ΕΚΤΙΜΗΣΗ ΔΑΣΟΚΑΛΥΨΗΣ ΜΕ ΧΡΗΣΗ

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΧΕΙΡΙΣΗ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗΣ ΠΑΡΑΓΩΓΗΣ & ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΕ ΠΕΡΙΒΑΛΛΟΝ GIS ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΕΚΤΙΜΗΣΗ ΔΑΣΟΚΑΛΥΨΗΣ ΜΕ ΧΡΗΣΗ ΧΡΟΝΟΣΕΙΡΩΝ ΠΟΛΥΦΑΣΜΑΤΙΚΩΝ ΕΙΚΟΝΩΝ ΤΟΥ ΔΟΡΥΦΟΡΟΥ LANDSAT8 Νικόλαος Παπανικολάου Μηχ, Χωροταξίας & Ανάπτυξης ΑΠΘ Υποψήφιος Μεταπτυχιακού Διπλώματος Γεωπληροφορικής, ΤΑΤΜΑΠΘ Επιβλέπουσα: Μ. ΤσακίρηΣτρατή Τριμελής Εξεταστική Επιτροπή: Μ. ΤσακίρηΣτρατή Π. Πατιάς Γ. Μαλλίνης Θεσσαλονίκη, Απρίλιος 2017

2

3 0 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΤΜΗΜΑ ΑΓΡΟΝΟΜΩΝ ΚΑΙ ΤΟΠΟΓΡΑΦΩΝ ΜΗΧΑΝΙΚΩΝ ΜΕΤΑΠΤΥΧΙΑΚΟ ΠΡΟΓΡΑΜΜΑ ΓΕΩΠΛΗΡΟΦΟΡΙΚΗΣ ΔΙΑΧΕΙΡΙΣΗ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΗΣ ΠΑΡΑΓΩΓΗΣ & ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΕ ΠΕΡΙΒΑΛΛΟΝ GIS ΙΔΡΥΜΑ ΣΧΟΛΗ ΤΜΗΜΑ ΕΡΓΑΣΙΑ Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Πολυτεχνική Σχολή Αγρονόμων και Τοπογράφων Μηχανικών Μεταπτυχιακή Διατριβή ΤΙΤΛΟΣ ΕΡΓΑΣΙΑΣ ΕΚΠΟΝΗΣΗ ΗΜΕΡΟΜΗΝΙΑ 28/04/2017 Εκτίμηση Δασοκάλυψης με χρήση Χρονοσειρών Πολυφασματικών εικόνων του Δορυφόρου LandSat 8 Νικόλαος Παπανικολάου Μηχ. Χωροταξίας & Ανάπτυξης ΕΠΙΒΛΕΠΟΥΣΑ ΤΡΙΜΕΛΗΣ ΕΠΙΤΡΟΠΗ Μαρία ΤσακίρηΣτρατή, Ομότιμη Καθηγήτρια ΤΑΤΜΑΠΘ Μ. ΤσακίρηΣτρατή, Ομότιμη Καθηγήτρια ΤΑΤΜ Πολυτεχνικής Σχολής ΑΠΘ. Π. Πατιάς, Καθηγητής ΤΑΤΜ Πολυτεχνικής Σχολής ΑΠΘ. Γ. Μαλλίνης, Επίκουρος Καθηγητής Τμήμα Δασολογίας και Διαχείρησης Περιβάλλοντος και Φυσικών Πόρων του ΔΠΘ. ΟΝΟΜΑ ΗΛΕΚΡΟΝΙΚΟΥ ΑΡΧΕΙΟΥ ΣΥΝΝΗΜΕΝΑ ΑΡΧΕΙΑ ΠΕΡΙΓΡΑΦΗ ΠΑΡΑΔΟΤΕΟΥ papanikolaou.doc, papanikolaou.pdf και papanikolaou.ppt Αναλογική μορφή Το παρόν τεύχος αποτελεί τη Διπλωματική εργασία, που περιλαμβάνει την αναλυτική περιγραφή της μεθοδολογίας, την εφαρμογή, τα αποτελέσματα και τα συμπεράσματα της εργασίας. Ψηφιακή μορφή Στο CD (DVD) που συνοδεύει το τεύχος περιλαμβάνονται σε ψηφιακή μορφή: τα κείμενα της εργασίας σε μορφή αρχείων doc και pdf, η παρουσίασή της σε ppt., Θεσσαλονίκη

4 1 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

5 2 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Πρόλογος Η παρούσα μεταπτυχιακή εργασία εκπονήθηκε στα πλαίσια του Μεταπτυχιακού Προγράμματος Σπουδών με τίτλο «Εκτίμηση δασοκάλυψης με χρήση χρονοσειρών πολυφασματικών εικόνων του δορυφόρου Landsat8» της Σχολής Aγρονόμων & Τοπογράφων Μηχανικών (ΤΑΤΜ) της Πολυτεχνικής σχολής του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης της κατεύθυνσης Διαχείριση Φωτογραμμετρικής Παραγωγής και Τηλεπισκόπησης σε περιβάλλον ΣΓΠ. Αντικείμενο έρευνας αποτελεί η ανάπτυξη νέων τεχνικών ανάλυσης και παρακολούθησης της δασικής κάλυψης με τη χρήση διαχρονικών δορυφορικών δεδομένων και των εργαλείων που αναπτύσσονται στα πλαίσια των Γεωγραφικών Συστημάτων Πληροφοριών (ΣΓΠ). Ο συνδυασμός των εργαλείων των Γεωγραφικών Συστημάτων Πληροφοριών και της επιστήμης της Τηλεπισκόπησης, μπορεί να αποδώσει σημαντικά οφέλη στις σύγχρονες κοινωνίες, ικανοποιώντας τις αυξημένες ανάγκες για άμεση και ακριβή απόκτηση δεδομένων και πληροφοριών γύρω από περιβαλλοντικά ζητήματα. Θα ήταν σοβαρή παράλειψη μου να μην ευχαριστήσω θερμά όλους όσους με βοήθησαν στην πραγματοποίηση της μεταπτυχιακής μου διατριβής και ιδιαίτερα την επιβλέπουσα καθηγήτρια μου, κ. ΤσακίρηΣτρατή Μαρία για τη δυνατότητα που μου έδωσε να ασχοληθώ με το αντικείμενο της παρούσας εργασίας και την πολύπλευρη βοήθεια της καθ όλη τη διάρκεια της συγγραφής. Επίσης θα ήθελα να εκφράσω την ευγνωμοσύνη μου προς τον κ. Γιώργο Μαλλίνη επίκουρο Καθηγητή του Τμήματος Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων του Δημοκρίτειου Πανεπιστημίου Θράκης για την συνεχή και πρόθυμη βοήθεια του με τις εξειδικευμένες γνώσεις του σε περιβαλλοντικά ζητήματα που άπτονται στο αντικείμενο ενός καταρτισμένου Δασολόγου αλλά και τη σημαντική βοήθεια του για την παροχή δεδομένων και γνώσεων πάνω στα ζητήματα δασικής κάλυψης.

6 3 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

7 4 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος... 2 ΠΕΡΙΕΧΟΜΕΝΑ... 4 ΚΕΦΑΛΑΙΟ Εισαγωγή ΚΕΦΑΛΑΙΟ ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ Εισαγωγή Δείκτες βλάστησης Δείκτης: Simple Ratio Index (SR) O Δείκτης Difference Vegetation Index (DVI) Δείκτης Normalised Difference Vegetation Index (ΝDVI) Δείκτης Renormalized Difference Vegetation Index (RDVI) Ο Δείκτης Modified Simple Ratio (MSR)) Ο δείκτης Perpendicular Vegetation Index (PVI) O δείκτης Soil Adjusted Vegetation Index (SAVI) O Δείκτης Weighted Difference Vegetation Index (WDVI) Ο δείκτης Modified Soiladjusted Vegetation Index (MSAVI) Ο δείκτης Modified Soil Adjusted Vegetation Index 2, (MSAVI2) Ο δείκτης MSI ( Moisture Stress Index) Ο δείκτης Enhanced Vegetation Index (EVI) Δείκτης Bare Soil Index BSI Δείκτης Shadow Index (SI) Δείκτης Advanced Vegetation Index (AVI) Ο δείκτης Normalized Pigment Ratio Index (NPCRI) Ο δείκτης Modified Chlorophyll Absorption Ration Index (MCARI) O Δείκτης Modified Chlorophyll Absorption Ration Index Improved (MCARI2) O δείκτης Triangular Vegetation index (TVI) Ο δείκτης Transformed Normalized Vegetation Index (TNDVI) O δείκτης Soil and Atmospherically Resistant Vegetation Index (SARVI) Δείκτες ορθογωνικού Μετασχηματισμού Ανάλυση στις κύριες συνιστώσες Μετασχηματισμός Kauth & Thomas (Tasseled Cap)... 50

8 5 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 2.6 Βιβλιογραφική Ανασκόπηση Μεθοδολογιών Μέτρησης Δασικής Συγκόμωσης Μέτρηση της δασοκάλυψης σύμφωνα με τη μέθοδο «Ταξινόμηση βάση αντικειμένου» Μέτρηση της δασοκάλυψης σύμφωνα με την ανάπτυξη τεχνικού νευρωνικού δικτύου Μέτρηση της δασοκάλυψης σύμφωνα με τη μέθοδο της παλινδρόμησης Μέτρηση της δασοκάλυψης σύμφωνα με ταξινόμηση που αφορά το δάσος Χαρτογράφηση της πυκνότητας της δασικής συγκόμωσης Κεφάλαιο Περιοχή ΜελέτηςΔεδομένα Εισαγωγή Περιοχή Μελέτης Βασικά Δασικά είδη περιοχής Μελέτης Δρυς Ελάτη Οξυά Μαύρη Πεύκη Πεύκη Χαλεπός Επιλογή υποπεριοχών μελέτης βασικών δασικών ειδών Δεδομένα του δορυφόρου LandSat Δορυφόρος Landsat Λογισμικό Κεφάλαιο Μεθοδολογία Εισαγωγή Περιγραφή Μεθοδολογίας Προεπεξεργασία Δεδομένων Συγχώνευση των εικόνων Aτμοσφαρικές διορθώσεις Επεξεργασία Χαρτογραφικών Δεδομένων Επιλογή Δεικτών βλάστησης Μοντέλο του Δείκτη Αdvanced Vegetation Index (AVI) Μοντέλο του Δείκτη Enhanced Vegetation Index (EVI) Μοντέλο του Δείκτη Shadow Index (SI)... 95

9 6 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 4.6 Επεξεργασία δεδομένων στο λογισμικό SPSS Kεφ 5. Αποτελέσματα Εισαγωγή Ανάλυση δεικτών βλάστησης περιοχής χωρίς ατμοσφαιρική διόρθωση Ανάλυση δεικτών βλάστησης περιοχής με ατμοσφαιρική διόρθωση Ανάλυση δεικτών βλάστησης περιοχής χωρίς ατμοσφαιρική διόρθωση Ανάλυση δεικτών βλάστησης περιοχής με ατμοσφαιρική διόρθωση ΚΕΦΑΛΑΙΟ ΣΥΜΠΕΡΑΣΜΑΤΑ Εισαγωγή ΑΝΑΛΥΣΗ ΤΑΣΕΩΝ ΜΕΣΩΝ ΤΙΜΩΝ ΔΕΙΚΤΩΝ Περιοχή (Νότια Ελλάδα) χωρίς ατμοσφαιρικές διορθώσεις Περιοχή (Νότια Ελλάδα) με ατμοσφαιρικές διορθώσεις Περιοχή (Βόρεια Ελλάδα) χωρίς ατμοσφαιρικές διορθώσεις Περιοχή (Βόρεια Ελλάδα) με ατμοσφαιρικές διορθώσεις ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΟΥ ΠΟΣΟΣΤΟΎ ΔΑΣΙΚΗΣ ΚΑΛΥΨΗΣ ΜΕ ΤΙΣ ΤΙΜΕΣ ΤΟΥ ΚΑΘΕ ΔΕΙΚΤΗ ΒΛΑΣΤΗΣΗΣ Ανάλυση παλινδρόμησης του ποσοστού δασικής κάλυψης με τις τιμές του κάθε δείκτη βλάστησης για την περιοχή (Νότια Ελλάδα) Ανάλυση παλινδρόμησης του ποσοστού δασικής κάλυψης με τις τιμές του κάθε δείκτη βλάστησης για την περιοχή (Βόρεια Ελλάδα) ΓΕΝΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΠΗΓΕΣ Ξένη βιβλιογραφία Ελληνική βιβλιογραφία Ηλεκτρονικές πηγές ΠΑΡΑΡΤΗΜΑ

10 7 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΠΕΡΙΕΧΟΜΕΝΑ ΕΙΚΟΝΩΝ Εικόνα 1: Κατά την ανάπτυξη του φύλλου παρουσιάζεται μικρότερη ανακλαστικότητα στο ορατό και μεγαλύτερη στο εγγύς υπέρυθρο Εικόνα 2 :Απλοποιημένο μοντέλο αλληλεπίδρασης της ακτινοβολίας με την κόμη της βλάστησης Πηγή Μερτίκας Εικόνα 3: Απλοποιημένο μοντέλο αλληλεπίδρασης της ακτινοβολίας με την κόμη της βλάστησης, NDVI Εικόνα 4 :Αριστερά εικόνα Landsat 8 OLI στις , Δεξιά εικόνα με τον εδαφικά προσαρμοσμένο δείκτη βλάστησης SAVI Εικόνα 5: Αριστερά εικόνα LandSat TM4, Δεξιά Ο δείκτης MSAVI Εικόνα 6: Aριστερά Πολυφασματική εικόνα LandSat 8, Δεξιά εικόνα EVI Εικόνα 7: Αριστερά Πολυφασματική εικόνα LandSat 8, Δεξιά δείκτης AVI, H λήψη της εικόνας έγινε στις Εικόνα 8:Εξίσωση και πίνακας συμμετεβλητότητας Πηγή: Τσακίρη Εικόνα 9: Πίνακας συσχέτισης (R) μιας εικόνας Πηγή: Τσακίρη Εικόνα 10 :Μέθοδος PCA στην περίπτωση του Landsat TM, τα 7 φασματικά κανάλια μπορούν να συμπιεστούν σε 3, τα οποία περιγράφουν το 90% της αρχικής πληροφορίας Εικόνα 11: Απεικόνιση με βάση το δείκτη Tasseled Cap σε πολυφασματική εικόνα Landsat 8( Οι τρεις πρώτοι άξονες σε False Color IR) Εικόνα 12: Τοπολογία ενός τυπικού πολυεπίπεδου νευρωνικού δικτύου, που αποτελείται από ένα επίπεδο εισαγωγής δεδομένων, δύο κρυφά επίπεδα και ένα επίπεδο αποτελεσμάτων, Πηγή: Boyd et al., Εικόνα 13: Διάγραμμα ροής υπολογισμού δασικής κάλυψης με τη μέθοδο της παλινδρόμησης, Πηγή: Donmez et al., Εικόνα 14: Διάγραμμα ροής εκτίμησης δασικής κάλυψης με την μέθοδο της ταξινόμησης, Πηγή Souza et al., Εικόνα 15:Απεικόνιση διαδικασίας χαρτογράφησης της δασικής πυκνότητας Εικόνα 16 :Χάρτης της Ελλάδας. Οι γεωφυσικές εικόνες αποτελούν τις δύο περιοχές μελέτης. 67 Εικόνα 17: Περιοχή μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση του δασικού είδους Δρυς,Πηγή: 72 Εικόνα 18: Περιοχή Μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση του δασικού είδους της Χαλέπιος Πεύκης, Πηγή: 72

11 8 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 19: Περιοχή μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση του δασικού είδους Mαύρη Πεύκη, Πηγή: 72 Εικόνα 20: Περιοχή μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση των δασικών ειδών της Ελάτης και της Οξυάς Πηγή: 72 Εικόνα 21: : Περιοχή μελέτης για εικόνα LandSat8 με path 183 και Row 34, για την περίπτωση του δασικού είδους της Ελάτης, Πηγή: 73 Εικόνα 22: Περιοχή μελέτης για εικόνα LandSat8 με path 183 και Row 34, για την περίπτωση των δασικών ειδών της Μαύρης Πεύκης,της Χαλέπιου Πεύκης και του Δρυ Πηγή: 73 Εικόνα 23: Φασματικά κανάλια LandSat 8 με τα αντίστοιχα μήκη κύματος και τη χωρική ανάλυση (Πηγή: USGS) Εικόνα 24: Γραφική απεικόνιση μεταξύ των φασματικών καναλιών των αισθητήρων OLI & TIRS Landsat 8 και Landsat7 ETM+ (Πηγή: USGS) Εικόνα 25: Διαδικασία Συγχώνευσης, Πηγή: Σημειώσεις μαθήματος Διαχείριση τηλεπισκοπικής Παραγωγής Εικόνα 26: Αριστερά σύνθετη εικόνα ατμοσφαρικά διορθωμένη, Δεξιά σύνθετη εικόνα μη ατμοσφαρικά διορθωμένη Εικόνα 27 :Απεικόνιση επιλεγμένων pixels 1ης περιοχής Εικόνα 28: Επιλεγμένα pixels δασικής Κάλυψης Χαλέπιου Πεύκης, 1ης Περιοχής μελέτης Εικόνα 29: Επιλεγμένα pixels δασικής Κάλυψης Δρυ,1ης Περιοχής Εικόνα 30: Επιλεγμένα pixels δασικής Κάλυψης Μαύρης Πεύκης, 1ης Περιοχής Μελέτης Εικόνα 31: Επιλεγμένα pixels δασικής Κάλυψης Οξυάς, 1ης Περιοχής Μελέτης Εικόνα 32: Απεικόνιση διορθωμένων pixelς της 2η υποπεριοχής μελέτης Εικόνα 33: Απεικόνιση των διορθωμένων Pixels για το δασικό είδος της Ελάτης, Θέση Βαλτοσινικού, Αρκαδίας, Κεντρική Πελοπόννησος Εικόνα 34: Απεικόνιση των διορθωμένων Pixels για τα δασικά είδη Μάυρης Πεύκης, Χαλέπιος Πεύκη & Δρύς, Θέση Σελιανά Βέλας, Ευρωστίνη,Αχαϊας Βόρεια Πελοπόννησος Εικόνα 35: Απεικόνιση παράθυρου διαλόγου του λογισμικού Erdas Imagine 2014 για την εφαρμογή της επιθυμητής εξίσωσης του δείκτη βλάστησης Εικόνα 36: Απεικόνιση του μοντέλου του σύνθετου δείκτη AVI (Advanced Vegetation Index).. 93 Εικόνα 37: : Απεικόνιση του μοντέλου του ενισχυμένου δείκτη βλάστησης (EVI)... 94

12 9 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 38: Απεικόνιση του μοντέλου Shadow Index (SI) Εικόνα 39: Πλαίσιο διαλόγου Select by Αttributes σε περιβάλλον ΑrcMap Εικόνα 40: Aπεικόνιση Feature to Pont σε περιβάλλον ArcMap Εικόνα 41: Διαδικασία Παλινδρόμησης σε περιβάλλον SPSS Εικόνα 42: Διαδικασία Παλινδρόμησης σε περιβάλλον SPSS Εικόνα 43: Διαδικασία Παλινδρόμησης σε περιβάλλον SPSS

13 10 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΠΕΡΙΕΧΟΜΕΝΑ ΔΙΑΓΡΑΜΜΑΤΩΝ Διάγραμμα 1: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 2: Ανάλυση τάσης μέσω τιμών του δείκτη ΕVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 3: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 4: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 5: Ανάλυση τάσης μέσω τιμών του δείκτη SAVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 6: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 7: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 8: Γραμμή Παλινδρόμηση τoυ AVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις ) στο ποσοστό δασικής κάλυψης Διάγραμμα 9: Γραμμή Παλινδρόμηση του ΕVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 10: Γραμμή Παλινδρόμηση του NDVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 11: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 12: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 13: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 14: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 15: Ανάλυση τάσης μέσω τιμών του δείκτη EVI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 16: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18334, με ατμοσφαιρική διόρθωση)

14 11 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 17: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 18: Ανάλυση τάσης μέσω τιμών του δείκτη SAVI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 19: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 20: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 21: Γραμμή Παλινδρόμηση του δείκτη AVI για την περιοχή , (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 22: Γραμμή Παλινδρόμηση του δείκτη ΕVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 23: Γραμμή Παλινδρόμηση του δείκτη NDVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 24: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 25: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 26: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 27: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 28: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 29: Ανάλυση τάσης μέσω τιμών του δείκτη EVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 30: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 31: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 32: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 33: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση)

15 12 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 34: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 35: Γραμμή Παλινδρόμηση του δείκτη ΑVI για την περιοχή 18432, (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 36: Γραμμή Παλινδρόμηση του δείκτη ΕVI για την περιοχή (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 37: Γραμμή Παλινδρόμηση του δείκτη ΝDVI για την περιοχή 18432, (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 38: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή 18432, (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 39: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 40: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 41: Διάγραμμα 40: Γραμμή Παλινδρόμηση του δείκτη TNDVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 42: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 43: Ανάλυση τάσης μέσω τιμών του δείκτη ΕVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 44: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 45: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 46: Ανάλυση τάσης μέσω τιμών του δείκτη SAVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 47: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 48: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 49: Γραμμή Παλινδρόμηση του δείκτη ΑVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 50: Γραμμή Παλινδρόμηση του δείκτη EVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

16 13 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 52: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 51: Γραμμή Παλινδρόμηση του δείκτη NDVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 53: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 54: Γραμμή Παλινδρόμηση του δείκτη SΙ για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 55: Γραμμή Παλινδρόμηση του δείκτη TNDVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

17 14 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΠΕΡΙΕΧΟΜΕΝΑ ΠΙΝΑΚΩΝ Πίνακας 1: Λίστα δορυφορικών εικόνων LandSat 8 που χρησιμοποιήθηκαν στο μοντέλο παλινδρόμησης Πίνακας 2: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή χωρίς ατμοσφαιρική διόρθωση Πίνακας 3: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή με ατμοσφαιρική διόρθωση Πίνακας 4: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή χωρίς ατμοσφαιρική διόρθωση Πίνακας 5: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή με ατμοσφαιρική διόρθωση Πίνακας 6:Σειρά χρονικών στιγμών για τις οποίες εκτελέστηκε το μοντέλο των παλινδρομήσεων Πίνακας 7: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Νότια Ελλάδα) Πίνακας 8: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Νότια Ελλάδα) Πίνακας 9: Σειρά χρονικών στιγμών για τις οποίες εκτελέστηκε το μοντέλο των παλινδρομήσεων Πίνακας 10: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Βόρεια Ελλάδα) Πίνακας 11: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Βόρεια Ελλάδα) Πίνακας 12: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 02/02/ Πίνακας 13: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 11/07/ Πίνακας 14: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 12/08/ Πίνακας 15: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 15/10/ Πίνακας 16: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 18/12/

18 15 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Πίνακας 17: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 21/03/ Πίνακας 18: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 22/04/ Πίνακας 19: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 22/04/ Πίνακας 20: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 08/01/ Πίνακας 21: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 09/12/ Πίνακας 22: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 13/04/ Πίνακας 23: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 16/06/ Πίνακας 24: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 19/08/ Πίνακας 25: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 20/09/ Πίνακας 26: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 28/03/ Πίνακας 27: Υπολογισμός παραμέτρων για τη δημιουργία calibration file της λήψης 31/05/

19 16 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΠΕΡΙΕΧΟΜΕΝΑ ΣΧΗΜΑΤΩΝ Σχήμα 1:Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 χωρίς ατμοσφαιρικές διορθώσεις Σχήμα 2: Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 με ατμοσφαιρικές διορθώσεις Σχήμα 3: Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 χωρίς ατμοσφαιρικές διορθώσεις Σχήμα 4: Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 με ατμοσφαιρικές διορθώσεις Σχήμα 5:Συμπεράσματα μοντέλου παλινδρομήσεων περιοχής Σχήμα 6:Συμπεράσματα μοντέλου παλινδρομήσεων περιοχής Σχήμα 7:Κατάταξη σε επίπεδο σημαντικότητας των παραγόντων που επηρεάζουν την ερμηνεία εικόνων δασικής κάλυψης

20 17 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

21 18 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Περίληψη Οι αλλαγές που συντελούνται στο φλοιό της γήινης επιφάνειας λόγω ανθρωπογενών και φυσικών διεργασιών δημιούργησε την ανάγκη για μία συνεχόμενη παρατήρηση των χρήσεωνκαλύψεων γης. Η δορυφορική τηλεπισκόπηση βοήθησε στην ικανοποίηση αυτής της ανάγκης με τη χρήση δορυφορικών δεδομένων τελευταίας γενιάς. Κάθε χρόνο οι πυρκαγιές καταστρέφουν εκατομμύρια στρέμματα έκτασης των παγκόσμιων δασών. Η ξηρασία αλλά και οι έντονες πλημμύρες καταστρέφουν τα δάση. Όλοι αυτοί οι παράγοντες συμβάλουν στην υποβάθμιση των δασικών εκτάσεων με ευρύτατες συνέπειες για τη βιοποικιλότητα, την δημόσια και ατομική υγεία και την οικονομία. Οι άμεσες και οι έμμεσες επιπτώσεις των φυσικών και ανθρωπογενών δραστηριοτήτων μπορεί να είναι καταστροφικές τόσο για τις ανθρώπινες κοινότητες όσο και για τα δασικά οικοσυστήματα. Για τη ορθή αντιμετώπιση αυτών των φαινομένων αλλά και για την ορθή διαχείρηση των δασικών οικοσυστημάτων θα πρέπει να πραγματοποιείται μία συστηματική εκτίμηση τόσο της ποιότητας της δασικής βλάστησης όσο και της δασοκάλυψης. Η μελέτη των μέσων και εργαλείων εκτίμησης της δασικής κάλυψης με τη χρήση

22 19 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν διαχρονικών δορυφορικών δεδομένων αποτελεί αντικείμενο έντονου ερευνητικού ενδιαφέροντος παγκοσμίως. Σκοπός αυτής της διατριβής είναι η εφαρμογή και συγκριτική μελέτη δεικτών βλάστησης σε 8 χρονοσειρές εικόνων LandSat 8, σε δύο ευρύτερες περιοχές στη Βόρεια και στη Νότια Ελλάδα. Για τη βελτιστοποίηση της εν λόγω εφαρμογής οι τιμές των δεικτών βλάστησης συγκρίθηκαν με επίγεια δεδομένα χαρτογράφησης των δασών, τα οποία διορθώθηκαν σε επίπεδο pixel όσον αφορά το ποσοστό της δασοκάλυψης τους. Συνολικά διορθώθηκαν περίπου 1500 pixel για κάθε κατηγορία δασικού είδους όσον αφορά το ποσοστό της δασοκάλυψης. Τα βασικότερα δασικά είδη που αναπτύσσονται στις 2 περιοχές μελέτης είναι: η οξυά, ο Δρύς, η Μαύρη Πεύκη, η Χαλέπιος Πεύκη και η Ελάτη. Επιλέχθηκαν αντιπροσωπευτικοί δείκτες βλάστησης μετά από εκτεταμένη βιβλιογραφική ανασκόπηση. Στην συνέχεια ακολούθησε στατιστική ανάλυση με τη μέθοδο της παλινδρόμησης μεταξύ της εξαρτημένης μεταβλητής δηλαδή του ποσοστού της δασικής κάλυψης με τις ανεξάρτητες τιμές που προέκυψαν από την εφαρμογή των δεικτών. Η εφαρμογή δεικτών βλάστησης σε συνδυασμό με λογισμικά προγράμματα διαχείρισης της γεωγραφικής πληροφορίας όπως και η χρήση εργαλείων επεξεργασίας στατιστικών δεδομένων (SPSS) συμβάλουν σημαντικά στην εξαγωγή

23 20 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν κρίσιμων συμπερασμάτων για τη χρηστικότητα και την ερμηνεία των επεξεργασμένων δορυφορικών δεδομένων. Λέξεις Κλειδιά: LandSat 8, Δασική κάλυψη, Παλινδρόμηση, Δείκτες βλάστησης

24 21 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

25 22 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Abstract Changes occurring on the earth's cortex due to anthropogenic and natural processes have created the need for a continuous observation of land uses. Satellite remote sensing has helped to meet this need with the use of stateoftheart satellite data. Every year, fires destroy millions of acres of world forests. Drought and intense floods destroy forests. All these factors contribute to the degradation of forest land with widespread consequences for biodiversity, public and individual health and the economy. The direct and indirect impacts of natural and manmade activities can be devastating both for human communities and forest ecosystems. To properly address these phenomena and to manage forest ecosystems properly, a systematic assessment of both forest vegetation quality and forest cover should be carried out. The study of instruments and tools for assessing forest cover using timeless satellite data is a subject of intense research interest worldwide. The aim of this dissertation is the application and comparative study of vegetation indices in 8 time series of LandSat 8 images, in two wider areas in Northern and Southern Greece. In order to optimize this implementation, the values of the vegetation indices were compared with ground mapping data of the forests, which were corrected at the pixel level with respect to the percentage of their forest

26 23 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν cover. Altogether approximately 1500 pixels were corrected for each forest species category in terms of the forest cover rate. The most important forest species developed in the two areas of study are: Acacia, Dry, Black Peak, Halepios Pefki and Elati. Representative vegetation indices were selected after extensive bibliographic review. Then a statistical analysis was carried out using the regression method between the dependent variable, ie the percentage of forest cover and the independent values resulting from the application of the indicators. The application of vegetation indices in conjunction with geographic information management software as well as the use of SPSS help significantly draw critical conclusions on the usability and interpretation of processed satellite data. Key words: LandSat 8, Forest Cover, Regression, Vegetation Indices

27 24 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΚΕΦΑΛΑΙΟ Εισαγωγή Στην παρούσα μεταπτυχιακή διατριβή θα διερευνηθεί η εκτίμηση της δασοκάλυψης 2 ευρύτερων περιοχών της Ελλάδας, αξιοποιώντας εργαλεία ανάλυσης δορυφορικών και χαρτογραφικών δεδομένων. Στόχος της εν λόγω μελέτης είναι η ανάδειξη της σχέσης των τιμών που λαμβάνουν τα δορυφορικά δεδομένα εφαρμόζοντας σε αυτά δείκτες βλάστησης με το ποσοστό δασοκάλυψης μέσω της διαδικασίας της γραμμικής παλινδρόμησης. Στο πρώτο κεφάλαιο γίνεται αναφορά στις διαδικασίες της αρχικής επεξεργασίας των δορυφορικών δεδομένων και συγκεκριμένα στις Γεωμετρικές και ατμοσφαιρικές διορθώσεις. Ακολουθεί μία εκτεταμένη βιβλιογραφική ανασκόπηση για τους δείκτες βλάστησης και τις μεθόδους μετρήσεων της δασικής κάλυψης και της δασικής συγκόμωσης. Στο δεύτερο κεφάλαιο γίνεται περιγραφή της περιοχής μελέτης και των δεδομένων που χρησιμοποιήθηκαν στη συγκεκριμένη εργασία. Στο τρίτο κεφάλαιο αναλύεται η διαδικασία επεξεργασίας των δορυφορικών εικόνων LandSat 8 και η εφαρμογή συγκεκριμένων δεικτών βλάστησης σε αυτές, για την εξαγωγή συμπερασμάτων που σχετίζονται με την δασική κάλυψη. Επίσης, αναφέρεται η διαδικασία διόρθωσης των χαρτογραφικών δεδομένων της δασικής κάλυψης για τις δύο υποπεριοχές μελέτης αλλά και το πλήθος των διορθωμένων pixels. Τέλος στο τέταρτο και τελευταίο κεφάλαιο ακολουθούν τα συμπεράσματα της εργασίας μέσω της διαδικασίας της παλινδρόμησης.

28 25 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

29 26 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΚΕΦΑΛΑΙΟ 2 ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ 2.1 Εισαγωγή Στο κεφάλαιο αυτό γίνεται μία βιβλιογραφική ανασκόπηση των δεικτών βλάστησης και των μεθόδων που χρησιμοποιούνται για την εκτίμηση της δασικής κάλυψηςσυγκόμωσης. 2.2 Δείκτες βλάστησης Η βλάστηση είναι συχνά η πρώτη επιφάνεια που αλληλλεπιδρά η ακτινοβολία που καταγράφεται από τους δορυφόρους. Συνήθως για το μεγαλύτερο τμήμα της ξηράς ένας δορυφορικός ανιχνευτής καταγράφει τα χαρακτηριστικά της βλάστησης. Αρκετές αλλαγές που σχετίζονται με την ανάπτυξη και την υγεία της βλάστησης μπορούν να καταγραφούν με τις μεθόδους της δορυφορικής τηλεπισκόπησης καθώς συνοδεύονται από μεταβολές στην εμφάνιση και τη δομή των φυτών. Η δορυφορική τηλεπισκόπηση είναι χρήσιμη στον εντοπισμό και την ταξινόμηση των καλλιεργειών, στην καταγραφή της έκτασης τους, στην ανίχνευση των ασθενειών και στην εκτίμηση της παραγωγής τους. Μέσω της δορυφορικής τηλεπισκόπησης μπορούν να χαρτογραφηθούν οι βασικοί τύποι δασικής βλάστησης αλλά και να παρατηρηθούν περιοχές με μεγάλο οικολογικό ενδιαφέρον όπως για παράδειγμα δασικές εκτάσεις σε απομακρυσμένες περιοχές (Καρτάλης Κ., Φειδάς Χ.). Οι σημαντικότεροι παράγοντες που επηρεάζουν την βλάστηση είναι: Το σχήμα των φύλλων Η μορφολογία

30 27 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Η φυσιολογία του φυτού Το είδος του εδάφους Η ηλιακή γωνία Καιρικές συνθήκες Η διαδικασία ανάκλασης της ηλιακής ακτινοβολίας από ένα φύλλο συνδέεται άμεσα με τη χλωροφύλλη που βρίσκεται σε κάθε σημείο ενός φυτού ή ενός δέντρου. Η χλωροφύλλη δεν απορροφά με τον ίδιο τρόπο όλα τα μήκη κύματος της ορατής ηλιακής ακτινοβολίας. Συγκεκριμένα τα μόρια της χλωροφύλλης απορροφούν επιλεκτικά από 70% έως και 90% της προσπίπτουσας ηλιακής ακτινοβολίας στην περιοχή του μπλε και του κόκκινου. Αντίθετα το πράσινο φως απορροφάτε ελάχιστα και ανακλάται έντονα αποδίδοντας στην βλάστηση την πράσινη απόχρωση της. Η ανακλαστικότητα ενός φύλλου στο ορατό φάσμα του φωτός καθορίζεται από την πολλαπλή σκέδαση του στις κοιλότητες αέρα που δημιουργούνται ανάμεσα στα κύτταρα του φύλλου (χλωροπλάστες) (Καρτάλης Κ., Φειδάς Χ.). Στην περιοχή του εγγύς υπέρυθρου η ανάκλαση ελέγχεται από το σπογγώδη ιστό του φύλλου. Η ανώτερη επιδερμίδα του φύλλου είναι σχεδόν διάφανη για τις περιοχές του εγγύς υπέρυθρου, γι αυτό και η ακτινοβολία που διέρχεται από αυτή σκεδάζεται έντονα από τα κύτταρα και τις κοιλότητες αέρα του σπογγώδη ιστού (Καρτάλης Κ., Φειδάς Χ.). Για το λόγο αυτό όταν μετακινούμαστε από το ορατό φάσμα στο εγγύς υπέρυθρο η ανακλαστικότητα της υγιούς βλάστησης αυξάνει απότομα. Αυτό το χαρακτηριστικό αξιοποιείται σημαντικά από την τηλεπισκόπηση για τη μελέτη της βλάστησης και το διαχωρισμό της από το γυμνό έδαφος. Οι διαφοροποιήσεις στην ανακλαστικότητα των διαφόρων ειδών βλάστησης είναι πιο έντονες στην περιοχή του εγγύς υπέρυθρου και μπορούν να χρησιμοποιηθούν για τη διάκριση των τύπων βλάστησης. Κατά το στάδιο ανάπτυξης του φύλλου η

31 28 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν σπογγώδης περιοχή του αυξάνεται με αποτέλεσμα το ώριμο φύλλο να παρουσιάζει μικρότερη ανακλαστικότητα στο ορατό (περίπου 5%) και μεγαλύτερη στο εγγύς υπέρυθρο (περίπου +15%) ( Barret and Curtis 1999). Εικόνα 1: Κατά την ανάπτυξη του φύλλου παρουσιάζεται μικρότερη ανακλαστικότητα στο ορατό και μεγαλύτερη στο εγγύς υπέρυθρο Όσο ένα φυτό ή δέντρο γερνάει ή φθίνει, η φυσική του κατάσταση σε σχέση με το κανονικό, είτε λόγω προσβολής του από κάποια ασθένεια, είτε από την έλλειψη νερού φθίνουν και μεταβάλλονται τα φασματικά χαρακτηριστικά των φύλλων του. Οι μεταβολές των φασματικών χαρακτηριστικών είναι πιο έντονες στο φάσμα του εγγύς υπέρυθρου, του οποίου η ανακλαστικότητα μειώνεται σημαντικά. Οι κοιλότητες αέρα στον σπογγώδη ιστό καταρρέουν σταδιακά με αποτέλεσμα να μειώνεται η σκέδαση της υπέρυθρης ακτινοβολίας σε αυτές (Campbell,2002).. Η γνώση της φασματικής απόκρισης ενός φύλλου μπορεί να είναι σημαντική για την κατανόηση των φασματικών χαρακτηριστικών της βλάστησης αλλά δεν αρκεί από μόνη

32 29 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν της για την εξαγωγή ενός ασφαλούς συμπεράσματος για την πλήρη ερμηνεία της ανακλαστικότητας περιοχών που καλύπτονται από βλάστηση. Η κόμη της βλάστησης συντίθεται από ένα μεγάλο αριθμό φύλλων τα οποία μπορεί να διαφέρουν σε μέγεθος, προσανατολισμό, σχήμα και βαθμό κάλυψης της επιφάνειας του εδάφους. Η διαστρωμάτωση της κόμης είναι τέτοια ώστε τα ανώτερα στρώματα φύλλων να σκιάζουν τα κατώτερα με αποτέλεσμα να δημιουργείται μία ολική ανακλαστικότητα η οποία είναι αποτέλεσμα μίας σύνθετης διαδικασίας που καθορίζεται από το συνδυασμό της ανακλαστικότητας και της σκίασης των φύλλων (Campbell 2002). H σκίαση των φύλλων των ενδιάμεσων στρωμάτων από τα ανώτερα στρώματα της κόμης τείνει να μειώσει την ανακλαστικότητα της κόμης της βλάστησης σε σχέση με τις τιμές ανακλαστικότητας ενός μεμονωμένου φύλλο που μετρούνται στο εργαστήριο. Η μείωση αυτή είναι σχετικά μικρότερη στο εγγύς υπέρυθρο (από 50% σε 35%) από ότι στο ορατό (από 10% σε 35%) (Campbell,2002). Εικόνα 2 :Απλοποιημένο μοντέλο αλληλεπίδρασης της ακτινοβολίας με την κόμη της βλάστησης Πηγή Μερτίκας 2006 Για την μεθοδικότερη παρατήρηση της βλάστησης αναπτύχθηκαν κατά καιρούς διάφορες μορφές συνδυασμών λόγων, χρησιμοποιώντας μήκη κύματος της περιοχής 0,71,1 μm του ηλεκτρομαγνητικού φάσματος, με μήκη κύματος της περιοχής 0,607 μm, δηλαδή τα φασματικά κανάλια που επιλέγονται είναι στις περιοχές του κόκκινου

33 30 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν και τους εγγύς υπέρυθρου στα οποία η βλάστηση παρουσιάζει φασματική απόκριση αντιστρόφως ανάλογη με αυτή των γυμνών από βλάστηση εδαφών. Αυτοί οι συνδυασμοί είναι γνωστοί ως δείκτες βλάστησης (vegetation Indices) έχουν ως στόχο τον περιορισμό των χρονοβόρων και πολυδάπανων εργασιών πεδίου. Οι δείκτες βλάστησης αποτελούν μέτρο για την εκτίμηση της βιομάζας ή την υγεία της βλάστησης. Ένας δείκτης βλάστησης δημιουργείται από το συνδυασμό των ψηφιακών τιμών σε διάφορα κανάλια οι οποίες προστίθενται, διαιρούνται ή πολλαπλασιάζονται μεταξύ τους με τέτοιο τρόπο ώστε να παράγεται μία μοναδική τιμή για κάθε εικονοστοιχειό της εικόνας η οποία υποδεικνύει την ποσότητα και το επίπεδο της υγιούς βλάστησης που υπάρχει σε αυτή (Campbell,2002). Ακολουθεί περιγραφή των βασικότερων δεικτών βλάστησης που χρησιμοποιούνται στη δορυφορική τηλεπισκόπηση: Δείκτης: Simple Ratio Index (SR) Ο δείκτης SR αποτελεί την πιο απλή μορφή δείκτη βλάστησης και είναι ο λόγος των ψηφιακών τιμών στα δύο φασματικά κανάλια του εγγύς υπέρυθρου (NIR) και του κόκκινου (Red) (Jordan, 1969) : (Jordan, 1969) όπου NIR= Φασματικό κανάλι του εγγύς υπέρυθρου Red= Φασματικό κανάλι στην περιοχή του ερυθρού ορατού Σε μία εικόνα που έχει εφαρμοστεί ο δείκτης SR του λόγου των αντίστοιχων καναλιών οι δύο αυτές επιφάνειες θα εμφανίζουν σημαντική διαφορά στην τιμή του λόγου και συνεπώς θα διαχωρίζονται πλήρως. Συγκεκριμένα ο λόγος της ανακλαστικότητας της

34 31 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν βλάστησης στις δύο αυτές φασματικές περιοχές είναι μεγαλύτερος με αποτέλεσμα η βλάστηση να φαίνεται πιο φωτεινή στη νέα εικόνα (Jordan, 1969) O Δείκτης Difference Vegetation Index (DVI) O Δείκτης (DVI) υπολογίζεται από την παρακάτω σχέση: (Tucker, 1979). Αφορά έναν υπολογιστικά απλό δείκτη με σκοπό να αναδείξει την αντίθεση της φασματικής απόκρισης στο ερυθρό και στο υπέρυθρο. Όσο αυξάνει το φύλλωμα, το έδαφος κρύβεται με τα εικονοστοιχεία της βλάστησης να παρουσιάζουν μία τάση να αυξηθούν κάθετα της απόστασης από την γραμμή εδάφους. Οι τιμές του δείκτη όταν είναι μικρότερες του μηδέν αφορούν περιοχές με νερό, ενώ όταν ο δείκτης παίρνει τιμές μεγαλύτερες του μηδέν δείχνουν βλάστηση. Στις περιπτώσεις που ο δείκτης DVI παίρνει μηδενικές τιμές αναφέρεται σε περιοχές με γυμνό έδαφος (Tucker, 1979) Δείκτης Normalised Difference Vegetation Index (ΝDVI) O δείκτης Normalized Difference Vegetation Index (NDVI) υπολογίζεται σύμφωνα με την παρακάτω σχέση: (Rouse et al.1974) Είναι ο γνωστότερος δείκτης βλάστησης που χρησιμοποιείται και αναπτύχθηκε από τον Rouse et al Βασίζεται στην αντίθεση μεταξύ της μέγιστης απορρόφησης στο κόκκινο λόγω της χρωστικής της χλωροφύλλης και της μέγιστης ανάκλασης στην

35 32 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν υπέρυθρη που προκαλείται από την κυτταρική δομή των φύλλων. Ο δείκτης αυτός παρέχει την ίδια πληροφορία με τον δείκτη SR μόνο που οι τιμές του περιορίζονται σημαντικά έτσι ώστε να είναι πιο αξιόπιστες. Η κλίμακα των τιμών του κυμαίνονται από 1 έως και 1 με το 0 να είναι το όριο απουσίας της βλάστησης. Πιο συγκεκριμένα, τιμές μεγαλύτερες από 0.1 αποτυπώνουν υψηλό επίπεδο βλάστησης. Αντίθετα οι τιμές μεταξύ 0 και 0.1 είναι χαρακτηριστικό γυμνού εδάφους. Αξίζει να σημειωθεί ότι χαμηλές τιμές του συγκεκριμένου δείκτη δεν παρουσιάζουν απαραίτητη απουσία βλάστησης, καθώς και τους χειμερινούς μήνες τα φυλλοβόλα δάση μπορεί να φαίνονται πιο πορτοκαλί από πράσινα. Συνήθως χρησιμοποιείται στην εκτίμηση της βιομάζας, των μεταβολών της βλάστησης στο χώρο και το χρόνο, στην εκτίμηση διάρκειας της περιόδου ανάπτυξης και των περιόδων ξηρασίας και στον εντοπισμό περιοχών οικολογικού ενδιαφέροντος. Παρά τη συχνή του χρήση για την ερμηνεία των βιοφυσικών παραμέτρων της βλάστησης σε περιπτώσεις πυκνής και πολυεπίπεδης συγκόμωσης παρουσιάζει μία μη γραμμική σχέση (Baret & Guyot 1991;Lillesaeter, 1982). Γι αυτό το λόγο αναπτύχθηκαν βελτιωμένοι δείκτες βλάστησης και συγκεκριμένα ο Renormalized Difference Vegetation Index (RDVI; Rougean & Breon, 1995) και ο δείκτης Modified Simple Ratio (MSR; Chen,1996) έτσι ώστε να επιτευχθεί γραμμικότητα στις σχέσεις τους με τις βιοφυσικές παραμέτρους της βλάστησης. Εικόνα 3: Απλοποιημένο μοντέλο αλληλεπίδρασης της ακτινοβολίας με την κόμη της βλάστησης, NDVI

36 33 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Δείκτης Renormalized Difference Vegetation Index (RDVI) Ο Δείκτης Renormalized Difference Vegetation Index αφορά έναν δείκτη που συνδυάζει τα πλεονεκτήματα των δεικτών DVI και ΝDVI για χαμηλή και υψηλή κάλυψη βλάστησης (Rougean, J. L., & Breon, εξίσωση: 1995). Ο δείκτης υπολογίζεται από την παρακάτω (Rougean, J. L., & Breon, 1995) Ο Δείκτης Modified Simple Ratio (MSR)) Ο Δείκτης ΜSR είναι βελτιωμένος δείκτης του RDVI και αφορά περιπτώσεις ευαισθησίας στις βιοφυσικές παραμέτρους της βλάστησης μέσω συνδυασμού του με τον δείκτη Simple Ratio (Jordan, 1969). Oι δείκτες SR και MSR θεωρούνται πιο γραμμικοί σε σχέση με τις βιοφυσικές παραμέτρους της βλάστησης (Haboudane et.al 2004). Ο δείκτης MSR υπολογίζεται από την παρακάτω εξίσωση:

37 34 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Ο δείκτης Perpendicular Vegetation Index (PVI) Οι περισσότεροι δείκτες βλάστησης στηρίζονται στην ύπαρξη μίας γραμμής εδάφους στη αντανάκλαση που καταγράφεται στο φάσμα μεταξύ κόκκινου και εγγύς υπέρυθρου. Το έδαφος έχει μία συγκεκριμένη φασματική υπογραφή που το διαφοροποιεί από τα άλλα είδη εδαφικής κάλυψης. Στο ορατό και κοντινό υπέρυθρο φάσμα η ανάκλαση αυξάνεται ανάλογα με την αύξηση του μήκους κύματος (Huete 1988). Η υφή και η δομή του εδάφους καθορίζουν αν το έδαφος αντανακλά την ενέργεια ως ένα διάχυτο η κατοπτρικό ανακλαστήρα. Η υγρασία του εδάφους και η οργανική ύλη αυξάνουν την απορροφητικότητα του εδάφους και οδηγούν σε χαμηλότερη συνολική ανάκλαση του εδάφους. Ωστόσο η σχέση μεταξύ ανάκλασης στο κοντινό υπέρυθρο παραμένει σχετικά σταθερή. O κατακόρυφος δείκτης βλάστησης (PVI) των Richardson και Wiegand (1977), χρησιμοποίησε τους κόκκινους και τους εγγύς υπέρυθρους διαύλους για να υπολογίσει την κατακόρυφη απόσταση της ραδιομετρικής τιμής κάθε pixel από τη γραμμή των ραδιομετρικών τιμών του εδάφους. Οι περιοχές χωρίς βλάστηση χαρακτηρίζονται όταν η κατακόρυφη απόσταση των pixels από τη γραμμή εδάφους είναι μικρότερη του 7, ενώ σε αντίθετη περίπτωση υπάρχει βλάστηση. Για την εφαρμογή του PVI σε δορυφορική εικόνα απαιτείται ατμοσφαιρική διόρθωση των εικόνων γιατί παρουσιάζει έντονη ευαισθησία στις ατμοσφαιρικές μεταβολές. Οι συντελεστές a και b αντιπροσωπεύουν την κλίση και το σημείο τομής αντίστοιχα της γραμμής εδάφους (Richardson et al.1977). Η αδυναμία του PVI είναι ότι βασίζεται στην υπόθεση ότι θα υπάρχει μόνο ένας τύπος εδάφους κάτω από τη βλάστηση. Ωστόσο αυτό δεν συμβαίνει πάντα, ιδιαίτερα σε μεγάλες περιοχές, όπου συχνά υπάρχει ένα μείγμα από διαφορετικούς τύπους εδαφών (για παράδειγμα ένα μείγμα από άμμο και χώμα) μέσα σε πολύ μικρό χώρο. Ο δείκτης PVI υπολογίζεται από την παρακάτω εξίσωση:

38 35 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν PVI= [(NIRa) * (redb)]/ a^2+1 (Richardson and Wiegand, 1977) O δείκτης Soil Adjusted Vegetation Index (SAVI) O εδαφικά προσαρμοσμένος δείκτης βλάστησης δημιουργήθηκε από τον Huete το 1988 με άμεσο σκοπό την ελάττωση των επιπτώσεων της φωτεινότητας του εδάφους (Huete, 1988). O Huete (1988) ανακάλυψε ότι η ευαισθησία των δεικτών βλάστησης στο εδαφικό παρασκήνιο (δηλαδή στο τμήμα γυμνού εδάφους που αχνοφαίνεται πίσω από την κάλυψη βλάστησης) ήταν μεγαλύτερη σε μετρήσεις συγκόμωσης με μεσαία επίπεδα κάλυψης της βλάστησης (κυρίως έως 50% πράσινη κάλυψη). Γι αυτό το λόγο αναπτύχθηκε ο εδαφικά προσαρμοσμένος δείκτης βλάστησης που λαμβάνει υπόψη την ύπαρξη γυμνού εδάφους και το διαχωρίζει από την ανιχνεύσιμη βλάστηση. Για την ελάττωση των επιπτώσεων της φωτεινότητας του εδάφους ο Huete εισήγαγε έναν συντελεστή L (Huete,1988). Οι τιμές αυτού του συντελεστή είναι άρρηκτα συνδεδεμένες με την πυκνότητα βλάστησης. Συγκεκριμένα για πολύ αραιή βλάστηση λαμβάνει την τιμή 1, για περιοχές με πολύ πυκνή βλάστηση λαμβάνει την τιμή 0. Τέλος ο συντελεστής διόρθωσης L για περιοχές όπου ποικίλει η κάλυψη βλάστησης ή είναι άγνωστη λαμβάνει συνήθως την τιμή 0,5 (Huete,1988). Ο υπολογισμός του συγκεκριμένου δείκτη δίνεται από την ακόλουθη εξίσωση: (Huete, 1988) NIR: Μήκος Κύματος στο Εγγύς Υπέρυθρο. RED: Μήκος Κύματος στο Ερυθρό.

39 36 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν L: Μεταβλητή με τιμές 0 (πλήρης φυτοκάλυψη) έως 1 (Καθόλου Φυτοκάλυψη). Εικόνα 4 :Αριστερά εικόνα Landsat 8 OLI στις , Δεξιά εικόνα με τον εδαφικά προσαρμοσμένο δείκτη βλάστησης SAVI Τα αποτελέσματα από την εφαρμογή του SAVI απεικονίζονται ως διαβαθμίσεις του γκρι O Δείκτης Weighted Difference Vegetation Index (WDVI) Αφορά έναν υπολογιστικά απλό δείκτη ο οποίος μεγιστοποιεί την ανάκλαση στο υπέρυθρο και ελαχιστοποιεί την ανάκλαση με τον συντελεστή (s). Ο συντελεστής (s) εκφράζει την κλίση της γραμμής του εδάφους. Η στάθμιση του κόκκινου καναλιού με τον συντελεστή κλίσης συμβάλει στην ενίσχυση του σήματος της βλάστησης στο κοντινό υπέρυθρο κανάλι και αντίστοιχα στην ελαχιστοποίηση των επιπτώσεων της φωτεινότητας του εδάφους. Ο δείκτης WDVI εμφανίζει μεγάλη ευαισθησία στις ατμοσφαιρικές επιδράσεις, γι αυτό και οι αρχικές εικόνες πρέπει να έχουν υποστεί ατμοσφαιρικές διορθώσεις πριν την εφαρμογή του (Richardson et al.1977), (Clevers 1988). Ο δείκτης WDVI δίνεται από την παρακάτω εξίσωση:

40 37 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν WDVI=NIRs*RED Ο δείκτης Modified Soiladjusted Vegetation Index (MSAVI) O Τροποποιημένος εδαφικά προσαρμοσμένος δείκτης βλάστησης αποτελεί μία βελτίωση του δείκτη SAVI. O MSAVI δημιουργήθηκε για να αντικαταστήσει τη σταθερά L που χρησιμοποιείται κατά τον υπολογισμό του δείκτη SAVI με τέτοιο τρόπο ώστε η προσαρμογή να γίνεται αυτοματοποιημένα έτσι ώστε να αυξηθεί η ευαισθησία του δείκτη SAVI στη βλάστηση αυξάνοντας τη δυναμική ακτίνα του όσον αφορά τη βλάστηση και μειώνοντας περαιτέρω τους θορύβους μίας εικόνας που προκαλούνται από το έδαφος στο παρασκήνιο (Qi et al 1994). Ο Qi στην έρευνα του καταλήγει ότι ο δείκτης προσαρμογής L για να επιτυγχάνεται κάθε φορά η αυτοπροσαρμογή του σε όλες τις συνθήκες εδάφους μειώνοντας σημαντικά τους θορύβους δίνεται από την σχέση: όπου ( Και b: η κλίση της γραμμής εδάφους Ο τροποποιημένος εδαφικά προσαρμοσμένος δείκτης βλάστησης (MSAVI) δίνεται από την ίδια ακριβώς εξίσωση που υπολογίζεται ο δείκτης SAVI με τη μόνη διαφορά ότι το L δίνεται από την παραπάνω σχέση (Qi et al 1994). (Qi et al. 1994)

41 38 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Ο δείκτης Modified Soil Adjusted Vegetation Index 2, (MSAVI2) O τροποποιημένος εδαφικά προσαρμοσμένος δείκτης βλάστησης 2 δημιουργήθηκε με στόχο τη διόρθωση της φωτεινότητας του εδάφους σε διαφορετικές συνθήκες κάλυψης της βλάστησης (Περάκης και άλλοι,2015). Συγκεκριμένα επιτυγχάνεται η απομάκρυνση του θορύβου από την ανάκλαση του εδάφους όταν αυτό δεν επιτυγχάνεται με την εφαρμογή άλλων δεικτών βλάστησης και η κανονικοποιημένη διόρθωση ώστε οι τιμές να είναι εκτός του διαστήματος 1 έως και 1. Το μεγαλύτερο πλεονέκτημα του δείκτη MSAVI2 είναι ότι δεν απαιτείται προσδιορισμός της γραμμής εδάφους με εμπειρικό τρόπο. Οι τιμές που λαμβάνει ο δείκτης για κάτω από το 0 υποδηλώνουν απουσία βλάστησης ενώ πάνω από το 0 παρουσία βλάστησης (Qi et al 1994). O δείκτης υπολογίζεται από τον αλγόριθμο που ακολουθεί: Περάκης και άλλοι,(2015)

42 39 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 5: Αριστερά εικόνα LandSat TM4, Δεξιά Ο δείκτης MSAVI2 Στην αριστερή εικόνα οι περιοχές που απεικονίζονται με κόκκινο χαρακτηρίζουν την παρουσία υγιούς βλάστησης. Στη δεξιά εικόνα έχει εφαρμοστεί ο αλγόριθμος MSAVI2, που προσδιορίζει τις περιοχές με υψηλή βιομάζα άρα τα αντίστοιχα pixels θα εμφανίζονται με υψηλούς τόνους του γκρι. Οι καλύψεις που παρουσιάζουν υψηλά ποσοστά βιομάζας στην εικόνα είναι: 1) Οι καλλιεργούμενες εκτάσεις που βρίσκονται στο κεντρικό και βόρειο τμήμα της εικόνας και 2) Η φυσική βλάστηση που εντοπίζεται στο νότιο τμήμα της εικόνας Ο δείκτης MSI ( Moisture Stress Index) O δείκτης MSI δίνεται από τη σχέση (Sow et al.,2013) : MSI=MIR/NIR όπου ΜΙR: Φάσμα του μέσου υπέρυθρου

43 40 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Και NIR: Φάσμα του εγγύς υπέρυθρου Ο δείκτης Enhanced Vegetation Index (EVI) Ο δείκτης Enhanced Vegetation Index, (EVI) αναπτύχθηκε για εφαρμογές δορυφορικών δεδομένων του δορυφόρου MODIS. Αποτελεί ένα τροποποιημένο δείκτη του NDVI έτσι ώστε χρησιμοποιώντας έναν συντελεστή προσαρμογής για το έδαφος ο οποίος ονομάζεται (L), δύο ακόμη συντελεστές προσαρμογής τον C1 & C2 για τις επιδράσεις της ατμόσφαιρας στο μπλε και στο κόκκινο τμήμα φάσματος αντίστοιχα και έναν ακόμη συντελεστή G. Ο EVI εμφανίζει μεγάλη ευαισθησία σε περιοχές με υψηλά ποσοστά βιομάζας με παράλληλα πολύ μικρές ατμοσφαιρικές επιδράσεις (π.χ Νέφωση) (Huete et al.1999). Οι τιμές των συντελεστών προσαρμογής έχουν προκύψει ύστερα από εμπειρικές παρατηρήσεις και λαμβάνουν τις τιμές 6.0, 7.5,1.0 και 2,5 αντίστοιχα για τους συντελεστές C1, C2, L και G. O δείκτης EVI υπολογίζεται από την παρακάτω εξίσωση: O δείκτης βλάστησης NDVI εμφανίζει ευαισθησία στη χλωροφύλλη ενώ ο δείκτης βλάστησης EVI ανταποκρίνεται καλύτερα στις δομικές μεταβολές της συγκόμωσης, συμπεριλαμβάνοντας τον leaf area index (LAI), τύπους συγκόμωσης, φυσιογνωμία του φυτού και τη δομή της συγκόμωσης. Ο δείκτης EVI χρησιμοποιείται από αρκετές μελέτες παγκοσμίως για την βελτίωση της ανίχνευσης των μεταβολών της βλάστησης αλλά και την εξαγωγή των βιοφυσικών παραμέτρων της συγκόμωσης. Μία ακόμη σημαντική διαφοροποίηση του δείκτη βλάστησης EVI από τον δείκτη NDVI είναι ότι στην παρουσία χιονιού όσο οι τιμές του NDVI μειώνονται τόσο οι τιμές του EVI αυξάνονται (Huete,2002). To 2000 αφότου τέθηκαν σε δορυφορική τροχιά οι δύο

44 41 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν αισθητήρες του MODIS στον δορυφόρο Terra και στον δορυφόρο Aqua, ο δείκτης βλάστησης EVI απέκτησε μεγάλη αναγνωρισιμότητα, λόγο της ικανότητας του να εξαλείφει τους ατμοσφαιρικούς θορύβους και γενικότερα τους θορύβους που βρίσκονται στο παρασκήνιο (Matsushita et al. 2007). Εικόνα 6: Aριστερά Πολυφασματική εικόνα LandSat 8, Δεξιά εικόνα EVI Δείκτης Bare Soil Index BSI Ο δείκτης Bare Soil index αποτελεί έναν δείκτη βλάστησης που συνδυάζει τις φασματικές περιοχές του ορατού μπλε, κόκκινου, εγγύς υπέρυθρου και τη φασματική περιοχή με βραχύ υπέρυθρες (Short Wave Infrared SWIR) για να συλλάβει τις εδαφικές εναλλαγές. Αυτά τα φασματικά κανάλια χρησιμοποιούνται με κανονικοποιημένο τρόπο. Τα κανάλια των SWIR και του ερυθρού χρησιμοποιούνται για την ποσοτικοποίηση των ορυκτών στο έδαφος, ενώ οι φασματικές περιοχές του ορατού μπλε και του εγγύς υπέρυθρου χρησιμοποιούνται για να ενισχύσουν την παρουσία της βλάστησης (Nguyen Ba Duy and Tran thi Huong Giang, 2012). O δείκτης bare soil index υπολογίζεται από τον παρακάτω αλγόριθμο:

45 42 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν BSI= [(SWIR+RED) (NIR+BLUE)] / [(SWIR+RED)+(NIR+BLUE)] (Nguyen Ba Duy and Tran thi Huong Giang, 2012) Δείκτης Shadow Index (SI) Τα χαρακτηριστικά της σκίασης που προκαλείται από την συγκόμωση της βλάστησης συνδέονται με τη συνολική φασματική ακτινοβολία που ανακλάται από την συγκόμωση. Η σκίαση της συγκόμωσης παρέχει βασικές πληροφορίες σχετικά με τα δέντρα και την διάταξη των φυτών (Ono,2010). Ως δείκτης τηλεπισκόπησης ο Δείκτης Σκίασης υπολογίζεται χρησιμοποιώντας του διαύλους του ορατού φάσματος με τέτοιο τρόπο που προσομοιώνει το μέγεθος της φασματικής πληροφορίας που δεν αντανακλάται πίσω στο δορυφορικό δέκτη. Ο δείκτης σκίασης εφαρμόζεται κυρίως στη δασοκομία και την παρακολούθηση των καλλιεργειών. Συνδυάζεται συνήθως με τους δείκτες AVI (Advanced Vegetation Index) και ΒSI (bare soil Index) για την κατανόηση της κατάστασης που βρίσκεται η βλάστηση (Ono, 2010). Ο δείκτης σκίασης υπολογίζεται από την παρακάτω εξίσωση: SI= [(1BLUE)*(1GREEN)*(1RED)]^1/ Δείκτης Advanced Vegetation Index (AVI) Ο δείκτης βλάστησης AVI αποτελεί έναν αριθμητικό δείκτη, παρόμοιο με τον Δείκτη NDVI που χρησιμοποιεί τους φασματικούς διαύλους του κόκκινου και του εγγύς υπέρυθρου. Ο AVI χρησιμοποιείται συνήθως σε διαχρονικές μελέτες βλάστησης για την παρακολούθηση των καλλιεργειών και τις μεταβολές των δασών. Μέσω της παρακολούθησης διαχρονικών δεδομένων και τον συνδυασμό των δεικτών AVI και ΝDVI μπορούν να διακριθούν διαφορετικά είδη βλάστησης αλλά και να εξαχθούν φαινολογικά χαρακτηριστικά και παράμετροι ειδών βλάστησης (Krishnendu et al.2014).

46 43 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Ο δείκτης (AVI) υπολογίζεται από την παρακάτω εξίσωση: ΑVI= [NIR*(1RED)*(NIR RED)]^1/3 (Krishnendu et al.2014) Εικόνα 7: Αριστερά Πολυφασματική εικόνα LandSat 8, Δεξιά δείκτης AVI, H λήψη της εικόνας έγινε στις Ο δείκτης Normalized Pigment Ratio Index (NPCRI) O δείκτης Normalized Pigment Chlorophyll Ratio Index υπολογίζεται σύμφωνα με την παρακάτω εξίσωση (Wang et al.2009): NPCRI= (REDBLUE)/ (RED + BlUE) Ο παραπάνω δείκτης αποτελεί μια αριθμητική ένδειξη για την περιεκτικότητα σε χλωροφύλλη. Χρησιμοποιώντας τις φασματικές περιοχές του ορατού μπλε και του

47 44 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν κόκκινου μπορεί να συγκεντρώσει πληροφορίες που απαιτούνται για την ποσοτικοποίηση του αζώτου και της χλωροφύλλης (Yanning Guan et al.2005) Ο δείκτης Modified Chlorophyll Absorption Ration Index (MCARI) Για να μετρηθεί η απορρόφηση φωτός από την χλωροφύλλη στην κόκκινη περιοχή (670nm), αναπτύχθηκαν δείκτες ενσωμάτωσης ζωνών στα ακραία τμήματα του πράσινου και του κόκκινου του ηλιακού φάσματος. Οι Kim et.al (1994) παρουσιάζει την αναλογία (R700/R670) για την ελαχιστοποίηση των συνδυασμένων αποτελεσμάτων της υποκείμενης ανάκλασης εδάφους και των μη φωτοσυνθετικών υλικών συγκόμωσης, ενώ οι Gitelson και Merzylak (1996) έχουν βρει μια ισχυρή συσχέτιση μεταξύ της συγκέντρωσης των φύλλων της χλωροφύλλης και τις αναλογίες ανακλαστικότητας (R750/R550) και (R750/R700). Oι Kim et.al (1994) ανέπτυξαν το δείκτη Chlorophyll Absorption Ratio Index (CARI), ο οποίος μετράει το βάθος της απορρόφησης της χλωροφύλλης στα 670 nm σε σχέση με την κορυφή της πράσινης ανάκλασης στα 550 nm και την ανάκλαση στα 700nm και εντάσσεται στην κατηγορία των δεικτών κλίσης. Οι Daughtry et al(2000) απλοποίησαν το δείκτη CARI για να δημιουργήσουν το δείκτη Modified Chlorophyll Absorption Ratio Index (MCARI), ο οποίος προσδιορίζεται ποσοτικά με την ακόλουθη εξίσωση και εντάσσεται στην κατηγορία των δεικτών κλίσης: (Daughtry et al(2000)

48 45 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν O Δείκτης Modified Chlorophyll Absorption Ration Index Improved (MCARI2) Αυτός ο δείκτης είναι παρόμοιος με τον MCARI αλλά θεωρείται καλύτερος ως προς την πρόβλεψη της περιοχής της βλάστησης που αντανακλά καλύτερα το ορατό πράσινο (green leaf area index LAI). H συμπίεση του δείκτη Ratio (R700/R670) πραγματοποιήθηκε προκειμένου να μειωθεί η ευαισθησία στις επιδράσεις της χλωροφύλλης και η ενσωμάτωση ενός εγγύς υπερύθρου μήκους κύματος για να αυξήσει την ευαισθησία στις αλλαγές του δείκτη LAI. Κατά συνέπεια, η εξίσωση του δείκτη MCARI απλοποιείται και μια παραλλαγή του παραπάνω δείκτη δημιουργείται και συμβολίζεται MCARI1 (haboudane D.,et al.,2004). Είναι τυποποιημένη ως εξής : (haboudane D.,et al.,2004) O δείκτης Triangular Vegetation index (TVI) Εμπνευσμένοι από τη γενική ιδέα του CARI, οι Broge και Leblanc (2000) ανέπτυξαν το δείκτη the Triangular Vegetation Index (TVI), ο οποίος έχει ως στόχο να χαρακτηρίσει την ακτινοβολούμενη ενέργεια που απορροφάται από χρωστικές φύλλων από την άποψη της σχετικής διαφοράς μεταξύ της κόκκινης και της εγγύς υπέρυθρης ανακλαστικότητας σε συνδυασμό με το μέγεθος της ανακλαστικότητας στην πράσινη περιοχή (Broge and Leblanc, 2000). Ο δείκτης TVI υπολογίζεται ως η περιοχή ενός υποθετικού τριγώνου στο φασματικό χώρο που συνδέει, την μέγιστη τιμή αντανάκλασης πρασίνου, την ελάχιστη απορρόφηση χλωροφύλλης και την περιοχή του

49 46 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν εγγύς υπέρυθρου. Όταν η απορρόφηση της χλωροφύλλης προκαλεί μείωση της κόκκινης αντανάκλασης, και ο ιστός των φυλλωμάτων προκαλεί αύξηση στην αντανάκλαση στο φάσμα του εγγύς υπέρυθρου, τότε η συνολική περιοχή του τριγώνου αυξάνεται. Ο δείκτης TVI εμφανίζει ιδιαίτερη ευαισθησία στην αύξηση της χλωροφύλλης και ταυτόχρονα αυξάνεται και ο υπολογισμός της πυκνότητας της συγκόμωσης. Υπολογίζεται από την παρακάτω εξίσωση: (Broge and Leblanc, 2000) Ο δείκτης Transformed Normalized Vegetation Index (TNDVI) O δείκτης ΤNDVI αποδίδει την βιομάζα της βλάστησης και εκφράζεται ως ο ρυθμός της αντανάκλασης του εγγύς υπέρυθρου προς την περιοχή του ορατού κόκκινου (Huete, 1999). O δείκτης TNDVI υπολογίζεται από την παρακάτω σχέση: O Greenland (1994) εκφράζει τον δείκτη TNDVΙ ως «ολοκληρωμένη λειτουργία φωτοσύνθεσης, ανίχνευσης της περιοχής των φύλλων ενός δέντρου και εξατμισοδιαπνοής». Η ποσότητα της βιομάζας είναι άμεσα και αντιστρόφως σχετιζόμενη με την επιφανειακή θερμοκρασία της βλάστησης ως συνάρτηση διαφόρων αλληλοσυνδεόμενων επιπτώσεων, συμπεριλαμβανομένης της εξατμισοδιαπνοής, της ψύξης, της παρεμβολής της ηλιακής ακτινοβολίας και της υγρασίας (Friedl and Davis 1994; Sandham and Zietsman, 1997;Yang et al.2008).

50 47 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν O δείκτης Soil and Atmospherically Resistant Vegetation Index (SARVI) O δείκτη SARVI αποτελεί το συνδυασμό δύο άλλων δεικτών βλάστησης. Συγκεκριμένα του δείκτη βλάστησης ARVI (atmospherically resistant vegetation index) που είχε προταθεί από τον Kaufman και τον Τanre (1992). Ο δείκτης ARVI δημιουργήθηκε για την ελαχιστοποίηση των ατμοσφαιρικών επιδράσεων και τη διόρθωση των φασματικών τιμών έτσι ώστε να διακρίνεται η βλάστηση. Ο δείκτης ARVI ενσωματώνει μία διαδικασία αυτοδιόρθωσης των ατμοσφαιρικών επιδράσεων στο ορατό κόκκινο χρησιμοποιώντας τη διαφορά μεταξύ της κόκκινης και της μπλε ακτινοβολίας (Τanre,1992). O δείκτης ARVI όταν συνδυάζεται με το δείκτη SAVI (όπως έχει αναφερθεί παραπάνω βλ ) δίνει το αποτέλεσμα του δείκτη SARVI. O δείκτης SARVI υπολογίζεται από την παρακάτω σχέση: SARVI= (1+L) *(NIRRB)/(NIR+RB+L), όπου RB=RedGamma* (BlueRed) Και L=0,5 παράγοντας για τη διόρθωση της κάλυψης της βλάστησης Gamma=1 Παράγοντας σταθεροποίησης της περιεκτικότητας σε Αεροζόλ παίρνει την τιμή 1 σύμφωνα με τον (Kaufman & Tanre, 1992) 2.3 Δείκτες ορθογωνικού Μετασχηματισμού Ο Ορθογωνικός μετασχηματισμός αποτελεί μία διεργασία του νδιάστατου χώρου της εικόνας που παράγει νέες συνιστώσες δηλαδή εικόνες οι οποίες δεν σχετίζονται μεταξύ τους και ταξινομούνται σύμφωνα με το μέγεθος της μεταβλητότητας που αναπαριστούν στην αρχική εικόνα. Δηλαδή οι νέες εικόνες που προκύπτουν από τον ορθογωνικό Μετασχηματισμό καταλήγουν με πληροφορία στην οποία έχει αφαιρεθεί η αρχική επαναλαμβανόμενη πληροφορία που υπήρχε σε γειτονικά φασματικά κανάλια και ήταν αλληλοεπικαλυπτόμενη (Μερτίκας,2006). Οι 2 κύριες συνιστώσες που

51 48 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν προκύπτουν από τον ορθογωνικό μετασχηματισμό αναπαριστούν συνήθως η μεν 1 η κύρια συνιστώσα την ανακλώμενη προς την προσπίπτουσα ενέργεια που οφείλεται κυρίως στο γυμνό έδαφος και η 2 η κύρια συνιστώσα κυρίως τη μεταβολή στην κάλυψη της βλάστησης (Μερτίκας,2006). Οι δύο βασικοί δείκτες ορθογωνικού Μετασχηματισμού είναι: 1. Ανάλυση στις κύριες συνιστώσες (Principal Component Analysis PCA) 2. Μετασχηματισμός Kauth & Thomas (Tasseld Cap) 2.4 Ανάλυση στις κύριες συνιστώσες Στην τηλεπισκόπιση την τελευταία δεκαετία δημιουργήθηκαν πολλοί δορυφόροι θέτοντας όλο και περισσότερο υψηλά επίπεδα ποιότητας δορυφορικών εικόνων. Η υψηλή χωρική διακριτική ικανότητα ενός δορυφόρου συνεπάγεται μικρή επιφάνεια εικονοστοιχείων. Η διαφασματική συσχέτιση δημιουργεί πολλές φορές σημαντικά προβλήματα στην ανάλυση των πολυφασματικών δεδομένων. Εικόνες που δημιουργούνται από ψηφιακά δεδομένα διαφορετικών φασματικών καναλιών λόγω της συσχετιζόμενης πληροφορίας δεν μπορούν να ερμηνευτούν. Η ανάγκη συμπίεσης του μέγιστου δυνατού όγκου των πληροφοριών οδήγησε στη χρήση μιας μεθόδου κατάλληλης για την δημιουργία ενός αριθμού νέων φασματικών καναλιών τα οποία, χωρίς να συσχετίζονται μεταξύ τους, μπορούν να συγκεντρώνουν ήδη από τα αρχικά το μέγιστο ποσοστό της διακύμανσης των ραδιομετρικών τιμών των pixels. Κατά τη διαδικασία αυτή διατηρείται σχεδόν το σύνολο της πληροφορίας που παρέχουν τα αρχικά δεδομένα (Lillesand & Kiefer, 2000). Με αυτό τον τρόπο μειώνεται η επιπλέον πληροφορία των καναλιών της εικόνας και συμπιέζεται η χρήσιμη πληροφορία σε ένα μικρότερο αριθμό καναλιών. Τα νέα κανάλια είναι ασυσχέτιστα μεταξύ τους με αποτέλεσμα η ερμηνεία τους να είναι πιο εύκολη. Η ανάλυση κύριων συνιστωσών πρόκειται για μια στατιστική τεχνική η οποία εφαρμόζεται στη διαδικασία βελτίωσης των εικόνων με σκοπό τη συμπίεσή τους. O όρος συμπίεση χρησιμοποιείται

52 49 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν με την έννοια ότι με την εφαρμογή της μεθόδου PCT τα δεδομένα από έναν πολυδιάστατο χώρο διαύλων μετασχηματίζονται σε χώρο λιγότερων διαστάσεων χωρίς να χάσουν τις ατομικές εσωτερικές τους σχέσεις, γεγονός που αποτρέπει κάποια απώλεια πληροφορίας (Τσακίρη, 2015). O βαθμός συσχέτισης μεταξύ των διαύλων μιας πολυφασματικής εικόνας μπορεί να υπολογισθεί με τη βοήθεια του πίνακα συσχέτισης της εικόνας. Εικόνα 8:Εξίσωση και πίνακας συμμετεβλητότητας Πηγή: Τσακίρη 2015 Εικόνα 9: Πίνακας συσχέτισης (R) μιας εικόνας Πηγή: Τσακίρη 2015

53 50 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 10 :Μέθοδος PCA στην περίπτωση του Landsat TM, τα 7 φασματικά κανάλια μπορούν να συμπιεστούν σε 3, τα οποία περιγράφουν το 90% της αρχικής πληροφορίας 2.5 Μετασχηματισμός Kauth & Thomas (Tasseled Cap) O μετασχηματισμός Tasseled Cap Transform (TCT) προσδιορίστηκε το 1976 από τους R.J Kauth and G.S Thomas με στόχο την ανάλυση καλλιεργειών με την αξιοποίηση δορυφορικών εικόνων LandSat. Aφορά ένα γραμμικό μετασχηματισμό δορυφορικών δεδομένων ο οποίος προβάλει την ραδιομετρική πληροφορία του εδάφους και της βλάστησης σε ένα επίπεδο. Οι συντελεστές του μετασχηματισμού είναι μία συνάρτηση του πίνακα συμμεταβλητότητας των δεδομένων. Αρχικά ο TCT χρησιμοποιήθηκε για τις εικόνες Landsat MSS (εκτός του θερμικού) καθώς και σε άλλους δορυφορικούς δέκτες. Ο μετασχηματισμός αυτός βελτιώνει την εμφάνιση της εικόνας συμβάλλοντας στη μελέτη των φυσικών ιδιοτήτων των φυτών (Kauth and Thomas, 1976). O μετασχηματισμός Tasseled Cap εφαρμόζεται για την παρακολούθηση ανάπτυξης μίας

54 51 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν καλλιέργειας σε όλη την καλλιεργητική περίοδο, είτε του προσδιορισμού των διαφορετικών σταδίων ανάπτυξης των διαφορετικών καλλιεργειών σε μία δορυφορική εικόνα. Εικόνα 11: Απεικόνιση με βάση το δείκτη Tasseled Cap σε πολυφασματική εικόνα Landsat 8( Οι τρεις πρώτοι άξονες σε False Color IR) 2.6 Βιβλιογραφική Ανασκόπηση Μεθοδολογιών Μέτρησης Δασικής Συγκόμωσης Η ποσοστιαία δασική κάλυψη είναι το ποσοστό του εδάφους που καλύπτεται από μία κάθετη προβολή της περιμέτρου του κάθε δέντρου στο έδαφος. Αποτελεί έναν σημαντικό δείκτη για την κατάσταση ενός δασικού συστήματος και έχει ξεχωριστή σημασία για το οικοσύστημα και τη λειτουργία του. Για τη μέτρηση της δασικής κάλυψης έχουν διεξαχθεί πολλές έρευνες παγκοσμίως σε επιστημονικό επίπεδο ενώ ταυτόχρονα με αυτές έχουν αναπτυχθεί και αρκετές μεθοδολογίες από διάφορες υπηρεσίες του κόσμου που είναι αρμόδιες για την καταγραφή της δασικής έκτασης, την

55 52 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν κατάσταση στην οποία βρίσκεται ένα οικοσύστημα του δάσους, την ανάλυση των βιοφυσικών παραμέτρων ενός δέντρου (φυτού) κτλ. Σε αυτή την ενότητα έγινε μία προσπάθεια ομαδοποίησης των μεθοδολογιών και των τεχνικών που έχουν αναπτυχθεί για την μέτρηση της δασικής κάλυψης με τη χρήση δορυφορικών δεδομένων, εργαλείων, επιτόπιων μετρήσεων και στατιστικών μεθόδων. Στη βιβλιογραφία αναπτύσσονται πολλές εμπειρικές προσεγγίσεις που μπορούν να χρησιμοποιηθούν για την μέτρηση της δασικής συγκόμωσης. Οι κυριότερες κατηγορίες μεθοδολογιών που έχουν αναπτυχθεί για την μέτρηση της δασικής κάλυψης είναι: 1. Ταξινόμηση με βάση αντικείμενα (Dorren et al.,2003; Cerian Gibbens et al., 2010) 2. Ανάπτυξη τεχνικού νευρωνικού συστήματος (Boyd et al.,2002,baret et al.,1995, Jensen et al.,1999; Foody et al.,2001) 3. Γραμμική παλινδρόμηση (Iverson et al., 1989; Zhu and Evans, 1994; Defries et al., 1997; Levesque and King, 2003, Herold, 2003, Berberoglu, 2009, Donmez et al., 2015), 4. Tαξινόμηση με βάση τα δέντρα (Souza et al.,2003; Lin and Herold, 2005, Bai et. al, 2005, Azzizi et al.,2014; jamalabad και Abkar 2003;,) 5. Φασματική διάκριση της δασικής κάλυψης σε επίπεδο κλίμακας pixel ή subpixel (Gao et al.,2000; Gong et al., 1994; Cross et al., 1991, Sá et.al.,2003) 6. Χαρτογράφηση της πυκνότητας της δασικής συγκόμωσης (Rikimaru, 1996, Crowther et al. 2015). Η βιβλιογραφική ανασκόπηση έδειξε ότι υπάρχει μεγάλο πλήθος από προτεινόμενες μεθοδολογίες για την εκτίμηση της δασικής κάλυψης. Ωστόσο δεν έχουν πραγματοποιηθεί αρκετές έρευνες για την σύγκριση των μεθόδων μεταξύ τους και για την αποτελεσματικότητα τους ακόμη και μεμονωμένα. Ακολούθησε η ανάλυση των επιμέρους μεθόδων που έχουν αναπτυχθεί για τη μέτρηση της δασικής κάλυψης με τη χρήση δορυφορικών δεδομένων:

56 53 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Μέτρηση της δασοκάλυψης σύμφωνα με τη μέθοδο «Ταξινόμηση βάση αντικειμένου» Η μέθοδος της ταξινόμησης βάση αντικειμένου ορίζεται ως η ανάθεση ορισμού κλάσεων σε συγκεκριμένα αντικείμενα της εικόνας, τα οποία αποτελούν αποτελέσματα τμηματοποίησης μίας εικόνας σε διακριτές μη επικαλυπτόμενες μονάδες μετά την εφαρμογή συγκεκριμένων κριτηρίων. Αποτελείται από 5 στάδια (Dorren et al.,2003): 1. Υπολογισμός της μήτρας πιθανοτήτων (probability matrix computation) O υπολογισμός της μήτρας πιθανοτήτων είναι μία επιβλεπόμενη διαδικασία. Σε αυτό το στάδιο δίνονται από τον χρήστη τα γνώριμα αντικείμενα. Για την περίπτωση του υπολογισμού της δασικής κάλυψης σε αυτό το στάδιο καθορίζονται τα γνωστά «αντικείμενα» δέντρα και τα pixel που δεν αποτελούν δέντρα. Ανάλογα με την ομοιότητα της φασματικής υπογραφής που εμφανίζουν τα pixel της εικόνας που θέλουμε να διερευνήσουμε σε σχέση με τις φασματικές υπογραφές των «αντικειμένων» που έχουμε καθορίσει τα υπό διερεύνηση pixel παίρνουν τιμές μεταξύ 0 έως και 1. Οι τιμές κατά τον υπολογισμό της μήτρας πιθανοτήτων γίνεται με αυτοματοποιημένο τρόπο και δίνονται ανά pixel. 2. Δεύτερο στάδιο στη διαδικασία ταξινόμησης με βάση τα αντικείμενα είναι η κατάτμηση της εικόνας (image segmentation). Κατά τη διενέργεια αυτής της διαδικασίας η εκάστοτε δορυφορική εικόνα κατατμείται σε πολλές μικρότερες περιοχές έτσι ώστε να απλοποιηθεί ή/και να αλλάξει η αναπαράσταση μίας εικόνας σε κάτι που είναι πιο εύκολο να αναλυθεί. Η τμηματοποίηση της εικόνας βασίζεται στις φασματικές τιμές και στα χωρικά χαρακτηριστικά των αντικειμένων που καθορίστηκαν στο πρώτο στάδιο της ταξινόμησης. Η διαδικασία της τμηματοποίησης επεξεργάζεται συνεχόμενα την εικόνα με τέτοιο τρόπο

57 54 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 3. Το τρίτο στάδιο της διαδικασία είναι η μετατροπή της εικόνας από ψηφιακή μορφή σε διανυσματική. 4. Το τέταρτο στάδιο αφορά την επεξεργασία του διανυσματικού αρχείου. Σε αυτό το στάδιο πραγματοποιείται επιβλεπόμενη ταξινόμηση αξιοποιώντας τα γεωμετρικά χαρακτηριστικά των αντικειμένων για να ξεχωριστούν τα δέντρα από τα υπόλοιπα αντικείμενα που βρίσκονται στην εικόνα (Dorren et al.,2003). 5. Τελευταίο στάδιο της ταξινόμησης αποτελεί ο καθαρισμός των εικόνων και οριστικοποιείται η πιθανή κλάση για κάθε διανυσματικό αντικείμενο. Τόσο ο Gibbens et al, όσο και Dorren et al χρησιμοποίησαν ένα επιπλέον φίλτρο για να αυξηθούν οι πιθανότητες το τελικό αποτέλεσμα να αφορά μόνο δασική κάλυψη. Τα εργαλεία επεξεργασίας των δορυφορικών εικόνων για την ταξινόμηση βάση αντικειμένου ήταν στην μία περίπτωση το πρόγραμμα Imagine και στην άλλη το ecognition. H διαδικασία διαφοροποιείται ως προς το γεγονός ότι στο πρόγραμμα Imagine υπάρχει μεγαλύτερη ευελιξία στην διαδικασία της ταξινόμησης (Dorren et al.,2003). Στη βιβλιογραφία αναφέρεται ότι η αποτελεσματικότητα αυτή της μεθόδου ταξινόμησης εξαρτάται από τη διάρθωση της δασικής κάλυψης της υπό μελέτη περιοχής. Σε περιπτώσεις που η εικόνα που μελετάται αφορά περιοχή με διαφορετικά είδη δασικής διαστρωμάτωσης η ταξινόμηση με βάση το αντικείμενο δεν θεωρείται η βέλτιστη επιλογή για να αποδώσει τη δασική κάλυψη. Ωστόσο για περιοχές που η δασική κάλυψη αφορά ένα δασικό είδος (π.χ οξυά) τότε η ταξινόμηση με βάση το αντικείμενο θεωρείται καταλληλότερη μέθοδος σε σχέση με την κλασσική ταξινόμηση ανά pixel. Κατά τη μέθοδο της ταξινόμησης με βάση το αντικείμενο (Object based Classification) υπάρχει το πλεονέκτημα ότι εξετάζεται αυτοματοποιημένα το γεγονός, ότι υπάρχει μεγάλη πιθανότητα τα γειτονικά pixel του αντικειμένου, που επιλέγεται να αντιστοιχούν στη δασική κλάση που μας αφορά κάτι που δεν γίνεται με την κλασσική μέθοδο

58 55 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ταξινόμησης. Όπως διατυπώνεται και στην επιστημονική μελέτη των Woodcock και Harward (1992) η ιδανική περίπτωση βέλτιστης απόδοσης της ταξινόμησης με βάση το αντικείμενο όταν τα αντικείμενα της εικόνας ταυτίζονται με τα χαρακτηριστικά των αντικειμένων στο πεδίο μελέτης. Τέλος στην εκτέλεση όλης της διαδικασίας παίζει πολύ σημαντικό ρόλο το μέγεθος των αντικειμένων που θα καθοριστούν αρχικά από τον χρήστη. Συγκεκριμένα μελέτες έχουν αποδείξει ότι όσο πιο μικρά και πιο ευδιάκριτα είναι τα «αντικείμενα» που εμφανίζουν τα περισσότερα μορφολογικά κοινά χαρακτηριστικά με τα υπόλοιπα υπό διερεύνηση αντικείμενα, τόσο περισσότερο αυξάνεται η ακρίβεια της ταξινόμησης Μέτρηση της δασοκάλυψης σύμφωνα με την ανάπτυξη τεχνικού νευρωνικού δικτύου Τα νευρωνικά δίκτυα χρησιμοποιούνται ευρέως σε διάφορες εφαρμογές της τηλεπισκόπησης και των αναλύσεων εικόνων συμπεριλαμβανομένου της ταξινόμησης, της γεωμετρικής διόρθωσης και την τροποποίηση μοντέλων (Civco 1993). Ωστόσο θα μπορούσαν να χρησιμοποιηθούν σε πολλές περισσότερες εφαρμογές της τηλεπισκόπησης. Συγκεκριμένα τα νευρωνικά δίκτυα έχουν την ικανότητα να προσδιορίζουν σχέσεις μεταξύ βάσεων δεδομένων, έτσι θα μπορούσε να έχει μία αντίστοιχη χρήση με τους δείκτες συσχέτισης που χρησιμοποιούνται στη στατιστική. Ένα νευρωτικό δίκτυο μπορεί να προσαρμοστεί, ώστε να προβλέπει περιβαλλοντικούς παράγοντες όπως η δασική κάλυψη για μεγάλες περιοχές και μετά να συνεργάζεται με άλλα δορυφορικά δεδομένα. Συγκεκριμένα τα νευρωνικά δίκτυα έχουν τη δυνατότητα να αξιοποιήσουν τους φασματικούς διαύλους μίας πολυφασματικής εικόνας με τέτοιο τρόπο ώστε να απομακρύνουν τη μη απαραίτητη πληροφορία ή να επιλέγουν το συνδυασμό των φασματικών καναλιών ή τον κατάλληλο δείκτη βλάστησης που

59 56 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν χρειάζεται να χρησιμοποιηθεί ανά περίπτωση. Το σημαντικότερο πλεονέκτημα ενός νευρωνικού δικτύου είναι ότι αποτελεί ένα πολύ ισχυρό εργαλείο ανάλυσης σύνθετων βάσεων δεδομένων χωρίς να χρειάζεται κάποιος να παρέμβει σημαντικά στη διαδικασία (Civco 1993). Συγκεκριμένα τα νευρωνικά δίκτυα έχουν χρησιμοποιηθεί σε αρκετές έρευνες της τηλεπισκόπησης για να εξάγουν ιδιότητες των δεικτών βλάστησης. Ωστόσο αυτές οι έρευνες γενικά έχουν την τάση να χρησιμοποιούν μόνο ένα συγκεκριμένο κοινό τύπο νευρωνικού δικτύου τον multilayer perceptron (MLP) ενώ άλλοι τύποι δικτύων μπορεί να έχουν πιο πολλές δυνατότητες αξιοποίησης. Ωστόσο για τον υπολογισμό της δασικής κάλυψης έχει παρατηρηθεί η χρήση ακόμη δύο τύπων νευρωνικών δικτύων του radial basis function (RBF) και γενικά δικτύων που σχετίζονται με την παλινδρόμηση ( generalized regression neural networks GRNN). Παρόλο που οι δυνατότητες των νευρωνικών δικτύων είναι μεγάλες πρέπει να χρησιμοποιούνται με προσοχή. Μπορεί ο κάθε τύπος δικτύου να έχει διαφορετικές δυνατότητες, ωστόσο η επεξεργασία των δεδομένων στο κάθε ένα βασίζεται σε απλούς αριθμητικούς υπολογισμούς που εκτελούνται παράλληλα. Κάθε δίκτυο περιλαμβάνει ένα σύνολο από απλές μονάδες διατεταγμένες σε στρώματα. Οι μονάδες σε μία στρώση είναι συνδεδεμένες με εκείνες των γειτονικών στρώσεων και ενεργούν για να μετασχηματίσουν τα εισηγμένα δορυφορικά δεδομένα σε ένα επιθυμητό τελικό αποτέλεσμα. Τυπικά υπάρχει μία μονάδα εισόδου για κάθε φασματικό κανάλι και μία μονάδα εξόδου για το επιθυμητό προϊόν τη δασική κάλυψη. Οι τρεις τύποι δικτύου που χρησιμοποιούνται διαφέρουν σημαντικά. Το δίκτυο Multilayer preceptor (MLP) περιέχει μόνο μονάδες που εφαρμόζουν γραμμική συνάρτηση στα δεδομένα που εισάγονται ενώ τα δίκτυα RBF (RADIAL BASIS FUNCTION) και GRNN (GENERALIZED RE GRESSION NEURAL) περιλαμβάνουν ακτινικές μονάδες (Boyd et al.,2002).

60 57 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 12: Τοπολογία ενός τυπικού πολυεπίπεδου νευρωνικού δικτύου, που αποτελείται από ένα επίπεδο εισαγωγής δεδομένων, δύο κρυφά επίπεδα και ένα επίπεδο αποτελεσμάτων, Πηγή: Boyd et al., Μέτρηση της δασοκάλυψης σύμφωνα με τη μέθοδο της παλινδρόμησης Η μέτρηση της δασοκάλυψης με τη χρήση στατιστικών μεθόδων και κυρίως της παλινδρόμησης είναι ευρέως διαδεδομένη στον επιστημονικό κόσμο. Ύστερα από την ανασκόπηση αρκετών επιστημονικών ερευνών διαπιστώνεται ότι η διαδικασία είναι σχεδόν πάντα η ίδια. Αρχικά συγκεντρώνονται όλα τα δορυφορικά δεδομένα και ακολουθεί η προεπεξεργασία τους που αφορά τη ραδιομετρική και τη χωρική τους διόρθωση. Στη συνέχεια γίνεται υπολογισμός της δασικής κάλυψης, είτε με την εφαρμογή δεικτών βλάστησης είτε με την ταξινόμηση της δορυφορικής εικόνας. Οι τιμές που προκύπτουν εξάγονται μέσω κάποιου συστήματος γεωγραφικών πληροφοριών και εισάγονται σε κάποιο μοντέλο παλινδρόμησης. Πάντα στις επιστημονικές μελέτες οι ανεξάρτητες μεταβλητές αφορούν τα δεδομένα που έχουν

61 58 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν υπολογιστεί από τους δείκτες βλάστησης ή από την ταξινόμηση ενώ η εξαρτημένη μεταβλητή είναι δεδομένα πεδίου που είτε έχουν εξαχθεί από κάποια επίγεια έρευνα επί τούτου, είτε υπήρχαν από παλαιότερες καταγραφές της δασικής κάλυψης. Για την ακρίβεια τα μοντέλα παλινδρόμησης υπολογίζουν πάντα τον συντελεστή συσχέτισης R 2, μεταξύ των εξαρτημένων και ανεξάρτητων μεταβλητών για να αποδειχθεί η σχέση τους ανάλογα με την διακύμανση και τη μεταβλητότητα τους (Levesque and King, 2003). Έχει παρατηρηθεί βάση της βιβλιογραφίας ότι οι δείκτες βλάστησης που χρησιμοποιούνται περισσότερο για την ερμηνεία της δασικής κάλυψης είναι οι εξής : Advance Vegetation Index (AVI). Bare Soil Index (BI). Shadow Index or Scaled Shadow Index (SI, SSI). Normalized Difference Vegetation Index (NDVI) Enhanced Vegetation Index (EVI) Soil Adjusted Vegetation Index (SAVI) Τhermal index (TI) Οι πρώτοι πέντε δείκτες έχουν αναλυθεί εκτενώς σε προηγούμενο υποκεφάλαιο της παρούσας εργασίας. Ο δείκτης Thermal Index (TI) αφορά ένα δείκτη βλάστησης ο οποίος υπολογίζεται αξιοποιώντας επίγεια και δορυφορικά δεδομένα. Σχετίζεται άμεσα με τη θερμοκρασία εδάφους και τις καιρικές συνθήκες. Οι δύο βασικοί παράγοντες που σχετίζονται με τη θερμοκρασία μέσα σε ένα δάσος είναι: 1) η σκίαση λόγω της δασικής συγκόμωσης, η οποία μπλοκάρει την απορρόφηση ενέργειας από τον ήλιο, 2) Η εξάτμιση από την επιφάνεια των φύλλων η οποία μετριάζει τη θερμοκρασία. Η πηγή της θερμικής πληροφορίας προέρχεται από τον εκάστοτε φασματικό δίαυλο θερμικής πληροφορίας. Τα δεδομένα της θερμοκρασίας αξιοποιούνται για να διαχωριστεί το γυμνό έδαφος και η σκίαση που δεν αφορά τα δέντρα (Berberoglu, 2009 ). Ο δείκτης ΤΙ δίνεται από την παρακάτω εξίσωση: L=Lmin+ ((LmaxLmin)/255)*Q

62 59 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν T=K2/ (ln (K1/L+1)) όπου L: τιμές ακτινοβολίας στο θερμικό υπέρυθρο Τ: Θερμοκρασία εδάφους Q: ψηφιακή καταγραφή Κ1,Κ2: calibration coefficients. Ακολουθεί διάγραμμα ροής μίας μελέτης περίπτωσης για τον υπολογισμό δασικής κάλυψης με την μέθοδο της παλινδρόμησης Εικόνα 13: Διάγραμμα ροής υπολογισμού δασικής κάλυψης με τη μέθοδο της παλινδρόμησης, Πηγή: Donmez et al., 2015

63 60 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Μέτρηση της δασοκάλυψης σύμφωνα με ταξινόμηση που αφορά το δάσος Αυτή η μέθοδος αποτελεί θεωρητικά την απλούστερη μέθοδο υπολογισμού της δασικής κάλυψης. Αρχικά επιλέγονται τα δορυφορικά δεδομένα είτε διαχρονικά είτε διεποχιακά. Σε πολλές περιπτώσεις παρατηρείται η εφαρμογή φίλτρων για το διαχωρισμό των pixels που αφορούν δασικές εκτάσεις από τα pixels που δεν αφορούν βλάστηση. Ακολουθεί η προεπεξεργασία των δεδομένων με γεωμετρικές και ατμοσφαιρικές διορθώσεις. Στη συνέχεια είτε εφαρμόζονται αρχικά κάποιοι δείκτες βλάστησης που επίσης στη βιβλιογραφία επί το πλείστον αξιοποιούνται οι προαναφερόμενοι 6 δείκτες (αναφέρονται στην προηγούμενη μέθοδο) και στη συνέχεια κάποια μέθοδος ταξινόμησης είτε απευθείας εφαρμογή της ταξινόμησης. Τέλος γίνεται αξιολόγηση των αποτελεσμάτων με σημεία ελέγχου των κλάσεων που έχουν ταξινομηθεί. Τα αποτελέσματα εκφράζονται με ποσοστιαίο τρόπο. Ακολουθεί ένα ενδεικτικό διάγραμμα ροής της προαναφερόμενης μεθόδου (Souza et al.,2003). Εικόνα 14: Διάγραμμα ροής εκτίμησης δασικής κάλυψης με την μέθοδο της ταξινόμησης, Πηγή Souza et al.,2003

64 61 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Μέτρηση της δασοκάλυψης σύμφωνα με φασματική διάκριση της σε επίπεδο κλίμακας pixel ή subpixel Αυτή η μέθοδος επιδιώκει την βέλτιστη ακρίβεια της εφαρμογής δεικτών βλάστησης σε δορυφορικά δεδομένα. Για να επιτευχθεί μία τιμή ενός δείκτη βλάστησης που προέρχεται αποκλειστικά από ένα σήμα βλάστησης θα πρέπει μία εικόνα να διασπαστεί στις κύριες συνιστώσες της, να αφαιρεθεί η πληροφορία που δεν χρειάζεται και να ξανασυσταθεί σε μία εικόνα που να περιέχει αποκλειστικά πληροφορία για την δασική κάλυψη. Αυτό επιτυγχάνεται με την εκτίμηση των βιοφυσικών παραμέτρων της δασικής κάλυψης της εκάστοτε περιοχής μελέτης διασπώντας την περιοχή σε υποπεριοχές και ομαδοποιώντας τα διάφορα pixel της εικόνας που εμφανίζουν όμοια φασματικά χαρακτηριστικά και αφορούν την βλάστηση (Sá et.al.,2003) Χαρτογράφηση της πυκνότητας της δασικής συγκόμωσης Η μέθοδος αυτή επιτρέπει την παρακολούθηση της διαχρονικής μεταβολής της κατάστασης των δασών συμπεριλαμβανομένου και της υποβάθμισης τους. Η χαρτογράφηση της πυκνότητας της δασικής συγκόμωσης χρησιμοποιεί την δασική πυκνότητα ως ουσιαστική παράμετρο για τον χαρακτηρισμό της κατάστασης των δασών. Τα δεδομένα δείχνουν των βαθμό της αποδόμησης του δάσος με τον τρόπο αυτό μπορεί να διαπιστωθεί ταυτόχρονα και η θεραπεία αποκατάστασης των δασών (Crowther et al. 2015). Η μεθοδολογία της χαρτογράφησης της πυκνότητας της δασικής συγκόμωσης αφορά τη δημιουργία ενός σύνθετου μοντέλου που αξιοποιεί βιοφυσικά φαινόμενα και στοιχεία που προέρχονται από δείκτες βλάστησης. Σύμφωνα με τη βιβλιογραφία οι επικρατέστεροι δείκτες βλάστησης που συμβάλουν στη δημιουργία μοντέλου για την χαρτογράφηση της πυκνότητας των δασών είναι: Advanced vegetation index (AVI)

65 62 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Bare soil index (BI) Thermal index (TI) Shadow index (SI) enhanced vegetation index (EVI), Κατά τη δημιουργία του σύνθετου μοντέλου που αξιοποιούνται δύο ομάδες δεδομένων 1) Αποτελέσματα που λαμβάνονται συνεχόμενα από την εφαρμογή των δεικτών βλάστησης σε δορυφορικές εικόνες και 3) Από την ανάπτυξη μοντέλου πρόβλεψης μέσω της αξιοποίησης πιθανών συμμεταβλητών με βάση τη χωρική ανάλυση, την οικολογική συνάφεια και τη μοναδικότητα των περιοχών που αναλύονται. Επίσης αξιοποιούνται και δεδομένα που λαμβάνονται από επίγειους μετεωρολογικούς σταθμούς. Η διαδικασία της μεθοδολογίας αφορά των συνδυασμό ενός ή περισσότερων δεικτών βλάστησης π.χ EVI ή/και AVI με έναν δείκτη που αναδεικνύει το γυμνό έδαφος. Η πρόσθεση αυτών των δύο μας δίνει ως αποτέλεσμα την απεικόνιση της πυκνότητας της βλάστησης (Vegetation Density Map). Επίσης ο συνδυασμός του δείκτη σκίασης με το θερμικό δείκτη αποδίδουν την Κανονικοποιημένη μορφή του δείκτη σκίασης (Scaled Shadow Index). Για να δημιουργηθεί το μοντέλο της δασικής πυκνότητας χρησιμοποιείται η σύνθεση των δεικτών με ένα μοναδικό τρόπο (Crowther et al. 2015).

66 63 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 15:Απεικόνιση διαδικασίας χαρτογράφησης της δασικής πυκνότητας Από συγκριτικές μελέτες μεταξύ των 6 παραπάνω μεθόδων προκύπτει ότι τα νευρωνικά δίκτυα αποδίδουν καλύτερα αποτελέσματα από όλες τις μεθόδους. Ακολουθεί η μέθοδος της γραμμικής παλινδρόμησης και αμέσως μετά η μέθοδος της χαρτογράφησης της δασικής πυκνότητας. Η μέθοδος των νευρωνικών δικτύων επεξηγεί

67 64 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν με καλύτερο τρόπο τα υψηλότερα ποσοστά της διακύμανσης και οι προβλέψεις της δασικής κάλυψης πραγματοποιείται χωρίς να επηρεάζεται σημαντικά από κάποιον παράγοντα (Rikimaru,1996).

68 65 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

69 66 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Κεφάλαιο 3 Περιοχή ΜελέτηςΔεδομένα 3.1 Εισαγωγή Στα πλαίσια του 3 ου κεφαλαίου παρουσιάζεται η περιοχή μελέτης, τα κυριότερα δασικά είδη των περιοχών αυτών, τα δορυφορικά δεδομένα των εικόνων που χρησιμοποιήθηκαν,καθώς και τα λογισμικά που αξιοποιήθηκαν για την επεξεργασία όλων των δεδομένων και την εξαγωγή των αποτελεσμάτων. Ως δορυφορικά δεδομένα χρησιμοποιήθηκαν πολυφασματικές εικόνες που λήφθηκαν από τον δορυφόρο LandSat8. Για την επεξεργασία των δορυφορικών δεδομένων αξιοποιήθηκε γεωχωρική βάση δεδομένων με τη χαρτογράφηση των Ελληνικών δασών. Για τη διόρθωση των χαρτογραφικών δεδομένων χρησιμοποιήθηκε η γεωβάση ορθοφωτοχαρτών του κτηματολογίου. Τα δεδομένα που χρησιμοποιήθηκαν αφορούν τα έτη 2016 για τα δορυφορικά δεδομένα, το έτος 1994 για την χαρτογράφηση των Ελληνικών δασών και τα έτη από 2007 έως 2009 για τη γεωβάση των ορθοφωτοχαρτών του Κτηματολογίου. 3.2 Περιοχή Μελέτης Η περιοχή μελέτης της εργασίας αφορούσε δύο ευρύτερες περιοχές της Ελλάδας. Μία περιοχή στη Βόρεια και μία στη Νότια Ελλάδα. Η 1 η περιοχή αφορούσε τμήμα της Περιφέρειας Κεντρικής Μακεδονίας, της Θεσσαλίας και της Δυτικής Μακεδονίας και συγκεκριμένα εικόνες LandSat8 με path 184 και Row 32. H 2 η περιοχή αφορούσε τμήμα της Περιφέρειας Αττικής και της Περιφέρειας Πελοποννήσου και εικόνες LandSat8 με path 183 και Row 34. Οι δύο περιοχές απεικονίζονται στην εικόνα 16. Για τις δύο περιοχές εκτιμήθηκε η δασική κάλυψη για τα επικρατέστερα δασικά είδη με τη

70 67 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν βοήθεια τον δορυφορικών δεδομένων και της γεωχωρικής βάσης δεδομένων των Ελληνικών δασών. Εικόνα 16 :Χάρτης της Ελλάδας. Οι γεωφυσικές εικόνες αποτελούν τις δύο περιοχές μελέτης Στην 1 η περιοχή αναπτύσσονται τα παρακάτω κύρια δασικά είδη : Δρυς (Quercus trojana, κωνοφόρο) Ελάτη (Abies, κωνοφόρο) Οξυά (Fagus, φυλλοβόλο) Μαύρη Πεύκη (Pinus nigra, κωνοφόρο) Πεύκη Χαλέπιος (Pinus halepensis, κωνοφόρο)

71 68 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Στη 2 η περιοχή αναπτύσσονται τα παρακάτω βασικά δασικά είδη: Δρυς (Quercus trojana, κωνοφόρο) Ελάτη (Abies, κωνοφόρο) Μαύρη Πεύκη (Pinus nigra, κωνοφόρο) Πεύκη Χαλέπιος (Pinus halepensis, κωνοφόρο) 3.3 Βασικά Δασικά είδη περιοχής Μελέτης Δρυς Ο Δρυς, (Quercus) ή αλλιώς βελανιδιά είναι γένος φυτών της οικογένειας των Φηγοειδών (Fagaceae) με 531 αυτοφυή είδη του βόρειου ημισφαίριου της γης. Είναι δέντρα που αναπτύσσονται σε πεδινές και ορεινές περιοχές ενώ μπορούν να φτάσουν έως και τα 20 μέτρα. Βρίσκονται κυρίως σε περιοχές των Βαλκανίων. Αποτελεί ένα ψηλό δέντρο αιωνόβιο με καρπό χρήσιμο για ζωοτροφές και βυρσοδεψία. Η ποιότητα το ξύλου του είναι πολύ καλή και στιβαρή χωρίς να σαπίζει εύκολα. Γι αυτό και χρησιμοποιείται στις κατασκευές κτηρίων, σκαφών, επίπλων και στηριγμάτων (δοκαριών). Στην Ελλάδα συναντάται σε δασικές περιοχές της Μακεδονίας και της Θράκης (wikipedia, ανακτήθηκε 7/04/2017) Ελάτη Η Ελάτη (Abies) είναι γένος ειδών αειθαλών κωνοφόρων της οικογένειας Pinaceae. Αποτελούν δέντρα που φτάνουν σε ύψος 10 έως 80 μέτρα με διάμετρο κορμού που κυμαίνεται από 0,5 μέτρο έως 4 μέτρα σε ώριμη ηλικία. Οι ελάτες διακρίνονται εύκολα λόγω των βελονοειδών φύλλων τους που είναι προσαρμοσμένα

72 69 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν σε μικρά κλαδιά. Βρίσκονται σε μεγάλο μέρος της Βόρειας και Κεντρικής Αμερικής Ευρώπης, Ασίας και Βόρειας Αφρικής. Η ταυτοποίηση των ειδών βασίζεται στο μέγεθος και την κατανομή των φύλλων, το μέγεθος και το σχήμα των κώνων, και στο αν οι κλίμακες των φύλλων του μίσχου στους κώνους είναι μακριά και εξέχουν ή κοντά και κρυμμένα μέσα στον κώνο(wikipedia, ανακτήθηκε 7/04/2017) Οξυά Η Οξυά (Fagus) είναι ένα μεγάλο δέντρο που φτάνει σε ύψος 35 μέτρων. Αποτελείται από ευθύ κορμό, λεπτό γκρίζο φλοιό και κόμη που αφήνει το φως να διαπερνάει. Εντάσσεται στην οικογένεια των φυλλοβόλων δέντρων. Κατά την ανάπτυξη της σε νεαρή ηλικία είναι κωνική ενώ με τη πάροδο του χρόνου μετατρέπεται σε πλατιά θολωτή. Αναπτύσσεται σε υψόμετρο από 500μ έως και 1800 μ από τη στάθμη της θάλασσας. Τα φύλλα της είναι κατ'εναλλαγή δίσειρα, επιμήκη ελλειψοειδή ως αντίστροφα ωοειδή μήκους 515 εκ. και πλάτους 2,58 εκ. πολύ ή λίγο οξύκορφα, χνουδωτά στα χείλη με χρώμα ανοιχτό πράσινο, σχεδόν κίτρινο, όταν είναι νεαρή, πράσινο σκούρο και γυαλιστερό αργότερα, που γίνεται κατά το φθινόπωρο κόκκινο (wikipedia, ανακτήθηκε 7/04/2017) Μαύρη Πεύκη Η μαύρη πεύκη (Pinus nigra) αποτελεί ένα μεγάλο αειθαλές δέντρο, με ύψος 2055 μέτρα κατά την ωριμότητα. Τα κουκουνάρια του είναι μικρά και οι βελόνες του μετρίου μεγέθους. Αναπτύσσεται κυρίως στη νότια Ευρώπη και στα βουνά των βόρειων Αφρικανικών χωρών, με μεγάλη ενδοειδική ποικιλότητα. Το ξύλο του έχει ερυθρωπό χρώμα εσωτερικά και θεωρείται καλής ποιότητα. Η μαύρη πεύκη αναπτύσσεται στην Ελλάδα σε ορεινά και ημιορεινά εδάφη, με υψόμετρο από 400 μέχρι 1800 μέτρα, σε ασβεστολιθικά και οφιολιθικά πετρώματα με αυξημένη υγρασία. Βρίσκεται σε δάση

73 70 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν στην οροσειρά της Πίνδου, στα βουνά της Μακεδονίας και στην Πελοπόννησο. Η μαύρη πεύκη αναπτύσσεται με μέτρια ταχύτητα, περίπου 30 με 70 εκατοστά κάθε χρόνο. Συνήθως έχει μια στρογγυλή, κωνική κόμη, που γίνεται ακανόνιστη καθώς αναπτύσσεται. Το δέντρο μπορεί να ζήσει αρκετά χρόνια, με κάποια δέντρα να έχουν ηλικία μεγαλύτερη των 500 ετών. Χρειάζεται άφθονο φως για να αναπτυχθεί σωστά και δεν ανέχεται την σκιά (φωτόφυτο), ενώ είναι ανθεκτική στο κρύο και τον παγετό. Δεν έχει μηχανισμούς αναγέννησης μετά από πυρκαγιά (wikipedia, ανακτήθηκε 7/04/2017) Πεύκη Χαλεπός Η χαλέπιος Πεύκη ή κοινό πεύκο (Pinus halepensis ) είναι ένα είδος πεύκου που ευδοκιμεί στη Μεσόγειο. Στην Ελλάδα, τα δάση χαλεπίου Πεύκης αποτελούν το 11% των συνολικών δασών, καλύπτοντας έκταση εκταρίων, μια έκταση που δεν παραμένει σταθερή λόγω των δασικών πυρκαγιών και της φυσικής αναγέννησης των πευκοδασών μέσα από αυτή. Αναπτύσσεται σε χαμηλό υψόμετρο, μέχρι τα μέτρα. Είναι μικρό προς μεσαίο δέντρο με ύψος 15 με 30 μέτρα και διάμετρο κορμού που φτάνει τα 60 εκατοστά και σε σπάνιες περιπτώσεις μέχρι το ένα μέτρο. Οι βελόνες είναι πολύ λεπτές, έχουν μήκος μέχρι 12 εκατοστά και έχουν ένα χαρακτηριστικό κιτρινωπό πράσινο χρώμα. Οι βελόνες αναπτύσσονται σε ζεύγη. Οι κώνοι είναι στενοί και αρχικά πράσινοι, ενώ όταν ωριμάσουν ύστερα από περίπου δύο χρόνια είναι καφεκόκκινοι. Στη συνέχεια ανοίγουν σιγά για τα επόμενα χρόνια, μια διαδικασία που επιταχύνεται με την έκθεση σε θερμότητα, όπως σε μία δασική πυρκαγιά (wikipedia, ανακτήθηκε 07/04/2017).

74 71 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 3.4 Επιλογή υποπεριοχών μελέτης βασικών δασικών ειδών Για την 1 η περιοχή μελέτης επιλέχθηκαν συνολικά 4 υποπεριοχές όπου αναπτύσσονται τα 5 βασικά δασικά είδη. Για την επιλογή της υποπεριοχής που αναπτύσσεται ο Δρυς επιλέχθηκε μία ορεινή περιοχή μεταξύ της Αρέθουσας και των Βρασνών Θεσ/νίκης. Η περιοχή αυτή εντάσσεται στο δίκτυο Νatura 2000 με κωδικό GR και αποτελεί Καταφύγιο άγριας Ζωής. Για την περίπτωση του δασικού είδους Χαλέπιος Πεύκη επιλέχθηκε μία ημιορεινή περιοχή στο 1 ο πόδι Χαλκιδικής, βόρεια του οικισμού της Μόλα Καλύβας. Για την εκτίμηση του ποσοστού κάλυψης της Μαύρης Πεύκης επιλέχθηκε μία περιοχή στη θέση Κοκκινοπλός στην Ελλασσόνα Πιερίας. Τέλος για την εκτίμηση της δασοκάλυψης της Ελάτης και της Οξυάς επιλέχθηκε μία ενιαία περιοχή που εντάσσεται στο δίκτυο Natura στη ζώνη ειδικής προστασίας (ΖΕΠ) με κωδ. GR του όρους Όσσα. Οι 4 περιοχές που αφορούν την Βόρεια Ελλάδα απεικονίζονται στις εικόνες που ακολουθούν.

75 72 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 17: Περιοχή μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση του δασικού είδους Δρυς,Πηγή: ault.aspx Εικόνα 18: Περιοχή Μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση του δασικού είδους της Χαλέπιος Πεύκης, Πηγή: Εικόνα 19: Περιοχή μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση του δασικού είδους Mαύρη Πεύκη, Πηγή: spx Εικόνα 20: Περιοχή μελέτης για εικόνα LandSat 8 με path 184 και Row 32, για την περίπτωση των δασικών ειδών της Ελάτης και της Οξυάς Πηγή: spx

76 73 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Για την 2η περιοχή επιλέχθηκαν συνολικά 2 υποπεριοχές όπου αναπτύσσονται τα 4 βασικά δασικά είδη. Συγκεκριμένα για την εκτίμηση της κάλυψης των δασικών ειδών της Μαύρης Πεύκης, της Χαλέπιου Πεύκης και του Δρύ επιλέχθηκε μία υποπεριοχή στη Βόρεια Πελοπόννησο μεταξύ των θέσεων Σελιανά Αχαϊας, Βέλας και Ευρωστίνης. Η 2η υποπεριοχή για την εκτίμηση του δασικού είδους της Ελάτης αφορά τη θέση βαλτοσινικού Αρκαδίας. Εικόνα 21: : Περιοχή μελέτης για εικόνα LandSat8 με path 183 και Row 34, για την περίπτωση του δασικού είδους της Ελάτης, Πηγή: Εικόνα 22: Περιοχή μελέτης για εικόνα LandSat8 με path 183 και Row 34, για την περίπτωση των δασικών ειδών της Μαύρης Πεύκης,της Χαλέπιου Πεύκης και του Δρυ Πηγή: 3.5 Δεδομένα του δορυφόρου LandSat8 Τα δορυφορικά δεδομένα που αξιοποιήθηκαν για την εφαρμογή δεικτών για την περιοχή μελέτης αφορούσαν δορυφορικές εικόνες του LANDSAT 8 OLI για διαφορετικές χρονικές στιγμές για κάθε υποπεριοχή μελέτης του Μια εικόνα του δορυφόρου LandSat έχει χωρική ανάλυση για τον παγχρωματικό δίαυλο 15 μέτρα και για τους πολυφασματικούς 30 μέτρα. Η λίστα των εικόνων Landsat 8 που χρησιμοποιήθηκαν για την εφαρμογή των δεικτών βλάστησης φαίνονται στον πίνακα 1 που ακολουθεί. Οι εικόνες αυτές λήφθηκαν από την υπηρεσία γεωλογικών μελετών των ΗΠΑ (US Geologi

77 74 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν cal Survey (USGS) Earth Resource Observation Systems (EROS) data centre). Οι επιλεγμένες εικόνες ήταν σχεδόν καθαρές από ομίχλη και νέφωση. Πίνακας 1: Λίστα δορυφορικών εικόνων LandSat 8 που χρησιμοποιήθηκαν στο μοντέλο παλινδρόμησης Μήνας Κωδικός λήψης Ημερομηνία Ιανουάριος 184_032 08/01/2016 Φεβρουάριος 183_034 02/02/2016 Μάρτιος 183_034 21/03/ _032 28/03/2016 Απρίλιος 183_034 22/04/ _032 13/04/2016 Μάιος 184_032 31/05/2016 Ιούνιος 184_032 16/06/2016 Ιούλιος 183_034 11/07/2016 Αύγουστος 183_034 12/08/ _032 19/08/2016 Σεπτέμβριος 183_034 29/09/ _032 20/09/2016 Οκτώβριος 183_034 15/10/2016 Δεκέμβριος 183_034 18/12/ _032 09/12/2016

78 75 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Δορυφόρος Landsat8 Ο δορυφόρος Landsat 8 εκτοξεύτηκε στις 11 Φεβρουαρίου 2013, από την αεροπορική βάση Vandenberg της Καλιφόρνιας με τον μη επανδρωμένο πύραυλο Atlas 5. Μετά την εκτόξευση του, ο δορυφόρος LDCM μετονομάστηκε σε Landsat 8. Περιλαμβάνει τον όγδοο δορυφόρο γεωσκόπισης της αμερικανικής αποστολής Landsat, μια συνεργασία της NASA και του Αμερικανικού Γεωλογικού Ινστιτούτου. Το USGS διαχειρίζεται τώρα την ομάδα των δορυφορικών λειτουργιών πτήσης στο πλαίσιο του Mission Operations Center Συλλέγει πολύτιμα δεδομένα και εικόνες, που μπορούν να χρησιμοποιηθούν στη γεωργία, στις επιστήμες, στις επιχειρήσεις και στην εκπαίδευση. Το πρόγραμμα Landsat παρέχει πολυφασματικά δεδομένα υψηλής ανάλυσης. Η διαστημική πλατφόρμα του Landsat 8 κατασκευάστηκε από την Orbital Sciences Corporation και έχει διάρκεια ζωής 5 χρόνια. Τα καύσιμα μα του επαρκούν για 10 χρόνια. Εκτοξεύτηκε σε ύψος 705 km πάνω από την γη. Πραγματοποιεί ηλιοσύγχρονη τροχιά γύρω από την γη και διασχίζει τον ισημερινό στις 10 π.μ τοπική ηλιακή ώρα. Ο Landsat 8 σαρώνει τη γη κάθε 16 ημέρες αντισταθμισμένος από τον Ο Landsat 7 κατά 7 ημέρες. Τα δεδομένα που προκύπτουν συλλέγονται από κατάλληλα διαμορφωμένα όργανα που βρίσκονται επάνω στον δορυφόρο και μπορούν να χρησιμοποιηθούν δωρεάν από το Glovis και μέσω του Landsatlook Viewer για 24 ώρες (από την στιγμή της παραλαβής). Ο Landsat 8 αποτελείται από τoυς εξής δορυφορικούς αισθητήρες: α) το Operational Land Imager (OLI), και β) το Thermal Infrared Sensor (TIRS). Ο αισθητήρας OLI συλλέγει δεδομένα στο ορατό κοντινό υπέρυθρο, μικροκυματικό υπέρυθρο και στο και στο παγχρωματικό τμήμα. O OLI παρέχει δύο νέες φασματικές ζώνες. Μια προσαρμοσμένη για την ανίχνευση νεφών ( κανάλι 9) και η άλλη γιατις παρατηρήσεις της παράκτιας ζώνης (κανάλι 1). Ο αισθητήρας TIRS συλλέγει δεδομένα σε δύο φασματικά κανάλια στο τμήμα του θερμικού υπέρυθρου.

79 76 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 23: Φασματικά κανάλια LandSat 8 με τα αντίστοιχα μήκη κύματος και τη χωρική ανάλυση (Πηγή: USGS) Φασματικό Κανάλι 1: Ανιχνεύει το βαθύ μπλε. Οι μπλέ δέσμες ακτινοβολίας ανιχνέυονται δυσκολότερα από το διάστημα, καθώς διασκορπίζεται εύκολα.ο νομάζεται και αλλιώς κανάλι oastal/aerosol, εξαιτίας των χρήσεων του στην απεικόνιση των ρηχών υδάτων αλλά και την παρακολούθηση λεπτών στιβάδων σκόνης. Πρόκειται για το τμήμα του ηλεκτρομαγνητικού φάσματος που είναι δύσκολο να συλλεχθεί με μεγάλη ευαισθησία προκειμένου να είναι χρήσιμο και έτσι να είναι το μόνο όργανο του είδους του που παράγει δεδομένα ανοιχτά σε αυτήν την ανάλυση. Φασματικά Κανάλια 2, 3, 4: αποτελούν αντίστοιχα το μπλε, το πράσινο και το κόκκινο του ορατού φάσματος Φασματικό Κανάλι 5: Ανιχνεύει το εγγύς υπέρυθρο. Το συγκεκριμένο τμήμα του ηλεκτρομαγνητικού φάσματος είναι σημαντικό για την οικολογία καθοτι τα υγιή φυτά το ανακλούν με την σκέδαση πίσω στον ουρανό. Φασματικά Κανάλια 6, 7: Αποτελούν διαφορετικά τμήματα του μικροκυματικού υπέρυθρου. Φασματικό Κανάλι 8: Πρόκειται για το παγχρωματικό κανάλι. Η λειτουργία του μοιάζει με αυτήν του ασπρόμαυρου φιλμ. Συνδιάζει τα ορατά χρώματα σε ένα κανάλι. Αποτελεί το πιο ευκρινές κανάλι, με 15 μέτρα χωρική διακριτική ικανότητα.

80 77 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Φασματικό Κανάλι 9: Καλύπτει πολύ μικρό κομμάτι του ηλεκτρομαγνητικού φάσματος στο διάστημα 1370 ± 10nm.Καταγράφει τις λιγότερες πληροφορίες. Το κανάλι 9 είναι μόνο για να καταγράφει τα σύννεφα. Υπάρχουν λίγα διαστημικά όργανα καταγραφής, που συλλέγουν αυτό το κομμάτι του ηλεκτρομαγνητικού φάσματος και αυτό διότι η ατμόσφαιρα το απορροφάει σχεδόν ολόκληρο. Η χρήση του Landsat 8 εκμεταλλέυεται αυτό το γεγονός, γιατί το έδαφος είναι ελάχιστα ορατό στο κανάλι 9 και οτι εμφανίζεται σε αυτό, το αντανακλά φωτεινά. Φασματικά Κανάλια 10,11 : Καταγράφουν τη θερμότητα. Τα κανάλια αυτά βρίσκονται Εικόνα 24: Γραφική απεικόνιση μεταξύ των φασματικών καναλιών των αισθητήρων OLI & TIRS Landsat 8 και Landsat7 ETM+ (Πηγή: USGS) στο θερμικό υπέρυθρο. 3.6 Λογισμικό Στα πλαίσια της παρούσας διατριβής χρησιμοποιήθηκαν τα παρακάτω λογισμικά: Το λογισμικό που χρησιμοποιήθηκε για την επεξεργασία των πολυφασματικών εικόνων LandSat8 είναι το Erdas Imagine Αφορά ένα πρόγραμμα επεξεργασίας τηλεπισκοπικών δεδομένων που παρέχει πολλές δυνατότητες στο χρήστη μερικές από τις οποίες είναι ο εντοπισμός μεταβολών, χωρική επεξεργασία, παραγωγή χαρτών,

81 78 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν εφαρμογή βελτιώσεων εικόνων, παροχή στατιστικών φασματικών δεδομένων, ενώ υπάρχουν και δυνατότητες και φωτογραμμετρικής επεξεργασίας εικόνων. Το λογισμικό ArcMap χρησιμοποιήθηκε για την διόρθωση των χαρτογραφικών δεδομένων και την εξαγωγή των τιμών βλάστησης. Το λογισμικό αυτό αποτελεί ένα ολοκληρωμένο πληροφοριακό σύστημα για την ανάλυση και επεξεργασία γεωχωρικών δεδομένων όπως και την απόδοση χαρτογραφικών αποτελεσμάτων. Το λογισμικό SPSS χρησιμοποιήθηκε για την στατιστική επεξεργασία των τιμών των δεικτών βλάστησης και των διορθωμένων χαρτογραφικών τιμών το πρόγραμμα SPSS. Αυτό λογισμικό αποτελεί ένα ισχυρό εργαλείο στατιστικής ανάλυσης και είναι παγκοσμίως γνωστό για αυτό το σκοπό.

82 79 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

83 80 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Κεφάλαιο 4 Μεθοδολογία 4.1 Εισαγωγή Στο 4 ο Κεφάλαιο αναλύθηκε η μεθοδολογία που χρησιμοποιήθηκε για την εκτίμηση της δασοκάλυψης με την χρήση χρονοσειρών εικόνων LandSat8. Γίνεται αναφορά της προεπεξεργασίας των πολυφασματικών εικόνων μέσω της διαδικασίας της συγχώνευσης τους και την εφαρμογή ατμοσφαιρικών διορθώσεων. Επίσης αναλύθηκαν οι δείκτες βλάστησης που επιλέχθηκαν να εφαρμοστούν στις περιοχές μελέτης είτε με τη δημιουργία μοντέλων είτε με τη χρήση εξισώσεων που υπάρχουν στο λογισμικό Εrdas Imagine Ακολούθησε η ανάλυση της επεξεργασίας της γεωχωρικής βάσης δεδομένων της χαρτογράφησης των δασών. Κατόπιν Αναφέρθηκε η διαδικασία εισαγωγής των δεδομένων στο περιβάλλον του λογισμικού ArcMap και η εξαγωγή των τιμών των δεικτών βλάστησης για την περαιτέρω στατιστική τους επεξεργασία. Τέλος ακολούθησε η διαδικασία της επεξεργασίας των δεδομένων στο λογισμικό SPSS. 4.2 Περιγραφή Μεθοδολογίας Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν στη μελέτη ήταν ήδη γεωμετρικά διορθωμένες κατά τη λήψη τους από την υπηρεσία γεωλογικών μελετών των ΗΠΑ στο προβολικό σύστημα WGS 84 με path και rows Για όλες τις εικόνες έγινε σύνθεση των διαύλων σε πολυφασματικές και στη συνέχεια πραγματοποιήθηκε σύνθεση των πολυφασματικών και παγχρωματικών εικόνων σε pansharpened. Ακολούθησαν οι ατμοσφαιρικές διορθώσεις και η εφαρμογή 6 δεικτών βλάστησης που

84 81 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν σύμφωνα με τη βιβλιογραφία αποδίδουν καλύτερα αποτελέσματα για τον υπολογισμό της δασικής κάλυψης. Τα αποτελέσματα των τιμών των δεικτών βλάστησης που εφαρμόστηκαν στα δορυφορικά δεδομένα συγκρίθηκαν με δεδομένα χαρτογράφησης των ελληνικών δασών και συγκεκριμένα με την αυτοτελή έκδοση Χαρτογράφησης δασών του Υπουργείου Γεωργίας του Ωστόσο λόγω της μεγάλης χρονικής διαφοράς μεταξύ της λήψης των δορυφορικών εικόνων και της χαρτογράφησης των ελληνικών δασών, πραγματοποιήθηκε χειροκίνητη διόρθωση του ποσοστού της δασοκάλυψης για τη 1 η υποπεριοχή για 1500 pixel ανά επικρατέστερο δασικό είδος και για τη 2 η υποπεριοχή μελέτης για 1200 pixel ανά επικρατέστερο δασικό είδος. Η εφαρμογή των δεικτών βλάστησης έγινε τόσο σε ατμοσφαιρικά διορθωμένες εικόνες όσο σε μη ατμοσφαιρικά διορθωμένες. Ακολούθησε η εξαγωγή των τιμών των δεικτών βλάστησης μέσω του λογισμικού ArcMap και τέλος εφαρμόστηκε η μέθοδος της παλινδρόμησης για να συγκριθούν οι τιμές των δεικτών βλάστησης (ανεξάρτητες μεταβλητές) με τις διορθωμένες τιμές δασοκάλυψης (εξαρτημένες μεταβλητές). 4.3 Προεπεξεργασία Δεδομένων Τα αρχικά δεδομένα που αφορούσαν τις περιοχές με path και rows 3234 προήλθαν από την υπηρεσία γεωλογικών μελετών των ΗΠΑ (US Geological Survey (USGS) Earth Resource Observation Systems (EROS) data centre). Για την επεξεργασία τους πραγματοποιήθηκε φασματική ενοποίηση των διαύλων της κάθε πολυφασματικής εικόνας σε περιβάλλον Erdas Imagine 2014 μέσω των εντολών Raster> Resolution> Spectral > Layer Stack

85 82 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Συγχώνευση των εικόνων Για τις διεποχιακές εικόνες πραγματοποιήθηκε η διαδικασία fusion δηλαδή η συγχώνευση των πολυφασματικών (χωρική ανάλυση 30 μέτρων) και των παγχρωματικών εικόνων (χωρική ανάλυση 15 μέτρα) με το σχηματισμό μίας νέας σύνθετης εικόνας υψηλής χωρικής και φασματικής ανάλυσης. Η συγχώνευση εικόνων αφορά τη χρήση κατάλληλων αλγορίθμων για το συνδυασμό εικόνων από διαφορετικές πηγές με σκοπό τη βελτίωση της αναγνωσιμότητας των εικόνων. Στη συγχώνευση το προϊόν έχει τη χωρική ανάλυση της εικόνας με την μεγαλύτερη χωρική ανάλυση δηλαδή στην προκειμένη οι 16 διεποχιακές εικόνες που προέκυψαν απέκτησαν χωρική ανάλυση 15 μέτρων. Η αύξηση της χωρικής ανάλυσης, αύξησε σημαντικά την ακρίβεια της θεματικής χαρτογράφησης. Για τη συγχώνευση των εικόνων ακολουθήθηκε η διαδικασία Raster PanSharpen HPF Resolution Merge σε περιβάλλον Erdas imagine Εικόνα 25: Διαδικασία Συγχώνευσης, Πηγή: Σημειώσεις μαθήματος Διαχείριση τηλεπισκοπικής Παραγωγής Με τη βοήθεια κατάλληλων διαδικασιών και των εντολών Raster Subset & Chip Create Subset Image που διαθέτει το λογισμικό Erdas Imagine εντοπίστηκε και επιλέχθηκαν μικρότερες περιοχές, έτσι ώστε να καλύπτονται πλήρως δασικές εκτάσεις με τα επικρατέστερα δασικά είδη των δύο υποπεριοχών. Ακολούθησε η

86 83 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν εγγραφή όλων των εικόνων στην δορυφορική εικόνα Landsat 8 με ημερομηνία λήψης η οποία θεωρήθηκε ως εικόνα αναφοράς για την περιοχή με path 184 και row 32 και αντίστοιχα στην δορυφορική εικόνα LandSat 8 με ημερομηνία λήψης 11/07/2016 για την περιοχή με path 183 και row Aτμοσφαρικές διορθώσεις Για την ατμοσφαιρική διόρθωση των εικόνων χρησιμοποιήθηκε το λογισμικό ATCOR 2 του Erdas Ιmagine 2014 σύμφωνα με το οποίο λαμβάνεται υπόψη επιπλέον η μεταβολή που προκαλεί στη διάδοση της ακτινοβολίας προς ένα εικονοστοιχείο. Οι ατμοσφαιρικές διορθώσεις σε ορισμένες περιπτώσεις αποτελούν απαραίτητο στάδιο προεπεξεργασίας των δεδομένων. Οι διορθώσεις των εικόνων απέδωσαν καλά αποτελέσματα εφόσον αξιοποιήθηκαν τα metadata κάθε εικόνας. Για την πραγματοποίηση των ατμοσφαιρικών διορθώσεων ήταν απαραίτητη η δημιουργία του calibration file που αφορά κάθε λήψη ξεχωριστά. Διαδικασία Ατμοσφαιρικών διορθώσεων μέσω του λογισμικό Atcor Imagine: Toolbox Atcor2 Workstation Create a new ATCOR2 project Στο επόμενο παράθυρο διαλόγου έγινε εισαγωγή της εικόνας (Input Raster File) και ταυτόχρονα πραγματοποιήθηκε αποθήκευση της εικόνας που θα προκύψει (output Raster File). Μόλις ολοκληρωθεί η εισαγωγή της εικόνας που πρόκειται να διορθωθεί

87 84 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ατμοσφαιρικά ανοίγει ένα νέο παράθυρο διαλόγου για την εισαγωγή των χαρακτηριστικών της ημερομηνίας της εικόνας λήψης. Γίνεται καταχώριση του calibration file, επιλέγεται το είδος της βλάστησης που υπάρχει στην περιοχή και ολοκληρώνεται η διαδικασία της ατμοσφαιρικής διόρθωσης κάθε λήψης. Για τη δημιουργία του αρχείου καλιμπραρίσματος αξιοποιούνται τα μεταδεδομένα κάθε λήψης. Συγκεκριμένα πρέπει να υπολογιστούν 2 δείκτες o C1 και ο C0. Συγκεκριμένα αξιοποιούνται οι ακραίες τιμές της έντασης της ηλιακής ακτινοβολίας κάθε διαύλου. Αφαιρούνται μεταξύ τους. Ο δείκτης C1 υπολογίζεται διαιρώντας τη διαφορά των ακραίων τιμών με τη σταθερά και το αποτέλεσμα πολλαπλασιάζεται με το 10. Ο δείκτης C0 υπολογίζεται διαιρώντας την ελάχιστη τιμή ακτινοβολίας με το 10. Η διαδικασία ολοκληρώνεται με τον υπολογισμό της ζενίθιας γωνίας του δορυφόρου σε σχέση με τον Ήλιο. Υπολογίζεται αφαιρώντας από τις 90 το ύψος του Ήλιου που βρίσκεται στα μεταδεδομένα. Το ύψος του ήλιου είναι η γωνία που σχηματίζει η ηλιακή δέσμη με μία οριζόντια επιφάνεια. Η ζενίθια γωνία είναι η γωνία που σχηματίζει η ηλιακή δέσμη με την κατακόρυφη του τόπου. Οι δύο αυτές γωνίες είναι συμπληρωματικές. Ακολουθεί ένας ενδεικτικός πίνακας υπολογισμού των σταθερών C0 και C1.

88 85 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Πίνακας 2: Πίνακας υπολογισμού των δεικτών C0 και C1 για τη λήψη OLI PATH 183 ROW 34 date sun elevation solar zenith angle RADIANCE MAXIMUM BAND RADIANCE_MINIMUM_BAND LMXLMN C1 C Εικόνα 26: Αριστερά σύνθετη εικόνα ατμοσφαρικά διορθωμένη, Δεξιά σύνθετη εικόνα μη ατμοσφαρικά διορθωμένη

89 86 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Επεξεργασία Χαρτογραφικών Δεδομένων Αρχικά καταχωρήθηκαν οι ταξινομημένες περιοχές ανά είδος δασικής βλάστησης στο περιβάλλον ΑrcMap Ακολούθησε η επιλογή των pixel που αφορούσαν τα δασικά είδη τα οποία εντάχθηκαν σε ένα ξεχωριστό layer. Στη συνέχεια δημιουργήθηκε ένα επιπλέον πεδίο αναφοράς στο Layer της βάσης δεδομένων για τον χειροκίνητο έλεγχο του ποσοστού δασοκάλυψης. Για κάθε pixel που γινόταν διόρθωση καταχωρούνταν η τιμή 1 στο πεδίο checκ. Ακολούθησε η διόρθωση του ποσοστού δασοκάλυψης. Συνολικά διορθώθηκαν 7549 pixels για την 1 η υποπεριοχή μελέτης που αφορούσαν τα επικρατέστερα δασικά είδη ενώ για τη 2 η υποπεριοχή μελέτης 4230 pixels. Ακολουθεί απεικόνιση των διορθωμένων pixels για τα επικρατέστερα δασικά είδη κάθε περιοχής. Εικόνα 27 :Απεικόνιση επιλεγμένων pixels 1ης περιοχής

90 87 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 29: Επιλεγμένα pixels δασικής Κάλυψης Δρυ,1ης Περιοχής Εικόνα 28: Επιλεγμένα pixels δασικής Κάλυψης Χαλέπιου Πεύκης, 1ης Περιοχής μελέτης

91 88 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 30: Επιλεγμένα pixels δασικής Κάλυψης Μαύρης Πεύκης, 1ης Περιοχής Μελέτης Εικόνα 31: Επιλεγμένα pixels δασικής Κάλυψης Οξυάς, 1ης Περιοχής Μελέτης

92 89 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Στους παραπάνω χάρτες απεικονίζονται τα επικρατέστερα δασικά είδη της 1 ης περιοχής μελέτης και με κόκκινα σημεία φαίνονται τα pixels για τα οποία πραγματοποιήθηκε η διόρθωση της δασικής κάλυψης. Οι περιοχές που έγιναν οι διορθώσεις είναι διάσπαρτες έτσι ώστε να επιτευχθεί διόρθωση των pixels των επικρατέστερων δασικών ειδών. Ακολουθεί αντίστοιχη απεικόνιση για την δεύτερη περιοχή μελέτης. Εικόνα 32: Απεικόνιση διορθωμένων pixelς της 2η υποπεριοχής μελέτης

93 90 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 33: Απεικόνιση των διορθωμένων Pixels για το δασικό είδος της Ελάτης, Θέση Βαλτοσινικού, Αρκαδίας, Κεντρική Πελοπόννησος Εικόνα 34: Απεικόνιση των διορθωμένων Pixels για τα δασικά είδη Μάυρης Πεύκης, Χαλέπιος Πεύκη & Δρύς, Θέση Σελιανά Βέλας, Ευρωστίνη,Αχαϊας Βόρεια Πελοπόννησος

94 91 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 4.4 Επιλογή Δεικτών βλάστησης Για την επιλογή των δεικτών βλάστησης εκτιμήθηκαν οι βιβλιογραφικές αναφορές για τη μέτρηση της συγκόμωσης και της δασικής κάλυψης με την αξιολόγηση των αποτελεσμάτων μέσω της παλινδρόμησης. Για την εκτίμηση της δασικής κάλυψης επιλέχθηκαν να αναλυθούν οι παρακάτω δείκτες βλάστησης: Δείκτης Shadow Index (SI) Δείκτης Normalized Difference Vegetation Index (NDVI) Δείκτης Soil Adjusted Vegetation Index (SAVI) Δείκτης Transformed Normalized Vegetation Index (TNDVI) Δείκτης Soil and Atmospherically Resistant Vegetation Index (SARVI) Δείκτης Advanced Vegetation Index (AVI) Δείκτης Enhanced Vegetation Index, ( EVI) Οι παραπάνω δείκτες υπολογίζονται με τις εξισώσεις που φαίνονται στον πίνακα που ακολουθεί: Πίνακας 3: Δείκτες εφαρμογής και εξισώσεις υπολογισμού ΔΕΙΚΤΗΣ Δείκτης Σκίασης (Shadow Index SI) Δείκτης βλάστησης NDVI εδαφικά προσαρμοσμένος δείκτης βλάστησης (SAVI) Δείκτης TNDVI Δείκτης SARVI Σύνθετος δείκτης βλάστησης (ΑVI) Ενισχυμένος δείκτης βλάστησης (EVI) ΕΞΙΣΩΣΗ [(1BLUE)*(1GREEN)*(1RED)]^1/3 (NIRRED)/(NIR+RED) ((NIRRED)/(NIR+RED+L))*(1+L)) SQRT ((NIRRED)/(NIR+RED)+5) (NIRRB)*(1+L)/(NIR+RB+L), RB=RED Gamma*(BlueRed) [NIR*(1RED)*(NIRRED)]^1/3 [G*(NIRRED)]/(NIR+C1*REDC2*BLUE+L)

95 92 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Η επεξεργασία των δορυφορικών εικόνων LandSat 8 πραγματοποιήθηκε σε περιβάλλον Erdas Imagine H διαδικασία εφαρμογής των παραπάνω δεικτών για τις περιπτώσεις που οι εξισώσεις προϋπήρχαν καταχωρημένες στο λογισμικό ήταν: Raster UnSupervised Indices. Αυτή η διαδικασία ακολουθήθηκε για τους δείκτες: 1. NDVI (Normalized Difference Vegetation Index) 2. SAVI (Soil and Atmospherically Resistant Vegetation Index) 3. SARVI (Soil and Atmospherically Resistant Vegetation Index) 4. TNDVI (Transformed Normalized Vegetation Index) Εικόνα 35: Απεικόνιση παράθυρου διαλόγου του λογισμικού Erdas Imagine 2014 για την εφαρμογή της επιθυμητής εξίσωσης του δείκτη βλάστησης Για τους υπόλοιπους τρεις δείκτες δημιουργήθηκαν μοντέλα των εξισώσεων τους στο Model Maker του Erdas Imagine Τα μοντέλα των δεικτών βλάστησης απεικονίζονται παρακάτω: 1. Advanced Vegetation Index (ΑVI)

96 93 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 2. Enhanced Vegetation Index (EVI) 3. Shadow Index (SI) Μοντέλο του Δείκτη Αdvanced Vegetation Index (AVI) Εικόνα 36: Απεικόνιση του μοντέλου του σύνθετου δείκτη AVI (Advanced Vegetation Index) Η διαδικασία δημιουργίας αυτού του μοντέλου είναι σχετικά απλή με μία είσοδο αριστερό σχήμα την εξίσωση στο κέντρο και το προϊόν δεξιά. Όσο πιο σύνθετη είναι η εξίσωση για να μην πραγματοποιούνται λάθη κατά την δημιουργία του μοντέλου είναι θεμιτό οι πράξεις των εξισώσεων να μοιράζονται σε περισσότερα βήματα.

97 94 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Μοντέλο του Δείκτη Enhanced Vegetation Index (EVI) Εικόνα 37: : Απεικόνιση του μοντέλου του ενισχυμένου δείκτη βλάστησης (EVI)

98 95 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Σε αυτό το μοντέλο λόγω ύπαρξης της πράξης της διαίρεσης χρησιμοποιήθηκε μία επιπλέον υποθετική εντολή σε περίπτωση που ο διαιρετέος είναι μηδενικός να τοποθετείται η τιμή 0 για να μπορέσει να εκτελεστεί η διαδικασία χωρίς πρόβλημα. Υπάρχει μία πηγή εισόδου πληροφορίας όπως φαίνεται στο παραπάνω σχήμα που μοιάζει με ρόμβο (αριστερά). ). Οι τιμές των συντελεστών προσαρμογής έχουν προκύψει ύστερα από εμπειρικές παρατηρήσεις σύμφωνα με τη βιβλιογραφία και λαμβάνουν τις τιμές 6.0, 7.5,1.0 και 2,5 αντίστοιχα για τους συντελεστές C1, C2, L και G. Στη συνέχεια εκτελούνται δύο διαφορετικές πράξεις και συγκεκριμένα 2,5 *(NIRRED) (Πάνω) και (NIR+1)+ (6*RED) (7.5*BLUE) (Κάτω). Τέλος στο κέντρο (κύκλος) χρησιμοποιείται η υποθετική εντολή της διαίρεσης και ολοκληρώνεται η διαδικασία υπολογισμού του δείκτη EVI Μοντέλο του Δείκτη Shadow Index (SI) Εικόνα 38: Απεικόνιση του μοντέλου Shadow Index (SI)

99 96 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Για τον υπολογισμό του δείκτη σκίασης δημιουργήθηκε ένα αντίστοιχο μοντέλο με το μοντέλο του δείκτη EVI με τη διαφορά ότι στο μοντέλο του δείκτη SI οι πράξεις εκτελέστηκαν σε 3 διαφορετικά βήματα. Οι παραπάνω δείκτες βλάστησης εφαρμόστηκαν τόσο σε ατμοσφαιρικά διορθωμένες σύνθετες εικόνες (pansharpen) για 8 διαφορετικές χρονικές στιγμές όσο και σε μη ατμοσφαιρικά διορθωμένες σύνθετες εικόνες. Το αποτέλεσμα ήταν να προκύψουν 96 νέες εικόνες (ατμοσφαιρικά διορθωμένες και μη ) για κάθε υποπεριοχή μελέτη. 4.5 Εξαγωγή τιμών δεικτών για τα διορθωμένα pixels σε περιβάλλον ΑrcMap Για τη εξαγωγή των τιμών των δεικτών χρησιμοποιήθηκε το λογισμικό του ArcMap Αρχικά έγινε επιλογή των pixels με το διορθωμένο ποσοστό δασοκάλυψης μέσω των εντολών πεδίου Check και η τιμή 1 που καταχωρούνταν κάθε φορά που διορθωνόταν το ποσοστό δασοκάλυψης κάθε pixel.

100 97 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 39: Πλαίσιο διαλόγου Select by Αttributes σε περιβάλλον ΑrcMap Ακολούθησε η δημιουργία Layer με τα επιλεγμένα pixels μέσω των εντολών Selection Create Layer from Selected Feature. Για την εξαγωγή των τιμών των δεικτών δημιουργήθηκε ένα επιπλέον Shapefile σημείων μέσω των εντολών ArcToolbox Data Management Tools Features Feature to points Θεσσαλονίκη

101 98 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 40: Aπεικόνιση Feature to Pont σε περιβάλλον ArcMap Με κόκκινο χρώμα απεικονίζονται τα διορθωμένα pixels. Τέλος για την εξαγωγή των τιμών εκτελέστηκαν οι εντολές Αrctoolbox Spatial Analyst Tools extraction Multi Values to Points. Στο πλαίσιο διαλόγου που άνοιξε εντάχθηκαν όλες οι raster εικόνες που εφαρμόστηκαν οι δείκτες βλάστησες και δημιουργήθηκαν τα επιπλέον πεδία των τιμών στο Attribute Table του Shapefile των σημείων. Τέλος έγινε εξαγωγή των δεδομένων σε excel μέσω των εντολών Conversion Tools Excel Table to Excel. Για την ανάλυση των δεδομένων μέσω της μεθόδου της παλινδρόμησης έγινε εισαγωγή τους στο πρόγραμμα SPSS.

102 99 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 4.6 Επεξεργασία δεδομένων στο λογισμικό SPSS Πραγματοποιήθηκε εισαγωγή όλων των δεδομένων σε περιβάλλον SPSS. Για την επεξεργασία των δεδομένων μέσω της γραμμικής παλινδρόμησης εκτελέστηκαν οι εξής εντολές: Analyze Regression Linear Επιλογή εξαρτημένης μεταβλητής (στην προκειμένη το διορθωμένο ποσοστό δασοκάλυψης), Επιλογή ανεξάρτητων μεταβλητών (τιμές δεικτών) produce all Partial Plots ok Εικόνα 41: Διαδικασία Παλινδρόμησης σε περιβάλλον SPSS

103 100 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Εικόνα 42: Διαδικασία Παλινδρόμησης σε περιβάλλον SPSS Εικόνα 43: Διαδικασία Παλινδρόμησης σε περιβάλλον SPSS

104 101 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

105 102 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Kεφ 5. Αποτελέσματα 5.1 Εισαγωγή Για την πραγματοποίηση της παλινδρόμησης κατασκευάστηκαν πίνακες για κάθε περιοχή μελέτης συγκεντρώνοντας τις επίγειες και τις δορυφορικές μετρήσεις. Στη συνέχεια πραγματοποιήθηκαν γραμμικές παλινδρομήσεις για τις 2 δύο διαφορετικές περιοχές μελέτης και τις 8 διαφορετικές χρονικές στιγμές και τους 7 διαφορετικούς δείκτες βλάστησης, συσχετίζοντας τις τιμές των δεικτών με το ποσοστό δασικής κάλυψης. Με τις παλινδρομήσεις εξετάστηκε η επίδραση των τιμών των δεικτών βλάστησης στο ποσοστό δασικής κάλυψης. Η Ανάλυση Παλινδρόμησης (Regression Analysis), είναι εργαλείο που εξετάζει τη σχέση μεταξύ δύο ή περισσοτέρων μεταβλητών, ώστε να είναι δυνατή η πρόβλεψη της μιας από τις υπόλοιπες. Γραμμική Παλινδρόμηση (Linear Regression), μιας εξαρτημένης μεταβλητή Υ από την ανεξάρτητη μεταβλητή Χ είναι η σχέση Υ = α + β*χ+e, όπου α και β είναι παράμετροι και e ο διαταρακτικός όρος. Ο προσδιορισμός των α και β δίνει μια προσεγγιστική ευθεία, που συνδέει τις τιμές της Υ δοθέντων των τιμών της Χ (Morrison, 1983). Η ευθεία που προκύπτει λέγεται ευθεία παλινδρόμησης της Υ πάνω στην Χ. Σκοπός είναι το άθροισμα των τετραγώνων των κατακόρυφων αποστάσεων των σημείων (Χ,Υ) από την ευθεία να είναι ελάχιστο. Η ερμηνευτική ικανότητα της παλινδρόμησης φαίνεται από τον συντελεστή προσδιορισμού (R2). Ο τελευταίος δείχνει τι ποσοστό της εξαρτημένης μεταβλητής ερμηνεύεται από την ανεξάρτητη και παίρνει τιμές από 0 έως 1. Ο έλεγχος που χρησιμοποιείται για τη διαπίστωση του εάν η ανεξάρτητη μεταβλητή καθίσταται στατιστικά σημαντική είναι μέσω του κριτηρίου t το οποίο κατανέμεται σύμφωνα με την t student κατανομή με βαθμούς ελευθερίας n 1 και επίπεδο σημαντικότητας a/2 σε έναν δίπλευρο έλεγχο. Η από κοινού στατιστική σημαντικότητα

106 103 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν όλων των παραμέτρων της παλινδρόμησης γίνεται με τον έλεγχο F ο οποίος ακολουθεί την Fκατανομή με βαθμούς ελευθερίας (k, n k 1) σε επίπεδο σημαντικότητας a (Sprent, 1969). Η επίδραση των τιμών των δεικτών βλάστησης στο ποσοστό δασικής κάλυψης μελετάται με την εφαρμογή παλινδρομήσεων με τη χρήση της μεθόδου Ελαχίστων Τετραγώνων OLS. Η συναρτησιακή σχέση που προκύπτει σε κάθε περίπτωση είναι η: Όπου: Percentage: Το ποσοστό της δασικής κάλυψης Index: Οι τιμές των 6 δεικτών βλάστησης σε 8 διαφορετικές χρονικές στιγμές e: Ο διαταρρακτικός όρος Τα αποτελέσματα παρατίθενται μέσω της παρουσίασης των αντίστοιχων συντελεστών κλίσης β καθώς και του παρατηρηθέντος επιπέδου σημαντικότητας (p). Παράλληλα, η προσαρμοστικότητα των μετρήσεων των δεικτών βλάστησης στο ποσοστό δασικής κάλυψης αξιολογείται μέσω του συντελεστή προσδιορισμού R2, που εκφράζει το ποσοστό της μεταβλητότητας της εξαρτημένης μεταβλητής που προσδιορίζεται μέσω της μεταβλητότητας των ανεξάρτητων μεταβλητών. Οι μετρήσεις των δεικτών βλάστησης αφορούν 2 περιοχές και ποιο συγκεκριμένα αναφέρονται σε εικόνες LandSat8 του δέκτη OLI με path 183 και Row 34 και path 184 και Row 32 σύμφωνα με τον οργανισμό Γεωλογικών Μελετών των ΗΠΑ (USGS).

107 104 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 5.2 Ανάλυση δεικτών βλάστησης περιοχής χωρίς ατμοσφαιρική διόρθωση Παρατηρώντας τις μέσες τιμές των δεικτών βλάστησης για την περιοχή (2 η περιοχή Μελέτης Πελοπόννησος) χωρίς ατμοσφαιρική διόρθωση αρχικά παρατηρείται ότι ο δείκτης AVI δεν παρουσιάζει υψηλές διακυμάνσεις ανάμεσα στις χρονικές περιόδους με τους αντίστοιχους μέσους να είναι ιδιαίτερα υψηλοί. Αντίθετα η μέσες τιμές του δείκτη βλάστησης EVI διαφοροποιείται σημαντικά την περίοδο των καλοκαιρινών μηνών, ενώ αντίστοιχη με μικρότερες όμως αποκλίσεις είναι η συμπεριφορά των μέσων τιμών του δείκτη βλάστησης NDVI, η αύξηση των οποίων παρατηρείται ήδη μετά τον Απρίλιο σημειώνοντας τα υψηλότερα επίπεδα του τον Ιούλιο για να ακολουθήσει σταδιακή πτωτική τάση στη συνέχεια. Παραπλήσια είναι η συμπεριφορά των δεικτών SARVI και SAVI με τις μέσες τιμές του δεύτερου να παρουσιάζουν υψηλότερο επίπεδο αποκλίσεων σε σχέση με τη τον Απρίλιο και τον Ιούλιο που παρουσιάζουν τις υψηλότερες τιμές τους. Τέλος οι δείκτες SI και TNDVI παρουσιάζουν εκ διαμέτρου αντίστροφη συμπεριφορά. Οι μέση τιμή του δείκτη SI εκτινάσσεται τον Δεκέμβριο, ενώ η μέση τιμή του δείκτη TNDVI περιστέλλεται σημαντικά το συγκεκριμένο μήνα.

108 105 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 1: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση)

109 106 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 2: Ανάλυση τάσης μέσω τιμών του δείκτη ΕVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 3: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση)

110 107 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 4: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 5: Ανάλυση τάσης μέσω τιμών του δείκτη SAVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση)

111 108 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 6: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 7: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή 18334, χωρίς ατμοσφαιρική διόρθωση) Ερμηνεύοντας τα αποτελέσματα των παλινδρομήσεων που αφορούν την περιοχή χωρίς ατμοσφαιρική διόρθωση αρχικά παρατηρείται ότι οι συντελεστές κλίσης του δείκτη AVI λαμβάνουν εξαιρετικά χαμηλές τιμές γεγονός που σηματοδοτεί ότι δεν επιδρούν στατιστικά σημαντικά (p>0,05 σε κάθε περίπτωση) στο επίπεδο του ποσοστού κάλυψης της δασικής έκτασης ανά pixel με τη συνολική επεξηγηματικότητα των ανεξάρτητων μεταβλητών να αγγίζει το 0,3%. Εξαιρετικά χαμηλή είναι η επεξηγηματικότητα του υποδείγματος παλινδρόμησης όπου σαν ανεξάρτητες μεταβλητές προσδιορίζονται τα επίπεδα του δείκτη EVI καθώς δεν ξεπερνά το 3,0%. Βελτιωμένη παρουσιάζεται η επεξηγηματικότητα των επιπέδων του δείκτη βλάστησης NDVI προς τα επίπεδα του ποσοστού κάλυψης δασικής έκτασης καθώς ο αντίστοιχος συντελεστής προσδιορισμού λαμβάνει τιμή ίση με 0,400 που προσδιορίζει

112 109 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν επεξηγηματικότητα ίση με 40,0% παρά το γεγονός ότι οι αντίστοιχοι συντελεστές κλίσης των μετρήσεων της 3η και 8ης χρονικής στιγμής καθίσταται στατικά ασήμαντοι (p ίσο με 0, 982 και 0,075 αντίστοιχα). Αντίθετα, στις περιπτώσεις όπου σαν ανεξάρτητες μεταβλητές των υποδειγμάτων παλινδρόμησης προσδιορίζονται οι τιμές των δεικτών SARVI και SAVI η επεξηγηματικότητα των μοντέλων λαμβάνει την υψηλότερη τιμή της καθώς ισούται με 54,2% και 40,2%.. Τέλος, η επεξηγηματικότητα του δείκτη SI παρουσιάζεται ουσιαστικά μηδαμινή καθώς ισούται με 0,1% καθώς τα δεδομένα στερούνται μετ6αβλητότητας και αποβάλλονται από το μοντέλο παλινδρόμησης ενώ η επεξηγηματικότητα του δείκτη TNDVI αυξάνεται σημαντικά καθώς ισούται με 39,6%. Πίνακας 2: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή χωρίς ατμοσφαιρική διόρθωση AVI EVI NDVI SARVI SAVI SI TNDVI C β p β p β p β p β p β p β p 56,013 0,000 57,419 0,000 24,912 0,000 42,666 0,000 24,838 0,000 56,352 0, ,274 0,000 >0,001 0,713 0,100 0,570 27,469 0,008 36,805 0,000 13,492 0,056 35,409 0,025 >0,001 0,211 0,324 0,000 90,750 0,000 72,937 0,582 89,868 0, ,639 0,000 >0,001 0,320 0,058 0,000 0,543 0,982 97,873 0,624 0,433 0,979 41,681 0,334 >0,001 0,584 0,128 0,000 98,795 0,000 69,659 0,000 64,237 0, ,496 0,000 >0,001 0,654 0,001 0, ,864 0, ,965 0, ,220 0, ,618 0,000 >0,001 0,263 0,811 0,189 83,284 0,001 75,865 0,000 55,276 0, ,157 0,000 >0,001 0,249 0,149 0,361 0, ,582 0, ,254 0, ,016 0, ,672 >0,001 0, ,000 9,901 0,075 4,184 0,122 13,370 0,002 0,001 0,049 9,758 0,079 R 2 0,003 0,030 0,400 0,542 0,402 0,001 0,396

113 110 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 8: Γραμμή Παλινδρόμηση τoυ AVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις ) στο ποσοστό δασικής κάλυψης Διάγραμμα 9: Γραμμή Παλινδρόμηση του ΕVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

114 111 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 10: Γραμμή Παλινδρόμηση του NDVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 11: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

115 112 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 13: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 12: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

116 113 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 14: Γραμμή Παλινδρόμηση του δείκτη TNDVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

117 114 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 5.3 Ανάλυση δεικτών βλάστησης περιοχής με ατμοσφαιρική διόρθωση Παρατηρώντας τα επίπεδα των μέσων τιμών δεικτών βλάστησης για την περιοχή με ατμοσφαιρική διόρθωση αρχικά προκύπτει ότι όσον αφορά τον δείκτη AVI αυτή αυξάνεται σημαντικά τον Μάρτιο σημειώνοντας τα υψηλότερα επίπεδα της για να υποχωρήσει το Απρίλιο και να αυξηθεί σημαντικά τον Ιούλιο. Εν συνεχεία ακολουθεί σταθερή πτωτική τάση. Η μέση τιμή του δείκτη EVI αυξάνεται ιδιαιτέρως τον Μάρτιο για να επιστρέψει σε χαμηλά επίπεδα στη συνέχεια παρουσιάζοντας σταθερή συμπεριφορά, ενώ οι δείκτες NDVI, SARVI και SAVI παρουσιάζουν πανομοιότυπη συμπεριφορά όσον αφορά τις μέσες τιμές τους οι οποίες μειώνονται τον Μάρτιο, τους θερινούς μήνες του Ιουλίου και του Αυγούστου αλλά και το Δεκέμβριο. Ανάλογες είναι και οι διακυμάνσεις του δείκτη SI οι οποίες όμως παρουσιάζουν ιδιαίτερα μεγαλύτερες αποκλίσεις σε απόλυτες τιμές. Ενώ αντίθετα συγκριτικά σταθερή είναι η τάση των μέσων τιμών του δείκτη TNDVI σε όλη τη διάρκεια των εξεταζόμενων περιόδo. Διάγραμμα 15: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18334, με ατμοσφαιρική διόρθωση)

118 115 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 16: Ανάλυση τάσης μέσω τιμών του δείκτη EVI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 17: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18334, με ατμοσφαιρική διόρθωση)

119 116 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 18: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 19: Ανάλυση τάσης μέσω τιμών του δείκτη SAVI (περιοχή 18334, με ατμοσφαιρική διόρθωση)

120 117 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 20: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18334, με ατμοσφαιρική διόρθωση) Διάγραμμα 21: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή , με ατμοσφαιρική διόρθωση)

121 118 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Στα αποτελέσματα που αναφέρονται την περιοχή και αφορούν εικόνες με ατμοσφαιρική διόρθωση παρατηρείται ότι η ικανότητα πρόβλεψης του ποσοστού δασικής κάλυψης μέσω των εξεταζόμενων δεικτών βλάστησης βελτιώνεται σημαντικά. Το συγκεκριμένο αποτέλεσμα γίνεται εξαιρετικά ορατό σε τρεις δείκτες, τους AVI με την επεξηγηματικότητα του συγκεκριμένου υποδείγματος να ισούται με 20,7%, EVI που αυξάνεται στο 48,1% και SI με την επεξηγηματικότητα του αντίστοιχου υποδείγματος να ισούται με 6,4%. Στις περιπτώσεις των δεικτών NDVI, SARVI, SAVI και TNDVI ο συντελεστής προσδιορισμού των αντίστοιχων υποδειγμάτων παλινδρόμησης διατηρεί τις υψηλές τιμές του και σε ένα βαθμό αυξάνεται. Τα παραπάνω αποτελέσματα έρχονται σε συμφωνία με τα αποτελέσματα που αφορούν την περιοχή και σχετίζονται εικόνες χωρίς ατμοσφαιρική διόρθωση. Σε γενικούς όρους οι ανεξάρτητες μεταβλητές των υποδειγμάτων παλινδρόμησης καθίστανται στατιστικά σημαντικές και τα πρόσημα θετικά σηματοδοτώντας την καλή προσαρμοστικότητα τους στην εξαρτημένη. Πίνακας 3: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή με ατμοσφαιρική διόρθωση AVI EVI NDVI SARVI SAVI SI TNDVI β p β p β p β p β p β p β p C 73,006 0,000 7,408 0,000 60,976 0,000 18,513 0,000 50,659 0,000 57,917 0, ,177 0,000 1 >0,001 0,905 4,321 0,000 4,622 0,126 5,617 0,000 5,808 0,000 0,000 0,000 3,883 0,557 2 >0,001 0,936 0,004 0,401 35,497 0,000 22,467 0,000 21,717 0,000 0,000 0,004 56,078 0,000 3 >0,001 0,000 6,718 0,000 22,494 0,000 11,890 0,000 12,807 0,002 70,221 0,000 4 >0,001 0,000 4,899 0,001 85,009 0,000 32,991 0,000 61,269 0,000 0,001 0, ,549 0,000

122 119 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 5 >0,001 0,000 17,372 0,000 47,938 0,000 30,206 0,000 27,058 0,000 0,001 0,008 27,577 0,000 6 >0,001 0,517 8,554 0,000 12,887 0,014 7,334 0,000 6,377 0,023 0,000 0,000 23,994 0,031 7 >0,001 0,000 8,284 0,000 19,231 0,002 13,821 0,000 10,516 0,003 0,000 0,000 38,216 0,003 8 >0,001 0,000 0,035 0,293 1,905 0,305 0,038 0,213 6,006 0,000 0,000 0,234 11,514 0,000 R 2 0,207 0,483 0,522 0,540 0,529 0,064 0,515

123 120 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 22: Γραμμή Παλινδρόμηση του δείκτη AVI για την περιοχή , (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 23: Γραμμή Παλινδρόμηση του δείκτη ΕVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

124 121 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 24: Γραμμή Παλινδρόμηση του δείκτη NDVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 25: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

125 122 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 26: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 27: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

126 123 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 28: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

127 124 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 5.4 Ανάλυση δεικτών βλάστησης περιοχής χωρίς ατμοσφαιρική διόρθωση Η τάση των μέσων τιμών του δείκτη βλάστησης AVI για την περιοχή χωρίς ατμοσφαιρική διόρθωση προσομοιάζει ιδιαιτέρως με εκείνη της περιοχής καθώς είναι σταθερή χωρίς υψηλές διακυμάνσεις. Αντίθετα οι μέσες τιμές των δεικτών EVI, NDVI, SARVI και SAVI, αυξάνονται μετά τον Μάρτιο και κατά τη διάρκεια των μηνών του Μαΐου και του για να επακολουθήσουν σταθερή πτωτική τάση στη συνέχεια σημειώνοντας ιδιαίτερα χαμηλές τιμές το Δεκέμβριο. Εξαιρετικά μεγάλη είναι η αύξηση της μέσης τιμής του δείκτη SI τον Μάρτιο, ενώ αυξάνεται σε μικρότερο βαθμό επίσης τον Αύγουστο και τον Δεκέμβριο, ενώ τέλος οι μέσες τιμές του δείκτη βλάστησης TNDVI δεν αποκλίνουν σημαντικά χαρακτηριζόμενες από σχετική σταθερότητα παρά την αύξηση τους στους ανοιξιάτικούς και θερινούς μήνες. Διάγραμμα 29: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση)

128 125 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 30: Ανάλυση τάσης μέσω τιμών του δείκτη EVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 31: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση)

129 126 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 32: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 33: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση)

130 127 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 34: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση) Διάγραμμα 35: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή 18432, χωρίς ατμοσφαιρική διόρθωση)

131 128 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Από τη εφαρμογή των προκαθορισμένων υποδειγμάτων παλινδρόμησης σε δεδομένα που αφορούν την περιοχή και αναφέρονται σε εικόνες χωρίς ατμοσφαιρική διόρθωση παρατηρείται ότι η επεξηγηματικότητα των ανεξάρτητων μεταβλητών μειώνεται σε εξαιρετικά μεγάλο βαθμό. Παράλληλα, περιστέλλεται ο αριθμός των συντελεστών κλίσης που καθίστανται στατιστικά σημαντικοί. Όσον αφορά τους δείκτες AVI, EVI και SI η επεξηγηματικότητα των δεικτών βλάστησης στο ποσοστό δασικής κάλυψης είναι μικρότερη το 1%, ενώ αυξάνεται ελαφρώς όσον αφορά τους δείκτες NDVI SARVI, SAVI και TNDVI λαμβάνοντας παρόλα αυτά εξαιρετικά χαμηλές τιμές καθώς ισούται με 3,9%, 3,2%, 5,5% και 3,1% αντίστοιχα. Πίνακας 4: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή χωρίς ατμοσφαιρική διόρθωση AVI EVI NDVI SARVI SAVI SI TNDVI β p β p β p β p β p β p β p ,655 0,000 66,715 0,000 47,262 0,000 43,685 0,000 46,936 0,000 66,770 0,000 17,997 0,087 >0,001 0,450 0,024 0,219 5,447 0,427 1,414 0, ,912 0,000 22,663 0,009 >0,001 0,140 0,003 0,282 27,947 0,000 2,574 0,011 20,309 0,000 >0,001 0,622 25,048 0,000 >0,001 0,078 0,002 0, ,607 0,000 48,808 0,000 68,156 0, ,364 0,000 >0,001 0,325 0,003 0, ,728 0,000 96,116 0, ,247 0, ,582 0,000 >0,001 0,021 0,002 0,257 9,630 0,108 5,800 0,044 6,895 0,081 0,377 0,969 >0,001 0,042 0,005 0,120 16,820 0,000 14,683 0,000 6,146 0,015 >0,001 0,100 17,944 0,001 >0,001 0,667 0,001 0,481 26,901 0,000,001 10, ,166 0,000 >0,001 0,967 13,858 0,000 R 2 0,002 0,001 0,039 0,032 0,055 >0,001 0,031

132 129 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 36: Γραμμή Παλινδρόμηση του δείκτη ΑVI για την περιοχή 18432, (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 37: Γραμμή Παλινδρόμηση του δείκτη ΕVI για την περιοχή (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

133 130 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 38: Γραμμή Παλινδρόμηση του δείκτη ΝDVI για την περιοχή 18432, (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 39: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή 18432, (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

134 131 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 40: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 41: Γραμμή Παλινδρόμηση του δείκτη SI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

135 132 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 42: Διάγραμμα 40: Γραμμή Παλινδρόμηση του δείκτη TNDVI για την περιοχή , (χωρίς ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

136 133 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν

137 134 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 5.5 Ανάλυση δεικτών βλάστησης περιοχής με ατμοσφαιρική διόρθωση Παρατηρώντας τα διαγράμματα τάσης των μέσων επιπέδων των δεικτών βλάστησης διαχρονικά για την περιοχή με ατμοσφαιρική διόρθωση, αρχικά παρατηρείται ότι όσον αφορά τον δείκτη AVI προκύπτει σημαντική αύξηση τους τον Μάρτιο με μικρή περιστολή τους τον Απρίλιο και Μάιο, ενώ αντίθετα η μέση τιμή των δεικτών βλάστησης αυξάνεται τους θερινούς μήνες επιστρέφοντας σε χαμηλότερα επίπεδα στη συνέχεια. Σταθερά αυξητική είναι η τάση των μέσων επιπέδων των τιμών του δείκτη βλάστησης EVI με μικρές διακυμάνσεις έως το μήνα Σεπτέμβριο όπου αυξάνονται αισθητά για να επιστρέψουν στα αρχικά επίπεδα του Ιανουαρίου το Δεκέμβριο. Σε σχέση με την τάση των μέσων τιμών του δείκτη NDVI παρατηρείται ιδιαίτερη αύξηση τους τον Απρίλιο και το Μάιου σε σχέση με τον Μάρτιο και σταδιακή πτώση τους καλοκαιρινούς μήνες ώστε να επιστρέψουν σε υψηλά επίπεδα το Σεπτέμβριο και τον Δεκέμβριο. Εξ άλλου οι μέσες τιμές του δείκτη βλάστησης SARVI μειώνονται σε εξαιρετικά μεγάλο βαθμό το Μάιο σημειώνοντας παραπλήσια συμπεριφορά στους υπόλοιπους μήνες. Ο δείκτης SAVI αυξάνεται ιδιαιτέρως τον Απρίλιο και το Μάιο, ενώ σημειώνει πτώση τους καλοκαιρινούς μήνες για να αυξηθεί στη συνέχεια τον Σεπτέμβριο. Παρόλα αυτά το Δεκέμβριο οι μέσες τιμές του συγκεκριμένου δείκτη σημειώνουν τη χαμηλότερη τιμή τους. Επίσης σημαντική είναι η αύξηση της μέσης τιμής του δείκτη SI τον Απρίλιο, Μάιο και Ιούνιο με αντίστροφη συμπεριφορά τους υπόλοιπους μήνες, ενώ σταθερή παρατηρείται η τάση των μέσων τιμών του δείκτη TNDVI διαχρονικά.

138 135 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 43: Ανάλυση τάσης μέσω τιμών του δείκτη AVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 44: Ανάλυση τάσης μέσω τιμών του δείκτη ΕVI (περιοχή 18432, με ατμοσφαιρική διόρθωση)

139 136 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 45: Ανάλυση τάσης μέσω τιμών του δείκτη NDVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 46: Ανάλυση τάσης μέσω τιμών του δείκτη SARVI (περιοχή 18432, με ατμοσφαιρική διόρθωση)

140 137 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 47: Ανάλυση τάσης μέσω τιμών του δείκτη SAVI (περιοχή 18432, με ατμοσφαιρική διόρθωση) Διάγραμμα 48: Ανάλυση τάσης μέσω τιμών του δείκτη SI (περιοχή 18432, με ατμοσφαιρική διόρθωση)

141 138 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 49: Ανάλυση τάσης μέσω τιμών του δείκτη TNDVI (περιοχή 18432, με ατμοσφαιρική διόρθωση)

142 139 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Τέλος τα αποτελέσματα των αντίστοιχων παλινδρομήσεων σε δεδομένα που αφορούν την περιοχή και αναφέρονται σε εικόνες με ατμοσφαιρική διόρθωση σηματοδοτούν εξαιρετικά χαμηλή επεξηγηματικότητα των ανεξάρτητων μεταβλητών στην εξαρτημένη. Το πλήθος των συντελεστών κλίσης που δεν καθίστανται στατιστικά σημαντικοί ειδικά σε ότι αφορά τους δείκτες AVI, EVI και TNDVI είναι μεγάλο ενώ παρατηρείται εξαιρετικά χαμηλή μεταβλητότητα στα δεδομένα που αφορούν τους δείκτες NDVI και SI καθιστώντας αδύνατη την παραγωγή αποτελεσμάτων με τη χρήση του μοντέλου OLS. Η επεξηγηματικότητα των δεικτών βλάστησης SARVI και SAVI στο ποσοστό δασικής κάλυψης ισούται με 4,0% και 4,5% αντίστοιχα και κρίνεται χαμηλή. Πίνακας 5: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή με ατμοσφαιρική διόρθωση AVI EVI NDVI SARVI SAVI SI TNDVI β p β p β p β p β p β p β p ,814 0,000 60,329 0,000 48,025 0,000 59,136 0,000 41,624 0,000 66,783 0,000 25,565 0,001 >0,001 0,070 0,905 0,026 0,318 0,872 0,234 0,762 2,208 0,084 >0,001 0,070 1,569 0,699 >0,001 0,102 0,183 0,025 8,892 0,000 6,188 0,000 5,396 0,000 >0,001 0,287 16,874 0,000 3,020 0, ,730 0,006 12,047 0,007 91,137 0,165 >0,001 0, ,850 0,233 >0,001 0,521 5,744 0, ,994 0,001 3,306 0,000 70,753 0,279 >0,001 0, ,473 0,107 >0,001 0,015 7,961 0,000 88,699 0,000 32,429 0,000 30,417 0,000 >0,001 0, ,117 0,000 >0,001 0,016 0,042 0,178 16,945 0,000 6,424 0,000 10,943 0,000 >0,001 0,078 22,462 0,000 >0,001 0,002 0,011 0,336 12,277 0,000 5,817 0,000 7,098 0,000 >0,001 0,029 22,235 0,000 >0,001 0,949 0,004 0,944 1,569 0,292 0,074 0,194 14,881 0,000 >0,001 0,488 0,859 0,685 R 2 0,016 0,014 0,038 0,040 0,045 0,002 0,038

143 140 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 51: Γραμμή Παλινδρόμηση του δείκτη EVI για την περιοχή , (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

144 141 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 53: Γραμμή Παλινδρόμηση του δείκτη NDVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 52: Γραμμή Παλινδρόμηση του δείκτη SARVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

145 142 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 54: Γραμμή Παλινδρόμηση του δείκτη SAVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης Διάγραμμα 55: Γραμμή Παλινδρόμηση του δείκτη SΙ για την περιοχή , (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

146 143 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Διάγραμμα 56: Γραμμή Παλινδρόμηση του δείκτη TNDVI για την περιοχή 18432, (με ατμοσφαιρικές διορθώσεις) στο ποσοστό δασικής κάλυψης

147 144 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν ΚΕΦΑΛΑΙΟ 6 ΣΥΜΠΕΡΑΣΜΑΤΑ 6.1 Εισαγωγή Σε αυτό το κεφάλαιο αναλύθηκαν τα αποτελέσματα του προηγούμενου κεφαλαίου. Πραγματοποιήθηκε ανάλυση των τάσεων των μέσων τιμών των δεικτών βλάστησης για 8 διαφορετικές χρονικές στιγμές και παλινδρόμησης του ποσοστού της δασικής κάλυψης σε σχέση με κάθε δείκτη βλάστησης, για τις δύο περιοχές, με path 184 και Row 32 και με path 183 και Row 33 για τη Βόρεια και Νότια Ελλάδα αντίστοιχα. Τα αποτελέσματα των παλινδρομήσεων και της ανάλυσης τάσεων των μέσων τιμών των δεικτών βλάστησης αναλύθηκαν για δύο περιπτώσεις. Η πρώτη περίπτωση αφορά σύνθετες (fusion) εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις και η δεύτερη περίπτωση αφορά σύνθετες (fusion) εικόνες LandSat8 με ατμοσφαιρικές διορθώσεις. 6.2 ΑΝΑΛΥΣΗ ΤΑΣΕΩΝ ΜΕΣΩΝ ΤΙΜΩΝ ΔΕΙΚΤΩΝ Περιοχή (Νότια Ελλάδα) χωρίς ατμοσφαιρικές διορθώσεις Για την περιοχή (Νότια Ελλάδα) και για τις εικόνες που δεν εφαρμόστηκαν ατμοσφαιρικές διορθώσεις παρατηρήθηκαν ότι οι μέσες τιμές των δεικτών SARVI, SAVI, και NDVI παρουσιάζουν παρόμοια συμπεριφορά με αύξηση των μέσων τιμών των δεικτών βλάστησης στις 21/3/2016 δηλαδή την περίοδο της άνοιξης, μεγιστοποίηση των μέσων τιμών μέσα στο καλοκαίρι και σταδιακή μείωση τους ξεκινώντας από Σεπτέμβριο και καταλήγοντας στις ελάχιστες τιμές την περίοδο του χειμώνα. Ο δείκτης EVI διαφοροποιείται σημαντικά τους καλοκαιρινούς μήνες ενώ φθίνει σημαντικά την εποχή του φθινοπώρου και χειμώνα. Οι μέσες τιμές του δείκτη AVI δεν εμφανίζουν

148 145 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν μεγάλες διακυμάνσεις μεταξύ των διαφορετικών χρονικών στιγμών. Οι τιμές του δείκτη SI αυξάνονται σημαντικά κατά το Δεκέμβριο ενώ αντίθετα μειώνονται σημαντικά οι μέσες τιμές του δείκτη TNDVI. Ο δείκτης AVI χωρίς ιδιαίτερες διακυμάνσεις ανάμεσα στις διαφορετικές χρονικές στιγμές Σχήμα 1:Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 χωρίς ατμοσφαιρικές διορθώσεις Περιοχή (Νότια Ελλάδα) με ατμοσφαιρικές διορθώσεις Για την περιοχή (Νότια Ελλάδα) και για τις εικόνες που εφαρμόστηκαν ατμοσφαιρικές διορθώσεις παρατηρήθηκαν ότι οι μέσες τιμές των δεικτών SARVI, SAVI, TNDVI και NDVI παρουσίασαν παρόμοια συμπεριφορά με πιο έντονες διακυμάνσεις σε σχέση με τις αντίστοιχες τιμές των δεικτών βλάστησης για την ίδια περιοχή για τις εικόνες χωρίς ατμοσφαιρικές διορθώσεις. Παρατηρήθηκε ότι όλες οι μέσες τιμές εμφάνισαν έντονες διακυμάνσεις και αυτό οφείλεται στην εφαρμογή των ατμοσφαρικών διορθώσεων. Οι τιμές των δεικτών των εικόνων με ατμοσφαιρική

149 146 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν διόρθωση είναι περισσότερο σαφής για κάθε διαφορετική χρονική στιγμή. Γενικότερα, οι εικόνες με ατμοσφαιρικές διορθώσεις εμφάνισαν πιο έντονες διακυμάσεις ακολουθώντας αυξομειώσεις με κυρίως αυξητικές τιμές την περίοδο της άνοιξης και του καλοκαιριού. Τα επιμέρους συμπεράσματα για κάθε δείκτη παρουσιάζονται στο σχήμα που ακολουθεί παρακάτω: Ο δείκτης AVI ιδιαίτερες διακυμάνσεις ανάμεσα στις διαφορετικές χρονικές στιγμές (Μάρτιος, Ιούλιος) Σχήμα 2: Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 με ατμοσφαιρικές διορθώσεις Περιοχή (Βόρεια Ελλάδα) χωρίς ατμοσφαιρικές διορθώσεις Για την περιοχή (Βόρεια Ελλάδα) και για τις εικόνες που δεν εφαρμόστηκαν ατμοσφαιρικές διορθώσεις παρατηρήθηκαν ότι οι μέσες τιμές των δεικτών EVI, SARVI, SAVI και NDVI εμφάνισαν πανομοιότυπη συμπεριφορά. Παρατηρήθηκε έντονη αυξομείωση των τιμών κατά την εναλλαγή των χρονικών περιόδων χειμώναςάνοιξη και Καλοκαίρι φθινόπωρο. Οι τιμές των δεικτών AVI και TNDVI εμφάνισαν πιο ομαλές

150 147 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν αυξομειώσεις μεταξύ των διαφορετικών χρονικών περιόδων. Τα επιμέρους συμπεράσματα για κάθε δείκτη απεικονίζονται στο σχήμα που ακολουθεί: Ο δείκτης AVI & ΤΝDVI χωρίς ιδιαίτερες διακυμάνσεις ανάμεσα στις διαφορετικές χρονικές στιγμές. TNDVI αύξηση τους ανοιξιάτικους και τους θερινούς μήνες Σχήμα 3: Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 χωρίς ατμοσφαιρικές διορθώσεις Περιοχή (Βόρεια Ελλάδα) με ατμοσφαιρικές διορθώσεις Για την περιοχή (Βόρεια Ελλάδα) και για τις εικόνες που εφαρμόστηκαν ατμοσφαιρικές διορθώσεις παρατηρήθηκαν ότι οι μέσες τιμές των δεικτών AVI, και ΕVI παρουσίασαν παρόμοια συμπεριφορά με πιο έντονες διακυμάνσεις σε σχέση με τις αντίστοιχες τιμές των δεικτών βλάστησης για την ίδια περιοχή για τις εικόνες χωρίς ατμοσφαιρικές διορθώσεις. Παρατηρήθηκε ότι όλες οι μέσες τιμές εμφάνισαν έντονες διακυμάνσεις και αυτό οφείλεται στην εφαρμογή των ατμοσφαρικών διορθώσεων. Οι τιμές των δεικτών των εικόνων με ατμοσφαιρική διόρθωση είναι περισσότερο σαφής για κάθε διαφορετική χρονική στιγμή. Γενικότερα, οι εικόνες με ατμοσφαιρικές

151 148 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν διορθώσεις εμφάνισαν πιο έντονες διακυμάσεις ακολουθώντας αυξομειώσεις με κυρίως αυξητικές τιμές την περίοδο της άνοιξης και του καλοκαιριού. Τα επιμέρους συμπεράσματα για κάθε δείκτη παρουσιάζονται στο σχήμα που ακολουθεί παρακάτω: Ο δείκτης AVI σημαντική αύξηση τον Μάρτιο αυξητική τάση με τη μεγαλύτερη μέση τιμή να εμφανίζεται τον Αύγουστο Σχήμα 4: Σχήμα συμπερασμάτων για περιοχή και εικόνες Landsat 8 με ατμοσφαιρικές διορθώσεις

152 149 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν 6.3 ΑΝΑΛΥΣΗ ΠΑΛΙΝΔΡΟΜΗΣΗΣ ΤΟΥ ΠΟΣΟΣΤΟΎ ΔΑΣΙΚΗΣ ΚΑΛΥΨΗΣ ΜΕ ΤΙΣ ΤΙΜΕΣ ΤΟΥ ΚΑΘΕ ΔΕΙΚΤΗ ΒΛΑΣΤΗΣΗΣ Βάση των υποθέσεων του κλασικού γραμμικού μοντέλου OLS τα κατάλοιπα ελέγχθηκαν για κάθε παλινδρόμηση όσον αφορά την κανονικότητα της κατανομής τους. Μέσω των ελέγχων Garque Berra, Kolmogorov Smirnov και Shapiro Wilk διαπιστώθηκε ότι ακολουθείτε η κανονική κατανομή. Καθώς τα αντίστοιχα p value είναι μεγαλύτερα των 0,05, παράλληλα παρουσιάζουν σταθερή διακύμανση ίση με τη μονάδα και μέσο ίσο με το μηδέν επιβεβαιώνοντας την κανονικότητα της κατανομής. Επίσης δεν παρατηρείται αυτοσυσχέτιση των καταλοίπων ενώ παράλληλα ο τυχαίος όρος είναι ομοσκεδαστικός. Οι πίνακες που ακολουθούν απεικονίζουν τα αποτελέσματα της παλινδρόμησης της μεθόδου των ελαχίστων τετραγώνων. Οι παλινδρομήσεις αφορούσαν την σύγκριση του συνόλου του δείγματος για κάθε περιοχή συγκεκριμένα για την περιοχή (Νότια Ελλάδα) 4230 pixels με διορθωμένο ποσοστό κάλυψης σε σχέση με τις τιμές κάθε δείκτη βλάστησης. Για τη δεύτερη περιοχή με path 184 και Row 32 (Βόρεια Ελλάδα) το σύνολο του δείγματος αφορύσε 7549 pixels. Τα δεδομένα ομαδοποιήθηκαν σε ένα πίνακα για κάθε περιοχή και χωρίστηκε ανά περίπτωση εικόνων με ατμοσφαιρικές διορθώσεις και μη. Όταν οι τιμές των pvalues εμφανίζουν τιμές μικρότερες του 0,05 κρίνονται ως στατιστικά σημαντικές, αντίθετα όταν οι τιμές είναι μεγαλύτερες των του 0,05 κρίνονται ως στατιστικά ασήμαντες. Ο συντελεστής κλίσης β όταν λαμβάνει αρνητικές τιμές σημαίνει ότι όταν αυξάνονται οι τιμές του εκάστοτε δείκτη βλάστησης (Ανεξάρτητη μεταβλητή) μειώνονται οι τιμές του ποσοστού κάλυψης (εξαρτημένη μεταβλητή). Αντίθετα όταν ο συντελεστή κλισης β λαμβάνει θετικές τιμές σημαίνει ότι όταν αυξάνονται οι τιμές του εκάστοτε δείκτη βλάστησης (Ανεξάρτητη μεταβλητή) αυξάνονται οι τιμές του ποσοστού κάλυψης (εξαρτημένη μεταβλητή).

153 150 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν H ερμηνευτική ικονότητα της Παλινδρόμησης προκύπτει από τον συντελεστή προσδιορισμού R^2. Ο συντελεστή προσδιορισμού R^2 δείχνει τι ποσοστό της εξαρτημένης μεταβλητής δηλαδή του ποσοστού δασικής κάλυψης ερμηνεύεται από την ανεξάρτητη μεταβλητή και λαμβάνει τιμές από 0 εώς 1 ενώ ερμηνεύεται σε επίπεδο ποσοστού. Ο συντελεστής C δείχνει την τάση των καταλοίπων της παλινδρόμησης για κάθε περίπτωση.

154 151 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Ανάλυση παλινδρόμησης του ποσοστού δασικής κάλυψης με τις τιμές του κάθε δείκτη βλάστησης για την περιοχή (Νότια Ελλάδα) Οι δύο πίνακες που ακολουθούν απεικονίζουν τα αποτελέσματα των παλινδρομήσεων της μεθόδου των ελαχίστων τετραγώνων. Με κίτρινο χρώμα είναι οι τιμές που έχουν καταστεί στατιστικά σημαντικές για τις συγκεκριμένες χρονικές στιγμές. Γενικά για την περιοχή το δείγμα αφορούσε 4230 pixels. Τα δασικά είδη που αναλύθηκαν ήταν του Δρύ, της Μάυρης Πεύκης, της Χαλέπιου Πεύκης και της Ελάτης. Οι χρονικές στιγμές από 1 έως 8 απεικονίζονται στον πίνακα που ακολουθεί και βρίσκονται σε πλήρη αντιστοιχία με τον πίνακα των παλινδρομήσεων της περιοχής Πίνακας 6:Σειρά χρονικών στιγμών για τις οποίες εκτελέστηκε το μοντέλο των παλινδρομήσεων Α/Α Μήνας Κωδικός λήψης Ημερομηνία 1 Φεβρουάριος 183_034 02/02/ Μάρτιος 183_034 21/03/ Απρίλιος 183_034 22/04/ Ιούλιος 183_034 11/07/ Αύγουστος 183_034 12/08/ Σεπτέμβριος 183_034 29/09/ Οκτώβριος 183_034 15/10/ Δεκέμβριος 183_034 18/12/2016

155 152 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν π ο λ υ φ α σ μ α τ ι κ ώ ν ε ι κ ό ν ω ν τ ο υ δ ο ρ υ φ ό ρ ο υ L a n d s a t 8 Πίνακας 7: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Νότια Ελλάδα) AVI EVI NDVI SARVI SAVI SI TNDVI β p β p β p β p β p β p β p C 56,013 0,000 57,419 0,000 24,912 0,000 42,666 0,000 24,838 0,000 56,352 0, ,274 0,000 1 >0,001 0,713 0,100 0,570 27,469 0,008 36,805 0,000 13,492 0,056 35,409 0,025 2 >0,001 0,211 0,324 0,000 90,750 0,000 72,937 0,582 89,868 0, ,639 0,000 3 >0,001 0,320 0,058 0,000 0,543 0,982 97,873 0,624 0,433 0,979 41,681 0,334 4 >0,001 0,584 0,128 0,000 98,795 0,000 69,659 0,000 64,237 0, ,496 0,000 5 >0,001 0,654 0,001 0, ,864 0, ,965 0, ,220 0, ,618 0,000 6 >0,001 0,263 0,811 0,189 83,284 0,001 75,865 0,000 55,276 0, ,157 0,000 7 >0,001 0,249 0,149 0, ,672 0, ,582 0, ,254 0, ,016 0,000 8 >0,001 0, ,000 9,901 0,075 4,184 0,122 13,370 0,002 0,001 0,049 9,758 0,079 R 2 0,003 0,030 0,400 0,542 0,402 0,001 0,396

156 153 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν π ο λ υ φ α σ μ α τ ι κ ώ ν ε ι κ ό ν ω ν τ ο υ δ ο ρ υ φ ό ρ ο υ L a n d s a t 8 Πίνακας 8: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Νότια Ελλάδα) AVI EVI NDVI SARVI SAVI SI TNDVI β p β p β p β p β p β p β p C 73,006 0,000 7,408 0,000 60,976 0,000 18,513 0,000 50,659 0,000 57,917 0, ,177 0,000 1 >0,001 0,905 4,321 0,000 4,622 0,126 5,617 0,000 5,808 0,000 0,000 0,000 3,883 0,557 2 >0,001 0,936 0,004 0,401 35,497 0,000 22,467 0,000 21,717 0,000 0,000 0,004 56,078 0,000 3 >0,001 0,000 6,718 0,000 22,494 0,000 11,890 0,000 12,807 0,002 70,221 0,000 4 >0,001 0,000 4,899 0,001 85,009 0,000 32,991 0,000 61,269 0,000 0,001 0, ,549 0,000 5 >0,001 0,000 17,372 0,000 47,938 0,000 30,206 0,000 27,058 0,000 0,001 0,008 27,577 0,000 6 >0,001 0,517 8,554 0,000 12,887 0,014 7,334 0,000 6,377 0,023 0,000 0,000 23,994 0,031 7 >0,001 0,000 8,284 0,000 19,231 0,002 13,821 0,000 10,516 0,003 0,000 0,000 38,216 0,003 8 >0,001 0,000 0,035 0,293 1,905 0,305 0,038 0,213 6,006 0,000 0,000 0,234 11,514 0,000 R 2 0,207 0,483 0,522 0,540 0,529 0,064 0,515 Μάιος 17

157 154 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Σχήμα 5:Συμπεράσματα μοντέλου παλινδρομήσεων περιοχής Τα συμπεράσματα που προκύπτουν παρατηρώντας τους παραπάνω πίνακες παλινδρομήσεων είναι ότι για τις εικόνες με ατμοσφαιρικές διορθώσεις οι τιμές των συντελεστών προσδιορισμού R^2 εμφανίζουν σημαντικά μεγαλύτερη επεξηγηματικότητα σε σχέση με τις εικόνες χωρίς ατμοσφαιρικές διορθώσεις. Ο συντελεστής R^2 εμφανίζει υψηλές τιμές κυρίως για τους δείκτες ΝDVI, SARVI, SAVI, Θεσσαλονίκη Μάιος 17

158 155 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν TNDVI ανεξάρτητα αν έχουν εφαρμοστεί στις εικόνες ατμοσφαιρικές διορθώσεις η όχι ωστόσο στην περίπτωση που έχουν εφαρμοστεί στις εικόνες ατμοσφαιρικές διορθώσεις οι τιμές των συντελεστών προσδιορισμού R^2 είναι σημαντικά υψηλότερες σε σχέση με τις εικόνες που δεν έχουν εφαρμοστεί ατμοσφαιρικές διορθώσεις. ΟΙ δείκτες AVI, EVI και SI υπολογίστηκαν με τη δημιουργία μοντέλου στον Μodeler Maker του λογισμικού Erdas Imagine. Γεγονός που καθιστά τη χρήση έτοιμων μοντέλων που βρίσκονται στο λογισμικό Erdas Imagine πιο ακριβή, ανεξάρτητη από το εάν έχουν εφαρμοστεί ατμοσφαιρικές διορθώσεις η όχι, σε σχέση με μοντέλα δεικτών βλάστησης που έχει δημιουργήσει ο χρήστης μέσω του Μοdeler Maker. Με την εφαρμογή των ατμοσφαιρικών διορθώσεων παρατηρείται αύξηση των χρονικών στιγμών που καθίστανται στατιστικά σημαντικές. Συγκεκριμένα για τους δείκτες NDVI, SARVI, SAVI & TNDVI ο συντελεστής προσδιορισμού R^2 για τις εικόνες LandSat8 χωρίς ατμοσφαρικές διορθώσεις λαμβάνει τις τιμές 0,4, 0,542 0,402 0,396 αντίστοιχα ενώ ο συντελεστής προσδιορισμού R^2 για τις εικόνες LandSat8 με ατμοσφαρικές διορθώσεις λαμβάνει τις τιμές 0,522 0,540 0,529 0,515 αντίστοιχα. Ο συντελεστής προσδιορισμού R^2 για τους δείκτης AVI,EVI και SI για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις λαμβάνουν τις τιμές 0,003 0,03 0,001 αντίστοιχα ενώ για τις εικόνες με ατμοσφαιρικές διορθώσεις λαμβάνουν τις τιμές 0,207 0,483 0,064. Για την περιοχή η παλινδρόμηση διενεργήθηκε για τα δασικά είδη Δρύς, Μαύρη Πεύκη, Χαλέπιο Πεύκη και Ελάτη. Μάιος 17

159 156 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Ανάλυση παλινδρόμησης του ποσοστού δασικής κάλυψης με τις τιμές του κάθε δείκτη βλάστησης για την περιοχή (Βόρεια Ελλάδα) Οι δύο πίνακες που ακολουθούν απεικονίζουν τα αποτελέσματα των παλινδρομήσεων της μεθόδου των ελαχίστων τετραγώνων. Με κίτρινο χρώμα είναι οι τιμές που έχουν καταστεί στατιστικά σημαντικές για τις συγκεκριμένες χρονικές στιγμές. Γενικά για την περιοχή το δείγμα αφορούσε 7549 pixels. Τα δασικά είδη που αναλύθηκαν ήταν του Δρύ, της Μάυρης Πεύκης, της Χαλέπιου Πεύκης, της Ελάτης και της Οξυάς. Οι χρονικές στιγμές από 1 έως 8 απεικονίζονται στον πίνακα που ακολουθεί και βρίσκονται σε πλήρη αντιστοιχία με τον πίνακα των παλινδρομήσεων της περιοχή Πίνακας 9: Σειρά χρονικών στιγμών για τις οποίες εκτελέστηκε το μοντέλο των παλινδρομήσεων Α/Α Μήνας Κωδικός λήψης Ημερομηνία 1 Ιανουάριος 184_032 08/01/ Μάρτιος 184_032 28/03/ Απρίλιος 184_032 13/04/ Μάιος 184_032 31/05/ Ιούνιος 184_032 16/06/ Αύγουστος 184_032 19/08/ Σεπτέμβριος 184_032 20/09/ Δεκέμβριος 184_032 09/12/2016 Μάιος 17

160 157 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν π ο λ υ φ α σ μ α τ ι κ ώ ν ε ι κ ό ν ω ν τ ο υ δ ο ρ υ φ ό ρ ο υ L a n d s a t 8 Πίνακας 10: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Βόρεια Ελλάδα) AVI EVI NDVI SARVI SAVI SI TNDVI β p β p β p β p β p β p β p C 64,655 0,000 66,715 0,000 47,262 0,000 43,685 0,000 46,936 0,000 66,770 0,000 17,997 0,087 1 >0,001 0,450 0,024 0,219 5,447 0,427 1,414 0, ,912 0,000 22,663 0,009 2 >0,001 0,140 0,003 0,282 27,947 0,000 2,574 0,011 20,309 0,000 >0,001 0,622 25,048 0, >0,001 0,078 0,002 0, ,607 0,000 48,808 0,000 68,156 0, ,364 0,000 5 >0,001 0,325 0,003 0, ,728 0,000 96,116 0, ,247 0, ,582 0,000 6 >0,001 0,021 0,002 0,257 9,630 0,108 5,800 0,044 6,895 0,081 0,377 0,969 7 >0,001 0,042 0,005 0,120 16,820 0,000 14,683 0,000 6,146 0,015 >0,001 0,100 17,944 0,001 8 >0,001 0,667 0,001 0,481 26,901 0,000,001 10, ,166 0,000 >0,001 0,967 13,858 0,000 R 2 0,002 0,001 0,039 0,032 0,055 >0,001 0,031

161 158 Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν π ο λ υ φ α σ μ α τ ι κ ώ ν ε ι κ ό ν ω ν τ ο υ δ ο ρ υ φ ό ρ ο υ L a n d s a t 8 Πίνακας 11: Αποτελέσματα παλινδρομήσεων OLS για την περιοχή για εικόνες LandSat8 χωρίς ατμοσφαιρικές διορθώσεις (Βόρεια Ελλάδα) AVI EVI NDVI SARVI SAVI SI TNDVI β p β p β p β p β p β p β p C 71,814 0,000 60,329 0,000 48,025 0,000 59,136 0,000 41,624 0,000 66,783 0,000 25,565 0,001 1 >0,001 0,070 0,905 0,026 0,318 0,872 0,234 0,762 2,208 0,084 >0,001 0,070 1,569 0,699 2 >0,001 0,102 0,183 0,025 8,892 0,000 6,188 0,000 5,396 0,000 >0,001 0,287 16,874 0, ,020 0, ,730 0,006 12,047 0,007 91,137 0,165 >0,001 0, ,850 0,233 4 >0,001 0,521 5,744 0, ,994 0,001 3,306 0,000 70,753 0,279 >0,001 0, ,473 0,107 5 >0,001 0,015 7,961 0,000 88,699 0,000 32,429 0,000 30,417 0,000 >0,001 0, ,117 0,000 6 >0,001 0,016 0,042 0,178 16,945 0,000 6,424 0,000 10,943 0,000 >0,001 0,078 22,462 0,000 7 >0,001 0,002 0,011 0,336 12,277 0,000 5,817 0,000 7,098 0,000 >0,001 0,029 22,235 0,000 8 >0,001 0,949 0,004 0,944 1,569 0,292 0,074 0,194 14,881 0,000 >0,001 0,488 0,859 0,685 R 2 0,016 0,014 0,038 0,040 0,045 0,002 0,038 Μάιος 17

162 Μάιος Ε κ τ ί μ η σ η δ α σ ο κ ά λ υ ψ η ς μ ε χ ρ ή σ η χ ρ ο ν ο σ ε ι ρ ώ ν Σχήμα 6:Συμπεράσματα μοντέλου παλινδρομήσεων περιοχής Τα συμπεράσματα που προκύπτουν παρατηρώντας τους παραπάνω πίνακες παλινδρομήσεων είναι ότι για τις εικόνες με ατμοσφαιρικές διορθώσεις οι τιμές των συντελεστών προσδιορισμού R^2 εμφανίζουν σημαντικά μεγαλύτερη επεξηγηματικότητα σε σχέση με τις εικόνες χωρίς ατμοσφαιρικές διορθώσεις. Ο συντελεστής R^2 εμφανίζει υψηλές τιμές κυρίως για τους δείκτες ΝDVI, SARVI, SAVI, TNDVI ανεξάρτητα αν έχουν εφαρμοστεί στις εικόνες ατμοσφαιρικές διορθώσεις η όχι Θεσσαλονίκη