ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ/ΚΑΛΥΨΗΣ ΓΗΣ ΜΕ ΤΗΝ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗ ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΩΝ SPOT

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΡΓΑΣΤΗΡΙΟ ΔΑΣΙΚΗΣ ΔΙΑΧΕΙΡΙΣΤΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΔΙΕΥΘΥΝΤΗΣ ΕΡΓΑΣΤΗΡΙΟΥ: ΚΑΘΗΓΗΤΗΣ ΚΑΡΤΕΡΗΣ ΜΙΧΑΛΗΣ ΕΠΙΒΛΕΠΩΝ: ΕΠΙΚΟΥΡΟΣ ΚΑΘΗΓΗΤΗΣ ΓΗΤΑΣ ΙΩΑΝΝΗΣ ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ/ΚΑΛΥΨΗΣ ΓΗΣ ΜΕ ΤΗΝ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗ ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΩΝ SPOT ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ του ΔΗΜΗΤΡΑΚΟΠΟΥΛΟΥ ΚΩΝΣΤΑΝΤΙΝΟΥ ΘΕΣΣΑΛΟΝΙΚΗ 2010

2 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΣΧΟΛΗ ΔΑΣΟΛΟΓΙΑΣ ΚΑΙ ΦΥΣΙΚΟΥ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΕΡΓΑΣΤΗΡΙΟ ΔΑΣΙΚΗΣ ΔΙΑΧΕΙΡΙΣΤΙΚΗΣ ΚΑΙ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΔΙΕΥΘΥΝΤΗΣ ΕΡΓΑΣΤΗΡΙΟΥ: ΚΑΘΗΓΗΤΗΣ ΚΑΡΤΕΡΗΣ ΜΙΧΑΛΗΣ ΕΠΙΒΛΕΠΩΝ: ΕΠΙΚΟΥΡΟΣ ΚΑΘΗΓΗΤΗΣ ΓΗΤΑΣ ΙΩΑΝΝΗΣ ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ/ΚΑΛΥΨΗΣ ΓΗΣ ΜΕ ΤΗΝ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗ ΤΑΞΙΝΟΜΗΣΗ ΕΙΚΟΝΩΝ SPOT ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ του ΔΗΜΗΤΡΑΚΟΠΟΥΛΟΥ ΚΩΝΣΤΑΝΤΙΝΟΥ ΕΞΕΤΑΣΤΙΚΗ ΕΠΙΤΡΟΠΗ Ι. ΓΗΤΑΣ Μ. ΚΑΡΤΕΡΗΣ Μ. ΤΣΑΚΙΡΗ-ΣΤΡΑΤΗ ΘΕΣΣΑΛΟΝΙΚΗ

3 ΠΕΡΙΕΧΟΜΕΝΑ ΠΕΡΙΕΧΟΜΕΝΑ...3 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ...4 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ...6 ΕΥΧΑΡΙΣΤΙΕΣ...7 ΠΕΡΙΛΗΨΗ ΕΙΣΑΓΩΓΗ ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ Η χαρτογράφηση χρήσης/κάλυψης γης Γενικά Η σημασία του χάρτη χρήσης/κάλυψης γης σαν διαχειριστικό εργαλείο σε τοπικό, και εθνικό επίπεδο Αναδρομή στις μεθόδους και τεχνικές χαρτογράφησης Τεχνικές της δορυφορικής τηλεπισκόπησης για την χαρτογράφηση χρήσης/κάλυψης γης Αντικειμενοστραφής ανάλυση δορυφορικών εικόνων Χρήση της αντικειμενοστραφούς ταξινόμησης εικόνας για την χαρτογράφηση χρήσεων/κάλυψης γης Βασικές έννοιες της αντικειμενοστραφούς ανάλυσης εικόνας Σύνοψη κεφαλαίου ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ Περιγραφή των περιοχών μελέτης Πρώτη περιοχή μελέτης Δεύτερη περιοχή μελέτης Δεδομένα Το δορυφορικό σύστημα SPOT Χάρτες χρήσης/κάλυψης από ταξινόμηση εικόνων LANDSAT-5 TM Σύνοψη κεφαλαίου ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΤΩΝ ΔΕΔΟΜΕΝΩΝ Γεωμετρική διόρθωση Γενικά Εφαρμογή στις εικόνες SPOT Ατμοσφαιρική διόρθωση Ατμοσφαιρικές επιδράσεις Ατμοσφαιρική διόρθωση και η σημασία αυτής Μέθοδοι ατμοσφαιρικής διόρθωσης

4 4.2.4 Η διαδικασία κανονικοποίησης της εικόνας (image normalization), χρησιμοποιώντας ρύθμιση του ιστογράμματος Σύνοψη κεφαλαίου ΑΝΑΠΤΥΞΗ ΤΟΥ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΜΟΝΤΕΛΟΥ ΤΑΞΙΝΟΜΗΣΗΣ ΓΙΑ ΤΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ/ΚΑΛΥΨΗΣ ΓΗΣ ΜΕ ΕΙΚΟΝΕΣ SPOT Ανάπτυξη αντικειμενοστραφούς μοντέλου ταξινόμησης Θεωρητικό υπόβαθρο Κατάτμηση πολλαπλής ανάλυσης (Multiresolution Segmentation) Ταξινόμηση Διεργασίες (Processes) Κανόνες Ανάπτυξη του αντικειμενοστραφούς μοντέλου Εκτίμηση της ακρίβειας της ταξινόμησης και σύγκριση με το προϊόν του LANDSAT Εκτίμηση της ακρίβειας της ταξινόμησης (θεωρητικό υπόβαθρο) Εκτίμηση της ακρίβειας των ταξινομήσεων και σύγκριση επικαλυπτόμενων περιοχών Σύνοψη κεφαλαίου ΜΕΤΑΦΟΡΑ ΤΟΥ ΜΟΝΤΕΛΟΥ ΤΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΤΑΞΙΝΟΜΗΣΗΣ ΣΤΗ 2 η ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ Εφαρμογή του δενδροδιαγράμματος ροής της 1 ης εφαρμογης Εκτίμηση της ακρίβειας της ταξινόμησης και σύγκριση με το προϊόν του LANDSAT Σύνοψη κεφαλαίου ΓΕΝΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ & ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ Γενικά συμπεράσματα Προτάσεις για μελλοντική έρευνα ΒΙΒΛΙΟΓΡΑΦΙΑ SUMMARY ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ Εικόνα 1: Διεργασία κατανόησης εικόνας. 1: Παρατηρείται ένα κόκκινο σφαιρικό αντικείμενο. 2: Δίπλα αναγνωρίζεται μια ανθρώπινη φιγούρα. 3: Αναγνωρίζεται ένα μπλε φόντο. 4: Οι δυο πρώτες εικόνες συνδυάζονται και τοποθετούνται μπροστά από το φόντο. Αποτέλεσμα, η τελική εικόνα που αναγνωρίζεται ως ένας άνθρωπος που παίζει με μια μπάλα, με φόντο τον ουρανό...28 Εικόνα 2: Ιεραρχικό δίκτυο αντικειμένων εικόνας...29 Εικόνα 3: Ροή εργασιών αντικειμενοστραφούς ανάλυσης εικόνας...30 Εικόνα 4: Όρια των δυο περιοχών μελέτης...34 Εικόνα 5: Πρώτη περιοχή μελέτης...35 Εικόνα 6: Πευκοδάσος χαλεπίου πεύκης με υπόροφο μακίας βλάστησης

5 Εικόνα 7: Η δεύτερη περιοχή μελέτης...37 Εικόνα 8: Δασολίβαδο του Ν. Τρικάλων (περιοχή Περτουλίου) με κυρίαρχο είδος την υβριδογενή ελάτη...39 Εικόνα 9: Οι δυο δορυφορικές εικόνες SPOT-4 που χρησιμοποιήθηκαν στην μελέτη...41 Εικόνα 10: Δυνατότητες σάρωσης των απεικονιστών του SPOT Εικόνα 11: Φασματική ανάλυση των απεικονιστών, και τρόπος σάρωσης του SPOT Εικόνα 12: Διαδικασία γεωμετρικής διόρθωσης. A1 με A4 τα σημεία ελέγχου, B1 με B4 οι αληθινές συντεταγμένες του χάρτη (Πηγή: CCRS)...48 Εικόνα 13: Μέθοδοι αναδειγματοληψίας: α) πλησιέστερης γειτονιάς, b) διγραμμικής παρεμβολής, γ) κυβικής συστροφής (Πηγή: CCRS)...49 Εικόνα 14: Μοντέλο γεωμετρικής διόρθωσης εικόνων SPOT...50 Εικόνα 15: Επιλογή σημείων ελέγχου κατά την εγγραφή εικόνας σε εικόνα...51 Εικόνα 16: Η πορεία της ηλεκτρομαγνητικής ακτινοβολίας κατά την ανάκλασή της από το έδαφος και την καταγραφή της από τον απεικονιστή της δορυφορικής πλατφόρμας (Πηγή: CCRS)...53 Εικόνα 17: Μετατόπιση των ψηφιακών τιμών των εικονοστοιχείων στους φασματικούς διαύλους της εικόνας, λόγω ατμοσφαιρικών επιδράσεων...57 Εικόνες 18 (πάνω) και 19 (κάτω): Αριστερά οι διορθωμένες εικόνες απαλλαγμένες από ατμοσφαιρικές επιδράσεις. Δεξιά οι εικόνες όπως ήταν πριν, με εμφανές το φαινόμενο της «γαλάζιας θολούρας»...58 Εικόνες 20 (πάνω) και 21 (κάτω): Αριστερά τα διαγράμματα των φασματικών υπογραφών πριν την ατμοσφαιρική διόρθωση και δεξιά μετά. Είναι εμφανής η πτώση των τιμών των ψηφιακών τιμών των εικονοστοιχείων ειδικά στον πράσινο δίαυλο...59 Εικόνα 22: Διάγραμμα ροής της μεθοδολογίας, για την επίτευξη των στόχων της μελέτης...62 Εικόνα 23: Επεξήγηση των κριτηρίων που ρυθμίζουν την κατάτμηση πολλαπλής ανάλυσης...64 Εικόνα 24: Αριστερά η περιγραφή της κλάσης με τους λογικούς τελεστές για τις συναρτήσεις συμμετοχής. Δεξιά η συνάρτηση συμμετοχής και ο καθορισμός του τύπου της και των ορίων των τιμών της...66 Εικόνα 25: Διάγραμμα ροής εφαρμογής διεργασιών, σε τομείς αντικειμένων της εικόνας...68 Εικόνα 26: Η σειρά των διεργασιών, και οι τομείς εργασίας που εφαρμόστηκαν στο αντικειμενοστραφές μοντέλο ταξινόμησης...69 Εικόνα 27: Στην προηγούμενη σελίδα φαίνεται το πρώτο επίπεδο αντικειμένων που δημιουργήθηκε, ενώ ακριβώς από πάνω το δενδροδιάγραμμα ροής των διεργασιών του...71 Εικόνα 28: Αριστερά η εικόνα πριν, και δεξιά μετά την κατάτμησή της...71 Εικόνα 29: : Το δενδροδιάγραμμα ροής διεργασιών του δεύτερου επιπέδου, και η διεργασία εξαγωγής των πολυγώνων της ταξινόμησης...73 Εικόνα 30: Αριστερά η εικόνα πριν την επεξεργασία για τη αφαίρεση των σύννεφων και των σκιών (στο πάνω κομμάτι είναι εμφανή, με γαλάζιο και κόκκινο χρώμα αντίστοιχα), και δεξιά το τελικό διανυσματικό αρχείο...74 Εικόνα 31: Διάγραμμα ροής εργασιών για την ολοκλήρωση του χάρτη...74 Εικόνα 32: Ο χάρτης χρήσης/κάλυψης γης της πρώτης περιοχής μελέτης, όπως προέκυψε από την αντικειμενοστραφή ταξινόμηση εικόνας SPOT Εικόνα 33: Οι πηγές των σφαλμάτων όπως αυτές συσσωρεύονται κατά τα στάδια επεξεργασίας της εικόνας, προς το τελικό χαρτογραφικό προϊόν...76 Εικόνα 34: Τα σημεία ελέγχου της πρώτης περιοχής μελέτης που χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας της ταξινόμησης...80 Εικόνα 35: Το δενδροδιάγραμμα ροής του αντικειμενοστραφούς μοντέλου ταξινόμησης της πρώτης εφαρμογής

6 Εικόνα 36: Πάνω, το πρώτο επίπεδο αντικειμένων που δημιουργήθηκε, ενώ κάτω το δενδροδιάγραμμα ροής των διεργασιών του...89 Εικόνα 37: Αριστερά η εικόνα πριν, και δεξιά μετά την κατάτμησή της...90 Εικόνα 38: Αριστερά η εικόνα πριν την επεξεργασία για τη αφαίρεση των σύννεφων και των σκιών (στο κάτω δεξιά κομμάτι είναι εμφανή με γαλάζιο και κόκκινο χρώμα αντίστοιχα), και δεξιά το τελικό διανυσματικό αρχείο...92 Εικόνα 39: Το δενδροδιάγραμμα ροής διεργασιών του δεύτερου επιπέδου, και η διεργασία εξαγωγής των πολυγώνων της ταξινόμησης...92 Εικόνα 40: Το διάγραμμα ροής των εργασιών για την ολοκλήρωση του χάρτη...92 Εικόνα 41: Ο χάρτης χρήσης/κάλυψης γης της δεύτερης περιοχής μελέτης, όπως προέκυψε από την μεταφορά του αντικειμενοστραφούς μοντέλου ταξινόμησης της πρώτης εφαρμογής...93 Εικόνα 42: Η δεύτερη περιοχή μελέτης και τα σημεία ελέγχου που χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας της ταξινόμησης...94 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ Πίνακας 1: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της πρώτης περιοχής μελέτης SPOT Πίνακας 2: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της πρώτης περιοχής μελέτης LANDSAT Πίνακας 3: Σύγκριση κλάσεων των δυο ταξινομήσεων για την πρώτη περιοχή μελέτης...83 Πίνακας 4: Πίνακας στατιστικών της πρώτης περιοχής μελέτης για την ταξινόμηση SPOT Πίνακας 5: Πίνακας στατιστικών της πρώτης περιοχής μελέτης για την ταξινόμηση LANDSAT Πίνακας 6: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της δεύτερης περιοχής μελέτης SPOT Πίνακας 7: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της δεύτερης περιοχής μελέτης LANDSAT Πίνακας 8: Σύγκριση κλάσεων των δυο ταξινομήσεων για την δεύτερη περιοχή μελέτης...96 Πίνακας 9: Πίνακας στατιστικών της δεύτερης περιοχής μελέτης για την ταξινόμηση SPOT Πίνακας 10: Πίνακας στατιστικών της δεύτερης περιοχής μελέτης για την ταξινόμηση LANDSAT

7 ΕΥΧΑΡΙΣΤΙΕΣ Η παρούσα διατριβή, εκπονήθηκε στο Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης του Τμήματος Δασολογίας και Φυσικού Περιβάλλοντος του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης στα πλαίσια του μεταπτυχιακού προγράμματος σπουδών με γνωστικό αντικείμενο την Δασική Αεροφωτογραφία. Ευχαριστήσω ιδιαίτερα τον επιβλέποντα μου κ. Ιωάννη Γήτα, επίκουρο καθηγητή του εργαστηρίου για τη στήριξή του καθόλην τη διάρκεια των σπουδών μου. Οι συμβουλές του στο αντικείμενο και οι υποδείξεις του, έπαιξαν καθοριστικό ρόλο για τη συγγραφή της παρούσας μελέτης. Θα ήθελα να εκφράσω επίσης τη βαθύτατη εκτίμηση και τις ευχαριστίες μου στον καθηγητή του εργαστηρίου κ. Μιχάλη Καρτέρη καθώς και στην διευθύντρια του Τομέα Κτηματολογίου, Φωτογραμμετρίας και Χαρτογραφίας κα Μ. Τσακίρη-Στρατή, αναπληρώτρια καθηγήτρια του τμήματος Αγρονόμων και Τοπογράφων μηχανικών του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης, για τον έλεγχο και την εκτίμηση της διατριβής μου. Θα ήταν παράλειψη από μέρους μου να μην εκφράσω τις ευχαριστίες μου στους συναδέρφους μου γεωτεχνικούς κα Πολυχρονάκη Αναστασία, κ. Καταγή Θωμά, κα Μινάκου Χαρά, και κα Maria João Rodruiges, για την συστηματική βοήθεια τους, τις συμβουλές τους, και το χρόνο που μου αφιέρωσαν κατά τη διάρκεια των σπουδών μου στο εργαστήριο. Ευχαριστίες πολλές και στους γεωτεχνικούς κ. Οικονομάκη Νίκο, κ. Καλογερόπουλο Χρήστο, κα Γαλιδάκη Γεωργία κα Τομπουλίδου Μαρία, Κ. Καρυδά Χρήστο και κ. Μαλλίνη Γιώργο για την ευχάριστη παρέα, και τη βοήθειά τους. Τέλος θα ήθελα να εκφράσω την βαθιά μου ευγνωμοσύνη προς τα άτομα που με στήριξαν σε αυτή μου την προσπάθεια περισσότερο, δίνοντας μου αγάπη και κουράγιο τους γονείς μου, την αδερφή μου, και την Αρετή. 7

8 The map is not the territory Alfred Korzybski, «Science and Sanity: an Introduction to Non-Aristotelian Systems and General Semantics» 8

9 ΠΕΡΙΛΗΨΗ Η έλλειψη ενημερωμένου χαρτογραφικού υπόβαθρου κάλυψης/χρήσης γης, καθιστά αδύνατη την λήψη μέτρων και αποφάσεων σε όλα τα διοικητικά επίπεδα προκειμένου να εκμεταλλευτεί και να αναπτύξει κάποιος διαχειριστής μια περιοχή. Σε τοπικό επίπεδο όσο και σε εθνικό, οι χάρτες χρήσης/κάλυψης γης αποτελούν σημαντική πηγή πληροφορίας, για οποιονδήποτε επιθυμεί να πραγματοποιήσει κάποιο έργο ανάπτυξης (π.χ δασικό κτηματολόγιο). Η τεχνολογία στην επιστήμη της χαρτογράφησης έχει κάνει ραγδαία βήματα μπροστά. Με την χρήση δορυφορικών δεδομένων, εξειδικευμένων επιστημόνων και ειδικού λογισμικού, μπορεί πλέον να δημιουργηθεί χάρτης χρήσης/κάλυψης γης, ακόμα και της ποιο δυσπρόσιτης περιοχής του πλανήτη, με ακρίβεια και σε ελάχιστο χρόνο. Μια καινοτόμος μέθοδος χαρτογράφησης, είναι και η αντικειμενοστραφής ταξινόμηση δορυφορικής εικόνας. Στη παρούσα μελέτη χαρτογραφήθηκαν στις βασικές κατηγορίες χρήσης/κάλυψης γης δυο περιοχές, με τη χρήση αντικειμενοστραφούς ταξινόμησης σε δορυφορικές εικόνες SPOT-4. Αρχικά αναπτύχθηκε το αντικειμενοστραφές μοντέλο ταξινόμησης, δημιουργήθηκε ο χάρτης χρήσης/κάλυψης γης, και συγκρίθηκε με αντίστοιχο της ίδιας περιοχής, που κατασκευάστηκε με παρόμοια μέθοδο, από δορυφορική εικόνα LANDSAT-5. Κατόπιν, το μοντέλο τις ταξινόμησης μεταφέρθηκε σε άλλη περιοχή μελέτης, σε εικόνα SPOT-4 όπου και ελέγχτηκε η ικανότητα μεταφοράς των αλγορίθμων της ταξινόμησης. Τα αποτελέσματα ήταν θετικά και δημιουργήθηκαν δυο χάρτες χρήσης/κάλυψης γης για τις δυο δορυφορικές εικόνες αντίστοιχα. Τέλος οι χάρτες συγκρίθηκαν με αντίστοιχους των ιδίων περιοχών, που κατασκευάστηκαν με παρόμοια μέθοδο, με τη χρήση δορυφορικών εικόνων LANDSAT-5. Η εκτίμηση της ακρίβειας των χαρτών ευνόησε τους χάρτες που δημιουργήθηκαν από τα δεδομένα του SPOT-4. ΛΕΞΕΙΣ ΚΛΕΙΔΙΑ: ΧΑΡΤΗΣ ΧΡΗΣΗΣ/ΚΑΛΥΨΗΣ ΓΗΣ, SPOT-4, LANDSAT-5 ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ, ΤΗΛΕΠΙΣΚΟΠΙΣΗ, ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ, ΧΑΡΤΟΓΡΑΦΗΣΗ 9

10 1. ΕΙΣΑΓΩΓΗ Με την πρόοδο της τεχνολογίας, όλο και ποιο καινοτόμες μέθοδοι επιστρατεύονται στις υπηρεσίες της χαρτογράφησης, με αποτέλεσμα να παράγονται διάφοροι τύποι χαρτών που εξυπηρετούν ποικίλες χρήσεις. Οι χαρτογράφοι πλέον είναι εξειδικευμένοι επιστήμονες, όπου έχουν στην υπηρεσία τους μια πληθώρα τύπου δεδομένων και εργαλείων, προκειμένου να απεικονίσουν μια υφιστάμενη κατάσταση. Οι αυξημένες ανάγκες για τη λήψη ορθών διαχειριστικών μέτρων και αποφάσεων στην επιστήμη της δασολογίας κατέστησε την δημιουργία θεματικών χαρτών ως εργαλείο μείζονος σημασίας. Χάρτες ειδών βλάστησης, διαχειριστικοί χάρτες, υδρολογικοί, εδαφολογικοί, χάρτες χρήσης/κάλυψης γης κ.α. είναι κάποια από τα είδη των θεματικών χαρτών που χρησιμοποιούνται κατά κόρον από τους απανταχού δασολόγους. Η τεχνολογία στην υπηρεσία της επιστήμης σε συνδυασμό με τις ολοένα και αυξανόμενες απαιτήσεις για δεδομένα, γρήγορα ξεπέρασε τους χάρτες που κατασκευάζονταν χρονοβόρα σε σχεδιαστήρια βάσει εκτιμήσεων, επιτόπιων μετρήσεων και αυτοψιών στο πεδίο. Ακολούθησε η εποχή της αεροφωτογραφίας, όπου για πρώτη φορά απεικονιζόταν εύκολα και μαζικά μεγάλες επιφάνειες γης. Συνεπακόλουθα άνθησε η επιστήμη της φωτογραμμετρίας, χάρη στην οποία γίνονταν ακριβείς μετρήσεις και μετατροπές των μηκών από τις αεροφωτογραφίες σε πραγματικά μεγέθη, προκειμένου να αποτυπωθούν σε χαρτί βάσει κλίμακας για τη δημιουργία χαρτών. Όλα τα παραπάνω όμως ξεπεράστηκαν στο παρόν που αναφέρεται η μελέτη, λόγω της επιστήμης της τηλεπισκόπησης και της χρήσης των δορυφορικών δεδομένων. Με την κατάκτηση του διαστήματος ο άνθρωπος έθεσε δορυφόρους σε τροχιά γύρω από τη γη, οι οποίοι σαρώνουν επί εικοσιτετραώρου βάσεως την επιφάνεια της. Τα διαστημικά προγράμματα που καλύπτουν τα έξοδα και την υποστήριξη της λειτουργίας αυτών των δορυφόρων είναι τόσο εθνικά όσο και πολυεθνικά (Landsat, SPOT, RapidEye κ.α.). Αυτά παρέχουν ενημερωμένα δεδομένα κατά παραγγελία, με τη μορφή εικόνων (μεγάλης επιφάνειας αποτύπωσης), που καταγράφουν τμήματα του ηλεκτρομαγνητικού φάσματος. Αυτού του τύπου τα δεδομένα είναι τα πλέον 10

11 κατάλληλα διότι σε συνδυασμό με τις μεθόδους τηλεπισκόπησης μπορούν να παρέχουν γρήγορα και με ακρίβεια θεματικούς ψηφιακούς χάρτες διάφορων ειδών (Sifakis και Deschamps, 1992, Thomson κ.α. 1997, Rongxing, 1997, Burgan κ.α. 1998). Το κόστος παραγωγής ενημερωμένων θεματικών χαρτών με τις παραδοσιακές φωτογραμμετρικές και χαρτογραφικές τεχνικές ξεπερνά κατά πολύ το αντίστοιχο κονδύλιο του διατίθεται από τις δημόσιες δαπάνες για έργα υποδομής στη χαρτογραφία. Επιπλέον ο χρόνος παραγωγής τους με αυτές είναι ένας ακόμα ανασταλτικός παράγοντας. Υπάρχουν πολλοί μέθοδοι για την δημιουργία θεματικών χαρτών από δορυφορικά δεδομένα. Μία μέθοδος σχετικά καινούρια που διερευνάται στη παρούσα μελέτη, είναι η μέθοδος της αντικειμενοστραφούς ταξινόμησης δορυφορικής εικόνας. Με τη μέθοδο αυτή δύναται να κατασκευαστεί ψηφιακός θεματικός χάρτης χρήσης/κάλυψης γης γρήγορα, με ακρίβεια, με τη χρήση εξειδικευμένου λογισμικού σε περιβάλλον ηλεκτρονικού υπολογιστή. Ο κύριος σκοπός της παρούσης εργασίας ήταν η χαρτογράφηση βασικών κατηγοριών χρήσης/κάλυψης γης με την χρήση της αντικειμενοστραφούς ταξινόμησης σε δορυφορικές εικόνες SPOT-4. Οι επιμέρους στόχοι ήταν: Η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου ταξινόμησης χρήσης/κάλυψης γης για δορυφορικές εικόνες SPOT-4, και η σύγκριση του χάρτη που προέκυψε με χάρτη της ίδιας περιοχής, που προήλθε από αντικειμενοστραφή ταξινόμηση δορυφορικών δεδομένων LANDSAT-5 χρησιμοποιώντας ίδια μέθοδο. Ο έλεγχος και η διερεύνηση της ικανότητας μεταφοράς του μοντέλου της αντικειμενοστραφούς ταξινόμησης σε δεύτερη περιοχή μελέτης, και η σύγκριση του χάρτη που προέκυψε με χάρτη της ίδιας περιοχής, που προήλθε από αντικειμενοστραφή ταξινόμηση δορυφορικών δεδομένων LANDSAT-5 χρησιμοποιώντας ίδια μέθοδο. Στη συνέχεια δίνεται μια περιγραφή της δομής των κεφαλαίων που ακολουθούν. Το δεύτερο κεφάλαιο αποτελεί την βιβλιογραφική ανασκόπηση που έγινε στα πλαίσια της μελέτης. Αρχικά γίνεται αναφορά σε γενικά θέματα και στην σημασία 11

12 της χαρτογράφησης χρήσης/κάλυψης γης. Στη συνέχεια γίνεται μια αναδρομή στις μεθόδους χαρτογράφησης, και στην συνεισφορά της επιστήμης της τηλεπισκόπησης και των γεωγραφικών συστημάτων πληροφοριών στη χαρτογράφηση. Έπειτα αναφέρονται κάποιες τεχνικές τηλεπισκόπησης που χρησιμοποιούνται εκτενώς στη χαρτογράφηση χρήσης/κάλυψης γης. Τέλος, αναφέρεται η χρήση της αντικειμενοστραφούς ταξινόμησης στη χαρτογράφηση χρήσης/κάλυψης γης, τα πλεονεκτήματα της συγκριτικά με άλλες μεθόδους, και γίνεται μια εισαγωγή στις βασικές έννοιες της. Το τρίτο κεφάλαιο χωρίζεται σε δυο μέρη. Στο πρώτο γίνεται η περιγραφή των περιοχών μελέτης, με κάποια περιγραφικά χαρακτηριστικά για τη κάθε μια ξεχωριστά. Στο δεύτερο μέρος αναφέρονται τα δεδομένα που χρησιμοποιήθηκαν στην μελέτη, τα τεχνικά χαρακτηριστικά του δορυφόρου SPOT-4, και των χαρτών που χρησιμοποιήθηκαν για σύγκριση. Στο τέταρτο κεφάλαιο περιγράφεται η διαδικασία της προεπεξεργασίας των δορυφορικών δεδομένων. Στο πρώτο μέρος του κεφαλαίου περιγράφεται το θεωρητικό υπόβαθρο της γεωμετρικής διόρθωσης και η εφαρμογή στα δορυφορικά δεδομένα. Στο δεύτερο μέρος περιγράφεται το θεωρητικό υπόβαθρο της ατμοσφαιρικής διόρθωσης και η εφαρμογή στα δορυφορικά δεδομένα. Το πέμπτο κεφάλαιο χωρίζεται σε τρία μέρη. Στο πρώτο αναλύονται οι βασικές έννοιες της αντικειμενοστραφούς ταξινόμησης ώστε να γίνει κατανοητή η προσέγγιση που ακολουθήθηκε στην ανάπτυξη του μοντέλου της ταξινόμησης. Στο δεύτερο μέρος περιγράφεται αναλυτικά το αντικειμενοστραφές μοντέλο της ταξινόμησης, τα βήματα που ακολουθήθηκαν για την δημιουργία του, και παρουσιάζεται ο χάρτης χρήσης/κάλυψης γης που προέκυψε. Στο τέλος του κεφαλαίου γίνεται η σύγκριση του χάρτη αυτού με τον αντίστοιχο χάρτη από τα δορυφορικά δεδομένα LANDSAT-5. Στο έκτο κεφάλαιο περιγράφεται η μεταφορά του αντικειμενοστραφούς μοντέλου ταξινόμησης στη δεύτερη περιοχή μελέτης, οι προσαρμογές που έγιναν προκειμένου να λειτουργήσει, και παρουσιάζεται ο χάρτης χρήσης/κάλυψης γης που 12

13 προέκυψε. Στο τέλος του κεφαλαίου γίνεται η σύγκριση του χάρτη αυτού με τον αντίστοιχο χάρτη από τα δορυφορικά δεδομένα LANDSAT-5. Τέλος στο έβδομο κεφάλαιο παρουσιάζονται τα συμπεράσματα της μελέτης αναφορικά με τον κύριο και τους επιμέρους στόχους, αναπτύσσονται προβληματισμοί που προέκυψαν, και προτείνονται ιδέες για μελλοντική έρευνα. 13

14 2. ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ Το κεφάλαιο αυτό χωρίζεται σε τρεις παραγράφους. Στην πρώτη αναφέρονται γενικά περί του χάρτη χρήσης/κάλυψης γης, και ποια η σημασία του στην ορθολογική διαχείριση φυσικών πόρων. Στη δεύτερη παράγραφο αναφέρονται τόσο οι παλαιότερες, όσο και οι νεότερες μέθοδοι χαρτογράφησης, και παρουσιάζονται μερικές από τις εφαρμογές τους. Στην τρίτη παράγραφο παρουσιάζονται οι μέθοδοι της τηλεπισκόπησης που εφαρμόζονται στην χαρτογράφηση χρήσης/κάλυψης γης. Τέλος, στην τέταρτη παράγραφο παρουσιάζεται η αντικειμενοστραφής ανάλυση εικόνας, τα πλεονεκτήματά της έναντι συμβατικών μεθόδων ταξινόμησης, και κάποιες βασικές έννοιες της. 2.1 Η χαρτογράφηση χρήσης/κάλυψης γης Γενικά Ο όρος χρήσεις γης, ο οποίος χρησιμοποιούνταν παλαιότερα στη χαρτογράφηση των διαφόρων χαρακτηριστικών της επιφάνειας της γης από αεροφωτογραφίες ή ορθοφωτοχάρτες, δεν φαίνεται να ικανοποιεί απόλυτα, γιατί δεν καλύπτει όλες τις περιπτώσεις που παρουσιάζονται σε μια περιοχή (Καρτέρης και Τσομπανίκος, 1984). Ο όρος αυτός αναφέρεται μόνο στις δραστηριότητες του ανθρώπου, οι οποίες σχετίζονται άμεσα με τη γη. Οι κοινωνικοοικονομικές δραστηριότητες που χωρίζονται σε αγροτικές και αστικές, είναι από τις ποιο υψηλές σε ποσοστά χρήσεις γης. Οι απεικονιστές των δορυφορικών συστημάτων όμως καταγράφουν απευθείας τη φασματική πληροφορία των αντικειμένων της επιφάνειας της γης, και όχι τις χρήσεις. Αποτυπώνουν δηλαδή τα φυσικά υλικά του εδάφους της, που αποτελούν την βιοφυσική κάλυψη της επιφάνειάς της. Με τη χρήση της αυτόματης ταξινόμησης και χαρτογράφησης των χαρακτηριστικών της γης, με τους υπάρχοντες αλγορίθμους των τεχνικών ταξινόμησης δορυφορικών εικόνων, διακρίνονται τελικά οι μορφές κάλυψης της γης και όχι οι χρήσεις. Από τα παραπάνω φαίνεται πως η χρήση του σύνθετου όρου «χρήσης/κάλυψης» είναι περισσότερο πλήρης, καθώς εκφράζει με μεγαλύτερη σαφήνεια τα φυσικά χαρακτηριστικά της επιφάνειας της γης. 14

15 Η χαρτογράφηση των χρήσεων/κάλυψης γης προϋποθέτει την ταξινόμησή τους σε κατηγορίες, δηλαδή την ομαδοποίηση των χαρακτηριστικών της επιφάνειας της γης με βάση τις κοινές τους ιδιότητες, γνωρίσματα ή σχέσεις (Καρτέρης και Τσομπανίκος, 1984). Ο τρόπος και ο βαθμός ομαδοποίησης των χαρακτηριστικών ποικίλει ανάλογα με το σκοπό χαρτογράφησης και έρευνας των χαρακτηριστικών της περιοχής μελέτης, και καθορίζεται από το χρησιμοποιούμενο κάθε φορά σύστημα ταξινόμησης. Επίσης κάθε αποτύπωση ορίζει διαφορετικά παρόμοιες κατηγορίες. Για παράδειγμα η κατηγορία «δάσος» μπορεί να περικλείει διάφορα χαρακτηριστικά (ύψος συστάδας, κάλυψη εδάφους, ξυλαπόθεμα κλπ) προκειμένου μια επιφάνεια που φέρει δέντρα να ταξινομηθεί έτσι. Οπότε σε ένα χάρτη σχεδιασμού και οικιστικής ανάπτυξης περιοχές χωρίς δέντρα μπορούν να ταξινομηθούν σαν ζώνες αστικού σχεδιασμού, ενώ αν ο χάρτης που δημιουργείται είναι για τον σχεδιασμό αναδάσωσης να χαρακτηριστούν σα δάσος. Η χαρτογράφηση των χρήσεων/κάλυψης της γης, που αποτελεί τη βασική προϋπόθεση για την ανάπτυξη επιχειρησιακών προγραμμάτων ορθολογικής διαχείρισής της, τόσο σε εθνικό, όσο και σε τοπικό επίπεδο, θα πρέπει να βασίζεται σε κάποιο σύστημα κοινά αποδεκτό (Καρτέρης και Τσομπανίκος, 1984). Για τη χαρτογράφηση της κάλυψης/χρήσης γης έχουν προταθεί διάφορα συστήματα ταξινόμησης. Όλα όμως πρέπει να είναι όσο το δυνατόν ποιο πλήρη περιλαμβάνοντας όλες τις υπάρχουσες χρήσεις και καλύψεις γης της κάθε περιοχής μελέτης. Επίσης, οι διαμορφούμενες κατηγορίες θα πρέπει να ορίζονται με σαφήνεια, και ο διαχωρισμός τους να στηρίζεται σε λογική βάση. Έτσι μόνο το αποτέλεσμα της φωτοερμηνείας μπορεί να έχει μεγάλη ακρίβεια καθώς και να επαναλαμβάνεται από διαφορετικούς φωτοερμηνευτές. Οι Καρτέρης και Τσομπανίκος (1984) προτείνουν την ταξινόμηση της χρήσης/κάλυψης γης σε 6 κατηγορίες: την αστική γη, τη δασική γη, τη γεωργική γη, το νερό και την άγονη γη. Κάθε μία από τις κατηγορίες αυτές αναπτύσσεται στη συνέχεια σε λεπτομερέστερες υποκατηγορίες. Γενικά, το επίπεδο ταξινόμησης που θα χρησιμοποιηθεί στη χαρτογράφηση εξαρτάται από την ελάχιστη μονάδα χαρτογράφησης του τελικού χάρτη, το μέγεθος ανάλυσης των πρωτογενών δεδομένων, και το επιθυμητό επίπεδο λεπτομέρειας των κλάσεων. 15

16 2.1.2 Η σημασία του χάρτη χρήσης/κάλυψης γης σαν διαχειριστικό εργαλείο σε τοπικό, και εθνικό επίπεδο Αξιόπιστα στοιχεία σχετικά με το είδος, την κατανομή και την έκταση των χρήσεων/κάλυψης γης μιας περιοχής πρέπει να είναι διαθέσιμα σε έναν οργανισμό ή μια υπηρεσία πριν εφαρμοστούν προγράμματα διαχείρισης και ανάπτυξης της περιοχής αυτής. Η δημιουργία ενημερωμένων χαρτών της κάλυψης γης συμβάλλει αποφασιστικά στο σχεδιασμό και τον συντονισμό των σχετικών δράσεων, στη διατήρηση των φυσικών αποθεμάτων, στην παρακολούθηση των αλλαγών που οφείλονται σε φυσικές καταστροφές, όπως π.χ. πυρκαγιές, πλημμύρες, φαινόμενα διάβρωσης κ.λπ. ή στις ανθρωπογενείς επιδράσεις, όπως η οικιστική ανάπτυξη, ο τουρισμός, η μόλυνση εδάφους και υδάτινων επιφανειών κ.λπ, και στον προσανατολισμό του αστικού και περιφερειακού σχεδιασμού για τη λήψη αξιόπιστων και λειτουργικών αποφάσεων (Γήτας κ.α. 2003). Ειδικότερα στην επιστήμη της δασολογίας, το χαρτογραφικό υπόβαθρο είναι απαραίτητο σχεδόν σε όλες τις δραστηριότητες του δασολόγου. Οι πληροφορίες σχετικά με την κατανομή και έκταση των διαφόρων δασοπονικών ειδών, των διαφόρων σταδίων ανάπτυξης του δάσους, των κατηγοριών ξυλώδους όγκου, του βαθμού προσβολής από ασθένειες και έντομα, την έκταση μιας καμένης έκτασης, των χρήσεων/κάλυψης γης, των ειδών των εδαφών και ποιοτήτων τόπου, και του βαθμού διάβρωσης, παρέχονται από χάρτες και είναι πολύ χρήσιμες για το σχεδιασμό και την οργάνωση των διαχειριστικών προγραμμάτων, καθώς και για την εκτίμηση της επιτυχίας αυτών (Καρτέρης 1990). Στην κατεύθυνση αυτή, αναπτύχθηκε ένα εθνικό πρόγραμμα χαρτογράφησης και αξιολόγησης της ελληνικής γης, με τη συγκέντρωση πληροφοριών που θεωρούνται απαραίτητες για τον ορθολογικό σχεδιασμό των χρήσεων γης σε περιφερειακό και εθνικό επίπεδο (Υπ. Γεωργίας, 2004). Για την παραγωγή υλικού αναγκαίου για τον προσδιορισμό των χρήσεων γης ιδιαίτερα στο δασικό χώρο, αναπτύχθηκαν από την κεντρική δασική υπηρεσία τρία έργα εθνικού επιπέδου, το έργο απογραφής των δασών και δασικών εκτάσεων, το έργο της χαρτογράφησης των δασών και δασικών εκτάσεων και το έργο της ταξινόμησης των δασικών εδαφών. Στα 16

17 πλαίσια του προγράμματος της χαρτογράφησης καταρτίστηκαν θεματικοί δασικοί χάρτες κλίμακας 1: (αναλογικοί ορθοφωτοχάρτες γραμμικοί), αντιπυρικοί χάρτες της Αττικής και 28 έγχρωμοι θεματικοί χάρτες κλίμακας 1: Οι χάρτες αυτοί αποτελούν πολύτιμο οδηγό για τη γνώση των οικολογικών χαρακτηριστικών μιας περιοχής και την επίλυση συγκεκριμένων προβλημάτων χρήσεων γης (Υπ. Γεωργίας, 2004). Χρήσιμος χάρτης όμως δεν είναι μόνο ο ακριβής χάρτης, αλλά και ο ενημερωμένος, που περιγράφει την υπάρχουσα κατάσταση μιας περιοχής όπως αυτή είναι κατά τον χρόνο που ο χάρτης χρησιμοποιείται. Οι ανάγκη για ενημέρωση του χάρτη, είναι ανάλογη της κλίμακας του. Το φαινόμενο αυτό είναι έντονο στους χάρτες μεγάλης κλίμακας που αποδίδουν περιοχές με έντονη ανάπτυξη (π.χ αστικές περιοχές). Έχει παρατηρηθεί το φαινόμενο πριν ολοκληρωθεί η χαρτογράφηση μιας περιοχής, τα παραδοτέα κομμάτια του χάρτη να είναι είδη ξεπερασμένα. Εξαίρεση αυτού του κανόνα αποτελούν οι χάρτες μεγάλης κλίμακας που αποτυπώνουν φυσικά χαρακτηριστικά τα οποία μεταβάλλονται με αργούς ρυθμούς (π.χ εδαφολογικοί, αναγλύφου κλπ) (Καρτέρης και Γιαννακόπουλος, 1998). Όλα τα παραπάνω καθιστούν σαφή τον σημαντικό ρόλο του χάρτη χρήσης/κάλυψης γης σα διαχειριστικό εργαλείο. Η ζήτηση ενημερωμένων χαρτών αυξάνεται ολοένα όμως, λόγω της αύξησης τόσο ποσοτικά, όσο και σε είδος των ανθρωπίνων δραστηριοτήτων. Αντίστοιχα γίνεται κατανοητή η ανάγκη για έρευνα στον τομέα της χαρτογράφησης, προκειμένου να βρεθούν καινούριες μέθοδοι που θα εξοικονομούν χρόνο στη σύνταξη των χαρτών, αλλά και θα βελτιώνουν την ακρίβειά τους σαν προϊόν, ώστε να αποτελούν αξιόπιστο εργαλείο σχεδιασμού και λήψης αποφάσεων. 2.2 Αναδρομή στις μεθόδους και τεχνικές χαρτογράφησης Η παραδοσιακή μέθοδος χαρτογράφησης είναι η αποτύπωση της επιφάνειας της περιοχής μελέτης με επιτόπιες αυτοψίες στο πεδίο. Χαρτογραφήσεις υπεδάφιων χαρακτηριστικών όπως πετρωμάτων, ή σκιασμένων επιφανειών όπως η αναγέννηση του υπόροφου σε ένα δάσος, καταγράφονται μόνο με επιτόπιες αυτοψίες. Στο πεδίο 17

18 όμως ο επιστήμονας κατά την αποτύπωση των κλάσεων περιορίζεται σε μια πλάγια όψη μικρής έκτασης κάθε φορά. Συνεπώς η χωρική ποικιλομορφία μέσα στα χαρτογραφημένα πολύγωνα και στα όρια αυτών τις περισσότερες φορές αποτυπώνεται ανεπαρκώς, και ιδιαίτερα στα σύνθετα περιβάλλοντα όπου παρατηρούνται επικαλύψεις κλάσεων. Επίσης οι επισκέψεις στο πεδίο απαιτούν έξοδα, χρόνο, εντατική εργασία, προσβασιμότητα και γρήγορα χαρακτηρίζονται χρονικά ξεπερασμένες. Ο φόρτος της εργασίας μπορεί να μειωθεί σημαντικά με τη χρήση αεροφωτογραφιών για στερεοσκοπική παρατήρηση και φωτοερμηνεία. Η μεγάλη διάδοση των αεροφωτογραφιών και της χρήσης τους άλλαξε ριζικά τον τρόπο κατασκευής των χαρτών. Νέες τεχνικές και τεχνολογίες αναπτύχθηκαν, οι οποίες αφενός μεν επιταχύνουν τη διαδικασία χαρτογράφησης και κατά συνέπεια μειώνουν το κόστος, αφετέρου δε καθιστούν δυνατή την ακριβή χαρτογράφηση απρόσιτων ορεινών περιοχών (Dickinson 1979). Η φωτοερμηνεία σε συνδυασμό με την φωτογραμμετρία, μπορούν να ερμηνεύσουν, να χαρακτηρίσουν, και να ταξινομήσουν σε κλάσεις την επιφάνεια του εδάφους με τη χρήση αεροφωτογραφιών. Αυτού του είδους η εργασία απαιτεί ελάχιστη δουλειά πεδίου και δίνει ικανοποιητικά αποτελέσματα, αρκεί τα εξαγωγικά συμπεράσματα και οι γενικεύσεις στον χαρακτηρισμό των κλάσεων να περιορίζονται σε μια λογική απόσταση και να αφορά την ίδια σειρά αεροφωτογραφιών. Πολλές φορές όμως δεν υπάρχουν διαθέσιμες αεροφωτογραφίες για μια δεδομένη χρονική στιγμή, οπότε και ο ειδικός αναγκάζεται να χρησιμοποιήσει αρχειακό υλικό. Το τελευταίο όμως συχνά είναι περιορισμένο καθώς οι πτήσεις για τη λήψη των αεροφωτογραφιών κοστίζουν ακριβά. Επίσης δεν είναι εύκολο με το αρχειακό υλικό ή σχεδιάζοντας εκ νέου λήψη να καταγραφεί η εποχικότητα των φυτών, ούτε και να καλυφτεί μεγάλη επιφάνεια χωρίς τη χρήση μωσαϊκού από διαφορετικές ημερομηνίες πτήσης. Άλλο πρόβλημα, αποτελεί η ραδιομετρική ανάλυση των αεροφωτογραφιών, η οποία συνήθως είναι αλλοιωμένη λόγω της εναλλαγής στην γωνία λήψης και του φωτισμού της περιοχής. Γεγονός είναι, το ότι μέχρι προσφάτως για τη λήψη αεροφωτογραφιών χρησιμοποιούταν ως επί τω πλείστον φιλμ και όχι ψηφιακό μέσο αποθήκευσης, το οποίο ήταν κατά κόρον παγχρωματικό και όχι υπέρυθρο ώστε να αποτυπώνει τη βλάστηση και της αλλαγές της καλύτερα. Βέβαια, η όλη διαδικασία παραγωγής χάρτη από αεροφωτογραφίες και 18

19 επίγειες παρατηρήσεις δεν είναι απαλλαγμένη σφαλμάτων. Εκτός από τα σφάλματα σάρωσης της γης, παρατηρούνται και γεωμετρικές παραμορφώσεις των αεροφωτογραφιών που οφείλονται στην προοπτική προβολή της αεροφωτογραφίας και στις αλλαγές στην κλίμακα εξαιτίας υψομετρικών μεταβολών του αναγλύφου και της επίκλισης της αεροφωτογραφίας. Τα σφάλματα αυτά διορθώθηκαν με τις ορθοφωτογραφίες και τους ορθοφωτοχάρτες, που είναι διορθωμένες αεροφωτογραφίες στις οποίες τα σημεία του αναγλύφου βρίσκονται στην ορθογραφική τους θέση και έχουν την ίδια ακριβώς κλίμακα (Καρτέρης, 1990). Επισημαίνοντας τις αδυναμίες της εργασίας πεδίου και της χρήσης των αεροφωτογραφιών, γίνεται καταφανές πως χρειάζεται μια διαφορετική πηγή δεδομένων ειδικά έτσι όπως διαμορφώνεται η ανάγκη για ενημερωμένα προϊόντα ακριβείας (χάρτες χρήσης/κάλυψης γης). Μια λύση στο πρόβλημα έρχονται να δώσουν τα δορυφορικά δεδομένα τα οποία έχουν ευρύτερο πλαίσιο λήψης από τις αεροφωτογραφίες, καλύπτοντας έτσι μεγαλύτερες επιφάνειες στο έδαφος. Επίσης οι δορυφορικές πλατφόρμες παρέχουν εκτός από δεδομένα υψηλής ραδιομετρικής ποιότητας στο ορατό τμήμα του ηλεκτρομαγνητικού φάσματος, δεδομένα τόσο στο κοντινό τμήμα όσο και στο μέσο υπέρυθρο τμήμα, τα οποία έχουν μεγαλύτερο δυναμικό εύρος και κρίνονται ως τα πλέον κατάλληλα για χαρτογράφηση χρήσεων/κάλυψης γης (Lucas κ.α. 2004). Έτσι μπορούν να διακριθούν τα φασματικά χαρακτηριστικά των διαφόρων τύπων βλάστησης, και δίνεται η δυνατότητα αναγνώρισής τους. Ο συνδυασμός των διαύλων της εικόνας για την εξαγωγή της επιθυμητής πληροφορίας, η εφαρμογή τεχνικών οπτικής βελτίωσης της για να γίνουν πιο εμφανή τα φασματικά ή τα χωρικά χαρακτηριστικά των αντικειμένων, και η εφαρμογή διαφόρων αλγορίθμων αυτόματης ταξινόμησης για την εξαγωγή των επιθυμητών κατηγοριών χρήσεων γης, είναι κάποιες από τις τεχνικές της δορυφορικής τηλεπισκόπησης. Βασικά πλεονεκτήματα των δορυφορικών εικόνων έναντι των αεροφωτογραφιών και των κλασσικών μεθόδων χαρτογράφησης είναι τα παρακάτω (Καρτέρης, 1999): Συνοπτική κάλυψη της γης Επαναλαμβανόμενη κάλυψη 19

20 Κατά χώρο διακριτική ικανότητα Πολυφασματική δομή δεδομένων Ψηφιακή μορφή δεδομένων Σχεδόν ορθογραφική κάλυψη Δυνατότητα, έγχρωμης και ψευδοέγχρωμης απόδοσης των δεδομένων. Δυνατότητα συνδυασμού φασματικών διαύλων Προσβασιμότητα Ομοιογένεια δεδομένων Διαχρονική ανάλυση Φωτογραφική απόδοση Δυνατότητα συνδυασμού με άλλα δεδομένα Δυνατότητα δυναμικής επεξεργασίας Χωρική/περιγραφική απόδοση Εύκολη αναπαραγωγή Υλικοτεχνική υποδομή Ελεύθερη απόκτηση δεδομένων Χαμηλό κόστος. Πρέπει να σημειωθεί ότι τα δορυφορικά δεδομένα είναι πλέον σήμερα ανταγωνιστικά και όχι συμπληρωματικά των αεροφωτογραφιών, και σε κάποιο βαθμό των επίγειων μετρήσεων. Για την τελευταία παρατήρηση πρέπει να τονιστεί ότι οι επίγειες μετρήσεις είναι απαραίτητες για μια πιο ικανοποιητική ανάλυση των δορυφορικών δεδομένων, αλλά ο αριθμός των επισκέψεων και μετρήσεων και κατ επέκταση ο απαιτούμενος χρόνος και κόπος για την ολοκλήρωση τέτοιων διαδικασιών, περιορίζεται σημαντικά. Συγκεκριμένα, τα δεδομένα πεδίου που συλλέγονται έχουν πλέον καθαρά ρόλο βαθμονομητή, με την ικανότητα να ρυθμίζουν τις παραμέτρους του ταξινομητή ή να κρίνουν την ποιότητα της χαρτογράφησης. Οι δορυφορικές εικόνες λοιπόν είναι ικανές να παρέχουν γρήγορα και με ακρίβεια θεματικά επίπεδα χαρτογράφησης. Με την πρόοδο της τεχνολογίας, η συρροή διαθέσιμων ψηφιακών δεδομένων δημιούργησε νέες ανάγκες. Ο συνδυασμός, η ανάλυση, η παρουσίαση και η διαχείριση αυτών των θεματικών επιπέδων με ένα τρόπο οικονομικό, γρήγορο και ακριβή, ενσωμάτωσαν άμεσα στον τομέα της 20

21 χαρτογράφησης τα Γεωγραφικά Συστήματα Πληροφοριών (Γ.Σ.Π-Geografical Information Systems-G.I.S). Αυτά έδωσαν την ικανότητα στους ειδικούς για πρώτη φορά να συνδυάσουν χωρικές μεταβλητές, και να μπορούν να ανακαλέσουν και να αναβαθμίσουν την χωρική πληροφορία γρήγορα και εύκολα. Έτσι προέκυψαν τα πρώτα χαρτογραφικά μοντέλα συνδυάζοντας με ποικίλους τρόπους, διαφορετικά θεματικά επίπεδα που όλα μαζί περιέχονται στην ίδια βάση δεδομένων (Chuvieco και Congalton, 1989). Τα Γ.Σ.Π μαζί με την τηλεπισκόπηση, αποτελούν ότι ποιο σύγχρονο έχει να επιδείξει η τεχνολογία στον τομέα της χαρτογράφησης. Χρησιμοποιούνται κατά κόρον από επιστήμονες διαφόρων αντικειμένων και οι εφαρμογές τους έχει αποδειχτεί ότι είναι απεριόριστες. Μέχρι σήμερα σε πολλές έρευνες έχουν χρησιμοποιηθεί δορυφορικά δεδομένα, και ιδιαίτερα του καταγραφέα Landsat ΤΜ, στον προσδιορισμό και καταγραφή των χρήσεων γης (Καρτέρης 1990, Fuller κ.α. 1994, Vogelmann κ.α. 1998, Muller κ.α. 1999). Η μεγαλύτερη και πιο σημαντική χρησιμότητα των δορυφορικών δεδομένων είναι η διάκριση και χαρτογράφηση των δασικών εκτάσεων, όπως και ο ακριβής υπολογισμός της έκτασης που καταλαμβάνουν (Η δημιουργία τέτοιων θεματικών χαρτών γίνεται με ακρίβεια που πολλές φορές ξεπερνάει το 90%. Η διάκριση των πλατυφύλλων, κωνοφόρων και μικτών δασών επιτυγχάνεται με ακρίβειες 85-90% (Williams & Nelson 1986, Wolter κ.α. 1995). Οι Nelson κ.α. (1984) χρησιμοποιώντας δεδομένα του M.S.S. υπολόγισαν τα δάση πλατυφύλλων και κωνοφόρων των Η.Π.Α. Έτσι, ενώ η ταξινόμηση της Δασικής Υπηρεσίας των Η.Π.Α. έδινε ότι το 13% της χώρας καλύπτεται από δάση κωνοφόρων και 15% από πλατύφυλλα, η ταξινόμηση των ψηφιακών δορυφορικών δεδομένων έδωσε 11% και 12% αντίστοιχα. Η στατιστική ανάλυση απέδειξε ότι το 74% των κωνοφόρων και το 80% των πλατυφύλλων είχαν ταξινομηθεί σωστά και ότι η ακρίβεια ταξινόμησης ήταν 85%, ποσοστό αποδεκτό για τις δασικές απογραφές. Ο Καρτέρης (1991) χρησιμοποίησε δορυφορικά δεδομένα SPOT για την ταξινόμηση των Μεσογειακών δασικών εκτάσεων με συνολική ακρίβεια της τάξης του 82%. Οι Καρτέρης και Μελιάδης (1992) αναφέρουν ότι ο συνδυασμός των καναλιών του ΤΜ μπορεί να χρησιμοποιηθεί για τη διάκριση των ειδών, όπως μακί, πλατυφύλλων, αστικών περιοχών και ελαιώνων. Ο συνδυασμός αυτός έδωσε συνολική ακρίβεια χρήστη 96,29%. Η διάκριση των δασοπονικών ειδών όμως, παρουσιάζει αρκετά προβλήματα και τις περισσότερες φορές είναι πολύ δύσκολη η αναγνώριση των ειδών (Hopkins 21

22 κ.α. 1988, Martin κ.α. 1998). Στην παγκόσμια βιβλιογραφία υπάρχουν μελέτες για την αναγνώριση των ειδών με αντιλεγόμενα αποτελέσματα. 2.3 Τεχνικές της δορυφορικής τηλεπισκόπησης για την χαρτογράφηση χρήσης/κάλυψης γης Οι τεχνικές που χρησιμοποιούνται στην χαρτογράφηση χρήσης/κάλυψης γης μπορούν να χωριστούν σε δυο κύριες κατηγορίες. Στις τεχνικές μείωσης των χαρακτηριστικών της εικόνας (feature reduction techniques), και στις τεχνικές ταξινόμησης αυτών. Οι πρώτες βοηθάνε στην εύρεση της κατάλληλης πληροφορίας που θα βοηθήσει στη διάκριση των κλάσεων, ενώ οι δεύτερες στον ορθό διαχωρισμό των κλάσεων αυτών. Μια πολύ γνωστή μέθοδος από την κατηγορία μείωσης χαρακτηριστικών είναι η ανάλυση σε κύριες συνιστώσες (principal component analysis), η οποία πλέον βρίσκεται έτοιμη σαν εφαρμογή σε πολλά διαθέσιμα εμπορικά λογισμικά τηλεπισκόπησης. Αυτό που κάνει η μέθοδος αυτή είναι να μετασχηματίζει τα αρχικά δεδομένα σε λιγότερα, τα οποία είναι μεταξύ τους ασυσχέτιστα αλλά περιέχουν ένα μεγάλο ποσοστό της διακύμανσης των αρχικών. Αποτέλεσμα αυτού είναι να καταλήγει ο χρήστης με φιλτραρισμένη πληροφορία έτοιμη στα χέρια του, ώστε να μπορεί να την χρησιμοποιήσει κατόπιν στην ταξινόμηση. Η εφαρμογή αυτή είναι ιδιαίτερα χρήσιμη σε υπερφασματικά δεδομένα όπου ο μεγάλος αριθμός των φασματικών διαύλων καθιστά πολλές φορές την ανάλυση δύσκολη. Χρησιμοποιείται επίσης συχνά στη χαρτογράφηση χρήσης/κάλυψης γης, για να αποδώσει καλύτερα τους δυνατούς διαχωρισμούς των κλάσεων (Gong και Howard 1990, Herold κ.α. 2002). Μια άλλη μέθοδος μείωσης χαρακτηριστικών είναι οι δείκτες βλάστησης. Οι δείκτες αυτοί δεν είναι τίποτα άλλο από μαθηματικές εκφράσεις αλγεβρικών συνδυασμών των φασματικών διαύλων της εικόνας. Ο περισσότερο διαδεδομένος δείκτης είναι ο κανονικοποιημένος δείκτης βλάστησης (NDVI- Normalized Vegetation Index) (Rouse κ.α. 1974). Ο ρόλος των δεικτών βλάστησης είναι να μειώσουν τις πολυφασματικές παρατηρήσεις της εικόνας σε έναν αριθμητικό δείκτη, 22

23 ο οποίος έχει βρεθεί ότι συσχετίζεται υψηλά με εσωτερικούς παράγοντες του οικοσυστήματος όπως π.χ η σπαργή των φύλλων, η κάλυψη της βλάστησης, η βιομάζα, ενώ παράλληλα να ελαχιστοποιεί τους εξωτερικούς παράγοντες που μπορεί να δημιουργούν «θόρυβο» στα δεδομένα, όπως η γωνία επίκλησης, ο προσανατολισμός του ήλιου, και τα σύννεφα (Baret και Guyot, 1991). Ο δείκτης NDVI συγκεκριμένα, χρησιμοποιείται κατά κόρον στην χαρτογράφηση χρήσης/κάλυψης γης, λόγω της ικανότητάς του να διαχωρίζει την βλάστης από τις υπόλοιπες κλάσεις (Lambin και Ehrlichh 1996, Cihlar 2000, Friedl κ.α. 2001, Bartalef κ.α. 2002) Από τις τεχνικές ταξινόμησης που βρίσκουν εφαρμογή στην παραγωγή χαρτών χρήσης/κάλυψης γης, μια κοινά διαδεδομένη μέθοδος είναι αυτή της ταξινόμησης με τη χρήση χαρτογράφου φασματικών γωνιών (Spectral Angle Mapper - SΑΜ). Η μέθοδος αυτή είναι αυτοματοποιημένη και συγκρίνει φασματικές υπογραφές γνωστές (από φασματικές βιβλιοθήκες, ή από το πεδίο με τη χρήση σπεκτροραδιόμετρου), με τις φασματικές τιμές των εικονοστοιχείων της εικόνας. Η μέθοδος αυτή έχει το πλενέκτημα ότι δεν επηρεάζεται από τις τιμές φωτεινότητας των εικονοστοιχείων της εικόνας, διότι αυτά αντιμετωπίζονται σα διανύσματα. Η μέθοδος έχει χρησιμοποιηθεί στην χαρτογράφηση χρήσης/κάλυψης γης, και έχει διερευνηθεί η ικανότητά της να παράγει υψηλής ακρίβειας προϊόντα από διάφορους επιστήμονες (Yuhas κ.α. 1992, Choen και Seonghoon 1996, Youngsinn κ.α. 1999, Youngsinn και Rebello, 2002, Dennison κ.α. 2004). Μια άλλη μέθοδος ταξινόμησης δορυφορικών εικόνων, για την παραγωγή θεματικών χαρτών που περιέχουν ποιοτική πληροφορία για τους τύπους χρήσεων γης, είναι η μέθοδος της πολυφασματικής ταξινόμησης. Η μέθοδος αυτή ταξινομεί το κάθε εικονοστοιχείο της εικονας χωριστά με βάση την ψηφιακή του τιμή, η οποία καθορίζεται από την ακτινοβολία που ανακλάται ή εκπέμπεται σε κάθε φασματικό δίαυλο, το ποσό της οποίας εξαρτάται από το είδος της κάλυψης του εδάφους. Κατά συνέπεια οι τάξεις των εικονοστοιχείων που προκύπτουν από την ταξινόμηση της εικόνας αντιστοιχούν σε χρήσεις γης (Φείδας, 2002). Η πολυφασματική ταξινόμηση προσφέρει δυο κύριες μεθόδους στον χρήστη. Η μια είναι η επιβλεπόμενη ταξινόμηση (supervised classification) όπου ο χρήστης εκπαιδεύει τον ταξινομητή για τον διαχωρισμό των κλάσεων θέτοντας αυτός τα χαρακτηριστικά της κάθε μιας, και 23

24 επιλέγοντας τον κατάλληλο αλγόριθμο διαχωρισμού. Η δεύτερη είναι η μη επιβλεπόμενη ταξινόμηση (unsupervised classification) όπου ο χρήστης επεμβαίνει στον αριθμό των κλάσεων που επιθυμεί να δημιουργηθούν από τον ταξινομητή, και στην επιλογή του αλγόριθμου που θα τις διαχωρίσει. Τόσο οι επιβλεπόμενοι όσο και οι μη επιβλεπόμενοι μέθοδοι ταξινόμησης, έχουν μελετηθεί αρκετά και έχουν εφαρμοστεί σε τομείς όπως η πρόβλεψη καιρικών φαινομένων, η παρακολούθηση των δασικών οικοσυστημάτων, η εκτίμηση περιβαλλοντικών δεικτών κ.α. (Green κ.α. 1994). Ως επί τω πλείστον, και η δημιουργία χαρτών χρήσης/κάλυψης γης, βασίζεται σε επιβλεπόμενες ταξινομήσεις δορυφορικών δεδομένων (Foody κ.α. 1992, Συλλαίος κ.α. 2002, South κ.α. 2004, Mitchley, 2005). Οι αλγόριθμοι διαχωρισμού που χρησιμοποιούν τα λογισμικά ταξινόμησης είναι πολλοί. Συμβατικοί αλγόριθμοι ταξινόμησης εικονοστοιχείων όπως της μέγιστης πιθανοφάνειας (maximum likelihood), ή της εγγύτερης γειτνίασης (standard nearest neighbor), έχουν χρησιμοποιηθεί κατά κόρον για την εξαγωγή θεματικών πληροφοριών από τις αρχές της δεκαετίας του 1980 (Singh, 1986). Ειδικά ο δεύτερος σε συνδυασμό με την χρήση επιφανειών εκπαίδευσης για τις κλάσεις, αποτελεί την ποιο κοινή μέθοδος ταξινόμησης (Hajek, 2005, Yuan και Bauer, 2006). Παρόλη όμως την έρευνα που έχει διεξαχθεί πάνω στην πολυφασματική ταξινόμηση εικονοστοιχείων, πολλές φορές γίνεται δύσκολη ή και αδύνατη η εξαγωγή χαρακτηριστικών που να είναι εμφανή στο μάτι του φωτοερμηνευτή. Η ταξινόμηση εικονοστοιχείων, χρησιμοποιεί τη φασματική πληροφορία που αντιπροσωπεύεται από τις ψηφιακές τιμές του κάθε δίαυλου της εικόνας και επιχειρεί να ταξινομήσει το κάθε εικονοστοιχείο βάση αυτής της φασματικής πληροφορίας. Με αυτό τον τρόπο, πολύτιμη εννοιολογική πληροφορία, ικανή να ερμηνεύσει την εικόνα, δεν διοχετεύεται στα μεμονωμένα εικονοστοιχεία, αλλά απαιτείται η ανακατασκευή της εικόνας σε αντικείμενα με συγκεκριμένες ιδιότητες. Σύμφωνα με τους Settle και Drake (1993), η επιβλεπόμενη ταξινόμηση εικονοστοιχείων είναι περισσότερο εφαρμόσιμη σε περιοχές όπου τα ακραία-μεταβαλλόμενα εικονοστοιχεία της κάθε κλάσης, είναι λίγα και γενικά η εικόνα παρουσιάζει κάποια ομοιομορφία ως προς τις καλύψεις γης. Ο ισχυρισμός αυτός έρχεται σε πλήρη αντίθεση με τις περιοχές όπου οι χρήσεις γης ποικίλουν σημαντικά, όπως στα Μεσογειακά οικοσυστήματα. 24

25 Στα τελευταία υπάρχει συχνά φασματική επικάλυψη (spectral overlap) μεταξύ διαφόρων κλάσεων, καθιστώντας το έργο της ταξινόμησης ακόμα ποιο δύσκολο. Μια λύση στα παραπάνω προβλήματα έρχονται να δώσουν οι μέθοδοι ταξινόμησης που χρησιμοποιούν συμπληρωματικά δεδομένα, πέρα από την δορυφορική εικόνα. Τέτοια συστήματα ταξινόμησης είναι τα έμπειρα συστήματα και τα νευρωνικά δίκτυα. Τα συμπληρωματικά δεδομένα μπορεί να περιλαμβάνουν άλλες δορυφορικές εικόνες, ψηφιακά μοντέλα εδάφους, θεματικούς χάρτες, πληροφορίες από μετρήσεις πεδίου, πληροφορίες προσωπικής εμπειρίας κ.λπ. Ο συνδυασμός όλης αυτής της πληροφορίας μέσα από μια τροποποιημένη διαδοχή εξειδικευμένων αλγορίθμων, καθίστα δυνατή τη δημιουργία λεπτομερών κλάσεων, χωρίς να μειώνεται η ακρίβεια του προϊόντος. Οι Campagnolo και Caetano το 1997 ανέπτυξαν μια τεχνική ταξινόμησης των δορυφορικών εικόνων για την παραγωγή χαρτών χρήσεων γης, η οποία βασίζεται στην τεχνολογία των έμπειρων συστημάτων. Στηρίχθηκαν στην άποψη των Bolstad και Lillesand (1992) και Willkinson (1994), οι οποίοι εφάρμοσαν τα έμπειρα συστήματα ως μέθοδο για τη βελτίωση της ακρίβειας ταξινόμησης των δορυφορικών εικόνων για την παραγωγή χαρτών χρήσης/κάλυψης γης. Η έμπειρη-βάση κανόνων που δημιουργήθηκε και περιέχει όλη τη γνώση της ταξινόμησης, αποτελείται από ένα πλήθος κανόνων, συνθηκών και υποθέσεων, και περιλαμβάνει εκτός από της κατηγορίες ταξινόμησης των εικονοστοιχείων, χαρακτηριστικά επιφάνειας του εδάφους, και σύμφωνα με πρόσφατες έρευνες και άλλες χωρικής φύσεως πληροφορίες, που βελτιώνουν την ακρίβεια ταξινόμησης (Skidmore 1989, Srinivasan και Richards 1990). Μειονέκτημα όμως τόσο των έμπειρων συστημάτων όσο και των νευρωνικών δικτύων, είναι το γεγονός ότι προαπαιτούν την ύπαρξη συμπληρωματικών δεδομένων, καθώς και ότι είναι δύσκολα στην ανάπτυξή τους λόγω της πληθώρας των παραμέτρων που λαμβάνουν υπόψη τους. 25

26 2.4 Αντικειμενοστραφής ανάλυση δορυφορικών εικόνων Χρήση της αντικειμενοστραφούς ταξινόμησης εικόνας για την χαρτογράφηση χρήσεων/κάλυψης γης Η ανάγκη να ξεπεραστούν οι αδυναμίες των μεθόδων που αναφέρθηκαν στην προηγούμενη παράγραφο, έδωσε το κίνητρο για την ανάπτυξη άλλων τεχνικών ανάλυσης των δορυφορικών εικόνων. Η αντικειμενοστραφής ανάλυση (object oriented analysis) πολυφασματικών εικόνων, η οποία εισήγαγε την έννοια της κατάτμησης της εικόνας σε αντικείμενα, αναφέρεται από παλιά στην σχετική βιβλιογραφία (Ketting και Landgrebe, 1976). Παρόλα αυτά, παραγκωνίστηκε από τις μεθόδους που βασίζονται στην ανάλυση εικονοστοιχείων λόγω έλλειψης ηλεκτρονικών υπολογιστών με την απαραίτητη υπολογιστική ισχύ, που να την καθιστούν εφαρμόσιμή με ακρίβεια και ταχύτητα.. Μια επιπλέον αιτία, αποτελεί και το γεγονός ότι κάποιες διεργασίες στη αντικειμενοστραφή ανάλυση είναι σύνθετες από την φύση τους, και απαιτούν ειδικευμένο λογισμικό (Flanders κ.α. 2003). Η εξέλιξη της τεχνολογίας όμως στον τομέα των ηλεκτρονικών υπολογιστών (υλικά & λογισμικά hardware & software), σε συνδυασμό με την αδυναμία των μεθόδων που βασίζονται στην ανάλυση εικονοστοιχείων σε κάποιες εφαρμογές, κίνησε το ενδιαφέρον των ερευνητών να ασχοληθούν με την αντικειμενοστραφή ανάλυση δορυφορικών εικόνων (Hay κ.α. 2003, Thomas κ.α. 2003, Wulder και Seemann, 2003). Το γεγονός αυτό συντέλεσε στην ραγδαία εξάπλωση της αντικειμενοστραφούς ανάλυσης της εικόνας μετά το 2000 (Baatz και Schäpe, 2000). Η λογική της ανάλυσης άλλαξε, και αντί να μελετάται η φασματική συμπεριφορά ξεχωριστών εικονοστοιχείων, τα γειτονικά εικονοστοιχεία ομαδοποιήθηκαν, δημιουργώντας αντικείμενα προς παρατήρηση. Ένα από τα βασικά πλεονεκτήματα της αντικειμενοστραφούς ανάλυσης εικόνας είναι ο μεγάλος όγκος των πληροφοριών που μπορεί να αντληθεί από τα αντικείμενα της εικόνας, σε αντίθεση με τις πληροφορίες που αντλούνται από τα μεμονωμένα εικονοστοιχεία. Ένα εικονοστοιχείο περιέχει την σημειακή του πληροφορία ως διάνυσμα, και τη φασματική πληροφορία του αντίστοιχου διαύλου της εικόνας ως ψηφιακή τιμή. Αντίθετα, τα αντικείμενα της εικόνας συνθέτονται από ομάδες εικονοστοιχείων, με αποτέλεσμα να μπορούν να υπολογιστούν τα περιγραφικά 26

27 χαρακτηριστκά του κάθε αντικειμένου. Παράλληλα με τη φασματική πληροφορία, το σχήμα του αντικειμένου, το μέγεθός του, το περιβάλλον του, και πληροφορίες που αφορούν τα επίπεδα πάνω και κάτω από αυτό, μπορούν να συνδυαστούν παρέχοντας καινούριες προσεγγίσεις στην ανάλυση της εικόνας (Chubey κ.α. 2006). Η αντικειμενοστραφής προσέγγιση έχει το πλεονέκτημα του να εισάγει στη διαδικασία της ταξινόμησης χωρικές ιδιότητες γειτνίασης μεταξύ των αντικειμένων (Desclee κ.α. 2006). Αυτές οι ιδιότητες που φέρουν τα αντικείμενα μπορούν να αντισταθμίσουν τεχνικές αδυναμίες των απεικονιστών σε θέματα διάκρισης κλάσεων, και να παράγουν μια ποιο ρεαλιστική αναπαράσταση των μορφών της επιφάνειας του εδάφους, συγκρινόμενες με μεθόδους που βασίζονται σε εικονοστοιχεία (Blaschke και Strobl, 2001). Ο συνδυασμός της χωρικής πληροφορίας και των φασματικών χαρακτηριστικών των αντικειμένων έχουν γενικά βελτιώσει κατά πολύ τα ποσοστά ακρίβειας στις ταξινομήσεις (Franklin και Wilson 1991, Arai 1993, Carr 1996, Ryherd και Woodcock 1996). Η εφαρμογή των αλγόριθμων ταξινόμησης (επιβλεπόμενης, ή μη) σε αντικείμενα προσφέρει πλεονεκτήματα συγκριτικά με μεθόδους που βασίζονται στα εικονοστοιχεία. Στην αντικειμενοστραφή ανάλυση εικόνας εισάγονται πληροφορίες εννοιολογικές, φασματικές, κλίμακας, υφής, οι οποίες ενσωματώνονται στον χώρο των χαρακτηριστικών (feature space) της επιβλεπόμενης ταξινόμησης, και στην ιεραρχική δομή της ομάδας κανόνων (rule set) της. Αυτού του είδους οι πληροφορίες δημιουργούν νέες δυνατότητες για αύξηση της ποιότητας των ταξινομήσεων (Benz κ.α. 2004). Συγκεκριμένα, η ταξινόμηση δεδομένων Landsat TM για τη χαρτογράφηση των τύπων κάλυψης γης με τη μέθοδο της αντικειμενοστραφούς ανάλυσης εικόνας, έχει βρεθεί πως βελτιώνει την ακρίβεια της χαρτογράφησης σε ποσοστό 90,67%, έναντι 81,67% της επιβλεπόμενης ταξινόμησης που βασίζεται στην ανάλυση εικονοστοιχείων (Μansor κ.α. 2002). Η αντικειμενοστραφής ταξινόμηση εφαρμόστηκε το 2003 από τους Kressler κ.α. για τη διάκριση των βασικών τύπων κάλυψης γης από παγχρωματικά δεδομένα. Χρησιμοποιήθηκαν δύο εικόνες KOMPSAT-1 και SPOT-5, οι οποίες ταξινομήθηκαν όχι μόνο με βάση τις φασματικές τιμές των εικονοστοιχείων, αλλά με ένα πλήθος άλλων χαρακτηριστικών των αντικειμένων της εικόνας, όπως το μέγεθος, το σχήμα, τα γειτονικά χαρακτηριστικά κ.λπ. και εξάχθηκαν οι εξής κατηγορίες κάλυψης: αστική γη, δασική 27

28 γη, δρόμοι, διάκενα στο δάσος και γεωργικές καλλιέργειες. Το αποτέλεσμα της ταξινόμησης δίνει ποσοστά ακρίβειας που ξεπερνούν το 89,9% για την εικόνα KOMPSAT-1, και 86,3% για την εικόνα SPOT-5 (οι δασικές εκτάσεις ταξινομήθηκαν με ακρίβεια που ξεπερνά το 90%) Βασικές έννοιες της αντικειμενοστραφούς ανάλυσης εικόνας Οι άνθρωποι χρησιμοποιώντας την όρασή τους για να παρατηρήσουν μια εικόνα κινούν μια σειρά από νοητικές διεργασίες. Αυτές δίνουν την δυνατότητα στον παρατηρητή να κατανοήσει μια εικόνα και να ερμηνεύσει αυτό που βλέπει. Όταν κάποιος παρατηρεί μια περιοχή, τμήματα αυτής εστιάζονται και καταγράφονται ανάλογα με το σχήμα, το μέγεθός και το χρώμα τους. Κατά συνέπεια δημιουργούνται τα αντικείμενα μέσα στην εικόνα και οι σχέσεις μεταξύ αυτών (εικ. 1). Με την ίδια προσέγγιση, η αντικειμενοστραφής ανάλυση εικόνας βασίζεται στη ορθή κατάτμηση των αντικειμένων ενδιαφέροντος της εικόνας, έναντι του γενικού της περιεχομένου. Τα τμήματα που προκύπτουν από την κατάτμηση ονομάζονται «αντικείμενα εικόνας» (image objects). Η αντικειμενοστραφής ανάλυση εικόνας είναι περισσότερο κοντά στην λειτουργία της ανθρώπινης όρασης από την ανάλυση ανά εικονοστοιχείο (per-pixel analysis). Μελέτες που ασχολούνται με μεθόδους ταξινόμησης έδειξαν ότι με την αντικειμενοστραφή ανάλυση επιτυγχάνεται μεγαλύτερη ακρίβεια στη ταξινόμηση, καθώς και λεπτομερέστερη διάκριση κλάσεων (Yuan και Bauer, 2006, Addink κ.α. 2007). Εικόνα 1: Διεργασία κατανόησης εικόνας. 1: Παρατηρείται ένα κόκκινο σφαιρικό αντικείμενο. 2: Δίπλα αναγνωρίζεται μια ανθρώπινη φιγούρα. 3: Αναγνωρίζεται ένα μπλε φόντο. 4: Οι δυο πρώτες εικόνες συνδυάζονται και τοποθετούνται μπροστά από το φόντο. Αποτέλεσμα, η τελική εικόνα που αναγνωρίζεται ως ένας άνθρωπος που παίζει με μια μπάλα, με φόντο τον ουρανό 28

29 Οι τεχνικές της αντικειμενοστραφούς ταξινόμησης αναπαριστούν καλύτερα την πραγματικότητα εισάγοντας και έννοιες σχέσεων μεταξύ των αντικειμένων της εικόνας. Δημιουργείται κατ αυτόν τον τρόπο ένα ιεραρχικό δίκτυο (hierarchical network) των αντικειμένων της, το οποίο καθορίζει καθαρά την σχέση του κάθε αντικειμένου με τα γειτονικά του, τα υπό-αντικείμενα που το αποτελούν, καθώς και τα υπέρ-αντικείμενα που το περικλείουν (εικ. 2). Εικόνα 2: Ιεραρχικό δίκτυο αντικειμένων εικόνας Αυτό επιτρέπει την ακριβή ανάλυση οποιουδήποτε τμήματος της εικόνας, καθώς καθίσταται πλέον δυνατή η αναπαράσταση της πληροφορίας σε διαφορετικά επίπεδα κλίμακας, τα οποία ορίζονται πλέον από τα επίπεδα των αντικειμένων (object layers). Η ιεραρχική δόμηση των αντικειμένων της εικόνας παρέχει το πλέον κατάλληλο περιβάλλον εργασίας για την εξαγωγή πληροφοριών με την ταξινόμηση. Αποτελείται από ένα ή πολλά επίπεδα, με το χαμηλότερο να έχει το μικρότερο μέγεθος αντικειμένων και την καλύτερη χωρική ανάλυση, ενώ τα υψηλά ιεραρχικά επίπεδα έχουν τα μεγάλα σε μέγεθος αντικείμενα και αποδίδουν μικρότερη κλίμακα. Τα αντικείμενα της εικόνας λόγω αυτού του δικτύου συνδέονται τόσο σε οριζόντιο επίπεδο, όσο και σε κατακόρυφο μεταξύ τους με σχέσεις που ορίζονται από τον χρήστη. Κατ αυτόν τον τρόπο, δημιουργείται ένα εξελιγμένο τοπολογικό δίκτυο που επιτρέπει την εξαγωγή πολλών διαφορετικών ειδών πληροφορίας. 29

30 Τα βασικά στάδια που ακολουθούνται κατά την αντικειμενοστραφή ανάλυση της εικόνας είναι δυο, η κατάτμηση και η ταξινόμηση (εικ. 3). Η κατάτμηση διαιρεί την εικόνα σε συνεχείς ομάδες εικονοστοιχείων που ονομάζονται πρωταρχικά τμήματα αντικειμένων (image object primitives). Στην ιδανική περίπτωση, τα τμήματα αυτά αντιστοιχούν σε πραγματικά αντικείμενα ενδιαφέροντος της περιοχής μελέτης (Hofmann και Reinhardt, 2000). Όταν γίνει η ταυτοποίηση των τμημάτων αυτών με πραγματικά αντικείμενα στην εικόνα, ακολουθεί το δεύτερο στάδιο όπου γίνεται η ταξινόμηση αυτών βάσει χαρακτηριστικών φασματικών, χωρικών και συνάφειας. Εικόνα 3: Ροή εργασιών αντικειμενοστραφούς ανάλυσης εικόνας Η κατάτμηση (segmentation) της εικόνας είναι η διαδικασία της εξολοκλήρου διαίρεσης της σε μη επικαλυπτόμενα τμήματα, στον χώρο που ορίζεται από την ίδια (Schiewe, 2002). Υπάρχουν πολλοί αλγόριθμοι κατάτμησης όπου ο καθένας βρίσκει συγκεκριμένη εφαρμογή, βάσει των περιορισμών του αλλά και της συγκεκριμένης ειδίκευσης που έχει. Ο αλγόριθμος αύξησης περιοχής (region growing) που χρησιμοποιεί το Definiens Developer, ομογενοποιεί τα στοιχεία της εικόνας βάσει της ομοιογένειας των διαιρεμένων τμημάτων, και της ετερογένειας των γειτονικών περιοχών. Κατά τη διαδικασία της κατάτμησης γίνεται συνάθροιση των γειτονικά εφαπτόμενων εικονοστοιχείων σε αντικείμενα, λαμβάνοντας υπόψη τόσο φασματικά όσο και γεωμετρικά χαρακτηριστικά, μέσα από μια διαδικασία ομαδοποίησης με αλληλουχίες ζευγών (pairwise). Μέσω αυτής της προσέγγισης τα αντικείμενα που 30

31 δημιουργούνται έχουν πέρα από κοινές φασματικές ιδιότητες, γεωμετρικά κοινά χαρακτηριστικά όπως σχήμα, μέγεθος, υφή και δομή (Baatz και Schape, 2000). Το μέγεθος των αντικειμένων που προκύπτουν κατά την κατάτμηση της εικόνας καθορίζεται από το χρήστη, και εξαρτάται από τη κλίμακα του αντικειμένου προς χαρτογράφηση, της χωρικής ετερογένειας του τοπίου, και της χωρικής ανάλυσης της εικόνας. Μετά την διαδικασία της κατάτμησης η εικόνα υποδιαιρείται σε ξεχωριστά τμήματα επεξεργασίας. Σημαντικό ρόλο παίζουν επίσης και οι παράμετροι της κατάτμησης που συνθέτουν το κριτήριο ομοιογένειας (χρώμα, σχήμα) και της κλίμακας. Σε κάθε περίπτωση οι κατάλληλες τιμές των παραμέτρων αυτών καθορίζονται μέσα από μια επαναληπτική διαδικασία «δοκιμής και λάθους» (trial & error) (Wang κ.α. 2004). Η ταξινόμηση είναι η διαδικασία κατά την οποία όλα τα αντικείμενα της εικόνας αντιστοιχίζονται με τις δημιουργημένες από τον χρήστη κλάσεις. Κατά την αντιστοίχηση του αντικειμένου, αυτό συνδέεται με το ιεραρχικό δίκτυο των κλάσεων που έχει δημιουργήσει ο χρήστης. Η κάθε κλάση περιέχει τα δικά της διακριτικά χαρακτηριστικά (features) που την περιγράφουν, τα οποία περνάει στα αντικείμενα που την αποτελούν. Κληρονομεί τα διακριτικά χαρακτηριστικά των γονικών της κλάσεων (parent classes), και κληροδοτεί τα δικά της στις κλάσεις-παιδιά της (child classes) αντίστοιχα. Η ιεραρχική αντικειμενοστραφής δομή αποτελεί τη βάση για την ταξινόμηση της εικόνας. Στην αντικειμενοστραφή ανάλυση της εικόνας, η αντιστοίχηση των αντικειμένων στις κλάσεις γίνεται βάσει της ασαφούς λογικής. Η ασαφής λογική εισάγει την μαθηματική έκφραση της ποσοτικοποίησης μιας αβέβαιης κατάστασης. Κύρια ιδέα της είναι να αντικαταστήσει το δυαδικό σύστημα λογικής έκφρασης το οποίο είναι σαφές και αυστηρό. Αντί για τις εκφράσεις «ναι», «όχι», εισάγεται ένας κανόνας συμμετοχής μέσω μιας συνάρτησης, σε ένα συνεχές εύρος τιμών το οποίο κυμαίνεται από 0 ως 1. Για παράδειγμα ένα αντικείμενο μπορεί να έχει τιμή συμμετοχής στην κλάση «κωνοφόρα» 0,7 και στην κλάση «θαμνολίβαδα» 0,3. Έτσι εξασφαλίζεται ότι διατηρείται η ετερογένεια της κλάσης και η ποικιλομορφία της επιφάνειας της γης και μέσα στη μονάδα επιφάνειας της ταξινόμησης. Η χρήση των ασαφών συναρτήσεων συμμετοχής (fuzzy membership functions) στο Definiens Developer (Milton κ.α. 2005) επιτρέπει σε κάθε αντικείμενο να εκπροσωπείται 31

32 ποσοστιαία σε πάνω από μια κλάση. Πλεονέκτημα αυτής της προοπτικής είναι το ότι τα μικρά αντικείμενα που είναι αρκετά μεγάλα ώστε να αποφύγουν να αποτελούνται από μεικτά εικονοστοιχεία, μπορούν βάσει της ασαφούς λογικής να ταξινομηθούν σε παραπάνω από μια κλάση (Ivits κ.α. 2003, Bock 2004). Επίσης σε κλάσεις όπου ο χαρακτηρισμός τους είτε φασματικά είτε οικολογικά είναι δύσκολος, η ασαφής ταξινόμηση απομακρύνει την ανάγκη για απόλυτο διαχωρισμό και χαρακτηρισμό των ορίων των κλάσεων αυτών. Λόγω όλων των παραπάνω πλεονεκτημάτων, οι πλέον σύγχρονες μελέτες εγκαταλείπουν σταδιακά τις παραδοσιακές ταξινομήσεις, και επικεντρώνουν το ενδιαφέρον τους στην εύρεση αλγορίθμων κατάτμησης εικόνας και αντικειμενοστραφούς ταξινόμησης (Levine και Nazif 1985, Clement 1993, Pinz κ.α. 1996, Hoover 1996, Pohl και Van Genderen, 1998, Mitri και Gitas 2002, Schiewe 2002, Cheng 2002, Burnett κ.α. 2003, Hay κ.α. 2003). Παρόλα αυτά η αντικειμενοστραφής ανάλυση παρουσιάζει και μειονεκτήματα. Απαιτεί από τον αναλυτή βαθειά γνώση των αντικειμένων μελέτης της περιοχής που εξετάζει, καθώς και κατανόηση των τεχνικών χαρακτηριστικών του απεικονιστή της προς εξέταση εικόνας. Ο αναλυτής έτσι δύναται να επιλέξει τις κατάλληλες παραμέτρους για την κατάτμηση της εικόνας, καθώς και τα κατάλληλα διακριτικά χαρακτηριστικά και κανόνες, ώστε να ταξινομήσει τα αντικείμενα αυτής (Hay κ.α. 2003, De Kok κ.α. 1999, Flanders κ.α. 2003). Δυστυχώς ο χρήστης που έχει γνώση των χωρικών και φασματικών ιδιοτήτων των αντικειμένων, καθώς και κατανόηση της αντικειμενοστραφούς ανάλυσης δεν είναι πάντα διαθέσιμος (Flanders κ.α. 2003). Σοβαρό μειονέκτημα επίσης το γεγονός ότι η δημιουργία ενός ιεραρχικού δικτύου αντικειμένων απαιτεί επαναλαμβανόμενη διαδικασία «δοκιμής και λάθους» (trial & error), η οποία καταναλώνει πολύ χρόνο και διαδραστικότητα από τον χρήστη (Schiewe κ.α. 2001). 2.6 Σύνοψη κεφαλαίου Ο όρος χρήσεις/κάλυψη γης, εκφράζει με μεγαλύτερη σαφήνεια τα χαρακτηριστικά της επιφάνειας της, όταν αναφέρεται κανείς σε χαρτογράφηση με τη χρήση δορυφορικών δεδομένων. Ο όρος χρήσεις γης 32

33 αναφέρεται στις κοινωνικοοικονομικές δραστηριότητες του ανθρώπου, ενώ ο όρος της κάλυψης γης στα φυσικά υλικά του εδάφους της, που αποτελούν την βιοφυσική κάλυψη της επιφάνειάς της. Ο ενημερωμένος και ακριβής χάρτης χρήσης/κάλυψης γης, αποτελεί σημαντικό εργαλείο διαχείρισης και ανάπτυξης τόσο σε τοπικό, όσο και σε εθνικό επίπεδο. Η ζήτηση τέτοιων χαρτών ολοένα και θα αυξάνει, λόγω του αυξημένου ρυθμού εκμετάλλευσης των φυσικών πόρων από τον άνθρωπο και της οικιστικής ανάπτυξης. Η χαρτογραφία ιστορικά ξεκίνησε από το πεδίο, όπου οι αποτυπώσεις απαιτούν χρόνο και κόπο. Η εποχή της αεροφωτογραφίας έδωσε γρήγορα και ακριβή χαρτογραφικά προϊόντα, τα οποία ξεπεράστηκαν από τα αντίστοιχα των δορυφορικών εικόνων, τα οποία περιείχαν λιγότερα σφάλματα, κάλυπταν μεγαλύτερες επιφάνειες, και παρείχαν περισσότερες πληροφορίες. Η πολυφασματική ταξινόμηση εικονοστοιχείων δορυφορικών εικόνων είναι η ποιο κοινή μέθοδος για τη δημιουργία χάρτη χρήσης/κάλυψης. Παρόλα αυτά έχει πολλές αδυναμίες τις οποίες έρχεται να ξεπεράσει η αντικειμενοστραφής ανάλυση των εικόνων. Η τελευταία δημιουργεί και ταξινομεί αντικείμενα με την χρήση φασματικών, χωρικών και εννοιολογικών χαρακτηριστικών. Οι λειτουργίες της προσομοιάζουν καλύτερα την ανθρώπινη αντίληψη της εικόνας, δίνοντας έτσι καλύτερα αποτελέσματα στις ταξινομήσεις εικόνων. 33

34 3. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ Το παρών κεφάλαιο χωρίζεται σε δυο μέρη. Στο πρώτο περιγράφονται οι περιοχές μελέτης όπου παρέχονται πληροφορίες για το γεωλογικό υπόβαθρο, τις κλιματικές συνθήκες, και τα είδη βλάστησης που επικρατούν. Στο δεύτερο περιγράφονται λεπτομερώς τα δεδομένα που χρησιμοποιήθηκαν στη μελέτη, και αναφέρονται κάποια τεχνικά χαρακτηριστικά αυτών. 3.1 Περιγραφή των περιοχών μελέτης Οι περιοχές έρευνας της παρούσης μελέτης είναι δυο, η πρώτη καλύπτει τμήμα του νομού Χαλκιδικής και η δεύτερη τμήμα της νότιας Πίνδου. Οι περιοχές οριοθετήθηκαν σύμφωνα με τα πλαίσια λήψης (frame shots) των διαθέσιμων δορυφορικών εικόνων (εικ. 4). Οι τελευταίες επιλέχτηκαν ανάμεσα από πολλές, με κριτήριο την απουσία σύννεφων και την υπάρχουσα διαθεσιμότητα όσο το δυνατόν περισσότερων δεδομένων πεδίου που θα χρησιμοποιηθούν για τον έλεγχο της ακρίβειας των ταξινομήσεων. Εικόνα 4: Όρια των δυο περιοχών μελέτης 34

35 3.1.1 Πρώτη περιοχή μελέτης Η πρώτη περιοχή μελέτης βρίσκεται στη Περιφέρεια Κεντρικής Μακεδονίας στη Βόρειο Ελλάδα, και αποτελεί τμήμα του νομού Χαλκιδικής (εικ. 5). Η γεωγραφική της θέση βρίσκεται μεταξύ γεωγραφικού μήκους 23º22-24º11 Α, και γεωγραφικού πλάτους 39º58-40º35 Β. Η έκταση που καλύπτει συνολικά το τμήμα ανέρχεται περίπου στα 1634km 2. Το υψόμετρο της περιοχής ξεκινά από το επίπεδο της θάλασσας και εκτείνεται στα 1165m (Όρος Χολομώντας). Εικόνα 5: Πρώτη περιοχή μελέτης Γεωμορφολογικά η περιοχή μελέτης παρουσιάζει μεγάλο ενδιαφέρον. Μοιάζει με ένα κεκλιμένο γεωλογικό επίπεδο με τις ήπιες κλίσεις στα δυτικά και τις έντονες στα ανατολικά. Η χερσόνησος της Σιθωνίας ανήκει σε δυο διαφορετικές γεωτεκτονικές ζώνες. Δυτικά και νότια δυτικά υπάγεται στην Περιροδοπική ζώνη ενώ ανατολικά εμφανίζονται κατά τόπους τα πετρώματα της Σερβομακεδονικής μάζας. Έτσι δυτικά και νότια δυτικά υπάρχουν χαλαζίτες - φυλλίτες, πρασχινοσχιστόλιθοι και ασβεστόλιθοι, ενώ ανατολικά διμαρμαρυγιακοί και μοσχοβιτικοί γνεύσιοι καθώς και γρανίτες με μικρή εμφάνιση τους και προς τα δυτικά. Η περιοχή του Χολομώντα ανατολικά ανήκει και αυτή στη Σερβομακεδονική μάζα, ενώ δυτικά από βορά ως νότο και μέχρι και το τέλος της χερσονήσου του Άθω στην Περιροδοπική ζωνη. Το μικρό κομμάτι της περιοχής που περιλαμβάνει τμήμα της χερσονήσου της 35

36 Κασσάνδρας ανήκει στην ζώνη του Αξιού (συγκεκριμένα στην ενότητα της Παιονίας) όπου κυριαρχούν σχιστόλιθοι, ψαμμίτες, πηλίτες, και σε λόφους ασβεστόλιθοι (Μουντράκης, 1985). Το κλίμα της Χαλκιδικής χαρακτηρίζεται ως τυπικό μεσογειακό με θερμά, ξηρά καλοκαίρια, και ήπιους χειμώνες. Κατά Köppen (1936) κατατάσσεται στα μεσόθερμα κλίματα (C) και ειδικότερα στα βροχερά κλίματα με ήπιο χειμώνα και μικρή ξηροθερμική περίοδο το καλοκαίρι (τύπος s). Επιμέρους σε κάθε περιοχή εναλλάσσονται οι υπότυποι Csa και Csb. Οι ψυχρότεροι μήνες είναι ο Ιανουάριος και ο Φεβρουάριος με μέση θερμοκρασία 1,7-2,2ºC, ενώ οι θερμότεροι ο Ιούλιος και ο Αύγουστος με 25,8-26,2ºC. Η μέση βροχόπτωση κυμαίνεται γύρω στα 581,3mm με το μεγαλύτερο ποσοστό της να κατανέμεται κατά τους μήνες Οκτώβριο και Μάρτιο. Τέλη Μαΐου αρχίζει η ξηρά περίοδος η οποία κρατάει μέχρι αρχές Οκτώβρη, με την ξηροθερμική περίοδο να έχει διάρκεια δυο μηνών, μέσα Ιουλίου με μέσα Σεπτεμβρίου. Η βλάστηση της περιοχής μελέτης κυριαρχείται κυρίως από φυλλοβόλα δάση, αλλά συμμετέχουν επίσης κωνοφόρα δάση, δάση αείφυλλων πλατύφυλλων και μεσογειακή μακία (εικ. 6). Διαρθρώνεται σε ζώνες ανάλογα με τη χλωριδική σύνθεση, το υπερθαλάσσιο ύψος, τους γεωμορφολογικούς σχηματισμούς, την θερμοκρασία αέρος και την βροχόπτωση. Συγκεκριμένα διακρίνονται τρεις ζώνες βλάστησης: Quercetalia ilicis (Ευμεσογειακή ζώνη βλάστησης) Quercetalia pubescentis (Παραμεσογειακή ζώνη βλάστησης) Fagetalia (Ζώνη δασών οξιάς) Τα κύρια δασοπονικά είδη που απαντώνται είναι τα: Quercus frainneto, Quercus pubescens, Fagus sp., Castanea sativa, Pinus halepensis, Pinus pinea, Quercus coccifera, Quercus ilex, Pistacia Lentiscus, Myrtus communis, Arbutus unedo, Arbutus Andrachne, Spartium junceum. 36

37 Εικόνα 6: Πευκοδάσος χαλεπίου πεύκης με υπόροφο μακίας βλάστησης Δεύτερη περιοχή μελέτης Η δεύτερη περιοχή μελέτης αποτελείται από τμήματα πολλών νομών οι οποίοι υπάγονται στις παρακάτω διοικητικές περιφέρειες: Θεσσαλίας, Στερεάς Ελλάδας, Δυτικής Ελλάδας, και Ηπείρου. Συγκεκριμένα οι νομοί που περικλείονται στα όριά της είναι οι έξης: Τρικάλων, Καρδίτσας, Ευρυτανίας, Φθιώτιδας, Αιτωλοακαρνανίας και Άρτας (εικ. 7). Αποτελείται στο μεγαλύτερο ποσοστό της, από το νότιο τμήμα της οροσειράς της Πίνδου. Η έκταση που καλύπτει συνολικά το τμήμα ανέρχεται περίπου Εικόνα 7: Η δεύτερη περιοχή μελέτης 37

38 στα 3952km 2. Tο υψόμετρο της περιοχής ξεκινά από τα 61m και εκτείνεται στα 2.146m (Όρος Αυγό, Ν.Τρικάλων). Γεωλογικά η περιοχή καλύπτεται από πολλές ζώνες. Από ανατολικά προς τα δυτικά οι ζώνες εναλλάσσονται διαδοχικά η μια την άλλη. Κατά Μουντράκη (1985), τόσο ανατολικά όσο και βόρεια ανατολικά, πέριξ της Καρδίτσας επικρατεί η Υποπελαγονική ζώνη που εφάπτεται με την ζώνη Ωλονού-Πίνδου όπου απαντώνται ιζηματογενή ή ημιμεταμορφωμένα πετρώματα (κροκαλοπαγή, ψαμμίτες, πηλίτες, ασβεστόλιθους και φλύσχη). Στη συνέχεια στη ζώνη Ωλονού-Πίνδου κυριαρχούν ασβεστόλιθοι και σχιστολιθικοί ψαμμίτες της σειράς του φλύσχη, μικρές νησίδες πυριγενών πετρωμάτων της σειράς των οφειτών, νεοκρητιδικοί πελαγικοί ασβεστόλιθοι και πυριτόλιθοι, που εναλλάσσονται με μικρολατυποπαγείς ασβεστόλιθους και φλύσχη ψαμμιτομαργαϊκού τύπου. Προς τα δυτικά η ζώνη Γαβρόβου-Τρίπολης δίνει φλύσχη, μαύρους και γκρίζους ασβεστόλιθους, δολομίτες, και φυλλίτες. Τέλος το δυτικό τμήμα της περιοχής μελέτης που φτάνει περίπου μέχρι τον Αμβρακικό κόλπο, είναι στα όρια της Αδριατικοϊόνιου ζωνης. Εκεί υπάρχουν φλύσχης, ασβεστόλιθοι (Σινιών και Παντοκράτορα) λευκοί δολομίτες και γύψοι. Οι κλιματικές συνθήκες της περιοχής μελέτης ποικίλουν τόσο λόγω αναγλύφου όσο και υψομετρικής διαφοράς. Γενικά, όπως και στην πρώτη περιοχή επικρατεί το τυπικό μεσογειακό κλίμα με θερμά, ξηρά καλοκαίρια, και ήπιους χειμώνες. Κατά Köppen (1936) κατατάσσεται στα μεσόθερμα κλίματα (C) και ειδικότερα στα βροχερά κλίματα με ήπιο χειμώνα και μικρή ξηροθερμική περίοδο το καλοκαίρι (τύπος s). Επιμέρους σε κάθε περιοχή εναλλάσσονται οι υπότυποι Csa και Csb. Από ανατολικά προς δυτικά εναλλάσσεται το ηπειρωτικό κλίμα με το ορεινό ανάλογα με το υψόμετρο. Οι ψυχρότεροι μήνες είναι ο Ιανουάριος και ο Φεβρουάριος με μέση θερμοκρασία -3,4 με 0,4ºC, ενώ οι θερμότεροι ο Ιούλιος και ο Αύγουστος με 23,9 με 26,4ºC. Το μέσο ύψος βροχής κυμαίνεται γύρω στα 1024,6mm με το μεγαλύτερο ποσοστό της να κατανέμεται στην περιοχή τους μήνες Οκτώβριο με αρχές Μάιου. Τέλη Μαΐου αρχίζει η ξηρά περίοδος η οποία κρατάει μέχρι αρχές Οκτώβρη, με την ξηροθερμική περίοδο να έχει διάρκεια δυο μηνών, μέσα Ιουλίου με μέσα Σεπτεμβρίου. 38

39 Η βλάστηση της περιοχής μελέτης κυριαρχείται από κωνοφόρα δάση, αλλά συμμετέχουν και φυλλοβόλα δάση, δάση αείφυλλων πλατύφυλλων και μεσογειακή μακία (εικ. 8). Διαρθρώνεται σε ζώνες ανάλογα με τη χλωριδική σύνθεση, το υπερθαλάσσιο ύψος, τους γεωμορφολογικούς σχηματισμούς, την θερμοκρασία αέρος και την βροχόπτωση. Συγκεκριμένα λόγω μεγάλης υψομετρικής διαφοράς, διακρίνονται και οι πέντε ζώνες βλάστησης: Quercetalia ilicis (Ευμεσογειακή ζώνη βλάστησης) Quercetalia pubescentis (Παραμεσογειακή ζώνη βλάστησης) Fagetalia (Ζώνη δασών οξιάς) Vaccinio Picetalia (Ζώνη ψυχρόβιων κωνοφόρων) Astragalo-Acantholimonetalia (Εξωδασική ζώνη υψηλών ορέων) Τα κύρια δασοπονικά είδη που απαντώνται είναι τα: Abies borisii Regis, Abies cephalonica, Pinus leucodermis, Pinus silvestris, Pinus nigra, Quercus frainneto, Quercus pubescens, Quercus cerris, Fagus moesiaca, Castanea sativa, Taxus bacata, Ostrya carpinifolia, Fraxinus ornus, Acer obtusatum, Acer platanoides, Juniperus oxycedrus, Juniperus foeditissima, Juniperus communis, Daphne oleoides, Festuca ovina, Aesculus hippocastanus, Quercus coccifera, Alnus glutinosa, Erica sp., Arbutus unedo, Spartium junceu, Pteridium aquilinumm. Εικόνα 8: Δασολίβαδο του Ν. Τρικάλων (περιοχή Περτουλίου) με κυρίαρχο είδος την υβριδογενή ελάτη 39

40 3.2 Δεδομένα Τα δεδομένα που χρησιμοποιήθηκαν στη παρούσα μελέτη είναι τα εξής: Δυο δορυφορικές πολυφασματικές εικόνες SPOT-4 κατηγορίας 1A, με χωρική διακριτική ικανότητα 20m. Η πρώτη λήφθηκε 30 Αυγούστου το 2006, ενώ η δεύτερη 25 Αυγούστου το 2006 και καλύπτουν την πρώτη και τη δεύτερη περιοχή μελέτης αντίστοιχα. Η εικόνα της περιοχής της Χαλκιδικής χρησιμοποιήθηκε για την ανάπτυξη του αντικειμενοστραφούς μοντέλου ταξινόμησης, ενώ η εικόνα της ευρύτερης περιοχής της νοτίου Πίνδου για τον έλεγχο της ικανότητας μεταφοράς του μοντέλου. (εικ. 9). Μια συνοπτική αναφορά των τεχνικών χαρακτηριστικών του δορυφόρου SPOT-4 δίνεται στο κεφάλαιο Δυο δορυφορικές πολυφασματικές εικόνες SPOT-5 του ίδιου πλαισίου λήψης (frame shot), κατηγορίας 3Α, και χωρικής διακριτικής ικανότητας 25m. Οι εικόνες αυτές χρησιμοποιήθηκαν ως αναφορά για την ορθοαναγωγή των SPOT-4 εικόνων. Το ψηφιακό μοντέλο εδάφους (Digital Elevation Model DEM) των περιοχών μελέτης με μέγεθος κελιού 30m χρησιμοποιήθηκε για την ορθοδιόρθωση των εικόνων. Ο χάρτης χρήσης/κάλυψης γης CORINE (COoRdination of INformation on the Environment) του Ευρωπαϊκού Οργανισμού Περιβάλλοντος (Ε.Ο.Π), ο οποίος συντάχθηκε το Χρησιμοποιήθηκε στη μελέτη προκειμένου να προκαθοριστούν οι αγροτικές περιοχές, και να αποκλειστούν από τη διαδικασία της ταξινόμησης στο μοντέλο. Επίσης στο να ορισθούν οι κλάσεις οι οποίες βρίσκονταν σε περιοχές κάτω από σύννεφα και σκιές όπου δεν ήταν δυνατή η ανάκτηση της πληροφορίας. Δυο χάρτες χρήσης/κάλυψης γης των περιοχών μελέτης. Οι χάρτες προήλθαν από αντικειμενοστραφή ταξινόμηση εικόνων LANDSAT-5 TM, και χρησιμοποιήθηκαν για σύγκριση με τους χάρτες που παρήχθησαν από τις εικόνες SPOT. Μια συνοπτική αναφορά των τεχνικών χαρακτηριστικών των χαρτών δίνεται στο κεφάλαιο Δεδομένα πεδίου και φωτοερμηνείας χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας των τελικών χαρτών. Στη Χαλκιδική από επιτόπιες αυτοψίες 40

41 συλλέχτηκαν 102 σημεία με φορητό σύστημα εντοπισμού θέσης (δέκτη GPS) και στη δεύτερη περιοχή μελέτης άλλα 31. Αυτά συμπληρώθηκαν από σημεία που επιλέχτηκαν βάσει φωτοερμηνείας ανεξάρτητου ειδικού επιστήμονα, σε εικόνες πολύ υψηλής χωρικής διακριτικής ικανότητας. Συνολικά στη Χαλκιδική χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας των χαρτών 291 σημεία και στη δεύτερη περιοχή μελέτης 318. Εικόνα 9: Οι δυο δορυφορικές εικόνες SPOT-4 που χρησιμοποιήθηκαν στην μελέτη Το δορυφορικό σύστημα SPOT-4 Το δορυφορικό σύστημα SPOT (Systeme Probatoire d Observation la Terre) σχεδιάστηκε από τη Γαλλική Κυβέρνηση με τη συμμετοχή της Σουηδίας και του Βελγίου, υπό την επίβλεψη του Κέντρου Διαστημικών Ερευνών της Γαλλίας (CNES, Center National d Etudes Spatiale). O SPOT-4 δορυφόρος ζυγίζει 2760kg κινείται με ταχύτητα 7,4km/sec, καταγράφει κυκλική, πολική και ηλιοσύχρονη τροχιά σε ύψος 822km (από τον ισημερινό) με γωνία κλήσης 98.7 o (στον ισημερινό). Ο δορυφόρος περνάει από τον ισημερινό στις 10:30π.μ (τοπική ώρα) και η χρονική διακριτική ικανότητα του είναι 26 ημέρες. Φέρει τρείς απεικονιστές, τους HRVIR-1 και HRVIR- 2 (HRVIR: Haute Résolution dans le Visible et l'infra-rouge) και τον VEGETATION (VGT) (εικ 10). Οι δυο πρώτοι λειτουργούν είτε πολυφασματικά με χωρική διακριτική ικανότητα 20m σε τέσσερις φασματικούς διαύλους (πράσινο, κόκκινο, κοντινό και μέσο υπέρυθρο), είτε μονοχρωματικά (0, μm) με χωρική 41

42 διακριτική ικανότητα 10m (εικ. 11). Η ραδιομετρική διακριτική ικανότητα των φασματικών διαύλων είναι 256 επιπέδων (8bit, 2 8 = 256). Εικόνα 10: Δυνατότητες σάρωσης των απεικονιστών του SPOT-4 Εικόνα 11: Φασματική ανάλυση των απεικονιστών, και τρόπος σάρωσης του SPOT-4 Τα προϊόντα του SPOT μπορεί να τα παραγγείλει οποιοσδήποτε από την εταιρία SPOT IMAGE μέσω διαδικτυακών καταλόγων που είναι διαθέσιμοι για το κοινό. Τα προϊόντα ταξινομούνται σε πέντε κατηγορίες ανάλογα με το στάδιο προεπεξεργασίας που έχουν υποστεί (SPOT Technical Information, 2005): 1Α: Εξισορρόπηση του σαρωτή σε κάθε φασματικό δίαυλο για την ραδιομετρική τους διόρθωση. Η κατηγορία με τις λιγότερες διορθώσεις. 1Β: Ραδιομετρικές και γεωμετρικές διορθώσεις (χωρίς σημεία ελέγχου στο έδαφος) για διόρθωση της παραμόρφωσης της εικόνας από την περιστροφή 42

43 της γης. Το προϊόν δεν έχει προβολικό σύστημα χάρτη και δεν είναι διορθωμένες οι παραμορφώσεις της εικόνας λόγω ανάγλυφου. 2Α: Όπως το 1Β αλλά σε προβολικό σύστημα χάρτη. 2Β: Όπως το 2Α, αλλά η γεωμετρική διόρθωση γίνεται βάσει σημείων ελέγχου στο έδαφος. 3Α: Το ποιο πλήρες (και ακριβότερο) προϊόν που περιλαμβάνει όλα τα προηγούμενα στάδια προεπεξεργασίας, και επιπροσθέτως έχει υποστεί ορθοαναγωγή (με σημεία ελέγχου στο έδαφος και ψηφιακό μοντέλο εδάφους) για διόρθωση των παραμορφώσεων της εικόνας λόγω αναγλύφου Χάρτες χρήσης/κάλυψης από ταξινόμηση εικόνων LANDSAT-5 TM Οι χάρτες που χρησιμοποιήθηκαν στη μελέτη για σύγκριση, συντάχθηκαν από το Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης, της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος, του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης. Οι χάρτες συντάχθηκαν στα πλαίσια του προγράμματος «Το Μέλλον των Δασών», σε συνεργασία με το Παγκόσμιο Ταμείο για τη Φύση (World Wildlife Fund WWF). Οι χάρτες περιλαμβάνουν όλη την Ελλάδα και καλύπτουν δυο χρονολογίες το 1987 και το Λόγω του ότι οι εικόνες SPOT είναι του 2006, επιλέχτηκαν οι χάρτες του 2007 που είναι χρονικά κοντά, και πραγματοποιήθηκε χωρική αποκοπή (spatial subset) των χαρτών ώστε να καλύπτουν ακριβώς τις δυο περιοχές μελέτης. Οι χάρτες προήλθαν από αντικειμενοστραφή ταξινόμηση εικόνων LANDSAT-5 TM, με ελάχιστη μονάδα χαρτογράφησης 0,63 εκτάρια, και περιλαμβάνουν τις κατηγορίες χρήσης/κάλυψης γης που θα χρησιμοποιηθούν και στη παρούσα μελέτη. Το ενδιαφέρον έγκειται στο γεγονός, ότι ο LANDSAT έχει 30m χωρική διακριτική ικανότητα, ενώ ο SPOT 20m, και στο ότι χρησιμοποιήθηκε ίδια μέθοδος, που δημιουργεί ενδιαφέρον για τη μελέτη των διαφορετικών αποτελεσμάτων. 3.3 Σύνοψη κεφαλαίου Η έρευνα θα διεξαχθεί σε δυο περιοχές μελέτης. Η πρώτη αποτελεί τμήμα του νομού Χαλκιδικής όπου καλύπτεται ως επί τω πλείστον από δάση δρυός, 43

44 χαλεπίου πεύκης και μακίας βλάστησης. Η δεύτερη αποτελεί το νότιο τμήμα της οροσειράς της Πίνδου και χαρακτηρίζεται από έντονες κλίσεις, δάση υβριδογενούς ελάτης, και δάση πλατυφύλλων. Στην πρώτη περιοχή θα αναπτυχθεί το αντικειμενοστραφές μοντέλο ταξινόμησης, ενώ στη δεύτερη θα ελεγχθεί η ικανότητα μεταφερσιμότητάς του. Τα δεδομένα της εργασίας συνοψίζονται στα εξής: Δυο εικόνες SPOT-4 του 2006 θα χρησιμοποιηθούν στη μελέτη. Δυο εικόνες SPOT-5 με ίδιο πλαίσιο λήψης για την ορθοαναγωγή των πρώτων. Το ψηφιακό μοντέλο εδάφους των περιοχών μελέτης για την ορθοαναγωγή των εικόνων. Ο χάρτης χρήσης/κάλυψης γης CORINE 2000 για προκαθορισμό των αγροτικών περιοχών και την απόδοση κλάσεων όπου η εικόνα έχει σύννεφα και σκιές. Χάρτες χρήσης/κάλυψης γης των περιοχών μελέτης, οι οποίοι προήλθαν από αντικειμενοστραφή ταξινόμηση εικόνων LANDSAT-5 TM, για σύγκριση των αποτελεσμάτων. Δεδομένα πεδίου για τον έλεγχο των ταξινομήσεων και κατά συνέπεια των παραγόμενων χαρτών. 44

45 4. ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΤΩΝ ΔΕΔΟΜΕΝΩΝ Η διαδικασία απομάκρυνσης των σφαλμάτων που παρουσιάζουν τα δεδομένα τηλεπισκόπησης, ονομάζεται προεπεξεργασία. Το όνομα συνδέεται άμεσα με την ροή των εργασιών που ακολουθείται, μιας και η διόρθωση αυτών των σφαλμάτων κρίνεται απαραίτητη πριν την κυρίως επεξεργασία των δεδομένων για κάποιο σκοπό (Mather, 2004). Οι εργασίες που πραγματοποιούνται στα πλαίσια της προεπεξεργασίας σκοπό έχουν να διορθώσουν τις ραδιομετρικές και γεωμετρικές παραμορφώσεις των δεδομένων που οφείλονται στον απεικονιστή που τα συλλέγει. Στις επόμενες παραγράφους θα περιγραφτεί το θεωρητικό υπόβαθρο που ερμηνεύει την φύση των σφαλμάτων αυτών, καθώς και οι μέθοδοι που ακολουθούνται για τη διόρθωσή τους. Συγκεκριμένα η παράγραφος 4.1 περιγράφει το θεωρητικό υπόβαθρο των γεωμετρικών σφαλμάτων και την εφαρμογή της μεθόδου διόρθωσης αυτών, στις εικόνες. Η παράγραφος 4.2 περιγράφει το θεωρητικό υπόβαθρο των ατμοσφαιρικών σφαλμάτων καθώς και την τεχνική που επιλέχτηκε για να τα απομακρύνει από τις εικόνες. 4.1 Γεωμετρική διόρθωση Γενικά Οι εικόνες που λαμβάνονται μέσω κάποιου απεικονιστή που βρίσκεται πάνω σε δορυφόρο, αεροπλάνο ή σε οποιαδήποτε εναέρια πλατφόρμα υπόκεινται σε γεωμετρικά σφάλματα. Το είδος των σφαλμάτων αυτών εξαρτάται από τον τρόπο συλλογής των δεδομένων. Οι πηγές των γεωμετρικών σφαλμάτων μπορούν να συνοψισθούν στις έξης (Bannari κ.α, 1995): 1) σφάλματα οργάνων, 2) πανοραμική παραμόρφωση, 3) σφάλματα από περιστροφή της γης, και 4) αστάθεια της πλατφόρμας του απεικονιστή. Πράγματι οι δορυφορικές εικόνες εξαιτίας της κίνησης της γης, της κίνησης του δορυφόρου, των αποκλίσεων της ατράκτου, των υψομετρικών διαφορών στο ανάγλυφο που αποτυπώνουν κ.λπ., παρουσιάζουν συστηματικά είτε τυχαία σφάλματα τα οποία επηρεάζουν τη θέση των εικονοστοιχείων, παραμορφώνοντας την εικόνα (Καρτέρης, 1999). 45

46 Η γεωμετρική διόρθωση έχει σκοπό να εξαλείψει αυτού του τύπου τα σφάλματα, ώστε η γεωμετρική αναπαράσταση της εικόνας να είναι όσο το δυνατόν ποιο «κοντά» στη πραγματικότητα. Με άλλα λόγια σκοπός της είναι η εύρεση της ακριβούς γεωγραφικής θέσης των εικονοστοιχείων. Η γεωμετρική διόρθωση μιας δορυφορικής εικόνας αναφέρεται στη διαδικασία της μετατροπής των δεδομένων από ένα σύστημα κανάβου σε ένα διαφορετικό, χρησιμοποιώντας γεωμετρικούς μετασχηματισμούς. Με αυτόν τον τρόπο η τελική εικόνα θα έχει την κλίμακα και τις προβολικές ιδιότητες ενός χάρτη της υπό μελέτη περιοχής (ERDAS field guide). Τα διαθέσιμα λογισμικά τηλεπισκόπησης διαθέτουν επίσης γεωμετρικά μοντέλα για συγκεκριμένους απεικονιστές δορυφόρων. Αυτά μπορούν να διορθώσουν ακόμα και την παραμόρφωση της εικόνας λόγω επίδρασης του ανάγλυφου, δίνοντας έτσι ενιαία κλίμακα σ όλη την επιφάνεια της εικόνας, με την προϋπόθεση ότι υπάρχει διαθέσιμο ένα ψηφιακό μοντέλο εδάφους της περιοχής. Αυτού του είδους η επεξεργασία ονομάζεται ορθοδιόρθωση, ή ορθοαναγωγή. Τέλος η γεωμετρική διόρθωση των εικόνων κρίνεται απαραίτητη, προκειμένου να χρησιμοποιηθούν αυτές ως δεδομένα στις παρακάτω εφαρμογές (ERDAS field guide): Σύγκριση εικονοστοιχείων «ένα προς ένα» από διαφορετικές εικόνες για τυχόν ανίχνευση αλλαγών. Δημιουργία επιφανειών εκπαίδευσης του ταξινομητή σύμφωνα με συντεταγμένες του χάρτη. Δημιουργία ορθοφωτοχάρτων ακριβείας. Επίθεση (overlay) στην εικόνα διάφορων διανυσματικών δεδομένων. Σύγκριση εικόνων οι οποίες είχαν εξ αρχής διαφορετικές κλίμακες. Ακριβής μέτρηση αποστάσεων και εμβαδών. Δημιουργία μωσαϊκών από εικόνες. Εκτέλεση οιασδήποτε ανάλυσης που απαιτεί δεδομένα με ακριβή γεωγραφική θέση. 46

47 Τέσσερα βασικά βήματα πρέπει να εκτελεστούν για να διορθωθεί γεωμετρικά ή να ορθοδιορθωθεί μια εικόνα σε ένα χαρτογραφικό σύστημα συντεταγμένων (Jensen 1996): Η ταυτοποίηση των σημείων ελέγχου του εδάφους (Ground Control Points - GCPs) μεταξύ της προς διόρθωσης εικόνας και του χάρτη αναφοράς που χρησιμοποιείται για την διόρθωση. Μαθηματική μοντελοποίηση της γεωμετρικής παραμόρφωσης, τοποθετώντας τα σημεία ελέγχου (GCPs) σε πολυωνυμική εξίσωση χρησιμοποιώντας το κριτήριο των ελάχιστων τετραγώνων (least-square criteria). Επαναπροσδιορισμός της θέσης του κάθε εικονοστοιχείου από τις λάθος συντεταγμένες (x, y ) της αρχικής εικόνας, στις σωστές (x, y) βάσει του προβολικού συστήματος συντεταγμένων του/της χάρτη/εικόνας αναφοράς. Μεταφορά της τιμής της φωτεινότητας του κάθε εικονοστοιχείου από την αρχική εικόνα στην αντίστοιχη διορθωμένη. Κατά την γεωμετρική διόρθωση γίνεται ταυτοποίηση των συντεταγμένων ορισμένων διακριτών σημείων ελέγχου στο έδαφος (GCPs) στην παραμορφωμένη εικόνα, και ταίριασμα αυτών με τις αληθινές συντεταγμένες τους στο έδαφος (γεωγραφικό μήκος και πλάτος) (εικ. 12). Οι τελευταίες μετρούνται συνήθως από έναν χάρτη της υπό μελέτη περιοχής, ο οποίος μπορεί να είναι είτε σε χαρτί είτε σε ψηφιακή μορφή. Αυτή η διαδικασία καλείται «εγγραφή εικόνας σε χάρτη» (image to map registration). Ομοίως όταν χρησιμοποιείται αντί για χάρτη μια διορθωμένη εικόνα για αναφορά, ονομάζεται «εγγραφή εικόνας σε εικόνα» (image to image registration). Όταν ταυτοποιηθούν αρκετά ζευγάρια σημείων ελέγχου τα οποία είναι καλά κατανεμημένα σε ολόκληρη την επιφάνεια της εικόνας, η πληροφορία των συντεταγμένων που φέρουν επεξεργάζεται σε ηλεκτρονικό υπολογιστή. Επιλέγεται έτσι η κατάλληλη εξίσωση μετασχηματισμού, που θα εφαρμοστεί στις αρχικές συντεταγμένες κάθε εικονοστοιχείου, προκειμένου να τους προσδιορίσει την καινούρια τους και πλέον ορθή θέση στην διορθωμένη εικόνα. 47

48 Εικόνα 12: Διαδικασία γεωμετρικής διόρθωσης. A1 με A4 τα σημεία ελέγχου, B1 με B4 οι αληθινές συντεταγμένες του χάρτη (Πηγή: CCRS) Για κάθε σημείο πραγματοποιείται πρόβλεψη της θέσης του στην τελική εικόνα που θα παραχθεί. Η διαφορά της πρόβλεψης από τη γνωστή και ορθή του θέση (σημείο ελέγχου GCP) στον/στην χάρτη/εικόνα αναφοράς, χρησιμοποιείται στους υπολογισμούς του μέσου τετραγωνικού σφάλματος (Root Mean Square error RMS error). Το σφάλμα αυτό έχει για μονάδες μέτρησης εικονοστοιχεία εικόνας (εξ. 1). Αποτελεί δε από μόνο του ένδειξη του πόσο καλά η πολυωνυμική εξίσωση μπορεί να αναπαραστήσει την λειτουργική σχέση μεταξύ των συντεταγμένων της προς διόρθωση εικόνας, και του/της χάρτη/εικόνας αναφοράς. Όσο μικρότερο είναι αυτό το σφάλμα τόσο ποιο ακριβής διόρθωση έχει επιτευχθεί στην εικόνα. Σύμφωνα με τον Luque (2000), το εύρος του αποδεκτού μέσου τετραγωνικού σφάλματος κατά τη γεωμετρική διόρθωση μιας εικόνας κυμαίνεται μεταξύ 0 και 0,6 εικονοστοιχείων. RMS error = (x r x i ) 2 + (y r y i ) 2 (Εξίσωση 1) Όπου: x i και y i οι συντεταγμένες των προς διόρθωση σημείων x r και y r οι συντεταγμένες των διορθωμένων σημείων Η διαδικασία κατά την οποία οι τιμές φωτεινότητας των εικονοστοιχείων μεταφέρονται από τον έναν κάναβο, και υπολογίζονται οι καινούριες τους τιμές στον άλλο των σωστών συντεταγμένων, ονομάζεται αναδειγματοληψία (resampling). Υπάρχουν τρεις κύριοι μέθοδοι (αλγόριθμοι) αναδειγματοληψίας (εικ. 13): Η μέθοδος της πλησιέστερης γειτονίας (nearest neighbour). Κατ αυτήν στο εικονοστοιχείο του τελικού διορθωμένου κανάβου, μεταφέρεται η τιμή 48

49 φωτεινότητας του εικονοστοιχείου των αρχικών δεδομένων το οποίο βρίσκεται πλησιέστερα. Η μέθοδος της διγραμμικής παρεμβολής (bilinear interpolation). Κατ αυτήν στο εικονοστοιχείο του καινούριου κανάβου, μεταφέρεται η τιμή που προκύπτει από τον μέσο όρο από τις τιμές φωτεινότητας ενός παραθύρου 2 2 εικονοστοιχείων γύρω από το αρχικό. Η μέθοδος της κυβικής συστροφής (cubic convolution) η οποία είναι ίδια με την διγραμμική παρεμβολή μόνο που εδώ το παράθυρο έχει μέγεθος 4 4. α) β) γ) Εικόνα 13: Μέθοδοι αναδειγματοληψίας: α) πλησιέστερης γειτονιάς, b) διγραμμικής παρεμβολής, γ) κυβικής συστροφής (Πηγή: CCRS) Η πρώτη μέθοδος είναι απλούστερη των άλλων δύο, απαιτεί λιγότερο χρόνο επεξεργασίας, δε μεταβάλει τις τιμές των εικονοστοιχείων, αλλά παραμορφώνει χωρικά την τελική εικόνα. Η δεύτερη μέθοδος απαιτεί τριπλάσιο χρόνο επεξεργασίας των δεδομένων, δεν παρουσιάζει χωρική παραμόρφωση, αλλά δημιουργεί τελική εικόνα με μικρότερη αντίθεση (contrast) από την αρχική και με τιμές φωτεινότητας αλλαγμένες. Τέλος η τελευταία μέθοδος απαιτεί δεκαπλάσιο χρόνο επεξεργασίας προκειμένου να παραχθεί η τελική εικόνα, αλλά παρουσιάζει την μικρότερη χωρική 49

50 παραμόρφωση από τις τρεις μεθόδους και δεν αλλοιώνει την αντίθεση της αρχικής εικόνας (Καρτέρης, 1999) Εφαρμογή στις εικόνες SPOT-4 Για τη γεωμετρική διόρθωση των εικόνων SPOT-4, έγινε χρήση της μεθόδου εγγραφής εικόνας σε εικόνα, με αναφορά δυο δορυφορικές εικόνες αντίστοιχα. Οι εικόνες ήταν SPOT-5 του ίδιου πλαισίου λήψης (frame shot), τύπου 3A (ορθοδιορθωμένο προϊόν από σημεία ελέγχου εδάφους και ψηφιακό μοντέλο εδάφους, σε προβολικό σύστημα χάρτη), και χωρικής διακριτικής ικανότητας 25m. Για την διόρθωση χρησιμοποιήθηκε το μοντέλο γεωμετρικής διόρθωσης εικόνων SPOT που διαθέτει το ERDAS IMAGINE 9.1 (εικ. 14). Εικόνα 14: Μοντέλο γεωμετρικής διόρθωσης εικόνων SPOT Το μοντέλο αυτό κάνει χρήση κάποιων βοηθητικών δεδομένων τα οποία διατίθενται μαζί με την εικόνα όπως π.χ η γωνίας πρόσπτωσης (incidence angle). Λαμβάνει υπόψη του την καμπυλότητα της γης, τον τύπο του απεικονιστή, και σε συνδυασμό με το ψηφιακό μοντέλο εδάφους, πραγματοποιεί ορθοδιόρθωση στην εικόνα. Στην περίπτωση της παρούσης μελέτης το ψηφιακό μοντέλο εδάφους ήταν διαθέσιμο και για τις δυο περιοχές μελέτης, οπότε διορθώθηκαν και τυχόν μετατοπίσεις στις εικόνες λόγω αναγλύφου. 50

51 Εικόνα 15: Επιλογή σημείων ελέγχου κατά την εγγραφή εικόνας σε εικόνα Κατά την επιλογή των σημείων ελέγχου (εικ. 15) έγινε προσπάθεια ώστε αυτά να είναι διάσπαρτα σε όλη την εικόνα ώστε να εξασφαλιστεί η αξιοπιστία της διόρθωσης. Παράλληλα για σημεία ελέγχου επιλέχτηκαν κυρίως σταυροδρόμια, η ακτογραμμή και κτίρια. Η προσεκτική επιλογή των σημείων αυτών εξασφαλίζει την εγκυρότητα της όλης διαδικασίας. Τριανταπέντε τέτοια σημεία επιλέχτηκαν για την κάθε εικόνα χωριστά, και το μέσο τετραγωνικό σφάλμα σε καμιά από τις δυο περιπτώσεις δε ξεπέρασε την τιμή 0,4 (RMS<0,4). Συγκεκριμένα στην λήψη της Χαλκιδικής το μέσο τετραγωνικό σφάλμα ήταν 0,27, δηλαδή απόκλιση 5,4m. Στην δεύτερη εικόνα της ευρύτερης περιοχής της Ευρυτανίας (ορεινή Πίνδος) πιθανόν λόγω του έντονου ανάγλυφου, το μέσο τετραγωνικό σφάλμα ήτανε 0.38, δηλαδή 7,6m. Δεδομένου της χωρικής διακριτικής ικανότητας των εικόνων SPOT (20m.), των σημείων ελέγχου, των συμπληρωματικών δεδομένων, και της χρήσης των εικόνων, το μέσο τετραγωνικό σφάλμα και των δυο κρίθηκε μικρό. Στη συνέχεια η αναδειγματοληψία έγινε με τη μέθοδο της πλησιέστερης γειτονιάς, ώστε να διατηρηθούν αναλλοίωτες οι τιμές φωτεινότητας των εικονοστοιχείων, και να αποφευχθούν τυχόν δυσκολίες στην ταξινόμηση που θα ακολουθήσει. Το προβολικό σύστημα συντεταγμένων στο οποίο γεωαναφέρθηκαν οι εικόνες είναι το Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς του 1987 (ΕΓΣΑ87). 51

52 4.2 Ατμοσφαιρική διόρθωση Ατμοσφαιρικές επιδράσεις Ένας κύριος στόχος της επιστήμης της τηλεπισκόπησης είναι να ερευνήσει τις φυσικές ιδιότητες των υλικών της επιφάνειας της γης, αντλώντας πληροφορία από την φασματική κατανομή της ηλεκτρομαγνητικής ακτινοβολίας (Electro Magnetic Radiation - EMR). Η τελευταία η οποία καταγράφεται από τον απεικονιστή της εναέριας πλατφόρμας, είναι η ανακλώμενη ηλεκτρομαγνητική ακτινοβολία από την επιφάνεια της γης (εικ. 16). Η παρουσία της ατμόσφαιρας όμως αλλοιώνει τις πραγματικές τιμές αυτής. Καθώς η ηλεκτρομαγνητική ακτινοβολία που εκπέμπεται από τον ήλιο προσπίπτει στην επιφάνεια της γης, ανακλάται και επιστρέφει στο διάστημα όπου και τη συλλέγει ο απεικονιστής του δορυφόρου. Κατά τη διαδρομή αυτή, περνάει μέσα από τη ατμόσφαιρα, όπου διαχέεται και απορροφάται ένα ποσοστό της αρχικής της ποσότητας δημιουργώντας απώλειες (Mather, 2004). Κατά τη διέλευσή της μέσα στην ατμόσφαιρα, η ηλεκτρομαγνητική ακτινοβολία αλληλεπιδρά με τα μόρια των αιωρούμενων σωματιδίων, καθώς και των αέριων συστατικών της πρώτης. Αυτή η αλληλεπίδραση χωρίζεται στη διάχυση όπου η ακτινοβολία αλλάζει κατεύθυνση ανάλογα με τη πυκνότητα του υλικού που διαπερνά, και στην απορρόφηση όπου η ακτινοβολία απορροφάται από τα μόρια των συστατικών της ατμόσφαιρας και μετατρέπεται σε άλλη μορφή ακτινοβολίας π.χ θερμότητα. Τα αποτελέσματα αυτής της αλληλεπίδρασης είναι να εμφανίζεται «θολούρα (haze)» στην εικόνα μειώνοντας δραστικά την αντίθεση της, καθώς και η μείωση της αντανακλώμενης από τη γη ακτινοβολίας που συλλέγει ο απεικονιστής. Οι ατμοσφαιρικές επιδράσεις εν τέλει περιλαμβάνουν απορρόφηση και διάχυση της ηλεκτρομαγνητικής ακτινοβολίας από συστατικά της ατμόσφαιρας, όπως υδρατμούς νερού, όζον, οξυγόνο, καπνός, σκόνη και λοιπά αέρια. Τα παραπάνω επηρεάζουν τις καταγραφόμενες τιμές φωτεινότητας των εικονοστοιχείων της εικόνας, αλλοιώνοντας τις πραγματικές τους τιμές σε όλους τους φασματικούς διαύλους. Όλα αυτά σε σύγκριση με την πραγματική τιμή των φασματικών ταυτοτήτων των αντικειμένων στο έδαφος (Richards, 1993). 52

53 Εικόνα 16: Η πορεία της ηλεκτρομαγνητικής ακτινοβολίας κατά την ανάκλασή της από το έδαφος και την καταγραφή της από τον απεικονιστή της δορυφορικής πλατφόρμας (Πηγή: CCRS) Περιοχές του ηλεκτρομαγνητικού φάσματος όπου η ακτινοβολία περνά από την ατμόσφαιρα με ελάχιστες απώλειες καλούνται «ατμοσφαιρικές διαβάσεις». Αυτές καλύπτουν μήκη κύματος από 0,3-1,3μm (ορατό με κοντινό υπέρυθρο), 1,5-1,8, 2,0-2,5, και 3,5-4,1μm (μέσο υπέρυθρο) και 7,0-15μm (θερμικό υπέρυθρο) (Mather, 2004). Όλα τα συστήματα τηλεπισκόπησης περιορίζουν τη συλλογή στοιχείων σε αυτά τα τμήματα του ηλεκτρομαγνητικού φάσματος (Καρτέρης, 1990) Ατμοσφαιρική διόρθωση και η σημασία αυτής Ένα μεγάλο ποσοστό των δεδομένων τηλεπισκόπησης παραποιείται σημαντικά από τα αέρια συστατικά της ατμόσφαιρας, τα σύννεφα και τις σκιές αυτών. Είναι πολύ σημαντικό το να αφαιρούνται αυτά τα σφάλματα όταν θέλουμε να χρησιμοποιήσουμε τα δεδομένα αυτά για κατηγοριοποίηση επιφανειών της γης με κάποιο σύστημα ταξινόμησης. Καθώς η χρήση τέτοιου τύπου δεδομένων γίνεται όλο και ποιο διαδεδομένη, οι εφαρμογές που χρησιμοποιούνται αυτά αυξάνονται, και επομένως η ανάγκη για ακρίβεια στα δεδομένα αυτά. Η διαδικασία κατά την οποία τα 53

54 σφάλματα αυτά αφαιρούνται από την εικόνα ονομάζεται ατμοσφαιρική διόρθωση (Liang, 2004), και περιλαμβάνει την μετατροπή των τιμών της ακτινοβολίας που καταγράφει ο απεικονιστής, σε πραγματικές τιμές ανάκλασης ακτινοβολίας από το έδαφος. Η ατμοσφαιρική διόρθωση των δορυφορικών εικόνων αποτελεί απαραίτητο βήμα για την βελτίωση της ανάλυσης των δεδομένων για τους παρακάτω λόγους (Richter, 1996): Η επίδραση της ατμόσφαιρας και της ηλιακής φωταύγειας στην εικόνα, απομακρύνεται ή τουλάχιστον ελαχιστοποιείται κατά πολύ. Διαχρονικά δεδομένα τα οποία λήφθηκαν κάτω από διαφορετικές ατμοσφαιρικές συνθήκες μπορούν να συγκριθούν ποιο αποτελεσματικά. Αιτία αυτού, το γεγονός ότι η ανίχνευση των αλλαγών που θα προκύψει οφείλεται σε πραγματικές αλλαγές στην προς μελέτη επιφάνεια, και όχι σε διαφορετικές ατμοσφαιρικές συνθήκες. Τα αποτελέσματα από ανίχνευση αλλαγών και αλγόριθμους ταξινόμησης αποκτούν δυνατότητα βελτίωσης. Τα δεδομένα από διαφορετικούς απεικονιστές δορυφόρων που χρησιμοποιούν παρόμοιους φασματικούς διαύλους (π.χ Landsat TM δίαυλος 3, SPOT δίαυλος 2 κ.λπ.) μπορούν να συγκριθούν με ακρίβεια. Το γεγονός αυτό αποτελεί μεγάλο πλεονέκτημα σε διαχρονικές παρατηρήσεις μιας περιοχής. Όταν η εικόνα της περιοχής μελέτης έχει μεγάλη νεφοκάλυψη, είναι δυνατή η ανάκτηση δεδομένων από άλλο δορυφόρο ο οποίος έχει διαφορετική τροχιά. Η διαφορετική τροχιά εξασφαλίζει και μεγαλύτερη πιθανότητα για μειωμένη νεφοκάλυψη. Όσο ο αριθμός των δορυφόρων που συλλέγουν δεδομένα αυξάνεται, λόγω διαφορετικών τροχιών η πιθανότητα να υπάρχουν δεδομένα από μια περιοχή χωρίς σύννεφα αυξάνεται αντίστοιχα. Κάποιες φορές καθίσταται δυνατή και η αγνόηση των ατμοσφαιρικών επιδράσεων στα δεδομένα τηλεπισκόπησης (Cracknell και Hayes 1993, Song κ.α. 2001). Για παράδειγμα, συνήθως δεν είναι απαραίτητη η ατμοσφαιρική διόρθωση όταν χρησιμοποιούμε για την ταξινόμηση των δορυφορικών δεδομένων τον αλγόριθμο της μεγίστης πιθανοφάνειας (maximum likelihood). Σε αυτήν την 54

55 περίπτωση παρατηρήθηκε ότι όταν τα δεδομένα της εικόνας (ατμοσφαιρικά διορθωμένα και μη) τηρούν την ίδια σχετική κλίμακα, η ατμοσφαιρική διόρθωση δεν επιδρά σημαντικά στα ποσοστά ακρίβειας της ταξινόμησης (Kawata κ.α 1990, Song κ.α. 2001). Επίσης η Πολυχρονάκη (2007) επεσήμανε ότι: Η ατμοσφαιρική διόρθωση πριν την αντικειμενοστραφή ταξινόμηση για την χαρτογράφηση καμένων περιοχών σε εικόνες ASTER δεν αποτελεί βασική προϋπόθεση. Γενικά, ακόμα και η καλύτερη ατμοσφαιρική διόρθωση μιας δορυφορικής εικόνας, δεν είναι ικανή να αποδώσει την τέλεια αναλογία μεταξύ του ποσοστού ανάκλασης που μετράται στο έδαφος, και αυτού που καταγράφει ο απεικονιστής του δορυφόρου για την ίδια γεωγραφική περιοχή. Επακόλουθο αυτού είναι τα εναπομείναντα γεωμετρικά και ατμοσφαιρικά σφάλματα να μεταφέρονται στα μετέπειτα στάδια επεξεργασίας επηρεάζοντας κατά μικρό ή μεγάλο ποσοστό τα αποτελέσματα (Jensen, 1996) Μέθοδοι ατμοσφαιρικής διόρθωσης Οι μέθοδοι της ατμοσφαιρικής διόρθωσης μπορούν να συνοψισθούν στις παρακάτω τρεις κατηγορίες (Mather, 2004): Τεχνικές που βασίζονται καθαυτού στη ίδια την εικόνα. Περιλαμβάνουν δυο σχετικά απλές διαδικασίες. Την εύρεση της ελάχιστης τιμής από το ιστόγραμμα ή αλλιώς την τεχνική αφαίρεσης του σκοτεινού αντικειμένου (dark object subtraction), και την τεχνική της παλινδρόμησης. Αυτές οι δυο τεχνικές υπολογίζουν την αλλαγή στην τιμή της ακτινοβολίας που προκύπτει από το πέρασμα της μέσα από την ατμόσφαιρα. Μοντέλα μετάδοσης ακτινοβολίας (radiative transfer models), τα οποία προσπαθούν να προσομοιώσουν την φυσική συμπεριφορά της ακτινοβολίας καθώς αυτή διαπερνά την ατμόσφαιρα. Στόχος τους, το να εκτιμήσουν την ακτινοβολία που αντανακλά το προς μελέτη εικονοστοιχείο. Πολλά τέτοιου τύπου μοντέλα έχουν αναπτυχτεί μεταξύ των οποίων τα LOWTRAN (Kneizys κ.α. 1988), MODTRAN (Berk κ.α. 1999), ATREM (Gao κ.α. 1993). 55

56 Η τελευταία κατηγορία μοντέλων λειτουργεί με ποιο σύνθετη λογική, αναζητώντας τις σχέσεις των τιμών φωτεινότητας διάφορων αντικειμένων της εικόνας σε πολλούς φασματικούς διαύλους. Προσπαθεί έτσι να ερμηνεύσει τις σχέσεις, με τη χρήση της μεθόδου των πινάκων συνδιακύμανσης (covariance matrices). Όλες οι παραπάνω τεχνικές καθώς και πολλές άλλες, έχουν σαν σκοπό να εκφράσουν μια τέλεια αναλογία ανάμεσα στην μετρούμενη στο έδαφος ανακλώμενη ηλεκτρομαγνητική ακτινοβολία, και σε αυτήν που καταγράφει ο απεικονιστής του δορυφόρου. Κάτι τέτοιο δυστυχώς όμως είναι πρακτικά αδύνατο, οπότε και μια πολύ καλή εκτίμηση που μας παρέχουν οι τεχνικές αυτές είναι αρκετή Η διαδικασία κανονικοποίησης της εικόνας (image normalization), χρησιμοποιώντας ρύθμιση του ιστογράμματος Στην παρούσα μελέτη δεν κρίθηκε απαραίτητη η λεπτομερής διόρθωση των ατμοσφαιρικών επιδράσεων της διάχυσης και της απορρόφησης της ηλεκτρομαγνητικής ακτινοβολίας. Επίσης δεν υπήρχαν βοηθητικά δεδομένα όπως η ορατότητα και η σχετική υγρασία, τα οποία είναι απαραίτητα για την λειτουργία των διορθωτικών αλγορίθμων. Παρόλα αυτά επειδή η αντίθεση των εικόνων ήταν μικρή κρίθηκε αναγκαία η αδρομερής ατμοσφαιρική διόρθωση αυτών, προκειμένου να συνεχιστεί η επεξεργασία τους. Τη λύση έδωσε μια απλή μέθοδος η οποία βασίζεται στη λογική ότι οι φασματικοί δίαυλοι του ορατού και του κοντινού υπέρυθρου φάσματος (0,4-0,9μm), επηρεάζονται περισσότερο από τις επιδράσεις της ατμόσφαιρας. Κανονικά θα έπρεπε για κάποια τμήματα της εικόνας (π.χ υδάτινες επιφάνειες), σε αυτούς τους διαύλους οι τιμές φωτεινότητας για κάποια εικονοστοιχεία να ήταν μηδενικές. Στα ιστογράματα όμως των φασματικών διαύλων αυτών, συμβαίνει το αντίθετο. Οι ελάχιστες τιμές έχουν μετατοπιστεί προς τα δεξιά (εικ. 17) κατά μια τιμή που αντιπροσωπεύει την απόκλιση από την πραγματική κατάσταση. Σκοπός αυτής της μεθόδου, είναι ο υπολογισμός της απόκλισης για το κάθε ιστόγραμμα του διαύλου, και η μετατόπιση αυτού κατά τόσες μονάδες προς τα αριστερά. 56

57 Εικόνα 17: Μετατόπιση των ψηφιακών τιμών των εικονοστοιχείων στους φασματικούς διαύλους της εικόνας, λόγω ατμοσφαιρικών επιδράσεων Αλγεβρικά τα παραπάνω μπορούν να εκφραστούν με τον παρακάτω τύπο (εξ.2): Διορθωμένης Εικόνας ΤΦΕ i,j,k = Αδιόρθωτης Εικόνας ΤΦΕ i,j,k τιμή μετατόπισης, (εξίσωση 2) Όπου: Διορθωμένης εικόνας ΤΦΕ i,j,k : Οι τιμές φωτεινότητας του εικονοστοιχείου στη γραμμή i, της στήλης j, του φασματικού διαύλου k, της διορθωμένης εικόνας. Αδιόρθωτης εικόνας ΤΦΕ i,j,k : Οι τιμές φωτεινότητας του εικονοστοιχείου στη γραμμή i, της στήλης j, του φασματικού διαύλου k, της αδιόρθωτης εικόνας. Αυτός ο απλός στη σύλληψη αλγόριθμος, μοντελοποιεί τις επιδράσεις του πρώτου βαθμού ατμοσφαιρικών σφαλμάτων στην εικόνα λόγω διάχυσης. Τα σφάλματα αυτά παρουσιάζονται στην εικόνα σαν ένα γαλάζιο θόλωμα από την μετατόπιση των τιμών στο ιστόγραμμα. Για αυτόν το λόγο, η διαδικασία διόρθωσης των σφαλμάτων αυτών ονομάζεται «απομάκρυνση θολούρας (haze removal)». Μετά την εφαρμογή της, όντως η θολούρα απομακρύνθηκε, και το δυναμικό εύρος των ιστογραμμάτων των εικόνων αποκαταστάθηκε (εικ. 18, 19). 57

58 Εικόνες 18 (πάνω) και 19 (κάτω): Αριστερά οι διορθωμένες εικόνες απαλλαγμένες από ατμοσφαιρικές επιδράσεις. Δεξιά οι εικόνες όπως ήταν πριν, με εμφανές το φαινόμενο της «γαλάζιας θολούρας» Για την περίπτωση των δυο εικόνων, δημιουργήθηκαν διαγράμματα φασματικών υπογραφών κάποιων κλάσεων που θα χρησιμοποιηθούν στη ταξινόμηση, πριν και μετά την απομάκρυνση της θολούρας (εικ. 20, 21). Σκοπός, η παρατήρηση τυχόν διαφορών στις τιμές φωτεινότητας των εικονοστοιχείων από την ατμοσφαιρική διόρθωση. Πράγματι, και στα δυο διαγράμματα υπάρχει πτώση των τιμών των υπογραφών στον πράσινο δίαυλο. Αυτό επαληθεύεται και από το γεγονός ότι το συγκεκριμένο τμήμα του ηλεκτρομαγνητικού φάσματος είναι ποιο ευαίσθητο στην 58

59 Rayleigh διάχυση. Επίσης οι υπογραφές της βλάστησης βελτιώθηκαν, δίνοντας μεγαλύτερες τιμές στον κοντινό υπέρυθρο δίαυλο και μικρότερες στον κόκκινο. Τέλος, οι κλάσεις φαίνονται να διαχωρίζονται καλύτερα στον κοντινό υπέρυθρο μετά τη διόρθωση, στοιχείο που θα ληφθεί υπόψη για την ταξινόμησή τους. Εικόνες 20 (πάνω) και 21 (κάτω): Αριστερά τα διαγράμματα των φασματικών υπογραφών πριν την ατμοσφαιρική διόρθωση και δεξιά μετά. Είναι εμφανής η πτώση των τιμών των ψηφιακών τιμών των εικονοστοιχείων ειδικά στον πράσινο δίαυλο 59

60 4.3 Σύνοψη κεφαλαίου Οι δυο εικόνες SPOT που θα χρησιμοποιηθούν για την ταξινόμηση των χρήσεων/κάλυψης γης αρχικά υπέστησαν προεπεξεργασία, με σκοπό να απομακρυνθούν από αυτές σφάλματα που οφείλονται στον απεικονιστή της πλατφόρμας. Τα σφάλματα που απομακρύνθηκαν ήταν ατμοσφαιρικά, καθώς και γεωμετρικές παραμορφώσεις. Οι εικόνες ορθοδιορθώθηκαν ώστε να απομακρυνθούν σφάλματα λόγω αναγλύφου, και γεωαναφέρθηκαν στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς του 1987 ή ΕΓΣΑ87. Ο σκοπός της ατμοσφαιρικής διόρθωσης των εικόνων ήταν η μετατροπή των τιμών φωτεινότητας των εικονοστοιχείων της εικόνας, σε πραγματικές τιμές ανάκλασης ηλεκτρομαγνητικής ακτινοβολίας από τις αντίστοιχες απεικονιζόμενες περιοχές στο έδαφος. Για την απαλλαγή των επιδράσεων της ατμόσφαιρας χρησιμοποιήθηκε η μέθοδος της «απομάκρυνσης θολούρας» λόγω έλλειψης βοηθητικών δεδομένων. Τα αποτελέσματα ήταν ικανοποιητικά, και ελέγχτηκαν με τη λήψη φασματικών υπογραφών πριν και μετά τη διόρθωση, οι οποίες επαλήθευσαν την αποκατάσταση του εύρους των τιμών φωτεινότητας των δυο εικόνων. 60

61 5. ΑΝΑΠΤΥΞΗ ΤΟΥ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΜΟΝΤΕΛΟΥ ΤΑΞΙΝΟΜΗΣΗΣ ΓΙΑ ΤΗ ΧΑΡΤΟΓΡΑΦΗΣΗ ΧΡΗΣΗΣ/ΚΑΛΥΨΗΣ ΓΗΣ ΜΕ ΕΙΚΟΝΕΣ SPOT-4 Στο παρών κεφάλαιο θα γίνει η χαρτογράφηση χρήσης/κάλυψης γης της πρώτης περιοχής μελέτης. Στην παράγραφο 5.1 περιγράφονται τα κύρια βήματα που ακολουθούνται για την ανάπτυξη ενός αντικειμενοστραφούς μοντέλου ταξινόμησης. Στην παράγραφο 5.2 περιγράφεται η ανάπτυξη του μοντέλου ταξινόμησης για την δορυφορική εικόνα SPOT-4 της πρώτης περιοχής μελέτης (τμήμα νομού Χαλκιδικής). Στο τέλος της παραγράφου παρουσιάζεται ο χάρτης που προέκυψε από την ταξινόμηση. Στην παράγραφο 5.3 παρουσιάζεται το θεωρητικό υπόβαθρο της εκτίμησης της ακρίβειας των ταξινομήσεων, η εκτίμηση της ακρίβειας της ταξινόμησης, και η σύγκρισή της με την αντίστοιχη του LANDSAT-5. Συνολικά, τα βήματα της μεθοδολογίας που ακολουθήθηκαν καθ όλη την μελέτη, σε κάθε επιμέρους στόχο, και που θα αναλυθούν επιμέρους στα επόμενα κεφάλαια, παρουσιάζονται στο παρακάτω διάγραμμα ροής (εικ. 22). 5.1 Ανάπτυξη αντικειμενοστραφούς μοντέλου ταξινόμησης Θεωρητικό υπόβαθρο Η αντικειμενοστραφής προσέγγιση λαμβάνει υπ όψιν της τη μορφή, την υφή και τη φασματική πληροφορία των αντικειμένων της εικόνας. Το στάδιο της ταξινόμησης ξεκινάει την στιγμή που επιλέγεται ο κανόνας με τον οποίον ομαδοποιούνται τα εικονοστοιχεία της εικόνας σε εννοιολογικά αντικείμενα τα οποία κατόπιν χαρακτηρίζονται για να ταξινομηθούν σε επόμενα βήματα. Η δημιουργία της τοπολογίας και η κατάτμηση της εικόνας σε αντικείμενα πρέπει να γίνει σύμφωνα με την ελάχιστη μονάδα χαρτογράφησης (minimum mapping unit), η οποία εξαρτάται σε μεγάλο βαθμό από τη χωρική ανάλυση της δορυφορικής εικόνας. Καθ αυτόν τον τρόπο, δεν ταξινομούνται εικονοστοιχεία, αλλά δίνεται η δυνατότητα να δημιουργούνται ομογενή αντικείμενα προς ταξινόμηση, των οποίων το ελάχιστο μέγεθος καθορίζεται από το χρήστη. Επιπροσθέτως η κατάτμηση μπορεί να 61

62 πραγματοποιηθεί σε πολλαπλά επίπεδα κλίμακας (scale levels) τα οποία να δίνουν διαφορετικού μεγέθους αντικείμενα, και επομένως άλλο εννοιολογικό χαρακτήρα ως προς την κατηγορία των αντικειμένων που εκπροσωπούν. Εικόνα 22: Διάγραμμα ροής της μεθοδολογίας, για την επίτευξη των στόχων της μελέτης Κατάτμηση πολλαπλής ανάλυσης (Multiresolution Segmentation) Ο σκοπός της κατάτμησης της εικόνας είναι η δημιουργία αντικειμένων ενδιαφέροντος κατάλληλα προς ομαδοποίηση για το συγκεκριμένο είδος ταξινόμησης (π.χ χρήσης/κάλυψης γης). Ωστόσο τα αντικείμενα αυτά πολλές φορές είναι σε κάποιο βαθμό ετερογενή. Ακόμα και όταν η κατάτμηση της εικόνας ακολουθεί έναν γενικό κριτήριο ομοιογένειας αντικειμένων, στις περισσότερες - αν όχι σε όλες - τις 62

63 περιπτώσεις δεν θα μπορέσει να εξάγει άμεσα τις τελικές περιοχές ή τα αντικείμενα ενδιαφέροντος. Κατά συνέπεια τα αντικείμενα που εξάγονται κατά την διαδικασία της κατάτμησης σκοπό έχουν να αποτελέσουν πρωτογενή τμήματα αντικείμενων τα οποία στη συνέχεια θα χρησιμέψουν ως φορείς πληροφορίας και ως τμήματα μεγαλυτέρων αντικειμένων για επαναταξινόμηση ή επανακατάτμηση. Υπ αυτήν την έννοια, το βέλτιστο αποτέλεσμα κατάτμησης επιτυγχάνεται όταν αυτή εξάγει τα κατάλληλα δεδομένα για περαιτέρω ανάλυση (Hofmann κ.α. 1998). Με άλλα λόγια, η κατάτμηση της εικόνας δεν αποτελεί αυτοσκοπό, αλλά μέσο ικανό να δώσει τα κατάλληλα αποτελέσματα για την συνέχεια της ανάλυσης. Ο αλγόριθμος κατάτμησης πολλαπλής ανάλυσης του Definiens Developer 7 βασίζεται σε μια ευρετική (heuristic) βελτιστοποιημένη διαδικασία κατά την οποία ελαχιστοποιείται η μέση ετερογένεια των προς σχηματισμό αντικειμένων, για μια δεδομένη κλίμακα. Το γεγονός αυτό, καθιστά τον αλγόριθμο αυτόν ιδιαίτερα κατάλληλο για δεδομένα όπου η υφή είναι έντονη, ή που έχουν χαμηλή αντίθεση. Ο αλγόριθμος μπορεί να εφαρμοστεί σε ευρείς τύπους δεδομένων, λαμβάνοντας υπόψη του πολλά βοηθητικά δεδομένα ταυτόχρονα (θεματικά επίπεδα, φασματικούς διαύλους κ.λπ.), και να εφαρμοστεί σε όλη την εικόνα, ή σε είδη ταξινομημένα τμήματα της (τομείς αντικειμένων εικόνας - image object domains). Το αποτέλεσμα του αλγόριθμου κατάτμησης καθορίζεται από παράγοντες όπως η παράμετρος κλίμακας (scale parameter), τα ειδικά βάρη των διαύλων της εικόνας (image layer weights), και η σύνθεση του κριτηρίου ομοιογένειας (composition of the homogeneity criterion) (Definiens Professional 7, 2006) (εικ. 23). Η παράμετρος κλίμακας είναι μια αφηρημένη έννοια που καθορίζει την μέγιστη επιτρεπόμενη ετερογένεια κατά τη δημιουργία νέων αντικειμένων. Για μια δεδομένη τιμή της παραμέτρου, σε ετερογενή δεδομένα τα αντικείμενα που θα προκύψουν θα είναι μικρότερού μεγέθους από μια εικόνα με ομοιογενή δεδομένα. Κατά συνέπεια, όσο μεγαλύτερη τιμή δίνεται στη παράμετρο, τόσο μεγαλύτερα αντικείμενα προκύπτουν. Ένας γενικά σωστός κανόνας είναι να παράγονται μεγάλα αντικείμενα, τα οποία όμως να διαχωρίζονται με σαφήνεια από διαφορετικού τύπου 63

64 περιοχές στην εικόνα. Αυτός ο σαφής διαχωρισμός είναι σημαντικότερος από το μέγεθος των αντικειμένων για την συνέχεια της ταξινόμησης. Η παράμετρος που καθορίζει τα ειδικά βάρη των διαύλων της εικόνας, επιτρέπει την ακριβή αποτίμηση των φασματικών πληροφοριών των διαύλων της εικόνας, ανάλογα με το αποτέλεσμα που επιθυμείται στην κατάτμηση. Όσο μεγαλύτερο είναι το ειδικό βάρος που δίνεται σε ένα δίαυλο, τόσο περισσότερη πληροφορία θα χρησιμοποιηθεί από αυτόν κατά την κατάτμηση. Επίσης είναι δυνατή η εισαγωγή αντί για διαύλους της εικόνας, θεματικών επιπέδων, δεικτών βλάστησης κλπ. Έτσι π.χ κατά την κατάτμηση εικόνας που χρειάζεται η εξαγωγή αντικειμένων που να εκπροσωπούν τη βλάστηση, μπορεί να δοθεί μεγάλο ειδικό βάρος στον Κανονικοποιημένο Δείκτη Βλάστησης (Normalized Difference Vegetation Index NDVI) για παράδειγμα, ο οποίος εισάγεται στη διαδικασία σαν δίαυλος εικόνας. Συνεπώς δίαυλοι που δεν περιέχουν την κατάλληλη πληροφορία για την αναπαράσταση των αντικειμένων προς εξαγωγή, πρέπει να παίρνουν ελάχιστες ή μηδενικές τιμές στα ειδικά βάρη. Εικόνα 23: Επεξήγηση των κριτηρίων που ρυθμίζουν την κατάτμηση πολλαπλής ανάλυσης Η σύνθεση του κριτηρίου ομοιογένειας των αντικειμένων καθορίζει την ομοιογένεια των αντικειμένων στην οποία αναφέρεται η παράμετρος της κλίμακας κατά τη σύνθεση τους. Το κριτήριο της σύνθεσης της ομοιογένειας αποτελείται από 64

65 δυο επιμέρους κριτήρια. Το ένα είναι το κριτήριο του χρώματος (color), το οποίο είναι το φασματικό κριτήριο βάσει του οποίου τα αντικείμενα ενώνονται σε μεγαλύτερα βάσει φασματικής ομοιότητας. Το δεύτερο το οποίο χωρίζεται στα δυο είναι το κριτήριο του σχήματος (shape). Αυτό καθορίζει το τελικό σχήμα που θα έχουν τα τελικά αντικείμενα και εμπεριέχει τις συμπληρωματικές έννοιες της ομαλότητας (smoothness), και της συμπαγότητας (compactness). Στις περισσότερες περιπτώσεις το κριτήριο του χρώματος είναι το σημαντικότερο, αλλά ως κάποιο βαθμό το κριτήριο του σχήματος βοηθάει στο να σχηματιστούν ρεαλιστικότερα αντικείμενα (ειδικά εκεί όπου η εικόνα έχει έντονη υφή π.χ δεδομένα ραντάρ) Ταξινόμηση Κατά τη διαδικασία της ταξινόμησης πρέπει να βρεθούν τα καλύτερα διακριτικά χαρακτηριστικά (features) των κλάσεων. Αυτά είναι ικανά να προσδώσουν σε κάθε κλάση μοναδική ταυτότητα που να την κάνει να διαφέρει. Τα χαρακτηριστικά αυτά μπορεί να είναι είτε φασματικά (π.χ μέση τιμή φασματικού δίαυλου), είτε τοπολογικά (π.χ ελάχιστο μήκος αντικειμένου), είτε ακόμα και ιεραρχικά αναφορικά με τις κλάσεις που δημιουργούνται. Όλα αυτά τα διακριτικά χαρακτηριστικά απεικονίζονται στην οθόνη, και ο χρήστης είναι σε θέση να επιλέξει τα κατάλληλα που διαχωρίζουν τα αντικείμενα της κλάσης ενδιαφέροντος από τα υπόλοιπα αντικείμενα. Κατόπιν ορίζεται και η συνάρτηση συμμετοχής (membership function) η οποία εκφράζει αλγεβρικά την εξίσωση που ορίζει τα όρια τιμής (thresholds) του διακριτικού χαρακτηριστικού για την συγκεκριμένη κλάση (π.χ για την κλάση πλατύφυλλα NDVI 0,384 (εικ. 24)). Αυτά τα διακριτικά χαρακτηριστικά μπορούν επίσης να συνδυαστούν και μεταξύ τους με λογικούς τελεστές (expression operators) όπως «και», «ή» κ.λπ. Όπως αντιλαμβάνεται κανείς οι προσεγγίσεις είναι απεριόριστες. Σίγουρα βοηθάει η γνώση των φυσικών ιδιοτήτων της προς περιγραφή κλάσης (π.χ πλατύφυλλα είδη έντονη αντανάκλαση στον κοντινό υπέρυθρο δίαυλο), αλλά πλέον εισάγονται και τοπολογικές έννοιες που προσδίδουν καινοτομικές προσεγγίσεις στις δυνατότητες ταξινόμησης (π.χ κλάση λίμνη νερό που περικλείεται από κλάσεις που δεν ανήκουν στη κλάση νερό). Το σύνολο των συναρτήσεων συμμετοχής (των διακριτικών χαρακτηριστικών) μιας κλάσης, και οι 65

66 λογικοί τελεστές αυτών, ορίζουν την περιγραφή της κλάσης (class description) (εικ. 24). Η διαδικασία λοιπόν της εύρεσης διακριτικών χαρακτηριστικών και ο μεταξύ τους συσχετισμός για να χαρακτηριστεί σωστά μια κλάση και να ταξινομηθεί με ακρίβεια, είναι μια επαναληπτική διαδικασία «δοκιμής και σφάλματος (trial and error)». Επιπρόσθετα, το Definiens Developer 7 χρησιμοποιεί αλγόριθμους ασαφούς λογικής (fuzzy logic) προκειμένου να ταξινομήσει ένα αντικείμενο σε κάποια κλάση. Συγκεκριμένα οι κανόνες των διακριτικών χαρακτηριστικών της κάθε κλάσης εφαρμόζονται πάνω σε κάθε αντικείμενο, για να υπολογιστεί αν αυτό τηρεί τις προϋποθέσεις ώστε να ταξινομηθεί στην κλάση αυτή. Το κάθε αντικείμενο αποκτά μια τιμή συμμετοχής (membership value) για την κάθε κλάση, και ταξινομείται στην κλάση που η τιμή συμμετοχής του έχει τη μεγαλύτερη τιμή και ταυτόχρονα ξεπερνά ένα προκαθορισμένο από το χρήστη όριο. Εικόνα 24: Αριστερά η περιγραφή της κλάσης με τους λογικούς τελεστές για τις συναρτήσεις συμμετοχής. Δεξιά η συνάρτηση συμμετοχής και ο καθορισμός του τύπου της και των ορίων των τιμών της Διεργασίες (Processes) Κανόνες Το λογισμικό Definiens Developer 7 που χρησιμοποιήθηκε για την ανάπτυξη του μοντέλου της ταξινόμησης, παρέχει μια τεχνητή γλώσσα (artificial language) στη διάθεση του χρήστη, ικανή να συνθέσει αλληλουχία αλγορίθμων ανάλυσης και 66

67 επεξεργασίας εικόνας. Αυτοί οι αλγόριθμοι λειτουργούν στα πλαίσια της αντικειμενοστραφούς λογικής ανάλυσης εικόνας, και προσαρμόζονται τοπικά σε κάθε επίπεδο επεξεργασίας. Αυτή η προσαρμογή και η επιμέρους εφαρμογή καθίσταται δυνατή χάρη στην έννοια των «διεργασιών». Μια διεργασία από μόνη της αποτελεί την απλούστερη δομική μονάδα μιας ομάδας κανόνων (rule set) ικανών να δώσουν λύση σε κάποιο συγκεκριμένο πρόβλημα στην ανάλυση μιας εικόνας. Μια ομάδα κανόνων δεν είναι τίποτα άλλο από μια στοιχειοθετημένη σειρά διεργασιών. Τα κύρια λειτουργικά μέρη μιας διεργασίας είναι ο αλγόριθμος και ο τομέας αντικειμένου εικόνας (image object domain). Μια διεργασία επιτρέπει την εφαρμογή μιας σειράς λειτουργιών σε ένα συγκεκριμένο τμήμα της εικόνας. Την λειτουργία που θα εκτελεστεί την παρέχει ο αλγόριθμος, ενώ το συγκεκριμένο τμήμα της εικόνας που θα εφαρμοστεί καθορίζεται από τον τομέα αντικειμένου της εικόνας. Τα παραπάνω δύναται να περιέχουν και εννοιολογικές πληροφορίες οι οποίες κάνουν ακόμα ποιο εξειδικευμένες τις διεργασίες. Οι τελευταίες μπορούν να περικλείουν βοηθητικές δευτερεύουσες διεργασίες οι οποίες να υπάγονται στις πρώτες ιεραρχικά με σχέση γονιού-παιδιού (parent & child processes). Η ιεραρχία αυτή μέσα στις διεργασίες καθορίζει τη δομή τους και την ροή κατά την οποία αυτές εκτελούνται κατά την ανάλυση της εικόνας. Η διευθέτηση διεργασιών που περιέχουν διαφορετικούς αλγόριθμους, επιτρέπει στον χρήστη να κατασκευάσει μια ακολουθητική ρουτίνα (δενδροδιάγραμμα διεργασιών process tree) ανάλυσης της εικόνας. Οι αλγόριθμοι περιγράφουν την λειτουργία που θα τελέσει η διεργασία. Οι λειτουργίες αυτές μπορεί να είναι η δημιουργία νέων αντικειμένων μέσω κατάτμησης, η ένωση πολλών αντικειμένων σε ένα (merging), η διάσπαση αντικειμένων ή ακόμα και η ταξινόμησή τους. Ο τομέας αντικειμένου εικόνας καθορίζει την περιοχή εφαρμογής του αλγορίθμου. Αυτός προσδιορίζεται από την δομική περιγραφή του συγκεκριμένου υποσύνολου της εικόνας και επιλέγεται από τον χρήστη. Τομέας αντικειμένου μπορεί να είναι π.χ ολόκληρη η εικόνα, όλα τα αντικείμενα μιας συγκεκριμένης κλάσης της εικόνας ή ακόμα και ένα άλλο επίπεδο αντικειμένων εικόνας (εικ. 25). 67

68 Εικόνα 25: Διάγραμμα ροής εφαρμογής διεργασιών, σε τομείς αντικειμένων της εικόνας 5.2 Ανάπτυξη του αντικειμενοστραφούς μοντέλου Πριν την έναρξη της ανάπτυξης του μοντέλου δημιουργήθηκαν βοηθητικά δεδομένα τα οποία εισήχθησαν στο πρόγραμμα σαν συμπληρωματικά επίπεδα επεξεργασίας. Από το CORINE 2000 εξήχθησαν ως διανυσματικό αρχείο πολυγώνων οι περιοχές με τις αγροτικές καλλιέργειες, ώστε η ταξινόμηση να περιοριστεί στις υπόλοιπες κλάσεις. Αυτό κρίθηκε αναγκαίο λόγω της φασματικής ομοιότητας των αγροτικών εκτάσεων με άλλες κλάσεις (π.χ. αρδευόμενα χωράφια πλατύφυλλη βλάστηση, μη αρδευόμενα χωράφια γυμνές εκτάσεις). Το διανυσματικό επίπεδο πολυγώνων που προέκυψε λειτούργησε σα θεματικό επίπεδο για να οριστεί ο πρωτεύον τομέας ανάλυσης. Επιπλέον υπολογίστηκε ο Κανονικοποιημένος Δείκτης Βλάστησης (NDVI) για να εισαχθεί και αυτός ως θεματικό επίπεδο. Η εισαγωγή του κρίθηκε αναγκαία λόγω της ιδιότητάς του να διακρίνει τη βλάστηση από τις υπόλοιπες κατηγορίες. Τέλος υπολογίστηκε ένας προσαρμοσμένος (customized) δείκτης, μετά από πολλαπλές διαδικασίες «δοκιμής και λάθους» στην εύρεση διακριτικών χαρακτηριστικών, ο οποίος ονομάστηκε «SUM» και χρησιμοποιήθηκε διότι διαπιστώθηκε ότι είναι ικανός να διαχωρίζει τις κλάσεις της βλάστησης μεταξύ τους. Ο NDVI και ο SUM υπολογίστηκαν από τους παρακάτω τύπους (εξ. 3,4). 68

69 , (Rouse κ.α. 1974) (Εξίσωση 3), Mean ο μέσος όρος της τιμής φωτεινότητας των εικονοστοιχείων που σχηματίζουν 1 αντικείμενο (Εξίσωση 4) Όπου SWIR, NIR, R, G οι φασματικοί δίαυλοι στο μέσο υπέρυθρο, κοντινό υπέρυθρο, κόκκινο και πράσινο τμήμα του ηλεκτρομαγνητικού φάσματος αντίστοιχα. Η διαίρεση με τον παρανομαστή στον τύπο του SUM κρίθηκε αναγκαία για να μειωθούν τα ψηφία των τιμών του, και να είναι ποιο εύκολη η επεξεργασία στο λογισμικό. Η προσέγγιση που ακολουθήθηκε για την ανάπτυξη του μοντέλου ήταν η δημιουργία δυο επιπέδων (level) ταξινόμησης. Το πρώτο επίπεδο διαχωρίζει τις αγροτικές περιοχές από τις υπόλοιπες. Κατόπιν θα δημιουργηθεί ένα δεύτερο επίπεδο ταξινόμησης όπου θα γίνει επανακατάτμηση για να δημιουργηθούν τα τελικά αντικείμενα που θα δώσουν τις τελικές κλάσεις έπειτα από την ταξινόμηση. Τέλος θα εξαχθούν σα διανυσματικά αρχεία τα τελικά πολύγωνα των κλάσεων για περεταίρω επεξεργασία και παρουσίαση. Στις επόμενες παραγράφους περιγράφονται αναλυτικά οι διεργασίες, και ένα πρόχειρο σχεδιάγραμμα του μοντέλου φαίνεται παρακάτω (εικ. 26). Εικόνα 26: Η σειρά των διεργασιών, και οι τομείς εργασίας που εφαρμόστηκαν στο αντικειμενοστραφές μοντέλο ταξινόμησης 69

70 Επίπεδο 1 ο : Το πρώτο επίπεδο που δημιουργήθηκε είχε σκοπό να διαχωρίσει βάσει του διανυσματικού επίπεδου πολυγώνων που έδωσε το CORINE 2000, τις αγροτικές περιοχές από τις υπόλοιπες. Παράλληλα λόγω του ότι το αρχείο αυτό περιείχε τα ακριβή όρια του νομού, πραγματοποιήθηκε χωρική περικοπή της εικόνας αφαιρώντας και τη θάλασσα. Για να δημιουργηθεί το επίπεδο αρχικά έγινε κατάτμηση πολλαπλής ανάλυσης της εικόνας χρησιμοποιώντας τις εξής παραμέτρους: Thematic Layer usage (χρήση θεματικού επιπέδου): Ναι (αγροτικά CORINE) Image layer Weights (ειδικά βάρη διαύλων): 0 σε όλους Scale (παράμετρος κλίμακας): 1000 Κριτήριο ομοιογένειας: Shape (σχήμα): 0,9 Compactness (συμπαγότητα): 0,5 Τη κατάτμηση ακολούθησε η ταξινόμηση σε δυο κλάσεις: Αγροτικές περιοχές, Όχι αγροτικές περιοχές. Ο αλγόριθμος της ταξινόμησης τις διαχώρισε εύκολα βάσει της χωρικής πληροφορίας από το θεματικό επίπεδο (αγροτικά CORINE). Τέλος έγινε ένωση των μη αγροτικών περιοχών σε ενιαία μεγάλα αντικείμενα με τον αλγόριθμο συγχώνευσης (merge). Η τελική μορφή του επιπέδου καθώς και το δενδροδιάγραμμα των διεργασιών (process tree) του επιπέδου φαίνεται στην παρακάτω εικόνα (εικ. 27) 70

71 Εικόνα 27: Στην προηγούμενη σελίδα φαίνεται το πρώτο επίπεδο αντικειμένων που δημιουργήθηκε, ενώ ακριβώς από πάνω το δενδροδιάγραμμα ροής των διεργασιών του Επίπεδο 2 ο : Η δημιουργία του δεύτερου επίπεδου ξεκίνησε με κατάτμηση του τομέα εργασίας «Μη αγροτικές περιοχές». Το καινούριο επίπεδο τοποθετήθηκε ιεραρχικά κάτω από το πρώτο. Οι παράμετροι που χρησιμοποιήθηκαν στην κατάτμηση πολλαπλής ανάλυσης είναι οι εξής: Thematic Layer usage (χρήση θεματικού επιπέδου): Όχι Image layer Weights (ειδικά βάρη διαύλων): τιμή 1 για τον κάθε δίαυλο της εικόνας Scale (παράμετρος κλίμακας): 10 Κριτήριο ομοιογένειας: Shape (σχήμα): 0,1 Compactness (συμπαγότητα): 0,9 Τα αποτελέσματα της κατάτμησης φαίνονται στην παρακάτω εικόνα (εικ. 28) Εικόνα 28: Αριστερά η εικόνα πριν, και δεξιά μετά την κατάτμησή της Το αποτέλεσμα αυτό κρίθηκε ως επιθυμητό, και επιτεύχθηκε μέσα από διαδικασία «δοκιμής λάθους», τροποποιώντας κάθε φορά τις παραμέτρους της κλίμακας, τα ειδικά βάρη των διαύλων και τις τιμές που καθορίζουν το κριτήριο 71

72 ομοιογένειας. Η κατάτμηση αποτελεί ένα είδος προ-ταξινόμησης χωρίς να είναι η ίδια αυτοσκοπός. Τα αντικείμενα που δημιουργεί όμως πρέπει να απεικονίζουν επαρκώς τις επιθυμητές κλάσεις ώστε να ταξινομηθούν και ανάλογα στη συνέχεια. Έτσι προέκυψε και η ελάχιστη μονάδα χαρτογράφησης, με το μικρότερο αντικείμενο που μπορεί να αναγνωριστεί μέσω φωτοερμηνείας να αποτελείται από επτά εικονοστοιχεία δηλαδή καταλαμβάνοντας έκταση 0,28 εκτάρια. Το επόμενο βήμα μετά την κατάτμηση ήταν να οριστούν οι κλάσεις της ταξινόμησης ώστε να αρχίσει η εύρεση και η κατανομή των διακριτικών τους χαρακτηριστικών μέσα από τη διαδικασία «δοκιμής και λάθους». Οι κλάσεις που ορίστηκαν είναι οι εξής: Κωνοφόρα Πλατύφυλλα Θαμνολίβαδα Ποολίβαδα Αγροτικές εκτάσεις Γυμνές εκτάσεις & τεχνητές επιφάνειες Υδάτινες επιφάνειες Η κλάση «Αγροτικές εκτάσεις» ταξινομήθηκε με βάση την χωρική πληροφορία του CORINE 2000 από το ανώτερο ιεραρχικά επίπεδο. Για τις υπόλοιπες κλάσεις χρησιμοποιήθηκαν συνδυασμοί διακριτικών χαρακτηριστικών ανάλογα με το πώς διαχώριζαν την κάθε κλάση από τις υπόλοιπες. Στην κλάση «Κωνοφόρα» χρησιμοποιήθηκαν τα διακριτικά χαρακτηριστικά: NDVI και SUM. Στην κλάση «Πλατύφυλλα» τα: NDVI, Mean Layer(NIR) και Mean Layer(R). Στις κλάσεις «Θαμνολίβαδα, Ποολίβαδα» τα: NDVI και SUM. Στην κλάση «Γυμνές εκτάσεις & τεχνητές επιφάνειες» τα: NDVI και Mean Layer(G), Στην κλάση «Υδάτινες επιφάνειες» τα: NDVI, Mean Layer(SWIR) και Ratio Layer(SWIR). To «Mean Layer» είναι ο μέσος όρος της τιμής των εικονοστοιχείων στον συγκεκριμένο φασματικό δίαυλο, που απαρτίζουν ένα αντικείμενο. Το «Ratio Layer» του αντικειμένου είναι το πηλίκο της τιμής του «Mean Layer» του συγκεκριμένου διαύλου, δια το άθροισμα όλων των «Mean Layer» των διαύλων της εικόνας. Θα πρέπει να τονιστεί ότι χρησιμοποιήθηκε η χρονοβόρα μέθοδος της «δοκιμής και 72

73 λάθους» για την εύρεση των παρακάτω: διακριτικών χαρακτηριστικών των κλάσεων, ορίων των τιμών των χαρακτηριστικών, κατάλληλων συναρτήσεων συμμετοχής στην εφαρμογή των ορίων, και λογικών τελεστών που συνδέουν τις συναρτήσεις αυτές. Όσο ποιο έμπειρος είναι ο χρήστης του λογισμικού, τόσο ποιο γρήγορα μπορεί να στήσει τις κατάλληλες περιγραφές κλάσεων, καθώς και την στρατηγική ανάπτυξης του αντικειμενοστραφούς μοντέλου. Τέλος στα σύννεφα και τις σκιές τους αποδόθηκαν οι κλάσεις «Σύννεφα» και «Σκιές» αλλά δε χρησιμοποιήθηκε αλγόριθμος ταξινόμησης. Αντιθέτως λόγω του ότι η κατάτμηση της εικόνας σε αυτό το επίπεδο δημιούργησε μικρά αντικείμενα, η χειροκίνητη ανάθεση των αντικειμένων αυτών στις δυο κλάσεις βάσει φωτοερμηνείας ήταν μια εύκολη και γρήγορη διαδικασία. Τα τελευταία πραγματοποιήθηκαν σε ένα χωριστό βήμα διόρθωσης (editing) του δεύτερου επιπέδου. Τέλος οι ταξινομημένες κλάσεις εξήχθησαν ως διανυσματικά αρχεία πολυγώνων για τελική επεξεργασία σε περιβάλλον Γ.Σ.Π. Παρακάτω στην εικόνα φαίνεται το δενδροδιάγραμμα του δεύτερου επιπέδου (dasos), και η διεργασία της εξαγωγής των πολυγώνων της ταξινόμησης (εικ. 29). Εικόνα 29: : Το δενδροδιάγραμμα ροής διεργασιών του δεύτερου επιπέδου, και η διεργασία εξαγωγής των πολυγώνων της ταξινόμησης Τα πολύγωνα της ταξινόμησης που προέκυψαν από το Definiens Developer7 εισήχθησαν στο ARCGIS 9.2, για να γίνει η αντικατάσταση των πολυγώνων των κλάσεων «Σύννεφα», «Σκιές», με τα πραγματικά αντλώντας την πληροφορία από το CORINE Οι εντολές που χρησιμοποιήθηκαν στην επεξεργασία, ήταν αυτή της περικοπής (clip) του CORINE βάσει των πολυγώνων των δυο πάνω κλάσεων, και η εξαγωγή του σε ξεχωριστό διανυσματικό αρχείο πολυγώνων. Κατόπιν ακολούθησε η εντολή της αναβάθμισης (update), όπου άλλαξε η πληροφορία της ταξινόμησης στα σημεία των σύννεφων και των σκιών με το τμήμα του CORINE (εικ.30). Συνολικά τα 73

74 βήματα που ακολουθήθηκαν για να ολοκληρωθεί το τελικό προϊόν καθώς και ο τελικός χάρτης, παρουσιάζονται παρακάτω (εικ. 31, 32). Εικόνα 30: Αριστερά η εικόνα πριν την επεξεργασία για τη αφαίρεση των σύννεφων και των σκιών (στο πάνω κομμάτι είναι εμφανή, με γαλάζιο και κόκκινο χρώμα αντίστοιχα), και δεξιά το τελικό διανυσματικό αρχείο Εικόνα 31: Διάγραμμα ροής εργασιών για την ολοκλήρωση του χάρτη 74

75 Εικόνα 32: Ο χάρτης χρήσης/κάλυψης γης της πρώτης περιοχής μελέτης, όπως προέκυψε από την αντικειμενοστραφή ταξινόμηση εικόνας SPOT Εκτίμηση της ακρίβειας της ταξινόμησης και σύγκριση με το προϊόν του LANDSAT Εκτίμηση της ακρίβειας της ταξινόμησης (θεωρητικό υπόβαθρο) Ένας χάρτης ο οποίος δεν έχει ελεγχθεί ώστε να φέρει σαν τεχνικό του χαρακτηριστικό την ακρίβειά του, δεν είναι τίποτα άλλο παρά μια όμορφη χρωματιστή απεικόνιση της περιοχής. Η εκτίμηση της ακρίβειας του χάρτη είναι αυτή που του προσδίδει κύρος, ώστε να μπορεί κάποιος να βασιστεί πάνω του για την λήψη αποφάσεων. Οι διαχειριστές συχνά χρησιμοποιούν θεματικά προϊόντα που προκύπτουν από μεθόδους τηλεπισκόπησης υπερεκτιμώντας την ακρίβειά τους. Το λάθος που κάνουν είναι ότι δεν εκτιμούν το ποσοστό σφάλματος που συσσωρεύεται 75

76 στο τελικό προϊόν κατά την ροή της επεξεργασίας των αρχικών δεδομένων προς το τελικό προϊόν (Meyer και Werth, 1990) (εικ. 33). Η πληροφορία που παρέχει ο χάρτης είναι μια εκτίμηση της πραγματικής κατάστασης. Αυτή η εκτίμηση απαιτεί τρομερή προσπάθεια μέχρι να φτάσει στο σημείο να αντιπροσωπεύει επαρκώς το πεδίο. Όπως υποστηρίζει και ο πατέρας της «Γενικής Σημαντικής» (general semantics) Alfred, Korzybski (1933): «Ο χάρτης δεν είναι η περιοχή που απεικονίζει, άλλα όντας ακριβής έχει παρόμοια δομή, και κατ αυτόν τον τρόπο εκτιμάται η χρησιμότητά του στην πράξη» Το πόσο καλή δε εκτίμηση παρέχει ο χάρτης, το ορίζει η ακρίβειά αυτού. Εικόνα 33: Οι πηγές των σφαλμάτων όπως αυτές συσσωρεύονται κατά τα στάδια επεξεργασίας της εικόνας, προς το τελικό χαρτογραφικό προϊόν Για να εκτιμηθεί η ακρίβεια μιας ταξινόμησης, είναι απαραίτητο να συγκριθούν μεταξύ τους δυο πηγές δεδομένων. Η πρώτη είναι τα εικονοστοιχεία ή τα πολύγωνα του θεματικού χάρτη, και η δεύτερη τα δεδομένα που συλλέγονται από το πεδίο. Η σχέση μεταξύ των δυο αυτών πηγών πληροφορίας παρουσιάζεται στον πίνακα σφαλμάτων (error matrix) μέσω των περιγραφικών στατιστικών που αυτός παρέχει (ακρίβεια χρήστη, ακρίβεια κατασκευαστή, ολική ακρίβεια, ολικός συντελεστής K ). Έτσι παρουσιάζεται η βάση πάνω στην οποία γίνεται ο χαρακτηρισμός και η 76

77 ερμηνεία των σφαλμάτων της ταξινόμησης. Κατά συνέπεια, η τελευταία όπως και οι τυχόν εκτιμήσεις που απορρέουν συμπερασματικά από αυτήν μπορούν να βελτιωθούν (Foody 2002, Wu και Shao 2002). Παρουσιάζοντας αναλυτικά τα αποτελέσματα της ταξινόμησης, και συγκρίνοντας τα με τα δεδομένα πεδίου που χρησιμοποιούνται σαν αναφορά, ο πίνακας σφαλμάτων επιτρέπει στον αναλυτή να εντοπίσει τις κλάσεις στις οποίες ο ταξινομητής του παρουσιάζει αδυναμία. Έτσι μπορεί να επέμβει κατ επιλογή, και να βελτιώσει μέσα από μια επαναληπτική διαδικασία την ταξινόμηση όσες φορές κρίνει αυτός απαραίτητο, για να επιτύχει το επιθυμητό αποτέλεσμα ακρίβειας. Για να πραγματοποιηθεί η παραπάνω σύγκριση είναι απαραίτητο να συλλεχθούν δεδομένα αναφοράς της ταξινόμησης (reference data). Αυτά συλλέγονται στο πεδίο με φορητό σύστημα εντοπισμού θέσης (δέκτη GPS) έπειτα από σχεδιασμό της δειγματοληψίας. Σε απλούς τύπους ταξινομήσεων όπου υπάρχουν λίγες και διακριτές κλάσεις, η εκτίμηση της ακρίβειας μπορεί να γίνει χρησιμοποιώντας δορυφορικά δεδομένα υψηλής χωρικής διακριτικής ικανότητας, ή ακόμα και αεροφωτογραφίες της περιοχής. Το ίδιο ισχύει και στις περιπτώσεις όπου τα δεδομένα πεδίου είναι αδύνατο να συλλεχθούν λόγω μη προσβασιμότητας της περιοχής (π.χ ανάγλυφο, ιδιοκτησιακό καθεστώς, ελλιπές οδικό δίκτυο). Ειδικά σε δεδομένα δορυφόρων SPOT και LANDSAT, όπου το μέγεθος του εικονοστοιχείου είναι αρκετά μεγαλύτερο από δεδομένα υψηλής χωρικής διακριτικής ικανότητας, η φωτοερμηνεία ως μέθοδος συλλογής δεδομένων έχει χρησιμοποιηθεί κατά κόρον, δίνοντας καλά αποτελέσματα. Και η φωτοερμηνεία όμως σαν μέθοδος έχει τις αδυναμίες της και μπορεί να προκαλέσει λάθη στην εκτίμηση της ακρίβειας, όταν ο φωτοερμηνευτής που επιλέγει τα δεδομένα ελέγχου δεν είναι έμπειρος αρκετά, ή το σύστημα ταξινόμησης των κλάσεων είναι πολύπλοκο. Έτσι μπορεί κάποιος να καταλήξει στο συμπέρασμα ότι η ακρίβεια του προϊόντος είναι μικρή ενώ στην πραγματικότητα είναι λάθος τα δεδομένα αναφοράς (Conglaton και Green 1999). Οι Conglaton και Green (1999) προτείνουν σα βασικό κανόνα, τη συλλογή τουλάχιστον πενήντα δειγμάτων από κάθε κλάση της ταξινόμησης. Όταν η περιοχή μελέτης ξεπερνά τα εκτάρια ( acres), ή οι κλάσεις της ταξινόμησης είναι περισσότερες των δέκα, απαιτούνται δείγματα από κάθε κλάση. Επίσης 77

78 ο αριθμός των δειγμάτων ανά κλάση μπορεί να αυξομειωθεί αναλόγως την μεταβλητότητα που φέρει μέσα της η κλάση, όπως και της επιφάνειας ποσοτικά που καλύπτει αυτή στην δορυφορική εικόνα. Τέλος το μέγεθος του κάθε δείγματος πρέπει να είναι επαρκές σε μέγεθος ώστε να αποφεύγονται σφάλματα που σχετίζονται με τη γεωμετρική διόρθωση της εικόνας. Κανονικά το μέγεθος ενός εικονοστοιχείου είναι αρκετό για μέγεθος δείγματος, αλλά για τον προαναφερθέντα λόγο όπως συστήνει και ο Fenstermaker (1991) απαιτείται τουλάχιστον ένα παράθυρο 3x3 εικονοστοιχείων. Τα δείγματα αυτά μπορούν να συλλεχτούν με διάφορα σχέδια δειγματοληψίας τα οποία μπορούν να συνοψιστούν στα εξής πέντε: απλή, τυχαία δειγματοληψία, τυχαία στρωματοποιημένη δειγματοληψία, κατά συστάδες δειγματοληψία και μη ευθυγραμμισμένη συστηματικά στρωματοποιημένη δειγματοληψία (Conglaton και Green 1999). Τέλος θα έπρεπε να αναφερθεί το γεγονός ότι όλα τα παραπάνω ισχύουν στο ακέραιο για τις ταξινομήσεις εικονοστοιχείων. Στις αντικειμενοστραφείς ταξινομήσεις ο πίνακας σφαλμάτων χρησιμοποιείται κατά κόρον και ακόμα αποτελεί το κυρίαρχο μέσο για την εκτίμηση των αποτελεσμάτων. Παρόλα αυτά, όπως υποστηρίζουν οι Zhan κ.α. (2005) οι ισχύουσες μέθοδοι αφορούν ταξινομήσεις εικονοστοιχείων και θεωρούνται ανεπαρκείς για να αποτιμήσουν την ποιότητα των αντικειμένων (πολυγώνων) που εξάγονται από τις δορυφορικές εικόνες. Ο λόγος είναι ότι η χωρική μονάδα έχει αλλάξει από το εικονοστοιχείο στο αντικείμενο, και τα διάφορα κριτήρια ελέγχου όπως ο πίνακας σφαλμάτων βασίζονται αποκλειστικά στην εύρεση ορθής τοποθεσίας εικονοστοιχείων. Η αβεβαιότητα προσδιορίζεται διαφορετικά όταν κανείς αναφέρεται σε ένα εικονοστοιχείο απ ότι σε μια ομάδα εικονοστοιχείων (αντικείμενο), και συνεπακόλουθα οποιοσδήποτε ισχυρισμός για ακρίβεια στην μια περίπτωση διαφέρει από την άλλη που το εικονοστοιχείο αποτελεί τμήμα συνόλου (Dungan, 2002). Η γεωμετρική ανακρίβεια τόσο στα δεδομένα πεδίου όσο και στα δορυφορικά δεδομένα δεν είναι πλέον μείζονος σημασίας μιας και το πειραματικό σχέδιο του πεδίου συνδέεται πλέον με αντικείμενα αντί με εικονοστοιχεία. Η πιθανότητα του να αντιστοιχηθεί εσφαλμένα ένα αντικείμενο στην εικόνα με ένα άλλο στο πεδίο είναι μικρότερη από την εσφαλμένη αντιστοίχηση ενός εικονοστοιχείου στην εικόνα και στο πεδίο, λόγω της μεγαλύτερης χωρικής διάστασης των αντικειμένων (Mäkelä και Pekkarinen, 2001). Θα πρέπει λοιπόν να 78

79 υπάρχουν κριτήρια που θα εκτιμούν όχι μόνο το αν τα αντικείμενα έχουν διατηρήσει την ακριβής τους τοποθεσία (γεωμετρική ποιότητα), αλλά και το αν εξήχθησαν σωστά (ποιότητα ταξινόμησης), δηλαδή το αν οι διαστάσεις τους και το σχήμα τους έχουν υπολογιστεί με ακρίβεια. Γενικά η αποτίμηση της ποιότητας των εξαγόμενων αντικειμένων καθώς και η εύρεση μέτρων για την εκτίμηση της ακρίβειας στις αντικειμενοστραφείς ταξινομήσεις, είναι αντικείμενο προς έρευνα. Πολλοί ερευνητές προτείνουν διάφορες μεθόδους, χωρίς όμως να έχουν καθιερωθεί ακόμα τυπικές μεθοδολογίες. Για αυτό το λόγο στην παρούσα μελέτη η εκτίμηση της ακρίβειας της ταξινόμησης πραγματοποιήθηκε με τη χρήση του πίνακα σφαλμάτων Εκτίμηση της ακρίβειας των ταξινομήσεων και σύγκριση επικαλυπτόμενων περιοχών Η σύγκριση των χαρτών θα γίνει σε δυο επίπεδα. Στο πρώτο θα εξεταστεί ο έλεγχος της ακρίβειας των δυο χαρτών βάσει δεδομένων πεδίου και φωτοερμηνείας. Στο δεύτερο επίπεδο σύγκρισης, θα εξετασθούν τα διανυσματικά αρχεία των πολυγώνων των ταξινομήσεων, ως προς τις κοινές περιοχές που εμφανίζουν. Δηλαδή η μια σύγκριση αφορά τη σχέση χάρτη και πραγματικότητας, ενώ η δεύτερη τη σχέση χάρτη από SPOT-4 δεδομένα, με χάρτη από LANDSAT-5 δεδομένα. Στην συγκεκριμένη μελέτη χρησιμοποιήθηκαν δεδομένα πεδίου σε συνδυασμό με δεδομένα φωτοερμηνείας. Τα δεδομένα πεδίου είχαν συλλεχθεί για τον έλεγχο της ακρίβειας των χαρτών από τα δεδομένα LANDSAT. Λόγω ότι ο απεικονιστής του SPOT έχει μεγαλύτερη χωρική διακριτική ικανότητα, και η μεθοδολογία της κατασκευής των χαρτών όπως και οι κλάσεις τους ήταν ίδιες, θεωρήθηκε ότι αυτά τα δεδομένα αρκούν για τον έλεγχο της ακρίβειας του χάρτη του SPOT. Ποσοτικά όμως δεν ικανοποιούσαν τον έλεγχο καθώς τα σημεία ήταν λίγα για την έκταση της περιοχής μελέτης. Στη Χαλκιδική από επιτόπιες αυτοψίες συλλέχτηκαν 102 σημεία με φορητό σύστημα εντοπισμού θέσης (δέκτη GPS). Αυτά συμπληρώθηκαν με σημεία που επιλέχτηκαν βάσει φωτοερμηνείας ανεξάρτητου ειδικού επιστήμονα, από εικόνες πολύ υψηλής χωρικής διακριτικής ικανότητας. Συνολικά στη Χαλκιδική χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας των χαρτών 291 σημεία (εικ. 34). 79

80 Εικόνα 34: Τα σημεία ελέγχου της πρώτης περιοχής μελέτης που χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας της ταξινόμησης Προκειμένου να πραγματοποιηθεί ο έλεγχος της ακρίβειας των δυο αντικειμενοστραφών ταξινομήσεων, χρειάστηκε να μετατραπούν τα αρχεία τους από διανυσματικά πολυγώνων, σε κανάβου. Η μετατροπή έγινε με την εντολή «polygon to raster» του λογισμικού ARCGIS 9.2, επιλέγοντας ως μέγεθος κελιού κάθε φορά το μέγεθος του εικονοστοιχείου της δορυφορικής εικόνας από την οποία προήλθε η ταξινόμηση (20m για SPOT-4 & 30m για LANDSAT-5) για αποφυγή χωρικής ανακρίβειας κατά την αναγωγή. Ο έλεγχος της ακρίβειας έγινε με τη χρήση του λογισμικού ERDAS IMAGINE 9.1. Για τον κάθε χάρτη προέκυψε αντίστοιχα ο πίνακας σφάλματος (πιν. 1, 2): Πίνακας 1: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της πρώτης περιοχής μελέτης SPOT-4 80

81 Πίνακας 2: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της πρώτης περιοχής μελέτης LANDSAT-5 Η ακρίβεια κατασκευαστή εκτιμά το σφάλμα παράληψης ή αποκλεισμού, και σχετίζεται με την πιθανότητα επί τις εκατό σωστής αντιστοίχισης των δεδομένων αναφοράς, στις κλάσεις της ταξινόμησης. Ονομάζεται ακρίβεια κατασκευαστή διότι αυτός είναι που ενδιαφέρεται για το πόσο καλά μπορεί μια συγκεκριμένη περιοχή να ταξινομηθεί. Πέρα από τη κατηγορία των κωνοφόρων, η ταξινόμηση της εικόνας SPOT-4 έδωσε συνολικά καλύτερα αποτελέσματα σε αυτή τη κατηγορία. Ακολουθεί έπειτα η ακρίβεια χρήστη η οποία σχετίζεται άμεσα με το σφάλμα εκ μεταφοράς ή συνυπολογισμού, και δίνει την πιθανότητα επί της εκατό το εικονοστοιχείο που έχει ταξινομηθεί σε μια κλάση στον χάρτη, να εκπροσωπεί την πραγματική κατηγορία στο έδαφος (Story και Congalton, 1986). Όπως και στην ακρίβεια του κατασκευαστή, έτσι και τώρα η μοναδική κατηγορία στην οποία υπερέχει η ταξινόμηση του LANDSAT, είναι εκείνη των κωνοφόρων. Το ποιο απλό περιγραφικό στατιστικό των πινάκων είναι η ολική ακρίβεια ταξινόμησης που προκύπτει από τη διαίρεση των σωστά ταξινομημένων εικονοστοιχείων, προς τα συνολικά σημεία αναφοράς. Η αντικειμενοστραφής ταξινόμηση της εικόνας SPOT-4 έδωσε ολική ακρίβεια 79,11% ενώ της εικόνας LANDSAT-5, 78,42%. Είναι γεγονός όμως, ότι ακόμα και μια τελείως τυχαία ταξινόμηση θα δώσει κάποια σωστά ποσοστά λόγω τυχαίας σωστής αντιστοίχισης. Την πιθανότητα αυτή εξετάζει ο ολικός συντελεστής K, ο οποίος εκφράζει την ανάλογη ελάττωση του σφάλματος που δημιουργείται κατά την διαδικασία της ταξινόμησης, συγκρινόμενη με μια τελείως τυχαία ταξινόμηση. Ο συντελεστής παίρνει συνεχείς τιμές από 0 ως 1 και μια τιμή π.χ 0,82 εκφράζει ότι η ταξινόμηση 81

82 απέφυγε το 82% των σφαλμάτων που θα προέκυπταν σε μια τελείως τυχαία ταξινόμηση. Ο συντελεστής K θεωρείται το πλέον αξιόπιστο μέτρο εκτίμησης της ακρίβειας της ταξινόμησης (Hudson και Ramm 1987, Congalton 1991) διότι υπολογίζεται από όλα τα στοιχεία του πίνακα σφαλμάτων, και διότι αντισταθμίζει την πιθανότητα του τυχαίου στη ταξινόμηση (Zhang και Goodchild, 2002). Η αντικειμενοστραφής ταξινόμηση της εικόνας SPOT-4 είχε ολικό συντελεστή K 0,7519, ενώ της εικόνας LANDSAT-5, 0,7428. Τα μεγαλύτερα ποσοστά της ακρίβειας της αντικειμενοστραφούς ταξινόμησης των εικόνων SPOT-4 έναντι των εικόνων του LANDSAT-5 βάσει των περιγραφικών στατιστικών του πίνακα σφαλμάτων, μπορεί να οφείλονται στο γεγονός ότι η χωρική διακριτική ικανότητα του SPOT-4 είναι μεγαλύτερη εκείνης του LANDSAΤ-5. Μεγαλύτερη χωρική ανάλυση, σημαίνει ότι περιοχές που θεωρούνται ομοιογενείς στα 30m ανάλυση, μπορεί να φαίνονται ετερογενείς στα 20m με τις κόμες των δέντρων και τα κενά στην φυτοκάλυψη να παρουσιάζουν διαφορετικές φασματικές τιμές. Άρα οι δυο ταξινομήσεις διαφέρουν στην απόδοση κλάσεων δίνοντας διαφορετικές ερμηνείες η κάθε μια. Για να εντοπιστούν οι παραπάνω διαφορές πραγματοποιήθηκε ένα δεύτερο επίπεδο σύγκρισης, ώστε να υπολογιστούν οι κοινά επικαλυπτόμενες περιοχές μεταξύ των δυο αντικειμενοστραφών ταξινομήσεων της περιοχής μελέτης. Η σύγκριση έγινε σε περιβάλλον γεωγραφικών συστημάτων πληροφοριών, με τη χρήση της εντολής «intersect» (διασταύρωση) της εργαλειοθήκης του ARCGIS 9.2. Ο πίνακας που προέκυψε, με τα στατιστικά για την πρώτη περιοχή μελέτης είναι ο παρακάτω (πιν. 3): Στον πίνακα συμπεριλήφθηκαν μόνο οι αλλαγές οι οποίες κάλυπταν έκταση μεγαλύτερη του 0,5% (8117 εκτάρια) της συνολικής έκτασης της περιοχής μελέτης οι οποίες και συνοψίζονται παρακάτω:. Η ταύτιση των περιοχών στην κλάση των κωνοφόρων κυμάνθηκε γύρω στο 59,9% της συνολικής έκτασης της κλάσης. Η μεγαλύτερη απώλεια από την κλάση των κωνοφόρων παρατηρήθηκε προς την κλάση των θαμνολίβαδων όπου είναι 30,80%. 82

83 Η ταύτιση των κοινών περιοχών στη κλάση των θαμνολίβαδων ήταν 55,38%. Η μεγαλύτερη απώλεια από την κλάση των θαμνολίβαδων ήταν προς την κλάση των ποολίβαδων με 25,41% και κατόπιν προς την κλάση των κωνοφόρων με ποσοστό 15,30%. Στην κλάση των πλατύφυλλων παρατηρήθηκε ταύτιση κοινών περιοχών σε ποσοστό 67,70% της συνολικής επιφάνειας της κλάσης. Συνολικά το 19,69% της κλάσης των πλατύφυλλων του SPOT ταξινομήθηκαν ως κωνοφόρα στην εικόνα του LANDSAT και 11,38% ως θαμνολίβαδα. Στην κλάση των ποολίβαδων είχαμε ταύτιση κοινών κλάσεων 68,54%. Οι μεγαλύτερες απώλειες προς άλλη κλάση σημειώθηκαν προς την κλάση των θαμνολίβαδων όπου στην πρώτη περιοχή 19,24% των ταξινομημένων ποολίβαδων της εικόνας SPOT αλλάξανε στην εικόνα LANDSAT. Πίνακας 3: Σύγκριση κλάσεων των δυο ταξινομήσεων για την πρώτη περιοχή μελέτης 83

84 Στις αγροτικές εκτάσεις όπου χρησιμοποιήθηκε το CORINE 2000, τα ποσοστά ήταν 98,71%. Στις γυμνές εκτάσεις κοινές σε χαρακτηρισμό περιοχές ήταν το 48,21% της κλάσης των γυμνών, με 39,80% να χαρακτηρίζεται ποολίβαδα. Στις υδάτινες επιφάνειες η ταύτιση έφτασε το 67,71%. Διαφορές που παρατηρούνται μπορεί να οφείλονται στο γεγονός ότι το προϊόν του LANDSAT χρησιμοποίησε για να ταξινομήσει την κλάση των θαμνολίβαδων την πληροφορία από το CORINE 2000, σε συνδυασμό με τους αλγόριθμους του αντικειμενοστραφούς ταξινομητή. Για την ταξινόμηση των θαμνολίβαδων στις εικόνες SPOT-4 δεν έγινε κάτι παρόμοιο. Τέλος παρουσιάζονται οι πίνακες με τις κλάσεις, τις εκτάσεις που καταλαμβάνουν, καθώς και τα ποσοστά τους σε σχέση με την συνολική έκταση της ταξινομημένης επιφάνεια (πιν. 4, 5). Πίνακας 4: Πίνακας στατιστικών της πρώτης περιοχής μελέτης για την ταξινόμηση SPOT-4 Πίνακας 5: Πίνακας στατιστικών της πρώτης περιοχής μελέτης για την ταξινόμηση LANDSAT-5 84

85 Συνολικά παρατηρείται ότι στην πρώτη περιοχή μελέτης τα ποσοστά της ταξινόμησης των κωνοφόρων διαφέρουν κατά 2,57%, των θαμνολίβαδων κατά 5,58%, των πλατύφυλλων κατά 4,35%, των ποολίβαδων 2,07%, των αγροτικών εκτάσεων κατά 0,39%, των γυμνών εκτάσεων κατά 0,38% και των υδάτινων κατά επιφανειών 0,04%. Σε κάθε περίπτωση τα συνολικά ποσοστά των ταξινομήσεων είναι σχετικά κοντά διότι τα ποσοστά που αναφέρονται μετασχηματίζονται σε εκτάσεις εκατοντάδων εκταρίων. Οι διαφορές στα ποσοστά και στις δυο περιπτώσεις, οφείλονται στο γεγονός ότι οι ταξινομήσεις των εικόνων του LANDSAT γίνανε από άλλον ειδικό επιστήμονα, ο οποίος έστησε διαφορετικά το μοντέλο της ταξινόμησης των εικόνων που επεξεργαζόταν, καθώς και στο γεγονός ότι τα πρωτογενή δεδομένα (δορυφορικές εικόνες) είναι διαφορετικά. 5.4 Σύνοψη κεφαλαίου Στην αρχή του κεφαλαίου περιγράφηκε το θεωρητικό υπόβαθρο της αντικειμενοστραφούς ταξινόμησης. Αναλύθηκαν οι έννοιες της κατάτμησης, της ταξινόμησης και των διεργασιών ώστε να γίνουν περισσότερο κατανοητά τα βήματα που ακολουθήθηκαν στην ανάπτυξη του μοντέλου της ταξινόμησης. Κατόπιν περιγράφηκαν αναλυτικά οι αλγόριθμοι που χρησιμοποιήθηκαν για την ανάπτυξη του αντικειμενοστραφούς μοντέλου ταξινόμησης, καθώς και το διάγραμμα ροής τους. Στη συνέχεια πραγματοποιήθηκε επεξεργασία των πολυγώνων της ταξινόμησης σε περιβάλλον Γ.Σ.Π, ώστε να αντικατασταθούν οι κλάσεις των σύννεφων και των σκιών με τις πραγματικές βάσει του CORINE Μετά την επεξεργασία αυτή δημιουργήθηκε ο χάρτης χρήσης/κάλυψης γης της πρώτης περιοχής μελέτης. Έπειτα έγινε μια εισαγωγή στο θεωρητικό υπόβαθρο της εκτίμησης της ακρίβειας ταξινομήσεων. Αναλύθηκε η σημασία της ακρίβειας για τους 85

86 χάρτες, και αναφέρθηκαν οι προβληματισμοί αναφορικά με τις υφιστάμενες μεθόδους ελέγχου της ακρίβειας σε αντικειμενοστραφείς ταξινομήσεις. Τέλος έγινε η σύγκριση του χάρτη των δεδομένων SPOT με έναν αντίστοιχο της ίδιας περιοχής, που προήλθε από αντικειμενοστραφή ταξινόμηση εικόνας LANDSAT-5, χρησιμοποιώντας ίδια μέθοδο. Η σύγκριση έγινε τόσο με την εκτίμηση της ακρίβειας των δυο ταξινομήσεων, όσο και με την εύρεση κοινών επικαλυπτόμενων περιοχών. Στο τέλος παρουσιάστηκαν και τα ποσοστά των ταξινομημένων κλάσεων των δυο ταξινομήσεων για την πρώτη περιοχή μελέτης. Ο χάρτης που προήλθε από την εικόνα του SPOT-4 είναι ποιο ακριβής καθώς υπερέχει του LANDSAT-5 στα περιγραφικά χαρακτηριστικά του πίνακα σφαλμάτων. Τα αποτελέσματα έδειξαν ότι οι ταξινομήσεις του SPOT-4 και του LANDSAT-5 σε κάποιες κλάσεις (π.χ ποολίβαδα) βρέθηκαν να συμπίπτουν ως και στο 68,54% της συνολικής επιφάνειας των κλάσεων. 86

87 6. ΜΕΤΑΦΟΡΑ ΤΟΥ ΜΟΝΤΕΛΟΥ ΤΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΤΑΞΙΝΟΜΗΣΗΣ ΣΤΗ 2 η ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ Στο κεφάλαιο αυτό περιγράφεται η προσπάθεια μεταφοράς της ομάδας κανόνων (rule set) από την πρώτη εφαρμογή στη δεύτερη. Αυτή η περιοχή μελέτης διαφέρει από την πρώτη όπως επισημαίνεται στην παραγράφο του τρίτου κεφαλαίου. Οι αλγόριθμοι θα εφαρμοστούν διαδοχικά με τη ροή που ορίζει το δενδροδιάγραμμα ροής. Θα εξεταστεί το που χρειάζονται προσαρμογές στα όρια των τιμών (thresholds) των διακριτικών χαρακτηριστικών και θα γίνουν οι κατάλληλες αλλαγές. Κατόπιν θα παρουσιαστεί ο χάρτης χρήσης/κάλυψης γης της περιοχής, που προέκυψε από την εφαρμογή του αντικειμενοστραφούς μοντέλου ταξινόμησης. Τέλος θα γίνει σύγκριση αυτόυ, με τον αντίστοιχο χάρτη LANDSAT όπως έγινε και στο προηγούμενο κεφάλαιο (παρ ). Συνολικά το μοντέλο της ταξινόμησης που αναπτύχθηκε στο προηγούμενο κεφάλαιο περιγράφεται λεπτομερώς από το παρακάτω δενδροδιάγραμμα ροής (εικ. 35). Εικόνα 35: Το δενδροδιάγραμμα ροής του αντικειμενοστραφούς μοντέλου ταξινόμησης της πρώτης εφαρμογής 87

88 6.1 Εφαρμογή του δενδροδιαγράμματος ροής της 1 ης εφαρμογης Το πρώτο βήμα ήταν η δημιουργία των βοηθητικών δεδομένων που χρησιμοποιήθηκαν στην πρώτη εφαρμογή, αλλά για την εικόνα της δεύτερης περιοχής μελέτης. Έτσι από το CORINE 2000 εξήχθησαν ως διανυσματικό αρχείο πολυγώνων οι περιοχές με τις αγροτικές καλλιέργειες. Κατόπιν υπολογίστηκε ο Κανονικοποιημένος Δείκτης Βλάστησης (NDVI), και ο προσαρμοσμένος δείκτης SUM. Επίπεδο 1 ο : Το πρώτο επίπεδο που δημιουργήθηκε έχει σκοπό να διαχωρίσει βάσει του διανυσματικού επίπεδου πολυγώνων που έδωσε το CORINE 2000, τις αγροτικές περιοχές από τις υπόλοιπες. Όπως και στην πρώτη εφαρμογή, για να δημιουργηθεί το επίπεδο έγινε κατάτμηση πολλαπλής ανάλυσης της εικόνας χρησιμοποιώντας τις εξής παραμέτρους: Thematic Layer usage (χρήση θεματικού επιπέδου): Ναι (αγροτικά CORINE) Image layer Weights (ειδικά βάρη διαύλων): 0 σε όλους Scale (παράμετρος κλίμακας): 1000 Κριτήριο ομοιογένειας: Shape (σχήμα): 0,9 Compactness (συμπαγότητα): 0,5 Την κατάτμηση ακολούθησε η ταξινόμηση σε δυο κλάσεις: Αγροτικές περιοχές, Όχι αγροτικές περιοχές. Ο αλγόριθμος της ταξινόμησης τις διαχώρισε εύκολα βάσει της χωρικής πληροφορίας από το θεματικό επίπεδο (αγροτικά CORINE). Τέλος έγινε ένωση των μη αγροτικών περιοχών σε ενιαία μεγάλα αντικείμενα με τον αλγόριθμο συγχώνευσης (merge). Η τελική μορφή του επιπέδου καθώς και το δενδροδιάγραμμα των διεργασιών (process tree) του φαίνονται στην παρακάτω εικόνα (εικ. 36) 88

89 Εικόνα 36: Πάνω, το πρώτο επίπεδο αντικειμένων που δημιουργήθηκε, ενώ κάτω το δενδροδιάγραμμα ροής των διεργασιών του Επίπεδο 2 ο : Με τον ίδιο τρόπο που ορίζει η ομάδα κανόνων της πρώτης εφαρμογής, η δημιουργία του δεύτερου επίπεδου ξεκίνησε με κατάτμηση του τομέα εργασίας «Μη αγροτικές περιοχές». Το καινούριο επίπεδο τοποθετήθηκε ιεραρχικά κάτω από το πρώτο. Οι παράμετροι που χρησιμοποιήθηκαν στην κατάτμηση πολλαπλής ανάλυσης είναι οι ίδιοι: Thematic Layer usage (χρήση θεματικού επιπέδου): Όχι Image layer Weights (ειδικά βάρη διαύλων): τιμή 1 για τον κάθε δίαυλο της εικόνας Scale (παράμετρος κλίμακας): 10 Κριτήριο ομοιογένειας: Shape (σχήμα): 0,1 Compactness (συμπαγότητα): 0,9 Τα αποτελέσματα της κατάτμησης φαίνονται στην παρακάτω εικόνα (εικ. 37) 89

90 Εικόνα 37: Αριστερά η εικόνα πριν, και δεξιά μετά την κατάτμησή της Το αποτέλεσμα κρίθηκε ως επιθυμητό και αποφεύχθηκε η οποιαδήποτε αλλαγή ή τροποποίηση των παραμέτρων της πολλαπλής κατάτμησης. Τα αντικείμενα που δημιουργήθηκαν απεικονίζουν επαρκώς τις επιθυμητές κλάσεις ώστε να διεξαχθεί η ταξινόμηση στη συνέχεια. Μετά την κατάτμηση και τη δημιουργία του δεύτερου επιπέδου ορίστηκαν οι κλάσεις της ταξινόμησης. Όπως στην πρώτη εφαρμογή, έτσι και εδώ οι κλάσεις είναι: Κωνοφόρα Πλατύφυλλα Θαμνολίβαδα Ποολίβαδα Αγροτικές εκτάσεις Γυμνές εκτάσεις & τεχνητές επιφάνειες Υδάτινες επιφάνειες Η κλάση «Αγροτικές εκτάσεις» ταξινομήθηκε βάσει της χωρικής πληροφορίας που πήραμε από το CORINE 2000 στο από πάνω ιεραρχικά επίπεδο. Για τις υπόλοιπες κλάσεις χρησιμοποιήθηκαν οι ίδιοι συνδυασμοί διακριτικών χαρακτηριστικών, συναρτήσεων συμμετοχής, και λογικών τελεστών με την πρώτη εφαρμογή. Στην κλάση «Κωνοφόρα» χρησιμοποιήθηκαν τα διακριτικά 90

91 χαρακτηριστικά: NDVI και SUM. Στην κλάση «Πλατύφυλλα» τα: NDVI, Mean Layer(NIR) και Mean Layer(R). Στις κλάσεις «Θαμνολίβαδα, Ποολίβαδα» τα: NDVI και SUM. Στην κλάση «Γυμνές εκτάσεις & τεχνητές επιφάνειες» τα: NDVI και Mean Layer(G), Στην κλάση «Υδάτινες επιφάνειες» τα: NDVI, Mean Layer(SWIR) και Ratio Layer(SWIR). Ο κύριος λόγος που απαιτείται η προσαρμογή της ομάδας των κανόνων του μοντέλου της αντικειμενοστραφούς ταξινόμησης, είναι η διαφορετική εικόνα που χρησιμοποιεί ο χρήστης. Διαφορετική εικόνα σημαίνει είτε διαφορετικό πλαίσιο λήψης, είτε διαφορετική ημερομηνία, είτε και τα δυο. Και στις τρείς περιπτώσεις υπάρχει μοναδικότητα στις συνθήκες λήψης της εικόνας λόγω ατμοσφαιρικών συνθηκών, διαφορετικών αντικειμένων απεικόνισης (π.χ διαφορετικά είδη κωνοφόρων), και της φαινολογίας της βλάστησης η οποία επηρεάζεται από πολλούς παράγοντες (εποχικότητα, γεωγραφικό μήκος και πλάτος, ανάγλυφο). Τα παραπάνω επηρεάζουν την φασματική υπογραφή του προς αποτύπωση αντικειμένου κατά τέτοιο τρόπο, ώστε πραγματικά μεταφέρσιμοι να καθίστανται μόνο οι παράμετροι της πολλαπλής κατάτμησης, τα διακριτικά χαρακτηριστικά, οι συναρτήσεις συμμετοχής και οι λογικοί τελεστές. Η προσαρμογή των ορίων των τιμών (thresholds) σε κάθε περίπτωση κρίνεται απαραίτητη. Οι αλλαγές που πραγματοποιήθηκαν στα όρια των τιμών των συναρτήσεων συμμετοχής των διακριτικών χαρακτηριστικών, έγιναν μέσω της διαδικασίας «δοκιμής και λάθους» σε συνδυασμό με φωτοερμηνεία. Οι διαφορετικές τιμές φωτεινότητας των εικονοστοιχείων των αντικειμένων της δεύτερης εικόνας, καθιστούν αδύνατη την ορθή ταξινόμηση των κλάσεων χωρίς τροποποιήσεις. Στη συνέχεια ακολουθήθηκαν τα ίδια βήματα επεξεργασίας με την πρώτη εφαρμογή για τα σύννεφα και τις σκιές της εικόνας (εικ. 38) (βλ. παρ. 5.2). Τέλος όπως και πριν, οι ταξινομημένες κλάσεις εξήχθησαν ως διανυσματικά αρχεία πολυγώνων για τελική επεξεργασία σε περιβάλλον Γ.Σ.Π (γεωγραφικών συστημάτων πληροφοριών). Στο τέλος της παραγράφου στις εικόνες, παρουσιάζεται το δενδροδιάγραμμα ροής του δεύτερου επιπέδου (dasos), με τη διεργασία εξαγωγής των πολυγώνων, το διάγραμμα ροής των εργασιών, και ο τελικός χάρτης που προέκυψε (εικ. 39, 40, 41). 91

92 Εικόνα 38: Αριστερά η εικόνα πριν την επεξεργασία για τη αφαίρεση των σύννεφων και των σκιών (στο κάτω δεξιά κομμάτι είναι εμφανή με γαλάζιο και κόκκινο χρώμα αντίστοιχα), και δεξιά το τελικό διανυσματικό αρχείο Εικόνα 39: Το δενδροδιάγραμμα ροής διεργασιών του δεύτερου επιπέδου, και η διεργασία εξαγωγής των πολυγώνων της ταξινόμησης Εικόνα 40: Το διάγραμμα ροής των εργασιών για την ολοκλήρωση του χάρτη 92

93 Εικόνα 41: Ο χάρτης χρήσης/κάλυψης γης της δεύτερης περιοχής μελέτης, όπως προέκυψε από την μεταφορά του αντικειμενοστραφούς μοντέλου ταξινόμησης της πρώτης εφαρμογής 6.2 Εκτίμηση της ακρίβειας της ταξινόμησης και σύγκριση με το προϊόν του LANDSAT-5 Όπως και στην πρώτη περιοχή μελέτης, έτσι και εδώ χρησιμοποιήθηκαν δεδομένα πεδίου σε συνδυασμό με δεδομένα φωτοερμηνείας. Τα δεδομένα πεδίου είχαν συλλεχθεί για τον έλεγχο της ακρίβειας των χαρτών από τα δεδομένα LANDSAT (βλ. παρ ). Ύστερα από επιτόπιες αυτοψίες συλλέχτηκαν 31 σημεία με φορητό σύστημα εντοπισμού θέσης (δέκτη GPS). Ποσοτικά όμως δεν ικανοποιούσαν τον έλεγχο καθώς τα σημεία αυτά ήταν λίγα για την έκταση της περιοχής μελέτης. Αυτά συμπληρώθηκαν με σημεία που επιλέχτηκαν βάσει φωτοερμηνείας ανεξάρτητου ειδικού επιστήμονα, από εικόνες πολύ υψηλής χωρικής διακριτικής ικανότητας. Συνολικά χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας του χάρτη της δεύτερης περιοχής μελέτης 318 σημεία (εικ. 42). 93

94 Εικόνα 42: Η δεύτερη περιοχή μελέτης και τα σημεία ελέγχου που χρησιμοποιήθηκαν για τον έλεγχο της ακρίβειας της ταξινόμησης Προκειμένου να πραγματοποιηθεί ο έλεγχος της ακρίβειας των δυο αντικειμενοστραφών ταξινομήσεων, χρειάστηκε να μετατραπούν τα αρχεία τους από διανυσματικά πολυγώνων, σε κανάβου όπως περιγράφτηκε στην παράγραφο Ακολούθως προέκυψαν οι πίνακες σφαλμάτων των της δεύτερης περιοχής μελέτης (πιν. 6, 7): Πίνακας 6: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της δεύτερης περιοχής μελέτης SPOT-4 94

95 Πίνακας 7: Σύνοψη του πίνακα σφαλμάτων ταξινόμησης της δεύτερης περιοχής μελέτης LANDSAT-5 Όπου παρατηρεί κανείς ότι τόσο η ακρίβεια χρήστη όσο και η ακρίβεια κατασκευαστή στην αντικειμενοστραφή ταξινόμηση της εικόνας SPOT-4, υπερέχει αυτής του LANDSAT-5 σε όλες τις κλάσεις εκτός από την ακρίβεια του κατασκευαστή στην κλάση των υδάτινων επιφανειών. Η ολική ακρίβεια της ταξινόμησης της εικόνας SPOT-4 είναι 81,50% και ο ολικός συντελεστής K 0,7816. Στην ταξινόμηση της εικόνας LANDSAT-5 τα αποτελέσματα διαφέρουν με ολική ακρίβεια ταξινόμησης 71,47%, και ολικό συντελεστή K 0,6627. Όπως στην πρώτη περιοχή μελέτης, έτσι και εδώ, τα μεγαλύτερα ποσοστά της ακρίβειας της αντικειμενοστραφούς ταξινόμησης των εικόνων SPOT-4 έναντι των εικόνων του LANDSAT-5, μπορεί να οφείλονται στην μεγαλύτερη χωρική διακριτική ικανότητα του SPOT-4 έναντι του LANDSAΤ-5. Η ανομοιογένεια της δεύτερης περιοχής μελέτης είναι μεγαλύτερη από την περιοχή της Χαλκιδικής, με αποτέλεσμα να προκύπτουν ποιο ασαφή πολύγωνα τα οποία διακρίνονται και χαρακτηρίζονται με περισσότερη ακρίβεια στις εικόνες με υψηλότερη χωρική ανάλυση. Επίσης, διαφορές μπορεί να οφείλονται στο γεγονός ότι τα σημεία ελέγχου της δεύτερης περιοχής μελέτης συλλέχτηκαν ως επί τω πλείστον με τη χρήση φωτοερμηνείας, και όχι με φορητό σύστημα εντοπισμού θέσης. Συγκεκριμένα στην πρώτη περιοχή μελέτης τα σημεία από το πεδίο αποτελούν το 35,05% του συνόλου και συλλέχτηκαν από δασολόγους-περιβαλλοντολόγους ειδικευμένους στο αντικείμενο. Στη δεύτερη περιοχή μόλις το 9,71% είναι δεδομένα πεδίου, και 95

96 συλλέχτηκαν από διάφορους εθελοντές, στους οποίους έγινε πρώτιστα ενημέρωση για το αντικείμενο εργασίας. Όπως στην παράγραφο έτσι και εδώ με τον ίδιο τρόπο υπολογίστηκαν οι επικαλυπτόμενες περιοχές των δυο ταξινομήσεων. Αντίστοιχα ο πίνακας με τα στατιστικά των επικαλυπτόμενων περιοχών για τη δεύτερη περιοχή μελέτης δίνεται στην επόμενη σελίδα (πιν. 8): Πίνακας 8: Σύγκριση κλάσεων των δυο ταξινομήσεων για την δεύτερη περιοχή μελέτης Στον πίνακα συμπεριλήφθηκαν μόνο οι αλλαγές οι οποίες κάλυπταν έκταση μεγαλύτερη του 0,5% (19762 εκτάρια) της συνολικής έκτασης της περιοχής μελέτης οι οποίες και συνοψίζονται παρακάτω: 96