ΔΙΕΡΕΥΝΗΣΗ ΣΥΓΧΡΟΝΩΝ ΤΕΧΝΙΚΩΝ ΑΝΑΛΥΣΗΣ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ΓΙΑ ΤΗΝ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΩΝ ΔΑΣΙΚΩΝ ΕΚΤΑΣΕΩΝ

Μέγεθος: px
Εμφάνιση ξεκινά από τη σελίδα:

Download "ΔΙΕΡΕΥΝΗΣΗ ΣΥΓΧΡΟΝΩΝ ΤΕΧΝΙΚΩΝ ΑΝΑΛΥΣΗΣ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ΓΙΑ ΤΗΝ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΩΝ ΔΑΣΙΚΩΝ ΕΚΤΑΣΕΩΝ"

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΓΕΩΠΟΝΙΑΣ, ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΤΜΗΜΑ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΔΙΕΥΘΥΝΤΗΣ: ΙΩΑΝΝΗΣ ΓΗΤΑΣ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ ΔΙΕΡΕΥΝΗΣΗ ΣΥΓΧΡΟΝΩΝ ΤΕΧΝΙΚΩΝ ΑΝΑΛΥΣΗΣ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ΓΙΑ ΤΗΝ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΙ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΩΝ ΔΑΣΙΚΩΝ ΕΚΤΑΣΕΩΝ ΕΛΕΝΗ ΔΡΑΓΟΖΗ ΔΑΣΟΛΟΓΟΣ Θεσσαλονίκη 2016

2 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Σχολή Γεωπονίας, Δασολογίας και Φυσικού Περιβάλλοντος Τμήμα Δασολογίας και Φυσικού Περιβάλλοντος Διερεύνηση σύγχρονων τεχνικών ανάλυσης δορυφορικών εικόνων για την χαρτογράφηση και παρακολούθηση των δασικών εκτάσεων Διδακτορική Διατριβή της Ελένης Δραγόζη Εξεταστική Επιτροπή: Ιωάννης Γήτας Μιχάλης Καρτέρης Ιωάννης Θεοχάρης Αλέξανδρος Δημητρακόπουλος Θωμάς Αλεξανδρίδης Μαρία Τσακίρη-Στρατή Γεώργιος Μαλλίνης

3 We are aware only of the empty space in the forest, which only yesterday was filled with trees. Anna Freud

4 Ευχαριστίες Ολοκληρώνοντας τη συγγραφή της διδακτορικής µου διατριβής, θα ήθελα να αναφερθώ σε όλους αυτούς που στάθηκαν αρωγοί στην προσπάθεια µου. Πρώτον από όλους θα ήθελα να ευχαριστήσω τον επιβλέποντα καθηγητή μου, Αναπ. Καθ. Ιωάννη Γήτα, για την καθοδήγηση και συμπαράσταση που μου έδειξε καθ όλη τη διάρκεια αυτής της έρευνας. Τον ευχαριστώ θερμά για τις ατελείωτες ώρες που αφιέρωσε στις συζητήσεις µας και στη διερεύνηση επιστημονικών θεμάτων σχετικών µε τη διατριβή, καθώς και για τις διορθώσεις και ιδιαίτερα εύστοχες παρατηρήσεις του στο κείμενο της διατριβής. Είμαι ευγνώμων που μου έδωσε τη δυνατότητα να ασχοληθώ με ένα τόσο ενδιαφέρον ερευνητικό θέμα και που μου επέτρεψε μέσα στα πλαίσια αυτά να εξελιχθώ ως ερευνήτρια. Θα ήθελα επίσης να ευχαριστήσω τα υπόλοιπα µέλη τις τριμελούς συμβουλευτικής επιτροπής, Ομότιμο Καθ. Μ. Καρτέρη και Καθ. Ι. Θεοχάρη, για την υποστήριξη τους αλλά και τις παρατηρήσεις τους που συνέβαλλαν στο τελικό αποτέλεσμα της διατριβής. Επίσης, θα ήθελα να ευχαριστήσω θερμά τους Δ. Σταυρακούδη και Δ. Κασερίδη για τη βοήθεια, την αμέριστη συμπαράσταση και την ηθική στήριξη που μου παρείχαν καθ' όλη τη διάρκεια της εκπόνησης της διδακτορικής μου διατριβής. Από τη θέση αυτή, ευχαριστώ θερμά όλους τους συναδέλφους μου στο εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης για την άψογη συνεργασία που είχαμε όλα αυτά τα χρόνια στο πλαίσια των ερευνητικών μας δραστηριοτήτων. Πολλές ευχαριστίες οφείλω επίσης στον πατέρα μου Ιωάννη Δραγόζη και στον θείο μου Θανάση Καλογρανά οι οποίοι με συνόδεψαν στις μετρήσεις πεδίου. Χωρίς την ενεργή τους συμμετοχή η συλλογή των στοιχείων υπαίθρου δεν θα ήταν εφικτή. Επίσης, οφείλω να ευχαριστήσω τις αγαπημένες μου φίλες Β. Χατζημπούγια, Μ. Κανίδου, Μ. Ανδρεά και Δ. Ανταβάλογλου των οποίων η ηθική υποστήριξη με βοήθησε να ολοκληρώσω αυτή την εργασία. Αφήνω τελευταίες τις ευχαριστίες προς τους γονείς µου, που όχι µόνο στήριξαν τις αποφάσεις µου, αλλά φρόντισαν να µου παρέχουν την ηθική υποστήριξη και οικονομική ασφάλεια που χρειαζόταν για την επίτευξη των στόχων µου. Θεσσαλονίκη, 2016 Ελένη Δραγόζη 4

5 Περίληψη Η παρούσα διδακτορική διατριβή πραγματεύεται το γενικότερο ζήτημα της χαρτογράφησης και παρακολούθησης των δασικών εκτάσεων, αξιοποιώντας δύο προηγμένες μεθόδους ανάλυσης δορυφορικών δεδομένων, τις Μηχανές Διανυσμάτων Υποστήριξης και την Αντικειμενοστραφή Ταξινόμηση. Κύριος σκοπός της ήταν η χαρτογράφηση των καμένων δασικών εκτάσεων, η εκτίμηση της καταστροφής που αυτές υφίστανται, αλλά και η παρακολούθηση της εξέλιξης τους, μέσω της χρήσης δορυφορικών εικόνων πολύ υψηλής χωρικής ευκρίνειας (VHR). Επιμέρους στόχοι της διατριβής αποτελούν α) η διερεύνηση σύγχρονων μεθόδων ταξινόμησης δορυφορικών εικόνων για την χαρτογράφηση καμένων εκτάσεων και την παραγωγή θεματικών χαρτών υψηλής ακρίβειας, β) η διερεύνηση του βαθμού στον οποίο οι τοπογραφικές συνθήκες και η σφοδρότητα καύσης που μετράται στο πεδίο με το δείκτη CBI, μπορούν να εξηγήσουν τη μεταπυρική δυναμική της βλάστησης που υπολογίζεται μέσω των VHR δορυφορικών δεδομένων και γ) η παρακολούθηση της εξέλιξης της σφοδρότητας καύσης με τη χρήση του δείκτη Composite Burned Index (CBI) και των εικόνων GeoEye. Για την υλοποίηση των παραπάνω στόχων προτείνονται τρείς μεθοδολογίες οι οποίες επιτρέπουν την αποτελεσματική καταγραφή και μελέτη των άμεσων και βραχυπρόθεσμων συνεπειών μιας πυρκαγιάς. Η πρώτη μεθοδολογία που αναπτύχθηκε είχε ως σκοπό την ακριβή και λεπτομερή χαρτογράφηση της καμένης έκτασης με τη χρήση διάφορων μοντέλων ταξινόμησης εικόνας. Η δεύτερη μεθοδολογία που αναπτύχθηκε είχε ως σκοπό να αποκαλύψει τη σχέση που υπάρχει ανάμεσα στην τοπογραφία και τις μετρήσεις πεδίου CBI, με τη μεταπυρική δυναμική της βλάστησης, μέσω της χρήσης της στατιστικής μεθόδου ανάλυσης πλεονασμού (Redundancy Analysis-RDA.) Επιπρόσθετος στόχος της ήταν να αναδείξει ποια από τις δορυφορικές μεταβλητές που υπολογίστηκαν μέσω των VHR δορυφορικών εικόνων (ως μεταβλητές θεωρήθηκαν τα κανάλια των εικόνων και ο δείκτης NDVI), μπορούν να χρησιμοποιηθούν για να ανιχνεύσουν και να παρακολουθήσουν τη μεταπυρική δυναμική της βλάστησης. Η τρίτη και τελευταία μεθοδολογία που αναπτύχθηκε αποσκοπούσε στην παρακολούθηση και καταγραφή του βαθμού περιβαλλοντικής αλλαγής που υφίστανται οι περιοχές που επλήγησαν από τις δασικές πυρκαγιές. Στα πλαίσια της εν λόγω διαδικασίας αναπτύχθηκαν τρία μοντέλα ταξινόμησης βασισμένα σε αντικείμενα (object based classification models), με σκοπό τη χαρτογράφηση της σφοδρότητα καύσης στην περιοχή μελέτης. Η επίτευξη αυτού του στόχου πραγματοποιήθηκε με τη χρήση δορυφορικών εικόνων που ελήφθησαν σε τρεις διαφορετικές χρονικές στιγμές (2011, 2012 και 2014). Οι θεματικοί χάρτες που προέκυψαν από τη διαδικασία τη διαδικασία της ταξινόμησης αναλύθηκαν περαιτέρω με τη χρήση δεικτών τοπίου για να μελετηθεί η διαχρονική εξέλιξη της δομής τους. Από την ανάλυση που πραγματοποιήθηκε αναδείχτηκαν τις διαχρονικές τάσεις μεταβολής που παρουσιάζουν οι περιοχές με διαφορετικό 5

6 βαθμό σοβαρότητας επιπτώσεων καθώς και οι παράγοντες που ενδέχεται να σχετίζονται με αυτές τις τάσεις. Λέξεις κλειδιά: Δασικές πυρκαγιές, δορυφορική τηλεπισκόπηση, αντικειμενοστραφής ταξινόμηση, μηχανές διανυσμάτων υποστήριξης, σφοδρότητα καύσης, μέθοδος ανάλυσης πλεονασμού, παρακολούθηση του μεταπυρικού περιβάλλοντος. 6

7 Abstract This dissertation addresses the general research topic of efficient mapping and monitoring of forest regions using two advanced analysis methodologies of Very High Resolution (VHR) satellite data, namely, the Support Vector Machines (SVM) and Object Based Image Analysis (OBIA). It is mainly focused on techniques for mapping burned forest areas, along with new methodologies for characterizing the environmental impact of destructive fire events (Burn Severity) and monitoring the recovery of the affected areas after the event, using very high resolution satellite data (VHR). The individual objectives of this study are: a) to investigate modern classification methodologies of satellite images for mapping burned regions, and generate highly accurate thematic maps, b) to investigate the use of topographic conditions and burn severity, as measured on the field using CBI index, for explaining the post-fire vegetation response that is measured using VHR satellite images, and c) to monitor the progression of burn severity using the composite burned index (CBI) and GeoEye imagery. To address each of these objectives, this dissertation introduces three main methodologies that enable the efficient monitoring and studying of the immediate and short-term effects of a fire event. The first methodology aimed at achieving a very accurate mapping of a burned area by using a set of classification models (object-based and pixel based). The second methodology investigated the connection between the topography and field-measured CBI, with the post-fire vegetation response, using the Redundancy Analysis (RDA) statistical methodology. A secondary target of this methodology was to identify which of the satellite parameters, that were estimated using the VHR satellite images (as parameters the used images channels and their NDVI index), can be used to detect and monitor post-fire vegetation response. Finally, the third methodology aimed at monitoring and capturing the environmental impact of regions after a forest fire. Overall, to map the burn severity of the studied region, we developed three object-based classification models. To do so, we used satellite images that were captured at three different time points (2011, 2012 and 2014). To study the spatiotemporal structure of the post-fire landscape, the thematic maps that were produced from our classification process were further analyzed using landscape metrics. The analysis results highlighted the inter-temporal variation trends that are present in areas with variable degree of impact severity, as well as, helped us identify the key factors that are associated with such trends. Keywords: Forest Fires, Remote Sensing, Object-Based Image Analysis-OBIA, Support Vector Machines-SVM, Burn Severity, Redundancy Analysis, Post-Fire Vegetation Monitoring. 7

8 Περιεχόμενα Περιεχόμενα Περιεχόμενα... 8 Κατάλογος εικόνων Κατάλογος πινάκων Εισαγωγή Χαρτογράφηση των καμένων εκτάσεων Η εκτίμηση των επιπτώσεων των δασικών πυρκαγιών Η μελέτη των διαχρονικών μεταβολών που παρατηρούνται στο μεταπυρικό περιβάλλον Σκοπός και επιμέρους στόχοι Συμβολή της διδακτορικής διατριβής Δομή της διατριβής Βιβλιογραφικές αναφορές Χαρτογράφηση των καμένων εκτάσεων και παρακολούθηση των αλλαγών που λαμβάνουν χώρα στο Μεσογειακό τοπίο έπειτα από μια σφοδρή δασική πυρκαγιά Οι δασικές πυρκαγιές στα Μεσογειακά δάση Οι δασικές πυρκαγιές στην Ελλάδα Αποκατάσταση καμένων δασικών εκτάσεων Τα στάδια της μεταπυρικής διαχείρισης Τηλεπισκόπηση και πυρκαγιές Η ανάγκη για υψηλής ακριβείας χαρτογράφηση των βραχυπρόθεσμων επιπτώσεων των δασικών πυρκαγιών Επισκόπηση των αισθητήρων και των μεθόδων που χρησιμοποιούνται για τη χαρτογράφηση των βραχυπρόθεσμων επιπτώσεων των πυρκαγιών Πηγές πληροφορίας στην ταξινόμηση πολυφασματικών δορυφορικών εικόνων 44 8

9 2.2.4 Μέθοδοι επιλογής των αναγκαίων για τη χαρτογράφηση χαρακτηριστικών ανώτερης τάξης FuzCoC Feature Selection Σύγχρονες τεχνικές ταξινόμησης δορυφορικών εικόνων Παρακολούθηση του μεταπυρικού περιβάλλοντος με τεχνικές ανάλυσης τοπίου Το τοπίο ως γενική έννοια Η οικολογία τοπίου Συστατικά του τοπίου Σύνθεση και διάρθρωση του τοπίου Παράγοντες εξέλιξης του τοπίου. Επίδραση των δασικών πυρκαγιών Η χρήση της τηλεπισκόπησης στην παρακολούθηση της εξέλιξης του τοπίου Δείκτες ανάλυσης τοπίου Μεταταξινομική Σύγκριση Μέθοδος Ανάλυσης Πλεονασμού- Redundancy Analysis Σύνοψη Κεφαλαίου Βιβλιογραφικές αναφορές Περιοχές Μελέτης-Δεδομένα Περιοχή μελέτης Όρος Πάρνηθα Περιοχή μελέτης Νότιο τμήμα της Νήσου Ρόδου Περιοχή μελέτης-νομός Έβρου Δεδομένα Δορυφορικά δεδομένα Δεδομένα πεδίου Βοηθητικά δεδομένα Προεπεξεργασία δεδομένων Εφαρμογή των τεχνικών προεπεξεργασίας Βιβλιογραφικές αναφορές

10 Διερεύνηση σύγχρονων μεθόδων ταξινόμησης δορυφορικών εικόνων για την χαρτογράφηση καμένων εκτάσεων και την παραγωγή θεματικών χαρτών υψηλής ακρίβειας Περίληψη Εισαγωγή Περιοχές Μελέτης Προτεινόμενη μεθοδολογία Βήμα 1: Δημιουργία χαρακτηριστικών ανώτερης τάξης Βήμα 2: Επιλογή των συνόλων εκπαίδευσης Βήμα 3: Επιλογή χαρακτηριστικών για τις pixel- και object-based ταξινομήσεις Βήμα 4: SVM pixel και object-based μοντέλα ταξινόμησης Πειραματικά αποτελέσματα SVM pixel-based ταξινομήσεις για την περίπτωση της Πάρνηθας SVM object-based ταξινομήσεις για την περίπτωση της Πάρνηθας SVM pixel-based ταξινομήσεις για τη Ρόδο SVM object-based ταξινομήσεων για την περίπτωση της Ρόδου Συζήτηση Συμπεράσματα Βιβλιογραφικές αναφορές Διερεύνηση της σχέσης μεταξύ της σφοδρότητας της καύσης που μετράται στο πεδίο και των εικόνων VHR GeoEye Περίληψη Εισαγωγή Περιοχή μελέτης Δεδομένα και προεπεξεργασία Δεδομένα πεδίου

11 5.4.2 Δορυφορικά δεδομένα Τοπογραφικά δεδομένα Μεθοδολογία Αποτελέσματα και συζήτηση Συμπεράσματα Βιβλιογραφία Παρακολούθηση των τάσεων της σφοδρότητας καύσης με τη χρήση του δείκτη Composite Burned Index (CBI) και των εικόνων GeoEye Περίληψη Εισαγωγή Περιοχή μελέτης Δεδομένα και Προεπεξεργασία Δορυφορικά δεδομένα Δεδομένα πεδίου Μέθοδοι Σχήμα ταξινόμησης Χαρτογράφηση της σφοδρότητας καύσης με τη μέθοδο GEOBIA Μεταταξινομική σύγκριση PCC Μέθοδος Δείκτες τοπίου Αποτελέσματα Αποτελέσματα ταξινομήσεων Αποτελέσματα της μεταταξινομικής σύγκρισης-pcc Μέθοδος Αποτελέσματα της ανάλυσης τοπίου Συζήτηση CBI-based χαρτογράφηση της σφοδρότητας καύσης Διαχρονική ανάλυση των χωρικών προτύπων της σφοδρότητας καύσης Συμπεράσματα

12 6.9 Βιβλιογραφικές αναφορές Συμβολή της Διατριβής και Μελλοντικές Επεκτάσεις Γενικά συμπεράσματα και συμβολή της διατριβής Ειδικά συμπεράσματα ος Στόχος: Διερεύνηση σύγχρονων μεθόδων ταξινόμησης για την χαρτογράφηση καμένων εκτάσεων και την παραγωγή θεματικών χαρτών υψηλής ακρίβειας ος Στόχος: Διερεύνηση της σχέσης μεταξύ της Σφοδρότητας της Καύσης που μετράται στο πεδίο και των εικόνων Υψηλής Χωρικής Διακριτικής Ικανότητας GeoEye ος Στόχος: Παρακολούθηση της εξέλιξης της σφοδρότητας καύσης με τη χρήση του δείκτη Composite Burned Index (CBI) και των VHR εικόνων GeoEye Μελλοντικές προεκτάσεις

13 Κατάλογος εικόνων Κατάλογος εικόνων Εικόνα 2.1. Ο χάρτης με τις περιοχές που χαρακτηρίζονται από Μεσογειακού τύπου κλίμα (κόκκινες περιοχές)(πηγή: 35 Εικόνα 2.2.Τα στατιστικά των δασικών πυρκαγιών για την Ελλάδα από το 1980 έως το 2010.Στο ιστόγραμμα (α) απεικονίζεται για την Ελλάδα η συνολική έκταση των καμένων περιοχών ανά έτος ενώ στο ιστόγραμμα (β) ο ετήσιος αριθμός των πυρκαγιών από το 1980 έως το (Πηγή: 36 Εικόνα 2.3. Στην εικόνα αυτή απεικονίζεται πως μια χωροψηφίδα που καλύπτεται από δάσος εμπεριέχεται σε ένα τοπίο.(πηγή: 56 Εικόνα 3.1. Η περιοχή μελέτης: καμένη δασική έκταση του Όρους Πάρνηθα Εικόνα 3.2. Η περιοχή μελέτης: καμένη δασική έκταση του Όρους Αττάβυρου (Ρόδος) Εικόνα 3.3. Η περιοχή μελέτης: καμένη δασική έκταση του Νομού Έβρου Εικόνα 3.4. Πρωτόκολλο δειγματοληψιών FIREMON για τη μέτρηση του δείκτη CBI (Composite Burn Index) στο πεδίο Εικόνα 3.5. Φωτογραφίες από τα μέλη της ομάδας που συμμετείχαν στις μετρήσεις πεδίου Εικόνα 4.1. Οι περιοχές μελέτης (a) Πρώτη περιοχή μελέτης: Όρος Πάρνηθα, Αττική, Ελλάδα. (b) Δεύτερη περιοχή μελέτης-νήσος Ρόδου, Ελλάδα Εικόνα 4.2. Διάγραμμα ροής της μεθοδολογίας Εικόνα 4.3. Οι χάρτες καμένης έκτασης που παράχθηκαν, μέσω των pixel-based ταξινομήσεων, για την περίπτωση της Πάρνηθας (α)χάρτης αναφοράς (b) SVMRGBNIR-PIXEL ταξινόμηση (c) SVMFuzCoC-PIXEL ταξινόμηση Εικόνα 4.4. Ένα παράδειγμα στο οποίο απεικονίζεται η οριοθέτηση των νησίδων ζωντανής βλάστησης από τις pixel-based ταξινομήσεις καθώς και ο μειωμένος θόρυβος μετά την εφαρμογή της FuzCoC FS (a) SVMRGBNIR-PIXEL ταξινόμηση (b) SVMFuzCoC-PIXEL ταξινόμηση. Χρωματικό υπόμνημα θεματικού χάρτη: Με μπλε απεικονίζονται οι εκτάσεις οι οποίες ταξινομήθηκαν ως καμένες. Ως υπόβαθρο χρησιμοποιήθηκε μια ψευδοέγχρωμη απεικόνιση(nir-red-green) της εικόνας IKONOS Εικόνα 4.5.Ένα παράδειγμα από τους χάρτες που προέκυψαν από τις object-based ταξινομήσεις και στο οποίο διαφαίνονται οι μη καμένες νησίδες στην: (a) SVMOBJECT 13

14 ταξινόμηση και (b) SVMFuzCoC-OBJECT ταξινόμηση. Με μπλε απεικονίζονται οι εκτάσεις οι οποίες ταξινομήθηκαν ως καμένες. Ως υπόβαθρο χρησιμοποιήθηκε μια ψευδοέγχρωμη απεικόνιση (NIR-Red-Green) της εικόνας IKONOS Εικόνα 4.6. SVM object based χάρτες καμένης έκτασης για την περίπτωση της Πάρνηθας (a) η SVMOBJECT ταξινόμηση (b) η SVMFuzCoC-OBJECT ταξινόμηση Εικόνα 4.7. Οι χάρτες καμένων εκτάσεων που προέκυψαν μετά την εφαρμογή της SVM pixel-based μεθοδολογίας στην περιοχή της Ρόδου: (a)χάρτης αναφοράς, (b) SVMRGBNIR- PIXEL ταξινόμηση, και (c) SVMFuzCoC-PIXEL ταξινόμηση Εικόνα 4.8. Οι χάρτες καμένων εκτάσεων που προέκυψαν μετά την εφαρμογή της SVM object-based μεθοδολογίας στην περιοχή της Ρόδου: (a) SVMOBJECT ταξινόμηση, και (c) SVMFuzCoC-OBJECT ταξινόμηση Εικόνα 4.9 Θεματικοί χάρτες (καμένες εκτάσεις) για την περιοχής της Πάρνηθας, η ποιότητα των οποίων βελτιώθηκε έπειτα από την εφαρμογή της object-based προσέγγισης. (a)λεπτομέρεια του χάρτη SVMFuzCoC-OBJECT, στον οποίο απεικονίζεται η κλάση Καμένο με τη μεγαλύτερη ομοιογένεια (b) Λεπτομέρεια του χάρτη SVMFuzCoC-PIXEL στον οποίο απεικονίζεται η υπερεκτιμημένη κλάση Καμένο. Χρωματικό υπόμνημα θεματικού χάρτη: Με κίτρινο οριοθετούνται τα όρια των καμένων εκτάσεων Εικόνα 4.10 Θεματικοί χάρτες (καμένες εκτάσεις) για την περιοχής της Πάρνηθας, η ποιότητα των οποίων βελτιώθηκε έπειτα από την εφαρμογή της object-based προσέγγισης.(a) Λεπτομέρεια του χάρτη SVMFuzCoC-OBJECT, στον οποίο απεικονίζεται η κλάση Μη καμένο (b) Λεπτομέρεια του χάρτη SVMFuzCoC-PIXEL στον οποίο απεικονίζεται η ίδια κλάση. Χρωματικό υπόμνημα θεματικού χάρτη: Με κόκκινο οριοθετούνται τα όρια των σκιασμένων περιοχών που λανθασμένα ταξινομήθηκαν ως καμένες εκτάσεις.αντίστοιχα με κίτρινο οριοθετούνται οι μη καμένες εκτάσεις Εικόνα 5.1. Περιοχή μελέτης Εικόνα 5.2 Οι δειγματοληπτικές επιφάνειες για τη μέτρηση του CBI Εικόνα 5.3. Γράφημα ανάλυσης πλεονασμού μεταξύ της σφοδρότητας καύσης και των περιβαλλοντικών παραμέτρων Εικόνα 6.1. Η περιοχή μελέτη Νομός Έβρου, Ελλάδα Εικόνα 6.2. Τοποθεσίες των επιφανειών πεδίο στις οποίες μετρήθηκε ο δείκτης Composite Burn Index (CBI) Εικόνα 6.3. Διάγραμμα ροής της μεθοδολογίας

15 Εικόνα 6.4. Object-based χάρτες σφοδρότητας καύσης: (a) EvrosTime1, (b) EvrosTime2, και (c) EvrosTime Εικόνα 6.5. Λεπτομέρεια του χάρτη σφοδρότητας καύσης EvrosTime1, που προέκυψε από τη δορυφορική εικόνα GeoEyetime1. Τα αντικείμενα που οριοθετούνται με κόκκινο είναι περιοχές που χαρακτηρίζονται από υψηλή σφοδρότητα καύσης. Οι περιοχές αυτές καλυπτόταν με αραιή σκληρόφυλλη βλάστηση πριν τη φωτιά και στον παρόν χάρτη έχουν εσφαλμένα ταξινομηθεί ως γυμνό έδαφος (σφάλμα παράλειψης Εικόνα 6.6. Λεπτομέρεια του χάρτη σφοδρότητας καύσης EvrosTime3, που προέκυψε μέσω της δορυφορικής εικόνας GeoEyetime3. Τα αντικείμενα που οριοθετούνται με κίτρινο είναι περιοχές που έχουν επηρεαστεί από έρπουσα φωτιά αλλά έχουν εσφαλμένα ταξινομηθεί ως υγιής βλάστηση Εικόνα 6.7. Ιστόγραμμα τάσης της σφοδρότητας καύσης για την περίοδο Εικόνα 6.8. Ιστόγραμμα τάσης της σφοδρότητας καύσης για την περίοδο Εικόνα 6.9. Τα ιστογράμματα των δεικτών τοπίου που υπολογίστηκαν για τα τρία μωσαϊκά σφοδρότητας καύσης σε επίπεδο κλάσης ( ). (Οι συντομογραφίες και ορισμοί των δεικτών τοπίου παρουσιάζονται στον Πίνακα 6.2)

16 Κατάλογος πινάκων Κατάλογος πινάκων Πίνακας 3.1. Τεχνικά χαρακτηριστικά των πολυφασματικών δορυφόρων που χρησιμοποιήθηκαν στην συγκεκριμένη εργασία Πίνακας 3.2. Κατάλογος των γεωγραφικών δεδομένων που χρησιμοποιήθηκαν στην παρούσα μελέτη Πίνακας 4.1. Χωρικά και φασματικά χαρακτηριστικά για τις IKONOS ταξινομήσεις ανά εικονοστοιχείο Πίνακας 4.2. Χαρακτηριστικά αντικειμένων χωρισμένα σε τρεις κατηγορίες, ανάλογα με τον τρόπο κατηγοριοποίησης του ecognition Πίνακας 4.3. Τα χαρακτηριστικά που επιλέχθηκαν από την FuzCoC FS (σε επίπεδο εικονοστοιχείου), για την Πάρνηθα και Ρόδο Πίνακας 4.4. Τα χαρακτηριστικά που επιλέχθηκαν από την FuzCoC FS (σε επίπεδο αντικειμένου) για τις δύο περιοχές μελέτης (Πάρνηθα και Ρόδο). Περισσότερες πληροφορίες σχετικά με την περιγραφή των χαρακτηριστικών μπορούν να αναζητηθούν στο εγχειρίδιο του λογισμικού ecognition Πίνακας 4.5. Οι SVM παράμετροι που επιλέχθηκαν για κάθε σύνολο δεδομένων (Dataset) Πίνακας 4.6. Στατιστικά μέτρα ακρίβειας για τις SVM pixel-based ταξινομήσεις (Πάρνηθα) Πίνακας 4.7. Στατιστικά μέτρα ακρίβειας για τις SVM object-based ταξινομήσεις (Πάρνηθα) Πίνακας 4.8. Στατιστικά μέτρα ακρίβειας για τις SVM pixel-based ταξινομήσεις (Ρόδος) Πίνακας 4.9. Στατιστικά μέτρα ακριβείας για την περίπτωση των object-based Πίνακας 5.1.Η λίστα των δορυφορικών μεταβλητών που χρησιμοποιήθηκαν στην RDA Πίνακας 5.2.Λίστα των τοπογραφικών μεταβλητών που χρησιμοποιήθηκαν στην RDA. 155 Πίνακας 5.3. Ανάλυση πλεονασμού: συσχετισμός των περιβαλλοντικών μεταβλητών με τους τρεις πρώτους άξονες ταξιθέτησης, οι οποίοι εκπροσωπούνται από τις βαθμολογίες των δειγμάτων που προέρχονται από τις περιβαλλοντικές μεταβλητές

17 Πίνακας 5.4. Ανάλυση πλεονασμού: συσχετισμός των δορυφορικών μεταβλητών με τους τρεις πρώτους άξονες ταξιθέτησης Πίνακας 6.1. Σχήματα Ταξινόμησης Πίνακας 6.2. Οι δείκτες τοπίου που χρησιμοποιήθηκαν για να ποσοτικοποιήσουμε τη σφοδρότητα καύσης Πίνακας 6.3. Στατιστικά μέτρα ακρίβειας για τον χάρτη σφοδρότητας καύσης του Πίνακας 6.4. Στατιστικά μέτρα ακρίβειας για τον χάρτη σφοδρότητας καύσης του Πίνακας 6.5. Στατιστικά μέτρα ακρίβειας για τον χάρτη σφοδρότητας καύσης του Πίνακας 6.6. Αλλαγές στη σφοδρότητας καύσης την περίοδο Οι αλλαγές εκφράζονται ως ποσοστό των τιμών της αρχικής κατάστασης και προέκυψαν από την εφαρμογή της μεθόδου PCC Πίνακας 6.7. Αλλαγές στη σφοδρότητας καύσης την περίοδο Οι αλλαγές εκφράζονται ως ποσοστό των τιμών της αρχικής κατάστασης και προέκυψαν από την εφαρμογή της μεθόδου PCC Πίνακας 6.8. Οι δείκτες σύνθεσης των τοπίων σφοδρότητας καύσης για τα έτη 2011, 2012 και (Οι συντμήσεις των δεικτών παρουσιάζονται στον Πίνακα 6)

18 Κ Ε Φ Α Λ Α Ι Ο 1 Εισαγωγή Εισαγωγή 1.1 Χαρτογράφηση των καμένων εκτάσεων 1.2 Η εκτίμηση των επιπτώσεων των δασικών πυρκαγιών-burn Severity 1.3 Η μελέτη των διαχρονικών μεταβολών που παρατηρούνται στο τοπίο. 1.4 Σκοπός και επιμέρους στόχοι 1.5 Συμβολή της διδακτορικής διατριβής 1.6 Δομή παρουσίασης της διατριβής 1.7 Βιβλιογραφικές αναφορές Τα δάση διαδραματίζουν ουσιώδη και καθοριστικό ρόλο στη διατήρηση της βιοποικιλότητας και τη ρύθμιση του κλίματος σε παγκόσμιο επίπεδο [1]. Φιλοξενούν πάνω από τα μισά είδη χλωρίδας και πανίδας που έχουν καταγραφεί παγκοσμίως και αποτελούν σημαντική πηγή πολλών αγαθών και οικολογικών υπηρεσιών. Οι ισχυρές πιέσεις που ασκούνται σε αυτά τα τελευταία χρόνια, κυρίως λόγω της κλιματικής αλλαγής αλλά και λόγω μιας σειράς άλλων φυσικών και ανθρωπογενών κινδύνων (π.χ. πυρκαγιές, ρύπανση, λαθροϋλοτομίες), είχαν ως αποτέλεσμα τη σημαντική διατάραξη της ισορροπίας τους αλλά και την απειλή της βιωσιμότητα τους [1]. Λόγω της ιδιαίτερης οικολογικής και οικονομικής τους σημασίας αποτέλεσαν στο παρελθόν και θα εξακολουθούν να α- ποτελούν και στο μέλλον, σημαντικό αντικείμενο παρακολούθησης και έρευνας [2]. Μεταξύ των διαφόρων κινδύνων που απειλούν τα δασικά οικοσυστήματα, οι δασικές πυρκαγιές κατατάσσονται ανάμεσα στους σημαντικότερους. Ειδικά για την περιοχή της Μεσογείου, ο κίνδυνος των δασικών πυρκαγιών έχει αυξηθεί σημαντικά τις τελευταίες δεκαετίες, ενώ αναμένεται να αυξηθεί ακόμη περισσότερο τα επόμενα χρόνια [3-5]. Ά- μεσο επακόλουθο της αυξημένης έντασης και συχνότητας του φαινομένου στην λεκάνη της Μεσογείου, είναι οι δραματικές αλλαγές στο τοπίο καθώς και οι τεράστιες επιπτώσεις στην οικονομική και κοινωνική ευημερία της περιοχής [6]. 18

19 Κεφάλαιο 1 Προκειμένου να αντιμετωπιστεί το συγκεκριμένο πρόβλημα καθώς και οι τεράστιες αρνητικές επιπτώσεις που απορρέουν από αυτό, κρίνεται αναγκαία η ενίσχυση των ήδη υπαρχόντων πολιτικών που αποσκοπούν στην αειφορική διαχείριση, προστασία και α- νάπτυξη των δασικών οικοσυστημάτων [7]. Η αποτελεσματική χάραξη πολιτικής αλλά και η λήψη αποφάσεων αναφορικά με το συγκεκριμένο ζήτημα, στηρίζονται σημαντικά στην ύπαρξη λεπτομερούς και ακριβούς πληροφορίας αναφορικά με τις επιπτώσεις των δασικών πυρκαγιών στα δασικά οικοσυστήματα αλλά και της αντίδρασής που αυτά επιδεικνύουν μετά στο καταστροφικό συμβάν [8-9]. Αυτό σημαίνει ότι είναι απαραίτητο να παραχθεί, σε όλο το εύρος των δυνατοτήτων, όλη η απαραίτητη πληροφορία, προκειμένου οι εμπλεκόμενοι φορείς να αναπτύξουν ένα ολοκληρωμένο σχέδιο πρόληψης, προστασίας αλλά και αποκατάστασης από τις φωτιές. Την τελευταία δεκαετία η ανάπτυξη των δορυφορικών συστημάτων, των μεθόδων χαρτογράφησης που χρησιμοποιούνται στο πεδίο ανάλυσης των δορυφορικών εικόνων καθώς η μεγάλη διαθεσιμότητα εικόνων υψηλής χωρικής διακριτικής ικανότητα, έχει δώσει νέα ώθηση στην έρευνα που σχετίζεται με την επίλυση προβλημάτων που αφορούν την προστασία, παρακολούθηση και διαχείριση των δασών [10]. Η συμβολή των νέων εξελιγμένων τεχνικών ανάλυσης εικόνας στην επίλυση του προβλήματος της αποτελεσματικής, ποιοτικής και ακριβούς πληροφορίας των βραχυπρόθεσμων επιπτώσεων που απορρέουν μετά τις φωτιές είναι το κεντρικό θέμα της εν λόγω διατριβής. 1.1 Χαρτογράφηση των καμένων εκτάσεων Η ύπαρξη ακριβούς χωρικής πληροφορίας, αναφορικά με την θέση, την έκταση αλλά και το είδος της πυρκαγιάς, συμβάλλει σημαντικά στην επιτυχημένη εφαρμογή των μεταπυρικών μέτρων προστασίας [11-12]. Τις τελευταίες δεκαετίες η χρήση της τηλεπισκόπησης στο συγκεκριμένο πεδίο εφαρμογής έχει οδηγήσει την παραγωγή ενός μεγάλου όγκου θεματικών χαρτών διάφορης κλίμακας και θεματικής ακρίβειας. Παρόλα, αυτά η ανάγκη για περαιτέρω βελτίωση της ακρίβειας της παραγόμενης πληροφορίας εξακολουθεί να υπάρχει και να αποτελεί σημαντικό πεδίο έρευνας της τηλεπισκόπησης και των εφαρμογών της [10]. 19

20 Κεφάλαιο 1 Τα τελευταία χρόνια η συνδυαστική χρήση των εικόνων μέσης και πολύ υψηλής χωρικής διακριτικής ικανότητας (π.χ. Landsat (30m) IKONOS (4m), GeoEye (2m)) με εξελιγμένες τεχνικές ταξινόμησης, όπως είναι για παράδειγμα τα νευρωνικά δίκτυα (Neural Networks) [13], οι ασαφείς νευρωνικοί ταξινομητές Neuro-Fuzzy techniques [14], οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines-SVM) [15-17], και η αντικειμενοστραφής ανάλυση εικόνας (Object Based Image Analysis - OBIA) [18-19], έχει οδηγήσει στην παραγωγή θεματικών χαρτών καμένων εκτάσεων, αρκετά υψηλής χωρικής ακρίβειας. Παρόλα αυτά, οι τελευταίες εξελίξεις στο ευρύτερο πεδίο της ταξινόμησης, δείχνουν ότι υπάρχουν αρκετά περιθώρια περαιτέρω βελτίωσης της αξιοπιστίας των παραγόμενων θεματικών χαρτών χρήσης/κάλυψης γης. Η αύξηση της ακρίβειας των χαρτών μπορεί να πραγματοποιηθεί μέσω του εμπλουτισμού της πληροφορίας των αρχικών καναλιών της εικόνας με επιπρόσθετη πληροφορία που προέρχεται από χαρακτηριστικά ανώτερης τάξης (π.χ. χαρακτηριστικά υφής - texture features ή χωρικούς δείκτες - spatial indicators)[20]. Ειδικά για το πρόβλημα της ταξινόμησης των καμένων εκτάσεων η χρήση επιπρόσθετης πληροφορίας έχει μελετηθεί σε περιορισμένο βαθμό στις εργασίες [21-22]. Στις συγκεκριμένες περιπτώσεις ένας πολύ μικρός αριθμός επιπλέον χαρακτηριστικών, και πιο συγκεκριμένα οι μετασχηματισμοί υφής και κάποιοι δείκτες Vis, χρησιμοποιήθηκαν προκειμένου να διευκολυνθεί ο διαχωρισμός της καμένης έκτασης, από όλες τις υπόλοιπες κλάσεις του προβλήματος. Έτσι λοιπόν αν και υπάρχουν μελέτες που έχουν ασχοληθεί με τη χρήση της επιπρόσθετης πληροφορίας στο συγκεκριμένο πρόβλημα, εντούτοις το κενό που υπάρχει στη βιβλιογραφία, αναφορικά με το συγκεκριμένο ζήτημα, είναι ιδιαίτερα μεγάλο. Μετά από εκτενή επισκόπηση της βιβλιογραφίας διαπιστώθηκε η ύπαρξη σημαντικού ερευνητικού κενού αναφορικά με το αν και σε ποιο βαθμό μπορεί η χρήση χαρακτηριστικών ανώτερης τάξης να βελτιώσει την ακρίβεια των θεματικών χαρτών καμένης έ- κτασης που παράγονται μέσω των δορυφορικών εικόνων. Τέλος, αξίζει να σημειωθεί ότι επι του παρόντος, ειδικά για το πρόβλημα ταξινόμησης καμένων εκτάσεων, δεν υπάρχει καμία εργασία που να έχει μελετήσει τη συνδυαστική χρήση χαρακτηριστικών ανώτερης τάξης και εξελιγμένων τεχνικών ανάλυσης εικόνας. 20

21 Κεφάλαιο Η εκτίμηση των επιπτώσεων των δασικών πυρκαγιών Συνήθως, η ένταση με την οποία πλήττει μια πυρκαγιά το τοπίο είναι μεταβαλλόμενη και εξαρτάται από την επίδραση μιας σειράς παραγόντων, όπως είναι η τοπογραφία, οι κλιματικές συνθήκες και το είδος της βλάστησης [23]. Οι διαφορετικές συνθήκες που επικρατούν σε μια περιοχή δρουν ως παράγοντες μεταβολής της έντασης της φωτιάς, είτε ενισχυτικά είτε ανασταλτικά, με αποτέλεσμα τη δημιουργία μετά το πέρας της φωτιάς ενός χωρικά πολύπλοκου μωσαϊκού από χωροψηφίδες, που χαρακτηρίζονται από διαφορετικό βαθμό σφοδρότητας καύσης (burn severity) [24]. Σύμφωνα με τα αποτελέσματα διαφόρων ερευνών η χωρική ανομοιομορφία ή ετερογένεια της σφοδρότητας καύσης (burn severity), θεωρείται ως ένας από τους σημαντικότερους παράγοντες που καθορίζουν τη μεταπυρική αντίδραση της βλάστησης και τη σύνθεση των ειδών [25]. Πιο συγκεκριμένα ως σφοδρότητα καύσης περιγράφεται ο βαθμός περιβαλλοντικής μεταβολής που συντελείται μετά από μια πυρκαγιά [26-27]. Η συγκεκριμένη μεταβολή που επέρχεται λόγω της επίδραση της φωτιάς, εκτιμάται συνήθως με μετρήσεις πεδίου, οι οποίες όμως είναι ιδιαίτερα χρονοβόρες και δαπανηρές. Η καταγραφή των επιπτώσεων της φωτιάς πραγματοποιείται συνήθως με οπτική παρατήρηση στο πεδίο, ενώ η ποσοτικοποίηση αυτών γίνεται με το Σύνθετο Δείκτη Καύσης (Composite Burn Index CBI) [28]. Σύμφωνα με διάφορες μελέτες [29-31] η χαρτογράφηση της σφοδρότητας καύσης σε μεγάλης έκτασης πυρκαγιές απαιτεί τη συνδυαστική χρήση μετρήσεων πεδίου CBI και μεθόδων δορυφορικής τηλεπισκόπησης. Ο συγκεκριμένος τομέας εφαρμογών έχει ενισχυθεί σημαντικά τις τελευταίες δεκαετίες, από τις αλματώδεις τεχνολογικές εξελίξεις στον τομέα της δορυφορικής τηλεπισκόπησης. Η σφοδρότητα της καύσης χαρτογραφείται συνήθως με τη χρήση, δεικτών βλάστησης (vegetation indices), μετασχηματισμών εικόνας (image transformations), ταξινόμηση εικόνας (image classifications), μοντέλα διάδοσης ακτινοβολίας (radiative transfer models), τεχνικές προσομοίωσης (simulation techniques), φασματική ανάλυση μείγματος (spectral mixture analysis) και διαφόρων τύπων δορυφορικές εικόνες [25]. Οι πιο συνηθισμένοι δείκτες που χρησιμοποιούνται για Οι χωροψηφίδες είναι επιφάνειες που διαφέρουν από τις αντίστοιχες επιφάνειες που τις περιβάλλουν. Ο όρος αναλύεται διεξοδικά στο κεφάλαιο της βιβλιογραφικής ανασκόπησης. 21

22 Κεφάλαιο 1 στην εκτίμηση της σφοδρότητας καύσης είναι οι δείκτες NBR (Normalized Burn Ratio) και dnbr (delta Normalized Burn Ratio) [27], οι οποίοι υπολογίζονται μέσω των δορυφορικών εικόνων, μέσης χωρικής διακριτικής ικανότητας, Landsat (30m). Ειδικότερα ο δείκτης NBR υπολογίζεται από την εξίσωση: NBR = (Κανάλι 4 -Κανάλι 7) / (Κανάλι 4 + Κανάλι 7) Όπου: το Κανάλι 4 με φασματικό εύρος από 0.76 έως 0.90 μm (κοντινό υπέρυθρο), τo Κανάλι 7 με φασματικό εύρος από 2.08 ως 2.35 μm (μέσο υπέρυθρο). Αντίστοιχα ο δείκτης dnbr απαιτεί για τον υπολογισμό του την παραγωγή του δείκτη NBR πριν και μετά τη φωτιά (pre-fire NBR και post-fire NBR). Από τη διαφορά των δυο προηγούμενων δεικτών (dnbr = pre-fire NBR - post-fire NBR) υπολογίζεται εν τέλει δείκτης (dnbr) [27]. Οι δύο δείκτες προαναφέρθηκαν οδηγούν στην παραγωγή θεματικών χαρτών μέσης χωρικής διακριτικής ικανότητας, οι οποίοι παρέχουν πολύ σημαντική πληροφορία για τη σφοδρότητα καύσης με την οποία πλήττει μια δασική πυρκαγιά μια περιοχή, ωστόσο δεν καλύπτουν την ανάγκη που υπάρχει για πληροφορία σε τοπικό ε- πίπεδο. Στις μέρες μας η παραγωγή θεματικών χαρτών σφοδρότητας καύσης πολύ υψηλής ακρίβειας μπορεί να επιτευχθεί, συνδυάζοντας εικόνες υψηλής χωρικής διακριτικής ικανότητας. Εντούτοις, μετά από εκτενή ανασκόπηση της βιβλιογραφίας διαπιστώθηκε οι υπάρχουν ελάχιστες μελέτες [18, 30]που να έχουν ασχοληθεί με την βελτίωση της ακρίβειας αλλά και της χωρικής ανάλυσης των θεματικών χαρτών σφοδρότητας καύσης κυρίως μέσω της συνδυαστικής χρήσης εικόνων VHR και εξελιγμένων τεχνικών ανάλυσης εικόνας, όπως είναι για παράδειγμα η Object-Based Image Analysis (OBIA). Προκειμένου λοιπόν να παραχθεί λεπτομερής και αξιόπιστη πληροφορία, που θα βοηθήσει στην κατανόηση των μεταπυρικών επιπτώσεων στη βιοποικιλότητα αλλά και στην οικολογική συνοχή των οικοσυστημάτων [7, 32], απαιτείται η διερεύνηση και ανάπτυξη νέων μεθοδολογιών χαρτογράφησης που θα βασίζονται σε VHR δορυφορικά δεδομένα. 22

23 Κεφάλαιο Η μελέτη των διαχρονικών μεταβολών που παρατηρούνται στο μεταπυρικό περιβάλλον Η καλή γνώση της διαχρονική μεταβολής της σφοδρότητας καύσης (burn severity) αποτελεί βασικό στοιχείο για την εκτίμηση και πρόβλεψη των οικολογικών συνθηκών, που επικρατούν μετά από τη φωτιά [33]. Στις μέρες μας αποτελεί σημαντική πρόκληση η χαρτογράφηση αλλά και η παρακολούθηση των αλλαγών της πολυπλοκότητας των χωρικών προτύπων της σφοδρότητας καύσης (burn severity)[34]. Σύμφωνα με τη Διεθνή Οργάνωση Τροφίμων και Γεωργίας (Food Agriculture Organization-FAO) [35], απαιτείται περαιτέρω έρευνα και μελέτη για να κατανοηθεί πως αλληλοσχετίζονται αλλά και πως αλληλοεπιδρούν, οι χωρικοί και χρονικοί παράγοντες που διέπουν τις οικολογικές επιπτώσεις μετά τη φωτιά. Τις τελευταίες δεκαετίες έχουν διεξαχθεί κάποιες μελέτες, οι οποίες εξετάζουν τη διαχρονική τάση μεταβολής που παρουσιάζουν οι διαφορετικοί βαθμοί σφοδρότητας καύσης στο τοπίο [36-38]. Για να το πετύχουν αυτό χρησιμοποιούν τα αντίστοιχα χαρτογραφικά προϊόντα, δείκτες τοπίου (landscape metrics) αλλά και μεθόδους ανίχνευσης αλλαγών (change detection methods), όπως είναι η Μεταταξινομική μέθοδος σύγκρισης (Post Classification Comparison - PCC) [36-38]. Σε αυτό το σημείο αξίζει να αναφερθεί ότι μέχρι στιγμής δεν έχει υπάρχει καμία μελέτη που να εξετάζει διαχρονικά τις μεταβολές της σφοδρότητας καύσης σε τοπικό επίπεδο. Το υψηλό κόστος των μετρήσεων πεδίου αλλά και των δορυφορικών εικόνων που απαιτούνται είναι παράγοντες που επι του παρόντος δρουν ανασταλτικά στη διεξαγωγή μια τέτοιου είδους μελέτης. Μέχρι σήμερα, έχουν γίνει λίγες προσπάθειες για την εύρεση του κατάλληλων συνδυασμών δορυφορικών εικόνων και μεθόδων ταξινόμησης, για τη χαρτογράφηση της σφοδρότητας καύσης (burn severity) σε διάφορες χωρικές αλλά και χρονικές κλίμακες [7, 34]. Παρόλα αυτά υπάρχουν σημαντικά κενά στην επιστημονική γνώση, ιδίως όσον αφορά την απόδοση που παρουσιάζουν οι καθιερωμένοι δείκτες σφοδρότητας καύσης (burn severity) σε προβλήματα ταξινόμησης και παρακολούθησης των τάσεων της σφοδρότητας καύσης. 23

24 Κεφάλαιο Σκοπός και επιμέρους στόχοι Οι οικονομικές, κοινωνικές, οικολογικές και κλιματικές αλλαγές που επιφέρουν οι δασικές πυρκαγιές επιβάλλουν την πρόληψη και αντιμετώπιση τους. Στα πλαίσια αυτά απαιτείται η ανάπτυξη ενός ολοκληρωμένου πληροφοριακού συστήματος, που θα βασίζεται σε εξελιγμένες τεχνικές χαρτογράφησης και παρακολούθησης των δασικών εκτάσεων, με σκοπό την απόκτηση, ανάλυση και παρουσίαση της χωρικής πληροφορίας, για την κατανόηση του φαινομένου [10]. Η παρούσα διατριβή εστιάζεται κατά κύριο λόγο στη χαρτογράφηση των καμένων δασικών εκτάσεων και του βαθμού της περιβαλλοντικής αλλαγής που αυτές υφίσταται μετά την καταστροφή, αξιοποιώντας προηγμένες μεθόδους ανάλυσης δορυφορικών εικόνων. Επιμέρους στόχοι της παρούσας διατριβής αποτελούν: Η διερεύνηση και χρήση προηγμένων τεχνικών ανάλυσης δορυφορικών εικόνων και πιο συγκεκριμένα της Αντικειμενοστραφούς Ταξινόμηση-Object Based Classification των Μηχανών Διανυσμάτων Υποστήριξης - Support Vector Machines και της μεθόδου επιλογής χαρακτηριστικών Fuzzy Complementary Criterion, στην χαρτογράφηση πρόσφατα καμένων εκτάσεων. Η σύγκριση των μεθοδολογιών χαρτογράφησης που θα αναπτυχθούν στα πλαίσια της παρούσας εργασίας, με βάση μια σειρά από χαρακτηριστικά (όπως η επαναληψιμότητα, η ακρίβεια χαρτογράφησης και η δυνατότητα επιχειρησιακής εφαρμογής), καθώς και ο προσδιορισμός των πλεονεκτημάτων και μειονεκτημάτων που παρουσιάζουν. Η μελέτη του κατά πόσο και σε ποιο βαθμό η μεταπυρική δυναμική της βλάστησης (έτσι όπως αυτή παρατηρείται από μέσω των GeoEye εικόνων) εξαρτάται από τη σφοδρότητα καύσης). Η διαχρονική (περίοδος αμέσως μετά τη φωτιά μέχρι τρία χρόνια μετά) εκτίμηση της σφοδρότητα καύσης της φωτιάς (ή σφοδρότητα καύσης δριμύτητας της φωτιάς) τόσο στο πεδίο όσο και με τη χρήση των δορυφορικών εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας (VHR) GeoEye. 24

25 Κεφάλαιο 1 Η μελέτη των διαχρονικών διαφοροποιήσεων της σφοδρότητας καύσης και ο συσχετισμός τους με μια σειρά περιβαλλοντικών παραμέτρων. Η έρευνα που σχετίζεται με κάθε ένα από τους συγκεκριμένους στόχους παρουσιάζεται σε διαφορετικά κεφάλαια με τη μορφή μιας δημοσίευσης. Η αντιστοίχιση των στόχων με τις εργασίες που έχουν γίνει αποδεκτές ή που έχουν υποβληθεί προς δημοσίευση σε διεθνή περιοδικά, δίνεται στον παρακάτω πίνακα: 25

26 Κεφάλαιο 1 Στόχοι Η διερεύνηση και χρήση προηγμένων τεχνικών ανάλυσης δορυφορικών εικόνων και πιο συγκεκριμένα της Α- ντικειμενοστραφούς Ταξινόμηση-Object Based Classification των Μηχανών Διανυσμάτων Υποστήριξης - Support Vector Machines και της μεθόδου επιλογής χαρακτηριστικών Fuzzy Complementary Criterion, στην χαρτογράφηση πρόσφατα καμένων εκτάσεων. Η σύγκριση των μεθοδολογιών χαρτογράφησης που θα αναπτυχθούν στα πλαίσια της παρούσας εργασίας, με βάση μια σειρά από χαρακτηριστικά (όπως η επαναληψιμότητα, η ακρίβεια χαρτογράφησης και η δυνατότητα ε- πιχειρησιακής εφαρμογής), καθώς και ο προσδιορισμός των πλεονεκτημάτων και μειονεκτημάτων που παρουσιάζουν. Η μελέτη του κατά πόσο και σε ποιο βαθμό η μεταπυρική δυναμική της βλάστησης (έτσι όπως αυτή παρατηρείται μέσω των δορυφορικών εικόνων GeoEye) εξαρτάται από τη σφοδρότητα καύσης. Η διαχρονική (περίοδος αμέσως μετά τη φωτιά μέχρι τρία χρόνια μετά)εκτίμηση της δριμύτητας της φωτιάς (ή σφοδρότητα καύσης) τόσο στο πεδίο όσο και με τη χρήση των δορυφορικών εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας (VHR) GeoEye. Η μελέτη των διαχρονικών διαφοροποιήσεων της σφοδρότητας καύσης και ο συσχετισμός τους με μια σειρά περιβαλλοντικών παραμέτρων Αντίστοιχη Δημοσίευση Dragozi, E.; Gitas, I.Z.; Stavrakoudis, D.G.; Theocharis, J.B. Burned Area Mapping Using Support Vector Machines and the FuzCoC Feature Selection Method on VHR IKONOS Imagery. Remote Sens. 2014, 6, (Δημοσιεύτηκε στο περιοδικό Remote Sensing MDPI με συντελεστή απήχηση: 3,180) Dragozi, E.; Gitas, I.Z.; Stavrakoudis, D.G.; Sofia Bajocco. Exploring the Relationship between Burn Severity Field Data and Very High Resolution Geo- Eye Images (Δημοσιεύτηκε στο περιοδικό Remote Sensing MDPI με συντελεστή απήχηση: 3,180) Dragozi, E.; Gitas, I.Z.; Stavrakoudis, D.G.; Sofia Bajocco. Monitoring Evolution in Burn Severity using Composite Burned Index (CBI) and Geo- Eye imagery (Υπο κρίση στο περιοδικό Remote Sensing MDPI με συντελεστή απήχηση: 3,180) 26

27 Κεφάλαιο Συμβολή της διδακτορικής διατριβής Στην παρούσα διατριβή αναπτύσσονται μεθοδολογίες χαρτογράφησης των καμένων δασικών εκτάσεων και του βαθμού της περιβαλλοντικής αλλαγής που αυτές υφίστανται μετά την καταστροφή, με κυρίαρχο σκοπό την παραγωγή λεπτομερούς και ακριβούς πληροφορίας σε τοπικό επίπεδο. Αναφορικά με την ανάπτυξη νέων μοντέλων ταξινόμησης για τη χαρτογράφηση των καμένων εκτάσεων, η συμβολή της διδακτορική διατριβής εντοπίζεται στα εξής σημεία: Ανάπτυξη νέων καινοτόμων μεθοδολογιών χαρτογράφησης καμένων εκτάσεων για την παραγωγή θεματικών χαρτών υψηλής ακρίβειας και αξιοπιστίας. Εξετάζεται για πρώτη φορά η χρήση των συγκεκριμένων τεχνικών και μεθόδων (της Αντικειμενοστραφούς Ταξινόμηση-Object Based Classification των Μηχανών Διανυσμάτων Υποστήριξης - Support Vector Machines και της μεθόδου ε- πιλογής χαρακτηριστικών Fuzzy Complementary Criterion) στην χαρτογράφηση καμένων εκτάσεων. Προτείνεται η χρήση των χαρακτηριστικών ανώτερης τάξης μαζί με μια σχετικά νέα μέθοδο επιλογής χαρακτηριστικών (EX) για τη βελτίωση της ακρίβειας και της ποιότητας των χαρτογραφικών προϊόντων. Η προτεινόμενη μεθοδολογία χαρτογράφησης καμένων εκτάσεων που βασίζεται στην Αντικειμενοστραφή Ταξινόμηση (Object Based Classification-ΟΒΙΑ), στις Μηχανών Διανυσμάτων Υποστήριξης (Support Vector Machines-SVM) και στη μέθοδο επιλογής χαρακτηριστικών Fuzzy Complementary Criterion (FuzCoC) συνιστά μια καινοτόμα προσέγγιση, που πληροί σε μεγάλο βαθμό τα κριτήρια που απαιτούνται για χρήση σε επιχειρησιακή βάση. Πρέπει να σημειωθεί ότι επι του παρόντος υπάρχουν πολλοί περιορισμοί. Αναφορικά με το δεύτερο ερευνητικό ερώτημα που τέθηκε στην εν λόγω εργασία και το οποίο αφορά το κατά πόσο η μεταπυρική δυναμική της βλάστησης (έτσι όπως αυτή παρατηρείται από μέσω των GeoEye εικόνων) εξαρτάται από τη σφοδρότητα καύσης, η συμβολή της παρούσας διδακτορικής διατριβής εντοπίζεται σα παρακάτω σημεία: 27

28 Κεφάλαιο 1 Διερευνάται για πρώτη φορά εάν και κατά πόσο οι τοπογραφικές συνθήκες και η σφοδρότητα καύσης που μετράται στο πεδίο (δείκτης περιβαλλοντικής αλλαγής ή σφοδρότητας καύσης Composite Burned Index (CBI)) μπορούν να χρησιμοποιηθούν για να εξηγηθεί η μεταπυρική ανάκαμψη της βλάστησης που υπολογίζεται μέσω των VHR. Τέλος, αναφορικά με την ανάπτυξη μοντέλων ταξινόμησης για τη διαχρονική εκτίμηση της σφοδρότητας καύσης, αλλά και την συσχέτιση των διαχρονικών διαφοροποιήσεων που αυτή παρουσιάζει με μια σειρά από περιβαλλοντικές παραμέτρους, η συμβολή της διδακτορική διατριβής εντοπίζεται στα εξής σημεία: Εξετάζεται για πρώτη φορά το πώς η διαφορετική χρονική στιγμή εκτίμησης του δείκτη περιβαλλοντικής αλλαγής CBI, μπορεί να επηρεάσει την ακρίβεια της χαρτογράφησης, που πραγματοποιείται μέσω των VHR GeoEye δορυφορικών δεδομένων. Συμβάλλει στη μελέτη και κατανόηση της διαχρονικής αντίδρασης ενός οικοσυστήματος στο διαφορετικό βαθμό σοβαρότητας καύσης που εντοπίζεται κατά θέση, εντός της ίδια περιοχής μελέτης. 1.6 Δομή της διατριβής Η διατριβή είναι χωρισμένη σε εφτά κεφάλαια, συμπεριλαμβανομένου και του παρόντος εισαγωγικού κεφαλαίου. Στο Κεφάλαιο 2 παρουσιάζεται και αναλύεται το πρόβλημα χαρτογράφησης και μελέτης των δασικών πυρκαγιών. Αρχικά περιγράφεται το πρόβλημα των δασικών πυρκαγιών στη Μεσόγειο, αλλά και στην Ελλάδα ειδικότερα. Έπειτα, ακολουθεί μια σύντομη επισκόπηση των αισθητήρων και των μεθόδων που χρησιμοποιούνται για τη χαρτογράφηση και εκτίμηση των βραχυπρόθεσμων επιπτώσεων των δασικών πυρκαγιών. Στη συνέχεια ακολουθεί η ανάλυση της έννοια του τοπίου καθώς και των συστατικών στοιχείων από τα οποία αποτελείται. Επιπρόσθετα, παρουσιάζονται οι παράγοντες που διαμορφώνουν την εξέλιξη του, δίνοντας έμφαση στις δασικές πυρκαγιές. Τέλος, παρουσιάζονται 28

29 Κεφάλαιο 1 οι τεχνικές ανάλυσης που χρησιμοποιήθηκαν για τη διαχρονική ανάλυση του μεταπυρικού τοπίου. Στο Κεφάλαιο 3 παρουσιάζονται οι περιοχές μελέτης που χρησιμοποιήθηκαν για την εφαρμογή των μεθοδολογιών που αναπτύχθηκαν στα πλαίσια της παρούσας εργασίας. Στο Κεφάλαιο 4 προτείνονται διάφορες μεθοδολογίες για τη χαρτογράφηση καμένων εκτάσεων με τη χρήση δορυφορικών εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας. Αρχικά, παρουσιάζονται τα βασικά χαρακτηριστικά του προβλήματος της τηλεπισκόπησης, καθώς και η αναγκαιότητα της ταξινόμησης στο συγκεκριμένο πεδίο. Στη συνέχεια, περιγράφονται οι πρωταρχικές πηγές πληροφορίας του προβλήματος, καθώς και οι πιο διαδεδομένοι μετασχηματισμοί χαρακτηριστικών ανώτερης τάξης. Επιπλέον, παρουσιάζονται οι διάφορες τεχνικές προεπεξεργασίας των δεδομένων που απαιτούνται καθώς και τα μοντέλα ταξινόμησης που αναπτύχθηκαν για την χαρτογράφηση των καμένων εκτάσεων, ακολουθούμενα από τη λεπτομερή περιγραφή του αλγορίθμου εκπαίδευσης και της μεθόδου ΕΧ. Στη συνέχεια παρέχονται τα παραδείγματα εφαρμογής των προτεινόμενων μεθοδολογιών σε δυο περιοχές μελέτης, προκειμένου να αναδειχθεί εποπτικά ο τρόπος λειτουργίας των επιμέρους διαδικασιών που εφαρμόζονται. Τέλος, παρουσιάζονται τα αναλυτικά αποτελέσματα της σύγκρισης μεταξύ των προτεινόμενων συστημάτων ταξινόμησης. Το Κεφάλαιο 5 παρουσιάζει τη στατιστική ανάλυση που διεξήχθη προκειμένου να διερευνηθεί αν η τοπογραφία και η μετρούμενη στο πεδίο σφοδρότητα καύσης μπορούν να εξηγήσουν τη μεταπυρική δυναμική της βλάστησης που υπολογίζεται από τα δορυφορικά δεδομένα GeoEye. Αρχικά παρουσιάζονται τα ιδιαίτερα χαρακτηριστικά του βασικού προβλήματος καθώς και η αναγκαιότητα επίλυσης του. Έπειτα παρουσιάζεται όλη διαδικασία που ακολουθήθηκε για τη συλλογή και επεξεργασία των δεδομένων πεδίου. Στη συνέχεια παρουσιάζεται η στατιστική ανάλυση καθώς και τα πειραματικά αποτελέσματα της διαδικασίας. Τέλος παρουσιάζονται τα συμπεράσματα και η μελλοντικές επεκτάσεις της συγκεκριμένης μελέτης. Στο Κεφάλαιο 6 προτείνεται μια μεθοδολογία για τη διαχρονική εκτίμηση της σφοδρότητας καύσης μέσω εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας. Αρχικά περιγράφονται η διαδικασία λήψης δεδομένων πεδίου και η διαμόρφωση του σχήματος 29

30 Κεφάλαιο 1 ταξινόμησης, καθώς και όλες οι διαδικασίες προεπεξεργασίας των δεδομένων που εφαρμόστηκαν. Η μεθοδολογία που αναπτύχθηκε εφαρμόστηκε στο πρόβλημα εκτίμησης της σφοδρότητας καύσης στην περιοχή του Έβρου. Έπειτα, τα αποτελέσματα που προέκυψαν από αυτή τη διαδικασία αναλύθηκαν περαιτέρω μέσω της μεθόδου μεταταξινομικής σύγκρισης και των δεικτών ανάλυσης του τοπίου. Στο τέλος του κεφαλαίου παρατίθενται τα συμπεράσματα καθώς και τα αντικείμενα για μελλοντική έρευνα. Στο Κεφάλαιο 7 παρουσιάζονται συνολικά τα συμπεράσματα και η συμβολή της διατριβής στα υπό διερεύνηση γνωστικά αντικείμενα. Επίσης, προτείνονται δυνατότητες επέκτασής των ευρημάτων της παρούσας εργασίας, τα οποία θα μπορούσαν να αποτελέσουν αντικείμενο για μελλοντική έρευνα. 1.7 Βιβλιογραφικές αναφορές 1. Anderson Teixeira, K. J.; Davies, S. J.; Bennett, A. C.; Gonzalez Akre, E. B.; Muller Landau, H. C.; Joseph Wright, S.; Abu Salim, K.; Almeyda Zambrano, A. M.; Alonso, A.; Baltzer, J. L., CTFS ForestGEO: a worldwide network monitoring forests in an era of global change. Global change biology 2015, 21 (2), Μαλλίνης, Γ. Αξιολόγηση της δυνατότητας χρησιμοποίησης δορυφορικών δεδομένων πολύ υψηλής ευκρίνειας και γεωγραφικών συστημάτων πληροφοριών στα πλαίσια σύνταξης του δασολογίου San-Miguel-Ayanz, J.; Moreno, J. M.; Camia, A., Analysis of large fires in European Mediterranean landscapes: lessons learned and perspectives. Forest Ecology and Management 2013, 294, Europe, F.; Madrid, L. U. State of Europe s Forests 2015; Moreira, F.; Viedma, O.; Arianoutsou, M.; Curt, T.; Koutsias, N.; Rigolot, E.; Barbati, A.; Corona, P.; Vaz, P.; Xanthopoulos, G., Landscape wildfire interactions in southern Europe: implications for landscape management. Journal of environmental management 2011, 92 (10), Byrot, Y. Η Ζωή μας με τις Δασικές Πυρκαγιές.Η Άποψη της Επιστήμης.; European Forest Institute: Φιλανδία, Lentile, L. B.; Holden, Z. A.; Smith, A. M.; Falkowski, M. J.; Hudak, A. T.; Morgan, P.; Lewis, S. A.; Gessler, P. E.; Benson, N. C., Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire 2006, 15 (3), Gouveia, C.; DaCamara, C.; Trigo, R., Post-fire vegetation recovery in Portugal based on spot/vegetation data. Natural Hazards and Earth System Science 2010, 10 (4), Chen, X.; Vogelmann, J. E.; Rollins, M.; Ohlen, D.; Key, C. H.; Yang, L.; Huang, C.; Shi, H., Detecting post-fire burn severity and vegetation recovery using multitemporal remote sensing 30

31 Κεφάλαιο 1 spectral indices and field-collected composite burn index data in a ponderosa pine forest. International Journal of Remote Sensing 2011, 32 (23), Καρτέρης, Μ.; Μαλλίνης, Γ.; Κούτσιας, Ν. In Εφαρμογές δορυφορικών δεδομένων υψηλής και πολύ υψηλής ευκρίνειας στη χαρτογράφηση καμένων εκτάσεων., Αποκατάσταση Καμένων Εκτάσεων, Pereira, J.; Chuvieco, E.; Beaudoin, A.; Desbois, N., Remote sensing of burned areas: a review. A review of remote sensing methods for the study of large wildland fires 1997, Gitas, I. Z.; Mitri, G. H.; Ventura, G., Object-based image classification for burned area mapping of Creus Cape, Spain, using NOAA-AVHRR imagery. Remote Sensing of Environment 2004, 92 (3), Pu, R.; Gong, P., Determination of burnt scars using logistic regression and neural network techniques from a single post-fire Landsat 7 ETM+ image. Photogrammetric Engineering & Remote Sensing 2004, 70 (7), Mitrakis, N. E.; Mallinis, G.; Koutsias, N.; Theocharis, J. B., Burned area mapping in Mediterranean environment using medium-resolution multi-spectral data and a neuro-fuzzy classifier. International Journal of Image and Data Fusion 2012, 3 (4), Cao, X.; Chen, J.; Matsushita, B.; Imura, H.; Wang, L., An automatic method for burn scar mapping using support vector machines. International Journal of Remote Sensing 2009, 30 (3), Zammit, O.; Descombes, X.; Zerubia, J., Burnt area mapping using support vector machines. Forest Ecology and Management 2006, 234 (1), S Zammit, O.; Descombes, X.; Zerubia, J. In Assessment of different classification algorithms for burnt land discrimination, Geoscience and Remote Sensing Symposium, IGARSS IEEE International, IEEE: 2007; pp Mitri, G.; Gitas, I., A semi-automated object-oriented model for burned area mapping in the Mediterranean region using Landsat-TM imagery. International Journal of Wildland Fire 2004, 13 (3), Polychronaki, A.; Gitas, I. Z., The development of an operational procedure for burned-area mapping using object-based classification and ASTER imagery. International Journal of Remote Sensing 2010, 31 (4), Moustakidis, S.; Mallinis, G.; Koutsias, N.; Theocharis, J. B.; Petridis, V., SVM-based fuzzy decision trees for classification of high spatial resolution remote sensing images. Geoscience and Remote Sensing, IEEE Transactions on 2012, 50 (1), Smith, A.; Wooster, M.; Powell, A.; Usher, D., Texture based feature extraction: application to burn scar detection in Earth observation satellite sensor imagery. International Journal of Remote Sensing 2002, 23 (8), Alonso-Benito, A.; Hernandez-Leal, P. A.; Gonzalez-Calvo, A.; Arbelo, M.; Barreto, A. In Analysis of different methods for burnt area estimation using remote sensing and ground truth data, Geoscience and Remote Sensing Symposium, IGARSS IEEE International, IEEE: 2008; pp III-828-III Birch, D. S.; Morgan, P.; Kolden, C. A.; Abatzoglou, J. T.; Dillon, G. K.; Hudak, A. T.; Smith, A., Vegetation, topography and daily weather influenced burn severity in central Idaho and western Montana forests. Ecosphere 2015, 6 (1), Keane, R. E.; Agee, J. K.; Fulé, P.; Keeley, J. E.; Key, C.; Kitchen, S. G.; Miller, R.; Schulte, L. A., Ecological effects of large fires on US landscapes: benefit or catastrophe? International Journal of Wildland Fire 2009, 17 (6),

32 Κεφάλαιο Schepers, L.; Haest, B.; Veraverbeke, S.; Spanhove, T.; Vanden Borre, J.; Goossens, R., Burned area detection and burn severity assessment of a heathland fire in belgium using airborne imaging spectroscopy (APEX). Remote Sensing 2014, 6 (3), Chuvieco, E., Earth observation of wildland fires in Mediterranean ecosystems. Springer: Lutes, D. C.; Keane, R. E.; Caratti, J. F.; Key, C. H.; Benson, N. C.; Sutherland, S.; Gangi, L. J., FIREMON: Fire effects monitoring and inventory system Hoscilo, A.; Tansey, K. J.; Page, S. E., Post-fire vegetation response as a proxy to quantify the magnitude of burn severity in tropical peatland. International journal of remote sensing 2013, 34 (2), Rogan, J.; Franklin, J., Mapping wildfire burn severity in southern California forests and shrublands using Enhanced Thematic Mapper imagery. Geocarto International 2001, 16 (4), Mitri, G. H.; Gitas, I. Z., Mapping the severity of fire using object-based classification of IKONOS imagery. International Journal of Wildland Fire 2008, 17 (3), Amato, V. J.; Lightfoot, D.; Stropki, C.; Pease, M., Relationships between tree stand density and burn severity as measured by the Composite Burn Index following a ponderosa pine forest wildfire in the American Southwest. Forest Ecology and Management 2013, 302, Turner, M. G.; Baker, W. L.; Peterson, C. J.; Peet, R. K., Factors influencing succession: lessons from large, infrequent natural disturbances. Ecosystems 1998, 1 (6), Morgan, P.; Keane, R. E.; Dillon, G. K.; Jain, T. B.; Hudak, A. T.; Karau, E. C.; Sikkink, P. G.; Holden, Z. A.; Strand, E. K., Challenges of assessing fire and burn severity using field measures, remote sensing and modelling. International Journal of Wildland Fire 2014, 23 (8), Chu, T.; Guo, X., Remote sensing techniques in monitoring post-fire effects and patterns of forest recovery in Boreal forest regions: A review. Remote Sensing 2013, 6 (1), FAO, Global forest resources assessment Food and Agriculture Organization of the United Nations Roma: Hudak, A. T.; Fairbanks, D. H.; Brockett, B. H., Trends in fire patterns in a southern African savanna under alternative land use practices. Agriculture, ecosystems & environment 2004, 101 (2), Miller, J. D.; Safford, H., Trends in wildfire severity: 1984 to 2010 in the Sierra Nevada, Modoc Plateau, and southern Cascades, California, USA. Fire Ecology 2012, 8 (3), Eidenshink, J. C.; Schwind, B.; Brewer, K.; Zhu, Z.-L.; Quayle, B.; Howard, S. M., A project for monitoring trends in burn severity. Fire ecology 2007, 3 (1), 32

33 Κ Ε Φ Α Λ Α Ι Ο 2 Χαρτογράφηση των καμένων εκτάσεων και παρακολούθηση των αλλαγών που λαμβάνουν χώρα στο Μεσογειακό τοπίο έπειτα από μια σφοδρή δασική πυρκαγιά Χαρτογράφηση των καμένων εκτάσεων εκτίμηση των επιπτώσεων της φωτιάς και παρακολούθηση των αλλαγών που λαμβάνουν χώρα σε ένα Μεσογειακό δασικό τοπίο έπειτα από μια δασική πυρκαγιά. 2.1 Οι δασικές πυρκαγιές στα Μεσογειακά δάση Οι δασικές πυρκαγιές στην Ελλάδα Αποκατάσταση καμένων δασικών εκτάσεων Τα στάδια της μεταπυρικής διαχείρισης 2.2 Τηλεπισκόπηση και πυρκαγιές Η ανάγκη για υψηλής ακρίβειας χαρτογράφηση των βραχυπρόθεσμων επιπτώσεων των πυρκαγιών Επισκόπηση των αισθητήρων και των μεθόδων που χρησιμοποιούνται για τη χαρτογράφηση των βραχυπρόθεσμων επιπτώσεων των πυρκαγιών Πηγές πληροφορίας στην ταξινόμηση πολυφασματικών δορυφορικών εικόνων Μέθοδοι επιλογής των αναγκαίων για τη χαρτογράφηση χαρακτηριστικών ανώτερης τάξης FuzCoC Feature Selection Σύγχρονες τεχνικές ταξινόμησης δορυφορικών εικόνων Ο ταξινομητής SVM σε προβλήματα ταξινόμησης Ταξινόμηση βασισμένη σε αντικείμενα 2.3 Παρακολούθηση του μεταπυρικού περιβάλλοντος με τεχνικές ανάλυσης τοπίου Το τοπίο ως γενική έννοια Η οικολογία τοπίου Συστατικά του τοπίου Σύνθεση και διάρθρωση του τοπίου Παράγοντες εξέλιξης του τοπίου. Επίδραση των δασικών πυρκαγιών Η χρήση της τηλεπισκόπησης στην παρακολούθηση της εξέλιξης του τοπίου Δείκτες ανάλυσης τοπίου Μεταταξινομική σύγκριση Μέθοδος ανάλυσης πλεονασμού- Redundancy analysis 2.4 Σύνοψη Κεφαλαίου 2.5 Βιβλιογραφικές αναφορές Το κεφάλαιο αυτό παρουσιάζει μια εκτενή βιβλιογραφική ανασκόπηση αναφορικά με τους στόχους που πραγματεύεται η παρούσα διδακτορική διατριβή. Πιο συγκεκριμένα το κεφάλαιο αυτό εστιάζει στη χαρτογράφηση των καμένων εκτάσεων και των επιπτώσεων της φωτιάς καθώς και στις μεθόδους που χρησιμοποιούνται για την παρακολούθηση των αλλαγών που λαμβάνουν χώρα στο μεταπυρικό τοπίο. Επισημαίνεται ότι λόγω του τύπου συγγραφής της διατριβής κάποιες πληροφορίες πιθανόν να επαναλαμβάνονται στα επόμενα κεφάλαια.

34 Κεφάλαιο Οι δασικές πυρκαγιές στα Μεσογειακά δάση Οι περισσότερες πυρκαγιές που λαμβάνουν χώρα στην περιοχή της Μεσογείου οφείλονται κυρίως σε ανθρωπογενή (ατυχήματα ή εμπρησμοί) και λιγότερα σε φυσικά αίτια [1]. Σύμφωνα με διάφορες μελέτες [2-3], που έχουν γίνει για την συγκεκριμένη περιοχή (Εικόνα 2.1), πάνω από το 95% των αιτιών έναρξης πυρκαγιών οφείλονται σε ανθρωπογενείς δραστηριότητες. Μια από τις πιο συνηθισμένες αιτίες πυρκαγιάς στην περιοχή της Μεσογείου, είναι η χρήση από τους αγρότες της παραδοσιακής τεχνικής καύσης των φυτικών υπολειμμάτων για την προετοιμασία των αγρών. Επιπλέον, μια ακόμη βασική αιτία είναι οι έντονες αλλαγές, που έχουν λάβει χώρα τις τελευταίες δεκαετίες, σε δημογραφικό επίπεδο, (π.χ. εγκατάλειψη των ορεινών αγροτικών περιοχών) και οι οποίες έ- χουν ως άμεσο επακόλουθο την αύξηση του κινδύνου πυρκαγιάς στις αντίστοιχες περιοχές. Τέλος το γεγονός ότι τα τελευταία χρόνια οι χρηματοδοτικοί πόροι για την αντιπυρική προστασία είναι πεπερασμένοι, έχει οδηγήσει στην ελλιπή διαχείριση και συσσώρευση καύσιμης ύλης εντός των δασών και δασικών εκτάσεων και συνεπώς στην αύξηση του κινδύνου πυρκαγιάς [4]. Προκειμένου να αντιμετωπιστεί το πρόβλημα των δασικών πυρκαγιών, από το 1992 και μετά ο κανονισμός της ΕΟΚ 2158/92, που μετά συμπληρώθηκε με τον ΕΚ 804/94, υποχρεώνει τις χώρες τις Μεσογείου να συγκεντρώνουν και να καταγράφουν πληροφορίες αναφορικά με τις δασικές πυρκαγιές. Οι πληροφορίες αυτές υποβάλλονται κάθε χρονιά από κάθε χώρα στην Ευρωπαϊκή Επιτροπή. Αυτές οι πληροφορίες αλλά και άλλες συλλέγονται και αναλύονται από το Ευρωπαϊκό Σύστημα Πληροφόρησης για τις δασικές πυρκαγιές (EFFIS). Το σύστημα αυτό ιδρύθηκε το 2000 και δημιουργήθηκε ακριβώς για να παρακολουθεί και να αναλύει το φαινόμενο των δασικών πυρκαγιών, τόσο στη λεκάνη της Μεσογείου όσο και στο ευρύτερο Ευρωπαϊκό επίπεδο. 34

35 Κεφάλαιο 2 Εικόνα 2.1. Ο χάρτης με τις περιοχές που χαρακτηρίζονται από Μεσογειακού τύπου κλίμα (κόκκινες περιοχές)(πηγή: Οι δασικές πυρκαγιές στην Ελλάδα Οι δασικές πυρκαγιές αποτελούν ένα φαινόμενο το οποίο ταλανίζει πολλές χώρες της Μεσογείου, μεταξύ των οποίων και την Ελλάδα. Το κλίμα που επικρατεί στην περιοχή είναι μεσογειακό και χαρακτηρίζεται από παρατεταμένα ξηρά καλοκαίρια και ισχυρούς ανέμους. Τα ιδιαίτερα κλιματικά χαρακτηριστικά που επικρατούν στην περιοχή συνδυαζόμενα με τους εύφλεκτους τύπους βλάστησης που κυριαρχούν στα ελληνικά δάση αποτελούν έναν από τους κύριους παράγοντες που ευνοούν την έναρξη και διάδοση των δασικών πυρκαγιών [5]. Οι δασικές πυρκαγιές αποτελούν σήμερα το πιο γνωστό κοινό πρόβλημα που αντιμετωπίζουν τα Ελληνικά δάση και κατ επέκταση το φυσικό περιβάλλον της χώρας. Σύμφωνα με τους Τσαγκάρη et al. [6] πάνω από το 10% της έκτασης της χώρας καλύπτεται από άγονες και βραχώδεις εκτάσεις, ως άμεσο επακόλουθο των διαδοχικών πυρκαγιών. Τα στατιστικά των πυρκαγιών (Εικόνα 2.2) που προέρχονται από το EFFIS [7] 0 και αφορούν αποκλειστικά και μόνο τη χώρα μας, καταδεικνύουν οτι από το 1990 και μετά ο αριθμός των δασικών πυρκαγιών παρουσιάζει ανοδική τάση με αποτέλεσμα τις δυο τελευταίες δεκαετίες να έχουν χαθεί πάνω από δυο εκατομμύρια στρέμματα δασικών εκτάσεων. 35

36 Κεφάλαιο 2 (α) (β) Εικόνα 2.2.Τα στατιστικά των δασικών πυρκαγιών για την Ελλάδα από το 1980 έως το 2010.Στο ιστόγραμμα (α) απεικονίζεται για την Ελλάδα η συνολική έκταση των καμένων περιοχών ανά έτος ενώ στο ιστόγραμμα (β) ο ετήσιος αριθμός των πυρκαγιών από το 1980 έως το (Πηγή: Το καλοκαίρι του 2007 συνέβη στη χώρα μας μια από τις σημαντικότερες φυσικές καταστροφές των τελευταίων δεκαετιών. Οι δασικές πυρκαγιές που έπληξαν τη χώρα είχαν ως αποτέλεσμα το θάνατο τουλάχιστον 63 ανθρώπων και ανυπολόγιστες περιβαλλοντικές και οικονομικές επιπτώσεις στις περιοχές που επλήγησαν με μεγάλη δριμύτητα. Οι καταστροφές από τις πυρκαγιές του 2007 σήμαναν το συναγερμό για την κατάσταση των ελληνικών δασών αλλά και για τα προβλήματα που δημιουργούν οι σημαντικότατες ελλείψεις στον τομέα της πρόληψης και καταστολής στην Ελλάδα. 36

37 Κεφάλαιο Αποκατάσταση καμένων δασικών εκτάσεων Αμέσως μετά τη φωτιά απαιτείται από τους διαχειριστές η ύπαρξη ενός διαχειριστικού σχεδίου για την αποκατάσταση των δασικών οικοσυστημάτων που έχουν πληγεί από τις δασικές πυρκαγιές. Σύμφωνα με τους Moreira et.al [4] και Vallejo et al. [8] ένα επιτυχημένο μεταπυρικό σχέδιο αποκατάστασης βασίζεται σε δυο βασικά στοιχεία: (1) την ικανότητα πρόβλεψης του τρόπου με τον οποίο θα αντιδράσει το οικοσύστημα στη φωτιά, και (2) τον σαφή καθορισμό των διαχειριστικών στόχων που επιθυμούν να επιτευχθούν μέσα από το μεταπυρικό σχέδιο, οι δασικοί διαχειριστές. Η αντίδραση των δασικών οικοσυστημάτων στην φωτιά καθορίζεται σε μεγάλο βαθμό από τα δασικά είδη που αφθονούσαν στην περιοχή μελέτης, πριν τη φωτιά, καθώς επίσης και από τους μηχανισμούς επιβίωσης που διαθέτουν απέναντι της [4]. Παρόλα αυτά γνωρίζοντας τα είδη της δασική βλάστησης, που κυριαρχούσαν στην πληγείσα περιοχή, δεν είναι αρκετό για να προβλεφθεί η αντίδραση των δασικών οικοσυστημάτων απέναντι στη φωτιά. Τα χαρακτηριστικά της φωτιάς καθώς και η διαφορετική ένταση με την οποία πλήττει τις διάφορες θέσεις περιοχής, αποτελεί ένα εξίσου σημαντικό παράγοντα πρόβλεψης της αντίδρασης του οικοσυστήματος [9]. Το βασικό κριτήριο για την επιλογή των διαχειριστικών σκοπών που τίθενται μετά τη φωτιά είναι οι τοπικές συνθήκες που επικρατούν στο μεταπυρικό περιβάλλον της περιοχής. Παραδοσιακά, οι στόχοι διαχείρισης που τίθενται από τους διαχειριστές αφορούν τη προστασία του εδάφους από τη διάβρωση, τη μείωση της επιφανειακής απορροής, καθώς και την αύξηση της παραγωγικότητας του δάσους. Τελευταία οι στόχοι αυτοί έ- χουν αντικατασταθεί από στόχους όπως η διατήρηση της βιοποικιλότητας, η αύξηση του ποσού αποθήκευσης του διοξειδίου του άνθρακα και η μείωση του κινδύνου έναρξης πυρκαγιάς. Γενικά οι στόχοι που τίθενται κάθε φορά αφορούν αποκλειστικά την υπό διαχείριση περιοχή, ενώ εξαρτώνται σε μεγάλο βαθμό, από τις κλιματικές και κοινωνικοοικονομικές συνθήκες της περιοχής, καθώς και από τη σφοδρότητα με την οποία έπληξε η φωτιά το συγκεκριμένο δασικό οικοσύστημα [4]. 37

38 Κεφάλαιο Τα στάδια της μεταπυρικής διαχείρισης Πολλές χώρες έχουν αναπτύξει διάφορα μεταπυρικά σχέδια για να αντιμετωπίσουν τις επιπτώσεις των δασικών πυρκαγιών. Ωστόσο η πιο διαδεδομένη προσέγγιση που α- κολουθείται είναι αυτή που εφαρμόζεται στην Αμερική και η οποία ολοκληρώνεται σε δυο στάδια [10]. Πιο συγκεκριμένα στο πρώτο στάδιο πραγματοποιείται καταγραφή των βραχυπρόθεσμων επιπτώσεων των δασικών πυρκαγιών και η λήψη άμεσων μέτρων α- ποκατάστασης ενώ, στο δεύτερο στάδιο εκτιμώνται οι ανάγκες και λαμβάνονται μέτρα για την μακροπρόθεσμη αποκατάσταση του οικοσυστήματος [11]. Η επιτυχημένη ολοκλήρωση και των δυο σταδίων βασίζεται στην λεπτομερή αποτίμηση των βιολογικών, οικονομικών και κοινωνικών επιπτώσεων της φωτιάς [12]. Στην περίπτωση της χώρας μας η αποκατάσταση των καμένων εκτάσεων πραγματοποιείται επίσης σε δύο στάδια. Πριν τη λήψη οποιοδήποτε μέτρων αποκατάστασης η πληγείσα περιοχή κηρύσσεται ως αναδασωτέα, γεγονός που συνεπάγεται την απαγόρευση της βόσκησης εντός της περιμέτρου της καθώς και τη χρήση της περιοχής για άλλες δραστηριότητες. Στο πρώτο στάδιο της αποκατάστασης πραγματοποιούνται αντιπλημμυρικά και αντιδιαβρωτικά έργα. Επιπλέον πραγματοποιείται συγκομιδή και διαχείριση του καμένου ιστάμενου ξυλώδους κεφαλαίου. Τέλος, πραγματοποιούνται τα έργα που αφορούν την αποκατάσταση της βλάστησης [13]. Κατά καιρούς έχουν προταθεί διάφορα σχέδια μεταπυρικής διαχείρισης για την αποκατάσταση των καμένων περιοχών. Μια ιδιαίτερη προσέγγιση η οποία αφορά τη μεταπυρική διαχείριση ειδικά των περιοχών της Μεσογείου, είναι αυτή που προτείνεται από τους Moreira et al. [9], και η οποία υιοθετείται από το Ευρωπαϊκό Ινστιτούτο Δασών- European Forest Institute (EFI) [14]. Σύμφωνα με αυτή την προσέγγιση ο δασικός σχεδιασμός και διαχείριση των καμένων εκτάσεων χωρίζεται σε πέντε βασικά στάδια [4, 14]: (1) στην αναγνώριση των περιοχών άμεσης προτεραιότητας (περιοχές που εμφανίζουν υψηλό κίνδυνο διάβρωσης και επιφανειακής απορροής πριν και μετά τη φωτιά), (2) στην εκτίμηση των επιπτώσεων των δασικών πυρκαγιών, (3) στη λήψη άμεσων μέτρων αποκατάστασης, (4) στο σχεδιασμό των μακροπρόθεσμων διαχειριστικών στόχων και (5) τέλος στην παρακολούθηση της μεταπυρικής διαχείρισης. Η συγκεκριμένη προσέγγιση διαφέρει από τις προηγούμενες διότι για η εκτίμηση των άμεσων επιπτώσεων της 38

39 Κεφάλαιο 2 φωτιάς βασίζεται στη χαρτογράφηση του βαθμού σφοδρότητας της καύσης. Η πληροφορία αυτή χρησιμοποιείται και στον για τον εντοπισμό των ευαίσθητων περιοχών που χρίζουν ιδιαίτερης μεταχείρισης [10]. Βασική προϋπόθεση για τον ολοκληρωμένο σχεδιασμό αλλά και την επιτυχία των μέτρων αποκατάστασης είναι λεπτομερής αποτύπωση και καταγραφή της κατάστασης μετά την πυρκαγιά [10, 15]. Ειδικότερα μετά τη φωτιά απαιτείται πληροφορία αναφορικά με [10, 16]: το σημείο έναρξης της δασικής πυρκαγιάς, το αίτιο που την προκάλεσε την έκταση που επηρεάσθηκε από τη φωτιά, το βαθμός επίδρασης της φωτιάς (ή σφοδρότητας της καύσης βλ. Κεφάλαια 5 & 6) την επίδραση στη δομή και σύνθεση του τοπίου, και τις επιπτώσεις της φωτιάς στη χλωρίδα και πανίδα της περιοχής. 2.2 Τηλεπισκόπηση και πυρκαγιές Σύμφωνα με τους Gita et al. [15] για την εκτίμηση των οικολογικών και οικονομικών επιπτώσεων καθώς και την παρακολούθηση της πορείας εξέλιξης του οικοσυστήματος που επηρεάζεται από τη φωτιά απαιτείται ακριβής γεωγραφική πληροφορία αναφορικά με τη θέση, την έκταση, τη σφοδρότητας της καύσης (βραχυπρόθεσμες επιπτώσεις), καθώς και πληροφορίες αναφορικά με την αναγέννηση της βλάστησης και την τάση α- νάκαμψης που παρουσιάζει το οικοσύστημα (μακροπρόθεσμες επιπτώσεις). Παραδοσιακά η εκτίμηση και αποτύπωση των επιπτώσεων των δασικών πυρκαγιών πραγματοποιείται με οπτική παρατήρηση αεροφωτογραφιών ή με εκτενείς επισκέψεις Η σφοδρότητα καύσης περιγράφεται γενικά ως ο βαθμός περιβαλλοντικής μεταβολής που συντελείται μετά από μια πυρκαγιά. Στα Κεφάλαια 5&6 το συγκεκριμένο ζήτημα αναλύεται διεξοδικά. 39

40 Κεφάλαιο 2 στο πεδίο. Πολλές φορές ωστόσο, η συλλογή των δεδομένων πεδίου μπορεί να καταστεί αδύνατη, όταν οι περιοχές υπό μελέτη είναι απρόσιτες ή δύσβατες. Γενικά οι παραδοσιακές τεχνικές αποτίμησης των επιπτώσεων των πυρκαγιών είναι ιδιαίτερα πολυδάπανες και χρονοβόρες [15]. Η δορυφορική τηλεπισκόπηση αποτελεί μια καλή εναλλακτική λύση σε σχέση με τις παραδοσιακές μεθόδους για την καταγραφή και αποτίμησης των ζημιών [17-18]. Τα βασικά πλεονεκτήματα που παρουσιάζει έναντι της χρήσης των παραδοσιακών μεθόδων είναι η ικανότητα χωρικής αντίληψης μέσα από την χρήση δορυφορικών εικόνων, ειδικά σε δυσπρόσιτες και απομακρυσμένες περιοχές [19] καθώς και η δυνατότητα παρακολούθησης των δυναμικών αλλαγών που λαμβάνουν χώρα στο τοπίο που επηρεάζεται από τη φωτιά. Από τις αρχές της δεκαετίας του 80 όπου και ξεκίνησε να χρησιμοποιείται ευρέως η επιστήμη της τηλεπισκόπησης στο πεδίο της χαρτογράφησης των επιπτώσεων των δασικών πυρκαγιών [20], έχει χρησιμοποιηθεί μια πληθώρα δορυφορικών δεδομένων διαφορετικής χωρικής και φασματικής διακριτικής ικανότητας και τεχνικών χαρτογράφησης για την παραγωγή θεματικών χαρτών με πληροφορίες αναφορικά με την μεταπυρική κατάσταση της περιοχής. Τα προβλήματα που αντιμετωπίζονται στην παρούσα διατριβή αφορούν συγκεκριμένα την ταξινόμηση των βραχυπρόθεσμων επιπτώσεων της φωτιάς. Πιο συγκεκριμένα αφορούν την χαρτογράφηση της καμένης έκτασης καθώς και την εκτίμηση του βαθμού σφοδρότητας καύσης, με την οποία επλήγησαν οι περιοχές μελέτης, μέσω τη χρήσης δορυφορικών εικόνων. Σκοπός λοιπόν του εν λόγω προβλήματος είναι η παραγωγή θεματικών χαρτών στους οποίους θα απεικονίζεται η πληροφορία που αναφέρθηκε προηγουμένως. 40

41 Κεφάλαιο Η ανάγκη για υψηλής ακριβείας χαρτογράφηση των βραχυπρόθεσμων επιπτώσεων των δασικών πυρκαγιών. Τα τελευταία χρόνια όλες οι αποφάσεις και οδηγίες που λαμβάνονται, σε Ευρωπαϊκό αλλά και σε Παγκόσμιο επίπεδο, σχετικά με το πρόβλημα των δασικών πυρκαγιών, υ- περτονίζουν την ανάγκη συλλογής και παραγωγής ακριβούς και λεπτομερούς γεωγραφικής πληροφορίας [21-23]. To 2006 το Ευρωκοινοβούλιο σε ψήφισμα του, διατύπωσε την ανάγκη για βελτίωση της της ακρίβειας των θεματικών χαρτών καμένων εκτάσεων που ήδη παράγονται σε Ευρωπαϊκό επίπεδο από το EFFIS, με τη χρήση δορυφορικών δεδομένων υψηλής και πολύ υψηλής χωρικής διακριτικής ικανότητας [24]. Απώτερος σκοπός αυτής της ενέργειας είναι να βελτιωθεί η αποτελεσματικότητα των μεταπυρικών σχεδίων και της διαχείρισης των πυρκαγιών συνολικότερα [24-25]. Η βελτίωση των σχεδίων θα προέλθει από το γεγονός ότι πλέον θα είναι διαθέσιμή πληροφορία που μέχρι τώρα δεν ήταν δυνατόν να χαρτογραφηθεί και επομένως να χρησιμοποιηθεί στα μεταπυρικά σχέδια [26]. Η πληροφορία αυτού του τύπου ενδέχεται να βοηθήσει στην κατανόηση των μεταπυρικών επιπτώσεων στη βιοποικιλότητα και στην οικολογική συνοχή των οικοσυστημάτων. Συνεπώς η γνώση αυτή πέρα από εργαλείο για τη διαχείριση θα αποτελέσει και εργαλείο για την πρόβλεψη και προστασία του οικοσυστήματος. Τις τελευταίες δεκαετίες η χρήση της τηλεπισκόπησης και των μεθόδων της, για την χαρτογράφηση των καμένων εκτάσεων αλλά και την εκτίμηση των επιπτώσεων της φωτιάς, έχει οδηγήσει στην παραγωγή μεγάλου όγκου πληροφορίας. Παρόλα, αυτά η ανάγκη για περαιτέρω βελτίωση της ακρίβειας της παραγόμενης πληροφορίας εξακολουθεί να υπάρχει και να αποτελεί σημαντικό πεδίο έρευνας της τηλεπισκόπησης και των εφαρμογών της [5]. Οι αλματώδεις τεχνολογικές εξελίξεις στον τομέα της δορυφορικής τηλεπισκόπησης, και πιο συγκεκριμένα κομμάτι της ανάλυσης εικόνας συνδυαστικά με τη διαθεσιμότητα ολοένα και περισσότερων εικόνων υψηλής χωρικής διακριτικής ικανότητας αναμένεται να βελτιώσει σημαντικά την ποιότητα και ακρίβεια του παραγόμενου χαρτογραφικού προϊόντος. Ειδικά στην περιοχή της Μεσογείου η σύνθετη χωρική δομή του και το ιδιαίτερο κατακερματισμένο τοπίο δημιουργεί πλήθος δυσκολιών στην παραγωγή θεματικών χαρτών 41

42 Κεφάλαιο 2 υψηλής ακριβείας [5]. Ήδη από το 1995 ο Chuvieco [16] στην προσπάθεια του να διευκρινίσει τους λόγους για τους οποίους απαιτείται λεπτομερής χαρτογράφηση επισήμανε ότι η ιδιαίτερη σύνθεση και δομή του Μεσογειακού τοπίου βάζει πολλά εμπόδια στην χαρτογράφηση των υπό εξέταση τοπίων. Ένας επιπλέον λόγος που ενισχύει τη δυσκολία παραγωγής θεματικών χαρτών υψηλής ακρίβειας είναι το γεγονός ότι στην περιοχή της Μεσογείου λαμβάνουν χώρα πολλές και μικρές πυρκαγιές. Σε αυτό το σημείο πρέπει να αναφερθεί ότι η κλίμακα των Μεσογειακών πυρκαγιών επιβάλλει τη χρήση των δορυφορικών δεδομένων που να επιτρέπει την καταγραφή τους σε κλίμακες που να επιτρέπουν τη μελέτη και κατανόηση του φαινομένου[24]. Συνοψίζοντας, ο ιδιαίτερος χαρακτήρας του Μεσογειακού τοπίου επιβάλλει το συνδυασμό πληροφορίας που προέρχεται από εικόνες πολύ υψηλής χωρικής διακριτικής ι- κανότητας με νέες εξελιγμένες μεθόδους χαρτογράφησης, για να παραχθούν θεματικοί χάρτες, υψηλής ακρίβειας και ποιότητας, αναφορικά με τις επιπτώσεις μια πυρκαγιάς Επισκόπηση των αισθητήρων και των μεθόδων που χρησιμοποιούνται για τη χαρτογράφηση των βραχυπρόθεσμων επιπτώσεων των πυρκαγιών. Η βασική πηγή πληροφορίας που χρησιμοποιείται στην δημιουργία του θεματικού χάρτη που απεικονίζει την καμένη έκταση μιας περιοχή αλλά και τον βαθμό σφοδρότητας με τον οποίο επλήγει (βραχυπρόθεσμες επιπτώσεις), προέρχεται από εικόνες που παρέχουν οι διάφοροι αισθητήρες (sensors) [15]. Για το λόγο αυτό κρίνεται απαραίτητη η συνοπτική περιγραφή των πιο συνηθισμένων τύπων δορυφόρων και κατ επέκταση των δορυφορικών εικόνων που χρησιμοποιούνται στο πρόβλημα χαρτογράφησης δασικών πυρκαγιών. Παραδοσιακά, η απόκτηση χωρικής θεματικής πληροφορίας για τις φωτιές πραγματοποιείται με τη χρήση δορυφορικών εικόνων μέσης αλλά και χαμηλής χωρικής διακριτικότητας. Παραδείγματα τέτοιων εικόνων είναι οι εικόνες που παρέχουν αισθητήρες (sensors) όπως ο Landsat TM (30m) (μέσης χωρικής διακριτικότητας), Landsat MSS (80m), MODIS (250m), AVHRR (Advanced Very High Resolution Radiometer) (1km),και SPOT-VGT (1km) (χαμηλής χωρικής διακριτικότητας) [27-28]. 42

43 Κεφάλαιο 2 Τα τελευταία χρόνια ωστόσο παρατηρείται μια στροφή στη χαρτογράφηση των επιπτώσεων των πυρκαγιών, προς τη χρήση πολυφασματικών δορυφορικών εικόνων πολύ υψηλής ευκρίνειας. Η στροφή αυτή αποδίδεται στην ανάγκη για την παραγωγή ακριβέστερων και πιο λεπτομερών θεματικών χαρτών [15]. Παραδείγματα εικόνων υψηλής ευκρίνειας που έχουν χρησιμοποιηθεί επιτυχημένα στην χαρτογράφηση των καμένων ε- κτάσεων αλλά και στην εκτίμηση των βραχυπρόθεσμων επιπτώσεων της φωτιάς, είναι οι εικόνες που λαμβάνονται από τους αισθητήρες IKONOS (4m), WorldView(2m), και QuickBird (2.5m)[29]. Ένα ακόμη τύπος δορυφορικών δεδομένων που έχει αρχίσει να κερδίζει έδαφος τα τελευταία χρόνια στον τομέα χαρτογράφησης των πυρκαγιών. είναι τα δεδομένα Ραντάρ (radar). Από τις διάφορες κατηγορίες του συγκεκριμένου τύπου δεδομένων τα δεδομένα τύπου SAR έχουν βρει ευρεία εφαρμογή σε διάφορες περιβαλλοντικές εφαρμογές. Ειδικά στο πεδίο των δασικών πυρκαγιών έχουν χρησιμοποιηθεί για την χαρτογράφηση των καμένων εκτάσεων, την εκτίμηση των ζημιών και την επανεμφάνιση της βλάστησης [27-28]. Όσον αφορά τη χαρτογράφηση των καμένων εκτάσεων, τα τελευταία χρόνια έχει α- ναπτυχθεί μια πληθώρα τεχνικών και μεθόδων. Παρόλα αυτά, δεν έχει βρεθεί μέχρι στιγμής εκείνη η τεχνική που να δίνει ικανοποιητικά αποτελέσματα σε όλες τις περιπτώσεις χαρτογράφησης. Ανάλογα με τον τύπο του προβλήματος και την περιοχή μελέτης απαιτείται κάθε φορά η εύρεση της βέλτιστης τεχνικής. Παρόλα αυτά μερικές από τις τεχνικές που έχουν χρησιμοποιηθεί εκτενώς για την ταξινόμηση καμένων εκτάσεων είναι ο ταξινομητής μέγιστης πιθανότητας (maximum likelihood classifier) [30-31], η λογιστική παλινδρόμηση (logistic regression) [32], τα δέντρα ταξινόμησης και παλινδρόμησης (classification and regression trees CART) [31], η γραμμική όσο και η μη γραμμική φασματική ανάλυση μείγματος (linear and/or nonlinear spectral mixture analysis) [33], οι δείκτες βλάστησης (Vegetation Indices -VIs) [34], τα νευρωνικά δίκτυα (Neural Networks)[35], οι ασαφείς νευρωνικοί ταξινομητές Neuro-Fuzzy techniques [36], οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines-SVM) [37], και η αντικειμενοστραφής ανάλυση εικόνας (Object Based Image Analysis - OBIA) [27]. 43

44 Κεφάλαιο 2 Στη συνέχεια, ακολουθεί η παρουσίαση των μεθόδων που χρησιμοποιούνται για τη χαρτογράφηση της σφοδρότητας καύσης, δηλαδή του βαθμού της περιβαλλοντικής αλλαγής που συντελείται μετά τη φωτιά [38]. Συνήθως η χαρτογράφηση της σφοδρότητας καύσης σε μεγάλης έκτασης πυρκαγιές απαιτεί τη συνδυαστική χρήση μετρήσεων πεδίου και μεθόδων δορυφορικής τηλεπισκόπησης. Οι πιο συνηθισμένες μέθοδοι χαρτογράφησης που χρησιμοποιούνται σε αυτή την περίπτωση είναι οι δείκτες βλάστησης (vegetation indices), οι μετασχηματισμών εικόνας (image transformations), ταξινόμηση εικόνας (image classifications), μοντέλα διάδοσης ακτινοβολίας (radiative transfer models), τεχνικές προσομοίωσης (simulation techniques), φασματική ανάλυση μείγματος (spectral mixture analysis) και διαφόρων τύπων δορυφορικές εικόνες [39-40]. Περισσότερες πληροφορίες τη χαρτογράφηση των καμένων εκτάσεων αλλά και για την εκτίμηση της σφοδρότητας καύσης παρουσιάζονται αντίστοιχα στα Κεφάλαια 4,5 και Πηγές πληροφορίας στην ταξινόμηση πολυφασματικών δορυφορικών εικόνων Το πρωταρχικό ζήτημα που τίθεται σχετικά με την ταξινόμηση μιας δορυφορικής εικόνας, είναι πρωταρχική πηγή πληροφορίας που θα χρησιμοποιηθεί, ανεξαρτήτως της μεθόδου ταξινόμησης που θα επιλεγεί. Σε όλες τις περιπτώσεις των δορυφορικών εικόνων η βασική πληροφορία που χρησιμοποιείται στην ταξινόμηση μιας εικόνας είναι η πληροφορία που προέρχεται από τα κανάλια του αισθητήρα. Στην περίπτωση όμως των πολυφασματικών δεδομένων, η προσέγγιση αυτή καθίσταται προβληματική, κυρίως λόγω της μεγάλης αλληλοεπικάλυψης που παρουσιάζουν οι φασματικές υπογραφές των διαφόρων βιοφυσικών στοιχείων της γήινης επιφάνειας [19]. Το πρόβλημα αυτό γίνεται ακόμη πιο έντονο όταν στην περίπτωση των εικόνων τύπου SAR (όπου είναι διαθέσιμο μόνο ένα κανάλι). Η δυσκολία διαχωρισμού των διαφόρων βιοφυσικών στοιχείων που προκύπτει λόγω της ελλιπούς πληροφορίας που παρέχεται την ύπαρξη ενός και μόνο καναλιού καθιστά άμεση την ανάγκη για θεώρηση επιπλέον πληροφορίας [19]. 44

45 Κεφάλαιο 2 Σύμφωνα με τους [41] και [19] η πρώτη προσπάθεια προς αυτήν την κατεύθυνση έγινε χρησιμοποιώντας γεωγραφικά δεδομένα από την περιοχή μελέτης, όπως το υψόμετρο, η κλίση κ.τ.λ. Πιο σύγχρονες μελέτες αξιοποιούν χαρακτηριστικά ανώτερης τάξης, που προκύπτουν μέσω μετασχηματισμών των αρχικών καναλιών της εικόνας. Γενικά τα χαρακτηριστικά ανώτερης τάξης μπορούν να διακριθούν σε δύο βασικές κατηγορίες: (1) τα προηγμένα φασματικά χαρακτηριστικά (advanced spectral features) και (2) χαρακτηριστικά υφής (textural features) [19]. Όσον αφορά τους φασματικούς μετασχηματισμούς οι πλέον διαδεδομένοι είναι ο ε- πονομαζόμενος μετασχηματισμός tasseled cap [42] και ο μετασχηματισμός intensity hue saturation [43]. Ο υπολογισμός των φασματικών μετασχηματισμών πραγματοποιείται συνήθως με τη χρήση δύο ή περισσότερων καναλιών. Στην περίπτωση αυτή οι μετασχηματισμοί αφού εξετάσουν τις τιμές ανάκλασης σε κάθε εικονοστοιχείο της εικόνας, παράγουν εν τέλει νέες τιμές σε διαφορετικούς φασματικούς χώρους. Στην περίπτωση των μετασχηματισμών υφής η παραγωγή τα νέων χαρακτηριστικών προκύπτει εξετάζοντας όχι μόνο το εκάστοτε εικονοστοιχείο της εικόνας, αλλά και μία γειτονιά γύρω από αυτό. Με αυτόν τον τρόπο παράγονται νέα χαρακτηριστικά που περιγράφουν την υφή (texture) των διαφόρων περιοχών της εικόνας. Τα χαρακτηριστικά υφής ποσοτικοποιούνται συνήθως μέσα από μεγέθη που προέρχονται από το ιστόγραμμα (histogram measures) όπως τον υπολογισμό της μέσης τιμής (mean), της διασποράς (variance) κ.τ.λ. τοπικά, σε μια γειτονιά γύρω από ένα κεντρικό εικονοστοιχείο [43]. Τα χαρακτηριστικά αυτά που προκύπτουν από τα στατιστικά μέτρα αναφέρθηκαν παραπάνω ονομάζονται και μεγέθη ιστογράμματος πρώτης τάξης (first order histogram measures). Κάνοντας χρήση των πινάκων gray level co-occurrence matrices (GLCMs) [44-45], γίνεται επιπλέον ανάλυση της χωρικής πληροφορίας (spatial domain) με στατιστικά μεγέθη, επιτρέποντας τον διαχωρισμό των διαφόρων βιοφυσικών στοιχείων της επιφάνειας της γης όχι μόνο βάσει της μετρούμενης από τους αισθητήρες ενέργειας, αλλά και από τον υπολογισμό της διαφορετικής υφής που χαρακτηρίζει κάθε στοιχείο, όπως η ομοιογένεια ενός είδους, η εντροπία κ.τ.λ. Τα παραπάνω χαρακτηριστικά αναφέρονται συχνά στη βιβλιογραφία ως μεγέθη ιστογράμματος δεύτερης τάξης (second order histogram measures [19]. 45

46 Κεφάλαιο 2 Όσον αφορά το πρόβλημα ταξινόμησης των καμένων εκτάσεων υπάρχουν εργασίες στις οποίες έχει γίνει χρήση επιπρόσθετης πληροφορίας, και πιο συγκεκριμένα πληροφορίας που προέρχεται από τους μετασχηματισμούς υφής και διάφορους δείκτες Vis [46-47]. Ωστόσο πέρα από τη χρήση ελάχιστων μετασχηματισμών η επίδραση που ασκούν τα χαρακτηριστικά ανώτερης τάξης έχει ελάχιστα μελετηθεί στο συγκεκριμένο πρόβλημα. Αυτός είναι και ο λόγος που το συγκεκριμένο θέμα παραμένει ανοιχτό προς διερεύνηση. Τα διάφορα χαρακτηριστικά ανώτερης τάξης που επρόκειτο να χρησιμοποιηθούν στην εν λόγω διατριβή αναλύονται διεξοδικά στο Κεφάλαιο 4 (βλ. Υποενότητα 4.4.1) Μέθοδοι επιλογής των αναγκαίων για τη χαρτογράφηση χαρακτηριστικών α- νώτερης τάξης Ο αριθμός των επιπρόσθετων χαρακτηριστικών που συνήθως χρησιμοποιούνται στα πλαίσια της ταξινόμησης δορυφορικών εικόνων είναι αρκετά μεγάλος. Ειδικά στην περίπτωση των πολυφασματικών εικόνων υπάρχει μια πληθώρα χαρακτηριστικών που μπορούν να υπολογιστούν και χρησιμοποιηθούν προκειμένου να καταστεί δυνατός ο διαχωρισμός των βιοφυσικών στοιχείων στην επιφάνεια της γης [19]. Σύμφωνα με τον Σταυρακούδη [19] η υψηλή διαστατικότητά των προβλημάτων της τηλεπισκόπησης έχει σοβαρές αρνητικές επιπτώσεις στο χρόνο υπολογισμού του θεματικού χάρτη καθώς και στην ακρίβεια της ταξινόμησης. Ο τύπος του ταξινομητή που επιλέγεται να χρησιμοποιηθεί σε κάθε πρόβλημα ταξινόμησης συντελεί αντίστοιχα στο βαθμό της αρνητικής επίδρασης που ασκεί η ύπαρξη πολλών αρχικών εισόδων στον ταξινομητή. Επιπλέον ένα πρόβλημα που συναντάται συχνά στο πεδίο ταξινόμησης δορυφορικών δεδομένων, είναι η υψηλή συσχέτιση (correlation) που παρατηρείται μεταξύ των γειτονικών καναλιών του αισθητήρα. Η συσχέτιση αυτή, οφείλεται σε μεγάλο βαθμό στην μεγάλη επικάλυψη των φασματικών υπογραφών των διαφόρων στοιχείων της γήινης επιφάνειας αλλά και στην επικάλυψη των καναλιών του αισθητήρα [48]. Πρόκειται για ένα πρόβλημα το οποίο εμφανίζεται τόσο μεταξύ των αρχικών καναλιών όσο και μεταξύ των μετασχηματισμένων χαρακτηριστικών, ειδικά των χαρακτηριστικών υφής. 46

47 Κεφάλαιο 2 Σε όλες τις περιπτώσεις που παρατηρείται η συγκεκριμένη συσχέτιση υποδηλώνει την ύπαρξη πλεονάζουσας πληροφορίας στην εικόνα [19]. Σύμφωνα με τη διεθνή βιβλιογραφία η ύπαρξη πολλών διαστάσεων στον αρχικό χώρο εισόδου του ταξινομητή δημιουργεί ένα ακόμη πρόβλημα το οποίο είναι γνωστό στη διεθνή βιβλιογραφία ως το φαινόμενο του[49]. Το φαινόμενο αυτό εμφανίζεται όταν τα διαθέσιμα πρότυπα εκπαίδευσης είναι κατά πολύ λιγότερα των διαθέσιμων εισόδων (κανάλια). Ειδικότερα, το πρόβλημα που δημιουργείται είναι ότι η ακρίβεια της ταξινόμησης αρχίζει να μειώνεται όταν αριθμός των εισόδων (χαρακτηριστικά) αυξηθεί πέρα από ένα κρίσιμο όριο, για δεδομένο αριθμό προτύπων εκπαίδευσης. Η ύπαρξη του συγκεκριμένου προβλήματος έχει αναφερθεί σε διάφορες εφαρμογές τηλεπισκόπησης [50] και γίνεται πιο αισθητό όταν στο εκάστοτε πρόβλημα ταξινόμησης χρησιμοποιούνται υπερφασματικά δεδομένα [51]. Όπως διαφαίνεται από τα παραπάνω η χρήση επιπρόσθετης πληροφορίας πέραν της βασικής που προέρχεται από τα αρχικά κανάλια του αισθητήρα δημιουργεί πολλά και σημαντικά προβλήματα στη διαδικασία της ταξινόμησης. Για την αντιμετώπιση των παραπάνω προβλημάτων σύνηθη πρακτική στο πεδίο της τηλεπισκόπησης αποτελεί η χρήση μιας μεθόδου επιλογής χαρακτηριστικών (ΕΧ) αποτελεί [52]. Οι τεχνικές αυτές αποτελούν ένα στάδιο προεπεξεργασίας δεδομένων, το οποίο θεωρείται απαραίτητο για να εξαχθεί το υποσύνολο χαρακτηριστικών που είναι χρήσιμο για το διαχωρισμό των κλάσεων στο συγκεκριμένο πρόβλημα. Πιο συγκεκριμένα στόχος αυτής της διαδικασίας είναι να μειωθούν οι διαστάσεις του χώρου και να επιτευχθεί η μέγιστη δυνατή απόδοση του ταξινομητή. Σύμφωνα με τη διεθνή βιβλιογραφία [19, 53] η πιο απλή μέθοδος εύρεσης του κατάλληλου υποσυνόλου χαρακτηριστικών για την ταξινόμηση μιας εικόνας, είναι η μέθοδος δοκιμής και λάθους. Η πιο διαδεδομένη όμως τεχνική σε προβλήματα τηλεπισκόπησης είναι ο μετασχηματισμός που βασίζεται στη θεωρία της principal component analysis (PCA) [54]. Η ευρεία χρήση της συγκεκριμένης μεθόδου οδήγησε τους ερευνητές στην ανεύρεση νέων τρόπων προκειμένου να βελτιώσουν την απόδοση της συγκεκριμένης τεχνικής. Νέες πιο εξελιγμένες τεχνικές όπως είναι για παράδειγμα οι γενετικοί αλγόριθμοι συνδυάζονται με την παραδοσιακή τεχνική της PCA με σκοπό τη βελτίωση της με- 47

48 Κεφάλαιο 2 θόδου λειτουργίας της [54]. Η εύρεση του βέλτιστου υποσυνόλου χαρακτηριστικών μπορεί να πραγματοποιηθεί και με άλλους τρόπους όπως είναι οι δείκτες διαχωριστικότητας. Μερικά παραδείγματα τέτοιων δεικτών είναι ο δείκτης-s (S-Index) [55], ο δείκτης απόκλισης (divergence index) [56], η απόσταση Jeffries-Matusita [57], η απόσταση-β (Bdistance)[58], και το κριτήριο HSIC (Hilbert Schmidt independence criterion) [59]. Στην εν λόγω εργασία επιλέχθηκε να εφαρμοστεί η μέθοδος επιλογής χαρακτηριστικών FuzCoC (Fuzzy Complementary Criterion) η οποία περιγράφεται αναλυτικά στην επόμενη ενότητα. Τέλος, αξίζει να αναφερθεί ότι μέχρι στιγμής, δεν υπάρχει καμία μελέτη που να εξετάζει τη συνδυαστική χρήση χαρακτηριστικών ανώτερης τάξης και εξελιγμένων τεχνικών ΕΧ ειδικά για το πρόβλημα των δασικών πυρκαγιών FuzCoC Feature Selection Η συγκεκριμένη ενότητα εστιάζει στην μέθοδο επιλογής χαρακτηριστικών που επιλέχθηκε να εφαρμοστεί στην εν λόγω εργασία. Ειδικότερα στην εργασία αυτή χρησιμοποιήθηκε η μέθοδος επιλογής χαρακτηριστικών FuzCoC (Fuzzy Complementary Criterion) [60], η οποία βασίζεται στη θεωρία του ασαφούς κριτηρίου συμπληρωματικότητας. Η τεχνική αυτή ανήκει σε μια συγκεκριμένη κατηγορία μεθόδων ΕΧ, που ονομάζονται τεχνικές διήθησης (filter method). Μια σύντομη περιγραφή της μεθοδολογίας που ακολουθείται για την υλοποίηση της συγκεκριμένης τεχνικής, περιγράφεται διεξοδικά στην αξιόλογη εργασία του Μουστακίδη [61]. Η περιγραφή που παραθέτει στο κείμενο της διδακτορικής του διατριβής αναφέρει ότι: «Στη μέθοδο αυτή χρησιμοποιείται το διάνυσμα ασαφούς διαμερισμού (Fuzzy Partition Vector, FPV), το οποίο είναι ένα υπολογιστικά απλό τοπικό κριτήριο αξιολόγησης της σημαντικότητας κάθε χαρακτηριστικού, υπό την έννοια της χρήσιμης πληροφορίας για το διαχωρισμό των κλάσεων. Για την κατασκευή του διανύσματος FPV απαιτείται η εφαρμογή ενός μηχανισμού απόδοσης ασαφών βαθμών στα πρότυπα. Σε πρώτη φάση, χρησιμοποιείται μια προσέγγιση για τον υπολογισμό ασαφών βαθμών συμμετοχής ενός προτύπου σε κάθε κλάση. Η προσέγγιση αυτή χρησιμοποιεί μια παραλλαγή του αλγορίθμου FCM (Fuzzy C-means). 48

49 Κεφάλαιο 2 Το FuzCoC κριτήριο εφαρμόζεται πάνω στα προϋπολογισμένα FPVs, διαχειρίζοντας ταυτόχρονα την ικανότητα ταξινόμησης αλλά και τα συμπληρωματικά χαρακτηριστικά των συνιστωσών εισόδου. Σε κάθε επανάληψη των τεχνικών ΕΧ, το FuzCoC κριτήριο εξασφαλίζει ότι το τρέχον επιλεγμένο χαρακτηριστικό παρέχει την μέγιστη επιπρόσθετη συνεισφορά στο ήδη επιλεγμένο υποσύνολο. Επίσης, η ποσοστιαία βελτίωση της νεοεισερχόμενης συνιστώσας σε συνδυασμό με μια παράμετρο κατωφλίου (tr), διαμορφώνουν μια συνθήκη τερματισμού για τον καθορισμό του τελικού αριθμού χαρακτηριστικών που θα επιλεγούν» Σύγχρονες τεχνικές ταξινόμησης δορυφορικών εικόνων Στις προηγούμενες ενότητες παρουσιάστηκαν συνοπτικά οι μέθοδοι χρησιμοποιούνται για την ταξινόμηση στο πρόβλημα των πυρκαγιών καθώς και κάποια βήματα προεπεξεργασίας που προτείνονται προκειμένου να καταστεί η εφαρμογή της ταξινόμησης δυνατή. Οι δυο υποενότητες που ακολουθούν θα εστιαστούν στις δύο μεθόδους ταξινόμησης που χρησιμοποιήθηκαν στα πλαίσια της παρούσας εργασίας Ο ταξινομητής SVM σε προβλήματα ταξινόμησης Ο ταξινομητής support vector machine (SVM) είναι ένας αλγόριθμος που βρίσκει μεγάλη απήχηση στο πεδίο της αναγνώρισης προτύπων (pattern recognition) [37]. Από τις αρχές της προηγούμενης δεκαετίας, ολοένα και περισσότερες εφαρμογές στο πεδίο της τηλεπισκόπησης ξεκίνησαν να υιοθετούν τη συγκεκριμένη προσέγγιση. Σύμφωνα με τον Σταυρακούδη [19] οι κύριοι λόγοι στους οποίους οφείλεται η ευρεία αποδοχή του συγκεκριμένου ταξινομητή είναι υψηλές αποδόσεις ταξινόμησης που τον χαρακτηρίζουν καθώς και η από νωρίς ελεύθερη διάθεση προγραμματιστικών υλοποιήσεών του, με πιο διαδεδομένη την προγραμματιστική βιβλιοθήκη LIBSVM [62]. Ακολουθεί μια σύντομη ανασκόπηση της βιβλιογραφίας αναφορικά με την εφαρμογή του SVM σε προβλήματα τηλεπισκόπησης που αφορούν τις δασικές πυρκαγιές, καθώς και άλλες χρήσεις γης. 49

50 Κεφάλαιο 2 Αρχικά ο SVM χρησιμοποιήθηκε σε προβλήματα ταξινόμησης τα οποία χρησιμοποιούσαν πολυφασματικές δορυφορικές εικόνες, με απώτερο σκοπό την αισθητή βελτίωση της ακρίβειας των παραγόμενων θεματικών χαρτών [63-65]. Τα ιδιαίτερα επιτυχημένα αποτελέσματα που επέδειξε τον έκαναν ιδιαίτερα δημοφιλή και σύντομα η χρήση του επεκτάθηκε και σε άλλου τύπου δορυφορικά δεδομένα όπως είναι τα υπερφασματικά [65-67]. Οι σημαντικά υψηλές ακρίβειες που επιδεικνύει όταν συνδυάζεται με τα υπερφασματικά δεδομένα τον καθιστούν πλέον ως την πρώτη επιλογή σε προβλήματα ταξινόμησης που χρησιμοποιούν αυτού του τύπου τα δεδομένα [19]. Αναφορικά με το πρόβλημα των δασικών πυρκαγιών επιτυχημένα παραδείγματα χρήσης του συγκεκριμένου ταξινομητή μπορεί να βρει στις εργασίες [37, 68-69]. Στη συνέχεια θα περιγραφεί συνοπτικά ο τρόπος με τον οποίο λειτουργεί ο συγκεκριμένος ταξινομητής. Η μεθοδολογία που ακολουθείται για την υλοποίηση του συγκεκριμένου ταξινομητή είναι αρκετά διαφορετική από τις αντίστοιχες που ακολουθούνται στην περίπτωση των στατιστικών ταξινομητών. Κατά τη διάρκεια της εκπαίδευσης του, ο ταξινομητής SVM, αναζητά το βέλτιστο διαχωριστικό υπερεπίπεδο (optimal separating hyperplane) [70], που μεγιστοποιεί το περιθώριο ανάμεσα στις δύο κλάσεις του συνόλου δεδομένων εκπαίδευση. Συνήθως, λόγω του ότι στα περισσότερα πραγματικά προβλήματα τα δεδομένα δεν είναι γραμμικά διαχωρίσιμα, η προαναφερθείσα τεχνική γενικεύεται για να χειριστεί μη γραμμικά διαχωρίσιμες εισόδους, έχοντας ως κόστος την αποδοχή ενός αριθμού από λανθασμένες κατηγοριοποιήσεις. Για την περαιτέρω βελτίωση της απόδοσης, τα δεδομένα μετασχηματίζονται σε ένα νέο χώρο χαρακτηριστικών υψηλότερης διάστασης, όπου και επιχειρείται ο βέλτιστος γραμμικός διαχωρισμός. Ο μετασχηματισμός που προαναφέρθηκε επιτυγχάνεται με τη χρήση των συναρτήσεων πυρήνα (kernel) [70]. Μερικές από τις πιο συχνά χρησιμοποιούμενες συναρτήσεις είναι η Radial basis function (RBF) kernel, η Sigmoid kernel, και η Polynomial kernel [62, 71]. Ωστόσο στο πεδίο της δορυφορικής τηλεπισκόπησης υπάρχει η τάση να χρησιμοποιείται ως επί το πλείστον η συνάρτηση RBF [66, 72]. Ακολουθώντας την τάση στο γενικότερο πεδίο της αναγνώρισης προτύπων επιλέχθηκε να εφαρμοστεί, στην παρούσα εργασία, η radial basis function (RBF) για την υλοποίηση της συνάρτησης πυρήνα. 50

51 Κεφάλαιο Ταξινόμηση βασισμένη σε αντικείμενα Προκειμένου να υλοποιηθούν οι σκοποί της παρούσας εργασίας θεωρήθηκαν δύο προσεγγίσεις: α) η ταξινόμηση κατά εικονοστοιχείο (pixel-based classification) και β) η ταξινόμηση κατά αντικείμενο (object-based classification). Στην πρώτη περίπτωση ο θεματικός χάρτης προκύπτει ταξινομώντας κάθε εικονοστοιχείο της εικόνας ξεχωριστά. Η συγκεκριμένη θεώρηση ονομάζεται ταξινόμηση κατά εικονοστοιχείο (pixel-wise classification) και αποτελεί την πιο συνηθισμένη μέθοδο που χρησιμοποιείται σε προβλήματα ταξινόμησης [19]. Στη δεύτερη περίπτωση της επονομαζόμενης ταξινόμησης με βάση τα αντικείμενα (object-based classification) [73] η διαδικασία που ακολουθείται είναι εντελώς διαφορετική. Αρχικά η δορυφορική εικόνα προεπεξεργάζεται μέσω ενός αλγορίθμου κατάτμησης (segmentation), ο οποίος χωρίζει ολόκληρη την εικόνα σε ένα σύνολο εφαπτόμενων ομογενών περιοχών (που ονομάζονται αντικείμενα), συνενώνοντας γειτονικά εικονοστοιχεία με ομοειδείς φασματικές ιδιότητες. Στη συνέχεια, υπολογίζονται νέα χαρακτηριστικά για κάθε αντικείμενο, λαμβάνοντας υπόψιν όλα τα εικονοστοιχεία του, όπως ο μέσος όρος, η τυπική απόκλιση, αλλά και μια σειρά από άλλα χαρακτηριστικά τα οποία είναι διαθέσιμα στο εκάστοτε λογισμικό ταξινόμησης. Τελικά, ο εφαρμοζόμενος ταξινομητής εκπαιδεύεται να ταξινομεί κάθε αντικείμενο σε μία κλάση [19]. Τα τελευταία χρόνια η μέθοδος αυτή έχει αρχίσει να γίνεται πολύ δημοφιλής στο πεδίο της τηλεπισκόπησης [74] και ειδικότερα σε εφαρμογές που αφορούν το πρόβλημα των δασικών πυρκαγιών. Οι βασικοί λόγοι που έχουν οδηγήσει στην συνεχώς αυξανομένη χρήση της συγκεκριμένης μεθόδου είναι: (α) η ολοένα και μεγαλύτερη διαθεσιμότητα και συνεπώς χρήση εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας, οι οποίες όταν ταξινομούνται με την μέθοδο της ταξινόμησης κατά εικονοστοιχείο παράγουν χάρτες με έντονο το φαινόμενο αλατιού-πιπεριού (salt-and-pepper) και (β) η διάθεση το 2000 της εμπορικής εφαρμογής ecognition, από την εταιρεία Definiens [75]. Το συγκεκριμένο λογισμικό ήταν αυτό που εφάρμοσε για πρώτη φορά την ταξινόμηση κατά αντικείμενο οπότε και κατέστη δυνατή η ευρεία χρήση της μεθόδου. Τα τελευταία χρόνια έχει δημοσιευτεί ένας μεγάλος αριθμός εργασιών ο οποίος αποδεικνύει ότι η χρήση της συγκεκριμένης μεθόδου βελτιώνει αισθητά την ακρίβεια και Ο όρος salt-and-pepper χαρακτηρίζει το φαινόμενο κατά το οποίο μέσα στα όρια κάποιας κλάσης εμφανίζονται μεμονωμένα εικονοστοιχεία που έχουν εσφαλμένως ανατεθεί σε άλλες κλάσεις. 51

52 Κεφάλαιο 2 την ποιότητα του παραγόμενου χαρτογραφικού προϊόντος [76-78] σε σχέση πάντα με την ταξινόμηση κατά εικονοστοιχείο. Παρόλα αυτά, η το συγκεκριμένο ζήτημα ειδικά σε προβλήματα ταξινόμησης καμένων εκτάσεων είναι ένα θέμα που παραμένει ανοιχτό προς διερεύνηση. Η συγκεκριμένη μέθοδος αναλύεται διεξοδικά στην υποενότητα του Κεφαλαίου 4 και στην υποενότητα του Κεφαλαίου Παρακολούθηση του μεταπυρικού περιβάλλοντος με τεχνικές ανάλυσης τοπίου Μετά την ολοκλήρωση της ταξινόμησης αναλόγως με τους σκοπούς τις εκάστοτε εργασίας χρησιμοποιούνται διάφορες μέθοδοι προκειμένου να αναλυθεί περαιτέρω η τωρινή κατάσταση της υπό εξέταση περιοχής αλλά και η εξέλιξη της τόσο βραχυπρόθεσμα όσο και μακροπρόθεσμα. Αρχικά στην ενότητα αυτή θα παρουσιαστούνε κάποιες βασικές έννοιες αναφορικά με το τι είναι τοπίο, πως η πυρκαγιά επιδρά στη μεταβολή του αλλά και ποιες τεχνικές χρησιμοποιούνται προκειμένου να διερευνηθούν οι αλλαγές που λαμβάνουν χώρα σε αυτό Το τοπίο ως γενική έννοια Με την πλέον γενική έννοια τοπίο νοείται «μια χωρικά ετερογενής περιοχή που διαφοροποιείται τουλάχιστον ως προς ένα παράγοντα ενδιαφέροντος» [79]. Το τοπίο σαν έννοια χρησιμοποιείται σε ένα ευρύ πεδίο επιστημών. Για το λόγο αυτό έχουν δοθεί διαχρονικά πολλοί και διάφοροι ορισμοί προκειμένου να ικανοποιήσουν τους σκοπούς και τις ανάγκες της εκάστοτε επιστήμης [80]. Παρακάτω παρατίθενται μερικοί από τους πιο γνωστούς ορισμούς: «Τοπίο είναι το κομμάτι γης που αντιλαμβανόμαστε πλήρως γύρω μας, χωρίς να εξετάζουμε ενδελεχώς συγκεκριμένα στοιχεία του, και το οποία μας είναι αρκετά γνώριμο» [81]. 52

53 Κεφάλαιο 2 Σύμφωνα με το Green [82] τοπίο είναι «μια περιοχή όπου η ιδιαίτερη τοπογραφία, βλάστηση, κάλυψη γης, και χωροταξική διάταξη των οικισμών την καθιστούν μια ξεχωριστή γεωγραφική ενότητα». Τέλος, «ως τοπίο νοείται μια ετερογενής περιοχή που απαρτίζεται από ομάδες αλληλοσχετιζόμενων οικοσυστημάτων» [83]. Το τοπίο σαν ορισμός διαφέρει από τη έννοια του οικοσυστήματος. Αυτό συμβαίνει διότι, το τοπίο εστιάζει όχι μόνο σε ένα, αλλά σε ένα σύνολο οικοσυστημάτων καθώς στον τρόπο που αυτά αλληλοεπιδρούν μεταξύ τους. Ως φυσικός χώρος δεν είναι στατικό ή κάτι μη εξελίξιμο, αντιθέτως είναι δυναμικό και υπόκειται σε διαρκείς μεταβολές, τα αίτια των οποίων μπορεί να είναι είτε φυσικά είτε ανθρωπογενή [84]. Η ανάγκη λοιπόν για την ερμηνεία, παρακολούθηση και κατανόηση της κατάστασης του τοπίου αλλά και των δυναμικών διεργασιών που λαμβάνουν χώρα εντός του αποτελεί σημαντικό αντικείμενο μελέτης που εξετάζεται από τους πολλούς επιστημονικούς κλάδους Η οικολογία τοπίου Τις τελευταίες δεκαετίες η οικολογία τοπίου αναπτύσσεται με ραγδαίους ρυθμούς και οι μέθοδοί της χρησιμοποιούνται ευρέως σε διάφορους κλάδους της οικολογίας. Το γεγονός ότι στις μέρες μας οι περισσότερες ερευνητικές μελέτες επικεντρώνουν το ενδιαφέρον τους στην εκτίμηση των επιπτώσεων που έχουν οι ταχείες και ευρείας κλίμακας αλλαγές στο περιβάλλον, οδήγησαν σε αύξηση της χρήση των μεθόδων και εργαλείων της συγκεκριμένης επιστήμης [79]. Η οικολογία τοπίου (Landscape ecology) είναι μια νέα σχετικά επιστήμη η οποία α- ποτελεί ξεχωριστό κλάδο των φυσικών επιστημών, από το Ο όρος Landscape ecology, πρωτοεισήχθη και επινοήθηκε από τον Γερμανό βιογεωγράφο Carl Troll (1939), με σκοπό να περιγράψει την επιστήμη η οποία έχει ως κύριο αντικείμενο τη μελέτη των αλληλοσχετίσεων μεταξύ των χωρικών προτύπων (spatial patterns) και των οικολογικών διεργασιών (ecological processes [79]. O Carl Troll προσπάθησε μέσα στο πλαίσιο αυτής της επιστήμης να συνδυάσει δυο διαφορετικές προσεγγίσεις: εκείνη του 53

54 Κεφάλαιο 2 γεωγράφου (οριζόντια χωρική προσέγγιση), που μελετά τις χωρικές αλληλοσχετίσεις μεταξύ των φυσικών φαινομένων και εκείνη του οικολόγου, που μελετά τις λειτουργικές αλληλεπιδράσεις [79, 83, 85]. Όσον αφορά το αντικείμενο της συγκεκριμένης επιστήμης έχουν δοθεί διάφοροι ορισμοί οι συγκεντρώνονται και παρουσιάζονται από τους Turner et.al [79]στο βιβλίο τους με τίτλο «Landscape Ecology In Theory And Practice». Παρακάτω παρατίθεται οι ορισμοί τόσο στην αγγλική όσο και η μετάφραση τους στην ελληνική: Πρώτος ορισμός: «Landscape ecology focuses on (1) the spatial relationships among landscape elements, or ecosystems, (2) the flows of energy, mineral nutrients, and species among the elements, and (3) the ecological dynamics of the landscape mosaic through time» [86]. (σελ. 2) Σύμφωνα με τον Forman «Η οικολογία τοπίου εστιάζει (1) στις χωρικές συσχετίσεις μεταξύ των στοιχείων του τοπίου, ή των οικοσυστημάτων, (2) στις ροές ενέργειας, θρεπτικών συστατικών και ειδών ανάμεσα στα στοιχεία του τοπίου, και (3) στη δυναμική εξέλιξη που παρουσιάζει το τοπίο με την πάροδο του χρόνου». Δεύτερος ορισμός: «Landscape ecology focuses explicitly upon spatial patterns. Specifically, landscape ecology considers the development and dynamics of spatial heterogeneity, spatial and temporal interactions and exchanges across heterogeneous landscape, influences of spatial heterogeneity on biotic and abiotic processes, and management of spatial heterogeneity» [87]. (σελ. 2) Σύμφωνα με τους Risser et al. [87] «Η οικολογία τοπίου εστιάζει αποκλειστικά στα χωρικά πρότυπα. Πιο συγκεκριμένα η οικολογία εξετάζει (1) την εξέλιξη και την δυναμική της χωρικής ετερογένειας, (2) τις χωρικές και χρονικές αλληλεπιδράσεις και τις αλλαγές που λαμβάνουν χώρα στα πλαίσια ενός ετερογενούς τοπίου, (3) τον τρόπο που η χωρική ετερογένεια επηρεάζει τις βιοτικές και αβιοτικές διαδικασίες καθώς και (4) τη διαχείριση της χωρικής ετερογένειας». (σελ. 3) Τρίτος ορισμός: «Landscape ecology is motivated by a need to understand the development and dynamics of pattern in ecological phenomena, the role of disturbance in ecosystems, and characteristic spatial and temporal scales of ecological events» [88]. (σελ. 3) 54

55 Κεφάλαιο 2 Σύμφωνα με τους Urban et al. [88] «Βασικό κίνητρο της επιστήμης της οικολογίας τοπίου είναι η ανάγκη να κατανοηθεί η ανάπτυξη και δυναμική του μοτίβου των οικολογικών φαινομένων, ο ρόλος που διαδραματίζει μια διαταραχή στα οικοσυστήματα καθώς και τα χαρακτηριστικά των χωρικών και χρονικών κλιμάκων των οικολογικών συμβάντων». Τέταρτος ορισμός: «Landscape ecology emphasizes broad spatial scales and the ecological effects of the spatial patterning of ecosystems» [89] (σελ. 3) Σύμφωνα με τη Turner [89] «Η Οικολογία τοπίου εστιάζει στις μεγάλες χωρικές κλίμακες και στις οικολογικές επιπτώσεις που έχει η χωρική διάρθρωση των οικοσυστημάτων». Πέμπτος ορισμός: «Landscape ecology deals with the effects of the spatial configuration of mosaics on a wide variety of ecological phenomena» [90]Wiens (σελ. 3) Σύμφωνα με τους Wiens et al.[90] «Η επιστήμη της οικολογίας τοπίου ασχολείται με τις επιπτώσεις που έχει η χωρική διαμόρφωση των μωσαϊκών σε μια ευρεία ποικιλία οικολογικών φαινομένων». Έκτος ορισμός: «Landscape ecology is the study of the reciprocal effects of spatial pattern on ecological processes; it promotes the development of models and theories of spatial relationships, the collection of new types of data on spatial pattern and dynamics, and the examination of spatial scales rarely addressed in ecology» [91]. Σύμφωνα με τους Pickett και Cadenasso [91] «Η Οικολογία τοπίου είναι η επιστήμη που ασχολείται με τις αμοιβαίες αλληλεπιδράσεις μεταξύ των χωρικών προ-τύπων και των οικολογικών διεργασιών. Σκοπός της επιστήμης είναι να αναπτύξει νέα μοντέλα και θεωρίες αναφορικά με τις χωρικές συσχετίσεις, να συλλέξει νέου τύπου δεδομένα αναφορικά με τα χωρικά πρότυπα και να εξετάσει τις χωρικές κλίμακες που σπανίως εξετάζει η οικολογία». Συνοψίζοντας, η οικολογία τοπίου είναι η επιστήμη η οποία σε τρία βασικά χαρακτηριστικά του τοπίου: (1) τη δομή (structure), δηλαδή τη σύνθεση και τις χωρικές σχέσεις ανάμεσα στα χωρικά πρότυπα των οικοσυστημάτων που απαρτίζουν ένα τοπίο[84], (2) τις λειτουργίες (function), δηλαδή τις αλληλεπιδράσεις μεταξύ των στοιχείων του χώρου και των δομικών χαρακτηριστικών του τοπίου, όπως είναι η ροή της ενέργειας, η κίνηση 55

56 Κεφάλαιο 2 της ύλης και των ειδών ως συστατικά του συστήματος και [83] (3) τις αλλαγές (change), δηλαδή τη μεταβολή της δομής και λειτουργίας του τοπίου με την πάροδο του χρόνου, που οφείλεται κυρίως σε ανθρωπογενείς αιτίες και λιγότερο σε φυσικές [84] Συστατικά του τοπίου Ένα τοπίο αποτελείται από τρία βασικά δομικά στοιχεία, (1) τις χωροψηφίδες (patches), (2) τους διαδρόμους (corridors) και (3) τις θεμελιώδεις επιφάνειες (matrix). Ως χωροψηφίδα ορίζεται αρχικά μια μη γραμμική και σχετικά ομοιογενής περιοχή, η οποία διαφέρει σημαντικά από τον περιβάλλοντα χώρο [92]. Η οικολογική αξία των χωροψηφίδων είναι τεράστια διότι μέσα σε αυτές επιτελούνται πολλές και σημαντικές οικολογικές λειτουργίες. Οι χωροψηφίδες δεν είναι στατικές, αντιθέτως είναι δυναμικές και ο χαρακτήρας τους μπορεί να μεταβληθεί σημαντικά έως και ολοκληρωτικά,με την πάροδο του χρόνου. Σύμφωνα με τη βιβλιογραφία υπάρχουν πολλοί και διαφορετικοί τύποι χωροψηφίδων. Ανάλογα με το πρόβλημα που μελετάται η χωροψηφίδα μπορεί να αντιπροσωπεύει τύπους κάλυψης γης, τύπους βλάστησης αγροτικές καλλιέργειες κλπ. [84]. Στην Εικόνα 2.3 απεικονίζεται ένα παράδειγμα χωροψηφίδας για να κατανοηθεί καλύτερα το τι αντιπροσωπεύει. Εικόνα 2.3. Στην εικόνα αυτή απεικονίζεται πως μια χωροψηφίδα που καλύπτεται από δάσος εμπεριέχεται σε ένα τοπίο.(πηγή: 56

57 Κεφάλαιο 2 Οι διάδρομοι (corridors) από την άλλη πλευρά, αποτελούν εκείνο το στοιχείο του τοπίου, το οποίο είναι γραμμικό και το οποίο ανήκει σε συγκεκριμένο τύπο κάλυψης γης, του οποίου η δομή και περιεχόμενο είναι εντελώς διαφορετικά από το υπόλοιπο πλαίσιο μέσα στο οποίο εντάσσεται [92] Land mosaics. Πιο συγκεκριμένα, οι διάδρομοι ενώνουν τις όμοιες χωροψηφίδες που εντοπίζονται μέσα σε μία θεμελιώδη επιφάνεια ή συγκέντρωση χωροψηφίδων [84]. Τέλος, με τον όρο θεμελιώδης επιφάνεια (matrix) αναφερόμαστε στον τύπο κάλυψης γης ο οποίος κυριαρχεί σε μια περιοχή. Τα τρία βασικά στοιχεία που καθιστούν ένα τύπο κάλυψης γης ως τον επικρατέστερο μια περιοχή είναι ο υψηλός βαθμός συνδεσιμότητας (με άλλα στοιχεία του τοπίου) και συνέχειας που παρουσιάζει, καθώς και η επιρροή που ασκεί στη δυναμική του τοπίου [92]. Land mosaics. Έτσι σε μια μεγάλη, συνεχόμενη έκταση μιας πόλης με διάσπαρτες χωροψηφίδες π.χ. πάρκων, η θεμελιώδης επιφάνεια είναι η πόλη διότι καταλαμβάνει τη μεγαλύτερη έκταση, έχει συνέχεια και διαδραματίζει το βασικότερο ρόλο στις διαδικασίες που λαμβάνουν χώρα στο τοπίο [84] Σύνθεση και διάρθρωση του τοπίου Όταν αναλύεται ένα τοπίο εξετάζονται δυο βασικά στοιχεία του, η σύνθεση (composition) και η χωρική του διάρθρωση (spatial configuration). Η σύνθεση αναφέρεται στα στοιχεία (landscape elements) που απαρτίζουν το υπό εξέταση τοπίο, ενώ η διάρθρωση στον τρόπο με τον οποίο αυτά διατάσσονται στο χώρο [79]. Στην πρώτη περίπτωση περιγράφονται τα ποσοτικά χαρακτηριστικά των χωροψηφίδων που συνθέτουν το τοπίου (π.χ. αφθονία, αριθμός χωροψηφίδων ανά κλάση κτλ.) χωρίς να παρατίθεται καμία γεωγραφική πληροφορία, ενώ στη δεύτερη περιγράφονται τα χαρακτηριστικά των χωροψηφίδων αναφορικά με τη διάταξη τους στο χώρο. Ειδικά για την τελευταία περίπτωση τα χωρικά χαρακτηριστικά στα οποία αναφερόμαστε έχουν να κάνουν με τη εγγύτητα (proximity) ή συνάθροιση (contagion) των χωροψηφίδων, την απομόνωσης (isolation) και τη διασπορά (interspersion) τους στο χώρο. Πέρα από αυτά τα χωρικά χαρακτηριστικά υπάρχει και μια σειρά από άλλα τα οποία μπορούν να αναζητηθούν στους Leitão et al. [84]. Η σύνθεση και η διάρθρωση του τοπίου είναι στοιχεία του τα οποία μεταβάλλονται στο χώρο και στο χρόνο. Οι λόγοι που οδηγούν σε αυτού του τύπου 57

58 Κεφάλαιο 2 τις μεταβολές μπορεί να είναι διάφοροι, ωστόσο οι πιο συνηθισμένοι είναι οι μεταβολές του κλίματος, της τοπογραφίας ή του εδάφους, οι ανθρωπογενείς επιδράσεις, οι φυσικές καταστροφές καθώς και η διαδικασία της φυσικής διαδοχής [79]. Στο επόμενο κεφάλαιο παρατίθενται πιο αναλυτικά οι παράγοντες διαμόρφωσης και εξέλιξης του τοπίου Παράγοντες εξέλιξης του τοπίου. Επίδραση των δασικών πυρκαγιών Ο Levin [93] έχει αναγνωρίσει τρεις βασικές αιτίες αλλαγών: (1) τις τοπικές ιδιαιτερότητες (local uniqueness) μιας περιοχής, δηλαδή τις αλλαγές που οφείλονται στη διαφοροποίηση των αβιοτικών παραγόντων που επικρατούν σε μια περιοχή, και τις αλλαγές που επιβάλλονται στις χρήσεις γης της περιοχής από τις τοπικές κοινωνίες, (2) τις διαφορές φάσης (phase differences), ή τη μεταβολή του χωρικού προτύπου λόγω μιας διαταραχής (disturbance) (φυσικές ή τεχνολογικές καταστροφές), και (3) τη διασπορά (dispersion), η οποία αποτρέπει να γίνουν τα τοπία ομοιόμορφα. Στην πρώτη περίπτωση το κλίμα και ο τύπος κάλυψης γης διαμορφώνει εν μέρει το χωρικό πρότυπο που χαρακτηρίζει το τοπίο. Με τον όρο κλίμα αναφερόμαστε συνήθως στις καιρικές συνθήκες που επικρατούν σε μια περιοχή. Οι διαχρονικές διαφοροποιήσεις που παρατηρούνται στο κλίμα της εκάστοτε περιοχής μελέτης επηρεάζουν σε μεγάλο βαθμό τη βλάστηση και τα είδη που αφθονούν σε αυτήν. Αντιστοίχως οι τύποι κάλυψης γης που επικρατούν σε μια περιοχή ασκούν πολύ σημαντική επίδραση στο τοπίο διότι επηρεάζουν την υγρασία, τα θρεπτικά συστατικά και τα υλικά που εμπεριέχονται στις περιοχές που απαρτίζουν το τοπίο. Γενικά, είναι πολύ σημαντικό για τους διαχειριστικές τοπίου να κατανοήσουν την επίδραση του κλίματος και των τύπων κάλυψης γης στους ζώντες οργανισμούς μιας περιοχής καθώς και την διαχρονική αντίδραση αυτών στις μεταβολές που παρατηρούνται στους δυο αυτούς παράγοντες. Για το λόγο αυτό τις τελευταίες δεκαετίες έχουν αυξηθεί κατά πολύ οι μελέτες που μελετούν τις προαναφερθείσες σχέσεις [79]. Αναφορικά με τις διαταραχές αλλά και τη φυσική διαδοχή που λαμβάνει χώρα στις διάφορες οικολογικές διαδικασίες πρέπει να σημειωθεί ότι η επίδραση που ασκούνε είναι ιδιαίτερα καθοριστική για το χαρακτήρα αλλά και την μελλοντική εξέλιξη του τοπίου. Σε αυτό το σημείο πρέπει να τονιστεί ότι η επιστήμη της οικολογίας τοπίου θεωρεί ότι 58

59 Κεφάλαιο 2 τα αίτια, τα χωρικά πρότυπα, η δυναμική εξέλιξη αυτών καθώς και οι επιπτώσεις των διαταραχών αποτελούν βασικό αντικείμενο της οικολογίας τοπίου [94]. Οι διαταραχές έχουν αναγνωριστεί γενικά ως φυσικές διαδικασίες που επιδρούν και αυξάνουν σημαντικά τη χωρική ετερογένεια του τοπίου (spatial heterogeneity) [79, 95]. Ειδικά για τις διαταραχές που συμβαίνουν στο περιβάλλον οι White 1985 [96] αναφέρουν ότι «πρόκειται για διακριτά συμβάντα στο χρόνο τα οποία διαταράσσουν, το οικοσύστημα, την κοινωνία, τη δομή των πληθυσμών και προξενούν αλλαγές στη διαθεσιμότητα πόρων αλλά και φυσικού περιβάλλοντος». Σημαντικές διαταραχές αποτελούν οι πυρκαγιές, οι πλημμύρες, οι καταιγίδες και οι εκρήξεις ηφαιστείων. Οι διαταραχές περιγράφονται από μια σειρά χαρακτηριστικών, με ποιο βασικά τη χωρική τους κατανομή (spatial distribution), τη συχνότητα (frequency), την έκταση (spatial extent) και το μέγεθος (magnitude). Ειδικά για την περίπτωση των δασικών πυρκαγιών οι οποίες θα αποτελέσουν και το κεντρικό θέμα αυτή της διατριβής θα πρέπει να τονιστεί ότι αποτελούν μια διαταραχή με βραχυπρόθεσμες και μακροπρόθεσμες επιπτώσεις στη δομή και λειτουργίες του τοπίου. Οι δασικές πυρκαγιές αποτελούν την κύρια μορφή διαταραχής που επηρεάζει τα δασικά οικοσυστήματα, με άμεσο επακόλουθο τη δημιουργία πολύπλοκων μωσαϊκών τα οποία χαρακτηρίζονται από διαφορετικούς βαθμούς σφοδρότητας καύσης [97]. Εντός των περιμέτρων των δασικών πυρκαγιών οι χωροψηφίδες οι οποίες έχουνε πληγεί με έντονη δριμύτητα από τη φωτιά ποικίλουν πολύ σε μέγεθος, σχήμα και σφοδρότητα καύσης [94, 98-99]. Συνεπώς το μεταπυρικό περιβάλλον χαρακτηρίζεται από υψηλή χωρική ετερογένεια ως προς τη σφοδρότητα καύσης. Η διαπίστωση αυτή είναι ιδιαίτερα σημαντική διότι η συγκριμένη ετερογένεια στην οποία αναφερόμαστε καθορίζει σε μεγάλο βαθμό τη δομή και αναγέννηση των συστάδων στο μεταπυρικό περιβάλλον [100]. Μετά την καταστροφή το μωσαϊκό που προκύπτει και το οποίο αποτελείται από καμένες και μη καμένες χωροψηφίδες επηρεάζει σημαντικά ένα πολύ μεγάλο αριθμό λειτουργιών του οικοσυστήματος [101] όπως είναι η φυσική αναγέννηση [102] η δέσμευση και αποθήκευση του διοξειδίου του άνθρακα [102],καθώς και τα ενδιαιτήματα άγριας ζωής [103] Η επίδραση που ασκείται στις παραπάνω λειτουργίες μπορεί να διαρκέσουν από μερικά χρόνια έως πολλές δεκαετίες. Σε αυτό το σημείο αξίζει να αναφερθεί ότι οι περισσότερες έρευνες που έχουνε γίνει στον τομέα των δασικών πυρκαγιών εστιάζουν στη σύνθεση της σφοδρότητας της καύσης και λιγότερο στη χωρική της διάταξη [99]. 59

60 Κεφάλαιο 2 Μια ακόμη βασική αιτία αλλαγών που έρχεται να προστεθεί στις παραπάνω, είναι η επίδραση που ασκείται στο τοπίο λόγω της ανθρωπογενούς δραστηριότητας. Γενικά, τόσο οι φυσικές όσο και οι ανθρωπογενείς επιδράσεις αφήνουν το αποτύπωμα τους για πολύ μεγάλο χρονικό διάστημα πάνω στο τοπίο. Όλα τα τοπία ανεξαιρέτως έχουν ένα ιστορικό που σχετίζεται τόσο με φυσικές όσο και με ανθρωπογενείς επιδράσεις. Στις περισσότερες περιπτώσεις ένα συμβάν που έλαβε χώρα στο παρελθόν καθορίζει την κατάσταση του τοπίου στο παρόν αλλά πολλές φορές και στο μέλλον. Η απόκτηση γνώσης αναφορικά με το ποιο παράγοντες δημιουργούν και επηρεάζουν τη κατάσταση του τοπίου αλλά και τις αλλαγές που συμβαίνουν σε αυτό με την πάροδο του χρόνου, επιτρέπει τη δημιουργία σεναρίων πρόβλεψης για την κατάσταση μιας περιοχής. Η γνώση αυτή μπορεί να αποτελέσει σημαντικό εργαλείο στα χέρια των διαχειριστών οι οποίοι αποβλέπουν στην προστασία και διατήρηση του περιβάλλοντος γενικότερα [79, 94] Η χρήση της τηλεπισκόπησης στην παρακολούθηση της εξέλιξης του τοπίου Γενικά η τηλεπισκόπηση αποτελεί ένα χρήσιμο εργαλείο για περιβαλλοντικούς και διαχειριστικούς σκοπούς στην διάθεση των ειδικών επιστημόνων αλλά και κρατικών φορέων για την απόκτηση πληροφοριών σχετικών με την υπό εξέταση περιοχή μελέτης και την επιλογή των κατάλληλων δράσεων για την αντιμετώπιση των διαφόρων προβλημάτων [19]. Η δορυφορική τηλεπισκόπηση ως μέσο χαρτογράφησης και παρακολούθησης της ε- ξέλιξης και παρακολούθησης των φαινομένων που λαμβάνουν χώρα πάνω στη γήινη επιφάνεια παρουσιάζει μια σειρά πλεονεκτημάτων που την καθιστούν ιδιαίτερα δημοφιλή σε ένα πλήθος περιβαλλοντικών εφαρμογών. Τα πιο βασικά πλεονεκτήματα της τηλεπισκόπησης είναι: (1) η ικανότητα χωρικής αντίληψης μέσα από την χρήση δορυφορικών εικόνων, ειδικά σε δυσπρόσιτες και απομακρυσμένες περιοχές, (2) η δυνατότητα διαχρονικών λήψεων εικόνων από τους δορυφόρους που επιτρέπει την παρακολούθηση των δυναμικών φαινόμενων που συντελούνται στην εκάστοτε περιοχή μελέτης λόγω κλιματικών ή άλλων αλλαγών, και (3) η λήψη εικόνων σε πολλές ζώνες του ηλεκτρομαγνητικού φάσματος παρέχει επιπλέον πληροφορίες στη διαδικασία της χαρτογράφησης αναφορικά με τις διαφορές μεταξύ των βιοφυσικών στοιχείων, διευκολύνοντας 60

61 Κεφάλαιο 2 έτσι το διαχωρισμό τους συγκριτικά με την χρησιμοποίηση μιας μόνο φασματικής ζώνης [19, 104]. Όσον αφορά την επιστήμη της οικολογίας τοπίου η βασική ανάγκη των διαχειριστών για πληροφορία αναφορικά με τα φυσιογραφικά χαρακτηριστικά της γης οδήγησε στην ευρεία χρήση της δορυφορική τηλεπισκόπησης. Πλέον η τηλεπισκόπηση είναι άρρηκτα συνδεδεμένη με τη συγκεκριμένη επιστήμη κυρίως επειδή παρέχει τη δυνατότητα καταγραφής της παρούσας κατάστασης του τοπίου αλλά της παρακολούθησης της εξέλιξης του, στο χώρο και χρόνο [105]. Πιο συγκεκριμένα η δορυφορική τηλεπισκόπηση χρησιμοποιείται για την παραγωγή θεματικών χαρτών οι περιέχουν πληροφορίες [80, 106]: για τους τύπους κάλυψης γης που συνθέτουν το μωσαϊκό του τοπίου τη γεωγραφική τους εξάπλωση, τη διάταξη των διαφόρων τύπων κάλυψης γης στο χώρο αλλά και της χρονικής μεταβολής τους. Κατά συνέπεια, η τηλεπισκόπηση αποτελεί βασικό εργαλείο για την ανάλυση του τοπίου με σκοπό την κατανόηση των δυναμικών διεργασιών που λαμβάνουν χώρα σε αυτό Δείκτες ανάλυσης τοπίου Η επιστήμη της οικολογίας τοπίου δίνει έμφαση στην μελέτη της αμοιβαίας σχέσης που υπάρχει μεταξύ των χωρικών προτύπων των υπό εξέταση τοπίων (διάρθρωσης των τοπίων) και των οικολογικών διαδικασιών που λαμβάνουν χώρα σε αυτά [79] Η ανάλυση ενός τοπίου, δηλαδή η μελέτη της δομής του και της εξέλιξης της στο χρόνο, προϋποθέτει την χρήση μεθόδων που ποσοτικοποιούν τα συγκεκριμένα χαρακτηριστικά [79-80]. Για το λόγο αυτό αναπτύχθηκαν οι δείκτες τοπίου (landscape metrics) οι οποίοι αποτελούν ένα πολύ σημαντικό εργαλείο που χρησιμοποιείται ειδικά για την ποσοτικοποίηση της χωρικής διάρθρωσης των τοπίων [107]. Σύμφωνα με τον [108], οι οι δείκτες τοπίου είναι αλγόριθμοι οι οποίοι ποσοτικοποιούν συγκεκριμένα χωρικά χαρακτηριστικά χωροψηφίδων (patches), των κλάσεων χωρο- 61

62 Κεφάλαιο 2 ψηφίδων (class level), και ολόκληρου του μωσαϊκού τοπίου (landscape level). Ειδικότερα, οι δείκτες που υπολογίζονται σε επίπεδο κλάσης, απεικονίζουν τη χωρική κατανομή και το μοτίβο για κάθε τύπο χωροψηφίδας μέσα στο τοπίο. Αντίστοιχα οι δείκτες τοπίου απεικονίζουν το χωρικό μοτίβο για το μωσαϊκό ολόκληρου του τοπίου, λαμβάνοντας υπόψη, και στις δυο περιπτώσεις όλους τους τύπους χωροψηφίδων ταυτόχρονα. Σε αυτό το σημείο θα πρέπει να σημειωθεί ότι οι δείκτες τοπίου αναφέρονται αποκλειστικά σε θεματικούς χάρτες. Στο παρελθόν αναπτύχθηκαν εκατοντάδες δείκτες, για να χαρακτηριστούν οι σχέσεις μεταξύ των χωρικών προτύπων στους κατηγορικούς χάρτες[ ]. Οι δείκτες μπορούν να χωριστούν σε δυο μεγάλες κατηγορίες βάση του τύπου της πληροφορίας που παρέχουν: α) σε αυτούς ποσοτικοποιούν τη χωρική διάρθρωση της δομής του τοπίου (που απεικονίζεται σε ένα χάρτη), χωρίς καμία αναφορά στα χωρικά του χαρακτηριστικά (δείκτες σύνθεσης του τοπίου), και β) σε αυτούς που ποσοτικοποιούν τη χωρική διάρθρωση της δομής του τοπίου (σε ένα χάρτη) και οι οποίοι απαιτούν τη χρήση χωρικής πληροφορίας για τον υπολογισμό τους (δείκτες χωρική διάρθρωσης του τοπίου) [109]. Γενικά οι δείκτες τοπίου έχουν χρησιμοποιηθεί με ιδιαίτερη επιτυχία σε μια πληθώρα εφαρμογών που αφορούν το περιβάλλον. Ειδικά στο πεδίο της δορυφορικής τηλεπισκόπησης, έχει χρησιμοποιηθεί ένας μεγάλος αριθμός από δείκτες τοπίου προκειμένου να πραγματοποιηθεί μέτρηση αλλά και παρακολούθηση των μεταβολών που λαμβάνουν χώρα μεταξύ των διάφορων χρήσεων γης [ ], να γίνει μοντελοποίηση της αστικής ανάπτυξης [112],να εξεταστεί ο κατακερματισμός του δασικού τοπίου [113] και για να πραγματοποιηθεί παρακολούθηση της ποιότητας του περιβάλλοντος [113]. Ειδικά στο πεδίο της δορυφορικής τηλεπισκόπησης, οι δείκτες τοπίου έχουν χρησιμοποιηθεί για να αναλύσουν τη χωρική κατανομή της φωτιάς [102, ] αλλά και τις επιδράσεις της μεταπυρικής αναγέννησης στην ετερογένεια του τοπίου [ , 116]. Αναφορικά με τον υπολογισμό των δεικτών, υπάρχουν αρκετά διαθέσιμα λογισμικά. Ωστόσο το λογισμικό που χρησιμοποιείται συνηθέστερα στον υπολογισμό των χωρικών δεικτών είναι το FRAGSTATS. Επίσης, κάποιοι δείκτες, όχι όμως όλοι, έχουν ενσωματωθεί και στα λογισμικά των γεωγραφικών συστημάτων πληροφοριών (GIS) π.χ. (Patch Analyst στο Arc/View). 62

63 Κεφάλαιο Μεταταξινομική Σύγκριση Η μέθοδος της Μεταταξινομικής Σύγκρισης (Post classification comparison - PCC) είναι από τις πιο συνηθισμένες τεχνικές για την ανίχνευση των αλλαγών from-to μεταξύ των διάφορων κλάσεων κάλυψης γης [ ]. Βασικό πλεονέκτημα αυτής της μεθόδου είναι ότι παρέχει πληροφορίες σχετικά με την φύση των αλλαγών που λαμβάνουν χώρα στην υπό μελέτη περιοχή [119]. Η μεθοδολογία που ακολουθείται προκειμένου να υλοποιηθεί η συγκεκριμένη εργασία περιλαμβάνει αρχικά σύγκριση των χαρτών που παράγονται από δορυφορικές εικόνες διαφόρων ετών, προκειμένου να εντοπιστούν οι μεταβολές που λαμβάνουν χώρα στην εκάστοτε περιοχή μελέτης [120].Το αποτέλεσμα της σύγκρισης των χαρτών είναι ένας πίνακας αλλαγών βάση του οποίου υπολογίζονται διάφορα στατιστικά στοιχεία. Η μελέτη του εν λόγω πίνακα παρουσιάζει τη διαχρονική μεταβολή μεταξύ των διαφόρων κλάσεων ταξινόμησης καθώς και την ποσοτικοποίηση αυτών [121]. Είναι ιδιαίτερης σημασίας να τονιστεί ότι η συγκεκριμένη διαδικασία δεν είναι απαλλαγμένη από λάθη. Η ακρίβεια της εξαρτάται σε μεγάλο βαθμό από την ακρίβεια των αρχικών ταξινομήσεων [121]. Όσον αφορά τη μέθοδο ταξινόμησης που ενδείκνυται να χρησιμοποιείται πριν από την εφαρμογή της μεθόδου PCC, πολλές έρευνες έχουνε δείξει ότι η χρήση μιας τεχνικής ταξινόμησης βασισμένη σε αντικείμενα object-based classification approach) μπορεί να βελτιώσει σημαντικά την ακρίβεια και αποτελεσματικότητα της μεθόδου PCC [ ]. Μέχρι στιγμής είναι ιδιαίτερα μικρός ο αριθμός των εργασιών που έχουν μελετήσει, την αποτελεσματικότητα που παρουσιάζει η μέθοδος PCC όταν οι χάρτες που χρησιμοποιούνται στα πλαίσια της διαδικασίας έχουν παραχθεί από εικόνες VHR μέσω της object-based ταξινόμησης [123] Μέθοδος Ανάλυσης Πλεονασμού- Redundancy Analysis Η τεχνική RDA προτάθηκε αρχικά από τον Rao το 1964 [ ]. Η συγκεκριμένη τεχνική βρίσκει πρόσφορο έδαφος εφαρμογής στις οικολογικές επιστήμες, υιοθετείται 63

64 Κεφάλαιο 2 όμως και από άλλες επιστήμες, όπως η παλαιοντολογία [125]. Η ανάλυση πλεονασμού RDA, είναι μια μέθοδος ανάλυσης δεδομένης διαβάθμισης που χρησιμοποιεί γραμμικό αλγόριθμο για την ταξιθέτηση (ordination) των ταξινομικών ομάδων και δειγμάτων [126]. Ειδικότερα, η τεχνική αυτή χρησιμοποιεί δύο πίνακες, οι οποίοι αποτελούνται από διαφορετικές ομάδες στοιχείων ο καθένας. Ο πρώτος πίνακας στοιχείων περιλαμβάνει την ομάδα των εξαρτημένων μεταβλητών Υ (ή μεταβλητές απόκρισης) (π.χ. είδη ή ομάδες δειγμάτων που εξετάζονται) ενώ ο δεύτερος την ομάδα των ανεξάρτητων μεταβλητών Χ (ή επεξηγηματικές μεταβλητές) (π.χ. περιβαλλοντικές μεταβλητές). Στη συγκεκριμένη τεχνική ο πίνακας των επεξηγηματικών μεταβλητών Χ χρησιμοποιείται για να εξηγήσει τη διακύμανση του πίνακα των μεταβλητών απόκρισης, όπως αντίστοιχα συμβαίνει στην τεχνική της ανάλυσης παλινδρόμησης [125, 127]. Ειδικότερα, η συγκεκριμένη τεχνική προσπαθεί να εντοπίσει τους συνδυασμούς των ανεξάρτητων (επεξηγηματικών) μεταβλητών Χ που εξηγούν άριστα τη διακύμανση του πίνακα των εξαρτημένων μεταβλητών (μεταβλητές απόκρισης) (Υ). Για το λόγο αυτό η RDA εφαρμόζει την τεχνική της πολλαπλής παλινδρόμησης μεταξύ των εξαρτημένων και ανεξάρτητων μεταβλητών και ο πίνακας που προκύπτει που περιέχει τις προσαρμοσμένες τιμές των ε- ξαρτημένων μεταβλητών αναλύεται με τη μέθοδο των κύριων συνιστωσών (principal component analysis). Όπως διαφαίνεται από τα παραπάνω, η RDA είναι μια τεχνική η οποία βασίζεται σε μεγάλο βαθμό στην principal component analysis [125]. Σε αυτό το σημείο θα πρέπει να αναφερθεί ότι στα πλαίσια αυτή της διαδικασίας παράγονται τόσοι κανονιστικοί άξονες όσες και οι επεξηγηματικές μεταβλητές Χ, ενώ κάθε άξονας είναι γραμμικός μετασχηματισμός όλων των επεξηγηματικών μεταβλητών Χ [128]. Τα αποτελέσματα από την ανάλυση πλεονασμού παρουσιάζονται σε δισδιάστατα (biplot) και τρισδιάστατα (triplot) γραφήματα. Στα συγκεκριμένα-να γραφήματα οι περιβαλλοντικές μεταβλητές συμβολίζονται με σημεία. Το κάθε σημείο ενώνεται με την αρχή των αξόνων με ένα διάνυσμα. Επιπλέον, το κάθε διάνυσμα δείχνει την κατεύθυνση κατά την οποία παρατηρείται η μέγιστη διακύμανση της ανεξάρτητης μεταβλητής (περιβαλλοντικής). Αντίστοιχα οι συντεταγμένες των ειδών (στη προκειμένη περίπτωση τα δείγματα από τις δορυφορικές μεταβλητές) συμβολίζονται με σημεία. Φέρνοντας τη νοητή γραμμή (διάνυσμα) που ενώνει τα σημεία με τους άξονες μπορούμε να ερμηνεύ- 64

65 Κεφάλαιο 2 σουμε το ρόλο που αυτές διαδραματίζουν στο σύστημα. Η ερμηνεία τους πραγματοποιείται με τον ίδιο ακριβώς τρόπο με τον οποίο εξηγείται ο ρόλος των ανεξάρτητων (περιβαλλοντικών) μεταβλητών. Όσον αφορά την ερμηνεία των διανυσμάτων των ειδών αυτά που δείχνουν προς την ίδια κατεύθυνση, έχουν μεταξύ τους θετική συσχέτιση ενώ τα διανύσματα που δείχνουν προς την αντίθετη κατεύθυνση δείχνουν αρνητική συσχέτιση. Επίσης, τα διανύσματα που σχηματίζουν μεταξύ τους ορθή γωνία είναι ασυσχέτιστα μεταξύ τους [128]. Τέλος, όσο πιο μεγάλο είναι ένα διάνυσμα, τόσο πιο ισχυρή είναι η συσχέτιση μεταξύ των μεταβλητών που μελετώνται [125]. Η συγκεκριμένη τεχνική είναι η πρώτη φορά που χρησιμοποιείται για να διερευνήσει το κατά πόσο και σε ποιο βαθμό η μεταπυρική ανάκαμψη της βλάστησης που υπολογίζεται μέσω των εικόνων πολύ υψηλής χωρικής διακριτικής ικανότητας μπορεί να εξηγηθεί από την τοπογραφία και τη σφοδρότητα καύσης στο πεδίο. 2.4 Σύνοψη Κεφαλαίου Το κεφάλαιο αυτό μπορεί να συνοψιστεί ως εξής: Οι δασικές πυρκαγιές αποτελούν ένα φαινόμενο το οποίο ταλανίζει πολλές χώρες της Μεσογείου, μεταξύ των οποίων και την Ελλάδα. Αμέσως μετά τη φωτιά απαιτείται από τους διαχειριστές η ύπαρξη ενός διαχειριστικού σχεδίου για την αποκατάσταση των δασικών οικοσυστημάτων που έχουν πληγεί από τις δασικές πυρκαγιές. Βασική προϋπόθεση για τον ολοκληρωμένο σχεδιασμό αλλά και την επιτυχία των μέτρων αποκατάστασης είναι λεπτομερής αποτύπωση και καταγραφή της κατάστασης μετά την πυρκαγιά. Τα τελευταία χρόνια όλες οι αποφάσεις και οδηγίες που λαμβάνονται, σε Ευρωπαϊκό αλλά και σε Παγκόσμιο επίπεδο, σχετικά με το πρόβλημα των δασικών πυρκαγιών, υπερτονίζουν την ανάγκη συλλογής και παραγωγής ακριβούς και λεπτομερούς γεωγραφικής πληροφορίας. 65

66 Κεφάλαιο 2 Ο ιδιαίτερος χαρακτήρας του Μεσογειακού τοπίου επιβάλλει το συνδυασμό πληροφορίας που προέρχεται από εικόνες πολύ υψηλής χωρικής διακριτικής ικανότητας με νέες εξελιγμένες μεθόδους χαρτογράφησης, για να παραχθούν θεματικοί χάρτες, υψηλής ακρίβειας και ποιότητας, αναφορικά με τις επιπτώσεις μια πυρκαγιάς. Όσον αφορά τη χαρτογράφηση των δασικών πυρκαγιών, μέχρι στιγμής δεν έχει αναφερθεί καμία μελέτη, που να έχει διερευνήσει τη συνδυαστική χρήση χαρακτηριστικών ανώτερης τάξης και εξελιγμένων τεχνικών ΕΧ, στη βελτίωση της θεματικής ακρίβειας των χαρτών καμένων εκτάσεων. Παρά το γεγονός ότι έχουν πραγματοποιηθεί πολλές εργασίες αναφορικά με τη χαρτογράφηση και εκτίμηση των βραχυπρόθεσμων συνεπειών της φωτιάς, το συγκεκριμένο ζήτημα παραμένει ανοιχτό προς διερεύνηση. Οι δασικές πυρκαγιές αποτελούν την κύρια μορφή διαταραχής που επηρεάζει τα δασικά οικοσυστήματα, με άμεσο επακόλουθο τη δημιουργία πολύπλοκων μωσαϊκών τα οποία χαρακτηρίζονται από διαφορετικούς βαθμούς σφοδρότητας καύσης. Η απόκτηση γνώσης αναφορικά με το ποιο παράγοντες δημιουργούν και ε- πηρεάζουν τη κατάσταση του τοπίου αλλά και τις αλλαγές που συμβαίνουν σε αυτό με την πάροδο του χρόνου, επιτρέπει τη δημιουργία σεναρίων πρόβλεψης για την κατάσταση μιας περιοχής. Η γνώση αυτή μπορεί να αποτελέσει σημαντικό εργαλείο στα χέρια των διαχειριστών οι οποίοι αποβλέπουν στην προστασία και διατήρηση του περιβάλλοντος γενικότερα. Η παρακολούθηση και μεταπυρική ανάλυση του τοπίου μπορεί να πραγματοποιηθεί με τεχνικές όπως είναι οι δείκτες τοπίου, η μέθοδος της μεταταξινομικής σύγκρισης και η RDA. 66

67 Κεφάλαιο Βιβλιογραφικές αναφορές 1. Lindner, M.; Fitzgerald, J. B.; Zimmermann, N. E.; Reyer, C.; Delzon, S.; van der Maaten, E.; Schelhaas, M.-J.; Lasch, P.; Eggers, J.; van der Maaten-Theunissen, M., Climate change and European forests: What do we know, what are the uncertainties, and what are the implications for forest management? Journal of environmental management 2014, 146, San-Miguel-Ayanz, J.; Moreno, J. M.; Camia, A., Analysis of large fires in European Mediterranean landscapes: lessons learned and perspectives. Forest Ecology and Management 2013, 294, Catry, F.; Rego, F.; Silva, J.; Moreira, F.; Camia, A.; Ricotta, C.; Conedera, M., Fire starts and human activities. Towards Integrated Fire Management Outcomes of the European Project fire Paradox, Joensuu: European Forest Institute Moreira, F.; Arianoutsou, M.; Corona, P.; De las Heras, J., Post-fire management and restoration of southern European forests. Springer Science & Business Media: 2011; Vol Καρτέρης, Μ.; Μαλλίνης, Γ.; Κούτσιας, Ν. In Εφαρμογές δορυφορικών δεδομένων υψηλής και πολύ υψηλής ευκρίνειας στη χαρτογράφηση καμένων εκτάσεων., Αποκατάσταση Καμένων Εκτάσεων, Τσαγκάρη, Κ.; Καρέτσος, Γ.; Προύτσος, Ν. Δασικές Πυρκαγιές Ελλάδας ; Αθήνα, Schmuck, G.; San-Miguel-Ayanz, J.; Camia, A.; Durrant, T.; Santos de Oliveira, S.; Boca, R.; Whitmore, C.; Giovando, C.; Libertà, G.; Corti, P., Forest fires in Europe Vallejo, R., Identification des besoins et évaluation des techniques de restauration post-feu Moreira, F.; Catry, F.; Duarte, I.; Acácio, V.; Silva, J. S., A conceptual model of sprouting responses in relation to fire damage: an example with cork oak (Quercus suber L.) trees in Southern Portugal. Plant Ecology 2009, 201 (1), Κακούρος, Π.; Ντάφης, Σ., Κατευθύνσεις για μια δομημένη προσέγγιση για την αποκατάσταση δασών μαύρης πεύκης μετά από πυρκαγιές, Πρώτη έκδοση Napper, C., Burned area emergency response treatments catalog. USDA Forest Service, National Technology and Development Program, Watershed, Soil, Air Management 2006, Lutes, D. C.; Keane, R. E.; Caratti, J. F.; Key, C. H.; Benson, N. C.; Sutherland, S.; Gangi, L. J., FIREMON: Fire effects monitoring and inventory system Λυριντζής, Γ. Δ.; Μπαλούτσος, Γ. Δ.; Καρέτσος, Γ. Δ.; Ξανθόπουλος, Δ. Γ.; Μπουρλέτσικας, Α.; Μάντακας, Γ.; Καούκης, Κ., Αποκατάσταση καμένων περιοχών Byrot, Y. Η Ζωή μας με τις Δασικές Πυρκαγιές.Η Άποψη της Επιστήμης.; European Forest Institute: Φιλανδία, Gitas, I.; Polychronaki, A.; Mitri, G.; Veraverbeke, S., Advances in Remote Sensing of Post- Fire Vegetation Recovery Monitoring-A review. INTECH Open Access Publisher: Chuvieco, E., Remote sensing in landscape ecological mapping Richards, J.; Milne, A. In Mapping fire burns and vegetation regeneration by classification of multi-temporal LANDSAT MSS image data, Proc. 3rd, Australian Remote Sensing Conference, 1984; pp

68 Κεφάλαιο Chuvieco, E.; Congalton, R. G., Mapping and inventory of forest fires from digital processing of TM data. Geocarto International 1988, 3 (4), Σταυρακούδης, Δ. Μεθοδολογίες ανάπτυξης ασαφών συστημάτων ταξινόμησης με χρήση εξελικτικών αλγορίθμων:εφαρμογή σε προβλήματα υψηλής διαστατικότητας. ΑΠΘ, Θεσσαλονικη, Lentile, L. B.; Holden, Z. A.; Smith, A. M.; Falkowski, M. J.; Hudak, A. T.; Morgan, P.; Lewis, S. A.; Gessler, P. E.; Benson, N. C., Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire 2006, 15 (3), Forest Europe, U. In FAO (2011). State of Europe s forests Status and trends in sustainable forest management in Europe, Ministerial Conference on the Protection of Forests in Europe, Oslo, 2011; p Pereira, J.; Chuvieco, E.; Beaudoin, A.; Desbois, N., Remote sensing of burned areas: a review. A review of remote sensing methods for the study of large wildland fires 1997, Gitas, I. Z.; Mitri, G. H.; Ventura, G., Object-based image classification for burned area mapping of Creus Cape, Spain, using NOAA-AVHRR imagery. Remote Sensing of Environment 2004, 92 (3), Sedano, F.; Kempeneers, P.; Strobl, P.; McInerney, D.; San Miguel, J., Increasing spatial detail of burned scar maps using IRS AWiFS data for Mediterranean Europe. Remote Sensing 2012, 4 (3), Sedano, F.; Kempeneers, P.; San Miguel, J.; Strobl, P.; Vogt, P., Towards a pan-european burnt scar mapping methodology based on single date medium resolution optical remote sensing data. International Journal of Applied Earth Observation and Geoinformation 2013, 20, Gougeon, F. A.; Leckie, D. G., Forest information extraction from high spatial resolution images using an individual tree crown approach Πολυχρονάκη, Α. Ανάπτυξη μεθόδων για την αποτίμηση των βραχυπρόθεσμων και μακροπρόθεσμων επιπτώσεων των πυρκαγιών στα φυσικά οικοσυστήματα με τη χρήση της Τηλεπισκόπησης και των Γεωγραφικών Συστημάτων Πληροφοριών. Αριστοτέλιο Πανεπιστήμιο Θεσσαλονίκη, Stroppiana, D.; Azar, R.; Calò, F.; Pepe, A.; Imperatore, P.; Boschetti, M.; Silva, J.; Brivio, P. A.; Lanari, R., Integration of optical and SAR data for burned area mapping in Mediterranean Regions. Remote Sensing 2015, 7 (2), Dragozi, E.; Gitas, I. Z.; Stavrakoudis, D. G.; Minakou, C. In Burn severity estimation using GeoEye imagery, object-based image analysis (OBIA), and Composite Burn Index (CBI) measurements, Third International Conference on Remote Sensing and Geoinformation of the Environment, International Society for Optics and Photonics: 2015; pp Henry, M. C., Comparison of Single- and Multi-date Landsat Data for Mapping Wildfire Scars in Ocala National Forest, Florida. Photogrammetric Engineering & Remote Sensing 2008, 74 (7), Mallinis, G.; Koutsias, N., Comparing ten classification methods for burned area mapping in a Mediterranean environment using Landsat TM satellite data. International Journal of Remote Sensing 2012, 33 (14), Koutsias, N.; Karteris, M., Logistic regression modelling of multitemporal Thematic Mapper data for burned area mapping. International Journal of Remote Sensing 1998, 19 (18),

69 Κεφάλαιο Ustin, S., Manual of Remote Sensing: Remote sensing for natural resource management and environmental monitoring. Wiley: New Jersey, Smith, A. M. S.; Drake, N. A.; Wooster, M. J.; Hudak, A. T.; Holden, Z. A.; Gibbons, C. J., Production of Landsat ETM+ reference imagery of burned areas within Southern African savannahs: comparison of methods and application to MODIS. International Journal of Remote Sensing 2007, 28 (12), Pu, R.; Gong, P., Determination of Burnt Scars Using Logistic Regression and Neural Network Techniques from a Single Post-Fire Landsat 7 ETM + Image. Photogrammetric Engineering & Remote Sensing 2004, 70 (7), Mitrakis, N. E.; Mallinis, G.; Koutsias, N.; Theocharis, J. B., Burned area mapping in Mediterranean environment using medium-resolution multi-spectral data and a neuro-fuzzy classifier. International Journal of Image and Data Fusion 2011, 3 (4), Zammit, O.; Descombes, X.; Zerubia, J., Burnt area mapping using support vector machines. Forest Ecology and Management 2006, 234 (1), S Key, C. H.; Benson, N. C., Landscape Assessment (LA). FIREMON: Fire effects monitoring and inventory system. General technical report RMRS-GTR-164-CD 2006, LA Schepers, L.; Haest, B.; Veraverbeke, S.; Spanhove, T.; Vanden Borre, J.; Goossens, R., Burned area detection and burn severity assessment of a heathland fire in belgium using airborne imaging spectroscopy (APEX). Remote Sensing 2014, 6 (3), Chuvieco, E., Earth observation of wildland fires in Mediterranean ecosystems. Springer: Cibula, W. G.; Nyquist, M. O., Use of topographic and climatological models in a geographical data base to improve Landsat MSS classification for Olympic National Park Kauth, R. J.; Thomas, G. In The tasselled cap--a graphic description of the spectral-temporal development of agricultural crops as seen by Landsat, LARS Symposia, 1976; p Unser, M., Sum and difference histograms for texture classification. Pattern Analysis and Machine Intelligence, IEEE Transactions on 1986, (1), Haralick, R. M.; Shanmugam, K.; Dinstein, I. H., Textural features for image classification. Systems, Man and Cybernetics, IEEE Transactions on 1973, (6), Haralick, R. M.; Shapiro, L. G., Computer and robot vision. Addison-Wesley Longman Publishing Co., Inc.: Smith, A. M. S.; Wooster, M. J.; Powell, A. K.; Usher, D., Texture based feature extraction: Application to burn scar detection in Earth observation satellite sensor imagery. International Journal of Remote Sensing 2002, 23 (8), Alonso-Benito, A.; Hernandez-Leal, P. A.; Gonzalez-Calvo, A.; Arbelo, M.; Barreto, A. In Analysis of Different Methods for Burnt Area Estimation using Remote Sensing and Ground Truth Data, Geoscience and Remote Sensing Symposium, IGARSS IEEE International, 7-11 July 2008; 2008; pp III III Yao, H.; Tian, L., A genetic-algorithm-based selective principal component analysis (GA- SPCA) method for high-dimensional data feature extraction. Geoscience and Remote Sensing, IEEE Transactions on 2003, 41 (6), Hughes, G. P., On the mean accuracy of statistical pattern recognizers. Information Theory, IEEE Transactions on 1968, 14 (1),

70 Κεφάλαιο Shahshahani, B. M.; Landgrebe, D. A., The effect of unlabeled samples in reducing the small sample size problem and mitigating the Hughes phenomenon. Geoscience and Remote Sensing, IEEE Transactions on 1994, 32 (5), Pal, M.; Foody, G. M., Feature selection for classification of hyperspectral data by SVM. Geoscience and Remote Sensing, IEEE Transactions on 2010, 48 (5), Lu, S.; Oki, K.; Shimizu, Y.; Omasa, K., Comparison between several feature extraction/classification methods for mapping complicated agricultural land use patches using airborne hyperspectral data. International Journal of Remote Sensing 2007, 28 (5), Shackelford, A. K.; Davis, C. H., A hierarchical fuzzy classification approach for highresolution multispectral data over urban areas. Geoscience and Remote Sensing, IEEE Transactions on 2003, 41 (9), Jia, X.; Richards, J. A., Segmented principal components transformation for efficient hyperspectral remote-sensing image display and classification. Geoscience and Remote Sensing, IEEE Transactions on 1999, 37 (1), Huang, X.; Zhang, L.; Li, P., Classification and extraction of spatial features in urban areas using high-resolution multispectral imagery. Geoscience and Remote Sensing Letters, IEEE 2007, 4 (2), Singh, A., Some clarifications about the pairwise divergence measure in remote sensing. Remote Sensing 1984, 5 (3), Tsai, F.; Philpot, W. D., A derivative-aided hyperspectral image analysis system for landcover classification. Geoscience and Remote Sensing, IEEE Transactions on 2002, 40 (2), Colwell, R. N.; Ulaby, F.; Simonett, D. S.; Estes, J.; Thorley, G. A., Manual of remote sensing. Volume 2. Interpretation and applications. American Society of Photogrammetry: Camps-Valls, G.; Mooij, J.; Schölkopf, B., Remote sensing feature selection by kernel dependence measures. Geoscience and Remote Sensing Letters, IEEE 2010, 7 (3), Moustakidis, S.; Theocharis, J.; Giakas, G., Feature selection based on a fuzzy complementary criterion: application to gait recognition using ground reaction forces. Computer methods in biomechanics and biomedical engineering 2012, 15 (6), Μουστακίδης, Σ. Ανάπτυξη ολοκληρωμένων τεχνικών υπολογιστικής νοημοσύνης και μηχανικής μάθησης για την αντιμετώπιση προβλημάτων ταξινόμησης αυξημένης πολυπλοκότητας: Εφαρμογή σε προβλήματα της εμβιομηχανικής και της ταξινόμησης κάλυψης γης με χρήση δορυφορικών εικόνων. Διδακτορική Διατριβή, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Θεσσαλονίκη, Chang, C.-C.; Lin, C.-J., LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology (TIST) 2011, 2 (3), Roli, F.; Fumera, G. In Support vector machines for remote sensing image classification, Europto Remote Sensing, International Society for Optics and Photonics: 2001; pp Huang, C.; Davis, L.; Townshend, J., An assessment of support vector machines for land cover classification. International Journal of remote sensing 2002, 23 (4), Pal, M.; Mather, P., Support vector machines for classification in remote sensing. International Journal of Remote Sensing 2005, 26 (5), Melgani, F.; Bruzzone, L., Classification of hyperspectral remote sensing images with support vector machines. Geoscience and Remote Sensing, IEEE Transactions on 2004, 42 (8),

71 Κεφάλαιο Dalponte, M.; Bruzzone, L.; Gianelle, D., Fusion of hyperspectral and LIDAR remote sensing data for classification of complex forest areas. Geoscience and Remote Sensing, IEEE Transactions on 2008, 46 (5), Cao, X.; Chen, J.; Matsushita, B.; Imura, H.; Wang, L., An automatic method for burn scar mapping using support vector machines. International Journal of Remote Sensing 2009, 30 (3), Zammit, O.; Descombes, X.; Zerubia, J. In Assessment of different classification algorithms for burnt land discrimination, Geoscience and Remote Sensing Symposium, IGARSS IEEE International, July 2007; 2007; pp Vapnik, A., The nature of statistical learning theory. Springer Verlage: New York, United States, Gunn, S. R., Support vector machines for classification and regression. ISIS technical report 1998, Foody, G. M., Status of land cover classification accuracy assessment. Remote Sensing of Environment 2002, 80 (1), Blaschke, T.; Lang, S.; Hay, G., Object-based image analysis: spatial concepts for knowledge-driven remote sensing applications. Springer Science & Business Media: Addink, E. A.; Van Coillie, F. M.; De Jong, S. M., Introduction to the GEOBIA 2010 special issue: From pixels to geographic objects in remote sensing image analysis. International Journal of Applied Earth Observation and Geoinformation 2012, 15, ecognition Developer, T., 9.0 User Guide. Trimble Germany GmbH: Munich, Germany Lucas, R.; Rowlands, A.; Brown, A.; Keyworth, S.; Bunting, P., Rule-based classification of multi-temporal satellite imagery for habitat and agricultural land cover mapping. ISPRS Journal of photogrammetry and remote sensing 2007, 62 (3), Nussbaum, S.; Menz, G., Object-based image analysis and treaty verification: new approaches in remote sensing-applied to nuclear facilities in Iran. Springer Science & Business Media: Mitri, G. H.; Gitas, I. Z., Mapping post-fire forest regeneration and vegetation recovery using a combination of very high spatial resolution and hyperspectral satellite imagery. International Journal of Applied Earth Observation and Geoinformation 2013, 20, Turner, M. G.; Gardner, R. H.; O'neill, R. V., Landscape ecology in theory and practice. Springer: 2001; Vol Farina, A., Principles and methods in landscape ecology: towards a science of the landscape. Springer Science & Business Media: 2008; Vol Haber, W., Landscape ecology as a bridge from ecosystems to human ecology. Ecological research 2004, 19 (1), Green, B. H.; Simmons, E. A.; Woltjer, I.; Group, I. C. L. C. W., Landscape conservation: Some steps towards developing a new conservation dimension. University of London, Department of Agriculture, Horticulture and Environment: Forman, R. T.; Godron, M., Landscape ecology John Wiley & Sons. New York 1986, Leitão, A. B.; Miller, J.; Ahern, J.; McGarigal, K., Measuring landscapes: A planner's handbook. Island press: Naveh, Z.; Lieberman, A. S., Landscape ecology: theory and application. Springer Science & Business Media: Forman, R. T., An ecology of the landscape. BioScience 1983, 33 (9),

72 Κεφάλαιο Risser, P. G., Landscape ecology: directions and approaches. Illinois Natural History Survey: Urban, D. L.; O'Neill, R. V.; Shugart, H. H., Landscape ecology. BioScience 1987, 37, Turner, M. G., Landscape ecology: the effect of pattern on process. Annual review of ecology and systematics 1989, Wiens, J. A.; Chr, N.; Van Horne, B.; Ims, R. A., Ecological mechanisms and landscape ecology. Oikos 1993, Pickett, S. T.; Cadenasso, M. L., Landscape ecology: spatial heterogeneity in ecological systems. Science 1995, 269 (5222), Forman, R. T., Land mosaics: the ecology of landscapes and regions. Cambridge university press: Levin, S. A., Spatial patterning and the structure of ecological communities. Some mathematical questions in biology 1976, 7, Turner, M. G., Disturbance and landscape dynamics in a changing world 1. Ecology 2010, 91 (10), Wu, J.; Loucks, O. L., From balance of nature to hierarchical patch dynamics: a paradigm shift in ecology. Quarterly review of biology 1995, White, P. S.; Pickett, S. In Natural disturbance and patch dynamics, Academic Press, Keane, R. E.; Agee, J. K.; Fulé, P.; Keeley, J. E.; Key, C.; Kitchen, S. G.; Miller, R.; Schulte, L. A., Ecological effects of large fires on US landscapes: benefit or catastrophe? International Journal of Wildland Fire 2009, 17 (6), Turner, M. G.; Hargrove, W. W.; Gardner, R. H.; Romme, W. H., Effects of fire on landscape heterogeneity in Yellowstone National Park, Wyoming. Journal of Vegetation Science 1994, 5 (5), Harvey, B. J.; Turner, M. G.; Raffa, Z. K. F.; Townsend, E. P. A. Causes and consequences of spatial patterns of fire severity in Northern Rocky Mountain forests: the role of disturbance interactions and changing climate. THE UNIVERSITY OF WISCONSIN-MADISON, Schoennagel, T.; Smithwick, E. A.; Turner, M. G., Landscape heterogeneity following large fires: insights from Yellowstone National Park, USA. International Journal of Wildland Fire 2009, 17 (6), Turner, M. G.; Donato, D. C.; Romme, W. H., Consequences of spatial heterogeneity for ecosystem services in changing forest landscapes: priorities for future research. Landscape Ecology 2013, 28 (6), Haire, S. L.; McGarigal, K., Effects of landscape patterns of fire severity on regenerating ponderosa pine forests (Pinus ponderosa) in New Mexico and Arizona, USA. Landscape Ecology 2010, 25 (7), Boyce, M. S.; Mao, J. S.; Merrill, E. H.; Fortin, D.; Turner, M. G.; Fryxell, J.; Turchin, P., Scale and heterogeneity in habitat selection by elk in Yellowstone National Park. Ecoscience 2003, Τοπάλογλου, Χ., Ποιοτική και ποσοτική σύγκριση ανελαστικών-ασαφούς λογικής αλγορίθμων ταξινόμησης για τη διάκριση βιοφυσικών στοιχείων με τη χρήση δορυφορικών εικόνων

73 Κεφάλαιο Groom, G.; Mücher, C. A.; Ihse, M.; Wrbka, T., Remote Sensing in Landscape Ecology: Experiences and Perspectives in a European Context. Landscape Ecology 2006, 21 (3), Gulinck, H.; Múgica, M.; de Lucio, J. V.; Atauri, J. A., A framework for comparative landscape analysis and evaluation based on land cover data, with an application in the Madrid region (Spain). Landscape and urban planning 2001, 55 (4), Zhang, Z.; Van Coillie, F.; De Clercq, E. M.; Ou, X.; De Wulf, R., Mountain vegetation change quantification using surface landscape metrics in Lancang watershed, China. Ecological Indicators 2013, 31, McGarigal, K., Landscape pattern metrics. Encyclopedia of environmetrics McGarigal, K., Landscape Pattern Metrics.. In Encyclopedia of Environmetrics., John Wiley & Sons, Ltd: 2013; Vol Lausch, A.; Herzog, F., Applicability of landscape metrics for the monitoring of landscape change: issues of scale, resolution and interpretability. Ecological Indicators 2002, 2 (1), Herold, M.; Couclelis, H.; Clarke, K. C., The role of spatial metrics in the analysis and modeling of urban land use change. Computers, Environment and Urban Systems 2005, 29 (4), Qu, W.; Zhao, S.; Sun, Y., Spatiotemporal patterns of urbanization over the past three decades: a comparison between two large cities in Southwest China. Urban ecosystems 2014, 17 (3), Carranza, M. L.; Hoyos, L.; Frate, L.; Acosta, A. T.; Cabido, M., Measuring forest fragmentation using multitemporal forest cover maps: Forest loss and spatial pattern analysis in the Gran Chaco, central Argentina. Landscape and Urban Planning 2015, 143, Haire, S. L.; McGarigal, K., Changes in fire severity across gradients of climate, fire size, and topography: a landscape ecological perspective. Fire Ecology 2009, 5 (2), Harvey, B. J.; Donato, D. C.; Romme, W. H.; Turner, M. G., Influence of recent bark beetle outbreak on fire severity and postfire tree regeneration in montane Douglas-fir forests. Ecology 2013, 94 (11), Lee, J.-M.; Lee, S.-W.; Lim, J.-H.; Won, M.-S.; Lee, H.-S., Effects of heterogeneity of prefire forests and vegetation burn severity on short-term post-fire vegetation density and regeneration in Samcheok, Korea. Landscape and ecological engineering 2014, 10 (1), Jensen, J. R., Introductory digital image processing: A remote sensing perspective. Pearson College Division: Hussain, M.; Chen, D.; Cheng, A.; Wei, H.; Stanley, D., Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing 2013, 80, Liu, T.; Yang, X., Monitoring land changes in an urban area using satellite imagery, GIS and landscape metrics. Applied Geography 2015, 56, Demirel, N.; Emil, M. K.; Duzgun, H. S., Surface coal mine area monitoring using multitemporal high-resolution satellite imagery. International journal of Coal geology 2011, 86 (1), Coppin, P.; Jonckheere, I.; Nackaerts, K.; Muys, B.; Lambin, E., Review ArticleDigital change detection methods in ecosystem monitoring: a review. International journal of remote sensing 2004, 25 (9),

74 Κεφάλαιο Blaschke, T., Towards a framework for change detection based on image objects. Göttinger Geographische Abhandlungen 2005, 113, Zhou, W.; Troy, A.; Grove, M., Object-based land cover classification and change analysis in the Baltimore metropolitan area using multitemporal high resolution remote sensing data. Sensors 2008, 8 (3), Rao, C. R., The use and interpretation of principal component analysis in applied research. Sankhyā: The Indian Journal of Statistics, Series A 1964, Legendre, P.; Legendre, L., Numerical Ecology, Volume 24, (Developments in Environmental Modelling) Manolaki, P.; Μανωλάκη, Π. Αξιολόγηση της οικολογικής ποιότητας των ποταμών Αχέροντα και Λούρου της Δ. Ελλάδας και της λεκάνης απορροής τους με χρήση υδρόβιων μακροφύτων ως βιολογικών δεικτών Gittins, R., Canonical analysis: a review with applications in ecology. Springer Science & Business Media: 2012; Vol Ter Braak, C. J.; Prentice, I. C., A theory of gradient analysis. Advances in ecological research 1988, 18,

75 Κ Ε Φ Α Λ Α Ι Ο 3 Περιοχές Μελέτης-Δεδομένα Περιοχές μελέτης - Δεδομένα 3.1 Περιοχή μελέτης Όρος Πάρνηθα 3.2 Περιοχή μελέτης Νότιο τμήμα της Νήσου Ρόδου 3.3 Περιοχή μελέτης-νομός Έβρου 3.4 Δεδομένα Δορυφορικά δεδομένα Δεδομένα πεδίου Βοηθητικά δεδομένα 3.5 Προεπεξεργασία δεδομένων Εφαρμογή των τεχνικών προεπεξεργασίας 3.6 Βιβλιογραφικές αναφορές Για τη διερεύνηση του σκοπού και των επιμέρους στόχων της παρούσας διατριβής επιλέχθηκαν ως περιοχές μελέτης, το όρος της Πάρνηθας, το νησί της Ρόδου και η ευρύτερη περιοχή του Νομού Έβρου. Οι περιοχές που προαναφέρθηκαν, έχουνε πληγεί σοβαρότατα στο παρελθόν από δασικές πυρκαγιές, η ένταση και οι επιπτώσεις των οποίων ποικίλλουν ανά περίπτωση. Συγκεκριμένα, στο παρόν κεφάλαιο παρουσιάζονται και περιγράφονται τα στοιχεία των τριών περιοχών μελέτης, καθώς και τα δορυφορικά δεδομένα και οι μετρήσεις πεδίου που ελήφθησαν και χρησιμοποιήθηκαν κατά τη διάρκεια της υλοποίησης της συγκεκριμένης ερευνητικής εργασίας. 3.1 Περιοχή μελέτης Όρος Πάρνηθα Ο ορεινός όγκος της Πάρνηθας βρίσκεται στην Αττική, βορειοδυτικά της Αθήνας (38 11 N, E). Η περιοχή είναι διεθνούς σημασίας και προστατεύεται από μία σειρά νομοθεσιών και οδηγιών (Natura 2000, SPA-Special Protection Areas). Ένα τμήμα της περιοχής ανήκει στο Νομό Βοιωτίας, ενώ το νοτιοδυτικό της τμήμα υπάγεται διοικητικά στους δήμους Αχαρνών, Φυλής, Ωρωπού και Διονύσου. Εκτείνεται σε μια έ- κταση περίπου 300 km και η υψηλότερη κορυφή της είναι η Καραμπόλα (1.413 m). Η Πάρνηθα έχει ανακηρυχθεί ως περιοχή ιδιαίτερου φυσικού κάλλους και ένα σημαντικό τμήμα της περιοχής απαρτίζει τον ομώνυμο Εθνικό Δρυμό.

76 Κεφάλαιο 3 Ιδιαίτερο χαρακτηριστικό της περιοχής είναι ότι διαθέτει αρκετά διαφορετικό κλίμα από την υπόλοιπη Αττική και το Λεκανοπέδιο Αθηνών. Οι ιδιαίτερες κλιματικές συνθήκες που επικρατούν στην περιοχή διαμορφώνουν ένα ξεχωριστό περιβάλλον στο οποίο απαντώνται πάνω από είδη φυτών, από τα οποία τα 92 είναι ελληνικά ενδημικά, ενώ 3 από αυτά είναι ενδημικά της Πάρνηθας και απαντώνται μόνο στην Πάρνηθα και πουθενά αλλού στον κόσμο. Η βλάστηση της περιοχής είναι ιδιαίτερα πυκνή το μεγαλύτερο μέρος της οποίας καλύπτεται από πευκοδάση και ελατοδάση. Στις υψηλότερες και ψυχρότερες περιοχές ( m) κυριαρχεί η κεφαλληνιακή ελάτη (Abies cephalonica), ενώ στις περιοχές με χαμηλότερο υψόμετρο (<800 m) κυριαρχεί η Χαλέπιος Πεύκη (Pinus halepensis). Ένα μικρό μέρος της έκτασης καλύπτεται από δάση Δρυός, κυρίως χνοώδους δρυός (Querqus pubescens), τα οποία εμφανίζονται είτε ως αμιγή είτε σε μίξη με τη χαλέπιο πεύκη [1]. Τέλος, οι θαμνώδεις εκτάσεις καταλαμβάνουν ένα επίσης σημαντικό μέρος της συνολικής επιφάνειας και περιλαμβάνουν κυρίως φρύγανα και μακία βλάστηση. Κατά τη διάρκεια του καλοκαιριού του 2007 (28 Ιουνίου), η περιοχή αντιμετώπισε τη χειρότερη φυσική καταστροφή που καταγράφτηκε τις τελευταίες δεκαετίες. Η μεγάλη δασική πυρκαγιά ξεκίνησε από μια περιοχή κοντά στα Δερβενοχώρια Αττικής, δυτικά του όρους. Εκείνη την ημέρα δεν έπνεαν ισχυροί άνεμοι παρόλα αυτά η φωτιά εξαπλώθηκε ταχύτατα και κατέκαψε περίπου στρέμματα δασικής βλάστησης. Αξίζει να σημειωθεί ότι η σφοδρότητα της φωτιάς ήτανε τόσο μεγάλη, που απομείνανε ελάχιστες άκαυτες νησίδες δασικής βλάστησης. Στην Εικόνα 3.1 οριοθετούνται με κόκκινο τα α- κριβή όρια της περιοχής μελέτης της εργασίας. Νησίδες ζωντανής βλάστησης ονομάζονται οι λόχμες ή οι συδενδρίες και οι μικρής έκτασης συστάδες δένδρων που παρέμειναν άκαυτες ή επηρεάστηκαν ελάχιστα από τη δασική πυρκαγιά. 76

77 Κεφάλαιο 3 Εικόνα 3.1. Η περιοχή μελέτης: καμένη δασική έκταση του Όρους Πάρνηθα. 3.2 Περιοχή μελέτης Νότιο τμήμα της Νήσου Ρόδου Η Nήσος Ρόδος βρίσκεται στο νοτιοανατολικό άκρο της Ελλάδας, περίπου 18 km νοτιοδυτικά των ακτών της Τουρκίας. Πρόκειται για το πιο απομακρυσμένο νησί της Ελλάδας και το μεγαλύτερο του Δωδεκανησιακού νησιωτικού συγκροτήματος. Η επιφάνεια του είναι km 2, ενώ η περίμετρος του 253 km. Το κλίμα στη Ρόδο είναι εύκρατο μεσογειακό με θερμά καλοκαίρια και ήπιους χειμώνες. Το τοπίο το συνθέτουν λόφοι, χαμηλά βουνά, καθώς και μεγάλες εκτάσεις αμπελιών και ελαιώνων. Το μεγαλύτερο μέρος των φυσικών εκτάσεων του νησιού, καλύπτεται από γενικά από ευμεσογειακή βλάστηση και πιο συγκεκριμένα από αείφυλλους θάμνους (με χαρακτηριστικότερα είδη το σχίνο-pistacia lentiscus, την κουμαριά-arbutus unedo και το πουρνάρι Quercus coccifera), φρύγανα (με χαρακτηριστικότερα είδη το θυμάρι Corydothymus capitatus, την αστοιβή-sarcopoterium spinosum, τη ρίγανη Origanum sp. τον ασφόδελο 77

78 Κεφάλαιο 3 Asphodelus sp.και την ασφάκα Phlomis fruticosa), καθώς και από μικτά δάση τραχείας πεύκης (Pinus brutia και κυπαρισσιού (Cupressus sempervirens v. Horizontalis) [2]. Το κεντροδυτικό τμήμα του νησιού καλύπτεται σε μεγάλο βαθμό από ορεινούς ό- γκους, με πιο χαρακτηριστικό τον ορεινό όγκο του Αττάβυρου (1215 m). Το όρος Αττάβυρος βρίσκεται δυτικά του νησιού και διαθέτει πλούσια πανίδα και χλωρίδα. Ένα από τα πιο χαρακτηριστικά είδη χερσαίας πανίδας που διαθέτει αυτή η περιοχή είναι το πλατόνι Dama-Dama (ελάφι), το οποίο αποτελεί και το σύμβολο του νησιού. Η βλάστηση που κυριαρχεί στην περιοχή είναι έντονα δασική η οποία όμως υπέστη εκτεταμένες καταστροφές ( στρέμματα καμένης έκτασης) κατά τη διάρκεια της μεγάλης πυρκαγιάς της Ρόδου, τον Ιούλιο του Για το λόγο αυτό, η περιοχή μελέτης στη παρούσα διατριβή περιορίζεται στο δυτικό τμήμα του νησιού, όπως φαίνεται και στο Εικόνα 3.2. Η περιοχή μελέτης οριοθετείται από το κόκκινο πλαίσιο στη δορυφορική εικόνα και εκτείνεται στην περιοχή με γεωγραφικό πλάτος και γεωγραφικό μήκος Εικόνα 3.2. Η περιοχή μελέτης: καμένη δασική έκταση του Όρους Αττάβυρου (Ρόδος). 78

79 Κεφάλαιο Περιοχή μελέτης-νομός Έβρου Ο νομός Έβρου ( ) είναι ο πλέον βόρειος νομός της Ελλάδας. Συνορεύει ανατολικά με την Τουρκία και βόρεια με την Βουλγαρία ενώ βρέχεται και από το Θρακικό πέλαγος. Έχει έκταση Km 2 και πληθυσμό περίπου κατοίκους. Ο Έβρος είναι ένας από τους πιο αραιοκατοικημένους νομούς της Ελλάδας, με 35 κατοίκους ανά km 2. Κύρια απασχόληση των κατοίκων της ευρύτερης περιοχής είναι η γεωργία και η κτηνοτροφία. Το κλίμα του νομού είναι ηπειρωτικό και χαρακτηρίζεται από δριμείς χειμώνες και θερμά καλοκαίρια. Στην περιοχή του Έβρου υπάρχουν δύο Εθνικά Πάρκα, το δάσος Δαδιάς και το Δέλτα του Έβρου. Οι περιοχές αυτές παρουσιάζουν διεθνές ενδιαφέρον λόγω της υψηλής οικολογικής τους αξίας και για αυτό προστατεύονται από διεθνείς συμβάσεις αλλά και από την ισχύουσα ελληνική νομοθεσία. Στις 24 Αυγούστου του 2011 το κεντρικό και νότιο τμήμα του νομού Έβρου υπέστη σοβαρές καταστροφές, λόγω της μεγάλης δασικής πυρκαγιάς που ξέσπασε στην αγροτοδασική περιοχή Λευκίμης-Βυρίνης. Σύμφωνα με το δελτίο συμβάντων της Πυροσβεστικής Υπηρεσίας της Αλεξανδρούπολης η φωτιά ξεκίνησε από έντεκα (11) διαφορετικές εστίες, ενώ το αρχικό πύρινο μέτωπο έφτανε τα 3 km. Ένα σημαντικό τμήμα της περιοχής που επλήγη άνηκε στο Εθνικό Πάρκο Δάσους Δαδιάς-Λευκίμης-Σουφλίου, σε (τρεις) περιοχές οι οποίες εντάσσονται στο ευρωπαϊκό δίκτυο Natura καθώς και στο Καταφύγιο άγριας ζωής Νίψας-Δρυμού Δήμου Τραϊανούπολης. Η πυρκαγιά έπληξε συνολικά στρέμματα, κυρίως δασών και δασικών εκτάσεων. Τα δάση που επηρεάστηκαν από την φωτιά ήτανε κυρίως δάση κωνοφόρων, μικτά δάση κωνοφόρων-πλατυφύλλων καθώς και εκτάσεις χαμηλής βλάστησης. Η πυρκαγιά έπληξε επίσης τα αρπακτικά πουλιά της περιοχής τα οποία επηρεάστηκαν είτε από την απώλεια του βιοτόπου τους, ή από την προσωρινή απώλεια του βιοτόπου τροφοληψίας τους [3]. Στην περιοχή μελέτης το μεγαλύτερο ποσοστό των πευκόφυτων εκτάσεων που επλήγησαν από τη δασική πυρκαγιά, ήτανε περιοχές που στην πλειονότητα τους είχαν προέλθει από τεχνητές αναδασώσεις. Τα είδη που συνέθεταν αυτές τις φυτοκοινωνίες αποτελούνταν κυρίως από θαλασσία (Pinus pinaster), τραχεία (Pinus brutia) και μαύρη πεύκη (Pinus nigra). Επίσης ένα πολύ μικρό μέρος της περιοχής μελέτης καλυπτόταν και από αυτοφυή είδη μαύρης (Pinus nigra) και τραχείας (Pinus brutia) πεύκης. Τα είδη αυτά εξακολουθούν να απαντώνται σε περιορισμένες θέσεις και κυρίως σε εδάφη που 79

80 Κεφάλαιο 3 έχουν προέλθει από πυριτικά πετρώματα. Άλλα είδη που συμμετείχαν στη συγκρότηση της δασοκάλυψης πριν τη φωτιά ήταν η απόδισκος δρυς (Quercus Sessiliflora), η πλατύφυλλος δρυς (Quercus Conferta), ο γαύρος ο ανατολικός (Carpinus Orientalis), η φράξος η υψηλή (Fraxinus excelsior), ο σφένδαμος ο πλατανοειδής (Acer platanoides), καθώς και η οξυά η δασική (Fagus sylvatica). Το τμήμα του νομού που επλήγη από την καταστρεπτική πυρκαγιά οριοθετείται από το κόκκινο πλαίσιο στη δορυφορική εικόνα (Εικόνα 3.3) και εκτείνεται στην περιοχή με γεωγραφικό πλάτος και γεωγραφικό μήκος Εικόνα 3.3. Η περιοχή μελέτης: καμένη δασική έκταση του Νομού Έβρου. 80

81 Κεφάλαιο Δεδομένα Δορυφορικά δεδομένα Για την υλοποίηση των στόχων της παρούσας ερευνητικής εργασίας, χρησιμοποιήθηκε πληροφορία από τους πολυφασματικούς δορυφορικούς αισθητήρες ΙKONOS, GeoEye-1 και WorldView-2. Πρόκειται, για δορυφορικούς αισθητήρες πολύ υψηλής αλλά ταυτόχρονα διαφορετικής χωρικής διακριτικής ικανότητας. Συγκεκριμένα, ο δορυφορικός αισθητήρας IKONOS παρέχει ένα κανάλι (Band) με χωρική διακριτική ικανότητα 1m (ασπρόμαυρο-παγχρωματικό) και τέσσερα κανάλια με χωρική διακριτική ικανότητα 4m. Τα τρία από τα τέσσερα κανάλια αντιστοιχούν στις συχνότητες του μοντέλου RGB (ορατό φάσμα nm), ενώ το τέταρτο κανάλι καλύπτει μέρος του εγγύς υπέρυθρου τμήματος του ηλεκτρομαγνητικού φάσματος ( nm). Με τη χρήση διαφόρων τεχνικών πραγματοποιείται συχνά συνδυασμός του πανγχρωματικού καναλιού με τα πολυφασματικά, προκειμένου να παραχθεί μια πολυφασματική δορυφορική εικόνα υψηλότερης φασματικής και χωρικής διακριτικής ικανότητας (1m). Όπως στην περίπτωση του IKONOS έτσι και στην περίπτωση του GeoEye-1 ο δορυφορικός αισθητήρας παρέχει ένα κανάλι στο πανγχρωματικό με χωρική διακριτική ικανότητα 50cm και τέσσερα στο πολυφασματικό με αντίστοιχη διακριτική ικανότητα 2m. Ο συγκεκριμένος αισθητήρας καταγράφει, όπως και στην προηγούμενη περίπτωση, την ανακλώμενη ενέργεια από την επιφάνεια της γη στο ορατό ( nm) καθώς και στο υπέρυθρο ( nm) τμήμα του ηλεκτρομαγνητικού φάσματος. Η πολυφασματική εικόνα που προέρχεται από τον αισθητήρα WorldView-2 αποτελείται από μια πανγχρωματική εικόνα με χωρική διακριτική ικανότητα 50cm και μια πολυφασματική με οχτώ κανάλια, χωρικής διακριτικής ικανότητας 2m. Ο δορυφορικός αισθητήρας WorldView-2 την παρούσα χρονική στιγμή είναι μοναδικός διότι είναι ο μόνος αισθητήρας υψηλής ανάλυσης, ο οποίος διαθέτει τόσο μεγάλο αριθμό καναλιών. Ο Πίνακας 3.1 παρουσιάζει όλες τις δορυφορικές εικόνες που χρησιμοποιήθηκαν για κάθε περιοχή μελέτης καθώς και σχετικές πληροφορίες με αυτές. Συγκεκριμένα, για 81

82 Κεφάλαιο 3 κάθε δορυφορική εικόνα που χρησιμοποιήθηκε, παρουσιάζονται λεπτομερείς πληροφορίες σχετικά με τα τεχνικά χαρακτηριστικά της, την ημερομηνία απόκτησης της και αλλά και την ημερομηνία εκδήλωσης της πυρκαγιάς στην εκάστοτε περιοχή ενδιαφέροντος. Πίνακας 3.1. Τεχνικά χαρακτηριστικά των πολυφασματικών δορυφόρων που χρησιμοποιήθηκαν στην συγκεκριμένη εργασία. Περιοχή Κανάλια Χωρική Α- Ημερομηνία Α- Ημερομηνία Δεδομένα Μελέτης (Band) νάλυση πόκτησης Πυρκαγιάς IKONOS Πάρνηθα (pan-sharpened 4+1 1m multi-spectral) Ρόδος IKONOS (pan-sharpened 4+1 1m multi-spectral) Έβρος GeoEye m Έβρος GeoEye m Έβρος GeoEye m Έβρος WorldView-2 4 2m Το πανγχρωματικό κανάλι 82

83 Κεφάλαιο Δεδομένα πεδίου Για την επίτευξη των στόχων της παρούσας διδακτορικής διατριβής κρίθηκε αναγκαία η διενέργεια μετρήσεων πεδίου και η συλλογή πληροφοριών υπαίθρου. Συγκεκριμένα, οι εργασίες πεδίου διεξήχθησαν, στις πληγείσες από την πυρκαγιά περιοχές του Νομού Έβρου, σε τρείς διαφορετικές χρονικές στιγμές μετά το πέρας της φωτιάς (1 η μέτρηση: , 2 η μέτρηση: , 3 η μέτρηση: ). Οι μετρήσεις πεδίου, κρίθηκε σκόπιμο να πραγματοποιηθούν όσο το δυνατόν πιο κοντά στις ημερομηνίες λήψης των τριών δορυφορικών εικόνων, ώστε να υπάρχει η μέγιστη δυνατή συσχέτιση μεταξύ της κατάστασης που καταγράφηκε στο πεδίο και της κατάστασης που αποτυπώθηκε στις δορυφορικές εικόνες. Στα πλαίσια του σχεδιασμού της έρευνας πεδίου πραγματοποιήθηκε εκτίμηση της σφοδρότητα καύσης, εντός της καταγεγραμμένης περιμέτρου της φωτιάς, με μεθόδους δορυφορικής τηλεπισκόπησης. Ειδικότερα, αναπτύχθηκε ένα μοντέλο αντικειμενοστραφούς ταξινόμησης χρησιμοποιώντας την εικόνα WorldView-2 με το οποίο χαρτογραφήθηκαν οι διάφοροι βαθμοί σφοδρότητας καύσης. Ακολούθησαν οι επισκέψεις στην περιοχή της πυρκαγιάς, και πραγματοποιήθηκαν δειγματοληψίες σε προεπιλεγμένες περιοχές βάσει των οδηγιών του πρωτοκόλλου FIREMON [4] (Εικόνα 3.4). Οι επισκέψεις στο πεδίο πραγματοποιήθηκαν με τη βοήθεια των, Ιωάννη Δραγόζη και Θανάση Καλογρανά (Εικόνα 3.5). 83

84 Κεφάλαιο 3 Εικόνα 3.4. Πρωτόκολλο δειγματοληψιών FIREMON για τη μέτρηση του δείκτη CBI (Composite Burn Index) στο πεδίο. 84

85 Κεφάλαιο 3 Το συγκεκριμένο πρωτόκολλο χρησιμοποιείται για τη μεταπυρική εκτίμηση της σφοδρότητας πυρκαγιάς και καταγραφή της μεταβολής που επέρχεται από την επίδραση της φωτιάς, σε σχέση με την προηγούμενη κατάσταση. Τα αποτελέσματα των καταγραφών πεδίου, ανά επιφάνεια επίγειας παρατήρησης, συνοψίζονται στο δείκτη Composite Burn Index (CBI) [5] ο οποίος αθροίζει τις επιμέρους βαθμολογίες κάθε κατηγορίας που περιλαμβάνει το πρωτόκολλο. Για περισσότερες πληροφορίες σχετικά με το πρωτόκολλο ο αναγνώστης παραπέμπεται στη σχετική βιβλιογραφία [5]. Στο κεφάλαιο αυτό παρουσιάστηκαν συνοπτικά οι διαδικασίες που αφορούσαν τη συλλογή των σημείων πεδίου διότι στα παρακάτω κεφάλαια ακολουθεί εκτενής περιγραφή και ανάλυση των συγκεκριμένων διαδικασιών. Εικόνα 3.5. Φωτογραφίες από τα μέλη της ομάδας που συμμετείχαν στις μετρήσεις πεδίου. 85

86 Κεφάλαιο Βοηθητικά δεδομένα Στο πλαίσιο των εργασιών της παρούσας μελέτης κρίθηκε αναγκαίο πέρα από τις δορυφορικές εικόνες να χρησιμοποιηθούν πρόσθετες γεωγραφικές πληροφορίας αναφορικά με τις τρείς περιοχές μελέτης. Ο Πίνακας 3.2 παρουσιάζει το σύνολο των βοηθητικών δεδομένων καθώς και τις πηγές που τα παρείχαν. Πίνακας 3.2. Κατάλογος των γεωγραφικών δεδομένων που χρησιμοποιήθηκαν στην παρούσα μελέτη. Περιοχή Μελέτης Δεδομένα Μορφή Δεδομένων Πηγές Δεδομένων Πάρνηθα Περίμετρος της καμένης έ- κτασης Πολυγωνικό Αρχείο (Shapefile) Γενική Γραμματεία Δασών Ρόδος Περίμετρος της καμένης έ- κτασης Πολυγωνικό Αρχείο (Shapefile) Γενική Γραμματεία Δασών Έβρος Περίμετρος της καμένης έ- κτασης Πολυγωνικό Αρχείο (Shapefile) Γενική Γραμματεία Δασών Έβρος Διαχειριστικός Χάρτης της περιοχής Πολυγωνικό Αρχείο (Shapefile) Διεύθυνση Δασών Αλεξανδρούπολης Έβρος Οδικό δίκτυο Πολυγωνικό Αρχείο (Shapefile) Διεύθυνση Δασών Αλεξανδρούπολης Έβρος Ψηφιακό Μοντέλο Εδάφους (DEM-Digital Elevation Model)(5m) Ψηφιδωτό αρχείο (Raster file) Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης Αγροτεμάχια από το Σύ- Έβρος στημα Αναγνώρισης Αγροτεμαχίων-Land-parcel Identification System (LPIS) Πολυγωνικό Αρχείο (Shapefile) Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης data 86

87 Κεφάλαιο Προεπεξεργασία δεδομένων Τις τελευταίες δεκαετίες τα τηλεπισκοπικά δορυφορικά δεδομένα χρησιμοποιούνται ευρέως σε εφαρμογές που αφορούν την μελέτη και παρακολούθηση των δασών, αλλά και του περιβάλλοντος γενικότερα. Παραδείγματα τέτοιων εφαρμογών είναι η παρακολούθηση και χαρτογράφηση καμένων εκτάσεων (burned area mapping), κάλυψης/χρήσεων γης (landcover/landuse), δάσους/μη δάσους (forest/nonforest) και υγροβιοτόπων (wetland). Η χρήση των δορυφορικών δεδομένων σε όλες τις παραπάνω εφαρμογές αλλά και σε αντίστοιχες, προϋποθέτει την εφαρμογή μιας σειράς τεχνικών προεπεξεργασίας (preprocessing) για να απαλειφθούν σφάλματα ή αλλοιώσεις που υποβαθμίζουν την ποιότητα της εικόνας [6]. Ανεξαρτήτως της εφαρμογής ή του αισθητήρα που χρησιμοποιείται εφαρμόζονται δυο τεχνικές διορθώσεις σφαλμάτων, οι ραδιομετρικές και γεωμετρικές. Οι ραδιομετρικές διορθώσεις αφορούν ως επί το πλείστον διεργασίες που πρέπει να γίνουν προκειμένου να διορθωθούν σφάλματα τα οποία σχετίζονται με την ατμοσφαιρική διάχυση και απορρόφηση, τις μεταβολές της γωνίας σάρωσης, τις μεταβολές της γωνίας πρόσπτωσης του ηλίου και το θόρυβο του συστήματος. Οι γεωμετρικές διορθώσεις με τη σειρά τους, αφορούν διορθώσεις που πρέπει να γίνουν προκειμένου να εξαλειφθούν παραμορφώσεις που σχετίζονται με την κίνηση της πλατφόρμας του δορυφόρου (τρόπος λειτουργίας, υψόμετρο, ταχύτητα), την περιστροφή της γης (περιστροφή, καμπυλότητα, ανάγλυφο) και την επίδραση της καμπυλότητας της γης [6]. Η υποενότητα αυτή περιγράφει συνοπτικά τις τεχνικές προ-επεξεργασίας που εφαρμόστηκαν για να καταστούν οι δορυφορικές εικόνες κατάλληλες για τη διαδικασία της ανάλυσης Εφαρμογή των τεχνικών προεπεξεργασίας Το στάδιο προεπεξεργασίας περιλάμβανε αρχικά την ατμοσφαιρική διόρθωση των τριών δορυφορικών εικόνων GeoEye. Η ατμοσφαιρική διόρθωση εφαρμόστηκε με σκοπό την απομάκρυνση σφαλμάτων που οφείλονται στην επίδραση της ατμόσφαιρας και τα οποία υποβαθμίζουν σημαντικά την ακρίβεια της ανάλυσης των εικόνων [6-7]. Η διόρθωση αυτή, ανήκει στην ευρύτερη κατηγορία των ραδιομετρικών διορθώσεων και 87

88 Κεφάλαιο 3 κρίνεται απαραίτητο να εφαρμοστεί όταν οι δορυφορικές εικόνες, οι οποίες αναλύονται στην εκάστοτε μελέτη, προορίζονται για ταξινόμηση ή για δημιουργία δεικτών[7]. Συγκεκριμένα για την παρούσα εργασία, οι ατμοσφαιρικές διορθώσεις που εφαρμόστηκαν πραγματοποιήθηκαν με τη χρήση του εργαλείου ATCOR 2, το οποίο βρίσκεται ενσωματωμένο στο λογισμικό ERDAS Imagine Στο σημείο αυτό πρέπει να σημειωθεί ότι δεν πραγματοποιήθηκε ατμοσφαιρική διόρθωση, στην περίπτωση των εικόνων IKO- NOS, καθότι αυτή δεν απαιτείται σε προβλήματα ταξινόμησης με μία μόνο δορυφορική εικόνα (single-date classification)[8]. Το επόμενο βήμα στην προεπεξεργασία των εικόνων περιλάμβανε την ορθοδιόρθωση των ατμοσφαιρικά διορθωμένων εικόνων GeoEye. Η συγκεκριμένη διόρθωση ανήκει στην κατηγορία των γεωμετρικών διορθώσεων και επιλέχθηκε για να απομακρύνει τα σφάλματα που εισάγονται στην εικόνα λόγω της τοπογραφίας και του έντονου αναγλύφου. Η μέθοδος που εφαρμόστηκε για την διόρθωση αυτού του τύπου είναι η εγγραφή «εικόνα προς εικόνα» (image to image-registration) [6] χρησιμοποιώντας ως βάση αναφοράς την ήδη γεωμετρικά διορθωμένη εικόνα WorldView-2, καθώς και το Ψηφιακό Μοντέλο Εδάφους (Digital Elevation Model-DEM) με βήμα καννάβου 5m. Για τον προσανατολισμό των εικόνων χρησιμοποιήθηκαν οι συντελεστές RPC (Rational Polynomial Coefficients), οι οποίοι είναι διαφορετικοί για κάθε εικόνα, καθώς και περίπου 80 εδαφικά σημεία ελέγχου (ground control points-gcps) ανά περίπτωση, τα οποία ελήφθησαν αναφορικά με την γεωμετρικά διορθωμένη εικόνα WorldView-2. Το μέσο τετραγωνικό σφάλμα (Root Mean Square Error) που σχετίζεται με τα εδαφικά σημεία ελέγχου (ground control points-gcps) δεν ξεπέρασε σε καμία περίπτωση το ½ της διάστασης του εικονοστοιχείου (pixel). 88

89 Κεφάλαιο Βιβλιογραφικές αναφορές 1. Λατσούδης, Π. Οικολογικός απολογισμός της καταστροφικής πυρκαγιάς του Ιουνίου 2007 στην Πάρνηθα; Αθήνα Σεπτέμβριος 2007, WWF Ελλάς Οικολογικός απολογισμός της πυρκαγιάς του Ιουλίου 2008 στη Ρόδο; Αθήνα, Σεπτέμβριος 2008, WWF Ελλάς Πυρκαγιά του κεντρικού Έβρου - Άυγουστος 2011: Οικολογικός απολογισμός της φωτιάς. Γενικά στοιχεία, επιπτώσεις προτάσεις.; Αθήνα, Οκτώμβριος, Key, C. H.; Benson, N. C., Landscape Assessment (LA). FIREMON: Fire effects monitoring and inventory system. General technical report RMRS-GTR-164-CD 2006, LA Lutes, D. C.; Keane, R. E.; Caratti, J. F.; Key, C. H.; Benson, N. C.; Sutherland, S.; Gangi, L. J., FIREMON: Fire effects monitoring and inventory system Jensen, J. R., Introductory digital image processing: A remote sensing perspective. Pearson College Division: Mather, P.; Koch, M., Computer processing of remotely-sensed images: an introduction. John Wiley & Sons: Song, C.; Woodcock, C. E.; Seto, K. C.; Lenney, M. P.; Macomber, S. A., Classification and change detection using Landsat TM data: when and how to correct atmospheric effects? Remote sensing of Environment 2001, 75 (2),

90 Κ Ε Φ Α Λ Α Ι Ο 4 Διερεύνηση σύγχρονων μεθόδων ταξινόμησης δορυφορικών εικόνων για την χαρτογράφηση καμένων εκτάσεων και την παραγωγή θεματικών χαρτών υψηλής ακρίβειας. Διερεύνηση σύγχρονων μεθόδων ταξινόμησης δορυφορικών εικόνων για την χαρτογράφηση καμένων εκτάσεων και την παραγωγή θεματικών χαρτών υψηλής ακρίβειας. 4.1 Περίληψη 4.5 Πειραματικά αποτελέσματα 4.2 Εισαγωγή 4.6 Συζήτηση 4.3 Περιοχές Μελέτης 4.7 Συμπεράσματα 4.4 Προτεινόμενη μεθοδολογία 4.8 Βιβλιογραφικές αναφορές Το κεφάλαιο που ακολουθεί πραγματεύεται τη διερεύνηση και σύγκριση νέων μεθόδων ταξινόμησης (Μηχανές Διανυσμάτων Υποστήριξης - Support Vector Machines και Αντικειμενοστραφής Ταξινόμηση-Object Based Classification) για την χαρτογράφηση καμένων εκτάσεων. Στο κεφάλαιο αυτό παρουσιάζονται επίσης τα πλεονεκτήματα και μειονεκτήματα των μεθόδων χαρτογράφησης, τα αποτελέσματα της αξιολόγησης ακρίβειας των χαρτών, καθώς και οι δυνατότητες αξιοποίησης των συγκεκριμένων μεθοδολογιών στον επιχειρησιακό σχεδιασμό αντιμετώπισης δασικών πυρκαγιών. Το συγκεκριμένο κομμάτι της διδακτορικής διατριβής έχει ήδη δημοσιευτεί στο διεθνές περιοδικό Remote Sensing ΜDPI με τίτλο εργασίας Burned Area Mapping Using Support Vector Machines and the FuzCoC Feature Selection Method on VHR IKONOS Imagery. Dragozi, E., Gitas, I.Z., Stavrakoudis, D.G. and Theocharis, J.B., Burned Area Mapping Using Support Vector Machines and the FuzCoC Feature Selection Method on VHR IKONOS Imagery. Remote Sensing, 6(12), pp

91 Κεφάλαιο Περίληψη Τα τελευταία χρόνια, εντείνεται το ενδιαφέρον για την ανάπτυξη μεθοδολογιών, οι οποίες αποσκοπούν στην υψηλής ακριβείας χαρτογράφηση καμένων εκτάσεων. Στην εργασία αυτή διερευνήθηκε εάν η πληροφορία που παρέχεται από τα χαρακτηριστικά α- νώτερης τάξης, τα οποία προκύπτουν μέσω μετασχηματισμών των αρχικών καναλιών της εικόνας IKONOS, μπορεί να βελτιώσει την ποιότητα και ακρίβεια των χαρτογραφικών προϊόντων που αποτυπώνουν την καμένη έκταση. Για την ανάλυση αυτή θεωρήθηκαν δύο προσεγγίσεις: α) η ταξινόμηση κατά εικονοστοιχείο (pixel-based classification) και β) η ταξινόμηση κατά αντικείμενο (object-based classification). Για τους σκοπούς της εργασίας χρησιμοποιήθηκαν, και στις δύο περιπτώσεις, εξελιγμένες τεχνικές από το πεδίο της μηχανικής εκμάθησης (machine learning). Οι τεχνικές αυτές είναι: η μέθοδος επιλογής χαρακτηριστικών FuzCoC (Fuzzy Complementary Criterion) βασισμένη στο ασαφές κριτήριο συμπληρωματικότητας και ο αλγόριθμος ταξινόμησης SVM (Support Vector Machines). Στα πλαίσια της ανάλυσης παράχθηκε ένας σημαντικός αριθμός χαρακτηριστικών ανώτερης τάξης και χωρικών χαρακτηριστικών από τις αρχικές εικόνες IKONOS. Η μεθοδολογία που προτάθηκε στην παρούσα μελέτη, εφαρμόστηκε σε δύο περιοχές της Ελλάδας, την Πάρνηθα και Ρόδο, οι οποίες είχαν πληγεί από δασικές πυρκαγιές. Εκτεταμένη συγκριτική ανάλυση των αποτελεσμάτων που προέκυψαν από τις δύο προσεγγίσεις αποδεικνύουν, ότι το SVM object-based σχήμα ταξινόμησης επιτυγχάνει υψηλότερες ακρίβειες από ότι το αντίστοιχο SVM pixel-based. Επιπλέον, διαφαίνεται ξεκάθαρα από τα αποτελέσματα ότι το ποσοστό της ακρίβειας των χαρτών αυξάνει σημαντικά, έπειτα από την προσθήκη παράγωγων χαρακτηριστικών εικόνας τα οποία στην προκειμένη περίπτωση επιλέχθηκαν μέσω της FuzCoC μεθόδου επιλογής χαρακτηριστικών. Η χρήση της μεθόδου επιλογής FuzCoC πέρα από τη θετική επίδραση που ασκεί στην ακρίβεια της ταξινόμησης, συμβάλλει σημαντικά και στην διευκόλυνσή της διαδικασίας, μειώνοντας σημαντικά το υπολογιστικό κόστος και διευκολύνοντας τον χειρισμό μεγάλου όγκου δεδομένων. Το βασικό συμπέρασμα που προκύπτει από αυτή την έρευνα είναι ότι, η εφαρμογή μιας μεθόδου επιλογής χαρακτηριστικών κρίνεται απαραίτητη, όταν στα πλαίσια της ταξινόμησης πρόκειται να χρησιμοποιηθεί πληροφορία που προέρχεται από χαρακτηριστικά ανώτερης τάξης, που έχουν εξαχθεί από εικόνες πολύ υψηλής ευκρίνειας. 91

92 Κεφάλαιο 4 Λέξεις κλειδιά: ασαφές κριτήριο συμπληρωματικότητας (Fuzzy Complimentary Criterion (FuzCoC), Αντικειμενοστραφής μέθοδος ανάλυσης (Object-Based Image Analysis (OBIA)), ταξινόμηση κατά αντικείμενο (pixel-based classification), χαρτογράφηση καμένων εκτάσεων - burned area mapping. 4.2 Εισαγωγή Κάθε χρόνο σφοδρές δασικές πυρκαγιές καταστρέφουν εκατομμύρια εκτάρια δασικών εκτάσεων. Οι επιπτώσεις των πυρκαγιών είναι τεράστιες αφού επηρεάζουν σε σημαντικό βαθμό το φυσικό περιβάλλον, την κοινωνία αλλά και τον άνθρωπο [1]. Ειδικά στην λεκάνη της Μεσογείου, όπου επικεντρώνεται και η παρούσα μελέτη, τα τελευταία χρόνια αυξάνονται ανησυχητικά τα περιστατικά δασικών πυρκαγιών [2]. Για την αντιμετώπιση των αρνητικών επιπτώσεων των δασικών πυρκαγιών οι κυβερνήσεις παγκοσμίως, υποχρεούνται στη λήψη μέτρων για την προστασία και αποκατάσταση των καμένων εκτάσεων [3]. Βασική προϋπόθεση για την υλοποίηση αυτών των δράσεων αποτελεί η ύπαρξη άμεσης, αξιόπιστης αλλά και λεπτομερούς πληροφορίας σχετικά με την κατάσταση των πληγεισών περιοχών [4]. Η ύπαρξη ακριβούς χωρικής πληροφορίας, σχετικά με την θέση, την έκταση αλλά και το είδος της πυρκαγιάς, συμβάλλει σημαντικά στην επιτυχημένη εφαρμογή των μεταπυρικών μέτρων προστασίας, τα οποία αποσκοπούν στην αποφυγή παράνομων δραστηριοτήτων, όπως η αυθαίρετη τουριστική δόμηση και η καταπάτηση δασικών εκτάσεων [4-5]. Από τις αρχές της δεκαετίας του 80, η δορυφορική τηλεπισκόπηση χρησιμοποιείται ευρέως στη χαρτογράφηση και διαχείριση των καμένων εκτάσεων [6-7]. Ως εκ τούτου, για τη χαρτογράφηση καμένων εκτάσεων τόσο σε τοπικό, όσο και σε περιφερειακό αλλά και παγκόσμιο επίπεδο [8] έχει χρησιμοποιηθεί μια πληθώρα δορυφορικών δεδομένων, διαφορετικής χωρικής και φασματικής διακριτικής ικανότητας. Παραδοσιακά, η απόκτηση χωρικής θεματικής πληροφορίας για τις φωτιές πραγματοποιείται με τη χρήση δορυφορικών εικόνων μέσης αλλά και χαμηλής χωρικής διακριτικότητας. Παραδείγματα τέτοιων εικόνων είναι οι εικόνες που παρέχουν αισθητήρες (sensors) όπως ο Landsat TM (30m) (μέσης χωρικής διακριτικότητας), Landsat MSS (80m), MODIS (250m), AVHRR (1km), και SPOT-VGT (1km) (χαμηλής χωρικής διακριτικότητας). 92

93 Κεφάλαιο 4 Τα τελευταία χρόνια, η μεγάλη διαθεσιμότητα εικόνων υψηλής χωρικής διακριτικής ικανότητας (Very High Resolution-VHR), όπως οι IKONOS, WorldView, και Quick- Bird, ανοίγει νέες δυνατότητες και προοπτικές στη χαρτογράφηση καμένων εκτάσεων σε τοπικό επίπεδο [9]. Η χρήση των δορυφορικών εικόνων πολύ υψηλής χωρικής διακριτικότητας μπορεί να προσφέρει πολύ λεπτομερή χαρτογραφικά προϊόντα, και συνεπώς σημαντικές πληροφορίες, για μια σειρά από οικολογικές διαδικασίες (π.χ. σύνθεση της βλάστησης, βιοποικιλότητα, διάβρωση του εδάφους, υδρολογικό κύκλο κ.τ.λ.) που λαμβάνουν χώρα, σε τοπικό επίπεδο, μετά τη φωτιά. Παραδείγματα επιτυχημένης χαρτογράφησης καμένων εκτάσεων, στις οποίες αξιοποιήθηκαν δορυφορικές εικόνες VHR, μπορεί να βρει κανείς στις εργασίες [10-11] και [12]. Μέχρι σήμερα, έχουν εφαρμοστεί διάφορες τεχνικές ταξινόμησης στον τομέα χαρτογράφησης καμένων εκτάσεων. Μερικές από τις μεθοδολογίες που έχουν προταθεί για την ταξινόμηση καμένων εκτάσεων είναι ο ταξινομητής μέγιστης πιθανότητας (maximum likelihood classifier) [13-14], η λογιστική παλινδρόμηση (logistic regression) [15], τα δέντρα ταξινόμησης και παλινδρόμησης (classification and regression trees CART) [14, 16], η γραμμική όσο και η μη γραμμική φασματική ανάλυση μείγματος (linear and/or nonlinear spectral mixture analysis) [17-18], οι δείκτες βλάστησης (Vegetation Indices -VIs) [14, 19], τα νευρωνικά δίκτυα (Neural Networks) [20], οι α- σαφείς νευρωνικοί ταξινομητές Neuro-Fuzzy techniques [21], οι Μηχανές Διανυσμάτων Υποστήριξης (Support Vector Machines-SVM) [22-24], και η αντικειμενοστραφής ανάλυση εικόνας (Object Based Image Analysis - OBIA) [25-26]. Ωστόσο, αξίζει να σημειωθεί ότι σε κάθε πρόβλημα που αφορά τη χαρτογράφηση καμένων εκτάσεων, η επιλογή της βέλτιστης μεθόδου ταξινόμησης, εξαρτάται κατά κύριο λόγο από την κλίμακα της ανάλυσης αλλά και τους στόχους τρέχοντος ερευνητικού έργου. Πρόσφατα ο ευρωπαϊκός οργανισμός διαστήματος (ESA) προκειμένου να διευκολύνει την υλοποίηση χαρτών υψηλής ακρίβειας, με δυνατότητες ανανέωσης και ομοιόμορφο τρόπο παραγωγής, ανέπτυξε και εφάρμοσε διάφορους αλγόριθμους ταξινόμησης. Στην προκειμένη περίπτωση, η αναγνώριση και αποτύπωση των καμένων εκτάσεων πραγματοποιήθηκε σε παγκόσμιο επίπεδο (χάρτες μικρής κλίμακας), με τη χρήση δορυφορικών δεδομένων, τα οποία προήλθαν από τρεις διαφορετικούς δορυφορικούς αισθητήρες, τον ENVISAT AATSR/ MERIS και SPOT Vegetation [27]. Τα ευρήματα του 93

94 Κεφάλαιο 4 συγκεκριμένου ερευνητικού προγράμματος της ESA, που τιτλοφορείται «fire_cci project», θα είναι σύντομα διαθέσιμα σε όλη την επιστημονική και ερευνητική κοινότητα. Επί του παρόντος, δεν έχει αναληφθεί κάποια αντίστοιχη δράση σε Ευρωπαϊκό επίπεδο, για την παραγωγή χαρτών καμένων εκτάσεων μεγάλης κλίμακας (πχ. χάρτες που εκτείνονται σε τοπικό επίπεδο). Παρόλα αυτά, η ακριβής αποτύπωση της θέσης και της έκτασης της φωτιάς σε τοπικό επίπεδο είναι εφικτή, όταν μια από τις προαναφερθείσες μεθόδους ταξινόμησης συνδυαστεί με εικόνες πολύ υψηλής χωρικής διακριτικής ικανότητας. Τα τελευταία χρόνια, η συνεχώς αυξανόμενη διαθεσιμότητα των εικόνων VHR καθώς και η ανάπτυξη προηγμένων τεχνικών ανάλυσης εικόνας (π.χ. OBIA, SVM, Neuro-Fuzzy classification), είχαν ως επακόλουθο την παραγωγή χαρτών (καμένων ε- κτάσεων) πολύ υψηλής ακρίβειας, όπου η αλληλεπίδραση ανθρώπου-υπολογιστή είναι αρκετά περιορισμένη [28-29]. Επίσης, έχει διαφανεί από πρόσφατες έρευνες ότι το επίπεδο αξιοπιστίας των παραχθέντων θεματικών χαρτών (χάρτες χρήσης/κάλυψης γηςland cover) είναι δυνατόν να αυξηθεί, όταν η πληροφορία των αρχικών καναλιών της εικόνας εμπλουτιστεί, με επιπλέον πληροφορία που προέρχεται από, χαρακτηριστικά υ- φής (texture features) ή χωρικούς δείκτες (spatial indicators) [28-29]. Συγκεκριμένα, έχει παρατηρηθεί αύξηση της ακρίβειας και της αξιοπιστίας της χαρτογράφησης όταν τα φασματικά χαρακτηριστικά ανώτερης τάξης (higher-order features), τα οποία προκύπτουν από τους μετασχηματισμούς των αρχικών καναλιών της εικόνας, συνδυάζονται με εξελιγμένες τεχνικές ανάλυσης (advanced image analysis techniques), όπως είναι οι μέθοδοι επιλογής χαρακτηριστικών (ΕΧ)( feature selection methods-fs) και οι σύγχρονες μέθοδοι ταξινόμησης [30-32]. Στο πρόβλημα που αφορά την ταξινόμηση των καμένων εκτάσεων οι [33] και [34] έχουν ήδη μελετήσει τη χρήση επιπρόσθετης πληροφορίας που προέρχεται από τους μετασχηματισμούς υφής και διάφορους δείκτες Vis. Παρόλα αυτά, η χρήση των χαρακτηριστικών ανώτερης τάξης ειδικά σε προβλήματα ταξινόμησης καμένων εκτάσεων είναι ένα θέμα που παραμένει ανοιχτό προς διερεύνηση. Αξίζει να σημειωθεί, ότι καμία από τις προαναφερθείσες εργασίες δεν έχει μελετήσει τη συνδυαστική χρήση χαρακτηριστικών ανώτερης τάξης και εξελιγμένων τεχνικών ΕΧ. 94

95 Κεφάλαιο 4 Σκοπός λοιπόν της παρούσας εργασίας είναι η χαρτογράφηση πρόσφατα καμένων εκτάσεων από εικόνες VHR IKONOS, με τη χρήση των σύγχρονων μεθόδων ανάλυσης εικόνας, SVM [35] και FuzCoC Feature Selection (FS) [36]. Οι επιμέρους στόχοι ήταν οι εξής: να διερευνηθεί εάν η ποιότητα και η ακρίβεια των χαρτών καμένων εκτάσεων, που προκύπτουν από την εφαρμογή του ταξινομητή SVM σε εικόνες VHR IKO- NOS, αυξάνεται όταν τα αρχικά χαρακτηριστικά (κανάλια) της εικόνας εμπλουτίζονται από χαρακτηριστικά ανώτερης τάξης, να συγκριθούν δυο προσεγγίσεις ταξινόμησης, η ταξινόμηση ανά εικονοστοιχείο (pixel-based classification) και η ταξινόμηση βασισμένη σε αντικείμενα (objectbased classification), προκειμένου να διαπιστωθεί ποια είναι ποιο κατάλληλη για να χρησιμοποιηθεί σε επιχειρησιακό επίπεδο στη χαρτογράφηση καμένων εκτάσεων. Το κεφάλαιο αυτό είναι χωρισμένο σε 7 υποκεφάλαια συμπεριλαμβανομένου της περίληψης και του παρόντος εισαγωγικού κεφαλαίου). Το υποκεφάλαιο 4.3 παρουσιάζει τα δεδομένα που χρησιμοποιήθηκαν στην παρούσα μελέτη, ενώ το υποκεφάλαιο 4.4 περιγράφει τη μεθοδολογία που ακολουθήθηκε.τα πειραματικά αποτελέσματα μαζί με τη διαδικασία αξιολόγηση ακρίβειας (accuracy assessment) παρουσιάζονται 4.5 ενώ στο υποκεφάλαιο 4.6 συγκρίνονται οι δυο προσεγγίσεις της ταξινόμησης (pixel and object) με βάση τις δυνατότητες εφαρμογής τους σε επιχειρησιακό επίπεδο. Στο τέλος στο υποκεφάλαιο 4.7 παρουσιάζονται τα τελικά συμπεράσματα που εξάγονται από την παρούσα μελέτη. 95

96 Κεφάλαιο Περιοχές Μελέτης Η μελέτη αυτή εστιάζει στην υψηλής ακρίβειας χαρτογράφηση πρόσφατα καμένων εκτάσεων, οι οποίες εντοπίζονται σε δυο διαφορετικές γεωγραφικές περιοχές της Ελλάδας. Η πρώτη περιοχή μελέτης είναι το όρος Πάρνηθα (Εικόνα 4.1) το οποίο εντοπίζεται στην Αττική, στο κεντρικό τμήμα της Ελλάδας. Η Πάρνηθα είναι το υψηλότερο (1413 m) βουνό της Αττικής, το οποίο ανακηρύχθηκε ως Εθνικό Πάρκο το Το καλοκαίρι του 2007, η περιοχή επλήγει από σφοδρή δασική πυρκαγιά η οποία προκάλεσε μεγάλες καταστροφές τόσο στο φυσικό όσο και στο ανθρωπογενές περιβάλλον της περιοχής. Το κλίμα που επικρατεί στην περιοχή είναι τυπικό Μεσογειακό, με θερμά καλοκαίρια και ήπιους χειμώνες. Η δεύτερη περιοχή μελέτης είναι το νησί της Ρόδου (Εικόνα 4.2), που βρίσκεται στο νοτιοανατολικό Αιγαίο. Η Ρόδος είναι το μεγαλύτερο νησί των Δωδεκανήσων τόσο από πλευράς έκτασης όσο και πληθυσμού. Η μεγάλη πυρκαγιά που έπληξε το νησί εκδηλώθηκε στις 22 Ιουλίου του Για λόγους τους οποίους θα εξηγήσουμε αργότερα στην περίπτωση της Ρόδου θα εφαρμοστεί μόνο ταξινόμηση βασισμένη σε αντικείμενα (object-based). Στη διαδικασία της ανάλυσης χρησιμοποιήθηκαν δυο εικόνες IKONOS pan-sharpened με χωρική διακριτική ικανότητα 1m. Και στις δύο περιπτώσεις που εξετάστηκαν, οι δορυφορικές εικόνες ελήφθησαν αμέσως μετά τη φωτιά. Ειδικότερα, η δορυφορική εικόνα για τη περίπτωση της φωτιάς της Πάρνηθας ελήφθει στις 8 Ιουλίου του 2007, δέκα ημέρες μετά το συμβάν. Αντίστοιχα, στην περίπτωση της Ρόδου η εικόνα ελήφθει ακριβώς μετά τη φωτιά, 1 Αυγούστου του Οι δυο εικόνες που χρησιμοποιηθήκανε στα πλαίσια της ανάλυσης παρελήφθησαν γεωμετρικά διορθωμένες. Επιπλέον, προκειμένου να διευκολυνθεί η διαδικασία της α- ξιοπιστίας ακρίβειας των παραχθέντων χαρτών δημιουργήθηκαν δύο χάρτες αναφοράς. Οι χάρτες αναφοράς παράχθηκαν με τη μέθοδο της ψηφιοποίησης και αποτυπώνουν τις εκτάσεις που εμφανίζονται ως καμένες στις εικόνες αλλά και τις εκτάσεις που εμφανίζονται ως μη καμένες. 96

97 Κεφάλαιο 4 Εικόνα 4.1. Οι περιοχές μελέτης (a) Πρώτη περιοχή μελέτης: Όρος Πάρνηθα, Αττική, Ελλάδα. (b) Δεύτερη περιοχή μελέτης-νήσος Ρόδου, Ελλάδα. 97

98 Κεφάλαιο Προτεινόμενη μεθοδολογία Η προτεινόμενη μεθοδολογία αποτελείται από τέσσερα βήματα. Τα πρώτα τρία περιλαμβάνουν όλες εκείνες τις διαδικασίες οι οποίες σχετίζονται με την προετοιμασία του συνόλου δεδομένων που θα χρησιμοποιηθεί στη διαδικασία των ταξινομήσεων. Πιο συγκεκριμένα, οι διαδικασίες αυτές αφορούν την εφαρμογή διαφόρων μετασχηματισμών εικόνας για την εξαγωγή χαρακτηριστικών ανώτερης τάξης, την προετοιμασία των συνόλων εκπαίδευσης (training set), καθώς και την εφαρμογή μιας μεθόδου επιλογής χαρακτηριστικών για την επιλογή της πληροφορίας που είναι κατάλληλη για την ταξινόμηση. Το τέταρτο βήμα περιλαμβάνει την εφαρμογή των ταξινομήσεων ανά εικονοστοιχείο (pixel-based) και αντικείμενο (object-based). Η μεθοδολογία που αναπτύχθηκε στην παρούσα εργασία εφαρμόστηκε ξεχωριστά σε κάθε μια από τις δυο περιοχές μελέτης. Η Εικόνα 4.2 παρουσιάζει μια επισκόπηση της μεθοδολογίας που ακολουθήθηκε. Η υπόλοιπη ενότητα παρουσιάζει λεπτομερώς τα βήματα που ακολουθήθηκαν. Εικόνα 4.2. Διάγραμμα ροής της μεθοδολογίας. 98

99 Κεφάλαιο Βήμα 1: Δημιουργία χαρακτηριστικών ανώτερης τάξης Η πρωταρχική πληροφορία που χρησιμοποιείται για την ταξινόμηση μιας δορυφορικής εικόνας σε κάλυψη γης, είναι η πληροφορία που προέρχεται από τα αρχικά κανάλια μιας πολυφασματικής εικόνας. Παρόλα αυτά, προηγούμενες έρευνες έχουν δείξει ότι η ακρίβεια της ταξινόμησης αυξάνεται, όταν η πληροφορία που προέρχεται από τα αρχικά κανάλια μας δορυφορικής εικόνας εμπλουτίζεται με πληροφορία που παρέχεται από χαρακτηριστικά ανώτερης τάξης [29]. Ειδικότερα για την περίπτωση των VHR εικόνων, η εξαγωγή νέων χαρακτηριστικών με τη χρήση των αρχικών καναλιών της πολυφασματικής εικόνας, προσθέτει συμπληρωματική πληροφορία στο αρχικό σύνολο δεδομένων (dataset). Στις περιπτώσεις όπου χρησιμοποιείται η εμπλουτισμένη πληροφορία από χαρακτηριστικά ανώτερης τάξης, καθίσταται ευκολότερος ο διαχωρισμός των διαφόρων κλάσεων. Αυτό ισχύει ακόμη περισσότερο για τις εφαρμογές όπου η φασματική πληροφορία δεν είναι επαρκής για το διαχωρισμό στοιχείων του τοπίου, που έχουν παρόμοια φασματικά χαρακτηριστικά [37]. Στο πρόβλημα ταξινόμησης που αντιμετωπίζουμε σε αυτή τη διατριβή, η ακρίβεια των χαρτών επηρεάζεται σημαντικά από τη φασματική σύγχυση μεταξύ των διαφόρων κλάσεων [25]. Για το λόγο αυτό, η χρήση των χαρακτηριστικών ανώτερης τάξης αναμένεται να μειώσει τα σφάλματα της ταξινόμησης και να αυξήσει την αξιοπιστία των παράγωγων χαρτών. Παραδείγματα επιτυχημένης χρήσης επιπρόσθετης πληροφορίας στη χαρτογράφηση καμένων εκτάσεων υπάρχουν σε προηγούμενες εργασίες [19, 34, 38-39]. Ωστόσο ειδικά στις εφαρμογές που αφορούν τη χαρτογράφηση καμένων εκτάσεων η χρήση των χαρακτηριστικών ανώτερης τάξης δεν έχει διερευνηθεί πλήρως. 99

100 Κεφάλαιο Παραγωγή νέων χαρακτηριστικών εικόνας για τις pixel- based ταξινομήσεις Το στάδιο αυτό περιλαμβάνει όλες τις διαδικασίες που σχετίζονται με τη δημιουργία χωρικής και φασματικής πληροφορίας, σε επίπεδο εικονοστοιχείου, με τη χρήση της πολυφασματικής εικόνας IKONOS (Πάρνηθα και Ρόδος). Το στάδιο αυτό χωρίζεται σε δυο φάσεις: α) στην ανάλυση υφής εικόνας (texture image analysis) και β) στην εξαγωγή χαρακτηριστικών ανώτερης τάξης. Στην πρώτη φάση της διαδικασίας πραγματοποιήθηκε ανάλυση των χαρακτηριστικών υφής της εικόνας IKONOS (Πάρνηθα), προκειμένου να υπολογιστεί το ιδανικό μέγεθος παράθυρου που απαιτείται για τη δημιουργία εικόνων υφής. Ακολούθως, στη δεύτερη φάση εξήχθησαν διάφορα χαρακτηριστικά που περιέχουν φασματική και χωρική πληροφορία, χρησιμοποιώντας στους μετασχηματισμούς χαρακτηριστικών τα αρχικά κανάλια της εικόνας IKONOS (Πάρνηθα). Η αρχική πολυφασματική εικόνα IKONOS (τέσσερα κανάλια) θα συμβολίζεται εφεξής ως IKONOSRGBNIR-PIXEL. Προκειμένου να εμπλουτιστεί η αρχική πληροφορία της εικόνας θεωρήθηκαν οι παρακάτω ομάδες χαρακτηριστικών ανώτερης τάξης: οι μετασχηματισμοί υφής πρώτης και δεύτερης τάξης (First and second order textural measures), οι οποίοι χρησιμοποιούν τους πίνακες gray level co-occurrence matrices (GLCMs) [40], οι χωρικοί δείκτες (Spatial autocorrelation indices, Moran s I, Getis-Ord και Geary s C) [41], τα προηγμένα φασματικά χαρακτηριστικά (Principal Component Analysis PCA) [42], Tasseled Cap [43], and Intensity Hue Saturation (IHS)[44], οι δείκτες βλάστησης [45], και οι λόγοι καναλιών (Ratios) [45]. Ο Πίνακας 4.1 συγκεντρώνει όλα τα χαρακτηριστικά εικόνας τα οποίο υπολογίστηκαν στο στάδιο αυτό και των οποίων ο αριθμός ανέρχεται στα 172. Στη συνέχεια ακολουθεί μια σύντομη περιγραφή του συνόλου των χαρακτηριστικών που υπολογίστηκαν 100

101 Κεφάλαιο 4 και των GLCMs. Για μια πιο λεπτομερή περιγραφή ο αναγνώστης παραπέμπεται στις προαναφερθείσες εργασίες. Πίνακας 4.1. Χωρικά και φασματικά χαρακτηριστικά για τις IKONOS ταξινομήσεις ανά εικονοστοιχείο. Κατηγορία Χαρακτηριστικού Μέγεθος Παραθύρου Αριθμός Χαρακτηριστικών Bands - 4 Occurrence Measures (11 11, 15 15, (Mean, Entropy, Skewness, Variance) 21 21) 48 Co-Occurrence Measures (Mean, Entropy, Homogeneity, Second (11 11, 15 15, moment, Variance, Dissimilarity, 21 21) 64 Correlation, Contrast) LISA (Moran s I, Getis-Ord G i, Geary s C) (5 5) 12 PCA - 4 IHS - 3 Tasseled Cap - 3 VIs (NDVI) - 1 Band Ratio (BN = Blue/NIR) - 1 Total 172 Οι μετασχηματισμοί υφής πρώτης και δεύτερης τάξης (First and second order measures) είναι το πρώτο σύνολο χαρακτηριστικών το οποίο δημιουργήθηκε από την εικόνα IKONOS. Τα first order texture measures είναι στατιστικά μέτρα (μέσες τιμές, διακύμανση κ.τ.λ.) τα οποία υπολογίζονται από τις αρχικές τιμές ανάκλασης της εικόνας και δεν λαμβάνουν υπόψιν τις τιμές των γειτονικών εικονοστοιχείων [46-47]. Σε αντίθεση με τα προηγούμενα μέτρα υφής, στον υπολογισμό των second order textural measures με χρήση πινάκων GLCMs, λαμβάνονται υπόψιν οι συσχετίσεις μεταξύ των εικονοστοιχείων ή ομάδων εικονοστοιχείων [46]. Γνωρίζοντας τις αλληλοσχετίσεις μεταξύ των εικονοστοιχείων, είναι δυνατή η περαιτέρω ανάλυση της χωρικής πληροφορίας της εικόνας, γεγονός που επιτρέπει το διαχωρισμό των διαφόρων βιοφυσικών στοιχείων της επιφάνειας της γης [40, 48]. Γενικά, η ανάλυση υφής εικόνας με τη χρήση των πινάκων GLCMs, είναι μια μέθοδος που εφαρμόζεται αρκετά συχνά στον τομέα της δορυφορικής τηλεπισκόπησης [40]. Στη μέθοδο αυτή η εικόνα σαρώνεται σε μορφή πλέγματος (raster scanned) χρησιμοποιώντας μετακινούμενα παράθυρα (sliding windows) διαστάσεων M M, με κέντρο 101

102 Κεφάλαιο 4 κάθε pixel της εικόνας, ξεκινώντας από το pixel (1, 1) και προχωρώντας πρώτα ανά στήλες και μετά ανά γραμμές. Θεωρώντας κάθε φορά ως κέντρο του παραθύρου το εκάστοτε εικονοστοιχείο, διαμορφώνεται ο πίνακας GLCM για το συγκεκριμένο εικονοστοιχείο, υπολογίζοντας πόσο συχνά εμφανίζεται ο συνδυασμός επιπέδων του γκρι (i, j σε μια συγκεκριμένη γωνία θ = 0, 45, 90, 135 και απόσταση d μεταξύ των κέντρων των εικονοστοιχείων. Στη συγκεκριμένη εργασία, για τον υπολογισμός των GLCMs χρησιμοποιήθηκαν οι παράμετροι θ = 0 κ d = 1, οι οποίοι είναι γενικά αποδεκτοί από την επιστημονική κοινότητα. Όσον αφορά την εύρεση του ιδανικού μεγέθους παραθύρου, έχουν προταθεί κατά καιρούς διάφορες προσεγγίσεις. Η πιο συνηθισμένη είναι η επιλογή με την μέθοδο δοκιμής και λάθους [49-50]. Το μέγεθος του παραθύρου είναι σημαντικό να επιλεγεί με τέτοιον τρόπο, ώστε να περιγράφει πλήρως τα βιοφυσικά στοιχεία που απεικονίζονται στην εικόνα. Σε αντίθετη περίπτωση η χρήση ενός μη κατάλληλου παραθύρου μπορεί να εισάγει σημαντικά σφάλματα στην ταξινόμηση [51-53]. Στη συγκεκριμένη εργασία προκειμένου να διευκολυνθεί η επιλογή του ιδανικού μεγέθους παραθύρου, πραγματοποιήθηκε γεωστατιστική ανάλυση με τη χρήση των συναρτήσεων semivariograms οι οποίες εμπεριέχονται στο λογισμικό GS+. Η χρήση των συναρτήσεων semivariograms [54-55] με την βοήθεια των οποίων υπολογίζονται παρόμοια χαρακτηριστικά υφής έχει προταθεί από μια πληθώρα μελετών στον τομέα της τηλεπισκόπησης και θεωρείται ως μια πολλά υποσχόμενη μέθοδος [56-57]. Η γεωστατιστική ανάλυση εφαρμόστηκε θεωρώντας διάφορα τμήματα της εικόνας (δεκαεφτά υποεικόνες), στα οποία απεικονίζονται όλες οι πιθανές καλύψεις γης που α- νήκουν στις δύο κλάσεις Καμένο ή Μη καμένο. Ακολούθως υπολογίστηκαν οι συναρτήσεις semivariograms για κάθε διαφορετικό τύπο κάλυψης γης και τα στατιστικά ευρήματα μελετήθηκαν προκειμένου να διαπιστωθεί ποιο είναι το μέγεθος παραθύρου που περιγράφει καλύτερα την εκάστοτε κάλυψη γης. Τα πειραματικά αποτελέσματα της μεθόδου έδειξαν ότι δεν υπάρχει ένα μοναδικό μέγεθος παραθύρου, που να εξηγεί επαρκώς όλες τις καλύψεις γης στην εικόνα IKONOS. Αντιθέτως, η ερμηνεία των αποτελεσμάτων της γεωστατιστικής ανάλυσης έδειξε ότι υπάρχουν τρία διαφορετικά μεγέθη παραθύρων διαστάσεων, 11 11, και 21 21, τα οποία έδειξαν υψηλή διαχωριστική ικανότητα ως προς τις κλάσεις Καμένο ή Μη καμένο. 102

103 Κεφάλαιο 4 Επιπρόσθετα, στα χαρακτηριστικά υφής προστέθηκαν και οι χωρικοί δείκτες Moran s I, Getis-Ord, και Geary s C, προκειμένου να εξεταστεί εάν υπάρχει χωρική εξάρτηση στα δεδομένα μας. Όλοι αυτοί οι δείκτες ονομάζονται τοπικοί δείκτες χωρικής συνάφειας (Local Indicators of Spatial Association - LISA) και έχουν παρουσιαστεί από τον [41]. Εκτός από τον υπολογισμό των χαρακτηριστικών που περιέχουν χωρική πληροφορία και τα οποία παρουσιάστηκαν παραπάνω, υπολογίστηκαν από την εικόνα IKONOS και πολλά χαρακτηριστικά που περιέχουν φασματική πληροφορία. Ειδικότερα, υπολογίστηκαν τρεις φασματικοί μετασχηματισμοί χαρακτηριστικών ανώτερης τάξης με βάση την αρχική εικόνα: ο μετασχηματισμός που βασίζεται στη θεωρία της principal component analysis (PCA) [42], μετασχηματισμούς έντασης απόχρωσης κορεσμού (intensity hue saturation, IHS) [44, 58], και ο tasseled cap (ή μετασχηματισμός των Kauth και Thomas) [43]. Ακολουθεί μια σύντομη περιγραφή των μετασχηματισμών που χρησιμοποιήθηκαν στην παρούσα μελέτη ξεκινώντας από την τεχνική PCA.Ο μετασχηματισμός PCA χρησιμοποιείται σε εφαρμογές της τηλεπισκόπησης, ως ένας απλός και γρήγορος τρόπος μείωσης των διαστάσεων (χαρακτηριστικών) [42], προκειμένου να πραγματοποιηθεί συμπίεση των συσχετιζόμενα καναλιών της εικόνας σε ένα μικρότερο αριθμό πλήρως ανεξάρτητων καναλιών. Ωστόσο, στην παρούσα μελέτη η μέθοδος αυτή δεν χρησιμοποιήθηκε για τη μείωση του χώρου διαστάσεων, αντιθέτως χρησιμοποιήθηκε για να προσθέσει χρήσιμη πληροφορία στην ταξινόμηση. Επομένως, οι τέσσερις συνιστώσες (Principal components) που προκύπτουν κατά τη διαδικασία της ανάλυσης χρησιμοποιήθηκαν ως επιπρόσθετα χαρακτηριστικά στην ταξινόμηση. Ένας ακόμη γραμμικός μετασχηματισμός που χρησιμοποιήθηκε σε αυτή την εργασία είναι ο IHS, ο οποίος προϋποθέτει τη χρησιμοποίηση των τριών καναλιών από τα τέσσερα της εικόνας, από τα οποία η ψευδοέγχρωμη απεικόνιση RGB μετατρέπεται στα τρία χαρακτηριστικά του μετασχηματισμού. Τα κανάλια που χρησιμοποιήθηκαν στην προκειμένη περίπτωση είναι τα κανάλια 4, 3 και 2 της εικόνας IKONOS [44]. 103

104 Κεφάλαιο 4 Ο τελευταίος μετασχηματισμός που χρησιμοποιήθηκε έχει την ονομασία tasseled cap και αποτελεί ένα γραμμικό μετασχηματισμό των πρωτογενών καναλιών της εικόνας. Α- ποτέλεσμα αυτού του μετασχηματισμού είναι μετατροπή του αρχικού πολυφασματικού χώρου σε έναν νέο, ο οποίος περιγράφει τη φωτεινότητα των αντικειμένων που απεικονίζονται (brightness), την ύπαρξη χλωροφύλλης (greenness), και την υγρασία του εδάφους (wetness) [43]. Ο μετασχηματισμός αυτός αφορούσε αρχικά τις εικόνες Landsat, ο Horne όμως υπολόγισε ένα νέο μετασχηματισμό ειδικά για εικόνες IKONOS [43]. Η εφαρμογή του συγκεκριμένου μετασχηματισμού έχει ως αποτέλεσμα τη δημιουργία τεσσάρων νέων καναλιών, καθένα από τα οποία προκύπτει μέσω ενός γραμμικού συνδυασμού των αρχικών καναλιών της εικόνας. Τα τρία πρώτα κανάλια είναι αυτά που αναφέρθηκαν παραπάνω και είναι αυτά τα οποία χρησιμοποιούνται κατά βάση στη διαδικασία της ταξινόμησης. Το τέταρτο κανάλι εμφανίζει συνήθως μικρή διακύμανση και περισσότερο θόρυβο από τα υπόλοιπα και ως εκ τούτου αποφεύγεται να χρησιμοποιείται σε προβλήματα ταξινόμησης. Συνεπώς δεν συμπεριλήφθηκε και στην παρούσα εργασία. Επιπλέον, παράχθηκαν κάποια επιπρόσθετα φασματικά χαρακτηριστικά τα οποία α- νήκουν στις κατηγορίες των VIs και Ratios. Σύμφωνα με τον [45], οι Vis είναι απλές τεχνικές οι οποίες χρησιμοποιούνται για να διαπιστωθεί το ποσό της χλωροφύλλης (greenness) που περιέχεται σε κάθε εικονοστοιχείο της εικόνας. Κατά την υλοποίηση αυτής της εργασίας, χρησιμοποιήθηκαν και αναλύθηκαν δυο ο Simple Ratio και ο NDVI.Όσον αφορά τα Ratios, υπολογίστηκε και χρησιμοποιήθηκε ο λόγος του μπλε καναλιού προς το κανάλι του κοντινού υπέρυθρου (Blue/NIR), προκειμένου να διευκολυνθεί ο διαχωρισμός της βλάστησης από το έδαφος [45]. Όλα τα προαναφερθέντα χαρακτηριστικά, συμπεριλαμβανομένου και των αρχικών καναλιών της εικόνας κανονικοποιήθηκαν γραμμικά (linearly scaled) στην κλίμακα [0,1]. Το σύνολο δεδομένων (dataset) που προέκυψε τελικά από τις προαναφερθείσες διαδικασίες απαρτίζεται από 172 χαρακτηριστικά, και θα συμβολίζονται εφεξής ως IKO- NOSFullSpace-PIXEL. 104

105 Κεφάλαιο Κατάτμηση εικόνας και εξαγωγή χαρακτηριστικών για τις object-based ταξινομήσεις Στις ταξινομήσεις βάσει αντικειμένων θεωρείται ως προαπαιτούμενο βήμα η κατάτμηση της εικόνας σε χωρικά συνεχείς και ομοιογενείς περιοχές [59-60]. Ειδικά στο πεδίο της δορυφορικής τηλεπισκόπησης, η υψηλή διαθεσιμότητα σε εικόνες VHR οδήγησε σε τόνωση της ζήτησης για ανάπτυξη νέων αλγορίθμων κατάτμησης [61]. Ωστόσο, θα πρέπει να διευκρινιστεί ότι δεν είναι όλες οι μέθοδοι κατάλληλες για την κατάτμηση αυτών των εικόνων [62]. Σε αυτή την εργασία, προκειμένου να πραγματοποιηθεί η διαδικασία κατάτμησης επιλέχθηκε η χρήση του αλγόριθμου Fractal Net Evolution Approach (FNEA) [59], που προτείνει το λογισμικό ecognition [63]. O FNEA είναι μια από κάτω προς τα πάνω (bottom-up) προσέγγιση και ανήκει στην κατηγορία των region-based αλγορίθμων [59, 64]. Στην περίπτωση αυτή κατά τη διάρκεια της διαδικασίας κατάτμησης, ο αλγόριθμος αναγνωρίζει κάθε εικονοστοιχείο ως το μικρότερο πιθανό αντικείμενο (object στην εικόνα. Ακολούθως, τα γειτονικά εικονοστοιχεία συνενώνονται σε μεγαλύτερες ομάδες εικονοστοιχείων. Η διαδικασία αυτή πραγματοποιείται με τη χρήση του αλγόριθμου της δυαδικής ομαδοποίησης που δημιουργεί τα αντικείμενα με επαναληπτικό τρόπο, συνενώνοντας σε κάθε βήμα το γειτονικό εκείνο εικονοστοιχείο που προκαλεί τη μικρότερη μεταβολή στη φασματική ομοιογένεια του αντικειμένου. Όταν η μεταβολή αυτή είναι μεγάλη, όπως αυτό καθορίζεται από ένα κατώφλι μέγιστης επιτρεπτής ανομοιομορφίας που τίθεται από το χρήστη, τότε το αντικείμενο σταματά να αυξάνεται περαιτέρω. Η εύρεση της κατάλληλης κλίμακας (scale) κατάτμησης, όπως αυτή καθορίζεται από το κατώφλι μέγιστης επιτρεπτής ανομοιογένειας (scale-κλίμακα, color/shapeχρώμα/σχήμα, smoothness /compactness-ομαλότητα/συμπαγότητα) που θέτει ο χρήστης [56, 60], ορίζει σε μεγάλο βαθμό την ακρίβεια του παραγόμενου χάρτη από την ταξινόμηση [65]. Στην εργασία αυτή, οι βέλτιστοι παράμετροι που ορίζουν την κατάλληλη κλίμακα κατάτμησης, προέκυψαν από τη διαδικασία δοκιμής και σφάλματος (trial and error). Ο συνηθέστερος τρόπος επιλογής των βέλτιστων παραμέτρων γίνεται έπειτα από οπτική αξιολόγηση του παραγόμενου αποτελέσματος της διαδικασία της κατάτμησης. Στο πρόβλημα που μελετάται, ως βέλτιστοι παράμετροι θεωρήθηκαν οι τιμές οι οποίες 105

106 Κεφάλαιο 4 οδήγησαν στην παραγωγή αντικειμένων εικόνας, των οποίων τα όρια συμπίπτουν σε μεγάλο βαθμό με τα φυσικά όρια των καμένων εκτάσεων. Στην περίπτωση της Πάρνηθας, η διαδικασία trial and error υπέδειξε ότι το ιδανικό μέγεθος αντικειμένων μπορεί να παραχθεί χρησιμοποιώντας τις ακόλουθες παραμέτρους: ειδικό βάρος (layer weight) 1 για το μπλε (blue) και πράσινο κανάλι της εικόνας, ειδικό βάρος 2 για το κόκκινο [66] και κοντινό υπέρυθρο (near infrared) κανάλι της εικόνας, κλίμακα (scale) 120, κριτήριο χρώματος (color criterion shape) 0.2, και συμπαγότητα (compactness) 0.8. Οι ίδιες ακριβώς παράμετροι χρησιμοποιήθηκαν και στην περίπτωση της Ρόδου, καταλήγοντας ωστόσο σε υπερτεμαχισμό (oversegmentation) της εικόνας. Πρέπει να αναφερθεί σε αυτό το σημείο ότι πραγματοποιήθηκαν προσπάθειες για την βελτίωση του αποτελέσματος της κατάτμησης, ωστόσο αυτές κατέληξαν σε κάποιο επιθυμητό αποτέλεσμα. Συγκεκριμένα, έγιναν διάφορες προσπάθειες βελτίωση, κυρίως με τη χρήση διαφορετικών τιμών κλίμακας, οι οποίες οδηγούσαν πάντα στη υποτεμαχισμό (undersegmentation) της εικόνας. Ως εκ τούτου, αποφασίστηκε να χρησιμοποιηθούν οι ίδιοι παράμετροι που χρησιμοποιήθηκαν και στην Πάρνηθα, έτσι ώστε να αποφευχθεί όσο το δυνατόν η δημιουργία μεικτών αντικειμένων (εντός του αντικειμένου συμπεριλαμβάνονται περισσότερες από μια κλάσεις). Προκειμένου να διευκολυνθεί η διάκριση μεταξύ καμένων Kαμένο (Burned) και μη καμένων Μη καμένων (Unburned) αντικειμένων, υπολογίστηκαν κατά τη διάρκεια της διαδικασίας της ταξινόμησης αρκετά χαρακτηριστικά που περιγράφουν τα αντικείμενα (τυπική απόκλιση-standard deviation, μέσες τιμές- mean values κτλ.). Ο υπολογισμός των χαρακτηριστικών πραγματοποιήθηκε μέσω του λογισμικού ecognition. Παρόλο που το λογισμικό αυτό παρέχει τη δυνατότητα υπολογισμού ενός τεράστιου αριθμού χαρακτηριστικών, στην παρούσα εργασία έγινε χρήση ορισμένων εξ αυτών. Ένας σημαντικός αριθμός χαρακτηριστικών δεν ήτανε εφικτό να υπολογιστεί, κυρίως λόγω των υψηλών απαιτήσεων σε μνήμη RAM. Επιπλέον, άλλες ομάδες χαρακτηριστικών, όπως για παράδειγμα η κατηγορία των χαρακτηριστικών που αφορούν την ιεραρχία των κλάσεων (class hierarchy features), επειδή δεν παρείχαν κάποια χρήσιμη πληροφορία στο συγκεκριμένο πρόβλημα κρίθηκε σκόπιμο να μην χρησιμοποιηθούνε στην ανάλυση. Συνολικά, υπολογίστηκαν μέσω του λογισμικού ecognition 119 χαρακτηριστικά αντικειμένων. Ο Πίνακας 4.2 συνοψίζει όλα τα χαρακτηριστικά αντικειμένων, που υπολογίστηκαν σε αυτή την εργασία, ομαδοποιημένα ανά κατηγορία. Το σύνολο δεδομένων 106

107 Κεφάλαιο 4 (dataset) που προέκυψε από αυτή την διαδικασία, θα συμβολίζονται εφεξής ως IKONOSOBJECT. Όπως και στην περίπτωση των pixel-based ταξινομήσεων έτσι και σε αυτήν πραγματοποιήθηκε κανονικοποίηση των δεδομένων στην κλίμακα [0,1]. Πίνακας 4.2. Χαρακτηριστικά αντικειμένων χωρισμένα σε τρεις κατηγορίες, ανάλογα με τον τρόπο κατηγοριοποίησης του ecognition. Κατηγορίες Χαρακτηριστικών (κατηγοριοποίηση ecognition) Παραμετροποιήσιμα χαρακτηριστικά (Customized Features) Χαρακτηριστικά Αντικειμένων NDVI, NIR/Red, PC2/NIR, Blue/Red Αριθμός Χαρακτηριστικών 4 Τιμές καναλιών (Layer values) Mean, Standard Deviation, Skewness, Pixel-based, Toneighbors, To-scene, Ratio-to scene, Hue, Saturation, Intensity 113 Γεωμετρία (Geometry) Density, Length and Width 2 Σύνολο Βήμα 2: Επιλογή των συνόλων εκπαίδευσης Η εφαρμογή ενός ταξινομητή επιβλεπόμενης μάθησης (supervised learning) προϋποθέτει τη χρήση ενός συνόλου προτύπων εκπαίδευσης (training patterns), τα οποία είναι ορθώς χαρακτηρισμένα. Σύμφωνα με τη διεθνή βιβλιογραφία, η επιλογή των κατάλληλων προτύπων εκπαίδευσης είναι ιδιαίτερα σημαντική, διότι καθορίζει σε σημαντικό βαθμό την επιτυχία της ταξινόμησης. Στις περισσότερες περιπτώσεις λοιπόν τα επιλεγμένα πρότυπα θα πρέπει να είναι τέτοια ώστε να περιγράφουν πλήρως την κλάση με την έννοια της φασματικής της υπογραφής, για να μπορεί αντίστοιχα το σύστημα να επιτυγχάνει ικανοποιητική γενίκευση [67-69]. Ειδικά στην περίπτωση των εικόνων VHR, είναι ιδιαίτερα δύσκολο να επιλεγούν πρότυπα εκπαίδευσης, τα οποία μπορούν να περιγράψουν επαρκώς τη φασματική μεταβλητότητα (spectral variability) μεταξύ των κλάσεων [45, 70]. Συνεπώς, η διαδικασία επιλογής προτύπων συγκεκριμένα για αυτές τις εικόνες είναι ιδιαίτερα επίπονη και δύσκολη. 107

108 Κεφάλαιο Σύνολο εκπαίδευσης για τις SVM pixel-based ταξινομήσεις Στην περίπτωση των ταξινομήσεων ανά εικονοστοιχείο επιλέχθηκαν και αξιολογήθηκαν αρκετά διαφορετικά σύνολα εκπαίδευσης, προκειμένου να επιλεχθεί το πιο κατάλληλο για κάθε μια από τις εξεταζόμενες περιπτώσεις (Πάρνηθα και Ρόδος). Η διαδικασία αυτή ήταν ιδιαίτερα απαιτητική από άποψη χρόνου και υπολογιστικής ισχύος. Ο αριθμός των προτύπων εκπαίδευσης που επιλέχθηκε ανά κλάση ( Καμένο και Μη καμένο ) ήταν ανάλογος προς την έκταση των κλάσεων. Σε αυτό το σημείο πρέπει να αναφερθεί ότι η επιλογή του ιδανικού συνόλου εκπαίδευσης είναι ένα θέμα ανοιχτό προς διερεύνηση [67]. Τελικά για την περίπτωση της Πάρνηθας επιλέχθηκαν 8755 πρότυπα εκπαίδευσης (training patterns) από τα οποία τα 2029 ανήκαν στην κλάση Καμένο και 6726 στην κλάση Μη καμένο. Αντίστοιχα στην περίπτωση της Ρόδου επιλέχθηκαν 8512 training patterns, από τα οποία τα 2527 ανήκαν στην κλάση Καμένο και 5985 στην κλάση Μη καμένο Σύνολο εκπαίδευσης για τις SVM object-based ταξινομήσεις Όσον αφορά τις ταξινομήσεις ανά αντικείμενο, επιλέχθηκαν όπως και στην προηγούμενη περίπτωση (ταξινόμηση ανά εικονοστοιχείο) αντιπροσωπευτικά πρότυπα εκπαίδευσης από τις κλάσεις ενδιαφέροντος κλάση ( Καμένο και Μη καμένο ). Ο αριθμός των προτύπων (αντικείμενα-objects) ανά κλάση, ήταν ανάλογος με το ποσοστό της έ- κτασης που καταλαμβάνεται από κάθε κλάση. O συνολικό αριθμός των αντικειμένων που επιλέχθηκαν για την διαδικασία της ταξινόμησης (training objects) στην περίπτωση της Πάρνηθας ήταν 160, 50 εκ των οποίων ανήκαν στην κλάση Καμένο και 110 στην κλάση Μη καμένο. Αντίστοιχα στην περίπτωση της Ρόδου επιλέχθηκαν 3585 training patterns, από τα οποία τα 1753 ανήκαν στην κλάση Καμένο και 1832 στην κλάση Μη καμένο. 108

109 Κεφάλαιο Βήμα 3: Επιλογή χαρακτηριστικών για τις pixel- και object-based ταξινομήσεις Ιδανικά, κάθε χαρακτηριστικό ανώτερης τάξης (π.χ. GLCMs) το οποίο χρησιμοποιείται στη διαδικασία της ταξινόμησης, θα έπρεπε να προσθέτει μια νέα πληροφορία [71]. Παρόλα αυτά, η προσθήκη χαρακτηριστικών ανώτερης τάξης στην αρχική εικόνα δημιουργεί δυο βασικά προβλήματα. Το ένα εκ των δυο είναι η προσθήκη πλεονάζουσας πληροφορίας. Το δεύτερο πρόβλημα που δημιουργείται είναι γνωστό στη διεθνή βιβλιογραφία και ως φαινόμενο του Hughes. Σύμφωνα με τον [72], η ακρίβεια της ταξινόμησης αρχίζει να μειώνεται αν αριθμός των εισόδων αυξηθεί πέρα από ένα κρίσιμο όριο, για δεδομένο αριθμό προτύπων εκπαίδευσης [72]. Ως εκ τούτου, η προσθήκη νέων χαρακτηριστικών μπορεί να οδηγήσει σε μείωση της ακρίβειας ταξινόμησης, αντί της αναμενόμενης αύξησης. Λόγω των παραπάνω προβλημάτων, η εφαρμογή μιας μεθόδου επιλογής χαρακτηριστικών (ΕΧ) αποτελεί μια συνηθισμένη πρακτική σε προβλήματα τηλεπισκόπησης. Η χρήση μιας μεθόδου ΕΧ αποσκοπεί στην απομάκρυνση του θορύβου (noise) από τα δεδομένα καθώς και στη μείωση του υπολογιστικού κόστους [73]. Στη συγκεκριμένη περίπτωση, ο αριθμός των χαρακτηριστικών που εξήχθησαν για τις pixelbased και object-based ταξινομήσεις είναι ιδιαίτερα μεγάλος. Για το λόγο αυτό, είναι απαραίτητο να εξαχθεί μόνο το υποσύνολο των χρήσιμων για το διαχωρισμό των κλάσεων χαρακτηριστικών. Η τεράστια υπολογιστική ισχύ που απαιτείται όταν χρησιμοποιείται μεγάλος αριθμός χαρακτηριστικών σε πρακτικές εφαρμογές της τηλεπισκόπησης, δικαιολογεί τη χρήση τεχνικών μείωσης χαρακτηριστικών εισόδου [30]. Μέχρι στιγμής, σε διάφορες εφαρμογές της δορυφορικής τηλεπισκόπησης, έχουν διερευνηθεί και χρησιμοποιηθεί πολλές τεχνικές ΕΧ [74]. Η πιο απλή μέθοδος για την εύρεση του ιδανικού υποσυνόλου χαρακτηριστικών είναι η μέθοδος δοκιμής και λάθους (trial and error method) [75]. Η πιο διαδεδομένη όμως τεχνική σε προβλήματα τηλεπισκόπησης είναι ο μετασχηματισμός που βασίζεται στη θεωρία της principal component analysis (PCA)[76]. Συγκεκριμένα για την εργασία αυτή χρησιμοποιήθηκε η μέθοδος επιλογής χαρακτηριστικών FuzCoC (Fuzzy Complementary Criterion) [36], η οποία βασίζεται στη θεωρία του ασαφούς κριτηρίου συμπληρωματικότητας. Η τεχνική αυτή ανήκει στις μεθόδους ΕΧ που ονομάζονται τεχνικές διήθησης (filter method). Σύμφωνα με τον Μουστακίδη 109

110 Κεφάλαιο 4 [77] «Στη μέθοδο αυτή χρησιμοποιείται το διάνυσμα ασαφούς διαμερισμού (Fuzzy Partition Vector, FPV), το οποίο είναι ένα υπολογιστικά απλό τοπικό κριτήριο αξιολόγησης της σημαντικότητας κάθε χαρακτηριστικού, υπό την έννοια της χρήσιμης πληροφορίας για το διαχωρισμό των κλάσεων. Για την κατασκευή του διανύσματος FPV απαιτείται η εφαρμογή ενός μηχανισμού απόδοσης ασαφών βαθμών στα πρότυπα. Σε πρώτη φάση, χρησιμοποιείται μια προσέγγιση για τον υπολογισμό ασαφών βαθμών συμμετοχής ενός προτύπου σε κάθε κλάση. Η προσέγγιση αυτή χρησιμοποιεί μια παραλλαγή του αλγορίθμου FCM (Fuzzy C-means). Το FuzCoC κριτήριο εφαρμόζεται πάνω στα προϋπολογισμένα FPVs, διαχειρίζοντας ταυτόχρονα την ικανότητα ταξινόμησης αλλά και τα συμπληρωματικά χαρακτηριστικά των συνιστωσών εισόδου. Σε κάθε επανάληψη των τεχνικών ΕΧ, το FuzCoC κριτήριο εξασφαλίζει ότι το τρέχον επιλεγμένο χαρακτηριστικό παρέχει την μέγιστη επιπρόσθετη συνεισφορά στο ήδη επιλεγμένο υποσύνολο. Επίσης, η ποσοστιαία βελτίωση της νεοεισερχόμενης συνιστώσας σε συνδυασμό με μια παράμετρο κατωφλίου (tr), διαμορφώνουν μια συνθήκη τερματισμού για τον καθορισμό του τελικού αριθμού χαρακτηριστικών που θα επιλεγούν». Στη συγκεκριμένη εργασία η προτεινόμενη τιμή κατωφλίου που προτείνεται είναι tr = 1%. Ο τρόπος εφαρμογής της FuzCoC FS μεθοδολογίας είναι παρόμοιος και στις δυο περιπτώσεις ταξινομήσεων (pixel και object). Ειδικά για τις ταξινομήσεις ανά εικονοστοιχείο, η εφαρμογή της FuzCoC FS μεθοδολογίας στην περίπτωση της Πάρνηθας οδήγησε στην επιλογή τεσσάρων από τα 172 διαθέσιμα χαρακτηριστικά. Αντίστοιχα η εφαρμογή της ίδιας μεθόδου στην περίπτωση της Ρόδου, οδήγησε στην επιλογή τριών από τα διαθέσιμα συνολικά χαρακτηριστικά. Ο Πίνακας 4.3 συνοψίζει τα χαρακτηριστικά που επιλέχθηκαν από την εφαρμογή της μεθόδου ΕΧ. Τελικά, η διαδικασία της ΕΧ οδήγησε σε τρία διαφορετικά σύνολα δεδομένων ταξινόμησης, για κάθε περίπτωση που εξετάστηκε (Πάρνηθα και Ρόδος) και τα οποία παρουσιάζονται παρακάτω: IKONOSRGBNIR-PIXEL: Σύνολο δεδομένων που περιλαμβάνει μόνο τα αρχικά κανάλια της πολυφασματικής εικόνας IKONOS (αρχικός χώρος - original space). 110

111 Κεφάλαιο 4 IKONOSFullSpace-PIXEL: Σύνολο δεδομένων που απαρτίζεται από 172 χαρακτηριστικά σε επίπεδο εικονοστοιχείου (πλήρης χώρος-full space). IKONOSFuZCoC-PIXEL: Σύνολο δεδομένων που απαρτίζεται από τα χαρακτηριστικά που επιλέχθηκαν από τον FuzCoC αλγόριθμο (επιλεγμένος χώρος-reduced space). Πίνακας 4.3. Τα χαρακτηριστικά που επιλέχθηκαν από την FuzCoC FS (σε επίπεδο εικονοστοιχείου), για την Πάρνηθα και Ρόδο. Χαρακτηριστικά- Πάρνηθα PCA (Second PCA) Χαρακτηριστικά-Ρόδος GLCM (Mean in the NIR band) (Window size 21 21) Moran s I (Blue) Occurrence measures (Skewness in the NIR band) (Window size 15 15) Occurrence measures (Skewness in the NIR band) (Window size 11 11) GLCM (Mean in the NIR band) (Window size 15 15) GLCM (Correlation in the NIR band) (Window size 21 21) Και στις τρεις περιπτώσεις για τη δημιουργία των συνόλων εκπαίδευσης θεωρήθηκαν οι ίδιες θέσεις εικονοστοιχείων: 8755 θέσεις εικονοστοιχείων για την περίπτωση της Πάρνηθας και 8512 θέσεις για τη Ρόδο (σε κάθε σύνολο τα χαρακτηριστικά διαφοροποιούνταν). Σε αυτό το σημείο πρέπει να αναφερθεί ότι δεν ήταν εφικτό να ενσωματωθούν και τα 172 χαρακτηριστικά σε μια εικόνα. Το μέγεθος του αρχείου στο οποίο πραγματοποιήθηκε προσπάθεια να ενσωματωθούν και τα 172 χαρακτηριστικά, υπερέβαινε και στις δυο περιπτώσεις το επιτρεπτό μέγεθος που μπορούν να υποστηρίξουν τα λογισμικά δορυφορικής τηλεπισκόπησης. Το γεγονός αυτό τονίζει την πρακτική σημασία που έχει η εφαρμογή μιας μεθόδου ΕΧ σε αντίστοιχες διαδικασίες. Η περίπτωση IKONOSFullSpace- PIXEL αξιολογήθηκε αποκλειστικά και μόνο για λόγους σύγκρισης και χωρίς να παραχθεί θεματικός χάρτης. Η περίπτωση αυτή εξετάστηκε προκειμένου να διαπιστωθεί εάν στο σύνολο δεδομένων IKONOSFullSpace-PIXEL διαπιστώνεται η ύπαρξη του φαινόμενου Hughes. Επιπλέον, η διαδικασία αυτή πραγματοποιήθηκε για να διευκολύνει την κατανόηση του τρόπου με τον οποίο η μέθοδος FuzCoC FS επηρεάζει την ακρίβεια της ταξινόμησης, καθώς και την ακρίβεια των τελικών προϊόντων. Πρέπει να τονιστεί σε αυτό το σημείο ότι, πολλές από τις παραπάνω διαδικασίες απαιτούν πολύ υψηλού επιπέδου 111

112 Κεφάλαιο 4 προγραμματιστικές γνώσεις και δεξιότητες, γεγονός που τις καθιστά ιδιαίτερα δύσκολες για ένα τυπικό χρήστη λογισμικών δορυφορικής τηλεπισκόπησης. Οι δυσκολίες που προέκυψαν κατά την υλοποίηση της διαδικασίας θα συζητηθούν περαιτέρω στα επόμενα κεφάλαια (βλ. ενότητα 4.6). Στην περίπτωση των object-based ταξινομήσεων, η εφαρμογή της FuzCoC FS μεθοδολογίας οδήγησε στη μείωση των αρχικών διαστάσεων από 119 που ήταν αρχικά, στην περίπτωση της Πάρνηθας, σε τρεις (3). Αντίστοιχα στην περίπτωση της Ρόδου, οι αρχικές διαστάσεις του χώρου εισόδου μειώθηκαν από 119 σε τέσσερις (4). Ο Πίνακας 4.4 παρουσιάζει τα χαρακτηριστικά που επιλέχθηκαν και στις δυο περιπτώσεις (Πάρνηθα και Ρόδο), καθώς και μια σύντομη περιγραφή τους. Πίνακας 4.4. Τα χαρακτηριστικά που επιλέχθηκαν από την FuzCoC FS (σε επίπεδο αντικειμένου) για τις δύο περιοχές μελέτης (Πάρνηθα και Ρόδο). Περισσότερες πληροφορίες σχετικά με την περιγραφή των χαρακτηριστικών μπορούν να αναζητηθούν στο εγχειρίδιο του λογισμικού ecognition. Χαρακτηριστικά-Πάρνηθα Ratio (Blue Band) Max.Diff Χαρακτηριστικά-Ρόδος Ratio (Second PCA) Min Pixel value (RED Band) Mean of outer border (NIR Band) Mean of outer border (NIR Band) - Arithmetic Features (NIR/RED) Μετά το τέλος της διαδικασίας ΕΧ προέκυψαν δυο σύνολα δεδομένων (datasets) για κάθε περιοχή μελέτης: IKONOSOBJECT: Σύνολο δεδομένων (dataset) στο οποίο ενσωματώνονται 119 χαρακτηριστικά (object-based ταξινομήσεις). IKONOSFuZCoC-OBJECT: Σύνολο δεδομένων (dataset) στο οποίο ενσωματώνονται μόνο τα χαρακτηριστικά που επιλέχθηκαν από την FuzCoC FS. Σύμφωνα με διάφορες έρευνες από τη σχετική βιβλιογραφία, όλα τα προαναφερθέντα χαρακτηριστικά είτε επιλέχθηκαν είτε όχι στην παρούσα μελέτη έχουν αποδειχθεί ι- διαίτερα χρήσιμα σε προβλήματα ταξινόμηση κάλυψης γης. Κάποιες από τις ομάδες χαρακτηριστικών που παρουσιάστηκαν παραπάνω, έχουν αποδειχθεί ιδιαίτερα χρήσιμα ειδικά για προβλήματα που αφορούν την ταξινόμηση καμένων εκτάσεων [33-34]. Ωστόσο, 112

113 Κεφάλαιο 4 στη συγκεκριμένη εργασία έγινε μια προσπάθεια να ακολουθηθεί μια πιο ολοκληρωμένη προσέγγιση από τις συνηθισμένες η οποία είχε ως σκοπό τον υπολογισμό όλης της δυνατής πληροφορίας που μπορούσε να παραχθεί από την αρχική εικόνα και κατόπιν την επιλογή μόνο του χρήσιμου κομματιού της με μια μέθοδο ΕΧ Βήμα 4: SVM pixel και object-based μοντέλα ταξινόμησης Σε αυτή την εργασία, οι ταξινομήσεις υλοποιήθηκαν με τη χρήση του αλγορίθμου SVM. Τα τελευταία χρόνια ο συγκεκριμένος αλγόριθμος ταξινόμησης βρίσκει μεγάλη απήχηση στο πεδίο της αναγνώρισης προτύπων (pattern recognition) [24]. Κατά τη διάρκεια της εκπαίδευσης του, ο ταξινομητής SVM, αναζητά το βέλτιστο διαχωριστικό υπερεπίπεδο (optimal separating hyperplane) [35], που μεγιστοποιεί το περιθώριο ανάμεσα στις δύο κλάσεις του συνόλου δεδομένων εκπαίδευση [35]. Συνήθως, λόγω του ότι στα περισσότερα πραγματικά προβλήματα τα δεδομένα δεν είναι γραμμικά διαχωρίσιμα, η προαναφερθείσα τεχνική γενικεύεται για να χειριστεί μη γραμμικά διαχωρίσιμες εισόδους, έχοντας ως κόστος την αποδοχή ενός αριθμού από λανθασμένες κατηγοριοποιήσεις. Για την περαιτέρω βελτίωση της απόδοσης, τα δεδομένα μετασχηματίζονται σε ένα νέο χώρο χαρακτηριστικών υψηλότερης διάστασης, όπου και επιχειρείται ο βέλτιστος γραμμικός διαχωρισμός. Ο μετασχηματισμός που προαναφέρθηκε επιτυγχάνεται με τη χρήση των συναρτήσεων πυρήνα (kernel) [35]. Μερικές από τις πιο συχνά χρησιμοποιούμενες συναρτήσεις είναι η Radial basis function (RBF) kernel, η Sigmoid kernel, και η Polynomial kernel [78-79]. Ωστόσο στο πεδίο της δορυφορικής τηλεπισκόπησης υ- πάρχει η τάση να χρησιμοποιείται ως επί το πλείστον η συνάρτηση RBF [80-81]. Ακολουθώντας την τάση στο γενικότερο πεδίο της αναγνώρισης προτύπων επιλέχθηκε να εφαρμοστεί, στην παρούσα εργασία, η radial basis function (RBF) για την υλοποίηση της συνάρτησης πυρήνα. Στη περίπτωση που εξετάζουμε, ο SVM εφαρμόστηκε για να διαχωρίσει τις δυο κλάσεις, Καμένο και Μη καμένο. Η εφαρμογή του ταξινομητή απαιτεί από τον χρήστη τον καθορισμό δύο παραμέτρων: α) της σταθεράς C, η οποία καθορίζει τον αποδεκτό αριθμό λανθασμένης κατηγοριοποίησης προτύπων (όσο μεγαλύτερη είναι η τιμή της τόσο πιο αυστηροί είμαστε ως προς τα λάθη), και β) της παραμέτρου γ, η οποία καθορίζει 113

114 Κεφάλαιο 4 το πλάτος του πυρήνα της γκαουσιανής συνάρτησης RBF [35]. Στο συγκεκριμένο πείραμα, η επιλογή των βέλτιστων παραμέτρων πραγματοποιήθηκε με τη διαδικασία της διασταυρωμένης επικύρωσης (cross-validation procedure-cv). Ειδικότερα, στην πειραματική ανάλυση αυτής της εργασίας, ο οι παράμετροι C και γ υπολογίστηκαν με την εφαρμογή της τακτικής 5-fold CV, χρησιμοποιώντας ένα πλέγμα τιμών που δημιουργεί C 2,2,,2 ται θεωρώντας όλους τους πιθανούς συνδυασμούς για 2,2,, Η διαδικασία αυτή επαναλήφθηκε για όλες τις περιπτώσεις συνόλων δεδομένων (datasets), που έπρεπε να ταξινομηθούν στα πλαίσια αυτής της εργασίας. Α- κολούθως, με τη χρήση των υπολογισθέντων παραμέτρων δημιουργήθηκε ένα SVM μοντέλο ταξινόμησης, για κάθε διαφορετικό σύνολο δεδομένων (dataset). Οι παράμετροι που υπολογίστηκαν στα πλαίσια της διαδικασίας CV παρουσιάζονται στον Πίνακα 4.5. Θα πρέπει να σημειωθεί ότι ο αλγόριθμος SVM εφαρμόζεται με τον ίδιο τρόπο τόσο στις pixel-based όσο και στις object-based ταξινομήσεις, διότι ο αλγόριθμος αναγνωρίζει όλα τα δεδομένα ως πρότυπα, ασχέτως με την πηγή προέλευσης τους. Τελικά παρήχθησαν και εξετάστηκαν πέντε θεματικοί χάρτες, οι οποίοι εφεξής θα συμβολίζονται ως: και SVMFullSpace-PIXEL: Ο χάρτης που προέκυψε από την εφαρμογή του SVM pixel-based ταξινομητή στο πλήρη χώρο των χαρακτηριστικών (full space) της πολυφασματικής εικόνας IKONOS (172 χαρακτηριστικά) SVMRGBNIR-PIXEL: Ο χάρτης που προέκυψε από την εφαρμογή του SVM pixel-based ταξινομητή στον αρχικό χώρο των καναλιών (original space) της πολυφασματικής εικόνας IKONOS (τέσσερα κανάλια). SVMFuzCoC-PIXEL: Ο χάρτης που προέκυψε από την εφαρμογή του SVM pixel-based ταξινομητή στον επιλεγμένο χώρο χαρακτηριστικών. SVMOBJECT: Ο χάρτης που προέκυψε μετά την εφαρμογή της SVM object-based ταξινόμησης στα αντικείμενα της εικόνας IKONOS, των οποίων η πληροφορία ε- μπλουτίστηκε από 119 χαρακτηριστικά ανώτερης τάξης. SVMFuzCoC-OBJECT: Ο χάρτης που προέκυψε μετά την εφαρμογή της SVM objectbased ταξινόμησης στα αντικείμενα της εικόνας IKONOS, των οποίων η πληροφορία εμπλουτίστηκε από τα FuzCoC επιλεγμένα χαρακτηριστικά ανώτερης τάξης (reduced space). 114

115 Κεφάλαιο 4 Η υλοποίηση του αλγόριθμου SVM πραγματοποιήθηκε μέσω μιας γραφικής διεπαφής χρήστη (Graphical User Interface-GUI), που αναπτύχθηκε στο λογισμικό MATLAB, και η οποία χρησιμοποιεί τη βιβλιοθήκη LIBSVM [78]. To GUI χρησιμοποιήθηκε για την κανονικοποίηση των δεδομένων καθώς και για την εφαρμογή της τεχνικής διασταυρωμένης επικύρωσης (επιλογή των παραμέτρων C και γ). Επιπλέον, χρησιμοποιήθηκε για την δημιουργία των SVM object-based μοντέλων ταξινόμησης καθώς και την παραγωγή των θεματικών χαρτών. Στην περίπτωση αυτή, τα αντικείμενα της εικόνας αλλά και τα χαρακτηρισμένα δείγματα εισήχθησαν στο λογισμικό MATLAB αφού προηγουμένως είχανε μετατραπεί από ψηφιδωτή σε διανυσματική μορφή (vector format). Οι pixelbased ταξινομήσεις, τα τελικά μοντέλα ταξινόμησης και οι θεματικοί χάρτες παράχθηκαν μέσω του εμπορικού λογισμικού ENVI 4.7, ενώ στην περίπτωση αυτή το MATLAB GUI χρησιμοποιήθηκε αποκλειστικά και μόνο για να προσδιοριστούν οι δυο παράμετροι C και γ. Όπως αναφέρθηκε και στο προηγούμενο κεφάλαιο, ο μεγάλος δεδομένων που αφορούσαν τις περιπτώσεις των pixel-based ταξινομήσεων στον πλήρη χώρο τον χαρακτηριστικών απαιτούσαν ειδικούς χειρισμούς μέσω του λογισμικού MATLAB, γεγονός που θα αναλυθεί περαιτέρω παρακάτω. Σε αυτό το σημείο θα πρέπει να αναφερθεί ότι η υλοποίηση του GUI πραγματοποιήθηκε από τον Δημήτρη Σταυρακούδη. Πίνακας 4.5. Οι SVM παράμετροι που επιλέχθηκαν για κάθε σύνολο δεδομένων (Dataset). Πάρνηθα Ρόδος Σύνολο Δεδομένων (Dataset) C γ C γ IKONOS RGBNIR-PIXEL IKONOS FullSpace-PIXEL IKONOS FuZCoC-PIXEL IKONOS OBJECT IKONOS FuZCoC-OBJECT

116 Κεφάλαιο Πειραματικά αποτελέσματα Το κεφάλαιο αυτό παρουσιάζει τα αποτελέσματα που προέκυψαν από την εφαρμογή της προτεινόμενης μεθοδολογίας στις δύο περιοχές μελέτης, Πάρνηθα και Ρόδο. Αρχικά παρουσιάζονται τα αποτελέσματα από τις pixel- και object-based ταξινομήσεις που πραγματοποιήθηκαν για την περίπτωση της Πάρνηθας. Στη συνέχεια παρουσιάζονται τα αποτελέσματα από τις αντίστοιχες ταξινομήσεις που διεξήχθησαν για την περίπτωση της Ρόδου. Τέλος, οι δυο προσεγγίσεις συγκρίνονται ως προς την αποτελεσματικότητα που επιδεικνύουν στη χαρτογράφηση καμένων εκτάσεων Για να εκτιμηθεί η ακρίβεια των χαρτογραφικών προϊόντων που προέκυψαν από τη διαδικασία της ανάλυσης, υπολογίστηκε αρχικά ο βαθμός συμφωνίας μεταξύ των χαρτών αναφοράς και των προϊόντων της ταξινόμησης. Ο πίνακας σφαλμάτων αναγνώρισης (error confusion matrix-ecm) καθώς και μια σειρά στατιστικών μεγεθών, υπολογίστηκαν για κάθε ταξινόμηση ώστε να προκύψει μια περιγραφή για την ακρίβεια που παρουσιάζουν οι παραγόμενοι θεματικοί χάρτες [82]. Ειδικότερα, τα στατιστικά μεγέθη που υπολογίστηκαν είναι ο συντελεστής συμφωνίας Kappa (Kappa index of agreement - KIA), η ολική ακρίβεια (overall accuracy-oa) η ακρίβεια χρήστη (user s accuracy-ua) και η ακρίβεια παραγωγού (producer s accuracy-pa)[83]. Η ακρίβεια των θεματικών χαρτών, αξιολογήθηκε περαιτέρω χρησιμοποιώντας δύο επιπρόσθετα μέτρα εκτίμησης της ακρίβειας, την πιθανότητα ανίχνευσης (the probability of detection Pd) και την πιθανότητα εσφαλμένης ανίχνευσης (probability of false alarm Pf ) [84]: [P d = M ff M ff +M nf ] (1) [P f = M fn M ff +M nn ] (2) όπου Mff είναι ο αριθμός των ορθά ταξινομημένων στοιχείων της κλάσης Καμένο, και Mnn είναι ο αριθμός των ορθά ταξινομημένων στοιχείων της κλάσης Μη καμένο. Επιπλέον, Mnf είναι ο αριθμός των εικονοστοιχείων που το μοντέλο της ταξινόμησης ανέθεσε στην κλάση Μη καμένο ενώ στο χάρτη αναφοράς ανήκαν στην κλάση Καμένο, 116

117 Κεφάλαιο 4 και Mfn είναι ο αριθμός των εικονοστοιχείων που το μοντέλο της ταξινόμησης ανέθεσε στην κλάση Καμένο ενώ στο χάρτη αναφοράς ανήκαν στην κλάση Μη καμένο. Το στατιστικό μέγεθος Pf, περιγράφει την πιθανότητα ένα εικονοστοιχείο να έχει ταξινομηθεί λανθασμένα ως Καμένο. Αντίστοιχα, το μέγεθος Pd περιγράφει την πιθανότητα ένα εικονοστοιχείο το οποίο στο χάρτη αναφοράς είναι χαρακτηρισμένο ως Καμένο, να έχει ορθά ανατεθεί από το μοντέλο ταξινόμησης σε αυτή την κλάση. Σύμφωνα με τους ορισμούς, η πιθανότητα ανίχνευσης Pd είναι το ίδιο ακριβώς στατιστικό μέγεθος με το μέτρο PA. Επομένως παρακάτω θα παρουσιαστούν μόνο οι τιμές του μεγέθους Pf. Προκειμένου να πραγματοποιηθεί η διαδικασία της εκτίμησης ακρίβειας, όλοι οι χάρτες μετατράπηκαν σε raster αρχεία, χωρικής ανάλυσης 1 m. Στη συνέχεια, πραγματοποιήθηκε η σύγκριση εικόνας-προς-εικόνα και ο υπολογισμός των στατιστικών μέτρων που προαναφέρθηκαν, χρησιμοποιώντας στους υπολογισμούς όλα τα εικονοστοιχεία της εικόνας SVM pixel-based ταξινομήσεις για την περίπτωση της Πάρνηθας Σε αυτή την υποενότητα, παρουσιάζονται τα χαρτογραφικά προϊόντα που παράχθηκαν από τις SVM pixel-based ταξινομήσεις. Ο πρώτος στόχος της παρούσας εργασίας ήταν να διερευνηθεί, εάν η προσθήκη χαρακτηριστικών ανώτερης τάξης στα αρχικά κανάλια της εικόνας IKONOS, βελτιώνει ή όχι την ακρίβεια και την ποιότητα των χαρτών καμένης έκτασης. Προκειμένου να απαντηθεί το συγκεκριμένο ερευνητικό ερώτημα, πραγματοποιήθηκε σύγκριση των τριών θεματικών χαρτών, οι οποίοι προέκυψαν από την ταξινόμηση του πλήρη χώρου χαρακτηριστικών (full space -172 features),του επιλεγμένου χώρου χαρακτηριστικών (reduced space), και του αρχικού χώρου της εικόνας (original spectral space) (βλ. υποενότητα 4.4.3). Τα πειραματικά αποτελέσματα απέδειξαν (Πίνακας 4.6) ότι η χρήση χαρακτηριστικών ανώτερης τάξης αυξάνει την ακρίβεια των παραγόμενων χαρτών καμένης έκτασης. Επιπλέον, απέδειξαν ότι στη συγκεκριμένη περίπτωση δεν υφίσταται το φαινόμενο του Hughe, μιας και η ακρίβεια της ταξινόμησης μεγιστοποιείται όταν χρησιμοποιούνται και τα 172 χαρακτηριστικά εικόνας (OA 97.47%, KIA=0.934). Η ταξινόμηση που πραγμα- 117

118 Κεφάλαιο 4 τοποιήθηκε με τη χρήση του επιλεγμένου χώρου χαρακτηριστικών, οδήγησε στην παραγωγή ενός χάρτη με οριακά χαμηλότερη ακρίβεια (OA 97.27%, KIA=0.928), από την αντίστοιχη ακρίβεια του χάρτη που δημιουργήθηκε με τη χρήση του πλήρη χώρου των χαρακτηριστικών (IKONOSFullSpace-PIXEL). Σύμφωνα με τα αποτελέσματα, η συνολική α- κρίβεια που επιτευχθεί στις δύο προαναφερθείσες περιπτώσεις (full space and reduced space), ήταν υψηλότερη από την αντίστοιχη ακρίβεια του χάρτη που βασίστηκε στην πληροφορία που παρέχουν τα αρχικά κανάλια της εικόνας (IKONOSRGBNIR-PIXEL dataset) (OA of 95.95%, KIA=0.894). Τα συγκριτικά αποτελέσματα μεταξύ των ταξινομήσεων, έδειξαν επίσης ότι στην περίπτωση της SVMFuzCoC-PIXEL ταξινόμησης η UA που επιτευχθεί στην κλάση Καμένο, είναι υψηλότερη από την αντίστοιχη ακρίβεια που παρατηρείται στις άλλες δύο ταξινομήσεις (SVMRGBNIR-PIXEL και SVMFullSpace-PIXEL) (περίπου 4% και στις δυο περιπτώσεις). Η διαπίστωση αυτή υποδηλώνει ότι όταν στην ταξινόμηση χρησιμοποιούνται επιλεγμένα χαρακτηριστικά ανώτερης τάξης, ο αλγόριθμος SVM εμφανίζεται λιγότερο επιρρεπής στο να υπερεκτιμά την κλάση Καμένο, πάντα βέβαια σε σχέση με τις υπόλοιπες εξεταζόμενες περιπτώσεις. Ακολούθως, τα αποτελέσματα του Πίνακα 4.6 αναδεικνύουν ότι η πιθανότητα εσφαλμένης ανίχνευσης Pf στην περίπτωση της SVMFuzCoC-PIXEL ταξινόμησης, είναι 2.5% χαμηλότερη από αυτές των υπολοίπων, διαφορά που οφείλεται εν πολλοίς στο μικρότερο ποσοστό λανθασμένα ταξινομημένων μη καμένων εικονοστοιχείων. Τα παραπάνω αποτελέσματα υποδηλώνουν ότι η απόδοση του SVM ήταν καλύτερη στο σύνολο δεδομένων με τα επιλεγμένα FuzCoC χαρακτηριστικά. Πίνακας 4.6. Στατιστικά μέτρα ακρίβειας για τις SVM pixel-based ταξινομήσεις (Πάρνηθα). Ταξινόμηση Κλάση PA UA OA KIA Pf SVM FullSpace-PIXEL SVM RGBNIR-PIXEL SVM FuzCoC-PIXEL Καμένο Μη καμένο Καμένο Μη καμένο Καμένο Μη καμένο Επιπλέον, πέρα από τα στατιστικά μέτρα που παρουσιάστηκαν μέχρι τώρα, πραγματοποιήθηκε και οπτική αξιολόγηση των παραγόμενων χαρτών καμένης έκτασης. Στη διαδικασία της αξιολόγησης θεωρήθηκαν μόνο οι δύο ταξινομήσεις SVMRGBNIR-PIXEL και 118

119 Κεφάλαιο 4 SVMFuzCoC-PIXEL, μιας και η περίπτωση της SVMFullSpace-PIXEL ταξινόμησης περιλαμβάνει πολλές τεχνικές ανεπάρκειες. Στην Εικόνα 4.3 παρουσιάζονται οι δυο χάρτες καμένης έκτασης που προέκυψαν από τις ταξινομήσεις καθώς και ο χάρτης αναφοράς για τη συγκεκριμένη περιοχή. Η προσεκτική εξέταση των χαρτών αποκαλύπτει ότι στην περίπτωση του χάρτη SVMRGBNIR-PIXEL τα σφάλματα ήταν πολύ περισσότερα από ότι στο χάρτη SVMFuzCoC-PIXEL,ειδικά όσον αφορά την περίπτωση των μη καμένων εκτάσεων. Το γεγονός αυτό υποδηλώνει ποια είναι η πρακτική σημασία των διαφορών που παρατηρούνται μεταξύ των ταξινομήσεων (σε σχέση πάντα με την UA και Pf που συζητήθηκαν παραπάνω). Παρόλο που οι απόλυτη τιμή Pf και στις δυο περιπτώσεις είναι πολύ μικρή, το επίπεδο θορύβου που εμφανίζεται στην περίπτωση του SVMRGBNIR-PIXEL χάρτη είναι πολύ μεγάλο ειδικά στις περιοχές που δεν είναι καμένες. Η οπτική εξέταση του χάρτη SVMRGBNIR-PIXEL αποκάλυψε ότι τα περισσότερα σφάλματα ταξινόμησης εντοπίζονται κυρίως σε σκιασμένες περιοχές (κυρίως σκιές δέντρων). Επιπλέον, σφάλματα ανάθεσης ή συμπερίληψης (commission errors) (περιοχές λάθος ταξινομημένες ως καμένες) εντοπίζονται σε περιοχές με γυμνό έδαφος, σε δρόμους και σε πρόσφατα οργωμένες αγροτικές εκτάσεις ενώ, σφάλματα παράλειψης ή αποκλεισμού (omission errors) (περιοχές λάθος ταξινομημένες ως μη καμένες) εντοπίζονται σε περιοχές με έρπουσες πυρκαγιές, με ελάχιστα καμένη βλάστηση και σε περιοχές με καμένες βραχώδεις εξάρσεις. Ειδικά στην περίπτωση των βραχωδών περιοχών, που εντοπίζονται στο εσωτερικό των καμένων εκτάσεων, ο αλγόριθμος ταξινόμησης SVM απέτυχε να ταξινομήσει ορθά τις συγκεκριμένες περιοχές ως καμένες. Το γεγονός αυτό ήταν αναμενόμενο μιας και αυτές οι περιοχές παρουσιάζουν μεγάλη φασματική ομοιότητα με άλλες περιοχές που δεν είναι καμένες. Ωστόσο πρέπει να σημειωθεί ότι ο ταξινομητής ορθά ταξινομεί τις περιοχές αυτές ως μη καμένες, μιας και οι βράχοι γενικά δεν καίγονται. Παρόλα αυτά, σύμφωνα με τη Δασική νομοθεσία, όταν η φωτιά διέρχεται από βραχώδεις δασικές εκτάσεις, οι περιοχές αυτές θα πρέπει να συμπεριλαμβάνονται στην περίμετρο της καμένης έκτασης. Επίσης, σφάλματα παρατηρήθηκαν στα σύνορα μεταξύ των δύο κλάσεων. Τα αποτελέσματα από την εξέταση και φωτοερμηνεία του χάρτη SVMFuzCoC-PIXEL, αποκάλυψαν ότι η ποιότητα του συγκεκριμένου χάρτη είναι πολύ ανώτερη από την α- ντίστοιχη ποιότητα του χάρτη SVMRGBNIR-PIXEL. Αυτό συμβαίνει κυρίως λόγω του μειωμένου θορύβου που παρουσιάζει η πρώτη περίπτωση χάρτη (SVMFuzCoC-PIXEL). 119

120 Κεφάλαιο 4 Εικόνα 4.3. Οι χάρτες καμένης έκτασης που παράχθηκαν, μέσω των pixel-based ταξινομήσεων, για την περίπτωση της Πάρνηθας (α)χάρτης αναφοράς (b) SVMRGB- NIR-PIXEL ταξινόμηση (c) SVMFuzCoC-PIXEL ταξινόμηση. 120

121 Κεφάλαιο 4 Στην Εικόνα 4.4 απεικονίζεται το πώς ταξινομήθηκε ένα κομμάτι της ίδιας έκτασης και στις περιπτώσεις που εξετάστηκαν. Εικόνα 4.4. Ένα παράδειγμα στο οποίο απεικονίζεται η οριοθέτηση των νησίδων ζωντανής βλάστησης από τις pixel-based ταξινομήσεις καθώς και ο μειωμένος θόρυβος μετά την εφαρμογή της FuzCoC FS (a) SVMRGBNIR-PIXEL ταξινόμηση (b) SVMFuzCoC-PIXEL ταξινόμηση. Χρωματικό υπόμνημα θεματικού χάρτη: Με μπλε α- πεικονίζονται οι εκτάσεις οι οποίες ταξινομήθηκαν ως καμένες. Ως υπόβαθρο χρησιμοποιήθηκε μια ψευδοέγχρωμη απεικόνιση(nir-red-green) της εικόνας IKO- NOS. Το γεγονός ότι ο χάρτης SVMRGBNIR-PIXEL παρουσιάζει πολύ μεγαλύτερο επίπεδο θορύβου από αυτό του SVMFuzCoC-PIXEL είναι πλέον ιδιαίτερα φανερό από την εικόνα. Σφάλματα ταξινόμησης εντοπίζονται επίσης στις ίδιες ακριβώς περιοχές που εντοπίστηκαν και στην προηγούμενη ταξινόμηση (SVMFuzCoC-PIXEL). Πρέπει επίσης να αναφερθεί ότι και στις δυο περιπτώσεις ταξινόμησης ήτανε ιδιαίτερα δύσκολο για τον αλγόριθμο να ταξινομήσει ορθά τα όρια των νησίδων ζωντανής βλάστησης,που απέμειναν στο ε- σωτερικό της καμένης έκτασης. Συνοψίζοντας, το γενικό συμπέρασμα που απορρέει από τη σύγκριση των δυο χαρτών καμένης έκτασης είναι ότι η χρήση FuzCoC επιλεγμένων χαρακτηριστικών συνδυαστικά με τον αλγόριθμο SVM, οδηγεί στην παραγωγή ενός χαρτογραφικού προϊόντος υψηλής ακρίβειας και αξιοπιστίας. 121

122 Κεφάλαιο SVM object-based ταξινομήσεις για την περίπτωση της Πάρνηθας Στο κεφάλαιο αυτό παρουσιάζονται τα αποτελέσματα που προέκυψαν από την εφαρμογή των SVM object-based μοντέλων ταξινόμησης. Στον Πίνακα 4.7 που ακολουθεί, παρατίθενται τα αποτελέσματα αξιολόγησης ακρίβειας και για τις δυο περιπτώσεις που εξετάστηκαν (με η χωρίς ΕΧ). Γενικά, τα αποτελέσματα δείχνουν ότι και στις δύο περιπτώσεις η ακρίβεια που επιτεύχθηκε ήτανε ιδιαίτερα υψηλή. Ειδικότερα, στην περίπτωση της SVMOBJECT ταξινόμησης η συνολική ακρίβεια έφτασε το 97.17% (KIA=0.926), ενώ στην SVMFuzCoC-OBJECT το 97.85% (KIA=0.943). Όπως και στις pixelbased ταξινομήσεις η εφαρμογή του SVM στον επιλεγμένο χώρο χαρακτηριστικών (τρία χαρακτηριστικά επιλέχθηκαν από την FuzCoC FS μέθοδο) είχε ως αποτέλεσμα τη βελτίωση της UA στην κλάση Καμένο (2.49%), συγκριτικά πάντα με την αντίστοιχη ακρίβεια που παρουσιάζει η ίδια κλάση στην ταξινόμηση στην οποία έχει χρησιμοποιηθεί ο πλήρης χώρος των χαρακτηριστικών. Επιπλέον, η τιμή της Pf για την SVMFuzCoC-OBJECT ταξινόμηση είναι πάνω από δυο φορές μικρότερη από την αντίστοιχη της SVMOBJECT. Πίνακας 4.7. Στατιστικά μέτρα ακρίβειας για τις SVM object-based ταξινομήσεις (Πάρνηθα). Ταξινόμηση Κλάση PA UA OA KIA Pf SVM OBJECT SVM FuzCoC-OBJECT Καμένο Μη καμένο Καμένο Μη καμένο Για να ολοκληρωθεί η ερμηνεία των σφαλμάτων της ταξινόμησης, πραγματο ποιήθηκε οπτική αξιολόγηση των χαρτών που παράχθηκαν από τις object-based ταξινομήσεις. 122

123 Κεφάλαιο 4 Εικόνα 4.5.Ένα παράδειγμα από τους χάρτες που προέκυψαν από τις object-based ταξινομήσεις και στο οποίο διαφαίνονται οι μη καμένες νησίδες στην: (a) SVMOBJECT ταξινόμηση και (b) SVMFuzCoC-OBJECT ταξινόμηση. Με μπλε απεικονίζονται οι εκτάσεις οι οποίες ταξινομήθηκαν ως καμένες. Ως υπόβαθρο χρησιμοποιήθηκε μια ψευδοέγχρωμη απεικόνιση (NIR-Red-Green) της εικόνας IKONOS. Στην Εικόνα 4.5 παρουσιάζονται οι χάρτες των οποίων τα αποτελέσματα σχολιάζονται στο παρόν κεφάλαιο. Γενικά, όλοι οι χάρτες καμένης έκτασης έδειξαν ότι υπάρχει αρκετά καλή συμφωνία μεταξύ ταξινομήσεων και χαρτών αναφοράς. Ωστόσο, τα βασικότερα σφάλματα ταξινόμησης εντοπίζονται και στις δύο περιπτώσεις σε αντικείμενα με σκιές, γυμνό έδαφος, δρόμους, επιφανειακές πυρκαγιές, περιοχές στις οποίες η βλάστηση κάηκε ελάχιστα, σε αντικείμενα με ξηρή βλάστηση (ειδικά σε περιοχές με κωνοφόρα) και σε πρόσφατα οργωμένα χωράφια. Επιπλέον, σφάλματα ταξινόμησης παρατηρούνται σε περιοχές στις οποίες τα αντικείμενα περιλαμβάνουν και τις δύο κλάσεις που 123

124 Κεφάλαιο 4 χρησιμοποιήθηκαν στην ταξινόμηση, Καμένο και Μη καμένο. Στη συγκεκριμένη περίπτωση τα σφάλματα οφείλονται στη διαδικασία της κατάτμησης, κατά τη διάρκεια της οποίας ο αλγόριθμος απέτυχε σε συγκεκριμένες περιπτώσεις να δημιουργήσει ομοιογενή αντικείμενα. Το πρόβλημα αυτό δημιουργήθηκε κυρίως σε περιοχές όπου υπήρχε πυκνό δάσος και το οποίο επηρεάστηκε επιφανειακά από την πυρκαγιά, καθώς και σε περιοχές στις οποίες η βλάστηση ήταν αραιή θαμνώδης. Από τα παραπάνω γίνεται αντιληπτό, ότι η διαδικασία της κατάτμησης διαδραματίζει ιδιαίτερα σημαντικό ρόλο στην ακρίβεια της ταξινόμησης και θα πρέπει να διερευνηθεί περαιτέρω. Στη συνέχεια τα αποτελέσματα της ανάλυσης αποδεικνύουν, ότι ο αλγόριθμος SVM όταν εφαρμόζεται στο χώρο των επιλεγμένων χαρακτηριστικών (IKONOSFuzCoC-OBJECT), επιτυγχάνει μεγαλύτερη ακρίβεια στο εσωτερικό της καμένης έκτασης. Ακολούθως, η οπτική εκτίμηση των δύο θεματικών χαρτών, καταδεικνύει ότι οι νησίδες ζωντανής βλάστησης ταξινομούνται, και στις δυο περιπτώσεις, σωστά από τον αλγόριθμο ταξινόμησης. Η Εικόνα 4.6 παρουσιάζει ένα παράδειγμα από το εσωτερικό της περιμέτρου της πυρκαγιάς, στο οποίο απεικονίζονται κάποιες επιλεγμένες νησίδες ζωντανής βλάστησης. Σε αυτό το σημείο θα πρέπει να τονιστεί ότι, σε όλες τις περιπτώσεις που εξετάστηκαν, ο ταξινομητής επέδειξε υψηλή διαχωριστική ικανότητα εντός και εκτός της δασικής πυρκαγιάς. Επίσης, τα αποτελέσματα που προέκυψαν από τις δυο προσεγγίσεις (pixel και object) αποδεικνύουν ότι οι ταξινομήσεις που πραγματοποιήθηκαν με τον επιλεγμένο χώρο χαρακτηριστικών επιτυγχάνουν, συγκριτικά πάντα με τις υπόλοιπες ταξινομήσεις, τις χαμηλότερες τιμές Pf. Τέλος, θα πρέπει να αναφερθεί ότι η εφαρμογή της προσέγγισης object-based μείωσε σημαντικά το φαινόμενο του αλατιού-πιπεριού (salt-and-paper effect), κάτι που ήταν αναμενόμενο, ενώ η εφαρμογή της FuzCoC FS μείωσε σημαντικά το χρόνο που απαιτείται για την ολοκλήρωση της ταξινόμησης επιτυγχάνοντας παράλληλα την παραγωγή προϊόντων υψηλής χαρτογραφικής ακρίβειας. Ο όρος salt-and-pepper χαρακτηρίζει το φαινόμενο κατά το οποίο μέσα σε ομογενείς περιοχές κάποιας κλάσης εμφανίζονται μεμονωμένα εικονοστοιχεία που έχουν εσφαλμένως ανατεθεί σε άλλες κλάσεις. Το φαινόμενο αυτό παρουσιάζεται εντονότερα σε εικόνες μεγάλης χωρικής διακριτικής ικανότητας, λόγω της απεικόνισης περισσότερων λεπτομερειών, όπως μικρές περιοχές με πιο αραιή βλάστηση, κενά μεταξύ δέντρων και ούτω καθεξής. 124

125 Κεφάλαιο 4 Εικόνα 4.6. SVM object based χάρτες καμένης έκτασης για την περίπτωση της Πάρνηθας (a) η SVMOBJECT ταξινόμηση (b) η SVMFuzCoC-OBJECT ταξινόμηση SVM pixel-based ταξινομήσεις για τη Ρόδο Η παρούσα υποενότητα εκθέτει τα αποτελέσματα από την εφαρμογή του των SVM pixel-based ταξινομήσεων στη δεύτερη περιοχή μελέτης (Νήσος Ρόδος). Ειδικότερα, τα αποτελέσματα που συνοψίζονται στον Πίνακας 4.8 καταδεικνύουν ότι η υψηλότερη α- κρίβεια επιτυγχάνεται όταν χρησιμοποιείται στην ταξινόμηση ο πλήρης χώρος των διαθέσιμων χαρακτηριστικών της εικόνας (SVMFullSpace-PIXEL). Συγκεκριμένα, η ολική ακρίβεια που επιτευχθεί σε αυτή την περίπτωση ήταν περίπου 2.5% υψηλότερη από την α- ντίστοιχη ακρίβεια της ταξινόμησης στον επιλεγμένο χώρο χαρακτηριστικών (SVMFuzCoC-PIXEL). Αντίστοιχα, η ΟΑ της ταξινόμησης στην οποία χρησιμοποιήθηκε ο αρχικός χώρος της εικόνας (SVMRGBNIR-PIXEL) ήταν σημαντικά χαμηλότερη από τις ΟΑ ακρίβειες των υπόλοιπων δύο ταξινομήσεων. 125

126 Κεφάλαιο 4 Πίνακας 4.8. Στατιστικά μέτρα ακρίβειας για τις SVM pixel-based ταξινομήσεις (Ρόδος). Ταξινόμηση Κλάση PA UA OA KIA Pf Burned SVM FullSpace-PIXEL Unburned SVM RGBNIR-PIXEL SVM FuzCoC-PIXEL Burned Unburned Burned Unburned Στο συγκεκριμένο πρόβλημα ταξινόμησης (Ρόδος), οι διαφορές μεταξύ των παραγόμενων χαρτών είναι πολύ μεγαλύτερες από τις αντίστοιχες στην Πάρνηθας, διότι πρόκειται για ένα ιδιαίτερα σύνθετο και πολύπλοκο πρόβλημα. Συνεπώς, τα οφέλη από τη συνδυαστική χρήση των επιπρόσθετων χαρακτηριστικών ανώτερης τάξης με μια μέθοδο ΕΧ, γίνονται ακόμη πιο εμφανή. Σε όλες τις περιπτώσεις ο ταξινομητής SVM επιδεικνύει την τάση να υπερεκτιμάει την κλάση Καμένο, γεγονός που γίνεται άμεσα αντιληπτό από τις αρκετά χαμηλές PAs στην κλάση Μη καμένο. Ωστόσο, η ταξινόμηση SVMFuzCoC-PIXEL εμφανίζει λίγο διαφορετικά αποτελέσματα από αυτά που παρατηρήθηκαν στην προηγούμενη περίπτωση. Ειδικότερα, η εξέταση των αριθμητικών αποτελεσμάτων της SVMFuzCoC-PIXEL ταξινόμησης αποκαλύπτει ότι στην συγκεκριμένη περίπτωση υπάρχει καλύτερη ισορροπία μεταξύ των ακριβειών UA και PA. Το γεγονός αυτό αντικατοπτρίζεται και στην τιμή Pf,που είναι η χαμηλότερη σε σχέση με τις αντίστοιχες τιμές των υπολοίπων ταξινομήσεων. Γενικά, χαμηλή τιμή Pf σημαίνει ότι ο ταξινομητής SVM είναι λιγότερο επιρρεπής στο να πραγματοποιεί λανθασμένες ταξινομήσεις μη καμένων εικονοστοιχείων. Θα πρέπει να τονιστεί ωστόσο, ότι η συνολική ακρίβεια στην SVMFuzCoC-PIXEL ταξινόμηση είναι λίγο χαμηλότερη από την αντίστοιχη της SVMFullSpace- PIXEL. Εκτός από τη σύγκριση των αριθμητικών αποτελεσμάτων, διενεργήθηκε επιπλέον και οπτική αξιολόγηση των παρατηρούμενων διαφορών στους παραγόμενους θεματικούς χάρτες. Όπως και στην περίπτωση της Πάρνηθας η ανάλυση επικεντρώθηκε σε δυο ταξινομήσεις, στην SVMRGBNIR-PIXEL και SVMFuzCoC-PIXEL (Εικόνα 4.7). 126

127 Κεφάλαιο 4 Μια προσεκτική εξέταση των ταξινομήσεων, αποκαλύπτει ότι ο χάρτης SVMFuzCoC- PIXEL είναι ανώτερος ποιοτικά από τον χάρτη SVMRGBNIR-PIXEL, κυρίως λόγω του μειωμένου επιπέδου θορύβου που παρουσιάζει. Επιπλέον, η οπτική εξέταση αποκαλύπτει ότι στον χάρτη SVMRGBNIR-PIXEL, ο μεγάλος αριθμός λανθασμένων ταξινομημένων εικονοστοιχείων εκτός της περιμέτρου της δασικής πυρκαγιάς, αυξάνει σε μεγάλο βαθμό την υπερεκτίμηση της κλάσης Καμένο. Αντιθέτως, στην περίπτωση της SVMFuzCoC-PIXEL ταξινόμησης η κλάση Καμένο υ- ποεκτιμάται σε κάποιο βαθμό, κυρίως εντός της περιμέτρου της πυρκαγιάς. Παρόλα αυτά ο βαθμός στον οποίο υποεκτιμάται η καμένη έκταση σε αυτή την περίπτωση είναι πολύ μικρότερος από τον αντίστοιχο βαθμό υπερεκτίμησης που παρατηρείται στην περίπτωση της SVMRGBNIR-PIXEL ταξινόμησης. Εικόνα 4.7. Οι χάρτες καμένων εκτάσεων που προέκυψαν μετά την εφαρμογή της SVM pixel-based μεθοδολογίας στην περιοχή της Ρόδου: (a) χάρτης αναφοράς, (b) SVMRGBNIR-PIXEL ταξινόμηση, και (c) SVMFuzCoC-PIXEL ταξινόμηση. 127

128 Κεφάλαιο SVM object-based ταξινομήσεων για την περίπτωση της Ρόδου Η ενότητα αυτή εκθέτει τα πειραματικά αποτελέσματα (Πίνακας 4.9) που προέκυψαν από την εφαρμογή της object-based μεθοδολογίας στο πρόβλημα ταξινόμησης της Ρόδου. Προκειμένου να αξιολογηθεί η απόδοση της προτεινόμενης μεθοδολογίας, διενεργήθηκε μία εκτεταμένη σύγκριση μεταξύ των δύο θεματικών χαρτών που προέκυψαν από την διαδικασία. Συγκεκριμένα, τα πειραματικά αποτελέσματα της εργασίας καταδεικνύουν την αποτελεσματικότητα της μεθόδου FuzCoC FS, συγκριτικά πάντα με την αρχική προσέγγιση του προβλήματος (full space). Ειδικά για την συγκεκριμένη περίπτωση, όπου το μοντέλο ταξινόμησης χρησιμοποίησε τον επιλεγμένο χώρο χαρακτηριστικών, η ακρίβεια της ταξινόμησης στο εσωτερικό της πυρκαγιάς, βελτιώθηκε αισθητά. Τα αποτελέσματα των δυο συγκρινόμενων ταξινομήσεων, για τις δύο κλάσεις του προβλήματος περιγράφονται αναλυτικά στον Πίνακα 4.9. Σύμφωνα, με τα αριθμητικά αποτελέσματα, η ολική ακρίβεια που επιτευχθεί στην περίπτωση της ταξινόμησης με τον πλήρη χώρο χαρακτηριστικών ήταν 79.26% (KIA = 0.477), ενώ στην αντίστοιχη με τον επιλεγμένο χώρο ήταν 92.39% (KIA = 0.830). Αξίζει να αναφερθεί ότι στην τελευταία περίπτωση ταξινόμησης, αυξήθηκαν σημαντικά όλες οι ακρίβειες(ua και PA) που αφορούν την κάθε κλάση ξεχωριστά. Όπως φαίνεται και από την ανάλυση των αποτελεσμάτων, η βελτίωση της ακρίβειας στην κλάση Μη καμένο είναι ιδιαίτερα αισθητή. Σύμφωνα πάντα με τα αριθμητικά αποτελέσματα του Πίνακα 4.9, η κλάση Μη καμένο έχει υποεκτιμηθεί σημαντικά, μιας και ένα σημαντικό τμήμα της είχα ταξινομηθεί λανθασμένα ως καμένη έκταση. Το γεγονός αυτό επαληθεύεται επίσης και από τις τιμές Pf, όπου ειδικά στην περίπτωση της SVMFuzCoC-OBJECT, η τιμή Pf είναι δύο φορές μικρότερη από την αντίστοιχη τιμή της SVMOBJECT. Η διαπίστωση αυτή υποδηλώνει ότι το μοντέλο ταξινόμησης SVMFuzCoC-OBJECT ταξινομεί ε- σφαλμένα λιγότερα εικονοστοιχεία, που ανήκουν στην κλάση Μη καμένο, από ότι το αντίστοιχο μοντέλο SVMOBJECT. 128

129 Κεφάλαιο 4 Πίνακας 4.9. Στατιστικά μέτρα ακριβείας για την περίπτωση των object-based ταξινομήσεων στην περίπτωση της Ρόδου Classification Class PA UA OA KIA Pf Burned SVM OBJECT Unburned SVM FuzCoC-OBJECT Burned Unburned Για λόγους ολοκληρωμένης εκτίμησης της ποιότητας των θεματικών χαρτών, διενεργήθηκε επιπλέον οπτική σύγκριση και αξιολόγηση των παραχθέντων χαρτών καμένης έκτασης (Εικόνα 4.8). Όπως προκύπτει από την οπτική σύγκριση, οι δύο χάρτες διαφέρουν σημαντικά κυρίως ως προς τις τοποθεσίες στις οποίες πραγματοποιούνται τα σφάλματα ανάθεσης ή συμπερίληψης (commission errors) (περιοχές λάθος ταξινομημένες ως καμένες) και τα σφάλματα παράλειψης ή αποκλεισμού (περιοχές λάθος ταξινομημένες ως μη καμένες). Συγκεκριμένα, στην περίπτωση του χάρτη που παράγεται από το SVMFuzCoC-OBJECT μοντέλο ταξινόμησης, παρατηρείται ότι ένας σημαντικός αριθμός α- ντικείμενων ταξινομήθηκε λανθασμένα, γεγονός που εντείνεται ακόμη περισσότερο ε- κτός της περιμέτρου της δασικής πυρκαγιάς (Εικόνα 4.8b). Παρόλα αυτά, η απόδοση του ταξινομητή εντός της περιμέτρου της δασικής πυρκαγιάς κρίνεται αρκετά καλή, μιας και ο διαχωρισμός καμένης από μη καμένη έκταση πραγματοποιήθηκε με επιτυχία. Από την άλλη πλευρά, η οπτική αξιολόγηση του χάρτη SVMOBJECT (Εικόνα 4.8a) αποκαλύπτει ότι ο ταξινομητής SVM επιδεικνύει την τάση να υπερεκτιμάει την κλάση Καμένο εις βάρος της κλάσης Μη καμένο. Επιπλέον, μια διαφορά που παρατηρείται μεταξύ των δυο χαρτών είναι ότι στην περίπτωση της SVMOBJECT ταξινόμησης το φαινόμενο αλατιού-πιπεριού (salt-and-pepper) μειώνεται αισθητά. Ωστόσο, η μείωση αυτή δεν φαίνεται να βελτιώνει το τελικό αποτέλεσμα της ταξινόμησης, διότι ενώ από τη μια πλευρά μειώνεται ο θόρυβος της ταξινόμησης από την αλλά πλευρά αυξάνονται οι λανθασμένες ταξινομήσεις αντικειμένων εντός της περιμέτρου της πυρκαγιάς. Ειδικότερα, ταξινομούνται λανθασμένα από τον ταξινομητή ως καμένες περιοχές οι οποίες δεν επηρεάστηκαν καθόλου από την φωτιά (νησίδες ζωντανής βλάστησης, γυμνό έδαφος, εκτάσεις χαμηλής βλάστησης και δρόμοι)(εικόνα 4.8a). Βάσει λοιπόν των παραπάνω η ποιότητα του θεματικού χάρτη SVMFuzCoC-OBJECT ταξινόμησης είναι σαφώς αναβαθμισμένη συγκριτικά με αυτήν του SVMOBJECT. Τέλος είναι σημαντικό να αναφερθεί ότι οι τύποι κάλυψης γης 129

130 Κεφάλαιο 4 οι οποίοι συνήθως ταξινομούνται λανθασμένα σε προβλήματα ταξινόμησης καμένων ε- κτάσεων (π.χ. σκιές) εξακολουθούν να ταξινομούνται λάθος και στις δυο περιπτώσεις ταξινόμησης που αναλύθηκαν παραπάνω. Εικόνα 4.8. Οι χάρτες καμένων εκτάσεων που προέκυψαν μετά την εφαρμογή της SVM object-based μεθοδολογίας στην περιοχή της Ρόδου: (a) SVMOBJECT ταξινόμηση, και (c) SVMFuzCoC-OBJECT ταξινόμηση. 4.6 Συζήτηση Ένας πρόσθετος στόχος της παρούσας εργασίας ήταν να συγκρίνει και να εξετάσει τις δύο μεθοδολογίες (pixel και object-based), που αναπτύχθηκαν στα πλαίσια της παρούσας εργασίας, με βάση την δυνατότητα χρήση τους σε επιχειρησιακό επίπεδο. Τα κριτήρια που πρέπει να πληροί μια μεθοδολογία χαρτογράφησης καμένων εκτάσεων ώ- στε να μπορεί εφαρμοστεί επιχειρησιακά είναι η ταχύτητα, ο αυτοματισμός και η αξιοπιστία [9](Boschetti et al. 2010). Ως εκ τούτου, η αξιολόγηση των μεθοδολογιών που αναπτύχθηκαν σε αυτή την εργασία πραγματοποιήθηκε με βάση τα παραπάνω κριτήρια. Ξεκινώντας από τις pixel-based ταξινομήσεις είναι σημαντικό να αναφέρουμε ότι ό- λες οι διαδικασίες που έπρεπε να υλοποιηθούν, πριν από το στάδιο της ταξινόμησης, ήταν ιδιαίτερα χρονοβόρες. Κατά τη διάρκεια της υλοποίησης δημιουργήθηκε μεγάλος όγκος δεδομένων που απαιτούσε μεγάλη χωρητικότητα αποθήκευσης καθώς και ιδιαίτερα υψηλές απαιτήσεις σε υπολογιστική ισχύ. Ειδικά για την περίπτωση της ταξινόμη- 130

131 Κεφάλαιο 4 σης όπου χρησιμοποιήθηκε ο πλήρης χώρος χαρακτηριστικών (full space) οι προαναφερθείσες δυσκολίες ήτανε τεράστιες. Ενώ η διαδικασία παραγωγής θεματικών χαρτών απαιτούσε ειδικούς χειρισμούς, με τη χρήση υψηλού επιπέδου προγραμματιστικών εργαλείων. Προκειμένου να πραγματοποιηθεί η ταξινόμηση στο full space, ήταν απαραίτητο οι εικόνες να χωριστούν σε υποτμήματα (250 υποεικόνες για κάθε περίπτωση, ώστε να μπορεί κάθε τμήμα της εικόνας να ταξινομηθεί ξεχωριστά. Τελικά, οι θεματικοί χάρτες προέκυψαν έπειτα από συνένωση των επιμέρους ταξινομημένων υποτμημάτων της εικόνας. Οι διαδικασίες που περιγράφηκαν προηγουμένως, είναι πρακτικά αδύνατο να εφαρμοστούν με τη χρήση κοινών εμπορικών λογισμικών τηλεπισκόπησης καθώς και από τυπικούς χρήστες δορυφορικής τηλεπισκόπησης. Επομένως, όταν τελικός σκοπός είναι η γρήγορη, απλή και εύκολη υλοποίηση μιας ταξινόμησης, στα πλαίσια της οποίας έχει προστεθεί επιπλέον πληροφορία στα αρχικά κανάλια της εικόνας (original space), η χρήση μιας μεθόδου ΕΧ κρίνεται απολύτως απαραίτητη. Γενικά, στην pixel-based προσέγγιση, τόσο στον αρχικό (original) όσο και στον επιλεγμένο χώρο (reduced spaces) χαρακτηριστικών, οι απαιτήσεις σε υπολογιστική ισχύ αλλά και σε χώρο αποθήκευσης, ήταν επίσης ιδιαίτερα υψηλές λόγω του μεγάλου μεγέθους των VHR εικόνων. Πρέπει να σημειωθεί ότι παρά την έλευση νέων υπολογιστικών συστημάτων, ανασταλτικοί παράγοντες για τη χρήση αυτών των μεθοδολογιών, αποτελούν οι τεράστιες απαιτήσεις σε υπολογιστική ισχύ. Ειδικά για την περίπτωση όπου στόχος είναι η αυτόματη πολυχρονική χαρτογράφηση καμένων εκτάσεων, τόσο σε τοπικό όσο και σε εθνικό επίπεδο η εφαρμογή αυτών των μεθόδων θα αντιμετωπίζει αρκετές δυσκολίες για μεγάλο χρονικό διάστημα. Αναφορικά με την object-based μεθοδολογική προσέγγιση η εφαρμογή της συγκριτικά με την αντίστοιχη pixel-based αποδείχτηκε ότι ήταν λιγότερο πολύπλοκη, απαιτητική και χρονοβόρα. Θα πρέπει να τονιστεί, ότι σε όλες τις περιπτώσεις (pixel και object) η εφαρμογή της μεθόδου ΕΧ μείωσε σημαντικά τον όγκο των δεδομένων που θα έπρεπε να χρησιμοποιηθούνε στην ανάλυση, τόσο από άποψη υπολογιστικών απαιτήσεων όσο και από άποψη απαιτήσεων σε χωρητικότητα αποθήκευσης. Παρόλο που οι απαιτήσεις της object-based προσέγγισης είναι σημαντικά λιγότερες από τις αντίστοιχες της pixelbased, τα οφέλη από την εφαρμογή της μεθόδου ΕΧ παραμένουν ιδιαίτερα σημαντικά. Επί του παρόντος καμία από τις δύο προσεγγίσεις δεν είναι γρήγορη και πλήρως αυτοματοποιημένη. Συνεπώς καμία από τις δυο μεθοδολογίες δεν πληροί τα κριτήρια που 131

132 Κεφάλαιο 4 αναφέρθηκαν παραπάνω και τα οποία απαιτούνται προκειμένου να χρησιμοποιηθεί μια μεθοδολογία επιχειρησιακά. Ωστόσο, η σύγκριση των δύο προσεγγίσεων έδειξε ότι η object-based μεθοδολογία πληροί τα κριτήρια που προαναφέρθηκαν σε μεγαλύτερο βαθμό. Εάν και εφόσον όλες οι διαδικασίες που λαμβάνουν χώρα μέσα στα πλαίσια αυτής της προσέγγισης, ενσωματωθούν στο προσεχές μέλλον σε ένα λογισμικό, τότε θα είναι εφικτή η υλοποίηση τους με ημιαυτόματο τρόπο. Η διαδικασία της ταξινόμησης δεν είναι δυνατόν να αυτοματοποιηθεί πλήρως διότι σε κάθε περίπτωση θα απαιτείται η ρύθμιση διάφορων παραμέτρων. Η μέχρι τώρα συζήτηση καταδεικνύει ότι το σχήμα της object-based μεθοδολογίας ενδείκνυται περισσότερο για τη χαρτογράφηση καμένων εκτάσεων, από εικόνες πολύ υψηλής ευκρίνειας. Η συγκεκριμένη διαπίστωση ενισχύεται ακόμη περισσότερο από την αριθμητική και οπτική σύγκριση των παραγόμενων θεματικών χαρτών. Όπως φάνηκε και από τα αποτελέσματα οι χάρτες καμένης έκτασης που παράχθηκαν και στις δύο περιπτώσεις που μελετήθηκαν είναι ιδιαίτερα υψηλής ακρίβειας. Ειδικότερα, η ακρίβεια των χαρτών οι οποία προέκυψαν από την χρήση του επιλεγμένου χώρου χαρακτηριστικών (reduced space) ξεπέρασε το 95% (OA) στην περίπτωση της Πάρνηθας και το 87% στην περίπτωση της Ρόδου. Τα πειραματικά αποτελέσματα που παρουσιάστηκαν σε προηγούμενες ενότητες αποδεικνύουν ότι, η συνδυαστική χρήση χαρακτηριστικών ανώτερης τάξης με την FuzCoC FS μέθοδο, έχει ιδιαίτερα θετική επίδραση στην ακρίβεια όλων των χαρτών, ανεξαρτήτως από τη μέθοδο από την οποία παράχθηκαν (pixel- ή object-based). Επιπλέον, τα α- ποτελέσματα από τις pixel-based ταξινομήσεις αποκαλύπτουν ότι και στις δυο περιπτώσεις που εξετάστηκαν (Πάρνηθα και Ρόδος), η χρήση επιπρόσθετης πληροφορίας (με ή χωρίς την εφαρμογή μεθόδου ΕΧ) βελτιώνει σημαντικά την απόδοση του ταξινομητή. Παρόλα αυτά, οι ακριβέστεροι θεματικοί χάρτες παράγονται από την εφαρμογή του ταξινομητή SVM στον πλήρη χώρο χαρακτηριστικών (full space), η ακρίβεια των οποίων είναι ελάχιστα καλύτερη από την αντίστοιχη αυτών που παράχθηκαν με τη χρήση του επιλεγμένου χώρου χαρακτηριστικών. Τα οφέλη ωστόσο που αποκομίζονται από την εφαρμογή της μεθόδου ΕΧ, σχετικά πάντα με τις υπολογιστικές απαιτήσεις αλλά και τον χειρισμό των δεδομένων, εξισώνουν τη μικρή απώλεια που παρατηρείται στα ποσοστά ακρίβειας. 132

133 Κεφάλαιο 4 Αναφορικά με τη χρήση της μεθόδου επιλογής χαρακτηριστικών, η οπτική αξιολόγηση των pixel-based θεματικών χαρτών αποκαλύπτει δυο ακόμη οφέλη που απορρέουν από τη χρήση της μεθόδου ΕΧ. Το πρώτο αφορά την μείωση του θορύβου της ταξινόμησης ενώ το δεύτερο την αύξηση της ομοιογένειας στο εσωτερικό των κλάσεων ενδιαφέροντος. Μέσω της οπτική αξιολόγησης των χαρτών αποκαλύφθηκε ότι οι χάρτες που βασίστηκαν στον επιλεγμένο χώρο χαρακτηριστικών(reduced space) παρέχουν μια πιο ρεαλιστική απεικόνιση της πραγματικότητας, συγκριτικά με τους χάρτες του αρχικού χώρου (original space). Στη συνέχεια, τα αποτελέσματα της σύγκρισης των SVM object-based ταξινομήσεων αποκαλύπτουν ότι η εφαρμογή της μεθόδου FuzCoC FS, στα πλαίσια της συγκεκριμένης μεθοδολογικής προσέγγισης, είχε ως συνεπακόλουθο την παραγωγή των ακριβέστερων χαρτών (Πάρνηθα και Ρόδος). Συγκεκριμένα, στην περίπτωση της Πάρνηθας η βελτίωση της ακρίβειας μετά την εφαρμογή της μεθόδου ΕΧ ήταν πρακτικά αμελητέα (0.68% διαφορά στην OA), ενώ στην τελευταία περίπτωση το ποσοστό της διαφοράς ανήλθε στο 13%. Από τα παραπάνω διαφαίνεται ότι η αύξηση της ακρίβειας ταξινόμησης εξαρτάται από το είδος του προβλήματος που αντιμετωπίζουμε. Στην περίπτωση της Πάρνηθας το πρόβλημα ταξινόμησης θεωρείται πιο εύκολο από το αντίστοιχο της Ρόδου, συμπέρασμα που απορρέει από το γεγονός ότι και οι δυο object-based ταξινομήσεις επιτυγχάνουν ολική ακρίβεια (ΟΑ) μεγαλύτερη από 97%. Αντίστοιχα στην περίπτωση της Ρόδου όπου το τοπίο είναι πολύ πιο ετερογενές από το αντίστοιχο της Πάρνηθας, τα οφέλη από την εφαρμογή της μεθόδου ΕΧ είναι περισσότερο εμφανή. Η σύγκριση των αριθμητικών αποτελεσμάτων των δυο προσεγγίσεων pixel- και object-based, αποκαλύπτει ότι η τελευταία επιτυγχάνει πολύ υψηλότερες ολικές ακρίβειες. Στην περίπτωση της Πάρνηθας τα οφέλη από την εφαρμογή της object-based ταξινόμησης είναι οριακά, ενώ στην περίπτωση της Ρόδου τα οφέλη είναι ιδιαίτερα σημαντικά (4.8% διαφορά στην OA). Αναφορικά με τα αποτελέσματα της οπτικής αξιολόγησης των θεματικών χαρτών, οι ταξινομήσεις που προκύπτουν από την object-based προσέγγιση εμφανίζουν τη μεγαλύτερη ομοιογένεια στις κλάσεις ενδιαφέροντος. Επίσης, η ίδια μεθοδολογική προσέγγιση είναι αυτή η οποία παράγει χάρτες με την πιο ρεαλιστική απεικόνιση της πραγματικότη- 133

134 Κεφάλαιο 4 τας. Στην Εικόνα 4.9 φαίνεται μια λεπτομέρεια του θεματικού χάρτη στην οποία διακρίνεται η καλύτερη ομοιογένεια που χαρακτηρίζει τις κλάσεις των SVMFuzCoC-OBJECT ταξινομήσεων. Ειδικότερα, στο παράδειγμα της Εικόνας 4.9 απεικονίζονται οι χάρτες SVMFuzCoC-OBJECT και SVMFuzCoC-PIXEL που αφορούν την περιοχή της Πάρνηθας. Είναι φανερό από την οπτική σύγκριση των χαρτών, ότι η object-based προσέγγιση παράγει χάρτες στους οποίους η απεικόνιση της κλάσης Καμένο, είναι πολύ πιο ομοιογενής συγκριτικά με την αντίστοιχη στους pixel-based χάρτες. Λαμβάνοντας υπόψιν όλες τις πρακτικές δυσκολίες που αφορούν τις pixel-based ταξινομήσεις, οδηγούμαστε στο συμπέρασμα ότι η object-based προσέγγιση είναι η πιο κατάλληλη για την παραγωγή ρεαλιστικών χαρτών υψηλής ακρίβειας. Εικόνα 4.9 Θεματικοί χάρτες (καμένες εκτάσεις) για την περιοχής της Πάρνηθας, η ποιότητα των οποίων βελτιώθηκε έπειτα από την εφαρμογή της object-based προσέγγισης. (a)λεπτομέρεια του χάρτη SVMFuzCoC-OBJECT, στον οποίο απεικονίζεται η κλάση Καμένο με τη μεγαλύτερη ομοιογένεια (b) Λεπτομέρεια του χάρτη SVMFuzCoC- PIXEL στον οποίο απεικονίζεται η υπερεκτιμημένη κλάση Καμένο. Χρωματικό υπόμνημα θεματικού χάρτη: Με κίτρινο οριοθετούνται τα όρια των καμένων εκτάσεων. 134

135 Κεφάλαιο 4 Οι τύποι κάλυψης γης που συνήθως ταξινομούνται λάθος στη χαρτογράφηση καμένων εκτάσεων (π.χ. σκιές, γυμνό έδαφος) εξακολουθούν να ταξινομούνται λάθος σε όλες τις περιπτώσεις που εξετάστηκαν (full, reduced, και original space). Παρόλα αυτά, τα σφάλματα που πραγματοποιούνται στο συγκεκριμένο πρόβλημα ταξινόμησης, μειώνονται σημαντικά όταν χρησιμοποιείται η object-based προσέγγιση. Ειδικά στην περίπτωση των σκιασμένων περιοχών, η εφαρμογή του SVM σε αντικείμενα παρουσιάζει σημαντικά υψηλότερη διαχωριστική ικανότητα συγκριτικά την αντίστοιχη του SVM σε pixel. Στην Εικόνα 4.10 παρουσιάζεται μια λεπτομέρεια των θεματικών χαρτών SVMFuzCoC-OBJECT και SVMFuzCoC-PIXEL, για μια υποπεριοχή που περιέχει πολλές σκιές. Εικόνα 4.10 Θεματικοί χάρτες (καμένες εκτάσεις) για την περιοχής της Πάρνηθας, η ποιότητα των οποίων βελτιώθηκε έπειτα από την εφαρμογή της object-based προσέγγισης.(a) Λεπτομέρεια του χάρτη SVMFuzCoC-OBJECT, στον οποίο απεικονίζεται η κλάση Μη καμένο (b) Λεπτομέρεια του χάρτη SVMFuzCoC-PIXEL στον οποίο απεικονίζεται η ίδια κλάση. Χρωματικό υπόμνημα θεματικού χάρτη: Με κόκκινο οριοθετούνται τα όρια των σκιασμένων περιοχών που λανθασμένα ταξινομήθηκαν ως καμένες εκτάσεις.αντίστοιχα με κίτρινο οριοθετούνται οι μη καμένες εκτάσεις. 135

136 Κεφάλαιο 4 Λόγω του υψηλού κόστους απόκτησης των εικόνων VHR, η ανάλυση της παρούσας εργασίας περιορίστηκε σε δυο περιοχές μελέτης. Για το λόγο αυτό δεν είναι δυνατόν να συζητηθεί περαιτέρω, το ζήτημα που αφορά τη μεταφερσιμότητα της μεθοδολογίας. Σε αυτό το σημείο πρέπει να σχολιαστεί ότι τα πειράματα της παρούσας εργασίας πραγματοποιήθηκαν ξεχωριστά, για κάθε μια από τις δυο περιπτώσεις. Μια προσεκτικότερη ματιά στα αποτελέσματα που προέκυψαν από την FuzCoC (Πίνακες 4.3 και 4.4) μεθοδολογία, αναδεικνύει ότι επιλέχθηκαν συγκεκριμένα χαρακτηριστικά σε κάθε περίπτωση. Ωστόσο, προκειμένου να εξακριβωθεί στατιστικά ότι υπάρχουν κάποια συγκεκριμένα χαρακτηριστικά που επιλέγονται κάθε φορά, θα πρέπει να εφαρμοστεί η παρούσα μεθοδολογία σε περισσότερες περιοχές μελέτης. Σε κάθε περίπτωση η διερεύνηση των προτεινόμενων μεθοδολογιών ως προς τις ικανότητες μεταφερσιμότητας που διαθέτουν είναι έξω από την σκοπιά αυτής της έρευνας, ενώ αποτελεί αντικείμενο μελλοντικής έρευνας. Επί του παρόντος, η απόκτηση ενός μεγάλου αριθμού VHR εικόνων όπως προαναφέρθηκε είναι πολύ δύσκολη κυρίως λόγω του υψηλού κόστους αλλά και της δυσκολίας απόκτησης τους σε σύντομο χρονικού διάστημα. Νεοφυείς επιχειρήσεις (start-ups) στο χώρο της δορυφορικής τηλεπισκόπησης, όπως η Skybox και η Planet Labs αναμένεται να βοηθήσουν στο ξεπέρασμα αυτών των δυσκολιών, προσφέροντας χαμηλού κόστους εικόνες VHR σε σύντομο χρονικό διάστημα. Σκοπός αυτών των εταιρειών είναι να εκτοξεύσουν μικρούς δορυφόρους οι οποίοι θα μπορούν να επισκέπτονται και να καταγράφουν, πολλές φορές τη μέρα, μεγάλες περιοχές του πλανήτη. Η παροχή εικόνων υψηλής χωρικής ευκρίνειας, που θα λαμβάνονται σε τακτά χρονικά διαστήματα, αναμένεται να ανοίξει το δρόμο για νέες καινοτομίες σε πολλούς επιστημονικούς τομείς, συμπεριλαμβανομένου και του τομέα χαρτογράφησης καμένων εκτάσεων. 4.7 Συμπεράσματα Στην παρούσα εργασία, διερευνήθηκε η επίδραση της επιπρόσθετης πληροφορίας (χαρακτηριστικά ανώτερης τάξης και χωρική πληροφορία) στην ακρίβεια χαρτογράφησης καμένων εκτάσεων, από εικόνες υψηλής ευκρίνειας IKONOS. Στη διαδικασία της 136

137 Κεφάλαιο 4 ανάλυσης θεωρήθηκαν δυο προσεγγίσεις η pixel- based και object-based. Για την υλοποίηση των δύο προσεγγίσεων χρησιμοποιήθηκαν δυο προηγμένες τεχνικές ανάλυσης, η FuzCoC μέθοδος επιλογής χαρακτηριστικών και ο ταξινομητής SVM. Η συνολική α- ποτίμηση των αποτελεσμάτων ανέδειξε ότι, σε όλες τις περιπτώσεις που εξετάστηκαν, η εφαρμογή του ταξινομητή οδήγησε στην παραγωγή θεματικών χαρτών πολύ υψηλής α- κρίβειας. Παρόλα αυτά, μια πιο προσεκτική ματιά στα αποτελέσματα αποκαλύπτει ότι, η ποιότητα των θεματικών χαρτών που προέκυψαν από τις object-based ταξινομήσεις είναι πολύ ανώτερης ποιότητας από την αντίστοιχη των pixel-based χαρτών. Ειδικότερα, τα αποτελέσματα από τις SVM pixel-based ταξινομήσεις αποδεικνύουν ότι η χρήση χαρακτηριστικών ανώτερης τάξης, στη θέση των καναλιών της αρχικής εικόνας, αυξάνει την ακρίβεια και αξιοπιστία των παραχθέντων χαρτών καμένης έκτασης. Η αριθμητική αλλά και οπτική αξιολόγηση των αποτελεσμάτων, δείχνει ξεκάθαρα ότι η απόδοση του ταξινομητή SVM στην κλάση Καμένο, αυξάνει σημαντικά όταν ο αλγόριθμος εφαρμόζεται στον επιλεγμένο χώρο χαρακτηριστικών (reduced space). Αυτή η διαπίστωση, ισχύει και για τις δυο περιπτώσεις που εξετάστηκαν (Πάρνηθα και Ρόδος). Επιπλέον, δυο ευνοϊκά συνεπακόλουθα της εφαρμογής της μεθόδου επιλογής χαρακτηριστικών FuzCoC, ήταν μείωση του θορύβου της ταξινόμησης αλλά και η αύξηση της ομοιογένειας εντός της κύριας κλάσης ενδιαφέροντος Καμένο. Όσον αφορά την εφαρμογή του SVM ταξινομητή στον πλήρη χώρο των χαρακτηριστικών (full-space, 172 features), θα πρέπει να τονιστεί ότι ήταν αδύνατο να πραγματοποιηθεί με τα συνηθισμένα εμπορικά λογισμικά δορυφορικής τηλεπισκόπησης. Το γεγονός αυτό επισημαίνει την α- ναγκαιότητα εφαρμογής μιας μεθόδου μείωσης των διαστάσεων του χώρου, όταν στα πλαίσια της ταξινόμησης χρησιμοποιείται επιπλέον πληροφορία. Στη συνέχεια, τα αποτελέσματα από τις SVM object-based ταξινομήσεις τόσο στον πλήρη όσο και στον επιλεγμένο χώρο χαρακτηριστικών αποκαλύπτουν ότι η εφαρμογή της μεθόδου FuzCoC είχε ως συνεπακόλουθο, σε όλες τις περιπτώσεις που εξετάστηκαν, τη σημαντική αύξηση της ακρίβειας. Στην περίπτωση της Πάρνηθας τα οφέλη από την εφαρμογή της μεθόδου FuzCoC ήταν οριακά, διότι το πρόβλημα ταξινόμησης ήταν ι- διαίτερα απλό και χωρίς σημαντικές δυσκολίες. Ωστόσο, στην περίπτωση της Ρόδου, τα οφέλη που προέκυψαν από την εφαρμογή της μεθόδου επιλογής ήταν ιδιαίτερα σημαντικά μιας και το συγκεκριμένο πρόβλημα ταξινόμησης αποδείχτηκε ιδιαίτερα δύσκολο και πολύπλοκο. Τα ευρήματα που παρουσιάστηκαν παραπάνω ενισχύουν τον ισχυρισμό, 137

138 Κεφάλαιο 4 ότι χρήση μιας μεθόδου επιλογής χαρακτηριστικών είναι ιδιαίτερα επωφελής όταν η α- νάλυση της εικόνας πραγματοποιείται με τη χρήση μιας object-based μεθοδολογικής προσέγγισης. Η σύγκριση των σχημάτων ταξινόμησης (SVM pixel και object-based) ως προς τη δυνατότητα επιχειρησιακής εφαρμογής τους φανερώνει ότι, την παρούσα χρονική στιγμή υπάρχουν αρκετές δυσκολίες που εμποδίζουν τη χρήση τους κατά αυτό τον τρόπο. Παρόλα αυτά, η SVM object-based προσέγγιση πληροί τα κριτήρια που έχουν τεθεί, προκειμένου να θεωρηθεί κατάλληλη για επιχειρησιακή χρήση, σε πολύ μεγαλύτερο βαθμό από ότι η αντίστοιχη SVM pixel-based. Ειδικότερα, η object-based προσέγγιση απαιτεί να επενδύσουμε λιγότερο χρόνο και κόπο για να υλοποιηθεί. Επίσης, οι χάρτες που προκύπτουν μέσω αυτής της διαδικασίας είναι πιο ακριβείς και αξιόπιστοι από τους αντίστοιχους που παράγονται από την pixel-based ταξινόμηση. Επί του παρόντος, το μοναδικό μειονέκτημα της μεθόδου SVM object-based είναι ότι, για να υλοποιηθούν όλες οι εργασίες που περιγράφηκαν στην παρούσα εργασία, απαιτείται η χρήση περισσοτέρων του ενός λογισμικών. Η μελλοντική ενσωμάτωση όλων των τεχνικών ανάλυσης που χρησιμοποιήσαμε εντός ενός λογισμικό πακέτου επεξεργασίας δορυφορικών εικόνων, αναμένεται να ανοίξει νέους δρόμους στη χαρτογράφηση καμένων εκτάσεων. Τέλος, από τη μελέτη των αποτελεσμάτων συνάγεται το γενικό συμπέρασμα ότι η χρήση εξελιγμένων τεχνικών ανάλυσης εικόνας στο πρόβλημα χαρτογράφησης των καμένων εκτάσεων, μπορεί να βελτιώσει σημαντικά την ποιότητα και ακρίβεια του παραγόμενου χαρτογραφικού προϊόντος. 4.8 Βιβλιογραφικές αναφορές 1. FAO, Fire management global assessment Rep. Forestry Paper No FAO State of the World s Forests; FAO: Rome, FOREST EUROPE Liaison Unit Oslo, United Nations Economic Commission for Europe (UNECE) Food and Agriculture Organization of the United Nations (FAO). State of Europe s Forests 2011(SOEF). Status and Trends in Sustainable Forest Management in Europe; Oslo, Norway,

139 Κεφάλαιο 4 4. Pereira, J.M.; Chuvieco, E.; Beaudoin, A.; Desbois, N. Remote sensing of burned areas: a review. A review of remote sensing methods for the study of large wildland fires. 1997, Gitas, I. Z.; Mitri, G. H.; Ventura, G. Object-based image classification for burned area mapping of Creus Cape, Spain, using NOAA-AVHRR imagery. Remote Sensing of Environment 2004, 92 (3), Richards, J.A; Milne, A.K. In Mapping fire burns and vegetation regeneration using principal components analysis, 1983 International Geoscience and Remote Sensing Symposium(IGARSS'83), San Francisco, CA, San Francisco, CA, Chuvieco, E.; Congalton, R. G. Mapping and inventory of forest fires from digital processing of tm data. Geocarto International 1988, 3 (4), Lentile, L. B.; Holden, Z. A.; Smith, A. M. S.; Falkowski, M. J.; Hudak, A. T.; Morgan, P.; Lewis, S. A.; Gessler, P. E.; Benson, N. C. Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire 2006, 15 (3), Boschetti, M.; Stroppiana, D.; Brivio, P. A. Mapping Burned Areas in a Mediterranean Environment Using Soft Integration of Spectral Indices from High-Resolution Satellite Images. Earth Interactions 2010, 14 (17), Mitri, G. H.; Gitas, I. Z. Fire type mapping using object-based classification of Ikonos imagery. International Journal of Wildland Fire 2006, 15 (4), Mitri, G. H.; Gitas, I. Z. Mapping the severity of fire using object-based classification of IKONOS imagery. International Journal of Wildland Fire 2008, 17 (3), Polychronaki, A.; Gitas, I.Z. Burned area mapping in Greece using SPOT-4 HRVIR images and object-based image analysis. Remote Sensing 2012, 4 (2), Henry, M. C. Comparison of Single- and Multi-date Landsat Data for Mapping Wildfire Scars in Ocala National Forest, Florida. Photogrammetric Engineering & Remote Sensing 2008, 74 (7), Mallinis, G.; Koutsias, N. Comparing ten classification methods for burned area mapping in a Mediterranean environment using Landsat TM satellite data. International Journal of Remote Sensing 2012, 33 (14), Koutsias, N.; Karteris, M. Logistic regression modelling of multitemporal Thematic Mapper data for burned area mapping. International Journal of Remote Sensing 1998, 19 (18), Kontoes, C. C.; Poilvé, H.; Florsch, G.; Keramitsoglou, I.; Paralikidis, S. A comparative analysis of a fixed thresholding vs. a classification tree approach for operational burn scar detection and mapping. International Journal of Applied Earth Observation and Geoinformation 2009, 11 (5), Ustin, S. Manual of Remote Sensing: Remote sensing for natural resource management and environmental monitoring. Wiley: New Jersey, Quintano, C.; Fernández Manso, A.; Fernández Manso, O.; Shimabukuro, Y. E. Mapping burned areas in Mediterranean countries using spectral mixture analysis from a uni temporal perspective. International Journal of Remote Sensing 2006, 27 (4), Smith, A. M. S.; Drake, N. A.; Wooster, M. J.; Hudak, A. T.; Holden, Z. A.; Gibbons, C. J. Production of Landsat ETM+ reference imagery of burned areas within Southern African savannahs: comparison of methods and application to MODIS. International Journal of Remote Sensing 2007, 28 (12),

140 Κεφάλαιο Pu, R.; Gong, P., Determination of Burnt Scars Using Logistic Regression and Neural Network Techniques from a Single Post-Fire Landsat 7 ETM + Image. Photogrammetric Engineering & Remote Sensing 2004, 70 (7), Mitrakis, N. E.; Mallinis, G.; Koutsias, N.; Theocharis, J. B. Burned area mapping in Mediterranean environment using medium-resolution multi-spectral data and a neuro-fuzzy classifier. International Journal of Image and Data Fusion 2011, 3 (4), Cao, X.; Chen, J.; Matsushita, B.; Imura, H.; Wang, L. An automatic method for burn scar mapping using support vector machines. International Journal of Remote Sensing 2009, 30 (3), Zammit, O.; Descombes, X.; Zerubia, J. In Assessment of different classification algorithms for burnt land discrimination, Geoscience and Remote Sensing Symposium, IGARSS IEEE International, July 2007; 2007; pp Zammit, O. a. D., Xavier and Zerubia, Josiane, Burnt area mapping using support vector machines. Forest Ecology and Management 2006, 234 (1), S Mitri, G. H.; Gitas, I. Z., A semi-automated object-oriented model for burned area mapping in the Mediterranean region using Landsat-TM imagery. International Journal of Wildland Fire 2004, 13 (3), Polychronaki, A.; Gitas, I. Z., The development of an operational procedure for burned-area mapping using object-based classification and ASTER imagery. International Journal of Remote Sensing 2010, 31 (4), Burned area detection and merging development. ESA CCI Aerosol Website. Available online: Moustakidis, S.; Mallinis, G.; Koutsias, N.; Theocharis, J. B.; Petridis, V., SVM-Based Fuzzy Decision Trees for Classification of High Spatial Resolution Remote Sensing Images. Geoscience and Remote Sensing, IEEE Transactions on 2012, 50 (1), Stavrakoudis, D. G.; Theocharis, J. B.; Zalidis, G. C. A Boosted Genetic Fuzzy Classifier for land cover classification of remote sensing imagery. ISPRS Journal of Photogrammetry and Remote Sensing 2011, 66 (4), Mountrakis, G.; Im, J.; Ogole, C., Support vector machines in remote sensing: A review. IS- PRS Journal of Photogrammetry and Remote Sensing 2011, 66 (3), Stavrakoudis, D. G.; Galidaki, G. N.; Gitas, I. Z.; Theocharis, J. B. A Genetic Fuzzy-Rule- Based Classifier for Land Cover Classification From Hyperspectral Imagery. Geoscience and Remote Sensing, IEEE Transactions on 2012, 50 (1), Stavrakoudis, D. G.; Galidaki, G. N.; Gitas, I. Z.; Theocharis, J. B. Reducing the Complexity of Genetic Fuzzy Classifiers in Highly-Dimensional Classification Problems. International Journal of Computational Intelligence Systems 2012, 5 (2), Smith, A. M. S.; Wooster, M. J.; Powell, A. K.; Usher, D. Texture based feature extraction: Application to burn scar detection in Earth observation satellite sensor imagery. International Journal of Remote Sensing 2002, 23 (8), Alonso-Benito, A.; Hernandez-Leal, P. A.; Gonzalez-Calvo, A.; Arbelo, M.; Barreto, A. In Analysis of Different Methods for Burnt Area Estimation using Remote Sensing and Ground Truth Data, Geoscience and Remote Sensing Symposium, IGARSS IEEE International, 7-11 July 2008; 2008; pp III III Vapnik, A. The nature of statistical learning theory. Springer Verlage: New York, United States,

141 Κεφάλαιο Moustakidis, S. P.; Theocharis, J. B.; Giakas, G. Feature selection based on a fuzzy complementary criterion: application to gait recognition using ground reaction forces. Computer Methods in Biomechanics and Biomedical Engineering 2011, 15 (6), Ouma, Y. O.; Tetuko, J.; Tateishi, R. Analysis of co occurrence and discrete wavelet transform textures for differentiation of forest and non forest vegetation in very high resolution optical sensor imagery. International Journal of Remote Sensing 2008, 29 (12), Feng, D.; Xin, Z.; Pengyu, F.; Lihui, C. In A new method for burnt scar mapping using spectral indices combined with Support Vector Machines, Agro-Geoinformatics (Agro-Geoinformatics), 2012 First International Conference on, 2-4 Aug. 2012; 2012; pp Koutsias, N.; Karteris, M.; Chuvieco, E. The use of intensity-hue-saturation transformation of Landsat-5 Thematic Mapper data for burned land mapping. Photogrammetric Engineering and Remote Sensing 2000, 66 (7), Haralick, R. M.; Shanmugam, K.; Dinstein, I. H. Textural Features for Image Classification. Systems, Man and Cybernetics, IEEE Transactions on 1973, SMC-3 (6), Anselin, L. Local Indicators of Spatial Association LISA. Geographical Analysis 1995, 27 (2), Jensen, J.R. Introductory digital image processing: a remote sensing perspective. 2 ed.; Prentice-Hall Inc.: United States, Horne, J. H. In A tasseled cap transformation for IKONOS images, ASPRS 2003 Annual conference proceedings, Anchorage, Alaska, Anchorage, Alaska, 2003; pp Chikr El-Mezouar, M.; Taleb, N.; Kpalma, K.; Ronsin, J. An IHS-Based Fusion for Color Distortion Reduction and Vegetation Enhancement in IKONOS Imagery. Geoscience and Remote Sensing, IEEE Transactions on 2011, 49 (5), Chuvieco, E.; Huete, A. Fundamentals of satellite remote sensing CRC Press Inc.: UK, London, Srinivasan, G.N; Shobha, G. In Statistical texture analysis, Proceedings of world academy of science, engineering and technology, 2008; pp Unser, M. Sum and Difference Histograms for Texture Classification. Pattern Analysis and Machine Intelligence, IEEE Transactions on 1986, PAMI-8 (1), Haralick, R. M.; Shapiro, L. G. Computer and Robot Vision. Addison-Wesley Longman Publishing Co., Inc.: 1991; p Marceau, D.J.; Howarth, P.J.; Dubois, J.M.; Gratton, D.J. Evaluation of the grey-level cooccurrence matrix method for land-cover classification using SPOT imagery. IEEE Transactions on Geoscience and Remote Sensing 1990, 28 (4), Soh, L. K.; Tsatsoulis, C. Texture analysis of SAR sea ice imagery using gray level co-occurrence matrices. Geoscience and Remote Sensing, IEEE Transactions on 1999, 37 (2), Pesaresi, M. The remotely sensed city: Concepts and applications about the analysis of the contemporary built-up environment using advanced space technologies. EC Joint Research Centre: Italy, Murray, H.; Lucieer, A.; Williams, R., Texture-based classification of sub-antarctic vegetation communities on Heard Island. International Journal of Applied Earth Observation and Geoinformation 2010, 12 (3), Puissant, A.; Hirsch, J.; Weber, C. The utility of texture analysis to improve per pixel classification for high to very high spatial resolution imagery. International Journal of Remote Sensing 2005, 26 (4),

142 Κεφάλαιο Curran, P. J. The semivariogram in remote sensing: An introduction. Remote Sensing of Environment 1988, 24 (3), Woodcock, C. E.; Strahler, A. H.; Jupp, D. L. B. The use of variograms in remote sensing: I. Scene models and simulated images. Remote Sensing of Environment 1988, 25 (3), Berberoglu, S.; Curran, P. J.; Lloyd, C. D.; Atkinson, P. M. Texture classification of Mediterranean land cover. International Journal of Applied Earth Observation and Geoinformation 2007, 9 (3), Onojeghuo, A. O.; Blackburn, G. A. Mapping reedbed habitats using texture-based classification of QuickBird imagery. International Journal of Remote Sensing 2011, 32 (23), Zhang, Y.; Hong, G. An IHS and wavelet integrated approach to improve pan-sharpening visual quality of natural colour IKONOS and QuickBird images. Information Fusion 2005, 6 (3), Baatz, M.; Schäpe, A. Multiresolution segmentation: an optimization approach for high quality multi-scale image segmentation. Angewandte Geographische Informations verarbeitung XII 2000, Duro, D. C.; Franklin, S. E.; Dubé, M. G. A comparison of pixel-based and object-based image analysis with selected machine learning algorithms for the classification of agricultural landscapes using SPOT-5 HRG imagery. Remote Sensing of Environment 2012, 118 (0), Blaschke, T. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing 2010, 65 (1), Li, H.; Gu, H.; Han, Y.; Yang, J. Object-oriented classification of high-resolution remote sensing imagery based on an improved colour structure code and a support vector machine. International Journal of Remote Sensing 2010, 31 (6), Benz, U. C.; Hofmann, P.; Willhauck, G.; Lingenfelder, I.; Heynen, M. Multi-resolution, object-oriented fuzzy analysis of remote sensing data for GIS-ready information. ISPRS Journal of Photogrammetry and Remote Sensing 2004, 58 (3 4), Van Coillie, F. M. B.; Verbeke, L. P. C.; De Wulf, R. R. Feature selection by genetic algorithms in object-based classification of IKONOS imagery for forest mapping in Flanders, Belgium. Remote Sensing of Environment 2007, 110 (4), Myint, S. W.; Gober, P.; Brazel, A.; Grossman-Clarke, S.; Weng, Q. Per-pixel vs. objectbased classification of urban land cover extraction using high spatial resolution imagery. Remote Sensing of Environment 2011, 115 (5), Daldegan, G. A.; de Carvalho, O. A.; Guimarães, R. F.; Gomes, R. A. T.; Ribeiro, F. d. F.; McManus, C. Spatial patterns of fire recurrence using remote sensing and GIS in the Brazilian savanna: Serra do Tombador Nature Reserve, Brazil. Remote Sensing 2014, 6 (10), Foody, G. M.; Mathur, A. Toward intelligent training of supervised image classifications: directing training data acquisition for SVM classification. Remote Sensing of Environment 2004, 93 (1 2), Foody, G. M.; Mathur, A. The use of small training sets containing mixed pixels for accurate hard image classification: Training on mixed spectral responses for classification by a SVM. Remote Sensing of Environment 2006, 103 (2), Foody, G. M.; Mathur, A.; Sanchez-Hernandez, C.; Boyd, D. S. Training set size requirements for the classification of a specific class. Remote Sensing of Environment 2006, 104 (1),

143 Κεφάλαιο Markham, B.L; Townshend, J.R.G. JRG In Land cover classification accuracy as a function of sensor spatial resolution, International Symposium on Remote Sensing of Environment, Ann Arbor, May 11-15; United States Ann Arbor, 1981; pp Pal, M.; Foody, G. M., Feature Selection for Classification of Hyperspectral Data by SVM. Geoscience and Remote Sensing, IEEE Transactions on 2010, 48 (5), Hughes, G. On the mean accuracy of statistical pattern recognizers. Information Theory, IEEE Transactions on 1968, 14 (1), Piedra-Fernández, J.A.; Cantón-Garbín, M.; Wang, J.Z. Feature Selection in AVHRR Ocean Satellite Images by Means of Filter Methods. Geoscience and Remote Sensing, IEEE Transactions on 2010, 48 (12), Lu, D.; Weng, Q. A survey of image classification methods and techniques for improving classification performance. International Journal of Remote Sensing 2007, 28 (5), Shackelford, A. K.; Davis, C. H. A hierarchical fuzzy classification approach for high-resolution multispectral data over urban areas. Geoscience and Remote Sensing, IEEE Transactions on 2003, 41 (9), Xiuping, J.; Richards, J. A., Segmented principal components transformation for efficient hyperspectral remote-sensing image display and classification. Geoscience and Remote Sensing, IEEE Transactions on 1999, 37 (1), Μουστακίδης, Σ. Ανάπτυξη ολοκληρωμένων τεχνικών υπολογιστικής νοημοσύνης και μηχανικής μάθησης για την αντιμετώπιση προβλημάτων ταξινόμησης αυξημένης πολυπλοκότητας: Εφαρμογή σε προβλήματα της εμβιομηχανικής και της ταξινόμησης κάλυψης γης με χρήση δορυφορικών εικόνων. Διδακτορική Διατριβή, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Θεσσαλονίκη, Chang, C.-C.; Lin, C.-J. LIBSVM: a library for support vector machines. ACM Transactions on Intelligent Systems and Technology (TIST) 2011, 2 (3), Gunn, S. R., Support vector machines for classification and regression. ISIS technical report 1998, Melgani, F.; Bruzzone, L., Classification of hyperspectral remote sensing images with support vector machines. Geoscience and Remote Sensing, IEEE Transactions on 2004, 42 (8), Waske, B.; Benediktsson, J. A., Fusion of Support Vector Machines for Classification of Multisensor Data. Geoscience and Remote Sensing, IEEE Transactions on 2007, 45 (12), Foody, G. M., Status of land cover classification accuracy assessment. Remote Sensing of Environment 2002, 80 (1), Congalton, R.G.; Green, K. Assessing the accuracy of remotely sensed data: principles and practices. CRC press: New York, USA, Giglio, L.; Csiszar, I.; Restás, Á.; Morisette, J. T.; Schroeder, W.; Morton, D.; Justice, C. O., Active fire detection and characterization with the advanced spaceborne thermal emission and reflection radiometer (ASTER). Remote Sensing of Environment 2008, 112 (6),

144 Κ Ε Φ Α Λ Α Ι Ο 5 Διερεύνηση της σχέσης μεταξύ της σφοδρότητας της καύσης που μετράται στο πεδίο και των εικόνων VHR GeoEye Διερεύνηση της σχέσης μεταξύ της Σφοδρότητας της Καύσης που μετράται στο πεδίο και των εικόνων GeoEye 5.1 Περίληψη 5.2 Εισαγωγή 5.3 Περιοχή μελέτης 5.4 Δεδομένα και προεπεξεργασία Δεδομένα πεδίου Δορυφορικά δεδομένα Τοπογραφικά δεδομένα 5.5 Μεθοδολογία 5.6 Αποτελέσματα και συζήτηση 5.7 Συμπεράσματα 5.8 Βιβλιογραφία Στο κεφάλαιο αυτό διερευνάται αν τα δορυφορικά δεδομένα υψηλής χωρικής διακριτικής εικόνας μπορούν να χρησιμοποιηθούν για να εκφράσουν τη σφοδρότητα καύσης που μετράται στο πεδίο και κατά προέκταση τη μεταπυρική αντίδραση της βλάστησης σύντομα μετά τη φωτιά. Για την υλοποίηση αυτού του στόχου πραγματοποιήθηκε στατιστική ανάλυση με τη μέθοδο της Ανάλυσης Πλεονασμού. 5.1 Περίληψη Η σφοδρότητα καύσης αποτελεί έναν όρο ο οποίος χρησιμοποιείται για να εκφράσει το μέγεθος της περιβαλλοντικής αλλαγής που υφίσταται μια περιοχή έπειτα από μια σφοδρή πυρκαγιά. Συγκεκριμένα, πρόκειται για ένα μέτρο μέτρησης των βραχυπρόθεσμων και μακροπρόθεσμων περιβαλλοντικών αλλαγών που προκαλούνται από τη φωτιά και το οποίο μετράται στο πεδίο με τη χρήση του Σύνθετου Δείκτη Καύσης (Composite Burn Index CBI). Ο σκοπός της συγκεκριμένης εργασίας είναι να διερευνήσει σε ποιο βαθμό η μεταπυρική δυναμική της βλάστησης (έτσι όπως αυτή παρατηρείται από μέσω των

145 Κεφάλαιο 5 GeoEye εικόνων) εξαρτάται από τη σφοδρότητα καύσης. Για την υλοποίηση του συγκεκριμένου στόχου χρησιμοποιήθηκαν δυο εικόνες GeoEye καθώς και μετρήσεις πεδίου CBI. Η πρώτη εικόνα ελήφθει αμέσως μετά τη φωτιά (20/11/2011) ενώ η δεύτερη ένα χρόνο μετά (23/08/2012). Τις ίδιες περίπου ημερομηνίες διεξήχθησαν και οι μετρήσεις πεδίου. Η μέθοδος που χρησιμοποιήθηκε για την ανάλυση της σχέσης που υπάρχει μεταξύ των μεταβλητών είναι η στατιστική μέθοδος ανάλυσης πλεονασμού. Σύμφωνα με τα αποτελέσματα της ανάλυσης, μέχρι και δυο χρόνια μετά τη φωτιά, η μεταπυρική δυναμική της ανάκαμψης της βλάστησης η οποία υπολογίζεται μέσω των VHR εικόνων μπορεί να αποδοθεί επιτυχημένα από το δείκτη σφοδρότητας καύσης CBI. Επιπλέον προκύπτει ότι ο δορυφορικός δείκτης NDVI ο οποίος υπολογίζεται από VHR δορυφορικά δεδομένα, μπορεί να χρησιμοποιηθεί επιτυχημένα για να ανιχνεύσει τη δυναμική που παρουσιάζει η ανάκαμψη της βλάστηση σύντομα μετά τη φωτιά. Από τα παραπάνω, συνάγεται το συμπέρασμα ότι τα δορυφορικά δεδομένα υψηλής ακρίβειας μπορούνε να χρησιμοποιηθούνε σε συνδυασμό με τις μετρήσεις CBI για την ανίχνευση και παρακολούθηση της δυναμικής της μεταπυρικής ανάκαμψης της βλάστησης,σύντομα μετά τη φωτιά. Τέλος, τα αποτελέσματα από την ανάλυση πλεονασμού δείχνουν ότι στη συγκεκριμένη περίπτωση που εξετάζουμε η τοπογραφία ασκεί μικρή επίδραση στη δυναμική της ανάκαμψης της βλάστησης. Λέξεις κλειδιά: Σφοδρότητα καύσης (Burn severity), Σύνθετος Δείκτης Σφοδρότητας Καύσης (Composite Burn Index - CBI),Ανάλυση Πλεονασμού (Redundancy Analysis) 5.2 Εισαγωγή Τις τελευταίες δεκαετίες έχει αυξηθεί σημαντικά το μέγεθος, η διάρκεια και η συχνότητα των δασικών πυρκαγιών στην περιοχή της Μεσογείου [1-2]. Το γεγονός αυτό έχει ως αποτέλεσμα, οι αρνητικές επιδράσεις των δασικών πυρκαγιών να είναι πολλαπλές, έντονες (οικολογικές και οικονομικές) και μεγαλύτερης διάρκειας. Για το λόγο αυτό, κρίνεται απαραίτητη η ενίσχυση των ήδη υπαρχόντων πολιτικών που αποσκοπούν στην αειφορική διαχείριση, προστασία και ανάπτυξη των δασικών οικοσυστημάτων [3].Για την αποτελεσματική χάραξη πολιτικής και λήψης αποφάσεων, αποτελεί απαραίτητη 145

146 Κεφάλαιο 5 προϋπόθεση η ύπαρξη λεπτομερούς και ακριβούς πληροφορίας αναφορικά με τις επιπτώσεις των δασικών πυρκαγιών στα δασικά οικοσυστήματα αλλά και της αντίδρασής που αυτά επιδεικνύουν μετά στο καταστροφικό συμβάν [4-6]. Ακριβής πληροφορία αναφορικά με τη σοβαρότητα και την έκταση των επιπτώσεων της φωτιάς (π.χ. σφοδρότητα καύσης-burn severity) καθώς και την αντίδραση της βλάστησης μετά το συμβάν, είναι απαραίτητη για την επιλογή και το σχεδιασμό των άμεσων μεταπυρικών μέτρων προστασίας του οικοσυστήματος [7]. Η επιτυχία των μεταπυρικών σχεδίων διαχείρισης συναρτάται άμεσα από το βαθμό κατανόησης της σχέσης ανάμεσα στα προτεινόμενα μέτρα αποκατάστασης, στα χωρικά πρότυπα και στις δυναμικές διαδικασίες που λαμβάνουν χώρα μετά τη φωτιά [3]. Η διεθνής βιβλιογραφία χρησιμοποιεί συνήθως τον όρο σφοδρότητα καύσης (Burn Severity) για να αποδώσει σχέση που αναφέρθηκε παραπάνω. Πιο συγκεκριμένα, ως σφοδρότητα καύσης ορίζεται, το μέτρο που μετρά το μέγεθος της οικολογικής αλλαγής που προκαλείται από τη φωτιά, και το οποίο σχετίζεται με τις βραχυπρόθεσμες και μακροπρόθεσμες αλλαγές, στη δομή της βλάστησης και τη σύνθεση του εδάφους [2-3, 8-9]. Η χρήση του συγκεκριμένου μέτρου έχει ερευνηθεί εκτενώς στο παρελθόν και είναι πλέον καταληπτό, ότι η καλή γνώση της χωρο-χρονικής μεταβλητότητας της σφοδρότητας της καύσης, αποτελεί το βασικό στοιχείο για την κατανόηση της μεταπυρικής αντίδρασης της βλάστησης μετά το συμβάν [10-13]. Σύμφωνα πάντα με τη βιβλιογραφία, ο χρόνος της μεταπυρικής αντίδρασης που παρουσιάζει η βλάστηση, ποικίλλει σημαντικά ανάλογα με το δασικό είδος και τα ιδιαίτερα χαρακτηριστικά του [14]. Αυτή η χρονική διαφοροποίηση στην αντίδραση του κάθε δασικού είδους, θεωρείται ως ένας από τους βασικότερους παράγοντες που επηρεάζουν άμεσα τη μεταπυρική διαδοχή των Μεσογειακών οικοσυστημάτων [14]. Η γνώση αναφορικά με τον τρόπο που η σφοδρότητα καύσης, επιδρά στο χρονικό διάστημα που α- παιτείται για να εμφανιστεί η μεταπυρική αντίδραση ανά δασικό είδος, μπορεί να συμβάλλει σημαντικά στην εκτίμηση της ανθεκτικότητας των ειδών καθώς και στη διεύρυνση της ήδη υπάρχουσας γνώσης σχετικά με την ευπάθεια που αυτά παρουσιάζουν, στις δασικές πυρκαγιές [15]. Γενικά η σφοδρότητα της καύσης διαμορφώνεται και εξαρτάται από διάφορους βιοτικούς και αβιοτικούς παράγοντες. Οι βασικότεροι από τους οποίους είναι, ο τύπος της 146

147 Κεφάλαιο 5 δασικής βλάστησης, η δομή της συστάδας [16], η τοπογραφία (π.χ. έκθεση και κλίση) και οι κλιματικές συνθήκες [9, 17-21]. Κάποιες μελέτες αναφέρουν [9] ότι οι δυο βασικότεροι παράγοντες που διαμορφώνουν τη σφοδρότητα καύσης, είναι η βλάστηση και η τοπογραφία. Συγκεκριμένα, αναφέρεται σε πολλές μελέτες ότι η σφοδρότητα καύσης καθορίζεται από τα δασικά είδη που κυριαρχούν στην εκάστοτε περιοχή μελέτης, πριν τη φωτιά [17-18]. Ειδικότερα, το μέγεθος της σφοδρότητας είναι συνήθως πολύ υψηλό στις περιοχές που καλύπτονται από κωνοφόρα, τα οποία συγκαταλέγονται στα εύφλεκτα δασικά είδη, και μέτρια-χαμηλή στις περιοχές με λιγότερο εύφλεκτα είδη όπως τα φυλλοβόλα [22]. Η τοπογραφία θεωρείται ένας ακόμη βασικός παράγοντας που επηρεάζει τη σφοδρότητα της καύσης. Γενικά, τόσο πριν όσο και μετά το καταστροφικό συμβάν, η τοπογραφία διαδραματίζει σημαντικό ρόλο σε μια σειρά από δυναμικές διαδικασίες. Πριν τη φωτιά επηρεάζει το βαθμό στον οποίο ένα οικοσύστημα είναι ευάλωτο στις δασικές πυρκαγιές, ενώ μετά τη φωτιά καθορίζει τη δυναμική της βλάστησης [23-24]. Ωστόσο, ο τρόπος με τον οποίο αλληλοεπιδρούν διαχρονικά οι τρεις παράγοντες, βλάστηση, τοπογραφία και σφοδρότητα της καύσης, διαφέρει σημαντικά μεταξύ των διαφόρων οικοσυστημάτων. Για το λόγο αυτό, συστήνεται ανεπιφύλακτα στους Δασικούς Διαχειριστές η διερεύνηση της παραπάνω σχέσης σε κάθε διαφορετικό οικοσύστημα, πριν την οποιαδήποτε ανάληψη διαχειριστικών μέτρων [2]. Μέχρι σήμερα έχουνε προταθεί διάφορες μέθοδοι για την μέτρηση βραχυπρόθεσμων και μακροπρόθεσμων επιπτώσεων της σφοδρότητας καύσης. Ωστόσο ο πιο ευρέως διαδεδομένος δείκτης ποσοτικοποίησης της σφοδρότητας της καύσης στο πεδίο είναι ο Σύνθετος Δείκτης Σφοδρότητας Καύσης (Composite Burn Index-CBI) ο οποίος προτάθηκε από τους [25-26]. Ο δείκτης αυτός, συνδυάζεται κατά βάση με μέσης χωρικής διακριτικής ικανότητας δορυφορικά δεδομένα Landsat data (30 m), ώστε να επιτευχθεί η χαρτογράφηση της σφοδρότητας καύσης στην εκάστοτε περιοχή μελέτης [27]. Το επίπεδο της σφοδρότητας καύσης, συγκεκριμένα σε μελέτες δορυφορικής τηλεπισκόπησης προκύπτει από δορυφορικές εικόνες κυρίως μέσω της χρήσης των δεικτών, Differenced Normalized Burn Ratio (dnbr) και Normalised Difference Vegetation Index (NDVI) [13, 28]. Παραδείγματα επιτυχημένης εφαρμογής του δείκτη CBI με δορυφορικά δεδομένα μπορούν να βρεθούν στις εργασίες των [12, 29-30]και [31]. 147

148 Κεφάλαιο 5 Σύμφωνα με τη διεθνή βιβλιογραφία, μέχρι στιγμής, το μεγαλύτερο ποσοστό των ε- ρευνητικών εργασιών που αφορούν τη χαρτογράφηση της σφοδρότητας καύσης, έχουν διεξαχθεί με τη χρήση δορυφορικών δεδομένων μέσης χωρικής διακριτικής ικανότητας. Μόνο ένα εξαιρετικά μικρό ποσοστό εργασιών έχει χρησιμοποιήσει VHR δεδομένα στην εκτίμηση της σφοδρότητας καύσης [27]. Η θεματική ακρίβεια των χαρτών μέσης χωρικής ανάλυσης, που παράγονται ως επί το πλείστον σε αυτού του είδους τις μελέτες, δεν επαρκεί για τη μελέτη των επιπτώσεων των δασικών πυρκαγιών σε τοπική κλίμακα. Συνεπώς η παραγωγή θεματικών χαρτών σφοδρότητας καύσης, υψηλής ακρίβειας και χωρικής ανάλυσης, είναι ένα θέμα που παραμένει ανοιχτό προς διερεύνηση [32]. Οι εργασίες που αφορούν τη σφοδρότητα καύσης απαιτούν πιο λεπτομερείς καταγραφές της υπάρχουσας κατάστασης και πιο συγκεκριμένα πληροφορία για τη σύνθεση των ειδών και τη δομή της βλάστηση. Η πληροφορία αυτή είναι ιδιαίτερα σημαντική διότι η σύνθεση και η δομή της βλάστησης καθορίζουν σε μεγάλο βαθμό την ανάκαμψη του οικοσυστήματος. Η χρήση των εικόνων VHR θα μπορούσε να αποτελέσει μια πολύ καλή λύση για την παραγωγή πολύ λεπτομερών χαρτών σφοδρότητας καύσης. Προκειμένου να επιτευχθεί ο συγκεκριμένος στόχος είναι ιδιαίτερα σημαντικό να καθοριστεί εάν και κατά πόσο τα δορυφορικά δεδομένα VHR συσχετίζονται με τις μετρήσεις πεδίου της σφοδρότητας καύσης. Η σημασία αυτού του γεγονότος έγκειται στο ότι, με αυτό τον τρόπο θα διαλευκανθεί εάν ο συνδυασμός των παραπάνω δεδομένων μπορεί να οδηγήσει στην παραγωγή λεπτομερών χαρτών και συνεπώς στην παραγωγή ακριβούς πληροφορίας που μπορεί να βοηθήσει στην κατανόηση των πολύπλοκων επιπτώσεων των πυρκαγιών στα δασικά οικοσυστήματα [18]. Πρέπει να αναφερθεί ότι υπάρχει σημαντικό κενό στη βιβλιογραφία αναφορικά με πως αλληλοεπιδρούν διαχρονικά η σφοδρότητα καύσης, η τοπογραφία και η αντίδραση του οικοσυστήματος, σε τοπικό επίπεδο [13, 33-35]. Αυτό οφείλεται κυρίως στο γεγονός ότι, αυτού του τύπου οι εργασίες απαιτούν εκτεταμένες και ιδιαίτερα δαπανηρές μετρήσεις της σφοδρότητας καύσης στο πεδίο. Αν και τα VHR δεδομένα έχουν ήδη χρησιμοποιηθεί, έστω και περιορισμένα, στην εκτίμηση της σφοδρότητας καύσης, υπάρχει η α- νάγκη για περαιτέρω διερεύνηση της σχέσης μεταξύ των δορυφορικών μετρήσεων και των οικολογικών διαδικασιών, που εκφράζονται μέσω των αλλαγών που παρατηρούνται 148

149 Κεφάλαιο 5 στο δείκτη CBI [3]. Επιπρόσθετα, είναι σημαντικό να τονιστεί ότι η παραπάνω σχέση δεν έχει μελετηθεί επαρκώς μέσω της στατιστικής ανάλυσης. Ο περιορισμένος αριθμός εργασιών που επίσης συναντάται σε αυτό πεδίο, καταδεικνύει το έντονο κενό που υπάρχει και συνεπώς την ανάγκη για νέες μελέτες, που να βασίζονται σε στατιστικές μεθόδους [9-11, 36-37]. Ο βασικός σκοπός παρούσας εργασίας να διερευνήσει σε ποιο βαθμό η μεταπυρική δυναμική της βλάστησης (έτσι όπως αυτή παρατηρείται από μέσω των GeoEye εικόνων) εξαρτάται από τη σφοδρότητα καύσης. Οι επιμέρους στόχοι είναι: (α) να διερευνηθεί εάν οι τοπογραφικές συνθήκες αλλά και η μετρούμενη στο πεδίο σφοδρότητα καύσης, μπορούν να χρησιμοποιηθούν για να εκτιμήσουν τη μεταπυρική δυναμική της ανάκαμψης της βλάστησης, που καταγράφεται από τα δορυφορικά δεδομένα και, (β) να εξεταστεί ποια από τις μεταβλητές που υπολογίζονται μέσω των δορυφορικών δεδομένων (ως μεταβλητές θεωρήθηκαν τα κανάλια της εικόνας και ο δείκτης NDVI), μπορούν να χρησιμοποιηθούν για να ανιχνεύσουν και να παρακολουθήσουν καλύτερα τη μεταπυρική δυναμική της βλάστησης, σύντομα μετά τη φωτιά. Για την υλοποίηση των στόχων που αναφέρθηκαν παραπάνω χρησιμοποιήθηκαν οι εικόνες VHR GeoEye, που ελήφθησαν μετά τη δασική πυρκαγιά που έλαβε χώρα στη περιοχή του Έβρου το καλοκαίρι του Οι εικόνες GeoEye συνδυάστηκαν με τον δείκτη CBI ο οποίος μετρήθηκε δυο φορές στο πεδίο, η πρώτη ήταν αμέσως μετά τη φωτιά (Νοέμβριος 2011) και η δεύτερη ένα χρόνο μετά (Αύγουστος 2012). 149

150 Κεφάλαιο Περιοχή μελέτης Η περιοχή μελέτης εντοπίζεται στην περιοχή του Έβρου, το βορειότερο Νομό της Ελλάδας (40 57'- 41 0' N και 26 2'- 26 8'E) (Εικόνα 5.1). Ο Έβρος εντοπίζεται στο βόρειο-ανατολικό κομμάτι της Θράκης και συνορεύει βόρεια με την Βουλγαρία και α- νατολικά με την Τουρκία. Τα δάση της περιοχής κυριαρχούνται κυρίως από κωνοφόρα, δρυς και οξιές και είναι ευρέως γνωστά λόγω της υψηλής οικολογικής και ορνιθολογικής τους αξίας. Το κλίμα στην περιοχή είναι κυρίως Μεσογειακό με επιδράσεις ηπειρωτικού κυρίως προς την ενδοχώρα. Στις 24 Αυγούστου του 2011 η περιοχή επλήγει από σφοδρή πυρκαγιά (5996 haεπίσημα στοιχεία) η οποία κατέκαψε περισσότερο από 5000 εκτάρια δασικής έκτασης (κυρίως δάση πεύκης και δρυός). Εικόνα 5.1. Περιοχή μελέτης 150

151 Κεφάλαιο Δεδομένα και προεπεξεργασία Δεδομένα πεδίου Για την εκτίμηση της σφοδρότητας της καύσης πραγματοποιήθηκαν δύο επισκέψεις στο πεδίο. Η πρώτη επίσκεψη πραγματοποιήθηκε το Νοέμβριο του 2011 αμέσως μετά το καταστροφικό συμβάν, ενώ η δεύτερη ένα χρόνο μετά, τον Αύγουστο του Σε κάθε επίσκεψη που πραγματοποιήθηκε μετρήθηκαν 100 δειγματοληπτικές επιφάνειες διαστάσεων 60X60m (Εικόνα 5.2). Η επιλογή των θέσεων δειγματοληψίας πραγματοποιήθηκε με τη μέθοδο της στρωματοποιημένης τυχαίας δειγματοληψίας, χρησιμοποιώντας ως χαρτογραφικό υπόβαθρο ένα χάρτη σφοδρότητας καύσης, που παράχθηκε ειδικά για αυτή την περίπτωση. Ο συγκεκριμένος χάρτης σφοδρότητας καύσης, για την πληγείσα περιοχή υπό μελέτη, υλοποιήθηκε με τη χρήση της μεθόδου ταξινόμησης ανά α- ντικείμενο (object-based) [38] και μιας πολυφασματικής δορυφορικής εικόνας WorldView-2, που ελήφθει αμέσως μετά τη φωτιά. Στο σημείο αυτό πρέπει να αναφερθεί ότι η πολυφασματική εικόνα ταξινομήθηκε στις παρακάτω εφτά κλάσεις: νερό, υγιής βλάστηση, γυμνό έδαφος/άλλες χρήσεις, υψηλή σφοδρότητα καύσης, υψηλή-μέτρια σφοδρότητα καύσης, και μέτρια-χαμηλή σφοδρότητα καύσης. Ένα βασικό κριτήριο που τέθηκε για την επιλογή των σημείων δειγματοληψίας ήταν οτι οι επιφάνειες θα πρέπει να απέχουν τουλάχιστον 100m μεταξύ τους. Στα πλαίσια της στατιστικής ανάλυσης, χρησιμοποιήθηκαν οι 52 από τις 100 επιφάνειες. Κύριος λόγος για αυτό ήταν το γεγονός ότι, ένα χρόνο μετά την πυρκαγιά η Δασική Υπηρεσία της περιοχής προχώρησε σε έκτακτες καρπώσεις (αποψιλωτικές υλοτομίες καμένων συστάδων δρυός και πεύκης). Οι συγκεκριμένες επεμβάσεις αλλοίωσαν δραστικά το χαρακτήρα ενός μεγάλου αριθμού δειγματοληπτικών επιφανειών καθιστώντας έτσι μη κατάλληλες για τη στατιστική ανάλυση. Για να εκτιμήσουμε το μέγεθος της περιβαλλοντικής αλλαγής, που προκλήθηκε από τη δασική πυρκαγιά, χρησιμοποιήσαμε το δείκτη πεδίου CBI. Η καταγραφή της σφοδρότητας της καύσης στο πεδίο, πραγματοποιήθηκε χρησιμοποιώντας το πρωτόκολλο FIRE- MON [1, 8]. Ειδικότερα, σε κάθε δειγματοληπτική επιφάνεια μετρήθηκαν πέντε παράγοντες σφοδρότητας καύσης, χρησιμοποιώντας μια κλίμακα μέτρησης από το 0 έως το 151

152 Κεφάλαιο 5 3 (μη καμένο έως πολύ καμένο) [39]. Στη συνέχεια υπολογίζοντας το μέσο όρο των παραγόντων σφοδρότητας καύσης υπολογίστηκε η ολική τιμή του CBI, για κάθε επιφάνεια. Για λόγους που αφορούν τη διαδικασία της στατιστικής ανάλυση οι τιμές του CBI κανονικοποιήθηκαν γραμμικά (linearly scaled) στην κλίμακα [0,1]. Εικόνα 5.2 Οι δειγματοληπτικές επιφάνειες για τη μέτρηση του CBI Δορυφορικά δεδομένα Στα πλαίσια της πειραματικής ανάλυσης χρησιμοποιήθηκαν δυο πολυφασματικές δορυφορικές εικόνες GeoEye (2m), με ημερομηνίες λήψης 20/11/2011 (αμέσως μετά τη φωτιά) και 23/08/2012 (ένα χρόνο μετά τη φωτιά), αντίστοιχα. Οι δύο εικόνες προτού χρησιμοποιηθούν στην παρούσα εργασία υπέστησαν κατάλληλη προεπεξεργασία προκειμένου να απομακρυνθούν τα ραδιομετρικά και γεωμετρικά σφάλματα που οφείλονται στο σύστημα ανίχνευσης και καταγραφής, στο τοπογραφικό ανάγλυφο, την καμπυλότητα της Γης κ.α. Πιο συγκεκριμένα στο πρώτο στάδιο της προεπεξεργασίας πραγματοποιήθηκε ατμοσφαιρική διόρθωση των δύο εικόνων με τη χρήση του εργαλείου ATCOR 2, το οποίο βρίσκεται ενσωματωμένο στο λογισμικό ERDAS Imagine 2011, ενώ στο 152

153 Κεφάλαιο 5 δεύτερο στάδιο πραγματοποιήθηκε ορθοδιόρθωση των ατμοσφαιρικά διορθωμένων εικόνων χρησιμοποιώντας ως βάση αναφοράς την ήδη γεωμετρικά διορθωμένη εικόνα WorldView-2, καθώς και το Ψηφιακό Μοντέλο Εδάφους (Digital Elevation Model- DEM) με βήμα καννάβου 5m. Το μέσο τετραγωνικό σφάλμα (Root Mean Square Error) που σχετίζεται με τα εδαφικά σημεία ελέγχου (ground control points-gcps) δεν ξεπέρασε σε καμία περίπτωση το ½ της διάστασης του εικονοστοιχείου (pixel). Οι δυο εικόνες που προέκυψαν από το στάδιο της προεπεξεργασίας θα συμβολίζονται εφεξής ως GeoEyetime1 και GeoEyetime2. Βοηθητικά δεδομένα όπως το Σύστημα Αναγνώρισης Α- γροτεμαχίων (Land-parcel Identification System-LPIS) και μια δορυφορική εικόνα WorldView-2 (η οποία ελήφθει αμέσως μετά τη φωτιά) χρησιμοποιήθηκαν στα πλαίσια παραγωγής του χάρτη σφοδρότητας καύσης. Στη συνέχεια για να διερευνηθεί η σχέση μεταξύ των VHR δορυφορικών δεδομένων (GeoEye) και της σφοδρότητα καύσης, που μετρήθηκε στο πεδίο, υπολογίστηκε και α- πομονώθηκε μια επιφάνεια 30 30m γύρω από κάθε σημείο CBI. Το κομμάτι της εικόνας που απέμεινε και στο οποίο περιέχονται μόνο οι περιοχές που περιβάλλουν τα CBI σημεία, χρησιμοποιήθηκε για να υπολογιστούν οι δορυφορικές μεταβλητές που χρησιμοποιήθηκαν αργότερα στην ανάλυση. Έπειτα υπολογίστηκε ο δείκτης NDVI καθώς και ο μέσος όρος των τιμών κάθε επιφάνειας CBI ανά κανάλι (π.χ. Μπλε, Πράσινο, Κόκκινο, Κοντινό Υπέρυθρο). Η ίδια διαδικασία επαναλήφθηκε και για τις δύο εικόνες Geo- Eyetime1 και GeoEyetime2. Συνολικά, από την παραπάνω διαδικασία εξήχθησαν δέκα μεταβλητές (Πίνακας 5.1) οι οποίες κανονικοποιήθηκαν γραμμικά (linearly scaled) στην κλίμακα [0,1]. 153

154 Κεφάλαιο 5 Πίνακας 5.1.Η λίστα των δορυφορικών μεταβλητών που χρησιμοποιήθηκαν στην RDA. Δορυφορικά Δεδομένα Κατηγορία Μεταβλητής Αριθμός Μεταβλητών BlueΤime 1 1 GreenTime 1 1 GeoEye time1 RedTime 1 1 NirTime 1 1 NDVITime1 1 BlueTime 2 1 GreenTime 2 1 GeoEye time2 RedTime 2 1 NirTime 2 1 NDVITime 2 1 Σύνολο Τοπογραφικά δεδομένα Ο υπολογισμός των τοπογραφικών μεταβλητών που χρησιμοποιήθηκαν στην παρούσα μελέτη πραγματοποιήθηκε με τη χρήση ενός Ψηφιακού Μοντέλου Εδάφους [40], χωρικής ανάλυσης πέντε μέτρων (5m) DEM [40]. Ειδικότερα, μέσω του DEM εξήχθησαν τρεις τοπογραφικοί παράμετροι: α) η έκθεση (Aspect) β) η κλίση (Slope), και γ) το υψόμετρο (Elevation). Από τις τρεις παραμέτρους η έκθεση και η κλίση υπολογίστηκαν σε ακτίνια (radians) ενώ το υψόμετρο σε μέτρα (m). Ο παράγοντας Aspect είναι μια μεταβλητή που μετράται σε κυκλική κλίμακα, η οποία παίρνει τιμές από 0 έως 360 μοίρες (degrees). Το γεγονός ότι στη συγκεκριμένη κλίμακα οι γωνιές των 0 και 360 μοιρών είναι ίδιες επιβάλλει τη μετατροπή των τιμών της μεταβλητής Aspect σε τιμές ημιτόνου (sine) και συνημιτόνου (cosine) [41]. Η διαδικασία αυτή πραγματοποιείται για να προβληθεί η μεταβλητή Aspect σε ένα σύστημα συντεταγμένων που δείχνει την κατεύθυνση σε σχέση με τους άξονες Βορρά-Νότου και Ανατολή-Δύση. Πιο συγκεκριμένα η μεταβλητή Aspect υπολογίστηκε αρχικά σε μοίρες, 154

155 Κεφάλαιο 5 έπειτα σε radians και τέλος σε τιμές ημιτόνου και συνημιτόνου. Η τιμή του ημιτόνου της μεταβλητής Aspect κυμαίνεται από -1 (δυτικές πλαγιές) έως 1 (ανατολικές πλαγιές) [42], ενώ οι τιμές του συνημίτονου από -1 (νότιες πλαγιές) to 1 (βόρειες πλαγιές) [41]. Οι τιμές των τοπογραφικών παραμέτρων (aspect cosine, aspect sine, slope και elevation) (Πίνακας 5.2) υπολογίστηκαν χρησιμοποιώντας ένα παράθυρο μεγέθους (εικονοστοιχεία). Πιο συγκεκριμένα υπολογίστηκε ο μέσος όρος κάθε μεταβλητής εντός του παραθύρου που προαναφέρθηκε. Τέλος, οι τιμές για αυτές τις μεταβλητές οποίες κανονικοποιήθηκαν γραμμικά (linearly scaled) στην κλίμακα [0,1]. Πίνακας 5.2.Λίστα των τοπογραφικών μεταβλητών που χρησιμοποιήθηκαν στην RDA. Τοπογραφικές Μεταβλητές Αριθμός Μεταβλητών Slope 1 Sine (Aspect) 1 Cosine (Aspect) 1 Elevation 1 Σύνολο Μεθοδολογία Με την ανάλυση πλεονασμού (Redundancy Analysis-RDA) [43] διερευνήθηκε το ε- ρώτημα εάν και σε ποιο βαθμό οι τοπογραφικές συνθήκες και οι μετρήσεις πεδίου CBI μπορούν να ερμηνεύσουν τη μεταπυρική δυναμική που παρουσιάζει η βλάστηση. Η τεχνική RDA προτάθηκε αρχικά από τον Rao το 1964 [44-45]. Η συγκεκριμένη τεχνική βρίσκει πρόσφορο έδαφος εφαρμογής στις οικολογικές επιστήμες, υιοθετείται όμως και από άλλες επιστήμες, όπως η παλαιοντολογία [46]. Η ανάλυση πλεονασμού RDA, είναι μια μέθοδος ανάλυσης δεδομένης διαβάθμισης που χρησιμοποιεί γραμμικό αλγόριθμο για την ταξιθέτηση (ordination) των ταξινομικών ομάδων και δειγμάτων. Ει- 155

156 Κεφάλαιο 5 δικότερα, η τεχνική αυτή χρησιμοποιεί δύο πίνακες, οι οποίοι αποτελούνται από διαφορετικές ομάδες στοιχείων ο καθένας. Ο πρώτος πίνακας στοιχείων περιλαμβάνει την ο- μάδα των εξαρτημένων μεταβλητών Υ(ή μεταβλητές απόκρισης) (π.χ. είδη ή ομάδες δειγμάτων που εξετάζονται ) ενώ ο δεύτερος την ομάδα των ανεξάρτητων μεταβλητών Χ (ή επεξηγηματικές μεταβλητές)(π.χ. περιβαλλοντικές μεταβλητές). Στη συγκεκριμένη τεχνική ο πίνακας των επεξηγηματικών μεταβλητών Χ χρησιμοποιείται για να εξηγήσει τη διακύμανση του πίνακα των μεταβλητών απόκρισης, όπως αντίστοιχα συμβαίνει στην τεχνική της ανάλυσης παλινδρόμησης [45, 47]. Ειδικότερα, η συγκεκριμένη τεχνική προσπαθεί να εντοπίσει τους συνδυασμούς των ανεξάρτητων (επεξηγηματικών) μεταβλητών Χ που εξηγούν άριστα τη διακύμανση του πίνακα των εξαρτημένων μεταβλητών (μεταβλητές απόκρισης) (Υ). Για το λόγο αυτό η RDA εφαρμόζει την τεχνική της πολλαπλής παλινδρόμησης μεταξύ των εξαρτημένων και ανεξάρτητων μεταβλητών και ο πίνακας που προκύπτει που περιέχει τις προσαρμοσμένες τιμές των εξαρτημένων μεταβλητών αναλύεται με τη μέθοδο των κύριων συνιστωσών (principal component analysis). Όπως διαφαίνεται από τα παραπάνω, η RDA είναι μια τεχνική η οποία βασίζεται σε μεγάλο βαθμό στην principal component analysis [45]. Σε αυτό το σημείο θα πρέπει να αναφερθεί ότι στα πλαίσια αυτή της διαδικασίας παράγονται τόσοι κανονιστικοί άξονες όσες και οι επεξηγηματικές μεταβλητές Χ, ενώ κάθε άξονας είναι γραμμικός μετασχηματισμός όλων των επεξηγηματικών μεταβλητών Χ [48-49]. Τα αποτελέσματα από την ανάλυση πλεονασμού παρουσιάζονται σε δισδιάστατα (biplot) και τρισδιάστατα (triplot) γραφήματα. Στα συγκεκριμένα γραφήματα οι περιβαλλοντικές μεταβλητές συμβολίζονται με σημεία. Το κάθε σημείο ενώνεται με την αρχή των αξόνων με ένα διάνυσμα. Επιπλέον, το κάθε διάνυσμα δείχνει την κατεύθυνση κατά την οποία παρατηρείται η μέγιστη διακύμανση της ανεξάρτητης μεταβλητής (περιβαλλοντικής). Αντίστοιχα οι συντεταγμένες των ειδών (στη προκειμένη περίπτωση τα δείγματα από τις δορυφορικές μεταβλητές) συμβολίζονται με σημεία. Φέρνοντας τη νοητή γραμμή (διάνυσμα) που ενώνει τα σημεία με τους άξονες μπορούμε να ερμηνεύσουμε το ρόλο που αυτές διαδραματίζουν στο σύστημα. Η ερμηνεία τους πραγματοποιείται με τον ίδιο ακριβώς τρόπο με τον οποίο εξηγείται ο ρόλος των ανεξάρτητων (περιβαλλοντικών) μεταβλητών. Όσον αφορά την ερμηνεία των διανυσμάτων των ειδών αυτά που δείχνουν προς την ίδια κατεύθυνση, έχουν μεταξύ τους θετική συσχέτιση ενώ τα διανύσματα που δείχνουν 156

157 Κεφάλαιο 5 προς την αντίθετη κατεύθυνση δείχνουν αρνητική συσχέτιση. Επίσης, τα διανύσματα που σχηματίζουν μεταξύ τους ορθή γωνία είναι ασυσχέτιστα μεταξύ τους [50]. Τέλος, όσο πιο μεγάλο είναι ένα διάνυσμα, τόσο πιο ισχυρή είναι η συσχέτιση μεταξύ των μεταβλητών που μελετώνται [51]. 5.6 Αποτελέσματα και συζήτηση Τα αποτελέσματα που προέκυψαν από την εφαρμογή της μεθόδου RDA παρουσιάζονται στην Εικόνα 5.3 και στους Πίνακες 5.3 και 5.4. Από τα αποτελέσματα προκύπτει ότι το αθροιστικό ποσοστό διακύμανσης της σχέσης μεταξύ της μετρούμενης στο πεδίο CBI σφοδρότητας καύσης και των περιβαλλοντικών παραμέτρων που εξηγείται από τους άξονες 1 και 2 αγγίζει το 99% (98,64% για την ακρίβεια). O άξονας 1 εξηγεί το 95,83% της διακύμανσης και ο άξονας 2 το 2.81%. Σύμφωνα με τα αποτελέσματα που παρουσιάζονται στον Πίνακα 1 οι μεταβλητές που σχετίζονται περισσότερο με τον πρώτο ά- ξονα είναι οι CBI μεταβλητές της σφοδρότητας καύσης (Time1CBI και Time2CBI) ενώ αυτές που συσχετίζονται λιγότερο είναι οι τοπογραφικές μεταβλητές (Πίνακας 5.4). Από τα αποτελέσματα διαφαίνεται ότι οι εξαρτημένες μεταβλητές (Υ) που εξηγούνται περισσότερο από τις ανεξάρτητες μεταβλητές (Χ) είναι οι, NDVITime1 και NDVITime2 (Πίνακας 5.4). Σε αντίθεση με τις προηγούμενες μεταβλητές οι υπόλοιπες μεταβλητές οι οποίες προέκυψαν από τις τιμές των αρχικών καναλιών της εικόνας (π.χ. η BlueΤime 1) εξηγούνται ελάχιστα από τις περιβαλλοντικές μεταβλητές 157

158 Κεφάλαιο 5 0,8 F2 (2,81 %) 0,4 0-0,4 Time2CBI Time1CBI Cos BlueTime1 GreenTime1 BlueTime2 GreenTime2 Elevation Slope NDVITime2 RedTime2 NirTime2 NDVITime1 Sin NirTime1 RedTime1-0,8-1,2-0,8-0,4 0 0,4 0,8 1,2 1,6 F1 (95,83 %) Y X Εικόνα 5.3. Γράφημα ανάλυσης πλεονασμού μεταξύ της σφοδρότητας καύσης και των περιβαλλοντικών παραμέτρων. Πίνακας 5.3. Ανάλυση πλεονασμού: συσχετισμός των περιβαλλοντικών μεταβλητών με τους τρεις πρώτους άξονες ταξιθέτησης, οι οποίοι εκπροσωπούνται από τις βαθμολογίες των δειγμάτων που προέρχονται από τις περιβαλλοντικές μεταβλητές. Μεταβλητή F1 F2 F3 Elevation Slope Cos Sin Time1CBI Time2CBI

159 Κεφάλαιο 5 Πίνακας 5.4. Ανάλυση πλεονασμού: συσχετισμός των δορυφορικών μεταβλητών με τους τρεις πρώτους άξονες ταξιθέτησης. Μεταβλητή F1 F2 F3 BlueTime GreenTime RedTime NirTime BlueTime GreenTime RedTime NirTime NDVITime NDVITime Γενικά, η τοπογραφία διαδραματίζει σημαντικό ρόλο στη δυναμική της βλάστησης τόσο πριν όσο και μετά τη φωτιά. Πριν τη φωτιά, η τοπογραφία επηρεάζει σημαντικά τη διαμόρφωση του μικροκλίματος της περιοχής (θερμοκρασία, κατακρημνίσματα και στο ποσό της ηλιακής ακτινοβολίας που δέχεται μια επιφάνεια) καθώς και την παραγωγικότητα και συσσώρευση της βιομάζας [18]. Αξίζει να αναφερθεί ότι η υπέρμετρη συσσώρευση βιομάζας αποτελεί μια από τις βασικότερες αιτίες εκδήλωσης δασικών πυρκαγιών. Μετά την εκδήλωση της φωτιάς το γεγονός ότι η τοπογραφική διαμόρφωση της περιοχής διαφοροποιείται σημαντικά κατά θέσεις (διαφορές στο υψόμετρο, την κλίση και έκθεση), έχει ως άμεσο επακόλουθο τη διαφοροποίηση των μικροκλιματικών συνθηκών κάθε τόπους. Το γεγονός αυτό ασκεί καθοριστική επίδραση στη δυναμική που παρουσιάζει η φυσική μεταπυρική αναγέννηση της πληγείσας περιοχής [43]. Τα αποτελέσματα από τη στατιστική ανάλυση καταδεικνύουν ωστόσο ότι οι δυο μεταβλητές NDVI (η τιμή του δείκτη σε δύο διαφορετικές χρονικές στιγμές) είναι ελάχιστα συσχετισμένες με την κλίση, την έκθεση και το υψόμετρο. Σε αυτό το σημείο, θα πρέπει να αναφερθεί ότι η συγκεκριμένη σχέση που παρατηρείται μεταξύ των παραπάνω μεταβλητών, πιθανότατα ισχύει μόνο για τη συγκεκριμένη περίπτωση και το συγκεκριμένο στατιστικό δείγμα. Οι λόγοι που ενδεχομένως οδηγούν στην ύπαρξη αυτής της σχέσης 159

160 Κεφάλαιο 5 αναλύονται εκτενέστερα παρακάτω. Αρχικά πρέπει να αναφερθεί ότι, η αντίδραση της βλάστησης έπειτα από το καταστροφικό συμβάν, εξαρτάται από πολλούς και διάφορους παράγοντες, ένας εκ των οποίων είναι και η τοπογραφία. Είναι πολύ πιθανό λοιπόν, ο λόγος στον οποίο οφείλεται η ύπαρξη της παραπάνω σχέσης, να είναι το γεγονός ότι άλλοι παράγοντες πιο σημαντικοί από την τοπογραφία, επιδρούν καθοριστικά στην α- ναγέννηση του οικοσυστήματος. Ένας επιπλέον λόγος που μπορεί να οδηγεί στο παραπάνω αποτέλεσμα είναι ότι ένας σημαντικός αριθμός δειγματοληπτικών επιφανειών, που ελήφθει στο πεδίο, προερχόταν από περιοχές με παρόμοια υψόμετρα. Το γεγονός αυτό είχε ως άμεσο επακόλουθο την απουσία ισχυρής τοπογραφικής διαφοροποίησης στο στατιστικό μας δείγμα. Ο περιορισμός αυτός ήταν γνωστός και αναπόφευκτος από την αρχή της ανάλυσης και οφείλεται στο ότι περιοχές που επλήγησαν από τη φωτιά ήταν κατά βάση περιοχές που πριν την καταστροφή καταλαμβανόταν από αναδασώσεις μαύρης πεύκης, φυτεμένες σε παρόμοια υψόμετρα. Είναι φανερό ότι η συγκεκριμένη διαπίστωση χρήζει περαιτέρω έρευνας. Παρόλα αυτά ακόμη και απλή γνώση της κατάστασης που επικρατεί στην περιοχή μπορεί να βοηθήσει σημαντικά στους Δασικούς Διαχειριστές στο σχεδιασμό μέτρων αποκατάστασης. Στη συνέχεια, τα αποτελέσματα αποκάλυψαν ότι υπάρχει ισχυρή αρνητική συσχέτιση μεταξύ των δύο μεταβλητών CBI (Time1CBI και Time2CBI) και NDVI (NDVITime1 and NDVITime2). Η αρνητική συσχέτιση αποδίδεται στο γεγονός ότι, με το πέρασμα του χρόνου το οικοσύστημα αντιδρά στην καταστροφή, γεγονός που με τη σειρά του επηρεάζει τη σφοδρότητα καύσης. Άμεσο συνεπακόλουθο της κατάστασης που προαναφέρθηκε είναι οι δορυφορικές μεταβλητές του NDVI να σχετίζονται με χαμηλότερες τιμές σφοδρότητας καύσης στο πεδίο. Σύμφωνα με ήδη υπάρχουσες μελέτες η διακύμανση που παρουσιάζει η κάλυψη της βλάστησης στο πεδίο συσχετίζεται σε μεγάλο βαθμό με τη σφοδρότητα καύσης [7]. Παρόλα αυτά, δεν είναι δεδομένο ότι η μεταβλητή NDVI μπορεί να ανιχνεύσει τις μεταβολές που παρατηρούνται στο πεδίο λόγω της θνησιμότητας των δέντρων ή της αναγέννησης της βλάστησης. Στην προκειμένη περίπτωση ω- στόσο τα αποτελέσματα δείχνουν ότι η μεταβλητή NDVI που χρησιμοποιήθηκε για να εκφράσει τη μεταπυρική ανάκαμψη της βλάστησης που καταγράφεται από τον δορυφορικό αισθητήρα GeoEye εξηγείται σε μεγάλο βαθμό από τις μετρήσεις πεδίου CBI. Αυτό καταδεικνύει ότι τα δεδομένα NDVI που εξήχθησαν από τις GeoEye εικόνες είναι ικανά 160

161 Κεφάλαιο 5 να ανιχνεύσουν την αντίδραση του οικοσυστήματος στη φωτιά όταν αυτή ποσοτικοποιείται με μετρήσεις πεδίου CBI. Η ισχυρή αρνητική συσχέτιση μεταξύ των CBI και NDVI μεταβλητών αποδεικνύει ότι οι εικόνες GeoEye που ελήφθησαν σύντομα μετά τη φωτιά είναι ικανές να ανιχνεύσουν τις βραχυπρόθεσμες (σύντομα και ένα χρόνο μετά τη φωτιά) διαχρονικές αλλαγές της σφοδρότητας καύσης. Μια πιθανή εξήγηση για αυτό είναι το γεγονός ότι οι επιπτώσεις της φωτιάς αμέσως μετά την καταστροφή είναι αρκετά ομοιογενείς και συνεπώς εύκολο να ανιχνευθούν για ένα σύντομο χρονικό διάστημα μετά το συμβάν [18]. Παρόλο που σε αυτή την εργασία το ερευνητικό ενδιαφέρον εστιάστηκε στη διερεύνηση της βραχυπρόθεσμης σχέσης μεταξύ της σφοδρότητας καύσης και των GeoEye εικόνων, θα ήταν ιδιαίτερα χρήσιμο να επεκτείνουμε το χρονικό διάστημα μελέτης. Για να γίνει αυτό χρειαζόμαστε μεγαλύτερο δείγμα από CBI μετρήσεις πεδίου το οποίο τη δεδομένη στιγμή δεν υπάρχει. Η εξαγωγή πληροφορίας από εικόνες με πολύ υψηλή φασματική, χωρική και χρονική διακριτική ικανότητα αναμένεται να διευρύνει τις γνώσεις μας αναφορικά την αντίδραση του οικοσυστήματος στη φωτιά. Συνοψίζοντας, τα αποτελέσματα δείχνουν ξεκάθαρα το υψηλό επίπεδο συσχέτισης μεταξύ των διαχρονικών δορυφορικών μεταβλητών NDVI και των CBI μετρήσεων στο πεδίο. Αυτό σημαίνει ότι η μεταβλητή NDVI που χρησιμοποιήθηκε αρχικά για να εκφράσει τη μεταπυρική ανάκαμψη της βλάστησης που καταγράφεται από τον δορυφορικό αισθητήρα GeoEye εξηγείται σε μεγάλο βαθμό από τις μετρήσεις πεδίου CBI. Συνεπώς, συμπεραίνουμε ότι τα δορυφορικά δεδομένα υψηλής ακρίβειας μπορούνε να χρησιμοποιηθούνε συνδυαστικά με τις μετρήσεις CBI για την ανίχνευση και παρακολούθηση της δυναμικής της μεταπυρικής ανάκαμψης της βλάστησης. Η διαπίστωση αυτή είναι πολύ σημαντική διότι από τη στιγμή που είναι εφικτή η χρήση των GeoEye VHR δεδομένων στην εκτίμηση της ανάκαμψης της βλάστησης πιθανότατα είναι εφικτή και η παραγωγή πιο ακριβούς και λεπτομερούς πληροφορίας. Επιπλέον η διαπίστωση αυτή είναι ιδιαίτερα σημαντική διότι, αν και τα VHR δορυφορικά δεδομένα έχουν ήδη χρησιμοποιηθεί έστω και σε περιορισμένο βαθμό για την ανίχνευση της ανάκαμψης της βλάστησης, καμία μελέτη έως τώρα δεν έχει μελετήσει αν είναι εφικτή η ανίχνευση της μέσω αυτών. Οι προηγούμενες διαπιστώσεις οδηγούν στο συμπέρασμα ότι τα VHR δορυφορικά δεδομένα μπορούν να συμβάλλουν σημαντικά στην ανίχνευση και παρακολούθηση της δυναμικής που παρουσιάζει η βλάστηση διαχρονικά. 161

162 Κεφάλαιο 5 Η εργασία αυτή αποτελεί μια προκαταρκτική μελέτη, στην οποία μελετάται η σχέση μεταξύ της τοπογραφίας και των μετρήσεων πεδίου CBI με τη μεταπυρική δυναμική της βλάστησης που υπολογίζεται μέσω των VHR δεδομένων. Από όσο γνωρίζουμε μέχρι στιγμής δεν υπάρχει κάποιος δείκτης στη διεθνή βιβλιογραφία ο οποίος να έχει σχεδιαστεί ειδικά για VHR δορυφορικά δεδομένα. Ως εκ τούτου τα αποτελέσματα αυτής της εργασίας μπορούν να αποτελέσουν ένα πρώτο βήμα στο σχεδιασμό ενός νέου δείκτη σφοδρότητας καύσης ειδικά για VHR δορυφορικά δεδομένα ή και την προσαρμογή του υπάρχοντος στα συγκεκριμένα δεδομένα. Οι εργασίες που αφορούν τις φωτιές και τη σφοδρότητα καύσης θα συνεχίσουν να διεξάγονται με τη χρήση δορυφορικών δεδομένων και μετρήσεων της σφοδρότητας καύσης στο πεδίο. Για το λόγο αυτό είναι προς το συμφέρον των Δασικών Διαχειριστών καθώς και των υπολοίπων φορέων που ασχολούνται με τη διαχείριση του δάσους να βελτιωθεί η ποιότητα της πληροφορίας που αφορά τη σφοδρότητα καύσης. Για να γίνει αυτό είναι κρίσιμης σημασίας να συσχετιστεί η μετρούμενη στο πεδίο σφοδρότητα καύσης με τις κατάλληλες δορυφορικές εικόνες. Σύμφωνα με τα αποτελέσματα αυτής της εργασίας ότι η βραχυπρόθεσμη εκτίμηση της σφοδρότητας της καύσης, μπορεί να πραγματοποιηθεί επιτυχημένα από τις GeoEye δορυφορικές εικόνες. Η ακριβέστερη εκτίμηση της σφοδρότητας καύσης στην περιοχή αναμένεται να ενισχύσει την υπάρχουσα πληροφορία αναφορικά με την αντίδραση του οικοσυστήματος μετά τη φωτιά. Σε αυτό το σημείο θα πρέπει να αναφερθεί ότι όλα τα αποτελέσματα αφορούν αποκλειστικά και μόνο τη συγκεκριμένη περιοχή. Ωστόσο θα ήταν πολύ ενδιαφέρον να επαναληφθεί η παρούσα εργασία σε άλλες περιοχές μελέτες και σε μεγαλύτερες χρονικές κλίμακες. 5.7 Συμπεράσματα Στην παρούσα εργασία διερευνήθηκε κατά πόσο και σε ποιόν βαθμό η μεταπυρική δυναμική της ανάκαμψης της βλάστησης, που στην προκειμένη περίπτωση υπολογίζεται μέσω των δορυφορικών εικόνων GeoEye εξαρτάται από τις τοπογραφικές συνθήκες και τις μετρήσεις CBI. Επιπλέον, εξετάστηκε ποια από τις οι δορυφορικές μεταβλητές που υπολογίζονται μέσω των εικόνων GeoEye μπορούν (ως μεταβλητές θεωρήθηκαν τα κα- 162

163 Κεφάλαιο 5 νάλια της εικόνας και ο δείκτης NDVI) μπορούν να χρησιμοποιηθούν για να ανιχνεύσουν και να παρακολουθήσουν τη μεταπυρική δυναμική της φωτιάς, σύντομα μετά τη φωτιά. Από τα αποτελέσματα καταδεικνύεται ότι υπάρχει ισχυρή αρνητική συσχέτιση μεταξύ των μετρήσεων πεδίου CBI και της δορυφορικής μεταβλητής NDVI. Αυτό σημαίνει ότι η μεταβλητή NDVI που χρησιμοποιήθηκε αρχικά για να εκφράσει τη μεταπυρική ανάκαμψη της βλάστησης που καταγράφεται από τον δορυφορικό αισθητήρα GeoEye εξηγείται σε μεγάλο βαθμό από τις μετρήσεις πεδίου CBI. Επιπλέον, από όλες τις δορυφορικές μεταβλητές που εξετάστηκαν στην παρούσα εργασία η μεταβλητή NDVI είναι η μόνη που μπορεί να χρησιμοποιηθεί ως ενδεικτική της μεταπυρικής ανάκαμψης της βλάστησης που καταγράφεται από τον αισθητήρα GeoEye και συνεπώς να χρησιμοποιηθεί για να εκτιμηθεί η συγκεκριμένη κατάσταση στις συγκεκριμένες εικόνες. Με βάση τα παραπάνω, συνάγεται το συμπέρασμα ότι οι εικόνες VHR και πιο συγκεκριμένα οι GeoEye μπορούν να συνδυαστούν με τις μετρήσεις πεδίου CBI για να εκτιμηθεί η μεταπυρική δυναμική της βλάστησης. Το γεγονός αυτό ενδέχεται να οδηγήσει στην παραγωγή ακριβέστερης και λεπτομερέστερης πληροφορίας. Στη συνέχεια τα αποτελέσματα της στατιστικής ανάλυσης δείχνουν ότι στην συγκεκριμένη περιοχή η διαχρονική μεταβολή της μεταβλητής NDVI, δηλαδή του τρόπου με τον οποίο εξελίσσεται η μεταπυρική δυναμική της βλάστησης εξαρτάται σε μικρό βαθμό από τις τοπογραφικές συνθήκες. Το συγκεκριμένο εύρημα είναι πολύ σημαντικό, διότι έρχεται σε αντίθεση με αυτά που γνωρίζουμε ως τώρα, για την επίδραση της τοπογραφίας στη βλάστηση. Οι λόγοι που οδηγούν στην εμφάνιση αυτής σχέσης στο συγκεκριμένο στατιστικό δείγμα είναι οι παρακάτω. Ο πρώτος λόγος στον οποίο μπορεί να αποδοθεί αυτή η σχέση είναι ότι, πέραν της τοπογραφίας υπάρχουν και άλλοι πολύ πιο σημαντικοί περιβαλλοντικές παράγοντες, που ασκούν ισχυρότερη επίδραση στη διαχρονική εξέλιξη της βλάστησης. Ο δεύτερος λόγος είναι ότι το στατιστικό δείγμα που αναλύθηκε στην παρούσα εργασία προέρχεται από μια περιοχή με παρόμοια υψόμετρα. Αυτό συνέβη διότι οι περιοχές που επλήγησαν με μεγάλη σφοδρότητα από τη φωτιά ήταν αναδασώσεις πεύκων οι οποίες είχαν φυτευτεί στο παρελθόν σε περιοχές με παρόμοια υψόμετρα. 163

164 Κεφάλαιο 5 Συνοψίζοντας το βασικό συμπέρασμα που εξάγεται από αυτήν εργασία είναι ότι οι VHR εικόνες GeoEye μπορούν να χρησιμοποιηθούν σε συνδυασμό με τον δείκτη CBI για την εκτίμηση των βραχυπρόθεσμων επιπτώσεων της σφοδρότητας καύσης έπειτα από ένα καταστροφικό συμβάν. Όσον αφορά τις πιθανές μελλοντικές επεκτάσεις της παρούσης έρευνας στο πεδίο της τηλεπισκόπησης, ένα κρίσιμο ζήτημα που αξίζει να μελετηθεί είναι η δημιουργία ενός δείκτη ειδικά σχεδιασμένου για VHR δεδομένα. Στα πλαίσια αυτά τα ευρήματα της συγκεκριμένης εργασίας θα μπορούσαν να επεκταθούν περαιτέρω και να αποτελέσουν βάση για μελλοντική έρευνα και συζήτηση γύρω από αυτό το θέμα. Γενικά τα προκαταρκτικά συμπεράσματα που εξήχθησαν από την συγκεκριμένη εργασία είναι ιδιαίτερα ενθαρρυντικά. Συνεπώς παρουσιάζει μεγάλο ενδιαφέρον η περαιτέρω διερεύνηση της σχέσης που εξετάστηκε, σε άλλες περιοχές μελέτης διαφορετικών κλιματικών συνθήκων καθώς και σε μεγαλύτερες χρονικές κλίμακες. Η αποσαφήνιση των σχέσεων μεταξύ βραχυπροθέσμων και μακροπρόθεσμων επιπτώσεων της φωτιάς και μεταπυρικής αντίδρασης της βλάστησης θα αποτελέσει ισχυρό εργαλείο στα χέρια των Δασικών Διαχειριστών. 5.8 Βιβλιογραφία 1. Moreira, F.; Viedma, O.; Arianoutsou, M.; Curt, T.; Koutsias, N.; Rigolot, E.; Barbati, A.; Corona, P.; Vaz, P.; Xanthopoulos, G., Landscape wildfire interactions in southern Europe: implications for landscape management. Journal of environmental management 2011, 92 (10), Hoscilo, A.; Tansey, K. J.; Page, S. E., Post-fire vegetation response as a proxy to quantify the magnitude of burn severity in tropical peatland. International journal of remote sensing 2013, 34 (2), Lentile, L. B.; Holden, Z. A.; Smith, A. M.; Falkowski, M. J.; Hudak, A. T.; Morgan, P.; Lewis, S. A.; Gessler, P. E.; Benson, N. C., Remote sensing techniques to assess active fire characteristics and post-fire effects. International Journal of Wildland Fire 2006, 15 (3), Gouveia, C.; DaCamara, C.; Trigo, R., Post-fire vegetation recovery in Portugal based on spot/vegetation data. Natural Hazards and Earth System Science 2010, 10 (4), Chen, X.; Vogelmann, J. E.; Rollins, M.; Ohlen, D.; Key, C. H.; Yang, L.; Huang, C.; Shi, H., Detecting post-fire burn severity and vegetation recovery using multitemporal remote sensing spectral indices and field-collected composite burn index data in a ponderosa pine forest. International Journal of Remote Sensing 2011, 32 (23), FAO, F. S., State of the world's forests

165 Κεφάλαιο 5 7. Gitas, I.; Polychronaki, A.; Mitri, G.; Veraverbeke, S., Advances in Remote Sensing of Post- Fire Vegetation Recovery Monitoring-A review. INTECH Open Access Publisher: Key, C. H.; Benson, N. C., Landscape Assessment (LA). FIREMON: Fire effects monitoring and inventory system. General technical report RMRS-GTR-164-CD 2006, LA Birch, D. S.; Morgan, P.; Kolden, C. A.; Abatzoglou, J. T.; Dillon, G. K.; Hudak, A. T.; Smith, A. M., Vegetation, topography and daily weather influenced burn severity in central Idaho and western Montana forests. Ecosphere 2015, 6 (1), art Naveh, Z., Mediterranean uplands as anthropogenic perturbation dependent systems and their dynamic conservation management. Terrestrial and aquatic ecosystems, perturbation and recovery. Ellis Horwood, New York 1991, Ryan, K. C., Dynamic interactions between forest structure and fire behavior in boreal ecosystems. Silva Fennica 2002, 36 (1), Schepers, L.; Haest, B.; Veraverbeke, S.; Spanhove, T.; Vanden Borre, J.; Goossens, R., Burned area detection and burn severity assessment of a heathland fire in belgium using airborne imaging spectroscopy (APEX). Remote Sensing 2014, 6 (3), Ireland, G.; Petropoulos, G. P., Exploring the relationships between post-fire vegetation regeneration dynamics, topography and burn severity: A case study from the Montane Cordillera Ecozones of Western Canada. Applied Geography 2015, 56, Catry, F.; Rego, F.; Moreira, F.; Fernandes, P.; Pausas, J., Post-fire tree mortality in mixed forests of central Portugal. Forest Ecology and Management 2010, 260 (7), Driscoll, D. A.; Lindenmayer, D. B.; Bennett, A. F.; Bode, M.; Bradstock, R. A.; Cary, G. J.; Clarke, M. F.; Dexter, N.; Fensham, R.; Friend, G., Fire management for biodiversity conservation: key research questions and our capacity to answer them. Biological conservation 2010, 143 (9), Moreira, F.; Arianoutsou, M.; Vallejo, V. R.; de las Heras, J.; Corona, P.; Xanthopoulos, G.; Fernandes, P.; Papageorgiou, K., Setting the scene for post-fire management. In Post-fire management and restoration of Southern European Forests, Springer: 2012; pp Viedma, O.; Quesada, J.; Torres, I.; De Santis, A.; Moreno, J. M., Fire severity in a large fire in a Pinus pinaster forest is highly predictable from burning conditions, stand structure, and topography. Ecosystems 2014, 18 (2), Morgan, P.; Keane, R. E.; Dillon, G. K.; Jain, T. B.; Hudak, A. T.; Karau, E. C.; Sikkink, P. G.; Holden, Z. A.; Strand, E. K., Challenges of assessing fire and burn severity using field measures, remote sensing and modelling. International Journal of Wildland Fire 2014, 23 (8), Karaman, M.; Özelkan, E.; Örmeci, C., DETERMINATION OF THE FOREST FIRE POTENTIAL BY USING REMOTE SENSING AND GEOGRAPHICAL INFORMATION SYSTEM, CASE STUDY-BODRUM/TURKEY. Advances in Remote Sensing and GIS applications in Forest Fire Management From local to global assessments 2011, Collins, B. M.; Kelly, M.; van Wagtendonk, J. W.; Stephens, S. L., Spatial patterns of large natural fires in Sierra Nevada wilderness areas. Landscape Ecology 2007, 22 (4), Turner, M. G.; Hargrove, W. W.; Gardner, R. H.; Romme, W. H., Effects of fire on landscape heterogeneity in Yellowstone National Park, Wyoming. Journal of Vegetation Science 1994, Pinto, A.; Fernandes, P. M., Microclimate and Modeled Fire Behavior Differ Between Adjacent Forest Types in Northern Portugal. Forests 2014, 5 (10),

166 Κεφάλαιο Boiffin, J.; Aubin, I.; Munson, A. D., Ecological controls on post fire vegetation assembly at multiple spatial scales in eastern North American boreal forests. Journal of Vegetation Science Mouillot, F.; Ratte, J.-P.; Joffre, R.; Mouillot, D.; Rambal, S., Long-term forest dynamic after land abandonment in a fire prone Mediterranean landscape (central Corsica, France). Landscape Ecology 2005, 20 (1), Key, C.; Benson, N. In Measuring and remote sensing of burn severity, Proceedings joint fire science conference and workshop, 1999; p Key, C.; Benson, N., Landscape assessment: remote sensing of severity, the normalized burn ratio and ground measure of severity, the composite burn index. FIREMON: Fire effects monitoring and inventory system Ogden, Utah: USDA Forest Service, Rocky Mountain Res. Station Chuvieco, E., Earth observation of wildland fires in Mediterranean ecosystems. Springer: Keane, R. E.; Agee, J. K.; Fulé, P.; Keeley, J. E.; Key, C.; Kitchen, S. G.; Miller, R.; Schulte, L. A., Ecological effects of large fires on US landscapes: benefit or catastrophe? International Journal of Wildland Fire 2009, 17 (6), Mitri, G. H.; Gitas, I. Z., Mapping the severity of fire using object-based classification of IKONOS imagery. International Journal of Wildland Fire 2008, 17 (3), Amato, V. J.; Lightfoot, D.; Stropki, C.; Pease, M., Relationships between tree stand density and burn severity as measured by the Composite Burn Index following a ponderosa pine forest wildfire in the American Southwest. Forest Ecology and Management 2013, 302, Chen, G.; Metz, M. R.; Rizzo, D. M.; Dillon, W. W.; Meentemeyer, R. K., Object-based assessment of burn severity in diseased forests using high-spatial and high-spectral resolution MASTER airborne imagery. ISPRS Journal of Photogrammetry and Remote Sensing 2015, 102, Keane, R. E.; Dillon, G.; Jain, T.; Hudak, A.; Morgan, P.; Karau, E.; Sikkink, P.; Silverstein, R., The Problems with Fire Severity and Its Application in Fire Management. USDA Forest Service, Rocky Mountain Research Station, Missoula, Montana Díaz-Delgado, R.; Lloret, F.; Pons, X., Influence of fire severity on plant regeneration by means of remote sensing imagery. International Journal of Remote Sensing 2003, 24 (8), Edwards, A. C.; Maier, S. W.; Hutley, L. B.; Williams, R. J.; Russell-Smith, J., Spectral analysis of fire severity in north Australian tropical savannas. Remote Sensing of Environment 2013, 136, Dzwonko, Z.; Loster, S.; Gawroński, S., Impact of fire severity on soil properties and the development of tree and shrub species in a Scots pine moist forest site in southern Poland. Forest Ecology and Management 2015, 342, Johnstone, J. F.; Chapin III, F. S., Effects of soil burn severity on post-fire tree recruitment in boreal forest. Ecosystems 2006, 9 (1), Wang, G. G.; Kemball, K. J. In The effect of fire severity on early development of understory vegetation following a stand-replacing wildfire, 5th Symposium on Fire and Forest Meteorology jointly with 2nd International Wildland Fire Ecology and Fire Management Congress, 2003; pp Blaschke, T.; Hay, G. J.; Kelly, M.; Lang, S.; Hofmann, P.; Addink, E.; Feitosa, R. Q.; van der Meer, F.; van der Werff, H.; van Coillie, F., Geographic object-based image analysis 166

167 Κεφάλαιο 5 towards a new paradigm. ISPRS journal of photogrammetry and remote sensing 2014, 87, Cansler, C. A.; McKenzie, D., How robust are burn severity indices when applied in a new region? Evaluation of alternate field-based and remote-sensing methods. Remote sensing 2012, 4 (2), Demirel, N.; Emil, M. K.; Duzgun, H. S., Surface coal mine area monitoring using multitemporal high-resolution satellite imagery. International journal of Coal geology 2011, 86 (1), Deng, Y.; Goodchild, M. F.; Chen, X., Using NDVI to define thermal south in several mountainous landscapes of California. Computers & Geosciences 2009, 35 (2), Wimberly, M. C.; Reilly, M. J., Assessment of fire severity and species diversity in the southern Appalachians using Landsat TM and ETM+ imagery. Remote Sensing of Environment 2007, 108 (2), Dillon, G. K.; Holden, Z. A.; Morgan, P.; Crimmins, M. A.; Heyerdahl, E. K.; Luce, C. H., Both topography and climate affected forest and woodland burn severity in two regions of the western US, 1984 to Ecosphere 2011, 2 (12), art Rao, C. R., The use and interpretation of principal component analysis in applied research. Sankhyā: The Indian Journal of Statistics, Series A 1964, Legendre, P.; Legendre, L. F., Numerical ecology. Elsevier: 2012; Vol Legendre, P.; Oksanen, J.; ter Braak, C. J., Testing the significance of canonical axes in redundancy analysis. Methods in Ecology and Evolution 2011, 2 (3), Gittins, R., Canonical Analysis: A Review with Applications in Ecology. Springer Berlin Heidelberg: Manolaki, P.; Μανωλάκη, Π. Αξιολόγηση της οικολογικής ποιότητας των ποταμών Αχέροντα και Λούρου της Δ. Ελλάδας και της λεκάνης απορροής τους με χρήση υδρόβιων μακροφύτων ως βιολογικών δεικτών Bajocco, S.; Rosati, L.; Ricotta, C., Knowing fire incidence through fuel phenology: a remotely sensed approach. Ecological Modelling 2010, 221 (1), Ter Braak, C. J.; Prentice, I. C., A theory of gradient analysis. Advances in ecological research 1988, 18, Legendre, P.; Legendre, L., Numerical Ecology, Volume 24, (Developments in Environmental Modelling)

168 Κ Ε Φ Α Λ Α Ι Ο 6 των εικόνων GeoEye Παρακολούθηση των τάσεων της σφοδρότητας καύσης με τη χρήση του δείκτη Composite Burned Index (CBI) και Παρακολούθηση της εξέλιξης της σφοδρότητας καύσης με τη χρήση του δείκτη Composite Burned Index (CBI) και των VHR εικόνων Geo- Eye 6.1 Περίληψη 6.2 Εισαγωγή 6.3 Περιοχή Μελέτης 6.4 Δεδομένα και Προεπεξεργασία Δορυφορικά δεδομένα 6.4.2Δεδομένα πεδίου 6.5 Μέθοδοι Σχήμα ταξινόμησης Χαρτογράφηση της σφοδρότητας καύσης με τη μέθοδο GEOBIA Μεταταξινομική σύγκριση PCC Μέθοδος Δείκτες τοπίου 6.6 Αποτελέσματα Αποτελέσματα ταξινομήσεων Αποτελέσματα της μεταταξινομικής σύγκρισης-pcc Μέθοδος Αποτελέσματα της ανάλυσης τοπίου 6.7 Συζήτηση CBI-based χαρτογράφηση της σφοδρότητας καύσης Διαχρονική ανάλυση των χωρικών προτύπων της σφοδρότητας καύσης 6.8 Συμπεράσματα 6.9 Βιβλιογραφικές αναφορές Στο κεφάλαιο αυτό προτείνεται μια μέθοδος για τη χαρτογράφηση και παρακολούθηση της σφοδρότητας καύσης, έπειτα από μια μεγάλη δασική πυρκαγιά. Στη συνέχεια παρουσιάζεται η ανάλυση των αποτελεσμάτων που προέκυψαν από τη διαχρονική χαρτογράφηση της σφοδρότητας της καύσης και τα αναλύονται περαιτέρω προκειμένου να διερευνηθούν οι τάσεις

169 Κεφάλαιο Περίληψη Ο βαθμός σφοδρότητας με τον οποίο πλήττει μια πυρκαγιά μια δασική περιοχή, αποτελεί έναν από τους πιο σημαντικούς παράγοντες που επηρεάζουν την αποκατάσταση της άγριας πανίδας και της βλάστησης της περιοχής. Το πιο σημαντικό και χρήσιμο εργαλείο για την άμβλυνση αλλά και πρόβλεψη των αρνητικών επιπτώσεων των δασικών πυρκαγιών, στα Μεσογειακά οικοσυστήματα αποτελεί η παρακολούθηση της χωρο-χρονικής μεταβολής τους. Στη συγκεκριμένη μελέτη, αναπτύχθηκε μια μεθοδολογία η οποία συνδυάζει τις εικόνες υψηλής ευκρίνειας GeoEye, το Σύνθετο Δείκτη Καύσης (Composite Burn Index CBI) και τη μέθοδο ανάλυσης εικόνας Geographic Object- Based Image Analysis (GEOBIA)(μέχρι πρόσφατα χρησιμοποιούνταν ο όρος ΟΒΙΑ), προκειμένου να (1) καθορίσει ποια χρονική στιγμή, σύντομα μετά τη φωτιά, θεωρείται η πιο κατάλληλη για την εκτίμηση της σφοδρότητας της καύσης (η έρευνα διεξήχθη σε τρεις χρονικές στιγμές αμέσως μετά τη φωτιά, ένα χρόνο και τρία χρόνια μετά), και (2) να παρακολουθήσει και να αναλύσει τη χωρική και χρονική δυναμική της σφοδρότητας πυρκαγιάς. Στη συνέχεια ακολούθησαν η διαδικασία αξιολόγησης της ακρίβειας των παραγόμενων χαρτών και η εφαρμογή της Μεταταξινομικής Σύγκρισης (Post Classification Comparison-PCC), για την ανίχνευση των αλλαγών μεταξύ των διαφορετικών χρονικών στιγμών που εξετάστηκαν. Περαιτέρω ανάλυση των αποτελεσμάτων διεξήχθη με τη χρήση των δεικτών τοπίου (landscape metrics). Η συγκριτική μελέτη των παραγόμενων θεματικών χαρτών υπέδειξε ότι, επί του παρόντος, όταν πραγματοποιείται χαρτογράφηση σφοδρότητας καύσης με τη χρήση μετρήσεων πεδίου CBI και εικόνων VHR, είναι προτιμότερο να χρησιμοποιούνται στην ανάλυση δορυφορικές εικόνες με ημερομηνία λήψης αμέσως μετά τη φωτιά. Επίσης, τα αποτελέσματα αναδεικνύουν την ανάγκη δημιουργίας ενός νέου δείκτη ειδικά σχεδιασμένου για VHR δορυφορικά δεδομένα. Στη συνέχεια τα αποτελέσματα από την Post-classification ανάλυση αποκαλύπτουν ότι, οι αλλαγές που παρατηρούνται μεταξύ των διαφορετικών κλάσεων σφοδρότητας καύσης, οφείλονται κατά βάση στη θνησιμότητα των δέντρων και στην αποκατάσταση της βλάστησης μετά τη φωτιά. Από τη διαχρονική ανάλυση του τοπίου συνήχθησαν δύο ακόμη σημαντικά συμπεράσματα. Πρώτον, όλες οι κλάσεις σφοδρότητας πυρκαγιάς παρουσιάζουν σταθερή τάση συρρίκνωσης με το πέρασμα του χρόνου. Δεύτερον, η δομή και οι 169

170 Κεφάλαιο 6 λειτουργίες του τοπίου σταθεροποιούνται όσο απομακρυνόμαστε χρονικά από το συμβάν της πυρκαγιάς. Η τελευταία διαπίστωση εξηγείται με βάση το γεγονός ότι με το πέρασμα του χρόνου παρατηρούνται χωροψηφίδες με πιο ακανόνιστο σχήμα, μεγαλύτερο μέγεθος, μεγαλύτερη απόσταση μεταξύ των patches με παρόμοια χαρακτηριστικά και μεγαλύτερη συνδεσιμότητα. Λέξεις κλειδιά: Σφοδρότητα καύσης, Geographic Object-based image analysis, Composite Burn Index, GeoEye, δείκτες τοπίου. 6.2 Εισαγωγή Η επίδραση των δασικών πυρκαγιών είναι ιδιαίτερα ισχυρή στα Μεσογειακά δασικά οικοσυστήματα. Η οικολογική τους σημασία είναι πολύ μεγάλη διότι το αποτύπωμα που αφήνουν διαρκεί από δεκαετίες έως αιώνες [1-3]. Ανάλογα με το μέγεθος, τη δριμύτητα και την ένταση της φωτιάς, κάποια οικοσυστήματα ανακάμπτουν ενώ άλλα διαταράσσονται σοβαρά και μόνιμα [4]. Γενικά, οι δασικές πυρκαγιές θεωρούνται από τους βασικότερους παράγοντες που καθορίζουν τη μορφή και τη λειτουργία ενός δασικού οικοσυστήματος, λόγω των σημαντικών τους επιπτώσεων, στη δομή και σύνθεση της βλάστησης [5], στην ανακύκλωση των θρεπτικών στοιχείων και στα ενδιαιτήματα άγριας πανίδας (wildlife habitats) [3]. Συνήθως, η ένταση με την οποία πλήττει μια πυρκαγιά το τοπίο είναι μεταβαλλόμενη και εξαρτάται από την επίδραση μιας σειράς παραγόντων, όπως είναι η τοπογραφία. Οι διαφορετικές συνθήκες που επικρατούν σε μια περιοχή δρουν ως παράγοντες μεταβολής της έντασης της φωτιάς, είτε ενισχυτικά είτε ανασταλτικά, με αποτέλεσμα τη δημιουργία μετά το πέρας της φωτιάς ενός χωρικά πολύπλοκου μωσαϊκού από χωροψηφίδες, που χαρακτηρίζονται από διαφορετικό βαθμό σφοδρότητας καύσης (burn severity) [6]. Πολλές έρευνες ισχυρίζονται πως η χωρική ανομοιομορφία ή ετερογένεια της σφοδρότητας καύσης (burn severity), είναι ένας από τους βασικούς παράγοντες που καθορίζουν τη μεταπυρική αντίδραση της βλάστησης και τη σύνθεση των ειδών [7-8]. Για να κατανοηθεί πως η χωρική διάταξη των χωροψηφίδων σφοδρότητας καύσης (burn severity) επηρεάζει την πανίδα και χλωρίδα της περιοχής απαιτούνται πληροφορίες σχετικά, με την ικανότητα προσαρμογής των ειδών στις επικρατούσες συνθήκες της περιοχής, 170

171 Κεφάλαιο 6 την ικανότητα αντίδρασης τους στους διάφορους βαθμούς σοβαρότητας καύσης (burn severity), καθώς και της δυνατότητας αντίδρασης και διασποράς που παρουσιάζουν, δεδομένης της χωρικής διάταξης της σφοδρότητας καύσης [9]. Έχει αποδειχθεί ότι, καλή γνώση της διαχρονική μεταβολής (διακύμανσης) της σφοδρότητας καύσης (burn severity) αποτελεί βασικό στοιχείο για την εκτίμηση και πρόβλεψη των οικολογικών συνθηκών, που επικρατούν μετά από τη φωτιά [10]. Η πληροφορία αυτή είναι ιδιαίτερα σημαντική διότι διευκολύνει: α) το σχεδιασμό επιτυχημένων σχεδίων πρόληψης και καταστολής των δασικών πυρκαγιών, και β) το σχεδιασμό μέτρων διαχείρισης που αποσκοπούν στην προστασία (π.χ. αντιπλημμυρικά και αντιδιαβρωτικά μέτρα) και αποκατάσταση των οικοσυστημάτων (αποκατάστασης της βλάστησης και διατήρηση της βιοποικιλότητας) [10-11]. Στις μέρες μας, η χαρτογράφηση αλλά και η παρακολούθηση των αλλαγών της πολυπλοκότητας των χωρικών προτύπων της σφοδρότητας καύσης (burn severity), εξακολουθεί να αποτελεί σημαντική πρόκληση [12]. Σύμφωνα με τη Διεθνή Οργάνωση Τροφίμων και Γεωργίας (Food Agriculture Organization-FAO) [13], απαιτείται περαιτέρω έρευνα προκειμένου να κατανοηθεί πως αλληλοσχετίζονται και αλληλοεπιδρούν οι χωρικοί και χρονικοί παράγοντες που διέπουν τις οικολογικές επιπτώσεις μετά τη φωτιά. Η σφοδρότητα καύσης περιγράφεται γενικά ως ο βαθμός περιβαλλοντικής μεταβολής που συντελείται μετά από μια πυρκαγιά [14-15]. Η μεταβολή που επέρχεται από την επίδραση της φωτιάς, εκτιμάται συνήθως με μετρήσεις πεδίου, οι οποίες όμως είναι ι- διαίτερα χρονοβόρες και δαπανηρές. Η καταγραφή των επιπτώσεων της φωτιάς πραγματοποιείται με εποπτική παρατήρηση στο πεδίο, ενώ η ποσοτικοποίηση αυτών γίνεται με το Σύνθετο Δείκτη Καύσης (Composite Burn Index CBI) [14, 16]. Σύμφωνα με διάφορες μελέτες [17-19] η χαρτογράφηση της σφοδρότητας καύσης σε μεγάλης έκτασης πυρκαγιές απαιτεί τη συνδυαστική χρήση μετρήσεων πεδίου CBI και μεθόδων δορυφορικής τηλεπισκόπησης. Ο συγκεκριμένος τομέας εφαρμογών έχει ενισχυθεί σημαντικά τις τελευταίες δεκαετίες, από τις αλματώδεις τεχνολογικές εξελίξεις στον τομέα της δορυφορικής τηλεπισκόπησης. Η σφοδρότητα της καύσης χαρτογραφείται συνήθως με τη χρήση, δεικτών βλάστησης (vegetation indices), μετασχηματισμών εικόνας (image transformations), ταξινόμηση εικόνας (image classifications), μοντέλα διάδοσης ακτινοβολίας (radiative transfer models), τεχνικές προσομοίωσης (simulation techniques), φα- 171

172 Κεφάλαιο 6 σματική ανάλυση μείγματος (spectral mixture analysis) και διαφόρων τύπων δορυφορικές εικόνες [7, 14]. Παρόλα αυτά η παραγωγή των θεματικών χαρτών υψηλής ακρίβειας και χωρικής ανάλυσης παραμένει ανοιχτό θέμα προς διερεύνηση. Ο σκοπός της παραγωγής θεματικών χαρτών σφοδρότητας καύσης πολύ υψηλής α- κρίβειας είναι δυνατόν να επιτευχθεί, συνδυάζοντας εικόνες υψηλής χωρικής διακριτικής ικανότητας (Very High Resolution-VHR με εξελιγμένες τεχνικές ανάλυσης εικόνας, όπως η Geographic Object-Based Image Analysis (GEOBIA). Παραδείγματα εφαρμογής της GEOBIA, σε προβλήματα ταξινομήσεων σφοδρότητας καύσης με δορυφορικές εικόνες VHR, μπορούν να βρεθούν στις εργασίες [18] και [4]. Η εξαγωγή λεπτομερούς και αξιόπιστης πληροφορίας, αναφορικά με τη σφοδρότητα καύσης από εικόνες VHR, αναμένεται να διευκολύνει την εκτίμηση του βαθμού της ετερογένειας της φωτιάς σε τοπικό επίπεδο. Η πληροφορία αυτού του τύπου ενδέχεται να βοηθήσει στην κατανόηση των μεταπυρικών επιπτώσεων στη βιοποικιλότητα και στην οικολογική συνοχή των οικοσυστημάτων [20-21]. Προκειμένου λοιπόν να αυξηθεί η ακρίβεια των burn severity χαρτών, επιλέχθηκε ως μέθοδος ταξινόμησης στη συγκεκριμένη εργασία, η τεχνική ανάλυσης εικόνας GEOBIA. Μεταξύ της πληθώρας των μεθόδων χαρτογράφησης που υπάρχουν στη βιβλιογραφία η προαναφερθείσα μέθοδος φαίνεται να είναι η πιο ενδιαφέρουσα επιλογή. Πολλές μελέτες έχουν αποδείξει ότι η μέθοδος GEOBIA ενδείκνυται για την ανάλυση εικόνων VHR [22] αλλά και για την παραγωγή χαρτών που προορίζονται για ανάλυση τοπίου (landscape analysis) [23]. Γενικά, η ολοένα αυξανόμενη διαθεσιμότητα εικόνων VHR σε συνδυασμό με την ανάπτυξη νέων εξελιγμένων τεχνικών ταξινόμησης, όπως η GEOBIA, αναμένεται να οδηγήσει στην παραγωγή λεπτομερέστερων χαρτών burn severity και, συνεπώς, στην παραγωγή πολύτιμης πληροφορίας σχετικά με την κατάσταση των πληγεισών περιοχών. Οι χάρτες burn severity που παράγονται από δορυφορικά δεδομένα διάφορης χωρικής διακριτικής ικανότητας, συνήθως χρησιμοποιούνται, παρότι όχι εκτεταμένα, για τη μελέτη της χωρικής διάταξης/διάρθρωσης της βλάστησης και της σφοδρότητας καύσης του τοπίου. Τις τελευταίες δεκαετίες, πολλές μελέτες, έχουν ξεκινήσει να εξετάζουν τη διαχρονική τάση που παρουσιάζουν τα burn severity patches [24-26] χρησιμοποιώντας burn severity χαρτογραφικά προϊόντα, δείκτες τοπίου (landscape metrics) αλλά και μεθόδους 172

173 Κεφάλαιο 6 ανίχνευσης αλλαγών (change detection methods), όπως είναι η Μεταταξινομική μέθοδος σύγκρισης (Post Classification Comparison -PCC). Οι δείκτες τοπίου αποτελούν ένα ισχυρό εργαλείο στη μελέτη της διαχρονικής μεταβολής της δομής του τοπίου και της δυναμικής της βλάστησης [27]. Για να δημιουργηθεί μια συνεκτική εικόνα σχετικά με τη μεταπυρική διαμόρφωση και εξέλιξη του τοπίου, απαιτείται επιπλέον πληροφορία αναφορικά με τις αλλαγές στις διάφορες καλύψεις γης. Λεπτομερής πληροφορία, σχετικά με τις από-προς (from-to) αλλαγές στα χωρικά πρότυπα burn severity (μεταβολή μιας κλάσης burn severity σε μια άλλη), αναμένεται να βοηθήσει στην κατανόηση του τρόπου με τον οποίο διαφοροποιείται η μεταπυρική αντίδρασης των φυτών ανάλογα με το είδος τους. Μέχρι σήμερα, έχουν γίνει λίγες προσπάθειες για την εύρεση του κατάλληλων συνδυασμών δορυφορικών εικόνων και μεθόδων ταξινόμησης, για τη χαρτογράφηση της σφοδρότητας καύσης (burn severity) σε διάφορες χωρικές αλλά και χρονικές κλίμακες [12, 20, 28]. Επιπλέον, λίγα είναι γνωστά σχετικά με την απόδοση που παρουσιάζουν οι καθιερωμένοι δείκτες σφοδρότητας καύσης (burn severity) σε προβλήματα ταξινόμησης και παρακολούθησης των τάσεων της σφοδρότητας καύσης. Συγκεκριμένα, ελάχιστα είναι γνωστά για το βαθμό απόδοσης των δεικτών σε περιοχές μελέτης με διαφορετικές περιβαλλοντικές συνθήκες. Επιπλέον, ο αριθμός των μελετών στις οποίες πραγματοποιείται εκτίμηση του burn severity από VHR δορυφορικά δεδομένα, είναι ιδιαίτερα μικρός, ενώ δεν υπάρχει καμία μελέτη που να εξετάζει τις επιπτώσεις της φωτιάς, μέσω VHR δεδομένων, σε διαφορετικές χρονικές στιγμές, στην ίδια περιοχή μελέτης. Η πρακτική συνεισφορά αυτή της εργασίας, έγκειται στο γεγονός ότι συμβάλλει στη μελέτη και κατανόηση της διαχρονικής αντίδρασης ενός οικοσυστήματος στο διαφορετικό βαθμό σοβαρότητας καύσης που εντοπίζεται κατά θέση εντός της ίδια περιοχής μελέτης. Στη συγκεκριμένη εργασία, προκειμένου να αποσαφηνιστούν οι μηχανισμοί μεταπυρικής αντίδρασης του υπό εξέταση οικοσυστήματος, αναλύθηκαν τρία burn severity μωσαϊκά, με τις μεθόδους που αναφέρθηκαν παραπάνω. Ειδικότερα οι σκοποί αυτή της εργασίας είναι α) η εύρεση της κατάλληλης χρονικής στιγμής στην οποία πρέπει να πραγματοποιείται η εκτίμηση της σφοδρότητας καύσης στο πεδίο, όταν στα πλαίσια της χαρτογράφησης επρόκειτο να συνδυαστεί ο δείκτης CBI με εικόνες VHR και β) η χαρτογράφηση και παρακολούθηση των διαχρονικών τάσεων 173

174 Κεφάλαιο 6 που εμφανίζει η εξέλιξη της σφοδρότητας καύσης. Οι επιμέρους στόχοι της εργασίας είναι οι εξής: ο συνδυασμός της μεθόδου GEOBIA με το δείκτη CBI και εικόνες GeoEye, για την εκτίμηση της σφοδρότητας καύσης (burn severity) σε τρεις διαφορετικές χρονικές στιγμές (αμέσως μετά τη φωτιά, ένα χρόνο και τρία χρόνια μετά), η αναγνώριση και ανάλυση των αλλαγών της σφοδρότητας καύσης, μεταξύ των τριών χρονικών στιγμών που προαναφέρθηκαν, με τη χρήση της μεθόδου ανίχνευσης αλλαγών post classification comparison (PCC) και η μελέτη της μεταβολής και διαχρονικής διάρθρωσης της δομής του τοπίου (σφοδρότητα καύσης) με τη χρήση δεικτών τοπίου (landscape metrics). 174

175 Κεφάλαιο Περιοχή μελέτης Η περιοχή μελέτης εντοπίζεται στον Νομό Έβρου, ο οποίος βρίσκεται στο βορειανατολικό άκρο της Ελλάδας. Ο Νομός εκτείνεται στην περιοχή με γεωγραφικό πλάτος 40 57' ' N και γεωγραφικό μήκος 26 2'- 26 8'E και καταλαμβάνει μια έκταση τετραγωνικών χιλιομέτρων (km 2 ) (Εικόνα 6.1). Εικόνα 6.1. Η περιοχή μελέτη Νομός Έβρου, Ελλάδα. Έχει φυσικά σύνορα με δύο χώρες, βόρεια με τη Βουλγαρία και ανατολικά με την Τουρκία. Οι ορεινοί όγκοι της περιοχής καλύπτονται από δάση κωνοφόρων (Pinus Nigra, Pinus Brutia and Pinus Maritima), δρυός (Quercus Frainetto, Q. Cerris and Q. Pubescens)και οξυάς, ενώ περιλαμβάνουν και άλλα ενδιαιτήματα όπως βοσκοτόπια, καλλιέργειες, ρεματιές και βραχώδεις λόφους [29]. Τα δάση του Έβρου ανήκουν στις σημαντικότερες προστατευόμενες περιοχές, της Ελλάδας αλλά και της Ευρώπης. Πολλά και σπάνια απειλούμενα είδη της άγριας πανίδας, όπως ο Μαυρόγυπας (Aegypius monachus) και ο Βασιλαετός (Aquila heliaca), βρίσκουν καταφύγιο σε αυτή την περιοχή. Το κλίμα που επικρατεί στην περιοχή του Έβρου είναι μεσογειακό με επιδράσεις ηπειρωτικού κυρίως προς την ενδοχώρα. Στις 24 Αυγούστου του 2011 η περιοχή 175

176 Κεφάλαιο 6 επηρεάστηκε από μεγάλη δασική πυρκαγιά (5996 εκταρίων-ha), η οποία οδήγησε στην απώλεια περίπου 5000 εκταρίων δασικής έκτασης (δάση κωνοφόρων και δρυός). 6.4 Δεδομένα και Προεπεξεργασία Δορυφορικά δεδομένα Σε αυτή την εργασία χρησιμοποιήσαμε τρεις δορυφορικές εικόνες GeoEye με χωρική διακριτική ικανότητα 2m. Η πρώτη εικόνα ελήφθει αμέσως μετά τη φωτιά (20/11/2011), η δεύτερη ένα χρόνο μετά (23/08/2012) και η τελευταία τρία (11/05/2014) χρόνια μετά τη φωτιά. Όλες οι εικόνες διορθώθηκαν ατμοσφαιρικά τη χρήση του εργαλείου ATCOR 2, το οποίο βρίσκεται ενσωματωμένο στο λογισμικό ERDAS Imagine 2011 και στη συνέχεια ορθοδιορθώθηκαν χρησιμοποιώντας ως βάση αναφοράς την ήδη γεωμετρικά διορθωμένη εικόνα WorldView-2, καθώς και το Ψηφιακό Μοντέλο Εδάφους (Digital Elevation Model-DEM) με βήμα καννάβου 5m. Το μέσο τετραγωνικό σφάλμα (Root Mean Square Error) που σχετίζεται με τα εδαφικά σημεία ελέγχου (ground control points-gcps) δεν ξεπέρασε σε καμία περίπτωση το ½ της διάστασης του εικονοστοιχείου (pixel). Οι τρεις εικόνες που προέκυψαν από το στάδιο της προεπεξεργασίας θα συμβολίζονται εφεξής ως GeoEyetime1, GeoEyetime2 and GeoEyetime3. Προκειμένου να ενισχυθεί η ανάλυση στην παρούσα εργασία χρησιμοποιήθηκαν τα παρακάτω βοηθητικά δεδομένα: α) το Σύστημα Αναγνώρισης Αγροτεμαχίων (Landparcel Identification System-LPIS) για την Ελλάδα, β) ένας χάρτης που απεικονίζει τη βλάστησης της περιοχής πριν τη φωτιά (πηγή: Δ/νση Δασών Αλεξανδρούπολης) και μια εικόνα δορυφορική εικόνα WorldView-2 η οποία ελήφθει αμέσως μετά τη φωτιά Δεδομένα πεδίου Για την εκτίμηση της σφοδρότητας της πυρκαγιάς πραγματοποιήθηκαν τρεις επισκέψεις στο πεδίο. Ο δείκτης CBI καταγράφηκε σε 100 δειγματοληπτικές επιφάνειες δια- 176

177 Κεφάλαιο 6 στάσεων 60X60m (Εικόνα 6.2). Η πρώτη επίσκεψη στο πεδίο πραγματοποιήθηκε το Νοέμβριο του 2011,αμέσως μετά τη φωτιά, ενώ οι υπόλοιπες δυο (Αύγουστος 2012) και τρία χρόνια μετά (Αύγουστος 2014). Η επιλογή των 100 δειγματοληπτικών επιφανειών πραγματοποιήθηκε με τη μέθοδο της στρωματοποιημένης δειγματοληψίας, λαμβάνοντας υπόψιν τους περιορισμούς στην προσβασιμότητα. Στη διαδικασία της δειγματοληψίας χρησιμοποιήθηκε ένας χάρτης σφοδρότητας καύσης ο οποίος υλοποιήθηκε με τη χρήση της δορυφορικής εικόνας WorldView-2. Ο χάρτης αυτός παράχθηκε μέσω της μεθόδου GEOBIA [22, 30], ειδικά για να εξυπηρετήσει τις ανάγκες της δειγματοληψίας. Συγκεκριμένα η πολυφασματική εικόνα WorldView-2 ταξινομήθηκε σε έξι κλάσεις: 1)νερό, 2)υγιής βλάστηση, 3) γυμνό έδαφος/άλλες καλύψεις γης, 4) υψηλή, 5) υψηλή-μέση, και 6) μέση-χαμηλή σφοδρότητα καύσης. Όλες οι δειγματοληπτικές επιφάνειες CBI απείχαν τουλάχιστον 100m η μια από την άλλη και ελήφθησαν σε ομογενείς περιοχές, με διάφορο βαθμό σοβαρότητας καύσης και είδος βλάστησης. Η μέτρηση του μεγέθους της οικολογικής αλλαγής που προκλήθηκε από τη φωτιά, πραγματοποιήθηκε με το δείκτη πεδίου Composite Burn Index-CBI. Ο δείκτης αυτός αποτελεί ένα επιχειρησιακό εργαλείο που χρησιμοποιείται για τη μεταπυρική εκτίμηση της σφοδρότητας καύσης στο πεδίο και αναπτύχθηκε από την Αμερικάνικη δασική υπηρεσία (U.S. Forest Service) [15] [12], στα πλαίσια του ερευνητικού προγράμματος FIRE- MON (Fire Effects Monitoring and Inventory Protocol). Συγκεκριμένα, σε αυτήν την εργασία ο δείκτης CBI καταγράφηκε στο πεδίο χρησιμοποιώντας τη φόρμα εκτίμησης και καταγραφής του FIREMON. Για να διευκολυνθεί η καταγραφή της σφοδρότητας της καύσης στο πεδίο συλλέχθηκαν επιπλέον στοιχεία όπως ψηφιακές φωτογραφίες και σημειώσεις πεδίου. Γενικά, για να υπολογιστεί η τιμή του δείκτη σε κάθε επιφάνεια ο ερευνητής πρέπει να καταγράψει στο πρωτόκολλο CBI τις επιπτώσεις της φωτιάς, σε πέντε διαφορετικούς ορόφους βλάστησης: A) υπόστρωμα (substrates), B) βλάστηση < 1 m ύψος, C) βλάστηση 1-5 m ύψος, D) μεσαίου μεγέθους δέντρα (intermediate-sized trees), και E) μεγάλα δέντρα. Για να καταγραφεί ο CBI της κάθε επιφάνειας, πραγματοποιείται εποπτική εκτίμηση πέντε παραγόντων σφοδρότητας καύσης, για κάθε έναν από τους ορόφους βλάστησης που εντοπίζονται στην εκάστοτε δοκιμαστική επιφάνεια. Η βαθμολογία που δίνεται σε κάθε παράγοντα κυμαίνεται μεταξύ των τιμών 0 και 3 [31] [4]. Ο υπολογισμός του δείκτη Composite Burn Index (CBI) πραγματοποιείται τελικά υπολογίζοντας αρχικά το μέσο όρο κάθε στρώματος και έπειτα 177

178 Κεφάλαιο 6 το μέσο όρο όλων των στρωμάτων. Όσον αφορά τις τιμές του CBI που μετρήθηκαν στη φωτιά του Έβρου, πραγματοποιήθηκε περαιτέρω εξέταση αυτών προκειμένου να απαλείφουν τυχόν σφάλματων αλλά και για να διαχωριστούν οι μετρήσεις τους σε τέσσερις τάξεις μεταπυρική κατάστασης βλάστησης. Οι τάξεις αυτές είναι: Άκαυτο/Άλλες κλάσεις (Unchanged/Other classes): Τιμές CBI μεγαλύτερες από 0 και μικρότερες από 0.5. Μέση-Χαμηλή Σφοδρότητα καύσης (Medium-Low severity): Τιμές CBI μεγαλύτερες ή ίσες από 0.5 και μικρότερες από 2.0 (έρπουσα φωτιά) Υψηλή-Μέση Σφοδρότητα καύσης (High-Medium severity): Τιμές CBI μεγαλύτερες ή ίσες από 0.5 και μικρότερες από 2.5 (εκτεταμένη καταστροφή του ανωρόφου) Υψηλή Σφοδρότητα καύσης (High severity): Τιμές CBI μεγαλύτερες ή ίσες από 2.5 (δέντρα ολοσχερώς καμένα). Εικόνα 6.2. Τοποθεσίες των επιφανειών πεδίο στις οποίες μετρήθηκε ο δείκτης Composite Burn Index (CBI). 178

179 Κεφάλαιο Μέθοδοι Η μεθοδολογία της παρούσας εργασίας υλοποιήθηκε σε δύο βήματα (Εικόνα 6.3). Στο πρώτο βήμα αναπτύχθηκαν τρία μοντέλα ταξινόμησης βασισμένα σε αντικείμενα (object-based classification models), προκειμένου να χαρτογραφηθεί η σφοδρότητα καύσης στην περιοχή μελέτης. Για την επίτευξη αυτού του στόχου χρησιμοποιήθηκαν δορυφορικές εικόνες από τρεις διαφορετικές χρονικές στιγμές (2011, 2012 και 2014). Στη συνέχεια η διαδικασία αξιολόγησης αυτών των χαρτών πραγματοποιήθηκε με τη χρήση των δεδομένων πεδίου CBI. Στο δεύτερο βήμα της μεθοδολογίας αναλύθηκε η διαχρονική τάση που παρουσιάζει η σφοδρότητα καύσης με τη χρήση δύο μεθόδων, της post classification comparison και των landscape metrics. Όλες οι διαδικασίες αναλύονται διεξοδικά παρακάτω. Εικόνα 6.3. Διάγραμμα ροής της μεθοδολογίας 179

180 Κεφάλαιο Σχήμα ταξινόμησης Για την ταξινόμηση των δορυφορικών εικόνων GeoEye χρησιμοποιήθηκαν τρία σχήματα ταξινόμησης, τα οποία είναι συμβατά μεταξύ τους. Κάθε μια από τις εικόνες ταξινομήθηκε σε τέσσερις βασικές κλάσεις burn severity (βλ. υποενότητα 6.4.2), αλλά και σε κάποιες επιπλέον, ανάλογα με την περίπτωση. Ειδικότερα, η κλάση Άκαυτο/Άλλες κλάσεις (Unchanged/Other) ταξινομήθηκε περαιτέρω στις κλάσεις που παρουσιάζονται αναλυτικά στον Πίνακα 6.1. Πίνακας 6.1. Σχήματα Ταξινόμησης GeoEyeEVROS_2011 GeoEyeEVROS_2012 GeoEyeEVROS_2014 Περιγραφή Υψηλή Σφοδρότητα καύσης (High Severity) Υψηλή-Μέση Σφοδρότητα καύσης (High-Medium Severity) Μέση-Χαμηλή Σφοδρότητα καύσης (Medium-Low Severity) Άκαυτο/Άλλες κλάσεις (Unchanged/Other) o Υγιής Βλάστηση (Healthy Vegetation) o Καλλιέργειες (Fields) - o Γυμνό/Άλλο (Bare/Other) Υψηλή Σφοδρότητα καύσης (High Severity) Υψηλή-Μέση Σφοδρότητα καύσης (High-Medium Severity Μέση-Χαμηλή Σφοδρότητα καύσης (Medium-Low Severity) Άκαυτο/Άλλες κλάσεις (Unchanged/Other) o Υγιής Βλάστηση (Healthy Vegetation) Υψηλή Σφοδρότητα καύσης (High Severity) Υψηλή-Μέση Σφοδρότητα καύσης (High-Medium Severity Μέση-Χαμηλή Σφοδρότητα καύσης (Medium-Low Severity) Άκαυτο/Άλλες κλάσεις (Unchanged/Other) o Υγιής Βλάστηση(Healthy Vegetation) o Καλλιέργειες Περιοχές καλυμμένες με στάχτη και κάρβουνο. Παρουσία όρθιων καμένων κορμών στα οποία η επικόρυφη βλάστηση έχει καεί πλήρως. Εκτεταμένη καύση του υπορόφου. Η επικόρυφη βλάστηση έχει καψαλιστεί. Φύλλα που ξεράθηκαν λόγω θερμότητας παραμένουν πάνω την κόμη. Περιοχές που ε- πηρεάστηκαν να από έρπουσα φωτιά. Η επικόρυφη βλάστηση έχει καψαλιστεί μερικώς ενώ υ- πόροφος έχει καεί πλήρως. Περιοχές με υ- γιή βλάστηση. o Καλλιέργειες (Fields) (Fields) Αγροτικές περιοχές o Tree Clearings o Tree Clearings Περιοχές που καθαρίστηκαν από υλοτόμους o Γυμνό/Άλλο Bare/Other o Γυμνό/Άλλο Bare/Other Γυμνό έδαφος ή οικισμοί o Σκιές (Shadows) - o Σκιές (Shadows) Σκιασμένες περιοχές 180

181 Κεφάλαιο 6 Ο πρωταρχικός στόχος της ταξινόμησης ήταν η διάκριση των τεσσάρων κλάσεων σφοδρότητας καύσης. Παρόλα αυτά, όπως προαναφέρθηκε η κλάση Άκαυτο/Άλλες κλάσεις (Unchanged/Other) ταξινομήθηκε περαιτέρω σε υποκλάσεις, προκειμένου να αποσαφηνιστούν οι σχέσεις που διέπουν τη διαχρονική εξέλιξη των αλλαγών των καλύψεων γης. Αποφασίστηκε λοιπόν η χρήση ενός μεγαλύτερο αριθμού κλάσεων, διότι με αυτό τον τρόπο μπορεί να επιτευχθεί μια πιο λεπτομερής ανάλυση των αλλαγών που λαμβάνουν χώρα διαχρονικά. Επιπρόσθετα, μπορούν να εντοπιστούν καλύτερα οι περιοχές στις οποίες είναι δυνατόν να πραγματοποιηθούν τα λάθη της ταξινόμησης, αλλά και οι καλύψεις γης οι οποίες παρουσιάζουν τις μεγαλύτερες τάσεις για αλλαγή. Στο σημείο αυτό θα πρέπει να τονιστεί ότι η κλάση Σκιές (Shadows) δεν χρησιμοποιήθηκε στο σχήμα ταξινόμησης του 2012, διότι δεν εντοπίστηκε η συγκριμένη κάλυψη γης στην εικόνα του ιδίου έτους. Επίσης, στα σχήματα ταξινόμησης 2012 και 2014 προστέθηκε μια νέα κλάση, με την επωνυμία Καθαρισμοί δέντρων (Tree Clearings) η ο- ποία όμως δεν προϋπήρχε στο σχήμα ταξινόμησης του Αυτό συνέβη, διότι η Ελληνική Δασική Υπηρεσία προχώρησε το 2012 σε απομάκρυνση των νεκρών δέντρων και καθαρισμό της καμένης έκτασης, σε μια προσπάθεια ενίσχυσης της ανάκαμψης του οικοσυστήματος. Η προσπάθεια αυτή συνεχίστηκε και τα επόμενη έτη, 2013 και Χαρτογράφηση της σφοδρότητας καύσης με τη μέθοδο GEOBIA H μέθοδος GEOBIA (μέχρι πρόσφατα χρησιμοποιούταν ο όρος OBIA) θεωρείται από πολλούς ειδικούς στον τομέα της τηλεπισκόπησης ως η πιο ενδεδειγμένη μέθοδος για την ταξινόμηση VHR δορυφορικών δεδομένων [4, 32]. Σε αντίθεση με τις συνηθισμένες μεθόδους ταξινόμησης (π.χ. pixel-based μέθοδος), η GEOBIA έχει τη δυνατότητα παραγωγής αντικείμενων εικόνας, μειώνοντας παράλληλα την υψηλή φασματική μεταβλητότητα που παρατηρείται στις δορυφορικές εικόνες VHR [4, 22]. Κατά τη διάρκεια της ανάλυσης με την τεχνική GEOBIA, το πρώτο βήμα που θεωρείται απαραίτητο πριν την υλοποίηση της ταξινόμησης, είναι η κατάτμησης της εικόνας σε χωρικά εφαπτόμενες και ομοιογενείς περιοχές. Μέχρι σήμερα, έχει χρησιμοποιηθεί μια πληθώρα αλγόριθμων κατάτμησης ωστόσο πρέπει να σημειωθεί δεν είναι όλες κατάλληλες για να χρησιμοποιηθούν σε εικόνες υψηλής ευκρίνειας [32]. 181

182 Κεφάλαιο 6 Στη συγκεκριμένη εργασία, στις GeoEye εικόνες που προέκυψαν από το στάδιο της προεπεξεργασίας (GeoEyetime1, GeoEyetime2 and GeoEyetime3) (βλ. υποενότητα 6.4.1) εφαρμόστηκε ο αλγόριθμος κατάτμησης Fractal Net Evolution Approach (FNEA)[33], που προτείνει το λογισμικό ecognition Developer 8.7. Κατά τη διάρκεια της διαδικασίας κατάτμησης, κάθε εικόνα κατατμήθηκε χρησιμοποιώντας μια σειρά από παράγοντες όπως η κλίμακα, τα βάρη των καναλιών, η ομοιογένεια το χρώμα και το σχήμα, που ρυθμίζονται από το χρήστη. Οι βέλτιστες τιμές των παραπάνω παραμέτρων επιλέχθηκαν μέσω της διαδικασίας trial and error. Στη συνέχεια από τα δεδομένα πεδίου επιλέχθηκαν 20 εκπαιδευτικά δείγματα (training samples) για κάθε χρονιά με σκοπό την εύρεση των χαρακτηριστικών που διακρίνουν κάθε κλάση. Ο αριθμός αυτών των δειγμάτων ήταν ανάλογος προς την έκταση κάθε κλάσης. Ως χάρτης αναφοράς, στη συγκεκριμένη περίπτωση, χρησιμοποιήθηκε ο χάρτης σφοδρότητας καύσης (burn severity) που προέκυψε από την εικόνα WorldView- 2. Πρέπει να σημειωθεί, ότι το σύνολο των δειγμάτων που δημιουργήθηκε για κάθε εικόνα, απαρτίζεται από διαφορετικές δειγματοληπτικές επιφάνειες. Ο βασικός λόγος που οδήγησε σε αυτό είναι ότι οι καθαρισμοί που πραγματοποιήθηκαν στην περιοχή δεν επέτρεψαν, την εύρεση κοινών επιφανειών που να περιγράφουν επαρκώς όλες τις κλάσεις burn severity, και τις τρεις χρονιές. Μετά την ολοκλήρωση της διαδικασίας επιλογής δειγμάτων, αναπτύχθηκαν τρία α- ντικειμενοστραφή μοντέλα ταξινόμησης, ώστε να χαρτογραφηθεί η σφοδρότητα καύσης, στις τρεις διαφορετικές χρονικές στιγμές που επιλέχθηκαν να μελετηθούν στα πλαίσια της παρούσας εργασίας. Πρέπει να σημειωθεί ότι τα μοντέλα αναπτύχθηκαν ξεχωριστά για κάθε χρονιά. Ο βασικότερος λόγος για αυτό, είναι επειδή το τοπίο άλλαξε δραματικά (μεταξύ των ετών και ) έπειτα από τις αποψιλωτικές υλοτομίες που έγιναν από μέρους της Δασικής Υπηρεσίας, για να απομακρυνθούν τα νεκρά δέντρα. Τέλος, όλα τα μοντέλα ταξινόμησης αξιολογήθηκαν για τη δυνατότητα τους να παράγουν χάρτες σφοδρότητας καύσης, με τη χρήση των μετρήσεων πεδίου CBI. Παρακάτω περιγράφεται η διαδικασία με την οποία παράχθηκαν τα σύνολα δεδομένων που χρησιμοποιήθηκαν στη διαδικασία αξιολόγησης. Θα πρέπει να τονιστεί ότι δημιουργή- 182

183 Κεφάλαιο 6 θηκε ένα ξεχωριστό σύνολο δεδομένων, για κάθε χρονιά. Ειδικότερα, από τις 100 δειγματοληπτικές επιφάνειες που ελήφθησαν στο πεδίο οι 20 χρησιμοποιήθηκαν ως training samples, ενώ οι υπόλοιπες 80 για την αξιολόγηση της ακρίβειας. Στην τελευταία περίπτωση, το σύνολο δεδομένων ενισχύθηκε με επιπλέον 30 training samples,τα οποία προέκυψαν έπειτα από φωτοερμηνεία των εικόνων GeoEye από ειδικούς φωτοερμηνευτές. Τελικά δημιουργήθηκε για κάθε χρονιά ένα σύνολο από 120 δείγματα. Τα νέα σύνολα δεδομένων που προέκυψαν από την παραπάνω διαδικασία, χρησιμοποιήθηκαν στη συνέχεια στην διαδικασία αξιολόγησης της ακρίβειας των παραγόμενων χαρτών για να υ- πολογιστούν τα στατιστικά μέτρα ακρίβειας quantity και allocation disagreement [34] καθώς και ο συντελεστής συμφωνίας Kappa (Kappa Index of Agreement) [35]. Οι χάρτες σφοδρότητας καύσης που προέκυψαν από αυτή την διαδικασία θα συμβολίζονται εφεξής ως EvrosTime1, EvrosTime2 και EvrosTime Μεταταξινομική σύγκριση PCC Μέθοδος Η μελέτη των αλλαγών της σφοδρότητα καύσης (burn severity changes), μεταξύ των ετών 2011 και 2014, που έλαβαν χώρα στην περιοχή μελέτης μας, πραγματοποιήθηκε με τη χρήση της μεθόδου Post classification comparison (PCC). Η συγκεκριμένη μέθοδος είναι από τις πιο συνηθισμένες τεχνικές για την ανίχνευση των αλλαγών from-to μεταξύ των διάφορων κλάσεων κάλυψης γης [36-37]. Βασικό πλεονέκτημα αυτής της μεθόδου είναι ότι παρέχει πληροφορίες σχετικά με την φύση των αλλαγών [38]. Στα πλαίσια αυτής της διαδικασίας, συγκρίνονται οι χάρτες που παράγονται από δορυφορικές εικόνες διαφόρων ετών, προκειμένου να εντοπιστούν οι μεταβολές που λαμβάνουν χώρα στην εκάστοτε περιοχή μελέτης [39]. Θα πρέπει να σημειωθεί ότι αυτή η διαδικασία δεν είναι απαλλαγμένη από λάθη. Η ακρίβεια της εξαρτάται σε μεγάλο βαθμό από την ακρίβεια των αρχικών ταξινομήσεων [40]. Όσον αφορά τη μέθοδο ταξινόμησης που ενδείκνυται να χρησιμοποιείται πριν από την εφαρμογή της μεθόδου PCC, πολλές έρευνες έχουνε δείξει ότι η χρήση μιας τεχνικής ταξινόμησης βασισμένη σε αντικείμενα object-based classification approach) μπορεί να βελτιώσει σημαντικά την ακρίβεια και αποτελεσματικότητα της μεθόδου PCC [41] [42]. 183

184 Κεφάλαιο 6 Μέχρι στιγμής είναι ιδιαίτερα μικρός ο αριθμός των εργασιών που έχουν μελετήσει, την αποτελεσματικότητα που παρουσιάζει η μέθοδος PCC όταν οι χάρτες που χρησιμοποιούνται στα πλαίσια της διαδικασίας έχουν παραχθεί από εικόνες VHR μέσω της objectbased ταξινόμησης [42]. Στην παρούσα εργασία, ένα απαραίτητο προαπαιτούμενο βήμα πριν την PCC ανάλυση, ήταν η αφαίρεση των σκιασμένων περιοχών. Για να γίνει αυτό δημιουργήθηκε μια κοινή μάσκα για όλους τους χάρτες, βάση της οποίας αφαιρέθηκαν οι συγκεκριμένες περιοχές από όλες τις ταξινομήσεις. Με αυτό τον τρόπο περιορίστηκε η ανάλυση μόνο στην κοινή περιοχή ενδιαφέροντος. Στη συνέχεια συγκρίθηκαν οι παραχθέντες χάρτες σφοδρότητας καύσης και από τη σύγκριση προέκυψε ένας πίνακας αλλαγών. Η μελέτη του εν λόγω πίνακα παρουσιάζει τη διαχρονική μεταβολή μεταξύ των διαφόρων κλάσεων σφοδρότητας καύσης αλλά και την ποσοτικοποίηση αυτών [40]. Στο τέλος, για να πραγματοποιηθεί μια σε βάθος ανάλυση των αποτελεσμάτων της PCC αποφασίστηκε να συνδυαστούν οι χάρτες αλλαγών με το χάρτη βλάστησης (πριν τη φωτιά της πληγείσας περιοχής. Η χωρική ανάλυση έλαβε χώρα σε περιβάλλον GIS Δείκτες τοπίου Η εφαρμογή της μεθόδου PCC παρέχει πολύ σημαντικές πληροφορίες σχετικά με την φύση των αλλαγών μεταξύ των κλάσεων σφοδρότητας καύσης. Παρόλα αυτά, για να αποκτήσουμε σε μεγαλύτερο βάθος γνώση και αντίληψη της δυναμικής του τοπίου αλλά και των διαδικασιών που λαμβάνουν χώρα εντός του (οικολογικές διαδικασίες και δυναμική τους), χρειαζόμαστε επιπλέον πληροφορία σχετικά με τη δομή (μέγεθος, μορφή κ.τ.λ.) και διαχρονική μεταβολή των χωρικών προτύπων της σφοδρότητας καύσης στο τοπίο. Για το σκοπό αυτό αναλύθηκε περαιτέρω η δομή του τοπίου με τη χρήση δεικτών τοπίου (landscape metrics). Σύμφωνα με τον [43], οι οι δείκτες τοπίου είναι αλγόριθμοι οι οποίοι ποσοτικοποιούν συγκεκριμένα χωρικά χαρακτηριστικά χωροψηφίδων (patches), των κλάσεων χωροψηφίδων (class level), και ολόκληρου του μωσαϊκού τοπίου (landscape level).ειδικότερα, οι δείκτες κλάσης χρήσεων γης απεικονίζουν τη χωρική κατανομή 184

185 Κεφάλαιο 6 και το μοτίβο για κάθε τύπο χωροψηφίδας μέσα στο τοπίο. Αντίστοιχα οι δείκτες τοπίου απεικονίζουν το χωρικό μοτίβο για το μωσαϊκό ολόκληρου του τοπίου, λαμβάνοντας υπόψη, και στις δυο περιπτώσεις όλους τους τύπους χωροψηφίδων ταυτόχρονα. Στο παρελθόν αναπτύχθηκαν εκατοντάδες δείκτες, για να χαρακτηριστούν οι σχέσεις μεταξύ των χωρικών προτύπων στους κατηγορικούς χάρτες [43-44]. Οι δείκτες μπορούν να χωριστούν σε δυο μεγάλες κατηγορίες βάση του τύπου της πληροφορίας που παρέχουν: α) σε αυτούς ποσοτικοποιούν τη χωρική διάρθρωση της δομής του τοπίου (που απεικονίζεται σε ένα χάρτη), χωρίς καμία αναφορά στα χωρικά του χαρακτηριστικά (δείκτες σύνθεσης του τοπίου), και β) σε αυτούς που ποσοτικοποιούν τη χωρική διάρθρωση της δομής του τοπίου (σε ένα χάρτη) και οι οποίοι απαιτούν τη χρήση χωρικής πληροφορίας για τον υπολογισμό τους (δείκτες χωρική διάρθρωσης του τοπίου) [43]. Οι δείκτες τοπίου έχουν χρησιμοποιηθεί επιτυχημένα σε μια πληθώρα εφαρμογών που αφορούν το περιβάλλον. Ειδικά στο πεδίο της δορυφορικής τηλεπισκόπησης, έχει χρησιμοποιηθεί ένας μεγάλος αριθμός από δείκτες τοπίου για να μετρήσουν αλλά και παρακολουθήσουν τις μεταβολές μεταξύ των διάφορων χρήσεων γης [45-46], να μοντελοποιήσουν την αστική ανάπτυξη [47],να εξετάσουν τον κατακερματισμό του δασικού τοπίου [48] και να παρακολουθήσουν την ποιότητα του περιβάλλοντος [49]. Ειδικά στο πεδίο της δορυφορικής τηλεπισκόπησης, οι δείκτες τοπίου έχουν χρησιμοποιηθεί για να αναλύσουν τη χωρική κατανομή της φωτιάς [50-53], αλλά και τις επιδράσεις της μεταπυρικής αναγέννησης στην ετερογένεια του τοπίου [1, 54-55]. Ειδικότερα, στη μελέτη αυτή αναλύθηκε η δομή του τοπίου (landscape σε επίπεδο κλάσης (class) αλλά και σε επίπεδο τοπίου (landscape), διότι οι μεταβλητές που αφορούν τα δυο επίπεδα περιέχουν διαφορετική πληροφορία. Συνολικά υπολογίστηκαν δεκαέξι δείκτες τοπίου (Πίνακας 6.2) για να αποκαλυφθούν οι διαχρονικές τάσεις που εμφανίζουν τα χωρικά χαρακτηριστικά της σφοδρότητας καύσης. Σε όλες τις περιπτώσεις που εξετάστηκαν, υπολογίστηκαν οι δείκτες τοπίου χρησιμοποιώντας τους χάρτες σφοδρότητας καύσης που παράχθηκαν μέσω της μεθοδολογίας που περιγράφηκε στην υποενότητα Ο Πίνακας 6.2 παρουσιάζει τους δείκτες που χρησιμοποιήθηκαν σε αυτή την μελέτη καθώς και μια σύντομη περιγραφή τους. Οι συγκεκριμένοι δείκτες επιλέχθηκαν λόγω της ευρείας χρήσης τους σε μελέτες τοπίου αλλά 185

186 Κεφάλαιο 6 και της αποτελεσματικότητας τους στην ποσοτικοποίηση των χωρικών προτύπων. Μια πιο λεπτομερή περιγραφή μπορεί να βρει κανείς στον [56]. Ο υπολογισμός των χωρικών δεικτών πραγματοποιήθηκε με το λογισμικό FRAGSTATS v4.2 [57]. Για λόγους που αφορούν την ανάλυση, χρησιμοποιήσαμε τον κανόνα γειτνίασης οχτώ γειτόνων (8-neighbor) για να οριοθετήσουμε τα patches. 186

187 Κεφάλαιο 6 Πίνακας 6.2. Οι δείκτες τοπίου που χρησιμοποιήθηκαν για να ποσοτικοποιήσουμε τη σφοδρότητα καύσης. Κατηγορίες Δεικτών Έκταση (Area),Πυκνότητα χωροψηφίδων (Patch Density),Μέγεθος (Size) & Μεταβλητότητα (Variability) Μετρήσεις περιμέτρου (Edge) Αντίθεση (Contrast) Σχήμα (Shape) Συνάθροιση (Aggregation) Ποικιλότητα (Diversity) Ακρώνυμο Δείκτης Οικολογική ερμηνεία [58] CA NP AREA_MN AREA_SD AREA_CV PD PLAND ED ECON SHAPE CONNECT ENN CLUMPY AI SHDI SHEI Total Class Area Number of Patches Mean patch area Standard deviation in patch area Coefficient of variation in patch area Patch density Percentage of landscape Edge density Edge contrast index Shape index Connectance Euclidean nearest neighbor distance Clumpiness Index Aggregation index Shannon s diversity index Shannon s evenness index Ο CA ισούται με το άθροισμα των εμβαδών (m2) όλων των patches για μια συγκεκριμένη κατηγορία χρήσης/κάλυψης γηςδηλαδή, η συνολική έκταση της κατηγορίας- (Μονάδα: ha). Ο NP ισούται με τον αριθμό των χωροψηφίδων κάθε κλάσης χρήσης/κάλυψης γης. Ο MN ισούται με το μέσο μέγεθος της χωροψηφίδας μιας συγκεκριμένης κλάσης(μονάδα: ha). O SD ισούται με το πηλίκο της τετραγωνικής ρίζας του αθροίσματος των τετραγώνων κάθε τιμής του δείκτη του patch από την μέση τιμή του δείκτη της συγκεκριμένης κλάσης patch,προς τον αριθμό των patches της ίδιας κλάσης (Δηλαδή, η ρίζα του μέσου τετραγωνικού σφάλματος (απόκλιση από τη μέση τιμή) στο αντίστοιχο δείκτη patch. Ο CV ισούται με το πηλίκο της τυπικής απόκλισης προς το μέσο όρο, πολλαπλασιασμένο επι 100 για να μετατραπεί σε ποσοστό, για τον συγκεκριμένο δείκτη μιας κατηγορίας χρήσης/κάλυψης γης Ο PD ισούται με τον αριθμό των χωροψηφίδων μιας κατηγορίας χρήσης/κάλυψης γης προς τη συνολική έκταση του τοπίου Το ποσοστό της περιοχής που καταλαμβάνεται από συγκεκριμένη κατηγορία κάλυψης γης To συνολικό μήκος της περιμέτρου μιας κλάσης χωροψηφίδας, ανά μονάδα επιφάνειας Ο ECON ισούται με το άθροισμα των μηκών των τμημάτων της περιμέτρου (m) πολλαπλασιασμένο με βάρη -που υποδηλώνουν το βαθμό αντίθεσης- διαιρούμενο με το συνολικό μήκος της περιμέτρου του patch perimeter. Το αποτέλεσμα των προηγούμενων αριθμητικών πράξεων πολλαπλασιάζεται επί 100 για να μετατραπεί σε ποσοστό. Ισούται με 1 όταν όλα τα patches είναι κυκλικά. Αυξάνει με την πολυπλοκότητα των σχημάτων των patches. Είναι ανεξάρτητος από το μέγεθος των patches. Ο δείκτης αυτός αναφέρεται στο ποσοστό της μέγιστης δυνατής συνδεσιμότητας για συγκεκριμένο αριθμό χωροψηφίδων (Μονάδα:%). Ευκλείδεια απόσταση εγγύτερου γείτονα (Μέσος) O δείκτης CLUMPY φανερώνει το βαθμό στον οποίο συναθροίζονται patches της ίδιας κλάσης. Ποσοστό των γειτονικών χωροψηφίδων που ανήκουν την ίδια κατηγορία κάλυψης γης Το αρνητικό άθροισμα της αναλογικής αφθονίας κάθε κλάσης χωροψηφίδας επί την αναλογία αυτή. Ο δείκτης αυτός παίρνει την τιμή 0 όταν το τοπίο αποτελείται από ένα patch.αυξάνει όσο αυξάνει ο α- ριθμός των patches ή όταν οι κλάσεις κατανέμονται ισότιμα στο χώρο. Είναι μέτρο της ποικιλότητας του τοπίου ο οποίος λαμβάνει υ- πόψιν μόνο της αφθονία των μεγεθών των patches, και όχι τον αριθμό τους (Ο SHIE λαμβάνει τιμές μεταξύ 0 και 1, τιμές κοντά στο 1 υποδεικνύουν ότι η κατανομή των διαφόρων κλάσεων των patches είναι ομοιόμορφη στο τοπίο, και τιμές κοντά στο 0 ότι το τοπίο καταλαμβάνεται από ένα patch (μηδενική ποικιλότητα) 187

188 Κεφάλαιο Αποτελέσματα Η ενότητα αυτή συνοψίζει τα αποτελέσματα από την εφαρμογή της προτεινόμενης μεθοδολογίας. Οι χάρτες σφοδρότητας καύσης που προέκυψαν από τον συνδυασμό της μεθόδου GEOBIA με τις εικόνες GeoEye, παρουσιάζονται πρώτοι, ενώ ακολουθεί, η παρουσίαση των αποτελεσμάτων που προέκυψαν από την εφαρμογή της μεθόδου PCC και την ανάλυση τοπίου (landscape analysis). Η εκτίμηση της ακρίβειας των θεματικών χαρτών πραγματοποιήθηκε υπολογίζοντας τη συμφωνία μεταξύ των παραχθέντων χαρτών σφοδρότητας καύσης και των μετρήσεων πεδίου CBI. Συνολικά υπολογίστηκαν έξι στατιστικά μέτρα. Τα πρώτα στατιστικά μέτρα που υπολογίστηκαν προέκυψαν από τον πίνακα σφαλμάτων αναγνώρισης (error confusion matrix-ecm) και ήταν: η ολική ακρίβεια (overall accuracy-oa), η ακρίβεια χρήστη (user s accuracy-ua) και η ακρίβεια παραγωγού (producer s accuracy-pa). Από τον πίνακα σφαλμάτων υπολογίστηκε ένα α- κόμη στατιστικό μέτρο ο συντελεστής Kappa (Kappa index of agreement KIA), για να ελεγχθεί πόσο σημαντικές είναι οι διαφορές μεταξύ των ταξινομήσεων [35]. Τέλος για να αναλυθούν περαιτέρω τα ευρήματα αυτής της εργασίας εφαρμόστηκαν δυο επιπλέον στατιστικά μέτρα τα: Quantity και Allocation disagreement [34] Αποτελέσματα ταξινομήσεων Η Εικόνα 6.4 παρουσιάσει τα χαρτογραφικά προϊόντα που εξήχθησαν από τη διαδικασία της ταξινόμησης. Οι Πίνακες 6.3, 6.4 και 6.5 παρουσιάζουν τους πίνακες σφαλμάτων αναγνώρισης από τη διαδικασία αξιολόγησης της ακρίβειας των θεματικών χαρτών EvrosTime1, EvrosTime2, και EvrosTime3. 188

189 Κεφάλαιο 6 Εικόνα 6.4. Object-based χάρτες σφοδρότητας καύσης: (a) EvrosTime1, (b) EvrosTime2, και (c) EvrosTime3. 189

190 Κεφάλαιο 6 Πίνακας 6.3. Στατιστικά μέτρα ακρίβειας για τον χάρτη σφοδρότητας καύσης του Χάρτης 2011 Κλάση PA (%) UA (%) Υψηλή (High) Υψηλή-Μέση (High- Medium) Μέση-Χαμηλή (Medium-Low) Βλάστηση (Vegetation) Καλλιέργειες (Fields) Σκιές (Shadows) Γυμνό/Άλλο (Bare/Other) OA (%) KIA Quantity Disagreement (%) Allocation Disagreement (%) Πίνακας 6.4. Στατιστικά μέτρα ακρίβειας για τον χάρτη σφοδρότητας καύσης του Χάρτης 2012 Κλάση PA (%) UA (%) Υψηλή (High) Υψηλή-Μέση (High-Medium) Μέση-Χαμηλή (Medium-Low) Αποψιλωτικές υλοτομίες-καθαρισμοί (Tree Clearing) Βλάστηση (Vegetation) Καλλιέργειες (Fields) Γυμνό/Άλλο (Bare/Other) OA (%) KIA Quantity Disagreement (%) Allocation Disagreement (%)

191 Κεφάλαιο 6 Πίνακας 6.5. Στατιστικά μέτρα ακρίβειας για τον χάρτη σφοδρότητας καύσης του Χάρτης 2014 Κλάση PA (%) UA (%) OA (%) KIA Quantity Disagreement (%) Allocation Disagreement (%) Υψηλή (High) Υψηλή-Μέση (High-Medium) Μέση-Χαμηλή (Medium-Low) Αποψιλωτικές υ- λοτομίες-καθαρισμοί (Tree Clearing) Βλάστηση (Vegetation) Καλλιέργειες (Fields) Γυμνό/Άλλο (Bare/Other) Τα αποτελέσματα της ανάλυσης ανέδειξαν ότι η ψηλότερη συνολική ακρίβεια ταξινόμησης (OA=81.66%, KIA=0.768) επιτυγχάνεται στο θεματικό χάρτη EvrosTime1, ενώ ακολουθούν κατά φθίνουσα σειρά ακρίβειας οι χάρτες, EvrosTime2 (OA=72.50%, KIA=0.653) και EvrosTime3 (OA=67.50%, KIA=0.558). Η εξέταση των πινάκων σφαλμάτων (confusion matrix) αλλά και της στατιστικής kappa αποκάλυψε, ότι οι παραγόμενος χάρτης σφοδρότητας καύσης για το έτος 2011 (EvrosTime1) ήταν περίπου 9% και 14% πιο ακριβής από τους αντίστοιχους χάρτες του 2012 (EvrosTime2) και του 2014 (EvrosTime3). Επιπρόσθετα, τα ποιοτικά αποτελέσματα από τη διαδικασία της εκτίμησης της ακρίβειας, έδειξαν ότι όλες οι ακρίβειες ανά κλάση μειώνονται σημαντικά με το πέρασμα του χρόνου. Ειδικά στην περίπτωση του χάρτη EvrosTime1, η ανάλυση των αριθμητικών αποτελεσμάτων, φανέρωσε ότι η υψηλότερη ακρίβεια ταξινόμησης επιτυγχάνεται στην κλάση Υψηλή Σφοδρότητα Καύσης-High Severity (PA=89.47%, UA=91.89%). Ακολουθούν οι κλάσεις Υψηλή-Μέση Σφοδρότητα Καύσης -High-Medium Severity (PA=70.00%, UA=84.00%), και Μέση-Χαμηλή Σφοδρότητα Καύσης - Medium-Low Severity 191

192 Κεφάλαιο 6 (PA=63.64%, UA=63.64%). Έπειτα από μια πιο προσεκτική εξέταση του θεματικού χάρτη EvrosTime1 διαπιστώθηκε ότι η πλειονότητα των εσφαλμένων ταξινομήσεων εντοπίζεται μεταξύ των κλάσεων Υγιής βλάστηση-healthy Vegetation και Medium-Low Severity (περιοχές που επηρεάστηκαν από έρπουσα φωτιά). Το γεγονός αυτό οφείλεται κυρίως στο ότι οι οπτικοί αισθητήρες αδυνατούν να διαπεράσουν την κομοστέγη και επομένως να καταγράψουν τις περιοχές που έχουνε πληγεί από τη φωτιά [18]. Επιπλέον, σφάλματα παράλειψης ή αποκλεισμού (omission errors) παρατηρούνται σε περιοχές που χαρακτηρίζονται από υψηλή σφοδρότητα καύσης και οι οποίες καλυπτόταν από αραιή σκληρόφυλλη βλάστηση, πριν τη φωτιά. Σφάλματα παράλειψης εμφανίζονται επίσης σε περιοχές οι οποίες είναι βραχώδεις (κάλυψη από αραιή βλάστηση), όπου ο αλγόριθμος ταξινόμησης απέτυχε να τις ταξινομήσει ως High Severity. Στην Εικόνα 6.5 φαίνεται μια λεπτομέρεια του θεματικού χάρτη EvrosTime1 στην οποία απεικονίζεται ένα παράδειγμα από τα σφάλματα που προαναφέρθηκαν. Εικόνα 6.5. Λεπτομέρεια του χάρτη σφοδρότητας καύσης EvrosTime1, που προέκυψε από τη δορυφορική εικόνα GeoEyetime1. Τα αντικείμενα που οριοθετούνται με κόκκινο είναι περιοχές που χαρακτηρίζονται από υψηλή σφοδρότητα καύσης. Οι περιοχές αυτές καλυπτόταν με αραιή σκληρόφυλλη βλάστηση πριν τη φωτιά και 192

193 Κεφάλαιο 6 στον παρόν χάρτη έχουν εσφαλμένα ταξινομηθεί ως γυμνό έδαφος (σφάλμα παράλειψης. Αυτού του τύπου τα σφάλματα ήταν αναμενόμενα, λόγω της υψηλής φασματικής ο- μοιότητας μεταξύ των συγκεκριμένων αντικειμένων (καμένες βραχώδεις εκτάσεις με ε- λαφρά εδάφη αραιής βλάστησης) με άλλα αντικείμενα τα οποία δεν επηρεάστηκαν καθόλου από τη φωτιά. Παρόμοια σφάλματα ταξινόμησης παρουσιάστηκαν επίσης και μεταξύ των περιοχών με γερασμένη και καψαλισμένη βλάστηση. Τα λάθη αυτά αναφέρονται συχνά στη βιβλιογραφία, και αποτελούν μια κατηγορία λαθών, που είναι δύσκολο να αποφευχθούν, δεδομένου ότι είναι δύσκολος ο εντοπισμός τους ακόμη και από έ- μπειρο φωτοερμηνευτή [17]. Στην περίπτωση της ταξινόμησης EvrosTime2, βρέθηκε ότι οι περισσότερες εσφαλμένες ταξινομήσεις οφείλονται στη φασματική ομοιότητα μεταξύ των κλάσεων Tree Clearings (PA=78.05%, UA=76.19%), High Severity (PA=45.00%, UA= 52.94%), και Bare/Other (PA=60.00%, UA=42.86%). Οι εσφαλμένες ταξινομήσεις σε αυτήν την περίπτωση οφείλονται στο γεγονός, ότι οι περιοχές οι οποίες πριν τη φωτιά καλυπτόταν από αναδασώσεις ώριμης πεύκης, και στις οποίες τώρα οι αναβαθμίδες από τις αναδασώσεις είναι εμφανείς (και από την δορυφορική εικόνα), είναι ιδιαίτερο δύσκολο να διαχωριστούν κυρίως από την κλάση High Severity. Ο ασφαλής διαχωρισμός τους μπορεί να πραγματοποιηθεί μόνο στο πεδίο. Επιπλέον, σφάλματα ταξινόμησης εντοπίζονται μεταξύ των κλάσεων High-Medium Severity και Medium-Low Severity. Τα σφάλματα αυτά αποδίδονται στο γεγονός ότι κάποια δασικά είδη έχουν την ικανότητα να επιβιώνουν και να αναβλαστάνουν μετά τη φωτιά. Συγκεκριμένα, ένας σημαντικός αριθμός δέντρων, που εντοπίζονται στο εσωτερικό της κλάσης High-Medium Severity" επιβίωσε και έβγαλε πράσινα φύλλα, με αποτέλεσμα την αύξηση της φασματικής ομοιότητας με την κλάση Medium-Low Severity.Είναι σημαντικό να αναφερθεί, ότι η επιβίωση και αναγέννηση των δέντρων οδήγησε σε σημαντική αύξηση της ετερογένειας στο εσωτερικό των αντικειμένων (objects) που επηρεάστηκαν από τη φωτιά. Τέλος, τα αριθμητικά αποτελέσματα που περιγράφουν την ακρίβεια της ταξινόμησης EvrosTime3, καταδεικνύουν ότι η εφαρμογή της object-based προσέγγισης, οδηγεί στην 193

194 Κεφάλαιο 6 παραγωγή του θεματικού χάρτη με τη χαμηλότερη ακρίβεια. Η ερμηνεία των αριθμητικών (Πίνακας 6.5) αποτελεσμάτων καταδεικνύει, ότι το object-based μοντέλο ταξινόμησης απέτυχε στη συγκεκριμένη περίπτωση, να διαχωρίσει τις καμένες από τις άκαυτες δασικές εκτάσεις. Αυτό οφείλεται κυρίως στο γεγονός ότι, ήταν πολύ δύσκολο να βρεθεί εκπαιδευτικό σύνολο (training set) το οποίο να περιέχει αρκετή φασματική πληροφορία, που να επιτρέπει τον διαχωρισμό των κλάσεων ταξινόμησης. Επιπρόσθετα, η αύξηση της πολυπλοκότητας της δομής και της ετερογένειας που παρατηρείται στο εσωτερικό των δειγματοληπτικών επιφανειών με την πάροδο του χρόνου, είναι δύο ακόμη παράγοντες που συνετέλεσαν σε μεγάλο βαθμό στην αποτυχία διαχωρισμού των κλάσεων σφοδρότητας καύσης. Δύο ακόμη παράγοντες που συνέβαλλαν στην αποτυχία της χαρτογράφησης, είναι η αύξηση της ασάφειας που επικρατεί στα κατώφλια που διαχωρίζουν τις κλάσεις σφοδρότητας καύσης και η δυσκολία σύνδεσης των δεδομένων πεδίου με τα δορυφορικά δεδομένα VHR καθώς αυξάνεται η χρονική απόσταση από το συμβάν της πυρκαγιάς. Τα αριθμητικά αποτελέσματα που παρουσιάζονται στον Πίνακα 6.5 αποκαλύπτουν ότι, η χαμηλότερη ακρίβεια μεταξύ των κλάσεων σφοδρότητας καύσης επιτεύχθηκε στην κλάση High-Medium Severity (PA=28.57%, UA=100.00%) και η επόμενη χαμηλότερη στην κλάση Medium low severity (PA=45.00%, UA=47.37%). Παρατηρώντας τις διαφορές των τιμών των PA και UA, ξεχωριστά για κάθε κλάση σφοδρότητας καύσης, διαπιστώθηκε ότι το μοντέλο ταξινόμησης EvrosTime3 υποεκτιμάει σε μεγάλο βαθμό, τις δύο κλάσεις High Severity και High-Medium Severity.Αυτό μπορεί να εξηγηθεί από το γεγονός ότι υπάρχει σημαντική φασματική επικάλυψη, μεταξύ των δύο κλάσεων που προαναφέρθηκαν και της κλάσης Tree Clearings. Επιπλέον, η εξάπλωση της περιοχής που καλύπτεται από την κλάση Tree Clearings είχε ως αποτέλεσμα την διαπλάτυνση του ιστογράμματος και συνεπώς την αύξηση της φασματικής αλληλοεπικάλυψης μεταξύ των εξεταζόμενων κλάσεων. Επιπρόσθετα, ε- σφαλμένες ταξινομήσεις παρατηρούνται μεταξύ των κλάσεων Healthy Vegetation και Medium-Low Severity (Εικόνα 6.6). Το γεγονός αυτό ήταν αναμενόμενο κυρίως λόγω της υψηλής φασματικής ομοιότητας μεταξύ των δύο κλάσεων. Συνήθως δύο ή τρία χρόνια μετά τη φωτιά οι επιπτώσεις της δασικής πυρκαγιάς αρχίζουν να εξασθενούν. Ειδικά σε αυτή την περίπτωση, τρία χρόνια μετά το συμβάν, οι μετρήσεις που έγιναν στο πεδίο έδειξαν ότι οι επιπτώσεις της φωτιάς στο εσωτερικό της κλάσης Medium-Low Severity έχουν, μειωθεί αισθητά ή έχουν εξαφανιστεί εντελώς. Αυτό είχε ως αποτέλεσμα η 194

195 Κεφάλαιο 6 κλάση Medium-Low Severity να γίνει σχεδόν όμοια φασματικά με την κλάση Healthy Vegetation. Η οπτική εξέταση των τριών εικόνων GeoEye αποκάλυψε ότι το χωρικό πρότυπο της σφοδρότητας της καύσης ήταν ιδιαίτερα ετερογενές. Η υψηλός βαθμός ετερογένειας που παρατηρήθηκε εντός των ταξινομημένων περιοχών είχε ως αποτέλεσμα την αύξηση της παρουσίας αντικειμένων με μεικτές κλάσεις και κατά συνέπεια την διεξαγωγή πολλών εσφαλμένων ταξινομήσεων. Επιπλέον η οπτική εξέταση που διεξήχθη στην περιοχής μελέτης, στις τρεις διαφορετικές χρονικές στιγμές που επισκεφθήκαμε το πεδίο, αποκάλυψε οτι η επιβίωση των σπόρων και δέντρων του υπορόφου το 2012 και 2014, αύξησε την ετερογένεια του τοπίου. Το γεγονός αυτό είχε ως αποτέλεσμα να πραγματοποιηθούν επιπλέον εσφαλμένες ταξινομήσεις μεταξύ την κλάσεων σφοδρότητας καύσης. Τελικά, τεκμαίρεται από τα παραπάνω ότι με την πάροδο του χρόνου, τα φασματικά χαρακτηριστικά των κλάσεων σφοδρότητας καύσης τείνουν να γίνονται παρόμοια, ενώ η φασματική διακύμανση εντός της ίδιας κλάσης σφοδρότητας καύσης ή ακόμη και εντός του ίδιου αντικειμένου μπορεί να είναι πολύ υψηλή. Οι παραπάνω διαπιστώσεις υποστηρίζονται και από τις μετρήσεις πεδίου. Εικόνα 6.6. Λεπτομέρεια του χάρτη σφοδρότητας καύσης EvrosTime3, που προέκυψε μέσω της δορυφορικής εικόνας GeoEyetime3. Τα αντικείμενα που οριοθετούνται 195

196 Κεφάλαιο 6 με κίτρινο είναι περιοχές που έχουν επηρεαστεί από έρπουσα φωτιά αλλά έχουν εσφαλμένα ταξινομηθεί ως υγιής βλάστηση Αποτελέσματα της μεταταξινομικής σύγκρισης-pcc Μέθοδος Οι Πίνακες 6.6 και 6.7 παρουσιάζουν τα αποτελέσματα που εξήχθησαν από την ε- φαρμογή της μεθόδου ανίχνευσης αλλαγών PCC. Οι δύο πίνακες αναλύουν τις αλλαγές από έναν τύπο κάλυψης γης σε έναν άλλο, μεταξύ δυο εξεταζόμενων περιόδων και Κάθε στήλη του πίνακα αντιστοιχεί στην αρχική κατάσταση (initial state) μιας κλάσης και κάθε γραμμή στην τελική (final state). Ο όρος xij αναπαριστά το ποσοστό τη κλάσης Ci (initial state) το οποίο άλλαξε και μετατράπηκε στην κλάση Cj (final state). Οι περιοχές οι οποίες άλλαξαν εκφράζονται ως ποσοστό των τιμών της αρχικής κατάστασης. Για παράδειγμα το στοιχείο του πίνακα x1,4 = 49.06% υποδηλώνει ότι % της περιοχής που είχε αρχικά ταξινομηθεί ως High Severity (2011) άλλαξε το 2012 στην κλάση Tree Clearings. Σύμφωνα με τα στοιχεία της κυρίας διαγωνίου του πίνακα τα οποία αντιπροσωπεύουν το ποσοστό της περιοχής το οποίο συμφωνεί και στις δυο ταξινομήσεις. Σε αυτό το σημείο θα πρέπει να σημειωθεί ότι οι Πίνακες 6.6 και 7 απεικονίζουν τις αλλαγές μόνο στις κλάσεις που μας ενδιαφέρουν. Για να ενισχύσουμε τα αποτελέσματα από τη μέθοδο PCC, υπολογίστηκαν δύο επιπλέον μέτρα αλλαγής του ποσοστού, το ποσοστό αύξησης και μείωσης. Γενικά, τα συγκεκριμένα στατιστικά μέτρα εκφράζουν την τάση κάθε κλάσης για αλλαγή (Figure 7 and 8). Τα μέτρα του ποσοστού αλλαγής υπολογίζονται χρησιμοποιώντας την εξίσωση: (Final state-initial state) 100 Initial state Αποτελέσματα της μεθόδου PCC για την περίοδο O Πίνακας 6.6 παρουσιάζει τις αλλαγές που λαμβάνουν χώρα μεταξύ των έξι κλάσεων σφοδρότητας καύσης, που προέκυψαν από την εφαρμογή της μεθόδου PCC, για τη 196

197 Κεφάλαιο 6 χρονική περίοδο μεταξύ των ετών 2011 (Time 1) και 2012 (Time 2). Ο βαθμός στον οποίο μια κλάση χάνει ή κερδίζει περιοχές απεικονίζεται στην Εικόνα 7. Τα αποτελέσματα στον Πίνακα 6.6 καταδεικνύουν ότι οι πιο έντονες αλλαγές παρατηρούνται μεταξύ τεσσάρων ζευγών κλάσεων: High Severity και Tree Clearing (49.06%), High- Medium Severity και Tree Clearing (30.75%), και High-Medium Severity και Healthy Vegetation (19.44%). Πίνακας 6.6. Αλλαγές στη σφοδρότητας καύσης την περίοδο Οι αλλαγές εκφράζονται ως ποσοστό των τιμών της αρχικής κατάστασης και προέκυψαν από την εφαρμογή της μεθόδου PCC Κλάση (%) High High-Medium Medium -Low Έτος Tree Clearing Vegetation Bare/Other High High-Medium Medium-Low Tree Clearings Η κλάση αυτή δεν υπήρχε το 2011 Vegetation Bare/Other Επιπλέον όπως απεικονίζεται από το ιστόγραμμα στην Εικόνα 6.7, οι εκτάσεις των περιοχών που χαρακτηρίζονται από High Severity και High-Medium Severity παρουσιάζουν τάση μείωσης, με την τελευταία κλάση να παρουσιάζει τη σημαντικότερη μειωτική τάση. Τέλος, αντίρροπη τάση αύξησης παρουσιάζουν οι περιοχές που καλύπτονται από γυμνό έδαφος και υγιή βλάστηση. Εικόνα 6.7. Ιστόγραμμα τάσης της σφοδρότητας καύσης για την περίοδο

198 Κεφάλαιο 6 Η προσεκτική μελέτη των αποτελεσμάτων αναδεικνύει, ότι κατά την περίοδο 2011 με 2012 οι εκτάσεις High Severity μετατράπηκαν σε εκτάσεις με γυμνό έδαφος και σε περιοχές στις οποίες πραγματοποιήθηκαν έκτακτες καρπώσεις (αποψιλωτικές υλοτομίες και καθαρισμοί). Για να κατανοηθούν καλύτερα οι αλλαγές που έλαβαν χώρα, στις συγκεκριμένες εκτάσεις αναγνωρίστηκαν, με τη χρήση χάρτη βλάστησης της περιοχής, οι καλύψεις γης που προϋπήρχαν της φωτιάς. Τα αποτελέσματα αποκαλύψαν ότι η μετάβαση από την κλάση High Severity στην κλάση Bare/Settlements έλαβε χώρα σε εκτάσεις οι οποίες πριν το καταστροφικό συμβάν καλυπτόταν από σκληρόφυλλη βλάστηση. Επιπρόσθετα, η μετάβαση από την High Severity στην Tree Clearing κλάση πραγματοποιήθηκε σε περιοχές οι οποίες κυριαρχούνταν, πριν τη φωτιά, ώριμα πευκοδάση. Οι δύο συγκεκριμένοι τύποι αλλαγών μπορούν να εξηγηθούν με βάση το γεγονός ότι οι περιοχές οι ο οποίες επηρεάζονται πολύ έντονα από τη φωτιά τείνουν να υποβαθμίζονται με το την πάροδο του χρόνου. Η έλλειψη πληροφορίας αναφορικά με τα είδη των πεύκων που φυόταν στις συγκεκριμένες περιοχές αποτελεί εμπόδιο για την περαιτέρω διερεύνηση των τάσεων που εμφανίζονται σε αυτές τις περιοχές. Μια ακόμη ιδιαίτερα ενδιαφέρουσα παρατήρηση, είναι το γεγονός ότι οι αλλαγές στην κλάση σφοδρότητας καύσης High Severity παρατηρήθηκαν κυρίως σε εκτάσεις οι οποίες, πριν τη φωτιά, καλυπτόταν από εύφλεκτα δασικά είδη (είδη πεύκης και σκληρόφυλλη βλάστηση). Για περισσότερες πληροφορίες σχετικά με την ευφλεκτικότητα των δασικών ειδών ο αναγνώστης παραπέμπεται στη σχετική βιβλιογραφία [59]. Τα αποτελέσματα που συγκεντρώνονται στον Πίνακα 6.6 υποδεικνύουν, ότι οι μεγαλύτερες αλλαγές εμφανίζονται στην κλάση High-Medium. H συγκεκριμένη κλάση εμφανίζεται να έχει την ίδια περίπου τάση για αλλαγή προς όλες τις κλάσεις. Αυτό οφείλεται εν μέρει στη μεταπυρική θνησιμότητα αλλά και στην αναγέννηση των δέντρων. Ενδέχεται ωστόσο το αποτέλεσμα της αλλαγής να είναι απόρροια της επίδρασης πολλών παραγόντων όπως είναι για παράδειγμα το κλίμα, η τοπογραφία κ.τ.λ. [60]. Οι παραπάνω διαπιστώσεις υποστηρίζονται και από τις μετρήσεις πεδίου. Η χωρική ανάλυση των α- ποτελεσμάτων της PCC αποκαλύπτει, ότι οι εκτάσεις που μετατράπηκαν από High- Medium σε High Severity, ήταν εκτάσεις που καλυπτόταν κατά κύριο λόγο από πευκοδάση πριν τη φωτιά. 198

199 Κεφάλαιο 6 Όπως είναι φανερό από τα παραπάνω, με το πέρασμα του χρόνου, οι πευκόφυτες περιοχές που υπέστησαν τις σοβαρότερες επιπτώσεις της φωτιάς, παρουσιάζουν την τάση να υποβαθμίζονται περαιτέρω. Επιπλέον, αξιοσημείωτες είναι οι αλλαγές που λαμβάνουν χώρα μεταξύ των δυο συγκεκριμένων ζευγών κλάσεων: High-Medium Severity και Healthy Vegetation, και High-Medium Severity και Medium-Low Severity. Μια πιο λεπτομερής ανάλυση των αποτελεσμάτων αποκάλυψε, ότι οι αλλαγές που παρατηρήθηκαν στο πρώτο ζεύγος κλάσεων λαμβάνουν χώρα κυρίως σε περιοχές που καλυπτόταν από αμιγή ή μικτά δάση οξυάς. Αντίστοιχα οι αλλαγές στο δεύτερο ζεύγος κλάσεων παρατηρούνται σε περιοχές που καλύπτονταν από αμιγή δάση οξυάς, πεύκης αλλά και από μικτά δάση οξυάς-πεύκης, πριν τη καταστροφή. Οι αλλαγές αυτές οφείλονται κατά κύριο λόγο στην ικανότητα κάποιων δασικών ειδών να επιβιώνουν και να πολλαπλασιάζονται μετά τη φωτιά [61]. Τέλος, τα PCC αποτελέσματα φανερώνουν ότι οι βασικές αλλαγές μεταξύ των κλάσεων σφοδρότητας καύσης Medium-Low Severity και Healthy Vegetation εντοπίζονται σε περιοχές που καλυπτόταν με αμιγείς και μικτές συστάδες οξυάς πριν τη φωτιά. Η διαπίστωση αυτή είναι σύμφωνη με τα αποτελέσματα διαφόρων ερευνητικών εργασιών οι οποίες έχουν δείξει ότι τα αμιγή και μικτά δάση οξυάς παρουσιάζουν μεγάλη ανθεκτικότητα στη φωτιά καθώς και υψηλούς ρυθμούς αναγέννησης [62-64]. Γενικά, η απόκτηση πληροφορίας σχετικά με τον τρόπο που αντιδρούν τα διάφορα δασικά είδη στη σφοδρότητα της καύσης, έχει ιδιαίτερη σημασία για τη διαχείριση της περιοχής από τη Δασική Υπηρεσία. Συνοψίζοντας, το οικοσύστημα τείνει να υποβαθμίζεται στις περιοχές όπου η σφοδρότητα καύσης ήταν υψηλή και ο τύπος εδαφοκάλυψης πριν τη φωτιά δάσος πεύκης. Αντιθέτως, το οικοσύστημα τείνει να ανακάμπτει στις περιοχές όπου η σφοδρότητα καύσης είναι μέση-υψηλή και ο τύπος της εδαφοκάλυψης αμιγή και μικτά δάση οξυάς Αποτελέσματα της μεθόδου PCC για την περίοδο Την περίοδο , οι σημαντικότερες αλλαγές (Πίνακας 6.7) παρατηρήθηκαν μεταξύ των παρακάτω συνδυασμών κλάσεων: High Severity και Tree Clearings (68.84%), High-Medium Severity και Healthy Vegetation (34.57%), 199

200 Κεφάλαιο 6 Medium-Low Severity και Healthy Vegetation (40.74%), και Tree Clearings και Bare/Settlements (79.38%), με την κλάση Medium-Low Severity να εμφανίζει τη μεγαλύτερη τάση για αλλαγή. Ο Πίνακας 6.7 φανερώνει ότι με την πάροδο των ετών οι εκτάσεις των κλάσεων σφοδρότητας καύσης High Severity, High-Medium Severity και Medium-Low Severity τείνουν να μειώνονται. Αντίρροπη τάση αύξησης παρουσιάζει η κλάση Tree Clearings. Τα αποτελέσματα από την εφαρμογή της PCC προσέγγισης αποκαλύπτουν, ότι τρία χρόνια μετά τη φωτιά πραγματοποιήθηκε σημαντική επέκταση των περιοχών που υλοτομήθηκαν αποψιλωτικά, εις βάρος, κυρίως των κλάσεων High-Medium Severity και High Severity. Ειδικότερα, οι μεταβολές παρατηρήθηκαν ανάμεσα στην κλάση High Severity και στην κλάση Tree Clearing έλαβαν χώρα σε περιοχές που κυριαρχούνταν από δάση πεύκης πριν τη φωτιά. Αντίστοιχα, οι μεταβολές ανάμεσα στις δύο κλάσεις High-Medium Severity και Tree Clearings έγιναν κυρίως σε περιοχές που καλυπτόταν από δάση πεύκης και οξυάς. Αξίζει σε αυτό το σημείο να σημειωθεί ότι οι εκτάσεις οξυάς και πεύκης που υλοτομήθηκαν ήταν περίπου οι ίδιες. Όπως και στην προηγούμενη περίοδο που εξετάστηκε, έτσι και σε αυτή, οι πευκόφυτες εκτάσεις που επλήγησαν με τη μεγαλύτερη σφοδρότητα τείνουν να υποβαθμίζονται με το πέρασμα του χρόνου. Τέλος οι μεταβολές μεταξύ των κλάσεων Tree Clearing και Bare/Settlements παρατηρούνται κυρίως σε περιοχές που η βλάστηση που υπήρχε πριν τη φωτιά ήταν δάση πεύκης και σκληρόφυλλη βλάστηση. Ωστόσο πρέπει να διευκρινιστεί ότι η μεταβολή αυτή δεν είναι πραγματική στις περισσότερες περιπτώσεις. Ειδικότερα λόγω της μεγάλης φασματικής ομοιότητας που εμφανίζουν οι δύο κλάσεις κάποιες περιοχές ταξινομήθηκαν εσφαλμένα σε μια από τις δύο κατηγορίες, τη μια από τις δύο χρονικές στιγμές, με αποτέλεσμα οι περιοχές αυτές να εμφανίζονται ως περιοχές με αλλαγή. Παρόλα αυτά σε κάποιες περιπτώσεις οι μεταβολές ανάμεσα στις κλάσεις που α- ναφέρθηκαν παραπάνω προκλήθηκαν λόγω της διάβρωσης των εδαφών. Στη συγκεκριμένη περίπτωση είναι πιθανό οι αποψιλωτικές υλοτομίες που έλαβαν χώρα στην περιοχή το έτος 2011 να συνέβαλλαν σημαντικά στην υποβάθμιση του εδάφους της πληγείσας περιοχής. Διάφορες μελέτες στη διεθνή βιβλιογραφία αναφέρουν ότι υπό συγκεκριμένες συνθήκες είναι πιθανό οι αποψιλωτικές υλοτομίες να προκαλούν προβλήματα στην ανάκαμψη του οικοσυστήματος [61, 65]. Αυτό συμβαίνει διότι το έδαφος μετά τη φωτιά είναι απροστάτευτο λόγω απουσίας βλάστησης και συνεπώς ευάλωτο στις μηχανικές εργασίες που ενδέχεται να πραγματοποιηθούν για διαχειριστικούς λόγους εντός της περι- 200

201 Κεφάλαιο 6 μέτρου της φωτιάς. Σύμφωνα με τους [61]είναι πιθανό αποψιλωτικές υλοτομίες σε συνδυασμό με την τοπογραφία, την απουσία βλάστησης και την ευπάθεια των εδαφών να προκαλέσουν μεγαλύτερη ζημιά από ότι η φωτιά από μόνη της. Επιπλέον είναι πολύ ενδιαφέρον το γεγονός ότι η κλάση Medium-Low άλλαξε σε ορισμένες τοποθεσίες και μετατράπηκε σε Tree clearing και High severity. Στις συγκεκριμένες περιοχές η βλάστηση που υπήρχε μετά τη φωτιά ήταν κυρίως δάση πεύκης. Παρά το γεγονός, ότι το ποσοστό αλλαγής ανάμεσα στους συνδυασμούς κλάσεων που αναφέρθηκαν παραπάνω είναι μικρό, είναι αρκετά σημαντικό να αναφερθούν οι συγκεκριμένες αλλαγές. Ο λόγος για αυτό είναι οι παραπάνω διαπιστώσεις μας βοηθούν να καταλάβουμε ότι οι εκτάσεις στις οποίες πριν τη φωτιά καλυπτόταν από δάση πεύκης τείνουν να υποβαθμίζονται με το πέρασμα το χρόνου ακόμη και αν αυτές επηρεάστηκαν από μέση-χαμηλή σφοδρότητα καύσης. Σε αυτό το σημείο πρέπει να τονιστεί ότι οι προηγούμενες διαπιστώσεις υποστηρίζονται και από παρατηρήσεις στο πεδίο. Η ανάλυση των αποτελεσμάτων αποκαλύπτει ότι τρία χρόνια μετά τη φωτιά ο ρυθμός ανάκαμψης του οικοσυστήματος αυξάνει στις περιοχές που επηρεάστηκαν από μέσηχαμηλή σφοδρότητα καύσης. Οι περιοχές που επιδεικνύουν αυτή την τάση είναι κατά βάση περιοχές όπου η βλάστηση που υπήρχε πριν τη φωτιά ήταν μικτά δάση οξυάςπεύκης. Σε αντίθεση με τις προηγούμενες διαπιστώσεις οι περιοχές οι οποίες επηρεάστηκαν περισσότερο από τη φωτιά (μεγαλύτερη σφοδρότητα καύσης) ειδικά περιοχές με πεύκη και σκληρόφυλλη βλάστηση τείνουν να υποβαθμίζονται γρηγορότερα από ότι περιοχές με διαφορετική σφοδρότητα πυρκαγιάς. Όλες οι παραπάνω διαπιστώσεις μας βοηθούνε να κατανοήσουμε τον τρόπο με τον οποίο η σφοδρότητα καύσης μπορεί να διαφοροποιείται ανά δασικό τύπο με το πέρασμα του χρόνου. Παρόλα αυτά, απαιτείται επιπλέον έρευνα, προκειμένου να αναγνωριστούν οι παράγοντες που καθορίζουν τις αλλαγές της σφοδρότητας καύσης ανά δασικό είδος. Πρέπει να σημειωθεί ότι το συγκεκριμένο ερευνητικό ερώτημα δεν αποτελεί αντικείμενο έρευνας της παρούσας διατριβής. Ωστόσο μπορεί να αποτελέσει αντικείμενο μελλοντικής έρευνας. 201

202 Κεφάλαιο 6 Πίνακας 6.7. Αλλαγές στη σφοδρότητας καύσης την περίοδο Οι αλλαγές εκφράζονται ως ποσοστό των τιμών της αρχικής κατάστασης και προέκυψαν από την εφαρμογή της μεθόδου PCC Κλάση (%) High Medium -Low Tree Clearing Vegetation Bare/Other High-Medium Έτος 2014 High High-Medium Medium-Low Tree Clearings Vegetation Bare/Other Εικόνα 6.8. Ιστόγραμμα τάσης της σφοδρότητας καύσης για την περίοδο Αποτελέσματα της ανάλυσης τοπίου Αποτελέσματα των δεικτών σε επίπεδο τοπίου Στη συγκεκριμένη εργασία, ως τοπίο για την ανάλυση θεωρήθηκε η περιοχή του Νομού Έβρου που επλήγει από τη φωτιά. Συνολικά δημιουργήθηκαν και αναλύθηκαν τρία τοπία, ένα για κάθε χρονιά που επισκεφτήκαμε στο πεδίο (2011, 2012 και 2014). Στο σημείο αυτό πρέπει να σημειωθεί ότι και στις τρεις περιπτώσεις αφαιρέθηκαν οι περιοχές 202

203 Κεφάλαιο 6 οι οποίες ήταν χαρακτηρισμένες ως αγροτικές. Ο κύριος λόγος που οδήγησε στην αποκλεισμό αυτών των περιοχών, είναι ότι ο συγκεκριμένος τύπος κάλυψης γης παρέμεινε σταθερός στο συγκεκριμένο χρονικό διάστημα. Στη περίπτωση που εξετάζουμε, η ανάλυση της χωρική διάταξης της δομής των τριών πολύπλοκων μωσαϊκών σφοδρότητας καύσης του πεδίου αναλύθηκε σε επίπεδο κλάσης (class level) και σε επίπεδο ολόκληρου του μωσαϊκού τοπίου (landscape level). Συνολικά υπολογίστηκαν και για τα δύο επίπεδα δεκαέξι δείκτες.τα αποτελέσματα που προέκυψαν από την ανάλυση σε επίπεδο τοπίου συγκεντρώνονται στον Πίνακα 6.8. Στην Εικόνα 6.9 παρουσιάζονται επιλεγμένοι δείκτες τοπίου οι οποίοι υπολογίστηκαν σε επίπεδο κλάσης. Πίνακας 6.8. Οι δείκτες σύνθεσης των τοπίων σφοδρότητας καύσης για τα έτη 2011, 2012 και (Οι συντμήσεις των δεικτών παρουσιάζονται στον Πίνακα 6). Χάρτες Σφοδρότητας καύσης SHDI SHEI NP Evros Time1 1,442 0, Evros Time2 1,565 0, Evros Time3 1,344 0, Σύμφωνα με τα αποτελέσματα που παρουσιάζει ο Πίνακας 6.8 οι τιμές των δεικτών SHDI και SHEI, που υπολογίστηκαν σε επίπεδο τοπίου, είναι αρκετά παρόμοιες. Πιο συγκεκριμένα οι τιμές του δείκτη SHDI είναι χαμηλές και κυμαίνονται από 1,442 έως 1,344, γεγονός που φανερώνει ότι η ετερογένεια της δομής των τοπίων είναι μέτρια. Επιπλέον οι τιμές του δείκτη SHEI είναι πολύ υψηλές (και τα τρία έτη) και κυμαίνονται από 0,750 έως 0,896. Οι υψηλές τιμές του δείκτη SHEI υποδηλώνουν ότι, σε όλες τις περιπτώσεις χαρτών σφοδρότητας καύσης που εξετάστηκαν, η χωρική κατανομή των κλάσεων ήταν αρκετά ομοιόμορφη. Μια πιο προσεκτική εξέταση των αποτελεσμάτων του Πίνακα 6.8 αποκαλύπτει ότι οι υψηλότερη SHDI τιμή παρατηρείται στο έτος 2012 (1.565) ενώ η χαμηλότερη τιμή στο 2014 (1.344). Τα αποτελέσματα που συνοψίζονται στον πίνακα φανερώνουν ότι δείκτης SHDI αυξήθηκε κατά την περίοδο και στη συνέχεια μειώθηκε για την αντίστοιχη περίοδο Αρχικά η αύξηση της τιμής του δείκτη υποδηλώνει ότι η ο 203

204 Κεφάλαιο 6 βαθμός ποικιλότητας του τοπίου αυξήθηκε. Οι λόγοι που συμβαίνει αυτό είναι δύο. Ο πρώτος είναι η διεξαγωγή των αποψιλωτικών υλοτομιών που είχε ως αποτέλεσμα την εισαγωγή μιας νέας κλάσης στο πεδίο και ο δεύτερος το γεγονός ότι οι περιοχές στις οποίες η σφοδρότητα καύσης ήτανε μέτρια-χαμηλή παρουσίασαν ισχυρή τάση ανάκαμψης. Ακολούθως η μείωση του δείκτη SHDI κατά τη διάρκεια της δεύτερης περιόδου ( ) μπορεί να αποδοθεί στη ραγδαία επέκταση των υλοτομημένων περιοχών γεγονός που συνεπάγεται ένα τοπίο αρκετά ομοιογενές, μιας και το τοπίο πλέον κυριαρχείται από μια κλάση. Στη συνέχεια τα αποτελέσματα για τον δείκτη SHEI δείχνουν υψηλές και παρόμοιες τιμές για τις δύο πρώτες χρονιές (SHEI2011=0.896 και SHEI2012=0.750), και μέτρια-υψηλή τιμή για την τελευταία χρονιά (SHEI2014=0.750). Το γεγονός αυτό υποδηλώνει ότι με την πάροδο του χρόνου οι κλάσεις κατανέμονται λιγότερο ισότιμα στο χώρο. Συνεπώς το τοπίο τείνει με την πάροδο του χρόνου να γίνεται πιο ομοιογενές. Τέλος η εξέταση του αριθμού των χωροψηφίδων (NP) αποκαλύπτει ότι ο συγκεκριμένος δείκτης παρουσιάζει την ίδια τάση με το δείκτη SHDI. Ένα χρόνο μετά τη φωτιά ο αριθμός των χωροψηφίδων (NP) αυξήθηκε σημαντικά, ενώ τρία χρόνια μετά το καταστροφικό συμβάν ο αριθμός τους μειώθηκε σημαντικά. Η μείωση του αριθμού των χωροψηφίδων υποδεικνύει ότι με το πέρασμα των ετών το μέγεθος των χωροψηφίδων έγινε μεγαλύτερο. Συμπερασματικά, τα παραπάνω αποτελέσματα δείχνουν ότι η μεγαλύτερη ετερογένεια στη δομή του τοπίου εμφανίζεται το 2012 ένα χρόνο μετά τη φωτιά και η μικρότερη το 2014 δυο χρόνια μετά Αποτελέσματα των δεικτών σε επίπεδο κλάσης Στην Εικόνα 6.9 τα ιστογράμματα που απεικονίζονται παρουσιάζουν την εξέλιξη του τοπίου στην περιοχή. Θα πρέπει να σημειωθεί ότι παρουσιάζονται επιλεγμένα αποτελέσματα. Επίσης, θα πρέπει να επισημανθεί ότι μεταξύ των αποτελεσμάτων της μεθόδου PCC και των δεικτών τοπίου υπάρχει κάποια αλληλοεπικάλυψη. Προκειμένου να αποφύγουμε την επανάληψη των αποτελεσμάτων, εστιαστήκαμε σε αυτή την ενότητα, στο επίπεδο κλάσης του τοπίου για να μπορέσουμε να κατανοήσουμε πως η δομή και οι λει- 204

205 Κεφάλαιο 6 τουργίες του τοπίου μεταβάλλονται με το χρόνο. Αρχικά θα παρουσιαστούν τα αποτελέσματα που εξήχθησαν από την ανάλυση τοπίου που πραγματοποιήθηκε ανά κάθε θεματικό χάρτη σφοδρότητας καύσης. Στην Εικόνα 6.9 παρουσιάζονται τα ιστογράμματα που συνοψίζουν τα αποτελέσματα της ανάλυσης. Στην περίπτωση του χάρτη EvrosTime1 οι δείκτες τοπίου που υπολογίστηκαν φανερώνουν, ότι οι κλάσεις High-Severity (36.9%) και High-Medium Severity (25.01%) καλύπτουν τη μεγαλύτερη έκταση της περιοχής μελέτης. Αναλύοντας τα αποτελέσματα παρατηρήσαμε ότι η κλάση High-Medium Severity (NP=7145) περιέχει το μεγαλύτερο αριθμό χωροψηφίδων (NP), ενώ την ακολουθεί η κλάση High- Severity (NP=4676). Επίσης, παρατηρήσαμε οτι η κλάση High-Medium Severity χαρακτηρίζεται από την υψηλότερη πυκνότητα χωροψηφίδων (PD) και το δεύτερο χαμηλότερο μέσο μέγεθος χωροψηφίδων(area_mn) (0.21 ha). Συνεχίζοντας, η κλάση High Severity έχει το μεγαλύτερο AREA_MN (0.48 ha), το οποίο είναι πάνω από δύο φορές υψηλότερο από το αντίστοιχο της κλάσης High-Medium Severity, αλλά συνολικά το δεύτερο υψηλότερο PD. Επιπρόσθετα, η κλάση Medium-low έχει το χαμηλότερο AREA_MN (0.14 ha, τη χαμηλότερη συνολική έκταση και παρόλα αυτά πολύ υψηλό PD. Για να αποκτήσουμε γνώση σε βάθος σχετικά με τη σύνθεση των κλάσεων υπολογίστηκαν δύο ακόμη δείκτες τοπίου AREA_SD και ο AREA_CV. Οι νέοι δείκτες έδειξαν ότι οι υψηλότερες τιμές AREA_SD και AREA_CV παρατηρήθηκαν στην κλάση High-Severity, γεγονός που υποδηλώνει ότι το μέγεθος των χωροψηφίδων εντός της κλάσης, ποικίλλει σημαντικά. Συμπερασματικά, τα αποτελέσματα δείχνουν ότι η κλάση High- Severity είναι η πιο ετερογενής στο τοπίο, ενώ η Medium-Low η πιο κατακερματισμένη. Είναι πολύ σημαντικό να σημειωθεί ότι οι χωροψηφίδες με τις πιο πολύπλοκες περιμέτρους και τις υψηλότερες αντιθέσεις στα όρια παρατηρήθηκαν στην κλάση Medium-Low. Η εξέταση του Πίνακα γειτνίασης (adjacency matrix) (δεν παρουσιάζεται στο κείμενο αποκαλύπτει ότι ο μεγαλύτερος αριθμός γειτνιάσεων παρατηρείται ανάμεσα σε τρία ζεύγη κλάσεων: α) High-Severity και High-Medium Severity,β) High- Medium Severity και Healthy Vegetation, γ) Healthy Vegetation και Mediumlow. Οι κλάσεις που αναφέρθηκαν παραπάνω παρουσιάζουν υψηλό βαθμό συμπαγούς Ο Πίνακας γειτνίασης (adjacency matrix) δείχνει τη συχνότητα με την οποία διαφορετικά ζεύγη χωροψηφίδων διαφορετικής κάλυψης γης εμφανίζονται δίπλα-δίπλα στον χάρτη σφοδρότητας καύσης. 205

206 Κεφάλαιο 6 κατανομής (Clumpiness). Επίσης η ανάλυση έδειξε ότι καθώς προχωρούμε από τον πυρήνα της περιοχής προς τα όρια της περιμέτρου της φωτιάς με τη ζωντανή βλάστηση, το επίπεδο της σφοδρότητας καύσης μειώνεται σταδιακά. Η συγκεκριμένη διαπίστωση ενισχύεται και από την οπτική εξέταση του EvrosTime1 χάρτη σφοδρότητας καύσης. Αντίστοιχα ο υπολογισμός των δεικτών τοπίου για το θεματικό χάρτη EvrosTime2 έ- δειξε ότι περιοχή καταλαμβάνεται κυρίως από δυο κλάσεις από τη Healthy Vegetation (28.93%) και Tree clearings (28.53%). Δυο χρόνια μετά τη φωτιά η κλάση High- Severity (23.7%) ακόμη καλύπτει ένα πολύ μεγάλο ποσοστό της πληγείσας περιοχής, παρά το γεγονός ότι η έκταση της έχει μειωθεί. Επιπρόσθετα, η κλάση Tree clearings χαρακτηρίζεται από τον μικρότερο NP (1976), την υψηλότερη AREA_MN (0.88 ha) και τη χαμηλότερη διακύμανση στο μέγεθος των χωροψηφίδων (AREA_CV). Οι συγκεκριμένες διαπιστώσεις υποδεικνύουν ότι η κλάση High-Severity είναι πολύ ο- μοιογενής. Επιπλέον τα αποτελέσματα έδειξαν ότι η κλάση Medium-Low έχει υψηλό PD, πολύ χαμηλή αντίθεση ορίων (edge density-ed) και το υψηλότερο NP. Σύμφωνα με τα παραπάνω η κλάση Medium-Low δείχνει πολύ υψηλά επίπεδα συνάθροισης (aggregation). Το έτος 2012 η κλάση High χαρακτηρίζεται από πολύ χαμηλή PD, πολύ υψηλή AREA_SD και AREA_CV, χαμηλή AREA_MN, υψηλή ED και χαμηλή ENN. Τα παραπάνω αποτελέσματα καταδεικνύουν ότι η κλάση High δείχνει χαμηλά επίπεδα ομοιομορφίας και συνάθροισης. Στη συνέχεια η εξέταση του Πίνακα γειτνίασης, του θεματικού χάρτη EvrosTime2,έδειξε ότι υπάρχει ένας μεγάλος αριθμός από εγγύτητες ανάμεσα στα παρακάτω ζεύγη κλάσεων: Tree clearings και Bare, Healthy Vegetation και Medium-low, Tree clearing και High-Severity. Το γεγονός αυτό υποδηλώνει ότι οι περιοχές που επηρεάστηκαν περισσότερο από τις επιπτώσεις της φωτιάς και οι περιοχές υπό καθεστώς διαχείρισης, συγκεντρώνονται σε συγκεκριμένες περιοχές, που βρίσκονται κατά βάση μακριά από τις εκτάσεις με ζωντανή βλάστηση. Στην τελευταία περίπτωση που εξετάστηκε (EvrosTime3), τα αποτελέσματα της ανάλυσης τοπίου έδειξαν ότι η κλάση Tree Clearings είναι μακράν, η μεγαλύτερη σε έ- κταση (46.67%) κλάση στο τοπίο, ενώ ακολουθούν οι κλάσεις Healthy Vegetation (23.65%) και Medium-Low Severity (17.6%). Συγκεκριμένα τα αποτελέσματα της α- νάλυσης τοπίου έδειξαν ότι, η κλάση Tree Clearing παρουσιάζει μεγάλη ομοιογένεια, 206

207 Κεφάλαιο 6 με μεγάλου μεγέθους χωροψηφίδες, υψηλή πυκνότητα ορίων (ED), χαμηλή AREA_SD, χαμηλή AREA_CV, και χαμηλή ENN. Αντιθέτως η κλάση High-Severity καταλαμβάνει τη μικρότερη έκταση (1.7%) στο τοπίο, χαρακτηρίζεται από χαμηλή ED, υψηλή ENN και από τις χαμηλότερες τιμές AREA_MN και PD. Αναφορικά με την προαναφερθείσα κλάση τα αποτελέσματα έδειξαν επίσης, ότι συνδεσιμότητα μεταξύ των χωροψηφίδων αυτής της κλάσης είναι πολύ καλή. Σύμφωνα με τα παραπάνω το έτος 2014 η κλάση High-Severity εμφανίζεται πολύ συμπαγής και αρκετά συσσωρευμένη χωρικά (spatial aggregation). Ο μεγαλύτερος αριθμός των χωροψηφίδων αυτής της κλάσης ε- ντοπίστηκε στο βόρειο-ανατολικό κομμάτι της καμένης έκτασης (Εικόνα 6.4c). Επιπρόσθετα, στη περίπτωση της κλάσης Medium-Low Severity οι δείκτες που υπολογίστηκαν καταδεικνύουν ότι η κλάση χαρακτηρίζεται από υψηλή NP, πολύ υψηλή PD, υψηλή AREA_CV, χαμηλή AREA_MN και ENN. Συνοψίζοντας, οι παραπάνω διαπιστώσεις υποδηλώνουν ότι η κλάση High-Severity είναι πολύ κατακερματισμένη. Στην περίπτωση της τελευταίας κλάσης που εξετάστηκε την κλάση High-Medium Severity όλοι οι δείκτες που υπολογίστηκαν είχαν ιδιαίτερα χαμηλές τιμές εκτός από τον δείκτη συνδεσιμότητας (connectivity index). Σύμφωνα με τα αποτελέσματα η κλάση παρουσιάζει υψηλά επίπεδα συνάθροισης ή συσσώρευσης (aggregation). Τέλος, ο πίνακας γειτνιάσεων (adjacency matrix) έδειξε ότι οι μεγαλύτεροι αριθμοί γειτνιάσεων παρατηρούνται ανάμεσα σε τρία ζεύγη κλάσεων: Tree clearings και Healthy Vegetation, Tree clearings και High-Severity, και Healthy Vegetation και Medium-low. Τα παραπάνω αποτελέσματα υποδηλώνουν ότι μετά την επέκταση της κλάσης Tree clearings οι συγκεκριμένες περιοχές που βρίσκονται υπό καθεστώς διαχείρισης είναι καλύτερα συνδεδεμένες με την κλάση Healthy Vegetation, η οποία συνιστά την κυριότερη πηγή σπόρων για την αναγέννηση και επανάκαμψη του οικοσυστήματος. Έπειτα, για να διευκολυνθεί η σύγκριση των τοπίων τα αποτελέσματα από την ανάλυση πεδίου συνοψίζονται και παρουσιάζονται με τη μορφή ιστογραμμάτων στην Εικόνα 6.9. Η οπτική εξέταση των ιστογραμμάτων φανερώνει ότι με το πέρασμα του χρόνου ο αριθμός των χωροψηφίδων μειώνεται, ενώ αντίστοιχα το μέσο μέγεθος τους αυξάνεται (Εικόνα 6.9b και 6.9c). Το γεγονός αυτό μπορεί να αποδοθεί στις διαδικασίες μετάβασης και αναδιάταξης που λαμβάνουν χώρα ανάμεσα στις κλάσεις (βλ. υποενότητα 6.6.2). Στο σημείο αυτό πρέπει να τονιστεί ότι το μέγεθος των χωροψηφίδων δεν 207

208 Κεφάλαιο 6 αυξάνεται με τον ίδιο τρόπο σε όλες τις κλάσεις, παρόλο που πολλές από αυτές παρουσιάζουν την ίδια τάση. Ειδικότερα, στην περίπτωση των κλάσεων Medium-Low Severity και High-Medium Severity το μέγεθος των χωροψηφίδων διπλασιάζεται αναφορικά πάντα με το αρχικό τους μέγεθος (Εικόνα 6.9c). Παρά την παρατηρούμενη αύξηση στο μέγεθος των χωροψηφίδων, η συνολική έκταση που καταλαμβάνουν οι προαναφερθείσες κλάσεις στο τοπίο παρουσιάζει αισθητή μείωση, κατά την περίοδο (Εικόνα 6.9a). Παρόλα αυτά η διαπίστωση οτι, οι παραπάνω κλάσεις διατηρήθηκαν αλλά και ταυτόχρονα διευρύνθηκαν κατά θέσεις, είναι πολύ σημαντική γιατί φανερώνει την ύπαρξη δυο τάσεων στο τοπίο. Από τη μία οι περιοχές οι οποίες επηρεάστηκαν από μέτρια σφοδρότητα καύσης φαίνεται να ανακάμπτουν με το πέρασμα του χρόνου ενώ από την άλλη περιοχές εντός της ίδιας κλάσης μεταβαίνουν προς κλάση υψηλότερης σφοδρότητας καύσης, κυρίως λόγω της θανάτωσης πολλών δέντρων εντός της περιμέτρου της. Μελετώντας το ιστόγραμμα στην Εικόνα 6.9c, παρατηρούμε ότι με το πέρασμα του χρόνου οι χωροψηφίδες των κλάσεων Medium-Low Severity, High-Medium Severity, Healthy Vegetation και Tree clearings τείνουν να αποκτούν πολύ ακανόνιστο σχήμα (υψηλές τιμές του Shape Index). Σύμφωνα με τους [66] το σχήμα της χωροψηφίδας είναι ο βασικός παράγοντας που καθορίζει την αλληλεπίδραση μιας χωροψηφίδας με το γειτονικό της περιβάλλον. Συγκεκριμένα οι αλλαγές στο σχήμα της χωροψηφίδας ασκούν σημαντική επίδραση στην άγρια ζωή, στο μικροκλίμα και στη βλάστηση. Στη προκειμένη περίπτωση, η αύξηση της πολυπλοκότητας του σχήματος της χωροψηφίδας, αναμένεται να επιφέρει θετικές επιπτώσεις στην ανάκαμψη του τοπίου. Η εξέλιξη αυτή αναμένεται λόγω του ότι, αύξηση της πολυπλοκότητα του σχήματος, συνιστά μεγαλύτερο βαθμό αλληλοεπίδρασης μεταξύ των πληγεισών περιοχών και των περιοχών που μπορούν να λειτουργήσουν ως τράπεζες σπόρων. Τέλος, μια πολύ ενδιαφέρουσα διαπίστωση είναι ότι η τιμή του δείκτη ENN,που υπολογίστηκε μεταξύ των χωροψηφίδων της ίδιας κλάσης, όσο περνάει ο χρόνος αυξάνει(~ 46m και ~ 43m, για την High- Medium Severity και High-Severity ). Όπως διαφαίνεται από τα παραπάνω οι χωροψηφίδες οι οποίες επηρεάστηκαν από τις σοβαρότερες επιπτώσεις φαίνεται ότι όσο περνάει ο χρόνος απομακρύνονται μεταξύ τους. Αυτό συνεπάγεται πολύ μεγάλη αλληλεπίδραση με όλες τις υπόλοιπες κλάσεις. Γενικά, θεωρείται απαραίτητη η διασπορά στο χώρο των κλάσεων που επηρεάστηκαν σημαντικά από τη φωτιά διότι έτσι διευκολύνεται ο επαναποικισμός της περιοχής από βλάστηση [11]. 208

209 Κεφάλαιο 6 Συνοψίζοντας, τα αποτελέσματα της πολυχρονικής ανάλυσης έδειξαν ότι όλες οι κλάσεις σφοδρότητας καύσης εμφανίζουν με το πέρασμα του χρόνου μεγαλύτερη σταθερότητα στη δομή και λειτουργίες τους. Το αποτέλεσμα αυτό συνάγεται από το γεγονός ότι όσο απομακρυνόμαστε από τη χρονική στιγμή που έλαβε χώρα το καταστροφικό συμβάν αυξάνει το μέσο μέγεθος χωροψηφίδας (Εικόνα 6.9c), η απόσταση μεταξύ των χωροψηφίδων παρόμοιας ή ίδιας κλάσης, η πολυπλοκότητα στο σχήμα τους αλλά και η συνδεσιμότητα τους (Εικόνα 6.9c 209

210 Κεφάλαιο 6 Εικόνα 6.9. Τα ιστογράμματα των δεικτών τοπίου που υπολογίστηκαν για τα τρία μωσαϊκά σφοδρότητας καύσης σε επίπεδο κλάσης ( ). (Οι συντομογραφίες και ορισμοί των δεικτών τοπίου παρουσιάζονται στον Πίνακα 6.2) 210

Ιωάννης Γήτας 1,2 Μαρία Τομπουλίδου 1 Δημήτρης Σταυρακούδης 1

Ιωάννης Γήτας 1,2 Μαρία Τομπουλίδου 1 Δημήτρης Σταυρακούδης 1 Ιωάννης Γήτας 1,2 Μαρία Τομπουλίδου 1 Δημήτρης Σταυρακούδης 1 1 Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης 2 Διαβαλκανικό Κέντρο Περιβάλλοντος Ομάδες εργασιών Φορείς Υλοποίησης Ιωάννης Γήτας Αλέξανδρος Δημητρακόπουλος

Διαβάστε περισσότερα

ΤΗΛΕΠΙΣΚΟΠΗΣΗ (RS) ΚΑΙ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ (G.I.S.) ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΤΩΝ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ

ΤΗΛΕΠΙΣΚΟΠΗΣΗ (RS) ΚΑΙ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ (G.I.S.) ΣΤΗ ΔΙΑΧΕΙΡΙΣΗ ΤΩΝ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΡΓΑΣΤΗΡΙΟ ΔΑΣΙΚΗΣ ΔΙΑΧΕΙΡΙΣΤΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗ (RS) ΚΑΙ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ (G.I.S.) ΣΤΗ

Διαβάστε περισσότερα

ΕΦΑΡΜΟΓΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΠΡΟΛΗΨΗ, ΑΝΤΙΜΕΤΩΠΙΣΗ ΚΑΙ ΕΠΙΤΗΡΗΣΗ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ

ΕΦΑΡΜΟΓΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΠΡΟΛΗΨΗ, ΑΝΤΙΜΕΤΩΠΙΣΗ ΚΑΙ ΕΠΙΤΗΡΗΣΗ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΦΑΡΜΟΓΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΠΡΟΛΗΨΗ, ΑΝΤΙΜΕΤΩΠΙΣΗ ΚΑΙ ΕΠΙΤΗΡΗΣΗ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ

Διαβάστε περισσότερα

Ερευνητικές Δραστηριότητες του Εργαστηρίου Δασικής Διαχειριστικής και Τηλεπισκόπησης

Ερευνητικές Δραστηριότητες του Εργαστηρίου Δασικής Διαχειριστικής και Τηλεπισκόπησης Ερευνητικές Δραστηριότητες του Εργαστηρίου Δασικής Διαχειριστικής και Τηλεπισκόπησης Σχολή Δασολογίας και Φυσικού Περιβάλλοντος ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ Ιωάννης Ζ. Γήτας Τηλ: +30 2310 992699,

Διαβάστε περισσότερα

ΠΙΛΟΤΙΚΗ ΕΦΑΡΜΟΓΗ ΑΥΤΟΝΟΜΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΟΗΓΗΣΗΣ ΓΙΑ ΤΗΝ ΠΑΡΑΓΩΓΗ ΥΨΗΛΗΣ ΑΝΑΛΥΣΗΣ ΟΡΘΟΦΩΤΟΓΡΑΦΙΩΝ ΓΕΩΡΓΙΚΩΝ ΕΚΤΑΣΕΩΝ

ΠΙΛΟΤΙΚΗ ΕΦΑΡΜΟΓΗ ΑΥΤΟΝΟΜΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΟΗΓΗΣΗΣ ΓΙΑ ΤΗΝ ΠΑΡΑΓΩΓΗ ΥΨΗΛΗΣ ΑΝΑΛΥΣΗΣ ΟΡΘΟΦΩΤΟΓΡΑΦΙΩΝ ΓΕΩΡΓΙΚΩΝ ΕΚΤΑΣΕΩΝ Σχολή Μηχανικής & Τεχνολογίας Τμήμα Πολιτικών & Μηχανικών Γεωπληροφορικής Μεταπτυχιακή διατριβή ΠΙΛΟΤΙΚΗ ΕΦΑΡΜΟΓΗ ΑΥΤΟΝΟΜΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΟΗΓΗΣΗΣ ΓΙΑ ΤΗΝ ΠΑΡΑΓΩΓΗ ΥΨΗΛΗΣ ΑΝΑΛΥΣΗΣ ΟΡΘΟΦΩΤΟΓΡΑΦΙΩΝ ΓΕΩΡΓΙΚΩΝ

Διαβάστε περισσότερα

ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΕΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗ ΜΕΛΕΤΗ ΘΕΜΑΤΩΝ ΔΑΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ

ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΕΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗ ΜΕΛΕΤΗ ΘΕΜΑΤΩΝ ΔΑΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ AΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗΣ ΠΡΟΣΤΑΣΙΑ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΚΑΙ ΒΙΩΣΙΜΗ ΑΝΑΠΤΥΞΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΕΣ

Διαβάστε περισσότερα

ΕΡΓΑΣΤΗΡΙΟ 8 ο : Χαρτογράφηση καμένων εκτάσεων- Εκτίμηση σφοδρότητας της πυρκαγιάς

ΕΡΓΑΣΤΗΡΙΟ 8 ο : Χαρτογράφηση καμένων εκτάσεων- Εκτίμηση σφοδρότητας της πυρκαγιάς ΕΡΓΑΣΤΗΡΙΟ 8 ο : Χαρτογράφηση καμένων εκτάσεων- Εκτίμηση σφοδρότητας της πυρκαγιάς Οι δασικές πυρκαγιές αποτελούν, ακόμα και σήμερα, μεγάλο πρόβλημα για τα δάση αλλά και το φυσικό περιβάλλον γενικότερα.

Διαβάστε περισσότερα

Διερεύνηση χαρτογράφησης Ποσειδωνίας με χρήση επιβλεπόμενης ταξινόμησης οπτικών δορυφορικών εικόνων

Διερεύνηση χαρτογράφησης Ποσειδωνίας με χρήση επιβλεπόμενης ταξινόμησης οπτικών δορυφορικών εικόνων Σχολή Μηχανικής και Τεχνολογίας Μεταπτυχιακή διατριβή Διερεύνηση χαρτογράφησης Ποσειδωνίας με χρήση επιβλεπόμενης ταξινόμησης οπτικών δορυφορικών εικόνων Αναστασία Υφαντίδου Λεμεσός, Νοέμβριος 2017 ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

Ταξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης

Ταξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης Ταξινόμηση και διαχρονική παρακολούθηση των βοσκόμενων δασικών εκτάσεων στη λεκάνη απορροής του χειμάρρου Μπογδάνα Ν. Θεσσαλονίκης Α. Αϊναλής 1, Ι. Μελιάδης 2, Π. Πλατής 3 και Κ. Τσιουβάρας 4 1 Διεύθυνση

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΕΠΙΣΤΗΜΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή διατριβή

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΕΠΙΣΤΗΜΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή διατριβή ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΕΠΙΣΤΗΜΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή διατριβή Η ΣΥΓΚΕΝΤΡΩΣΗ ΤΩΝ ΒΑΡΕΩΝ ΜΕΤΑΛΛΩΝ ΣΤΟ ΕΔΑΦΟΣ ΚΑΙ ΜΕΘΟΔΟΙ ΠΡΟΣΔΙΟΡΙΣΜΟΥ ΤΟΥΣ Μιχαήλ

Διαβάστε περισσότερα

ΕΡΓΑΣΤΗΡΙΟ 9 ο : Χαρτογράφηση καμένων εκτάσεων- Εκτίμηση σφοδρότητας της πυρκαγιάς

ΕΡΓΑΣΤΗΡΙΟ 9 ο : Χαρτογράφηση καμένων εκτάσεων- Εκτίμηση σφοδρότητας της πυρκαγιάς ΕΡΓΑΣΤΗΡΙΟ 9 ο : Χαρτογράφηση καμένων εκτάσεων- Εκτίμηση σφοδρότητας της πυρκαγιάς Οι δασικές πυρκαγιές αποτελούν, ακόμα και σήμερα, μεγάλο πρόβλημα για τα δάση αλλά και το φυσικό περιβάλλον γενικότερα.

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή εργασία ΜΑΘΗΜΑΤΙΚΟΙ ΑΛΓΟΡΙΘΜΟΙ ΓΙΑ ΑΝΑΛΥΣΗ ΠΙΣΤΟΠΟΙΗΤΙΚΩΝ ΕΝΕΡΓΕΙΑΚΗΣ ΑΠΟΔΟΣΗΣ ΚΤΙΡΙΩΝ Εβελίνα Θεμιστοκλέους

Διαβάστε περισσότερα

2 nd AEGIS Technical Meeting and On-Site Visit in Mytilene, Greece

2 nd AEGIS Technical Meeting and On-Site Visit in Mytilene, Greece 2 nd AEGIS Technical Meeting and On-Site Visit in Mytilene, Greece Monday 4 Saturday 9 May 2015 Project title: Wildfire Prevention and Management Information System Page 1 of 5 Objectives 1. Demonstration

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΣΕΡΡΩΝ ΤΜΗΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ & ΤΟΠΟΓΡΑΦΙΑΣ ΑΓΡΟΤΙΚΕΣ ΣΤΑΤΙΣΤΙΚΕΣ ΜΕ ΕΡΓΑΛΕΙΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ Πτυχιακή Εργασία των Αϊβαλιώτης Κων/νος (ΑΕΜ 902) Τσουρέκας Κων/νος (ΑΕΜ 559)

Διαβάστε περισσότερα

ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ ΓΝΩΣΤΙΚΗ ΑΝΑΠΤΥΞΗ ΜΕΧΡΙ ΚΑΙ 10 ΧΡΟΝΩΝ

ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ ΓΝΩΣΤΙΚΗ ΑΝΑΠΤΥΞΗ ΜΕΧΡΙ ΚΑΙ 10 ΧΡΟΝΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ ΓΝΩΣΤΙΚΗ ΑΝΑΠΤΥΞΗ ΜΕΧΡΙ ΚΑΙ 10 ΧΡΟΝΩΝ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Ονοματεπώνυμο Κεντούλλα Πέτρου Αριθμός Φοιτητικής Ταυτότητας 2008761539 Κύπρος

Διαβάστε περισσότερα

ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΔΕΙΚΤΩΝ ΑΣΤΙΚΗΣ ΒΙΩΣΙΜΟΤΗΤΑΣ ΓΙΑ ΤΗΝ ΕΠΑΡΧΙΑ ΛΕΜΕΣΟΥ

ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΔΕΙΚΤΩΝ ΑΣΤΙΚΗΣ ΒΙΩΣΙΜΟΤΗΤΑΣ ΓΙΑ ΤΗΝ ΕΠΑΡΧΙΑ ΛΕΜΕΣΟΥ Σχολή Γεωτεχνικών Επιστημών και Διαχείρισης Περιβάλλοντος Μεταπτυχιακή διατριβή ΔΗΜΙΟΥΡΓΙΑ ΣΥΣΤΗΜΑΤΟΣ ΔΕΙΚΤΩΝ ΑΣΤΙΚΗΣ ΒΙΩΣΙΜΟΤΗΤΑΣ ΓΙΑ ΤΗΝ ΕΠΑΡΧΙΑ ΛΕΜΕΣΟΥ Παρασκευή Νταϊλιάνη Λεμεσός, Μάιος, 2017 TΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ

ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΓΕΩΠΟΝΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙO ΑΘΗΝΩΝ ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΓΕΣ ΤΗΣ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΟΥΣ ΦΥΣΙΚΟΥΣ ΠΟΡΟΥΣ» «Χωρικά μοντέλα πρόβλεψης αναβλάστησης

Διαβάστε περισσότερα

On-line υπηρεσίες και προϊόντα τηλεπισκόπησης PREFER για την υποστήριξη της διαχείρισης των δασικών πυρκαγιών

On-line υπηρεσίες και προϊόντα τηλεπισκόπησης PREFER για την υποστήριξη της διαχείρισης των δασικών πυρκαγιών On-line υπηρεσίες και προϊόντα τηλεπισκόπησης PREFER για την υποστήριξη της διαχείρισης των δασικών πυρκαγιών Γ. Λεβεντάκης 1, G. Laneve 2, Λ. Γεωργακλής 1 και Δ. Διαγουρτάς 3 1 Kέντρο Μελετών Ασφάλειας

Διαβάστε περισσότερα

Χρήσεις γης / Κάλυψη γης και οι αλλαγές τους στο χρόνο

Χρήσεις γης / Κάλυψη γης και οι αλλαγές τους στο χρόνο Χρήσεις γης / Κάλυψη γης και οι αλλαγές τους στο χρόνο Χρήσεις γης / Κάλυψη γης και οι αλλαγές τους στο χρόνο Η κάλυψη της γης, αφορά τη φυσική κατάσταση του εδάφους, η χρήση γης ορίζεται ως ο τρόπος χρήσης

Διαβάστε περισσότερα

«Αξιολόγηση ατόμων με αφασία για Επαυξητική και Εναλλακτική Επικοινωνία, σύμφωνα με το μοντέλο συμμετοχής»

«Αξιολόγηση ατόμων με αφασία για Επαυξητική και Εναλλακτική Επικοινωνία, σύμφωνα με το μοντέλο συμμετοχής» Σχολή Επιστημών Υγείας Τμήμα Αποκατάστασης ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ «Αξιολόγηση ατόμων με αφασία για Επαυξητική και Εναλλακτική Επικοινωνία, σύμφωνα με το μοντέλο συμμετοχής» Χρυσάνθη Μοδέστου Λεμεσός, Μάιος,

Διαβάστε περισσότερα

Πεξηβάιινλ θαη Αλάπηπμε ΔΘΝΙΚΟ ΜΔΣΟΒΙΟ ΠΟΛΤΣΔΥΝΔΙΟ ΓΙΔΠΙΣΗΜΟΝΙΚΟ - ΓΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΙΑΚΧΝ ΠΟΤΓΧΝ (Γ.Π.Μ..) "ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ"

Πεξηβάιινλ θαη Αλάπηπμε ΔΘΝΙΚΟ ΜΔΣΟΒΙΟ ΠΟΛΤΣΔΥΝΔΙΟ ΓΙΔΠΙΣΗΜΟΝΙΚΟ - ΓΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΙΑΚΧΝ ΠΟΤΓΧΝ (Γ.Π.Μ..) ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ ΔΘΝΙΚΟ ΜΔΣΟΒΙΟ ΠΟΛΤΣΔΥΝΔΙΟ ΓΙΔΠΙΣΗΜΟΝΙΚΟ - ΓΙΑΣΜΗΜΑΣΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΙΑΚΧΝ ΠΟΤΓΧΝ (Γ.Π.Μ..) "ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ" 2 ε ΚΑΣΔΤΘΤΝΗ ΠΟΤΓΧΝ «ΠΔΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΣΤΞΗ ΣΧΝ ΟΡΔΙΝΧΝ ΠΔΡΙΟΥΧΝ» Πεξηβάιινλ

Διαβάστε περισσότερα

ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ

ΜΕΤΑΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΕ ΘΕΜΑ ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ/ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΚΤΗΜΑΤΟΛΟΓΙΟΥ, ΦΩΤΟΓΡΑΜΜΕΤΡΙΑΣ ΚΑΙ ΧΑΡΤΟΓΡΑΦΙΑΣ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΧΕΙΡΙΣΗ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗΣ

Διαβάστε περισσότερα

ΤΗΛΕΠΙΣΚΟΠΗΣΗ (E6205) Βασιλάκης Εμμανουήλ Επίκ. Καθηγητής

ΤΗΛΕΠΙΣΚΟΠΗΣΗ (E6205) Βασιλάκης Εμμανουήλ Επίκ. Καθηγητής ΤΗΛΕΠΙΣΚΟΠΗΣΗ (E6205) Βασιλάκης Εμμανουήλ Επίκ. Καθηγητής Ιδιότητες φασματικών περιοχών υπο-μπλε (0,40-0,45μm coastal blue): επιτρέπει διείσδυση στις υδάτινες μάζες σε αρκετά μεγάλα βάθη και υποστηρίζει

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ Επιβλέπων Καθηγητής: Δρ. Νίκος Μίτλεττον Η ΣΧΕΣΗ ΤΟΥ ΜΗΤΡΙΚΟΥ ΘΗΛΑΣΜΟΥ ΜΕ ΤΗΝ ΕΜΦΑΝΙΣΗ ΣΑΚΧΑΡΩΔΗ ΔΙΑΒΗΤΗ ΤΥΠΟΥ 2 ΣΤΗΝ ΠΑΙΔΙΚΗ ΗΛΙΚΙΑ Ονοματεπώνυμο: Ιωσηφίνα

Διαβάστε περισσότερα

ΠΟΣΟΤΙΚΟΠΟΙΗΣΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ. (μέρος 2 ο )

ΠΟΣΟΤΙΚΟΠΟΙΗΣΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ. (μέρος 2 ο ) ΠΟΣΟΤΙΚΟΠΟΙΗΣΗ ΧΑΡΑΚΤΗΡΙΣΤΙΚΩΝ ΤΟΠΙΟΥ (μέρος 2 ο ) ΔΕΙΚΤΕΣ ΤΟΠΙΟΥ Δρ. Κώστας Ποϊραζίδης, Δασολόγος ΤΜΗΜΑ ΟΙΚΟΛΟΓΙΑΣ & ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ 2009 2010 30 ΝΟΕΜΒΡΙΟΥ 2009 Ποσοτικοποιώντας τα χαρακτηριστικά:

Διαβάστε περισσότερα

ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ Ενότητα 9β: GIS ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ. Δρ. Ν. Χρυσουλάκης Ίδρυμα Τεχνολογίας και Έρευνας

ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ Ενότητα 9β: GIS ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ. Δρ. Ν. Χρυσουλάκης Ίδρυμα Τεχνολογίας και Έρευνας ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ Ενότητα 9β: GIS Δρ. Ν. Χρυσουλάκης Ίδρυμα Τεχνολογίας και Έρευνας Ινστιτούτο Υπολογιστικών Μαθηματικών ΒΑΣΙΚΕΣ ΛΕΙΤΟΥΡΓΙΕΣ ΓΣΠ Σύνδεση χωρικών δεδομένων με περιγραφικά δεδομένα.

Διαβάστε περισσότερα

«ΕΝΤΟΠΙΣΜΟΣ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΤΗΣ ΑΣΤΙΚΟΠΟΙΗΣΗΣ ΣΤΗΝ ΚΥΠΡΟ. ΛΥΣΕΙΣ ΣΤΟ ΠΡΟΒΛΗΜΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΤΟΥΣ»

«ΕΝΤΟΠΙΣΜΟΣ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΤΗΣ ΑΣΤΙΚΟΠΟΙΗΣΗΣ ΣΤΗΝ ΚΥΠΡΟ. ΛΥΣΕΙΣ ΣΤΟ ΠΡΟΒΛΗΜΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΤΟΥΣ» ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Μεταπτυχιακή Διατριβή «ΕΝΤΟΠΙΣΜΟΣ ΤΟΥ ΠΡΟΒΛΗΜΑΤΟΣ ΤΗΣ ΑΣΤΙΚΟΠΟΙΗΣΗΣ ΣΤΗΝ ΚΥΠΡΟ. ΛΥΣΕΙΣ ΣΤΟ ΠΡΟΒΛΗΜΑ ΚΑΙ ΕΦΑΡΜΟΓΕΣ ΤΟΥΣ» Η πτυχιακή υποβλήθηκε στο Τεχνολογικό Πανεπιστήμιο

Διαβάστε περισσότερα

Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Τηλεπισκόπηση. Κ. Ποϊραζίδης ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ

Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση. Τηλεπισκόπηση 24/6/2013. Τηλεπισκόπηση. Κ. Ποϊραζίδης ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΑΣ Κ. Ποϊραζίδης Η ταξινόμηση εικόνας αναφέρεται στην ερμηνεία με χρήση υπολογιστή των τηλεπισκοπικών εικόνων. Παρόλο που ορισμένες διαδικασίες έχουν τη δυνατότητα να συμπεριλάβουν πληροφορίες

Διαβάστε περισσότερα

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ ΣΕ ΕΥΡΩΠΑΙΚΕΣ ΧΩΡΕΣ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ ΣΕ ΕΥΡΩΠΑΙΚΕΣ ΧΩΡΕΣ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΕΙΡΑΙΩΣ ΤΜΗΜΑ ΟΙΚΟΝΟΜΙΚΗΣ ΕΠΙΣΤΗΜΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΣΤΗΝ ΟΙΚΟΝΟΜΙΚΗ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗ ΣΤΡΑΤΗΓΙΚΗ ΑΜΕΣΕΣ ΞΕΝΕΣ ΕΠΕΝΔΥΣΕΙΣ ΣΕ ΕΥΡΩΠΑΙΚΕΣ ΧΩΡΕΣ Αθανάσιος Νταραβάνογλου Διπλωματική

Διαβάστε περισσότερα

ΑΝΑΛΥΣΗ ΑΠΕΙΛΗΣ ΑΠΟ ΔΑΣΙΚΕΣ ΠΥΡΚΑΓΙΕΣ ΟΙΚΙΣΜΩΝ ΠΟΥ ΒΡΙΣΚΟΝΤΑΙ ΣΕ ΜΙΞΗ ΜΕ ΔΑΣΗ ΣΤΗΝ ΑΤΤΙΚΗ

ΑΝΑΛΥΣΗ ΑΠΕΙΛΗΣ ΑΠΟ ΔΑΣΙΚΕΣ ΠΥΡΚΑΓΙΕΣ ΟΙΚΙΣΜΩΝ ΠΟΥ ΒΡΙΣΚΟΝΤΑΙ ΣΕ ΜΙΞΗ ΜΕ ΔΑΣΗ ΣΤΗΝ ΑΤΤΙΚΗ ΑΝΑΛΥΣΗ ΑΠΕΙΛΗΣ ΑΠΟ ΔΑΣΙΚΕΣ ΠΥΡΚΑΓΙΕΣ ΟΙΚΙΣΜΩΝ ΠΟΥ ΒΡΙΣΚΟΝΤΑΙ ΣΕ ΜΙΞΗ ΜΕ ΔΑΣΗ ΣΤΗΝ ΑΤΤΙΚΗ Ιωάννης Μητσόπουλος 1, Γαβριήλ Ξανθόπουλος 2, Αναστασία Πλατανιανάκη 2, Γεώργιος Μαλλίνης 3 1 Τμήμα Βιοποικιλότητας

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία ΔΙΕΡΕΥΝΗΣΗ ΤΟΥ ΚΛΙΜΑΤΟΣ ΑΣΦΑΛΕΙΑΣ ΤΩΝ ΑΣΘΕΝΩΝ ΣΤΟ ΝΟΣΟΚΟΜΕΙΟ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία ΔΙΕΡΕΥΝΗΣΗ ΤΟΥ ΚΛΙΜΑΤΟΣ ΑΣΦΑΛΕΙΑΣ ΤΩΝ ΑΣΘΕΝΩΝ ΣΤΟ ΝΟΣΟΚΟΜΕΙΟ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή εργασία ΔΙΕΡΕΥΝΗΣΗ ΤΟΥ ΚΛΙΜΑΤΟΣ ΑΣΦΑΛΕΙΑΣ ΤΩΝ ΑΣΘΕΝΩΝ ΣΤΟ ΝΟΣΟΚΟΜΕΙΟ ΑΝΔΡΕΑΣ ΛΕΩΝΙΔΟΥ Λεμεσός, 2012 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ

Διαβάστε περισσότερα

Πτυχιακή διατριβή. Η επίδραση της τασιενεργής ουσίας Ακεταλδεΰδης στη δημιουργία πυρήνων συμπύκνωσης νεφών (CCN) στην ατμόσφαιρα

Πτυχιακή διατριβή. Η επίδραση της τασιενεργής ουσίας Ακεταλδεΰδης στη δημιουργία πυρήνων συμπύκνωσης νεφών (CCN) στην ατμόσφαιρα ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή διατριβή Η επίδραση της τασιενεργής ουσίας Ακεταλδεΰδης στη δημιουργία πυρήνων συμπύκνωσης νεφών (CCN)

Διαβάστε περισσότερα

Σύγχρονες τεχνολογίες τηλεπισκόπησης για την ανίχνευση, καταγραφή, παρακολούθηση, αποτίμηση πυρκαγιών και προστασία των πληγέντων περιοχών.

Σύγχρονες τεχνολογίες τηλεπισκόπησης για την ανίχνευση, καταγραφή, παρακολούθηση, αποτίμηση πυρκαγιών και προστασία των πληγέντων περιοχών. Σύγχρονες τεχνολογίες τηλεπισκόπησης για την ανίχνευση, καταγραφή, παρακολούθηση, αποτίμηση πυρκαγιών και προστασία των πληγέντων περιοχών. Εργαστήριο Τηλεπισκόπησης, Τομέας Τοπογραφίας, Σχολή Αγρονόμων

Διαβάστε περισσότερα

ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ. και ΣΥΣΤΗΜΑΤΑ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ

ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ. και ΣΥΣΤΗΜΑΤΑ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ και ΣΥΣΤΗΜΑΤΑ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΚΟΠΟΣ ΜΑΘΗΜΑΤΟΣ ΣΥΝΔΕΣΗ ΜΕ ΑΛΛΑ ΜΑΘΗΜΑΤΑ ΣΕ ΠΟΙΟΥΣ ΑΠΕΥΘΥΝΕΤΑΙ ΠΕΡΙΓΡΑΜΜΑ ΜΑΘΗΜΑΤΟΣ ΟΡΓΑΝΩΣΗ ΠΗΓΕΣ ΔΙΔΑΣΚΟΝΤΕΣ 1o μάθημα: ΕΙΣΑΓΩΓΗ Τί είναι Γεωπληροφορική

Διαβάστε περισσότερα

Αξιολόγηση µεθόδων σύνθεσης εικόνων. Β. Τσαγκάρης και Β. Αναστασόπουλος

Αξιολόγηση µεθόδων σύνθεσης εικόνων. Β. Τσαγκάρης και Β. Αναστασόπουλος Αξιολόγηση µεθόδων σύνθεσης εικόνων Β. Τσαγκάρης και Β. Αναστασόπουλος Περιεχόµενα Σύνθεση πληροφορίας - εικόνων Εφαρµογές Τύποι εικόνων Μέθοδοι σύνθεσης εικόνων Αξιολόγηση µεθόδων σύνθεσης εικόνων Θεωρία

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή εργασία ΟΛΙΣΘΗΡΟΤΗΤΑ ΚΑΙ ΜΑΚΡΟΥΦΗ ΤΩΝ ΟΔΟΔΤΡΩΜΑΤΩΝ ΚΥΚΛΟΦΟΡΙΑΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή εργασία ΟΛΙΣΘΗΡΟΤΗΤΑ ΚΑΙ ΜΑΚΡΟΥΦΗ ΤΩΝ ΟΔΟΔΤΡΩΜΑΤΩΝ ΚΥΚΛΟΦΟΡΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Πτυχιακή εργασία ΟΛΙΣΘΗΡΟΤΗΤΑ ΚΑΙ ΜΑΚΡΟΥΦΗ ΤΩΝ ΟΔΟΔΤΡΩΜΑΤΩΝ ΚΥΚΛΟΦΟΡΙΑΣ Χριστοδούλου Αντρέας Λεμεσός 2014 2 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ

Διαβάστε περισσότερα

Ανάπτυξη συστήματος με τη συνδυασμένη χρήση συστημάτων επικοινωνίας και διαστημικών εικόνων για ενημέρωση των γεωργών σε θέματα άρδευσης

Ανάπτυξη συστήματος με τη συνδυασμένη χρήση συστημάτων επικοινωνίας και διαστημικών εικόνων για ενημέρωση των γεωργών σε θέματα άρδευσης Ανάπτυξη συστήματος με τη συνδυασμένη χρήση συστημάτων επικοινωνίας και διαστημικών εικόνων για ενημέρωση των γεωργών σε θέματα άρδευσης Σκεύη Πέρδικου Frederick Research Centre Το έργο είναι χρηματοδοτημένο

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Χαμηλά επίπεδα βιταμίνης D σχετιζόμενα με το βρογχικό άσθμα στα παιδιά και στους έφηβους Κουρομπίνα Αλεξάνδρα Λεμεσός [2014] i ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

þÿ ÀÌ Ä º± µä À ¹ ¼ ½

þÿ ÀÌ Ä º± µä À ¹ ¼ ½ Neapolis University HEPHAESTUS Repository School of Economic Sciences and Business http://hephaestus.nup.ac.cy Master Degree Thesis 2016 þÿ ÀÌ Ä º± µä À ¹ ¼ ½ þÿµºà±¹ µåä¹ºì ¹ ¹º ĹºÌ ÃÍÃÄ ¼± þÿãä ½ º±Ä±½µ¼

Διαβάστε περισσότερα

Πτυχιακή Εργασία ΓΝΩΣΕΙΣ KAI ΣΤΑΣΕΙΣ ΤΩΝ ΕΠΑΓΓΕΛΜΑΤΙΩΝ ΥΓΕΙΑΣ ΓΙΑ ΤΗΝ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΕΚΘΕΣΗ ΣΤΟΝ HIV. Στυλιανού Στυλιανή

Πτυχιακή Εργασία ΓΝΩΣΕΙΣ KAI ΣΤΑΣΕΙΣ ΤΩΝ ΕΠΑΓΓΕΛΜΑΤΙΩΝ ΥΓΕΙΑΣ ΓΙΑ ΤΗΝ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΕΚΘΕΣΗ ΣΤΟΝ HIV. Στυλιανού Στυλιανή ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία ΓΝΩΣΕΙΣ KAI ΣΤΑΣΕΙΣ ΤΩΝ ΕΠΑΓΓΕΛΜΑΤΙΩΝ ΥΓΕΙΑΣ ΓΙΑ ΤΗΝ ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΕΚΘΕΣΗ ΣΤΟΝ HIV Στυλιανού Στυλιανή Λευκωσία 2012 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Διαβάστε περισσότερα

Μελέτη των μεταβολών των χρήσεων γης στο Ζαγόρι Ιωαννίνων 0

Μελέτη των μεταβολών των χρήσεων γης στο Ζαγόρι Ιωαννίνων 0 Μελέτη των μεταβολών των χρήσεων γης στο Ζαγόρι Ιωαννίνων 0 ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΔΙΕΠΙΣΤΗΜΟΝΙΚΟ - ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ (Δ.Π.Μ.Σ.) "ΠΕΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΤΥΞΗ" 2 η ΚΑΤΕΥΘΥΝΣΗ

Διαβάστε περισσότερα

ΒΕΛΤΙΩΣΗ ΔΙΕΡΓΑΣΙΩΝ ΕΡΓΑΣΤΗΡΙΟΥ ΕΛΕΓΧΟΥ ΠΟΙΟΤΗΤΑΣ ΚΑΙ ΕΦΑΡΜΟΓΗ ΕΡΓΑΛΕΙΩΝ ΔΙΑΣΦΑΛΙΣΗΣ ΠΟΙΟΤΗΤΑΣ ΣΕ ΜΕΤΑΛΛΟΒΙΟΜΗΧΑΝΙΑ

ΒΕΛΤΙΩΣΗ ΔΙΕΡΓΑΣΙΩΝ ΕΡΓΑΣΤΗΡΙΟΥ ΕΛΕΓΧΟΥ ΠΟΙΟΤΗΤΑΣ ΚΑΙ ΕΦΑΡΜΟΓΗ ΕΡΓΑΛΕΙΩΝ ΔΙΑΣΦΑΛΙΣΗΣ ΠΟΙΟΤΗΤΑΣ ΣΕ ΜΕΤΑΛΛΟΒΙΟΜΗΧΑΝΙΑ Σχολή Mηχανικής και Τεχνολογίας Πτυχιακή εργασία ΒΕΛΤΙΩΣΗ ΔΙΕΡΓΑΣΙΩΝ ΕΡΓΑΣΤΗΡΙΟΥ ΕΛΕΓΧΟΥ ΠΟΙΟΤΗΤΑΣ ΚΑΙ ΕΦΑΡΜΟΓΗ ΕΡΓΑΛΕΙΩΝ ΔΙΑΣΦΑΛΙΣΗΣ ΠΟΙΟΤΗΤΑΣ ΣΕ ΜΕΤΑΛΛΟΒΙΟΜΗΧΑΝΙΑ Στέλιος Καράσαββας Λεμεσός, Μάιος 2017

Διαβάστε περισσότερα

Μικροβιολογική ποιότητα έτοιμων προς κατανάλωση σαλατών

Μικροβιολογική ποιότητα έτοιμων προς κατανάλωση σαλατών ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή εργασία Μικροβιολογική ποιότητα έτοιμων προς κατανάλωση σαλατών Σοφία Στεργίου Λεμεσός, Μάιος 2017 1 ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ ΙΓ' ΕΚΠΑΙΔΕΥΤΙΚΗ ΣΕΙΡΑ

ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ ΙΓ' ΕΚΠΑΙΔΕΥΤΙΚΗ ΣΕΙΡΑ ΕΘΝΙΚΗ ΣΧΟΛΗ ΔΗΜΟΣΙΑΣ ΔΙΟΙΚΗΣΗΣ ΙΓ' ΕΚΠΑΙΔΕΥΤΙΚΗ ΣΕΙΡΑ ΤΜΗΜΑ ΤΟΠΙΚΗΣ ΑΥΤΟΔΙΟΙΚΗΣΗΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΗΣ ΑΝΑΠΤΥΞΗΣ ΤΕΛΙΚΗ ΕΡΓΑΣΙΑ: ΠΕΡΙΒΑΛΛΟΝ ΚΑΙ ΑΝΑΠΤΥΞΗ: ΠΡΟΣΕΓΓΙΣΗ ΜΕΣΩ ΔΕΙΚΤΩΝ Επιβλέπων: Αθ.Δελαπάσχος

Διαβάστε περισσότερα

Τηλεπισκόπηση και Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ) στη διαχείριση περιβαλλοντικών κινδύνων πλημμύρες

Τηλεπισκόπηση και Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ) στη διαχείριση περιβαλλοντικών κινδύνων πλημμύρες Τηλεπισκόπηση και Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ) στη διαχείριση περιβαλλοντικών κινδύνων πλημμύρες Από Καθηγητή Ιωάννη Ν. Χατζόπουλο, διευθυντή του Εργαστηρίου Τηλεπισκόπησης & ΣΓΠ του Τμήματος

Διαβάστε περισσότερα

Η χαρτογράφηση των δασικών πυρκαγιών στην Ελλάδα

Η χαρτογράφηση των δασικών πυρκαγιών στην Ελλάδα Χαρτογραφική Επιστημονική Εταιρεία Ελλάδας 14 ο Εθνικό Συνέδριο Χαρτογραφίας Η χαρτογράφηση των δασικών πυρκαγιών στην Ελλάδα Πετσάνη Έλενα, Φοιτήτρια, Τμήμα Μηχανικών Χωροταξίας & Ανάπτυξης, ΑΠΘ, email:

Διαβάστε περισσότερα

ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΓΗΑΣΜΖΜΑΣΗΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΗΑΚΩΝ ΠΟΤΓΩΝ «ΤΣΖΜΑΣΑ ΔΠΔΞΔΡΓΑΗΑ ΖΜΑΣΩΝ ΚΑΗ ΔΠΗΚΟΗΝΩΝΗΩΝ» ΣΜΖΜΑ ΜΖΥΑΝΗΚΩΝ Ζ/Τ ΚΑΗ ΠΛΖΡΟΦΟΡΗΚΖ

ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΓΗΑΣΜΖΜΑΣΗΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΗΑΚΩΝ ΠΟΤΓΩΝ «ΤΣΖΜΑΣΑ ΔΠΔΞΔΡΓΑΗΑ ΖΜΑΣΩΝ ΚΑΗ ΔΠΗΚΟΗΝΩΝΗΩΝ» ΣΜΖΜΑ ΜΖΥΑΝΗΚΩΝ Ζ/Τ ΚΑΗ ΠΛΖΡΟΦΟΡΗΚΖ ΠΑΝΔΠΗΣΖΜΗΟ ΠΑΣΡΩΝ ΓΗΑΣΜΖΜΑΣΗΚΟ ΠΡΟΓΡΑΜΜΑ ΜΔΣΑΠΣΤΥΗΑΚΩΝ ΠΟΤΓΩΝ «ΤΣΖΜΑΣΑ ΔΠΔΞΔΡΓΑΗΑ ΖΜΑΣΩΝ ΚΑΗ ΔΠΗΚΟΗΝΩΝΗΩΝ» ΣΜΖΜΑ ΜΖΥΑΝΗΚΩΝ Ζ/Τ ΚΑΗ ΠΛΖΡΟΦΟΡΗΚΖ ΣΜΖΜΑ ΖΛΔΚΣΡΟΛΟΓΩΝ ΜΖΥΑΝΗΚΩΝ ΚΑΗ ΣΔΥΝΟΛΟΓΗΑ ΤΠΟΛΟΓΗΣΩΝ ΣΜΖΜΑ

Διαβάστε περισσότερα

CYPRUS UNIVERSITY OF TECHNOLOGY. Faculty of Engineering and Technology. Department of Civil Engineering and Geomatics. Dissertation Thesis

CYPRUS UNIVERSITY OF TECHNOLOGY. Faculty of Engineering and Technology. Department of Civil Engineering and Geomatics. Dissertation Thesis CYPRUS UNIVERSITY OF TECHNOLOGY Faculty of Engineering and Technology Department of Civil Engineering and Geomatics Dissertation Thesis GEOSPATIAL TECHNOLOGIES FOR REAL ESTATE AND LAND VALUATION IN CYPRUS

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Πτυχιακή εργασία Πολυκριτηριακή ανάλυση για την εκτίμηση του κινδύνου φωτιάς στην Κύπρο με την χρήση δεδομένων τηλεπισκόπησης και GIS Βασίλης

Διαβάστε περισσότερα

Η Επίδραση των Events στην Απόδοση των Μετοχών

Η Επίδραση των Events στην Απόδοση των Μετοχών Χρηματοοικονομικά και Διοίκηση Μεταπτυχιακή διατριβή Η Επίδραση των Events στην Απόδοση των Μετοχών Άντρεα Φωτίου Λεμεσός, Μάιος 2018 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΧΡΗΜΑΤΟΟΙΚΟΝΟΜΙΚΩΝ ΚΑΙ ΔΙΟΙΚΗΣΗΣ

Διαβάστε περισσότερα

Γεωργία Ακριβείας & Παρακολούθηση Φυσικού Περιβάλλοντος

Γεωργία Ακριβείας & Παρακολούθηση Φυσικού Περιβάλλοντος Γεωργία Ακριβείας & Παρακολούθηση Φυσικού Περιβάλλοντος Κωνσταντίνος Καράντζαλος karank @ central.ntua.gr http://users.ntua.gr/karank/ Εργαστήριο Τηλεπισκόπησης Εθνικό Μετσόβιο Πολυτεχνείο Market numbers

Διαβάστε περισσότερα

9300/19 ΠΧΚ/γπ 1 RELEX.1.B

9300/19 ΠΧΚ/γπ 1 RELEX.1.B Συμβούλιο της Ευρωπαϊκής Ένωσης Βρυξέλλες, 16 Μαΐου 2019 (OR. en) 9300/19 ΑΠΟΤΕΛΕΣΜΑΤΑ ΤΩΝ ΕΡΓΑΣΙΩΝ Αποστολέας: Με ημερομηνία: 16 Μαΐου 2019 Αποδέκτης: Γενική Γραμματεία του Συμβουλίου Αντιπροσωπίες αριθ.

Διαβάστε περισσότερα

ΖΩΝΟΠΟΙΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΣΤΟ ΟΡΟΣ ΠΗΛΙΟ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΔΕΔΟΜΕΝΩΝ ΣΥΜΒΟΛΟΜΕΤΡΙΑΣ ΜΟΝΙΜΩΝ ΣΚΕΔΑΣΤΩΝ

ΖΩΝΟΠΟΙΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΣΤΟ ΟΡΟΣ ΠΗΛΙΟ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΔΕΔΟΜΕΝΩΝ ΣΥΜΒΟΛΟΜΕΤΡΙΑΣ ΜΟΝΙΜΩΝ ΣΚΕΔΑΣΤΩΝ EΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΕΙΟ Τμήμα Μηχανικών Μεταλλείων-Μεταλλουργών ΖΩΝΟΠΟΙΗΣΗ ΤΗΣ ΚΑΤΟΛΙΣΘΗΤΙΚΗΣ ΕΠΙΚΙΝΔΥΝΟΤΗΤΑΣ ΜΕ ΤΗ ΣΥΜΒΟΛΗ ΔΕΔΟΜΕΝΩΝ ΣΥΜΒΟΛΟΜΕΤΡΙΑΣ ΜΟΝΙΜΩΝ ΣΚΕΔΑΣΤΩΝ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ Κιτσάκη Μαρίνα

Διαβάστε περισσότερα

«Χρήσεις γης, αξίες γης και κυκλοφοριακές ρυθμίσεις στο Δήμο Χαλκιδέων. Η μεταξύ τους σχέση και εξέλιξη.»

«Χρήσεις γης, αξίες γης και κυκλοφοριακές ρυθμίσεις στο Δήμο Χαλκιδέων. Η μεταξύ τους σχέση και εξέλιξη.» ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΤΟΜΕΑΣ ΓΕΩΓΡΑΦΙΑΣ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΟΥ ΣΧΕΔΙΑΣΜΟΥ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ: «Χρήσεις γης, αξίες γης και κυκλοφοριακές ρυθμίσεις στο Δήμο Χαλκιδέων.

Διαβάστε περισσότερα

Τηλεπισκόπηση - Φωτοερμηνεία

Τηλεπισκόπηση - Φωτοερμηνεία ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΙΑΣ Τηλεπισκόπηση - Φωτοερμηνεία Ενότητα 7: Δορυφορικά Συστήματα. Κωνσταντίνος Περάκης Ιωάννης Φαρασλής Τμήμα Μηχανικών Χωροταξίας, Πολεοδομίας και Περιφερειακής Ανάπτυξης Άδειες Χρήσης

Διαβάστε περισσότερα

Προσδιορισμός Σημαντικών Χαρακτηριστικών της Αυθόρμητης Δραστηριότητας Απομονωμένου Εγκεφαλικού Φλοιού in vitro

Προσδιορισμός Σημαντικών Χαρακτηριστικών της Αυθόρμητης Δραστηριότητας Απομονωμένου Εγκεφαλικού Φλοιού in vitro ΕΘΝΙΚΟ ΚΑΙ ΚΑΠΟΔΙΣΤΡΙΑΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΠΛΗΡΟΦΟΡΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΚΟΙΝΩΝΙΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ "ΤΕΧΝΟΛΟΓΙΕΣ ΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΗΝ ΙΑΤΡΙΚΗ ΚΑΙ ΤΗ ΒΙΟΛΟΓΙΑ"

Διαβάστε περισσότερα

ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης

ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης ΑΡΧΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ (Y2204) Βασιλάκης Εµµανουήλ Λέκτορας Τηλεανίχνευσης Διακριτική ικανότητα δεδοµένων τηλεπισκόπησης Χωρική (Spatial resolution) πόσα µέτρα? Χρονική (Temporal resolution) πόσος χρόνος?

Διαβάστε περισσότερα

ΤΟ ΜΟΝΤΕΛΟ Οι Υποθέσεις Η Απλή Περίπτωση για λi = μi 25 = Η Γενική Περίπτωση για λi μi..35

ΤΟ ΜΟΝΤΕΛΟ Οι Υποθέσεις Η Απλή Περίπτωση για λi = μi 25 = Η Γενική Περίπτωση για λi μi..35 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΤΜΗΜΑ ΜΑΘΗΜΑΤΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΤΟΜΕΑΣ ΣΤΑΤΙΣΤΙΚΗΣ ΚΑΙ ΕΠΙΧΕΙΡΗΣΙΑΚΗΣ ΕΡΕΥΝΑΣ ΑΝΑΛΥΣΗ ΤΩΝ ΣΥΣΧΕΤΙΣΕΩΝ ΧΡΕΟΚΟΠΙΑΣ ΚΑΙ ΤΩΝ

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία Η ΚΑΤΑΘΛΙΨΗ ΣΕ ΕΦΗΒΟΥΣ ΜΕ ΣΑΚΧΑΡΩΔΗ ΔΙΑΒΗΤΗ ΤΥΠΟΥ 1

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία Η ΚΑΤΑΘΛΙΨΗ ΣΕ ΕΦΗΒΟΥΣ ΜΕ ΣΑΚΧΑΡΩΔΗ ΔΙΑΒΗΤΗ ΤΥΠΟΥ 1 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή εργασία Η ΚΑΤΑΘΛΙΨΗ ΣΕ ΕΦΗΒΟΥΣ ΜΕ ΣΑΚΧΑΡΩΔΗ ΔΙΑΒΗΤΗ ΤΥΠΟΥ 1 ΑΝΔΡΕΑΣ ΑΝΔΡΕΟΥ Φ.Τ:2008670839 Λεμεσός 2014 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ

Διαβάστε περισσότερα

ΓΕΨΠΟΝΙΚΟ ΠΑΝΕΠΙΣΗΜΙΟ ΑΘΗΝΨΝ

ΓΕΨΠΟΝΙΚΟ ΠΑΝΕΠΙΣΗΜΙΟ ΑΘΗΝΨΝ ΓΕΨΠΟΝΙΚΟ ΠΑΝΕΠΙΣΗΜΙΟ ΑΘΗΝΨΝ ΑΞΙΟΠΟΙΗΗ ΥΤΙΚΨΝ ΠΟΡΨΝ & ΓΕΨΡΓΙΚΗ ΜΗΦΑΝΙΚΗ ΠΡΟΓΡΑΜΜΑ ΜΕΣΑΠΣΤΦΙΑΚΨΝ ΠΟΤΔΨΝ «ΕΥΑΡΜΟΓΕ ΣΗ ΓΕΨΠΛΗΡΟΥΟΡΙΚΗ ΣΟΤ ΥΤΙΚΟΤ ΠΟΡΟΤ» ΜΕΣΑΠΣΤΦΙΑΚΗ ΔΙΑΣΡΙΒΗ «ΤΓΚΡΙΗ ΔΕΔΟΜΕΝΨΝ ΣΗΛΕΠΙΚΟΠΗΗ

Διαβάστε περισσότερα

Σ Υ Ν Τ Ο Μ Ο Β Ι Ο Γ Ρ Α Φ Ι Κ Ο Σ Η Μ Ε Ι Ω Μ Α Δρ. Γεώργιος Μαλλίνης

Σ Υ Ν Τ Ο Μ Ο Β Ι Ο Γ Ρ Α Φ Ι Κ Ο Σ Η Μ Ε Ι Ω Μ Α Δρ. Γεώργιος Μαλλίνης Σ Υ Ν Τ Ο Μ Ο Β Ι Ο Γ Ρ Α Φ Ι Κ Ο Σ Η Μ Ε Ι Ω Μ Α Δρ. Γεώργιος Μαλλίνης Προσωπικά στοιχεία Επώνυμο (-α) / Όνομα (-τα) Ιδιότητα Διεύθυνση (-εις) Ημερομηνία και τόπος γέννησης Δρ. Μαλλίνης Γεώργιος του Ευαγγέλου

Διαβάστε περισσότερα

ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ

ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ 1 Η ΜΕΘΟΔΟΛΟΓΙΑ ΕΚΠΟΝΗΣΗΣ ΕΡΕΥΝΗΤΙΚΩΝ ΕΡΓΑΣΙΩΝ... 23 2 Η ΕΠΙΛΟΓΗ ΘΕΜΑΤΟΣ... 25 2.1 ΕΙΣΑΓΩΓΗ... 25 2.2 ΚΡΙΤΗΡΙΑ ΓΙΑ ΤΗΝ ΕΠΙΛΟΓΗ... 26 2.2.1 ΠΡΟΗΓΟΥΜΕΝΕΣ ΕΡΕΥΝΗΤΙΚΕΣ ΕΡΓΑΣΙΕΣ... 26 2.2.2

Διαβάστε περισσότερα

Εθνικό Παρατηρητήριο Δασικών Πυρκαγιών (ΕΠαΔαΠ)

Εθνικό Παρατηρητήριο Δασικών Πυρκαγιών (ΕΠαΔαΠ) Εθνικό Παρατηρητήριο Δασικών Πυρκαγιών (ΕΠαΔαΠ) Γήτας Ιωάννης, Καθηγητής ΑΠΘ, Διευθυντής http://fmrs.web.auth.gr/ Εθνικό Παρατηρητήριο Δασικών Πυρκαγιών Το ΕΠαΔαΠ στοχεύει: στην ανάπτυξη προϊόντων και

Διαβάστε περισσότερα

Παρακολούθηση διαρροών νερού με τη χρήση δορυφορικών εικόνων και επίγειων φασματοραδιομέτρων

Παρακολούθηση διαρροών νερού με τη χρήση δορυφορικών εικόνων και επίγειων φασματοραδιομέτρων Ημερίδα: ΟΛΟΚΛΗΡΩΜΕΝΗ ΧΡΗΣΗ ΔΟΡΥΦΟΡΙΚΩΝ, ΓΕΩΦYΣΙΚΩΝ ΚΑΙ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΤΕΧΝΟΛΟΓΙΩΝ ΓΙΑ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΔΙΑΡΡΟΩΝ ΝΕΡΟΥ ΣΕ ΔΙΚΤΥΑ ΥΔΡΕΥΣΗΣ ΣΤΗΝ ΚΥΠΡΟ. Παρακολούθηση διαρροών νερού με τη χρήση δορυφορικών εικόνων

Διαβάστε περισσότερα

Proforma A. Flood-CBA#2 Εκπαιδευτικό Σεμινάριο. Περίπτωση Μελέτης Ποταμός Έ βρος, Κοινότητα Λαβάρων

Proforma A. Flood-CBA#2 Εκπαιδευτικό Σεμινάριο. Περίπτωση Μελέτης Ποταμός Έ βρος, Κοινότητα Λαβάρων Proforma A Flood-CBA#2 Εκπαιδευτικό Σεμινάριο Περίπτωση Μελέτης Ποταμός Έ βρος, Κοινότητα Λαβάρων Proforma A B C D E F Case Η λογική Study Συλλογή πληροφοριώ ν για την περιοχή μελέτης Συλλογή λεπτομερειών

Διαβάστε περισσότερα

ΜΑΘΑΙΝΟΝΤΑΣ ΤΑ GIS ΣΤΗ ΠΡΑΞΗ ΤΟ ARCGIS 9.3. Α. Τσουχλαράκη, Γ. Αχιλλέως ΚΕΦΑΛΑΙΟ 6 ΧΑΡΤΟΓΡΑΦΩΝΤΑΣ ΔΕΔΟΜΕΝΑ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ

ΜΑΘΑΙΝΟΝΤΑΣ ΤΑ GIS ΣΤΗ ΠΡΑΞΗ ΤΟ ARCGIS 9.3. Α. Τσουχλαράκη, Γ. Αχιλλέως ΚΕΦΑΛΑΙΟ 6 ΧΑΡΤΟΓΡΑΦΩΝΤΑΣ ΔΕΔΟΜΕΝΑ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΜΑΘΑΙΝΟΝΤΑΣ ΤΑ GIS ΣΤΗ ΠΡΑΞΗ ΤΟ ARCGIS 9.3. Α. Τσουχλαράκη, Γ. Αχιλλέως ΚΕΦΑΛΑΙΟ 6 ΧΑΡΤΟΓΡΑΦΩΝΤΑΣ ΔΕΔΟΜΕΝΑ ΚΑΙ ΑΠΟΤΕΛΕΣΜΑΤΑ ΣΤΟΧΟΣ ΤΟΥ ΚΕΦΑΛΑΙΟΥ να γνωρίσει με λεπτομέρεια την διαδικασία δημιουργίας ενός

Διαβάστε περισσότερα

Ορυκτολογίας Γεωλογίας,, Γεωπονικό Πανεπιστήμιο Αθηνών, Ιερά Οδός 75, , Αθήνα, Ελλάδα, *,

Ορυκτολογίας Γεωλογίας,, Γεωπονικό Πανεπιστήμιο Αθηνών, Ιερά Οδός 75, , Αθήνα, Ελλάδα, *, ΧΡΗΣΗ ΥΨΗΛΗΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ ΠΑΡΑΤΗΡΗΣΗΣ ΓΗΣ ΓΙΑ ΤΗΝ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΚΑΙ ΕΚΤΙΜΙΣΗ ΤΗΣ ΔΡΙΜΥΤΗΤΑΣ ΤΗΣ ΦΩΤΙΑΣ ΚΑΙ ΑΝΝΑΓΕΝΗΣΗΣ ΤΗΣ ΒΛΑΣΤΗΣΗΣ ΣΤΗ ΝΗΣΟ ΧΙΟ Αθανασάκης Γεώργιος 1, Ψωμιάδης Εμμανουήλ 1 1 Τμήμα

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή διατριβή Η ΚΑΤΑΘΛΙΨΗ ΩΣ ΠΑΡΑΓΟΝΤΑΣ ΚΙΝΔΥΝΟΥ ΓΙΑ ΑΠΟΠΕΙΡΑ ΑΥΤΟΚΤΟΝΙΑΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή διατριβή Η ΚΑΤΑΘΛΙΨΗ ΩΣ ΠΑΡΑΓΟΝΤΑΣ ΚΙΝΔΥΝΟΥ ΓΙΑ ΑΠΟΠΕΙΡΑ ΑΥΤΟΚΤΟΝΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή διατριβή Η ΚΑΤΑΘΛΙΨΗ ΩΣ ΠΑΡΑΓΟΝΤΑΣ ΚΙΝΔΥΝΟΥ ΓΙΑ ΑΠΟΠΕΙΡΑ ΑΥΤΟΚΤΟΝΙΑΣ Παναγιώτου Νεοφύτα 2008969752 Επιβλέπων καθηγητής Δρ. Νίκος Μίτλεττον,

Διαβάστε περισσότερα

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ

ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΕΘΝΙΚΟ ΜΕΤΣΟΒΙΟ ΠΟΛΥΤΕΧΝΕΙΟ ΣΧΟΛΗ ΗΛΕΚΤΡΟΛΟΓΩΝ ΜΗΧΑΝΙΚΩΝ ΚΑΙ ΜΗΧΑΝΙΚΩΝ ΥΠΟΛΟΓΙΣΤΩΝ ΤΟΜΕΑΣ ΣΥΣΤΗΜΑΤΩΝ ΜΕΤΑΔΟΣΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ ΥΛΙΚΩΝ Εξαγωγή χαρακτηριστικών μαστογραφικών μαζών και σύγκριση

Διαβάστε περισσότερα

Ο νοσηλευτικός ρόλος στην πρόληψη του μελανώματος

Ο νοσηλευτικός ρόλος στην πρόληψη του μελανώματος ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή διατριβή Ο νοσηλευτικός ρόλος στην πρόληψη του μελανώματος Ονοματεπώνυμο: Αρτέμης Παναγιώτου Επιβλέπων καθηγητής: Δρ. Αντρέας Χαραλάμπους

Διαβάστε περισσότερα

Αικατερίνη Τσούμα Ερευνήτρια Κέντρου Προγραμματισμού και Οικονομικών Ερευνών (ΚΕΠΕ)

Αικατερίνη Τσούμα Ερευνήτρια Κέντρου Προγραμματισμού και Οικονομικών Ερευνών (ΚΕΠΕ) Η ΣΥΜΒΟΛΗ ΤΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΒΙΒΛΙΟΘΗΚΩΝ ΣΤΗΝ ΑΜΕΣΗ ΙΑΧΥΣΗ ΤΗΣ ΑΝΑΓΚΑΙΑΣ ΠΛΗΡΟΦΟΡΗΣΗΣ ΓΙΑ ΤΗΝ ΑΞΙΟΛΟΓΗΣΗ ΤΩΝ ΟΙΚΟΝΟΜΙΚΩΝ ΣΥΝΘΗΚΩΝ ΚΑΙ ΤΗ ΙΕΝΕΡΓΕΙΑ ΠΡΟΒΛΕΨΕΩΝ Αικατερίνη Τσούμα Ερευνήτρια Κέντρου Προγραμματισμού

Διαβάστε περισσότερα

Μεταπτυχιακή διατριβή Η ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΗ ΕΠΙΔΡΑΣΗ ΑΠΟ ΔΙΑΤΑΡΑΧΕΣ ΤΩΝ ΤΙΜΩΝ ΤΟΥ ΠΕΤΡΕΛΑΙΟΥ ΣΕ ΧΩΡΕΣ ΠΟΥ ΕΙΣΑΓΟΥΝ ΚΑΙ ΕΞΑΓΟΥΝ ΠΕΤΡΕΛΑΙΟ

Μεταπτυχιακή διατριβή Η ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΗ ΕΠΙΔΡΑΣΗ ΑΠΟ ΔΙΑΤΑΡΑΧΕΣ ΤΩΝ ΤΙΜΩΝ ΤΟΥ ΠΕΤΡΕΛΑΙΟΥ ΣΕ ΧΩΡΕΣ ΠΟΥ ΕΙΣΑΓΟΥΝ ΚΑΙ ΕΞΑΓΟΥΝ ΠΕΤΡΕΛΑΙΟ Μεταπτυχιακή διατριβή Η ΜΑΚΡΟΟΙΚΟΝΟΜΙΚΗ ΕΠΙΔΡΑΣΗ ΑΠΟ ΔΙΑΤΑΡΑΧΕΣ ΤΩΝ ΤΙΜΩΝ ΤΟΥ ΠΕΤΡΕΛΑΙΟΥ ΣΕ ΧΩΡΕΣ ΠΟΥ ΕΙΣΑΓΟΥΝ ΚΑΙ ΕΞΑΓΟΥΝ ΠΕΤΡΕΛΑΙΟ Αδαμαντία Γεωργιάδου Λεμεσός, Μάιος 2017 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ

Διαβάστε περισσότερα

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ ΠΑΙΔΙΚΗ ΠΑΧΥΣΑΡΚΙΑ

ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ ΠΑΙΔΙΚΗ ΠΑΧΥΣΑΡΚΙΑ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ ΜΗΤΡΙΚΟΣ ΘΗΛΑΣΜΟΣ ΚΑΙ ΠΑΙΔΙΚΗ ΠΑΧΥΣΑΡΚΙΑ Ονοματεπώνυμο: Μιχαέλλα Σάββα Λεμεσός 2014 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή Εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή Εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Η ΕΠΑΓΓΕΛΜΑΤΙΚΗ ΕΞΟΥΘΕΝΩΣΗ ΠΟΥ ΒΙΩΝΕΙ ΤΟ ΝΟΣΗΛΕΥΤΙΚΟ ΠΡΟΣΩΠΙΚΟ ΣΤΙΣ ΜΟΝΑΔΕΣ ΕΝΑΤΙΚΗΣ ΘΕΡΑΠΕΙΑΣ Άντρη Αγαθαγγέλου Λεμεσός 2012 i ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

ΝΑΥΤΙΛΙΑΚΟΙ ΚΥΚΛΟΙ ΚΑΙ ΧΡΗΜΑΤΟΔΟΤΗΣΗ ΝΑΥΤΙΛΙΑΚΩΝ ΕΠΕΝΔΥΣΕΩΝ

ΝΑΥΤΙΛΙΑΚΟΙ ΚΥΚΛΟΙ ΚΑΙ ΧΡΗΜΑΤΟΔΟΤΗΣΗ ΝΑΥΤΙΛΙΑΚΩΝ ΕΠΕΝΔΥΣΕΩΝ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ Σχολή Διοίκησης και Οικονομίας Μεταπτυχιακή διατριβή ΝΑΥΤΙΛΙΑΚΟΙ ΚΥΚΛΟΙ ΚΑΙ ΧΡΗΜΑΤΟΔΟΤΗΣΗ ΝΑΥΤΙΛΙΑΚΩΝ ΕΠΕΝΔΥΣΕΩΝ ΔΗΜΗΤΡΗΣ ΤΡΥΦΩΝΟΣ Λεμεσός, Μάιος 2017 ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Διαβάστε περισσότερα

Επιβλέπων καθηγητής: Δρ Βασίλειος Ραφτόπουλος ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΣΕ ΜΕΤΕΜΜΗΝΟΠΑΥΣΙΑΚΕΣ ΓΥΝΑΙΚΕΣ ΜΕΤΑ ΑΠΟ ΟΣΤΕΟΠΟΡΩΤΙΚΑ ΚΑΤΑΓΜΑΤΑ ΣΠΟΝΔΥΛΙΚΗΣ ΣΤΗΛΗΣ

Επιβλέπων καθηγητής: Δρ Βασίλειος Ραφτόπουλος ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΣΕ ΜΕΤΕΜΜΗΝΟΠΑΥΣΙΑΚΕΣ ΓΥΝΑΙΚΕΣ ΜΕΤΑ ΑΠΟ ΟΣΤΕΟΠΟΡΩΤΙΚΑ ΚΑΤΑΓΜΑΤΑ ΣΠΟΝΔΥΛΙΚΗΣ ΣΤΗΛΗΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΤΜΗΜΑ ΝΟΣΗΛΕΥΤΙΚΗΣ Επιβλέπων καθηγητής: Δρ Βασίλειος Ραφτόπουλος ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΣΕ ΜΕΤΕΜΜΗΝΟΠΑΥΣΙΑΚΕΣ ΓΥΝΑΙΚΕΣ ΜΕΤΑ ΑΠΟ ΟΣΤΕΟΠΟΡΩΤΙΚΑ ΚΑΤΑΓΜΑΤΑ ΣΠΟΝΔΥΛΙΚΗΣ ΣΤΗΛΗΣ Από τη

Διαβάστε περισσότερα

Εφαρμογή των σύγχρονων τεχνολογιών στην εκτίμηση των μεταβολών στη παράκτια περιοχή του Δέλτα Αξιού

Εφαρμογή των σύγχρονων τεχνολογιών στην εκτίμηση των μεταβολών στη παράκτια περιοχή του Δέλτα Αξιού Εφαρμογή των σύγχρονων τεχνολογιών στην εκτίμηση των μεταβολών στη παράκτια περιοχή του Δέλτα Αξιού Μελιάδου Βαρβάρα: Μεταπτυχιακός Τμημ. Γεωγραφίας Πανεπιστημίου Αιγαίου Μελιάδης Μιλτιάδης: Υποψήφιος

Διαβάστε περισσότερα

þÿ ½ ÁÉÀ ºµ½ÄÁ¹º ÀÁ à ³³¹Ã Ä þÿ Á³±½Éù±º  ±»»±³  ¼ ÃÉ þÿà» Á Æ Á¹±º Í ÃÅÃÄ ¼±Ä Â.

þÿ ½ ÁÉÀ ºµ½ÄÁ¹º ÀÁ à ³³¹Ã Ä þÿ Á³±½Éù±º  ±»»±³  ¼ ÃÉ þÿà» Á Æ Á¹±º Í ÃÅÃÄ ¼±Ä Â. Neapolis University HEPHAESTUS Repository School of Economic Sciences and Business http://hephaestus.nup.ac.cy Master Degree Thesis 2016-02 þÿ ½ ÁÉÀ ºµ½ÄÁ¹º ÀÁ à ³³¹Ã Ä þÿ Á³±½Éù±º  ±»»±³  ¼ ÃÉ þÿà»

Διαβάστε περισσότερα

Ανάλυση εισοδήματος των μισθωτών και παράγοντες που το επηρεάζουν

Ανάλυση εισοδήματος των μισθωτών και παράγοντες που το επηρεάζουν Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Π Ε Ι Ρ Α Ι Ω Σ ΤΜΗΜΑ Σ Τ Α Τ Ι Σ Τ Ι Κ Η Σ ΚΑΙ ΑΣΦΑΛΙΣΤΙΚΗΣ Ε Π Ι Σ Τ Η Μ Η Σ Μ Ε Τ Α Π Τ Υ Χ Ι Α Κ Ο ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΣΤΗΝ Ε Φ Α Ρ Μ Ο Σ Μ Ε Ν Η Σ Τ Α Τ Ι Σ Τ Ι Κ Η Ανάλυση εισοδήματος

Διαβάστε περισσότερα

ΔΥΝΑΤΟΤΗΤΕΣ ΠΑΡΑΓΩΓΗΣ ΑΛΛΑΝΤΙΚΩΝ ΑΕΡΟΣ ΧΑΜΗΛΗΣ ΛΙΠΟΠΕΡΙΕΚΤΙΚΟΤΗΤΑΣ ΜΕ ΠΡΟΣΘΗΚΗ ΕΛΑΙΟΛΑΔΟΥ

ΔΥΝΑΤΟΤΗΤΕΣ ΠΑΡΑΓΩΓΗΣ ΑΛΛΑΝΤΙΚΩΝ ΑΕΡΟΣ ΧΑΜΗΛΗΣ ΛΙΠΟΠΕΡΙΕΚΤΙΚΟΤΗΤΑΣ ΜΕ ΠΡΟΣΘΗΚΗ ΕΛΑΙΟΛΑΔΟΥ ΟΔΗΓΙΕΣ ΣΥΓΓΡΑΦΗΣ ΤΗΣ ΠΤΥΧΙΑΚΗΣ ΔΙΑΤΡΙΒΗΣ ΤΩΝ ΦΟΙΤΗΤΩΝ Εξώφυλλο Το εξώφυλλο θα περιλαμβάνει τα εξής: 1. Το όνομα του Πανεπιστημίου, του Τμήματος και του Τομέα 2. Το όνομα του φοιτητή στη γενική 3. Τις

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή Εργασία Η ΣΧΕΤΙΖΟΜΕΝΗ ΜΕ ΤΗΝ ΥΓΕΙΑ ΠΟΙΟΤΗΤΑ ΖΩΗΣ ΑΤΟΜΩΝ ΜΕ ΝΕΑΝΙΚΗ ΙΔΙΟΠΑΘΗ ΑΡΘΡΙΤΙΔΑ Όνομα Φοιτήτριας: Μαρία Θωμά Αριθμός φοιτητικής ταυτότητας:2010221455

Διαβάστε περισσότερα

ΟΙΚΟΛΟΓΙΑ ΤΟΠΙΟΥ. Χειμερινό εξάμηνο

ΟΙΚΟΛΟΓΙΑ ΤΟΠΙΟΥ. Χειμερινό εξάμηνο ΟΙΚΟΛΟΓΙΑ ΤΟΠΙΟΥ Χειμερινό εξάμηνο 2009 2010 Κ. Ποϊραζίδης Ανάλυση ψηφίδων ΕΙΣΗΓΗΣΗ 4 Οικολογία Τοπίου 22 Νοεμβρίου 2009 Ανάλυση ψηφίδων Το μέγεθος τους (Patch size / perimeter / edges ) Έκταση Περίμετρος

Διαβάστε περισσότερα

WWF Ελλάς 2012. Επιμελητές έκδοσης Κωνσταντίνος Λιαρίκος, Παναγιώτα Μαραγκού, Θύμιος Παπαγιάνννης

WWF Ελλάς 2012. Επιμελητές έκδοσης Κωνσταντίνος Λιαρίκος, Παναγιώτα Μαραγκού, Θύμιος Παπαγιάνννης WWF Ελλάς 2012 Επιμελητές έκδοσης Κωνσταντίνος Λιαρίκος, Παναγιώτα Μαραγκού, Θύμιος Παπαγιάνννης Συγγραφική ομάδα WWF ΕΛΛΑΣ Κωνσταντίνα Ζωγράφου, Ναταλία Καλεβρά, Ευαγγελία Κορακάκη, Παναγιώτης Κορδοπάτης,

Διαβάστε περισσότερα

ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ Ενότητα 1β: Πλανητική μεταβολή ΜΕΛΕΤΗ ΤΗΣ ΠΛΑΝΗΤΙΚΗΣ ΜΕΤΑΒΟΛΗΣ. Δρ. Ν. Χρυσουλάκης Ίδρυμα Τεχνολογίας και Έρευνας

ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ Ενότητα 1β: Πλανητική μεταβολή ΜΕΛΕΤΗ ΤΗΣ ΠΛΑΝΗΤΙΚΗΣ ΜΕΤΑΒΟΛΗΣ. Δρ. Ν. Χρυσουλάκης Ίδρυμα Τεχνολογίας και Έρευνας ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ Ενότητα 1β: Πλανητική μεταβολή Ανάγκη για κατανόηση τόσο της φυσικής μεταβλητότητας όσο και του βαθμού επίδρασης των ανθρώπινων ενεργειών στις μεταβολές του φυσικού συστήματος.

Διαβάστε περισσότερα

Μεταπτυχιακή διατριβή. Ανδρέας Παπαευσταθίου

Μεταπτυχιακή διατριβή. Ανδρέας Παπαευσταθίου Σχολή Γεωτεχνικών Επιστημών και Διαχείρισης Περιβάλλοντος Μεταπτυχιακή διατριβή Κτίρια σχεδόν μηδενικής ενεργειακής κατανάλωσης :Αξιολόγηση συστημάτων θέρμανσης -ψύξης και ΑΠΕ σε οικιστικά κτίρια στην

Διαβάστε περισσότερα

«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ»

«ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ ΓΔΓΟΜΔΝΩΝ ΣΟΝ ΔΛΛΑΓΗΚΟ ΥΩΡΟ» ΓΔΩΠΟΝΗΚΟ ΠΑΝΔΠΗΣΖΜΗΟ ΑΘΖΝΩΝ ΣΜΗΜΑ ΑΞΙΟΠΟΙΗΗ ΦΤΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗ ΜΗΥΑΝΙΚΗ ΣΟΜΕΑ ΕΔΑΦΟΛΟΓΙΑ ΚΑΙ ΓΕΩΡΓΙΚΗ ΥΗΜΕΙΑ ΕΙΔΙΚΕΤΗ: ΕΦΑΡΜΟΓΕ ΣΗ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗ ΣΟΤ ΦΤΙΚΟΤ ΠΟΡΟΤ «ΑΝΑΠΣΤΞΖ ΓΠ ΚΑΗ ΥΩΡΗΚΖ ΑΝΑΛΤΖ ΜΔΣΔΩΡΟΛΟΓΗΚΩΝ

Διαβάστε περισσότερα

Παρουσίαση των. Προγραμμάτων Περιβαλλοντικής Εκπαίδευσης. που λειτουργούν στον. Βοτανικό Κήπο. «Ιουλίας & Αλεξάνδρου Ν. Διομήδους»

Παρουσίαση των. Προγραμμάτων Περιβαλλοντικής Εκπαίδευσης. που λειτουργούν στον. Βοτανικό Κήπο. «Ιουλίας & Αλεξάνδρου Ν. Διομήδους» Παρουσίαση των Προγραμμάτων Περιβαλλοντικής Εκπαίδευσης που λειτουργούν στον Βοτανικό Κήπο «Ιουλίας & Αλεξάνδρου Ν. Διομήδους» Πρόγραμμα 1 ο Βλάβες και Αποκατάσταση Φυσικού περιβάλλοντος Στόχοι του προγράμματος:

Διαβάστε περισσότερα

þÿ¼ ½ ±Â : ÁÌ» Â Ä Å ÃÄ ²µ þÿä Å ÃÇ»¹º Í Á³ Å

þÿ¼ ½ ±Â : ÁÌ» Â Ä Å ÃÄ ²µ þÿä Å ÃÇ»¹º Í Á³ Å Neapolis University HEPHAESTUS Repository School of Economic Sciences and Business http://hephaestus.nup.ac.cy Master Degree Thesis 2015 þÿ ½»Åà Äɽ µ½½ ¹Î½ Ä Â þÿ±¾¹»ì³ à  º±¹ Ä Â þÿ±à ĵ»µÃ¼±Ä¹ºÌÄ Ä±Â

Διαβάστε περισσότερα

þÿ ½ Á Å, ˆ»µ½± Neapolis University þÿ Á̳Á±¼¼± ¼Ìù±Â ¹ º à Â, Ç» Ÿ¹º ½ ¼¹ºÎ½ À¹ÃÄ ¼Î½ º±¹ ¹ º à  þÿ ±½µÀ¹ÃÄ ¼¹ µ À»¹Â Æ Å

þÿ ½ Á Å, ˆ»µ½± Neapolis University þÿ Á̳Á±¼¼± ¼Ìù±Â ¹ º à Â, Ç» Ÿ¹º ½ ¼¹ºÎ½ À¹ÃÄ ¼Î½ º±¹ ¹ º à  þÿ ±½µÀ¹ÃÄ ¼¹ µ À»¹Â Æ Å Neapolis University HEPHAESTUS Repository School of Economic Sciences and Business http://hephaestus.nup.ac.cy Master Degree Thesis 2016-08 þÿ µà±³³µ»¼±ä¹º ½ ÀÄž ÄÉ þÿµºà±¹ µåä¹ºî½ - ¹µÁµÍ½ à Äɽ þÿ³½îãµé½

Διαβάστε περισσότερα

Ιδιότητες και Τεχνικές Σύνταξης Επιστημονικού Κειμένου Σχολιασμός ερευνητικής πρότασης

Ιδιότητες και Τεχνικές Σύνταξης Επιστημονικού Κειμένου Σχολιασμός ερευνητικής πρότασης Ιδιότητες και Τεχνικές Σύνταξης Επιστημονικού Κειμένου Σχολιασμός ερευνητικής πρότασης Αναστασία Χριστοδούλου, Dr. Γεώργιος Δαμασκηνίδης Τμήμα Ιταλικής Γλώσσας & Φιλολογίας Θεσσαλονίκη, 2015 Ιδιότητες

Διαβάστε περισσότερα

Φυσικοί και Περιβαλλοντικοί Κίνδυνοι (Εργαστήριο) Ενότητα 13 Πυρκαγιές - τηλεπισκόπιση ρ. Θεοχάρης Μενέλαος

Φυσικοί και Περιβαλλοντικοί Κίνδυνοι (Εργαστήριο) Ενότητα 13 Πυρκαγιές - τηλεπισκόπιση ρ. Θεοχάρης Μενέλαος Φυσικοί και Περιβαλλοντικοί Κίνδυνοι (Εργαστήριο) Ενότητα 13 Πυρκαγιές - τηλεπισκόπιση ρ. Θεοχάρης Μενέλαος 6.4.3 Ταξινόμηση της εικόνας Στο στάδιο της ταξινόμησης της εικόνας, πραγματοποιείται επιλογή

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ. Πτυχιακή εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΜΗΧΑΝΙΚΗΣ ΚΑΙ ΤΕΧΝΟΛΟΓΙΑΣ Πτυχιακή εργασία ΜΕΛΕΤΗ ΘΕΜΑΤΩΝ ΑΝΑΠΤΥΞΗΣ ΣΥΣΤΗΜΑΤΩΝ ΛΟΓΙΣΜΙΚΟΥ ΜΕ ΤΗ ΧΡΗΣΗ ΕΥΚΙΝΗΤΩΝ ΜΕΘΟΔΟΛΟΓΙΩΝ ΜΕΣΩ ΣΥΛΛΟΓΗΣ ΚΑΙ ΕΠΕΞΕΡΓΑΣΙΑΣ ΕΜΠΕΙΡΙΚΩΝ

Διαβάστε περισσότερα

Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS)

Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS) Γεωγραφικά Πληροφοριακά Συστήµατα (Geographical Information Systems GIS) ρ. ΧΑΛΚΙΑΣ ΧΡΙΣΤΟΣ xalkias@hua.gr Χ. Χαλκιάς - Εισαγωγή στα GIS 1 Ορισµοί ΓΠΣ Ένα γεωγραφικό πληροφοριακό σύστηµα Geographic Information

Διαβάστε περισσότερα

Γ Ε Ω Π Ο Ν Ι Κ Ο Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Α Θ Η Ν Ω Ν

Γ Ε Ω Π Ο Ν Ι Κ Ο Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Α Θ Η Ν Ω Ν Γ Ε Ω Π Ο Ν Ι Κ Ο Π Α Ν Ε Π Ι Σ Τ Η Μ Ι Ο Α Θ Η Ν Ω Ν ΤΜΗΜΑ ΑΞΙΟΠΟΙΗΣΗΣ ΦΥΣΙΚΩΝ ΠΟΡΩΝ & ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΕΦΑΡΜΟΓΕΣ ΤΗΣ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΣΤΟΥΣ ΦΥΣΙΚΟΥΣ ΠΟΡΟΥΣ» Μεταπτυχιακή

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ. Πτυχιακή εργασία ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟΥ ΚΥΠΡΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΥΓΕΙΑΣ Πτυχιακή εργασία Η ΨΥΧΟΚΟΙΝΩΝΙΚΗ ΥΓΕΙΑ ΤΟΥ ΠΑΙΔΙΟΥ ΣΕ ΣΧΕΣΗ ΜΕ ΤΗΝ ΚΟΙΝΩΝΙΚΟΟΙΚΟΝΟΜΙΚΗ ΚΑΤΑΣΤΑΣΗ ΤΗΣ ΟΙΚΟΓΕΝΕΙΑΣ Μαρία Χρίστου Λεμεσός 2012 ΤΕΧΝΟΛΟΓΙΚΟ

Διαβάστε περισσότερα

Η ΝΟΜΟΘΕΣΙΑ ΤΗΣ Ε.Ε. ΣΧΕΤΙΚΑ ΜΕ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΑΠΟ ΠΛΟΙΑ ΚΑΙ ΟΙ ΠΡΟΚΛΗΣΕΙΣ ΣΤΗΝ ΕΦΑΡΜΟΓΗ ΤΗΣ

Η ΝΟΜΟΘΕΣΙΑ ΤΗΣ Ε.Ε. ΣΧΕΤΙΚΑ ΜΕ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΑΠΟ ΠΛΟΙΑ ΚΑΙ ΟΙ ΠΡΟΚΛΗΣΕΙΣ ΣΤΗΝ ΕΦΑΡΜΟΓΗ ΤΗΣ Σχολή Γεωτεχνικών Επιστημών και Διαχείρισης Περιβάλλοντος Πτυχιακή εργασία Η ΝΟΜΟΘΕΣΙΑ ΤΗΣ Ε.Ε. ΣΧΕΤΙΚΑ ΜΕ ΤΗΝ ΑΤΜΟΣΦΑΙΡΙΚΗ ΡΥΠΑΝΣΗ ΑΠΟ ΠΛΟΙΑ ΚΑΙ ΟΙ ΠΡΟΚΛΗΣΕΙΣ ΣΤΗΝ ΕΦΑΡΜΟΓΗ ΤΗΣ Ελένη Άσπρου Λεμεσός, Μάιος

Διαβάστε περισσότερα

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή διατριβή

ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ. Πτυχιακή διατριβή ΤΕΧΝΟΛΟΓΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΚΥΠΡΟΥ ΣΧΟΛΗ ΓΕΩΤΕΧΝΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗΣ ΠΕΡΙΒΑΛΛΟΝΤΟΣ Πτυχιακή διατριβή ΣΥΜΒΟΛΗ ΤΟΥ ΤΕΧΝΗΤΟΥ ΘΗΛΑΣΜΟΥ ΣΤΗ ΔΙΑΤΡΟΦΗ ΤΩΝ ΑΜΝΩΝ ΦΥΛΗΣ ΧΙΟΥ ΓΙΑΝΝΟΣ ΜΑΚΡΗΣ Λεμεσός 2014 ii

Διαβάστε περισσότερα

Παρακολούθηση των αλλαγών της κάλυψης Γης με τη χρήση Δορυφορικών Εικόνων. Εργαστήριο Δασικής Διαχειριστικής & Τηλεπισκόπησης

Παρακολούθηση των αλλαγών της κάλυψης Γης με τη χρήση Δορυφορικών Εικόνων. Εργαστήριο Δασικής Διαχειριστικής & Τηλεπισκόπησης 1. Παρακολούθηση των αλλαγών της κάλυψης Γης με τη χρήση Δορυφορικών Εικόνων Εργαστήριο Δασικής Διαχειριστικής & Τηλεπισκόπησης 1 ΒΑΣΙΛΑΚΗ P a g e ΠΑΝΑΓΙΩΤΑ 2014 Msc Α.Π.Θ. ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ

Διαβάστε περισσότερα

ΜΟΝΑΔΕΣ ΑΡΙΣΤΕΙΑΣ ΑΝΟΙΧΤΟΥ ΛΟΓΙΣΜΙΚΟΥ

ΜΟΝΑΔΕΣ ΑΡΙΣΤΕΙΑΣ ΑΝΟΙΧΤΟΥ ΛΟΓΙΣΜΙΚΟΥ ΜΟΝΑΔΕΣ ΑΡΙΣΤΕΙΑΣ ΑΝΟΙΧΤΟΥ ΛΟΓΙΣΜΙΚΟΥ Συστήματα γεωγραφικών πληροφοριών 3 η Σειρά Εκπαίδευσης 5 ο σεμινάριο 9 Ιουνίου 2015 Ύλη Πως το GRASS GIS μπορεί να χρησιμοποιηθεί μέσα από το περιβάλλον του QGIS

Διαβάστε περισσότερα

Βλάστηση. Κ. Ποϊραζίδης

Βλάστηση. Κ. Ποϊραζίδης Βλάστηση Κ. Ποϊραζίδης Βλάστηση Η βλάστηση είναι συχνά η πρώτη επιφάνεια με την οποία αλληλεπιδρά η ακτινοβολία από τους δορυφορικούς ανιχνευτές. Τι μπορούμε να καταγράψουμε; Χαρτογράφηση των δασικών τύπων

Διαβάστε περισσότερα