Πανεπιστήμιο Αιγαίου, Σχολή Περιβάλλοντος, Τμήμα Επιστημών της Θάλασσας. ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ

Πανεπιστήμιο Αιγαίου, Σχολή Περιβάλλοντος, Τμήμα Επιστημών της Θάλασσας. ΠΤΥΧΙΑΚΗ ΕΡΓΑΣΙΑ Μελέτη της χωρικής κατανομής παραμέτρων ποιότητας του θαλασσίου περιβάλλοντος με χρήση ΓΣΠ και γεω-στατιστικών μεθόδων: Η περίπτωση του Στενού της Μυτιλήνης, Ν. Λέσβος Σταύρος Β. Ρούμελης Επιβλέπουσα καθηγήτρια: Δήμητρα Κίτσιου Μυτιλήνη 2010

Περιεχόµενα Αφιέρωση Περίληψη 5 6 1. Εισαγωγή 6 1.1 Παράµετροι Ποιότητας του Θαλάσσιου Περιβάλλοντος 6 1.2 Συσχέτιση Μεταξύ Παραµέτρων Ποιότητας του Θαλάσσιου Περιβάλλοντος 7 2. Σκοπός της Εργασίας 10 3. Μεθοδολογία 11 3.1 Έλεγχος Κανονικότητας Kolmogorov- Smirnov Test 11 3.2 Γεωγραφικά Συστήµατα Πληροφοριών 12 3.3 Χωρική Παρεµβολή 13 3.4 Μέθοδοι Τοπικών Εκτιµήσεων 14 3.4.1 Μέθοδοι Επιλογής Γειτονικών Σηµείων 14 3.4.2 Χωρικός Κινητός Μέσος και Inverse Distance Weighting (IDW). 16 3.5 Γεωστατικές Μέθοδοι-Βαριογράµµατα 17 3.6 Ανάλυση Συνδιασποράς Μεταξύ ύο ιαφορετικών Μεταβλητών 19 3.7 Περιοχή Μελέτης-Μεθοδολογία 19 4. Αποτελέσµατα 21 4.1 Εφαρµογή της Μεθόδου Παρεµβολής IDW 22 4.2 ειγµατοληψία Σηµείων 24 4.3 Έλεγχος Κανονικότητας One Sample K-S Test 25 4.4 Ανάπτυξη Βαριογραµµάτων 26 ~ 2 ~

4.5 Ανάπτυξη Χαρτών Συµµεταβολής 34 5. Συζήτηση 38 Βιβλιογραφία 42 ~ 3 ~

Κατάλογος Πινάκων Πίνακας 4.4.1: Χαρακτηριστικά των επιφανειακών βαριογραµµάτων 34 Κατάλογος Εικόνων Εικόνα 3.4.1: Επιλογή σηµείων για χωρική παρεµβολή 15 Εικόνα 3.5: Βασική µορφή βαριογράµµατος 18 Εικόνα 3.7.1: Η κατανοµή των σταθµών δειγµατοληψίας στο Στενό της Μυτιλήνης. 20 Εικόνα 4.1.1: Χάρτης κατανοµής χλωροφύλλης α στο στενό της Μυτιλήνης 22 Εικόνα 4.1.2: Χάρτης κατανοµής φωσφορικών αλάτων στο στενό της Μυτιλήνης 23 Εικόνα 4.1.3: Χάρτης κατανοµής νιτρικών αλάτων στο στενό της Μυτιλήνης 23 Εικόνα 4.1.4: Χάρτης κατανοµής αµµωνίας στο στενό της Μυτιλήνης 24 Εικόνα 4.2: Τυχαία δειγµατοληψία σηµείων στον κάναβο της κατανοµής της χλωροφύλλης α. 25 Εικόνα 4.4.1: Πανκατευθυντικό βαριόγραµµα χλωροφύλλης α 26 Εικόνα 4.4.2: Κατευθυντικό και επιφανειακό βαριόγραµµα της χλωροφύλλης α 27 Εικόνα 4.4.3: Πανκατευθυντικό βαριόγραµµα φωσφορικών αλάτων 28 Εικόνα 4.4.4: Κατευθυντικό και επιφανειακό βαριόγραµµα των φωσφορικών αλάτων. 29 Εικόνα 4.4.5: Πανκατευθυντικό βαριόγραµµα νιτρικών αλάτων 30 Εικόνα 4.4.6: Κατευθυντικό και επιφανειακό βαριόγραµµα των νιτρικών αλάτων. 31 Εικόνα 4.4.7: Πανκατευθυντικό βαριόγραµµα της αµµωνίας 32 Εικόνα 4.4.8: Κατευθυντικό και επιφανειακό βαριόγραµµα της αµµωνίας 33 Εικόνα 4.5.1: Εικόνα 4.5.2: Εικόνα 4.5.3: Χάρτης συµµεταβολής της χλωροφύλλη α σε σχέση µε τα φωσφορικά άλατα. 35 Χάρτης συµµεταβολής της χλωροφύλλη α σε σχέση µε τα νιτρικά άλατα. 36 Χάρτης συµµεταβολής της χλωροφύλλη α σε σχέση µε την αµµωνία. 37 ~ 4 ~

ΑΦΙΕΡΩΣΗ Αφιερωµένη στην Αφροδίτη και στον Βασίλη. ~ 5 ~

Περίληψη Στην παρούσα πτυχιακή εργασία, παρουσιάζεται µια µεθοδολογία για (α) την απεικόνιση της χωρικής κατανοµής παραµέτρων ποιότητας του θαλάσσιου περιβάλλοντος και (β) τη χωρική τους συσχέτιση. Οι παράµετροι που χρησιµοποιήθηκαν είναι η χλωροφύλλη α, τα νιτρικά/φωσφορικά άλατα και η αµµωνία λόγω του ρόλου τους σε φαινόµενα ευτροφισµού. Για αυτό τον σκοπό εφαρµόσθηκε η µέθοδος παρεµβολής Αντιστρόφου Βαρύνουσας Απόστασης (IDW) και αναπτύχθηκαν χάρτες κατανοµής για κάθε µεταβλητή. Με αυτόν τον τρόπο αυξήθηκε ο αριθµός των δεδοµένων, ώστε να µπορούν να εφαρµοστούν γεωστατιστικές µέθοδοι για τη µελέτη της ανισοτροπίας κάθε παραµέτρου στο χώρο και της χωρικής συσχέτισης των υπό εξέταση παραµέτρων. 1.Εισαγωγή 1.1 Παράµετροι Ποιότητας του Θαλάσσιου Περιβάλλοντος Το θαλάσσιο περιβάλλον είναι ένα πολύπλοκο δυναµικό σύστηµα, όπου λαµβάνουν χώρα φυσικά φαινόµενα και βιογεωχηµικοί κύκλοι που αλληλεπιδρούν µεταξύ τους σε µικρές και µεγάλες κλίµακες. Με την ανάπτυξη της αστικοποίησης και την εντατικοποίηση των καλλιεργούµενων περιοχών οι ανθρωπογενής πιέσεις αυξήθηκαν, έχοντας αρνητικό αντίκτυπο στην υποβάθµιση των παράκτιων και µεταβατικών οικοσυστηµάτων. Αστικά και γεωργικά λύµατα καταλήγουν στις θάλασσες µέσω της έκπλυσης των εδαφών από τα κατακρηµνίσµατα, µέσω του υδροφόρου ορίζοντα και συχνά µέσω της απευθείας διάθεσης αποβλήτων εξαιτίας της έλλειψης µέτρων διαχείρισης. Το αποτέλεσµα του εµπλουτισµού των υδάτων µε θρεπτικά άλατα όπως τα φωσφορικά, τα νιτρικά και η αµµωνία, επηρεάζει την ανάπτυξη µικροφυκών και φωτοσυνθετικών βακτηρίων, τα οποία αποτελούν µέρος του κύκλου του αζώτου και του φωσφόρου. Η υπέρµετρη ανάπτυξη συγκεκριµένων ειδών φυτοπλαγκτού όπως τα δινοµαστιγωτά, µπορεί να προκαλέσει τοξικά και ανοξικά επεισόδια, υποβαθµίζοντας τις βενθικές και πελαγικές βιοκοινότητες. Εκτός από τα οικολογικά προβλήµατα µειώνεται ο αριθµός των αλιευµάτων και υποβαθµίζεται η ποιότητα των νερών, εξαιτίας της µείωσης της αισθητικής των παραλιών και της αύξησης του κινδύνου µολύνσεων δηµιουργώντας σοβαρές οικονοµικές επιπτώσεις στην τοπική κοινωνία (Pretty et al., 2002). Η χλωροφύλλη α, η αµµωνία, τα φωσφορικά και τα νιτρικά άλατα χρησιµοποιούνται ευρέως στη µελέτη της ποιότητας του θαλάσσιου περιβάλλοντος. Η χλωροφύλλη α χρησιµοποιείται ευρέως ως δείκτης σε µοντέλα ευτροφισµού, στα οποία υπολογίζονται αξιόπιστα τα ευτροφικά επίπεδα των υδάτων. Τα θρεπτικά χρησιµεύουν συχνά στον υπολογισµό του ποσοστού ρύπων, που αποθέτουν οι πηγές ~ 6 ~

ρύπανσης. Συνεπώς διαπιστώνεται η σηµαντικότητα τους στον ορισµό κριτηρίων ποιότητας, αλλά και στη λήψη αποφάσεων κατά την εφαρµογή διαχειριστικών µέτρων. Οι Pieterse et al., 2002 εφαρµόζοντας µοντέλα ευτροφισµού σε Γεωγραφικά Συστήµατα πληροφοριών, κατάφεραν να αναπτύξουν µοντέλα γραµµικής παλινδρόµησης στα οποία υπολογίζονται οι ποσότητες του ολικού αζώτου και φωσφόρου που οφείλονται σε ανθρωπογενής δραστηριότητες και εκρέουν στον ποταµό Dommel του Βελγίου. Η ερµηνευτική ικανότητα των µοντέλων ΤΝ και ΤΡ είναι R 2 0,88 και R 2 0,95 αντίστοιχα. Επιπλέον εκτίµησαν την συνεισφορά κάθε σηµειακής πηγής στην αύξηση των θρεπτικών, µε στόχο την διαχείριση αποβλήτων. Οι White et al., 2004 σε περιβάλλον Γεωγραφικών Συστηµάτων Πληροφοριών ανέπτυξαν κατανοµές θρεπτικών και χλωροφύλλης α, αναλύοντας τη χωρική τους συµπεριφορά στα νερά της Νότιας Καρολίνας σε υγρές περιόδους και σε περιόδους ξηρασίας. Επίσης, συσχετίζοντας τις κατανοµές των παραπάνω µε την αλατότητα, συµπέραναν πως η παροχή οργανικών θρεπτικών, προέρχεται από την εκροή των υψιπέδων, µε τα αζωτούχα θρεπτικά να αυξάνουν περισσότερο από τα φωσφορικά κατά την περίοδο των βροχοπτώσεων. 1.2 Συσχέτιση Παραµέτρων Ποιότητας του Θαλάσσιου Περιβάλλοντος Με βάση τις παραπάνω αναφορές µπορεί να γίνει κατανοητό πως η ποσότητα της χλωροφύλλης α, συσχετίζεται έντονα µε την ποσότητα φωσφορικών αλάτων και αζωτούχων. Όπως έχει διαπιστωθεί εργαστηριακά, υπάρχει άµεση µεταβολική σχέση µεταξύ της χλωροφύλλης α που αφορά την φυτοπλαγκτονική βιοµάζα και ενώσεις φωσφόρου και αζώτου τα οποία µέσω φωτεινών αντιδράσεων µετατρέπονται σε πρωτεΐνες και νουκλεϊκά οξέα. Έτσι αναµένεται σε περιοχές που υπάρχουν υψηλές συγκεντρώσεις θρεπτικών να αυξάνεται έντονα η πρωτογενής παραγωγή, προκαλώντας ευτροφικά επεισόδια. Ωστόσο στο οικοσύστηµα µελετώντας την χωρική συσχέτιση των κατανοµών της χλωροφύλλης α και των θρεπτικών σε µεγάλη κλίµακα, παρατηρείται πως οι χωρικές κατανοµές τους, δεν συσχετίζονται πάντα µεταξύ τους. Αυτό πιθανόν να οφείλεται στα διαφορετικά χαρακτηριστικά που έχουν οι λεκάνες-που µελετώνται- µεταξύ τους. ιαφορές στις φυσικές παραµέτρους όπως η θερµοκρασία και η αλατότητα, µπορεί να επηρεάζουν διαφορετικά την ανάπτυξη του φυτοπλαγκτού. Για παράδειγµα οι λίµνες µε τις θάλασσες διαφέρουν σηµαντικά σε όλες τις φυσικοχηµικές παραµέτρους (απόρροια της διαφοράς µεγέθους τους), στην γεωµορφολογία καθώς και σε άλλα χαρακτηριστικά. Για παράδειγµα οι λίµνες έχουν µικρότερες επιφάνειες, µε αποτέλεσµα να µην µπορούν να αναπτυχθούν µεγάλης έντασης κύµατα και µικρότερο βάθος που επηρεάζει τη θερµοκρασία. Επίσης έχουν διαφορετική αλατότητα και άλλη σύσταση ειδών ζωοπλαγκτού και φυτοπλαγκτού µε αποτέλεσµα να διαφοροποιούνται οι παράγοντες που επηρεάζουν τη θήρευση και τον ανταγωνισµό. Σε αυτό το σηµείο αξίζει να αναφερθεί ότι η εύρεση της ακριβούς σχέσης µεταξύ της χλωροφύλλης α και των θρεπτικών, µπορεί να βοηθήσει σηµαντικά στην ακριβή παρακολούθηση ευτροφικών φαινοµένων εφόσον είναι παράµετροι ευτροφισµού. Έτσι η λήψη αποφάσεων θα είναι ευκολότερη και περισσότερο εύστοχη ~ 7 ~

από ότι σήµερα, βοηθώντας στην εφαρµογή µέτρων διαχείρισης θρεπτικών απορροών από αγροτικές καλλιέργειες και αστικά λύµατα που καταλήγουν σε υδάτινες λεκάνες (Allan, 1980). Σύµφωνα µε την άποψη του Sawyer, 1952 ότι ο φώσφορος θεωρείται το βασικό θρεπτικό που ρυθµίζει την ανάπτυξη φυτοπλαγκτού σε λίµνες, αναπτύχθηκαν εµπειρικά µοντέλα µεταξύ απορροών φωσφόρου και της µέσης φυτοπλαγκτονικής βιοµάζας υπό µορφή χλωροφύλλης α (Vollenweider, 1968, 1975 και 1976, Lee et al., 1977). Αργότερα τα µοντέλα αυτά επιβεβαιώθηκαν για την συσχέτιση µεταξύ µετρήσιµων ποσοτήτων φωσφόρου στην υδάτινη στήλη και την φυτοπλαγκτονική βιοµάζα (Sakamoto, 1966, Dillon et al., 1974, Jones et al., 1976, Schindle, 1977, Lee et al., 1977, Nicholls et al., 1978). Oι Fabregas et al., 1985 ασχολήθηκαν µε την ανάπτυξη χλωροφύλλης α και πρωτεϊνών της θαλάσσιας µικρο-άλγης Ιsochrysis galbana, σε περιβάλλοντα διαφορετικής αλατότητας και υψηλών συγκεντρώσεων NaNO 3. Χαρακτηριστικά αναφέρεται πως οι µεγαλύτερες συγκεντρώσεις χλωροφύλλης α, βρέθηκαν σε νερά µε συγκεντρώσεις 2,4 mm και 8 mm NaNO3 και σε αλατότητες 15 και 35. Η ανάλυση έγινε µε την χρήση µεθόδων τρισδιάστατων κατανοµών και της µεθόδου Οne Sample Anova. Οι Jordan et al., 1991 ανέλυσαν χρονοσειρές θρεπτικών και χλωροφύλλης α στους παραποτάµους του Rhode River. Από την ανάλυση της χλωροφύλλης α, του διαλυµένου οργανικού αζώτου και του φωσφόρου στις απορροές του Σηκουάνα, προέκυψε πως κατά την διάρκεια της άνοιξης οι συγκεντρώσεις χλωροφύλλης α εξαρτώνται από την παροχή νιτρικών, ενώ κατά την διάρκεια του καλοκαιριού από τo αναγεννηµένο ολικό αζώτο-υπό µορφή διαλυτού αµµωνίου-από οργανικά υλικά που παράγεται την άνοιξη. Οι Whitehouse et al., 1993 ελέγχοντας τις κατανοµές της χλωροφύλλης α και των θρεπτικών στα νερά του Βόρειου Ατλαντικού γύρω από το νησί South Georgia, δεν κατάφεραν να βρουν κάποια ξεκάθαρη συσχέτιση παρόλο που οι κλίµακες µεταβολής ήταν ίδιες. Το συµπέρασµα που προέκυψε, είναι πως η εύρεση συσχετίσεων µεταξύ χλωροφύλλης α και θρεπτικών στην συγκεκριµένη περιοχή, δεν µπορεί να βρεθεί µε εφαρµογή παραµετρικών µεθόδων στατιστικής. Ο Reckhow, 1993 ανάπτυξε ένα µοντέλο γραµµικής παλινδρόµησης µε συντελεστή συσχέτισης (R 2 )~0.73 ερµηνεύοντας τις σχέσεις που υπάρχουν µεταξύ της χλωροφύλλης α, του ολικού αζώτου και του φωσφόρου. Στην ανάπτυξη των µοντέλων έγινε χρήση ενός στοχαστικού συντελεστή, ο οποίος προκύπτει από την µέση Μπεϋζιανή κατανοµή των παραµέτρων. Οι Edwards et al., 2003 αναζήτησαν την δυναµική σχέση µεταξύ της παραγωγής φυτοπλαγκτονικής βιοµάζας και του διαλυτού διαθέσιµου ανόργανου αζώτου (DAIN), µε στόχο την πρόβλεψη και την αποφυγή ευτροφικών επεισοδίων. Με την χρήση χρονοσειρών δεδοµένων από την παράκτια περιοχή της δυτικής Σκωτίας, προσπάθησαν να εντοπίσουν τις τιµές των µεταβλητών, οι οποίες θα µπορούσαν να χρησιµοποιηθούν σαν κλίµακες ευτροφισµού. ~ 8 ~

Οι Çamdevyreν et al., 2004 κατόρθωσαν να αναπτύξουν ένα µοντέλο χλωροφύλλης α µε προβλεψιµότητα 90.8%, χρησιµοποιώντας τη µέθοδο της πολλαπλής γραµµικής παλινδρόµησης, σε κλειστό σύστηµα δεξαµενών κάνοντας µετρήσεις από τον Ιούνιο του 1995 µέχρι τον Μάιο του 1996. Σαν ανεξάρτητες µεταβλητές χρησιµοποιήθηκαν η θερµοκρασία του νερού, η ηλεκτρική του αγωγιµότητα, τιµές θολερότητας, Ph και διαλυµένου οξυγόνου. Επίσης χρησιµοποιήθηκαν µετρήσεις οργανικού άνθρακα (OM), µετρήσεις αλκαλικότητας, µετρήσεις ολικής σκληρότητας καθώς και µετρήσεις σκληρότητας ασβεστίου και µαγνησίου, νιτρικών, νιτρωδών, αµµωνίας, ορθοφωσφορικών, ολικού αζώτου και αριθµού ατόµων ζωοπλαγκτού. Ο Çelik, 2005 µπόρεσε να µοντελοποιήσει την σχέση µεταξύ της φυτοπλαγκτονικής βιοµάζας (chl a, mg/l), νιτρικών, νιτρωδών, αµµωνίας και φωσφορικών µελετώντας την εποχιακή δυναµική τους στην ρηχή υπερτροφική λίµνη της Manyas στην Τουρκία. Το µοντέλα αναπτύχθηκαν µέσω της µεθόδου της πολλαπλής γραµµικής παλινδρόµησης, των οποίων η προβλεψιµότητα κυµαίνεται από 23% έως 87%. Οι Cecciia et al., 2009 ανέλυσαν τα χρονικά και χωρικά µοτίβα του φαινοµένου του ευτροφισµού στον κόλπο Bothnia της Βαλτικής θάλασσας, εφαρµόζοντας δεδοµένα χρονοσειρών (1980-2007) των µεταβλητών ΤΝ/ΤΡ, θολερότητας και οξυγόνου στην µέθοδο principal component analysis (PCA). Από την ανάλυση αυτή προέκυψε ότι στον κόλπο δεν υπάρχουν υψηλά επίπεδα ευτροφισµού, αλλά παρατήρησαν µια συνεχή τάση αύξησης των θρεπτικών εισροών, οι οποίες θα πρέπει να διαχειριστούν ώστε να διατηρηθεί η ποιότητα των υδάτων. Τα Γεωγραφικά Συστήµατα Πληροφοριών και η εφαρµογή γεωστατιστικών µεθόδων µπορούν να εξάγουν ακριβή αποτελέσµατα µέσω της χωρικής ανάλυσης των κατανοµών των παραµέτρων, προσπερνώντας τις παραδοχές της συµβατικής στατιστικής που συχνά δεν ικανοποιούνται (π.χ. έλεγχος κανονικότητας). Με την χρήση βαριογραµµάτων µπορούν να υπολογιστούν οι τιµές των παραµέτρων σε περιοχές που δεν έχει γίνει δειγµατοληψία, αλλά και χρήσιµες πληροφορίες σχετικά µε την συσχέτισή τους. Παραδείγµατα χρήσης γεωστατιστικών µεθόδων, είναι ο υπολογισµός βέλτιστων αποστάσεων µεταξύ σταθµών δειγµατοληψίας από τους Jassby et αl., 1997, καθώς και η ανάπτυξη µεθοδολογίας ενός βέλτιστου σχεδίου δειγµατοληψίας από τους Kitsiou et al., 2001. Άλλες περιπτώσεις που χρησιµοποιήθηκαν γεωστατιστικές µέθοδοι είναι η περίπτωση των Wang et al., 2004 οι οποίοι µελέτησαν τη χωρική κατανοµή της χλωροφύλλης α στην λίµνη Taihu και των Hedger et al., 2001 οι οποίοι χρησιµοποιώντας χωρική στατιστική και δεδοµένα τηλεπισκόπησης, έδειξαν πως οι δειγµατοληψίες θα πρέπει να βαθµονοµούνται µε βάση τη δυναµική του χώρου, κατανοώντας το σφάλµα που συνδεόταν µε τον υπολογισµό της µέσης τιµής της χλωροφύλλης α. ~ 9 ~

2.Σκοπός Της Εργασίας Σκοπός της παρούσας εργασίας είναι η µελέτη της χωρικής κατανοµής παραµέτρων που σχετίζονται µε την ποιότητα του θαλάσσιου περιβάλλοντος και η αναζήτηση σχέσεων µεταξύ της χλωροφύλλης α, της αµµωνίας και των φωσφορικών/νιτρικών αλάτων. Στόχος είναι η προεργασία ανάπτυξης µιας ολοκληρωµένης µεθόδου διαχείρισης θρεπτικών εισροών στο παράκτιο οικοσύστηµα, που θα µπορεί να εντοπίζει και να προλαµβάνει ευτροφικά επεισόδια. Η µελέτη των χωρικών κατανοµών ανόργανου αζώτου και φωσφόρου καθώς και της χλωροφύλλης α, είναι µία σηµαντική διαδικασία για την µελέτη της ποιότητας των παράκτιων υδάτων, καθώς και για άλλου είδους ωκεανογραφικές µελέτεςδεδοµένου ότι πολλές φορές οι συµβατικές παραµετρικές στατιστικές µέθοδοι δεν είναι κατάλληλες για το σκοπό αυτό, λόγω των πολλών παραδοχών τους (π.χ. έλεγχος κανονικότητας). Η παρακολούθηση των θρεπτικών εισροών και η επίδρασή τους στο φαινόµενο του ευτροφισµού είναι ένα σηµαντικό εγχείρηµα στην λήψη µέτρων διαχείρισης. Για τους παραπάνω λόγους κρίθηκε σκόπιµο στη συγκεκριµένη εργασία, να γίνει µελέτη των κατανοµών των θρεπτικών (PO 4 3-,NO 3 -,NH 3 ) και της χλωροφύλλης α καθώς και των µεταξύ τους συσχετίσεων, µε την χρήση της µεθόδου παρεµβολής IDW και µεθόδων γεωστατιστικής ανάλυσης σε περιβάλλον ΓΣΠ, αναδεικνύοντας την χρησιµότητα των Γεωγραφικών Συστηµάτων Πληροφοριών, σε περιπτώσεις παράκτιων και ωκεανογραφικών µελετών. ~ 10 ~

3. Μεθοδολογία 3.1 Έλεγχος Κανονικότητας-Kolmogorov- Smirnov Test Κατά την προ-επεξεργασία ενός σετ δεδοµένων για την αναζήτηση της γραµµικής σχέσης που υπάρχει µεταξύ αυτών, γίνεται έλεγχος κατά πόσο οι συχνότητες των τιµών τους ακολουθούν κανονική κατανοµή. Αν αυτό ισχύει, τότε τα δεδοµένα αποτελούν µέρος µιας τυχαίας συνεχούς µεταβλητής, η οποία ανταποκρίνεται στα είδη των φαινοµένων, που εξετάζονται-στην παρούσα περίπτωση-στο θαλάσσιο χώρο. Στην περίπτωση που η κατανοµή των συχνοτήτων δεν είναι κανονική, τότε τα δεδοµένα θα πρέπει να µετασχηµατιστούν κατάλληλα ώστε να την αποκτήσουν. Στο σηµείο αυτό είναι χρήσιµο να αναφερθεί, πως η πρώτη φορά που δηµοσιεύθηκε ο συναρτησιακός τύπος της κανονικής κατανοµή ήταν το 1733 από τον De Moivre. Για να εξεταστεί το κατά πόσο η κατανοµή των συχνοτήτων κάθε σετ δεδοµένων είναι κανονική στο σύνολο της περιοχής µελέτης, εφαρµόζεται ο έλεγχος κανονικότητας Kolmogorov-Smirnov Test, ακολουθώντας την παρακάτω διαδικασία. Αρχικά διατυπώνονται η µηδενική υπόθεση H 0, µε βάση την οποία η κατανοµή των συχνοτήτων δεν εµφανίζει κανονική κατανοµή, καθώς και η εναλλακτική υπόθεση Η ε, µε βάση την οποία η κατανοµή ακολουθεί κανονική κατανοµή. Για να ελεγχθεί η µηδενική υπόθεση, γίνεται έλεγχος σχετικά µε το πόσο καλά προσαρµόζεται η θεωρητική κατανοµή του πληθυσµού στην εµπειρική κατανοµή των συχνοτήτων του δείγµατος. Το κριτήριο που εφαρµόζει ο έλεγχος Kolmogorov-Smirnov (K-S Test), είναι ότι η µεγαλύτερη απόσταση Dn, n παρατηρήσεων από το µέσο της κατανοµής, δεν πρέπει να ξεπερνά ένα επίπεδο σηµαντικότητας το οποίο καθορίζει µια περιοχή µεγέθους a, η οποία υπολογίζεται από ειδικούς πίνακες που υπάρχουν για τον έλεγχο του κριτηρίου, θέτοντας την κρίσιµη τιµή Da, n (ανάλογα µε τα n, a κάθε φορά). Είναι λοιπόν εµφανές, πώς όσο µεγαλώνει η διασπορά των συχνοτήτων fi σε σχέση µε το µέσο της κανονικής κατανοµής, τόσο η πιθανότητα ότι το σύνολο του πληθυσµού αποµακρύνεται από το πρότυπο της κανονικής κατανοµής αυξάνεται (Norusis, 2000). Η D n υπολογίζεται από τη σχέση: D n = max F n (y) F 0 (y) όπου F n (y): η σχετική αθροιστική συχνότητα του δείγµατος Y, δηλαδή F n (y) = ~ 11 ~

και F 0 (y): η αθροιστική συνάρτηση της κατανοµής της f 0 (y). 3.2 Γεωγραφικά Συστήµατα Πληροφοριών Τα Γεωγραφικά Συστήµατα Πληροφοριών, είναι ένα σηµαντικό εργαλείο µέσω του οποίου µπορεί να παρουσιαστεί µια πληθώρα πληροφοριών σε µορφή χάρτη, δίνοντας έτσι την δυνατότητα ανάλυσης του εκάστοτε φαινοµένου, µέσω µιας συνεχούς επιφάνειας. Η δυνατότητα δηµιουργίας και γρήγορης ανάλυσης χωρικών βάσεων δεδοµένων, τα καθιστούν από τα πιο ολοκληρωµένα συστήµατα διαχείρισης χώρου και µελέτης φαινοµένων σε µεγάλη κλίµακα. Κατά την ανάλυση φαινοµένων δίνεται στον χρήστη η δυνατότητα κατανόησης της τάσης τους εις βάθος, µέσω της εύρεσης χωρικών µοτίβων που επεξηγούν, το πώς επηρεάζεται το κάθε φαινόµενο από το ίδιο, σε σχέση πάντα µε τον χώρο, αλλά και πως επηρεάζεται από άλλους παράγοντες ή φαινόµενα, που λαµβάνουν χώρα στον ίδιο τόπο. Έτσι µέσω της µοντελοποίησης των παραπάνω σχέσεων µπορεί να γίνει εφικτή µε µεγάλη ακρίβεια, τόσο η πρόβλεψη των τιµών του φαινοµένου, σε περιοχές όπου δεν έχουν γίνει µετρήσεις, αλλά και η πρόβλεψη του σε άλλο χρόνο αν έχει συµπεριληφθεί στο µοντέλο αυτή η µεταβλητή. Επίσης είναι εφικτή η πρόβλεψη των φαινοµένων/παραγόντων που το επηρεάζουν, δεδοµένου πως έχει µοντελοποιηθεί η µεταξύ τους σχέση. Από τα παραπάνω γίνεται κατανοητή η διαφοροποίηση των Γ.Σ.Π. από άλλα συστήµατα ανάπτυξης χαρτών, τα οποία απλά διαχειρίζονται χωρική πληροφορία, µιας και όπως αναφέρει ο Goodchild, 1989, τα Γ.Σ.Π. έχουν την δυνατότητα ανάλυσης χωρικών δεδοµένων. Ακόµα θα πρέπει να σηµειωθεί, πως η οπτικοποιηµένη πληροφορία µπορεί ανά πάσα στιγµή να µετατραπεί σε πίνακα τιµών, ώστε να υποστεί περαιτέρω στατιστική ανάλυση και επεξεργασία, αν και εφόσον το επιθυµεί ο χρήστης, ώστε να δηµιουργηθούν νέα χωρικά δεδοµένα. Εποµένως, συνάγεται πως ένα καλά οργανωµένο σύστηµα πληροφοριών συµπεριλαµβανοµένων του λογισµικού, του υλικού, του επιστηµονικού προσωπικού, αλλά και άλλων ειδικών συσκευών όπως ο ψηφιοποιητής, µπορεί να παρέχει τόσο σηµαντικές πληροφορίες, όπως την δηµιουργία χαρτών και νέων µεταβλητών, όσο και την δυνατότητα καλής ποιότητας πρόγνωσης φαινοµένων, για την διαχείριση µεγάλης κλίµακας περιοχών µε σχετικά µικρό κόστος. Ωστόσο υπάρχουν επιστηµονικοί χώροι οι οποίοι δίνουν διαφορετική προσέγγιση στο τι είναι ένα Γεωγραφικό Σύστηµα Πληροφοριών, δίνοντας µία διαχειριστική προσέγγιση χωρικών στοιχείων στον ορισµό τους. Τα χωρικά στοιχεία αποτυπώνονται σε µορφή χάρτη, όπου µετά από επεξεργασία αναπτύσσονται νέοι χάρτες. Αυτοί οι επιστήµονες δίνουν µία χαρτογραφική προσέγγιση όπως ο Tomlin, 1991. Τελειώνοντας θα πρέπει να γίνει γνωστό πως σε ένα Γ.Σ.Π. η χωρική πληροφορία κάθε παραµέτρου-ή και ο συνδυασµός των παραµέτρων-, αποθηκεύεται σε layers, τα οποία αντιστοιχούν στο διανυσµατικό ή στο ψηφιδωτό µοντέλο (κάναβος). ~ 12 ~

Το πλεονέκτηµα της αποθήκευσης της χωρικής πληροφορίας σε layers είναι η ανάλυση και ο συνδυασµός παραµέτρων που βρίσκονται στον ίδιο χώρο, ώστε να κατανοηθεί η µεταξύ τους σχέση µε σκοπό την αποτύπωση και την δηµιουργία νέας πληροφορίας. Το format των διανυσµατικών δεδοµένων είναι υπό µορφή coverage και shapefile, τα οποία διαφέρουν τόσο στην µορφή που αποθηκεύεται η χωρική πληροφορία, όσο και στην διαχείρισή της. Σε ένα coverage η πληροφορία αποθηκεύεται σε ένα φάκελο, όπου περιέχει στοιχεία του layer από όπου παίρνει το όνοµά του και σε ένα φάκελο µε την ονοµασία INFO ο οποίος περιέχει χωρική πληροφορία, που προκύπτει από το χτίσιµο τοπολογίας. Σε αντίθεση µε το coverage, ένα shapefile δεν έχει τοπολογία και όλη η πληροφορία αποτυπώνεται πρωτόλεια σε έναν πίνακα τιµών, δίχως να περιέχει πληροφορία του τι είναι το κάθε διάνυσµα. Το πλεονέκτηµα της απλής αυτής µορφής είναι η ευκολότερη ανάκτηση και διαχείριση των δεδοµένων, προάγοντας µε ευκολία και ακρίβεια ορθά αποτελέσµατα. Τέλος ένας κάναβος αποθηκεύεται σε grid format, το οποίο οργανώνει την πληροφορία σε γραµµές και στήλες, δίνοντας σε κάθε θέση του πίνακα-ή pixel του κανάβου-, την τιµή που αντιστοιχεί στην συγκεκριµένη θέση του κανάβου. Επίσης µπορεί να αποθηκευτεί σε διάφορα format εικόνων. 3.3 Χωρική Παρεµβολή Χωρική παρεµβολή καλείται η µοντελοποίηση της σηµειακής πληροφορίαςπου έχει συλλεχθεί µε δειγµατοληψία πεδίου, σε µία συνεχή επιφάνεια που ορίζεται από τον χρήστη. Είναι µία διαδικασία εκτίµησης των τιµών της παραµέτρου, σε σηµεία που δεν ανήκουν στο δείγµα, χρησιµοποιώντας τις µετρήσεις των σηµείων του δείγµατος. Επιπλέον θα πρέπει να αναφερθεί πως η χωρική παρεµβολή, βασίζεται στην υπόθεση πως η επιφάνεια που εκφράζει το υπό εξέταση φαινόµενο είναι συνεχής, µε αποτέλεσµα η τιµή σε κάθε θέση να µπορεί να υπολογιστεί, αν υπάρχουν ικανοποιητικά στοιχεία της επιφάνειας, καθώς και στην υπόθεση πως υπάρχει χωρική εξάρτηση µεταξύ των τιµών (Κουτσόπουλος, 2005). Με την εφαρµογή της παρεµβολής προκύπτει ότι ένας κάναβος, δηλαδή ένα διάγραµµα το οποίο εµπεριέχει εκτός από τις συντεταγµένες των σηµείων (χ,ψ) και πληροφορίες σχετικά µε τις τιµές της υπό µελέτη µεταβλητής, αντιστοιχίζοντας τις τελευταίες µε κάποια χρωµατική κλίµακα. Το τελικό αποτέλεσµα είναι η οπτικοποίηση της χωρικής κατανοµής του κάθε φαινοµένου. Υπάρχουν διάφορα είδη χωρικής παρεµβολής οι οποίες διακρίνονται στις µεθόδους τοπικών εκτιµήσεων (local estimation), στις µεθόδους των γενικευµένων προσεγγίσεων (global approximation) και στις γεωστατιστικές µεθόδους χωρικής συσχέτισης (Kriging), µέρος των οποίων είναι η ανάλυση των βαριογραµµάτων. ~ 13 ~

3.4 Μέθοδοι Τοπικών Εκτιµήσεων Οι µέθοδοι τοπικών εκτιµήσεων έχουν την ικανότητα εκτίµησης της τιµής της εκάστοτε παραµέτρου σε µια συγκεκριµένη θέση στο χώρο, λαµβάνοντας υπόψη τις τιµές της παραµέτρου σε γειτονικά σηµεία. Βασικό πλεονέκτηµα των µεθόδων αυτών είναι πως η εκτίµηση βασίζεται σε πληροφορία, που προέρχεται από κοντινές περιοχές ως προς το υπό εκτίµηση σηµείο µε αποτέλεσµα να υπάρχει ικανοποιητική ακρίβεια µε σχετικά γρήγορο τρόπο. Ωστόσο κάθε φορά πρέπει να γίνεται σύγκριση των κανάβων που αναπτύχθηκαν µε διαφορετικό αριθµό γειτόνων για να επιλεχθεί εκείνος που αναπτύσσει τα βέλτιστα αποτελέσµατα. Συνοπτικά, λοιπόν, ορίζεται αρχικά η τοπική περιοχή εκτίµησης γύρω από το σηµείο, καθώς και ο ακριβής αριθµός των γειτόνων των οποίων οι τιµές θα ληφθούν υπόψη για την εκτίµηση της τιµής του σηµείου. Στη συνέχεια οι τιµές των σηµείων που έχουν καθοριστεί από την παραπάνω διαδικασία, τοποθετούνται στην µαθηµατική συνάρτηση που αντιστοιχεί στην διαφοροποίηση της τιµής του φαινοµένου και υπολογίζεται η πιθανή τιµή (Κουτσόπουλος,2005). 3.4.1 Μέθοδοι Επιλογής Γειτονικών Σηµείων. Η επιλογή των γειτονικών σηµείων που θα ληφθούν υπόψη κατά την εφαρµογή της µεθόδου παρεµβολής µπορεί να πραγµατοποιηθεί µε διάφορους τρόπους, δίχως κάποιος να υπερτερεί των άλλων αφού όλοι παρουσιάζουν πλεονεκτήµατα και µειονεκτήµατα. Η επιλογή τους γίνεται ανάλογα µε την γνώση της περιοχής µελέτης και την εµπειρία του χρήστη. Αναλυτικότερα, µε κριτήριο την απόσταση επιλέγονται τα σηµεία που είναι πλησιέστερα στο υπό εκτίµηση σηµείο, µε το µειονέκτηµα η εκτίµηση να µην θεωρείται αντιπροσωπευτική, αν τα εγγύτερα σηµεία που επιλέγονται, βρίσκονται µόνο προς την µία κατεύθυνση του υπό εκτίµηση σηµείου. Το παραπάνω µειονέκτηµα µπορεί να αποφευχθεί µε εφαρµογή µιας άλλης µεθόδου, σύµφωνα µε την οποία η περιοχή µελέτης χωρίζεται σε τεταρτηµόρια µε κέντρο το υπό εκτίµηση σηµείο, επιλέγοντας από κάθε τεταρτηµόριο έναν ίσο αριθµό κοντινών σηµείων, ώστε τα σηµεία να επιλέγονται από κάθε κατεύθυνση. Το µειονέκτηµα ωστόσο που παρουσιάζει, είναι η πιθανότητα επιλογής σηµείων τα οποία είναι περισσότερο αποµακρυσµένα από το σηµείο ενδιαφέροντος, έναντι άλλων εγγύτερων (Κουτσόπουλος,2005). ~ 14 ~

Εικόνα 3.4.1: Επιλογή σηµείων για χωρική παρεµβολή α) µε βάση την απόσταση, β) χωρίζοντας την περιοχή σε τεταρτηµόρια, γ) χωρίζοντας την περιοχή σε τοµείς ίσου αριθµού µε αυτόν των σηµείων και δ) ορίζοντας ακτίνα, (Κουτσόπουλος,2005). Για την αποφυγή αυτού του µειονεκτήµατος αναπτύχθηκε και µια ακόµη προσέγγιση, µέσω της οποίας η περιοχή χωρίζεται σε τοµείς-ο αριθµός των οποίων είναι ίσος, µε τον αριθµό των σηµείων που έχει οριστεί πως πρέπει να ληφθούν υπόψη στον υπολογισµό-και σε κάθε τοµέα επιλέγονται τα σηµεία που βρίσκονται εγγύτερα στο υπό εκτίµηση σηµείο. Σε αυτή την περίπτωση όµως, παρουσιάζεται δυσκολία στην επιλογή των απαραίτητων σηµείων, αν το σηµείο που εκτιµάται βρίσκεται στα άκρα της περιοχής µελέτης (Κουτσόπουλος, 2005). Τέλος, υπάρχει µια µέθοδος κατά την οποία ο χρήστης ορίζει µια ακτίνα, δηµιουργώντας έτσι µια επιφάνεια επιλογής γειτόνων. Η επιλογή της ακτίνας γίνεται µε κριτήριο τον ελάχιστο απαιτούµενο αριθµό σηµείων, ώστε να µην υπάρχει περίπτωση να δηµιουργηθεί έλλειµµα πληροφορίας, από την επιλογή λιγότερων (Κουτσόπουλος, 2005). ~ 15 ~

3.4.2 Χωρικός Κινητός Μέσος και Inverse Distance Weighting (IDW) Η απλούστερη µέθοδος εκτίµησης του χωρικού κινητού µέσου βασίζεται στον υπολογισµό του µέσου όρου των γειτονικών-ως προς το ζητούµενο-σηµείων. Η µέθοδος πλεονεκτεί ως προς την ευκολία και την ταχύτητα επεξεργασίας, αλλά µειονεκτεί όταν τα σηµεία που υπολογίζονται, βρίσκονται στα άκρα της περιοχής µελέτης όπου δεν έχει γίνει κοντά δειγµατοληψία. Επιπλέον η ελάχιστη και η µέγιστη τιµή των pixel του κανάβου, δεν µπορεί να ξεπερνά την ελάχιστη και την µέγιστη τιµή του αρχικού δείγµατος. Με βάση την µέθοδο θεωρείται πως {Ζ i,sєa}, είναι µια σειρά παρατηρήσεων Z i i=1, n µιας χωρικής στοχαστικής διαδικασίας οι οποίες έχουν συλλεχτεί από συγκεκριµένες θέσεις s i στην περιοχή µελέτης Α. Με βάση τα παραπάνω συµπεραίνεται πως η απλή µορφή εκτίµησης της µέσης τιµής, δεν λαµβάνει υπόψη κάποια τάση προς καµία κατεύθυνση, θεωρώντας την διαδικασία ισότροπη. Αυτό σηµαίνει πως τα δεδοµένα δεν παρουσιάζουν µεταξύ τους χωρική εξάρτηση, κάτι που δεν χαρακτηρίζει-απαραίτητα-το δυναµικό σύστηµα της θάλασσας. Το µειονέκτηµα αυτής της µεθόδου είναι πως δεν λαµβάνει υπόψη ότι τα κοντινά σηµεία σχετίζονται περισσότερο από εκείνα στα οποία η µεταξύ τους απόσταση είναι µεγαλύτερη. Για την αντιµετώπιση του παραπάνω προβλήµατος χρησιµοποιείται η µέθοδος Αντιστρόφου Βαρύνουσας Απόστασης (IDW), σύµφωνα µε την οποία ο µέσος όρος των τιµών των παρατηρήσεων εκτιµάται µε βάρη, τα οποία ορίζονται βάσει της απόστασης (Κουτσόπουλος,2005). Ο γενικός τύπος της εξίσωσης είναι: ^ = ( ) όπου ( )= Άρα, ζητούµενο της µεθόδου παρεµβολής αντιστρόφου βαρύνουσας (IDW) είναι ο προσδιορισµός της συνάρτησης απόστασης, στην οποία όπως προτείνουν οι Bailey και Gatrell, 1995 οι πλέον κατάλληλες µορφές της είναι οι w i (s)=h i -a καθώς και η w i (s)=e -ahi όπου h i είναι η απόσταση του σηµείου s i από το υπό εκτίµηση σηµείο s και a είναι µια παράµετρος που παίρνει τιµές, µε σκοπό η υπολογιζόµενη επιφάνεια να είναι όσο το δυνατόν πιο οµαλή. Συνεπώς, η παράµετρος a διαφέρει ανάλογα µε την επιφάνεια που πρέπει να εκτιµηθεί. Για παράδειγµα, η τιµή που έχει για την θάλασσα-η τιµή αυτή είναι ο αριθµός 2- είναι διαφορετική από αυτήν της στεριάς, επειδή η ξηρά χαρακτηρίζεται από µεγαλύτερη οµοιογένεια όσον αφορά τις κοντινές αποστάσεις, σε αντίθεση µε την επιφάνεια της θάλασσας που χαρακτηρίζεται από µεγαλύτερη διαφοροποίηση. ~ 16 ~

3.5 Γεωστατικές Μέθοδοι - Βαριογράµµατα. Οι γεωστατικές µέθοδοι βασίζονται στη χωρική εξάρτηση της διασποράς των τιµών των χωρικών δεδοµένων από τη µέση τιµή, αποφεύγοντας έτσι µια σειρά µειονεκτηµάτων που χαρακτηρίζουν τις µεθόδους τοπικών εκτιµήσεων, όπως η αδυναµία προσδιορισµού της ακρίβειας των εκτιµήσεων στα υπό εξέταση σηµεία. Οι µέθοδοι τοπικών εκτιµήσεων υπερτερούν των γεωστατικών µεθόδων τόσο στην ευκολία λήψης αποτελεσµάτων, όσο και στην ταχύτερη επεξεργασία και ανάλυση. Επίσης υπάρχει αµφιβολία για το αν οι επιλεγόµενες τιµές των διάφορων µεταβλητών-όπως στην περίπτωση του χωρικού κινητού µέσου- είναι οι βέλτιστες, εφόσον δεν υπάρχει προηγούµενη εµπειρία και γνώση της περιοχής µελέτης. Tα βαριογράµµατα βασίζονται στο ότι πολλές µεταβλητές παρουσιάζουν χωρική εξάρτηση (χωρική µεταβολή 2 ης τάξης), εξετάζοντας έτσι σε διαφορετικά µεταξύ τους σηµεία στο χώρο, τον τρόπο µε τον οποίο οι αποκλίσεις των παρατηρούµενων τιµών τους από την µέση τιµή συσχετίζονται ή συµµεταβάλλονται. Για αυτόν το λόγο, σε πολλά σηµεία που ανήκουν σε συνεχή χωρικά φαινόµενα και µε κοντινές µεταξύ τους αποστάσεις παρατηρούνται υψηλές συσχετίσεις ή συνδιασπορές, ενώ αντίθετα σε µεγαλύτερες αποστάσεις µικρότερες. Όπως διασαφηνίστηκε στην παραπάνω ενότητα, την στιγµή που ισχύει η συνθήκη της εσωτερικής στασιµότητας, το βαριόγραµµα µπορεί να εκτιµηθεί απλά µέσω του υπολογισµού της γ(h) (Κουτσόπουλος,2005). ( )= ( ) ( ( ) ( + )) όπου είναι το άθροισµα για όλα τα ζεύγη των δειγµάτων των σηµείων που απέχουν µεταξύ τους κατά το διάνυσµα h ή lag, και n ο αριθµός αυτών των ζευγαριών. ~ 17 ~

Εικόνα 3.5: Βασική µορφή Βαριογράµµατος (Κουτσόπουλος, 2005). Με την εφαρµογή της παραπάνω εξίσωσης, δηµιουργείται το πειραµατικό βαριόγραµµα. Καθώς οι τιµές των lag µεγαλώνουν, υπολογίζονται οι τιµές του γ(h), οι οποίες αυξάνουν ασυµπτωτικά προς ένα ανώτερο όριο, που ονοµάζεται κατώφλι (sill), στο οποίο σταθεροποιούνται. Το κατώφλι δηµιουργείται επειδή σε µεγάλες αποστάσεις δεν εµφανίζεται χωρική εξάρτηση µεταξύ των σηµείων και η ηµιδιακύµανση παραµένει σταθερή τη στιγµή που η απόσταση µεταξύ των σηµείων διαφοροποιείται. Στο σηµείο όπου η καµπύλη της γ(h) φτάνει το κατώφλι, δηλαδή εκεί που λαµβάνει τη µέγιστη τιµή της, ορίζεται η απόσταση που καλείται ζώνη επιρροής (range). ηµιουργείται, έτσι ένας χώρος στο. οποίο οι διαφοροποιήσεις που υπάρχουν µεταξύ των σηµείων, παρουσιάζουν χωρική εξάρτηση. Όσο µικρότερη είναι η απόσταση µεταξύ δύο σηµείων ή του lag που τους αντιστοιχεί, τόσο µεγαλύτερη είναι η οµοιότητά τους. Όπως φαίνεται διαγραµµατικά (Εικόνα 4.6.2.), η εκτιµούµενη καµπύλη γ(h) δεν ξεκινά από την αρχή των αξόνων, παρόλο που θεωρητικά ισχύει ότι γ(0)=0, αλλά τέµνει τον κατακόρυφο άξονα σε κάποια θετική τιµή. Αυτό οφείλεται τόσο σε συστηµατικά σφάλµατα κατά την δειγµατοληψία, την επεξεργασία των δειγµάτων κ.α., όσο και λόγω της µικρής κλίµακας µεταβλητότητας, που δίνει τιµές για τις οποίες τα κοντινά σηµεία παρουσιάζουν διαφορές. Η τιµή αυτή της γ(h) ονοµάζεται nugget effect, και αποτελεί µία εκτίµηση του µη χωρικού θορύβου ε. Εδώ θα πρέπει να αναφερθεί πως στην περίπτωση που η µορφή του βαριογράµµατος έχει την µορφή µιας οριζόντιας γραµµής στην περιοχή του nugget effect, το υπό εξέταση χωρικό φαινόµενο δεν παρουσιάζει χωρική εξάρτηση. Ακόµη, αν παρατηρείται πως οι τιµές των διασπορών είναι ευρέως διασκορπισµένες, τότε η γ(h) έχει εκτιµηθεί από δείγµα του οποίου το µέγεθος ήταν µικρότερο των 50-100 σηµείων, οπότε το βαριόγραµµα που θα προκύψει δε θα είναι σταθερό (Κουτσόπουλος, 2005). ~ 18 ~

Αν σε ένα βαριόγραµµα δεν έχει οριστεί κάποια κατεύθυνση, τότε ονοµάζεται παν-κατευθυντικό βαριόγραµµα, µέσω του οποίου υπολογίζεται η διακύµανση σε όλες τις δυνατές κατευθύνσεις. Στην περίπτωση που το βαριόγραµµα είναι κατευθυντικό- µιας και σε συγκεκριµένες κατευθύνσεις µπορεί η παράµετρος να λαµβάνει κοντινές τιµές έναντι άλλων κατευθύνσεων-, µελετάται η διακύµανση στην ορισµένη διεύθυνση. Τέλος µε την χρήση επιφανειακών βαριογραµµάτων γίνεται µελέτη της χωρικής ετερογένειας των παραµέτρων και ο εντοπισµός της διεύθυνσης στην οποία οι τιµές της παραµέτρου λαµβάνουν την µέγιστη διαφοροποίηση. Το επιφανειακό βαριόγραµµα είναι ένας κάναβος στον οποίο το µέγεθος του pixel είναι ίσο µε το µέγεθος των lag και η τιµή γ(h) είναι ίση µε την διαφοροποίηση των τιµών που αντιστοιχούν στην χρωµατική κλίµακα. 3.6 Ανάλυση Συνδιασποράς Μεταξύ ύο ιαφορετικών Μεταβλητών Η εύρεση της συσχέτισης δύο διαφορετικών µεταβλητών είναι εφικτή µε την χρήση βαριογραµµάτων (cross-variograms) υπολογίζοντας την συνδιασποράς των µεταβλητών αυτών που απέχουν µεταξύ τους ένα lag. Με αυτόν τον τρόπο προκύπτουν πληροφορίες σχετικές µε την συµµεταβολή των παραµέτρων στον χώρο και την διεύθυνση στην οποία οι τιµές συµµεταβάλλονται εντονότερα. Στην περίπτωση αυτή η συνδιασπορά βρίσκεται από την παρακάτω σχέση (Κουτσόπουλος,2005): C km (s i,s j ) = cov(z k,(s i ), Z m (s j )) όπου k,m οι υπό εξέταση µεταβλητές, si και sj τα αντίστοιχα σηµεία στα οποία εξετάζεται η µεταξύ τους σχέση, ενώ Ζ k και Z m οι τιµές της k και m µεταβλητής στα σηµεία si και sj αντίστοιχα. 3.7 Περιοχή Μελέτης - Μεθοδολογία Τα δεδοµένα πεδίου προέρχονται από 34 σηµεία δειγµατοληψίας τον Ιούλιο του 1994 (21/07/1994) στη θαλάσσια περιοχή των ανατολικών ακτών της Λέσβου - γνωστή ως Στενό της Μυτιλήνης-, στα πλαίσια της προσπάθειας ανάπτυξης ενός βέλτιστου σχεδίου δειγµατοληψίας από τους Kitsiou, et al., 2000. Σε κάθε σταθµό έγινε δειγµατοληψία νερού σε βάθος ενός µέτρου, για την µέτρηση τιµών χλωροφύλλης α, φωσφορικών, αζωτούχων και πυριτικών αλάτων. Η κατανοµή των σταθµών στην επιφάνεια της περιοχή µελέτης (140.541,3 km 2 ) βρίσκεται στη διεύθυνση Β-Ν κατά µήκος της ακτογραµµής µε απόσταση µεταξύ τους 1 ναυτικό µίλι. Σε αυτό το σηµείο επισηµαίνεται, πως για τους σκοπούς της εργασίας γίνεται η παραδοχή της µηδενικής τιµής των συγκεντρώσεων των παραµέτρων ποιότητας, δηλαδή στις περιπτώσεις κατά τις οποίες δεν ανιχνεύονται τα εν λόγω χηµικά είδη. Σηµειώνεται ότι σε αυτές τις περιπτώσεις η µηδενική τιµή αντιστοιχεί στο όριο ανίχνευσης της χρησιµοποιούµενης µεθόδου της εκάστοτε παραµέτρου. ~ 19 ~

Εικόνα 3.7.1: Η κατανοµή των σταθµών δειγµατοληψίας στο Στενό της Μυτιλήνης. Η µεθοδολογία που ακολουθήθηκε περιλαµβάνει τα εξής στάδια: 1. Εφαρµόστηκε η µέθοδος παρεµβολής IDW, µε στόχο την ανάπτυξη θεµατικών χαρτών της χωρικής κατανοµής κάθε παραµέτρου από την σηµειακή τους πληροφορία των 34 σταθµών δειγµατοληψίας. 2. Από τις χωρικές κατανοµές/κανάβους που προέκυψαν πραγµατοποιήθηκε τυχαία επιλογή 197 σηµείων από την περιοχή µελέτης σε κάθε κάναβο. Θα πρέπει να επισηµανθεί ότι οι τιµές που ανακτήθηκαν, ήταν από pixels που βρίσκονταν στην ίδια θέση σε κάθε κάναβο, διαφορετικά οι συσχετίσεις δεν θα ήταν εφικτές. 3. Στα δεδοµένα κάθε µεταβλητής εφαρµόστηκε One Sample K-S Test, για να εξακριβωθεί η κανονικότητα του πλήθους των τιµών, για να ελεγχθούν οι παραδοχές των µεθόδων απλής και πολλαπλής γραµµικής παλινδρόµησης. Τα αποτελέσµατα έδειξαν ότι οι υπό µελέτη παράµετροι δεν ακολουθούν κανονική κατανοµή. Κατά συνεπεία έγινε εφαρµογή γεωστατικών µεθόδων. 4. Αναπτύχθηκαν παν-κατευθυντικά, κατευθυντικά και επιφανειακά βαριογράµµατα, για την µελέτη της χωρικής αυτοσυσχέτισης και της ανισοτροπίας της κάθε µεταβλητής στο χώρο. ~ 20 ~

5. Αναπτύχθηκαν cross-variograms µεταξύ της χλωροφύλλης α µε κάθε θρεπτικό, για την ανάπτυξη χαρτών συµµεταβολής, που παρουσιάζουν την δυναµική τους στον χώρο. ~ 21 ~

4. Αποτελέσµατα. 4.1 Εφαρµογή της Μεθόδου Παρεµβολής IDW Αρχικά εφαρµόστηκε στους 34 σταθµούς δειγµατοληψίας η µέθοδος παρεµβολής IDW, για να προκύψει η επιφανειακή κατανοµή της κάθε παραµέτρου. Χρησιµοποιώντας σαν µάσκα ένα coverage της ακτογραµµής της ανατολικής Λέσβου, αποκόπηκε το τµήµα της στεριάς ώστε να µην εφαρµοστεί πάνω του η εξίσωση παρεµβολής. Επίσης, η περιοχή µελέτης ορίστηκε από τα ακραία σηµεία Xmin=459206,688, Ymin=4317778,500, Xmax=470336,688, Ymax=4336378,500 -σε συντεταγµένες UTM- µε προσοχή, προκειµένου να περιέχονται όλοι οι σταθµοί δειγµατοληψίας. Τέλος, στην εφαρµογή της µεθόδου ορίστηκε ο αριθµός 5 σαν βέλτιστος αριθµός γειτόνων. Η µέθοδος παρεµβολής IDW επιλέχθηκε επειδή είναι µία µέθοδος που χρησιµοποιείται ευρύτατα στην µελέτη ωκεανογραφικών δεδοµένων. Σε κάθε κάναβο που προέκυψε, ορίστηκε να αποκτήσει τη σφαιρική προβολή INT1909 σε γεωγραφικό σύστηµα συντεταγµένων UTM, στη ζώνη 35, ώστε οι µονάδες µέτρησης των αποστάσεων να είναι σε µέτρα, διευκολύνοντας έτσι την µετέπειτα ανάλυση των βαριογραµµάτων. Εικόνα 4.1.1: Χάρτης κατανοµής χλωροφύλλης α στο Στενό της Μυτιλήνης. ~ 22 ~

Εικόνα 4.1.2: Χάρτης κατανοµής φωσφορικών αλάτων στο Στενό της Μυτιλήνης. Εικόνα 4.1.3: Χάρτης κατανοµής νιτρικών αλάτων στο Στενό της Μυτιλήνης. ~ 23 ~

Εικόνα 4.1.4: Χάρτης κατανοµής αµµωνίας στο Στενό της Μυτιλήνης. 4.2 Επιλογή Τυχαίων Σηµείων από τους Κανάβους Εξαιτίας του µικρού αριθµού δεδοµένων πεδίου (34 σταθµοί) κρίθηκε σκόπιµο να εφαρµοστεί τυχαία δειγµατοληψία σε κάθε κάναβο, ώστε να προκύψει ένα νέο σετ δεδοµένων και η περαιτέρω εφαρµογή µεθόδων στατιστικής και χωρικής ανάλυσης, να είναι εφικτή. Τα pixels που επιλέχθηκαν αντιστοιχούν στην ίδια θέση σε κάθε κάναβο, ώστε να είναι εφικτή η συσχέτιση µεταξύ των µεταβλητών και η ανάπτυξη χαρτών συµµεταβολής. Η διαδικασία επιλογής τυχαίων σηµείων ήταν η εξής: Αρχικά κάθε κάναβος µετασχηµατίστηκε σε shapefile σηµείων, κάθε σηµείο του οποίου αντιστοιχεί στο αντίστοιχο τοπολογικά pixel του κανάβου. Στη συνέχεια µε τη χρήση του λογισµικού ArcGIS, πραγµατοποιήθηκε τυχαία δειγµατοληψία 197 σηµείων σε κάθε κάναβο (βλ. Εικόνα 4.2). ~ 24 ~

Εικόνα 4.2.1: Τυχαία δειγµατοληψία σηµείων στον κάναβο της κατανοµής της χλωροφύλλης α. 4.3 Έλεγχος Κανονικότητας One Sample K-S Test Για την εξακρίβωση της κανονικότητας ή όχι, της κατανοµής της κάθε µεταβλητής, εφαρµόστηκε ο έλεγχος One Sample Kolmogorov-Smirnov στο νέο σετ των 197 τιµών Όπως παρατηρήθηκε από τα αποτελέσµατα και οι τέσσερις παράµετροι φαίνεται να ακολουθούν την κανονική κατανοµή. Εφόσον η κατανοµή στο τυχαίο δείγµα είναι κανονική, τότε και οι τιµές σε όλη την περιοχή µελέτης θεωρείται ότι ακολουθούν την ίδια κατανοµή. Πάραυτα η περαιτέρω ανίχνευση σχέσεων µεταξύ χλωροφύλλης α και θρεπτικών αλάτων µε τη χρήση γραµµικής παλινδρόµησης, δεν απέδωσε ικανοποιητικά αποτελέσµατα. Για το σκοπό αυτό κρίθηκε αναγκαία η εφαρµογή γεωστατιστικής ανάλυσης. ~ 25 ~

4.4 Ανάπτυξη Βαριογραµµάτων Όπως έχει ήδη αναφερθεί τα βαριογράµµατα είναι ιδιαίτερα χρήσιµα για τη µελέτη της χωρικής εξάρτησης µεταξύ των τιµών µιας παραµέτρου σε συγκεκριµένα σηµεία, µε απώτερο σκοπό τη µελέτη της ανισοτροπίας του υπό µελέτη χωρικού φαινοµένου. Στην Εικόνα 4.4.1 φαίνεται το πειραµατικό (κουκίδες) βαριόγραµµα της χλωροφύλλης α. Η ηµιδιακύµανση αυξάνει σχεδόν µέχρι το έκτο lag, µετά το οποίο παρατηρούνται εκ νέου µικρότερες τιµές. Η ερµηνεία αυτού είναι ότι σε µεγάλα lag οι τιµές της χλωροφύλλης α είναι και πάλι παραπλήσιες. Εικόνα 4.4.1: Πανκατευθυντικό βαριόγραµµα χλωροφύλλης α (Chla). Όπως φαίνεται στην Εικόνα 4.4.2, στο επιφανειακό βαριόγραµµα έχει δηµιουργηθεί µια έλλειψη, που εκφράζει την ανισοτροπία -ή διαφορετικά τον τρόπο που µεταβάλλεται η χλωροφύλλη α στον χώρο-της οποίας ο µικρός άξονας αντιστοιχεί στην διεύθυνση µέγιστης διαφοροποίησης, ενώ ο µεγάλος άξονας στην διεύθυνση µέγιστης οµοιογένειας. Κατά συνέπεια, η µέγιστη ανισοτροπία της παραµέτρου παρατηρείται, στην διεύθυνση που βρίσκεται στις 41 µοίρες από τον βορρά. ~ 26 ~

Εικόνα 4.4.2: Στην εικόνα φαίνονται πάνω αριστερά το κατευθυντικό βαριόγραµµα της Chla, πάνω δεξιά ο µικρός και µεγάλος άξονας (Minor & Major range) της έλλειψης του επιφανειακού βαριογράµµατος και κάτω δεξιά το µέγεθος του Nugget Effect. Επίσης, όπως φαίνεται στο κατευθυντικό βαριόγραµµα στη διεύθυνση µέγιστης ανισοτροπίας, η µέγιστη ηµιδιακύµανση των τιµών της χλωροφύλλης α βρίσκεται κοντά στο έκτο lag, κάτι το οποίο είναι ήδη γνωστό και από το πανκατευθυντικό βαριόγραµµα στην Εικόνα 4.4.1. Στην επόµενη Εικόνα 4.4.3 παρουσιάζεται το πανκατευθυντικό βαριόγραµµα των φωσφορικών αλάτων, στο οποίο η ηµιδιακύµανση αυξάνει µε την απόσταση, λαµβάνοντας την µέγιστη τιµή της κοντά στο έκτο lag, µετά το οποίο αρχίζει εκ νέου να λαµβάνει χαµηλότερες τιµές. ~ 27 ~

Εικόνα 4.4.3: Πανκατευθυντικό βαριόγραµµα φωσφορικών αλάτων (PO 4 3- ). Στην Εικόνα 4.4.4 ο άξονας της έλλειψης που δείχνει την διεύθυνση µέγιστης ανοµοιογένειας, βρίσκεται 41 µοίρες από τον βορρά, όπως στην περίπτωση της χλωροφύλλης α. Επιπλέον στο κατευθυντικό βαριόγραµµα στην διεύθυνση µέγιστης ανισοτροπίας παρατηρείται, η ισχυρή διαφοροποίηση των τιµών όσο µεγαλώνει το lag. ~ 28 ~

Εικόνα 4.4.4: Στην εικόνα φαίνονται πάνω αριστερά το κατευθυντικό βαριόγραµµα των PO 4 3-, πάνω δεξιά ο µικρός και µεγάλος άξονας (Minor & Major range) της έλλειψης του επιφανειακού βαριογράµµατος και κάτω δεξιά το µέγεθος του Nugget Effect. Στην Εικόνα 4.4.5 φαίνεται το βαριόγραµµα των νιτρικών αλάτων, στο οποίο η µεγαλύτερη ηµιδιακύµανση βρίσκεται κοντά στο έκτο lag, µετά το οποίο οι τιµές µειώνονται. Σε σύγκριση µε το βαριόγραµµα της χλωροφύλλης α, παρατηρείται πως οι τιµές του γ(h) δεν προσεγγίζουν το 0, επισηµαίνοντας πως σε µεγάλες αποστάσεις υπάρχουν σηµαντικές στατιστικά διαφοροποιήσεις αλλά και σηµεία τα οποία έχουν παραπλήσιες τιµές. ~ 29 ~

Εικόνα 4.4.5: Πανκατευθυντικό βαριόγραµµα νιτρικών αλάτων (ΝΟ 3 - ). Όπως µπορεί να φανεί στο επιφανειακό βαριόγραµµα στην Εικόνα 4.4.6, ο µικρός άξονας που εκφράζει την διεύθυνση µέγιστης διαφοροποίησης, έχει διεύθυνση ΒΑ-Ν. Επίσης, παρατηρείται πως η διεύθυνση της µέγιστης ανισοτροπίας βρίσκονται στις 41 µοίρες από τον βορρά. ~ 30 ~

Εικόνα 4.4.6: Στην εικόνα φαίνονται πάνω αριστερά το κατευθυντικό βαριόγραµµα των ΝΟ 3 -, πάνω δεξιά ο µικρός και µεγάλος άξονας (Minor & Major range) της έλλειψης του επιφανειακού βαριογράµµατος και κάτω δεξιά το µέγεθος του Nugget Effect. Στο πανκατευθυντικό βαριόγραµµα της αµµωνίας (Εικόνα 4.4.7) οι τιµές της ηµιδιακύµανσης φαίνονται να αυξάνουν µε την απόσταση, λαµβάνοντας την µέγιστη τιµή κοντά στο έκτο lag, µετά την οποία ξεκινούν να µειώνονται. Μεταξύ του τρίτου και πέµπτου lag παρατηρούνται πολύ χαµηλές τιµές γ(h). ~ 31 ~

Εικόνα 4.4.7: Πανκατευθυντικό βαριόγραµµα αµµωνίας (NH 3 ). Τελειώνοντας, από την Εικόνα 4.4.8 σε αντίθεση µε όλα τα προηγούµενα βαριογράµµατα, ο άξονας µέγιστης διαφοροποίησης, έχει σχεδόν κατακόρυφη διεύθυνση από Β-Ν, ενώ ο άξονας µέγιστης οµοιογένειας έχει διεύθυνση από Α-. Η ακριβής διεύθυνση της µέγιστης ανισοτροπίας βρίσκεται 10 µοίρες από το βορρά, ενώ η µέγιστη τιµή που λαµβάνει η ηµιδιακύµανση, όπως φαίνεται από το κατευθυντικό, αλλά και από το πανκατευθυντικό βαριόγραµµα βρίσκεται κοντά στο έκτο lag. ~ 32 ~

Εικόνα 4.4.8: Στην εικόνα φαίνονται πάνω αριστερά το κατευθυντικό βαριόγραµµα της NH 3, πάνω δεξιά ο µικρός και µεγάλος άξονας (Minor & Major range) της έλλειψης του επιφανειακού βαριογράµµατος και κάτω δεξιά το µέγεθος του Nugget Effect. Όταν ο λόγος του µικρού άξονα προς τον µεγάλο άξονα ισούται µε 1, τότε το ελλειψοειδές προσεγγίζει τον κύκλο µε αποτέλεσµα οι άξονες µέγιστης ανισοτροπίας και µέγιστης οµοιογένειας να έχουν το ίδιο µήκος, ερµηνεύοντας ότι η κατανοµή είναι οµοιογενής στο σύνολο της περιοχής µελέτης. Με αυτόν τον τρόπο µπορεί να φανεί, ποια παράµετρος κατανέµεται περισσότερο οµοιόµορφα στον χώρο σε σχέση µε κάποια άλλη. Συγκρίνοντας τους λόγους στον Πίνακα 4.4.1 αποδεικνύεται, ότι την πιο ανοµοιογενή κατανοµή την έχουν τα νιτρικά άλατα και ακολουθούν η χλωροφύλλη α τα φωσφορικά άλατα και η αµµωνία όπου έχει την πιο οµοιογενή κατανοµή. Επιπρόσθετα, παρατηρώντας ότι ο προσανατολισµός των ελλειψοειδών της χλωροφύλλης α και των φωσφορικών αλάτων είναι Β -ΝΑ, συµπεραίνεται ότι συσχετίζονται χωρικά, σε αντίθεση µε τους προσανατολισµούς των ελλείψεων που έχουν τα νιτρικά άλατα και η αµµωνία που ακολουθούν µε αποκλίσεις την διεύθυνση Α-. Αυτό µπορεί να φανεί και από τους χάρτες των κατανοµών, όπου οι υψηλές συγκεντρώσεις της χλωροφύλλης α και των φωσφορικών αλάτων παρατηρούνται κοντά στον παράκτιο χώρο, σε αντίθεση µε αυτές των νιτρικών αλάτων και της αµµωνίας που παρατηρούνται στα ανοικτά. ~ 33 ~

Πίνακας 4.4.1: Χαρακτηριστικά των επιφανειακών βαριογραµµάτων Μεταβλητή ιεύθυνση µέγιστης ανισοτροπίας ( ο ) Μήκος µεγάλου άξονα ελλειψοειδούς (m) Μήκος µικρού άξονα ελλειψοειδούς (m) Μικρός άξονας / Μεγάλος άξονας Chla 41 15267 7251 0,474 3- PO 4 41 15471 7931 0,512 - NO 3 41 17340 7106 0,409 NH 3 10 20262 12738 0,628 4.5 Ανάπτυξη Χαρτών Συµµεταβολής Όπως αναφέρθηκε στην Ενότητα 3.6, η συσχέτιση δύο µεταβλητών µπορεί να υπολογιστεί µέσω της συνδιασποράς τους, δίνοντας σηµαντικές πληροφορίες για το πως µεταβάλλεται χωρικά η δεύτερη µεταβλητή έναντι της πρώτης. Με αυτόν τον τρόπο προκύπτει ένα διάγραµµα όµοιο µε αυτό του πειραµατικού βαριογράµµατος, µε την διαφορά πως κάθε σηµείο αντιπροσωπεύει την τιµή της ηµιδιακύµανσης δύο διαφορετικών σηµείων σε απόσταση h µεταξύ τους, βάσει των τιµών των δύο υπό εξέταση µεταβλητών. Εποµένως, δηµιουργούνται οι χάρτες συµµεταβολής, των οποίων η χρωµατική κλίµακα ερµηνεύει την ταχύτητα θετικής/αρνητικής µεταβολής της µιας µεταβλητής σε σχέση µε την άλλη, δίνοντας πληροφορίες σχετικά µε αποστάσεις που έχουν διαφορετικές τάσεις. Ξεκινώντας µε τον χάρτη συµµεταβολής της χλωροφύλλης α σε σχέση µε τα φωσφορικά (Εικόνα 4.5.1), διακρίνονται θετικές συµµεταβολές στο σύνολο της περιοχής µελέτης. Επιλέγοντας τα ζεύγη σταθµών µε τις µεγαλύτερες τιµές του γ(h), παρατηρείται η διεύθυνση µέγιστης συµµεταβολής της χλωροφύλλης παρουσία των φωσφορικών αλάτων. Όπως φαίνεται και στον χάρτη στην διεύθυνση Β -ΝΑ η ταχύτερη αύξηση της χλωροφύλλης α σε σχέση µε τα φωσφορικά παρατηρείται σε µικρές αποστάσεις. Το ότι οι αποστάσεις των διευθύνσεων µέγιστης συµµεταβολής είναι µικρές, σηµαίνει πως οι παράµετροι συσχετίζονται χωρικά µεταξύ τους. ~ 34 ~

Εικόνα 4.5.1: Χάρτης συµµεταβολής της χλωροφύλλης α σε σχέση µε τα φωσφορικά άλατα. Στον χάρτη συµµεταβολής της χλωροφύλλης α σε σχέση µε τα νιτρικά άλατα (Εικόνα 4.5.2), παρατηρούνται επίσης θετικές συµµεταβολές στο σύνολο της περιοχής µελέτης. Επίσης, επιλέγοντας τα ζεύγη σταθµών τα οποία λαµβάνουν τις µεγαλύτερες τιµές γ(h), γίνεται εµφανής η διεύθυνση ΒΑ-Ν πάνω στην οποία παρατηρείται η µεγαλύτερη συµµεταβολή της χλωροφύλλης α σε σχέση µε τα νιτρικά. Για τον λόγο πως η κατανοµή των νιτρικών αλάτων καταλαµβάνει µεγάλη επιφάνεια στα ανοικτά της περιοχής στα βόρεια, η µεγαλύτερη αύξηση της χλωροφύλλης α σε σχέση µε τα νιτρικά άλατα παρατηρείται σε µεγάλες αποστάσεις. ~ 35 ~

Εικόνα 4.5.2: Χάρτης συµµεταβολής της χλωροφύλλης α σε σχέση µε τα νιτρικά άλατα. Τελειώνοντας, στον χάρτη συµµεταβολής της χλωροφύλλης α σε σχέση µε την αµµωνία (Εικόνα 4.5.3), παρατηρούνται θετικές συσχετίσεις, λαµβάνοντας τις µεγαλύτερες τιµές στην διεύθυνση Β -ΝΑ. Επιλέγοντας τα ζεύγη σταθµών µε τις µεγαλύτερες τιµές του γ(h), παρατηρούνται οι διευθύνσεις µέγιστης συµµεταβολής της χλωροφύλλης α σε σχέση µε την αµµωνία. Όπως στη περίπτωση των νιτρικών αλάτων, η αµµωνία κατανέµεται στα ανοικτά της περιοχής µελέτης µε αποτέλεσµα η µέγιστη συµµεταβολή των παραµέτρων να παρατηρείται σε µεγάλες αποστάσεις. ~ 36 ~

Εικόνα 4.5.3: Χάρτης συµµεταβολής της χλωροφύλλης α σε σχέση µε την αµµωνία. ~ 37 ~

5. Συζήτηση Πριν από τον σχολιασµό των αποτελεσµάτων αξίζει να αναφερθεί ότι οι βασικές πηγές ρύπανσης στην παράκτια ζώνη, προέρχονται από ανθρωπογενείς δραστηριότητες. Κεντρικά της ακτογραµµής βρίσκεται η πόλη της Μυτιλήνης, ο σταθµός της ΕΗ και το λιµάνι τα οποία τροφοδοτούν τα ύδατα µε αστικά λύµατα και απορρυπαντικά πλούσια σε φωσφορικά άλατα και αµµωνία. Επίσης στα βόρια της περιοχής υπήρχαν σφαγεία την περίοδο του 1994 τα οποία τροφοδοτούσαν τα ύδατα µε αζωτούχες ενώσεις. Η µέθοδος παρεµβολής IDW επιλέχθηκε για την διαδικασία της ανάπτυξης των χαρτών κατανοµών των παραµέτρων, λόγω της ταχύτητας επεξεργασίας της, της ευκολίας της χρήσης της και της ακρίβειας των αποτελεσµάτων που προκύπτουν ακόµα και µε µικρό αριθµό σταθµών δειγµατοληψίας. Παρατηρώντας τους χάρτες των κατανοµών, διακρίνονται οι κύριες εστίες ρύπανσης και οι περιοχές στις οποίες υπάρχουν υψηλές συγκεντρώσεις φυτοπλαγκτού. Από τους κανάβους που προέκυψαν επιλέχθηκε µεγαλύτερος αριθµός σηµείων µέσω τυχαίας δειγµατοληψίας πάνω στον κάθε χάρτη, προσπερνώντας το πρόβληµα του µικρού αριθµού δειγµάτων (34 σταθµοί) που δεν αρκούσαν για την εφαρµογή γεωστατιστικών µεθόδων. Αναφέρεται ξανά πως τα δειγµατοληπτικά σηµεία, πρέπει να αντιστοιχούν στα ίδια σηµεία κάθε χάρτη ώστε να είναι εφικτή η συσχέτιση των µεταβλητών. Τα βαριογράµµατα και τα cross-variograms χρησιµοποιήθηκαν για την εύρεση της ανισοτροπίας κάθε παραµέτρου και τη συσχέτιση των µεταβλητών αντίστοιχα. Επίσης τα επιφανειακά βαριογράµµατα περιγράφουν πως µεταβάλλονται οι τιµές της κάθε παραµέτρου στον χώρο, αναπτύσσοντας µια έλλειψη στην οποία παρατηρείται η µέγιστη ανισοτροπία ή η συµµεταβολή δύο µεταβλητών στην περίπτωση των crossvariograms. Από την ανάπτυξη των βαριογραµµάτων προέκυψε σηµαντική πληροφορία για τις χωρικές κατανοµές κάθε θρεπτικού και της χλωροφύλλης α, δικαιώνοντας τη χρήση των γεωστατιστικών µεθόδων σε παράκτιες εφαρµογές. Από το βαριόγραµµα της χλωροφύλλης α προέκυψε πως στην διεύθυνση ΒΑ-Ν, παρατηρούνται οι υψηλότερες διαφοροποιήσεις µεταξύ των τιµών των συγκεντρώσεών της. Αυτό πιθανόν οφείλεται στην διασπορά του φυτοπλαγκτού από το ρεύµα που υπάρχει τη συγκεκριµένη περίοδο του χρόνου στην περιοχή, το οποίο έχει φορά Β-Ν. Στην ίδια διεύθυνση µε αποκλίσεις, παρατηρούνται και για τα υπόλοιπα θρεπτικά οι διευθύνσεις µέγιστης ανισοτροπίας, αλλά δεν υπάρχουν επαρκή ωκεανογραφικά δεδοµένα για να διαπιστωθεί η ακριβής επίδραση του ρεύµατος και να αιτιολογηθεί επακριβώς το χωρικό µοτίβο των κατανοµών. Οι χωρικές αποκλίσεις που παρατηρούνται στις διευθύνσεις µέγιστης ανισοτροπίας, πιθανόν οφείλονται στην διαφορετική προέλευση και διασπορά των θρεπτικών στην παράκτια ζώνη και στις βιογεωχηµικές διεργασίες της περιοχής. Επίσης διαπιστώθηκε ότι ο µεγάλος άξονας του ελλειψοειδούς της χλωροφύλλης α και των φωσφορικών αλάτων, έχει προσανατολισµό Β -ΝΑ σε αντίθεση µε τον προσανατολισµό της αµµωνίας και των νιτρικών αλάτων, που είναι ~ 38 ~