ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΕΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗ ΜΕΛΕΤΗ ΘΕΜΑΤΩΝ ΔΑΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ

Transcript

1 AΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΠΟΛΙΤΙΚΩΝ ΜΗΧΑΝΙΚΩΝ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ ΕΙΔΙΚΕΥΣΗΣ ΠΡΟΣΤΑΣΙΑ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΚΑΙ ΒΙΩΣΙΜΗ ΑΝΑΠΤΥΞΗ ΔΙΠΛΩΜΑΤΙΚΗ ΕΡΓΑΣΙΑ ΦΩΤΟΓΡΑΜΜΕΤΡΙΚΕΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΙΚΕΣ ΜΕΘΟΔΟΙ ΣΤΗ ΜΕΛΕΤΗ ΘΕΜΑΤΩΝ ΔΑΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΑΝΑΣΤΑΣΙΑ ΑΛΕΞΙΟΥ ΔΑΣΟΛΟΓΟΣ Δ.Π.Θ. Θεσσαλονίκη, Οκτώβριος 2014

2 Περίληψη Η συγκεκριμένη διπλωματική εργασία που εκπονήθηκε στο πλαίσιο του Προγράμματος Μεταπτυχιακών Σπουδών Προστασία Περιβάλλοντος και Βιώσιμη Ανάπτυξη έχει θέμα Φωτογραμμετρικές και Τηλεπισκοπικές Μέθοδοι στη μελέτη θεμάτων δασικού περιβάλλοντος. Στην εργασία αυτή προσεγγίζονται διάφορα δασολογικά θέματα από το πρίσμα της Φωτογραμμετρίας και της Τηλεπισκόπησης και αναφέρεται η συμβολή των τελευταίων στην επιστήμη της δασολογίας. Στο πρώτο κεφάλαιο εισάγονται κάποιες βασικές έννοιες των γνωστικών αντικειμένων της Φωτογραμμετρίας και της Τηλεπισκόπησης, επεξηγούνται οι θεμελιώδεις αρχές της λειτουργίας τους και γίνεται μια σύντομη ιστορική αναδρομή. Επιπλέον, περιγράφονται τα βήματα της φωτογραμμετρικής και της τηλεπισκοπικής διαδικασίας και στη συνέχεια παρουσιάζονται οι λόγοι που καθιστούν αναγκαία την παρακολούθηση των δασών. Στο δεύτερο κεφάλαιο αναλύεται η συμβολή της φωτογραμμετρίας και της τηλεπισκόπησης στα θέματα δασικού περιβάλλοντος και αναφέρονται συγκεκριμένες εφαρμογές. Ακόμη, παρουσιάζονται θέματα τεχνολογιών αιχμής που χρησιμοποιούνται σε θέματα δασολογίας και γίνεται μια περιγραφή αυτών των νέων τεχνολογιών. Το επόμενο κεφάλαιο περιλαμβάνει έξι ερευνητικές εργασίες που αφορούν την εφαρμογή φωτογραμμετρικών και τηλεπισκοπικών μεθόδων σε συγκεκριμένα δασικά θέματα και προέκυψαν μετά από βιβλιογραφική αναζήτηση. Στο τέταρτο και τελευταίο κεφάλαιο μελετάται τμήμα του περιαστικού δάσους της Θεσσαλονίκης από δορυφορικές εικόνες με τη βοήθεια ενός λογισμικού ψηφιακής επεξεργασίας εικόνας. Το κεφάλαιο αυτό εστιάζει κυρίως στην ερμηνεία της δορυφορικής εικόνας υψηλής ανάλυσης. Η οπτική ερμηνεία της εικόνας έγινε στα διάφορα έγχρωμα σύνθετα και στην παγχρωματική εικόνα. Επίσης εφαρμόστηκαν κάποιες τεχνικές βελτίωσης της εικόνας και πιο συγκεκριμένα η ραδιομετρική και η χωρική βελτίωση. Ακολουθεί η περιγραφή της διαδικασίας των διαφόρων βελτιώσεων που εφαρμόστηκαν, καθώς επίσης και η ερμηνεία των βελτιωμένων εικόνων. Τέλος, εφαρμόστηκε ο Δείκτης Κανονικοποιημένης Διαφοράς Βλάστησης ο ο- ποίος δίνει τη δυνατότητα ανάδειξης περιοχών βλάστησης. i

3 Abstract This thesis which has been written during the Postgraduate Program Environmental Protection and Sustainable Development has the title Photogrammetry and Remote Sensing Methods in Forest environment studying. This paper approaches forestry issues from the perspective of Photogrammetry and Remote Sensing and states their contribution to the science of Forestry. The first chapter introduces some basic notions of disciplines, fundamental principles are explained and there is a brief historical review. In addition, the steps of photogrammetric and remote sensing process are described and then there are presenting the arguments for forest monitoring are presenting. In the second chapter the contribution of photogrammetry and remote sensing in forest environment is analyzed and some specific applications are mentioned. The state of the art which is applied on forestry is presented and there is a description of these new technologies. In the next chapter there six case studies related to the applications which are used in forestry issues are presented. These researches were found after bibliographic research. In the fourth and last chapter the suburban forest of Thessaloniki is studied from satellite images using a digital image processing software. This chapter focuses on the interpretation of high resolution digital images. The visual interpretation of image is done in different color composite images and in panchromatic image. Some image enhancement techniques are also applied and more specifically radiometric and spatial improvement. A description of the procedure of various improvements which were implemented is following, as well as the interpretation of enhanced images. Finally, the Normalized Difference Vegetation Index was applied, which helps you to identify areas with denser or sparser vegetation. ii

4 Πρόλογος Το δασικό περιβάλλον είναι ένα δυναμικό οικοσύστημα που επηρεάζει και επηρεάζεται σε μεγάλο βαθμό από τις ανθρώπινες δραστηριότητες. Αυτή η αλληλεπίδραση καθιστά αναγκαία την παρακολούθηση των δασών και τη συλλογή πληροφοριών, ποιοτικών και ποσοτικών, που αφορούν τη διαχείριση και την προστασία τους. Στο παρελθόν η συλλογή των απαραίτητων πληροφοριών γινόταν με παραδοσιακές μεθόδους τα τελευταία χρόνια όμως, με την εξέλιξη της τεχνολογίας νέες μέθοδοι ήρθαν να α- ντικαταστήσουν κατά ένα μεγάλο μέρος τις παλιές χρονοβόρες και πολυέξοδες τεχνικές. Στις νέες τεχνολογίες εντάσσονται αυτές που βασίζονται στην επιστήμη της φωτογραμμετρίας και της τηλεπισκόπησης και η συμβολή τους στην επιστήμη της δασολογίας αξιολογείται ως πολύ σημαντική καθώς βοηθά στην πληρέστερη και ακριβέστερη μελέτη μιας περιοχής με διαδικασίες λιγότερο χρονοβόρες. Ωστόσο, η νέα τεχνολογία ορισμένες φορές αντιμετωπίζεται με σκεπτικισμό από τους δασολόγους καθώς ακόμη δεν υπάρχει η απαραίτητη εξοικείωση και η απαιτούμενη τεχνογνωσία. Επιπλέον, στην παρούσα εργασία μελετήθηκε μέσω της ερμηνείας δορυφορικών εικόνων υψηλής ανάλυσης ένα τμήμα του περιαστικού δάσους της Θεσσαλονίκης, με τη βοήθεια του προγράμματος Erdas Imagine 11 (Classic Interface). Οι εικόνες αυτές βελτιώθηκαν, έτσι ώ- στε η λήψη δεδομένων που προκύπτει από την ερμηνεία τους να είναι ευκολότερη και πληρέστερη. Επίσης, η χρησιμοποίηση κάποιων δεικτών βοηθά στη λήψη πιο στοχευμένων πληροφοριών από μια περιοχή. Στη συγκεκριμένη περίπτωση χρησιμοποιήθηκε ο Δείκτης Κανονικοποιημένης Διαφοράς Βλάστησης. Επιβλέπουσα της παρούσας διπλωματικής εργασίας ήταν η επίκουρη καθηγήτρια του Τμήματος Πολιτικών Μηχανικών του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης, κυρία Μαρία Λαζαρίδου. Συνεξεταστές ήταν τα δύο μέλη της εξεταστικής επιτροπής, οι καθηγητές κ. Ιωάννης Υφαντής και κ. Ιωάννης Κρεστενίτης του Τμήματος Πολιτικών Μηχανικών του Α- ριστοτελείου Πανεπιστημίου Θεσσαλονίκης. Σε αυτό το σημείο θα ήθελα να εκφράσω τις θερμές μου ευχαριστίες σε όλα τα άτομα που συνετέλεσαν με τον τρόπο τους στη διεξαγωγή της διπλωματικής μου εργασίας. Αρχικά την επιβλέπουσα καθηγήτρια, κυρία Μαρία Λαζαρίδου, για τις πολύτιμες πληροφορίες που μου παρείχε, την καθοδήγησή της σε όλα τα στάδια εκπόνησης της εργασίας και τον πολύτιμο χρόνο που μου αφιέρωσε. Επιπλέον, ευχαριστώ την οικογένειά μου για την υλική και κυρίως iii

5 την ηθική υποστήριξη που μου προσέφερε και αποτέλεσε καθοριστικό παράγοντα για την ολοκλήρωση των μεταπτυχιακών μου σπουδών. Τέλος, θα ήθελα να ευχαριστήσω τον επίκουρο καθηγητή Αριστοτέλη Παπαγεωργίου του Τμήματος Δασολογίας και Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων του Δημοκριτείου Πανεπιστημίου Θράκης για τις πολύτιμες συμβουλές και την καθοδήγησή που μου προσέφερε κατά τη διάρκεια των μεταπτυχιακών σπουδών μου. Θεσσαλονίκη, Οκτώβριος 2014 iv

6 Περιεχόμενα Πρόλογος iii 1 Εισαγωγή Γενικά Η φωτογραμμετρική διαδικασία Η τηλεπισκοπική διαδικασία Θέματα δασικού περιβάλλοντος Η φωτογραμμετρία και η τηλεπισκόπηση στη δασολογία Η φωτογραμμετρία και η τηλεπισκόπηση ως εργαλεία μελέτης των δασικών οικοσυστημάτων Τεχνολογία αιχμής (state of the art) της φωτογραμμετρίας και της τηλεπισκόπησης σε θέματα δασολογίας Case Studies φωτογραμμετρίας και τηλεπισκόπησης σε δασολογικά θέματα Χαρτογράφηση δασών με φωτογραμμετρικές μεθόδους Ανίχνευση αλλαγών βλάστησης με τη βοήθεια εικόνων Landsat Απογραφή δασών με τη βοήθεια οπτικών εικόνων και εικόνων RADARSAT Χαρτογράφηση περιαστικών δασών με δεδομένα από εναέρια Lidar και υπερφασματικές εικόνες Χρησιμοποίηση επίγειων συστημάτων LiDAR στην επιστήμη της δασολογίας Χρησιμοποίηση μη επανδρωμένων εναέριων συστημάτων (UAS) για την παρακολούθηση δασικών πυρκαγιών Ερμηνεία δορυφορικής εικόνας υψηλής ανάλυσης δασικού περιβάλλοντος Περιοχή μελέτης Δορυφορικά δεδομένα KOMPSAT Ερμηνεία δορυφορικών εικόνων Μελέτη τμήματος της περιοχής του Σέιχ Σου (subset) Βελτιώσεις των εικόνων subset Εφαρμογή Δείκτη Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI) v

7 4.7 Σχεδιασμός γραμμικών στοιχείων στη βελτιωμένη δορυφορική εικόνα Σύνοψη συμπεράσματα 71 Βιβλιογραφία 73 vi

8 Κεφάλαιο 1 Εισαγωγή 1.1 Γενικά Σύμφωνα με τον ορισμό της διεθνούς εταιρείας Φωτογραμμετρίας και Τηλεπισκόπησης (International Society for Photogrammetry and Remote Sensing - ISPRS), Φωτογραμμετρία και Τηλεπισκόπηση είναι η τέχνη, η επιστήμη και η τεχνολογία λήψης αξιόπιστης πληροφορίας από απεικόνιση χωρίς επαφή και άλλα συστήματα αισθητήρων για τη Γη και το περιβάλλον της και άλλων φυσικών αντικειμένων και διαδικασιών μέσω καταγραφής, μέτρησης, ανάλυσης και αναπαράστασης. ( Μέσω της τηλεπισκόπησης η παρατήρηση αντικειμένων της Γης και η εκτίμηση του μεγέθους, του σχήματος και άλλων χαρακτηριστικών τους γίνεται χωρίς να είναι απαραίτητη η επαφή με αυτά. Αυτό, οφείλεται στα εκπεμπόμενα ή ανακλώμενα ηλεκτρομαγνητικά κύματα που λαμβάνονται από τους αισθητήρες που βρίσκονται στο εξωτερικό μιας πλατφόρμας. Οι αισθητήρες είναι διατάξεις απόκτησης δεδομένων. Τα χαρακτηριστικά της εκπεμπόμενης ή της ανακλώμενης ηλεκτρομαγνητικής ακτινοβολίας εξαρτώνται από το είδος του αντικειμένου. Έτσι, κατανοώντας τα χαρακτηριστικά των ηλεκτρομαγνητικών κυμάτων και συγκρίνοντάς τα με την παρατηρούμενη πληροφορία μπορεί να γίνει γνωστό το σχήμα, το μέγεθος και ο χαρακτήρας του αντικειμένου. Εικόνα 1.1.: Αναπαράσταση λήψης ΗΜ ακτινοβολίας από αισθητήρες (πηγή: 1

9 Η επιστήμη της φωτογραμμετρίας μπορεί να διαχωριστεί σε δύο βασικές κατηγορίες, στη φωτογραμμετρία από αέρα και την επίγεια. Η πρώτη εφαρμόζεται κυρίως για θέματα χαρτογράφησης περιοχών με τη βοήθεια φωτογραφιών που λαμβάνονται από μεγάλο ύψος από την επιφάνεια της Γης, από αεροπλάνα ή άλλα εναέρια μέσα. Η επίγεια φωτογραμμετρία που ήταν και ο πρώτος κλάδος της φωτογραμμετρίας που αναπτύχθηκε, διακρίνεται σε επίγεια (terrestrial) και σε εγγύς φωτογραμμετρία (close range). Η διαφορά των δύο αυτών υποκατηγοριών είναι ότι στην πρώτη οι λήψεις των φωτογραφιών γίνονται από απόσταση 300m και άνω ενώ στη δεύτερη οι αποστάσεις είναι μικρότερες από 300m. Οι κλίμακες αποτύπωσης είναι συνήθως μεγαλύτερες ή ίσες του 1:100. ( Οι αισθητήρες που χρησιμοποιούνται στην τηλεπισκόπηση ταξινομούνται σε δύο μεγάλες κατηγορίες. Αυτές αναφέρονται στους παθητικούς και ενεργητικούς αισθητήρες. Οι πρώτοι ανιχνεύουν τη φυσική ακτινοβολία που εκπέμπεται ή ανακλάται από τα αντικείμενα και προέρχεται από τον ήλιο. Σε αυτή την κατηγορία συμπεριλαμβάνονται οι πολυφασματικοί σαρωτές (θερμική, ορατή, υπερφασματική ακτινοβολία) και υπάρχει δυνατότητα λήψης πολυφασματικής και παγχρωματικής απεικόνισης. Οι δεύτεροι εκπέμπουν ενέργεια για τη σάρωση αντικειμένων και περιοχών, όπου ένας αισθητήρας ανιχνεύει και μετρά την ακτινοβολία του σήματος επιστροφής. Εδώ ανήκουν τα Radar (Radio detection and ranging και βασίζονται στα ραδιοκύματα) και τα LiDAR (Light detection and ranging και βασίζονται στον παλμό laser). Πιο συγκεκριμένα, υπάρχουν δύο ειδών LiDAR, αυτά είναι το εναέριο και το επίγειο. (intra.tesaf.unipd.it) Εικόνα 1.2.: Αρχή λειτουργίας ενεργητικού αισθητήρα. Εικόνα 1.3.: Αρχή λειτουργίας παθητικού αισθητήρα. (πηγή: intra.tesaf.unipd.it) 2

10 Εικόνα 1.4.: Κατηγορίες αισθητήρων. (πηγή: Σε αυτό το σημείο, αξίζει να σημειωθεί πως όλα τα αντικείμενα πάνω στη Γη διαθέτουν τη δική τους ανακλαστική ικανότητα σε κάθε μήκος κύματος όταν αυτά εκτίθενται στα ηλεκτρομαγνητικά κύματα. Οι αισθητήρες είναι ικανοί να καταγράψουν και την ανακλαστική ικανότητα και την ακτινοβολία σε κάθε μήκος κύματος. Εικόνα 1.5.: Φασματικός διαχωρισμός βλάστησης, εδάφους, νερού. (πηγή: 3

11 Πριν από οποιαδήποτε άλλη αναφορά, σκόπιμο είναι να γίνει μία ανασκόπηση στην ιστορία της φωτογραμμετρίας η οποία αποτελεί και τον κλάδο που προηγείται της τηλεπισκόπησης. Η εφεύρεση της φωτογραφίας γίνεται το 1826, ενώ τη δεκαετία του 1850 αρχίζει η λήψη φωτογραφιών από αερόστατα. Το 1873 διατυπώνεται η θεωρία της ηλεκτρομαγνητικής ενέργειας από τον J. C. Maxwell, το 1909 υπάρχουν λήψεις φωτογραφιών από αεροπλάνα, τη δεκαετία του 1910 καταγράφονται εναέριες αναγνωρίσεις, ενώ τη δεκαετία του 1920 παρατηρείται ανάπτυξη των εφαρμογών της εναέριας φωτογραφίας και της φωτογραμμετρίας. Το 1930 αποτελεί δεκαετία ανάπτυξης των συστημάτων Radar στη Γερμανία, τις Η.Π.Α. και το Ηνωμένο Βασίλειο, τη δεκαετία του 1940 εμφανίζονται εφαρμογές για τις υπέρυθρες και τις περιοχές των μικροκυμάτων και τη δεκαετία του 1950 παρατηρείται στρατιωτική έρευνα και ανάπτυξη. Στη συνέχεια, η δεκαετία του 1960 αποτέλεσε εποχή ανάπτυξης των δορυφόρων. Επίσης, τότε γίνεται και η πρώτη αναφορά στον όρο τηλεπισκόπηση και γίνονται και οι πρώτες παρατηρήσεις από το διάστημα. Ακολουθεί μια δεκαετία ταχείας ανάπτυξης για την επεξεργασία της ψηφιακής εικόνας, αυτή του Την επερχόμενη δεκαετία υπάρχει ανάπτυξη των υπερφασματικών δεικτών και τέλος, καταλήγουμε στη δεκαετία του 1990 όπου εκτοξεύονται δορυφόροι από εθνικούς οργανισμούς και εμπορικές εταιρείες. ( 1.2 Η φωτογραμμετρική διαδικασία Πριν γίνει η περιγραφή της φωτογραμμετρικής διαδικασίας, αξίζει να σημειωθεί πως η φωτογραμμετρία για να πάρει τη σημερινή της μορφή πέρασε από κάποια στάδια εξέλιξης. Το πρώτο, ήταν αυτό της αναλογικής φωτογραμμετρίας όπου επιτεύχθηκε η τρισδιάστατη αναπαράσταση αντικειμένων που απεικονίζονται σε ένα στερεοζεύγος αεροφωτογραφιών με ε- πικάλυψη κοινής περιοχής με τη βοήθεια οπτικομηχανικών μέσων. Το επόμενο στάδιο ήταν η αναλυτική φωτογραμμετρία, όπου για τον υπολογισμό των παραμέτρων των εικόνων αλλά και τον τρισδιάστατο προσδιορισμό των αντικειμένων στο χώρο χρησιμοποιούνται ηλεκτρονικοί υπολογιστές. Πολλά φωτογραμμετρικά συστήματα βασίζονται στις αναλυτικές φωτογραμμετρικές μεθόδους. Τα φωτογραμμετρικά αυτά συστήματα αφορούν είτε εξοπλισμό είτε λογισμικό και μπορεί να αναφέρονται σε αναλυτικά και softcopy όργανα απόδοσης, στον αεροτριγωνισμό, στην αναγωγή και τη δημιουργία ορθοφωτογραφίας. Το τελευταίο στάδιο είναι η ψηφιακή φωτογραμμετρία, στην οποία γίνεται μετατροπή της αναλογικής εικόνας σε ψηφιακή. Στην ψηφιακή φωτογραμμετρία η επεξεργασία γίνεται σε ψηφιακές εικόνες όχι μόνο του ορατού φάσματος αλλά και από άλλα μήκη κύματος της ηλεκτρομαγνητικής ακτινοβολίας όπως αυτό των μικροκυμάτων και της υπέρυθρης ακτινοβολίας. ( Κατά τον Χατζόπουλο Ι. στο βιβλίο Η Γεωχωροπληροφορική στην πολιτική προστασίας του περιβάλλοντος τα βασικά βήματα της φωτογραμμετρικής διαδικασίας είναι δύο. Το πρώτο είναι ο προγραμματισμός της λήψης φωτογραφιών, στον οποίο η κλίμακα και η ακρίβεια του χάρτη καθορίζονται από το ύψος πτήσης και την κλίμακα της αεροφωτογραφίας, 4

12 εδώ αξίζει να σημειωθεί πως ο προγραμματισμός της πτήσης γίνεται με εξειδικευμένα λογισμικά. Το δεύτερο βήμα είναι ο προσανατολισμός, η απόδοση στερεομοντέλου και η χαρτογράφηση που ολοκληρώνονται σε πέντε επιμέρους βήματα χρησιμοποιώντας και πάλι εξειδικευμένο λογισμικό. Τα επιμέρους βήματα του προσανατολισμού, της απόδοσης στερεομοντέλου και της χαρτογράφησης όπως προαναφέρθηκε είναι πέντε και είναι τα ακόλουθα: Εσωτερικός προσανατολισμός, που περιλαμβάνει την εισαγωγή των δεδομένων, που αφορούν τη φωτογραφική μηχανή που χρησιμοποιήθηκε στο σύστημα (εστιακή απόσταση, ακτινική και εφαπτομενική διαστροφή του φακού, συντεταγμένες πρωτεύοντος σημείου, αριθμός εικονοστοιχείων) Εξωτερικός προσανατολισμός στον οποίο γίνεται ο προσδιορισμός έξι παραμέτρων για κάθε αεροφωτογραφία. Για την πραγματοποίηση εξωτερικού προσανατολισμού γίνεται μια προετοιμασία των αεροφωτογραφιών. Η προετοιμασία αυτή περιλαμβάνει τον εντοπισμό τριών ειδών σημείων. Αυτά είναι τα σημεία Von Gruber, τα σημεία μεταβίβασης και τα σημεία διασύνδεσης. Τα δύο τελευταία είναι αυτά που ενοποιούν σε ένα μπλοκ τις φωτογραφίες που αναφέρονται στην περιοχή μελέτης. Ο εξωτερικός προσανατολισμός γίνεται σε δύο στάδια. Στο πρώτο γίνεται προσανατολισμός σε ένα αυθαίρετο σύστημα αναφοράς, ονομάζεται σχετικός προσανατολισμός και βοηθά στην καταμέτρηση και τον εντοπισμό των σημείων διασύνδεσης και μεταβίβασης. Στο δεύτερο υπάρχουν σημεία εδάφους που ονομάζονται φωτοσταθερά ή στοιχεία GPS και αδρανιακού συστήματος που έχουν γνωστές συντεταγμένες και ο προσανατολισμός γίνεται με βάση ένα σύστημα αναφοράς εδάφους. Χαρτογράφηση όπου γίνεται συλλογή τοπογραφικών δεδομένων και άλλων γενικών χαρακτηριστικών και στη συνέχεια σχεδιάζονται ή παράγονται αυτόματα ισοϋψείς καμπύλες. Τα δεδομένα που έχουν συλλεχθεί μπορούν να χρησιμοποιηθούν σε Γεωγραφικά Συστήματα Πληροφοριών (ΓΣΠ), ή συστήματα CAD. Δημιουργία ψηφιακού υψομετρικού μοντέλου (DEM) η οποία γίνεται αυτόματα εφόσον έχει γίνει ο εσωτερικός προσανατολισμός. Δημιουργία ορθοφωτογραφίας (ορθοαναγωγή) πλέον γίνεται αυτόματα με τη βοήθεια του ψηφιακού υψομετρικού μοντέλου και μιας αεροφωτογραφίας. Τα χαρακτηριστικά μιας ορθοφωτογραφίας συμπίπτουν με τα αντίστοιχα του χάρτη, καθώς και στις δύο περιπτώσεις έχει γίνει ορθομετρική παράλληλη προβολή. ( 5

13 Εικόνα 1.6.: Σχηματική αναπαράσταση φωτογραμμετρικής διαδικασίας (πηγή: ecourses.dbnet.ntua.gr) Εκτός από τα βασικά βήματα της φωτογραμμετρικής διαδικασίας που αναφέρθηκαν παραπάνω, μία εξίσου σημαντική διαδικασία είναι ο αεροτριγωνισμός. Ο αεροτριγωνισμός ήρθε να δώσει λύση σε ένα από τα βασικότερα προβλήματα της φωτογραμμετρίας. Το πρόβλημα αυτό έγκειται στη δυσκολία ταυτόχρονου εντοπισμού πολλών σημείων πάνω σε μία εικόνα, αλλά και στο έδαφος, διαδικασία που απαιτεί πολύ χρόνο, όπως επίσης προσωπικό και εξοπλισμό. Ο τρόπος για τη γρήγορη επίλυση ενός δικτύου που αποτελείται από σημεία λήψης, σημεία γνωστών συντεταγμένων, αλλά και σημεία των οποίων αναζητούνται οι συντεταγμένες, είναι ο αεροτριγωνισμός. Πιο συγκεκριμένα, με τον όρο αυτό εννοούμε τη συσχέτιση πολλών εικόνων μεταξύ τους απαιτώντας μικρότερο αριθμό μετρημένων φωτοσταθερών στοιχείων. Αυτή η συσχέτιση έχει ως αποτέλεσμα τον προσδιορισμό σημείων με άγνωστες συντεταγμένες που χρησιμοποιήθηκαν για τη συσχέτιση εικόνων. Συνοπτικά, είναι η μέθοδος συνένωσης εικόνων με τέτοιο τρόπο ώστε μετά να είναι δυνατή η λήψη των συντεταγμένων σε οποιοδήποτε σημείο της εικόνας σε ενιαίο γεωδαιτικό σύστημα αναφοράς. Στον αεροτριγωνισμό τα βασικά σημεία που χρειάζονται είναι τριών ειδών. Τα Φωτοσταθερά ή σημεία επίγειου ελέγχου που αναγνωρίζονται στη φωτογραφία και έχουν γνωστές συντεταγμένες και βοηθούν στη συνένωση των εικόνων, τα Σημεία Σύνδεσης που είναι σημεία που αναγνωρίζονται σε διαδοχικές εικόνες και οι συντεταγμένες τους υπολογίζονται φωτογραμμετρικά με την επίλυση του δικτύου και τέλος, τα Σημεία Ελέγχου που έχουν γνωστές συντεταγμένες, όμως δε συμμετέχουν στη συνόρθωση και την επίλυση του δικτύου. 6

14 Εικόνα 1.7.: Διαδικασία Αεροτριγωνισμού (πηγή: σημειώσεις φωτογραμμετρίας, τεύχος 2 ο Λαζαρίδου Μ.,Πάτμιος Ε.) Εικόνα 1.8.: Υπολογισμός προσανατολισμού από μεμονωμένες αεροφωτογραφίες με αεροτριγωνισμό. αρχική εικόνα (αριστερά), εικόνα μετά από αεροτριγωνισμό (δεξιά). (πηγή: A Photogrammetric Workflow for the Creation of a Forest Canopy Height Model from Small Unmanned) 1.3 Η τηλεπισκοπική διαδικασία Σύμφωνα με τον Γήτα Ι. και τον Συλλαίο Ν. (2007), τα τηλεπισκοπικά συστήματα είναι ικανά να καταγράφουν την ακτινοβολία στην κλίμακα του ηλεκτρομαγνητικού φάσματος. Ο πιο διαδεδομένος τύπος αισθητήρα απεικόνισης είναι το κλασικό αερομεταφερόμενο φωτογραφικό σύστημα, όπου η ηλεκτρομαγνητική ακτινοβολία καταγράφεται και αποθηκεύεται στο φωτογραφικό φιλμ. Γενικότερα όμως, η απόκτηση των δεδομένων σε ένα τηλεπισκοπικό σύστημα μπορεί να γίνει με διάφορους τρόπους. Όπως ήδη αναφέρθηκε, τα φωτογραφικά συστήματα αποτελούν και τον πιο διαδεδομένο τρόπο λήψης δεδομένων. Σε αυτά χρησιμοποιούνται τριών ειδών φιλμ, το παγχρωματικό, το έγχρωμο και το έγχρωμο υπέρυθρο. Ένας άλλος τρόπος απόκτησης δεδομένων είναι με τη βοήθεια απεικονιστών ηλεκτρονίου. Τα συστήματα αυτά, μοιάζουν με τα φωτογραφικά, με τη διαφορά ότι στα πρώτα οι εικόνες που σχηματίζονται παράγονται ηλεκτρονικά και μεταδίδονται και πάλι ηλεκτρονικά, με μεγάλη ταχύτητα σε ένα σταθμό λήψης από την πλατφόρμα του αισθητήρα. Επίσης, υπάρχουν τα συστήματα σάρωσης τα οποία σαρώνουν το έδαφος κατά λωρίδες τις οποίες συνθέτουν για την παραγωγή εικόνας. Οι μέθοδοι σάρωσης είναι τεσσάρων ειδών, η κατά πλάτος, η κυκλική, η κατά μήκος και η πλευρική. Τέλος, υπάρχουν και οι σαρωτές laser, οι οποίοι πλέον χρησιμοποιούνται ευρέως για την απόκτηση τρισδιάστατων μοντέλων επιφανείας. 7

15 Για την εξαγωγή πληροφοριών από εικόνες που έχουν ληφθεί από μία περιοχή προς μελέτη ακολουθείται μια διαδικασία που αποτελείται από επιμέρους βήματα. Αρχικά, γίνεται μια πρώτη οπτική παρατήρηση της περιοχής που μελετάται και στη συνέχεια με τα κατάλληλα στερεοσκοπικά όργανα γίνεται λεπτομερέστερη παρατήρηση και ανάλυση της περιοχής από στερεοζεύγη αεροφωτογραφιών. Η αναλογική φωτοερμηνεία των εικόνων βασίζεται σε συγκεκριμένα κριτήρια αναγνώρισης όπως είναι ο τόνος, η υφή, το σχήμα και η σκιά. Πιο ειδικά, κατά την αναλογική φωτοερμηνεία γίνεται ερμηνεία των μονοχρωματικών αποδόσεων του χώρου όπως αποδίδεται σε κάθε κανάλι χωριστά (κόκκινο, μπλε, πράσινο, εγγύς υπέρυθρο), των ψευδέγχρωμων σύνθετων που προκύπτουν από το συνδυασμό του ορατού φάσματος με το υπέρυθρο και των ψευδοχρωματικών απεικονίσεων που προκύπτουν από τις αεροφωτογραφίες στη φασματική απεικόνιση. ( Όλα τα είδη των εικόνων περιλαμβάνουν πλήθος πληροφοριών. Η ερμηνεία της εικόνας αποτελεί πρωταρχικό αλλά πολύ σημαντικό στάδιο της τηλεπισκόπησης και βασικός στόχος της είναι η εξαγωγή και η ταξινόμηση των διαφόρων ειδών δεδομένων που υπάρχουν στις εικόνες. Η σωστή ερμηνεία της εικόνας αποτελεί βασικό ζήτημα και για αυτό το λόγο πολλές φορές κάποια σημεία σε μια φωτογραφική απεικόνιση συνδυάζονται με κοινωνικοοικονομικά δεδομένα της περιοχής ή άλλα στοιχεία και δεδομένα του φυσικού περιβάλλοντος έτσι ώστε τα αποτελέσματα που θα προκύψουν να είναι ορθά. Ακόμη, πρέπει να τονιστεί ότι οποιαδήποτε επιπλέον διαδικασία γίνεται για την επεξεργασία μιας εικόνας (βελτίωση, ταξινόμηση), σκοπό έχει την ευκολότερη, πληρέστερη και ορθότερη ερμηνεία της. Όπως αναφέρθηκε και για την αναλογική φωτοερμηνεία των εικόνων, υπάρχουν συγκεκριμένα κριτήρια αναγνώρισης που διευκολύνουν τη διαδικασία της ερμηνείας. Αυτά τα κριτήρια είναι αρκετά και ο ρόλος που διαδραματίζει το κάθε ένα στην ερμηνεία της εικόνας θα αναφερθεί αμέσως παρακάτω. Το μέγεθος είναι ένα από τα βασικότερα κριτήρια, η εκτίμηση του οποίου γίνεται συγκριτικά με την κλίμακα της εικόνας και αποτελεί διακριτικό χαρακτηριστικό ενός αντικειμένου. Η εκτίμησή του μπορεί επιπλέον να βοηθήσει στην αναγνώριση γειτονικών αντικειμένων. Ένα ακόμη κριτήριο είναι το σχήμα. Αυτό, βοηθά στην κατανόηση της προέλευσης του αντικειμένου. Αντικείμενα με σαφή και διακριτά όρια είναι ανθρωπογενούς προέλευσης, ενώ αντικείμενα με ακανόνιστο σχήμα είναι φυσικής προέλευσης. Η σκιά αποτελεί ένα επιπλέον κριτήριο αναγνώρισης, σχετίζεται άμεσα με το ύψος των αντικειμένων και βοηθά στην εκτίμηση του μεγέθους και του σχήματός τους. Ο τόνος βοηθά στην εκτίμηση και την αναγνώριση της φύσης του εδαφικού υλικού και πολλές φορές εξαρτάται από την ευαισθησία του φιλμ, τα φίλτρα των φωτογραφικών μηχανών, τους φακούς και τη γωνία του ηλίου. Η υφή βοηθά να αναγνωρισθεί μια επιφάνεια ως τραχειά ή λεία, η τοποθεσία την τοπογραφική θέση του αντικειμένου και τέλος η σχέση με τα περιβάλλοντα αντικείμενα βοηθά στην πιο ρεαλιστική αναγνώριση των αντικειμένων. 8

16 Οι τηλεπισκοπικές απεικονίσεις που ερμηνεύονται για τη λήψη διάφορων πληροφοριών μπορούν να ταξινομηθούν σε τρεις κατηγορίες. Αυτή των συμβατικών αεροφωτογραφιών, των θερμικών απεικονίσεων και των radar απεικονίσεων. Στην πρώτη κατηγορία ανήκουν οι παγχρωματικές, οι υπέρυθρες, οι έγχρωμες, οι ψευδοχρωματικές και οι πολυφασματικές εικόνες. Κάθε μία από τις κατηγορίες και τις υποκατηγορίες των τηλεπισκοπικών εικόνων διαθέτει συγκεκριμένα χαρακτηριστικά ερμηνείας που πρέπει να λαμβάνονται υπόψη από τον φωτοερμηνευτή. Η οπτική ερμηνεία αποτελείται από τρία επιμέρους στάδια. Το πρώτο είναι η ανίχνευση η οποία εξαρτάται από τη διακριτική ικανότητα του δέκτη και διακρίνεται σε: χωρική διακριτική ικανότητα (Spatial Resolution), χρονική διακριτική ικανότητα (Temporal Resolution), ραδιομετρική διακριτική ικανότητα (Radiometric Resolution) και φασματική διακριτική ικανότητα (Spectral Resolution). Το δεύτερο βήμα είναι η αναγνώριση αντικειμένων στην περιοχή μελέτης. Σε αυτό το στάδιο αρχικά γίνεται μια πρωταρχική αναγνώριση σχημάτων των αντικειμένων και στη συνέχεια γίνεται πιο λεπτομερής παρατήρησή και συσχέτισή τους με το περιβάλλον, όπου χρησιμοποιούνται κάποια φωτοερμηνευτικά κλειδιά. Όπως αναφέρθηκε και παραπάνω τα βασικά στοιχεία που μελετώνται για την αναγνώριση των διάφορων αντικειμένων είναι το σχήμα, το χρώμα, η υφή, ο τόνος το μέγεθος, η σκιά και η θέση του αντικειμένου. Πιο συγκεκριμένα, ο τόνος του γκρι και το χρώμα, εξαρτώνται από το ποσό της ηλεκτρομαγνητικής ακτινοβολίας που ανακλάται και εκπέμπεται από ένα αντικείμενο, ανάλογα με την περιοχή του φάσματος που είναι ευαίσθητος ο δέκτης. Η υφή που σχετίζεται με το πόσο λείο ή τραχύ είναι ένα αντικείμενο, εξαρτάται από τη συχνότητα εναλλαγής του τόνου του γκρι. Το επόμενο και τελευταίο στάδιο είναι αυτό της ανάλυσης στο οποίο συσχετίζονται αντικείμενα με όμοια χαρακτηριστικά και κατατάσσονται σε κατηγορίες. Με το πέρας των παραπάνω διαδικασιών δημιουργείται ένας θεματικός χάρτης που αφορά την περιοχή μελέτης και έχει τη δυνατότητα να ενσωματωθεί σε ένα Γεωγραφικό Σύστημα Πληροφοριών. ( 50megs.com/) Για τη σωστή διεξαγωγή της φωτοερμηνείας, απαραίτητο είναι να πληρούνται κάποιες βασικές προϋποθέσεις. Αρχικά, θα πρέπει να αναλύεται ένα θέμα κάθε φορά, έτσι ώστε να μη δημιουργείται σύγχυση στον φωτοερμηνευτή και προτιμότερο είναι η φωτοερμηνεία να ξεκινά από αντικείμενα πιο γνωστά και να προχωράει σε λιγότερο οικεία. Επίσης, θα πρέπει να επιδιώκεται η γενική θεώρηση της μελετώμενης περιοχής να προηγείται της ειδικής. Πιο συγκεκριμένα, στην αρχή θα πρέπει να αναλύονται τηλεπισκοπικές και δορυφορικές εικόνες μικρής κλίμακας και στη συνέχεια να γίνεται λεπτομερέστερη ανάλυση της περιοχής από αεροφωτογραφίες και άλλες απεικονίσεις μεγαλύτερης κλίμακας. Αντίθετα με τη θεώρηση της περιοχής, τα συμπεράσματα που εξάγονται θα πρέπει να ακολουθούν την αντίστροφη πορεία δηλαδή, αρχικά από τη γενική θεώρηση της περιοχής να εξάγονται ειδικά συμπεράσματα, για παράδειγμα από τη μορφή του γενικού αποστραγγιστικού δικτύου της περιοχής μπορούν να προ- 9

17 κύψουν συμπεράσματα για τα εδαφικά υλικά και στη συνέχεια από την ειδική θεώρηση να εξάγονται πιο γενικά συμπεράσματα όπως για τη γεωλογική δομή της ευρύτερης περιοχής από το μέγεθος ενός ρέματος που συναντάται συστηματικά σε όλη την περιοχή. Πολύ σημαντικό ρόλο στη φωτοερμηνεία διαδραματίζει η ποιότητα της αεροφωτογραφίας και οι συνθήκες λήψης, καθώς εικόνες χαμηλότερης ποιότητας μπορεί να οδηγήσουν σε λανθασμένα συμπεράσματα. Τέλος, κατά τη διαδικασία της φωτοερμηνείας δε θα πρέπει να παραβλέπεται η σχέση που μπορεί να έχουν τα αντικείμενα μεταξύ τους αλλά και σε σχέση με το ευρύτερο περιβάλλον και άλλους κοινονικοοικονομικούς παράγοντες έτσι ώστε να υπάρχει μια λογική σύνδεση μεταξύ τους. Η επεξεργασία της εικόνας είναι το στάδιο που ακολουθεί την ερμηνεία και αποτελείται από επιμέρους στάδια όπως αυτά θα παρουσιαστούν στη συνέχεια. Η Προεπεξεργασία αποτελεί το αρχικό στάδιο επεξεργασίας μιας εικόνας και περιλαμβάνει τη Ραδιομετρική, τη Γεωμετρική, την Ατμοσφαιρική και την Τοπογραφική διόρθωση. Ακολουθεί η Ραδιομετρική ενίσχυση που αποτελείται από την έλκυση και την ισοστάθμιση ιστογράμματος, την εναρμόνιση με βάση το ιστόγραμμα και την αναστροφή φωτεινότητας και έχει ως στόχο τη βελτίωση του τρόπου παρουσίασης και ερμηνείας της εικόνας αυξάνοντας τη διάκριση που υπάρχει στα αντικείμενα της εικόνας. Στη συνέχεια, υπάρχει η Χωρική και η Φασματική ενίσχυση και ακολουθούν η Υπερφασματική ανάλυση εικόνας και η Ανάλυση Fourier. Ακολούθως, γίνεται η Ταξινόμηση εικόνας που περιλαμβάνει την επιβλεπόμενη ταξινόμηση, η οποία γίνεται με ε- λαστικούς ή ανελαστικούς ταξινομητές και τη μη επιβλεπόμενη ταξινόμηση. Τα επόμενα στάδια είναι η Ανάλυση εικόνων Radar, η Ανάλυση υφής και η Ανάλυση υπο-εικονοστοιχείου. (Συλλαίος, Γήτας 2007) Όλα τα παραπάνω αναφέρονταν γενικότερα στην επεξεργασία της εικόνας. Πιο ειδικά, υπάρχει η ψηφιακή επεξεργασία εικόνας που διαδέχτηκε την οπτική επεξεργασία εικόνας και αποτελεί μια σύγχρονη τεχνική για τη βελτίωση της παρουσίασης τηλεπισκοπικών εικόνων και την εξαγωγή επιπλέον πληροφοριών. Ακόμη, με την εν λόγω επεξεργασία εικόνας είναι δυνατό οι εικόνες να διορθωθούν έτσι ώστε να ταυτίζονται με τους χάρτες που αναφέρονται στην ίδια περιοχή. Η ψηφιακή επεξεργασία εικόνας μπορεί να χωριστεί σε πέντε κατηγορίες. Η πρώτη κατηγορία αναφέρεται στην αποκατάσταση και αναγωγή εικόνων όπου διορθώνονται τα συστηματικά γεωμετρικά λάθη των ανεπεξέργαστων εικόνων και ανάλογα με τις προβολές των χαρτών προσαρμόζεται η γεωμετρία των εικόνων. Η επόμενη κατηγορία αφορά την ενίσχυση και τη βελτίωση των εικόνων στην οποία γίνεται διαχωρισμός των αντικειμένων στην εικόνα, έτσι ώστε να βελτιωθεί η οπτική ερμηνεία της. Ακολουθεί η δημιουργία δεικτών ή μετασχηματισμένων εικόνων, με τη βοήθεια των οποίων μπορούν να υπολογισθούν και να εκτιμηθούν διάφορα χαρακτηριστικά της εικόνας. Στη συνέχεια, η ταξινόμηση των εικόνων κατατάσσει τα εικονοστοιχεία σε διάφορες κλάσεις έτσι ώστε να αντιπροσωπεύεται ένα σύνολο αντικειμένων σε κάθε κλάση. Τα δεδομένα αυτά μπορούν να χρησιμοποιηθούν για την 10

18 οργάνωση θεματικών χαρτών ή να ταξινομηθούν σε πίνακες και να καθορίσουν την επιφάνεια που καταλαμβάνει κάθε κλάση. Τέλος, υπάρχουν οι διαδικασίες μοντελοποίησης που έχουν τη δυνατότητα να εντοπίσουν περιοχές με συγκεκριμένα χαρακτηριστικά, να διαπιστώσουν το βαθμό που είναι ενημερωμένος ένας χάρτης, αλλά και να προβλέψουν πιθανές αλλαγές στις μελετώμενες περιοχές από δεδομένα που λήφθηκαν από τηλεπισκοπικές εικόνες. ( 1.4 Θέματα δασικού περιβάλλοντος Η απαίτηση για συλλογή πληροφοριών που σχετίζονται με τα δασικά οικοσυστήματα ξεκινά αρκετά χρόνια πριν. Αρχικά, και πιο συγκεκριμένα κατά τη δεκαετία του 1960 ο κύριος σκοπός συλλογής πληροφοριών ήταν οι εμπορικές δραστηριότητες που βασίζονταν στην ξυλεία. Με την πάροδο των ετών η προσοχή στράφηκε στη δασολογία των πολλαπλών σκοπών, δηλαδή οι πληροφορίες που συλλέγονταν είχαν ως στόχο την ενιαία παρακολούθηση και διαχείριση των δασών καθώς αυτά συμβάλλουν στη διατήρηση του ενιαίου παγκόσμιου οικοσυστήματος. Οι πληροφορίες που λαμβάνονται από τα δάση πολλές φορές καθορίζονται έμμεσα από περιβαλλοντικές συμβάσεις και συμφωνίες. Το 1992 στο συνέδριο των Ηνωμένων Εθνών για το περιβάλλον και την ανάπτυξη καθορίστηκε ότι οι πληροφορίες που συλλέγονται από την παρατήρηση της γης θα πρέπει να χρησιμοποιούνται στη λήψη δεδομένων σαν μικρού κόστους αποτελεσματικά μέσα για συλλογή δεδομένων με λεπτομέρεια και ακρίβεια. Κάποιες κατηγορίες δασών πρέπει να λαμβάνουν μεγαλύτερης προστασίας από κάποιες άλλες και για αυτό είναι απαραίτητη η συλλογή συγκεκριμένων πληροφοριών. Τα δεδομένα αυτά μπορούν να διαχωριστούν σε τρεις κατηγορίες. Η πρώτη αφορά την κάλυψη γης και πιο συγκεκριμένα την επιφάνεια που καλύπτει η περιοχή προς μελέτη. Η δεύτερη κατηγορία α- ναφέρεται στη βιομάζα, τον όγκο της, τις αλλαγές που γίνονται σε αυτή, αλλά και την ανάπτυξή της. Η τρίτη και τελευταία κατηγορία αφορά βιοτικές και αβιοτικές καταστροφές που περιλαμβάνουν την ατμοσφαιρική ρύπανση που επιδρά στα δάση, τις πλημμύρες, την ξηρασία, τις δασικές πυρκαγιές και την κλιματική αλλαγή. Οι πληροφορίες που συλλέγονται για τη διαχείριση των δασών καθορίζονται από την ανάγκη που υπάρχει να διαχειριστεί το δάσος σαν ένας οικονομικός και οικολογικός πόρος. Υ- πάρχουν δύο είδη διαχωρισμού των δασών για την καλύτερη διαχείρισή τους. Το πρώτο είναι σε δασικά τμήματα και το άλλο σε διαχειριστικές κλάσεις. Και οι δύο μέθοδοι μπορούν να συνδυαστούν για την περιγραφή ενός δάσους με μεγάλο εύρος χαρακτηριστικών όπως τα δασικά είδη και άλλες οικολογικές παράμετροι. Σε διάφορες μελέτες που έγιναν, θεωρήθηκε πως η χρήση τηλεπισκοπικών μεθόδων θα βοηθήσει στην παρακολούθηση των δασών με την αύξηση της γεωχωρικής ικανότητας. (Koch B., Dees M. 2008) 11

19 Κεφάλαιο 2 Η φωτογραμμετρία και η τηλεπισκόπηση στη δασολογία 2.1 Η φωτογραμμετρία και η τηλεπισκόπηση ως εργαλεία μελέτης των δασικών οικοσυστημάτων Οι ανθρωπογενείς πιέσεις που ασκούνται, κυρίως τις τελευταίες δεκαετίες, στα δασικά οικοσυστήματα και τους φυσικούς πόρους γενικότερα δημιούργησαν την ανάγκη για καταγραφή και επεξεργασία πληροφοριών που σχετίζονται με την ικανότητα των φυσικών πόρων να α- νταπεξέλθουν στις ανθρώπινες απαιτήσεις. Η συγκέντρωση και η επεξεργασία των πληροφοριών αυτών με την εξέλιξη της τεχνολογίας γίνονται ευκολότερα χρησιμοποιώντας μεθόδους και τεχνικές όπως αυτές της φωτογραμμετρίας και της τηλεπισκόπησης. Γενικά, μπορεί να αναφερθεί πως η επιστήμη της φωτογραμμετρίας και της τηλεπισκόπησης δεν είναι τόσο διαδεδομένη στον τομέα της δασολογίας όσο σε άλλους τομείς. Ωστόσο, τα τελευταία χρόνια χρησιμοποιείται όλο και περισσότερο σε δασολογικές εφαρμογές. Στο παρελθόν, η λήψη των απαραίτητων πληροφοριών γινόταν από επιτόπιες μετρήσεις στο πεδίο, ενώ στη συνέχεια οι αεροφωτογραφίες συνέβαλλαν στη συλλογή πληροφοριών για τη διαχείριση των δασών. Παρόλο που οι έρευνες στο πεδίο είναι χρονοβόρες και δαπανηρές διεξάγονται ακόμη και σήμερα για ερευνητικούς σκοπούς και σκοπούς εντατικής αειφόρου παραγωγής λόγω της λεπτομερούς φύσης τους. Η παραδοσιακή αεροφωτογραφία αποτέλεσε και αποτελεί έως και σήμερα ένα σημαντικό εργαλείο για διάφορες δασικές δραστηριότητες όπως είναι ο σχεδιασμός, η χαρτογράφηση, η συγκομιδή και η απογραφή των δασών σε τοπικό, περιφερειακό ή και σε εθνικό επίπεδο. Ωστόσο, για τη διασφάλιση συνέχειας και επαναληψιμότητας στην παρακολούθηση ευρύτερων δασικών περιοχών είναι προτιμότερο να χρησιμοποιούνται δεδομένα από τηλεπισκοπικές μεθόδους και τεχνικές αυτοματοποιημένης ανάλυσης εικόνας. Εκτός από τις αεροφωτογραφίες, άλλες μορφές τηλεπισκοπικών δεδομένων αποτελούν οι πολυφασματικοί σαρωτές (MSS), τα Radar τα συστήματα Lidar και Laser, καθώς επίσης και δεδομένα βιντεοσκοπήσεων. Οι νέες τεχνολογίες, συμπεριλαμβανομένων των δορυφορικών εικόνων, της ψηφιακής φωτογραμμετρίας και των γεωπληροφοριακών συστημάτων (GIS) ανοίγουν νέους ορίζοντες για περεταίρω έρευνα και καινούριες εφαρμογές. 12

20 Σε αυτό το σημείο αξίζει να σημειωθεί πως οι δασολόγοι φαίνεται να είναι συντηρητικοί ως προς τη νέα τεχνολογία και συνήθως προτιμούν συμβατικές μεθόδους συλλογής δεδομένων. Η παραπάνω αντίληψη είναι πολύ πιθανό να οφείλεται σε μεγάλο βαθμό στην έλλειψη γνώσεων και κατάρτισης στη νέα τεχνολογία. ( Η τηλεπισκόπηση βρίσκει εφαρμογή σε πολλά θέματα δασολογίας και ανάλογα με τη μέθοδο που χρησιμοποιείται κάθε φορά μπορεί να γίνει μία κατηγοριοποίηση σε: εφαρμογές από μελέτη αεροφωτογραφιών, εφαρμογές από τη χρήση αεροσκαφών και συστήματα αισθητήρων δορυφορικής σάρωσης (MSS), εφαρμογές από χρήση δορυφορικών συστημάτων Radar, εφαρμογές από τη χρήση Lidar (laser) και εφαρμογές από χρήση εναέριας βιντεοσκόπησης. Στη συνέχεια, για κάθε μία από τις προαναφερθείσες κατηγορίες θα αναφερθούν ενδεικτικά κάποιες εφαρμογές. Εφαρμογές μελέτης αεροφωτογραφιών Χαρτογράφηση (τύποι δασικής κάλυψης, σύνθεση και εντοπισμός δασικών ειδών, ανίχνευση και πρόληψη δασικών πυρκαγιών, ανίχνευση προσβολών από έντομα και άλλες απειλές, ανίχνευση αποψίλωσης και υποβάθμισης δασών, συνολική παρακολούθηση δασών) Μετρήσεις και ποιοτικές εκτιμήσεις (μέτρηση αριθμού και ύψους δέντρων, μέτρηση δασικής κάλυψης, μέτρηση διαμέτρου και κάλυψης κόμης, εκτίμηση του όγκου της ξυλείας, ε- κτίμηση της ηλικίας, εκτίμηση της βιομάζας, μέτρηση νεκρών και κατακείμενων δέντρων) Εφαρμογές από τη χρήση αεροσκαφών και συστήματα αισθητήρων δορυφορικής σάρωσης (MSS) Χαρτογράφηση (τύποι δασικής κάλυψης, σύνθεση και εντοπισμός δασικών ειδών, ανίχνευση και πρόληψη δασικών πυρκαγιών, ανίχνευση προσβολών από έντομα και άλλες απειλές, ανίχνευση αποψίλωσης και υποβάθμισης δασών, συνολική παρακολούθηση δασών) Μετρήσεις και ποιοτικές εκτιμήσεις (μέτρηση αριθμού και ύψους δέντρων, μέτρηση δασικής κάλυψης, μέτρηση διαμέτρου και κάλυψης κόμης, εκτίμηση του όγκου της ξυλείας, ε- κτίμηση της ηλικίας, εκτίμηση της βιομάζας, μέτρηση νεκρών και κατακείμενων δέντρων) Εφαρμογές από χρήση δορυφορικών συστημάτων Radar Χαρτογράφηση (τύποι δασικής κάλυψης, χαρτογράφηση σε επίπεδο ειδών, χαρτογράφηση πλημμυρών, παρακολούθηση υλοτομιών, ανίχνευση δασικών δρόμων, χαρτογράφηση καμένων εκτάσεων) 13

21 Μετρήσεις και ποιοτικές εκτιμήσεις (μέτρηση ύψους δέντρων, μέτρηση δασικής κάλυψης, μέτρηση κάλυψης κόμης, εκτίμηση του όγκου της ξυλείας, εκτίμηση της ηλικίας, εκτίμηση της βιομάζας, εκτίμηση πυκνότητας δέντρων) Εφαρμογές από τη χρήση Lidar (laser) Εκτίμηση ύψους δέντρων, εκτίμηση τύπων δασικής κάλυψης, εκτίμηση διαφοροποιήσεων σε δασικά είδη, εκτίμηση πυκνότητας κόμης, εκτίμηση όγκου ξυλείας και βιομάζας, ανίχνευση υδατικού στρες και έλλειψης θρεπτικών συστατικών στη βλάστηση Εφαρμογές από χρήση εναέριας βιντεοσκόπησης Εκτίμηση τύπων δασικής κάλυψης, εκτίμηση διαφοροποιήσεων σε δασικά είδη, εκτίμηση πυκνότητας κόμης, ανίχνευση προσβολών από έντομα και άλλες απειλές, χαρτογράφηση χωρικής κατανομής δασικών δέντρων ( Με όσα αναφέρθηκαν παραπάνω, γίνεται φανερό πως η τηλεπισκόπηση βοηθά στη γενικότερη διαχείριση των δασικών οικοσυστημάτων. Εκτός από τις χρήσεις που ήδη αναφέρθηκαν συμβάλλει στην ανίχνευση της ρύπανσης, τον εντοπισμό της φυσικής αναγέννησης και της ερημοποίησης και την εύρεση εκτάσεων που χρήζουν αναδάσωσης. Επίσης, με τη βοήθεια τηλεπισκοπικών μεθόδων υπάρχει η δυνατότητα μέτρησης δασικών εκτάσεων ταξινομημένων ανά είδος ξυλείας και ο προσδιορισμός της κατάστασης του εδάφους. Τέλος, μπορεί να επιτευχθεί η παρακολούθηση οικολογικών συνθηκών μέσω της παρακολούθησης και της απογραφής της πανίδας και της χλωρίδας. Οι εικόνες που χρησιμοποιούνται για την εκτίμηση των παραπάνω παραμέτρων είναι συνήθως υπέρυθρες αεροφωτογραφίες κλίμακας 1: Η ερμηνεία υπέρυθρων αεροφωτογραφιών αλλά και άλλων εικόνων με τη βοήθεια φωτογραμμετρικών και τηλεπισκοπικών μεθόδων επιτρέπει τη λήψη δεδομένων, που με άλλα μέσα θα ήταν δύσκολη έως και αδύνατη, για τη σωστή διαχείριση των δασών. Οι πληροφορίες που λαμβάνονται, αποθηκεύονται και διαχειρίζονται μέσω ενός Συστήματος Γεωγραφικών Πληροφοριών (GIS) το οποίο συμβάλλει στη ρεαλιστική απεικόνιση της παρατηρούμενης περιοχής. Οι απεικονίσεις που προκύπτουν από τα GIS είναι ακριβέστερες και λεπτομερέστερες συγκριτικά με αυτές που προκύπτουν από μια συμβατική διαδικασία χαρτογράφησης και επιπλέον η διαδικασία είναι λιγότερο χρονοβόρα. 2.2 Τεχνολογία αιχμής (state of the art) της φωτογραμμετρίας και της τηλεπισκόπησης σε θέματα δασολογίας Η διαδεδομένη χρήση του GIS τα τελευταία χρόνια, οδήγησε στην ανάπτυξη εξελιγμένων εργαλείων που αφορούν τη διαχείριση των δασών. Ωστόσο, η χρήση συστημάτων GIS απαιτεί τη συλλογή έγκυρων πληροφοριών για τα δασικά οικοσυστήματα. Όπως αναφέρθηκε και 14

22 νωρίτερα, η λήψη των δεδομένων στο παρελθόν γινόταν κυρίως από επιτόπιες μετρήσεις σήμερα όμως με την εξέλιξη της τεχνολογίας γίνεται στροφή προς νέα εργαλεία και μεθόδους. Την τελευταία δεκαετία, οι εξελίξεις στη φωτογραμμετρία και την τηλεπισκόπηση ήταν ραγδαίες. Άρχισε να γίνεται χρήση νέων συστημάτων για την ανάκτηση πληροφοριών που σχετίζονται με τα δάση. Τα πλεονεκτήματα των νέων αυτών τεχνολογιών είναι πολλαπλά με κυριότερα τη γρήγορη και εύκολη απόκτηση δεδομένων, την εύκολη επεξεργασία τους και τη δυνατότητα για δειγματοληψία σε μεγάλη έκταση. Σε θέματα δασολογίας σήμερα, χρησιμοποιούνται διαφορετικά είδη αισθητήρων ανάλογα με την κλίμακα και τη φύση των αντικειμένων που μελετώνται. Ενώ οι εφαρμογές που στηρίζονται σε οπτικά εναέρια και δορυφορικά δεδομένα συνεχίζουν να αναπτύσσονται, στις μέρες μας μια νέα γενιά εφαρμογών της τηλεπισκόπησης εμφανίζεται στον τομέα της δασολογίας. Κάποιες από τις εφαρμογές αυτές στηρίζονται στα συστήματα Lidar (LIght Detection And Ranging) και SAR (Synthetic Aperture Radar). Οι οπτικές είναι από τις πιο διαδεδομένες τηλεπισκοπικές τεχνικές όσων αφορά δασολογικά θέματα. Σε αυτές ανήκει και η εναέρια φωτογραμμετρία. Η επεξεργασία των αεροφωτογραφιών και των ψηφιακών πολυφασματικών δεδομένων γίνεται με διαφορετικό τρόπο. Κύριο αποτέλεσμα από την επεξεργασία των αεροφωτογραφιών είναι η δημιουργία ορθοφωτοχαρτών που βοηθούν στην ερμηνεία της περιοχής που μελετάται. Επιπλέον, από τη μελέτη αεροφωτογραφιών είναι δυνατή η λήψη ποσοτικών δεδομένων. Από την άλλη πλευρά, η συλλογή πολυφασματικών δεδομένων βασίζεται στις ραδιομετρικές πληροφορίες που προκύπτουν από την ένταση του φωτός που ανακλάται ή εκπέμπεται από το έδαφος και μετριέται σε αριθμό φασματικών περιοχών. Ανάλογα με την ανακλαστικότητα του εδάφους σε διάφορα μήκη κύματος τα δεδομένα που συλλέγονται μπορεί να αντιστοιχούν σε γυμνό έδαφος, βλάστηση κλπ. Αισθητήρες με υψηλή φασματική ανάλυση μπορούν να χρησιμοποιηθούν για τη χαρτογράφηση της υγείας των δασών και τον εντοπισμό καταστροφών που προκύπτουν από παράσιτα και άλλες ασθένειες. Κάποιοι από τους δορυφόρους που χρησιμοποιούνται για τις παραπάνω εφαρμογές είναι ο Landsat, ο SPOT και ο IRS. ( Τα Radar (Radar Detection and Ranging) ανήκουν στα ενεργητικά συστήματα τηλεπισκόπησης και λειτουργούν στην περιοχή των μικροκυμάτων του ηλεκτρομαγνητικού φάσματος. Κάθε μήκος κύματος αλληλεπιδρά διαφορετικά με τη δασική κάλυψη ανάλογα με τη σύστασή της. Τα μεγαλύτερα μήκη κύματος διαπερνούν τα τροπικά δάση και έτσι είναι δυνατή η συλλογή πληροφοριών για το έδαφος. Τα μικροκύματα μπορούν να παρέχουν δεδομένα για τη δομή του δάσους και την περιεκτικότητά του σε υγρασία. Η νέα τεχνολογία δίνει τη δυνατότητα διάκρισης δασοπονικών ειδών, εκτίμηση του ύψους τους, καθώς επίσης και την παραγωγή ψηφιακού μοντέλου εδάφους. ( Βασικό μειονέκτημα των Radar αποτελεί η παρουσία κροκιδωτής υφής στην εικόνα, κάτι το οποίο υποβαθμίζει την ποιότητά της, 15

23 καθώς επίσης και η ύπαρξη πολύπλοκης γεωμετρίας που κάνει πιο δύσκολη την επεξεργασία της. (Συλλαίος, Γήτας 2007) Η πιο συχνά χρησιμοποιούμενη τεχνική Radar που εφαρμόζεται σε θέματα χαρτογράφησης και παρακολούθησης είναι αυτή των SAR (Synthetic Aperture Radar). Τα SAR επιτρέπουν την παρακολούθηση φυσικών καταστροφών και δασών με τη λήψη δεδομένων που σε αντίθεση με τα οπτικά δεδομένα δεν έχουν περιορισμούς που αφορούν τις καιρικές συνθήκες, τη νεφοκάλυψη και τον ισχνό φωτισμό που υπάρχει κατά τους χειμερινούς μήνες στα χαμηλά γεωγραφικά πλάτη. Τα συστήματα SAR λειτουργούν σε διαφορετικές συχνότητες των φασματικών περιοχών και τα σήματα radar που εκπέμπονται από το δάσος ποικίλλουν ως προς το μήκος κύματος. Κατά την Astrium λόγω του φαινομένου της αποψίλωσης των δασών αναγκαία ήταν η τακτική παρακολούθησή τους και γιαυτό άρχισαν να χρησιμοποιούνται ευρέως εικόνες SAR από το διάστημα και πιο συγκεκριμένα εικόνες της ζώνης X. Η παρακολούθηση των δασικών εκτάσεων και των αλλαγών χρήσεων γης σε πολλές χώρες έως και σήμερα γίνεται από οπτικές εικόνες. Παρόλα αυτά, λόγω καιρικών συνθηκών πολλές φορές δεν είναι διαθέσιμες τέτοιες εικόνες για αρκετές περιοχές. Έτσι, τη λύση στο πρόβλημα αυτό δίνουν οι εικόνες SAR που όπως προαναφέρθηκε δεν επηρεάζονται από καιρικές συνθήκες. Οι απεικονιστές Lidar (Light detection and ranging) ανήκουν στην ευρεία κατηγορία των συστημάτων Laser και αποτελούν ανερχόμενη τεχνολογία που χρησιμοποιείται με αυξανόμενο ρυθμό σε δασικές έρευνες. Όπως και τα Radar, ανήκουν στα ενεργητικά συστήματα τηλεπισκόπησης με τη διαφορά ότι λειτουργούν στο οπτικό πεδίο κοντά στο ναδίρ. Από τα Lidar μπορούν να αποκτηθούν πληροφορίες για ποσοτικά χαρακτηριστικά των δασών όπως είναι ο όγκος της ξυλείας και η βιομάζα που δε μπορούν να αποκτηθούν με ακρίβεια και λεπτομέρεια από οπτικά δεδομένα. Η λειτουργία των Lidar βασίζεται «στον προσδιορισμό της απόστασης μεταξύ του απεικονιστή και του στόχου αντικειμένου μετρώντας με ακρίβεια το χρόνο μεταξύ της εκπομπής και της επιστροφής της ανάκλασης ενός παλμού laser βραχείας περιόδου» (Συλλαίος, Γήτας 2007). Τα μήκη κύματος που λειτουργούν οι απεικονιστές Lidar σε δασικές εκτάσεις είναι από 900 έως 1064 nm στο εγγύς υπέρυθρο. Το βασικό πλεονέκτημα των συστημάτων Lidar είναι ότι επιτρέπουν την παροχή πληροφοριών για την τρισδιάστατη δομή του δασικού φυλλώματος, κάτι το οποίο επιτυγχάνεται δύσκολα με οπτικούς απεικονιστές. Επιπλέον, αυτό το πλεονέκτημα οδηγεί στη βελτίωση της ακρίβειας των μετρήσεων πολλών παραμέτρων. (Συλλαίος, Γήτας 2007) Σήμερα, χρησιμοποιούνται εναέρια συστήματα σάρωσης laser μικρής εμβέλειας (ALS) τα οποία αποθηκεύουν την ανακλώμενη ενέργεια ως γεωαναφερόμενα νέφη σημείων. Τα δεδομένα που λαμβάνονται από ALS μπορούν να αξιοποιηθούν σε δύο εφαρμογές. Η μία είναι η δημιουργία Ψηφιακού Μοντέλου Εδάφους και η άλλη Ψηφιακό Μοντέλο Επιφάνειας που χρησιμοποιούνται για την περιγραφή του εδάφους 16

24 και της δασικής επιφάνειας. Τα σύγχρονα συστήματα laser έχουν τη δυνατότητα να συλλέγουν από έως σημεία το δευτερόλεπτο. Εικόνα 2.1.: Σύγκριση νεφών σημείων Lidar και φωτογραμμετρικών νεφών σημείων (οι παλμοί Lidar διεισδύουν καλύτερα στα κενά του δάσους απο ότι τα φωτογραμμετρικά νέφη σημείων) (πηγή: Εικόνα 2.2.: Τρόπος λειτουργίας LiDAR (πηγή: Συλλαίος, Γήτας 2007) Μία από τις ανερχόμενες τεχνολογίες που βρίσκει εφαρμογή σε δασολογικές εφαρμογές, είναι τα μη επανδρωμένα αεροσκάφη (UAV). Σε σύγκριση με τις συμβατικές αεροφωτογραφίες, τα συστήματα UAV είναι πιο ευέλικτα και δεν επηρεάζονται από τις καιρικές συνθήκες. Συνήθως, οι τηλεπισκοπικές εφαρμογές σε δασολογικά θέματα απαιτούν εικόνες με υψηλή χρονική ανάλυση, κάτι το οποίο δύσκολα παρέχεται από τη συμβατική αεροφωτογραφία ή τις δορυφορικές λήψεις. Έτσι, τα μη επανδρωμένα αεροσκάφη για να πετύχουν την απαιτούμενη ποιότητα εικόνας διαθέτουν GPS και ψηφιακές φωτογραφικές μηχανές. Είναι σημαντικό να αναφερθεί πως η τεχνολογία των UAV συστημάτων αναπτύχθηκε κυρίως λόγω στρατιωτικών δραστηριοτήτων, παρόλα αυτά υπάρχουν εξελίξεις και στον πολιτικό τομέα. Στο δασικό τομέα τα μη επανδρωμένα αεροσκάφη έχουν πολλές εφαρμογές μερικές από τις οποίες είναι: η ανίχνευση δασικών πυρκαγιών, παρακολούθηση νομικών περιορισμών και δυνατότητα προσκόμισης αποδεικτικών στοιχείων σε περίπτωση παραβίασης, εντοπισμός και επιθεώρηση των δασικών εργασιών και τέλος παρακολούθηση και ανίχνευση μεταβολών στα δασικά οικοσυστήματα.( 17

25 Εικόνα 2.3.: UAV SUSI Εικόνα 2.4.: UAV Carolo P330 (πηγή: Την τελευταία τετραετία για δασολογικά θέματα, χρησιμοποιούνται ευρέως αισθητήρες της ζώνης X με εικόνες SAR πολύ υψηλής ανάλυσης. Μερικές από τις περιπτώσεις που χρησιμοποιείται η ζώνη X των εικόνων SAR σε δασικές εφαρμογές θα αναφερθούν στη συνέχεια. Οι εικόνες αυτές χρησιμοποιούνται πολύ σε θέματα χαρτογράφησης της δασοκάλυψης. Εικόνα 2.5.: Αρχική εικόνα Terra Sar (αριστερά), εντοπισμός δασοκάλυψης μετά από ταξινόμηση εικόνας (δεξιά), (πηγή: Status of X-Band SAR Applications in Forestry, ASTRIUM) Η ζώνη X μπορεί να χρησιμοποιηθεί και σε άλλα πεδία όπως είναι η παρακολούθηση για την ανίχνευση αλλαγών και πιο συγκεκριμένα η παρακολούθηση της δασοκάλυψης, η παρακολούθηση της υποβάθμισης των δασών και η απογραφή μεικτών δασών. Εικόνα 2.6.: Σύγκριση οπτικής παγχρωματικής εικόνας (αριστερά) με εικόνα Terra SAR- X (δεξιά) (πηγή: Status of X-Band SAR Applications in Forestry, ASTRIUM) 18

26 Κεφάλαιο 3 Case Studies φωτογραμμετρίας και τηλεπισκόπησης σε δασολογικά θέματα 3.1 Χαρτογράφηση δασών με φωτογραμμετρικές μεθόδους Σήμερα η φωτογραμμετρική αποτύπωση από αεροφωτογραφίες είναι μια μέθοδος που κυριαρχεί στη χαρτογράφηση δασών. Η ψηφιακή φωτογραμμετρία συμβάλλει στην πιο αποτελεσματική έρευνα και στη μείωση του τελικού κόστους της μελέτης. Επιπλέον, ο ψηφιακός αεροτριγωνισμός βοηθά περεταίρω στη επίτευξη ακριβείας των αποτελεσμάτων με τη χρήση λιγότερων σημείων ελέγχου. Σκοπός της χαρτογράφησης των δασών είναι η απόκτηση αξιόπιστων πληροφοριών είτε επίγειων είτε από αέρα για τη δημιουργία δασικών χαρτών και την οργάνωση εργασιών που μπορούν να χρησιμοποιηθούν στην έρευνα διάφορων χαρακτηριστικών των δασικών οικοσυστημάτων. Ο στόχος της εργασίας που μελετήθηκε ήταν να αξιολογήσει τη χρησιμότητα της ψηφιακής φωτογραμμετρίας στη χαρτογράφηση των δασών. Η έρευνα έγινε για τη χαρτογράφηση δάσους στη Σλοβακία που καταλαμβάνει έκταση εκταρίων. Η έκταση αυτή αποτελεί αντιπροσωπευτικό δείγμα για το 41% της έκτασης της Σλοβακίας. Η δασική χαρτογράφηση περιλαμβάνει διάφορους θεματικούς χάρτες για κάθε χαρακτηριστικό του δάσους που μελετάται. Αυτοί οι επιμέρους χάρτες έχουν τόση ακρίβεια και μελετούν τέτοιο αριθμό χαρακτηριστικών όσων απαιτούνται σε κάθε περίσταση. Η διαδικασία της χαρτογράφησης των δασών τα τελευταία χρόνια έχει υποστεί αλλαγές. Η ποιότητα της έχει γίνει υψηλότερη λόγω της ενσωμάτωσης της φωτογραμμετρίας στην ψηφιακή αεροφωτογραφία και της διάδοσης του GPS για τη μέτρηση επίγειων χαρακτηριστικών. Στις αρχές της δεκαετίας του 90 η δασική χαρτογράφηση άρχισε να αλλάζει από αναλογική σε θεματικούς χάρτες οργανωμένους σε ένα σύστημα, οι οποίοι αποτέλεσαν την αρχή για την ψηφιακή δασική χαρτογράφηση. Οικονομικοί λόγοι και λόγοι έλλειψης λειτουργικού εξοπλισμού ήταν αυτοί που συνέβαλλαν στη δυσκολία επίλυσης πολύπλοκων προβλημάτων με τη βοήθεια της νέας τεχνολογίας. Η χρήση ψηφιακής φωτογραμμετρίας στη δασολογία, δίνει τη δυνατότητα αξιοποίησης, σε μεγαλύτερο βαθμό, πληροφοριών που λαμβάνονται από ασπρόμαυρες αεροφωτογραφίες 19

27 αλλά και από άλλες πηγές όπως έγχρωμες, υπέρυθρες ή πολυφασματικές εικόνες όπου ορισμένα δασικά χαρακτηριστικά είναι πιο ορατά. Συγκρίνοντας τις ασπρόμαυρες αεροφωτογραφίες με τις έγχρωμες, οι δεύτερες πετυχαίνουν καλύτερη ποιότητα δεδομένων για δασολογικά χαρακτηριστικά, σε συνδυασμό με τηλεπισκοπικά δεδομένα από την παρατήρηση της γης και δεδομένα από Γεωγραφικά Συστήματα Πληροφοριών. Επιπλέον, από τη μελέτη που εκπονήθηκε, αναφέρεται πως οι έγχρωμες υπέρυθρες εικόνες περιλαμβάνουν πλήθος πληροφοριών που μπορούν να αξιοποιηθούν σε κλάδους της δασολογίας που σχετίζονται με την τηλεπισκόπηση αλλά και τα Γεωγραφικά Συστήματα Πληροφοριών. Η ανάπτυξη της ψηφιακής φωτογραμμετρίας έγινε ταυτόχρονα με την εξέλιξη της τηλεπισκόπησης, οι δύο αυτές όμως τεχνολογίες επικαλύπτονται. Η πρώτη διερευνά τη θέση, τις διαστάσεις, το σχήμα και τα χαρακτηριστικά μιας δασικής περιοχής ενώ η δεύτερη διερευνά τα ποιοτικά χαρακτηριστικά όπως π.χ. οι δασικές πυρκαγιές. Η ψηφιακή φωτογραφία αποτελεί την εξέλιξη της ψηφιακής εικόνας που γίνεται στον Η/Υ χωρίς τη βοήθεια του ανθρώπου. Η ψηφιακή εικόνα αποκτάται είτε ψηφιοποιώντας απευθείας την εικόνα από την ψηφιακή κάμερα, είτε με δευτερεύουσα ψηφιοποίηση σαρώνοντας την αεροφωτογραφία. Η μεταβολή από την αναλογική στην ψηφιακή φωτογραμμετρία οδηγεί στη χρήση άλλων συσκευών, πιο εξελιγμένων. Ενώ στην αναλογική φωτογραμμετρία το εργαλείο για την επίλυση των προβλημάτων, όπως ο αεροτριγωνισμός, η ορθοπροβολή και οι στερεοσκοπικές μετρήσεις, ήταν οι αλγόριθμοι, στην ψηφιακή χρησιμοποιούνται άλλες μέθοδοι για την επεξεργασία των εικόνων όπως είναι τα φίλτρα και η προσαρμογή της αντίθεσης του φωτισμού. Με την εξέλιξη των Γεωγραφικών Συστημάτων Πληροφοριών εμφανίζονται νέες δυνατότητες. Οι βασικοί ψηφιακοί χάρτες δημιουργούνται από τη μετατροπή αναλογικών χαρτών σε ψηφιακή μορφή. Η μετατροπή αυτή γίνεται με τη χρήση Η/Υ και ειδικού φωτογραμμετρικού λογισμικού. Η ψηφιακή φωτογραμμετρία είναι αυτή που βοηθά στη γρήγορη και σωστή μετατροπή από την αναλογική στην ψηφιακή μορφή που χρησιμοποιείται στη χαρτογράφηση δασών. Τα βασικά πλεονεκτήματα της ψηφιακής φωτογραμμετρίας είναι ότι μπορεί να αυξήσει την αποτελεσματικότητα της εργασίας και ταυτόχρονα μπορεί να μειώσει το κόστος του εξοπλισμού. Επίσης, οι χρήστες δεν είναι απαραίτητο να έχουν λεπτομερή γνώση της νέας τεχνολογίας, άρα μπορεί να χρησιμοποιηθεί ευρέως. Ακόμη, ο αυτοματισμός επηρεάζει θετικά και απλοποιεί τις εργασίες χαρτογράφησης που μέχρι σήμερα ήταν αρκετά χρονοβόρες. Ψηφιοποιημένες αεροφωτογραφίες από αναλογικές κάμερες προσφέρουν πληροφορίες υψηλής ανάλυσης 10-15μm. Ένα ψηφιακό φωτογραμμετρικό σύστημα περιλαμβάνει μια σειρά ενεργειών οι οποίες θα αναφερθούν αμέσως παρακάτω. Αρχικά, γίνεται η εισαγωγή των σαρωμένων αεροφωτογραφιών και δεδομένων από συστήματα GIS και CAD, στη συνέχεια, γίνεται τροποποίηση των χαρακτηριστικών των ραδιομετρικών εικόνων. Η τροποποίηση αυτή περιλαμβάνει φιλτράρισμα και αλλαγή της αντίθεσης του φωτισμού. Ακολουθεί μονοσκοπική και στερεοσκοπι- 20

28 κή ερμηνεία της εικόνας και μετά συλλογή φωτογραμμετρικών δεδομένων που προκύπτουν από αεροτριγωνισμό και μονοσκοπικές και στερεοσκοπικές μετρήσεις. Στη συνέχεια γίνεται επεξεργασία των ψηφιακών θεματικών χαρτών και ακολουθούν κάποιες αυτόματες διαδικασίες όπως είναι η σύγκριση και η ταξινόμηση εικόνων. Τέλος, γίνεται η μετατροπή της εικόνας σε επίπεδη, επιπολική ή σε ορθοφωτοχάρτη. Τα δεδομένα για τη σύνταξη δασικών χαρτών αποκτώνται από επίγειες μετρήσεις αλλά και από αεροφωτογραφίες. Οι δασικοί χάρτες χρησιμοποιούνται ταυτόχρονα με τα δασικά διαχειριστικά σχέδια της υπό μελέτη περιοχής. Από τις επίγειες μετρήσεις τα δεδομένα που παρουσιάζονται είναι τα σημεία ελέγχου και οι εναέριες εικόνες. Από την ερμηνεία εναέριων εικόνων προκύπτει ο ψηφιακός αεροτριγωνισμός και η στερεοερμηνεία. Ο αυτόματος αεροτριγωνισμός υπολογίζει αυτόματα τις συντεταγμένες των σημείων ελέγχου και έτσι μπορεί να εκτιμηθεί η ακρίβεια του αεροτριγωνισμού. Αυτά τα σημεία έχουν γνωστά χαρακτηριστικά και έτσι δε χρησιμοποιούνται στις μετρήσεις αλλά χρησιμεύουν ως δείκτες ακριβείας. Για την ε- κτίμηση της ακρίβειας του τελικού ορθοφωτοχάρτη μπορεί να γίνει σύγκριση μεταξύ των σημείων του ορθοφωτοχάρτη με τις συντεταγμένες που προέκυψαν από επίγειες μετρήσεις από GPS, ηλεκτρονικό ταχύμετρο ή από τριγωνομετρικά σημεία. Για τον προσδιορισμό ακριβείας της στερεοερμηνείας στη συγκεκριμένη μελέτη, χρησιμοποιήθηκαν οι συντεταγμένες κάποιων προσδιορισμένων σημείων που βρίσκονταν πάνω στην αεροφωτογραφία ή το έδαφος. Οι συντεταγμένες αυτών των σημείων, οι οποίες ελήφθησαν με επίγειες μεθόδους θεωρήθηκαν ακριβείς. Με βάση τον αριθμό και την κατανομή αυτών των σημείων ελέγχου οργανώθηκαν οκτώ διαφορετικές εργασίες σε δύο ανεξάρτητες σειρές. Συγκρίνοντας τα συμπεράσματα που εξήχθησαν από την κάθε εργασία, διαπιστώθηκε πως λαμβάνοντας υπόψη τον ψηφιακό αυτόματο αεροτριγωνισμό, ο καθορισμός θέσης και η εκτίμηση ακριβείας νέων σημείων είναι ανεξάρτητα από τον αριθμό των μετρηθέντων σημείων ελέγχου. Επιπλέον, οι τιμές του μέσου σφάλματος σε όλες τις μετρήσεις κυμάνθηκαν από 0,20 έως 0,28m και με εξαίρεση μία εργασία, οι υπόλοιπες δεν υπερέβησαν την επιτρεπόμενη απόκλιση του μέσου σφάλματος. Ακόμη όμως και στην περίπτωση που το μέσο σφάλμα ήταν μεγαλύτερο από το επιτρεπόμενο όριο, αυτό ήταν της τάξης του 0,0016m, δηλαδή πολύ μικρό. Σε δασωμένες περιοχές επισημασμένα σημεία δεν είναι εμφανή σε όλες τις εικόνες. Είναι απαραίτητος ο συγχρονισμός όλων των σημάτων που εκπέμπονται με εναέρια σάρωση όλης της περιοχής. Στην αναλογική σάρωση των εικόνων τα ορατά σημεία ελέγχου σαρώνονται στην αρχή και στη συνέχεια μετρώνται. Η εξέλιξη της ψηφιακής φωτογραμμετρίας και του αυτόματου αεροτριγωνισμού οδήγησαν στον περιορισμό της χρήσης αναλογικών μεθόδων. Από τη μελέτη που εκπονήθηκε, έγινε φανερό πως στην ψηφιακή επεξεργασία εικόνας, η χρήση κλίμακας 1: προσέφερε αξιόπιστα αποτελέσματα, υψηλότερη ακρίβεια και ποιότητα θα μπορούσε να επιτευχθεί με τη χρησιμοποίηση εικόνων κλίμακας 1: Πα- 21

29 ρόλα αυτά, κάτι τέτοιο δεν ήταν εφικτό για οικονομικούς λόγους, καθώς για την κάλυψη της περιοχής θα απαιτούνταν μεγαλύτερος αριθμός εικόνων. Επιπλέον, τα αποτελέσματα έδειξαν πως με τη βοήθεια της στερεοερμηνείας, μπορεί να επιτευχθεί ακριβής προσδιορισμός σημείων σε μία ορθοφωτογραφία που προκύπτει από στερεοζεύγος φωτογραφιών. Γενικά μπορεί να ειπωθεί ότι η ψηφιακή στερεοερμηνεία αποτελεί ένα χρήσιμο και γρήγορο εργαλείο για δασική χαρτογράφηση και πιο συγκεκριμένα η οριζοντιογραφία και η υψομετρία. (Zihlavnik S, Chudy F, Kardos M 2007) 3.2 Ανίχνευση αλλαγών βλάστησης με τη βοήθεια εικόνων Landsat Η βλάστηση μιας περιοχής συμπεριφέρεται με τρόπο τελείως διαφορετικό από τα υπόλοιπα στοιχεία του περιβάλλοντος σε ό,τι αφορά την ανακλαστική της ικανότητα. Πιο συγκεκριμένα, παρουσιάζει χαμηλές τιμές ανάκλασης στο ορατό φάσμα και υψηλές στο εγγύς υπέρυθρο. Οι χαμηλές τιμές στο ορατό φάσμα οφείλονται στη μεγάλη απορρόφηση της φωτεινότητας από χρωστικές ουσίες των φυτών όπως είναι η χλωροφύλλη. Η διαφορά αυτών των τιμών μειώνεται όταν η βλάστηση δεν είναι υγιής. Η διαφορετικότητα αυτή της βλάστησης, οδήγησε τους ερευνητές στην εύρεση κάποιων δεικτών και λόγων για την εύκολη παρακολούθηση της υ- γείας της βλάστησης, με πιο γνωστό το Δείκτη Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI). Τα χαρακτηριστικά του προαναφερόμενου δείκτη είναι ότι βασίζεται σε λόγους καναλιών, έχει εύρος τιμών από -1 έως +1, η ευθεία που αναφέρεται σε γυμνό έδαφος έχει κλίση 1 και περνά από την αρχή των αξόνων και τέλος, υπάρχει σύγκλιση των γραμμών βλάστησης στην αρχή των αξόνων (ερυθρού και υπέρυθρου). (Συλλαίος, Γήτας 2007) Ο Δείκτης Κανονικοποιημένης Διαφοράς Βλάστησης χρησιμοποιεί θεματικούς χάρτες από εικόνες Landsat για τη μελέτη φυσικής εξάπλωσης των δασών. Στη συγκεκριμένη έρευνα μελετήθηκε η φυσική εξάπλωση του δάσους στην περιοχή Basilicata της Νότιας Ιταλίας. Για αυτή την περίπτωση χρησιμοποιήθηκαν δύο θεματικοί χάρτες από εικόνες Landsat οι οποίες γεωαναφέρθηκαν και διορθώθηκαν. Εκτός από τους θεματικούς χάρτες χρησιμοποιήθηκαν επίσης δεδομένα από επίγειες παρατηρήσεις της περιοχής. Η έρευνα της φυσικής εξάπλωσης των δασών αποτελεί βασική προϋπόθεση για την επίλυση και την ερμηνεία διάφορων προβλημάτων και διαδικασιών, όπως είναι οι βιοχημικοί κύκλοι, η σύνθεση της ατμόσφαιρας και το πώς αυτή επηρεάζεται από την κλιματική αλλαγή, καθώς και πολλά άλλα κοινωνικοοικονομικά θέματα. Επιπλέον, η παρατήρηση των αλλαγών της δασικής κάλυψης, αποτελεί ένα κρίσιμο θέμα για την επίλυση ζητημάτων που αφορούν την αλληλεξάρτηση της κατανομής των δασών και των ανθρώπινων δραστηριοτήτων, που ως γνωστόν επηρεάζουν την ανάπτυξη και τη διαχείριση βιώσιμων δασών, τη διατήρηση της βιοποικιλότητας, τη λειτουργία των οικοσυστημάτων, αλλά και πολλούς βιοχημικούς κύκλους. Στην περιοχή της Μεσογείου, η φυσική εξάπλωση των δασών επηρεάζεται ως επί το 22

30 πλείστον από την αλόγιστη κτηνοτροφία και την εγκατάλειψη ορθών γεωργικών πρακτικών. Τις τελευταίες δεκαετίες, δεδομένα υψηλής ανάλυσης από δορυφόρους με πολυφασματικούς σαρωτές παρείχαν τις κατάλληλες πληροφορίες για την κατασκευή θεματικών χαρτών σε τοπικό και περιφερειακό επίπεδο. Στους θεματικούς χάρτες από εικόνες Landsat, οι φασματικές περιοχές του εγγύς υπέρυθρου διευκολύνουν την ταξινόμηση του εδάφους που σχετίζεται με τη φασματική ανάκλαση ή την κάλυψη εδάφους. Η λήψη δεδομένων για την κάλυψη γης σε διάφορες χρονικές και χωρικές κλίμακες καταδεικνύει το δυναμικό χαρακτήρα της βλάστησης και των οικοσυστημάτων γενικότερα. Έτσι, καθώς η κάλυψη των δασικών οικοσυστημάτων αλλάζει συνεχώς, αλλά οι παρατηρήσεις και τα δεδομένα που υπάρχουν προέρχονται από στατικές μετρήσεις, η λήψη πληροφοριών για δασικές εκτάσεις αποτελεί πρόκληση για τους επιστήμονες, αφού και τα τηλεπισκοπικά δεδομένα παρουσιάζουν ανακρίβειες και λάθη. Τα λάθη αυτά μπορεί να οφείλονται σε καιρικές συνθήκες (π.χ. σύννεφα), στο μεγάλο βαθμό ποικιλότητας των ειδών αλλά και τα τοπογραφικά χαρακτηριστικά της περιοχής. Από σύγκριση χρονοσειρών που προέρχονται από τηλεπισκοπικές εικόνες, μπορούν να προκύψουν πληροφορίες για την ποικιλότητα των ειδών που συναντάται σε κάθε εποχή, αλλά και τις αλλαγές που παρατηρούνται σε αυτή. Αυτός είναι και ο λόγος που βάσεις δεδομένων μεγάλων περιόδων αποτελούν την πρώτη επιλογή από ερευνητές για την ανίχνευση μεταβολών. Μερικές από τις προτεινόμενες μεθόδους για ανίχνευση μεταβολών βλάστησης βασίζονται στην προεπεξεργασία εικόνων για τη δημιουργία χρονοσειρών μετά από γεωμετρική και ραδιομετρική διόρθωση. Η κύρια μεθοδολογία ανίχνευσης μεταβολών βλάστησης μπορεί να ταξινομηθεί σε τέσσερις κατηγορίες. Η πρώτη αναφέρεται σε γραμμικές διαδικασίες, η δεύτερη αναφέρεται σε διαδικασίες ταξινόμησης, η επόμενη στο μετασχηματισμό ομάδων δεδομένων και η τελευταία σε άλλες διαδικασίες όπως ανάλυση παλινδρόμησης, νευρωνικά δίκτυα κ.α. Σύμφωνα με τη βιβλιογραφία η πιο αποτελεσματική μέθοδος αναφορικά με το κόστος και την ακρίβεια είναι η διαφοροποίηση της εικόνας και οι τεχνικές ανάλυσης κυρίων συνιστωσών. Με την τεχνική της διαφοροποίησης της εικόνας συγκρίνονται ένα προς ένα τα κελιά μεταξύ δύο διαφορετικών εικόνων της ίδιας χρονοσειράς. Με αυτή την τεχνική επισημαίνονται οι διαφορές που υπάρχουν μεταξύ τηλεπισκοπικών εικόνων που απεικονίζουν βλάστηση και δεικτών που προέρχονται από εικόνες που δείχνουν την ανακλαστική διαφοροποίηση όπως είναι ο δείκτης κανονικοποιημένης βλάστησης, ή τη διανυσματική διαφοροποίηση. Όπως αναφέρθηκε και συνοπτικά παραπάνω, ο Δείκτη Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI) είναι η κανονικοποιημένη διαφορά μεταξύ του εγγύς υπέρυθρου και του ορατού κόκκινου τα οποία έχουν τη δυνατότητα να διαχωρίζουν τη βλάστηση από την υπόλοιπη επιφάνεια του εδάφους λόγω της απορρόφησης του κόκκινου φωτός από τη χλωροφύλλη των φυτών. Αυτή η μέθοδος χρησιμοποιείται ευρέως για ανθρωπογενείς αλλά και φυ- 23

31 σικές δασοκαλύψεις για την ανίχνευση των μεταβολών στη δασική κάλυψη, τις υλοτομίες, τις αναδασώσεις κ.ά. Σε συνδυασμό με τις ήδη υπάρχουσες τεχνικές για προεπεξεργασία και διαφοροποίηση εικόνας, το σημαντικότερο βήμα για την ανίχνευση των μεταβολών βλάστησης είναι η διάκριση μεταξύ των πραγματικών μεταβολών και τις ετήσιες ή εποχιακές μεταβολές. Στην παρούσα μελέτη η ανίχνευση της διαφοροποίησης της βλάστησης έγινε με τη βοήθεια του δείκτη NDVI. Για τον υπολογισμό του δείκτη NDVI μιας περιόδου υπολογίζεται ο λόγος που για αριθμητή έχει τη διαφορά μεταξύ της ζώνης στο εγγύς υπέρυθρο και της ζώνης στο ορατό κόκκινο και ως παρονομαστή έχει το άθροισμά τους. Οι πληροφορίες αυτές προκύπτουν από δύο προεπεξεργασμένες εικόνες Landsat που αναφέρονται σε δύο διαφορετικά έτη. Τα αποτελέσματα που προκύπτουν για τα δύο έτη αφαιρούνται μεταξύ τους και έτσι προκύπτει η ΔNDVI εικόνα με θετικές και αρνητικές αλλαγές με ανάλυση 30 x 30. Ο δείκτης NDVI επίσης, δοκιμάστηκε ως προς την προσαρμογή του στην κανονική κατανομή. Στατιστικοί δείκτες όπως η μέση τιμή, η διάμεσος, η τυπική απόκλιση αλλά και ο συντελεστής ασυμμετρίας και κυρτότητας παρήχθησαν και διεξήχθησαν διαφόρων ειδών δοκιμές. Εικόνα 3.1.: Σύγκριση δύο περιοχών από εικόνες Landsat TM4-3-2 μεταξύ των ετών 1984(a,b) και 2010 (c,d) (πηγή: Στην παρούσα έρευνα, όλα τα δεδομένα εξήχθησαν από θεματικούς χάρτες RGB από εικόνες Landsat, καθώς σε αυτές υπάρχει αντιπροσωπευτική εικόνα της βλάστησης. Στη συνέχεια θα αναλυθούν οι θεματικοί χάρτες των εικόνων Landsat. Οι Landsat TM4-3-2 συνήθως χρησιμοποιούνται για ταυτοποίηση πλατύφυλλων δέντρων, κωνοφόρων και λιβαδιών με α- ραιή βλάστηση και συνήθως υγιή. Οι Landsat TM4-5-3 χρησιμοποιούνται για τη διάκριση της βλάστησης και την επίβλεψη της κατάστασής της, καθώς επίσης και την παρακολούθηση της διεπιφάνειας νερού-εδάφους. Για την ανίχνευση της κατάστασης υγείας της βλάστησης κατάλληλες είναι οι εικόνες Landsat TM Οι Landsat TM7-4-2 εντοπίζουν περιοχές με χαμηλή πυκνότητα βλάστησης και περιοχές με εν δυνάμει φυσική αναγέννηση. Οι Landsat 24

32 TM5-4-1 αναπαριστούν την υγιή βλάστηση και συνήθως χρησιμοποιούνται για τον εντοπισμό αγροτικών εκτάσεων. Επιπλέον, ο λόγος Landsat TM4/ΤΜ3 διακρίνει τη βλάστηση, το νερό και τις καλλιεργήσιμες εκτάσεις, ενώ ο δείκτης TM3/TM2 διαχωρίζει τα δάση και τις καλλιεργήσιμες εκτάσεις. Εικόνα 3.2.: Εικόνες Landsat διάφορων θεματικών χαρτών (πηγή: Η μεθοδολογία που χρησιμοποιήθηκε στην περιοχή Basilicata της Νότιας Ιταλίας για την ανίχνευση αλλαγών βλάστησης είχε θετικά αποτελέσματα, καθώς η ακρίβεια έφτασε τον 91,8% στον εντοπισμό φυσικής εξάπλωσης των δασών. Τα λάθη που υπήρξαν οφείλονταν είτε στην αναβλάστηση πρεμνοφυών μετά από υλοτομία, είτε από την αναβλάστηση μετά από εκδήλωση πυρκαγιάς και λανθασμένο υπολογισμό της εδαφικής κάλυψης. Μία ακόμη πηγή λάθους ήταν η διαφοροποίηση του δείκτη NDVI λόγω της ραγδαίας αύξησης της πυκνότητας του δάσους σε ορισμένα σημεία. Συνοψίζοντας, η παραπάνω έρευνα έδειξε ότι χρησιμοποιώντας δορυφορικές εικόνες για την ανίχνευση των αλλαγών βλάστησης σε μια περιοχή, μπορούν να προκύψουν αξιόπιστα αποτελέσματα. Εκτός από τις δορυφορικές εικόνες, χρησιμοποιούνται και εναέριες ορθοφωτογραφίες για οπτική ανάλυση και σύγκριση με τα επίγεια σημεία ελέγχου έτσι ώστε τα αποτελέσματα που εξάγονται για τη φυσική εξάπλωση των δασών να είναι έγκυρα. Τέλος, η α- πλότητα της εφαρμογής, αλλά και η εύκολη εύρεση στοιχείων και χρονοσειρών εικόνων Landsat TM σε χαμηλό κόστος, βοηθά στην εξάπλωση της μεθόδου και στη χρήση της σε μεγάλες δασικές εκτάσεις. (Giuseppe M. et.al. 2014) 25

33 3.3 Απογραφή δασών με τη βοήθεια οπτικών εικόνων και εικόνων RADARSAT-2 Η απογραφή των δασών, στο παρελθόν αποτελούσε μία δύσκολη διαδικασία που πολλές φορές έμενε ανολοκλήρωτη και δε μπορούσε να χρησιμοποιηθεί σε περιφερειακό επίπεδο. Η δυσκολία αυτή έγκειται στο γεγονός της συνεχόμενης μεταβολής της έκτασης που καλύπτεται από δάση. Η μελέτη εκπονήθηκε στην περιοχή του Μεξικού, χώρα στην οποία απαιτούνται δεδομένα για την απογραφή δασών λόγω των ολοένα και αυξανόμενων προγραμμάτων που υπάρχουν και σχετίζονται με τη βιώσιμη ανάπτυξη. Ένας επιπλέον λόγος που επιλέχθηκε το Μεξικό για την εν λόγω έρευνα ήταν ότι οι απογραφές των δασών που είχαν γίνει έως τότε ήταν ημιτελείς και δεν υπήρχαν καταγεγραμμένες εφαρμογές με τη βοήθεια radar για τη διαχείριση των δασών. Η περιοχή μελέτης αφορά μια πολιτεία του Μεξικού που καλύπτει 322,1 km 2 και χωροθετείται σε ένα οροπέδιο μεγάλου υψομέτρου, όπου απαντώνται πολλά δασοπονικά είδη χωρίς όμως να εκλείπουν και οι γεωργικές καλλιέργειες. Εικόνα 3.3.: Οριοθέτηση της περιοχής μελέτης (πηγή: Η προηγούμενη έρευνα που έγινε στην περιοχή αφορούσε τη μελέτη για την κάλυψη γης με τη χρήση εικόνων Landsat- ETM και RADARSAT-1. Πιο συγκεκριμένα, η έρευνα αυτή έγινε στην περιοχή του κεντρικού Μεξικού και σε δάσος που συνήθως είναι ομιχλώδες. Στη συγκεκριμένη έρευνα μελετήθηκαν τα οφέλη που προκύπτουν από το συνδυασμό ο- πτικών δεδομένων και δεδομένων από radar διπλής πόλωσης για την καταγραφή δασών με σκοπό την αναβάθμιση και τη βελτίωση της απογραφής σε περιφερειακό επίπεδο. Σε αυτή την περίπτωση χρησιμοποιήθηκαν εικόνες RADARSAT-2 και παγχρωματικές εικόνες από το δορυφόρο SPOT-2 με 2,5m ανάλυση. Κύριος στόχος της εργασίας ήταν η αξιολόγηση και 26

34 συμβολή του συνδυασμού οπτικών εικόνων και εικόνων radar στην απογραφή δασών περιφερειακής κλίμακας. Βασικό στόχο της διαχείρισης των δασών αποτελεί η βιώσιμη εκμετάλλευση και αξιοποίησή τους. Η βιώσιμη διαχείριση των δασών βασίζεται κυρίως στον προσδιορισμό της έκτασης, της θέσης και της κατάστασης των δασών για τους διαφορετικούς τύπους που υπάρχουν. Για την επίτευξη όμως αυτής της ορθολογικής διαχείρισης, απαραίτητη είναι η συλλογή πρόσφατων και έγκυρων πληροφοριών. Όπως ήδη έχει αναφερθεί, η κάλυψη γης είναι δυναμικό φαινόμενο και έτσι οι μεταβολές που παρατηρούνται σε αυτή είναι συχνές. Αυτές οι συνεχείς μεταβολές παρατηρήθηκαν και στην περιοχή μελέτης, όπου και ζει το 75% του συνολικού πληθυσμού της χώρας. Οι εκτάσεις της περιοχής που καλύπτονται από δάση μεταβάλλονται λόγω παράνομων υλοτομιών, αποψιλώσεων για γεωργικούς σκοπούς αλλά και επέκταση αστικών περιοχών. Επίσης, συχνό φαινόμενο αποτελεί η εκδήλωση δασικών πυρκαγιών, αλλά και η προσβολή δέντρων από παράσιτα και άλλες ασθένειες. Παρόλο που μεγάλα τμήματα των περιοχών αυτών είναι υπό προστασία, φαινόμενα όπως τα παραπάνω είναι συχνά. Για όλους τους παραπάνω λόγους οι τοπικές αλλά και οι περιφερειακές αρχές χρειάστηκε να επισπεύσουν τη συλλογή πληροφοριών που σχετίζονταν με την εξάπλωση των δασών, έτσι ώστε να προωθηθεί η βιώσιμη διαχείρισή τους αλλά και ένα ορθολογικό σύστημα εκμετάλλευσής τους. Οι περισσότερες αναπτυσσόμενες χώρες στο παρελθόν δε διέθεταν σύστημα απογραφής δασών λόγω της χαμηλής τεχνολογικής προόδου. Ακόμη και όταν η τηλεπισκόπηση άρχισε να χρησιμοποιείται, η απουσία εξειδικευμένων δασολόγων δεν οδήγησε στα αναμενόμενα αποτελέσματα. Αναφορικά με την οπτική τηλεπισκόπηση, στο παρελθόν δεν παρείχε ακριβή δεδομένα, καθώς δεν ήταν τεχνολογικά άρτια. Η τηλεπισκόπηση με radar παρέχει πολλές δυνατότητες σε δασολογικές εφαρμογές. Παρόλο που κάποιες πρωταρχικές έρευνες που έ- γιναν με τη χρήση δεδομένων RADARSAT-2 δε φάνηκε να είναι πολλά υποσχόμενες για την απογραφή δασών, θεωρείται ότι υπάρχουν αρκετές δυνατότητες για τον εντοπισμό πυρκαγιών, αλλά και για τη διάκριση διαφορετικών τύπων δασών. Η μεθοδολογία και τα βασικά βήματα για τη συλλογή και την επεξεργασία των δεδομένων είναι πέντε και περιγράφονται αμέσως παρακάτω. Εξαγωγή οι φασματικών υπογραφών και ταξινομήσεων από εικόνες του δορυφόρου SPOT Παραγωγή χαρτών που δείχνουν το είδος και την έκταση των δασικών περιοχών Εξαγωγή υπογραφών πόλωσης για όλες τις δασικές παραμέτρους από εικόνες RADAR- SAT-2 και αξιολόγηση της συμπληρωματικότητάς τους με οπτικά δεδομένα Επιλογή καταλληλότερου συνδυασμού οπτικών δεδομένων και δεδομένων από radar Σύνταξη χαρτών ταξινόμησης και στη συνέχεια αξιολόγηση ακριβείας τους με εργασίες που γίνονται στο πεδίο. 27

35 Σε αυτό το σημείο πρέπει να σημειωθεί ότι από τα δύο πρώτα βήματα μπορούν να προκύψουν κάποια πρωταρχικά συμπεράσματα. Ένας αρχικός διαχωρισμός των δασικών επιφανειών από περιοχές με άλλες χρήσεις γης έγινε με τη βοήθεια της επιβλεπόμενης ταξινόμησης σε εικόνες που λήφθηκαν από το δορυφόρο SPOT 5 από το 2004 έως το Η απογραφή των δασών περιλαμβάνει την καταγραφή της κατάστασης των δασών, η γνώση της οποίας είναι απαραίτητη για τη σωστή και βιώσιμη διαχείριση τους και επιπλέον την καταγραφή του τύπου δάσους και των δασικών ειδών που απαντώνται. Κατάλογοι δασών που συντάσσονται με τη βοήθεια επιτόπιων μελετών αλλά και με τη βοήθεια τηλεπισκοπικών τεχνικών, όπως από οπτικούς δορυφόρους, παρουσιάζουν αρκετές τεχνικές και πρακτικές δυσκολίες. Αν συγκριθεί η απογραφή δασών που γίνεται με επιτόπιες δειγματοληψίες και αεροφωτογραφίες με τη την απογραφή δασών που γίνεται με τη βοήθεια τηλεπισκοπικών μεθόδων, από άποψη ακρίβειας υπερέχει η δεύτερη μέθοδος. Ωστόσο, τεχνικά προβλήματα που αφορούν την λεπτομερή γνώση της θέσης και της κατάστασης των δασών υπάρχουν και στην τηλεπισκόπηση και έτσι η χαρτογράφηση που γίνεται σε μικρότερη κλίμακα και σε επίπεδο ειδών δεν παρέχει μεγάλη ακρίβεια έτσι ώστε να χρησιμοποιηθεί σε εφαρμογές που καλύπτουν τις τοπικές ανάγκες. Στην περιοχή που ερευνήθηκε, τελικά δεν επιτεύχθηκε σαφής οριοθέτηση της δασικής έ- κτασης, καθώς ακόμη και ο χαρακτηρισμός μιας περιοχής ως δασική αποτελεί πολύπλοκη διαδικασία. Παρόλα αυτά, η εθνική απογραφή δασών του Μεξικού από το 2004 έως το 2009 αναμένεται να παρέχει ακριβέστερες και πληρέστερες πληροφορίες από προηγούμενες απογραφές. Τα βασικά προβλήματα που αντιμετωπίστηκαν κατά την απογραφή ήταν η γνώση της ακριβούς θέσης και κατάστασης των δασών. Εικόνα 3.4.: Χάρτης κάλυψης γης σε επίπεδο δασοπονικού είδους (πηγή: 28

36 Η εμπειρία στη χρήση των radar στη χώρα που εκπονήθηκε η μελέτη (Μεξικό), ήταν περιορισμένη και μόνο ακαδημαϊκά ιδρύματα είχαν μελετήσει εν μέρει τέτοιου είδους τεχνολογία. Τα πρωταρχικά αποτελέσματα που προκύπτουν από μία μελέτη για την απογραφή ενός δάσους, με όποιο τρόπο και αν γίνεται, είναι η εκτίμηση της έκτασής του και η αναγνώριση των ειδών που το συνθέτουν. Το βασικό όφελος από τη χρήση δορυφορικών εικόνων και πιο συγκεκριμένα εικόνων RADARSAT-2, στην απογραφή δασών, είναι η παροχή μεγαλύτερης α- κρίβειας στη χωροθέτηση δασικών ορίων. Επίσης, εικόνες διπλής πόλωσης θεωρούνται ιδανικές για μια καλής ποιότητας χαρτογράφηση. Μέσα από την έρευνα, έγινε γνωστό πως ο συνδυασμός οπτικών δεδομένων και δεδομένων που προκύπτουν από radar προσφέρει αρκετά πλεονεκτήματα σε ό,τι αφορά τη λήψη λεπτομερούς πληροφορίας για τα δάση σε σύνθετες περιοχές όπου υπάρχουν προβλήματα διαχείρισης φυσικών πόρων. (Yolanda F., Jesus S., Iain H., 2007) 3.4 Χαρτογράφηση περιαστικών δασών με δεδομένα από εναέρια Lidar και υπερφασματικές εικόνες Τα περιαστικά δάση προσδίδουν πολλά οφέλη στους τοπικούς πληθυσμούς, καθώς βελτιώνουν την ατμόσφαιρα από την αέρια ρύπανση, βοηθούν στη βελτίωση της ποιότητας του νερού και συμβάλλουν στην ανοικοδόμησης της σχέσης του ανθρώπου με το περιβάλλον. Έ- νας τρόπος προώθησης και μεγιστοποίησης των προαναφερθέντων ωφελειών του δάσους είναι η καταγραφή και η χαρτογράφησή τους σε επίπεδο είδους. Τα βασικά στοιχεία που θα πρέπει να συλλέγονται έτσι ώστε η χαρτογράφηση να θεωρείται πλήρης είναι ο αριθμός των δέντρων που υπάρχουν, τα είδη που απαντώνται, η χωρική κατανομή τους και η εμφάνιση ή όχι ασθενειών. Στο παρελθόν, όλα τα παραπάνω δεδομένα συλλέγονταν από μελέτη στο πεδίο, γεγονός που οδηγούσε στη συλλογή μικρής έκτασης δεδομένων λόγω των επίπονων, χρονοβόρων και δαπανηρών διαδικασιών. Με την πάροδο των ετών, οι έρευνες πεδίου αντικαταστάθηκαν από τηλεπισκοπικές μεθόδους, καθώς το συνολικό κόστος ήταν μικρότερο και η ακρίβεια των αποτελεσμάτων και η κάλυψη της περιοχής ήταν σαφώς καλύτερη. Στη συγκεκριμένη έρευνα αναπτύχθηκε ένα νευρωνικό δίκτυο που αναγνωρίζει τα είδη των δέντρων σε περιαστικά δάση, σε ατομικό επίπεδο, από τη μελέτη υπερφασματικών εικόνων και εικόνων Lidar. Με αυτό τον τρόπο μπορεί να παραχθεί ένας χάρτης σε επίπεδο είδους για περιαστικά δάση με μεγάλη ετερογένεια και ποικιλότητα ειδών. Η μέθοδος αυτή βοηθά στην αποφυγή λαθών που προκύπτουν όταν υπάρχει φωτισμός του δάσους από δύο πλευρές και όταν υπάρχουν σκιές ή μπερδεμένα εικονοστοιχεία. Ο συνδυασμός δεδομένων από συστήματα Lidar και υπερφασματικών εικόνων, εκτός από τον εντοπισμό μεμονωμένων 29

37 ατόμων και την εκτίμηση πολλών παραμέτρων, έχει και τη δυνατότητα αναγνώρισης δασοπονικών ειδών με τη βοήθεια ενός εξελιγμένου αλγορίθμου. Η έρευνα έγινε στην περιοχή Turtle Creek του Βόρειου Ντάλας. Η περιοχή μελέτης, είναι μια αστική περιοχή που αποτελείται από μικτή βλάστηση, κτίρια, δρόμους, ρυάκια και άλλα τεχνητά χαρακτηριστικά. Πιο συγκεκριμένα για τη βλάστηση, τα δέντρα που συνθέτουν την περιοχή είναι πλατύφυλλα φυλλοβόλα ποικίλλων ηλικιών και τα είδη ξεπερνούν τα 50, γεγονός που αποτελεί πρόκληση για την αναγνώρισή τους με τη βοήθεια της τηλεπισκοπικής ε- πιστήμης. Το Turtle Creek αποτέλεσε κέντρο ενδιαφέροντος και ανάπτυξης για την ευρύτερη περιοχή του Ντάλας και για την ορθότερη διαχείρισή του, τον Αύγουστο του 2008 πραγματοποιήθηκε μια έρευνα πεδίου, την οποία ακολούθησε μια επιπλέον μελέτη που αποτελούνταν από τη λήψη δεδομένων από LiDAR και δεδομένων από υπερφασματικές εικόνες υψηλής ανάλυσης το Σεπτέμβριο του Εικόνα 3.5.: Αποτύπωση της περιοχής σε ψευδέγχρωμο σύνθετο της κλίμακας του γκρίζου από υπερφασματική εικόνα. (πηγή: Πρόσφατες έρευνες έδειξαν ότι μπορεί να γίνει τρισδιάστατη απεικόνιση της δομής των δασών με τη χρήση συστημάτων Lidar. Τα συστήματα Lidar έχουν τη δυνατότητα να λαμβάνουν πληροφορίες για το έδαφος διαπερνώντας την κόμη των δέντρων. Ένα περιαστικό δάσος περιλαμβάνει έναν μεγάλο αριθμό δέντρων με διαφορετικά χαρακτηριστικά όπως είναι το είδος, η ηλικία, το ύψος και ο βαθμός χωρικής ετερογένειας. Τα συστήματα Lidar είναι πλέον ικανά να προσδιορίζουν όλα τα απαιτούμενα χαρακτηριστικά εύκολα και με ακρίβεια. Παρόλα αυτά, τα εν λόγω συστήματα έχουν μόνο μία ή δύο ζώνες, γεγονός που τα καθιστά ακατάλληλα για την αναγνώριση των ειδών. Αντίθετα, οι υπερφασματι- 30

38 κοί αισθητήρες συνήθως περιλαμβάνουν εκατοντάδες ζώνες και έτσι μπορούν εύκολα να χρησιμοποιηθούν στην αναγνώριση δασοπονικών ειδών. Σε αυτό το σημείο πρέπει να σημειωθεί πως οι παραπάνω τεχνικές έχουν περιορισμένη εφαρμογή σε αστικά δάση, κυρίως χρησιμοποιούνται σε φυσικά δάση. Αυτό οφείλεται στον εύκολο προσδιορισμό των παραμέτρων των φυσικών δασών καθώς υπάρχουν κυρίως ομήλικες συστάδες με κοινά χαρακτηριστικά (είδος, ύψος, διάμετρος κόμης κ.α.). Σε αντίθεση με τα φυσικά δάση, τα αστικά παρουσιάζουν μια ανομοιογένεια σε ό,τι αφορά την ηλικία, το είδος, το ύψος και την κόμη, διαφορές που κάνουν ακόμη και τα ίδια είδη που έχουν διαφορετικά χαρακτηριστικά να απεικονίζονται διαφορετικά στο ηλεκτρομαγνητικό φάσμα. Στην έρευνα που αναλύεται, δεδομένα από υπερφασματικές εικόνες λαμβάνονταν ταυτόχρονα με δεδομένα από συστήματα Lidar με τη βοήθεια ενός υπερφασματικού αισθητήρα. Ο αισθητήρας αυτός παρέχει υψηλή απόδοση και είναι διπλός, καθώς έχει τη δυνατότητα να συλλέγει δεδομένα τόσο από το ορατό και το εγγύς υπέρυθρο, όσο και από βραχύ υπέρυθρο. Στο παρελθόν είχαν εκπονηθεί πολλές μελέτες που αφορούν την απογραφή δασών με χρήση συστημάτων Lidar και πολυφασματικές εικόνες υψηλής χωρικής ανάλυσης, ωστόσο, πολύ λίγες μελέτες που συνδυάζουν συστήματα Lidar με υπερφασματικές εικόνες, έχουν καταγραφεί. Έτσι, ένα βασικό θέμα που υπάρχει για την αναγνώριση των δασικών ειδών, είναι οι περιορισμοί των αλγορίθμων για ανάλυση υπερφασματικών δεδομένων, καθώς παραδοσιακά οι εικόνες που χρησιμοποιούνταν ήταν οι πολυφασματικές και έτσι η εμπειρία στις πρώτες είναι περιορισμένη. Όπως αναφέρθηκε και στην αρχή, για τη χαρτογράφηση αστικών δασών με τη χρήση των παραπάνω συστημάτων, πρέπει να γίνει η ανίχνευση και ο εντοπισμός των δέντρων που συνθέτουν το δάσος και η ταυτοποίηση των δασικών ειδών. Κάθε μία από αυτές τις παραμέτρους ακολουθεί διαφορετική διαδικασία εκτίμησης, όπως θα περιγραφεί στη συνέχεια. Πριν να γίνει η αναγνώριση των ειδών σε ένα δάσος, αρχικά, απαραίτητος είναι ο εντοπισμός των δέντρων, διαδικασία που γίνεται σε δύο στάδια με τη βοήθεια δεδομένων που συλλέγονται από συστήματα Lidar. Κατά το πρώτο στάδιο γίνεται η κατασκευή Ψηφιακού Μοντέλου Εδάφους. Σε αυτό το βήμα αρχικά, απαλείφονται υψομετρικές διαφορές που υπάρχουν στις μετρήσεις λόγω του αναγλύφου και της τοπογραφίας του εδάφους για να μπορεί να εξαχθεί το σχετικό υψόμετρο από κάθε σημείο Lidar. Για την παραγωγή του ΨΜΕ πρέπει να γίνει η διαδικασία του φιλτραρίσματος των δεδομένων κατά την οποία σημεία Lidar που ανακλώνται από το έδαφος φιλτράρονται από τα σημεία Lidar που ανακλώνται από αντικείμενα πάνω από το έδαφος. Στη βιβλιογραφία έχουν αναφερθεί πολλά είδη φίλτρων που όμως είναι καταλληλότερα για ομοιόμορφες αγροτικές περιοχές και όχι για πολύπλοκες και ανομοιόμορφες αστικές. Έτσι, λόγω της πολυπλοκότητας των αστικών περιοχών, το φιλτράρισμα σε αυτές τις περιπτώσεις βασίζεται σε διανύσματα και γίνεται με τη βοήθεια ενός αλγορίθμου. Ο 31

39 αλγόριθμος αυτός βασίζεται στην ιδέα πως τα κοντινά σημεία που παρουσιάζουν παρόμοια χαρακτηριστικά πρέπει να κατανέμονται στην ίδια ομάδα που αντιπροσωπεύει συγκεκριμένο τμήμα εδάφους ή τμήμα πάνω από το έδαφος. Το βασικό πλεονέκτημα που προκύπτει από τη χρήση του παραπάνω αλγορίθμου είναι ότι δεν υπάρχει απώλεια δεδομένων όταν οι εργασίες και οι μετρήσεις γίνονται απευθείας στα νέφη σημείων που προκύπτουν από το σύστημα Lidar. Το δεύτερο βήμα είναι ο προσδιορισμός μεμονωμένων δέντρων και περιλαμβάνει μεθόδους και τεχνικές ταυτοποίησης των κορυφών των δέντρων και μεθόδους οριοθέτησης της κόμης τους. Για τον προσδιορισμό των παραπάνω χαρακτηριστικών, υπάρχουν πολλές τεχνικές οι οποίες μπορούν να ταξινομηθούν σε δύο κατηγορίες, σε ψηφιδωτή (raster) και σε διανυσματική (vector). Μια ψηφιδωτή εικόνα δημιουργείται από την παρεμβολή των σημείων Lidar που αντικατοπτρίζονται στην επιφάνεια της κόμης των δέντρων. Το βασικότερο μειονέκτημα των αλγορίθμων που χρησιμοποιούνται σε αυτή τη μέθοδο είναι η πιθανή εισαγωγή λανθασμένων πληροφοριών και αβεβαιότητας κατά τη διαδικασία της παρεμβολής. Με τη χρήση μεθόδων vector, εντοπίζονται δέντρα και προκύπτουν μετρήσεις χρησιμοποιώντας τις αρχικές συντεταγμένες X, Y, Z ή άλλα χαρακτηριστικά των δεδομένων από τα σημεία lidar χωρίς να χρειάζεται η δημιουργία μιας επιφάνειας raster. Η τεχνική αυτή χρησιμοποιείται περισσότερο για διαχωρισμό δέντρων και το βασικό πλεονέκτημα της είναι ότι προσφέρει αρκετά μεγάλη α- κρίβεια διατηρώντας τις αρχικές τιμές του υψομέτρου. Αφού ολοκληρωθεί η διαδικασία εντοπισμού των δέντρων και των κορυφών τους, στη συνέχεια μπορεί να γίνει η αναγνώριση των δασοπονικών ειδών, διαδικασία αρκετά δύσκολη λόγω της μεγάλης ποικιλότητας των ειδών. Για το σκοπό αυτό, αναπτύχθηκε μια προσέγγιση η Adaptive Gaussian Fuzzy Learning Vector Quantization (AGFLVQ) που χρησιμοποιείται για τη διαφοροποίηση μεγάλου αριθμού ειδών που χρησιμοποιούν υπερφασματικά δεδομένα. Η μέθοδος AGFLVQ αποτελεί εξελιγμένη μορφή μιας άλλης προσέγγισης, της Gaussian Fuzzy Learning Vector Quantization (GFLVQ). Η αναβάθμιση της νέας προσέγγισης έγγειται στο γεγονός της δυνατότητας για απουσία ενός βασικού περιορισμού σύμφωνα με τον οποίο κάθε κλάση θα έπρεπε να περιλαμβάνει τον ίδιο αριθμό φασματικών αντιπροσώπων. Η δομή της AGFLVQ διαμορφώνεται από τρία επίπεδα, ένα εισόδου, ένα ανταγωνισμού και ένα εξόδου. 32

40 Εικόνα 3.6.: Δομή ενός συστήματος AGFLVQ (πηγή: Στην έρευνα που εκπονήθηκε, τα αποτελέσματα που προέκυψαν ήταν αρκετά καλά. Η συγκεκριμένη μελέτη, είχε ως στόχο την ανάπτυξη αλγορίθμων για την αυτόματη καταγραφή αστικών δασών από δεδομένα που προκύπτουν από νέφη σημείων συστημάτων Lidar και υπερφασματικά δεδομένα. Σύμφωνα με τα παραπάνω, η αναγνώριση των δασοπονικών ειδών μπόρεσε να γίνει με τη χρήση υπερφασματικών δεδομένων, καθώς έχουν μεγάλη φασματική ικανότητα, αφού πρώτα ανιχνεύθηκαν οι κορυφές των δέντρων. Έτσι, έχοντας τις παραπάνω πληροφορίες, μπόρεσε να δημιουργηθεί ένας χάρτης ειδών από τον οποίο μπορούν να αντληθούν πληροφορίες χρήσιμες για τη διαχείριση των δασών πολύ πιο εύκολα από τους παραδοσιακούς χάρτες με pixels. Η χρήση ανεπτυγμένων αλγορίθμων για τον εντοπισμό και την αναγνώριση των ειδών έ- χει εφαρμοστεί σε μικρή κλίμακα έως σήμερα. Απαιτείται η εκπόνηση επιπλέον ερευνών σε δάση με πολύπλοκη δομή και σύνθεση για να επικαιροποιηθεί η ορθότητα και η επεκτασιμότητα αυτής της τεχνικής. (Caiyun Z, Fang Q. 2012) Εικόνα 3.7.: Χάρτης σύνθεσης δασοπονικών ειδών (πηγή: 33

41 3.5 Χρησιμοποίηση επίγειων συστημάτων LiDAR στην επιστήμη της δασολογίας Σήμερα, η χρήση επίγειων συστημάτων LiDAR (light detection and ranging) ερευνάται εκτενώς λόγω των πολλών δυνατοτήτων που μπορεί να προσφέρει αυτή η τεχνολογία στη μελέτη των δασικών οικοσυστημάτων, κυρίως λόγω του πλεονεκτήματός της να παρέχει τρισδιάστατα δεδομένα γρήγορα και με αρκετά μεγάλη ακρίβεια. Τα επίγεια συστήματα LiDAR έχουν εφαρμοστεί για την απογραφή των δασών και την καταγραφή χαρακτηριστικών κόμης, καθώς επίσης και για την εκτίμηση της ποιότητας και της ποσότητας του αποθέματος ξυλείας. Επιπλέον, τα επίγεια συστήματα LiDAR χρησιμοποιούνται και σε άλλες εφαρμογές όπως η εκτίμηση της φυσιολογικής λειτουργίας των φύλλων, η παρακολούθηση της διαπνοής των δέντρων, καθώς επίσης και η ποικιλότητα των ενδιαιτημάτων. Ήδη από το 2003 παρατηρείται εξέλιξη σε ό,τι αφορά τις συσκευές και την επεξεργασία δεδομένων. Ωστόσο, οι συσκευές και οι μέθοδοι που ακολουθούνται πρέπει να επιλέγονται προσεκτικά ανάλογα με τον επιδιωκόμενο σκοπό. Επιπλέον είναι απαραίτητη η ανάπτυξη αυτοματοποιημένων και αξιόπιστων προγραμμάτων και μεθοδολογιών, έτσι ώστε να γεφυρωθεί το χάσμα μεταξύ των χρονοβόρων αναλυτικών μεθόδων και των εναέριων συστημάτων LiDAR ευρείας κλίμακας. Καθώς τα δέντρα και οι δασικές εκτάσεις γενικότερα, αποτελούν πολυσύνθετες δομές και καταλαμβάνουν μεγάλες εκτάσεις, η εκτίμηση και η αξιολόγηση της χωρικής οργάνωσής τους αποτελεί πρόκληση για τους δασολόγους και άλλους ερευνητές. Γενικά, μπορεί να ειπωθεί πως οι απογραφές δασών συνήθως περιλαμβάνουν τη μέτρηση διάφορων δομικών παραμέτρων σε μια οριοθετημένη έκταση, έτσι ώστε να μπορεί να ε- κτιμηθεί η ποικιλότητα που υπάρχει, με ταυτόχρονη αναγνώριση ειδών. Οι σημερινές απογραφές δασών στηρίζονται σε σχέσεις από συγκεκριμένες μετρήσεις ύψους και στηθιαίας διαμέτρου των δέντρων, μέθοδος που οδηγεί στην εξαγωγή πολλών λανθασμένων συμπερασμάτων και κυρίως σε ό,τι αφορά την εκτίμηση του όγκου ξυλείας. Με την εξέλιξη όμως της τεχνολογίας, η δασολογία τείνει να γίνει μια πιο ακριβής επιστήμη, με την εκτίμηση επιπλέον παραμέτρων που αφορούν τη δομή των δέντρων όπως είναι το σχήμα και η ποιότητα του κορμού, η βιομάζα των κλαδιών και κάποιοι δείκτες όπως ο δείκτης φυλλικής επιφάνειας (Leaf Area Index) που αναφέρονται σε διαφορετική χωρική κλίμακα και χρονική ανάλυση. Η απαίτηση όμως για απόκτηση λεπτομερών δεδομένων που αφορούν δομικά χαρακτηριστικά των δασών, πολλές φορές οδηγεί σε πολύπλοκες και χρονοβόρες διαδικασίες. Από το 2001 η μέτρηση και η εκτίμηση διάφορων δασικών παραμέτρων άρχισε να γίνεται με τη βοήθεια εναέριων συστημάτων LiDAR. Αυτή η νέα τεχνολογία συνέβαλλε στη γρήγορη 34

42 καταγραφή και περιγραφή μεγάλων δασικών επιφανειών. Παρόλα αυτά, τα εναέρια συστήματα LiDAR παρέχουν ελάχιστες πληροφορίες για παραμέτρους που βρίσκονται κάτω από την κόμη των δέντρων. Την αδυναμία αυτή των εναέριων συστημάτων ήρθαν να καλύψουν τα επίγεια συστήματα LiDAR τα οποία με τη βοήθεια σαρωτών τριγωνισμού προσδίδουν ακρίβεια στις μετρήσεις. Ωστόσο, το εύρος της κλίμακας που μπορούν να μετρήσουν είναι αρκετά μικρό (έως 3 μέτρα) και αυτό οδηγεί σε κάποιους περιορισμούς. Η λύση στο πρόβλημα αυτό δίδεται από επίγειους σαρωτές LiDAR μεγάλων αποστάσεων. Η χρήση τέτοιων συστημάτων βοηθά να καλυφθεί το κενό που υπάρχει μεταξύ δεδομένων ευρείας κλίμακας από εναέρια συστήματα και δεδομένων από επίγεια συστήματα. Γενικότερα, η χρήση τέτοιων συστημάτων συμβάλλει ιδιαίτερα στην καταγραφή παραμέτρων του δάσους που παρουσιάζουν δομική πολυπλοκότητα. Σκοπός της συγκεκριμένης μελέτης ήταν, αρχικά να περιγράψει τις βασικές αρχές λειτουργίας ενός συστήματος επίγειου LiDAR, να παρουσιάσει τις σημερινές εφαρμογές και δυνατότητες που έχει αυτή η τεχνολογία στην επιστήμη της δασολογίας και να υποδείξει τη χρησιμότητά της σε μετρήσεις δασικών παραμέτρων. Οι επίγειοι σαρωτές LiDAR είναι μέσα που επιτρέπουν την τρισδιάστατη αναπαράσταση φυσικών τοπίων χωρίς να τα καταστρέφουν. Υπάρχουν δύο διαφορετικά πρωτόκολλα σάρωσης στις μετρήσεις LiDAR, η απλή σάρωση και οι πολλαπλές σαρώσεις. Στην απλή μέθοδο σάρωσης ο σαρωτής laser τοποθετείται σε μια θέση και εκτελεί μόνο σάρωση. Αυτή η μέθοδος είναι γρήγορη αλλά μόνο η μια πλευρά των αντικειμένων αναπαρίσταται στα νέφη σημείων. Στην πολλαπλή μέθοδο σάρωσης τα αντικείμενα σαρώνονται από τρεις ή τέσσερις πλευρές. Εικόνα 3.8.: Αρχή λειτουργίας επίγειου Lidar (πηγή: Γενικότερα οι σαρωτές T-LiDAR μπορούν να ταξινομηθούν σε δύο κατηγορίες με βάση το εύρος της μέτρησης. Το πρώτο είδος είναι οι επίγειοι σαρωτές LiDAR μετατόπισης φάσης με τους οποίους οι αποστάσεις υπολογίζονται μέσω της ανάλυσης της μετατόπισης μεταξύ του 35

43 εκπεμπόμενου και λαμβανόμενου παλμού laser. Το δεύτερο είδος επίγειων σαρωτών laser είναι αυτοί που σχετίζονται με την ώρα της πτήσης. Η τεχνική αυτών των σαρωτών βασίζεται στον υπολογισμό του χρόνου μεταξύ της εκπομπής και της λήψης μιας ακτίνας laser που διαχωρίζεται στα δύο. Με τη δεύτερη μέθοδο μπορούν να μετρηθούν πολύ μεγάλες αποστάσεις, το μειονέκτημα όμως είναι η χαμηλή ταχύτητα απόκτησης των δεδομένων. Το δεύτερο είδος σαρωτών περιλαμβάνει τέσσερις μεθόδους ανάλογα με τον αριθμό επιστρεφόμενων σημάτων που εκπέμπονται προς κάθε κατεύθυνση. Αυτές οι μέθοδοι είναι οι εξής: καταγραφές απλής επιστροφής, καταγραφή πρώτης ή τελευταίας επιστροφής, καταγραφή πολλαπλής επιστροφής και καταγραφή πλήρους κυματομορφής. Εικόνα 3.9.: τύποι επιστροφής ακτίνας laser ανάλογα με τον αισθητήρα (πηγή: Οι επίγειοι σαρωτές LiDAR έχουν πολλές εφαρμογές στη μελέτη των δασών και από το 2003 άρχισαν να δημοσιεύονται μελέτες που αφορούν τη μελέτη διάφορων χαρακτηριστικών των δέντρων. Οι πρώτες έρευνες που έγιναν με τη βοήθεια επίγειων σαρωτών LiDAR για τη μελέτη χαρακτηριστικών των δέντρων αποσκοπούσαν στην εκτίμηση χαρακτηριστικών όπως η διάμετρος κορμού, το ύψος δέντρου και η εκτίμηση του όγκου της ξυλείας. Για την εξαγωγή δεδομένων σχετικών με τα παραπάνω χαρακτηριστικά από επίγειους σαρωτές LiDAR, ακολουθείται μια σειρά βημάτων. Το πρώτο βήμα αφορά την κατασκευή Ψηφιακού Μοντέλου Εδάφους από τα νέφη σημείων, το οποίο αποτελεί τη βάση για εξαγωγή περεταίρω πληροφοριών για τις παραμέτρους. Σε αυτό το σημείο, σκόπιμο είναι να επισημανθεί ότι ο όρος νέφη σημείων αναφέρεται σε μη δομημένα δεδομένα τα οποία πρέπει να επεξεργασθούν προκειμένου να χρησιμοποιηθούν σε διαδικασίες για την εξαγωγή πληροφοριών. Τα επόμενα βήματα συνήθως χρησιμοποιούνται για την ανίχνευση κορμών δέντρων από νέφη σημείων καθώς επίσης και την εκτίμηση στηθιαίων διαμέτρων. Στη συνέχεια, με- 36

44 τρήσεις που προκύπτουν από τους επίγειους σαρωτές LiDAR εφαρμόζονται σε απογραφές δασών, υπολογίζοντας χαρακτηριστικά όπως το ύψος των δέντρων, η πυκνότητα του κορμού κ.ά. και τα αποτελέσματά τους συγκρίνονται με απογραφές δασών που έχουν γίνει και αποτελούν βάση. Τέτοιου είδους συγκρίσεις έχουν γίνει σε φυλλοβόλα, κωνοφόρα και μεικτά δάση ποικίλης πυκνότητας και τα αποτελέσματα που προέκυψαν ήταν αρκετά καλά. Ένα ακόμη χαρακτηριστικό που μπορεί να εκτιμηθεί με τη χρήση επίγειων σαρωτών Li- DAR είναι η ταυτοποίηση των δασικών ειδών. Η αναγνώριση των ειδών είναι ένα βασικό θέμα στην απογραφή των ειδών, που όμως συχνά δε γίνεται με επιτυχία χρησιμοποιώντας μεθόδους τηλεπισκόπησης. Με τους επίγειους σαρωτές LiDAR, η αναγνώριση των δέντρων γίνεται από την ανάλυση της δομής του φλοιού από εικόνες που λαμβάνονται από νέφη σημείων χρησιμοποιώντας γεωμετρική κάμερα και κάποια σημεία ελέγχου. Η χρησιμοποίηση επίγειων σαρωτών LiDAR συμβάλλει στον χαρακτηρισμό της κόμης στη διαχείριση των δασών. Λόγω του μεγάλου εύρους των μετρήσεων που αφορούν παραμέτρους του δάσους, τα επίγεια συστήματα laser φαίνεται να έχουν αρκετές δυνατότητες για την περιγραφή της σύνθετης γεωμετρίας της κόμης και την απόκτηση δομικών παραμέτρων γρηγορότερα από άλλες διαδικασίες. Η οριζόντια προβολή της κόμης των δέντρων αποτελεί συνηθισμένη μέθοδο εκτίμησης της κόμης. Η ψηφιακή προβολή της κόμης μπορεί να γίνει από τα νέφη σημείων χρησιμοποιώντας λογισμικό Leica Cyclone. Το βασικό πλεονέκτημα των επίγειων σαρωτών LiDAR είναι ότι προσδιορίζουν πιο αποτελεσματικά τη σύνδεση των ζωνών μεταξύ της κόμης των δέντρων. 37

45 Εικόνα 3.10.: Μέτρηση και εκτίμηση χαρακτηριστικών με LiDAR (πηγή: Ο δείκτης φυλλικής επιφάνειας είναι μια βασική παράμετρος που χρειάζεται για την εκτίμηση της δασικής κόμης. Παλαιότερα, αυτός ο δείκτης εκτιμούνταν με διάφορες παραδοσιακές μεθόδους, η εξέλιξη όμως των επίγειων LiDAR προσέφερε νέες μεθόδους για την εκτίμηση αυτού του δείκτη. Με τους σαρωτές αυτούς, διαχωρίζονται τα νέφη σημείων του ξύλου από τα νέφη σημείων της κόμης. Οι λόγοι της κόμης και του ξύλου υπολογίζονται από τον αριθμό των επιστροφών laser και συγκρίνονται με κάποιες μετρήσεις που αποτελούν βάση. Τα οφέλη από τη χρήση επίγειων σαρωτών LiDAR για δασολογικούς σκοπούς είναι αρκετά. Αρχικά, οι σαρωτές αυτού του τύπου παρέχουν από απόσταση, ακριβείς και πλήρεις πληροφορίες για τη δομή του δάσους, κάτι το οποίο είναι δύσκολο να επιτευχθεί με άλλες παραδοσιακές μεθόδους. Ακόμα, οι μετρήσεις μπορούν να αποθηκευθούν έτσι ώστε να μπορούν να χρησιμοποιηθούν στο μέλλον σε περίπτωση που χρειάζεται. Επίσης ένα σημαντικό πλεονέκτημα είναι η παροχή τρισδιάστατων πληροφοριών που αποτελεί σημαντικό πλεονέκτημα για την εκτίμηση διάφορων παραμέτρων. Από οικολογική πλευρά η χρησιμοποίηση συστημάτων LiDAR είναι ένας καλός τρόπος δειγματοληψίας βλάστησης και ανταγωνιστικούς δείκτες. Από την άλλη πλευρά, είναι εμφανή και κάποια μειονεκτήματα από τη χρήση των εν λόγω σαρωτών. Η χρήση τους προσφέρει ολοκληρωμένες πληροφορίες σχετικά με τη δομή των 38

46 δασών παρόλα αυτά, η χρήση πολλαπλών σαρωτών αυξάνει το χρόνο μέτρησης και απαιτεί την τοποθέτηση σημείων αναφοράς στο πεδίο και την απόκτηση σαρωτών. Ακόμα, η σάρωση των δασών απαιτεί τη χρήση χαμηλότερης ταχύτητας έτσι ώστε να βελτιωθεί το σήμα που προέρχεται από θόρυβο και να αποφύγει τα σημεία που οδηγούν σε μεγαλύτερους χρόνους σάρωσης. Χρησιμοποιώντας υψηλή ανάλυση οι χρόνοι αναμονής των δεδομένων και οι χρόνοι των διαδικασιών αυξάνονται. Επίσης, ο χρήστης πρέπει να συμβιβάζεται έτσι ώστε να μπορούν να αποκτηθούν με τις απαιτούμενες λεπτομέρειες στο συντομότερο χρόνο σύμφωνα με τους σκοπούς και τις διαδικασίες που επιδιώκονται. Με βάση όλα τα παραπάνω, μπορεί να σημειωθεί ότι οι επίγειοι σαρωτές έχουν τη δυνατότητα να αποκτήσουν πληροφορίες για μετρήσεις σε δάση και να ξεπεράσουν τις δυσκολίες που προκύπτουν από τα μετεωρολογικά φαινόμενα, περιγράφοντας το περιβάλλον κάτω από την κόμη γρηγορότερα και με μεγάλη ακρίβεια. Επίσης, δίνουν πληροφορίες που δε μπορούν να αποκτηθούν από εναέρια συστήματα LiDAR. Δύο είναι τα θέματα που πρέπει να βελτιωθούν έτσι ώστε η χρήση αυτών των συστημάτων να γίνει ευρεία στη δασολογία. Το πρώτο θέμα αφορά τις συσκευές των επίγειων σαρωτών και πιο συγκεκριμένα το χρόνο α- πόκτησης δεδομένων, την εκπομπή θορύβου και το κόστος. Το δεύτερο κομμάτι αφορά την ανάπτυξη οικονομικής και εύκολης στη χρήση τεχνολογίας λογισμικού που θα οδηγεί στην αυτόματη εξαγωγή δεδομένων από μη επεξεργασμένες πληροφορίες. (Mathieu D, Thiery C, Meriem F., 2011) 3.6 Χρησιμοποίηση μη επανδρωμένων εναέριων συστημάτων (UAS) για την παρακολούθηση δασικών πυρκαγιών Πριν από οποιαδήποτε ανάλυση των μη επανδρωμένων εναέριων συστημάτων, κρίνεται α- παραίτητη η επεξήγηση της έννοιας της παρακολούθησης δασικών πυρκαγιών. Η παρακολούθηση των πυρκαγιών εστιάζει στην εκτίμηση της εξέλιξης του μετώπου και του σχήματος της φωτιάς σε πραγματικό χρόνο, καθώς επίσης και άλλων παραμέτρων που σχετίζονται με την κατάσβεση μιας πυρκαγιάς, όπως είναι η θέση του μετώπου της φωτιάς, ο ρυθμός εξάπλωσης και το μέγιστο ύψος των φλογών. Στο παρελθόν, αλλά ακόμη και σήμερα η εκτίμηση των παραπάνω παραμέτρων βασιζόταν στην οπτική εκτίμησή τους από ειδικούς. Με αυτή τη μέθοδο εκτίμησης όμως, τα λάθη που προέκυπταν ήταν αρκετά και οφείλονταν σε αρκετούς παράγοντες όπως η παρουσία καπνού και φλογών, που δυσχεραίνουν τις οπτικές παρατηρήσεις, αλλά και λάθη ακριβείας που οφείλονται στην ανθρώπινη παρατήρηση. Όλα τα προαναφερθέντα προβλήματα μπορούν εύκολα να αντιμετωπιστούν με την εξέλιξη της τεχνολογίας και πιο συγκεκριμένα με τη χρήση των μη επανδρωμένων εναέριων συστημάτων. Η νέα αυτή τεχνολογία αρχίζει να διαδραματίζει πού σπουδαίο ρόλο στην παρα- 39

47 κολούθηση και την κατάσβεση των δασικών πυρκαγιών. Ένα από τα πλεονεκτήματα αυτών των συστημάτων είναι ότι σε περίπτωση που μια πυρκαγιά λαμβάνει χώρα σε μεγάλη έκταση, το σύστημα μπορεί να συλλέξει εικόνες από διαφορετικά εναέρια οχήματα και συνθέτοντάς τες να παρέχει μια ολοκληρωμένη άποψη για την περιοχή. Επιπλέον, το σύστημα μπορεί να ενημερώσει για τη θέση του μετώπου της φωτιάς με γεωγραφικές συντεταγμένες σε πραγματικό χρόνο. Η συγκεκριμένη μελέτη που αναλύεται είχε ως στόχο την παρουσίαση και την περιγραφή ενός συστήματος μη επανδρωμένων αεροσκαφών που χρησιμοποιείται στην παρακολούθηση δασικών πυρκαγιών. Στην έρευνα αυτή παρουσιάστηκε ο τρόπος που μπορεί ένα μη ε- πανδρωμένο εναέριο σύστημα να λαμβάνει αυτόματα πληροφορίες με τη βοήθεια υπέρυθρων ή οπτικών καμερών. Το πείραμα πραγματοποιήθηκε σε ελεγχόμενη πυρκαγιά και χρησιμοποιήθηκαν δύο αυτόματα ελικόπτερα και ένα αερόστατο. Όπως αναφέρθηκε και στην αρχή, οι παραδοσιακές μέθοδοι συλλογής πληροφοριών που αφορούν τις δασικές πυρκαγιές γίνονταν από ειδικούς επιστήμονες είτε από απευθείας μετρήσεις στο πεδίο, είτε από τη μελέτη εικόνων που λαμβάνονταν από ψηλά κτίρια ή δορυφόρους. Η εξέλιξη της τεχνολογίας όμως, συνέβαλλε στην αυτοματοποιημένη συλλογή πληροφοριών. Τα αυτόματα συστήματα ανίχνευσης πυρκαγιών, βασίζονται κυρίως σε κάμερες ε- γκατεστημένες στο έδαφος. Κάποια συστήματα είναι ικανά να ανιχνεύουν τον καπνό που προέρχεται από μια πυρκαγιά, ενώ υπάρχουν και αισθητήρες κατάλληλοι για τον αυτόματο εντοπισμό της φωτιάς, όπως είναι τα συστήματα Lidar. Επιπρόσθετα, αναφέρεται ότι και τα δορυφορικά συστήματα συμβάλλουν στην ανίχνευση πυρκαγιών. Ωστόσο, τα μειονεκτήματα που αναφέρονται για τις παραπάνω μεθόδους είναι αφενός η κάλυψη μικρής εμβέλειας και αφετέρου η αξιοπιστία των πληροφοριών που προκύπτουν όταν αυτές εφαρμόζονται σε διαφορετικές περιβαλλοντικές συνθήκες. Εκτός από τις παραπάνω πρακτικές, για την παρακολούθηση πυρκαγιών χρησιμοποιούνται και επανδρωμένα αεροσκάφη και ελικόπτερα, μέθοδοι που όμως εγκυμονούν κινδύνους για το πλήρωμα. Οι κίνδυνοι αυτοί μπορούν να αποφευχθούν με την εξέλιξη και τη χρησιμοποίηση των μη επανδρωμένων εναέριων οχημάτων. Ένα σύστημα μη επανδρωμένων αεροσκαφών που προορίζεται για παρακολούθηση δασικών πυρκαγιών μπορεί να αποτελείται από διαφορετικά μη επανδρωμένα οχήματα που πρέπει να πληρούν κάποιες βασικές προϋποθέσεις όπως είναι η λειτουργική αυτονομία, δηλαδή το όχημα να είναι ικανό να πετάει σε ορισμένες θέσεις αυτόνομα, ο εντοπισμός των οχημάτων στο ίδιο πλαίσιο αναφοράς και τέλος, η εκτίμηση του ωφέλιμου φορτίου, δηλαδή των υπέρυθρων και οπτικών καμερών. Εδώ πρέπει να αναφερθεί πως οι κάμερες βαθμονομούνται πριν από οποιαδήποτε πτήση σύμφωνα με τεχνητά πρότυπα. 40

48 Εικόνα 3.11.: UAS αποτελούμενο από δύο οχήματα και σύστημα λήψης- αντίληψης (πηγή: Ο συντονισμός και ο έλεγχος των μη επανδρωμένων εναέριων αυτόνομων οχημάτων, απαιτεί ένα σύστημα λήψης αποφάσεων το οποίο περιλαμβάνει τέσσερις διαφορετικούς μηχανισμούς που θα αναφερθούν αμέσως παρακάτω. Κατανομή εργασιών, όπου κάθε ένα από τα εναέρια συστήματα αναλαμβάνει να διεκπεραιώσει μια σειρά εργασιών. Το δύσκολο κομμάτι της συγκεκριμένης διαδικασίας είναι η απόφαση για της διάθεση συγκεκριμένης εργασίας στο κατάλληλο σύστημα. Προγραμματισμός εργασιών, που αποσκοπεί στην οργάνωση των εργασιών, έτσι ώστε το αποτέλεσμα που θα προκύψει να είναι το καλύτερο δυνατό. Συντονισμός, είναι η διαδικασία που προκύπτει σε ένα σύστημα, όταν παρέχονται πληροφορίες, που μπορούν να ληφθούν από διαφορετικά τμήματα του συστήματος. Ένα χαρακτηριστικό παράδειγμα συντονισμού σε σχέση με την παρακολούθηση δασικών πυρκαγιών είναι η διαίρεση της περιοχής σε επιμέρους τμήματα και η ανάθεση κάθε τμήματος στο κατάλληλο μη επανδρωμένο σύστημα, έτσι ώστε να παρέχεται πλήρης κάλυψη της απαιτούμενης περιοχής. Επίβλεψη της εκτέλεσης των εργασιών, με τη διατήρηση της ποιότητας και της αξιοπιστίας των εργασιών και την ανίχνευση και πρόληψη αστοχιών. Σε κάθε μη επανδρωμένο εναέριο σύστημα που χρησιμοποιείται για την παρακολούθηση πυρκαγιών, τα επιμέρους οχήματα παρέχουν λήψεις από διαφορετικά σημεία της φλεγόμενης έκτασης. Όλες αυτές οι πληροφορίες συλλέγονται σε ένα κεντρικό σταθμό όπου συνδυάζονται και γίνεται μια εκτίμηση για το μέτωπο της πυρκαγιάς. Πρωταρχικός στόχος είναι η αναπαράσταση των πληροφοριών να γίνεται με τέτοιο τρόπο ώστε να αντιπροσωπεύει το πραγματικό φαινόμενο, καθώς μια πυρκαγιά είναι ένα δυναμικό φαινόμενο που αλλάζει συ- 41

49 νεχώς σε μέγεθος και σχήμα. Στη συγκεκριμένη μελέτη για να επιτευχθεί αυτόματη αντίληψη της πληροφορίας, η περιοχή διαιρείται σε ένα ορθογώνιο πλέγμα, όπου κάθε κελί ορίζεται από δύο δυαδικές τιμές και με αυτό τον τρόπο φαίνεται εάν υπάρχει ή όχι φωτιά σε κάθε κελί. Καθώς οι τιμές δεν είναι πάντα επιβεβαιωμένες από το σύστημα, αποθηκεύονται δύο πιθανές τιμές για κάθε κελί. Εικόνα 3.12: Βήματα που ακολουθούνται για την εκτίμηση πυρκαγιάς (πηγή: Πολλοί είναι οι παράγοντες που μπορούν να επηρεάσουν τη διάδοση της φωτιάς όπως είναι η κλίση του εδάφους, οι κλιματολογικές συνθήκες, η περιεχόμενη υγρασία της βλάστησης και η υγρασία του αέρα. Ωστόσο, κύριο στόχο της παρούσας έρευνας δεν αποτέλεσε η εκτίμηση των παραπάνω παραμέτρων, αλλά βασικός στόχος της ήταν η ενσωμάτωση κάποιου είδους μνήμης στη διαδικασία της εκτίμησης, έτσι ώστε να μη διαδίδεται η φωτιά σε ζώνες που έχουν ήδη μελετηθεί και η χωρική πρόβλεψη που προβλέπει την εξέλιξη της πυρκαγιάς. Η εκτίμηση της διάδοσης μιας πυρκαγιάς αντιπροσωπεύεται από μία χωρική και μία χρονική εξίσωση που είναι σχετικά απλές. Στην πραγματικότητα όμως οι νόμοι που διέπουν την εξάπλωση της φωτιάς είναι αρκετά πιο σύνθετοι. Συνθέτοντας τις προαναφερθείσες εξισώσεις, οδηγούμαστε σε έναν αλγόριθμο, σύμφωνα με τον οποίο η πιθανότητα για την εμφάνιση πυρκαγιάς σε ένα κελί του πλέγματος εξαρτάται από την πιθανότητα εκδήλωσης πυρκαγιάς σε ένα γειτονικό κελί. Το πλέγμα συνήθως δημιουργείται μετά από την ανίχνευση πυρκαγιάς. Οι πιθανότητες Bernoulli παίρνουν τιμή μηδέν για όλα τα κελιά του πλέγματος, ενώ η πιθανότητα εμφάνισης 42

50 πυρκαγιάς παίρνει την τιμή της μονάδας για τα κελιά που εκτιμάται ότι αποτελούν την αρχική θέση εκδήλωσης της πυρκαγιάς. Για περεταίρω πληροφορίες, είναι σχετικά απλό να ενσωματωθούν στο πλέγμα δεδομένα από προηγούμενα περιστατικά όπως για παράδειγμα ποια κελιά έμειναν ανεπηρέαστα από παρελθοντική πυρκαγιά. Πολύ σημαντικό παράγοντα αποτελεί η γνώση των γεωγραφικών συντεταγμένων της εκτιμώμενης θέσης του μετώπου της φωτιάς. Με αυτή τη διαδικασία, ορίζονται τα όρια της καμένης έκτασης. Το τελικό μέτωπο της φωτιάς προκύπτει αν εξεταστούν τα κελιά που εμφανίζουν υψηλή πιθανότητα πυρκαγιάς. Οι πληροφορίες που αφορούν το μέτωπο της πυρκαγιάς υπάρχουν κωδικοποιημένες στις εικόνες που λαμβάνονται από τα μη επανδρωμένα αέρια συστήματα και μπορούν να ερμηνευθούν ως τα περιγράμματα που εκτείνεται η φωτιά. Τα συστήματα αυτά είναι εξοπλισμένα με υπέρυθρες, μη θερμικές κάμερες χαμηλού κόστους. Οι κάμερες αυτές δεν παρέχουν μετρήσεις θερμοκρασίας, αλλά εκτιμούν την ένταση της ακτινοβολίας στη μελετώμενη περιοχή. Κατά τη λήψη εικόνων και γενικότερα δεδομένων από ένα μη επανδρωμένο εναέριο όχημα προκύπτει μία σειρά σφαλμάτων που οφείλεται στις αναταράξεις και τις δονήσεις των ο- χημάτων τα οποία προκαλούν τη μετακίνηση της κάμερας, κάτι το οποίο οδηγεί στην εξαγωγή λανθασμένων ή στρεβλωμένων αποτελεσμάτων. Τα λάθη αυτά μπορούν να αποφευχθούν με τη χρήση ηλεκτρονικών συστημάτων, που όμως δε χρησιμοποιούνται ευρέως καθώς είναι αρκετά βαριά και σχετικά ακριβά. Εναλλακτικά μπορούν να χρησιμοποιηθούν διαδικασίες επεξεργασίας εικόνας που βασίζονται σε συγκεκριμένα λογισμικά, οι οποίες μπορούν να εκτιμήσουν και να απαλείψουν λάθη που οφείλονται σε κινήσεις ή δονήσεις. Αυτή η διαδικασία ακολουθείται διαδοχικά σε όλα τα pixels της εικόνας και έτσι εξαλείφονται πλήρως, σε ένα ενιαίο πλαίσιο, όλα τα λάθη που έχουν προκύψει από την κίνηση. Όπως αναφέρθηκε και προηγουμένως, τα στοιχεία του μετώπου της πυρκαγιάς συλλέγονται από διαφορετικά μη επανδρωμένα εναέρια οχήματα και συγκεντρώνονται σε έναν επίγειο σταθμό. Αυτά τα δεδομένα χρησιμοποιούνται για να ενημερώσουν την πιθανότητα που αντιστοιχεί σε κάθε κελί του πλέγματος. Οι υπέρυθρες κάμερες που χρησιμοποιούνται σε αυτά τα συστήματα, παρέχουν εικόνες, το αποτέλεσμα των οποίων δεν επηρεάζεται από ην ύπαρξη καπνού. Στις υπέρυθρες εικόνες μπορεί να υπάρξει αρνητική πληροφορία, δηλαδή αν στην εικόνα δεν παρατηρείται τίποτα το πιθανότερο είναι να μην υπάρχει πυρκαγιά, κάτι το οποίο δεν υπάρχει στις οπτικές εικόνες. 43

51 Εικόνα 3.13: εμφάνιση πυρκαγιάς σε οπτική (αριστερά) και υπέρυθρη (δεξιά) εικόνα (πηγή: Το άρθρο που μελετήθηκε για την παραπάνω εφαρμογή και εξέτασε ένα μη επανδρωμένο εναέριο σύστημα για την παρακολούθηση δασικών πυρκαγιών, δοκιμάστηκε σε πραγματικά πειράματα που αφορούσαν ελεγχόμενες πυρκαγιές. Από τα αποτελέσματα της έρευνας διαπιστώθηκε πως είναι εφικτό να χρησιμοποιηθούν τέτοια συστήματα ευρέως για την παρακολούθηση δασικών πυρκαγιών και προσδίδει οφέλη, καθώς καλύπτει το κενό που υπάρχει στις χωρικές κλίμακες που προκύπτει από τη συλλογή δεδομένων από δορυφόρους και από κάμερες τοποθετημένες σε πύργους. Τα μη επανδρωμένα συστήματα προσδίδουν την ευχέρεια της λήψης δεδομένων από απρόσιτα σημεία και δεν επηρεάζεται το αποτέλεσμα από την παρουσία καπνού. Η χρήση των μη επανδρωμένων συστημάτων έγινε σε πυρκαγιές μικρής εμβέλειας. Για την επέκταση και την ευρεία χρησιμοποίησή τους, απαραίτητη είναι η αναβάθμιση των οχημάτων και η αντικατάστασή τους από άλλα με μεγαλύτερη ανθεκτικότητα. Ακόμα, δεν έχει διευκρινιστεί εάν είναι προτιμότερο να χρησιμοποιούνται μεμονωμένα μη επανδρωμένα ε- ναέρια οχήματα ή ολόκληρα συστήματα. Σε περιπτώσεις όπου η έκταση της πυρκαγιάς είναι αρκετά μεγάλη τα μεμονωμένα οχήματα δεν είναι ικανά για να καλύψουν όλη την περιοχή, ωστόσο, μπορούν να χρησιμοποιηθούν από δασικές υπηρεσίες ή την πυροσβεστική για να παρέχουν μια συνολική άποψη από δυσπρόσιτες περιοχές. Τέλος, ένα ζήτημα που θίγεται κατά τη χρήση των εν λόγω συστημάτων είναι η ύπαρξη ή όχι, αυτονομίας των οχημάτων. Η αυτονομία αποτελεί απαραίτητο παράγοντα σε περιπτώσεις όπου δεν υπάρχει συνδεσιμότητα και έτσι η επικοινωνία με τα οχήματα είναι δύσκολη. Αυτόματη δυνατότητα πλοήγησης απαιτείται και σε περιπτώσεις που το σύστημα αποτελείται από μεγάλο αριθμό οχημάτων και ο έλεγχός τους αποτελεί μεγάλο αριθμό ανθρώπινου δυναμικού. Έτσι, η λύση δίνεται από αυτόματα συστήματα λήψης αποφάσεων. (Luis M. et.al. 2011) 44

52 Κεφάλαιο 4 Ερμηνεία δορυφορικής εικόνας υψηλής ανάλυσης δασικού περιβάλλοντος 4.1 Περιοχή μελέτης Η σχέση και η αλληλεξάρτηση του ανθρώπου με τα δάση υπήρχε από αρχαιοτάτων χρόνων, καθώς τα οφέλη που είχε ο άνθρωπος από αυτά ήταν ποικίλα. Ο άνθρωπος από την πλευρά του, σε αντίθεση με τη σημερινή εποχή, προστάτευε και σεβόταν το φυσικό περιβάλλον. Στην παρούσα εργασία μελετήθηκαν δορυφορικές εικόνες του περιαστικού δάσους της Θεσσαλονίκης, του Σέιχ Σου, που αποτελεί βασικό πνεύμονα πρασίνου για το πολεοδομικό συγκρότημα της πόλης. Το δάσος εκτείνεται στα βορειοανατολικά της πόλης και πιο συγκεκριμένα από τις Νότιες, νοτιοδυτικές πλαγιές του Χορτιάτη έως και το δρόμο Επταπυργίου Ασβεστοχωρίου. Το υψόμετρο του δάσους εκτείνεται από 50 έως 450 μέτρα, οι κλίσεις που υπάρχουν είναι κυρίως μέτριες. Το δάσος έχει συνολική έκταση ,29 στρέμματα και περιβάλλεται από αστικό ιστό τόσο στα βόρεια όσο και στα νότια όριά του. Πρέπει να αναφερθεί ότι ολόκληρο το υδρογραφικό δίκτυο της πόλης πηγάζει από το Σέιχ Σου και καταλήγει στο Θερμαϊκό κόλπο μέσω της περιφερειακής τάφρου και του χειμάρρου του Δενδροποτάμου. Το Σέιχ Σου είναι ένα τεχνητό δάσος που δημιουργήθηκε τη δεκαετία του 1930 με βασικό στόχο την αποτροπή των συχνά εμφανιζόμενων πλημμυρικών φαινομένων. Το δάσος που δημιουργήθηκε, αποτελούνταν από διάφορα είδη δρυός και οι κάτοικοι της πόλης το εκμεταλλεύτηκαν κυρίως για ξύλευση. Η εντατική υλοτομία σε συνδυασμό με την υπερβόσκηση των εκτάσεων και τη γενικότερη υπερεκμετάλλευση του δάσους οδήγησε στην υποβάθμισή του. Σε αυτό το σημείο, σκόπιμο θα ήταν να γίνει μια σύντομη ιστορική αναδρομή. Το 1921, 1300 στρέμματα κηρύχθηκαν αναδασωτέα στην περιοχή Χίλια Δέντρα. Οι αναδασώσεις συνεχίστηκαν και αυτές που έγιναν το 1929 πραγματοποιήθηκαν με τη βοήθεια καθηγητών και φοιτητών της Δασολογικής σχολής του Α.Π.Θ.. Τα είδη που φυτεύτηκαν ήταν κυρίως τραχεία πεύκη (Pinus brutia) και κατά τόπους κυπαρίσσια (Cupressus semprevirens). Οι αναδασώσεις έλαβαν χώρα έως και το Τον Ιούλιο του 1997 εκδηλώθηκε πυρκαγιά, η οποία έκαψε το 55% της συνολικής έκτασης του δάσους, δηλαδή περίπου στρέμματα. Την οικολογική αυτή καταστροφή ακολούθησαν έργα αποκατάστασης όπως αντιπλημμυρικά και 45

53 αντιδιαβρωτικά έργα και έργα αναδάσωσης και βελτίωσης της χλωρίδας. Εκτός όμως από τα παραπάνω, σημαντική ήταν και η συμβολή της φυσικής αναγέννησης, σε συνδυασμό με α- ναδασώσεις με νέα είδη. Όλα τα παραπάνω, οδήγησαν στην ανασύσταση ενός νεαρού και ευαίσθητου δάσους κατά το 55% της συνολικής έκτασής του. Τα τελευταία 20 χρόνια οι αναδασώσεις γίνονται υπό την επίβλεψη του Δασαρχείου και της Διεύθυνσης Αναδασώσεων Θεσσαλονίκης. Τέλος, πρέπει να αναφερθεί πως το δάσος του Σέιχ Σου χαρακτηρίζεται ως τοπίο ιδιαίτερου φυσικού κάλλους κατά τις διατάξεις του Ν. 1469/50. ( Εικόνα 4.1.: Χάρτης περιοχής μελέτης (πηγή: &spn= , &t=h&z=11&vpsrc=6&utm_medium=website&utm_campaign=rela tedproducts_maps&utm_source=mapseditbutton_normal) 4.2 Δορυφορικά δεδομένα KOMPSAT - 2 Η λήψη πληροφοριών και η μελέτη μιας περιοχής μπορεί να γίνει από τη μελέτη διαφόρων εικόνων όπως αεροφωτογραφίες, επίγειες και δορυφορικές λήψεις. Ωστόσο, όταν η περιοχή προς μελέτη είναι αρκετά μεγάλη, είναι προτιμότερο να χρησιμοποιούνται δορυφορικές λήψεις, καθώς αυτές μπορούν να καλύψουν μια ευρύτερη περιοχή. Ένα επιπλέον πλεονέκτημα των δορυφορικών εικόνων είναι η απόκτηση μεγάλου αριθμού απεικονίσεων σε μικρό χρονικό διάστημα που μπορούν να χρησιμοποιηθούν άμεσα. Οι δορυφορικές απεικονίσεις δημιουργούνται με τη βοήθεια ψηφιακών αισθητήρων όπου κάθε φασματική περιοχή καταγράφεται ως ένας ψηφιακός αριθμός. Αυτοί οι ψηφιακοί αριθμοί αφού μεταδοθούν στη Γη, μετατρέπονται σε επίπεδα φωτεινότητας του γκρίζου μέσω ηλεκτρονικού υπολογιστή. Έτσι, το αποτέλεσμα που προκύπτει είναι όμοιο με μια φωτογραφία. Στην παρούσα εργασία οι εικόνες που μελετήθηκαν είναι δορυφορικές λήψεις του δορυφορικού συστήματος KOMPSAT 2 (Second Korea Multi-Purpose SATelite). Το σύστημα αυτό επιτρέπει τη λήψη παγχρωματικών εικόνων (PAN) με χωρική ανάλυση 1m και τη λήψη πολυφασματικών εικόνων (MS) ανάλυση 4m. Οι φασματικές περιοχές είναι τέσσερις και αυτές είναι κατά σειρά: MS1 πράσινο, MS2 μπλε, MS3 εγγύς υπέρυθρο, MS4 κόκκινο. 46

54 Οι εικόνες του δορυφόρου αυτού, όπως υποδεικνύει και το όνομά του (Multi-Purpose), μπορούν να χρησιμοποιηθούν σε πολλές περιπτώσεις εφαρμογές, μεταξύ άλλων στην επιτήρηση καταστροφών μεγάλης κλίμακας, στην απόκτηση εικόνων υψηλής ανάλυσης από GIS που είναι ανεξάρτητες μεταξύ τους, στην εξαγωγή πληροφοριών που υπάρχουν σε τυπωμένους χάρτες και ψηφιοποίηση των τελευταίων. Γενικότερα, το δορυφορικό σύστημα KOMPSAT-2 θα βοηθήσει στη εξέλιξη των υπόλοιπων δορυφορικών συστημάτων και θα ο- δηγήσει στην απόκτηση εικόνων υψηλής ανάλυσης, μεγαλύτερης από αυτή του ενός μέτρου στην παγχρωματική και των τεσσάρων μέτρων στην πολυφασματική. Όλες οι εικόνες που προέρχονται από πολυφασματικές διατάξεις δέχονται κάποιου είδους επεξεργασία προκειμένου να μπορούν να χρησιμοποιηθούν από τους ενδιαφερόμενους. Το επίπεδο επεξεργασίας είναι 1R ή 1G. Η διαδικασία που ακολουθείται για να καταλήξει η εικόνα στο επιθυμητό επίπεδο έχει κάποια βασικά στάδια. Αρχικά γίνεται μια αυτόματη επεξεργασία, όπου από τα ακατέργαστα δεδομένα η εικόνα ανήκει στο επίπεδο L0 και μέσω της αποκατάστασης που γίνεται και την αξιολόγηση της νεφοκάλυψης το επίπεδο της εικόνας γίνεται L1Α, τα δεδομένα της οποίας είναι επεξεργασμένα και περιλαμβάνει επιπλέον βοηθητικές πληροφορίες όπως συντελεστές ραδιομετρικής και γεωμετρικής βαθμονόμησης, καθώς επίσης και παραμέτρους γεωαναφοράς. Μετά από την αυτόματη ακολουθεί μια προαιρετική επεξεργασία εικόνας που οδηγεί σε επίπεδο 1R και 1G. Στο επίπεδο 1R τα δεδομένα διορθώνονται και αποθηκεύονται σε μορφή Tiff. Στο επίπεδο 1G η εικόνα είναι πλέον γεωμετρικά διορθωμένη και στη συγκεκριμένη περίπτωση χρησιμοποιούνται βοηθητικά δεδομένα από το δορυφόρο KOMPSAT 2. Επιπρόσθετα, τα δεδομένα αποθηκεύονται σε μορφή GeoTiff. (KOMPSAT 2 Image data Manual, 2008) Η ερμηνεία όλων των εικόνων όπως και η επεξεργασία τους έγινε με το πρόγραμμα Erdas Imagine 11 (Classic Interface). 4.3 Ερμηνεία δορυφορικών εικόνων Όπως προαναφέρθηκε, οι εικόνες που μελετήθηκαν ήταν δορυφορικές λήψεις του κορεάτικου δορυφόρου KOPMSAT 2. Η πολυφασματική εικόνα έχει τέσσερις φασματικές περιοχές (ορατό πράσινο, ορατό μπλε, εγγύς υπέρυθρο, ορατό κόκκινο) με χωρική ανάλυση 4m. Οι εικόνες των τεσσάρων φασματικών περιοχών φαίνονται παρακάτω και στη συνέχεια θα γίνει η οπτική ερμηνεία τους σύμφωνα με τα στοιχεία ερμηνείας των εικόνων. Τα βασικά κριτήρια ερμηνείας των εικόνων όπως έχουν αναφερθεί και στο υποκεφάλαιο 1.3 είναι: το μέγεθος, που σχετίζεται πάντα με την κλίμακα της εικόνας, το σχήμα, που βοηθά στη διάκριση φυσικών και ανθρωπογενών αντικειμένων, η σκιά, που διευκολύνει την αναγνώριση αντικειμένων με ύψος, ο τόνος, που αντιπροσωπεύει την ανακλώμενη ενέργεια από τα διαφορετικά εδαφικά χαρακτηριστικά, η υφή, που βοηθά στην αντίληψη του τραχειού ή του λείου και η σχέση με 47

55 τον περιβάλλοντα χώρο, που βοηθά στην αναγνώριση αντικειμένων σχετίζοντάς τα με τα γειτονικά τους. Εικόνα 4.2.: Φασματική περιοχή MS1 (ορατό πράσινο) 48

56 Εικόνα 4.3.: Φασματική περιοχή MS2 (ορατό μπλε) Εικόνα 4.4.: Φασματική περιοχή MS3 (εγγύς υπέρυθρο) 49

57 Εικόνα 4.5.: Φασματική περιοχή MS4 (ορατό κόκκινο) Εικόνα 4.6.: Παγχρωματική εικόνα (pan) 50

58 Εικόνα 4.7.: Έγχρωμο σύνθετο (layer stack) Η πρώτη φασματική περιοχή ανήκει στο ορατό πράσινο (MS1 Green) που αντιστοιχεί σε μήκος κύματος nm. Σύμφωνα με τη βιβλιογραφία σε αυτή τη φασματική περιοχή δίνεται έμφαση σε θέματα βλάστησης. Πράγματι, στην αντίστοιχη εικόνα διακρίνεται σχετικά εύκολα το δάσος του Σέιχ Σου στο νοτιοανατολικό τμήμα της εικόνας και είναι εύκολο να τεθούν τα όριά του, καθώς αυτό απεικονίζεται με το σκούρο γκρι χρώμα. Η δεύτερη φασματική περιοχή του δορυφόρου ανήκει στο ορατό μπλε (MS2 Blue), το μήκος κύματος του οποίου κυμαίνεται από nm. Σε αυτό το μήκος κύματος γίνεται διάκριση του δάσους από τη βλάστηση. Παρατηρώντας την εικόνα του ορατού μπλε μπορούν να αναγνωρισθούν δασικοί δρόμοι και μονοπάτια του περιαστικού δάσους, όπως και τμήματα του περιφερειακού οδικού δικτύου της πόλης που περνούν μέσα από το δάσος. Το οδικό δίκτυο (δρόμοι διαφόρων κατηγοριών) εμφανίζονται ευκρινώς στη φασματική περιοχή του ορατού πράσινου και του ορατού κόκκινου. Η επόμενη φασματική περιοχή του KOMPSAT 2 είναι το εγγύς υπέρυθρο (MS NIR) ( nm). Σε αυτά τα μήκη κύματος εντοπίζονται με μεγαλύτερη ευκολία οι ακτογραμμές. Αυτό είναι εμφανές και στην αντίστοιχη εικόνα όπου ο Θερμαϊκός κόλπος φαίνεται με σαφώς σκουρότερο τόνο του γκρι σε σχέση με όλα τα υπόλοιπα στοιχεία της εικόνας. Επί- 51

59 σης, σε σχέση με τις υπόλοιπες πολυφασματικές εικόνες σε αυτή του εγγύς υπέρυθρου διακρίνεται εύκολα το πλούσιο υδρογραφικό δίκτυο του δάσους. Η τελευταία φασματική περιοχή του δορυφόρου είναι το ορατό κόκκινο (MS4 Red) με μήκος κύματος nm. Αυτό το μήκος κύματος χρησιμοποιείται περισσότερο για ανάλυση θεμάτων βλάστησης, όπως και το ορατό πράσινο. Πράγματι, στην εικόνα του ορατού κόκκινου το δάσος διαχωρίζεται εύκολα από την πόλη. Επιπλέον, στο δάσος μπορούν να εντοπισθούν κατά τόπους περιοχές με νεαρή βλάστηση και να διακριθούν από τα τμήματα παλαιάς βλάστησης. Σε αυτή τη διάκριση βοηθά κυρίως ο τόνος του γκρίζου, καθώς στα τμήματα με νεαρή βλάστηση είναι ανοιχτότερος λόγω της μικρής πυκνότητας και ανάπτυξης των δέντρων. Η παγχρωματική εικόνα του KOMPSAT 2 αντιστοιχεί σε μήκος κύματος nm. Η χωρική της ανάλυση της είναι μεγαλύτερη από αυτή των φασματικών περιοχών, δηλαδή 1m. Αυτό παρέχει τη δυνατότητα αναγνώρισης ακόμη και λεπτομερειών που στις πολυφασματικές δε θα ήταν ευδιάκριτες ή δε θα φαίνονταν καθόλου. Σε αυτή την εικόνα αναγνωρίζονται κάποιοι γνωστοί χώροι, όπως είναι το θέατρο Γης και λίγο παραπάνω το θέατρο δάσους, αλλά διακρίνονται και άλλες εγκαταστάσεις, όπως είναι κάποια παρατηρητήρια και κάποιοι χώροι δασικής αναψυχής, με μεγάλη ακρίβεια. Ακόμα, το ανάγλυφο του δάσους και τα ρέματά του εντοπίζονται πολύ εύκολα. Τέλος, στην παγχρωματική εικόνα μπορεί πλέον να διακριθεί με μεγάλη ευκολία η παλαιότερη από τη νεαρή βλάστηση και να φανούν κατά τόπους γυμνά τμήματα του δάσους, λόγω της πολύ μεγάλης χωρικής ανάλυσης. Η τελευταία εικόνα που θα ερμηνευθεί σε αυτό το σημείο είναι αυτή του έγχρωμου σύνθετου που είναι ο συνδυασμός των τεσσάρων φασματικών περιοχών. Τα βήματα που ακολουθούνται για τη δημιουργία αυτής της εικόνας φαίνονται στην εικόνα που ακολουθεί. Πολύ βασικό είναι να σημειωθεί πως οι φασματικές περιοχές που θα προστεθούν πρέπει να είναι με τη σειρά red, green, blue, near infrared, διαφορετικά τα αποτελέσματα που θα προκύψουν θα είναι διαστρεβλωμένα. Στο έγχρωμο σύνθετο η εμφάνιση της βλάστησης είναι έντονη και διακρίνεται με κόκκινο χρώμα και γραμμικά στοιχεία όπως η περιφερειακή αστική οδός αλλά και άλλοι δρόμοι διαφόρων κατηγοριών στο δάσος είναι εμφανή. 52

60 Εικόνα 4.8.: Πλαίσιο διαλόγου για δημιουργία έγχρωμου σύνθετου (4,3,2) 4.4 Μελέτη τμήματος της περιοχής του Σέιχ Σου (subset) Το <<subset>> (υποσύνολο) είναι μια διαδικασία απομόνωσης ενός τμήματος που μας ενδιαφέρει από μια ευρύτερη περιοχή σε μία εικόνα. Η ενέργεια αυτή βοηθά στην ευκολότερη ερμηνεία της περιοχής που μας ενδιαφέρει, αφού εξαλείφονται δεδομένα που δε θα μελετηθούν, καθώς επίσης και τη γρηγορότερη επεξεργασία της εικόνας, αφού το αρχείο που προκύπτει είναι μικρότερου μεγέθους από το αρχικό. Υπάρχουν αρκετοί τρόποι για να εφαρμοστεί το <<subset>>, στη συγκεκριμένη περίπτωση όμως έγινε από τα AOI tools (Area of Interest). Έτσι, από την αρχική εικόνα, χρησιμοποιώντας τα εργαλεία AOI και επιλέγοντας το ορθογώνιο περικλείουμε μέσα σε αυτό την περιοχή που θέλουμε να αποκόψουμε. Εικόνα 4.9.: Η εργαλειοθήκη AOI (Area of Interest) 53

61 Εικόνα 4.10.: Εφαρμογή subset στο τμήμα ενδιαφέροντος Το <<subset>> εφαρμόστηκε σε τρεις διαφορετικές εικόνες, στην παγχρωματική (pan), στο έγχρωμο σύνθετο (4,3,2) και στην εικόνα που προέκυψε από τη διαδικασία pansharpen. Αξίζει να γίνει μια αναφορά στη σημασία της εικόνας pansharpen και μια αδρομερής περιγραφή του τρόπου δημιουργίας της. Η τεχνική pansharpen ακολουθεί μια διαδικασία κατά την οποία συνενώνονται μια παγχρωματική εικόνα υψηλής χωρικής ανάλυσης με πολυφασματικές εικόνες χαμηλής χωρικής ανάλυσης. Το αποτέλεσμα που προκύπτει είναι η λήψη μιας έγχρωμης εικόνας από τη συνένωση των τεσσάρων φασματικών περιοχών που ταυτόχρονα έχει υψηλή χωρική ανάλυση όπως αυτή της παγχρωματικής εικόνας. Έτσι, στη συγκεκριμένη εικόνα οι λεπτομέρειες της περιοχής διακρίνονται πολύ πιο εύκολα από τις υπόλοιπες και σε αυτό βοηθά και η μεγάλη χωρική ανάλυση αλλά και τα χρώματα που αντιστοιχούν σε κάθε αντικείμενο. Η συγχώνευση των εικόνων (Resolution Merge) που περιγράφηκε παραπάνω γίνεται με βάση μια συγκεκριμένη εξίσωση. Αυτή είναι η ακόλουθη: [DN B1 / DN B1 + DN B2 + DN Bn ] x [DN εικόνα υψηλής ανάλυσης ] = DN B1_νέο [DN B2 / DN B1 + DN B2 + DN Bn ] x [DN εικόνα υψηλής ανάλυσης ] = DN B2_νέο κλπ., όπου Β οι φασματικές περιοχές 54

62 Εικόνα 4.11.: Πλαίσιο διαλόγου για δημιουργία εικόνας pansharpen Εικόνα 4.12.: Subset παγχρωματικής εικόνας 55

63 Εικόνα 4.13.: Subset έγχρωμου σύνθετου Εικόνα 4.14.: Subset εικόνας pansharpen 56

64 Η περιοχή της εικόνας που επιλέχθηκε για να γίνει το <<subset >> είναι περίπου στο κέντρο του περιαστικού δάσους και στο τμήμα αυτό υπάρχουν πέντε μεγάλα τμήματα υδρογραφικού δικτύου. Σε σύγκριση που έγινε με άλλους χάρτες (τοπογραφικοί χάρτες ΓΥΣ 1:10000, 1:50000) αναγνωρίστηκαν τα πέντε ρέματα. Από αριστερά προς τα δεξιά αυτά είναι: το ρέμα Διαγόρα, στο επόμενο δεν έχει αποδοθεί όνομα, στη συνέχεια το ρέμα Περεβού, μετά το ρέμα Ουτσάρσο και τέλος το Μεγάλο ρέμα. Από έρευνα που εκπονήθηκε από τον Μπούσδρα Θ. μπορούν να αντληθούν κάποια δεδομένα για τα προαναφερθέντα ρέματα, όπως φαίνονται στον παρακάτω πίνακα. ΡΕΜΑ ΕΜΒΑΔΟΝ ΚΛΙΣΗ Διαγόρα 0,869 10,236 Περεβού 0,908 8,014 Ουτσάρσο 1,736 10,345 Μεγάλο ρέμα 1,114 14, Βελτιώσεις των εικόνων subset Η βελτίωση των εικόνων περιλαμβάνει διαδικασίες και τεχνικές που στοχεύουν στην οπτική βελτίωσή τους, έτσι ώστε η ερμηνεία και η επεξεργασία τους να γίνονται πιο εύκολα, πιο γρήγορα και με μεγαλύτερη ακρίβεια. Η εφαρμογή βελτιώσεων οδηγεί στην αναβάθμιση της ποιότητας των φωτογραμμετρικών προϊόντων που προέρχονται από ψηφιακές εικόνες, καθώς επίσης και στη μείωση του κόστους παραγωγής τους. Οι τεχνικές βελτίωσης είναι πολλές, μπορούν όμως να κατηγοριοποιηθούν σε τρεις βασικές. Αυτές είναι η Ραδιομετρική, η Χωρική και η Φασματική βελτίωση. Στις δορυφορικές εικόνες που χρησιμοποιήθηκαν στην παρούσα εργασία, εφαρμόστηκαν οι δύο πρώτες βελτιώσεις. Η Ραδιομετρική βελτίωση, είναι ένας τρόπος βελτίωσης της εικόνας που γίνεται με τη βοήθεια των τιμών των διαφορετικών εικονοστοιχείων (pixels) που βρίσκονται στην ίδια φασματική περιοχή. Αφορά κυρίως με θέματα διαχείρισης της αντίθεσης. Σε κάθε εικονοστοιχείο μιας εικόνας αντιστοιχεί ένας αριθμός που εκφράζει τη φωτεινότητα της συγκεκριμένης περιοχής. Ωστόσο, σε περιοχές με χαμηλή φωτεινότητα, όπου όλα τα στοιχεία έχουν μικρές τιμές, υ- πάρχει μικρή αντίθεση μεταξύ των εικονιζόμενων αντικειμένων οπότε είναι δύσκολο να αναγνωρισθούν. Υπάρχουν αρκετοί τρόποι Ραδιομετρικής βελτίωσης σε αυτή την περίπτωση όμως χρησιμοποιήθηκε η εξομοίωση ιστογράμματος που βοηθά στο να υπάρχει μια γενική εικόνα της φωτεινότητας σε όλα τα σημεία. Το ιστόγραμμα είναι ένα διάγραμμα που στον ά- ξονα των τετμημένων έχει τους ψηφιακούς αριθμούς και στον άξονα των τεταγμένων τον αριθμό των εικονοστοιχείων. Η εξομοίωση ιστογράμματος δίνει τη δυνατότητα επέκτασης των ψηφιακών αριθμών σε όλα το διαθέσιμο εύρος με μη γραμμικό τρόπο έτσι ώστε να υ- 57

65 πάρχει πιο ομοιόμορφη κατανομή των τιμών σε όλο το εύρος. Ακολουθούν τα ιστογράμματα των εικόνων πριν και μετά την εξομοίωση ιστογράμματος, καθώς επίσης οι αρχικές και οι βελτιωμένες εικόνες. Εικόνα 4.15.: Ιστογράμματα πριν και μετά την εξομοίωση παγχρωματικής εικόνας Εικόνα 4.16.: Ιστογράμματα πριν και μετά τη βελτίωση έγχρωμου σύνθετου 58

66 Εικόνα 4.17.: Ιστογράμματα πριν και μετά την εξομοίωση εικόνας pansharpen Εικόνα 4.18.: Παγχρωματική εικόνα πριν και μετά την εξομοίωση ιστογράμματος 59

67 Εικόνα 4.19.: Έγχρωμο σύνθετο πριν και μετά την εξομοίωση ιστογράμματος Εικόνα 4.20.: Εικόνα pansharpen πριν και μετά την εξομοίωση ιστογράμματος Μετά την εφαρμογή της εξομοίωσης ιστογράμματος η διαφορά στις βελτιωμένες εικόνες είναι εμφανής. Το ανάγλυφο της περιοχής διακρίνεται καλύτερα και υδρογραφικό δίκτυο ε- ντοπίζεται σαφώς ευκολότερα. Η Χωρική βελτίωση τροποποιεί τις τιμές των μεμονωμένων εικονοστοιχείων με βάση τις τιμές των γειτονικών τους. Στη συγκεκριμένη εργασία εφαρμόστηκαν κάποια Χωρικά φίλτρα. Τα βήματα που ακολουθήθηκαν για την επιλογή των φίλτρων φαίνονται στη συνέχεια όπως και η επιλογή φίλτρων. Στην παρούσα εργασία χρησιμοποιήθηκαν το High pass και το Edge enhance. 60

68 Εικόνα 4.21.: Πλαίσιο διαλόγου για επιλογή φίλτρων Τα φίλτρα συνέλιξης <<Convolution Filtering>> επιτρέπουν τον υπολογισμό του μέσου όρου μικρών συνόλων εικονοστοιχείων μιας εικόνας και με αυτό τον τρόπο μεταβάλλουν τα χαρακτηριστικά της χωρικής συχνότητας μιας εικόνας. Κατά τη διαδικασία επιλογής φίλτρου μπορεί να επιλεγεί ένας πυρήνας συνέλιξης (kernel) από την υπάρχουσα βιβλιοθήκη (kernel library), αλλά υπάρχει και η δυνατότητα δημιουργίας νέου. Αυτός ο πυρήνας είναι ένα μητρώο αριθμών που βοηθά στο υπολογισμό του μέσου όρου κάθε εικονοστοιχείου με τα γειτονικά του. Οι τιμές του πίνακα που δημιουργείται ονομάζονται συντελεστές. Κάθε συντελεστής του πυρήνα συνέλιξης πολλαπλασιάζεται με την τιμή του αντίστοιχου εικονοστοιχείου, τα γινόμενα που προκύπτουν προστίθενται και το άθροισμα που προκύπτει διαιρείται δια το ά- θροισμα των συντελεστών του πυρήνα. 61

69 Εικόνα 4.22.: Λίστα επιλογής φίλτρων Τα φίλτρα που χρησιμοποιήθηκαν ήταν δύο. Το πρώτο ήταν το Υψηλοπερατό φίλτρο (High Pass Filter), το οποίο δίνει έμφαση στις λεπτομέρειες γιατί αναδεικνύει τις ακμές της εικόνας. Το άλλο φίλτρο που χρησιμοποιήθηκε ήταν αυτό της ενίσχυσης ακμών (Edge Enhance) Ακολουθούν οι αρχικές και οι βελτιωμένες εικόνες με την εφαρμογή χωρικών φίλτρων. Εικόνα 4.23.: Αριστερά: αρχική παγχρωματική εικόνα, κέντρο: εφαρμογή φίλτρου High Pass, δεξιά: εφαρμογή φίλτρου Edge Enhance Εικόνα 4.24.: Αριστερά: αρχική εικόνα έγχρωμου σύνθετου, κέντρο: εφαρμογή φίλτρου High Pass, δεξιά: εφαρογή φίλτρου Edge Enhance 62

70 Εικόνα 4.25.: Αριστερά: αρχική εικόνα pansharpen, κέντρο: εφαρμογή φίλτρου High Pass, δεξιά: εφαρμογή φίλτρου Edge Enhance Μια άλλη μορφή χωρικής βελτίωσης που χρησιμοποιήθηκε ήταν η εφαρμογή φίλτρου non directional edge (Sobel Filter) που συνδυάζει δύο φίλτρα σε οριζόντια και κατακόρυφη διεύθυνση. Με την εφαρμογή αυτών των φίλτρων οι ακμές ανιχνεύονται ευκολότερα. Το πλαίσιο διαλόγου για αυτού του είδους τη βελτίωση, όπως επίσης και οι βελτιωμένες εικόνες φαίνονται στη συνέχεια. Εικόνα 4.26.: Πλαίσιο διαλόγου για την εφαρμογή non directional edge 63

71 Εικόνα 4.27.: Non directional edge στην παγχρωματική εικόνα Εικόνα 4.28.: Non directional edge στο έγχρωμο σύνθετο 64

72 Εικόνα 4.29.: Non directional edge στην εικόνα pansharpen. Παρατηρώντας τις εικόνες που προέκυψαν μετά από τις προαναφερθείσες βελτιώσεις, μπορεί να φανεί ότι κάποια σημεία τους είναι σαφώς πιο ευδιάκριτα σε σχέση με τις αρχικές. Αυτά που διακρίνονται καλύτερα σε όλες σχεδόν τις βελτιωμένες εικόνες είναι κυρίως τα γραμμικά στοιχεία. Σε όλες τις εικόνες που προέκυψαν από τη χωρική βελτίωση το υδρογραφικό δίκτυο διαφαίνεται καθαρά και αρκετά ευκρινέστερα από τις αρχικές. Επιπλέον, στη βελτιωμένη εικόνα του έγχρωμου σύνθετου διαχωρίζονται πιο εύκολα περιοχές με πλούσια βλάστηση (έντονο κόκκινο) απο αυτές με αραιότερη ή τις γυμνές (ανοιχτόχρωμο κόκκινο - άσπρο). Στις χωρικά βελτιωμένες εικόνες και πάλι διακρίνονται καλύτερα τα γραμμικά στοιχεία και πιο συγκεκριμένα εφαρμόζοντας την επιλογή <<non directional edge>> το οδικό δίκτυο της περιοχής φαίνεται με τόση ακρίβεια ώστε θα μπορούσαν να αναγνωρισθούν και οι διάφορες κατηγορίες των δασικών δρόμων που συναντώνται. 4.6 Εφαρμογή Δείκτη Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI) Στη φωτογραμμετρία και την τηλεπισκόπηση πολλές φορές χρησιμοποιούνται ποικίλοι δείκτες που βοηθούν στη λήψη πληροφοριών που είτε δε φαίνονται καθόλου, είτε δεν είναι τόσο εμφανείς στις αρχικές ή και τις βελτιωμένες εικόνες. Χρησιμοποιώντας τους δείκτες, δημιουργούνται νέες εικόνες μέσω του μαθηματικού συνδυασμού των τιμών των ψηφιακών αριθμών που υπάρχουν στις διαφορετικές φασματικές περιοχές. Η δομή τους μπορεί να είναι απλή 65

73 (φασματική περιοχή Χ φασματική περιοχή Υ) ή πιο σύνθετη (φασματική περιοχή Χ φασματική περιοχή Υ / φασματική περιοχή Χ + φασματική περιοχή Υ). Ένας από τους πιο γνωστούς δείκτες λόγους είναι αυτός της κανονικοποιημένης βλάστησης ή αλλιώς NDVI (Normalized Difference Vegetation Index). Αυτός ο δείκτης χρησιμοποιείται κυρίως για θέματα ανάλυσης βλάστησης, καθώς αναδεικνύουν ακόμη και μικρές διαφορές που υπάρχουν στη βλάστηση. Μέσω αυτού του δείκτη μπορούν να οξυνθούν διαφορές που δε μπορούν να παρατηρηθούν στις αρχικές εικόνες και επιπλέον η επίδραση της σκιάς μπορεί να ελαχιστοποιηθεί. Η μορφή αυτού του δείκτη είναι η εξής: NDVI = (εγγύς υπέρυθρο ορατό κόκκινο)/(εγγύς υπέρυθρο + ορατό κόκκινο) (Φωτογραμμετρία Τηλεπισκόπηση, Ειδικά Θέματα Φωτογραμμετρίας, σημειώσεις μαθημάτων, Λαζαρίδου Μ., Πάτμιος Ε., 2013) Μέσω του προγράμματος Erdas Imagine υπάρχουν δύο τρόποι να εφαρμοστεί ένας δείκτης. Ο ένας τρόπος είναι με τη χρήση ενός προκατασκευασμένου μοντέλου που χρησιμοποιεί τις φασματικές περιοχές ανάλογα με το δορυφόρο από τον οποίο λήφθηκαν οι εικόνες και ο άλλος τρόπος είναι η κατασκευή ενός μοντέλου από την αρχή. Στη συγκεκριμένη περίπτωση χρησιμοποιήθηκε ο δεύτερος τρόπος στην εικόνα του έγχρωμου σύνθετου της ευρύτερης περιοχής. Ο λόγος ήταν ότι οι φασματικές περιοχές του δορυφόρου KOMPSAT ακολουθούν διαφορετική σειρά από αυτή των υπόλοιπων δορυφόρων και έτσι έπρεπε να δημιουργηθεί ένα καινούριο μοντέλο. Ακολουθεί το πλαίσιο διαλόγου για τη δημιουργία του νέου μοντέλου, καθώς επίσης η εργαλειοθήκη της επιλογής αυτής και η δομή του μοντέλου και τελικά παρουσιάζονται οι εικόνες που προέκυψαν από τη εφαρμογή του δείκτη. Εικόνα 4.30.: Πλαίσιο διαλόγου για τη δημιουργία νέου μοντέλου δείκτη 66