ΣΤΕΡΓΙΟΠΟΥΛΟΣ ΙΩΑΝΝΗΣ. Πτυχιούχος Σχολής Δασολογίας και Φυσικού Περιβάλλοντος

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ Σχολή Δασολογίας & Φυσικού Περιβάλλοντος Τομέας Σχεδιασμού & Ανάπτυξης Φυσικών Πόρων Εργαστήριο Δασικής Διαχειριστικής & Τηλεπισκόπησης ΣΤΕΡΓΙΟΠΟΥΛΟΣ ΙΩΑΝΝΗΣ Πτυχιούχος Σχολής Δασολογίας και Φυσικού Περιβάλλοντος ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΚΑΥΣΙΜΗΣ ΥΛΗΣ ΜΕ ΜΕΘΟΔΟΥΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΑ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ Θεσσαλονίκη 2010 [1]

2 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ Σχολή Δασολογίας & Φυσικού Περιβάλλοντος Τομέας Σχεδιασμού & Ανάπτυξης Φυσικών Πόρων Εργαστήριο Δασικής Διαχειριστικής & Τηλεπισκόπησης ΣΤΕΡΓΙΟΠΟΥΛΟΣ ΙΩΑΝΝΗΣ Πτυχιούχος Σχολής Δασολογίας και Φυσικού Περιβάλλοντος ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΚΑΥΣΙΜΗΣ ΥΛΗΣ ΜΕ ΜΕΘΟΔΟΥΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΑ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ Υποβλήθηκε στη Σχολή Δασολογίας & Φυσικού Περιβάλλοντος Τομέας Σχεδιασμού & Ανάπτυξης Φυσικών Πόρων Ημερομηνία Προφορικής Εξέτασης: 2 Ιουλίου 2010 Καρτέρης Μιχάλης, Καθηγητής Δημητρακόπουλος Αλέξανδρος, Αν. Καθηγητής Γήτας Ιωάννης, Επ. Καθηγητής Πατιάς Πέτρος, Καθηγητής Σμύρης Παύλος, Καθηγητής Τσακίρη Στρατή Μαρία, Αν. Καθηγήτρια Καραμανώλης Δημήτριος, Επ. Καθηγητής Επιβλέπων Μέλος Τριμελούς Επιτροπής Μέλος Τριμελούς Επιτροπής Εξεταστής Εξεταστής Εξεταστής Εξεταστής Θεσσαλονίκη 2010 [2]

3 ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΚΑΥΣΙΜΗΣ ΥΛΗΣ ΜΕ ΜΕΘΟΔΟΥΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΑ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ [3]

4 ΙΩΑΝΝΗΣ Β. ΣΤΕΡΓΙΟΠΟΥΛΟΣ Α.Π.Θ. ΧΑΡΤΟΓΡΑΦΗΣΗ ΤΗΣ ΔΑΣΙΚΗΣ ΚΑΥΣΙΜΗΣ ΥΛΗΣ ΜΕ ΜΕΘΟΔΟΥΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΑ ΓΕΩΓΡΑΦΙΚΑ ΣΥΣΤΗΜΑΤΑ ΠΛΗΡΟΦΟΡΙΩΝ «Η έγκριση της παρούσης Διδακτορικής Διατριβής από τη Σχολή Δασολογίας και Φυσικού Περιβάλλοντος του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης δεν υποδηλώνει αποδοχή των γνωμών του συγγραφέως» (Ν. 5343/1932, άρθρο 202, παρ. 2) [4]

5 Αφιερώνεται στους γονείς μου, στην αδερφή μου και στη σύζυγό μου [5]

6 ΕΥΧΑΡΙΣΤΙΕΣ Με την ολοκλήρωση των μεταπτυχιακών μου σπουδών στο Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης, θα ήθελα να ευχαριστήσω τον καθηγητή κ. Μιχάλη Καρτέρη, λόγω του οποίου ασχολήθηκα με το γνωστικό αντικείμενο του Εργαστηρίου, που όλα αυτά τα χρόνια μου παρείχε πολύτιμες συμβουλές, ηθική υποστήριξη καθώς και πόρους ώστε να ξεπεράσω τις δυσκολίες που εμφανίστηκαν και να πετύχω τους στόχους μου. Ευχαριστώ τον κ. Γήτα Ιωάννη, επίκουρο καθηγητή της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος για την επικοδομοιτική συνεργασία που είχαμε σε όλη τη διάρκεια της διατριβής για τις ουσιαστικές υποδείξεις του και τη συνεχή βοήθεια. Ευχαριστώ επίσης τον κ. Δημητρακόπουλο Αλέξανδρο, αναπληρωτή καθηγητή της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος για τις συμβουλές του σε όλη τη διάρκεια της διατριβής. Θα ήθελα να ευχαριστίσω και τα υπόλοιπα μέλη της επταμελούς εξεταστικής επιτροπής, τον κ. Παττιά Πέτρο, καθηγητή του Τμήματος Αγρονόμων Τοπογράφων Μηχανικών, τον κ. Σμύρη Παύλο, καθηγητή της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος, την κ. Τσακίρη-Στρατή Μαρία, αναπληρώτρια καθηγήτρια του Τμήματος Τοπογράφων Μηχανικών και τον κ. Καραμανώλη Δημήτριο, επίκουρο καθηγητή της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος για τις εποικοδομητικές παρατηρήσεις τους. Θα ήθελα να ευχαριστίσω θερμά τον διδάκτορα της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος, κ. Μαλλίνη Γεώργιο για τις γνώσεις που μου προσέφερε σε θέματα τηλεπισκόπησης, για τις υποδείξεις σχετικά με τη μεθοδολογία και για τη βοήθεια του σε θέματα αντικειμενοστραφούς ταξινόμησης. Χωρίς τη βοήθειά του θα ήταν αδύνατη η ολοκλήρωση της παρούσας διατριβής. Ευχαριστώ το διδάκτορα της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος κ. Γιαννακόπουλο Βασίλειο για τις υποδείξεις του τόσο σε θεωρητικά και πρακτικά ζητήματα χρήσης των λογισμικών που χρησιμοποιήθηκαν, όσο και σε θέματα σχετικά με τη μεθοδολογία που ακολουθήθηκε. Θα ήθελα να ευχαριστήσω για την πολύτιμη βοήθειά τους, τον κ. Ευτυχίδη Γεώργιο και την κ. Βαρελά Άννα για τις μετρήσεις πεδίου του Ν. Αττικής και την παραχώρηση στοιχείων, τα μέλη του εργαστηρίου που συμμετείχαν στη συλλογή δεδομένων πεδίου καθώς και τον κ. Πανουργιά Γεώργιο, Δασάρχη του Πανεπιστημιακού δάσους Ταξιάρχη για τους χάρτες που παραχώρησε. Να εκφράσω τις ευχαριστίες μου στον κ. Ευτυχίδη Γεώργιο και στην κ. Βαρελά Άννα για την πολύτιμη βοήθειά τους στις μετρήσεις πεδίου του Ν. Αττικής και την παραχώρηση στοιχείων. Επίσης θα ήθελα να ευχαριστήσω όλα τα μέλη του εργαστηρίου που βοήθησαν στη συλλογή δεδομένων πεδίου καθώς και τον κ. Πανουργιά Γεώργιο, Δασάρχη του Πανεπιστημιακού δάσους Ταξιάρχη για για τους χάρτες που παραχώρησε. Ευχαριστώ τον κ. Σπυρόπουλο Νικόλαο, διευθύνων σύμβουλο της ΖΟΕΛΕΚΤΡΟΝΙΚ, που δέχτηκε να συγχρηματοδοτήσει την πρόταση που υποβάλλαμε στα πλαίσια του προγράμματος ΠΕΝΕΔ 2003, αποτέλεσμα του οποίου είναι η παρούσα διατριβή. Ευχαριστώ την κ. Τσακυρέλλη Μαρία για τη βοήθεια της στη γραμματειακή-διοικητική υποστήριξη του ΠΕΝΕΔ. Ευχαριστώ την αδερφή μου Κατερίνα για την υπερπολύτιμη βοήθεια στην ανάπτυξη και δημιουργία του λογισμικού ταξινόμησης των δορυφορικών εικόνων με τη χρήση νευρωνικών δικτύων, καθώς και τις υποδείξεις της σε θέματα σύνταξης του κειμένου και στη μετάφραση κάποιων κειμένων και για τη στήριξή της. Τέλος θα ήθελα να εκφράσω τη βαθιά μου ευγνωμοσύνη στους γονείς μου, Βασίλη και Δήμητρα, και στη σύζυγό μου, Καλλιόπη, για τη συμπαράσταση, τη στήριξη και την εμψύχωση που μου πρόσφεραν όλα αυτά τα χρόνια. [6]

7 Π Ε Ρ Ι Λ Η Ψ Η Τα τελευταία χρόνια έχει αναδειχθεί, τόσο παγκοσμίως όσο και στη χώρα μας, ο σημαντικός ρόλος των δασικών οικοσυστημάτων και γενικότερα των φυσικών πόρων στην ποιότητα ζωής του ανθρώπου. Ταυτόχρονα έχει αναγνωριστεί ότι τα δάση αποτελούν, εκτός από μία σημαντική πηγή εθνικού εισοδήματος, και έναν δημοφιλέστατο τρόπο αναψυχής και τουρισμού. Η καταστροφή λοιπόν των δασών, πέρα από τις τεράστιες οικολογικές επιπτώσεις, έχει και μεγάλες οικονομικές και κοινωνικές επιπτώσεις. Για το λόγο αυτό έχει δοθεί μεγάλη έμφαση στην πρόληψη των δασικών πυρκαγιών και στο δασικό αντιπυρικό σχεδιασμό. Ο σωστός σχεδιασμός και η ορθή διαχείριση των δασικών μελετών αντιπυρικής προστασίας καθορίζεται σημαντικά από τις πληροφορίες για τα χαρακτηριστικά και τη χωρική κατανομή της καύσιμης ύλης, γιατί αυτή αποτελεί το μοναδικό παράγοντα πρόκλησης των πυρκαγιών που μπορεί να ελεχθεί από τον άνθρωπο. Μέχρι και μερικά χρόνια πριν, οι μελέτες αντιπυρικής προστασίας βασίζονταν σε στοιχεία που προέρχονταν από ορθοφωτοχάρτες, χάρτες βλάστησης και επίγειες μετρήσεις, με αποτέλεσμα να μην υπάρχει ενημερωμένο χαρτογραφικό υπόβαθρο τόσο για τις χρήσης γης όσο και για την καύσιμη ύλη, κάνοντας δύσκολη τη λήψη μέτρων και αποφάσεων για έναν ορθολογικό σχεδιασμό αντιπυρικής προστασίας. Σήμερα, η δορυφορική τηλεπισκόπηση σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών, το εξειδικευμένο προσωπικό και τα ειδικά λογισμικά που έχουν αναπτυχθεί προσφέρουν πολλές δυνατότητες για τη χαρτογράφηση της καύσιμης ύλης αποτελώντας αναπόσπαστο τμήμα της πρόληψης των δασικών πυρκαγιών. Αντικείμενο έρευνας της παρούσας διατριβής αποτέλεσε η διερεύνηση της δυνατότητας ανάπτυξης μοντέλων και νέων μεθόδων ταξινόμησης πολυφασματικών δορυφορικών δεδομένων για την εξαγωγή χρήσιμων και ακριβών πληροφοριών σχετικά με την καύσιμη ύλη και η δυνατότητα μεταφοράς αυτών σε άλλη περιοχή. Ως περιοχές μελέτης χρησιμοποιήθηκαν οι νομοί Χαλκιδικής και Αττικής, όπου στον πρώτο αναπτύχθηκε και εφαρμόστηκε το μοντέλο ταξινόμησης της καύσιμης ύλης και στο δεύτερο εξετάστηκε η δυνατότητα μεταφοράς του. Στην ευρύτερη περιοχή του Πανεπιστημιακού Δάσους του Ταξιάρχη έγινε σύγκριση των νέων τεχνικών ταξινόμησης της καύσιμη ύλης που αναπτύχθηκαν. Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν προήλθαν από το δορυφορικό σύστημα SPOT 5, τα οποία αποτελούν δεδομένα υψηλής φασματικής και χωρικής ευκρίνειας. Για τη χαρτογράφηση της καύσιμης ύλης και τη βελτίωση στην ταξινόμηση χρησιμοποιήθηκε η αντικειμενοστραφής ανάλυση και επεξεργασία των δορυφορικών δεδομένων. Αρχικά, αναπτύχθηκε μοντέλο αντικειμενοστραφούς ταξινόμησης με τη χρήση του αλγόριθμου ταξινόμησης του πλησιέστερου [i]

8 γειτονικού σημείου. Η εκτίμηση της ακρίβειας που προέκυψε από την αντικειμενοστραφή ταξινόμηση της καύσιμης ύλης ήταν πολύ ικανοποιητική. Στη συνέχεια διερευνήθηκε η δυνατότητα μεταφοράς (transferability) του μοντέλου αντικειμενοστραφούς ταξινόμησης που δημιουργήθηκε σε νέα περιοχή. Το παραπάνω μοντέλο ταξινόμησης της καύσιμης ύλης, λοιπόν, εφαρμόστηκε στα δορυφορικά δεδομένα της δεύτερης περιοχής μελέτης (νομός Αττικής) και η ακρίβεια που προέκυψε ήταν εξίσου πολύ ικανοποιητική. Έτσι προέκυψε ότι είναι δυνατό να μεταφερθεί το μοντέλο αντικειμενοστραφούς ταξινόμησης και σε άλλη περιοχή. Στα πλαίσια της διατριβής, τέλος, αναπτύχθηκε και μια νέα μέθοδος ταξινόμησης των δορυφορικών δεδομένων, που στηρίχθηκε στη χρήση και εφαρμογή των νευρωνικών δικτύων. Για το λόγο αυτό αναπτύχθηκε ειδικό λογισμικό ταξινόμησης δορυφορικών δεδομένων που υποστηρίζει διαφορετικούς τύπους νευρωνικών δίκτυων, γιατί τα υπάρχοντα εμπορικά λογισμικά, τα οποία σχετίζονται με δορυφορικά τηλεπισκοπικά δεδομένα, είτε δεν έχουν αναπτύξει εργαλεία βασισμένα σε νευρωνικά δίκτυα ή στην περίπτωση που χρησιμοποιούν τέτοια εργαλεία είναι περιορισμένων επιλογών. Η ταξινόμηση με την εφαρμογή νευρωνικών δικτύων χρησιμοποιήθηκε στην τρίτη περιοχή μελέτης. Τα πρώτα αποτελέσματα δεν είχαν μεγάλη ακρίβεια και για το λόγο αυτό ενσωματώθηκαν στα αρχικά δορυφορικά δεδομένα και άλλες παράμετροι ώστε να επιτευχθεί μια ικανοποιητική ακρίβεια στην ταξινόμηση της καύσιμης ύλης. Τέλος έγινε σύγκριση των αποτελεσμάτων της ταξινόμησης με τη χρήση των νευρωνικών δικτύων με τα αντίστοιχα αποτελέσματα που προέκυψαν με την εφαρμογή του αντικειμενοστραφούς μοντέλου ταξινόμησης που αναπτύχθηκε αρχικά. Τα αποτελέσματα της εκτίμησης της ακρίβειας και για τις δυο μεθόδους ήταν πολύ ικανοποιητικά, με τη μέθοδο της αντικειμενοστραφούς ταξινόμησης να έχει ελαφρώς μεγαλύτερη ακρίβεια. [ii]

9 S U M M A R Y In recent years, it's common knowledge that the forest ecosystem and generally the natural resources play an important role in the quality of human life. At the same time, it s been acknowledged that forests are not only a significant source of national income, but also have become a popular way of recreation and tourism. Therefore the destruction of forests, apart from the environmental impact, has major economic and social impact as well. For these reasons a great emphasis has been given in the forest fire prevention and pre-fire planning as well. Judicial wildland fire prevention and management require precise information on fuel characteristics and spatial distribution of the various vegetation types present in an area, since fuel is the only factor related to forest fire behavior that humans can control, manage and modify. A few years ago, the above information for pre-fire planning were relied on ground measurements, orthophotomaps and vegetation maps, resulting to the lack of up-todate data for land cover and fuel mapping. However the recent advances in remotely sensed satellite data in conjuction with G.I.S., trained scientific personnel and special software offer great capabilities in fuel type mapping. The main purpose of this thesis is to investigate the possibility of developing new methods to classify satellite imagery for more accurate and useful fuel type mapping. Three study areas were selected: the prefecture of Chalkidiki, the prefecture of Attica and the University forest of Taxiarhis, in the Perfecture of Chalkidiki. In the first study area, a classification method was developed, in the second one the transferability of the method was evaluated. In the third study area another method of classification was developed and the results of fuel classification of the two methods were compared. A SPOT 5 imagery were aquired, since they have high spectral and spatial resolution as well. An object based image analysis was employed for the first method of fuel classification. Originally, an object based model including multi-scale image segmentation and classification was developed and applied in Chalkidiki. The model created was based on a nearest neighbor classifier. The overall accuracy of the fuel classification was very satisfactory. Following, evaluation of the transferability of the developed model took place by transferring and applying the model rule set, after minor adjustments, in Attica. The overall accuracy in the second study area was also very satisfactory. Extensive field work was carried out in both test sites for model development, training and evaluation. In the present thesis, a new method of fuel type mapping was developed, based on the use of neural networks. A software for classifying satellite data was developed, [iii]

10 since the existing commercial software, relating to remotely sensed satellite data, do not include neural network classification tools or their tools lack of variety of options (training algorithms, training parameters e.t.c). The neural network classification was applied to the third study area. In order to increase the accuracy, some additional parameters were embodied to the initial data. Finally, a comparison of the results of the object based model and the neural network classification showed that the two methods were satisfactory accurate and the object based model classification a bit better. [iv]

11 Π Ε Ρ Ι Ε Χ Ο Μ Ε Ν Α ΚΕΦΑΛΑΙΟ Εισαγωγή Σκοπός και αντικειμενικοί στόχοι Διάρθρωση της διδακτορικής διατριβής... 5 ΚΕΦΑΛΑΙΟ Ανασκόπηση της βιβλιογραφιασ Δορυφορικά συστήματα για τη χαρτογράφηση της καύσιμης ύλης Πολυφασματικά δεδομένα Υπερφασματικά δεδομένα ΡΑΝΤΑΡ ΚΕΦΑΛΑΙΟ Περιοχές Μελέτης και Δεδομένα Εισαγωγή Νομός Χαλκιδικής Γενική περιγραφή του Ν. Χαλκιδικής Γεωγραφική και διοικητική θέση Κλίμα Γεωμορφολογία Γεωλογία (Γεωλογικές, εδαφικές συνθήκες) Δασική βλάστηση Νομός Αττικής Εισαγωγή Γενική περιγραφή Κλίμα Γεωμορφολογία Πανεπιστημιακό Δάσος Ταξιάρχη [v]

12 3.4.1 Γεωγραφική θέση Όρια του δάσους της περιοχής μελέτης Κλιματικές συνθήκες Γεωλογικές, πετρογραφικές και εδαφικές Δασική βλάστηση Ζώνες βλάστησης όρους Χολομώντας Δορυφορικά δεδομένα Δορυφόρος SPOT Δορυφορικά δεδομένα SPOT5 για τις περιοχές μελέτης Βοηθητικά δεδομένα ΚΕΦΑΛΑΙΟ Συστήματα ταξινόμησης της καύσιμης ύλης Εισαγωγή Καύσιμα Χαρτογράφηση της καύσιμης ύλης Μέθοδοι χαρτογράφησης της καύσιμης ύλης Προβλήματα στη χαρτογράφηση της καύσιμης ύλης Συστήματα ταξινόμησης της καύσιμης ύλης Καναδάς Ηνωμένες Πολιτείες της Αμερικής Αυστραλία Ασία Ευρώπη Προτεινόμενο σύστημα ταξινόμησης της καύσιμης ύλης ΚΕΦΑΛΑΙΟ Προεπεξεργασία δεδομενων Μετρήσεις πεδιου [vi]

13 5.1 Δημιουργία ψηφιακών γεωγραφικών δεδομένων με τα Γεωγραφικά Συστήματα Πληροφοριών Μετρήσεις πεδίου Μέθοδοι δειγματοληψίας Δειγματοληπτικά σχέδια Μέγεθος δειγματοληπτικών επιφανειών Συλλογή στοιχείων υπαίθρου Δορυφορικά δεδομένα Ραδιομετρική προεπεξεργασία Γεωμετρική διόρθωση Εφαρμογή του παραμετρικού μοντέλου ορθοδιόρθωσης Orbital Pushbroom Model στα δορυφορικά δεδομένα SPOT Μωσαϊκό ΚΕΦΑΛΑΙΟ Αντικειμενοστραφής ταξινόμηση των δορυφορικών δεδομένων Αντικειμενοστραφής ανάλυση εικόνας Κατανόηση εικόνας με τη μέθοδο της αντικειμενοστραφούς ανάλυσης Κατάτμηση (segmentation) της εικόνας Μέθοδοι κατάτμησης Αλγόριθμοι κατάτμησης Παράμετροι κατάτμησης του λογισμικού Definiens Developer Ταξινόμηση Ασαφής λογική (fuzzy logic) Ασαφής ταξινόμηση στο Definiens Developer Ιεραρχία Διαδικασίες (Processes) [vii]

14 6.5.1 Αλγόριθμοι Πεδίο ορισμού αντικειμένου (image object domain) Αποτελέσματα Ταξινόμηση του μωσαϊκού για το Ν. Χαλκιδικής με τη χρήση του αλγόριθμου πλησιέστερου γειτονικού σημείου Αξιολόγηση των αποτελεσμάτων της ταξινόμησης της καύσιμης ύλης με τη χρήση αντικειμενοστραφούς ταξινόμησης Ταξινόμηση του μωσαϊκού για το Ν. Αττικής με τη με τη χρήση του αλγόριθμου πλησιέστερου γειτονικού σημείου Συμπεράσματα ΚΕΦΑΛΑΙΟ Ταξινόμηση Καύσιμης Υλης βάσει Νευρωνικών Δικτύων Βιολογικά Νευρωνικά Δίκτυα Τεχνητά Νευρωνικά Δίκτυα Γενικά Μοντέλο τεχνητού νευρώνα Χαρακτηριστικά Τ.Ν.Δ Πρόσω-τροφοδοτούμενο Νευρωνικό Δίκτυο Πολλών Επιπέδων Εκπαίδευση του πρόσω-τροφοδοτούμενου Τ.Ν.Δ. πολλών επιπέδων Εφαρμογή των νευρωνικών δικτύων στα δορυφορικά δεδομένα Εφαρμογή αντικειμενοστραφούς ταξινόμησης στον Ταξιάρχη Αποτελέσματα Συμπεράσματα ΚΕΦΑΛΑΙΟ Συμπεράσματα Μελλοντική έρευνα Συμπεράσματα [viii]

15 8.2 Μελλοντική έρευνα ΚΕΦΑΛΑΙΟ ΒΙΒΛΙΟΓΡΑΦΙΑ ΚΕΦΑΛΑΙΟ Παραρτήματα Παράρτημα: Μετεωρολογικά στοιχεία Ν. Αττικής Μέσοι όροι μετεωρολογικών παρατηρήσεων από τρεις μετεωρολογικούς σταθμούς στο Ν. Αττικής Ομβροθερμικά διαγράμματα από τρεις μετεωρολογικούς σταθμούς του Ν. Αττικής Παράρτημα: Μετεωρολογικά στοιχεία του Μ.Σ. Ταξιάρχη Παράρτημα: Εγχειρίδιου του λογισμικού που δημιουργήθηκε aftc(a- Fuel Type Classification) Λειτουργίες Προγράμματος Διαχείριση εικόνας Λειτουργίες διαχείρισης παραθύρων Εκπαίδευση νευρωνικών δικτύων Ταξινόμηση καύσιμης ύλης βάσει νευρωνικών δικτύων Ιστογράμματα Παράρτημα: Αναλυτική περιγραφή και φωτογραφικός οδηγός των μοντέλων καύσιμης ύλης του Canadian Forest Fire Behaviour Prediction System (F.B.P.) Παράρτημα: Αναλυτική περιγραφή και φωτογραφικός οδηγός των μοντέλων καύσιμης ύλης του αμερικάνικου National Forest Fire Laboratory (NFFL) Παράρτημα: Φωτογραφικός οδηγός για τα μοντέλα καύσιμης ύλης του Prometheus [ix]

16 Κ Α Τ Α Λ Ο Γ Ο Σ Ε Ι Κ Ο Ν Ω Ν Εικόνα 3-1 Περιοχές μελέτης: Ν. Χαλκιδικής και Ν. Αττικής Εικόνα 3-2 Χαρακτήρες μεσογειακού βιοκλίματος της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας) Εικόνα 3-3 Χάρτης βλάστησης της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας) Εικόνα 3-4 Βιοκλιματικοί όροφοι της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας) Εικόνα 3-5 Εδαφολογικός χάρτης της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας) Εικόνα 3-6 Δασικός Χάρτης του Ν. Χαλκιδικής (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία Ελλάδας Εικόνα 3-7 Χαρακτήρες μεσογειακού βιοκλίματος της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας) Εικόνα 3-8 Δασικός Χάρτης του Ν. Αττικής (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία Ελλάδας Εικόνα 3-9 Δορυφόροι SPOT1, SPOT2, SPOT4 και SPOT Εικόνα 3-10 Χαρακτηριστικά των δορυφόρων SPOT: α) πλάγια δυνατότητα επανασάρωσης, β) ζώνη κάλυψης των δυο σαρωτών HRG του δορυφόρου SPOT5 46 Εικόνα 4-1 Όργανα μέτρησης του κινδύνου πυρκαγιάς στην Αυστραλία Εικόνα 5-1 Πρωτόκολλο καταγραφής Εικόνα 5-2 Τρισδιάστατο μοντέλο εδάφους α) Ν. Αττικής και β) Ν. Χαλκιδικής Εικόνα 5-3 Μωσαϊκά ορθοφωτογραφιών για α) Ν. Αττικής και β) Ν. Χαλκιδικής Εικόνα 5-4 Μωσαϊκά που προέκυψαν από τα δορυφορικά δεδομένα SPOT5 για το α) Ν. Αττικής και β) Ν. Χαλκιδικής Εικόνα 6-1 Διαδικασία κατάτμησης με τη χρήση του αλγόριθμου πολλαπλής ανάλυσης (multiresolution segmentation) Εικόνα 6-2 Απεικόνιση τριών επιπέδων κατάτμησης μιας εικόνας Εικόνα 6-3 Διαφοροποίηση του αποτελέσματος της κατάτμησης, ανάλογα με τον παράγοντα κλίμακα. Η αύξηση της κλίμακας έχει ως αποτέλεσμα την αύξηση του [x]

17 μεγέθους των αντικειμένων με συνέπεια να περιλαμβάνονται στα ίδια αντικείμενα περιοχές που δεν είναι ομοιογενείς Εικόνα 6-4 Διαδοχικά στάδια που εφαρμόστηκαν στα πλαίσια της αντικειμενοστραφούς ταξινόμησης της εικόνας Εικόνα 6-5 Χάρτης καύσιμης ύλης, όπως προέκυψε από την αντικειμενοστραφή ταξινόμηση Εικόνα 6-6 Χάρτης καύσιμης ύλης για το Ν. Αττικής Εικόνα 7-1 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI, Low Pass, υψόμετρο και κλίση Εικόνα 7-2 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI Εικόνα 7-3 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI, Low Pass, υψόμετρο Εικόνα 7-4 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI, Low Pass Εικόνα 10-1 Ομβροθερμικό διάγραμμα Μ.Σ. Ελευσίνας Εικόνα 10-2 Ομβροθερμικό διάγραμμα Μ.Σ. Τατοΐου Εικόνα 10-3 Ομβροθερμικό διάγραμμα Μ.Σ. Ελληνικού Εικόνα 10-4 Περιβάλλον εφαρμογής aftc Εικόνα 10-5 Μενού Image Εικόνα 10-6 Παράθυρο διαλόγου Open Εικόνα 10-7 Μορφή αρχείου *.asc που χρησιμοποιείται για το άνοιγμα της προς ταξινόμησης εικόνας Εικόνα 10-8 Παράθυρο εικόνας που δημιουργείται από αρχείο ascci Εικόνα 10-9 Επιλογές εμφάνισης εικόνας που δημιουργείται από αρχείο ascii Εικόνα Μορφή αρχείου *.asc στο οποίο αποθηκεύεται η ταξινομημένη εικόνα Εικόνα Μενού Edit Εικόνα Μενού Window [xi]

18 Εικόνα Ρύθμιση α) δομής και β) παραμέτρων εκπαίδευσης πρόσωτροφοδοτούμενου νευρωνικού δικτύου πολλών επιπέδων Εικόνα Παράθυρο διαλόγου εκπαίδευσης πρόσω-τροφοδοτούμενου νευρωνικού δικτύου Εικόνα Τμήμα του παραθύρου εκπαίδευσης μετά τη φόρτωση των δεδομένων Εικόνα Παράδειγμα γραφικής παράστασης "Μέσου τετραγωνικού σφάλματος - Εποχές εκπαίδευσης" Εικόνα Παράθυρο ρύθμισης παραμέτρων και εκπαίδευσης του Kohonen SOFM Εικόνα Παράθυρο ρυθμίσεων SGONG Εικόνα Εκπαίδευση SGONG Εικόνα Εργαλεία ταξινόμησης Εικόνα Επιλογή χρώματος για την εμφάνιση κάθε κλάσης Εικόνα Αντιστοίχιση κλάσεων με τύπους καύσιμης ύλης (αναφέρεται στο Kohonen, SGONG) Εικόνα Άνοιγμα αρχείων βάσει των οποίων θα γίνει η αποτίμηση Εικόνα Τελικός πίνακας αποτίμησης της επιτυχίας της καύσιμης ύλης Εικόνα Ιστόγραμμα εικόνας Εικόνα Συγκριτικό ιστόγραμμα τύπων καύσιμης ύλης βάσει της παραμέτρου Β Εικόνα Μοντέλο C Εικόνα Μοντέλο C Εικόνα Μοντέλο C Εικόνα Μοντέλο C Εικόνα Μοντέλο C Εικόνα Μοντέλο C Εικόνα Μοντέλο C Εικόνα Μοντέλο D [xii]

19 Εικόνα Μοντέλο S Εικόνα Μοντέλο S Εικόνα Μοντέλο S Εικόνα Μοντέλο O Εικόνα Μοντέλο M Εικόνα Μοντέλο M Εικόνα Μοντέλο M Εικόνα Μοντέλο M Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Μοντέλο Εικόνα Καύσιμα εδάφους (Μ.Κ.Υ. 1) Εικόνα Χαμηλοί θάμνοι (Μ.Κ.Υ. 2) Εικόνα Μέτριοι θάμνοι (Μ.Κ.Υ. 3) Εικόνα Υψηλοί θάμνοι (Μ.Κ.Υ. 4) Εικόνα Συστάδες με καθαρό υπόροφο (Μ.Κ.Υ. 5) [xiii]

20 Εικόνα Συτάδες με μέτριο υπόροφο (Μ.Κ.Υ. 6) Εικόνα Συστάδες με υψηλό και πυκνό υπόροφο (Μ.Κ.Υ. 7) [xiv]

21 Κ Α Τ Α Λ Ο Γ Ο Σ Π Ι Ν Α Κ Ω Ν Πίνακας 3-1 Στοιχεία χαρτογράφησης δασών της περιοχής μελέτης (Πηγή : Γενική Γραμματεία Δασών και Φυσικού Περιβάλλοντος, Στατιστική Υπηρεσία Ελλάδας) Πίνακας 3-2 Χρήσεις γης Ν. Αττικής Πίνακας 3-3 Τεχνικά χαρακτηριστικά του οργάνου καταγραφής HRG του SPOT Πίνακας 3-4 Δορυφορικές εικόνες SPOT Πίνακας 4-1 Πλεονεκτήματα και μειονεκτήματα για τις μεθόδους χαρτογράφησης (Keane et al, 2001) Πίνακας 4-2 Μοντέλα καυσίμου του Καναδικού Fire Behavior Prediction System Πίνακας 4-3 Τύποι καυσίμου του NFDRS Πίνακας 4-4 Τύποι καυσίμου NFFL Πίνακας 4-5 Διάκριση των επιπέδων καυσίμου στο FCCS Πίνακας 4-6 Τύποι καυσίμου σύμφωνα με τους Won et al για την Κορέα Πίνακας 4-7 Τύποι καυσίμου για την Κίνα(Haiqing, 1995) Πίνακας 4-8 Πορτογαλικό σύστημα ταξινόμησης καυσίμων (Cruz, 2005) Πίνακας 4-9 Σύστημα ταξινόμησης των καυσίμων σύμφωνα με τους Volokitina et al (2002) Πίνακας 4-10 Ταξινόμηση της καύσιμης ύλης κατά Δημητρακόπουλο (2002) Πίνακας 4-11 Συνοπτικός πίνακας των συστημάτων ταξινόμησης της καύσιμης ύλης Πίνακας 4-12 Προτεινόμενα μοντέλα καύσιμης ύλης, συμβατά με οπτικούς αισθητήρες Πίνακας 4-13 Πίνακας των συστημάτων ταξινόμησης της καύσιμης ύλης ( : γίνεται αναφορά, : δε γίνεται αναφορά) Πίνακας 5-1 Στατιστικά στοιχεία των διαύλων των δορυφορικών εικόνων SPOT Πίνακας 5-2Μέσο τετραγωνικό σφάλμα Πίνακας 6-1 Μήτρα σφαλμάτων της ταξινόμησης για το Ν. Χαλκιδικής Πίνακας 6-2 Συνολική ακρίβεια και συντελεστής K HAT της ταξινόμησης [xv]

22 Πίνακας 6-3 Συνολική ακρίβεια και συντελεστής K HAT όπως προέκυψαν από την εκτίμηση της ακρίβειας Πίνακας 6-4 Μήτρα σφαλμάτων από την εκτίμηση της ακρίβειας του πρώτου φωτοερμηνευτή Πίνακας 6-5 Μήτρα σφαλμάτων από την εκτίμηση της ακρίβειας του δεύτερου φωτοερμηνευτή Πίνακας 7-1 Ποσοστά επιτυχίας της ταξινόμησης διαφόρων συνδυασμών δεδομένων εισόδου Πίνακας 10-1 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Ελευσίνας Πίνακας 10-2 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Τατοΐου Πίνακας 10-3 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Ελληνικού Πίνακας 10-4 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Ταξιάρχη [xvi]

23 Κ Α Τ Α Λ Ο Γ Ο Σ Σ Χ Η Μ Α Τ Ω Ν Σχήμα 1-1 α) Συνολικός αριθμός πυρκαγιών και β) Καμμένες εκτάσεις (στρέμματα) στην Ελλάδα, για τα έτη Σχήμα 3-1 Ομβροθερμικό διάγραμμα μετεωρολογικού σταθμού Αρναίας Σχήμα 3-2 Ομβροθερμικό διάγραμμα μετεωρολογικού σταθμού Πολυγύρου Σχήμα 3-3 Ομβροθερμικό διάγραμμα μετεωρολογικού σταθμού Αγίου Μάμμα Σχήμα 4-1 Σύστημα ταξινόμησης της καύσιμης ύλης Prometheus Σχήμα 5-1 Ιστογράμματα του φασματικού διαύλου Β1 για τις εικόνες α) και β) /2. Τα πάνω ιστογράμματα ανήκουν στα αρχικά δορυφορικά δεδομένα και τα κάτω στα διορθωμένα ραδιομετρικά δορυφορικά δεδομένα Σχήμα 5-2 Γεωμετρική καταχώρηση αρχικών δεδομένων Σχήμα 5-3 Διαδικασία δημιουργίας ορθοδιορθωμένης εικόνας. Για την ορθοδιόρθωση των αρχικών δορυφορικών δεδομένων χρησιμοποιούνται το ψηφιακό μοντέλο εδάφους, στοιχεία σχετικά με τη θέση και τη βαθμονόμηση του αισθητήρα Σχήμα 5-4 Εσωτερική γεωμετρία του SPOT Σχήμα 5-5 Στοιχεία του εσωτερικού προσανατολισμού του SPOT Σχήμα 6-1 Διάγραμμα ροής της μεθοδολογίας που ακολουθήθηκε για την ταξινόμηση της καύσιμης ύλης Σχήμα 6-2 Διαδικασία κατανόησης της εικόνας (πηγή: Definiens Developer 7, User Guide, 2007) Σχήμα 6-3 Απεικόνιση των δυο μεθόδων κατάτμησης: α) top down και β) bottom up Σχήμα 6-4 Αποτελέσματα των αλγορίθμων ταξινόμησης: α) multiresolution, β) quadtree, γ) chessboard Σχήμα 6-5 Αρχιτεκτονική ενός ασαφούς συστήματος ταξινόμησης Σχήμα 6-6 Πέντε διαφορετικοί τύποι ασαφών συναρτήσεων συμμετοχής Σχήμα 6-7 Αρχή λειτουργίας της ταξινόμησης με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου. Το αντικείμενο προς ταξινόμηση (κόκκινος κύκλος) θα τοποθετηθεί στην ίδια κατηγορία ταξινόμησης με το πλησιέστερο προς αυτό αντικείμενο - δείγμα εκπαίδευσης [xvii]

24 Σχήμα 6-8 Διάφορες τιμές συμμετοχής για το ίδιο αντικείμενο Σχήμα 6-9 Βαθμός συμμετοχής το αντικειμένου προς ταξινόμηση (πράσινος κύκλος σε σχέση με τα αντικείμενα του δείγματος εκπαίδευσης, σε μια διάσταση στο χώρο των χαρακτηριστικών Σχήμα 6-10 Συνάρτηση συμμετοχής στη ταξινόμηση σε χώρο χαρακτηριστικών δυο διαστάσεων Σχήμα 6-11 Ιεραρχία των αντικειμένων της εικόνας. Κάθε αντικείμενο συνδέεται με το γειτονικό του, το υπέρ-αντικείμενό του και το υπό-αντικείμενο Σχήμα 6-12 Απεικόνιση των διαδικασιών στην αντικειμενοστραφή ανάλυση εικόνας Σχήμα 6-13 Εφαρμογή αλγορίθμων σε διαφορετικά πεδία ορισμού Σχήμα 7-1 Δομικά στοιχεία νευρώνα Σχήμα 7-2 Σύναψη Σχήμα 7-3 Μοντέλο τεχνητού νευρώνα Σχήμα 7-4 : Συναρτήσεις ενεργοποίησης:(α) signum, (β) Κατά τμήματα γραμμική (γ) Σιγμοειδής Σχήμα 7-5 Τοπολογία Τ.Ν.Δ.: (α) προσοτροφοδοτούμενο, (β) αυστηρά προσοτροφοδοτούμενο, (γ) ανατροφοδοτούμενο Σχήμα 7-6 Πρόσω-τροφοδοτούμενο Τ.Ν.Μ. με ένα κρυμμένο επίπεδο [xviii]

25 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ Οι πυρκαγιές αποτελούν αναπόσπαστο μέρος πολλών χερσαίων οικοσυστημάτων όπως τα εύκρατα δάση, οι σαβάνες και τα μεσογειακά δάση. Τις τελευταίες δεκαετίες, όμως, παρατηρείται μια αύξηση τόσο στον αριθμό των πυρκαγιών όσο και στη συνολικά καμένη έκταση στις ευρωπαϊκές μεσογειακές χώρες, συμπεριλαμβανομένης και της Ελλάδας. Συγκεκριμένα στο χώρο της Μεσογείου έχει υπολογιστεί ότι κάθε χρόνο αφανίζονται λιβαδικές και δασικές εκτάσεις εμβαδού 6*10 5 ha (Brieβ et al, 1996). Η συνεχής αύξηση των πυρκαγιών σχετίζεται με τις πρόσφατες κοινωνικό-οικονομικές αλλαγές που έγιναν στις χώρες της ευρωπαϊκής Μεσογείου καθώς και με την παγκόσμια κλιματική αλλαγή. Η καταστροφή της δασικής χλωρίδας και πανίδας ανατρέπει τις οικολογικές ισορροπίες και επιβαρύνει περισσότερο τις κλιματολογικές συνθήκες με δυσμενέστατες επιπτώσεις για τον άνθρωπο. Λαμβάνοντας, ακόμη, υπόψη το γεγονός ότι τα δάση αποτελούν μία από τις κυριότερες πηγές εθνικού εισοδήματος καθώς και έναν δημοφιλέστατο τρόπο αναψυχής και τουρισμού, συνειδητοποιεί κανείς ότι η καταστροφή τους έχει, πέρα από οικολογικές επιπτώσεις, και μεγάλες οικονομικές και κοινωνικές επιπτώσεις. Το κλίμα στην Ελλάδα και γενικά σε χώρες της Μεσογειακής λεκάνης, που χαρακτηρίζεται από παρατεταμένα ξηρά καλοκαίρια με υψηλές θερμοκρασίες και ισχυρούς ανέμους, σε συνδυασμό με τον αρκετά εύφλεκτο τύπο βλάστησης είναι βασικοί παράγοντες που ευνοούν στην έναρξη και διάδοση των δασικών πυρκαγιών. Στατιστικά δεδομένα των δασικών πυρκαγιών, κυρίως ο συνολικός αριθμός πυρκαγιών και η καμένη έκταση τις τελευταίες τέσσερις δεκαετίες, πιστοποιούν τη σοβαρότητα του προβλήματος, αφού τόσο ο αριθμός των [1]

26 πυρκαγιών όσο και η συνολικά καμένη έκταση παρουσιάζει μια περιοδική και ταυτόχρονα αυξητική τάση (Σχήμα 1-1). α) β) Σχήμα 1-1 α) Συνολικός αριθμός πυρκαγιών και β) Καμμένες εκτάσεις (στρέμματα) στην Ελλάδα, για τα έτη Εξαιτίας λοιπόν των αυξητικών τάσεων που παρουσιάζει το φαινόμενο των δασικών πυρκαγιών και των τεράστιων οικονομικών, κοινωνικών και οικολογικών συνεπειών που προκαλεί, κρίνεται απαραίτητο να αποκτηθεί σε βάθος γνώση των παραμέτρων που επηρεάζουν και ευνοούν την έναρξη, διάδοση και επικινδυνότητά τους, ώστε η γνώση αυτή να ενσωματωθεί τόσο σε μελέτες πρόληψης και διαχείρισης, όσο και στα σχέδια καταστολής των πυρκαγιών. Οι δασικές πυρκαγιές είναι ένα πολύπλοκο φυσικό φαινόμενο το οποίο εξαρτάται από τρεις παράγοντες που αλληλοεπηρεάζονται: την καύσιμη ύλη, την τοπογραφία και τις κλιματολογικές συνθήκες. Η καύσιμη ύλη αναφέρεται στα μορφολογικά (π.χ. ύψος, πυκνότητα) και στα φυσιολογικά (π.χ. συνθήκες υγρασίας) χαρακτηριστικά της βλάστησης και είναι ένας από τους πλέον σημαντικούς παράγοντες που επηρεάζουν και καθορίζουν την ένταση και την ταχύτητα εξάπλωσης της πυρκαγιάς. Η τοπογραφία σχετίζεται με την κλίση και την έκθεση του εδάφους, που επιδρούν στον τρόπο με τον οποίο μεταδίδεται η φωτιά. Οι καιρικές συνθήκες περιλαμβάνουν την ταχύτητα και την κατεύθυνση του ανέμου, τη θερμοκρασία και τη σχετική υγρασία. Από τους τρεις παράγοντες είναι κατανοητό ότι μόνο η καύσιμη ύλη μπορεί να ελεγχθεί, να διαχειριστεί και να τροποποιηθεί κατάλληλα έτσι, ώστε να μειωθεί ο βαθμός επικινδυνότητας των πυρκαγιών. Γίνεται αντιληπτό, επομένως, ότι η μοντελοποίηση ή τυποποίηση της καύσιμης ύλης αποτελεί ένα ουσιαστικό επίπεδο πληροφορίας στο οποίο θα πρέπει να στηρίζεται ένα επιτυχημένο σχέδιο αντιπυρικής προστασίας. Γι αυτό, το βασικό αντικείμενο της παρούσας διδακτορικής διατριβής είναι η χαρτογράφηση της δασικής βλάστησης. [2]

27 Ως γνωστό, η Τηλεπισκόπηση σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών παρέχουν τη δυνατότητα επεξεργασίας και ψηφιακής ανάλυσης δορυφορικών και άλλων βοηθητικών δεδομένων που αφορούν τη χωρική κατανομή των δασών και των δασικών εκτάσεων στο πέρασμα του χρόνου. Έτσι, ενώ μέχρι πρόσφατα ο κύριος τρόπος αντιμετώπισης των πυρκαγιών διεθνώς ήταν η καταστολή τους, τα τελευταία χρόνια έχει δοθεί έμφαση στη μείωση του κινδύνου έναρξης πυρκαγιάς με την καταγραφή και χαρτογράφηση της βλάστησης και της καύσιμης ύλης, την παραγωγή δείκτη επικινδυνότητας έναρξης πυρκαγιάς κ.α. Η παρούσα εργασία συμβάλλει άμεσα στην πρόληψη των πυρκαγιών βοηθώντας στην προστασία των δασών, αφού γενικός σκοπός της είναι η χρήση και ο συνδυασμός δορυφορικών δεδομένων τηλεπισκόπησης με δεδομένα των Γεωγραφικών Συστημάτων Πληροφοριών και άλλα βοηθητικά δεδομένα για τον προσδιορισμό, την ταξινόμηση και τη χαρτογράφηση των τύπων καύσιμης ύλης. Σήμερα υπάρχει πληθώρα αισθητήρων, που είναι εγκατεστημένοι τόσο σε δορυφορικές πλατφόρμες όσο και σε αεροπλάνα, και οι οποίοι έχουν την ικανότητα να καταγράφουν εικόνες διάφορης φασματικής και χωρικής διακριτικής ευκρίνειας. Αυτοί, ανάλογα με την ευκρίνειά τους χρησιμοποιούνται είτε σε τοπική κλίμακα είτε σε παγκόσμια κλίμακα. Η επιλογή κάποιου συγκεκριμένου δορυφόρου για τη χαρτογράφηση της καύσιμης ύλης γίνεται ανάλογα με το μέγεθος της περιοχής και την ευκρίνεια που θέλει ο ερευνητής. Όπως είναι γνωστό η Ελλάδα χαρακτηρίζεται από μεγάλη ανομοιογένεια στη σύνθεση της δασικής βλάστησης, στις κλιματολογικές συνθήκες και στο ανάγλυφό της. Η ανομοιογένεια αυτή αντιμετωπίζεται χρησιμοποιώντας για την καταγραφή και χαρτογράφηση των τύπων καύσιμης ύλης δορυφορικά δεδομένα υψηλής φασματικής και χωρικής ευκρίνεια. Συγκεκριμένα, στην παρούσα διατριβή χρησιμοποιήθηκαν δεδομένα των αισθητήρων του δορυφόρου SPOT5. Ταυτόχρονα με την πληθώρα δορυφορικών δεδομένων, σήμερα έχουν αναπτυχθεί διάφορες μεθοδολογίες για την ψηφιακή ανάλυση, επεξεργασία και ταξινόμηση αυτών. Οι δυο πιο γνωστές είναι: α) η ανά εικονοστοιχείο ψηφιακή ανάλυση των δορυφορικών εικόνων και β) η αντικειμενοστραφής ανάλυση των δορυφορικών εικόνων. Αν και οι περισσότεροι αλγόριθμοι ταξινόμησης που έχουν εφαρμοστεί στηρίζονται στην ανά εικονοστοιχείο ανάλυση των δορυφορικών εικόνων, αυτές συχνά παρουσιάζουν δυσκολίες στην εξαγωγή πληροφοριών από πολύ υψηλής χωρικής ανάλυσης δορυφορικά δεδομένα (π.χ. δεδομένα QuickBird 61x61 cm). Για να ξεπεραστούν οι περιορισμοί και οι δυσκολίες που παρουσιάζει η ανά εικονοστοιχείο ψηφιακή ανάλυση των δορυφορικών δεδομένων τα τελευταία χρόνια χρησιμοποιούνται νέες τεχνικές για τη χαρτογράφηση της καύσιμης ύλης όπως είναι η αντικειμενοστραφής ανάλυση των εικόνων. [3]

28 Η βασική διαφορά της αντικειμενοστραφούς ταξινόμησης των δορυφορικών δεδομένων σε σχέση με την τεχνική ταξινόμησης ανά εικονοστοιχείο, είναι ότι αντί να ταξινομούνται μόνο τα εικονοστοιχεία της εικόνας, η εικόνα σε πρώτη φάση υφίσταται κατάτμηση (segmentation) με τη χρήση διάφορων κριτηρίων, αποσκοπώντας στη δημιουργία αντικειμένων. Στη συνέχεια αυτά ταξινομούνται σε διάφορες κλάσεις με βάση όχι μόνο τις φασματικές τους ιδιότητες, αλλά χρησιμοποιώντας διάφορα χαρακτηριστικά όπως σχήμα, υφή, θέση, γειτνίαση των αντικειμένων κλπ. Οι βασικές μονάδες επεξεργασίας λοιπόν που χρησιμοποιούνται στην αντικειμενοστραφή ανάλυση είναι τα αντικείμενα, που επιτρέπουν ακριβέστερη εξαγωγή πληροφορίας από πολύ υψηλής χωρικής ανάλυσης δορυφορικές εικόνες, και όχι τα εικονοστοιχεία. Η ταξινόμηση των δορυφορικών δεδομένων μπορεί, επίσης, να πραγματοποιηθεί χρησιμοποιώντας νευρωνικά δίκτυα. Τα νευρωνικά δίκτυα είναι ένας πολλά υποσχόμενος και αναπτυσσόμενος, ιδιαίτερα τις τελευταίες δεκαετίες, κλάδος της Τεχνητής Νοημοσύνης. Χαρακτηρίζονται από την ικανότητά τους να προσαρμόζονται ή να «εκπαιδεύονται», να γενικοποιούν, να κατηγοριοποιούν και να οργανώνουν δεδομένα. Γι αυτό στην παρούσα διδακτορική διατριβή χρησιμοποιούνται ως εργαλείο ταξινόμησης της καύσιμης ύλης και αποτιμάται η αποτελεσματικότητά τους. 1.1 Σκοπός και αντικειμενικοί στόχοι Κύριος σκοπός της παρούσας εργασίας είναι η αξιολόγηση της δυνατότητας χρησιμοποίησης της δορυφορικής τηλεπισκόπησης στην απογραφή και χαρτογράφηση της καύσιμης ύλης. Συγκεκριμένα, στη μελέτη αυτή εξετάζονται οι δυνατότητες αλλά και οι περιορισμοί που εμπεριέχονται στη χρήση πολυφασματικών δορυφορικών δεδομένων για την ανάπτυξη μοντέλων με σκοπό τη χαρτογράφηση της καύσιμης ύλης και την εκτίμηση της ακρίβειας της χαρτογράφησης. Διερευνάται το κατά πόσο νέες μέθοδοι ταξινόμησης δορυφορικών εικόνων σε συνδυασμό με χωρικές αναλύσεις και επεξεργασίες των δεδομένων μπορούν να οδηγήσουν στην εξαγωγή ακριβών και χρήσιμων πληροφοριών για την καύσιμη ύλη, ώστε να αξιοποιηθούν για την πρόληψη των δασικών πυρκαγιών. Οι επιμέρους στόχοι της παρούσας εργασίας ήταν: Η βιβλιογραφική καταγραφή των διαθέσιμων συστημάτων ταξινόμησης της καύσιμης ύλης στον κόσμο και η πρόταση ενός συστήματος ταξινόμησης της καύσιμης ύλης μόνο για οπτικά τηλεπισκοπικά δεδομένα. Η βιβλιογραφική ανασκόπηση και καταγραφή τόσο των γνωστών συστημάτων ταξινόμησης της καύσιμης ύλης, όσο και άλλων συστημάτων που χρησιμοποιούνται σε διάφορες χώρες, ώστε να υπάρχει μια ολοκληρωμένη εικόνα σχετικά με τα [4]

29 συστήματα ταξινόμησης της καύσιμης ύλης που χρησιμοποιούνται σήμερα. Τέλος θα προταθεί σύστημα ταξινόμησης της καύσιμης ύλης το οποίο θα χρησιμοποιηθεί στη χαρτογράφηση της καύσιμης ύλης από τηλεπισκοπικά δεδομένα που προέρχονται μόνο από οπτικούς αισθητήρες Η ανάπτυξη αντικειμενοστραφούς μοντέλου ταξινόμησης για τη χαρτογράφηση της καύσιμης ύλης με τη χρήση δορυφορικών δεδομένων SPOT5. Η ανάπτυξη ενός αντικειμενοστραφούς μοντέλου ταξινόμησης της καύσιμης ύλης με τη χρήση των δορυφορικών δεδομένων SPOT5 και τα Γεωγραφικά Συστήματα Πληροφοριών, για να ξεπεραστούν οι δυσκολίες που παρουσιάζει η ταξινόμηση ανά εικονοστοιχείο, ώστε τα αποτελέσματα να είναι πιο ακριβή. Στη συνέχεια θα γίνει αξιολόγηση των δορυφορικών δεδομένων υψηλής ευκρίνειας SPOT5 στην ταξινόμηση και χαρτογράφηση της καύσιμης ύλης σε περιοχές που παρουσιάζουν μεγάλη ανομοιογένεια στη σύνθεση της δασικής βλάστησης, στις κλιματολογικές συνθήκες και στο ανάγλυφό τους. Εφαρμογή του μοντέλου αντικειμενοστραφούς ταξινόμησης σε άλλη περιοχή και αξιολόγηση της δυνατότητας μεταφοράς του (transferability). Η μεταφορά και εφαρμογή του μοντέλου ταξινόμησης σε δεύτερη περιοχή, ώστε να αξιολογηθεί η δυνατότητα χρήσης του ίδιου μοντέλου σε περιοχή με διαφορετικά χαρακτηριστικά βλάστησης και διαφορετικές κλιματολογικές συνθήκες. Η χρησιμοποίηση των νευρωνικών δικτύων στη χαρτογράφηση της καύσιμης ύλης. Η χρησιμοποίηση και αξιολόγηση των νευρωνικών δικτύων στην ταξινόμηση της καύσιμης ύλης, μιας ελάχιστα χρησιμοποιημένης μεθοδολογίας σε δορυφορικά δεδομένα για τη χαρτογράφηση των καυσίμων. Στα πλαίσια μάλιστα της εργασίας εφαρμόστηκαν διαφορετικοί τύποι νευρωνικών δικτύων για την ταξινόμηση των τύπων καύσιμης ύλης, αξιολογήθηκε η αποτελεσματικότητά τους και επιλέχθηκε το καταλληλότερο νευρωνικό δίκτυο και οι αντίστοιχες παράμετροι που οδήγησαν σε αποτέλεσμα με τη μεγαλύτερη ακρίβεια. Η αξιολόγηση των δυο μεθόδων (αντικειμενοστραφής ταξινόμηση και νευρωνικά δίκτυα) χαρτογράφησης της καύσιμης ύλης. Τα αποτελέσματα των δυο διαφορετικών μεθόδων χαρτογράφησης των τύπων καύσιμης ύλης αξιολογήθηκαν, ώστε να βρεθεί ποια παρέχει στο χρήστη τα καλύτερα αποτελέσματα για τις περιοχές που εφαρμόστηκαν. 1.2 Διάρθρωση της διδακτορικής διατριβής Στα πλαίσια της διατριβής επιλέχτηκε να μην υπάρχουν ενιαίες και ξεχωριστές ενότητες παρουσίασης των μεθόδων που αναπτύχθηκαν και χρησιμοποιήθηκαν και [5]

30 οι αντίστοιχες των αποτελεσμάτων. Αντίθετα δημιουργήθηκαν κεφάλαια στα οποία αναφέρεται αρχικά η μεθοδολογία που ακολουθήθηκε και στη συνέχεια τα αντίστοιχα αποτελέσματα. Στο πρώτο κεφάλαιο της διατριβής αναφέρονται ο σκοπός και οι αντικειμενικοί στόχοι και παρατίθεται η διάρθρωση της διατριβής. Στο δεύτερο κεφάλαιο της διατριβής γίνεται αναφορά στους αισθητήρες και στα δορυφορικά δεδομένα που έχουν χρησιμοποιηθεί μέχρι σήμερα για τη χαρτογράφηση της καύσιμης ύλης. Η αναφορά στους αισθητήρες γίνεται με βάση τα φασματικά χαρακτηριστικά των αισθητήρων. Στο τρίτο κεφάλαιο δίνεται ο ορισμός των καυσίμων, αναφέρονται ποιες είναι οι γενικές μέθοδοι χαρτογράφησης της καύσιμης ύλης, καθώς και τα προβλήματα που υπάρχουν στη χαρτογράφηση και περιγράφονται τα συστήματα ταξινόμησης της καύσιμης ύλης. Τέλος προτείνεται ένα σύστημα χαρτογράφησης της καύσιμης ύλης για τη χρήση δορυφορικών δεδομένων που προέρχονται μόνο από οπτικούς αισθητήρες. Στο τέταρτο κεφάλαιο περιγράφονται αναλυτικά οι περιοχές μελέτης που χρησιμοποιήθηκαν, για τις οποίες αποκτήθηκαν δορυφορικά δεδομένα τηλεπισκόπησης Στο πέμπτο κεφάλαιο αναφέρεται η διαδικασία συλλογής δεδομένων πεδίου, που είναι απαραίτητα τόσο για την ανάλυση και επεξεργασία των δορυφορικών εικόνων όσο και για τον έλεγχο της αξιοπιστίας των αποτελεσμάτων. Στη συνέχεια γίνεται περιγραφή των προεπεξεργασίών που εφαρμόστηκαν στα δορυφορικά δεδομένων για την απομάκρυνση γεωμετρικών και ραδιομετρικών σφαλμάτων. Τέλος αναφέρονται και τα βοηθητικά δεδομένα που χρησιμοποιήθηκαν στη διατριβή. Στο έκτο κεφάλαιο της διατριβής περιγράφεται αναλυτικά η διαδικασία της αντικειμενοστραφούς ταξινόμησης των δορυφορικών δεδομένων και αναλύεται το μοντέλο που δημιουργήθηκε για την ταξινόμηση της καύσιμης ύλης και γίνεται αξιολόγηση των αποτελεσμάτων της ταξινόμησης. Στο ίδιο κεφάλαιο εφαρμόζεται το μοντέλο αντικειμενοστραφούς ταξινόμησης στη δεύτερη περιοχή μελέτης για τη να διαπιστωθεί η δυνατότητα μεταφοράς του. Αξιολογούνται εκ νέου τα αποτελέσματα της χαρτογράφησης της καύσιμης ύλης και τελικά η δυνατότητα μεταφοράς του μοντέλου αντικειμενοστραφούς ταξινόμησης στη νέα περιοχή. Στο έβδομο κεφάλαιο περιγράφονται γενικά τα νευρωνικά δίκτυα και αναπτύσσονται τα δυο διαφορετικά νευρωνικά δίκτυα που χρησιμοποιήθηκαν στα πλαίσια της διατριβής. Στη συνέχεια γίνεται εφαρμογή των παραπάνω νευρωνικών στα δορυφορικά δεδομένα. Τέλος αξιολογούνται τα αποτελέσματα ταξινόμησης και συγκρίνονται με τα αποτελέσματα της αντικειμενοστραφούς ταξινόμησης. [6]

31 ΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΤΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑΣ Στο κεφάλαιο θα γίνει αναφορά στα δορυφορικά τηλεπισκοπικά δεδομένα που έχουν χρησιμοποιηθεί κατά καιρούς από διάφορους ερευνητές για τη χαρτογραφηση της καύσιμης ύλης. 2.1 Δορυφορικά συστήματα για τη χαρτογράφηση της καύσιμης ύλης Σήμερα υπάρχει μια πληθώρα από αισθητήρες, για εμπορικούς και ερευνητικούς σκοπούς, καθένας από τους οποίους παρουσιάζει διαφορετικά τεχνικά χαρακτηριστικά, τα οποία μειώνουν το κόστος, το χρόνο και βελτιώνουν τις συνθήκες εργασίας. Καθένας από τους αισθητήρες παρουσιάζει πλεονεκτήματα και μειονεκτήματα στην καταγραφή των ιδιοτήτων της βλάστησης, στη σχέση κόστους οφέλους κλπ., που σχετίζονται με τα διάφορα τεχνικά χαρακτηριστικά τους (χωρική, φασματική και χρονική ανάλυση). Διάφοροι συγγραφείς έχουν διερευνήσει τη χρήση της τηλεπισκόπησης για τη χαρτογράφηση της καύσιμης ύλης με την ψηφιακή επεξεργασία και ανάλυση δορυφορικών δεδομένων σε τοπικό και σε περιφερειακό επίπεδο (Riaño et al. 2002) και μια μεγάλη ποικιλία δεδομένων τηλεπισκόπησης έχουν χρησιμοποιηθεί για το λόγο αυτό: αεροφωτογραφίες, δορυφορικές εικόνες χαμηλής, μέσης ανάλυσης, υψηλής ανάλυσης ή συνδυασμός αυτών. Στη συνέχεια παρατίθεται η ανασκόπηση της βιβλιογραφίας με βάση το είδος των δορυφορικών δεδομένων που έχουν κατά καιρό χρησιμοποιηθεί από τους διάφορους συγγραφείς. [7]

32 2.1.1 Πολυφασματικά δεδομένα Landsat Η χαρτογράφηση συνήθως της καύσιμης ύλης με εικόνες τηλεπισκόπησης γίνεται με την ανάλυση αισθητήρων μέτριας έως υψηλής ανάλυσης, όπως ο πολυφασματικός σαρωτής LANDSAT MSS και ο θεματικός χαρτογράφος LANDSAT TM (Kourtz, 1977, Burgan and Shasby, 1984, Dixon et al, 1984, Castro and Chuvieco, 1998, Root et al, 1986, Salas and Chuvieco, 1995, Shasby et al, 1981, Van Wagtendonk, 1997, Van Wagtendonk and Root, 1999, Vasconcelos et al, 1998, Yool et al., 1984). Τα χαρακτηριστικά του Landsat αποτελούν τη χρυσή τομή μεταξύ της φασματικής και χρονικής ανάλυσης και έχουν επαρκή χωρική κάλυψη για τις ανάγκες της χαρτογράφησης (Riaño et al., 2002). Οι αισθητήρες αυτοί ωστόσο, δεν παρέχουν άμεσα πληροφορίες σχετικά με το ύψος της βλάστησης, που αποτελεί βασικό κριτήριο για τη διάκριση κάποιων τύπων καυσίμου. Επιπρόσθετα όταν η κάλυψη της βλάστησης είναι πολύ πυκνή δεν καταγράφονται πληροφορίες σχετικά με το δασικό υπόροφο και έτσι δεν υπάρχουν δεδομένα για τα επιφανειακά καύσιμα. Ο Kourtz (1977) με την πρωτοποριακή του εργασία, εφάρμοσε σε εικόνες Landsat MSS, τις κυριότερες τεχνικές ψηφιακής ταξινόμησης δορυφορικών δεδομένων: επιβλεπόμενη ταξινόμηση (με τον αλγόριθμο της μέγιστης πιθανότητας), μη επιβλεπόμενη ταξινόμηση και ανάλυση σε κύριες συνιστώσες. Κατάφερε να ταξινομήσει 9 κλάσεις καυσίμων για την περιοχή μελέτης (ΒΔ της Ottawa, Quebec στον Καναδά). Χρησιμοποίησε τη χρονική ανάλυση των δορυφορικών εικόνων για να αξιοποιήσει τη μεταβλητότητα των καυσίμων στο χρόνο. Οι τύποι καυσίμου αντιστοιχήθηκαν στη συνέχεια σε κατηγορίες βλάστησης χρησιμοποιώντας τη μέθοδο της μέγιστης πιθανοφάνειας (maximum likelihood) στα δορυφορικά δεδομένα. Να σημειωθεί ότι η εργασία του Kourtz εισήγαγε τις βασικές τεχνικές ψηφιακής ταξινόμησης των τύπων καυσίμου σε δορυφορικά δεδομένα τηλεπισκόπησης και σε αυτήν βασίστηκαν πολλές από τις μετέπειτα έρευνες ψηφιακής ανάλυσης και ταξινόμησης των δορυφορικών δεδομένων. Το 2001 οι Darmawan et al χρησιμοποίησαν το Θεματικό Χαρτογράφο (ΤΜ) του LANDSAT για να χαρτογραφήσουν την καύσιμη ύλη σε μια περιοχή κοντά στις πόλεις Samarinda και Balikpapan του Ανατολικού Kalimantan στην Ινδονησία. Σκοπός τους ήταν να αναπτύξουν ένα μοντέλο κινδύνου πυρκαγιάς και μια από τις απαραίτητες μεταβλητές ένας χάρτης καυσίμων. Η καύσιμη ύλη προέκυψε από την ταξινόμηση δορυφορικών εικόνων Landsat με το συνδυασμό δεδομένων χρήσηςκάλυψης γης, του δείκτη βλάστησης NDVI και εφαρμόζοντας την επιβλεπόμενη μέθοδο ταξινόμησης. Οι Riaño et al. (2002) εκτίμησαν τη δυνατότητα του Landsat σε συνδυασμό με βοηθητικά δεδομένα για το διαχωρισμό των τύπων καύσιμης ύλης σε μεσογειακά [8]

33 οικοσυστήματα με σκοπό να αναπτυχθεί μία μεθοδολογία παραγωγής χαρτών της καύσιμης ύλης για την πρόληψη και την πρόβλεψη της συμπεριφοράς της πυρκαγιάς. Ως περιοχή μελέτης ήταν το Cabañeros National Park 200 km βόρεια της Μαδρίτης. Για την ταξινόμηση της καύσιμης ύλης χρησιμοποίησαν το σύστημα Prometheus και τα βοηθητικά δεδομένα ήταν το ψηφιακό μοντέλο εδάφους (DEM), χάρτης κλίσεων, χάρτης φωτεινότητας και δείκτες βλάστησης (NDVI, NVII5, NVII7) και μετρήσεις που έγιναν στο πεδίο για την καταγραφή και περιγραφή των καυσίμων. Οι Chuvieco et al (2002) προσπάθησαν να καθορίσουν δείκτες για να εκτιμήσουν την περιεχόμενη υγρασία των (Fuel moisture content FMC) ζωντανών καυσίμων, οι οποίοι αποτελούν έναν τρόπο ταξινόμησης και κατάταξης των καυσίμων. Οι δείκτες προέκυψαν από τη στατιστική ανάλυση των μετρούμενων από το δορυφόρο Landsat ανακλάσεων, σε συνδυασμό με δείκτες όπως NDVI (Normalized Difference Vegetation Index), NDII (Normalized Difference Infrared Index) LWCI (Leaf Water Content Infrared Index), την υγρασία, το μετασχηματισμό Tasseled Cap κ.α. Οι Van Wagtendonk και Root (2003) χρησιμοποίησαν το πολυφασματικό Landsat TM για να μελετήσουν την εφαρμογή της χρήσης του δείκτη βλάστησης NDVI στη χαρτογράφηση της καύσιμης ύλης στο Yosemite National Park, στις ΗΠΑ. Οι τιμές του δείκτη NDVI υπολογίστηκαν από δορυφορικά δεδομένα που αποκτήθηκαν σε διαφορετικές χρονικές στιγμές. Οι Van Wagtendonk και Root υλοποίησαν έναν αλγόριθμο μη επιβλεπόμενης ταξινόμησης για να ορίσουν 30 μοναδικές, φασματικά και χρονικά, κλάσεις NDVI τιμών. Στη συνέχεια, ο συνδυασμός γραφικών, στατιστικών και οπτικών τεχνικών τους επέτρεψε να ονοματίσουν - χαρακτηρίσουν τις κλάσεις και να αναγνωρίσουν εκείνες με παρόμοια συμπεριφορά, ώστε να τις συνδυάσουν σε μοντέλα καυσίμων του Yosemite National Park. Οι Flores Garnica και Omi (2003) συνδύασαν δορυφορικές εικόνες Landsat, τα Γ.Σ.Π. και διάφορες γεωστατιστικές μεθόδους με επιτυχία για τη χαρτογράφηση του εδάφους, της βλάστησης και της καύσιμης ύλης. Αρχικά μέτρησαν το βάρος των νεκρών καυσίμων και τα ταξινόμησαν με βάση το σύστημα ταξινόμησης του Anderson (1982) στην περιοχή μελέτης. Για κάθε δείγμα υπολόγισαν την αναλογία βάρους για κάθε φορτίο καυσίμου (Fuel Proportional Factor FPF). Στη συνέχεια με τη χρήση γεωστατιστικών μεθόδων μετέτρεψαν τα παραπάνω στοιχεία σε επίπεδα πληροφοριών σε μορφή καννάβου. Τελικά με τη χρήση των δορυφορικών εικόνων Landsat πέτυχαν τη χαρτογράφησης της καύσιμης ύλης. Οι Wimberly και άλλοι (2003) χρησιμοποίησαν στατιστικά μοντέλα για την επιλογή μιας αντιπροσωπευτικής έκτασης εδάφους από ένα σύνολο περιοχών όπου έγιναν δειγματοληψίες, ώστε να χαρακτηριστούν οι περιοχές του τοπίου που δε πραγματοποιήθηκαν δειγματοληψίες. Ακολούθως γνωρίσματα της βλάστησης (είδος, ύψος, πυκνότητα) από τις επιλεγμένες δειγματοληπτικές περιοχές [9]

34 χρησιμοποιήθηκαν για τον προσδιορισμό των αντίστοιχων χαρακτηριστικών για τις επιφάνειες που δεν έγιναν δειγματοληψίες. Τα παραπάνω συνδυάστηκαν με μετρήσεις σε εικόνες Landsat και με πληροφορίες σχετικά με την κατάσταση ιδιοκτησίας των εκτάσεων, την τοπογραφία, τις κλιματολογικές συνθήκες και άλλους περιβαλλοντικούς παράγοντες της περιοχής μελέτης για να δημιουργήσουν μοντέλα καυσίμου. Σε άλλες μελέτες ενσωματώθηκαν και συνεπεξεργάστηκαν με τα αρχικά δορυφορικά δεδομένα και μετασχηματισμένα δορυφορικά δεδομένα, όπως είναι οι δείκτες βλάστησης, οι αναλογίες φασματικών καναλιών κλπ, για την αύξηση της ακρίβειας της χαρτογράφησης (Van Wagtendonk, 1997). Οι Κούτσιας και Καρτέρης (2003) χρησιμοποίησαν δορυφορικά δεδομένα Landsat TM για να χαρτογραφήσουν τους δασικού τύπους με συγκεκριμένη πυρική συμπεριφορά στη Χαλκιδική. Για τη χαρτογράφηση χρησιμοποιήθηκαν οι δίαυλοι του δορυφόρου, ο δείκτης βλάστησης NDVI, η greenness συνιστώσα του μετασχηματισμού Tasseled Cap, συνιστώσες από την εφαρμογή της Ανάλυσης σε Κύριες Συνιστώσες (PCA) και το ψηφιακό μοντέλο εδάφους του νομού και τα αποτελέσματα ήταν πολύ ικανοποιητικά. Οι συγγραφείς αναφέρουν ότι η διαχρονική χρήση δεδομένων μπορεί να αυξήσει την ακρίβεια και τη λεπτομέρεια της ταξινόμησης, παρόλο που τα δεδομένα του Landsat έχουν το μειονέκτημα της διάκρισης και της καταγραφής των δασικών τύπων της βλάστησης του υπορόφου. Οι Brandis και Jackson (2003) ερεύνησαν τη δυνατότητα εκτίμησης των φορτίων καυσίμου με δορυφορικά δεδομένα σε δασικές εκτάσεις του εθνικού πάρκου Popran και σε θαμνολίβαδα στην περιοχή new South Wales στην Αυστραλία. Ανέπτυξαν δυο μεθοδολογίες με τη χρήση δεδομένων Landsat TM: η πρώτη συνδύασε τεχνικές ταξινόμησης εκτίμησης των τύπων βλάστησης με δεδομένα του ιστορικού πυρκαγιών και η δεύτερη χρησιμοποίησε το ρυθμό ανακύκλωσης της βιομάζας στην κομοστέγη για να εκτιμήσει τη ποσότητα της οργανικής ουσίας που πέφτει και συνεπώς να υπολογιστεί η συγκεντρωμένη οργανική ύλη στο έδαφος. Και οι δυο μέθοδοι συγκρίθηκαν με δεδομένα πεδίου από την περιοχή μελέτης. Η πρώτη μέθοδος έδωσε τιμές μεγαλύτερες των δεδομένων πεδίου, ενώ η δεύτερη τιμές κοντινές στις κανονικές ποσότητες καυσίμων. Οι Yool et al (1985) χρησιμοποίησαν δορυφορικά δεδομένα του Landsat MSS για να περιγράψουν τα καύσιμα θαμνωδών εκτάσεων στη νότια Καλιφόρνια, ενώ οι Hardwick et al (1996) αντιστοίχησαν τα μοντέλα καυσίμου του Anderson (1982) στους τύπους βλάστησης, που προέκυψαν από ταξινόμηση δορυφορικών εικόνων Landsat TM με τη χρήση του συστήματος ταξινόμησης της βλάστησης CALVEG. Ο Cohen (1989) εφάρμοσε το μετασχηματισμό Tasseled Cap στα πολυφασματικά δεδομένα του Landsat TM παράγοντας τρεις νέες εικόνες, οι οποίες [10]

35 χρησιμοποιήθηκαν για την ταξινόμηση των καυσίμων σε θαμνώδεις εκτάσεις (chaparrals) μεσαίας κλίμακας στην Καλιφόρνια. Οι χάρτες με τα μοντέλα καυσίμων του Εθνικού Πάρκου North Cascades αναπτύχθηκαν από τους Root et al (1985) και προέκυψαν από φυτοκοινωνικούς χάρτες, που δημιουργήθηκαν από δορυφορικές εικόνες Landsat MSS, χρονολογίας 1979 και περιβαλλοντικές μεταβλητές. Προσδιόρισαν τα μοντέλα καυσίμου τόσο από το σύστημα NFDRS (Deeming et al, 1978) όσο και από το σύστημα του Anderson (1982) για κάθε ταξινομημένο τύπο βλάστησης. Στον Καναδά οι τύποι καυσίμου του Canadian Forest Fire Behavior Prediction System (FBP) προσδιορίστηκαν από τις κατηγορίες βλάστησης σε χάρτες που δημιουργήθηκαν από δορυφορικά δεδομένα Landsat MSS για τις περιοχές Wood Buffalo National Park (Wilson et al, 1994), Quebec (Kourtz, 1977) και Manitoba (Dixon et al, 1985). Οι Hawkes et al (1995) χρησιμοποίησαν μεθόδους με δύσκολα εμπειρικά συστήματα για να ορίσουν τα μοντέλα καύσιμης ύλης του FBP σε δεδομένα που προήλθαν από μετρήσει πεδίου και συνδύαζαν πληροφορίες σχετικά με τη δομή και τη σύνθεση της συστάδας. Οι Merril et al (1993) υπολόγισαν τη ζωντανή βιομάζα σε ποολίβαδα στο εθνικό πάρκο Yellowston, εφαρμόζοντας μοντέλα παλινδρόμησης στους διαύλους 4, 5 και 7 στις δορυφορικές εικόνες του Landsat MSS. Οι Salas και Chuvieco (1994) ταξινόμησαν τα 11 μοντέλα του Anderson (1982) απευθείας σε δορυφορικές εικόνες του θεματικού χαρτογράφου Landsat TM και στη συνέχεια προσδιόρισαν κατηγορίες βλάστησης για καθένα από τα μοντέλα καυσίμου, ώστε να υπολογίσουν τον κίνδυνο έναρξης πυρκαγιάς για μεγάλη κλίμακα, στην Ισπανία. Τα μοντέλα καυσίμου του Anderson ταξινομήθηκαν και από τους Cambell et al (1995) απευθείας σε δορυφορικές εικόνες Landsat TM, της περιοχής Camp Lejuene, North Carolina ώστε να γίνει εξομοίωση προδιαγεγραμμένης καύσης με το σύστημα FARSiTE. Οι Lasaponara και Lanorte (2006) χρησιμοποίησαν τα δορυφορικά δεδομένα του πολυφασματικού Landsat ΤΜ για να διερευνήσουν τη δυνατότητά στη χαρτογράφηση των καυσίμων. Τα δεδομένα ήταν της ίδιας χρονολογικής περιόδου για το εθνικό πάρκο Pollino, στη νότια Ιταλία. Από τις μετρήσεις πεδίου που πραγματοποιήθηκαν την ίδια περίοδο, που ανήκαν οι δορυφορικές εικόνες, και με τη βοήθεια αεροφωτογραφιών, έγινε η αναγνώριση των καυσίμων στα δορυφορικά δεδομένα. Αρχικά για τα δεδομένα του Landsat εφαρμόστηκε ο αλγόριθμος της μέγιστης πιθανοφάνειας και εκτιμήθηκε η ακρίβεια για τα αποτελέσματα. Το ίδιο έγινε αφού εφαρμόστηκε το μοντέλο Mixtured Tuned Matched Filtering, το οποίο [11]

36 βασίζεται στην υπόθεση ότι το ηλεκτρομαγνητικό φάσμα που καταγράφεται στον αισθητήρα είναι γραμμικός συνδυασμός του φάσματος όλων των στοιχείων του εικονοστοιχείου. Από τη σύγκριση των αποτελεσμάτων της ακρίβειας βρήκαν για τον Landsat, ότι η χαρτογράφηση των καυσίμων με χρήση unmixing methods έχει καλύτερα αποτελέσματα σε σχέση με τον κλασικό αλγόριθμο ταξινόμησης της μέγιστης πιθανοφάνειας IKONOS, QuickBird Μέχρι σήμερα οι περισσότερες τεχνικές ταξινόμησης εφαρμόστηκαν σε δορυφορικά δεδομένα λαμβάνοντας υπόψη μόνο τις διαφορές στις φασματικές πληροφορίες τους. Σκοπός της εργασίας των Giakoumakis et al (2002) είναι να αναπτύξει και να χρησιμοποιήσει για τη χαρτογράφηση, την αντικειμενοστραφή ταξινόμηση, η οποία χρησιμοποιεί όχι μόνο τη φασματική πληροφορία των δεδομένων, αλλά και τη χωρική πληροφορία, όπως το σχήμα, η υφή, η σχέση με τα γειτονικά αντικείμενα. Στην εργασία τους χρησιμοποίησαν δορυφορικά δεδομένα Landsat TM και IKONOS. Για να ταξινομήσουν την καύσιμη ύλη προσάρμοσαν το σύστημα Prometheus στις ανάγκες της περιοχής μελέτης τους (Θάσος) και ανέπτυξαν δυο μοντέλα αντικειμενοστραφούς ταξινόμησης, ένα για κάθε δορυφόρο. Από τα αποτελέσματα φάνηκε ότι χρησιμοποιώντας τον Landsat TM αναγνωρίστηκαν ευκολότερα οι βασικές κατηγορίες καύσιμης ύλης εξαιτίας όμως, της χαμηλής χωρικής ανάλυσης, δεν αναγνωρίστηκαν μικρότερα αντικείμενα. Από την άλλη η ταξινόμηση των δεδομένων του IKONOS έδωσε πιο λεπτομερή χαρτογράφηση, αλλά λόγω της μικρής φασματικής πληροφορίας κλάσεις με παρόμοιες τιμές ανάκλασης δεν μπόρεσαν να διακριθούν εύκολα, οπότε χρειάστηκαν σύνθετες λειτουργίες για να αναγνωριστούν οι κατηγορίες με παρόμοια φασματική απόκριση. Επιπλέον, λόγω της μεγάλης χωρικής ανάλυσης άχρηστα δεδομένα περιλαμβάνονται στα δεδομένα ως αταξινόμητες περιοχές. Οι συγγραφείς προτείνουν, εφόσον υπάρχει η δυνατότητα, πως είναι καλή στρατηγική να ταξινομηθεί ολόκληρη περιοχή μελέτης στις βασικές κατηγορίες με τα δεδομένα του Landsat TM και για συγκεκριμένες περιοχές ενδιαφέροντος να χρησιμοποιηθούν τα δεδομένα του IKONOS για λεπτομερή ταξινόμηση των κατηγοριών, χρησιμοποιώντας τα κατάλληλα στοιχεία ανάλογα με το αποτέλεσμα της ταξινόμησης που μας ενδιαφέρει. Οι Gitas et al (2006) στην προσπάθειά τους να εκμεταλλευτούν τις δυνατότητες των δορυφορικών δεδομένων πολύ υψηλής ευκρίνειας και να ελαχιστοποιήσουν τα προβλήματα ταξινόμησής τους με τις κλασσικές μεθόδους, εφάρμοσαν και αυτοί στην εργασία τους τη μέθοδο της αντικειμενοστραφούς ταξινόμησης σε δεδομένα QuickBird. Σκοπός της έρευνας που πραγματοποίησαν ήταν να δημιουργήσουν ένα σχήμα ταξινόμησης από τα δεδομένα QuickBird για τους τύπους καύσιμης ύλης και ταυτόχρονα να χαρτογραφήσουν τους τύπους βλάστησης της περιοχής μελέτης τους (Ανώπολη Κρήτης). Το τελικό σχήμα ταξινόμησης που πρότειναν είχε τελικά εννιά [12]

37 κλάσεις και τα αποτελέσματα της χαρτογράφησης έδειξαν ότι η μεθοδολογία που ακολούθησαν είχε πολύ καλή ακρίβεια (συνολική ακρίβεια 75%). Παρόμοια με την παραπάνω έρευνα πραγματοποίησαν και οι Arroyo et al (2006), οι οποίοι δημιούργησαν χάρτες καυσίμων χρησιμοποιώντας και αυτοί, τη μέθοδο της αντικειμοστραφούς ταξινόμησης στα δεδομένα πολύ υψηλής ευκρίνειας του QuickBird. Για τη χαρτογράφηση των τύπων καύσιμη ύλης χρησιμοποίησαν το σύστημα Prometheus, αφού πρώτα προσαρμόστηκε στις οικολογικές συνθήκες της περιοχής μελέτης (βορειοδυτικά της Μαδρίτης, στην Ισπανία) και στη συνέχεια πραγματοποίησαν μετρήσεις πεδίου για να καταγραφούν τα καύσιμα. Στα αρχικά δορυφορικά δεδομένα, εκτός από τα φασματικά χαρακτηριστικά τους, ενσωμάτωσαν και άλλες πληροφορίες, όπως είναι ο δείκτης βλάστησης NDVI, τους αρχικούς φασματικούς διαύλους, αφού πρώτα εφάρμοσαν αναδειγματοληψία σε μικρότερο μέγεθος εικονοστοιχείου και ένα θεματικό χάρτη με τους τύπους βλάστησης της περιοχής, που προέκυψε από ταξινόμηση της εικόνας με τη μέθοδο της επιβλεπόμενης ταξινόμησης ανά εικονοστοιχείο (per-pixel classification). Τέλος εφάρμοσαν τη μέθοδο της αντικειμενοστραφούς ταξινόμησης (object-based classification) σε όλα τα παραπάνω δεδομένα. Τα αποτελέσματα της μεθοδολογίας χαρτογράφησης δεδομένων πολύ υψηλής ευκρίνειας που πρότειναν, έδωσαν ακρίβεια μεγαλύτερης του 80%, οδηγώντας στο συμπέρασμα ότι η χρησιμοποίηση της αντικειμενοστραφούς ταξινόμησης σε τέτοιου είδους δεδομένα έχει τη δυνατότητα να παράγει χάρτες καυσίμων με λεπτομέρεια και ακρίβεια. Σε άλλη εργασία τους, οι Lasaponara και Lanorte (2007) προσπάθησαν να χαρτογραφήσουν τις ιδιότητες των καυσίμων με τη χρήση δεδομένων QuickBird. Η μεθοδολογία που ακολούθησαν συνοψίζεται στα παρακάτω βήματα: α) προσαρμογή του συστήματος Prometheus στα καύσιμα της περιοχής μελέτης και πραγματοποίηση μετρήσεων πεδίου, β) ταξινόμηση των φασματικών χαρακτηριστικών των τύπων καυσίμου με τον αλγόριθμο της μέγιστης πιθανοφάνειας (maximum likelihood) και γ) εκτίμηση της ακρίβειας των αποτελεσμάτων, από τις μετρήσεις που είχαν πραγματοποιηθεί. Τα αποτελέσματα της μεθοδολογίας που εφάρμοσαν, έδειξαν ότι τα δορυφορικά δεδομένα VHR QuickBird μπορούν να διακρίνουν και να χαρτογραφήσουν τους τύπους καυσίμου με ακρίβεια μεγαλύτερης του 75% ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) του δορυφόρου TERRA Οι υπεύθυνοι για τη δημιουργία των αντιπυρικών μελετών αλλά και οι υπεύθυνοι για την καταστολή των πυρκαγιών χρειάζονται πιο οικονομικές μεθόδους για τη γρήγορη και οικονομική χαρτογράφηση των καυσίμων. Η εμφάνιση των αισθητήρων με μεγάλη χωρική ανάλυση μπορεί να βελτιώσει την ακρίβεια και να μειώσει το κόστος της χαρτογράφησης. [13]

38 Οι Falkowski et al. (2004) ερεύνησαν τη δυνατότητα να εκτιμηθεί η ακρίβεια και η χρησιμότητα των δεδομένων ASTER σε συνδυασμό με περιβαλλοντικές μεταβλητές για χαρτογράφηση των μοντέλων καυσίμου, ώστε αυτά να χρησιμοποιηθούν στο πρόγραμμα FARSITE. Για να εκτιμηθεί η συγκόμωση και η πυκνότητα της κομοστέγης, υπολογίστηκαν από τη δορυφορική εικόνα διάφοροι δείκτες όπως: NDVI (Normalized Difference Vegetation Index), SR (Simple Ratio), GRVI (green-red Ratio Vegetation Index) και εκτιμήθηκαν οι εξής ιδιότητες των καυσίμων: τύπος κάλυψης, δομικό στάδιο, συγκόμωση, πυκνότητα μάζας της κομοστέγης. Εφαρμόστηκαν εμπειρικά μοντέλα, που βασίστηκαν στις παραπάνω μετρήσεις πεδίου και στα φασματικά χαρακτηριστικά του ASTER. Στη συνέχεια με βάση τα 13 μοντέλα του συστήματος ταξινόμησης NFFL εφάρμοσαν επιβλεπόμενη ταξινόμηση για τη χαρτογράφηση των τύπων καυσίμου συνδυάζοντας τις ιδιότητες των καυσίμων και τα δεδομένα από τους παραπάνω δείκτες. Τα αποτελέσματα από τα εμπειρικά μοντέλα που ανέπτυξαν για τα καύσιμα της κόμης έδειξαν ότι οι δείκτες βλάστησης μαζί με τα φασματικά χαρακτηριστικά του ASTER είναι ικανά να εκτιμήσουν το ποσοστό κάλυψης της κόμης και την πυκνότητα της μάζας της κόμης. Οι Lasaponara et al (2007a) θέλησαν να εκτιμήσουν τη δυνατότητα καταγραφής χαρτογράφησης και την ακρίβεια που έχουν τα αποτελέσματα χαρτογράφησης των καυσίμων από δορυφορικά δεδομένα ASTER. Προκειμένου να εξακριβωθεί πόσο καλά μπορούν να καταγράψουν τις ιδιότητες των καυσίμων τα δεδομένα ASTER, επιλέχθηκε για την έρευνά του περιοχή μελέτης με μικτούς τύπους βλάστησης και σύνθετο ανάγλυφο στη νότια Ιταλία. Πραγματοποίησαν λεπτομερείς μετρήσεις πεδίου για την αναγνώριση των τύπων καύσιμης ύλης με τη χρήση του συστήματος Prometheus, δημιούργησαν μοντέλα με τα φασματικά χαρακτηριστικά και πραγματοποίησαν ταξινόμηση όλων των δεδομένων με τον αλγόριθμο της μέγιστης πιθανοφάνειας (maximum likelihood). Η εκτίμηση της ακρίβειας, που έγινε με βάση τις μετρήσεις πεδίου, έδειξε ότι το αποτέλεσμα της χαρτογράφησης ήταν πολύ καλά NOAA AVHRR (National Oceanic and Atmospheric Administration Advanced Very High Resolution Radiometer) Έχουν γίνει προσπάθειες χαρτογράφησης της καύσιμης ύλης που επικεντρώθηκαν σε χαμηλής χωρικής ανάλυσης αισθητήρες, όπως είναι ο αμερικάνικος NOAA AVHRR (McKinley et al, 1985, Zhu and Evans, 1994). Το κύριο πλεονέκτημα αυτού του αισθητήρα είναι η δυνατότητα να παρέχει δορυφορικά δεδομένα σε καθημερινή βάση, με αποτέλεσμα να υπάρχει μια συνεχής και διαχρονική σειρά δεδομένων. Ωστόσο η μικρή χωρική ανάλυση του αισθητήρα (1 χλμ στο ναδίρ) περιορίζει τη χρησιμότητα του σε περιφερειακό και παγκόσμιο επίπεδο. Το γεγονός αυτό οφείλεται στη μείωση της ακρίβειας της ταξινόμησης των τύπων καύσιμης ύλης, όταν τα στρώματά της καθώς και οι τύποι της δασικής βλάστησης είναι σύνθετοι, ανομοιογενείς και ποικιλόμορφοι, όπως συμβαίνει στη λεκάνη της [14]

39 Μεσογείου. Χαρακτηριστικό παράδειγμα χαρτογράφησης της καύσιμης ύλης με τα δορυφορικά δεδομένα του AVHRR είναι ο χάρτης μοντέλων καυσίμου με χωρική ανάλυση 1 χλμ, που δημιουργήθηκε από τη δασική υπηρεσία των ΗΠΑ ( Ο χάρτης μοντέλων καυσίμου βασίστηκε σε μια βάση δεδομένων που αναπτύχθηκε από την αμερικάνικο κέντρο έρευνας US Geological Survey s Earth Resources Observation Systems (EROS), το 1991 και περιλαμβάνει 159 κλάσεις κάλυψης γης, με χωρική ανάλυση 1 χλμ. Για τη χαρτογράφηση των μοντέλων καυσίμου πραγματοποιήθηκαν εκτενείς μετρήσεις πεδίου σε 2560 δειγματοληπτικές επιφάνειες 1χλμ 2 στις ΗΠΑ σε συνδυασμό με τις γνώσεις έμπειρων επιστημόνων σε θέματα πυρκαγιών. Παρόλα αυτά, η ακρίβεια της διάκρισης μερικών μοντέλων καυσίμου είναι μάλλον χαμηλή, όταν τα επιφανειακά καύσιμα και οι τύποι χρήσης γης γίνονται περισσότερο σύνθετα. Με τη χρήση των δεδομένων του AVHRR έχουν πραγματοποιηθεί και έρευνες χαρτογράφησης της καύσιμης ύλης, στις οποίες τα καύσιμα προσδιορίστηκαν, με έμμεσο τρόπο, από το φορτίο της βιομάζας, τις δομικές ιδιότητες της βλάστησης και της κατάστασης της υγρασίας των καυσίμων (Chuvieco et al. 2004, Riaño et al. 2002). Το περιεχόμενο της υγρασίας των καυσίμων αποτελεί σημαντική παράμετρο στην έναρξη της πυρκαγιάς μιας και η ευφλεξιμότητα των καυσίμων εξαρτάται στενά από αυτό (Dimitrakopoulos and Papaioannou, 2001). Έτσι σκοπός της έρευνας που πραγματοποίησαν οι Chuvieco et al (2004) ήταν η εκτίμηση της υγρασίας των καυσίμων. Ως περιοχή μελέτης επιλέχθηκαν θαμνολίβαδα, με λίγα θαμνώδη είδη, στο εθνικό πάρκο Cabaneros στην κεντρική Ισπανία. Στην έρευνά τους παρουσιάζουν μια εμπειρική μέθοδο για τη χωρική εκτίμηση της περιεχόμενης υγρασίας των καυσίμων (Fuel Moisture Content FMC), η οποία είναι σημαντική για την επιχειρησιακή διαχείριση του κινδύνου διάδοσης της πυρκαγιάς, αναλύοντας διαχρονικά δεδομένα του AVHRR. Οι McKinley et al (1985) χρησιμοποιώντας τα δορυφορικά δεδομένα του NOAA AVHRR υπολόγισαν το δείκτη βλάστησης NDVI και εφάρμοσαν σε αυτά την ανάλυση σε κύριες συνιστώσες (PCA). Συνδυάζοντας τα παραπάνω με τους τύπους βλάστησης της περιοχής μελέτης χαρτογράφησαν τα μοντέλα καυσίμου. Παρόμοια τεχνική εφαρμόστηκε από τους Miller και Johnson (1985), οι οποίοι προσδιόρισαν τα μοντέλα καυσίμου του NFDRS στους χάρτες βλάστησης που προέκυψαν από δορυφορικές εικόνες Landsat MSS και AVHRR. Σκοπός των Lanorte et al (2007) ήταν να ερευνήσουν κατά πόσο τα δορυφορικά δεδομένα χαμηλής χωρικής ανάλυσης MODIS μπορούν να διακρίνουν και να χαρτογραφήσουν τα δασικά καύσιμα. Για το λόγο αυτό πραγματοποίησαν μετρήσεις πεδίου στην υπό μελέτη περιοχή, η οποία παρουσιάζει μικτή βλάστηση και σύνθετο ανάγλυφο, αναγνωρίζοντας του τύπους καυσίμου με βάση το σύστημα [15]

40 ταξινόμησης Prometheus. Στη συνέχεια διέκριναν τα φασματικά χαρακτηριστικά των τύπων καυσίμου και πραγματοποίησαν ταξινόμηση αυτών εφαρμόζοντας: α) τον αλγόριθμο ταξινόμησης μέγιστης πιθανοφάνειας (ML) και β) τη μέθοδο ανάλυσης Spectral Mixiture Analysis (MTMF). Η ακρίβεια των αποτελεσμάτων της ταξινόμησης, που εκτιμήθηκε με βάση τις μετρήσεις στο πεδίο, έδειξαν ότι είναι ικανοποιητική και για τις δυο μεθόδους, παρόλο που η ταξινόμηση με τον αλγόριθμο ML υστερεί ελάχιστα σε σχέση με τη δεύτερη μέθοδο που πρότειναν. Οι Dymond et al. (2004) χρησιμοποίησαν το διεθνές προϊόν κάλυψης γης (Global Land Cover Product), που παράγεται από τους αισθητήρες MODIS, LANDSAT και SPOT, για να χαρτογραφήσουν την καύσιμη ύλη στη Μαλαισία και στη δυτική Ινδονησία. Το σύστημα ταξινόμησης των καυσίμων που χρησιμοποιήθηκε συσχετίζει κάθε κλάση του παραγόμενου χάρτη με τις κλάσεις του αρχικού προϊόντος. Για το χαρακτηρισμό των τύπων της καύσιμης ύλης χρησιμοποιήθηκαν οι εξής ιδιότητες: ύψος κόμης, ποσοστό συγκόμωσης, πυκνότητα, θάμνοι, φυτάρια και άλλα καύσιμα, φορτίο επιφανειακών καυσίμων, συνέχεια επιφανειακών καυσίμων, βάθος επιφανειακών καυσίμων, κατανομή των κλάσεων μεγέθους των επιφανειακών καυσίμων, βάθος οργανικής ύλης, εποχιακός γηρασμός. Οι πληροφορίες αυτές αντλήθηκαν από υπάρχοντες χάρτες βλάστησης και κάλυψης των δέντρων. Από την εργασία παράχθηκε ένας χάρτης που περιλάμβανε οχτώ τύπους καύσιμης ύλης. Αναφέρονται κάποια συμπεράσματα για κάθε κλάση, τα οποία προκύπτουν από τα χαρακτηριστικά που μετρήθηκαν για το διαχωρισμό της βλάστησης σε αυτές. Τα συμπεράσματα αυτά αναφέρονται στην ανάφλεξη και ευφλεξιμότητα της καύσιμης ύλης Υπερφασματικά δεδομένα Τα υπερφασματικά συστήματα τηλεπισκόπησης, που καταγράφουν την εκπεμπόμενη ή ανακλώμενη ηλεκτρομαγνητική ακτινοβολία σε ένα μεγάλο αριθμό συνεχόμενων φασματικών διαύλων, δείχνουν να έχουν τη δυνατότητα της φασματικής και χωρικής διάκρισης των χαρακτηριστικών-ιδιοτήτων της βλάστησης που σχετίζονται με τις πυρκαγιές, όπως η κλειστή κομοστέγη των δέντρων, η υγρασία της βλάστησης, η αναλογία ζώντων και νεκρών φυτών κλπ. (Jia et al, 2006, Roberts et al, 2003). Η μέθοδος Spectral Mixture Analysis (SMA) είναι αυτή στην οποία στηρίζονται οι περισσότερες τεχνικές ανάλυσης των υπερφασματικών δεδομένων και βασίζεται στην υπόθεση ότι το ηλεκτρομαγνητικό φάσμα που καταγράφεται στον αισθητήρα είναι γραμμικός συνδυασμός του φάσματος όλων των στοιχείων μέσα στο εικονοστοιχείο (Roberts et al, 1998) AVIRIS (Airborne Visible Infrared Imaging Spectrometer) Σε άλλες εργασίες, οι ερευνητές προσπάθησαν να εκμεταλλευτούν το μεγάλο φασματικό εύρος του AVIRIS (0,37-2,5 μm) με τα 224 φασματικά του κανάλια και [16]

41 τις δυνατότητες που παρέχει για να χαρτογραφήσουν με μεγαλύτερη λεπτομέρεια χαρακτηριστικά της βλάστησης και των ιδιοτήτων των καυσίμων. Οι Roberts et al (1997) καινοτόμησαν με την εργασία τους, διακρίνοντας τα φασματικά χαρακτηριστικά που σχετίζονταν με την κατάσταση της καύσιμης ύλης (σχετικό ποσοστό ζωντανών με νεκρών καυσίμων ή πολύ ώριμων) χρησιμοποιώντας μια χρονική σειρά δεδομένων AVIRIS. Πραγματοποίησαν μελέτη στην ορεινή περιοχή της Santa Monica, στην οποία περιγράφουν τα φασματικά χαρακτηριστικά των καυσίμων που μπορούν να εκτιμηθούν από τα δεδομένα του σαρωτή και τις δυνατότητες που έχει αυτός, για να ταξινομήσουν το είδος της βλάστησης, τον τύπο κάλυψης και την περιεχόμενη υγρασία. Στη συνέχεια συσχέτισαν τα παραπάνω στοιχεία με φορτία καυσίμου, που συλλέχθηκαν από μετρήσεις πεδίου και εφάρμοσαν την τεχνική spectral mixture analysis (SMA) για να χαρτογράφησουν τα μοντέλα καυσίμων, δημιουργώντας χάρτη εξάπλωσης των καυσίμων, τον οποίο και ενσωμάτωσαν σε μοντέλο διάδοσης της πυρκαγιάς. Την παραπάνω τεχνική εφάρμοσαν και σε άλλη περιοχή Santa Barbara, Front Range (Roberts et al, 1999) συμπεραίνοντας ότι τα υπερφασματικά δεδομένα μπορούν να καταγράψουν στοιχεία που είναι σημαντικά στη χαρτογράφηση των καυσίμων όπως διάκριση της βλάστησης με ακρίβεια (πιθανόν και σε επίπεδο ειδών), στις μετρήσεις της πράσινης ζωντανής βιομάζας και της υγρασίας των ζωντανών καυσίμων. Παρόλα αυτά, σημειώνουν ότι τα δεδομένα AVIRIS έχουν κάποιους περιορισμούς και δεν μπορούν να χρησιμοποιηθούν σε όλες τις περιπτώσεις καυσίμων. Τέλος μειονέκτημα είναι το γεγονός ότι ο AVIRIS καταγράφει δεδομένα για μικρής κλίμακας περιοχή. Σε άλλη εργασία τους οι Roberts et al (1998) χρησιμοποίησαν και πάλι δεδομένα AVIRIS και με τη βοήθεια της τεχνικής MESMA (Multiple Endmember Spectral Mixture Analysis), η οποία είναι μια εναλλακτική μέθοδος της SMA. Πραγματοποίησαν διάκριση των τύπων της βλάστησης και εκτίμησαν τη χωρική εξάπλωση των καυσίμων chaparrals. Με τη μεθοδολογία που χρησιμοποίησαν έδειξαν ότι είναι δυνατή η διάκριση ενός μεγάλου αριθμού διαφοροποιημένων φασματικά τύπων των καυσίμων. Οι Roberts et al (2005) σε πρόσφατη έρευνα θέλησαν να ξεπεράσουν την περιορισμένη χρησιμότητα του AVIRIS εξαιτίας του ότι καταγράφει δεδομένα για σχετικά μικρής κλίμακας περιοχή και της μικρής χρονικά ανάλυσης. Έτσι συνδύασαν τα δεδομένα AVIRIS με αυτά του MODIS για να χαρτογραφήσουν τη χωρική και χρονική κατανομή των καυσίμων και ανέλυσαν χαρακτηριστικά όπως ο τύπος καυσίμου, η υγρασία καυσίμου και οι συνθήκες καυσίμου χρησιμοποιώντας την τεχνική SMA. Για τη χρονική κατανομή των καυσίμων χρησιμοποίησαν τα δεδομένα του MODIS έχοντας πολύ καλά αποτελέσματα, εκτός από κάποιες περιοχές που είχαν μεγάλο υψόμετρο. [17]

42 Οι Serrano et al (2000) χρησιμοποίησαν δεδομένα AVIRIS για να εκτιμήσουν την ικανότητα των υπερφασματικών δεδομένων στον υπολογισμό του δείκτη της «σχετικής περιεχόμενης υγρασίας» (Relative Water Content RWC) της. Στην έρευνά τους εκτίμησαν την περιεχόμενη υγρασία της βλάστησης στα μέρη του φάσματος NIR και SWIR και τα αποτελέσματα συγκρίθηκαν με μετρήσεις πεδίου. Στη συνέχεια υπολόγισαν και αξιολόγησαν διάφορους δείκτες -NDVI, NDWI (Normalized Difference Water Index), WI (Water Index), NDWI (Normalizad Difference Water Index), EWT (Equivalent Water Thickness), WT (Water Thickness), MSI (Moisture Stress Index), NDII- και βρήκαν ποιοι σχετίζονται περισσότερο με τον RWC. Σε πιο πρόσφατες έρευνες, οι Jia et al (2006a) θέλησαν να εκμεταλλευτούν την πρόοδο που έχει σημειωθεί στα δορυφορικά δεδομένα πολύ υψηλής φασματικής ανάλυσης για να εκτιμήσουν τα βασικά συστατικά της βλάστησης και τους τύπους καυσίμου σε δάση κωνοφόρων. Πραγματοποίησαν λεπτομερείς μετρήσεις πεδίου όπου έκαναν πλήρη καταγραφή των χαρακτηριστικών του υπορόφου (διάμετρος δέντρων, ύψος, ηλικία, είδος κατάσταση ζωντανής και νεκρής βλάστησης), του ποσοστού κάλυψης των ζωντανών φύλλων, κλαδιών, του ποσοστού κάλυψης των θάμνων κλπ. Συνδυάζοντας τα παραπάνω στοιχεία με δορυφορικά δεδομένα AVIRIS και εφαρμόζοντας την τεχνική spectral mixture analysis διέκριναν τμηματικούς τύπους της νεκρής (μη φωτοσυνθετικής βλάστησης) και ζωντανής βλάστησης (φωτοσυνθετικής βλάστησης), το γυμνό έδαφος και τύπους καυσίμων σε επίπεδο μικρότερο του εικονοστοιχείου. Για την εκτίμηση της ακρίβειας χρησιμοποιήθηκαν οι μετρήσεις πεδίου. Τα αποτελέσματα έδειξαν ότι είναι δυνατή σε πολύ καλό βαθμό η διάκριση της ζωντανής βλάστησης και του γυμνού εδάφους σε σχέση με τη νεκρή βλάστηση. Στη συνέχεια, έχοντας ως βάση τους παραπάνω τύπους που διέκριναν, κατάφεραν να αξιολογήσουν τη χωρική κατανομή της βλάστησης και των χαρακτηριστικών των καυσίμων. Το συμπέρασμα της εργασίας τους ήταν ότι τα υπερφασματικά δεδομένα τηλεπισκόπησης μπορούν να χρησιμοποιηθούν τόσο για τη χαρτογράφηση των τύπων βλάστησης, όσο και για τις συνθήκες καυσίμου αμέσως μετά από πυρκαγιές, βελτιώνοντας σημαντικά στην εκτίμηση του κινδύνου έναρξης της πυρκαγιάς. Σε άλλη τους έρευνα οι Jia et al (2006b) θέλησαν να υπολογίσουν τα χαρακτηριστικά των καυσίμων για τους βασικούς τύπους βλάστησης της περιοχής Front Range του Colorando. Συνδύασαν μετρήσεις με φασματοσκόπιο στο πεδίο και δεδομένα AVIRIS. Προσπάθησαν να ελέγξουν τη δυνατότητα διάκρισης των χαρακτηριστικών της βλάστησης που συνδέονται με τις πυρκαγιές, συμπεριλαμβανομένου του ποσοστού κάλυψης της κομοστέγης, του δασικού τύπου βλάστησης και της έντασης της πυρκαγιάς, για να γίνει ο διαχωρισμός σε δάση όπου τα κυρίαρχα είδη είναι τα Pinus ponderosa και Pseudotsuga menziesii var. glauca. Για τη χαρτογράφηση των ιδιοτήτων των καυσίμων χρησιμοποίησαν τις τεχνικές spectral angle mapper και [18]

43 mixture-tuned matched filtering. Τα αποτελέσματα της μεθοδολογίας τους έδωσαν 55% ακρίβεια στη φασματική διάκριση των κυρίαρχων δασικών ειδών. Οι Lasaponara και Lanorte (2006) προσπάθησαν να χαρτογραφήσουν την καύσιμη ύλη με υπερφασματικά δεδομένα MIVIS. Συνδυάζοντας μετρήσεις πεδίου εφάρμοσαν ταξινόμηση των εικόνων MIVIS με τον αλγόριθμο της μεγίστης πιθανοφάνειας. Για την εκτίμηση της ακρίβειας των αποτελεσμάτων της ταξινόμησης χρησιμοποιήθηκαν μετρήσεις πεδίου. Σε σχέση με τα αποτελέσματα ταξινόμησης του Landsat, οι συγγραφείς βρήκαν ότι τα υπερφασματικά δεδομένα έδωσαν μεγαλύτερα ακρίβεια στη χαρτογράφηση των καυσίμων Hyperion Λίγες είναι οι προσπάθειες ανάλυσης και επεξεργασίας δεδομένων όπως αυτά που προέρχονται από το Hyperion. Συνήθως οι έρευνες που χρησιμοποίησαν αυτόν τον αισθητήρα γίνονται σε συνδυασμό με άλλα δορυφορικά δεδομένα. Οι Roberts κ.α. το 2003 παρουσίασαν εργασία με παραδείγματα χαρτογράφησης σε δυο περιοχές με chaparrals χρησιμοποιώντας δεδομένα του AVIRIS και Hyperion. Για τη χαρτογράφηση των καυσίμων υπολόγισαν τέσσερα χαρακτηριστικά τους: τύπος καυσίμου, υγρασία καυσίμου, βιομάζα ζωντανής βλάστησης και συνθήκες καυσίμου και εφάρμοσαν την μέθοδο SMA. Οι εποχιακές αλλαγές στα χαρακτηριστικά των καυσίμων και οι μακροπρόθεσμες αλλαγές που ακολουθούν τις πυρκαγιές αναλύονται με διαχρονικά δεδομένα του AVIRIS της περιόδου Η σύγκριση των χαρτών καύσιμης ύλης που προέκυψαν από τα δορυφορικά δεδομένα AVIRIS και Hyperion έδειξαν παρόμοια κατανομή των καυσίμων και για τους δυο υπερφασματικούς αισθητήρες, αλλά την καλύτερη ακρίβεια στα αποτελέσματα είχαν τα δεδομένα του AVIRIS (συνολική ακρίβεια 79%, ενώ του Hyperion μόνο 50%). Οι Yoon και Kim (2006) παρουσίασαν μεθοδολογίες για τη χαρτογράφηση των ιδιοτήτων των καυσίμων με τη χρήση υπερφασματικών δεδομένων Hyperion, αναλύοντας τέσσερα χαρακτηριστικά των καυσίμων: τύπος καυσίμου, βιομάζα καυσίμου, υγρασία καυσίμου και συνθήκες καυσίμου. Η υγρασία και η βιομάζα καυσίμου υπολογίστηκαν από την ανάλυση διαύλων του νερού (liquid water band). Ο τύπος και οι συνθήκες καυσίμου υπολογίστηκαν με την τεχνική spectral mixture analysis. Οι Keramitsoglou et al (2008) προσπάθησαν έμμεσα να βρουν του τύπους καυσίμων αφού εξέτάσαν την αποτελεσματικότητα των δεδομένων ASTER και Hyperion στη χαρτογράφηση των τύπων κάλυψης βλάστησης, ώστε να τους χρησιμοποιήσουν σε μοντέλα διάδοσης-εξάπλωσης της φωτιάς. Για την ταξινόμηση χρησιμοποίησαν και λεπτομερή στοιχεία, που τα είχαν συλλέξει από εκτενείς μετρήσεις πεδίου και προέκυψαν αποτελέσματα για το είδος και την πυκνότητα της βλάστησης, μιας και [19]

44 η ίδια βλάστηση δίνει διαφορετικούς τύπους καυσίμων. Η ακρίβεια που έδωσαν τα αποτελέσματα στην χαρτογράφηση των τύπων κάλυψης της βλάστησης τόσο για τα δεδομένα ASTER (85%) όσο και τα δεδομένα Hyperion (93%). Παρόλο που τα δεδομένα Hyperion παρουσίασαν καλύτερη συνολική ακρίβεια, δεν παρέχουν το ίδιο καλά αποτελέσματα στην παραγωγή θεματικών χαρτών. Και οι δυο αισθητήρες, όπως προέκυψε, είναι κατάλληλα εργαλεία στη δημιουργία μοντέλων διάδοσης της πυρκαγιάς και στη διαχείριση των πυρκαγιών. Ακόμη πρότειναν ανάλογα με τις εκάστοτε ανάγκες να χρησιμοποιηθούν ταυτόχρονα και συμπληρωματικά τα δεδομένα τους LIDAR Ο κυριότερος περιορισμός των παραπάνω αισθητήρων είναι η αδυναμία τους να διεισδύσουν στην κόμη των δέντρων, οπότε δεν μπορούν να ανιχνεύσουν επιφανειακά καύσιμα. Η ανάπτυξη της τεχνολογίας του συστήματος σάρωσης του εδάφους με αερομεταφερόμενα λέιζερ αποτελεί μια αποτελεσματική εναλλακτική λύση στις δυο βασικές δυσκολίες που παρουσιάζονται κατά τη χαρτογράφηση των καυσίμων με τα παραπάνω δορυφορικά δεδομένα: μπορεί να υπολογίσει το ύψος των καυσίμων, που είναι σημαντικό για τον υπολογισμό του φορτίου καυσίμου και τη διάκριση των τύπων καυσίμου, και παρέχει σημαντικές πληροφορίες για τα επιφανειακά καύσιμα, όταν αυτά βρίσκονται κάτω από την κομοστέγη (Kean et al, 2001, Chuvieco and Kasischke, 2007). Ένα τέτοιο σύγχρονο σύστημα είναι το LIDAR, που αποτελείται από ένα όργανο παραγωγής παλμών λέιζερ (με συνεχόμενα κύματα λέιζερ που αποκτούν τιμές εύρους με μετρήσεις της φάσης). Τα δεδομένα LIDAR έχουν χρησιμοποιηθεί επίσης για τον υπολογισμό και άλλων παραμέτρων των καυσίμων όπως το ύψος της κομοστέγης, η πυκνότητα της μάζας της κομοστέγης, το βάρος των καυσίμων στη κομοστέγη, το ύψος στη βάση της κομοστέγης. Οι Riaño et al (2003) παρουσίασαν μεθοδολογία για τον υπολογισμό δασικών παραμέτρων, οι οποίοι είναι σημαντικοί στη μοντελοποίηση της συμπεριφοράς της φωτιάς, χρησιμοποιώντας δεδομένα από αερομεταφερόμενο αισθητήρα λέιζερ. Αφού επεξεργάστηκαν και διόρθωσαν τα αρχικά δεδομένα, εφάρμόσαν στατιστική ανάλυση σε ομάδες στα δεδομένα που είχαν, κατάφεραν να διακρίνουν το ύψος στη βάση της κόμης, επιτρέποντας έτσι στην αναγνώριση τόσο της κομοστέγης του ανώροφου όσο και του υπορόφου. Τελικά κατάφεραν να εκτιμήσουν το ύψος των επιφανειακών καυσίμων, την κάλυψη των δέντρων, την πυκνότητα της μάζας της κομοστέγης. Όμοια οι Morsdorf et al (2004) χρησιμοποίησαν δεδομένα αερομεταφερόμενου αισθητήρα λέιζερ για να διακρίνουν μεμονωμένα δέντρα και να καταγράψουν τις διαστάσεις του φυλλώματός τους. Προσδιόρισαν τις εξής παραμέτρους για την περιοχή μελέτης: θέση του δέντρου, ύψος δέντρου, διάμετρος κόμης και ύψος στη [20]

45 βάση της κόμης. Από τις αναλύσεις που πραγματοποίησαν φάνηκε ότι υπάρχει καλή γραμμική συσχέτιση του ύψους που προέκυψε από τα δεδομένα LIDAR με το ύψος που προέκυψε από τις μετρήσεις πεδίου, σε αντίθεση με την εκτίμηση της διαμέτρου, όπου δεν υπήρχε ταυτοποίηση των μετρήσεων. Οι Andersen et al. (2004) αναφέρουν ότι η ακριβής εκτίμηση ιδιοτήτων των καυσίμων με υψηλής ανάλυσης δεδομένα τηλεπισκόπησης θα βελτίωνε σημαντικά την αποδοτικότητα των μοντέλων εξομοίωσης διάδοσης της πυρκαγιάς και θα διευκόλυνε τη διαχείριση των καυσίμων γενικότερα. Η ικανότητα του LIDAR να παρέχει άμεσες τρισδιάστατες μετρήσεις της δομής της κομοστέγης μπορεί να βελτιώσει σημαντικά την εκτίμηση της ποσότητας και κατανομής της βιομάζας της κομοστέγης και των καυσίμων. Έτσι κατάφεραν να υπολογίσουν το ύψος της κομοστέγης, το ύψος στη βάση της, την πυκνότητα της μάζας της και το συνολικό βάρος των καυσίμων της. Για τον υπολογισμό των παραπάνω χρησιμοποιήθηκε η στατιστική ανάλυση παλινδρόμησης και συσχέτισαν τα δεδομένα του LIDAR με τις ιδιότητες των καυσίμων της κομοστέγης, που προέκυψαν από επίγειες μετρήσεις πεδίου σε τμήματα γης με διαφορετικές συνθήκες. Ακολουθώντας παρόμοια μεθοδολογία οι Hall et al (2005) κατάφεραν να υπολογίσουν τις παραπάνω ιδιότητες των καυσίμων με δεδομένα LIDAR. Οι Renslow et al. (2000) θέλησαν να αξιολογήσουν το LIDAR, όσον αφορά δασικές εφαρμογές. Έτσι επιλέχθηκαν τρεις περιοχές μελέτης, με αντιπροσωπευτική βλάστηση και συγκεντρώθηκαν και βοηθητικά στοιχεία, προκειμένου να αξιολογηθούν τα αποτελέσματα. Από τα δεδομένα LIDAR δημιουργήθηκε ένα μοντέλο για το ύψος της επιφάνειας (SEM Surface Elevation Model). Από την ανάλυση που έκαναν βρέθηκε ότι είναι δυνατό να εκτιμηθούν άμεσα διάφορες παράμετροι της βλάστησης γενικά, ενώ με ακόμα πιο ακριβή δεδομένα μπορούν να αναγνωρισθούν πιο λεπτομερή χαρακτηριστικά, καθώς και μεμονωμένα δένδρα. Κατάφεραν λοιπόν, να αποδείξουν ότι για την πρόβλεψη του ύψους της κομοστέγης, της συνολικής βασικής επιφάνειας και του όγκου των κορμών της βλάστησης υπάρχει καλή γραμμική συσχέτιση των δεδομένων LIDAR με τα δεδομένα πεδίου Οι Hyyppä et al. (2001) εφάρμοσαν μια μέθοδο τμηματοποίησης των δεδομένων LIDAR. Σύμφωνα με αυτήν, εκτιμώνται χαρακτηριστικά του δάσους, κυρίως η βιομάζα, χρησιμοποιώντας υψηλού ρυθμού παλμούς λέιζερ, από τα οποία στη συνέχεια μπορούν να εντοπιστούν μεμονωμένα δένδρα και να βρεθούν χαρακτηριστικά τους, όπως ύψος, θέση και διαστάσεις κόμης. Από τα δεδομένα του LIDAR υπολογίστηκαν το DCM (Digital Crown Model),το DTM (Digital Terrain Model) και το DTHM (Digital Tree Height Model) και δημιουργήθηκε χάρτης των υψών των δένδρων από το DTM και το DMC. [21]

46 Οι Fernandes et al. (2002), σε μία προσπάθεια συγκέντρωσης πληροφοριών, προκειμένου να δημιουργηθούν Ευρωπαϊκά πρότυπα μεθοδολογίας για την μέτρηση, περιγραφή,απογραφή και χαρτογράφηση των καυσίμων, αναφέρουν ότι υπολογίστηκε το ύψος δέντρου, το ύψος βάσης της κομοστέγης και η συγκόμωση με τη χρήση δεδομένων LIDAR εφαρμόζοντας την άμεση μέθοδο LIDAR και την έμμεση Radiative Transfer Model (RTMs). Οι Riaño et al. (2004b) περιέγραψαν μία μεθοδολογία για την εκτίμηση δασικών παραμέτρων σε διαφορετικό επίπεδο δειγματοληπτικών επιφανειών από δεδομένα LIDAR, τα οποία είναι ιδιαίτερα χρήσιμα στην πρόβλεψη της συμπεριφοράς των πυρκαγιών. Χρησιμοποίησαν την εξίσωση που περιγράφεται από τον Riaño et al. (2003a) για την εκτίμηση της πυκνότητας κομοστέγης δένδρων της Pinus sylvestris L. Κάθε παράμετρος που συμμετέχει στον υπολογισμό της πυκνότητας της κομοστέγης, της βιομάζας του φυλλώματος, του όγκου της κομοστέγης ανά μονάδα επιφανείας, του ύψους δένδρου και του ύψους στη βάση της κομοστέγης (crown base height), αναλύεται ξεχωριστά. Επιπλέον, αναλύεται η ικανότητα των δεδομένων LIDAR στην εκτίμηση της πυκνότητας κομοστέγης και των επιμέρους παραγόντων της σε επίπεδο δένδρου, η οποία όμως δεν είναι απόλυτα επιτυχής. Παρόλα αυτά πολλοί συγγραφείς έχουν αναφέρει ότι το LIDAR παρέχει καλύτερα αποτελέσματα από τις αεροφωτογραφίες, τους αερομεταφερόμενους υπερφασματικούς ανιχνευτές ή τα αερομεταφερόμενα ραντάρ λήψης προφίλ της βλάστησης για την εκτίμηση της πυκνότητας της κομοστέγης (Hyyppä et al., 2000; Lefsky et al., 2001). Σε άλλη εργασία τους, οι Riaño et al. (2004a) εκτίμησαν τη δυνατότητα των δεδομένων LIDAR στον υπολογισμό του δείκτη LAI (Leaf Area Index) και της κάλυψης του εδάφους σε δύο διαφορετικούς αλλά και συνήθεις τύπους δασών (δάσος δρυός και δάσος πεύκης). Στην έρευνά τους ακόμη, προσπάθησαν να καθορίσουν κατάλληλους μετασχηματισμούς των μετρήσεων των παλμών των λέιζερ, ώστε να ταιριάζουν με τις έμμεσες εκτιμήσεις του LAI στο έδαφος και της κάλυψης του εδάφους, να επιλέξουν το μέγεθος ακτίνας δειγματοληπτικής επιφάνειας για τα δεδομένα LIDAR ώστε να υπάρχει η καλύτερη ταύτιση με τις έμμεσες στο έδαφος εκτιμήσεις και ερεύνησαν τις σχέσεις μεταξύ των δεδομένων LIDAR και των έμμεσων στο έδαφος εκτιμήσεων για κάθε δασικό τύπο. Το συμπέρασμά τους ήταν πως τα δεδομένα LIDAR μπορούν να χρησιμοποιηθούν για την παραγωγή μεγάλης ανάλυσης χαρτών για τις ιδιότητες της κομοστέγης σε τοπικό επίπεδο. Σε μια πρόσφατη εργασία τους (2005) εκτίμησαν τους τύπους καυσίμων συνδυάζοντας το ύψος των θάμνων, το ψηφιακό μοντέλο εδάφους (Digital ground model) και το ψηφιακό επιφανειακό μοντέλο (Digital surface model), που είχαν υπολογιστεί από τα δεδομένα LIDAR. [22]

47 Τέλος οι Skowronski et al (2007) χρησιμοποίησαν δεδομένα LIDAR σχετικά με το ύψος του φυλλώματος των δέντρων για να ποσοτικοποιήσουν τη δομή των δασών και την κατακόρυφη συνέχεια των καυσίμων ανάμεσα στον υπόροφο και την κομοστέγη. Οι Persson et al (2002) ανάπτυξαν μεθοδολογία για τη μέτρηση μεμονωμένων δέντρων, όσον αφορά τη θέση τους, το ύψος και τη διάμετρο της κομοστέγης. Η ακρίβεια των αποτελεσμάτων της μεθοδολογίας του έγινε με μετρήσεις πεδίου που πραγματοποίησε και έδειξε ότι το 71% των δέντρων είχαν καταγραφεί σωστά. Στη διεθνή βιβλιογραφία υπάρχουν πολλές έρευνες, των οποίων ο αντικειμενικός σκοπός δεν αφορούσε την άμεση ταξινόμηση των τύπων καύσιμης ύλης, αλλά την παροχή αποτελεσμάτων που συνιστούν ότι πρέπει τα δεδομένα LIDAR να χρησιμοποιηθούν για το σκοπό αυτό DAIS Σε άλλες έρευνες για τη χαρτογράφηση της καύσιμης ύλης με υπερφασματικά δεδομένα, χρησιμοποιήθηκε ο αισθητήρας DAIS7915 (DAIS), που χρησιμοποιείται από το Γερμανικό Κέντρο Αεροδιαστημικής. Ο αισθητήρας αυτός χρησιμοποιήθηκε από τους De Jong et al. (2003) με σκοπό την εκτίμηση της ποσότητας της βιομάζας και της ακρίβειας εκτίμησης με χρήση μιας μεθόδου που συνδυάζει τα δεδομένα του DAIS7915 με μετρήσεις πεδίου της βιομάζας και γεωστατιστικές μεθόδους ανάλυσης. Στα πλαίσια της έρευνας συγκέντρωσαν δεδομένα πεδίου σχετικά με τη βιομάζα, τη χωρική εξάπλωση των ειδών της βλάστησης καθώς πραγματοποίησαν και συλλογή δεδομένων ανάκλασης για συγκεκριμένους στόχους, για την ερμηνεία των εικόνων DAIS και τη διόρθωση αυτών. Πραγματοποίησαν στατιστική ανάλυση στις φασματικές τιμές ανάκλασης του DAIS και της βιομάζας που μετρήθηκε στο πεδίο. Έτσι υπολόγισαν τους συντελεστές συσχέτισης του Pearson μεταξύ της βιομάζας και των τιμών φασματικής ανάκλασης και προσδιόρισαν τις σχέσεις, αρνητικές ή θετικές, που παρουσιάζουν. Στη συνέχεια υπολόγισαν έναν αριθμό φασματικών δεικτών βλάστησης από τα δεδομένα DAIS: NDVI, SAVI, Tasseled Cap Greeness, Locally Tuned Tasseled Cap Greeness και Red Edge Position. Τα αποτελέσματα έδειξαν ότι η διαφορά μεταξύ των συντελεστών συσχέτισης για τους παραπάνω δείκτες ήταν μικρή εκτός από τον Red Edge Position, ενώ η εκτίμηση της ακρίβειας έδειξε ότι η πρόβλεψη της βιομάζας γίνεται λιγότερο ακριβής όπου τα δεδομένα πεδίου είναι λίγα και όπου οι εκτιμήσεις της βιομάζας είναι μεγάλες. Μεγάλες εκτιμήσεις συμβαίνουν κυρίως σε πλαγιές με μεγάλη έκθεση στην ηλιακή ακτινοβολία. Το 2004 οι Kotz et al. χρησιμοποίησαν τους αεροφερόμενους αισθητήρες DAIS7915 και ROSIS για να εκτιμήσουν τη δομή της κομοστέγης στην Ανατολική κοιλάδα του Ofenpass στο Εθνικό πάρκο της Σουηδίας (SNP). Για το σκοπό αυτό [23]

48 χρησιμοποιήθηκαν δύο υβριδικά μοντέλα (GeoSAIL και FLIGHT). Τα αποτελέσματα βρέθηκε να έχουν μικρή απόκλιση από τα δεδομένα του πεδίου. Αναφέρεται από τους συγγραφείς ότι η κομοστέγη των κωνοφόρων δασών είναι πολύ ανομοιογενής και έτσι η μετάδοση της στιγμιαίας ακτινοβολίας μέσα στην κομοστέγη αντικατοπτρίζει τη δομή της. Η δομή της κομοστέγης είναι ένας έμμεσος τρόπος χαρτογράφησης της καύσιμης ύλης, καθώς από αυτήν εξαρτάται άμεσα η επικινδυνότητα έναρξης πυρκαγιάς καθώς και η εξάπλωσή της ΡΑΝΤΑΡ Τα δεδομένα ραντάρ έχουν χρησιμοποιηθεί συμπληρωματικά στη χαρτογράφηση της καύσιμης ύλης, γιατί είναι πολύ ευαίσθητα στις χρονικές και χωρικές μεταβολές της βιομάζας του φυλλώματος. Ο Chuvieco (2003) αναφέρει ότι έχουν χρησιμοποιηθεί δεδομένα από δορυφορικά ραντάρ, όπως ERS-1 (European Remote Sensing satellite -1), JERS-1 (Japanese Earth Resource Satellite -1) και RADARSAT για την πρόβλεψη και την καταγραφή κάποιων σημαντικών χαρακτηριστικών στην ταξινόμηση των καυσίμων: βιομάζα του φυλλώματος, όγκος δέντρου, ύψος δέντρου και κόμης. Αν και οι έρευνες που αναφέρει, παρουσιάζουν θετικά αποτελέσματα, ελάχιστες είναι αυτές που περιγράφουν τη χρήση των δορυφορικών δεδομένων ραντάρ συγκεκριμένα στη χαρτογράφηση των τύπων καυσίμων και του φορτίου καυσίμων. Οι Dennison et al (1999) χρησιμοποίησαν δεδομένα SAR για να καταγράψουν και να χαρτογραφήσουν τα καύσιμα σε οικοσυστήματα βλάστησης chaparral. Χρησιμοποίησαν διαύλους (P-band, L-band, C-band) που είναι ευαίσθητοι σε διακυμάνσεις της ηλικίας και της κάλυψης της βλάστησης, και αναλογίες αυτών. Τελικά βρήκαν ότι η αναλογία P-HV/C-HV έχει υψηλή οπτικά συσχέτιση με την ηλικία της βλάστησης, αλλά δεν μπορεί να χρησιμοποιηθεί εξαιτίας των σφαλμάτων των δεδομένων SAR πριν γίνει χαρτογράφηση της ηλικίας των δέντρων και της βιομάζας σε μεγάλη κλίμακα. Οι Saatchi et al (2007) ανέπτυξαν έναν ημι-εμπειρικό αλγόριθμο για τα δεδομένα SAR (Synthetic Aperture Radar) για να υπολογίσουν τόσο τη χωρική κατανομή της βιομάζας, όσο και τρεις κύριες ιδιότητες των φορτίων καυσίμου: βάρος καυσίμων του φυλλώματος, πυκνότητα της μάζας του φυλλώματος και περιεχόμενη υγρασία του φυλλώματος. Η μεθοδολογία τους δίνει ακρίβεια μεταξύ 70% και 85%. Οι περιορισμοί που παρουσιάζουν τα δορυφορικά δεδομένα ραντάρ (Microwave data) αποκλείουν τη χρήση τους για την ακριβή εκτίμηση του ύψους του φυλλώματος, επειδή η αβεβαιότητα στη εκτίμηση της ακρίβειας είναι μεγαλύτερη των 5 μέτρων (Hyyppä et al., 2000; Toutin and Amaral, 2000). Ακόμη μόνο μεγάλου μήκους συστήματα ραντάρ (L και P) μπορούν να διεισδύσουν στο δασικό φύλλωμα, ενώ ελάχιστα είναι τα συστήματα που χρησιμοποιούν το δίαυλο L (L-band). Ένας [24]

49 τελευταίος περιορισμός είναι το γεγονός ότι τα ραντάρ δεν παρουσιάζουν ευαισθησία στην καταγραφή υψηλών επιπέδων βιομάζας. Τα αερομεταφερόμενα ραντάρ έχουν δώσει ακριβείς εκτιμήσεις του ύψους του φυλλώματος μέχρι 1-1,5 μέτρα (Hyyppä et al, 2008) το οποίο δεν είναι ακόμα ικανοποιητικό για τον άμεσο προσδιορισμό κάποιων τύπων καυσίμου. Για παράδειγμα πολλά από τους τύπους καυσίμου του BEHAVE ορίζονται με βάση τη διαφορά ύψους των 0,6 μέτρων. Τέλος δεν έχει αναπτυχθεί τεχνική για τα δεδομένα ραντάρ που να παρέχει τρισδιάστατες πληροφορίες σχετικά με τη δομή της βλάστησης. Σε κάθε περίπτωση, τα δεδομένα ραντάρ μπορούν να χρησιμοποιηθούν συμπληρωματικά σε δεδομένα LIDAR, αφού η αγορά τους είναι οικονομικότερη και ταυτόχρονα καλύπτουν μεγαλύτερη περιοχή. [25]

50 ΚΕΦΑΛΑΙΟ 3 ΠΕΡΙΟΧΕΣ ΜΕΛΕΤΗΣ ΚΑΙ ΔΕΔΟΜΕΝΑ Στο κεφάλαιο αυτό θα δοθούν πληροφορίες για τις περιοχές μελέτης και πιο συγκεκριμένα για τη γεωλογία, το κλίμα και τη βλάστησή τους. Θα αναφερθούν επίσης τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν, θα δοθούν πληροφορίες σχετικά με το δορυφόρο SPOT5 καθώς και τα λογισμικά με τα οποία πραγματοποιήθηκε η ανάλυση και επεξεργασία αυτών. 3.1 Εισαγωγή Στα πλαίσια της εργασίας επιλέχθηκαν τρεις περιοχές μελέτης: α) ο νομός Χαλκιδικής, β) ο νομός Αττικής και γ) το Πανεπιστημιακό Δάσος του Ταξιάρχη. Οι περιοχές μελέτης παρουσιάζουν ιδιαίτερα χαρακτηριστικά, μεταξύ των οποίων διακρίνουμε τη σύνθεση και δομή της βλάστησης και εν γένει των οικοσυστημάτων και τοπίων, τη χωρική κατανομή των χρήσεων και κάλυψης γης, την τοπογραφία των περιοχών καθώς και τις ανθρώπινες δραστηριότητες και επιδράσεις στη γενική διαμόρφωση της σημερινής υφιστάμενης κατάστασης. Οι περιοχές που επιλέχθηκαν μπορεί να θεωρηθούν ότι αποτελούν χαρακτηριστικές και αντιπροσωπευτικές περιοχές της πλειονότητας των οικοσυστημάτων του μεσογειακού τοπίου. [26]

51 3.2 Νομός Χαλκιδικής Γενική περιγραφή του Ν. Χαλκιδικής Γεωγραφική και διοικητική θέση Ο νομός Χαλκιδικής, βρίσκεται στο βόρειο κεντρικό τμήμα της Ελλάδας, μεταξύ των γεωγραφικών πλατών και των γεωγραφικών μηκών Στο Σχήμα 2.1 παρουσιάζεται η γεωγραφική θέση της περιοχής μελέτης σε σχέση με τους υπολοίπους 51 νομούς που αποτελείται η Ελλάδα. Ο νομός Χαλκιδικής καλύπτει μια έκταση περίπου 2918 km 2, (μαζί με το Άγιο Όρος φτάνει τα 3254 km 2 ) και η ακτογραμμή του ξεπερνά τα 500 km. Δεν είναι πυκνοκατοικημένη περιοχή, ( κάτοικοι σύμφωνα με την απογραφή του 2001), αν και την καλοκαιρινή περίοδο ο συνολικός αριθμός των ατόμων αυξάνει σημαντικά και δέχεται υψηλή τουριστική πίεση. Το δυτικό τμήμα της Χαλκιδικής και ειδικότερα η χερσόνησος της Κασσάνδρας, αποτελεί την πιο δημοφιλή και πυκνοκατοικημένη περιοχή από τις τρεις χερσονήσους. Οι ανθρώπινες δραστηριότητες και επεμβάσεις στο φυσικό περιβάλλον είναι πιο εμφανείς από κάθε άλλη περιοχή του νομού. Θαμνότοποι και δάση που καλύπτονται κυρίως από πεύκα σε μικρή κλίμακα τα οποία εναλλάσσονται αρκετά συχνά με γεωργικές καλλιέργειες, σε μεγαλύτερο ποσοστό σιτηρά, και η έντονη τουριστική ανάπτυξη κατά μήκος των ακτών είναι η βασική εικόνα και εντύπωση που δίνει η χερσόνησος. Σε αντίθεση με την εικόνα της πρώτης χερσονήσου, η Σιθωνία η οποία είναι λιγότερο αναπτυγμένη τουριστικά, δίνει την εντύπωση ενός πιο φυσικού τοπίου. Σήμερα, μεγάλες περιοχές της καλύπτονται από πυκνά πευκοδάση κυρίως του είδους Pinus halepensis καθώς επίσης και από πυκνούς θαμνότοπους από την αρχή έως τη μέση της. Το σκηνικό αυτό αλλάζει εντελώς στο τέλος της χερσονήσου εξαιτίας μεγάλων πυρκαγιών που είχαν εκδηλωθεί στο παρελθόν, της βόσκησης και της γεωμορφολογίας της περιοχής. Συγκεκριμένα, το τέλος της χερσονήσου καλύπτεται από χαμηλή αραιή βλάστηση και φρύγανα. Τέλος, στο Άγιο Όρος, που αποτελεί ιερό τόπο του μοναχικού Ορθόδοξου Χριστιανισμού, το περιβάλλον και το τοπίο είναι εντελώς διαφορετικό. Τα υψόμετρα κυμαίνονται από το επίπεδο της θάλασσας έως τα 2033 μέτρα στο όρος Άθως το οποίο καλύπτεται από παρθένα δάση. Πολύ πυκνά δάση τα οποία αποτελούνται από καστανιές, δρυς, πεύκα και αείφυλλα πλατύφυλλα συνθέτουν την γενική εικόνα της χλωρίδας της χερσονήσου. [27]

52 Εικόνα 3-1 Περιοχές μελέτης: Ν. Χαλκιδικής και Ν. Αττικής Το υπόλοιπο τμήμα της Χαλκιδικής εκτός του δυτικού, το οποίο χαρακτηρίζεται κυρίως από αγροτικές καλλιέργειες σιτηρών, καλύπτεται από πυκνά δάση που αποτελούνται από καστανιές, δρυς, οξυές, χαλέπιο και μαύρη πεύκη καθώς και αείφυλλα πλατύφυλλα. Η περιοχή που καλύπτει τα δάση της ευρύτερης περιοχής του Πολυγύρου και της Αρναίας χαρακτηρίζεται από έντονο ανάγλυφο, ενώ από κλιματολογικής άποψης διαφέρει από το Νότιο τμήμα και ανήκει στις ζώνες του ασθενούς μέσομεσογειακού και υπό-μεσογειακού βιοκλίματος. Στον Πίνακας 3-1 παρουσιάζονται στατιστικά στοιχεία που αφορούν τη χαρτογράφηση δασών του Νομού Χαλκιδικής και πιο συγκεκριμένα δεδομένα της κατανομής των δασοπονικών ειδών όπως έχουν δημοσιευτεί από την Γενική Γραμματεία Δασών και Φυσικού Περιβάλλοντος του Υπουργείου Γεωργίας. Η Χαλκιδική αποτελεί μια ξεχωριστή περίπτωση μελέτης λόγω της υψηλής ποικιλομορφίας των οικοσυστημάτων και τοπίων της. Τα οικοσυστήματά της βρίσκονται χωρικά κατανεμημένα και είναι το αποτέλεσμα αλληλοεπιδράσεων μεταξύ περιβαλλοντικών παραγόντων και των επιδράσεων των ανθρώπινων δραστηριοτήτων και συνηθειών. Η υψηλή ποικιλομορφία όσον αφορά την τοπογραφία, τη γεωμορφολογία και τις μετεωρολογικές και κλιματικές συνθήκες και ακόμη η κοινωνικοοικονομική κατάσταση του νομού έχει σαν αποτέλεσμα την υψηλή ποικιλότητα στον αριθμό των διαφόρων οικοσυστημάτων. Έτσι τα αποτελέσματα της μελέτης, λόγω της αντιπροσωπευτικότητας της περιοχής, θα [28]

53 μπορούν εύκολα να προσαρμοσθούν στην πλειονότητα των Μεσογειακού τύπου περιοχών. Η συχνότητα εκδήλωσης πυρκαγιών στο νομό Χαλκιδικής είναι αρκετά έντονη και γι' αυτό τα αποτελέσματα της μελέτης μελλοντικά θα είναι αρκετά χρήσιμα και ο χάρτης καύσιμης ύλης θα συνεισφέρει στην προσπάθεια ανάπτυξης ενός ολοκληρωμένου διαχειριστικού σχεδίου πυροπροστασίας. Πίνακας 3-1 Στοιχεία χαρτογράφησης δασών της περιοχής μελέτης (Πηγή : Γενική Γραμματεία Δασών και Φυσικού Περιβάλλοντος, Στατιστική Υπηρεσία Ελλάδας) Δασοπονικό Είδος Κωδικός Αριθμός Έκταση σε στρέμματα Ποσοστό επί του νομού Χαλέπιος Πεύκη ,91 Μαύρη Πεύκη ,70 Οξυά ,38 Καστανιά ,59 Δρυς φυλλ ,58 Αεΐφυλλα Πλατύφυλλα ,21 Πλάτανος ,95 Πεύκη Μαύρη Δρύς Πεύκη Χαλέπιος Δρυς ,02 Οξυά Δρυς ,46 Οξυά Καστανιά ,32 Δρυς Καστανιά ,15 Πεύκη Χαλ. - Πεύκη Κουκουναριά ,13 Πεύκη Μαύρη - Πεύκη Χαλ ,16 Οξυά - Πεύκη Μαύρη ,03 Πεύκη Χαλέπιος Καστανιά ,07 Κουκουναριά - Πεύκη Χαλέπιος ,01 Πεύκη Χαλ. - Πεύκη Μαύρη ,12 Δρυς Οξυά ,41 Δρυς Πλάτανος ,00 Καστανιά Οξυά ,03 Καστανιά Δρυς ,51 Οξυά Πλάτανος ,01 Δρυς - Μαύρη Πεύκη ,00 Μαύρη Πεύκη Οξυά ,01 Δρυς - Χαλέπιος Πέυκη ,00 Φυλλοβόλοι Θάμνοι ,08 Οξυά - Φυλλ. Θάμνοι ,02 [29]

54 3.2.2 Κλίμα Στην άμεση περιοχή μελέτης λειτουργούν δύο Μετεωρολογικοί Σταθμοί (Μ.Σ.): α) της Αρναίας σε υπερθαλάσσιο υψόμετρο 565μ. από το 1978 (Εθνικό Ίδρυμα Αγροτικής Έρευνας, Ινστιτούτο Δασικών Ερευνών Θεσσαλονίκης) και β) του Πανεπιστημιακού Δάσους Ταξιάρχη σε υψόμετρο 860μ. από το 1974 (Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Σχολή Δασολογίας & Φυσικού Περιβάλλοντος). Ο Ν. Χαλκιδικής παρουσιάζει ποικιλομορφία στο βιοκλίμα το οποίο γενικά ανήκει στο Μεσογειακού τύπου κλίματος και καθορίζεται κυρίως από τις υψομετρικές ζώνες. Συγκρίνοντας τους χάρτες που παρουσιάζονται στις παρακάτω εικόνες προκύπτει μια ολοφάνερη συσχέτιση τόσο μεταξύ των υψομετρικών ζωνών και βιοκλιματικών ορόφων όσο και μεταξύ αυτών και των ζωνών βλάστησης. Η μέση μηνιαία θερμοκρασία του ψυχρότερου μήνα του νομού Χαλκιδικής κυμαίνεται πάντα πάνω από τους 0 C, ενώ η ελάχιστη θερμοκρασία του πιο θερμού μήνα κυμαίνεται πάντα πάνω από τους 10 C. Τέλος, λαμβάνοντας υπόψη τη μέση μηνιαία θερμοκρασία του θερμότερου μήνα η οποία κυμαίνεται γύρω στους 22 C, το κλίμα της περιοχής μελέτης ανήκει στο μεσογειακού τύπου με ήπιους χειμώνες Έντονος μέσο-μεσογειακός 75<Χ<100 Ασθενής μέσο-μεσογειακός 40<Χ<75 Υπό-μεσογειακός 0<Χ<40 Εικόνα 3-2 Χαρακτήρες μεσογειακού βιοκλίματος της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας). Μεσογειακή διάπλαση Αριάς (Quercion ilicis) Τύπος Βαλκανικός & Ανατολικής Μεσογείου Υπό-μεσογειακή διάπλαση (Ostryo Carpinion) Διαπλάσεις θερμόφιλων υπό-ηπειρωτικών φυλλοβόλων δρυών Ορομεσογειακή διάπλαση Οξυάς υβριδογενούς Ελάτης Εικόνα 3-3 Χάρτης βλάστησης της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας). [30]

55 Ήπιος Χειμώνας Ύφυγρος Ψυχρός Χειμώνας Ύφυγρος Δριμύς Χειμώνας Ύφυγρος φυλλοβόλων δρυών Εικόνα 3-4 Βιοκλιματικοί όροφοι της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας). και ξηρά και ζεστά καλοκαίρια. Η διεύθυνση των ανέμων που επικρατούν στην περιοχή είναι βόρειοι ή βορειοανατολικοί ενώ πιστεύεται ότι νότιοι άνεμοι ασκούν έντονη επίδραση ιδιαίτερα όσον αφορά την αύξηση του επιπέδου υγρασίας. Ο μεσογειακός τύπος κλίματος, στον οποίο ανήκει η περιοχή μελέτης, και ταυτόχρονα η μεγάλη ποικιλομορφία επαληθεύονται από την συχνότητα, κατανομή και ύψος των βροχοπτώσεων. Το μέσο ετήσιο ύψος βροχόπτωσης για την Αρναία, τον Πολύγυρο και τον Άγιο Μάμμα κυμαίνεται στα 724 χιλ., 586,7 χιλ. και 401,7 χιλ. αντίστοιχα. Τέλος, τα ομβροθερμικά διαγράμματα που προκύπτουν βάσει του αριθμού των βιολογικά ξηρών ημερών του έτους σε τρεις διαφορετικούς μετεωρολογικούς σταθμούς που είναι χωροθετημένοι σε διαφορετικές υψομετρικές και κλιματικές ζώνες παρουσιάζουν την ποικιλομορφία στην κατανομή των βιοκλιματικών ορόφων της περιοχής μελέτης. Σχήμα 3-1 Ομβροθερμικό διάγραμμα μετεωρολογικού σταθμού Αρναίας [31]

56 Σχήμα 3-2 Ομβροθερμικό διάγραμμα μετεωρολογικού σταθμού Πολυγύρου Σχήμα 3-3 Ομβροθερμικό διάγραμμα μετεωρολογικού σταθμού Αγίου Μάμμα Γεωμορφολογία Γεωλογία (Γεωλογικές, εδαφικές συνθήκες) Ο Ν. Χαλκιδικής μοιάζει με ένα κεκλιμένο επίπεδο, κινούμενο από τα δυτικά προς τα ανατολικά. Έτσι στην Κασσάνδρα βρίσκουμε τις περισσότερες από τις πεδιάδες, οι οποίες είναι και οι πιο γόνιμες περιοχές, στην κεντρική περιοχή υψώνονται οι ορεινοί όγκοι του Χολομώντα (1.165 μέτρα) και του Ιτάμου (στη Σιθωνία, 811 μέτρα) και στα ανατολικά το όρος Άθως (2.033 μέτρα). Από γεωλογική άποψη η περιοχή σύμφωνα με τα στοιχεία του Ι.Γ.Μ.Ε. ανήκει κατά το μεγαλύτερο μέρος στην Περιροδοπική ζώνη. το γεωλογικό υπόστρωμα δεν είναι ενιαίο αλλά ποικιλόμορφο. Έτσι αδρομερώς μπορούν να διακριθούν τα εξής πετρώματα (κυρίως μεταμορφωμένα): μάρμαρα, κρυσταλλικοί ασβεστόλιθοι, σχιστόλιθοι, γνεύσιοι, αμφιβολίτες, σχιστώδη, γρανίτες τύπου Αρναίας, χαλαζιτικοί ψαμμίτες κλπ. Η χωρική κατανομή των εδαφών της περιοχής μελέτης παρουσιάζεται στην Εικόνα 3-5 από την οποία φαίνεται ότι υπάρχει μια συσχέτιση [32]

57 μεταξύ των τύπων εδαφών και της κατανομής των κατηγοριών των χρήσεων και κάλυψης γης. Γενικά η ποιότητα τόπου φαίνεται ότι αποτελεί σημαντικό περιβαλλοντικό παράγοντα διαμόρφωσης της γενικής χλωρίδας Εδάφη από σχιστόλιθους: Όξινα με πηλώδη υφή (Acrisols / Luvisols) Εδάφη από τριτογενείς αποθέσεις: Όξινα ή αλκαλικά με αργιλοπηλώδη αργιλώδη υφή (Cambisols / Regosols Αλλουβιακά γεωργικά εδάφη Εδάφη από βασικά πυριγενή πετρώματα: Όξινα με αμμοπηλώδη υφή (Regosols) Εδάφη από βασικά πυριγενή πετρώματα: Όξινα με πηλώδη αργιλοπηλώδη υφή (Regosols /Luvisols Εδάφη από σκληρούς ασβεστόλιθους: Ουδέτερα έως όξινα με αργιλοπηλώδη υφή (Luvisols) Εικόνα 3-5 Εδαφολογικός χάρτης της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας) Δασική βλάστηση Η έντονη ποικιλομορφία και μεταβλητότητα στις μετεωρολογικές συνθήκες, στη γεωμορφολογία καθώς επίσης και στις ανθρώπινες δραστηριότητες έχει ως αποτέλεσμα την αύξηση της ποικιλότητας των δασικών και εν γένει των φυσικών οικοσυστημάτων καθώς και των χρήσεων γης. Εκτός από την υψηλή ποικιλότητα ειδών, η ετερογένεια των βιοτικών και αβιοτικών παραγόντων έχει ως αποτέλεσμα την αύξηση της ποικιλομορφίας του τοπίου. Στο Ν. Χαλκιδικής διακρίνουμε τρεις ζώνες βλάστησης: Quercetalia ilicis (Ευμεσογειακή ζώνη βλαστήσεως), Quercetalia pubescentis (Παραμεσογειακή ζώνη βλάστησης) και τη ζώνη Fagetalia (Ζώνη δασών οξιάς). Στον Πίνακας 3-1 παρουσιάζεται η σύνθεση της δασικής βλάστησης του νομού και στην Εικόνα 3-6 ο δασικός χάρτης, που δίνει κατά προσέγγιση μια γενική εικόνα της κατανομής των κατηγοριών χρήσεων και κάλυψης της γης. [33]

58 Εικόνα 3-6 Δασικός Χάρτης του Ν. Χαλκιδικής (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία Ελλάδας [34]

59 3.3 Νομός Αττικής Εισαγωγή Για τον έλεγχο μεταφοράς της μεθοδολογίας και του συστήματος ταξινόμησης της καύσιμης ύλης σε άλλη περιοχή, επιλέχθηκε ο νομός Αττικής εξαιτίας των στοιχείων που παρουσιάζει, όπως είναι η χωρική και χρονική μεταβλητότητα των χαρακτηριστικών του τοπίου (χρήσεις γης, τοπογραφία κ.ά.) και φυσικά, η διαθεσιμότητα δορυφορικών δεδομένων. Ο νομός έχει πληγεί αισθητά από τη συχνή και έντονη εκδήλωση δασικών πυρκαγιών και αποτελεί ιδιαίτερη περίπτωση σε θέματα δασικών πυρκαγιών, κυρίως λόγω των ιδιαίτερων κοινωνικοοικονομικών παραγόντων που τον χαρακτηρίζουν, με ιδιαίτερης σημασίας την οικιστική πίεση που δέχεται Γενική περιγραφή Ο Ν. Αττικής βρίσκεται στην Κεντρική Ελλάδα και εκτείνεται γύρω από το γεωγραφικό πλάτος 38 ο και το γεωγραφικό μήκος 23 ο 30. Διασπάται σε τέσσερις νομαρχίες: τη Ν. Αθηνών, τη Ν. Πειραιώς, τη Ν. Ανατολικής Αττικής και τη Ν. Δυτικής Αττικής. Στη Νομαρχία Αθηνών εντοπίζεται το αστικό κομμάτι της πρωτεύουσας, στη Νομαρχία Πειραιώς εντοπίζεται η ναυτιλιακή πόλη του Πειραιά, η Νομαρχία Ανατολικής Αττικής καταλαμβάνει το βορειοανατολικό και το νοτιοανατολικό χερσαίο άκρο του Νομού, όπισθεν των ορέων που τη χωρίζουν από το "κλεινόν άστυ" και στη Νομαρχία Δυτικής Αττικής εντοπίζεται το σύγχρονο δυτικό άκρο του νομού, από τα δυτικά όρη του άστεως και περίπου έως τον Ισθμό της Κορίνθου που τη χωρίζουν από την Πελοπόννησο. Ο Ν. Αττικής, ο οποίος έχει πληγεί αισθητά από τη συχνή και έντονη εκδήλωση δασικών πυρκαγιών, αποτελεί ιδιαίτερη περίπτωση σε θέματα δασικών πυρκαγιών, κυρίως λόγω των ιδιαίτερων κοινωνικοοικονομικών παραγόντων που τον χαρακτηρίζουν, με ιδιαίτερης σημασίας την οικιστική πίεση που δέχεται. Η έκταση που καταλαμβάνει είναι km 2 περίπου και σύμφωνα με την απογραφή του 2001 έχει κατοίκους. Οι χρήσεις γης αναφέρονται στον Πίνακας 3-2. Πίνακας 3-2 Χρήσεις γης Ν. Αττικής Δάση σε Ha Δασικές εκτάσεις σε Ha Σύνολο Δασών σε Ha Βοσκότοποι σε Ha Λοιπές Εκτάσεις * σε Ha Συνολικό εμβαδόν Νομού σε Ha Ποσοστό Δασοκάλυψης επί τοις (%) ,22% *Στις Λοιπές Εκτάσεις περιλαμβάνονται οι Γεωργικές Εκτάσεις, Λίμνες, Ποτάμια, Έλη, Κατοικημένες Περιοχές και Γυμνές εκτάσεις. [35]

60 Τα πιο εκτενή δάση που υπάρχουν στην Αττική είναι της Pinus halepensis. Ο υπόροφος αυτών των δασών αποτελείται, κυρίως από είδη Oleo Lentiscetum. Τα δάση της χαλεπίου πεύκης βρίσκονται κυρίως στα βόρεια και δυτικά μέρη του νομού. Υπάρχουν ακόμη και δάση του ενδημικού είδους Abies cephallonica, στα ψηλά βουνά. Ο υπόροφος από τα παραπάνω δάση ποικίλει: στα χαμηλότερα μέρη υπάρχει Querceterum illicis, ενώ στα ψηλότερα συναντάμε Crataegus monogyna, Juniperus oxycedrus, Berberis cretica και πολλά άλλα ενδημικά είδη. Τέλος υπάρχουν κατά τόπους δάση πλατύφυλλων δρυών (Quercus macrolepis και Quercus pubescens) αλλά είναι πολύ φτωχά Κλίμα Το κλίμα του Ν. Αττικής χαρακτηρίζεται ως τυπικό Μεσογειακό με ήπιο χειμώνα, σχετικά σύντομη άνοιξη και ξηρές περιόδους, κυρίως κατά τη διάρκεια των θερμών καλοκαιριών. Έχει το ξηρότερο κλίμα όχι μόνο της Ελλάδας αλλά και της Ευρώπης. Από βιοκλιματική άποψη, ανήκει στην ημίξηρη Μεσογειακή ζώνη (Εικόνα 3-7). Έντονος Θέρμο-μεσογειακός Χ>150 Ασθενής Θέρμο - μεσογειακός 125>Χ>150 Έντονος 75<Χ<100 μέσο-μεσογειακός Ασθενής 40<Χ<75) μέσο-μεσογειακός X= Αριθμός βιολογικά ξηρών ημερών κατά τη θερμή και ξηρά περίοδο Εικόνα 3-7 Χαρακτήρες μεσογειακού βιοκλίματος της περιοχής μελέτης (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία της Ελλάδας). Για την καλύτερη περιγραφή των κλιματικών συνθηκών παρουσιάζονται τα μετεωρολογικά στοιχεία τριών μετεωρολογικών σταθμών: α) Μ.Σ. Ελευσίνας (31Μ.), β) Μ.Σ. Τατοΐου (236μ.), γ) Μ.Σ. Ελληνικού (5μ.). Από τα στοιχεία των μετεωρολογικών σταθμών (Παράρτημα...) προκύπτει ότι οι πιο ζεστοί μήνες του νομού Αττικής είναι οι Ιούλιος και Αύγουστος, ενώ οι ψυχρότεροι είναι οι Ιανουάριος και Φεβρουάριος. Όσον αφορά τις βροχοπτώσεις, αυτές εντοπίζονται κυρίως τους μήνες Νοέμβρη - Δεκέμβρη, ενώ σχεδόν απουσιάζουν κατά τους μήνες Ιούλιο και Αύγουστο. [36]

61 Το μέσο ετήσιο ύψος βροχής κυμαίνεται μεταξύ 300 και 400 mm με μέσο όρο τα 390 mm, ενώ οι ημέρες βροχής κυμαίνονται μεταξύ 50 και 100 ετησίως. Οι βροχοπτώσεις εντοπίζονται κυρίως τους μήνες Νοέμβριο (63,9 mm) και Δεκέμβριο (60,7 mm) και σχεδόν εκλείπουν τους μήνες Ιούλιο (5,5 mm) και Αύγουστο (4,7 mm). Αναλυτικά τα ομβροθερμικά διαγράμματα παρουσιάζονται στο Παράρτημα 10.1 (Εικόνα 10-1, Εικόνα 10-2, Εικόνα 10-3). Από αυτά φαίνεται ότι η ξηρή περίοδος κρατάει περίπου 5 ½ μήνες: Απρίλιο μέχρι μέσα Σεπτεμβρίου Γεωμορφολογία Γεωγραφικά ο Νομός Αττικής χωρίζεται σε δύο μεγάλες περιφέρειες: α) την περιφέρεια πρωτεύουσας και β) το υπόλοιπο Αττικής. Η περιφέρεια πρωτεύουσας περιλαμβάνει το πολεοδομικό συγκρότημα της Αθήνας (μαζί με τον Πειραιά) και οριοθετείται από το Σαρωνικό κόλπο και τα βουνά της Πάρνηθας, του Υμηττού και της Πεντέλης, που ορίζουν το λεκανοπέδιο Αττικής. Για την καλύτερη περιγραφή του Ν. Αττικής θα γίνει μια σύντομη περιγραφή των τριών παραπάνω ορεινών όγκων Πάρνηθα Ο ορεινός όγκος της Πάρνηθας βρίσκεται στα βόρεια-βορειοδυτικά του λεκανοπεδίου της Αττικής (40 km από το κέντρο της Αθήνας), με υψόμετρο 1413 μέτρα. Η Πάρνηθα έχει ανακηρυχθεί περιοχή ιδιαίτερου φυσικού κάλλους και ένα σημαντικό της τμήμα απαρτίζει τον ομώνυμο Εθνικό Δρυμό (1961). Η Πάρνηθα έχει ενταχθεί στο δίκτυο NATURA 2000, αποτελεί σημαντική περιοχή για τα πουλιά (SPA) και έχει ανακηρυχθεί τοπίο ιδιαίτερου φυσικού κάλλους (25638/1269 απ. Υπ. Γεωργίας). Το κλίμα είναι τυπικό μεσογειακό με μέση ετήσια βροχόπτωση να ξεπερνά τα 650 mm και έχει σημαντικές διαφορές από το αντίστοιχο του λεκανοπεδίου. Οι θερμοκρασίες το καλοκαίρι είναι μέχρι και 6 βαθμούς χαμηλότερες, οι βροχοπτώσεις είναι σχεδόν διπλάσιες ( mm το χρόνο) έναντι 400 περίπου των χαμηλών υψομέτρων. Η ομίχλη, ο παγετός και οι χιονοπτώσεις είναι συχνότατα φαινόμενα στην Πάρνηθα. Τέλος η ξηρή περίοδος είναι εξίσου μεγάλη (6 μήνες) στα μεγάλα και τα χαμηλά υψόμετρα. Η χλωρίδα της Πάρνηθας είναι από τις πλουσιότερες της χώρας μας. Περιλαμβάνει πάνω από 1000 είδη φυτών όπως έδειξαν πρόσφατες έρευνες, μεταξύ των οποίων περιλαμβάνονται 80 ελληνικά ενδημικά είδη, από τα οποία 30 θεωρούνται σπάνια και απειλούμενα με εξαφάνιση. Τα δάση αποτελούνται κυρίως από Abies cephalonica, σε φτωχά και ξηρά εδάφη, μερικά δάση κωνοφόρων (κυρίως Pinus halepensis), σκληρόφυλλους θάμνους και χορτολίβαδα. Συγκεκριμένα διακρίνονται οι εξής ζώνες βλάστησης: 1. φρύγανα. 2. [37]

62 αείφυλλα πλατύφυλλα, 3. χαλέπιος πεύκη, βλάστηση 6. χασμόφυτα. 4. δάση ελάτης, 5. παραρεμάτια Η καταστροφική πυρκαγιά στις 28 Ιουλίου 2007 είχε ως αποτέλεσμα να καταστραφούν στρέμματα περίπου στον Εθνικό Δρυμό της Πάρνηθας και πολλά προστατευόμενα είδη ζώων που ζούσαν στον Δρυμό είδαν ή θα δουν τους πληθυσμούς τους να μειώνονται, αφού πολλά κάηκαν ή πέθαναν από ασφυξία, ενώ οι εναπομείναντες πληθυσμοί θα αντιμετωπίσουν έντονα προβλήματα τροφής και κατοικίας Υμηττός Ο Υμηττός είναι ένας μακρύς αλλά στενός ορεινός όγκος (συνολικό μήκος 20 km περίπου) με την ψηλότερη κορυφή του να φτάνει τα 1026 μέτρα και βρίσκεται στην ανατολική πλευρά του λεκανοπεδίου της Αθήνας. Ένα έντονο αλλά μικρό φαράγγι χωρίζει τον Υμηττό σε δύο τμήματα: το βόρειο μέρος και το νότιο. Το κλίμα της περιοχής είναι μεσογειακό με κύριο χαρακτηριστικό το ξηρό και θερμό καλοκαίρι και τον ήπιο και βροχερό χειμώνα. Η ετήσια βροχόπτωση κυμαίνεται από mm, η ετήσια μέση θερμοκρασία του αέρα κυμαίνεται από 16,5 o C - 19 o C με ψυχρότερο μήνα τον Ιανουάριο και θερμότερους τους μήνες Ιούλιο και Αύγουστο. Η μέση ετήσια βροχόπτωση είναι 400 mm περίπου και κατανέμεται στη βροχερή περίοδο Οκτωβρίου - Απριλίου και την σχεδόν ξηρή των υπολοίπων μηνών. Η μέση σχετική υγρασία είναι 65% περίπου, οι χαλαζοπτώσεις είναι σπάνιες και οι μέρες χιονιού ελάχιστες. Ο Υμηττός διακρίνεται για τη μεγάλη ποικιλία χλωρίδας και πανίδας που τον καθιστούν ένα σημαντικό βιότοπο της Αττικής και παρουσιάζει υψηλή βιοποικιλότητα. Η χλωρίδα του όρους περιλαμβάνει περίπου 650 ταξινομικές μονάδες Πτεριδοφύτων και Σπερματοφύτων, εκ των οποίων οι 54 είναι ενδημικές της Ελλάδας ενώ οι 59 προστατεύονται από την ελληνική νομοθεσία και διεθνείς συμβάσεις ή περιλαμβάνονται σε καταλόγους απειλούμενων ειδών. Ο Υμηττός έχει ενταχθεί στο δίκτυο NATURA Μερικά από τα είδη που υπάρχουν είναι: Pinus brutia, Pinus halepensis, Pinus pinea, Cupressus sempervirens, Cercis siliquastrum, Quercus pubescens, Quercus ilex κ.α Πεντέλη Στα βορειοανατολικά του λεκανοπεδίου των Αθηνών βρίσκεται ο ορεινός όγκος της Πεντέλης, με την υψηλότερη κορυφή του να φτάνει τα μέτρα. Το κλίμα της Πεντέλης, είναι ιδιαίτερα ξηρό. Το μέσο ετήσιο ύψος βροχής, στην περιοχή του Πεντελικού όρους ανέρχεται στα 500 mm, ενώ οι χιονοπτώσεις είναι μέσες υψηλές με 10 ημέρες χιονιού ανά έτος, οι οποίες εμφανίζονται κυρίως στα υψηλά σημεία του ορεινού όγκου και διαρκούν για μεγάλο χρονικό διάστημα, κατά [38]

63 τη χειμερινή περίοδο. Οι βιοκλιματικοί όροφοι οι οποίοι συνάγονται από την ορόφωση της φυσικής βλάστησης και την κατακόρυφη κλιματική διαδοχή και αφορούν στη νοτιοδυτική πλευρά του ορεινού όγκου της Πεντέλης, είναι: α) το ασθενές Θέρμο-μεσογειακό βιοκλίμα, που επικρατεί μέχρι του υψομέτρου m, με αριθμό βιολογικά ξηρών ημερών, κατά τη θερινή περίοδο, που κυμαίνεται μεταξύ 100<x<125, β) το έντονο μεσογειακό βιοκλίμα, που επικρατεί επάνω από το υψόμετρο των m, μέχρι την κορυφογραμμή, με αριθμό βιολογικά ξηρών ημερών, κατά τη θερινή περίοδο, που κυμαίνεται μεταξύ 75<x<100. Η βορειοανατολική πλευρά του Πεντελικού όρους, παρουσιάζεται περισσότερο δροσερή και υγρή, λόγω της επίδρασης της θάλασσας, σε σχέση με την νοτιοδυτική πλευρά, η οποία εμφανίζεται ξηρότερη. Η σημερινή κατάσταση της βλάστησης της περιοχής μελέτης, λόγω των έντονων ανθρωπογενών επεμβάσεων (υλοτομίες, βοσκή και πυρκαγιές) αποτελείται από τέσσερις δευτερογενείς διαπλάσεις: α. Χαλεπίου πεύκης, β. Ερεικώνων (είδη κουμαριάς και ερείκης), γ. Φρύγανων και δ. Πρινώνων. Έχουν καταγραφεί περισσότερα από 165 είδη φυτών, που παρουσιάζουν την παρακάτω διαδοχή ορόφων βλάστησης (Απατσίδης κ.α, 1983). Πιο συγκεκριμένα στις νοτιοδυτικές κλιτείς έχει παρατηρηθεί μια επέκταση των θερμομεσογειακών διαπλάσεων σε μεγαλύτερα υψόμετρα. Έχει καταγραφεί η παρουσία του θερμομεσογειακού ορόφου Oleo-Lentiscetum μέχρι τα μέτρα. Στα μεγαλύτερα υψόμετρα των νοτιοδυτικών κλιτών επικρατεί η ξηρόβια διάπλαση του πουρναριού (φυτοκοινότητα Querco-Phillyretum) με χαρακτηριστικά είδη το πουρνάρι (Quercus coccifera) και το φιλλύκι (Phillyrea media). Με τη δραστική επέμβαση του ανθρώπου υποβαθμίστηκε η υπάρχουσα βλάστηση της περιοχής ενώ παράλληλα δημιουργήθηκαν ευνοϊκές συνθήκες για την εγκατάσταση και κυριαρχία της Χαλεπίου πεύκης. Επίσης οι περιοχές που έχουν υποστεί συνεχή υποβάθμιση, εμφανίζουν δευτερογενείς διαπλάσεις των φρύγανων (Theodoropoulos & Georgiadis 1984, Κόντου 1996,) με κυρίαρχα είδη: Phlomis fruticosa, Poterium sp., Genista acanthoclada, Cistus villosus, Cistus salvifolius, Erica manipuliflora κ.α. Στις περιοχές που υπήρχαν δρυοδάση, μετά την υποβάθμιση κυριαρχούν δευτερογενείς διαπλάσεις με είδη ερείκης και κουμαριάς. [39]

64 Εικόνα 3-8 Δασικός Χάρτης του Ν. Αττικής (Υπουργείο Γεωργίας, Δασική Υπηρεσία, Πηγή: Εθνική Στατιστική Υπηρεσία Ελλάδας 3.4 Πανεπιστημιακό Δάσος Ταξιάρχη Γεωγραφική θέση Το Πανεπιστημιακό Δάσος Ταξιάρχη-Βραστάμων βρίσκεται στις Νότιες και Νοτιοδυτικές πλαγιές του όρους Χολομώντα μεταξύ των παραλλήλων σε [40]

65 γεωγραφικό πλάτος 40 23" " και γεωγραφικό μήκος 23 28" " και σε υπερθαλάσσιο ύψος από μέτρα. Διοικητικά ανήκει στην περιφέρεια του Δήμου Πολυγύρου του Νομού Χαλκιδικής (Δημοτικά Διαμερίσματα Ταξιάρχη και Βραστάμων). Δασικά αποτελεί αυτοτελή δασική διοικητική μονάδα μετά την παραχώρηση του στο Πανεπιστήμιο Θεσσαλονίκης. Δικαστικά ανήκει στην περιφέρεια του Ειρηνοδικείου και Πταισματοδικείου Πολυγύρου καθώς και στο Εφετείο Θεσσαλονίκης. Οικονομικά στη Δημόσια Οικονομική Εφορία Πολυγύρου και στη Γ Δημόσια Οικονομική Εφορία Θεσσαλονίκης Όρια του δάσους της περιοχής μελέτης Τα όρια της περιοχής μελέτης έχουν ως εξής: Ανατολικά με το Δημόσιο Δάσος Αρναίας, το Ιδιωτικό Δάσος Πραβίτας και το Δημόσιο Δάσος Βραστάμων. Νότια με το Δημόσιο Δάσος Βραστάμων Δυτικά με το Δημόσιο Δάσος Πολυγύρου και Παλαιοκάστρου Βόρεια με το Δημόσιο Δάσος Παλαιοχώρας και Αρναίας Τα όρια του Δάσους φαίνονται στο δασοπονικό χάρτη και περιγράφονται με λεπτομέρεια στο πρωτόκολλο αποτερματισμού. Γενικά ακολουθούν τις φυσικές γραμμές του εδάφους (ρέματα και κορυφογραμμές) και μέρος του δρόμου Θεσσαλονίκης Αρναίας Κλιματικές συνθήκες Το κλίμα της περιοχής χαρακτηρίζεται ως χερσαίο μεσογειακό με μικρής διάρκειας θερμά και ξηρά καλοκαίρια και ήπιους χειμώνες. Κύριο γνώρισμα του κλίματος είναι οι μεγάλες διακυμάνσεις της βροχόπτωσης, με μέγιστο τους μήνες Νοέμβριο- Δεκέμβριο και ένα δεύτερο τους μήνες Μάιο Ιούνιο. Η μέση θερμοκρασία αέρος είναι 10,9 C, η μέση μέγιστη θερμοκρασία αέρος είναι 14,8 C. η μέση ελάχιστη θερμοκρασία αέρος είναι 6,6 C. ενώ ψυχρότεροι μήνες είναι οι Ιανουάριος και Φεβρουάριος με μέση θερμοκρασία 1,7 2,2 C και θερμότεροι μήνες οι Ιούλιος-Αύγουστος με μέση θερμοκρασία ,9 C. Η μέγιστη θερμοκρασία αέρος που παρατηρήθηκε μέχρι σήμερα ανέρχεται σε 39.2 C και παρατηρήθηκε τον Ιούλιο του 1982 και η ελάχιστη σε 14,8 C και παρατηρήθηκε τον Ιανουάριο του Η μέση ετήσια σχετική υγρασία ανέρχεται σε 70.5%, το δε συνολικό μέσο ετήσιο ύψος κατακρημνισμάτων είναι 746,4mm. Τα υψηλότερα κατακρημνίσματα παρατηρήθηκαν το έτος 1987 και ανέρχονταν σε 1067,8mm τα δε χαμηλότερα κατακρημνίσματα το έτος 1977 που ανέρχονταν σε 477.9mm. Οι συχνότεροι άνεμοι είναι οι Βόρειοι και Βορειοανατολικοί. [41]

66 Οι μέσοι όροι των μετεωρολογικών παρατηρήσεων του Μ.Σ. Ταξιάρχη φαίνονται στον Πίνακας Γεωλογικές, πετρογραφικές και εδαφικές Από γεωλογική άποψη η περιοχή, σύμφωνα με τα στοιχεία του Ι.Γ.Μ.Ε, ανήκει κατά το μεγαλύτερο μέρος στην Περιροδοπική ζώνη και μάλιστα στην ενότητα Μελισσοχωρίου-Χολόμωντα. Στο ΒΑ άκρο εμφανίζεται ένα τμήμα της Σερβομακεδονικής μάζας και συγκεκριμένα της σειράς του Βερτίσκου. Έτσι συναντώνται πετρώματα όπως χαλαζίτες και χαλαζιτικοί ψαμμίτες, φυλλίτες. ανακρυσταλλωμένοι ασβεστόλιθοι, μάρμαρα, ασβεστολιθικοί σχιστόλιθοι, διαμαρμαρυγιακοί γνεύσιοι, γρανίτες, γνεύσιοι και διάφορα ιζηματογενή πετρώματα σε μικρότερη έκταση. Το έδαφος προέρχεται από την αποσάθρωση των παραπάνω πετρωμάτων και ανήκει στην κατηγορία των όξινων ορφνών δασικών εδαφών. Ως προς το βάθος του, ταξινομείται σε τρεις κατηγορίες: Αβαθές έδαφος (0, μ.). Το βρίσκουμε στο Βορειοανατολικό μέρος του δάσους επί του Γνευσίου καθώς και στις ράχες. Έδαφος μετρίου βάθους (0,30-0,60 μ.). Το βρίσκουμε στα κοιλώματα και στις πλαγιές με μετρία κλίση. Βαθύ έδαφος (0,60-1,20 μ.). Το βρίσκουμε στην περιοχή της Κερασιάς (Τμήματα 1,2,3), στο Λειβάδι (Τμήματα 10, 11 ) και στα κοιλώματα. Ο ξηροτάπητας όπου υπάρχει αποσυντίθεται κάθε χρόνο σε χούμο του οποίου το βάθος δεν υπερβαίνει τα 5 cm. Γενικά το έδαφος θεωρείται κατάλληλο για την ευδοκίμηση και αύξηση των δύο κυριοτέρων δασοπονικών ειδών (Οξιά και Δρυς) του δάσους Δασική βλάστηση Η βλάστηση της περιοχής κυριαρχείται από φυλλοβόλα δάση και διαρθρώνεται σε ζώνες ανάλογα με τη χλωριδική σύνθεση, το υπερθαλάσσιο ύψος, τις πετρολογικές και εδαφικές συνθήκες, την έκθεση και κλίση της περιοχής, τη θερμοκρασία αέρος και τη βροχόπτωση. Το μεγαλύτερο μέρος καταλαμβάνει ο αυξητικός χώρος της ένωσης Quercetum confertae (=frainetto) από υπερθαλάσσιο ύψος μ., στα δε ρέματα κυριαρχεί η ένωση της Orno-Quercetum ilicis. Αυτοφυή (κύρια) δασικά είδη που συναντάμε στο δάσος είναι: Quercus conferta (Πλατύφυλλος-Γρανίκα), Quercus dalechampii (Τσιρνούχι), Quercus pubescens (Χνοώδης-Μεράδι) και Fagus moesiaca (Οξιά η μοϊσιακή - Κυρίαρχο είδος) [42]

67 Τεχνητά (κύρια) είδη που εγκαταστάθηκαν ύστερα από αναδασώσεις είναι τα παρακάτω: Pinus nigra (Μαύρη Πεύκη), Pinus maritima (Παραθαλάσσια Πεύκη), Pinus brutia (Τραχεία Πεύκη), Pinus halepensis (Χαλέπιος Πεύκη) Ζώνες βλάστησης όρους Χολομώντας Σε κατακόρυφη διάταξη στον Χολομώντα απαντώνται οι παρακάτω τρεις ζώνες βλάστησης (Ντάφης 1973, Μαυρομμάτης 1980, Αθανασιάδης 1986, Θεοδωρόπουλος 1991): Ευμεσογειακή ζώνη βλάστησης (Quercetalia ilicis) Αντιπροσωπεύεται από την υποζώνη Quercion ilicis και τον αυξητικό χώρο Orno - Quercetum ilicis στην Ν και ΝΑ πλευρά, όπου εμφανίζεται σε μορφή ασυνεχών κηλίδων εντός του αυξητικού χώρου Coccifero-Carpinetum. Ο αυξητικός αυτός χώρος απαντάται κυρίως στις χαμηλές και υγρές θέσεις του Άρκουδόλακκα" και στα συμβάλλοντα ρέματα. Στη θέση "Ίταμος" του Αρκουδόλακκα απαντώνται λίγα γηραιά και αιωνόβια δένδρα του Taxus baccata, τα οποία φύονται σε σκιερές και υγρές θέσεις. Τα επικρατέστερα ξυλώδη είδη είναι τα Quercus ilex, Fraxinus ornus, Arbutus unedo, Erica arborea, Phillyrea latifolia, Lonicera etrusca, Pistacia terebinthus κ. α. με τα οποία προσμιγνύονται κατά θέσεις και τα ξυλώδη είδη Quercus coccifera, Quercus pubescens, Carpinus orientalis. Στην ανατολική πλευρά της περιοχής μελέτης (συνιδιόκτητο Δάσος Πραβίτας) συναντώνται και οι αυξητικοί χώροι Ericetum arboreae με κύριο είδος την Erica arborea και Andrachno-Quercetum με κύρια είδη την κουμαριά Arbutus unedo και την γλιστροκουμαριά Arbutus andrachne Παραμεσογειακή ζώνη βλάστησης (Quercetalia pubescentis) Η ζώνη αυτή καταλαμβάνει τη μεγαλύτερη έκταση του ορεινού όγκου Χολομώντα από υψόμετρα 320 μ. έως 1000 μ. και διακρίνεται σε δύο υποζώνες την Ostryo - Carpinion orientalis και την Quercion frainetto (Quercion confertae). Η υποζώνη Ostryo - Carpinion αντιπροσωπεύεται από τους αυξητικούς χώρους Coccifero - Carpinetum και Cocciferetum. Ο αυξητικός χώρος Coccifero - Carpinetum, που λείπει από την ανατολική πλευρά του Χολομώντα, εμφανίζεται σε υψόμετρα από μ. έως μ. παρουσιάζοντας ασαφή προς τα επάνω όρια, που ποικίλλουν ανάλογα με τις τοπικές συνθήκες. Στο Δασικό σύμπλεγμα Χολομώντα το Coccifero-Carpinetum δεν είναι τυπικό, αλλά σχηματίζει νησίδες στις παρυφές εξάπλωσης του Cocciferetum. Η φυσική βλάστηση διασπάται από θαμνότοπους, λιβάδια, αναδασώσεις, καλλιέργειες, δρόμους και αντιπυρικές λωρίδες. Στον αυξητικό αυτό χώρο υπάρχουν διάσπαρτα άτομα από χνοώδη δρυ (Quercus pubescens), που δείχνουν ότι στο παρελθόν η περιοχή καλυπτόταν από δρυοδάση, αλλά οι εκχερσώσεις, οι [43]

68 παράνομες υλοτομίες, οι πυρκαγιές και η υπερβόσκηση συνετέλεσαν στην υποβάθμιση της περιοχής και την επικράτηση των πρινώνων. Ο αυξητικός χώρος συντίθεται κυρίως από Quercus coccifera. Τα κυριότερα ξυλώδη είδη του αυξητικού αυτού χώρου είναι τα Juniperus oxycedrus, Phillyrea latifolia, Quercus pubescens, Carpinus orientalis, Fraxinus ornus, Pistacia terebinthus, Crataegus monogyna, Cornus mas, Acer monspessulanum, Acer campestre, Lonicera caprifolium, Clematis vitalba, Cistus incanus, Asparagus acutifolius, Coronilla emerus. Στον αυξητικό χώρο Cocciferetum κυριαρχεί η Quercus coccifera που συνοδεύεται από Juniperus oxycedrus, Phillyrea latifolia, Arbutus unedo, Arbutus andrachne, Quercus pubescens και Erica manipuliflora. Η υποζώνη Quercion frainetto αντιπροσωπεύεται από τους αυξητικούς χώρους Quercetum frainetto, Quercetum montanum και Tilio-Castanetum. Τη μεγαλύτερη έκταση της υποζώνης αυτής καταλαμβάνει ο αυξητικός χώρος Quercetum frainetto, που καλύπτει εκτάσεις περικλεισμένες σε υψόμετρα από 400μ. έως 1000μ. και κυριαρχείται από την Quercus frainetto. Άλλα είδη που καλύπτουν αυτόν τον αυξητικό χώρο είναι: Acer campestre, Carpinus orientalis, Cornus mas, Crataegus monogyna, Fraxinus ornus, Hedera helix, Juniperus oxycedrus, Lonicera etrusca, Prunus spinosa, Quercus coccifera, Rubus canescens, Rosa arvensis, Sorbus domestica, Sorbus torminalis, Ostrya carpinifolia. Από τα ποώδη είδη θα μπορούσαν να αναφερθούν τα είδη: Doronicum orientale, Helleborus cyclophyllus, Lathyrus niger, Lathyrus laxiflorus, Leontodon cichoraceus, Lychnis coronaria, Potentilla micrantha, Trifolium alpestre, Trifolium pignantii. Τα ψηλότερα σημεία της υποζώνης αυτής καλύπτει ο αυξητικός χώρος Quercetum montanum, με κύριο είδος την Quercus petraea spp. medwediewii (Quercus dalechampii). Άλλα κύρια είδη του αυξητικού αυτού χώρου είναι: Crataegus monogyna, Fagus sylvatica s.l, Juniperus oxycedrus, Quercus frainetto, Prunus spinosa, Rosa arvensis, Rubus canescens. Ο αυξητικός χώρος Tilio-Castanetum καταλαμβάνει κηλίδες στις βορειότερες και υγρότερες θέσεις στο δασικό σύμπλεγμα Γεροπλατάνου, Ριζών, Παλιοχωρίου, σε υψόμετρα έως 950μ Ζώνη δασών οξυάς (Fagetalia) Η εξάπλωση της ζώνης αυτής καλύπτει τις υψηλότερες θέσεις από 600μ. έως και τα 1165μ. που είναι η ψηλότερη κορυφή του όρους Χολομώντας, και σχηματίζει την υποζώνη Fagion moesiacae (Fagion hellenicum), η οποία αντιπροσωπεύεται κύρια από τον αυξητικό χώρο Fagetum moesiacae (hellenicum). Στην ανατολική πλευρά του όρους Χολομώντα ο αυξητικός χώρος του Fagetum moesiacae εμφανίζεται με δύο δευτερεύοντες αυξητικούς χώρους το Fagetum submontanum σε υψόμετρα μ. και το Fagetum montanum σε υψηλότερα υψόμετρα και στην δυτική πλευρά του όρους. Στον τελευταίο απαντώνται κυρίως [44]

69 αμιγείς συστάδες οξιάς. Αξιοσημείωτο είναι ότι στους αυξητικούς χώρους της οξιάς, κυρίως στον επαρχιακό δρόμο Ταξιάρχης - Αρναία, υπάρχουν μεγάλες εκτάσεις από παραγωγικά δάση μαύρης πεύκης (Pinus nigra) που προήλθαν από αναδασώσεις. Εκτός από τις προαναφερθείσες φυτοκοινωνικές μονάδες, εμφανίζεται στην περιοχή και η αζωνική βλάστηση με Platanus orientalis, που αποτελείται από πλατανώνες και υδρόφιλη βλάστηση κατά μήκος ορισμένων κοιτών και ρεμάτων. 3.5 Δορυφορικά δεδομένα Για την πραγματοποίηση της παρούσας εργασίας χρησιμοποιήθηκαν τα δορυφορικά δεδομένα του SPOT 5. Στο τμήμα αυτό θα αναφερθούν ορισμένα χαρακτηριστικά των δορυφόρων SPOT, και κυρίως του SPOT 5, ώστε να για να γίνει μια εκτίμηση των χαρακτηριστικών που έχουν τα ψηφιακά δορυφορικά δεδομένα καθώς και της φασματικής και χωρικής τους ευκρίνειας Δορυφόρος SPOT 5 Οι δορυφόροι SPOT (Systeme Probatoire d'observation de la Terre) (Εικόνα 3-9) σχεδιάστηκαν από τη Γαλλική Κυβέρνηση με τη συμμετοχή της Σουηδίας και του Βελγίου και υπό την επίβλεψη του Κέντρου Διαστημικών Ερευνών της Γαλλίας (CNES, Center National d'etudes Spatiale). Ένα από τα χαρακτηριστικά των δορυφόρων SPOT είναι ότι επιτρέπουν τη στερεοσκοπική παρατήρηση της κοινής περιοχής που καταγράφουν, εξαιτίας των δυο οργάνων καταγραφής που φέρουν (Εικόνα 3-10). Εικόνα 3-9 Δορυφόροι SPOT1, SPOT2, SPOT4 και SPOT5 Οι τρεις πρώτοι δορυφόροι (SPOT 1,2 και 3) είναι πανομοιότυποι και ο καταγραφέας αυτών αποτελείται από δυο σαρωτές HRV1 και HRV2 (HRV: Haute Resolution Visible), τα οποία λειτουργούν ανεξάρτητα στο ορατό και στο κοντινό υπέρυθρο τμήμα του ηλεκτρομαγνητικού φάσματος. Ο SPOT4 τέθηκε σε τροχιά το 1998 και ακόμα βρίσκεται σε επιχειρησιακή ετοιμότητα. Ο δορυφόρος αυτός είναι [45]

70 μια βελτιωμένη έκδοση των προηγούμενων δορυφόρων. Έχει δυο δέκτες HRV-IR, που αποτελεί μια βελτιωμένη έκδοση του HRV, και καταγράφει την πράσινη, κόκκινη, κοντινή υπέρυθρη και μέση υπέρυθρη ακτινοβολία και έχει χωρική διακριτική ικανότητα 20 m. Ακόμη έχει ένα μονοχρωματικό δίαυλο (0,61-0,68 μm), με διακριτική ικανότητα 10m, ο οποίος αντικατέστησε τον παγχρωματικό. Τέλος περιέχει ένα νέο, σε σχέση με τους προηγούμενους δορυφόρους, χαμηλής χωρικής ευκρίνειας καταγραφέα, που ονομάζεται VEGETATION με τέσσερις ανιχνευτές, που καταγράφουν την μπλε, την κόκκινη, την κοντινή υπέρυθρη και τη μέση υπέρυθρη ακτινοβολία. (α) Εικόνα 3-10 Χαρακτηριστικά των δορυφόρων SPOT: α) πλάγια δυνατότητα επανασάρωσης, β) ζώνη κάλυψης των δυο σαρωτών HRG του δορυφόρου SPOT5 Ο SPOT5 (βάρους 3000kg και διαστάσεων 3,1x3,1x5,7m) τέθηκε σε τροχιά το 2002, διαγράφει κυκλική, πολική, ηλιοσύγχρονη τροχιά, σε ύψος 822Km, με γωνία κλίσης 98,7 (στον Ισημερινό) και σαρώνει ολόκληρη τη γη σε 26 ημέρες. Περιέχει δυο νέα όργανα καταγραφής, HRG (High Resolution Geometric), που προέκυψαν από τα όργανα HRV-IR του SPOT4. Καθένας απ' τους δυο καταγραφείς σαρώνει τη γη σε ζώνη πλάτους 60Km. Επομένως μια πλήρης εικόνα SPOT καλύπτει έκταση 60x60km, όταν η οπτική γωνία του δορυφόρου πλησιάζει το μηδέν (ναδίρ). Αντίθετα, σε εικόνες που καταγράφονται με μεγαλύτερη οπτική γωνία ( μέχρι ± 27 ) οι επιφάνειες που καλύπτονται έχουν έκταση περίπου 60 Χ 80 Km. Η κάθε ζώνη σάρωσης έχει με την επόμενη επικάλυψη 3 Km. Έτσι η συνολική ζώνη σάρωσης απ' τους δυο σαρωτές είναι 117 Km. Οι δυο σαρωτές, είναι τύπου σαρώθρου, δηλαδή καταγράφουν στιγμιαία ολόκληρη τη γραμμή σάρωσης και λειτουργούν είτε σε πολυφασματική είτε σε πανχρωματική διάταξη. Ο δέκτης HRG καταγράφει την (β) [46]

71 ακτινοβολία σε 5 φασματικούς διαύλους: α) πράσινο, β) κόκκινο, γ) κοντινό υπέρυθρο, δ) μέσο υπέρυθρο και ε) παγχρωματικό. Στον Πίνακας 3-3 αναφέρονται αναλυτικά οι φασματικές περιοχές που καταγράφει ο SPOT5 και το μέγεθος των εικονοστοιχείων για κάθε φασματικό δίαυλο. Ακόμη ο SPOT5 περιέχει έναν καινούργιο δέκτη, τον HRS (High Resolution Stereo), που δίνει τη δυνατότητα στερεοσκοπικής κάλυψης του εδάφους για τη βελτιστοποίηση στη δημιουργία ψηφιακού μοντέλου ύψους (Digital Elevation Model). Τέλος, όπως και στον SPOT4 υπάρχει σε βελτιωμένη έκδοση ο χαμηλής διακριτικής ικανότητας (περίπου 1x1Km) ανιχνευτής VEGETATION2. Πίνακας 3-3 Τεχνικά χαρακτηριστικά του οργάνου καταγραφής HRG του SPOT 5 Βάρος Μέγιστη ισχύς Τεχνικά χαρακτηριστικά HRG 356 kg 344 W Διαστάσεις 2,65 x 1,42 x 0,96m Οπτική γωνία καταγραφής ± 27 o Εστιακή απόσταση 1.082m Οπτικό πεδίο Φασματική περιοχή Μέγεθος εικονοστοιχείου ± 2 o Παγχρωματικό κανάλι Β1 Β2 Β3 SWIR 0,49-0,69μm B1 0,50-0,59 μm B2 0,61-0,68 μm B3 0,79-0,89 μm 1,58-1,78 μm 5x5 m σε 1 εικόνα 10x10 m 20x20 m 2,5x2,5 m όταν συνδυάζονται 2 εικόνες Ζώνη σάρωσης 60x60 km 60x60 km 60x60 km Η έξοδος του συστήματος καταγραφής είναι 8-bits ανά ψηφίδα ή 256 επίπεδα του γκρι. Τα δεδομένα SPOT (σε κωδικοποιημένη ψηφιακή μορφή) λαμβάνονται απ' τους τηλεμετρικούς επίγειους σταθμούς λήψης δεδομένων. Στην Ευρώπη υπάρχουν δυο τέτοιοι σταθμοί: στην Kiruna της Σουηδίας και την Toulouse της Γαλλίας. Τα δεδομένα υφίστανται μια προεπεξεργασία πριν δοθούν στους χρήστες. Η προεπεξεργασία γίνεται με ένα από τα παρακάτω πέντε στάδια: 1Α, 1Β, 2, 2Β και Ortho. Ο SPOT5 δίνει δεδομένα τα οποία βρίσκονται μεταξύ αυτών του Landsat ETM+ και των πολύ υψηλής χωρικής διακριτικής ικανότητας δορυφόρων IKONOS, QuickBird. [47]

72 3.5.2 Δορυφορικά δεδομένα SPOT5 για τις περιοχές μελέτης Για την ολοκλήρωση της διατριβής χρησιμοποιήθηκαν δορυφορικά δεδομένα του SPOT5 (Πίνακας 3-4). Όπως φαίνεται στον πίνακα χρησιμοποιήθηκαν συνολικά τρεις ολόκληρες δορυφορικές εικόνες (full scenes) και τέσσερα αποσπάσματα από δορυφορικές εικόνες (scene extracts). Πίνακας 3-4 Δορυφορικές εικόνες SPOT5 Ν. Χαλκιδικής Ν. Αττικής Είδος εικόνας Ημερομηνία Scene extract 15/3/2007 Scene extract 10/4/2007 Scene extract 25/2/ x Full scenes 24/4/2007 Scene extract 18/9/2007 Full scene 3/10/ Βοηθητικά δεδομένα Αν και η βασική πηγή δεδομένων ήταν οι παραπάνω δορυφορικές εικόνες, χρησιμοποιήθηκαν και άλλα βοηθητικά δεδομένα. Η χρήση των βοηθητικών δεδομένων αποσκοπούσε: α) στη σωστή και ακριβή διόρθωση των αρχικών δορυφορικών δεδομένων, β) στη βελτίωση της ακρίβειας των αποτελεσμάτων της ψηφιακής ταξινόμησης στη χαρτογράφηση της καύσιμης ύλης και στην παραγωγή των τελικών χαρτών καυσίμου. Για το σκοπό αυτό χρησιμοποιήθηκαν ασπρόμαυροι ψηφιακοί ορθοφωτοχάρτες 1:5.000, δασικοί χάρτες και άλλοι γενικοί χάρτες, σε διάφορες κλίμακες, ψηφιακό μοντέλο εδάφους 20 μέτρων, διανυσματικά δεδομένα χωροσταθμικών 20 μέτρων για την περιοχή του Πανεπιστημιακού Δάσους του Ταξιάρχη, από τα οποία προέκυψαν διανυσματικές πληροφορίες σχετικά με την έκθεση και το υψόμετρο. Τα δεδομένα που είχαν αναλογική μορφή, σαρώθηκαν και έγινε γεωαναφορά όλων των καινούριων ψηφιακών δεδομένων στο ίδιο προβολικό σύστημα ΕΓΣΑ 87, με στόχο την πλήρη συμβατότητά τους με το Γεωγραφικό Σύστημα Πληροφοριών και την ακριβή αντιστοίχησή τους με τα δεδομένα που προήλθαν από GPS. Τα θεματικά επίπεδα που χρησιμοποιήθηκαν συνολικά ήταν: α) όρια περιοχών μελέτης, β) ψηφιακά μοντέλα εδάφους (DEM), γ) χάρτες βλάστησης, δ) χρήσεις γης, ε) ισοϋψείς 20 μέτρων (Ταξιάρχης), στ) έκθεση για το Δάσος Ταξιάρχη, ζ) δασικά τμήματα (Ταξιάρχης), η) οδικό δίκτυο. [48]

73 ΚΕΦΑΛΑΙΟ 4 ΣΥΣΤΗΜΑΤΑ ΤΑΞΙΝΟΜΗΣΗΣ ΤΗΣ ΚΑΥΣΙΜΗΣ ΥΛΗΣ Στο κεφάλαιο αυτό θα γίνει περιγραφή συστημάτων ταξινόμησης της καύσιμης που έχουν χρησιμοποιηθεί σε διάφορες χώρες, αλλά και σε συστήματα που χρησιμοποιούνται σε τοπικό επίπεδο. 4.1 Εισαγωγή Τα δασικά καύσιμα αποτελούν απαραίτητα στοιχεία για το σχεδιασμό και τη διαχείριση των πυρκαγιών. Περιγράφουν την οργανική ύλη η οποία είναι διαθέσιμη προς ανάφλεξη και καύση και είναι ο μοναδικός σχετιζόμενος με τη φωτιά παράγοντας που μπορεί να ελεγχθεί από τον άνθρωπο (Rothermel 1972, Albini 1976, Salas και Chuvieco 1994). Γι αυτό οι αποφάσεις διαχείρισης πυρκαγιών λαμβάνονται, κατά ένα μεγάλο ποσοστό, βάσει της χωρικής περιγραφής των χαρακτηριστικών τους. Η επιτυχημένη καταστολή πυρκαγιών τα τελευταία χρόνια έχει αυξήσει την επιφάνεια και την κώμη του φορτίου των καυσίμων σε πολλές δασικές εκτάσεις, με αποτέλεσμα την υψηλότατη συγκέντρωση καυσίμων. Αυτή μπορεί να οδηγήσει σε μεγάλες και έντονες φωτιές, που ιστορικά ήταν σπάνια φαινόμενα, με οδυνηρές συνέπειες όπως απώλεια ανθρώπινης ζωής και καταστροφή περιουσίας. Τα ακριβή χωρικά δεδομένα καυσίμων είναι, λοιπόν, εξαιρετικά σημαντικά καθώς οι εταιρίες διαχείρισης γης θεωρούν πως οι ελεγχόμενες φωτιές είναι μια βιώσιμη εναλλακτική λύση για την αποφυγή ενδεχόμενης ισχυρής πυρκαγιάς σε μεγάλες εκτάσεις. Υπάρχουν, όμως, πολλές εταιρείες διαχείρισης φυσικών πόρων οι οποίες δεν [49]

74 διαθέτουν ακριβείς χάρτες καύσιμης ύλης κατάλληλους για τη διαχείριση των πυρκαγιών. Οι περισσότερες, μάλιστα, δεν συγκεντρώνουν ούτε πληροφορίες για τα καύσιμα κατά τις απογραφές της περιοχής. 4.2 Καύσιμα Τα καύσιμα ορίζονται ως τα φυσικά χαρακτηριστικά, όπως το φορτίο (βάρος ανά μονάδα περιοχής), μέγεθος (διάμετρος) και πυκνότητα του αντικειμένου (βάρος ανά μονάδα όγκου) της ζωντανής και νεκρής βιομάζας που συμβάλλουν στη διάδοση, στην ένταση και στη δριμύτητα της πυρκαγιάς. (Anderson 1982, Burgan και Rothermel 1984). Τα καύσιμα διαχωρίζονται σε τρία επίπεδα: επιφανειακά καύσιμα, καύσιμα κόμης και καύσιμα μέσα στο έδαφος (Pyne et al, 1996). Τα καύσιμα της επιφάνειας αποτελούνται από νεκρή οργανική ουσία (πεσμένα φύλλα, χοντρά ξυλώδη απομεινάρια) που προέρχεται από την περιβάλλουσα βλάστηση και από ζωντανή βλάστηση, όπως δέντρα, θάμνοι και γρασίδι που αναπτύσσονται πολύ κοντά στο έδαφος (Brown και See, 1981). Οι περισσότερες πυρκαγιές ξεκινάνε από τα καύσιμα της επιφάνειας και διατηρούνται από αυτά. Στα καύσιμα της κόμης περιλαμβάνονται ζωντανή και νεκρή αιωρούμενη βιομάζα η οποία παρατηρείται στη φυλλωσιά της βλάστησης (van Wagner 1977, Rothermel 1991). Οι πυρκαγιές κόμης είναι συνήθως πολύ έντονες και σχεδόν αδύνατο να ελεγχθούν. Η νεκρή ξυλώδης καύσιμη ύλη που βρίσκεται πεσμένη στο έδαφος διαχωρίζεται σε κατηγορίες βάσει του μεγέθους της διαμέτρου της και από το ρυθμό ξήρανσής τους (Fosberg 1970). Η νεκρή οργανική ύλη που παραμένει στο έδαφος διακρίνεται σε χούμο και ξηροτάπητα ανάλογα με το βαθμό αποσύνθεσής της. Ο ξηροτάπητας συνήθως δε συμβάλλει στη διάδοση του μετώπου της πυρκαγιάς, αλλά σιγοκαίει για μεγάλες περιόδους με αποτέλεσμα τη θέρμανση του εδάφους σε θερμοκρασίες καταστροφικές για τη χλωρίδα και πανίδα του εδάφους (Hungerford et al, 1991). Η περιεκτικότητα σε υγρασία της ζωντανής καύσιμης ύλης είναι μεγαλύτερη αυτής της νεκρής καύσιμης ύλης, γιατί τα φυτά αποσπούν υγρασία από το έδαφος για τη φωτοσύνθεση και την ανάπτυξή τους. Η δυσκολία της περιγραφής όλων των φυσικών χαρακτηριστικών όλων των τύπων καύσιμης ύλης οδήγησε στην κατηγοριοποίηση της καύσιμης ύλης. Έτσι χρησιμοποιούνται σχήματα ταξινόμησης ώστε να περιγραφούν εκείνες οι ιδιότητες των καυσίμων, οι οποίες σχετίζονται με την εκτίμηση του κινδύνου πυρκαγιάς και την εξάπλωση της πυρκαγιάς. Τα σχήματα ταξινόμησης συνοψίζουν μεγάλες ομάδες με χαρακτηριστικά βλάστησης, που συνήθως ονομάζονται μοντέλα καύσιμης ύλης (Pyne et al, 1996). Πιο συγκεκριμένα, μοντέλο καύσίμης ύλης έχει οριστεί ως «μια αναγνωρίσιμη σχέση μεταξύ των ιδιοτήτων των καυσίμων όπως είδος, μορφή, μέγεθος και συνοχή, που θα παρουσιάσουν μια χαρακτηριστική συμπεριφορά της φωτιάς κάτω από καθορισμένες συνθήκες πυρκαγιάς» (Merrill and Alexander, 1987). [50]

75 Σύμφωνα με τους Andrews και Queen (2001) τα μοντέλα καύσιμης ύλης είναι ένα σύνολο παραμέτρων που απαιτούνται από το αντίστοιχο μοντέλο φωτιάς. Το μοντέλο καυσίμου είναι ένα σύνολο αριθμών που περιγράφει τον τύπο και τη σύνθεση της δασικής καύσιμης ύλης, με τρόπο αντιπροσωπευτικό και κατάλληλο, ώστε αυτοί να χρησιμοποιηθούν σαν δεδομένα για το μαθηματικό μοντέλο πρόβλεψης της εξάπλωσης πυρκαγιάς. Είναι λοιπόν, μια αριθμητική περιγραφή των φυσικών παραμέτρων που χαρακτηρίζουν την καύσιμη ύλη. Με άλλα λόγια, τα μοντέλα φωτιάς είναι εξισώσεις και τα μοντέλα καυσίμου είναι ένα σύνολο αριθμών που περιγράφουν του τύπους καύσιμης ύλης όπως τους χρειάζεται το μοντέλο φωτιάς. Τα μοντέλα καύσιμης ύλης μπορεί να είναι ίδια για διαφορετικά οικοσυστήματα, αλλά να σχετίζονται με διαφορετικά μοντέλα φωτιάς (Chuvieco et al, 2003). Συνήθως τα μοντέλα της καύσιμης ύλης χρησιμοποιούνται για την πρόγνωσης της συμπεριφοράς της πυρκαγιάς και για την εκτίμηση του κινδύνου έναρξη της πυρκαγιάς. Ο τρόπος που θα ενσωματωθούν σε αυτά ποικίλει, ανάλογα κάθε φορά με τις ανάγκες του χρήστη. Για παράδειγμα το BEHAVE και το FARSITE αποτελούνται ουσιαστικά από τα ίδια μαθηματικά μοντέλα (ρυθμός διάδοσης, ένταση, υγρασία καυσίμου, αποστάσεις σημείων φωτιάς). Οι χρήστες του BEHAVE παρέχουν στο πρόγραμμα με διαδραστικό τρόπο δεδομένα εισαγωγής για να παράγουν πίνακες και γραφικές παραστάσεις, ενώ οι χρήστες του FARSITE παρέχουν επίπεδα πληροφοριών G.I.S. και πληροφορίες με καιρικά δεδομένα, για να παράγουν χωρικούς χάρτες για την ανάπτυξη, την εξάπλωση και την ένταση της φωτιάς. Μερικά από τα συστήματα ταξινόμησης της καύσιμης ύλης διακρίνουν τη βλάστηση σε διάφορους τύπους (π.χ. θαμνώδης, δενδρώδης κλπ), άλλα σε ηλικιακές ομάδες. Υπάρχει και μια ομάδα συστημάτων που χαρτογραφούν τη βλάστηση ανάλογα με τις ιδιότητές/χαρακτηριστικά της ή συνδυασμό αυτών. Χαρακτηριστικά της βλάστησης, που μπορούν να ληφθούν υπόψη για τη χαρτογράφηση της καύσιμης ύλης είναι τόσο μορφολογικά, όπως το ύψος του δέντρου, το ύψος της κόμης, η συγκόμωση, το βάρος της καύσιμης ύλης της κόμης, η πυκνότητα της κομοστέγης, η βιομάζα του φυλλώματος, ο όγκος της κομοστέγης, όσο και φυσιολογικά όπως η περιεχόμενη υγρασία των καυσίμων, η σχετική περιεκτικότητα υγρασίας του φυλλώματος κ.α. Όπως γίνεται κατανοητό, για τη σωστή καταγραφή και περιγραφή των συστημάτων ταξινόμησης της καύσιμης ύλης σε πολλές περιπτώσεις είναι απαραίτητο να γίνει και η αντίστοιχη περιγραφή του μοντέλου συμπεριφοράς της πυρκαγιάς που περιλαμβάνει τους διάφορους τύπους καυσίμου. Στη συνέχεια (κεφάλαιο 4.4) γίνεται προσπάθεια περιγραφής των μοντέλων καύσιμης ύλης 4.3 Χαρτογράφηση της καύσιμης ύλης Η συμβολή της τηλεπισκόπησης στη διαχείριση των πυρκαγιών έγκειται στη δυνατότητα των δεδομένων τηλεπισκόπησης να αναγνωρίζουν τη σύνθεση, την [51]

76 κατάσταση των καυσίμων και των χαρακτηριστικών τους όπως η πυκνότητα, ο λόγος όγκου επιφάνειας κ.α. Από τη στιγμή που αυτοί οι παράγοντες παρουσιάζουν μεγάλη μεταβλητότητα, η ανάπτυξη μοντέλων καυσίμου, ακόμη και μέσα στους ίδιους τύπους βλάστησης, κρίνεται απαραίτητη, και η τηλεπισκόπηση αποτελεί ένα χρήσιμο εργαλείο στην αναγνώριση και χαρτογράφηση των μοντέλων αυτών. Καθοριστικός παράγοντας στην πρακτική αξιοποίηση των δεδομένων τηλεπισκόπησης αποτέλεσε η αλματώδης πρόοδος στους υπολογιστές που επέτρεψε τη δημιουργία χωρικών μοντέλων ανάπτυξης της πυρκαγιάς, τα οποία επιτρέπουν τους διαχειριστές να εξομοιώσουν τα χωρικά χαρακτηριστικά των πυρκαγιών (ένταση, ανάπτυξη). Αυτά τα μοντέλα όμως, απαιτούν λεπτομερή και υψηλής ανάλυσης δεδομένα και χαρακτηριστικά των καυσίμων του φυλλώματος, για να παράγουν ακριβείς προβλέψεις της συμπεριφοράς της πυρκαγιάς (Kean et al, 2001) Μέθοδοι χαρτογράφησης της καύσιμης ύλης Υπάρχουν τέσσερις γενικές στρατηγικές που χρησιμοποιούνται για τη χαρτογράφηση των καυσίμων: α) αναγνώριση στο πεδίο, β) άμεση χαρτογράφηση με δεδομένα τηλεπισκόπησης, γ) έμμεση χαρτογράφηση με δεδομένα τηλεπισκόπησης και δ) χρήση βιοφυσικών μοντέλων. Η αναγνώριση στο πεδίο περιλαμβάνει καταγραφή της έκτασης των παρόμοιων συνθηκών καυσίμων σε πρωτόκολλα καταγραφής ή σε κάποιον χάρτη, καθώς ο ερευνητής περπατά στο πεδίο. Πέρα από τους χάρτες για την καταγραφή των καυσίμων, μπορεί να χρησιμοποιηθούν και κάποιες αεροφωτογραφίες για τον προσανατολισμό και την πλοήγηση στο πεδίο. Η πιο αξιοσημείωτη προσπάθεια εφαρμογής της μεθόδου αυτής πραγματοποιήθηκε από το Hornby το 1936, ο οποίος με τη βοήθεια 90 εργατών, χαρτογράφησε πάνω από 6 εκατομμύρια εκτάρια στο βόρειο μέρος του Rocky Mountains. Περπατώντας ή οδηγώντας στην περιοχή του εθνικού δάσους, ο Hornby και το συνεργείο του κατέγραψαν τις συνθήκες των καυσίμων χρωματίζοντας πολύγωνα πάνω σε χάρτες. Αντί να γίνει περιγραφή των πραγματικών φορτίων καυσίμου, χαρτογράφησαν δύο παράγοντες, οι οποίοι καθόρισαν και τους τύπους καυσίμου: τη δυσκολία στον έλεγχο της πυρκαγιάς και το ποσοστό διάδοσης της πυρκαγιάς. Η δουλειά του Hornsby διακρίνεται για τη μεγάλη έκταση στην οποία πραγματοποιήθηκε χαρτογράφηση καθώς και για τη μεγάλη ανθρώπινη προσπάθεια. Είναι η πλέον ολοκληρωμένη και αναλυτική προσπάθεια χαρτογράφησης με την διαδικασία της αναγνώρισης των καυσίμων στο πεδίο, που έχει καταγραφεί στη βιβλιογραφία (Kean et al, 2001). Το κύριο πλεονέκτημα αυτής της μεθόδου είναι ότι τα καύσιμα χαρτογραφούνται στις πραγματικές συνθήκες πεδίου και η χαρτογράφηση περιορίζεται μόνο από το ανθρώπινο σφάλμα, που οφείλεται είτε στη λανθασμένη εκτίμηση του τύπου καυσίμου ή στην ακατάλληλη-εσφαλμένη σκιαγράφηση των πολυγώνων με τα [52]

77 καύσιμα πάνω στο χάρτη. Όπως γίνεται κατανοητό το βασικότερο μειονέκτημα της μεθόδου είναι το μεγάλο ανθρώπινο δυναμικό, που απαιτείται για την πραγματοποίηση αυτής της μεθόδου χαρτογράφησης και φυσικά το τεράστιο κόστος που θα έχει. Ένα άλλο μειονέκτημα είναι η δειγματοληψία σε επιφάνειες με απότομη κλίση, κυρίως στις ορεινές περιοχές. Εκεί η χαρτογράφηση γίνεται από σημεία παρατήρησης που βρίσκονται συνήθως ψηλότερα από την περιοχή που εξετάζεται, με αποτέλεσμα η χαρτογράφηση των περιοχών με απότομη κλίση να παρουσιάζει λιγότερη ακρίβεια. Τέλος οι χάρτες που παράγονται δεν έχουν ιδιαίτερη χρησιμότητα για άλλου είδους διαχείρισης των πυρκαγιών, εκτός αν ταυτόχρονα με τα καύσιμα χαρτογραφούνται και άλλα στοιχεία. Η άμεση χαρτογράφηση των καυσίμων με τη χρήση τηλεπισκόπησης αναφέρεται στην απευθείας ανάθεση των χαρακτηριστικών των καυσίμων στα αποτελέσματα ταξινόμησης μιας δορυφορικής εικόνας ή στην φωτοερμηνεία μιας αεροφωτογραφίας (Verbyla, 1995). Η μέθοδος αυτή παρουσιάζει το μεγαλύτερο ποσοστό επιτυχίας, όταν υπολογίζεται η συνολική ζωντανή και νεκρή βιομάζα σε ποωλίβαδα και θαμνολίβαδα (Chladil and Numez, 1995, όπως αναφέρεται στον Keane et al, 2001), ενώ έχει περιορισμένη χρήση στην εκτίμηση των επιφανειακών καυσίμων σε δασώδεις περιοχές αφού η κόμη των δέντρων του ανωρόφου αποτελεί εμπόδιο για την καταγραφή τους (Elvidge, 1988, όπως αναφέρεται στον Keane et al, 2001). Το πλεονέκτημα της άμεσης χαρτογράφησης των καυσίμων με τη χρήση τηλεπισκόπησης είναι η απλότητά της. Ταξινομώντας τα καύσιμα απευθείας στις εικόνες ελαχιστοποιούνται τα σφάλματα από τους υπολογισμούς της βιομάζας, τα σφάλματα της μετατροπής, από την ταξινόμηση της βλάστησης και από τα σφάλματα κατά τη διαδικασία επεξεργασίας της εικόνας. Το κυριότερο μειονέκτημα είναι η δυσκολία ποσοτικοποίησης του συνόλου των χαρακτηριστικών των καυσίμων με τρόπο που να μπορεί να χρησιμοποιηθεί στη διαχείριση της πυρκαγιάς σε διάφορα δασικά οικοσυστήματα. Ακόμη είναι δύσκολο κατά τη διαδικασία της ταξινόμησης να ξεχωρίσουν τα φασματικά χαρακτηριστικά των επιφανειακών καυσίμων με αυτά των καυσίμων της κόμης των δέντρων, κάνοντας δύσκολη ως αδύνατη τη διάκριση μεταξύ των καυσίμων. Το αποτέλεσμα είναι οι ταξινομήσεις των εικόνων, που πραγματοποιούνται κατά την εφαρμογή της άμεσης χαρτογράφησης, να διακρίνουν περισσότερο τα χαρακτηριστικά της βλάστησης παρά τις ιδιότητες των καυσίμων. Ένα άλλο μειονέκτημα της μεθόδου αυτής είναι ότι ελάχιστες ταξινομήσεις καυσίμων ενσωματώνουν όλα τα στοιχεία της καύσιμης ύλης σε ένα μοντέλο. Οι έμμεσες μέθοδοι χαρτογράφησης με τη χρήση τηλεπισκόπησης αναγνωρίζουν τους περιορισμούς που παρουσιάζουν οι διάφορες εικόνες στην άμεση χαρτογράφηση των καυσίμων. Έτσι χρησιμοποιούν άλλα γνωρίσματα του οικοσυστήματος, που χαρτογραφούνται ευκολότερα, και υποκαθιστούν αυτά των καυσίμων Η μέθοδος αυτή θεωρεί ότι οι βιοφυσικές ή βιολογικές ιδιότητες [53]

78 μπορούν να ταξινομηθούν με ακρίβεια από τις εικόνες, και ότι αυτά τα χαρακτηριστικά που συχνά συνδέονται με τη βλάστηση, σχετίζονται σε πολύ μεγάλο βαθμό με τα χαρακτηριστικά των καυσίμων ή τα μοντέλα καυσίμων.το κυριότερο πλεονέκτημα αυτής της μεθόδου είναι ότι οι διάφοροι τύποι βλάστησης μπορούν εύκολα και με ακρίβεια να αναγνωριστούν από τους ανθρώπους στο πεδίο, χωρίς ιδιαίτερα προβλήματα Έτσι υπάρχουν διαθέσιμα πολλά στοιχεία, που μπορούν να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης στις διάφορες ταξινομήσεις της βλάστησης. Η μέθοδος αυτή είναι συνήθως η ευκολότερη και γρηγορότερη, αφού σήμερα πλήθος χαρτών βλάστησης και δεδομένα από μετρήσεις πεδίου είναι διαθέσιμα και μπορούν να βελτιώσουν τη χαρτογράφηση των καυσίμων (Eyre,1980). Εξάλλου, οι περισσότερες δορυφορικές εικόνες, καθώς και άλλα προϊόντα τηλεπισκόπησης, παρουσιάζουν καλύτερα αποτελέσματα στη διάκριση των διαφορών των τύπων βλάστησης σε σχέση με τους τύπους καυσίμων. Μεγάλο κέρδος της έμμεσης μεθόδου χαρτογράφησης είναι το γεγονός ότι οι παραγόμενοι χάρτες βλάστησης μπορούν να χρησιμοποιηθούν και για άλλου είδους διαχείρισης της γης. Για παράδειγμα, οικολογικά χαρακτηριστικά, όπως η βοσκοϊκανότητα, μπορούν να προσδιοριστούν για κατηγορίες βλάστησης ή χρήσεις γης και να δημιουργηθούν άλλοι χρήσιμοι χάρτες. Τέλος, οι χάρτες καυσίμων μπορούν πολύ εύκολα να ενημερώνονται είτε από επιπρόσθετα στοιχεία που συλλέχθηκαν από καινούργιες μετρήσεις πεδίου είτε από νέους χάρτες βλάστησης που παράγονται. Το βασικότερο μειονέκτημα της έμμεσης μεθόδου χαρτογράφησης είναι ότι τα καύσιμα δε σχετίζονται πάντα με χαρακτηριστικά της βλάστησης ή με κατηγορίες χρήσεις γης. Η δομή της βλάστησης, οι βιοφυσικές συνθήκες και η ηλικία των ατόμων μιας συστάδας είναι εξίσου σημαντικοί παράγοντες που σχετίζονται και επηρεάζουν τα χαρακτηριστικά των καυσίμων. Θα πρέπει λοιπόν να ενσωματωθούν στα διάφορα πρωτόκολλα καταγραφής των μοντέλων καυσίμων. Άλλο μειονέκτημα της μεθόδου είναι ότι τα διάφορα στρώματα βλάστησης συχνά αντιστοιχούν σε διανυσματικές πληροφορίες (πολύγωνα) που είναι πολύ μικρής κλίμακας, ώστε να χρησιμοποιηθούν στα προγράμματα εξομοίωσης της συμπεριφοράς της πυρκαγιάς και να προκύψουν αποτελέσματα υψηλής χωρικής ανάλυσης. Επιπλέον, οι κατηγορίες ταξινόμησης της βλάστησης ενδέχεται να είναι πολύ γενικευμένες για την ακριβή περιγραφή των μοναδικών χαρακτηριστικών της καύσιμης ύλης. Η τελευταία μέθοδος χρησιμοποιεί περιβαλλοντικούς παράγοντες και βιοφυσικά μοντέλα για τη δημιουργία χαρτών καύσιμης ύλης. Ως περιβαλλοντικοί παράγοντες θεωρούνται εκείνα τα βιογεωχημικά φαινόμενα, όπως είναι το κλίμα, η τοπογραφία, το ανάγλυφο τα οποία επηρεάζουν άμεσα τη βλάστηση και τη δυναμική των καυσίμων. Τα βιοφυσικά μοντέλα περιγράφουν μηχανισμούς του οικοσυστήματος για να ποσοτικοποιήσουν τους παραπάνω παράγοντες στο τοπίο. Για την πρόβλεψη των χαρακτηριστικών των καυσίμων χρησιμοποιούνται οι σχέσεις μεταξύ των βιοφυσικών διαδικασιών και της συσσωρευμένης οργανικής ύλης, αλλά [54]

79 και της ύλης που αποσυντίθηκε (Muller, 1998, Ohmann and Spies, 1998). Η τελευταία μέθοδος χρησιμοποιεί περιβαλλοντικούς παράγοντες και βιοφυσικά μοντέλα για τη δημιουργία χαρτών καύσιμης ύλης. Ως περιβαλλοντικοί παράγοντες θεωρούνται εκείνα τα βιογεωχημικά φαινόμενα, όπως είναι το κλίμα, η τοπογραφία, το ανάγλυφο τα οποία επηρεάζουν άμεσα τη βλάστηση και τη δυναμική των καυσίμων. Τα βιοφυσικά μοντέλα περιγράφουν μηχανισμούς του οικοσυστήματος για να ποσοτικοποιήσουν τους παραπάνω παράγοντες στο τοπίο. Για την πρόβλεψη των χαρακτηριστικών των καυσίμων χρησιμοποιούνται οι σχέσεις μεταξύ των βιοφυσικών διαδικασιών και της συσσωρευμένης οργανικής ύλης, αλλά και της ύλης που αποσυντίθηκε (Muller, 1998, Ohmann and Spies, 1998). Οι περιβαλλοντικοί παράγοντες μπορεί να είναι τοπογραφικοί (υψόμετρο, έκθεση, κλίση), βιολογικοί (τα διαδοχικά στάδια ανάπτυξης των ατόμων), γεωλογικοί (ποιότητα εδάφους, ιδιότητες εδάφους) ή βιογεωχημικοί (εξατμισοδιαπνοή, παραγωγικότητα διαθεσιμότητα σε θρεπτικά στοιχεία). Η αξία της μεθόδου είναι ότι οι περιβαλλοντικοί παράγοντες που χρησιμοποιούνται, παρέχουν οικολογικά στοιχεία που βοηθούν στην κατανόηση, διερεύνηση και πρόβλεψη της δυναμικής των καυσίμων. Για παράδειγμα, το μικρό φορτίο καυσίμου μιας συστάδας μπορεί να εξηγηθεί από χαμηλή βροχόπτωση, μεγάλη εξατμισοδιαπνοή και από εδάφη με μικρό βάθος. Επιπρόσθετα, οι περιβαλλοντικοί παράγοντες μπορούν να περιγράψουν όλες εκείνες της διαδικασίες του οικοσυστήματος που σχετίζονται με τα καύσιμα, όπως είναι ο βιογεωχημικός κύκλος, και παρέχουν χρονικά και χωρικά στοιχεία για τη δημιουργία δυναμικών χαρτών καύσιμης ύλης (Kean et al, 2001). Για παράδειγμα, οι επιδράσεις από τις κλιματικές αλλαγές στα φορτία καυσίμου μπορούν να υπολογιστούν εύκολα, με την εκτίμηση των νέων περιβαλλοντικών παραγόντων που επικρατούν (Kean et al, 1996). Οι περισσότεροι από τους περιβαλλοντικούς παράγοντες είναι ανεξάρτητοι από την κλίμακα, που σημαίνει ότι οι ίδιοι παράγοντες μπορούν να χρησιμοποιηθούν στην πρόβλεψη των χαρακτηριστικών των καυσίμων για διαφορετικές χωρικές κλίμακες, ενώ το εύρος και η κατανομή τους διαφέρει. Εξίσου σημαντικό πλεονέκτημα είναι ότι από τη στιγμή που θα δημιουργηθεί και θα εφαρμοστεί μια τέτοια μέθοδος χαρτογράφησης, μπορεί στη συνέχεια, με συνεχείς διορθώσεις και ενημερώσεις των βασικών μεταβλητών, τα αποτελέσματα και τα τελικά προϊόντα της να χρησιμοποιηθούν και από άλλες υπηρεσίες διαχείρισης της γης. Ένα σημαντικό πρόβλημα της μεθόδου είναι ότι τα μοντέλα που χρησιμοποιούνται (biophysical gradients) δεν παρέχουν μια πλήρη περιγραφή των υπαρχόντων βιοτικών συνθηκών, με αποτέλεσμα να απαιτούνται συχνά δεδομένα τηλεπισκόπησης για να απεικονίσουν χωρικά τους παράγοντες που σχετίζονται με τη βλάστηση, όπως είναι τα διαδοχικά στάδια ανάπτυξης των ατόμων, ή οι τύποι κάλυψης της βλάστησης. Άλλο μειονέκτημα είναι ότι απαιτεί μεγάλο αριθμό στοιχείων πεδίου, σύνθετα μοντέλα περιγραφής του οικοσυστήματος και διεξοδική στατιστική ανάλυση και [55]

80 μεγάλη πείρα στη δειγματοληψία οικολογικών στοιχείων, στην εξομοίωση μοντέλων και στη στατιστική επεξεργασία και ανάλυση των δεδομένων. Πίνακας 4-1 Πλεονεκτήματα και μειονεκτήματα για τις μεθόδους χαρτογράφησης (Keane et al, 2001) Πλεονεκτήματα Μειονεκτήματα Αναγνώριση στο πεδίο Χαρτογράφηση των πραγματικών μετρήσεων Ελάχιστο σφάλμα στην ανάλυση των δεδομένων Γρήγορη μέθοδος με σχετικά μικρό αριθμό διαδικασιών Δαπανηρή, πολύ χρονοβόρα Σε κάποιο βαθμό υποκειμενική Δυσκολίες χαρτογράφησης σε περιοχές με έντονο το ανάγλυφο Άμεση μέθοδος χαρτογράφησης Απλή, άμεση χαρτογράφηση εικόνας Γρήγορη μέθοδος με σχετικά μικρό αριθμό διαδικασιών Eπίγεια σημεία αναφοράς Κομοστέγη εμπόδιο στη χαρτογράφηση σε δασωδών περιοχών Ταξινομείται περισσότερο η βλάστηση, παρά τα καύσιμα Δυσκολία στην ταξινόμηση όλων των χαρακτηριστικών των καυσίμων Έμμεση μέθοδος ταξινόμησης Υπάρχουν διαθέσιμες πολλές ταξινομήσεις και δεδομένα Τα αντικείμενα που χαρτογραφούνται διακρίνονται πολύ καλά από τις εικόνες Οι παραγόμενοι χάρτες μπορούν να χρησιμοποιηθούν και σε άλλες εφαρμογές Σφάλματα στον προσδιορισμό καυσίμων από τις κατηγορίες βλάστησης Δημιουργούνται πολύ μεγάλα πολύγωνα για τον ακριβή υπολογισμό της έντασης της φωτιάς Οι κατηγορίες βλάστησης είναι ή πολύ μικρής κλίμακας ή πολύ μεγάλης Βιοφυσικά μοντέλα Ανεξάρτητα από την κλίμακα Παρέχουν οικολογικό πλαίσιο για την ερμηνεία των καυσίμων Μπορούν να εξομοιώσουν τις αλλαγές των καυσίμων στο χρόνο Περιγράφει δεδομένα που είναι περισσότερο πιθανά παρά υπαρκτά Απαιτεί πολλά δεδομένα για μοντελοποίηση Σύνθετη και δυσνόητη Καμία από τις παραπάνω μεθόδους χαρτογράφησης των καυσίμων που παρουσιάστηκαν δεν μπορεί να θεωρηθεί καλύτερη και καμιά από αυτές δε φαίνεται να παράγει χάρτες με καλύτερη ακρίβεια. Και οι τέσσερις προσεγγίσεις απαιτούν εκτενή δειγματοληψία στοιχείων πεδίου για να σχεδιαστούν ακριβείς χάρτες αλλά και μεγάλη εμπειρία στη μοντέλα καυσίμων και πυρκαγιάς, στην ψηφιακή επεξεργασία των εικόνων και στα Γεωγραφικά Συστήματα Πληροφοριών (GIS). [56]

81 Ορισμένες μέθοδοι είναι καλύτερες για συγκεκριμένες καταστάσεις σε σχέση με τις υπόλοιπες (π.χ. η άμεση χαρτογράφηση από δορυφορικές εικόνες είναι καλύτερη για να χαρτογραφηθούν ποολίβαδα και θαμνολίβαδα, ενώ η έμμεση προσέγγιση είναι καλύτερη για τη χαρτογράφηση καυσίμων σε δασικές-δασωμένες- εκτάσεις). Οι στρατηγικές που ενσωματώνουν εκτενείς μετρήσεις πεδίου με την ταξινόμηση των χαρακτηριστικών βλάστησης σε εικόνες και με τη συλλογή βιοφυσικών δεδομένων είναι δυνατό να παράγουν καλύτερα αποτελέσματα, απ ότι αν εφαρμοστούν ξεχωριστά Προβλήματα στη χαρτογράφηση της καύσιμης ύλης Η χαρτογράφηση των καυσίμων μόνο από δεδομένα τηλεπισκόπησης είναι μια πολύ δύσκολη και δαπανηρή εργασία, η οποία μάλιστα μπορεί να οδηγήσει σε αποτελέσματα χαμηλής ακρίβειας ειδικά όταν τα δεδομένα τηλεπισκόπησης δε συνδέονται με επίγειες μετρήσεις. Οι λόγοι που καθιστούν τη χαρτογράφηση μια ιδιαίτερα πολύπλοκη διαδικασία ποικίλουν: Η αδυναμία καταγραφής της πολυπλοκότητας και της σύνθεσης των επιφανειακών καυσίμων από τους αισθητήρες, λόγω της ύπαρξης του δασικού φυλλώματος των δέντρων του ανώροφου που τα καλύπτει. Η μεγάλη μεταβλητότητα στο χώρο και στο χρόνο που παρουσιάζουν τα καύσιμα, η συσσώρευση καυσίμων και η διαδικασία αποσύνθεσή τους, η οποία εξαρτάται από πολλούς παράγοντες, όπως καιρικά φαινόμενα, μέγεθος και πυκνότητα καυσίμων και πολλά άλλα. Τα δεδομένα της τηλεπισκόπησης αναφέρονται σε μια συγκεκριμένη χρονική στιγμή δημιουργώντας μια αδυναμία καταγραφής της εξέλιξης, μεταβολής και της συνέχειας των καυσίμων. Η δομή των ίδιων των μοντέλων καυσίμων που παράγονται και χρησιμοποιούνται για να περιγράψουν τα καύσιμα, τα οποία συνήθως δεν αποτελούν μια ποσοτική περιγραφή των χαρακτηριστικών των καυσίμων, αλλά κυρίως μια ομάδα από επεξεργασμένα δεδομένα εισόδου ενός συστήματος που υπολογίζει την αναμενόμενη συμπεριφορά της πυρκαγιάς (fire behavior) (π.χ. μοντέλα του Anderson, 1982, του Rothermel, 1972, του Albini, 1976). Επίσης, η δημιουργία ενός τέτοιου μοντέλου επηρεάζεται σε μεγάλο βαθμό από την εμπειρία του αναλυτή, γιατί η αναγνώριση των τύπων καύσιμης ύλης στο πεδίο είναι υποκειμενική. Έτσι, η πρόγνωση της εξέλιξης μιας πραγματικής πυρκαγιάς από πραγματικά καύσιμα γίνεται δύσκολη. Η δυσκολία στην ικανοποιητική διάκριση των πολλών τύπων καυσίμου που συνθέτουν τα επιφανειακά καύσιμα. Τα καύσιμα αποτελούνται από πολλούς τύπους (ζωντανά και νεκρά ξυλώδη καύσιμα, ποώδη καύσιμα) και πολλά μεγέθη. Οι αισθητήρες όμως χαρακτηρίζονται από συγκεκριμένη χωρική διακριτική ικανότητα και τα δεδομένα τους από συγκεκριμένη κλίμακα. Μπορούν δηλαδή να διακρίνουν καύσιμα συγκεκριμένου εύρους μεγέθους, [57]

82 αδυνατώντας να περιγράψουν τη μεταβλητότητα μεγέθους που εμφανίζεται στη φύση. Το αποτέλεσμα είναι να διακρίνονται δύσκολα κάποιο τύποι καυσίμου με τη χρησιμοποίηση μόνο δεδομένων τηλεπισκόπησης. Έτσι λεπτά καύσιμα, που είναι σημαντικά στη διάδοση της πυρκαγιάς δεν μπορούν να διακριθούν με ακρίβεια στις εικόνες. Η ανάγκη να χαρτογραφηθούν ταυτόχρονα όλα τα επίπεδα καυσίμων για την αποφυγή παράλογων συνδυασμών. Τα διάφορα στρώματα και χαρακτηριστικά των καυσίμων (π.χ. επιφανειακά καύσιμα, καύσιμα κόμης, ύψος συστάδας) δεν μπορούν να χαρτογραφηθούν ανεξάρτητα αλλά παράλληλα έτσι, ώστε να παρουσιάζουν την ίδια χωρική ανάλυση και ακρίβεια. Αυτό όμως είναι δύσκολο να πραγματοποιηθεί μόνο με τη χρήση δεδομένων τηλεπισκόπησης, μιας και η φασματική και χωρική ανάλυση των περισσότερων εικόνων δεν ανταποκρίνονται ταυτόχρονα σε όλες τις κατηγορίες των καυσίμων. Οι περισσότερες τεχνικές ταξινόμησης εικόνων, μάλιστα, δεν μπορούν να κατηγοριοποιήσουν ταυτόχρονα περισσότερες από μία ιδιότητες (Keane et al, 2001). Η δημιουργία υψηλής ευκρίνειας προϊόντων χαρτογράφησης των καυσίμων έτσι, ώστε να πραγματοποιούνται ρεαλιστικές εξομοιώσεις της χωρικής εξάπλωσης και διάδοσης της πυρκαγιάς. Σε χαμηλής χωρικής ανάλυσης χάρτες καυσίμων, όπου κάθε μοντέλο καυσίμου ορίζεται με μεγάλα πολύγωνα, δεν μπορούν να γίνουν ακριβείς και αξιόπιστες προβλέψεις για τη διάδοση της πυρκαγιάς, επειδή οι ομοιογενείς συνθήκες, που υποτίθεται ότι αντιπροσωπεύονται από τα μοντέλα καυσίμου, δεν απεικονίζουν την πραγματική μεταβλητότητα των καυσίμων για μεγάλες περιοχές. 4.4 Συστήματα ταξινόμησης της καύσιμης ύλης Όπως αναφέρθηκε στο Κεφάλαιο , για τη σωστή καταγραφή και περιγραφή μοντέλων της καύσιμης ύλης σε κάποιες περιπτώσεις είναι απαραίτητο να γίνει και η αντίστοιχη περιγραφή του συστήματος συμπεριφοράς της πυρκαγιάς που περιλαμβάνει τους διάφορους ή του συστήματος της εκτίμησης του κινδύνου έναρξης πυρκαγιάς. Παρακάτω γίνεται προσπάθεια περιγραφής των μοντέλων καύσιμης ύλης Καναδάς Οι τύποι καύσιμης ύλης στον Καναδά χρησιμοποιούνται στο σύστημα πρόβλεψης της συμπεριφοράς της πυρκαγιάς Canadian Forest Fire Behavior Prediction System (FBP) (Forestry Canada Fire Danger Group, 1992). Το FBP μαζί με το καναδικό δείκτη καιρού (Canadian Forest Fire Weather Index FWI), (van Wagner and Pickett, 1985, van Wagner, 1987, Canadian Forest Service, 1987) αποτελούν το καναδικό σύστημα αποτίμησης του κινδύνου πυρκαγιάς. Τα παραπάνω χρησιμοποιούνται επιχειρησιακά στον Καναδά εδώ και πολλά χρόνια, είναι εθνικά συστήματα και εφαρμόζονται σε όλη την έκταση της χώρας. Σε αυτό το σύστημα οι τύποι καύσιμης [58]

83 ύλης προέρχονται από μια βάση δεδομένων με πάνω από 400 μετρήσεις σε πειραματικές δασικές φωτιές και σε φωτιές προδιαγεγραμμένης καύσης. Πίνακας 4-2 Μοντέλα καυσίμου του Καναδικού Fire Behavior Prediction System Ομάδα καυσίμου Όνομα τύπου καυσίμου C 1 Spruce Lichen Woodland C 2 Boreal forest C 3 Mature Jack or Lodgepole Pine Κωνοφόρα (C) C 4 Immature Jack or Lodgepole Pine C 5 Red and white pine C 6 Conifer plantation C 7 Ponderosa Pine Douglas Fir Πλατύφυλλα (D) D 1 Leafless Aspen Μ 1 Boreal Mixewood Leafless Μεικτά δάση (Μ) Μ 2 Boreal Mixedwood Green Μ 3 Dead Balsam Fir Mixedwood Leafless Μ 4 Dead Balsam Fir Mixedwood Green S 1 Jack or Lodgepole slash Υλοτομίες (S) S 2 White Spruce Balsam Slash S 3 Coastal Cedar Hemlock Douglas-Fir Slash Διάκενα (O) O 1 Grass Το σύστημα FBP εφαρμόζεται σε όλη τη βλάστηση και διαχωρίζει τα καύσιμα σε 5 κύριες κατηγορίες (κωνοφόρα, πλατύφυλλα, μεικτά δάση, υλοτομίες και διάκενα) με συνολικά 16 διακριτούς τύπους καυσίμων (Forestry Canada Fire Danger Group, 1992). Αυτοί οι τύποι καύσιμης ύλης χρησιμοποιούνται για να περιγράψουν χαρακτηριστικά της συμπεριφοράς της φωτιάς, που αναμένεται να υπάρξουν κάτω από διαφορετικές συνθήκες πυρκαγιάς. Οι τύποι καύσιμης ύλης στο σύστημα FBP περιγράφονται ποιοτικά παρά ποσοτικά, χρησιμοποιώντας παραστατικούς όρους για τη δομή και τη σύνθεση των συστάδων, για τα επιφανειακά καύσιμα και για το συγκεκριμένο δασικό τάπητα και το στρώμα οργανικής ύλης που υπάρχει. Οι κύριοι τύποι καυσίμου του συστήματος FBP συνοψίζονται σύντομα στον Πίνακας Ηνωμένες Πολιτείες της Αμερικής Ένα από τα πλέον χρησιμοποιημένα μοντέλα συμπεριφοράς της πυρκαγιάς είναι το μοντέλο του Rothermel (1972), το οποίο εξομοιώνει τη διάδοση της φωτιάς σε επιφανειακά καύσιμα. Αναπτύχθηκε ως αποτέλεσμα του σχεδιασμού ενός πλήρους συστήματος εκτίμησης του κινδύνου πυρκαγιάς. Τα αποτελέσματα αυτού του σχεδιασμού ήταν το μοντέλο διάδοσης της φωτιάς του Rothermel και το National Fire Danger Rating System (NFDRS) (Deeming et al, 1972). [59]

84 Πίνακας 4-3 Τύποι καυσίμου του NFDRS Τύπος καυσίμου Παράμετροι καυσίμων Φορτίο καυσίμου (t/acre) Βάθος στρώματος καυσίμου (ft) Υγρασία ασφάλειας ξηρής κ.υ. 1h 10h 100h 1000h Ξύλο Χόρτα Western grasses (annual) Α Western grasses (perennial) L Sawgrass N Pine-grass savanna C Southern rough D Sagebrush-grass T California chaparral B Intermediate brush F Hardwood litter (winter) E Southern pine plantation P Hardwood litter (summer) R Western pines U Heavy slash I Intermediate slash J Light slash K High pocosin O Tundra S Short-needle conifer (normal dead) H Short-needle conifer (heavy G dead) Alaskan black spruce Q Το NFDRS αρχικά εφαρμόστηκε για γενική χρήση από της υπηρεσίες των ΗΠΑ το 1972 και το 1978 και 1988 παρουσιάστηκαν τροποποιημένες εκδόσεις του (Anderson et al, 2003). Περιέχει 20 τύπους καύσιμης ύλης και αποτελεί ένα μεγάλης κλίμακας σύστημα εκτίμησης του κινδύνου έναρξης πυρκαγιάς. Τα μοντέλα καύσιμης ύλης του NFDRS χρησιμοποιούνται για να απεικονίσουν τις καθημερινές και εποχιακές τάσεις του κινδύνου πυρκαγιάς ή την πιθανότητα φωτιάς σε μεγάλες περιοχές. Οι υπεύθυνοι για την ανάπτυξη του NFDRS συμφώνησαν ότι δεν ήταν απαραίτητη μια ιδιαίτερα πολύπλοκη περιγραφή των καυσίμων, επειδή υπάρχει μεγαλύτερη μεταβλητότητα σε μια περιοχή από αυτήν που θα μπορούσε να ερμηνευτεί. Τα μοντέλα καύσιμης ύλης του NFDRS βασίζονται σε συντελεστές και σταθερές που αναπτύχθηκαν στο εργαστήριο και στη φυσική της ανάφλεξης. Εκφράζουν τις σχέσεις ανάμεσα στα διάφορα καύσιμα, τον καιρό, την τοπογραφία και τις συνθήκες κινδύνου φωτιάς. Τα δεδομένα εισαγωγής αυτού του συστήματος διαφέρουν από αυτά του καναδικού, όπου τα δεδομένα προέρχονται από μετρήσεις πεδίου. Στο NFDRS κάθε μοντέλο καύσιμης ύλης αποτελείται από ένα σύνολο χαρακτηριστικών που περιγράφουν τα επιφανειακά καύσιμα (fuel particle) και τα καύσιμα του δασικού τάπητα, που είναι απαραίτητα ως δεδομένα εισαγωγής για να τρέξει το μοντέλο διάδοσης της φωτιάς του Rothermel. Αρχικά υπήρχαν 9 τύποι καυσίμων (Deeming et al, 1972) που αργότερα αυξήθηκαν στους 20 το Ο [60]

85 Πίνακας 4-3 παρουσιάζει τους τύπους καυσίμου του NFDRS. Αυτό το σύστημα κινδύνου φωτιάς αποτελείται από 2 κύριες ομάδες, σχετικά με την υγρασία των καυσίμων: τα ζωντανά και τα νεκρά καύσιμα. Τα ζωντανά καύσιμα διακρίνονται περαιτέρω σε ποώδη, ξυλώδη και θαμνώδη καύσιμα. Οι κατηγορίες 1h, 10h, 100h και 1000h αντιπροσωπεύουν τα νεκρά καύσιμα. Πίνακας 4-4 Τύποι καυσίμου NFFL Τύπος καυσίμου Παράμετροι καυσίμων Φορτίο καυσίμου (t/acre) Βάθος στρώματος καυσίμου (ft) Υγρασία ασφάλειας ξηρής κ.υ. 1h 10h 100h Ζωντανά Grass and grass-dominated Short grass (30 cm) Timber Tall grass (76 cm) Chaparral and shrub fields Chaparral (18 cm) Brush (61 cm) Dormant brush, hardwood slash Southern rough Timber litter Closed timber litter Hardwood litter Timber (litter and understory) Slash Light logging slash Medium logging slash Heavy logging slash Ένα άλλο σύστημα ταξινόμησης της καύσιμης ύλης, που εφαρμόζεται ευρέως από τις υπηρεσίες των Η.Π.Α. είναι οι 13 τύποι καύσιμης ύλης που χρησιμοποιούνται για τον υπολογισμό της συμπεριφοράς της φωτιάς ή NFFL (Northern Forest Fire Laboratory) (Albini, 1976, Anderson,1982). Ο Albini (1976) διέκρινε 13 μοντέλα καύσιμης ύλης (αρχικά 11 μοντέλα και στη συνέχεια πρόσθεσε άλλα 2), με βάση τη φύση των επιφανειακών καυσίμων. Για τα 13 μοντέλα υπολόγισε και την υγρασία ασφαλείας ξηρής καύσιμης ύλης. Αργότερα ο Anderson (1982) περιέγραψε αναλυτικά τα 13 μοντέλα του Albini (Πίνακας 4-4) παρέχοντας φωτογραφικό υλικό και άλλες πληροφορίες για την επιλογή των μοντέλων καυσίμου. Τα μοντέλα του NFFL διακρίνονται σε 4 ομάδες βλάστησης: ποώδη καύσιμα (τύποι καυσίμου 1-3), θαμνώδη καύσιμα (τύποι καυσίμου 4-7), υπολείμματα ξυλείας (νεκρό φύλλωμα, κλαδιά και κορμοί κάτω από την κομοστέγη) (τύποι καυσίμου 8-10) και υπολείμματα υλοτομιών και βασικό υλικό που συσσωρεύεται από αυτές (τύποι καυσίμου 11-13). Οι παράμετροι ταξινόμησης σε κάποιο μοντέλο καυσίμου είναι το φορτίο καυσίμου ανά τάξη μεγέθους, το βάθος του στρώματος καυσίμου και την υγρασία ασφαλείας ξηρής κ.υ. (Anderson, 1982). Τα 13 μοντέλα χρησιμοποιούνται [61]

86 για δύσκολες πυρικές περιόδους, όπου υπάρχει μεγάλη δυσκολία στον έλεγχο των δασικών πυρκαγιών. Για την πρόβλεψη της συμπεριφοράς της φωτιάς σε τοπικό επίπεδο, το BEHAVE χρησιμοποιεί τα παραπάνω μοντέλα. Αυτή η στρατηγική ταξινόμησης των καυσίμων έχει χρησιμοποιηθεί ευρέως σε μελέτες σχετικές με την διάδοση της φωτιάς σε πολλά διαφορετικά οικοσυστήματα. Οι Scott and Burgan (2005) παρουσίασαν έναν αναλυτικό οδηγό για τους τύπους καύσιμης ύλης των Albini και Anderson αυξάνοντάς τους, από 13 σε 44. Με τον τρόπο αυτό προσπάθησαν: α) να βελτιώσουν την ακρίβεια στις πρόβλεψης της συμπεριφοράς της φωτιάς, εκτός των δύσκολων πυρικών περιόδων, όπως σε περιπτώσεις προδιαγεγραμμένης καύσης, β) να αυξήσουν των αριθμό των μοντέλων καυσίμου, που μπορούν να εφαρμοστούν σε περιοχές με υψηλή υγρασία, γ) να αυξήσουν των αριθμό των μοντέλων καυσίμου που σχετίζονται με υπολείμματα ξυλείας και με υπολείμματα ξυλείας με χόρτα ή υπόροφο από θάμνους, δ) να βελτιώσουν την ικανότητα να εξομοιώσουν τις αλλαγές στη συμπεριφορά της φωτιάς, η οποία είναι αποτέλεσμα διαχείρισης των καυσίμων, προσφέροντας περισσότερες επιλογές μοντέλων καυσίμου. Στη νέα ομάδα των 44 τύπων καύσιμης ύλης, καθένα από αυτά είναι ξεχωριστά. Κανένα από τους αρχικούς 13 τύπους των Albini και Anderson δεν επαναλαμβάνεται. Οι 44 τύποι καύσιμης ύλης χρησιμοποιούνται για την εξομοίωση της συμπεριφοράς της επιφανειακής φωτιάς στο μπροστινό μέτωπο της πυρκαγιάς και όχι για τη φωτιά που παραμένει σε μια περιοχή, μετά το πέρασμα του μετώπου της φωτιάς από εκεί. Οι παράμετροι ταξινόμησης σε κάποιο μοντέλο καυσίμου είναι: α) το φορτίο καυσίμου ανά τάξη μεγέθους και κατηγορία, β) ζωντανά ξύλα και χόρτα, και ξερά υλικά 1hr, γ) βάθος του στρώματος του καυσίμου, δ) η περιεχόμενη υγρασία των νεκρών καυσίμων, ε) περιεχόμενη θερμότητα των ζωντανών και ξερών καυσίμων. Λαμβάνοντας υπόψη τα παραπάνω, πραγματοποίησαν εξομοιώσεις της συμπεριφοράς της φωτιάς σε μια σειρά από φωτιές με μέση ταχύτητα φλόγας ανέμου και πολλά σενάρια υγρασίας των καυσίμων. Ο οδηγός επιλογής των μοντέλων καύσιμης ύλης δεν αναφέρεται σε συγκεκριμένο τύπο βλάστησης, εκτός και εάν χρειαστεί να επεξηγήσει κάποιο παράδειγμα. Τα 44 μοντέλα καυσίμου κατατάσσονται σε 7 ομάδες: καύσιμα που δεν καίγονται (Non Burnable-NB), χόρτα (Grass, GR), χόρτα-θάμνοι (Grass-Shrub, GS), θάμνοι (Shrubs, SH), ξυλεία υπορόφου (Timber-Understory, TU), υπολείμματα ξυλείας (Timber Litter, TL), υλοτομίες, ανεμορριψίες (Slash-Blowdown, SB). Ο αριθμός των μοντέλων καυσίμων μέσα σε κάθε τύπο καυσίμου ποικίλει. Ένα πρόσφατο σύστημα ταξινόμησης των καυσίμων στις Η.Π.Α. είναι το Fuel Characteristics Classification System (FCCS). Το FCCS αναφέρεται σε στρώματα [62]

87 καυσίμου (fuelbed) τα οποία τα ορίζει ως μια σχετικά ομοιογενή μονάδα στο τοπίο που αντιπροσωπεύει ένα μοναδικό περιβάλλον ανάφλεξης, το οποίο καθορίζει την πιθανή συμπεριφορά της φωτιάς και τις επιπτώσεις της (Ottmar et al, 2007). Το FCCS επιτρέπει στο χρήστη να δημιουργήσει, να προσαρμόσει και να τοποθετήσει σε πίνακα στρώματα καυσίμων καθώς και να τα ταξινομήσει ανάλογα με την ικανότητα που έχουν να ενισχύσουν τη φωτιά και τη δυνατότητα κατανάλωσης των καυσίμων (Sandberg et al, 2001, Ottmar et al, 2007). Είναι σχεδιασμένο να παρέχει ποσοτικές πληροφορίες για τα στρώματα καυσίμου στα μοντέλα συνεπειών της φωτιάς (fire effects models) και να βοηθάει στη δημιουργία τύπων καύσιμης ύλης προσαρμοσμένοι κάθε φορά στις ανάγκες του χρήστη ή των εφαρμογών (Ottmar et al, 2007). Το FCCS διακρίνει τα καύσιμα σε 6 οριζόντια επίπεδα Πίνακας 4-5 για να απεικονίσει κάθε στοιχείο καυσίμου που έχει τη δυνατότητα να καεί και για να εξακριβωθούν καλύτερα οι πιθανές συνέπειες της φωτιάς σε κάθε φάση καύσης της φωτιάς. Η χρήση των επιπέδων διευκολύνει στη δημιουργία χωρικών επιπέδων πληροφορίας και επιτρέπει στο χρήστη να συμπεριλάβει, να συνδυάσει ή να αποκλείσει όσες πληροφορίες θεωρεί ότι χρειάζεται κάθε φορά ανάλογα με τον τρόπο χρήσης του συστήματος. Καθένα από τα παραπάνω 6 επίπεδα (φύλλωμα δέντρων, θάμνοι, χαμηλή βλάστηση, ξύλινα καύσιμα, πεσμένα καύσιμα -litter fuel-, επιφανειακά καύσιμα) διακρίνεται σε 2 ή περισσότερες κατηγορίες, οι οποίες παρουσιάζουν παρόμοια χαρακτηριστικά ανάφλεξης. Συνολικά υπάρχουν 18 κατηγορίες καυσίμου (fuelbed) και 20 υποκατηγορίες. Οι κατηγορίες και υποκατηγορίες περιγράφονται από φυσιογνωμικές και συνεχείς μεταβλητές. Οι φυσιογνωμικές μεταβλητές αφορούν ποιοτικά γνωρίσματα της κατηγορίας, όπως μορφολογικά και φυσικά. Οι συνεχείς μεταβλητές χαρακτηρίζουν την ποσότητα καυσίμου σε επίπεδο ή κατηγορία καυσίμου. Το FCCS παρέχει ένα σύνολο από τύπους στρωμάτων καυσίμων (FCCS fuelbed) που αναπτύχθηκαν από ανασκόπηση επιστημονικής βιβλιογραφίας, βάσεις δεδομένων καυσίμων, σειρά από φωτογραφικό υλικό και σε μερικές περιπτώσεις από τη γνώση εξειδικευμένου και έμπειρου προσωπικού. Το FCCS για την ώρα έχει 216 τύπους στρωμάτων καυσίμου (fuelbed), με νέους τύπους να προστίθενται περιοδικά. Το FCCS επιτρέπει τη δημιουργία, επεξεργασία και τροποποίηση αυτών των επιπέδων καυσίμου με χωρικά δεδομένα, και στη συνέχεια προσδιορίζει, υπολογίζει και εξάγει συμπεράσματα σχετικά με τα ποσοτικά χαρακτηριστικά των καυσίμων (φυσικές, χημικές και δομικές ιδιότητες) και με τις πιθανές παραμέτρους της φωτιάς, που είναι συγκεκριμένες για κάθε περιγραφόμενο επίπεδο καυσίμου. Επίσης υπολογίζει τη συμπεριφορά της φωτιάς για επιφανειακά καύσιμα και για επικόρυφη φωτιά. [63]

88 Πρέπει να σημειωθεί ότι το FCCS μπορεί να συσχετιστεί με τα συστήματα NFDRS και NFFL, επιτρέποντας την παγκόσμια χρήση του από διάφορους οργανισμούς και για διάφορες εφαρμογές. Πίνακας 4-5 Διάκριση των επιπέδων καυσίμου στο FCCS Επίπεδα καυσίμου Περιβάλλον ανάφλεξης Φύλλωμα δέντρων Επικόρυφη φωτιά Θάμνοι Χαμηλή βλάστηση Επιφανειακή φωτιά Ξύλινα καύσιμα Πεσμένα καύσιμα, βρύα, λειχήνες Υπολείμματα φωτιάς Επιφανειακά καύσιμα Αυστραλία Υπάρχουν πολλά συστήματα εκτίμησης του κινδύνου έναρξης πυρκαγιάς που χρησιμοποιούνται στην Αυστραλία από τις διάφορες δημόσιες και ιδιωτικές υπηρεσίες διαχείρισης εκτάσεων γης και των αρχών που συντονίζουν τις αγροτικές πυρκαγιές. Για τις παραπάνω εφαρμογές τα συστήματα εκτίμησης του κινδύνου πυρκαγιάς αναπτύχθηκαν για τρεις ευδιάκριτους τύπους καύσιμης ύλης: ανοιχτά λιβάδια, ξερά δάση ευκαλύπτων και υγιή θαμνολίβαδα. Τα πλέον χρησιμοποιημένα συστήματα εκτίμησης για τον κίνδυνο έναρξης και πρόγνωσης της συμπεριφοράς της πυρκαγιάς τα Forest Fire Danger Rating System και Grassland Fire Danger Fire Danger Rating System, τα οποία επινοήθηκαν και σχεδιάστηκαν από τον Alan McArthur τη δεκαετία του 1960 (McArthur 1966, 1967). Στηριζόμενος σε συστήματα που χρησιμοποιούνταν στις Η.Π.Α. τη δεκαετία το 1950, ανέπτυξε 2 συστήματα για τον υπολογισμό του κινδύνου έναρξης και της συμπεριφοράς της πυρκαγιάς σε δασικές και λιβαδικές εκτάσεις (Εικόνα 4-1) Οι δείκτες των παραπάνω συστημάτων είναι ενδεικτικοί της πιθανότητας ανάφλεξης, του αναμενόμενου ρυθμού διάδοσης της φωτιάς και της δυσκολίας καταστολής. Συγκεκριμένα ο δείκτης κινδύνου δασικής πυρκαγιάς σχεδιάστηκε για σκοπούς γενικής πρόβλεψης και βασίζεται στην αναμενόμενη συμπεριφορά της φωτιάς σε [64]

89 ψηλά δάση ευκαλύπτων με φορτίο καυσίμων 12,5 t/h, η οποία εξαπλώνεται σε ανώμαλο ανάγλυφο. Ο δείκτης κινδύνου φωτιάς σε λιβάδια μπορεί να κάνει εκτίμηση του πιθανού βαθμού εξάπλωσης/διάδοσης της φωτιάς σε συνεχής εκτάσεις χόρτων, με ελάχιστα ανώμαλο ανάγλυφο. α) β) Εικόνα 4-1 Όργανα μέτρησης του κινδύνου πυρκαγιάς στην Αυστραλία Τα συστήματα για την εκτίμηση του κινδύνου έναρξης πυρκαγιάς και τη συμπεριφορά της φωτιάς εξαρτώνται από τη θερμοκρασία, τη σχετική υγρασία και την ταχύτητα του ανέμου. Περιγράφουν τον ημερήσιο σχετικό κίνδυνο φωτιάς, χρησιμοποιούνται για να δώσουν μια ένδειξη του κινδύνου πυρκαγιάς σε μεγάλες περιοχές και δίνουν μια ένδειξη του βαθμού δυσκολίας κατάσβεσης της φωτιάς. Αν και αρχικά ήταν σε μορφή πίνακα ή ήταν προσαρμοσμένα σε όργανο μέτρησης, τα μοντέλα αυτά έχουν μετασχηματιστεί σε εξισώσεις ώστε να χρησιμοποιηθούν από τους υπολογιστές για να γίνει η πρόβλεψη του κινδύνου φωτιάς και της συμπεριφοράς της φωτιάς. Για να ξεπεραστούν οι δυσκολίες και οι ελλείψεις που παρουσιάζει το παραπάνω σύστημα εκτίμησης κινδύνου πυρκαγιάς, μια πιο συστηματική μέθοδος χρησιμοποιείται στη Δ. Αυστραλία (Sneeuwajagt and Peet, 1985). Η μέθοδος αυτή προέκυψε από έρευνες για τη συμπεριφορά της πυρκαγιάς, στις οποίες έγινε συσχετισμός δεικτών με διάφορες παραμέτρους καυσίμου και καιρού. Οι δείκτες προήλθαν από παρατηρήσεις και μετρήσεις τόσο σε πυρκαγιές προδιαγεγραμμένης καύσης όσο και σε περιστασιακές παρατηρήσεις δασικών πυρκαγιών και αφορούν τη συμπεριφορά της πυρκαγιάς. Όλα τα παραπάνω ενσωματώθηκαν σε πίνακες [65]

90 (Forest Fire Behavior Tables). Έτσι στη Δ. Αυστραλία για την πρόγνωση της συμπεριφοράς της πυρκαγιάς χρησιμοποιούνται 11 μοντέλα καύσιμης ύλης για τα οποία υπολογίζονται δείκτες για τη συμπεριφορά της πυρκαγιάς σε δυο κυρίως είδη δασών, στα οποία κυριαρχούν διαφορετικά είδη ευκαλύπτου: α) ξερά σκληρόφυλλα δάση northern jarrah, όπου κυριαρχεί ο Eucalyptus marginata και β) υγρά σκληρόφυλλα δάση southern karri, όπου κυριαρχεί ο Eucalyptus diversicolor. Τέλος στα παραπάνω μοντέλα καύσιμης ύλης πρόσθεσαν και ένα μοντέλο που αφορούσε δάση με κυρίαρχο είδος το πεύκο. Στη Βόρεια Αυστραλία κυκλοφόρησε φωτογραφικός οδηγός (Johnson, 2001) με μοντέλα καύσιμης ύλης, ώστε να βοηθήσει τις υπηρεσίες που ασχολούνται με τη διαχείριση της γης και την κατάσβεση των δασικών πυρκαγιών. Ο παραπάνω οδηγός διακρίνει την καύσιμη ύλη με δυο τρόπους: α) με βάση την υγρασία και ξηρότητα χόρτων και β) με βάση το φορτίο καυσίμου. Έτσι για την πρώτη περίπτωση αναγνωρίζει 16 μοντέλα καύσιμης ύλης και για την δεύτερη 5 μοντέλα καύσιμης ύλης. Ο φωτογραφικός οδηγός χρησιμοποιείται και σε άλλες περιοχές της Αυστραλίας Ασία Στην Κορέα, οι Won et al (2006) θέλησαν να ταξινομήσουν τους τύπους καυσίμων και να υπολογίσουν τα φορτία καυσίμων ώστε να αναπτύξουν κατάλληλο μοντέλο εκτίμησης του κινδύνου έναρξης και διάδοσης των δασικών πυρκαγιών για τις συνθήκες της Κορέας. Έλαβαν υπόψη: α) τους φυτοκοινωνικούς τύπους Braun- Blanquet της περιοχής, ταξινομώντας τους με βάση κάποια χαρακτηριστικά τους (βλάστηση, κυρίαρχο είδος, κοινωνικότητα είδους, συνθήκες περιοχής), β) χαρακτηριστικά των δέντρων (είδος, ύψος, ύψος από τη βάση της κομοστέγης, στηθιαία διάμετρο και διάμετρο της κόμης), γ) τοπογραφικές συνθήκες της περιοχής, έκθεση, κλίση υψόμετρο δ) φορτία ζωντανών και νεκρών καυσίμων και ε) κλάσεις ηλικίας των συστάδων. Συνδυάζοντας τις παραπάνω πληροφορίες με χάρτες των δασικών τύπων βλάστησης και με χάρτες των τύπων των δασικών εδαφών ταξινόμησαν τα δασικά καύσιμα αρχικά σε 10 τύπους: τρεις για τα δάση κωνοφόρων, ένα για τα δάση πλατύφυλλων, ένα για τα μικτά δάση και πέντε τύπους καυσίμων για τους άλλους δασικούς τύπους κάλυψης. Τελικά για να έχουν εφαρμογή οι παραπάνω τύποι σε όλη την Κορέα τους μείωσαν σε 5 τύπους καυσίμων (Πίνακας 4-6): τρεις για τα κωνοφόρα δάση, ένα για τα πλατύφυλλα και ένα για τα μικτά δάση. Επειδή τα δάση κωνοφόρων είναι πιο ευπαθή στις δασικές πυρκαγιές, διέκριναν τους τύπους καυσίμου που αναφέρονται σε αυτά, σε επιπλέον υποκατηγορίες, με βάση το δασικό τύπο και την ιεραρχική τους δομή. Στην Κίνα το Υπουργείο Δασών πραγματοποίησε ερευνητικό πρόγραμμα ( ) για την καταγραφή και την τυποποίηση των δασικών καυσίμων της βορειοανατολικής Κίνας. H ερευνητική ομάδα Fire Teaching and Research Group, [66]

91 του πανεπιστημίου Northeast Forestry University, που ανέλαβε το πρόγραμμα, για την ολοκλήρωσή του βασίστηκε σε ένα μεγάλο αριθμό μετρήσεων πεδίου και σε πειραματικά δεδομένα στο εργαστήριο, πραγματοποιώντας σε αυτά ποιοτικές και ποσοτικές αναλύσεις. Τελικά κατέληξαν στη δημιουργία έξι ομάδων τύπου καυσίμου και ταξινόμησαν 12 τύπους καυσίμου (Haiqing, 1995) ( Πίνακας 4-7). Πίνακας 4-6 Τύποι καυσίμου σύμφωνα με τους Won et al για την Κορέα Περιγραφή Κωνοφόρα δέντρα όπως Pinus densiflora Πλατύφυλλα δέντρα όπως Quercus variabilis Μικρά δέντρα κωνοφόρων και πλατυφύλλων Τύπος καυσίμου Κωδικός τύπου καυσίμου Αμιγές δάσος Pinus densiflora C 1 Δάσος Pinus densiflora μεσόροφος C 2 Δάσος Pinus densiflora υπόροφος C 3 Πλατύφυλλα δάση Μικτά δάση D M Πίνακας 4-7 Τύποι καυσίμου για την Κίνα(Haiqing, 1995) Ομάδα καυσίμου Τύπος καυσίμου Κωδικός καυσίμου Παρθένα δάση (I) Δρυς φλαμουριά/ Κορεάτικο πεύκο I 1 Σημύδα / Κορεάτικο πεύκο* I 2 Ελάτη και Ερυθρελάτη I 3 Λάριξ I 4 Δευτερογενή δάση (II) Δρυς II 5 Λεύκη και Σημύδα II 6 Υπόλοιπα φυλλοβόλα II 7 Δενδροφυτείες (III) Κορεάτικο πεύκο και Δασική πεύκη III 8 Λάριξ III 9 Χορτολίβαδα (IV) Χορτολίβαδα IV 10 Υλοτομίες (V) Υπολείμματα υλοτομιών V 11 Θάμνοι (VI) Θάμνοι VI 12 *Pinus koraiensis Ευρώπη Οι ευρωπαίοι ερευνητές δημιούργησαν ένα σύστημα ταξινόμησης της καύσιμης ύλης, το Prometheus, το οποίο αναπτύχθηκε στα πλαίσια ενός ευρωπαϊκού ερευνητικού προγράμματος Prometheus και αξιολογήθηκε από τα ερευνητικά προγράμματα Prometheus II και INFLAME. Το Prometheus χρησιμοποιείται για τη διαχείριση των δασικών πυρκαγιών σε αρκετές Μεσογειακές χώρες. Προσαρμόζεται καλύτερα στα καύσιμα που συναντιόνται στα μεσογειακά οικοσυστήματα και περιγράφει με ικανοποιητικό τρόπο και ακρίβεια το στοιχείο της βλάστησης των [67]

92 μεσογειακών οικοσυστημάτων ως καύσιμη ύλη. Οι τύποι καυσίμου στο Prometheus ορίστηκαν για επιφανειακές φωτιές και το κύριο κριτήριο ταξινόμησης είναι το ύψος του εύφλεκτου υλικού και η πυκνότητά του (Riano et al, 2002). Στο σύστημα Prometheus διακρίνονται σε 3 κύριες ομάδες: χόρτα, θάμνοι και δέντρα. Για το λόγο αυτό τα καύσιμα περιγράφονται σύμφωνα με τη χωρική κατανομή των τριών αυτών ομάδων. Το Prometheus αποτελείται από 7 τύπους καύσιμης ύλης: 1. Καύσιμα εδάφους: Πρόκειται για λιβαδικές εκτάσεις με αγροστώδη/ποώδη βλάστηση. Η καύσιμη ύλη είναι λεπτών διαστάσεων και νεκρή κατά τη διάρκεια του καλοκαιριού. Η πυρκαγιά στα καύσιμα αυτά εξαπλώνεται ταχύτατα αλλά με μικρό ύψος φλόγας. 2. Χαμηλοί θάμνοι: Πρόκειται για λιβαδικές εκτάσεις, θαμνώνες με χαμηλούς θάμνους (0,30 0,60m) και με μεγάλο ποσοστό (30 40%) ποώδους βλάστησης. Στον τύπο αυτό αντιστοιχούν και περιοχές όπου έχουν γίνει αποψιλωτικές υλοτομίες και δεν έχουν απομακρυνθεί τα υπολείμματα της υλοτομίας. 3. Μέτριοι θάμνοι: Πρόκειται για μέτριους έως υψηλούς θάμνους (0,60 2,0m). Η κάλυψη του εδάφους από τους θάμνους είναι μεγαλύτερη από 50%. Στον τύπο αυτό μπορεί να περιλαμβάνονται επιφάνειες φυσικής αναγέννησης ή τεχνητής αναδάσωσης στο στάδιο πυκνοφυτείας. 4. Υψηλοί θάμνοι: Πρόκειται για υψηλούς θάμνους (> 2,0m) και επιφάνειες με κορμίδια ή νεαρές (πυκνές) συστάδες από αναγέννηση. 5. Συστάδες με καθαρό υπόροφο: Πρόκειται για συστάδες όπου ο υπόροφος έχει απομακρυνθεί είτε με προδιαγεγραμμένο κάψιμο (όχι στην Ελλάδα) είτε με μηχανικά ή χημικά μέσα. Παρόμοιες συνθήκες καυσίμων υπάρχουν επίσης σε πολύ κλειστές συστάδες (συγκόμωση πάνω από 80%) όπου δεν υπάρχει επαρκής φωτισμός στον υπόροφο και δεν ευνοείται η ανάπτυξή του. Σ' αυτό τον τύπο εκδηλώνονται συνήθως έρπουσες πυρκαγιές χαμηλής έντασης, χωρίς όμως να αποκλείονται και πυρκαγιές κόμης όταν αυτές προέρχονται από τις γύρω περιοχές. 6. Συστάδες με μέτριο υπόροφο: Πρόκειται για συστάδες όπου η βάση της κόμης βρίσκεται αρκετά υψηλότερα από την κορυφή του υπορόφου. Ο υπόροφος αποτελείται κυρίως από μικρούς θάμνους, ποώδη βλάστηση, βελονοτάπητα και χούμο. Σ' αυτό τον τύπο καυσίμου εμφανίζονται κυρίως έρπουσες πυρκαγιές με διαφορετικές εντάσεις, οι οποίες μπορεί να εξελιχθούν σε πυρκαγιές κόμης κάτω από ακραίες μετεωρολογικές συνθήκες. [68]

93 7. Συστάδες με υψηλό και πυκνό υπόροφο: Πρόκειται για συστάδες με υψηλό και πυκνό υπόροφο όπου η απόσταση της βάσης της κόμης από τον υπόροφο είναι πολύ μικρή ή όπου υπάρχει ανάμειξη υπορόφου και κόμης των συστάδων. Ο τύπος αυτός υποστηρίζει σοβαρές πυρκαγιές μεγάλης έντασης που εξελίσσονται εύκολα σε πυρκαγιές κόμης. Σχήμα 4-1 Σύστημα ταξινόμησης της καύσιμης ύλης Prometheus Ο Cruz (2005) κυκλοφόρησε ένα αναλυτικό φωτογραφικό οδηγό, όπου περιγράφονται οι τύποι καύσιμης ύλης που εμφανίζονται στην κεντρική Πορτογαλία. Στον οδηγό ο χαρακτηρισμός των τύπων βλάστησης, που αποτελούν το διαθέσιμο υλικό για ανάφλεξη, είναι ένα σημαντικό βήμα για την ποσοτικοποίηση και αξιολόγηση της εκτίμησης της συμπεριφοράς της φωτιάς. Έτσι για το χαρακτηρισμό [69]

94 των καυσίμων προηγήθηκε η αναγνώριση και η περιγραφή των φυσικών χαρακτηριστικών της βλάστησης και των μεταβλητών που καθορίζουν τη συμπεριφορά της φωτιάς (φορτίο, μέγεθος, πυκνότητα, σύνθεση βλάστησης), η κατακόρυφη συνέχεια της βλάστησης και η ποσότητα που είναι διαθέσιμη για ανάφλεξη. Τα μοντέλα καύσιμης ύλης που παρουσιάζονται στον οδηγό, βασίζονται στη μεθοδολογία που προτείνεται στο σύστημα BEHAVE, αφού προσαρμόστηκε πρώτα για τις συνθήκες που επικρατούν στην Πορτογαλία. Το ADAI, στα πλαίσια ερευνητικού προγράμματος, δημιούργησε τα μοντέλα καυσίμου, που ανταποκρίνονται στο σύνολο των περιπτώσεων που εμφανίζονται στην κεντρική Πορτογαλία. Τα μοντέλα αναπτύχθηκαν μετά από εκτενείς εργασίες πεδίου και αφού ελέγχθηκε η ακρίβειά τους για τη συμπεριφορά της φωτιάς. Οι τύποι καυσίμου που περιγράφονται στον οδηγό του Cruz αναφέρονται στον Πίνακας 4-8. Πίνακας 4-8 Πορτογαλικό σύστημα ταξινόμησης καυσίμων (Cruz, 2005) Πορτογαλικό σύστημα ταξινόμησης καυσίμων 1 Χόρτα HER-01 2 Χαμηλοί θάμνοι με μέσο ύψος 0,5 μ MAT-01 3 Θάμνοι με ύψος 0,5 1,5 μ MAT-02 4 Θάμνοι με μέσο ύψος >1,5μ MAT-03 5 Νεαρές πυκνές φυτείες πεύκων, που δεν έχουν υποστεί καμία καλλιέργεια PPIN-02 6 Φυτείες πεύκων χωρίς υπόροφο θάμνων PPIN-03 7 Φυτείες πεύκων με υπόροφο θάμνων PPIN-04 8 Ώριμες φυτείες πεύκων PPIN-05 9 Νεαρές φυτείες ευκαλύπτου EUC Φυτείες ευκαλύπτου χωρίς υπόροφο θάμνων EUC Φυτείες ευκαλύπτου με υπόροφο θάμνων EUC Φυτείες ευκαλύπτου με υπολείμματα από κλαδεύσεις ανεμορριψίες (ξύλα, κλαδιά, φύλλα) EUC Συστάδα πλατύφυλλων (π.χ. καστανιές κλπ) FOLC Υπολείμματα από υλοτομίες RESE-01 Οι Fernades et al (2006) παρουσίασαν ένα σύστημα ταξινόμησης της καύσιμης ύλης σε δασικές εκτάσεις, που βασίστηκε στη βλάστηση της Πορτογαλίας (National Forest Inventory-NFI). Προσπάθησαν να συσχετίσουν διάφορα μοντέλα καύσίμης ύλης με τους τύπους βλάστησης που εμφανίζονται στην Πορτογαλία. Αρχικά χρησιμοποίησε τα δεδομένα που υπάρχουν στο NFI, δηλαδή τη σύνθεση της βλάστησης των δασών και την κατακόρυφη δομή τους, η οποία περιγράφεται με το ποσοστό κάλυψης των ειδών ή ομάδων με παρόμοια είδη ανά κλάση ύψους. Με [70]

95 τον τρόπο αυτό αναγνωρίζει 10 τύπους κάλυψης των δασών, ανάλογα κάθε φορά με το κυρίαρχο είδος. Εξαιτίας της μεγάλης ποικιλότητας που υπάρχει στην ορόφωση των δασών διέκρινε 22 δασικούς τύπους βλάστησης, οι οποίοι ανάλογα με τη σύνθεση και τη δομή τους κατατάχθηκαν στις κατηγορίες: αραιά και ψηλά, αραιά και χαμηλά, πυκνά και ψηλά, πυκνά και χαμηλά. Επειδή η ταξινόμηση έγινε για δασικές εκτάσεις, από τους τύπους βλάστησης αφαιρέθηκαν εκείνοι στους οποίους κυρίαρχα είδη ήταν οι θάμνοι. Τελικά προέκυψαν 19 δασικοί τύποι βλάστησης για καθένα από τους οποίους έγινε υπολογισμός κάποιων χαρακτηριστικών των καυσίμων: βάθος δασικού τάπητα (φυλλάδας, litter) φορτίου ζωντανών και νεκρών καυσίμων (t/ha), αναλογία της επιφάνειας των καυσίμων προς τον όγκο τους (1/m), περιεχόμενη θερμότητα (KJ/Kg), υγρασία των νεκρών καυσίμων (%), συντελεστής ανέμου. Επιπλέον υπολογίστηκε η ένταση της φωτιάς στο μέτωπο και στο φύλλωμα και με τη βοήθεια του BehavePlus έγινε εκτίμηση του βαθμού διάδοσής της. Τελικά τα παραπάνω δεδομένα συνυπολογίστηκαν και μετατράπηκαν σε σχετικούς δείκτες της μορφής 100 xi / xmax, όπου xi είναι η τιμή της μεταβλητής x για τον τύπο δασικής βλάστησης I και xmax είναι η μέγιστη τιμή της μεταβλητής x. Τα αποτελέσματα των δεικτών δίνονται σε διαστήματα από για την ένταση και το βαθμό διάδοσης της επιφανειακής φωτιάς και από για τις επικόρυφες φωτιές (όπου 0 σημαίνει ότι είναι απίθανο να υπάρξει επικόρυφη φωτιά). Στη Ρωσία οι τύποι καύσιμης ύλης ταξινομούνται ανάλογα με τη «συνεισφορά» τους στην έναρξη, στη διάδοση και στη συμπεριφορά της φωτιάς. Ο Kurbatsky (1962, 1970) δημιούργησε το πρώτο ρώσικο σύστημα ταξινόμησης της καύσιμης ύλης, λαμβάνοντας υπόψη τη θέση των καυσίμων στις επιφάνειες βλάστησης και το ρόλο που έχουν για τη φωτιά. Το σύστημα ταξινόμησης που πρότεινε έχει 7 τύπους: 1. βρύα, λειχήνες, 2. χούμο και στρώματα τύρφης, 3. χόρτα, νεαρά άτομα δέντρων και χαμηλοί θάμνοι, 4. μεγάλα ξυλώδη μέρη, αντικείμενα (νεκρά κλαδιά, πεσμένα κλαδιά, πεσμένοι κορμοί, υπολείμματα υλοτομίας, 5. δενδρύλλια και θάμνοι που βρίσκονται στον υπόροφο, 6. πράσινο φύλλωμα και κλαδιά των ζωντανών δέντρων, 7. κορμοί μίσχοι δέντρων και κλαδιά με πάχος μεγαλύτερο από 7mm. Χρησιμοποιώντας πειραματικά δεδομένα και στοιχεία από τη βιβλιογραφία σχετικά με τα χαρακτηριστικά των καυσίμων, αναπτύχθηκε, με βάση τη διάκριση των καυσίμων από τον Kurbatsky, μια δεύτερη ταξινόμηση της καύσίμης ύλης από τους [71]

96 Volokitina και Sofronov (2002). Οι ομάδες καυσίμων στους παραπάνω 7 τύπους, διακρίθηκαν σε περαιτέρω τύπους καυσίμου. Επειδή τα καύσιμα, όπως τα ομαδοποίησε ο Kurbatsky, παρουσίαζαν σε διαφορετικές περιοχές βλάστησης ουσιαστικές διαφορές στα πυρικά χαρακτηριστικά τους, ταξινόμησαν το σύστημα του Kurbatsky (τους παραπάνω 7 τύπους) σε επιπλέον κατηγορίες καυσίμου. Για τη νέα ταξινόμηση έλαβαν υπόψη ως βασικά κριτήρια αυτά που σχετίζονται με την καύση των υλικών προς καύση, π.χ. την ικανότητά τους να καίγονται κάτω από διαφορετικές συνθήκες, το είδος της καύσης, και ο ρόλος των καυσίμων στη διαδικασία της καύσης της βλάστησης μιας περιοχής. Πίνακας 4-9 Σύστημα ταξινόμησης των καυσίμων σύμφωνα με τους Volokitina et al (2002) [72]

97 Τα καύσιμα που ανήκουν στον πρώτο τύπο καύσιμης ύλης του Kurbatsky, ονομάζονται από τους Volokitina και Sofronov πρωταρχικά στοιχεία καύσης (Prime conductors of burning - PCB). Αρχικά πραγματοποίησαν ταξινόμηση στον πρώτο τύπο καυσίμου, διακρίνοντας 2 επιπλέον υπό-κατηγορίες: α) την ομάδα των βρύωνλειχήνων, που περιλαμβάνει στρώματα ζωντανών καυσίμων (βρύα, λειχήνες) και β) την ομάδα υπολειμμάτων, που περιλαμβάνει νεκρά καύσιμα (υπολείμματα βελόνων, νεκρά φύλλα, χόρτα, φλοιούς δέντρων, κλαδιά). Κάθε υποκατηγορία διακρίνεται σε τύπους. Για τη διάκριση των καυσίμων που ανήκουν στον πρώτο τύπο σε επιπλέον τύπους χρησιμοποιήθηκε ως κριτήριο, το γεγονός ότι τα στρώματα των πρωταρχικών στοιχείων καύσης γίνονται εύφλεκτα κάτω από διαφορετικές συνθήκες ξηρασίας. Περιγράφουν αναλυτικά τις υποκατηγορίες και τους νέους τύπους καυσίμου που δημιούργησαν για την ομάδα PCB. Τελικά δημιούργησαν έναν γενικό πίνακα ταξινόμησης των καυσίμων (Πίνακας 4-9), όπου είναι σχεδόν ολοκληρωμένος για τον πρώτο τύπο καυσίμου του Kurbatsky, όπου περιγράφουν αναλυτικά τις υποκατηγορίες και τους νέους τύπους καυσίμου που δημιούργησαν για την ομάδα PCB. Για την ταξινόμηση των υπόλοιπων ομάδων καυσίμου, σημειώνουν ότι χρειάζονται περισσότερες μελέτες στο μέλλον, σχετικές με τα πυρικά χαρακτηριστικά των καυσίμων. Οι Harvey et al (1997) υιοθέτησαν τη μεθοδολογία της Δασικής Υπηρεσίας των Η.Π.Α. για να αναπτύξουν μοντέλα καυσίμου για τις επιφανειακές πυρκαγιές στις συνθήκες της Ελβετίας. Τελικά ταξινόμησαν τα καύσιμα σε έξι μοντέλα καυσίμου, ανάλογα με τη είδος της βλάστησης: α) Pinus mugo grex arborea Larix decidua, β) Pinus mugo grex arborea, γ) Pinus mugo grex prostrate, δ) Castanea sativa, ε) περιοχές που καίγονται συχνά και καλύπτονται με είδη θάμνων Genista sp., Cytisus sp. και φτέρες, στ) δάση με καλλιεργούμενα κωνοφόρα. Στην Ελλάδα ο Δημητρακόπουλος (2002) ανέπτυξε μεθοδολογία και πρότεινε σύστημα ταξινόμησης της καύσιμης ύλης για τα ελληνικά οικοσυστήματα και κατ επέκταση για τα μεσογειακά. Σύμφωνα με αυτή, αρχικά διέκρινε τη βλάστηση με βάση το κυρίαρχο είδος. Σε κάθε αντιπροσωπευτική περιοχή πραγματοποίησε δειγματοληψία, όπου μετρήθηκαν δώδεκα παράμετροι (φορτίο καυσίμου 1-h, φορτίο καυσίμου 10-h, φορτίο καυσίμου 100-h, φορτίο καυσίμου 1000-h, φορτίο φυλλώματος, φορτίο επιφανειακής βιομάζας (μικρών διαστάσεων) και βάθος, συνολικό φορτίο καυσίμων, μέσο ύψος χαμηλών θάμνων (ύψος μέχρι 0,5 μέτρα) μέσο ύψος ψηλών θάμνων (ύψος μεταξύ 0,5 και 3 μέτρα), μέσο ύψος αγρωστωδών / ποωδών ειδών, έκταση κάλυψης από θάμνους και αγρωστώδη / ποώδη είδη). Τελικά με στατιστικές μεθόδους ανάλυσης και τη χρήση του συστήματος εκτίμησης της συμπεριφοράς της πυρκαγιάς BEHAVE καθόρισε τα μοντέλα καυσίμου όπως φαίνεται στον Πίνακας [73]

98 Πίνακας 4-10 Ταξινόμηση της καύσιμης ύλης κατά Δημητρακόπουλο (2002) [74]

99 4.5 Προτεινόμενο σύστημα ταξινόμησης της καύσιμης ύλης Από τον Πίνακα Πίνακας 4-11 φαίνεται ότι για την Ευρώπη δεν υπάρχει κάποιο ενιαίο σύστημα ταξινόμησης των καυσίμων που να χρησιμοποιείται από όλες τις ευρωπαϊκές χώρες. Τα συστήματα ταξινόμησης της καύσιμης ύλης που αναφέρονται στον Πίνακας 4-11 χρησιμοποιούνται σε εθνικό επίπεδο και μάλιστα κάποια από αυτά εφαρμόζονται μόνο σε τοπικό επίπεδο, ενώ κάποια άλλα μόνο για ερευνητικούς σκοπούς. Πολλά από τα συστήματα ταξινόμησης της καύσιμης ύλης δεν μπορούν να χρησιμοποιηθούν με τηλεπισκοπικά δεδομένα από οπτικούς αισθητήρες και η εφαρμογή τους έγκειται μόνο με τη χρήση δασικών χαρτών και σε μετρήσεις πεδίου. Όλα τα παραπάνω έχουν ως αποτέλεσμα να μην μπορεί να γίνει σύγκριση των διαφόρων συστημάτων ταξινόμησης των καυσίμων που έχουν αναπτυχθεί σε ευρωπαϊκές χώρες εξαιτίας της έλλειψης ομοιογένειας μεταξύ των τύπων της καύσιμης ύλης. Στον Πίνακα Πίνακας 4-13 γίνεται μια σύγκριση των συστημάτων ταξινόμησης της καύσιμης ύλης, που περιγράφηκαν σε προηγούμενο κεφάλαιο. Στον πίνακα αυτόν καταγράφονται στοιχεία που σχετίζονται με μερικά από τα χαρακτηριστικά της διαθέσιμης καύσιμη ύλης (ύψος, πυκνότητα, ορόφωση, τύπος βλάστησης, σύνθεση βλάστησης), με τη δυνατότητα χρησιμοπομοποίησης των μοντέλων καύσιμης ύλης από χρήστες με διαφορετική εμπειρία σε μετρήσεις πεδίου και τελευταία κατά πόσο τα μοντέλα καύσιμης ύλης είναι συμβατά και έχουν τη δυνατότητα να χρησιμοποιηθούν με τηλεπισκοπικά δεδομένα από οπτικούς αισθητήρες. Επιμέρους στόχος της διατριβής είναι η εφαρμογή ενός συστήματος ταξινόμησης της καύσιμης ύλης που να μπορεί να χρησιμοποιηθεί σε διαφορετικές περιοχές, χωρίς να υπάρχουν περιορισμοί που σχετίζονται με το είδος της βλάστησης και το σύστημα να μπορεί να χρησιμοποιηθεί και από χρήστες με σχετική μικρή εμπειρία. Το σημαντικότερο όμως στοιχείο του συστήματος που θα προταθεί είναι τα μοντέλα της καύσιμης ύλης που θα προκύψουν να είναι ανιχνεύσιμα και συμβατά με τηλεπισκοπικά δεδομένα από οπτικούς αισθητήρες. Από τη σχετική βιβλιογραφία (Κεφάλαιο 4.4) προκύπτει ότι για ερευνητικούς σκοπούς το σύστημα ταξινόμησης των καυσίμων Prometheus έχει χρησιμοποιηθεί σε πολλές χώρες που βρίσκονται στη Μεσογειακή ζώνη. Οι Cruz, Fernandes, Riano και Tian, μετά από προσωπική επικοινωνία μαζί τους, ανέφεραν ότι δε γνωρίζουν κάποιο άλλο σύστημα που να έχει χρησιμοποιηθεί σε πανευρωπαϊκό επίπεδο. Ο Cruz επισήμανε ότι για να «υιοθετηθούν» άλλα συστήματα ταξινόμησης των καυσίμων ευρέως χρησιμοποιημένα, όπως το αμερικάνικο NFDRS και το καναδικό FBP, πρέπει οι τύποι να προσαρμοστούν με πολύ προσοχή στις συνθήκες βλάστησης που επικρατούν στη Μεσόγειο. Τέλος ο Riano επισήμανε και αυτός ότι [75]

100 Σύστημα ταξινόμησης της καύσιμης ύλης Πίνακας 4-11 Συνοπτικός πίνακας των συστημάτων ταξινόμησης της καύσιμης ύλης Αριθμός μοντέλων κ.υ. Χώρα εφαρμογής Πληροφορίες για τα μοντέλα καύσιμης ύλης FBP 16 Καναδάς Χρησιμοποιείται για την περιγραφή της συμπεριφοράς της πυρκαγιάς. Αναπτύχθηκε από πειραματικές προδιαγεγραμμένες πυρκαγιές. Λαμβάνει υπόψη και τύπους κ.υ. που προέκυψαν από τη διαχείριση δασών ή είναι αποτέλεσμα αρρωστιών του δάσους NFDRS 20 Η.Π.Α. Χρησιμοποιείται σε σύστημα κινδύνου έναρξης πυρκαγιάς NFFL 13 Η.Π.Α. FCCS 216 Η.Π.Α. McArthur 3 Αυστραλία Sneeuwajagt & Peet 11 Αυστραλία Johnson Αυστραλία Won et al 5 Κορέα Haiqing 12 Β.Α. Κίνα Prometheus 7 Μεσογειακή λεκάνη Cruz 14 Πορτογαλία Fernandes et al 19 Πορτογαλία Ρωσικό σύστημα 7 Ρωσία Volokitina & Sofronov 7 ομάδες+ 12υπόομάδες Ρωσία Harvey et al 6 Ελβετία Δημητρακόπουλος 7 Ελλάδα Χρησιμοποιείται για τη συμπεριφορά της πυρκαγιάς σε τοπικό επίπεδο. Περιέχει στοιχεία για τη συμπεριφορά της φωτιάς της κόμης. Στηρίχτηκε σε μετρήσεις πεδίου για τη δημιουργία των μοντέλων καύσιμης ύλης. Περιοδικά προστίθενται νέοι τύποι. Έχει δημιουργηθεί λογισμικό για την εύρεση των παραπάνω τύπων. Ο κίνδυνος έναρξης πυρκαγιάς και η συμπεριφορά της πυρκαγιάς υπολογίζεται με βάση δείκτες μέτρησης για ημερήσια χρήση. Αυτοί υπολογίζονται για τρεις ευδιάκριτους τύπους κ. υ.: ανοιχτά λιβάδια, ξερά δάση ευκαλύπτων και υγιή θαμνολίβαδα Χρησιμοποιούνται για την πρόγνωση της συμπεριφοράς της πυρκαγιάς σε δάση όπου κυριαρχούν δυο διαφορετικά είδη ευκαλύπτου. Είναι φωτογραφικός οδηγός όπου διακρίνει την καύσιμη ύλη: α) με βάση την υγρασία και ξηρότητα χόρτων και β) με βάση το φορτίο καυσίμου. Αναφέρεται σε συγκεκριμένους τύπους βλάστησης της Αυστραλίας Βασίζεται στους φυτοκοινωνικούς τύπους Braun-Blanquet, σε χαρακτηριστικά δέντρων, σε τοπογραφικές συνθήκες και χάρτες βλάστησης. Περιγράφει μόνο για τα δάση κωνοφόρων τα καύσιμα σε όλους τους υπορόφους. Δημιουργήθηκε μετά από μεγάλο αριθμό μετρήσεων πεδίου και πειραματικών αναλύσεων. Περιλαμβάνει 6 ομάδες καυσίμου. Εφαρμόζεται σε τοπική κλίμακα. Αναπτύχθηκε στα πλαίσια του ευρωπαϊκού προγράμματος Prometheus. Κριτήριο ταξινόμησης αποτελεί το ύψος και η πυκνότητα του εύφλεκτου υλικού. Διακρίνονται 3 ομάδες καυσίμων. Χαρακτηρίζει τα καύσιμα με βάση τα φυσικά χαρακτηριστικά της βλάστησης και τις μεταβλητές που καθορίζουν τη συμπεριφορά της πυρκαγιάς Περιγράφει την καύσιμη ύλη μόνο για δασικές εκτάσεις. Οι τύποι καύσιμης ύλης δημιουργήθηκαν μετά από συσχέτιση των τύπων βλάστησης των δασών, την ορόφωσή τους. Λαμβάνει υπόψη τη θέση των καυσίμων στις περιοχές βλάστησης και το ρόλο που έχουν στην πυρκαγιά. Βασίστηκε στο Ρωσικό σύστημα. Λαμβάνει υπόψη το ρόλο των καυσίμων στη διαδικασία καύσης της βλάστησης και κριτήρια που σχετίζονται με την καύση των υλικών. Περιγράφουν αναλυτικά μόνο τα τύπους καύσιμης ύλης για την πρώτη ομάδα Βασίστηκε στα πυρικά χαρακτηριστικά της βλάστησης. Αναφέρονται στις επιφανειακές πυρκαγιές Προέκυψε μετά από μετρήσεις δώδεκα παραμέτρων των καυσίμων, και στατιστικές αναλύσεις αυτών, αφού πρώτα διέκρινε τη βλάστηση με βάση το κυρίαρχο είδος. [76]

101 μέχρι στιγμή μόνο το Prometheus έχει χρησιμοποιηθεί από ερευνητές σε διάφορες μεσογειακές χώρες αφού, όπως ανέφερε, το Prometheus αναπτύχθηκε στα πλαίσια ευρωπαϊκού ερευνητικού προγράμματος με πεδίο εφαρμογής τη Μεσόγειο και κύριο σκοπό του προγράμματος τη χαρτογράφηση των καυσίμων σε αυτήν. Στα πλαίσια, λοιπόν, της παρούσας εργασίας το σύστημα ταξινόμησης της καύσιμης ύλης που χρησιμοποιήθηκε προέκυψε από τη μερική τροποποίηση του συστήματος Prometheus. Οι λόγοι που χρησιμοποιήθηκε το σύστημα είναι οι εξής (Riaño et al, 2002, Lasaponara and Lanorte, 2006, Cruz, Fernandes, Riaño, Xian, 2008-προσωπική επικοινωνία): Προσαρμόζεται καλύτερα στα καύσιμα που συναντιόνται στα μεσογειακά οικοσυστήματα. Λαμβάνει υπόψη ως κριτήριο ταξινόμησης την πυκνότητα του εύφλεκτου υλικού και όχι το είδος της βλάστησης. Περιγράφει με ικανοποιητικό τρόπο τα καύσιμα που προκύπτουν από τη βλάστηση (τύπος βλάστησης). Είναι εύκολο και κατανοητό σύστημα ταξινόμησης και μπορεί να εφαρμοστεί ακόμη και από κάποιον αναλυτή με μικρή εμπειρία για τα καύσιμα. Δεν χρειάζονται ιδιαίτερες γνώσεις και επιπλέον μετρήσεις για τον προσδιορισμό των μοντέλων καύσιμης ύλης. Τα μοντέλα καύσιμης ύλης που χρησιμοποιεί αναφέρονται γενικά στη βλάστηση. Δεν προέρχονται από τη διαχείριση και εκμετάλλευση των δασών με μεθόδους που δεν εφαρμόζονται στην Ελλάδα (π.χ. αποψιλωτικές υλοτομίες πεύκων, ερυθρελάτης). Ακόμη τα μοντέλα της καύσιμης ύλης δεν προέρχονται από την προσβολή των δέντρων από ασθένειες και έντομα. Αποτελεί ένα ευέλικτο σύστημα ταξινόμησης της καύσιμης ύλης που μπορεί να προσαρμοστεί στη βλάστηση ανεξάρτητα το είδος από το οποίο αποτελείται. Το σύστημα ταξινόμησης των καυσίμων που χρησιμοποιήθηκε διακρίνει την καύσιμη ύλη σε χόρτα, θάμνους και δέντρα. Οι τύποι που χρησιμοποιήθηκαν είναι: 1. Αγροτικές καλλιέργειες. Περιλαμβάνει αγροτικές καλλιέργειες και αγρολιβαδικές εκτάσεις. Τα καύσιμα είναι λεπτών διαστάσεων. 2. Πολύ αραιή βλάστηση: Περιλαμβάνει λιβαδικές εκτάσεις, θαμνώνες με χαμηλούς θάμνους, ως εξήντα εκατοστά ύψος, και με μεγάλο ποσοστό ποώδους βλάστησης (30 40%). [77]

102 3. Θαμνώνες, αραιή βλάστηση: περιλαμβάνει θαμνώδεις εκτάσεις, με ύψος θάμνων πάνω από εξήντα εκατοστά και με αραιή ή χαλαρή συγκόμωση. 4. Θαμνώνες, πυκνή βλάστηση: περιλαμβάνει θαμνώνες με ύψος θάμνων πάνω από εξήντα εκατοστά, με κανονική ή σύμπυκνη συγκόμωση. 5. Πλατύφυλλα, αραιή βλάστηση: περιλαμβάνει περιοχές που επικρατούν τα πλατύφυλλα και υπάρχει αραιή ή χαλαρή συγκόμωση. Στο τύπο αυτό παρατηρούνται διάσπαρτα άτομα θάμνων. 6. Πλατύφυλλα, πυκνή βλάστηση: περιλαμβάνει περιοχές που επικρατούν τα πλατύφυλλα με σύμπυκνο ή κανονικό βαθμό συγκόμωσης. 7. Κωνοφόρα, αραιή βλάστηση: περιλαμβάνει περιοχές που επικρατούν τα κωνοφόρα με αραιό ή χαλαρό βαθμό συγκόμωσης και παρατηρείται αραιός, μέτριος υπόροφος 8. Κωνοφόρα, πυκνή βλάστηση: περιλαμβάνει περιοχές που επικρατούν τα κωνοφόρα με σύμπυκνο βαθμό συγκόμωσης και καθαρό κυρίως υπόροφο. Στον τύπο αυτό παρατηρείται και υπόροφος σε περιοχές που προέρχονται από αναδασώσεις σε εκτάσεις αείφυλλων πλατύφυλλων. 9. Αστικές περιοχές: περιλαμβάνει κατοικημένες περιοχές χωρίς βλάστηση. 10. Αστικές περιοχές με βλάστηση: περιλαμβάνει κατοικημένες περιοχές στις οποίες μπορεί να διακριθεί η βλάστηση στα δορυφορικά δεδομένα. 11. Καμένες περιοχές: αποτελείται από περιοχές οι οποίες είχαν καεί πρόσφατα και διακρίνονται στις δορυφορικές εικόνες. 12. Γυμνές περιοχές/ άγονα. Με τον όρο «βαθμό συγκόμωσης» εννοούμε το λόγο του αθροίσματος των προβολών από τις κόμες των δέντρων μιας συστάδας προς τη συνολική της επιφάνεια (Ντάφης, 1986). Διακρίνουμε τους παρακάτω βαθμούς συγκόμωσης: i) σύμπυκνη συγκόμωση (1,1 1,3), ii) κανονική συγκόμωση (1,0), iii) φωτεινή συγκόμωση (0,8 0,9), iv) χαλαρή συγκόμωση (0,6 0,7), v) αραιή συγκόμωση (0,5 0,6), vi) διάκενη συγκόμωση (0,1) και vii) διάσπαρτη συγκόμωση. Στον Πίνακα Πίνακας 4-12 αναγράφεται η αντιστοιχία που υπάρχει στα μοντέλα καύσιμης ύλης του προτεινόμενου συστήματος με αυτά του Prometheus [78]

103 Πίνακας 4-12 Προτεινόμενα μοντέλα καύσιμης ύλης, συμβατά με οπτικούς αισθητήρες Προτεινόμενο σύστημα ταξινόμησης Prometheus 1) Αγροτικές καλλιέργειες 1 2) Πολύ Αραιή βλάστηση 2 3) Θαμνώνες, αραιή βλάστηση 3 4) Θαμνώνες, πυκνή βλάστηση 4 5) Πλατύφυλλα, αραιή βλάστηση 6 6) Πλατύφυλλα, πυκνή βλάστηση 5 ή 7 7) Κωνοφόρα, αραιή βλάστηση 6 8) Κωνοφόρα, πυκνή βλάστηση 7 9) Αστικές περιοχές 10) Αστικές περιοχές με βλάστηση 11) Καμμένες περιοχές 12) Γυμνές περιοχές / άγονα [79]

104 Πίνακας 4-13 Πίνακας των συστημάτων ταξινόμησης της καύσιμης ύλης ( : γίνεται αναφορά, : δε γίνεται αναφορά) Σύστημα ταξινόμησης της καύσιμης ύλης Ύψος Πυκνότητα Ορόφωση Τύπος βλάστησης Σύνθεση βλάστησης Ευκολία χρήσης Απλότητα Συμβατό με οπτικά τηλεπισκοπικά δεδομένα FBP NFDRS NFFL FCCS McArthur Sneeuwajagt&Peet Johnson Won et al Haiqing Prometheus Cruz Fernandes et al Ρωσικό σύστημα Volokitima & Sofronov Harvey et al Δημητρακόπουλος [80]

105 ΚΕΦΑΛΑΙΟ 5 ΠΡΟΕΠΕΞΕΡΓΑΣΙΑ ΔΕΔΟΜΕΝΩΝ ΜΕΤΡΗΣΕΙΣ ΠΕΔΙΟΥ Στο κεφάλαιο αυτό παρουσιάζεται ο τρόπος συλλογής μετρήσεων πεδίου που χρησιμοποιήθηκαν στην ανάλυση και ταξινόμηση των δορυφορικών δεδομένων. Στη συνέχεια γίνεται περιγραφή των ραδιομετρικών και γεωμετρικών διορθώσεων που εφαρμόστηκαν στα δορυφορικά δεδομένα SPOT5 ώστε, από τη μια να βελτιωθούν τα αποτελέσματα της χαρτογράφησης της καύσιμης ύλης και από την άλλη τόσο τα αρχικά δεδομένα όσο και τα τελικά αποτελέσματα να αποκτήσουν ένα προβολικό σύστημα και γεωγραφικές συντεταγμένες για να μπορούν να χρησιμοποιηθούν σε συνδυασμό με άλλα δεδομένα (διανυσματικά ή ψηφιδωτά), που έχουν γεωγραφικές συντεταγμένες και να αξιοποιηθούν και από άλλους φορείς. Τέλος γίνεται αναφορά στη δημιουργία του μωσαϊκού των δορυφορικών εικόνων SPOT Δημιουργία ψηφιακών γεωγραφικών δεδομένων με τα Γεωγραφικά Συστήματα Πληροφοριών Αρχικά δημιουργήθηκε ψηφιακή βάση δεδομένων για τις περιοχές μελέτης. Τα στοιχεία αυτά προέκυψαν είτε με ψηφιοποίηση των δεδομένων που υπήρχαν σε αναλογική μορφή ή στην περίπτωση που ήταν σε ψηφιακή μορφή γεωαναφέρθηκαν στο σύστημα ΕΓΣΑ 87, ώστε να αποκτήσουν όλα το ίδιο γεωγραφικό προβολικό σύστημα για την περαιτέρω επεξεργασία. Έτσι με τη χρήση του λογισμικού πακέτου ArcGIS δημιουργήθηκε γεωγραφική βάση δεδομένων που περιλάμβανε μεταξύ των άλλων: [81]

106 Όριο περιοχών μελέτης για το Ν. Χαλκιδικής, το Ν. Αττικής και το Πανεπιστημιακό Δάσος Ταξιάρχη (από το διαχειριστικό χάρτη του δάσους). Χωροσταθμικές γραμμές με ισοδιάσταση 20 μέτρων από το χάρτη της Γ.Υ.Σ. κλίμακας 1: Ψηφιακές ορθοφωτογραφίες για τους δυο νομούς, κλίμακας 1:5.000 από το Υπουργείο Αγροτικής Ανάπτυξης. Οδικό δίκτυο των περιοχών μελέτης όπως προέκυψε από τις ορθοφωτογραφίες κλίμακας 1:5.000 για τους Ν. Χαλκιδικής και Ν. Αττικής, αλλά και από το διαχειριστικό χάρτη για το Πανεπιστημιακό Δάσος του Ταξιάρχη. Ψηφιακό μοντέλο εδάφους με μέγεθος ψηφίδας τα 20 μέτρα για το Ν. Χαλκιδικής και το Ν. Αττικής. Δημιουργία πολυγώνων που σχετίζονται με τα δασικά συμπλέγματα, για το Πανεπιστημιακό δάσος του Ταξιάρχη. Θεματικοί χάρτες σχετικά με τη βλάστηση των περιοχών μελέτης. Στη ψηφιακή γεωγραφική βάση δεδομένων προστέθηκαν και τα επίπεδο πληροφορίας σχετικά με την κλίση και την έκθεση για το Πανεπιστημιακό Δάσος Ταξιάρχη που προέκυψαν από την επεξεργασία του τρισδιάστατου μοντέλου εδάφους και των ψηφιοποιημένων χωροσταθμικών. Τα σημεία που αποκτήθηκαν από τις μετρήσεις πεδίου, με τη χρήση του GPS, αρχικά περάστηκαν στον υπολογιστή. Στη συνέχεια δημιουργήθηκε γεωγραφική ψηφιακή βάση δεδομένων, η οποία ενημερώθηκε με όλα τα στοιχεία που λήφθηκαν κατά τη διάρκεια των δειγματοληπτικών μετρήσεων και συνδέθηκαν με τις φωτογραφίες της κάθε δειγματοληπτικής επιφάνειας. Έτσι δημιουργήθηκε μια ολοκληρωμένη γεωγραφική βάση για όλες τις μετρήσεις πεδίου που πραγματοποιήθηκαν. 5.2 Μετρήσεις πεδίου Μέθοδοι δειγματοληψίας Στα πλαίσια εκτίμησης και προσδιορισμού των δασικών χαρακτηριστικών και παραμέτρων, η συλλογή πληροφοριών με τη βοήθεια μια πλήρους απαρίθμησης αυτών είναι πρακτικά αδύνατη και εφαρμόζεται μόνο σε πολύ εξαιρετικές περιπτώσεις, κυρίως για πειραματικούς σκοπούς και έρευνες και σε περιοχές με μικρή έκταση. Η διαδικασία που ακολουθείται για τον προσδιορισμό διαφόρων δασικών χαρακτηριστικών, παραμέτρων και γενικά στοιχείων που είναι απαραίτητα στα πλαίσια μιας μελέτης ή έρευνας είναι οι δειγματοληπτικές μετρήσεις. [82]

107 Προκειμένου να χαρακτηριστούν οι ιδιότητες (μεταβλητές) ενός πληθυσμού, χρησιμοποιούνται κάποιες παράμετροι. Όταν οι παράμετροι αφορούν όλα τα στοιχεία του πληθυσμού ονομάζονται παράμετροι πληθυσμού. Ο σκοπός λοιπόν, των μετρήσεων πεδίου είναι να υπολογίσει τις παραμέτρους πληθυσμού ή τις λειτουργίες μιας ή περισσοτέρων από αυτές. Η τιμή μιας παραμέτρου που προέρχεται από μία δειγματοληπτική επιφάνεια ονομάζεται εκτίμηση. Το σύνολο των χαρακτηριστικών με βάση τα οποία πραγματοποιήθηκε και καταγράφτηκε μια εκτίμηση αποτελούν τον εκτιμητή τη μέθοδο δειγματοληψίας. Ο σχεδιασμός της δειγματοληψίας χωρίζεται σε δυο κύριες υπό-ομάδες ανάλογα με το αν χρησιμοποιούνται ή όχι βοηθητικά δεδομένα: α) σχεδιασμός δειγματοληψίας χωρίς βοηθητικά δεδομένα / πληροφορίες και β) σχεδιασμός δειγματοληψίας με τη χρήση βοηθητικών δεδομένων / πληροφορίες. Στις δειγματοληψίες χωρίς βοηθητικά δεδομένα η εξαγωγή των παραμέτρων βασίζεται καθαρά στις παρατηρήσεις που πραγματοποιήθηκαν στις μεταβλητές που ενδιαφέρουν τον αναλυτή. Οι πληθυσμοί που χρησιμοποιούνται στη δασολογική επιστήμη μπορούν να περιγραφούν από ένα μεγάλο πλήθος χαρακτηριστικών, μερικοί από τους οποίους σχετίζονται με τα δέντρα, άλλοι με το περιβάλλον στο οποία αναπτύσσονται ή θα αναπτυχθούν. Πολλές πληροφορίες σχετικά με τα χαρακτηριστικά μπορεί να είναι διαθέσιμες στον αναλυτή που πραγματοποιεί μια δειγματοληψία και να τον βοηθήσουν στην ολοκλήρωσή της. Παραδείγματα τέτοιων βοηθητικών πληροφοριών είναι οι αεροφωτογραφίες, οι ορθοφωτογραφίες, δορυφορικά δεδομένα και διάφοροι θεματικοί χάρτες. Κατά κανόνα, οι δειγματοληψίες που πραγματοποιούνται με τη χρήση βοηθητικών δεδομένων / πληροφοριών παρουσιάζουν καλύτερη απόδοση και είναι αποτελεσματικότερες σε σχέση με αυτές που αγνοούν τα παραπάνω βοηθητικά δεδομένα. Στα πλαίσια της διατριβής χρησιμοποιήθηκε ο δεύτερος σχεδιασμός δειγματοληψίας, αφού χρησιμοποιήθηκαν ως βοηθητικά δεδομένα δορυφορικές εικόνες πολύ υψηλής ευκρίνειας, ορθοφωτογραφίες, θεματικοί χάρτες σχετικά με τη βλάστηση, το οδικό δίκτυο κλπ Δειγματοληπτικά σχέδια Πέντε είναι τα βασικά δειγματοληπτικά σχέδια που χρησιμοποιούνται για τη συλλογή μετρήσεων πεδίου (McCoy, 2005): 1) απλή τυχαία δειγματοληψία, 2) στρωματωμένη δειγματοληψία, 3) συστηματική δειγματοληψία, 4) μη ευθύγραμμη συστηματική δειγματοληψία και 5) δειγματοληψία σε ομάδες (clustered sampling) 6) κατά προτίμηση ή σκόπιμη δειγματοληψία. [83]

108 Απλή τυχαία δειγματοληψία Στην τυχαία δειγματοληψία δεν υπάρχει επιλογή στην τοποθέτηση των δειγματοληπτικών επιφανειών, αλλά αυτή γίνεται με εντελώς τυχαίο τρόπο. Ο σκοπός της απλής τυχαίας δειγματοληψίας είναι να εξασφαλίσει ότι σε όλα τα μέρη της περιοχής μελέτης υπάρχει η ίδια ευκαιρία να πραγματοποιηθεί δειγματοληψία, χωρίς να παίξει ρόλο μεροληψία του χειριστή. Με άλλα λόγια, η τυχαία τοποθέτηση των δειγματοληπτικών επιφανειών έχει τις μικρότερες πιθανότητες για σφάλματα μεροληψίας. Αυτή η συνθήκη διευκολύνει τη χρήση μιας ευρείας ποικιλίας στατιστικών αναλύσεων, αφού οι περισσότερες στατιστικές αναλύσεις κάνουν την υπόθεση ότι τα στοιχεία έχουν συλλεχθεί κατά τρόπο τυχαίο. Αυτός ο όρος είναι σημαντικός ως προϋπόθεση για τα θεμελιώδη στατιστικά που χρησιμοποιούνται στην ταξινόμηση. Παρόλο που η τυχαία δειγματοληψία μειώνει στο ελάχιστο τη μεροληψία του χειριστή, παρουσιάζει ένα σημαντικό μειονέκτημα, αφού κατά την εφαρμογή της, οι επιφάνειες δεν είναι διασκορπισμένες ομοιόμορφα στο σύνολο της περιοχής μελέτης ενώ παράλληλα για μικρά τμήματα της περιοχής μελέτης μπορεί να γίνει μικρή δειγματοληψία ή να λείπουν από τις δειγματοληπτικές επιφάνειες. Τέλος, οι περιοχές που είναι τυχαία τοποθετημένες μπορεί να μην είναι εύκολα προσβάσιμες. Η τυχαία δειγματοληψία μπορεί να μην είναι τόσο αποτελεσματική όσο η σκόπιμη μέθοδος δειγματοληψίας. Παρόλα αυτά, επειδή δεν υπάρχει η μεροληψία του μελετητή στον εντοπισμό των δειγματοληπτικών επιφανειών, τα δεδομένα που προκύπτουν έχουν μεγαλύτερη γενική χρησιμότητα και αποδοχή Στρωματοποιημένη τυχαία δειγματοληψία Η στρωματωμένη δειγματοληψία διατηρεί τον απαραίτητη παράμετρο της τύχης ξεπερνώντας την πιθανότητα να είναι ανομοιόμορφα κατανεμημένες οι δειγματοληπτικές επιφάνειες. Με τη χρήση βοηθητικών δεδομένων διακρίνονται οι κατηγορίες στρώματα, για τα οποία θα γίνει η δειγματοληψία, με σκοπό να δημιουργηθούν ομάδες οι οποίες θα έχουν έστω και μία παρόμοια ιδιότητα, ώστε να είναι όσο το δυνατό πιο ομοιογενείς. Ορίζεται λοιπόν, ένας συγκεκριμένος αριθμός δειγματοληπτικών επιφανειών για κάθε κατηγορία-στρώμα ανάλογα με το μέγεθός της ή τη σημαντικότητά της σε σχέση με τους σκοπούς της έρευνας ή του προγράμματος για τα το οποίο πραγματοποιείται η δειγματοληψία. Στη συνέχεια πραγματοποιείται δειγματοληψία σε κάθε μία από αυτές για να επιτευχθεί επαρκής στατιστική αξιοπιστία. Είναι καλύτερη από την απλή τυχαία δειγματοληψία, επειδή μειώνεται πολύ το δειγματοληπτικό σφάλμα. Η στρωματωμένη δειγματοληψία επιλέγεται όταν: 1) απαιτούνται μετρήσεις για τα ομοιογενή υποσύνολα-στρώματα της περιοχής μελέτης, 2) η επιθυμητή ακρίβεια δεν είναι ίδια για όλα τα στρώματα, 3) το κόστος αξιολόγησης και/ή τα χαρακτηριστικά που καταγράφονται δεν είναι ίδια για όλα τα στρώματα και 4) διαφορετικά δειγματοληπτικά πρωτόκολλα χρησιμοποιούνται στα διαφορετικά στρώματα. [84]

109 Συστηματική δειγματοληψία Η συστηματική δειγματοληψία ορίζει τις δειγματοληπτικές επιφάνειες σε θέσεις που να απέχουν ίσα διαστήματα μεταξύ τους, π.χ. στα σημεία τομής ενός καννάβου-πλέγματος. Οι δειγματοληπτικές επιφάνειες δεν κατανέμονται δηλαδή τυχαία στην περιοχή μελέτης, αλλά με βάση κάποιον συστηματικό σχεδιασμό (συνήθως χρησιμοποιείται ένα πλέγμα τετραγωνικών κελιών). Ο παράγοντας τύχη σε αυτήν τη δειγματοληψία έγκειται στην επιλογή της πρώτης δειγματοληπτικής επιφάνειας, αφού οι επόμενες θα επιλεχθούν με βάση το σχεδιασμό που έγινε. Τα σημαντικότερα πλεονεκτήματα της συστηματικής δειγματοληψίας είναι ότι μπορούν να βρεθούν εύκολα οι δειγματοληπτικές επιφάνειες, η περιοχή μελέτης καλύπτεται ομοιόμορφα και η αποδοτικότητά της είναι καλύτερη σε σχέση με την απλή τυχαία δειγματοληψία (Köhl et al, 2006). Παρόλα αυτά η συστηματική δειγματοληψία είναι λιγότερο αποδοτική οικονομικώς σε σχέση με τη στρωματωμένη δειγματοληψία Μη ευθύγραμμη συστηματική δειγματοληψία Σε αυτήν τη μέθοδο δειγματοληψίας χρησιμοποιείται πάλι ένας κάνναβος, όπως στην συστηματική μέθοδο, ο οποίος όμως ορίζει τη θέση κάθε δειγματοληπτικής επιφάνειας τυχαία μέσα στην έκταση του κάθε κελιού. Με τον τρόπο αυτό επιτυγχάνεται και βελτιώνεται, σε σχέση με την προηγούμενη μέθοδο, σε κάποιο βαθμό ο παράγοντας τύχη, που περιορίζεται από τα όρια του εκάστοτε κελιού. Ο κάνναβος εξασφαλίζει ότι σε όλες τις εκτάσεις της περιοχής μελέτης θα πραγματοποιηθεί δειγματοληψία. Η τύχη στης δειγματοληψίας αυτής παρουσιάζεται και στην επιλογή ενός τυχαίου αριθμού για κάθε στήλη και για κάθε σειρά του καννάβου. Η χρήση της μη ευθύγραμμης δειγματοληψίας εξασφαλίζει ότι οι δειγματοληπτικές επιφάνειες θα κατανεμηθούν ομοιόμορφα στην περιοχή μελέτης και θα γίνει δειγματοληψία σε όλη την έκτασή της. Ακόμη η τυχαία θέση τους μέσα στα όρια κάθε κελιού, θεωρείται ότι είναι ικανή συνθήκη ώστε να ξεπεραστεί η ακούσια τοποθέτηση των δειγματοληπτικών επιφανειών σε ευθεία Δειγματοληψία σε ομάδες Κάθε δειγματοληψία βασίζεται στη διάκριση του πληθυσμού ή των χαρακτηριστικών της περιοχής μελέτης σε μικρότερες σαφώς ορισμένες μονάδες. Στη δειγματοληψία σε ομάδες, δυο ή περισσότερες από τις μονάδες που έχουν διακριθεί, συμπεριλαμβάνονται στο ίδιο δείγμα για κάθε δειγματοληπτική επιφάνεια. Ο συνυπολογισμός των δύο ή περισσότερων μονάδων στην ίδια ομάδα εντείνει την προσπάθεια δειγματοληψίας σε κάθε δειγματοληπτική επιφάνεια. Έτσι σε κάθε δειγματοληπτική επιφάνεια χρησιμοποιούνται κομβικά σημεία, που αποτελούν το κέντρο κάθε ομάδας. Τα σημεία εκείνα της δειγματοληπτικές επιφάνειας που έχουν τι ίδιες ιδιότητες με τα κομβικά σημεία ανήκουν στην ίδια [85]

110 ομάδα. Μπορούν να επιλεγεί οποιοσδήποτε αριθμός δειγματοληπτικών σημείων και οποιοδήποτε σημείο στις δορυφορικές εικόνες μπορεί να συνδεθεί με τα κομβικά σημεία. Τα κομβικά σημεία μπορεί να επιλεγούν είτε τυχαία είτε με στρωματοποίηση κάποιων κατηγοριών ή με αυστηρή επιλογή μόνο των περιοχών που είναι προσβάσιμες. Από πρακτική άποψη, η δειγματοληψία σε ομάδες έχει μερικά πλεονεκτήματα: σε εδάφη με δύσκολη πρόσβαση, αυτή η μέθοδος επιτρέπει στο χειριστή να επιλέξει περιοχές με ευκολότερη πρόσβαση. Άλλο πλεονέκτημα είναι ότι ο χρόνος δειγματοληψίας στο πεδίο μπορεί να μειωθεί σημαντικά χρησιμοποιώντας λιγότερες δειγματοληπτικές επιφάνειες Κατά προτίμηση ή σκόπιμη δειγματοληψία Η σκόπιμη δειγματοληψία οδηγεί σε εντοπισμό επιφανειών «υποκειμενικά χωρίς προδικασμένη μεροληψία» (Mueller-Dombois και Ellenberg 1974). Η κατά προτίμηση δειγματοληψία βασίζεται εξ ολοκλήρου στην κρίση του χειριστή, όπου σκόπιμα και προμελετημένα επιλέγει «αντιπροσωπευτικές» δειγματοληπτικές επιφάνειες. Αυτό δικαιολογείται εάν ο χειριστής είναι αρκετά έμπειρος, από εργασίες όπου είναι απαραίτητη η δειγματοληψία, και είναι γνώστης της έκτασης και της ποικιλίας που υπάρχει στην υπό μελέτη περιοχή. Η εμπειρία του χειριστή στο πεδίο καθορίζει που θα τοποθετηθούν οι δειγματοληπτικές επιφάνειες έτσι, ώστε να αντιπροσωπεύονται καλύτερα η μεταβλητότητα μέσα σε κάθε κατηγορία. H σκόπιμη δειγματοληψία απαιτεί κάποιου είδους προ στρωματοποίησης πριν την εφαρμογή της. Ο χειριστής πρέπει να αποφασίσει εκ των προτέρων τι είδους συνθήκες χρειάζεται να ελεγχθούν, ερευνά και ψάχνει αυτές τις συνθήκες και δημιουργεί δειγματοληπτικές επιφάνειες μόνο σε εκείνες τις περιοχές όπου εμφανίζονται οι παραπάνω συνθήκες. Δεν επιλέγονται τυχαία οι περιοχές που θα γίνει η δειγματοληψία, αλλά ο εντοπισμός των επιφανειών γίνεται «υποκειμενικά». Αυτό σημαίνει ότι οι δειγματοληπτικές επιφάνειες επιλέγονται προσεκτικά για την ομοιογένεια της βλάστησης και του περιβάλλοντος, αλλά δεν επιλέγονται επειδή ταιριάζουν έναν προκαθορισμένο τύπο βλάστησης. Η διαδικασία αυτή μπορεί να εισαγάγει μεροληπτικά σφάλματα και να οδηγήσει σε λανθασμένα συμπεράσματα (Μαλλίνης, 2006). Η σκόπιμη δειγματοληψία προτιμάτε όταν υπάρχουν οικονομικοί περιορισμοί και όταν οι δειγματοληπτικές επιφάνειες είναι πραγματικά αντιπροσωπευτικές για τις υπόλοιπες περιοχές της περιοχής μελέτης. Επίσης αυτή η μέθοδος λειτουργεί άριστα όταν υπάρχει ένας ορισμένος στόχος που πρέπει να ελεγχθεί. Το κύριο μειονέκτημα της μεθόδου δειγματοληψίας είναι ότι πρέπει να γίνεται προσεκτικά η χρήση και η ερμηνεία των αποτελεσμάτων, αφού η κατά προτίμηση δειγματοληψία συχνά οδηγεί σε συμπεράσματα που δεν είναι έγκυρα για το σύνολο της περιοχής μελέτης. Το πλεονέκτημα αυτής της μεθόδου είναι ότι οι αντιπροσωπευτικές επιφάνειες μπορούν να είναι κάλλιστα κοντά σε δρόμο παρά κάπου απομακρυσμένα, όπου ο χειριστής να πρέπει να περπατήσει για πολλές ώρες ώστε να συλλέξει παρόμοιες [86]

111 πληροφορίες. Παρόλα αυτά μόνο κάποιο έμπειρο άτομο και εξοικειωμένο με την περιοχή μελέτης, θα γνωρίζει σε ποια απομακρυσμένη περιοχή υπάρχουν παρόμοιες πληροφορίες με περιοχές περισσότερο προσβάσιμες. Αυτή η μέθοδος είναι η καλύτερη επιλογή για περιοχές όπου αντιμετωπίζονται προβλήματα σχετικά με την πρόσβαση σε δύσβατα και απομακρυσμένα μέρη της περιοχής μελέτης. Το κυριότερο μειονέκτημα της μεθόδου είναι η μεροληψία του χειριστή, ανεξάρτητα από το πόσο προσεκτικά ολοκλήρωσε την εργασία. Έτσι, οποιαδήποτε προσπάθεια εκτίμησης της ακρίβειας και του βαθμού πιστότητας (confidence) του παραγόμενου τελικού χάρτη, είναι στατιστικά άκυρες, ακόμη και αν οι αριθμοί είναι υψηλοί, αφού ο παράγοντας τύχη δε χρησιμοποιήθηκε. Όταν οι δειγματοληπτικές επιφάνειες επιλέγονται σκόπιμα, η αξιοπιστία στην εκτίμηση της ακρίβειας εξαρτάται εντελώς (εξ ολοκλήρου) και μόνο από την αξιοπιστία του χειριστή που πραγματοποίησε τις μετρήσεις. Ωστόσο, η μέθοδος αυτή εξαιτίας της πρακτικότητας και της ευκολίας στον εντοπισμό των δειγματοληπτικών επιφανειών χρησιμοποιείται ευρέως, αν και έχει φτωχές συστάσεις. Αν ο τελικός χρήστης του παραγόμενου χάρτη είναι άτομο εξοικειωμένο με την περιοχή μελέτης, μπορεί επίσης να χρησιμοποιηθεί στη διεξαγωγή των μετρήσεων στις δειγματοληπτικές επιφάνειες, όταν εφαρμόζεται αυτή η μέθοδος δειγματοληψίας. Οποιοσδήποτε ακολουθήσει αυτήν τη μέθοδο δειγματοληψίας πρέπει να έχει υπόψη να τραβήξει πολλές φωτογραφίες από τις δειγματοληπτικές επιφάνειες, ώστε να δείξει το μέγεθος της μεταβλητότητας για κάθε κατηγορία που αντιπροσωπεύεται στα δείγματα. Τέλος ο χειριστής που θα πραγματοποιήσει τη δειγματοληψία πρέπει να είναι σίγουρος ότι το επιλεγόμενο κάθε φορά δείγμα είναι πραγματικά αντιπροσωπευτικό για κάθε κλάση κατηγορία. Στα πλαίσια της εργασίας εφαρμόστηκε το τελευταίο δειγματοληπτικό σχέδιο Μέγεθος δειγματοληπτικών επιφανειών Παρά τις προσπάθειες διαφόρων ερευνητών, δεν έχει βρεθεί, ακόμα, κάποιος αυστηρός κανόνας για τον καθορισμό του μεγέθους των δειγματοληπτικών επιφανειών που χρειάζονται. Ο γενικός κανόνας είναι πως το μέγεθος της δειγματοληπτικής επιφάνειας να είναι τουλάχιστον ίσο με την ελάχιστη μονάδα χαρτογράφησης που εφαρμόστηκε σε χάρτη, ο οποίος δημιουργήθηκε από δεδομένα τηλεπισκόπησης(congalton and Green, 1999). Η αδυναμία εφαρμογής αυτού του κανόνα θα προκαλέσει πολλά σφάλματα στη δειγματοληψία. Δεν είναι δυνατό να επιλεγεί ως δειγματοληπτική επιφάνεια μια περιοχή 5 m 2, όταν χρησιμοποιούνται δεδομένα Landsat, του οποίου η χωρική ανάλυση είναι 30m x 30m. [87]

112 Όσον αφορά το μέγεθος των δειγματοληπτικών επιφανειών σε συνδυασμό με τα δεδομένα Τηλεπισκόπησης, και κυρίως με δορυφορικά δεδομένα, θα πρέπει να λαμβάνονται υπόψη η ομοιογένεια της έκτασης και η χωρική ανάλυση των δορυφορικών εικόνων, που συνήθως συμπίπτει με το μέγεθος των εικονοστοιχείων των εικόνων (McCoy, 2005). Κι αυτό γιατί, ο σκοπός των μετρήσεων πεδίου που πραγματοποιούνται, είναι κυρίως για να βρεθεί η σχέση μεταξύ των μοναδικών τιμών των εικονοστοιχείων για κάθε κανάλι των δορυφορικών δεδομένων με τις πληροφορίες και το σύνολο των δεδομένων που σχετίζονται με τις πραγματικές μετρήσεις στο αντίστοιχο σημείο στο έδαφος. Για να γίνει η αντιστοίχιση των εικονοστοιχείων των δορυφορικών δεδομένων με τα αντίστοιχα σημεία στην επιφάνεια της γης, ο χειριστής πρέπει να γνωρίζει με ακρίβεια τις γεωγραφικές συντεταγμένες των δειγματοληπτικών επιφανειών. Κρίνεται λοιπόν απαραίτητη η χρησιμοποίηση των G.P.S. (Global Positioning System) τα οποία να έχουν όσο το δυνατό μεγαλύτερη ακρίβεια. Οι Justice και Townshed (1981) πρότειναν έναν χρήσιμο τύπο για τον καθορισμό του μεγέθους της δειγματοληπτικής επιφάνειας: όπου: Α = το ελάχιστο μέγεθος της επιφάνειας, P = το μέγεθος του εικονοστοιχείου και Α = P (1 + 2L) L = η εκτιμώμενη ακρίβεια του GPS, υπολογισμένη σε εικονοστοιχείο. Σύμφωνα με τα τεχνικά χαρακτηριστικά του G.P.S. που χρησιμοποιήθηκε το μέγιστο σφάλμα στην ακρίβεια των μετρήσεών του είναι τα τρία μέτρα. Στην πράξη και στις μετρήσεις που πραγματοποιήθηκαν το σφάλμα δεν ξεπέρασε τα δυο μέτρα. Εφαρμόζοντας τον παραπάνω τύπο, το ελάχιστο μέγεθος της δειγματοληπτικής επιφάνειας θα πρέπει να είναι τουλάχιστον 14 x 14 μέτρα. Στις μετρήσεις πεδίου που πραγματοποιήθηκαν, οι δειγματοληπτικές επιφάνειες είχαν μέγεθος 20x20 μέτρα και σε περιπτώσεις που η δειγματοληπτική επιφάνεια παρουσίαζε μεγάλη ομοιογένεια ήταν 30x30 μέτρα Συλλογή στοιχείων υπαίθρου Οι μετρήσεις πεδίου και η συλλογή στοιχείων υπαίθρου πραγματοποιήθηκε σε δυο διαφορετικές περιόδους: τους μήνες Μάιο Ιούνιο και τους μήνες Αύγουστο Σεπτέμβριο. Στην πρώτη περίοδο πραγματοποιήθηκαν μετρήσεις πεδίου σε όλο την έκταση των νομών Χαλκιδικής και Αττικής και στη δεύτερη περίοδο πραγματοποιήθηκαν εκτενείς μετρήσεις πεδίου και συλλογή δεδομένων για το Πανεπιστημιακό Δάσος του Ταξιάρχη, που χρησιμοποιήθηκαν στην εφαρμογή των [88]

113 νευρωνικών δικτύων. Η διενέργεια των μετρήσεων πεδίου αυτές τις περιόδους έγιναν για τους εξής λόγους: α) Οι μετρήσεις πεδίου το μήνα Μάιο πραγματοποιήθηκαν γιατί κρίθηκε σκόπιμο να γίνουν αμέσως μετά την παραλαβή των δορυφορικών εικόνων SPOT5 έτσι, ώστε να αποκτηθεί εμπειρία στη φωτοερμηνεία και στην οπτική συσχέτιση των χρωματικών προτύπων της εικόνας με τη δομή και τη σύνθεση των δασικών περιοχών, β) στους παραπάνω επικρατούν ήπιες κλιματολογικές συνθήκες, οπότε η προσπέλαση δύσκολων συστάδων και οι μετακινήσεις στις περιοχές μελέτης ήταν λιγότερο χρονοβόρες και επίπονες, γ) για το Πανεπιστημιακό Δάσος του Ταξιάρχη, μετά από συζήτηση με την αρμόδια δασική υπηρεσία, η συγκεκριμένη χρονική περίοδος, προτάθηκε ως η καλύτερη για την παροχή υποστήριξης κατά τη διάρκεια των μετρήσεων. Στα πλαίσια της διατριβής για το σχεδιασμό των δειγματοληπτικών επιφανειών, για τη διενέργεια μετρήσεων πεδίου, εφαρμόστηκε η επιλεκτική μέθοδος δειγματοληψίας. Σε πρώτο στάδιο πραγματοποιήθηκαν επισκέψεις στις περιοχές μελέτης και μετακίνηση σε διάφορες περιοχές για την αναγνώριση της γενικότερης υφιστάμενης κατάστασης της καύσιμης ύλης και το σχεδιασμό της δειγματοληψίας. Για το σχεδιασμό της δειγματοληψίας λήφθηκαν υπόψη τα εξής στοιχεία: 1) οι διαφορετικοί τύποι καύσιμης ύλης να είναι ευκρινώς διαχωρίσιμοι μεταξύ τους, 2) τα στοιχεία υπαίθρου που θα συλλεχθούν να είναι όσο το δυνατό αντιπροσωπευτικά από όλη την έκταση της κάθε περιοχής μελέτης, β) να γίνει συλλογή από τον ίδιο περίπου αριθμό για όλες τις κατηγορίες καύσιμης ύλης, εφόσον αυτό είναι εφικτό και 4) το μέγεθος των δειγματοληπτικών επιφανειών να είναι τέτοιο ώστε οι περιοχές όπου έγινε η δειγματοληψία να παρουσιάζουν ομοιογένεια ως προς κατάσταση της βλάστησης και κατ επέκταση ως προς το είδος της καύσιμης ύλης και να είναι όσο το δυνατό αντιπροσωπευτικότερη η κάλυψη της περιοχής μελέτης. Τα επίπεδα πληροφοριών που χρησιμοποιήθηκαν στο σχεδιασμό της δειγματοληψίας ήταν: α) το οδικό δίκτυο των περιοχών μελέτης, όπως προέκυψε από τις ορθοφωτογραφίες κλίμακας 1:5.000 του Υπουργείου Αγροτικής Ανάπτυξης, β) οι χάρτες βλάστησης των περιοχών μελέτης από τις δασικές υπηρεσίες, γ) το ψηφιακό μοντέλο εδάφους των περιοχών μελέτης και οι χάρτες εκθέσεων και κλίσεων που προέκυψαν από αυτό. [89]

114 Με το συνδυασμό των παραπάνω, αρχικά επιλέχτηκαν στο χάρτη οι «υποψήφιες» δειγματοληπτικές επιφάνειες, για τις οποίες κρίθηκε απαραίτητο να πραγματοποιηθούν μετρήσεις πεδίου και συλλογή δεδομένων. Κατά τη διάρκεια των μετρήσεων πεδίου, όπου κρίθηκε απαραίτητο δημιουργήθηκαν, πέρα από τις παραπάνω δειγματοληπτικές επιφάνειες και νέες, για τις οποίες έγιναν και σε αυτές μετρήσεις Πρωτόκολλο καταγραφής τύπων καύσιμης ύλης Για τη συλλογή και τη καταγραφή των στοιχείων στη διάρκεια των μετρήσεων πεδίου σχεδιάστηκε και χρησιμοποιήθηκε ένα πρωτόκολλο δειγματοληψίας που περιλάμβανε στοιχεία γενικής και ειδικής περιγραφής της δειγματοληπτικής επιφάνειας (Εικόνα 5-1). Στο πρωτόκολλο καταγραφής (Εικόνα 5-1/τμήμα Α) υπάρχουν πληροφορίες σχετικά με την ημερομηνία που πραγματοποιήθηκε η δειγματοληψία και το ονοματεπώνυμο του ατόμου που την πραγματοποίησε. Στο Β τμήμα του εντύπου περιλαμβάνονται γενικές πληροφορίες σχετικές με τη χωροθέτηση της δειγματοληπτικής επιφάνειας. Τέτοιες πληροφορίες είναι το όνομα της περιοχής όπου έγιναν οι μετρήσεις και ο αριθμός της δειγματοληπτικής επιφάνειας, το γεωγραφικό πλάτος και μήκος της επιφάνειας (το σύστημα συντεταγμένων όπου πραγματοποιήθηκαν οι μετρήσεις έγιναν σε ΕΓΣΑ 87), το εμβαδό της δειγματοληπτικής επιφάνειας, το υπερθαλάσσιο ύψος, η κλίση και η έκθεση της δειγματοληπτικής επιφάνειας. Σε κάθε μέτρηση πραγματοποιήθηκε φωτογράφηση της επιφάνειας για να υπάρχει ολοκληρωμένη εικόνα σχετικά με αυτήν, και στο τμήμα αυτό του εντύπου καταγράφονται ο αριθμός των φωτογραφιών. Στο Γ τμήμα του εντύπου γίνεται λεπτομερής καταγραφή της βλάστησης της δειγματοληπτικής επιφάνειας, όπου πραγματοποιήθηκε μέτρηση. Στο τμήμα αυτό συμπληρώθηκαν πεδία που σχετίζονται με τη βλάστηση του ανωρόφου, του υπορόφου, τους θάμνους, τα χόρτα και το δασικό τάπητα της επιφάνειας. Συγκεκριμένα καταγράφηκε το κυρίαρχο είδος και τα υπόλοιπα είδη για τον ανώροφο και τον υπόροφο, η συγκόμωση (%) του κυρίαρχου είδους σε κάθε όροφο, το μέσο ύψος των δέντρων της δειγματοληπτικής επιφάνειας, καθώς και το μέσο ύψος των κορμών και της κόμης τους. Να σημειωθεί ότι για κάθε δειγματοληπτική επιφάνεια έγινε καταμέτρηση και του αριθμού των δέντρων που υπήρχαν σε αυτήν η οποία καταγράφτηκε στο τμήμα Ε (Παρατηρήσεις) του εντύπου. Όσον αφορά τους θάμνους και τα χόρτα, έγινε καταγραφή της σύνθεσης της βλάστησης, της ποσοστού κάλυψης και του μέσου ύψους των θάμνων και των [90]

115 χόρτων αντίστοιχα για τη δειγματοληπτική επιφάνεια. Ακόμη καταγράφηκε ο δασικός τάπητας και το μέσο βάθος που είχε. Στο Δ τμήμα του εντύπου δειγματοληψίας καταγράφηκε ο τύπος της καύσιμης ύλης στην οποία ανήκει η δειγματοληπτική επιφάνεια όπου πραγματοποιήθηκε μέτρηση. Στο Ε τμήμα έγινε καταγραφή πληροφοριών που σχετίζονται με τη δειγματοληπτική επιφάνεια όπως ο αριθμός των δέντρων που υπάρχουν σε αυτή, η ύπαρξη τυχόν πεσμένων δέντρων από ανεμορριψίες ή δέντρα προσβεβλημένα από αρρώστιες, η ύπαρξη κλαδιών από υλοτομίες, η κατάσταση του δασικού τάπητα κα. Στο Ζ τμήμα του εντύπου σημειώθηκε η θέση του βορρά από το σημείο που πραγματοποιήθηκε η φωτογράφηση της δειγματοληπτικής επιφάνειας, για κάθε φωτογραφία ξεχωριστά. Για κάθε δειγματοληπτική επιφάνεια λήφθηκαν τουλάχιστον 4 φωτογραφίες ώστε να υπάρχει ολοκληρωμένη εικόνα της επιφάνειας. Τα στοιχεία που συλλέχθηκαν για τις δειγματοληπτικές επιφάνειες μετατράπηκαν σε ψηφιακή μορφή και δημιουργήθηκε μια νέα γεωγραφική βάση δεδομένων, όπου συνδέθηκαν με τις φωτογραφίες που ελήφθησαν για κάθε μια από αυτές. Στη συνέχεια η νέα γεωγραφική βάση δεδομένων ενσωματώθηκε με την αρχική βάση δεδομένων. Τέλος να σημειωθεί ότι για την πραγματοποίηση των μετρήσεων χρησιμοποιήθηκαν τα εξής όργανα: GPS Thales Magellan ProMark 3, της εταιρείας Magellan. Densitometer, όργανο μέτρησης της πυκνότητας της κόμης, για τη μέτρηση του ποσοστού συγκόμωσης. Είναι ένα όργανα που έχει τοποθετημένα σύστημα κατόπτρων 45 ο και φυσαλίδων σταθεροποίησης. Disto της εταιρείας Leica, που είναι ένα όργανο laser μέτρησης αποστάσεων, για την ακριβή μέτρηση αποστάσεων και των υψών των δέντρων. Πυξίδα, μετροταινία. [91]

116 Α Β Γ Δ Ζ Ε Εικόνα 5-1 Πρωτόκολλο καταγραφής [92]

117 5.3 Δορυφορικά δεδομένα Η προεπεξεργασία των δορυφορικών δεδομένων είναι η διόρθωση σφαλμάτων και η απομάκρυνση ελαττωμάτων που τυχόν υπάρχουν στις εικόνες και εφαρμόζεται σε αυτά πριν χρησιμοποιηθούν για κάποιο συγκεκριμένο σκοπό (Mather, 2004). Αυτές οι διαδικασίες έχουν ως σκοπό να βελτιώσουν τις ραδιομετρικές και γεωμετρικές παραμορφώσεις των δεδομένων εξαιτίας του αισθητήρα και της δορυφορικής πλατφόρμας. Η προεπεξεργασία των δορυφορικών δεδομένων αφορά εκείνες τις ποσοτικές και προκαταρκτικές διεργασίες, οι οποίες έχουν ως σκοπό τη διόρθωση των σφαλμάτων που υπάρχουν στα δεδομένα και, κατά συνέπεια, την ποιοτική τους βελτίωση, πριν χρησιμοποιηθούν για οποιοδήποτε σκοπό (Καρτέρης, 2004). Αυτές οι διεργασίες έχουν ως σκοπό να βελτιώσουν τις ραδιομετρικές και γεωμετρικές παραμορφώσεις των δεδομένων που οφείλονται στον αισθητήρα και στη δορυφορική πλατφόρμα. Στις επόμενες παραγράφους θα γίνει περιγραφή των διορθώσεων που πραγματοποιήθηκαν στα δορυφορικά δεδομένα, ώστε να γίνει περαιτέρω επεξεργασία και ανάλυση αυτών για τη χαρτογράφηση της καύσιμη ύλης Ραδιομετρική προεπεξεργασία Η ραδιομετρική προεπεξεργασία αφορά τις διεργασίες που γίνονται ώστε να διορθωθούν τα σφάλματα των δορυφορικών δεδομένων που σχετίζονται με την ατμοσφαιρική διάχυση και απορρόφηση, τις μεταβολές της γωνίας σάρωσης, τις μεταβολές της γωνίας πρόσπτωσης του ήλιου και του «θορύβου» του συστήματος. Η ραδιομετρική προ-επεξεργασία ή ραδιομετρική διόρθωση επιδρά και επαναπροσδιορίζει τις τιμές φωτεινότητας. Η διαδικασία της ραδιομετρικής διόρθωσης απαιτεί κατ' αρχήν τη γνώση της φύσης της παραμόρφωσης. Πρέπει να τονιστεί ότι η επιλογή των σφαλμάτων που θα διορθωθούν δεν είναι πάντα η ίδια, αφού αυτή εξαρτάται από το σχεδιαζόμενο είδος χρήσης της δορυφορικής εικόνας. Όταν το αντικείμενο της έρευνας είναι οι διαχρονικές αναλύσεις και συγκρίσεις μεταξύ διαφορετικών δορυφορικών συστημάτων (καταγραφέων) καθώς και οι συσχετίσεις μεταξύ της καταγραφόμενης από το δορυφορικό σύστημα ανακλώμενης ακτινοβολίας και περιβαλλοντικών μεταβλητών, τότε απαιτείται λεπτομερής ραδιομετρική προσαρμογή ή διόρθωση των δεδομένων εξαιτίας φαινομένων ατμοσφαιρικής σκέδασης και απορρόφησης (Richards, 1986, Chavez, 1989, Hill και Sturm, 1991). Σε αντίθεση με τη γεωμετρική διόρθωση στην οποία όλες οι πηγές λαθών διορθώνονται συνήθως μαζί, οι διαδικασίες ραδιομετρικής διόρθωσης είναι εξειδικευμένες ανάλογα με την παραμόρφωση και την εφαρμογή (Richards, 1993). [93]

118 Ο θόρυβος των συγκεκριμένων δορυφορικών εικόνων προέρχεται κυρίως από την επίδραση της ατμόσφαιρας, δηλαδή στη διάχυση και απορρόφηση της ανακλώμενης ηλιακής ακτινοβολίας Εφαρμογή ραδιομετρικής διόρθωσης στα δεδομένα Εφόσον το ερευνητικό αντικείμενο της παρούσας έρευνας δεν αφορά διαχρονικές αναλύσεις και συγκρίσεις μεταξύ διαφορετικών δορυφορικών συστημάτων, ούτε συσχετίσεις μεταξύ της καταγραφόμενης από τον αισθητήρα ανακλώμενης ακτινοβολίας και περιβαλλοντικών μεταβλητών, δεν απαιτείται λεπτομερής ραδιομετρική διόρθωση των αρχικών δορυφορικών δεδομένων. Στα δεδομένα κρίθηκε ικανοποιητική μια γενική διόρθωση των ατμοσφαιρικών επιδράσεων. Παρατηρήθηκε σε περιοχές με νερό ότι οι τιμές φωτεινότητας, ενώ θα έπρεπε να είναι μηδέν ή περίπου μηδέν, αυτές ήταν πολύ μεγαλύτερες. Γίνεται αυτονόητο, ότι η υψηλότερη τιμή που παρατηρείται στα εικονοστοιχεία που αντιστοιχούν στο νερό θα έχει προστεθεί στις τιμές φωτεινότητας όλων των εικονοστοιχείων της δορυφορικής εικόνας. Η ραδιομετρική διόρθωση των αρχικών δορυφορικών δεδομένων έγινε με την εφαρμογή της μεθόδου της ελάχιστης τιμής ιστογράμματος (Richards 1986), η οποία περιλαμβάνει αρχικά τον υπολογισμό των ιστογραμμάτων για κάθε δίαυλο της εικόνας και στη συνέχεια αφαιρείται η ελάχιστη τιμή από κάθε δίαυλο, με αποτέλεσμα να προκύπτουν νέα ιστογράμματα, τα οποία εφάπτονται στην αρχή των αξόνων. Έτσι σε κάθε δίαυλο αφαιρέθηκε από κάθε εικονοστοιχείο τιμή τέτοια, ώστε η ελάχιστη μετρούμενη τιμή φωτεινότητας να είναι ίση με ένα. Αν π.χ. σε ένα δίαυλο η χαμηλότερη τιμή ήταν 66 (Πίνακας 5-1), τότε από όλα τα εικονοστοιχεία του διαύλου αφαιρέθηκε η τιμή 65 (Richards, 1986). Τα δεδομένα από τα οποία αφαιρέθηκαν οι ελάχιστες τιμές φωτεινότητας παρουσιάζουν μια πιο ρεαλιστική απεικόνιση της πραγματικότητας (Mather, 1999). Αντιπροσωπευτικά είναι τα ιστογράμματα για τις τιμές των διαύλων 1 για τις εικόνες και /2 (Σχήμα 5-1) [94]

119 Πίνακας 5-1 Στατιστικά στοιχεία των διαύλων των δορυφορικών εικόνων SPOT5 Εικόνα: Εικόνα: /0 ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ B ,785 B ,951 B ,316 B ,037 B ,631 B3 6 24,518 B ,513 B4 1 20,844 Εικόνα: Εικόνα: /2 ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ B ,62 B ,691 B ,545 B ,523 B3 5 44,601 B3 8 71,863 B ,042 B4 5 69,339 Εικόνα: Εικόνα: /2 ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ B ,654 B ,102 B ,829 B ,217 B3 7 40,602 B ,049 B4 1 28,006 B4 5 43,996 Εικόνα: /2 Εικόνα: /5 ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ B ,032 B ,119 B ,235 B ,989 B3 6 45,028 B3 6 62,166 B4 1 35,013 B4 2 69,637 Εικόνα: /0 ΕΛΑΧΙΣΤΗ ΤΙΜΗ ΜΕΣΗ ΤΙΜΗ B ,582 B ,627 B3 5 49,128 B4 1 56,972 [95]

120 α) β) Σχήμα 5-1 Ιστογράμματα του φασματικού διαύλου Β1 για τις εικόνες α) και β) /2. Τα πάνω ιστογράμματα ανήκουν στα αρχικά δορυφορικά δεδομένα και τα κάτω στα διορθωμένα ραδιομετρικά δορυφορικά δεδομένα Επειδή κάποια από τα διαθέσιμα δορυφορικά δεδομένα προέρχονται από διαφορετικές ημερομηνίες λήψης, κρίθηκε απαραίτητο να εφαρμοστούν σε αυτά σε δεύτερη φάση άλλη μια τεχνική ραδιομετρικής διόρθωσης, ώστε να διευκολυνθεί η δημιουργία των μωσαϊκών των περιοχών μελέτης και η περαιτέρω επεξεργασία τους. Εφαρμόστηκε λοιπόν στα δορυφορικά δεδομένα η μέθοδος της προσαρμογής των ιστογραμμάτων (histogram matching) των εικόνων, όπου σκοπός είναι η προσαρμογή των μεμονωμένων αθροιστικών ιστογραμμάτων συχνότητας μέσω μιας μη γραμμικής σχέσης στο σχήμα του αθροιστικού ιστογράμματος του συνόλου της εικόνας. Επιλέχθηκε η παραπάνω μέθοδος αφού είναι χρήσιμη για την ταύτιση δεδομένων από γειτονικές εικόνες οι οποίες έχουν ληφθεί σε διαφορετική χρονική στιγμή ή μπορεί, αν έχουν αποκτηθεί το ίδιο χρονικό διάστημα, να διαφέρουν ελάχιστα εξαιτίας της διαφορετικής γωνίας κλίσης του ήλιου ή λόγω ατμοσφαιρικών επιδράσεων. Επιπλέον η μέθοδος της ταύτισης των ιστογραμμάτων είναι πολύ χρήσιμη όταν το τελικό αποτέλεσμα είναι ένα μωσαϊκό εικόνων. Για το Ν. Χαλκιδικής οι εικόνες /2 και /2 αποκτήθηκαν την ίδια ημερομηνία οπότε δεν εφαρμόστηκε η παραπάνω μέθοδος. Στις υπόλοιπες εικόνες όμως ( , , /2, /0) εφαρμόστηκε η ταυτοποίηση των ιστογραμμάτων με βάση τις δύο προηγούμενες. Παρόλα αυτά για την εικόνα /0 λόγω των μεγάλων διαφορών στις τιμές που αφορούν τα χαρακτηριστικά του αισθητήρα (γωνία πρόσπτωσης, οπτική γωνία, διαφορετική γωνία κλίσης του ήλιου) δεν μπόρεσε να εφαρμοστεί με επιτυχία η μέθοδος της ταύτισης των [96]

121 ιστογραμμάτων με καμία από τις δυο εικόνες με βάση τις οποίες εφαρμόστηκε η μέθοδος, παρά μόνο με την εικόνα Στην εικόνα εφαρμόστηκε και η μη γραμμική διόρθωση της ιστογραμμικής εξισορρόπησης, στην οποία γίνεται αυτόματα μείωση της αντίθεσης στις πολύ ανοιχτές και πολύ σκούρες περιοχές της εικόνας και βελτιώνονται σημαντικά τα μέσα επίπεδα των τιμών φωτεινότητας επεκτείνοντας αυτά σε μεγαλύτερο εύρος της κλίμακας (Καρτέρης, 2004). Για το Ν. Αττικής η μέθοδος της ταυτοποίησης των ιστογραμμάτων εφαρμόστηκε για τις εικόνες και /0 με βάση την 092/273/5 χωρίς κανένα πρόβλημα Γεωμετρική διόρθωση Τα αρχικά δορυφορικά δεδομένα παρουσιάζουν συστηματικά και τυχαία σφάλματα εξαιτίας της κίνησης της γης, της κίνησης του δορυφόρου, των σφαλμάτων που σχετίζονται με τον αισθητήρα και τους δορυφορικούς δέκτες, του τοπογραφικού ανάγλυφου, των υψομετρικών διαφορών κλπ, τα οποία επηρεάζουν τη θέση των εικονοστοιχείων και παραμορφώνουν την εικόνα. Η συνηθέστερη διόρθωση που γίνεται στα δορυφορικά δεδομένα, κατά το στάδιο της προεπεξεργασίας είναι η γεωμετρική διόρθωση. Σκοπός της διόρθωσης αυτής είναι η εύρεση της ακριβούς γεωγραφικής θέσης των εικονοστοιχείων των αρχικών δορυφορικών εικόνων έτσι, ώστε οι πληροφορίες που θα εξαχθούν από αυτές να μπορέσουν να ενσωματωθούν, μαζί με άλλες χαρτογραφικές πληροφορίες, σε ένα Γεωγραφικό Σύστημα Πληροφοριών ή να παρουσιαστούν στον τελικό χρήστη σε μορφή χαρτών, όπως είναι π.χ. οι δορυφορικές εικόνες πρόγνωσης του καιρού στην τηλεόραση. Στην περίπτωση που η γεωμετρική διόρθωση πραγματοποιείται με τη βοήθεια εικόνας που είναι ήδη γεωμετρικά διορθωμένη, τότε η διαδικασία διόρθωσης ονομάζεται και εγγραφή εικόνας (image registration). Ως εγγραφή εικόνας λοιπόν, ορίζεται η διαδικασία μετασχηματισμού συντεταγμένων και προσαρμογής δυο εικόνων παρόμοιας γεωμετρίας και της ίδιας γεωγραφικής περιοχής, κατά την οποία τοποθετούνται έτσι ώστε να συμπίπτουν μεταξύ τους και αντίστοιχα γνωρίσματα της επιφάνειας της Γης να εμφανίζονται στο ίδιο μέρος στις δύο εικόνες (Chen και Lee, 1992). Οι συστηματικές παραμορφώσεις διορθώνονται με την εφαρμογή συγκεκριμένων μαθηματικών σχέσεων που σχετίζονται με τη μοντελοποίηση της κίνησης του αισθητήρα και της πλατφόρμας καθώς και της γεωμετρικής σχέσης της πλατφόρμας με τη γη. Η διαδικασία της γεωμετρικής διόρθωσης ολοκληρώνεται με τη διαδικασία της αναδειγματοληψίας, όπου υπολογίζονται οι νέες τιμές φωτεινότητας για κάθε εικονοστοιχείο στην καινούργια και γεωμετρικά διορθωμένη δορυφορική εικόνα. Περιλαμβάνονται οι ακόλουθες διαδικασίες (Καρτέρης, 2004): [97]

122 Σχηματισμό ενός γεωγραφικά διορθωμένου καννάβου και καθορισμός μιας σχέσης μεταξύ του συστήματος συντεταγμένων της αρχικής δορυφορικής εικόνας και του χάρτης ή μιας άλλης εικόνας. Καθορισμός ενός συνόλου σημείων, ώστε να προσδιοριστούν οι αντίστοιχες συντεταγμένες στα δορυφορικά μη διορθωμένα δεδομένα. Μεταφορά της τιμή φωτεινότητας του κατάλληλου εικονοστοιχείου των δορυφορικών δεδομένων στο αντίστοιχο της διορθωμένης εικόνας. Έτσι αρχικά ορίζονται δύο καρτεσιανά συστήματα συντεταγμένων, όπου το ένα περιγράφει τη θέση των εικονοστοιχείων στην αρχική εικόνα (Α Α1 ως Α4) και το άλλο τη θέση των σημείων στο διορθωμένο κάνναβο (Β Β1 ως Β4) (Kαρτέρης 1999). Τα σφάλματα διορθώνονται με τη βοήθεια σημείων ελέγχου (Ground Control Points GCP), είτε από μετρήσεις πεδίου είτε με τη χρήση άλλων εικόνων και χαρτών μεγάλης ακρίβειας, ώστε να γίνει η γεωμετρική καταχώρηση των αρχικών δεδομένων σε ένα γνωστό σύστημα συντεταγμένων. Στην συνέχεια Μόλις ταυτοποιηθούν αρκετά ζεύγη GCPs, οι πληροφορίες συντεταγμένων επεξεργάζονται για τον καθορισμό των κατάλληλων σχέσεων μετασχηματισμού, οι οποίες πρέπει να εφαρμοστούν στις συντεταγμένες της αρχικής εικόνας (γραμμές και στήλες) για να προσδιοριστούν οι νέες πραγματικές γεωγραφικές συντεταγμένες. Για τον καθορισμό της σχέσης μεταξύ του συστήματος συντεταγμένων του χάρτη και της εικόνας υπάρχουν τρεις τεχνικές. Η πρώτη στηρίζεται στην υιοθέτηση ενός μοντέλου γεωμετρίας της τροχιάς αναλόγως του δορυφόρου και απαιτεί τη γνώση παραμέτρων που περιγράφουν την τροχιά της πλατφόρμας, την περιστροφή της Γης, την ταχύτητα δειγματοληψίας κ.λπ.. Η ακρίβεια ωστόσο που προκύπτει από τη χρήση της συγκεκριμένης τεχνικής γενικά δεν είναι ικανοποιητική (Mather 1999). Η δεύτερη τεχνική στηρίζεται στη χρήση πολυώνυμων μαθηματικών σχέσεων για την εκτίμηση των παραμορφώσεων που υπάρχουν σε μια εικόνα, μέσω της σύγκρισης των διαφορών που υπολογίζονται για επιλεγμένα κοινά σημεία στην εικόνα και στο χάρτη. Από τις διαφορές αυτές προκύπτουν οι συντελεστές ενός εμπειρικού μετασχηματισμού που συσχετίζει τα συστήματα συντεταγμένων της εικόνας και του χάρτη. Τα επιλεγμένα σημεία ονομάζονται επίγεια σημεία ελέγχου (Ground Control Points) και ορίζονται ως σημεία στην επιφάνεια της Γης, στα οποία μπορούν να αναγνωριστούν και οι συντεταγμένες εικόνας (μετρούμενες συνήθως σε γραμμές και στήλες) και συντεταγμένες χάρτη μετρημένες σε μοίρες γεωγραφικού μήκους και πλάτους ή σε μέτρα (Jensen 1996). Ο βαθμός του πολυώνυμου που θα χρησιμοποιηθεί συναρτάται του είδους και της σοβαρότητας της παραμόρφωσης (Mather 1999). Γενικά για μέτριες παραμορφώσεις σε μια [98]

123 σχετικά μικρή γεωγραφική περιοχή (π.χ. τέταρτο σκηνής LANDSAT), ένα πολυώνυμο 1ου βαθμού με έξι άγνωστους παραμέτρους είναι ικανοποιητική. Η λύση της εξίσωσης και η εκτίμηση των παραμέτρων για την οποία απαιτούνται τρία τουλάχιστον επίγεια σημεία ελέγχου, στηρίζεται στη στατιστική μέθοδο των ελαχίστων τετραγώνων. Επιπλέον για τη διόρθωση των παραμορφώσεων λόγω του ανάγλυφου της γήινης επιφάνειας, τα παραπάνω πολυώνυμα δυο διαστάσεων μπορούν να επεκταθούν σε τρισδιάστατα προσθέτοντας συντελεστές για την τρίτη διάσταση το υψόμετρο. Τέλος η τελευταία τεχνική περιλαμβάνει των συνδυασμών της τεχνικής των πολυωνύμων και ενός μοντέλου παραμέτρων τροχιάς για βελτίωση της ακρίβειας. Σχήμα 5-2 Γεωμετρική καταχώρηση αρχικών δεδομένων Οι αλγόριθμοι που χρησιμοποιούνται για την γεωμετρική διόρθωση των δορυφορικών δεδομένων είναι οι ακόλουθοι (Kαρτέρης, 2004): Η πλησιέστερη γειτονία. Με αυτή τη μέθοδο η τιμή φωτεινότητας του εικονοστοιχείου που βρίσκεται πλησιέστερα στο εικονοστοιχείο του καννάβου του οποίου η τιμή θα αλλάξει, μεταφέρεται σε αυτό. Η μέθοδος αυτή είναι απλή και γρήγορη και δίνει τα πιο αξιόπιστα αποτελέσματα. Όμως το μειονέκτημα είναι ότι παραμορφώνει χωρικά κατά μισό εικονοστοιχείο την εικόνα. Η διγραμμική παρεμβολή. Με τη μέθοδο αυτή στο εικονοστοιχείο του καννάβου μεταφέρεται η τιμή που προκύπτει από τον μέσο όρο των τιμών φωτεινότητας τεσσάρων γειτονικών εικονοστοιχείων. Η μέθοδος απαιτεί περισσότερο χρόνο και μειώνει την αντιθέσεις της εικόνας, κάτι που δεν είναι επιθυμητό. [99]

124 Η κυβική συστροφή. Στη μέθοδο αυτή η τιμή που παίρνει το εικονοστοιχείο είναι ο μέσος όρος των τιμών φωτεινότητας των δεκαέξι γειτονικών εικονοστοιχείων. Η μέθοδος είναι ιδιαίτερα χρονοβόρα. Η τελική όμως εικόνα δεν παρουσιάζει ούτε την παραμόρφωση της πρώτης περίπτωσης, ούτε τη μείωση της αντίθεσης της δεύτερης Ορθοδιόρθωση ή ορθοαναγωγή Οι συνηθισμένες τεχνικές γεωμετρικής διόρθωσης, όπως πολυωνυμικοί μετασχηματισμοί, βασίζονται σε γενικές συναρτήσεις που δε σχετίζονται άμεσα με κάποια συγκεκριμένη παραμόρφωση των δορυφορικών δεδομένων ή με την πηγή που προκαλεί το σφάλμα. Έχουν χρησιμοποιηθεί με επιτυχία στις εφαρμογές της τηλεπισκόπησης και των Γεωγραφικών Συστημάτων Πληροφοριών κυρίως όταν έχουν να κάνουν με χαμηλής ανάλυσης και μικρού οπτικού πεδίου δεδομένα. Οι γενικές συναρτήσεις έχουν το πλεονέκτημα της απλοποίησης. Μπορούν να παρέχουν λογικά γεωμετρικά μοντέλα ως εναλλακτική λύση, όταν είναι γνωστές λίγες πληροφορίες για τη γεωμετρική φύση των δεδομένων της εικόνας. Η ορθοαναγωγή ή ορθοδιόρθωση είναι μια μορφή γεωμετρικής διόρθωσης της εικόνας η οποία λαμβάνει υπόψη και το ανάγλυφο του εδάφους. Με την ορθοαναγωγή πραγματοποιείται αφαίρεση των παραμορφώσεων που προκαλεί η αλλαγή του ανάγλυφου του εδάφους, η υψομετρική διαφορά, η κυρτότητα της επιφάνειας της γης στα δορυφορικά δεδομένα. Για την ορθοαναγωγή των αρχικών δορυφορικών δεδομένων απαιτούνται η χρησιμοποίηση του κατάλληλου ψηφιακού μοντέλου εδάφους και των σωστών σημείων ελέγχου εδάφους. Για τη διαδικασία της ορθοαναγωγής των δορυφορικών εικόνων SPOT5 επιλέχθηκε να χρησιμοποιηθεί ένα παραμετρικό μοντέλο (orbital pushbroom model), το οποίο είναι ικανό να υπολογίσει το μετασχηματισμό μεταξύ της θέσης του εικονοστοιχείου στην αρχική δορυφορική εικόνα και του σημείου στο έδαφος για αισθητήρες όπως είναι ο SPOT. Το μοντέλο βασίζεται στις πληροφορίες των μεταδεδομένων, τα οποία περιλαμβάνουν λεπτομερή στοιχεία σχετικά με διάφορες παραμέτρους του αισθητήρα, την τροχιά, τη θέση, την ταχύτητα του αισθητήρα (Σχήμα 5-3). Τα στοιχεία αυτά προέρχονται από όργανα που βρίσκονται ενσωματωμένα στον αισθητήρα, παρόλο που είναι αρκετά ακριβή, συνήθως μετατρέπονται-επεξεργάζονται ώστε να αποκτήσουν τον κατάλληλο προσανατολισμό. Η επεξεργασία αυτή σχετίζεται με μια σειρά από συστήματα συντεταγμένων και περιλαμβάνει το σύστημα συντεταγμένων των εικονοστοιχείων, της δορυφορικής πλατφόρμας, της τροχιάς, το καρτεσιανό γεωμετρικό σύστημα κ.α. [100]

125 Σχήμα 5-3 Διαδικασία δημιουργίας ορθοδιορθωμένης εικόνας. Για την ορθοδιόρθωση των αρχικών δορυφορικών δεδομένων χρησιμοποιούνται το ψηφιακό μοντέλο εδάφους, στοιχεία σχετικά με τη θέση και τη βαθμονόμηση του αισθητήρα Εφαρμογή του παραμετρικού μοντέλου ορθοδιόρθωσης Orbital Pushbroom Model στα δορυφορικά δεδομένα SPOT5 Οι εικόνες που παρέχουν οι σύγχρονοι αισθητήρες συνοδεύονται από αρχεία μεταδεδομένων τα οποία περιλαμβάνουν λεπτομερείς πληροφορίες για τις παραμέτρους των ίδιων των αισθητήρων, τη θέση τους, την ταχύτητά τους και το υψόμετρο που βρίσκονται. Οι πληροφορίες αυτές προέρχονται από ενσωματωμένα συστήματα ελέγχου και μέτρησης του υψομέτρου και της θέσης και συνήθως είναι ιδιαίτερα ακριβείς. Παρόλα αυτά είναι αναγκαία η μετατροπή τους και ο μετασχηματισμός τους σε κάποιο φωτογραμμετρικό εξωτερικό και εσωτερικό προσανατολισμό ώστε να χρησιμοποιηθούν τα δορυφορικά δεδομένα για φωτογραμμετρικές μετρήσεις και για χαρτογράφηση. Συγκεκριμένα, ο SPOT 5 παρέχει πληροφορίες για την ταχύτητα, τη θέση και το υψόμετρό του στο καρτεσιανό σύστημα συντεταγμένων. Γι αυτό, για τα δορυφορικά δεδομένα απαιτείται η μετατροπή τους στο γεωδαιτικό σύστημα αναφοράς, στο τοπικό προβολικό σύστημα και στις γεωγραφικές συντεταγμένες για την περιοχή που θα χρησιμοποιηθούν Εσωτερικός προσανατολισμός Ο εσωτερικός προσανατολισμός καθορίζει την εσωτερική γεωμετρία του αισθητήρα κατά τη λήψη της δορυφορικής φωτογραφίας. Ο εσωτερικός προσανατολισμός χρησιμοποιείται κυρίως για το μετασχηματισμό του συστήματος συντεταγμένων των εικονοστοιχείων της εικόνας στο σύστημα συντεταγμένων του χώρου της εικόνας. Το Σχήμα 5-4 παρουσιάζει τις μεταβλητές που σχετίζονται με την εσωτερική γεωμετρία μιας αεροφωτογραφίας, οι οποίες είναι παρόμοιες με αυτές [101]

126 του αισθητήρα, όπου το ο αντιπροσωπεύει το αρχικό σημείο και το a ένα σημείο της εικόνας. Η εσωτερική γεωμετρία ενός αισθητήρα καθορίζεται από τις ακόλουθες παραμέτρους: Αρχικό σημείο Εστιακή απόσταση Δείκτες ή σήματα πλαισίου (Fiducial Marks) Παραμόρφωση φακού Σχήμα 5-4 Εσωτερική γεωμετρία του SPOT Ο συσχετισμός των δύο χώρων (των συντεταγμένων της εικόνας και των γεωγραφικών συντεταγμένων) καθορίζεται χρησιμοποιώντας ένα δισδιάστατο σχετικό μετασχηματισμό. Οι ακόλουθες σχέσεις μπορούν να χρησιμοποιηθούν για να οριστούν οι σταθερές που απαιτούνται για το μετασχηματισμό των μετρήσεων των συντεταγμένων των εικονοστοιχείων σε μετρήσεις των συντεταγμένων. x= a1+ a2x + a3x (0.1) y= b2+ b2x + b3x (0.2) Όπου x και y συντεταγμένες (του χώρου) της εικόνας και X και Y συντεταγμένες των δεικτών πλαισίου. [102]

127 Εξωτερικός προσανατολισμός Ο εξωτερικός προσανατολισμός καθορίζει τη θέση και το γωνιακό προσανατολισμό που σχετίζονται με την εικόνα. Οι μεταβλητές της θέσης και του προσανατολισμού ορίζουν τα χαρακτηριστικά που σχετίζονται με την εικόνα τη χρονική στιγμή της λήψης. Οι μεταβλητές θέσεις του εξωτερικού προσανατολισμού περιλαμβάνουν το Xo, Yo, και Ζ ο που ορίζουν τη θέση του perspective κέντρου σε σχέση με το σύστημα συντεταγμένων του εδάφους X, Y, και Ζ. Το Ζ ο αναφέρεται και ως το ύψος της κάμερας πάνω από το επίπεδο της θάλασσας, το οποίο συχνά περιγράφεται και με ένα γεωδαιτικό σύστημα αναφοράς. Οι μεταβλητές γωνίας ή περιστροφής του εξωτερικού προσανατολισμού περιγράφουν τη σχέση ανάμεσα στο σύστημα συντεταγμένων του εδάφους ( Χ, Υ, Ζ ) και στο σύστημα συντεταγμένων του χώρου της εικόνας ( x, y, z ). Για να καθοριστεί η γωνιακή περιστροφή συχνά χρησιμοποιούνται τρεις γωνίες περιστροφής, οι ω, ϕ, κ. To Σχήμα 5-5 παρουσιάζει τις μεταβλητές του εξωτερικού προσανατολισμού. Η μεταβλητή ω είναι η περιστροφή γύρω από φωτογραφικό άξονα x, ϕ η περιστροφή γύρω από το φωτογραφικό άξονα y και κ η περιστροφή γύρω από το φωτογραφικό άξονα z, οι οποίες θεωρούνται θετικές εάν έχουν τη φορά του ρολογιού (Wang, 1990). Χρησιμοποιώντας τις τρεις αυτές γωνίες περιστροφής μπορεί να οριστεί ένας 3 3 πίνακας περιστροφής M, ο οποίος μπορεί να καθορίζει τη σχέση ανάμεσα στο σύστημα συντεταγμένων του εδάφους ( Χ, Υ, Ζ ) και στο σύστημα συντεταγμένων του χώρου της εικόνας ( x, y, z ). [103]

128 Σημείο στο έδαφος P Σχήμα 5-5 Στοιχεία του εσωτερικού προσανατολισμού του SPOT5 m m m M m m m m m m = (0.3) Ο πίνακας περιστροφής προκύπτει με διαδοχική περιστροφή του ω γύρω από άξονα x, του ϕ γύρω από τον άξονα y και του κ γύρω από τον άξονα z. Παρατηρώντας το Σχήμα 5-5 μπορεί κανείς να θεωρήσει ότι ένα διάνυσμα εικόνας α είναι το διάνυσμα από το σταθμό έκθεσης Ο στο σημείο της εικόνας p. Ένα διάνυσμα εδάφους ή διάνυσμα αντικειμένου Α μπορεί να οριστεί ως το διάνυσμα από το σταθμό έκθεσης Ο στο σημείο του εδάφους P. Επομένως, παρατηρεί κανείς ότι τα διανύσματα της εικόνας και είναι γραμμικά. Τα διανύσματα της εικόνας και του εδάφους είναι γραμμικά μόνο όταν το ένα εκ των δύο αποτελεί μέρος της κλίμακας του άλλου. Άρα μπορεί να οριστεί η ακόλουθη εξίσωση: Όπου k είναι ένας συντελεστής κλίμακας. a = ka (0.4) [104]

129 Τα διανύσματα εικόνας και εδάφους πρέπει να ανήκουν στο ίδιο σύστημα συντεταγμένων και γι αυτό το διάνυσμα εικόνας α γράφεται ως εξής xp xo f a= yp yo (0.5) Όπου xo, y o περιγράφουν τις συντεταγμένες του αρχικού σημείου. Ομοίως το διάνυσμα εδάφους μπορεί να γραφτεί ως X Z p A= Yp Yo p Xo Zo (0.6) Για να ανήκουν τα διανύσματα εδάφους και εικόνας στο ίδιο σύστημα συντεταγμένων, πρέπει να πολλαπλασιαστεί το διάνυσμα του εδάφους με τον πίνακα περιστροφής. Άρα a = kma (0.7) xp xo Xp Xo y y = km Y Y p o p o f Zp Zo (0.8) Η παραπάνω εξίσωση ορίζει τη σχέση ανάμεσα στο κέντρο της δορυφορικής εικόνας που καταγράφεται στον αισθητήρα και του σημείου εδάφους P που εμφανίζεται στην εικόνα στη θέση p. Η εξίσωση αυτή αποτελεί τη βάση της συνθήκης συγραμμικότητας που χρησιμοποιείται στις περισσότερες φωτογραμμετρικές λειτουργίες. Η συνθήκη συγραμμικότητας ορίζει ότι ο σταθμός έκθεσης, το σημείο εδάφους και το αντίστοιχο σημείο της εικόνας πρέπει να βρίσκονται σε μία ευθεία, να είναι δηλαδή συγραμμικά. Επειδή ο εξωτερικός προσανατολισμός από τα δεδομένα και τις πληροφορίες του αισθητήρα μπορεί να μην είναι ακριβής, χρησιμοποιείται και το ακόλουθο μοντέλο για επιπλέον προσαρμογή της πληροφορίας, όταν είναι διαθέσιμα σημεία ελέγχου εδάφους (Ground Control Points GCP). xp xo Xp Xo Xo yp y o k M M Yp Yo Yo = f Zp Zo Zo (0.9) [105]

130 Όπου ο επιπλέον πίνακας περιστροφής M και ( Xo, Yo, Zo ) αντιπροσωπεύουν την επιπλέον διόρθωση στα πληροφοριακά στοιχεία του αισθητήρα. Ανάλογα με το πλήθος των σημείων ελέγχου εδάφους και την ακρίβεια των παραπάνω πληροφοριών, ο εξωτερικός προσανατολισμός μπορεί να έχει τη μορφή μιας απλής γραμμικής μετατόπισης ή πολυωνύμων υψηλότερης τάξης Έλεγχος της ορθοδιόρθωσης Για τον έλεγχο του σφάλματος των παραπάνω μετασχηματισμών των συντεταγμένων και της ορθοδιόρθωσης χρησιμοποιείται το μέσο τετραγωνικό σφάλμα για κάθε σημείο RMSE( pt ) : Όπου: RMSE pt RMSE x RMSE y 2 2 ( ) = ( ) + ( ) RMSE( x ) : μέσο τετραγωνικό σφάλμα για τον άξονα x RMSE( y ) : μέσο τετραγωνικό σφάλμα για τον άξονα y Το μέσο τετραγωνικό σφάλμα αντιπροσωπεύει το βαθμό συμφωνίας ανάμεσα στα στις συντεταγμένες των εικονοστοιχείων της διορθωμένης εικόνας και στις πραγματικές συντεταγμένες τους στο έδαφος. Μεγάλο μέσο τετραγωνικό σφάλμα υποδηλώνει φτωχή, μικρής ακρίβειας γεωμετρική διόρθωση Εφαρμογή ορθοδιόρθωσης στα δεδομένα Στα πλαίσια της ορθοδιόρθωσης των δορυφορικών δεδομένων SPOT5 χρησιμοποιήθηκαν τα εξής βοηθητικά δεδομένα: Ψηφιακά μοντέλα εδάφους (DEM) για τις περιοχές μελέτης (Εικόνα 5-2) Ορθοφωτογραφίες των περιοχών μελέτης, του Υπουργείου Αγροτικής Ανάπτυξης, με κλίμακα 1:5.000 Τα βοηθητικά μεταδεδομένα των δορυφορικών εικόνων SPOT5 σχετικά με την ταχύτητα, τη θέση και το υψόμετρό του δορυφόρου. [106]

131 α) β) Εικόνα 5-2 Τρισδιάστατο μοντέλο εδάφους α) Ν. Αττικής και β) Ν. Χαλκιδικής Οι ορθοφωτογραφίες των περιοχών μελέτης ενώθηκαν σε μωσαϊκό για πρακτικούς λόγους και για ευκολία στη χρήση του προγράμματος, με τη χρησιμοποίηση του αλγόριθμου της κυβικής συστροφής έτσι, ώστε να μην παραμορφωθούν οι τελικές εικόνες (Εικόνα 5-3) α) β) Εικόνα 5-3 Μωσαϊκά ορθοφωτογραφιών για α) Ν. Αττικής και β) Ν. Χαλκιδικής Η ορθοδιόρθωση των συνολικά εννιά εικόνων SPOT5 που χρησιμοποιήθηκαν στην παρούσα διατριβή, έγινε με τη χρήση πάνω από 40 σημεία για κάθε μία από αυτές με μέσο τετραγωνικό σφάλμα (RMSE) μικρότερο του ενός μέτρου. Ενδεικτικά για τις εικόνες /2, /2, και /0 το μέσο τετραγωνικό σφάλμα φαίνεται στον Πίνακας 5-2: [107]

132 Πίνακας 5-2Μέσο τετραγωνικό σφάλμα / / /0 Συνολικό μέσο τετραγωνικό σφάλμα RMSE (m) Συνολικό μέσο τετραγωνικό σφάλμα για τον x (m) Συνολικό μέσο τετραγωνικό σφάλμα για τον y (m) 0,7204 0,7132 0,6445 0,5990 0,5482 0,5528 0,4852 0,4944 0,4674 0,,4506 0,4241 0,3382 Η αξιολόγηση της διαδικασίας της ορθοδιόρθωσης έγινε αρχικά με οπτικό έλεγχο, συγκρίνοντας τις ορθοδιορθωμένες εικόνες SPOT5 με τα μωσαϊκά των ορθοφωτογραφιών του Υπουργείου Αγροτικής Ανάπτυξης, αλλά και με δορυφορικά δεδομένα πολύ υψηλής ανάλυσης. Στη συνέχεια χρησιμοποιήθηκαν σημεία από σταθερά και ευδιάκριτα στις δορυφορικές εικόνες σημεία (π.χ. διασταυρώσεις), που καταγράφηκαν για το σκοπό αυτό με τη χρήση GPS. Για το λόγο αυτό χρησιμοποιήθηκαν και κάποια από τα τριγωνομετρικά σημεία της Γεωγραφικής Υπηρεσίας Στρατού που υπάρχουν στις περιοχές μελέτης. Τα παραπάνω τριγωνομετρικά εντοπίστηκαν στις δορυφορικές εικόνες και στη συνέχεια μετά από επισκέψεις στο πεδίο πραγματοποιήθηκε έλεγχος των συντεταγμένων που προέκυψαν από τη διορθωμένη εικόνα. Μόνο σε δυο περιπτώσεις η απόκλιση ήταν μεγαλύτερη των 2 μέτρων στον άξονα των y Μωσαϊκό Η διαδικασία του μωσαϊκού προσφέρει τη δυνατότητα να ενώσει τις εικόνες μαζί έτσι, ώστε να δημιουργηθεί μια μεγάλη και ενιαία εικόνα της περιοχής. Πριν ενωθούν οι εικόνες σε μωσαϊκό, μπορεί να γίνει σε αυτές εξομάλυνση της εικόνας (smooth), όπως επίσης και εξισορρόπηση χρώματος ή να γίνει προσαρμογή των ιστογραμμάτων κάθε εικόνας για να παρουσιαστεί μια καλύτερη μεγάλη εικόνα. Οι εικόνες που χρησιμοποιούνται στο μωσαϊκό είναι απαραίτητο να περιέχουν πληροφορίες σχετικά με τις συντεταγμένες και το προβολικό σύστημα, αλλά δεν είναι απαραίτητο να έχουν το ίδιο προβολικό σύστημα ή το ίδιο μέγεθος εικονοστοιχείου. Πρέπει όμως να έχουν το ίδιο αριθμό διαύλων (επιπέδων πληροφοριών - layers). [108]

133 Δημιουργία μωσαϊκού για τα δεδομένα Με την εφαρμογή των παραπάνω διορθώσεων μπορούσαν πλέον οι δορυφορικές εικόνες να ενωθούν σε μωσαϊκό. Τα αποτελέσματα της δημιουργίας των δυο μωσαϊκών παρουσιάζονται στην Εικόνα 5-4. α) β) Εικόνα 5-4 Μωσαϊκά που προέκυψαν από τα δορυφορικά δεδομένα SPOT5 για το α) Ν. Αττικής και β) Ν. Χαλκιδικής [109]

134 ΚΕΦΑΛΑΙΟ 6 ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΗΣ ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ ΔΟΡΥΦΟΡΙΚΩΝ ΔΕΔΟΜΕΝΩΝ Στο κεφάλαιο αυτό θα γίνει αναφορά στην αντικειμενοστραφή ανάλυση της εικόνας σε θεωρητικό επίπεδο και στη συνέχεια στην εφαρμογή της στην ταξινόμηση της καύσιμης ύλης με τη χρήση των δορυφορικών δεδομένων SPOT 5 για τις περιοχές μελέτης της παρούσας εργασίας. Τέλος θα γίνει περιγραφή της εφαρμογής της αντικειμενοστραφούς ανάλυσης με το λογισμικό Definiens Developer Αντικειμενοστραφής ανάλυση εικόνας Η αντικειμενοστραφής ανάλυση εικόνας (object based image analysis) είναι μια σχετικά νέα προσέγγιση στη θεωρία και πρακτική της ψηφιακής ανάλυσης εικόνας, η οποία αναπτύσσει, σε γενικές γραμμές, μεθοδολογία που λαμβάνει υπόψη την τηλεπισκοπική απεικόνιση ως ένα σύνολο ομοιογενών περιοχών αντικειμένων. Γι αυτό το λόγο βρίσκεται πιο κοντά στην ανθρώπινη γνωστική διαδικασία (Κεφάλαιο 6.1.1,Σχήμα 6-2) σε σχέση με την ψηφιακή ανάλυση εικόνας που βασίζεται σε μεμονωμένα εικονοστοιχεία (pixels). Στην παρούσα διδακτορική διατριβή πραγματοποιήθηκε αντικειμενοστραφής ταξινόμηση της καύσιμης ύλης με τη χρήση δύο μωσαϊκών που προέκυψαν από τις δορυφορικές εικόνες SPOT 5 και το λογισμικό Definiens Developer 7. Συνοπτικά ακολουθήθηκε το παρακάτω διάγραμμα ροής: [110]

135 Σχήμα 6-1 Διάγραμμα ροής της μεθοδολογίας που ακολουθήθηκε για την ταξινόμηση της καύσιμης ύλης Κατανόηση εικόνας με τη μέθοδο της αντικειμενοστραφούς ανάλυσης Οι άνθρωποι όταν χρησιμοποιούν τα μάτια τους πραγματοποιούν μία πολύπλοκη διανοητική διαδικασία. Όταν κάποιος παρατηρεί τον περίγυρό του εστιάζει σε συγκεκριμένες περιοχές οι οποίες έχουν συγκεκριμένο μέγεθος, σχήμα και χρώμα και τις αναγνωρίζει ως αντικείμενα. Για παράδειγμα στην εικόνα που ακολουθεί υπάρχει μία κόκκινη σφαιρική περιοχή η οποία αναγνωρίζεται ως ένα κόκκινο σφαιρικό αντικείμενο (Σχήμα 6-2, α). Ακριβώς κάτω από αυτό, υπάρχει ένα άλλο αντικείμενο το οποίο εύκολα αναγνωρίζεται ως άνθρωπος (Σχήμα 6-2, β). Παρατηρώντας κάποιος τις δύο εικόνες [111]

136 αμέσως τις συσχετίζει μεταξύ τους. Και οι δύο εικόνες στη συνέχεια μπορούν να τοποθετηθούν μπροστά από ένα άλλο μεγάλο γαλάζιο αντικείμενο (Σχήμα 6-2, γ). Τα τρία αντικείμενα συνδέονται μεταξύ τους με συγκεκριμένες σχέσεις ( κάτω από, μπροστά από ) και σε συνδυασμό με τα χαρακτηριστικά τους μας επιτρέπουν να αναγνωρίσουμε έναν άνθρωπο, που παίζει μπάλα με φόντο τον ουρανό (Σχήμα 6-2, δ). α β γ Σχήμα 6-2 Διαδικασία κατανόησης της εικόνας (πηγή: Definiens Developer 7, User Guide, 2007) Η διαδικασία κατανόησης της εικόνας που περιγράφηκε παραπάνω, πραγματοποιείται αυτόματα στην ανθρώπινη σκέψη συγκρίνοντας τη θέα των αντικειμένων με την υπάρχουσα γνώση στη μνήμη. Παρόμοια με τη διαδικασία κατανόησης της εικόνας από τον άνθρωπο, η αντικειμενοστραφής ανάλυση της εικόνας βασίζεται στη σωστή κατάτμησή της (segmentation), στην ανάλυση δηλαδή της εικόνας σε διακριτές μη επικαλυπτόμενες μονάδες, που ονομάζονται αντικείμενα (objects), χρησιμοποιώντας διάφορες τεχνικές επεξεργασίας βάσει συγκεκριμένων χαρακτηριστικών. δ [112]

137 Σε αντίθεση, λοιπόν, με τις παραδοσιακές μεθόδους επεξεργασίας των δορυφορικών εικόνων, η βασική μονάδα επεξεργασίας στην αντικειμενοστραφή ανάλυση είναι τα αντικείμενα της εικόνας ή τμήματα και όχι τα εικονοστοιχεία (pixels). Ακόμη και η ταξινόμηση των εικόνων εφαρμόζεται σε αντικείμενα. Η βασική θεωρία που εφαρμόζεται στην αντικειμενοστραφή ανάλυση ακολουθεί δυο βασικά βήματα: α) την κατάτμηση της εικόνας με βάση διάφορα κριτήρια, αποσκοπώντας στη δημιουργία αντικειμένων επιθυμητού μεγέθους και σημασίας και β) την ταξινόμηση των αντικειμένων που προέκυψαν με βάση όχι μόνο τα φασματικά χαρακτηριστικά τους αλλά με τη χρήση πολλαπλών κριτηρίων όπως είναι το σχήμα, η υφή, η θέση, η γειτνίαση των αντικειμένων κ.α. Η μεθοδολογία που ακολουθείται στην αντικειμενοστραφή ανάλυση εικόνας ώστε τα αντικείμενα που θα δημιουργηθούν να δώσουν το καλύτερο δυνατό αποτέλεσμα ταξινόμησης στο χρήστη είναι η ακόλουθη: Κατάτμηση της αρχικής εικόνας Ιεραρχία των αντικειμένων και ορισμός των Ταξινόμηση των αντικειμένων Ενδεχόμενες νέες κατατμήσεις και ταξινομήσεις για βελτίωση των αποτελεσμάτων 6.2 Κατάτμηση (segmentation) της εικόνας Το πρώτο βήμα στην αντικειμενοστραφή ανάλυση και ταξινόμηση της εικόνας είναι η κατάτμηση αυτής. Είναι η διαδικασία κατά την οποία δημιουργούνται σε μια εικόνα σχετικά ομοιογενείς περιοχές - τμήματα, που ονομάζονται αντικείμενα (objects ή segments). Τα πρώτα αντικείμενα που προέρχονται από την κατάτμηση της εικόνας ονομάζονται πρωτογενή αντικείμενα (primitive objects) και μπορούν, εν δυνάμει, να δώσουν σημασιολογικά αντικείμενα με τη διαδικασία της ταξινόμησης. Κάθε ένα από τα αντικείμενα που δημιουργούνται κατά την κατάτμηση μιας εικόνας αποτελεί ένα σαφώς καθορισμένο χωρικά σύνολο εικονοστοιχείων με παρόμοια χαρακτηριστικά. Τα αντικείμενα που προκύπτουν από μια διαδικασία κατάτμησης σχηματίζουν ένα επίπεδο αντικειμένων (image object level). Κατά τη διαδικασία της αντικειμενοστραφούς ανάλυσης της εικόνας ενδέχεται να δημιουργηθούν πολλαπλά επίπεδα από αντικείμενα της εικόνας και να τοποθετηθούν πάνω από το βασικό επίπεδο των εικονοστοιχείων. Κάθε επίπεδο αντικειμένων μπορεί να δημιουργηθεί από την κατάτμηση ενός κατώτερου επιπέδου εικονοστοιχείων ή από ένα υπάρχον επίπεδο αντικειμένων. Επιπρόσθετα μπορεί να δημιουργηθεί κάποιο επίπεδο αντικειμένων αντιγράφοντας κάποιο άλλο. [113]

138 Η κατάτμηση είναι μια διαδικασία βελτιστοποίησης, η οποία για ένα δεδομένο αριθμό αντικειμένων, ελαχιστοποιεί την ετερογένειά τους μεγιστοποιώντας την αντίστοιχη ομοιογένειά τους, μέχρι να ικανοποιηθεί το κριτήριο ετερογένειας που έχει ορίσει ο χρήστης. Για το αν δυο αντικείμενα ενωθούν χρησιμοποιείται το κριτήριο ετερογένειας f και ο συντελεστής κλίμακας k (scale parameter) με βάση τα εξής: f < k: πραγματοποίηση ένωσης αντικειμένων, f > k: μη πραγματοποίηση ένωσης αντικειμένων Το κριτήριο ετερογένειας καθορίζεται με βάση τη σταθμισμένη ετερογένεια φάσματος ή χρώματος και τη χωρική ετερογένεια. Για τη φασματική ή χρωματική ετερογένεια, χρησιμοποιείται η τυπική απόκλιση των φασματικών τιμών για κάθε φασματικό δίαυλο, σταθμισμένη με ένα συντελεστή βαρύτητας: h spectral = c wσ c c όπου c ένας τυχαίος αριθμός διαύλων και σ c η τυπική απόκλιση για κάθε ένα από τους παραπάνω διαύλους. Μια περιγραφή της χωρικής ετερογένειας ή αλλιώς ετερογένειας της μορφής (spatial or form heterogeneity) είναι η απόκλιση από το ιδανικό συμπαγές σχήμα η οποία εκφράζεται από το λόγο του πραγματικού μήκους l του ορίου προς την τετραγωνική ρίζα των n εικονοστοιχείων που συνθέτουν το αντικείμενο (ecognition, 2004): h compact = l n Μια άλλη εναλλακτική προσέγγιση για την ποσοτικοποίηση της χωρικής ετερογένειας είναι η απόκλιση από το μικρότερο δυνατό μήκος του ορίου ενός αντικειμένου και της πιθανής περιμέτρου b που θα προέκυπτε από ένα ορθογώνιο πλαίσιο που περιέχει το αντικείμενο, κατά τη διεύθυνση του καννάβου των εικονοστοιχείων. h smooth l = b Σε ένα ψηφιδωτό το μήκος του ορίου του θεωρητικού ορθογώνιου πλαισίου είναι πάντα το συντομότερο δυνατό μήκος ορίου ενός τυχαίου τμήματος, δηλαδή l b. Ο συνδυασμός της φασματικής και χωρικής ετερογένειας δίνει τη συνολική τιμή [114]

139 συγχώνευσης (overall fusion value) ή συντελεστή συνένωσης f, που μαθηματικά περιγράφεται ως εξής (Baatz et al, 2002): f = w h + (1 w) h spectral shape ενώ η χωρική ετερογένεια υποδιαιρείται με βάση τους προηγούμενους τύπους: h = w h + (1 w ) h shape compact compact compact smooth όπου w είναι ένας συντελεστής βάρους με τιμές 0-1, για κάθε τύπο ετερογένειας. Για τον έλεγχο του αποτελέσματος της κατάτμησης ο χρήστης ορίζει παραμέτρους όπως η παράμετρος της κλίμακας, συντελεστές βάρους για κάθε επίπεδο και την αναλογία του φασματικού και χωρικού κριτηρίου ετερογένειας. Η σύγκριση της συνολική τιμής συγχώνευσης των αντικειμένων με τη ρίζα της παραμέτρου κλίμακας (scale factor) λειτουργεί ως κρίσιμο όριο για τον τερματισμό της διαδικασίας κατάτμησης για κάθε ζεύγος αντικειμένων ή εικονοστοιχείων. Η επιλογή μεγάλης παραμέτρου κλίμακας συνεπάγεται τη δημιουργία μεγάλων τμημάτων. Αντίθετα η επιλογή μιας μικρής παραμέτρου κλίμακας συνεπάγεται μικρότερα τμήματα, καθώς η διαδικασία της συγχώνευσης τερματίζεται νωρίτερα. Για ένα συγκεκριμένο φασματικό χώρο δύο αντικείμενα της εικόνας f1 και f2 μπορούν να θεωρηθούν όμοια όταν είναι κοντά στο φασματικό αυτό χώρο και η μεταξύ τους ετερογένεια σ αυτό το χώρο μπορεί να υπολογιστεί από τον τύπο (ecognition 2004): h= d f 1d σ f fd 2d 2 όπου σ fd η τυπική απόκλιση κάθε χαρακτηριστικού (feature) σε κάθε κατεύθυνση. Βασικός στόχος της διαδικασίας βελτιστοποίησης είναι η ελαχιστοποίηση της ετερογένειας που προκύπτει σε κάθε συγχώνευση ενός αντικειμένου με ένα γειτονικό του. Συνεπώς ο βαθμός συναρμογής ή αλλαγής της ετερογένειας μπορεί να υπολογιστεί από τη διαφορά στην ετερογένεια πριν και μετά μια εικονική συγχώνευση. Αυτή η σύγκριση επιτρέπει το διαχωρισμό μεταξύ δύο αντικειμένων με παρόμοιες μέσες τιμές ανάκλασης (ψηφιακές τιμές) αλλά διαφορετική εσωτερική τιμή (within) τιμή. h color diff m ( + 2 = h = h h 1 h ) /2 ενώ αν ληφθεί υπόψη και το μέγεθος (αριθμός των εικονοστοιχείων-n) των αντικειμένων ο τύπος γίνεται: [115]

140 hcolor = hdiff = ( n1 + n2 ) hm ( n1h1 + n2h2 ) Σε περίπτωση που ο τύπος γενικευτεί για έναν αριθμό καναλιών c τότε προκύπτει η παρακάτω εξίσωση: color c( ( 1 2) m c ( 1 1 c 2 2 c )) = wc ( n1+ n2) σ m c ( n1σ 1 c + n2σ 2 c ) h = w n + n h n h + n h c c ( ) όπου σ η τυπική απόκλιση των φασματικών τιμών ως μέτρο ετερογένειας. Αντίστοιχα για τις διαφορετικές εκδοχές της χωρικής ετερογένειας μπορούν να προσδιοριστούν οι παρακάτω τύποι (ecognition 2004): h smooth = ( n1 + n2 ) l( 1+ 2) b( 1+ 2) l 1 n1 b1 + n 2 l b 2 2 h compact = ( n1 + n2 ) l( 1+ 2) n + n 1 2 n 1 l 1 n 1 + n 2 l 2 n Μέθοδοι κατάτμησης Συνήθως, ο όρος κατάτμηση στις περισσότερες μεθόδους επεξεργασίας εικόνας (image processing) αναφέρεται στο διαχωρισμό της ψηφιακής εικόνας σε μικρότερα τμήματα με βάση συγκεκριμένα κριτήρια. Σε αντίθεση με αυτές τις μεθόδους, στην αντικειμενοστραφή ανάλυση ο όρος κατάτμηση χρησιμοποιείται με διαφορετική έννοια: κάθε ενέργεια ή κάθε διαδικασία που δημιουργεί νέα αντικείμενα εικόνας ή τροποποιεί τη μορφή υπαρχόντων αντικειμένων με βάση κάποια συγκεκριμένα κριτήρια καλείται κατάτμηση, ανεξάρτητα με το αν οι αλλαγές αυτές οφείλονται σε διαίρεση ή ένωση αντικειμένων που υπάρχουν. Αυτό σημαίνει ότι η κατάτμηση είναι μια διαδικασία διαίρεσης ή μια διαδικασία ένωσης ή διαδικασία αναδιαμόρφωσης ή επανασχηματισμού (reshaping). Οι μέθοδοι κατάτμησης μπορούν να διακριθούν σε: Μεθόδους «από πάνω προς τα κάτω» (top down), Μεθόδους «από κάτω προς τα πάνω» (bottom up). Στην πρώτη μέθοδο κατάτμησης τα αντικείμενα διαιρούνται σε μικρότερα. Η κατάτμηση μπορεί, αλλά δεν είναι απαραίτητο, να ξεκινήσει από ολόκληρη την εικόνα, που θεωρείται ως ένα αντικείμενο (Σχήμα 6-3, α). Η «προς τα κάτω» προσέγγιση στηρίζεται στη χρήση a priori γνώσης για ένα αντικείμενο όπως το πιθανό του σχήμα, χρώμα ή υφή για την καθοδήγηση της κατάτμησης. Η κυριότερη δυσκολία αυτής της μεθόδου έγκειται στη μεγάλη [116]

141 μεταβλητότητα στο σχήμα και την εμφάνιση των αντικειμένων μιας συγκεκριμένης τάξης, προβλήματα ιδιαίτερα εμφανή στα αντικείμενα των δασικών περιοχών. Στη δεύτερη μέθοδο κατάτμησης τα μικρότερα αντικείμενα ενώνονται για να δημιουργήσουν ένα μεγαλύτερο αντικείμενο. Αυτή η κατάτμηση μπορεί να ξεκινήσει, αλλά δεν είναι απαραίτητο, από το επίπεδο των εικονοστοιχείων (Σχήμα 6-3, β). Στόχος της είναι η κατάτμηση της εικόνας σε περιοχές (regions) και στη συνέχεια η αναγνώριση των περιοχών εκείνων που αντιστοιχούν σε ένα αντικείμενο. Πιο συγκεκριμένα, στην «προς τα πάνω» προσέγγιση, η κατάτμηση είναι μια διαδικασία βελτιστοποίησης η οποία ξεκινώντας με αντικείμενα μεγέθους ενός εικονοστοιχείου λειτουργεί ως μια τεχνική ένωσης των αντικειμένων. Βασισμένη κυρίως σε αρχές συνοχής αυτή η προσέγγιση ομαδοποιεί εικονοστοιχεία σύμφωνα με τις ψηφιακές τιμές ή την ομοιομορφία της υφής. Το κυριότερο μειονέκτημα αυτής της προσέγγισης είναι ότι ένα αντικείμενο είναι πιθανό να κατατμηθεί σε διάφορα τμήματα, κάποια από τα οποία μπορεί να συγχωνευθούν με το φόντο του αντικειμένου. α) Σχήμα 6-3 Απεικόνιση των δυο μεθόδων κατάτμησης: α) top down και β) bottom up. β) [117]

142 6.2.2 Αλγόριθμοι κατάτμησης Όπως αναφέρθηκε προηγούμενα, το σημαντικότερο βήμα στην αντικειμενοστραφή ανάλυση εικόνας είναι η κατάτμησή της σε αντικείμενα. Για να επιτευχθεί η καλύτερη κάθε φορά κατάτμηση, που οδηγεί σε ακριβέστερα αποτελέσματα ταξινόμησης και καλύπτει τις εκάστοτε ανάγκες του χρήστη υπάρχουν διάφοροι αλγόριθμοι κατάτμησης που μπορούν να χρησιμοποιηθούν. Οι τρεις βασικοί αλγόριθμοι κατάτμησης είναι: α) ο αλγόριθμος κατάτμησης πολλαπλής ανάλυσης (multiresolution segmentation), β) ο αλγόριθμος κατάτμησης με την «τεχνική δέντρων» (quadtree segmentation), γ) ο αλγόριθμος κατάτμησης με την «τεχνική άβακα» (chessboard segmentation). Στο Σχήμα... φαίνονται τα αποτελέσματα κατάτμησης για καθένα από τους τρεις αλγόριθμους. Οι αλγόριθμοι κατάτμησης χρησιμοποιούνται στην υποδιαίρεση είτε ολόκληρης της εικόνας, που αντιπροσωπεύεται από το επίπεδο εικονοστοιχείου, ή κάποιου συγκεκριμένου αντικειμένου της εικόνας. α β γ Σχήμα 6-4 Αποτελέσματα των αλγορίθμων ταξινόμησης: α) multiresolution, β) quadtree, γ) chessboard Στη μεθοδολογία που αναπτύχθηκε στα πλαίσια της παρούσας εργασίας χρησιμοποιήθηκε ο αλγόριθμος κατάτμησης πολλαπλής ανάλυσης multiresolution segmentation. Η κατάτμηση με τον αλγόριθμο πολλαπλής ανάλυσης είναι μια μέθοδος δημιουργίας αντικειμένων που καθορίζεται πλήρως από το κριτήριο της ετερογένειας. Είναι μια διαδικασία κατά την οποία για έναν συγκεκριμένο αριθμό αντικειμένων ελαχιστοποιείται η μέση ετερογένειά τους και μεγιστοποιείται η αντίστοιχη ομοιογένειά τους. Ο αλγόριθμος κατάτμησης πολλαπλής ανάλυσης ενώνει εικονοστοιχεία ή αντικείμενα που ήδη υπάρχουν, ακολουθώντας την «από κάτω προς τα πάνω» μέθοδο (bottom up) κατάτμησης. Είναι μια διαδικασία συνένωσης αντικειμένων ανά δύο, που πραγματοποιείται ξεκινώντας από τα εικονοστοιχεία, τα οποία θεωρεί ως αρχικές προσεγγίσεις των αντικειμένων. Έχει τη δυνατότητα να παράγει ομοιογενή αντικείμενα σε διαφορετικές κλίμακες, που πρακτικά σημαίνει ότι δίνεται η δυνατότητα στο χρήστη αλλάζοντας ορισμένες παραμέτρους να [118]

143 παρεμβαίνει στο μέγεθος των αντικειμένων, και κυρίως των πρωτογενών. Κάτι τέτοιο συνεπάγεται την ταυτόχρονη αναπαράσταση των πληροφοριών της εικόνας για διαφορετικές κλίμακες Η διαδικασία κατάτμησης με τη χρήση του αλγόριθμου πολλαπλής ανάλυσης αποτελείται από τα παρακάτω βήματα: α) Κάθε αντικείμενο χρησιμοποιεί την ομοιογένεια για να προσδιορίσει το γειτονικό αντικείμενο με το οποίο ταιριάζει β) Αν το πρώτο αντικείμενο δεν αναγνωρίζει ως «καλύτερο γείτονα» το πρώτο γειτονικό του αντικείμενο στην εικόνα, τότε ο αλγόριθμος προχωράει στο δεύτερο αντικείμενο, βρίσκοντας τον καλύτερο γείτονα γ) Η παραπάνω διαδικασία συνεχίζεται και επαναλαμβάνεται μέχρι να βρεθούν αντικείμενο που ταιριάζουν αμοιβαία μεταξύ τους δ) Η διαδικασία συνεχίζεται με νέο αντικείμενο και την εύρεση του «καλύτερου γείτονά» του, και επαναλαμβάνεται μέχρι να δημιουργηθούν όλα τα δυνατά αντικείμενα, χωρίς να παραβιαστεί η μέγιστη τιμή ομοιογένειας του αντικειμένου Εικόνα 6-1 Διαδικασία κατάτμησης με τη χρήση του αλγόριθμου πολλαπλής ανάλυσης (multiresolution segmentation) α) Η κατάτμηση ξεκινάει με την ένωση αντικειμένων, που αντιστοιχούν στα εικονοστοιχεία (επίπεδο εικονοστοιχείων), και τα ενώνει σε μεγαλύτερες μονάδες, μετά από πολλές επαναλήψεις της διαδικασίας, με την προϋπόθεση ότι δε θα [119]

144 ξεπεραστεί τοπικά το ανώτερο όριο της ομοιογένειας. Ο χρήστης μπορεί να επηρεάσει τους υπολογισμούς, αλλάζοντας την παράμετρο κλίμακα. Μεγαλύτερες τιμές της παραμέτρου κλίμακας έχει ως αποτέλεσμα μεγαλύτερα αντικείμενα, ενώ μικρότερες τιμές οδηγεί στη δημιουργία μικρότερων αντικειμένων. β) Το κάθε εικονοστοιχείο «ψάχνει» το γειτονικό με το οποίο ταιριάζει καλύτερα. γ) Όταν βρεθούν εικονοστοιχεία που ταιριάζουν αμοιβαία μεταξύ τους ενώνονται σε αντικείμενα εικόνας. δ) Τα παραπάνω βήματα επαναλαμβάνονται έως ότου δεν είναι δυνατή άλλη συνένωση Παράμετροι κατάτμησης του λογισμικού Definiens Developer 7 Το λογισμικό Definiens Developer 7, κατά την κατάτμηση με την εφαρμογή του παραπάνω αλγόριθμου δίνει τη δυνατότητα να καθοριστούν οι τρεις παρακάτω βασικές παράμετροι από το χρήστη: Παράμετρος κλίμακας (scale parameter): αυτή η παράμετρος επηρεάζει έμμεσα το μέσο μέγεθος των αντικειμένων. Στην ουσία καθορίζει τη μέγιστη επιτρεπόμενη ετερογένεια των αντικειμένων, επηρεάζοντας το μέσο μέγεθος του αντικειμένου της εικόνας. Όσο μεγαλύτερη τιμή λαμβάνει η παράμετρος, τόσο μεγαλύτερα αντικείμενα προκύπτουν. Χρώμα / σχήμα (Color / shape): με αυτές τις παραμέτρους μπορεί να ρυθμιστεί, η επιρροή της ομογένειας του χρώματος έναντι αυτής του σχήματος. Όσο υψηλότερη τιμή λαμβάνει ο δείκτης του σχήματος, τόσο λιγότερο επηρεάζει την παραγωγή αντικειμένων η φασματική ομογένεια. Η παράμετρος αυτή ελαχιστοποιεί την τυπική απόκλιση που υπολογίζεται από τις φασματικές τιμές του αντικειμένου της εικόνας. Ομαλότητα / συμπαγές του αντικειμένου (Smoothness / compactness): όταν ο δείκτης του σχήματος είναι μεγαλύτερος του μηδενός, ο χρήστης μπορεί να καθορίσει εάν τα αντικείμενα πρόκειται να δημιουργηθούν περισσότερο απαλά (smooth) ή συμπαγή (compact). 6.3 Ταξινόμηση Στην αντικειμενοστραφή ανάλυση της εικόνας το επόμενο βήμα μετά την κατάτμηση είναι να βρεθούν τα κατάλληλα χαρακτηριστικά για τον καλύτερο διαχωρισμό των αντικειμένων που δημιουργήθηκαν, ώστε να πραγματοποιηθεί η [120]

145 ταξινόμησή τους. Σε σύγκριση με τα εικονοστοιχεία, τα αντικείμενα της εικόνας προσφέρουν σε αφθονία επιπλέον χαρακτηριστικά και ιδιότητες. Επομένως ο χρήστης βασισμένος στη δημιουργία και ταξινόμηση των αντικειμένων των εικόνων, μπορεί να αναλύσει και να ερμηνεύσει πιο σύνθετες και δύσκολες εικόνες. Για να πραγματοποιηθεί η ταξινόμηση πρέπει να οριστούν οι τάξεις και ανάλογα με τη μέθοδο που θα εφαρμοστεί, πρέπει να επιλεγούν οι κατάλληλοι αλγόριθμοι, όρια, τα χαρακτηριστικά που περιγράφουν καλύτερα την κάθε κλάση ή να ληφθούν δείγματα. Κατά τη διαδικασία της ταξινόμησης τα αντικείμενα της εικόνας αναλύονται με βάση τα κριτήρια (παράμετρος κλίμακα, χρώμα/σχήμα, ομαλότητα/συπαγές του αντικειμένου) που έχουν προκαθοριστεί και ταξινομούνται σε εκείνες τις κλάσεις που ικανοποιούν τα παραπάνω κριτήρια. Η αντικειμενοστραφής ταξινόμηση των εικόνων που εφαρμόζεται στο λογισμικό Definiens Developer στηρίζεται στη θεωρία της ασαφούς λογικής για την εξαγωγή των αντικειμένων ενδιαφέροντος στην κατάλληλή κλίμακα Ασαφής λογική (fuzzy logic) Η ασαφής λογική είναι μια μαθηματική προσέγγιση για την ποσοτικοποίηση της αβεβαιότητας που υπάρχει κατά την περιγραφή του πραγματικού κόσμου, όταν σκοπός είναι η ταξινόμησή του σε κλάσεις. Επιτρέπει μεγαλύτερη ευελιξία σε σχέση με τη δυαδική θεωρία που μπορεί να δεχτεί μόνο δυο ακραίες τιμές (το όχι και το ναι, το αλήθεια και το ψέμα) επιτρέποντας έτσι, μια παρατήρηση να ανήκει σε μία μόνο κατηγορία ταξινόμησης (Gao, 2003). Αντίθετα, η ασαφής λογική επιτρέπει ένα εικονοστοιχείο να διατηρεί πολλές μη μηδενικές βαθμίδες συμμετοχής σε διάφορες κατηγορίες πληροφοριών (Tso και Mather 2001, Islam και Metternicht 2005). Η βασική ιδέα της ασαφούς λογικής είναι να αντικαταστήσει τους δυο αυστηρούς λογικούς κανόνες «ναι» και «όχι» με ένα συνεχές πεδίο τιμών από 0 έως 1, όπου 0 θα σημαίνει «ακριβώς όχι» και 1 θα σημαίνει «ακριβώς ναι». Όλες οι τιμές ανάμεσα στο 0 και στο 1 αντιπροσωπεύουν μια περισσότερο ή λιγότερο βέβαιη δήλωση (certain state) του «ναι» και του «όχι», επιτρέποντας τη μεταφορά χαρακτηριστικών που ανήκουν σε διαφορετικά μεγέθη, σε ένα ενιαίο και ομοιόμορφο σύστημα αξιολόγησης. Με τον τρόπο αυτό η ασαφής λογική είναι ικανή να εξομοιώσει την ανθρώπινη σκέψη και να λάβει ακόμη υπόψη και γλωσσικούς κανόνες. Τα συστήματα ασαφούς ταξινόμησης είναι τα πλέον ικανά να επεξεργαστούν και να χειριστούν το μεγαλύτερο μέρος της ασάφειας που υπάρχει στην εξαγωγή πληροφοριών από δορυφορικά δεδομένα. Ένα σύστημα ασαφούς λογικής αποτελείται από τέσσερις φάσεις: ασαφοποίηση, δημιουργία βάσης ασαφών κανόνων, εξαγωγή συμπερασμάτων και διασαφήνιση. Η αρχιτεκτονική των παραπάνω στοιχείων από τα οποία αποτελείται το ασαφές σύστημα φαίνεται στο Σχήμα 6-5. [121]

146 Σχήμα 6-5 Αρχιτεκτονική ενός ασαφούς συστήματος ταξινόμησης Ασαφοποίηση (fuzzification) Η ασαφοποίηση περιγράφει τη μετάβαση από ένα άκαμπτο σύστημα σε ένα ασαφές σύστημα και περιλαμβάνει τη διαδικασία μετατροπής των ξεκάθαρων τιμών σε διάφορους βαθμούς συμμετοχής, ώστε να χρησιμοποιηθούν με τους γλωσσικούς όρους του ασαφούς συστήματος. Σκοπός της είναι ο διαχωρισμός του συνόλου των χαρακτηριστικών μιας εικόνας σε ασαφή υποτμήματα και η δημιουργία κανόνων για κάθε ένα από αυτά και η ανάθεση ενός βαθμού συμμετοχής σε κάθε χαρακτηριστικό. Ο βαθμός συμμετοχής ορίζεται από τις διάφορες συναρτήσεις συμμετοχής (membership functions). Οι πιο συχνά χρησιμοποιούμενες ασαφείς συναρτήσεις συμμετοχής (Σχήμα 6-6) είναι η μονοτονική, η τριγωνική, η τραπεζοειδής, η κανονική κατανομή και η κωδωνόμορφη. Κάθε μια από τις παραπάνω συναρτήσεις δημιουργεί διαφορετικούς βαθμούς (grades) συμμετοχής για τα ίδια δεδομένα εισόδου. [122]

147 Σχήμα 6-6 Πέντε διαφορετικοί τύποι ασαφών συναρτήσεων συμμετοχής Βάση ασαφών κανόνων (fuzzy rule based) Οι ασαφείς κανόνες είναι κανόνες του τύπου if then (εάν τότε). Διάφοροι τελεστές μπορούν να χρησιμοποιηθούν για το συνδυασμό των ασαφών κανόνων. Οι βασικοί τελεστές είναι το «και» (and) και το «ή» (or). Το «και» αντιπροσωπεύει το ελάχιστο, το οποίο σημαίνει ότι η ελάχιστη τιμή από όλους τους κανόνες ορίζει την τιμή αποτέλεσμα (return value). Το «ή» αντιπροσωπεύει το μέγιστο, το οποίο σημαίνει ότι η μέγιστη τιμή από όλους τους κανόνες ορίζει την επιστρεφόμενη τιμή. Μια ασαφής βάση κανόνων δημιουργεί μια ασαφή ταξινόμηση, η οποία αποτελείται από διακριτές τιμές για κάθε μια από τις τάξεις. Αυτές οι τιμές απεικονίζουν το βαθμό τοποθέτησης σε κάθε τάξη (class assignment). Όσο υψηλότερες είναι οι τιμές που προκύπτουν για τις πιο πιθανές κατηγορίες, τόσο πιο αξιόπιστη καθίσταται η όλη διαδικασία ταξινόμησης. Να σημειωθεί ότι είναι εφικτός ο προσδιορισμός μιας ελάχιστης τιμής συμμετοχής για ένα αντικείμενο (εικονοστοιχείο) ώστε να αποδοθεί σε μια τάξη Εξαγωγή ασαφών συμπερασμάτων (Fuzzy inference machine) Ο πυρήνας ενός συστήματος ασαφούς λογικής είναι εκείνο το τμήμα που συνδυάζει τα δεδομένα που έχουν ασαφοποιηθεί (ασαφή υποτμήματα) με τη βάση ασαφών κανόνων και διεξάγει την ασαφή διαδικασία. Το τμήμα αυτό ονομάζεται μηχανή εξαγωγής συμπερασμάτων (fuzzy inference machine). Η μηχανή εξαγωγής συμπερασμάτων έχει πρόσβαση στη βάση ασαφών κανόνων του έμπειρου ασαφούς συστήματος (ασαφές σύστημα εμπειρογνωμόνων) για να προσδιορίσει [123]

148 γλωσσικές τιμές για τις ενδιάμεσες γλωσσικές μεταβλητές καθώς και για τις γλωσσικές μεταβλητές του αποτελέσματος (δεδομένα εξόδου). Τα δυο κύρια βήματα της ασαφούς μηχανής εξαγωγής συμπερασμάτων είναι η άθροιση και η σύνθεση. Η άθροιση είναι η διαδικασία υπολογισμού των τιμών της συνθήκης «εάν» των κανόνων, ενώ η σύνθεση είναι η διαδικασία υπολογισμού των τιμών της συνθήκης «τότε» των κανόνων. Κατά τη διάρκεια της άθροισης, σε κάθε συνθήκη του «εάν» αντιστοιχίζεται ένα βαθμός αλήθειας, που βασίζεται στο βαθμό συμμετοχής του αντίστοιχου χαρακτηριστικού. Στη συνέχεια συνήθως υπολογίζεται είτε το ελάχιστο ή το γινόμενο του βαθμού αλήθειας της κάθε συνθήκης για να περιορίσει το βαθμό αλήθειας του «εάν». Το αποτέλεσμα αυτό ορίζεται ως ο βαθμός αλήθειας της συνθήκης «τότε». Το τελευταίο στάδιο στη μηχανή εξαγωγής συμπερασμάτων είναι ο καθορισμός του βαθμού αλήθειας κάθε χαρακτηριστικού γλωσσικού όρου των γλωσσικών μεταβλητών εξόδου. Συνήθως υπολογίζεται είτε το μέγιστο ή το άθροισμα του βαθμού αλήθειας των κανόνων με τα ίδια χαρακτηριστικά της συνθήκης «τότε» Διασαφήνιση (defuzzication) Η τελευταία φάση σε ένα σύστημα ασαφούς λογικής είναι η διασαφήνιση, που αποτελεί την αντίθετη διαδικασία της ασαφοποίησης, αφού σε αυτή γίνεται ποσοτικοποίηση των ασαφών αποτελεσμάτων που προέκυψαν παράγοντας μια αυστηρή ταξινόμηση. Για την παραγωγή προϊόντων ταξινόμησης όπως χάρτες, τα ασαφή αποτελέσματα πρέπει να μετασχηματιστούν σε μια αυστηρή ή συγκεκριμένη τιμή, το οποίο σημαίνει ότι το αντικείμενο τοποθετείται σε μια τάξη ή όχι. Έτσι στη φάση αυτή καθορίζεται σε ποια τάξη παρουσιάζεται ο μεγαλύτερος βαθμός συμμετοχής των ασαφών αποτελεσμάτων Ασαφής ταξινόμηση στο Definiens Developer Η ασαφής ταξινόμηση στο λογισμικό Definiens Developer μπορεί να πραγματοποιηθεί μέσω δυο διαφορετικών προσεγγίσεων επιβλεπόμενης ταξινόμησης: α) με τη χρήση μιας ή το συνδυασμό περισσοτέρων συναρτήσεων συμμετοχής (membership function) και β) με τη χρήση του αλγόριθμου ταξινόμησης του πλησιέστερου γειτονικού σημείου Συναρτήσεις συμμετοχής Οι συναρτήσεις συμμετοχής επιτρέπουν την περιγραφή μιας κατηγορίας ταξινόμησης με τη χρήση χαρακτηριστικών των αντικειμένων τα οποία επιλέγονται και συνδυάζονται με βάση τη γνώση του έμπειρου χρήστη (expert knowledge) που αναπτύσσει την ταξινόμηση και δείχνουν το βαθμό συμμετοχής κάθε χαρακτηριστικού στην ταξινόμηση. [124]

149 Αντιπροσωπεύουν μονοδιάστατες περιγραφές των χαρακτηριστικών μιας τάξης βάσει ενός ορισμένου διαστήματος σε ένα επιλεγμένο επίπεδο πληροφορίας (Ivits και Koch 2002). Η πιο απλή βάση ασαφών κανόνων περιλαμβάνει τη διάκριση μιας κατηγορίας ταξινόμησης, βάση μιας μόνο συνθήκης, ενός μόνο ασαφούς χαρακτηριστικού. Για παράδειγμα η τάξη δάσος ορίζεται από ένα χαμηλό μέσο όρο ενός διαύλου. Αρχικά η συνάρτηση συμμετοχής για το χαρακτηριστικό σε σχέση με το αντικείμενο (object feature), «Μέσος Όρος διαύλου» πρέπει να οριστεί για το ασαφές σύνολο «Χαμηλός Μέσος Όρος του Διαύλου». Στη συνέχεια ακολουθεί η δημιουργία ενός ασαφούς κανόνα βάσει της έμπειρης γνώσης που υπάρχει για την τάξη δάσος. Εάν Μ.Ο. διάυλου 1 (αντικείμενο) Є Χ.Μ.Ο.Δ. τότε τάξη (αντικειμένου) = δάσος Ωστόσο σε πολλές περιπτώσεις απαιτείται η χρησιμοποίηση περισσότερων συνθηκών-συναρτήσεων συμμετοχής για την περιγραφή των κατηγοριών της ταξινόμησης. Σε αυτή τη περίπτωση χρησιμοποιούνται τελεστές όπως το «ΚΑΙ», το «Η» και το «ΟΧΙ» για τη σύνθεση των συνθηκών. Για παράδειγμα: Εάν Μ.Ο. διάυλου 1 (αντικείμενο) Є Χ.Μ.Ο.Δ. ΚΑΙ Τ.Α. διάυλου 2 (αντικείμενο) Є Υ.Τ.Α.Δ. τότε τάξη (αντικειμένου) = πλατύφυλλα Η χρήση πολλών συνθηκών οδηγεί σε αύξηση των διαστάσεων του χώρου όπου πραγματοποιείται η ταξινόμηση. Ωστόσο το σχήμα αυτού του πολυδιάστατου χώρου των συναρτήσεων συμμετοχής είναι περιορισμένο. Αυτός ο περιορισμός μπορεί να οδηγήσει σε ανεπαρκή περιγραφή των τάξεων και να καταστήσει την ταξινόμηση αδύνατη Αλγόριθμος πλησιέστερου γειτονικού σημείου (nearest neighbor) Ο αλγόριθμος πλησιέστερου γειτονικού σημείου είναι ένας μη παραμετρικός ταξινομητής. Σε αντίθεση με την παραπάνω προσέγγιση, που βασίζεται σε συναρτήσεις που καθορίζει ο χρήστης, ο αλγόριθμος πλησιέστερου γειτονικού σημείου παρουσιάζει αυθαίρετα όρια διάκρισης και διαχωρισμού για την τοποθέτηση μονάδων (π.χ. εικονοστοιχεία, αντικείμενα) στις διάφορες κατηγορίες ταξινόμησης. Στο λογισμικό Definiens Developer η ασαφής προσέγγιση του αλγόριθμου του πλησιέστερου γειτονικού σημείου δημιουργεί αυτόματα πολυδιάστατες συναρτήσεις συμμετοχής. Οι διάφοροι αλγόριθμοι του πλησιέστερου γειτονικού σημείου λειτουργούν σε ένα πολυδιάστατο χώρο των χαρακτηριστικών της εικόνας, χρησιμοποιώντας την πραγματική κατανομή των τιμών της εικόνας, με αποτέλεσμα η περιγραφή επιλεγμένων εικονοστοιχείων να είναι εύκολη. Σε αντίθεση με την εφαρμογή του αλγόριθμου πλησιέστερου γειτονικού σημείου σε εικονοστοιχεία, η [125]

150 εφαρμογή του σε αντικείμενα είναι ευκολότερη, αφού απαιτεί μικρότερο αριθμό δειγμάτων εκπαίδευσης, μιας και ένα αντικείμενο περιλαμβάνει πολλά από τα τυπικά χαρακτηριστικά της εικόνας καθώς και την πιθανή μεταβλητότητά της. Οι διαδικασίες εφαρμογής της ταξινόμησης με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου περιλαμβάνει δυο βήματα: α) εκπαίδευση του συστήματος με την επιλογή αντικειμένων εκπαίδευσης του ταξινομητή και β) ταξινόμηση των αντικειμένων. Αρχικά ορίζονται αντικείμενα που είναι αντιπροσωπευτικά για κάθε κατηγορία ταξινόμησης (αντικείμενα εκπαίδευσης) και στη συνέχεια ο αλγόριθμος αναζητά το πλησιέστερο γειτονικό αντικείμενο που έχει δηλωθεί ως δείγμα εκπαίδευσης στο χώρο των χαρακτηριστικών της εικόνας (feature space). Ο ταξινομητής αποδίδει μια τιμή του βαθμού συμμετοχής ανάμεσα στο 0 (καμιά τοποθέτηση) και στο 1 (πλήρης τοποθέτηση) με βάση το αντικείμενο της εικόνας και την απόστασή του με το πλησιέστερο γειτονικό του, μέσα στο χώρο των χαρακτηριστικών της εικόνας. Η τιμή συμμετοχής είναι 1 αν το αντικείμενο είναι ακριβώς ίδιο με αυτό που χρησιμοποιήθηκε ως δείγμα εκπαίδευσης. Όσο εγγύτερα ένα αντικείμενο της εικόνας βρίσκεται μέσα στο χώρο των χαρακτηριστικών της εικόνας σε ένα αντικείμενο από το δείγμα εκπαίδευσης τόσο υψηλότερος είναι ο βαθμός συμμετοχής του σε αυτήν την κατηγορία. Η απόσταση μεταξύ αντικειμένων υπολογίζεται από τον τύπο: d ( s) v f v = f σ f o f 2 όπου: d : ν : ( s ) f o v : f σ : f η απόσταση μεταξύ του αντικειμένου εκπαίδευσης s και του αντικειμένου προς ταξινόμηση σ, τιμή του χαρακτηριστικού f για το αντικείμενο εκπαίδευσης, η τιμή του χαρακτηριστικού f για το αντικείμενο της εικόνας, η τυπική απόκλιση των τιμών του χαρακτηριστικού f Η απόσταση στο χώρο των χαρακτηριστικών μεταξύ του αντικειμένου εκπαίδευσης και του αντικειμένου της εικόνας προς ταξινόμηση, κανονικοποιείται με την τυπική απόκλιση ( σ ) των τιμών όλων των χαρακτηριστικών f. Αυτό επιτρέπει το f συνδυασμό χαρακτηριστικών με διάφορες κλίμακες μέτρησης στον ίδιο χώρο ταξινόμησης. Εξαιτίας της κανονικοποίησης που πραγματοποιείται, τιμή απόστασης ίση με τη μονάδα (d=1) σημαίνει ότι η απόσταση αυτή ισούται με την τυπική [126]

151 απόκλιση των τιμών όλων των χαρακτηριστικών που ορίζουν τον χώρο των χαρακτηριστικών. Η τιμή συμμετοχής μπορεί να υπολογιστεί με βάση την απόσταση d των αντικειμένων, χρησιμοποιώντας μια πολυδιάστατη εκθετική συνάρτηση συμμετοχής z(d): ( ) z d e k = d 2 Η παράμετρος k καθορίζει την ελάττωση του μεγέθους z(d) και ορίζεται βάσει της συνάρτησης της κλίσης: k= ln 1 functionslope Η συνάρτηση κλίσης είναι ίση με τη συνάρτηση συμμετοχής z(d) όταν d=1. Επομένως, η συνάρτηση κλίσης ισοδυναμεί με το βαθμό συμμετοχής ενός αντικειμένου εικόνας σε μια κλάση, εάν το κοντινότερο αντικείμενο δείγμα εκπαίδευσης αυτής της κλάσης απέχει από το αντικείμενο της εικόνας ίση απόσταση με την τυπική απόκλιση των χαρακτηριστικών του κοντινότερου αντικειμένου - δείγματος. Τα αντικείμενα της εικόνα για να ταξινομηθούν σε μια κλάση πρέπει να είναι κοντά στο χώρο των χαρακτηριστικών με τα αντικείμενα του δείγματος της κλάσης που θα ταξινομηθούν. Όπως φαίνεται στο Σχήμα 6-7 το αντικείμενο προς ταξινόμηση (πράσινο) είναι πιο κοντά στο χώρο τον χαρακτηριστικών με το αντικείμενο δείγμα εκπαίδευσης που ανήκει στην τάξη «κόκκινο». Γι αυτό το πράσινο αντικείμενο θα τοποθετηθεί στην κόκκινη τάξη. Μάλιστα όσο πλησιέστερα βρίσκεται στην τάξη αυτή τόσο υψηλότερος θα είναι και ο βαθμός συμμετοχής τους στην τάξη αυτή. Σχήμα 6-7 Αρχή λειτουργίας της ταξινόμησης με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου. Το αντικείμενο προς ταξινόμηση (κόκκινος κύκλος) θα τοποθετηθεί στην ίδια κατηγορία ταξινόμησης με το πλησιέστερο προς αυτό αντικείμενο - δείγμα εκπαίδευσης [127]

152 Αν το αντικείμενο της εικόνας διαφέρει από το δείγμα, η απόσταση των αντικειμένων της εικόνας στο χώρο των χαρακτηριστικών έχει μια ασαφή εξάρτηση με την απόσταση στο χώρο των χαρακτηριστικών με από το πλησιέστερο δείγμα της τάξης. Ο χρήστης καθορίζει ποια επίπεδα πληροφοριών και χαρακτηριστικά, θα χρησιμοποιηθούν κατά την εφαρμογή του αλγορίθμου του πλησιέστερου γειτονικού σημείου για τη δημιουργία του χώρου ταξινόμησης, ενώ τα αντιπροσωπευτικά αντικείμενα επιλέγονται για κάθε εικόνα. Έτσι ανάλογα με τα χαρακτηριστικά που θα χρησιμοποιηθούν το ίδιο αντικείμενο προς ταξινόμηση μπορεί να έχει διαφορετικές τιμές συμμετοχής (Σχήμα 6-8). Σχήμα 6-8 Διάφορες τιμές συμμετοχής για το ίδιο αντικείμενο Στο αποτέλεσμα της ταξινόμησης ο βαθμός συμμετοχής των χαρακτηριστικών για κάθε κλάση δίνεται για κάθε αντικείμενο ξεχωριστά. Έτσι ο χρήστης έχει λεπτομερή ανάλυση της ταξινόμησης και γνώση σχετικά με τη μίξη μέσα στην κλάση για κάθε αντικείμενο της εικόνας καθώς και για το βαθμό συμμετοχής του αντικειμένου σε άλλες κλάσεις, σε σχέση με αυτή που ταξινομήθηκε. Στο Σχήμα 6-9 δίνεται ο βαθμός συμμετοχής του αντικειμένου προς ταξινόμηση στις διάφορες τάξεις, σε μονοδιάστατο χώρο χαρακτηριστικών, δηλ. για ένα χαρακτηριστικό. [128]

153 Σχήμα 6-9 Βαθμός συμμετοχής το αντικειμένου προς ταξινόμηση (πράσινος κύκλος σε σχέση με τα αντικείμενα του δείγματος εκπαίδευσης, σε μια διάσταση στο χώρο των χαρακτηριστικών. Σε πολυδιάστατο χώρο χαρακτηριστικών, ανάλογα με τον αριθμό των χαρακτηριστικών που χρησιμοποιούνται είναι δυσκολότερη η απεικόνιση του βαθμού συμμετοχής. Αν θεωρήσουμε ότι χρησιμοποιούνται μόνο δυο χαρακτηριστικά και μόνο δυο κλάσεις ταξινόμησης τότε η απεικόνιση του βαθμού συμμετοχής θα μοιάζει με το Σχήμα Τα δείγματα αντιπροσωπεύονται από μικρούς κύκλους. Οι τιμές συμμετοχής για τις κλάσεις «κόκκινο» και «μπλε» αντιστοιχούν στην σκίαση του αντίστοιχου χρώματος. Έτσι στις περιοχές όπου το αντικείμενο θα ταξινομηθεί «κόκκινο», η τιμή συμμετοχής για το «μπλε» αγνοείται. Το αντίστροφο ισχύει για τις περιοχές που θα ταξινομηθούν ως «μπλε». Σχήμα 6-10 Συνάρτηση συμμετοχής στη ταξινόμηση σε χώρο χαρακτηριστικών δυο διαστάσεων [129]

154 6.4 Ιεραρχία Κάθε ένα από τα επίπεδα αντικειμένων της εικόνας που δημιουργήθηκαν, μπορεί να αποτελέσουν ξεχωριστό επίπεδο εργασίας κατά την εφαρμογή της αντικειμενοστραφούς ανάλυσης. Δύο ή περισσότερα επίπεδα αντικειμένων σχηματίζουν μια καθορισμένη ιεραρχία, δημιουργώντας ένα ιεραρχικό δίκτυο από αντικείμενα της εικόνας (image object hierarchy). Στο δίκτυο αυτό παρόμοια αντικείμενα ενός χαμηλότερου επιπέδου συνδέονται με ένα αντικείμενο του ανώτερου επιπέδου ακολουθώντας αναγκαστικά τα όριά του (Σχήμα 6-11). Στο ιεραρχικό δίκτυο των αντικειμένων δυο είναι τα επίπεδα που είναι γνωστά από την αρχή και εμφανίζονται σε κάθε αντικειμενοστραφή ανάλυση της εικόνας: το επίπεδο της εικόνας που αποτελείται από τα εικονοστοιχεία και που ονομάζεται επίπεδο εικονοστοιχείου (pixel level), και το επίπεδο όπου ένα αντικείμενο καλύπτει ολόκληρη την εικόνα. Τα παραπάνω επίπεδα αποτελούν και τα όρια της ιεραρχίας των επιπέδων των αντικειμένων. Σχήμα 6-11 Ιεραρχία των αντικειμένων της εικόνας. Κάθε αντικείμενο συνδέεται με το γειτονικό του, το υπέρ-αντικείμενό του και το υπό-αντικείμενο Το ιεραρχικό δίκτυο από τα αντικείμενα της εικόνας είναι τοπογραφικά ορισμένο. Τα αντικείμενα μέσα στο ίδιο επίπεδο αντικειμένων συνδέονται μεταξύ τους οριζόντια. Όμοια τα αντικείμενα μέσα στην ιεραρχία των αντικειμένων της εικόνας συνδέονται μεταξύ τους κάθετα. Όλα τα αντικείμενα είναι συνδεδεμένα και δικτυωμένα μεταξύ τους με τέτοιο τρόπο, ώστε καθένα από αυτά να γνωρίζει ποια είναι τα γειτονικά του αντικείμενα, ποιο είναι το υπέρ-αντικείμενο, δηλαδή αυτό που βρίσκεται σε υψηλότερο επίπεδο αντικειμένων, και ποια είναι τα υπόαντικείμενα, δηλαδή αυτά που βρίσκονται σε χαμηλότερο επίπεδο αντικειμένων. [130]

155 Εικόνα 6-2 Απεικόνιση τριών επιπέδων κατάτμησης μιας εικόνας Η ανάλυση των επιπέδων των αντικειμένων, μέσα στην ιεραρχία που δημιουργείται, ποικίλει από άριστη μεγάλη ανάλυση στα χαμηλότερα επίπεδα αντικειμένων, μέχρι χαμηλή ανάλυση στα υψηλότερα επίπεδα αντικειμένων της εικόνας. Για να διασφαλιστούν οι παραπάνω σχέσεις μεταξύ των επιπέδων των αντικειμένων της εικόνας, κανένα αντικείμενο δεν μπορεί να έχει πάνω από ένα υπέρ- αντικείμενο. Μπορεί όμως να έχει πολλαπλά υπό-αντικείμενα. Το όρια του υπέρ αντικειμένου συμπίπτουν με τα όρια των υπό-αντικειμένων του και η περιοχή που αντιπροσωπεύεται από ένα αντικείμενο ορίζεται από το σύνολο των περιοχών που καλύπτουν τα υπό αντικείμενά του. Όπως έχει αναφερθεί, στις περισσότερες περιπτώσεις τα αρχικά αντικείμενα (πρωτογενή αντικείμενα) δεν αντιστοιχούν στις επιθυμητές κλάσεις για ταξινόμηση. Έτσι το επόμενο βήμα είναι να πραγματοποιηθούν και άλλες κατατμήσεις, ώστε να δημιουργηθούν περισσότερο σημαντικά και πιο κατάλληλα αντικείμενα, που θα οδηγήσουν σε καλύτερη ταξινόμηση. Το γεγονός ότι ο χρήστης μπορεί να εφαρμόσει οποιαδήποτε λειτουργία κατάτμηση ή ταξινόμηση- σε αντικείμενα εικόνας μιας ή περισσοτέρων κλάσεων, αποτελεί μια σημαντική ιδιότητα της αντικειμενοστραφούς ανάλυσης εικόνας. Συνεπώς, τα αρχικά αντικείμενα αποτελούν στην ουσία βάση πληροφορίας για περαιτέρω κατατμήσεις ή ταξινομήσεις. Αυτό πραγματοποιείται με την εφαρμογή διαφόρων διαδικασιών, οι οποίες έχουν ως σκοπό την επίλυση προβλημάτων σχετικά με την ανάλυση της εικόνας και των αντικειμένων της και στοχεύουν στη δημιουργία όσο το δυνατό καταλληλότερων αντικείμενων για μια αποτελεσματικότερη ταξινόμηση. Το καλύτερο αποτέλεσμα κατάτμησης είναι αυτό που παρέχει στο χρήστη τις καλύτερες πληροφορίες για να συνεχίσει την ανάλυσή του. Μέσω της ιεραρχίας των επιπέδων, υλοποιείται μια αντικειμενοστραφής αναπαράσταση των προς ταξινόμηση κατηγοριών και ταυτόχρονα, παρέχεται το λογικό πλαίσιο με βάση το οποίο θα πραγματοποιηθούν οι διαδικασίες [131]

156 κληροδότησης χαρακτηριστικών από ορισμένες γενικότερες κατηγορίες σε πιο ειδικές. Σχήμα 6-12 Απεικόνιση των διαδικασιών στην αντικειμενοστραφή ανάλυση εικόνας 6.5 Διαδικασίες (Processes) Η ανάπτυξη της αντικειμενοστραφούς ανάλυσης πραγματοποιήθηκε με τη χρήση του λογισμικού Definiens Developer 7. Το Definiens Developer 7 παρέχει μια τεχνητή «γλώσσα» για την ανάπτυξη διάφορων προηγμένων αλγόριθμων ανάλυσης και επεξεργασίας της εικόνας. Αυτοί οι αλγόριθμοι χρησιμοποιούν τις αρχές της αντικειμενοστραφούς ανάλυσης και της τοπικά προσαρμοζόμενης επεξεργασίας. Αυτό επιτυγχάνεται με ειδικές διαδικασίες. Μια ειδική διαδικασία αποτελεί τη στοιχειώδη μονάδα μιας ομάδας κανόνων (rule set) η οποία δίνει λύση σε συγκεκριμένα προβλήματα ανάλυσης της εικόνας. Τα βασικά μέρη μιας ειδικής διαδικασίας είναι ο αλγόριθμος και το πεδίο ορισμού/ εφαρμογής (domain) (Σχήμα 6-13). Μια ειδική διαδικασία επιτρέπει την εφαρμογή ενός αλγόριθμου σε μια συγκεκριμένη περιοχή της εικόνας. Ο αλγόριθμος περιγράφει τι θα κάνει η ειδική διαδικασία: τη δημιουργία αντικειμένων, τη συγχώνευση ή τον διαχωρισμό των αντικειμένων, την ταξινόμηση των αντικειμένων κτλ. Το πεδίο ορισμού περιγράφει την περιοχή του ενδιαφέροντος όπου θα εφαρμοστεί ο αλγόριθμος: σε ολόκληρη την εικόνα, σε ένα επίπεδο ή σε όλα τα αντικείμενα που ανήκουν σε μια συγκεκριμένη ομάδα Αλγόριθμοι Οι αλγόριθμοι καθορίζουν τη λειτουργία που θα πραγματοποιηθεί σε μια ειδική διαδικασία. Η λειτουργία περιγράφει τι θα κάνει η ειδική διαδικασία και μπορεί να έχει ως αποτέλεσμα τη δημιουργία νέων αντικειμένων εικόνας, την ένωση ή το διαχωρισμό των αντικειμένων της εικόνας, την ταξινόμηση των αντικειμένων κλπ. Οι δυο βασικές λειτουργίες των αλγόριθμων μιας ειδικής διαδικασίας είναι η δημιουργία ή η τροποποίηση των αντικειμένων της εικόνας και η ταξινόμηση των [132]

157 αντικειμένων. Εκτός από τα παραπάνω, ένα σύνολο από άλλους αλγόριθμους χρησιμοποιούνται για να καθοριστούν όλες οι απαραίτητες διαδικασίες ώστε να οργανωθεί και να πραγματοποιηθεί καλύτερα η ανάλυση της εικόνας. Μερικοί από τους αλγορίθμους είναι: αλγόριθμοι κατάτμησης, αλγόριθμοι ταξινόμησης, αλγόριθμοι μετασχηματισμού, αλγόριθμοι λειτουργίας και επεξεργασίας θεματικών επιπέδων, αλγόριθμοι σχετικά με τη λειτουργία των διαφόρων επιπέδων, αλγόριθμοι διαδραστικών λειτουργιών, αλγόριθμοι εξαγωγής δεδομένων κλπ. Μια ειδική διαδικασία επιτρέπει την εφαρμογή ενός από τους παραπάνω αλγόριθμους σε μια συγκεκριμένη περιοχή της εικόνας και σε συγκεκριμένο πεδίο. Μέσω της ιεραρχίας των επιπέδων και με την εφαρμογή των ειδικών διαδικασιών αποδίδονται τα χαρακτηριστικά των αντικειμένων από ορισμένες γενικότερες κατηγορίες σε πιο ειδικές Πεδίο ορισμού αντικειμένου (image object domain) Το πεδίο ορισμού περιγράφει την περιοχή του ενδιαφέροντος και το επίπεδο της ιεραρχίας της εικόνας όπου θα εφαρμοστεί ο αλγόριθμος της ειδικής διαδικασίας. Το πεδίο ορισμού/εφαρμογής των διαδικασιών ορίζεται από μια δομική περιγραφή του αντίστοιχου υποσυνόλου των αντικειμένων. Παραδείγματα σχετικά με το πεδίο ορισμού είναι: ολόκληρη η εικόνα, ένα επίπεδο στην ιεραρχία της εικόνας ή όλα τα αντικείμενα που ανήκουν σε μια συγκεκριμένη ομάδα (Σχήμα 6-13 Εφαρμογή αλγορίθμων σε διαφορετικά πεδία ορισμού) Σχήμα 6-13 Εφαρμογή αλγορίθμων σε διαφορετικά πεδία ορισμού Η εφαρμογή των διάφορων λειτουργιών, μέσω των ειδικών διαδικασιών, και με πεδίο ορισμού ολόκληρη την εικόνα έχει ως αποτέλεσμα τη δημιουργία πολλών πεδίων ορισμού αντικειμένων. Οι ειδικές διαδικασίες θα επαναληφθούν στο [133]

158 σύνολο των αντικειμένων της εικόνας, σε κάθε πεδίο ορισμού αντικειμένων και θα εφαρμόσουν τους αλγόριθμους σε κάθε ξεχωριστό αντικείμενο. Έτσι τα πεδία ορισμού μπορεί να προσδιοριστούν σε σχέση με τα αντικείμενα που δημιουργούνται από την αρχική (parent) ειδική διαδικασία, π.χ. τα υπό-αντικείμενα ή τα γειτονικά αντικείμενα αυτών που δημιουργήθηκαν από την εφαρμογή της πρώτης ειδικής διαδικασίας 6.6 Αποτελέσματα Η εύρεση του κατάλληλου επιπέδου κατάτμησης είναι μια υποκειμενική διαδικασία και η εύρεση τού βέλτιστου επιπέδου στηρίζεται σε διαδοχικές δοκιμές και πειραματισμούς μεταβάλλοντας κάποιες από τις παραμέτρους όπως είναι η κλίμακα, τα βάρη για κάθε δίαυλο που λαμβάνεται υπόψη στην ανάλυση της εικόνας, τα κριτήρια χωρικής και φασματικής ετερογένειας. Εκτός από τους τέσσερις φασματικούς διαύλους των δορυφορικών δεδομένων SPOT 5, για την ανάπτυξη του αντικειμενοστραφούς μοντέλου ταξινόμησης χρησιμοποιήθηκε και ο δείκτης Normalized Difference Vegetation Index (NDVI) ή δείκτης βλάστησης κανονικοποιημένης διαφοράς, ως επιπρόσθετη φασματική πληροφορία με σκοπό τον καλύτερο διαχωρισμό των κλάσεων. Το πρώτο βήμα για την ανάπτυξη του αντικειμενοστραφούς μοντέλου ταξινόμησης ήταν η δημιουργία των αντικειμένων της εικόνας με τη διαδικασία της κατάτμησης. Μετά την κατάτμηση εφαρμόστηκαν διάφορες ειδικές διαδικασίες, όπου εφαρμόστηκαν αλγόριθμοι τροποποίησης και ταξινόμησης για να πραγματοποιηθεί η χαρτογράφηση της καύσιμης ύλης. Η σειρά που εφαρμόστηκαν οι ειδικές διαδικασίες αποτέλεσε την ομάδα κανόνων του μοντέλου της αντικειμενοστραφούς ταξινόμησης. Σημαντικό ρόλο στη διαδικασία της κατάτμησης, άρα και στο σύνολο της αντικειμενοστραφούς ανάλυσης, παίζει η επιλογή του μεγέθους των αντικειμένων που δημιουργούνται. Αντικείμενα με πολύ μικρό μέγεθος παρουσιάζουν μεγάλη ομοιογένεια ως προς τις φασματικές πληροφορίες που περιλαμβάνουν αλλά δυσκολεύουν τη διαδικασία της ταξινόμησης, αφού αυξάνεται σημαντικά ο αριθμός τους. Από την άλλη, αντικείμενα με μεγάλο μέγεθος δε δίνουν ικανοποιητικά αποτελέσματα ταξινόμησης, αφού στα ίδια αντικείμενα περιλαμβάνονται περιοχές που δεν είναι ομοιογενείς. Έτσι μετά από εμπειρικές δοκιμές για την κατάτμηση των τεσσάρων φασματικών διαύλων και του δείκτη NDVI της αρχικής εικόνας, επιλέχθηκε να εφαρμοστεί σε όλα τα δεδομένα ο ίδιος συντελεστής βάρους (μηδέν για την πρώτη κατάτμηση και μονάδα για τη δεύτερη). Για την παράμετρο κλίμακα ορίστηκαν δυο διαφορετικές τιμές, που εφαρμόστηκαν στις δυο κατατμήσεις που πραγματοποιήθηκαν. Στην [134]

159 πρώτη κατάτμηση η παράμετρος κλίμακας είχε τιμή 1000 και στη δεύτερη τιμή 10. Στην Εικόνα 6-3 παρουσιάζονται διάφορες κατατμήσεις χρησιμοποιώντας διαφορετικές τιμές στον παράγοντα κλίμακα. Όπως παρατηρείται στην Εικόνα 6-3 τα αντικείμενα που δημιουργούνται στην πρώτη περίπτωση, με παράγοντα κλίμακας 10, είναι τα περισσότερα. Στις υπόλοιπες περιπτώσεις και όσο αυξάνεται ο παράγοντας κλίμακα, φαίνεται ότι με την κατάτμηση δημιουργούνται μεγάλα αντικείμενα, λιγότερα σε αριθμό, αλλά παρουσιάζουν ολοένα και μικρότερη ομοιογένεια. Η χρησιμοποίηση λοιπόν, μεγάλου παράγοντα κλίμακας έχει ως αποτέλεσμα τα δημιουργημένα αντικείμενα να απομακρύνονται από την πραγματικότητα και σε ένα αντικείμενο να περιλαμβάνονται περισσότερες της μιας τάξεις ενδιαφέροντος. Όπως φαίνεται στις τρεις τελευταίες περιπτώσεις της Εικόνα 6-3, στο ίδιο αντικείμενο υπάρχουν περιοχές με βλάστηση και περιοχές που δεν έχουν καθόλου βλάστηση ή έχουν ελάχιστη βλάστηση. Στο κριτήριο ετερογένειας επιλέχθηκε για την παράμετρο σχήμα του αντικειμένου (shape) 0,9 και για την παράμετρο συμπαγές του αντικειμένου (compactness) 0, Ταξινόμηση του μωσαϊκού για το Ν. Χαλκιδικής με τη χρήση του αλγόριθμου πλησιέστερου γειτονικού σημείου Για την ταξινόμηση της καύσιμης ύλης στο Ν. Χαλκιδικής με το λογισμικό Definiens Developer καθορίστηκαν τελικά δυο επίπεδα ταξινόμησης στο ιεραρχικό δίκτυο των αντικειμένων της εικόνας που δημιουργήθηκε. Αρχικά πραγματοποιήθηκε κατάτμηση (Εικόνα 6-4) με πεδίο ορισμού όλα τα εικονοστοιχεία της εικόνας (επίπεδο εικονοστοιχείων), όπως προέκυψε από το μωσαϊκό των δορυφορικών εικόνων SPOT5, και δημιουργήθηκε το πρώτο επίπεδο αντικειμένων (Επίπεδο 1). Στη δημιουργία του πρώτου επιπέδου χρησιμοποιήθηκε το διανυσματικό επίπεδο πληροφορίας σχετικά με τις χρήσεις γης του Ν. Χαλκιδικής και κυρίως με τις αγροτικές καλλιέργειες και τις αστικές περιοχές. Για να πραγματοποιηθεί η κατάτμηση, κατά την οποία το ζητούμενο ήταν να δημιουργηθούν αντικείμενα που θα αξιοποιήσουν τη θεματική του πληροφορία του διανυσματικού επιπέδου, χρησιμοποιήθηκε το διανυσματικό αρχείο σχετικά με τις αγροτικές καλλιέργειες και ο συντελεστής βάρους που δόθηκε στους διαύλος και στο δείκτη NDVI ήταν 0. Το αποτέλεσμα ήταν να δημιουργηθούν αντικείμενα στα οποία, πέρα από τις φασματικές πληροφορίες, ενσωματώθηκε και η θεματική πληροφορία του διανυσματικού [135]

160 α) Κατάτμηση με παράγοντα κλίμακας 10, κριτήριο ετερογένειας: shape 0,1 και compactness 0,6 β) Κατάτμηση με παράγοντα κλίμακας 30, κριτήριο ετερογένειας: shape 0,1 και compactness 0,6 γ) Κατάτμηση με παράγοντα κλίμακας 50, κριτήριο ετερογένειας: shape 0,1 και compactness 0,6 δ) Κατάτμηση με παράγοντα κλίμακας 70, κριτήριο ετερογένειας: shape 0,1 και compactness 0,6 ε) Κατάτμηση με παράγοντα κλίμακας 100, κριτήριο ετερογένειας: shape 0,1 και compactness 0,6 ζ) Κατάτμηση με παράγοντα κλίμακας 150, κριτήριο ετερογένειας: shape 0,1 και compactness 0,6 η) Κατάτμηση με παράγοντα κλίμακας 250, κριτήριο ετερογένειας: shape 0,1, compactness 0,6 Εικόνα 6-3 Διαφοροποίηση του αποτελέσματος της κατάτμησης, ανάλογα με τον παράγοντα κλίμακα. Η αύξηση της κλίμακας έχει ως αποτέλεσμα την αύξηση του μεγέθους των αντικειμένων με συνέπεια να περιλαμβάνονται στα ίδια αντικείμενα περιοχές που δεν είναι ομοιογενείς. [136]

161 Εικόνα 6-4 Διαδοχικά στάδια που εφαρμόστηκαν στα πλαίσια της αντικειμενοστραφούς ταξινόμησης της εικόνας επιπέδου και είχαν μέγεθος τουλάχιστον ίσο με το μέγεθος των πολυγώνων που περιέχουν τη θεματική πληροφορία. Στη συνέχεια, πραγματοποιήθηκε ταξινόμηση των αντικειμένων του Επιπέδου 1 σε δυο τάξεις: i) αγροτικές καλλιέργειες, ii) λοιπά μοντέλα καύσιμης ύλης. Τα αντικείμενα που περιείχαν τη θεματική πληροφορία «αγροτική καλλιέργεια» ταξινομήθηκαν στην πρώτη κατηγορίες μοντέλων καύσιμης ύλης. Όλα τα αντικείμενα που δεν είχαν τις παραπάνω θεματικές πληροφορίες ταξινομήθηκαν στην κατηγορία «λοιπά μοντέλα καύσιμης ύλης». Επόμενο βήμα, μετά την ολοκλήρωση της πρώτης ταξινόμησης, ήταν η δημιουργία του Επίπεδου 2. Το πεδίο ορισμού όπου εφαρμόστηκαν όλοι οι αλγόριθμοι ήταν όλα τα αντικείμενα του Επιπέδου 1, τα οποία είχαν ταξινομηθεί στην κατηγορία «λοιπές μοντέλα καύσιμης ύλης». Έτσι η νέα κατάτμηση που πραγματοποιήθηκε, εφαρμόστηκε μόνο στα αντικείμενα της κατηγορίας «λοιπές μοντέλα καύσιμης ύλης στο Επίπεδο 1». Η παράμετρος κλίμακα είχε την τιμή 10 ενώ στο κριτήριο ετερογένειας δόθηκε πλήρες βάρος στο χρώμα (0,9) και για την παράμετρο που σχετίζεται με το συμπαγές των αντικειμένων (compactness) δόθηκε η τιμή 0,6. [137]

162 Για την επίτευξη του καλύτερου δυνατού αποτελέσματος της ταξινόμησης χρησιμοποιήθηκαν χαρακτηριστικά όπως οι «μέσοι όροι» και των τεσσάρων διαύλων, η φωτεινότητα, η τυπική απόκλιση και για τους τέσσερις διαύλους. Για την εφαρμογή της ασαφούς ταξινόμησης με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου πραγματοποιήθηκε επιλογή αντιπροσωπευτικών δειγμάτων από τα αντικείμενα της εικόνας. Τα αντιπροσωπευτικά δείγματα επιλέχθηκαν με βάση τις μετρήσεις πεδίου που πραγματοποιήθηκαν στο Ν. Χαλκιδικής στα πλαίσια της διδακτορικής εργασίας. Σε κάποιες περιπτώσεις κρίθηκε απαραίτητο να γίνει επιλογή κάποιων δειγμάτων με βάση δορυφορικές εικόνες πολύ υψηλής ανάλυσης σε συνδυασμό με τη χρήση χαρτών βλάστησης (π.χ. περιοχές με αραιή βλάστηση), αφού ήταν πρακτικά αδύνατη η δειγματοληψία σε ολόκληρη την περιοχή μελέτης. Η ταξινόμηση εφαρμόστηκε στα αντικείμενα του Επιπέδου 2 και κατατάχθηκαν στις υπόλοιπες κατηγορίες ταξινόμησης (Εικόνα 6-4) Εικόνα 6-5 Χάρτης καύσιμης ύλης, όπως προέκυψε από την αντικειμενοστραφή ταξινόμηση [138]

163 6.6.2 Αξιολόγηση των αποτελεσμάτων της ταξινόμησης της καύσιμης ύλης με τη χρήση αντικειμενοστραφούς ταξινόμησης Εκτίμηση της ακρίβειας Μετά την ταξινόμηση, επόμενο βήμα στη διαδικασία είναι η εκτίμηση της ακρίβειας, αφού δεδομένα άγνωστης ακρίβειας έχουν πολύ μικρή αξία ενώ πολλές φορές κρίνεται απαραίτητη η γνώση της ακρίβειας της ταξινόμησης για τη σύγκριση των διαφόρων τεχνικών ταξινόμησης, των αλγορίθμων που χρησιμοποιήθηκαν ή των ταξινομητών (Congalton, 1998). Ο όρος «εκτίμηση της ακρίβειας» είναι ένας γενικός όρος που αναφέρεται στην σύγκριση της ταξινόμησης που πραγματοποιήθηκε με γεωγραφικά δεδομένα αναφοράς που είναι αληθινά. Δείχνει δηλαδή, πόσο ακριβής είναι η καταχώρηση των εικονοστοιχείων στις πραγματικές κατηγορίες. Πρακτικά είναι αδύνατο να συγκριθούν όλα τα αντικείμενα της ταξινόμησης με επίγεια σημεία αναφοράς. Για το λόγο αυτό χρησιμοποιούνται ομάδες αντικειμένων αναφοράς. Τα δεδομένα αναφοράς είναι αντικείμενα στην ταξινομημένη εικόνα για τα οποία είναι τα πραγματικά/αληθινά δεδομένα με τον προσδιορισμό τους είτε από χάρτες αναφοράς, αεροφωτογραφίες, είτε από επίγειες παρατηρήσεις (Congalton, 1991). Ο έλεγχος ακρίβειας ταξινόμησης έγινε με τη κατασκευή της μήτρας σφαλμάτων ταξινόμησης (error matrix) ή πίνακας σύμπτωσης (Καρτέρης 1990) από όπου προκύπτει η συνολική ακρίβεια ταξινόμησης αλλά και οι επιμέρους ακρίβειες του κατασκευαστή και του χρήστη. Η συνολική ακρίβεια ισούται με το λόγο του αθροίσματος των στοιχείων της κύριας διαγωνίου της μήτρας σφαλμάτων προς το συνολικό μέγεθος του δείγματος. Η συνολική ακρίβεια μπορεί να υπολογιστεί και για κάθε κατηγορία χωριστά: P i i = ν 100 Ν i όπου: P i : συνολική ακρίβεια %, ν i : αριθμός σημείων που έχουν ταξινομηθεί σωστά Ν i : μέγεθος δείγματος Η ακρίβεια του κατασκευαστή, είναι μια ένδειξη πόσο καλά μια συγκεκριμένη περιοχή έχει ταξινομηθεί, δηλαδή αναφέρεται στην ακρίβεια με την οποία η πραγματικότητα αντιπροσωπεύεται στην ταξινόμηση, και η ακρίβεια του χρήστη [139]

164 ένα μέτρο της αξιοπιστίας του τελικού χάρτη και πληροφορεί το χρήστη πόσο καλά ένας χάρτης αντιπροσωπεύει το τι πραγματικά υπάρχει στο έδαφος. Επίσης για τον έλεγχο της αξιοπιστίας της ταξινόμησης χρησιμοποιήθηκε η στατιστική ανάλυση kappa και ο συντελεστής K που προκύπτει από αυτή (Congalton κ.ά., 1983). Σε αντίθεση με τη συνολική ακρίβεια ο συντελεστής Khat, λαμβάνει υπόψη του και τα υπόλοιπα μη διαγώνια στοιχεία του πίνακα (Rosenfield και Fitzpatrick,1986). Η μαθηματική του έκφραση είναι: όπου : Ν K HAT Ν n n n i = 2 n n n HAT ii i+ + i i i i+ + i : το συνολικό μέγεθος του δείγματος που χρησιμοποιήθηκε n i + : το άθροισμα των στοιχείων κάθε γραμμής i, ni n + i : το άθροισμα των στοιχείων κάθε στήλης j. ni Μια πιο απλή έκφραση είναι: + = + = j i n ij n ij K hat p 0 = 1 p p e e όπου: p 0 : ακρίβεια της παρατηρούμενης συμφωνίας p e : εκτίμηση της τυχαίας συμφωνίας Οι τιμές του κυμαίνονται από 0 1. Ο συντελεστής Kappa έχει μηδενική τιμή όταν η συμφωνία μεταξύ των ταξινομημένων δεδομένων και των δεδομένων αναφοράς (ή επαλήθευσης), είναι ίση με τη τυχαία συμφωνία (Fenstermaker 1991). Ο συντελεστής Kappa αυξάνει προς τη μονάδα όσο η τυχαία συμφωνία ελαττώνεται. Η τιμή 1 δηλώνει ότι υπάρχει μια τέλεια ταξινόμηση (Fenstermaker, 1991). Αρνητική τιμή σημαίνει ότι η ταξινόμηση που πραγματοποιήθηκε είναι χειρότερη από μια τυχαία ταξινόμηση. Σύμφωνα με τους Montserud και Leamans (1992), τιμές του συντελεστή Κhat 0,75 ή μεγαλύτερες, δείχνουν πολύ καλή μέχρι εξαίρετη απόδοση του ταξινομητή, τιμές από 0,40-0,75 δίνουν μέτρια προς καλή συμφωνία και τιμές μικρότερες του 0,40 δίνουν μικρή συμφωνία και «φτωχή απόδοση» του ταξινομητή. [140]

165 Εκτίμηση της ακρίβειας της ταξινόμησης για το Ν. Χαλκιδικής Για την εκτίμηση της ακρίβειας των αποτελεσμάτων της ταξινόμησης της καύσιμης ύλης χρησιμοποιήθηκαν ως σημεία ελέγχου οι μετρήσεις που πραγματοποιήθηκαν στο πεδίο, αλλά και περιοχές που προέκυψαν από ορθοφωτοχάρτες και φωτοερμηνεία δορυφορικών εικόνων πολύ υψηλής ευκρίνειας από δυο ανεξάρτητους και έμπειρους στη φωτοερμηνεία και στις μεθόδους τηλεπισκόπησης δασολόγους. Στα πλαίσια της αξιολόγησης της ακρίβεια της ταξινόμησης της καύσιμης ύλης για το Ν. Χαλκιδικής χρησιμοποιήθηκαν συνολικά 374 τυχαία επιλεγμένα σημεία. Πρέπει να σημειωθεί ότι οι περιοχές που επιλέχθηκαν για την εκπαίδευση του υπολογιστή δεν ξαναχρησιμοποιήθηκαν για τον έλεγχο των αποτελεσμάτων. Η μήτρα σφαλμάτων όπως προέκυψε για την ταξινόμηση της καύσιμης ύλης στο Ν. Χαλκιδικής φαίνεται στον Πίνακας 6-1: Πίνακας 6-1 Μήτρα σφαλμάτων της ταξινόμησης για το Ν. Χαλκιδικής Αντικείμενα αναφοράς TKY1 TKY2 TKY3 TKY4 TKY5 TKY6 TKY7 TKY8 TKY9 Σύνολο Ακρίβεια χρήστη TKY ,72 TKY ,14 Ταξινομημένα αντικείμενα TKY ,05 TKY ,64 TKY ,00 TKY ,74 TKY ,11 TKY ,33 TKY ,97 Σύνολο Ακρίβεια 70,59 60,53 86,48 84,78 83,34 63,64 89,47 79,17 92,76 κατασκευαστή ΤΚΥ1=αγροτικές καλλιέργειες, ΤΚΥ2=θαμνώνες αραιοί, ΤΚΥ3=θαμνώνες πυκνοί, ΤΚΥ4=κωνοφόρα αραιά, ΤΚΥ5=κωνοφόρα πυκνά, ΤΚΥ6=πλατύφυλλα αραιά, ΤΚΥ7=πλατύφυλλα πυκνά, ΤΚΥ8=πολύ αραιή βλάστηση, ΤΚΥ9=τεχνητές επιφάνειες/μη βλάστηση [141]

166 Η συνολική ακρίβεια της ταξινόμησης είναι 81,58% και ο συντελεστής 0,7891, που αποτελούν μια πολύ ικανοποιητική ακρίβεια ταξινόμησης. K HAT = Από τον Πίνακα 6-2 παρατηρούμε ότι η ακρίβεια του κατασκευαστή για τις κλάσεις «αγροτικές καλλιέργειες» και «θαμνώνες αραιοί» είναι μικρή. Ιδιαίτερα η τιμή ακρίβειας του κατασκευαστή για τη δεύτερη κλάση που είναι 60,53%, μας δείχνει ότι δεν αντιπροσωπεύεται με μεγάλη ακρίβεια στη ταξινόμηση. Πίνακας 6-2 Συνολική ακρίβεια και συντελεστής K HAT της ταξινόμησης Συνολική ακρίβεια 81,58 K HAT 0, Ταξινόμηση του μωσαϊκού για το Ν. Αττικής με τη με τη χρήση του αλγόριθμου πλησιέστερου γειτονικού σημείου Για τη δυνατότητα μεταφοράς του μοντέλου της αντικειμενοστραφούς ταξινόμησης των δορυφορικών δεδομένων SPOT5, χρησιμοποιήθηκε το μωσαϊκό που δημιουργήθηκε για το Ν. Αττικής. H μεθοδολογία που εφαρμόστηκε στα παραπάνω δεδομένα είναι αυτή ακριβώς που περιγράφηκε και εφαρμόστηκε στο κεφάλαιο Ο Ν. Αττικής εκτός από το διαφορετικό είδος βλάστησης που έχει παρουσιάζει και έντονη διαφοροποίηση στα γεωμορφολογικά χαρακτηριστικά σε σχέση με την προηγούμενη περιοχή μελέτης, αφού βάση στατιστικών πληροφοριών έχει υποστεί μεγάλες φυσικές καταστροφές και τα τελευταία χρόνια έχει πληγεί από συχνές και έντονες δασικές πυρκαγιές. Αυτά έχουν ως αποτέλεσμα να υπάρχει μεγάλη οικιστική πίεση. Τα παραπάνω είχαν ως αποτέλεσμα να μην μπορεί να εφαρμοστεί το σύστημα ταξινόμησης που χρησιμοποιήθηκε στο Ν. Χαλκιδικής. Έτσι εξαιτίας των διαφορετικών μορφολογικών χαρακτηριστικών της περιοχής, της διαφορετικής βλάστησης και της μεγάλης έκτασης που καταλαμβάνουν οι αστικές περιοχές στο Ν. Αττικής οι κλάσεις «πλατύφυλλα πυκνά», «πλατύφυλλα αραιά» και «πολύ αραιή βλάστηση» δεν χρησιμοποιήθηκαν. Στη θέση τους επιλέχθηκαν οι παρακάτω τρεις κατηγορίες καύσιμης ύλης: «καμένες εκτάσεις», «γυμνές εκτάσεις» και «οικισμοί με βλάστηση». Εξαιτίας της μεγάλης έκτασης και της δεύτερης περιοχής μελέτης, της απόστασης από τη Θεσσαλονίκη αλλά και λόγω του μεγάλου οικονομικού κόστους, δεν έγιναν τόσο εκτενείς μετρήσεις πεδίου, όπως αυτές που πραγματοποιήθηκαν για το Ν. Χαλκιδικής. Οι μετρήσεις προήλθαν από τη συνεργασία με τον κ. Ευτυχίδη και την κ. Βαρελά, οι οποία χορήγησαν μια σειρά από δεδομένα πεδίου για το Ν. Αττικής με [142]

167 βάση το πρωτόκολλο συλλογής δεδομένων πεδίου που δημιουργήθηκε στα πλαίσια της παρούσας εργασίας, μαζί με ένα μεγάλο αριθμό από φωτογραφικό υλικό για την καλύτερη αναγνώριση και κατανόηση των δεδομένων πεδίου. Το αποτέλεσμα της εφαρμογής της μεθοδολογίας που ακολουθήθηκε στο Ν. Χαλκιδικής για τη χαρτογράφηση της καύσιμης ύλης φαίνεται στην Εικόνα Εκτίμηση της ακρίβειας της ταξινόμησης για το Ν. Αττικής Όπως αναφέρθηκε παραπάνω, για οικονομικούς κυρίους λόγους δεν πραγματοποιήθηκαν εκτενείς μετρήσεις στο Ν. Αττικής. Για την εκτίμηση της ακρίβειας χρησιμοποιήθηκαν ως δεδομένα αναφοράς ένα μέρος από τα δεδομένα πεδίου που έστειλαν οι παραπάνω συνεργάτες. Ο κύριος όγκος των δεδομένων αναφοράς προήλθε από την φωτοερμηνεία πολύ υψηλών δορυφορικών εικόνων και ορθοφωτογραφιών σε συνδυασμό με χάρτες βλάστησης. Για το λόγο αυτό δυο ανεξάρτητοι και πολύ έμπειροι στη φωτοερμηνεία και στις μεθόδους τηλεπισκόπησης δασολόγοι βοήθησαν στην εκτίμηση της ακρίβειας των αποτελεσμάτων της ταξινόμησης της καύσιμης ύλης για το Ν. Αττικής. Για την εκτίμηση της ακρίβειας δημιουργήθηκε η μήτρα σφαλμάτων για κάθε ένα από τους φωτοερμηνευτές,. Από τις μήτρες σφαλμάτων που δημιουργήθηκαν για κάθε εκτίμηση της ακρίβειας από τους ανεξάρτητους φωτοερμηνευτές, προκύπτει ότι ο πρώτος φωτοερμηνευτής είχε ακρίβεια 82,29 % και ο συντελεστής K =0,798 και ο δεύτερος φωτοερμηνευτής είχε ακρίβεια 81,95% και συντελεστή HAT K = 0,789. Πίνακας 6-3 Συνολική ακρίβεια και συντελεστής K HAT όπως προέκυψαν από την εκτίμηση της ακρίβειας HAT Φωτοερμηνευτής 1 Φωτοερμηνευτής 2 Συνολική ακρίβεια 82,29 % 81,95 % K HAT 0,798 0, Συμπεράσματα Συμπερασματικά η μεθοδολογία αντικειμενοστραφούς ταξινόμησης που αναπτύχθηκε στα πλαίσια της εργασίας με το λογισμικό Definiens Developer, σε συνδυασμό με τα δορυφορικά δεδομένα SPOT5, για τη χαρτογράφηση του προτεινόμενου συστήματος ταξινόμησης της καύσιμης ύλης κρίθηκε επιτυχής. Ακόμη, η προσπάθεια μεταφοράς της μεθοδολογίας που αναπτύχθηκε, σε μια [143]

168 δεύτερη περιοχή μελέτης κρίθηκε και αυτή πετυχημένη, αφού το τελικό αποτέλεσμα της ταξινόμησης της καύσιμη ύλης ήταν υψηλό. [144]

169 Εικόνα 6-6 Χάρτης καύσιμης ύλης για το Ν. Αττικής [145]

170 Πίνακας 6-4 Μήτρα σφαλμάτων από την εκτίμηση της ακρίβειας του πρώτου φωτοερμηνευτή Πίνακας 6-5 Μήτρα σφαλμάτων από την εκτίμηση της ακρίβειας του δεύτερου φωτοερμηνευτή Αντικείμενα αναφοράς Αντικείμενα αναφοράς TKY1 TKY2 TKY3 TKY4 TKY5 TKY6 TKY7 TKY8 TKY9 Σύνο λο Ακρίβεια χρήστη TKY1 TKY2 TKY3 TKY4 TKY5 TKY6 TKY7 TKY8 TKY9 Σύνο λο Ακρίβεια χρήστη TKY ,50 TKY ,89 TKY ,61 TKY ,29 TKY ,45 TKY ,82 TKY ,89 TKY ,49 TKY ,46 TKY ,94 TKY ,05 TKY ,12 TKY ,83 TKY ,93 Ταξινομημένα αντικείμενα Ταξινομημένα αντικείμενα TKY ,20 TKY ,44 TKY ,26 TKY ,63 Σύνολ ο Σύνολ ο Ακρίβεια 77,78 80,37 90,38 92,30 77,27 76,74 72,00 89,65 78,26 Ακρίβεια 70,59 85,29 90,90 82,45 83,12 65,39 79,69 94,44 82,61 ΤΚΥ1=κωνοφόρα πυκνά, ΤΚΥ2= κωνοφόρα αραιά, ΤΚΥ3=θαμνώνες πυκνοί, ΤΚΥ4= θαμνώνες αραιοί, ΤΚΥ5=αγρολιβαδικές εκτάσεις, ΤΚΥ6=γυμνές εκτάσεις, ΤΚΥ7=οικισμοί, ΤΚΥ8=καμένες, ΤΚΥ9=οικισμοί με βλάστηση [146]

171 ΚΕΦΑΛΑΙΟ 7 ΤΑΞΙΝΟΜΗΣΗ ΚΑΥΣΙΜΗΣ ΥΛΗΣ ΒΑΣΕΙ ΝΕΥΡΩΝΙΚΩΝ ΔΙΚΤΥΩΝ Στο κεφάλαιο αυτό θα γίνει ανάπτυξη και εφαρμογή νευρωνικών δικτύων για την ταξινόμηση της καύσιμης ύλης με τη χρήση των δορυφορικών δεδομένων SPOT5 και του προγράμματος που αναπτύχθηκε στα πλαίσια της εργασίας. 7.1 Βιολογικά Νευρωνικά Δίκτυα Ο ανθρώπινος εγκέφαλος είναι ένα ιδιαίτερα πολύπλοκο σύστημα με δυνατότητες σκέψης, μνήμης και επίλυσης προβλημάτων. Μέχρι σήμερα, έχουν γίνει αρκετές προσπάθειες μίμησης αυτών των ικανοτήτων με τη βοήθεια διάφορων μοντέλων υπολογιστών. Παρόλο που έχουν προκύψει αρκετά εντυπωσιακά αποτελέσματα από αυτές τις προσπάθειες, όλα τα μοντέλα που αναπτύχθηκαν απέχουν πολύ από το να παρουσιάζουν λειτουργικές δυνατότητες συγκρίσιμες με αυτές του ανθρώπινου εγκεφάλου. Παρά την πολυπλοκότητα του ανθρώπινου εγκεφάλου, η θεμελιώδης κυτταρική δομική μονάδα του είναι ένα απλό στοιχείο επεξεργασίας, ο νευρώνας. Ο νευρώνας δέχεται και συνδυάζει σήματα από άλλους νευρώνες μέσα από μονοπάτια εισόδων που καλούνται δενδρίτες. Αν το συνδυασμένο σήμα εισόδου είναι αρκετά ισχυρό προκαλεί ενεργοποίηση του νευρώνα, ο οποίος παράγει με τη σειρά του ένα σήμα εξόδου. Το σήμα αυτό διαδίδεται μέσω του άξονα, που συνδέεται με τους δενδρίτες αρκετών άλλων νευρώνων. Κάθε σήμα που έρχεται σε ένα νευρώνα κατά μήκος ενός δενδρίτη περνάει μέσα από μια σύναψη ή αλλιώς συναπτικό σύνδεσμο. Αυτός ο σύνδεσμος είναι ένα πολύ μικρό διάκενο που είναι γεμάτο με νευροδιαβιβαστικό [147]

172 υγρό, το οποίο είτε επιταχύνει είτε επιβραδύνει τη ροή των ηλεκτρικών φορτίων. Η βασική δράση των νευρώνων είναι κατ ουσία χημική και το νευροδιαβιβαστικό υγρό παράγει ηλεκτρικά σήματα που πηγαίνουν στον πυρήνα (στο σώμα) του νευρώνα. Η ρύθμιση της αντίστασης ή της αγωγιμότητας του κενού της σύναψης είναι ιδιαίτερης σημασίας, γιατί επηρεάζει τις ικανότητες μάθησης και απομνημόνευσης. Καθώς οι συναπτικές δυνάμεις του νευρώνα προσαρμόζονται, ο εγκέφαλος μαθαίνει και αποθηκεύει πληροφορίες. Στο Σχήμα 7-1 απεικονίζεται ο νευρώνας με τα δομικά του στοιχεία. Σχήμα 7-1 Δομικά στοιχεία νευρώνα Ο εγκεφαλικός φλοιός του ανθρώπου κατά τη γέννησή του περιέχει περίπου 100 δισεκατομμύρια νευρώνες. Οι έξοδοι καθενός από αυτούς τους νευρώνες συνδέονται με περίπου 1000 άλλους νευρώνες δια μέσου αντίστοιχων αξόνων, που όπως αναφέρθηκε προηγουμένως είναι οι δρόμοι διάδοσης των εξόδων. Κάθε ένας από αυτούς τους δρόμους περιέχει ένα συναπτικό σύνδεσμο, μέσω του οποίου ελέγχεται η ροή ηλεκτρικών φορτίων με τη βοήθεια μιας νευροχημικής διαδικασίας. Κατά συνέπεια υπάρχουν περίπου 100 τρισεκατομμύρια συναπτικοί σύνδεσμοι, που μπορούν να επηρεάσουν τη συμπεριφορά του εγκεφάλου. Ο παραπάνω αριθμός νευρώνων που συμμετέχει στις διάφορες λειτουργίες του ανθρώπινου εγκεφάλου, είναι ασύλληπτος αν συγκριθεί με τα μεγαλύτερα τεχνητά νευρωνικά δίκτυα, η χωρητικότητα των οποίων κυμαίνεται μεταξύ λίγων χιλιάδων έως 1 εκατομμυρίου συναπτικούς δεσμούς. Στο Σχήμα 7-2 παρουσιάζεται η σύναψη. Η επεξεργασία της πληροφορίας (σημάτων) στους εγκεφαλικούς νευρώνες και τους συναπτικούς δεσμούς γίνεται με τη βοήθεια ηλεκτροχημικών διεργασιών που είναι κατά πολύ βραδύτερες από την ηλεκτρονική επεξεργασία στα σύγχρονα ολοκληρωμένα κυκλώματα. Παρόλα αυτά ο ανθρώπινος εγκέφαλος είναι ικανός να φέρνει σε πέρας πολύ σύνθετες εργασίες σε εξαιρετικά σύντομο χρονικό διάστημα. Για παράδειγμα ο ανθρώπινος εγκέφαλος χρειάζεται περίπου μισό δευτερόλεπτο [148]

173 για να αναγνωρίσει κάποιον άλλον άνθρωπο, διεργασία που όπως λέγεται απαιτεί από τον ανθρώπινο εγκέφαλο την υλοποίηση ξεχωριστών λειτουργιών. Το πλεονέκτημα του ανθρώπινου εγκεφάλου είναι ότι τα διάφορα υποσυστήματά του (ομάδες νευρώνων) λειτουργούν παράλληλα, με αποτέλεσμα ξεχωριστές μεταξύ τους λειτουργίες να εκτελούνται στο ίδιο χρονικό διάστημα και στη συνέχεια να γίνεται η σύνδεσή τους. Σε μια προσπάθεια να μιμηθεί αυτόν τον τρόπο λειτουργίας, ο άνθρωπος έχει κατασκευάσει πρόσφατα chips νευρωνικών δικτύων, που επιτρέπουν στους νευρωνικούς υπολογιστές να λειτουργούν με παράλληλο τρόπο. Σχήμα 7-2 Σύναψη 7.2 Τεχνητά Νευρωνικά Δίκτυα Γενικά Τα τεχνητά νευρωνικά δίκτυα (Τ.Ν.Δ.) συναντώνται σε πολλά παραδείγματα εφαρμογών αναγνώρισης προτύπων, προσέγγισης συναρτήσεων και ταξινόμησης. Η έρευνα στα Τ.Ν.Δ. έχει μια πλούσια ιστορία περίπου 40 χρόνων, αλλά σχετικά πρόσφατα (1991) σημείωσε τη μεγαλύτερη πρόοδό της. Ο επίσημος ορισμός για τα Τ.Ν.Δ., που προτάθηκε από τον Hecht-Nielsen, έχει ως εξής: «Ένα Τεχνητό Νευρωνικό Δίκτυο είναι μια παράλληλη διάταξη που επεξεργάζεται διανεμημένες πληροφορίες, αποτελείται από μονάδες επεξεργασίας (οι οποίες μπορούν να κατέχουν μια τοπική μνήμη και να διεκπεραιώνουν λειτουργίες τοπικής επεξεργασίας πληροφορίας) και είναι διασυνδεδεμένο μέσω καναλιών πολλών διευθύνσεων, τα οποία καλούνται και συνδέσεις. Κάθε μονάδα επεξεργασίας έχει μια μοναδική έξοδο που κατευθύνεται σε όσες συνδέσεις είναι επιθυμητό. Κάθε σύνδεση μεταφέρει το ίδιο σήμα - το σήμα εξόδου της μονάδας επεξεργασίας. Το [149]

174 σήμα αυτό μπορεί να είναι οποιουδήποτε επιθυμητού μαθηματικού τύπου. Η επεξεργαζόμενη πληροφορία η οποία φτάνει σε κάθε μονάδα επεξεργασίας μπορεί να οριστεί αυθαίρετα, με τον περιορισμό όμως ότι αυτή θα είναι εντελώς τοπική. Αυτό σημαίνει ότι πρέπει να εξαρτάται μόνο από τις τρέχουσες τιμές των σημάτων εισόδου που φτάνουν στη μονάδα επεξεργασίας μέσω των συνδέσεων και με τιμές που αποθηκεύονται στην τοπική μνήμη της μονάδας.» Οι θεμελιώδεις έννοιες που διέπουν τη λειτουργία των Τ.Ν.Δ. συνοψίζονται στις εξής προτάσεις: Η γνώση, εμπειρία ή εκπαίδευση του συστήματος αποθηκεύεται στον τύπο των διασυνδέσεων του δικτύου. Για να είναι χρήσιμα τα νευρωνικά δίκτυα θα πρέπει να είναι ικανά να αποθηκεύουν πληροφορίες, δηλαδή να είναι εκπαιδεύσιμα. Τα νευρωνικά δίκτυα στην αναγνώριση προτύπων εκπαιδεύονται με την ελπίδα ότι στη συνέχεια θα δείξουν «σωστή» συμπεριφορά, όταν παρουσιαστούν νέα πρότυπα προς αναγνώριση ή ταξινόμηση. Σκοπός της διαδικασίας εκπαίδευσης είναι η ανάπτυξη μιας εσωτερικής δομής που να δίνει τη δυνατότητα στο δίκτυο να αναγνωρίζει ή να ταξινομεί νέα παρόμοια πρότυπα. Τα νευρωνικά δίκτυα είναι δυναμικά συστήματα των οποίων η κατάσταση (π.χ. οι έξοδοι των μονάδων, η ισχύς των διασυνδέσεων) αλλάζει με την πάροδο του χρόνου, σε σχέση με τις εξωτερικές εισόδους ή την αρχική κατάσταση του δικτύου Μοντέλο τεχνητού νευρώνα Η μονάδα επεξεργασίας ή αλλιώς ο τεχνητός νευρώνας είναι το βασικό στοιχείο κάθε τεχνητού νευρωνικού δικτύου. Το γενικό μοντέλο ενός τεχνητού νευρώνα φαίνεται στο Σχήμα 7-3. Η λειτουργία της μονάδας επεξεργασίας έχει ως εξής: η μονάδα λαμβάνει εισόδους από γειτονικές μονάδες, τις οποίες χρησιμοποιεί για να υπολογίσει ένα σήμα εξόδου το οποίο και διαδίδει σε άλλες μονάδες επεξεργασίας. Εκτός από την επεξεργασία αυτή, μια δεύτερη λειτουργία που εκτελεί η μονάδα επεξεργασίας είναι η αναπροσαρμογή των βαρών των συνδέσεων των μονάδων. [150]

175 Σχήμα 7-3 Μοντέλο τεχνητού νευρώνα Οι μονάδες επεξεργασίας χωρίζονται σε τρεις κατηγορίες: 1. Μονάδες εισόδου, οι οποίες λαμβάνουν εισόδους από το εξωτερικό περιβάλλον του νευρωνικού δικτύου 2. Μονάδες εξόδου, οι οποίες στέλνουν δεδομένα στο εξωτερικό περιβάλλον του δικτύου 3. Κρυμμένες μονάδες, οι οποίες δέχονται και στέλνουν δεδομένα, εσωτερικά του δικτύου Η συνολική είσοδος στη μονάδα k είναι το προσαρμοσμένο άθροισμα των εξόδων των συνδεδεμένων μονάδων προστιθέμενο με έναν όρο ενίσχυσης θk. Η συνεισφορά των θετικών βαρών βαρών καταστολή. Η συνάρτηση σήμα εισόδου sk( ) το σήμα ενεργοποίησης yk( ) ( 1) yk t+ : (0.10) ( ) = ( ) ( ) +θ ( ) sk t wjk t yj t k t j w ik θεωρείται διέγερση και των αρνητικών s k ονομάζεται κανόνας διάδοσης. Το συνολικό t το οποίο προκύπτει από τον κανόνα διάδοσης συνδυάζεται με t, για τον υπολογισμό της νέας τιμής ενεργοποίησης ( ) ( 1 ) ( ), k( ) yk t Fk yk t s t + = (0.11) Συνήθως η συνάρτηση ενεργοποίησης είναι μια αύξουσα συνάρτηση της συνολικής εισόδου της μονάδας: [151]

176 + = ( ) = ( ) ( ) + θ ( ) (0.12) j ( ) ( ) yk t 1 Fk sk t Fk wjk t yj t k t Μερικές από τις πιο συνηθισμένες συναρτήσεις ενεργοποίησης φαίνονται στο Σχήμα 7-4. (α) (β) (γ) Σχήμα 7-4 : Συναρτήσεις ενεργοποίησης:(α) signum, (β) Κατά τμήματα γραμμική (γ) Σιγμοειδής Χαρακτηριστικά Τ.Ν.Δ. Εκτός του πλήθους των μονάδων επεξεργασίας των χαρακτηριστικών τους (συναρτήσεις ενεργοποίησης, συναρτήσεις εξόδου) δύο επιπλέον βασικά χαρακτηριστικά που περιγράφουν ένα Τ.Δ.Ν. είναι: 1. Η τοπολογία του δικτύου ή η διασύνδεση των νευρωνικών μονάδων 2. Η στρατηγική για την εκμάθηση των προτύπων ή την εκπαίδευση του δικτύου Τοπολογία Τ.Ν.Δ. Η τοπολογία του δικτύου, καθορίζει το πως συνδέεται κάθε μονάδα επεξεργασίας με τις υπόλοιπες στο δίκτυο. Ορίζει, επίσης, ποιες μονάδες (ή ομάδες μονάδων) επιτρέπεται να συνδεθούν με κάποια συγκεκριμένη μονάδα. Η δύναμη κάθε σύνδεσης χαρακτηρίζεται από ένα πραγματικό αριθμό w. Συμβολίζουμε στη συνέχεια ως w ij το βάρος της σύνδεσης μεταξύ της μονάδας i και της μονάδας j (i j ). Η τοπολογία ολόκληρου του δικτύου, το οποίο αποτελείται από μονάδες, μπορεί να αποδοθεί από τον πίνακα βαρών W με διαστάσεις. Η γραμμή i του W, περιέχει όλα τα βάρη που λαμβάνονται στην μονάδα i από τις άλλες μονάδες του δικτύου (αλλιώς τα βάρη εισόδου της μονάδας i ) και η στήλη j περιέχει όλα τα βάρη που στέλνονται από την μονάδα στις άλλες μονάδες ( τα βάρη εξόδου της μονάδας j ). Ο ρόλος του πίνακα βαρών W είναι ιδιαίτερα σημαντικός, εφόσον αντιπροσωπεύει την κωδικοποιημένη γνώση του δικτύου, και γι αυτό λέγεται ότι ο πίνακας W περιέχει τη μνήμη του δικτύου (Long Term Memory - LTM). [152]

177 Ανάλογα με την τοπολογία, ένα Τ.Ν.Δ. μπορεί να διακριθεί σε διαδιδόμενο προς τα μπροστά, ή αλλιώς προσο-τροφοδοτούμενο Τ.Ν.Δ. (feedforward network-ff), είτε σε Τ.Ν.Δ. ανατροφοδότησης (feedback(fb) or recurrent network). Στην πρώτη κατηγορία οι μονάδες στέλνουν τις εξόδους τους σε μονάδες από τις οποίες δεν λαμβάνουν είσοδο αμέσως ή εμμέσως (δηλαδή μέσω άλλων μονάδων). Με άλλα λόγια, δεν υπάρχουν βρόγχοι ανάδρασης. Γενικά, δοθέντος ενός προσοτροφοδοτούμενου Τ.Ν.Δ., αριθμώντας κατάλληλα τις μονάδες μπορούμε να ορίσουμε έναν πίνακα βαρών W ο οποίος είναι κάτω - τριγωνικός και έχει μηδενική διαγώνιο (εφόσον η μονάδα δεν ανατροφοδοτεί τον εαυτό της). Ένα τέτοιο Τ.Ν.Δ. που είναι οργανωμένο σε επίπεδα, όπου οι μονάδες είναι συνδεδεμένες μόνο με τις αντίστοιχες που βρίσκονται στο επόμενο κατά σειρά επίπεδο λέγεται αυστηρά προσοτροφοδοτούμενο Τ.Ν.Δ. (strictly feedforward network). Σε ένα δίκτυο ανατροφοδότησης επιτρέπεται η ύπαρξη βρόγχων ανάδρασης. Ένα F.F. Τ.Ν.Δ. εφαρμόζει στατική αντιστοιχία από το χώρο των εισόδων του στο χώρο των εξόδων του ενώ ένα F.B. Τ.Ν.Δ. είναι γενικά ένα μη γραμμικό δυναμικό σύστημα και έτσι η ευστάθεια του δικτύου είναι ένας από τους κύριους παράγοντες που θα πρέπει να προσεχθούν. Το Σχήμα 7-5δείχνει παραδείγματα δικτύων F.F., αυστηρά F.F. και F.B. (α) (β) (γ) Σχήμα 7-5 Τοπολογία Τ.Ν.Δ.: (α) προσοτροφοδοτούμενο, (β) αυστηρά προσοτροφοδοτούμενο, (γ) ανατροφοδοτούμενο Εκπαίδευση Τ.Ν.Δ. H εκπαίδευση των νευρωνικών δικτύων γίνεται με τους αλγορίθμους μάθησης. H δυνατότητα μάθησης είναι ένα θεμελιώδες γνώρισμα της νοημοσύνης. Αν και ένας ακριβής καθορισμός της μάθησης είναι δύσκολο να διατυπωθεί, η διαδικασία μάθησης, στο πλαίσιο των τεχνιτών νευρωνικών δικτύων, μπορεί να διατυπωθεί ως το πρόβλημα της αναπροσαρμογής των βαρών αλλά ακόμα και της δικτυακής αρχιτεκτονικής και των συνδέσεων έτσι ώστε το τελικό νευρωνικό δίκτυο (μετά την εκπαίδευση του) να μπορεί αποτελεσματικά να εκτελέσει ένα συγκεκριμένο σκοπό. Το δίκτυο πρέπει συνήθως να αναπροσαρμόζει τα βάρη των συνάψεων του με βάση την τροφοδότηση του από συγκεκριμένα πρότυπα εκπαίδευσης. H απόδοση των [153]

178 νευρωνικών δικτύων, δηλαδή η απόκριση τους, βελτιώνεται κατά τη διάρκεια της εκπαίδευσης τους με προσαρμοστική τροποποίηση των τιμών των βαρών τους. H ικανότητα των νευρωνικών δικτύων να μαθαίνουν αυτόματα από παραδείγματα τα κάνουν ελκυστικά και συναρπαστικά. Αντί της υπακοής σε ένα σύνολο κανόνων που καθορίζονται από εμπειρογνώμονες ανθρώπους, τα τεχνικά νευρωνικά δίκτυα εμφανίζονται να μαθαίνουν τους ελλοχεύοντες κανόνες (όπως τις σχέσεις εισόδουεξόδου) από τη δεδομένη συλλογή των αντιπροσωπευτικών παραδειγμάτων. Αυτό είναι ένα από τα σημαντικότερα πλεονεκτήματα των νευρικών δικτύων σε σχέση με τα παραδοσιακά έμπειρα συστήματα. Υπάρχουν τέσσερα κύρια συστήματα μάθησης: Με επίβλεψη (Supervised Learning) Με υποστήριξη (Reinforecment Learning) Χωρίς Επίβλεψη (Unsupervised Learning) Υβριδική Στη μάθηση με επίβλεψη, ή διαφορετικά στη μάθηση με έναν 'δάσκαλο', στο νευρωνικό δίκτυο παρέχεται μια σωστή (επιθυμητή) απόκριση για κάθε πρότυπο εισόδου. Τα βάρη του νευρωνικού αναπροσαρμόζονται έτσι ώστε η απόκριση του να προσεγγίζει κατά το δυνατόν την επιθυμητή. Η μάθηση με υποστήριξη είναι μια παραλλαγή της μάθησης με επίβλεψη στην οποία στο νευρωνικό δίκτυο παρέχεται μόνο μια κριτική για την ακρίβεια της απόκρισης του και όχι αυτές καθ' αυτές οι σωστές τιμές για την επιθυμητή του απόκριση. Στην περίπτωση που έχουμε δύο μόνο κλάσεις, η μάθηση με υποστήριξη αντιστοιχεί στη μάθηση με επίβλεψη. Η χωρίς επίβλεψη μάθηση δεν απαιτεί μια σωστή απάντηση που να συνδέεται με κάθε πρότυπο εισόδου του συνόλου εκπαίδευσης. Αυτό που συμβαίνει στην περίπτωση αυτή είναι η αυτόματη ταξινόμηση των προτύπων σε κλάσεις με την ανίχνευση της ελλοχεύουσας δομής των προτύπων και τους συσχετισμούς μεταξύ αυτών. Η υβριδική μάθηση συνδυάζει τη μάθηση με επίβλεψη και τη μάθηση χωρίς επίβλεψη. Μέρος των βαρών καθορίζεται συνήθως μέσω της μάθησης με επίβλεψη, ενώ οι τιμές των λοιπών βαρών υπολογίζονται μέσω της μάθησης χωρίς επίβλεψη. 7.3 Πρόσω-τροφοδοτούμενο Νευρωνικό Δίκτυο Πολλών Επιπέδων Σε ένα πρόσω-τροφοδοτούμενο δίκτυο πολλών επιπέδων (Multilayer Feed-Forward Neural Network) οι νευρώνες είναι οργανωμένοι σε επίπεδα, ξεκινώντας με το επίπεδο εισόδου και καταλήγοντας στο επίπεδο εξόδου. Ανάμεσα σε αυτά τα δύο επίπεδα υπάρχει και ένα πλήθος κρυμμένων επιπέδων. Επίσης, οι νευρώνες συνδέονται μόνο με νευρώνες του επόμενου επιπέδου. [154]

179 Σχήμα 7-6 Πρόσω-τροφοδοτούμενο Τ.Ν.Μ. με ένα κρυμμένο επίπεδο Τα πρόσω-τροφοδοτούμενα Τ.Ν.Δ. πολλών επιπέδων παρουσιάζουν δύο φάσεις: α) τη φάση εκπαίδευσης και β) τη φάση της εκτέλεσης. Στη φάση της εκπαίδευσης το Τ.Ν.Δ. εκπαιδεύεται έτσι ώστε σε κάθε είσοδο να παρέχει την επιθυμητή έξοδο. Αυτή η διαδικασία πραγματοποιείται χρησιμοποιώντας ένα σύνολο διανυσμάτων εκπαίδευσης. Στη φάση της εκτέλεσης το Τ.Ν.Δ. απλά παράγει μία έξοδο αφού τροφοδοτηθεί με ένα διάνυσμα εισόδου. Ο τρόπος που πραγματοποιείται η εκτέλεση ενός πρόσω-τροφοδοτούμενου Τ.Ν.Δ. πολλών επιπέδων είναι ο ακόλουθος: Ένα διάνυσμα εισόδου τροφοδοτείται στο επίπεδο εισόδου, στη συνέχεια μεταφέρεται στα επόμενα επίπεδα βάσει της σχέσης 4 έως ότου φτάσει στο επίπεδο εξόδου όπου υπολογίζεται η έξοδος. n y( x) = g wn + 1 wixi (0.13) i= 0 Όπου x= ( x0, x1,..., xn) είναι το n-διάστατο διάνυσμα εισόδου, w= ( w0, w1,..., wn) είναι το διάνυσμα βαρών, w n + 1 ο νευρώνας bias (Ο νευρώνας bias βρίσκεται σε ένα επίπεδο, συνδέεται με όλους τους νευρώνες μόνο του επόμενου επιπέδου και έχει ως έξοδο πάντα 1) και g η συνάρτηση ενεργοποίησης που καθορίζει πόσο ισχυρή θα είναι η έξοδος του νευρώνα. Όπως αναφέρθηκε προηγουμένως υπάρχουν διάφορες συναρτήσεις ενεργοποίησης. Οι πιο συχνά χρησιμοποιούμενες είναι η συνάρτηση κατωφλίου (5), η σιγμοειδής (6) και η υπερβολική εφαπτομένη (7). ( ) g x 1, εάν x> 0 = 0, εάν x 0 (0.14) 1 g( x) = (0.15) 2sx 1 + e [155]

180 ( ) tanh( sx) g x ( sx) ( sx) sinh = = (0.16) cosh Όπου s είναι η παράμετρος κλίσης (steepness). Η σιγμοειδής και η υπερβολική εφαπτομένη είναι παραγωγίσιμες συναρτήσεις με τη μόνη διαφορά το εύρος εξόδου τους. Η σιγμοειδής έχει ως έξοδο τιμές που κυμαίνονται από 0 έως 1, ενώ η υπερβολική εφαπτομένη δίνει τιμές από -1 έως 1. Κατά την εκπαίδευση του Τ.Ν.Δ. προσαρμόζονται μόνο τα βάρη του Εκπαίδευση του πρόσω-τροφοδοτούμενου Τ.Ν.Δ. πολλών επιπέδων Κατά την εκπαίδευση του Τ.Ν.Δ. προσαρμόζονται τα βάρη του, έτσι ώστε οι έφοδοί του να συμφωνούν με τις επιθυμητές εξόδους των διανυσμάτων εκπαίδευσης. Η διαδικασία εκπαίδευσης μπορεί να θεωρηθεί ως ένα πρόβλημα βελτιστοποίησης, κατά το οποίο γίνεται προσπάθεια ελάττωσης του μέσου τετραγωνικού σφάλματος στο σύνολο των διανυσμάτων εκπαίδευσης. Ο πιο γνωστός και συχνά χρησιμοποιούμενος αλγόριθμος είναι αυτός της προς τα πίσω διάδοσης σφάλματος (back propagation), ο οποίος αποτελεί µια από τις πιο ιστορικές καινοτοµίες στα νευρωνικά δίκτυα. Δοθέντος ενός δείγµατος εκπαίδευσης το οποίο περιέχει ένα ζεύγος εισόδου εξόδου, ο αλγόριθµος παρέχει µια διαδικασία µε την οποία αλλάζουν τα βάρη έτσι ώστε να ταξινοµηθούν σωστά τα πρότυπα εισόδου. Η βάση για τον αλγόριθµο αυτό αλλαγής των βαρών είναι απλά η µέθοδος κατάβασης βαθµίδας (gradient descent). Ο αλγόριθµος παρουσιάζει δυο φάσεις µετακίνησης των δεδοµένων. Αρχικά, το πρότυπο εισόδου διαδίδεται από το επίπεδο εισόδου, στο επίπεδο εξόδου και ως συνέπεια της προς τα εµπρός διάδοσης των δεδοµένων, δηµιουργείται µια πραγµατική έξοδος. Στη συνέχεια, τα σήµατα σφάλµατος που δηµιουργούνται από τη διαφορά ανάµεσα στην πραγματική και την επιθυμητή έξοδο διαδίδονται προς τα πίσω, από το επίπεδο εξόδου στα προηγούµενα επίπεδα, έτσι ώστε να µεταβάλλουν τα βάρη τους. Όπου y k η πραγματική έξοδος, ek = dk yk (0.17) d k η επιθυμητή έξοδος και ek το σφάλμα. Η τιμή του σφάλματος χρησιμοποιείται για το υπολογισμό μιας νέας τιμής δ k, η οποία χρησιμοποιείται για την αναπροσαρμογή των βαρών. ( y ) δ k= ekg k (0.18) [156]

181 Όπου g η παράγωγος της συνάρτησης ενεργοποίησης. Μετά τον υπολογισμό της τιμής δ k είναι δυνατός και ο υπολογισμός των τιμών δ j των προηγούμενων επιπέδων σύμφωνα με τη σχέση: ( ) K δ j= ηg yj δ kwik (0.19) Όπου K είναι το πλήθος των νευρώνων στο συγκεκριμένο επίπεδο και η ο ρυθμός εκπαίδευσης (learning rate), ο οποίος καθορίζει την έκταση της προσαρμογής των βαρών. Χρησιμοποιώντας τις τιμές δ, η μεταβολή των βαρών υπολογίζεται ως εξής: Η ποσότητα k= 0 wjk= δ jyk (0.20) wjk χρησιμοποιείται για να μεταβάλλει το βάρος w jk ως wjk = wjk + wjk. Η διαδικασία αυτή συνεχίζεται μέχρι να ικανοποιηθούν τα κριτήρια σύγκλισης του αλγορίθμου. Ως κριτήρια σύγκλισης μπορεί να χρησιμοποιηθεί το ελάχιστο μέσο τετραγωνικό σφάλμα ή ο μέγιστος αριθμός εποχών (επαναλήψεων) Βήματα Back-Propagation Θεωρούµε ένα δίκτυο εµπρός τροφοδότησης µε Q επίπεδα και έστω ότι τα q net και q y συµβολίζουν αντίστοιχα την είσοδο και την έξοδο της i µονάδας στο i επίπεδο q. Το δίκτυο έχει m κόµβους εισόδου και n κόµβους εξόδου. Θεωρούµε τώρα ότι το q w συµβολίζει το βάρος της σύνδεσης από το q 1 y. ij Είσοδος: Ένα σετ ζεύγους εκπαίδευσης {(x(k), d(k)) k = 1, 2,..., p } Βήμα 0 (Αρχικές συνθήκες): Διάλεξε n > 0 και το Ε max (μέγιστο ανεκτό σφάλμα). Δώσε αρχικές τιμές στα βάρη. Οι τιμές αυτές είναι σχετικά μικρές και τυχαίες. Θέσε Ε = 0 και k = 1. Βήμα 1 (Βρόγχος μάθησης) : Εφάρμοσε το k-οστό πρότυπο εισόδου στο επίπεδο εισόδου (q=1) : q ( ) 1 k i= i (0.21) y y x i Βήμα 2 (Διάδοση προς τα μπροστά): Διάδωσε το σήμα προς τα μπροστά μέσω του δικτύου χρησιμοποιώντας : 1 y a( net) = a w y (0.22) q q q q i i ij j j για κάθε i και q μέχρι να υπάρχουν όλες οι έξοδοι του επίπεδου εξόδου Q y i : i i [157]

182 Βήμα 3 (Μέτρηση σφάλματος εξόδου): Υπολόγισε την τιμή του σφάλματος και τα σήματα σφάλματος Q δ για το επίπεδο εξόδου (q=q): i i= 1 ( ) ( ) 2 k Q i i n 1 E= d y + E (0.23) 2 ( k) ( d y ) a ( neti) δ = (0.24) Q Q Q i i i Βήμα 4 (Διάδοση προς τα πίσω του σφάλματος): Διάδωσε τα σφάλματα προς τα πίσω για να αναπροσαρμοστούν τα βάρη και να υπολογιστούν τα σήματα σφάλματος q 1 δ i για τα προηγούμενα επίπεδα. w = ηδ y και w = w + w (0.25) q q 1 q new q old q ij i j ij ij ij ( ) δ = α net w δ για q= Q, Q -1,...,2 (0.26) q 1 q 1 q q i i ij j j Βήμα 5 (Ανακύκλωση μιας δέσμης προτύπων): Έλεγξε εάν έχει γίνει ένας κύκλος ολόκληρου του σετ των δεδομένων. Εάν k< p, τότε k = k+ 1 και πήγαινε στο βήμα 1, αλλιώς πήγαινε στο βήμα 6. Βήμα 6 (Έλεγχος του συνολικού σφάλματος): Έλεγξε εάν το τρέχον συνολικό σφάλμα είναι αποδεκτό. Εάν Ε Εmax, τότε τερμάτισε την διαδικασία μάθησης και δώσε τα τελικά βάρη. Διαφορετικά Ε = 0, k = 1 και άρχισε ένα καινούργιο κύκλο μάθησης πηγαίνοντας στο βήμα Εφαρμογή των νευρωνικών δικτύων στα δορυφορικά δεδομένα Επειδή τα λογισμικά ψηφιακής ανάλυσης και επεξεργασίας δορυφορικών εικόνων δεν υποστηρίζουν ακόμη τα νευρωνικά δίκτυα (π.χ. Erdas Imagine της Leica Geosystems) ή οι επιλογές που προσφέρουν είναι ελλιπείς (π.χ. ENVI), στα πλαίσια της διδακτορικής διατριβής δημιουργήθηκε πρόγραμμα ταξινόμησης των δορυφορικών δεδομένων με τη χρήση των νευρωνικών δικτύων. Το λογισμικό αναπτύχθηκε σε γλώσσα προγραμματισμού Delphi 7 στο οποίο ενσωματώθηκε η ανοιχτού κώδικα και δωρεάν βιβλιοθήκη Fast Artificial Neural Network Library - FANN. Το λογισμικό δημιουργήθηκε με τη συμβολή του Εργαστηρίου «Ψηφιακής Επεξεργασίας Εικόνων & Πολυμέσων» του τμήματος Ηλεκτολόγων Μηαχανικών και Μηχανικών Υπολογιστών του Δημοκρίτειου Πανεπιστημίου Θράκης Εγχειρίδιο του παραπάνω προγράμματος παρατίθεται στο παράρτημα [158]

183 Πρέπει να σημειωθεί ότι τα μωσαϊκά που δημιουργήθηκαν στην παρούσα διατριβή, από τις διαθέσιμες δορυφορικές εικόνες ήταν αδύνατο να χρησιμοποηθούν στο πρόγραμμα που αναπτύχθηκε. Το αρχείο για το μωσαϊκό του Ν. Χαλκιδικής για παράδειγμα, είχε μέγεθος πάνω από 8 GB, χωρίς να έχει ολοκληρωθεί η διαδικασία μετατροπής της εικόνας στο αντίστοιχο τύπο που χρησιμοποιεί το πρόγραμμα. Εξαιτίας του μεγάλου όγκου δεδομένων λοιπόν, που δημιουργούνται για την εφαρμογή του προγράμματος, επιλέχθηκε ως περιοχή εφαρμογής της ταξινόμησης των καυσίμων το Πανεπιστημιακό Δάσος του Ταξιάρχη. Τα δεδομένα που χρησιμοποιήθηκαν ήταν οι δορυφορικές εικόνες SPOT5 όπως διορθώθηκαν κατά την προεπεξεργασία τους. Επιπρόσθετα χρησιμοποιήθηκαν ως επιπρόσθετα επίπεδα πληροφορίας ο NDVI, το υψόμετρο, η έκθεση. Επιπρόσθετα χρησιμοποιήθηκε και ένα φίλτρο χαμηλής συχνότητας για να διερευνηθεί κατά πόσο βελτιώνεται η ταξινόμηση. Kατά τη λήψη μετρήσεων πεδίου στην περιοχή του Πανεπιστημιακού Δάσους του Ταξιάρχη δεν παρατηρήθηκαν πολλές περιοχές που να αντιστοιχούν στους τύπους καύσιμης ύλης «πολύ αραιή βλάστηση», «αραιά πλατύφυλλα» και «αραιά κωνοφόρα». Το αποτέλεσμα ήταν να μην υπάρχουν αρκετές δειγματοληπτικές επιφάνειες για τα παραπάνω καύσιμα σε σχέση με τα υπόλοιπα. Εφαρμόζοντας την ταξινόμηση με τη χρήση του προσω-τροφοδοτούμενου νευρωνικού δικτύου και για τις εννιά κλάσεις η ακρίβεια της συνολικής ακρίβεια της ταξινόμησης έφτανε στο 52%. Κρίθηκε λοιπόν απαραίτητο, από τη στιγμή που δεν υπάρχουν και αρκετές δειγματοληπτικές επιφάνειες για τους τρεις παραπάνω τύπους καύσιμης ύλης, να μην χρησιμοποιηθούν στην ταξινόμηση με τα νευρωνικά δίκτυα Εφαρμογή αντικειμενοστραφούς ταξινόμησης στον Ταξιάρχη Για να μπορούν να συγκριθούν τα αποτελέσματα ταξινόμησης με τη χρήση νευρωνικών δικτύων κρίθηκε απαραίτητο να πραγματοποιηθεί εκ νέου ταξινόμηση του Πανεπιστημιακού Δάσους του Ταξιάρχη με τη χρήση του αντικειμενοστραφούς μοντέλου που αναπτύχθηκε για το Ν. Χαλκιδικής, ακολουθώντας τη μεθοδολογία που αναπτύχθηκε και εφαρμόστηκε στο κεφάλαιο Η εκτίμηση της ακρίβειας για την αντικειμενοστραφή ταξινόμηση του Πανεπιστημιακού Δάσους τυ Ταξιάρχη έδωσε συνολική ακρίβεια 83.16% με συντελεστή k=0.797 [159]

184 7.4.2 Αποτελέσματα Έτσι για την εφαρμογή της ταξινόμησης με το νευρωνικό δίκτυο ελέγχθηκε η αποτελεσματικότητα τόσο των αλγορίθμων εκπαίδευσης του προσωτροφοδοτούμενου νευρωνικού δικτύου πολλών επιπέδων, όσο και ο συνδυασμός των δεδομένων εισόδου, ώστε να βρεθεί ο συνδυασμός που θα δώσει την καλύτερη δυνατή ακρίβεια ταξινόμησης. Η δομή του αποτελεσματικότερου δικτύου αποτελείται από ένα κρυμμένο επίπεδο, το οποίο περιλαμβάνει εκατό νευρώνες. Επίσης ο καλύτερος αλγόριθμος εκπαίδευσης για το συγκεκριμένο πρόβλημα ταξινόμησης αποδείχθηκε πως είναι ο Incremental. Όσον αφορά το συνδυασμό των δεδομένων εισόδου του νευρωνικού δικτύου, παρουσιάζονται στον Πίνακας 7-1 οι τέσσερις καλύτεροι σε σχέση με τη συνολική ακρίβεια της ταξινόμησης. Πίνακας 7-1 Ποσοστά επιτυχίας της ταξινόμησης διαφόρων συνδυασμών δεδομένων εισόδου Δεδομένα Εισόδου Νευρωνικού Δικτύου Φωτεινότητα διαύλων NDVI Low Pass Υψόμετρο Κλίση Φωτεινότητα διαύλων NDVI Φωτεινότητα διαύλων NDVI Low Pass Υψόμετρο Φωτεινότητα διαύλων NDVI Low Pass Ποσοστό Επιτυχίας 71,81% 77,59% 78,86% 82,19% Παρακάτω φαίνονται αναλυτικά (Εικόνα 7-1, Εικόνα 7-2, Εικόνα 7-3, Εικόνα 7-4)τα ποσοστά συνολικής ακρίβειας, ακρίβειας του κατασκευαστή και ακρίβειας του χρήστη ακριβώς όπως εξάχθηκαν από το πρόγραμμα. [160]

185 Εικόνα 7-1 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI, Low Pass, υψόμετρο και κλίση. Εικόνα 7-2 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI. [161]

186 Εικόνα 7-3 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI, Low Pass, υψόμετρο. Εικόνα 7-4 Ποσοστά ακρίβειας για δεδομένα εισόδου του νευρωνικού δικτύου: φωτεινότητα διαύλων, NDVI, Low Pass. Από τα παραπάνω προκύπτει ότι ο καλύτερος συνδυασμός δεδομένων εισόδου για την εκπαίδευση του νευρωνικού δικτύου και αυτός που δίνει τα καλύτερα αποτελέσματα ταξινόμησης είναι: η φωτεινότητα των διαύλων, ο δείκτης NDVI και [162]

187 το φίλτρο χαμηλής χωρικής συχνότητας που εφαρμόστηκε στην αρχική δορυφορική εικόνα του SPOT Συμπεράσματα Η δημιουργία του προγράμματος για την ταξινόμηση των δορυφορικών εικόνων με τη χρήση νευρωνικών δικτύων, έδωσε τη δυνατότητα να εφαρμοστούν διάφοροι αλγόριθμοι για την ταξινόμηση της καύσιμης ύλης. Έτσι από τη δοκιμή των αλγορίθμων εκπαίδευσης του προσω-τροφοδοτούμενου νευρωνικού δικτύου πολλών επιπέδων αλλά και από τις διαδοχικές δοκιμές διαφορετικών δεδομένων εισόδου στο νευρωνικό δίκτυο βρέθηκε τα εξής: ο αλγόριθμος εκπαίδευσης incremental του νευρωνικού δικτύου και ο συνδυασμό των τιμών φωτεινότητας της δορυφορικής εικόνας με το δείκτη NDVI και το χαμηλής συχνότητας φίλτρο που εφαρμόστηκε στα αρχικά δορυφορικά δεδομένα έδωσαν την καλύτερη ακρίβεια ταξινόμησης, η οποία ήταν 82,19%, με συντελεστή Κ ΗΑΤ =0,7856 ενώ η ακρίβεια που έδωσε το μοντέλο αντικειμενοστραφούς ταξινόμησης, όπως αναπτύχθηκε στο κεφάλαιο 6.6.1, για το Πανεπιστημιακό Δάσους του Ταξιάρχη ήταν 83,16%. [163]

188 ΚΕΦΑΛΑΙΟ 8 ΣΥΜΠΕΡΑΣΜΑΤΑ ΜΕΛΛΟΝΤΙΚΗ ΕΡΕΥΝΑ 8.1 Συμπεράσματα Κύριος σκοπός της διατριβής υπήρξε η αξιολόγηση της δυνατότητας χρησιμοποίησης δεδομένων υψηλής ευκρίνειας στη χαρτογράφηση της καύσιμης ύλης. Από τη μεθοδολογία που ακολουθήθηκε αποδείχτηκε ότι τα δορυφορικά δεδομένα υψηλής ευκρίνειας μπορούν να χρησιμοποιηθούν για την ταξινόμηση των καυσίμων με μεγάλη ακρίβεια και συνεπώς για την παραγωγή θεματικών χαρτών της καύσιμη ύλης, ώστε να αξιοποιηθούν για την πρόληψη των δασικών πυρκαγιών. Στα πλαίσια του παραπάνω σκοπού μια σειρά από επιμέρους στόχους διερευνήθηκε. Αρχικά, η πρόταση ενός συστήματος ταξινόμησης της καύσιμης ύλης που να είναι συμβατό με τηλεπισκοπικά δεδομένα από οπτικούς αισθητήρες, χωρίς να είναι αναγκαίες για τη δημιουργία των μοντέλων καύσιμης ύλης περαιτέρω μετρήσεις για τα χαρακτηριστικά και τις ιδιότητες αυτών, κρίνεται επιτυχής. Και τούτο γιατί τόσο η ακρίβεια της ταξινόμησης και με τις δυο μεθόδους όσο και η ακρίβεια της μεθοδολογίας της αντικειμενοστραφούς ταξινόμησης σε άλλη περιοχή είναι πολύ υψηλή. Αναφορικά με το στόχο για την ανάπτυξη αντικειμενοστραφούς μοντέλου ταξινόμησης για τη χαρτογράφηση της καύσιμης ύλης αποδείχτηκε ότι το αντικειμενοστραφές μοντέλο που αναπτύχθηκε στα πλαίσια της εργασίας, με τη [164]

189 χρήση των δορυφορικών εικόνων SPOT5 είχε ως αποτέλεσμα μια ακριβή ταξινόμηση για την πρώτη περιοχή μελέτης, όπου η συνολική ακρίβεια ήταν 81,58%. Σχετικά με τη δυνατότητα μεταφοράς του αντικειμενοστραφούς μοντέλου ταξινόμησης σε άλλη περιοχή, χρησιμοποιώντας ίδια δορυφορικά δεδομένα προέκυψε ότι: το αντικειμενοστραφές μοντέλο ταξινόμησης μπορεί να εφαρμοστεί σε άλλη περιοχή, ώστε να χαρτογραφηθούν τα καύσιμα που υπάρχουν σε αυτή την περιοχή, μια και η συνολική ακρίβεια της ταξινόμησης όπως προέκυψε από την εκτίμηση της ακρίβειας της ταξινόμησης από δυο ανεξάρτητους και έμπειρους σε θέματα τηλεπισκόπησης και φωτοερμηνείας ήταν 82,29% και 81,95%. Η διερεύνηση της δυνατότητας των νευρωνικών δικτύων στη χαρτογράφηση της καύσιμης ύλης έδειξε ότι μπορούν να χρησιμοποιηθούν για την ταξινόμηση των καυσίμων με δορυφορικά δεδομένα υψηλής ευκρίνειας. Ο καλύτερος αλγόριθμος εκπαίδευσης του προσω-τροφοδοτούμενου νευρωνικού δικτύου πολλών επιπέδων ήταν ο incremental. Αν και η αρχική χαρτογράφηση της εικόνας SPOT5, η οποία έχει πληροφορίες παρόμοιες με τις εικόνες που χρησιμοποιήθηκαν για την ανάπτυξη του μοντέλου αντικειμενοστραφούς ταξινόμησης, δεν παρουσιάζει υψηλό ποσοστό ακρίβειας (77,59%). Μάλιστα από τη μεθοδολογία που εφαρμόστηκε, προέκυψε ότι η ταξινόμηση των δορυφορικών εικόνων SPOT5 για τη χαρτογράφηση των καυσίμων μπορεί να βελτιωθεί. Έτσι προτάθηκε ως καλύτερος συνδυασμός δεδομένων, που προέρχονται από τη δορυφορική εικόνα, αυτός που περιλαμβάνει τις τιμές φωτεινότητας όλων των διαύλων, το δείκτη NDVI και ένα φίλτρο χαμηλής χωρικής ενίσχυσης. Έτσι η ακρίβεια της ταξινόμησης έφτασε το 82,19%. Σε σύγκριση με την αντικειμενοστραφή ταξινόμηση τα νευρωνικά δίκτυα χρησιμοποιώντας τα ίδια δεδομένα εισόδου (δηλαδή τις τιμές φωτεινότητας των διαύλων και το δείκτη NDVI) παρουσιάζουν πολύ μικρότερη ακρίβεια στην ταξινόμηση. Ο καλύτερος συνδυασμός ταξινόμησης με τα νευρωνικά δίκτυα πλησιάζει την ακρίβεια της αντικειμενοστραφούς ταξινόμησης. Σχετικά με το ερευνητικό ερώτημα της δυνατότητας χαρτογράφησης της καύσιμης ύλης με τη χρήση δορυφορικών δεδομένων SPOT5 από τα παραπάνω αλλά και από τη μεθοδολογία που εφαρμόστηκε στην παρούσα εργασία προκύπτει ότι τα δεδομένα SPOT5 είναι δυνατό να χρησιμοποιηθούν στη χαρτογράφηση της καύσιμης ύλης τόσο με τη χρήση αντικειμενοστραφούς ταξινόμησης, όσο και με τη χρήση νευρωνικών δικτύων. [165]

190 8.2 Μελλοντική έρευνα Η διαδικασία που ακολουθήθηκε στην παρούσα έρευνα οδήγησε στην ανάπτυξη ενός αντικειμενοστραφούς μοντέλου ταξινόμησης της καύσιμη ύλης. Σύμφωνα με τα αποτελέσματα το μοντέλο αυτό μπορεί να εφαρμοστεί και σε δορυφορικά δεδομένα άλλης περιοχής. Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν προέρχονται από το αισθητήρα SPOT5. Μελλοντικά θα μπορούσε να διερευνηθεί η δυνατότητα εφαρμογής της προτεινόμενης μεθοδολογίας σε άλλα δορυφορικά δεδομένα από αισθητήρες υψηλής ευκρίνειας, (π.χ. ASTER) και πολύ υψηλής ευκρίνειας (QuickBird, IKONOS). Επίσης μπορεί να διερευνηθεί η δυνατότητα εφαρμογής της προτεινόμενης μεθοδολογίας αλλά και του προτεινόμενου συστήματος ταξινόμησης της καύσιμης ύλης σε δεδομένα ραντάρ. Επίσης μπορεί να εξεταστεί η εφαρμογή της προτεινόμενης μεθοδολογίας αντικειμενοστραφούς ταξινόμησης στο συνδυασμό δορυφορικών δεδομένων π.χ. δεδομένα Quickbird με δεδομένα ραντάρ. Επιπρόσθετα σε μελλοντική έρευνα μπορεί να εξεταστεί κατά πόσο μπορεί να βελτιωθεί η ακρίβεια της ταξινόμησης των καυσίμων χρησιμοποιώντας επιπλέον βοηθητικά δεδομένα, όπως είναι η χρήση γης, τοπογραφικά δεδομένα (κλίση, έκθεση) ως δεδομένα εισόδου για την βελτίωση του μοντέλου αντικειμενοστραφούς ταξινόμησης που προτάθηκε. Θα μπορούσε να διερευνηθεί κατά πόσο μπορεί να βελτιωθεί η ακρίβεια της ταξινόμησης με την ενσωμάτωση στα αρχικά δορυφορικά δεδομένα, μετασχηματισμών που προκύπτουν από αυτά, όπως είναι ο μετασχηματισμός της ανάλυσης σε κύριες συνιστώσες (PCA), φίλτρα καθώς και άλλοι δείκτες βλάστησης, εκτός του NDVI. Ένα άλλο σημείο που μπορεί να χρησιμοποιηθεί ως αντικείμενο μελλοντικής έρευνας είναι η εφαρμογή τοπογραφικών διορθώσεων στα αρχικά δορυφορικά δεδομένα. Η εφαρμογή αυτών των διορθώσεων θα έχει ως σκοπό τη μείωση των επιδράσεων της φωτεινότητας που οφείλεται στη μεταβλητότητα του αναγλύφου του εδάφους. Ομοίως όσον αφορά τα νευρωνικά δίκτυα μπορεί να διερευνηθεί μελλοντικά η χρήση δορυφορικών δεδομένων πολύ υψηλής ευκρίνειας για τη βελτίωση της ακρίβειας της ταξινόμησης. Επίσης μπορούν εξεταστεί ποια άλλα βοηθητικά δεδομένα μπορούν να χρησιμοποιηθούν ως δεδομένα εκπαίδευσης του νευρωνικού δικτύου ή αν μπορούν να συνδυαστούν διαφορετικά δορυφορικά δεδομένα για την ταξινόμηση της καύσιμης ύλης. Μελλοντική έρευνα είναι και η δυνατότητα ταξινόμησης αντικειμένων με τη χρήση νευρωνικών δικτύων. Να ενσωματωθεί στο λογισμικό για τα νευρωνικά δίκτυα, που [166]

191 δημιουργήθηκε στα πλαίσια της παρούσας εργασίας και η δυνατότητα ταξινόμησης αντικειμένων και όχι μόνο εικονοστοιχείων. [167]

192 ΚΕΦΑΛΑΙΟ 9 ΒΙΒΛΙΟΓΡΑΦΙΑ Agee, J. & Pickford, S. (1985), 'Vegetation and fuel mapping of North Cascades National Park', Final Report. College of Forest Resources, University of Washington, Seattle, Wash. Albini, F. (1976), 'Estimating wildfire behavior and effects', General Technical Report INT-30, USDA Forest Service, Intermountain Forest and Range Experiment Station 92. Allgöwer, B., Harvey, S. & Ruegsegger, M. (1998), 'Fuel models for Switzerland: description, spatial pattern, index for torching and crowning'. In '3rd International Conference on Forest Fire Research/14th Conference on Fire and Forest Meteorology, edited by DX Viegas', Andersen, H., McGaughey, R. & Reutebuch, S. (2005), 'Estimating forest canopy fuel parameters using LIDAR data', Remote Sensing of Environment 94(4), Anderson, H. (1982), 'Aids to determining fuel models for estimating fire behavior', General Technical Report INT-122, USDA Forest Service, Intermountain Forest and Range Experiment Station, Ogden, UT 22. Anderson, K.DX, V., ed. (2005), Fire growth modelling at multiple scales, Vol. 1-6, Rotterdam: Millpress. Andrews, P. (1986), 'BEHAVE: Fire Behaviour Prediction and Fuel Modeling System. Burn subsystem. Part 1', General Technical Report INT-194. USDA Forest Service, Intermountain Forest and Range Experiment Station, Ogden, UT. Andrews, P. & Queen, L. (2001), 'Fire modeling and information system technology', International Journal of Wildland Fire 10(3), [168]

193 Arroyo, L., Healey, S., Cohen, W., Cocero, D. & Manzanera, J. (2006), 'Using object-oriented classification and high-resolution imagery to map fuel types in a Mediterranean region', Journal of Geophysical Research-Biogeosciences 111(G4), G04S04. Arroyo, L., Pascual, C. & Manzanera, J. (2008), 'Fire models and methods to map fuel types: The role of remote sensing', Forest Ecology and Management. Baatz, M. & Schape, A. (2000), 'Multiresolution Segmentation--an optimization approach for high quality multi-scale image segmentation''angewandte Geographische Informationsverarbeitung XII. Beitrage zum AGIT-Symposium Salzburg', BAATZ, M., BENZ, U., DEHGHANI, S., HEYNEN, M., HÖLTJE, A., HOFMANN, P., LINGENFELDER, I., MIMLER, M., SOHLBACH, M., WEBER, M. & WILLHAUCK, G. (2004), ecognition User Guide 4, Munchen: Definiens Imaging. Brandis, K. & Jacobson, C. (2003), 'Estimation of vegetative fuel loads using Landsat TM imagery in New South Wales, Australia', International Journal of Wildland Fire 12(2), Brieβ, K., Jahn, H., Ginati, A. & Sommer, K. (1996), 'A small satellite solution for the fire detection and monitoring from space', Acta Astronautica 39(6), Brown, J. & See, T. (1981), 'Downed dead woody fuel and biomass in the northern Rocky Mountains', Gen. Tech. Rep. INT-117. U.S. Department of Agriculture, Forest Service, Intermountain Forest and Range Experiment Station. Ogden, UT, 48. Burgan, R., Klaver, R. & Klaver, J. (1998), 'Fuel models and fire potential from satellite and surface observations', International Journal of Wildland Fire 8(3), Burgan, R. & Rothermel, R. (1984), 'BEHAVE: fire behavior prediction and fuel modeling system-fuel subsystem', General Technical Report INT-167, Ogden, UT: USDA Forest Service, Intermountain Forest and Range Experiment Station,. 126 p.. Burgan, R. & Shasby, M. (1984), 'Mapping broad-area fire potential from digital fuel, terrain, and weather data', Journal of Forestry 82(4), Campbell, J., Weinstein, D. & Finney, M. (1995), 'Forest fire behavior modeling integrating GIS and BEHAVE''Analysis in support of ecosystem management: Analysis Workshop III, April 10-13, 1995, Fort Collins, Colorado', US Dept. of Agriculture, Forest Service, Ecosystem Management Analysis Center, 184. Carrao, H., Freire, S., Caetano, M. & Geographic, P. (), 'Fire Risk Mapping Using Satellite Imagery and Ancillary Data: Towards Operationally''Proc. of SPIE Vol', 156. Castro, R. & Chuvieco, E. (1998), 'Modeling forest fire danger from geographic information systems', Geocarto International 13(1), Chavez, P. (1989), 'Radiometric calibration of Landsat Thematic Mapper multispectral images', Photogrammetric Engineering and Remote Sensing 55, [169]

194 Chen, L. & Lee, L. (1992), 'Progressive generation of control frameworks for image registration', Photogrammetric engineering and remote sensing 58(9), Cheney, P. & Sullivan, A. (1997), Grassfires: fuel, weather and fire behaviour, CSIRO Publishing. Chuvieco, E. & Congalton, R. (1989), 'Applications of remote sensing and geographic information systems to forest fire hazard mapping', Remote Sensing of Environment 29(2), Chuvieco, E. & Kasischke, E. (2007), 'Remote sensing information for fire management and fire effects assessment', Journal of Geophysical Research. G. Biogeosciences 112. Chuvieco, E. & Martin, M. (1994), 'Global fire mapping and fire danger estimation using AVHHR images', Photogrammetric Engineering and Remote Sensing 60(5), Chuvieco, E., Riano, D., Aguado, I. & Cocero, D. (2002), 'Estimation of fuel moisture content from multitemporal analysis of Landsat Thematic Mapper reflectance data: applications in fire danger assessment', International Journal of Remote Sensing 23(11), Chuvieco, E., Riaño, D., Van Wagtendok, J. & Morsdof, F. (2003), 'Fuel loads and fuel type mapping', Wildland fire danger estimation and mapping. The role of remote sensing data. World Scientific, Singapore 4, Chuvieco, E. & Salas, J. (1996), 'Mapping the spatial distribution of forest fire danger using GIS', International Journal of Geographical Information Science 10(3), Cohen, W. (1989), 'Potential utility of the TM tasseled cap multispectral data transformation for crown fire hazard assessment''asprs/acsm annual convention proceedings: Agenda for the 90s', Congalton, R. & Green, K. (1998), Assessing the accuracy of remotely sensed data: principles and practices, CRC. Cruz, M. (2005), 'Guia fotografico para identificacao de combustiveis florestais- Regiao Centro de Portugal', CEIF, ADAI, Coimbra. 26p. Dar Roberts, M., Regelbrugge, J., Pedreros, D. & Ustin, S. (), 'Mapping the distribution of wildfire fuels using AVIRIS in the Santa Monica Mountains',. Darmawan, M., Masamu, A. & Satoshi, T. (2001), 'Forest fire hazard model using remote sensing and geographic information systems: toward understanding of land and forest degradation in lowland areas of East Kalimantan, Indonesia''Paper presented at the 22nd Asian Conference on Remote Sensing', 9. De Groot, W. (1993), 'Examples of fuel types in the Canadian Forest Fire Behavior Prediction (FBP) System', For. Can., Northwest Reg., North. For. Cent., Edmonton, Alberta. Poster (with text). This publication is available at no charge from: Forestry Canada Northwest Region Northern Forestry Centre, [170]

195 Deeming, J., Burgan, R. & Cohen, J. (1977), 'The National Fire-Danger Rating System', Gen. Tech. Rep. INT-39. Ogden, UT: US Department of Agriculture, Forest Service, Intermountain Forest and Range Experiment Station 63. Deeming, J., Lancaster, J., Fosberg, M., Furman, R. & Schroeder, M. (1972), 'The National Fire-Danger Rating System', Rep. No. RM-84. USDA Forest Service, Ogden, UT.. Dennison, P., Roberts, D. & Reggelbrugge, J. (), 'Characterizing chaparral fuels using combined hyperspectral and synthetic aperture radar data''proc. 9th AVIRIS Earth Science Workshop', Dimitrakopoulos, A. (2002), 'Mediterranean fuel models and potential fire behaviour in Greece', International Journal of Wildland Fire 11(2), Dimitrakopoulos, A. & Papaioannou, K. (2001), 'Flammability assessment of Mediterranean forest fuels', Fire Technology 37(2), Dixon, R., Shipley, W. & Briggs, A. (1985), 'Landsat - a tool for mapping fuel types in the boreal forest of Manitoba: A pilot study''proceedings of the Pecora X symposium', Dorren, L., Maier, B. & Seijmonsbergen, A. (2003), 'Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification', Forest Ecology and Management 183(1-3), Fahlman, S. (1988), 'Faster-learning variations on back-propagation: An empirical study', 'Proceedings of the 1988 Connectionist models summer school', M. Kaufmann, Falkowski, M., Gessler, P., Morgan, P., Hudak, A. & Smith, A. (2005), 'Characterizing and mapping forest fire fuels using ASTER imagery and gradient modeling', Forest Ecology and Management 217(2-3), Falkowski, M., Gessler, P., Morgan, P., Smith, A. & Hudak, A. (2004), 'Evaluating the ASTER sensor for mapping and characterizing forest fire fuels in Northern Idaho'. Fernandes, P., Luz, A., Loureiro, C., Ferreira-Godinho, P. & Botelho, H. (2006), 'Fuel modelling and fire hazard assessment based on data from the Portuguese National Forest Inventory', Forest Ecology and Management 234(1 S 229), 15. Flores-Garnica, J. & Omi, P. (2003), 'Mapping forest fuels for spatial fire behavior simulations using geomatic strategies', AGROCIENCIA 37(1), 66. Forestry Canada Fire Danger Group (1992), 'Development and structure of the Canadian Forest Fire Behavior Prediction System', Rep. No. ST-X-3. Forestry Canada, Ottawa. Fosberg, M. (1970), 'Drying rates of heartwood below fiber saturation', Forest Science 16(1), Gao, Y. (2003), 'Pixel based and object oriented image analysis for coal fire research', Enschede, Holanda. [171]

196 Giakoumakis, M., Gitas, I. & San-Miguel, J. (2002), 'Object-oriented classification modelling for fuel type mapping in the Mediterranean, using LANDSAT TM and IKONOS imagerypreliminary results', Forest Fires Research & Wildland Fire Safety. Millpress, Rotterdam. Gitas, I., Mitri, G., Kazakis, G., Ghosn, D. & Xanthopoulos, G. (2006), 'Fuel type mapping in Anopolis, Crete by employing QuickBird imagery and object-based classification', Forest Ecology and Management 234, Gitas, I., Mitri, G. & Ventura, G. (2004), 'Object-based image classification for burned area mapping of Creus Cape, Spain, using NOAA-AVHRR imagery', Remote sensing of environment 92(3), Haiqing, H. (1995), 'Fuel type classification in the east mountains in northeast China', Journal of Forestry Research 6(3), Hall, S., Burke, I., Box, D., Kaufmann, M. & Stoker, J. (2005), 'Estimating stand structure using discrete-return lidar: an example from low density, fire prone ponderosa pine forests', Forest Ecology and Management 208(1-3), Hardwick, P., Lachowski, H., Forbes, J., Olson, R., Roby, K. & Fites, J. (1998), 'Fuel loading and risk assessment for Lassen National Forest''Proceedings of the seventh Forest Service remote sensing applications conference. Nassau Bay, Texas', Harvey, S., Ruegsegger, M. & Allgöwer, B. (1997), 'Fuel Models for Switzerland (Swiss National Park)', Rep. No. BBW. Hawkes, B., Niemann, O., Goodenough, D., Lawson, B., Thomson, A., Sahle, W., Fuglem, P., Beck, J., Bell, B. & Symington, P. (1995), 'Forest fire fuel type mapping using GIS and remote sensing in British Columbia', In 'Proceedings of the symposium GIS Applications in Natural Resources', Hill, J. & Sturm, B. (1991), 'Radiometric correction of multitemporal Thematic Mapper data for use in agricultural land-cover classification and vegetation monitoring', International journal of remote sensing(print) 12(7), Hungerford, R., Harrington, M., Frandsen, W., Ryan, K. & Niehoff, G. (1991), 'Influence of fire on factors that affect site productivity''proceedings, management and productivity of western-montane forest soils: Boise, ID, April 10-12, 1990', US Dept of Agriculture, Forest Service, Intermountain Research Station, 32. Hyyppä, J., Kelle, O., Lehikoinen, M. & Inkinen, M. (2001), 'A segmentation-based method to retrieve stem volume estimates from3-d tree height models produced by laser scanners', IEEE Transactions on Geoscience and Remote Sensing 39(5), Hyyppä, J., Hyyppä, H., Inkinen, M., Engdahl, M., Linko, S. & Zhu, Y. (2000), 'Accuracy comparison of various remote sensing data sources in the retrieval of forest stand attributes', Forest Ecology and Management 128(1-2), Igel, C. & Hüsken, M. (2000), 'Improving the Rprop learning algorithm', 'Proceedings of the second international ICSC symposium on neural computation (NC 2000)', Citeseer, [172]

197 Islam, Z. & Metternicht, G. (2004), 'The performance of fuzzy operators on fuzzy classification of urban land covers', Photogrammetric Engineering & Remote Sensing. Jesús, S. (2002), 'Methodologies for the evaluation of forest fire risk: from long-term (static) to dynamic indices', Corso di Cultura in Ecologia 117, 117. Jia, G., Burke, I., Goetz, A., Kaufmann, M. & Kindel, B. (2006a), 'Assessing spatial patterns of forest fuel using AVIRIS data', Remote Sensing of Environment 102(3-4), Jia, G., Burke, I., Kaufmann, M., Goetz, A., Kindel, B. & Pu, Y. (2006b), 'Estimates of forest canopy fuel attributes using hyperspectral data', Forest Ecology and Management 229(1-3), Johnson, A. (2002), 'North Australian grassland fuel guide', Tropical Savannas CRC. de Jong, S., Pebesma, E. & Lacaze, B. (2003), 'Above-ground biomass assessment of Mediterranean forests using airborne imaging spectrometry: the DAIS Peyne experiment', International Journal of Remote Sensing 24(7), Justice, C. & Townshend, J. (1981), 'Integrating ground data with remote sensing', Terrain analysis and remote sensing, 38. Keane, R., Burgan, R. & van Wagtendonk, J. (2001), 'Mapping wildland fuels for fire management across multiple scales: Integrating remote sensing, GIS, and biophysical modeling', International Journal of Wildland Fire 10(3/4), Keane, R., Long, D., Schmidt, K., Mincemoyer, S. & Garner, J. (1998), 'Mapping fuels for spatial fire simulations using remote sensing and biophysical modeling''proceedings of the seventh Forest Service remote sensing applications conference. Nassau Bay, Texas', Keane, R., Mincemoyer, S., Schmidt, K., Long, D. & Garner, J. (2000), 'Mapping vegetation and fuels for fire management on the Gila National Forest Complex, New Mexico', USDA Forest Service General Technical Report RMRS-GTR-46-CD. Keane, R., Morgan, P. & Running, S. (1996), FIRE-BGC-A mechanistic ecological process model for simulating fire succession on coniferous forest landscapes of the Northern Rocky Mountains, PB /XAB, Forest Service, Ogden, UT (United States). Intermountain Research Station. Keramitsoglou, I., Kontoes, C., Sykioti, O., Sifakis, N. & Xofis, P. (2008), 'Reliable, accurate and timely forest mapping for wildfire management using ASTER and Hyperion satellite imagery', Forest Ecology and Management 255(10), Keramitsoglou, I., Sarimveis, H., Kiranoudis, C. & Sifakis, N. (2005), 'Radial basis function neural networks classification using very high spatial resolution satellite imagery: an application to the habitat area of Lake Kerkini (Greece)', International Journal of Remote Sensing 26(9), Kitchen, K., Marno, P., Legg, C., Bruce, M. & Davies, G. (2006), 'Developing a fire danger rating system for the United Kingdom', Forest Ecology and Management 234, [173]

198 Kourtz, P. (1977), 'An application of Landsat digital technology to forest fire fuel type mapping''11th International Symposium on Remote Sensing of Environment', Koutsias, N. & Karteris, M. (2003), 'Classification analyses of vegetation for delineating forest fire fuel complexes in a Mediterranean test site using satellite remote sensing and GIS', International Journal of Remote Sensing 24(15), Köhl, M., Magnussen, S. & Marchetti, M. (2006), Sampling methods, remote sensing and GIS multiresource forest inventory, Springer Verlag. Kötz, B., Schaepman, M., Morsdorf, F., Bowyer, P., Itten, K. & Allgöwer, B. (2004), 'Radiative transfer modeling within a heterogeneous canopy for estimation of forest fire fuel properties', Remote Sensing of Environment 92(3), Lanorte, A. & Lasaponara, R. (2007), 'Fuel type characterization based on coarse resolution MODIS satellite data', Forest 4, Lasaponara, R. & Lanorte, A. (2007b), 'Remotely sensed characterization of forest fuel types by using satellite ASTER data', International Journal of Applied Earth Observations and Geoinformation 9(3), Lasaponara, R. & Lanorte, A. (2007a), 'On the capability of satellite VHR QuickBird data for fuel type characterization in fragmented landscape', Ecological Modelling 204(1-2), Lasaponara, R. & Lanorte, A. (2006), 'Multispectral fuel type characterization based on remote sensing data and Prometheus model', Forest Ecology and Management 234, 226. Lasaponara, R., Lanorte, A. & Pignatti, S. (2006), 'Characterization and Mapping of Fuel Types for the Mediterranean Ecosystems of Pollino National Park in Southern Italy by Using Hyperspectral MIVIS Data', Earth Interactions 10, Lasaponara, R., Lanorte, A. & Pignatti, S. (2006), 'Multiscale fuel type mapping in fragmented ecosystems: preliminary results from Hyperspectral MIVIS and Multispectral Landsat TM data', International Journal of Remote Sensing 27(3), Lefsky, M., Cohen, W., Parker, G. & Harding, D. (2002), 'Lidar remote sensing for ecosystem studies', Bioscience 52(1), Lefsky, M., Cohen, W. & Spies, T. (2001), 'An evaluation of alternate remote sensing products for forest inventory, monitoring, and mapping of Douglas-fir forests in western Oregon', Canadian Journal of Forest Research 31(1), Mather, P. (1999), Computer Processing of Remotely Rensing Images-An introduction, John Wiley & Sons Inc. Mather, P. & Koch, M. (2004), Computer processing of remotely sensed images: an introduction, Wiley & Sons Inc. McArthur, A. (1967), 'Fire behaviour in eucalypt forests', Commonwealth Forestry and Timber Bureau Leaflet 107, 36. [174]

199 McArthur, A. (1966), 'Weather and grassland fire behaviour', Australian Forest and Timber Bureau Leaflet 100. McCoy, R. (2005), Field methods in remote sensing, The Guilford Press. McKenzie, D., Raymond, C., Kellogg, L., Norheim, R., Andreu, A., Bayard, A., Kopper, K. & Elman, E. (2007), 'Mapping fuels at multiple scales: landscape application of the Fuel Characteristic Classification System', Canadian Journal of Forest Research 37(12), McKinley, R., Chine, E. & Werth, L. (1985), 'Operational fire fuels mapping with NOAA-AVHRR data''pecora X symposium proceedings', Fort Collins, CO, Merrill, D. & Alexander, M. (1987), 'Glossary of forest fire management terms', Canadian Committee on Forest Fire Management, National Research Council of Canada, Ottawa, Ont. Merrill, E., Bramble-Brodahl, M., Marrs, R. & Boyce, M. (1993), 'Estimation of green herbaceous phytomass from Landsat MSS data in Yellowstone National Park', Journal of Range Management 46(2), Miller, W. & Johnston, D. (1985), 'Comparison of fire fuel maps produced using MSS and AVHRR data''pecora X symposium', Mitri, G. & Gitas, I. (2002), 'The development of an object-oriented classification model for operational burned area mapping on the Mediterranean island of Thasos using LANDSAT TM images', Forest Fire Research & Wildland Fire Safety, MODIS, D., Authors, S., Disciplines, S., Lanorte, A., Lasaponara, R. & Sensing, R. (), 'Fuel type characterization based on coarse resolution MODIS satellite data', Fuel 1, Monserud, R. & Leemans, R. (1992), 'Comparing global vegetation maps with the Kappa statistic', Ecological Modelling 62(4), Morsdorf, F., Meier, E., Kötz, B., Itten, K., Dobbertin, M. & Allgöwer, B. (2004), 'LIDAR-based geometric reconstruction of boreal type forest stands at single tree level for forest and wildland fire management', Remote Sensing of Environment 92(3), Mueller-Dombois, D. & Ellenberg, H. (1974), Aims and methods of vegetation ecology, John Wiley & Sons. Müller, F. (1998), 'Gradients in ecological systems', Ecological Modelling 108(1-3), Ohmann, J. & Spies, T. (1998), 'Regional gradient analysis and spatial pattern of woody plant communities of Oregon forests', Ecological Monographs 68(2), Ottmar, R., Sandberg, D., Riccardi, C. & Prichard, S. (2007), 'An overview of the Fuel Characteristic Classification System-Quantifying, classifying, and creating fuelbeds for resource planning', Canadian Journal of Forest Research 37(12), Papanikolaou, G. & Sarlis, G. (1991), 'Phytosociological studies in the Tatoi district (Attica, Greece)', Plant Ecology 93(2), [175]

200 Pesonen, A., Maltamo, M., Eerik\'e4inen, K. & Packalиn, P. (2008), 'Airborne laser scanningbased prediction of coarse woody debris volumes in a conservation area', Forest Ecology and Management 255(8-9), Pyne, S., Andrews, P. & Laven, R. (1996), Introduction to wildland fire, John Wiley & Sons Inc. Renslow, M., Greenfield, P. & Guay, T. (2000), 'Evaluation of multi-return LIDAR for forestry applications', US Department of Agriculture, Forest Service Engineering, Remote Sensing Applications Center RSAC-2060/4180-LSP-0001-RPT1. Riaño, D., Chuvieco, E., Salas, J., Palacios-Orueta, A. & Bastarrika, A. (2002), 'Generation of fuel type maps from Landsat TM images and ancillary data in Mediterranean ecosystems', Canadian Journal of Forest Research 32(8), Riaño, D., Meier, E., Allgower, B., Chuvieco, E. & Ustin, S. (2003), 'Modeling airborne laser scanning data for the spatial generation of critical forest parameters in fire behavior modeling', Remote Sensing of Environment 86(2), Riaño, D., Valladares, F., Condes, S. & Chuvieco, E. (2004), 'Estimation of leaf area index and covered ground from airborne laser scanner (Lidar) in two contrasting forests', Agricultural and Forest Meteorology 124(3-4), Riaño, D., Vaughan, P., Chuvieco, E., Zarco-Tejada, P. & Ustin, S. (2005), 'Estimation of fuel moisture content by inversion of radiative transfer models to simulate equivalent water thickness and dry matter content: analysis at leaf and canopy level', IEEE Transactions on Geoscience and Remote Sensing 43(4), Richards, J. (1993), Remote Sensing Digital Image Processing: An Introduction, 2nd edn, Springer-Verlag. Richards, J. (1986), Remote Sensing Digital Image Processing: An Introduction, 1st edn, Springer-Verlag. Richards, J. & Jia, X. (2006), Remote sensing digital image analysis: An introduction, Springer Verlag. Roberts, D. & Dennison, P. (2003), 'Hyperspectral technologies for wildfire fuel mapping''proceedings of the 4th International Workshop on Remote Sensing and GIS Applications to Forest Fire Management, Ghent, 5--7 June 2003'. Roberts, D., Dennison, P., Gardner, M., Hetzel, Y., Ustin, S. & Lee, C. (2003), 'Evaluation of the potential of Hyperion for fire danger assessment by comparison to the Airborne Visible/Infrared Imaging Spectrometer', IEEE Transactions on Geoscience and Remote Sensing 41(6), Roberts, D., Gardener, M., Regelbrugge, J., Pedreros, D. & S., U. (1997), 'Mapping the distribution of wildfire fuels using AVIRIS in the Santa Monica Mountains', Summaries of the VIII JPL Airborne Earth Science Workshop, Pasadena, CA. [176]

201 Roberts, D., Gardner, M., Church, R., Ustin, S., Scheer, G. & Green, R. (1998), 'Mapping chaparral in the Santa Monica Mountains using multiple endmember spectral mixture models', Remote Sensing of Environment 65(3), Roberts, D., Green, R. & Adams, J. (1997), 'Temporal and spatial patterns in vegetation and atmospheric properties from AVIRIS', Remote Sensing of Environment 62(3), Roberts, D., Peterson, S., Dennison, P., Rechel, J. & van Wagtendonk, J. (2005), Fine spatial, spectral and temporal characterization of wildfire fuels through the integrated analysis of imaging spectrometry and coarser resolution broad band data, in De la Riva, J, Pérez-Cabello, F. & E. Chuvieco, ed.,'proceedings of the 5th International Workshop on Remote Sensing and GIS Applications to Forest Fire Management: Fire Effects Assessment', Universidad de Zaragoza,, pp Roberts, D., Peterson, S., Dennison, P., Sweeney, S. & Rechel, J. (2006), 'Evaluation of Airborne Visible/Infrared Imaging Spectrometer (AVIRIS) and Moderate Resolution Imaging Spectrometer (MODIS) measures of live fuel moisture and fuel condition in a shrubland ecosystem in southern California', Journal of Geophysical Research 111. Root, R., Stitt, S., Nyquist, M., Waggoner, G. & Agee, J. (1985), 'Vegetation and fire fuel models mapping of North Cascades National Park''ACSM-ASPRS Annual Convention Technical Paper', Rothermel, R. (1991), 'Predicting behavior and size of crown fires in the northern Rocky Mountains', Research Paper INT-438, USDA Forest Service, 46. Rothermel, R. (1972), 'A mathematical model for predicting fire spread in wildland fuels. Research Paper INT-115', USDA, Forest Service, Intermountain Forest and Range Experiment Station, Ogden, UT.. Saatchi, S., Halligan, K., Despain, D. & Crabtree, R. (2007), 'Estimation of forest fuel load from radar remote sensing', IEEE Transactions on Geoscience and Remote Sensing 45(6), Salas, F. & Chuvieco, E. (1995), 'Aplicación de imágenes Landsat-TM a la cartografía de modelos combustibles', Revista de Teledetección 5, Salas, J. & Chuvieco, E. (1994), 'Geographic information systems for wildland fire risk mapping', Wildfire 3(2), Sandberg, D., Ottmar, R. & Cushon, G. (2001), 'Characterizing fuels in the 21 st century', International Journal of Wildland Fire 10(3/4), Sandberg, D., Riccardi, C. & Schaaf, M. (2007), 'Fire potential rating for wildland fuelbeds using the Fuel Characteristic Classification System', Canadian Journal of Forest Research 37(12), Scott, J. & Burgan, R. (2005), 'Standard fire behavior fuel models: a comprehensive set for use with Rothermel?s surface fire spread model', Gen. Tech. Rep. RMRS-GTR-153. Fort Collins, CO: US Department of Agriculture, Forest Service, Rocky Mountain Research Station 72. [177]

202 Shasby, M., Burgan, R. & Johnson, R. (1981), 'Broad area forest fuels and topography mapping using digital Landsat and terrain data''proceedings of the 7th international symposium on machine processing of remotely sensed data, West LaFayette, LO', Skowronski, N., Clark, K., Nelson, R., Hom, J. & Patterson, M. (2007), 'Remotely sensed measurements of forest structure and fuel loads in the Pinelands of New Jersey', Remote Sensing of Environment 108(2), Toutin, T. & Amaral, S. (2000), 'Stereo RADARSAT data for canopy height in Brazilian forests', Canadian Journal of Remote Sensing 26(3), Tso, B. & Mather, P. (2001), Classification methods for remotely sensed data, CRC. Van Wagner, C. (1987), 'Development and structure of the Canadian forest fire weather index system', Forestry technical report 35, 37. Van Wagner, C. & Pickett, T. (1985), 'Equations and FORTRAN program for the Canadian Forest Fire Weather Index System', Forestry Technical Report 33. Van Wagtendonk, J. (1997), Use of thematic mapper imagery to map fuel models, in 'Proc. 13th Conf. Fire and Forest Meteorology. International Association of Wildland Fire, Lorne, Australia'. Van Wagtendonk, J. (1997), 'Use of thematic mapper imagery to map fuel models''proc. 13th Conf. Fire and Forest Meteorology. International Association of Wildland Fire, Lorne, Australia'. Van Wagtendonk, J. & Root, R. (2003), 'The use of multi-temporal Landsat Normalized Difference Vegetation Index (NDVI) data for mapping fuel models in Yosemite National Park, USA', International Journal of Remote Sensing 24(8), Van Wagtendonk, J. & Root, R. (2000), 'Hyperspectral analysis of multi-temporal Landsat TM data for mapping fuels in Yosemite National Park''Neuenschwander, LE and KC Ryan (Tech. Eds.), Proceedings of the Joint Fire Science Conference and Workshop', de Vasconcelos, J., Paul, J., Silva, S., Pereira, J., Caetono, M., Catry, F. & Oliveira, T. (1998), Regional fuel mapping using a knowledge based system approach, in 'Proceedings: III international conference on forest fire research and 14th conference on fire and forest meteorology', pp Verbyla, D. (1995), Satellite remote sensing of natural resources, CRC. Volokitina, A. (1996), 'Forest fuel maps', Fire in ecosystems of boreal Eurasia. Dordrecht, Volokitina, A. & Sofronov, M. (2002), 'Vegetation fuel classification and mapping', Krasnoyarsk: Sukachev Institute of Forest 314. Volokitina, A., Stone, T., Schlesinger, P. & Sofronov, M. (2000), 'Medium scale vegetation fuel mapping in the lake Baikal Basin', in Joint Fire Science Program, ed.,'joint Fire Science Conf. And Workshop. Crossing the Millenium: Intergrating Spatial Tech. And Ecol. Principles for a [178]

203 New Age of Fire Management. 1999, Boise, Idaho.', Joint Fire Science Program, Joint Fire Science Program, Wilson, B., Ow, C., Heathcott, M., Milne, D., McCaffrey, T., Ghitter, G. & Franklin, S. (1994), 'Landsat MSS classification of fire fuel types in Wood Buffalo National Park, northern Canada', Global Ecology and Biogeography Letters 4(2), Wimberly, M., Ohman, J., Pierce, K., Gregory, M. & Fried, J. (2003), 'A multivariate approach to mapping forest vegetation and fuels using GIS databases, satellite imagery, and forest inventory plots''proceedings of the Second International Wildland Fire Ecology and Fire Management Congress'. Won, M., Koo, K., Lee, M. & Lee, S. (2006), 'Fuel Type Classification and Fuel Loading in Central Interior, Korea: Uiseong-Gun', USDA Forest Service, Proceedings RMRS-P-41. Xiao-rui, T., Mcrae, D., Boychuk, D., Ji-zhong, J., Cheng-da, G., Li-fu, S. & Ming-yu, W. (2005), 'Comparisons and Assessment of Forest Fire Danger Systems', Forestry Studies in China 7(01), Xiao-rui, T., McRae, D., Li-fu, S. & Ming-yu, W. (2005), 'Fuel classification and mapping from satellite imagines', Journal of Forestry Research 16(4), Yool, S., Eckhardt, D., Cosentino, M. & Estes, J. (1984), 'A geographic information system approach to quantitative assessment of wildlife fuels''proceedings, ACSM--ASPRS Annual Convention, Washington, DC America Society for Photogrammetry and Remote Sensing, Bethesda, Md', Yool, S., Eckhardt, D., Estes, J. & Cosentino, M. (1985), 'Describing the brushfire hazard in Southern California', Annals of the Association of American Geographers 75(3), Yoon, Y. & Kim, Y. (2007), 'Application of Hyperion hyperspectral remote sensing data for wildfire fuel mapping', Korean Journal of Remote Sensing 23(1), Zhu, Z. & Evans, D. (1994), 'US forest types and predicted percent forest cover from AVHRR data', PE & RS- Photogrammetric Engineering & Remote Sensing 60(5), Δημητρακόπουλος, ΑΠ., Mateeva, V. & Ξανθόπουλος, Γ. (2001), 'Μοντέλα Κάυσιμης Ύλης Μεσογειακών Τύπων Βλάστησης της Ελλάδος', Γεωτεχνικά Επιστημονικά Θέματα VI(3), Καρτέρης, Μ. (2005), Τηλεπισκόπηση Περιβάλλοντος, Πανεπιστημιακές Παραδόσεις, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. Μαλλίνης, Γεώργιος. (2006), 'Αξιολόγηση της δυνατότητας χρησιμοποίησης δορυφορικών δεδομένων πολύ υψηλής ευκρίνειας και γεωγραφικών συστημάτων πληροφορικών στα πλαίσια σύνταξης του Δασολογίου', Διδακτορική Διατριβή, Σχολή Δασολογίας και Φυσικού Περιβάλλοντος, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. [179]

204 ΚΕΦΑΛΑΙΟ 10 ΠΑΡΑΡΤΗΜΑΤΑ 10.1 Παράρτημα: Μετεωρολογικά στοιχεία Ν. Αττικής Μέσοι όροι μετεωρολογικών παρατηρήσεων από τρεις μετεωρολογικούς σταθμούς στο Ν. Αττικής Πίνακας 10-1 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Ελευσίνας ΚΑΤΑΚΡΗΜΝΙΣΜΑΤΑ ΘΕΡΜΟΚΡΑΣΙΑ ΜΕΣΟΣ (mm) ΣΧΕΤΙΚΗ ΜΗΝΑΣ ΜΕΣΟΣ ΜΕΣΟΣ ΟΡΟΣ ΜΕΓΙΣΤΗ ΥΓΡΑΣΙΑ ΜΕΣΗ ΟΡΟΣ ΟΡΟΣ ΝΕΦΩΣΗΣ ΣΥΝΟΛΙΚΑ ΤΟ ΜΕΓΙΣΤΗΣ ΕΛΑΧΙΣΤΗΣ 24ωρο ΙΑΝΟΥΑΡΙΟΣ 7,3 11,8 3,1 76,2 4,7 67,2 138,8 ΦΕΒΡΟΥΑΡΙΟΣ 7,9 12,5 3,5 74,7 4,8 53,8 68,5 ΜΑΡΤΙΟΣ 10,1 14,8 5,0 71,2 4,5 44,0 37,0 ΑΠΡΙΛΙΟΣ 14,3 19,5 7,7 64,2 3,9 23,3 41,0 ΜΑΙΟΣ 19,4 24,8 11,7 56,1 3,2 20,9 37,3 ΙΟΥΝΙΟΣ 24,4 29,6 15,9 47,8 2,0 11,2 29,4 ΙΟΥΛΙΟΣ 26,6 31,8 18,9 44,8 1,1 10,2 46,0 ΑΥΓΟΥΣΤΟΣ 26,2 31,6 19,1 45,3 0,9 3,5 21,9 ΣΕΠΤΕΜΒΡΙΟΣ 22,1 27,9 15,5 54,6 1,7 14,2 44,0 ΟΚΤΩΒΡΙΟΣ 16,9 22,3 11,7 66,4 3,2 50,5 110,7 ΝΟΕΜΒΡΙΟΣ 12,6 17,7 7,7 75,3 4,2 54,3 175,1 ΔΕΚΕΜΒΡΙΟΣ 9,0 13,5 4,8 77,2 4,6 74,4 111,0 [180]

205 Πίνακας 10-2 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Τατοΐου ΚΑΤΑΚΡΗΜΝΙΣΜΑΤΑ ΘΕΡΜΟΚΡΑΣΙΑ ΜΕΣΟΣ (mm) ΣΧΕΤΙΚΗ ΜΗΝΑΣ ΜΕΣΟΣ ΜΕΣΟΣ ΟΡΟΣ ΜΕΓΙΣΤΗ ΥΓΡΑΣΙΑ ΜΕΣΗ ΟΡΟΣ ΟΡΟΣ ΝΕΦΩΣΗΣ ΣΥΝΟΛΙΚΑ ΤΟ ΜΕΓΙΣΤΗΣ ΕΛΑΧΙΣΤΗΣ 24ωρο ΙΑΝΟΥΑΡΙΟΣ 9,2 13,0 5,4 72,5 4,7 44,1 49,2 ΦΕΒΡΟΥΑΡΙΟΣ 9,7 13,6 5,6 70,7 4,7 41,3 61,0 ΜΑΡΤΙΟΣ 12,0 16,0 7,3 68,0 4,5 41,9 51,6 ΑΠΡΙΛΙΟΣ 16,0 20,2 10,2 61,9 4,0 26,6 51,1 ΜΑΙΟΣ 21,3 25,6 14,8 54,4 3,2 19,5 38,8 ΙΟΥΝΙΟΣ 26,1 30,5 19,3 47,4 2,1 9,4 35,9 ΙΟΥΛΙΟΣ 28,6 32,9 22,2 43,6 1,1 6,1 36,0 ΑΥΓΟΥΣΤΟΣ 28,2 32,6 22,1 45,0 1,0 5,3 45,5 ΣΕΠΤΕΜΒΡΙΟΣ 24,3 28,8 18,7 53,3 1,8 12,0 33,5 ΟΚΤΩΒΡΙΟΣ 19,0 23,2 14,5 63,3 3,2 44,0 83,3 ΝΟΕΜΒΡΙΟΣ 14,6 18,7 10,5 71,4 4,1 59,8 90,5 ΔΕΚΕΜΒΡΙΟΣ 11,0 14,7 7,2 73,4 4,7 64,5 65,5 ΜΗΝΑΣ Πίνακας 10-3 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Ελληνικού ΜΕΣΗ ΘΕΡΜΟΚΡΑΣΙΑ ( C) ΜΕΣΟΣ ΜΕΣΟΣ ΟΡΟΣ ΟΡΟΣ ΜΕΓΙΣΤΗΣ ΕΛΑΧΙΣΤΗΣ ΣΧΕΤΙΚΗ ΥΓΡΑΣΙΑ ΜΕΣΗ ΜΗΝΙΑΙΑ ΒΡΟΧΟΠΤΩΣΗ (mm) ΙΑΝΟΥΑΡΙΟΣ 10,3 13,6 7,0 68,8 48,3 ΦΕΒΡΟΥΑΡΙΟΣ 10,6 14,1 7,1 68,0 40,9 ΜΑΡΤΙΟΣ 12,3 15,7 8,4 65,9 39,7 ΑΠΡΙΛΙΟΣ 15,9 19,4 11,4 62,6 26,0 ΜΑΙΟΣ 20,7 24,1 15,8 59,0 15,2 ΙΟΥΝΙΟΣ 25,2 28,7 20,1 52,8 5,6 ΙΟΥΛΙΟΣ 28,0 31,8 22,8 47,0 5,2 ΑΥΓΟΥΣΤΟΣ 27,8 31,7 22,8 47,1 7,0 ΣΕΠΤΕΜΒΡΙΟΣ 24,2 28,2 19,6 53,4 9,6 ΟΚΤΩΒΡΙΟΣ 19,5 23,2 15,6 62,1 47,8 ΝΟΕΜΒΡΙΟΣ 15,4 18,8 12,0 68,7 55,4 ΔΕΚΕΜΒΡΙΟΣ 12,0 15,2 8,8 70,2 64,1 [181]

206 Ομβροθερμικά διαγράμματα από τρεις μετεωρολογικούς σταθμούς του Ν. Αττικής ΟΜΒΡΟΘΕΡΜΙΚΟ ΙΑΓΡΑΜΜΑ Μ.Σ. ΕΛΕΥΣΙΝΑΣ ( ) ΘΕΡΜΟΚΡΑΣΙΑ Ο C ΒΡΟΧΟΠΤΩΣΗ (mm) ΙΑΝ ΦΕΒ ΜΑΡ ΑΠΡ ΜΑΙ ΙΟΝ ΙΟΛ ΑΥΓ ΣΕΠ ΟΚΤ ΝΟΕ ΕΚ ΜΗΝΕΣ 0 ΘΕΡΜΟΚΡΑΣΙΑ ( C) ΚΑΤΑΚΡΗΜΝΙΣΜΑΤΑ (mm) Εικόνα 10-1 Ομβροθερμικό διάγραμμα Μ.Σ. Ελευσίνας ΟΜΒΡΟΘΕΡΜΙΚΟ ΙΑΓΡΑΜΜΑ Μ.Σ. ΤΑΤΟΪΟΥ ( ) ΘΕΡΜΟΚΡΑΣΙΑ o C ΒΡΟΧΟΠΤΩΣΗ (mm) ΙΑΝ ΦΕΒ ΜΑΡ ΑΠΡ ΜΑΙ ΙΟΝ ΙΟΛ ΑΥΓ ΣΕΠ ΟΚΤ ΝΟΕ ΕΚ ΜΗΝΕΣ 0 ΘΕΡΜΟΚΡΑΣΙΑ ( C) ΚΑΤΑΚΡΗΜΝΙΣΜΑΤΑ (mm) Εικόνα 10-2 Ομβροθερμικό διάγραμμα Μ.Σ. Τατοΐου [182]

207 ΟΜΒΡΟΘΕΡΜΙΚΟ ΙΑΓΡΑΜΜΑ Μ.Σ. ΕΛΛΗΝΙΚΟΥ ΘΕΡΜΟΚΡΑΣΙΑ o C ΒΡΟΧΟΠΤΩΣΗ (mm) ΙΑΝ ΦΕΒ ΜΑΡ ΑΠΡ ΜΑΙ ΙΟΝ ΙΟΛ ΑΥΓ ΣΕΠ ΟΚΤ ΝΟΕ ΕΚ ΜΗΝΕΣ 0 ΘΕΡΜΟΚΡΑΣΙΑ ( C) ΜΕΣΗ ΜΗΝΙΑΙΑ ΒΡΟΧΟΠΤΩΣΗ (mm) Εικόνα 10-3 Ομβροθερμικό διάγραμμα Μ.Σ. Ελληνικού [183]

208 10.2 Παράρτημα: Μετεωρολογικά στοιχεία του Μ.Σ. Ταξιάρχη Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Ταξιάρχη Πίνακας 10-4 Μέσοι όροι μετεωρολογικών παρατηρήσεων του Μ.Σ. Ταξιάρχη ΘΕΡΜΟΚΡΑΣΙΑ ( C) ΜΗΝΑΣ ΜΕΣΟΣ ΜΕΣΟΣ ΣΧΕΤΙΚΗ ΚΑΤΑΚΡΗΜΝΙΣΜΑΤΑ ΜΕΣΗ ΟΡΟΣ ΟΡΟΣ ΥΓΡΑΣΙΑ (mm) ΜΕΓΙΣΤΗΣ ΕΛΑΧΙΣΤΗΣ ΙΑΝΟΥΑΡΙΟΣ 1,7 4,8-2,1 76,8 59,8 ΦΕΒΡΟΥΑΡΙΟΣ 2,2 4,9-1,5 78,1 41,3 ΜΑΡΤΙΟΣ 4,9 8,5 0,9 74,8 54,5 ΑΠΡΙΛΙΟΣ 9,1 13,3 4, ,6 ΜΑΙΟΣ 14,5 18,7 9,7 65,9 67,1 ΙΟΥΝΙΟΣ 18,9 23,4 13,6 26,9 59,9 ΙΟΥΛΙΟΣ 20,9 25,7 15,4 60,8 47,9 ΑΥΓΟΥΣΤΟΣ 20,3 25,1 15, ,7 ΣΕΠΤΕΜΒΡΙΟΣ 16,6 21, ,8 41,4 ΟΚΤΩΒΡΙΟΣ 11,9 15,8 7,9 75,6 68,9 ΝΟΕΜΒΡΙΟΣ 6,5 9,8 3, ,9 ΔΕΚΕΜΒΡΙΟΣ 3,3 6,4 0, ,0 [184]

209 10.3 Παράρτημα: Εγχειρίδιου του λογισμικού που δημιουργήθηκε aftc(a-fuel Type Classification) Το λογισμικό aftc (a-fuel Type Classification) δημιουργήθηκε με σκοπό να αποτελέσει ένα χρήσιμο εργαλείο εφαρμογής των νευρωνικών δικτύων στο πεδίο της ταξινόμησης καύσιμης ύλης. Το aftc υλοποιήθηκε στη γλώσσα προγραμματισμού Delphi 7 και ενσωματώνει δύο βιβλιοθήκες: Τη βιβλιοθήκη FANN (Fast Artificial Neural Networks), που υλοποιεί πρόσωτροφοδοτούμενα Τ.Ν.Δ. πολλών επιπέδων και η οποία δημιουργήθηκε από τον κ. Steffen Nissen Τη βιβλιοθήκη NNets, που υλοποιεί το αυτό-οργανούμενο και αυτόαναπτυσσόμενο νευρωνικό αέριο (SGONG) και η οποία δημιουργήθηκε από τον διδάκτορα κ. Ατσαλάκη Αντώνιο στα πλαίσια της διδακτορικής του διατριβής. Το aftc είναι μια παραθυρική εφαρμογή το περιβάλλον του οποίου παρουσιάζεται στην Εικόνα Εικόνα 10-4 Περιβάλλον εφαρμογής aftc [185]

210 Λειτουργίες Προγράμματος Οι λειτουργίες του προγράμματος μπορούν να διακριθούν στις ακόλουθες κατηγορίες: Βασικές λειτουργίες διαχείρισης εικόνας: Δημιουργία, άνοιγμα, αποθήκευση, αντιγραφή, επικόλληση εικόνας Βασικές λειτουργίες διαχείρισης παραθύρων Εκπαίδευση νευρωνικών δικτύων Ταξινόμηση καύσιμης ύλης βάσει νευρωνικών δικτύων και αποτίμηση του αποτελέσματος Ιστογράμματα Διαχείριση εικόνας Η διαχείριση των εικόνων πραγματοποιείται από το μενού Image το οποίο εμφανίζεται στην Εικόνα Εικόνα 10-5 Μενού Image Δημιουργία εικόνας Η δημιουργία μιας κενής εικόνας, η οποία μπορεί να χρησιμοποιηθεί για την επικόλληση μιας εικόνας που είναι αποθηκευμένη στη μνήμη του υπολογιστή, πραγματοποιείται επιλέγοντας Image/New Άνοιγμα εικόνας Μια εικόνα ανοίγει επιλέγοντας Image/Open. Αυτόματα εμφανίζεται ένα παράθυρο διαλόγου (Εικόνα 10-6) από το οποίο μπορεί ο χρήστης να επιλέξει το αρχείο εικόνας που θέλει να εμφανίσει. Οι τύποι αρχείων εικόνας που μπορούν να ανοιχτούν με τον τρόπο αυτό είναι: *.jpg, *.jpeg, *.bmp, *.ico, *.emf, *.wmf. [186]

211 Εικόνα 10-6 Παράθυρο διαλόγου Open Άνοιγμα εικόνας από αρχείο ASCII Στο πρόγραμμα aftc η ταξινόμηση της καύσιμης ύλης πραγματοποιείται σε εικόνες οι οποίες δημιουργούνται από αρχείο ASCII (*.asc). Συγκεκριμένα, το αρχείο πρέπει να περιλαμβάνει σε στήλες τις εξής πληροφορίες, όπως εμφανίζεται στην Εικόνα 10-7: 1. Γεωγραφικό πλάτος 2. Γεωγραφικό μήκος 3. Τιμή φωτεινότητας διαύλου 1 4. Τιμή φωτεινότητας διαύλου 2 5. Τιμή φωτεινότητας διαύλου 3 6. Τιμή φωτεινότητας διαύλου 4 7. Τιμή διαύλου 1 μετά την εφαρμογή ενός 3 3 φίλτρου μέσης τιμής 8. Τιμή διαύλου 2 μετά την εφαρμογή ενός 3 3 φίλτρου μέσης τιμής 9. Τιμή διαύλου 3 μετά την εφαρμογή ενός 3 3 φίλτρου μέσης τιμής 10. Τιμή διαύλου 4 μετά την εφαρμογή ενός 3 3 φίλτρου μέσης τιμής 11. Τιμή διαύλου 1 μετά την εφαρμογή ενός 3 3 χαμηλοπερατού φίλτρου 12. Τιμή διαύλου 2 μετά την εφαρμογή ενός 3 3 χαμηλοπερατού φίλτρου 13. Τιμή διαύλου 3 μετά την εφαρμογή ενός 3 3 χαμηλοπερατού φίλτρου 14. Τιμή διαύλου 4 μετά την εφαρμογή ενός 3 3 χαμηλοπερατού φίλτρου 15. Τιμή του δείκτη βλάστησης NDVI (κανονικοποιημένη από 0 έως 255) 16. Υψόμετρο [187]

212 17. Έκθεση 18. Κλίση Εικόνα 10-7 Μορφή αρχείου *.asc που χρησιμοποιείται για το άνοιγμα της προς ταξινόμησης εικόνας Αρχεία τέτοιας μορφής μπορούν με ευκολία να εξαχθούν από το πρόγραμμα ERDAS Imagine. Μια εικόνα μπορεί να ανοιχθεί από αρχείο *.asc επιλέγοντας Image/Open from ASCII.Μια τέτοια εικόνα, λόγω του πλήθους των πληροφοριών που υπάρχει στο αρχείο ascii ανοίγει σε ειδικό παράθυρο που παρουσιάζεται στην Εικόνα Εικόνα 10-8 Παράθυρο εικόνας που δημιουργείται από αρχείο ascci Το χαρακτηριστικό του παραθύρου αυτού είναι η μπάρα εργαλείων στη δεξιά πλευρά της εικόνας. Η ομάδα εργαλείων View (Εικόνα 10-9) αναφέρεται στο τρόπο εμφάνισης της εικόνας. Συγκεκριμένα, η εικόνα μπορεί να εμφανιστεί σε [188]

213 αποχρώσεις του γκρι επιλέγοντας Mode/Grayscale και το κανάλι-δίαυλο που θα εμφανιστεί Parameters/Channel. Η εικόνα μπορεί να εμφανιστεί και έγχρωμη επιλέγοντας Mode/RGB και το κανάλι που θα αντιστοιχηθεί σε κάθε χρώμα Parameters/Red, Parameters/Green, Parameters/Blue. Εικόνα 10-9 Επιλογές εμφάνισης εικόνας που δημιουργείται από αρχείο ascii Οι υπόλοιπες ομάδες εργαλείων θα αναπτυχθούν παρακάτω Αποθήκευση εικόνας Μια εικόνα μπορεί να αποθηκευθεί επιλέγοντας Image/Save as. Στο παράθυρο διαλόγου που ανοίγει ο χρήστης μπορεί να επιλέξει τον προορισμό αποθήκευσης, το όνομα του αρχείου και τον τύπο του. Η εικόνα μπορεί να αποθηκευθεί ως JPEG Bitmap, PaintBrush, Windows Bitmap, Windows Icon, Portable Network Graphics, Targa Bitmap, Portable PixMap, GrayMap, Wireless Bitmap κ.α Αποθήκευση ταξινομημένης εικόνας σε αρχείο ASCII Εφόσον μια εικόνα έχει ταξινομηθεί μπορεί να αποθηκευθεί σε μορφή ascii (Εικόνα 10-10). Στο αρχείο αυτό αποθηκεύονται σε στήλες 1. Το γεωγραφικό πλάτος 2. Το γεωγραφικό μήκος 3. Η τιμή Red του χρώματος που έχει αντιστοιχηθεί στο τύπο καύσιμης ύλης που ανήκει το τρέχον εικονοστοιχείο 4. Η τιμή Green του χρώματος που έχει αντιστοιχηθεί στο τύπο καύσιμης ύλης που ανήκει το τρέχον εικονοστοιχείο 5. Η τιμή Blue του χρώματος που έχει αντιστοιχηθεί στο τύπο καύσιμης ύλης που ανήκει το τρέχον εικονοστοιχείο [189]

214 Εικόνα Μορφή αρχείου *.asc στο οποίο αποθηκεύεται η ταξινομημένη εικόνα Αντιγραφή Επικόλληση εικόνας Η αντιγραφή και η επικόλληση μιας εικόνας γίνεται επιλέγοντας Edit/Copy και Edit/Paste αντίστοιχα (Εικόνα 10-11). Εικόνα Μενού Edit Λειτουργίες διαχείρισης παραθύρων Στην περίπτωση που ο χρήστης έχει ανοίξει πολλά παράθυρα το μενού Window του επιτρέπει να τα διαχειριστεί. Οι λειτουργίες οι οποίες μπορούν να πραγματοποιηθούν είναι οι ακόλουθες (Εικόνα 10-12): Arrange: Επαναφορά των παραθύρων Cascade: Τακτοποίηση παραθύρων κατά σειρά Minimize All: Ελαχιστοποίηση όλων των παραθύρων Tile Horizontally: Τακτοποίηση παραθύρων οριζόντια Tile Vertically: Τακτοποίηση παραθύρων κάθετα Εικόνα Μενού Window [190]

215 Εκπαίδευση νευρωνικών δικτύων Η εκπαίδευση των νευρωνικών δικτύων μπορεί να πραγματοποιηθεί επιλέγοντας το μενού Tools/Neural Nets. Στις ακόλουθες παραγράφους θα γίνει αναλυτική αναφορά στις επιλογές που έχει ο χρήστης Εκπαίδευση πρόσω-τροφοδοτούμενου νευρωνικού δικτύου πολλών επιπέδων Το συγκεκριμένο νευρωνικό δίκτυο είναι υλοποιημένο από τη βιβλιοθήκη FANN. Το βήμα που προηγείται της εκπαίδευσης του νευρωνικού δικτύου είναι η ρύθμιση των παραμέτρων αυτής μέσω της επιλογής Tools/Neural Nets/Supervised/Setup. Το παράθυρο διαλόγου των ρυθμίσεων αποτελείται από δύο καρτέλες, την καρτέλα Structure που αναφέρεται στη δομή του νευρωνικού δικτύου (Εικόνα 10-13) και την καρτέλα Training που αφορά τις παραμέτρους της εκπαίδευσης Παράμετροι δομής Ο χρήστης μπορεί να ορίσει ποια από τα χαρακτηριστικά της εικόνας θα χρησιμοποιηθούν στην εκπαίδευση του νευρωνικού δικτύου. Το πλήθος των χαρακτηριστικών καθορίζει και το πλήθος των νευρώνων στο επίπεδο εισόδου στο πεδίο Input Layer. Ο αριθμός των νευρώνων εξόδου, δηλαδή ο αριθμός των τύπων καύσιμης ύλης που καλείται το νευρωνικό δίκτυο να «μάθει» να αναγνωρίζει ορίζεται στο πεδίο Output Layer/ Number of Neurons. Ο αριθμός των κρυμμένων επιπέδων εισάγεται στο πεδίο Hidden Layers/ Number of Layers. Για κάθε κρυμμένο επίπεδο πρέπει να οριστεί και ο αριθμός των νευρώνων που αυτό περιλαμβάνει. Για να γίνει αυτό, ο χρήστης πρέπει να επιλέξει από τη λίστα Neurons per Layer/ Layer το κρυμμένο επίπεδο, να πληκτρολογήσει στο πεδίο Neurons per Layer/ Number of Neurons το πλήθος των νευρώνων που αντιστοιχεί στο επίπεδο αυτό και να πατήσει το κουμπί Update Layer. Η διαδικασία αυτή επαναλαμβάνεται για κάθε κρυμμένο επίπεδο. Αξίζει να σημειωθεί πως πρέπει να υπάρχει προσοχή τόσο στο πλήθος των κρυμμένων επιπέδων που χρησιμοποιείται, όσο και στον αριθμό των αντίστοιχων νευρώνων για να αποφευχθεί η ανούσια αύξηση της πολυπλοκότητας του δικτύου. [191]

216 (α) Εικόνα Ρύθμιση α) δομής και β) παραμέτρων εκπαίδευσης πρόσω-τροφοδοτούμενου νευρωνικού δικτύου πολλών επιπέδων Παράμετροι εκπαίδευσης Στην καρτέλα Train ο χρήστης μπορεί να καθορίσει τις παραμέτρους εκπαίδευσης του δικτύου, όπως αναλύεται παρακάτω. Αλγόριθμος Εκπαίδευσης: Καθορίζεται από τη λίστα Algorithm και οι επιλογές που υπάρχουν είναι: Incremental: Είναι ο βασικός αλγόριθμος της προς τα πίσω διάδοσης σφάλματος, σύμφωνα με τον οποίο τα σφάλματα ανανεώνονται κάθε φορά που στην είσοδο του δικτύου εμφανίζεται ένα διάνυσμα εκπαίδευσης. Αυτό σημαίνει ότι τα βάρη ανανεώνονται πολλές φορές κατά τη διάρκεια μιας περιόδου. Για το λόγο αυτό, για ορισμένα προβλήματα η εκπαίδευση θα είναι πού γρήγορη, ενώ σε άλλα πιο πολύπλοκα προβλήματα τα αποτελέσματα δεν θα είναι ικανοποιητικά. Batch: Είναι ο βασικός αλγόριθμος της προς τα πίσω διάδοσης σφάλματος, με τη διαφορά ότι τα βάρη ανανεώνονται μόνο όταν υπολογιστεί το μέσο τετραγωνικό σφάλμα για το σύνολο των δεδομένων εκπαίδευσης. Αυτό σημαίνει ότι τα βάρη ανανεώνονται μία φορά σε κάθε εποχή. Για το λόγο αυτό σε ορισμένα προβλήματα η εκπαίδευση θα είναι αργή, αλλά επειδή το μέσο τετραγωνικό σφάλμα υπολογίζεται με μεγαλύτερη ακρίβεια κάποια προβλήματα θα επιλυθούν καλύτερα. RPropagation: Είναι ένας βελτιωμένος αλγόριθμος Batch, ο οποίος οδηγεί σε καλύτερα αποτελέσματα για αρκετά προβλήματα. Ο αλγόριθμος αυτός είναι (β) [192]

217 προσαρμοστικός και γι αυτό δεν χρειάζεται να οριστεί ο ρυθμός εκπαίδευσης. Ο RPropagation περιγράφεται από τους Igel and Husken, 2000 Quick Propagation: Είναι ένας βελτιωμένος αλγόριθμος Batch, ο οποίος οδηγεί σε καλύτερα αποτελέσματα για αρκετά προβλήματα. Στον αλγόριθμο αυτό επιτρέπεται η μεταβολή του ρυθμού εκπαίδευσης, αλλά κάτι τέτοιο προτείνεται μόνο σε έμπειρους χρήστες, με κατανόηση του τρόπου λειτουργίας του αλγορίθμου. Ο αλγόριθμος περιγράφεται από τον Fahlman, Ρυθμός Εκπαίδευσης: Ορίζεται στο πεδίο Learning Rate και δηλώνει το πόσο επιθετική (γρήγορη) θα είναι η εκπαίδευση. Η προκαθορισμένη τιμή της είναι 0,7. Ορμή Εκπαίδευσης: Χρησιμοποιείται για να επιταχύνει τη διαδικασία εκπαίδευσης στον Incremental αλγόριθμο. Μια πολύ υψηλή τιμή της όμως, δεν θα ωφελήσει την εκπαίδευση. Η προκαθορισμένη τιμή της είναι 0, το οποίο ισοδυναμεί με τη μη χρησιμοποίηση της παραμέτρου. Οι προτεινόμενες τιμές κυμαίνονται στο [0, 1] και καθορίζονται στο πεδίο Learning Momentum. Συναρτήσεις Ενεργοποίησης Κρυμμένων Επιπέδων και Επιπέδου Εξόδου: Καθορίζονται αντίστοιχα από τις λίστες Hidden Activation Function και Output Activation Function αντίστοιχα. Οι συναρτήσεις προς επιλογή είναι: Sigmoid: Σιγμοειδής συνάρτηση 1 y= 1 + exp 2 ( sx) Elliot: Γρήγορη συνάρτηση ενεργοποίησης που μοιάζει με τη σιγμοειδή Bounded Linear Ημιτονική Συνημιτονική ( xs) / y= + 1+ xs y= xs sin( xs) y= cos( xs) y= [193]

218 όπου x η είσοδος, y η έξοδος και s η κλίση. Κλίση Συνάρτησης Ενεργοποίησης: Ορίζει την ταχύτητα με την οποία η συνάρτηση ενεργοποίησης αλλάζει τιμή και κατευθύνεται από την ελάχιστη στη μέγιστη. Μια υψηλή τιμή κλίσης θα έχει ως αποτέλεσμα μια πιο επιθετική εκπαίδευση. Όταν εκπαιδεύονται νευρωνικά δίκτυα των οποίων οι τιμές εξόδου πρέπει να είναι στα άκρα χρησιμοποιείται μεγάλη τιμή κλίσης (π.χ. 1). Η προκαθορισμένη τιμή είναι 0,5 και δηλώνεται στα πεδία Hidden Activation Steepness και Output Activation Steepness για τα κρυμμένα επίπεδα και το επίπεδο εξόδου αντίστοιχα. Συνάρτηση Υπολογισμού Σφάλματος: Καθορίζεται από τη λίστα Error Function και ως επιλογές υπάρχουν οι: Linear: Γραμμική συνάρτηση Tanh: Υπερβολική εφαπτομένη, η οποία δίνει συνήθως καλύτερα αποτελέσματα αλλά απαιτεί χαμηλό ρυθμό εκπαίδευσης. Στοχεύει κυρίως στις εξόδους που διαφέρουν κατά πολύ από την επιθυμητή έξοδο. Δεν προτείνεται να χρησιμοποιηθεί με τον Incremental αλγόριθμο. Μέσο Τετραγωνικό Σφάλμα: Δηλώνεται στο πεδίο Mean Square Error και καθορίζει το ελάχιστο επιθυμητό σφάλμα. Αποτελεί κριτήριο σύγκλισης της διαδικασίας εκπαίδευσης. Μέγιστος Αριθμός Εποχών: Δηλώνεται στο πεδίο Maximum Epochs και καθορίζει το μέγιστο αριθμό εποχών. Αποτελεί κριτήριο σύγκλισης της διαδικασίας εκπαίδευσης Ορισμός δεδομένων εκπαίδευσης - Εκπαίδευση Εφόσον έχουν οριστεί η δομή του πρόσω-τροφοδοτούμενου νευρωνικού δικτύου και οι παράμετροι της εκπαίδευσης, όπως περιγράφεται στην προηγούμενη παράγραφο, ο χρήστης μπορεί να προχωρήσει πλέον στην εκπαίδευση του δικτύου μέσω της επιλογής Tools/Neural Nets/Supervised/Training. Το παράθυρο διαλόγου που εμφανίζεται, παρουσιάζεται στην Εικόνα Απαραίτητο βήμα είναι ο καθορισμός των δεδομένων εκπαίδευσης. Το βήμα αυτό ακουθείται μία φορά, γιατί σκοπός του είναι η δημιουργία ενός αρχείου (*.tr) κατάλληλου για την τροφοδότηση του νευρωνικού δικτύου, το οποίο μπορεί να χρησιμοποιηθεί σε κάθε επανεκπαίδευσή του. Για κάθε έναν από τους τύπους καύσιμης ύλης ανοίγονται τα αντίστοιχα αρχεία δεδομένων. Συγκεκριμένα, επιλέγεται ο τύπος καύσιμης ύλης από τη λίστα Fuel Types και πατώντας το κουμπί Open Feature File ο χρήστης μπορεί να φορτώσει το αρχείο εκπαίδευσης. Τα αρχεία εκπαίδευσης είναι αρχεία *.asc της μορφής που περιγράφηκε στην Εικόνα 10-7 με την ιδιαιτερότητα ότι αποτελούνται μόνο από σημεία που ανήκουν σε ένα γνωστό τύπο καύσιμης ύλης. Σε κάθε τύπο καύσιμης ύλης υπάρχει η περίπτωση να [194]

219 αντιστοιχούν περισσότερα του ενός αρχεία, τα οποία μπορούν να ανοιχθούν διαδοχικά. Σε περίπτωση λάθους, ο χρήστης μπορεί να πατήσει το κουμπί Reset και να ξεκινήσει την παραπάνω διαδικασία από την αρχή. Μόλις ολοκληρωθεί η διαδικασία και έχουν φορτωθεί δεδομένα εκπαίδευσης για κάθε τύπο καύσιμης ύλης, ενεργοποιείται το κουμπί Create Train File. Πατώντας το, ο χρήστης πρέπει να αποθηκεύσει τα δεδομένα εκπαίδευσης σε ένα αρχείο *.tr, το οποίο έχει την απαιτούμενη για την τροφοδότηση του πρόσω-τροφοδοτούμενου δίκτυου μορφή. Εικόνα Παράθυρο διαλόγου εκπαίδευσης πρόσω-τροφοδοτούμενου νευρωνικού δικτύου Εικόνα Τμήμα του παραθύρου εκπαίδευσης μετά τη φόρτωση των δεδομένων Η εκπαίδευση του πρόσω-τροφοδοτούμενου δικτύου ξεκινάει με το άνοιγμα του αρχείου *.tr πατώντας το κουμπί Open Train File. Στη συνέχεια κάνοντας κλικ στο κουμπί Train αρχίζει η εκπαίδευση, στο τέλος της οποίας εμφανίζεται η γραφική παράσταση του μέσου τετραγωνικού σφάλματος ως προς το πλήθος των εποχών εκπαίδευσης (Εικόνα 10-16). [195]

220 Μετά το τέλος της εκπαίδευσης, το νευρωνικό μπορεί να αποθηκευθεί κάνοντας κλικ στο κουμπί Save ΝΝ. Το δίκτυο αποθηκεύεται σε αρχείο κατάληξης *.net. Αυτομάτως δημιουργείται και ένα αρχείο *.flags το οποίο είναι απαραίτητο στη διαδικασία ταξινόμησης και πρέπει πάντα να συνοδεύει το αρχείο *.net. Εικόνα Παράδειγμα γραφικής παράστασης "Μέσου τετραγωνικού σφάλματος - Εποχές εκπαίδευσης" Εκπαίδευση Kohonen SOFM Η ρύθμιση των παραμέτρων της εκπαίδευσης και η ίδια η εκπαίδευση του νευρωνικού δικτύου Kohonen SOFM πραγματοποιείται επιλέγοντας Tools/Neural Nets /Kohonen SOFM/ Train. Αυτόματα εμφανίζεται το παράθυρο της Εικόνα Ο χρήστης μπορεί να ορίσει ποια από τα χαρακτηριστικά της εικόνας θα χρησιμοποιηθούν στην εκπαίδευση του νευρωνικού δικτύου στο πεδίο Input Neurons. Το πλήθος των χαρακτηριστικών καθορίζει και το πλήθος των νευρώνων στο επίπεδο εισόδου. Ο αριθμός των νευρώνων εξόδου, δηλαδή ο αριθμός των τύπων καύσιμης ύλης που καλείται το νευρωνικό δίκτυο να «μάθει» να αναγνωρίζει ορίζεται στο πεδίο Output of Neurons. Δηλώνεται ο αρχικός και τελικός ρυθμός εκπαίδευσης στα πεδία Initial Learning Rate και Final Learning Rate αντίστοιχα. Στο πεδίο Number of Samples δηλώνεται το πλήθος των δειγμάτων (εικονοστοιχείων) που θα χρησιμοποιηθεί στην εκπαίδευση του δικτύου. Τα κριτήρια σύγκλισης του αλγορίθμου εκπαίδευσης είναι: Μέγιστη Διαφορά των Κέντρων των Κλάσεων: Δηλώνεται στο πεδίο Max Weight Difference και καθορίζει ποια είναι η μέγιστη διαφορά των κέντρων της ίδιας κλάσης ανάμεσα σε δύο διαδοχικές εποχές. Εάν το όριο αυτό ξεπεραστεί, ο αλγόριθμος εκπαίδευσης συγκλίνει. [196]

221 Μέγιστος Αριθμός Εποχών: Δηλώνεται στο πεδίο Max Epochs και καθορίζει το μέγιστο αριθμό εποχών. Αποτελεί κριτήριο σύγκλισης της διαδικασίας εκπαίδευσης. Εικόνα Παράθυρο ρύθμισης παραμέτρων και εκπαίδευσης του Kohonen SOFM Στη συνέχεια κάνοντας κλικ στο κουμπί Open ASCII File ο χρήστης μπορεί να επιλέξει το αρχείο εικόνας *.asc που θα χρησιμοποιηθεί για την εκπαίδευση. Το αρχείο αυτό είναι της μορφής που περιγράφηκε στο κεφάλαιο Εικόνα Εφόσον φορτωθεί στη μνήμη του υπολογιστή το αρχείο της εικόνας, ο χρήστης έχει τη δυνατότητα να εκπαιδεύσει το νευρωνικό κάνοντας κλικ στο κουμπί Train Kohonen. Στο πεδίο Epochs-Weights εμφανίζονται ανά 100 εποχές τα κέντρα των κλάσεων που έχει διαχωρίσει το Kohonen SOFM. Μετά το τέλος της εκπαίδευσης, το νευρωνικό μπορεί να αποθηκευθεί κάνοντας κλικ στο κουμπί Save Kohonen. Το δίκτυο αποθηκεύεται σε αρχείο κατάληξης *.koh Εκπαίδευση αυτό-οργανούμενου και αυτόαναπτυσσόμενου νευρωνικού αερίου (SGONG) Το συγκεκριμένο νευρωνικό δίκτυο είναι υλοποιημένο από τη βιβλιοθήκη NNets. [197]

222 Το βήμα που προηγείται της εκπαίδευσης του νευρωνικού δικτύου είναι η ρύθμιση των παραμέτρων αυτής μέσω της επιλογής Tools/Neural Nets/SGONG/Setup. Το παράθυρο διαλόγου των ρυθμίσεων παρουσιάζεται στην Εικόνα Εικόνα Παράθυρο ρυθμίσεων SGONG Οι βασικές παράμετροι που μπορούν να καθοριστούν σε αυτό το παράθυρο είναι: Το πλήθος των δειγμάτων που χρησιμοποιούνται στην εκπαίδευση. Δηλώνεται στο πεδίο The number of samples per epoch. Το μέγιστο πλήθος των νευρώνων εξόδου, των τύπων δηλαδή καύσιμης ύλης. Δηλώνεται στο πεδίο The maximum number of neurons. Το μέγιστο πλήθος εποχών, που δηλώνεται στο πεδίο Maximum number of epochs. Ακολούθως, με την επιλογή Tools/ Neural Nets/ SGONG/ Train εμφανίζεται το παράθυρο της Εικόνα Ο χρήστης μπορεί να ορίσει ποια από τα χαρακτηριστικά της εικόνας θα χρησιμοποιηθούν στην εκπαίδευση του νευρωνικού δικτύου. Το πλήθος των χαρακτηριστικών καθορίζει και το πλήθος των νευρώνων στο επίπεδο εισόδου. Στη συνέχεια κάνοντας κλικ στο κουμπί Open ASCII File ο χρήστης μπορεί να επιλέξει το αρχείο εικόνας *.asc που θα χρησιμοποιηθεί για την εκπαίδευση. Το αρχείο αυτό είναι της μορφής που περιγράφηκε στο κεφάλαιο Εικόνα Εφόσον φορτωθεί στη μνήμη του υπολογιστή το αρχείο της εικόνας, ο χρήστης έχει τη δυνατότητα να εκπαιδεύσει το νευρωνικό κάνοντας κλικ στο κουμπί Train SGONG. Στο πεδίο Epochs-Weights εμφανίζονται τα κέντρα των κλάσεων που έχει διαχωρίσει το SGONG. Μετά το τέλος της εκπαίδευσης, το νευρωνικό μπορεί να αποθηκευθεί κάνοντας κλικ στο κουμπί Save SGONG. [198]

223 Εικόνα Εκπαίδευση SGONG Ταξινόμηση καύσιμης ύλης βάσει νευρωνικών δικτύων Μια εικόνα η οποία έχει δημιουργηθεί από αρχείο ASCII μπορεί να ταξινομηθεί βάσει νευρωνικών δικτύων. Όπως αναφέρθηκε στο κεφάλαιο μια τέτοια εικόνα ανοίγει σε ένα παράθυρο το οποίο στα δεξιά του εμφανίζει διάφορες ομάδες εργαλείων (Εικόνα 10-9). Στην τρέχουσα ενότητα θα γίνει περιγραφή των εργαλείων που σχετίζονται με την ταξινόμηση της καύσιμης ύλης. Πρώτο βήμα στη διαδικασία αυτή αποτελεί το άνοιγμα του αρχείου του νευρωνικού δικτύου το οποίο έχει ήδη εκπαιδευτεί (Εικόνα 10-20). Αρχικά, ο χρήστης επιλέγει τον τύπο του νευρωνικού δικτύου που θέλει να χρησιμοποιήσει για την ταξινόμηση: Supervised, δηλαδή το πρόσω-τροφοδοτούμενο νευρωνικό δίκτυο πολλών επιπέδων Kohonen SGONG Στη συνέχεια, κάνοντας κλικ στο κουμπί Load NN επιλέγει το αντίστοιχο αρχείο. Αξίζει να σημειωθεί πως οι επεκτάσεις των αρχείων με τη σειρά που αναφέρθηκαν είναι.net,.koh,.sgong. Για τον πρώτο τύπο νευρωνικού δικτύου φορτώνεται αυτόματα και το αρχείο ίδιου ονόματος και επέκτασης.flags. Σε περίπτωση που το αρχείο αυτό δεν υπάρχει θα εμφανιστεί μήνυμα σφάλματος. [199]

224 Τέλος, κάνοντας κλικ στο κουμπί Classify γίνεται η ταξινόμηση της καύσιμης ύλης στην τρέχουσα εικόνα βάσει του νευρωνικού δικτύου που έχει επιλεγεί. Εικόνα Εργαλεία ταξινόμησης Με το τέλος της ταξινόμησης εμφανίζετε ένας κατάλογος χρωμάτων (Εικόνα 10-21) έτσι ώστε ο χρήστης να μπορεί να επιλέξει το χρώμα με το οποίο θα εμφανιστεί η κάθε κλάση. Κάνοντας κλικ στο κουμπί Show Results παρουσιάζονται τα αποτελέσματα της ταξινόμησης. Εικόνα Επιλογή χρώματος για την εμφάνιση κάθε κλάσης Επόμενο βήμα της ταξινόμησης αποτελεί η αποτίμηση της επιτυχίας της. Αυτή μπορεί να πραγματοποιηθεί κάνοντας κλικ στο κουμπί Evaluate. Όταν το νευρωνικό δίκτυο που έχει χρησιμοποιηθεί εκπαιδεύτηκε χωρίς επίβλεψη (δηλαδή Kohonen και SGONG), εμφανίζεται ένα παράθυρο (Εικόνα 10-22) το οποίο ζητά από το [200]

225 χρήστη να αντιστοιχίσει τις κλάσεις που έχουν δημιουργηθεί με τον καταλληλότερο τύπο καύσιμης ύλης. Στη συνέχεια ο χρήστης καλείται να ανοίξει αρχεία ASCII, της μορφής Εικόνα 10-23, που να αντιστοιχούν σε κάθε τύπο καύσιμης ύλης ξεχωριστά. Τα δεδομένα των αρχείων θα αποτελέσουν τη βάση, μέτρο σύγκρισης, για την αποτίμηση της επιτυχίας της ταξινόμησης. Όταν το νευρωνικό δίκτυο που έχει χρησιμοποιηθεί έχει εκπαιδευτεί με επίβλεψη (δηλαδή πρόσω-τροφοδοτούμενο, πολλών επιπέδων), αυτό είναι το πρώτο βήμα της αποτίμησης. Τέλος, υπολογίζονται τα ποσοστά επιτυχίας όπως φαίνονται στην Εικόνα Εικόνα Αντιστοίχιση κλάσεων με τύπους καύσιμης ύλης (αναφέρεται στο Kohonen, SGONG) [201]

226 Εικόνα Άνοιγμα αρχείων βάσει των οποίων θα γίνει η αποτίμηση Εικόνα Τελικός πίνακας αποτίμησης της επιτυχίας της καύσιμης ύλης Ιστογράμματα Ιστόγραμμα εικόνας Χρήσιμο εργαλείο για την ανάλυση της εικόνας και επομένως της καλύτερης επεξεργασίας της αποτελεί το ιστόγραμμα. Το ιστόγραμμα εμφανίζεται επιλέγοντας Tools/ Show Image Histogram και αναφέρεται σε εικόνες που έχουν δημιουργηθεί [202]

227 από αρχεία ASCII. Όπως φαίνεται στην Εικόνα ο χρήστης μπορεί να επιλέξει να εμφανίσει όλες τις πληροφορίες που περιέχει το αρχείο ASCII Συγκριτικά ιστογράμματα Χρήσιμο εργαλείο για τη επιτυχία της ταξινόμησης αποτελεί και η σύγκριση μεταξύ των ιστογραμμάτων διαφορετικών τύπων καύσιμης ύλης (Εικόνα 10-26). Κάτι τέτοιο βοηθάει το χρήστη να επιλέξει τις κατάλληλες παραμέτρους που οδηγούν στη δημιουργία διαχωρίσιμων κλάσεων. Όσο καλύτερα διαχωρίσιμες είναι οι κλάσεις, τόσο πιο αποτελεσματικό στην ταξινόμηση θα είναι το νευρωνικό δίκτυο. Η σύγκριση ιστογραμμάτων γίνεται επιλέγοντας Tools/ Compare F.T. Histograms. Εικόνα Ιστόγραμμα εικόνας [203]

228 Εικόνα Συγκριτικό ιστόγραμμα τύπων καύσιμης ύλης βάσει της παραμέτρου Β1 [204]

229 10.4 Παράρτημα: Αναλυτική περιγραφή και φωτογραφικός οδηγός των μοντέλων καύσιμης ύλης του Canadian Forest Fire Behaviour Prediction System (F.B.P.) Το καναδικό σύστημα ταξινόμησης παρέχει ποσοτικές εκτιμήσεις του ποσοστού διάδοσης της πυρκαγιάς, της κατανάλωσης καυσίμων και της έντασης πυρκαγιάς. C1: (Spruce Lichen Woodland). Ο τύπος καύσιμης ύλης C1 χαρακτηρίζεται από ανοικτά δάση ερυ8ρελάτης που φύεται σε καλά αποστραγγιζόμενες ορεινές περιοχές που βρίσκονται στις υποαρκτικές ζώνες του δυτικού και βόρειου Καναδά. Δέντρα όπως πεύκα (Jack pine-pinus banksiana) και άσπρη σημύδα εμφανίζονται δευτερογενώς στον ανώροφο. Η δασική κάλυψη εμφανίζεται με άτομα που είναι απομακρυσμένα κατά διαστήματα και η συστάδα παρουσιάζει μεγάλη πυκνότητα. Το ύψος των δέντρων ποικίλει αρκετά, αλλά τα κλαδιά των κορμών (ζωντανά και νεκρά) εκτείνονται ομοιόμορφα στο δασικό τάπητα και δημιουργείται ένα στρώμα από αυτά. Η συσσώρευση των επίγειων ξύλινων καυσίμων είναι πολύ μικρή και διάσπαρτη. Η κάλυψη των θάμνων είναι υπερβολικά αραιή. Η επιφάνεια του εδάφους είναι πλήρως εκτεθειμένη στον ήλιο και καλύπτεται από ένα σχεδόν συνεχές στρώμα λειχήνων, που κατά μέσο όρο έχουν 3-4 cm βάθος από το έδαφος. C2: (Boreal forest - Βόρεια δάση). Ο τύπος καύσιμης ύλης χαρακτηρίζεται από καθαρά αμιγή δάση ερυθρελάτης σε πεδινές και ορεινές περιοχές. Οι κόμες των δέντρων επεκτείνονται ως το έδαφος ή φτάνουν κοντά σ αυτό. Τα νεκρά κλαδιά είναι συνήθως καλυμμένα με λειχήνες (Usnea spp.). Ο φλοιός στα χαμηλότερα τμήματα των κλαδιών του κορμού έχουν μια χαρακτηριστική υφή. Υπάρχουν μικροί ως μέτριοι όγκοι από πεσμένα ξύλινα υλικά. Στον υπόροφο υπάρχουν θάμνοι (Ledum groenlandicum). Το έδαφος κυριαρχείται από ένα στρώμα από βρύα, φτέρες και / ή λειχήνες. Τα βρύα Sphangnum μπορεί να υπάρχουν περιστασιακά, αλλά αποτελούν μικρό εμπόδιο στη διάδοση των επιφανειακών πυρκαγιών. Ένα οργανικό στρώμα συνήθως εκτείνεται σε βάθος cm. C3: Mature Jack or Lodgepole Pine. Αυτός ο τύπος καύσιμης ύλης χαρακτηρίζεται από αμιγή και πυκνά ( κλαδιά/ha) δάση πεύκων (Pinus banksiana) ή νεοφυτείες πεύκων (Pinus contorta) και έχουν ωριμάσει τόσο ώστε να βρίσκονται στο στάδιο όπου να έχουν κλειστεί κόμη. Η βάση της ζωντανής κόμης βρίσκεται αρκετά ψηλά από το έδαφος. Τα νεκρά επιφανειακά καύσιμα είναι ψιλά ελαφριά και βρίσκονται διασκορπισμένα. Επιφανειακά υπάρχει κάλυψη από βρύα και φτέρες πάνω από ένα μέτριο συμπιεσμένο οργανικό στρώμα, το οποίο εκτείνεται σε βάθος περίπου 10 cm. Μπορεί να υπάρχει ένα αραιός κωνοφόρος υπόροφος. [205]

230 C4: Immature Jack or Lodgepole Pine. Αυτός ο τύπος καύσιμης ύλης χαρακτηρίζεται από αμιγή, πυκνά δάση πεύκων (Pinus banksiana) ή από πυκνές συστάδες με νεοφυτείες πεύκων (Pinus comtorta) (lodgepole pines) και περίπου κλαδιά/ha, στα οποία η φυσική αραίωση των κλαδιών και η θνησιμότητα των δέντρων έχει ως αποτέλεσμα τη δημιουργία μεγάλης ποσότητας μόνιμων νεκρών κλαδιών και πεσμένων νεκρών ξύλινων καυσίμων. Σε αυτόν τον τύπο καύσιμης ύλης είναι χαρακτηριστική η οριζόντια και κάθετη συνέχεια-συνοχή των καυσίμων. Το βάρος των επιφανειακών καυσίμων είναι κατά πολύ μεγαλύτερο από το αντίστοιχο του τύπου καύσιμης ύλης C3, και τα οργανικά στρώματα είναι πιο λεπτά και λιγότερο συμπαγή. Η επιφανειακή κάλυψη αποτελείται κυρίως από βελόνες και από θάμνους χαμηλού ύψους (Vaccinium spp.). C5: Red and white pine. Αυτός ο τύπος καύσιμης ύλης χαρακτηρίζεται από ώριμες συστάδες κόκκινου πεύκου (Pinus resinosa) και του ανατολικού άσπρου πεύκου (Pinus strobus), σε διάφορες αναλογίες, μερικές φορές με μικρή μίξη με ελάτη (Picea glauca) και σημύδας (Betula papyrifera) ή λεύκας (Populus spp.). Ο υπόροφος έχει μέτρια πυκνότητα και συνήθως συναντάμε σφενδάμι (Acer rubrum) και ελάτη (Abies balsamea). Μπορεί να υπάρχει και ένα στρώμα θάμνων σε μέτριες αναλογίες, κυρίως φουντουκιά (Corylus cornuta). Η επιφανειακή κάλυψη αποτελείται από χορτάρια και από τα υπολείμματα των πεύκων. Το οργανικό στρώμα έχει συνήθως βάθος 5-10 cm. C6: Conifer plantation. Ο τύπος καύσιμης αποτελείται από αμιγή βλάστηση κωνοφόρων με κλειστή κόμη και χωρίς υπόροφο ή στρώμα θάμνων. Ο δασικός τάπητας είναι καλυμμένος από τις πεσμένες βελόνες των δέντρων, κάτω από το οποίο υπάρχει ένα στρώμα (duff) βάθους 10 cm. Το ύψος που ξεκινάει η κόμη των δέντρων λαμβάνεται υπόψη για το ποσοστό διάδοσης της πυρκαγιάς (fire spread rate and crowning). C7: Ponderosa Pine Douglas Fir. Χαρακτηρίζεται από συστάδες με διαφορετικής ηλικίας δέντρα από πεύκα (Pinus ponderosa) και έλατα (ψευδοτσούγκα) (Pseudotsuga menziesii) σε διάφορες αναλογίες. Η δυτική λάρικα (Larix occidentalis) και λεπτοί κορμοί πεύκων (Pinus contorta) μπορεί να αποτελούν μέρος των παραπάνω συστάδων σε ορισμένες περιοχές και σε ορισμένα υψόμετρα. Οι συστάδες είναι ανοιχτές και περιστασιακά παρουσιάζονται, ως ένας ασυνεχής υπόροφος, λόχμες από πολυετή ψευδοτσούγκες (Pseudotsuga menziesii) και / ή λάρικα (Larix occidentalis). Το ποσοστό συγκόμωσης είναι γενικά κάτω από το 50%, παρά το γεγονός ότι οι λόχμες είναι συνήθως κλειστές και πυκνές. Τα ξύλινα καύσιμα που συσσωρεύονται στην επιφάνεια είναι λεπτά-ελαφρά και διασκορπισμένα. Στις λόχμες, όμως, από ψευδοτσούγκα ο δασικός τάπητας κυριαρχείται από πολυετείς πόες, χόρτα και διάσπαρτους θάμνους. Το κυρίαρχο [206]

231 επιφανειακό καύσιμο είναι τα υπολείμματα βελόνων. Οργανικό στρώμα δεν υπάρχει ή έχει πάρα πολύ μικρό βάθος (<3 cm). D1: Leafless Aspen. Ο τύπος καύσιμης ύλης χαρακτηρίζεται από αμιγή, ημι-ώριμες συστάδες λεύκας (Populus tremouloides), κατά την περίοδο πριν από την εμφάνιση των οφθαλμών στα κλαδιά την άνοιξη ή μετά την πτώση των φύλλων το φθινόπωρο. Αξιοσημείωτη είναι η απουσία υπορόφου από κωνοφόρα βλάστηση, αλλά χαρακτηριστικό είναι ένα καλά ανεπτυγμένο, μέτριο ως ψηλό, στρώμα από θάμνους. Τα καύσιμα που προέρχονται από τα πεσμένα ξύλα αποτελούν ένα μικρό μέρος της σύνθεσης των καυσίμων. Τα κύρια επιφανειακά, εύφλεκτα καύσιμα αποτελούνται από τα πεσμένα φύλλα των δέντρων και από τα ποώδη φυτά που είναι άμεσα εκτεθειμένα στον αέρα και την ηλιακή ακτινοβολία. Την άνοιξη ο δασικός τάπητας σπάνια συμβάλλει στην έναρξη της πυρκαγιάς εξαιτίας της μεγάλης περιεκτικότητας σε υγρασία. S1: Jack or Lodgepole slash. Ο τύπος καύσιμης ύλης χαρακτηρίζεται από περιοχές στις οποίες έχουν εφαρμοστεί αποψιλωτικές υλοτομίες σε συστάδες ώριμων πεύκων (Pinus banksiana) ή συστάδες με νεοφυτείες πεύκων (lodgepole pines, Pinus contorta). Η υλοτομία έχει πραγματοποιηθεί πριν μια ή δυο περιόδους, και στην επιφάνεια έχει διατηρηθεί μέχρι το 50% του φυλλώματος, κυρίως αυτού που προέρχεται από τα κλαδιά που βρισκόταν κοντά στο έδαφος. Δεν έχει πραγματοποιηθεί καμία διαχείριση της υλοτομημένης περιοχής και των καυσίμων που προέρχονται από τα υπολείμματα υλοτομίας που βρίσκονται στην επιφάνεια. Οι κορυφές και τα κλαδιά που είχαν απομείνει από την υλοτομία έχουν ως αποτέλεσμα τη δημιουργία καυσίμων μέτριου φορτίου και βάθους. Η κάλυψη του εδάφους είναι συνεχής και αποτελείται από φτέρες που έχουν αναμιχθεί με τις πεσμένες βελόνες των δέντρων που προϋπήρχαν. Το οργανικό στρώμα έχει μέτριο βάθος και είναι αρκετά συμπαγές. S2: White Spruce Balsam Slash. Ο τύπος καύσιμης ύλης χαρακτηρίζεται από περιοχές στις οποίες εφαρμόστηκε αποψιλωτική υλοτομία σε ώριμες και υπερώριμες συστάδες ελάτης (Picea glauca) και αλπικής ελάτης (Abies lasiocarpa) ή Abies balsamea. Η υλοτομία πραγματοποιήθηκε συνήθως πριν από μια ή δυο περιόδους και στην επιφάνεια έχουν διατηρηθεί το 10% με 50% του φυλλώματος των κλαδιών. Δεν έχει εφαρμοστεί καμία διαχείριση μετά την ολοκλήρωση της υλοτομίας. Η συνέχεια των καυσίμων μπορεί να διακόπτεται από τα ίχνη των φορτηγών μεταφοράς ξυλείας εκτός και αν η υλοτομία πραγματοποιήθηκε κατά το χειμώνα. Οι κορυφές υπάρχουν στην περιοχή και τα περισσότερα καύσιμα που προέρχονται από τα κλαδιά, έχουν σπάσει είτε από τα οχήματα που μετέφεραν τα ξύλα ή από τους κορμούς των δέντρων όταν αυτά έπεφταν μετά την κοπή. Τα παραπάνω έχουν ως αποτέλεσμα τα καύσιμα που δημιουργήθηκαν να έχουν μέτριο φορτίο και βάθος. Μπορεί να υπάρχουν στην περιοχή σημαντικές ποσότητες [207]

232 χτυπημένων και σάπιων ξύλινων καυσίμων. Η κάλυψη της επιφάνειας αποτελείται από φτέρες και μεγάλες ποσότητες βελόνων που έπεσαν από την υλοτομία. Τα οργανικά στρώματα έχουν μέτριο βάθος και είναι συμπαγή. S3: Coastal Cedar Hemlock Douglas-Fir Slash. Ο τύπος καύσιμης παρουσιάζεται σε περιοχές όπου πραγματοποιήθηκαν υλοτομίες σε ψηλές ώριμες και υπερώριμες μικτές συστάδες στην παρόχθια British Columbia. Τα κυρίαρχα είδη είναι το δυτικό κόκκινο κέδρο (Thuja plicata), τσούγκα (Thuja heterophylla) και ψευδοτσούγκα (Pseudotsuga menziesii). Οι υλοτομίες είναι μιας περιόδου, με το φύλλωμα από τα κέδρα να έχει διατηρηθεί στην επιφάνεια σε καλή κατάσταση πάνω στα κλαδιά. Αντίθετα τα υπολείμματα από τις τσούγκες και τις ψευδοτσούγκες έχουν χάσει μέχρι και το 50% του φυλλώματός τους. Τα καύσιμα από τα υπολείμματα των υλοτομιών τείνουν να είναι συνεχή και με χαμηλή πυκνότητα. Σε αυτόν τον τύπο μπορεί να υπάρχουν μεγάλα φορτία από σπασμένα, μουχλιασμένα και χωρίς καμία εμπορική αξία υλικά, ανάλογα με το βαθμό φθοράς των υπολειμμάτων υλοτομίας. Το βάθος των καυσίμων από τα υπολείμματα υλοτομίας ποικίλει από 0,5 ως 2 μέτρα. Το επιφανειακό στρώμα μπορεί να αποτελείται από βρύα ή από συμπαγή παλιά υπολείμματα από βελόνες κάτω από σημαντικές ποσότητες πρόσφατων υπολειμμάτων βελόνων που προέκυψαν από τις υλοτομίες. Τα οργανικά στρώματα έχουν μέτριο βάθος και πυκνότητα. Ακόμη μπορεί να υπάρχουν μικροί ως μέτριοι θάμνοι καθώς και στοιχεία από υπόροφο ποών και. Ο προσδιορισμός αυτού του τύπου καύσιμης ύλης μπορεί να γίνει και σε ζώνες κέδρου-τσούγκας με μεγάλη υγρασία, της παρόχθιας και εσωτερικής British Columbia, όπου δεν εμφανίζεται η ψευδοτσούγκα. O1: Grass. Ο τύπος καύσιμης ύλης χαρακτηρίζεται από συνεχή κάλυψη ποώδους βλάστησης, χόρτων με ελάχιστα δέντρα ή όγκους θάμνων τα οποία επηρεάζουν τη συμπεριφορά της πυρκαγιάς. Μπορούν να διακριθούν δυο υποκατηγορίες για τα λιβάδια: η μια (O1-a) αναφέρεται στην κατάσταση της ποώδους βλάστησης μετά από το λιώσιμο των χιονιών ή την άνοιξη και η άλλη (O1-b) στη μόνιμη νεκρή βλάστηση που συνήθως υπάρχει στα τέλη του καλοκαιριού με αρχές φθινοπώρου. Η αναλογία της ζωντανής και νεκρής ύλης στα λιβάδια παίζει αποφασιστικό ρόλο στη διάδοση της πυρκαγιάς και πρέπει να υπολογίζεται με προσοχή. M1: Boreal Mixewood Leafless. Ο τύπος καύσιμης ύλης (καθώς και ο τύπος καύσιμης ύλης Μ2, που έχει παρόμοια χαρακτηριστικά) αποτελείται από μικτές συστάδες αποτελούμενες από τα παρακάτω κωνοφόρα και πλατύφυλλα δασικά είδη, σε διάφορες αναλογίες μίξης: μαύρη ελάτη (Picea mariana), λευκή ελάτη (Picea glauca) και άλλα είδη ελάτης (Abies balsamea, Abies lasiocarpa), λεύκη τρέμουσα (Populus tremuloides) και σημύδα (Betulus papyrifera). Σε οποιαδήποτε περιοχή, που ανήκει στον τύπο καύσιμης ύλης Μ1, μεμονωμένα άτομα από τα είδη μπορεί να είναι παρόντα ή όχι από τη συστάδα. Επιπρόσθετα με την ποικιλία στη [208]

233 σύνθεση των ειδών, οι συστάδες παρουσιάζουν μεγάλη μεταβλητότητα στη δομή και στην ανάπτυξη των ειδών η οποία περιορίζεται στις καλά αποστραγγισμένες ορεινές περιοχές. Ο τύπος καύσιμης ύλης Μ1, η πρώτη φάση της εποχιακής μεταβλητότητας στην ικανότητα εύφλεξης των καυσίμων, εμφανίζεται κατά τη διάρκεια της άνοιξης και του φθινοπώρου. Το ποσοστό διάδοσης της πυρκαγιάς εξαρτάται από το ποσοστό σύνθεσης της βλάστησης σε πλατύφυλλα και κωνοφόρα δέντρα. M2: Boreal Mixedwood Green. Ο τύπος καύσιμης ύλης (καθώς και ο τύπος καύσιμης ύλης Μ1, που έχει παρόμοια χαρακτηριστικά) αποτελείται από μικτές συστάδες αποτελούμενες από τα παρακάτω κωνοφόρα και πλατύφυλλα δασικά είδη, σε διάφορες αναλογίες μίξης: μαύρη ελάτη (Picea mariana), λευκή ελάτη (Picea glauca) και άλλα είδη ελάτης (Abies balsamea, Abies lasiocarpa), λεύκη τρέμουσα (Populus tremuloides) και σημύδα (Betulus papyrifera). Σε οποιαδήποτε περιοχή που ανήκει στον τύπο καύσιμης ύλης Μ2, μεμονωμένα άτομα από τα είδη μπορεί να είναι παρόντα ή όχι από τη συστάδα. Επιπρόσθετα με την ποικιλία στη σύνθεση των ειδών, οι συστάδες παρουσιάζουν μεγάλη μεταβλητότητα στη δομή και στην ανάπτυξη των ειδών η οποία περιορίζεται στις καλά αποστραγγισμένες ορεινές περιοχές. Ο τύπος καύσιμης ύλης Μ2, η δεύτερη φάση της εποχιακής μεταβλητότητας στην ικανότητα εύφλεξης των καυσίμων, εμφανίζεται κατά την καλοκαιρινή περίοδο. Το ποσοστό διάδοσης της πυρκαγιάς εξαρτάται από το ποσοστό σύνθεσης της βλάστησης σε πλατύφυλλα και κωνοφόρα δέντρα. Το καλοκαίρι όπου τα πλατύφυλλα είδη του υπορόφου και του ανωρόφου έχουν τα φύλλα τους, η διάδοση της πυρκαγιάς μειώνεται σημαντικά, με τη μέγιστη διάδοση πυρκαγιάς να φτάνει το 1/5 του αντίστοιχου ποσοστού κατά τη διάρκεια της άνοιξης και του φθινοπώρου, κάτω από ίδιες συνθήκες πυρκαγιάς. M3: Dead Balsam Fir Mixedwood Leafless.. Ο τύπος καύσιμης ύλης (καθώς και ο τύπος καύσιμης ύλης Μ4, που έχει παρόμοια χαρακτηριστικά) αποτελείται από μικτές συστάδες. Σε αυτές φύεται και μεγαλώνει η ελάτη (Abies balsamea), που συχνά εμφανίζεται ως είδος του υπορόφου και βρίσκεται σε μίξη με ερυθρελάτη (Picea spp), πεύκο (Pinus spp.) και σημύδα (Betula spp.). Ο περιοχές αυτές βρίσκονται στη Great Lakes St Lawrence και σε Boreal Forest του Καναδά. Δεν πρέπει να μπερδευτούν με τις αμιγής συστάδες ελάτης Abies balsamea, που είναι χαρακτηριστικές της Nova Scotia και του New Brunswick. H συνεχόμενη ετήσια πτώση των φύλλων, εξαιτίας της προσβολής των δέντρων από έντομα (π.χ. το σκουλήκι Choristoneura fumiferana που προσβάλλει βλαστούς ελάτης) προκαλεί τη θνησιμότητα των ελάτων, η οποία ακολουθείται από το ξεφλούδισμα των κορμών, την κάλυψη αυτών με λειχήνες, μεγάλα ποσοστά θραύσης κορμών και κλαδιών, και ξερίζωμα δέντρων από τον αέρα, φαινόμενο που γίνεται πολύ έντονο μετά από 5-8 χρόνια από τη θνησιμότητα τους. Ο όγκος των πεσμένων ξύλινων υλικών είναι αρχικά μικρός, αλλά αυξάνεται σημαντικά με την προοδευτική συνεχιζόμενη [209]

234 αποσύνθεση εξαιτίας της θνησιμότητας των δέντρων. Ο δασικός τάπητας αποτελείται από μίξη βρύων, βελόνων και φύλλων. Το οργανικό στρώμα είναι μέτρια συμπαγές και 8-10 cm βαθύ. Μετά το θάνατο των δέντρων, οι ανοιξιάτικες πυρκαγιές, σε αυτόν τον τύπο καύσιμης ύλης, έχουν έντονη συμπεριφορά και μπορεί να καίνε την κόμη αλλά και να είναι έρπουσες. M4: Dead Balsam Fir Mixedwood Green. Ο τύπος καύσιμης ύλης (καθώς και ο τύπος καύσιμης ύλης Μ3, που έχει παρόμοια χαρακτηριστικά) αποτελείται από μικτές συστάδες. Σε αυτές φύεται και μεγαλώνει η ελάτη (Abies balsamea), που συχνά εμφανίζεται ως είδος του υπορόφου και βρίσκεται σε μίξη με ερυθρελάτη (Picea spp), πεύκο (Pinus spp.) και σημύδα (Betula spp.). Ο περιοχές αυτές βρίσκονται στη Great Lakes St Lawrence και σε Boreal Forest του Καναδά. Δεν πρέπει να μπερδευτούν με τις αμιγής συστάδες ελάτης Abies balsamea, που είναι χαρακτηριστικές της Nova Scotia και του New Brunswick. H συνεχόμενη ετήσια πτώση των φύλλων, εξαιτίας της προσβολής των δέντρων από έντομα (π.χ. το σκουλήκι Choristoneura fumiferana που προσβάλλει βλαστούς ελάτης) προκαλεί τη θνησιμότητα των ελάτων, η οποία ακολουθείται από το ξεφλούδισμα των κορμών, την κάλυψη αυτών με λειχήνες, μεγάλα ποσοστά θραύσης κορμών και κλαδιών, και ξερίζωμα δέντρων από τον αέρα, φαινόμενο που γίνεται πολύ έντονο μετά από 5-8 χρόνια από τη θνησιμότητα τους. Ο όγκος των πεσμένων ξύλινων υλικών είναι αρχικά μικρός, αλλά αυξάνεται σημαντικά με την προοδευτική συνεχιζόμενη αποσύνθεση εξαιτίας της θνησιμότητας των δέντρων. Ο δασικός τάπητας αποτελείται από μίξη βρύων, βελόνων και φύλλων. Το οργανικό στρώμα είναι μέτρια συμπαγές και 8-10 cm βαθύ. Οι καλοκαιρινές πυρκαγιές εμποδίζονται από τον πράσινη βλάστηση του υπορόφου που αναπτύσσεται εξαιτίας των ανοιγμάτων στην κόμη των συστάδων. Καθώς συσσωρεύονται αρκετά επιφανειακά καύσιμα, εξαιτίας της αποσύνθεσης στις συστάδες (συνήθως μετά από 4-5 χρόνια), οι πυρκαγιές διαδίδονται μέσα από αυτά, αν και όχι σε τόσο έντονο βαθμό όπως την άνοιξη. Η ένταση και η καταστροφή της δασικής πυρκαγιάς είναι μεγάλη μετά από 5-8 χρόνια από τη θνησιμότητα των δέντρων, και μειώνεται βαθμιαία καθώς τα επιφανειακά καύσιμα αποσυντίθενται και η βλάστηση του υπορόφου πολλαπλασιάζεται και αυξάνεται. [210]

235 Εικόνα Μοντέλο C2 Εικόνα Μοντέλο C6 Εικόνα Μοντέλο C1 Εικόνα Μοντέλο C5 Εικόνα Μοντέλο C7 Εικόνα Μοντέλο C3 Καναδικό σύστημα ταξινόμησης της καύσιμης ύλης Canadian Forest Fire Behaviour Prediction System (F.B.P) Εικόνα Μοντέλο D1 Εικόνα Μοντέλο C4 [211]

236 Εικόνα Μοντέλο S2 Εικόνα Μοντέλο M2 Εικόνα Μοντέλο S1 Εικόνα Μοντέλο M1 Εικόνα Μοντέλο M3 Εικόνα Μοντέλο S3 Καναδικό σύστημα ταξινόμησης της καύσιμης ύλης Canadian Forest Fire Behaviour Prediction System (F.B.P) Εικόνα Μοντέλο M4 Εικόνα Μοντέλο O1 [212]

237 10.5 Παράρτημα: Αναλυτική περιγραφή και φωτογραφικός οδηγός των μοντέλων καύσιμης ύλης του αμερικάνικου National Forest Fire Laboratory (NFFL) Όπως αναφέρθηκε περιλαμβάνει 13 μοντέλα καύσιμης ύλης τα οποία διακρίνονται σε 4 ομάδες: χόρτου, θάμνου ξυλείας, υπολειμμάτων υλοτομίας. Στην ομάδα του χόρτου κατατάχθηκαν τα μοντέλα καύσιμη ύλης 1, 2, 3: Μοντέλο 1: Η ταχύτητα διάδοσης της φωτιάς καθορίζεται κυρίως από λεπτά υγιή ή περίπου υγιή καύσιμα. Εδώ παρουσιάζονται πολύ μικροί θάμνοι ή ξυλεία γενικά σε χώρο μικρότερο από το 1/3 της περιοχής που εξετάζεται. Επίσης σε αυτό το μοντέλο καύσιμης ύλης περιλαμβάνονται και ετήσια και πολυετή χόρτα. Μοντέλο 2: Η ταχύτητα διάδοσης της φωτιάς καθορίζεται πρωταρχικά από λεπτά φυτικά καύσιμα υγιή ή νεκρά. Εδώ πρόκειται για επιφανειακές φωτιές όπου στην έντασή τους συμβάλλουν τόσο το φυτικό υλικό όσο και οι επιπρόσθετες βελόνες και τα πεσμένα χοντρά κλαδιά από μια συσσώρευση ξυλείας, γι αυτό θαμνότοποι και κωνοφόρα ή φρυγανότοποι βελανιδιές, που να καλύπτουν το 1/3 ή τα 2/3 της περιοχής, μπορεί να συμπεριλαμβάνονται σε αυτό το μοντέλο. Μοντέλο 3: Οι συστάδες του χόρτου που περιγράφει αυτό το μοντέλο σαν κυρίαρχο καύσιμο στη μεταφορά της φωτιάς έχουν ύψος περίπου 1 μέτρο, πάνω από το επίπεδου του γόνατου, και είναι δύσκολο να περπατήσει κανείς ανάμεσα. Το χόρτο επίσης είναι το χοντρό κατασκευασμένο και άγρια ή καλλιεργούμενα σιτηρά που δεν έχουν μαζευτεί ακόμη θα μπορούσαν να θεωρηθούν παρόμοια υψηλά χόρτα. Σ αυτό το μοντέλο οι φωτιές είναι οι πιο έντονες της ομάδας του χόρτου και δημιουργούν μεγάλες ταχύτητες διασποράς της φωτιάς κάτω από την επίδραση του ανέμου, αφού ο άνεμος οδηγεί τη φωτιά προς τα ανώτερα τμήματα του χόρτου, όπου και διατηρείται και απ όπου προχωράει σε διπλανά καύσιμα. Στην ομάδα του θάμνου είναι τα μοντέλα καύσιμης ύλης 4, 5, 6, 7: Μοντέλο 4: Αναμένεται πολύ έντονη φωτιά με μεγάλες ταχύτητες διασποράς που οφείλεται στα κλαδιά των θάμνων ή τα υπολείμματα των θάμνων. Οι συστάδες των θάμνων έχουν ύψος που φτάνει στα 2 μέτρα με πολύ φορτίο νεκρών ξυλωδών καυσίμων. Τόσο το νεκρό ξυλώδες υλικό όσο και το εύφλεκτο φύλλωμα συνεισφέρουν στην ένταση της φωτιάς. Ένα ρηχό στρώμα υπολειμμάτων, που μπορεί να υπάρχει, παίζει επίσης σημαντικό ρόλο στο ότι εμποδίζει τις προσπάθειες καταστολής της φωτιάς. [213]

238 Μοντέλο 5: Η φωτιά γενικά μεταφέρεται από τα επιφανειακά καύσιμα τα οποία είναι σχηματισμένα από πεσμένα υπολείμματα θάμνων και τα χόρτα κάτω από αυτά. Οι φωτιές συνήθως δεν είναι πολύ έντονες γιατί τα επιφανειακά καύσιμα δεν έχουν μεγάλο φορτίο, οι θάμνοι είναι νέοι με λίγο νεκρό υλικό και τα φυλλώματα δεν είναι εύφλεκτα. Οι θάμνοι καλύπτουν σχεδόν συνολικά την περιοχή, αλλά δεν είναι ψηλοί, έχουν περίπου μισό μέτρο. Μοντέλο 6: Η φωτιά μεταφέρεται μέσα από το στρώμα του θάμνου, όπου τα φυλλώματα είναι πιο εύφλεκτα από αυτά του μοντέλου 5, αλλά απαιτεί μέτριους ανέμους μεγαλύτερους από 13 km/h στο μέσο ύψος της φλόγας. Σε χαμηλές ταχύτητες ανέμου η φωτιά θα χαμηλώσει προς το έδαφος. Οι θάμνοι είναι μεγαλύτεροι σε ηλικία αλλά όχι τόσο ψηλοί όπως στο μοντέλο 4, ούτε έχουν τόσο πολύ καύσιμη ύλη όσο στο μοντέλο 4. χλωρά καύσιμα απουσιάζουν ή είναι σποραδικά και το μέσο κλαδί έχει ύψος 0,5-1 μέτρο περίπου. Γενικά, το μοντέλο περιγράφει ευρύ φάσμα συνθηκών: ξυλώδη καύσιμα (κούτσουρα) που έχουν προηγουμένως υποστεί επεξεργασία μπορούν να μοντελοποιηθούν, θαμνότοποι pinyon juniper επίσης αναπαριστώνται, αλλά η ταχύτητα διασποράς μπορεί να υπερπροβλέπεται για ταχύτητες ανέμου μικρότερες από 32 km/h. Μοντέλο 7: Οι θάμνοι γενικά έχουν ύψος 0,5-1,5 μέτρα περίπου. Η φωτιά καίει το επιφανειακό και θαμνώδες στρώμα με την ίδια ευκολία. Λόγω της ευφλεκτότητας των φυλλωμάτων των θάμνων και του άλλου ζώντος υλικού, η φωτιά μπορεί να εμφανιστεί και να καίει και σε μεγαλύτερες περιεκτικότητες σε υγρασία των ξηρών καυσίμων. Ο συνήθης τύπος βλάστησης περιλαμβάνει pocosins με λίγα ίσως κωνοφόρα. Στην ομάδα της ξυλείας ανήκουν τα μοντέλα 8,9,10: Μοντέλο 8: Η φωτιά υποστηρίζεται από το αραιής συνεκτικότητας στρώμα πευκοβελόνων λόγω των κωνοφόρων με κλειστούς θόλους που βρίσκονται στην περιοχή. Το στρώμα αυτό είναι κυρίως βελόνες μικρές (5 εκατοστά ή λιγότερο) ή κούτσουρα που έχουν ρίξει τα φύλλα τους, φύλλα και άλλοι βλαστοί, εφόσον στη συστάδα παρουσιάζεται μικρή ανάπτυξη υπορόφου. Αντιπροσωπευτικοί τύποι κωνοφόρων που μπορούν να περιγραφούν από το μοντέλο αυτό είναι white pines, lodgepole, pine, spruce, fir και larch. Μοντέλο 9: Αντιπροσωπευτικά εδώ είναι τα κωνοφόρα με μακριές βελόνες όσο και τα κούτσουρα, ειδικά οι τύποι oakhickory. Τα νεκρά φυλλώματα είναι μεγάλης συνεκτικότητας και η φωτιά τρέχει στα επιφανειακά καύσιμα γρηγορότερα από το μοντέλο 8 και έχει μεγαλύτερο μήκος φλόγας. Γενικά, η ταχύτητα διασποράς δεν είναι μεγάλη αν και οι άνεμοι με μεγάλες ταχύτητες μπορεί να ανατρέψουν αυτήν την κατάσταση, να προκαλέσουν επικίνδυνα υψηλότερες από τις αναμενόμενες ταχύτητες διασποράς. Ο άνεμος μπορεί να γίνει τόσο επικίνδυνος γιατί μπορεί να [214]

239 δημιουργηθούν εστίες φωτιάς παραπέρα από τα ξερά πεσμένα φύλλα ή κούτσουρα. Τύποι βλάστησης που μπορούν να αντιπροσωπευθούν από αυτό το μοντέλο είναι τα κωνοφόρα κλειστού θόλου με μακριές βελόνες όπως τα ponderosa, Jeffrey και redpines ή φυτοσχηματισμοί του southern pine. Μοντέλο 10: Σ αυτό το μοντέλο παρατηρείται η μεγαλύτερη ένταση της φωτιάς από τα υπόλοιπα της κατηγορίας της ξυλείας. Οι φωτιές εδώ καίνε στα επιφανειακά καύσιμα που περιλαμβάνουν ξερά πεσμένα καύσιμα μεγαλύτερα από 7,5 εκατοστά ή μεγάλα χοντρά κλαδιά, που προέρχονται από υπερωριμότητα ή γήρανση ή φυσικά γεγονότα που δημιουργούν μεγάλο φορτίο υλικού στο δασικό τάπητα. Μπορεί ακόμη να παρουσιάζονται και μερικά πράσινα καύσιμα. Το συνολικό πάχος του στρώματος του καυσίμου είναι γενικά μικρότερο από το ύψος των γονάτων αλλά μπορεί να υπάρχουν και καύσιμα που μπορεί να είναι ψηλότερα. Γενικά, οποιοσδήποτε τύπος δάσους μπορεί να μελετηθεί όταν παρουσιάζει βαρύ υλικό στο έδαφος. Στην ομάδα υπολειμμάτων υλοτομίας περιλαμβάνονται τα μοντέλα καύσιμη ύλης 11,12,13: Μοντέλο 11: Η φωτιά είναι πολύ δραστήρια στα κούτσουρα και το φυτικό υλικό που αναμιγνύεται μ αυτά. Περιορίζεται ίσως, ανάλογα με την ηλικία των λεπτών νεκρών καυσίμων, αφού όσο νεότερα τόσο πιο περιοριστικά για τη φωτιά. Το φορτίο υλικού με διάμετρο μικρότερη από 7,5 εκατοστά είναι λιγότερο από 12 τόνος ανά acre (0.405 hectares). Το υλικό με μεγαλύτερη από 7,5 εκατοστά διάμετρο παρουσιάζεται με αριθμό κομματιών όχι μεγαλύτερο από 10, με 10 εκατοστά διάμετρο, κατά μήκος μιας γραμμής 15 μέτρων. Μοντέλο 12: Οπτικά ο χώρος κυριαρχείται από υπολείμματα υλοτομίας, τα περισσότερα από τα οποία έχουν διάμετρο μικρότερη από 7,5 εκατοστά. Αυτά τα καύσιμα φαίνονται καλά κατανεμημένα με βιομάζα μικρότερη από 35 τόνους ανά acre. Μπορεί να εμφανιστούν φωτιές που διαδίδονται γρήγορα με υψηλές εντάσεις. Καύσιμα διαμέτρου μεγαλύτερης από 7,5 εκατοστά παρουσιάζονται με 6 κομμάτια, 15 εκατοστών διαμέτρου κατά μήκος τυχαίας γραμμής 15 μέτρων. Το μέσο πάχος του στρώματος του καυσίμου υπολειμμάτων υλοτομίας είναι περίπου μισό μέτρο. Χλωρά καύσιμα απουσιάζουν ή δεν αναμένεται να επηρεάσουν τη συμπεριφορά της φωτιάς. Μοντέλο 13: Τα υπολείμματα υλοτομίας είναι συνεχή ή περίπου συνεχή με περισσότερη βιομάζα από το μοντέλο 12. Η φωτιά μεταφέρεται γενικά διασχίζοντας την επιφάνεια μέσω συνεχούς στρώματος καυσίμου. Η φωτιά διαδίδεται γρήγορα μέσα από τα λεπτά καύσιμα και η ένταση μεγαλώνει πιο αργά όταν τα μεγάλα καύσιμα αρχίζουν να καίγονται. Όσο εντείνεται ο καιρός αναμμένα δαυλιά που δημιουργούνται μπορεί να δημιουργήσουν πρόβλημα νέων εστιών φωτιάς. Η [215]

240 συνολική βιομάζα υπολειμμάτων υλοτομίας μπορεί να φτάνει τους 200 τόνους ανά acre, αλλά το καύσιμο με διάμετρο μικρότερη από 7,5 εκατοστά είναι γενικά μόνο το 10% της συνολικής βιομάζας. Τα χλωρά καύσιμα δεν επηρεάζουν σημαντικά τη συμπεριφορά της φωτιάς. Οι πευκοβελόνες βρίσκονται στα κλαδιά και είναι πράσινες ή το πολύ οι μισές έχουν «κοκκινίσει». [216]

241 Αμερικάνικο σύστημα ταξινόμησης της καύσιμης ύλης National Forest Fire Laboratory (NFFL) Ομάδα χόρτου Εικόνα Μοντέλο 1 Εικόνα Μοντέλο 2 Εικόνα Μοντέλο 3 Ομάδα θάμνου Εικόνα Μοντέλο 4 Εικόνα Μοντέλο 5 Εικόνα Μοντέλο 6 [217]

242 Αμερικάνικο σύστημα ταξινόμησης της καύσιμης ύλης National Forest Fire Laboratory (NFFL) Ομάδα θάμνου Εικόνα Μοντέλο 7 Εικόνα Μοντέλο 8 Εικόνα Μοντέλο 9 Εικόνα Μοντέλο 10 [218]

243 Αμερικάνικο σύστημα ταξινόμησης της καύσιμης ύλης National Forest Fire Laboratory (NFFL) Ομάδα υπολειμμάτων υλοτομίας Εικόνα Μοντέλο 11 Εικόνα Μοντέλο 12 Εικόνα Μοντέλο 13 [219]