ΓΕΩΡΓΙΟΣ ΜΑΛΛΙΝΗΣ Πτυχιούχος Σχολής Δασολογίας & Φυσικού Περιβάλλοντος

Transcript

1 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ Σχολή Δασολογίας & Φυσικού Περιβάλλοντος Τομέας Σχεδιασμού & Ανάπτυξης Φυσικών Πόρων Εργαστήριο Δασικής Διαχειριστικής & Τηλεπισκόπησης ΓΕΩΡΓΙΟΣ ΜΑΛΛΙΝΗΣ Πτυχιούχος Σχολής Δασολογίας & Φυσικού Περιβάλλοντος ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΔΥΝΑΤΟΤΗΤΑΣ ΧΡΗΣΙΜΟΠΟΙΗΣΗΣ ΔΟΡΥΦΟΡΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΠΟΛΥ ΥΨΗΛΗΣ ΕΥΚΡΙΝΕΙΑΣ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΑ ΠΛΑΙΣΙΑ ΣΥΝΤΑΞΗΣ ΤΟΥ ΔΑΣΟΛΟΓΙΟΥ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ Θεσσαλονίκη 26

2 ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ Σχολή Δασολογίας & Φυσικού Περιβάλλοντος Τομέας Σχεδιασμού & Ανάπτυξης Φυσικών Πόρων Εργαστήριο Δασικής Διαχειριστικής & Τηλεπισκόπησης ΓΕΩΡΓΙΟΣ ΜΑΛΛΙΝΗΣ Πτυχιούχος Σχολής Δασολογίας & Φυσικού Περιβάλλοντος ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΔΥΝΑΤΟΤΗΤΑΣ ΧΡΗΣΙΜΟΠΟΙΗΣΗΣ ΔΟΡΥΦΟΡΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΠΟΛΥ ΥΨΗΛΗΣ ΕΥΚΡΙΝΕΙΑΣ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΑ ΠΛΑΙΣΙΑ ΣΥΝΤΑΞΗΣ ΤΟΥ ΔΑΣΟΛΟΓΙΟΥ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ Υποβλήθηκε στη Σχολή Δασολογίας & Φυσικού Περιβάλλοντος Τομέας Σχεδιασμού & Ανάπτυξης Φυσικών Πόρων Ημερομηνία Προφορικής Εξέτασης: 27 Ιουνίου 26 Μιχάλης Καρτέρης, Καθηγητής Μαρία Στρατή Τσακίρη, Αν. Καθηγήτρια Δημήτριος Καραμανώλης, Επ. Καθηγητής Νικόλαος Συλλαίος, Καθηγητής Κοσμάς Δούκας, Καθηγητής Γεώργιος Σταματέλλος, Επ. Καθηγητής Ιωάννης Γήτας, Λέκτορας Επιβλέπων Μέλος Τριμελούς Συμβουλευτικής Επιτροπής Μέλος Τριμελούς Συμβουλευτικής Επιτροπής Εξεταστής Εξεταστής Εξεταστής Εξεταστής Θεσσαλονίκη 26

3 ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΔΥΝΑΤΟΤΗΤΑΣ ΧΡΗΣΙΜΟΠΟΙΗΣΗΣ ΔΟΡΥΦΟΡΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΠΟΛΥ ΥΨΗΛΗΣ ΕΥΚΡΙΝΕΙΑΣ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΑ ΠΛΑΙΣΙΑ ΣΥΝΤΑΞΗΣ ΤΟΥ ΔΑΣΟΛΟΓΙΟΥ ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ

4 ΓΕΩΡΓΙΟΣ Ε. ΜΑΛΛΙΝΗΣ Α.Π.Θ. ΑΞΙΟΛΟΓΗΣΗ ΤΗΣ ΔΥΝΑΤΟΤΗΤΑΣ ΧΡΗΣΙΜΟΠΟΙΗΣΗΣ ΔΟΡΥΦΟΡΙΚΩΝ ΔΕΔΟΜΕΝΩΝ ΠΟΛΥ ΥΨΗΛΗΣ ΕΥΚΡΙΝΕΙΑΣ ΚΑΙ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΑ ΠΛΑΙΣΙΑ ΣΥΝΤΑΞΗΣ ΤΟΥ ΔΑΣΟΛΟΓΙΟΥ «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 22, παρ. 2)

5 Αφιερώνεται στους γονείς μου και στην αδερφή μου..παρατήρησε εκείνο το δυστυχισμένο πλάσμα. Αυτό το Σημείο είναι ένα Ον όπως κι εμείς,αλλά είναι περιορισμένο στην Άβυσσο που δεν έχει Διαστάσεις. Ο Κόσμος του, το Σύμπαν του είναι αυτό το ίδιο. Δεν μπορεί να αντιληφθεί τίποτε άλλο εκτός από τον ίδιο του τον εαυτό. Δεν γνωρίζει ούτε το Μήκος ούτε το Πλάτος ούτε το Ύψος, αφού δεν έχει καμία σχετική εμπειρία. Δεν γνωρίζει ούτε καν τον αριθμό δύο, ούτε μπορεί να σκεφτεί την έννοια της Πολλαπλότητας. Γιατί αυτό το ίδιο είναι το Ένα και τα Πάντα, όντας στην πραγματικότητα το Τίποτα. Κι όμως, πρόσεξε πόσο ικανοποιημένο είναι από τον εαυτό του και μάθε το δίδαγμα ότι καλύτερα να έχεις φιλοδοξίες παρά να είσαι ευτυχισμένος μέσα στην άγνοια και την αδυναμία..

6 ΕΥΧΑΡΙΣΤΙΕΣ Κλείνοντας τον κύκλο των μεταπτυχιακών μου σπουδών στο Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης, θα ήθελα να ευχαριστήσω θερμά τον καθηγητή κ. Μιχάλη Καρτέρη, ο οποίος τα τελευταία οκτώ χρόνια μου παρείχε την ηθική υποστήριξη, τους πόρους καθώς και πολύτιμες συμβουλές έτσι ώστε να πετύχω τους στόχους μου. Ευχαριστώ επίσης τα υπόλοιπα δύο μέλη της τριμελούς Συμβουλευτικής Επιτροπής, 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 τη συνεχή βοήθεια και τις συμβουλές τους σε όλη τη διάρκεια της διιατριβής. Ευχαριστώ και τα υπόλοιπα μέλη της επταμελούς εξεταστικής επιτροπής τον κ. Δούκα Κοσμά, καθηγήτη της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος, τον κ. Συλλαίο Νικόλαο, καθηγητή της Γεωπονικής Σχολής, τον κ. Σταματέλλο Γεώργιο επίκουρο καθηγητή της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος και τον Γήτα Ιωάννη, λέκτορα της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος για τις εποικοδομητικές παρατηρήσεις τους. Επίσης ευχαριστώ τους επιστημονικούς συνεργάτες του Εργαστηρίου Δασικής Διαχειριστικής και Τηλεπιισκόπησης, κ. Γιαννακόπουλο Βασίλη και κ. Μάκρα Απόστολο, καθώς μέσα από τις συζητήσεις μας προέκυψε γνώση και ιδέες πολλές από τις οποίες εμπεριέχονται στο παρών κείμενο. Πολλές ευχαριστίες βέβαια οφείλω και στο Δρ. Κούτσια Νικόλαο, για τις συμβουλές του σε επιστημονικά θέματα αλλά και για τη γενικότερη υποστήριξη του στο σύνολο των μεταπτυχιακών μου σπουδών. Ευχαριστώ τον Δρ. Γκατζογιάννη Στυλιανό, Ερευνητή Α, του ΕΘΙΑΓΕ, ο οποίος διέθεσε πολύτιμο χρόνο στα αρχικά στάδια της διατριβής μου για να συζητήσουμε το θέμα του Δασολογίου, αλλά και στη δόμηση του ερωτηματολογίου που χρησιμοποίησα καθώς και τους κ. Στεργιόπουλο Βασίλειο και Παραλυκίδη Νικόλαο για τη διάθεση εξοπλισμού που με βοήθησε στις μετρήσεις πεδίου. Ευχαριστώ επίσης τον Δρ. Γκατζιώλη Δημήτρη, ερευνητή της Δασικής Υπηρεσίας των Ηνωμένων Πολιτειών, για τις συμβουλές του και το γενικότερο ενδιαφέρον του για τη διατριβή μου. Επίσης ευχαριστώ την κ. Ανδρεοπούλου Ρούλα, λέκτορα της Σχολής Δασολογίας και Φυσικού Περιβάλλοντος, για τις παρατηρήσεις ως προς την τελική διαμόρφωση του ερωτηματολογίου και σε θέματα διεξαγωγής έρευνας κοινής γνώμης γενικότερα. Ευχαριστώ τον κ. George Mitri για τη βοήθεια του σε θέματα αντικειμενοστραφούς ταξινόμησης καθώς και, τα υπόλοιπα μέλη του Εργαστηρίου Δασικής Διαχειριστικής και Τηλεπισκόπησης. Θα ήθελα να ευχαριστήσω τον κ. Πανουργιά Γεώργιο, Δασάρχη του Πανεπιστημιακού δάσους Ταξιάρχη για τη βοήθεια του στη συλλογή των μετρήσεων πεδίου που πραγματοποίησα στην περιοχή. Ευχαριστώ επίσης τους Dr. Geoffrey Hay και Dr. Brian Schwind για τη βοήθεια και τις πρόθυμες απαντήσεις σε όλες τις απορίες μου πάνω στα θέματα της διατριβής αλλά και αρκετούς ακόμη καταξιωμένους διεθνώς επιστήμονες που διέθεσαν το χρόνο τους και απάντησαν με πολύ προθυμία σε επιστημονικά ερωτήματα στα οποία δεν θα μπορούσα αλλιώς να βρω απαντήσεις. Επίσης θα ήθελα να αναφερθώ στον κ. Γκουτνά Αθανάσιο, τοπογράφομηχανικό, ο οποίος με εμπιστεύτηκε και από κοινού με τα υπόλοιπα μέλη του διοικητικού συμβουλίου της εταιρείας Κτηματογραφική Α.Ε., δέχτηκε να συγχρηματοδοτήσει το πρόγραμμα ΠΕΝΕΔ που είχαμε υποβάλλει το 2, αποτέλεσμα του οποίου είναι η παρούσα διατριβή. Τέλος θέλω να ευχαριστήσω την οικογένεια μου, για τη στήριξη και συμπαράσταση που μου προσέφερε, αλλά και όλα τα άτομα που στάθηκαν δίπλα μου όλα αυτά τα χρόνια.

7 ΠΕΡΙΛΗΨΗ Τα δασικά οικοσυστήματα αλλά και οι φυσικοί πόροι γενικότερα, σήμερα περισσότερο από ποτέ βρίσκονται στο επίκεντρο της κοινής γνώμης. Ιδιαίτερα τα τελευταία χρόνια στη χώρα μας αλλά και διεθνώς έχει αναγνωριστεί πως τα δασικά οικοσυστήματα εκτός από την ξυλοπαραγωγή εμπεριέχουν και πλήθος άλλων αξιών και ωφελειών. Η κατανόηση της σημασίας των δασών στη διατήρηση της βιοποικιλότητας και η λειτουργία τους ως αναχώματα στην περιβαλλοντική υποβάθμιση του πλανήτη, οδήγησε ταυτόχρονα και στη συνειδητοποίηση της ανάγκης για νέες πρακτικές στη διαχείριση των δασικών οικοσυστημάτων. Για την υλοποίηση αυτών των πρακτικών απαιτείται η ύπαρξη ακριβέστερων και έγκυρων χρονικά πληροφοριών για την κατάσταση, τα χαρακτηριστικά και το γεωγραφικό εύρος των δασικών οικοσυστημάτων. Οι πληροφορίες αυτές παραδοσιακά προέκυπταν στην πλειονότητα τους από επίγειες μετρήσεις, σε συνδυασμό με εναέριες παρατηρήσεις σε κάποια στάδια της διαδικασίας εκτίμησης των δασικών οικοσυστημάτων. Τα τελευταία χρόνια ωστόσο η διαθεσιμότητα δορυφορικών καταγραφέων με βελτιωμένα χαρακτηριστικά απασχολεί την επιστήμη της δασολογίας ολοένα και περισσότερο αναφορικά με τη δυνατότητα αξιοποίησης τους για την καταγραφή των δασικών οικοσυστημάτων. Στη χώρα μας όπου η πρώτη και τελευταία απογραφή των δασικών οικοσυστημάτων ολοκληρώθηκε το 1985 (η φάση της συλλογής στοιχείων και φωτοερμηνείας) μετά από 22 χρόνια σχεδόν από την έναρξη της, υπάρχει ένα μεγάλο κενό στην ποσότητα και την ποιότητα των πληροφοριών που υπάρχουν για τα δασικά οικοσυστήματα της χώρας μας. Το Δασολόγιο, το οποίο θεσμοθετήθηκε τη δεκαετία του 197, είναι ένα έμπρακτο παράδειγμα του ενδιαφέροντος που υπάρχει για την καταγραφή του δασικού πλούτου της χώρας μας. Για διάφορους λόγους ωστόσο η εκκίνηση της διαδικασίας υλοποίησης του έχει αρχίσει να γίνεται ορατή μόλις τα τελευταία χρόνια. Αντικείμενο έρευνας της παρούσας διατριβής αποτέλεσε η διερεύνηση της δυνατότητας χρησιμοποίησης εξελιγμένων δορυφορικών δεδομένων και της επεξεργασίας τους με νέες τεχνικές για την εξαγωγή πληροφοριών, ικανών να χρησιμοποιηθούν για την κατάρτιση του Δασολογίου. Η ευρύτερη περιοχή μελέτης που επιλέχτηκε ήταν το Πανεπιστημιακό δάσος Ταξιάρχη, στο Ν. Χαλκιδικής. Η ποικιλομορφία από πλευράς σύνθεσης δασοπονικών ειδών και το ορεινό και έντονης μεταβλητότητας ανάγλυφο αποτέλεσε πρόκληση κατά ένα τρόπο, για την αξιολόγηση της χρηστικότητας νέων τεχνολογιών σε περιοχές με παρόμοια χαρακτηριστικά. Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν προήλθαν από το σύγχρονο δορυφορικό σύστημα Quickbird. Οι εικόνες του συγκεκριμένου καταγραφέα συγκρινόμενες με δεδομένα άλλων καταγραφέων, πλεονεκτούν από πλευράς χωρικής πληροφορίας που περιέχουν, με μέγεθος εικονοστοιχείου στη πολυφασματική λειτουργία λήψης περίπου 2,5 μέτρα αλλά υστερούν σημαντικά ως προς την περιεχόμενη φασματική πληροφορία καταγράφοντας μικρό σχετικά τμήμα του ηλεκτρομαγνητικού φάσματος. Για τη βελτίωση της χωρικής ανάλυσης της πολυφασματικής εικόνας αξιολογήθηκαν τέσσερις τεχνικές συγχώνευσης. Κατόπιν αξιολόγησης των βελτιωμένων εικόνων με τη χρήση μια σειράς κριτηρίων, καλύτερη αποδείχτηκε η εικόνα που προέκυψε με τη χρήση της στατιστικής μεθόδου Gram-Schmidt. Η εικόνα αυτή διατήρησε σε ικανοποιητικό βαθμό τα φασματικά χαρακτηριστικά της αρχικής εικόνας και ενσωμάτωσε καλύτερα τη χωρική πληροφορία της παγχρωματικής εικόνας. Η μέθοδος της μέσης τοπικής διακύμανσης και η ανάλυση των βαριογραμμάτων που χρησιμοποιήθηκαν ώστε να εντοπιστεί το βέλτιστο μεγέθους εικονοστοιχείου για τη διάκριση διαφόρων κατηγοριών κάλυψης γης στο Πανεπιστημιακό δάσος Ταξιάρχη, συνέτειναν ότι δεν είναι δυνατή η διάκριση μεμονωμένων δένδρων με τα υπάρχοντα δορυφορικά δεδομένα αλλά και ότι η χωρική μεταβλητότητα σε ένα δασικό οικοσύστημα επηρεάζεται από τη σύνθεση και τη i

8 δομή των συστάδων. Από τις δύο μεθόδους, η μέθοδος της τοπικής διακύμανσης κρίνεται χρηστικότερη αλλά λόγω της ετερογένειας της περιοχής δεν στάθηκε δυνατόν να εντοπιστούν διάφορα πεδία της κλίμακας. Η αναζήτηση του βέλτιστου παραθύρου ώστε να δημιουργηθούν εικόνες υφής με σκοπό τη βελτίωση της ακρίβειας ταξινόμησης, κατέδειξε ότι δεν υπάρχει ένα ιδεατό μέγεθος παραθύρου γι αυτό το σκοπό. Υπολογίστηκαν δύο γενικευμένοι δείκτες χωρικής αυτοσυσχέτισης για τη δημιουργία εικόνων υφής και συγκριμένα ο δείκτης Ι του Moran και ο δείκτης c του Geary ενώ από την ανάλυση αυτή προκρίθηκε η χρήση παραθύρων μεγέθους μέχρι έξι εικονοστοιχεία. Για τη διάκριση δάσους-δασικής έκτασης σύμφωνα με τα κριτήρια που θέτει ο νόμος και τα οποία μπορούν να ανιχνευτούν με δεδομένα τηλεπισκόπησης, χρησιμοποιήθηκε μια αντικειμενοστραφής προσέγγιση και δύο διαφορετικοί αλγόριθμοι ταξινόμησης, αυτός του πλησιέστερου γειτονικού σημείου και η ανάλυση της λογιστικής παλινδρόμησης. Από τη σύγκριση των αποτελεσμάτων η λογιστική παλινδρόμηση αποδείχτηκε μεν ακριβέστερη αλλά χωρίς στατιστικά σημαντική διαφορά. Επίσης για τη διάκριση δάσους-δασικής έκτασης αξιολογήθηκε η χρηστικότητα της βελτιωμένης με τη μέθοδο Gram-Schmidt εικόνας, με τα αποτελέσματα να καταδεικνύουν ότι τουλάχιστον για σκοπούς ψηφιακής ταξινόμησης δεν είναι απαραίτητη η χρησιμοποίηση τέτοιων προϊόντων, πιθανότατα λόγω των σφαλμάτων που δημιουργούνται εξαιτίας της σκιάς των δένδρων κατά τη διαδικασία συγχώνευσης. Για την οριοθέτηση πολυγώνων βλάστησης, υιοθετήθηκε μια αντικειμενοστραφής προσέγγιση πολλαπλής κλίμακας ενώ αξιολογήθηκαν με όρους ακρίβειας ταξινόμησης τρείς διαφορετικές προσεγγίσεις στη διάκριση των κατηγοριών της ταξινόμησης: η χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου, η χρήση του αλγόριθμου CART και η ενσωμάτωση στην ταξινόμηση εικόνων υφής που προέκυψαν από τον υπολογισμό τοπικών δεικτών χωρικής συνάφειας. Η τρίτη προσέγγιση που ακολουθήθηκε αποδείχτηκε και η ακριβέστερη όλων. Ωστόσο αναφορικά με το Δασολόγιο, το συμπέρασμα που προέκυψε από τις τρείς αυτές ταξινομήσεις είναι ότι η ανάπτυξη παρόμοιων μοντέλων δεν ενδείκνυται για επιχειρησιακή εφαρμογή ώστε να σκιαγραφηθούν πολύγωνα βλάστησης. Αντίθετα προτείνεται η κατάτμηση για το σχηματισμό αντικειμένων-πολυγώνων, σε μια ή περισσότερες κλίμακες, των δορυφορικών εικόνων και η δια της οπτικής φωτοερμηνείας τοποθέτησή τους σε τάξεις (σε συνδυασμό με επισκέψεις πεδίου). Τέλος πραγματοποιήθηκε μια έρευνα για την καταγραφή των απόψεων και των θέσεων, δασολόγων του δημόσιου και ιδιωτικού τομέα περί θεμάτων κατάρτισης του Δασολογίου. Από τα ερωτηματολόγια που συλλέχτηκαν προέκυψαν κάποια συμπεράσματα τα οποία ίσως μπορέσουν να αξιοποιηθούν από τους αρμόδιους φορείς. ii

9 SUMMARY Forest ecosystems and natural resources in general, come today more than ever in focus of the public. In Greece as well as in the majority of the countries, it is comprehended that forest ecosystems apart from being exploited for timber production, incorporate much more values and functions. Understanding the role of forest ecosystems in preserving biodiversity and functioning as banks against the degradation of earth s environment, has led simultaneously to a comprehension of the need for implementing new policies and practices in forest management. The operational application of these practices demands accurate and up-to-date data, regarding the status, the properties and the geographic extent of forest resources. Gathering of the data, has traditionally relied on ground measurements along with ancillary use of remote sensing in a part of the process. However the recent advent in the capabilities and the characteristics of satellite remote sensing instruments has gained the interest of forest practitioners and scientists on augmenting the role of remote sensing. In Greece, where only one inventory of forest resources accomplished in 1985 after 22 years from its start, there is serious gap in the amount and the quality of the information available for the forests. Dasologio, which was originally introduced in the legislation during the decade of 197, it is a proof about the concern and the attention paid to forest ecosystems. However due to several reasons its materialization has been inactive so far. Hopefully, nowadays there is strong evidence that in a short time a start up of the process is probable. Main objective of the current thesis was the evaluation of the possibility to extract information for the compilation of Dasologio, combining modern satellite data along with new processing methods. The study area of this work, located within Aristotle s University forest of Taxiarhis, in the Perfecture of Halkidiki, was selected since the forest species diversity and the mountainous physiognomy of the area, presented a challenge in order to evaluate the developed methodology. A Quickbird satellite image was acquired over the area. Images originating from this sensor have the advantage in terms of the spatial information contained since they have a spatial resolution of 2,5 meters in the multispectral mode. In the other hand the same images come short of the available spectral information, recording only a relatively small portion of the electromagnetic spectrum. In order to further enhance the spatial resolution of the multispectral image four different merging algorithms were evaluated. The best method proved to be the use of Gram-Schmidt iii

10 transformation. The merged image retained the spectral characteristics of the original multispectral image and integrated in the most favorable manner the spatial information originating from the panchromatic image. The mean local variance method and a variographic analysis, were used in order to determine the optimal spatial resolution for the discrimination of forest cover types in the study area. Both approaches indicated that it is not possible to discriminate and classify individual trees with the use of the available multispectral satellite data. They also indicated the spatial variability is in close relation to the composition and the structure of the forest stands. The mean local variance method seems to be more robust and useful among the two, but the heterogeneity of the area did not allow the discrimination of other domains of scale. Two global indices of spatial autocorrelation were calculated, namely Moran s I and Geary s c, which indicated the use of window sizes up to six pixels for the quantification of image texture. In order to discriminate forest and forest areas under the criteria specified from the national legislation, an object oriented approach was adopted. A Nearest Neighbor classifier and a logistic regression analysis were evaluated for the assignment of the segments in the classification categories. Logistic regression performed better in terms of accuracy but the difference did not prove to be statistically significant. Furthermore the merged image was classified with the NN algorithm but the results indicated the non-necessity of using such products probably because of the artifacts present due to individual tree shadows. For the delineation of forest vegetation polygons a multi-scale object oriented methodology was adopted while three classification approaches were compared: the use of a NN classifier, the development of a CART (Classification And Regression Tree) model and the incorporation of texture images derived after the calculation of LISA (Local Indicators of Spatial Association) measures for the radiometric values of the image data. The third approach proved to be the most accurate. However in regard to Dasologio issue, the main conclusion draw from the analysis is that the operational application of object oriented models is under question for delineating vegetation polygons. Instead a procedure is suggested where after the initial segmentation of the image, the resulting segments could be assigned to classes with manual photo interpretation procedures coupled with field visits. Finally a survey was conducted in order to record the opinion of foresters working both in public and private sector about issues concerning Dasologio. The information gathered from the questionnaires present some interest which hopefully could exploited from the corresponding authorities on clarifying the context and the content of Dasologio. iv

11 ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ 1 Εισαγωγή Τοποθέτηση του προβλήματος Περιεχόμενο και νομικό πλαίσιο του Δασολογίου Σκοπός και στόχοι της διατριβής Διάρθρωση της διατριβής Ανασκόπηση της βιβλιογραφίας Τηλεπισκόπηση και δασικά οικοσυστήματα Εισαγωγή Το θέμα της κλίμακας Χαρτογράφηση δασικών οικοσυστημάτων Οπτική φωτοερμηνεία για τη χαρτογράφηση δασικών παραμέτρων Αρχές φωτοερμηνείας Φωτοερμηνεία εικόνων δασικών περιοχών Ψηφιακές μέθοδοι ταξινόμησης Επιβλεπόμενη και μη επιβλεπόμενη ταξινόμηση Άκαμπτη και ελαστική ταξινόμηση Αλγόριθμος ταξινόμησης Μονάδα ταξινόμησης Μέθοδοι κατάτμησης Δεσμοί οικολογίας τοπίου και πολλαπλής κλίμακας αντικειμενοστραφούς επεξεργασίας των εικόνων Εφαρμογές της αντικειμενοστραφούς προσέγγισης σε δασικές σκηνές Μεμονωμένη αναγνώριση των δένδρων Περιοχή μελέτης-δεδομένα Εισαγωγή Πανεπιστημιακό δάσος Ταξιάρχη Γεωγραφική και διοικητική θέση Γεωλογικές, πετρογραφικές και εδαφικές συνθήκες Κλιματικές συνθήκες Δασική βλάστηση Δορυφορικά δεδομένα Δορυφόρος Quickbird...37 v

12 Χαρακτηριστικά λήψης της εικόνας της περιοχής Πανεπιστημιακού δάσους Ταξιάρχη Διερεύνηση αξιοποίησης/χρήσης διαχρονικών δεδομένων Προεπεξεργασία δεδομένων Εισαγωγή Συγκρότηση γεωγραφικής βάσης δεδομένων Μετρήσεις πεδίου Μέθοδοι δειγματοληψίας Δειγματοληπτικά σχέδια ενός επιπέδου Τυχαία δειγματοληψία Συστηματική δειγματοληψία Στρωματωμένη δειγματοληψία Δειγματοληπτικά σχέδια πολλαπλών επιπέδων Πολυσταδιακή δειγματοληψία Πολυφασική δειγματοληψία Μέγεθος δειγματοληπτικών επιφανειών Συλλογή στοιχείων υπαίθρου για τη διατριβή Αρχές δειγματοληψίας gradsect Έντυπα απογραφής Προεπεξεργασία δορυφορικών δεδομένων Ραδιομετρική διόρθωση Βαθμονόμηση δεδομένων Γεωμετρική διόρθωση Ορθοαναγωγή της δορυφορικής εικόνας Συγχώνευση αρχικών δορυφορικών δεδομένων και έλεγχος αξιοπιστίας των μεθόδων Εισαγωγή Θεωρητικό υπόβαθρο Αξιολόγηση μεθόδων συγχώνευσης Μεθοδολογία Τροποποιημένη μέθοδος IHS Μέθοδος βάση της ανάλυσης κυρίων συνιστωσών Μέθοδος Gram-Schmidt Μέθοδος των κυματιδίων Αποτελέσματα vi

13 5.4.1 Οπτική αξιολόγηση Συσχετίσεις των διαύλων της αρχικής εικόνας με τους αντίστοιχους διαύλους των σύνθετων εικόνων Διαφορές μέσων τιμών των διαύλων της αρχικής από τις αντίστοιχες τιμές των σύνθετων εικόνων Διαφορές των τιμών της διακύμανσης των διαύλων της αρχικής από τις αντίστοιχες τιμές των σύνθετων εικόνων Τυπικές αποκλίσεις των τιμών των εικόνων διαφοράς μεταξύ της αρχικής και των σύνθετων εικόνων Αξιολόγηση μέτρων διάκρισης διαφορών κατηγοριών κάλυψης γης Συσχετίσεις των διαύλων των σύνθετων εικόνων με τον παγχρωματικό δίαυλο Συμπεράσματα Διερεύνηση της βέλτιστης χωρικής ανάλυσης για χαρτογράφηση στην περιοχή μελέτης Εισαγωγή Θεωρητικό υπόβαθρο Μεθοδολογία Πυραμίδες εικόνων Ανάλυση της διακύμανσης κλίμακας Ανάλυση της μέσης τοπικής διακύμανσης Ανάλυση βαριογραμμάτων Αποτελέσματα Αποτελέσματα ανάλυσης της μέσης τοπικής διακύμανσης Αποτελέσματα ανάλυσης βαριογραμμάτων Συμπεράσματα Εύρεση βέλτιστου παραθύρου για την ποσοτικοποίηση της χωρικής αυτοσυσχέτισης Εισαγωγή Θεωρητικό υπόβαθρο Χωρική αυτοσυσχέτιση Μεθοδολογία Δείκτης του Moran Δείκτης του Geary Aποτελέσματα-Συμπεράσματα vii

14 8 Διερεύνηση της δυνατότητας διάκρισης δάσους-δασικής έκτασης Εισαγωγή Μεθοδολογία FNEA Κατάτμηση της εικόνας Ταξινόμηση των τμημάτων της εικόνας Ασαφής ταξινόμηση Ασαφής ταξινόμηση στο ecognition Συναρτήσεις συμμετοχής Αλγόριθμος πλησιέστερου γειτονικού σημείου Διαφορές μεταξύ του αλγόριθμου του πλησιέστερου γειτονικού σημείου και των συναρτήσεων συμμετοχής Χαρακτηριστικά των τμημάτων και των αντικειμένων Χαρακτηριστικά σε σχέση με τα αντικείμενα Χαρακτηριστικά σε σχέση με την κατηγορία ταξινόμησης Λογιστική παλινδρόμηση Γενικά Αξιολόγηση της προσαρμογής του υποδείγματος Αποτελέσματα Ταξινόμηση της αρχικής εικόνας με τη χρήση του αλγόριθμου πλησιέστερου γειτονικού σημείου Ταξινόμηση της αρχικής εικόνας με τη χρήση ενός μοντέλου λογιστικής παλινδρόμησης Ταξινόμηση της συγχωνευμένης εικόνας με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου Αξιολόγηση των αποτελεσμάτων Συμπεράσματα Διερεύνηση της δυνατότητας διάκρισης δασικών ειδών-πολυγώνων βλάστησης Εισαγωγή Μεθοδολογία CART Τοπικοί δείκτες χωρικής συνάφειας Αποτελέσματα Διάκριση των πολυγώνων βλάστησης με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου viii

15 9.3.2 Διάκριση των πολυγώνων βλάστησης με τη χρήση του αλγόριθμου CART Διάκριση των πολυγώνων βλάστησης με τη χρήση του αλγόριθμου CART και των στατιστικών δεικτών LISA Συμπεράσματα Συμπεράσματα Εμπειρικές παρατηρήσεις-μελλοντική έρευνα Βιβλιογραφία Παραρτήματα Παράρτημα: Σύνταξη ερωτηματολογίου για το Δασολόγιο και ανάλυση απαντήσεων Μέθοδοι μετρήσεων πεδίου Διάκριση μεθόδων έρευνας Προσωπική συνέντευξη Τηλεφωνική συνέντευξη Ταχυδρομική συνέντευξη Συνέντευξη με τη χρήση υπολογιστών Συνέντευξη με τη χρήση του διαδικτύου Τύποι ερωτήσεων Δοκιμή και διόρθωση (pretesting) Κατάρτιση ερωτηματολογίων για το Δασολόγιο Αποτελέσματα Παράρτημα: Διαγράμματα των αποτελεσμάτων της ανάλυσης μέσης τοπικής διακύμανσης Παράρτημα: Πειραματικά βαριογράμματα των διαφόρων τύπων κάλυψης και γραμμή προσαρμογής θεωρητικών μοντέλων Παράρτημα: Συσχετογράμματα διαφόρων τύπων κάλυψης της περιοχής Παράρτημα: Επίδραση του εύρους της περιοχής εφαρμογής στα αποτελέσματα της κατάτμησης Παράρτημα: Μέτρηση δασικής κόμης Παράρτημα: Χάρτες της περιοχής μελέτης Παράρτημα: Γλωσσάριο και ευρετήριο συντμήσεων ix

16 ΚΑΤΑΛΟΓΟΣ ΔΙΑΓΡΑΜΑΤΩΝ Διάγραμμα 6-1 Τιμές της τοπικής διακύμανσης για τον υπέρυθρο δίαυλο της αρχικής εικόνας...85 Διάγραμμα 6-2 Διακύμανση της κλίμακας στον υπέρυθρο δίαυλο της αρχικής εικόνας για τέσσερις από τους τύπους κάλυψης. Τα αποτελέσματα είναι παρόμοια με αυτά που προέκυψαν από την ανάλυση της μέσης τοπικής διακύμανσης...89 Διάγραμμα 13-1 Κατανομή των απαντήσεων των ερωτηθέντων για τη σημαντικότητα κλασικών δασικών παραμέτρων ώστε να συμπεριληφθούν στο Δασολόγιο Διάγραμμα 13-2 Κατανομή των απαντήσεων των ερωτηθέντων για τη σημαντικότητα διαφόρων λειτουργιών του δασικού οικοσυστήματος ώστε να συμπεριληφθούν στο Δασολόγιο Διάγραμμα 13-3 Κατανομή των απαντήσεων των ερωτηθέντων για τη σημαντικότητα πληροφοριών ώστε να συμπεριληφθούν στο Δασολόγιο Διάγραμμα 13-4 (συνέχεια) Απαντήσεις στο ερωτηματολόγιο του Δασολογίου...25 x

17 ΚΑΤΑΛΟΓΟΣ ΕΙΚΟΝΩΝ Εικόνα 3-1 Επίγειες φωτογραφίες κατά τη διάρκεια του έτους για πέντε περιοχές (Α-Ε), σε τρεις διαφορετικές χρονικές στιγμές κατά τη διάρκεια του έτους (1-3). Μπορεί να διακριθεί η επίδραση του μικροκλίματος στην έκπτυξη του φυλλώματος Εικόνα 4-1 Εκτίμηση της εδαφοκάλυψης από την κόμη από τα συνεργεία υπαίθρου...51 Εικόνα 4-2 Αποτέλεσμα της εφαρμογής της μεθόδου διόρθωσης ATCOR (δεξιά εικόνα), στις τιμές της αρχικής δορυφορικής εικόνας (αριστερή εικόνα). Είναι εμφανές το πρότυπο που προκύπτει στην εξαιτίας του αναλογικά μεγάλου μεγέθους ψηφίδας του DTM, που χρησιμοποιήθηκε για τη διόρθωση σε σχέση με την αρχική εικόνα...62 Εικόνα 5-1 Ο μετασχηματισμός IHS-Ένταση-Απόχρωση-Κορεσμός...69 Εικόνα 5-2 Τμήμα της αρχικής (Α), της βελτιωμένης με τη μέθοδο Gram-Schmidt (B), της βελτιωμένης με τη μέθοδο PCA (Γ), της βελτιωμένης με τη τροποποιημένη μέθοδο IHS (Δ) και της βελτιωμένης με τη μέθοδο των κυματιδίων (Ε). Η εικόνα ΣΤ, είναι το αποτέλεσμα της βελτίωσης της αντίθεσης της εικόνας Α, η οποία αξιολογήθηκε οπτικά ως η καλύτερη από τις πέντε μεθόδους...73 Εικόνα 6-1 Τμήματα της παγχρωματικής δορυφορικής εικόνας αντιπροσωπευτικά για διάφορες κατηγορίες κάλυψης γης τα οποία χρησιμοποιήθηκαν για τον υπολογισμό της μέσης τοπικής διακύμανσης και ανάπτυξης μοντέλων βαριογραμμάτων (9 από τα συνολικά 14) Εικόνα 8-1 Τμήμα του Πανεπιστημιακού Δάσους Ταξιάρχη, στο οποίο αξιολογήθηκε η δυνατότητα διάκρισης δάσους-δασικής έκτασης...98 Εικόνα 8-2 Επίδραση στη κατάτμηση της εικόνας του σφάλματος στη διαχείριση δεκαδικών αριθμών. Στις δύο εικόνες έχουν χρησιμοποιηθεί οι ίδιο παράμετροι κατάτμησης. Στην Εικόνα 8.2α όπου χρησιμοποιείται η δορυφορικά εικόνα με τιμές ανάκλασης τα τμήματα που έχουν δημιουργηθεί είναι πολύ μεγαλύτερα, από τα τμήματα που προέκυψαν από τη χρήση των ψηφιακών τιμών (Εικόνα 8.2β) Εικόνα 8-3 Διαφοροποίηση του αποτελέσματος της κατάτμησης, ανάλογα με την τροποποίηση του παράγοντα κλίμακας. Η αύξηση του συγκεκριμένου παράγοντα, έχει σαν συνέπεια και την αύξηση του μεγέθους των τμημάτων Εικόνα 8-4 Αρχική εικόνα (αριστερά) και ταξινόμηση του δεύτερου επιπέδου. Η περιοχή αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνα 8-1. Δεξιά: Κατηγορίες ταξινόμησης του δευτέρου επιπέδου Εικόνα 8-5 Εκτιμούμενες πιθανότητες βάση του λογιστικού μοντέλου για την ύπαρξη δάσους ή δασικής έκτασης. Οι περιοχές με ανοιχτότερους τόνους απεικονίζουν τμήματα με μεγαλύτερη πιθανότητα να υπάρχει δάσος. Η εικόνα αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνας Εικόνα 8-6 Κατάτμηση της αρχικής εικόνας (α) με μέγεθος εικονοστοιχείου 2,4 μέτρα και της βελτιωμένης (β) με μέγεθος εικονοστοιχείου,6 μέτρα. Στη δεύτερη περίπτωση το αποτέλεσμα οπτικά είναι μια πιο απαλή εμφάνιση των άκρων των τμημάτων Εικόνα 8-7 Αποτέλεσμα ταξινόμησης βάση αντικειμένου (αριστερή εικόνα) και βάση εικονοστοιχείου (δεξιά). Στη δεύτερη περίπτωση ο θόρυβος και η αναγκαιότητα για μετά-επεξεργασία των δεδομένων είναι πολύ μεγαλύτερος, ακόμα και αν αυτός συνδέεται με καλύτερη ακρίβεια ταξινόμησης για κάποια σημεία. Η xi

18 ευκολία ενσωμάτωσης του αποτελέσματος σε μια γεωγραφική βάση δεδομένων και η παρουσίαση ενός οπτικά πιο ελκυστικού προϊόντος είναι και αυτοί κάποιοι από τους λόγους της ταχείας διάδοσης των αντικειμενοστραφών μεθόδων ταξινόμησης Εικόνα 9-1 Τμήμα του Πανεπιστημιακού δάσους Ταξιάρχη στο οποίο αξιολογήθηκε η δυνατότητα διάκρισης ειδών για τη σκιαγράφηση πολυγώνων βλάστησης Εικόνα 9-2 Ενδεικτικό μέγεθος των αντικειμένων στα τέσσερα επίπεδα της ιεραρχίας. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνας Εικόνα 9-3 Αποτελέσματα ταξινόμησης για το πρώτο επίπεδο (πάνω αριστερά) και για το δεύτερο επίπεδο (πάνω δεξιά). Κάτω από τις εικόνες αυτές, παρουσιάζονται οι αντίστοιχες κατηγορίες ταξινόμησης του κάθε επιπέδου. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνα Εικόνα 9-4 Αποτελέσματα ταξινόμησης για το τρίτο επίπεδο (πάνω αριστερά) και για το τέταρτο επίπεδο (πάνω δεξιά). Κάτω από τις εικόνες αυτές, παρουσιάζονται οι αντίστοιχες κατηγορίες ταξινόμησης του κάθε επιπέδου. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνα Εικόνα 9-5 Αποτελέσματα ταξινόμησης για το πρώτο επίπεδο (πάνω αριστερά) και για το δεύτερο επίπεδο (πάνω δεξιά) με τη μέθοδο CART. Κάτω από τις εικόνες αυτές, παρουσιάζονται οι αντίστοιχες κατηγορίες ταξινόμησης του κάθε επιπέδου όπου για το πρώτο επίπεδο φαίνεται η προσθήκη της κατηγορίας δρυς ανοιχτό. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνας Εικόνα 9-6 Σταθερότητα της ταξινόμησης για το τρίτο επίπεδο. Στα αντικείμενα με ερυθρό χρώμα, η αμφιβολία ως προς την τοποθέτηση τους σε μια εκ των κατηγοριών της ταξινόμησης είναι μεγάλη, ενώ αντίθετα στα αντικείμενα με πράσινο χρώμα η αμφιβολία είναι μικρή xii

19 ΚΑΤΑΛΟΓΟΣ ΠΙΝΑΚΩΝ Πίνακας 1-1 Είδη οριογραμμών που εμφανίζονται στους Χάρτες τοου Δασολογίου πέρων αυτών των Δασικών Χαρτών σύμφωνα με το τεύχος οδηγιών κατάρτισης Δασολογίου του Υπ. Γεωργίας...7 Πίνακας 1-2 Θεματικά και πληροφοριακά δεδομένα απαραίτητα για την κατάρτιση του Δασολογίου σύμφωνα με το τεύχος οδηγιών κατάρτισης δασολογίου του Υπ. Γεωργίας....8 Πίνακας 2-1 Συνήθεις παράμετροι των απογραφών...13 Πίνακας 2-2 Δασικές βιοφυσικές παράμετροι...14 Πίνακας 2-3 Αναμενόμενο μέγεθος εικονοστοιχείου και αναμενόμενη δυνατότητα διάκρισης της βλάστησης σε εφαρμογές τηλεπισκόπησης με δορυφορικές εικόνες και Α/Φ σε δασικά οικοσυστήματα (Τροποποιημένος από Wulder 1998)...16 Πίνακας 4-1 Τριγωνομετρικά σημεία της ΓΥΣ εντός της περιοχής μελέτης (συντεταγμένες σε σύστημα ΕΓΣΑ 87) Πίνακας 4-2 Εκτάσεις και διαστάσεις για τη χωροθέτηση δειγματοληπτικών επιφανειών αναλόγως του τύπου βλάστησης...47 Πίνακας 4-3 Δείκτες θέσης κόμης για την περιοχή μελέτης...54 Πίνακας 4-4 Κατηγορίες διαμέτρου κόμης...55 Πίνακας 4-5 (συνέχεια) Στατιστικά στοιχεία για το σύνολο των επιφανειών που εντοπίστηκαν...57 Πίνακας 4-6 Ενεργές ζώνες φασματικής καταγραφής και τιμές E.S.S.I.V. για τον καταγραφέα Quickbird.62 Πίνακας 4-7 Διάκριση γεωμετρικών σφαλμάτων ανάλογα με τον παρατηρητή και τον παρατηρούμενο (Toutin 23)...63 Πίνακας 5-1 Τιμές συσχετίσεων των διαύλων των αρχικών και βελτιωμένων εικόνων...74 Πίνακας 5-2 Στατιστική αξιολόγηση των βελτιωμένων εικόνων. Η μέθοδος Gram-Schmidt και η μέθοδος των κυματιδίων παρουσιάζουν τις μικρότερες διαφορές ως προς τη μέση τιμή και στη διακύμανση των τιμών τους σε σχέση με την αρχική εικόνα (στήλες 1 και 2). Αντίθετα οι τιμές των τυπικών αποκλίσεων της εικόνας διαφοράς μεταξύ της αρχικής και της βελτιωμένης με τη μέθοδο IHS, είναι αισθητά μικρότερες από τις αντίστοιχες των άλλων μεθόδων...75 Πίνακας 5-3 Τιμές των μέτρων διάκρισης Jefferies-Matusita και Transformed Divergence τριών τύπων βλάστησης για την αρχική και τις βελτιωμένες εικόνες...76 Πίνακας 5-4 Κατάταξη των μεθόδων βελτίωσης της χωρικής ανάλυσης της αρχικής εικόνας, με βάση τους ελέγχους που πραγματοποιήθηκαν...77 Πίνακας 6-1 Παράμετροι των θεωρητικών μοντέλων βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του υπέρυθρου και πράσινου διαύλου για τους διάφορους τύπους κάλυψης γης...87 Πίνακας 6-2 Παράμετροι των σφαιρικών βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του υπέρυθρου και πράσινου διαύλου βαριογράμματα για τους διάφορους τύπους κάλυψης γης...88 xiii

20 Πίνακας 6-3 Παράμετροι των θεωρητικών μοντέλων βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του παγχρωματικού διαύλου για τους διάφορους τύπους κάλυψης γης...9 Πίνακας 6-4 Παράμετροι των σφαιρικών βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του παγχρωματικού διαύλου βαριογράμματα για τους διάφορους τύπους κάλυψης γης...91 Πίνακας 8-1 Στατιστικά μέτρα αξιολόγησης του υποδείγματος της λογιστικής παλινδρόμησης Πίνακας 8-2 Αποτελέσματα ταξινόμησης των παρατηρήσεων εκπαίδευσης του λογιστικού μοντέλου Πίνακας 8-3 Πίνακας σύμπτωσης για τη διάκριση δάσους-δασικής έκτασης, σύμφωνα με τον πρώτο φωτοερμηνευτή Πίνακας 8-4 Πίνακας σύμπτωσης για τη διάκριση δάσους-δασικής έκτασης, σύμφωνα με το δεύτερο φωτοερμηνευτή...13 Πίνακας 8-5 Αποτελέσματα της σύγκρισης των διαφορετικών μεθόδων ταξινόμησης...13 Πίνακας 8-6 Σύγκριση των δύο φωτοερμηνευτών ως προς τη συνέπεια διάκρισης των εκτάσεων Πίνακας 9-1 Ανάλυση διακριτότητας με τη χρήση του δείκτη Jefferies Matusita των διαθέσιμων διαύλων με σκοπό την επιλογή των βέλτιστων για την κατάτμηση της εικόνας Πίνακας 9-2 Τιμές των παραμέτρων που καθορίστηκαν για την κατάτμηση της εικόνας σε τρία επίπεδα..145 Πίνακας 9-3 Πίνακας σύμπτωσης για το πρώτο επίπεδο κατάτμησης, ταξινομημένο με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου Πίνακας 9-4 Πίνακας σύμπτωσης για τις τάξεις του τέταρτου επιπέδου κατάτμησης, για την περίπτωση χρήσης του αλγόριθμου του πλησιέστερου γειτονικού σημείου Πίνακας 9-5 Οι είκοσι σημαντικότερες μεταβλητές για τη διάκριση των κατηγοριών ταξινόμησης του πρώτου επιπέδου, σύμφωνα με την ανάλυση CART Πίνακας 9-6 Οι είκοσι σημαντικότερες μεταβλητές για τη διάκριση των κατηγοριών ταξινόμησης του δεύτερου επιπέδου, σύμφωνα με την ανάλυση CART Πίνακας 9-7 Πίνακας σύμπτωσης για το πρώτο επίπεδο κατάτμησης, ταξινομημένο με τον αλγόριθμο CART Πίνακας 9-8 Πίνακας σύμπτωσης για τις τάξεις του τέταρτου επιπέδου κατάτμησης, για την περίπτωση χρήσης του αλγόριθμου CART με τρία και με δύο (γκρι κελιά) αρχικά επίπεδα κατάτμησης Πίνακας 9-9 Οι είκοσι σημαντικότερες μεταβλητές για τη διάκριση των κατηγοριών ταξινόμησης του πρώτου επιπέδου, σύμφωνα με την ανάλυση CART και τη χρήση των στατιστικών μέτρων LISA. Με πλάγια γράμματα, εντός των παρενθέσεων παρουσιάζονται οι δίαυλοι που χρησιμοποιήθηκαν για τον υπολογισμό του μέτρου υφής και η διανυσματική διαφορά Πίνακας 9-1 Πίνακας σύμπτωσης για το πρώτο επίπεδο κατάτμησης, ταξινομημένο με τον αλγόριθμο CART και τη χρήση των τοπικών δεικτών χωρικής συνάφειας Πίνακας 9-11 Πίνακας σύμπτωσης για τις τάξεις του τέταρτου επιπέδου κατάτμησης, για την περίπτωση χρήσης του αλγόριθμου CART και των τοπικών δεικτών χωρικής συνάφειας Πίνακας 13-1 (συνέχεια) Η φόρμα του ερωτηματολογίου που χρησιμοποιήθηκε για τη συλλογή των απόψεων των δείγματος στο θέμα της κατάρτισης του Δασολογίου...19 Πίνακας 13-2 Δείκτες θέσης κόμης Πίνακας 13-3 Πίνακας ονοματολογίας τμημάτων Πανεπιστημιακού δάσους Ταξιάρχη xiv

21 ΚΑΤΑΛΟΓΟΣ ΣΧΗΜΑΤΩΝ Σχήμα 3-1 Το Πανεπιστημιακό δάσος Ταξιάρχη βρίσκεται στη Νομό Χαλκιδικής. Η πάνω αριστερά εικόνα είναι μια δορυφορική εικόνα του καταγραφέα WiFS του δορυφόρου IRS ενώ στην κάτω αριστερά εικόνα σημειώνονται επί της δορυφορική εικόνας LANDSAT-7 ETM τα όρια του Πανεπιστημιακού δάσους Σχήμα 4-1 Οι γραμμές κατά μήκος των οποίων εντοπίστηκαν οι δειγματοληπτικές επιφάνειες...5 Σχήμα 4-2 Το έντυπο που σχεδιάστηκε για τη γενική περιγραφή των δειγματοληπτικών επιφανειών...52 Σχήμα 4-3 Το έντυπο που σχεδιάστηκε για την ειδική περιγραφή των δειγματοληπτικών επιφανειών...53 Σχήμα 4-4 Γραφική απεικόνιση της εφαρμογής στην πράξη των δεικτών κόμης...54 Σχήμα 5-1 Διάγραμμα ροής των εργασιών για την εφαρμογή της μεθόδου Gram-Schmidt...71 Σχήμα 6-1 Πειραματικό ή δειγματικό βαριόγραμμα...82 Σχήμα 6-2 Ευρέως χρησιμοποιούμενα θεωρητικά μοντέλα για την προσαρμογή του πειραματικού βαριογράμματος...83 Σχήμα 7-1 Επίδραση του χωρικού προτύπου στις τιμές του δείκτη Moran. Για υψηλά ομαδοποιημένα πρότυπα (α), η τιμή I είναι περίπου 1, για τυχαία πρότυπα (β) περίπου και για ομοιόμορφα διασκορπισμένα πρότυπα περίπου Σχήμα 8-1 Κριτήρια διάκρισης δάσους-δασικής έκτασης...99 Σχήμα 8-2 Αρχιτεκτονική ενός ασαφούς συστήματος ταξινόμησης...14 Σχήμα 8-3 Τέσσερις διαφορετικοί τύποι ασαφών συναρτήσεων συμμετοχής: (a) η τριγωνική, (b) η τραπεζοειδής, (c) η μονοτονική και (d) η κωδωνόμορφη Σχήμα 8-4 Αρχή λειτουργίας του αλγόριθμου του πλησιέστερου γειτονικού σημείου. Ένα αντικείμενο προς ταξινόμηση (γκρι κύκλος), θα τοποθετηθεί στην ίδια κατηγορία ταξινόμησης με το πιο κοντινό προς αυτό αντικείμενο εκπαίδευσης του αλγόριθμου...18 Σχήμα 8-5 Διαφορετικές τιμές συμμετοχής για το ίδιο αντικείμενο ανάλογα με τη συνάρτηση κλίσης...19 Σχήμα 8-6 Επικάλυψη των περιγραφών των αντικειμένων με τη χρήση συναρτήσεων συμμετοχής σε ένα δυσδιάστατο χώρο...11 Σχήμα 8-7 Η χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου για τη ταξινόμηση βάση των τάξεων του προηγούμενου Σχήματος. Η αρχική ταξινόμηση (α), του μη ταξινομημένου αντικειμένου (πράσινος κύκλος) βελτιώνεται σταδιακά με την επιλογή και νέων δειγμάτων (β)...11 Σχήμα 8-8 Καμπύλη της λογιστικής σχέσης μεταξύ μιας εξαρτημένης και μιας ανεξάρτητης μεταβλητής.113 Σχήμα 8-9 Αξιολόγηση της διακριτότητας των τιμών των δειγμάτων για τις δύο κατηγορίες ταξινόμησης Σχήμα 8-1 Επιλογή των βέλτιστων διαύλων για τη ταξινόμηση Σχήμα 8-11 Έλεγχος της συσχέτισης (για τα αντικείμενα-δείγματα των δύο τάξεων) του χαρακτηριστικού της μέσης τιμής στο μπλε δίαυλο, με το χαρακτηριστικό της μέσης τιμής στον κόκκινο δίαυλο. Η συσχέτιση κυμαίνεται στο.97, καθιστώντας προβληματική την ταυτόχρονη χρησιμοποίηση τους Σχήμα 8-12 Διαγραμματική απεικόνιση της έννοιας της κατάτμησης βάση ταξινόμησης xv

22 Σχήμα 8-13 Κανόνες που χρησιμοποιήθηκαν για τη διάκριση των δασικών εκτάσεων εντός τμημάτων δάσους, οι οποίες παρέμειναν δασικές εκτάσεις Σχήμα 8-14 Καθορισμός κρίσιμου ορίου για τη μετατροπή της εικόνας των πιθανοτήτων σε τιμές εικόνας με δυαδικές τιμές και Σχήμα 9-1 Δομή ενός δένδρου ταξινόμησης ή παλινδρόμησης Σχήμα 9-2 Διαγράμματα των φασματικών υπογραφών για τις κύριες κατηγορίες κάλυψης γης της περιοχής. Μπορούν να διακριθούν οι μέσες τιμές και η διασπορά των τιμών σε απόσταση ίση με τη τυπική απόκλιση. Ξεχωρίζουν ως προς τη δυνατότητα διάκρισης ο δίαυλος του κορεσμού και ο δείκτης RVI Σχήμα 9-3 Διάγραμμα ροής των διαδικασιών για την διάκριση των ειδών Σχήμα 9-4 Έλεγχος της συσχέτισης (για τα αντικείμενα-δείγματα όλων των τάξεων) του χαρακτηριστικού της τυπικής απόκλισης των τιμών για τον δείκτη RVI, με το χαρακτηριστικό του λόγου των τιμών για τον ίδιο δίαυλο. Η συσχέτιση κυμαίνεται στο.14, καθιστώντας δυνατή την ταυτόχρονη χρησιμοποίηση τους για τη διάκριση των τάξεων Σχήμα 9-5 Κανόνες που χρησιμοποιήθηκαν για τη διάκριση διαφόρων τάξεων. Αριστερά η συγκεκριμένη κατηγορία, κληρονομεί (inherit) από τη γονικής της κατηγορίας το ότι ανήκει στο τρίτο επίπεδο της ιεραρχίας, το ότι η συνολική έκταση των εμφωλευμένων υπό-αντικειμένων δρυός και αείφυλλων του πρώτου επιπέδου είναι μεγαλύτερη του,5 και το ότι ή έκταση είναι μικρότερη των τριών στρεμμάτων ενώ περιέχει αποκλειστικά (contain)το χαρακτηριστικό ότι το σχετικό όριο με αντικείμενα που έχουν χαρακτηριστεί ως οξιά και έχουν έκταση μεγαλύτερη από τρία στρέμματα είναι μεγαλύτερο από,5. Στο αριστερό σχήμα η συγκεκριμένη κατηγορία, κληρονομεί από τη γονικής της κατηγορίας το ότι ανήκει στο τρίτο επίπεδο της ιεραρχίας, το ότι η συνολική έκταση των εμφωλευμένων υπό-αντικειμένων γυμνή γη του πρώτου επιπέδου είναι μεγαλύτερη του,5, ενώ περιέχει αποκλειστικά τα χαρακτηριστικά της μέσης τιμής του διαύλου του κορεσμού είναι μεγαλύτερη από 445 από και η πυκνότητα μεγαλύτερη από 1, Σχήμα 9-6 Κανόνες που χρησιμοποιήθηκαν για τη διάκριση τάξεων του τετάρτου επιπέδου βάση τής ύπαρξης υπό-αντικειμένων συγκεκριμένων κατηγοριών του τρίτου επιπέδου της ιεραρχίας Σχήμα 9-7 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του πρώτου επιπέδου Σχήμα 9-8 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του δεύτερου επιπέδου Σχήμα 9-9 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του πρώτου επιπέδου, που προέκυψε από τη χρήση των τοπικών δεικτών συσχέτισης, ως επιπρόσθετων μεταβλητών Σχήμα 9-1 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του δεύτερου επιπέδου, που προέκυψε από τη χρήση των τοπικών δεικτών συνάφειας, ως επιπρόσθετων μεταβλητών..162 Σχήμα 13-1 Το πάνω σχεδιάγραμμα αντιστοιχεί στο μέγεθος «συγκόμωση» ενώ το κάτω στον όρο «εδαφοκάλυψη από τη κομοστέγη»...23 Σχήμα 13-2 Επίδραση του ύψους των δένδρων στη συγκόμωση Σχήμα 13-3 Όργανο μέτρησης της εδαφοκάλυψης από την κόμη-(densitometer) Σχήμα 13-4 Κλίμακα πυκνότητας (crown density scale) xvi

23 1 Εισαγωγή 1.1 Τοποθέτηση του προβλήματος Τα δάση και οι δασώδεις περιοχές είναι το πιο ευρύτερα διανεμημένα οικοσυστήματα βλάστησης στον πλανήτη, τα οποία καλύπτουν περίπου 4% της σφαιρικής επιφάνειας εδάφους (Westoby 1989). Η οικονομική σημασία των δασών είναι σαφής, καθώς είτε μέσω της κατανάλωσης είτε μέσω της χρησιμοποίησης κάποιου προϊόντος ή κάποιων υπηρεσιών τα δάση επιδρούν στην καθημερινή ζωή των περισσότερων ανθρώπων (van Martin 1984). Λιγότερο εμφανής είναι η επίδραση των δασών στο παγκόσμιο περιβάλλον μέσω διαδικασιών όπως η ρύθμιση του παγκόσμιου κλίματος, η αποθήκευση του άνθρακα και η μετατροπή του διοξειδίου του άνθρακα σε οξυγόνο (Gates 199). Για παράδειγμα είναι γνωστό ότι η αποψίλωση των δασών και η καύση των ορυκτών καυσίμων επιβαρύνουν με περισσότερους από 7 δισεκατομμύρια τόνους του άνθρακα στην ατμόσφαιρα κάθε έτος επάνω από τη φυσική ροή, συνήθως υπό μορφή CO 2 (Jarvis και Dewar 1993). Στα δασικά οικοσυστήματα επίσης οφείλεται το 7% της ετήσιας καθαρής παγκόσμιας επίγειας συσσώρευσης άνθρακα (Peterson και Running 1989) η οποία οδηγεί στην απομάκρυνση του άνθρακα από την ατμόσφαιρα και τη μετατροπή του αερίου θερμοκηπίου CO 2 σε O 2 (Perry 1994). Εξαιτίας της οικονομικής αλλά και της περιβαλλοντικής σημασίας τους τα δασικά οικοσυστήματα αποτέλεσαν, αποτελούν και θα αποτελούν αντικείμενο εντατικής παρακολούθησης και έρευνας. Στην Ελλάδα όπου τα δάση καλύπτουν το 28% της γης (FAO 21), η αναγνώριση της σπουδαιότητας και της σημασίας των δασών είναι δεδομένη καθώς έχει αποτυπωθεί από την Πολιτεία στο Σύνταγμα αλλά και σε διάφορους Νόμους, ενώ επιβεβαιώνεται και από τις διεθνείς συνθήκες και πρωτοβουλίες που κατά καιρούς έχει υπογράψει και συμμετάσχει η χώρα μας όπως το πρωτόκολλο του Κυότο, η συνδιάσκεψη του Ελσίνκι κ.λπ.. Η πρόβλεψη κατάρτισης του Δασολογίου η οποία έχει νομοθετηθεί εδώ και δεκαετίες, είναι μια απόδειξη αυτής της αναγνώρισης. Η συλλογή πληροφοριών για την έκταση, τα χαρακτηριστικά και τις ιδιότητες των δασικών οικοσυστημάτων, όπως προβλέπει το υφιστάμενο νομοθετικό πλαίσιο (συμπεριλαμβανομένου και του Δασολογίου), όπως επιβάλλουν συνήθως οι διεθνείς πρωτοβουλίες και οργανισμοί αλλά και όπως επιτάσσει σε κάθε περίπτωση η προστασία των δασικών οικοσυστημάτων, μπορεί να γίνει με διάφορους τρόπους εκ των οποίων οι επίγειες μετρήσεις είναι ίσως η πιο ακριβής και λεπτομερής προσέγγιση. Ωστόσο η μέθοδος αυτή είναι και η πιο χρονοβόρα, απαιτεί μεγάλη ποσότητα ανθρώπινων και οικονομικών πόρων και γενικότερα η εφαρμογή της δεν είναι πρακτική, ιδιαίτερα σε μεγάλες περιοχές. Η τηλεπισκόπηση και δη η δορυφορική προσφέρει, έναν αποτελεσματικό και σχετικά φθηνότερο τρόπο για την καταγραφή των δασικών οικοσυστημάτων άλλοτε από μόνη και άλλοτε σε συνδυασμό με επίγειες μετρήσεις. Η 1

24 τηλεπισκόπηση επίσης παρέχει τη δυνατότητα για παραγωγή δεδομένων τα οποία στη συνέχεια μπορούν εύκολα να ενσωματωθούν σε ένα Γεωγραφικό Σύστημα Πληροφοριών (Γ.Σ.Π.) για την παραγωγή των επιθυμητών πληροφοριών. Η επιχειρησιακή χρησιμοποίηση δορυφορικών δεδομένων για την αποτίμηση των δασικών οικοσυστημάτων ήταν περιορισμένη μέχρι πρόσφατα από τις τεχνικές δυνατότητες των δορυφορικών δεκτών. Οι τρέχουσες τεχνολογικές εξελίξεις έκαναν διαθέσιμα στην επιστημονική κοινότητα δεδομένα από ποικίλες πλατφόρμες παρατήρησης με καλύτερη φασματική, χωρική και ραδιομετρική διακριτική ικανότητα επιτρέποντας την εκτίμηση των δασικών παραμέτρων με μεθόδους τηλεπισκόπησης (Leckie κ.ά. 1995). Ωστόσο η επίτευξη του παραπάνω στόχου δεν είναι ιδιαίτερα εύκολη ή απλή υπόθεση καθώς η ερμηνεία και επεξεργασία εικόνων τηλεπισκόπησης των δασικών οικοσυστημάτων απαιτεί επιπλέον τη κατανόηση παραγόντων που έχουν επιπτώσεις στις φασματικές ιδιότητές τους, οι οποίοι μπορεί να είναι εσωτερικοί ή εξωτερικοί του δάσους (Guyot κ.ά. 1989). Τα δορυφορικά δεδομένα πολύ υψηλής χωρικής ανάλυσης (με εικονοστοιχείο μικρότερο των 4 μέτρων) από εμπορικούς δορυφόρους, περιέχουν αυξημένη χωρική πληροφορία για την αποτίμηση των παραμέτρων δασικών οικοσυστημάτων σε τοπικό επίπεδο και με μεγάλες κλίμακες, αντίστοιχες με αυτές που θα χρησιμοποιηθούν πιθανότατα για την κατάρτιση του Δασολογίου. Ωστόσο η χρήση τέτοιων δεδομένων απαιτεί την υιοθέτηση καινούργιων προσεγγίσεων για την επεξεργασία τους και την εξαγωγή πληροφοριών καθώς οι κλασσικές αυτόματες ψηφιακές μέθοδοι ταξινόμησης, όπου μονάδα ταξινόμησης είναι το εικονοστοιχείο, αποδεικνύονται ανεπαρκείς, λόγω της αύξησης της φασματικής μεταβλητότητας εντός των κατηγοριών ταξινόμησης (Irons κ.ά. 1985, Cushnie 1987). Μια λύση σε αυτό το πρόβλημα είναι η συσσώρευση των εικονοστοιχείων σε αντικείμενα της εικόνας, τα οποία θα περιέχουν πλέον την πληροφορία και θα είναι οι βασικές μονάδες των μετέπειτα αναλύσεων. Η ιδέα της αντικειμενοστραφούς προσέγγισης για την ταξινόμηση εικόνων τηλεπισκόπησης είναι γνωστή από τη δεκαετία του 198 (Ketting και Landgrebe 1976), ωστόσο μέχρι πρόσφατα δεν ήταν ιδιαίτερα διαδεδομένη, σε αντίθεση με την προσέγγιση βάση εικονοστοιχείου, η οποία πέραν των άλλων είναι και πιο εύκολο να εφαρμοστεί (Lobo 1997). Συγκριτικές έρευνες των δύο προσεγγίσεων που γίνονται σήμερα, υποδεικνύουν πλεονεκτήματα στην υιοθέτηση της αντικειμενοστραφούς προσέγγισης (Dorren κ.ά. 23, Wang κ.ά. 24). Ωστόσο από τις μέχρι τώρα έρευνες, ερωτήματα σε σχέση με την δυνατότητα αυτοματοποίησης και επιχειρησιακής εφαρμογής των αντικειμενοστραφών μεθόδων ταξινόμησης δεν έχουν πλήρως αποσαφηνιστεί. Ειδικότερα η διερεύνηση της δυνατότητας εφαρμογής αυτών των νέων μεθόδων ταξινόμησης σε φυσικά δασικά οικοσυστήματα με τη χρήση σύγχρονων δορυφορικών δεδομένων είναι στα πρώτα στάδια της. Ιδιαίτερα δε μεγάλο ενδιαφέρον παρουσιάζει η διερεύνηση της χρηστικότητας τους για την χαρτογράφηση και εκτίμηση 2

25 παραμέτρων σε Μεσογειακά δασικά οικοσυστήματα, τα οποία είναι συνήθως περισσότερο ετερογενή στην σύνθεση τους σε δασοπονικά είδη καθώς και στη γενικότερη δομή των συστάδων τους σε σχέση με τα δασικά οικοσυστήματα χωρών όπως ο Καναδάς, η ΗΠΑ, η Φινλανδία κ.λπ Περιεχόμενο και νομικό πλαίσιο του Δασολογίου Για πρώτη φορά αναφορά στον όρο «Δασολόγιο» πραγματοποιείται τη δεκαετία του 197 στο άρθρο 24 του Συντάγματος και στη συνέχεια στο Νόμο 998/1979 «Περί προστασίας των δασών και των δασικών εν γένει εκτάσεων της Χώρας», αρ. ΦΕΚ 289Α). Στο άρθρο 13 του παραπάνω Νόμου αναφέρεται πως από την Κεντρική Υπηρεσία, καταρτίζεται και τηρείται γενικό Δασολόγιο στο οποίο καταχωρούνται κατά νομούς, τα δάση και οι δασικές εκτάσεις που απεικονίζονται στους δασικούς χάρτες που προσδιορίζονται με βάση γνωστά τοπωνύμια. Στο Δασολόγιο τα δάση και οι δασικές εκτάσεις περιγράφονται με βάση τα διακριβωθέντα όρια τους στους δασικούς χάρτες καθώς και η συνολική τους έκταση όπως προκύπτει εξ αυτών. Επίσης στον ίδιο νόμο αναφέρεται ότι στο Δασολόγιο σημειώνονται τα ιδιαίτερα χαρακτηριστικά της δασικής βλάστησης της κάθε περιοχής (κατηγορία δασών, είδος βλάστησης, πυκνότητα, ηλικία και άλλες προσδιοριστικές λεπτομέρειες). Σε κάθε μερίδα σημειώνονται οι αντίστοιχοι δασικοί χάρτες και οι αεροφωτογραφίες (καθώς και οι επίγειες φωτογραφίες). Επίσης γίνεται μνεία και ως προς την ανανέωση του Δασολογίου η οποία καθορίζεται στα 5 χρόνια. Επιπλέον αναφέρεται ότι καταχωρούνται εντός του Δασολογίου σε επίπεδο περιφέρειας, οι μετά τη σύνταξη του Δασολογίου αναδασωτέες εκτάσεις ενώ το ίδιο γίνεται και σε πιο λεπτομερές επίπεδο (δηλαδή σε επίπεδο μερίδας). Τέλος σημειώνεται πως σε κάθε δασαρχείο τηρείται τοπικό Δασολόγιο, εύρους ίσου με των ορίων του και το οποίο ενημερώνεται από την Κεντρική Υπηρεσία. Στο σημείο αυτό κρίνεται σκόπιμη η αποσαφήνιση κάποιων όρων των οποίων ο ορισμός και το περιεχόμενο είναι πλέον σήμερα διαφοροποιημένα σε σχέση με το Ν.998/79. Έτσι στο Ν. 998/1979 «δασικοί χάρτες» ονομάζονται οι χάρτες που έχουν προκύψει κατά τη διαδικασία χαρτογράφησης (άρθρο 12 του προαναφερθέντος Νόμου). Οι χάρτες καταρτίζονται από τη Γενική Διεύθυνση Δασών (με τη συνδρομή των αρμόδιων κρατικών φορέων), ύστερα από φωτογράφηση (εναέρια και επίγεια) των δασών και δασικών εκτάσεων της Χώρας (άρθρο 11, Ν. 998/79). Συνεπώς στους χάρτες αυτούς θα απεικονιζόταν μόνο η υφιστάμενη κατάσταση του έτους κατά το οποίο θα πραγματοποιείτο η αεροφωτογράφιση (μεταγενέστερα του 1979). Τέλος οι δασικοί χάρτες που θα προέκυπταν από τις διαδικασίες που προέβλεπε ο Ν. 998/1979 θα περιείχαν και επιπλέον πληροφορία από αυτή που προβλέπεται στους υφιστάμενους σήμερα δασικούς χάρτες. Η πληροφορία αυτή αντιστοιχεί στην προβλεπόμενη από το άρθρο 4 του Ν. 998/1979 διάκριση των δασών και δασικών εκτάσεων με βάση α. τα οφέλη και τις λειτουργίες που εξυπηρετούν (προστατευτική, αισθητική, εμπορική, τουριστική κ.λπ.) και β. τη διάταξη τους 3

26 και την απόσταση τους από χώρους όπου υπάρχει ή αναμενόταν η ύπαρξη ανθρώπινης δραστηριότητας (οικισμοί, βιομηχανικές περιοχές, παράκτιες περιοχές, υδάτινοι όγκοι κ.λπ.). Η πληροφορία αυτή σαφέστατα θα είχε σημαντική αξία στη τήρηση του Δασολογίου. Αντίθετα ο «δασικός χάρτης», όπως αυτός προσδιορίστηκε με τα άρθρα 27 και 28 του Ν. 2664/1998 «Εθνικό Κτηματολόγιο και άλλες διατάξεις» (ΦΕΚ 275/Α ) περιλαμβάνει τα όρια των δασών και δασικών εκτάσεων (όπως αυτά καθορίζονται πλέον από το Ν. 328/23, άρθ. 3), αποτυπωμένα από φωτοερμηνεία της παλαιότερης (1945 ή 196) και πλησιέστερης προς το χρόνο κατάρτισης του δασικού χάρτη αεροφωτογραφία. Δηλαδή αν και στους δυο χάρτες δεν περιλαμβανόταν οι χορτολιβαδικές και βραχώδεις εκτάσεις της παραγράφου 6 του άρθρου 3 του Ν. 998/1979, στο δασικό χάρτη όπως αυτός περιγράφεται στο Ν. 2664/1998 περιλαμβάνονται οι εκχερσωμένες εκτάσεις από το 1945 ή το 196. Να σημειωθεί ότι στο Ν.998/1979 αλλά και στο Ν. 2664/1998 τονίζεται πως κατά τη διαδικασία κατάρτισης δασικού χάρτη δεν επιτρέπεται να τεθούν θέματα ιδιοκτησίας αλλά μόνο ως προς τον χαρακτήρα (δάσος/δασική έκταση ή μη) μιας περιοχής. Διευκρινιστικά λοιπόν ο όρος «δασικός χάρτης» εφεξής όπου αυτός αναφέρεται εντός του κειμένου θα είναι ταυτόσημος σε περιεχόμενο με αυτόν του Νόμου 2664/98. Διαφορετικό περιεχόμενο όμως έχει και ο όρος «δάσος» και «δασική έκταση» σύμφωνα με τα όσα προβλέπει ο Ν. 328/23 (ΦΕΚ 33 Α, ). Πλέον καθορίζεται (πλην κάποιων ειδικών περιοχών) η ελάχιστη επιφάνεια του εδάφους η οποία απαιτείται για το χαρακτηρισμό μιας έκτασης ως δάσους ή δασικής έκτασης. Παράλληλα ο διαχωρισμός μεταξύ του δάσους ή του δασικού οικοσυστήματος γίνεται με ποιοτικά (ορόφωση) και ποσοτικά (ποσοστό συγκόμωσης ανωρόφου/υπορόφου). Αντίθετα στο Ν. 998/1979 ο νομοθέτης καθόριζε με περιγραφικά («αραιά ή πενιχρά») στοιχεία τα κριτήρια για τη μετάβαση από τη μια κατηγορία στην άλλη. Βέβαια είναι γενικά παραδεκτό πως ο υπολογισμός και ο προσδιορισμός των ποσοτικών κριτηρίων του νέου Νόμου είναι ανάλογα με τη μέθοδο, σε μικρότερο ή μεγαλύτερο βαθμό, μια υποκειμενική διαδικασία λόγω του ότι στα δασικά οικοσυστήματα αλλά και στη φύση γενικότερα είναι δύσκολος ο καθορισμός διακριτών ορίων. Επιστρέφοντας στη διαχρονική παρακολούθηση της πορείας του Δασολογίου, το 198 και συγκεκριμένα με το υπ. αρ Π.Δ. ( / ΦΕΚ Α 288) αποσαφηνίζονται κάποιες περαιτέρω λεπτομέρειες αναφορικά με τη κατάρτιση του Δασολογίου. Στο άρθρο 2 του Διατάγματος, καθορίζονται θέματα κλίμακας των δασικών χαρτών (1:5) και θέματα ακρίβειας καθορισμού των ορίων (ίση με το γραφικό σφάλμα χαράξεως, περίπου 1,25 μέτρα). Επίσης στο ίδιο άρθρο ( 5 και 6), δίνονται οδηγίες ως προς την κωδικοποίηση (γεωγραφική, χρονική κ.λπ.) των δασικών χαρτών, έτσι ώστε να δημιουργηθεί ένα «Μητρώο» (βάση δεδομένων) με το σύνολο των χαρτών από την Κεντρική Υπηρεσία. Καθορίζεται λοιπόν πως σε κάθε εγγραφή του Μητρώου (μερίδα, όπως αναφέρεται στο διάταγμα) θα περιλαμβάνονται ο αύξων αριθμός της εγγραφής, η ονομασία του δάσους η της δασικής έκτασης που απεικονίζει (ή της περιοχής που 4

27 εμπίπτει), ο αριθμός εγκρίσεως του χάρτη, το Φύλο της εφημερίδας της Κυβερνήσεως στο οποίο δημοσιεύτηκε (κατά τα προβλεπόμενα στο άρθρο 12 του Ν. 998/1979), την κοινότητα (δηλαδή γεωγραφική κωδικοποίηση) και ο κωδικός αριθμός του (ο οποίος θα καθορισθεί βάση απόφασης του Υπουργείου Γεωργίας). Σύμφωνα με τα παραπάνω, στο άρθρο 7 καθορίζεται πως το Δασολόγιο καταρτίζεται στην Κεντρική Υπηρεσία υπό μορφή Βιβλίου Γενικού Δασολογίου. Σε κάθε μερίδα του Δασολογίου (η οποία όπως προκύπτει από την ανάγνωση του διατάγματος αντιστοιχεί σε μια μερίδα του Μητρώου, δηλαδή σε μια εγγραφή ενός Δασικού Χάρτη) αναγράφονται πλέον των στοιχείων του Μητρώου, η έκταση (εμβαδό), η περιγραφή των διακριβωθέντων ορίων, η περιγραφή των ιδιαίτερων χαρακτηριστικών της βλάστησης και κάθε άλλο προσδιοριστικό στοιχείο (ο νομοθέτης δεν διευκρινίζει και πάλι τι εννοεί με τον όρο ιδιαίτερα χαρακτηριστικά). Παράλληλα καθορίζεται ότι σε κάθε Δασαρχείο ή Δ/νση Δασών (αν δεν υπάρχει Δασαρχείο) τηρείται αντίγραφο (τοπικό) του Γενικού Δασολογίου. Τέλος ο νομοθέτης καθορίζει πως κάθε μερίδα του Δασολογίου συνοδεύεται από όλα τα σχετικά αντίγραφα των δεδομένων και πληροφοριών που χρησιμοποιήθηκαν για την κατάρτισή του (Α/Φ, Δασικοί Χάρτες, διοικητικές αποφάσεις αναδασώσεων, βοηθητικά χαρτογραφικά δεδομένα κ.λπ.). Δυστυχώς στη συνέχεια υπήρξε αναστολή των διαδικασιών χαρτογράφησης που περιγραφόταν από το Ν. 998/1979, αλλά και σύνταξης του δασικού κτηματολογίου που καθοριζόταν από το Ν. 248/1976 «Περί φύλλου καταγραφής Μητρώου ιδιοκτησίας και οριοθεσίας των δασικών εκτάσεων και προστασίας των δημοσίων δασικών εκτάσεων». Σημειώνεται ότι ο νόμος αυτός προέβλεπε την καταγραφή και οριοθεσία των δασικών εκτάσεων και τη σύνταξη και τήρηση κτηματολογικού χάρτη και μητρώου ιδιοκτησίας αυτών (με σκοπό την αποτύπωση των δασοκτημάτων) και την απογραφή των αξιούμενων εμπραγμάτων δικαιωμάτων από τρίτους). Το έτος 1986 ο νομοθέτης (Ν. 1647) προχώρησε στη σύσταση του Οργανισμού Κτηματολογίου και Χαρτογραφήσεων της Ελλάδος (Ο.Κ.Χ.Ε.) με σκοπό τη σύνταξη, τήρηση και ενημέρωση του ενιαίου αποδεικτικού κτηματολογίου, τη γεωδαιτική κάλυψη και τη χαρτογράφηση της χώρας, την απογραφή και χαρτογράφηση των φυσικών διαθεσίμων της καθώς και τη δημιουργία τράπεζας στοιχείων γης και περιβάλλοντος. Αλλά και αυτός ο Νόμος δεν προχώρησε στην πράξη λόγω σημαντικών προβλημάτων αλλά και λόγω αντιδράσεων εξαιτίας της μειωμένης συμμετοχής φορέων και εκπροσώπων του Υπ. Γεωργίας (Δούκας 2). Πλησιάζοντας προς το σήμερα και την υφισταμένη κατάσταση, το 1995 ψηφίζεται ο Ν. 238/95 ο οποίος συνέβαλλε στην εκκίνηση της διαδικασίας χαρτογράφησης της χώρας και κατάρτισης Κτηματολογίου με τον καθορισμό τεχνικών προδιαγραφών και τιμολογίου εργασιών. Ωστόσο ο Νόμος αυτός τροποποιείται με τη ψήφιση του Ν. 2664/1998 ο οποίος κατά ένα πολύ σημαντικό βαθμό διαμορφώνει και την υφισταμένη κατάσταση αναφορικά με την κατάρτιση του Δασολογίου. Ο Νόμος αυτός καταργεί και τυπικά τις διαδικασίες 5

28 κτηματογράφησης-σύνταξης Δασικού Κτηματολογίου και χαρτογράφησης που είχαν νομοθετηθεί με τους Ν. 248/1976 και 998/1979. Στο Νόμο 2664/1998 (άρθρα 27,28), όπως προαναφέρθηκε καθορίζεται η κατάρτιση δασικών χαρτών στα πλαίσια του Εθνικού Κτηματολογίου, ενώ με την απόφαση αρ.9958/56/ (ΦΕΚ 1358Β/ ) του Υπουργείου Γεωργίας καταρτίζονται οι τεχνικές προδιαγραφές για την κατάρτιση των Δασικών χαρτών, δηλαδή ο βασικός τρόπος εργασίας, η ακρίβεια και το περιεχόμενό τους (Δούκας 2). Με το Ν. 328/23 (ΦΕΚ 33Α / ) «Προστασία των δασικών οικοσυστημάτων, κατάρτιση δασολογίου, ρύθμιση εμπράγματων δικαιωμάτων επί δασών και δασικών εν γένει εκτάσεων και άλλες διατάξεις» ο νομοθέτης επαναβεβαιώνει την πρόθεση του για την κατάρτιση του Δασολογίου (άρθρο 3). Διατηρώντας τον όρο «Βιβλίο Γενικού Δασολογίου» διαφοροποιείται από το Ν. 998/79 και το Π.Δ. 1141/198, ως προς το ότι το Δασολόγιο καταρτίζεται και τηρείται με μέριμνα της κάθε Διεύθυνσης Δασών σε νομαρχιακό επίπεδο ενώ στη Διεύθυνση Δασών της Περιφέρειας και στην Κεντρική Δασική Υπηρεσία του Υπ. Γεωργίας αποστέλλονται αντίγραφά του, σε αντίθεση με το Ν. 998/1979 όπου προβλεπόταν η αντίθετη διαδικασία. Επίσης ο νομοθέτης κάνει μνεία στην ανάγκη κατάρτισης του Δασολογίου με τρόπο ώστε να είναι ευχερής η τήρηση του σε ηλεκτρονική μορφή ενώ αναφέρει πως σε κάθε μερίδα του Δασολογίου καταχωρούνται ο κωδικός αριθμός του δάσους ή της δασικής έκτασης που εμφαίνονται στο δασικό χάρτη, το εμβαδόν της έκτασης, η περιγραφή των διακριβωθέντων ορίων, η περιγραφή των ιδιαιτέρων χαρακτηριστικών της δασικής βλάστησης και κάθε άλλο προσδιοριστικό του δασοκτήματος στοιχείο. Από την παραπάνω διατύπωση προκύπτει το εύλογο ερώτημα ως προς το ακριβές περιεχόμενο της φράσης «ιδιαίτερα χαρακτηριστικά της δασικής βλάστησης». Υπενθυμίζεται ότι στο Ν. 998/1979 εντός παρενθέσεως αναφέρονταν οι όροι «κατηγορίαι δασών, είδος βλαστήσεως, πυκνότητα, ηλικία ή άλλαι προσδιοριστικαί λεπτομέρειαι». Περαιτέρω στο Ν. 328/23, γίνεται διαφοροποίηση σε μερίδες οι οποίες βρίσκονται υπό δασοπονική εκμετάλλευση και σ αυτές πού δεν είναι. Αναφέρεται λοιπόν ότι «στη μερίδα του κάθε δάσους που βρίσκεται υπό δασοπονική εκμετάλλευση, αναγράφεται πέραν των παραπάνω γενικών στοιχείων και το είδος του δάσους (σπερμοφυές, διφυές, πρεμνοφυές), τα κύρια δασοπονικά είδη και η σύνθεση τους (αμιγές, μεικτό) και η ιδιοκτησιακή του κατάσταση. Ενώ για τις υπόλοιπες εκτάσεις που περιέχονται στο δασικό χάρτη και τελούν εκτός δασοπονικής εκμετάλλευσης, οι μερίδες τηρούνται κατά γεωγραφική ενότητα και σε κάθε μερίδα προσδιορίζονται τα τοπωνύμια, το είδος και η πυκνότητα της βλάστησης, η συνολική έκταση, η χρήση της έκτασης και άλλα προσδιοριστικά στοιχεία. Στο περιθώριο κάθε μερίδας ο νομοθέτης αναφέρει ότι σημειώνονται οι εκτάσεις που κηρύσσονται αναδασωτέες λόγω καταστροφής ή αποψίλωσης της βλάστησης και οι εκτάσεις της 6

29 παραγράφου 7 του άρθρου 3 του Ν.998/1979 (χορτολιβαδικές, βραχώδεις ή πετρώδεις, δημόσιες μη εποικιστικές εκτάσεις αλλά και δημόσιες εκτάσεις που δεν ανήκαν στις παραγράφους 1,2,4, του 3 του Ν. 998/1979 (δηλαδή δάση, δασικές εκτάσεις, περιαστικά, πάρκα, άλση κ.λπ.) οι οποίες βρίσκονται επί κλιτύων ορέων και δεν έχουν παραδοθεί στη γεωργική υπηρεσία. Σύμφωνα με τις επιταγές του Νόμου, η Γενική Διεύθυνση Δασών και Φυσικού Περιβάλλοντος, του Υπουργείου Αγροτικής Ανάπτυξης και Τροφίμων, εξέδωσε στις 25/2/24 τεύχος οδηγιών κατάρτισης δασολογίου στο οποίο αποσαφηνίζονται η διαδικασία, το περιεχόμενο κατάρτισης (Πίνακας 1-1 και Πίνακας 1-2) και διάφορα θέματα ορολογίας. Πίνακας 1-1 Είδη οριογραμμών που εμφανίζονται στους Χάρτες τοου Δασολογίου πέρων αυτών των Δασικών Χαρτών σύμφωνα με το τεύχος οδηγιών κατάρτισης Δασολογίου του Υπ. Γεωργίας. α/α Κατηγορία έκτασης που ορίζει η οριογραμμή 1 Μερίδα σύμφωνα με την παρ. 3 του άρθρου 3 του Ν.328/23 2 Διάκριση ιδιοκτησιών 3 Διάκριση των κατηγοριών των εκτάσεων των παραγράφων 1 και 2 του άρθρου 3 του Ν.998/79, όπως διαμορφώθηκαν με την παράγραφο 1 του Ν. 328/23. (δάση και δασικές εκτάσεις). 4 Διάκριση των παραπάνω εκτάσεων ανάλογα με το επικρατούν δασοπονικό είδος 5 Διάκριση των κατηγοριών των εκτάσεων της παραγράφου 4 του άρθρου 3 του ν.998/79, όπως διαμορφώθηκε με την παράγραφο 1 του Ν.328/23.(πάρκα και άλση εντός πόλεων, δασωτέες και αναδασωτέες εκτάσεις) 6 Διάκριση των εκτάσεων της παραγράφου 7 του άρθρου 3 του Ν.998/79, όπως προστέθηκε με την παράγραφο 3 του Ν.328/23 (δημόσιες μη εποικιστικές; χορτολιβαδικές και βραχώδεις εκτάσεις) Το Δασολόγιο όπως αναφέρεται στις οδηγίες καταρτίζεται και ενημερώνεται σε κάθε Νομό από τα τμήματα Δασικών Χαρτογραφήσεων των Διευθύνσεων Δασών των Νομών ενώ αντίγραφά του αποστέλλονται στα τμήματα Δασικών Χαρτογραφήσεων των Διευθύνσεων Δασών των αντίστοιχων Περιφερειών και στη Διεύθυνση Δασών της Κεντρικής Υπηρεσίας του Υπουργείου Γεωργίας. Επίσης αποσαφηνίζεται ο όρος «μερίδα» ως εξής: Αφ ενός για τα δάση που τελούν υπό καθεστώς δασοπονικής εκμετάλλευσης, ως «το σύνολο μιας έκτασης δάσους που βρίσκεται υπό ενιαία δασοπονική εκμετάλλευση (διαχείριση)» ενώ για τα υπόλοιπα ως «μια ενιαία γεωγραφική ενότητα με συγγενή βλαστητικά χαρακτηριστικά και δομή, η οποία είναι εκτός δασοπονικής εκμετάλλευσης (διαχείρισης)». Επίσης σημειώνεται ότι η μερίδα ορίζεται σε επίπεδο ΟΤΑ και εφόσον εκτείνεται και σε γειτονικό, αποδίδεται σε αυτόν που βρίσκεται το μεγαλύτερο τμήμα της. Μια πρώτη παρατήρηση που πρέπει να γίνει είναι πως δημιουργείται σύγχυση αναφορικά με τους όρους «ενιαία γεωγραφική ενότητα» και «συγγενή βλαστητικά χαρακτηριστικά». Ιδιαίτερα ο δεύτερος όρος δημιουργεί σύγχυση για το αν αναφέρεται για παράδειγμα στο είδος ή την πυκνότητα ή τη δομή. 7

30 Πίνακας 1-2 Θεματικά και πληροφοριακά δεδομένα απαραίτητα για την κατάρτιση του Δασολογίου σύμφωνα με το τεύχος οδηγιών κατάρτισης δασολογίου του Υπ. Γεωργίας. α/α Ενότητα πληροφοριών 1 Μερίδες Δασολογίου 2 Δάση 3 Δασικές εκτάσεις 4 Ασκεπείς, βραχώδεις χορτολιβαδικές εκτάσεις 5 Πάρκα και άλση εντός πόλεων, 6 Αναδασωτέες εκτάσεις 7 Δημόσιες μη εποικιστικές; χορτολιβαδικές και βραχώδεις εκτάσεις 8 Εκτάσεις διάκρισης δασοπονικής μορφής (σπερμοφυές, πρεμνοφυές, διφυές) 9 Εκτάσεις διάκρισης κυριάρχου δασοπονικού είδους 1 Σύνθεση Δασοπονικών ειδών (μεικτό, αμιγές) 11 Διάκριση ιδιοκτησιών Επίσης αποσαφηνίζεται ο όρος «Κωδικός Αριθμός Μερίδας»-ΚΑΜ ο οποίος αντιστοιχεί σε έναν 7-ψήφιο κωδικό αριθμό για κάθε μερίδα και ο οποίος είναι μοναδικός για όλη τη χώρα και υποδεικνύει τη γεωγραφική θέση της κάθε μερίδας. Τα δύο πρώτα ψηφία προσδιορίζουν το νομό στον οποίο βρίσκεται η μερίδα ή το μεγαλύτερο τμήμα της (Τεύχος «Κωδικοί Αριθμοί Νομών και ΟΤΑ της Χώρας», ΟΚΧΕ 1997), τα τρία επόμενα το Δήμο ή την Κοινότητα, στον οποίο βρίσκεται η μερίδα ή το μεγαλύτερο τμήμα της (Τεύχος «Κωδικοί Αριθμοί Νομών και ΟΤΑ της Χώρας», ΟΚΧΕ 1997), ενώ τα δύο τελευταία ψηφία αποτελούν τον αύξοντα αριθμό της μερίδας εντός του ΟΤΑ. Ως «Πολύγωνα Δασολογίου» ή «Πολύγωνα Βλάστησης» ονομάζονται οι βασικές μονάδες καταγραφής του Δασολογίου και περιλαμβάνουν συνεχόμενες εκτάσεις στις οποίες αποδίδονται ενιαία βλαστητικά χαρακτηριστικά. Ωστόσο και αυτός ορισμός είναι ασαφής καθώς δεν αποσαφηνίζεται ο όρος «ενιαία βλαστητικά χαρακτηριστικά». Δηλαδή εάν κάποιο από αυτά είναι το είδος, η πυκνότητα, η δομή ή ακόμα και συνδυασμός των προαναφερθέντων παραμέτρων. Στα πολύγωνα βλάστησης αναφέρεται ο κωδικός αριθμός Δασολογίου ο οποίος είναι ένας δεκαεξαψήφιος αριθμός που λαμβάνει κάθε πολύγωνο του Δασολογίου και ο οποίος είναι μοναδικός για όλη τη χώρα κα υποδεικνύει τη θέση του πολυγώνου. Τα δέκα πρώτα ψηφία αντιστοιχούν στον Κωδικό αριθμό του πολυγώνου κάλυψης του Δασικού Χάρτη (απόφαση αρ. 9958/56/ , 6.5.3), τα επόμενα δύο είναι τα τελευταία δύο ψηφία του ΚΑΜ, ενώ τα τέσσερα τελευταία αποτελούν τον αύξοντα αριθμό του πολυγώνου του Δασολογίου εντός του αντίστοιχου πολυγώνου του Δασικού Χάρτη. Στοιχεία κριτικής και προβληματισμού στα παραπάνω αποτελεί το γεγονός πως δεν αποσαφηνίζεται ο τρόπος που θα γίνεται η αύξουσα αρίθμηση είτε κάθε μερίδας εντός του ΟΤΑ 8

31 είτε κάθε πολυγώνου του Δασολογίου (Βλάστησης) εντός του αντίστοιχου πολυγώνου του Δασικού Χάρτη. Επίσης ένα άλλο σημείο που χρήζει ιδιαίτερης προσοχής είναι ότι δεν δίδεται ιδιαίτερο βάρος στη σύνδεση μεταξύ των πολυγώνων Βλάστησης (Δασολογίου) και της έννοιας της μερίδας. Δηλαδή το πολύγωνο παίρνει αύξοντα αριθμό με βάση το πολύγωνο του Δασικού Χάρτη και όχι με βάση τη μερίδα. Στο υποθετικό ερώτημα (αναζήτηση) για παράδειγμα που θα έκανε ένας χρήστης στη βάση Γεωγραφική Βάση Δεδομένων που θα συγκροτηθεί στα πλαίσια του Δασολογίου και ζητούσε τις μερίδες εντός ενός συγκεκριμένου νομού και στη συνέχεια τα πολύγωνα που περιλαμβάνονται εντός αυτών των μερίδων, θα είχε διαφορετικό αποτέλεσμα σε σχέση με ένα ερώτημα που εξ αρχής θα αναζητούσε τα πολύγωνα εντός του ιδίου νομού. Αυτό μπορεί να εξηγηθεί διότι όπως προαναφέρθηκε τμήμα της μερίδας μπορεί να βρίσκεται σε διαφορετικό ΟΤΑ, από αυτόν που ανήκει η ίδια. Οπότε θα ήταν πιθανότατα προτιμότερο η κωδικοποίηση των μερίδων να διασπάται σε περίπτωση που αυτή υπεισέρχεται σε περισσότερους από ένα νομούς. 1.3 Σκοπός και στόχοι της διατριβής Κύριος σκοπός της διατριβής υπήρξε η αξιολόγηση της δυνατότητας χρησιμοποίησης δορυφορικών δεδομένων πολύ υψηλής ευκρίνειας και Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.) στα πλαίσια της σύνταξης του Δασολογίου. Να διερευνηθεί δηλαδή το κατά πόσον νέες μέθοδοι ταξινόμησης δορυφορικών εικόνων σε συνδυασμό με χωρικές αναλύσεις και επεξεργασίες των δεδομένων, μπορούν να οδηγήσουν στην εξαγωγή επακριβών και χρήσιμων πληροφοριών για ένα δασικό οικοσύστημα, ικανών να αξιοποιηθούν για τη συγκρότηση της οντότητας που ο νομοθέτης έχει περιγράψει ως Δασολόγιο. Είναι αυτονόητο φυσικά ότι κάποιες από τις πληροφορίες που βάση των υφιστάμενων νόμων και προδιαγραφών θα περιλαμβάνονται στο Δασολόγιο, δεν είναι δυνατόν να προκύψουν άμεσα με τη χρήση μεθόδων τηλεπισκόπησης όπως η ιδιοκτησιακή κατάσταση των εκτάσεων, οι εκτάσεις της παραγράφου 4 του άρθρου 3 του Ν.998/79, όπως διαμορφώθηκε με την παράγραφο 1 του Ν. 328/23 κ.λπ.. Οι επιμέρους στόχοι της διατριβής ήταν οι εξής: 1. Η εύρεση της καλύτερης μεθόδου βελτίωσης της χωρικής ανάλυσης των διαθέσιμων δορυφορικών δεδομένων. Η εύρεση της βέλτιστης τεχνικής συγχώνευσης της πολυφασματικής εικόνας με την παγχρωματική, έτσι ώστε να προκύψει το μέγιστο δυνατό όφελος τόσο για σκοπούς οπτικής φωτοερμηνείας όσο και για σκοπούς βελτίωσης των αποτελεσμάτων ταξινόμησης σε επόμενα στάδια της διατριβής. 9

32 2 Η εύρεση του ιδανικού μεγέθους εικονοστοιχείου για τη χαρτογράφηση ενός δασικού οικοσυστήματος με χαρακτηριστικά παρόμοια με αυτά της περιοχής μελέτης. Αξιολόγηση των αποτελεσμάτων δύο διαφορετικών τεχνικών ως προς την εύρεση της βέλτιστης κλίμακας για την περιοχή μελέτης. Τα αποτελέσματα από μια τέτοια ανάλυση μπορούν να χρησιμοποιηθούν για την επιλογή του κατάλληλου συνδυασμού χωρικής ανάλυσης και μεθόδου επεξεργασίας για την εξαγωγή των επιθυμητών πληροφοριών. 3. Η Εύρεση ιδανικού παραθύρου για τη δημιουργία εικόνων υφής Σε στενή σύνδεση με τον προηγούμενο στόχο η διερεύνηση της χωρικής ταυτότητας ή χωρικού προτύπου διαφορετικών κατηγοριών κάλυψης γης, όπως αυτές καταγράφονται σε διαφορετικό μέρος του φάσματος. Από αυτή τη καταγραφή μπορεί να ποσοτικοποιηθεί η χωρική αυτοσυσχέτιση των εικονοστοιχείων χρησιμοποιώντας ένα ιδανικό μέγεθος του παραθύρου για τον υπολογισμό εικόνων υφής, οι οποίες θα συμβάλλουν στην αύξηση της ακρίβειας διαχωρισμού των κατηγοριών. 4. Διερεύνηση της δυνατότητας διάκρισης του δάσους από τη δασική έκταση λαμβάνοντας υπόψη τα κριτήρια που καθορίζει η νομοθεσία και είναι αναγνωρίσιμα από δορυφορικές εικόνες. i. Αξιολόγηση της αντικειμενοστραφούς προσέγγισης στην ταξινόμηση της δορυφορικής εικόνας. Η αντικειμενοστραφής ταξινόμηση σε αντίθεση με την ταξινόμηση βάση εικονοστοιχείων, στηρίζεται στην κατάτμηση της εικόνας και τη χρησιμοποίηση τμημάτων-αντικειμένων ως βασικών μονάδων ταξινόμησης. ii. Αξιολόγηση της λογιστικής παλινδρόμησης ως μεθόδου ταξινόμησης και διάκρισης του δάσους από τη δασική έκταση, σε σχέση με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου. iii. Αξιολόγηση της σκοπιμότητας βελτίωσης της χωρικής ανάλυσης μιας πολυφασματικής δορυφορικής εικόνας πολύ υψηλής ευκρίνειας για τη διάκριση των τάξεων. 5. Διερεύνηση της δυνατότητας διάκρισης δασοπονικών ειδών για τη σκιαγράφηση πολυγώνων βλάστησης. i. Προσδιορισμός της φασματικής ταυτότητας και συγκριτική αξιολόγηση των φασματικών υπογραφών των κυριότερων τύπων κάλυψης στην περιοχή εφαρμογής της ταξινόμησης. ii. Αξιολόγηση της υιοθέτησης μιας αντικειμενοστραφούς προσέγγισης πολλαπλής κλίμακας για τη διάκριση των κατηγοριών της ταξινόμησης και επιλογή όλων εκείνων των στοιχείων που επηρεάζουν μια τέτοια προσέγγιση όπως παράμετροι κατάτμησης, δομή της ιεραρχίας κ.λπ.. iii. Αξιολόγηση της υιοθέτησης του αλγόριθμου CART για τη βελτίωση της ακρίβειας της ταξινόμησης αλλά και ως οδηγό για επιλογή των διαύλων και των χαρακτηριστικών που συνεισφέρουν περισσότερο στη διάκριση των κατηγοριών ταξινόμησης. iv. Αξιολόγηση με όρους βελτίωσης της ακρίβειας ταξινόμησης, της προσθήκης μέτρων υφής προερχόμενα από την εκτίμηση τοπικών δεικτών χωρικής συνάφειας, στις αρχικές μεταβλητές της ταξινόμησης με τη χρήση του αλγόριθμου CART. 1

33 Πέραν των παραπάνω πραγματοποιήθηκε σύνταξη και αποστολή ερωτηματολογίων για την καταγραφή των απόψεων μερίδας των δασολόγων της πράξης, για το θέμα του Δασολογίου. Η έλλειψη σαφών κατευθύνσεων ως προς το περιεχόμενο αλλά και η απουσία τεχνικών προδιαγραφών έτσι ώστε να καταστεί δυνατή η σύνταξη του Δασολογίου, καθιστούν ενδιαφέρουσα και συνάμα χρήσιμη για τους εμπλεκόμενους φορείς μια προσπάθεια συγκέντρωσης των απόψεων, των ιδεών και της εμπειρίας δασολόγων του δημόσιου αλλά και μιας μικρότερης μερίδας του ιδιωτικού τομέα, οι οποίοι έχουν γνώση των θεμάτων του Κτηματολογίου και του Δασολογίου. 1.4 Διάρθρωση της διατριβής Λόγω του πολυσχιδούς περιεχομένου της διατριβής επιλέχτηκε να μην υπάρχουν ενιαίες ενότητες παρουσίασης των μεθόδων που χρησιμοποιήθηκαν και αντίστοιχα των αποτελεσμάτων. Αντί αυτού δημιουργήθηκαν κεφάλαια-ενότητες όπου αναφέρεται η μεθοδολογία που ακολουθήθηκε και τα αντίστοιχα αποτελέσματα. Στο πρώτο κεφάλαιο της διατριβής αναφέρεται το περιεχόμενο και το νομικό πλαίσιο του Δασολογίου, ενώ παρατίθονται και οι στόχοι αλλά και η διάρθρωση της διατριβής. Στο δεύτερο κεφάλαιο της διατριβής γίνεται μια περιγραφή των κυριότερων μεθόδων ταξινόμησης εικόνων τηλεπισκόπησης που έχουν εφαρμοστεί για σκοπούς χαρτογράφησης δασικών οικοσυστημάτων. Έμφαση δίνεται στην παρουσίαση των αποτελεσμάτων των ερευνητικών εργασιών όπου χρησιμοποιήθηκαν μέθοδοι αντικειμενοστραφούς ταξινόμησης και οι οποίες ήταν εστιασμένες σε περιοχές με δασικά οικοσυστήματα. Στο τρίτο κεφάλαιο περιγράφεται η περιοχή μελέτης όπου εστιάστηκε η έρευνα. και για την οποία αποκτήθηκαν δορυφορικά δεδομένα τηλεπισκόπησης και πραγματοποιήθηκαν μετρήσεις δασικών παραμέτρων στο πεδίο. Τα τελευταία είναι απαραίτητα τόσο κατά την ανάλυση και επεξεργασία των εικόνων όσο και την επαλήθευση και έλεγχο της αξιοπιστίας των αποτελεσμάτων. Στο τέταρτο κεφάλαιο αναφέρεται η διαδικασία συλλογής δεδομένων υπαίθρου όπου παρουσιάζονται και ποσοτικά δεδομένα από τα αποτελέσματα των μετρήσεων. Στο ίδιο κεφάλαιο περιγράφονται οι προεπεξεργασίες που εφαρμόστηκαν στα δορυφορικά δεδομένα για την απομάκρυνση γεωμετρικών και ραδιομετρικών σφαλμάτων. Επίσης στο ίδιο κεφάλαιο αναφέρονται τα βοηθητικά δεδομένα που χρησιμοποιήθηκαν στη διατριβή. Στο πέμπτο κεφάλαιο αναλύονται οι μέθοδοι συγχώνευσης της πολυφασματικής με την παγχρωματική εικόνα που αξιολογήθηκαν για τη βελτίωση της χωρικής ανάλυσης της πολυφασματικής εικόνας. Ακολουθεί η παρουσίαση των αποτελεσμάτων και η επιλογή της συγχωνευμένης εικόνας που χρησιμοποιήθηκε στο όγδοο κεφάλαιο για τη βελτίωση της διάκρισης των κατηγοριών δάσος-δασική έκταση. 11

34 Στο έκτο κεφάλαιο της διατριβής αναπτύσσονται οι μέθοδοι αξιολόγησης της βέλτιστης χωρικής ανάλυσης για τη χαρτογράφηση στην περιοχή του Πανεπιστημιακού δάσους Ταξιάρχη και γίνεται ανάλυση των αποτελεσμάτων. Στη συνέχεια έπεται η παρουσίαση της μεθοδολογίας που υιοθετήθηκε για τον καθορισμό των ενδεδειγμένων διαστάσεων των παραθύρων εντός των οποίων πραγματοποιήθηκε ο υπολογισμός στατιστικών μέτρων χωρικής αυτοσυσχέτισης. Από τη διαδικασία αυτή προέκυψαν εικόνες υφής η χρησιμότητα των οποίων αξιολογήθηκε για τη διάκριση πολυγώνων βλάστησης σε επόμενο κεφάλαιο. Στο όγδοο κεφάλαιο αναφέρονται το εννοιολογικό πλαίσιο και η διαδικασία εφαρμογής στην πράξη της αντικειμενοστραφούς προσέγγισης στην ταξινόμηση, που χρησιμοποιήθηκε για το σκοπό της διατριβής. Επίσης παρουσιάζεται η μέθοδος της λογιστικής παλινδρόμησης και ο αλγόριθμος του πλησιέστερου γειτονικού σημείου που χρησιμοποιήθηκαν για τη διάκριση του δάσους από τη δασική έκταση. Επιπλέον εκτός από τη σύγκριση των δύο προηγούμενων μεθόδων διαχωρισμού των κατηγοριών, αξιολογείται και η ταξινόμηση της εικόνας που προέκυψε από την συγχώνευση της πολυφασματικής με την παγχρωματική εικόνα. Στο ένατο κεφάλαιο περιγράφονται ο αλγόριθμος ταξινόμησης CART και οι τοπικοί δείκτες χωρικής συνάφειας από τους οποίους προέκυψαν εικόνες υφής. Στη συνέχεια περιγράφονται οι διαδικασίες που ακολουθήθηκαν για τη διάκριση των πολυγώνων βλάστησης και αξιολογούνται τα αποτελέσματα. Στα δύο τελευταία κεφάλαια (δέκατο και εντέκατο) παρατίθενται τα συμπεράσματα που προέκυψαν από την εκπόνηση της διατριβής καθώς και κάποιες ευρύτερες παρατηρήσεις και προοπτικές μελλοντικής έρευνας. Τέλος σε ένα από τα παραρτήματα, παρουσιάζονται μεταξύ των άλλων τα αποτελέσματα από μια έρευνα με τη χρήση ερωτηματολογίου που πραγματοποιήθηκε για την καταγραφή των απόψεων υπαλλήλων των ανά τόπους διευθύνσεων δασών της χώρας (λόγω εμπειρίας από τη κατάρτιση του Κτηματολογίου), και ιδιωτών δασολόγων, σε θέματα που άπτονται της κατάρτισης του Δασολογίου. 12

35 2 Ανασκόπηση της βιβλιογραφίας 2.1 Τηλεπισκόπηση και δασικά οικοσυστήματα Εισαγωγή Η κατανόηση της δασικής δομής η οποία νοείται ως η υπέργεια οργάνωση των φυτικών ιστών (Spurr και Barnes, 198), παρέχει τη δυνατότητα παρακολούθησης, διαμόρφωσης και πρόβλεψης σημαντικών βιοφυσικών διαδικασιών όπως η αλληλεπίδραση μεταξύ του δάσους και της ατμόσφαιρας η μελέτη των οποίων στηρίζεται στην εισαγωγή παραμέτρων σχετικές με τη δομή του δάσους σε ένα μοντέλο για τη παραγωγικότητα του δάσους (Running κ.ά., 1994). Οι αλλαγές στη δασική δομή μπορούν επίσης να παρέχουν πληροφορίες σε βάσεις δεδομένων με στοιχεία απογραφών σχετικά με την υγεία των συστάδων, την απόληψη του ξυλώδους κεφαλαίου, τις καμένες εκτάσεις, διάφορες προσβολές του δάσους από ασθένειες και έντομα (Gillis και Leckie 1996). Η δομή των δασικών οικοσυστημάτων μπορεί να χαρακτηριστεί είτε βάση των δασικών παραμέτρων στις κλασικές δασικές απογραφές είτε βάση των βιοφυσικών παραμέτρων, είτε φυσικά από το συνδυασμό των δύο παραπάνω. Πίνακας 2-1 Συνήθεις παράμετροι των απογραφών Παράμετρος Λεπτομέρεια Κλίμακα Συνήθως 1:12.5 έως 1:2. Είδη Συντμημένη ονοματολογία των ειδών Στάδια ανάπτυξης Περιγραφή ανάπτυξης, συμπεριλαμβανομένων των στοιχείων όπως τυχόν υλοτομίες, πυρκαγιές, αναγέννηση Κάλυψη εδάφους από την κόμη Κατηγορίες ποσοστού από 1 έως 3% έως μεγαλύτερο από 9% Όγκος Όγκος της ξυλείας ανά τμήμα ή περιοχή και ανά είδη Κυκλική επιφάνεια Συνολική κυκλική επιφάνεια ανά τμήμα ή περιοχή που μετριέται σε 1,37 μ επάνω από το έδαφος Ύψος Μέσο ύψος δέντρων ανά τμήμα ή περιοχή και ανά είδη Δείκτες κατάστασης συστάδας Συνοπτική περιγραφή περιοχών Μη δασικές συνθήκες Χαρακτηριστικά μη δασικών περιοχών, όπως γεωργικές, ορυχεία, άγονες Ιδιοκτησία Χαρακτηριστικά ιδιοκτησίας Υπόμνημα Εξήγηση των χρησιμοποιούμενων συμβόλων Οι παράμετροι των κλασικών απογραφών (Πίνακας 2-1) παρέχουν λεπτομερή στοιχεία όσον αφορά τη θέση και την έκταση των δασικών πόρων. Από την άλλη οι δασικές βιοφυσικές παράμετροι παρέχουν πληροφορίες σχετικά με την παραγωγικότητα και τη δομή των δασικών πόρων (Πίνακας 2-2). Τα συγκεκριμένα μέτρα είναι τα συνηθέστερα χρησιμοποιούμενα και δεδομένης της αλληλοσυσχέτισης τους μπορούν να εφαρμοστούν για κάθε είδος και να ενσωματωθούν σε μοντέλα περιφερειακής κλίμακας (Running και Hunt 1994).

36 Πίνακας 2-2 Δασικές βιοφυσικές παράμετροι Παράμετρος LAI Βιομάζα NPP Λεπτομέρεια Δείκτης Φυλλικής Επιφάνειας ένα μέτρο της έκτασης της φυλλωσιάς ανά μονάδα εδάφους Το σύνολο του απόλυτου ποσού της βλάστησης(συνήθως της υπέργειας) Καθαρή πρωτογενής παραγωγικότητα-παρόμοια με τη βιομάζα, αλλά αναφέρεται στη ποσότητα της βιομάζας που έχει σωρευτεί σε συγκεκριμένη χρονική περίοδο Οι δασικές βιοφυσικές παράμετροι αποδίδουν κατά κάποιο τρόπο τη δασική δομή με ένα ενιαίο μέτρο, όπως ο Δείκτης Φυλλικής Επιφάνειας (Leaf Area Index-LAI). Ο LAI είναι μια σημαντική ιδιότητα της δομής των δασικών οικοσυστημάτων λόγω της δυνατότητάς του να είναι μέτρο των ανταλλαγών ενέργειας, αερίων και ύδατος. Μια διευκρίνιση που πρέπει να γίνει σε αυτό το σημείο είναι ότι το Δασολόγιο ως όρος και περιεχόμενο είναι μοναδικό σε παγκόσμιο επίπεδο. Η έννοια που συνήθως συναντάται είναι αυτή των δασικών απογραφών (forest inventories) τα αποτελέσματα των οποίων σε διάφορες χώρες παρουσιάζονται χαρτογραφικά με ένα εύρος κλίμακας 1:12 έως 1:25. Ο σκοπός των απογραφών είναι η παραγωγή βασικών πληροφοριών, οι οποίες επιτρέπουν τη λήψη αποφάσεων στα πλαίσια της διαχείρισης, για το σχεδιασμό, τη διαχείριση και την καλλιέργεια των δασών (Lynd και Thomas 1989, Akca 1994). Οι απογραφές αποτελούνται από τουλάχιστον τρείς φάσεις: τη χαρτογράφηση, τη δειγματοληψία και την ανάλυση. Αντίθετα η χαρτογράφηση (των δασών) μπορεί να περιγραφεί ως η αναγνώριση επιλεγμένων χαρακτηριστικών, ο καθορισμός των ορίων τους και η αποτύπωση αυτών των ορίων τους σε ένα κατάλληλο υπόβαθρο χρησιμοποιώντας προκαθορισμένα κριτήρια (Lynd και Thomas 1989). Με βάση τα παραπάνω το Δασολόγιο προσομοιάζει σε έννοια και περιεχόμενο με τη χαρτογράφηση των δασικών οικοσυστημάτων Το θέμα της κλίμακας Η σχέση μεταξύ κλίμακας παρατήρησης και της παρατηρούμενης διακύμανσης των κατηγοριών ταξινόμησης, έχει αναγνωριστεί ως ένα σημαντικό θέμα στην επιστήμη της γεωγραφίας το οποίο μελετάται εκτενώς πάνω από είκοσι πέντε χρόνια (Moellering και Tobler 1972, Thornes 1973). Στα μέσα της δεκαετίας του 198 η επιστημονική κοινότητα άρχισε να ερευνά τις επιπτώσεις αυτών των σχέσεων στην επιστήμη της τηλεπισκόπησης (Woodcock και Starhler 1987, Townsend και Justice 1988), ενώ ακόμη και σήμερα η κλίμακα συνεχίζει να αποτελεί ένα κεντρικό θέμα στην επιστήμη των Γ.Σ.Π. (Atkinson και Tate 2, Tate και Atkinson 21), των εφαρμογών της τηλεπισκόπησης (Foody και Curran 1994, Quattrochi και 14

37 Goodchild 1997, Curran και Atkinson 1999, Collins και Woodcock 1999, Treitz και Howarth 2, Rahman κ.ά. 23) αλλά και της οικολογίας τοπίου (Turner κ.ά. 1989, Wu κ.ά. 2). Αν και ένας ευρύς ορισμός της κλίμακας δεν υπάρχει (Schneider 1994), διάφοροι χρήσιμοι ορισμοί έχουν προταθεί στη διεθνή βιβλιογραφία. Οι Cao και Lam (1997) προτείνουν τέσσερις έννοιες της κλίμακας στα πλαίσια των γεωγραφικών δεδομένων και συγκεκριμένα τη χαρτογραφική, τη γεωγραφική, τη λειτουργική και την κλίμακα μέτρησης. Η πρώτη, η χαρτογραφική ή κλίμακα χάρτη, αποτελεί την παραδοσιακή έννοια της κλίμακας η οποία αναφέρεται στην κλίμακα του χαρτογραφικού υλικού ή χάρτη και υπολογίζεται με το λόγο της απόστασης σε μονάδες χάρτη ως προς την αντίστοιχη απόσταση στο έδαφος. Ένας χάρτης μεγάλης κλίμακας απεικονίζει μια μικρή σε μέγεθος επιφάνεια και συνεπώς αναπαριστά περισσότερες λεπτομέρειες γι αυτήν. Η δεύτερη, η γεωγραφική ή κλίμακα παρατήρησης χρησιμοποιείται κάτω από το γενικό πλαίσιο της χωρικής έκτασης της εμφάνισης και λειτουργίας, του υπό μελέτη φαινόμενου. Η κλίμακα μέτρησης ή διακριτική ανάλυση, η οποία αναφέρεται στη χωρική διακριτική ικανότητα και σχετίζεται με το μέγεθος του μικρότερου διακριτού αντικειμένου, αντικατοπτρίζει το βαθμό της λεπτομέρειας απόδοσης και καταγραφής αντικειμένων και επιφανειών και συνδέεται άμεσα με μελέτες τηλεπισκόπησης και Γ.Σ.Π.. Στα πλαίσια της τηλεπισκόπησης η κλίμακα αντιστοιχεί συνήθως στη χωρική διακριτική ανάλυση ή χωρική ανάλυση (spatial resolution) (Woodcock και Stahler 1987) η οποία αναφέρεται στην ικανότητα του αισθητήρα να καταγράφει και να απεικονίζει χωρική πληροφορία όπως διαχωρίζεται από το περιβάλλον. Τέλος η λειτουργική κλίμακα χρησιμοποιείται υπό την έννοια της επιχειρησιακής λειτουργικής διάστασης και δηλώνει το επίπεδο της ιεραρχίας στο οποίο λειτουργεί ή συμβαίνει το φαινόμενο. Βέβαια η λειτουργία όλων σχεδόν των περιβαλλοντικών φαινόμενων είναι εξαρτώμενη από τη κλίμακα (Davis κ.ά. 1991), δηλαδή μπορεί να εντοπιστεί σε μία κλίμακα αλλά όχι σε μία άλλη. Θεμελιωδώς η κλίμακα αντιπροσωπεύει το παράθυρο παρατήρησης, το φίλτρο ή το μέσο από το οποίο ένα τοπίο μπορεί να ιδωθεί ή να κατανοηθεί (Levin 1992). Επομένως η αλλαγή της κλίμακας επιφέρει αλλαγή στην απεικόνιση της πραγματικότητας κάτι το οποίο έχει σαφείς προεκτάσεις στην κατανόηση της δυναμικής και των διεργασιών ενός περιβαλλοντικού συστήματος. Ο εντοπισμός ενός φαινόμενου σε ένα παράθυρο παρατήρησης για δεδομένα τηλεπισκόπησης καθορίζεται από την εσωτερική κλίμακα (διακριτική ικανότητα), η οποία αντιστοιχεί στη μικρότερη λεπτομέρεια που μπορεί να παρατηρηθεί στη σκηνή και την εξωτερική κλίμακα η οποία αντιστοιχεί στην πιο αδρομερή λεπτομέρεια που μπορεί να βρεθεί (το σύνολο της σκηνής, γεωγραφικό εύρος) (Haar και Romeny 1997, Wiens 1987). Επίσης στα πλαίσια μελέτης των επιδράσεων της κλίμακας στην επεξεργασία των δορυφορικών δεδομένων, οι Strahler κ.ά. (1986) πρότειναν τις έννοιες της υψηλής ευκρίνειας 15

38 (Ηigh-resolution) και χαμηλής ευκρίνειας (Low-resolution) για το χαρακτηρισμό του μοντέλου σκηνής της εικόνας, βάση των περιεχόμενων πληροφοριών. Το μοντέλο υψηλής ευκρίνειας υφίσταται όταν τα αντικείμενα ενδιαφέροντος στη σκηνή (εικόνα) είναι μεγαλύτερα από τη χωρική ανάλυση της εικόνας. Το μοντέλο χαμηλής ευκρίνειας υφίσταται όταν τα εικονοστοιχεία είναι μεγαλύτερα από τα αντικείμενα, με συνέπεια να μην είναι δυνατή η διάκριση της πληροφορίας για μεμονωμένα αντικείμενα ενδιαφέροντος. Οι όροι υψηλή και χαμηλή ανάλυση αναφέρονται βέβαια συχνά στο απόλυτο μέγεθος του εικονοστοιχείου και όχι στις περιεχόμενες πληροφορίες. Διαφορετικές δυνατότητες ανάλυσης (μέθοδοι) της εικόνας υπάρχουν ανάλογα με τις αρχικά περιεχόμενες πληροφορίες. Η τελευταία επισήμανση συνεπάγεται ότι υπάρχει ένα σαφέστατο όριο στο περιεχόμενο των πληροφοριών που συνδέονται με έναν ορισμένο δέκτη ανάλογα με το μέγεθος του εικονοστοιχείου του (Πίνακας 2-3). Πίνακας 2-3 Αναμενόμενο μέγεθος εικονοστοιχείου και αναμενόμενη δυνατότητα διάκρισης της βλάστησης σε εφαρμογές τηλεπισκόπησης με δορυφορικές εικόνες και Α/Φ σε δασικά οικοσυστήματα (Τροποποιημένος από Wulder 1998). Τύπος ή κλίμακα της εικόνας Δορυφορικές εικόνες μέσης και χαμηλής ευκρίνειας Δορυφορικές εικόνες υψηλής ευκρίνειας Δορυφορικές εικόνες πολύ υψηλής ευκρίνειας Κατά προσέγγιση εύρος χωρικής ανάλυσης (μ.) 11 (NOAA AVHRR) 25-1 (MODIS) 3 (LANDSAT) 1-2 (SPOT πολυφασματικό) 5-1 (SPOT παγχρωματικό) <1 (IKONOS παγχρωματικό) <4 (IKONOS πολυφασματικό) Επίπεδο γενικότερης διάκρισης της δασικής βλάστησης Βιoφυσικές παράμετροι, διάκρισηβλάστηση/μη-βλάστηση δείκτες βλάστησης, διάκριση κάλυψης γης Διάκριση εκτεταμένων εκτάσεων κωνοφόρωνπλατύφυλλων Αναγνώριση μεμονωμένων δένδρων και γενικών τύπων βλάστησης Αερομεταφερόμενοι Αρχική αναγνώριση μεγάλων μεμονωμένων δένδρων και >.3 πολυφασ/κοί σαρωτές χαρακτηριστικών σε επίπεδο συστάδας Αερομετ. βίντεο >.4 Αναγνώριση μεμονωμένων δένδρων και μεγάλων θάμνων Ψηφιακές κάμερες >.4 Αναγνώριση μεμονωμένων δένδρων και μεγάλων θάμνων 1:25 έως 1:1.31 to 1.24 Αναγνώριση μεμονωμένων δένδρων/γενικών τύπων βλάστησης 1:1 έως 1:25.12 to.31 Απ ευθείας αναγνώριση κύριων τύπων κάλυψης και ειδών σε ομοιογενείς συστάδες 1:25 έως 1:1.26 to.12 Αναγνώριση μεμονωμένων δένδρων και μεγάλων θάμνων 1:5 έως to.26 Αναγνώριση μεμονωμένων θάμνων/τύπων των αγρωστωδών Χαρτογράφηση δασικών οικοσυστημάτων Διεθνώς σχετικά με τη χρήση μεθόδων και τεχνικών τηλεπισκόπησης για την αποτύπωση και χαρτογράφηση δασικών περιοχών, παρατηρείται μια αφθονία ερευνών σε διάφορες γεωγραφικές περιοχές, με πλήθος κοινών χαρακτηριστικών αλλά και σημαντικότατων διαφοροποιήσεων. Χωρίς αμφιβολία πρέπει να σημειωθεί πως η πλειονότητα αλλά και οι πιο πρωτοποριακές εργασίες έχουν πραγματοποιηθεί στη Βόρεια Αμερική κατά κύριο λόγο και στη Σκανδιναβία (και δη στη Φινλανδία) κατά δεύτερο λόγο, σε περιοχές δηλαδή με έντονο εμπορικό ενδιαφέρον για την ξυλοπαραγωγή αλλά και ιδιαίτερα δύσκολες συνθήκες πρόσβασης και 16

39 μέτρησης των παραμέτρων στο πεδίο, αφενός λόγω των κλιματολογικών συνθηκών που επικρατούν και αφετέρου λόγω του εκτεταμένου των δασικών οικοσυστημάτων. Κατά την ανασκόπηση όλου αυτού του όγκου της βιβλιογραφίας γίνεται από τα πρώτα βήματα ορατό πως είναι δύσκολη η ομαδοποίηση και η κατηγοριοποίηση των ερευνών καθώς παρατηρείται μια μεγάλη ποικιλία μεθόδων και τεχνικών για την εκτίμηση ενός πλήθους οικολογικά σημαντικών δασικών παραμέτρων, σε διαφορετικού τύπου οικοσυστήματα και βέβαια με τη χρήση διαφορετικών τύπων δεδομένων τηλεπισκόπησης, τα χαρακτηριστικά των οποίων (φασματική/ ραδιομετρική /χωρική διακριτική/ διαχρονική ανάλυση) παίζουν τον πρωταρχικό ρόλο στην πληροφορία που θα προκύψει τελικά. Όλα τα παραπάνω αποτελούν ενδεικτικό στοιχείο της πολυπλοκότητας του ευρύτερου επιστημονικού τομέα της τηλεπισκόπησης των δασικών οικοσυστημάτων, καθώς και της αποτύπωσης και χαρτογράφησης τους ειδικότερα. Γενικότερα ένας χάρτης (δασικού οικοσυστήματος) είναι το αποτέλεσμα τριών διαδοχικών ενεργειών (Robinore 1981): 1. Του ορισμού ενός ιεραρχικού συνόλου τάξεων-κατηγοριών ταξινόμησης κάλυψης/χρήσης γης. 2. Της ταξινόμησης, δηλαδή της τοποθέτησης της κάθε μονάδας σε μια τάξη - ή τη χρησιμοποίηση ενός κανόνα λήψης αποφάσεων. 3. Tης τοποθέτησης της ταξινομημένης μονάδας στη σωστή γεωγραφική της θέση-την πραγματική (actual) δημιουργία του χάρτη. Υπενθυμίζεται ότι ο όρος κάλυψη γης αναφέρεται στον τύπο του χαρακτηριστικού το οποίο βρίσκεται στην επιφάνεια της γης (π.χ. αγροί με καλαμπόκια, λίμνες, δάσος οξιάς). Ο όρος χρήση γης αναφέρεται στην ανθρώπινη δραστηριότητα ή την οικονομική λειτουργία που σχετίζεται με ένα συγκεκριμένο τμήμα της γης (π.χ. τμήμα γης στις παρυφές αστικής περιοχής για εγκατάσταση πολύτεκνων οικογενειών). Ανάλογα με το επίπεδο της χαρτογραφούμενης πληροφορίας το ίδιο τμήμα γης μπορεί να περιγραφεί ως αστική γη, οικιστική χρήση ή οικιστική χρήση για πολύτεκνες οικογένειες. Το ίδιο κομμάτι γης μπορεί να περιλαμβάνει τύπους κάλυψης γης όπως στέγες, γρασίδι, πεζοδρόμια και δένδρα. Υπάρχουν τρεις διαφορετικές αλλά συνδεδεμένες μεταξύ τους προσεγγίσεις από τις οποίες οι κατηγορίες ταξινόμησης για χρήση με δεδομένα τηλεπισκόπησης μπορούν να σχεδιαστούν. Η επιλογή των τάξεων βοηθάει στον ορισμό της ιδιαιτερότητας των χαρτών και των μονάδων που θα απεικονίζουν (Franklin 1999): 1. H γενετική προσέγγιση-οι μονάδες του τοπίου περιγράφονται από τάξεις που διαφέρουν βάση περιβαλλοντικών παραγόντων (Mabbut 1968). 2. H παραμετρική προσέγγιση-οι μονάδες τοπίου περιγράφονται από τάξεις οι οποίες διαφέρουν βάση ποσοτικών παραμέτρων (Blaszcynski 1997). 3. H ολοκληρωμένη προσέγγιση (ή προσέγγιση τοπίου)-οι μονάδες τοπίου καθορίζονται βάση πολλαπλών κριτηρίων και περιγράφουν επαναλαμβανόμενα πρότυπα (patterns), τοπογραφίας, εδάφους και βλάστησης (Mabbut 1968, Christian και Stewart 1968, Robinove 1979, 1981). 17

40 Το σύστημα ταξινόμησης, δηλαδή οι τάξεις που πρόκειται να χαρτογραφηθούν θα πρέπει να είναι εξαντλητικό και αμοιβαία αποκλειόμενο, αν και στα ασαφή συστήματα αυτή η απαίτηση μπορεί να είναι πιο χαλαρή (Townsend 2). Η έννοια τώρα της ταξινόμησης της εικόνας περιλαμβάνει τη χρησιμοποίηση ενός κανόνα για τη συνάθροιση ή ομαδοποίηση αντικειμένων (εικονοστοιχείων) σύμφωνα με τις τάξεις που ορίστηκαν στο πρώτο βήμα εξετάζοντας τις ιδιότητες τους-φασματικά πρότυπα τους. Ο σκοπός της ταξινόμησης επηρεάζει το τελικό αποτέλεσμα και συντελεί στη διαμόρφωση της διαδικασίας χαρτογράφησης. Όλες οι ταξινομήσεις δασικών οικοσυστημάτων έχουν σχεδιαστεί ώστε να δίνουν απαντήσεις σε δύο συγκεκριμένες ερωτήσεις για μια περιοχή (Sauer 1921, Robinove 1981): 1. Για μια συγκεκριμένη περιοχή ποιες είναι οι (δασικές) ιδιότητες της 2. Για μια συγκεκριμένη περιοχή ποια τμήματα έχουν τις κατάλληλες (δασικές) ιδιότητες. Καθώς για μια περιοχή μπορεί να υπάρχει άπειρος αριθμός ιδιοτήτων το πρώτο ερώτημα στοχεύει στην κατανόηση των ιδιοτήτων που παρουσιάζουν ενδιαφέρον. Στην ταξινόμηση δασικών οικοσυστημάτων οι ιδιότητες με ιδιαίτερο ενδιαφέρον αποτελούν τα κριτήρια με βάση τα οποία οι τάξεις θα διαφέρουν: σύνθεση ειδών, πυκνότητα, ηλικία, παραγωγικότητα και ούτω καθ εξής. Η χαρτογράφηση συντελείται με τη συμπλήρωση του τρίτου βήματος, το οποίο είναι η κατ ουσία, η διαδικασία επέκτασης της ταξινόμησης στο χωρικό όριο της γεωμετρικά αναφερμένης περιοχής ενδιαφέροντος Οπτική φωτοερμηνεία για τη χαρτογράφηση δασικών παραμέτρων Αρχές φωτοερμηνείας Η ερμηνεία εναέριων και δορυφορικών εικόνων, αποκλίνει από την ερμηνεία εικόνων σε καθημερινό επίπεδο στα εξής (Campbell 22): 1. Την απεικόνιση χαρακτηριστικών από ψηλά (overhead), μια μη συνηθισμένη προοπτική 2. Τη συχνή χρήση δεδομένων καταγεγραμμένων σε μήκος κύματος εκτός του ορατού μέρους του φάσματος. 3. Την απεικόνιση της επιφάνειας της γης σε μη οικείες κλίμακες και αναλύσεις εικόνων Η συστηματική μελέτη δορυφορικών εικόνων και Α/Φ περιλαμβάνει πολλά γνωρίσματα των χαρακτηριστικών που διακρίνονται σε μια εικόνα. Τα βασικότερα γνωρίσματα εξ αυτών αν και διαφέρουν ανάλογα με την εφαρμογή, είναι το σχήμα, η διάταξη, ο τόνος (ή απόχρωση), η υφή, οι σκιές, η τοποθεσία, η γειτνίαση και η ανάλυση (Olson 1963). Το σχήμα αναφέρεται στη γενικότερη μορφή, σύνθεση ή περίγραμμα μεμονωμένων αντικειμένων. 18

41 Το μέγεθος των αντικειμένων πρέπει να μελετάται στο πλαίσιο της κλίμακας της εικόνας. Επίσης πρέπει να λαμβάνεται υπόψη το σχετικό μέγεθος μεταξύ των αντικειμένων σε διαφορετικές εικόνες, της ίδιας όμως κλίμακας. Η διάταξη ή πρότυπο, σχετίζεται με την κατά χώρο θέση (διάταξη) των αντικειμένων στην εικόνα. Για παράδειγμα η ανά προκαθορισμένα διαστήματα διάταξη των δένδρων ενός οπωρώνα έρχεται σε αντίθεση με την ακανόνιστη διάταξη των δένδρων σε ένα φυσικό δάσος. Ο τόνος ή απόχρωση αναφέρεται στη σχετική φωτεινότητα ή χρώμα των αντικειμένων στην εικόνα. Χωρίς την ύπαρξη των σχετικών διαφορών στον τόνο, πληροφορία σε σχέση με το σχήμα, τη διάταξη, ή την υφή των αντικειμένων θα ήταν αδύνατο να διακριθεί. Υφή είναι η συχνότητα αλλαγών του τόνου σε μια εικόνα. Η υφή προκύπτει από τη γενίκευση χαρακτηριστικών των αντικειμένων, τα οποία μπορεί να είναι πολύ μικρά για να διακριθούν μεμονωμένα στην εικόνα, όπως τα δένδρα των φύλλων ή οι σκιές των φύλλων. Γενικά είναι το αποτέλεσμα του συνδυασμού στοιχείων των αντικειμένων όπως σχήμα μέγεθος, διάταξη, σκιά και τόνος. Καθώς η κλίμακα της εικόνας μειώνεται η υφή ενός αντικειμένου ή μιας περιοχής γίνεται σταδιακά λεπτότερη και εξαφανίζεται. Οι σκιές είναι σημαντικές για τη φωτοερμηνεία από δυο διαφορετικές απόψεις. Αφενός το σχήμα ή το περίγραμμα μιας σκιάς επιτρέπει το σχηματισμό μιας εικόνας προφίλ για τα αντικείμενα αλλά από την άλλη τα αντικείμενα εντός των σκιών αντανακλούν λίγο φώς και είναι δύσκολο να διαχωριστούν σε μια εικόνα-κατάσταση η οποία δυσκολεύει την ερμηνεία. Η τοποθεσία αναφέρεται στην τοπογραφική ή γεωγραφικής τοποθεσία και είναι ιδιαίτερα σημαντική για την αναγνώριση τύπων βλάστησης. Η συνάφεια αναφέρεται στην ύπαρξη ορισμένων αντικειμένων σε σχέση με άλλα. Η ανάλυση εξαρτάται από πολλούς παράγοντες, αλλά πάντα θέτει ένα πρακτικό όριο στη φωτοερμηνεία καθώς ορισμένα αντικείμενα μπορεί να είναι πολύ μικρά ή να έχουν πολύ χαμηλή αντίθεση με το γειτνιάζον περιβάλλον τους ώστε να διακρίνονται καθαρά στην εικόνα Φωτοερμηνεία εικόνων δασικών περιοχών Η διαδικασία οπτικής φωτοερμηνείας (visual image interpretation), για την αναγνώριση και χαρτογράφηση ειδών, είναι γενικά πιο πολύπλοκη από άλλες περιπτώσεις φωτοερμηνείας (π.χ. αναγνώριση αγροτικών ειδών). Μια ορισμένη δασική περιοχή συχνά εμφανίζει μίξη πολλών δασικών ειδών, σε αντίθεση με τις αγροτικές περιοχές όπου συνήθως συναντώνται μεγάλες ομοιόμορφες εκτάσεις. Επίσης συχνά αντικείμενο ενδιαφέροντος είναι ο υπόροφος, του οποίου η παρατήρηση συχνά παρεμποδίζεται από τις κόμες μεγαλύτερων δένδρων (Lillesand και Kiefer 24). 19

42 Τα δασικά είδη μπορούν να αναγνωριστούν σε δορυφορικές εικόνες και αεροφωτογραφίες και να τοποθετηθούν σε τάξεις μέσω μιας διαδικασίας διαδοχικής απομάκρυνσης εναλλακτικών τάξεων. Το πρώτο βήμα είναι η εξάλειψη των ειδών η παρουσία των οποίων σε μια περιοχή είναι αδύνατη ή απίθανη εξαιτίας της τοποθεσίας, της φυσιογραφίας ή του κλίματος. Το επόμενο βήμα είναι ο καθορισμός των ομάδων ειδών που εμφανίζονται στην περιοχή βάση της γνώσης συνενώσεων κοινών ειδών και των απαιτήσεων τους. Το τελικό στάδιο είναι η αναγνώριση των ειδών χρησιμοποιώντας βασικές αρχές φωτοερμηνείας. Τα χαρακτηριστικά της εικόνας όπως σχήμα, μέγεθος, διάταξη, σκιά, τόνος, τοποθεσία, σχέση με το περιβάλλον και υφή χρησιμοποιούνται για τη φωτοερμηνεία δασικών περιοχών. Κάθε είδος έχει το δικό του χαρακτηριστικό σχήμα κόμης και μέγεθος. Μερικά παρουσιάζουν στρογγυλεμένη κόμη (π.χ. οξιά), άλλα κωνικόμορφη (π.χ. ελάτη) και άλλα αστεροειδή. Σε πυκνές συστάδες η διάταξη των δασικών κομών δημιουργεί ένα πρότυπο ιδιαίτερο για πολλά είδη. Επίσης όταν τα δένδρα είναι απομονωμένα, οι σκιές παρέχουν μια εικόνα του προφίλ των ατόμων, η οποία είναι χρήσιμη για την αναγνώριση των ειδών. Ειδικότερα για δασικές περιοχές η ύπαρξη σκιών (Καρτέρης 199): 1. Καθιστά δυνατή τη μέτρηση του ύψους των δένδρων. 2. Καθιστά δυνατή την αναγνώριση δασοπονικών ειδών (ειδικότερα στην περίπτωση μεμονωμένων ή κρασπεδικών ατόμων). 3. Βελτιώνει την αίσθηση του ανάγλυφου. 4. Οδηγεί σε υπερεκτίμηση του βαθμού συγκόμωσης σε περίπτωση κάλυψης των διακένων από σκιές. 5. Δημιουργεί πιο σκούρο τόνο σε αραιές συστάδες σε σχέση με κλειστές συστάδες. Ο τόνος της εικόνας εξαρτάται από πολλούς παράγοντες και το γεγονός αυτό καθιστά δύσκολη τη συσχέτιση του τόνου με συγκεκριμένα είδη. Ωστόσο οι σχετικοί τόνοι σε μια εικόνα ή ένα σύνολο εικόνων μπορούν να έχουν μεγάλη αξία για τη διάκριση γειτονικών συστάδων διαφορετικών ειδών. Επίσης διαφοροποιήσεις στην υφή της κόμης είναι σημαντικές για την αναγνώριση των ειδών. Μερικά είδη έχουν θυσανοειδή εμφάνιση, κάποια άλλα εμφανίζονται με απαλή υφή ενώ άλλα παρουσιάζουν κυματοειδή μορφή. Ωστόσο η υφή των ειδών θα πρέπει να σημειωθεί ότι εξαρτάται σε μεγάλο βαθμό από την κλίμακα (Lillesand and Kiefer 24). Η δυνατότητα αναγνώρισης δασικών ειδών μπορούν να αναγνωριστούν σε Α/Φ, καθορίζεται επίσης από την κλίμακα και την ποιότητα των εικόνων καθώς και την ποικιλία και τη διάταξη των δένδρων. Τα χαρακτηριστικά της μορφής των δένδρων όπως σχήμα κόμης και τύπος διακλάδωσης, χρησιμοποιούνται για αναγνώριση σε μεγάλης κλίμακας εικόνες (μέχρι 1:5). Η αξιολόγηση και ερμηνεία αυτών των χαρακτηριστικών ελαττώνεται σταδιακά καθώς η κλίμακα μειώνεται. Τελικά τα χαρακτηριστικά αυτά γίνονται τόσο δυσδιάκριτα και αντικαθίστανται από συνολικά χαρακτηριστικά των συστάδων όπως υφή, τόνος και διάταξη σκιών. 2

43 Επίσης φαινολογικές συσχετίσεις είναι χρήσιμες για την αναγνώριση δασικών ειδών. Αλλαγές στην εμφάνιση των δένδρων σε διαφορετικές περιόδους του έτους σε κάποιες περιπτώσεις επιτρέπουν τη διάκριση των ειδών που είναι δυσδιάκριτα σε μια μόνο εικόνα. Το πιο προφανές παράδειγμα είναι ο διαχωρισμός φυλλοβόλων και αειθαλών δένδρων η οποία πραγματοποιείται όταν η φυλλωσιά των φυλλοβόλων έχει πέσει. Αυτή η διάκριση μπορεί να σημειωθεί και σε εικόνες κατά την άνοιξη οι οποίες έχουν αποκτηθεί σύντομα μετά την έκπτυξη των φύλλων ή και το φθινόπωρο μετά το χρωματισμό των φύλλων. Η φωτοερμηνεία εικόνων δορυφορικής αλλά και αερομεταφερομένης τηλεπισκόπησης έχει εφαρμογές και σε άλλους τομείς της δασικής πράξης εκτός από την αναγνώριση των ειδών που προαναφέρθηκε. Διάφορες άλλες εφαρμογές περιλαμβάνουν τη παρακολούθηση υλοτομημένων περιοχών, την εκτίμηση ζημιών στο δάσος από διάφορους παράγοντες (μύκητες κ.λπ.), την εκτίμηση του ισταμένου όγκου, την παρακολούθηση της αναγέννησης, τη χαρτογράφηση καύσιμης ύλης, τον προγραμματισμό διάνοιξης οδών, το σχεδιασμό χρήσεων γης κ.λπ.. Κλείνοντας να τονιστεί πως για όλες τις παραπάνω διαδικασίες που αναφέρθηκαν, είναι απαραίτητο στοιχείο η ύπαρξη υψηλής ποιότητας μετρήσεων πεδίου από επικουρικές επισκέψεις στην εκάστοτε περιοχή μελέτης, για υποβοήθηση της φωτοερμηνείας (Lillesand and Kiefer 24) Ψηφιακές μέθοδοι ταξινόμησης Για την αποτύπωση και χαρτογράφηση των δασικών οικοσυστημάτων (και όχι μόνο) μέσω αυτόματων ψηφιακών ταξινομήσεων, είναι αναγκαίος ο καθορισμός ενός οδικού χάρτη ταξινόμησης (classification road map), ο οποίος θα οδηγήσει στην παραγωγή του τελικού αποτελέσματος. O οδικός χάρτης ταξινόμησης περιγράφεται από τέσσερις διαφορετικές συνιστώσες, οι οποίες αποτελούν προσεγγίσεις από διαφορετική οπτική της έννοιας «μέθοδος ταξινόμησης» Επιβλεπόμενη και μη επιβλεπόμενη ταξινόμηση Από την οπτική της διαδικασίας ορισμού των κατηγοριών ταξινόμησης είναι δυνατόν να διακριθούν οι μέθοδοι: 1. Της επιβλεπόμενης ταξινόμησης, όπου οι προεπιλεγμένες τάξεις χαρακτηρίζονται από παρατηρήσεις των εξαρτημένων και επεξηγηματικών μεταβλητών και στη συνέχεια με τη χρήση ενός αλγόριθμου, το σύνολο των παρατηρήσεων κατανέμεται και εντάσσεται σε αυτές τις τάξεις. Κυρίαρχο στοιχείο είναι λοιπόν είναι η εκ των προτέρων (a priori) γνώση των κατηγοριών ταξινόμησης. 2. Από την άλλη αν ο καθορισμός των τάξεων γίνεται βάση της ομοιότητας μεμονωμένων παρατηρήσεων κατά τη διάρκεια της ταξινόμησης, τότε η μέθοδος αυτή χαρακτηρίζεται ως μη επιβλεπόμενη ταξινόμηση. Κυρίαρχο στοιχεί σ αυτή τη προσέγγιση παίζουν τα χαρακτηριστικά της σκηνής (εικόνας) και λιγότερο η εκ των προτέρων γνώση του χρήστη για τις κατηγορίες. Στις περισσότερες εφαρμογές της τηλεπισκόπησης σε δασικά οικοσυστήματα, οι κατηγορίες ταξινόμησης είναι εκ των προτέρων καθορισμένες. Στη μη επιβλεπόμενη ταξινόμηση, οι τάξεις 21

44 μπορεί να είναι καλύτερα διακριτές μαθηματικά μεταξύ τους, αλλά μπορεί να μη συμπίπτουν με τις επιθυμητές κατηγορίες του επιδιωκόμενου χάρτη (Franklin 1999). Για παράδειγμα οι Bauer κ.ά. (1994) για μια δασική έκταση στη Μινεσότα των Ηνωμένων Πολιτειών, βρήκαν ότι μόνο το 5% των τάξεων που είχαν προκύψει από μια μη επιβλεπόμενη ταξινόμηση μιας εικόνας LANDSAT, μπορούσαν να οριστούν ή να χαρακτηριστούν ως ευδιάκριτες κατηγορίες στο έδαφος, χρήσιμες για τη δασική απογραφή. Από την άλλη ωστόσο, στην ίδια έρευνα, η μέθοδος της επιβλεπόμενης ταξινόμησης, αποδείχτηκε ανεπαρκής λόγω της πολυπλοκότητας του δασικού οικοσυστήματος (αν και ένα τέτοιου είδους πρόβλημα πιθανότατα μπορεί να ξεπεραστεί με τον ορισμό πολλών φασματικών τάξεων για πολύπλοκες, μεικτές κατηγορίες του χάρτη). Σε άλλες ερευνητικές εργασίες, σε δασικού χαρακτήρα περιοχές, χρησιμοποιήθηκε μια υβριδική μέθοδο ταξινόμησης, συνδυάζοντας τις παραπάνω μεθόδους. Για παράδειγμα οι Woodcock κ.ά. (1994) και Franklin και Woodcock (1997) μέσω μιας μη επιβλεπόμενης ταξινόμησης αρχικά δημιούργησαν ομαδοποιήσεις εικονοστοιχείων στις εικόνες, τις οποίες στη συνέχεια ταξινόμησαν σε προκαθορισμένες (από την αρχή του έργου) τάξεις Άκαμπτη και ελαστική ταξινόμηση Μια άλλη συνιστώσα του οδικού χάρτη ταξινόμησης, είναι αυτή του αποτελέσματος της ταξινόμησης. Στην άκαμπτη ή σαφή (hard ή crisp) ταξινόμηση, η κάθε παρατήρηση μπορεί να ανήκει σε μια και μόνο κατηγορία ταξινόμησης. Αντίθετα στην ελαστική ή ασαφή ταξινόμηση (soft ή fuzzy), η κάθε παρατήρηση μπορεί να ανήκει σε περισσότερες από μια τάξεις, με διαφορετικό ποσοστό συμμετοχής σε κάθε μια εξ αυτών. Το πλεονέκτημα της υιοθέτησης της μεθόδου της ασαφούς ταξινόμησης για δασικές εφαρμογές έγκειται στο ότι ιδιαίτερα στα πολύπλοκα και μεικτά δασικά οικοσυστήματα, είναι δύσκολο να χαραχθούν επακριβώς τα όρια διάκρισης των κατηγοριών. Επίσης έχει αποδειχτεί ιδίως για χαμηλής χωρικής ανάλυσης εικόνες τηλεπισκόπησης, ότι το ποσοστό συμμετοχής σε μια κατηγορία ενός εικονοστοιχείου, μπορεί να χρησιμοποιηθεί και ως ένα μέτρο του ποσοστού κάλυψης του εδάφους εντός του εικονοστοιχείου από αυτή την κατηγορία. Παράλληλα η υιοθέτηση αρχικά μιας μεθόδου ασαφούς ταξινόμησης μπορεί να χρησιμοποιηθεί για τη βελτίωση της τελικής ταξινόμησης (συγκεκριμένης) σε δασικές περιοχές (Palubinskas κ.ά. 1995). Ωστόσο η υιοθέτηση μιας ασαφούς ταξινόμησης συνεπάγεται μεγαλύτερο όγκο πληροφοριών, γεγονός που κάνει ίσως πιο δύσκολη την ερμηνεία και την αξιολόγηση της ταξινόμησης, ενώ αυξάνει τον όγκο των δεδομένων καθώς τις απαιτήσεις σε υπολογιστική ισχύ. Ένα άλλο στοιχείο που μειώνει τη χρησιμότητα της ασαφούς ταξινόμησης είναι ότι συνήθως το αποτέλεσμα των ταξινομήσεων είναι χάρτες όπως για παράδειγμα δασοπονικών ειδών, συγκόμωσης κ.λπ., όπου μόνο μια κατηγορία μπορεί να απεικονιστεί για κάθε παρατήρηση, γεγονός που επηρεάζει επίσης και κάθε διαδοχική χρήση αυτού του χάρτη (π.χ. χωρική ανάλυση 22

45 και μοντελοποίηση). Γενικά η πλειονότητα των ταξινομήσεων εικόνων τηλεπισκόπησης για δασικά οικοσυστήματα εμπίπτουν στη κατηγορία των συγκεκριμένων ταξινομήσεων Αλγόριθμος ταξινόμησης Μια τρίτη συνιστώσα του οδικού χάρτη ταξινόμησης είναι αυτή του αλγόριθμου ταξινόμησης. Ο αλγόριθμος ταξινόμησης μπορεί να περιγραφεί συνοπτικά ως η μέθοδος σύγκρισης του προτύπου μιας παρατήρησης (εικονοστοιχείου ή αντικειμένου) που πρόκειται να ταξινομηθεί, με το πρότυπο συγκεκριμένων κατηγοριών ταξινόμησης (Swain και Davis 1978, Μather 1999). Ως πρότυπο μιας κατηγορίας ταξινόμησης ορίζεται το σύνολο μετρήσεων σε επιλεγμένα χαρακτηριστικά της υπό ταξινόμησης παρατήρησης, όπως αρχικοί και ενισχυμένοι δίαυλοι, χωρική πληροφορία, κ.λπ. (Mather 1999). Μια γενική διάκριση των αλγορίθμων ταξινόμησης είναι σε παραμετρικούς και μη παραμετρικούς αλγόριθμους. Οι παραμετρικοί (σε αντίθεση με τους μη παραμετρικούς) για τη λειτουργία τους στηρίζονται στην υπόθεση ότι οι κατανομές των κατηγοριών ταξινόμησης ακολουθούν την πολυμεταβλητή κανονική ή αλλιώς Gaussian κατανομή. Τα στατιστικά μέτρα για τα επιλεγμένα χαρακτηριστικά των τάξεων που συνήθως λαμβάνονται υπόψη είναι τα διανύσματα των μέσων τιμών και οι μήτρες διακύμανσης-συνδιακύμανσης. Ο αλγόριθμος της μέγιστης πιθανοφάνειας (maximum likelihood) είναι αυτός που χρησιμοποιείται συχνότερα για την ταξινόμηση χρήσεων/κάλυψης γης αλλά και ως μέτρο σύγκρισης με άλλους αλγόριθμους (Hubert-Moy 21, Franklin κ.ά. 22, Chen κ.ά. 24). Η πλειονότητα των ταξινομήσεων εικόνων δασικών οικοσυστημάτων στηρίζεται στη χρήση αυτού του αλγόριθμου είτε πρόκειται για δορυφορικές εικόνες μέσης χωρικής ανάλυσης (Franklin κ.ά. 23, Magnussen κ.ά. 24), είτε για υψηλής χωρικής ανάλυσης (Franklin κ.ά. 2, 21, Key κ.ά. 21, Coburn και Roberts 24, Le Wang κ.ά. 24, Carteer και Wolff 24). Ένας ακόμη παραμετρικός αλγόριθμος ταξινόμησης είναι της ελάχιστης απόστασης (minimum distance), ο οποίος έχει το πλεονέκτημα ότι είναι υπολογιστικά πιο γρήγορος και απλός σε σχέση με τον αλγόριθμο της μέγιστης πιθανοφάνειας, αλλά παρουσιάζει δυσκολία στο διαχωρισμό τάξεων με υψηλή μεταβλητότητα στις ραδιομετρικές τιμές, όπως για παράδειγμα σε περιοχές με αραιή κάλυψη από δένδρα (Franklin κ.ά. 23). Τα Γενικευμένα Γραμμικά Μοντέλα (Generalized Linear Models) έχουν χρησιμοποιηθεί για τη δημιουργία προβλέψεων της κατανομής των ειδών και των ιδιοτήτων του οικοσυστήματος (Franklin 1995). Οι Mallinis κ.ά. (24) επιχείρησαν να συσχετίσουν παραμέτρους συστάδων σε ένα Μεσογειακό οικοσύστημα, με τις τιμές των φασματικών διαύλων του Θεματικού Χαρτογράφου του LANDSAT με τη χρήση μοντέλων γραμμικής παλινδρόμησης ενώ οι Trotter κ.ά. (1997) εκτίμησαν των ιστάμενο όγκο με παρόμοια δεδομένα. Όπως προαναφέρθηκε πέραν των παραμετρικών υπάρχει μια πλειονότητα μη παραμετρικών αλγορίθμων οι οποίοι δεν έχουν τους περιορισμούς των παραμετρικών. Σ αυτή τη κατηγορία 23

46 περιλαμβάνονται ταξινομητές όπως ο κανόνας του παραλληλεπιπέδου, του πλησιέστερου γειτονικού σημείου, τα νευρωνικά δίκτυα, τα δένδρα ταξινόμησης και η ανάλυση φασματικής μίξης. Η Ανάλυση Φασματικής Μίξης (Spectral Mixture Analysis), ουσιαστικά ανακατασκευάζει τις ψηφιακές τιμές των εικονοστοιχείων βάση των φασματικών χαρακτηριστικών των αντικειμένων που βρίσκονται εντός του (συνήθως χαμηλής ευκρίνειας) εικονοστοιχείου. Τα μοντέλα που χρησιμοποιούνται για την ανάλυση φασματική μίξης μπορεί να είναι είτε γραμμικά (Adams κ.ά. 1993) είτε μη γραμμικά (Shimabukuro και Smith 1994). Στη γραμμική μοντελοποίηση της μίξης υιοθετείται η υπόθεση ότι ένας μικρός αριθμός υλικών μπορεί να αναπαράγει την παρατηρούμενη φασματική τιμή όταν αναμιχθούν μεταξύ τους σε συγκεκριμένες αναλογίες (Adams κ.ά. 1993). Ο μικρός αριθμός των υλικών αναφέρεται ως απώτερα στοιχεία ή συνιστώσες (endmembers ή components) (Gong κ.ά. 1994). Η βασική ενέργεια για την υλοποίηση της SMA είναι η συλλογή καθαρών φασματικών υπογραφών για κάθε κατηγορία η οποία βρίσκεται σε μια περιοχή, με τη χρήση ενός φασματοραδιομέτρου (Milton 1987). Η διαδικασία αναδόμησης ενός εικονοστοιχείου από απώτερα στοιχεία δεν είναι μια απλή διαδικασία και γι αυτό γίνονται συχνά λάθη λόγω υπεραπλούστευσης. Όπως προαναφέρθηκε για αυτή τη διαδικασία ταξινόμησης συνήθως απαιτούνται χαμηλής χωρικής ανάλυσης εικονοστοιχεία ή εικόνες που ακολουθούν το μοντέλο σκηνής χαμηλής ευκρίνειας. Ωστόσο στην ανάλυση φασματική μίξης μπορεί να υπάρξει συνέργεια με υψηλής ευκρίνειας δεδομένα (αερομεταφερόμενοι ή δορυφορικοί δέκτες), τα οποία μπορούν να χρησιμοποιηθούν για τη συλλογή απώτερων στοιχείων της περιοχής βάση της εικόνας, δημιουργώντας μ αυτό τον τρόπο δεσμούς μεταξύ τοπικών και περιφερειακών πηγών δεδομένων. Οι Hall κ.ά. (1995) εκτίμησαν δασικούς βιοφυσικούς παραμέτρους με τη χρήση της μεθόδου SMA και γεωμετρικόοπτικής μοντελοποίησης. Επίσης οι Xiao κ.α (24), χρησιμοποιώντας δεδομένα του καταγραφέα AVIRIS και τον αλγόριθμο SMA, χαρτογράφησαν δασοπονικά είδη σε αστικές περιοχές, ενώ οι Peddle και Johnson (2) εκτίμησαν το Δείκτη Φυλλικής Επιφάνειας σε μια ορεινή περιοχή με τη χρήση δεδομένων από κάμερα, σε ύψη έως 4 πόδια. Παρομοίως οι Ustin και Ciao (21) διέκριναν 6 δασικούς και 3 μη δασικούς τύπους κάλυψης γης σε δασική περιοχή της Αλάσκας με βελτιωμένη ακρίβεια σε σχέση με μια ταξινόμηση εικόνας SPOT με τον αλγόριθμο της μέγιστης πιθανοφάνειας. Οι αλγόριθμοι των νευρωνικών δικτύων (Ripley 1996) έχουν χρησιμοποιηθεί με αρκετή επιτυχία πρόσφατα στην ταξινόμηση δεδομένων τηλεπισκόπησης, συμπεριλαμβανομένης της χαρτογράφησης δασικών οικοσυστημάτων (Carpenter κ.ά. 1997, 1999, Kimes κ.ά. 1999). Υπάρχουν δύο τύποι διαδικασιών εκπαίδευσης ενός νευρωνικού δικτύου: η επιβλεπόμενη εκμάθηση (ανάλογη για παράδειγμα με τη παλινδρόμηση, τη διακριτική ανάλυση κ.ά.) και η μη επιβλεπόμενη εκμάθηση (ανάλογη με την παραγοντική ανάλυση, την Ανάλυση Κυρίων Συνιστωσών και την ανάλυση κατά ομάδες). Υπάρχουν διάφοροι τύποι (αρχιτεκτονικές δομές) 24

47 νευρωνικών δικτύων μεταξύ των οποίων: τα δίκτυα εμπρός τροφοδότησης πολλών επιπέδων (feed forward multi-layer perceptron) τα οποία εκπαιδεύονται με τη χρήση ενός αλγόριθμου πίσω διάδοσης λάθους (back propagation algorithm), τα αναδρομικά (feed back) δίκτυα Hopfield, τα μη επιβλεπόμενης ταξινόμησης δίκτυα Kohonen, τα μονοεπίπεδα δίκτυα Συναρτήσεων Ακτινικής Βάσης (Radial Basis Function) κ.λπ. Γενικά με απλούς όρους ένα Τεχνητό Νευρωνικό Δίκτυο μαθαίνει το πρότυπο ενός τύπου κάλυψης (για παράδειγμα δάσος οξιάς) μέσω μιας διαδικασίας στην οποία κάθε παρατήρηση στο δείγμα εκπαίδευσης με γνωστή συμμετοχή σε κάποια τάξη λαμβάνεται σε πρώτη φάση υπόψη, πολλαπλασιάζονται οι επεξηγηματικές μεταβλητές με ένα σύνολο βαρών και τελικά υπολογίζεται η συμμετοχή σε κάθε τάξη (Franklin κ.ά. 23). Τα βάρη διορθώνονται και προσαρμόζονται με επαναληπτικές διαδικασίες για τη βελτίωση της σύγκλισης μεταξύ των πραγματικών τιμών των παρατηρήσεων εκπαίδευσης και των προβλεπόμενων από το δίκτυο. Αυτή η διαδικασία επαναλαμβάνεται μέχρι το δίκτυο να ανταποκρίνεται στη σωστή τάξη για όλες τις παρατηρήσεις εκπαίδευσης ή μέχρι ο αριθμός των σφαλμάτων να ελαττωθεί σε αποδεκτό επίπεδο. Τα Τ.Ν.Δ. πλεονεκτούν σε σχέση με άλλους αλγόριθμους: 1. Στο ότι έχουν τη δυνατότητα να μαθαίνουν πολύπλοκα πρότυπα και τάσεις στα δεδομένα. 2. Είναι λιγότερο ευαίσθητα σε δεδομένα που λείπουν ή άλλα προβλήματα στη ποιότητα των δεδομένων και 3. Δεν επηρεάζονται από αλληλοσυσχετίσεις στις μεταβλητές (Key κ.ά. 1989, Foody κ.ά. 1995, Fischer κ.ά. 1997). Από την άλλη η κριτική για τα Τ.Ν.Δ. εστιάζεται στο ότι: 1. Είναι δύσκολα στο σχεδιασμό τους (π.χ. καθορισμός βέλτιστου αριθμού κόμβων, επιπέδων κ.λπ.). 2. Ο χρόνος εκπαίδευσης είναι πολύ μεγάλος (αρκετές ώρες). 3. Τα αποτελέσματα εξαρτώνται πολύ από τα αρχικά βάρη. 4. Η δυνατότητα γενίκευσης τους εξαρτάται από την πολυπλοκότητα τους (Ardo κ.ά. 1997, Skidmore κ.ά. 1997, Mather κ.ά. 1999). Οι Carpenter κ.ά. (1997) χρησιμοποιώντας δεδομένα LANDSAT, βρήκαν σημαντική βελτίωση στην ακρίβεια ταξινόμησης πάνω από 1 δασικών τύπων σε σχέση με μια μέθοδο βάση γνώσης. Αλλά και οι Peddle κ.ά. (1994) συγκρίνοντας Τ.Ν.Δ., αποδεικτική λογική και τον αλγόριθμο της μέγιστης πιθανοφάνειας σε ένα αλπικό δασικό περιβάλλον βρήκαν τα αποτελέσματα των Τ.Ν.Δ. ανώτερα. Αντίθετα οι Skidmore κ.ά. (1997) δεν βρήκαν σημαντική διαφορά στη χαρτογράφηση δασών ευκαλύπτου με τη χρήση Τ.Ν.Δ. σε σχέση με τον αλγόριθμο μεγίστης πιθανοφάνειας. Επίσης οι Benedikton κ.ά. (199), Peddle κ.ά. (1994) συμφωνούν στην ύπαρξη μεγάλων απαιτήσεων από πλευράς T.N.Δ. για δεδομένα εκπαίδευσης και ικανότητα του αναλυτή, καθώς και στο ότι οι αποφάσεις διαχωρισμού των τάξεων ακολουθούν τη λογική του μαύρου κουτιού και συμπεραίνουν ότι οι παραπάνω λόγοι έχουν συντελέσει στην ομολογουμένως μικρή εξάπλωση των Τ.Ν.Δ. στις δασικές εφαρμογές όπου περισσότερο από αλλού επιχειρείται ανάλυση και σύνδεση των παραμέτρων του οικοσυστήματος με τη φασματική απόκριση των κατηγοριών. 25

48 Τέλος οι Ardo κ.ά. (1997) βρήκαν παρόμοια αποτελέσματα κατά την ταξινόμηση ζημιών σε ένα δάσος με δορυφορικά δεδομένα LANDSAT, μεταξύ Τ.Ν.Δ. και ενός μοντέλου λογιστικής παλινδρόμησης. Τα γεωμετρικό-οπτικά μοντέλα έχουν αναπτυχθεί για την εκτίμηση της ανάκλασης προς διάφορες κατευθύνσεις της προσπίπτουσας ακτινοβολίας σ ένα δένδρο, με το μοντέλο των Li και Strahler (1985) το οποίο αναπτύχθηκε για οικοσυστήματα κωνοφόρων δένδρων να είναι το πιο ευρέως διαδεδομένο. Το μοντέλο αυτό εκλαμβάνει την τρισδιάστατη δομή της κόμης ως τον κυριότερο παράγοντα ο οποίος επηρεάζει την ακτινοβολία που ανακλάται από την κόμη. Το μοντέλο υποθέτει ότι οι μετρήσεις του δέκτη (εικονοστοιχεία) είναι μεγαλύτερες από το μέγεθος μεμονωμένων δένδρων αλλά μικρότερες από το μέγεθος των συστάδων. Το σήμα που καταγράφεται από το δέκτη μοντελοποιείται ως να συντίθεται από το ανακλώμενο φώς προερχόμενο από τις φωτιζόμενες και σκιαζόμενες κόμες των δένδρων (το φωτιζόμενο και σκιαζόμενο φόντο όπως καταγράφεται από τον αισθητήρα του καταγραφέα). Οι Woodcock κ.ά. (1994, 1997), χρησιμοποίησαν το αντίστροφο μοντέλο για την αξιόπιστη εκτίμηση της δασοκάλυψης και μάλιστα σε επιχειρησιακό επίπεδο για συστάδες κωνοφόρων. Τα δένδρα αποφάσεων ή δένδρα ταξινόμησης ή δένδρα παλινδρόμησης είναι μια άλλη μέθοδος που έχει χρησιμοποιηθεί για την ταξινόμηση και χαρτογράφηση δασικών παραμέτρων με δεδομένα τηλεπισκόπησης μέσης και υψηλής ευκρίνειας (Friedl και Brodley 1997, Preston κ.ά. 1998, Franklin κ.ά. 2). Γενικά τα δεδομένα εκπαίδευσης διαχωρίζονται μέσω μιας επαναληπτικής διαδικασίας και ενός κρίσιμου ορίου μιας εκ των επεξηγηματικών μεταβλητών. Οι διχοτομήσεις πραγματοποιούνται έτσι ώστε να αυξάνεται η ομοιογένεια των υποσυνόλων που προκύπτουν. Και εδώ όπως στα Τ.Ν.Δ. χρησιμοποιούνται πρότυπα στα δεδομένα εκπαίδευσης για την ανάπτυξη κανόνων ταξινόμησης για κάθε κατηγορία. Οι κανόνες ταξινόμησης στη συνέχεια χρησιμοποιούνται για την ταξινόμηση νέων παρατηρήσεων. Τα πλεονεκτήματα χρησιμοποίησης δένδρων ταξινόμησης στα δασικά οικοσυστήματα είναι i) ότι είναι κατάλληλα για την πρόβλεψη και κατηγορικών (π.χ. δάσος/μη δάσος, είδη) και συνεχόμενων μεταβλητών (βιομάζα, δασοκάλυψη) (Franklin 1995, Preston κ.ά. 1998) και ii) ότι μπορούν να αναγνωρίζουν αυτόματα ιεραρχικές σχέσεις και αλληλεπιδράσεις μεταξύ των μεταβλητών. Τα δένδρα λήψης αποφάσεων έχουν χρησιμοποιηθεί από τους Brown de Colstoun κ.ά. 23, για τη χαρτογράφηση των τύπων βλάστησης σε ένα εθνικό πάρκο των Ηνωμένων Πολιτειών, στα πλαίσια του αντίστοιχου προγράμματος και οι οποίοι επισημαίνουν την ευελιξία και τη δυνατότητα αυτοματοποίησης του αλγόριθμου. Τέλος οι Xu κ.ά. (25), βρήκαν σημαντικές διαφορές στα αποτελέσματα της ταξινόμησης μεταξύ της χρήσης δένδρων ταξινόμησης και του αλγόριθμου της μέγιστης πιθανοφάνειας (περίπου 2%) για την κάλυψη γης, τόσο στη συγκεκριμένη όσο και στην ασαφή εκδοχή της ταξινόμησης. Να σημειωθεί ότι σε αρκετές μελέτες εκτός από τους αρχικούς φασματικούς διαύλους χρησιμοποιούνται επιπλέον συνθετικές εικόνες, οι οποίες προέρχονται από τον υπολογισμό 26

49 μέτρων υφής, για τη βελτίωση της ταξινόμησης ιδίως σε υψηλή χωρικής ανάλυσης (<2 μέτρα) δεδομένα τηλεπισκόπησης (Dikshit και Roy 1996, Franklin κ.ά. 21). Χρησιμοποιώντας δεδομένα CASI (Compact Airborne Spectrometric Image) με μέγεθος εικονοστοιχείου 1 μέτρο, βρήκαν ότι εικόνες υφής που προέκυψαν από τον υπολογισμό των στατιστικών μέτρων του Haralick (Haralick 1973), βελτίωσαν ελαφρά την ακρίβεια ταξινόμησης σε αμιγείς και μεικτές συστάδες στο Καναδά (από 6 σε 65%). Ωστόσο σε μια άλλη περιοχή στο Καναδά, οι Franklin κ.ά. (2) βρήκαν ότι η χρήση εικόνων υφής βελτίωσε κατά 12 % την ακρίβεια ταξινόμησης δασικών τάξεων με δεδομένα CASI ενώ στο ίδιο συμπέρασμα κατέληξαν οι Franklin κ.ά. (23) με δεδομένα μέσης χωρικής ευκρίνειας Μονάδα ταξινόμησης Τέλος η τέταρτη συνιστώσα του οδικού χάρτη ταξινόμησης είναι αυτή της σειράς με την οποία η αναγνώριση των αντικειμένων λαμβάνει χώρα. Από τη μια η αντικειμενοστραφής ταξινόμηση όπου αφού σχηματιστεί η μορφή των αντικειμένων (ή σε κάποιες περιπτώσεις αυτή είναι ήδη καθορισμένη από υπάρχοντα διανυσματικά δεδομένα) αυτά αποκτούν ταυτότητα και από την άλλη η βάση εικονοστοιχείων ταξινόμηση όπου πρώτα ταυτοποιούνται τα εικονοστοιχεία και μετά σχηματίζονται τα αντικείμενα. Γενικότερα η αντικειμενοστραφής προσέγγιση αναφέρεται σε τεχνικές επεξεργασίας εικόνας οι οποίες όταν εφαρμόζονται οδηγούν στην κατάτμηση (segmentation) μιας εικόνας σε διακριτές μη επικαλυπτόμενες μονάδες βάση συγκεκριμένων κριτηρίων. Μετά την κατάτμηση, ιδιότητες μπορούν να ανατεθούν στα τμήματα ώστε να επιτρέψουν την περιγραφή των τάξεων και την ανάπτυξη τοπολογικών σχέσεων μεταξύ των τμημάτων (Burnett και Blanchet 23). Τα τμήματα περιγράφουν κατατμημένα αντικείμενα της εικόνας (μπορούν φυσικά να είναι και αντικείμενα σε κάποιες περιπτώσεις). Ωστόσο δεν πρέπει να παραγνωρίζεται ότι η σημασία και οι διαστάσεις των αντικειμένων αλλάζουν ανάλογα με την κλίμακα της ανάλυσης. Επιπλέον καμία χωρική κλίμακα δεν είναι ιδεατή για το χαρακτηρισμό των επιμέρους συστατικών μιας σκηνής και επομένως είναι χρήσιμη η πολλαπλής κλίμακας αντικειμενοστραφής ανάλυση (Hay κ.ά. 1997). Για αυτό το λόγο την τελευταία δεκαετία αναπτύχθηκε η πολλαπλής κλίμακας αντικειμενοστραφής προσέγγιση (multi scale object oriented). Ο όρος πολλαπλή-κλίμακα αναφέρεται στις διάφορες χωρικές διαστάσεις στις οποίες οντότητες, πρότυπα και διεργασίες μπορούν να παρατηρηθούν και να μετρηθούν. Ο όρος αντικειμενοστραφής αναφέρεται στο ότι αυτές οι οντότητες γίνονται διακριτές και αποκτούν ιδιότητες. Σημαντική ώθηση στην τάση υιοθέτησης μεθόδων αντικειμενοστραφούς ανάλυσης πολλαπλής κλίμακας έδωσε το γεγονός της ύπαρξης τα τελευταία χρόνια πολύ υψηλής ευκρίνειας δορυφορικών δεδομένων τηλεπισκόπησης. Μια σημαντική ιδιότητα αυτών των δεδομένων είναι ότι ακολουθούν (για πολλές εφαρμογές) το υψηλής ευκρίνειας μοντέλο σκηνής. Τα αντικείμενα της εικόνας είναι ομάδες συνδεδεμένων εικονοστοιχείων με παρόμοιες 27

50 ψηφιακές τιμές, τα οποία οπτικά αναπαριστούν αντικείμενα σε μια εικόνα και τα οποία μπορούν να αντιστοιχιστούν σε οντότητες του πραγματικού κόσμου. Επιπλέον λόγοι που συντέλεσαν στην ανάπτυξη αντικειμενοστραφών προσεγγίσεων είναι (Hay κ.ά. 25): 1. Η αναγνώριση πως μεμονωμένα εικονοστοιχεία δεν είναι πραγματικά γεωγραφικά αντικείμενα. Αντίθετα είναι κελιά ενός τυχαία τοποθετημένου καννάβου με όρια χωρίς αντίστοιχο στον πραγματικό κόσμο και των οποίων το περιεχόμενο αντιστοιχεί σε ενσωμάτωση ενέργειας και εκτός του ορίου τους (Jupp κ.ά. 1988, Fisher 1997). 2. Το γεγονός πως οι άνθρωποι δεν βλέπουν τον κόσμο να αποτελείται από μεμονωμένα εικονοστοιχεία αλλά ως μια συνέχεια διακριτών αντικειμένων (Marceau 1999). 3. Τα τελευταία χρόνια παρατηρήθηκε ραγδαία ανάπτυξη αντικειμενοστραφών εργαλείων, τεχνικών, μεθόδων και λογισμικών στις επιστήμες της πληροφορική (computer science) (Graham κ.ά. 21) και των Γ.Σ.Π. (Longley κ.ά. 21). 4. Επίσης συνέβησαν σημαντικές αλλαγές στη υπολογιστική ισχύ των υπολογιστών, στις απαιτήσεις της αγοράς κ.λπ. 5. Η σύλληψη και ανάπτυξη θεωριών όπως η Hierarchical Patch Dynamics Paradigm (HPDP) (Wu και Loucks 1995) παρείχε το ιδεολογικό πλαίσιο, για την ερμηνεία της ιεραρχικής και πολλαπλής κλίμακας δομής του τοπίου, και η οποία μπορεί να γίνει επιχειρησιακά μέσω μιας αντικειμενοστραφούς προσέγγισης (Hay κ.ά. 21, 23). 6. Οι αντικειμενοστραφής προσέγγιση στην ταξινόμηση μπορεί να αποτελέσει τη λύση στο φαινόμενο MAUP (Hay κ.ά. 21). Για την κατάτμηση των εικόνων η οποία ορίζεται ως ο διαχωρισμός των εικόνων τηλεπισκόπησης σε διακριτές μη επικαλυπτόμενες περιοχές ή αντικείμενα τα οποία είναι ομοιογενή ως προς τα φασματικά χωρικά χαρακτηριστικά (Ryherd και Woodcock 1996), διάφοροι αλγόριθμοι έχουν αναπτυχθεί από τις επιστήμες της Αναγνώρισης Προτύπων (Pattern Recognition) και Computer Vision από τη δεκαετία του 198 με επιτυχημένες εφαρμογές σε τομείς όπως η ιατρική και η μηχανική των τηλεπικοινωνιών. Ωστόσο εξαιτίας της πολυπλοκότητας των εννοιών για την ύπαρξη αντικειμένων αλλά και της ανομοιογένειας των διαθέσιμων δορυφορικών δεδομένων, η εφαρμογή τους στους τομείς της Τηλεπισκόπησης και της Φωτογραμμετρίας περιοριζόταν σε εξειδικευμένες εφαρμογές. Με την εξέλιξη και διάθεση υψηλής χωρικής ευκρίνειας δεδομένων καθώς και περισσότερων επιλογών αναφορικά με το συνδυασμό των δεδομένων, ένα γενικευμένο ενδιαφέρον σε μεθόδους κατάτμησης έγινε ξανά εμφανές. Βασικός στόχος των αλγόριθμων κατάτμησης είναι η συγχώνευση και ένωση των στοιχείων της εικόνας με βάση κριτήρια ομοιογένειας ή βάση κριτηρίων διαφοροποίησης σε γειτονικές περιοχές αντίστοιχα. Επομένως οι μέθοδοι κατάτμησης ακολουθούν τις υψηλά συσχετισμένες αρχές της γειτνίασης και ομοιότητας των τιμών Μέθοδοι κατάτμησης Γενικότερα μπορούν να διακριθούν οι παρακάτω προσεγγίσεις στο διαχωρισμό μιας εικόνας (σκηνής) σε ομοιογενείς περιοχές: Οι μέθοδοι βάση σημείων (point based methods) ψάχνουν για ομοιογενή στοιχεία στο σύνολο της σκηνής εφαρμόζοντας γενικά κριτήρια καθορισμού κρίσιμων ορίων και οι οποίες συνδυάζουν τα εικονοστοιχεία εκείνα τα οποία παρουσιάζουν ίση ή τουλάχιστον παρόμοια 28

51 ραδιομετρική (ή κάποιου άλλου χαρακτηριστικού) τιμή. Η διαδικασία καθορισμού κρίσιμων ορίων διαιρεί το χώρο στον οποίο κατανέμεται ένα χαρακτηριστικό (για παράδειγμα το φασματικό χώρο αν το χαρακτηριστικό είναι ο δίαυλος μιας εικόνας) σε δύο ή περισσότερα τμήματα. Η επιλογή του κρίσιμου ορίου για κάθε περίπτωση μπορεί να γίνει στατιστικά ή δυναμικά με οπτική ανάλυση της πληροφορίας που εμπεριέχεται στο ιστόγραμμα της εικόνας. Καθώς αυτή η ομαδοποίηση δεν έχει λάβει υπόψη την αρχή της γειτνίασης, στο επόμενο στάδιο πραγματοποιείται μια ανάλυση της συνδεσιμότητας (connectivity analysis) στο χώρο που ορίζεται από τη σκηνή. Σ αυτό το στάδιο, μονάδες με παρόμοια τιμή (π.χ. τιμή «1») οι οποίες συνδέονται χωρικά ομαδοποιούνται σε μια ομοιογενή περιοχή. To μειονέκτημα αυτής της προσέγγισης αναφορικά με την εφαρμογή της σε δεδομένα τηλεπισκόπησης έγκειται στις διαφορετικές τιμές ανάκλασης για το ίδιο αντικείμενο (π.χ. δένδρο) τοποθετημένο σε ποικίλες θέσεις στην πραγματικότητα και στη σκηνή. Οι μέθοδοι διάκρισης των άκρων (edge based approaches) περιγράφουν τα τμήματα βάση των άκρων τους. Τα τμήματα αυτά δημιουργούνται μέσω μεθόδων εντοπισμού των άκρων (π.χ. φίλτρα Sobel) ακολουθούμενα από ένα αλγόριθμο δημιουργίας ισοσταθμικών γραμμών. Το κύριο μειονέκτημα αυτών των μεθόδων είναι ότι οι εικόνες που περιέχουν τα άκρα και τις ισοσταθμικές επηρεάζονται ιδιαίτερα από την ύπαρξη τυχόν θορύβου ο οποίος μπορεί να οδηγήσει σε υπέρ-κατάτμηση όπως για παράδειγμα σε τμήματα της εικόνας με ξυλώδη βλάστηση και σκιές. Οι μέθοδοι βάση περιοχών (region based) ενεργοποιούνται στο χώρο κάθε σκηνής και τα διαθέσιμα στοιχεία (εικονοστοιχεία ή υπάρχουσες περιοχές) συγκρίνονται όσον αφορά την ομοιότητα τους με άλλα στοιχεία. Αναφορικά με τον καθορισμό της αρχικής ανάπτυξης μπορούν να διακριθούν: 1. Η διαδικασία της ανάπτυξης των περιοχών (region growing) από κάτω προς τα πάνω ξεκινώντας π.χ. από ένα αρχικό εικονοστοιχείο και 2. Του διαχωρισμού περιοχών (region splitting) από το σύνολο της σκηνής προς τα κάτω. Ένα μειονέκτημα της μεθόδου διαχωρισμού περιοχών είναι ότι έχει την τάση να δημιουργεί φαινόμενα υπέρ-κατάτμησης καθώς ο διαχωρισμός παράγει πάντα ένα συγκεκριμένο αριθμό υπό περιοχών (συνήθως τέσσερις) αν και μόνο δυο ή τρεις από αυτές μπορεί στην πραγματικότητα να παρουσιάζουν αυξημένο βαθμό ομοιογένειας. Επιπλέον μια άλλη διάκριση που μπορεί να γίνει στις μεθόδους κατάτμησης είναι σε μεθόδους «από κάτω προς τα πάνω» (bottom-up) ή μη καθοδηγούμενες και σε μεθόδους «από πάνω προς τα κάτω» (top-down) ή καθοδηγούμενες (Borenstein κ.ά. 24). Στην πρώτη προσέγγιση ο στόχος είναι η κατάτμηση της εικόνας σε περιοχές (regions) και στη συνέχεια η αναγνώριση των περιοχών εκείνων που αντιστοιχούν σε ένα αντικείμενο. Βασισμένη κυρίως σε αρχές συνοχής αυτή η προσέγγιση ομαδοποιεί εικονοστοιχεία σύμφωνα με τις ψηφιακές τιμές ή την ομοιομορφία της υφής καθώς και στην ομαλότητα και συνοχή των 29

52 ισοσταθμικών. 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. 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 μεταβλητότητα στο σχήμα και την εμφάνιση των αντικειμένων μιας συγκεκριμένης τάξης, προβλήματα ιδιαίτερα εμφανή στα αντικείμενα των δασικών περιοχών Δεσμοί οικολογίας τοπίου και πολλαπλής κλίμακας αντικειμενοστραφούς επεξεργασίας των εικόνων. Οι περισσότερες μέθοδοι κατάτμησης ακολουθούν ένα διακριτό μοντέλο τοπίου, το τμηματικό ομοιογενές μοντέλο. Σ αυτό το μοντέλο το τοπίο αποτελείται από ένα μωσαϊκό γειτονικών γεωγραφικών αντικειμένων, ακανόνιστου σχήματος και μεγέθους, τα οποία καλύπτουν το επίπεδο εξαντλητικά. Κάθε αντικείμενο θεωρείται εσωτερικά ομοιογενές στο επίπεδο γενίκευσης (level of abstraction)- επίπεδο κλίμακας. Ωστόσο οι Woodcock και Harward (1992), διατύπωσαν την έννοια του χωρικά εμφωλευμένου ιεραρχικού μοντέλου σκηνής (spatial nested hierarchical model). Στο μοντέλο αυτό η χωρική δομή των εικόνων τηλεπισκόπησης ανακλά μια ιεραρχία εμφωλευμένων επιπέδων, στην οποία κάθε αντικείμενο (π.χ. συστάδα), μπορεί να θεωρηθεί ως ένα σύνολο που αποτελείται από μικρότερα σύνολα (π.χ. δένδρα) και ως μέρος ενός μεγαλύτερου συνόλου (π.χ. δάσος). Παράλληλα επισημαίνουν ότι οι προϋποθέσεις του τμηματικού ομοιογενούς μοντέλου που μέχρι τότε κυριαρχούσε, καθιστούν την εφαρμογή του για κάποιες εφαρμογές τηλεπισκόπησης περιοριστική. Το μοντέλο αυτό υποθέτει ότι τα αντικείμενα (ή χωροψηφίδες) του τοπίου έχουν κοινή, χαμηλή εσωτερική μεταβλητότητα. Ωστόσο αυτή η υπόθεση δεν είναι επαρκής για εικόνες τηλεπισκόπησης, καθώς διαφορετικοί τύποι κάλυψης, παρουσιάζουν διαφορετικά επίπεδα διακύμανσης για το ίδιο μέγεθος εικονοστοιχείου. Ως αποτέλεσμα είναι πολύ απίθανο ότι όλες οι περιοχές που προκύπτουν από μια ανάλυση εικόνας με το τμηματικό μοντέλο να είναι του ίδιου επιπέδου ιεραρχίας. Επομένως η χρήση κάποιου περιορισμού στο μέγεθος των τμημάτων που δημιουργούνται (ελάχιστομέγιστο μέγεθος) διασφαλίζει ότι τα αποτελέσματα της κατάτμησης θα αντιστοιχούν σε συγκεκριμένο επίπεδο. (Η FNEA χρησιμοποιεί αντί του περιορισμού του μεγέθους την κατανομή των τμημάτων που θα συγχωνευτούν το δυνατόν μακρύτερα μεταξύ τους στην εικόνα βλ. παρ ). Με την υιοθέτηση αυτού του χωρικά εμφωλευμένου μοντέλου σκηνής διασφαλίζεται για παράδειγμα ότι όλες οι πυκνές συστάδες δεν θα ενωθούν μεταξύ τους (λόγω της εσωτερικής μεταβλητότητας) ούτε ότι τυχόν αραιές συστάδες δεν θα δημιουργηθούν. Αυτή η προσέγγιση των Woodcock και Harward, συνδέει (αλλά και καθιστά λογική και επιτρεπτή) την ανάλυση σκηνών από δεδομένα τηλεπισκόπησης με την ιεραρχική φύση του τοπίου όπως αποτυπώνεται ξεκάθαρα στην επιστήμη της οικολογίας τοπίου από τους Wu και Loucks (1995) και Wu

53 στη θεωρία H.P.D.P.. Η θεωρία αυτή διαμορφώνει ένα θεωρητικό πλαίσιο στο οποίο ενσωματώνονται οι κάθετες συνιστώσες της θεωρίας της ιεραρχίας και οι οριζόντιες συνιστώσες της δυναμικής των χωροψηφίδων για να εκφράσει τις σχέσεις μεταξύ διάταξης, λειτουργίας και κλίμακας στα πλαίσια του τοπίου. Σύμφωνα με τη θεωρία της ιεραρχίας (Allen και Star 1982, O Neill κ.ά. 1986) ένα τοπίο μπορεί να περιγραφεί ως μια συναθροισμένη οντότητα αποτελούμενη από παράπλευρα επίπεδα οργάνωσης. Το φαινόμενο ενδιαφέροντος αντιπροσωπεύεται στο επίπεδο ή (εστιακό επίπεδο) ως συστατικό ενός υψηλότερου επιπέδου (Επίπεδο +1). Το Επίπεδο, αποτελείται από συνιστώσες που απαρτίζουν το κατώτερο επίπεδο (Επίπεδο -1). Οι δυναμικές του ανώτερου επιπέδου οδηγούν και ελέγχουν τα φαινόμενα του Επιπέδου, ενώ από την άλλη οι συνιστώσες του επιπέδου -1 μπορούν εξηγήσουν τους μηχανισμούς του Επιπέδου. Η θεωρία των δυναμικών της χωροψηφίδας (patch dynamics) έχει ως επίκεντρο τη χωροψηφίδα η οποία ορίζεται ως μια χωρική μονάδα η οποία διαφέρει από το περιβάλλον της στη φύση ή την εμφάνισή της (Kotliar και Weins 199). Η χωροψηφίδα είναι η θεμελιώδης δομική μονάδα του οικοσυστήματος και είναι εξαρτώμενη από τη κλίμακα και το περιβάλλον (context). Στην H.P.P.D. η ιεραρχική δομή τοπίου αντιμετωπίζεται σαν σκάλα όπου κάθε σκαλί αντιπροσωπεύει ένα κρίσιμο όριο στη συνέχεια της κλίμακας και χωρίζει τα πεδία της κλίμακας. Ως πεδίο της κλίμακας (domain of scale) ορίζεται η περιοχή του φάσματος της κλίμακας όπου η διάταξη δεν αλλάζει ή αλλάζει μονοτονικά με τις αλλαγές στην κλίμακα (Meentermeyer 1989). Τα τρία βήματα που απαιτούνται για την εφαρμογή της θεωρίας είναι: 1. Εντοπισμός των κατάλληλων ιεραρχικών των χωροψηφίδων (αντικειμένων) 2. Διενέργεια παρατηρήσεων και ανάπτυξη μοντέλων των διατάξεων και των διεργασιών γύρω από τις χαρακτηριστικές κλίμακες 3. Επέκταση της πληροφορίας κατά μήκος των επιπέδων της κλίμακας Εφαρμογές της αντικειμενοστραφούς προσέγγισης σε δασικές σκηνές Η αντικειμενοστραφής προσέγγιση έχει χρησιμοποιηθεί σε λίγες σχετικά εφαρμογές τηλεπισκόπησης σε δασικά οικοσυστήματα. Βέβαια οι μέθοδοι αναγνώρισης της κόμης μεμονωμένων δένδρων μπορούν να θεωρηθούν αντικειμενοστραφείς προσεγγίσεις με εφαρμογές από τη δεκαετία του 198. Μεγάλη ώθηση ωστόσο δόθηκε μετά την εμφάνιση του λογισμικού ecognition 1 το οποίο παρέχει το περιβάλλον και τα εργαλεία για την ανάπτυξη των ιεραρχιών κα των σχέσεων μεταξύ των αντικειμένων στο ίδιο επίπεδο αλλά και μεταξύ διαφορετικών επιπέδων κλίμακας. Από τις σημαντικότερες εργασίες ακολουθώντας τη λογική της αντικειμενοστραφούς προσέγγισης όπως προαναφέρθηκε ήταν αυτή των Woodcock κ.ά. (1994), οι οποίοι 1 Το ecognition είναι εμπορικό σήμα της Definiens Imaging 31

54 χρησιμοποίησαν μια αντικειμενοστραφή προσέγγιση για το σχηματισμό συστάδων με δεδομένα LANDSAT, στις οποίες στη συνέχεια εκτίμησαν δασικές παραμέτρους με τη χρήση γεωμετρικόοπτικών μοντέλων. Οι Mitri και Gitas (24) συνέκριναν τη χρήση προσεγγίσεων βάση αντικειμένων πολλαπλής κλίμακας και βάση εικονοστοιχείων για τη χαρτογράφηση καμένων δασικών εκτάσεων σε ένα Μεσογειακό τοπίο, με τη χρήση μέσης χωρικής ανάλυσης δορυφορικών δεδομένων και βρήκαν σημαντικές διαφορές στην ακρίβεια ταξινόμησης (98 έναντι 81%). Επίσης οι Laliberte κ.α (24), με τη χρήση πολλαπλής κλίμακας αντικειμενοστραφούς προσέγγισης και υψηλής ευκρίνειας Α/Φ, διαπίστωσαν πως η αντικειμενοστραφής προσέγγιση χρησιμοποιώντας πολλαπλές κλίμακες ανάλυσης είναι υπέρτερη της προσέγγισης βάση εικονοστοιχείου. Οι Kosaka κ.ά. (25), συνέκριναν τη χρήση του παγχρωματικού, του πολυφασματικού, και των βελτιωμένων (merged) διαύλων μιας εικόνας Quickbird, για τη χαρτογράφηση δασικών τύπων στην Ιαπωνία με πολλαπλής κλίμακας αντικειμενοστραφή ταξινόμηση και βρήκαν τα αποτελέσματα της βελτιωμένης εικόνας ανώτερα με συνολικά χαμηλή όμως ακρίβεια ταξινόμησης (7%). Ο Hajek (25) χρησιμοποιώντας δεδομένα IKONOS, σε φυτείες δασών στην Ουγγαρία και σε χαμηλής μεταβλητότητας ανάγλυφο (ημιορεινό) με συνολική ακρίβεια ταξινόμησης 94% διέκρινε τέσσερα δασικά είδη και έξι γενικές κατηγορίες κάλυψης γης. Οι Wang κ.ά. (24), χρησιμοποίησαν ένα επίπεδο κατάτμησης για να ταξινομήσουν παραθαλάσσια δάση (mangroves) αλλά βρήκαν μεγαλύτερη ακρίβεια ταξινόμησης με τον αλγόριθμο μέγιστης πιθανοφάνειας και προσέγγιση βάση εικονοστοιχείου (89 έναντι 81%). Οι Heyman κ.ά. (23) χρησιμοποίησαν αεροφωτογραφίες με τελικό μέγεθος εικονοστοιχείου 1,2 μέτρα για τη διάκριση συστάδων λεύκας. Η κατάτμηση της εικόνας έγινε βάση κρίσιμων ορίων στις τιμές απόχρωσης και κορεσμού, και τα τμήματα που προέκυψαν ταξινομηθήκαν βάση φασματικής πληροφορίας και εικόνων υφής, με ακρίβεια 88%. Οι Wulder και Seemann (23) με τη χρήση του λογισμικού ecognition, κατάτμησαν μια εικόνα LANDSAT, και στη συνέχεια βάση συσχετίσεων μεταξύ δεδομένων LIDAR για ένα μικρό τμήμα περιοχή και των τιμών των αντικειμένων της εικόνας, εκτίμησαν το ύψος των συστάδων στο σύνολο της εικόνας LANDSAT. Οι Flanders κ.ά. (23), συμπέραναν πως η πολλαπλής κλίμακας αντικειμενοστραφής ταξινόμηση, βοηθάει στην επίτευξη σημαντικά καλύτερης ακρίβειας ταξινόμησης για τη διάκριση υλοτομημένων τμημάτων σε μια δασική περιοχή του Καναδά, με δεδομένα του Ενισχυμένου Θεματικού Χαρτογράφου, σε σχέση με την προσέγγιση βάση εικονοστοιχείου. Οι Dorren κ.ά. (23), σε μια ορεινή περιοχή στην Αυστρία, βρήκαν πως οι ακρίβειες ταξινόμησης βάση εικονοστοιχείου ταξινόμηση μιας εικόνας LANDSAT, ήταν ελαφρώς υψηλότερες σε σχέση με την πολλαπλής κλίμακας αντικειμενοστραφής ταξινόμηση για τη 32

55 διάκριση γενικευμένων δασικών τύπων (πλατύφυλλα-κωνοφόρα-μεικτά), σημειώνοντας ωστόσο πως το οπτικό αποτέλεσμα ήταν πιο ελκυστικό και πιο χρήσιμο (υποκειμενικά) για σκοπούς δασικής διαχείρισης. Τέλος όπως αναφέρθηκε μια ειδική κατηγορία της αντικειμενοστραφούς προσέγγισης είναι αυτή που στηρίζεται στην ταξινόμηση τμημάτων ή αντικειμένων των οποίων τα όρια είναι ήδη καθορισμένα και δεν χρειάζεται κατάτμηση της εικόνας. Για παράδειγμα οι Lloyd κ.ά. (24), ταξινόμησαν αγροτεμάχια σε μια περιοχή της Τουρκίας για τη διάκριση καλλιεργειών, χρησιμοποιώντας νευρωνικά δίκτυα και τη μέση ψηφιακή τιμή όπως προέκυπτε για τον κάθε αγρό από τα ψηφιοποιημένα όρια του. Επίσης ακολουθώντας μια παρόμοια λογική οι Wicks κ.ά (22) χρησιμοποίησαν τις μέσες τιμές του δείκτη NDVI εντός των ορίων υπαρχόντων συστάδων, για να προβλέψουν το δείκτη LAI. Τέλος οι Kayitakiere κ.ά. (22) ταξινόμησαν μια δασική περιοχή στο Βέλγιο με εικόνες IKONOS σε αδρομερείς κατηγορίες (κωνοφόρα, πλατύφυλλα) και βρήκαν ότι η βάση αντικειμένων προσέγγιση (χρησιμοποιηθήκαν υπάρχοντα όρια από γεωγραφική βάση δεδομένων), αν και με ελαφρώς μικρότερη ακρίβεια είναι πιο χρήσιμη και οπτικά ελκυστική Μεμονωμένη αναγνώριση των δένδρων. Μια ειδική κατηγορία αντικειμενοστραφών μεθόδων έχει αναπτυχθεί για την εκτίμηση δασικών παραμέτρων μέσω τη σκιαγράφησης των καθαυτών αντικειμένων ενδιαφέροντος σε ένα δάσος, δηλαδή των δένδρων. Για την εφαρμογή των μεθόδων αυτών σημαντική είναι η σχέση μεταξύ της χωρικής ανάλυσης και του μεγέθους των δένδρων καθώς συνήθως πρέπει να υπάρχει η δυνατότητα για την ανασύνθεση των αντικειμένων-δένδρων από μεμονωμένα εικονοστοιχεία. Ένα ακόμη στοιχείο που πρέπει να τονιστεί είναι ότι για την εφαρμογή των μεθόδων αυτών καθοριστικό ρόλο διαδραματίζει το είδος της δασικής κάλυψης, καθότι τα κωνοφόρα είδη εντοπίζονται πολύ καλύτερα από τα πλατύφυλλα, στα οποία υπάρχει μεγάλη ποικιλομορφία στο σχήμα και τα χαρακτηριστικά της κόμης ενώ αρνητικά επιδρά και η αλληλοεπικάλυψη που παρατηρείται στις κόμες των δένδρων σε συστάδες πλατύφυλλων ειδών. Τέλος και η πυκνότητα των συστάδων επηρεάζει ποικιλοτρόπως τα αποτελέσματα (Leckie κ.ά. 25). Οι αλγόριθμοι αναγνώρισης μεμονωμένων δένδρων μπορούν να κατηγοριοποιηθούν ως εξής (Culvenor 23): 1. Από κάτω προς τα πάνω (bottom up) 2. Από πάνω προς τα κάτω (top-down) 3. Σύγκριση προτύπων (template matching). Η πρώτη ομάδα εστιάζει σε κοιλάδες σκιάς μεταξύ των δένδρων ως ένα μέσο για την απομόνωση του περιγράμματος της κόμης. Ως κοιλάδες σκιάς χαρακτηρίζονται τα ραδιομετρικά ελάχιστα μεταξύ των δένδρων τα οποία προκύπτουν από σκιαζόμενα εικονοστοιχεία. Η δεύτερη ομάδα μεθόδων περιλαμβάνει αρχικά τον εντοπισμό της κόμης (θέσης) του δένδρου από το ραδιομετρικό μέγιστο και στη συνέχεια τον εντοπισμό του περιγράμματος 33

56 (ορίου) του δένδρου, χρησιμοποιώντας τη χαρακτηριστική μείωση στη φωτεινότητα από το κέντρο της κόμης προς το όριο της. Τέλος, η τρίτη ομάδα αλγορίθμων στηρίζεται στη χρήση προκαθορισμένων προτύπων, τα οποία περιγράφουν την αναμενόμενη εμφάνιση (ραδιομετρικές τιμές) της κόμης δένδρων σε υψηλής ευκρίνειας εικόνες. Η απομόνωση της κόμης των δένδρων σε ψηφιακές εικόνες και η ταξινόμηση τους με σχετικά απλές διαδικασίες όπως για παράδειγμα ο αλγόριθμος μέγιστης πιθανοφάνειας, παρέχει τη δυνατότητα για λεπτομερή χαρτογράφηση των δασοπονικών ειδών επιτρέποντας την δημιουργία γεωγραφικών βάσεων δεδομένων για τη συγκόμωση και την πυκνότητα συστάδων, αν και μια τέτοια διαδικασία δεν είναι χωρίς προβλήματα (Leckie κ.ά. 25). Με τη σειρά τους αυτές οι πληροφορίες μπορούν να χρησιμοποιηθούν για την εκτίμηση του ιστάμενου όγκου (Hall κ.ά. 1998). Φυσικά η χρήση τέτοιων τεχνικών είναι η προτιμότερο να υιοθετείται ως ένα μέσο δειγματοληψίας εντός ενός επιχειρησιακού πλαισίου απογραφής των δασών. Εικόνες υψηλής χωρικής ευκρίνειας είναι ιδιαίτερα απαιτητικές από πλευράς πόρων αποθήκευσης και επεξεργασίας για τη διαχείριση των δασών, ιδιαίτερα όταν η κατάτμηση στοχεύει στον εντοπισμό μεμονωμένων δένδρων. Μερικές από τις μεθόδους που κατά καιρούς έχουν εφαρμοστεί είναι η valley-following (Gougeon 1995, 1998) η οποία εφαρμόζεται σε μέτριας πυκνότητας συστάδες, η κατευθυντήριας (directional) υφής (Warner κ.ά. 1998), ο αλγόριθμος TIDA (Culvenor κ.ά.1998, Culvenor 22), ο οποίος λειτουργεί καλύτερα σε πυκνές συστάδες, ο εντοπισμός ακμών (Pinz 1998), ο σύγκρισης προτύπων (Pollock 1998) κ.ά. Η χωρική ανάλυση των εικόνων που έχουν αναπτυχθεί και εφαρμοσθεί αυτοί οι αλγόριθμοι είναι από 6 έως 1 εκατοστά (Wulder κ.ά. 24), και χρησιμοποιώντας μόνο ένα δίαυλο, είτε τον υπέρυθρο (Gougeon 1995, Pinz 1998), είτε τον παγχρωματικό (Larsen 1998). Τα αποτελέσματα που προκύπτουν από τον εντοπισμό μεμονωμένων δένδρων, έχουν χρησιμοποιηθεί για το σχηματισμό συστάδων είτε με τη χρήση διαδοχικά επιβλεπόμενης και μη επιβλεπόμενης ταξινόμησης (Leckie κ.ά. 23) είτε με τη χρήση μεθόδων χωρικής στατιστικής (Nelson κ.ά. 23) 34

57 3 Περιοχή μελέτης-δεδομένα 3.1 Εισαγωγή Για την διερεύνηση του σκοπού και των επιμέρους στόχων της διατριβής, επιλέχτηκε ως περιοχή μελέτης η ευρύτερη περιοχή του Πανεπιστημιακού δάσους Ταξιάρχη εξαιτίας της ποικιλομορφίας από πλευράς σύνθεσης δασοπονικών ειδών και του ορεινού αναγλύφου αλλά και της εύκολης πρόσβασης σε αυτή. Για την περιοχή αυτή αποκτήθηκαν δορυφορικά δεδομένα Quickbird και άλλα βοηθητικά δεδομένα ενώ στην ίδια περιοχή πραγματοποιήθηκαν μετρήσεις πεδίου, η διαδικασία συλλογής των οποίων περιγράφεται στο επόμενο κεφάλαιο. 3.2 Πανεπιστημιακό δάσος Ταξιάρχη Γεωγραφική και διοικητική θέση Το Πανεπιστημιακό Δάσος Ταξιάρχη-Βραστάμων (Σχήμα 3-1) βρίσκεται στις Νότιες και Νοτιοδυτικές πλαγιές του όρους Χολομώντα μεταξύ των παραλλήλων σε γεωγραφικό πλάτος 4 23" " και Σχήμα 3-1 Το Πανεπιστημιακό δάσος Ταξιάρχη βρίσκεται στη Νομό Χαλκιδικής. Η πάνω αριστερά εικόνα είναι μια δορυφορική εικόνα του καταγραφέα WiFS του δορυφόρου IRS ενώ στην κάτω αριστερά εικόνα σημειώνονται επί της δορυφορική εικόνας LANDSAT-7 ETM τα όρια του Πανεπιστημιακού δάσους. 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) ενώ αποτελεί αυτοτελή δασική διοικητική μονάδα μετά την παραχώρηση του στο 35

58 Πανεπιστήμιο Θεσσαλονίκης. Γενικά τα όρια του δάσους ακολουθούν τις φυσικές γραμμές του εδάφους (ρέματα και κορυφογραμμές) και μέρος του δρόμου Θεσσαλονίκης Αρναίας Γεωλογικές, πετρογραφικές και εδαφικές συνθήκες 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: 1. Αβαθές έδαφος (,15-.3 μ.). Συναντάται στο Βορειοανατολικό μέρος του δάσους επί του Γνευσίου καθώς και στις ράχες. 2. Έδαφος μετρίου βάθους (,3-,6 μ.). Συναντάται στα κοιλώματα και στις πλαγιές με μετρία κλίση. 3. Βαθύ έδαφος (,6-1,2 μ). Συναντάται στην περιοχή της Κερασιάς (Τμήματα 1,2,3), στο Λειβάδι (Τμήματα 1, 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 δρυ) του δάσους 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 1,9 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 και 2,2 C αντίστοιχα και θερμότεροι μήνες οι Ιούλιος-Αύγουστος με μέση θερμοκρασία 2.3 και 2,9 C αντίστοιχα. 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 2 Η μέση ετήσια σχετική υγρασία ανέρχεται σε 7.5%, το δε συνολικό μέσο ετήσιο ύψος κατακρημνισμάτων είναι 746,4 mm Τα υψηλότερα κατακρημνίσματα παρατηρήθηκαν το έτος 1987 και ανέρχονταν σε 167,8 mm τα δε χαμηλότερα κατακρημνίσματα το έτος 1977 που ανέρχονταν σε mm. Οι συχνότεροι άνεμοι είναι οι Β και ΒΑ. 36

59 3.2.4 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 την κλίση της περιοχής, τη θερμοκρασία αέρος και τη βροχόπτωση. Έτσι διακρίνουμε τρεις ζώνες: Quercetalia ilicis (Ευμεσογειακή ζώνη βλαστήσεως), Quercetalia pubescentis (Παραμεσογειακή ζώνη βλάστησης) και τη ζώνη Fagetalia (Ζώνη δασών οξιάς). Το μεγαλύτερο μέρος καταλαμβάνει ο αυξητικός χώρος της ένωσης Quercetum confertae (=frainetto) από υπερθαλάσσιο ύψος 4-1 μ., στα δε ρέματα κυριαρχεί η ένωση της Orno-Quercetum ilicis. 1. Αυτοφυή (κύρια) δασικά είδη που συναντάμε στο δάσος είναι: 2. Quercus conferta (Πλατύφυλλος-Γρανίκα) 3. Quercus dalechampii (Τσιρνούχι) 4. Quercus pubescens (Χνοώδης-Μεράδι) και 5. Fagus moesiaca (Οξιά η μοισιακή - Κυρίαρχο είδος) Τεχνητά (κύρια)εγκαταστάθηκαν ύστερα από αναδασώσεις τα παρακάτω είδη: 1. Pinus nigra (Μαύρη Πεύκη) 2. Pinus maritima (Παραθαλάσσια Πεύκη) 3. Pinus brutia (Τραχεία Πεύκη) 4. Pinus halepensis (Χαλέπιος Πεύκη) 3.3 Δορυφορικά δεδομένα Δορυφόρος Quickbird Ο δορυφόρος έχει κυκλική, πολική, ηλιοσύγχρονη τροχιά ύψους 45 χιλιόμετρα και τέμνει τον Ισημερινό με γωνία 98 και τοπική ώρα 1.3. Η ζώνη σάρωσης στο ναδίρ είναι 16,5 χιλιόμετρα. Η περιοχή ενδιαφέροντος μπορεί να καλυφθεί είτε με εικόνες διαστάσεων 16,5 x 16,5 χιλιόμετρα, οι οποίες δημιουργούνται σε 4 δευτερόλεπτα, είτε με ζώνη πλάτους 16,5 χιλιόμετρα. Επίσης υπάρχει η δυνατότητα δημιουργίας στερεοζευγών κατά τη διάρκεια της τροχιάς του δορυφόρου. Ο δορυφόρος μεταφέρει δυο καταγραφείς: 1. Έναν παγχρωματικό (,45-,9 μm), με χωρική ανάλυση,61 m στο ναδίρ και,73 m σε γωνία 25 ο απ το ναδίρ. 2. Έναν πολυφασματικό (μπλε ακτινοβολία:,45-,52 μm, πράσινη:,52-,6 μm, κόκκινη:,63-,69 μm και κοντινή υπέρυθρη:,76-,89 μm), με χωρική ανάλυση 2,5 m στο ναδίρ και 2,9 m σε γωνία 25 ο απ το ναδίρ. Η επιλογή των διαύλων αυτών παρέχει τη δυνατότητα δημιουργίας σύνθετων εικόνων φυσικού χρώματος. Το ραδιομετρικό εύρος (ικανότητα) και των δυο τύπων εικόνων είναι 16 δυαδικά ψηφία Χαρακτηριστικά λήψης της εικόνας της περιοχής Πανεπιστημιακού δάσους Ταξιάρχη Το επίπεδο επεξεργασίας της εικόνας που χρησιμοποιήθηκε είναι αυτό της τυποποιημένης εικόνας, (Standard Imagery) σε επίπεδο γεωμετρικής διόρθωσης ortho-ready (διορθωμένο χωρίς τη χρήση ΨΜΕ, αλλά προσαρμοσμένο σε προβολικό σύστημα WGS 84) το οποίο είναι κατάλληλο για χρήστες οι οποίοι απαιτούν ικανοποιητική απόλυτη ακρίβεια και/ή μεγάλες περιοχές κάλυψης. Οι εικόνες αυτές 37

60 έχουν διορθωθεί από ραδιομετρικά σφάλματα και από παραμορφώσεις, οι οποίες οφείλονται στη λειτουργία των ανιχνευτών και των διαφόρων συστημάτων του δορυφόρου. Για την απόκτηση της εικόνας ζητήθηκε καινούρια λήψη (1 Ιουνίου 24) ενώ για την αποφυγή ύπαρξης προβλημάτων στην επεξεργασία της εικόνας λόγω νέφωσης, σχεδιάστηκε η λήψη να γίνει τους καλοκαιρινούς μήνες οπότε και οι καιρικές συνθήκες είναι καλύτερες και η ανύψωση του ήλιου μεγαλύτερη για τη χώρα μας Διερεύνηση αξιοποίησης/χρήσης διαχρονικών δεδομένων Στα πλαίσια της επιλογής δορυφορικών δεδομένων για τη διατριβή, ένα από τα ζητήματα που τέθηκε εξ αρχής ήταν η δυνατότητα απόκτησης διαχρονικών δορυφορικών δεδομένων. Διάφορες ερευνητικές εργασίες που έχουν γίνει, συντείνουν στο ότι η χρησιμοποίηση πολλαπλών παρατηρήσεων από τον ίδιο ή διαφορετικό δέκτη είναι ιδιαίτερα χρήσιμη για τη χαρτογράφηση παραμέτρων του δασικού οικοσυστήματος (Wolter κ.ά. 1995, Mickelson κ.ά. 1998, Key κ.ά. 21 Reese κ.ά. 22) ακόμα και συγκρινόμενη με τη χρήση υπερφασματικών δεδομένων τηλεπισκόπησης (Lefsky κ.ά. 21). Ιδιαίτερα για τους υψηλής χωρικής ανάλυσης καταγραφείς όπως IKONOS, Quickbird, των οποίων η φασματική διακριτική ικανότητα είναι περιορισμένη, η χρησιμοποίηση διαχρονικών δεδομένων είναι ίσως μια λύση για την αντιστάθμιση αυτού του μειονεκτήματος. Η προσέγγιση αυτή στηρίζεται σε φαινολογικές και εποχιακές διαφορές μεταξύ των ειδών σε μια περιοχή, όπως για παράδειγμα ο χρόνος εμφάνισης των φύλλων, τα χαρακτηριστικά του φυλλώματος κάθε εποχή του έτους, ο χρόνος πτώσης των φύλλων κ.λπ.. Τα στοιχεία αυτά τείνουν να μένουν σταθερά κατά τη διάρκεια των ετών λόγω της σταθερότητας των παραγόντων που τα επηρεάζουν κατά κύριο λόγο (Reed κ.ά. 1994). Στην περιοχή μελέτης του Πανεπιστημιακού Δάσους Ταξιάρχη, πέρα από τη δεδομένη δυνατότητα, καλύτερης διάκρισης φυλλοβόλων-αείφυλλων κατά τους χειμερινούς μήνες, εξετάστηκε το κατά πόσο μπορεί να αποκτηθούν πρόσθετα δορυφορικά δεδομένα, στα οποία θα καταγραφόταν, η πρώιμη έκπτυξη των καινούργιων φύλλων της οξιάς σε σχέση με αυτά της δρυός. Για το λόγο αυτό και σε συνεργασία με το Δασαρχείο της περιοχής πραγματοποιήθηκαν επισκέψεις πεδίου σε διαφορετικές χρονικές στιγμές κατά τη διάρκεια του έτους. 38

61 Α1-24/8/24 Β1-29/8/24 Α2-3/4/25 Β2-3/4/25 Α3-26/4/25 Β3-26/4/25 Εικόνα

62 Γ2-3/4/25 Γ3-26/4/25 Δ1-24/8/24 Δ2-3/4/25 Εικόνα 3-1 (συνέχεια) 4

63 Δ3-26/4/25 Ε2-3/4/25 Ε3-26/4/25 Εικόνα 3-1 Επίγειες φωτογραφίες κατά τη διάρκεια του έτους για πέντε περιοχές (Α-Ε), σε τρεις διαφορετικές χρονικές στιγμές κατά τη διάρκεια του έτους (1-3). Μπορεί να διακριθεί η επίδραση του μικροκλίματος στην έκπτυξη του φυλλώματος. Όπως όμως παρατηρείται (Εικόνα 3-1) και στις εικόνες Α1-Ε3, κάτι τέτοιο δεν κρίνεται εφικτό για περιοχές όπως αυτή του Πανεπιστημιακού δάσους Ταξιάρχη. Για παράδειγμα οι εικόνες Ε2-3 είναι από μια περιοχή κοντά στην υψηλότερη τοποθεσία του δάσους. Η πλαγιά καλύπτεται κυρίως από οξιά με σποραδικά άτομα δρυός. Κάποιες από τις οξιές (κυρίως οι νεαρές σε ηλικία) έχουν αρχίσει να βγάζουν φύλλα ενώ τα περισσότερα άτομα οξιάς όπως και τα άτομα δρυός είναι ακόμη χωρίς φύλλα (παρόμοια και στη φωτογραφία Δ3). Αντίθετα στη φωτογραφία Γ3 η οποία έχει παρθεί σε χαμηλό σχετικά υψόμετρο, η πλαγιά με ΒΔ έκθεση η οποία καταλαμβάνεται από άτομα οξιάς είναι καταπράσινη ενώ οι υπόλοιπες εκθέσεις του ανάγλυφου καταλαμβάνονται από άτομα δρυός, τα οποία σποραδικά αρχίζουν να βγάζουν φύλλα. Στη περιοχή της φωτογραφίας Α3 της οποίας η έκθεση είναι ανατολική, οι οστρυές έχουν βγάλει το μεγαλύτερο μέρος του φυλλώματος τους, ενώ και στα άτομα οξιάς η έκπτυξη των φύλλων είναι εμφανής. Στη φωτογραφία Β3, η οποία βρίσκεται σε ενδιάμεσο υψόμετρο και Ν-ΝΔ έκθεση αρκετά άτομα δρυός έχουν αρχίσει να εμφανίζουν τα φύλλα τους. 41

64 Διαπιστώνεται λοπόν πως σε ορεινές περιοχές, το έντονο και με εναλλαγές ανάγλυφο, διαδραματίζει καθοριστικό ρόλο στην ύπαρξη διαφοροποιήσεων στη φαινολογία του ιδίου είδους. Αυτό έχει ως αποτέλεσμα την αύξηση της ανομοιογένειας των κατηγοριών ταξινόμησης, σε περίπτωση χρήσης διαχρονικών δεδομένων. Αν στα παραπάνω προστεθεί πως από τη στιγμή της παραγγελίας μέχρι τη λήψη της εικόνας, μεσολαβούν τουλάχιστον πέντε ημέρες, καθώς και της αστάθειας των κλιματολογικών συνθηκών τις χρονικές περιόδους του έτους (άνοιξη-φθινόπωρο) που υπάρχουν διαφορές στη φαινολογία μεταξύ των ειδών, τότε το όλο εγχείρημα της απόκτησης διαχρονικών δεδομένων καθίσταται ριψοκίνδυνο από τεχνικό-οικονομικής άποψης. Ίσως ένα τέτοιο εγχείρημα να είναι άμεσα περισότερο εφικτό σε περιοχές με ομαλό ανάγλυφο ή μεσοπρόθεσμα όταν η χρονική διακριτική ικανότητα των καταγραφέων αυξηθεί δημιουργώντας έναν σημαντικό αριθμό εικόνων αρχείου όπως συμβαίνει για παράδειγμα σήμερα με τα δορυφορικά δεδομένα LANDSAT. 42

65 4 Προεπεξεργασία δεδομένων 4.1 Εισαγωγή Για την ταξινόμηση δεδομένων τηλεπισκόπησης σε δασικά οικοσυστήματα, η συλλογή στοιχείων και μετρήσεων πεδίου, είναι απαραίτητη τόσο κατά την σχεδιασμό του συστήματος ταξινόμησης και την ανάλυση και επεξεργασία των εικόνων όσο και κατά την επαλήθευση και έλεγχο της αξιοπιστίας των αποτελεσμάτων. Στο κεφάλαιο αυτό παρουσιάζονται κάποιες γενικές αρχές της δειγματοληψίας και το σχέδιο δειγματοληψίας που τελικά χρησιμοποιήθηκε ενώ παρατίθενται τα δεδομένα που συλλέχθηκαν. Επίσης στο κεφάλαιο αυτό αναλύονται οι αναγκαίες προεπεξεργασίες που πραγματοποιήθηκαν για την απομάκρυνση σφαλμάτων από την εικόνα Quickbird. Στο σχεδιασμό της δειγματοληψίας αλλά και στις διορθώσεις της εικόνας, βοήθησε η συγκρότηση μια γεωγραφικής βάσης δεδομένων στα αρχικά στάδια της διατριβής. 4.2 Συγκρότηση γεωγραφικής βάσης δεδομένων Για τους σκοπούς του έργου συγκροτήθηκε σε πρώτο στάδιο μια γεωγραφική βάση δεδομένων με στοιχεία της περιοχής μελέτης. Τα στοιχεία αυτά είτε ψηφιοποιήθηκαν εξ αρχής από αναλογικούς χάρτες είτε εφόσον υφίστανται σε ψηφιακή μορφή γεω-αναφέρθηκαν σε ένα κοινό σύστημα αναφοράς (ΕΓΣΑ 87). Τα στοιχεία αυτά περιλάμβαναν μεταξύ των άλλων: 1. Το διαχειριστικό χάρτη της περιοχής. 2. Το ψηφιακό μοντέλο εδάφους της περιοχής με μέγεθος ψηφίδας τα 1 μέτρα, το οποίο προήλθε από παρεμβολή σημειακών τιμών, προερχόμενες από στερεοζεύγη Α/Φ κλίμακας 1:2. 3. Τις ψηφιακές ορθοφωτογραφίες της περιοχής, παραγωγής 1996 προερχόμενες από τον ΟΠΕΚΕΠΕ (Υπ. Γεωργίας), κλίμακας 1:1. 4. Χάρτη χρήσης/κάλυψης γης που συντάχθηκε στα πλαίσια της διαχειριστικής μελέτης του Πανεπιστημιακού δάσους. 5. Τριγωνομετρικά σημεία της Γεωγραφικής Υπηρεσίας Στρατύ (Πίνακας 4-1) 6. Το οδικό δίκτυο της περιοχής. Πίνακας 4-1 Τριγωνομετρικά σημεία της ΓΥΣ εντός της περιοχής μελέτης (συντεταγμένες σε σύστημα ΕΓΣΑ 87). Ονομασία X Y Ζ (μ.) Παναγιά Ραχώνι ,36 Ξαφού ,27 Αγκουρνίτσα ,41 Σπάθες ,5 Ψηλή Ράχη ,67 Μυτίτσα ,22 Βελόνι Τούμπα ,35 Χολομών ,31

66 4.3 Μετρήσεις πεδίου Μέθοδοι δειγματοληψίας Σε πολλές περιπτώσεις ένα πρόγραμμα χαρτογράφησης δασών ενδιαφέρεται πρωταρχικά στον ακριβή χαρακτηρισμό του εύρους της μεταβλητότητας των οικολογικών (φυσιογνωμικών) και δομικών συνιστωσών του δάσους και τη διασπορά των τύπων της βλάστησης (Lund και Thomas 1989, Shiver και Bonders 1996). Η έμφαση συνεπώς είναι σε διαφορετικό αντικείμενο από τις κλασικές απογραφές βάση δειγματοληπτικών επιφανειών. Οι απογραφές αυτές βασίζονται στη χωρίς σφάλματα εκτίμηση συγκεκριμένων μεταβλητών βάση ενός αριθμού δειγματοληπτικών επιφανειών αντί για την πλήρη καταγραφή του πληθυσμού. Οι δειγματοληπτικές επιφάνειες (ή και τα πολύγωνα βλάστησης σε εκτεταμένες περιοχές μελέτης) μπορούν να εντοπιστούν μέσα στην περιοχή μελέτης ή μέσα σε κάθε στρώμα δειγματοληψίας κατά προτίμηση (υποκειμενικά) (Gauch 1982, Jennings κ.ά. 23) ή αντικειμενικά (Mueller-Dombois και Ellenberg 1974). Η κατά προτίμηση (ή σκόπιμη) δειγματοληψία οδηγεί σε εντοπισμό επιφανειών "υποκειμενικά χωρίς προδικασμένη μεροληψία (Mueller-Dombois και Ellenberg 1974). Αυτό σημαίνει ότι οι επιφάνειες επιλέγονται προσεκτικά για την ομοιογένεια της βλάστησης και του περιβάλλοντος, αλλά δεν επιλέγονται επειδή ταιριάζουν έναν προκαθορισμένο τύπο βλάστησης. Η επιλογή τυπικών ή η απόρριψη "άτυπων" επιφανειών μπορεί να εισαγάγει μεροληπτικά σφάλματα και να οδηγήσει σε λανθασμένα συμπεράσματα (Mueller-Dombois και Ellenberg 1974). Η ομοιογένεια είναι ένα θέμα υποκειμενικής κρίσης επειδή καμία επιφάνεια δεν είναι απολύτως ομοιογενής και η ομοιογένεια εξαρτάται από το μέγεθος της επιφάνειας (Mueller- Dombois και Ellenberg 1974, Gauch 1982). Δεν υπάρχει κανένας απολύτως αντικειμενικός τρόπος να αξιολογηθεί η ομοιογένεια, αλλά οι ακόλουθες οδηγίες έχουν χρησιμοποιηθεί επιτυχώς από τους οικολόγους για πολλά έτη (Mueller-Dombois και Ellenberg 1974, Gauch 1982): 1. Η επιφάνεια δεν πρέπει να περικλείει οποιαδήποτε προφανή αλλαγή στη φυσιογνωμία της βλάστησης. 2. Οι κυρίαρχοι τύποι σε κάθε επίπεδο βλάστησης πρέπει να διανέμονται σε όλη τη δειγματοληπτική επιφάνεια. 3. Η δειγματοληπτική επιφάνεια ή δεν πρέπει να περιλαμβάνει οποιεσδήποτε απότομες αλλαγές ή προφανείς κλίσεις σε περιβαλλοντικούς παράγοντες όπως η κλίση, η πτυχή, τα γεωλογικά υλικά γονέων, ή το εδαφολογικό βάθος, η υγρασία, ή η σύσταση. Η αντιπροσωπευτική δειγματοληψία (περισσότερο γνωστή ως δειγματοληψία βάση πιθανοτήτων) υιοθετεί τη συστηματική ή τυχαία θέση των δειγματοληπτικών επιφανειών μέσα στα στρώματα αλλά τα κριτήρια απόρριψης μπορούν να είναι απαραίτητα για την αποφυγή ορισμένων τύπων βλάστησης, οι οποίες είναι περιορισμένης χρήσης για την ταξινόμηση της βλάστησης μιας περιοχής. Η gradsect δειγματοληψία είναι ένα παράδειγμα αυτής της 44

67 προσέγγισης (Austin και Heylingers 1991 όπως αναφέρεται μέσα στους Jennings κ.ά. 23). Είναι μια μορφή στρωματοποιημένης τυχαίας δειγματοληψίας που μπορεί να είναι οικονομικώς αποδοτική για τα σχέδια βλάστησης δειγματοληψίας κατά μήκος έντονων περιβαλλοντικών στοιχείων (Gillison και Brewer 1985) Δειγματοληπτικά σχέδια ενός επιπέδου Τυχαία δειγματοληψία Η τυχαία τοποθέτηση των δειγματοληπτικών επιφανειών έχει τις μικρότερες πιθανότητες για σφάλματα μεροληψίας κατά τη δειγματοληψία πληθυσμών της χλωρίδας ή της πανίδας (Cochran 1977, Snedecor και Cochran 1989). Επιπλέον, δεδομένου ότι οι περισσότερες στατιστικές (παραμετρικές) αναλύσεις κάνουν την υπόθεση ότι τα στοιχεία έχουν συλλεχθεί κατά τρόπο τυχαίο, η τυχαία τοποθέτηση των περιοχών διευκολύνει τη χρήση μιας ευρείας ποικιλίας στατιστικών αναλύσεων. Εντούτοις, κατά την εφαρμογή της μεθόδου της τυχαίας δειγματοληψίας, οι επιφάνειες δεν είναι διασκορπισμένες ομοιόμορφα στο σύνολο της περιοχής μελέτης ενώ παράλληλα και μερικά τμήματα της περιοχής μελέτης μπορεί να έχουν λίγες ή καθόλου επιφάνειες (Cochran 1977). Επιπλέον, οι περιοχές που είναι τυχαία τοποθετημένες μπορεί να είναι πολύ δύσκολα προσβάσιμες. Κατά συνέπεια, αν και υπάρχουν θετικά σημεία για τη χρήση της τυχαίας δειγματοληψίας, στις περισσότερες περιπτώσεις χρησιμοποιούνται μέθοδοι συστηματικής ή στρωματωμένης δειγματοληψίας Συστηματική δειγματοληψία Εφ' όσον δεν υπάρχει καμία ελλοχεύουσα συστηματική χωρική περιοδικότητα (χωρική αυτοσυσχέτιση) μέσα στην περιοχή μελέτης, μια συστηματική τοποθέτηση των περιοχών οδηγεί στη συλλογή αμερόληπτων δεδομένων παρόμοια με αυτά που θα προέκυπταν από την εφαρμογή της μεθόδου της τυχαίας δειγματοληψία (Cochran 1977, Krebs 1989, Scott 1998). Η εφαρμογή της συστηματικής δειγματοληψίας έχει το επιπλέον πλεονέκτημα της ομαλής διανομής των επιφανειών σε όλη την περιοχή μελέτης. Υπό αυτή τη μορφή, η συστηματική δειγματοληψία είναι αποτελεσματική. Η συστηματική δειγματοληψία, εντούτοις, είναι λιγότερο αποδοτική οικονομικώς από τη στρωματωμένη δειγματοληψία Στρωματωμένη δειγματοληψία Μια εναλλακτική λύση των τυχαίων ή των συστηματικών μεθόδων δειγματοληψίας περιλαμβάνει τη προ- στρωματοποίηση της περιοχής μελέτης και τη διάθεση της προσπάθειας ερευνών μέσα σε κάθε στρώμα ώστε να επιτευχθεί επαρκής στατιστική αξιοπιστία (Cochran 1977). Παράγοντες στρωματοποίησης μπορεί να είναι η βλάστηση μιας περιοχής, το ανάγλυφο, το έδαφος κ.λπ. 45

68 Δειγματοληπτικά σχέδια πολλαπλών επιπέδων Η πολλαπλών επιπέδων δειγματοληψία μπορεί να χωριστεί στην πολυσταδιακή και πολυφασική δειγματοληψία Πολυσταδιακή δειγματοληψία Αναφέρεται στα σχέδια δειγματοληψίας όπου οι τελικές δειγματοληπτικές μονάδες (οι οποίες αποκαλούνται «στοιχεία») επιλέγονται σταδιακά. Το δείγμα σε κάθε στάδιο επιλέγεται από τις δειγματοληπτικές μονάδες που περιλαμβάνονται σε ομάδες μονάδων οι οποίες έχουν επιλεχθεί ως δείγμα στο προηγούμενο στάδιο. Το ενδιαφέρον είναι στην εκτίμηση των μέσων ιδιοτήτων ανά στοιχείο όπως για παράδειγμα η βιομάζα ανά δέντρο παρά ανά εκτάριο. Ο πληθυσμός διαιρείται πρώτα σε διάφορες πρωταρχικές δειγματοληπτικές μονάδες (PSU), μερικές από τις οποίες επιλέγονται ως δείγμα πρώτου σταδίου. Αυτές οι επιλεγμένες αρχικές δειγματοληπτικές μονάδες υποδιαιρούνται στη συνέχεια σε μια σειρά μονάδων δεύτερου σταδίου (SSU), μερικές από τις οποίες επιλέγονται τυχαία ως δείγμα δεύτερου σταδίου (Μάτης 24). Αυτή η διαδικασία μπορεί να επαναληφθεί φυσικά με πρόσθετα στάδια εάν είναι απαραίτητο. Η διαδικασία έχει το πλεονέκτημα της επικέντρωσης της εργασίας σε ένα σχετικά μικρό αριθμό PSUs ενώ στη συνέχεια απαιτείται συνήθως πολύ λιγότερη προσπάθεια για τη λήψη των δεύτερων και των διαδοχικών δειγμάτων. Η πολυσταδιακή δειγματοληψία είναι ιδιαίτερα χρήσιμη όπου τα αρχικά δείγματα ποικίλουν σε σημασία και η επιλογή γίνεται με πιθανότητα ανάλογη προς τη συμβολή τους στην εκτίμηση του μέσου όρου (Schreuder κ.ά. 24) Πολυφασική δειγματοληψία Στην πολυφασική δειγματοληψία το μέγεθος των δειγματοληπτικών μονάδων διατηρείται σε κάθε επίπεδο (φάση), αλλά με λιγότερες δειγματοληπτικές μονάδες να επιλέγονται σε κάθε διαδοχική φάση. Στην τελευταία φάση η μεταβλητή που μας ενδιαφέρει μετριέται και συνδυάζεται με τις πληροφορίες για τις βοηθητικές μεταβλητές από τις προηγούμενες φάσεις είτε εντός του δειγματοληπτικού σχεδίου (στρωματοποίηση ή δειγματοληψία PPS-με πιθανότητα ανάλογη προς το μέγεθος) είτε με εκτίμηση (παλινδρόμηση ή εκτίμηση αναλογιών ή εκτίμηση διαφορών). Στην πολυφασική δειγματοληψία ένα πλήρες πλαίσιο των μονάδων απαιτείται δεδομένου ότι ένα δείγμα των μονάδων επιλέγεται σε κάθε φάση. Ο κύριος λόγος για τη χρησιμοποίηση της πολυφασικής δειγματοληψίας είναι η μείωση του κόστους με τη συλλογή ενός μεγάλου αριθμού σχετικά «φτηνών» πληροφοριών για τις συμμεταβλητές (βοηθητικές μεταβλητές) που συσχετίζονται με τις κύριες μεταβλητές και στη συνέχεια της μέτρησης των κύριων μεταβλητών σε ένα μικρότερο δείγμα (Schreuder κ.ά. 24). 46

69 4.3.2 Μέγεθος δειγματοληπτικών επιφανειών Κατά την επιλογή του κατάλληλου μεγέθους δειγματοληπτικών επιφανειών που απαιτείται για τη δειγματοληψία της βλάστησης, ο στόχος είναι να επιλεγεί η μικρότερη δυνατή περιοχή που θα αντιπροσωπεύσει πλήρως τη σύνθεση ειδών της κοινότητας. Η ελάχιστη περιοχή μπορεί να ποικίλει ευρέως ανάλογα με τη δομή, την κλίμακα της διαμόρφωσης και την ποικιλομορφία ειδών της κοινότητας (USGS-NPS 25). Διάφορες εκτάσεις και οι διαστάσεις δειγματοληπτικών επιφανειών (Πίνακας 4-2) έχουν χρησιμοποιηθεί ως οδηγός για την επιλογή των μεγεθών δειγματοληπτικών επιφανειών σε διάφορες εργασίες (Mueller-Dombois και Ellenberg 1974, Whittaker 1977). Τα μεγέθη δειγματοληπτικών επιφανειών ποικίλουν ανάλογα της δομής των κοινοτήτων, της διαμόρφωσης και της ποικιλομορφίας για να εξασφαλίσουν ένα αντιπροσωπευτικό δείγμα. Αναφορικά με το σχήμα των δειγματοληπτικών επιφανειών δεν υπάρχει κάποια ιδιαίτερη τυποποίηση και συνίσταται αυτό να προσαρμόζεται ανάλογα με τις επικρατούσες συνθήκες και τις ιδιαίτερες ανάγκες. Πίνακας 4-2 Εκτάσεις και διαστάσεις για τη χωροθέτηση δειγματοληπτικών επιφανειών αναλόγως του τύπου βλάστησης Κατηγορία Έκταση Διαστάσεις (μ) Δάσος 1 1, m 2 1x1 2x5 Δασώδης περιοχή 1 1, m 2 1x1 2x5 Αραιή δασώδης περιοχή 25 1, m 2 5x5 2x5 Θαμνώνες 25 4 m 2 5x5 2x2 Αραιοί θαμνώνες 25 4 m 2 5x5 2x2 Χαμηλοί θαμνώνες 25 4 m 2 5x5 2x2 Αραιοί χαμηλοί θαμνώνες 25 4 m 2 5x5 2x2 Ποώδης βλάστηση 25 4 m 2 5x5 2x Συλλογή στοιχείων υπαίθρου για τη διατριβή Η διενέργεια των μετρήσεων πεδίου και η συλλογή των πληροφοριών υπαίθρου πραγματοποιήθηκε το χρονικό διάστημα Αυγούστου-Σεπτεμβρίου του 24. Η περίοδος αυτή επιλέχτηκε για τρεις λόγους: 1. Την περίοδο εκείνη επικρατούν ήπιες κλιματολογικές συνθήκες οι οποίες καθιστούν την προσπέλαση εντός των συστάδων εύκολη και τις μετακινήσεις μεταξύ των στάσεων λιγότερο χρονοβόρες και επίπονες. 2. Επίσης κρίθηκε σκόπιμο οι μετρήσεις να πραγματοποιηθούν μετά την παραλαβή της δορυφορικής εικόνας Quickbird έτσι ώστε να αποκτηθεί εμπειρία στη φωτοερμηνεία και οπτική συσχέτιση των χρωματικών προτύπων της εικόνας με τη δομή και τη σύνθεση δασικών περιοχών. 3. Τέλος μετά από συζήτηση με την αρμόδια για την περιοχή δασική υπηρεσία, η συγκεκριμένη χρονική περίοδος προτάθηκε ως η καλύτερη για την παροχή υποστήριξης κατά τη διάρκεια των μετρήσεων. 47

70 Σε πρώτο στάδιο πραγματοποιήθηκαν επισκέψεις στην περιοχή μελέτης και μετακίνηση σε όσες περιοχές ήταν εφικτή η πρόσβαση βάση του οδικού δικτύου για την αναγνώριση της γενικότερης υφιστάμενης κατάστασης των δασικών συστάδων και το σχεδιασμό της δειγματοληψίας. Για τη συλλογή δεδομένων πεδίου δυο παράμετροι λήφθηκαν υπόψη κατά το σχεδιασμό. Ο πρώτος ήταν ότι τα στοιχεία υπαίθρου και η διαδικασία συλλογής τους θα πρέπει να είναι σύμφωνα με τις αρχές της δειγματοληψίας για το όσο το δυνατό αντιπροσωπευτικότερη κάλυψη της περιοχής. Ο δεύτερος ήταν ότι η χρήση δορυφορικών εικόνων πολύ υψηλής ευκρίνειας και της μεθόδου αντικειμενοστραφούς ταξινόμησης για την επεξεργασία τους, έχει ιδιαίτερες απαιτήσεις σε υπολογιστική ισχύ και σε χρόνο για τη διαδοχική εκτέλεση και βελτίωση των μοντέλων ταξινόμησης. Για το λόγο αυτό είναι προτιμότερο η ανάπτυξη των μοντέλων να γίνεται σε μικρή γεωγραφική περιοχή, υποτμήμα της συνολικής περιοχής μελέτης (Hay 24, προφορική επικοινωνία). Το σχέδιο δειγματοληψίας που χρησιμοποιήθηκε για τη διενέργεια των μετρήσεων πεδίου στα πλαίσια της διατριβής ήταν η δειγματοληψία gradsect Αρχές δειγματοληψίας gradsect Το ανάγλυφο ενός τοπίου τροποποιεί τη χρονική και χωρική κατανομή των άμεσων και έμμεσων πόρων για τη χλωρίδα, όπως το νερό, η ηλιακή ακτινοβολία, οι θρεπτικές ουσίες, και οι φυσικές διαταραχές. Κατά συνέπεια, οι αλλαγές στις κοινότητες των φυτών βρίσκονται συχνά για να συνδέονται με αλλαγές στην τοπογραφία (Whittaker 196, Harmon κ.ά. 1983, Ohmann και Spies 1998). Με τη γενική διαθεσιμότητα των Ψηφιακών Μοντέλων Εδάφους και των Γ. Σ.Π., η τοπογραφική ποικιλομορφία μπορεί να χαρτογραφηθεί και να χρησιμοποιηθεί για την καθοδήγηση της προσπάθειας δειγματοληψίας (Moore κ.ά. 1991, Franklin 1995). Η δειγματοληψία gradsect είναι μια παραλλαγή των στρωματοποιημένων δειγματοληπτικών σχεδίων. Αυτή η προσέγγιση, που περιγράφεται πρώτα από τους Gillison και Brewer (1985), είναι βασισμένη στην κατανομή των σχεδίων κατά μήκος των περιβαλλοντικών κλίσεων. Το σχέδιο δειγματοληψίας gradsect (Gillison και Brewer 1985, Austin και Heyligers 1989) επιλέγεται για να παρέχει μια περιγραφή του εύρους της βιοτικής μεταβλητότητας (π.χ., βλάστηση) σε μια περιοχή με τη δειγματοληψία κατά μήκος της μεγαλύτερης περιβαλλοντικής μεταβλητότητας. Οι Gillison και Brewer (1985) όρισαν ως gradsect, κάθε λωρίδα (transect) κατάλληλα προσανατολισμένη ώστε να αντιστοιχεί σε αυτό που εκλαμβάνεται ως το πιο σημαντικό στοιχείο του περιβάλλοντος. Επιπλέον, οι περιοχές δειγματοληψίας εντοπίζονται σκόπιμα για να ελαχιστοποιήσουν το χρόνο των ενδιάμεσων μετακινήσεων. Η μέθοδος έχει αποδειχθεί στατιστικά ότι είναι δυνατόν να βοηθήσει στη συγκέντρωση περισσότερων πληροφοριών από τα τυποποιημένα σχέδια δειγματοληψίας (Gillison και Brewer 1985). 48

71 Οι Austin και Heyligers (1989, 1991) έχουν επεκτείνει τη μεθοδολογία gradsect για να περιλάβει τα επίπεδα περιβαλλοντικής στρωματοποίησης μέσα σε κάθε gradsect. Η διαδικασία, όπως τροποποιείται, κατά συνέπεια γίνεται ένα σχέδιο δύο σταδίων δειγματοληψίας: (1) τα gradsects επιλέγονται (2) πραγματοποιείται περιβαλλοντική στρωματοποίηση και εντοπισμός των επιφανειών πραγματοποιείται εντός των gradsects. Η σχετική αποδοτικότητα της δειγματοληψίας gradsect έναντι άλλων τεχνικών δειγματοληψίας έχει διερευνηθεί εκτενώς (Austin και Adomeit 1991, Wessels κ.ά. 1998) όσον αφορά τη δυνατότητα καταγραφής της βλάστησης. Τα αποτελέσματα των δοκιμών αποδοτικότητας δείχνουν ότι τα gradsects είναι γενικά αποδοτικότερα από τις παραδοσιακές στατιστικές τεχνικές. Η μέθοδος gradsect επιτρέπει την τοποθέτηση των δειγμάτων σε πιο προσιτές περιοχές από στατιστικές τεχνικές όπως η συστηματική ή τυχαία δειγματοληψία, βελτιώνοντας κατά συνέπεια την οικονομική αποτελεσματικότητα. Επίσης οι Gillison και Brewer (1985) παρά τον υποκειμενικό προσδιορισμό των θέσεων και των διαστάσεων των gradsects, παρείχαν κάποια εμπειρικά στοιχεία ότι τα gradsects μπορεί να είναι ανώτερα από την τυχαία ή στρωματοποιημένα τυχαία σχέδια δειγματοληψίας στον υπολογισμό της συχνότητας και της διανομής των τύπων βλάστησης. Συγχρόνως σημειώνουν ότι η δειγματοληψία gradsect πέτυχε σημαντικές μειώσεις δαπανών για τις εργασίες υπαίθρου και παρήγαγε μια κλείδα ταξινόμησης για τη χαρτογράφηση της βλάστησης όμοια με μια κλείδα βασισμένη σε μια εντατική έρευνα στο σύνολο της περιοχής μελέτης. Τα επίπεδα πληροφοριών που λήφθηκαν υπόψη για το σχεδιασμό, τοποθέτηση των γραμμών (transects) στη περιοχή μελέτης και επιλογή των επιφανειών εντός αυτών ήταν: 1. Ο διαχειριστικός χάρτης της περιοχής μελέτης κλίμακας 1:1. 2. Το οδικό δίκτυο της περιοχής όπως προέκυψε από τη ψηφιοποίηση ορθοφωτοχαρτών του Υπουργείου Γεωργίας παραγωγής το 1996 και κλίμακας 1:5. 3. Το ψηφιακό μοντέλο εδάφους της περιοχής καθώς και οι χάρτες εκθέσεων και κλίσεων που προέκυψαν από αυτό. Μετά το συνδυασμό των παραπάνω πληροφοριών σε ένα Γ.Σ.Π., προσδιορίστηκαν τα gradsects εκείνα τα οποία εμπεριείχαν την μεταβλητότητα στο ανάγλυφο. Στη συνέχεια εντός των gradsect αυτών εντοπίστηκαν τα σημεία έναρξης των δειγματοληπτικών επιφανειών. Για τα σημεία αυτά χρησιμοποιήθηκε ως κριτήριο να βρίσκονται σε απόσταση μικρότερη των 2 μέτρων από το οδικό δίκτυο ενώ δόθηκε ιδιαίτερη σημασία στο να επιλεγούν σημεία από κάθε τύπο βλάστησης για κάθε γενική κατηγορία εκθέσεων (ανατολικές-νότιες-δυτικές-βόρειες). Οι επιφάνειες αποφασίστηκε να έχουν τετράγωνο σχήμα και 2 μέτρα πλευρά βάση της ανασκόπησης της βιβλιογραφίας. 49

72 Σχήμα 4-1 Οι γραμμές κατά μήκος των οποίων εντοπίστηκαν οι δειγματοληπτικές επιφάνειες Στο Σχήμα 4-1 παρουσιάζονται τα gradsects κατά μήκος των οποίων εντοπίστηκαν οι περισσότερες επιφάνειες. Τα υπόβαθρο αντιστοιχεί στο μέγεθος της «φωτεινότητας» το οποίο αντιστοιχεί στο συνημίτονο της προσπίπτουσας ακτινοβολίας σε μια περιοχή. Για τον υπολογισμό του λαμβάνονται υπόψη η κλίση, η έκθεση και οι γωνίες του ήλιου, οι οποίες στη συγκεκριμένη περίπτωση ήταν ίσες με τα αντίστοιχα μεγέθη κατά τη χρονική στιγμή λήψης της δορυφορικής εικόνας. Στα παραπάνω gradsect αλλά σε κάποιες συμπληρωματικές τοποθεσίες, συνολικά 81 επιφάνειες εντοπίστηκαν και συμπληρώθηκαν για αυτές τα έντυπα περιγραφής. Για τον ακριβέστερο εντοπισμό τους χρησιμοποιήθηκαν χάρτες 1:2 της δορυφορικής εικόνας Quickbird ενώ όπου κρίθηκε αναγκαίο σχεδιάστηκαν σκαριφήματα με τη διάταξη των δένδρων Έντυπα απογραφής Για τη συλλογή και καταγραφή των στοιχείων κατά τη διάρκεια των μετρήσεων πεδίου σχεδιάστηκε και χρησιμοποιήθηκε ένα ειδικό φύλλο δειγματοληψίας το οποίο περιελάμβανε τα έντυπα της γενικής και ειδικής περιγραφής της επιφάνειας, το οποίο προέκυψε εν μέρη από το συνδυασμό αντιστοίχων φύλλων που χρησιμοποιούνται από την Δασική Υπηρεσία των Ηνωμένων Πολιτειών. Στο έντυπο γενικής περιγραφής (Σχήμα 4-2) περιλαμβάνονται πληροφορίες που αφορούν (Σχήμα 4-2/τμήμα 1) ένα μοναδικό αριθμό για την επιφάνεια, την ημερομηνία, ώρα έναρξης και λήξης καθώς επίσης και πληροφορίες για το μέγεθος και το σχήμα της επιφάνειας. Στο τμήμα 2 του εντύπου περιλαμβάνονται πληροφορίες σχετικές με τη χωροθέτηση της επιφάνειας; 5

73 γεωγραφικές και περιβαλλοντικές. Στα πεδία αυτού του τμήματος καταγράφεται το γεωγραφικό μήκος και πλάτος της επιφάνειας, το σύστημα συντεταγμένων (σημειώθηκαν μετρήσεις και σε ΕΓΣΑ 87 και σε WGS 84), το υψόμετρο από την επιφάνεια της θάλασσας, η έκθεση (8 ονομαστικές κατηγορίες), η κλίση και η θέση στο ανάγλυφο της περιοχής (5 ονομαστικές κατηγορίες). Εικόνα 4-1 Εκτίμηση της εδαφοκάλυψης από την κόμη από τα συνεργεία υπαίθρου Επίσης σε κάθε επιφάνεια ελήφθησαν φωτογραφίες από το κέντρο της προς τις τέσσερις γωνίες της (Σχήμα 4-2/τμήμα 3). Ακολούθως για τους εκάστοτε τύπους βλάστησης κάθε επιφάνειας καταγράφηκαν παράμετροι όπως η εδαφοκάλυψη (καθώς και μια δεύτερη εκτίμηση της fuzzy- απουσία δεύτερου παρατηρητή), η ηλικία (η οποία συμπληρώθηκε από το υπάρχον διαχειριστικό σχέδιο), ο αριθμός των ορόφων του υπόψη τύπου βλάστησης και το μέσο ύψος για κάθε όροφο (Σχήμα 4-2/τμήμα 4). Στις επιφάνειες όπου οι κλίσεις δεν ήταν πολύ μεγάλες και η κίνηση το ίδιο εύκολη προς όλα τα σημεία της επιφάνειας, η εδαφοκάλυψη από την κομοστέγη εκτιμήθηκε με τη χρήση ενός οργάνου μέτρησης της πυκνότητας της κόμης (Εικόνα 4-1). Σε αυτές τις επιφάνειες σε 4 τυχαία σημεία καταγραφόταν αν η κάθετη οπτική παρατήρηση του ουρανού, παρεμποδιζόταν από την κόμη ενός ή περισσότερων δένδρων. Να σημειωθεί πως ενώ στις πρώτες επιφάνειες υπάρχει μια απόκλιση μεταξύ των μετρήσεων αυτών και της οπτικής εκτίμησης, με την πρόοδο των εργασιών παρατηρήθηκε μια ταύτιση των εκτιμώμενων ποσοστών με τις δύο μεθόδους. Στο σημείο αυτό να σημειωθεί ότι μια αναφορά στο περιεχόμενο του όρου εδαφοκάλυψη γίνεται στο Παράρτημα (13.6), καθώς όπως διαπιστώθηκε υπάρχει σύγχυση τόσο στη διεθνή βιβλιογραφία, όσο και στον Ελληνικό χώρο. Για τις υπόλοιπες επιφάνειες αξιοποιήθηκε φωτοερμηνευτικά η παγχρωματική εικόνα. 51

74 Σχήμα 4-2 Το έντυπο που σχεδιάστηκε για τη γενική περιγραφή των δειγματοληπτικών επιφανειών

75 Σχήμα 4-3 Το έντυπο που σχεδιάστηκε για την ειδική περιγραφή των δειγματοληπτικών επιφανειών 53

76 Στο έντυπο ειδικής περιγραφής της επιφάνειας (Σχήμα 4-3), για κάθε δέντρο εντός αυτής σημειώθηκε το είδος του, η στηθαία διάμετρος του, ο όροφος (κοινωνική θέση) που ανήκει το κάθε δένδρο και μια οπτική εκτίμηση του μεγέθους της κόμης του. Πίνακας 4-3 Δείκτες θέσης κόμης για την περιοχή μελέτης Κωδικός θέσης Ερμηνεία Επικυρίαρχα, ορατά, εύκολα διακριτέα Κυρίαρχα/συγκυρίαρχα, διακριτέα Συγκυρίαρχα, πιθανόν δύσκολο να διακριθούν Κυριαρχούμενα πιθανότατα διακριτά Κυριαρχηθέντα μη δυνατόν να διακριθούν Περιγραφή Κόμη αισθητά υψηλότερη από το γενικό (μέσο όρο) της γειτονικής κομοστέγης-εύκολα διακριτά από παρατήρηση σε υψηλή χωρικής ευκρίνειας Α/Φ ή δορυφορικές εικόνες Υψηλά δένδρα-διακριτά από παρατήρηση σε υψηλή χωρικής ευκρίνειας Α/Φ ή δορυφορικές εικόνες Δέντρα των οποίων η κόμη είναι στο ίδιο ύψος με το γενικότερο επίπεδο της φυλλωσιάς πιθανότατα δύσκολα να διακριθούν από το σύνολο. Δέντρα χαμηλότερα από το μέσο επίπεδο της κόμης πιθανότατα διακριτά από παρατήρηση σε υψηλή χωρικής ευκρίνειας Α/Φ ή δορυφορικές εικόνες Δέντρα χαμηλότερα από το μέσο επίπεδο της κόμης μη διακριτά από παρατήρηση σε υψηλή χωρικής ευκρίνειας Α/Φ ή δορυφορικές εικόνες Η κατηγοριοποίηση (Πίνακας 4-3) που υιοθετήθηκε για τους σκοπούς της συγκεκριμένης εργασίας για τον όροφο κάθε δένδρου βασίζεται μερικώς στους δείκτες κόμης του Smith (1986). Ένα σχηματικό παράδειγμα του τρόπου εφαρμογής τους παρουσιάζεται στο Σχήμα 4-4. Σχήμα 4-4 Γραφική απεικόνιση της εφαρμογής στην πράξη των δεικτών κόμης Για το μέγεθος κόμης χρησιμοποιήθηκαν τέσσερις κατηγορίες διαμέτρου(πίνακας 4-4). Η ταξινόμηση των δένδρων έγινε βάση οπτικής εκτίμησης, κοιτώντας παράλληλα με το κύριο τμήμα του κορμού. 54

77 Πίνακας 4-4 Κατηγορίες διαμέτρου κόμης Κωδικός μεγέθους κόμης Διάμετρος κόμης Ερμηνεία 1 <2 Πολύ μεγάλη Μεγάλη Μεσαία 4 >6 Μικρή Επίσης κατά τη διάρκεια της δειγματοληψίας λήφθηκε πλήθος επίγειων φωτογραφιών, οι οποίες προσδιορίστηκαν γεωγραφικά και συνδέθηκαν στη γεωγραφική βάση δεδομένων σε περιβάλλον ARCGIS 2.Τα στατιστικά στοιχεία των 81 επιφανειών παρουσιάζονται στη συνέχεια (Πίνακας 4-5). Να σημειωθεί πως στη στήλη «Σύνθεση» του συγκεκριμένου πίνακα, έχει εκτιμηθεί η ποσοστιαία αναλογία κάθε είδους στο σύνολο της επιφάνειας 2 To ARCGIS είναι εμπορικό σήμα της ESRI 55

78 Πίνακας 4-5 Α/Α Σύνθεση Αριθμός/ Όροφος Μέγεθος κόμης εκτάριο Οξ Οξ 5 Δ 2 M Δ 1 Μ Οξ 6 Δ 2 Μ Οξ 6 Δ 4 Μ Δ 3 Μ Δ 4 Μ Δ 9 Σφ Δ Δ 5 Μ 4 Ακ Δ 9 Μ Δ 1 Αρ Δ 7 Μ Μ Δ Κσ 2 Δ Δ 1 Αρ Δ Οξ 6 Δ Μ Οξ Δ 9 Αρ Οξ 2 Δ 4 Οσ Δ 8 Οσ Οξ 1 Δ 3 Οσ Οξ 2 Δ Οσ Δ 2 Μ 8 Αρ Δ Δ Δ Δ Δ Δ Οξ 7 Δ Οξ 9 Δ Δ Δ Δ 6 Μ Δ Δ Δ

79 Πίνακας 4-5 (συνέχεια) Στατιστικά στοιχεία για το σύνολο των επιφανειών που εντοπίστηκαν Α/Α Σύνθεση Αριθμός/ Όροφος Μέγεθος κόμης εκτάριο Δ 4 Τ Δ Τ Δ 5 Τ Δ 1 Τ Τ 9 Ακ Δ Τ Δ 3 Τ Δ 8 Μ Οξ Οξ 8 Δ Δ 7 Μ Οξ Δ 4 Τ Δ Δ 7 Μ Δ 7 Μ Δ 1 Μ Δ 3 Μ 1 Τ Δ 2 Μ Δ 3 Μ Οξ 9 Δ Οξ 1 Δ Οξ 1 Δ Δ Δ 3 Μ Δ 2 Μ Οξ 5 Δ 4 Ελ Οξ 6 Δ 1 Μ Ελ Οξ 1 Δ 4 Μ Οξ 5 Δ 1 Μ Μ Μ Δ Δ Οξ 9 Δ Δ 2 Τ Οξ 2 Δ Οξ 5 Δ Δ Πα Χ Προεπεξεργασία δορυφορικών δεδομένων Ραδιομετρική διόρθωση Η ραδιομετρική προ-επεξεργασία αφορά τις διεργασίες που πρέπει να γίνουν για να διορθωθούν τα σφάλματα τα οποία σχετίζονται με την ατμοσφαιρική διάχυση και απορρόφηση, τις μεταβολές της γωνίας σάρωσης, τις μεταβολές της γωνίας πρόσπτωσης του ηλίου και το "θόρυβο" του συστήματος. 57

80 Η ραδιομετρική προ-επεξεργασία η οποία λέγεται και ραδιομετρική διόρθωση επιδρά και επαναπροσδιορίζει τις τιμές λαμπρότητας. 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). Μια πρώτη κατηγορία λαθών (και αντίστοιχα μεθόδων διόρθωσης) είναι αυτά που οφείλονται στον καταγραφέα ή στο σταθμό επίγειας λήψης (Mather 1999). Στην πραγματικότητα τα σφάλματα αυτά όπως για παράδειγμα τα σφάλματα απορρύθμισης καταγραφής μιας γραμμής (missing scan lines) δεν μπορούν να αφαιρεθούν. Τα λάθος δεδομένα αντικαθίστανται με κάποιες άλλες τιμές οι οποίες εκλαμβάνεται ότι αντιστοιχούν καλύτερα στις πραγματικές αλλά άγνωστες τιμές. Η προσέγγιση αυτή βασίζεται στην ιδιότητα της χωρικής αυτοσυσχέτισης των τιμών των εικόνων. Συνοπτικά υπάρχουν τρεις μέθοδοι αντικατάστασης των τιμών: 1. Η πρώτη και πιο απλή περιλαμβάνει την αντικατάσταση της τιμής ενός εικονοστοιχείου από την τιμή του αντίστοιχου εικονοστοιχείου στην αμέσως προηγούμενη γραμμή. 2. Η δεύτερη περιλαμβάνει τη συμπλήρωση της τιμής του εικονοστοιχείου από το μέσο όρο των δυο εικονοστοιχείων στις αντίστοιχες διπλανές γραμμές 3. Η τελευταία στηρίζεται στην υψηλή συσχέτιση ζευγών εικονοστοιχείων μεταξύ γειτονικών διαύλων της εικόνας αλλά και γειτονικών εικονοστοιχείων στον ίδιο δίαυλο. Το ίδιο ισχύει και για τις ανεπιθύμητες τιμές στις εικόνες όπως τα λάθη λωριδοποίησης (stripping), τα οποία μπορούν να εξαλειφτούν ή να μειωθούν μεταβάλλοντας όλες τις τιμές της εικόνας. Οι μέθοδοι διόρθωσης σε αυτή τη περίπτωση περιλαμβάνουν: 1. Τη γραμμική μέθοδο όπου σκοπός είναι η μεταβολή των τιμών των εικονοστοιχείων μέσω μιας γραμμικής σχέσης έτσι ώστε η μέση και τυπική τιμή των εικονοστοιχείων κάθε ανιχνευτή ξεχωριστά να είναι ίσες με τα αντίστοιχα μεγέθη όπως προκύπτουν λαμβάνοντας υπόψη όλα τα εικονοστοιχεία (το σύνολο των ανιχνευτών) και 2. Τη μέθοδο ταύτισης των ιστογραμμάτων όπου σκοπός είναι η προσαρμογή των μεμονωμένων αθροιστικών ιστογραμμάτων συχνότητας μέσω μιας μη γραμμικής σχέσης στο σχήμα του αθροιστικού ιστογράμματος του συνόλου της εικόνας. Η δεύτερη μεγάλη κατηγορία σφαλμάτων και λάθη τιμών είναι αυτά που προκύπτουν από την επίδραση του περιβάλλοντος (Jensen 1996). Τα σφάλματα αυτά που προέρχονται είτε από τα φαινόμενα της σκέδασης, απορρόφησης, διάχυσης και διάθλασης (Sabins 1978) εξαιτίας της επίδρασης της ατμόσφαιρας είτε από την επίδραση της τοπογραφίας (προσανατολισμός και κλίση του ανάγλυφου), έχουν σαν συνέπεια την αύξηση ή την ελάττωση της πραγματικής ακτινοβολίας 58

81 (radiance) που εξέρχεται από μια επιφάνεια, η δε ποσότητα της μεταβολής είναι διαφορετική κατά μήκος του ηλεκτρομαγνητικού φάσματος. Σε περίπτωση που η ανάλυση πρόκειται να γίνει χρησιμοποιώντας τιμές ακτινοβολίας (irradiance) ή ανάκλασης (reflectance) τότε είναι απαραίτητο η επίδραση της ατμόσφαιρας να προσδιορισθεί και να χρησιμοποιηθεί το κατάλληλο μοντέλο για τη διόρθωση της. Τέτοιες ατμοσφαιρικές διορθώσεις είναι ιδιαίτερα χρήσιμες όταν απαιτούνται εκτιμήσεις της ακτινοβολίας ή της ανάκλασης που εξέρχεται από μια επιφάνεια ή όταν τμήμα του σήματος που μας ενδιαφέρει είναι μικρότερο σε ποσότητα από την επίδραση της ατμόσφαιρας. Η επίδραση της ατμόσφαιρας μπορεί να απομακρυνθεί από δεδομένα τηλεπισκόπησης χρησιμοποιώντας κάποιες από τις υπάρχουσες προσεγγίσεις. Η επιλογή της μεθόδου είναι συνάρτηση της φύσης του προβλήματος, του τύπου των διαθέσιμων δεδομένων τηλεπισκόπησης, του είδους και της ποιότητας των διαθέσιμων πληροφοριών για τις ατμοσφαιρικές συνθήκες κατά τη λήψη, της ύπαρξης επίγειων μετρήσεων ανάκλασης και της επιθυμητής ακρίβειας των βιοφυσικών παραμέτρων που θα εκτιμηθούν από τα δεδομένα τηλεπισκόπησης (Cracknell και Hayes 1993). Για παράδειγμα αν σκοπός είναι η εκτίμηση της βιομάζας ενός δασικού οικοσυστήματος, της συγκέντρωσης χλωροφύλλης α στο νερό, όπου συνήθως χρησιμοποιούνται επικουρικά επιτόπιες μετρήσεις φασματοραδιόμετρου τότε απαιτείται η βέλτιστη δυνατή (και συνήθως χρονοβόρα και δαπανηρή) μέθοδος. Αν όμως σκοπός είναι η ταξινόμηση μιας εικόνας με τη χρήση ενός ταξινομητή μέγιστης πιθανοφάνειας έχει αποδειχτεί ότι η διόρθωση της επίδρασης της ατμόσφαιρας έχει μικρή επίδραση στην ακρίβεια της ταξινόμησης (Kawata κ.ά. 1988, Song κ.ά. 21). Οι τεχνικές απομάκρυνσης της επίδρασης της ατμόσφαιρας μπορούν να διακριθούν σε απόλυτες και σχετικές (Jensen 1996). Η απόλυτη ραδιομετρική διόρθωση έχει σκοπό την εκτίμηση του μεγέθους της ανακλώμενης ακτινοβολίας κατά τη στιγμή που αυτή φεύγει από την επιφάνεια της γης. Για το σκοπό αυτό χρησιμοποιούνται διάφοροι αλγόριθμοι μοντελοποίησης της συμπεριφοράς της ατμόσφαιρας (Radiative Transfer Codes-RTC) όπως ο MODTRAN-4 (Anderson κ.ά. 2) και 5S/6S (Tanre κ.ά. 1986). Ωστόσο η δυσκολία εφαρμογής τέτοιων μεθόδων έγκειται στην ανάγκη για ακριβή γνώση παραμέτρων όπως οπτικό βάθος των aerosols και την περιεχόμενη υγρασία του αέρα. Η σχετική ραδιομετρική διόρθωση δεν απαιτεί γνώση της ατμοσφαιρικής κατάστασης. Σκοπός είναι η εκτίμηση και απομάκρυνση της διάχυτης ακτινοβολίας η οποία προστίθεται στην ανακλώμενη από τη γήινη επιφάνεια ενέργεια, μεταβάλλοντας το ιστόγραμμα κάθε διαύλου (την ελάχιστη τιμή) ενός καταγραφέα σε διαφορετικό βαθμό ανάλογα με το μήκος κύματος. Η μέθοδος της ελάχιστης τιμής ιστογράμματος (Richards 1986) περιλαμβάνει αρχικά τον υπολογισμό των ιστογραμμάτων για κάθε δίαυλο της εικόνας. Από την εκτίμηση των ιστογραμμάτων αυτών και λαμβάνοντας υπόψη ότι οι εικόνες περιέχουν συνήθως περιοχές γενικότερα χαμηλής ανακλαστικότητας όπως καθαρό νερό και σκιές, μπορεί να υπολογιστεί η τιμή της ακτινοβολίας η οποία είναι ίση περίπου με τη μετατόπιση του ιστογράμματος από την αρχή των αξόνων. Η μετατόπιση αυτή 59

82 είναι συνήθως μεγαλύτερη στους διαύλους που καταγράφουν το ορατό μέρος του ηλεκτρομαγνητικού φάσματος. Από την αφαίρεση της ελάχιστης τιμής από κάθε δίαυλο προκύπτουν νέα ιστογράμματα, τα οποία εφάπτονται στην αρχή των αξόνων. Μια δεύτερη προσέγγιση σχετικής ραδιομετρικής διόρθωσης είναι η μέθοδος της παλινδρόμησης, βάση της οποίας διαγράμματα διασποράς κάποιου διαύλου στο υπέρυθρο τμήμα του φάσματος (για παράδειγμα στο Θεματικό Χαρτογράφο του LANDSAT ο τέταρτος δίαυλος) με κάθε δίαυλο του ορατού. Στη συνέχεια με τη μέθοδο των ελαχίστων τετραγώνων υπολογίζεται η καλύτερη δυνατή γραμμή προσαρμογής. Σε περίπτωση όπου δεν υπήρχε επίδραση από τη διάχυση ή ήταν αμελητέα η προέκταση της γραμμή αυτής θα έπρεπε να διέρχεται από την αρχή των αξόνων. Συνεπώς η μετατόπιση της γραμμής από την αρχή των αξόνων εκλαμβάνεται ως η τιμή που προστίθεται στην καταγεγραμμένη ακτινοβολία λόγω διάχυσης και αφαιρείται από τον αντίστοιχο δίαυλο Βαθμονόμηση δεδομένων Στα πλαίσια της παρούσης εργασίας επιλέχτηκε ως μέθοδος ραδιομετρικής προ-επεξεργασίας η μέθοδος της βαθμονόμησης του δέκτη. Τα συστήματα παραγωγής εικόνων μετατρέπουν την ενέργεια που καταγράφουν προερχομένη από την επιφάνεια της Γης, σε βαθμονομημένα δεδομένα (ψηφιακές τιμές-digital Counts DC) ενός προκαθορισμού εύρους για παράδειγμα 255 μονάδων. Ωστόσο σε αρκετές περιπτώσεις είναι χρήσιμη η μετατροπή των δεδομένων σε μονάδες ακτινοβολίας ή/και ανάκλασης όπως αυτή καταγράφηκε από το δορυφόρο (Top Of Atmosphere ή apparent). Η μετατροπή σε μονάδες ακτινοβολίας είναι χρήσιμη όταν σκοπός ενός έργου είναι η αλλληλοσύγκριση εικόνων από διαφορετικούς δέκτες. Αντίστοιχα η χρήση μονάδων ανάκλασης απομακρύνει κάποιες από τις πηγές μεταβλητότητας που επηρεάζουν τα δορυφορικά δεδομένα. Συγκεκριμένα απομακρύνει τη μεταβλητότητα λόγω της γωνίας του ήλιου ως προς το ζενίθ και την αυξομείωση της απόστασης Γηςήλιου καθώς και διαφορές στην ακτινοβολία (irradiance) στους φασματικούς διαύλους από δέκτη σε δέκτη. Το πλεονέκτημα αυτής της μεθόδου είναι ότι είναι σχετικά απλή να εφαρμοστεί και δεν απαιτεί επίγειες μετρήσεις ανάκλασης ή ατμοσφαιρικούς παραμέτρους (Chavez 1996). Για τη βαθμονόμηση της εικόνας οι ψηφιακές τιμές μετατράπηκαν αρχικά σε τιμές ακτινοβολίας και στη συνέχεια σε τιμές ανάκλασης στο δέκτη (εύρος τιμών -1) με τη χρήση διαδοχικά των παρακάτω εξισώσεων: L pixel, band = abscalfactor band q pixel, band L L pixel, band λ pixel =, band Δλband L R = λ ESD E cos 2 p ( θ ) s i 6

83 JulianDay 3 ESD( JulianDay) = cos 2π 365 όπου W L pixel, band η ακτινοβολία (radiance) στην κορυφή της ατμόσφαιρας σε μονάδες 2 m sr W abscalfact or band οι απόλυτοι συντελεστές ραδιομετρικής βαθμονόμησης σε μονάδες 2 m sr count q pixel, band τα ραδιομετρικά διορθωμένα εικονοστοιχεία (counts) Δ λ band η ζώνη φασματικής καταγραφής για κάθε δίαυλο του δέκτη/εύρος μηκών κυμάτων για κάθε δίαυλο (μm) (Πίνακας 4-6 ) L pixel, band λ ο μέσος όρος της ακτινοβολίας για τη ζώνη φασματικής καταγραφής κάθε διαύλου R η ανάκλαση στην κορυφή της ατμόσφαιρας ESD η απόσταση ήλιου-γης για τη συγκεκριμένη μέρα λήψης της εικόνας E Exoatmospheric Solar Spectral Irradiance Values (Πίνακας 4-6) θ s 9 ο η γωνία ύψωσης του ήλιου τη στιγμή της λήψης της εικόνας 61

84 Πίνακας 4-6 Ενεργές ζώνες φασματικής καταγραφής και τιμές E.S.S.I.V. για τον καταγραφέα Quickbird Φασματικός Δίαυλος Exoatmospheric Solar Ενεργή ζώνη φασματικής Spectral Irradiance Values καταγραφής (μm) Πανχρωματικό Πολυφασματικό-Μπλε Πολυφασματικό-Πράσινο Πολυφασματικό-Κόκκινο Πολυφασματικό-Κοντινό Υπέρυθρο Για την περαιτέρω διόρθωση της εικόνας υπάρχει η δυνατότητα της χρησιμοποίησης αλγόριθμων όπως το ATCOR-3 για την ανάκτηση των τιμών ανάκλασης στην επιφάνεια της γης (surface reflectance). Ωστόσο σύμφωνα με τον Kellenberger (24-προσωπική επικοινωνία) η χρήση τέτοιων μοντέλων αφενός δεν είναι απαραίτητη όταν ακολουθηθεί η αντικειμενοστραφής μέθοδος ταξινόμησης ενώ επιπλέον προϋποθέτει την ύπαρξη Ψηφιακών Μοντέλων Εδάφους με μέγεθος ψηφίδας ίση με το 1/5 του μεγέθους του εικονοστοιχείου της δορυφορικής εικόνας (δηλ. 12 εκατοστά για την παγχρωματική και 48 για την πολυφασματική). Όπως φαίνεται και στην Εικόνα 4-2, η χρησιμοποίηση χαμηλότερης ευκρίνειας ΨΜΕ, στην εικόνα της περιοχής μελέτης, υποβάθμισε τη ραδιομετρική ποιότητα της εικόνας. Εικόνα 4-2 Αποτέλεσμα της εφαρμογής της μεθόδου διόρθωσης ATCOR (δεξιά εικόνα), στις τιμές της αρχικής δορυφορικής εικόνας (αριστερή εικόνα). Είναι εμφανές το πρότυπο που προκύπτει στην εξαιτίας του αναλογικά μεγάλου μεγέθους ψηφίδας του DTM, που χρησιμοποιήθηκε για τη διόρθωση σε σχέση με την αρχική εικόνα Γεωμετρική διόρθωση Οι δορυφορικές εικόνες δεν αποτελούν από τη φύση τους χάρτες καθώς αυτό προϋποθέτει προκαθορισμένο γεωδαιτικό έλεγχο, κάναβο, προβολή και κλίμακα (Steigler 1978) για τα αντικείμενα των εικόνων. Συχνά ωστόσο η πληροφορία που εξάγεται από δεδομένα τηλεπισκόπησης έχει ως σκοπό την ενσωμάτωση της, μαζί με άλλες χαρτογραφικές πληροφορίες σε ένα Γεωγραφικό Σύστημα 62

85 Πληροφοριών ή την παρουσίαση της στους τελικούς χρήστες-καταναλωτές σε μορφή χάρτη. (π.χ. δορυφορικές εικόνες πρόγνωσης καιρού στην τηλεόραση). Ο μετασχηματισμός μιας εικόνας τηλεπισκόπησης έτσι ώστε να έχει κλίμακα και προβολικές ιδιότητες ενός χάρτη ονομάζεται γεωμετρική διόρθωση (Mather 1999) και πρέπει να ακολουθείται όποτε απαιτούνται ακριβείς μετρήσεις επιφάνειας, διεύθυνσης και απόστασης σε μια εικόνα (Jensen 1996). Μια παρεμφερής τεχνική η οποία ονομάζεται εγγραφή εικόνας (image registration) είναι 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). Συμπερασματικά η γεωμετρική διόρθωση δεδομένων τηλεπισκόπησης απαιτείται όταν μια εικόνα ή ένα προϊόν που παράγεται από την εικόνα όπως ένα δείκτης βλάστησης ή μια ταξινομημένη εικόνα πρόκειται να χρησιμοποιηθεί σε μια από τις παρακάτω περιπτώσεις (Kardoulas κ.ά. 1996): 1. Στο μετασχηματισμό μιας εικόνας ώστε να ταιριάσει σε μια χαρτογραφική προβολή. 2. Στον εντοπισμό σημείων ενδιαφέροντος στο χάρτη και την εικόνα. 3. Στην προσαρμογή γειτονικών εικόνων. 4. Για την επίθεση διαχρονικών λήψεων εικόνων της ίδιας γεωγραφικής περιοχής, οι οποίες πιθανότατα να έχουν ληφθεί και από διαφορετικούς δέκτες. 5. Για την επίθεση εικόνων και χαρτών και εικόνων σε ένα Γεωγραφικό Σύστημα Πληροφοριών. Πίνακας 4-7 Διάκριση γεωμετρικών σφαλμάτων ανάλογα με τον παρατηρητή και τον παρατηρούμενο (Toutin 23) Κατηγορία Υπο-κατηγορία Περιγραφή Παρατηρητής (Σύστημα καταγραφής) Παρατηρούμενος Πλατφόρμα Ανιχνευτής Όργανα μέτρησης Ατμόσφαιρα Γη Χάρτης Μεταβολές στην ελλειπτική τροχιά της πλατφόρμας (συνδυασμός εστιακής απόστασης, καμπυλότητας και ανάγλυφου) Μεταβολές στη συμπεριφορά της πλατφόρμας (γωνίες διατοιχισμού, προσανατολισμού και αμφιπρώρησης). Μεταβολές στην ταχύτητα Πεπερασμένη ταχύτητα δειγματοληψίας Πανοραμική παραμόρφωση σε συνάρτηση της γωνίας λήψης Μη γραμμικές παραμορφώσεις στη σάρωση Χρονικές παρεκλίσεις ή drift Συχρονισμός ρολογιών Διάθλαση και ασυνήθιστες ατμοσφαιρικές διαταράξεις Καμπυλότητα, περιστροφή και τοπογραφία Προσέγγιση του γεωειδούς από ένα ελλειψοειδές Προβολή ελλειψοειδούς σε μια εφαπτόμενη επιφάνεια (χάρτης) 63

86 Οι διάφορες πηγές γεωμετρικών σφαλμάτων γενικότερα είναι οι εξής: 1. Σφάλματα των οργάνων 2. Πανοραμική παραμόρφωση 3. Περιστροφή της γης και αστάθεια της πλατφόρμας μεταφοράς των οργάνων (Bannani κ.ά. 1995). Μια διάκριση των παραπάνω σφαλμάτων μπορεί να γίνει και σε αυτά που οφείλονται στον παρατηρητή και στον παρατηρούμενο (Πίνακας 4-7). Μια δεύτερη κατηγοριοποίηση των σφαλμάτων είναι αυτή σε παραμορφώσεις χαμηλής, μέσης και υψηλής συχνότητας (Friedmann κ.ά. 1983) όπου η συχνότητα καθορίζεται από το χρόνο λήψης. Παραδείγματα χαμηλής, μέσης και υψηλής συχνότητας παραμόρφωσης, είναι οι μεταβολές στην τροχιά της πλατφόρμας, την περιστροφή της Γης και τοπικές τοπογραφικές επιδράσεις αντίστοιχα. Η διαδικασία γεωμετρικής διόρθωσης μπορεί να θεωρηθεί ότι περιλαμβάνει τα εξής βήματα: 1. Τον καθορισμό μιας σχέσης μεταξύ του συστήματος συντεταγμένων του χάρτη και της εικόνας (ή εικόνας και εικόνας στην περίπτωση της εγγραφής) 2. Τον καθορισμό ενός συνόλου σημείου τα οποία ορίζουν το κέντρο των εικονοστοιχείων στη διορθωμένη εικόνα και τα οποία όταν εκλειφθούν ως ένας ορθογώνιος κάνναβος, ορίζουν τις επιθυμητές χαρτογραφικές ιδιότητες 3. Την εκτίμηση των τιμών των εικονοστοιχείων που συνδέονται με αυτά τα σημεία. 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 σχετικά μικρή γεωγραφική περιοχή (π.χ. τέταρτο σκηνής LANDSAT), ένα πολυώνυμο 1 ου 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 64

87 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. Στη συνέχεια και καθώς οι συντεταγμένες των εικονοστοιχείων στη διορθωμένη εικόνα δεν είναι συνήθως ακέραιες τιμές απαιτείται ο υπολογισμός μιας νέας ψηφιακής τιμής για κάθε εικονοστοιχείο. Η διαδικασία αυτή απαιτεί τη χρήση μιας μεθόδου χωρικής παρεμβολής η οποία ονομάζεται επαναδειγματοληψία (resampling). Υπάρχουν τρεις μέθοδοι (αλγόριθμοι) επαναδειγματοληψίας των δορυφορικών δεδομένων (Καρτέρης 25): 1. Του πλησιέστερου γειτονικού σημείου. 2. Της διγραμμικής παρεμβολής. 3. Της κυβικής συνέλιξης Ορθοαναγωγή της δορυφορικής εικόνας Η διαδικασία της ορθοαναγωγής που επιλέχτηκε για τη δορυφορική εικόνα Quickbird μοντελοποιεί το έδαφος καθώς και τη συμπεριφορά του καταγραφέα (θέση και γωνίες στροφής), γεγονός που την καθιστά πολύ πιο ακριβής για εικόνες εκτός ναδίρ, για εικόνες μεγαλύτερης κλίμακας, καθώς και εικόνες ορεινών περιοχών. Το προσεγγιστικό γεωμετρικό μοντέλο των rational functions που χρησιμοποιήθηκε χρησιμοποιεί την αναλογία δύο πολυωνυμικών συναρτήσεων για να υπολογίσει τη σειρά (row) μιας εικόνας και μια παρόμοια αναλογία για να υπολογίσει τη στήλη (column) μιας εικόνας. Και τα τέσσερα πολυώνυμα είναι συναρτήσεις τριών επίγειων συντεταγμένων: γεωγραφικό πλάτος, γεωγραφικό μήκος, και υψόμετρο. Τα πολυώνυμα περιγράφονται με τη χρησιμοποίηση ενός συνόλου το πολύ 2 συντελεστών αν και μερικοί από τους συντελεστές είναι συχνά μηδέν. Οι συντελεστές αυτοί μπορούν είτε να υπολογιστούν με τη χρήση πολλών επίγειων σημείου ελέγχου είτε να χρησιμοποιηθούν όπως δίνονται με την εικόνα. Για την ορθοαναγωγή της εικόνας Quickbird δημιουργήθηκε ένα ψηφιακό μοντέλο εδάφους με μέγεθος ψηφίδας 1 μέτρων. Σημεία ελέγχου εντοπίστηκαν από ορθοφωτογραφίες του Υπουργείου Γεωργίας κλίμακας 1:1. Επίσης για την αξιολόγηση της διαδικασίας ορθοδιόρθωσης χρησιμοποιήθηκαν τριγωνομετρικά σημεία της Γεωγραφικής Υπηρεσίας Στρατού της ευρύτερης περιοχής μελέτης (Πίνακας 4-1). Όσα τριγωνομετρικά σημεία ήταν εφικτό εντοπίστηκαν στο έδαφος και στη δορυφορική εικόνα μετά από αρκετές επιτόπιες επισκέψεις και πραγματοποιήθηκε έλεγχος των συντεταγμένων τους όπως προέκυπταν από τη διορθωμένη εικόνα. Μόνο σε μια περίπτωση η απόκλιση ήταν μεγαλύτερη των 3 μέτρων σε κάποιο από τους δύο άξονες. Το γεγονός αυτό επιβεβαίωσε την επάρκεια της παραπάνω διαδικασίας διόρθωσης καθώς το όριο σφάλματος στο Κτηματολόγιο είναι τα 3 μέτρα. 65

88 5 Συγχώνευση αρχικών δορυφορικών δεδομένων και έλεγχος αξιοπιστίας των μεθόδων 5.1 Εισαγωγή Η συγχώνευση ψηφιακών εικόνων (image merge ή image fusion) εφαρμόζεται ευρέως σε διάφορους τομείς της τηλεπισκόπησης (Pohl και Genderen 1998). Οι διάφορες τεχνικές επιτρέπουν το συνδυασμό εικόνων διαφορετικής χωρικής, φασματικής και χρονικής διακριτότητας με απώτερο στόχο την αύξηση των δυνατοτήτων ερμηνείας και της απόκτησης αξιόπιστων αποτελεσμάτων από την επεξεργασία των εικόνων. Στο κεφάλαιο αυτό αρχικά παρουσιάζεται το θεωρητικό υπόβαθρο αναφορικά με τη συγχώνευση δορυφορικών δεδομένων. Στη συνέχεια αναλύονται οι τέσσερις μέθοδοι συγχώνευσης που αξιολογήθηκαν και τέλος παρουσιάζονται τα αποτελέσματα της όλης διαδικασίας που οδήγησαν στην επιλογή της βέλτιστης μεθόδου συγχώνευσης. Η συγχωνευμένη εικόνα χρησιμοποιήθηκε σε επόμενα κεφάλαια τόσο για τη βελτίωση της ακρίβειας ταξινόμησης όσο και για την υποβοήθηση της φωτοερμηνείας. 5.2 Θεωρητικό υπόβαθρο Στη διεθνή βιβλιογραφία συναντώνται διάφοροι όροι και ορισμοί για τη συγχώνευση των εικόνων. Μια ευρύτερη προσέγγιση είναι αυτή της συγχώνευσης δεδομένων (data fusion) η οποία ορίζεται (Pohl 1996) ως ο συνδυασμός δεδομένων από πολλαπλούς αισθητήρες και σχετιζόμενων πληροφοριών από συνδεδεμένες βάσεις πληροφοριών για την επίτευξη βελτιωμένης ακρίβειας εξαγωγής πληροφοριών και πιο συγκεκριμένων αποτελεσμάτων από ότι θα επιτυγχανόταν με τη χρήση ενός μόνο δέκτη. Παρόμοια ο Mangolin (1994) περιγράφει τη συγχώνευση δεδομένων ως μια ομάδα μεθόδων και προσεγγίσεων χρησιμοποιώντας δεδομένα από πολλές πηγές διαφορετικής φύσεως για τη βελτίωση της ποιότητας της πληροφορίας που περιέχεται στα δεδομένα. Οι παραπάνω ορισμοί, εκτός από τη χρησιμοποίηση εικόνων τηλεπισκόπησης περιλαμβάνουν και τη χρησιμοποίηση βοηθητικών στοιχείων όπως τοπογραφικοί χάρτες, σημεία GPS. Ειδικότερα η συγχώνευση αποκλειστικά εικόνων μπορεί να οριστεί ως ο υπολογισμός τριών νέων τιμών για ένα εικονοστοιχείο, βάση μιας γνωστής σχέσης μεταξύ των δεδομένων εισόδου (input data) για μια τοποθεσία στην εικόνα (Franklin και Blodgett 1993) ή ο συνδυασμός δύο ή περισσότερων εικόνων για τη δημιουργία μιας νέας εικόνας με τη χρήση ενός συγκεκριμένου αλγόριθμου (Genderen και Pohl 1994). Σύμφωνα με τους Pohl και Genderen (1998), η συγχώνευση εικόνων εφαρμόζεται σε ψηφιακές εικόνες με σκοπό: 1. Την αύξηση της χωρικής συχνότητας (sharpen) των εικόνων (Chavez κ.ά. 1991). 2. Τη βελτίωση των γεωμετρικών διορθώσεων (Strobl κ.ά. 199). 3. Την παροχή δυνατότητας στερεοσκοπικής παρατήρησης (Bloom κ.ά. 1988). 66

89 4. Την ενίσχυση συγκεκριμένων χαρακτηριστικών τα οποία δεν είναι ορατά στις αρχικές εικόνες (Leckie 199). 5. Τη συμπλήρωση των αρχικών δεδομένων για βελτιωμένη ταξινόμηση (Schistad-Solberg κ.ά. 1994). 6. Τον εντοπισμό αλλαγών χρησιμοποιώντας διαχρονικά δεδομένα (Duguay κ.ά. 1994). 7. Την αντικατάσταση πληροφοριακών κενών (π.χ. σύννεφα στο ορατό μέρος του φάσματος, σκιές σε δεδομένα SAR) με τιμές από άλλη εικόνα (Aschbacher και Lichtenegger 199). 8. Αντικατάσταση προβληματικών δεδομένων (Suits κ.ά. 1988). Η διαδικασία για τη συγχώνευση των εικόνων περιλαμβάνει την προ επεξεργασία των εικόνων (γεωμετρική διόρθωση/ προσαρμογή και ραδιομετρική διόρθωση), την προσαρμογή των ιστογραμμάτων και τέλος την εφαρμογή μιας μεθόδου συγχώνευσης (Τσακίρη κ.ά. 22). Οι τεχνικές συγχώνευσης δεδομένων τηλεπισκόπησης μπορούν να διακριθούν σε δύο ομάδες: 1. Τις σχετικές με το χρώμα και 2. Τις στατιστικές/αριθμητικές μεθόδους Η πρώτη κατηγορία περιλαμβάνει τη χρωματική σύνθεση τριών διαύλων της εικόνας στο χώρο RGB (Red-Green-Blue/κόκκινο-πράσινο-μπλε) καθώς και πιο πολύπλοκους μετασχηματισμούς χρωματικών μοντέλων όπως ο IHS (Intensity-Hue-Saturation/ένταση-απόχρωση-κορεσμός) και HSV (Hue-Saturation-Value). Οι στατιστικές μέθοδοι στηρίζονται σε στατιστικά μέτρα των διαύλων όπως συσχέτιση και φίλτρα. Στην παραπάνω ομάδα ανήκουν μέθοδοι όπως η παλινδρόμηση και η ανάλυση κυρίων συνιστωσών (Principal Component Analysis-PCA). Οι αριθμητικές μέθοδοι προκύπτουν από αριθμητικές πράξεις, όπως διαφορές και λόγοι των εικόνων καθώς και πρόσθεση των διαύλων. Στην ομάδα αυτή ανήκει και η τεχνική του μετασχηματισμού των κυματιδίων (wavelet transform) Αξιολόγηση μεθόδων συγχώνευσης Για την αξιολόγηση των τεχνικών συγχώνευσης μπορούν να διακριθούν οι ποιοτικές (ή υποκειμενικές) και οι ποσοτικές (ή αντικειμενικές) μέθοδοι. Οι ποιοτικές μέθοδοι στηρίζονται στην εμπειρία ή σε ορισμένα προκαθορισμένα κριτήρια για την ποιότητα της εικόνας. Αυτός ο τρόπος αξιολόγησης εμπεριέχει και μία ποσότητα σφάλματος ή αβεβαιότητας σε συνάρτηση με την εμπειρία του παρατηρητή (Shi κ.ά. 25). Στη δεύτερη κατηγορία μεθόδων εξετάζονται με ποσοτικά κριτήρια (συσχέτιση, στατιστικά μέτρα όπως μέσος όρος, τυπική απόκλιση) η φασματική και χωρική ποιότητα των εικόνων (Zhou κ.ά. 1998). Για τον έλεγχο της φασματικής ποιότητας και της διατήρησης από τη σύνθετη εικόνα των φασματικών χαρακτηριστικών της αρχικής πολυφασματικής, χρησιμοποιούνται οι συνήθως οι κανόνες του Wald (Wald 1997, Τσακίρη κ.ά. 22): 67

90 1. Κάθε δίαυλος της σύνθετης εικόνας, υποβαθμισμένος στη χωρική ανάλυση της αρχικής πολυφασματικής, θα πρέπει φασματικά να είναι όσο το δυνατόν περισσότερο όμοιος με τον αντίστοιχο δίαυλο της αρχικής. 2. Κάθε δίαυλος της σύνθετης εικόνας Β h*, θα έπρεπε να έχει όμοια φασματικά χαρακτηριστικά με τον αντίστοιχο δίαυλο πολυφασματικής εικόνας, που θα καταγράφονταν από πολυφασματικό αισθητήρα με χωρική ανάλυση h, αν αυτός υπήρχε. 3. Η σύνθετη εικόνα B h*, στο σύνολό της θα πρέπει να έχει όμοια φασματικά χαρακτηριστικά με την εικόνα B h, που θα καταγράφονταν από πολυφασματικό αισθητήρα με χωρική ανάλυση h, αν αυτός υπήρχε. Για κάθε κανόνα ελέγχονται μια σειρά διαφορετικών κριτηρίων σε διάφορες κλίμακες. Πέραν των παραπάνω κανόνων άλλες εργασίες που έχουν γίνει με μεθόδους συγχώνευσης δεδομένων προτείνουν και συμπληρωματικούς τρόπους αξιολόγησης όπως ο δείκτης NDVI (Τσακίρη κ.ά. 22). Τέλος για την αξιολόγηση της χωρικής ποιότητας των σύνθετων εικόνων οι Zhou κ.ά. (1998), προτείνουν την αξιολόγηση και σύγκριση των βαθμών συσχέτισης της υψηλότερης ευκρίνειας παγχρωματικής εικόνας με τους διαύλους των βελτιωμένων εικόνων. 5.3 Μεθοδολογία Τροποποιημένη μέθοδος IHS Η τροποποιημένη τεχνική IHS στηρίζεται στο μετασχηματισμό τριών διαύλων μιας πολυφασματικής εικόνας από το χρωματικό μοντέλο των τριών κύριων χρωμάτων RGB, στο χρωματικό μοντέλο IHS. Η κεντρική ιδέα είναι η εξάλειψη της χωρικής συσχέτισης μεταξύ των αρχικών διαύλων, αναλύοντας τους σε τρεις ανεξάρτητες συνιστώσες οι οποίες εύκολα συσχετίζονται με την ανθρώπινη αντίληψη (Bretschneider και Kao 2). Ο μετασχηματισμός IHS διαχωρίζει την χωρική από τη φασματική πληροφορία σε μία τυπική εικόνα του χώρου RGB. Το βασικό μοντέλο εκλαμβάνει την ένταση ως τον κάθετο άξονα, την απόχρωση ως τον περιφερειακό άξονα και τον κορεσμό ως την ακτίνα ενός κυλινδρικού συστήματος συντεταγμένων (Εικόνα 5-1). Μετά το μετασχηματισμό των αρχικών δεδομένων στο χώρο IHS, ο δίαυλος της έντασης αντικαθίσταται από τον υψηλότερης ευκρίνειας παγχρωματικό δίαυλο και στη συνέχεια τα δεδομένα μετασχηματίζονται εκ νέου στο χώρο RGB. Να σημειωθεί πώς αντί του κυλινδρικού μοντέλου χρησιμοποιείται σε κάποιες περιπτώσεις και το εξαγωνικό μοντέλο (ERDAS 1999). Στην τροποποιημένη μέθοδο, η συνιστώσα της έντασης (παγχρωματικός δίαυλος) τροποποιείται πριν την επαναφορά στο χώρο RGB, έτσι ώστε να προσομοιάζει περισσότερο με την ένταση των αρχικών δεδομένων. Το αποτέλεσμα αυτής της επεξεργασίας είναι η αφαίρεση της ανεπιθύμητης πληροφορίας από τον παγχρωματικό δίαυλο (Chavez κ.ά. 1991). 68

91 Εικόνα 5-1 Ο μετασχηματισμός IHS-Ένταση-Απόχρωση-Κορεσμός Μέθοδος βάση της ανάλυσης κυρίων συνιστωσών Η ανάλυση κυρίων συνιστωσών, είναι μια στατιστική τεχνική η οποία μετασχηματίζει ένα σύνολο αλληλό-συσχετιζόμενων μεταβλητών, σε ένα σύνολο μη-συσχετιζόμενων γραμμικών συνδυασμών των αρχικών μεταβλητών. Δημιουργεί ένα νέο σύνολο αξόνων οι οποίοι είναι ορθογώνιοι μεταξύ τους. Η τεχνική αυτή είναι χρήσιμη μεταξύ των άλλων για κωδικοποίηση των εικόνων, συμπίεση των δεδομένων, ενίσχυση της πληροφορίας της εικόνας, εντοπισμό αλλαγών και συγχώνευση δεδομένων. Κατά την εφαρμογή της μεθόδου η πρώτη κύρια συνιστώσα όπως προκύπτει από το μετασχηματισμό των αρχικών πολυφασματικών δεδομένων, αντικαθίσταται από έναν άλλο δίαυλο (συνήθως τον υψηλότερης ευκρίνειας παγχρωματικό δίαυλο). Η διακύμανση καθώς και η μέση τιμή αυτού του διαύλου προσαρμόζεται στα αντίστοιχα στατιστικά μέτρα της πρώτης κύριας συνιστώσας. Η πρώτη κύρια συνιστώσα περιέχει πληροφορία η οποία είναι υψηλά συσχετισμένη με τους αρχικούς διαύλους ενώ η φασματική πληροφορία που είναι μοναδική για κάθε δίαυλο χαρτογραφείται στις άλλες συνιστώσες (Chavez και Kwarteng 1989). Συνεπώς η πρώτη κύρια συνιστώσα περιγράφει τη μέγιστη διακύμανση η οποία μπορεί να μεγιστοποιήσει την επίδραση της υψηλότερης ευκρίνειας εικόνας στη συγχωνευμένη εικόνα (Shettigara 1992). Στη συνέχεια εκτελείται το αντίστροφο της ανάλυσης κυρίων συνιστωσών και η καινούργια πληροφορία επανέρχεται στο αρχικό σύστημα αξόνων της εικόνας Μέθοδος Gram-Schmidt Ο μετασχηματισμός Gram-Schmidt (Farebrother 1974), είναι μια τεχνική που χρησιμοποιείται στη γραμμική άλγεβρα και στη πολυμεταβλητή ανάλυση, για την ορθογωνοποίηση (orthogonalization) δεδομένων σε πίνακα. Ο μετασχηματισμός αυτός έχει χρησιμοποιηθεί και στο μετασχηματισμό Tasseled Cap (Crist και Cicone 1984). Κατά την ορθογωνοποίηση των διαύλων μιας εικόνας πραγματοποιείται αφαίρεση επαναλαμβανόμενης (και συνεπώς αλληλοσχετιζόμενης) πληροφορίας που περιέχεται στους διαύλους. 69

92 Η διαδικασία (Laben και Brower 2) περιλαμβάνει την προσομοίωση μιας χαμηλότερης παγχρωματικής εικόνας από τους αρχικούς φασματικούς δίαυλους (χαμηλότερης ευκρίνειας) είτε την υποβάθμιση της χωρικής ευκρίνειας της αρχικής παγχρωματικής εικόνας σε μέγεθος ψηφίδας αντίστοιχο της πολυφασματικής. Ακολούθως πραγματοποιείται ο μετασχηματισμός Gram-Schmidt στη χαμηλότερης ευκρίνειας παγχρωματική εικόνα και τους διαύλους της πολυφασματικής εικόνας. Τα στατιστικά μέτρα (μέσος όρος και τυπική απόκλιση) της υψηλότερης ευκρίνειας παγχρωματικής εικόνας προσαρμόζονται σε αυτά του πρώτου διαύλου που έχει προκύψει από το μετασχηματισμό Gram-Schmidt, τον οποίο και αντικαθιστά στη συνέχεια έτσι ώστε να δημιουργηθεί ένα νέο σύνολο μετασχηματισμένων διαύλων. Τέλος πραγματοποιείται ο αντίστροφος Gram-Schmidt μετασχηματισμός και προκύπτει η βελτιωμένη πολυφασματική εικόνα (Σχήμα 5-1) Μέθοδος των κυματιδίων Η ανάλυση των κυματιδίων (wavelet analysis), παρουσιάστηκε στις αρχές του 198, και έχει εφαρμοσθεί με επιτυχία σε τομείς όπως ανάλυση της υφής δορυφορικών εικόνων, γενίκευση Ψηφιακών Μοντέλων Εδάφους, συγχώνευση εικόνων, συμπίεση δεδομένων, εντοπισμό χαρακτηριστικών. Η μέθοδος των κυματιδίων βασίζεται στην αποδόμηση της εικόνας σε πολλαπλά κανάλια βάση της περιεχόμενης τοπικής συχνότητας. Πρακτικά στην τηλεπισκόπηση η αποδόμηση αυτή προσεγγίζεται με τη χρήση κινούμενων πυρήνων υψηλής συχνότητας (kernels). Ο διακριτός μετασχηματισμός κυματιδίων (Discrete Wavelet Transform) χρησιμοποιήθηκε για τη συγχώνευση των εικόνων στην παρούσα εργασία σύμφωνα με την παρακάτω ροή διαδικασιών. Η υψηλότερης ευκρίνειας εικόνα υπόκειται στο μετασχηματισμό κυματιδίων και παράγονται τέσσερις καινούργιες εικόνες με μέγεθος εικονοστοιχείου ίσο με το μισό του αρχικού. Οι εικόνες αυτές προέρχονται από εφαρμογή χαμηλής ευκρίνειας φίλτρου, υψηλής ευκρίνειας οριζόντιο φίλτρο και υψηλής ευκρινείας διαγώνιο φίλτρο. Σε περίπτωση που η πολυφασματική εικόνα έχει ακόμη χαμηλότερο μέγεθος εικονοστοιχείου, η διαδικασία αυτή επαναλαμβάνεται έχοντας ως αφετηρία την εικόνα «προσέγγισης» που έχει δημιουργηθεί. Παράλληλα η πολυφασματική εικόνα χαμηλότερης ευκρίνειας υποβάλλεται στο μετασχηματισμό IHS και στο δίαυλο της έντασης που προκύπτει γίνεται προσαρμογή του ιστογράμματος στον αρχικό παγχρωματικό δίαυλο. Στη συνέχεια ο δίαυλος της έντασης αντικαθιστά την εικόνα «προσέγγισης» και εφαρμόζεται ένας αντίστροφος διακριτός μετασχηματισμός κυματιδίων. Όπως προκύπτει και από τη παραπάνω περιγραφή θα πρέπει οι εικόνες που θα συγχωνευτούν να έχουν σχετικά μεγέθη εικονοστοιχείων που να διαφέρουν κατά αριθμό πολλαπλάσιο του δύο. Ωστόσο αύξηση εικονοστοιχείων μεγαλύτερη του δύο ή του τρία, πρέπει να προσεγγίζεται με επιφύλαξη (ERDAS 24). 7

93 Κατάλληλοι δίαυλοι πολυφασματικής εικόνας ή εγγεγραμμένος υψηλής ευκρίνειας παγχρωματικός δίαυλος Υψηλής ευκρίνειας παγχρωματικός δίαυλος Υπολογισμός μέσης τιμής και τυπικής απόκλισης Τροποποίηση υψηλής ευκρίνειας παγχρωματικού διαύλου Δημιουργία χαμηλότερης ευκρίνειας παγχρωματικού διαύλου Υπολογισμός μέσης τιμής και τυπικής απόκλισης διαύλου GS1 Αντικατάσταση διαύλου GS1 από τον τροποποιημένο παγχρωματικό δίαυλο N Δίαυλοι χαμηλής ευκρίνειας πολυφασματικής εικόνας Μετασχηματισμός Gram-Schmidt αρχικών διαύλων χαμηλής ευκρίνειας πολυφασματικής εικόνας Εφαρμογή αντίστροφου μετασχηματισμού Gram-Schmidt N+1 Δίαυλοι πολυφασματικής εικόνας υψηλότερης ευκρίνειας Σχήμα 5-1 Διάγραμμα ροής των εργασιών για την εφαρμογή της μεθόδου Gram-Schmidt 71

94 5.4 Αποτελέσματα Πριν τη διαδικασία συγχώνευσης των εικόνων, επιχειρήθηκε η εγγραφή της ορθοανοιγμένης πολυφασματικής εικόνας στην ορθοανοιγμένη παγχρωματική εικόνα έτσι ώστε να υπάρξει πλήρη ταύτιση των αντίστοιχων ψηφίδων (Τσακίρη κ.ά. 22). Ωστόσο παρά τις επανειλημμένες προσπάθειες κάτι τέτοιο δεν επετεύχθη σε ικανοποιητικό βαθμό. Σε κάποιες περιοχές υπήρχε απόλυτη ταύτιση ενώ σε περιοχές με απότομες αλλαγές στο ανάγλυφο παρατηρήθηκαν διαφορές, οι οποίες για άλλους σκοπούς (π.χ. ταξινόμηση) πιθανότατα θα γινόταν αποδεκτές, ωστόσο για τη συγκεκριμένη εφαρμογή ήταν μη αποδεκτή. Πιθανότατα η διαφοροποίηση αυτή να οφειλόταν στο μέγεθος ψηφίδας του ΨΜΕ (δέκα μέτρα) που χρησιμοποιήθηκε για την ορθοαναγωγή και το οποίο ήταν πολλαπλάσιο του μεγέθους του εικονοστοιχείου. Για το σκοπό αυτό αποφασίστηκε να χρησιμοποιηθεί το αρχικό σύνολο δεδομένων (ortho-ready; παγχρωματικό και πολυφασματικό) σε προβολή WGS 84. Μετά τη συγχώνευση των δεδομένων, τα βελτιωμένα δεδομένα διορθώθηκαν γεωμετρικά και χρησιμοποιήθηκαν σε περαιτέρω επεξεργασίες με τη χρήση του μαθηματικού μοντέλου των παραμέτρων τροχιάς της αρχικής παγχρωματικής εικόνας. Μετά την προετοιμασία των εικόνων και την εφαρμογή των τεσσάρων μεθόδων ακολούθησε η αξιολόγηση των μεθόδων. Η αξιολόγηση έγινε βάση των παρακάτω κριτηρίων: 1. Οπτική αξιολόγηση. 2. Συσχετίσεις των διαύλων της αρχικής εικόνας με τους αντίστοιχους διαύλους των σύνθετων εικόνων. 3. Διαφορές των μέσων τιμών των διαύλων της αρχικής από τις αντίστοιχες τιμές των σύνθετων εικόνων. 4. Διαφορές των τιμών της διακύμανσης των διαύλων της αρχικής από τις αντίστοιχες τιμές των σύνθετων εικόνων. 5. Τυπικές αποκλίσεις των τιμών των εικόνων διαφοράς μεταξύ της αρχικής και των σύνθετων εικόνων. 6. Τιμές των μέτρων διάκρισης Jefferies Matusita και Transformed Divergence για δειγματοληπτικές περιοχές στην αρχική και τις σύνθετες εικόνες. 7. Συσχετίσεις των διαύλων των σύνθετων εικόνων με τον παγχρωματικό δίαυλο Οπτική αξιολόγηση Στην οπτική αξιολόγηση συμμετείχαν και δύο άλλοι έμπειροι ερευνητές του Εργαστηρίου Δασικής Διαχειριστικής και Τηλεπισκόπησης. Όπως παρατηρείται και από την Εικόνα 5-2, στην εικόνα που προέκυψε από την τεχνική των κυματιδίων, ο τόνος και η αντίθεση των χρωμάτων είναι σε μεγάλο βαθμό ταυτόσημα με την αρχική. Ωστόσο η εικόνα εμφανίζει μια υφή παρόμοια με αυτή που προκύπτει από την εφαρμογή κάποιου φίλτρου υψηλής συχνότητας. Πιθανότατα αυτό να οφείλεται στους περιορισμούς της τεχνικής αυτής που αναφέρθηκαν στη περιγραφή της. Από τις υπόλοιπες τεχνικές η τροποποιημένη IHS και η μέθοδος των κυρίων συνιστωσών, δημιούργησαν ψευδή πρότυπα 72

95 (artifacts) στις σκιές μεταξύ των δένδρων (ανοιχτός γαλάζιος χρωματισμός). Στην τεχνική Gram- Schmidt, αυξήθηκε η αντίθεση μεταξύ ανοιχτών και σκούρων τόνων, αλλά γενικά η συγχωνευμένη αυτή εικόνα, κρίθηκε από όλους τους αξιολογητές ότι παρουσιάζει το πιο ισορροπημένο αποτέλεσμα. Α Γ Ε Β Δ ΣΤ Εικόνα 5-2 Τμήμα της αρχικής (Α), της βελτιωμένης με τη μέθοδο Gram-Schmidt (B), της βελτιωμένης με τη μέθοδο PCA (Γ), της βελτιωμένης με τη τροποποιημένη μέθοδο IHS (Δ) και της βελτιωμένης με τη μέθοδο των κυματιδίων (Ε). Η εικόνα ΣΤ, είναι το αποτέλεσμα της βελτίωσης της αντίθεσης της εικόνας Α, η οποία αξιολογήθηκε οπτικά ως η καλύτερη από τις πέντε μεθόδους Συσχετίσεις των διαύλων της αρχικής εικόνας με τους αντίστοιχους διαύλους των σύνθετων εικόνων Σκοπός του δεύτερου κριτηρίου είναι η εξέταση της συσχέτισης των διαύλων των βελτιωμένων εικόνων με τους διαύλους της αρχικής, με ιδανική τιμή τη μονάδα. Πριν την εξέταση της συσχέτισης οι βελτιωμένες εικόνες υποβαθμίζονται σε μέγεθος εικονοστοιχείου ίσο με αυτό της αρχικής και πριν τον προσδιορισμό οιονδήποτε στατιστικών μεγεθών, τα ιστογράμματα των υποβαθμισμένων σύνθετων εικόνων προσαρμόζονται στα αντίστοιχα ιστογράμματα της αρχικής πολυφασματικής εικόνας (Τσακίρη κ.ά. 22). Από την αξιολόγηση των αποτελεσμάτων (Πίνακας 5-1) προκύπτει ότι τις υψηλότερες συσχετίσεις για όλους τους διαύλους παρουσιάζει η εικόνα που έχει προκύψει από την εφαρμογή της τεχνικής των κυματιδίων. Αντίθετα τις λιγότερο ικανοποιητικές συσχετίσεις παρουσιάζει η βελτιωμένη εικόνα με τη μέθοδο του μετασχηματισμού των κυρίων συνιστωσών. Τέλος η τροποποιημένη μέθοδος 73

96 IHS για όλους τους διαύλους πλην του πρώτου, εμφανίζει μεγαλύτερες συσχετίσεις με τους αντίστοιχους διαύλους της αρχικής εικόνας σε σχέση με τη μέθοδο Gram-Schmidt. Πίνακας 5-1 Τιμές συσχετίσεων των διαύλων των αρχικών και βελτιωμένων εικόνων MS Gram- Schmidt PCA modihs Wavelet MS PAN ,96 1, 3,95,96 1, 4 -,21 -,9 -,19 1, 1,89,88,86 -,15,95 2,86,89,86 -,3,99 3,85,87,9 -,12,99 4 -,39 -,29 -,37,88,99 1,88,86,85 -,17 -,56 2,87,89,87 -,7 -,48 3,85,86,9 -,14 -,83 4,36,46,39,69 1, 1,88,87,85 -,16,84 2,89,93,9 -,6,83 3,91,93,96 -,17,76 4 -,11,1 -,9,88,98 1,97,94,93 -,2,56 2,94,97,94 -,9,54 3,93,94,97 -,18,58 4 -,2 -,8 -,18 1, -, Διαφορές μέσων τιμών των διαύλων της αρχικής από τις αντίστοιχες τιμές των σύνθετων εικόνων Στο συνέχεια αξιολογήθηκαν τα αποτελέσματα από τον έλεγχο του τρίτου κριτηρίου, δηλαδή οι διαφορές των διαύλων των (υποβαθμισμένων) βελτιωμένων εικόνων από τους αρχικούς, με ιδανική τιμή το μηδέν. Σ αυτό το κριτήριο τη χειρότερη επίδοση είχε σαφέστατα η τροποποιημένη μέθοδος IHS (Πίνακας 5-2) καθώς για τους διαύλους 2 έως 4 εμφάνισε τις μεγαλύτερες διαφορές. Από τις υπόλοιπες μεθόδους η μέθοδος των κυματιδίων γενικά είχε την ίδια απόδοση με τη Gram-Schmidt, με την τελευταία να είναι ελαφρώς καλύτερη και τη μέθοδος PCA να είναι τρίτη σε απόδοση Διαφορές των τιμών της διακύμανσης των διαύλων της αρχικής από τις αντίστοιχες τιμές των σύνθετων εικόνων Το τρίτο κριτήριο που στηρίζεται στη διαφορά της διακύμανσης μεταξύ των διαύλων των (υποβαθμισμένων) βελτιωμένων εικόνων από τους αρχικούς, εκφράζει τη ποσότητα πληροφορίας που προστίθεται ή αφαιρείται κατά τη συγχώνευση και ιδανικά πρέπει να είναι μηδέν. Η εικόνα που 74

97 προέκυψε βάση της τροποποιημένης μεθόδου ΙΗS, ήταν αυτή στην οποία προσθαφαιρέθηκε η περισσότερη πληροφορία σε όλους τους διαύλους (Πίνακας 5-2), ενώ η Gram-Schmidt μαζί με τη μέθοδο των κυματιδίων είχαν τις μικρότερες διαφοροποιήσεις. Πίνακας 5-2 Στατιστική αξιολόγηση των βελτιωμένων εικόνων. Η μέθοδος Gram-Schmidt και η μέθοδος των κυματιδίων παρουσιάζουν τις μικρότερες διαφορές ως προς τη μέση τιμή και στη διακύμανση των τιμών τους σε σχέση με την αρχική εικόνα (στήλες 1 και 2). Αντίθετα οι τιμές των τυπικών αποκλίσεων της εικόνας διαφοράς μεταξύ της αρχικής και της βελτιωμένης με τη μέθοδο IHS, είναι αισθητά μικρότερες από τις αντίστοιχες των άλλων μεθόδων. Gram- Schmidt PCA modihs Wavelet Διαφορά των μέσων τιμών από τους διαύλους της αρχικής εικόνας Διαφορά των τιμών διακύμανσης από τους διαύλους της αρχικής εικόνας Τυπικές αποκλίσεις των τιμών των εικόνων διαφοράς με την αρχική 1 2,6,9 11,5 2 3,29,29 2,71 3 3,55,16 2,23 4 3,62,5 55,46 1 2,39 -,22 11,76 2 2,66 -,13 21,89 3 4,35 -,21 21,9 4 3,77,36 61,76 1 1,49,64 12,39 2 4,73 -,39 18,86 3 4,57 -,28 13,42 4 5,4,81 54,37 1 2,,2 9, 2 3,74,9 14,43 3 4,5 -,19 11,24 4 3,3 -,6 24, Τυπικές αποκλίσεις των τιμών των εικόνων διαφοράς μεταξύ της αρχικής και των σύνθετων εικόνων. Το τέταρτο κριτήριο ελέγχει τα σφάλματα σε επίπεδο εικονοστοιχείου. Σε αυτή τη περίπτωση η ιδανική τιμή είναι το μηδέν. Όπως διαπιστώνεται (Πίνακας 5-2) τα καλύτερα αποτελέσματα προέκυψαν από τη μέθοδο των κυματιδίων, με χειρότερη τη μέθοδο των κυρίων συνιστωσών και την τροποποιημένη IHS ελαφρώς καλύτερη από τη Gram-Schmidt Αξιολόγηση μέτρων διάκρισης διαφορών κατηγοριών κάλυψης γης Ένα επιπλέον κριτήριο που προτείνεται να ελέγχεται (καθότι βιβλιογραφικά δεν συνιστάται σε κάποια ερευνητική εργασία) είναι η χρήση μέτρων διάκρισης τα οποία μπορούν να διαχειριστούν 75

98 πολυδιάστατα σύνολα δεδομένων και να λάβουν υπόψη τους πολλούς συνδυασμούς καναλιών, ανάλογα με την επιλογή του χρήστη (Richards 1986). Επιλέχτηκε η χρήση αυτού του τρόπου αξιολόγησης αντί της ταξινόμησης της εικόνας ως λιγότερο χρονοβόρα προσέγγιση. Πίνακας 5-3 Τιμές των μέτρων διάκρισης Jefferies-Matusita και Transformed Divergence τριών τύπων βλάστησης για την αρχική και τις βελτιωμένες εικόνες Δρυς Οξιά Μ. πεύκη Οστρυά Δρυς Οξιά J-M T-D J-M T-D J-M T-D MS G-S PCA modihs Wav MS G-S PCA modihs Wav MS G-S PCA modihs Wav Χρησιμοποιήθηκαν οι δείκτες Transformed Divergence (T-D) και Jefferies-Μatusita(J-M) ενώ για την εφαρμογή των δεικτών χρησιμοποιήθηκαν εικονοστοιχεία από δειγματοληπτικές περιοχές επί της εικόνας για τέσσερα δασοπονικά είδη της περιοχής. Για το δείκτη Transformed Divergence η μέγιστη διακριτότητα αντιστοιχεί σε τιμή 2 ενώ για το δείκτη Jefferies-Μatusita η μέγιστη διακριτότητα αντιστοιχεί σε τιμή Και στους δύο δείκτες τη μεγαλύτερη διακριτότητα (Πίνακας 5-3) εμφάνισαν οι τιμές των εικονοστοιχείων της συγχωνευμένης εικόνας με τη μέθοδο Gram-Schmidt, ενώ αντίθετα τη μικρότερη η μέθοδος του μετασχηματισμού των κυρίων συνιστωσών Συσχετίσεις των διαύλων των σύνθετων εικόνων με τον παγχρωματικό δίαυλο Τέλος για την αξιολόγηση της χωρικής ποιότητας των σύνθετων εικόνων ελέχθησαν οι συσχετίσεις των διαύλων των σύνθετων εικόνων με τον παγχρωματικό δίαυλο (Πίνακας 5-1). Αισθητά υψηλότερες συσχετίσεις εμφανίζουν οι δίαυλοι της βελτιωμένης εικόνας με τη μέθοδο Gram-Schmidt σε σχέση με 76

99 τις υπόλοιπες μεθόδους, ενώ οι πιο χαμηλές συσχετίσεις εμφανίζονται στην εικόνα η οποία προέκυψε από τη μέθοδο των κυματιδίων. 5.5 Συμπεράσματα Στη συνέχεια εκτιμηθήκαν τα συγκεντρωτικά αποτελέσματα από την αξιολόγηση των τεσσάρων μεθόδων συγχώνευσης που εφαρμόσθηκαν, βάση των επτά κριτηρίων. Η σειρά κατάταξης προκύπτει από τη σύγκριση κάθε συγχωνευμένης εικόνας με τις υπόλοιπες για κάθε επιμέρους κριτήριο. Γενικά η τεχνική των κυματιδίων (Πίνακας 5-4) και μέθοδος Gram-Schmidt φαίνεται ότι διατηρoύν καλύτερα τα φασματικά χαρακτηριστικά της αρχικής εικόνας στη βελτιωμένη εικόνα. Από την άλλη η χειρότερη μέθοδος σύμφωνα με τα κριτήρια που εφαρμόσθηκαν προκύπτει ότι είναι η μέθοδος του μετασχηματισμού των κυρίων συνιστωσών. Η μέθοδος Gram-Schmidt, η οποία διατηρεί καλύτερα από όλες τη χωρική πληροφορία της παγχρωματικής εικόνας, αποδεικνύεται να είναι η πιο ισορροπημένη λύση. Φυσικά πρέπει να τονιστεί ότι η συμπεριφορά και τα αποτελέσματα της εφαρμογής μιας μεθόδου συγχώνευσης ποικίλει κάθε φορά ανάλογα με τα πρωτογενή δεδομένα αλλά και με το τοπίο της περιοχή μελέτης και συνεπώς δεν πρέπει να γίνεται αναφορά «για καλύτερη μέθοδο» αλλά για «βέλτιστη επιλογή για τη συγκεκριμένη περίπτωση». Σύμφωνα με τα παραπάνω, η βελτιωμένη που προέκυψε με τη χρήση της μεθόδου Gram-Schmidt, επιλέχθηκε να χρησιμοποιηθεί στα επόμενα στάδια της διατριβής, τόσο για σκοπούς αυτόματης ταξινόμησης όσο και βοηθητικά στη φωτοερμηνεία της περιοχής (Εικόνα 5-2 ). Πίνακας 5-4 Κατάταξη των μεθόδων βελτίωσης της χωρικής ανάλυσης της αρχικής εικόνας, με βάση τους ελέγχους που πραγματοποιήθηκαν Κριτήριο αξιολόγησης Μέθοδος Gram-Schmidt PCA modihs Wavelet

100 6 Διερεύνηση της βέλτιστης χωρικής ανάλυσης για χαρτογράφηση στην περιοχή μελέτης 6.1 Εισαγωγή Στο κεφάλαιο αυτό παρουσιάζονται τα αποτελέσματα διερεύνησης το κατά πόσο είναι δυνατός ο εντοπισμός μιας βέλτιστης χωρικής ανάλυσης για τη χαρτογράφηση της περιοχής μελέτης. Για το σκοπό δημιουργήθηκαν πυραμίδες εικόνων για επιλεγμένα υποτμήματα της αρχικής εικόνας, με διαδοχική υποβάθμιση της χωρικής ανάλυσης. Στη συνέχεια η βέλτιστη κλίμακα διερευνήθηκε με τις μεθόδους της μέσης τοπικής διακύμανσης και των βαριογραμμάτων. 6.2 Θεωρητικό υπόβαθρο Κατά το παρελθόν διάφορες ερευνητικές εργασίας έχουν πραγματοποιηθεί για την εκτίμηση της επίδρασης της κλίμακας στα αποτελέσματα της ταξινόμησης με τη χρήση ψηφιακών μεθόδων (Sadowski και Sarno 1976, Sadowski κ.ά. 1977, Latty και Hoffer 1981, Markham και Townsend 1981, Ahern κ.ά. 1983, Irons κ.ά. 1985, Cushnie 1987). Τα πρωταρχικά συμπεράσματα από όλες τις μελέτες ήταν ότι μια αλλαγή στη χωρική ανάλυση μπορεί να επηρεάσει σημαντικά την ακρίβεια ταξινόμησης και ότι σε πολλές περιπτώσεις η χρήση διαδοχικά υψηλότερης ανάλυσης οδηγεί συνήθως σε χαμηλότερη ακρίβεια ταξινόμησης. Αυτό οφείλεται στην αύξηση της περιεχόμενης σε κάθε κατηγορία ταξινόμησης φασματικής μεταβλητότητας. Πέρα από τις εργασίες που ήδη αναφέρθηκαν και σχετίζονται με τον έλεγχο των επιδράσεων της κλίμακας επί των ταξινομήσεων, μια σειρά προσεγγίσεων έχουν αναπτυχθεί τις τελευταίες δύο δεκαετίες για τη διερεύνηση της επιλογής της κατάλληλης κλίμακας σε ένα συγκεκριμένο γεωγραφικό περιβάλλον (σκηνή) πριν την ταξινόμηση των δεδομένων. Η επιλογή αυτή συνδέεται με την εύρεση του μεγέθους του εικονοστοιχείου όπου η διακύμανση μεταξύ γειτονικών ψηφιακών τιμών γίνεται μέγιστη, υποδηλώνοντας πως αυτό είναι και το μέγεθος των αντικειμένων της σκηνής. Το σκεπτικό των μεθόδων είναι ότι για υψηλή χωρική ανάλυση όπου το μέγεθος των εικονοστοιχείων είναι μικρότερο από τις επιφανειακές οντότητες, τα γειτονικά εικονοστοιχεία θα είναι υψηλά συσχετισμένα μεταξύ τους και επομένως ανάμεσα τους θα υπάρχει χαμηλή μεταβλητότητα. Με την αύξηση του μεγέθους του εικονοστοιχείου, αυτή η ομοιότητα ελαττώνεται και η μεταβλητότητα αυξάνεται. Ωστόσο, καθώς το μέγεθος του εικονοστοιχείου μεγαλώνει πέρα από τη κλίμακα της χωρικής μεταβλητότητας, πιο ανομοιογενείς επιφάνειες θα περιλαμβάνονται σε ένα εικονοστοιχείο και η μεταβλητότητα θα αρχίσει να μειώνεται. Οι προσεγγίσεις αυτές στηρίζονται σε διάφορες μεθόδους όπως η ανάλυση των μορφοκλασματικών καμπυλών (Lam και Quattrochi 1992), χωρικές επεξεργασίες των εικόνων και μέτρα υφής (Woodcock και Strahler 1987) καθώς και σε μεθόδους γεωστατιστικής (Atkinson 1993). 78

101 6.3 Μεθοδολογία Πυραμίδες εικόνων Η συνάθροιση (aggregation) χωρικών δεδομένων χρησιμοποιείται ευρέως για την αλλαγή κλίμακας στις περιβαλλοντικές αναλύσεις και μοντελοποιήσεις από μια τοπική σε μια πιο γενικευμένη κλίμακα. Κατά τη διαδικασία της συνάθροισης τα αρχικά χωρικά δεδομένα μειώνονται σε μικρότερο αριθμό μονάδων δεδομένων (σημεία, γραμμές, πολύγωνα ή ψηφίδες) για την ίδια χωρική έκταση. Σαν αποτέλεσμα κάθε μονάδα δεδομένων που έχει προκύψει από τη συνάθροιση αντιπροσωπεύει μεγαλύτερη έκταση σε σχέση με την αρχική μονάδα. Η διαδικασία αυτή είναι ωστόσο πιθανόν να μεταβάλλει τις χωρικές και στατιστικές ιδιότητες των αρχικών δεδομένων. Πιο συχνά χρησιμοποιούμενες μέθοδοι συνάθροισης δεδομένων είναι η μέθοδος του μέσου όρου (averaging), της διαμέσου (median) και της επαναδειγματοληψίας της κεντρικής ψηφίδας (central pixel resampling). Όλες οι μέθοδοι εξάγουν μια τιμή εντός ενός κινούμενου μ x μ παραθύρου. Τα παράθυρα είναι συνεχόμενα αλλά δεν επικαλύπτονται. 1. Η μέθοδος του μέσου όρου χρησιμοποιεί την μέση τιμή του μ x μ παραθύρου. Αυτή η μέθοδος μπορεί να θεωρηθεί ως η καταλληλότερη για τη γενίκευση δορυφορικών εικόνων γιατί η τιμή ενός εικονοστοιχείου υποτίθεται ότι είναι η ολοκληρωμένη τιμή μιας αντίστοιχης περιοχή στη γήινη επιφάνεια. 2. Η μέθοδος της επαναδειγματοληψίας της κεντρικής ψηφίδας, διατηρεί στη γενικευμένη μονάδα την τιμή του κεντρικού εικονοστοιχείου του μ x μ παραθύρου. Αυτή η μέθοδος χρησιμοποιείται κυρίως σε αντικείμενα όπου υπεισέρχεται έντονα η παράμετρος της μοντελοποίησης, π.χ. στην υδρολογία (Wolock και Price 1994). 3. Η μέθοδος του διαμέσου επιστρέφει τη διάμεσο όπως αυτή προκύπτει από τις τιμές του μ x μ παραθύρου. Αυτή η μέθοδος δεν χρησιμοποιείται συχνά αν και είναι εύκολη στην εφαρμογή της και δεν επηρεάζεται από ακραίες τιμές. Οι μέθοδοι του μέσου όρου και της διαμέσου διατηρούν το μέσο όρο ή τη διάμεσο στα διάφορα επίπεδα γενίκευσης. Επίσης χωρικά η μέθοδος του μέσου όρου αποκαλύπτει υποκείμενα χωρικά πρότυπα (pattern) εντός των ορίων της αυτοσυσχέτισης. Συνεπώς η μέθοδος του μέσου όρου όπως προκύπτει και από διάφορες μελέτες (Bian και Butler 1999, Emerson κ.ά. 1999) είναι η προτιμότερη. Βέβαια όπως επισημαίνεται από τους Woodcock και Strahler (1987) και Collins και Woodcock (1999) η εμπειρική προσέγγιση της γενίκευσης των δεδομένων και η χρησιμοποίηση της μέσης τιμής εντός ενός παράθυρου μ x μ, συνεπάγεται ότι το στιγμιαίο πεδίου λήψεως (IFOV) του δέκτη εκλαμβάνεται ως τετράγωνο. Αν και αυτό μπορεί να θεωρηθεί μια υπέρ-απλούστευση του πραγματικού τρόπου συλλογής της ανακλώμενης ακτινοβολίας από το δέκτη η σχετικά απλή χρήση της μέσης τιμής είναι ικανοποιητική για τη μελέτη των βασικών ιδιοτήτων πραγματικών εικόνων (Emerson κ.ά. 1999). Επίσης και οι Collins και Woodcock (1999) αφενός συμφωνούν πως μια τέτοια εμπειρική ανάλυση είναι χρήσιμη αν κάποιος θέλει να χαρακτηρίσει τα χωρικά χαρακτηριστικά μιας συγκεκριμένης γεωγραφικής περιοχής σε αντίθεση με το αν θέλει να βγάλει γενικευμένα συμπεράσματα για τη διακύμανση και τις σχέσεις μεταξύ των διαφόρων επιπέδων κλίμακας. Οι ίδιοι συγγραφείς παρουσιάζουν ένα μοντέλο το οποίο στηριζόμενο σε ημιβαριογράμματα προσπαθεί να μοντελοποιήσει το PSF του δέκτη αλλά και την 79

102 εκτίμηση του σημειακού βαριογράμματος από το πειραματικό. Ωστόσο επισημαίνεται πως αυτή η προσέγγιση έχει περιορισμένη αξία σε πραγματικές εικόνες διότι αφενός για την απ-ομαλοποίηση (deregularization) απαιτείται η αφαίρεση του nugget παραμέτρου από το αρχικό βαριόγραμμα και η οποία εκλαμβάνεται ως λάθος στις μετρήσεις αλλά και διότι είναι δύσκολο να ποσοτικοποιηθούν οι διαφορές μεταξύ του PSF των διαφόρων καταγραφέων Ανάλυση της διακύμανσης κλίμακας Η ανάλυση διακύμανσης κλίμακας είναι μια ιεραρχική ανάλυση, η οποία αναπτύχθηκε από τους Moellering και Tobler (1972). Ο αρχικός σκοπός της μεθόδου ήταν ο καθορισμός της σχετικής μεταβλητότητας σε κάθε επίπεδο σε μια γνωστή εμφωλευμένη ιεραρχία και η εκτίμηση της σχετικής συνεισφοράς κάθε επιπέδου της ιεραρχίας, στη συνολική μεταβλητότητα του συστήματος. Για την εφαρμογή της ανάλυσης διακύμανσης κλίμακας απαιτείται η συστηματική συνάθροιση των ψηφίδων όπου είναι καταγεγραμμένη τα δεδομένα μας έτσι ώστε να δημιουργηθεί μια εμφωλευμένη ιεραρχία. Για κάθε μέγεθος ψηφίδας αντιστοιχεί και ένα «επίπεδο κλίμακας» (Moellering και Tobler 1972). Τα περισσότερα χωρικά δεδομένα μπορούν να συγκροτηθούν ιεραρχικά με επαναδειγματοληψία (δημιουργία πυραμίδων εικόνων) και στη συνέχεια να εφαρμοσθεί η ανάλυση διακύμανσης κλίμακας (Moellering και Tobler 1972, Townsend και Justice 1988, Wu κ.ά. 1994, Barnsley κ.ά. 1997). Η ^ 2 ( διακύμανση κλίμακας S v, V ) προκύπτει από τον παρακάτω τύπο: ^ 2 ^ 2 ^ 2 k k k+ 1 S ( v.2, V) = D ( v.2, V ) D ( v.2, V ) ^ 2 ( όπου D v, V ) είναι η διακύμανση διασποράς (sample variance) μιας μεταβλητής η οποία ορίζεται σε ένα μέγεθος εικονοστοιχείου v σε μια περιοχή V: ^ 2 D ( v, V ) = 1 N N [ zv( x) zv( xi )] i= 1 2 ενώ z v (x ) είναι ο μέσος όλων των τιμών x ) z σε {i = 1,2, N} θέσεις x ι εντός της εικόνας. v ( i Στον τύπο της διακύμανσης κλίμακας ο παράγοντας 2 k, κυμαίνεται μεταξύ και N. Αυτό σημαίνει ότι η εικόνα αποτελείται από N σειρές και N στήλες, και ότι N = 2 k για κάποια τιμή του k. Το ιδανικό μέγεθος εικονοστοιχείου για χρήση στη συγκεκριμένη σκηνή, είναι εκείνο όπου μεγιστοποιείται η διακύμανση κλίμακας Ανάλυση της μέσης τοπικής διακύμανσης. Η μέση τοπική διακύμανση ορίζεται ως η μέση τιμή της διακύμανσης εντός ενός κινούμενου παραθύρου μεγέθους τριών επί τριών εικονοστοιχείων (Woodcock και Strahler 1987). Σε ένα τμήμα 8

103 της εικόνας, το οποίο έχει L γραμμές επί Μ στήλες και ένα εικονοστοιχείο μεγέθους v, η μέση τοπική διακύμανση αυτού του τμήματος υπολογίζεται με τον παρακάτω τύπο (Curran και Atkinson 1999): σ 2 v 1 = L M L M l= 1 m= 1 j= 1k= 1 [ z ( l + j, m + k) z ( l + j, m + k) ] v v 2 2 όπου σ v είναι η μέση τοπική διακύμανση, zv είναι η μέση τιμή ενός 3 x 3 παραθύρου, στο κέντρο του οποίου βρίσκεται ένα εικονοστοιχείο z v. Η μέση τοπική διακύμανση υπολογίζεται για μια σειρά ακέραιων πολλαπλάσιων του αρχικού εικονοστοιχείου μεγέθους v και εκφράζεται σε συνάρτηση του μεγέθους του εικονοστοιχείου και τα αποτελέσματα παρουσιάζονται με μορφή διαγράμματος, στο οποίο στον οριζόντιο άξονα τοποθετείται το μέγεθος του εικονοστοιχείου κάθε φορά. Η χωρική ανάλυση στην οποία παρατηρείται μια κορυφή (μέγιστο στην τοπική διακύμανση), μπορεί να χρησιμοποιηθεί για την αναγνώριση του ιδανικού μεγέθους εικονοστοιχείου για τη μελέτη ενός γεωγραφικού φαινόμενου. Το μέγιστο στη τοπική διακύμανση ως συνάρτηση της χωρικής ανάλυσης είναι ένας έμμεσος οδηγός για το μέγεθος των αντικειμένων σε μιας συγκεκριμένη σκηνή. Κατ αυτόν τον τρόπο μπορεί να χρησιμοποιηθεί για την επιλογή του κατάλληλου συνδυασμού χωρικής ανάλυσης και μεθόδου επεξεργασίας για συγκεκριμένα θέματα. Για παράδειγμα αν κάποιος επιθυμεί να ταξινομήσει μια εικόνα χρησιμοποιώντας ένας αλγόριθμο που στηρίζεται στη φασματική πληροφορία, θα μπορούσε να επιλέξει μια χωρική ανάλυση η οποία είναι πιο λεπτομερής ή παρόμοια από το μέγεθος των αντικειμένων της σκηνής. Αντίθετα αν η χωρική ανάλυση είναι μεγαλύτερη από το μέγεθος των αντικειμένων της σκηνής ένα συνδυαστικό (mixture) μοντέλο ίσως είναι καλύτερο (Atkinson και Curran 1997) Ανάλυση βαριογραμμάτων Η θεωρία των περιφερειοποιημένων μεταβλητών η οποία αναπτύχθηκε από τον Matheron στη δεκαετία του 196, ήταν μια σημαντική εξέλιξη σε σχέση με τις παραδοσιακές στατιστικές μεθόδους οι οποίες στηριζόταν στη χρήση ανεξάρτητων μεταβλητών χωρίς να λαμβάνουν υπόψη τη χωρική παράμετρο ενός φαινόμενου στην επιφάνεια της γης (Oliver κ.ά. 1989). Παρόλα αυτά για την εφαρμογή αυτής της θεωρίας δύο παραδοχές απαιτούνται (Treitz και Howarth 2): 1. Η χωρική στασιμότητα (spatial stationarity) η οποία υποθέτει ότι οι παράμετροι μιας υποκείμενης (underlying) λειτουργίας παραμένουν σταθερές σε όλη τη σκηνή ανεξαρτήτως απόστασης και κατεύθυνσης. 2. Η εργοδικότητα (ergodicity) η οποία υποθέτει ότι τα χωρικά στατιστικά τα οποία εκτιμώνται στην εικόνα είναι χωρίς συστηματικό σφάλμα εκτιμήσεις των παραμέτρων της υποκείμενης λειτουργίας (Jupp κ.ά. 1988). Το ημιβαριόγραμμα το οποίο στηρίζεται στη θεωρία των περιφερειοποιημένων μεταβλητών χρησιμοποιείται για τη μέτρηση της χωρικής συσχέτισης γειτονικών παρατηρήσεων για κάθε συνεχές φαινομένου. Επομένως μπορεί να εκτιμηθεί και από τις ψηφιακές τιμές των εικόνων τηλεπισκόπησης, 81

104 μιας μεταβλητής της οποίας η θέση στο χώρο και χρόνο είναι γνωστή. Η ημιδιακύμανση (semivariance) ορίζεται ως το ήμιση της μέσης διαφοράς, υψωμένης στο τετράγωνο μεταξύ τιμών που απέχουν μεταξύ τους διανυσματική διαφορά (lag) h (Webster και Oliver 21). γ ( h) 1 = 2N ( h) N ( h) i= 1 [ z( x ) z( )] i x i + h όπου γ(h) είναι η ημιδιακύμανση σε διανυσματική διαφορά h, N(h) είναι ο αριθμός των σημείων εντός απόστασης h, z(x i ) είναι η τιμή της μεταβλητής στο σημείο i, και z(x i+h ) είναι η τιμή της μεταβλητής στο σημείο i+h. Το διάγραμμα που προκύπτει από την τοποθέτηση των τιμών της ημιδιακύμανσης στον κάθετο άξονα και των διανυσματικών διαφορών μεταξύ των ζευγών των σημείων στον οριζόντιο, ονομάζεται δειγματικό (sample) ή πειραματικό (experimental) ημιβαριόγραμμα (Σχήμα 6-1). Τα δειγματικά ή πειραματικά βαριογράμματα μπορούν να εκληφθούν ως ένας συνδυασμός της πραγματικής τιμής μιας μεταβλητής και ορισμένου λάθους στις μετρήσεις (Atkinson 1993). Η τιμή της μεταβλητής εξαρτάται πάντα από τη κλίμακα όταν μετριέται σε μια συγκεκριμένη περιοχή μη μηδενικού μεγέθους. Καθώς όλες οι μετρήσεις πραγματοποιούνται σε μια θετική πεπερασμένη περιοχή, το βαριόγραμμα της μεταβλητής είναι συνεχές και διέρχεται από την αρχή των αξόνων. Το λάθος στη μέτρηση είναι χωρικά ανεξάρτητο σε όλες τις κλίμακες και εμφανίζεται στο βαριόγραμμα ως μια επίπεδη πρόσθετη συνιστώσα με την ίδια τιμή σε όλες τις διανυσματικές διαφορές (Atkinson 1993). Εάν αυτή η συνιστώσα τείνει να είναι πολύ μεγάλο τμήμα της συνολικής μεταβλητότητας, η επίδραση της βαριόγραμμα πρέπει να ληφθεί υπόψη καθώς θα επηρεάσει όλες τις τεχνικές οι οποίες στηρίζονται στο βαριόγραμμα (Atkinson κ.ά. 1996). Πιθανά λάθη μετρήσεων (measurements errors) στα δεδομένα τηλεπισκόπησης προέρχονται από τέσσερις πηγές (Atkinson κ.ά. 1996): 1. Διαφοροποίηση εξαιτίας της εποχής (γωνία ήλιου, υγρασία εδάφους κ.λπ.) 2. Χωρική διαφοροποίηση (ακριβής προσδιορισμός θέσης, χωρική ανάλυση) 3. Σφάλματα στο δέκτη και στη μετάδοση (θόρυβος, λάθη επεξεργασίας κ.λπ.) 4. Συστηματικά σφάλματα (βαθμονόμηση των οργάνων). 2 Σχήμα 6-1 Πειραματικό ή δειγματικό βαριόγραμμα 82

105 Για την περιγραφή της χωρικής μεταβλητότητας που παρατηρείται στο πειραματικό ημιβαριόγραμμα (Σχήμα 6-2), απαιτείται η εφαρμογή ενός θεωρητικού μοντέλου (π.χ. σφαιρικό, gaussian, κ.λπ.) το οποίο περιγράφεται από κάποιους καίριους όρους. Οι όροι αυτοί είναι: Sill-κατώφλι: Είναι η θεωρητική μέγιστη διακύμανση του ημιβαριογράμματος και αντιπροσωπεύει τη δομική (a priori) διακύμανση της περιφερειοποιημένης μεταβλητής. Περιλαμβάνει και τη nugget διακύμανση (εάν αυτή υπάρχει). Range-εύρος: Στην απόσταση αυτή η τιμή της ημιδιακύμανσης γίνεται ίση με το κατώφλι. Η τιμή της απόστασης αυτής οριοθετεί το όριο της χωρικής εξάρτησης. Το εύρος αντιστοιχεί στο ιδανικό μέγεθος εικονοστοιχείου. Nugget διακύμανση: Αντιπροσωπεύει τη μη επεξηγούμενη διακύμανση ή/και πιθανό λάθος στις μετρήσεις (περιλαμβανομένης και της μη ορθής δειγματοληψίας). Στην περίπτωση των εικόνων τηλεπισκόπησης μπορεί να αντιστοιχεί στη διακύμανση που δεν μπορεί να εξηγηθεί με το συγκεκριμένο μέγεθος εικονοστοιχείου. Σχήμα 6-2 Ευρέως χρησιμοποιούμενα θεωρητικά μοντέλα για την προσαρμογή του πειραματικού βαριογράμματος Αν και η ανάλυση με τη χρήση ημιβαριογραμμάτων έχει επισημανθεί από πολλούς ερευνητές ως πολύ αποτελεσματική για τον εντοπισμό και τη διερεύνηση της κλίμακας με τη μέγιστη μεταβλητότητα ή ιεραρχικής δομής των τοπίων, αποτελέσματα από άλλους ερευνητές (Meisel και Turner 1998, Wu κ.ά. 2) θέτουν υπό αμφισβήτηση την εφαρμογή τους σε πραγματικά τοπία. 83

106 6.4 Αποτελέσματα Αποτελέσματα ανάλυσης της μέσης τοπικής διακύμανσης Για δεκατέσσερα υπό-τμήματα της εικόνας με διαφορετικούς τύπους κάλυψης (Εικόνα 6-1) υπολογίστηκαν διαδοχικές πυραμίδες εικόνων με υποβάθμιση του εικονοστοιχείου με παράγοντα συνάθροισης το δύο κάθε φορά. Στις εικόνες αυτές υπολογίστηκε η μέση τοπική διακύμανση. Αστικά Πρεμνοβλαστήματα δρυός Οξιά > 15μ. Δασική έκταση Πυκνοί θαμνώνες Οξιά αραιή Δρυς-Μ. πεύκη Οξιά Τραχεία πεύκη Εικόνα 6-1 Τμήματα της παγχρωματικής δορυφορικής εικόνας αντιπροσωπευτικά για διάφορες κατηγορίες κάλυψης γης τα οποία χρησιμοποιήθηκαν για τον υπολογισμό της μέσης τοπικής διακύμανσης και ανάπτυξης μοντέλων βαριογραμμάτων (9 από τα συνολικά 14). 84

107 ,5,45,4,35 Τοπική διακύμανση -Qb4 Δασική έκταση Πυκνοί θαμνώνες Δρυς Οξιά αραιή Δρυς-μαύρη πεύκη,3 Δρυς-μαύρη πεύκη χαμηλή εδαφοκάλυψη,25,2,15 Μαύρη πεύκη Μαύρη πεύκη-οξιά-δρυς Οξιά Οξιά > 15 μ.,1,5 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Οξιά αραιή Οστρυά Τραχεία Αστικά Διάγραμμα 6-1 Τιμές της τοπικής διακύμανσης για τον υπέρυθρο δίαυλο της αρχικής εικόνας Μια πρώτη επισήμανση είναι πως οι τιμές της παρατηρούμενης διακύμανσης είναι διαφορετικές για κάθε είδος (Διάγραμμα 6-1). Όπως προκύπτει από τα διαγράμματα του Παραρτήματος 13.2, όπου παρουσιάζονται οι τιμές της μέσης τοπικής διακύμανσης για τον πράσινο και τον υπέρυθρο δίαυλο, στα περισσότερα υποτμήματα το μέγιστο στη τοπική διακύμανση σημειώνεται για μέγεθος εικονοστοιχείου ίσου με 2,4 μέτρα. Αυτό πιθανότατα οφείλεται στο ότι το αρχικό μέγεθος εικονοστοιχείου της εικόνας δεν είναι επαρκές ώστε τα μεμονωμένα δένδρα να αποτελέσουν το κυρίαρχο στοιχείο της σκηνής. Η πιο χαρακτηριστική εξαίρεση είναι η περίπτωση της κατηγορίας δασικής έκτασης όπου το μέγιστο επιτυγχάνεται για μέγεθος εικονοστοιχείου ίσου με 19,2 μέτρα για τον μεν πράσινο δίαυλο και 9,6 για τον υπέρυθρο. Επίσης στην κατηγορία «οξιά αραιή» το μέγιστο σημειώνεται στα 4,4 μέτρα ενώ αντίθετα στη κατηγορία «οξιά», το μέγιστο παρατηρείται στα 2,4 μέτρα-προφανώς εξαιτίας της συγκόμωσης η οποία επιτρέπει τον εντοπισμό μεμονωμένων δένδρων. Επίσης σε λίγα διαγράμματα (π.χ. Μ. πεύκηοξιά-δρυς/υπέρυθρος δίαυλος), παρατηρούνται και άλλες κορυφές, ικανές να σημειωθούν ως ιδιαίτερα επίπεδα κλίμακας. Στην παραπάνω περίπτωση η κορυφή πιθανότητα αντιστοιχεί στο σημείο όπου στην εικόνα κυριαρχούν τρεις χωροψηφίδες, μια για το κάθε δασοπονικό είδος. Γενικά η έλλειψη σαφών κορυφών στα διαγράμματα υποδηλώνει πως είτε δεν υπάρχει ένα κυρίαρχο μέγεθος αντικειμένων (χωροψηφίδες), ώστε να αποτυπώσει μια σαφή τάση, είτε ότι ο χαρακτηριστικές κορυφές θα πρέπει να αναμένονται σε μεγέθη ψηφίδων εκτός αυτών που εξετάζονται, 85

108 για τα δένδρα π.χ. σε μικρότερα μεγέθη εικονοστοιχείων και για τις χωροψηφίδες βλάστησης ή τις συστάδες σε μεγαλύτερα μεγέθη εικονοστοιχείων. Παρατηρώντας τα διαγράμματα προέκυψε τα εύλογο ερώτημα σχετικά με την ορθότητα των διαδικασιών που είχαν γίνει για την εκτίμηση της μέσης τοπικής διακύμανση, καθώς αναμενόμενο θα ήταν το μέγιστο για τα περισσότερα τμήματα ανεξάρτητα με το δασοπονικό είδος να σημειωνόταν στα 4,8 μέτρα καθότι αυτό το μέγεθος είναι εγγύτερα στο μέσο μέγεθος της κόμης. Η διαφοροποίηση αυτή εξηγείται ωστόσο από τους Woodcock και Stahler (1987) οι οποίοι τονίζουν ότι το μέγιστο της τοπικής διακύμανσης, σημειώνεται για μέγεθος εικονοστοιχείου ίσου με ½ με ¾ του μέσου μεγέθους των αντικειμένων της σκηνής, μια παρατήρηση στην οποία δεν δίνεται έμφαση στη μεταγενέστερη βιβλιογραφία. Τέλος μια άλλη παρατήρηση που πρέπει να γίνει είναι ότι οι τιμές της διακύμανσης ήταν πολύ υψηλότερες για τον υπέρυθρο δίαυλο. Αυτό οφείλεται γενικότερα στο ότι ο δίαυλος αυτός είναι λιγότερο ευαίσθητος στις επιδράσεις της ατμόσφαιρας και περιέχει περισσότερη πληροφορία. Ένας ειδικότερος λόγος αναφορικά με τις εικόνες Quickbird είναι (κατόπιν ενημέρωσης από την εταιρεία Eurimage) η ύπαρξη ενός τεχνικού προβλήματος κατά την μετάδοση των δεδομένων από το δορυφόρο στον επίγειο σταθμό λήψης, με συνέπεια τη δημιουργία ενός ψευδούς προτύπου (artifact) στην εικόνα, το οποίο παρατηρείται σε τμήματα της εικόνας όπου υπάρχει μικρή διαφοροποίηση στο περιεχόμενο της καταγραφόμενης πληροφορίας εικόνας όπως περιοχές με νερό, σκιές και άλλες γενικότερα ομοιογενείς περιοχές Αποτελέσματα ανάλυσης βαριογραμμάτων Αρχικά υπολογίστηκαν τα πειραματικά βαριογράμματα για τον πράσινο και τον υπέρυθρο δίαυλο και στη συνέχεια σε κάθε ένα εξ αυτών προσαρμόστηκε ένα θεωρητικό μοντέλο χρησιμοποιώντας το μαθηματικό κριτήριο των ελαχίστων τετραγώνων καθώς η στατιστική διαδικασία κρίνεται καταλληλότερη σε σχέση με την οπτική/εμπειρική (McBratney και Webster 1986). Στις περισσότερες των περιπτώσεων (Πίνακας 6-1), το μοντέλο που επιλέχτηκε ως καλύτερο ήταν το εκθετικό. Το μοντέλο αυτό υποδηλώνει μια κατανομή της χωρικής μεταβλητότητας της κλίμακας σε αντίθεση με μια κυρίαρχη κλίμακα μεταβλητότητας (Atkinson και Tate 2). Επίσης στο εκθετικό μοντέλο ποτέ δεν προσεγγίζεται ένα σαφές κατώφλι, αλλά αντίθετα η προσέγγιση του γίνεται ασυμπτωτικά και ως εκ τούτου η ερμηνεία αλλά και η σημασία του εύρους δεν είναι ξεκάθαρη (Webster και Oliver 21). Ένα πρώτο συμπέρασμα που μπορεί να προκύψει από τα διαγράμματα του παραρτήματος και την κατά κόρον επιλογή του εκθετικού μοντέλου, είναι ότι τα δένδρα δεν αποτελούν τα κυρία αντικείμενα της σκηνής, καθότι αυτό θα είχε ως συνέπεια την προσαρμογή λιγότερο στρογγυλεμένων μοντέλων (π.χ. σφαιρικό). 86

109 Πίνακας 6-1 Παράμετροι των θεωρητικών μοντέλων βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του υπέρυθρου και πράσινου διαύλου για τους διάφορους τύπους κάλυψης γης Κατηγορία κάλυψης Εύρος Κατώφλι Nugget διακύμανση Θεωρητικό μοντέλο Άθροισμα τετραγώνων υπολοίπου R 2 Αναλογία δομικής διακύμανσης/κα τώφλι Δασική έκταση_qb2 58,62,1956,63 exponential 1,686E-1.994,968 Δασική έκταση_qb4 8,89,2186,418 gaussian 2,585E-8,99,89 Πρεμνοβλαστήματα δρυός_qb2 1,56,2152,1 exponential 2,78E-12,984 1, Πρεμνοβλαστήματα δρυός_qb4 11,4,2266,3 exponential 5,16E-8,971,999 Δρυς-Μ. πεύκη_qb2 19,17,1996,353 exponential 1,74E-11,938,823 Δρυς-Μ. πεύκη_qb4 38,1,354,26 exponential 6,187E-6,993,927 Δρυς_Qb2 4,92,2256,258 gaussian 7,84E-13,992,886 Δρυς_Qb4 5,11,172,18 gaussian 2,61E-9,996,895 Δρυς-Μ. πεύκη χαμηλή εδαφοκάλυψη_qb2 11,88,2656,43 exponential 2,12E-11,917,984 Δρυς-Μ. πεύκη χαμηλή εδαφοκάλυψη_qb4 14,1,2552,1 exponential 1,254E-7,958 1, Πυκνοί θαμνώνες_qb2 9,9,1472,1 exponential 8,344E-13,987,999 Πυκνοί θαμνώνες_qb4 11,64,122,1 exponential 2,445E-8,953,999 Μ. πεύκη-οξιάδρυς_qb2 13,2,1882,1 exponential 4,81E-12,972,999 Μ. πεύκη-οξιάδρυς_qb4 29,19,454,35 exponential 2,481E-7,983,923 Μ. πεύκη_qb2 7,19,338,594 gaussian 3,846E-12,989,84 Μ. πεύκη_qb4 18,81,365,17 exponential 2,6E-7,973,953 Οξιά_Qb2 5,89,2168,184 gaussian 2,297E-12,986,915 Οξιά_Qb4 6,58,2664,272 gaussian 7,824E-8,974,898 Οξιά > 15 μ._qb2 13,11,68,1 exponential 6,414E-11,967,998 Οξιά > 15 μ._qb4 13,41,795,1 exponential 1,375E-6,961,999 Οξιά αραιή_qb2 17,67,654,1 exponential 5,195E-11,983,998 Οξιά αραιή_qb4 18,51,641,1 exponential 5,436E-7,982,998 Οστρυά_Qb2 3,54,25,66 exponential 8,399E-12,948,678 Οστρυά_Qb4 34,32,234,572 exponential 8,58E-8,955,719 Τραχεία_Qb2 4,38,91,9 gaussian 6,819E-13,938,896 Τραχεία_Qb4 13,65,69,27 exponential 4,251E-9,974,956 Αστικά_Qb2 18,69,212,1 exponential 5,58E-8,983 1 Αστικά_Qb4 7,72,483,36 gaussian 1,457E-7,989,925 Και αυτό γιατί σύμφωνα με τους Woodcock κ.ά. (1988), η στρογγυλοποίηση του σχήματος συνδέεται με τη μεταβλητότητα του μεγέθους των αντικειμένων σε μια σκηνή; Σε περίπτωση που τα μεμονωμένα δένδρα (τουλάχιστον στις αμιγείς συστάδες) αποτελούσαν το κυρίαρχο στοιχείο θα αποτυπωνόταν μεγαλύτερη ομοιομορφία ως προς το μέγεθος και τα χαρακτηριστικά των αντικειμένων. Στις υπόλοιπες περιπτώσεις το μοντέλο που προσαρμόστηκε καλύτερα ήταν το κανονικό (gaussian). Να σημειωθεί εδώ πως σύμφωνα με τη Turner (25) η σύγκριση των αποτελεσμάτων και των παραμέτρων μεταξύ διαφορετικών θεωρητικών μοντέλων είναι κάτι το οποίο δεν θα πρέπει να γίνεται. Σε σχέση τώρα με τις διαφοροποιήσεις μεταξύ των διαύλων σε όλες τις κατηγορίες κάλυψης/χρήσης γης η τιμή για το κατώφλι ήταν υψηλότερη για τον υπέρυθρο δίαυλο, στοιχείο 87

110 δηλωτικό τις μεγαλύτερης πληροφορίας που εμπεριέχεται συγκριτικά με τον πράσινο δίαυλο και το οποίο οφείλεται σε αίτια που αναλύθηκαν στην προηγούμενη παράγραφο (6.4.1). Καθότι λοιπόν η ερμηνεία του εύρους των εκθετικών ημιβαριογραμμάτων δεν ήταν εφικτή η όλη διαδικασία (εκτίμησης και προσαρμογής) επαναλήφθηκε υιοθετώντας αυτή τη φορά για όλες τις περιπτώσεις το σφαιρικό μοντέλο, το οποίο αναφέρεται και ως ιδανικό καθώς εμπεριέχει τον ορισμό ενός ξεκάθαρου κατωφλιού και ενός εύκολου να ερμηνευθεί εύρους (Πίνακας 6-2). Γενικά παρατηρείται ότι οι διάφορες κατηγορίες κάλυψης/χρήσης γης, εμφανίζουν διαφορετικές τιμές εύρους. Ακόμα και μεταξύ των πλατύφυλλων ειδών υπάρχουν εντονότατες διαφοροποιήσεις. Για παράδειγμα η κατηγορία δρυς, παρουσιάζει πολύ μικρό εύρος και στους δύο διαύλους (περίπου 6 μέτρα), η κατηγορία οξιά εμφανίζει εύρος 7-8 μέτρα ενώ τέλος η κατηγορία οστρυά εύρος 3-32 μέτρα. Παρατηρώντας τις αντίστοιχες εικόνες, διαπιστώνεται ότι στην περίπτωση της δρυός, κυρίαρχο στοιχείο είναι οι σκιές, οι οποίες δημιουργούν ένα πρότυπο «σκακιέρας» στην εικόνα. Λιγότερο εμφανές είναι το φαινόμενο αυτό στην περίπτωση της οξιάς, ενώ αντίθετα στην περίπτωση της οστρυάς υπάρχουν μεγάλες χωροψηφίδες που συνίστανται από οστρυά πολύ πυκνής συγκόμωσης και ισομεγεθών δένδρων δίχως την παρουσία σκιών αλλά και χωροψηφίδες όπου η συγκόμωση είναι πιο αραιή και γίνεται αντιληπτή η ύπαρξη υπορόφου από θάμνους αείφυλλων πλατύφυλλων. Πίνακας 6-2 Παράμετροι των σφαιρικών βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του υπέρυθρου και πράσινου διαύλου βαριογράμματα για τους διάφορους τύπους κάλυψης γης Κατηγορία κάλυψης Εύρος Άθροισμα τετραγώνων υπολοίπου R 2 Κατηγορία κάλυψης Εύρος Άθροισμα τετραγώνων υπολοίπου Δασική έκταση_qb2 37,36 3,81E-1,987 Μ. πεύκη_qb2 8,14 5,662E-12,983 Δασική έκταση_qb4 1,2 3,216E-8,987 Μ. πεύκη_qb4 18,7 5,94E-7,923 Πρεμνοβλ. δρυός_qb2 8,1 4,822E-12,97 Οξιά_Qb2 7,3 2,797E-12,983 Πρεμνοβλ. δρυός_qb4 8,21 1,786E-7,93 Οξιά_Qb4 8,1 9,84E-8,97 Δρυς-Μ. πεύκη_qb2 21,26 2,117E-11,878 Οξιά > 15 μ._qb2 9,63 7,13E-11,96 Δρυς-Μ. πεύκη_qb4 3,11 1,56E-7,983 Οξιά > 15 μ._qb4 9,87 1,654E-6,946 Δρυς_Qb2 5,88 9,31E-13,99 Οξιά αραιή_qb2 13,3 1,287E-1,953 Δρυς_Qb4 6,14 5,695E-9,991 Οξιά αραιή_qb4 13,46 1,62E-6,94 Δρυς-Μ. πεύκη 1,41 3,897E-11,844 χαμηλή εδαφοκ._qb2 Οστρυά_Qb2 3,48 1,379E-11,914 Δρυς-Μ. πεύκη 15,26 2,729E-7,95 χαμηλή εδαφοκ._qb4 Οστρυά_Qb4 32,28 1,296E-7,931 Πυκνοί θαμνώνες_qb2 7,22 1,877E-12,97 Τραχεία_Qb2 5,28 6,93E-13,937 Πυκνοί θαμνώνες_qb4 8,66 5,237E-8,899 Τραχεία_Qb4 15,26 1,15E-8,931 Μ. πεύκη-οξιάδρυς_qb2 Αστικά_Qb2 13,22 1,246E-7,956 1,66 1,82E-11,926 Μ. πεύκη-οξιάδρυς_qb4 Αστικά_Qb4 9,79 1,81E-7 26,92 7,64E-7,951,986 R 2 Επίσης στις εικόνες όπου υπήρχε μίξη ειδών, οι τιμές του εύρους είναι μεγαλύτερες, μάλλον λόγω της ύπαρξης ομαδοποιήσεων των μεμονωμένων ατόμων. Εντύπωση προκαλεί το γεγονός ότι στις κατηγορίες δασική έκταση και αστικά σε εξαίρεση με τις υπόλοιπες κατηγορίες, το εύρος ήταν πολύ 88

111 μεγαλύτερο στον πράσινο δίαυλο. Αυτό το γεγονός φαίνεται πως οφείλεται στην ύπαρξη έντονων σκιών σε αυτούς τους δύο τύπους κάλυψης, δίνοντας την αίσθηση της ύπαρξης ενιαίων οντοτήτων πολύ μεγαλύτερου μεγέθους στον πράσινο δίαυλο σε σχέση με τον υπέρυθρο όπου η αίσθηση του μεγέθους των οντοτήτων περιορίζεται είτε από την αυξημένη ανάκλαση της ακτινοβολίας των δένδρων και του χαμηλού υπόροφου (δασική έκταση) είτε από την αυξημένη ανάκλαση των κήπων και των δενδροστοιχιών (αστική περιοχή). Συγκρίνοντας τα αποτελέσματα από τις δύο μεθόδους που χρησιμοποιήθηκαν (μέση τοπική διακύμανση και βαριογράμματα) προκύπτουν εκ πρώτης όψεως αντιφατικά αποτελέσματα. Συγκεκριμένα οι τιμές του εύρους που προκύπτουν από τα σφαιρικά μοντέλα βαριογραμμάτων υποδηλώνουν ένα ιδανικό μέγεθος εικονοστοιχείου, πολλαπλάσιο συνήθως από αυτό που υποδηλώνεται από την πρώτη μέθοδο στην οποία η μέγιστη τιμή της τοπικής διακύμανσης υπολογίζεται για μέγεθος εικονοστοιχείου ίσου με το αρχικό. Από τη ανασκόπηση της βιβλιογραφίας, μόνο σε μια περίπτωση υπάρχει κατά κάποιο τρόπο παράλληλη σύγκριση των δύο μεθόδων (Rahman κ.ά. 23), όπου οι συγγραφείς βρίσκουν παρόμοια αποτελέσματα. Λόγω της διαφοροποίησης, για κάποιες ενδεικτικές κατηγορίες κάλυψης γης, εφαρμόστηκε η ανάλυση διακύμανσης κλίμακας και όπως μπορεί να παρατηρηθεί και στο Διάγραμμα 6-2 και στο Παράρτημα 13.2 τα αποτελέσματα συμπίπτουν με αυτά της ανάλυσης μέσης τοπικής διακύμανσης. Διακύμανση κλίμακας-qb4 Διακύμανση κλίμακας-qb4,75 Δασική έκταση,75 Δρυς-Μ.πεύκη,7,7,65,65,6,6,55,55,5,5,45,45, , Μείωση μεγέθους εικονοστοιχείου Μείωση μεγέθους εικονοστοιχείου α. γ.. Διακύμανση κλίμακας-qb4 Διακύμανση κλίμακας-qb4,9 Πρεμνοβλαστήματα δρυός,11 Μ.πεύκη,8,7,6,5,1,9,8,4,3,2,1,7,6,5, , Μείωση μεγέθους εικονοστοιχείου Μείωση μεγέθους εικονοστοιχείου β. δ. Διάγραμμα 6-2 Διακύμανση της κλίμακας στον υπέρυθρο δίαυλο της αρχικής εικόνας για τέσσερις από τους τύπους κάλυψης. Τα αποτελέσματα είναι παρόμοια με αυτά που προέκυψαν από την ανάλυση της 89

112 μέσης τοπικής διακύμανσης Η φαινομενική διαφοροποίηση της μεθόδου των βαριογραμμάτων οφείλεται πιθανότατα στην ομαλοποίηση (regularization) του βαριογράμματος. Τα θεωρητικά μοντέλα ημιβαριογραμμάτων έχουν αναπτυχθεί για ημιβαριογράμματα που προέρχονται από σημειακές παρατηρήσεις (punctual variograms). Ωστόσο τα δεδομένα τηλεπισκόπησης είναι επιφανειακής μορφής δεδομένα. Σ αυτή τη περίπτωση το ημιβαριόγραμμα αναφέρεται ως ομαλοποιημένο (regularized) (Clark 1977, Jupp κ.ά. 1989, Isaaks και Sristava 1989); η μέση τιμή της περιφερειοποιημένης μεταβλητής σε ένα συγκεκριμένο μήκος ή έκταση, το οποίο για τη περίπτωση των δορυφορικών εικόνων αντιστοιχεί στο εικονοστοιχείο. Αυτό έχει ως συνέπεια ότι διακύμανση σε μεταβλητότητα με κλίμακα καλύτερη από την κλίμακα ομαλοποίησης δεν μπορεί να ανιχνευτεί ενώ και μεταβολές δύο με τρεις φορές την κλίμακα ομαλοποίησης δεν μπορούν να οριστούν με βεβαιότητα (Woodcock κ.ά. 1988). Σύμφωνα και με τους Woodock κ.ά. (1988) η αύξηση του βαθμού ομαλοποίησης, έχει ως συνέπεια τη μείωση της τιμής του κατωφλιού και την αύξηση του εύρους. Τα φαινόμενο αυτό μπορεί να γίνει αντιληπτό και από τα αποτελέσματα (Πίνακας 6-3) του υπολογισμού πειραματικών βαριογραμμάτων και την προσαρμογή θεωρητικών μοντέλων για κάθε κατηγορία κάλυψης γης στα αντίστοιχα υποτμήματα της παγχρωματικής εικόνας. Πίνακας 6-3 Παράμετροι των θεωρητικών μοντέλων βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του παγχρωματικού διαύλου για τους διάφορους τύπους κάλυψης γης Κατηγορία κάλυψης Εύρος Κατώφλι Nugget διακύμανση Θεωρητικό μοντέλο Άθροισμα τετραγώνων υπολοίπου R 2 Αναλογία δομικής διακύμανσης/ κατώφλι Δασική έκταση 6,54,78,1 exponential 2,653E-1,966,999 Πρεμνοβλαστήματα δρυός 2,46,168,179 gaussian 1,3E-1,996,889 Δρυς-Μ. Πεύκη 6,6,1158,4 exponential 1,831E-9,894,997 Δρυς 2,442,1448,189 gaussian 1,361E-1,994,869 Δρυς-Μ. πεύκη χαμηλή 4,44,1662,1 exponential 8,836E-1 εδαφοκάλυψη,97,999 Πυκνοί θαμνώνες 4,62,971,1 exponential 1,684E-1,984,999 Μ. πεύκη-οξιά-δρυς 14,55,2116,223 exponential 1,763E-9,979,895 Μ. Πεύκη 5,1,85,1 exponential 3,57E-1,953,999 Οξιά 5,4,136,125 exponential 5,359E-1,98,98 Οξιά > 15 μ. 6,35,482,1 spherical 2,252E-9,996,998 Οξιά αραιή 6,42,1972,1 exponential 9,97E-1,989,999 Οστρυά 2,39,98,125 gaussian 5,786E-11,994,872 Τραχεία 1,853,427,65 gaussian 1,353E-11,989,848 Αστικά 8,61,723,1 exponential 1,71E-8,99,999 Αν και όπως προαναφέρθηκε μια εκτενής σύγκριση με τα αντίστοιχα μοντέλα που προέκυψαν από τη πολυφασματική εικόνα δεν είναι εφικτή, διακρίνεται ότι οι τιμές του εύρους που προκύπτουν είναι κατά πολύ μικρότερες ενώ σημαντικές αλλαγές δεν παρατηρούνται όταν το μοντέλο που προσαρμοστεί είναι το σφαιρικό (Πίνακας 6-4). Φαίνεται λοιπόν το μοντέλο σκηνής για τη παγχρωματική εικόνα πλησιάζει πολύ περισσότερο το υψηλής ευκρίνειας με τα μεμονωμένα δένδρα να 9

113 είναι τα κύρια αντικείμενα της σκηνής, συντιθέμενα από πολλά εικονοστοιχεία εκτός των περιπτώσεων που υπάρχει μίξη (ανταγωνιστικών) ειδών οπότε κυριαρχούν στη σκηνή ομάδες δένδρων. 6.5 Συμπεράσματα Η βασικότερη παρατήρηση σε σχέση με τη συνέχεια της διδακτορικής διατριβής, είναι ότι με τα υπάρχοντα δορυφορικά δεδομένα δεν είναι δυνατή η χαρτογράφηση του δασικού οικοσυστήματος της περιοχής σε επίπεδο δένδρου καθώς η χωρική ανάλυση δεν επιτρέπει για όλα τα είδη τη σαφή διάκριση τους. Το στοιχείο αυτό αποτέλεσε μια ουσιαστική παράμετρο της ανάπτυξης πολλαπλής κλίμακας-επίπεδων αντικειμενοστραφών μοντέλων ταξινόμησης. Επίσης η χρήση της μεθόδου της τοπικής διακύμανσης, αποτέλεσε την καλύτερη λύση για τη διερεύνηση της βέλτιστης κλίμακας χαρτογράφησης της περιοχής, καθώς αποτύπωσε το γεγονός πως το μέγεθος του εικονοστοιχείου είναι περίπου ίσου με αυτό των δασοπονικών ειδών και ως εκ τούτου το μέγιστο της διακύμανσης για κάποιες κατηγορίες παρατηρήθηκε στα 2,4 μέτρα. Πίνακας 6-4 Παράμετροι των σφαιρικών βαριογραμμάτων που προσαρμόστηκαν στα υπολογισθέντα πειραματικά του παγχρωματικού διαύλου βαριογράμματα για τους διάφορους τύπους κάλυψης γης Κατηγορία κάλυψης Θεωρητικό μοντέλο Εύρος Άθροισμα τετραγώνων υπολοίπου Δασική έκταση spherical 5,5 6,543E-1,916 Πρεμνοβλαστήματα δρυός spherical 3,2 2,97E-1,991 Δρυς-Μ. Πεύκη spherical 5,92 2,913E-9,828 Δρυς spherical 2,95 2,379E-1,991 Δρυς-Μ. πεύκη χαμηλή εδαφοκάλυψη spherical 3,28 1,32E-9,961 Πυκνοί θαμνώνες spherical 3,63 2,918E-1,968 Μ. πεύκη-οξιά-δρυς spherical 13,4 5,317E-9,936 Μ. Πεύκη spherical 3,72 4,594E-1,936 Οξιά spherical 3,91 6,295E-1,968 Οξιά > 15 μ. spherical 6,35 2,252E-9,996 Οξιά αραιή spherical 5,11 1,24E-9,979 Οστρυά spherical 2,96 1,36E-9,988 Τραχεία spherical 2,23 2,426E-11,983 Αστικά spherical 6,96 3,354E-8,964 R 2 Επίσης επιβεβαίωσε παλαιότερες μελέτες πως η σύνθεση των δασοπονικών ειδών, και ο βαθμός συγκόμωσης επηρεάζουν το βέλτιστο μέγεθος εικονοστοιχείου για την ταξινόμηση μιας περιοχής. Τέλος η μέθοδος αυτή ήταν απλούστερη σε σχέση με την ανάπτυξη βαριογραμμάτων και δεν χρειάστηκε εξειδικευμένο λογισμικό για την εφαρμογή της. Τα θεωρητικά μοντέλα βαριογραμμάτων που προσαρμόστηκαν στα πειραματικά, έδειξαν όπως και η ανάλυση της μέσης τοπικής διακύμανσης ότι στις περισσότερες κατηγορίες κάλυψης γης υπάρχει μια συνεχόμενη χωρική μεταβλητότητα και όχι μια ιδιαίτερα διακριτή κλίμακα λειτουργίας του τοπίου. Αυτό πρέπει να εκτιμηθεί βέβαια λαμβάνοντας υπόψη και το μικρό μέγεθος των υποτμημάτων, το οποίο λειτούργησε περιοριστικά για την αποτύπωση για παράδειγμα της διαδικασίας σχηματισμού 91

114 συστάδων. Δυστυχώς η επιλογή μεγαλύτερων υποτμημάτων δεν στάθηκε δυνατή λόγω της έντονης μεταβλητότητας στη σύνθεση των ειδών. Ένα άλλο στοιχείο που πρέπει να σημειωθεί είναι η ύπαρξη αισθητών φαινομένων μηστασιμότητας σε κάποια υποτμήματα (δασική έκταση, αστικά) εξαιτίας κυρίως της φύσης αυτών των κατηγοριών (ετερογένεια) και λιγότερο του ανάγλυφου και της θέσης του δέκτη κατά τη λήψη της εικόνας. Σαφέστατα εξετάζοντας τα φαινόμενα αυτά από καθαρά μαθηματική σκοπιά η εφαρμογή γεωστατιστικών μεθόδων στη συγκεκριμένη έρευνα αλλά και σε σκηνές με παρόμοιους τύπους κάλυψης πρέπει να προσεγγίζεται με επιφύλαξη. 92

115 7 Εύρεση ιδανικού παραθύρου για τη δημιουργία εικόνων υφής 7.1 Εισαγωγή Στο κεφάλαιο αυτό καθορίζεται το μέγεθος του παραθύρου που είναι προτιμότερο να χρησιμοποιηθεί για τον υπολογισμό εικόνων υφής, οι οποίες μαζί με τους αρχικούς φασματικούς διαύλους χρησιμοποιήθηκαν για τη βελτίωση της ταξινόμησης και διάκρισης των πολυγώνων βλάστησης. Σαν μέτρα υφής για τη δημιουργία των αντίστοιχων εικόνων χρησιμοποιήθηκαν δείκτες χωρικής αυτοσυσχέτισης. 7.2 Θεωρητικό υπόβαθρο Η κοινή φασματική ταξινόμηση εικόνων τηλεπισκόπησης συνήθως δεν λαμβάνει υπόψη της τη χωρική πληροφορία μεταξύ των ψηφιακών τιμών γειτονικών εικονοστοιχείων (Atkinson και Lewis 2). Η υφή της εικόνας (image texture), η οποία προσδιορίζεται (Haralick 1979) ως η χωρική μεταβλητότητα στους τόνους μιας εικόνας, έχει αναγνωριστεί από τους τομείς της φωτοερμηνείας αλλά και της ψηφιακής ταξινόμησης εικόνων ως μια σημαντική πηγή πληροφορίας στην τηλεπισκόπηση των δασικών οικοσυστημάτων (Jensen 1996). Επιπλέον, η υφή εκτός από τη χρήση της ως επιπρόσθετο επίπεδο πληροφορίας στην ταξινόμηση, σε κάποιες δασικές εφαρμογές έχει χρησιμοποιηθεί ως η μοναδική επεξηγηματική μεταβλητή (Coops και Culvenor 2). Η υφή έχει αποδειχτεί ότι συσχετίζεται ευθέως με διαφορετικές πτυχές της δομής μιας συστάδας, όπως ηλικία, πυκνότητα και ΔΦΕ (Cohen και Spies 1992, St-Onge και Cavayas 1997, Wulder κ.ά. 1996). Σε εφαρμογές ταξινόμησης, έχουν χρησιμοποιηθεί διάφορα είδη υφής, μεταξύ των οποίων πρώτης τάξης στατιστικά μέτρα (τυπική απόκλιση ή διακύμανση), δεύτερης τάξης (Puissant κ.ά. 25) όπως τα μέτρα των Haralick κ.ά. (1973) τα οποία προκύπτουν από τη πίνακας συν-εμφάνισης, στοιχεία του μετασχηματισμού Fourier (Angelo και Haertel 23), μέτρα χωρικής αυτοσυσχέτισης όπως ο δείκτης I του Moran (Myint 23, Emerson κ.ά. 25), γεωστατιστικά μεγέθη όπως η ημιδιακύμανση καθώς και διάφοροι παράμετροι των βαριογραμμάτων (Carr 1999), μορφοκλασματικές μονάδες (Emerson κ.ά. 25) κ.λπ.. Η πιο σημαντική παράμετρος για τον προσδιορισμό ενός μέτρου υφής είναι το μέγεθος του παραθύρου στο οποίο αυτό θα υπολογιστεί (Marceau κ.ά. 199, Fraklin κ.ά. 1996). Σε περίπτωση που το μέγεθος του παραθύρου είναι πολύ μικρό, υπάρχει πολύ μεγάλη πιθανότητα να εξαχθεί ανεπαρκή πληροφορία για το χωρικό πρότυπο μιας κατηγορίας. Αντίθετα πολύ μεγάλα μεγέθη παραθύρων μπορούν να οδηγήσουν στην εξαγωγή εσφαλμένης πληροφορίας, καθώς συμπεριλαμβάνουν περισσότερες από μια κατηγορίες με αποτέλεσμα εκτός από την εσωτερική υφή της κάθε τάξης να εκτιμάται και η μεταξύ των τάξεων υφή (Ferro και Warner 22). Υπάρχουν τρεις διαφορετικές 93

116 προσεγγίσεις στο θέμα της επιλογής του παραθύρου οι οποίες όμως έχουν απώτερο στόχο το χαρακτηρισμό του τοπίου της σκηνής. Η πρώτη επιλογή και πιο ξεκάθαρη είναι η χρήση ενός σταθερού μεγέθους παραθύρου το οποίο ο χρήστης το ορίζει είτε υποκειμενικά είτε στατιστικά χρησιμοποιώντας για παράδειγμα την ημιδιακύμανση για τον εντοπισμό του μεγέθους των αντικειμένων της περιοχής. Η δεύτερη επιλογή είναι η χρήση ενός παραθύρου μεταβλητού μεγέθους κατά μήκος του τοπίου, το οποίο ονομάζεται γεωμετρικό παράθυρο (Franklin κ.ά. 1996). Το παράθυρο αυτό μεταβάλλεται ανάλογα με την εκτιμώμενη κάθε φορά ημιδιακύμανση και προσαρμόζεται στις ιδιομορφίες μιας περιοχής. Τέλος μια τρίτη επιλογή είναι ο υπολογισμός πολλαπλής κλίμακας υφής με τη χρήση διαδοχικών παραθύρων μεταβαλλόμενου μεγέθους, το οποίο όμως συνεπάγεται αύξηση των διαστάσεων του χώρου ταξινόμησης. Στα πλαίσια της παρούσης εργασίας επιλέχθηκε να αξιολογηθεί η χρησιμότητα ενσωμάτωσης πληροφορίας υφής της εικόνας μέσω της ποσοτικοποίησης της χωρικής αυτοσυσχέτισης Χωρική αυτοσυσχέτιση Λαμβάνοντας υπόψη μια γενικευμένη θεώρηση η χωρική αυτοσυσχέτιση προκύπτει όταν οι τιμές μιας μεταβλητής x, μετρημένες σε μια περιοχή της γης σχετίζονται με τις τιμές της ίδιας μεταβλητής σε γειτονικές περιοχές. Σύμφωνα με τον Gatrell (1991) η χωρική αυτοσυσχέτιση αναφέρεται στη διάταξη των αντικειμένων και των ιδιοτήτων τους σε ένα χάρτη, ενώ μπορεί να αποτελέσει ένα μέτρο της τάσης για χωρική ομαδοποίηση παρόμοιων ή ανόμοιων τιμών (Μoran 1948, Cliff και Ord 1981). Στην περίπτωση όπου μια μεταβλητή μετριέται σε ένα σύνολο επιφανειακών μονάδων και παρατηρείται ότι υψηλές τιμές τείνουν να συγκεντρώνονται σε μια περιοχή και χαμηλές τιμές τείνουν να συγκεντρώνονται αλλού, τότε ο χάρτης αναφέρεται να έχει υψηλή χωρική αυτοσυσχέτιση (Warner και Steinmaus 25). Αντίθετα απουσία χωρικής αυτοσυσχέτισης υποδηλώνει ότι οι ιδιότητες της μεταβλητής κατανέμονται τυχαία στο χώρο. Τέλος εάν υψηλές και χαμηλές τιμές τείνουν να μεταβάλλονται με περιοδικό τρόπο, αυτό ερμηνεύεται ως αρνητική χωρική αυτοσυσχέτιση. Γενικότερα εάν υπάρχει αυτοσυσχέτιση σε ένα χάρτη τότε υπάρχει μια ξεκάθαρη σχέση μεταξύ χωρικής εγγύτητας και ομοιότητας των ιδιοτήτων (Hubert κ.ά. 1981). Μια γενική μέθοδος για την περιγραφή της αυτοσυσχέτισης μιας μεταβλητής είναι ο υπολογισμός κάποιου δείκτη συσχέτισης για μια σειρά χωρικών διανυσματικών διαφορών από κάθε σημείο. Το συσχετόγραμμα (correlogram) που προκύπτει δείχνει την αυτοσυσχέτιση μέχρι μια ορισμένη απόσταση. Η συμμετοχή των χωρικών παρατηρήσεων σε μια ορισμένη τάξη απόστασης ορίζεται με τον προσδιορισμό ενός συντελεστή βάρους σε κάθε ζεύγος σημείων στην περιοχή μελέτης. Συνήθως ο συντελεστής βάρους είναι ένας απλός δείκτης που παίρνει την τιμή 1 εάν το ζεύγος είναι εντός του ορίου της απόστασης και στην αντίθετη περίπτωση. 94

117 Δυο δείκτες που χρησιμοποιούνται συνήθως για τον υπολογισμό της αυτοσυσχέτισης είναι ο δείκτης Ι του Moran και ο δείκτης c του Geary. Οι δείκτες αυτοί αποτελούν ειδικές περιπτώσεις του γενικότερου δείκτη Γάμμα (Gamma index) o οποίος δείχνει τη συσχέτιση μεταξύ δύο πινάκων ομοιότητας (ή ανομοιότητας) για ένα σύνολο αντικειμένων (Anselin 1995). 7.3 Μεθοδολογία Για τα ίδια δεκατέσσερα υποτμήματα που χρησιμοποιήθηκαν για την εκτίμηση της βέλτιστης χωρικής ανάλυσης, υπολογίστηκαν τα συσχετογράμματα για τους δείκτες του Moran και Geary. Να σημειωθεί πως για τη δημιουργία συσχετογραμμάτων και την εκτίμηση του βέλτιστου μεγέθους παραθύρου μπορούν να χρησιμοποιηθούν και τα στατιστικά μέτρα LISA (Local Indicators of Spatial Association), υπολογισμένα σε διαδοχικά παράθυρα. Ωστόσο η δυνατότητα αυτή δεν ήταν αρχικά διαθέσιμη και γι αυτό προτιμήθηκαν οι γενικευμένοι δείκτες (global) Δείκτης του Moran Ο δείκτης του Moran ποσοτικοποιεί το βαθμό συσχέτισης μεταξύ των τιμών μιας μεταβλητής ως συνάρτηση χωρικών διανυσματικών διαφορών. Είναι τεχνικά συγκρίσιμος με το συντελεστή συσχέτισης του Pearson και υπολογίζει τις αποκλίσεις μεταξύ των τιμών μιας μεταβλητής και του μέσου όρου της: I( h) = w ( x x)( x x) i j ij i j w i j ij 2 ( xi x) n όπου n είναι ο αριθμός του δείγματος, x i και x j είναι οι τιμές της μεταβλητής στις θέσεις i και j αντίστοιχα, με i j, x είναι η μέση τιμή της μεταβλητής x και w ij είναι τα βάρη που εφαρμόζονται στη σύγκριση μεταξύ της θέσης i και της θέσης j. i Σχήμα 7-1 Επίδραση του χωρικού προτύπου στις τιμές του δείκτη Moran. Για υψηλά ομαδοποιημένα πρότυπα (α), η τιμή I είναι περίπου 1, για τυχαία πρότυπα (β) περίπου και για ομοιόμορφα διασκορπισμένα πρότυπα περίπου

118 Οι τιμές του δείκτη I Moran (Σχήμα 7-1) κυμαίνονται μεταξύ του -1 (αρνητική αυτοσυσχέτιση) και 1 (θετική αυτοσυσχέτιση), με προσδοκώμενη τιμή για μεγάλα δείγματα σε περίπτωση απουσίας αυτοσυσχέτισης και τυχαίας κατανομής των τιμών κοντά στο μηδέν (Sokal και Wartenberg 1983, Epperson 23). Πιο αναλυτικά η αναμενόμενη τιμή του δείκτη δίνεται από τον τύπο: 1 E ( I ) = n ( 1) Δείκτης του Geary Ο συντελεστής c του Geary από την άλλη υπολογίζει τις διαφορές μεταξύ τιμών σε γειτονικές τοποθεσίες. Συμπεριφέρεται κατά κάποιο τρόπο ως μέτρο απόστασης και κυμαίνεται μεταξύ του μηδενός (για τέλεια θετική αυτοσυσχέτιση) και περίπου δύο για έντονη αρνητική αυτοσυσχέτιση. Σε απουσία σημαντικής αυτοσυσχέτισης η αναμενόμενη τιμή Ε(c) είναι η μονάδα: c( h) = w ( x x ) i j ij i j 2 w i j ij 2 ( xi x) ( n 1) To διάγραμμα του δείκτη του Moran ή του Geary με τις χωρικές διανυσματικές διαφορές στον οριζόντιο άξονα όπως προαναφέρθηκε ονομάζεται χωρικό συσχετόγραμμα. Η απόσταση στην οποία η τιμή χωρικής αυτοσυσχέτισης συγκλίνει με την προσδοκώμενη τιμή δείχνει το χωρικό εύρος του προτύπου. Εάν η αυτοσυσχέτιση δεν μειώνεται μετά από έναν αριθμό διανυσματικών διαφορών είναι ένδειξη ύπαρξης μη στασιμότητας (non-stationarity). Τα πλεονεκτήματα της χρήσης των χωρικών συσχετογραμμάτων σε σχέση με τα βαριογράμματα είναι ότι παρέχουν τη δυνατότητα εκτίμησης της σημαντικότητας τους ενώ επιτρέπουν και τη σύγκριση τους με άλλες μεταβλητές καθότι είναι τυποποιημένα (Goodchild 1986, Legedre και Legedre 1998). Επίσης ένα άλλο πλεονέκτημα των δεικτών χωρικής αυτοσυσχέτισης σε σχέση με τα βαριογράμματα είναι η ύπαρξη ορίων στις τιμές τους. Από την άλλη τα συσχετογράμματα η εκτίμηση του εύρους είναι περισσότερο υποκειμενική (Wagner κ.ά. 25). i Aποτελέσματα-Συμπεράσματα Από τη μελέτη των γραφημάτων του Παραρτήματος 13.4 διαπιστώθηκε ότι τα συσχετογράμματα των δεικτών χωρικής αυτοσυσχέτισης Moran και Geary που εκτιμήθηκαν, εμφάνισαν παρόμοια συμπεριφορά. Το αντίστροφο δηλαδή του συσχετογράμματος που προέκυψε από το δείκτη Moran προσομοίαζε με το συσχετόγραμμα που προέκυψε από το δείκτη Geary. Σχετικά με τη χωρική 96

119 ταυτότητα των υποτμημάτων, κάθε κατηγορία δασικής κάλυψης εμφάνισε διαφορετικές τιμές των δεικτών χωρικής αυτοσυσχέτισης για την ίδια διανυσματική διαφορά αλλά και διαφορετικές αποστάσεις όπου η χωρική αυτοσυσχέτιση μεταξύ των εικονοστοιχείων έπαυε να υφίσταται. Τη μικρότερη χωρική αυτοσυσχέτιση για τις πρώτες διανυσματικές διαφορές, παρουσίασαν οι κατηγορίες οξιά και δρυς ενώ τη μεγαλύτερη, κατηγορίες όπου υφίσταται μίξη ειδών. Ωστόσο κρίθηκε ότι η χρήση παραθύρων μεγέθους μέχρι έξι εικονοστοιχείων (διανυσματική διαφορά μέχρι τρία εικονοστοιχεία), μπορεί να αποτυπώσει τη χωρική ταυτότητα των κατηγοριών χωρίς να δημιουργεί μεγάλη ποσότητα δεδομένων. Το όριο αυτό τέθηκε καθότι σε κάποιες κατηγορίες πέραν των έξι διανυσματικών διαφορών, η χωρική αυτοσυσχέτιση μηδενίζεται ή γίνεται πολύ μικρή (δρυς, μ. πεύκη, τραχεία). Επιπλέον, οι Berberoglou κ.ά (2) και οι Lloyd κ.ά. (24), χρησιμοποίησαν τιμές της ημιδιακύμανσης υπολογισμένες για λίγες διανυσματικές διαφορές σε μια ταξινόμηση ανά τεμάχιο (per-field), με τη μεγαλύτερη ακρίβεια να επιτυγχάνεται με τιμές ημιδιακύμανσης υπολογισμένες για μια διανυσματική διαφορά. 97

120 8 Διερεύνηση της δυνατότητας διάκρισης δάσους-δασικής έκτασης 8.1 Εισαγωγή Για την αξιολόγηση της δυνατότητας διάκρισης του δάσους από τις δασικές εκτάσεις σύμφωνα με το περιεχόμενο του Ν. 328/23 (Σχήμα 8-1), επιλέχτηκε μια περιοχή του Πανεπιστημιακού δάσους Ταξιάρχη η οποία αντιστοιχεί στα υποτμήματα του διαχειριστικού χάρτη με αριθμό 31,32,33 (Παράρτημα 13.7). Η περιοχή (Εικόνα 8-1) συνολικής έκτασης 238 εκταρίων βρίσκεται στο απώτερο ΒΑ τμήμα του Πανεπιστημιακού δάσους. Η απόφαση για τη χρησιμοποίηση ενός υποτμήματος της αρχικής εικόνας λήφθηκε όταν στα αρχικά στάδια της μελέτης διαπιστώθηκε πως οι χρόνοι που απαιτούνται για την κατάτμηση του συνόλου της εικόνας είναι πολύ μεγάλοι. Η επιλογή του συγκεκριμένου τμήματος έγινε με κριτήριο τη γενικότερη ετερογένεια της περιοχής, τον υψηλό κατακερματισμό του τοπίου λόγω του έντονου ανάγλυφου καθώς και την ποικιλομορφία από πλευράς φυσιογνωμίας της βλάστησης στην οποία περιλαμβάνονται κωνοφόρα (μαύρη πεύκη) και πλατύφυλλα (δρυς, οξιά) δασοπονικά είδη, θαμνώνες και χορτολιβαδικές εκτάσεις. Για τη διάκριση των κατηγοριών, ακολουθήθηκε μια αντικειμενοστραφής προσέγγιση. Μετά την κατάτμηση της εικόνας, τα τμήματα ταξινομήθηκαν με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου και της λογιστικής παλινδρόμησης. Επίσης για τον ίδιο σκοπό, ταξινομήθηκε η συγχωνευμένη εικόνα Quickbird με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου. Εικόνα 8-1 Τμήμα του Πανεπιστημιακού Δάσους Ταξιάρχη, στο οποίο αξιολογήθηκε η δυνατότητα διάκρισης δάσους-δασικής έκτασης. 98

121 Τουλάχιστον 3 στρέμματα με γεωμετρική μορφή κατά το δυνατόν από-στρογγυλωμένη ή λωρίδα πλάτους τουλάχιστον 3 μέτρων. Εξαιρείται η περίπτωση αλληλεξάρτησης και αλληλεπίδρασης. Κόμες των δασικών ειδών σε κατακόρυφη προβολή τουλάχιστον 25% της έκτασης του εδάφους 1.Δασοπονικά είδη αείφυλλων ή φυλλοβόλων πλατύφυλλων σε θαμνώδη μορφή 2.Συγκόμωση μεγαλύτερη του 25% 1. Κατακόρυφη δομή 2. Συγκόμωση μεγαλύτερη του 3% 3α.Συγκόμωση ανωρόφου μεγαλύτερη του 15% 3β.Σε περίπτωση έλλειψης υπορόφου ανώροφος άνω του 25% Επιπλέον στις δασικές εκτάσεις περιλαμβάνονται και οι: 1. Ασκεπείς εκτάσεις που περικλείονται από δάση/δασικές εκτάσεις 2. Ασκεπείς εκτάσεις υπεράνω των δασών/δασικών εκτάσεων Σχήμα 8-1 Κριτήρια διάκρισης δάσους-δασικής έκτασης 99

122 Οι αγροτικές εκτάσεις είχαν αποκοπεί από την εικόνα βάση φωτοερμηνείας από ανεξάρτητο φωτοερμηνευτή και του διαχειριστικού χάρτη καθότι σύμφωνα με το υπάρχον νομοθετικό πλαίσιο, πριν από μια υποτιθέμενη υλοποίηση του Δασολογίου, οι εκτάσεις αυτές θα είχαν εκ των προτέρων διαχωρισθεί στα πλαίσια του Κτηματολογίου. Τέλος πριν την κατάτμηση της εικόνας δημιουργήθηκαν επιπλέον επίπεδα πληροφορίας, τα οποία προστέθηκαν στους τέσσερις αρχικούς διαύλους ήταν οι συνθετικοί δίαυλοι του μετασχηματισμού IHS και ο δείκτης βλάστησης NDVI 8.2 Μεθοδολογία FNEA Η FNEA (Fractal Net Evolution Approach) στηρίζεται στη θεωρεία της ασάφειας (fuzzy set theory) για την εξαγωγή αντικειμένων ενδιαφέροντος στην επιθυμητή κλίμακα, χρησιμοποιώντας την κατάτμηση εικόνων σε λεπτομερή και γενικευμένη κλίμακα. Λειτουργώντας στη βάση συνδεδεμένων αντικειμένων σε ένα εύρος διαφορετικών κλιμάκων, είναι δυνατή η χρήση συναφών πληροφοριών που προκύπτουν από τις παραπάνω συνδέσεις, οι οποίες μπορούν να συνδυαστούν μαζί με τις πληροφορίες για τα φασματικά και τα χαρακτηριστικά υφής των αντικειμένων, ώστε να σημειωθεί βελτίωση της ακριβείας ταξινόμησης. Βάση της FNEA προσέγγισης η περιεχόμενη στην εικόνα πληροφορία θεωρείται μορφοκλασματική υποδηλώνοντας τον ίδιο βαθμό μη κανονικότητας σε όλες τις κλίμακες ή αυτό-ομοιότητας κατά μήκος των κλιμάκων (Hay κ.ά. 23). Για την εξαγωγή σημαντικών περιοχών (regions) σε μια εικόνα ο χρήστης απαιτείται να λάβει υπόψη τη λειτουργική κλίμακα του φαινόμενου που θα απεικονιστεί και το είδος των διαθέσιμων δεδομένων. Συνεπώς ο χρήστης καλείται να εστιάσει σε διάφορα επίπεδα κλίμακας, καθώς οι ιδιότητες μιας εικόνας όπως χρώμα, υφή ή σχήμα, είναι ιδιαίτερα συσχετισμένα με την κλίμακα. Αυτή είναι μια σημαντική διαφορά της FNEA από προσεγγίσεις οι οποίες δεν απαιτούν τον καθορισμό παραμέτρων από το χρήστη όπως για παράδειγμα οι περισσότεροι αλγόριθμοι watershed, οι αλγόριθμοι βάση περιοχών, οι πολύ-μορφοκλασματικοί και οι αλγόριθμοι κατάτμησης βάση των τυχαίων πεδίων Markov. Αλλά και στις παραπάνω μεθόδους όπου απαιτείται επέμβαση από το χρήστη (π.χ. αρχικά σημεία στη watershed κατάτμηση), ο χρήστης δεν εστιάζει σε συγκεκριμένο επίπεδο ή κλίμακα αλλά σε συγκεκριμένα κριτήρια ετερογένειας για τα αντικείμενα της εικόνας που προκύπτουν. Αντίθετα στη FNEA προσέγγιση ο καθορισμός ενός συγκεκριμένου επιπέδου ανάλυσης οδηγεί στον καθορισμό αντικειμένων για αυτή τη μοναδική κλίμακα. Τρεις είναι οι κυρίαρχοι άξονες της FNEA προσέγγισης: 1. Προσανατολισμός των αντικειμένων (object orientation). Αυτή η διαδικασία αρχικά εξάγει αντικείμενα της εικόνας (image objects) τα οποία στη συνέχεια ταξινομούνται με τη χρήση ασαφούς λογικής. 2. Απεικόνιση της πληροφορίας της εικόνας σε διάφορες κλίμακες ταυτόχρονα. 1

123 Κάθε εικόνα περιλαμβάνει ταυτόχρονα διάφορα σημασιολογικά επίπεδα. Σημαντική είναι η δημιουργία ενός ιεραρχικού δικτύου αντικειμένων της εικόνας το οποίο επιτρέπει την απεικόνιση της πληροφορίας σε διάφορες κλίμακες ταυτόχρονα. Λειτουργώντας βάση των σχέσεων μεταξύ δικτυωμένων αντικειμένων, είναι δυνατόν να χρησιμοποιηθεί η πληροφορία για το περιβάλλον ενός αντικειμένου (σε τρεις διαστάσεις). Πέρα από την καθαρά φασματική, η παραπάνω ουσιώδης πληροφορία μπορεί να χρησιμοποιηθεί μαζί με πληροφορίες για την υφή και το σχήμα των αντικειμένων για τη βελτίωση της τελικής ταξινόμησης. 3. Περιγραφή, επεξεργασία και ανάλυση της πληροφορίας της εικόνας με τη χρήση σημασιολογικών δικτύων (Baatz και Shape 2) Κατάτμηση της εικόνας Η διαδικασία της κατάτμησης στη FNEA αρχίζει με ένα μοναδιαίο εικονοστοιχείο και την ανά ζεύγη σύγκριση του με τα γειτονικά προς αυτό, με στόχο την ελαχιστοποίηση της τελικής αθροιστικής ετερογένειας. Η συνήθης λύση για αυτό το συνδυαστικό πρόβλημα ομαδοποίησης είναι μια διαδικασία η οποία ονομάζεται global mutual fitting. H global mutual fitting είναι ο ισχυρότερος περιοριστικός παράγοντας για το πρόβλημα της άριστης επιλογής και μειώνει την ετερογένεια ακολουθώντας ένα καθαρά ποσοτικό κριτήριο το οποίο είναι η συγχώνευση του ζεύγους των αντικειμένων στο σύνολο της σκηνής, το οποίο ικανοποιεί βέλτιστα το κριτήριο της ομοιογένειας. Επίσης μια άλλη διαδικασία που εφαρμόζεται είναι αυτή της local mutual best fitting, η οποία κάνει δυνατή την εύρεση του καλύτερου ζεύγους αντικειμένων στην τοπική γειτονιά ενός αντικειμένου Α ακολουθώντας τη βαθμιαία μεταβολή της ομοιογένειας. Για κάθε αντικείμενο Α εντοπίζεται το γειτονικό Β με το οποίο το κριτήριο της ομοιογένειας ικανοποιείται καλύτερα. Στη συνέχεια για το αντικείμενο Β βρίσκεται το γειτονικό αντικείμενο Γ για το οποίο και πάλι βελτιστοποείται το κριτήριο της ομοιογένειας. Ακολούθως ελέγχεται το αν το κριτήριο της ομοιογένειας ικανοποιείται καλύτερα αμοιβαία (A=Γ). Αν όχι πραγματοποιείται ένας νέος κύκλος όπου το Α αντικαθίσταται από το Β και το Γ από το Α. Πέρα από τις προηγούμενες συνθήκες, βαρύτητα δίνεται στην επιλογή του αντικειμένου ή του εικονοστοιχείου από το οποίο θα ξεκινήσει η διαδικασία αναζήτησης του ζεύγους (είτε αντικειμένου είτε εικονοστοιχείου) προς συγχώνευση. Για τη διατήρηση ενός παρόμοιου μεγέθους/κλίμακας σε όλα τα αντικείμενα της εικόνας είναι αναγκαίος ο έλεγχος της αύξησης τους κατά ένα παρόμοιο τρόπο. Αυτό μπορεί να επιτευχθεί επιλέγοντας μια σειρά σημείων εκκίνησης της συγχώνευσης για τα οποία ισχύουν τα εξής (Baatz και Shape 2): 1. Ο χειρισμός κάθε σημείου (αντικειμένου) μια φορά σε κάθε κύκλο. 2. Κατανομή των διαδοχικών συγχωνεύσεων όσον το δυνατό μακρύτερα μεταξύ τους στο σύνολο της σκηνής. Η μη τήρηση των παραπάνω κριτηρίων (σε συνδυασμό με τον ορισμό της ετερογένειας για το χρώμα/φάσμα) θα δημιουργούσε τα αρχικά τμήματα (segments) σε περιοχές χαμηλής φασματικής διακύμανσης. Αυτό θα συνεπαγόταν την ανομοιόμορφη ανάπτυξη αντικειμένων στο σύνολο της 11

124 σκηνής/εικόνας και την έλλειψη ισορροπίας μεταξύ περιοχών χαμηλής και υψηλής φασματικής μεταβλητότητας. Για τον καθορισμό του φασματικού χώρου όπου θα γίνει ο έλεγχος του βαθμού ομοιογένειας/ετερογένειας δύο αντικειμένων, η φασματική ή χρωματική ετερογένεια καθορίζεται από το άθροισμα των τυπικών αποκλίσεων των φασματικών (ψηφιακών) τιμών για κάθε δίαυλο, σταθμισμένο με ένα συντελεστή βάρους w c (ecognition 24): hc = w c σ c όπου c ένας τυχαίος αριθμός διαύλων και σ c η τυπική απόκλιση για κάθε ένα από τους παραπάνω διαύλους. Πέρα από τη φασματική ετερογένεια μπορεί να χρησιμοποιηθεί και η χωρική ή αλλιώς ετερογένεια της μορφής (spatial or form heterogeneity). Μια περιγραφή αυτού του τύπου της ετερογένειας, είναι η απόκλιση από το ιδανικό συμπαγές σχήμα η οποία εκφράζεται από το λόγο του πραγματικού μήκους l του ορίου και της τετραγωνικής ρίζας των n εικονοστοιχείων που συνθέτουν το αντικείμενο (ecognition 24). c hcompact = l n Μια δεύτερη εναλλακτική προσέγγιση για την ποσοτικοποίηση της χωρικής ετερογένειας είναι η απόκλιση από το συντομότερο δυνατό μήκος του ορίου ενός αντικειμένου και του πιθανού μήκους b που θα προέκυπτε από ένα ορθογώνιο πλαίσιο πέριξ του αντικειμένου, παράλληλα με το ψηφιδωτό της εικόνας. l hsmooth = 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 συγχώνευσης (overall fusion value) f. f= w h color + (1-w) h shape ενώ η χωρική ετερογένεια με τη σειρά της υποδιαιρείται με βάση τους προηγούμενους τύπους: h shape = w comp h comp + (1-w omp ) h smooth όπου w είναι ένας συντελεστής βάρους με τιμές -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. 12

125 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 f 1 και f 2 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 24): h = d f1d f σ 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: hcolor = hdiff = ( n1 + n2 ) hm ( n1h1 + n2h2 ) Σε περίπτωση που ο τύπος γενικευτεί για έναν αριθμό καναλιών c τότε προκύπτει η παρακάτω εξίσωση: ( n1 + n2 ) hm ( n1h1 n2h ) = wc ( n1 + n2 ) σ m ( n1σ 1 n2σ 2 ) = wc + c c hcolor 2 c c + 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 24): c c h smooth = ( n + n 1 2 ) l( 1+ 2) b( 1+ 2) l1 n1 b1 + n 2 l b 2 2 h compact = ( n + n 1 2 ) l( 1+ 2) n + n 1 2 n 1 l 1 n 1 + n 2 l 2 n 2 13

126 Ταξινόμηση των τμημάτων της εικόνας Ασαφής ταξινόμηση Η θεωρεία των ασαφών συνόλων (fuzzy set theory) (Zadeh 1965) επιτρέπει μεγαλύτερη ευελιξία συγκρινόμενη με τη δυαδική θεωρία η οποία μπορεί να δεχτεί μόνο δύο ακραίες τιμές (του όχι και του ναι) επιτρέποντας σε μια παρατήρηση να ανήκει σε μια μόνο κατηγορία ταξινόμησης (Gao 23). Αντίθετα η χρήση της ασαφούς λογικής επιτρέπει σε ένα εικονοστοιχείο να διατηρεί πολλές μη μηδενικές βαθμίδες συμμετοχής σε διάφορες κατηγορίες πληροφοριών (Mather και Tso 21, Islam και Metternicht 25). Η ροή διαδικασιών σε ένα ασαφές σύστημα ταξινόμησης διαχωρίζεται σε τρία διαδοχικά βήματα (Σχήμα 8-2): Βάση ασαφών κανόνων Εξαγωγή συμπερασμάτων Ασαφοποίηση Διασαφήνιση Δεδομένα εισόδου Δεδομένα εξόδου Σχήμα 8-2 Αρχιτεκτονική ενός ασαφούς συστήματος ταξινόμησης 14

127 Ασαφοποίηση (fuzzification) Η ασαφοποίηση περιγράφει τη μετάβαση από ένα άκαμπτο σύστημα σε ένα ασαφές σύστημα. Σκοπός της είναι ο χωρισμός του χώρου των χαρακτηριστικών μιας εικόνας σε ασαφή υποτμήματα και η δημιουργία κανόνων για κάθε ένα από αυτά. Περιλαμβάνει την εκχώρηση ενός βαθμού συμμετοχής σε κάθε χαρακτηριστικό. Ο βαθμός συμμετοχής ορίζεται από τις αποκαλούμενες συναρτήσεις συμμετοχής. Οι πιο συχνά χρησιμοποιούμενες ασαφείς συναρτήσεις συμμετοχής (Σχήμα 8-3) είναι η μονοτονική, η τριγωνική, η τραπεζοειδής και η κωδωνόμορφη. Κάθε μια από τις παραπάνω συναρτήσεις δημιουργεί διαφορετικούς βαθμούς (grades) συμμετοχής για τα ίδια δεδομένα εισόδου. Σχήμα 8-3 Τέσσερις διαφορετικοί τύποι ασαφών συναρτήσεων συμμετοχής: (a) η τριγωνική, (b) η τραπεζοειδής, (c) η μονοτονική και (d) η κωδωνόμορφη. Βάση ασαφών κανόνων (fuzzy rule base) 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 «Η» 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. Διασαφήνιση (defuzzification) Η διασαφήνιση είναι η αντίθετη διαδικασία από την ασαφοποίηση. Παράγει μια αυστηρή ταξινόμηση. Για την παραγωγή προϊόντων της ταξινόμησης όπως χάρτες, τα ασαφή αποτελέσματα 15

128 πρέπει να μετασχηματιστούν σε μια αυστηρή ή συγκεκριμένη τιμή, το οποίο σημαίνει ότι το αντικείμενο τοποθετείται σε μια τάξη ή όχι. Επίσης η διασαφήνιση προσφέρει τη βάση για την πραγματοποίηση της διαδικασίας εκτίμησης ακρίβειας ταξινόμησης των ασαφώς ταξινομημένων δεδομένων, η οποία είναι προβληματική εξαιτίας της μη απόλυτης φύσης της πληροφορίας, στο πλαίσιο αντικειμενικών μετρήσεων πεδίου (Zhang και Goodchild 22). Υλοποιείται μετατρέποντας τα ασαφή αποτελέσματα σε απόλυτες τιμές, λαμβάνοντας υπόψη αν οι τιμές υπερβαίνουν ή είναι μικρότερες ενός προκαθορισμένου ορίου (Zadeh 1968) Ασαφής ταξινόμηση στο ecognition Η ασαφής ταξινόμηση στο ecognition προσεγγίσεων καθοδηγούμενης ταξινόμησης. μπορεί να υλοποιηθεί μέσω δύο διαφορετικών Η πρώτη είναι η χρήση μιας ή συνδυασμού περισσοτέρων συναρτήσεων συμμετοχής (membership functions). Οι συναρτήσεις συμμετοχής επιτρέπουν την περιγραφή μιας κατηγορίας ταξινόμησης με τη χρήση χαρακτηριστικών των αντικειμένων τα οποία επιλέγονται και συνδυάζονται με βάση την έμπειρη γνώση (expert knowledge) του ατόμου που αναπτύσσει την ταξινόμηση. Η δεύτερη είναι με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου Συναρτήσεις συμμετοχής Οι συναρτήσεις συμμετοχής αντιπροσωπεύουν μονοδιάστατες περιγραφές των χαρακτηριστικών μιας τάξης βάση ενός ορισμένου διαστήματος σε ένα επιλεγμένο επίπεδο πληροφορίας (Ivits και Koch 22). 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, βάση 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 συνθηκώνσυναρτήσεων συμμετοχής για την περιγραφή των κατηγοριών της ταξινόμησης. Σ 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 16

129 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 Οι αλγόριθμοι του πλησιέστερου γειτονικού σημείου ανήκουν στην κατηγορία των μη παραμετρικών ταξινομητών. Οι μη παραμετρικοί ταξινομητές συνεπάγονται αυθαίρετα όρια διάκρισης και διαχωρισμού για την τοποθέτηση των μονάδων (π.χ. εικονοστοιχεία, αντικείμενα) στις διάφορες κατηγορίες ταξινόμησης. Αυτό όμως έχει ως συνέπεια την ανάγκη υιοθέτησης μιας επαναληπτικής διαδικασίας για τον καθορισμό των ορίων. Σε αντίθεση με τους παραμετρικούς ταξινομητές δεν είναι αναγκαία προϋπόθεση η ύπαρξη κανονικής (Gaussian) κατανομής των δεδομένων (Hubert-Moy κ.ά. 21). Στους μη παραμετρικούς ταξινομητές περιλαμβάνονται μεταξύ των άλλων ο αλγόριθμος του πλησιέστερου γειτονικού σημείου-(nearest neighbor 1-NN), (Duda και Hart 1973) και k-nearest neighbor (K-NN), (Devijer και Kittler 1982), οι μέθοδοι kernel (Vapnick 1998), τα νευρωνικά δίκτυα (Artificial Neural Networks) (Bishop 1995, Atkinson και Tatnall 1997) και τα δέντρα αποφάσεων (classification or decision trees) (Friedl και Brodley 1997, Pal και Mather 23). Η ασαφής εκδοχή του αλγόριθμου του πλησιέστερου γειτονικού σημείου, η οποία χρησιμοποιείται στο ecognition δημιουργεί αυτόματα πολυδιάστατες συναρτήσεις συμμετοχής. Καθώς οι αλγόριθμοι του πλησιέστερου γειτονικού σημείου λειτουργούν σε ένα πολυδιάστατο χώρο των χαρακτηριστικών της εικόνας χρησιμοποιώντας την πραγματική κατανομή των τιμών της εικόνας, η περιγραφή επιλεγμένων αντικειμένων είναι ιδιαίτερα εύκολη. Σε σχέση με την ανά εικονοστοιχείο εκδοχή του συγκεκριμένου αλγόριθμου, η βάση αντικειμένων προσέγγιση απαιτεί μικρότερο αριθμό δειγμάτων εκπαίδευσης καθώς ένα αντικείμενο περιλαμβάνει πολλά τυπικά εικονοστοιχεία μιας τάξης καθώς και την τυχόν μεταβλητότητα της. Η αρχή λειτουργίας του αλγόριθμου είναι η εξής: Αρχικά ορίζονται αντιπροσωπευτικά αντικείμενα για κάθε κατηγορία ταξινόμησης και στη συνέχεια ο αλγόριθμος αρχίζει να αναζητά το πλησιέστερο αντικείμενο που έχει δηλωθεί ως δείγμα εκπαίδευσης στο χώρο των χαρακτηριστικών της εικόνας (feature space). 17

130 Σχήμα 8-4 Αρχή λειτουργίας του αλγόριθμου του πλησιέστερου γειτονικού σημείου. Ένα αντικείμενο προς ταξινόμηση (γκρι κύκλος), θα τοποθετηθεί στην ίδια κατηγορία ταξινόμησης με το πιο κοντινό προς αυτό αντικείμενο εκπαίδευσης του αλγόριθμου. Όπως φαίνεται και από το Σχήμα 8-4 αν για ένα αντικείμενο το εγγύτερο του αντικείμενο δείγμα ανήκει στην τάξη Α, τότε και αυτό θα τοποθετηθεί στην ίδια τάξη. Ωστόσο όλες οι τοποθετήσεις καθορίζονται με βάση τιμές του εύρους (καμία τοποθέτηση) έως 1 (πλήρη τοποθέτηση). Όσο εγγύτερα ένα αντικείμενο της εικόνας βρίσκεται στο χώρο των χαρακτηριστικών της εικόνας σε ένα αντικείμενο-δείγμα της κατηγορίας Α τόσο υψηλότερος ο βαθμός συμμετοχής του σ αυτή τη κατηγορία. Η απόσταση μεταξύ των αντικειμένων υπολογίζεται από τον τύπο d = f ( s) o v f v f σ f 2 όπου d = απόσταση μεταξύ του αντικειμένου εκπαίδευσης s και του αντικειμένου προς ταξινόμηση ο (s) v f = η τιμή του χαρακτηριστικού f για το αντικείμενο εκπαίδευσης o v f = η τιμή του χαρακτηριστικού f για το αντικείμενο εκπαίδευσης σ f = η τυπική απόκλιση των τιμών του χαρακτηριστικού f Η απόσταση στο χώρο των χαρακτηριστικών μεταξύ ενός αντικειμένου εκπαίδευσης και του αντικειμένου της εικόνας προς ταξινόμηση, τυποποιείται με την τυπική απόκλιση των τιμών όλων των χαρακτηριστικών (features). Αυτό επιτρέπει το συνδυασμό χαρακτηριστικών με διάφορες κλίμακες μέτρησης στον ίδιο χώρο ταξινόμησης. Εξαιτίας της τυποποίησης που πραγματοποιείται, τιμή 18

131 απόστασης ίση με τη μονάδα σημαίνει ότι η απόσταση αυτή ισούται με την τυπική απόκλιση των τιμών όλων των χαρακτηριστικών που ορίζουν τον χώρο των χαρακτηριστικών (feature space). Βάση της απόστασης d, μια πολυδιάστατη εκθετική συνάρτηση συμμετοχής z(d), υπολογίζεται ως εξής: z ( d ) = e 2 k d όπου η παράμετρος k (Σχήμα 8-5) καθορίζει την ελάττωση του μεγέθους z(d) k = ln 1 function, slope Σχήμα 8-5 Διαφορετικές τιμές συμμετοχής για το ίδιο αντικείμενο ανάλογα με τη συνάρτηση κλίσης Διαφορές μεταξύ του αλγόριθμου του πλησιέστερου γειτονικού σημείου και των συναρτήσεων συμμετοχής. Όταν μόνο λίγα διακριτά χαρακτηριστικά διαχωρίζουν τις κατηγορίες ταξινόμησης μεταξύ τους, η χρησιμοποίηση των συναρτήσεων συμμετοχής αποτελεί τη βέλτιστη επιλογή (Ivits και Koch 22). Ωστόσο όταν πολλά, διαφορετικά μεταξύ τους χαρακτηριστικά χρειάζονται για την τοποθέτηση των αντικειμένων σε κατηγορίες ταξινόμησης, τότε η χρηστικότητα του αλγόριθμου του πλησιέστερου γειτονικού σημείου είναι μεγαλύτερη και σ αυτό συνηγορούν τα εξής: 1. Ο αλγόριθμος του πλησιέστερου γειτονικού σημείου υπολογίζει τη συσχέτιση μεταξύ των χαρακτηριστικών των αντικειμένων καλύτερα. 2. Οι επικαλύψεις του χώρου των χαρακτηριστικών της εικόνας αν και αυξάνονται με την αύξηση των διαστάσεων, μπορούν να διαχωριστούν πολύ καλύτερα 3. Η τροποποίηση της περιγραφής των τάξεων και της ιεραρχίας είναι πολύ πιο εύκολη. Η χρησιμοποίηση των συναρτήσεων συμμετοχής είναι μια μη ευέλικτη μέθοδος ταξινόμησης, καθώς όταν τα διαστήματα διάκρισης οριστούν δεν είναι εύκολη η εφαρμογή του συστήματος ταξινόμησης σε άλλες περιοχές. Από την άλλη ο αλγόριθμος του πλησιέστερου γειτονικού σημείου 19

132 απλά καθορίζει ποια επίπεδα πληροφοριών και χαρακτηριστικά, θα ληφθούν υπόψη για τη δημιουργία του χώρου ταξινόμησης, ενώ τα αντιπροσωπευτικά αντικείμενα επιλέγονται σε κάθε εικόνα. Όπως φαίνεται και από το Σχήμα 8-6, οι πραγματικές κατανομές των κατηγοριών ταξινόμησης μπλε (blue) και κόκκινο (red) δεν επικαλύπτονται. Ωστόσο οι συναρτήσεις συμμετοχής που έχουν δημιουργηθεί και περιγράφουν τις δυο κατηγορίες ταξινόμησης, παρουσιάζουν περιοχές επικάλυψης. Το μέγεθος αυτής της επικάλυψης αυξάνει με τον αριθμό των διαστάσεων. Με τη χρησιμοποίηση δυο μόνο χαρακτηριστικών για την περιγραφή των κατηγοριών ταξινόμησης, οι περιοχές που προκύπτουν από μονοδιάστατες συναρτήσεις συμμετοχής, δημιουργούν τεράστια επικάλυψη. Αυτή η επικάλυψη μπορεί να μειωθεί αν υπολογιστούν εξ αρχής πολυδιάστατες συναρτήσεις συμμετοχής, καθώς η πραγματική κατανομή της τάξης red προσεγγίζεται πολύ καλύτερα (Σχήμα 8-7). Σχήμα 8-6 Επικάλυψη των περιγραφών των αντικειμένων με τη χρήση συναρτήσεων συμμετοχής σε ένα δυσδιάστατο χώρο α. β. Σχήμα 8-7 Η χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου για τη ταξινόμηση βάση των τάξεων του προηγούμενου Σχήματος. Η αρχική ταξινόμηση (α), του μη ταξινομημένου αντικειμένου (πράσινος κύκλος) βελτιώνεται σταδιακά με την επιλογή και νέων δειγμάτων (β) 11

133 Χαρακτηριστικά των τμημάτων και των αντικειμένων Τα διαθέσιμα χαρακτηριστικά των αντικειμένων στο ecognition περιλαμβάνουν ποικίλα γνωρίσματα σε σχέση με τις φασματικές τιμές, την υφή, τη γειτνίαση κ.λπ. των αντικειμένων. Μπορούν να διακριθούν τα χαρακτηριστικά σε σχέση με τα αντικείμενα (object features) και τα χαρακτηριστικά σε σχέση με την κατηγορία ταξινόμησης (class related features). Τα χαρακτηριστικά σε σχέση με την κατηγορία ταξινόμησης, προκύπτουν από ταξινομημένα αντικείμενα, τα οποία βρίσκονται σε κάθε θέση εντός της ιεραρχίας των αντικειμένων. Αυτή η θέση μπορεί να είναι είτε σε ανώτερα (super objects) είτε σε κατώτερα επίπεδα (sub objects)της ιεραρχίας (κατάτμησης) είτε στο ίδιο επίπεδο (neighbor objects) της ιεραρχίας (κατάτμησης). Συνεπώς η θεμελιώδης διαφορά μεταξύ των χαρακτηριστικών σε σχέση με τα αντικείμενα και των χαρακτηριστικών σε σχέση με τη κατηγορία ταξινόμησης, έγκειται στο ότι τα πρώτα δεν εξαρτώνται και δεν προϋποθέτουν την ύπαρξη μιας ταξινόμησης των αντικειμένων Χαρακτηριστικά σε σχέση με τα αντικείμενα Τιμές επιπέδων (Layer values) Οι τιμές των επιπέδων προκύπτουν από την πρώτη και δεύτερη στατιστική στιγμή (μέσος όρος και τυπική απόκλιση) των τιμών των εικονοστοιχείων ενός αντικειμένου της εικόνας και τις συσχετίσεις του αντικειμένου με τις τιμές των εικονοστοιχείων άλλων αντικειμένων της εικόνας. Σχήμα (Shape) Τα χαρακτηριστικά σε σχέση με το σχήμα, περιγράφουν το σχήμα και τη μορφή ενός αντικειμένου με μια πλειάδα τρόπων. Τα βασικά χαρακτηριστικά αυτής της κατηγορίας υπολογίζονται βάση των εικονοστοιχείων που περιλαμβάνονται σε ένα αντικείμενο (π.χ. ένταση, πυκνότητα). Επίσης δυο άλλες υποκατηγορίες χαρακτηριστικών προκύπτουν όταν από τα αντικείμενα παράγονται τα αντίστοιχα πολύγωνα (polygons) και οι σκελετοί (skeletons). Επίσης περιλαμβάνονται χαρακτηριστικά σε σχέση με υπερκείμενα (π.χ. σχετική έκταση ενός αντικειμένου αναφορικά με το υπέρ αντικείμενό του) και υποκείμενα επίπεδα της ιεραρχίας. Υφή (Texture) Τα χαρακτηριστικά αυτής της ομάδας περιλαμβάνουν μέτρα υφής των Haralick κ.ά. (1973), μέτρα τιμών επιπέδου βάση υποκείμενων επιπέδων της ιεραρχίας (π.χ. τυπική απόκλιση των μέσων τιμών επιπέδων, υποκείμενων αντικειμένων) και μέτρα σχήματος βάση υποκείμενων επιπέδων ιεραρχίας (π.χ. μέση τιμή των εκτάσεων των υπό-αντικειμένων). Ιεραρχία (Hierarchy) Αυτά τα χαρακτηριστικά περιέχουν πληροφορία για τη θέση αντικειμένων εντός της υπάρχουσας ιεραρχίας (π.χ. αριθμός υπερκείμενων επιπέδων, αριθμός υπό-αντικειμένων). 111

134 Ιδιότητες θεματικών επιπέδων (Thematic attributes) Τα χαρακτηριστικά αυτής της ομάδας διαμορφώνονται κάθε φορά από τις ιδιότητες των θεματικών επιπέδων (αν υπάρχουν μέσα σε ένα συγκεκριμένο έργο) Χαρακτηριστικά σε σχέση με την κατηγορία ταξινόμησης Σχέσεις με γειτονικά αντικείμενα (Relations to neighbor objects) Περιγράφουν ένα αντικείμενο βάση των αμοιβαίων σχέσεων με άλλα αντικείμενα στο ίδιο επίπεδο ιεραρχίας, ταξινομημένα σε μια συγκεκριμένη τάξη (π.χ. ύπαρξη μιας συγκεκριμένης τάξης σε ορισμένη απόσταση από το αντικείμενο, κοινό όριο με συγκεκριμένη τάξη). Σχέσεις με υπό-αντικείμενα (Relations to sub objects) Περιγράφουν ένα αντικείμενο με βάση τις σχέσεις του με υποκείμενά του αντικείμενα, ταξινομημένα σε μια συγκεκριμένη τάξη. Σχέσεις με υπέρ-αντικείμενα (Relations to super objects) Περιγράφουν ένα αντικείμενο με βάση τις σχέσεις του με τα υπερκείμενά του αντικείμενα, ταξινομημένα σε μια συγκεκριμένη τάξη. Συμμετοχή (Membership to) Περιγράφουν το βαθμό συμμετοχής σε διάφορες κατηγορίες του συστήματος ταξινόμησης Ταξινομημένα ως (Classified as) Αποδίδει την τάξη στην οποία είναι ταξινομημένο ένα αντικείμενο. Πέρα από τα παραπάνω χαρακτηριστικά, διαθέσιμα είναι και ορισμένα άλλα τα οποία αναφέρονται στο σύνολο της σκηνής-εικόνας και τα οποία ονομάζονται global. Παραδείγματα τέτοιων χαρακτηριστικών είναι η συνολική έκταση μιας κατηγορίας ταξινόμησης, ο συνολικός αριθμός των αντικειμένων μιας σκηνής κ.λπ Λογιστική παλινδρόμηση Γενικά Η πολλαπλή λογιστική παλινδρόμηση (Hosmer και Lemeshow 1989) χρησιμοποιείται για την πρόβλεψη μιας δυαδικής (διχοτομημένης) μεταβλητής χρησιμοποιώντας ένα σύνολο ανεξάρτητων μεταβλητών, υπολογίζοντας την πιθανότητα εμφάνισης ενός γεγονότος. Η κύρια υπόθεση που γίνεται σε ένα μοντέλο λογιστικής παλινδρόμησης είναι η γραμμική σχέση μεταξύ του λογάριθμου του λόγου πιθανότητας εμφάνισης ενός ενδεχομένου p i, προς την πιθανότητα μη εμφάνισης του ενδεχόμενου αυτού (λόγος συμπληρωματικών πιθανοτήτων) και των ανεξάρτητων μεταβλητών (Afifi και Clark 199): 112

135 Ln p p 1 i i ( odds) = Ln = a + β x + β x βg xg Σε αντίθεση με άλλες πολλών μεταβλητών στατιστικές μεθόδους, δεν απαιτεί καμία παραδοχή για την κατανομή των μεταβλητών. Η λογιστική παλινδρόμηση μπορεί να φανεί χρήσιμη για την ταξινόμηση δορυφορικών δεδομένων, ιδιαίτερα όταν οι ανεξάρτητες μεταβλητές (φασματικοί δίαυλοι) δεν ακολουθούν την κανονική κατανομή. Η κυριότερη παράμετρος που πρέπει να ληφθεί υπόψη για την εφαρμογή της λογιστικής παλινδρόμησης είναι η διατύπωση της ταξινόμησης με δυαδικό-διχοτομικό τρόπο δηλαδή με προσέγγιση των κατηγοριών της ταξινόμησης ανά δύο κάθε φορά (Koutsias και Karteris 1998). Στο Σχήμα 8-8 παρουσιάζεται η καμπύλη του λογιστικού μοντέλου, από το οποίο παρατηρείται ότι οι τιμές που προκύπτουν κυμαίνονται ασυμπτωτικά από έως Σχήμα 8-8 Καμπύλη της λογιστικής σχέσης μεταξύ μιας εξαρτημένης και μιας ανεξάρτητης μεταβλητής Με όρους των πιθανοτήτων για κάθε μια από τις πιθανές εκδοχές του αποτελέσματος, η εξίσωση της λογιστικής παλινδρόμησης μπορεί να εκφραστεί ως εξής: m exp a + βg xg g = 1 p = i m 1+ exp a + βg xg g = 1 όπου ο παράγοντας α και οι συντελεστές β g για κάθε μια εκ των χ g μεταβλητών, υπολογίζονται συνήθως με τη μέθοδο της μέγιστης πιθανοφάνειας (maximum likelihood) Αξιολόγηση της προσαρμογής του υποδείγματος Υπάρχουν πολλοί τρόποι για την αξιολόγηση των υποδειγμάτων της λογιστικής παλινδρόμησης. Μεταξύ αυτών είναι οι παρακάτω: 113

136 Οι πίνακες ταξινόμησης των αποτελεσμάτων Μέτρο της εκτίμησης της καλής προσαρμογής για τα δεδομένα συγκεκριμένου υποδείγματος στη λογιστική παλινδρόμηση, είναι η εκτίμηση του βαθμού ορθής ταξινόμησης, δηλαδή το ποσοστό των ορθά ταξινομημένων παρατηρήσεων, με τη σύγκριση του αριθμού των προβλεπόμενων ως προς τις εμπειρικές (πραγματικές) παρατηρήσεις στις ομάδες της εξαρτημένης μεταβλητής. Ιδιαίτερη σημασία πρέπει να δίνεται όχι μόνο στη συνολική ακρίβεια αλλά και στις επιμέρους ακρίβειες των δύο κατηγοριών (Κούτσιας 21). Ιστόγραμμα εκτιμώμενων πιθανοτήτων Στο βαθμό που στο ιστόγραμμα των εκτιμώμενων πιθανοτήτων διακρίνονται με μεγαλύτερη ευκρίνεια οι δυο ομάδες παρατηρήσεων, δηλαδή οι παρατηρήσεις ως προς το γεγονός που συνέβη βρίσκονται στο αριστερό τμήμα του,5 και ως προς το γεγονός που δεν συνέβη βρίσκονται στο δεξιό του,5, τότε το λογιστικό μοντέλο προβλέπει σωστά την εξαρτημένη μεταβλητή (Σιάρδος 2). Διάφορα στατιστικά μέτρα Πέραν των προαναφερθέντων τρόπων, υπάρχουν διάφορα στατιστικά μέτρα για την αξιολόγηση της καλής προσαρμογής του υποδείγματος. Το διπλάσιο του λογαρίθμου της πιθανοφάνειας (-2LL) είναι ένα από αυτά, η μικρή τιμή του οποίου συνηγορεί υπέρ της αξιοπιστίας του μοντέλου. Επίσης μπορεί να αξιολογηθεί το στατιστικό μέτρο των Hosmer και Lemeshow, από το οποίο μπορεί να εκτιμηθεί η αντιστοιχία μεταξύ των προβλεπόμενων και των πραγματικών τιμών των εξαρτημένων μεταβλητών. Σ αυτή τη περίπτωση καλύτερη προσαρμογή υποδεικνύεται από μικρότερη διαφορά μεταξύ της παρατηρούμενης και προβλεπόμενης ταξινόμησης. Μια καλή προσαρμογή υποδεικνύεται από μια μη σημαντική τιμή χ 2 (Hair κ.ά. 1998). Τέλος τα στατιστικά μέτρα των Cox και Snell και του Nagelkerke, είναι παρόμοια με το συντελεστή πολλαπλού προσδιορισμού R 2 της πολλαπλής παλινδρόμησης και έχουν τιμές έως 1 (ασυμπτωτικά) και έως 1 αντίστοιχα. Μεγάλες τιμές υποδεικνύουν αναλογικά και μεγαλύτερη αξιοπιστία του μοντέλου. 8.3 Αποτελέσματα Όπως αναφέρθηκε και στην εισαγωγή η εύρεση του κατάλληλου επιπέδου κατάτμησης στο ecognition είναι μια διαδικασία υποκειμενική η οποία στηρίζεται σε διαδοχικές δοκιμές μεταβάλλοντας το συντελεστή κλίμακας, τους διαύλους οι οποίοι λαμβάνονται υπόψη, τα βάρη καθενός εξ αυτών και τα κριτήρια της χωρικής και φασματικής ετερογένειας. Ωστόσο όπως διαπιστώθηκε στην πορεία της ανάλυσης το λογισμικό ecognition εμπεριέχει ένα σημαντικό σφάλμα στην επεξεργασία δεκαδικών αριθμών κατά την κατάτμηση αναγνωρίζοντας μόνο τα 2 πρώτα δεκαδικά ψηφία. Όπως περιγράφεται στην παράγραφο , στα πλαίσια της ραδιομετρικής διόρθωσης της εικόνας Quickbird, οι αρχικές ψηφιακές τιμές είχαν μετατραπεί σε τιμές ανάκλασης, λαμβάνοντας δεκαδικές τιμές από έως 1, με συνέπεια ακόμα και το τρίτο ή τέταρτο 114

137 ψηφίο μετά την υποδιαστολή να έχει ιδιαίτερη σημασία. Η συνέπεια αυτού του σφάλματος όπως παρατηρείται και στην Εικόνα 8-2 ήταν ιδιαίτερα καθοριστική στα αποτελέσματα της κατάτμησης. Συγκεκριμένα και στις δύο εικόνες χρησιμοποιήθηκε ο ίδιος συντελεστής κλίμακας (1) καθώς και οι τέσσερις δίαυλοι της δορυφορικής εικόνας για την κατάτμηση. Ωστόσο το μέγεθος των πολυγώνων και αντίστοιχα ο αριθμός τους είναι σημαντικά διαφοροποιημένα στις δύο περιπτώσεις. Καθότι δεν ήταν άμεσα εφικτή η λύση του συγκεκριμένου προβλήματος, χρησιμοποιήθηκε στη συνέχεια της διατριβής η αρχική δορυφορική εικόνα (χωρίς τη μετατροπή σε τιμές ανάκλασης), ενώ και για όλα τα επίπεδα επιπλέον πληροφορίας που χρησιμοποιήθηκαν στη συνέχεια υιοθετήθηκαν τύποι δεδομένων διαφορετικοί από αυτόν της κινητής υποδιαστολής (μη-προσημασμένος ακέραιος δεκαέξι και οκτώ δυαδικών ψηφίων). Εικόνα 8.2α 115

138 Εικόνα 8.2β Εικόνα 8-2 Επίδραση στη κατάτμηση της εικόνας του σφάλματος στη διαχείριση δεκαδικών αριθμών. Στις δύο εικόνες έχουν χρησιμοποιηθεί οι ίδιο παράμετροι κατάτμησης. Στην Εικόνα 8.2α όπου χρησιμοποιείται η δορυφορικά εικόνα με τιμές ανάκλασης τα τμήματα που έχουν δημιουργηθεί είναι πολύ μεγαλύτερα, από τα τμήματα που προέκυψαν από τη χρήση των ψηφιακών τιμών (Εικόνα 8.2β) Ταξινόμηση της αρχικής εικόνας με τη χρήση του αλγόριθμου πλησιέστερου γειτονικού σημείου Πριν την κατάτμηση της εικόνας και την ταξινόμηση της με το λογισμικό ecognition, έπρεπε να καθοριστούν τα επίπεδα της ιεραρχίας που θα δημιουργηθούν. Όπως διαπιστώθηκε και στο 6 ο κεφάλαιο, ο εντοπισμός και η διάκριση μεμονωμένων δένδρων με τα διαθέσιμα δεδομένα, δεν ήταν εφικτή. Άρα λοιπόν αρχικά θα έπρεπε να δημιουργηθεί ένα επίπεδο, στο οποίο θα απεικονιζόταν μικρές χωροψηφίδες του τοπίου (μεμονωμένα μεγάλα δένδρα, ομάδες δένδρων, κομμάτια χαμηλής βλάστησης κ.λπ.). Η δημιουργία ενός δεύτερου επιπέδου της ιεραρχίας ωστόσο δεν κρίθηκε σκόπιμη καθώς η σκηνή δεν περιελάμβανε κατηγορίες κάλυψης γης και διαδικασίες οι οποίες θα λειτουργούσαν πιθανότατα σε άλλη κλίμακα. Παραδείγματα τέτοιων φαινομένων σε ένα τοπίο αποτυπωμένο στη σκηνή μιας εικόνας, θα ήταν για παράδειγμα η ύπαρξη μιας μεγάλης σε έκταση υδάτινης μάζας, αστικών περιοχών ή εκτεταμένων αγρών, οπότε θα χρειαζόταν πιθανότατα η δημιουργία ενός επιπέδου κατάτμησης και ταξινόμησης για το διαχωρισμό των εκτάσεων με φυσική βλάστηση (δασών και δασικών εκτάσεων), από τους αγρούς, την αστική γη ή τις περιοχές με νερό. Συνεπώς η διαδικασία ταξινόμησης που ακολουθήθηκε εφ εξής θα ήταν ορθότερο να χαρακτηριστεί ως αντικειμενοστραφής (object-oriented) και όχι ως αντικειμενοστραφής πολλαπλής κλίμακας (multi-scale object oriented). 116

139 α.πρώτη κατάτμηση με παράγοντα κλίμακας 3, κριτήριο φασματικής ετερογένειας ίσο με 1 και χωρικής ίση με. β.δεύτερη κατάτμηση με παράγοντα κλίμακας 7, κριτήριο φασματικής ετερογένειας 1 και χωρικής ίσο με. γ.τρίτη κατάτμηση με παράγοντα κλίμακας 15, κριτήριο φασματικής ετερογένειας ίσο με 1 και χωρικής ίση με. δ.τέταρτη κατάτμηση με παράγοντα κλίμακας 25, κριτήριο φασματικής ετερογένειας 1 και χωρικής ίσο με. Παγχρωματική εικόνα Εικόνα 8-3 Διαφοροποίηση του αποτελέσματος της κατάτμησης, ανάλογα με την τροποποίηση του παράγοντα κλίμακας. Η αύξηση του συγκεκριμένου παράγοντα, έχει σαν συνέπεια και την αύξηση του μεγέθους των τμημάτων. 117

140 Μετά από εμπειρικές δοκιμές (Εικόνα 8-3), χρησιμοποιήθηκαν για την κατάτμηση οι δίαυλοι της απόχρωσης, του κορεσμού καθώς και ο κόκκινος δίαυλος της αρχικής εικόνας. Στους διαύλους αυτούς δόθηκε ο ίδιος συντελεστής βάρους (μονάδα), η παράμετρος της κλίμακας ορίστηκε στην τιμή 7 ενώ δεν χρησιμοποιήθηκε ως κριτήριο κατάτμησης η χωρική ετερογένεια. Το κριτήριο της χωρικής ετερογένειας θα πρέπει να λαμβάνεται υπόψη σε περιπτώσεις όπου το σχήμα των αντικειμένων που θα θέλαμε να δημιουργηθούν αποτελεί καθοριστικό παράγοντα για τη σκιαγράφηση τους, όπως για παράδειγμα ο εντοπισμός μεμονωμένων δένδρων με χαρακτηριστική κόμη, στέγες σπιτιών, δρόμοι κ.λπ.. Όπως παρατηρείται και στην Εικόνα 8-3 (περίπτωση Α) σε κατάτμηση με μικρότερο παράγοντα κλίμακας δημιουργούνται υπερβολικά περισσότερα τμήματα (segments), αποτελούμενα πολλές φορές από 1-2 εικονοστοιχεία. Αντίθετα στην περίπτωση Γ και πολύ περισσότερο στην περίπτωση Δ, η χρησιμοποίηση μεγάλου παράγοντα κλίμακας έχει ως συνέπεια εκτάσεις χωρίς κάλυψη από βλάστηση, να συμπεριλαμβάνονται στα ίδια τμήματα με μεμονωμένα δένδρα. Η θετική συνεισφορά των διαύλων της απόχρωσης και του κορεσμού στα αποτελέσματα της κατάτμησης, μπορεί να αποδοθεί στο γεγονός ότι στους συγκεκριμένους διαύλους απομονώνεται κατά το μετασχηματισμό IHS η φασματική πληροφορία της εικόνας RGB (ενώ ο δίαυλος της έντασης σχετίζεται με τη χωρική πληροφορία -το πρότυπο- της εικόνας) ενώ επιπλέον ο δίαυλος της απόχρωσης δεν επηρεάζεται από την ύπαρξη σκιών (Koutsias κ.ά. 2). Και βέβαια όπως προαναφέρθηκε στην κατάτμηση του πρώτου επιπέδου της ιεραρχίας πρωταρχικό ρόλο έχει η φασματική ετερογένεια της σκηνής. Επίσης θα πρέπει να αναφερθεί πως εκτός από τους οκτώ διαύλους που προαναφέρθηκαν, δοκιμάστηκε και η χρηστικότητα και άλλων Σχήμα 8-9 Αξιολόγηση της διακριτότητας των τιμών των δειγμάτων για τις δύο κατηγορίες συνθετικών και μη καναλιών όπως η χρήση της ταξινόμησης παγχρωματικής εικόνας, η διακύμανση του υπέρυθρου και κόκκινου δίαυλου της εικόνας Quickbird χωρίς ιδιαίτερα καλά αποτελέσματα. Μετά την κατάτμηση της εικόνας, επόμενο βήμα ήταν η επιλογή αντιπροσωπευτικών δειγμάτων και ο ορισμός της μεθόδου ταξινόμησης, ο οποίος όπως προαναφέρθηκε στην παράγραφο , μπορούσε να πραγματοποιηθεί χρησιμοποιώντας είτε συναρτήσεις συμμετοχής είτε τον αλγόριθμο του πλησιέστερου 118

141 γειτονικού σημείου. Επιλέχθηκαν τα δείγματα για τις δύο κατηγορίες ενδιαφέροντος (δάσος-δασική έκταση), σύμφωνα με τα κριτήρια του Νόμου 328/23 (Σχήμα 8-1), βάση της δειγματοληψίας εδάφους και φωτοερμηνείας από την παγχρωματική και τη συγχωνευμένη εικόνα. Δένδρα χαρακτηριζόταν τα τμήματα εκείνα τα οποία καλυπτόταν εξ ολοκλήρου από δένδρα, ενώ μη-δένδρα όπου υπήρχαν θάμνοι, γυμνή γη, ή χαμηλή βλάστηση (συνήθως φτέρη, ρείκι). Καθώς οι κατηγορίες ταξινόμησης ήταν μόνο δύο, έγινε προσπάθεια αρχικά να χρησιμοποιηθεί η μέθοδος των συναρτήσεων συμμετοχής. Από την αξιολόγηση ωστόσο των χαρακτηριστικών των αντικειμένων, δεν στάθηκε δυνατό να αναπτυχθούν συναρτήσεις συμμετοχής βάση ενός ή δύο χαρακτηριστικών ικανές να επιφέρουν ένα ικανοποιητικό αποτέλεσμα ταξινόμησης. Αυτό οφείλεται σε μεγάλο βαθμό, στην επικάλυψη που υπήρχε για τα περισσότερα χαρακτηριστικά μεταξύ των τάξεων. Όπως φαίνεται και στο Σχήμα 8-9, όπου γίνεται σύγκριση των τιμών των τμημάτων τα οποία είχαν επιλεγεί στην κατηγορία δένδρα (μαύρο χρώμα) και των τμημάτων που είχαν επιλεγεί στην κατηγορία μη-δένδρα (μπλε χρώμα), υπάρχει σημαντική επικάλυψη. Η μόνη λύση για την αντιμετώπιση αυτών των επικαλύψεων είναι η αύξηση των διαστάσεων του χώρου ταξινόμησης, η χρησιμοποίηση δηλαδή περισσότερων χαρακτηριστικών για την ταξινόμηση των αντικειμένων, η δε διαχείριση των επικαλύψεων στο πολυδιάστατο χώρο γίνεται πολύ καλύτερα με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου (ecognition 24). Για την επιλογή των βέλτιστων χαρακτηριστικών των τμημάτων πραγματοποιήθηκε η διαδικασία βελτιστοποίησης του χώρου ταξινόμησης, χρησιμοποιώντας ως δεδομένα εισόδου τα χαρακτηριστικά για όλους τους διαύλους της μέσης τιμής (mean value), της τυπικής απόκλισης (stdev), του λόγου τιμών (ratio) και το χαρακτηριστικό της ομοιογένειας του Haralick (GLCM homogeneity) υπολογισμένο σε όλες τις κατευθύνσεις. Σχήμα 8-1 Επιλογή των βέλτιστων διαύλων για τη ταξινόμηση 119

142 Σχήμα 8-11 Έλεγχος της συσχέτισης (για τα αντικείμενα-δείγματα των δύο τάξεων) του χαρακτηριστικού της μέσης τιμής στο μπλε δίαυλο, με το χαρακτηριστικό της μέσης τιμής στον κόκκινο δίαυλο. Η συσχέτιση κυμαίνεται στο.97, καθιστώντας προβληματική την ταυτόχρονη χρησιμοποίηση τους. Από τη διαδικασία αυτή προέκυψε ως βέλτιστος συνδυασμός η χρησιμοποίηση των μέσων τιμών των τριών πρώτων διαύλων της αρχικής εικόνας και του δίαυλου της απόχρωσης (Σχήμα 8-1). Τα χαρακτηριστικά αυτά ελέχθησαν για την ύπαρξη συσχέτισης μεταξύ τους, έτσι ώστε η ταξινόμηση να γίνει σε ένα χώρο με τις λιγότερες δυνατόν συσχετίσεις. Τελικά για την ταξινόμηση επιλέχθηκαν να χρησιμοποιηθούν ο κόκκινος δίαυλος της αρχικής εικόνας και ο δίαυλος της απόχρωσης, καθότι οι τρείς δίαυλοι του ορατού μέρους του φάσματος ήταν υψηλά συσχετισμένοι μεταξύ τους (Σχήμα 8.11). Να σημειωθεί πως στην πορεία της διαδικασίας επιχειρήθηκε μια ταξινόμηση με πρόσθετες κατηγορίες, δηλαδή την επιμέρους διάκριση των δασικών εκτάσεων σε θαμνώνες, γυμνή γη και εκτάσεις καλυπτόμενες από χαμηλή βλάστηση. Ωστόσο η αύξηση των κατηγοριών ταξινόμησης υποβάθμισε το αποτέλεσμα της ταξινόμησης. Το επόμενο βήμα, ήταν η δημιουργία ενός νέου επιπέδου ιεραρχίας, μέσω μιας διαδικασίας κατάτμησης βάση της ταξινόμησης (classification based segmentation). Στη διαδικασία αυτή τμήματα που έχουν τοποθετηθεί σε κατηγορίες ταξινόμησης που ανήκουν στην ίδια δομική ομάδα (structure group), ενώνoνται σε καινούργιες κατηγορίες, σχηματίζοντας ενιαία τμήματα (Σχήμα 8-12). Στη συγκεκριμένη κατάτμηση δημιουργήθηκαν δύο δομικές ομάδες, οι οποίες αντιστοιχούσαν στις κατηγορίες της κληρονομικής ιεραρχίας. 12

143 ΚΑΤΑΤΜΗΣΗ ΒΑΣΗ ΤΑΞΙΝΟΜΗΣΗΣ Τάξεις της δομικής ομάδας 1 Τάξεις της δομικής ομάδας 2 Σχήμα 8-12 Διαγραμματική απεικόνιση της έννοιας της κατάτμησης βάση ταξινόμησης Στη συνέχεια το δεύτερο υπερκείμενο επίπεδο τμημάτων που προέκυψε, ταξινομήθηκε αναπτύσσοντας μια βάση ασαφών κανόνων, με χαρακτηριστικά βάση της τοποθέτησης σε κατηγορίες ταξινόμησης (class-related) των τμημάτων του κατώτερου επιπέδου (sub-objects) και τμημάτων του ίδιου επιπέδου (neighbor objects). Στην Εικόνα 8-4 παρουσιάζεται το αποτέλεσμα της ταξινόμησης για μια περιοχή η οποία αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνα 8-1, καθώς και οι κατηγορίες ταξινόμησης του δευτέρου επιπέδου. Αναλυτικά τώρα η βάση των κανόνων της ταξινόμησης είχε ως εξής: 121

144 Εικόνα 8-4 Αρχική εικόνα (αριστερά) και ταξινόμηση του δεύτερου επιπέδου. Η περιοχή αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνα 8-1. Δεξιά: Κατηγορίες ταξινόμησης του δευτέρου επιπέδου Η κατηγορία δάσος ( ) δημιουργήθηκε για τα αντικείμενα τα οποία πληρούσαν τα κριτήρια σύμφωνα με το νομοθέτη ώστε να χαρακτηριστούν ως δάσος από πλευράς κάλυψης και έκτασης. Περιελάμβανε δηλαδή αντικείμενα τα οποία είχαν τις εξής προϋποθέσεις: έκταση μεγαλύτερη από τρία στρέμματα, (ασαφή συνάρτηση με ελάχιστο τα δύο και μέγιστο τα τέσσερα στρέμματα ως, όρια -1) ύπαρξη (existence) εμφωλευμένων τμημάτων της κατηγορίας δένδρα του υπό-επιπέδου. Η κατηγορία δάσος εντός δασικών εκτάσεων ( ), δημιουργήθηκε για τα αντικείμενα τα οποία ναι μεν είχαν κάλυψη από δένδρα αλλά η έκταση τους ήταν μικρότερη της προβλεπόμενης ενώ επιπλέον δεν ήταν γειτονικά (με άμεση επαφή) με άλλα αντικείμενα τα οποία ταξινομούνται ως δάσος. Περιελάμβανε δηλαδή τα αντικείμενα εκείνα τα οποία: είχαν έκταση μικρότερη από τρία στρέμματα (ασαφή συνάρτηση με τα ίδια όρια με την κατηγορία δάσος) περιελάμβαναν υπό-αντικείμενα της κατηγορίας δένδρα το σχετικό όριο (relative border to) με την κατηγορία δάσος, ήταν μικρότερο- ίσο από,1. 122

145 Η παραπάνω κατηγορία δάσος εντός δασικών εκτάσεων, είχε δύο θυγατρικές κατηγορίες στις οποίες μεταβίβαζε τις παραπάνω ιδιότητες. Α. Την κατηγορία δάσος εντός δασικών εκτάσεων, παραμένον δάσος( ), στην οποία ανήκουν αντικείμενα αξιόλογου μεγέθους και τα οποία βρίσκονται σε αλληλεπίδραση και αλληλεξάρτηση με κοντινά αντικείμενα της κατηγορίας δάσος. Περιελάμβανε τα αντικείμενα των οποίων: η έκταση ήταν μεγαλύτερη από 1 στρέμμα σε απόσταση είκοσι μέτρων, υπήρχαν αντικείμενα ταξινομημένα ως δάσος Β. Την κατηγορία δάσος εντός δασικών εκτάσεων, δασική έκταση ( ), τα αντικείμενα της οποίας είχαν αξιόλογο μέγεθος αλλά δεν είχαν γειτνίαση και αλληλεξάρτηση με αντικείμενα δάσος (Σχήμα 8-13). δεν είχαν ομοιότητα με τα αντικείμενα της κατηγορίας δάσος εντός δασικών εκτάσεων, παραμένων δάσος. Σχήμα 8-13 Κανόνες που χρησιμοποιήθηκαν για τη διάκριση των δασικών εκτάσεων εντός τμημάτων δάσους, οι οποίες παρέμειναν δασικές εκτάσεις Η κατηγορία δασική έκταση εντός του δάσους ( ), περιελάμβανε αντικείμενα τα οποία δεν είχαν κάλυψη από δένδρα, περικλειόταν από αντικείμενα της κατηγορίας δάσος, δεν είχαν ιδιαίτερα μεγάλη έκταση και είχαν μικρό πλάτος. Αφορούσε δηλαδή μικρά σχετικά διάκενα εντός του δάσους, που θα μπορούσαν να θεωρηθούν και αυτά δάσος. Τα αντικείμενα της κατηγορίας αυτής είχαν δηλαδή της εξής ιδιότητες: είχαν έκταση μικρότερη από ενάμιση στρέμμα 123

146 είχαν λόγο μήκους προς πλάτος μικρότερο από 3. περιελάμβαναν υπο-αντικείμενα της κατηγορίας μη-δένδρα. το σχετικό όριο με τα αντικείμενα δάσος ήταν μεγαλύτερο ίσο του,8. Η κατηγορία δάσος εντός δασικής έκτασης που περικλείεται από δάσος( ), δημιουργήθηκε για τα μεμονωμένα δένδρα που βρισκόταν εντός διάκενων στο δάσος, και τα οποία διάκενα είχαν τις προϋποθέσεις της κατηγορίας δασική έκταση εντός του δάσους. Περιελάμβανε τα αντικείμενα τα οποία: Το σχετικό όριο τους με την κατηγορία δασική έκταση εντός του δάσους, ήταν ίσο με 1. Τέλος η κατηγορία δασική έκταση ( ),δημιουργήθηκε για τα αντικείμενα τα οποία είχαν μεγάλη έκταση και δεν είχαν δένδρα εντός τους. Περιελάμβανε συνεπώς αντικείμενα τα οποία: δεν είχαν ομοιότητα με την κατηγορία δασική έκταση εντός δάσους περιελάμβαναν υπό-αντικείμενα της κατηγορίας μη-δένδρα Συνεπώς πλην των κατηγοριών δασική έκταση και δάσος εντός δασικών εκτάσεων, δασική έκταση, όλες οι υπόλοιπες κατηγορίες τοποθετήθηκαν στην κατηγορία δάσος Ταξινόμηση της αρχικής εικόνας με τη χρήση ενός μοντέλου λογιστικής παλινδρόμησης Για την ανάπτυξη των μοντέλων της λογιστικής παλινδρόμησης επιλέχθηκαν δειγματοληπτικά τμήματα από το πρώτο επίπεδο κατάτμησης για τις κατηγορίες δένδρα και μη-δένδρα. Για την επιλογή των τμημάτων αυτών δόθηκε ιδιαίτερη σημασία στις παρακάτω παραμέτρους (Koutsias και Karteris 1998): 1. Το μέγεθος του δείγματος και στις δυο παρατηρήσεις θα πρέπει να είναι παρόμοιο, έτσι ώστε να αποφευχθούν προβλήματα που οφείλονται σε μεροληπτική δειγματοληψία. 2. Και για τις δυο κατηγορίες ταξινόμησης θα πρέπει να διασφαλιστεί ένα ικανοποιητικό σε απόλυτο μέγεθος δείγμα. 3. Οι δειγματοληπτικές περιοχές θα πρέπει να καλύπτουν πλήρως την ποικιλομορφία που συναντάται στη σκηνή τόσο για την κατηγορία δένδρα όσο και για την κατηγορία μη-δένδρα. Πίνακας 8-1 Στατιστικά μέτρα αξιολόγησης του υποδείγματος της λογιστικής παλινδρόμησης Στατιστικό μέτρο Τιμή Σημαντ. Hosmer και Lemeshow s Chi-square LL Cox & Snell R Square,672 Nagelkerke R Square,

147 Επιλέχτηκαν 218 δείγματα για την κατηγορία δένδρα η οποία κωδικοποιήθηκε με την τιμή 1 και 245 δείγματα για την κατηγορία μη-δένδρα η οποία κωδικοποιήθηκε με την τιμή. Για την πρόβλεψη της εξαρτημένης μεταβλητής χρησιμοποιήθηκαν οι ίδιες επεξηγηματικές μεταβλητές που χρησιμοποιήθηκαν για την ταξινόμηση με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου. Για την επιλογή του καλύτερου μοντέλου χρησιμοποιήθηκε η μέθοδος της προοδευτικής κατά στάδια επιλογής μεταβλητών, με τη χρησιμοποίηση του κριτηρίου απομάκρυνσης του Wald (Koutsias και Karteris 1998). Οι μεταβλητές βάση των οποίων σχηματίστηκε το καλύτερο μοντέλο ήταν η μέση τιμή των διαύλων του ορατού τμήματος του φάσματος της αρχικής εικόνας, η μέση τιμή του διαύλου του κορεσμού και ο λόγος (ratio) του υπέρυθρου διαύλου της εικόνας Quickbird (λόγος της μέσης τιμής του αντικειμένου στο δίαυλο αυτό, προς το άθροισμα των μέσων τιμών για όλους τους διαύλους της εικόνας). Γενικά όπως παρατηρείται και στον Πίνακα 8-1 τα στατιστικά μέτρα προσαρμογής του υποδείγματος ήταν πολύ καλά. Η τιμή του στατιστικού μέτρου των Hosmer και Lemeshow s, έδειξε ότι δεν υπάρχει στατιστικά σημαντική διαφορά ανάμεσα στις προβλεπόμενες και παρατηρούμενες τιμές, ενώ και η τιμή του στατιστικού του Nagelkerke, είναι δηλωτική της καλής προσαρμογής του υποδείγματος. Επιπλέον και ο Πίνακας 8-2 των αποτελεσμάτων της ταξινόμησης, ενισχύει την ακρίβεια του μοντέλου εφόσον η συνολική ακρίβεια του μοντέλου προσεγγίζει το 95,5%, με εξ ίσου καλές επιμέρους ακρίβειες. Πίνακας 8-2 Αποτελέσματα ταξινόμησης των παρατηρήσεων εκπαίδευσης του λογιστικού μοντέλου Προβλεπόμενες τιμές Παρατηρούμενες τιμές Μη-δένδρα Δένδρα Ποσοστό ακριβείας Μη-δένδρα % Δένδρα % Συνολικό ποσοστό 95.5% Βάση του μοντέλου της λογιστικής παλινδρόμησης, υπολογίστηκε η εικόνα με τις εκτιμούμενες πιθανότητες (Εικόνα 8-5). Στη συνέχεια οι πιθανότητες αυτές μετατράπηκαν σε διχοτομικές τιμές -1 (δένδρα/μη-δένδρα) με τη χρήση ενός κρίσιμου ορίου. Όποιες ψηφίδες βρίσκονταν κάτω του κρίσιμου ορίου ταξινομήθηκαν ως μη-δένδρα ενώ όσες βρίσκονται πάνω από το κρίσιμο όριο ταξινομήθηκαν ως δένδρα. Για κάθε πιθανό κρίσιμο όριο υπολογίστηκαν δύο στατιστικά μέτρα: η ευαισθησία (sensitivity) και η ιδιαιτερότητα (specificity). Η ευαισθησία είναι η αναλογία των πραγματικά θετικών που προβλέφθηκαν ως δένδρα και ιδιαιτερότητα είναι η αναλογία των πραγματικών αρνητικών που προβλέφθηκαν ως μη-δένδρα. Το ιδανικό κρίσιμο όριο εντοπίζεται στην τιμή του οριζόντιου άξονα, που αντιστοιχεί στο σημείο τομής των δύο γραμμών παρατηρείται (Σχήμα 8-14) προσδιορίστηκε σε,6. και όπως 125

148 Εικόνα 8-5 Εκτιμούμενες πιθανότητες βάση του λογιστικού μοντέλου για την ύπαρξη δάσους ή δασικής έκτασης. Οι περιοχές με ανοιχτότερους τόνους απεικονίζουν τμήματα με μεγαλύτερη πιθανότητα να υπάρχει δάσος. Η εικόνα αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνας 8.1 Η εικόνα που προέκυψε, χρησιμοποιήθηκε για τη δημιουργία του δεύτερου επιπέδου της ιεραρχίας, μέσω της διαδικασίας κατάτμησης βάση της ταξινόμησης, ενώ τα επόμενα βήματα που ακολουθήθηκαν αναφορικά με τη δημιουργία των τάξεων του δεύτερου επιπέδου, της βάσης των ασαφών κανόνων και της ταξινόμησης, ήταν παρόμοια με την προηγούμενο παράγραφο sensitivity specificity ,1,1,2,3,4,5,6,7,8,9,99 Σχήμα 8-14 Καθορισμός κρίσιμου ορίου για τη μετατροπή της εικόνας των πιθανοτήτων σε τιμές εικόνας με δυαδικές τιμές και 1 126

149 8.3.3 Ταξινόμηση της συγχωνευμένης εικόνας με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου Η δημιουργία του πρώτου επιπέδου κατάτμησης της συγχωνευμένης εικόνας, πραγματοποιήθηκε με χρήση του τρίτου και τέταρτου διαύλου της βελτιωμένης εικόνας, με παράμετρο της κλίμακας ίσο με 4 και με βάρος μόνο στο κριτήριο της φασματικής ετερογένειας. Φυσικά και σ αυτή την περίπτωση ο καθορισμός των διαύλων και των παραμέτρων κατάτμησης προέκυψε μέσω μιας εμπειρικής διαδικασίας δοκιμής διαφόρων πιθανών συνδυασμών. Να σημειωθεί πως για τη βελτιωμένη ως προς τη χωρική ανάλυση εικόνα, δεν πραγματοποιήθηκαν μετασχηματισμοί (IHS) και δημιουργία συνθετικών δίαυλων (NDVI) λόγω του ότι ήδη υποστεί κάποιες αλλαγές στις ραδιομετρικές τιμές της, κατά τη δημιουργία της. Γενικά όπως παρατηρείται στην Εικόνα 8-6, τα τμήματα που δημιουργήθηκαν στη βελτιωμένη εικόνα είχαν συνολικότερα μια πιο απαλή εμφάνιση των ορίων τους, συνέπεια φυσικά της καλύτερης χωρικής ανάλυσης. Για την ταξινόμηση του πρώτου επιπέδου κατάτμησης χρησιμοποιήθηκε ο αλγόριθμος του πλησιέστερου γειτονικού σημείου και η όλη μεθοδολογία δημιουργίας των τάξεων, επιλογής των χαρακτηριστικών είναι παρεμφερής με τη μεθοδολογία που ακολουθήθηκε στη παράγραφο α. β. Εικόνα 8-6 Κατάτμηση της αρχικής εικόνας (α) με μέγεθος εικονοστοιχείου 2,4 μέτρα και της βελτιωμένης (β) με μέγεθος εικονοστοιχείου,6 μέτρα. Στη δεύτερη περίπτωση το αποτέλεσμα οπτικά είναι μια πιο απαλή εμφάνιση των άκρων των τμημάτων Για την επιλογή των βέλτιστων χαρακτηριστικών των τμημάτων πραγματοποιήθηκε η διαδικασία βελτιστοποίησης του χώρου ταξινόμησης, χρησιμοποιώντας ως δεδομένα εισόδου το χαρακτηριστικό της μέσης τιμής και της ομοιογένειας του Haralick για όλους του διαύλους της βελτιωμένης εικόνας, τα 127

150 χαρακτηριστικά για όλους τους διαύλους της αρχικής εικόνας, της μέσης τιμής, της τυπικής απόκλισης, του λόγου και το χαρακτηριστικό της ομοιογένειας του Haralick. Τα χαρακτηριστικά που επιλέχθηκαν για την ταξινόμηση της εικόνας μέσω της διαδικασίας βελτιστοποίησης του χώρου ταξινόμησης, ήταν οι μέσες τιμές των τριών πρώτων διαύλων της αρχικής εικόνας και του δίαυλου της απόχρωσης. Τα χαρακτηριστικά αυτά είναι παρόμοια με αυτά που προέκυψαν από την αντίστοιχη διαδικασία για την αρχική εικόνα. Αυτό δεν σημαίνει αναγκαστικά πως οι δίαυλοι της αρχικής εικόνας είναι καλύτεροι για τους σκοπούς της ταξινόμησης από αυτούς της βελτιωμένης. Πρέπει να ληφθεί υπόψη πως οι δίαυλο αυτοί είναι πολύ υψηλά συσχετισμένοι μεταξύ τους, και ως εκ τούτου η διαδικασία βελτιστοποίησης του χώρου (η θεωρητική βάση της οποίας δεν αναφέρεται στο εγχειρίδιο του λογισμικού) να επηρεάζεται από φαινόμενα πολυσυγγραμικότητας. Μια παρατήρηση που πρέπει να γίνει, αν και σχετίζεται έμμεσα με την όλη διαδικασία, είναι αυτή της πολύ μεγάλης χρονικής διάρκειας που απαιτήθηκε για την παραπάνω διαδικασία βελτιστοποίησης. Για τον υπολογισμό του άριστου χώρου ταξινόμησης στη βελτιωμένη εικόνα απαιτήθηκαν από το λογισμικό είκοσι δύο λεπτά τη στιγμή που στην αρχική εικόνα ο χρόνος για το αντίστοιχο έργο ήταν ο μισός, δηλαδή έντεκα λεπτά. Αντίστοιχα μεγάλη ήταν και η διαφοροποίηση του χρόνου κατάτμησης του πρώτου επιπέδου στις δύο εικόνες όπου στη βελτιωμένη ήταν τρία λεπτά, τη στιγμή που στην αρχική ήταν περίπου τριάντα δευτερόλεπτα. Και βέβαια μπορεί αυτοί οι χρόνοι εκ πρώτης όψεως να μην δείχνουν μεγάλοι, ωστόσο όπως αναφέρθηκε οι διαδικασίες επαναλαμβάνονται πολλές φορές μέχρι τον εμπειρικό καθορισμό του καλύτερου αποτελέσματος. Μετά την ταξινόμηση του πρώτου επιπέδου ακολούθησε η δημιουργία του δεύτερου επίπεδου και η ταξινόμηση του σύμφωνα με την ροή διαδικασιών που αναφέρθηκε στην παράγραφο Αξιολόγηση των αποτελεσμάτων Για την εκτίμηση της ακρίβειας των ταξινομήσεων χρησιμοποιήθηκαν ως πηγή για τη λήψη σημείων αναφοράς, τα όρια των κατηγοριών ταξινόμησης (δάσος-δασική έκταση) όπως αυτά προέκυψαν από τη φωτοερμηνεία των δορυφορικών εικόνων και επισκέψεις πεδίου από δύο έμπειρους φωτοερμηνευτές. Στα πλαίσια της αξιολόγησης των τριών διαφορετικών προσεγγίσεων χρησιμοποιήθηκαν 6 τυχαία επιλεγμένα σημεία για κάθε μια από τις έξι περιπτώσεις (έξι περιπτώσεις: τρεις ταξινομήσεις x δύο πηγές σημείων αναφοράς). Ο έλεγχος ακρίβειας ταξινόμησης έγινε με τη κατασκευή της μήτρας σφαλμάτων ταξινόμησης ή πίνακας σύμπτωσης (Καρτέρης 199) από όπου προκύπτει η συνολική ακρίβεια ταξινόμησης αλλά και οι επιμέρους ακρίβειες του κατασκευαστή και του χρήστη. Υπενθυμίζεται ότι η ακρίβεια του κατασκευαστή, είναι μια ένδειξη πόσο καλά μια συγκεκριμένη περιοχή έχει ταξινομηθεί και αντίστοιχα η ακρίβεια του χρήστη ένα μέτρο της αξιοπιστίας του τελικού χάρτη και πληροφορεί το χρήστη πόσο καλά ένας χάρτης αντιπροσωπεύει το τι πραγματικά υπάρχει στο έδαφος. 128

151 Επίσης για τον έλεγχο της αξιοπιστίας της ταξινόμησης χρησιμοποιήθηκε η στατιστική ανάλυση kappa και ο συντελεστής Khat που προκύπτει από αυτή (Congalton κ.ά., 1983). Σε αντίθεση με τη συνολική ακρίβεια (ο λόγος του αθροίσματος των διαγώνιων τιμών προς το συνολικό αριθμό των ψηφίδων στη μήτρα) ο συντελεστής Khat, λαμβάνει υπόψη του και τα υπόλοιπα μη διαγώνια στοιχεία του πίνακα (Rosenfield και Fitzpatrick,1986). Khat = p p 1 p e e όπου p = ακρίβεια της παρατηρούμενης συμφωνίας p e = εκτίμηση της τυχαίας συμφωνίας Ο συντελεστής Kappa αυξάνει προς τη μονάδα όσο η τυχαία συμφωνία ελαττώνεται και γίνεται αρνητικός (σε ελάχιστες περιπτώσεις), όσο περισσότερο εμφανίζεται η τυχαία συμφωνία. Ένας συντελεστής Kappa ίσος με μηδέν προκύπτει όταν η συμφωνία μεταξύ των ταξινομημένων δεδομένων και των δεδομένων αναφοράς (ή επαλήθευσης), είναι ίση με τη τυχαία συμφωνία (Fenstermaker 1991). Σύμφωνα με τους Μontserud και Leamans (1992), τιμές του συντελεστή Κhat,75 ή μεγαλύτερες, δείχνουν πολύ καλή μέχρι εξαίρετη απόδοση του ταξινομητή ενώ μικρότερες του,4, φτωχές. Επιπρόσθετα πραγματοποιήθηκε ένας επιπλέον στατιστικός έλεγχος για τον έλεγχο της σημαντικότητας των διαφορών μεταξύ των διαφορετικών ταξινομήσεων. Ο έλεγχος σημαντικότητας μεταξύ δύο ανεξάρτητων συντελεστών περιγράφεται από τον Cohen (196): Z = K 1 K 2 / vark1 vark2 Από τους πίνακες της κανονικής κατανομής προκύπτει πώς όταν η τιμή Z για επίπεδο εμπιστοσύνης 95%, είναι μεγαλύτερη από την τιμή 1.96 τότε η διαφορά στα αποτελέσματα είναι στατιστικά σημαντική (Vieira και Mather 2). Πίνακας 8-3 Πίνακας σύμπτωσης για τη διάκριση δάσους-δασικής έκτασης, σύμφωνα με τον πρώτο φωτοερμηνευτή Σημεία αναφοράς Φωτοερμηνευτής 1 Δάσος Δασική έκταση Σύνολο Ακρίβεια χρήστη Ταξινομημένα σημεία nn log merge nn log merge nn log merge nn log merge Δάσος ,8 96,82 91,67 Δασική έκταση ,64 61,78 66,67 Σύνολο Ακρίβεια παραγωγού 81,7 84,43 86,52 89,8 9,8 77,42 Συνολική ακρίβεια 83,17 85,67 84,17 Khat,572,639,67 129

152 Πίνακας 8-4 Πίνακας σύμπτωσης για τη διάκριση δάσους-δασικής έκτασης, σύμφωνα με το δεύτερο φωτοερμηνευτή Σημεία αναφοράς Φωτοερμηνευτής 2 Δάσος Δασική έκταση Σύνολο Ακρίβεια χρήστη Ταξινομημένα σημεία nn log merge nn log merge nn log merge nn log merge Δάσος ,67 83,7 82,1 Δασική έκταση ,21 85,13 79,56 Σύνολο Ακρίβεια παραγωγού 89,86 92,12 9,29 72,77 71,55 65,75 Συνολική ακρίβεια 83,17 84,17 81,33 Khat,639,656,582 Γενικά από τη σύγκριση των τριών μεθόδων (Πίνακας 8-3 και Πίνακας 8-4), παρατηρείται ότι και στις δύο περιπτώσεις αξιολόγησης βάση των ορίων από φωτοερμηνεία, η μέθοδος της λογιστικής παλινδρόμησης, είχε και την υψηλότερη συνολική ακρίβεια (85,67% και 84,17% αντίστοιχα) και τον υψηλότερο συντελεστή Κhat (,639 και,656). Όσον αφορά τις υπόλοιπες δύο ταξινομημένες εικόνες (την αρχική με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου και τη συγχωνευμένη Gram- Schmidt με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου), υπερτερεί με όρους ακρίβειας ταξινόμησης διαφορετική εικόνα για κάθε ένα από τους δύο φωτοερμηνευτές. Ωστόσο καμία από τις παραπάνω διαφορές δεν μπορεί να θεωρηθεί στατιστικά σημαντική (Πίνακας 8-5), όπως προκύπτει από τη σχετική ανάλυση καθώς σε καμία περίπτωση η τιμή του μέτρου Ζ, δεν ξεπέρασε το 1,96. Από το αποτέλεσμα αυτό προκύπτει πως οι διαφοροποιήσεις σε θέματα ακρίβειας των προσεγγίσεων που αξιολογήθηκαν, οφείλονται στην τύχη και πως καμία από αυτές τις προσεγγίσεις δεν μπορεί να χαρακτηριστεί στατιστικά καλύτερη από τις υπόλοιπες. Πίνακας 8-5 Αποτελέσματα της σύγκρισης των διαφορετικών μεθόδων ταξινόμησης Ταξινόμηση 1 Ταξινόμηση 2 Κhat 1 Khat 2 Z Σημαντικότητα Φωτοερμηνευτής 1 Πλησιέστερου γειτονικού σημείου Πλησιέστερου γειτονικού σημείου Λογιστική παλινδρόμηση Λογιστική παλινδρόμηση Συγχωνευμένη εικόνα Συγχωνευμένη εικόνα,572,639,597,572,67,344,639,67, Φωτοερμηνευτής 2 Πλησιέστερου γειτονικού σημείου Πλησιέστερου γειτονικού σημείου Λογιστική παλινδρόμηση Λογιστική παλινδρόμηση Συγχωνευμένη εικόνα Συγχωνευμένη εικόνα,639,656,361,639,582 1,118,656,582 1,

153 Στο τέλος της όλης διαδικασίας, πραγματοποιήθηκε η σύγκριση των δύο διαφορετικών φωτοερμηνειών, πάνω στις οποίες στηρίχθηκε η εκτίμηση της ακρίβειας των ταξινομήσεων (Πίνακας 8-6) με το αποτέλεσμα να αποδεικνύει ταύτιση των δύο φωτοερμηνευτών. Η μη διαφοροποίηση της ταξινόμησης με τη χρήση της βελτιωμένης ως προς τη χωρική ανάλυση (συγχωνευμένης) εικόνας, ήταν το πιο σημαντικό στοιχείο. Συγκρίνοντας τα αποτελέσματα της κατάτμησης (Εικόνα 8-6), υπήρχε προσδοκία πως θα υπήρχε διαφοροποίηση των ορίων των δύο κατηγοριών στα αποτελέσματα των δύο ταξινομήσεων. Εξετάζοντας τις δύο εικόνες και τα αντίστοιχα αποτελέσματα της διαδικασίας κατάτμησης, η μη διαφοροποίηση αυτή οφείλεται πιθανότατα στην ύπαρξη σκιών σε τμήματα που βρίσκονται ακριβώς στο όριο των κατηγοριών στη συγχωνευμένη εικόνα. Στα τμήματα αυτά οι μέσες τιμές ήταν αποτέλεσμα του συνδυασμού σε διάφορες αναλογίες της σκιάς με τις υπόλοιπες κατηγορίες με συνέπεια τη δημιουργία σφαλμάτων στην ταξινόμηση. Επίσης ένα ακόμη αρνητικό στοιχείο ήταν ο επιπλέον χρόνος που απαιτήθηκε για τους χειρισμούς στη βελτιωμένη εικόνα-σε σχέση βέβαια με τη μη διαφοροποίηση στα αποτελέσματα της ταξινόμησης. Πίνακας 8-6 Σύγκριση των δύο φωτοερμηνευτών ως προς τη συνέπεια διάκρισης των εκτάσεων Αλγόριθμος Z Σημαντικότητα Πλησιέστερου γειτονικού σημείου,731 - Λογιστική παλινδρόμηση,345 - Συγχωνευμένη εικόνα,19 - Η μέθοδος της λογιστικής παλινδρόμησης δεν είχε επίσης σημαντική διαφοροποίηση στα αποτελέσματα της ταξινόμησης. Φαίνεται πως στη συγκεκριμένη εφαρμογή, το στοιχείο του οδικού χάρτη ταξινόμησης (Κεφάλαιο 2) που έχει ιδιαίτερη σημασία είναι η μονάδα της ταξινόμησης (δηλαδή η ταξινόμηση βάση αντικειμένου) και όχι ο αλγόριθμος της ταξινόμησης (πλησιέστερου γειτονικού σημείου ή λογιστική παλινδρόμηση). Επίσης δεν πρέπει να παραγνωρίζεται ότι η ανάπτυξη μοντέλων λογιστικής παλινδρόμησης απαιτεί εξειδικευμένες γνώσεις ενώ αντίθετα η χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου εμπεριέχεται στο λογισμικό. Βέβαια η γνώση και χρήση της λογιστικής παλινδρόμησης (και μιας άλλης στατιστικής μεθόδου γενικότερα), είναι πιο διάφανη και παρέχει περισσότερες πληροφορίες στον αναλυτή, ενώ τουλάχιστον στην περίπτωση που εξετάζεται, η όλη διαδικασία ήταν ελάχιστα πιο χρονοβόρα. 131

154 α. β. Εικόνα 8-7 Αποτέλεσμα ταξινόμησης βάση αντικειμένου (αριστερή εικόνα) και βάση εικονοστοιχείου (δεξιά). Στη δεύτερη περίπτωση ο θόρυβος και η αναγκαιότητα για μετά-επεξεργασία των δεδομένων είναι πολύ μεγαλύτερος, ακόμα και αν αυτός συνδέεται με καλύτερη ακρίβεια ταξινόμησης για κάποια σημεία. Η ευκολία ενσωμάτωσης του αποτελέσματος σε μια γεωγραφική βάση δεδομένων και η παρουσίαση ενός οπτικά πιο ελκυστικού προϊόντος είναι και αυτοί κάποιοι από τους λόγους της ταχείας διάδοσης των αντικειμενοστραφών μεθόδων ταξινόμησης. 8.4 Συμπεράσματα Γενικά στο θέμα της διάκρισης δάσους-δασικής έκτασης, η αντικειμενοστραφής προσέγγιση που ακολουθήθηκε, με τα σχεσιακά χαρακτηριστικά που μπορούν να υπολογιστούν με τη χρήση του συγκεκριμένου λογισμικού που χρησιμοποιήθηκε, είναι ένα σημαντικό βήμα στην εξάλειψη της υποκειμενικότητας στη διαδικασία του χαρακτηρισμού των δασών και δασικών εκτάσεων. Στην όλη διαδικασία ωστόσο δεν μπορεί να αποδοθεί αβίαστα μια προοπτική επιχειρησιακής εφαρμογής. Ένας πρώτος προβληματισμός που υπάρχει έγκειται στην ορθότητα της ταξινόμησης του πρώτου επιπέδου, όπου επιχειρείται διαχωρισμός των δένδρων από την υπόλοιπη βλάστηση. Η περιορισμένη φασματική διακριτότητα των υφιστάμενων δεδομένων υψηλής χωρικής ευκρίνειας λειτουργεί περιοριστικά στην απόλυτα επιτυχημένη διάκριση των κατηγοριών. Η λύση σ αυτό το πρόβλημα είναι πιθανότατα η χρήση μεταξύ των άλλων, δεδομένων LIDAR από τα οποία μπορεί να εκτιμηθεί το ύψος των αντικειμένων της σκηνής ενώ ευοίωνες προοπτικές έχει και η περίπτωση χρησιμοποίησης δεδομένων του RADARSAT-2 (προγραμματισμένη εκτόξευση το Δεκέμβριο του 26), τα οποία με μέγεθος εικονοστοιχείου ίσο με τρία μέτρα πιθανότατα θα συμβάλει στην επιθυμητή διάκριση. Ένα δεύτερο πρόβλημα είναι ο υποκειμενικός καθορισμός παραμέτρων όπως η απόσταση κατά την οποία υφίσταται αλληλεξάρτηση και αλληλεπίδραση μεταξύ δασών και δασικών εκτάσεων με εκτάσεις έκτασης μικρότερης των τριών στρεμμάτων, έτσι ώστε να χαρακτηριστούν και αυτές ως δάσος ή δασική έκταση. Το συγκεκριμένο πρόβλημα θα είναι πιο εμφανές σε περιοχές έντονης οικιστικής 132

155 ανάπτυξης με μεγάλη αξία γης. Μια άλλη υποκειμενική παράμετρος, η οποία ωστόσο ίσως είναι ευκολότερο να αποσαφηνιστεί από το νομοθέτη είναι το μέγιστο εμβαδό μιας δασικής έκτασης, περιβαλλόμενης από δάσος, ώστε να διατηρήσει το χαρακτηρισμό δασική έκταση και να μην συμπεριληφθεί στο ίδιο πολύγωνο με το δάσος. Σε κάθε περίπτωση η χρήση της αντικειμενοστραφούς προσέγγισης ξεπερνά τα προβλήματα της ταξινόμησης βάση εικονοστοιχείου (Εικόνα 8-7). 133

156 9 Διερεύνηση της δυνατότητας διάκρισης δασικών ειδών-πολυγώνων βλάστησης 9.1 Εισαγωγή Στο τμήμα αυτό παρουσιάζεται η διερεύνηση της δυνατότητας διάκρισης ομοιογενών πολυγώνων βλάστησης με κριτήριο τη σύνθεση δασοπονικών ειδών. Για την επίτευξη του στόχου δύο διαφορετικοί αλγόριθμοι ταξινόμησης εφαρμόζονται: από τη μια ένας αλγόριθμος του πλησιέστερου γειτονικού σημείου ο οποίος είναι ενσωματωμένος και στο λογισμικό αντικειμενοστραφούς ταξινόμησης που χρησιμοποιείται και από την άλλη αναπτύσσεται ένα δένδρο ταξινόμησης και παλινδρόμησης (Classification And Regression Tree-CART). Επιπλέον για τη διάκριση των πολυγώνων βλάστησης χρησιμοποιούνται και οι εικόνες υφής που προέκυψαν από τον υπολογισμό τοπικών δεικτών χωρικής συνάφειας (Local Indicators of Spatial Association-LISA) των οποίων η χρησιμοποίηση σε εφαρμογές τηλεπισκόπησης είναι μέχρι τώρα περιορισμένη. Η ανάπτυξη και εφαρμογή των παραπάνω ταξινομήσεων επιλέχθηκε να γίνει σε ένα τμήμα μόνο του Πανεπιστημιακού δάσους, κυρίως για λόγους οικονομίας χρόνου καθώς όπως διαπιστώθηκε κατά την προσπάθεια διάκρισης δάσους-δασικής έκτασης, η όλη διαδικασία ήταν ιδιαίτερα χρονοβόρα. Το τμήμα που επιλέχθηκε στη Βόρεια περιοχή του δάσους (Εικόνα 9-1), όπως διαπιστώθηκε κατά τη δειγματοληψία παρουσιάζει τη μεγαλύτερη μεταβλητότητα και ενδιαφέρον στο Πανεπιστημιακό δάσος από πλευράς ειδών βλάστησης καθώς το Νότιο τμήμα καταλαμβάνεται από φυτείες διαφόρων ειδών κωνοφόρων (των οποίων η δυνατότητα διάκρισης είναι περιορισμένη), το Βορειοανατολικό τμήμα από εκτεταμένες αγροτικές εκτάσεις και εκτάσεις ομήλικων πρεμνοβλαστημάτων δρυός, ενώ το Δυτικό κυρίως από εκτάσεις αείφυλλων πλατύφυλλων. Επιπλέον στο τμήμα που επιλέχτηκε βρίσκονται τριάντα τέσσερις από τις συνολικά ογδόντα μία επιφάνειες που μετρήθηκαν, ενώ στο τμήμα αυτό είχε γίνει πολύ εντατική λήψη επίγειων φωτογραφιών. Στο τμήμα που επιλέχτηκε, απομακρύνθηκαν κατόπιν φωτοερμηνείας, όλες οι εκτάσεις που δεν χαρακτηρίστηκαν ως δάσος και στις οποίες δεν θα ήταν εφικτή ούτως ή άλλως η διάκριση δασοπονικών ειδών. 134

157 Εικόνα 9-1 Τμήμα του Πανεπιστημιακού δάσους Ταξιάρχη στο οποίο αξιολογήθηκε η δυνατότητα διάκρισης ειδών για τη σκιαγράφηση πολυγώνων βλάστησης 135

158 9.2 Μεθοδολογία CART Ο αλγόριθμος CART (Classification και Regression Trees-Δένδρα Ταξινόμησης και Παλινδρόμησης), είναι μια μη παραμετρική στατιστική τεχνική για την ταξινόμηση παρατηρήσεων αλλά και για τη διερεύνηση της δομής των δεδομένων. Η μεθοδολογία αυτή αναπτύχθηκε από τους Breiman κ.ά. (1984), για την πρόβλεψη κατηγορικών αλλά και συνεχών μεταβλητών. Εάν οι εξαρτημένες μεταβλητές υπό πρόβλεψη είναι ονομαστικές ή διατακτικές τότε το τελικό αποτέλεσμα είναι ένα δένδρο ταξινόμησης. Αντίθετα σε περίπτωση που η εξεταζόμενη μεταβλητή είναι συνεχής, τότε προκύπτει ένα δένδρο παλινδρόμησης. Η ταξινόμηση δεδομένων με τη μέθοδο CART, στηρίζεται σε ένα δυαδικό επαναλαμβανόμενο διαχωρισμό των δεδομένων, τα οποία διαχωρίζονται σε αμοιβαία αποκλειόμενα υποσύνολα (mutually exclusive), τα οποία είναι περισσότερο ομοιογενή ως προς την εξαρτημένη μεταβλητή. Είναι δυαδική καθώς κάθε σύνολο δεδομένων διαχωρίζεται σε δύο ακριβώς υποσύνολα δεδομένων και επαναλαμβανόμενη καθώς ένας διαχωρισμός πραγματοποιείται για κάθε ένα από τα υποσύνολα που προκύπτουν. Η ανάπτυξη του δένδρου (Σχήμα 9-1) ξεκινάει διαχωρίζοντας τον αρχικό κόμβο (ή ρίζα του δένδρου-root node) που περιλαμβάνει όλες τις παρατηρήσεις των δεδομένων σε δύο κόμβους-παιδιά (child nodes). Σε κάθε κόμβο ο διαχωρισμός γίνεται βάση μιας επεξηγηματικής μεταβλητής, η οποία επιλέγεται από το πλήθος των ανεξάρτητων μεταβλητών και τον υπολογισμό μιας τιμής (cut-off value), με τη χρήση της οποίας οι παρατηρήσεις τοποθετούνται στους δύο θυγατρικούς κόμβους. Οι κόμβοι μετά από κάθε διαχωρισμό μπορεί να είναι είτε τερματικοί κόμβοι ή φύλλα (terminal nodes or leaves) οι οποίοι δεν μπορούν να διαχωριστούν περαιτέρω είτε γονικοί κόμβοι (parent nodes) των οποίων οι περιεχόμενες παρατηρήσεις διαιρούνται περαιτέρω σε θυγατρικούς κόμβους. Ο διαχωρισμός συνεχίζεται μέχρι του σημείου όπου όλοι οι θυγατρικοί κόμβοι να είναι ομοιογενείς ή μέχρι ένας προκαθορισμένος αριθμός από παρατηρήσεις να υπάρχει σε κάθε κόμβο. Ο δείκτης Gini (ή μέτρο μη καθαρότητας Gini) χρησιμοποιείται συνήθως ως κανόνας διαχωρισμού και μέτρο ετερογένειας. g ( t) = p j t i t όπου p(j) και p(i) οι πιθανότητες των τάξεων j και i στον κόμβο t αντίστοιχα. Ο δείκτης Gini, κυμαίνεται από έως 1, με τη τιμή να επιτυγχάνεται όταν όλες οι παρατηρήσεις στον κόμβο ανήκουν στην ίδια τάξη και τη τιμή 1 όταν υπάρχει ισόποση αντιπροσώπευση όλων των τάξεων στον κόμβο (Breiman κ.ά. 1984). Η μεθοδολογία ανάπτυξης ενός μοντέλου CART, συνίσταται από τρία διαδοχικά βήματα. Αρχικά ένα υπερμεγέθης δένδρο αναπτύσσεται με διαδοχικό διαχωρισμό των παρατηρήσεων. Το συγκεκριμένο δένδρο περιλαμβάνει ένα μεγάλο αριθμό τερματικών κόμβων και αν και περιγράφει και 136

159 έχει προσαρμοστεί στα δεδομένα εκπαίδευσης τέλεια, η χρησιμότητα του για πρόβλεψη και ταξινόμηση νέων παρατηρήσεων είναι χαμηλή καθότι είναι υπέρ-προσαρμοσμένο (over-fitted) στις παρατηρήσεις. Στο επόμενο διαδοχικό βήμα, το οποίο περιγράφεται ως «κλάδεμα» (pruning) του δένδρου, εντοπίζονται οι κόμβοι, η εξάλειψη των οποίων θα μπορούσε να οδηγήσει στην ανάπτυξη μικρότερου μεγέθους δένδρων, λαμβάνοντας όμως υπόψη και την ακρίβεια ταξινόμησης μαζί με την πολυπλοκότητα του δένδρου. Ρίζα του δένδρου Κόμβος Αρχικός διαχωρισμός 1 Κόμβος 1 Κόμβος 2 Τερματικός κόμβος 1 Διαχωρισμός 2 Κόμβος 3 Κόμβος 4 Τερματικός κόμβος 2 Τερματικός κόμβος 3 Σχήμα 9-1 Δομή ενός δένδρου ταξινόμησης ή παλινδρόμησης Τέλος πραγματοποιείται η επιλογή του βέλτιστου δένδρου, λαμβάνοντας υπόψη τα λάθη πρόβλεψης των δένδρων. Για τον υπολογισμό των σφαλμάτων πρόβλεψης είτε χρησιμοποιείται ένα νέο ανεξάρτητο δείγμα είτε εφαρμόζεται η τεχνική της αντεπικύρωσης (cross-validation) κατά την οποία το αρχικό δείγμα διαιρείται σε Ν υποσύνολα, περίπου ισομεγέθη, από τα οποία το ένα χρησιμοποιείται κάθε φορά για τον έλεγχο του μοντέλου που έχει αναπτυχθεί με τα Ν-1 υποσύνολα. Η διαδικασία αυτή επαναλαμβάνεται Ν φορές, ενώ ως βέλτιστο δένδρο επιλέγεται το απλούστερο απ αυτά που έχουν σφάλμα εντός της τυπικής απόκλισης του ελάχιστου λάθους αντεπικύρωσης. Σε εφαρμογές στην τηλεπισκόπηση η εξαρτημένη μεταβλητή για ένα δένδρο ταξινόμησης μπορεί να είναι μια ονομαστική μεταβλητή (όπως κάλυψη/χρήση γης) και για ένα δένδρο παλινδρόμησης μια 137

160 συνεχής μεταβλητή όπως ποσοστό κάλυψης, ποσοστό συγκόμωσης κ.λπ., ενώ οι ανεξάρτητες μεταβλητές μπορεί να είναι κατηγορικές ή συνεχείς (φασματικοί δίαυλοι, υψόμετρο, έκθεση). Οι τερματικοί κόμβοι του δένδρου αντιπροσωπεύουν τις τελικές κατηγορίες κάλυψης/χρήσης γης και συνεπώς η ανάπτυξη του δένδρου οδηγεί σε έναν αριθμό κανόνων πρόβλεψης των τάξεων οι οποίοι χρησιμοποιούνται για την κατασκευή ενός χάρτη ταξινόμησης. Τα μοντέλα CART, ως μέθοδοι ταξινόμησης έχουν ορισμένα συγκριτικά πλεονεκτήματα: 1. Είναι μη-παραμετρικά και δεν απαιτούνται οιοσδήποτε παραδοχές για την κατανομή των δεδομένων. 2. Δεν επηρεάζονται από απομονωμένες τιμές (outliers) και συγγραμικότητες (collinearities) 3. Μπορούν να χρησιμεύσουν για τον εντοπισμό και παρουσίαση αλληλεπιδράσεων των μεταβλητών. 4. Μπορούν να χρησιμοποιηθούν και συνεχείς και κατηγορικές μεταβλητές. 5. Είναι εύκολη η διαχείριση τιμών που λείπουν (missing values). 6. Είναι μια αποτελεσματική μέθοδος μείωσης των δεδομένων (data reduction) σε περίπτωση ύπαρξης πληθώρας επεξηγηματικών μεταβλητών (Breiman κ.ά. 1984). Η χρησιμοποίηση μοντέλων CART σε εφαρμογές τηλεπισκόπησης, έχει γνωρίσει σημαντική αύξηση προσφάτως (Hansen κ.ά. 1996, de Fries κ.ά. 1998, Lawrence κ.ά. 24) συχνά με καλύτερα αποτελέσματα από άλλες μεθόδους ταξινόμησης. Οι Lawrence και Wright (21) βρήκαν ότι η ανάλυση CART, διευκόλυνε τη χρήση βοηθητικών δεδομένων στην ταξινόμηση βάση κανόνων. Επίσης οι Friedl και Brodley (1997) παρατήρησαν πως οι ακρίβειες ταξινόμησης, με τη χρήση δένδρων ταξινόμησης ήταν σταθερά μεγαλύτερες από τις ακρίβειες που είχαν προκύψει από τη χρήση αλγόριθμων ταξινόμησης όπως της μέγιστης πιθανοφάνειας και των διακριτικών συναρτήσεων. Τέλος οι Borak και Strahler (1999) διαπίστωσαν πως η χρήση ενός δένδρου ταξινόμησης οδήγησε σε 75% μείωση των διαστάσεων των δεδομένων, χωρίς σημαντική μείωση της ακρίβειας ταξινόμησης. Υπάρχουν ελάχιστες περιπτώσεις στη διεθνή βιβλιογραφία όπου αντικειμενοστραφής ταξινόμηση και μοντέλα CART έχουν χρησιμοποιηθεί συνδυαστικά και στη συντριπτική τους πλειοψηφία οι έρευνες αυτές έχουν εστιάσει σε περιοχές αστικού χαρακτήρα. Οι Tullis και Jensen (23) χρησιμοποίησαν ένα δένδρο αποφάσεων για το συνδυασμό φασματικών και χωρικών χαρακτηριστικών που προέκυψαν από την κατάτμηση της εικόνας, για τον εντοπισμό κτιρίων σε δορυφορικές εικόνες IKONOS. Με μια παρόμοια προσέγγιση οι Hodgson κ.ά. (23) συνδύασαν δεδομένα LIDAR και αεροφωτογραφίες. Τέλος οι Laliberte κ.ά. (25) χρησιμοποίησαν με μεγάλη επιτυχία τον αλγόριθμο CART, για τη διάκριση εκτάσεων με θαμνώνες και χορτολίβαδα. Ένα από τα σημαντικότερα πλεονεκτήματα της χρησιμοποίησης μοντέλων CART, για τη δημιουργία κανόνων ταξινόμησης είναι ότι ένα μεγάλο εύρος από πιθανώς χρήσιμα δεδομένα μπορούν να χρησιμοποιηθούν για ανάλυση και το μοντέλο CART που θα αναπτυχθεί, αυτόματα να επιλέξει ποια από αυτά τα επίπεδα πληροφορίας είναι χρήσιμα και ποια όχι. Αυτή η διαδικασία επιλογής διαχωρίζει τα μοντέλα CART από τους λογικούς κανόνες ταξινόμησης, τα έμπειρα συστήματα ταξινόμησης και τα νευρωνικά δίκτυα. 138

161 Στους λογικούς κανόνες ταξινόμησης, τα δεδομένα πρέπει να επιλεγούν πριν την ταξινόμηση. Στα έμπειρα συστήματα, εκ των προτέρων γνώση είναι απαραίτητη για την επιλογή βοηθητικών δεδομένων και μεταβλητών. Με τα νευρωνικά δίκτυα μόνο χρήσιμα επίπεδα πληροφορίας θα επιλεγούν και θα χρησιμοποιηθούν αλλά η διαδικασία επιλογής είναι μη ορατή από τον αναλυτή, εμποδίζοντας την ερμηνεία των αποτελεσμάτων και την εφαρμογή της σε άλλα επίπεδα ταξινόμησης (Lawrence και Wright 21) Τοπικοί δείκτες χωρικής συνάφειας Ο έλεγχος της υπόθεσης για την ύπαρξη ή μη χωρικής εξάρτησης σε χωρικά σύνολα δεδομένων, μπορεί να γίνει με γενικευμένα στατιστικά μέτρα χωρικής αυτοσυσχέτισης όπως οι δείκτες του Moran και του Geary (Goodchild 1986) και οι οποίοι περιγράφονται στην παράγραφο 7.3. Ωστόσο αυτές οι προσεγγίσεις δημιουργούν ένα μόνο συνοπτικό μέτρο, το οποίο μπορεί να μην είναι αντιπροσωπευτικό εάν η φύση και το εύρος της χωρικής αυτοσυσχέτισης μεταβάλλεται σημαντικά στην περιοχή. Αυτό εκφράζεται εξάλλου και από την προϋπόθεση της στασιμότητας ή δομικής σταθερότητας στο χώρο που απαιτείται τυπικά για τη χρήση των γενικευμένων δεικτών. Γι αυτό το λόγο έχουν αναπτυχθεί κάποιοι δείκτες για τον εντοπισμό τοπικών διατάξεων χωρικών συσχετίσεων, οι οποίοι επιτρέπουν την ύπαρξη τοπικών ασταθειών στη συνολική χωρική συσχέτιση. Σ αυτή τη κατηγορία ανήκουν και οι τοπικοί δείκτες χωρικής συνάφειας (Local Indicators of Spatial Association) οι οποίοι έχουν παρουσιαστεί από τους Getis και Ord (1992, 1994) και Anselin (1995). Local Moran I ( d ) = ( x x) w ( d)( x x) i c = i n j = 1 Local Geary s ( ) 2 i d n j= 1 ij w ( d)( x x ij i j j ) Local Getis G ( d ) i = j i w ij j i ( d ) x j x j όπου n είναι ο αριθμός του δείγματος, xi και xj είναι οι τιμές της μεταβλητής στις θέσεις i, και j αντίστοιχα, με i j, x είναι η μέση τιμή της μεταβλητής x, και wij (d) είναι η μήτρα με τα βάρη που εφαρμόζονται στη σύγκριση μεταξύ της θέσης i και της θέσης j σε απόσταση d. Οι τοπικοί δείκτες του Moran και του Getis, επιτρέπουν τον έλεγχο της υπόθεσης για τη χωρική συγκέντρωση υψηλών ή χαμηλών τιμών ενώ ο τοπικός δείκτης του Geary, επιτρέπει το έλεγχο της ομοιότητας ή μη-ομοιότητας του χωρικού προτύπου. Οι τοπικοί δείκτες συνδέονται με τους γενικευμένους αντίστοιχους δείκτες. Αν κάθε παρατήρηση συνεισφέρει το ίδιο στο γενικευμένο δείκτη, 139

162 τότε για παράδειγμα ο γενικευμένος δείκτης του Moran είναι ίσος με το μέσο όρο των αντίστοιχων τοπικών (Anselin 1995). Τα στατιστικά αυτά μέτρα αναπτύχθηκαν αρχικά για την ανάλυση σημειακών δεδομένων, ωστόσο η χρησιμότητα τους για τον εντοπισμό σημαντικής χωρικής εξάρτησης έχει επιδεχθεί και σε δορυφορικά δεδομένα, σε ελάχιστες όμως περιπτώσεις (Getis και Ord 1995, Wulder και Boot 1998, 21, Goovaerts 25). Οι παραπάνω δείκτες μπορούν να χρησιμοποιηθούν για τον έλεγχο της υπόθεσης της χωρικής συσχέτισης για κάθε θέση (εικονοστοιχείο) μιας δορυφορικής εικόνας. 9.3 Αποτελέσματα Στην περιοχή ενδιαφέροντος αναγνωρίστηκαν οι κυριότεροι τύποι κάλυψης που θα αποτελούσαν και τις κυριότερες κατηγορίες ταξινόμησης. Για τους τύπους αυτούς έγινε μια γενικευμένη επισκόπηση των φασματικών τους χαρακτηριστικών, για αντιπροσωπευτικές περιοχές επί της εικόνας. Από τα διαγράμματα των μέσων τιμών και των τυπικών αποκλίσεων των δειγματοληπτικών περιοχών (Σχήμα 9-2) κάποια πρώτα συμπεράσματα μπορούν να προκύψουν για τη διακριτότητα των επιμέρους κατηγοριών αλλά και για τη συνεισφορά του κάθε διαύλου σε αυτήν. Qb1,45-,52 Qb2,52-, DN DN δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης Σχήμα

163 Qb3,63-,69 Απόχρωση DN δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης DN δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης Qb4,76-,89 Κορεσμός DN δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. DN δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης κατηγορία κάλυψης Ένταση NDVI DN DN δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης 15 δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης Σχήμα 9-2 (συνέχεια) 141

164 2 RVI DN δρύς οξιά μ.πεύκη οστρυά ελάτη θ.αειφ. κατηγορία κάλυψης Σχήμα 9-2 Διαγράμματα των φασματικών υπογραφών για τις κύριες κατηγορίες κάλυψης γης της περιοχής. Μπορούν να διακριθούν οι μέσες τιμές και η διασπορά των τιμών σε απόσταση ίση με τη τυπική απόκλιση. Ξεχωρίζουν ως προς τη δυνατότητα διάκρισης ο δίαυλος του κορεσμού και ο δείκτης RVI Διαπιστώνεται ότι από τους δίαυλους της αρχικής εικόνας, ότι η καλύτερη διάκριση επιτυγχάνεται στον υπέρυθρο δίαυλο με χαρακτηριστικότερη όλων τη διαφοροποίηση της μαύρης πεύκης από τα πλατύφυλλα είδη, ενώ σε αυτόν το δίαυλο είναι μεγαλύτερο το εύρος των ραδιομετρικών τιμών που καταλαμβάνεται από τις εξεταζόμενες κατηγορίες κάλυψης σε σχέση με τους υπόλοιπους διαύλους. Δύο άλλοι δίαυλοι που αξίζουν προσοχής είναι ο δίαυλος του κορεσμού και ο δίαυλος που προέκυψε από τον υπολογισμό του δείκτη RVI (λόγος υπέρυθρου προς τον κόκκινο δίαυλο), όπου επιτυγχάνεται σχετικά καλή διαφοροποίηση της οξιάς με τη δρυ. Η οξιά με την οστρυά γενικά είναι δύσκολο να διαχωριστούν σε όλους τους διαύλους, κάτι που άλλωστε είναι δύσκολο να πραγματοποιηθεί και στο έδαφος (από μέσες ή μεγαλύτερες αποστάσεις). 142

165 9.3.1 Διάκριση των πολυγώνων βλάστησης με τη χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου Τα βασικά βήματα της μεθοδολογίας που ακολουθήθηκαν διακρίνονται στο Σχήμα 9.3. Αναλύοντας οπτικά τη δορυφορική εικόνα, παρατηρείται κατ αρχάς ότι στη συγκεκριμένη σκηνή διαφορετικές Καθορισμός κατηγοριών ταξινόμησης διεργασίες του τοπίου μπορούν να διακριθούν, στοιχείο που παρέχει το υπόβαθρο για την αποσύνθεση του σε διάφορες κλίμακες λειτουργίας-επίπεδα. Μπορούν να απομονωθούν Κατάτμηση της εικόνας Δημιουργία τριών επιπέδων για παράδειγμα από μεμονωμένα δένδρα (ανάλογα με το είδος όπως παρατηρήθηκε στο Κεφάλαιο 6) μέχρι συστάδες αλλά και είδη Ταξινόμηση των δύο πρώτων επιπέδων κάλυψης γης (αγροτικά, γυμνά, εκτάσεις με βλάστηση). Ταξινόμηση τρίτου επιπέδου Κατάτμηση βάση ταξινόμησης στο ίδιο επίπεδο (2) Ταξινομήσεις εκ νέου τρίτου επιπέδου Για τους σκοπούς της εργασίας αποφασίστηκε να δημιουργηθούν τρία επίπεδα κατάτμησης. Ένα πρώτο το οποίο θα είχε σκοπό τη σκιαγράφηση αντικειμένων τα οποία θα αντιπροσώπευαν χωροψηφίδες στο έδαφος με όσο το δυνατόν αμιγή σύνθεση βλάστησης. Το δεύτερο είχε σκοπό τη διάκριση τμημάτων, μεγαλύτερων από τα αντίστοιχα του πρώτου επιπέδου και τα οποία θα χρησίμευαν στη διάκριση εκτάσεων με βάση τη πυκνότητα της βλάστησης τους. Κατάτμηση βάση ταξινόμησης δημιουργία τέταρτου επιπέδου-τελική ταξινόμηση Τέλος το τρίτο επίπεδο, περιείχε τμήματα που αντιστοιχούσαν στα επιθυμητά πολύγωνα βλάστησης. Για την κατάτμηση της εικόνας και την επιλογή των διαύλων αξιολογήθηκαν τα διαγράμματα (Σχήμα 9-2) καθώς και τα Σχήμα 9-3 Διάγραμμα ροής των διαδικασιών για την διάκριση των ειδών αποτελέσματα της ανάλυσης διακριτότητας για τις κατηγορίες του πρώτου επιπέδου (Πίνακας 9-1) με τη χρήση του δείκτη Jefferies-Matusita, πριν τις εμπειρικές δοκιμές για την εύρεση του καλύτερου συνδυασμού. 143

166 Πίνακας 9-1 Ανάλυση διακριτότητας με τη χρήση του δείκτη Jefferies Matusita των διαθέσιμων διαύλων με σκοπό την επιλογή των βέλτιστων για την κατάτμηση της εικόνας Συνδυασμός Καλύτερη ελάχιστη διαύλων διακριτότητα M.O. Ελαχ. 1 Hue Qb2, Intensity Qb2, Intensity,Hue Συνδυασμός Καλύτερη μέση διαύλων διακριτότητα M.O. Ελαχ. 1 IrtoRed Saturation,RVI Qb3,Saturation,RVI Για το πρώτο επίπεδο (Πίνακας 9-2), χρησιμοποιήθηκαν οι δίαυλοι της απόχρωσης, του κορεσμού και ο δείκτης RVI, ενώ σχηματίστηκαν συνολικά τμήματα (Εικόνα 9-2). Γενικά η ετερογένεια του τοπίου έκανε πολύ δύσκολο το σχηματισμό ισομεγεθών τμημάτων. Για παράδειγμα η χρησιμοποίηση μεταξύ των άλλων και του κόκκινου διαύλου, οδηγούσε στη δημιουργία πολύ μεγάλων τμημάτων στην περιοχή όπου υπάρχουν χωροψηφίδες δρυός και οξιάς, μην επιτρέποντας τη μεταξύ τους διάκριση. Από την άλλη όμως σε περιοχές όπου υπήρχε παρουσία πεύκης και χαμηλής σκληρόφυλλης βλάστησης, λειτουργούσε θετικά για τη μεταξύ τους διάκριση. Το αντίθετο αποτέλεσμα επέφερε στα αποτελέσματα της κατάτμησης η χρήση διαύλων όπως ο NDVI και ο υπέρυθρος δίαυλος της αρχικής εικόνας. Η εμπειρική αυτή παρατήρηση επιβεβαιώνεται και μία ανάλυση ενός μέτρου διάκρισης όπου οι τιμές του δείκτη Jefferies-Matusita για διάκριση δρυός από οξιάς και πεύκης από σκληρόφυλλης βλάστησης στον κόκκινο δίαυλο είναι 64 και 1119, ενώ στον υπέρυθρο δίαυλο 779 και 42 αντίστοιχα. Πριν τη διαδικασία της ταξινόμησης, επιχειρήθηκε να ελεγχτεί η στιβαρότητα και η σταθερότητα της κατάτμησης. Όπως αναφέρθηκε και στην ανασκόπηση της βιβλιογραφίας ένα από τα πλεονεκτήματα της αντικειμενοστραφούς ταξινόμησης σύμφωνα με κάποιους ερευνητές (π.χ. Mitri και Gitas 24), είναι η δυνατότητα μεταφοράς ενός μοντέλου αντικειμενοστραφούς ταξινόμησης σε άλλες παρόμοιες περιοχές και η χρήση του για επιχειρησιακούς σκοπούς. Για το σκοπό αυτό, επιλέχτηκε ένα υποτμήμα της περιοχής εφαρμογής το οποίο αντιστοιχεί στα υποτμήματα 26,27,28 του διαχειριστικού χάρτη (Παράρτημα 13.5), έκτασης ίσης περίπου με το ένα τρίτο της αρχικής περιοχής εφαρμογής. Στο υποτμήμα αυτό έγινε κατάτμηση, χρησιμοποιώντας τις ίδιες παραμέτρους κατάτμησησης με την αρχική περιοχή εφαρμογής (Πίνακας 9-2). Όπως παρατηρείται και στις εικόνες του Παραρτήματος 13.5, εμφανίζονται αρκετές διαφοροποιήσεις, οι οποίες πιθανότατα θα απαιτούσαν εκ βάθρων αναθεώρηση της στρατηγικής ταξινόμησης. Το στοιχείο αυτό μπορεί να εξηγηθεί από τις αρχές λειτουργίας της κατάτμησης στο συγκεκριμένο λογισμικό (παρ ) όπου στατιστικοί παράμετροι για το σύνολο της σκηνής λαμβάνονται υπόψη. 144

167 Πίνακας 9-2 Τιμές των παραμέτρων που καθορίστηκαν για την κατάτμηση της εικόνας σε τρία επίπεδα Επίπεδο Παράγοντας Φασματική Χωρική Αριθμός Δίαυλοι Βάρος κλίμακας ετερογένεια ετερογένεια τμημάτων 1 2 Απόχρωση Κορεσμός 1 1 RVI Qb Κορεσμός Ένταση Κορεσμός 1 1 RVI 1 1 Η επιλογή των κατηγοριών ταξινόμησης (Εικόνα 9-3), έγινε με κύριο γνώμονα τους σκοπούς της εργασίας. Παρατηρώντας τα διαγράμματα των φασματικών υπογραφών (Σχήμα 9-2) και τις κατηγορίες ταξινόμησης δύο αναντιστοιχίες θα μπορούσαν να επισημανθούν. Η μια αφορά στη μη ύπαρξη κατηγορίας «οστρυά». Επίπεδο 1 Επίπεδο 2 Επίπεδο 3 Επίπεδο 4 Εικόνα 9-2 Ενδεικτικό μέγεθος των αντικειμένων στα τέσσερα επίπεδα της ιεραρχίας. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνας

168 Πράγματι στο ΝΔ άκρο της περιοχής (Εικόνα 9-1), συναντάται οστρυά σε προοδευτική μείξη με οξιά. Ο βασικός λόγος που δεν συμπεριελήφθη σαν κατηγορία ταξινόμησης ήταν η σχετικά μικρή έκταση, όπου εμφανίζεται αμιγής εξάπλωση της οστρυάς. Να σημειωθεί ότι αμιγείς συστάδες, θεωρούνται οι συστάδες που συντίθεται από ένα μόνο είδος ή με την ευρύτερη έννοια και εκείνες οι συστάδες οι οποίες συντίθενται από περισσότερα είδη, όταν το είδος που κυριαρχεί καλύπτει πάνω από το 9% της συνολικής επιφάνειας ενώ για τις μεικτές εξυπακούεται ότι ισχύουν τα αντίθετα (Ντάφης 1998). Η άλλη κατηγορία, η οποία δεν εμφανίζεται στο σύστημα ταξινόμησης (Εικόνα 9-3), είναι οι φυτείς ελάτης οι οποίες ανήκουν στις αγροτικές εκτάσεις. Επιπλέον η ύπαρξη φυτειών σε διαφορετικά στάδια ανάπτυξης, προσέδιδε διαφορετικό τόνο σε κάθε στάδιο ανάπτυξης (σε νεαρά ηλικία για παράδειγμα προσομοίαζαν αρκετά με εκτάσεις οξιάς), καθιστώντας αμφίβολη την ακριβή διάκριση τους, βάση της διαθέσιμης φασματικής πληροφορίας. Επίσης όπως διαπιστώθηκε κατά τη δειγματοληψία πεδίου, σε αρκετές περιοχές εμφανίζεται μίξη κατ άτομο μεταξύ των ειδών. Από τη στιγμή λοιπόν που η ταξινόμηση δεν αφορούσε μεμονωμένα δένδρα, κρίθηκε σκόπιμο να υπάρχουν κατηγορίες ταξινόμησης για αυτές τις μεικτές καταστάσεις. Εικόνα 9-3 Αποτελέσματα ταξινόμησης για το πρώτο επίπεδο (πάνω αριστερά) και για το δεύτερο επίπεδο (πάνω δεξιά). Κάτω από τις εικόνες αυτές, παρουσιάζονται οι αντίστοιχες κατηγορίες ταξινόμησης του κάθε επιπέδου. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνα 9-1 Για τη διάκριση των ειδών, επιλέχτηκε η χρήση του αλγόριθμου του πλησιέστερου γειτονικού σημείου και όχι η χρήση μεμονωμένων συναρτήσεων συμμετοχής. Η επιλογή αυτή έγινε λόγω του 146

169 σχετικά μεγάλου αριθμού των κατηγοριών, η οποία θα έκανε δύσκολη τη μελέτη όλων των επικαλύψεων και των συγκρούσεων μεταξύ των τιμών των χαρακτηριστικών για την ανάπτυξη συναρτήσεων για κάθε κατηγορία ξεχωριστά. Επίσης όπως αναφέρθηκε και στην παράγραφο , ο αλγόριθμος του πλησιέστερου γειτονικού σημείου είναι πολύ πιο ικανός στο χειρισμό ενός πολυδιάστατου χώρου ταξινόμησης. Επιπλέον λήφθηκε υπόψη ότι μια πιθανή αναθεώρηση των τάξεων στην πορεία της ταξινόμησης, θα απαιτούσε εκ βάθρων αναθεώρηση των συναρτήσεων συμμετοχής. Για την εύρεση των βέλτιστων χαρακτηριστικών ταξινόμησης ακολουθήθηκε η διαδικασία της εκτίμησης του άριστου χώρου ταξινόμησης, ενώ στη συνέχεια έγινε έλεγχος για ύπαρξη υψηλών συσχετίσεων μεταξύ τους (Σχήμα 9-4). Τα χαρακτηριστικά που τελικά επιλέχθηκαν μεταξύ των αρχικών ογδόντα τριών ήταν: Η μέση τιμή της έντασης Ο λόγος τιμών της έντασης Η εντροπία υπολογισμένη για το δίαυλο της έντασης, προς όλες της κατευθύνσεις Η τυπική απόκλιση του δείκτη RVI Ο λόγος τιμών του δείκτη RVI Ανάλογες διαδικασίες τηρήθηκαν και για τη ταξινόμηση του δεύτερου επιπέδου. Τα χαρακτηριστικά που επιλέχθηκαν ήταν: Σχήμα 9-4 Έλεγχος της συσχέτισης (για τα αντικείμενα-δείγματα όλων Η μέση τιμή της απόχρωσης των τάξεων) του χαρακτηριστικού της τυπικής απόκλισης των τιμών για τον δείκτη RVI, με το χαρακτηριστικό του Ο λόγος τιμών του δείκτη NDVI λόγου των τιμών για τον ίδιο δίαυλο. Η συσχέτιση κυμαίνεται στο.14, καθιστώντας δυνατή την ταυτόχρονη Η μέση τιμή της πυκνότητας χρησιμοποίηση τους για τη διάκριση των τάξεων των υπό-τμημάτων (density of sub-objects:mean) Με την ολοκλήρωση της ταξινόμησης του δεύτερου επιπέδου, έγινε σύνδεση των δύο επιπέδων, μέσω της προσθήκης ενός χαρακτηριστικού, στην κατηγορία μ. πεύκη, του πρώτου επιπέδου, σύμφωνα με το οποίο για την ταξινόμηση ενός τμήματος του πρώτου επιπέδου στην παραπάνω κατηγορία, δεν πρέπει να υπάρχει υπερκείμενο τμήμα, ταξινομημένο στην κατηγορία αραιά. Η προσθήκη αυτή πραγματοποιήθηκε καθότι εκτάσεις με αραιά κάλυψη από δένδρα (άτομα δρυός στην περιοχή εφαρμογής) και υπόροφο και παρεδάφια σκληρόφυλλη βλάστηση, είχαν τοποθετηθεί στην κατηγορία μ. πεύκη λόγω φασματικής ομοιότητας. Με τη σύνδεση των δύο επιπέδων πραγματοποιήθηκε η τελική ταξινόμηση του πρώτου επιπέδου. Η αρχική ταξινόμηση του τρίτου επιπέδου (Εικόνα 9-4) στηρίχθηκε στην κατανομή των εκτάσεων των κατηγοριών του πρώτου επιπέδου. 147

170 Εικόνα 9-4 Αποτελέσματα ταξινόμησης για το τρίτο επίπεδο (πάνω αριστερά) και για το τέταρτο επίπεδο (πάνω δεξιά). Κάτω από τις εικόνες αυτές, παρουσιάζονται οι αντίστοιχες κατηγορίες ταξινόμησης του κάθε επιπέδου. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνα 9-1 Ένα αντικείμενο, τοποθετούνταν σε μια τάξη όταν η έκταση των υπό-αντικειμένων της ίδια τάξης σε απόσταση δύο επιπέδων, ήταν μεγαλύτερη του,5 (ασαφής κανόνας με όρια το -1). Εξαίρεση η τάξη δρυς 3 ου, στην οποία ως έκταση υπό-αντικειμένων της ίδιας κατηγορίας, συνυπολογίστηκε και η έκταση των αείφυλλων. Επίσης η κατηγορία γυμνή γη 3 ου, διαιρέθηκε σε θυγατρικές τάξεις, βάση τις γειτνίασης ενός τμήματος με κάποια από τις υπόλοιπες κατηγορίες του ίδιου επιπέδου και τη μη ταξινόμηση του υπόψη τμήματος ως δρόμοι 3 ου. Η διάκριση των δρόμων έγινε με εμπειρική-στατιστική ανάλυση των χαρακτηριστικών των τμημάτων του τρίτου επιπέδου και κατόπιν αυτής καθορίστηκαν κρίσιμα όρια για την ανάπτυξη ασαφών συναρτήσεων συμμετοχής με βάση τη μέση τιμή του διαύλου του Κορεσμού 148

171 και το χαρακτηριστικό της πυκνότητας. Η διάκριση των δρόμων κρίθηκε απαραίτητη καθώς η μη διάκριση τους, οδηγούσε σε συνενώσεις γειτονικών πολυγώνων, δημιουργώντας υπερμεγέθη αντικείμενα (Σχήμα 9-5). Σχήμα 9-5 Κανόνες που χρησιμοποιήθηκαν για τη διάκριση διαφόρων τάξεων. Αριστερά η συγκεκριμένη κατηγορία, κληρονομεί (inherit) από τη γονικής της κατηγορίας το ότι ανήκει στο τρίτο επίπεδο της ιεραρχίας, το ότι η συνολική έκταση των εμφωλευμένων υπό-αντικειμένων δρυός και αείφυλλων του πρώτου επιπέδου είναι μεγαλύτερη του,5 και το ότι ή έκταση είναι μικρότερη των τριών στρεμμάτων ενώ περιέχει αποκλειστικά (contain)το χαρακτηριστικό ότι το σχετικό όριο με αντικείμενα που έχουν χαρακτηριστεί ως οξιά και έχουν έκταση μεγαλύτερη από τρία στρέμματα είναι μεγαλύτερο από,5. Στο αριστερό σχήμα η συγκεκριμένη κατηγορία, κληρονομεί από τη γονικής της κατηγορίας το ότι ανήκει στο τρίτο επίπεδο της ιεραρχίας, το ότι η συνολική έκταση των εμφωλευμένων υπό-αντικειμένων γυμνή γη του πρώτου επιπέδου είναι μεγαλύτερη του,5, ενώ περιέχει αποκλειστικά τα χαρακτηριστικά της μέσης τιμής του διαύλου του κορεσμού είναι μεγαλύτερη από 445 από και η πυκνότητα μεγαλύτερη από 1,2 Με βάση αυτές τις κατηγορίες πραγματοποιήθηκε η πρώτη ταξινόμηση. Στη συνέχεια σχηματίστηκαν δομικές ομάδες για κάθε κύρια κατηγορία ταξινόμησης (οι κατηγορίες του 4 ου επιπέδου) και πραγματοποιήθηκε ταξινόμηση βάση κατάτμησης στο ίδιο επίπεδο. Η δομική ομάδα που αντιστοιχούσε για παράδειγμα στην οξιά περιελάμβανε της εξής κατηγορίες: Οξιά 3 ου Γυμνή γη 3 ου περ/νη οξιά 3ου Στη συνέχεια η κάθε κύρια κατηγορία, υποδιαιρέθηκε σε κατηγορίες ανάλογα με το μέγεθος το μέγεθος των τμημάτων υιοθετώντας ως ελάχιστη μονάδα χαρτογράφησης τα τρία στρέμματα. Οι εκτάσεις μικρότερες των τριών στρεμμάτων επανα-ταξινομήθηκαν ανάλογα με τη γειτνίαση με άλλες κατηγορίες. Όπως αναφέρθηκε και στην ανασκόπηση της βιβλιογραφίας, αυτή τη χρονική στιγμή δεν υπάρχει σαφές πλαίσιο τεχνικών προδιαγραφών για την κατάρτιση του Δασολογίου. Η επιλογή της ελάχιστης χαρτογραφούμενης μονάδας (Minimum Mapping Unit-MMU) ήταν ένα θέμα ιδιαίτερου προβληματισμού κατά τη διάρκεια της διατριβής. Η επιλογή ενός τέτοιου μεγέθους, είναι στενά συνδεδεμένη με την κλίμακα των διαθέσιμων δεδομένων αλλά και με τις ανάγκες των χρηστών και την κλίμακα παρουσίασης των αποτελεσμάτων. Η επιλογή πολύ μικρής MMU συντελεί στη δημιουργία πολύ 149

172 μεγάλου όγκου πληροφοριών, στην αύξηση του χρόνου επεξεργασίας των δεδομένων και στην ανάγκη για αυξημένη τεχνική υποδομή. Αντίθετα η υιοθέτηση μιας πολύ μεγάλης MMU, μπορεί να οδηγήσει σε απώλεια της πληροφορίας. Μια τέτοια επιλογή φυσικά πέρα από καθαρά οικολογικά κριτήρια επηρεάζεται και από τεχνικό-οικονομικούς παραμέτρους. Η πιο ενδεδειγμένη λύση είναι αυτή που έχει υιοθετηθεί και στο πρόγραμμα χαρτογράφησης των ΗΠΑ. Σύμφωνα με τον επικεφαλής του προγράμματος (Brian Scwhidt 25-προφορική επικοινωνία), η υιοθέτηση ενός μεταβαλλόμενου μεγέθους MMU, ανάλογα με τη σπουδαιότητα της κάθε κατηγορίας είναι η βέλτιστη λύση. Επίσης στη Δασική Υπηρεσία των ΗΠΑ, υπάρχει η δυνατότητα μεταβολής του μεγέθους αυτού (προς το καλύτερο) στην περίπτωση που υπάρχουν οι ανθρώπινοι και οικονομικοί πόροι για αυτό. Η τεκμηρίωση για την επιλογή του μεγέθους των τριών στρεμμάτων στηρίζεται ότι το συγκεκριμένο μέγεθος είναι ίσο με τη MMU στις διαχειριστικές μελέτες που συντάσσονται αυτή τη στιγμή-ως εκ τούτου το υλικό που υπάρχει διαθέσιμο, μπορεί να ενσωματωθεί και να χρησιμοποιηθεί στα πλαίσια του Δασολογίου. Εξάλλου πρέπει να ληφθεί υπόψη, πως η υιοθέτηση μιας μικρότερης MMU, σε περιοχές όπου υπάρχει μια δυναμική αλλαγής του υπάρχοντος οικοσυστήματος (όπως στο Πανεπιστημιακό δάσος όπου τα πλατύφυλλα είδη υπεισέρχονται στις περιοχές των κωνοφόρων), θα καθιστούσε αναγκαία τη συχνότερη ανανέωση των αποτελεσμάτων. Παράλληλα δημιουργήθηκε μια προσωρινή κατηγορία ταξινόμησης για τα τμήματα τα οποία παρουσίασαν μεγάλο βαθμό ασάφειας ως προς την κατηγορία όπου ανήκαν-καμία τάξη δεν υπερτερούσε τωνν υπολοίπων σε βαθμό να αποτελέσει καθοριστικό παράγοντα για το χαρακτηρισμό του αντικειμένου. Η κατηγορία αυτή (μη-ταξινομημένα), διαιρέθηκε σε θυγατρικές κατηγορίες, με φιλοσοφία παρόμοια με αυτή της κατηγορίας γυμνής γης 3 ου. Μετά τον ορισμό των κατηγοριών, ακολούθησε η ταξινόμηση του επιπέδου. Η σε δύο βήματα ουσιαστικά ταξινόμηση του τρίτου επιπέδου, έγινε με γνώμονα την ελαχιστοποίηση κυκλικών εξαρτήσεων (cyclic dependencies), λόγω της χρησιμοποίησης αριθμού σχεσιακών χαρακτηριστικών. Ακολούθως πραγματοποιήθηκε η τελευταία κατάτμηση βάση της ταξινόμησης, για το σχηματισμό των τμημάτων του τέταρτου επιπέδου. Σε αυτή τη φάση, η δομική ομάδα που αντιστοιχούσε για παράδειγμα στην οξιά περιελάμβανε: οξιά 3 ου Large (μεγαλύτερη από 3 στρέμματα) μη-ταξινομημένα περ/να οξιά 3 ου L μ.πεύκη 3 ου S περ/να οξιά 3 ου -L πλατύφυλλα 3 ου S περ/να οξιά 3 ου -L μ. πλατύφυλλα-κωνοφόρα 3 ου S περ/να οξιά 3 ου -L δρυς 3 ου S περ/να οξιά 3 ου L (τμήματα δρυός μικρότερα των τριών στρεμμάτων, περιβαλλόμενα από τμήματα οξιάς μεγαλύτερα των τριών στρεμμάτων) 15

173 Ο χαρακτηρισμός των τμημάτων του τέταρτου επιπέδου έγινε με κριτήριο την ύπαρξη για κάθε κατηγορία του τέταρτου επιπέδου, των αντίστοιχων κάθε δομικής ομάδας, όπως περιγράφηκε στην προηγούμενη παράγραφο (Σχήμα 9-6). Σχήμα 9-6 Κανόνες που χρησιμοποιήθηκαν για τη διάκριση τάξεων του τετάρτου επιπέδου βάση τής ύπαρξης υπό-αντικειμένων συγκεκριμένων κατηγοριών του τρίτου επιπέδου της ιεραρχίας. Η εκτίμηση της ακρίβειας ταξινόμησης, πραγματοποιήθηκε σε δύο επίπεδα. Αρχικά για το πρώτο επίπεδο της ιεραρχίας, χρησιμοποιώντας 21 τυχαία επιλεγμένα σημεία. Για τα σημεία αυτά επιλέχτηκαν τα αντίστοιχα αντικείμενα, τα οποία χαρακτηρίστηκαν και χρησιμοποιήθηκαν ως δείγμα αναφοράς. Τα αντικείμενα αυτά χαρακτηρίστηκαν κατόπιν επισκέψεων στο πεδίο και φωτοερμηνεία από ανεξάρτητο φωτοερμηνευτή. Για 179 από το αρχικό σύνολο των σημείων (αφαιρέθηκαν όσα σημεία από την κατηγορία γυμνή γη δεν αντιστοιχούσαν σε δρόμους), πραγματοποιήθηκε η εκτίμηση της ακρίβειας για το ανώτατο επίπεδο της ιεραρχίας, το τέταρτο. Να σημειωθεί πως όσα σημεία στο πρώτο δείγμα, είχαν χαρακτηριστεί ως αείφυλλα, στο δεύτερο δείγμα τοποθετήθηκαν στη κατηγορία δρυς. Η συνολική ακρίβεια ταξινόμησης ανήλθε σε 52,74% για το πρώτο επίπεδο ενώ η τιμή του συντελεστή Κhat ήταν,45 (Πίνακας 9-3). Γενικά παρατηρείται ότι έντονα προβλήματα διάκρισης εμφανίζονται στην κατηγορία ταξινόμησης αείφυλλα, στην οποία τοποθετήθηκαν εσφαλμένα πολλά αντικείμενα του δείγματος που ανήκαν στις κατηγορίες γυμνή γη και μαύρη πεύκη, γεγονός που επηρέασε την ακρίβεια του χρήστη για αυτή την κατηγορία (22,5%). Αντίστοιχα για την ταξινόμηση του τέταρτου επιπέδου, η συνολική ακρίβεια ταξινόμησης παρουσίασε άνοδο φτάνοντας το 58,1% και ο συντελεστής Κhat το,46 (Πίνακας 9-4). Η γενίκευση που πραγματοποιήθηκε από το ένα στο άλλο επίπεδο βελτίωσε την ακρίβεια ταξινόμησης και σ αυτό συντελεί αφενός η χαμηλή ακρίβεια του πρώτου επιπέδου, αλλά και η ενσωμάτωση της κατηγορίας αείφυλλα στη δρυ. 151

174 Πίνακας 9-3 Πίνακας σύμπτωσης για το πρώτο επίπεδο κατάτμησης, ταξινομημένο με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου Σημεία αναφοράς Ταξινομημένα σημεία αείφυλλα γυμνή γη δρυς μ. πλατύφυλλα μ. πεύκη μ. πλατ./ κωνοφόρα οξιά Σύνολο Ακρίβεια χρήστη αείφυλλα ,5 γυμνή γη ,24 δρυς ,65 μ. πλατύφυλλα ,95 μ. πεύκη , μ. πλατ. /κωνοφόρα , οξιά ,56 Μη-ταξινομ. 1 1 Σύνολο Ακρίβεια παραγωγού 56,25 5, 5, 5, 58,6 4,63 75, Συνολική ακρίβεια 52,74 Khat=,45 Πίνακας 9-4 Πίνακας σύμπτωσης για τις τάξεις του τέταρτου επιπέδου κατάτμησης, για την περίπτωση χρήσης του αλγόριθμου του πλησιέστερου γειτονικού σημείου. Σημεία αναφοράς Ταξινομημένα σημεία δρόμοι δρυς μ. πλατύφυλλα μ.πεύκη μ.πλατ./ κωνοφόρα οξιά Σύνολο Ακρίβεια χρήστη δρόμοι δρυς , μ.πλατύφυλλα ,43 μ.πεύκη , μ.πλατ ,37 /κωνοφόρα οξιά ,52 Μη-ταξινομ. Σύνολο Ακρίβεια παραγωγού 1 77,42 46,15 54,84 28,13 65 Συνολική ακρίβεια 58,1 Κhat=,46 152

175 9.3.2 Διάκριση των πολυγώνων βλάστησης με τη χρήση του αλγόριθμου CART Για τη διάκριση των πολυγώνων βλάστησης, με τη χρήση του αλγόριθμου CART, δημιουργήθηκαν τα ίδια επίπεδα κατάτμησης, βάση των ίδιων παραμέτρων με την ενότητα (Πίνακας 9-2). Αρχικά από τα τμήματα του πρώτου επιπέδου επιλέχτηκαν τμήματα αντιπροσωπευτικά για κάθε κατηγορία (Εικόνα 9-3) και τα δειγματοληπτικά αυτά τμήματα αποτέλεσαν τα δεδομένα εκπαίδευσης του αλγόριθμου CART. Για τον προσδιορισμό του βέλτιστου δένδρου χρησιμοποιήθηκε το σύνολο των δειγμάτων και ως εκ τούτου για τον υπολογισμό των σφαλμάτων εφαρμόστηκε η τεχνική της αντεπικύρωσης. Το αρχικό δείγμα διαιρέθηκε σε 1 ισομεγέθη υποσύνολα και το 9% των παρατηρήσεων χρησιμοποιούνταν κάθε φορά για την ανάπτυξη του μοντέλου και το 1% για τον έλεγχο του μοντέλου και την εκτίμηση των σφαλμάτων πρόβλεψης. Επίσης για να αποφευχθεί η υπέρ-προσαρμογή του δένδρου, κάθε δένδρο σταμάταγε να αναπτύσσεται όταν ένας τερματικός κόμβος περιείχε λιγότερες από δέκα παρατηρήσεις. Τέλος σε όλες τις κατηγορίες δόθηκε ίση βαρύτητα ως προς το κόστος των σφαλμάτων κατά τη ταξινόμησης τους. Tree 7 graph for CATEGORY Num. of non-terminal nodes: 6, Num. of terminal nodes: 7 ID=1 N=12 1 Mean sub_north.img (2) <= > ID=2 N=72 1 ID=3 N=48 7 Ratio sub_north.img (9) <=.1142 >.1142 ID=4 N=15 4 ID=5 N=57 1 Stddev sub_north.img (2) <= > ID=22 N=21 7 ID=23 N=27 8 Mean sub_north.img (6) <= > ID=6 N=29 5 ID=7 N=28 1 GLCM Entropy (all dir.), sub_north.img (2) <= > ID=8 N=16 5 ID=9 N=13 2 Ratio sub_north.img (9) <=.1589 >.1589 ID=14 N=13 6 ID=15 N= Οξυά 2-Δρύς 4-Πεύκα 5-Μεικτό πλατύφυλλα-κωνοφόρα 6-Μεικτό πλατύφυλλα 7-Αείφυλλα 8-Γυμνά Σχήμα 9-7 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του πρώτου επιπέδου 153

176 Στο Σχήμα 9-7, παρουσιάζεται το βέλτιστο δένδρο και οι κανόνες για τη διάκριση των κατηγοριών της ταξινόμησης όπως προέκυψε από τη στατιστική ανάλυση. Ένα άλλο αποτέλεσμα που προκύπτει από την ανάλυση είναι η σημαντικότητα των μεταβλητών ως προς τη διάκριση των κατηγοριών (Πίνακας 9-5). Εδώ πρέπει να σημειωθεί ότι μια μεταβλητή μπορεί να είναι η σημαντικότερη όλων και να μην περιλαμβάνεται ως μεταβλητή διαχωρισμού σε κάποιον από τους κόμβους του βέλτιστου δένδρου. Τούτο μπορεί να οφείλεται στο ότι η συγκεκριμένη μεταβλητή ήταν σε όλους τους κόμβους για παράδειγμα η δεύτερη καλύτερη και έτσι πρέπει να αξιολογηθεί η σημαντικότητα της. Ως προς τις μεταβλητές διαχωρισμού (Σχήμα 9-7), στον πρώτο κόμβο γίνεται η διάκριση μεταξύ των γυμνών και των εκτάσεων αείφυλλων με τις υπόλοιπες κατηγορίες βλάστησης της περιοχής, ενώ ως μεταβλητή διαχωρισμού χρησιμοποιείται η μέση τιμή του δεύτερου διαύλου της εικόνας Quickbird, γεγονός που εξηγείται από το ότι στο εύρος της ακτινοβολίας που καταγράφει αυτός ο δίαυλος περιέχεται η κορυφή της πράσινης ανάκλασης. Το χαρακτηριστικό του λόγου των τιμών για το δίαυλο που προέκυψε από τον υπολογισμό του δείκτη RVI, χρησιμοποιείται δύο φορές. Στη μια περίπτωση για τη διάκριση της μαύρης πεύκης από τις υπόλοιπες κατηγορίες, ενώ χρησιμοποιείται και για τη διάκριση της οξιάς από τα μεικτά πλατύφυλλα. Πίνακας 9-5 Οι είκοσι σημαντικότερες μεταβλητές για τη διάκριση των κατηγοριών ταξινόμησης του πρώτου επιπέδου, σύμφωνα με την ανάλυση CART. Μεταβλητή Ταξινόμηση μεταβλητής Σημαντικότητα Ratio sub_north.img (9) 1 1, Ratio sub_north.img (2) 96,96173 Ratio sub_north.img (3) 95, Ratio sub_north.img (1) 92, Mean sub_north.img (9) 9,92433 Mean sub_north.img (7) 9, Mean sub_north.img (8) 9, Ratio sub_north.img (6) 88, GLCM Entropy (all dir.), sub_north.img (2) 87, Stddev sub_north.img (1) 86, Stddev sub_north.img (2) 85, GLCM Entropy (all dir.), sub_north.img (3) 83,82612 Mean sub_north.img (6) 81,81424 Mean sub_north.img (4) 8,84817 Mean sub_north.img (5) 8, Mean sub_north.img (2) 77, GLCM Entropy (all dir.), sub_north.img (8) 77,77136 GLCM Homogeneity (all dir.), sub_north.img (8) 76,7586 GLCM Homogeneity (all dir.), sub_north.img (1) 75, Ratio sub_north.img (4) 74,

177 Γενικά χρησιμοποιούνται σε όλες τις περιπτώσεις χαρακτηριστικά που έχουν σχέση με το φασματικό χαρακτήρα και μόνο για τη διάκριση τμημάτων δρυός με τμήματα όπου εμφανίζεται μίξη πλατύφυλλων-κωνοφόρων χρησιμοποιείται ένα χαρακτηριστικό σχετικό με υφή. Επίσης δεν χρησιμοποιήθηκαν καθόλου χαρακτηριστικά που αντιπροσωπεύουν σχέσεις μεταξύ των τιμών τμημάτων του πρώτου επιπέδου με υπερκείμενα τμήματα τους. Παρόμοια κατάσταση αναφορικά με τη σπουδαιότητα των μεταβλητών αποτυπώνεται και στον πίνακα για τη σημαντικότητα των μεταβλητών (Πίνακας 9-5), όπου στις είκοσι καλύτερες εμφανίζονται κυρίως τα φασματικά χαρακτηριστικά των αντικειμένων. Η ίδια διαδικασία ταξινόμησης ακολουθήθηκε και για τις τάξεις του δεύτερου επιπέδου. Μετά την επιλογή των δειγμάτων ακολούθησε η διαδικασία της στατιστικής ανάλυσης και της ανάπτυξης του μοντέλου CART. Όπως παρατηρείται και στο Σχήμα 9-8 επιλέχτηκαν δύο χαρακτηριστικά, σχετιζόμενα με τις φασματικές τιμές των τμημάτων σε διαύλους του ορατού μέρους του φάσματος. Αυτό μπορεί να εξηγηθεί από τη σημαντικότητα των διαύλων αυτών ως προς τη διάκριση της βλάστησης (Lillesand και Kiefer 24), ωστόσο αποτελεί έκπληξη η μη παρουσία στα είκοσι σημαντικότερα (Πίνακας 9-6), χαρακτηριστικών συνδεμένων με την υφή ή/και την πληροφορία από το υποκείμενο επίπεδο κατάτμησης. 1-Αραιά 2-Γυμνά 3-Πυκνά Tree 1 graph for CATEGORY Num. of non-terminal nodes: 2, Num. of terminal nodes: 3 ID=1 N=61 1 Mean sub_north.img (3) <= > ID=2 N=2 3 ID=3 N=41 1 Stddev sub_north.img (2) <= > ID=4 N=2 1 ID=5 N=21 2 Σχήμα 9-8 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του δεύτερου επιπέδου 155

178 Η βάση κανόνων που δημιουργήθηκε με τη στατιστική ανάλυση, χρησιμοποιήθηκε στο λογισμικό ecognition για την ταξινόμηση των δύο επιπέδων. Μια διαφοροποίηση σε σχέση με τη Πίνακας 9-6 Οι είκοσι σημαντικότερες μεταβλητές για τη διάκριση των κατηγοριών ταξινόμησης του δεύτερου επιπέδου, σύμφωνα με την ανάλυση CART. Μεταβλητή Ταξινόμηση μεταβλητής Σημαντικότητα Stddev sub_north.img (1) 1 1, Stddev sub_north.img (2) 1 1, Ratio sub_north.img (2) 92,91518 Mean sub_north.img (1) 9, Ratio sub_north.img (1) 84, Ratio sub_north.img (3) 84, Mean sub_north.img (7) 84, Mean sub_north.img (8) 84, Stddev sub_north.img (8) 84, Mean sub_north.img (9) 84, Ratio sub_north.img (9) 84, Mean sub_north.img (2) 78,78161 Ratio sub_north.img (6) 77, Stddev sub_north.img (7) 76, Brightness 76, Ratio sub_north.img (7) 76, Max.Diff. 76, Mean sub_north.img (3) 75,75394 Stddev sub_north.img (3) 75, Ratio sub_north.img (8) 69, ταξινόμηση που πραγματοποιήθηκε με τη μέθοδο του πλησιέστερου γειτονικού σημείου, αφορά τη προσθήκη της κατηγορίας δρυς ανοιχτό, στο σύστημα ταξινόμησης του πρώτου επιπέδου (Εικόνα 9-5). Η κατηγορία αυτή δημιουργήθηκε για την τοποθέτηση των τμημάτων που αφενός είχαν ταξινομηθεί ως μ.πεύκη στο πρώτο επίπεδο, αφετέρου όμως τα υπερκείμενα αντικείμενα τους είχαν ταξινομηθεί ως αραιά. Αυτό πραγματοποιήθηκε διότι η χρήση των κανόνων που προέκυψαν από την ανάλυση CART, δεν επιτρέπει τη διαδικασία της ασαφοποίησης. Τα επόμενα βήματα μέχρι την παραγωγή του τελικού χάρτη, είναι παρόμοια με την ταξινόμηση του αλγόριθμου του πλησιέστερου γειτονικού σημείου. Αρχικά ταξινομήθηκε το τρίτο επίπεδο υπολογίζοντας την αναλογία των εκτάσεων των τμημάτων του πρώτου επιπέδου. Μόνη διαφοροποίηση το γεγονός ότι η τάξη δρυς 3 ου, στην οποία ως έκταση υπό-αντικειμένων της ίδιας κατηγορίας, συνυπολογίστηκε αθροιστικά η έκταση των τμημάτων δρυός 1 ου, αείφυλλων 1 ου και δρυς ανοιχτό 1 ου του πρώτου επιπέδου. 156

179 Εικόνα 9-5 Αποτελέσματα ταξινόμησης για το πρώτο επίπεδο (πάνω αριστερά) και για το δεύτερο επίπεδο (πάνω δεξιά) με τη μέθοδο CART. Κάτω από τις εικόνες αυτές, παρουσιάζονται οι αντίστοιχες κατηγορίες ταξινόμησης του κάθε επιπέδου όπου για το πρώτο επίπεδο φαίνεται η προσθήκη της κατηγορίας δρυς ανοιχτό. Το τμήμα της εικόνας αντιστοιχεί στο κίτρινο πλαίσιο της Εικόνας 9.1. Με την ολοκλήρωση της ταξινόμησης του τρίτου επιπέδου, μια χρήσιμη πηγή πληροφοριών αποτελεί ο έλεγχος της σταθερότητας της ταξινόμησης (classification stability) (Εικόνα 9-6). Στον έλεγχο αυτό αξιολογούνται οι διαφορές στις τιμές συμμετοχής μεταξύ της καλύτερης και της δεύτερης καλύτερης τοποθέτησης ενός αντικειμένου σε μια εκ των κατηγοριών ταξινόμησης. Η πληροφορία αυτή μπορεί να δώσει ενδείξεις για την αμφιβολία με την οποία τοποθετείται ένα αντικείμενο σε μια τάξη, έτσι ώστε να μπορέσει ο αναλυτής να κάνει τις απαραίτητες διορθώσεις. Εικόνα 9-6 Σταθερότητα της ταξινόμησης για το τρίτο επίπεδο. Στα αντικείμενα με ερυθρό χρώμα, η αμφιβολία ως προς την τοποθέτηση τους σε μια εκ των κατηγοριών της ταξινόμησης είναι μεγάλη, ενώ αντίθετα στα αντικείμενα με πράσινο χρώμα η αμφιβολία είναι μικρή. 157

180 Συγκεκριμένα στην Εικόνα 9-6 με κόκκινο χρώμα απεικονίζονται τα αντικείμενα στα οποία υπάρχει μίξη με παρόμοια ποσοστά για δύο ή και περισσότερες κατηγορίες βλάστησης. Εδώ θα ήταν εφικτή, η επέμβαση με τα εργαλεία που είναι διαθέσιμα στο λογισμικό, με σκοπό για παράδειγμα τη διάσπαση αμφίβολων αντικειμένων σε επιμέρους τμήματα με αμιγή σύνθεση. Ωστόσο κάτι τέτοιο δεν έγινε στη παρούσα εργασία, διότι αυτό θα καθιστούσε την όλη διαδικασία σε μεγάλο βαθμό υποκειμενική και μη συγκρίσιμη. Η συνολική ακρίβεια ταξινόμησης ανήλθε σε 73,63% για το πρώτο επίπεδο ενώ η τιμή του συντελεστή Κhat ήταν,69 (Πίνακας 9-7). Αντίστοιχα για την ταξινόμηση του τέταρτου επιπέδου, η συνολική ακρίβεια ταξινόμησης παρουσίασε μείωση φτάνοντας το 63,69% και ο συντελεστής Κhat το,54 (Πίνακας 9-8). Στην περίπτωση αυτή η γενίκευση που πραγματοποιήθηκε από το ένα στο άλλο επίπεδο μείωσε την ακρίβεια ταξινόμησης. Εξαιτίας της μείωσης αυτής, δοκιμάστηκε μια άλλης στρατηγική δημιουργίας των πολυγώνων βλάστησης, μετά την οριστική ταξινόμηση του πρώτου επιπέδου. Πίνακας 9-7 Πίνακας σύμπτωσης για το πρώτο επίπεδο κατάτμησης, ταξινομημένο με τον αλγόριθμο CART. Σημεία αναφοράς Ταξινομημένα σημεία αείφυλλα γυμνή γη δρυς μ. πλατύφυλλα μ.πεύκη μ.πλατ./ κωνοφόρα οξιά Δρυς ανοιχτό Σύν. Ακρίβεια χρήστη αείφυλλα ,14 γυμνή γη ,1 δρυς ,48 μ.πλατύφυλλα ,63 μ.πεύκη ,33 μ.πλατ , /κωνοφόρα οξιά Δρυς ανοιχτό , Μη-ταξινομ. Σύνολο Ακρίβεια παραγωγού 1 9, 51,16 8,77 64,52 75, 75 1 Συνολική ακρίβεια 73,63 Khat=,69 158

181 Πίνακας 9-8 Πίνακας σύμπτωσης για τις τάξεις του τέταρτου επιπέδου κατάτμησης, για την περίπτωση χρήσης του αλγόριθμου CART με τρία και με δύο (γκρι κελιά) αρχικά επίπεδα κατάτμησης. Σημεία αναφοράς Ταξινομημένα σημεία δρόμοι δρυς μ. πλατύφυλλα μ.πεύκη μ.πλατ./ κωνοφόρα οξιά Σύνολο Ακρίβεια χρήστη δρόμοι δρυς ,36 75,71 μ.πλατύφυλλα ,67 43,59 μ.πεύκη ,61 88,24 μ.πλατ ,9 5, /κωνοφόρα οξιά ,82 Μη-ταξινομ. 1 Σύνολο Ακρίβεια παραγωγού 87, ,42 85,48 57,69 65,38 61,29 48,39 46,88 5, 5, 45, Συνολική ακρίβεια 63,69 64,8 Khat=,54 K=,55 Η βασική διαφοροποίηση αυτής της προσέγγισης έγκειται στη δημιουργία μόνο των δύο πρώτων επιπέδων αρχικά, ενώ στη συνέχεια με διαγραφή του δεύτερου επιπέδου ταξινόμησης (κατηγορίες: αραιά, γυμνή γη 2 ου, πυκνά), δημιουργήθηκε ένα νέο επίπεδο κατάτμησης με τη μέθοδο της κατάτμησης βάση ταξινόμησης. Από το επίπεδο αυτό με παραπλήσια λογική με αυτή που ακολουθήθηκε και στις άλλες περιπτώσεις (δηλαδή διαδοχικές ταξινομήσεις και τμηματοποιήσεις βάση ταξινόμησης) προέκυψε το τελικό τέταρτο επίπεδο με τα πολύγωνα βλάστησης. Σκοπός δηλαδή αυτής της προσέγγισης ήταν να διερευνηθεί το κατά πόσον η λογική ταξινόμησης των αντικειμένων του τρίτου επιπέδου κατάτμησης (Πίνακας 9-2) με βάση τη σχετική έκταση των ταξινομημένων υπόαντικειμένων του πρώτου επιπέδου, επιδρά αρνητικά στην ακρίβεια του τελικού χάρτη και πόσο διαφοροποιημένη με όρους ακρίβειας θα ήταν μια προσέγγιση που θα στηριζόταν στην ένωση γειτονικών τμημάτων του πρώτου επιπέδου της ίδιας κατηγορίας. Ωστόσο όπως προκύπτει από την έλεγχο της ακρίβειας ταξινόμησης (Πίνακας 9-8), όπου η ακρίβεια αυτής της μεθόδου είναι 64,8% δεν υπάρχουν σημαντικές διαφορές που να συνηγορούν υπέρ αυτής της προσέγγισης. Το μειονέκτημα αυτής της μεθόδου, έγκειται στο γεγονός ότι η διαγραφή του δεύτερου επιπέδου ταξινόμησης, δεν δίνει τη δυνατότητα για τυχόν διορθώσεις ή τροποποιήσεις στο μοντέλο της ταξινόμησης, γεγονός που την καθιστά λιγότερη ευέλικτη. 159

182 9.3.3 Διάκριση των πολυγώνων βλάστησης με τη χρήση του αλγόριθμου CART και των στατιστικών δεικτών LISA. Για τους εννιά αρχικούς διαύλους που χρησιμοποιήθηκαν στις προηγούμενες ταξινομήσεις, υπολογίστηκαν οι τρείς τοπικοί δείκτες χωρικής συνάφειας για διαδοχικά μεγέθη παραθύρων 3 x 3, 5 x 5 και 7 x 7. Οι νέοι αυτοί δίαυλοι που προέκυψαν, προστέθηκαν στους υπάρχοντες, και ακολουθώντας την ίδια ροή εργασιών, με τις ίδιες παραμέτρους κατάτμησης, επαναλήφθηκε αρχικά η ταξινόμηση των δύο πρώτων επιπέδων με τη χρήση του αλγόριθμου CART, έχοντας αυτή τη φορά 164 μεταβλητές στο σύνολο των δεδομένων. Σχήμα 9-9 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του πρώτου επιπέδου, που προέκυψε από τη χρήση των τοπικών δεικτών συσχέτισης, ως επιπρόσθετων μεταβλητών. Το βέλτιστο δένδρο που προέκυψε (Σχήμα 9-9), είναι διαφοροποιημένο σε κάποιους κόμβους σε σχέση με το δένδρο του Σχήμα 9-7. Στον πρώτο κόμβο για την αρχική διάκριση των γυμνών και των αείφυλλων από τις υπόλοιπες κατηγορίες, αντί για τη μέση τιμή του πράσινου διαύλου, επιλέχτηκε η μέση τιμή της εικόνας υφής που προέκυψε από το στατιστικό μέτρο Getis για τον ίδιο δίαυλο, υπολογισμένο για μία διανυσματική διαφορά. 16

183 Για τη διάκριση των τμημάτων χαρακτηρισθέντα ως πεύκη με τις υπόλοιπες κατηγορίες, αντί για το χαρακτηριστικό του λόγου του δείκτη RVI, επιλέχθηκε το χαρακτηριστικό της εικόνας του στατιστικού μέτρου Getis για το δείκτη RVI, υπολογισμένο για μία διανυσματική διαφορά. Τέλος για τη διάκριση μεταξύ δρυός και μεικτών πλατύφυλλων-κωνοφόρων, αντί του χαρακτηριστικού της εντροπίας για τον πράσινο δίαυλο, επιλέχτηκε στην προκειμένη περίπτωση η μέση τιμή της εικόνας προερχόμενη από το δείκτη Geary για τον ίδιο δίαυλο, για 1 διανυσματική διαφορά. Διαπιστώνεται λοιπόν πως οι μεταβλητές διαχωρισμού στους τρείς από τους έξι κόμβους αλλάζουν με την προσθήκη των μέτρων υφής που υπολογίσθηκαν για τους αρχικούς διαύλους. Και στις τρεις περιπτώσεις αλλαγής, η «πηγή» της πληροφορίας υφής, είναι από φασματικής πλευράς ταυτόσημη με αυτή που χρησιμοποιήθηκε στη χωρίς τους δείκτες LISA ταξινόμηση, όπου τα επιλεχθέντα χαρακτηριστικά προερχόταν από τους ίδιους διαύλους. Επίσης και στις τρεις περιπτώσεις τα μέτρα υφής έχουν υπολογιστεί για διανυσματική διαφορά ενός εικονοστοιχείου. Πίνακας 9-9 Οι είκοσι σημαντικότερες μεταβλητές για τη διάκριση των κατηγοριών ταξινόμησης του πρώτου επιπέδου, σύμφωνα με την ανάλυση CART και τη χρήση των στατιστικών μέτρων LISA. Με πλάγια γράμματα, εντός των παρενθέσεων παρουσιάζονται οι δίαυλοι που χρησιμοποιήθηκαν για τον υπολογισμό του μέτρου υφής και η διανυσματική διαφορά Μεταβλητή Ταξινόμηση μεταβλητής Σημαντικότητα Ratio sub_north.img (9) 1 1, Mean s_n_getisord_scaled.img (19) (Sat-1) 97, Mean s_n_getisord_scaled.img (22) (NDVI-1) 97, Mean s_n_getisord_scaled.img (25) (RVI-1) 96, Ratio sub_north.img (2) 96,9589 Mean s_n_getisord_scaled.img (26) (RVI-2) 96, Ratio sub_north.img (3) 95,94685 Mean s_n_getisord_scaled.img (2) (Sat-2) 95, Mean s_n_getisord_scaled.img (23) (NDVI-2) 95, Ratio sub_north.img (1) 93, Mean s_n_allmoran_scaled.img (25) (RVI-1) 91, Mean sub_north.img (9) 9,92234 Mean s_n_getisord_scaled.img (21) (Sat-3) 9, Mean sub_north.img (7) 9, Mean sub_north.img (8) 9, Mean s_n_getisord_scaled.img (24) (NDVI-3) 9,89657 Mean s_n_getisord_scaled.img (11) (Qb4-2) 88,88475 Mean s_n_allmoran_scaled.img (24) (NDVI-3) 88, Ratio sub_north.img (6) 88,87835 Mean s_n_allmoran_scaled.img (21) (Sat-3) 88,87742 Στη συνέχεια εκτιμήθηκαν (Πίνακας 9-9) οι είκοσι πιο σημαντικές μεταβλητές για τη διάκριση των κατηγοριών με τη χρήση του αλγόριθμου CART και των μέτρων υφής LISA. Συγκρίνοντας τον παραπάνω πίνακα με τα αντίστοιχα αποτελέσματα (Πίνακας 9-5) της χωρίς τα μέτρα υφής LISA ταξινόμησης, είναι εμφανείς σημαντικές διαφοροποιήσεις, λόγω της σημαντικότητας πολλών διαύλων που προέκυψαν από τον υπολογισμό των μέτρων υφής. Γενικά μπορεί να ειπωθεί ότι οι πιο σημαντικοί 161

184 δίαυλοι υφής, προήλθαν από τον υπολογισμό του στατιστικού μέτρου Getis στους διαύλους του κορεσμού και των δεικτών RVI και NDVI. Η χρησιμότητα του στατιστικού Getis όπως τουλάχιστον αναδεικνύεται από τον παραπάνω πίνακα και το Σχήμα 9-9, σε σχέση με τα άλλα δύο (Moran και Geary) είναι αξιοσημείωτη και χρήζει περισσότερης έρευνας στο μέλλον. Για το δεύτερο επίπεδο ταξινόμησης, ακολουθήθηκε η ίδια διαδικασία της στατιστικής επεξεργασίας, ωστόσο τα αποτελέσματα της συγκεκριμένης ανάλυσης δεν παρουσιάζουν το ίδιο ενδιαφέρον καθότι η μη-χρήση πρόσθετων μέτρων υφής (παράγραφος ) λειτούργησε απολύτως ικανοποιητικά για τον πλήρη διαχωρισμό των κατηγοριών. Οι μεταβλητές που επιλέχτηκαν αυτή τη φορά (Σχήμα 9-1) ήταν η εικόνα βάση του δείκτη του Getis, υπολογισμένος για τον κόκκινο δίαυλο και διανυσματική διαφορά τριών εικονοστοιχείων και η εικόνα βάση του δείκτη του Geary υπολογισμένος για το δίαυλο του κορεσμού και διανυσματική διαφορά τριών εικονοστοιχείων. Σχήμα 9-1 Κόμβοι και κανόνες του βέλτιστο δένδρου ταξινόμησης για τα αντικείμενα του δεύτερου επιπέδου, που προέκυψε από τη χρήση των τοπικών δεικτών συνάφειας, ως επιπρόσθετων μεταβλητών. Στη συνέχεια πραγματοποιήθηκε ταξινόμηση των τμημάτων των δύο επιπέδων με τη χρήση των κανόνων από τις παραπάνω στατιστικές αναλύσεις. Περαιτέρω ακολουθήθηκαν τα ίδια βήματα με τις δύο προηγούμενες παραγράφους μέχρι την τελική ταξινόμηση του τέταρτου επιπέδου. Για τον έλεγχο της ακρίβειας ταξινόμησης χρησιμοποιήθηκε το ίδιο δείγμα, με τις προηγούμενες περιπτώσεις δηλαδή 21 σημεία για το πρώτο επίπεδο και 179 για το τέταρτο. Η συνολική ακρίβεια ταξινόμησης ανήλθε σε 78,11% για το πρώτο επίπεδο ενώ η τιμή του συντελεστή Κhat ήταν,75 (Πίνακας 9-1). 162

185 Αντίστοιχα για την ταξινόμηση του τέταρτου επιπέδου, η συνολική ακρίβεια ταξινόμησης μειώθηκε στο 64,25% και ο συντελεστής Κhat το,55, τιμές αντίστοιχες με αυτές που επιτεύχθηκαν και χωρίς τη χρήση των τοπικών δεικτών χωρικής συνάφειας (Πίνακας 9-11). Πίνακας 9-1 Πίνακας σύμπτωσης για το πρώτο επίπεδο κατάτμησης, ταξινομημένο με τον αλγόριθμο CART και τη χρήση των τοπικών δεικτών χωρικής συνάφειας. Σημεία αναφοράς Ταξινομημένα σημεία αείφυλλα γυμνή γη δρυς μ. πλατύφυλλα μ.πεύκη μ.πλατ./ κωνοφόρα οξιά Δρυς ανοιχτό Σύν. Ακρίβεια χρήστη αείφυλλα ,54 γυμνή γη ,43 δρυς ,89 μ.πλατύφυλλα ,64 μ.πεύκη , μ.πλατ ,41 /κωνοφόρα οξιά Δρυς ανοιχτό ,67 Μη-ταξινομ. Σύνολο Ακρίβεια παραγωγού 1 9, 57,14 8,77 77,42 81,25 75, 1 Συνολική ακρίβεια 78,11 Κ=.75 Πίνακας 9-11 Πίνακας σύμπτωσης για τις τάξεις του τέταρτου επιπέδου κατάτμησης, για την περίπτωση χρήσης του αλγόριθμου CART και των τοπικών δεικτών χωρικής συνάφειας. Σημεία αναφοράς Ταξινομημένα σημεία δρόμοι δρυς μ. πλατύφυλλα μ.πεύκη μ.πλατ./ κωνοφόρα οξιά Σύνολο Ακρίβεια χρήστη δρόμοι δρυς ,33 μ.πλατύφυλλα ,48 μ.πεύκη ,5 μ.πλατ ,55 /κωνοφόρα οξιά ,91 Μη-ταξινομ. Σύνολο Ακρίβεια παραγωγού 87,5 64,52 65,38 67,74 62,5 5, Συνολική ακρίβεια 64,25 K=,55 163

186 9.4 Συμπεράσματα Στην ενότητα αυτή διερευνήθηκε η δυνατότητα διάκρισης των δασικών ειδών με σκοπό τη δημιουργία πολυγώνων βλάστησης. Σε πρώτο στάδιο εξετάστηκε με απλά στατιστικά μέτρα η φασματική διακριτότητα των κατηγοριών ταξινόμησης, τόσο στους αρχικούς διαύλους της πολυφασματικής εικόνας όσο και στους σύνθετους που δημιουργήθηκαν και συγκεκριμένα των διαύλων του μετασχηματισμού IHS και δύο δεικτών βλάστησης. Η διακριτότητα σε γενικές γραμμές θα μπορούσε να χαρακτηριστεί περιορισμένη, ενώ από τους αρχικούς διαύλους θετικότερος όλων ήταν ο υπέρυθρος δίαυλος και από τους σύνθετους ο δείκτης RVI. Για τους σκοπούς της διάκρισης ακολουθήθηκε μια αντικειμενοστραφής προσέγγιση πολλαπλής κλίμακας δημιουργώντας τέσσερα επίπεδα ιεραρχίας. Δημιουργήθηκαν αρχικά τρία επίπεδα κατάτμησης ενώ για τον καθορισμό των διαύλων που επρόκειτο να χρησιμοποιηθούν πέραν των εμπειρικών δοκιμών προτάθηκε η ανάλυση μέτρων διάκρισης για τις κύριες κατηγορίες ταξινόμησης. Ένα άλλο στοιχείο που αναδείχτηκε είναι η δυσκολία μεταφοράς και εφαρμογής του αντικειμενοστραφούς μοντέλου σε άλλες περιοχές λόγω των μεταβολών στα όρια και το μέγεθος των τμημάτων ανάλογα με το εύρος της περιοχής εφαρμογής. Το παραπάνω γεγονός επηρεάζει αρνητικά μια επιχειρησιακή εφαρμογή της μεθόδου. Ανάμεσα στις τρεις προσεγγίσεις ταξινόμησης που εξετάστηκαν, η υψηλότερη ακρίβεια για το πρώτο επίπεδο ταξινόμησης, επιτεύχθηκε με τη χρήση του αλγόριθμου CART σε συνδυασμό με τα μέτρα υφής προερχόμενα από τον υπολογισμό των τοπικών δεικτών χωρικής συνάφειας (78% περίπου). Για την ταξινόμηση με τον αλγόριθμο CART και την ταξινόμηση με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου για το πρώτο επίπεδο η ακρίβεια ανήλθε σε 73 και 52% αντίστοιχα. Η χαμηλή ακρίβεια του αλγόριθμου του πλησιέστερου γειτονικού σημείου οφείλεται στην όχι καλή διάκριση της κατηγορίας αείφυλλα και στην ύπαρξη μιας κατηγορίας ταξινόμησης λιγότερης (δρυς ανοιχτό). Και για τις δύο ταξινομήσεις όπου χρησιμοποιήθηκε ο αλγόριθμος CART, η ακρίβεια για το τελικό επίπεδο ανήλθε σε 64% περίπου ενώ για το αντίστοιχο που προέκυψε από τον αλγόριθμο του πλησιέστερου γειτονικού σημείου σε 58%. Από την εμπειρία που αποκτήθηκε κατά τη διερεύνηση διάκρισης των ειδών, προκύπτει ένα ακόμα στοιχείο που αμφισβητεί την επιχειρησιακή χρήση των ψηφιακών ταξινομήσεων (ασχέτως του αλγόριθμου) βάση αντικειμενοστραφών μοντέλων πολλαπλής κλίμακας, για τους σκοπούς χαρτογράφησης δασικών οικοσυστημάτων με δεδομένα πολύ υψηλής ευκρίνειας. Το στοιχείο αυτό είναι η ανάγκη για μεταβολή των κατηγοριών ταξινόμησης και της ιεραρχικών σχέσεων κατ επέκταση, σε περιοχές ετερογενείς, όταν μεταβάλλεται το εύρος σκηνής. Αντ αυτού για τέτοιους σκοπούς ενδείκνυται κατά την άποψη μου μετά το στάδιο της κατάτμησης της εικόνας, να ακολουθούνται διαδικασίες κλασσικής φωτοερμηνείας για την τοποθέτηση των τμημάτων-αντικειμένων σε κατηγορίες κάλυψης γης. 164

187 1 Συμπεράσματα Κύριος σκοπός της διατριβής υπήρξε η αξιολόγηση της δυνατότητας χρησιμοποίησης δορυφορικών δεδομένων πολύ υψηλής ευκρίνειας και Γεωγραφικών Συστημάτων Πληροφοριών (Γ.Σ.Π.) στα πλαίσια της σύνταξης του Δασολογίου. Στο πλαίσιο αυτό μια σειρά επιμέρους στόχων διερευνήθηκαν για την κατανόηση και ενίσχυση της περιεχόμενης πληροφορίας στην αρχική δορυφορική εικόνα, έτσι ώστε να βελτιωθεί η διάκριση των κατηγοριών ταξινόμησης. Αναφορικά με το ερευνητικό ερώτημα της καλύτερης μεθόδου συγχώνευσης της παγχρωματικής και πολυφασματικής εικόνας Quickbird, αποδείχτηκε πως μια σχετικά καινούργια μέθοδος, η Gram- Schmidt, ήταν ανώτερη των υπολοίπων τριών που αξιολογήθηκαν. Η εικόνα που προέκυψε από τη συγκεκριμένη μέθοδο ήταν οπτικά καλύτερη, γεγονός που συνδέεται και με το γεγονός πως οι δίαυλοι της εν λόγω εικόνας παρουσίασαν την υψηλότερη συσχέτιση με τον αρχικό παγχρωματικό δίαυλο. Ως προς τη διατήρηση της φασματικής πληροφορίας της αρχικής εικόνας ξεχώρισαν τόσο η συγχωνευμένη με τη μέθοδο Gram-Schmidt εικόνα, όσο και η συγχωνευμένη με τη μέθοδο των κυματιδίων. Ωστόσο η τελευταία πιθανότατα λόγω του συντελεστή βελτίωσης που χρησιμοποιήθηκε παρουσίασε κάποια τεχνουργήματα στην εμφάνιση της. Από τα αποτελέσματα της παραπάνω ανάλυσης, επιλέχτηκε η συγχωνευμένη εικόνα η οποία χρησιμοποιήθηκε περαιτέρω και για σκοπούς φωτοερμηνείας αλλά και για σκοπούς ψηφιακής ταξινόμησης. Ωστόσο πρέπει να επισημανθεί και σε αυτό το σημείο πως τα αποτελέσματα αυτά σχετίζονται υψηλά με τη συγκεκριμένη σκηνή, ενώ η γενίκευση τους απαιτεί την εφαρμογή της μεθόδου Gram-Schmidt και σε άλλες εικόνες δασικών περιοχών. Στο ερώτημα του εντοπισμού της βέλτιστης κλίμακας, καλύτερη μέθοδος αποδείχτηκε η ανάλυση της μέσης τοπικής διακύμανσης. Σύμφωνα με αυτή τη μέθοδο στις περισσότερες κατηγορίες κάλυψης γης που εξετάστηκαν, η κυρίαρχη κλίμακα η οποία οφείλεται πιθανότατα στα μεμονωμένα δένδρα βρίσκεται σε εύρος μικρότερο από αυτό που είναι διαθέσιμο να μελετηθεί από το μέγεθος το εικονοστοιχείου της δορυφορικής εικόνας. Στις κατηγορίες όπου υπήρχε μίξη εντοπίστηκαν και άλλες κορυφές στα διαγράμματα. Το σχετικά μικρό μέγεθος των υποτμημάτων που εξετάστηκαν για κάθε κατηγορία εξαιτίας της ετερογένειας της περιοχής μελέτης, δεν επέτρεψε τον εντοπισμό και άλλων χαρακτηριστικών σημείων στο χώρο της κλίμακας. Πάντως από την ανάλυση αυτή διαπιστώθηκε πως ο εντοπισμός των μεμονωμένων δένδρων δεν είναι εφικτός με τα διαθέσιμα δορυφορικά δεδομένα, στοιχείο που λήφθηκε υπόψη στην ανάπτυξη της ταξινόμησης σε μετέπειτα στάδια. Η χρησιμότητα της ανάπτυξης και προσαρμογής θεωρητικών μοντέλων βαριογραμάτων, περιορίστηκε από την επίδραση του φαινομένου της ομαλοποίησης του σημειακού βαριογράμματος. Συναφή με το προηγούμενο ερευνητικό ερώτημα ήταν και η προσπάθεια προσδιορισμού του ιδανικού παραθύρου για την ποσοτικοποίηση της χωρικής αυτοσυσχέτισης ως μέτρο υφής. Παρατηρήθηκε γενικά πως διαφορετικές κατηγορίες κάλυψης γης παρουσιάζουν διαφορετικά μεγέθη χωρικής αυτοσυσχέτισης καθώς και διαφορετικές αποστάσεις όπου αυτή η αυτοσυσχέτιση σταματάει 165

188 να υφίσταται. Ιδανική λύση πιθανότατα θα ήταν η εφαρμογή ενός παραθύρου μεταβλητού μεγέθους ωστόσο από την παρατήρηση των συσχετογραμάτων για τους γενικευμένους δείκτες του Moran και Geary, κρίθηκε πως ένα μέγεθος παραθύρου μέχρι έξι εικονοστοιχεία είναι ικανό να συνεισφέρει στη διάκριση των κατηγοριών χωρίς να επιφέρει ανεπιθύμητη αύξηση των μεταβλητών και του όγκου των δεδομένων. Για τη διάκριση δάσους-δασικής έκτασης, καμιά από τις τρεις προσεγγίσεις που αξιολογήθηκαν δεν είχε στατιστικά σημαντικά καλύτερα αποτελέσματα από τις υπόλοιπες, με όρους ακρίβειας ταξινόμησης. Η αντικειμενοστραφής προσέγγιση σε συνδυασμό με ταξινόμηση των κατηγοριών με τον αλγόριθμο της λογιστικής παλινδρόμησης, εμφανίστηκε να είναι η πιο ακριβής μέθοδος σύμφωνα με δεδομένα αναφοράς που προέκυψαν από δύο έμπειρους φωτοερμηνευτές. Γενικά δυο σημεία πρέπει να επισημανθούν από αυτό το ερευνητικό ερώτημα: i. Η χρησιμότητα της αντικειμενοστραφούς προσέγγισης για δυαδικές κατηγορίες άσχετα από τον αλγόριθμο ταξινόμησης σε περιπτώσεις του μοντέλου σκηνής υψηλής ευκρίνειας. ii. Η μη-ύπαρξη πλεονεκτημάτων από τη χρησιμοποίηση της συγχωνευμένης εικόνας στη ψηφιακή ταξινόμηση. Τέλος αναφορικά με τη δυνατότητα διάκρισης πολυγώνων βλάστησης προκύπτουν τα εξής συμπεράσματα: i. Η φασματική διακριτότητα των κατηγοριών κάλυψης γης που εξετάστηκαν, είναι περιορισμένη σε δορυφορικά δεδομένα πολύ υψηλής χωρικής ευκρίνειας ενώ η καλύτερη διάκριση επετεύχθη στον υπέρυθρο δίαυλο και το συνθετικό δίαυλο που προέκυψε από τον υπολογισμό του δείκτη βλάστησης RVI. ii. Η χρήση του αλγόριθμου ταξινόμησης CART, βελτίωσε την ακρίβεια ταξινόμησης σε σχέση με τον αλγόριθμο του πλησιέστερου γειτονικού σημείου, ενώ ο πρώτος αλγόριθμος δίνει καλύτερη δυνατότητα της αξιολόγησης της συνεισφοράς των μεταβλητών στην ταξινόμηση και στην επιμέρους διάκριση των κατηγοριών iii. Η χρήση των τοπικών δεικτών χωρικής συσχέτισης ως επιπρόσθετων μέτρων υφής βελτίωσε την ακρίβεια ταξινόμησης του πρώτου επιπέδου 166

189 11 Εμπειρικές παρατηρήσεις-μελλοντική έρευνα Από τις απαντήσεις του ερωτηματολογίου για το Δασολόγιο (βλ. Παράρτημα 13) προέκυψε ότι η υλοποίηση του τελευταίου, πρέπει να κινηθεί σε διαφορετικό πλαίσιο από αυτό των δασικών απογραφών, συμπεριλαμβάνοντας και άλλες παραμέτρους και αξίες όπως ο προστατευτικός χαρακτήρας του δασικού οικοσυστήματος, πληροφορίες για φυσικές καταστροφές, βιοποικιλότητα κ.λπ.. Επίσης η πλειονότητα των ερωτηθέντων θα επιθυμούσε την καταγραφή των περισσότερων πληροφοριών σε κλίμακα 1:5 ενώ δεύτερη σε προτίμηση είναι η προοπτική καταγραφής όλων αυτών των στοιχείων σε κλίμακα 1:2. Μέσα από τα αποτελέσματα και γενικότερα την πορεία των επεξεργασιών που πραγματοποιήθηκαν στα πλαίσια του διδακτορικού, προκύπτουν κάποιες γενικότερες παρατηρήσεις. Στο θέμα του Δασολογίου, είναι ξεκάθαρο ότι οι τεχνικές προδιαγραφές πρέπει να γίνουν σαφέστερες έτσι ώστε να γίνει δυνατή η υλοποίηση του. Ως προς την κλίμακα χαρτογράφησης και παρουσίασης των πληροφοριών μια κλίμακα 1:5, είναι μάλλον υπερβολική με βάση τους σκοπούς του Δασολογίου όπως τουλάχιστον αναφέρονται από το νομοθέτη πλην αυτού της διάκρισης των ιδιοκτησιών. Η ύπαρξη των σχετικών υποβάθρων από το Κτηματολόγιο με αυτή τη κλίμακα, δεν συνεπάγεται ότι αντίστοιχη κλίμακα πρέπει να υπάρχει και στο Δασολόγιο, αλλά μπορεί να συνεισφέρει ως προς τη χωρική ακρίβεια των χαρτών του Δασολογίου. Η υιοθέτηση μιας κλίμακας 1:1 ή ακόμα και 1:2, μπορεί να συμβάλλει στην κατάρτιση του Δασολογίου σε συντομότερο χρονικό διάστημα και μικρότερο κόστος. Επιπλέον η υιοθέτηση μεγαλύτερης κλίμακας συνεπάγεται μικρότερο χρονικό ορίζοντα αξιοπιστίας των πληροφοριών και ανάγκη για συχνότερη ανανέωση, ιδιαίτερα σε δυναμικά οικοσυστήματα. Επίσης η υιοθέτηση μιας τέτοιας κλίμακας, θα καταστήσει δυνατή τη χρήση δορυφορικών εικόνων SPOT, με μέγεθος εικονοστοιχείου 1 μέτρων, με όλα τα πλεονεκτήματα που συνεπάγεται μια τέτοια χρήση, όπως ταχύτητα, δυνατότητα ανανέωσης κ.λπ. (Καρτέρης 25). Άλλωστε δεν είναι τυχαίο το γεγονός ότι σε καμία χώρα διεθνώς δεν χρησιμοποιούνται χάρτες για την καταγραφή πληροφοριών για δασικά οικοσυστήματα σε κλίμακα 1:5. Αλληλένδετο με την παραπάνω πρόταση είναι φυσικά και το θέμα της επιλογής της ελάχιστης χαρτογραφούμενης επιφάνειας αλλά και μια σειρά άλλων δευτερευόντων τεχνικών παραμέτρων, όπως η ακρίβεια της ψηφιοποίησης κ.λπ. Η πολλαπλής κλίμακας αντικειμενοστραφής προσέγγιση και αυτόματη ταξινόμηση που αξιολογήθηκε στα πλαίσια της διατριβής, ειδικότερα στο θέμα της διάκρισης των ειδών, έδειξε ότι έχει κάποιες αδυναμίες ως μια ενδεχόμενη επιχειρησιακή της εφαρμογή όπως τουλάχιστον εφαρμόσθηκε. Κι αυτό διότι η ψηφιακή ταξινόμηση και ανάπτυξη της ιεραρχίας του μοντέλου είναι ιδιαίτερα χρονοβόρα και οικονομικά ασύμφορη από θέμα χρόνου και ανάγκης για εξειδικευμένο επιστημονικό 167

190 προσωπικό, ιδιαίτερα αν ληφθεί υπόψη ότι το μοντέλο που αναπτύχθηκε δεν είναι εύκολο να μεταφερθεί σε άλλες περιοχές. Αυτό οφείλεται εν μέρη στις αρχές λειτουργίας της κατάτμησης στο συγκεκριμένο λογισμικό, όπου λαμβάνονται υπόψη τα χαρακτηριστικά της σκηνής; χαρακτηριστικά που είναι λογικό να αλλάζουν με αλλαγή του εύρους της σκηνής. Επιπλέον η αλλαγή του εύρους της σκηνής σε ετερογενή περιβάλλοντα, καθιστά πιθανότατα αναγκαία και την αλλαγή των τάξεων και της ιεραρχίας ταξινόμησης. Ωστόσο το λογισμικό ecognition, που χρησιμοποιήθηκε στη διατριβή μπορεί να συνεισφέρει πολύ στη δημιουργία των αρχικών τμημάτων-πολυγώνων, και μάλιστα σε περισσότερα από ένα επίπεδα αν αυτό κρίνεται απαραίτητο, τα οποία στη συνέχεια θα μπορούν να αναγνωριστούν με επισκέψεις πεδίου και φωτοερμηνεία των εικόνων, από το προσωπικό των κατά νομαρχία Διευθύνσεων Δασών, οι οποίοι διαθέτουν προφανώς γνώση της περιοχής. Η απάλειψη της διαδικασίας ψηφιοποίησης των πολυγώνων, θα ελαττώσει πάρα πολύ τις οικονομικές και χρονικές ανάγκες του έργου. Πιο σημαντικό όμως από όλα τα παραπάνω για την διάκριση των πολυγώνων βλάστησης και της συγκρότησης γεωγραφικής βάσης δεδομένων του Δασολογίου, είναι η συγκρότηση αρχικά ενός συστήματος ταξινόμησης των δασικών οικοσυστημάτων στον Ελλαδικό χώρο με βάση φυσιογνωμικά και χλωριστικά κριτήρια και σε δεύτερη φάση ενός συστήματος ταξινόμησης και χαρτογράφησης αυτών των κατηγοριών, για το οποίο αν και έχουν γίνει σημαντικές προσπάθειες (Καρτέρης και Τσομπανίκος 1984), δεν έχει προχωρήσει στην πράξη. Οδηγό στην ανάπτυξη του δεύτερου συστήματος μπορεί να αποτελέσει τα κριτήρια που χρησιμοποιήθηκαν για την ανάπτυξη του συστήματος χρήσης/κάλυψης γης της U.S. Geological Survey (Anderson κ.ά. 1976). 1. Καθορισμός ενός ελάχιστου ορίου ακρίβειας ερμηνείας με τη χρήση δεδομένων τηλεπισκόπησης (85%). 2. Η ακρίβεια της ταξινόμησης για αρκετές κατηγορίες να είναι περίπου το ίδιο. 3. Επαναλήψιμα αποτελέσματα θα πρέπει να λαμβάνονται από αναλυτή σε αναλυτή και μια στιγμή επισκόπησης στην άλλη. 4. Το σύστημα ταξινόμησης να είναι εφαρμόσιμο σε ευρείες περιοχές. 5. Η κατηγοριοποίηση θα πρέπει να είναι τέτοια ώστε να επιτρέπει τη εξαγωγή των τύπων χρήσεων γης από τους τύπους κάλυψης γης. 6. Το σύστημα ταξινόμησης να είναι τέτοιο ώστε να είναι κατάλληλο για χρήση με δεδομένα τηλεπισκόπησης αποκτημένα σε διάφορες στιγμές ανά έτος. 7. Οι κατηγορίες να είναι διαιρετέες σε πιο λεπτομερείς υποκατηγορίες, οι οποίες πιθανόν να προκύψουν από τη χρήση εικόνων μεγαλύτερης κλίμακας ή μετρήσεων πεδίου. 8. Να είναι δυνατή η γενίκευση των κατηγοριών. 9. Να είναι εφικτή η σύγκρισης με μελλοντικές χρήσεις γης δεδομένα κάλυψης γης. 1. Πολλαπλές χρήσεις γης θα πρέπει να αναγνωρίζονται όταν αυτό είναι δυνατό. 168

191 Αξίζει να σημειωθεί πως τα κριτήρια αυτά έχουν αναπτυχθεί πριν από την ευρεία εξάπλωση αυτοματοποιημένων μεθόδων επεξεργασίας των δεδομένων τηλεπισκόπησης καθώς και των δορυφορικών εικόνων, έχουν γενικότερα ισχύ διαχρονικά. Ερευνητικά ερωτήματα για μελλοντική διερεύνηση είναι το κατά πόσο η ενσωμάτωση στη ταξινόμηση δεδομένων τηλεπισκόπησης πολύ υψηλής ευκρίνειας καθώς και δεδομένων radar, επίσης πολύ υψηλής χωρικής ευκρίνειας, θα μπορούσαν να συνεισφέρουν στην καλύτερη διάκριση και χαρτογράφηση των δασικών οικοσυστημάτων, στα πλαίσια του Δασολογίου αλλά και γενικότερα. 169

192 12 Βιβλιογραφία ADAMS, J.B., SMITH, M.O. and GILLESPIE, A.R., 1993, Imaging spectroscopy: Interpretation based on spectral mixture analysis, In Remote Geochemical Analysis: Elemental and Mineralogical Composition 7, Pieters C.M. and P. Englert (Eds) (New York: Cambridge University Press), pp AFIFI, A.A. and CLARK, V., 199, Computer-Aided Multivariate Analysis, 2nd edn (New York: Van Nostrand Reinhold Company). AHERN, F.J., HORLER, D.N.N., CIHLAR, J., BENNETT, W.J. and MACAULAY, E, 1983, Digital processing to improve classification results at resolutions of 5 to 5 meters. In SPIE Symposium on Techniques for Extraction from Remotely Sensed Images, August, New York, (New York: Rochester), pp AKCA, A., 1994, Forest Inventory Systems in the Federal Republic of Germany. In Designing a System of Nomenclature for European Forest Mapping, June, Joensuu, (Italy: European Commision), pp ALLEN, T.F.H. and STARR, T.B., 1982, Hierarchy: Perspectives for Ecological Complexity (Chicago: University of Chicago Press). ANDERSON, G.P., BERK, A., ACHARYA, P.K., MATTHEW, M.W., BERNSTEIN, L.S., CHETWYND, J.H., DOTHE, H., ADLER-GOLDEN, S.M., RATKOWSKI, A.J., FELDE, G.W., GARDNER, J.A., HOKE, M.L., RICHTSMEIER, S.C., PUKALL, B., MELLO J. and JEONG, L.S., 2, MODTRAN4: Radiative Transfer Modeling for Remote Sensing, In SPIE Algorithms for Multispectral, Hyperspectral and Ultraspectral Imagery VI, S.S. Chen and M.R. Descour (Eds), Vol. 449, pp ANGELO, N.P. and HAERTEL, V., 23, On the application of Gabor filtering in supervised image classification. International Journal of Remote Sensing, 24, ANSELIN, L., 1995, Local indicators of spatial association - LISA. Geographical Analysis, 27, ARDO, J., PILESJÖ, P. and SKIDMORE, A.K., 1997, Neural networks, multitemporal Landsat thematic mapper data and topographic data to classify forest damages in the Czech republic. Canadian Journal of Remote Sensing, 23, ASCHBACHER, J. and LICHTENEGGER, J., 199, Complementary nature of SAR and optical data: a case study in the Tropics. Earth Observation Quarterly, 31, 4-8. ATKINSON, P. M. and TATE, N. J., 2, Spatial scale problems and geostatistical solutions: a review. Professional Geographer, 52, ATKINSON, P.M. and LEWIS, P., 2, Geostatistical classification for remote sensing: an introduction. Computers and Geosciences, 26, ATKINSON, P.M. and TATNALL, A.R., 1997, Introduction: Neural networks in remote sensing. International Journal of Remote Sensing, 18, ATKINSON, P.M., 1993, The effect of spatial resolution on the experimental variogram of airborne MSS imagery. International Journal of Remote Sensing, 14, ATKINSON, P.M., DUNN, R. and HARRISON, A.R., 1996, Measurement error in reflectance data and its implications for regularizing the variogram. International Journal of Remote Sensing, 17, AUSTIN, M.P. and ADOMEIT, E.M., 1991, Sampling strategies costed by simulation. In Nature Conservation: Cost Effective Survey and Data analysis, C.R. Margules and M.P. Austin (Eds) (Australia: CSIRO), pp AUSTIN, M.P. and HEYLIGERS, P.C., 1989, Vegetation survey design for conservation: gradsect sampling of forests in northeastern New South Wales. Biological Conservation, 5,

193 AUSTIN, M.P. and HEYLIGERS, P.C., 1991, New approaches to vegetation survey design: gradsect sampling. In Nature Conservation: Cost Effective Survey and Data analysis, C.R. Margules and M.P. Austin (Eds) (Australia: CSIRO), pp BAATZ, M. and SCHÄPE, M., 2. Multiresolution Segmentation an optimization approach for high quality multi-scale image segmentation. In: Strobl, J. et al. (Hrsg.): Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg 2, Karlsruhe, Herbert Wichmann Verlag: pp BAATZ, M., BENZ, U., DEHGHANI, S., HEYNEN, M., HÖLTJE, A., HOFMANN, P., LINGENFELDER, I., MIMLER, M., SOHLBACH, M., WEBER, M., WILLHAUCK, G., 24, ecognition User Guide 4. (Munchen: Definiens Imaging). BARNSLEY, M.J., BARR, S.L. and TSANG, T., 1997, Scaling and generalisation in land cover mapping from satellite sensors, In van Gardingen, J., Foody, G.M. and Curran, P.J. (eds.), Scaling-Up: From Cell to Landscape, Cambridge University Press, pp BAUER, M.E., BURK, T.E., EK, A.R., COPPIN, P.R., LIME, S.D., WALSH, T.A., WALTERS, D.K., BEFORT, W. and HEINZEN, D.F., 1994, Satellite inventory of Minnesota forest resources. Photogrammetric Engineering and Remote Sensing, 6, BENEDIKTSSON, J.A., SWAIN, P.H. and ESROY, O.K., 199, Neural network approaches versus statistical methods in classification of multisource remote sensing data. IEEE Transaction on Geoscience and Remote Sensing, 28, BIAN, L. and BUTLER, R., 1999, Comparing effects of aggregation methods on statistical and spatial properties of simulated spatial data. Photogrammetric Engineering and Remote Sensing, 65, 73 BISHOP, C.M., 1995, Neural Networks for Pattern Recognition, (Oxford: Oxford University Press). BLASZCYNSKI, J.S., 1997, Landform characterization with geographical information systems. Photogrammetric engineering and remote sensing, 63, BLOOM, A., FIELDING, E. and FU, X., 1988, Ademonstration of stereo photogrammetry with combined SIR-B and Landsat-TM images. International Journal of Remote Sensing, 9, BORENSTEIN, E., SHARON, E. and ULLMAN, S., 24, Combining Top-Down and Bottom-Up Segmentation. In IEEE workshop on Perceptual Organization in Computer Vision, IEEE Conference on Computer Vision and Pattern Recognition, Washington, DC, June 24. BREIMAN, L., FRIEDMAN, J.H., OLSHEN, R.A. and STONE, C.J., 1984, Classification and Regression Trees. (Monterey, California: Wadsworth and Brooks Publishing). BRETSCHNEIDER, T. and KAO, O., 2, Image fusion in remote sensing. In 1st Online Symposium of Electronic Engineers. BROWN DE COLSTOUN, E.C.B., STORY, M.H., THOMPSON, C., COMMISSO, K., SMITH, T.G. and IRONS, J.R., 23, National Park vegetation mapping using multi-temporal Landsat 7 data and a decision tree classifier. Remote Sensing of Environment, 85, CAMPBELL, J.B. 22. Introduction to remote sensing. 3rd edn (New York: Gulford). CAO, C. and LAM, N.S,-N., 1997, Understanding the scale and resolution effects in remote sening and GIS. In Scale in Remote sensing and GIS, Quattrochi, D.A. and Goodchild,M.F., (Eds) (Boca Raton, FL: CRC Lewis) pp CARLEER, A.P. and WOLFF, E., 24, Exploitation of Very High Resolution Satellite Data for Tree Species Identification. Photogrammetric Engineering and Remote Sensing, 7, CARPENTER, G.A., GJAJA, M.N., GOPAL, S. and WOODCOCK, C.E., 1997, ART neural networks for remote sensing: vegetation classification from Landsat TM and Terrain Data. IEEE Transactions on Geoscience and Remote Sensing, 35, CARPENTER, G.A., GOPAL, S., MACOMBER, S., MARTENS, S. and WOODCOCK, C.E., 1999, A neural network method for mixture estimation for vegetation mapping. Remote Sensing of Environment, 7,

194 CARR, J., 1999, Classification of digital image texture using variograms. In Advances in Remote Sensing and GIS Analysis, P.M. Atkinson and N.J. Tate (Eds) (Chichester: John Wiley), pp CHAVEZ, P.S. Jr. and A.Y. KWARTENG, 1989, Extracting spectral contrast in Landsat Thematic Mapper image data using selective principal component analysis. Photogrammetric Engineering and Remote Sensing, 55, CHAVEZ, P.S., 1989, Radiometric calibration of Landsat Thematic Mapper multispectral images. Photogrammetric Engineering and Remote Sensing, 55, CHAVEZ, P.S., Jr., Image-Based Atmospheric Corrections - Revisited and Improved. Photogrammetric Engineering and Remote Sensing, 62, CHAVEZ, P.S., Sides, S.C. and Anderson, J.A., 1991, Comparison of three different methods to merge multiresolution and multispectral data: TM and SPOT pan. Photogrammetric Engineering and Remote Sensing, 57, CHEN, D., STOW, D. and GONG, P., 24, Examining the effect of spatial resolution on classification accuracy: an urban environmental case. International Journal of Remote Sensing, 25, CHEN, L.C. and LEE, L.H., 1992, Progressive Generation of Control Frameworks for Image Registration. Photogrammetric Engineering and Remote Sensing, 58, CLARK, D.A. and CLARK, D.B., 1992, Life history diversity of canopy and emergent trees in a neotropical rain forest. Ecological Monographs, 62, CLARK, I., 1977, Regularization of a semivariogram. Computers and Geosciences, 3, CLIFF, A.D. and ORD, J.K., 1981, Spatial Processes: Models and Applications (London: Pion). COBURN, C.A. and ROBERTS, A.C.B., 24, A Multiscale Texture Analysis Procedure for Improved Forest Stand Classification. International Journal of Remote Sensing, 25, COCHRAN, W.G., 1977, Sampling techniques, 3rd edn (New York: Wiley and Sons). COHEN, J., 196, A coefficient of agreement for nominal scales. Educational and Psychological Measurement, 2, COHEN, W.B. and Spies, T.A., 1992, Estimating structural attributes of Douglas-fir/western hemlock forest stands from LANDSAT and SPOT imagery. Remote Sensing of Environment, 41, COLLINS, J.B. and WOODCOCK, C.E., 1999, Geostatistical estimation of resolution-dependent variance in remotely sensed images. Photogrammetric Engineering and Remote Sensing, 65, CONGALTON, R. and MEAD, R., 1983, A quantitative method to test for consistency and correctness of photointerpretation. Photogrammetric Engineering and Remote Sensing, 49, COOPS, N.C. and CULVENOR, D., 2, Utilizing local variance of simulated high-spatial resolution imagery to predict spatial pattern of forest stands. Remote Sensing of Environment, 71, CRACKNELL, A.P. and HAYES, L.W., 1993, Introduction to Remote Sensing (London: Taylor and Francis). CRIST, E.P. and CICONE, R.C., 1984, Application of the tasseled cap concept to simulated Thematic Mapper data. Photogrammentric Engineering and Remote Sensing, 5, CULVENOR, D., 23, Extracting individual tree information. A Survey of Techniques for High Spatial Resolution Imagery. In Methods and Applications for Remote Sensing of Forests: Concepts and Case Studies, M. Wulder and S.E. Franklin (Eds), (Dordrecht: Kluwer Academic Publishing), pp CULVENOR, D., 22, TIDA: an algorithm for the delineation of tree crowns in high spatial resolution remotely sensed imagery. Computers and Geosciences, 28, CULVENOR, D., COOPS, N.C., PRESTON, R. and TOLHURST, K., 1988, A spatial clustering approach to automated crown delineation. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.- P.F.C., (British Columbia: Canadian Forest Service), pp

195 CURRAN, P.J. and ATKINSON, P.M., 1999, Issues of scale and optimal pixel size. In Spatial Statistics in Remote Sensing, A. Stein, F. van der Meer and B. Gorte (Eds) (Dordrecht: Kluwer), pp CUSHNIE, J.L., 1987, The interactive effect of spatial resolution and degree of internal variability within land-cover types on classification accuracies. International Journal of Remote Sensing, 8, DAVIS, F.W., QUATTROCHI, D.A., RIDD, M.K., LAM, N.S.-N., WALSH, S.J., MICHAELSEN, J.C., FRANKLIN, J., Stow, D.A., Johannsen, C.J. and Johnston, C.A., 1991, Environmental analysis using integrated GIS and remotely sensed data: Some research needs and priorities. Photogrammetric Engineering and Remote Sensing, 57, DAWKINS, H.C., 1958, The Management of Tropical High Forest with special reference to Uganda. Imperial Forestry Institute, Paper No 34, University of Oxford. DAWKINS, H.C., 1963, Crown diameters: their relation to bole diameter in tropical forest trees. Commonwealth. Forestry Review, 42, DEFRIES, R., HANSEN, M., TOWNSHEND, J.R.G. and SOHLBERG, R., 1998, Global land cover classifications at 8 km spatial resolution: The use of training data derived from Landsat imagery in decision tree classifiers. International Journal of Remote Sensing, 19, DEVIJER, P. and KITTLER, J., 1982, Pattern Recognition. A Statistical Approach (London: Prentice Hall International). DIKSHIT, O. and ROY, D.P., 1996, An Empirical Evaluation of Image Resampling Effects Upon the Spectral and Textural Supervised Classification of a High Spatial Resolution Multispectral Image. Photogrammetric Engineering and Remote Sensing, 62, DORREN, L.K.A., MAIER, B. and SEIJMONSBERGEN, A.C., 23, Improved Landsat-based forest mapping in steep mountainous terrain using object-based classification. Forest Ecology and Management, 183, DUDA, R.O. and Hart, P.E., 1973, Pattern Classification and Scene Analysis (New York: Wiley and Sons). DUGUAY, G., HOLDER, G., HOWARTH, P. and LEDREW, E., 1987, Integrating remotely sensed data from different sensors for change detection. In I.E.E.E. International Geoscience and Remote Sensing Symposium, May 1987, Ann Arbor, U.S.A., (NewYork: I.E.E.E.), p EMERSON, C., LAM, N.S.-N. and QUATTROCHI, D., 25, A comparison of local variance, fractal dimension and Moran's I as aids to multispectral image classification. International Journal of Remote Sensing, 26, EMERSON, C.W., LAM, N.S.-N. and QUATTROCHI, D.A., 1999, Multiscale fractal analysis of image texture and pattern. Photogrammetric Engineering and Remote Sensing, 65, EPPERSON, B.K., 23, Geographical Genetics (Princeton: Princeton University Press). FAO, 21, Global Forest Resources Assessment 2. (Rome: Food and Agriculture Organization of the United Nations) FAREBROTHER, R.W., 1974, Gram-Schmidt Regression. Applied Statistics, FENSTERMAKER, L., 1991, A proposed approach for national to global scale error assessments. In GIS/LIS '91, ASPRS, ACSM, AAG, AM/FM International and URISA, 1, pp FERRO, C.J. and WARNER, T.A., 22, Scale and texture in digital image classification. Photogrammetric Engineering and Remote Sensing, 68, FISHER, P., 1997, The pixel: a snare and a delusion. International Journal of Remote Sensing, 18, FLANDERS, D., HALL-BEYER, M. and PEREVERZOFF, J., 23, Preliminary evaluation of ecognition object-based software for cut block delineation and feature extraction. Canadian Journal of Remote Sensing, 29,

196 FOODY, G.M. and CURRAN, P.J., 1994, Scale and environmental remote sensing. In Environmental Remote Sensing from Regional to Global Scales, G. M. Foody and P. J. Curran (Eds) (Chichester: Wiley and Sons), pp FOODY, G.M., MCCULLOCH, M.B. and YATES, W.B., 1995, Classification of remotely sensed data by an artificial neural network: issues related to training data characteristics. Photogrammetric Engineering and Remote Sensing, 61, FRANKLIN, J. and WOODCOCK, C.E., 1997, Multiscale vegetation data for the mountains of Southern California: spatial and categorical resolution. In Scale in Remote Sensing and GIS, D.A. Quattrochi and M.F. Goodchild, (Eds.) (Boca Raton, FL: CRC Lewis), pp FRANKLIN, J., 1995, Predictive Vegetation Mapping: Geographic Modeling of Biospatial Patterns in Relation to Environmental Gradients. Progress in Physical Geography, 19, FRANKLIN, J., PHINN, S.R., WOODCOCK, C.E. and ROGAN, J., 23, Rationale and conceptual framework for classification approaches to assess forest resources and properties. In Methods and Applications for Remote Sensing of Forests: Concepts and Case Studies, M. Wulder and S.E. Franklin (Eds), (Dordrecht: Kluwer Academic Publishing), pp FRANKLIN, J., WOODCOCK, C.E. and WARBINGTON, R., 2, Digital vegetation maps of forest lands in California: Integrating satellite imagery, GIS modeling and field data in support of resource management. Photogrammetric Engineering and Remote Sensing, 66, FRANKLIN, S.E. and BLODGETT, C.F., 1993, An example of satellite multisensor data fusion. Computers and Geosciences, 19, FRANKLIN, S.E. and WULDER, M., 22, Remote sensing methods in large-area land cover classification using satellite data. Progress in Physical Geography, 26, FRANKLIN, S.E., 21, Remote Sensing for Sustainable Forest Management, (Boca Raton, FL: CRC Lewis) FRANKLIN, S.E., HALL, R.J., MOSKAL, L.M., MAUDIE, A.J. and LAVIGNE, M.B., 2, Incorporating texture into classification of forest species composition from airborne multispectral images, International Journal of Remote Sensing, 21, FRANKLIN, S.E., HALL, R.J., SMITH, L. and GERYLO, G.R., 23, Discrimination of conifer height, age and crown closure classes using Landsat TM imagery in the Canadian Northwest Territories, International Journal of Remote Sensing, 24, FRANKLIN, S.E., MAUDIE, A.J. and LAVIGNE, M., 21, Using spatial co-occurrence texture to increase forest structure and species composition classification accuracy. Photogrammetric Engineering and Remote Sensing, 67, FRANKLIN, S.E., WULDER, M. and GERYLO, G.R., 21, Texture analysis of IKONOS panchromatic imagery for Douglas-fir forest age class separability in British Columbia, International Journal of Remote Sensing, 22, FRANKLIN, S.E., WULDER, M. and LAVIGNE, M., 1996, Automated derivation of geographic windows for use in remote sensing digital image analysis. Computers and Geosciences, 22, FRIEDL, M.A. and BRODLEy, C.E., 1997, Decision tree classification of land cover from remotely sensed data. Remote Sensing of Environment, 61, FRIEDMANN, D.F., FRIEDEL J.P., MAGNUSSEN, K.L., KWOK, R. and RICHARDSON, S., 1983, Multiple Scene Precision Rectification of Spaceborne Imagery with Very Few Ground Control Points. Photogrammetric Engineering and Remote Sensing, 49, GAO, Y., 23, Pixel based and object oriented image analysis for coal fire research. Master Thesis, ITC, Netherlands. GATES, D., 199, Climate change and the response of forests. International Journal of Remote Sensing, 11,

197 GATRELL, A.C., 1991, Concepts of Space and Geographical Data. In Geographical Information Systems: Principles and Applications, Volume 1, D.J. Maguire, M.F. Goodchild and D.W. Rhind (Eds) (London: Longman Scientific Publications), pp GAUCH, H.G. Jr., 1982, Multivariate analysis in community ecology (Cambridge: Cambridge University Press). GETIS, A. and ORD, J.K., 1992, The analysis of spatial association by use of distance statistics. Journal of Geographical Analysis, 24, GETIS, A. and ORD, J.K., 1995, Local Spatial Autocorrelation Statistics: Distributional Issues and an Application. Journal of Geographical Analysis, 27, GILLIS, M. and LECKIE, D., 1996, Forest inventory update in Canada. The Forestry Chronicle, 72, GILLISON, A.N. and BREWER, K.R.W., 1985, The use of gradient directed transects or gradsects in natural resource surveys. Journal of Environmental Management, 2, GONG, P., MILLER, J. and SPANNER, M., 1994, Forest canopy closure from classification and spectral unmixing of scene components - multisensor evaluation of an open canopy. IEEE Transactions on Geoscience and Remote Sensing, 32, GOODCHILD, M.F., 1986, Spatial Autocorrelation, Concepts and Techniques in Modern Geography, CATMOG 47, (Norwich: GeoBooks). GOUGEON, F., 1998, Automatic individual tree crown delineation using a valley-following algorithm and a rule-based system. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.-P.F.C., (British Columbia: Canadian Forest Service), pp GOUGEON, F.A., 1995, Comparison of possible multispectral classification schemes for tree crowns individually delineated on high spatial resolution MEIS images. Canadian Journal of Remote Sensing, 21, 1 9. GRAHAM, I., 2, Object Oriented Methods. Principles and Practice, 3rd edn (New York :Addison- Wesley). GUYOT, G., GUYON, D. and RIOM, J., 1989, Factors affecting the spectral response of forest canopies: a review. Geocarto International, 3, HAIR, J.F. Jr., ANDERSON, R.E., TATHAM, R.L. and BLACK, W.C., 1998, Multivariate Data Analysis, 5th edn (New Jersey: Prentice-Hall Inc.). HÁJEK, F., 25, Object-oriented classification of remote sensing data for the identification of tree species composition. In ForestSat 25 conference, May 31 - June 3, 25, Boras, Sweden. HALL, F., SHIMABUKURO, Y. and HUEMMRICH, K., 1995, Remote sensing of forest biophysical structure using mixture decomposition and geometric reflectance models. Ecological Applications, 5, HALL, R.J., FRANKLIN, S.E., GERYLO G.R. and ROBERTS, A., 1998, Estimation of crown closure and species composition from high resolution multispectral imagery. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.-P.F.C., (British Columbia: Canadian Forest Service), pp HANSEN, M., DUBAYAH, R. and DEFRIES, R.S., 1996, Classification trees: An alternative to traditional land cover classifiers. International Journal of Remote Sensing, 17, HARALICK, R.M., 1979, Statistical and structural approaches to texture. IEEE, 67, HARALICK, R.M., SHANMUGAM, K. and DINSTEEIN, J., 1973, Textural features for image classification. IEEE Transactions on Systems, Man and Cybernetics, 3, HARMON, M.E., BRATTON, S.P. and WHITE, P.S., 1983, Disturbance and vegetation response in relation to environmental gradients in the Great Smoky Mountains. Vegetation, 55,

198 HAY, G.J., CASTILLA, G., WULDER, M.A.and RUIZ., J.R, 25. An automated object-based approach for the multiscale image segmentation of forest scenes. International Journal of Applied Earth Observation and Geoinformation,7, HAY, G.J., 24, Landscape Ecologist Geocomputing Lab, University of Montreal. (Προσωπική επικοινωνία) HAY, G.J., BLASCHKE, T., MARCEAU, D.J. and BOUCHARD, A., 23, A comparison of three imageobject methods for the multiscale analysis of landscape structure. Photogrammetric Engineering and Remote Sensing, 57, HAY, G.J., MARCEAU, D.J., BOUCHARD, A. and DUBE, P., 21, A multiscale framework for landscape analysis: object-specific upscaling. Landscape Ecology, 16, HAY, G.J., NIEMANN, K.O. and GOODENOUGH, D.G., 1997, Spatial thresholds, image-objects and upscaling: a multiscale evaluation. Remote Sensing of Environment, 62, HEYMAN, O., 23, A per-segment approach to improving aspen mapping from high-resolution remote sensing imagery. Journal of forestry, 11, HILL, J. and 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. HODGSON, M.E., JENSEN, J.R., TULLIS, J.A., RIORDAN, K.D. and ARCHER, C.M., 23, Synergistic use of LIDAR and color aerial photography for mapping urban parcel imperviousness. Photogrammetric Engineering and Remote Sensing, 69, HOSMER, D.W. and LEMESHOW, S., 1989, Applied Logistic Regression (New York: Wiley and Sons). HUBERT, L.J., GOLLEDGE, R.G. and CONSTANZO, C.M., 1981, Generalized procedures for evaluating spatial autocorrelation. Geographical Analysis, 13, HUBERT-MOY L., COTONNEC, A., LE DU, L., CHARDIN A. and PEREZ, P., 21, A comparison of classification procedures of remotely sensed data applied on different landscape units. Remote Sensing of Environment, 75, HUSCH, B., MILLER, C.I. and BEERS, T.W., 1982, Forest Mensuration, 3rd edn (New York: Wiley and Sons). IRONS, J., MARKHAM, B., NELSON, R., TOLL, D., WILLIAMS, D., LATTY, R. and STAUFFER, M., 1985, The effects of spatial resolution of the classification of thematic mapper data. International Journal of Remote Sensing, 6, ISAAKS, E.H. and SRISTAVA, R.M., 1989, An Introduction to Applied Geostatistics (New York: Oxford University Press). ISLAM, Z. and METTERNICHT, G., 25,The performance of fuzzy operators on fuzzy classification of urban land cover. Photogrammetric Engineering and Remote Sensing, 71, IVITS, E. and KOCH, B., 22, Object-Oriented Remote Sensing Tools for Biodiversity Assessment: a European Approach. In Geoinformation for European-wide Integration, 22nd EARSeL Symposium, June 4-6, 22 (Netherlands: Millpress Science Publishers). JARVIS, P. and DEWAR, R., 1993, Forest in the global carbon balance: from stand to region. In Scaling physiological processes: leaf to globe, J. Ehleringer and C. Field (Eds) (San Diego: Academic Press), pp JENNINGS, M., LOUCKS, O., GLENN-LEWIN, D., PEET, R., FABER-LANGENDOEN, D., GROSSMAN, D., DAMMAN, A., BARBOUR, M., PFISTER, R., WALKER, M., TALBOT, S., WALKER, J., HARTSHORN, G., WAGGONER, G., ABRAMS, M., HILL, A., ROBERTS, D. and TART, D., 23, Guidelines for describing associations and alliances of the U.S. National Vegetation Classification. The Ecological Society of America, Vegetation Classification Panel, Version

199 JENNINGS, S.B., BROWN, N.D. and SHEIL, D., 1999, Assessing forest canopies and understorey illumination: canopy closure, canopy cover and other measures. Forestry, 72, JENSEN, J.R., 1986, Introductory digital image processing-a Remote Sensing Perspective. (New York: Prentice-Hall) JOHANSON, T., 1985, Estimating canopy density by the vertical tube method. Forest Ecology and Managagement, 11, JOHNSON, E.W., 2, Forest sampling desk reference. (Boca Raton, FL: CRC Lewis). JUPP, D.L.B., STRAHLER, A.H. and WOODCOCK, C.E., 1988, Autocorrelation and regularization in digital images. I. Basic theory. IEEE Transactions on Geoscience and Remote Sensing, 26, JUPP, D.L.B., STRAHLER, A.H. and WOODCOCK, C.E., 1989, Autocorrelation and regularization in digital images. II. Simple image models. IEEE Transactions on Geoscience and Remote Sensing, 27, KARDOULAS, N.G., BIRD, A.C. and LAWAN, A.I., 1996, Geometric correction of SPOT and Landsat imagery: a comparison of map and GPS-derived control points. Photogrammetric Engineering and Remote Sensing, 62, KAVZOGLU, T. and MATHER, P.M., 1999, Pruning artificial neural networks: an example using land cover classification of multi-sensor images. International Journal of Remote Sensing, 2, KAWATA, Y. et al., 1988, Radiometric Correction for Atmospheric And Topographic Effects on Landsat MSS Images. International Journal of Remote Sensing, KAYITAKIRE, F., FARCY, C. and DEFOURNY, P., 22, Ikonos-2 imagery potential for forest stands mapping. In ForestSAT 22 Symposium, Heriot Watt University, Edinburgh, August 5-9, 22. KELLENBERGER, Τ., 24, RSL-Remote Sensing Laboratories, Department of Geography, University of Zürich-Irchel (Προσωπική επικοινωνία). KETTING, R.L., and LANDGREBE, D.A., 1976, Classification of Multispectral Image Data by Extraction and Classification of Homogeneous Objects. IEEE Transactions on Geoscience Electronics, GE-14, KEY, J., MASLANIK, J.A. and SCHWEIGER, A.J., 1989, Classification of merged AVHRR and SMMR Arctic data with neural networks. Photogrammetric Engineering and Remote Sensing, 55, KEY, T., WARNEr, T.A., MCGRAW, J.B. and FAJVAN, M.A., 21, A comparison of multispectral and multitemporal information in high spatial resolution imagery for classification of individual tree species in a temperate hardwood forest. Remote Sensing of Environment, 75, KIMES, D.S., NELSON, R.F., SALAS, W.A. and SKOLE, D.L., 1999, Mapping secondary tropical forest and forest age from SPOT HRV data. International Journal of Remote Sensing, 2, KOSAKA, N., AKIYAMA, T., TSAI, B. and KOJIMA, T., 25, Forest Type Classification Using Data Fusion of Multispectral and Panchromatic High-Resolution Satellite Imageries. In: IGARSS 25 Symposium, Seoul, Korea. July 25-29, 25. KOTLIAR, N.B. and WIENS, J.A, 199, Multiple Scales of Patchiness and Patch Structure: A Hierarchical Framework for the Study of Heterogeneity. Oikos, 59, KOUTSIAS, N. and KARTERIS, M., 1998, Logistic regression modelling of multitemporal Thematic Mapper data for burned area mapping. International Journal of Remote Sensing, 19, KOZLOWSKI, T., KRAMER, P. and PALLARDY, S., 1991, The physiological ecology of woody plants (Toronto: Academic Press). KREBS, C.J., 1989, Ecological Methodology (New York: Harper and Row). LABEN, C.A. and BROWER, B.V., 2, Process for enhancing the spatial resolution of multispectral imagery using pan-sharpening. U.S. Patent LALIBERTE, A., RANGO, A., FREDRICKSON, E.L., 25, Classification of Arid Rangelands Using An Object-Oriented and Multi-Scale Approach with Quickbird Imagery. In American Society for 177

200 Photogrammetry and Remote Sensing Annual Conference, March 7-11, 25, Baltimore, Maryland. 25 Cdrom. LALIBERTE, A.S., RANGO, A., HAVSTAD, K.M., PARIS, J.F., BECK, R.F., MCNEELY, R. and GONZALEZ, A.L., 24, Object-oriented image analysis for mapping shrub encroachment from 1937 to 23 in southern New Mexico. Remote Sensing of Environment, 93, LARSEN, M., 1998, Finding an optimal match window for spruce top detection based on an optical tree model. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.-P.F.C., (British Columbia: Canadian Forest Service), pp LATTY, R.S. and HOFFER, R.M., 1981, Computer-based classification accuracy due to the spatial resolution using per-point versus per-field classification techniques. In 7th International Symposium of Machine Processing of Remotely Sensed Data, June 23-26, LARS/Purdue Univ., (Purdue: LARS Technical Note 62281) pp LAWRENCE, R.L. and WRIGHT, A., 21, Rule-based classification systems using classification and regression tree (CART) analysis. Photogrammetric Engineering and Remote Sensing, 67, LAWRENCE, R.L., BUNN, A., POWELL, S. and ZAMBON, M., 24, Classification of remotely sensed imagery using stochastic gradient boosting as a refinement of classification tree analysis. Remote Sensing of Environment, 9, LE WANG, W., Sousa, GONG, P. and BIGING, G.S., 24, Comparison of IKONOS and QuickBird images for mapping mangrove species on the Caribbean coast of Panama. Remote Sensing of Environment, 91, LECKIE, D., 199, Advances in remote sensing technologies for forest survey and management. Canadian Journal of Forest Research, 2, LECKIE, D., BEAUBIEN, J., GIBSON, J., O' NIELL, N., PIEKUTOWSKI, T. and JOYCE, S., 1995, Data processing and analysis for MIFUCAM: a trial for MEIS imagery for forest inventory mapping. Canadian Journal of Remote Sensing, 21, LECKIE, D.G., 199, Synergism of SAR and visible/infrared data for forest type discrimination. Photogrammetric Engineering and Remote Sensing, 56, LECKIE, D.G., GOUGEON, F.A., WALSWORTH, N. and PARADINE, D., 23, Stand delineation and composition estimation using semi-automated individual tree crown analysis. Remote Sensing of Environment, 85, LECKIE, D.G., TINIS, S., NELSON, T., BURNETT, C., GOUGEON, F.A., CLONEY, E. and PARADINE, D., 25, Issues in species classification of trees in old growth conifer stands. Canadian Journal of Remote Sensing, 31, LEFSKY, M.A., COHEN, W.B. and SPIES, T.A., 21, 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, LEGENDRE, P. and LEGENDRE, L., 1998, Numerical Ecology (Amsterdam: Elsevier). Leica Geosystems GIS and Mapping, 23, Erdas Field Guide, 7th Edition, (Atlanta: Erdas Inc.). LEVIN, S.A., 1992, The problem of pattern and scale in ecology. Ecology, 73, LILLESAND, T.M., KIEFER, R.W. and CHIPMAN, J.W., 24, Remote Sensing and Image Interpretation. 5th edition. (Chichester: John Wiley and Sons Inc). LLOYD, C.D., BERBEROGLU, S., CURRAN P.J. and ATKINSON P.M., 24, A comparison of texture measures for the per-field classification of Mediterranean land cover. International Journal of Remote Sensing, 25, LOBO, A., 1997, Image segmentation and discriminant analysis for the identification of land cover units in Ecology. IEEE Transactions on Geoscience and Remote Sensing, 35, LONGLEY, P.A., GOODCHILD, M.F., MAGUIRE, D.J. and RHIND, D.W., 21, Geographic Information Systems and Science (Chichester: John Wiley and Sons). 178

201 LUND, H.G. and THOMAS, C.E., 1989, A primer on stand and forest inventory design. USDA For. Serv. Gen. Tech. Rep. WO-54. (Washington, DC: U.S. Department of Agriculture). MABBUTT, J.A., 1968, Review of concepts of land classification. In Land Evaluation: Papers of a Csiro Symposium, G.A. Stewart (Ed) (Melbourne Australia: Macmillan), pp MALLINIS, G., KOUTSIAS, N., MAKRAS, A. and KARTERIS, Μ.Α., 24, Assesing the potential use of high-resolution remotely sensed data for forest stand parameters estimation in a typical European Mediterranean landscape. Forest Science, 5, MANGOLINI, N., 1994, Apport de la fusion d'images satellitaires multicapteurs au niveau pixel en teledetection et photo-interpretation. These de Doctorat, Universite Nice - Sophia Antipolis. MARCEAU, D., HOWARTH, P.J., DUBOIS, J.M.M. and GRATTON, D.J., 199, Evaluation of the graylevel co occurrence matrix (GLCM) method for land-cover classification using SPOT imagery. IEEE Transactions on Geoscience and Remote Sensing, 28, MARCEAU, D.J., 1999, The scale issue in the social and natural sciences. Canadian Journal of Remote Sensing, 25, MARKHAM, B.L. and TOWNSHEND, J.R.G., 1981, Land cover classification accuracy as a function of sensor spatial resolution. In Fifteenth International Symposium on Remote Sensing of Environment, (Michigan: Ann Arbor), pp MATHER, P., Computer Processing of Remotely Rensing Images-An introduction. (New York: John Wiley and Sons). MATHERON, G., 1963, Principles of geostatistics. Economic Geology, 58, MCBRATNEY, A.B. and WEBSTER, R., 1986, Choosing functions for semi-variograms of soil properties and fitting them to sampling estimates. Journal of Soil Science, 37, MEISEL, J.E. and TURNER, M.G., 1998, Scale detection in real and artificial landscapes using semivariance analysis. Landscape Ecology, 13, MICKELSON, Jr., J.G., CIVCO, D.L. and SILANDER, Jr., J.A., 1998, Delineating forest canopy species in the northeastern United States using multi-temporal TM imagery. Photogrammetric Engineering and Remote Sensing, 64, MILTON, T., BLACKBURN, G., ROLLIN, E. and DANSON, F., 1994, Measurement of the spectral directional reflectance of forest canopies: a review of methods and a practical application. Remote Sensing Reviews, 1, MITRI G. and GITAS, I., 24, A semi-automated object-oriented model for burned area mapping in the Mediterranean region using Landsat -TM imagery. International Journal of Wildland Fire, 13, MOELLERING, H. and TOBLER, W.R., 1972, Geographical variances. Geographical Analysis, 4, MOESSNER, K.E., 1949, A crown density scale for photo interpreters. Journal of Forestry, 47, 569. MONTSERUD, R.A. and LEAMANS, R., 1992, Comparing global vegetation maps with the kappa statistic. Ecological Modelling, 62, MOORE, I.D., GRAYSON, R.B. and LADSON, A.R., Digital terrain modelling: A review of hydrological, geomorphological and biological applications. Hydrol. Process, 5, 3 3. MORAN, P., 1948, The interpretation of statistical maps, Journal of the Royal Statistical Society, 1, MUELLER-DOMBOIS, D. and ELLENBERG, H., 1974, Aims and methods of vegetation ecology (New York: John Wiley and Sons). MYINT, S.W., 23, Fractal Approaches in Texture Analysis and Classification of Remotely Sensed Data: Comparisons with Spatial Autocorrelation Techniques and Simple Descriptive Statistics, International Journal of Remote Sensing, 24,

202 NELSON, T., NIEMANN, K.O., WULDER, M., 23, Spatial Statistical Techniques for Aggregating Point Objects Extracted from High Spatial Resolution Remotely Sensed Imagery. Journal of Geographical Systems, 4, OHMANN, J.L. and Spies, T.A., 1998, Regional gradient analysis of spatial pattern of woody plant communities of Oregon forests. Ecological Monographs, 68, OLIVER, M., WEBSTER, R. and GERRARD, J., 1989, Geostatistics in physical geography. Part I: theory. Transactions of the Institute of British Geographers, 14, OLSON, C.E., Jr., 1963, Photographic Interpretation in the Earth Sciences, Annual Report of Subcommittee V to the American Society of Photogrammetry. O'NEILL, R.V., DEANGELIS, D.L., WAIDE, J.B. and ALLEN, T.F.H., 1986, A Hierarchical Concept of Ecosystems. (Princeton: Princeton University Press). PAL, M. and MATHER, P.M., 23, An assessment of the effectiveness of decision tree methods for land cover classification. Remote Sensing of Environment, 82, PALUBINSKAS, G., LUCAS, R.M., FOODY, G.M. and CURRAN, P.J., 1995, An evaluation of fuzzy and texture-based classification approaches for mapping regenerating tropical forest classes from Landsat- TM data. International Journal of Remote Sensing, 16, PEDDLE, D.R. and JOHNSON, R.L., 2, Spectral Mixture Analysis of Airborne Remote Sensing Imagery for Improved Prediction of Leaf Area Index in Mountainous Terrain, Kananaskis Alberta. Canadian Journal of Remote Sensing, 26, PEDDLE, D.R., FOODY, G.M., ZHANG, A., FRANKLIN, S.E. and LEDREW, E.F., 1994, Multisource image classification II: an empirical comparison of evidential reasoning, linear discriminant analysis and maximum likelihood algorithms for alpine land cover classification. Canadian Journal of Remote Sensing, 2, PERRY, D., 1994, Forest ecosystems (Baltimore: Johns Hopkins University Press). PETERSON, D.L. and Running, S.W., 1989, Applications in forest science and management. In Theory and applications of optical remote sensing, G. Asrar (Ed) (New York: Wiley), pp PHILIP, M.S., 1994, Measuring Trees and Forests, 2nd edn (Wallingford UK: CAB International). PHOL, C. and VAN GENDEREN, J.L., 1998, Multisensor Image Fusion in Remote Sensing: Concepts, Methods and Applications. International Journal of Remote Sensing, 19, PINZ, A., 1998, Tree isolation and species recognition. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.-P.F.C., (British Columbia: Canadian Forest Service), pp POHL, C., 1996, Geometric aspects of multisensor image fusion for topographic map updating in the humid Tropics. ITC publication. POLLOCK, R., 1998, Individual tree recognition based on a synthetic tree crown model. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.-P.F.C., (British Columbia: Canadian Forest Service), pp PRESTON, R.A., CULVENOR, D.S. and COOPS, N.C., 1999, Modelling of tree species and structural attributes from high resolution multi-spectral imagery using decision tree analysis for east coast Eucalypt forests of Australia. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.-P.F.C., (British Columbia: Canadian Forest Service), pp PUISSANT, A., HIRSCH, J.,WEBER, C., 25, The utility of texture analysis to improve per-pixel classification for high to very high spatial resolution imagery. International Journal of Remote Sensing, 26, QUATTROCHI, D. A. and GOODCHILD, M.F., (Eds), 1997, Scale in Remote Sensing and GIS (Boca Raton, FL: CRC Lewis). 18

203 RAHMAN, A.F., GAMON, J.A., SIMS, D.A. and SCHMIDTS, M., 23, Optimal pixel size for hyperspectral remote sensing of ecosystem function: A case study of Southern California Grassland and Chaparral. Remote Sensing of Environment, 84, REED, B.C., BROWN, J.F., VANDERZEE, D., LOVELAND, T.R., MERCHANT, J. W. and OHLEN, D.O., 1994, Measuring Phenological Variability from Satellite Imagery. J. Vegetation Science, 5, REESE, H.M., LILLESAND, T.M., NAGEL, D.E., STEWART, J.S., GOLDMAN, R.A., SIMMONS, T.E., CHIPMAN, J.W. and TESSAR, P.A., 22, Statewide land cover derived from multiseasonal Landsat TM data. A retrospective of the WISCLAND project. Remote Sensing of Environment, 82, RICHARDS, J.A., 1986, Remote Sensing Digital Image Analysis: An Introduction, 1st edn, (Berlin: Springer-Verlag). RICHARDS, J.A., 1993, Remote Sensing Digital Image Processing: An Introduction, 2nd edn, (Berlin: Springer-Verlag). RIPLEY, B.D., 1996, Pattern Recognition and Neural Networks, (Cambridge: Cambridge University Press). ROBINOVE, C.J., 1979, Integrated Terrain Mapping with Digital Landsat Images in Queensland, Australia. Geological Survey Professional Paper, 112. ROBINOVE, C.J., 1981, The Logic of Multispectral Classification and Mapping of Land. Remote Sensing of Environment, 11, RUNNING, S. and HUNT, E.R., Jr, 1994, Generalization of a forest ecosystem process model for other biomes, BIOME-BGC and an application for global scale models. In Scaling physiological processes: leaf to globe, J. Ehleringer and C. Field (Eds) (Toronto: Academic Press) pp RUNNING, S., LOVELAND, T. and PIERCE, L., 1994, A vegetation classification logic based on remote sensing for use in global biogeochemical models. Ambio, 23, RYHERD, S. and WOODCOCK, C.E., 1996, Combining spectral and texture data in the segmentation of remotely sensed images. Photogrammetric Engineering and Remote Sensing, 62, SABINS F., 1986, Remote Sensing, Principles and Interpretation (New York: W.H. Freeman and Company). SADOWSKI, F.G. and SARNO, J.E., 1976, Additional Studies of Forest Classification Accuracy as Influenced by Multispectral Scanner Spatial Resolution. ERIM R, Environmental Research Institute of Michigan, (Michigan: Ann Arbor), 49 SADOWSKI, F.G., MALILA, W.A., SARNO, J.E. and NALEPKA, R.F., 1977, The influence of multispectral scanner spatial resolution on forest feature classification. In 11th International Symposium on Remote Sensing of Environment, April, (Michigan: Ann Arbor), pp SAUER, C.O., 1921, The problem of land classification. Annals of the Association of American Geographers, 11, SCHISTAD-SOLBERG, A.H., JAIN, A.K. and TAXT, T., 1994, Multisource classification of remotely sensed data: fusion of Landsat TM and SAR images. I.E.E.E.Transactions on Geoscience and Remote Sensing, 32, SCHNEIDER, D.C., 1994, Quantitative Ecology. Spatial and Temporal Scaling (San Diego: Academic Press). SCHREUDER, H.T., RICHARD, Ε., RAMIREZ-MALDONADO, H.,. 24, Statistical techniques for sampling and monitoring natural resources. Gen. Tech. Rep. RMRS-GTR-126. (Fort Collins, CO: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research Station). SCOTT, C.T., 1998, Sampling methods for estimating change in forest resources. Ecological Applications, 8, SHETTIGARA, V.K., 1992, Ageneralized component substitutiontechniqueforspatial enhance-ment of multispectral images using a higher resolution data set. Photogrammetric Engineering and Remote Sensing, 58,

204 SHI, W., ZHU, C., TIAN, Y., NICHOL, J., 25, Wavelet-based image fusion and quality assessment. International Journal of Applied Earth Observation and Geoinformation, 6, SHIMABUKURO, Y. and SMITH, J., 1994, The least squares mixing models to generate fraction images derived from remote sensing multispectral data. IEEE Transactions on Geoscience and Remote Sensing, 29, SHIVER, B.D. and BORDERS, B.E., 1996, Sampling techniques for forest resource inventory (New York: Wiley and Sons). SKIDMORE, K., TURNER, B.J., BRINKHOF W. and KNOWLES, E., 1997, Performance of a Neural Network: Mapping Forests Using GIS and Remotely Sensed Data. Photogrammetric Engineering and Remote Sensing, 63, SMITH, D., 1986, The practice of Silviculture, 8th edn (New York: Wiley and Sons). SNEDECOR, G.W. and COCHRAN, W.G., 1989, Statistical methods, 8th edn (Ames: Iowa State University Press). SOKAL, R.R. and WARTENBERG, D.E., 1983, A test of spatial autocorrelation analysis using an isolation-by-distance model. Genetics, 15, SONG, C., WOODCOCK, C.E., SETO, K.C., LENNEY, M.P., MACOMBER, S.A., 21, Classification and Change Detection Using Landsat TM Data. When and How to Correct Atmospheric Effects?. Remote Sensing of Environment, 75, SPURR, S. and BARNES, B., 198, Forest ecology (Toronto: Wiley). STEIGLER, S.E., 1978, Dictionary of Earth Sciences (London: Pan Books). ST-ONGE, B. and CAVAYAS, F., 1997, Automated forest structure mapping from high resolution imagery based on directional semivariogram estimates. Remote Sensing of Environment, 6, STRAHLER, A.H., WOODCOCK, C.E. and SMITH, J.A., 1986, On the nature of models in remote sensing. Remote Sensing of Environment, 2, STROBL, D., RAGGAM, J. and BUCHROITHNER, M.F., 199, Terrain correction geocoding of a multi-sensor image data set. In 1th EARSeL Symposium, Toulouse, France (Paris: European Space Agency), pp SUITS, G., MALILA, W. and WELLER, T., 1988, Procedures for using signals from one sensor as substitutes for signals of another. Remote Sensing of Environment, 25, SWAIN, P.H. and DAVIS, S.M., (Eds), 1978, Remote Sensing: The Quantitative Approach (New York: McGraw-Hill). TANRÉ, D., DEROO, C., DUHAUT, P., HERMAN, M., MORCRETTE, J.J., PERBOS J. and DESCHAMPS, P.Y., 1986, Simulation of the Satellite Signal in the Solar Spectrum (5S). Laboratoire d'optique Atmosphérique, Université des Sciences et Techniques de Lille. TATE, N.J. and ATKINSON, P.M., (Eds), 21, Modelling Scale in Geographical Information Science (Chichester: John Wiley). THORNES, J.B., 1973, Markov Chains and Slope Series. Geographical Analysis, 5, TOUTIN, T., 23, Geometric Correction of Remotely Sensed Images; In Methods and Applications for Remote Sensing of Forests: Concepts and Case Studies, M. Wulder and S.E. Franklin (Eds), (Dordrecht: Kluwer Academic Publishing). pp TOWNSEND, P.A., 2, A quantitative fuzzy approach to assess mapped vegetation classifications for ecological applications. Remote Sensing of Environment, 72, TOWNSHEND, J.R.G. and Justice, C.O., 1988, Selecting the spatial resolution of satellite sensors required for global monitoring of land transformations. International Journal of Remote Sensing, 9, TREITZ, P.M. and HOWARTH, P.J., 2, High spatial resolution remote sensing data for forest ecosystem classification: - an examination of spatial scale. Remote Sensing of Environment, 52,

205 TROTTER, C.M., DYMOND, J.R. and Goulding, C.J., 1997, Estimation of timber volume in a coniferous forest plantation using Landsat TM. International Journal of Remote Sensing, 18, TSO, B. and MATHER, P.M, 21, Classification Methods for Remotely Sensed Data (New York: Taylor and Francis). TURNER, M.G., O'NEILL, R.V., GARDNER, R.H. and MILNE. B.T., 1989, Effects of changing spatial scale on the analysis of landscape pattern. Landscape Ecology, 3, TURNER, M.G., 25, Landscape Ecology: What Is the State of the Science?. Annual Review of Ecology, Evolution and Systematics, USGS-NPS VEGETATION MAPPING PROGRAM, 25. Available online at: USTIN, S.L. and XIAO, Q.F., 21, Mapping successional boreal forests in interior central Alaska. International Journal of Remote Sensing, 22, VALES, D.J. and BUNNELL, F.L., 1988, Comparison of methods for estimating forest overstory cover. I. Observer effects. Canadian of Forest Research, 18, VAN GENDEREN, J.L. and POHL, C., 1994, Image fusion: Issues, techniques and applications. In Intelligent Image Fusion, Proceedings EARSeL Workshop, Strasbourg, France, 11 September1994 (Enschede: ITC), pp VAN MARTIN, A., 1984, Forests and forestry in national life. In Forest policy: a contribution to resource development, F. Hummel (Ed) (The Hague: Kluwer Academic), pp VAPNICK, V.N., 1998, Statistical Learning Theory (New York: Wiley and Sons). VIEIRA, C. and MATHER, P., 2, Visualisation of Measures of Classifier Reliability and Error in Remote Sensing. In 4th International Symposium on Spatial Accuracy Assesment in Natural Recources and Environmental Sciences, ACCURACY 2, July 2, Amsterdam, (Amsterdam: Delft University Press), pp WAGNER, H.H., HOLDEREGGER, R., WERTH, S., GUGERLI, F., HOEBEE, S.E. and SCHEIDEGGER, C., 25, Variogram analysis of the spatial genetic structure of continuous populations using multilocus microsatellite data. Genetics, 169, WALD, L., RANCHIN, T., MANGOLINI, M., 1997, Fusion of Satellite Images of Different Spatial Resolutions: Assessing the Quality of Resulting Images. Photogrammetric Engineering and Remote Sensing, 63, WARNER, T. and STEINMAUS, K., 25, Spatial Classification of Orchards and Vineyards with High Spatial Resolution Panchromatic Imagery. Photogrammetric Engineering and Remote Sensing, 71, WARNER, T.A., LEE, J.Y. and MCGRAW, J.B., 1998, Delineation and identification of individual trees in the Eastern Deciduous Forest. In International Forum on Automated Interpretation of High Resolution Digital Imagery for Foresty, February 1-12, 1998, Victoria, British Columbia, C.F.S.- P.F.C., (British Columbia: Canadian Forest Service), pp WEBSTER, R. and OLIVER, M.A., 21, Geostatistics for environmental scientists (Chichester, England: J. Wiley). WESSELS, K.J., VAN JAARSFELD, A.S., GRIMBECK, J.D. and VAN DER LINDE, M.J., 1998, An evaluation of the gradsect biological method. Biodiversity Conservation, 7, WESTOBY, J., 1989, Introduction to world forestry (Oxford: Blackwell). WHITTAKER, R.H., 196, Vegetation of the Siskiyou Mountains, Oregon and California. Ecological Monographs, 3, WHITTAKER, R.H., 1977, Evolution of species diversity in land communities. Evolutionary Biology, 1,

206 WICKS, T.E., SMITH, G.M. and CURRAN, P.J., 22, Polygon-based aggregation of remotely sensed data for regional ecological analyses. International Journal of Applied Earth Observation and Geoinformation, 4, WIENS, J.A., 1989, Spatial scaling in ecology. Functional Ecology, 3, WOLOCK, D.M. and PRICE, C.V., 1994, Effects of digital elevation model map scale and data resolution on a topography-based hydrologic model. Water Resources Research, 3, WOLTER, P.T., MLADENOFF, D.J., HOST, G.E. and CROW, T.R., 1995, Improved forest classification in the northern lake states using multi-temporal Landsat imagery. Photogrammetric Engineering and Remote Sensing, 61, WOODCOCK, C.E. and HARWARD, V.J., 1992, Nested-Hierarchical Scene Models and Image Segmentation, International Journal of Remote Sensing, 13, WOODCOCK, C.E. and STRAHLER, A., 1987, The factor of scale in remote sensing. Remote Sensing of Environment, 21, WOODCOCK, C.E., COLLINS, J., GOPAL, S., JAKABHAZY, V.D., LI, X., MACOMBER, S., RYHERD, S., HARWARD, V.J., LEVITAN, J., WU, Y. and WARBINGTON, R., 1994, Mapping forest vegetation using Landsat TM imagery and a canopy reflectance model. Remote Sensing of Environment, 5, WOODCOCK, C.E., COLLINS, J., JAKABHAZY, V.D., LI, X., MACOMBER, S.A. and WU, Y., 1997, Inversion of the Li-Strahler canopy reflectance model for mapping forest structure. IEEE Transactions on Geoscience and Remote Sensing, 35, WOODCOCK, C.E., STRAHLER, A.H. and JUPP, D.L., 1988, The use of variograms in remote sensing. I. Scene models and simulated images. Remote Sensing of Environment, 25, WU, J. and LOUCKS, O.L., 1995, From balance-of-nature to hierarchical patch dynamics: A paradigm shift in ecology. Quarterly Review of Biology, 7, WU, J., 1994, Modeling dynamics of patchy landscapes: linking meta population theory, landscape ecology and conservation biology. In Yearbook in Systems Ecology (English edition) (Beijing: Chinese Academy of Sciences). WU, J., 1999, Hierarchy and scaling: Extrapolating information along a scaling ladder. Canadian Journal of Remote Sensing, 25, WU, J., JELINSKI, D.E., LUCK M. and TUELLER, P.T., 2, Multiscale analysis of landscape heterogeneity: Scalevariance and pattern metrics. Geographic Information Sciences, 6, WULDER M. and SEEMAN, D., 23, Forest inventory height update through the integration of lidar data with segmented Landsat imagery. Canadian Journal of Remote Sensing, 29, WULDER, M. and FRANKLIN, S.E., (Eds), 23, Remote Sensing of Forest Environments: Concepts and Case Studies, (Dordrecht: Kluwer Academic Publishing). WULDER, M., 1998, Optical remote-sensing techniques for the assessment of forest inventory and biophysical parameters, Progress in Physical Geography, 22, WULDER, M., HALL, R.J., COOPS, N.C. and FRANKLIN, S.E., 24, High Spatial Resolution Remotely Sensed Data for Ecosystem Characterization. BioScience, 54, WULDER, M., LAVIGNE, M. and FRANKLIN, S., 1996, High spatial resolution optical image texture for improved estimation of forest stand leaf area index. Canadian Journal of Remote Sensing, 22, XIAO, Q-F., MCPHERSON, E.G. and USTIN, S.L., 24, Using AVIRIS Data and Multiple-Masking techniques to Map Urban Forest Tree Species. International Journal of Remote Sensing, 25, XUA, M., WATANACHATURAPORNA, P., VARSHNEYA, P.K. and ARORAB, M.K., 25, Decision tree regression for soft classification of remote sensing data. Remote Sensing of Environment, 97, ZADEH, L.A., 1965, Fuzzy sets. Information and Control, 8, ZADEH, L.A., 1968, Probability measures of fuzzy events. Journal of Mathematical Analysis and Applications, 23,

207 ZHANG, J. and GOODCHILD, M.F., 22, Uncertainty in Geographical Information. Research Monograph (New York: Taylor and Francis). ZHOU, J., CIVCO, D.L. and SILANDER, J.A., 1998, A wavelet transform method to merge Landsat TM and SPOT panchromatic data. International Journal of Remote Sensing, 19, ΔΟΥΚΑΣ, Κ., 2, Πανεπιστημιακές παραδόσεις στο μάθημα του Κτηματολογίου (Δασικό και Αγροτικό Κτηματολόγιο). Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. ΚΑΡΤΕΡΗΣ, Μ.Α., 199, Δασική Αεροφωτογραφία. Β έκδοση. (Θεσσαλονίκη: University Studio Press). KΑΡΤΕΡΗΣ, Μ.Α., 25, Τηλεπισκόπηση Περιβάλλοντος. Πανεπιστημιακές Παραδόσεις, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. ΚΑΡΤΕΡΗΣ, Μ.Α. και ΤΣΟΜΠΑΝΙΚΟΣ, Δ.,1984, Σύστημα ταξινόμησης χρήσεων/κάλυψης της γης με την τεχνική της τηλεπισκόπησης. Ολοκληρωμένες Πληροφορίες Γης. Θεμέλιο για Ανάπτυξη, Τμ. Αγρονόμων Τοπογράφων Μηχανικών, Πολυτεχνική Σχολή, Αριστοτέλειο Πανεπιστήμιο, Θες/νίκη, σελ KΟΥΤΣΙΑΣ, Ν., 21, Η δορυφορική τηλεπισκόπιση και τα Γεωγραφικά Συστήματα Πληροφοριών στη φασματική αξιολόγηση και χαρτογράφηση καμένων εκτάσεων στα Μεσογειακά Οικοσυστήματα. Διδακτορική διατριβή, Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης. ΜΑΤΗΣ, Κ., 24, Δειγματοληψία Φυσικών Πόρων (Θεσσαλονίκη: Πήγασος 2). ΣΙAΡΔΟΣ, Γ., 2, Μέθοδοι πολυμεταβλητής στατιστικής ανάλυσης, Μέρος Δεύτερο (Θεσσαλονίκη: Εκδόσεις Σιάρδος). Ταμείο Διοικήσεως και Διαχειρίσεως Πανεπιστημιακών Δασών, 21. Διαχειριστικό Σχέδιο Πανεπιστημιακού Δάσους Ταξιάρχη Βραστάμων Α γενικό μέρος. Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης, Διοίκηση Δάσους Ταξιάρχη Βραστάμων. ΤΗΛΙΚΙΔΟΥ, Ε., 1999, Έρευνα Μάρκετινγκ, (Δεύτερη Έκδοση) (Θεσσαλονίκη: Εκδόσεις Global). ΤΣΑΚΙΡΗ, Μ., ΠΑΠΑΔΟΠΟΥΛΟΥ, Μ. και ΓΕΩΡΓΟΥΛΑ, Ο., 22, Συγχώνευση Εικόνων XS SPOT4 και PAN SPOT2 και Eκτίμηση της Φασματικής Ποιότητας των Προϊόντων, Τεχν. Χρον. Επιστ. Έκδ. ΤΕΕ, Ι, τεύχ. 39,

208 13 Παραρτήματα 13.1 Παράρτημα: Σύνταξη ερωτηματολογίου για το Δασολόγιο και ανάλυση απαντήσεων Μέθοδοι μετρήσεων πεδίου Διάκριση μεθόδων έρευνας Οι έρευνες για τα χαρακτηριστικά ενός πληθυσμού διακρίνονται σε τύπους με βάση το μέσο επικοινωνίας που χρησιμοποιείται προς τους ερωτώμενους: Προσωπική συνέντευξη Η προσωπική συνέντευξη πραγματοποιείται σε συνομιλία του απογραφέα με τον ερωτώμενο πρόσωπο-με-πρόσωπο. Βασική πλεονέκτημα της προσωπικής συνέντευξης είναι η ίδια η παρουσία του απογραφέα, η γνωριμία του και άμεση επαφή με τον ερωτώμενο. Ως μειονέκτημα της μεθόδου θεωρείται το κόστος των απογραφών Τηλεφωνική συνέντευξη Η βασική προϋπόθεση της διεξαγωγής της Δημοσκόπησης με τηλεφωνική συνέντευξη είναι η ύπαρξη ή η δυνατότητα άμεσης εξεύρεσης των αριθμών των τηλεφώνων των μελών του δείγματος. Η τηλεφωνική συνέντευξη είναι και αυτή μια προσωπική επικοινωνία, με βασικά πλεονεκτήματα την ταχύτητα, το χαμηλό κόστος, τη δυνατότητα γρήγορης επανά-επικοινωνίας εάν υπάρχουν αναπάντητα ερωτήματα, κενά ή λάθη. Τα βασικά μειονεκτήματα της μεθόδου είναι δυσκολία που παρουσιάζεται στη συμπλήρωση μακροσκελών ερωτηματολογίων, με σύνθετες ερωτήσεις και ο μικρότερος συνήθως βαθμός ανταπόκρισης των ερωτώμενων σε σχέση με την προσωπική συνέντευξη Ταχυδρομική συνέντευξη Είναι απρόσωπη μορφή επικοινωνίας. Η βασική προϋπόθεση για την εφαρμογή της είναι η ύπαρξη ή η δυνατότητα άμεσης εξεύρεσης των διευθύνσεων των ερωτώμενων. Τα βασικά πλεονεκτήματα της μεθόδου είναι και πάλι το χαμηλό κόστος αλλά κυρίως η απόλυτη αποφυγή κάθε μεροληψίας εκ μέρους των απογραφέων. Τα μειονεκτήματα της μεθόδου είναι η αδυναμία παροχής διευκρινίσεων, η σχετική καθυστέρηση αποστολής και συγκέντρωσης των απαντημένων ερωτηματολογίων αλλά κυρίως ο εξαιρετικά μικρός βαθμός ανταπόκρισης των ερωτηματολογίων. Για την αύξηση του βαθμού ανταπόκρισης των ερωτώμενων χρησιμοποιούνται ορισμένα μέσα όπως οικονομικά ή άλλα κίνητρα, έτοιμοι φάκελοι απάντησης με πληρωμένο ταχυδρομικό τέλος κ.λπ.. 186

209 Συνέντευξη με τη χρήση υπολογιστών Απαιτεί ειδικό χώρο όπου είναι εγκαταστημένοι Η/Υ, στην οθόνη των οποίων προβάλλονται οι ερωτήσεις και ο ερευνώμενος απαντά μέσω του πληκτρολογίου. Το βασικό μειονέκτημα της μεθόδου είναι το κόστος της απαιτούμενης υποδομής ενώ τα πλεονεκτήματα είναι η μείωση του χρόνου των συνεντεύξεων, η ακρίβεια των στοιχείων και η δυνατότητα άμεσης επεξεργασίας των στοιχείων Συνέντευξη με τη χρήση του διαδικτύου Οι έρευνες με τη χρήση του διαδικτύου κερδίζουν συνεχώς σε δημοτικότητα. Έχουν σημαντικά πλεονεκτήματα όσον αφορά την ταχύτητα, το κόστος, και την ευελιξία αλλά έχουν και σημαντικούς περιορισμούς στη δειγματοληψία. Τα πλεονεκτήματα επίσης περιλαμβάνουν τη δυνατότητα προβολής εικόνων και αρχείων βίντεο, καθώς επίσης και τη δυνατότητα χρήσης ποικιλίας χρωμάτων και γραμματοσειρών έτσι ώστε να είναι πιο ελκυστικά. Επίσης οι περισσότεροι άνθρωποι είναι πιο ελεύθεροι στις απαντήσεις τους όταν βρίσκονται μπροστά σε ένα υπολογιστή σε σχέση με ένα άνθρωπο ή ένα φύλλο χαρτί. Το σημαντικότερο μειονέκτημα είναι ότι καθώς η χρήση του διαδικτύου είναι περιορισμένη, το δείγμα που θα συλλεχθεί δεν θα αντανακλά πιθανότατα τον πραγματικό πληθυσμό. Συνεπώς είναι κατάλληλα όπου ο πληθυσμός στόχος αποτελείται τελείως ή σχεδόν τελείως από χρήστες του διαδικτύου. Επίσης είναι λιγότερο πιθανό σε σύγκριση με μια προσωπική συνέντευξη η απάντηση σε ένα μακροσκελές ερωτηματολόγιο; είναι πιθανή η μη ολοκλήρωση της διαδικασίας συμπλήρωσης του στο διαδίκτυο. Παρεμφερή είναι σε γενικές γραμμές και τα πλεονεκτήματα αλλά και τα μειονεκτήματα που υπάρχουν στη χρήση ηλεκτρονικού ταχυδρομείου ( ) για τη διενέργεια μιας έρευνας και γι αυτό συνήθως χρησιμοποιούνται για τη διενέργεια ερευνών εντός του ιστού μιας εταιρείας Τύποι ερωτήσεων Οι ερωτήσεις διακρίνονται βασικά σε ανοικτές και κλειστές. Ανοικτή χαρακτηρίζεται μια ερώτηση όταν δεν περιλαμβάνει πιθανές εναλλακτικές απαντήσεις αλλά αφήνει κενό χώρο για να απαντήσει ο ερευνώμενος ελεύθερα όπως θέλει. Οι ανοικτές ερωτήσεις πρέπει να είναι όσο το δυνατόν πιο περιορισμένες διότι δημιουργούν σοβαρά προβλήματα μετρήσεων λόγω της ανομοιογένειας των απαντήσεων, της δυσκολίας να ταξινομηθούν σε κατηγορίες. Αντίθετα κλειστές λέγονται οι ερωτήσεις που ακολουθούνται από πιθανές εναλλακτικές απαντήσεις. Οι κλειστές ερωτήσεις διακρίνονται 1. Ανάλογα με τις εναλλακτικές απαντήσεις σε διχοτομικές (όπου οι εναλλακτικές απαντήσεις είναι μόνο δύο) και πολλαπλές (με περισσότερες από δύο εναλλακτικές απαντήσεις). 2. Ανάλογα με τα θέματα που περιλαμβάνουν σε μονοθεματικές και πολυθεματικές (οι οποίες υποδιαιρούνται σε επιμέρους τομείς). 187

210 Δοκιμή και διόρθωση (pretesting) Η δοκιμή αυτή αφορά την πειραματική κυκλοφορία του ερωτηματολογίου σε έναν μικρό αριθμό ερευνώμενων. Η επιλογή των συγκεκριμένων ερευνώμενων δεν είναι ανάγκη στο pretesting πάντοτε να ακολουθεί κάποια μέθοδο δειγματοληψίας. Γίνεται κυρίως για να ελεχθεί το περιεχόμενο των ερωτήσεων, η αλληλουχία των ερωτήσεων, τυχόν ορθογραφικά, τυπογραφικά και άλλα λάθη Κατάρτιση ερωτηματολογίων για το Δασολόγιο Η κατάρτιση των ερωτηματολογίων για το Δασολόγιο με σκοπό την ιεράρχηση και αποτύπωση των απαιτήσεων και των αναγκών των ενδιαφερόμενων φορέων, στηρίχτηκε στις πληροφορίες και τα συμπεράσματα που προέκυψαν από την ανασκόπηση της βιβλιογραφίας. Μια πρώτη παρατήρηση είναι ότι το Δασολόγιο ως όρος και περιεχόμενο είναι μοναδικό σε παγκόσμιο επίπεδο. Όπως έχει ήδη επισημανθεί η έννοια που συνήθως συναντάται είναι αυτή της απογραφής (forest inventory). Το ερωτηματολόγιο αποστάλθηκε στις διευθύνσεις δασών της επικράτειας (λόγω εμπειρίας από τη κατάρτιση του Κτηματολογίου), στις διευθύνσεις αναδασώσεων και σε δεκαεπτά ιδιώτες από τη βάση δεδομένων του ΓΕΩΤΕΕ, οι οποίοι είχαν εμπλακεί κατά το παρελθόν σε μελέτες του Κτηματολογίου. Το ερωτηματολόγιο που σχεδιάστηκε έγινε προσπάθεια να είναι σύμφωνο με τις γενικές προδιαγραφές που υπάρχουν στη βιβλιογραφία για τη σύνταξη παρόμοιων εγγράφων. Η συμπλήρωση του ερωτηματολόγιου επιλέχθηκε να είναι ανώνυμη έτσι ώστε να υπάρξει μεγαλύτερος αριθμός απαντήσεων αλλά και καθότι δεν υπήρχε ιδιαίτερος λόγος για την καταχώρηση των ονομάτων. Επίσης οι ερωτήσεις που τέθηκαν στο ερωτηματολόγιο επιλέχθηκαν έτσι ώστε από τις απαντήσεις να μην προκύψουν αντικρουόμενα συμπεράσματα καθώς και να μην απαιτούν ιδιαίτερες γνώσεις όσον αφορά το περιεχόμενο και την ορολογία από το δείγμα των ερωτώμενων. Παράλληλα το ερωτηματολόγιο σχεδιάστηκε έτσι ώστε να μην είναι ιδιαίτερα εκτεταμένο και μορφοποιήθηκε έτσι ώστε να προκαλεί θετικές αντιδράσεις. Επίσης μαζί με το ερωτηματολόγιο στάλθηκε και συνοδευτική επιστολή όπου γινόταν αναφορά στο φορέα αποστολής του ερωτηματολογίου καθώς και στο σκοπό διενέργειας της έρευνας. Ιδιαίτερες οδηγίες δεν κρίθηκε σκόπιμο να δοθούν καθώς κρίθηκε πως δεν ήταν ιδιαίτερα δύσκολη η συμπλήρωση και πράγματι υπήρξε μόνο μια διευκρινιστική ερώτηση-απορία από τους φορείς στους οποίους στάλθηκε. Για όλα τα παραπάνω έγινε έλεγχος του ερωτηματολογίου και οι ανάλογες διορθώσεις πριν λάβει την τελική του μορφή (Πίνακας 13-1). Τέλος στο φάκελο αποστολής του ερωτηματολογίου περιλαμβανόταν και φάκελοι με προπληρωμένο το ταχυδρομικό τέλος (στους ιδιώτες δασολόγους) και με τη διεύθυνση του παραλήπτη προ-τυπωμένη. 188

211 Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στο Δασολόγιο Τάση-Μελλοντική ζήτηση για την πληροφορία Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου (έτη) Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Μεταβλητή/Επίπεδο πληροφορίας στο Δασολόγιο Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή :5. 1:1. 1:2. 1:5. Κλασικές δασικές παράμετροι Είδος Σύνθεση δασοπονικών ειδών (μίξη) Ύψος Ηλικία Ογκος Πληθοκάλυψη Δομή συστάδας-ορόφωση Διαχειριστική μορφή Δασοπονική μορφή Προστατευτικές λειτουργίες Προστατευτικός χαρακτήρας (έδαφος,νερό, ανθρωπογενείς δραστηριοτήτες) Άλλες κοινωνικο-οικονομικές λειτουργίες Αναψυχή Αισθητική αξία Βιοποικιλότητα Πίνακας

212 Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στο Δασολόγιο Τάση-Μελλοντική ζήτηση για την πληροφορία Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου (έτη) Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Διαφοροποιήσεις στη δομή/ζωτικότητα του οικοσυστήματος που επιβάλλουν άμεση ενημέρωση του δασολογίου Υλοτομίες Φυσικές καταστροφές (πχ. πυρκαγιές) Διάνοιξη οδών Βλάβες από έντομα και μύκητες Άλλες πληροφορίες Αναγέννηση Φυσικά ή τεχνητά δάση Δομή τοπίου (fragmentation) Παρατηρήσεις-Σχόλια-Προτάσεις: Στοιχεία ατόμου που συμπλήρωσε το ερωτηματολόγιο: ΗΛΙΚΙΑ: ΕΤΗ ΕΜΠΕΙΡΙΑΣ σε δασολογικά θέματα: Πίνακας 13-1 (συνέχεια) Η φόρμα του ερωτηματολογίου που χρησιμοποιήθηκε για τη συλλογή των απόψεων των δείγματος στο θέμα της κατάρτισης του Δασολογίου 19

213 Αποτελέσματα Από τους πενήντα τρείς δημόσιους φορείς που στάλθηκε το ερωτηματολόγιο απάντησαν οι 31 (ποσοστό 58,4%) ενώ από τους 17 ιδιώτες απάντησαν οι τέσσερις (ποσοστό 23%). Λόγω του ότι όμως σε κάποιες Διευθύνσεις Δασών συμπληρώθηκαν περισσότερα του ενός ερωτηματολόγια, ο συνολικός αριθμός του δείγματος έφθασε τις πενήντα πέντε απαντήσεις. Γενικά όπως παρατηρείται στα Διαγράμματα 13-1 με 13-3 καθώς και στο Διάγραμμα 13-4, μεγάλη έμφαση δίνεται στις παραμέτρους είδος, μίξη, προστατευτικές λειτουργίες, και ανανέωση λόγω φυσικών καταστροφών. Αναφορικά με τη κλίμακα χαρτογράφησης πρωταρχική επιλογή για όλες τις μεταβλητές ήταν η βέλτιστη κλίμακα που προτάθηκε, δηλαδή η 1:5. Δεύτερη επιλογή, επίσης για όλες τις μεταβλητές αποτέλεσε η 1:2. Γενικά μπορεί να ειπωθεί πως η κατανομή των προτιμήσεων για την κλίμακα χαρτογράφησης ήταν ανάλογη της κατανομής και για τη σημαντικότητα των μεταβλητών ως προς την καταχώρηση τους στο Δασολόγιο. Η κλίμακα 1:2 πιθανότατα προκύπτει ως σημαντική λόγω της εξοικείωσης των ερωτηθέντων με τους δασικούς ορθοφωτοχάρτες της ιδίας κλίμακας. Μελετώντας τα αποτελέσματα, γίνεται εμφανές πως ερωτώμενοι δεν συγχέουν το Δασολόγιο με τη δασική απογραφή. Κάτι τέτοιο προκύπτει από τη μη υψηλή σημαντικότητα όλων των κλασικών δασικών παραμέτρων όπως για παράδειγμα ηλικία, ύψος κ.λπ.. Επίσης μπορεί να σκιαγραφεί μια τάση όσον αφορά το μέλλον και για την αποτύπωση και άλλων αξιών του δάσους πλην της ξυλοπαραγωγής. Ένα στοιχείο που δεν κατέστη δυνατόν να αποσαφηνιστεί λόγω της χαμηλής (δυστυχώς) ανταπόκρισης των ιδιωτών δασολόγων, είναι το κατά πόσον υπάρχει διαφορετική αντίληψη μεταξύ δημοσίων υπαλλήλων και ελεύθερων επαγγελματιών. Από τα ερωτηματολόγια των ιδιωτών δασολόγων που συλλέχθηκαν ωστόσο διακρίνεται ότι υπάρχουν λιγότερες απαιτήσεις ως προς τις προδιαγραφές σε σχέση με τον παράγοντα κλίμακα του δασολογίου αλλά και στο θέμα του κύκλου ανανέωσης των πληροφοριών της βάσης δεδομένων. Φυσικά οι απαντήσεις του συγκεκριμένου ερωτηματολογίου δεν πρέπει να εξεταστούν και να οδηγήσουν σε αβίαστα συμπεράσματα, χωρίς να ληφθεί υπόψη η απουσία οικονομικών παραμέτρων στην επιλογή. Πολύ πιθανόν αν στους ερωτώμενους υπήρχε η δυνατότητα να δοθούν στοιχεία όπως ένας διαθέσιμος (περιοριστικός συνήθως) προϋπολογισμός, το κόστος συλλογής δεδομένων και εξαγωγής πληροφοριών για κάθε δασική παράμετρο κ.λπ., να απαντούσαν διαφορετικά, όντως αναγκασμένοι να ιεραρχήσουν τις προτεραιότητες τους. Ωστόσο η όλη διαδικασία αποστολής των συγκεκριμένων ερωτηματολογίων και συλλογής των απαντήσεων μπορεί να χαρακτηριστεί ως μια θετική ενέργεια, ελπίζοντας πως ανακίνησε τα λιμνάζοντα κάποιες φορές ύδατα και υπενθύμισε σε μερίδα των δασολόγων το πολύ σημαντικό θέμα της κατάρτισης του δασολογίου. 191

214 Και βέβαια η ανάλυση των απαντήσεων μπορεί να χρησιμοποιηθεί από την Κεντρική Υπηρεσία, η οποία άλλωστε καθορίζει έως ένα σημείο τις προδιαγραφές και τη διαδικασία υλοποίησης έργων όπως το Δασολόγιο έτσι ώστε οι παραπάνω ενέργειες της, να λάβουν υπόψη τις ανάγκες, τη γνώση και την εμπειρία όσων των δυνατών περισσότερων ατόμων τα οποία υπηρετούν από διάφορα πόστα τη δασική πράξη. Διάγραμμα 13-1 Κατανομή των απαντήσεων των ερωτηθέντων για τη σημαντικότητα κλασικών δασικών παραμέτρων ώστε να συμπεριληφθούν στο Δασολόγιο 192

215 Διάγραμμα 13-2 Κατανομή των απαντήσεων των ερωτηθέντων για τη σημαντικότητα διαφόρων λειτουργιών του δασικού οικοσυστήματος ώστε να συμπεριληφθούν στο Δασολόγιο Διάγραμμα 13-3 Κατανομή των απαντήσεων των ερωτηθέντων για τη σημαντικότητα πληροφοριών ώστε να συμπεριληφθούν στο Δασολόγιο 193

216 Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο % Είδος 95,6 % Ογκος 51, ,7 22,2 1 4,4 Χαμηλή Μέση Υψηλή 1 Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο % Μίξη 73,3 % Πληθοκάλυψη 37,8 46, , ,6 1 2,2 Χαμηλή Μέση Υψηλή 1 Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο % ,6 Ύψος 33,3 31,1 % Δομή συστάδας-ορόφωση 6 26, ,3 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο 1 Ηλικία 1 Διαχειριστική μορφή % ,7 % , , ,3 28,9 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Διάγραμμα

217 Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο 1 Δασοπονική μορφή 1 Βιοποικιλότητα ,9 8 7 % 6 5 % ,7 46, ,6 15, ,7 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο 1 Προστατευτικός χαρακτήρας 1 Υλοτομίες , % 6 5 % , , ,6 31,1 1 4,5 1 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο 1 Αναψυχή 1 Φυσικές καταστροφές 95, % ,9 % , Χαμηλή Μέση Υψηλή 1 4,4 Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο 1 Αισθητική αξία 1 Διάνοιξη οδών ,1 % ,9 % , ,7 22,2 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Διάγραμμα 13-4(συνέχεια) 195

218 Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο % Βλάβες από έντομα και μύκητες 31,1 33,3 35,6 Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο % Αναγέννηση 58,5 36,6 4,9 Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στ ο Δασολόγιο % Φυσικά ή τεχνητά δάση 55,6 35,6 8,9 Χαμηλή Μέση Υψηλή Σημαντικότητα της πληροφορίας ώστε να συμπεριληφθεί στο Δασολόγιο % Δομή τοπίου 51,1 28,9 2 Χαμηλή Μέση Υψηλή Διάγραμμα 13-4(συνέχεια) 196

219 Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία Είδος 88, Ογκος 7 7 % ,1 Χαμηλή Μέση Υψηλή % ,4 33,3 22,2 Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία 1 Μίξη 1 Πληθοκάλυψη ,1 8 7 % 6 5 % , , ,9 1 4,4 1 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία 1 Ύψος 1 Δομή συστάδας-ορόφωση % ,6 28,9 35,6 % ,2 45,5 36,4 1 1 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία 1 Ηλικία 1 Διαχειριστική μορφή ,4 % 6 % ,8 42, ,3 22,2 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Διάγραμμα 13-4(συνέχεια) 197

220 Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία 1 Δασοπονική μορφή 1 Βιοποικιλότητα 9 9 % ,7 % , , ,3 Χαμηλή Μέση Υψηλή ,3 Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία 1 9 Προστατευτικός χαρακτήρας 86,4 1 9 Υλοτομίες % % ,8 51, ,5 9, ,1 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία 1 9 Αναψυχή 1 9 Φυσικές καταστροφές 93, ,4 8 7 % 6 % ,3 9,3 Χαμηλή Μέση Υψηλή ,7 Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία Τάση-Μελλοντική ζήτηση για την πληροφορία 1 Αισθητική αξία 1 Διάνοιξη οδών 9 9 % ,8 % , , , , ,8 Χαμηλή Μέση Υψηλή Χαμηλή Μέση Υψηλή Διάγραμμα 13-4 (συνέχεια) 198

221 Τάση-Μελλοντική ζήτηση για την πληροφορία % Βλάβες από έντομα και μύκητες 39 41,5 19,5 Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία % Αναγέννηση 68,3 26,8 4,9 Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία % Φυσικά ή τεχνητά δάση 48,8 43,9 7,3 Χαμηλή Μέση Υψηλή Τάση-Μελλοντική ζήτηση για την πληροφορία % Δομή τοπίου 44,4 42,2 13,3 Χαμηλή Μέση Υψηλή Διάγραμμα 13-4(συνέχεια) 199

222 Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Είδος 73, Ογκος 77,3 % ,7 % , Έτη Έτη 1 Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Μίξη 1 Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Πληθοκάλυψη , ,7 6 6 % 5 % , Έτη , Έτη Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου 1 Ύψος 1 Δομή συστάδας-ορόφωση , ,8 7 7 % , Έτη % , Έτη Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου % Διάγραμμα 13-4(συνέχεια) Ηλικία 18,2 81, Έτη % Διαχειριστική μορφή 22,2 77, Έτη 2

223 Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου 1 Δασοπονική μορφή 1 Βιοποικιλότητα , ,2 6 6 % 5 % , , Έτη Έτη Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου 1 Προστατευτικός χαρακτήρας 1 Υλοτομίες % ,8 46,5 % , , , , Έτη Έτη Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Αναψυχή 59, Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Φυσικές καταστροφές % ,9 % ,3 26, Έτη Έτη % Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Διάγραμμα 13-4 (συνέχεια) Αισθητική αξία 38,6 61, Έτη % Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου 26,7 Διάνοιξη οδών 42,2 31, Έτη 21

224 1 9 8 Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Βλάβες από έντομα και μύκητες 7 6 % , , Έτη Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου % ,4 Αναγέννηση 42,2 53, Έτη Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Φυσικά ή τεχνητά δάση ,6 % ,2 42, Έτη % Ανανέωση της πληροφορίας για ενημέρωση του Δασολογίου Δομή τοπίου Διάγραμμα 13-4 (συνέχεια) Έτη 22

225 Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Είδος 1 Ογκος ,7 8 7 % 6 5 % , ,4 24,4 4, ,6 28,9 6,7 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Μίξη 1 Πληθοκάλυψη ,4 7 % 6 5 % , ,4 26,7 4, ,6 24,4 6,7 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Ύψος 1 Δομή συστάδας-ορόφωση % ,9 % ,8 26,7 6, ,9 24,4 6,7 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Ηλικία 1 Διαχειριστική μορφή % ,7 % , ,8 26,7 8, ,7 31,1 4,4 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Διάγραμμα 13-4(συνέχεια) 23

226 Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Δασοπονική μορφή 1 Βιοποικιλότητα % ,8 % , , , ,7 4, ,5 7,5 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Προστατευτικός χαρακτήρας 1 Υλοτομίες ,7 8 7 % 6 5 % , , ,6 28,9 1 2,4 4,8 1:5. 1:1. 1:2. 1:5. 1 4,4 1:5. 1:1. 1:2. 1:5. Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Αναψυχή 1 Φυσικές καταστροφές 9 9 % ,5 % , , , ,5 7, ,4 4,4 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Αισθητική αξία 1 Διάνοιξη οδών % ,5 % , ,5 27,5 7, ,1 22,2 4,4 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Διάγραμμα 13-4(συνέχεια) 24

227 Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 9 Βλάβες από έντομα και μύκητες 1 9 Φυσικά ή τεχνητά δάση % ,7 % , ,6 33,3 4, ,9 33,3 6,7 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο Κλίμακα χαρτογράφησης της πληροφορίας για το Δασολόγιο 1 Αναγέννηση 1 Δομή τοπίου % ,3 % , , , ,3 4, ,1 8,9 1:5. 1:1. 1:2. 1:5. 1:5. 1:1. 1:2. 1:5. Διάγραμμα 13-4 (συνέχεια) Απαντήσεις στο ερωτηματολόγιο του Δασολογίου 25

228 13.2 Παράρτημα: Διαγράμματα των αποτελεσμάτων της ανάλυσης μέσης τοπικής διακύμανσης. 26

229 9,E-5 8,E-5 Τοπική διακύμανση - Qb2 Δασική έκταση,16,14 Τοπική διακύμανση - Qb4 Δασική έκταση 7,E-5,12 Τοπική διακύμανση 6,E-5 5,E-5 4,E-5 3,E-5 Τοπική διακύμαν,1,8,6 2,E-5,4 1,E-5,2,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 1,6E-5 1,4E-5 Τοπική διακύμανση - Qb2 Πρεμνοβλαστήματα δρυός 1,6E-3 1,4E-3 Τοπική διακύμανση - Qb4 Πρεμνοβλαστήματα δρυός 1,2E-5 1,2E-3 Τοπική διακύμανση 1,E-5 8,E-6 6,E-6 Τοπική διακύμανση 1,E-3 8,E-4 6,E-4 4,E-6 4,E-4 2,E-6 2,E-4,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα,e+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,E-5 Τοπική διακύμανση - Qb2,2 Τοπική διακύμανση - Qb4 1,8E-5 Δρυς-μαύρη πεύκη,18 Δρυς-μαύρη πεύκη 1,6E-5,16 Τοπική διακύμανση 1,4E-5 1,2E-5 1,E-5 8,E-6 6,E-6 Τοπική διακύμανση,14,12,1,8,6 4,E-6,4 2,E-6,2,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,E-5 Τοπική διακύμανση - Qb2,2 Τοπική διακύμανση - Qb4 1,8E-5 Δρυς,18 Δρυς 1,6E-5,16 Τοπική διακύμανση 1,4E-5 1,2E-5 1,E-5 8,E-6 6,E-6 Τοπική διακύμανση,14,12,1,8,6 4,E-6,4 2,E-6,2,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 27

230 2,E-5 Τοπική διακύμανση - Qb2,2 Τοπική διακύμανση - Qb4 1,8E-5 1,6E-5 Δρυς-Μ.πεύκη χαμηλή εδαφοκάλυψη,18,16 Δρυς-Μ.πεύκη χαμηλή εδαφοκάλυψη Τοπική διακύμανση 1,4E-5 1,2E-5 1,E-5 8,E-6 6,E-6 Τοπική διακύμανση,14,12,1,8,6 4,E-6,4 2,E-6,2,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,E-5 Τοπική διακύμανση - Qb2,1 Τοπική διακύμανση - Qb4 1,8E-5 Πυκνοί θαμνώνες,9 Πυκνοί θαμνώνες 1,6E-5,8 Τοπική διακύμανση 1,4E-5 1,2E-5 1,E-5 8,E-6 6,E-6 Τοπική διακύμανση,7,6,5,4,3 4,E-6,2 2,E-6,1,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,E-5 Τοπική διακύμανση - Qb2 2,E-3 Τοπική διακύμανση - Qb4 1,8E-5 Μ. πεύκη-οξιά-δρυς 1,9E-3 Μ. πεύκη-οξιά-δρυς Τοπική διακύμανση 1,6E-5 1,4E-5 1,2E-5 1,E-5 8,E-6 6,E-6 4,E-6 Τοπική διακύμανση 1,8E-3 1,7E-3 1,6E-3 1,5E-3 1,4E-3 2,E-6 1,3E-3,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 1,2E-3 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,1E-5 1,8E-5 Τοπική διακύμανση - Qb2 Μαύρη πεύκη 2,E-3 1,8E-3 1,6E-3 Τοπική διακύμανση - Qb4 Μαύρη πεύκη Τοπική διακύμανση 1,5E-5 1,2E-5 9,E-6 6,E-6 3,E-6 Τοπική διακύμανση 1,4E-3 1,2E-3 1,E-3 8,E-4 6,E-4 4,E-4 2,E-4,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα,e+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 28

231 2,E-5 Τοπική διακύμανση - Qb2 2,E-3 Τοπική διακύμανση - Qb4 1,8E-5 Οξιά 1,8E-3 Οξιά 1,6E-5 1,6E-3 Τοπική διακύμανση 1,4E-5 1,2E-5 1,E-5 8,E-6 6,E-6 Τοπική διακύμανση 1,4E-3 1,2E-3 1,E-3 8,E-4 6,E-4 4,E-6 4,E-4 2,E-6 2,E-4,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα,e+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 4,E-5 Τοπική διακύμανση - Qb2 5,E-3 Τοπική διακύμανση - Qb4 3,5E-5 Οξιά > 15 μ. 4,5E-3 Οξιά > 15 μ. 3,E-5 4,E-3 Τοπική διακύμανση 2,5E-5 2,E-5 1,5E-5 Τοπική διακύμανση 3,5E-3 3,E-3 2,5E-3 2,E-3 1,E-5 1,5E-3 5,E-6 1,E-3,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 5,E-4 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 4,E-5 Τοπική διακύμανση - Qb2 5,E-3 Τοπική διακύμανση - Qb4 3,5E-5 Οξιά αραιή 4,5E-3 Οξιά αραιή 3,E-5 4,E-3 Τοπική διακύμανση 2,5E-5 2,E-5 1,5E-5 Τοπική διακύμανση 3,5E-3 3,E-3 2,5E-3 2,E-3 1,E-5 1,5E-3 5,E-6 1,E-3,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 5,E-4 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 2,E-5 Τοπική διακύμανση - Qb2 1,2E-3 Τοπική διακύμανση - Qb4 1,8E-5 Οστρυά 1,1E-3 Οστρυά Τοπική διακύμανση 1,6E-5 1,4E-5 1,2E-5 1,E-5 8,E-6 6,E-6 4,E-6 Τοπική διακύμανση 1,E-3 9,E-4 8,E-4 7,E-4 6,E-4 2,E-6 5,E-4,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 4,E-4 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 29

232 1,E-5 Τοπική διακύμανση - Qb2 4,E-4 Τοπική διακύμανση - Qb4 9,E-6 Τραχεία 3,5E-4 Τραχεία Τοπική διακύμανση 8,E-6 7,E-6 6,E-6 5,E-6 4,E-6 3,E-6 2,E-6 Τοπική διακύμανση 3,E-4 2,5E-4 2,E-4 1,5E-4 1,E-4 1,E-6 5,E-5,E+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα,e+ 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 1,2E-3 Τοπική διακύμανση - Qb2 3,E-3 Τοπική διακύμανση - Qb4 1,1E-3 Αστικά Αστικά 1,E-3 2,5E-3 Τοπική διακύμανση 9,E-4 8,E-4 7,E-4 6,E-4 5,E-4 4,E-4 3,E-4 Τοπική διακύμανση 2,E-3 1,5E-3 1,E-3 2,E-4 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 5,E-4 2,4 4,8 7,2 9, ,4 16,8 19,2 21,6 Χωρική διακριτική ικανότητα 21

233 13.3 Παράρτημα: Πειραματικά βαριογράμματα των διαφόρων τύπων κάλυψης και γραμμή προσαρμογής θεωρητικών μοντέλων. 211

234 Δασική έκταση_qb2 Δασική έκταση_qb4 Πρεμνοβλαστήματα δρυός_qb2 Πρεμνοβλαστήματα δρυός_qb4 Δρυς-Μ. πεύκη_qb2 Δρυς-Μ. πεύκη_qb4 Δρυς_Qb2 Δρυς_Qb4 212

235 Δρυς-Μ. πεύκη χαμηλή εδαφοκάλυψη_qb2 Δρυς-Μ. πεύκη χαμηλή εδαφοκάλυψη_qb4 Πυκνοί θαμνώνες_qb2 Πυκνοί θαμνώνες_qb4 Μ. πεύκη-οξιά-δρυς_qb2 Μ. πεύκη-οξιά-δρυς_qb4 Μ. πεύκη_qb2 Μ. πεύκη_qb4 213

236 Οξιά_Qb2 Οξιά_Qb4 Οξιά > 15 μ._qb2 Οξιά > 15 μ._qb4 Οξιά αραιή_qb2 Οξιά αραιή_qb4 Οστρυά_Qb2 Οστρυά_Qb4 214

237 Τραχεία_Qb2 Τραχεία_Qb4 Αστικά_Qb2 Αστικά_Qb4 215

238 Δασική έκταση_pan Δρυς-Μ. πεύκη χαμηλή εδαφοκάλυψη_pan Πρεμνοβλαστήματα δρυός_pan Πυκνοί θαμνώνες_pan Δρυς-Μ. πεύκη_pan Μ. πεύκη-οξιά-δρυς_pan Δρυς_pan Μ. πεύκη_pan 216

239 Οξιά_pan Τραχεία_pan Οξιά > 15 μ._pan Αστικά_pan Οξιά αραιή_pan Οστρυά_pan 217

240 13.4 Παράρτημα: Συσχετογράμματα διαφόρων τύπων κάλυψης της περιοχής 218

241 1,2 Δασική έκταση-qb2 1,2 Δασική έκταση-qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Πρεμνοβλαστήματα δρυός-qb2 1,2 Πρεμνοβλαστήματα δρυός-qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Δρυς-Μ.πεύκη-Qb2 1,2 Δρυς-Μ.πεύκη-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, , lag (h) lag (h) 1,2 Δρυς-Qb2 1,2 Δρυς-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 219

242 1,2 Δρυς-Μ.πεύκη χαμηλή εδαφοκάλυψη-qb2 1,2 Δρυς-Μ.πεύκη χαμηλή εδαφοκάλυψη-qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Πυκνοί θαμνώνες-qb2 1,2 Πυκνοί θαμνώνες-qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Μ.πεύκη-Οξιά-Δρυς-Qb2 1,2 M.πεύκη-Οξιά-Δρυς-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Μ.πεύκη-Qb2 1,2 Μ.πεύκη-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 22

243 1,2 Οξιά-Qb2 1,2 Οξιά-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Οξιά > 15μ.-Qb2 1,2 Οξιά > 15μ.-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Οξιά αραιή-qb2 1,2 Οξιά αραιή-qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Οστρυά-Qb2 1,2 Οστρυά-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 221

244 1,2 Τραχεία-Qb2 1,2 Τραχεία-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 1,2 Αστικά-Qb2 1,2 Αστικά-Qb4 1 1,8,8 Moran's I,6,4 Moran's I,6,4,2,2 -, lag (h) -, lag (h) 222

245 Δασική έκταση-qb2 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2, lag (h) Geary 's c Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Δασική έκταση-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Πρεμνοβλαστήματα δρυός-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Πρεμνοβλαστήματα δρυός-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Δρυς-Μ.πεύκη-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Δρυς-Μ.πεύκη-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Δρυς-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Δρυς-Qb lag (h) 223

246 Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Δρυς-Μ.πεύκη χαμηλή εδαφοκάλυψη-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Δρυς-Μ.πεύκη χαμηλή εδαφοκάλυψη-qb lag (h) Geary's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Πυκνοί θαμνώνες-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Πυκνοί θαμνώνες-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 M.πεύκη-Οξιά-Δρυς-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 M.πεύκη-Οξιά-Δρυς-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Μ. πεύκη-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Μ.πεύκη-Qb lag (h) 224

247 Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οξιά-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οξιά-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οξιά > 15μ.-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οξιά > 15μ.-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οξιά αραιή-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οξιά αραιή-qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οστρυά-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Οστρυά-Qb lag (h) 225

248 Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Τραχεία-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Τραχεία-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Αστικά-Qb lag (h) Geary 's c 1,3 1,2 1,1 1,9,8,7,6,5,4,3,2,1 Αστικά-Qb lag (h) 226

249 13.5 Παράρτημα: Επίδραση του εύρους της περιοχής εφαρμογής στα αποτελέσματα της κατάτμησης. 227

250 Επίπεδο 3-περιοχή εφαρμογής Επίπεδο 3-τμήματα 26,27,28 Επίπεδο 3-περιοχή εφαρμογής Επίπεδο 3-τμήματα 26,27,28 Επίπεδο 2-περιοχή εφαρμογής Επίπεδο 2-τμήματα 26,27,28 228

251 13.6 Παράρτημα: Μέτρηση δασικής κόμης 229

252 Για τη μέτρηση της δασικής κόμης υπάρχουν δύο βασικές μέθοδοι-προσεγγίσεις. Η πρώτη προσέγγιση σχετίζεται με τη μέτρηση της συγκόμωσης (canopy closure). Αυτή ορίζεται ως την ποσοστιαία αναλογία του ημισφαιρίου του ουρανού, το οποίο παρεμποδίζεται από τη βλάστηση όταν παρατηρείται από ένα συγκεκριμένο σημείο (Σχήμα 13-1 ). Η δεύτερη προσέγγιση στηρίζεται στην εκτίμηση της εδαφοκάλυψης από την κομοστέγη (canopy cover), η οποία αναφέρεται στην ποσοστιαία αναλογία του δασικού τάπητα που καλύπτεται από τις κάθετες προβολές της κόμης των δένδρων. Είναι ανάλογο με τη χρήση του όρου «εδαφοκάλυψη» από τους οικολόγους, ο οποίος αναφέρεται στην ποσοστιαία αναλογία της επιφάνειας που καταλαμβάνεται από το υπέργεια τμήμα των φυτών. Η σημαντική διαφορά μεταξύ συγκόμωσης και εδαφοκάλυψης από την κομοστέγη παρουσιάζεται στο Σχήμα Οι μετρήσεις της συγκόμωσης εμπεριέχουν πληροφορία για ένα τμήμα του ημισφαιρίου του ουρανού πάνω από έδαφος ενώ οι μετρήσεις της εδαφοκάλυψης από την κομοστέγη εμπεριέχουν πληροφορία για την παρουσία ή απουσία δασικής κόμης κάθετα πάνω από ένα δείγμα σημείων εντός της έκτασης του δάσους. Σχήμα 13-1 Το πάνω σχεδιάγραμμα αντιστοιχεί στο μέγεθος «συγκόμωση» ενώ το κάτω στον όρο «εδαφοκάλυψη από τη κομοστέγη» 23

253 Η μέση συγκόμωση σε ένα δασικό τμήμα δεν σχετίζεται απαραίτητα με την εδαφοκάλυψη από την κομοστέγη στην ίδια περιοχή. Η μέτρηση της συγκόμωσης επηρεάζεται από το ύψος των δένδρων (Σχήμα 13-2), σε μεγαλύτερο βαθμό από τη μέτρηση της εδαφοκάλυψης από τη κομοστέγη. Η συγκόμωση μπορεί να σχετιστεί άμεσα με το μικροκλίμα, τη ποσότητα και σύνθεση του φωτός, ενώ η εδαφοκάλυψης από τη κομοστέγη είναι ένα μέγεθος που αντανακλά την κυριαρχία σε μια περιοχή της δενδρώδους βλάστησης συγκεκριμένων ειδών δένδρων. Επίσης η εδαφοκάλυψη από την κομοστέγη μπορεί να χρησιμοποιηθεί για την πρόβλεψη του όγκου της συστάδας (Philip 1994), καθώς για κάθε συγκεκριμένο είδος υπάρχει μια σχεδόν γραμμική σχέση μεταξύ της κόμης και της κυκλικής επιφάνειας του κορμού (Dawkins 1963). H εδαφοκάλυψη από την κομοστέγη είναι μια σημαντική μεταβλητή η οποία απαιτείται για εκτίμηση στατιστικών στοιχείων της συστάδας από εικόνες τηλεπισκόπησης. Σχήμα 13-2 Επίδραση του ύψους των δένδρων στη συγκόμωση Για τη μέτρηση της εδαφοκάλυψης από την κομοστέγη υπάρχουν διάφορες μέθοδοι. Η πιο διαδεδομένη είναι η παρατήρηση από εδάφους σε δείγμα θέσεων (σημειακά). Σε κάθε σημείο ο δασολόγος παρατηρεί κάθετα προς τα πάνω και καταγράφει εάν η δασική κόμη παρεμποδίζει ή όχι την παρατήρηση του ουρανού. Το ποσοστό των σημείων όπου ο ουρανός δεν είναι διακριτός δίνει μια εκτίμηση για την κάλυψη από τη δασική κόμη: N c C = N t 231

254 Η παρατήρηση μπορεί να πραγματοποιηθεί χωρίς τη χρήση κάποιων οργάνων (Vales και Bunnell 1988) αν και οι μετρήσεις είναι πιο ακριβείς αν είναι βέβαιο πως ο παρατηρητής παρατηρεί κάθετα προς τα πάνω και όχι υπό γωνία καθώς στη τελευταία περίπτωση η εκτίμηση αναφέρεται σε περιοχή και όχι σε σημείο. Για την ελαχιστοποίηση των αποκλίσεων από την κάθετη παρατήρηση, έχουν αναπτυχθεί ειδικά όργανα παρατήρησης, κυλινδρικής διατομής (sighting tubes). Σε μια παραλλαγή αυτών των οργάνων είναι δυνατή η τοποθέτηση κατόπτρων 45 ο και φυσαλίδων σταθεροποίησης; Τα όργανα αυτά ονομάζονται μετρητές πυκνότητας (densitometer-σχήμα 13-3). Σχήμα 13-3 Όργανο μέτρησης της εδαφοκάλυψης από την κόμη-(densitometer) Επίσης μια άλλη παράμετρος που πρέπει να ληφθεί υπόψη είναι ότι οι εκτιμήσεις για την εδαφοκάλυψη από την κομοστέγη λαμβάνονται από πολλές μετρήσεις. Ως εκ τούτου πρέπει να ληφθεί μνεία για τη στρατηγική δειγματοληψίας που θα ακολουθηθεί. Ο Johanson (1985), συνηγορεί υπέρ της χρήσης της συστηματικής δειγματοληψίας. Αυτό ωστόσο εισάγει (Jennings κ.ά. 1999) σφάλματα εξαιτίας της χωρικής αυτοσυσχέτισης. Αν για παράδειγμα ένα σημείο μέτρησης είναι εντός διακένου, ένα σημείο σε μικρή απόσταση από αυτό είναι πιθανότερο να είναι και αυτό εντός του διακένου, παρά ένα τρίτο σε μεγαλύτερη απόσταση από το αρχικό σημείο αναφοράς. Εξαιτίας αυτών των προβλημάτων οι Jennings κ.ά. (1999) προτείνουν τη χρήση της τυχαίας δειγματοληψίας. Ωστόσο και σε αυτή τη περίπτωση είναι πιθανό να υπεισέλθουν σφάλματα. Για παράδειγμα σε επιφάνειες οι οποίες χωροθετούνται εντός περιοχών με τραχύ ανάγλυφο και έντονες κλίσεις είναι δύσκολο να υπάρξει τυχαία επιλογή σημείων για μετρήσεις. Μια άλλη διαφορετική τεχνική μετρήσεως της εδαφοκάλυψης από την κομοστέγη είναι η καταγραφή των ορίων της κόμης κατά μήκος γραμμών (μετροταινιών) χωροθετημένων εντός του δάσους (line intercept method). Το μήκος της γραμμής (ταινίας) το οποίο καλύπτεται από την κόμη των δένδρων, καταγράφεται και δίνει μια μοναδική τιμή (συνεχής μεταβλητή αντί για δίτιμη όπως η προηγούμενη μέθοδος). Επίσης η εδαφοκάλυψη από την κομοστέγη μπορεί είναι δυνατόν να εκτιμηθεί οπτικά με τη χρήση Α/Φ αλλά και δορυφορικών εικόνων πολύ υψηλής ευκρίνειας. 232

255 Σχήμα 13-4 Κλίμακα πυκνότητας (crown density scale) Η εκτίμηση αυτή γίνεται με τη χρήση κλιμάκων πυκνότητας (crown density scale) (Καρτέρης 199, Moessner 1949, Husch κ.ά. 1982), οι οποίες αποτελούνται μια σειρά τετράγωνων εικονιδίων τα οποία περιέχουν μαύρες κουκκίδες οι οποίες καλύπτουν διαδοχικά ένα εύρος 5 έως 95 % της επιφάνειας των τετραγώνων (Σχήμα 13-4) Τέλος μια σειρά τεχνικών μέτρησης με το όνομα δείκτες θέσης κόμης (crown position indices), έχουν αναπτυχθεί με σκοπό την τυποποίηση στην οπτική εκτίμηση της θέσης της κόμης των δένδρων σε σχέση με τα υπόλοιπα δένδρα. Θα μπορούσε γενικά να ειπωθεί πως σε γενικές γραμμές είναι ανάλογοι του βαθμού συγκόμωσης αλλά στη πραγματικότητα καταγράφουν τη θέση της κόμης σε σχέση με τη κομοστέγη. Επίσης μια ακόμη διαφορά είναι ότι χρησιμοποιείται η τακτική αντί της διαστημικής κλίμακας μέτρηση που χρησιμοποιείται για τη συγκόμωση καθεαυτού (Πίνακας 13-2). 233

256 Πίνακας 13-2 Δείκτες θέσης κόμης Θέση κόμης (Smith 1986) Φωτισμός κόμης (Dawkins 1958) Φωτισμός κόμης (Clark και Clark 1992) Τάξη Ορισμός Τάξη Ορισμός Τάξη Ορισμός Κυριαρχηθέντα Ενδιάμεσα Συγκυρίαρχα Κυρίαρχα Χαμηλότερα από το επίπεδο της κομοστέγης και με έλλειψη φωτισμού από πάνω Χαμηλότερα από το γενικό επίπεδο της κομοστέγης, αλλά παρόλα αυτά φωτιζόμενα άνωθεν Κόμη εντός του γενικότερου επιπέδου της κομοστέγης Κόμη υψηλότερη του γενικότερου επιπέδου της κομοστέγης Καθόλου άμεσος φωτισμός (η κόμη δεν φωτίζεται απ ευθείας είτε κάθετα είτε πλευρικά) Πλευρικό φως (<1 τοις εκατό της κάθετης προβολής της κόμης εκτίθεται σε κάθετο φωτισμό, η κόμη φωτίζεται πλάγια) Μερικός υπερκείμενος φωτισμός (1-9 τοις εκατό της κάθετης προβολής της κόμης εκτίθεται σε κάθετο φωτισμό) Πλήρες υπερκείμενος φωτισμός ( 9 τοις εκατό της κάθετης προβολής της κόμης εκτίθεται σε κάθετο φωτισμό; Ο πλευρικός φωτισμός παρεμποδίζεται εντός τμήματος ή του συνόλου του 9 ο ανάστροφου κώνου που περιβάλει την κόμη) Η κόμη είναι πλήρως εκτεθειμένη σε κάθετο και πλευρικό φωτισμό εντός του συνόλου του 9 ο ανάστροφου κώνου που περιβάλει την κόμη Καθόλου άμεσος φωτισμός (η κόμη δεν φωτίζεται απ ευθείας είτε κάθετα είτε πλευρικά) Λίγος πλευρικός φωτισμός (η κόμη φωτίζεται μόνο από πλάγια; Αρκετά μικρά ή ένα μεσαίο άνοιγμα) Μεσαίου επιπέδου πλευρικός φωτισμός (η κόμη φωτίζεται μόνο πλευρικά και εκτίθεται σε τουλάχιστον ένα μεσαίο η πολλά μικρά ανοίγματα) Υψηλού επιπέδου πλευρικός φωτισμός(η κόμη φωτίζεται μόνο πλευρικά και εκτίθεται σε τουλάχιστον ένα μεγάλο η πολλά μεσαία ανοίγματα) Μερικός υπερκείμενος φωτισμός (1-9 τοις εκατό της κάθετης προβολής της κόμης εκτίθεται σε κάθετο φωτισμό) Πλήρες υπερκείμενος φωτισμός ( 9 τοις εκατό της κάθετης προβολής της κόμης εκτίθεται σε κάθετο φωτισμό; Ο πλευρικός φωτισμός παρεμποδίζεται εντός τμήματος ή του συνόλου του 9 ο ανάστροφου κώνου που περιβάλει την κόμη Η κόμη είναι πλήρως εκτεθειμένη σε κάθετο και πλευρικό φωτισμό εντός του συνόλου του 9 ο ανάστροφου κώνου που περιβάλει την κόμη 234

257 13.7 Παράρτημα: Χάρτες της περιοχής μελέτης 235

258 236

259 Πίνακας 13-3 Πίνακας ονοματολογίας τμημάτων Πανεπιστημιακού δάσους Ταξιάρχη. ΠΙΝΑΚΑΣ ΟΝΟΜΑΤΟΛΟΓΙΑΣ ΤΜΗΜΑΤΩΝ Αριθμός Ονομασία Τμήματος Αριθμός Τμήματος Τμήματος Ονομασία Τμήματος 1 Κουρί 32 Κουτίκια-Μαχμούτ 2 Κερασιά 33 Στέφανου Ραχώνι 3 Καρούζα Τούμπα 34 Σηποτούρες 4 Χολομών-Τρανό Πηγάδι 35 Ντουραχάνι 5 Τζεπάλι 36 Σηποτό-Σπάθες 6 Λιπόταμος 37 Μεταξά 7 Μπακάλι 38 Χονδρό Ραχώνι 8 Παναγούδα 39 Δαμασκηνιές 9 Πουρνάρι 4 Πριόνια 1 Δαμασκηνιές-Βαμβακά Τούμπα 41 Μιχάλα 11 Απολυμένη Πέτρα-Λειβάδι 42 Μακελιό 12 Δούκος 43 Γκορνίτσα 13 Άγιος Γεώργιος 44 Μπαμπακιά-Μεραδούδια 14 Σχισμένη Πέτρα 45 Χαριστού Αμπέλι 15 Νικολίτσα 46 Γκουρατσιά 16 Αρικλάρ 47 Στρώνιστα 17 Παπά Τούμπα 48 Σπαλάθρι 18 Ξηρόβρυση 49 Κωστούδα 19 Προφώτη 5 Κόμνος 2 Κρυονέρι 51 Κλίμα 21 Λωρίδα 52 Κουλόμπαρο 22 Πηγάδα-Άγγελος 53 Σωληνάρια 23 Ταξιάρχης 54 Στάβαρα 24 Κουπάνα 55 Αχμάκ Σελάδι 25 Πιπέλη 56 Λαμπούδη 26 Βαθειά Λάκκα 57 Χαριστάδικα 27 Παρέση 58 Χρίστου Σελάδι 28 Πασά Βρύση 59 Ντράνιος 29 Κουτρουλόπετρα 6 Παπαστεριανού-Άριος 3 Βελόνη Τούμπα 61 Ισώματα 31 Χορέβα 237

260 238