχεία της δασικής υπηρεσίας οι μεγαλύτερες πυρκαγιές του 20 ου αιώνα συνέβησαν κατά τα έτη: 1928 (1.500 εκτάρια), 1938 (1.700), 1945 (700), 1984 (1.669), 1985 (10.405), 1989 (8.401) και το 2000 (187). Μεταξύ του 1980 και 1990 υπήρξε μεγάλη αύξηση τόσο του αριθμού πυρκαγιών όσο και της συνολικής καμένης έκτασης. Η μεγαλύτερες πυρκαγιές συνέβησαν κατά την περίοδο αυτή και κατέστρεψαν εκτάρια δάσους Τραχείας και Μαύρης πεύκης που συνιστούν επιφάνεια μεγαλύτερη 47

48 από τη μισή έκταση του νησιού. Στην εικόνα 6 φαίνεται η έκταση που κάηκε από τις πυρκαγιές 1984, 1985, 1989 και ± 0 Meters ΥΠΟΜΝΗΜΑ ΠΥΡΚΑΓΙΕΣ Έτος Εικόνα 6. Απεικονίζονται οι περιοχές που καήκαν από τις πυρκαγιές του 1984, 1985, 1989 και Η Θάσος αποτελεί ένα τυπικό πυρόπληκτο Μεσογειακό οικοσύστημα και επομένως συνιστά ιδανική περιοχή μελέτης για την εφαρμογή μεθόδων τηλεπισκόπησης και ΓΣΠ με σκοπό την απόκτηση χρήσιμης χωρικής πληροφορίας, η οποία θα αξιοποιείται κατά την κατάσβεση δασικών πυρκαγιών. 48

49 3.5 ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ, ΔΕΔΟΜΕΝΑ ΚΑΙ ΛΟΓΙΣΜΙΚΑ Στην εικόνα 7 απεικονίζεται η περιοχή μελέτης. Η περιοχή που περικλείεται με κίτρινο πλαίσιο αποτελεί την τελική περιοχή μελέτης, ενώ η εικόνα στο σύνολό της την αρχική. Ο λόγος μείωσης της έκτασης της περιοχής μελέτης θα αιτιολογηθεί κατά την παρουσίαση της μεθοδολογίας ± : Περιοχή μελέτης Εικόνα 7 Αρχική και τελική περιοχή μελέτης. Για την πραγματοποίηση της εργασίας χρησιμοποιήθηκαν, μία πολυφασματική και η αντίστοιχη πανχρωματική εικόνα από τον δορυφορικό αισθητήρα Quickbird με χρόνο λήψης την 26 Οκτωβρίου 2004 και μέγεθος εικονοστοιχείου 2 μέτρα και 0.6 μέτρα αντίστοιχα. Τα διαστήματα του ηλεκτρομαγνητικού φάσματος από τα οποία καταγράφεται η ανάκλαση τόσο για την πολυφασματική όσο και για την πανχρωματική εικόνα φαίνονται στον παρακάτω πίνακα. 49

50 Πίνακας 3. Τμήματα καταγραφής ανάκλασης του ηλεκτρομαγνητικού φάσματος από τον δορυφόρο QuickBird. ΠΑΝΧΡΩΜΑΤΙΚΗ ΠΟΛΥΦΑΣΜΑΤΙΚΗ Ασπρόμαυρη: Από 445 έως 900 nm Μπλε: 450 έως 520 nm Πράσινο: 520 έως 600 nm Κόκκινο: 630 έως 690 nm Κοντινό υπέρυθρο: 760 έως 900 nm Η ταξινόμηση και επεξεργασία της χωρικής πληροφορίας έγινε με τη βοήθεια των λογισμικών ERDAS IMAGINE 8.7, DEFINIENS 5.0, ArcGIS 9.2, ArcView 3.3 ενώ η στατιστική ανάλυση με το λογισμικό SPSS

51 4. ΔΙΕΡΕΥΝΗΣΗ ΣΥΣΧΕΤΙΣΗΣ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΚΑΙ ΕΠΙΛΟΓΗ ΤΟΥ ΚΑΛΥΤΕΡΟΥ Σε αυτό το κεφάλαιο θα πραγματοποιηθεί η διερεύνηση της συσχέτισης των δεικτών βλάστησης (που επιλέχθηκαν κατά την ανασκόπηση της βιβλιογραφίας) με τη συγκόμωση της βλάστησης, με σκοπό να επιλεγεί ο καλύτερος, πράγμα που αποτελεί τον πρώτο από τους στόχους που τέθηκαν σε αυτή την εργασία. Ο καλύτερος δείκτης που θα προκύψει θα χρησιμοποιηθεί στη συνέχεια (κεφάλαιο 5) για την αντικειμενοστραφή ταξινόμηση της βλάστησης σε κλάσεις συγκόμωσης. Η ροή των εργασιών αυτού του κεφαλαίου φαίνεται στο διάγραμμα 2. Υπολογισμός των δεικτών βλάστησης με το λογισμικό Erdas Imagine Δημιουργία δεδομένων αναφοράς (reference data) σε σχέση με τη συγκόμωση της βλάστησης με μεθόδους φωτοερμηνείας και χρήση των λογισμικών Definiens 5.0 και ArcGIS 9.2 Χρησιμοποιώντας ως υπόβαθρο την παγχρωματική εικόνα QuickBird Χρησιμοποιώντας ως υπόβαθρο τη βελτιωμένη πολυφασματική εικόνα QuickBird (resolution merge) Διερεύνηση συσχέτισης των δεικτών βλάστησης με τα δεδομένα αναφοράς που προέκυψαν από την φωτοερμηνεία της παγχρωματικής και βελτιωμένης πολυφασματικής εικόνας Επιλογή του καλύτερου δείκτη για χρήση του κατά την αντικειμενοστραφή ταξινόμηση της βλάστησης σε κλάσεις συγκόμωσης (κεφάλαιο 5) Διάγραμμα 2. Διάγραμμα ροής εργασιών κεφαλαίου 4. 51

52 4.1 ΥΠΟΛΟΓΙΣΜΟΣ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ Η συγκόμωση της βλάστησης αποτελεί χρήσιμη από επιχειρησιακή άποψη πληροφορία επηρεάζοντας σε μεγάλο βαθμό τη μέθοδο που επιλέγεται κάθε φορά για την καταστολή μιας δασικής πυρκαγιάς. Οι επιφάνειες που στερούνται βλάστησης ή που παρουσιάζουν χαμηλή συγκόμωση μπορούν να αξιοποιηθούν κατά την εφαρμογή τόσο της άμεσης όσο και της έμμεσης μεθόδου καταστολής. Γνωρίζοντας την κατανομή των ομοιογενών, ως προς το βαθμό συγκόμωσης, επιφανειών ο επικεφαλής των πυροσβεστικών δυνάμεων μπορεί να επιλέξει τη σωστή μέθοδο καταστολής (άμεση, έμμεση ή εφαρμογή και των δύο σε διαφορετικά σημεία του μετώπου) και να κατανείμει τις πυροσβεστικές δυνάμεις αναλόγως. Η τηλεπισκόπηση και τα Γ.Σ.Π. αποτελούν εργαλεία συλλογής, αποθήκευσης και επεξεργασίας χωρικής πληροφορίας ενώ οι νέες αντικειμενοστραφείς μέθοδοι ταξινόμησης μπορούν να χρησιμοποιηθούν για την διαίρεση (κατακερματισμό) μιας δορυφορικής εικόνας σε ομοιογενή, ως προς μία επιθυμητή παράμετρο, τμήματα. Η παράμετρος που μας ενδιαφέρει στην περίπτωσή μας, όπως αναφέρθηκε και παραπάνω, είναι ο βαθμός συγκόμωσης της βλάστησης. Προκειμένου λοιπόν να αναπτυχθεί ένα μοντέλο αντικειμενοστραφούς ταξινόμησης θεωρήθηκε σκόπιμο πρώτα από όλα να βρεθεί ένας δείκτης βλάστησης υπολογιζόμενος από τα τηλεσκοπικά δεδομένα του QuickBird, ο οποίος να εμφανίζει την υψηλότερη, σε σχέση με άλλους δείκτες, συσχέτιση με την συγκόμωση της βλάστησης. Οι δείκτες που επιλέχθηκαν για αξιολόγηση όπως αναφέρθηκε κατά την ανασκόπηση της βιβλιογραφίας είναι οι: 1. WDRVI (Wide Dynamic Range Vegetation Index), 2. MSAVI (Modified Soil Adjusted Vegetation Index), 3. NDVI (Normalized Difference Vegetation Index), 4. SR (Simple Ratio), 5. Tasseled Cap Greeness, και 6. TVI (Triangular Vegetation Index) Εκτός από τους παραπάνω δείκτες βλάστησης, σχηματίστηκε και ένας καινούριος «δείκτης» που ονομάστηκε PCNDVI (Principal Components Normalized Difference Vegetation Index). Ο δείκτης αυτός σχηματίστηκε χρησιμοποιώντας τον μαθηματικό τύπο ενός ευρέως διαδεδομένου δείκτη βλάστησης (NDVI) και τοποθετώντας σε αυτόν, αντί των καναλιών NIR και RED, τις κύριες 52

53 συνιστώσες 2 και 3 αντίστοιχα, που προέκυψαν μετά από την ανάλυση σε κύριες συνιστώσες τις αρχικής πολυφασματικής εικόνας Quickbird. Όλοι οι δείκτες βλάστησης που αναφέρθηκαν υπολογίστηκαν με τη βοήθεια του Spatial Modeler του λογισμικού Erdas Imagine 8.7 και το αποτέλεσμα του υπολογισμού τους απεικονίζεται στις εικόνες που ακολουθούν (εικόνα 8). Η εικόνα του NDVI παρατίθεται παρακάτω μαζί με αυτή του PCNDVI για τον οποίο γίνεται λόγος στη συνέχεια (εικόνες 9 και 10). Wide Dynamic Range Vegetation Index (WDRVI) Modified Soil Adjusted Vegetation Index (MSAVI) Simple Ratio (SR) Tasselled Cap Greeness. 53

54 Triangular Vegetation Index (TVI) Εικόνα 8. Εικόνες των υπολογιζόμενων δεικτών βλάστησης. Σε μία πολυφασματική δορυφορική εικόνα όπως αυτή του QuickBird τα γειτονικά, φασματικά, κανάλια καταγραφής παρουσιάζουν συχνά υψηλή συσχέτιση. Τα κανάλια του οπτικού φάσματος συσχετίζονται θετικά μεταξύ τους ενώ το κοντινό υπέρυθρο κανάλι συσχετίζεται αρνητικά με αυτά. Αυτό συμβαίνει γιατί όσο αυξάνει η ποσότητα της βλάστησης τόσο μειώνεται η ανακλώμενη κόκκινη ακτινοβολία και παράλληλα αυξάνεται η κοντινή υπέρυθρη. Η παρουσία συσχέτισης στα δεδομένα υποδηλώνει ότι υπάρχει πλεόνασμα πληροφορίας, δηλαδή ότι κάποια μορφή πληροφορίας επαναλαμβάνεται στα δεδομένα. Για το λόγο αυτό εφαρμόζονται διάφορες τεχνικές, όπως η ανάλυση σε κύριες συνιστώσες, με τις οποίες από τα αρχικά συσχετιζόμενα μεταξύ τους κανάλια, προκύπτουν καινούρια ασυσχέτιστα. Τα νέα αυτά κανάλια ή αλλιώς μπάντες ταξινομούνται κατά φθίνουσα σειρά, σε σχέση με το ποσοστό της διακύμανσης των δεδομένων που εξηγούν, και εφόσον είναι ασυσχέτιστα μεταξύ τους κάθε ένα από αυτά μεταφέρει και μια καινούρια πληροφορία. Με τη βοήθεια του λογισμικού EDRAS Imagine 8.7, πραγματοποιήθηκε η ανάλυση σε κύριες συνιστώσες της αρχικής τετρακάναλης εικόνας QuickBird με σκοπό να ελεγχθεί εάν κάποια από τις κύριες συνιστώσες που θα προέκυπταν συσχετιζόταν σημαντικά με την ποσότητα της βλάστησης. Από την ανάλυση προέκυψαν 4 νέα κανάλια. Στους πίνακες που ακολουθούν (πίνακες 4 και 5) φαίνονται οι ιδιοτιμές και το ποσοστό της διακύμανσης που ερμηνεύεται από κάθε 54

55 κύρια συνιστώσα καθώς και η συνεισφορά κάθε αρχικού καναλιού (μπάντας) σε κάθε μία από τις τέσσερις κύριες συνιστώσες που προέκυψαν. Πίνακας 4. Oι ιδιοτιμές και το ποσοστό της συνολικής διακύμανσης που ερμηνεύεται από κάθε κύρια συνιστώσα. Κύριες συνιστώσες Ιδιοτιμές Ποσοστό (%) της διακύμανσης που ερμηνεύεται Αθροιστικό ποσοστό (%) της διακύμανσης που ερμηνεύεται PC PC PC PC Πίνακας 5. Η συνεισφορά κάθε αρχικού καναλιού στις τέσσερις κύριες συνιστώσες που προέκυψαν από την ανάλυση. PC1 PC2 PC3 PC4 band1 (blue) band2 (green) band3 (red) band4 (nir) Ύστερα από οπτικό έλεγχο διαπιστώθηκε ότι η λαμπρότητα της εικόνας της δεύτερης (PC2) κύριας συνιστώσας παρουσίαζε μεταβολή ανάλογη με τη ποσότητα της βλάστησης, ενώ της τρίτης κύριας συνιστώσας (PC3) αντιστρόφως ανάλογη. 55

56 Ουσιαστικά η PC2 παρουσίαζε λειτουργικά ομοιότητες με την αρχική μπάντα του κοντινού υπέρυθρου ενώ η PC3 με αυτήν του κόκκινου καναλιού παρουσιάζοντας επιπλέον το πλεονέκτημα ότι ήταν ασυσχέτιστες. Έπειτα από αυτήν την παρατήρηση θεωρήθηκε σκόπιμο να χρησιμοποιηθεί ο μαθηματικός τύπος ενός ευρέως διαδεδομένου δείκτη βλάστησης, που σε αυτήν την περίπτωση επιλέχθηκε ο NDVI και αντί των καναλιών NIR και RED της αρχικής εικόνας QuickBird να χρησιμοποιηθούν αντίστοιχα οι PC2 και PC3. Με τον τύπο λοιπόν PCNDVI = PC2 PC3 PC2 + PC3 και χρησιμοποιώντας τον SPATIAL MODELER του λογισμικού ERDAS IMAGINE 8.7 προέκυψε η παρακάτω εικόνα (εικόνα 9), ενώ κάτω από αυτήν παρατίθεται η εικόνα του NDVI για λόγους οπτικής σύγκρισης (εικόνα 10). Συγκρίνοντας τις δύο εικόνες οπτικά διαπιστώνουμε ότι εμφανίζουν παρόμοιες διακυμάνσεις της λαμπρότητας στα διάφορα τμήματά τους. Για το λόγο αυτό η εικόνα PCNDVI κρίθηκε ικανοποιητική και επιλέχθηκε για περαιτέρω ανάλυση. 56

57 Εικόνα 9. Η εικόνα του PCNDVI. Εικόνα 10. Η εικόνα του NDVI. 57

58 4.2 ΔΗΜΙΟΥΡΓΙΑ ΔΕΔΟΜΕΝΩΝ ΑΝΑΦΟΡΑΣ (REFERENCE DATA) ΣΧΕΤΙΚΑ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ Ένα από τα σημαντικότερα προβλήματα στη διερεύνηση της συσχέτισης δεικτών βλάστησης με παραμέτρους της βλάστησης είναι η έλλειψη δεδομένων αναφοράς που να έχουν παρθεί στον κατάλληλο χρόνο (να συμπίπτει χρονικά η λήψη τους, με τη λήψη της δορυφορικής εικόνας) τηρώντας όλες τις προϋποθέσεις και αρχές της δειγματοληψίας. Για την απόκτηση δεδομένων συγκόμωσης της βλάστησης τις περισσότερες φορές χρησιμοποιούνται είτε μέθοδοι καταγραφής στο πεδίο με οπτική εκτίμηση και με τη βοήθεια συσκευών εντοπισμού θέσης (GPS), είτε μέθοδοι φωτοερμηνείας. Σχετικά με τις μεθόδους φωτοερμηνείας ο Καρτέρης (1990) αναφέρει ότι ο βαθμός συγκόμωσης μπορεί να προσδιοριστεί με τέσσερις μεθόδους: με οπτική εκτίμηση χωρίς οδηγό ή κλίμακα πυκνότητας κόμης με οπτική εκτίμηση αλλά με τη βοήθεια οδηγού ή κλίμακας πυκνότητας κόμης με τη φανταστική μετατόπιση και σύμπτυξη των δένδρων, και με τη χρησιμοποίηση δικτύου στιγμών Από τις μεθόδους αυτές αναφέρεται ότι η πλέον αντικειμενική είναι αυτή του δικτύου στιγμών αλλά μειονεκτεί στο ότι χρειάζεται πάρα πολύ χρόνος για την εκτέλεσή της και για το λόγο αυτό δε χρησιμοποιείται συχνά. Οι Congalton και Green (1999) αναφέρουν σχετικά ότι η συγκόμωση είναι μία από τις δυσκολότερες, στην εκτίμησή τους, παραμέτρους. Πιο συγκεκριμένα οι προαναφερόμενοι ερευνητές αναφέρουν ότι υπάρχει μεγάλη διακύμανση στην εκτίμηση της συγκόμωσης από έναν παρατηρητή επάνω σε αεροφωτογραφίες ενώ η επικύρωση εκτιμήσεων της συγκόμωσης από φωτοερμηνεία με χρήση δεδομένων που έχουν ληφθεί στο πεδίο είναι προβληματική αφού οι εκτιμήσεις της συγκόμωσης που γίνονται στο έδαφος κάτω από την κομοστέγη διαφέρουν σημαντικά με τις εκτιμήσεις που προκύπτουν όταν η θέση παρατήρησης βρίσκεται επάνω από αυτήν. Οι επίγειες εκτιμήσεις μπορεί να συμπεριλαμβάνουν τη συγκόμωση θάμνων ή και μικρών δένδρων τα οποίο όμως μπορεί να μην είναι ορατά από τηλεσκοπικά δεδομένα, δηλαδή από αεροφωτογραφίες ή δορυφορικές εικόνες. Επομένως η δυσκολία είναι μεγάλη όταν πρόκειται να συσχετιστούν δεδομένα τηλεπισκόπησης με δεδομένα συγκόμωσης που έχουν συλλεγεί στο πεδίο. Εκτός των προβλημάτων που αναφέρθηκαν υπάρχει και πλήθος άλλων όπως: 58

59 το μεγάλο κόστος και βαθμός δυσκολίας για τη συλλογή σχετικών δεδομένων στο πεδίο, η χρονική ταύτιση της λήψης των δεδομένων αναφοράς στο πεδίο και της λήψης της δορυφορικής εικόνας, η ακριβής χωρική μεταφορά των δειγματοληπτικών επιφανειών επάνω στα τηλεσκοπικά δεδομένα, η τήρηση των αρχών της αντικειμενικότητας και της αμεροληψίας του δείγματος όταν γίνεται η συλλογή των δεδομένων συγκόμωσης στο πεδίο η δυσκολία εκτίμησης της συγκόμωσης από το έδαφος κάτω από την κομοστέγη (μεγάλο σφάλμα εκτίμησης) Οι δυσκολίες αυτές αναφέρονται από τους Congalton και Green (1999) και από τον McCoy (2005). Για να ελεγχθεί η συσχέτιση δεικτών βλάστησης με τη συγκόμωση της βλάστησης χρειάζονται αξιόπιστα δεδομένα αναφοράς τα οποία στην περίπτωση αυτή δεν υπήρχαν. Ως αποτέλεσμα ακολουθήθηκε η μεθοδολογία που παρουσιάζεται παρακάτω προκειμένου να αντιμετωπιστούν ως ένα βαθμό τα προβλήματα που αναφέρθηκαν και να δημιουργηθούν όσο το δυνατόν περισσότερο αξιόπιστα δεδομένα αναφοράς αξιοποιώντας τις δυνατότητες των λογισμικών DEFINIENS 5.0 και ArcGIS 9.2. Η παγχρωματική δορυφορική εικόνα του QuickBird έχει μέγεθος εικονοστοιχείου 0,6 μέτρα και συνεπώς οι κόμες των δένδρων είναι ορατές. Επομένως, θεωρήθηκε ότι μπορούν να χρησιμοποιηθούν επάνω σε αυτήν οι μέθοδοι φωτοερμηνείας που προαναφέρθηκαν. Από αυτές επιλέχθηκε, ως η πλέον αντικειμενική, η μέθοδος των στιγμών. Είναι γνωστό ότι στο λογισμικό DEFINIENS 5.0 είναι δυνατή η διαίρεση μιας εικόνας σε τετραγωνικά τμήματα ενός επιθυμητού μεγέθους. Με βάση τη δυνατότητα αυτή εισήχθησαν στο λογισμικό οι εικόνες όλων των δεικτών βλάστησης που υπολογίστηκαν καθώς και η πολυφασματική εικόνα του QuickBird και στη συνέχεια με scale parameter ίσο με 10 πραγματοποιήθηκε η διαίρεση της εικόνας (chessboard segmentation) σε τετραγωνικά τμήματα μεγέθους 20Χ20 μέτρα (10Χ10 pixels). Τα τμήματα αυτά (objects) στη συνέχεια εξήχθησαν από το λογισμικό ως ένα σύνολο πολύγωνων σε μορφή shapefile το κάθε ένα από τα οποία μετέφερε πληροφορία σχετικά με τη μέση τιμή του κάθε δείκτη βλάστησης. 59

60 Κατόπιν με τη βοήθεια του λογισμικού ArcGIS 9.2 και της πολυφασματικής εικόνας QuickBird (μέγεθος εικονοστοιχείου 2 μέτρα) δημιουργήθηκε ένα δίκτυο στιγμών όπου κάθε στιγμή αντιστοιχούσε στο κέντρο του κάθε εικονοστοιχείου (pixel). Επίσης με τo εργαλείο resolution merge του λογισμικού ERDAS IMAGINE 8.7 και τις επιλογές multiplicative και Nearest Neighbor δημιουργήθηκε μία νέα βελτιωμένη τετρακάναλη πολυφασματική εικόνα (4 bands) με μέγεθος εικονοστοιχείου ίσο με αυτό της παγχρωματικής εικόνας, κρατώντας όμως παράλληλα την πληροφορία από την αρχική πολυφασματική (Erdas Imagine 8.7 Field Guide). Ο υπολογισμός του κάθε καναλιού βασίζεται στο εξής πολλαπλασιαστικό μοντέλο που προέρχεται από την μέθοδο του Crippen (1989a): (DN band1 ) (DN pan ) = DN new band1 (DN band2 ) (DN pan ) = DN new band2. Στη συνέχεια με τη βοήθεια του λογισμικού ArcGIS 9.2, η αρχική παγχρωματική εικόνα και η βελτιωμένη τετρακάναλη πολυφασματική εικόνα χρησιμοποιήθηκαν ως υπόβαθρα προκειμένου βάζοντας επάνω σε αυτές τα τετράγωνα τμήματα και το δίκτυο στιγμών να εκτιμηθεί η συγκόμωση της βλάστησης. Η εκτίμηση έγινε μετρώντας τις στιγμές που βρίσκονται επάνω στην κομοστέγη της βλάστησης. Κάθε τετράγωνο τμήμα (object) περιέκλειε 100 στιγμές (10Χ10 pixels = 100), οπότε ο αριθμός των στιγμών που βρίσκονταν επάνω στην κομοστέγη της βλάστησης αντιπροσώπευε και το ποσοστό συγκόμωσης του κάθε τετραγώνου. Αρχικά έγινε η εκτίμηση της συγκόμωσης εντός κάθε τετραγώνου χρησιμοποιώντας ως υπόβαθρο την παγχρωματική εικόνα και στη συνέχεια χρησιμοποιώντας ως υπόβαθρο την βελτιωμένη πολυφασματική. Η πληροφορία αυτή εισάχθηκε σε δύο καινούρια πεδία στον πίνακα χαρακτηριστικών των τετραγώνων. Το μέγεθος του δείγματος καθορίστηκε να υπερβαίνει τις 100 δειγματοληπτικές επιφάνειες ενώ η επιλογή των τετραγώνων στα οποία θα γινόταν η εκτίμηση της συγκόμωσης έγινε σχεδόν συστηματικά επιλέγοντας 1 τετράγωνο κάθε 300, 400 ή 500. Συμπληρωματικά έγινε σκόπιμα η εκτίμηση της συγκόμωσης σε μερικά τετράγωνα με μηδενική συγκόμωση καθώς και στα δύο τετράγωνα κάθε δείκτη βλάστησης με τη μεγαλύτερη μέση τιμή. Η εκτίμηση πραγματοποιήθηκε σε κλίμακα 1:800. Στις εικόνες 11 και 12 φαίνεται ο τρόπος παράθεσης των εικόνων (παγχρωματικής και βελτιωμένης πολυφασματικής αντίστοιχα), των τετραγώνων και 60

61 του δικτύου στιγμών, προκειμένου να πραγματοποιηθεί η εκτίμηση της συγκόμωσης ενώ στην εικόνα 13 παρουσιάζονται με κόκκινο χρώμα τα τετράγωνα τα οποία επιλέχτηκαν ως δειγματοληπτικές επιφάνειες και στα οποία εφαρμόστηκε στη συνέχεια η μέθοδος των στιγμών. Εικόνα 11. Εκτίμηση της συγκόμωσης στην παγχρωματική εικόνα. 61

62 Εικόνα 12 Εκτίμηση της συγκόμωσης στην βελτιωμένη πολυφασματική εικόνα. Εικόνα 13. Με κόκκινο χρώμα απεικονίζονται οι δειγματοληπτικές επιφάνειες (τετράγωνα) στις οποίες εφαρμόστηκε η μέθοδος των στιγμών για την εκτίμηση της συγκόμωσης της βλάστησης. 62

63 Με τη διαδικασία που ακολουθήθηκε προέκυψε τελικά ένας πίνακας χαρακτηριστικών (attribute table) για τα επιλεγμένα τετράγωνα όπου για κάθε ένα από αυτά υπήρχε η μέση τιμή κάθε δείκτη βλάστησης, καθώς και τα δεδομένα αναφοράς που προέκυψαν από την εκτίμηση της συγκόμωσης με τη μέθοδο των στιγμών (πίνακας 2 παραρτήματος). Τα δεδομένα αναφοράς αποθηκεύτηκαν στον πίνακα χαρακτηριστικών σε δύο στήλες, μία για την εκτίμηση επάνω στην πανχρωματική (PAN REF) και μία για την εκτίμηση επάνω στην βελτιωμένη πολυφασματική (MULTI REF). 4.3 ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΣΥΣΧΕΤΙΣΗΣ ΤΩΝ ΔΕΙΚΤΩΝ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ Το επόμενο βήμα ήταν η εύρεση της συσχέτισης των δεικτών με τα δεδομένα αναφοράς. Για το σκοπό αυτό χρησιμοποιήθηκε το στατιστικό πακέτο SPSS Η ανάλυση πραγματοποιήθηκε με τη βοήθεια του πίνακα χαρακτηριστικών των τετραγώνων (πίνακας 2 παραρτήματος), όπου περιλαμβάνονται για κάθε δειγματοληπτική επιφάνεια, τόσο οι μέσες τιμές όλων των δεικτών βλάστησης όσο και οι εκτιμήσεις της συγκόμωσης από τη φωτοερμηνεία της παγχρωματικής αλλά και της βελτιωμένης πολυφασματικής εικόνας. Παρακάτω παρουσιάζονται αρχικά τα διαγράμματα διασποράς που προέκυψαν κατά τη διερεύνηση της συσχέτισης των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της παγχρωματικής εικόνας (PAN REF) ενώ στον πίνακα που ακολουθεί (πίνακας 6) παρουσιάζονται οι τιμές του συντελεστή συσχέτισης του Pearson για κάθε δείκτη. 63

64 PAN REF PAN REF R Sq Linear = 0, R Sq Linear = 0, ,00 100,00 150,00 WDRVI 200,00 250,00 100,00 150,00 MSAVI 200,00 250, PAN REF PAN REF R Sq Linear = 0, R Sq Linear = 0, ,00 140,00 160,00 180,00 200,00 220,00 240,00 0,00 50,00 100,00 150,00 200,00 250,00 300,00 NDVI SR PAN REF PAN REF R Sq Linear = 0, R Sq Linear = 0, ,00 50,00 100,00 150,00 200,00 250,00 0,00 50,00 100,00 150,00 200,00 250,00 300,00 TASSELED CAP GREENESS TVI PAN REF R Sq Linear = 0, ,00 50,00 100,00 150,00 200,00 250,00 300,00 PCNDVI Διάγραμμα 3. Διαγράμματα συσχέτισης των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της παγχρωματικής εικόνας. 64

65 Πίνακας 6. Τιμές συσχέτισης (Pearson) των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της παγχρωματικής εικόνας με τη μέθοδο των στιγμών Δείκτες βλάστησης PEARSON MSAVI NDVI PCNDVI 0.77 SR TASSELED CAP TVI WDRVI Παρατηρείται ότι ο «δείκτης» PCNDVI είναι αυτός που συσχετίζεται ισχυρότερα με τα δεδομένα συγκόμωσης της βλάστησης που προέκυψαν κατά τη φωτοερμηνεία της παγχρωματικής εικόνας με τη μέθοδο των στιγμών, ενώ ο δεύτερος καλύτερος μετά από αυτόν είναι ο SR (Simple Ratio). Στη συνέχεια παρουσιάζονται τα διαγράμματα διασποράς που προέκυψαν κατά τη διερεύνηση της συσχέτισης των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της βελτιωμένης πολυφασματικής εικόνας (MULTI REF) καθώς και ο αντίστοιχος πίνακας με τις τιμές του συντελεστή συσχέτισης του Pearson (πίνακας 7). 65

66 MULTI REF MULTI REF R Sq Linear = 0,606 R Sq Linear = 0, ,00 100,00 150,00 200,00 250,00 100,00 150,00 200,00 250,00 WDRVI MSAVI MULTI REF MULTI REF R Sq Linear = 0,72 R Sq Linear = 0, ,00 140,00 160,00 180,00 200,00 220,00 240,00 0,00 50,00 100,00 150,00 200,00 250,00 300,00 NDVI SR MULTI REF MULTI REF R Sq Linear = 0, R Sq Linear = 0, ,00 50,00 100,00 150,00 200,00 250,00 0,00 50,00 100,00 150,00 200,00 250,00 300,00 TASSELED CAP GREENESS TVI MULTI REF R Sq Linear = 0, ,00 50,00 100,00 150,00 200,00 250,00 300,00 PCNDVI Διάγραμμα 4. Διαγράμματα συσχέτισης των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της βελτιωμένης πολυφασματικής εικόνας. 66

67 Πίνακας 7. Τιμές συσχέτισης (Pearson) των δεικτών βλάστησης με τα δεδομένα αναφοράς από τη φωτοερμηνεία της βελτιωμένης πολυφασματικής εικόνας με τη μέθοδο των στιγμών. Δείκτες Βλάστησης PEARSON MSAVI NDVI PCNDVI SR 0.89 TASSELED CAP TVI WDRVI Ερμηνεύοντας τους πίνακες 6 και 7 θα λέγαμε ότι ο «δείκτης» PCNDVI παρουσίασε την καλύτερη συσχέτιση με τα δεδομένα αναφοράς από την παγχρωματική εικόνα με δεύτερο καλύτερο τον SR, αλλά σε σχέση με τα δεδομένα αναφοράς που προέκυψαν από την φωτοερμηνεία της βελτιωμένης πολυφασματικής ο δείκτης SR αποδείχτηκε καλύτερος με δεύτερο τον PCNDVI σύμφωνα με το δείκτη συσχέτισης του PEARSON. Όπως προαναφέρθηκε ο «δείκτης» PCNDVI προέκυψε χρησιμοποιώντας τον μαθηματικό τύπο του NDVI και τις κύριες συνιστώσες 2 και 3, οι οποίες αντικατέστησαν τα κανάλια NIR και RED αντίστοιχα. Ο SR από την άλλη αποτελεί μια απλή αναλογία του καναλιού NIR προς το RED. Φαίνεται λοιπόν ότι ο SR είναι κατά πολύ απλούστερος στον υπολογισμό του ενώ από τους πίνακες 6 και 7 προκύπτει ότι απέδωσε σχεδόν εξίσου καλά τόσο όταν συσχετίστηκε με τα δεδομένα που προέκυψαν από τη εφαρμογή της μεθόδου των στιγμών στην παγχρωματική εικόνα, όσο και με αυτά της βελτιωμένης πολυφασματικής. Για τους παραπάνω λόγους λοιπόν, ο δείκτης που επιλέχθηκε ώστε να χρησιμοποιηθεί στην περαιτέρω διαδικασία (κατά την πραγματοποίηση της αντικειμενοστραφούς ταξινόμησης) ήταν ο SR. 67

68 4.4 ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟΥ Κατά τη διερεύνηση της συσχέτισης δεικτών βλάστησης από τηλεσκοπικά δεδομένα με χαρακτηριστικά της βλάστησης, όπως για παράδειγμα η συγκόμωση, διαπιστώνεται πολλές φορές, ότι υπάρχει έλλειψη αλλά και δυσκολία συλλογής αξιόπιστων δεδομένων αναφοράς. Στο κεφάλαιο αυτό φάνηκε πως τα δορυφορικά δεδομένα πολύ υψηλής ανάλυσης, σε συνδυασμό με τη χρήση τεχνικών φωτοερμηνείας και τις δυνατότητες σύγχρονων λογισμικών (Definiens και ArcInfo) μπορούν να συμβάλλουν σε μεγάλο βαθμό στην άμβλυνση του προβλήματος. Οι δείκτες βλάστησης που συσχετίστηκαν με τη συγκόμωση της βλάστησης ήταν οι: MSAVI, NDVI, SR, Tasselled Cap Greeness, TVI, WDRVI και PCNDVI (ο PCNDVI σχηματίστηκε και παρουσιάζει χρησιμότητα αποκλειστικά για αυτή την εργασία). Ο δείκτης βλάστησης SR (Simple Ratio) ήταν αυτός που παρουσίασε την μεγαλύτερη συσχέτιση με τη συγκόμωση της βλάστησης (Τιμή δείκτη συσχέτισης του Pearson: 0,89) και συνεπώς επιλέχθηκε για να χρησιμοποιηθεί στη συνέχεια για την αντικειμενοστραφή ταξινόμηση της βλάστησης σε κλάσεις συγκόμωσης. 68

69 5. ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΚΑΙ ΤΩΝ ΚΤΗΡΙΩΝ Σκοπός αυτού του κεφαλαίου είναι η αντικειμενοστραφής ταξινόμηση των κτηρίων και στη συνέχεια της βλάστησης σε κλάσεις συγκόμωσης, με χρήση δορυφορικών τηλεσκοπικών δεδομένων πολύ υψηλής χωρικής διακριτικής ικανότητας (QuickBird) και του λογισμικού Definiens 5.0. Για το σκοπό αυτό ακολουθήθηκε η παρακάτω ροή εργασιών (διάγραμμα 5). Κατάτμηση της εικόνας και επιβλεπόμενη ταξινόμηση για τη διάκριση μεταξύ νερού και γης με τη μέθοδο της πλησιέστερης γειτνίασης (nearest neighbour classification) Γη Νερό Κατάτμηση της κλάσης Γη και ταξινόμηση των κτηρίων με κεραμοσκεπή με τη βοήθεια συναρτήσεων συμμετοχής (membership functions) και της PCA3 Αταξινόμητα αντικείμενα: όχι κτήρια με κεραμοσκεπή (not tileroofs) Κτήρια με κεραμοσκεπή Κατάτμηση της κλάσης not tileroofs και ταξινόμηση των κτηρίων με πλάκα από οπλισμένο σκυρόδεμα με τη βοήθεια συναρτήσεων συμμετοχής (membership functions) και της PCA2 Αταξινόμητα αντικείμενα: όχι κτήρια με πλάκα από οπλισμένο σκυρόδεμα (not concrete roofs) Κτήρια με πλάκα από οπλισμένο σκυρόδεμα Κατάτμηση της κλάσης not concrete roofs και ταξινόμηση των αντικειμένων σε κλάσεις συγκόμωσης με τη βοήθεια συναρτήσεων συμμετοχής (membership functions) και του δείκτη SR (Simple Ratio) Κλάσεις Συγκόμωσης 0-5 % 5-10 % 10-20% 20-40% 40-60% % Διάγραμμα 5. Διάγραμμα ροής εργασιών κεφαλαίου 5 69

70 5.1 ΕΙΣΑΓΩΓΗ Η εκτίμηση της συγκόμωσης επειδή προορίζεται για επιχειρησιακή χρήση, απαιτεί τηλεσκοπικά δεδομένα υψηλής ανάλυσης κατά την ταξινόμηση των οποίων οι κοινές μέθοδοι ταξινόμησης (pixel based classification) παρουσιάζουν σημαντικά μειονεκτήματα όπως προαναφέρθηκε. Για το λόγο αυτό προτιμάται η αντικειμενοστραφής μέθοδος ταξινόμησης. Η σπουδαιότητα της πληροφορίας σχετικά με τη συγκόμωση της βλάστησης, οφείλεται κυρίως στο γεγονός ότι πολλές φορές δεν υπάρχει οδική πρόσβαση στον τόπο της πυρκαγιάς, οπότε η κατάσβεση γίνεται με πεζοπόρα τμήματα τα οποία εκμεταλλεύονται τα φυσικά διάκενα ή τις περιοχές με χαμηλή συγκόμωση προκειμένου να καταστείλουν την πυρκαγιά. Στα μέρη αυτά μπορεί να γίνει κατάσβεση είτε με φορητά μέσα αφού η θερμική ακτινοβολία είναι σαφώς μικρότερη ή να εφαρμοστούν έμμεσοι μέθοδοι καταστολής. Επίσης, όταν η απόσταση μεταξύ φυσικών διάκενων ή επιφανειών με χαμηλή συγκόμωση είναι μικρή είναι δυνατόν με τη βοήθεια ομάδων υλοτόμων να γίνεται συνένωση των επιφανειών αυτών με σκοπό τη δημιουργία αντιπυρικών ζωνών. Επομένως το μέγεθος, το μήκος, το πλάτος, ο προσανατολισμός, η μέση κλίση αλλά και οι αποστάσεις μεταξύ των επιφανειών χωρίς βλάστηση ή με χαμηλή συγκόμωση αποτελούν χρήσιμες πληροφορίες που θα πρέπει να υπάρχουν σε μια ψηφιακή βάση δεδομένων ή αλλιώς σε ένα γεωγραφικό σύστημα πληροφοριών επιχειρησιακής σημασίας. Ο επικεφαλής ή οι τομεάρχες των πυροσβεστικών δυνάμεων θα ήταν σημαντικό να γνωρίζουν τη θέση των επιφανειών αυτών αλλά και τις λοιπές συνοδευτικές πληροφορίες που αναφέρθηκαν, προκειμένου να υποστηρίζεται η λήψη αποφάσεων σχετικά με τις απαιτούμενες ενέργειες όπως σχετικά με τον τρόπο κατανομής των πυροσβεστικών δυνάμεων στα διάφορα τμήματα μιας πυρκαγιάς ή τη χρήση ομάδων με αλυσοπρίονα μεταξύ άλλων. Για την πραγματοποίηση της αντικειμενοστραφούς ταξινόμησης των κτηρίων και της βλάστησης σε κλάσεις συγκόμωσης χρησιμοποιήθηκαν: μία πολυφασματική και η αντίστοιχη παγχρωματική εικόνα του QuickBird, ο δείκτης βλάστησης SR, καθώς και οι εικόνες της δεύτερης (PC2) και τρίτης (PC3) κύριας συνιστώσας που προέκυψαν από την ανάλυση σε κύριες συνιστώσες της αρχικής πολυφασματικής εικόνας κατά τον υπολογισμό του PCNDVI. Οι κύριες συνιστώσες χρησιμοποιήθηκαν γιατί παρατηρήθηκε ότι η κύρια συνιστώσα 3 μας έδινε με λευκό χρώμα χρήσιμη πληροφορία για τη θέση κτισμάτων με κεραμοσκεπή (εικόνα 14), τα οποία θεωρούνται κτήρια περισσότερο ευάλωτα στην πυρκαγιά, ενώ στην εικόνα της 70

71 δεύτερης κύριας συνιστώσας παρατηρήθηκε ότι απεικονίζονταν με μαύρο χρώμα όποιο κτήριο δεν είχε κεραμοσκεπή (και άρα με πλάκα από οπλισμένο σκυρόδεμα) αλλά και οποιαδήποτε άλλη ασφαλτόστρωτη επιφάνεια (εικόνα 16). Στις εικόνες 15 και 17 παρατίθενται η πολυφασματική και πανχρωματική εικόνα Quickbird για λόγους οπτικής σύγκρισης. 71

72 Εικόνα 14. Απεικόνιση της τρίτης κύριας συνιστώσας (PC3). Παρατηρείται ότι τα κτήρια με κεραμοσκεπή απεικονίζονται λευκά. Εικόνα 15. Η πολυφασματική εικόνα του QuickBird σε απεικόνιση, R: layer 3, G: layer 2 και B: layer 1.

73 Εικόνα 16. Απεικόνιση της δεύτερης κύριας συνιστώσας (PC2). Εικόνα 17 Απεικόνιση της πανχρωματικής εικόνας του QuickBird. 73

74 Για την ανάπτυξη του μοντέλου χρησιμοποιήθηκαν masking techniques (εικόνα 18). Με βάση αυτή την τεχνική σε κάθε βήμα αναγνωρίζεται μία κλάση αντικειμένων, αυτή που είναι ευκολότερο να περιγραφεί και ταξινομηθεί, ενώ τα υπόλοιπα αντικείμενα ενώνονται ξανά ως μία επιφάνεια και ξεκινά μία καινούρια τμηματοποίηση (segmentation) και διαδικασία ταξινόμησης. Εικόνα 18. Masking techniques. Αρχικά ως περιοχή μελέτης επιλέχθηκε αυτή που απεικονίζεται στην εικόνα 19 αλλά στη συνέχεια περιορίστηκε στην περιοχή της εικόνας 20. Ο λόγος μείωσης της έκτασης της περιοχής μελέτης ήταν το γεγονός ότι για την επεξεργασία της αρχικής εικόνας οι απαιτήσεις σε μνήμη αλλά και ταχύτητα επεξεργασίας ήταν μεγάλες. Η τελική περιοχή μελέτης ήταν 2 επί 2 χιλιόμετρα και η υπολογιστική ισχύ που απαιτήθηκε ήταν 3.2 Ghz ταχύτητα επεξεργαστή και 1 Gb RAM με έναν υπολογιστή Pentium 4.

75 Εικόνα 19. Αρχική περιοχή μελέτης Εικόνα 20. Τελική περιοχή μελέτης. 75

76 5.2 ΔΙΑΚΡΙΣΗ ΝΕΡΟΥ ΓΗΣ Το πρώτο βήμα της επεξεργασίας ήταν να γίνει η διάκριση μεταξύ νερού και γης. Αρχικά έγινε τμηματοποίηση της πολυφασματικής εικόνας QuickBird με scale parameter 30, shape 0,1 και compactness 0,6 ενώ βαρύτητα δόθηκε στην 2 η, 3 η και 4 η μπάντα της εικόνας (εικόνα 21). Στο κανάλι του κοντινού υπέρυθρου δόθηκε μεγαλύτερη βαρύτητα επειδή σε αυτό το μήκος κύματος (800 nm) απορροφάται από το νερό σχεδόν το σύνολο της προσπίπτουσας ηλεκτρομαγνητικής ακτινοβολίας. Για την καλύτερη διάκριση μεταξύ νερού και γης συνήθως χρησιμοποιούνται τα μήκη κύματος του κοντινού και μέσου υπέρυθρου μέρους του ηλεκτρομαγνητικού φάσματος (Jensen, 2007) Εικόνα 21. Παράμετροι τμηματοποίησης της εικόνας για τη διάκριση μεταξύ νερού και γης.. Μετά την τμηματοποίηση της εικόνας εφαρμόστηκε επιβλεπόμενη ταξινόμηση. Αρχικά πάρθηκαν αντιπροσωπευτικά δείγματα από τη γη και από το νερό και στη συνέχεια με βάση αυτά τα δείγματα εφαρμόστηκε feature space optimization ώστε να βρεθεί ο συνδυασμός των χαρακτηριστικών που θα μας έδινε 76

77 την καλύτερη διάκριση (separation distance) μεταξύ νερού και γης. Για την ταξινόμηση του νερού και της γης εφαρμόστηκε η μέθοδος της πλησιέστερης γειτνίασης (nearest neighbour) με βάση τα χαρακτηριστικά που βρέθηκαν (εικόνα 22). Εικόνα 22. Χαρακτηριστικά που προέκυψαν από τη δαδικασία feature space optimization για τη διάκριση μεταξύ νερού και γης. Μετά την ταξινόμηση των αντικειμένων, όσα από αυτά ταξινομήθηκαν ως νερό ενώθηκαν μεταξύ τους για να σχηματίσουν μία επιφάνεια όπως επίσης και όσα ταξινομήθηκαν ως γη. Το αποτέλεσμα της ταξινόμησης φαίνεται στην εικόνα 24. Η πολυφασματική εικόνα (εικόνα 23) παρατίθεται για λόγους σύγκρισης. 77

78 Εικόνα 23. Η Πολυφασματική εικόνα Quickbird. Εικόνα 24. Το αποτέλεσμα της ταξινόμησης του νερού. 78

79 5.3 ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ ΚΤΗΡΙΩΝ Ο βαθμός διακινδύνευσης των κτηρίων εξαρτάται σε μεγάλο βαθμό από το υλικό κατασκευής της οροφής τους Με βάση το χαρακτηριστικό αυτό διακρίνονται σε δύο κατηγορίες: 1. κτήρια με κεραμοσκεπή, και 2. κτήρια με πλάκα από οπλισμένο σκυρόδεμα Τα κτήρια με κεραμοσκεπή είναι περισσότερο ευαίσθητα έναντι της θερμικής ακτινοβολίας από αυτά με πλάκα από οπλισμένο σκυρόδεμα. Παρόλα αυτά υπάρχουν και άλλα σημεία σε ένα κτήριο, τα οποία αυξάνουν το κίνδυνο ανάφλεξης και από τα οποία μπορεί να μεταδοθεί η φωτιά στο εσωτερικό τους (τέντες, κουφώματα, κ.α.). Έτσι είναι σημαντικό να είναι γνωστές οι θέσεις και των δύο κατηγοριών κτηρίων ώστε να λαμβάνονται τα απαραίτητα μέτρα για την προστασία τους στο σύνολό τους ΤΑΞΙΝΟΜΗΣΗ ΚΤΗΡΙΩΝ ΜΕ ΚΕΡΑΜΟΣΚΕΠΗ. Για να ταξινομηθούν τα κτήρια με κεραμοσκεπή έγινε τμηματοποίηση της περιοχής που ταξινομήθηκε στο προηγούμενο βήμα ως γη δίνοντας βαρύτητα αυτή τη φορά, μόνο στην κύρια συνιστώσα 3 (PC3). Η τρίτη κύρια συνιστώσα της πολυφασματικής δορυφορικής εικόνας Quickbird γίνεται εύκολα αντιληπτό, παρατηρώντας την εικόνα 14, ότι μπορεί να μας δώσει πληροφορία για τη θέση των κτηρίων αυτών. Οι συντελεστές που χρησιμοποιήθηκαν για την τμηματοποίηση φαίνονται στην εικόνα 25. Εικόνα 25. Παράμετροι τμηματοποίησης της εικόνας για την ταξινόμηση των κτηρίων με κεραμοσκεπή. 79

80 Η ταξινόμηση των αντικειμένων, προκειμένου να αναγνωριστούν τα κτήρια με κεραμοσκεπή, έγινε σε δύο στάδια. Στο πρώτο στάδιο τα αντικείμενα που δημιουργήθηκαν ταξινομήθηκαν με βάση την μέση τιμή τους στην τρίτη κύρια συνιστώσα, ορίζοντας ύστερα από κατάλληλη έρευνα ότι, όσα αντικείμενα έχουν τιμή μεγαλύτερη από -65 θα ανήκουν στην κλάση κτήρια με κεραμοσκεπή (tileroofs). Αφού έγινε η ταξινόμηση τα αντικείμενα της κατηγορίας tileroofs συγχωνεύτηκαν. Στο δεύτερο στάδιο τα καινούρια αυτά αντικείμενα (της κατηγορίας tileroofs ) ταξινομήθηκαν ξανά με βάση τα παρακάτω χαρακτηριστικά αυτή τη φορά (εικόνα 26): Mean pca3 >-58 Standard deviation pca3 >7 Δηλαδή όσα από τα αντικείμενα είχαν μέση τιμή στην τρίτη κύρια συνιστώσα μεγαλύτερη από -58 και τυπική απόκλιση σε αυτήν μεγαλύτερη από 7 ταξινομήθηκαν ως κτήρια με κεραμοσκεπή. Οι τιμές των κριτηρίων που αναφέρθηκαν καθορίστηκαν ύστερα από διερεύνηση χρησιμοποιώντας τα εργαλεία Image Object Information, Feature View και 2D Feature Space Plot του λογισμικού. Εικόνα 26. Τα τελικά κριτήρια για την ταξινόμηση των κτηρίων με κεραμοσκεπή. 80

81 Το αποτέλεσμα της ταξινόμησης μπορεί να εκτιμηθεί οπτικά στις εικόνες 27 και 28 για ένα τμήμα της περιοχής μελέτης. Tα αντικείμενα που δεν ανήκαν στην κατηγορία tileroofs ταξινομήθηκαν στην κλάση not tileroofs, η οποία στο λογισμικό definiens 5.0 ορίστηκε με το χαρακτηριστικό similarity to class tileroofs + invert expression). Tέλος τα αντικείμενα που ταξινομήθηκαν στην κλάση not tileroofs και τα οποία αποτελούν στην ουσία όλα τα υπόλοιπα εκτός του νερού και των κτηρίων με κεραμοσκεπή αντικείμενα ενώθηκαν μεταξύ τους ως μία ενιαία επιφάνεια για περαιτέρω επεξεργασία. 81

82 Εικόνα 27. Απεικόνιση των ταξινομημένων κτηρίων με κεραμοσκεπή. Εικόνα 28. Απεικόνιση της πολυφασματικής εικόνας Quickbird. 82

83 5.3.2 ΤΑΞΙΝΟΜΗΣΗ ΚΤΗΡΙΩΝ ΜΕ ΠΛΑΚΑ ΑΠΟ ΟΠΛΙΣΜΕΝΟ ΣΚΥΡΟΔΕΜΑ Το επόμενο βήμα της ταξινόμησης είναι να βρεθούν τα κτήρια χωρίς κεραμοσκεπή και άρα με πλάκα από οπλισμένο σκυρόδεμα. Όπως αναφέρθηκε στην εικόνα της δεύτερης κύριας συνιστώσας όποιο κτήριο δεν έχει κεραμοσκεπή αλλά και οποιαδήποτε άλλη ασφαλτόστρωτη επιφάνεια απεικονίζεται με μαύρο χρώμα (εικόνα 16). Αρχικά λοιπόν εφαρμόστηκε μια νέα τμηματοποίηση της εικόνας (segmentation) στην αταξινόμητη έως τώρα περιοχή, με τους συντελεστές που φαίνονται στην εικόνα 29, δίνοντας βαρύτητα μόνο στην εικόνα της δεύτερης κύριας συνιστώσας. Εικόνα 29. Παράμετροι τμηματοποίησης της εικόνας για την ταξινόμηση των κτηρίων με πλάκα από οπλισμένο σκυρόδεμα. Η ταξινόμηση για να αναγνωριστούν τα κτήρια με πλάκα από οπλισμένο σκυρόδεμα έγινε και πάλι σε δύο στάδια. Στο πρώτο στάδιο τα αντικείμενα που δημιουργήθηκαν ταξινομήθηκαν με βάση την μέση τιμή τους στην δεύτερη κύρια συνιστώσα, ορίζοντας ύστερα από κατάλληλη έρευνα ότι όσα αντικείμενα έχουν τιμή μικρότερη από -400, ανήκουν 83

84 στην κλάση κτήρια με πλάκα από οπλισμένο σκυρόδεμα (concrete roofs). Αφού έγινε η ταξινόμηση τα αντικείμενα της κατηγορίας concrete roofs συγχωνεύτηκαν. Στο δεύτερο στάδιο τα καινούρια αυτά αντικείμενα (της κατηγορίας concrete roofs ) ταξινομήθηκαν ξανά, αυτή τη φορά με βάση τα παρακάτω χαρακτηριστικά (εικόνα 30): Mean pca2 <-400 Area > 40 m 2 Density > 1,5 Δηλαδή όσα από τα αντικείμενα είχαν μέση τιμή στην δεύτερη κύρια συνιστώσα μικρότερη από -400, εμβαδόν μεγαλύτερο από 40 m 2 και density μεγαλύτερο από 1,5 ταξινομήθηκαν ως κτήρια με πλάκα από οπλισμένο σκυρόδεμα. 84

85 Εικόνα 30. Τα τελικά κριτήρια για την ταξινόμηση των κτηρίων με πλάκα από οπλισμένο σκυρόδεμα. Τα αποτελέσματα της ταξινόμησης τόσο για τα κτήρια με κεραμοσκεπή όσο και για τα κτήρια με πλάκα από οπλισμένο σκυρόδεμα, για ένα τμήμα της περιοχής μελέτης, φαίνεται στην εικόνα 31. Τα κτήρια με πλάκα από οπλισμένο σκυρόδεμα απεικονίζονται με κίτρινο χρώμα ενώ τα κτήρια με κεραμοσκεπή με κόκκινο. Η παγχρωματική εικόνα (εικόνα 32) παρατίθεται για να εκτιμηθεί οπτικά το αποτέλεσμα επειδή σε αυτήν τα κτήρια με πλάκα από οπλισμένο σκυρόδεμα είναι περισσότερο ορατά από ότι στην πολυφασματική. 85

86 Εικόνα 31. Απεικόνιση του αποτελέσματος της ταξινόμησης των κτηρίων με κεραμοσκεπή και πλάκα από οπλισμένο σκυρόδεμα.. Εικόνα 32. Απεικόνιση της παγχρωματικής εικόνα Quickbird. 86

87 Τα αντικείμενα που δεν ανήκαν στην κατηγορία concrete roofs ταξινομήθηκαν στην κλάση not concrete roofs, η οποία στο λογισμικό definiens 5.0 ορίστηκε με το χαρακτηριστικό similarity to class concrete roofs + invert expression). Η λειτουργία αυτή φαίνεται και στην εικόνα 33. Εικόνα 33. Λειτουργία similarity to class + invert expression. Τέλος τα αντικείμενα που ταξινομήθηκαν στην κλάση not concrete roofs, τα οποία αποτελούν στην ουσία όλα τα υπόλοιπα αντικείμενα, εκτός αυτών που ταξινομήθηκαν ως νερό, κτήρια με κεραμοσκεπή και κτήρια με πλάκα από οπλισμένο σκυρόδεμα, ενώθηκαν μεταξύ τους ως μία ενιαία επιφάνεια για περαιτέρω επεξεργασία. Η επιφάνεια αυτή θα πρέπει να διαιρεθεί σε τμήματα και τα τμήματα αυτά να ταξινομηθούν σε κλάσεις συγκόμωσης μεταφέροντας την πληροφορία που αναφέρθηκε στην εισαγωγή ώστε να μπορούν να χρησιμοποιηθούν για επιχειρησιακή χρήση (κατά την κατάσβεση των πυρκαγιών). 87

88 5.3.3 ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΑΞΙΝΟΜΗΣΗΣ ΤΩΝ ΚΤΗΡΙΩΝ Η εκτίμηση της ακρίβειας της ταξινόμησης αποσκοπεί στην αξιολόγηση του αποτελέσματος, στην βελτίωση της ποιότητας της χαρτογράφησης βρίσκοντας τις διάφορες πηγές σφαλμάτων και πολλές φορές στην σύγκριση μεταξύ διαφόρων τεχνικών, αλγορίθμων, αναλυτών ή φωτοερμηνευτών. Μπορεί να είναι ποιοτική ή ποσοτική, ακριβή ή φθηνή, γρήγορη ή χρονοβόρα, καλά σχεδιασμένη και αποτελεσματική ή τυχαία (Congalton και Green, 1999). Ο σκοπός της ποσοτικής εκτίμησης της ακρίβειας είναι η αναγνώριση και μέτρηση των σφαλμάτων του χάρτη και περιλαμβάνει τη σύγκριση μεταξύ χάρτη και δεδομένων αναφοράς από την ίδια περιοχή. Τα δεδομένα αναφοράς θεωρούνται ακριβή και συνεπώς δεχόμαστε ότι ανταποκρίνονται απόλυτα στην πραγματικότητα. Συνήθως οικονομικοί λόγοι αποκλείουν τον έλεγχο όλων των μονάδων του χάρτη και για το λόγο αυτό ο έλεγχος πραγματοποιείται με τη βοήθεια ενός αριθμού δειγματοληπτικών μονάδων. Το δείγμα που θα χρησιμοποιηθεί θα πρέπει να είναι αντιπροσωπευτικό και αμερόληπτο. Οι αρχές αυτές έγινε προσπάθεια να τηρηθούν στην παρούσα εργασία. Η εκτίμηση της ακρίβειας ταξινόμησης των κτηρίων έγινε αποκλειστικά με τη βοήθεια του λογισμικού Definiens. Τα κτήρια όπως προαναφέρθηκε ταξινομήθηκαν σε δύο κατηγορίες: Κτήρια με κεραμοσκεπή και κτήρια με πλάκα από οπλισμένο σκυρόδεμα. Για να ελεγχθεί η ακρίβεια της ταξινόμησης λήφθηκαν δείγματα από τα κτήρια παρατηρώντας κυρίως την πολυφασματική εικόνα για τα κτήρια με κεραμοσκεπή και την παγχρωματική για τα κτήρια με πλάκα από οπλισμένο σκυρόδεμα. Από κάθε κτήριο πάρθηκε ένα δείγμα (αντικείμενο) αφού πρώτα εφαρμόστηκε Chessboard Segmentation με scale = 5 το οποίο αντιστοιχεί σε 5Χ5 pixels της παγχρωματικής εικόνας, δηλαδή σε 3Χ3 μέτρα. Τα δείγματα πάρθηκαν από όλα τα κτήρια που βρίσκονται μέσα στην περιοχή μελέτης και σύμφωνα με το σχήμα της ταξινόμησης των κτηρίων, σε δύο κατηγορίες. Μία για τα κτήρια με κεραμοσκεπή και μία για τα κτήρια με οπλισμένο σκυρόδεμα. Με τα δείγματα που πάρθηκαν δημιουργήθηκε μία TTA mask με τη βοήθεια της οποίας έγινε στη συνέχεια η εκτίμηση της ακρίβειας της ταξινόμησης των κτηρίων εκτελώντας τη λειτουργία του λογισμικού Error matrix based on TTA mask. Με τον τρόπο αυτόν προέκυψε μία μήτρα σφαλμάτων η οποία φαίνεται στην εικόνα 34 όπως ακριβώς απεικονίστηκε από το λογισμικό. Οι αριθμοί της μήτρας εκφράζουν αριθμό εικονοστοιχείων της παγχρωματικής εικόνας. 88

89 Εικόνα 34. Η μήτρα σφαλμάτων ταξινόμησης των κτηρίων όπως απεικονίστηκε στο λογισμικό Definiens. Ερμηνεύοντας την μήτρα σφαλμάτων μπορούμε να πούμε ότι για όλα τα κτήρια που ταξινομήθηκαν υπάρχει απόλυτη ταύτιση της κατηγορίας στην οποία ταξινομήθηκαν με την κατηγορία στην οποία ανήκουν στην πραγματικότητα. Αυτό σημαίνει ότι η ακρίβεια του χρήστη είναι 100% και για τις δύο κατηγορίες κτηρίων, όπως φαίνεται εξάλλου και στη μήτρα σφαλμάτων. Παρόλα αυτά κάποια κτήρια από τα οποία πάρθηκαν δείγματα δεν ταξινομήθηκαν καθόλου από το μοντέλο. Για το λόγο αυτό η ακρίβεια του κατασκευαστή ήταν χαμηλότερη: 85, 24 % για τα κτήρια με κεραμοσκεπή και 71 % για τα κτήρια με πλάκα από οπλισμένο σκυρόδεμα. Η συνολική ακρίβεια της ταξινόμησης και για τις δύο κατηγορίες κτηρίων ήταν 82,69 %. 89

90 5.3.4 ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΕΦΑΛΑΙΟΥ Από την ταξινόμηση των κτηρίων και την εκτίμηση της ακρίβειας προέκυψαν τα παρακάτω συμπεράσματα: Η ανάλυση της εικόνας σε κύριες συνιστώσες συνέβαλε ουσιαστικά στην ταξινόμηση των κτηρίων. Πιο συγκεκριμένα οι κύριες συνιστώσες 2 και 3 αποδείχθηκαν χρήσιμα δεδομένα εισόδου για την ανάπτυξη ενός αντικειμενοστραφούς μοντέλου ταξινόμησης των κτηρίων με πλάκα από οπλισμένο σκυρόδεμα και με κεραμοσκεπή αντίστοιχα. Με τη βοήθεια της τρίτης κύριας συνιστώσας επιτεύχθηκε υψηλή ακρίβεια για την ταξινόμηση των κτηρίων με κεραμοσκεπή (ακρίβεια χρήστη 100 %, κατασκευαστή 85,24 %). Με τη βοήθεια της δεύτερης κύριας συνιστώσας επιτεύχθηκε ικανοποιητική ακρίβεια για την ταξινόμηση των κτηρίων με κεραμοσκεπή (ακρίβεια χρήστη 100 %, κατασκευαστή 71 %). Η ταξινόμηση των κτηρίων με κεραμοσκεπή ήταν ευκολότερη σε σχέση με αυτών με πλάκα από οπλισμένο σκυρόδεμα για το λόγο ότι στα δεύτερα η διάκρισή τους από άλλες σκυρόστρωτες επιφάνειες ήταν δύσκολη. Από την εκτίμηση της ακρίβειας ταξινόμησης των κτηρίων γίνεται αντιληπτό ότι υπάρχει περιθώριο τροποποίησης των κριτηρίων ταξινόμησης για τη βελτίωση της ακρίβειας του κατασκευαστή σε βαθμό όμως τέτοιο, ώστε να μην επηρεαστεί σημαντικά η ακρίβεια του χρήστη. Σύμφωνα με τα αποτελέσματα ο επικεφαλής των πυροσβεστικών δυνάμεων μπορεί να έχει στη διάθεσή του την κατανομή των κτηρίων στο χώρο με ικανοποιητική ακρίβεια, έτσι ώστε να λαμβάνονται τα απαραίτητα μέτρα για την προστασία τους. Μπορεί να βασίζεται στο ότι η ταξινόμηση ανταποκρίνεται απόλυτα στην πραγματικότητα αλλά αντίθετα, δεν μπορεί να βασίζεται απόλυτα στο ότι η πραγματικότητα ερμηνεύεται πλήρως από την ταξινόμηση. Δηλαδή πιθανόν να υπάρχουν κάποια κτήρια τα οποία δεν έχουν ταξινομηθεί. Η συνολική ακρίβεια της ταξινόμησης ήταν 82,69 % και επομένως η μεθοδολογία που ακολουθήθηκε κρίνεται ικανοποιητική. 90

91 5.4 ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΣΕ ΚΛΑΣΕΙΣ ΣΥΓΚΟΜΩΣΗΣ Στο κεφάλαιο αυτό θα πραγματοποιηθεί η αντικειμενοστραφής ταξινόμηση της βλάστησης σε κλάσεις συγκόμωσης. Πιο συγκεκριμένα, μετά από την ταξινόμηση του νερού και των κτηρίων (με κεραμοσκεπή ή πλάκα από οπλισμένο σκυρόδεμα), η συνολική επιφάνεια που απέμεινε θα ταξινομηθεί σε κλάσεις αντικειμένωνεπιφανειών (objects) ανάλογα με το βαθμό συγκόμωσης της βλάστησης ΤΜΗΜΑΤΟΠΟΙΗΣΗ ΤΗΣ ΕΙΚΟΝΑΣ Στην εικόνα 35 απεικονίζεται η αταξινόμητη έως τώρα επιφάνεια με καφέ χρώμα, ενώ τα κτήρια και το νερό με μαύρο και γαλάζιο αντίστοιχα. Η τμηματοποίηση της αταξινόμητης περιοχής έγινε ύστερα από δοκιμές ώστε το μέγεθος των αντικειμένων να μην είναι ούτε πολύ μικρό αλλά ούτε και πολύ μεγάλο, έγινε δίνοντας βαρύτητα μόνο στον δείκτη βλάστησης SR. Οι παράμετροι της τμηματοποίησης (segmentation) καθορίστηκαν όπως παρακάτω: Scale parameter = 128 Shape = 0,1 Compactness = 0,6 Εικόνα 35. Με καφέ χρώμα απεικονίζεται η αταξινόμητη περιοχή (εκτός νερού και κτηρίων). 91

92 Η ταξινόμηση των αντικειμένων επιφανειών που προέκυψαν από την τμηματοποίηση της εικόνας θα πρέπει στη συνέχεια να γίνει με βάση τη μέση τιμή του δείκτη βλάστησης Simple Ratio (SR) σε κάθε ένα από αυτά ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΟΥ ΔΕΙΚΤΗ ΒΛΑΣΤΗΣΗΣ ΜΕ ΤΗ ΣΥΓΚΟΜΩΣΗ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΚΑΙ ΚΑΘΟΡΙΣΜΟΣ ΤΩΝ ΚΛΑΣΕΩΝ Στο πρώτο μέρος της εργασίας είδαμε ότι ο δείκτης βλάστησης Simple Ratio είναι αυτός που συσχετίζεται ισχυρότερα με την συγκόμωση της βλάστησης. Παρατηρώντας το νέφος σημείων στο διάγραμμα 6, της συσχέτισης του SR με τη συγκόμωση της βλάστησης, βλέπουμε ότι κάποια σημεία επάνω αριστερά βρίσκονται μακριά από τα υπόλοιπα του νέφους (outliers). Τα σημεία αυτά διαγράφηκαν προκειμένου να αυξηθεί η συσχέτιση και να βελτιωθεί το μοντέλο παλινδρόμησης, που συνδέει τις τιμές του δείκτη βλάστησης με τη συγκόμωση. Στο διάγραμμα 7 φαίνεται το νέφος των σημείων μετά από τη διαγραφή, καθώς και η καινούρια γραμμή παλινδρόμησης που χαρακτηρίζει την πρόβλεψη της συγκόμωσης με βάση τις τιμές του δείκτη βλάστησης. 92

93 outliers MULTI REF R Sq Linear = 0, ,00 50,00 100,00 150,00 200,00 250,00 300,00 SR Διάγραμμα 6. Απεικόνιση του νέφους σημείων της συσχέτισης μεταξύ του δείκτη βλάστησης SR και των δεδομένων αναφοράς της πολυφασματικής εικόνας. Σε κόκκινο κύκλο περικλείονται τα σημεία που αποκλίνουν σημαντικά από τα υπόλοιπα MULTI REF R Sq Linear = 0, ,00 50,00 100,00 150,00 200,00 250,00 300,00 sr Διάγραμμα 7. Το νέφος σημείων μετά από τη διαγραφή των δύο σημείων. Η ακρίβεια του μοντέλου (R 2 ) αυξήθηκε από 0,792 σε 0,

94 Από τη στατιστική επεξεργασία που πραγματοποιήθηκε με το στατιστικό πακέτο SPSS 13.0 προέκυψε το παρακάτω μοντέλο παλινδρόμησης: Y = -5, ,361* X όπου, Y = η συγκόμωση, και Χ = η τιμή του δείκτη βλάστησης Τα αντικείμενα επιφάνειες επιλέχθηκε να ταξινομηθούν στις παρακάτω κλάσεις: Κλάση 1: Μηδέν με πέντε τοις εκατό συγκόμωση (0 5 %) Κλάση 2: Πέντε με δέκα τοις εκατό συγκόμωση (5 10 %) Κλάση 3: Δέκα με είκοσι τοις εκατό συγκόμωση (10 20 %) Κλάση 4: Είκοσι με σαράντα τοις εκατό συγκόμωση (20 40 %) Κλάση 5: Σαράντα με εξήντα τοις εκατό συγκόμωση (40 60 %) Κλάση 6: Εξήντα με εκατό τοις εκατό συγκόμωση ( %) Σύμφωνα με το μοντέλο παλινδρόμησης οι τιμές του δείκτη βλάστησης που αντιστοιχούν στα όρια των κλάσεων αλλά και στο μέσο αυτών είναι οι εξής: για συγκόμωση 2.5 % SR = για συγκόμωση 5 % SR = 29, 197 για συγκόμωση 7.5 % SR = για συγκόμωση 10 % SR = 43, 047 για συγκόμωση 15 % SR = 56, 90 για συγκόμωση 20 % SR = 70, 748 για συγκόμωση 30 % SR = για συγκόμωση 40 % SR = 126, 15 για συγκόμωση 50 % SR = 153, 85 για συγκόμωση 60 % SR = 181, 551 για συγκόμωση 70 % SR =

95 Στην αντικειμενοστραφή ταξινόμηση υπάρχει η δυνατότητα να χρησιμοποιηθεί ασαφής λογική, πράγμα το οποίο σημαίνει ότι ένα αντικείμενο που ταξινομείται μπορεί να έχει συμμετοχή ή αλλιώς να ανήκει ως ένα βαθμό σε περισσότερες από μία κλάσεις, για παράδειγμα 0,6 (με μέγιστο τη μονάδα) σε μία κλάση και 0,2 σε κάποια άλλη. Τελικά το αντικείμενο αυτό θα τοποθετηθεί σε μία κλάση (σε αυτή με τη μεγαλύτερη συμμετοχή) αλλά μας παρέχεται επιπλέον η πληροφορία της συμμετοχής του και στις άλλες κλάσεις. Όσο μεγαλύτερη είναι η διαφορά της συμμετοχής από την πρώτη στη δεύτερη κλάση, τόσο πιο σταθερή είναι η ταξινόμηση και άρα τόσο σιγουρότεροι είμαστε ότι το αντικείμενο ταξινομήθηκε σωστά. Όταν η συμμετοχή του αντικειμένου σε δύο κλάσεις είναι ίδια, τότε η τελική ταξινόμησή του σε μία από αυτές αποτελεί τυχαίο γεγονός. Επίσης όσο μεγαλύτερη η τιμή συμμετοχής του αντικειμένου σε μία κλάση τόσο πιο καλά σημαίνει ότι εκπληρώνει την περιγραφή της κλάσης και ταυτίζεται με αυτήν. Προκειμένου να χρησιμοποιηθεί ασαφής λογική κατά την ταξινόμηση, δυνατότητα που μας παρέχεται, όπως αναφέρθηκε, από το λογισμικό, δεν ορίστηκαν απότομα τα όρια μεταξύ των κλάσεων αλλά αντί αυτών χρησιμοποιήθηκαν τα διαστήματα εμπιστοσύνης των ορίων, τα οποία υπολογίστηκαν με τη βοήθεια του στατιστικού πακέτου SPSS. Τα διαστήματα εμπιστοσύνης της γραμμής παλινδρόμησης υπολογίστηκαν για πιθανότητα 95 % και περικλείουν την επιφάνεια μέσα στην οποία υπάρχει 95 % πιθανότητα να βρίσκεται η πραγματική γραμμή παλινδρόμησης. (Motulsky, 2003). Η αβεβαιότητα (ή αλλιώς η απόκλιση των διαστημάτων εμπιστοσύνης από τη γραμμή παλινδρόμησης) είναι ελάχιστη στον μέσο όρο των τιμών του δείκτη βλάστησης και αυξάνει όσο πηγαίνουμε προς μεγαλύτερες ή μικρότερες τιμές του. Έτσι παρατηρούμε στο διάγραμμα 8 ότι οι γραμμές των διαστημάτων εμπιστοσύνης πλησιάζουν τη γραμμή παλινδρόμησης στην μέση τιμή του SR ενώ απομακρύνονται στις μεγαλύτερες ή μικρότερες τιμές του. Αντίστοιχα με τα διαστήματα εμπιστοσύνης υπάρχουν και τα διαστήματα πρόβλεψης που περιλαμβάνουν το 95 % από όλα τα ζεύγη τιμών. Τα όρια αυτά απεικονίζονται ως παράλληλες προς την γραμμή παλινδρόμησης γραμμές. 95

96 MULTI REF R Sq Linear = 0, ,00 50,00 100,00 150,00 200,00 250,00 300,00 sr Διάγραμμα 8. Απεικονίζεται το νέφος σημείων της συσχέτισης του δείκτη βλάστησης SR με τα δεδομένα αναφοράς της συγκόμωσης, η γραμμή παλινδρόμησης, τα διαστήματα εμπιστοσύνης για 95 % πιθανότητα καθώς και τα διαστήματα πρόβλεψης. 96

97 5.4.3 ΤΑΞΙΝΟΜΗΣΗ ΜΕ ΚΑΝΟΝΕΣ ΑΣΑΦΟΥΣ ΛΟΓΙΚΗΣ Για την επίτευξη της ταξινόμησης με κανόνες ασαφούς λογικής οι κλάσεις ορίστηκαν ως ακολούθως: Κλάση 1 (0-5 %). Για την κλάση αυτή ορίστηκε ότι η μέγιστη τιμή συμμετοχής (ίση με τη μονάδα) θα αποδοθεί από την χαμηλότερη τιμή του SR μέχρι την τιμή του SR που χαρακτηρίζει το κέντρο της κλάσης (δηλαδή 2.5 % συγκόμωση), ενώ από την τιμή αυτήν και μέχρι το ανώτερο όριο εμπιστοσύνης του SR για 5 % συγκόμωση θα φθίνει αναλογικά. Το ανώτερο όριο εμπιστοσύνης της γραμμής παλινδρόμησης για 5 % συγκόμωση είναι 37,41. Για να γίνει περισσότερο κατανοητή η περιγραφή κάθε κλάσης παρατίθεται η περιγραφή τους όπως ορίστηκε στο λογισμικό Definiens (εικόνα 36). Εικόνα 36. Κριτήρια ταξινόμησης για την κλάση 0-5 % συγκόμωση. 97

98 Κλάση 2 (5-10 %). Για την κλάση αυτή ορίστηκε ότι η μέγιστη τιμή συμμετοχής (ίση με τη μονάδα) θα αποδοθεί στην τιμή του SR που χαρακτηρίζει το κέντρο της κλάσης (δηλαδή 7.5 % συγκόμωση). Από την τιμή αυτήν και μέχρι το κατώτερο αλλά και το ανώτερο όριο εμπιστοσύνης του SR για 5 και 10 % συγκόμωση αντίστοιχα (τιμές 20,96 και 50,32) θα φθίνει αναλογικά (εικόνα 37). Εικόνα 37. Κριτήρια ταξινόμησης για την κλάση 5-10 % συγκόμωση. 98

99 Κλάση 3 (10-20 %). Για την κλάση αυτή ορίστηκε ότι η μέγιστη τιμή συμμετοχής (ίση με τη μονάδα) θα αποδοθεί στην τιμή του SR που χαρακτηρίζει το κέντρο της κλάσης (15 % συγκόμωση). Από την τιμή αυτήν και μέχρι το κατώτερο αλλά και το ανώτερο όριο εμπιστοσύνης του SR για 10 και 20 % συγκόμωση αντίστοιχα (τιμές 35,74 και 76,56) θα φθίνει αναλογικά (εικόνα 38). Εικόνα 38. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση. 99

100 Κλάση 4 (20-40 %). Για την κλάση αυτή ορίστηκε ότι η μέγιστη τιμή συμμετοχής (ίση με τη μονάδα) θα αποδοθεί στην τιμή του SR που χαρακτηρίζει το κέντρο της κλάσης (30 % συγκόμωση) ενώ από την τιμή αυτήν και μέχρι το κατώτερο αλλά και το ανώτερο όριο εμπιστοσύνης του SR για 20 και 40 % συγκόμωση αντίστοιχα (τιμές 64,88 και 132,05) θα φθίνει αναλογικά (εικόνα 39). Εικόνα 39. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση. 100

101 Κλάση 5 (40-60 %). Για την κλάση αυτή ορίστηκε ότι η μέγιστη τιμή συμμετοχής (ίση με τη μονάδα) θα αποδοθεί στην τιμή του SR που χαρακτηρίζει το κέντρο της κλάσης (50 % συγκόμωση) ενώ από την τιμή αυτήν και μέχρι το κατώτερο αλλά και το ανώτερο όριο εμπιστοσύνης του SR για 40 και 60 % συγκόμωση αντίστοιχα (τιμές 120,17 και 190,92) θα φθίνει αναλογικά (εικόνα 40). Εικόνα 40. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση. 101

102 Κλάση 6 ( %). Για την κλάση αυτή ορίστηκε ότι η μέγιστη τιμή συμμετοχής (ίση με τη μονάδα) θα αποδοθεί από την μεγαλύτερη τιμή του SR μέχρι την τιμή του για 70 % συγκόμωση. Η τιμή αυτή ορίστηκε για να υπάρχει αναλογικότητα στον χαρακτηρισμό των κλάσεων, αφού 70 % συγκόμωση θα ήταν το κέντρο της κλάσης 60 με 80 % εάν υπήρχε η κλάση αυτή στο σχήμα ταξινόμησης. Από την τιμή του SR για 70 % συγκόμωση και μέχρι το κατώτερο όριο εμπιστοσύνης του SR για 60 % συγκόμωση (τιμή 172,06) η τιμή συμμετοχής (membership value) θα φθίνει αναλογικά. (εικόνα 41). Εικόνα 41. Κριτήρια ταξινόμησης για την κλάση % συγκόμωση. Για να γίνει κατανοητό το σχήμα ταξινόμησης και η περιγραφή των κλάσεων συγκόμωσης συναρτήσει των διαστημάτων εμπιστοσύνης της γραμμής παλινδρόμησης παρατίθεται το διάγραμμα 1 στο παράρτημα. Στο διάγραμμα 2 του παραρτήματος παρουσιάζεται το αντίστοιχο διάγραμμα που θα προέκυπτε εάν αντί των διαστημάτων εμπιστοσύνης χρησιμοποιούνταν για την ταξινόμηση τα διαστήματα πρόβλεψης. 102

103 Παρατηρώντας τα διαγράμματα αυτά βλέπουμε ότι χρησιμοποιώντας τα διαστήματα εμπιστοσύνης για κάθε τιμή του δείκτη βλάστησης (άξονας Χ) παίρνουμε τιμές συμμετοχής για δύο κλάσεις το μέγιστο, ενώ εάν είχαν χρησιμοποιηθεί τα διαστήματα πρόβλεψης η ασάφεια θα μεγάλωνε αφού για κάθε τιμή του δείκτη βλάστησης θα παίρναμε τιμή συμμετοχής για έως τέσσερις κλάσεις. Παρόλα αυτά η ελάχιστη τιμή συμμετοχής στην ταξινόμηση με τα διαστήματα πρόβλεψης θα ήταν περίπου 0,65 ενώ με τα διαστήματα εμπιστοσύνης είναι περίπου 0,16. Αυτό σημαίνει ότι ο έλεγχος της ακρίβειας ταξινόμησης με τη λειτουργία best classification result του λογισμικού θα μας δώσει χαμηλές τιμές για έναν αριθμό αντικειμένων πράγμα το οποίο όμως δεν αναμένεται να επηρεάσει τελικά την ακρίβεια της ταξινόμησης. Η υπόθεση αυτή θα ελεγχθεί παρακάτω όπου θα περιγραφεί ο τρόπος με τον οποίο ελέγχθηκε η ακρίβεια. Στην εικόνα 42 φαίνεται το αποτέλεσμα της ταξινόμησης των αντικειμένων με βάση τις τιμές του δείκτη βλάστησης και στην εικόνα 43 οι κλάσεις όπως προέκυψαν μετά από την συνένωση των αντικειμένων που ανήκουν στην ίδια κλάση. Στις εικόνες αυτές απεικονίζονται με διάφορους τόνους του πράσινου όσα αντικείμενα (επιφάνειες) έχουν συγκόμωση μικρότερη από 20 % ενώ με πορτοκαλί και κόκκινο αυτές που έχουν μεγαλύτερη. Για κάθε ένα από τα αντικείμενα των εικόνων 42 (χωρίς συνένωση των αντικειμένων που ανήκουν στην ίδια κλάση) και 43 (ύστερα από συνένωση) με τη βοήθεια του λογισμικού Definiens εξάχθηκαν, εκτός της κλάσης στην οποία ανήκουν, και τα παρακάτω χαρακτηριστικά: Εμβαδόν, προσανατολισμός, θέση (συντεταγμένες Χ, Υ), μήκος, πλάτος, βαθμός επιμήκυνσης (Length to Width Ratio), απόσταση τους από την κοντινότερη επιφάνεια της ίδιας ή άλλων κλάσεων συγκόμωσης, απόσταση κάθε επιφάνειας από την κλάση νερό και από το κοντινότερο κτήριο (με κεραμοσκεπή ή πλάκα από οπλισμένο σκυρόδεμα). Επιπρόσθετα εξάχθηκαν οι τιμές συμμετοχής τους στις διάφορες κλάσεις συγκόμωσης, αφού όπως προαναφέρθηκε για την ταξινόμηση των αντικειμένων στις κλάσεις συγκόμωσης χρησιμοποιήθηκαν κανόνες ασαφούς λογικής. Τέλος με τη βοήθεια του ArcInfo 9.2 υπολογίστηκε για κάθε αντικείμενοεπιφάνεια, η μέση κλίση, η απόστασή από τον κοντινότερο οδικό άξονα καθώς και η απόσταση (για κάθε αντικείμενο-επιφάνεια της εικόνας 43) από οποιοδήποτε άλλο σε ακτίνα εκατό και διακοσίων μέτρων. 103

104 Τα αντικείμενα επιφάνειες, που αντιστοιχούν σε φυσικά διάκενα ή περιοχές με χαμηλή συγκόμωση, συνθέτουν πολύτιμο χώρο όπου η πυρκαγιά θα παρουσιάσει μειωμένη ένταση και κατά συνέπεια θα είναι εφικτή η καταπολέμησή της με επίγειες δυνάμεις. Για το λόγο αυτό θα πρέπει να είναι γνωστή η θέση και κατανομή των επιφανειών αυτών, καθώς και τα υπόλοιπα συνοδευτικά χαρακτηριστικά που προαναφέρθηκαν. 104

105 ΥΠΟΜΝΗΜΑ Νερό Κτήρια με πλάκα Κτήρια με κεραμοσκεπή 0-5 % συγκόμωση ± 5-10 % συγκόμωση % συγκόμωση % συγκόμωση % συγκόμωση % συγκόμωση Εικόνα 42. Απεικόνιση των αποτελεσμάτων της ταξινόμησης. 105

106 ΥΠΟΜΝΗΜΑ Νερό Κτήρια με πλάκα Κτήρια με κεραμοσκεπή Κλάσεις συγκόμωσης (fused) 0-5 % συγκόμωση ± 5-10 % συγκόμωση % συγκόμωση % συγκόμωση % συγκόμωση % συγκόμωση Εικόνα 43. Απεικόνιση των αποτελεσμάτων της ταξινόμησης έπειτα από τη συνένωση των επιφανειών που ανήκουν στην ίδια κλάση. 106

107 5.4.4 ΕΛΕΓΧΟΣ ΤΗΣ ΑΚΡΙΒΕΙΑΣ ΤΑΞΙΝΟΜΗΣΗΣ ΤΩΝ ΚΛΑΣΕΩΝ ΣΥΓΚΟΜΩΣΗΣ Όπως αναφέρθηκε και στην αρχή της εργασίας, όπου αξιολογήθηκε ένας αριθμός δεικτών βλάστησης σε σχέση με τη συγκόμωση της βλάστησης, δεν υπάρχουν διαθέσιμα δεδομένα αναφοράς που να έχουν συλλεγεί στο πεδίο. Για το λόγο αυτό προκειμένου να ελεγχθεί η ακρίβεια της ταξινόμησης των αντικειμένων χρησιμοποιήθηκαν τεχνικές φωτοερμηνείας. Χρησιμοποιήθηκε και πάλι η μέθοδος των στιγμών αλλά αυτή τη φορά στα αντικείμενα επιφάνειες που προέκυψαν από την ταξινόμηση. Για το σκοπό αυτό επιλέχθηκαν 50 αντικείμενα από κάθε κατηγορία ακολουθώντας τον εμπειρικό κανόνα που αναφέρουν οι Congalton και Green (1999), ότι για την κατασκευή μιας μήτρας σφαλμάτων απαιτούνται 50 δειγματοληπτικές επιφάνειες για κάθε κλάση. Οι παραπάνω ερευνητές αναφέρουν επίσης ότι όταν η έκταση ταξινόμησης είναι πολύ μεγάλη ή όταν οι κλάσεις στο σχήμα ταξινόμησης είναι πολλές (περισσότερες από 12) τότε θα πρέπει να λαμβάνονται 75 ή 100 δειγματοληπτικές επιφάνειες για κάθε κατηγορία. Η επιλογή των επιφανειών για αξιολόγηση έγινε συστηματικά με βάση τον αριθμό ID των επιφανειών σε κάθε κλάση από τον πίνακα χαρακτηριστικών τους. Οι δειγματοληπτικές επιφάνειες που επιλέχθηκαν για φωτοερμηνεία από κάθε κλάση απεικονίζονται στην εικόνα 44. Αρχικά με τη βοήθεια του λογισμικού ArcInfo 9.2 υπολογίστηκε ο αριθμός των στιγμών που έπεφταν μέσα σε κάθε δειγματοληπτική επιφάνεια. Στη συνέχεια μετρώντας τις στιγμές που βρίσκονταν επάνω στην κομοστέγη της βλάστησης, πολλαπλασιάζοντας με το 100 και διαιρώντας τον αριθμό αυτό με τον συνολικό αριθμό των στιγμών της κάθε επιφάνειας εκτιμήθηκε η συγκόμωση. Κατά αυτόν τον τρόπο και σε κλίμακα εκτίμησης 1: 800, εκτιμήθηκε η συγκόμωση σε όλες τις δειγματοληπτικές επιφάνειες (300 στο σύνολο) και δημιουργήθηκαν τα δεδομένα αναφοράς έτσι ώστε να κατασκευαστεί η μήτρα σφαλμάτων ταξινόμησης και να ελεγχθεί η ακρίβεια. 107

108 ΥΠΟΜΝΗΜΑ 0-5 % ± 5-10 % % % % % Νερό Εικόνα 44. Στον χάρτη φαίνονται οι δειγματοληπτικές επιφάνειες που επελέγησαν για φωτοερμηνεία από κάθε κλάση με σκοπό την αξιολόγηση της ακρίβειας της ταξινόμησης. 108

109 Η μήτρα σφαλμάτων ταξινόμησης ή αλλιώς πίνακας σύμπτωσης είναι ένας πίνακας συχνοτήτων όπου τα αποτελέσματα της ταξινόμησης αντιστοιχούν στις σειρές ενώ των δεδομένων αναφοράς στις στήλες. Αποτελεί έναν τρόπο για να ελεγχθεί η ακρίβεια της ταξινόμησης εκτιμώντας την ακρίβεια σε κάθε κλάση ξεχωριστά και υπολογίζοντας το σφάλμα παράλειψης και αναπλήρωσης. Το σφάλμα αναπλήρωσης ορίζεται ως την λανθασμένη τοποθέτηση μιας επιφάνειας σε μία κλάση όπου δεν ανήκει ενώ το σφάλμα παράλειψης αφορά την εξαίρεση μιας επιφάνειας από μία κλάση στην οποία ανήκει πραγματικά (Congalton και Green, 1999). Κάθε σφάλμα στη μήτρα είναι μία εξαίρεση της επιφάνειας από μία κλάση όπου ανήκει πραγματικά και η τοποθέτησή της σε μία άλλη όπου δεν ανήκει. Κάποιοι άλλοι ορισμοί σχετικά με το σφάλμα παράλειψης και το σφάλμα αναπλήρωσης είναι οι εξής: Το σφάλμα παράλειψης της Χ κατηγορίας σχετίζεται με εκείνα τα δειγματοληπτικά σημεία ή επιφάνειες οι οποίες ενώ ταξινομήθηκαν σε άλλη κατηγορία διαπιστώθηκε από τα δεδομένα αναφοράς ότι ανήκουν στην υπόψη κατηγορία (Schultink και Karteris 1981) ενώ, Το σφάλμα αναπλήρωσης της Χ κατηγορίας σχετίζεται με τον αριθμό των δειγματοληπτικών σημείων ή επιφανειών οι οποίες ενώ ταξινομήθηκαν στη Χ κατηγορία, διαπιστώθηκε από τα δεδομένα αναφοράς ότι ανήκουν σε άλλες κατηγορίες. Επάνω στη διαγώνιο μιας μήτρας σφαλμάτων βρίσκονται οι σωστά ταξινομημένες επιφάνειες ο αριθμός των οποίων αν διαιρεθεί με το σύνολο των επιφανειών της μήτρας θα προκύψει η συνολική ακρίβεια της ταξινόμησης. Επίσης σε μία μήτρα σφαλμάτων ταξινόμησης ελέγχεται η ακρίβεια με την οποία η πραγματικότητα αντιπροσωπεύεται από το χάρτη (ακρίβεια του κατασκευαστή) και ο βαθμός ακρίβειας με τον οποίο η χαρτογράφηση κάθε κατηγορίας αντιπροσωπεύει την πραγματικότητα (ακρίβεια του χρήστη). Η ακρίβεια του κατασκευαστή υπό στατιστική έκφραση ερμηνεύεται ως η πιθανότητα να γίνει σφάλμα παράλειψης ενώ η ακρίβεια του χρήστη ως η πιθανότητα να γίνει σφάλμα αναπλήρωσης (Καρτέρης 1990). Οι Congalton και Green (1999) αναφέρουν ότι, εκτός της απλής μήτρας ταξινόμησης υπάρχει και η επεκτεινόμενη μήτρα (extended error matrix) στην οποία, εκτός των επιφανειών οι οποίες βρίσκονται μέσα στα όρια μιας κλάσης χαρακτηρίζονται ως αποδεκτές και άλλες, οι οποίες όμως δεν αποκλίνουν πέρα από κάποια καθορισμένα όρια. Για τη συγκόμωση της βλάστησης ο Spurr (1948) αναφέρει ότι η χαρτογράφηση της συγκόμωσης μπορεί να παρουσιάζει διακύμανση συν πλην (+/-) 10 %. Για την κατασκευή της μήτρας σφαλμάτων ταξινόμησης σε αυτήν την εργασία υιοθετήθηκε μια ακόμη πιο συντηρητική προσέγγιση κρίνοντας ως αποδεκτές, για τον υπολογισμό της ακρίβειας, της επιφάνειες που αποκλίνουν από τα όρια της κλάσης σε ποσοστό 5 % της συγκόμωσης. Για παράδειγμα στην κλάση % ανήκουν απόλυτα οι επιφάνειες για τις 109

110 οποίες από την φωτοερμηνεία εκτιμήθηκε η συγκόμωσή τους μέσα στα όρια της κλάσης αλλά κρίνονται επίσης αποδεκτές και οι επιφάνειες που από τη φωτοερμηνεία βρέθηκε να έχουν 5-10 και % συγκόμωση. Με τον τρόπο αυτό κατά την εκτίμηση της ακρίβειας με τη μήτρα σφαλμάτων εισάγονται κανόνες ασαφούς λογικής με βάση τους οποίους υποστηρίζεται ότι στα όρια κλάσεων που διαιρούν μια συνεχόμενη μεταβλητή ένα αντικείμενο μπορεί να ανήκει και στις δύο κλάσεις. Η προσέγγιση αυτή προτάθηκε από τους Gopal και Woodcock (1994) και εφαρμόστηκε για την εκτίμηση της ακρίβειας στην Region 5 της U.S. Forest Service. Επίσης εφαρμόστηκε επιτυχώς από την Pacific Meridian Resources για την εκτίμηση των τύπων βλάστησης στην Quinalt Indian Reservation καθώς και για ένα τμήμα του Tongass National Forest. Παρακάτω παρουσιάζεται τόσο η επεκτεινόμενη μήτρα σφαλμάτων που προέκυψε με βάση αυτή την προσέγγιση, μετά από την πραγματοποίηση της φωτοερμηνείας στις επιλεγμένες δειγματοληπτικές επιφάνειες, όσο και η απλή μήτρα ταξινόμησης (πίνακες 8 και 9). Στην επεκτεινόμενη μήτρα σφαλμάτων βλέπουμε ότι στα κελιά όπου αναγράφονται οι απώλειες της κάθε κλάσης υπάρχουν δύο αριθμοί που διαχωρίζονται με κόμμα. Από αυτούς ο πρώτος αριθμός αφορά τις δειγματοληπτικές επιφάνειες που, αν και εκτός των ορίων της κλάσης, θεωρούνται αποδεκτές επειδή βρίσκονται μέσα στα όρια μιας απόκλισης της τάξης του 5 % ενώ ο δεύτερος αριθμός αφορά τις δειγματοληπτικές επιφάνειες που βρίσκονται εκτός των ορίων της κλάσης και παραμένουν μη αποδεκτές. Βλέπουμε ότι στην επεκτεινόμενη μήτρα σφαλμάτων (extended error matrix) θεωρώντας ως αποδεκτές τις επιφάνειες που αποκλίνουν από τα όρια της κάθε κλάσης κατά 5 %, η ακρίβεια αυξήθηκε από 72,67 που ήταν στην απλή μήτρα, σε 96 %. Η ακρίβεια της ταξινόμησης που επιτεύχθηκε κρίνεται ικανοποιητική αφού και στις δύο μήτρες σφαλμάτων ταξινόμησης ξεπερνά το 70 %. Ερμηνεύοντας την απλή μήτρα σφαλμάτων θα μπορούσαμε να πούμε ότι για τις τρεις πρώτες κλάσεις (συγκόμωση έως 20 %), που θα μας απασχολήσουν περισσότερο, υπήρξε μία υπερεκτίμηση της συγκόμωσης από το μοντέλο ταξινόμησης. Για παράδειγμα στην κλάση 2 (5-10 %) από τις 50 δειγματοληπτικές επιφάνειες, οι 29 ήταν εκτός των ορίων της κλάσης σύμφωνα με τα αποτελέσματα της φωτοερμηνείας αλλά οι 28 από τις 29 βρέθηκε ότι ανήκουν σε μικρότερη κλάση (0-5 %). Αυτό είναι ιδιαίτερα σημαντικό γιατί για την καταστολή πυρκαγιών μας ενδιαφέρουν κυρίως τα διάκενα και οι επιφάνειες με χαμηλή συγκόμωση οι οποίες αντιπροσωπεύονται κυρίως από τις τρεις πρώτες κλάσεις (0-20% συγκόμωση). Συνεπώς τα αποτελέσματα της ταξινόμησης θεωρούνται αξιόπιστα για την αξιοποίησή τους στον σχεδιασμό καταστολής δασικών πυρκαγιών. 110

111 Τέλος υπολογίστηκαν τα όρια εμπιστοσύνης της ακρίβειας χαρτογράφησης με βάση την ακρίβεια της επεκτεινόμενης μήτρας σφαλμάτων, για πιθανότητα 95 % και δίπλευρο έλεγχο, με τον παρακάτω τύπο. Pi +/- t Pi(100 Pi Ni 50 + Ni το t για πιθανότητα 95 % είναι 1,96, το Pi είναι η συνολική ακρίβεια της ταξινόμησης και Ni είναι το μέγεθος του δείγματος Άρα, 96 +/- 1,96 96(100 96) /- 2,38 και επομένως, το ανώτερο όριο ακρίβειας είναι 98,38 % και το κατώτερο 93,62 % 111

112 ΕΠΕΚΤΕΙΝΟΜΕΝΗ ΜΗΤΡΑ ΣΦΑΛΜΑΤΩΝ ΜΕ ΧΡΗΣΗ ΚΑΝΟΝΩΝ ΑΣΑΦΟΥΣ ΛΟΓΙΚΗΣ Κατηγορία ταξινόμησης Σφάλμα Δεδομένα αναφοράς που προέκυψαν με τεχνικές φωτοερμηνείας αναπλήρωσης Κλάση 1 Κλάση 2 Κλάση 3 Κλάση 4 Κλάση 5 Κλάση 6 (0-5 %) (5-10 %) (10-20 %) (20-40 %) (40-60 %) ( %) Σύνολο Απωλ % Ακρίβεια χαρτογράφησης του χρήστη (%) Ταξινόμηση Κλάση 1 (0-5 %) 48 2, Κλάση 2 (5-10 %) 28, , Κλάση 3 (10-20 %) 4 17, , Κλάση 4 (20-40 %) 4, , Κλάση 5 (40-60 %) 3, , Κλάση 6 ( %) 1, Ν = Σύνολο Σφάλμα Απωλ παράλειψης % Ακρίβεια χαρτογράφησης του κατασκευαστή % Πίνακας 8. Η επεκτεινόμενη μήτρα σφαλμάτων ταξινόμησης των κλάσεων συγκόμωσης. Συνολική ακρίβεια Ρ = 96 % 112

113 ΑΠΛΗ ΜΗΤΡΑ ΣΦΑΛΜΑΤΩΝ ΤΑΞΙΝΟΜΗΣΗΣ Δεδομένα αναφοράς που προέκυψαν με τεχνικές φωτοερμηνείας Σφάλμα αναπλήρωσης Ακρίβεια Κλάση 1 Κλάση 2 Κλάση 3 Κλάση 4 Κλάση 5 Κλάση 6 χαρτογράφησης Κατηγορία ταξινόμησης (0-5 %) (5-10%) (10-20 %) (20-40 %) (40-60 %) ( %) Σύνολο Απωλ. % του χρήστη (%) Κλάση 1 (0-5 %) Κλάση 2 (5-10 %) Κλάση 3 Ταξινόμηση (10-20 %) Κλάση 4 (20-40 %) Κλάση 5 (40-60 %) Κλάση 6 ( %) Σύνολο Σφάλμα Απωλ παράλειψης % Ακρίβεια χαρτογράφησης του κατασκευαστή % Συνολική ακρίβεια P =72.67 % Πίνακας 9. Η απλή μήτρα σφαλμάτων ταξινόμησης των κλάσεων συγκόμωσης. 113

114 Για την εκτίμηση της ποιότητας της ταξινόμησης, από το λογισμικό Definiens, παρέχονται τα παρακάτω εργαλεία: 1) Classification Stability. Το λογισμικό Definiens χρησιμοποιεί μεθόδους ταξινόμησης ασαφούς λογικής. Αυτό σημαίνει ότι ένα αντικείμενο μπορεί να έχει τιμές συμμετοχής (membership values) σε περισσότερες από μία κλάσεις του σχήματος ταξινόμησης. Με το εργαλείο αυτό μπορεί να εκτιμηθεί η διαφορά μεταξύ της υψηλότερης τιμής συμμετοχής σε μία κλάση με την δεύτερη μεγαλύτερη που σχετίζεται με μία άλλη. Όσο μεγαλύτερη είναι η διαφορά αυτή, τόσο πιο σταθερή κρίνεται η ταξινόμηση. Στην ταξινόμηση των αντικειμένων σε κλάσεις συγκόμωσης χρησιμοποιήθηκαν τα όρια εμπιστοσύνης και για το λόγο αυτό αναμενόταν η σταθερότητα της ταξινόμησης να είναι μικρή για αντικείμενα στα όρια των κλάσεων. Αυτό γίνεται εύκολα αντιληπτό αν παρατηρήσουμε το διάγραμμα 1 του παραρτήματος. Στην εικόνα 45 φαίνεται γραφικά το αποτέλεσμα της εκτίμησης της σταθερότητας της ταξινόμησης και στην εικόνα 45 ο πίνακας με τα σχετικά στατιστικά αποτελέσματα. Τα περισσότερο σταθερά ταξινομημένα αντικείμενα χρωματίζονται με πράσινο, ενώ τα πλέον ασταθή με κόκκινο. Εικόνα 45 Σταθερότητα της ταξινόμησης (Classification Stability). 114

115 Εικόνα 46. Ο πίνακας των στατιστικών αποτελεσμάτων της σταθερότητας ταξινόμησης (Classification Stability). 2) Best Classification Result. Κάθε αντικείμενο μπορεί να χαρακτηρίζεται όπως προαναφέρθηκε από τιμές συμμετοχής (membership values) σε περισσότερες από μία κλάσεις. Η μεγαλύτερη τιμή από όλες με βάση την οποία τελικά ταξινομείται ένα αντικείμενο σε μία κλάση χαρακτηρίζει το μέτρο Αποτέλεσμα Βέλτιστης Ταξινόμησης (Best Classification Result). Το αποτέλεσμα της εκτίμησης αυτού του μέτρου είναι η εικόνα 47, όπου κάθε αντικείμενο χρωματίζεται από σκούρο πράσινο για τιμή συμμετοχής 1 έως κόκκινο για τιμή συμμετοχής ίση με 0, ενώ παρατίθεται και ο πίνακας των στατιστικών αποτελεσμάτων (εικόνα 48). Στην εικόνα 47 παρατηρούμε ότι δεν υπάρχουν αντικείμενα με κόκκινο χρώμα, πράγμα που σημαίνει ότι για όλα τα αντικείμενα υπήρχε τιμή συμμετοχής μεγαλύτερη από το 0 ενώ στον πίνακα στατιστικών φαίνεται ότι η μέσες τιμές του μέτρου Αποτέλεσμα Βέλτιστης Ταξινόμησης για όλες της κλάσεις είναι ικανοποιητικές. Και σε αυτήν την περίπτωση, όπως και στην σταθερότητα ταξινόμησης, τα αποτελέσματα εξαρτώνται σε μεγάλο βαθμό από τον τρόπο που ορίστηκαν τα όρια των κλάσεων. Στην περίπτωσή μας, όπως προκύπτει άλλωστε και από το διάγραμμα 1 του παραρτήματος, η μέθοδος που ακολουθήθηκε προκαλεί αναπόφευκτα την ταξινόμηση ενός αριθμού αντικειμένων, που βρίσκονται στα όρια μεταξύ των κλάσεων, με χαμηλές σχετικά τιμές συμμετοχής. 115

116 Εικόνα 47. Αποτέλεσμα Βέλτιστης Ταξινόμησης. Εικόνα 48. Ο πίνακας των στατιστικών αποτελεσμάτων του Αποτελέσματος Βέλτιστης Ταξινόμησης. 116