ΓΚΙΝΗΣ ΙΩΑΝΝΗΣ ΧΑΤΖΟΠΟΥΛΟΣ-ΒΟΥΖΟΓΛΑΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: Αποτύπωση των επιπτώσεων της οικονομικής κρίσης στην αστική διάχυση και εξάπλωση, με χρήση δεδομένων και μεθόδων τηλεπισκόπησης: Η περίπτωση τεσσάρων Δ.Ε. της Θεσσαλονίκης και της Χαλκιδικής. ΓΚΙΝΗΣ ΙΩΑΝΝΗΣ ΧΑΤΖΟΠΟΥΛΟΣ-ΒΟΥΖΟΓΛΑΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ ΘΕΣΣΑΛΟΝΙΚΗ, ΣΕΠΤΕΜΒΡΙΟΣ 2015

2 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΧΩΡΟΤΑΞΙΑΣ ΚΑΙ ΑΝΑΠΤΥΞΗΣ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: Αποτύπωση των επιπτώσεων της οικονομικής κρίσης στην αστική διάχυση και εξάπλωση, με χρήση δεδομένων και μεθόδων τηλεπισκόπησης: Η περίπτωση τεσσάρων Δ.Ε. της Θεσσαλονίκης και της Χαλκιδικής. ΓΚΙΝΗΣ ΙΩΑΝΝΗΣ ΑΕΜ: 337 ΧΑΤΖΟΠΟΥΛΟΣ-ΒΟΥΖΟΓΛΑΝΗΣ ΚΩΝΣΤΑΝΤΙΝΟΣ AEM: 398 ΕΠΙΒΛΕΠΩΝ: Σ. ΣΤΥΛΙΑΝΙΔΗΣ, ΕΠΙΚΟΥΡΟΣ ΚΑΘΗΓΗΤΗΣ Α.Π.Θ. ΣΥΝΕΠΙΒΛΕΠΩΝ: Ι. ΜΑΝΑΚΟΣ, ΕΡΕΥΝΗΤΗΣ Ε.Κ.Ε.Τ.Α. ΘΕΣΣΑΛΟΝΙΚΗ, ΣΕΠΤΕΜΒΡΙΟΣ

3 Περιεχόμενα Ευχαριστίες... 6 Περίληψη... 7 Abstract... 7 Σκοπός μελέτης Κεφάλαιο 1: Θεωρία Έννοιες Τηλεπισκόπηση Ορισμός Ηλεκτρομαγνητικό φάσμα (ΗΜΦ) Πρόγραμμα Landsat Αστική διάχυση Παγκόσμια οικονομική κρίση του Εξαγωγή πληροφορίας από δορυφορικές εικόνες Επεξεργασία δορυφορικών εικόνων Γεωμετρική διόρθωση Ραδιομετρική διόρθωση Ατμοσφαιρική διόρθωση Ταξινόμηση εικόνας Επιβλεπόμενη τεχνική ταξινόμησης (supervised classification) Μη επιβλεπόμενη τεχνική ταξινόμησης (unsupervised classification) Αντικειμενοστραφής Ταξινόμηση (Object - Oriented Classification) Αξιολόγηση της ακρίβειας Αλγόριθμοι Ταξινόμησης Μέθοδοι Επιβλεπόμενης Ταξινόμησης Μέθοδοι μη επιβλεπόμενης ταξινόμησης Ασαφείς μέθοδοι ταξινόμησης Τυχαία δειγματοληψία (Random sampling) Δείκτες τηλεπισκόπησης Ομαλοποιημένος Δείκτης Βλάστησης (Normalized Difference Vegetation Index NDVI) Ομαλοποιημένος Δείκτης Αστικής Μεταβολής (Normalized Difference Builtup Index NDBI) Η προβληματική των μεικτών εικονοστοιχείων (the mixed pixel problem) Γενικές έννοιες/ορισμοί της τεχνικής φασματικού διαχωρισμού (spectral unmixing) Φασματική ανάλυση μείγματος (spectral mixture analysis - SMA)

4 Προσδιορισμός των συνιστωσών μονοσήμαντης ερμηνείας φάσματος (endmember) Τα στάδια του φασματικού διαχωρισμού Εντοπισμός της αλλαγής (ΕτΑ) Αλλαγή στην γήινη επιφάνεια Αλλαγή στις δορυφορικές εικόνες Επιλογή δεδομένων Περιορισμοί Χαρακτηρισμός της αλλαγής (ΧτΑ Change Labeling) Μέθοδοι ΕτΑ Παραδείγματα Κεφάλαιο 2: Δεδομένα και Μεθοδολογία Περιοχή μελέτης Δεδομένα Μεθοδολογία Προ-επεξεργασία Ταξινόμηση Αξιολόγηση ακρίβειας ταξινόμησης Εξαγωγή αποτελεσμάτων Αποτελέσματα Ταξινομήσεις 2003, 2009 και 2014 και επιλογή κατάλληλου συνδυασμού πεδίων εκπαίδευσης Ταξινομήσεις 1984, 1991 και Υπολογισμός εξέλιξης Τεχνητής Επιφάνειας Κεφάλαιο 3: Συμπεράσματα Συζήτηση Άλλες μέθοδοι και τεχνικές για την εξαγωγή πληροφορίας Χρήση στατιστικών ανάλυσης και κανόνων ταξινόμησης των μεταγενέστερων στις προγενέστερες ατμοσφαιρικά διορθωμένες εικόνες Οικονομική κρίση και οικοδομική δραστηριότητα Χρησιμότητα του κλάδου Βιβλιογραφία Ιστοσελίδες Παράρτημα

5 Η διπλωματική εργασία με τίτλο «Μελέτη επιπτώσεων της οικονομικής κρίσης στην αστική διάχυση και εξάπλωση, με χρήση δεδομένων και μεθόδων τηλεπισκόπησης» εκπονήθηκε από τους φοιτητές του Τμήματος Μηχανικών Χωροταξίας και Ανάπτυξης του Α.Π.Θ., Γκίνη Ιωάννη και Χατζόπουλο-Βουζογλάνη Κωνσταντίνο. Η εκπόνηση της εργασίας γίνεται στο πλαίσιο ολοκλήρωσης των προπτυχιακών σπουδών, ενώ την ευθύνη για το περιεχόμενο, τις πηγές και αναφορές που χρησιμοποιούνται φέρουν αποκλειστικά οι υπογράφοντες συγγραφείς της εργασίας. 5

6 Ευχαριστίες Η παρούσα διπλωματική εργασία πραγματοποιήθηκε με τη έμμεση ή άμεση συμβολή διαφόρων ατόμων, στα οποία θα θέλαμε σε αυτό το σημείο να απευθύνουμε τις ευχαριστίες μας. Αρχικά, θα θέλαμε να ευχαριστήσουμε τον επιβλέποντα καθηγητή, κ. Στυλιανίδη Ευστράτιο, για την ανταπόκριση και το χρόνο που αφιέρωσε σε συναντήσεις, διορθώσεις και παροχή συμβουλών καθόλα τα στάδια εκπόνησης της εργασίας. Ακόμα, θα θέλαμε να ευχαριστήσουμε τον κ. Μανάκο Ιωάννη, ερευνητή στο Εθνικό Κέντρο Έρευνας και Τεχνολογικής Ανάπτυξης (ΕΚΕΤΑ) και τον κ. Πέτρου Ζήση, βοηθό έρευνας στο ΕΚΕΤΑ, για την παροχή λογισμικού, τεχνογνωσίας και συμβουλών, απαραίτητων για την επιτυχής εκπόνηση της εργασίας. Τέλος, θα θέλαμε να ευχαριστήσουμε όλους τους καθηγητές του Τ.Μ.Χ.Α. για την παροχή γνώσεων μέσω της εκπαιδευτικής διαδικασίας του τμήματος, και ιδιαίτερα τους κ. Στυλιανίδη Ευστράτιο, κ. Καϊμάρη Δημήτριο και κ. Καρανικόλα Νικόλα για την εισαγωγή και γνωριμία με τις επιστήμες της Τηλεπισκόπησης, Φωτογραμμετρίας και Συστημάτων Γεωγραφικών Πληροφοριών. 6

7 Περίληψη Σε αυτή τη διπλωματική εργασία, γίνεται προσπάθεια εντοπισμού, αποτύπωσης και ποσοτικοποίησης της τεχνητής επιφάνειας της περιοχής μελέτης για έξι χρονικές στιγμές της τελευταίας τριαντακονταετίας ( ), σε συνθήκες μη επάρκειας δεδομένων αναφοράς. Σκοπός της, η συσχέτιση των αποτελεσμάτων με τις επιπτώσεις της οικονομικής κρίσης στην ανοικοδόμηση και κατασκευή υποδομών. Το πρώτο κεφάλαιο, αναφέρεται σε γενικές έννοιες για την κατανόηση του θέματος και στις επικρατέστερες τεχνικές για την εξαγωγή πληροφορίας κάλυψης γης από δορυφορικές εικόνες. Ακόμα, παρουσιάζονται παραδείγματα διεθνούς βιβλιογραφίας πάνω στον τομέα της χαρτογράφησης και της εξέλιξης της τεχνητής κάλυψης. Στο δεύτερο κεφάλαιο, γίνεται παρουσίαση της επιλεγμένης περιοχής μελέτης, η οποία αποτελείται από δυο προαστιακές και δύο τουριστικές Δημοτικές Ενότητες σε Θεσσαλονίκη και Χαλκιδική, ενώ δίνονται και πληροφορίες για τα δεδομένα και τα προγράμματα που χρησιμοποιήθηκαν. Παράλληλα, αναλύεται η μεθοδολογία που ακολουθήθηκε για την καταγραφή της αστικής κάλυψης, παρουσιάζονται τα αποτελέσματα των ταξινομήσεων και γίνεται αξιολόγηση της ακρίβειάς τους. Στο τελευταίο κεφάλαιο, γίνεται αναφορά σε εναλλακτικές τεχνικές που υστέρησαν σε σχέση με την επιλεγμένη μεθοδολογία, ενώ αιτιολογούνται και ισχυροποιούνται περεταίρω ορισμένα σημεία της μεθοδολογίας. Καταλήγοντας, πραγματοποιείται σύγκριση των αποτελεσμάτων με στατιστικά στοιχεία που αφορούν την οικοδομική δραστηριότητα της περιοχής και αναλύεται η χρησιμότητα της επιστήμης της τηλεπισκόπησης στους τομείς της παρατήρησης και χαρτογράφησης της αστικής διάχυσης. Abstract This thesis attempts to identify, map and quantify the artificial land cover of the selected study area throughout six dates in the last thirty years ( ), while there is a certain degree of insufficiency of reference data. It also aims to correlate the results of the remote sensing process with the effects of economic crisis on house and infrastructure construction. The first chapter includes some useful general concepts and the prevalent techniques for land cover information extraction from satellite images. At the same time, certain examples concerning the mapping of artificialisation from the international literature, are presented. The second chapter presents the selected study area, which consists of two suburban and two touristic NUTS-5 areas, as well as the data and the software used. Furthermore, the methodology used to record the artificial coverage, the results and the accuracy assessment that took place, are analyzed. The last chapter refers to alternative techniques that were not as sufficient as the ones used in the end, while more robust arguments are presented for the section of methodology. Moreover, a comparison of the results with statistical data on construction activity in the study area is realized, as well as the contribution of remote sensing to the fields of urban sprawl observation and mapping is discussed. 7

8 Σκοπός μελέτης Στόχος αυτή της εργασίας είναι η παρατήρηση της εξάπλωσης του αστικού ιστού και του οδικού δικτύου στις Δημοτικές Ενότητες Θερμαϊκού, Θέρμης, Ν. Προποντίδας και Κασσάνδρας κατά την τριαντακονταετία μέσω δεδομένων και μεθόδων τηλεπισκόπησης. Παράλληλα, τίθεται η υπόθεση εργασίας ότι η παγκόσμια οικονομική κρίση του 2008 έχει επιφέρει αρνητικές επιπτώσεις στην οικοδομική δραστηριότητα της χώρας, στους ρυθμούς ανοικοδόμησης και στη δημιουργία υποδομών. 8

9 1 Κεφάλαιο: Θεωρία Έννοιες 1.1 Τηλεπισκόπηση Ορισμός Η ρίζα της λέξης τηλεπισκόπηση είναι από τις αρχαίες ελληνικές λέξεις «τήλε» (από μακριά) και «επισκοπέω» (εξετάζω, βλέπω από ψηλά, επιθεωρώ). Επομένως, τηλεπισκόπηση (Remote Sensing) είναι η «αντίληψη αντικειμένων ή φαινομένων από απόσταση. Ορίζεται ως η επιστήμη της συλλογής, ανάλυσης και ερμηνείας της πληροφορίας γύρω από έναν στόχο για την αναγνώριση και μέτρηση των ιδιοτήτων του, εξετάζοντας τις αλληλεπιδράσεις του με την ηλεκτρομαγνητική ακτινοβολία, χωρίς στη πραγματικότητα να έρθουμε σε απευθείας επαφή με αυτόν» (Μερτίκας 1999). 1.2 Ηλεκτρομαγνητικό φάσμα (ΗΜΦ) ΗΜΦ είναι η ομαδοποίηση της ηλεκτρομαγνητικής ακτινοβολίας ανάλογα με το μήκος κύματος, την συχνότητα ή την ενέργεια. Τα όρια αυτού του φάσματος εκτείνονται μεταξύ των κοσμικών ακτινών και των ραδιοκυμάτων. Για την επιστήμη της τηλεπισκόπησης κύριο αντικείμενο μελέτης αποτελεί το τμήμα του ΗΜΦ που δημιουργείται από την ηλιακή ακτινοβολία, δηλαδή από τις ακτίνες γάμμα (μικρό μήκος κύματος υψηλή ενέργεια) έως τα ραδιοκύματα (μεγάλο μήκος κύματος χαμηλή ενέργεια) (Μετρίκας 1999). Τα φασματικά κανάλια (spectral bands), αποτελούν υποδιαιρέσεις του ΗΜΦ και απαρτίζονται από φασματικές γραμμές συγκεκριμένου μήκους κύματος. Η ταξινόμηση των γραμμών αυτών σε κανάλια είναι ουσιαστικά αυθαίρετη, καθώς η μετάβαση από το ένα κανάλι στο άλλο είναι βαθμιαία και όχι απότομη (Μερτίκας 1999). 1.3 Πρόγραμμα Landsat Πρόκειται για το μακροβιότερο πρόγραμμα λήψης δορυφορικών εικόνων. Toν Ιανουάριο του 1972 εκτοξεύθηκε ο πρώτος δορυφόρος Landsat 1, αρχικά υπό την ονομασία Earth Resources Technology Satellite 1 (ERTS-1) (μετονομάστηκε το 1975), ως πρωτοβουλία της Εθνική Υπηρεσία Αεροναυπηγικής και Διαστήματος (National Aeronautics and Space Administration NASA) και της Γεωλογικής Υπηρεσίας των Η.Π.Α. (U.S. Geological Survey USGS). Ο Landsat 1 ( ) είχε χρονική ανάλυση 18 ημερών, έφερε δύο αισθητήρες χωρικής ανάλυσης 80 μέτρων, τον Return Beam Vidicon (RBV), ο οποίος κατέγραφε τα ορατά φασματικά κανάλια Μπλε, Πράσινο και Κόκκινο (RGB), και τον Multi-Spectral Scanner (MSS), ο οποίος κατέγραφε δύο ορατά (πράσινο και κόκκινο) και δύο εγγύς υπέρυθρα φασματικά κανάλια. Στην συνέχεια ακολούθησαν άλλοι δύο δορυφόροι, οι Landsat 2 ( ) και 3 ( ), οι οποίοι αποτελούσαν αντίγραφα του πρώτου (URL16). Τον Ιούλιο του 1982 εκτοξεύθηκε ο Landsat 4, ενώ το εγχείρημα στήριξαν πέρα από τη NASA και τη USGS, η Εθνική Υπηρεσίας Ωκεανών και Ατμόσφαιρας (National Oceanic and Atmospheric Administration NOAA) και η Δορυφορική Εταιρεία Παρατήρησης της Γης (Earth Observation Satellite Company EOSAT), ενώ η λειτουργία του διακόπηκε το Ο δορυφόρος είχε χρονική ανάλυση 16 ημερών και έφερε τους αισθητήρες MSS και Thematic Mapper (TM), ο οποίος κατέγραφε πληροφορία σε επτά φασματικά κανάλια, τρία στο ορατό φάσμα (RGB), δύο στο εγγύς υπέρυθρο, ένα στο θερμικό και ένα στο μέσο-βραχύς υπέρυθρο. Η χωρική ανάλυση του TM ήταν 30 μέτρα σε όλα τα φασματικά κανάλια, εκτός του θερμικού που ήταν 120 μέτρα. Δύο χρόνια αργότερα εκτοξεύθηκε και ο Landsat 5 ( ), ο οποίος αποτελεί και τον μακροβιότερο ενεργό δορυφόρο του προγράμματος (URL16). 9

10 Το 1993 εκτοξεύθηκε ο Landsat 6, αλλά απέτυχε να μπει σε τροχιά. Έτσι, συνεχίστηκε η χρήση δεδομένων του Landsat 5. Παράλληλα ξεκίνησε τη λειτουργία του ο Landsat 7 (1999) με χρονική ανάλυση 16 ημερών, ενώ έφερε τον αισθητήρα Enhanced Thematic Mapper Plus (ETM+), ο οποίος κατέγραφε τα ίδια φασματικά κανάλια με τον TM, ενώ διαφοροποιούνταν στη βελτιωμένη χωρική ανάλυση στο θερμικό (60μ από 120μ) και στην ύπαρξη επιπλέον παγχρωματικού καναλιού χωρικής ανάλυσης 15 μέτρων. Τον Μάιο του 2003, ο Διορθωτής Γραμμής Σάρωσης (Scan Line Corrector- SLC), ο οποίος αντιστάθμιζε τις επιπτώσεις της εμπρόσθιας κίνησης του δορυφόρου στις εικόνες, υπέστη βλάβη. Μεταγενέστερες προσπάθειες ανάκτησης της λειτουργίας του SLC απέτυχαν, και η βλάβη θεωρήθηκε μόνιμη. Έτσι, η γραμμή σάρωσης μετατράπηκε όπως φαίνεται στην Εικόνα 1, με αποτέλεσμα την διπλή απεικόνιση της περιοχής σε πολλά σημεία (URL16). Εικόνα 1 Πορεία σάρωσης του Landsat 7 πριν (αριστερά) και μετά (δεξιά) την μόνιμη βλάβη του SLC. Πηγή: URL16. Παρόλα αυτά, ο δορυφόρος είναι ακόμα σε θέση να καταγράψει χρήσιμα δεδομένα, ιδίως στο κεντρικό τμήμα της εικόνας. Ως εκ τούτου, ο Landsat 7 ETM+ συνεχίζει τη λειτουργία του χωρίς τη χρήση του SLC, λαμβάνοντας δορυφορικές εικόνες ίδιας ραδιομετρικής και γεωμετρική ακρίβειας με αυτές που είχαν ληφθεί πριν τη βλάβη. Όμως η ακρίβεια αυτή απαντάται μόνο στο κέντρο κάθε εικόνας και στη περιοχή πλάτους 22 χιλιομέτρων, όπως φαίνεται στην Εικόνα 2 (URL16). Εικόνα 2 Δορυφορική εικόνα από Landsat 7 μετά τη βλάβη του SLC, όπου φαίνεται η επηρεασμένη και ανεπηρέαστη περιοχή. Πηγή: URL16 10

11 Εκτιμάται ότι το 22% κάθε εικόνας χάνεται εξαιτίας της βλάβης, ενώ το μέγιστο πλάτος των κενών στα δεδομένα ισοδυναμεί με μέτρα. Τέλος, η ακριβής θέση των ελλειπόντων «γραμμών» διαφέρει σε κάθε εικόνα. Τον Φεβρουάριο του 2013, εκτοξεύτηκε ο Landsat 8 OLI/TIRS, ο οποίος αποτελεί και τη πιο πρόσφατη αποστολή της σύμπραξης της NASA με τη USGS. Διαθέτει έναν πολυφασματικό αισθητήρα, τον Operational Land Imager (OLI), ο οποίος διαθέτει τα εξής φασματικά κανάλια: 1 Ορατό ( µm), χωρική ανάλυση: 30 μ 2 Ορατό ( µm), 30 μ 3 Ορατό ( µm), 30 mμ 4 Κόκκινο ( µm), 30 μ 5 Εγγύς υπέρυθρο ( µm), 30 μ 6 Βραχύς υπέρυθρο 1( µm), 30 μ 7 Βραχύς υπέρυθρο 2 ( µm), 30 μ 8 Παγχρωματικό (PAN) ( µm), 15 μ 9 Cirrus ( µm), 30 μ Τον Απρίλιο του 2015 ανακοινώθηκε ότι NASA και USGS ξεκίνησαν να δουλεύουν πάνω στον Landsat 9, ο οποίος είναι προγραμματισμένος να εκτοξευθεί μέσα στο 2023 και αναμένεται να επιμηκύνει τη διάρκεια του προγράμματος στα 50 έτη. Σκοπός είναι η δημιουργία ενός αναβαθμισμένου μοντέλου του Landsat 8, καθώς και η ανάπτυξη ενός νέου δορυφόρου χαμηλού κόστους για την καταγραφή της υπέρυθρης θερμικής ακτινοβολίας (TIR), ο οποίος θα μειώσει τη πιθανότητα δημιουργίας κενού στα δεδομένα αυτών των μετρήσεων. Ο δορυφόρος αυτός ενδέχεται να εκτοξευθεί το 2019 (URL18). 1.4 Αστική διάχυση Γενικά, ο όρος αστική διάχυση περιγράφει την χαμηλής πυκνότητας αστική εξάπλωση, φαινόμενο που απαντάται κυρίως στις αμερικάνικες πόλεις. Σε αντίθεση, οι Ευρωπαϊκές πόλεις ήταν παραδοσιακά ανεπτυγμένες γύρω από ένα πυκνοκατοικημένο ιστορικό κέντρο και περισσότερο συμπαγείς. Παρόλα αυτά, από τα μέσα τις δεκαετίας του 1950, η διάχυση των πόλεων ξεκίνησε να γίνεται ένα όλο και πιο συχνό φαινόμενο (ΕΕΑ 2006). Η αστική διάχυση είναι ο «καθοδηγητής» της αστικής ανάπτυξης και συνεπάγεται ελάχιστο έλεγχο σχεδιασμού. Η εξάπλωση είναι αποσπασματική, διάσπαρτη και ασυνεχής και αφήνει γεωργικές εκτάσεις μεταξύ του αστικού ιστού. Οι διάχυτες πόλεις είναι το αντίθετο των συμπαγών πόλεων γεμάτες κενά που υποδηλώνουν αναπτυξιακές ελλείψεις και υπογραμμίζουν τις συνέπειες της ανεξέλεγκτης ανάπτυξης (ΕΕΑ 2006). Σε ευρωπαϊκό επίπεδο, η ζήτηση κατοικίας και οικοδομήσεων εκτάσεων παρουσίαζε αύξηση κατά τα τέλη της δεκαετίας του 1990, πράγμα που οφειλόταν στην συνεχή αύξηση του αριθμού των νοικοκυριών και του μέσου κατά κεφαλήν χώρου κατοικίας. Σε πολλές περιπτώσεις, χώροι για νέες κατοικίες δημιουργήθηκαν σε νέες οικιστικές εκτάσεις με προγραμματισμένο και συστηματικό τρόπο, αλλά και πολλές φορές ανεξέλεγκτα. Παράλληλα, η αυξανόμενη ευημερία σε πολλές περιοχές, δημιούργησε συνθήκες αναζήτησης δεύτερης κατοικίας δημιουργώντας περιοχές που χαρακτηρίζονται ως «πόλεις του Σαββατοκύριακου» (Ευρωπαϊκή Επιτροπή, 1999). 11

12 Στην έκθεση του Ευρωπαϊκού Οργανισμού Περιβάλλοντος του 2006 «Άναρχη αστική επέκταση - Η περιβαλλοντική πρόκληση την οποία αγνοούμε στην Ευρώπη», προβάλλεται η σπουδαιότητα του φαινομένου και η ανάγκη για περαιτέρω μελέτη του. Επιπλέον, αναφέρεται ότι το 75% του ευρωπαϊκού πληθυσμού ζει ήδη σε αστικές περιοχές, ενώ αναμένεται το ποσοστό αυτό να φτάσει το 2020 το 80%. Ως εκ τούτου, προβλέπεται συνεχώς αυξανόμενη ζήτηση για γη μέσα και γύρω από τις πόλεις (ΕΕΑ 2006). Το φαινόμενο αυτό είναι ιδιαίτερα σημαντικό και οι επιπτώσεις του είναι εμφανείς με την αυξημένη κατανάλωση ενέργειας και γης, που απειλούν το φυσικό και αγροτικό περιβάλλον, αυξάνουν τις εκπομπές αερίων του θερμοκηπίου, ενώ ξεπερνάνε τα επιτρεπτά επίπεδα ατμοσφαιρικής και ηχητικής ρύπανσης. Πιο συγκεκριμένα, η κατανάλωση και υποβάθμιση του εδάφους και της αγροτικής γης για την κατασκευή κατοικιών και δρόμων, είναι ιδιαίτερης σημασίας καθώς πρόκειται για μη ανανεώσιμους φυσικούς πόρους. Παράλληλα, εγείρονται ανησυχίες για την αυξημένη ανάγκη ενέργειας στις αραιοκατοικημένες περιοχές, ενέργειας για μεταφορές-μετακίνηση, δημιουργία μεγαλύτερων υποδομών μεταφορών, περιβαλλοντική υποβάθμιση κτλ. (ΕΕΑ 2006). 1.5 Παγκόσμια οικονομική κρίση του 2008 Αρχικά εκδηλώθηκε στις ΗΠΑ το 2007 ως χρηματοπιστωτική κρίση, ενώ με την κατάρρευση της τράπεζας Lehman Brothers το 2008, μετεξελίχθηκε σε παγκόσμια κρίση, λόγω των στενών συνδέσμων μεταξύ των εθνικών οικονομιών. Στη συνέχεια, το 2009, καταγράφηκε αρνητικός ρυθμός ανάπτυξης για πρώτη φορά μετά το 1930 για τη παγκόσμια οικονομία, καθώς και για όλες τις χώρες της ευρωζώνης. Ιδιαίτερα επηρεάστηκαν οι περισσότερο ανοικτές οικονομίες, λόγω της πτώσης του παγκόσμιου εμπορίου κατά 10,7% (το 2009) (ΤτΕ 2014). Με την ανάκαμψη, όμως, της παγκόσμιας οικονομίας και του διεθνούς εμπορίου το 2010 αυτές οι χώρες ήταν και οι πρώτες που ευνοήθηκαν, σε αντίθεση με χώρες που παρουσίαζαν σοβαρές εξωτερικές και εσωτερικές μακροοικονομικές ανισορροπίες, διαρθρωτικές αδυναμίες και έλλειψη ευελιξίας (όπως η Ελλάδα). Αυτό είχε ως αποτέλεσμα, οι αδύναμες αυτές χώρες να μην μπορέσουν να μπουν εκ νέου σε θετικούς ρυθμούς ανάπτυξης. Τέλος, περαιτέρω επιδείνωση της κατάστασης επέφεραν τα δημοσιονομικά μέτρα που λήφθηκαν για την ενίσχυση της οικονομικής δραστηριότητας και τη στήριξη του χρηματοπιστωτικού τομέα (ΤτΕ 2014). 1.6 Εξαγωγή πληροφορίας από δορυφορικές εικόνες Η εξαγωγή πληροφορίας κάλυψης γης από τις δορυφορικές εικόνες γίνεται συνήθως με τη χρήση των παρακάτω μεθόδων-εργαλείων: Δείκτες τηλεπισκόπησης Μέθοδοι ταξινόμησης Φασματική ανάλυση μείγματος Μέθοδοι ΕτΑ 1.7 Επεξεργασία δορυφορικών εικόνων Τα δορυφορικά δεδομένα, στην αρχική τους μορφή, τις περισσότερες φορές δεν είναι απευθείας επεξεργάσιμα, και ανάλογη κάθε φορά προ - επεξεργασία είναι απαραίτητη. Τα βήματα της προ-επεξεργασίας, σε γενικές γραμμές, είναι η ατμοσφαιρική - γεωμετρική και ραδιομετρική διόρθωση, αναλόγως τις πληροφορίες που πρέπει να εξαχθούν. 12

13 1.7.1 Γεωμετρική διόρθωση Οι δορυφορικές εικόνες στην πρωτογενής τους μορφή δεν μπορούν να μεταφερθούν σε χάρτες ως έχει, διότι είναι γεωμετρικά παραμορφωμένες. Αυτές οι στρεβλώσεις μπορεί να οφείλονται σε σφάλματα στην τοποθέτηση του δορυφόρου κατά την τροχιά του, στο γεγονός ότι η Γη γυρίζει γύρω από τον άξονά της καθώς η εικόνα καταγράφεται κ.α. Ωστόσο, αυτές οι παραμορφώσεις ενισχύονται ακόμη περισσότερο από το γεγονός ότι ορισμένοι δορυφόροι λαμβάνουν πλάγιες εικόνες (URL1). Μερικές παραμορφώσεις, όπως οι επιπτώσεις λόγω της περιστροφής της Γης, η στιγμιαία γωνία σάρωσης της φωτογραφικής μηχανής, στην ταχύτητα του κατόπτρου σάρωσης, στην προοπτική ή το ανάγλυφο, ονομάζονται συστηματικές και είναι σταθερές και προβλέψιμες (Toutin 2004). Με αυτό τον τρόπο μπορούν να υπολογίζονται και να διορθώνονται συστηματικά. Οι δορυφόροι έχουν επίσης, εξελιγμένα συστήματα επί του σκάφους ώστε να καταγράφουν πολύ μικρές κινήσεις που επηρεάζουν τον δορυφόρο. Αυτή η πληροφορία χρησιμοποιείται για να διορθώσει τη θέση του δορυφόρου (όταν αυτό είναι απαραίτητο), αλλά μπορεί επίσης να χρησιμοποιηθεί για τη διόρθωση των εικόνων γεωμετρικά (Toutin 2004). Κατά συνέπεια, για να ενσωματωθούν τα δεδομένα πολλαπλών πηγών σε εφαρμογές της Γεωπληροφορικής απαιτείται γεωμετρική επεξεργασία προσαρμοσμένη στη φύση και τα χαρακτηριστικά των δεδομένων προκειμένου να κρατηθούν οι βέλτιστες πληροφορίες από κάθε εικόνα. Κάθε σύστημα λήψης εικόνας (εικόνα 1) παράγει μοναδικές γεωμετρικές παραμορφώσεις στις πρώτες ακατέργαστες εικόνες του, και κατά συνέπεια, η γεωμετρία αυτών των εικόνων δεν αντιστοιχεί στη μορφολογία του εδάφους ή φυσικά σε ένα συγκεκριμένο χάρτη με προβολικό σύστημα. Προφανώς, όπως αναφέρθηκε και παραπάνω αυτές οι παραμορφώσεις ποικίλουν σημαντικά και οφείλονται σε διάφορους παράγοντες όπως η πλατφόρμα (αεροσκάφος έναντι δορυφόρου), ο αισθητήρας (χαμηλής ή υψηλής ανάλυσης, υπέρυθρος ή SAR) καθώς επίσης και το συνολικό οπτικό πεδίο. Ωστόσο, είναι δυνατόν σύμφωνα με τον Toutin (2004) να γίνουν γενικές κατηγοριοποιήσεις αυτών των στρεβλώσεων. Οι πηγές των στρεβλώσεων μπορούν να ομαδοποιηθούν σε δύο κατηγορίες: του παρατηρητή ή του συστήματος απόκτηση (πλατφόρμα, αισθητήρας και άλλα όργανα μέτρησης όπως γυροσκόπιο, αστρικοί αισθητήρες, κλπ) και τις παρατηρούμενες (της ατμόσφαιρας και της Γης). 13

14 Εικόνα 3 Γεωμετρία της θέασης ενός δορυφόρου σαρωτή σε τροχιά γύρω από τη Γη. Πηγή: Toutin,2004. Η γεωμετρική διόρθωση των δεδομένων μιας εικόνας είναι μια σημαντική προ-επεξεργασία που πρέπει να πραγματοποιείται πριν την χρήση εικόνων σε εφαρμογές που αφορούν τα Γεωγραφικά Συστήματα Πληροφοριών (URL2). Σε κάθε εφαρμογή για να είναι επεξεργάσιμα τα δεδομένα διαφορετικών πηγών πρέπει να έχουν το ίδιο προβολικό σύστημα αναφοράς. Κατά συνέπεια, η γεωμετρική διόρθωση, που ονομάζεται επίσης και γεωαναφορά, είναι μια διαδικασία που μετατρέπει το σύστημα συντεταγμένων μιας εικόνας σε ένα συγκεκριμένο σύστημα προβολής ενός χάρτη (URL2). Με αυτό τον τρόπο τα εικονοστοιχεία της εικόνας δεν χαρακτηρίζονται πλέον μόνο από τις γραμμές και τις στήλες της εικόνας αλλά και από το προβολικό χαρτογραφικό σύστημα. Έτσι, η εικόνα μπορεί να χρησιμοποιηθεί και να συγκριθεί με άλλα δεδομένα τα οποία έχουν το ίδιο προβολικό. Ωστόσο, σε αυτές τις περιπτώσεις, η ακρίβεια της γεωαναφοράς θέλει ιδιαίτερη προσοχή, ώστε τα εικονοστοιχεία να βρίσκονται στην ίδια θέση. Τυχόν ατυχής γεωαναφορά μεταξύ των εικόνων μπορεί να παραποιήσει το αποτέλεσμα (Wang et al. 2005). Ωστόσο, οι επιπτώσεις της ατυχούς γεωαναφοράς διαφέρουν ανάλογα με την περίπτωση. Όσον αφορά, τα σφάλματα εξαιτίας του αναγλύφου εφαρμόζεται ένας άλλος τύπος διόρθωσης που ονομάζεται ορθοαναγωγή (orthorectification). Με την ορθοαναγωγή γίνεται γεωαναφορά και παράλληλα διορθώνονται και τα σφάλματα λόγω του υψομέτρου αναγλύφου (Μητράκα 2011). Ωστόσο, για να μπορέσει να εφαρμοστεί η ορθοαναγωγή πρέπει να είναι γνώστες η πληροφορίες του αισθητήτα ή της κάμερας και να είναι διαθέσιμο ένα ψηφιακό μοντέλο εδάφους (Digital elevation model, DEM). 14

15 Εικόνα 4 Γεωμετρική παραμόρφωση λόγω αναγλύφου. Παρατηρούμαι ότι στην εικόνα από το μεσαίο κτίριο φαίνεται μόνο η κορυφή ενώ από τα άλλα δύο και μια από τις πλευρές τους. Πηγή: Μητράκα, Ραδιομετρική διόρθωση Επιδράσεις στη ραδιομετρία της εικόνας μπορεί να οφείλονται σε διαφορετικούς παράγοντες, όπως για παράδειγμα ο θόρυβος του συστήματος λήψης ή η ελαττωματική λειτουργία των αισθητήρων. Η επίδραση της ατμόσφαιρας, επίσης, μπορεί να επιφέρει αλλοιώσεις στη ραδιομετρία της εικόνας που για πολλές εφαρμογές πρέπει να διορθωθούν. Η Ραδιομετρική διόρθωση τηλεπισκοπηκών δεδομένων κατά κανόνα συνεπάγεται την επεξεργασία ψηφιακών εικόνων με σκοπό να βελτιωθεί η πιστότητα των τιμών φωτεινότητας (URL3). Ο κύριος σκοπός για την εφαρμογή της ραδιομετρικής διόρθωσης είναι να μειωθεί η επίδραση των σφαλμάτων στις τιμές φωτεινότητας της εικόνας, η οποία μπορεί να περιορίσει την ικανότητα ενός ατόμου να ερμηνεύσει ή να επεξεργαστεί ποσοτικά και να αναλύσει ψηφιακές τηλεπισκοπηκές εικόνες. Οι πηγές ραδιομετρικού θορύβου 1 και ως εκ τούτου, οι κατάλληλοι τύποι ραδιομετρικών διορθώσεων, εξαρτώνται εν μέρει από τον αισθητήρα και τον τρόπο απεικόνισης που χρησιμοποιούνται για να καταγραφούν τα ψηφιακά δεδομένα της εικόνας. Ο κάθε ένας από τους πέντε γενικούς τύπους συστημάτων και τρόπων απεικόνισης που χρησιμοποιούνται για την παραγωγή ψηφιακών τηλεπισκοπηκών δεδομένων, έχει την δική του χαρακτηριστική πηγή ραδιομετρικού θορύβου. Αυτοί οι πέντε τύποι είναι οι εξής: 1) σαρωμένη αεροφωτογράφηση (scanned aerial photography, 2) οπτικοί σαρωτές (optical scanners), 3) οπτικές γραμμικές συστοιχίες (optical linear arrays), 4) οπτικές διαμορφωμένες συστοιχίες (optical framed arrays), 5) ραδιόμετρα σάρωσης μικροκυμάτων (scanning microwave radiometers), 6) side - looking ραντάρ (URL3). 1 Θόρυβος (noise) : είναι το σύνολο των ανεπιθύμητων πληροφοριών, που τείνουν να αναμειχθούν με το επιθυμητό σήμα κατά την διάρκεια λήψης του σήματος ( 15

16 Οι επιπτώσεις που οφείλονται στους αισθητήρες δεν είναι οι μόνες πηγές ραδιομετρικού θορύβου. Άλλες πηγές είναι οι χωρικές ή χρονικές μεταβολές στην ποσότητα και την ποιότητα φωτισμού, οι ατμοσφαιρικές οπτικές ιδιότητες και οι ιδιότητες της επιφάνειας της γης. Ωστόσο, αυτές οι μεταβλητές που οφείλονται σε περιβαλλοντικούς παράγοντες θα πρέπει να θεωρούνται ως «θόρυβος» όταν συγκαλύπτουν ή μειώνουν τα σήματα φωτεινότητας της εικόνας που αφορούν τους τύπους κάλυψης γης. Υπάρχουν αρκετές εφαρμογές με επεξεργασία εικόνων Landsat, για τις οποίες η ραδιομετρική διόρθωση κρίνεται απαραίτητη. Έτσι, για μελέτες που απαιτούν πολύ - χρονικότητα των δεδομένων (όπως ο εντοπισμός της αλλαγής), σε όλη την σκηνή μελέτης σύγκριση των φασματικών πληροφοριών της εδαφοκάλυψης, εφαρμογές που χρησιμοποιούν δεδομένα από πολλαπλούς αισθητήρες (πχ μωσαϊκό εικόνων), τη ποσοτική ανάλυση και το συνδυασμό των τοπογραφικών και φασματικών δεδομένων (πχ εκτίμηση της βιομάζας), για διάφορες εφαρμογές όπως χαρτογράφηση διαφορετικών χαρακτηριστικών χρησιμοποιώντας τα φασματικά κανάλια ή μαθηματικές πράξεις μεταξύ καναλιών (πχ υπολογισμός δεικτών), η ραδιομετρική διόρθωση είναι υποχρεωτική Κατηγόριες μεθόδων ραδιομετρικής διόρθωσης Οι μέθοδοι ραδιομετρικής διόρθωσης μπορούν να ταξινομηθούν σε δύο κατηγορίες, τις απόλυτες (absolute) και τις σχετικές (relative). Η απόλυτη ραδιομετρική διόρθωση απαιτεί ατμοσφαιρικές διορθώσεις που σχετίζονται με τις ατμοσφαιρικές ιδιότητες κατά τον χρόνο λήψης της εικόνας (Caprioli et al. 2008). Ο ψηφιακός αριθμός 2 (Digital Number) των εικονοστοιχείων μετατρέπεται σε τιμές ανάκλασης ή ακτινοβολίας χρησιμοποιώντας καθιερωμένες εξισώσεις μετασχηματισμού ή ατμοσφαιρικών μοντέλων (Song et al. 2001). Δεδομένα για το χαρακτηρισμό των σχετικών ατμοσφαιρικών διεργασιών διαμόρφωσης της εισερχόμενης ακτινοβολίας στον αισθητήρα του δορυφόρου απαιτούν βοηθητικά δεδομένα παραμέτρων, όπως η περιεκτικότητα των αερολυμάτων, του όζοντος ή των υδρατμών σε διαφορετικά ατμοσφαιρικά στρώματα (Mitchell et al. 1993; Vermote et al. 1995). Όποτε, οι ατμοσφαιρικές παράμετροι των εικόνων δεν είναι διαθέσιμες ή απόλυτες ακτινοβολίες της επιφάνειας δεν είναι απαραίτητες, μια σχετική βαθμονόμηση (που ονομάζεται από πολλούς συγγραφείς «κανονικοποίηση») των δορυφορικών εικόνων, με βάση τις εγγενής ραδιομετρικές πληροφορίες στις εικόνες, είναι μια εναλλακτική (Hall et al. 1991; Furby et al. 2001; Du et al. 2002). Ένα πλεονέκτημα αυτής της διαδικασίας είναι ότι η αρχική ραδιομετρική κατάσταση της εικόνας αναφοράς διατηρείται, παρακάμπτοντας την υπολογιστική προσπάθεια που απαιτείται για να μετατραπεί κάθε εικόνα σε μονάδες ακτινοβολίας (Yuan and Elvidge 1996). Αυτή η μέθοδος περιλαμβάνει την ομαλοποίηση ή διόρθωση των εντάσεων ή των ψηφιακών αριθμών των εικόνων κανάλι προς κανάλι σε μια εικόνα αναφοράς που επιλέγεται από τον αναλυτή. Οι κανονικοποιημένες εικόνες θα εμφανίζονται σαν να έχουν αποκτηθεί με τον ίδιο αισθητήρα κάτω από παρόμοιες ατμοσφαιρικές συνθήκες φωτισμού. Η απόλυτη προσέγγιση απαιτεί τη χρήση επίγειων μετρήσεων κατά το χρόνο της απόκτησης των δεδομένων για την ατμοσφαιρική διόρθωση και βαθμονόμηση του αισθητήρα. Αυτό δεν είναι μόνο δαπανηρό αλλά και μη πρακτικό, ειδικά όταν τα δεδομένα 2 Ο γενικός όρος για τις τιμές εικονοστοιχείων είναι ψηφιακός αριθμός. Συνήθως χρησιμοποιείται για να περιγράψει τις τιμές εικονοστοιχείων που δεν έχουν ακόμη βαθμονομηθεί σε τιμές ακτινοβολίας ή ανάκλασης ( 16

17 χρησιμοποιούνται για τον εντοπισμό της αλλαγής (Hall et al. 1991). Η σχετική προσέγγιση για την ραδιομετρική διόρθωση προτιμάται περισσότερο επειδή κανένα ατμοσφαιρικό δεδομένο την στιγμή της λήψης δε απαιτείται Ατμοσφαιρική διόρθωση Η ανάλυση και η ποσοτικοποίηση των αλλαγών της επιφάνειας της Γης αποτελεί σημαντικό στόχο των ερευνητών και εξαρτάται σε μεγάλο βαθμό από τους αισθητήρες των δορυφόρων που μπορούν να παρέχουν βαθμονομημένες εικόνες της γήινης επιφάνειας. Δυο συνήθεις εφαρμογές που χρησιμοποιούνται οι δορυφορικές εικόνες είναι η ταξινόμηση (χρησιμοποιείται συνήθως για χαρτογράφηση) και ο εντοπισμός αλλαγής (προκειμένου να εντοπιστούν αλλαγές των καλύψεων γης). Αυτό έχει επιφέρει μια εποχή όσον αφορά την έρευνα που βασίζεται σε μεγάλο βαθμό σε τηλεπισκοπηκές απεικονίσεις (Abdolrassoul and Bryan 2007). Ωστόσο, η ανάκλαση των αντικειμένων που καταγράφεται από τους αισθητήρες των δορυφόρων επηρεάζεται σε μεγάλο βαθμό από την ατμοσφαιρική απορρόφηση και σκέδαση, την γεωμετρία αλλά και την βαθμονόμηση του αισθητήρα (Teillet 1986). Αυτοί οι παράγοντες συνήθως έχουν ως αποτέλεσμα τη στρέβλωση του πραγματικού συντελεστή ανάκλασης των αντικειμένων, γεγονός που επηρεάζει την εξαγωγή πληροφοριών από τις εικόνες. Έχει πραγματοποιηθεί σημαντική έρευνα για την ανάγκη και τους τρόπους διόρθωσης των δορυφορικών δεδομένων εξαιτίας ατμοσφαιρικών επιδράσεων (Song et al. 2001; Campbell et al. 1994; Chavez 1988; Collett et al. 1997; Forster, 1984; Furby and Campbell, 2001; Hall et al. 1991; Milton 1994; Schott et al. 1988; Yang et al. 2000; Yuan and Elvidge 1996). Η απόφαση σχετικά με την ανάγκη για διόρθωση εξαιτίας ατμοσφαιρικών επιδράσεων αποτελεί συχνά ένα κρίσιμο πρώτο βήμα που μπορεί να επηρεάσει τα επόμενα βήματα της ανάλυσης σε εφαρμογές των δορυφορικών δεδομένων (Abdolrassoul and Bryan, 2007). Για παράδειγμα, η ανάγκη για ατμοσφαιρική διόρθωση, σε μελέτες που αφορούν τον εντοπισμό της αλλαγής, εξαρτάται κυρίως από τις μεθόδους που εφαρμόζονται. Ο Song et al. (2001) αναφέρει ότι στις γραμμικές μεθόδους εντοπισμού της αλλαγής, όπως η διάκριση των διαφορών μεταξύ εικόνων (image differencing) δεν υπάρχει λόγος να γίνει ατμοσφαιρική διόρθωση, εφόσον οι κλάσεις της παραγόμενης εικόνας έχουν μηδενικό μέσο (zero mean). O Song et al. (2001) έδειξε ότι η ατμοσφαιρική διόρθωση επηρεάζει περισσότερο τα αποτελέσματα των δεικτών, όπως είναι ο Ομαλοποιημένος Δείκτης Βλάστησης (Normalized Difference Vegetation Index, NDVI) και λιγότερο τα αποτελέσματα της ταξινόμησης μιας εικόνας. Υποστηρίζει ότι αυτό είναι ιδιαίτερα αληθές όταν τα δεδομένα εκπαίδευσης (training samples) και η προς ταξινόμηση εικόνα είναι στην ίδια κατάσταση ραδιομετρικά (είτε και οι δύο διορθωμένες ατμοσφαιρικά είτε και οι δύο μη διορθωμένες). Τα ηλεκτρομαγνητικά σήματα ακτινοβολίας που συλλέγονται από τους δορυφόρους στο ηλιακό φάσμα τροποποιούνται λόγω της σκέδασης και της απορρόφησης από τα αέρια και τα αερολύματα (aerosols), ενώ ταξιδεύουν μέσω της ατμόσφαιρας από την επιφάνεια της γης στον αισθητήρα (Abdolrassoul and Bryan 2007). Όπως, φαίνεται και στο σχήμα 1 κάθε εικόνα πρέπει να περάσει από ένα στάδιο προ-επεξεργασίας κατά το οποίο η ατμοσφαιρική διόρθωση αποτελεί συχνά ένα πρωταρχικό βήμα πριν από την διαδικασία της ταξινόμησης και τον εντοπισμό της αλλαγής. 17

18 Image Preprocessing Classification /Change detection Maps Εικόνα 5 Διάγραμμα ροής επεξεργασίας δεδομένων για την ταξινόμηση και τον εντοπισμός της αλλαγής. Οι τηλεπισκοπηκές εικόνες τις περισσότερες φορές δεν είναι έτοιμες για απευθείας χρήση, αλλά πρέπει να υποβληθούν σε μια σειρά βημάτων προ-επεξεργασίας όπου η ατμοσφαιρική διόρθωση είναι συχνά ένα από αυτά. Οι αισθητήρες του Landsat TM (Thematic Mapper) έχουν φασματικές ζώνες (spectral bands) τοποθετημένες σε τμήματα του φάσματος σχετικά ανεπηρέαστα από την απορρόφηση και την σκέδαση λόγω αεριών στην ατμόσφαιρα. Ωστόσο, όσον αφορά την σκέδαση και την απορρόφηση των αερολυμάτων είναι δύσκολο να χαρακτηριστούν λόγω της διακύμανσής τους στο χώρο και στο χρόνο (Kaufman 1993), αποτελώντας έτσι το πιο σοβαρό περιορισμό στην ραδιομετρική εξομάλυνση των δορυφορικών δεδομένων (Coppin & Bauer, 1994; Liang et al. 1997). Η αλληλεπίδραση της ηλιακής ακτινοβολίας με την ατμόσφαιρα έχει καλώς χαρακτηριστεί από τον Chandrasekhar (1960). Με σκοπό να επιτευχθεί ατμοσφαιρική διόρθωση σε δορυφορικές εικόνες έχει αναπτυχθεί ένα αριθμός κωδικών μεταφοράς της ακτινοβολίας (radiative transfer codes, RTCs) με βάση τη θεωρία μεταφοράς της ακτινοβολίας (Haan et al. 1991; Vermote et al. 1997). Μελέτες έχουν δείξει ότι αυτοί οι κώδικες μπορούν να μετατρέψουν με ακρίβεια τις δορυφορικές μετρήσεις στην επιφάνεια ανάκλασης (Moran et al.,1992). Ωστόσο, αυτές οι διορθώσεις απαιτούν ακριβείς μετρήσεις των ατμοσφαιρικών ιδιοτήτων κατά την στιγμή της λήψης της εικόνας. Οι μετρήσεις αυτές είναι συχνά διαθέσιμες, γεγονός που καθιστά την ατμοσφαιρική διόρθωση με RTCs εύκολη Κατηγορίες μεθόδων ατμοσφαιρικής διόρθωσης Οι μέθοδοι ατμοσφαιρική διόρθωσης μπορούν να ταξινομηθούν σε τρεις μεγάλες ομάδες: Η πρώτη κατηγορία περιγράφεται ως «φυσικώς βασιζόμενη» (physically based) και περιλαμβάνει πολύπλοκες μεθόδους που χρησιμοποιούν υπό - μοντέλα πολλαπλών παραμέτρων προσομοίωσης και είναι ικανά να παράγουν υψηλές ακρίβειες ανάκλασης. Τέτοιοι μέθοδοι είναι οι Δεύτερη Προσομοίωση του δορυφορικού σήματος στο Ηλιακό Σύστημα (Second Simulation of The Satellite Signal in Solar System, 6s), LOWTRAN και MODTRAN (χαμηλή και μέτρια ανάλυση ατμοσφαιρικής αφαίρεσης). Η χρήση τους απαιτεί την εκ των προτέρων γνώση των ατμοσφαιρικών συνθηκών της κάθε εικόνας. Για παράδειγμα, το μοντέλο 6s το οποίο αναπτύχθηκε από τον Tanre et al. (1990) ως δεδομένα εισόδου απαιτεί τις γεωμετρικές συνθήκες (δηλαδή τις κατευθύνσεις θέασης του ήλιου), το ατμοσφαιρικό μοντέλο (δηλαδή πίεση και θερμοκρασία), τα χαρακτηριστικά αερολυμάτων (τύπος και συγκέντρωση), η φασματική ζώνη παρατήρησης και η ανακλαστικότητα του εδάφους (τύπος και φασματική παραλλαγή). Η δεύτερη κατηγορία είναι η βασιζόμενη στην εικόνα (image-based) Αφαίρεση Σκοτεινών Αντικειμένων (Dark Object Subtraction), η οποία βασίζεται στην υπόθεση της ύπαρξης σκοτεινών αντικειμένων και ότι οι ατμοσφαιρικές συνθήκες είναι οι ίδιες σε όλη την περιοχή μελέτης. Οι μέθοδοι αυτοί είναι ανεξάρτητες από μια πληθώρα ατμοσφαιρικών δεδομένων για την περιοχή μελέτης, αλλά απαιτούν πληροφορίες για την εικόνα που συχνά είναι διαθέσιμες, όπως η ημερομηνία λήψης και η γωνία ανύψωσης του ήλιου (sun elevetion angle). 18

19 Η τρίτη κατηγορία αφορά τις σχετικές μεθόδους βαθμονόμησης (relative calibration methods), οι οποίες εφαρμόζουν μοντέλα που βασίζονται στην αντιστοίχηση ιστογραμμάτων (histogram matching) ή στην αφαίρεση σκοτεινών εικονοστοιχείων (dark pixel subtraction). Επίσης, αυτοί οι μέθοδοι βασίζονται στην παραδοχή ότι οι εγγύς και οι υπέρυθρες ζώνες δεν επηρεάζονται από τις ατμοσφαιρικές επιδράσεις σκέδασης, σε αντίθεση με τις ζώνες του ορατού φάσματος που επηρεάζονται έντονα από αυτά. Στην εν λόγω μελέτη, οι ερευνητές χρησιμοποίησαν την μέθοδο Γρήγορης Γραμμής Εισόδου Μέσω Οπτική Επαφής Ατμοσφαιρικής Ανάλυσης Φασματικών Υπερκύβων (The Fast Line-of- Sight Atmospheric Analysis Of Spectral Hypercubes, FLAASH) για να διορθώσουν ατμοσφαιρικά τις υπό μελέτη Landsat δορυφορικές εικόνες. H FLAASH είναι ένα πακέτο λογισμικού ατμοσφαιρικής διόρθωσης που αναπτύχθηκε από την Air Force Philips Laboratory, Hanscom AFB και τις Spectral Sciences Inc (Golden et al., 1999). Παρέχει ακρίβεια για την εμφανή επιφάνεια ανάκλασης βασιζόμενη σε ατμοσφαιρικές ιδιότητες, όπως η ανακλαστικότητα της επιφάνειας, το ύψος της επιφάνειας, στήλη υδρατμών, οπτικά βάθη των αερολυμάτων και σύννεφων, θερμοκρασίες της επιφάνειας και της ατμόσφαιρας, τις οποίες τις εξάγει από HSI δεδομένα (Υπερφασματικές απεικονίσεις, Hyperspectral Imaging). Αυτή η μέθοδος ίσως παρέχει τους πιο ακριβείς τρόπους αντιστάθμισης των ατμοσφαιρικών επιδράσεων. Περιλαμβάνει μια μέθοδο κατά την οποία γίνεται ανάκτηση του εκτιμώμενου ποσού αερολυμάτων/ομίχλης από επιλεγμένα "σκοτεινά" εικονοστοιχεία γης της περιοχής μελέτης (Xie, 2005). Λειτουργεί στα 0,4-2,5 μικρόμετρα της φασματικής περιοχής (Xie, 2005). Η FLAASH είναι ένας εξελιγμένος αλγόριθμος που μπορεί να αντισταθμίσει τις επιπτώσεις της ατμόσφαιρας με μεγάλη ακρίβεια (Xie, 2005). Ως δεδομένα για να δουλέψει αυτό το μοντέλο χρειάζεται το μέσο υψόμετρο της περιοχής μελέτης, τις συντεταγμένες του κέντρου της σκηνής, τον τύπο του αισθητήρα, την ημερομηνία και την ώρα της πτήσης, καθώς και πληροφορίες σχετικά με την κατανομή του αερολύματος και των υδρατμών (FLAASH User's Guide, 2004). Τέλος, αυτό το μοντέλο υποστηρίζει και υπερφασματικούς και πολυφασματικούς αισθητήρες (FLAASH User's Guide, 2004) Αναγκαιότητα της ατμοσφαιρικής διόρθωσης Η επίδραση της ατμόσφαιρας μπορεί να αποτρέψει τη σωστή ερμηνεία των εικόνων, εάν δεν ληφθεί υπόψη (Verstraete 1994). Ωστόσο, για το αν είναι απαραίτητη η ατμοσφαιρική διόρθωση εξαρτάται από τις επιθυμητές πληροφορίες και από τις μεθόδους που χρησιμοποιούνται για την εξαγωγή των πληροφοριών, κάθε φορά. Για πολλές εφαρμογές, συμπεριλαμβανομένων σε πολλές περιπτώσεις την διαδικασία της ταξινόμησης καθώς και τον εντοπισμό της αλλαγής, η ατμοσφαιρική διόρθωση δεν κρίνεται απαραίτητη. Ένα τυπικό παράδειγμα για την οποία δεν είναι απαραίτητη η ατμοσφαιρική διόρθωση είναι η ταξινόμηση εικόνων με τον αλγόριθμο μέγιστης πιθανοφάνειας (maximum likelihood) χρησιμοποιώντας μια μόνο ημερομηνία εικόνων. Εφόσον τα πεδία εκπαίδευσης και η εικόνα που πρέπει να ταξινομηθεί βρίσκονται στην ίδια κλίμακα βαθμονόνησης (διορθωμένα ή μη) η ατμοσφαιρική διόρθωση έχει μικρή επίδραση στην ακρίβεια ταξινόμησης (Song et al. 2001). Η περιττή φύση της ατμοσφαιρικής διόρθωσης μπορεί να επεκταθεί και σε post classification εντοπισμό της αλλαγής (Sign, 1989), όπου οι πολλαπλές εικόνες ταξινομούνται ξεχωριστά και οι παραγόμενοι χάρτες συγκρίνονται για να εντοπιστούν οι αλλαγές (Foody et al. 1996). Στην ουσία, όσο τα πεδία εκπαίδευσης προέρχονται από την προς ταξινόμηση εικόνα, η ατμοσφαιρική διόρθωση είναι περιττή (Song et al. 2001). Ωστόσο, πολλές είναι και οι εφαρμογές όπου η ατμοσφαιρική διόρθωση 19

20 είναι αναγκαία. Για παράδειγμα, όταν πρέπει να ταξινομηθούν ξεχωριστά διαχρονικές εικόνες και στην συνέχεια να εφαρμοστεί ο αλγόριθμος εντοπισμού της αλλαγής, πρέπει όλες οι εικόνες να έχουν κοινή ραδιομετρική κλίμακα (Song et al. 2001). Σε αυτή την περίπτωση η ατμοσφαιρική διόρθωση πρέπει να ληφθεί υπόψη κατά την προ-επεξεργασία των εικόνων. 1.8 Ταξινόμηση εικόνας Μία από τις πιο αποδοτικές και αυτοματοποιημένες τεχνικές ερμηνείας εικόνων, είναι η ταξινόμηση (Campbell 1996). Με τον όρο ταξινόμηση εννοείται η διαδικασία ανάθεσης κάθε εικονοστοιχείου της εικόνας σε κάποιο βιοφυσικό στοιχείο (π.χ. κάλυψη γης). Στην ουσία η διαδικασία αυτή εφαρμόζεται έτσι ώστε τα εικονοστοιχεία μιας ψηφιακής εικόνας να κατηγοριοποιηθούν σε μία από τις κατηγορίες κάλυψης γης. Με αυτό τον τρόπο παράγονται θεματικοί χάρτες που απεικονίζουν την κάλυψη γης που παρουσιάζεται στην εικόνα. Κατά συνέπεια, με την χρήση της διαδικασίας της ταξινόμησης ο χρήστης έχει ως στόχο να αναγνωρίσει όλα τα χαρακτηριστικά της εικόνας ως προς το είδος της εδαφοκάλυψης, θέλοντας στην ουσία να κατανοήσει την κατάσταση της περιοχής στην πραγματικότητα (Gebbinck 1998). Κάθε εικονοστοιχείο έχει δύο χαρακτηριστικά γνωρίσματα, τη χωρική του θέση στην εικόνα και τις ραδιομετρικές του τιμές (τιμές ανάκλασης της ηλιακής ακτινοβολίας). Ο αριθμός των ραδιομετρικών τιμών που έχει ένα εικονοστοιχείο εξαρτάται από τον αριθμό των φασματικών καναλιών (spectral bands) που έχει η εικόνα. Αυτές οι τιμές δομούν τη φασματική πληροφορία του κάθε εικονοστοιχείου (LU 2006). Ένας τύπος ταξινόμησης είναι ο ταξινομητής να χρησιμοποιήσει τη φασματική πληροφορία του κάθε εικονοστοιχείου, σε ένα ή περισσότερα φασματικά κανάλια, και να τα ταξινομήσει με βάση αυτή. Αυτός ο τρόπος ονομάζεται αναγνώριση φασματικού μοτίβου (spectral pattern recognition) (Gebbinck 1998). Ωστόσο, ο ταξινομητής μπορεί να βασίζεται στα γεωμετρικά σχήματα, μεγέθη και πρότυπα που υπάρχουν σε μια εικόνα και τότε αυτού του είδους η ταξινόμηση ονομάζεται αναγνώριση χωρικών προτύπων (spatial pattern recognition) (Gebbinck 1998). Οι τεχνικές αναγνώρισης φασματικών μοτίβων είναι πιο διαδεδομένες σήμερα σε σχέση με τις τεχνικές αναγνώρισης χωρικών προτύπων. Το φάσμα των θεωρητικών προσεγγίσεων που αφορούν την ταξινόμηση είναι ιδιαίτερα ευρύ και εστιάζει στην αναγνώριση εικόνων (ή μέρη αυτών). Μια βασική υπόθεση σύμφωνα με τη οποία δουλεύουν οι περισσότεροι αλγόριθμοι ταξινόμησης είναι ότι κάθε ένα από τα χαρακτηριστικά της προς ταξινόμηση εικόνας (π.χ. γεωμετρικά τμήματα στην περίπτωση ενός συστήματος ταξινόμησης ή φασματικές περιοχές στην περίπτωση της τηλεπισκόπησης) ανήκει σε μια από τις πολλές κατηγορίες κάλυψης γης (LU 2006). Υπάρχουν δύο τρόποι να προσδιοριστούν αυτές οι κατηγορίες: είτε εκ των προτέρων από τον χρήστη, είτε να της εντοπίσει αυτόματα ο αλγόριθμος και στην συνέχεια να οριστεί ο αριθμός τους από τον αναλυτή (Gebbinck 1998). Οι αλγόριθμοι της ταξινόμησης ακολουθούν μια διαδικασία επεξεργασίας της εικόνας έτσι ώστε να αναλυθούν οι αριθμητικές - φασματικές ιδιότητες των διαφόρων χαρακτηριστικών της και να οργανωθούν σε κατηγορίες. Αυτή η επεξεργασία αποτελείται από δύο φάσεις: την κατάρτιση και τον έλεγχο. Στη πρώτη φάση, την κατάρτιση, δημιουργούνται πεδία εκπαίδευσης (training samples) 3 με βάση τις ιδιότητες των χαρακτηριστικών της εικόνας. 3 Πεδία εκπαίδευσης (training samples) είναι περιγραφές για την κάθε κατηγορία ταξινόμησης (Gebbinck 1998). 20

21 Στην επόμενη φάση, οι αλγόριθμοι χρησιμοποιούν τα πεδία εκπαίδευσης για να ταξινομήσουν τα χαρακτηριστικά στις κατηγορίες (βλέπε εικόνα 3). Εικόνα 6Εικόνα 4 Η διαδικασία της Ταξινόμησης. Πηγή: URL6 Ωστόσο, όταν αναφερόμαστε στις κατηγορίες θα πρέπει να γίνεται και η διάκρισή τους σε ενημερωτικές κατηγορίες (informational classes) και σε φασματικές κατηγορίες (spectral classes) (LU et al. 2006). Οι ενημερωτικές κατηγορίες είναι οι κατηγορίες που ενδιαφέρουν τον αναλυτή, αυτές που στην ουσία θέλει να εντοπίσει, όπως διαφορετικά είδη καλλιεργειών, διάφοροι τύποι δασών ή είδη δένδρων, τύπους πετρωμάτων, οικισμούς κλπ. Οι φασματικές κατηγορίες αποτελούνται από εικονοστοιχεία που παρουσιάζουν παρόμοιες τιμές φωτεινότητας και στατιστικά συσχετιζόμενες τιμές ραδιομετρίας στα διάφορα φασματικά κανάλια. Βασική διαφορά αυτών των δύο κατηγοριών είναι ότι οι φασματικές κατηγορίες είναι εγγενής στην εικόνα, διότι εξαρτώνται άμεσα από τις φασματικές υπογραφές των υλικών της εικόνας, ενώ οι ενημερωτικές ορίζονται από τον αναλυτή. Ο κύριος στόχος είναι να γίνει αντιστοιχηθούν οι φασματικές με τις ενημερωτικές κατηγορίες. Αυτή η αντιστοίχηση σε πολλές περιπτώσεις παρουσιάζει προβλήματα και είναι ιδιαίτερα δύσκολη. Για παράδειγμα, μια ενημερωτική κατηγορία, όπως είναι π.χ. το δάσος, μπορεί να αντιστοιχεί σε πολλές φασματικές υπό - κατηγορίες οι οποίες έχουν διαφορετικές φασματικές διακυμάνσεις. Η διαδικασία της ταξινόμησης, σε πολλές εφαρμογές, μπορεί να παρουσιάσει ένα βαθμό δυσκολίας. Αυτός ο βαθμός εξαρτάται από το πόσο ποικίλουν οι φασματικές τιμές των χαρακτηριστικών της ίδιας κατηγορίας, αλλά και πόσο διαφέρουν οι φασματικές υπογραφές αντικειμένων διαφορετικών κατηγοριών. Οι διαφορές μεταξύ των φασματικών τιμών των αντικειμένων είναι η αιτία η διαδικασία να γίνεται πολύπλοκη καθώς και για την παρουσία θορύβου στο σύστημα. Με τον όρο θόρυβος εννοείται η όποια πληροφορία μετράται και είναι άσχετη με το πραγματικό μοντέλο. Για αυτό το λόγο κατά την εφαρμογή ενός αλγορίθμου η διαδικασία επαναλαμβάνεται έτσι ώστε να αποφευχθούν τυχόν προβλήματα που εμφανίζονται. 21

22 Η διαδικασία της ταξινόμησης μπορεί κατηγοριοποιηθεί σε δύο μεθόδους: την επιβλεπόμενη ταξινόμηση (supervised classification) και την μη - επιβλεπόμενη ταξινόμηση (unsupervised classification) Επιβλεπόμενη τεχνική ταξινόμησης (supervised classification) Στην επιβλεπόμενη ταξινόμηση, αρχικά, ορίζονται από τον αναλυτή πληροφορίες με την βοήθεια των οποίων παράγονται τα χαρακτηριστικά και τα όρια της κάθε κατηγορία ταξινόμησης (Λασπιάς 2012). Στην ουσία, ορίζεται ένας αριθμός εικονοστοιχείων με γνώστες πληροφορίες, τα οποία ονομάζονται δεδομένα εκπαίδευσης (training data). Τα εικονοστοιχεία αυτά ορίζονται σε ομάδες, οι οποίες αντιπροσωπεύουν τις κατηγορίες, και ονομάζονται πεδία εκπαίδευσης (training samples). Ο τρόπος με τον οποίο παράγονται τα χαρακτηριστικά και τα όρια της κάθε κατηγορίες εξαρτάται από τον αλγόριθμο. Για παράδειγμα στην παραλληλεπίπεδη ταξινόμηση (parallelepiped classification) τα όρια ορίζονται από την υψηλότερη και χαμηλότερη τιμή φωτεινότητας, ο ταξινομητής ελάχιστης απόστασης (minimum distance classification) χρησιμοποιεί τις μέσες τιμές των διανυσμάτων των δεδομένων εκπαίδευσης κάθε κατηγορίας και ο ταξινομητής μέγιστης πιθανοφάνειας (maximum likelihood classifier) χρησιμοποιεί την ίδια λογική με τον ταξινομητή ελάχιστης απόστασης με την μόνη διαφορά ότι χρησιμοποιεί τους πίνακες συνδιακύμανσης που προκύπτον από τα δεδομένα (Εγγεζοπούλου 2008). Τα εικονοστοιχεία που ορίζει ο χρήστης στην αρχή ως δεδομένα εκπαίδευσης, καταλαμβάνουν ένα πολύ μικρό ποσοστό της εικόνας (1% έως 5% του συνόλου των εικονοστοιχείων) (Θέμελης 2010). Εν κατακλείδι, στην επιβλεπόμενη τεχνική ο αναλυτής εκπαιδεύει τον αλγόριθμο χρησιμοποιώντας τα δεδομένα εκπαίδευσης, έτσι ώστε να εντοπιστούν οι φασματικές υπογραφές της κάθε κατηγορίας και στην συνέχεια να ταξινομηθούν όλα τα εικονοστοιχεία σε κατηγορίες. Επιλογή των εικονοστοιχείων εκπαίδευσης για την κάθε κατηγορία Υπολογισμός της μέσης τιμής και της διακύμανσης των ψηφιακών αριθμών Ταξινόμηση της εικόνας με βάση τις κατηγορίες που έχουν οριστεί Εικόνα 7. Τα στάδια της επιβλεπόμενης ταξινόμησης. Πηγή: Ιδία επεξεργασία. 22

23 1.8.2 Μη επιβλεπόμενη τεχνική ταξινόμησης (unsupervised classification) Η μη επιβλεπόμενη τεχνική είναι μια πιο αυτοματοποιημένη διαδικασία σε σύγκριση με την επιβλεπόμενη. Ο χρήστης δεν έχει όλο τον έλεγχο της διαδικασίας. Σε αντίθεση με την επιβλεπόμενη τεχνική, εδώ δεν εισάγονται δεδομένα εκπαίδευσης. Αντιθέτως, απαιτείται ελάχιστη εισαγωγή δεδομένων και παραμέτρων στη διαδικασία (Θέμελης 2010). Η μη επιβλεπόμενη ταξινόμηση χρησιμοποίει τους κατάλληλους αλγορίθμους με σκοπό να δημιουργήσει σύνολα (clusters) (Εγγεζοπούλου 2008). Αρχικά, πραγματοποιείται τμηματοποίηση των δεδομένων της εικόνας σε φασματικές κατηγορίες από το λογισμικό. Στην συνέχεια, το κάθε εικονοστοιχείο ταξινομείτε σε μια από αυτές τις κατηγορίες και πάλι από το λογισμικό. Αρχικά, αυτές οι φασματικές κατηγορίες δεν αντιστοιχούν σε κάποια ενημερωτική κατηγορία και απλώς φέρουν τυχαία ονόματα. Στη συνέχεια όμως, ο αναλυτής αντιστοιχεί τις φασματικές με τις ενημερωτικές κατηγορίες, δηλαδή με ένα τύπο κάλυψης γης (Λασπιάς 2012). Ο αναλυτής έχει την δυνατότητα να αντιστοιχήσει μόνο τις κατηγορίες που τον ενδιαφέρουν. Ωστόσο, αυτή η διαδικασία σε πολλές περιπτώσεις μπορεί να παραποιήσει τα αποτελέσματα της έρευνας (Εγγεζοπούλου 2008). Μια περίπτωση είναι να δημιουργηθούν κατηγορίες από μίξη διαφορετικών τύπων κάλυψης γης, γεγονός που αποτελεί λάθος. Μια άλλη περίπτωση είναι μια κατηγορία να έχει χωριστεί σε δύο. Σε αυτή την περίπτωση και δίχως να υπάρχουν πεδία εκπαίδευσης ο αναλυτής δυσκολεύεται να κάνει την τελική αντιστοίχηση. Κατανομή των δεδομένων σε ομάδες από το λογισμικό Αναγνώριση των ομάδων από τον αναλυτή Εικόνα 8. Τα στάδια της μη καθοδηγούμενης ταξινόμηση. Πηγή: Ιδία επεξεργασία Αντικειμενοστραφής Ταξινόμηση (Object - Oriented Classification) Παράλληλα με την ραγδαία εξέλιξη των συστημάτων και των τεχνολογιών της γεωσκόπησης, αναπτύχθηκε και μια νέα τεχνική ως εναλλακτική λύση προς την παραδοσιακή μέθοδο ανάλυσης εικόνας που βασίζεται στα εικονοστοιχεία (Pixel based Classification). Αυτή η τεχνική ονομάστηκε αντικειμενοστραφής ταξινόμηση (Object - Oriented Classification) (Gao et al. 2008). Σε αντίθεση με την βασισμένη στα εικονοστοιχεία ταξινόμηση, η αντικειμενοστραφής λειτουργεί με βάση αντικείμενα. Αρχικά, πραγματοποιείται κατάτμηση της εικόνας, έτσι ώστε να παραχθούν αυτά τα αντικείμενα. Αυτό έχει ως αποτέλεσμα περισσότερα στοιχεία να μπορούν να χρησιμοποιηθούν στην 23

24 ταξινόμηση. Τέτοια στοιχεία είναι η μέση τιμή, η τυπική απόκλιση κτλ τα οποία μπορούν να υπολογιστούν και να χρησιμοποιηθούν για την διαφοροποίηση των τύπων εφαφοκάλυψης από παρόμοιες φασματικές πληροφορίες. Επίσης, στοιχεία με τον ίδιο σκοπό τα οποία μπορούν να υπολογιστούν είναι, το σχήμα και η υφή (Gao et al. 2008). Αυτές οι επιπλέον πληροφορίες που παρέχει η αντικειμενοστραφής ταξινόμηση παρέχουν την δυνατότητα παραγωγής θεματικών χαρτών με υψηλότερες ακρίβειες. Πιο συγκεκριμένα, η αντικειμενοστραφής ταξινόμηση, σε αντίθεση με τις τεχνικές ταξινόμησης με βάση τα εικονοστοιχεία (pixel-based), οι οποίες ταξινομούν τα εικονοστοιχεία της εικόνας άμεσα, αρχικά χρησιμοποιεί ένα αλγόριθμο κατάτμησης (segmentation algorithm) για να δημιουργήσει αντικείμενα διαφορετικού σχήματος και κλίμακας, αλλά ομοιογενή φασματικά και έπειτα τα ταξινομεί (Whiteside T. 2005). Αυτή η διαδικασία ονομάζεται κατάτμηση πολλαπλής ανάλυσης (multi-resolution segmentation). Στο επόμενο στάδιο, ο αναλυτής εντοπίζει σημεία δειγματοληψίας για κάθε κατηγορία κάλυψης γης, με σκοπό να υπολογιστούν τα στατιστικά στοιχεία για κάθε αντικείμενο. Τέλος, εκπαιδεύεται το λογισμικό, με βάση την δειγματοληψία και τα στατιστικά που ορίστηκαν στο προηγούμενο στάδιο, έτσι ώστε να ταξινομηθούν τα αντικείμενα σε κατηγορίες. Αυτή η διαδικασία ονομάζεται πλησιέστερου γείτονα ταξινόμηση (Nearest Neighbor Classification). Η διαδικασία που ακολουθεί αυτή η τεχνική δηλαδή, η μετατροπή των στοιχείων προς ταξινόμηση από εικονοστοιχεία σε αντικείμενα, την καθιστά πιο ουσιαστική σε σύγκριση με εκείνη που βασίζεται στα εικονοστοιχεία. Αυτό συμβαίνει διότι η μετατροπή των στοιχείων προς ταξινόμηση από εικονοστοιχεία σε αντικείμενα μειώνει την ανά κατηγορία φασματική μεταβολή και γενικά αφαιρεί τις λεγόμενες αλάτι και πιπέρι επιπτώσεις 4 που είναι χαρακτηριστικές σε προσεγγίσεις με βάση τα εικονοστοιχεία. Επίσης, η χρήση πολλαπλών φασματικών καναλιών είναι κάτι το οποίο υποστηρίζεται από την αντικειμενοστραφή ανάλυση και αποτελεί ένα ακόμη θετικό στοιχείο. Κατάτμηση πολλαπλής ανάλυσης Επιλογή δειγμάτων Υπολογισμός στατιστικών Ταξινόμηση εικόνας Εικόνα 9 Τα στάδια της αντικειμενοστραφής ταξινόμησης. Πηγή: Ιδία επεξεργασία Αξιολόγηση της ακρίβειας Η αξιολόγηση της ακρίβειας είναι ένα από τα πιο σημαντικά βήματα της ταξινόμησης. Παρά την σημαντικότητά της σε πολλές εφαρμογές οι αναλυτές δεν την εφαρμόζουν. Ο λόγος είναι ότι συνήθως περιλαμβάνει πολύ δουλειά στο πεδίο, η οποία μπορεί να είναι πολύ δαπανηρή και χρονοβόρα. Ωστόσο, χωρίς καμία εκτίμηση της ακρίβειας ο αναλυτής δεν μπορεί να ξέρει πόσο ακριβή είναι τα αποτελέσματα της έρευνάς του. 4 Μια εικόνα που περιέχει "salt and pepper noise" παρουσιάζει σκούρα εικονοστοιχεία σε φωτεινές περιοχές και φωτεινά εικονοστοιχεία σε σκοτεινές περιοχές. Αυτό το είδος του θορύβου μπορεί να προκληθεί από το σφάλματα κατά την μετατροπή του αναλογικού σε ψηφιακό σήμα (wikipedia.org). 24

25 Η ακρίβεια της ταξινόμησης συνήθως εκτιμάται με τη σύγκριση των ταξινομημένων εικόνων με κάποια στοιχεία αναφοράς (reference data) που πιστεύεται ότι αντικατοπτρίζουν με ακρίβεια την πραγματική κάλυψη γης. Δεδομένα αναφοράς μπορεί να είναι ground truth σημεία, υψηλότερης ανάλυσης δορυφορικές εικόνες, καθώς και χάρτες που προέρχονται από εναέρια φωτοερμηνεία. Ωστόσο, και τα δεδομένα αναφοράς είναι ανακριβή σε κάποιο βαθμό. Η αξιολόγηση της ακρίβειας αντανακλά τη διαφορά μεταξύ της ταξινόμησης και των δεδομένων αναφοράς. Κατά συνέπεια, εάν τα δεδομένα αναφοράς είναι εξαιρετικά ανακριβή, η εκτίμηση μπορεί να υποδεικνύει ότι η ταξινόμηση είναι κακή, ενώ στην πραγματικότητα τα αποτελέσματα να είναι ικανοποιητικά. Το καλύτερο είναι να χρησιμοποιούνται λιγότερα αλλά πιο ακριβή δεδομένα αναφοράς. Επίσης, πρέπει να λαμβάνεται υπόψη η ημερομηνία. Εάν η δορυφορική εικόνα ελήφθη σε διαφορετικό χρόνο από τα δεδομένα αναφοράς, μπορεί να δημιουργηθούν προφανή σφάλματα τα οποία οφείλονται στο γεγονός ότι το τοπίο μπορεί να έχει αλλάξει. Στην ιδανική περίπτωση, η επιλογή των πεδίων αναφοράς (reference sites) πρέπει να βασίζεται σε τυχαία δειγματοληψία. Η μελέτη πεδίου από το αυτοκίνητο, για παράδειγμα, δεν είναι τυχαίος σχεδιασμός δειγματοληψίας και οι εκτιμώμενες μετρήσεις ακρίβειας από τέτοιου είδους δειγματοληψίες είναι συνήθως μεροληπτικές. Επίσης, η εκτίμηση της ακρίβειας δεν θα πρέπει να βασίζεται στα δεδομένα εκπαίδευσης. Το πρόβλημα με τη χρήση των δεδομένων εκπαίδευσης είναι ότι συνήθως δεν επιλέγονται τυχαία και ότι δεν είναι ανεξάρτητα από την ταξινόμηση. Χρησιμοποιώντας τα δεδομένα εκπαίδευσης συνήθως οδηγεί σε υπερβολικά αισιόδοξη εκτίμηση της ακρίβειας. 1.9 Αλγόριθμοι Ταξινόμησης Μέθοδοι Επιβλεπόμενης Ταξινόμησης Ευκλείδεια Απόσταση (Euclidean Distance) Σκοπός αυτού του ταξινομητή, αλλά και όλων των υπολοίπων είναι να κατηγοριοποιήσει τα εικονοστοιχεία της εικόνας σε Χ κατηγορίες. Αρχικά ο αναλυτής για να εκπαιδεύσει τον ταξινομητή ορίζει Χ σημεία στην εικόνα τα οποία αντιπροσωπεύουν την κάθε κατηγορία. Στη συνέχεια, ο αλγόριθμος υπολογίζει την απόσταση κάθε διανύσματος που ανήκει στα εικονοστοιχεία της εικόνας αλλά και για κάθε διάνυσμα που ανήκει στα Χ σημεία που αρχικά επιλέχθηκαν, βασιζόμενος στην Ευκλείδεια εξίσωση (Θέμελης 2010). Πιο συγκεκριμένα, η κάθε απόσταση υπολογίζεται με τον παρακάτω τύπο: Dist = (BBVV iiiiii μμ xxxx ) 22 + (BBVV iiiiii μμ xxxx ) 22 όπου, BBVV iiiiii και BBVV iijjjj είναι οι τιμές εντάσεως των εικονοστοιχείων ij, στα φασματικά κανάλια k και l αντίστοιχα, και μμ xxxx και μμ xxxx είναι οι αντίστοιχες μέσες τιμές όλων των εικονοχτοιχείων στην κατηγορία xx cc (όπου c=1,...,x) στα φασματικά κανάλια k και l. Με αυτό τον τρόπο τα διανύσματα των εινοστοιχείων ταξινομούνται στον κοντινότερο σε αυτά σημείο X. Αυτό επαναλαμβάνεται μέχρι τα εικονοστοιχεία να καταχωρηθούν σε μια κατηγορία X και να σταματήσουν να αλλάζουν κατηγορία. Ο αλγόριθμος αυτός παρά το γεγονός ότι είναι ιδιαίτερα διαδεδομένος έχει ένα βασικό ελάττωμα. Βασίζεται στην παραδοχή ότι όλα τα σημεία απέχουν ίση απόσταση από το κέντρο τους. Εάν όμως αυτή η παραδοχή δεν ισχύει τα αποτελέσματα της ταξινόμησης δεν έχουν ιδιαίτερα καλή ακρίβεια (Λασπιάς 2012). 25

26 Ελάχιστη Απόσταση (Minimum Distance) Αρχικά, ο χρήστης σχηματίζει τα πεδία εκπαίδευσης, έτσι ώστε να ορίσει τα χαρακτηριστικά της κάθε κατηγορίας. Στη συνέχεια, ο χρήστης εκπαιδεύει τον ταξινομητή έτσι ώστε να υπολογιστεί η ευκλείδεια απόσταση (Βλέπε την προηγούμενη υπό-ενότητα) του κάθε άγνωστου εικονοστοχείου με το κέντρο (μέσο διάνυσμα) της κάθε φασματικής κατηγορίας (Λασπιάς 2012). Με αυτό τον τρόπο όλα τα εικονοστοιχεία ταξινομούνται στην κατηγόρια από την οποία απέχουν την ελάχιστη απόσταση. Ωστόσο, στην περίπτωση που δημιουργηθεί κάποια τυπική απόκλιση ή οριστεί κάποιο ελάχιστο όριο (threshold) (βλ. Εικόνα 10), κάποια εικονοστοιχεία που δεν πληρούν τα κριτήρια δεν ταξινομούνται. Εικόνα 10 Ταξινόμηση τεσσάρων εικονοστοιχείων σε τρεις φασματικές κατηγορίες Πηγή: Hodgson M.E., Απόσταση Mahalanobis (Mahalanobis Distance) Αυτή η τεχνική μοιάζει σε μεγάλο βαθμό με την τεχνική της ελάχιστης απόστασης. Αυτή η μέθοδος χρησιμοποιεί στην εξίσωση της τον πίνακα συμμεταβλητότητας, ένα στοιχείο που την διαφοροποιεί από την μέθοδο της ελάχιστης απόστασης, έτσι ώστε να συγκεντρώσει τα στατιστικά στοιχεία κάθε φασματικής κατηγορίας για να ταξινομήσει την εικόνα. Πιο συγκεκριμένα, λαμβάνει υπόψη τις συσχετίσεις μεταξύ των αντικειμένων και δεν εξαρτάται από την κλίμακα των παρατηρήσεων. DD ΜΜ (x) = (xx μμ) TT S 1 (xx μμ) όπου, μ είναι το μέσο διάνυσμα, S ο πίνακας συμμεταβλητότητας για ένα πολυδιάστατο διάνυσμα x Αυτός ο αλγόριθμος μπορεί να χρησιμοποιηθεί και ως μέτρο ανομοιότητας μεταξύ δύο διανυσμάτων x και y : DD ΜΜ (x) = (xx yy) TT S 1 (xx yy) Επομένως, αρχικά υπολογίζεται ο πίνακας συμμεταβλητότητας από τον χρήστη, έχοντας ως βάση τα πεδία εκπαίδευσης. Εάν δεν πραγματοποιηθεί αυτός ο υπολογισμός δεν μπορεί να χρησιμοποιηθεί ορθά ο αλγόριθμος. στην περίπτωση που δημιουργηθεί κάποια τυπική απόκλιση ή οριστεί κάποιο ελάχιστο όριο (threshold) από τον χρήστη, κάποια εικονοστοιχεία που δεν πληρούν τα κριτήρια δεν ταξινομούνται. 26

27 Ταξινόμηση Μέγιστης Πιθανοφάνειας (Maximum Likelihood Classification) Μια από τις πιο ευρέως διαδεδομένες μεθόδους επιβλεπώμενης ταξινόμησης δεδομένων είναι η ταξινόμηση μέγιστης πιθανοφάνειας (Bishop 1995). Αυτός αλγόριθμος χρησιμοποιεί τα πεδία εκπαίδευσης με σκοπό να εκτίμηση τα κέντρα και τη συνδιασπορά της κάθε κατηγορίας. Για να ολοκληρώσει την διαδικασία αυτός ο ταξινομητής χρησιμοποιεί τη μέση τιμή και τη μεταβλητότητα στις τιμές φωτεινότητας για κάθε κατηγορία. Όσον αφορά τα πεδία εκπαίδευσης, πρέπει να οριστούν με ιδιαίτερη προσοχή γιατί από την ακρίβειά τους εξαρτάται η αποτελεσματικότητα της μεθόδου αυτής (Campbell 1996). Επίσης, η τεχνική αυτή μπορεί να εκτιμήσει τυχόν επικαλύψεις περιοχών, έχοντας ως βάση τα στατιστικά στοιχεία. Ο αλγόριθμος της τεχνικής αυτής βασίζεται στον υπολογισμό μια δεσμευμένης πιθανότητας 5, η οποία υπολογίζεται με τον παρακάτω τύπο: p(xx kk ii) = ( ΜΜ ii ) exp( DD22 ) όπου p(xx kk i) είναι η πιθανότητα ένα εικονοστοιχείο k να με διάνυσμα xx kk να ανήκει σε μια κατηγορία i, MM ii είναι ο πίνακας μεταβλητότητας για την κατηγορία i, και DD 2 είναι η απόσταση Mahalanobis (αναλύθηκε παραπάνω) μεταξύ του εικονοστοιχείου k και του κεντροειδούς της κατηγορίας i. Εν κατακλείδι, η μέθοδος της μέγιστης πιθανοφάνειας στηρίζεται στην πιθανότητα που έχει ένα εικονοστοιχείο να ανήκει σε μια συγκεκριμένη κατηγορία. Ωστόσο, πρέπει οι πιθανότητες να είναι ίσες για κάθε κατηγορία και τα ιστογράμματα των φασματικών καναλιών της εικόνας να έχουν κανονική κατανομή για να μπορέσει ο ταξινομητής να δώσει αξιόπιστα αποτελέσματα Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines - SVM) Οι μηχανές διανυσμάτων υποστήριξης είναι μια επιβλεπόμενη μη παραμετρική στατιστική μάθησης. Στην αρχική του σύνθεση, ο αλγόριθμος SVM χρησιμοποιώντας τα δεδομένα εκπαίδευσης στοχεύει στο να βρει ένα υπερεπίπεδο (hyperplane) που χωρίζει το σύνολο των δεδομένων σε ένα διακριτό προκαθορισμένο αριθμό κατηγοριών με τέτοιο τρόπο ώστε τα δεδομένα που ανήκουν στην ίδια κατηγορία να είναι στη ίδια πλευρά του υπερεπιπέδου (Vapnik 1979). Μεταξύ όλων των πιθανών υπερεπιπέδων αναζητά εκείνο για το οποίο η απόσταση από το κοντινότερο παράδειγμα είναι μέγιστη, δηλ. αναζητά υπερεπίπεδο μέγιστου περιθωρίου (maximal margin hyperplane) (Kononenko et. al. 2007; Tan et al. 2005). Ο όρος βέλτιστο διαχωριστικό υπερεπίπεδο χρησιμοποιείται για να αναγερθεί στο όριο απόφασης που ελαχιστοποιεί τα εικονοστοιχεία που δεν έχουν ταξινομηθεί σωστά κατά το στάδιο της κατάρτισης (Mountrakis et. al. 2010). Ο όρος «μάθηση» αναφέρεται στην επαναληπτική διαδικασία η οποία έχει ως στόχο την εύρεση ενός ταξινομητή με βέλτιστο όριο αποφάσεων που θα διαχωρίσει τα πρότυπα κατάρτισης (training patterns) (σε δυνητικά μεγάλων διαστάσεων χώρο) και, στη συνέχεια, να διαχωρίσει τα δεδομένα προσομοίωσης υπό τις ίδιες διαστάσεις (Zhu and Blumberg 2002). Στην απλούστερη μορφή της, η μέθοδος SVM αποτελείται από γραμμικούς δυαδικούς ταξινομητές που ταξινομούν τα εικονοστοιχεία της εικόνας στις πιθανές κατηγορίες (Mountrakis et. al. 2010). Η εικόνα 8 απεικονίζει ένα απλό σενάριο ταξινόμησης με δύο διαχωρισμένες κατηγορίες σε ένα δυσδιάστατο χώρο. Μια σημαντική γενικευμένη πτυχή είναι ότι συχνά ο εν λόγω ταξινομητής δεν χρησιμοποιεί όλα τα δεδομένα εκπαίδευσης που χρησιμοποιούνται στην περιγραφή του διαχωριστικού υπερεπιπέδου. Το υποσύνολο των σημείων που βρίσκονται 5 Δεσμευμένη (ή υπό συνθήκη) πιθανότητα ονομάζεται πιθανότητα p(a B) η οποία εκφράζει την πιθανότητα να συμβεί το ενδεχόμενο Α δεδομένου ότι έχει ήδη συμβεί το ενδεχόμενο Β (Αδάμος, 2006). 27

28 στο περιθώριο, ονομάζονται διανύσματα υποστήριξης και καθορίζουν το μέγιστο πλάτος του υπερεπιπέδου (Mountrakis et. al. 2010). Η τεχνική SVM είναι ιδιαίτερα διαδεδομένη σε εφαρμογές της τηλεπισκόπησης, λόγω της ικανότητας της να χειρίζεται επιτυχώς μικρά σύνολα δεδομένων εκπαίδευσης, και συχνά παράγει υψηλότερες ακρίβειες σε σύγκριση με τις παραδοσιακές μεθόδους (Mantero et al. 2005). Η βασική αρχή που ωφελεί την SVM είναι η διαδικασία μάθησης, η οποία ακολουθεί αυτό που είναι γνωστό ως δομική ελαχιστοποίηση κινδύνου (structural risk minimization). Σύμφωνα με αυτή την αρχή, η SVM ελαχιστοποιεί το σφάλμα ταξινόμησης, χωρίς εκ των προτέρων παραδοχές σχετικά με την πιθανότητα κατανομή των δεδομένων (Mountrakis et. al. 2010). Στατιστικές τεχνικές, όπως αυτή της μέγιστης πιθανοφάνειας συνήθως υποθέτουν ότι η κατανομή των δεδομένων είναι γνωστή εκ των προτέρων. Παράλληλα με τα οφέλη που προκύπτουν μέσω αυτής της μεθόδου υπάρχουν επίσης και αρκετές προκλήσεις. Το σημαντικό μειονέκτημα, όσον αφορά την εφαρμογή της SVM είναι η επιλογή των πυρήνων (kernel). Aν και πολλές επιλογές είναι διαθέσιμες, κάποιες από τις λειτουργίες του πυρήνα (kernel functions) μπορεί να μην παρέχουν την βέλτιστη διαμόρφωση της SVM στις εφαρμογές της τηλεπισκόπησης (Mountrakis et. al. 2010). Τέλος, ένα ακόμη μειονέκτημα αυτής της μεθόδου είναι ότι ο χρόνος υπολογισμού και εκπαίδευσης του αλγορίθμου αυξάνεται εκθετικά όσο αυξάνονται οι διαστάσεις των δεδομένων. Εικόνα 11 Παράδειγμα γραμμικής SVM. Πηγή: Burges, Τυχαία δάση (Random forest) Τα τυχαία δάση είναι ένας συνδυασμός δέντρων ως δείκτες πρόβλεψης (tree predictors) έτσι ώστε το κάθε δέντρο να εξαρτάται από τις τιμές μιας τυχαίας δειγματοληψίας διανυσμάτων (vector) ανεξάρτητα και με την ίδια κατανομή για όλα τα δέντρα στο δάσος (Breiman 2001). Το γενικευμένο σφάλμα για τα δάση συγκλίνει σε ένα ανώτατο όριο όσο ο αριθμός των δέντρων στο δάσος γίνεται μεγαλύτερος (Breiman 2001). Το γενικευμένο λάθος του δάσους, το οποίο περιέχει τα δέντρα ταξινομητές, εξαρτάται από την ισχύ των μεμονωμένων δέντρων και τη συσχέτιση μεταξύ τους (Breiman 2001). 28

29 Η ανάπτυξη ενός συνόλου από δέντρα, τα οποία μπορούν να επιλέξουν την πιο δημοφιλή κατηγορία, έχει επιφέρει σημαντικές βελτιώσεις στην ακρίβεια της ταξινόμησης. Για να αναπτυχθούν αυτά τα σύνολα, συχνά δημιουργούνται τυχαία διανύσματα που διέπουν την ανάπτυξη του κάθε δέντρου στο σύνολο (Breiman 2001). Ένα πρώιμο παράδειγμα είναι αυτό του "bagging" (Breiman, 1996), σύμφωνα με το οποίο για κάθε δέντρο μια τυχαία επιλογή χρησιμοποιώντας παραδείγματα από το σύνολο εκπαίδευσης. Ένα άλλο παράδειγμα είναι η επιλογή τυχαίας διάστασης (random split selection) (Dietterich 1998), όπου σε κάθε κόμβο (node) έχει επιλεγεί τυχαία η διάσπαση (split) ανάμεσα από τις Κ καλύτερες διασπάσεις. Ο Breiman το 1999 δημιούργησε νέα σύνολα εκπαίδευσης μέσω της τυχαιοποίησης των σχετικών αποτελεσμάτων του αρχικού συνόλου εκπαίδευσης. Μια άλλη προσέγγιση είναι να επιλεγούν τα δεδομένα εκπαίδευσης από ένα τυχαίο σύνολο βαρών. Ο Ho (1998) ανέλυσε την μέθοδο τυχαίου υποχώρου (the random subspace), η οποία κάνει μια τυχαία επιλογή ενός υποσυνόλου χαρακτηριστικών και τα χρησιμοποιεί για να αναπτύξει τα δέντρα. Σε μια άλλη προσέγγιση ο Amit και ο Geman (1997) όρισαν ένα μεγάλο αριθμό γεωμετρικών χαρακτηριστικών και αναζήτησαν με μια τυχαία επιλογή αυτών για την καλύτερη διάσπαση σε κάθε κόμβο. Το κοινό στοιχείο όλων αυτών των προσεγγίσεων είναι ότι για το Ν-οστό δέντρο, ένα διάνυσμα ΘΘ ΝΝ παράγεται, ανεξάρτητα από τα τελευταία τυχαία διανύσματα ΘΘ 1,...,ΘΘ ΝΝ 1, αλλά με την ίδια κατανομή (Breiman 2001). Έτσι, τα δέντρα καλλιεργούνται χρησιμοποιώντας το σύνολο των δεδομένων εκπαίδευσης και ΘΘ ΝΝ διανύσματα, με αποτέλεσμα τα δημιουργείται ένας ταξινομητής h(x,θθ ΝΝ ) όπου x ένα διάνυσμα εισόδου. Η φύση και η διάσταση των Θ εξαρτάται από την χρήση τους στην ανάπτυξη του δέντρου. Μετά την δημιουργία τους τα δέντρα ψηφίσουν για την πιο δημοφιλή κατηγορία. Αυτή η διαδικασία ονομάζεται τυχαία δάση (Breiman 2001). Εν κατακλείδι, τα τυχαία δάση είναι ένας ταξινομητής που αποτελείται από μια συλλογή δέντρων ταξινομητών {h(x,k), k = 1,...}, όπου, {k} είναι ανεξάρτητα ομοιόμορφα κατανεμημένα τυχαία διανύσματα και κάθε δέντρο "γεννά" μια μονάδα ψήφου για την πιο δημοφιλή κατηγορία για το διάνυσμα εισόδου x Μέθοδοι μη επιβλεπόμενης ταξινόμησης Αρκετοί και διαφορετικοί είναι οι αλγόριθμοι μη επιβλεπόμενης ταξινόμησης που μπορούν να χρησιμοποιηθούν σε εφαρμογές της τηλεπισκόπησης. Οι δύο πιο διαδεδομένοι είναι οι αλγόριθμοι συσταδοποίησης (clustering) K-mean και ISODATA. Πρόκειται για δύο επαναληπτικές μεθόδους οι οποίες αποκτήθηκαν μέσω πειραματικών διαδικασιών και εμπειρικών γνώσεων, δίχως να απαιτούν την παρέμβαση του χρήστη σε σημαντικό βαθμό (Λασπιάς 2012). Πιο αναλυτικά οι δύο αλγόριθμοι περιγράφονται παρακάτω Isodata (Iterative Self Organizing Data Analysis Technique) Αυτή η τεχνική μη επιβλεπόμενης ταξινόμησης είναι σύμφωνα με την βιβλιογραφία η πιο διαδεδομένη. Αρχικά, ο αλγόριθμος αυτός υπολογίζει τις μέσες τιμές για κάθε φασματική κατηγορία, χρησιμοποιώντας τις μέσες τιμές και το τυπικό σφάλμα από κάθε φασματικό κανάλι. Πριν ξεκινήσει ο κύκλος των επαναλήψεων, σε κάποιες εφαρμογές ο χρήστης εντοπίζει τις φασματικές βασιζόμενος σε εκ των προτέρων γνώσεις που ίσως έχει για την περιοχή (Θέμελης Αθανάσιος, 2010). Επομένως, μετά από αυτό το βήμα ακολουθεί ο κύκλος επαναλήψεων. Στην πρώτη επανάληψη ο αλγόριθμος ταξινομεί την εικόνα βασιζόμενος στην μέθοδο της ελάχιστης απόστασης (τα εικονοστοιχεία ταξινομούνται στην κατηγόρια από την οποία απέχουν την ελάχιστη απόσταση), με αποτέλεσμα να δημιουργηθεί ένας ταξινομημένος χάρτης. Στη συνέχεια, αυτή την φόρα με βάση την 29

30 αρχική τους θέση και όχι τις αρχικές εκτιμήσεις υπολογίζονται ξανά οι μέσες τιμές για τις φασματικές κατηγορίες. Επομένως, με τις νέες μέσες τιμές τώρα και με βάση την πραγματική διασπορά των δεδομένων γίνεται διαχωρισμός ή συγχώνευση των φασματικών κατηγοριών. Με τον διαχωρισμό και την συγχώνευση υπολογίζονται εκ νέου τα κέντρα των πεδίων εκπαίδευσης και τα εικονοστοιχεία ταξινομούνται και πάλι στην κατηγόρια από την οποία απέχουν την ελάχιστη απόσταση. Μόλις ο μέγιστος αριθμός επαναλήψεων ολοκληρωθεί ή το ποσοστό των μη ταξινομημένων εικονοστοιχείων να φτάσει στο κατώτατο όριο που έχει οριστεί, η διαδικασία ολοκληρώνεται Ο αλγόριθμος ταξινόμησης K-MEANS CLUSTERING Αυτός ο αλγόριθμος, αν και είναι και αυτός ιδιαίτερα διαδεδομένος, χρησιμοποιείται πιο σπάνια, διότι δεν προσφέρει τόσο ικανοποιητικά αποτελέσματα συγκριτικά σε τον ISODATA. Αυτή η τεχνική χρησιμοποιεί μια απλή προσέγγιση. Απαιτεί, αρχικά, από τον χρήστη να ορίσει πεδία εκπαίδευσης από τα δεδομένα, έτσι ώστε να τα χρησιμοποιήσει και να επιτευχθεί ο φασματικός διαχωρισμός των κατηγοριών. Στη συνέχεια, εντοπίζει αυθαίρετα τα κέντρα των φασματικών κατηγοριών. Τέλος, μέχρι ο φασματικός διαχωρισμός να είναι ικανοποιητικός, επαναπροσδιορίζονται τα κέντρα σε μια συνεχόμενη επανάληψη. Όσον αφορά, τον αριθμό των φασματικών κατηγοριών δεν υπάρχει κάποιος πρότυπος αριθμός με τον οποίο δίνει καλύτερα αποτελέσματα ο αλγόριθμος. Εξαρτάται από το αποτέλεσμα που θέλει να πετύχει ο χρήστης και από το αντικείμενο της μελέτης του (Bishop 1995) Ασαφείς μέθοδοι ταξινόμησης Οι επιβλεπόμενες και οι μη επιβλεπόμενες ταξινομητές ονομάζονται αυστηροί (hard classifiers) λόγω του ότι ταξινομούν τα εικονοστοιχεία σε διακριτές κατηγορίες. Οι ασαφείς (fuzzy) ταξινομητές, αντιθέτως, θέτουν ανάλογα με την τάση που έχει το κάθε εικονοστοιχείο να ανήκει σε κάποια κατηγορία ένα σύνολο πιθανοτήτων για κάθε ένα από αυτά (Αδάμος 2006). Υπάρχουν αρκετοί αλγόριθμοι ασαφούς ταξινόμησης όπως: Γραμμικό Μοντέλο Μείγματος (Linear Mixture Model), Μη γραμμικό Μοντέλο Μείγματος (Non Linear Mixture Model) και αλγόριθμος Mixed Tuned Matched Filtering (MTMF) Γραμμικό μοντέλο μείγματος (LINEAR MIXTURE MODEL) Tο είδος του μείγματος εντός ενός εικονοστοιχείου που διασκορπίζει την προσπίπτουσα ηλιακή ακτινοβολία αποτελεί το βασικό στοιχείο από το οποίο εξαρτάται η ανάμειξη δύο ή περισσοτέρων ουσιών εδαφοκάλυψης. Στην Εικόνα 12, βλέπουμε ότι η ανακλώμενη περιοχή αποτελείται από ένα μείγμα από συνιστώσες μονοσήμαντης ερμηνείας φάσματος, στις οποίες η προσπίπτουσα ακτινοβολία αναπηδά μόνο μια φορά. Αυτό το μοντέλο βασίζεται στην παραδοχή ότι η συνολική ανακλώμενη επιφάνεια διαιρείται αναλογικά με τις αφθονίες των υλικών κάλυψης γης και ότι με τις ίδιες αναλογίες μεταφέρεται και η ανακλώμενη ακτινοβολία στον αισθητήρα (Nirmal Keshava 2003). Επομένως, με βάση αυτή την παραδοχή δημιουργείται μια γραμμική σχέση μεταξύ των κλασματικών αφθονιών των τύπων εδαφοκάλυψης της περιοχής μελέτης και του φάσματος της ανακλώμενης ακτινοβολίας. 30

31 Εικόνα 12 Απεικόνιση του γραμμικού μοντέλου μείγματος (Linear Mixture Model) Πηγή: Nirmal Keshava 2003 Αν είναι Κ φασματικά κανάλια και συμβολίζονται τις συνιστώσες μονοσήμαντης ερμηνείας φάσματος ως si και η αφθονία τους ως ai (όπου το i είναι ο αριθμός του κάθε φάσματος μονοσήμαντης καταγραφής και παίρνει τιμές από 1 μέχρι Μ), τότε το παρατηρούμενο φάσμα Χ για κάθε pixel της περιοχής που πρόκειται να απεικονιστεί μπορεί να εκφραστεί ως: xx = a 1 s 1 + a 2 s a M s M + w = (a i s i ) + w = Sa + w όπου, το Μ είναι ο συνολικός αριθμός των συνιστωσών μονοσήμαντης ερμηνείας φάσματος, S είναι η μήτρα 6 με τις τιμές των συνιστωσών μονοσήμαντης ερμηνείας φάσματος, και το w είναι μια μεταβλητή που αντιπροσωπεύει το σφάλμα εξαιτίας θορύβου 7 (θόρυβος του αισθητήρα, μεταβλητότητα των συνιστωσών μονοσήμαντης ερμηνείας φάσματος, και άλλες ανεπάρκειες του μοντέλου). Αυτό το μοντέλο ονομάζεται μοντέλο γραμμικής φασματικής ανάλυσης μείγματος (Linear spectral mixture analysis - LSMA). Εφαρμογές του γραμμικού μοντέλου φασματικής ανάλυσης συναντούνται τόσο στην πολυφασματική όσο και στην υπερφασματική τηλεπισκόπηση. Το γραμμικό μοντέλο, έχοντας εκ των προτέρων γνωστές τις συνιστώσες μονοσήμαντης ερμηνείας φάσματος, σκοπεύει στην μοντελοποίηση της φασματικής διακύμανσης της εικόνας και αντιστοιχεί τα αποτελέσματα με τις φυσικές αποτυπώσεις των συστατικών της επιφάνειας της γης. Επομένως, δυο βασικές παράμετροι για να μπορέσει να εφαρμοστεί σωστά αυτός ο MM ii=1 6 Μήτρα ή πίνακας Α διάστασης m n και με στοιχεία αij συμβολίζουμε μια σειρά από στοιχεία τα οποία γράφονται με μια συγκεκριμένη διάταξη σε m γραμμές και n στήλες (Ι. ΠΑΝΑΡΕΤΟΥ & Ε. ΞΕΚΑΛΑΚΗ 2000). 7 Θόρυβος (noise) : είναι το σύνολο των ανεπιθύμητων πληροφοριών, που τείνουν να αναμειχθούν με το επιθυμητό σήμα κατά την διάρκεια λήψης του σήματος ( Μπορεί να παραχθεί από τον αισθητήρα και το κύκλωμα του σαρωτή ή την ψηφιακή φωτογραφική μηχανή. Είναι ένα ανεπιθύμητο παραπροϊόν της λήψης της εικόνας που προσθέτει άσχετες πληροφορίες. (wikipedia.org) 31

32 αλγόριθμος είναι ότι πρέπει να είναι εκ των προτέρων γνωστές οι κατηγορίες συνιστωσών μονοσήμαντης ερμηνείας φάσματος και το πλήθος τους να μην ξεπερνάει τον αριθμό των φασματικών καναλιών. Αυτά, όπως αναφέρθηκε και σε προηγούμενο κεφάλαιο, μπορούν να αποκτηθούν από την φυσική τους θέση με φασματόμετρο πεδίου, είτε από έτοιμες φασματικές βιβλιοθήκες, είτε χειροκίνητα πάνω στην εικόνα, είτε αυτόματα από αλγορίθμους όπως είναι η διαδοχική μέγιστη γωνία κυρτού κώνου και ο ο Δείκτης "Αγνότητας" Εικονοστοιχείων. Σε πολλές εφαρμογές, περίπου τρεις ή τέσσερις κατηγορίες συνιστωσών μονοσήμαντης ερμηνείας φάσματος θεωρούνται αρκετές για απλά γραμμικά μοντέλα μείγματος (Roberts et al. 1998, Small 2001). Ωστόσο, εκτός από τα πλεονεκτήματα το γραμμικό μοντέλο έχει και ένα μειονέκτημα. Σύμφωνα με τον Small (2001), σε εφαρμογές στις οποίες υπάρχουν μικρές φασματικές διαφορές στα φασματικά κανάλια το γραμμικό μοντέλο δεν δίνει ακριβή αποτελέσματα Μη Γραμμικό Μοντέλο Μείγματος (Non - Linear Mixture Model) Σύμφωνα με την βιβλιογραφία, το γραμμικό μοντέλο αποτελεί την πιο διαδεδομένη τεχνική, όσον αναφορά την προβληματική του φασματικού διαχωρισμού. Ωστόσο, σε πολλές εφαρμογές, που αφορούν τον τομέα των γεω-επιστημών και της επεξεργασίας εικόνας, αυτό το μοντέλο μπορεί να μην είναι έγκυρο. Για αυτό το λόγο αναπτύχθηκαν και άλλες μη γραμμικές τεχνικές, οι οποίες εφαρμόζονται κυρίως σε περιπτώσεις όπου υπάρχουν επιδράσεις πολλαπλής σκέδασης. Κατά συνέπεια, τα τελευταία χρόνια, έχουν προταθεί πολλές και σημαντικές συνεισφορές με σκοπό να ξεπεραστούν οι περιορισμοί που συνδέονται με το LMM (Nirmal Keshava 2003). Όπως φαίνεται και στην Εικόνα 13, το μοντέλο της μη γραμμικής ανάλυσης μείγματος είναι ένα πιο σύνθετο σενάριο. Σε αντίθεση με το γραμμικό μοντέλο η συνολική επιφάνεια απεικόνισης δεν διαιρείται αναλογικά με τα κλάσματα αφθονίας των υλικών εδαφοκάλυψης, με αποτέλεσμα η διάταξη των συστατικών υλικών της επιφάνειας να μην είναι ομαλή (Nirmal Keshava 2003). Εικόνα 13 Απεικόνιση του μη - γραμμικού μοντέλου μείγματος (Non - Linear Mixture Model) Πηγή: Nirmal Keshava 2003 Το μη γραμμικό μοντέλο βασίζεται στην υπόθεση ότι εξαιτίας της πολλαπλής σκέδασης του φωτός υπάρχουν αλληλεπιδράσεις μεταξύ των υλικών που εντοπίζονται σε ένα εικονοστοιχείο. Μαθηματικά αυτή η παραδοχή εκφράζεται από τον τύπο: 32

33 rr ii = ff(ee ii,jj, aa jj )+θθ ii όπου, rr ii η τιμή ανακλαστικότητας του μεικτού εικονοστοχείου στο φασματικό κανάλι i, ff(ee ii,jj, aa jj ) η μη γραμμική σχέση μεταξύ της τιμής ανακλαστικότητας της συνιστώσας μονοσήμαντης ερμηνείας φάσματος j στο φασματικό κανάλι i (ee ii,jj ) και της κλασματικής αφθονίας (aa jj ) της συνιστώσας μονοσήμαντης ερμηνείας φάσματος j, θθ ii ο θόρυβος στο φασματικό κανάλι I (Nirmal Keshava 2003) Αλγόριθμος MIXED TUNED MATCHED FILTERING (MTMF) Η Mixed Tuned Matched Filtering είναι μια μέθοδος τμηματικού φασματικού διαχωρισμού, δηλαδή δεν απαιτεί να οριστούν όλες οι συνιστώσες μονοσήμαντης ερμηνείας φάσματος. Η Mixed Tuned Matched Filtering είναι μια από τις πιο αποτελεσματικές τεχνικές για την ανίχνευση υλικών που διαφέρουν έντονα από το φόντο τους. Όπως και στο γραμμικό μοντέλο μια τιμή ενός εικονοστοιχείου της τελικής παραγόμενης εικόνας μας δείχνει με τι ποσοστό συμμετέχει ο τύπος κάλυψης γης στο εν λόγω εικονοστοιχείο. Στην πραγματικότητα αυτός ο αλγόριθμος είναι ικανός να ανιχνεύσει τις φασματικές υπογραφές συγκεκριμένων τύπων κάλυψης γης, εφαρμόζοντας γνωστές μεθοδολογίες επεξεργασίας σήματος (Harris and Bryant 2009). Μεγιστοποιεί την απόκριση της εν λόγω συνιστώσας μονοσήμαντης ερμηνείας φάσματος και ελαχιστοποιώντας παράλληλα την απόκριση του σύνθετου "άγνωστου" παρασκηνίου με σκοπό να εντοπίσει την κλασματική αφθονία της ζητούμενης συνιστώσας μονοσήμαντης ερμηνείας φάσματος. Με αυτό τον τρόπο "ταιριάζει" (matching) την γνωστή υπογραφή (Boardman et al. 2011). H μέθοδος MTMF αποτελείται από τρία στάδια: 1) την MNF μετατροπή (αναλύθηκε σε προηγούμενη ενότητα) των δεδομένων ανάκλασης, 2) προσαρμοσμένο φιλτράρισμα (Matched Filtering) για την εκτίμηση της αφθονίας και 3) mixture tuning για τον εντοπισμό τον ανέφικτων ή των ψευδώς θετικών εικονοστοιχείων (Broadman 1998). Τα αποτελέσματα που εξάγει αυτή η μέθοδος είναι ένα σύνολο εικόνων προσαρμοσμένου φιλτραρίσματος (MF) και αποτελεσμάτων ανεφικτότητας (infeasibility) για κάθε συνιστώσα μονοσήμαντης ερμηνείας φάσματος. Οι εικόνες MF βοηθούν τον αναλυτή να αξιολογήσει τη συνοχή του φάσματος και των αφθονιών σε επίπεδο υπό-εικονοστοιχείου. Η τιμή 1 στην εικόνα σημαίνει ότι υπάρχει αντιστοίχηση σε μεγάλο βαθμό (matching) (Boardman et al. 2011). Ο βαθμός ανεφικτότητας βασίζεται στο θόρυβο και στη στατιστική της εικόνας και παρουσιάζει τα εσφαλμένα θετικά αποτελέσματα (false positives). Επομένως, παρουσιάζει το βαθμό στον οποίο το αποτέλεσμα είναι ένα εφικτό μείγμα. Για να υπολογιστεί το διάνυσμα προσαρμοσμένου φιλτραρίσματος (matched filter vector - MFV) χρησιμοποιείται η παρακάτω εξίσωση: MFV = (CC MMMMMM 11 tttt MMMMMM )/(tttt MMMMMM TT CC MMMMMM 11 tttt MMMMMM ) όπου, CC MMMMMM 1 είναι η αντίστροφη μήτρα συνδιακύμανσης για τα ΜΝF δεδομένα, tttt MMMMMM είναι το φάσμα στόχος το οποίο έχει μετατραπεί το τον ΜΝF αλγόριθμο. Στην συνέχεια, προβάλλοντας τα ΜΝF δεδομένα πάνω στο MFV η ΜFI υπολογίζεται: MFI = MFV DD MMMMMM όπου MFI είναι η εικόνα προσαρμοσμένου φιλτραρίσματος που παράγεται και DD MMMMMM το σύνολο των ΜNF δεδομένων. Οι εικόνες ανεφικτότητας υπολογίζονται με την εξής εξίσωση: ΜΜΜΜ ιι = ( (DD MMMMMMii dddd ii )/MMMMMMMMMMMM ii ) 2 ) 1/2 33

34 όπου, ΜΜΜΜ ιι είναι η MT τιμή για το εικονοστοιχείο i, DD MMMMMMii είναι το MNF φάσμα για το εικονοστοιχείο i, dddd ii είναι η κατάλληλη μέση τιμή για το εικονοστοιχείο i και MMMMMMMMMMMM ii το διάνυσμα των ιδιοτιμών του εικονοστοιχείου i Τυχαία δειγματοληψία (Random sampling) Η κλασσική τυχαία δειγματοληψία στηρίζεται στην ύπαρξη πληροφοριών για την επιλεγμένη περιοχή, ώστε να προσδιοριστεί η ανάγκη για διαστρωμάτωση (stratification) και το μέγεθος του δείγματος ανάλογα με τη διακύμανση. Υποθέτει ότι ο πραγματικός πληθυσμός είναι σταθερός και ότι όποιες διακυμάνσεις συνδέονται με την ανάλυση είναι αποτέλεσμα του τύπου δειγματοληψίας. Δεν υπάρχει τίποτα το τυχαίο σχετικά με τον πραγματικό πληθυσμό. Ωστόσο, η τυχαιότητα εισάγεται στη διαδικασία για να διασφαλίσει ότι κάθε πιθανή περιοχή μέτρησης έχει ίσες πιθανότητες να συμπεριληφθεί στο δείγμα (Holmes et al. 2006). Τύποι τυχαίας δειγματοληψίας: Απλή τυχαία δειγματοληψία (Simple random sampling) Οι θέσεις για τη συλλογή του δείγματος επιλέγονται τυχαία, χρησιμοποιώντας μια γεννήτρια τυχαίων αριθμών ή έναν πίνακα τυχαίων ψηφίων, ώστε να εξασφαλίζεται ότι κάθε μέλος του πληθυσμού έχει ίσες πιθανότητες να επιλεγεί για το δείγμα. Αυτή η μέθοδος εξασφαλίζει ότι η κατανομή των θέσεων δειγματοληψίας δεν θα είναι πολωμένη/μεροληπτική (biased), αλλά δεν μπορεί να ενσωματώσει καμία προϋπάρχουσα πληροφορία σχετικά με την τοποθεσία, η οποία μπορεί να χρειάζεται για την αποφυγή της υποαντιπροσώπευσης μερών του πληθυσμού ή εξαίρεσης δυσπρόσιτων ή ακατάλληλων περιοχών. Το σύνηθες πρόβλημα με την απλή τυχαία δειγματοληψία είναι η μικρή ή και καθόλου αντιπροσώπευση των σπανιότερων ομάδων και η υπεραντιπροσώπευση των πιο κοινών ομάδων του πληθυσμού λόγω της μεγαλύτερης έκτασής τους. Στρωματοποιημένη τυχαία δειγματοληψία (Stratified random sampling) Χρησιμοποιώντας εξειδικευμένη γνώση, η περιοχή μελέτης χωρίζεται σε υποπληθυσμούς ή στρώματα που μεγιστοποιούν τη διακύμανση μεταξύ τους και ελαχιστοποιούν τη διακύμανση εντός τους. Τα στρώματα που επιλέγονται αναμένεται να είναι σημαντικά για τη περιοχή μελέτης και να ασκούν επιρροή σε αυτή. Στη συνέχεια, συλλέγεται ένα τυχαίο δείγμα για κάθε στρώμα. Όταν υπάρχουν γνωστές διαφορές μεταξύ των στρωμάτων, η εφαρμογή της διαδικασίας με αναλογική κατανομή μπορεί να παρέχει βελτιωμένη εκτίμηση χωρίς να πολώνει τα αποτελέσματα. Για παράδειγμα, σε μια μελέτη αναζήτησης ασπόνδυλων στον υποθαλάσσιο χώρο, όταν είναι γνωστό ότι ο πληθυσμός ασπόνδυλων είναι υψηλότερος στους υφάλους, τότε περισσότερα δείγματα θα ληφθούν στους υφάλους σε σχέση με άλλες περιοχές, ώστε να υπάρξει ένας πιο ισχυρός/βάσιμος υπολογισμός της διακύμανσης. Πολύ-επίπεδη δειγματοληψία (Multi-level sampling) Πρόκειται για άλλη μια εκδοχή της στρωματοποιημένης τυχαίας δειγματοληψίας, όπου πραγματοποιείται δειγματοληψία μόνο σε έναν μικρό αριθμό μονάδων σε κάθε στρώμα. Δειγματοληψία συστάδας (Cluster sampling) Περιλαμβάνει τη λήψη ενός αριθμού δειγμάτων από έναν προκαθορισμένο αριθμό τυχαίων θέσεων. Η δημιουργία συστάδων μπορεί να είναι χωρική ή χρονική. Ωστόσο, επειδή αυτή η διαδικασία μπορεί να πολώσει τα αποτελέσματα, τα δεδομένα μπορεί να πρέπει να αξιολογηθούν κατάλληλα πριν την ανάλυσή τους, για την αποφυγή διάσπασης των συστάδων (declustering) (Holmes et al. 2006). 34

35 1.10 Δείκτες τηλεπισκόπησης Οι φασματικοί δείκτες που χρησιμοποιούνται στην επιστήμη της τηλεπισκόπησης είναι συνδυασμοί της ανακλώμενης, από τις διάφορες επιφάνειες, ηλιακής ακτινοβολίας σε δύο ή περισσότερα φασματικά κανάλια, στα οποία εντοπίζονται υψηλές τιμές ανάκλασης από τα αντικείμενα ενδιαφέροντος. Οι δείκτες βλάστησης είναι οι πιο διαδεδομένοι, αλλά υπάρχουν και άλλοι δείκτες για καμένες εκτάσεις, τεχνητά (αστικά) χαρακτηριστικά, νερό και άλλα γεωλογικά χαρακτηριστικά (URL17) Ομαλοποιημένος Δείκτης Βλάστησης (Normalized Difference Vegetation Index NDVI) Για τον προσδιορισμό της πυκνότητας του πράσινου σε μια περιοχή, είναι αναγκαίος ο διαχωρισμός των χρωμάτων (μήκη κύματος) της ορατής και εγγύς υπέρυθρης ακτινοβολίας που αντανακλώνται από τη βλάστηση. Είναι γνωστό ότι όταν το ηλιακό φως συναντάει αντικείμενα, ένα μέρος της ακτινοβολίας αντανακλάται, ενώ ένα άλλο μέρος αυτής απορροφάται από το αντικείμενο. Έτσι, η χρωστική που περιέχουν τα φύλλα των φυτών, η χλωροφύλλη, απορροφά ισχυρά το ορατό φως (0.4μm-0.7μm), το οποίο χρειάζεται για τη διαδικασία της φωτοσύνθεσης. Παράλληλα, η κυτταρική δομή των φύλλων, αντανακλά έντονα την εγγύς υπέρυθρη ακτινοβολία (0.7μm-1.1μm), και όσο περισσότερα φύλλα υπάρχουν τόσο μεγαλύτερες διακυμάνσεις παρουσιάζονται στην ακτινοβολία (Weier and Herring 2000). Σε γενικές γραμμές λοιπόν, όταν παρατηρείται μεγαλύτερη αντανάκλαση στο εγγύς υπέρυθρο φάσμα από ότι στο ορατό σε ένα εικονοστοιχείο, τότε η βλάστηση σε εκείνο το σημείο πιθανώς είναι πυκνή και μπορεί να περιλαμβάνει δασικές εκτάσεις. Παρομοίως, αν υπάρχει μικρή διαφορά στην ακτινοβολία του ορατού και υπέρυθρου φάσματος, τότε η βλάστηση πιθανώς είναι αραιή και μπορεί να αποτελείται από βοσκοτόπια, τούνδρα ή έρημο (Weier and Herring 2000). Σχεδόν όλοι οι δείκτες βλάστησης εφαρμόζουν τον παρακάτω τύπο για να ποσοτικοποιήσουν την πυκνότητα της βλάστησης. Το αποτέλεσμα αυτού του τύπου λέγεται «Ομαλοποιημένος Δείκτης Βλάστησης» (Weier and Herring, 2000). NDVI = NIR VIS NIR + VIS Όπου, NIR = Εγγύς υπέρυθρη ακτινοβολία (Near-Infrared) VIS = Ορατή ακτινοβολία (Visible) Ο υπολογισμός του δείκτη για ένα εικονοστοιχείο, έχει ως αποτέλεσμα τιμές που κυμαίνονται στο εύρος -1 με +1. Παρόλα αυτά, η μη ύπαρξη πράσινων φύλλων δίνει τιμές κοντά στο μηδέν (0). Ως εκ τούτου, το μηδέν σημαίνει ότι δεν υπάρχει βλάστηση, ενώ τιμές κοντά στο +1 ( ) υποδηλώνουν τη μεγαλύτερη πιθανή πυκνότητα βλάστησης (Weier and Herring, 2000) Ομαλοποιημένος Δείκτης Αστικής Μεταβολής (Normalized Difference Built-up Index NDBI) Ο δείκτης αυτός ξεχωρίζει τις αστικές περιοχές, στις οποίες συνήθως υπάρχει μεγαλύτερη ανάκλαση στη βραχεία υπέρυθρη περιοχή (SWIR) του ηλεκτρομαγνητικού φάσματος, σε σύγκριση με την εγγύς υπέρυθρη περιοχή (NIR). Χρησιμοποιείται σε προβλέψεις λεκανών απορροής, προγραμματισμό χρήσεων γης κ.α. Ακόμα, αναπτύχθηκε αρχικά για χρήση με 35

36 δεδομένα Landsat TM (φασματικά κανάλια 5 και 4), όμως μπορεί να εφαρμοστεί σε οποιοδήποτε πολυφασματικό αισθητήρα έχει φασματικά κανάλια SWIR με εύρος 1.55μm µm και ΝΙR με εύρος µm (Zha et al. 2003). Ακολουθεί ο μαθηματικός τύπος: NDBI = SWIR SWIR + NIR NIR Παρόλα αυτά, το αποτέλεσμα του δείκτη έχει αμφισβητηθεί, καθώς η ανάκλαση ορισμένων τύπων βλάστησης αυξάνεται στο 5 ο φασματικό κανάλι του ΤΜ, όσο μειώνεται η περιεκτικότητα των φύλλων τους σε νερό. Αυτό έχει ως αποτέλεσμα ο δείκτης να παίρνει θετικές τιμές στις θέσεις τέτοιων τύπων βλάστησης (Xu 2007, Cibula et al. 1992, Gao 1996) Η προβληματική των μεικτών εικονοστοιχείων (the mixed pixel problem) Κάθε ψηφιακή εικόνα απαρτίζεται από ένα σημαντικό αριθμό μεικτών εικονοστοιχείων. Όταν αναφερόμαστε στον όρο μεικτό εικονοστοιχείο εννοούμε ένα στοιχείο της εικόνας, το οποίο απεικονίζει μια περιοχή η οποία αποτελείται από περισσότερους από έναν τύπους εδαφοκάλυψης (Εικόνα 14). Πιο συγκεκριμένα, τα μεικτά εικονοστοιχεία μπορούμε να τα συναντήσουμε σε δύο περιπτώσεις: τα εικονοστοιχεία τα οποία βρίσκονται στις άκρες μεγάλων αντικειμένων, όπως γεωργικά πεδία (Gebbinck 1998), όταν η απεικόνιση περιέχει αντικείμενα τα οποία είναι σχετικά μικρά σε σχέση με την χωρική ανάλυση του σαρωτή (Gebbinck 1998). Τέτοια αντικείμενα συνήθως παρουσιάζουν γραμμικά χαρακτηριστικά, όπως ποτάμια, εθνικές οδοί, λίμνες ή ακόμα και θάμνοι σε περιοχές με αραιή βλάστηση. Σε μια απεικόνιση ο αριθμός των μεικτών εικονοστοιχείων εξαρτάται από την περιοχή που απεικονίζεται. Σε μια μελέτη που έκανε ο Irons et al. (1985), χρησιμοποιώντας Thematic Mapper (TM) εικόνες (δορυφόρος Landsat) κατέληξε ότι το πλήθος των μεικτών εικονοστοιχείων κυμάνθηκε στο 29,6% για την κατηγορία νερό και 68,3% για το γρασίδι. Σε μια άλλη έρευνα που πραγματοποίησε ο Schoenmakers (1995) ανέφερε ότι σε ορισμένες χώρες της ΕΕ, όπου το μέσο μέγεθος πεδίου είναι μικρό, το πλήθος των μεικτών εικονοστοιχείων μπορεί να φτάσει μέχρι και 30%. Τα αποτελέσματα δείχνουν ότι η επίδραση των μεικτών εικονοστοιχείων στις πληροφορίες που μπορεί να προκύψουν από μία μελέτη είναι ιδιαίτερα σημαντική. 36

37 Εικόνα 14. Απεικόνιση μεικτών και μονοσήμαντης καταγραφής εικονοστοιχείων. Στις τρεις αυτές περιπτώσεις, με σειρά από πάνω προς τα κάτω απεικονίζονται: Μεικτό Εικονοστοιχείο αποτελούμενο από Έδαφος και Πέτρες, Εικονοστοιχείο Μονοσήμαντης Καταγραφής αποτελούμενος από Νερό και ένα Μεικτό Εικονοστοιχείο αποτελούμενο από Βλάστηση και Έδαφος Πηγή: Gebbinck Η ταξινόμηση μιας εικόνας με σημαντικό αριθμό μεικτών εικονοστοιχείων μπορεί να οδηγήσει σε σφάλματα τα οποία επηρεάζουν τα αποτελέσματα και καθιστούν την μετέπειτα εκτίμηση της περιοχής ανακριβή. Η παραδοχή ότι όλα τα ταξινομημένα εικονοστοιχεία είναι "εικονοστοιχεία μονοσήμαντης καταγραφής" 8 (pure pixels), δηλαδή ότι αποτελούνται από ένα μόνο τύπο εδαφοκάλυψης, ενώ στην πραγματικότητα αυτό δεν ισχύει, οδηγεί σε τέτοιου είδους σφάλματα. Το πρόβλημα που προκύπτει έχει διττό χαρακτήρα. Η μια πτυχή του προβλήματος είναι ότι κάθε μεικτό εικονοστοιχείο, ενώ στην πραγματικότητα πρέπει να χωριστεί σε δυο ή τρεις κατηγορίες, έχει ενταχθεί σε μόνο μια κατηγορία. Αυτό έχει ως αποτέλεσμα, οι άμεσες εκτιμήσεις περί ποσοστού της κάλυψης γης, της περιοχής μελέτης, που αποκτήθηκες από την μέτρηση εικονοστοιχείων να μην είναι ακριβής. Εάν για παράδειγμα, σε ένα εικονοστοιχείο εμπεριέχονται δύο τύποι κάλυψης γης Α και Β, και καταλαμβάνουν το 60% και 40% αντίστοιχα, η καλύτερη απόφαση που μπορεί να πάρει ο αναλυτής είναι να το ταξινομήσει στην κατηγορία Α. Ωστόσο, με αυτή την απόφαση θα γίνει υπερεκτίμηση της κατηγορίας Α κατά 0,4 του εικονοστοιχείου αλλά και εξίσου μεγάλη υποτίμηση της κατηγορίας Β. Η δεύτερη πτυχή του προβλήματος περιλαμβάνει τις περιπτώσεις όπου τα μεικτά εικονοστοιχεία δεν ταιριάζουν με καμία φασματική υπογραφή των κατηγοριών που έχουν εντοπιστεί. Η χειρότερη κατάσταση σε αυτές τις περιπτώσεις είναι οι μεικτές ανακλάσεις των κατηγοριών Α και Β μπορεί να μπορεί να μοιάζουν με την φασματική υπογραφή μιας άλλης κατηγορίας C, η οποία έχει εντοπιστεί στην εικόνα αλλά όχι στο εσωτερικού του μεικτού εικονοστοιχείο (βλ. Εικόνα 15). Αυτή η περίπτωση ονομάζεται φασματική σύγχυση, διότι υπερεκτιμάται η κατηγορία C και υποτιμούνται οι περιοχές Α και Β. 8 εικονοστοιχεία μονοσήμαντης καταγραφής ή αλλιώς pure είναι τα εικονοστοιχεία τα οποία αποτελούνται από ένα μόνο υλικό εδαφοκάλυψης. 37

38 Εικόνα 15 Απεικόνιση της φασματικής σύγχυσης που προκαλείται από την ανάμειξη των τύπων εδαφοκάλυψης. Τα δύο εικονοστοιχεία μονοσήμαντης καταγραφής της κατηγορίας Α και Β ταξινομούνται σωστά. Το μεικτό εικονοστοιχείο ταξινομείται εσφαλμένα επειδή η μεικτή του υπογραφή μοιάζει περισσότερο με την φασματική υπογραφή της κατηγορίας Γ παρά με εκείνη των Α και Β. Πηγή: Campbell 1996, Gebbinck Κατά συνέπεια, η ταξινόμηση μεικτών εικονοστοιχείων έχει ως αποτέλεσμα την δημιουργία πολλών μικρών λαθών τα οποία όχι μόνο δεν αλληλοεξουδετερώνονται, αλλά αντιθέτως όταν συγκεντρώνονται, οδηγούν σε σοβαρή υπερεκτίμηση ορισμένων τύπων εδαφοκάλυψης, καθώς παράλληλα οι υπόλοιποι υποτιμούνται Γενικές έννοιες/ορισμοί της τεχνικής φασματικού διαχωρισμού (spectral unmixing) Μια από τις πρώτες ευκαιρίες για συλλογή πολυκάναλων φασματικών πληροφοριών αποτέλεσαν οι δορυφορικές εικόνες των αισθητήρων πολυφασματικής απεικόνισης όπως οι εικόνες Landsat (Nirmal Keshava 2003). Οι ταξινομημένοι χάρτες, οι οποίοι χωρίζουν κάθε εικονοστοιχείο της εικόνας σε κατηγορίες, αποτελούν ένα από τα πιο σημαντικά αποτελέσματα που έχει δώσει η πολυφασματική επεξεργασία δεδομένων. Οι πολυφασματικοί αισθητήρες αν και αποτελούνται από μικρό αριθμό φασματικών καναλιών (συνήθως δώδεκα ή λιγότερα) έχουν αποδειχθεί επαρκής στην παραγωγή υψηλής ακρίβειας ταξινομημένους χάρτες μεγάλων περιοχών, σε εφαρμογές όπως γεωργία, προστασία του περιβάλλοντος, δασοκομία και ωκεανογραφία. Ωστόσο, παράλληλα με την εξέλιξης της ηλεκτρο-οπτικής τηλεπισκόπησης, αναπτύχθηκαν και οι υπερφασματικοί αισθητήρες. Οι βασικές διαφορές τους με τους πολυφασματικούς είναι ότι αποτελούνται από εκατοντάδες φασματικά κανάλια και έχουν σημαντικά βελτιωμένη ανάλυση. Μια από τις πιο ιδιαίτερες εφαρμογές τόσο των πολυφασματικών όσο και των υπερφασματικών αισθητήρων είναι η τεχνική του φασματικού διαχωρισμού. Η τεχνική αυτή έχει την ικανότητα να προσδιορίζει τα συστατικά στοιχεία ενός εικονοστοιχείου. Όλο και πιο συχνά, οι αισθητήρες φασματικής απεικόνισης καταγράφουν σκηνές της επιφάνειας της γης στις οποίες διαφορετικές κατηγορίες κάλυψης γης συμβάλλουν στη φασματική υπογραφή ενός εικονοστοιχείου. Είτε σε πολυφασματικές είτε σε 38

39 υπερφασματικές εικόνες, το μέγεθος του ενός εικονοστοιχείου είναι συχνά αρκετά μεγάλο ώστε να συμβάλλουν στο μετρούμενο φάσμα του πολλές διαφορετικές ουσίες της επιφάνειας της γης (βλάστηση, έδαφος, μπετό, νερό κ.ά.). Επομένως, εξαιτίας αυτού του μεγάλου προβλήματος που παρουσιάζεται λόγω της παρουσίας μεικτών εικονοστοιχείων, κρίνεται απαραίτητη η ταυτοποίηση των επιμέρους συστατικών υλικών που εντοπίζονται στην περιοχή, καθώς και με τι ποσόστωση συμμετέχουν στο μείγμα. Με σκοπό να δοθεί λύση σε αυτό το πρόβλημα, όχι μόνο αναπτύχθηκαν αλλά και πολλαπλασιάστηκαν σε διάφορους επιστημονικούς κλάδους, οι οποίοι εκμεταλλεύονται υπερφασματικά και πολυφασματικά δεδομένα, οι αλγόριθμοι του φασματικού διαχωρισμού. Επομένως, η φασματική ανάλυση μείγματος (spectral mixture analysis) είναι: "η διαδικασία κατά την οποία γίνεται αποσύνθεση του μετρούμενου φάσματος ενός μεικτού εικονοστοιχείου σε μια συλλογή συνιστωσών μονοσήμαντης ερμηνείας φάσματος, ή αλλιώς endmembers, και μια σειρά από αντίστοιχα κλάσματα που δείχνουν την αναλογία του κάθε συστατικού φάσματος εσωτερικά του μεικτού εικονοστοιχείου". Όταν κάνουμε αναφορά στα συστατικά φάσματα εννοούμε τα γνώριμα μακροσκοπικά αντικείμενα ή υλικά στην περιοχή αποτύπωσης, όπως το νερό, το έδαφος, το μέταλλο, ή οποιοδήποτε φυσικό ή τεχνητό υλικό. Ωστόσο, η τεχνική του φασματικού διαχωρισμού μπορεί σε πολλές περιπτώσεις να εφαρμοστεί σε επίπεδο υπό-εικονοστοιχείου (sub-pixel), γεγονός που κρίνεται ιδιαίτερα χρήσιμο Φασματική ανάλυση μείγματος (spectral mixture analysis - SMA) Το κάθε εικονοστοιχείο έχει μόνο μια φασματική υπογραφή, ανεξαρτήτως του πόσα διαφορετικά συστατικά εδαφοκάλυψης παρουσιάζονται στο εσωτερικό του, η οποία είναι μεικτή και αποτελείται από όλα αυτά τα υλικά. Επομένως, η αποσύνθεση ενός μεικτού εικονοστοιχείου έχει ως στόχο να εντοπίσει την αρχική του κατάσταση αλλά και τα χαρακτηριστικά των στοιχείων που είχε σε αυτή. Έχοντας ως βάση αυτόν τον στόχο, οι ερευνητές ανέπτυξαν πολλές μεθόδους τις τελευταίες δεκαετίες. Η βασική παραδοχή στην οποία βασίζεται η φασματική ανάλυση μείγματος είναι ότι η διακύμανση μιας συγκεκριμένης επιφάνειας της γης, η οποία αποτυπώνεται μέσω δεδομένων της τηλεπισκόπησης, κυριαρχείται από την σχετική αναλογία διαφορετικών φασματικών συνιστωσών. Ένα από τα κύρια χαρακτηριστικά της είναι ότι παρέχει μια ποσοτική στρατηγική για την μελέτη πολυφασματικών και υπερφασματικών εικόνων (Adam and Smith 1986). Κάθε αλγόριθμος φασματικής ανάλυσης μείγματος περιλαμβάνει ένα μοντέλο το οποίο δημιουργείται μέσω του συνδυασμού των συνιστωσών μονοσήμαντης ερμηνείας φάσματος των τύπων κάλυψης γης (Roberts et al. 1998) και χρησιμοποιείται για τον υπολογισμό τμημάτων κάλυψης γης μέσα σε ένα εικονοστοιχείο. Τις τελευταίες δεκαετίες έχει εφαρμοστεί με επιτυχία σε ένα ευρύ φάσμα περιβαλλοντικών εφαρμογών. Οι μέθοδοι SMA, χρησιμοποιώντας μια αντίστροφη μέθοδο των ελαχίστων τετραγώνων μεταβίβασης (least square devolution) και τις συνιστώσες μονοσήμαντης ερμηνείας φάσματος (Wu 2004), συνήθως εφαρμόζονται, για τον υπολογισμό του ποσοστού του κάθε αγνού φάσματος σε ένα εικονοστοιχείο, το οποίο αποτελείται από διάφορους τύπους κάλυψης γης (mixed pixel. Η βασική παραδοχή στην οποία βασίζονται τα μοντέλα της φασματικής ανάλυσης είναι ότι το φάσμα του κάθε εικονοστοιχείου είναι ένας γραμμικός ή μη γραμμικός συνδυασμός των συνιστωσών μονοσήμαντης ερμηνείας φάσματος και εξαρτάται από την πολλαπλή σκέδαση του φωτός για τους διάφορους τύπους κάλυψης γης. 39

40 Σε μια έρευνα, το μοντέλο το οποίο αρχικά δημιουργείτε, για να περιγράψει το πώς συνδυάζονται τα συστατικά υλικά ουσιών στο εσωτερικό ενός εικονοστοιχείου για να δώσουν το σύνθετο φάσμα που μετράται από τους αισθητήρες, αποτελεί τον κύριο παράγοντα από τον οποίο εξαρτάται η αποτελεσματικότητα του φασματικού διαχωρισμού σε υπερφασματικά και πολυφασματικά δεδομένα. Η πιο διαδεδομένη μέθοδος τις τελευταίες δεκαετίες είναι το γραμμικό μοντέλο μείγματος. Ωστόσο, αυτό το μοντέλο δεν κρίνεται αποτελεσματικό σε όλες τις περιπτώσεις για αυτό και αναπτύχθηκαν και μη γραμμικά μοντέλα. Επομένως, η φασματική ανάλυση μείγματος μπορεί να ταξινομηθεί ανάλογα με την πολυπλοκότητα της σκέδασης (Wu & Murray 2002) σε δύο υπό - κατηγορίες: την γραμμική φασματική ανάλυση του μείγματος (Linear spectral mixture analysis) και τη μη γραμμική φασματική ανάλυση του μείγματος (non- Linear spectral mixture analysis). Σε περιπτώσεις όπου κάθε φωτόνιο αλληλεπιδρά με έναν μόνο τύπο κάλυψης γης μέσα στο οπτικό πεδίο to μοντέλο γραμμικής φασματικής ανάλυσης κρίνεται το καταλληλότερο. Σε αυτές τις εφαρμογές το μοντέλο του φάσματος προκύπτει μέσω της γραμμικής άθροισης του φάσματος κάθε τύπου κάλυψης γης πολλαπλασιασμένο με το τμήμα της επιφάνειας που καλύπτουν (Adams et al. 1995; Roberts et al. 1998). Αντιθέτως, το μη γραμμικό μοντέλο θα πρέπει να εφαρμόζεται εάν διάσπαρτα φωτόνια αλληλεπιδρούν με πολλαπλούς τύπους κάλυψης γης, όπως είναι η πολλαπλή σκέδαση από τη βλάστηση και το έδαφος (Gilabert et al. 2000, Roberts et al. 1993). Όσον αφορά τις αστικές εφαρμογές, όπως και το παράδειγμα μελέτης αυτής της εργασίας, σύμφωνα με την βιβλιογραφία τα γραμμικά μοντέλα της SMA δίνουν καλύτερα αποτελέσματα σε σύγκριση με τα μη γραμμικά (Wu & Murray 2002) Προσδιορισμός των συνιστωσών μονοσήμαντης ερμηνείας φάσματος (endmember) Η κατάλληλη επιλογή των συνιστωσών μονοσήμαντης ερμηνείας φάσματος αποτελεί το κλειδί για να είναι μια φασματική ανάλυση μείγματος πετυχημένη (Elmore et al. 2000, Tompkins et al. 1997). Όταν αναφερόμαστε στην επιλογή των συνιστωσών μονοσήμαντης ερμηνείας φάσματος εννοούμαι τον εντοπισμό του πλήθους και του είδους αυτών αλλά και των αντίστοιχων φασματικών υπογραφών τους. Βέλτιστα, σε ένα μοντέλο φασματικής ανάλυσης ένας ελάχιστος αριθμός συνιστωσών μονοσήμαντης ερμηνείας φάσματος αρκεί για να περιγράψει τη φασματική μεταβλητότητα των εικονοστοιχείων της εικόνας. Ωστόσο, η επιλογή των συνιστωσών μονοσήμαντης ερμηνείας φάσματος θέλει ιδιαίτερη προσοχή γιατί μεγάλος αριθμός αυτών ή συνιστωσών μονοσήμαντης ερμηνείας φάσματος που είναι φασματικά παρόμοιες μπορούν να οδηγήσουν στην εξαγωγή εικόνων που είναι φασματικά ανακριβείς (Song, 2005). Οι φασματικές βιβλιοθήκες, οι οποίες έχουν κατασκευαστεί από το πεδίο μελέτης ή από μετρήσεις στο εργαστήριο χρησιμοποιώντας είτε σταθερά είτε φορητά φασματο ραδιόμετρα, αποτελούν την κύρια πηγή από την οποία προέρχονται οι φασματικές υπογραφές τους. Ωστόσο, ο αναλυτής μπορεί να συγκεντρώσει τα φάσματά τους απευθείας από τα ίδια τα δεδομένα της εικόνας (Bateson et al. 2000, Plaza et al. 2002) ή να τα προσομοιώσει χρησιμοποιώντας μοντέλα διάδοσης της ακτινοβολίας (Collins et al. 2001, Dennison et al. 2006, Eckman et al. 2008, Painter et al. 2003,Peddle et al. 1999, Sonnetag et al. 2007) Τα στάδια του φασματικού διαχωρισμού Για να μπορέσουν να δοθούν λύσεις στα συγκεκριμένα προβλήματα, που αναφέρθηκαν στο προηγούμενο υποκεφάλαιο, αναπτύχθηκαν οι διάφοροι αλγόριθμοι φασματικού 40

41 διαχωρισμού από τους διάφορους ερευνητικούς κλάδους που χρησιμοποιούν τηλεπισκοπηκά δεδομένα (πολυφασματικά υπερφασματικά δεδομένα). Ένα χαρακτηριστικό παράδειγμα αποτελούν οι γεωλόγοι, που έχουν προσεγγίσει το έργο της τεχνικής φασματικού διαχωρισμού από τη σκοπιά των φυσικών μοντέλων που λαμβάνουν τις αλληλεπιδράσεις του φωτός με τη μεικτή ύλη (mixed matter), συσχετίζοντας τις γεωφυσικές διεργασίες με τις μετρήσεις που λαμβάνονται από το διάστημα. Ωστόσο, παρά τις υψηλές ακρίβειες που προσφέρουν αυτά τα μοντέλα, πολλές είναι και οι εφαρμογές στις οποίες τα αποτελέσματα κρίνονται αναξιόπιστα (Nirmal Keshava 2003). Για να μπορέσουν οι αλγόριθμοι φασματικού διαχωρισμού να εκτιμήσουν τις συνιστώσες μονοσήμαντης ερμηνείας φάσματος, καθώς και τις αφθονίες τους χρησιμοποιούν μια ποικιλία από μαθηματικές τεχνικές. Σε εφαρμογές που χρησιμοποιούνται υπερφασματικά δεδομένα, δηλαδή εξαιρετικά μεγάλος όγκος δεδομένων (π.χ. 640 γραμμές σάρωσης, 320 δείγματα ανά γραμμή, 200 φασματικές ζώνες) ο αναλυτής χρησιμοποιεί ως πρώτο στάδιο αλγορίθμους που μειώνουν την διάσταση των δεδομένων και έτσι παράλληλα μειώνεται και ο χρόνος επεξεργασίας. Ωστόσο, παράλληλα με την μείωση της διάστασης μειώνεται και η ακρίβεια του ζητούμενου προϊόντος (Nirmal Keshava 2003). Επομένως, η διαδικασία του φασματικού διαχωρισμού μπορεί να χωριστεί σε τέσσερα διαδοχικά στάδια: μείωση της διάστασης εάν έχουμε υπερφασματικά δεδομένα (dimension reduction), προσδιορισμός των συνιστωσών μονοσήμαντης ερμηνείας φάσματος (endmember extraction), εφαρμογή τεχνικών φασματικού διαχωρισμού (unmixing methods) και αναστροφή (inversion). Η Εικόνα 16 απεικονίζει αυτά τα τέσσερα στάδια ΜΕΙΩΣΗ ΤΗΣ ΔΙΑΣΤΑΣΗΣ ΠΡΟΣΔΙΟΡΙΣΜΟΣ ΤΩΝ ΣΥΝΙΣΤΩΣΩΝ ΜΟΝΟΣΗΜΑΝΤΗΣ ΕΡΜΗΝΕΙΑΣ ΦΑΣΜΑΤΟΣ ΑΛΓΟΡΙΘΜΟΙ ΦΑΣΜΑΤΙΚΟΥ ΔΙΑΧΩΡΙΣΜΟΥ ΑΝΑΣΤΡΟΦΗ Εικόνα 16 Τα στάδια της μεθόδου φασματικού διαχωρισμού. Πηγή: Ιδία επεξεργασία. Το πρώτο στάδιο, το οποίο είναι προαιρετικό και απευθύνεται κυρίως σε υπερφασματικά δεδομένα, χρησιμοποιείται έτσι ώστε να μειωθεί το υπολογιστικό φορτίο στη μετέπειτα επεξεργασία. Στο δεύτερο στάδιο χρησιμοποιούνται διάφοροι μέθοδοι έτσι ώστε να εκτιμηθούν οι πιθανές συνστώσες μονοσήμαντης ερμηνείας φάσματος που παρουσιάζονται στην εικόνα. Στο τρίτο στάδιο, πραγματοποιείται η φασματική διάκριση των υλικών για κάθε εικονοστοιχείο εφαρμόζωντας τους αλγορίθμους φασματικού διαχωρισμού. Τέλος, στο στάδιο της αναστροφής παράγονται εικόνες κλασματικών 41

42 αφθονιών 9, οι οποίες βοηθούν στον ορισμό των ποσοστών των συνιστωσών μονοσήμαντης ερμηνείας φάσματος για κάθε μεικτό εικονοστοιχείο Εντοπισμός της αλλαγής (ΕτΑ) Σύμφωνα με τον Singh (1989), ο εντοπισμός της αλλαγής είναι «η διαδικασία αναγνώρισης διαφορών στην κατάσταση ενός αντικειμένου ή φαινομένου, μέσω της παρατήρησής του σε διαφορετικές χρονικές στιγμές. Οι μελέτες ΕτΑ αφορούν δύο ή περισσότερες ημερομηνίες λήψης μιας περιοχής και χρησιμοποιούν ψηφιακά δεδομένα (π.χ. δορυφορικές εικόνες), αναλογικά δεδομένα (π.χ. παλιές αεροφωτογραφίες) ή διανυσματικά δεδομένα (π.χ. shapefiles), ενώ κάποιες φορές χρησιμοποιούνται και επικουρικά δεδομένα (π.χ. ιστορικά, οικονομικά, δημογραφικά κ.α.) (Théau 2011) Αλλαγή στην γήινη επιφάνεια Τα χαρακτηριστικά που απαρτίζουν τη γήινη επιφάνεια μεταβάλλονται συνεχώς και με διάφορους τρόπους στο πέρασμα του χρόνου. Αρχικά, ο χρόνος για την ολοκλήρωση μίας αλλαγής μπορεί να ποικίλει και είναι πιθανό να κυμαίνεται από στιγμιαίες αλλαγές (π.χ. φυσικές καταστροφές), μέχρι συνεχιζόμενες (π.χ. διάβρωση εδάφους). Παράλληλα, αλλαγές μπορεί να πραγματοποιούνται σε διάφορες χωρικές κλίμακες, μικρές (π.χ. επέκταση πόλης) ή μεγάλες (π.χ. αύξηση στάθμης θάλασσας). Είναι προφανές λοιπόν, ότι το μεγάλο αυτό χωροχρονικό εύρος καθιστά δύσκολο τον προσδιορισμό των χαρακτηριστικών των αλλαγών, τον εντοπισμό τους και τη μέτρησή τους (Théau 2011). Σύμφωνα με τους Lambin & Strahler (1994), οι αιτίες που επιφέρουν αλλαγές στη γήινη επιφάνειας συνοψίζονται σε πέντε κατηγορίες: 1) μακροπρόθεσμες αλλαγές στις κλιματικές συνθήκες, 2) γεωλογικές και οικολογικές διαδικασίες, 3) ανθρωπογενείς μεταβολές της φυτοκάλυψης και του τοπίου 4) διαχρονικές κλιματικές διακυμάνσεις, που επηρεάζουν κυρίως άγονες και άνυδρες περιοχές και είναι πιθανό να οδηγήσουν σε επαναλαμβανόμενες περιόδους ξηρασίας και αλλαγές στην βλάστηση, στην πρωτογενή παραγωγή και στον υδρολογικό κύκλο, 5) υποθετικά, ανθρωπογενής κλιματική αλλαγή μέσω της ενίσχυσης του φαινομένου του θερμοκηπίου Αλλαγή στις δορυφορικές εικόνες Η αλλαγή που παρατηρείται σε εικόνες της ίδιας περιοχής, αλλά διαφορετικών χρονικών στιγμών, συνεπάγεται και αλλαγή στην ανακλώμενη ηλιακή ακτινοβολία, ενώ η τιμή αυτής της αλλαγής είναι σημαντικά μεγαλύτερη από τη τιμή αλλαγής που οφείλεται σε άλλους παράγοντες (Ingram et al. 1981). Τέτοιοι παράγοντες είναι οι ατμοσφαιρικές συνθήκες κατά τη λήψη της εικόνας, διαφορές στη θέση του ήλιου (δηλαδή στη γωνία ανάκλασης της ηλιακής ακτινοβολίας) και διαφορές στη υγρασία του εδάφους (Jenson 1983). Η επίπτωση των παραγόντων αυτών μπορεί να περιορισθεί με την επιλογή κατάλληλων δεδομένων 9 Υποθέτουμε ότι ένα μεικτό εικονοστοιχείο είναι ένας ισότοπος (κάθε παραλλαγή χημικού στοιχείου που φέρει ίδιο ατομικό αριθμό αλλά διαφορετική μάζα με συνέπεια να κατέχει ίδια θέση (ίδιο τόπο) στον περιοδικό πίνακα ή στην συγκεκριμένη περίπτωση στην εικόνα) ο οποίος περιέχει διάφορους τύπους κάλυψης γης. Οι κλασματικές αφθονίες αυτών των τύπων μας βοηθάνε να εκτιμήσουμε τι ποσοστό του εικονοστοιχείου καταλαμβάνουν. Με αυτή την εκτίμηση μπορούμε να κατανοήσουμε ποιος τύπος κάλυψης γης "κυριαρχεί" φασματικά στο υπό μελέτη μεικτό εικονοστοιχείο (δηλαδή ποιος έχει την υψηλότερη κλασματική αφθονία) και κατά επέκταση να το ταξινομήσουμε. 42

43 αλλά και με την εφαρμογή μεθόδων προ-επεξεργασίας (preprocessing) (Théau 2011). Για παράδειγμα, η επιλογή δεδομένων Landsat που έχουν συλλεχθεί την ίδια εποχή του χρόνου, ίσως μειώσουν προβλήματα της γωνίας ανάκλασης της ηλιακής ακτινοβολίας και της φαινολογίας της βλάστησης (Singh 1989) Επιλογή δεδομένων Η επιλογή των κατάλληλων δεδομένων είναι ένα πολύ σημαντικό κομμάτι κάθε μελέτης που χρησιμοποιεί μεθόδους τηλεπισκόπησης για τη σύγκριση διαχρονικών δεδομένων. Χαρακτηριστικά όπως η ημερομηνία λήψης των εικόνων (εποχή, μήνας) και το μεσοδιάστημα λήψεων, είναι ιδιαίτερα σημαντικά καθώς επηρεάζουν την φαινολογία της εικόνας, τις ατμοσφαιρικές συνθήκες (συννεφοκάλυψη, υγρασία, θερμοκρασία εδάφους) κατά τη διάρκεια λήψης της, καθώς και τη γωνία ανάκλασης της ηλιακής ακτινοβολίας. Παρόλα αυτά, εμφανίζονται συνήθως περιορισμοί στην επιλογή δεδομένων, λόγω της διαθεσιμότητάς τους (Théau 2011). Συνήθως, ο σκοπός της έρευνας καθορίζει και τις ανάγκες για συγκεκριμένα δεδομένα. Έτσι, όταν η έρευνα απαιτεί δεδομένα μεγάλου χρονικού εύρους προς το παρελθόν, οι επιλογές περιορίζονται σε συγκεκριμένους αισθητήρες (π.χ. Spot, Landsat, AVHRR). Από την άλλη μεριά, όταν υπάρχει ανάγκη για πιο πρόσφατα δεδομένα μικρού μεσοδιαστήματος (π.χ. για παρατήρησης φυσικών καταστροφών), πρέπει να γίνει αξιοποίηση κάθε διαθέσιμης πληροφορίας και να αξιολογηθεί ανάλογα με τη χρησιμότητα και την εγκυρότητά της. Παράλληλα, σημαντικό ρόλο παίζει και η φασματική πληροφορία που είναι διαθέσιμη από κάθε αισθητήρα (Hecheltjen et al. 2014). Τέλος, άλλοι παράγοντες που μπορεί να επηρεάζουν την επιλογή δεδομένων είναι η χωρική ανάλυση, το είδος του αισθητήρα (π.χ. active ή passive) και το φασματικό περιεχόμενο (π.χ. πολυφασματικοί ή υπερφασματικοί αισθητήρες, αριθμός φασματικών καναλιών κτλ.) Περιορισμοί Η μελέτη των αλλαγών στη κάλυψη γης πολλές φορές αντιμετωπίζει δυσκολίες σε όρους διαθεσιμότητας και συλλογής δεδομένων, τα οποία είναι αναγκαία για την απάντηση των προβλημάτων που καλείται να λύσει. Έτσι, όσο πιο απότομη είναι μια αλλαγή και άρα υπάρχει λιγότερος χρόνος ανταπόκρισης για την παροχή λύσεων, τόσο αυξάνονται και οι περιορισμοί στην διαθεσιμότητα και συνεργασία των δεδομένων. Παράλληλα, δυσκολία εντοπίζεται και στη δημιουργία κατάλληλων μοντέλων που θα καλύπτουν πολλές παρόμοιες περιπτώσεις, καθώς τα χαρακτηριστικά του κάθε φαινομένου είναι πιθανό να επηρεάζονται και από άλλους παράγοντες (π.χ. ανάλογα με του που συμβαίνουν σε όρους γειτνίασης με διάφορα είδη κάλυψης γης, ποσοστό σύγχυσης με άλλες φυσιολογικές διαδικασίες αλλαγής κτλ.) (Mercier et al. 2009). Έτσι, η σύγκριση εικονοστοιχείων ίδιας θέσης αλλά διαφορετικών χρονικών στιγμών ίσως δεν είναι βάσιμη. Εγείρονται, λοιπόν, προβλήματα που προκύπτουν από τη σχετική γεωαναφορά των εικόνων και μεγαλώνουν με τη χρήση δεδομένων από διαφορετικούς αισθητήρες. Σε αυτές τις περιπτώσεις, η σχετική γεωαναφορά προσφέρει απλά μια συσχέτιση ραδιομετριών και όχι την αναγκαία ακρίβεια (Inglada et al. 2004). Η απάντηση σε αυτά τα προβλήματα, είναι ότι οι διαφορετικές αναπαραστάσεις του ίδιου αντικειμένου (π.χ. από διαφορετικούς αισθητήρες) αφορούν την ίδια πραγματικότητα, στην ίδια γεωγραφική θέση. Ως εκ τούτου, υπάρχουν κοινά στοιχεία παραμένουν σταθερά, και βάσει αυτών μπορεί να επιλεχθεί το αποδεκτό επίπεδο γεωμετρικής παραμόρφωσης το 43

44 οποίο θα προσφέρει την ισχυρότερη σύνδεση μεταξύ των δύο μετρήσεων για τη συσχέτισή τους (Inglada et al. 2004) Χαρακτηρισμός της αλλαγής (ΧτΑ Change Labeling) Ο ΧτΑ, δηλαδή η πληροφορία του «τι» άλλαξε «σε τι» (από-σε), είναι ιδιαίτερα σημαντικό κομμάτι του ΕτΑ για τις περιπτώσεις που τέτοια πληροφορία είναι απαραίτητη για τη επίλυση του ζητούμενου προβλήματος (Hecheltjen et al. 2014). Δυνατότητα ΧτΑ δεν διαθέτουν όλες οι μέθοδοι ΕτΑ, για αυτό είναι σημαντική η επιλογή της κατάλληλης μεθόδου ανάλογα με την περίσταση Μέθοδοι ΕτΑ Οι κυριότερες μέθοδοι για τον ΕτΑ συνοψίζονται στις παρακάτω κατηγορίες (Lu et al. 2004, Chen et al. 2012, Hussain et al. 2013, Hecheltjen et al. 2014): Μέθοδοι βασισμένες στα εικονοστοιχεία (pixel-based): 1. Άλγεβρας (π.χ. Αφαίρεση εικόνων, Παλινδρόμηση εικόνας κτλ.) Πρόκειται για απλές και άμεσες μεθόδους στην εφαρμογή και στην ερμηνεία, αλλά δεν παρέχουν πληροφορία ΧτΑ. Μειονέκτημά τους είναι η δυσκολία στη θέσπιση των κατάλληλων ορίων (thresholds) για τον επιτυχή εντοπισμό των μεταβαλλόμενων περιοχών. 2. Μετατροπής (π.χ. Ανάλυση κύριων συνιστωσών PCA, Tasselled Cap κτλ.) Πλεονέκτημα των μεθόδων αυτών είναι η δυνατότητα μείωσης του πλεονασμού των διαστάσεων των δεδομένων και η έμφαση σε διαφορετικά χαρακτηριστικά των δεδομένων εξόδου. Μειωνεκτούν όμως στην έλλειψη δυνατότητας παροχής πληροφορίας για τον ΧτΑ, απαιτούν ορισμό κατάλληλων ορίων και παρουσιάζουν δυσκολία στην ερμηνεία των αποτελεσμάτων. 3. Ταξινόμησης (π.χ. Σύγκριση ταξινομημένων εικόνων κτλ.) Βασίζονται σε ταξινομημένες εικόνες και ως εκ τούτου εξαρτώνται σε μεγάλο βαθμό από την ποιότητα και τη ποσότητα των πεδίων εκπαίδευσης. Η διαδικασία συλλογής αυτών των πεδίων εκπαίδευσης μπορεί να αποδειχθεί ιδιαίτερα δύσκολη και χρονοβόρα. Παρόλα αυτά, προσφέρουν πληροφορία ΧτΑ και ελαχιστοποιούν τις επιπτώσεις των ατμοσφαιρικών διαφορών στη σύγκριση εικόνων. 4. Ανεπτυγμένων μοντέλων (π.χ. Διαχρονική φασματική ανάλυση μίγματος κτλ.) Εδώ, οι τιμές ανάκλασης των εικόνων μετατρέπονται σε κλάσματα ή βιοφυσικές παραμέτρους με τη βοήθεια γραμμικών ή μη γραμμικών μοντέλων. Πλεονεκτούν στην ευκολία ερμηνείας των αποτελεσμάτων, ενώ μειονεκτούν στο χρόνο που απαιτείται για τη ανάπτυξη των μοντέλων. 5. Τεχνικές Συστημάτων Γεωγραφικών Πληροφοριών (ΣΓΠ) Πρόκειται για το συνδυασμό μεθόδων ΣΓΠ και τηλεπισκόπησης. Έτσι, προσφέρουν τη δυνατότητα χρήσης περισσότερων τύπων δεδομένων, τα οποία όμως πιθανώς είναι να διαθέτουν και διαφορετικές ακρίβειες και αναλύσεις, που μπορεί να επηρεάσουν το αποτέλεσμα. 6. Οπτικής ανάλυσης Περιλαμβάνουν την οπτική ερμηνεία και ψηφιοποίηση των χαρακτηριστικών της εικόνας, βάσει της εμπειρίας και της γνώσης του χρήστη. Μειονέκτημά τους είναι ο χρόνος που απαιτείται για τη διεξαγωγή τους, ο οποίος μάλιστα αυξάνεται παράλληλα με το μέγεθος της περιοχής μελέτης. Μέθοδοι αντικειμενοστραφούς ΕτΑ (object-based): 1. ΕτΑ εικονικών αντικειμένων (Image-object change detection) 44

45 Πρόκειται για την απευθείας σύγκριση των αντικειμένων της εικόνας, όπως αυτά προκύπτουν από μια διαδικασία κατάτμησης με τη θέσπιση κάποιου ορίου (threshold) για κάθε εικόνα. Πλεονέκτημα αποτελεί η αμεσότητα και η ευκολία στην εφαρμογή, ενώ μειονεκτούν στην επιλογή κατάλληλου ορίου, στη δυσκολία για ΧτΑ και στην ανάγκη εύρεσης χωρικής αντιστοιχίας μεταξύ αντικειμένων διαφορετικών ημερομηνιών. 2. ΕτΑ αντικειμένων ανά κλάση (class-object change detection) Βασίζεται στην ταξινόμηση των αντικειμένων των εικόνων πριν τη σύγκριση, διευκολύνοντας τον ΧτΑ, όμως απαιτεί παραπάνω χρόνο για τη σωστή ταξινόμηση και κατάτμηση των εικόνων. 3. ΕτΑ διαχρονικών αντικειμένων (Multitemporal-object change detection) Σε αυτή τη μέθοδο, γίνεται συνδυασμός των εικόνων και συνολική κατάτμησή τους, με σκοπό τον ΕτΑ μέσω των διαφορών στην κατάτμηση. Ωστόσο, δεν είναι σαφές αν η διαδικασία συνολικής κατάτμησης επηρεάζει αρνητικά το αποτέλεσμα, καθώς στην ίδια γεωγραφική θέση μπορεί να υπάρχουν διαφορετικά αντικείμενα σε διαφορετικές χρονικές στιγμές. 4. Υβριδικός ΕτΑ (Hybrid change detection) Εδώ, πραγματοποιείται συνδυασμός pixel-based και object-based μεθόδων. Στηρίζεται στην ιδέα ότι η αρχική πληροφορία πρέπει εξάγεται από τα εικονοστοιχεία, ενώ στη συνέχεια επιστρατεύονται object-based τεχνικές για την βελτίωση των αποτελεσμάτων. Παράλληλα, μειώνουν τα σφάλματα που προκύπτουν από την οριοθέτηση των αντικειμένων, αλλά δεν είναι ακόμα σαφή η επίδραση του συνδυασμού των δύο αυτών κατηγοριών μεθόδων στα αποτελέσματα Παραδείγματα 1. Δυναμική της αστικής ανάπτυξης στην μητροπολιτική περιοχή της Ουάσιγκτον, για την περίοδο , από δεδομένα Landsat, Masek et al Σε αυτή τη μελέτη, γίνεται συσχέτιση των δεδομένων Landsat με οικονομικές και δημογραφικές οικονομικές αλλαγές της περιόδου και ερευνάται η επίδρασή τους στην αλλαγή κάλυψης γης. Η περιοχή μελέτης είναι η μητροπολιτική περιοχή της Ουάσιγκτον, για την οποία συλλέχθηκαν τέσσερις εικόνες Landsat για το 1973 (MSS 79μ χωρική ανάλυση), 1985 (ΤΜ 28,5μ χωρική ανάλυση), 1990 (ΤΜ) και 1996 (ΤΜ). Αναφέρεται ότι όλες οι εικόνες είχαν εποχή λήψης Απρίλιο-Οκτώβριο για την ελαχιστοποίηση της εποχιακής μεταβλητότητας. Οι εικόνες γεωανάφερθηκαν σύμφωνα με τον χάρτη της Υπηρεσίας Απογραφής των ΗΠΑ (US Bureau of the Census) με σφάλμα (RMSE) μικρότερο των 0,6 εικονοστοιχείων. Οι συγγραφείς υποστηρίζουν ότι για τη μελέτη της αστικής κάλυψης γης μπορούσαν να ακολουθήσουν δύο κύριες πρακτικές: 1) τον ΕτΑ μέσω σύγκρισης ταξινομημένων εικόνων, η οποία τους οδήγησε σε μη αποδεκτά μεγάλα σφάλματα, και 2) την απευθείας σύγκριση των ραδιομετριών των εικόνων, όπου και κατέληξαν χρησιμοποιώντας την μέθοδο Αφαίρεσης των Ομαλοποιημένων Δεικτών Βλάστησης (NDVI). Έτσι, υπολογίστηκαν οι NDVI για κάθε χρονιά και η διαφορά τους ανά δύο χρονιές. Για τις τιμές της διαφοράς θεσπίστηκε ένα όριο μέσω οπτικής εξέτασης, για τον διαχωρισμό της πραγματικής αστικής ανάπτυξης (μεγάλες αρνητικές τιμές) από τον θόρυβο (μικρές αρνητικές τιμές). Στην συνέχεια, πραγματοποιήθηκαν διαδικασίες αξιολόγησης της 45

46 ακρίβειας για τα αποτελέσματα, όπου η συνολική ακρίβεια υπολογίσθηκε στο 85%. Τέλος, φαίνεται ότι η αστική κάλυψη γης αυξήθηκε κατά 500χλμ 2 σε βάθος 23 ετών. Εικόνα 17 Διαχρονική ανάλυση της αύξησης του πληθυσμού (λευκό), της αστικής ανάπτυξης (σκούρο γκρι) και του ρυθμού μεταβολής του κατά κεφαλήν εισοδήματος (ανοικτό γκρι). Πηγή: Masek et al Aστική χαρτογράφηση βασισμένη σε μια χωρική - φασματική συνδυασμένη μεθοδολογία χρησιμοποιώντας εικόνες Landsat, Guindon et al Οι Guindon et al. στην μελέτη που έκαναν το 2004, παρουσίασαν μια νέα μεθοδολογία η οποία αντιμετωπίζει τα διάφορα προβλήματα που προκαλούνται από την αστική χαρτογράφηση χρησιμοποιώντας Landsat Thematic Mapper (TM) εικόνες. Τέτοιου είδους προβλήματα μπορεί να είναι η φασματική ανάμειξη διαφορετικών συστατικών κάλυψης γης στο εσωτερικό ενός εικονοστοιχείου και η φασματική σύγχυση με άλλα χαρακτηριστικά της κάλυψης γης. Τρεις περιοχές μελέτης επιλέχθηκαν για την αξιολόγηση των μεθόδων που εφαρμόστηκαν, η Ottawa, η περιοχή του Ontario και του Calgary, οι περιοχές της Alberta και το η νοτιοδυτική αστική περιοχή του Ontario η οποία εκτείνεται από το Belleville μέχρι το Windsor. Τα δεδομένα που χρησιμοποιήθηκαν ήταν εικόνες Landsat Thematic Mapper, καθώς και αεροφωτογραφίες από την National Air Photo Library (NAPL) και μια παγχρωματική εικόνα με 5μ ανάλυση από την Indian Remote Sensing (IRS) ως δεδομένα αναφοράς. Όλα τα δεδομένα Landsat γεωαναφέρθηκαν σύμφωνα με την εθνική βάση δεδομένων, Geobase, έτσι ώστε να είναι συγκρίσιμα με άλλα δεδομένα αυτής της βάσης, όπως ο χάρτης κλίμακας 1: του οδικού δικτύου. Επίσης, πριν από την ταξινόμηση οι εικόνες που ήταν θαμπές διορθώθηκαν ραδιομετρικά, χρησιμοποιώντας μια μέθοδο καταστολής της θολότητας της εικόνας (image-based haze suppression) που εφάρμοσαν πρώτοι οι Zhang et al. το 2002 και οι Zhang & Guindon το Μεθοδολογία Η προσέγγιση αυτή, αρχικά, περιλαμβάνει τη δημιουργία δύο ανεξάρτητων ταξινομήσεων για κάθε εικόνα Landsat, η μία βασισμένη στα εικονοστοιχεία και η άλλη αντικειμενοστραφής. Αυτές οι αρχικές ανεξάρτητες ταξινομήσεις περιλαμβάνουν πέντε μεγάλες κατηγορίες, δηλαδή, το νερό, τα δάση, τα ποώδη φυτά και δύο αστικές τάξεις, κατοικίες και εμπορική δραστηριότητα / βιομηχανικά. Στην συνέχεια, αυτές οι δύο 46

47 ταξινομημένες εικόνες συγχωνεύθηκαν με μια προσέγγιση βασισμένη σε κανόνες (rule - based) έτσι ώστε η τελική εικόνα που θα δημιουργηθεί να έχει ενισχυμένες κατηγορίες κάλυψης γης και ακρίβεια. Συγκρίνοντας τις τελικές ταξινομημένες εικόνες με τα δεδομένα αναφοράς κατέληξαν σε ακρίβειες 78% και 73% για τις κατηγορίες της αστικής κατοικίας, της εμπορικής και της βιομηχανικής δραστηριότητας. a) b) Εικόνα 18 Παράδειγμα αποτελεσμάτων ταξινόμησης (περιοχή Ottawa). a. με βάση τα εικονοστοιχεία ταξινόμηση, b. αντικειμενοστραφής ταξινόμηση. Πηγή: Guindon et al Συμπεράσματα Η ικανότητα των δεδομένων Landsat TM να ανιχνεύσουν χαμηλής πυκνότητας κατοικημένες περιοχές εκτιμήθηκε με βάση τα οικιστικά και δημογραφικά δεδομένα αναφοράς, δηλαδή τις αεροφωτογραφίες και την απογραφή του 2001 για το Καναδά. Για τους πληθυσμούς με χαμηλή πυκνότητα (δηλαδή κάτω από 3000 άτομα/ kkkk 2 ), παρατηρήθηκε ότι η πυκνότητα 47

48 παρουσίασε μια μονοτονική σχέση με τα εικονοστοιχεία τα οποία ταξινομήθηκαν στην κατηγορία αστικής κατοικίας. Σε υψηλότερες πυκνότητες παρατηρήθηκε ότι τα εικονοστοιχεία της κατηγορίας αστικής κατοικίας παρέμειναν σταθερά. Αυτό οι αναλυτές το απέδωσαν στο γεγονός ότι οι εικόνες Landsat δεν μπορούν να κάνουν διάκριση μεταξύ των πολυώροφων κατοικιών και των εμπορικών / βιομηχανικών κτισμάτων. Εικόνα 19 Τελική ταξινομημένη εικόνα για την περιοχή της Ottaw. Πηγή: Guindon et al Μια μέθοδος για την χαρτογράφηση της αλλαγής των χρήσεων γης και της αστικής ανάπτυξης στη Βόρεια Rhine - Westphalia της Γερμανίας, Goetzke et al Περιοχή μελέτης και Δεδομένα Η Βόρεια Rhine - Westphalia, είναι η το πιο πυκνοκατοικημένο ομοσπονδιακό κράτος στη Γερμανία, με πληθυσμό περίπου 18 εκατομμυρίων ανθρώπων σε μια περιοχή περίπου kkkk 2. Για την περιοχή συλλέχθηκαν τέσσερις εικόνες Landsat, με 0% συννεφοκάλυψη για τις ημερομηνίες 1975 (MSS), 1984 (Landsat - 5 TM), 2001 (Landsat - 7 ETM+) και 2005 (Landsat - 5 TM). Όλες οι εικόνες ομαλοποιήθηκαν ραδιομετρικά και το σφάλμα της γεωμετρικής διόρθωσης ήταν κάτω του ενός εικονοστοιχείου. Τα δεδομένα αναφοράς συλλέχθηκαν από το εθνικό σύστημα πληροφόρησης του τοπίου ATKIS. Τέλος, για το μοντέλο παλινδρόμησης για την αδιαπερατή επιφάνεια βαθμονομήθηκε με αεροφωτογραφίες για κάθε χρονολογία. Μεθοδολογία Οι Goetzke et al. στη μελέτη που έκαναν το 2007 είχαν ως στόχο την ευαισθητοποίηση του κοινού σχετικά με τα προβλήματα που σχετίζονται με την αστική εξάπλωση και την αυξανόμενη εξάντληση των πόρων της γης από την ανθρώπινη δραστηριότητα. Δίνοντας έμφαση στον προσδιορισμό των κατοικημένων περιοχών δημιούργησαν χάρτες κάλυψης γης για κάθε εικόνα. Οι εικόνες για το 1975, 1984 και 2001 είχαν ταξινομηθεί με 12 εντοπισμένες κατηγορίες, σε προηγούμενο στάδιο του έργου, χρησιμοποιώντας επιβλεπόμενες διαδικασίες ταξινόμησης. Ωστόσο, για τον εντοπισμό της αλλαγής με την εικόνα για το 2005 χρησιμοποιήθηκε μόνο η ταξινομημένη εικόνα για το 2001, η οποία έδωσε ακρίβεια 91,6%. Σε πρώτο στάδιο τα δεδομένα του 2005 κόπηκαν ανα κατηγορία με βάση την ταξινόμηση του Για παράδειγμα, για να εξεταστούν οι αλλαγές στην κατηγορία δάσος η εικόνα 2005 κόβεται στα όρια της κατηγορίας "δάσος". Στη συνέχεια, 48

49 εφαρμόστηκε στα κομμένα δεδομένα του 2005 ο ταξινομητής ISODATA. Έπειτα εφαρμόστηκαν τα δέντρα απόφασης που βασίζονται στη γνώση (knowledge-based decision trees) προκειμένου να ταξινομήσουν τις συστάδες (clusters)που δημιουργήθηκαν από τον ISODATA στην ίδια κατηγορία ή να της ταξινομήσουν σε άλλη. Όταν ο αλγόριθμος ISODATA δεν παρείχε αξιόπιστα αποτελέσματα, δημιουργήθηκαν εικόνες NDVI και Tasseled Cap σε συνδυασμό με τα δέντρα απόφασης για να εντοπιστούν οι αλλαγές. Λόγω του προβλήματος της φασματικής ομοιότητας μεταξύ του εδάφους, της κατοικίας και των εργοταξίων, πραγματοποιήθηκε μια χειροκίνητη διόρθωση της ταξινόμησης για να επιτευχθεί ένα τελικό προϊόν με αξιόλογη ακρίβεια. Στη συνέχεια, μέσω ενός μοντέλου παλινδρόμησης μεταξύ του ομαλοποιημένου δείκτη βλάστησης και του βαθμού διαπερατότητας (degree of imperviousness), βελτιώθηκαν και ομογενοποιήθηκαν όλες οι ταξινομημένες εικόνες για τις κατηγορίες των αστικών περιοχών. Αρχικά, οι αεροφωτογραφίες ταξινομήθηκαν σε δύο κατηγορίες, αδιαπερατή και μη διαπερατή επιφάνεια. Τέλος, δημιουργήθηκε ένα γραμμικό μοντέλο παλινδρόμησης μεταξύ του NDVI και του βαθμού διαπερατότητας. Εικόνα 20 Παράδειγμα αποτελεσμάτων ταξινομησης Πηγή: Goetzke et al Χαρτογράφηση αστικής κάλυψης γης στο εσωτερικό των εικονοστοιχείων χρησιμοποιώντας τεχνικές φασματικού διαχωρισμού πολλαπλών συνιστωσών μονοσήμαντης ερμηνείας φάσματος στο Manaus της Βραζιλίας, Powell et al Η περιοχή μελέτης αποτελείται από τα εδάφη που περικλείουν την πόλη Manaus, της πολιτείας του Amazonas, στη Βραζιλία. Τα δεδομένα που συλλέχθηκαν για τη διεξαγωγή της εν λόγω εργασίας είναι μια εικόνα Landsat 7 ETM+ του Αυγούστου του 2001, η οποία διορθώθηκε γεωμετρικά σύμφωνα με έναν τοπογραφικό χάρτη (1: ) του Βραζιλιάνικου Ινστιτούτου Γεωγραφίας και Στατιστικής, δίνοντας σφάλμα RMS 0,16 εικονοστοιχείων. Παράλληλα, δεδομένα αναφοράς συλλέχθηκαν μέσω ψηφιακών αεροβιντεοσκοπήσεων της περιοχής του Στην συνέχεια, εντοπίστηκαν συνιστώσες μονοσήμαντης ερμηνείας φάσματος (Σ.Μ.Ε.Φ.), που αφορούσαν τις γενικευμένες κατηγορίες «Τεχνητή Επιφάνεια», «Βλάστηση», «Έδαφος» και «Νερό», και τοποθετήθηκαν σε φασματικές βιβλιοθήκες σε όλους τους πιθανούς συνδυασμούς που από τους οποίους θα μπορούσαν να αποτελούνται τα εικονοστοιχεία. 49

50 Σύμφωνα με αυτές, εφαρμόστηκαν διάφορα μοντέλα φασματικού διαχωρισμού στις εικόνες, με σκοπό την επιλογή του βέλτιστου αποτελέσματος σύμφωνα με τα δεδομένα αναφοράς. Τέλος, έγινε εξαγωγή του τελικού χάρτη χρησιμοποιώντας μοντέλα συνδυασμού δύο και τριών Σ.Μ.Ε.Φ., ενώ η ακρίβειά του αξιολογήθηκε στο 95,9%. Εικόνα 21 Διάγραμμα ροής μεθοδολογίας. Πηγή: Powell et al Εικόνα 22 Εικόνες των κατηγοριών, όπως παράχθηκαν από τη διαδικασία του φασματικού διαχωρισμού: (a) Βλάστηση, (b) Τεχνητή επιφάνεια, (c) Έδαφος, (d) Νερό. Όσο πιο «φωτεινή» είναι μια περιοχή, τόσο ποιο υψηλή αντιπροσώπευση έχει η κατηγορία. Πηγή: Powell et al

51 2 Κεφάλαιο: Δεδομένα και Μεθοδολογία 2.1 Περιοχή μελέτης Η περιοχή μελέτης αποτελείται από τμήματα των Περιφερειακών Ενοτήτων της Θεσσαλονίκης και της Χαλκιδικής, οι οποίες ανήκουν διοικητικά με τη σειρά τους στην περιφέρεια Κεντρικής Μακεδονίας. Η έκτασή της είναι 588,65 χλμ 2. Οι αστικές περιοχές που μελετήθηκαν είναι οι οικισμοί των Δημοτικών Ενοτήτων Θέρμης και Θερμαϊκού, οι οποίες αποτελούν νοτιοανατολικά και ανατολικά προάστια της Θεσσαλονίκης αντίστοιχα, καθώς και των Δημοτικών Ενοτήτων Μουδανιών και Κασσάνδρας, οι οποίες βρίσκονται στο νομό Χαλκιδικής. Η περιοχή μελέτης περιλαμβάνει το μεγαλύτερο μέρος των αντιπροσωπευτικών κατηγοριών κάλυψης γης: υψηλής και χαμηλής πυκνότητας περιοχές κατοικίας, βλάστηση, έδαφος και μεγάλες εκτάσεις αγροτικής γης. Παρόλο που, η περιοχή μελέτης αποτελείται από παραθαλάσσιους οικισμούς το νερό αφαιρέθηκε, καθώς δεν αποτελούσε αντικείμενο μελέτης. Εικόνα 23 Χάρτης περιοχής μελέτης. Πηγή: geodata.gov.gr, Wikipedia.org, ιδία επεξεργασία. Πιο συγκεκριμένα: Δημοτική ενότητα Θέρμης Η δημοτική ενότητα Θέρμης αποτελεί μία από τις τρεις δημοτικές ενότητες του Δήμου Θέρμης, σύμφωνα με την εφαρμογή των διατάξεων του Προγράμματος Καλλικράτη, καταλαμβάνοντας συνολική έκταση στρέμματα. Η έδρα του δήμου είναι η Θέρμη, πόλη που ανήκει στην δημοτική ενότητα Θέρμης και απέχει 15 χιλιόμετρα από την πόλη της Θεσσαλονίκης. Η εν λόγω δημοτική ενότητα εκτείνεται από τις νοτιοανατολικές ακτές του Θερμαϊκού κόλπου μέχρι τις ορεινές περιοχές του Χορτιάτη. Συνορεύει βόρεια με τον Δήμο Πυλαίας - Χορτιάτη, βορειοανατολικά με τον Δήμο Λαγκαδά, νοτιοανατολικά με τον δήμο Νέας Προποντίδας, νοτιοδυτικά με τον Δήμο Θερμαϊκού και δυτικά βρέχεται από τον Θερμαϊκό κόλπο. Η περιοχή αν και παρουσιάζει μεγάλες εκτάσεις εύφορης αγροτικής γης, στην ουσία αποτελεί περιαστική περιοχή της Θεσσαλονίκης και συγκεντρώνει μεγάλες μονάδες δευτερογενούς και τριτογενούς τομέα. Πιο συγκεκριμένα, η περιοχή έχει αναπτύξει χαρακτηριστικά οικιστικής επέκτασης του Πολεοδομικού Συγκροτήματος 51

52 Θεσσαλονίκης, παρουσιάζει ανεπτυγμένη περιαστική γεωργία, προσελκύει την εγκατάσταση βιομηχανιών και βιοτεχνιών, στα όριά της εγκαθίστανται σύγχρονες υπηρεσίες υψηλής εξειδίκευσης καθώς παρουσιάζεται και έντονη ανάπτυξη των θερμοκηπίων. Τέλος, στην δημοτική ενότητα Θέρμης εντοπίζεται και ο Αερολιμένας Μακεδονία, που αποτελεί τον διεθνή συγκοινωνιακό κόμβο της Βόρειας Ελλάδας και κατ επέκταση την πιο βαρύνουσα χρήση της δημοτική ενότητας. Η διοικητική διαίρεση της Δημοτικής Ενότητας είναι: Δημοτική Κοινότητα Θέρμης Θέρμη - Τριάδη Δημοτική Κοινότητα Νέου Ρυσίου Νέο Ρύσιο Τοπική Κοινότητα Νέας Ραιδεστού Νέα Ραιδεστός Οικισμός Φιλοθέη Φιλοθέη Τοπική Κοινότητα Ταγαράδων Ταγαράδες Δημοτική ενότητα Θερμαϊκού Η Δημοτική ενότητα Θερμαϊκού αποτελεί μια από τις τρεις δημοτικές ενότητες του Δήμου Θερμαϊκού, με συνολική έκταση στρέμματα. Ο Δήμος Θερμαϊκού είναι δήμος της Περιφέρειας Κεντρικής Μακεδονίας και συστάθηκε, σύμφωνα με το πρόγραμμα Καλλικράτης, από την συνένωση των υπαρχόντων Καποδιστριακών Δήμων Επανομής, Μηχανιώνας και Θερμαϊκού. Έδρα του νέου δήμου ορίστηκε η Περαία, πόλη που εντάσσεται στην Δημοτική Ενότητα Θερμαϊκού. Ο Δήμος Θερμαϊκού έχει αναπτυχθεί ιστορικά κατά μήκος της παράλιας ζώνης. Κατ επέκταση, η εν λόγω δημοτική ενότητα είναι παραθαλάσσια και βρίσκεται ανατολικά του Νομού Θεσσαλονίκης, σε απόσταση 20 χιλιομέτρων από το κέντρο Θεσσαλονίκης, και συνορεύει με το Δήμο Θέρμης και κατ επέκταση με την Δημοτική Ενότητα Θέρμης. Ο αιγιαλός μήκους 7,4 χλμ, που εντοπίζεται στην περιοχή, προσδίδει ένα θεμελιώδες χαρακτηριστικό, τόσο στην δημοτική ενότητα όσο και στο Δήμο. Αποτελεί την περιβαλλοντική και αναπτυξιακή ταυτότητα της περιοχής, δημιουργώντας μια αναπτυξιακή προοπτική στα πλαίσια της βιώσιμης και αειφόρου ανάπτυξης. Ο Δήμος Θερμαϊκού αποτελεί έναν από τους σημαντικότερους αναπτυξιακούς πόλους της ευρύτερης περιοχής, καθώς και έναν από τους μεγαλύτερους περιαστικούς Δήμους της Θεσσαλονίκης. Στην περιοχή εντοπίζονται χρήσεις όπως παραθεριστική και μόνιμη κατοικία, μεγάλες εκτάσεις αυθαίρετης παραθεριστικής κατοικίας, περιαστική κατοικία και εγκαταστάσεις τριτογενούς τομέα. Η διοικητική διαίρεση της Δημοτικής Ενότητας Θερμαϊκού είναι: Δημοτική Κοινότητα Αγίας Τριάδος Αγία Τριάδα Δημοτική Κοινότητα Νέων Επιβατών Νέοι Επιβάται Δημοτική Κοινότητα Περαίας Λιβαδάκι, Περαία 52

53 Δημοτική ενότητα Μουδανιών Η Δημοτική ενότητα Μουδανιών ανήκει στο Δήμο Νέας Προποντίδας, ο οποίος συστάθηκε σύμφωνα με το Πρόγραμμα Καλλικράτης από τους πρώην Δήμους Καλλικράτειας, Μουδανιών και Τριγλίας. Έδρα του Δήμου ορίστηκαν τα Νέα Μουδανιά. Η Δημοτική Ενότητα Μουδανιών, έκτασης 140 τετραγωνικών χιλιομέτρων, βρίσκεται νότια της περιοχής της «Καλαμαριάς» και αποτελεί τμήμα της δυτικής ακτής της Π.Ε. Χαλκιδικής. Αποτελεί κομβικό σημείο όσον αφορά τη διέλευση των επισκεπτών από την Θεσσαλονίκη προς την Κασσάνδρα και τη Σιθωνία. Ο πρωτογενής τομέας φαίνεται να είναι ιδιαίτερα αναπτυγμένος στην δημοτική ενότητα, τηρώντας την παράδοση που έχει η Π.Ε. Χαλκιδικής περί αναπτυγμένου πρωτογενή τομέα. Η ραγδαία ανάπτυξη του τουρισμού στην ευρύτερη περιοχή της Χαλκιδικής προκάλεσε σταδιακή ελάττωση της γεωργικής γης και εγκατάλειψης του κλάδου. Ωστόσο, στην Δημοτική Ενότητα Μουδανιών και ιδιαίτερα στα διαμερίσματα της ενδοχώρας ο πρωτογενής τομέας δεν έχει επηρεαστεί από τον τουρισμό με την γεωργία να συμβάλλει σημαντικά στο εισόδημα της περιοχής. Ιδιαίτερα αναπτυγμένη στην περιοχή είναι και η αλιεία με τα λιμάνια Ν. Μουδανιών και Ν. Ποτίδαιας να παρουσιάζουν σημαντικό αλιευτικό στόλο. Όσον αφορά το δευτερογενή τομέα, παρατηρούνται σημαντικές συγκεντρώσεις βιοτεχνιών και μικρών βιομηχανιών επεξεργασίας τροφίμων και ποτών. Ιδιαίτερα ανεπτυγμένος στην περιοχή είναι και ο τριτογενής τομέας, με τις τουριστικές δραστηριότητες να κυριαρχούν. Η εγγύτητα της περιοχής με το Π.Σ.Θ. (Πολεοδομικό Συγκρότημα Θεσσαλονίκης) και η μεγάλη έκταση της παραλιακής ζώνης είναι συνθήκες που καθιστούν τον τουρισμό σημαντική οικονομική δραστηριότητα για το Δήμο. Η διοικητική διαίρεση της Δημοτικής Ενότητας Μουδανιών είναι: Δημοτική Κοινότητα Νέων Μουδανιών Νέα Μουδανιά Δημοτική Κοινότητα Σημάντρων Σήμαντρα Τοπική Κοινότητα Αγίου Μάμαντος Άγιος Μάμας Παπά Αλώνι Πόρτες Τοπική Κοινότητα Αγίου Παντελεήμονος Άγιος Παντελεήμων Τοπική Κοινότητα Διονυσίου Διονυσίου Μουριές Παραλία Διονυσίου Τοπική Κοινότητα Ζωγράφου Ζωγράφου Τοπική Κοινότητα Νέας Ποτίδαιας Νέα Ποτίδαια Τοπική Κοινότητα Πορταριάς Παραλία Πορταριάς Πορταριά Τοπική Κοινότητα Φλογητών Φλογητά 53

54 Δημοτική Ενότητα Κασσάνδρας Η Δημοτική Ενότητα Κασσάνδρας υπάγεται στον Δήμο Κασσάνδρας, ο οποίος προέκυψε από το σχέδιο Καλλικράτης μετά από συνένωση των παλαιών Καποδιστριακών Δήμων Κασσάνδρας και Παλλήνης. Βόρεια συνορεύει με τον Δήμο Νέας Προποντίδας και κατ επέκταση με την Δημοτική Ενότητα Μουδανιών, και βρέχεται και από τις δύο πλευρές της από θάλασσα. Έδρα του Δήμου ορίστηκε η Κασσάνδρεια, η οποία ανήκει στην Δημοτική ενότητα Κασσάνδρας και αποτελεί οικονομικό και πολιτιστικό κέντρο της περιοχής. Η περιοχή είναι κυρίως ημι-ορεινή, με την ενδοχώρα να αποτελείται από μεγάλες εκτάσεις αγροτικής γης. Χαρακτηριστικά τα οποία παρουσιάζει η περιοχή είναι η περιμετρική οικιστική ανάπτυξη και οι πολυάριθμες ακρογιαλιές. Οι δραστηριότητες τουριστικού χαρακτήρα κυριαρχούν στην περιοχή με την παράκτια περιοχή και την πολιτιστική κληρονομιά να αποτελούν τα στοιχεία σύστασης του τουριστικού μοντέλου, στο οποίο στηρίζεται η οικονομική δραστηριότητα του Δήμου. Η διοικητική διαίρεση της Δημοτικής Ενότητας Κασσάνδρας είναι: Δημοτική Ενότητα Κασσανδρείας Ελάνη Κασσάνδρεια Σάνη Σίβηρη Φυλακαί Ξενοφόντως Δημοτική Κοινότητα Νέας Φωκαίας Νέα Φωκαία Πύργος Σάνης Φυλακαί Καρακάλλου Φυλακαί Κασσάνδρας Τοπική Κοινότητα Αφύτου Άφυτος Τοπική Κοινότητα Καλάνδρας Καλάνδρα Μπουλαμάτσια Ποσείδι Τοπική Κοινότητα Καλλιθέας Καλλιθέα Σωλήνα Τοπική Κοινότητα Κασσανδρηνού Καλούτσικος Κασσανδρηνό Μόλαι Καλύβαι Τοπική Κοινότητα Κρυοπηγής Εύδος Κασσάνδρα Παλλάς Κρυοπηγή Λευκή Περιστέρα Τοπική Κοινότητα Φούρκας Σκάλα Φούρκας Φούρκα 54

55 Οι αρχικές εικόνες, λόγω της μεγάλης διάστασης, κόπηκαν σε δύο μικρότερα δείγματα για την διευκόλυνση της εφαρμογής των μεθόδων και των διαφόρων αλγορίθμων που χρησιμοποιήθηκαν. Οι αρχικές απεικονίσεις των δημοτικών ενοτήτων εισήχθησαν στο περιβάλλον του ENVI και εφόσον, αρχικά, επιλέχθηκε η περιοχή από την ομάδα μελέτης, έγινε το κόψιμο των εικόνων σε δύο μικρότερα μέρη. 2.2 Δεδομένα Για την υλοποίηση της εργασίας χρησιμοποιήθηκαν δεδομένα από τους δορυφόρους Landsat 5 TM για τις χρονολογίες 1984, 1991, 2003 και 2009, Landsat 7 ETM+ για το 1999, Landsat 8 OLI για το 2014 και ένα αρχείο διανυσματικού τύπου (shapefile) από τον ιστότοπο geodata.gov.gr με τα όρια των ΟΤΑ της περιοχής μελέτης. Τα πολυφασματικά δεδομένα Landsat (χωρικής ανάλυσης 30μ.) ήταν τύπου «Level 1T», δηλαδή είχαν υποστεί γεωμετρική και ραδιομετρική διόρθωση ακριβείας. Οι έξι (6) εικόνες Landsat συλλέχθηκαν από την ιστοσελίδα της Γεωλογική Υπηρεσία των Η.Π.Α. (U.S. Geological Survey U.S.G.S.) Τέλος, η επεξεργασία των δεδομένων έγινε στα λογισμικά ENVI 5.1 & 5.2 και ArcGIS 10, ενώ χρησιμοποιήθηκαν επίσης ο ηλεκτρονικός ορθοφωτοχάρτης του Εθνικού Κτηματολογίου ( και το Google Earth Pro (GE) ως πηγές δεδομένων της πραγματικής κατάστασης της γήινης επιφάνειας για τις διαθέσιμες ημερομηνίες. Προϊόντα Landsat ακριβούς ορθοδιόρθωσης Προϊόντα επιπέδου 1Τ (Level 1T) Η προ-επεξεργασία των L1T δεδομένων έχει την μεγαλύτερη ακρίβεια από τους υπόλοιπους τύπους δεδομένων (π.χ. Level 1G), καθώς ενσωματώνει Ε.Σ.Ε. (Επίγεια Σημεία Ελέγχου - Ground Control Points) και ψηφιακό μοντέλο εδάφους - Ψ.Μ.Ε. (Digital Elevation Model D.E.M.) για την παροχή απόλυτης γεωμετρικής ακρίβειας. Φυσικά, αυτή εξαρτάται από τον αριθμό, τη χωρική κατανομή και την ακρίβεια των Ε.Σ.Ε. στην έκταση της εικόνας και της ανάλυσης του Ψ.Μ.Ε. που χρησιμοποιείται. Τέλος, πηγή του Ψ.Μ.Ε. είναι το Global Land Survey Digital Elevation Model (GLS2000) χωρικής ανάλυσης 90μ (URL7, URL8, URL9). Ακολουθούν πίνακες με τις ακρίβειες της γεωμετρικής διόρθωσης κάθε εικόνας: Ημερομηνία λήψης Αριθμός E.Σ.Ε. Ποσοστό συννεφοκάλυψης Ακρίβεια (μέτρα) Αισθητήρας 24/6/ % 4,688 Landsat 5 29/6/ % 4,244 Landsat 5 28/7/ % 5,874 Landsat 7 24/7/ % 3,459 Landsat 5 24/7/ % 3,644 Landsat 5 23/3/ ,32% 6,624 Landsat 8 Πίνακας 1 Ακρίβειες εικόνων Landsat. Πηγή: Αρχεία MTL εικόνων. 55

56 Κτηματολόγιο Εικόνα 24 Εικόνα Landsat 5 TM του 2003, που περιλαμβάνει τη περιοχή μελέτης. Πηγή: Ο ορθοφωτοχάρτης χάρτης του Εθνικού Κτηματολογίου αποτελείται από έγχρωμες αεροφωτογραφίες που έχουν συλλεχθεί το διάστημα , ενώ συντονιστής του έργου είναι η «Εθνικό Κτηματολόγιο και Χαρτογράφηση Α.Ε.» (Ε.Κ.ΧΑ. Α.Ε.). Η έκταση του χάρτη αφορά το σύνολο της Ελλάδος, έχει χωρική ανάλυση 0,2μ για τις αστικές περιοχές και 0,5μ για τις μη-αστικές περιοχές και παρουσιάζει ακρίβειες (RMSE) 0,28μ και 1,41μ αντίστοιχα (επίπεδο εμπιστοσύνης 95%) (URL10). 2.3 Μεθοδολογία Προ-επεξεργασία Αρχικά οι πολυφασματικές εικόνες Landsat περικόπηκαν στα όρια της επιλεγμένης περιοχής μελέτης, με τη χρήση διανυσματικών δεδομένων με τα όρια των Δ.Ε. που την συναποτελούσαν. Ακολούθησε, η ραδιομετρική βαθμονόμηση και η ατμοσφαιρική διόρθωση των εικόνων, η οποία ήταν απαραίτητη ώστε να γίνουν άμεσα συγκρίσιμες. Ο αλγόριθμος που χρησιμοποιήθηκε, ήταν ο FLAASH (Fast Line-of-sight Atmospheric Analysis of Hypercubes), καθώς πρόκειται για αναγνωρισμένο-ενδεδειγμένο εργαλείο, εύκολο στη χρήση, που δεν χρειάζεται ατμοσφαιρικά δεδομένα για τις ημερομηνίες λήψης των εικόνων. Η εφαρμογή του έγινε σύμφωνα με το εγχειρίδιο χρήσης (manual) που προσφέρεται από την εταιρεία του ENVI, EXELIS VIS (URL11). Πιο συγκεκριμένα, για τη FLAASH χρησιμοποιήθηκαν μόνο τα έξι φασματικά κανάλια που αφορούσαν το ορατό και υπέρυθρο φάσμα (Μπλε, Πράσινο, Κόκκινο, Εγγύς Υπέρυθρο, Βραχύς Υπέρυθρο 1 και 2), ενώ οι τιμές των εικονοστοιχείων τους μετατράπηκαν, όπως απαιτούνταν από το πρόγραμμα, σε τιμές ακτινοβολίας (radiance) για την εισαγωγή του στο FLAASH. Στη συνέχεια, για τον υπολογισμό της γωνίας ανάκλασης και της θέσης του 56

57 αισθητήρα, επιλέχθηκε ο τύπος δορυφόρου, η ώρα και ημερομηνία λήψεις όπως αυτές αναγράφονταν στο αρχείο μεταδεδομένων (metadata file) των εικόνων και ένα μέσο υψόμετρο για τη περιοχή το οποίο υπολογίστηκε από το Ψηφιακό Μοντέλο Εδάφους της Ε.Ε. (EU-DEM) 10 και παρέχεται από τον Ευρωπαϊκό Οργανισμό Περιβάλλοντος (ΕΕΑ). Ακόμα, για τη μείωση των πιθανών ατμοσφαιρικών επιπτώσεων, χρησιμοποιήθηκε ένα ατμοσφαιρικό μοντέλο τύπου MODTRAN βάσει του γεωγραφικού πλάτους και της εποχής λήψης (URL11) Ταξινόμηση Για τη σύγκριση των εικόνων επιλέχθηκε η ποσοτικοποίηση των στοιχείων τους με χρήση αλγορίθμου ταξινόμησης Random Forest (RF). Η εξαγωγή των πεδίων εκπαίδευσης του αλγορίθμου έγινε με τη συνδυαστική χρήση του ορθοφωτοχάρτη του κτηματολογίου και του Google Earth για τα έτη 2009 και Λόγω έλλειψης δεδομένων αναφοράς για τις ημερομηνίες , ακολουθήθηκε μια νέα μεθοδολογία για την ταξινόμησή τους, στηριζόμενη στη παραδοχή της άμεσης συσχέτισης των ραδιομετριών τους μετά την εφαρμογή ατμοσφαιρικής διόρθωσης. Έτσι, έγινε εξαγωγή των στατιστικών ανάλυσης και των κανόνων ταξινόμησης των πεδίων του 2009 και 2014 και ενσωμάτωσή τους στις ταξινομήσεις , με σκοπό τον υπολογισμό των επιφανειών των υπό εξέταση καλύψεων γης. Η παραπάνω διαδικασία πραγματοποιήθηκε σε περιβάλλον Java, διότι δεν ήταν δυνατή η μεταφορά των κανόνων ταξινόμησης πεδίων στις παλαιότερες ημερομηνίες μέσω του ENVI. Επιπλέον, για τη αύξηση της προς ανάλυση πληροφορίας και τη βελτίωση των αποτελεσμάτων, υπολογίστηκαν οι δείκτες «Ομαλοποιημένος Δείκτης Βλάστησης» (Normalized Difference Vegetation Index - NDVI) και «Ομαλοποιημένος Δείκτης Αστικής Μεταβολής» (Normalized Difference Built-up Index NDBI), οι οποίοι ενσωματώθηκαν ως πρόσθετα φασματικά κανάλια στις εικόνες. Στο πίνακα που ακολουθεί παρουσιάζονται όλοι οι πιθανοί συνδυασμοί των πεδίων εκπαίδευσης του 2009 και 2014, με τις εικόνες: Εικόνες εφαρμογής Πεδία Εκπαίδευσης Πίνακας 2 Συνδυασμοί εικόνων και πεδίων εκπαίδευσης. Κάθε κελί του πίνακα, αντιστοιχεί σε έναν συνδυασμό πεδίων εκπαίδευσης με μια ημερομηνία εφαρμογής και την παραγωγή μιας εικόνας. Πηγή: Ιδία επεξεργασία. 10 Το EU-DEM αποτελεί ένα υβριδικό προϊόν που βασίζεται σε δεδομένα από το Shuttle Radar Topography Mission (SRTM) και τον ASTER με χωρική ανάλυση 25 μέτρων (Πηγή: 57

58 Εικόνα 25 Ομαλοποιημένος Δείκτης Βλάστησης για την εικόνα του Πηγή: Ιδία επεξεργασία. Εικόνα 26 Ομαλοποιημένος Δείκτης Βλάστησης για την εικόνα του Πηγή: Ιδία επεξεργασία. Εικόνα 27 Ομαλοποιημένος Δείκτης Βλάστησης για την εικόνα του Πηγή: Ιδία επεξεργασία. 58

59 Επιπλέον, οι κλάσεις που χωρίστηκαν τα πεδία εκπαίδευσης ήταν: 1) Πλάκα οικοδομής, 2) Κεραμοσκεπή, 3) Οδόστρωμα, 4) Βλάστηση, 5) Σκούρο έδαφος, 6) Ανοιχτόχρωμο έδαφος και 7) Άμμος. Στη συνέχεια, για λόγους βελτίωσης της ακρίβειας, πραγματοποιήθηκε ομαδοποίηση αυτών σε τρεις (3) γενικότερες κλάσεις με κοινά χαρακτηριστικά και ενδιαφέρον μελέτης. Έτσι, οι κλάσεις «Πλάκα οικοδομής», «Κεραμοσκεπή» και «Οδόστρωμα» συμπτύχθηκαν στην κλάση «Τεχνητή Επιφάνεια» (Artificial), οι κλάσεις «Σκούρο έδαφος», «Ανοιχτόχρωμο έδαφος» και «Άμμος» στην κλάση «Έδαφος» και η κλάση «Βλάστηση» παρέμεινε η ίδια. Εικόνα 28 Ταξινομημένη εικόνα του Πηγή: Ιδία επεξεργασία. 59

60 Εικόνα 29 Ταξινομημένη εικόνα του Πηγή: Ιδία επεξεργασία Αξιολόγηση ακρίβειας ταξινόμησης Η αξιολόγηση της ακρίβειας των ταξινομήσεων έγινε με χρήση σημείων (ανάλογα με τα ποσοστά της κάθε κλάσης στις εικόνες) σε όλη τη περιοχή μελέτης για τις έξι (6) εικόνες Περαιτέρω, έγινε αξιολόγηση ακρίβειας και για τις 3 εικόνες του 2003(βλ. Πίνακας 2), όπου λόγω έλλειψης δεδομένων από το Google Earth, περιορίστηκε στο βορειοδυτικό τμήμα της περιοχής (Δ.Ε. Περαίας και Θέρμης). Η επιλογή των σημείων έγινε με εργαλείο στρωματοποιημένης τυχαίας δειγματοληψίας (stratified random sampling), όπου εφαρμόστηκε κανόνας για 10 ελάχιστο και 120 μέγιστο αριθμό 60