ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΤΟΜΕΑΣ ΕΓΓΕΙΩΝ ΒΕΛΤΙΩΣΕΩΝ, ΕΔΑΦΟΛΟΓΙΑΣ ΚΑΙ ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ

ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΓΕΩΠΟΝΙΚΗ ΣΧΟΛΗ ΤΟΜΕΑΣ ΕΓΓΕΙΩΝ ΒΕΛΤΙΩΣΕΩΝ, ΕΔΑΦΟΛΟΓΙΑΣ ΚΑΙ ΓΕΩΡΓΙΚΗΣ ΜΗΧΑΝΙΚΗΣ ΚΩΝΣΤΑΝΤΙΝΟΥ Δ. ΝΤΟΥΡΟΥ Γεωπόνου Msc. ΥΠΕΡΦΑΣΜΑΤΙΚΗ ΑΝΑΛΥΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ΓΙΑ ΤΗ ΜΕΛΕΤΗ, ΠΟΙΟΤΙΚΑ ΚΑΙ ΠΟΣΟΤΙΚΑ, ΦΥΤΙΚΩΝ ΠΑΡΑΜΕΤΡΩΝ ΜΕ ΤΗ ΧΡΗΣΗ GIS ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ ΘΕΣΣΑΛΟΝΙΚΗ 2008

ΚΩΝΣΤΑΝΤΙΝΟΥ Δ. ΝΤΟΥΡΟΥ Γεωπόνου Msc. ΥΠΕΡΦΑΣΜΑΤΙΚΗ ΑΝΑΛΥΣΗ ΔΟΡΥΦΟΡΙΚΩΝ ΕΙΚΟΝΩΝ ΓΙΑ ΤΗ ΜΕΛΕΤΗ, ΠΟΙΟΤΙΚΑ ΚΑΙ ΠΟΣΟΤΙΚΑ, ΦΥΤΙΚΩΝ ΠΑΡΑΜΕΤΡΩΝ ΜΕ ΤΗ ΧΡΗΣΗ GIS ΔΙΔΑΚΤΟΡΙΚΗ ΔΙΑΤΡΙΒΗ Υποβλήθηκε στη Γεωπονική Σχολή, Τομέας Εγγείων Βελτιώσεων Εδαφολογίας και Γεωργικής Μηχανικής Ημερομηνία Προφορικής Εξέτασης: 20 Μαΐου 2008 Εξεταστική Επιτροπή Καθηγητής Καθηγητής Καθηγητής N. Συλλαίος, Επιβλέπων Γ. Ζαλίδης, Μέλος Τριμελούς Συμβουλευτικής Επιτροπής Μ. Καρτέρης, Μέλος Τριμελούς Συμβουλευτικής Επιτροπής Καθηγητής Θ. Αστάρας, Εξεταστής Λέκτορας Ι. Γήτας, Εξεταστής Αν. Καθηγητής Κ. Περάκης, Εξεταστής Αν. Καθηγητής Μ. Τσακίρη, Εξετάστρια

Κωνσταντίνος Δ. Ντούρος Α.Π.Θ. Υπερφασματική ανάλυση δορυφορικών εικόνων για τη μελέτη, ποιοτικά και ποσοτικά, φυτικών παραμέτρων με τη χρήση GIS. ISBN «Η έγκριση της παρούσης Διδακτορικής Διατριβής από τη Γεωπονική Σχολή του Αριστοτελείου Πανεπιστημίου Θεσσαλονίκης δεν υποδηλώνει αποδοχή των γνωμών του συγγραφέως» (Ν. 5343/1932, άρθρο 202, παρ. 2)

Κων/νος Ντούρος Διδακτορική Διατριβή Πρόλογος ΠΡΟΛΟΓΟΣ Η παρούσα διδακτορική διατριβή πραγματοποιήθηκε στα πλαίσια του δεύτερου Κύκλου Μεταπτυχιακών Σπουδών της Ειδίκευσης Εδαφολογίας και Διαχείρισης Εδαφικών Πόρων της Γεωπονικής Σχολής του Αριστοτέλειου Πανεπιστήμιου Θεσσαλονίκης (Α.Π.Θ). Στο σημείο αυτό αισθάνομαι την ανάγκη να ευχαριστήσω τον επιβλέποντα Καθηγητή μου κ. Νικόλαο Συλλαίο όχι μόνο για την ανάθεση της παρούσας διατριβής και την επιστημονική του βοήθεια για την ολοκλήρωση της, αλλά και για τη συμπαράσταση και την εμπιστοσύνη που μου έδειξε όλα αυτά τα χρόνια από την εποχή των προπτυχιακών μου σπουδών. Επίσης θα ήθελα να τον ευχαριστήσω και για τη συμμετοχή μου στα ερευνητικά προγράμματα του εργαστηρίου που βοήθησαν στην καλύτερη κατάρτιση μου και στην απόκτηση πολύτιμης εμπειρίας. Θα ήθελα επίσης να ευχαριστήσω το Λέκτορα της Δασολογίας και Φυσικού Περιβάλλοντος κ. Ιωάννη Γήτα, μέλος της επταμελούς εξεταστικής επιτροπής, για τη συμβολή του στην υπόδειξη και ανάθεση του θέματος της παρούσας διατριβής και για την προμήθεια της υπερφασματικής εικόνας του απεικονιστή Hyperion αλλά και για τη βοήθεια της ολοκλήρωσης της. Επίσης για την ευκαιρία που μου πρόσφερε να συμμετάσχω σε Ευρωπαϊκά προγράμματα (Geoland - FP6) και για τη μέχρι σήμερα άψογη συνεργασία μας. Ακόμη θα ήθελα να εκφράσω τις ευχαριστίες μου στα υπόλοιπα μέλη της τριμελούς συμβουλευτικής επιτροπής Καθηγητές κ. Γεώργιο Ζαλίδη και κ. Μιχάλη Καρτέρη για τις πολύτιμες συμβουλές τους καθώς και στα υπόλοιπα μέλη της εξεταστικής επιτροπής Αν. Καθηγητή κ. Κων/νο Περάκη, Καθηγητή κ. Θεόδωρο Αστάρα και στην Αν. Καθηγήτρια κα. Μαρία Τσακίρη για την κριτική ανάγνωση του κειμένου και τις υποδείξεις τους. Θα ήταν παράλειψη από μέρους μου να μην ευχαριστήσω τους συνεργάτες του Εργαστηρίου Τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών τον υποψήφιο διδάκτορα κ. Χαράλαμπο Τοπάλογλου, Δρ. κ. Νικόλαο Καραπέτσα, κ. Γεώργιο Πετσάνη Γεωπόνο του ΕΛ.ΓΑ και τον Δρ. κ. Θωμά Αλεξανδρίδη για τη βοήθεια τους και τη συνεργασία μας όλα αυτά τα χρόνια, καθώς επίσης και τα μέλη του Εργαστηρίου της Τηλεπισκόπησης και Δασικής Διαχειριστικής την κα. Χαραλαμπία Μηνάκου Γεωλόγου Msc., την κα. Αναστασία Πολυχρονάκη Δασολόγου Msc., και τον κ. Θωμά Καταγή Δασολόγου Msc. για τη συνεργασία μας στα ερευνητικά προγράμματα του εργαστηρίου. Τέλος, ιδιαίτερα θερμές ευχαριστίες οφείλω να εκφράσω στον πατέρα μου Δημήτρη, τη μητέρα μου Στέλλα και τoν αδερφό μου Γιώργο που με στήριξαν τόσο ηθικά όσο και οικονομικά όλα αυτά τα χρόνια των προπτυχιακών και μεταπτυχιακών σπουδών μου. 1

Κων/νος Ντούρος Διδακτορική Διατριβή Πρόλογος Αφιερώνεται στους γονείς μου και τον αδερφό μου και στο νέο μέλος της οικογένειας, ανιψιό μου Δημήτρη. 2

Κων/νος Ντούρος Διδακτορική Διατριβή Περίληψη ΠΕΡΙΛΗΨΗ Τα δορυφορικά (spaceborne) υπερφασματικά (hyperspectral) δεδομένα αποτελούν σήμερα ένα νέο πεδίο έρευνας, και η αξιολόγηση τους θα συμβάλει αποφασιστικά στην επιχειρησιακή τους εφαρμογή. Έτσι λαμβάνοντας υπόψη το επιστημονικό ενδιαφέρον για τη χρησιμοποίηση των νέων αυτών δορυφορικών δεδομένων, σκοπός της διατριβής ήταν η διερεύνηση της χρήσης των δορυφορικών δεδομένων του υπερφασματικού απεικονιστή Hyperion (ΕΟ-1) στην αναγνώριση και ταξινόμηση των γεωργικών καλλιεργειών (καλαμπόκι, βαμβάκι, ρύζι, καπνός και τομάτα). Πιο συγκεκριμένα, για την πραγματοποίηση της έρευνας αυτής, οι επιμέρους στόχοι που τέθηκαν ήταν οι εξής: 1) Η μείωση της διάστασης της φασματικής πληροφορίας και η εύρεση των βέλτιστων στενού εύρους φασματικών διαύλων (narrowbands) που συμβάλουν στην διάκριση των υπό εξέταση γεωργικών καλλιεργειών, 2) η εφαρμογή και η εκτίμηση της ακρίβειας των διαφόρων μεθόδων ταξινόμησης και η σύγκριση μεταξύ τους και 3) η σύγκριση των υπερφασματικών δεδομένων του απεικονιστή Hyperion με πολυφασματικά δεδομένα της ίδιας χωρικής διακριτικής ικανότητας του Θεματικού Χαρτογράφου Landsat 5 TM στην εκτίμηση της ακρίβειας της ταξινόμησης. Η έρευνα διεξήχθη στη γεωργική περιοχή που βρίσκεται μεταξύ των διοικητικών ορίων των Νομών Καβάλας και Ξάνθης και περιλαμβάνει τμήμα του ποταμού Νέστου από το ύψος του οικισμού Τοξότες (Ν. Ξάνθης) μέχρι τον οικισμό της Κεραμωτής (Ν. Καβάλας). Για τη μείωση της διάστασης των υπερφασματικών δεδομένων χρησιμοποιήθηκε η μέθοδος της Βηματικής Διαχωριστικής Ανάλυσης (Stewise Discriminant Analysis - SDA) καθώς και ο μετασχηματισμός Minimum Noise Fraction - MNF ενώ για την ταξινόμηση των δεδομένων χρησιμοποιήθηκε η μέθοδος της επιβλεπόμενης ταξινόμησης (Supervised Classification) και συγκεκριμένα οι ταξινομητές της Μέγιστης Πιθανοφάνεις (Maximum Likelihood ML), της Απόστασης Mahalanobis (Mahalanobis Distance MD) και του Χαρτογράφου της Φασματικής Γωνίας (Spectral Angle Mapper -SAM). Τα αποτελέσματα έδειξαν ότι 27 από τα 131 φασματικά κανάλια της υπερφασματικής εικόνας συμβάλουν περισσότερο στο διαχωρισμό των υπό εξέταση καλλιεργειών (μείωση της διάστασης των δεδομένων κατά 80% περίπου). Από την ποιοτική εκτίμηση των 27 αυτών καναλιών προέκυψε ότι η σημαντικότητα τους οφείλεται στην ευαισθησία τους να διακρίνουν διαφοροποιήσεις βιοχημικών συστατικών της βλάστησης όπως της χλωροφύλλης, των καροτενοειδών, του αμύλου, της κελουλόζης και της λιγνίνης αλλά και του περιεχόμενου νερού. Η Ολική Ακρίβεια (Overall Accuracy) ταξινόμησης της υπερφασματικής εικόνας ανήλθε στο (91-92%) για τις μεθόδους (ML και MD) και στο (75%) για την μέθοδο (SAM). Τέλος από τη σύγκριση των ταξινομήσεων της εικόνας του Hyperion και του Landsat 5 TM προέκυψε ότι τα υπερφασματικά δεδομένα παρέχουν μεγαλύτερη Ολική Ακρίβεια ταξινόμησης κατά (11%). 3

Κων/νος Ντούρος Διδακτορική Διατριβή Περίληψη Συμπερασματικά, προκύπτει ότι τα υπερφασματικά δορυφορικά δεδομένα ανοίγουν μια νέα εποχή στη διάκριση και χαρτογράφηση των γεωργικών καλλιεργειών υπερτερώντας έναντι των πολυφασματικών δεδομένων. Όμως περαιτέρω έρευνα είναι απαραίτητη με τη συμμετοχή περισσοτέρων καλλιεργειών και σε διαφορετικά φαινολογικά στάδια. 4

Κων/νος Ντούρος Διδακτορική Διατριβή Summary SUMMARY Nowadays, the spaceborne hyperspectral data are a research challenge in various scientific fields and their assessment will contribute to the operational implementation. Thus taking into account the scientific interest for this type of data, the aim of the thesis was the investigation of Hyperion data, the first spaceborne hyperspectral sensor, in identification and classification of five agricultural crops (corn, cotton, rice, tobacco and tomato. More specifically, the objectives were the following: 1) the hyperspectral data dimensionality reduction and the determination of optimal narrowbands that best characterizes the examined crops, 2) accuracy assessment of the implemented classifications algorithms and 3) assessment of the hyperspectral data discrimination power relative to the Landsat 5 TM data through the comparison of classifications accuracy. The study was conducted in the agricultural area between County borders of Kavala and Xanthi that comprises a part of the Nestos River and located between the settlement of Toxotes and the settlement of Keramoti. The data dimensionality reduction of Hyperion s image bands was achieved with the use of Stepwise Discriminant Analysis (SDA) and Minimum Noise Fraction Transformation (MNF) and algorithms such as Maximum Likelihood (ML), Mahalanobis Distance (MD) and Spectral Angle Mapper (SAM) were used in order to perform the image data classifications. The results lead to recommending 27 spectral bands that best characterizes the agricultural crops (80% data reduction) and Overall Accuracies of 91-92 % were attained with the use (ML) and (MD) and 75 % with (SAM). Finally the hyperspectral data provide an increased accuracy of 11% over six non thermal band of Landsat 5 TM when classifying agricultural crops. Conclusively, come up that narrowbands seems to be more effective in classification of agricultural crops in relation to Landsat 5 TM broadbands however further research is needed with the inclusion of more than five agricultural crops and at different phenological stages. 5

Κων/νος Ντούρος Διδακτορική Διατριβή Περιεχόμενα ΠΕΡΙΕΧΟΜΕΝΑ ΠΡΟΛΟΓΟΣ... 1 ΠΕΡΙΛΗΨΗ... 3 SUMMARY... 5 ΠΕΡΙΕΧΟΜΕΝΑ... 6 Κατάλογος Πινάκων... 7 Κατάλογος Εικόνων... 8 1. ΕΙΣΑΓΩΓΗ... 10 2. ΣΥΝΤΟΜΗ ΙΣΤΟΡΙΚΗ ΑΝΑΣΚΟΠΗΣΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ... 14 3. ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ... 18 4. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ... 33 4.1 ΓΕΩΓΡΑΦΙΚΗ ΘΕΣΗ... 33 4.2 ΓΕΩΛΟΓΙΑΣ ΤΗΣ ΠΕΡΙΟΧΗΣ... 34 4.3 ΧΛΩΡΙΔΑ ΕΥΡΥΤΕΡΗΣ ΠΕΡΙΟΧΗΣ... 36 4.4 ΠΑΝΙΔΑ ΕΥΡΥΤΕΡΗΣ ΠΕΡΙΟΧΗΣ... 37 4.5 ΚΛΙΜΑΤΟΛΟΓΙΚΑ ΣΤΟΙΧΕΙΑ... 38 5. ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ... 39 5.1 ΥΛΙΚΑ... 39 5.1.1 ΔΕΔΟΜΕΝΑ... 39 5.1.2 ΛΟΓΙΣΜΙΚΑ... 45 5.2 ΜΕΘΟΔΟΙ... 46 5.2.1 ΑΝΑΛΥΣΗ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ... 46 5.2.1.1 ΠΡΟ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ... 46 5.2.1.2 ΜΕΙΩΣΗ ΤΗΣ ΔΙΑΣΤΑΣΗΣ ΤΗΣ ΦΑΣΜΑΤΙΚΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΥΡΕΣΗ ΤΩΝ ΒΕΛΤΙΣΤΩΝ ΦΑΣΜΑΤΙΚΩΝ ΚΑΝΑΛΙΩΝ ΓΙΑ ΤΗ ΔΙΑΚΡΙΣΗ ΤΩΝ ΥΠΟ ΕΞΕΤΑΣΗ ΓΕΩΡΓΙΚΩΝ ΚΑΛΛΙΕΡΓΕΙΩΝ... 60 5.2.1.2.1 ΕΦΑΡΜΟΓΗ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ MINIMUM NOISE FRACTION MNF... 62 5.2.1.2.2 ΣΥΛΛΟΓΗ ΦΑΣΜΑΤΙΚΩΝ ΥΠΟΓΡΑΦΩΝ ΤΩΝ ΚΑΛΛΙΕΡΓΕΙΩΝ... 69 5.2.1.2.3 ΠΟΛΥΜΕΤΑΒΛΗΤΗ ΑΝΑΛΥΣΗ (MULTIVARITE ANALYSIS)... 71 5.2.1.2.3.1 ΔΙΑΧΩΡΙΣΤΙΚΗ ΑΝΑΛΥΣΗ (DISCRIMINANT ANALYSIS)... 74 5.2.1.2.3.2 ΕΦΑΡΜΟΓΗ ΤΗΣ ΔΙΑΧΩΡΙΣΤΙΚΗΣ ΑΝΑΛΥΣΗΣ ΣΤΑ ΥΠΕΡΦΑΣΜΑΤΙΚΑ ΔΕΔΟΜΕΝΑ ΤΟΥ ΑΠΕΙΚΟΝΙΣΤΗ HYPERION... 76 5.2.1.2.4 ΣΥΖΗΤΗΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΗΣ ΜΕΙΩΣΗΣ ΤΗΣ ΔΙΑΣΤΑΣΗΣ ΤΗΣ ΦΑΣΜΑΤΙΚΗΣ ΠΛΗΡΟΦΟΡΙΑΣ... 84 5.2.1.3 ΤΑΞΙΝΟΜΗΣΗ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ... 88 5.2.1.3.1 ΜΕΘΟΔΟΙ ΤΑΞΙΝΟΜΗΣΗΣ... 89 5.2.1.3.2 ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ... 94 5.2.1.3.3 ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΩΝ ΜΕΘΟΔΩΝ ΤΑΞΙΝΟΜΗΣΗΣ... 95 5.2.2 ΑΝΑΛΥΣΗ ΠΟΛΥΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ... 106 5.2.2.1 ΠΡΟ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ... 107 6

Κων/νος Ντούρος Διδακτορική Διατριβή Περιεχόμενα 5.2.2.2 ΜΕΘΟΔΟΙ ΤΑΞΙΝΟΜΗΣΗΣ... 111 5.2.2.2.1 ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΩΝ ΜΕΘΟΔΩΝ ΤΑΞΙΝΟΜΗΣΗΣ... 113 6. ΣΥΜΠΕΡΑΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ... 116 ΒΙΒΛΙΟΓΡΑΦΙΑ... 119 Κατάλογος Πινάκων Πίνακας 4.1.1. Γεωγραφικές συντεταγμένες της περιοχής μελέτης. 33 Πίνακας 5.1.1.1. Χαρακτηριστικά του απεικονιστή ΤΜ (USGS). 42 Πίνακας 5.2.1.1.1. Μη βαθμονομημένα φασματικά κανάλια του Hyperion. 57 Πίνακας 5.2.1.1.2. Τα φασματικά κανάλια της εικόνας του Hyperion που επιλέχθηκαν για την περαιτέρω ανάλυση. 58 Πίνακας 5.2.1.2.1.1 Οι τιμές eigenvalues των μετασχηματισμένων εικόνων eigenimages 64 Πίνακας 5.2.1.2.1.2. Οι τιμές eigenvalues των μετασχηματισμένων εικόνων eigenimages 66 Πίνακας 5.2.1.2.2.1 Αριθμός εικονοστοιχείων κάθε περιοχής ενδιαφέροντος. 70 Πίνακας 5.2.1.2.3.2.1. Συνοπτικός Πίνακας βηματικής παλινδρόμησης. 78 Πίνακας 5.2.1.2.3.2.2. Δοκιμή Χ 2 της διαδοχικής αφαίρεσης των διαχωριστικών συναρτήσεων Chi square test for successive roots removed 79 Πίνακας 5.2.1.2.3.2.3. Ποσοστό της διακύμανσης της εξαρτημένης μεταβλητής που εξηγείται από τις διαχωριστικές συναρτήσεις. 79 Πίνακας 5.2.1.2.3.2.4. Διαχωριστικά βάρη των ανεξάρτητων μεταβλητών για τις 4 διαχωριστικές συναρτήσεις. 80 Πίνακας 5.2.1.2.3.2.5. Κεντροειδή των ομάδων. 81 Πίνακας 5.2.1.2.3.2.6. Τετραγωνική απόσταση Mahalanobis Distance κεντροειδών 81 Πίνακας 5.2.1.2.3.2.7. Δοκιμή της σημαντικότητας της τετραγωνικής απόστασης Mahalanobis Distance κεντροειδών. 81 Πίνακας 5.2.1.2.3.2.8. Βάρη των ανεξάρτητων μεταβλητών των συναρτήσεων ταξινόμησης. 82 Πίνακας 5.2.1.2.3.2.9. Πίνακας της ταξινόμησης Classification Matrix. 83 Πίνακας 5.2.1.2.4.1. Τα φασματικά κανάλια που προέκυψαν από την διαχωριστική ανάλυση 84 Πίνακας 5.2.1.2.4.2. Συγκριτικός πίνακας (εργασία αναφοράς) 86 Πίνακας 5.2.1.3.3.1. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Απόστασης Mahalanobis (Mahalanobis Distance MD). 97 Πίνακας 5.2.1.3.3.2. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Μέγιστης Πιθανοφάνειας (Maximum Likelihood ML). 98 Πίνακας 5.2.1.3.3.3. Πίνακας Λάθους (Confusion Matrix) της μεθόδου Χαρτογράφου Φασματικής Γωνίας (Spectral Angle Mapper SAM). 98 Πίνακας 5.2.1.3.3.4. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Απόστασης Mahalanobis (Mahalanobis Distance MD). 101 7

Κων/νος Ντούρος Διδακτορική Διατριβή Περιεχόμενα Πίνακας 5.2.1.3.3.5. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Μέγιστης Πιθανοφάνειας (Maximum Likelihood ML). 101 Πίνακας 5.2.1.3.3.6. Συγκεντρωτικός πίνακας δοκιμής Ζ (Z test). 102 Πίνακας 5.2.1.3.3.7. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Απόστασης Mahalanobis (Mahalanobis Distance MD) 104 Πίνακας 5.2.1.3.3.8. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Μέγιστης Πιθανοφάνειας (Maximum Likelihood ML). 104 Πίνακας 5.2.1.3.3.9. Συγκεντρωτικός πίνακας δοκιμής Ζ (Z test) 105 Πίνακας 5.2.2.2.1.1. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Απόστασης Mahalanobis (Mahalanobis Distance MD). 114 Πίνακας 5.2.2.2.1.2. Πίνακας Λάθους (Confusion Matrix) της μεθόδου Μέγιστης Πιθανοφάνειας (Maximum Likelihood ML). 114 Πίνακας 5.2.2.2.1.3. Συγκεντρωτικός πίνακας δοκιμής Ζ (Z test) 115 Κατάλογος Εικόνων Εικόνα 4.1.1. Περιοχή μελέτης... 33 Εικόνα 5.1.1.1. Δορυφορική εικόνα Hyperion της περιοχής μελέτης RGB: 29(641nm),20 (550nm),11(458nm).... 40 Εικόνα 5.1.1.2. Δορυφορική εικόνα Landsat -5 TM - RGB: 3,2,1. Το κόκκινο πλαίσιο απεικονίζει την περιοχή μελέτης.... 42 Εικόνα 5.1.1.3. Απεικόνιση του διανυσματικού θεματικού επιπέδου των αγροτεμαχίων και της αντίστοιχης περιγραφικής πληροφορίας στο λογισμικό ΓΠΣ (ArcGis)... 44 Εικόνα 5.2.1.1.1. Απεικόνιση του φασματικού καναλιού 13 πριν την διόρθωση (αριστερά) της στήλης 114 και μετά την διόρθωση (δεξιά).... 47 Εικόνα 5.2.1.1.2. Σχηματική απεικόνιση της ακτινοβολίας που καταγράφει ο απεικονιστής.... 48 Εικόνα 5.2.1.1.3. Απεικόνιση του γραφικού περιβάλλοντος του ατμοσφαιρικού μοντέλου FLAASH και οι απαιτούμενες παράμετροι εισαγωγής για την διόρθωση της εικόνας του Hyperion... 51 Εικόνα 5.2.1.1.4. Απεικόνιση του γραφικού περιβάλλοντος του Spectral Analyst σύγκριση της ατμοσφαιρικά διορθωμένης εικόνας με φασματικές βιβλιοθήκες.... 53 Εικόνα 5.2.1.1.5. Απεικόνιση της διαδικασίας της γεωμετρικής διόρθωσης στο περιβάλλον του λογισμικού ENVI 4.3... 56 Εικόνα 5.2.1.2.1.1 διάγραμμα MNF eigenvalues των φασματικών καναλιών του ορατού/ εγγύς υπέρυθρού (VNIR)... 63 Εικόνα 5.2.1.2.1.2 Μετασχηματισμένες εικόνες MNF eigenimages :MNF1 (αριστερά), MNF2, MNF3, MNF5 και MNF10... 63 Εικόνα 5.2.1.2.1.3. Απεικόνιση του φασματικού καναλιού 12 πριν την απομάκρυνση του θορύβου (αριστερά) και μετά την αντιστροφή της διαδικασίας MNF (Inverse MNF Transformation)... 65 Εικόνα 5.2.1.2.1.4. Διάγραμμα MNF eigenvalues των φασματικών καναλιών του ορατού/ εγγύς υπέρυθρού (VNIR)... 66 Εικόνα 5.2.1.2.1.5. Μετασχηματισμένες εικόνες MNF eigenimages : MNF1 (αριστερά), MNF2, MNF3 και MNF4.... 67 8

Κων/νος Ντούρος Διδακτορική Διατριβή Περιεχόμενα Εικόνα 5.2.1.2.1.6. Δορυφορική εικόνα Hyperion της περιοχής μελέτης μετά την απομάκρυνση του θορύβου RGB:29(641nm), 20 (550nm), 11(458nm)... 68 Εικόνα 5.2.1.2.2.1 Περιοχές ενδιαφέροντος (ROI). Κίτρινο:Καλαμπόκι, Πράσινο: Βαμβάκι, Μπλε: Ρύζι, Κόκκινο: Καπνός, Μοβ: Τομάτα... 69 Εικόνα 5.2.1.2.2.2. Απεικόνιση των ROI s με την χρήση n-dimensional Visualizer... 70 Εικόνα 5.2.1.2.3.2.1. Καθορισμός των μεταβλητών για την εφαρμογή της βηματικής διαχωριστικής ανάλυσης ( Backward stepwise discriminant anlysis)... 77 Εικόνα 5.2.1.3.3.1. Ταξινομημένες εικόνες: α) με τη μέθοδο ML (πάνω αριστερά), β) με τη μέθοδο MD (πάνω δεξιά) και γ) με τη μέθοδο SAM (κάτω αριστερά)... 96 Εικόνα 5.2.1.3.3.2. Ταξινομημένες εικόνες των 19 μετασχηματισμένων MNF εικόνων: α) με τη μέθοδο ML (πάνω αριστερά), β) με τη μέθοδο MD (πάνω δεξιά)... 100 Εικόνα 5.2.1.3.3.3. Ταξινομημένες εικόνες των 11 μετασχηματισμένων MNF εικόνων: α) με τη μέθοδο ML (πάνω αριστερά), β) με τη μέθοδο MD (πάνω δεξιά)... 103 Εικόνα 5.2.2.1. Σχηματική απεικόνιση της τροχιάς του Landsat 7 και ΕΟ-1... 106 Εικόνα 5.2.2.1.1. Απεικόνιση του κυρίως γραφικού περιβάλλοντος του ATCOR (Specifications tab)... 108 Εικόνα 5.2.2.1.2. Απεικόνιση του κυρίως γραφικού περιβάλλοντος του ATCOR (Atmospheric Selections tab)... 109 Εικόνα 5.2.2.1.3. Απεικόνιση του γραφικού περιβάλλοντος Validate Spectra... 109 Εικόνα 5.2.2.1.4. Ατμοσφαιρικά διορθωμένη εικόνα Landsat 5 TM... 110 Εικόνα 5.2.2.1.5. Απεικόνιση της διαδικασίας της γεωμετρικής διόρθωσης στο περιβάλλον του λογισμικού ENVI 4.3... 111 Εικόνα 5.2.2.2.1 Ταξινομημένες εικόνες του Θεματικού Χαρτογράφου : α) με τη μέθοδο ML (πάνω αριστερά), β) με τη μέθοδο MD (πάνω δεξιά)... 112 9

Κων/νος Ντούρος Διδακτορική Διατριβή 1.Εισαγωγή 1. ΕΙΣΑΓΩΓΗ Τα τελευταία τριάντα χρόνια, τα δορυφορικά δεδομένα αποτελούν μία κύρια πηγή άντλησης πληροφορίας για την κατάσταση της γήινης επιφάνειας. Από το 1972 με την εκτόξευση του δορυφόρου Landsat 1 και τη χρησιμοποίηση των πολυφασματικών εικόνων, πολλές εφαρμογές έχουν αναπτυχθεί σε διάφορα επιστημονικά πεδία μεταξύ άλλων η γεωλογία, η γεωργία, η παρακολούθηση του περιβάλλοντος, χωροταξία και πολεοδομία. Η αξία της χαρτογράφησης και παρακολούθησης των γεωργικών εδαφών καθώς επίσης και η παρακολούθηση της παραγωγής των γεωργικών προϊόντων έχει αναγνωριστεί από διεθνείς οργανισμούς όπως η Παγκόσμια Τράπεζα (World Bank) και ο Οργανισμός Τροφίμων και Γεωργίας (Food and Agriculture Organization - FAO) των Ηνωμένων Εθνών (Coen και Shoshany, 2002). Ήδη από το 1974 ξεκίνησε η πρώτη προσπάθεια της κυβέρνησης των Η.Π.Α, με το πρόγραμμα LACIE Large Area Crop Inventory Experiment), για την συνεχή παρακολούθηση και την εκτίμηση της γεωργικής παραγωγής των σιτηρών σε επιλεγμένες περιοχές παγκοσμίως. Η προσπάθεια αυτή συνεχίστηκε με το πρόγραμμα AgRISTARS το 1980 στο οποίο συνεργάστηκαν η Αμερικανική Αεροναυτική και Διαστημική Υπηρεσία (NASA), η Εθνικής Διεύθυνσης για τους Ωκεανούς και την Ατμόσφαιρα (ΝΟΑΑ) και το Υπουργείο Γεωργίας των Η.Π.Α (USDA) για την επέκταση της μεθοδολογίας και την παρακολούθηση και άλλων καλλιεργειών καθώς και άλλων μεγάλων γεωργικών περιοχών (Moran et.al, 1997). Την τελευταία εικοσαετία, 1988 μέχρι σήμερα, η Ευρωπαϊκή Κοινότητα έχει αναπτύξει το πρόγραμμα MARS Monitoring Agriculture through Remote Sensing Techniques με σκοπό την διαχρονική παρακολούθηση της παραγωγής των αγροτικών προϊόντων και από το 1993 την εφαρμογή της Κοινής Αγροτικής Πολιτικής (CAP). Στα πλαίσια του προγράμματος έχουν αναπτυχθεί μέθοδοι για την παρακολούθηση των καλλιεργειών και της αγροτικής παραγωγής με την χρησιμοποίηση Αγροτο- μετεωρολογικών μοντέλων (Crop Growth Monitoring System CGMS) καθώς και δορυφορικών δεδομένων τόσο χαμηλής όσο και υψηλής διακριτικής ικανότητας για τη χαρτογράφηση και την εκτίμηση των γεωργικών εκτάσεων (http://www.mars.jrc.it). Επίσης μέσα σε αυτά τα χρόνια έχει παρατηρηθεί μία διαρκής εξέλιξη των διαστημικών προγραμμάτων παρακολούθησης της γήινης επιφάνειας καθώς και η εξέλιξη των απεικονιστών τόσο στο φασματικό εύρος που καλύπτουν όσο και στη χωρική τους διακριτική ικανότητα. Επίσης η ανάπτυξη της τεχνολογίας και της πληροφορικής παρέχουν σήμερα τη δυνατότητα της καταγραφής και της ανάλυσης μεγάλου όγκου δεδομένων με αποτέλεσμα την παραγωγή πιο λεπτομερούς πληροφορίας. Έτσι στις μέρες μας τα δορυφορικά δεδομένα και τα Γεωγραφικά Συστήματα Πληροφοριών συμβάλουν στην απόκτηση πληροφορίας ιδιαίτερα χρήσιμης για το σχεδιασμό, την παρακολούθηση και την λήψη αποφάσεων (Συλλαίος, 2007). 10

Κων/νος Ντούρος Διδακτορική Διατριβή 1.Εισαγωγή Τα πολυφασματικά δορυφορικά δεδομένα έχουν χρησιμοποιηθεί σε μεγάλο βαθμό και χρησιμοποιούνται ακόμη για τη χαρτογράφηση της βλάστησης. Όμως οι νέες τεχνολογίες έχουν δείξει ότι παρόλο που τα δεδομένα αυτά είναι χρήσιμα από πολλές απόψεις έχουν όμως και τους περιορισμούς τους. Αυτό οφείλεται στο περιορισμένο αριθμό των φασματικών καναλιών και στο μεγάλο φασματικό τους εύρος με αποτέλεσμα την απώλεια πληροφορίας. (Kumar et.al, 2001). Τα περισσότερα φυσικά αντικείμενα έχουν κάποια χαρακτηριστικά φασματικά στοιχεία τα οποία εντοπίζονται σε πολύ στενές φασματικές περιοχές και τα οποία τα διαχωρίζουν από τα υπόλοιπα. Έτσι είναι απαραίτητη η χρησιμοποίηση στενού φασματικού εύρους απεικονιστών (narrowband sensors) για την ανίχνευση των χαρακτηριστικών αυτών. (Kumar et.al, 2001). Τέτοιου τύπου απεικονιστές είναι οι υπερφασματικοί (Hyperspectral) απεικονιστές. Σε αντίθεση με τους πολυσματικούς οι υπερφασματικοί απεικονιστές μετρούν εκατοντάδες φασματικούς διαύλους, καταγράφουν δηλαδή την ανακλώμενη ακτινοβολία σε εκατοντάδες γειτονικές, στενού εύρους, φασματικές περιοχές. Η χρήση των υπερφασματικών δεδομένων τοποθετείται στην αρχή της δεκαετίας του 80 για τη χαρτογράφηση ορυκτών από αερομεταφερόμενους (airborne) απεικονιστές. Σημαντική πρόοδος συντελέστηκε το 1989 με την δημιουργία από την Αμερικανική Αεροναυτική και Διαστημική Υπηρεσία NASA/JPL του υπερφασματικού απεικονιστή AVIRIS (Airborne Visible-Infra Red Imaging Spectrometer) ο οποίος συλλέγει δεδομένα σε 224 φασματικά κανάλια στο φασματικό εύρος των 400 2500 nm με φασματική διακριτική ικανότητα 10 nm (Kruse et.al, 2003). Εκτός από τον AVIRIS και άλλοι αερομεταφερόμενοι υπερφασματικοί απεικονιστές έχουν αναπτυχθεί όπως είναι ο HYCIDE, PROBE-1, CASI, HyMap, DAIS 7915, DAIS 21115, AISA. Από την πλευρά των δορυφορικών υπερφασματικών απεικονιστών μόλις το 2000 τέθηκαν σε τροχιά οι δορυφόροι MightySat II της Αμερικανικής πολεμικής Αεροπορίας (Airforce research Lab) και ο Earth Observing 1 (EO-1) της Αμερικανικής Αεροναυτικής και Διαστημικής Υπηρεσίας (NASA) ο οποίοι φέρουν τους υπερφασματικούς απεικονιστές Fourier Transform Hyperspectral Imager (FTHSI) και Hyperion αντίστοιχα. Επίσης η Ευρωπαϊκή Διαστημική Υπηρεσία (ESA) το 2001 εκτόξευσε τον δορυφόρο PROBA ο οποίος φέρει τον υπερφασματικό απεικονιστή CHRIS. Εικόνες του Hyperion διατίθενται εμπορικά από την Αμερικανική Γεωλογική Υπηρεσία Χαρτογράφησης (USGS) και παρέχει 242 συνεχής φασματικούς διαύλους στο φασματικό εύρος 357-2576 nm με φασματική διακριτική ικανότητα 10 nm και χωρική διακριτική ικανότητα 30m. Αντίθετα εικόνες του απεικονιστή CHRIS διατίθενται μόνο για ερευνητικούς από την Ευρωπαϊκή Διαστημική Υπηρεσία (ESA). Ο Kumar et.al (2001) αναφέρει ότι οι πολυφασματικοί απεικονιστές, όπως οι Landsat MSS και Landsat TM δεν μπορούν να ανιχνεύσουν εκείνα τα φασματικά χαρακτηριστικά στοιχεία των αντικειμένων που τα διαχωρίζουν από τα άλλα λόγω του μεγάλου φασματικού εύρους των διαύλων τους (100-200 nm) οι οποίου παρέχουν το μέσο όρο της ανακλώμενης ακτινοβολίας των αντικειμένων καθώς επίσης ότι οι δίαυλοι δε γειτνιάζουν 11

Κων/νος Ντούρος Διδακτορική Διατριβή 1.Εισαγωγή φασματικά. Για αυτό το λόγο τα υπερφασματικά δεδομένα είναι μια ισχυρή εναλλακτική λύση για την ερμηνεία του γήινου περιβάλλοντος. Επίσης ο Thenkabail (2004) αναφέρει ότι οι στενού φασματικού εύρους δίαυλοι (narrowbands) που βρίσκονται σε συγκεκριμένα τμήματα του φάσματος βελτιώνουν την ακρίβεια της ταξινόμησης και την διάκριση της βλάστησης και των γεωργικών καλλιεργειών σε σχέση με του μεγάλου φασματικού εύρους διαύλων των πολυφασματικών απεικονιστών όπως του Landsat TM και του SPOT. Ακόμη αναφέρει ότι τα υπερφασματικά δεδομένα παρέχουν σημαντικά καλύτερη περιεχόμενη πληροφορία σε σχέση με τα πολυφασματικά δεδομένα στην ανίχνευση της πίεσης των φυτών (plant stress), της περιεχόμενης χλωροφύλλης, στην αναγνώριση μικρών διαφορών στην επί της εκατό κάλυψη από την βλάστηση, στην εξαγωγή βιοχημικών παραμέτρων όπως το άζωτο και τη λιγνίνη, στον διαχωρισμό των τύπων καλύψεων γης, των μεταβολών της φυτικής υγρασίας, της συγκέντρωσης των χρωστικών ουσιών των φύλλων και στην μοντελοποίηση και ποσοτικοποίηση βιοφυσικών χαρακτηριστικών των αγροτικών καλλιεργειών. Διάφορες επιστημονικές προσπάθειες μπορούν να βρεθούν στην διεθνή βιβλιογραφία με τη χρήση των υπερφασματικών δεδομένων που αφορούν μεταξύ άλλων τη χαρτογράφηση της βλάστησης γενικότερα και των γεωργικών καλλιεργειών (Goel et.al 2003, Thenkabail et.al 2004), την ανίχνευση και την εκτίμηση της κάλυψης των ζιζανίων (Williams και Hunt 2002, Mundt et.al 2004), τις πιέσεις των καλλιεργειών από την έλλειψη νερού (LeLong et.al 1998), την ανίχνευση ασθενειών των καλλιεργειών (Apan et.al 2004 Zhang et.al 2003), την εκτίμηση του περιεχόμενου αζώτου (Coops et.al 2003), την πρόβλεψη της παραγωγής (Ye et.al 2006), τη διάκριση ποικιλιών των καλλιεργειών (Galvao et.al 2005) και τη διάκριση και χαρτογράφηση των φυτικών υπολειμμάτων (Doughtry et.al 2006, Bannari et.al 2006) Γενικότερα αν και υπάρχει ένα αυξανόμενο ενδιαφέρον για τη χρησιμοποίηση δεδομένων υψηλής φασματικής διακριτικής ικανότητας σε διαφορετικά επιστημονικά πεδία, στη διεθνή βιβλιογραφία οι περισσότερες επιστημονικές εργασίες εκπονήθηκαν είτε με την χρησιμοποίηση υπερφασματικών δεδομένων πεδίου (handheld spectrometers) είτε με την ανάλυση εικόνων αερομεταφερόμενων (airborne) υπερφασματικών απεικονιστών. Οι δορυφορικές (spaceborne) υπερφασματικές εικόνες αποτελούν σήμερα ένα νέο πεδίο έρευνας, και η αξιολόγησή τους θα συμβάλει αποφασιστικά στην επιχειρησιακή τους εφαρμογή, δεδομένου των πλεονεκτημάτων των δορυφορικών συστημάτων σε σχέση με τις επίγειες εφαρμογές και τα αερομεταφερόμενα συστήματα όπως είναι η οικονομία κλίμακας. Λαμβάνοντας υπόψη το επιστημονικό ενδιαφέρον για τη χρησιμοποίηση των νέων αυτών υπερφασματικών δορυφορικών δεδομένων αλλά και την αξιολόγηση της εφαρμογής τους στο Μεσογειακό περιβάλλον που χαρακτηρίζεται από υψηλό βαθμό χωρικής ετερογενείς καθώς επίσης και από υψηλό κατακερματισμό της γεωργικής γης, η παρούσα διατριβή είχε ως Σκοπό την διερεύνηση της χρήσης των δορυφορικών δεδομένων του 12

Κων/νος Ντούρος Διδακτορική Διατριβή 1.Εισαγωγή υπερφασματικού απεικονιστή Hyperion στην αναγνώριση και ταξινόμηση των γεωργικών καλλιεργειών καθώς και ο εντοπισμός των βέλτιστών στενού εύρους φασματικών περιοχών που συμβάλλουν στον διαχωρισμό τους. Πιο συγκεκριμένα οι επιμέρους στόχοι ήταν οι εξής: 1. Η μείωση της διάστασης της φασματικής πληροφορίας και η εύρεση των βέλτιστων στενού εύρους φασματικών διαύλων (narrowbands) που συμβάλουν στην διάκριση των υπό εξέταση γεωργικών καλλιεργειών της περιοχής έρευνας. 2. Η εφαρμογή και η εκτίμηση της ακρίβειας διαφόρων μεθόδων ταξινόμησης και η σύγκριση μεταξύ τους. 3. Η σύγκριση των υπερφασματικών δεδομένων του απεικονιστή Hyperion με πολυφασματικά δεδομένα, της ίδιας χωρικής διακριτικής ικανότητας, του Θεματικού Χαρτογράφου Landsat TM όσον αφορά την ακρίβεια ταξινόμησης των υπό εξέταση καλλιεργειών της περιοχής μελέτης. 13

Κων/νος Ντούρος Διδακτορική Διατριβή 2.Σύντομη Ιστορική Ανασκόπηση 2. ΣΥΝΤΟΜΗ ΙΣΤΟΡΙΚΗ ΑΝΑΣΚΟΠΗΣΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΚΑΙ ΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΣΤΗΜΑΤΩΝ ΠΛΗΡΟΦΟΡΙΩΝ Η τηλεπισκόπηση ξεκινά με την εφεύρεση της φωτογραφίας συμπεριλαμβανομένου της Δαγγεροτυπίας (τη διεργασία θετικού /αρνητικού) από τους Γάλλους Niepce και Daguerre το 1830. Το 1858 ο Nadar πραγματοποιεί την πρώτη αεροφωτογράφηση από συγκρατούμενο μπαλόνι σε ύψος 1200 ποδιών στο Παρίσι. Στα μέσα του 19 ου αιώνα αρχίζει η ανάπτυξη των έγχρωμων φωτογραφιών. Η πρώτη γνωστή εφαρμογή της φωτοερμηνείας τοποθετείται στα τέλη του 1870 με τη χρησιμοποίηση αεροφωτογραφιών που λήφθηκαν με αερόστατο από γερμανούς δασολόγους για τη χαρτογράφηση δασικών ειδών. Το 1909 ο Wilbur Wright στο Centrocelli της Ιταλίας τοποθέτησε, για πρώτη φορά, φωτογραφική μηχανή σε αεροσκάφος, γεγονός που οριοθετεί την ανάπτυξη τόσο της φωτογραμμετρίας όσο και της φωτοερμηνείας. Από το 1915 άρχισε η παραγωγή των φωτογραφικών μηχανών για το σκοπό της αεροφωτογράφησης. Η ερμηνεία των αεροφωτογραφιών (φωτοερμηνεία) με σκοπό την εξαγωγή πληροφοριών χρήσιμων για στρατιωτικούς σκοπούς άρχισε ουσιαστικά κατά την περίοδο του Α Παγκοσμίου πολέμου, (1914-1918) Μεταξύ των δυο παγκοσμίων πολέμων, η φωτοερμηνεία εφαρμόστηκε σε διάφορους επιστημονικούς κλάδους. Οι δασολόγοι, οι γεωπόνοι και οι αγρονόμοι τοπογράφοι μηχανικοί, ήταν από τους πρώτους που χρησιμοποίησαν αεροφωτογραφίες. Το 1935 ιδρύεται η Αμερικανική Εταιρεία Φωτογραμμετρίας (American Society for Photogrammetry) γνωστή σήμερα ως Αμερικανική Εταιρεία Φωτογραμμετρίας και Τηλεπισκόπησης (American Society for Photogrammetry and Remote Sensing - ASPRS) Η δεύτερη μεγάλη ώθηση στην επιστήμη της φωτοερμηνείας δόθηκε κατά τη διάρκεια του Β! Παγκοσμίου Πολέμου (1941-1945), όπου και πάλι χρησιμοποιήθηκε για στρατιωτικούς σκοπούς. Όπως αναφέρει η Αμερικανική Εταιρεία Φωτογραμμετρίας (American Society of Photogrammetry, 1975) μετά το τέλος του πολέμου η φωτοερμηνεία άρχισε να χρησιμοποιείται από πολλούς επιστημονικούς κλάδους που έχουν σχέση με την έρευνα και διαχείριση των φυσικών πόρων. Μετά το 1950 άρχισε ουσιαστικά η χρησιμοποίηση και άλλων τύπων φιλμ, εκτός των ασπρόμαυρων πανχρωματικών, όπως των εγχρώμων, υπέρυθρων και θερμικών υπέρυθρων (Συλλαίος, 2007). Η εποχή της δορυφορικής τηλεπισκόπησης ξεκινά το 1957 με την εκτόξευση από τη Σοβιετική Ένωση του δορυφόρου Spoutnik-1. Το 1958 τίθεται σε τροχιά ο Explorer-1 ενώ το 1960 ο μετεωρολογικός δορυφόρος Tiros-1. Στα τέλη της δεκαετίας του 60 πραγματοποιείται λήψη εικόνων από τα επανδρωμένα διαστημικά προγράμματα Gemini και Apollo. Οι πρώτοι δορυφόροι παρατήρησης της γης τέθηκαν σε τροχιά από την NASA το 1972 και αρχικά ήταν γνωστοί με το όνομα ERTS (Earth Resources Technology Satellites) ενώ 14

Κων/νος Ντούρος Διδακτορική Διατριβή 2.Σύντομη Ιστορική Ανασκόπηση στη συνέχεια μετονομάστηκαν σε LANDSAT. Οι LANDSAT 2,3 τέθηκαν σε τροχιά τον Ιανουάριο 1975 και Μάρτιο 1978 αντίστοιχα. Είναι γνωστοί και ως δορυφόροι 1ης γενεάς. Η οπτική φωτοερμηνεία δορυφορικών εικόνων άρχισε βασικά το 1972, μετά την εκτόξευση του αμερικανικού δορυφόρου LANDSAT-1 και συνεχίστηκε μέχρι τις αρχές του 1980, οπότε και άρχισε η χρήση των υπολογιστών για την ανάλυση των ψηφιακών δορυφορικών εικόνων. Το επιτυχημένο πρόγραμμα LANDSAT συνεχίστηκε με την εκτόξευση των δορυφόρων LANDSAT 4,5 το 1982 και 1984 αντίστοιχα ενώ πέντε χρόνια αργότερα, το 1999 τέθηκε σε τροχιά ο LANDSAT 7. Τον Μάϊο του 2003 ο απεικονιστής ETM+ του LANDSAT-7 άρχισε να δυσλειτουργεί λόγω βλάβης του μηχανισμού διόρθωσης της γραμμής σάρωσης (SLC). Σήμερα μόνο ο LANDSAT 5 λειτουργεί επιχειρησιακά ενώ εικόνες αρχείου διατίθενται για τους υπόλοιπους. Δύο χρόνια πριν από την εκτόξευση του LANDSAT-1, το 1970, εκτοξεύτηκε ο μετεωρολογικός δορυφόρος ΝΟΑΑ. Ο «απεικονιστής» Ραδιόμετρο Πολύ Υψηλής Ανάλυσης - Advanced Very High Resolution Radiometer) (AVHRR), το οποίο καταγράφει την επιφάνεια της γης σε καθημερινή βάση με χωρική διακριτική ικανότητα 1,1 x 1,1 χλμ. φέρεται για πρώτη φορά στο δορυφόρο ΝΟΑΑ. Παρά το γεγονός της χαμηλής διακριτικής ικανότητας, ο δορυφόρος αυτός είναι χρήσιμος για τον υπολογισμό του δείκτη βλάστησης (VI), σε ημερήσια βάση, καθώς και διαφόρων άλλων κλιματικών δεδομένων. Το 1986 εκτοξεύεται ο Γαλλικός δορυφόρος SPOT -1 και ακολουθούν ο SPOT-2 τον Ιανουάριο του 1990, ο SPOT-3 το Σεπτέμβριο του 1993, ο SPOT-4 στις 20 Μαρτίου του 1998 και ο SPOT-5 το Μάιο του 2002. Όλοι οι δορυφόροι της σειράς 1,2,3, είναι εφοδιασμένοι, βασικά, με δυο συστήματα καταγραφής, (1) ένα πανχρωματικό απεικονιστή, ο οποίος καταγράφει την επιφάνεια της γης στο ορατό τμήμα του φάσματος (0,51-0,73 μm), με διακριτική ικανότητα 10 x 10μ. (HRV-P) και (2) ένα πολυφασματικό απεικονιστή (HRV- XS) ο οποίος καταγράφει την επιφάνεια της γης σε τρεις ζώνες του ηλεκτρομαγνητικού φάσματος (κανάλι 1=0,50-0,59μm κανάλι 2=0,61-0,68μm και κανάλι 3=0,79-0,89μm) και χωρική διακριτική ικανότητα 20 x 20μ. Ο SPOT-4 φέρει ένα επιπλέον κανάλι στο μέσο υπέρυθρο, ενώ ο SPOT-5 βελτίωσε τη διακριτική ικανότητα σε 10x10 μέτρα, στον πολυφασματικό και 5 x 5 μέτρα στον πανχρωματικό απεικονιστή (2,5 x 2,5 μέτρα με παρεμβολή). Τον Μάρτιο του 1988 πραγματοποιείται η εκτόξευση του Ινδικού δορυφόρου IRS ενώ τον Φεβρουάριο του 1992 τίθεται σε τροχιά ο ιαπωνικός Δορυφόρος JERS-1 (Japanese Earth Resources Satellite-1). Το 1999 με συνεργασία Καναδά, Ιαπωνίας και ΗΠΑ εκτοξεύθηκε ο δορυφόρος TERRA ο πρώτος της σειράς NASA s Earth Observing System (EOS). Ο δορυφόρος διαθέτει πέντε απεικονιστές, τους CERES, MISR, MODIS, ASTER, και MOPITT, οι οποίοι συλλέγουν ένα πλήθος δεδομένων επιφανείας και ατμόσφαιρας. Οι δύο πιο ενδιαφέροντες απεικονιστές είναι οι ASTER και MODIS. Επίσης τον Απρίλιο του 1999 εκτοξεύεται ο δορυφόρος πολύ υψηλής διακριτικής ικανότητας IKONOS με διακριτική ικανότητα 4μ στο πολυφασματικό (4 κανάλια) και 1μ στο πανχρωματικό ενώ το 2001 εκτοξεύεται ο δορυφόρος QuickBird με διακριτική ικανότητα 2.4μ στο πολυφασματικό (4 κανάλια) και 0.6μ στο πανχρωματικό. 15

Κων/νος Ντούρος Διδακτορική Διατριβή 2.Σύντομη Ιστορική Ανασκόπηση Το 2000 τίθεται σε τροχιά ο δορυφόρος της NASA EO-1 (Earth Observing 1) ο οποίος φέρει τον πρώτο υπερφασματικό απεικονιστή Hyperion με 242 κανάλια στο φασματικό εύρος 400 2500 nm και χωρική διακριτική ικανότητα 30 m καθώς και τον πολυφασματικό απεικονιστή ALI (Advanced Land Imagery). Το 2001 η Ευρωπαϊκή Επιτροπή Διαστήματος (ESA) εκτοξεύει το δορυφόρο PROBA 1 στον οποίο βρίσκεται ο υπερφασματικός απεικονιστής (CHRIS). Όσο αφορά του ενεργητικούς απεικονιστές RADAR το 1991 εκτοξεύεται ο δορυφόρος ERS 1 (European Radar System) και το 1995 ακολουθεί ο δορυφόρος ERS 2. Επίσης το 1995 εκτοξεύεται και ο Καναδικός δορυφόρος RADARSAT. Η εκτόξευση του δορυφόρου Envisat ο οποίος φέρει τον απεικονιστή ASAR τέθηκε σε τροχιά το 2002. Τέλος η εκτόξευση του δορυφόρου TerraSAR πραγματοποιήθηκε τον Ιούνιο του 2007. Όπως προαναφέρθηκε, η εποχή της δορυφορικής τηλεπισκόπησης ξεκινά με την εκτόξευση του δορυφόρου LANDSAT-1 το 1972 αλλά και η εμφάνιση των Γεωγραφικών Συστημάτων Πληροφοριών τοποθετείται περίπου την ίδια χρονική περίοδο. Το πρώτο ΓΣΠ αναπτύχθηκε στον Καναδά τη δεκαετία του 60. Ο Roger Tomlinson το 1963 δημιούργησε το πρώτο Γεωγραφικό Πληροφορικό Σύστημα το Canada Geographic Information System (CGIS), για τις ανάγκες χαρτογράφησης, καταγραφής και ανάλυσης των χρήσεων γης του Καναδά. Το βασικό χαρακτηριστικό του, που το διαφοροποιούσε από τα άλλα συστήματα, ήταν ότι σχεδιάστηκε για να ικανοποιήσει περισσότερες από μία εφαρμογές. Το 1971 το σύστημα (CGIS) γίνεται πλήρως επιχειρησιακό και περιλαμβάνει χαρτογραφικά και ποιοτικά στοιχεία για όλο τον Καναδά. (Συλλαίος 1999) Το 1964 η δασική υπηρεσία του Berkeley των Η.Π.Α ανέπτυξε ένα πιο προωθημένο σύστημα, το MIADS. Εκτός των λειτουργιών αποθήκευσης και ανάκτησης δεδομένων σε μορφή ψηφίδων (Grid) παρείχε την δυνατότητα δημιουργίας σύνθετων απεικονίσεων (overlay), την εκτέλεση μαθηματικών υπολογισμών και μοντέλων προσομοίωσης χρόνου (Μανιάτης 1996). Το 1966 ο Howard Fisher, ιδρυτής του εργαστηρίου Ανάλυσης χώρου και Γραφικών των υπολογιστών του πανεπιστήμιου του Harvard, ανέπτυξε το SYMAP (Synagraphic Mapping System) ένα πρωτοποριακό σύστημα αυτοματοποιημένης χαρτογραφίας. Το 1968 ιδρύονται οι εταιρείες ESRI (Environmental Systems Research Institute) από τους Jack και Laura Dangermond και Intergraph από τον Jim Meadlock, που μέχρι σήμερα πρωταγωνιστούν στο χώρο. Επίσης το 1968, η Διεθνής Ένωση Γεωγράφων (IGU), δημιουργεί την επιτροπή ανίχνευσης και επεξεργασίας γεωγραφικών δεδομένων, με σκοπό τη εξάπλωση της γνώσης στο αντικείμενο αυτό, επιτροπή που διαδραμάτισε σημαντικό ρόλο στη δεκαετία του 70. Το 1979 αναπτύχθηκε το πρώτο σύγχρονο ΓΣΠ, διανυσματικής (vector) δομής, το ODYSSEY GIS του πανεπιστημίου του Harvard, ενώ το 1981 η εταιρία ESRI τοποθετεί στην αγορά το λογισμικό ArcInfo. 16

Κων/νος Ντούρος Διδακτορική Διατριβή 2.Σύντομη Ιστορική Ανασκόπηση Στην Ευρώπη ένα από τα πιο ενδιαφέροντα συστήματα δημιουργήθηκε στη Σουηδία στις αρχές της δεκαετίας του 80 στα πλαίσια της αυτοματοποίησης των καταγραφών του παραδοσιακού Κτηματολογίου, αλλά και άλλων διοικητικών καταγραφών όπως των οικοδομικών αδειών (Μανιάτης 1993). Το 1985 άρχισε η ανάπτυξη του συστήματος GRASS (Geographic Resources Analysis Support Systems), ένα λογισμικό βασισμένο στη ψηφιδωτή μορφή δεδομένων (Raster), από τα ερευνητικά εργαστήρια του Αμερικανικού Στρατού (US Army Construction Engineering Research Laboratories). Η συνεχής ανάπτυξη των υπολογιστών αλλά και η εξάπλωση της πληροφορικής, την δεκαετία του 90, είχε ως αποτέλεσμα τα Γεωγραφικά Συστήματα Πληροφοριών να γίνονται συνεχώς πιο δημοφιλή. Στις μέρες μας τα ΓΠΣ γνωρίζουν τη μεγαλύτερη ανάπτυξη και έχουν γίνει απαραίτητο εργαλείο για την λήψη αποφάσεων τόσο σε εθνικό όσο και σε περιφερειακό επίπεδο. Σήμερα σχεδόν κανένα μεγάλο έργο που έχει σχέση με το περιβάλλον δεν υπάρχει που να μην συμπεριλαμβάνει διαδικασίες ΓΣΠ. 17

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση 3. ΒΙΒΛΙΟΓΡΑΦΙΚΗ ΑΝΑΣΚΟΠΗΣΗ Όπως έχει ήδη αναφερθεί, τις τελευταίες τρεις δεκαετίες πολλές επιστημονικές μελέτες έχουν διεξαχθεί σε διάφορα επιστημονικά πεδία με τη χρησιμοποίηση πολυφασματικών δορυφορικών δεδομένων. Ιδιαίτερα μεγάλος όγκος εργασιών μπορεί να βρεθεί στη διεθνή βιβλιογραφία που αφορά την χαρτογράφηση και την ταξινόμηση γενικότερα της βλάστησης. Στην παρούσα διατριβή, η βιβλιογραφική ανασκόπηση επικεντρώνεται στην παρουσίαση των επιστημονικών προσπαθειών που έχουν γίνει μέχρι σήμερα για την χαρτογράφηση της βλάστησης και της ταξινόμησης των αγροτικών καλλιεργειών με την χρήση υπερφασματικών δεδομένων. Ο Goel et.al (2003), χρησιμοποίησαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή CASI ο οποίος έχει 72 διαύλους στο τμήμα του φάσματος 408 947 nm και με φασματικό εύρος (bandwidth) 7.5 nm για την ταξινόμηση της καλλιέργειας του καλαμποκιού κάτω από διαφορετικές διαχειριστικές πρακτικές ζιζανίων και αζώτου. Στη μελέτη τους αυτή χρησιμοποίησαν μεθόδους ταξινόμησης βασιζόμενες σε κανόνες (decision tree classifiers) και νευρωνικά δίκτυα (Artificial neural networks). Από την έρευνα αυτή βρέθηκε ότι τα ποσοστά της λανθασμένης ταξινόμησης (misclassification) στα διάφορα φαινολογικά στάδια της καλλιέργειας από τα αρχικά στάδια μέχρι την πλήρη ωρίμανση να είναι 43%, 32% (θυσανόδης κατάσταση) και 40% αντίστοιχα. Η ταξινόμηση των εικόνων βελτιώθηκε όταν μόνο ένας παράγοντας κάθε φορά (ζιζάνια ή λίπανση με άζωτο) λήφθηκε υπόψη. Σε αυτήν την περίπτωση τα ποσοστά της λανθασμένης ταξινόμησης ήταν 22% και 18% για τις διαχειριστικές πρακτικές του αζώτου και των ζιζανίων αντίστοιχα. Τέλος με την χρήση των νευρωνικών δικτύων επιτεύχθηκαν ελαφρώς καλύτερες ταξινομήσεις. Οι Williams και Hunt (2002) με τη χρήση υπερφασματικών δεδομένων του αερομεταφερόμενου απεικονιστή AVIRIS προσπάθησαν να συσχετίσουν την κάλυψη του πολυετούς ζιζάνιου Euphorbia esula L. (Leafy spurge) το οποίο κατακλύζει 1.2 εκατομμύρια εκτάρια στη Β. Αμερική. Η έρευνα διεξήχθη στην Ν. Ντακότα των Η.Π.Α χρησιμοποιώντας μετρήσεις πεδίου και τηλεπισκοπικές τεχνικές υπο- εικονοστοιχείου (subpixel) όπως η Mixture tuned matched filtering (MTMF) η οποία ανήκει στις τεχνικές της γραμμικής φασματικής μείξης (spectral mixture analysis). Η ολική επίδοση της μεθόδου για την εκτίμηση της επί της εκατό κάλυψης του ζιζανίου χαρακτηρίστηκε καλή (r 2 = 0.69) με καλύτερη επίδοση της σε λειμώνες (r 2 = 0.79) και την χειρότερη σε δασώδεις περιοχές (r 2 = 0.57) Ο Held et.al (2003) συνδύασαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή CASI και δεδομένα ραντάρ AIRSAR για την χαρτογράφηση και την παρακολούθηση της παρόχθιας τροπικής βλάστησης Mangrove στο Βόρειο Queensland της Αυστραλίας. Στη μελέτη αυτή η μέθοδος ταξινόμησης της Μέγιστης Πιθανοφάνειας (Maximum likelihood) εφαρμόστηκε ξεχωριστά τόσο στις υπερφασματικές εικόνες όσο 18

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση και στις εικόνες ραντάρ αλλά και στον συνδυασμό (fusion) αυτών που παρείχαν και τη μεγαλύτερη ακρίβεια ταξινόμησης. Επίσης εξετάστηκε και η χρήση των Ιεραρχικών νευρωνικών Δικτύων (Hierarchical Neural Networks). Οι ακρίβειες ταξινόμησης που επιτεύχθηκαν κυμαίνονταν μεταξύ 60-71 % ανάλογα με την μέθοδο ταξινόμησης που ακολουθήθηκε. Στα συνδυασμένα δεδομένα η ακρίβεια της ταξινόμησης ήταν 79.8% για την μέθοδο των νευρωνικών δικτύων και 76.5% για τη μέθοδο της Μέγιστης Πιθανοφάνειας. Ο Coops et.al (2003) στην μελέτη του στο Tumbarumba της Αυστραλίας προσπάθησαν να συσχετίσουν την περιεκτικότητα σε άζωτο του φυλλώματος του ευκαλύπτου με την χρήση υπερφασματικών δεδομένων του απεικονιστή Hyperion, με μετρήσεις πεδίου και εργαστηριακές αναλύσεις. Από τα πειραματικά τεμάχια λήφθηκαν δείγματα φύλλων στα οποία μετρήθηκε το περιεχόμενο Ν χρησιμοποιώντας υγρές χημικές μέθοδοι καθώς και εκτιμήθηκαν συγκεντρώσεις του Ν της κομοστέγης (canopy) χρησιμοποιώντας δεδομένα της μάζας των φύλλων και του δείκτη φυλλικής επιφάνειας (Leaf Area Index LAI). Διάφορα μοντέλα αναπτύχθηκαν από τα δορυφορικά υπερφασματικά δεδομένα (τιμές ανάκλασης) και τον παράγωγο μετασχηματισμό τους με την χρήση γραμμικών και ελαχίστων τετραγώνων μοντέλων παλινδρόμησης. Το καλύτερο μοντέλο πρόβλεψης του Ν που αναπτύχθηκε είχε συντελεστή συσχέτισης (r=0.9) εξηγώντας το 82% της παραλλακτικότητας. Η Lelong et.al (1998) στη μελέτη τους στο Beauce της Γαλλίας προσπάθησαν να ανιχνεύσουν και να χαρτογραφήσουν την πίεση (stress) της καλλιέργειας του σιταριού χρησιμοποιώντας υπερφασματικά δεδομένα MIVIS. Μέσω της Ανάλυσης Κυριών Συνιστωσών, ανεπάρκεια νερού ανιχνεύθηκε μεταξύ του πληθυσμού της καλλιέργειας. Έτσι το δείγμα κατηγοριοποιήθηκε σε δύο «κλάσεις» (endmenbers) καλά αναπτυσσόμενο σιτάρι και σιτάρι υπό πίεση. Στη συνέχεια χρησιμοποιήθηκε η τεχνική της γραμμικής φασματικής μείξης (spectral mixture analysis) χρησιμοποιώντας τις δυο κλάσεις σιταριού, εδάφους και της σκίασης. Οι κλασματοποιημένες εικόνες που παρήχθησαν ερμηνεύτηκαν σε σχέση με τη ζωτικότητα της καλλιέργειας (επίπεδο της πράσινης βιομάζας) και συγκρίθηκαν με μετρήσεις πεδίου. Η ανάλυση έδειξε καλύτερη ακρίβεια χαρτογράφησης συγκρινόμενη με τις μεθόδους φασματικού λόγου. Οι Broge και Leblanc (2000) χρησιμοποίησαν προσομοιωμένα υπερφασματικά δεδομένα ανάκλασης της φυτοκόμης για την εκτίμηση της σταθερότητας των πολυφασματικών και υπερφασματικών δεικτών βλάστησης σε σχέση με τον υπολογισμό του δείκτη φυλλικής επιφάνειας (Leaf area Index - LAI) και της πυκνότητας της χλωροφύλλης της φυτοκόμης (Canopy Chlorophyll Density CCD). Η έρευνα έδειξε ότι οι κλασσικοί δείκτες βλάστησης με τη χρήση ευρέως φάσματος δεδομένα (broadband) επηρεάζονται λιγότερο από εξωγενείς παράγοντες όταν χρησιμοποιούνται για την εκτίμηση LAI και CCD και έχουν καλύτερες επιδόσεις σε σχέση με τους υπερφασματικούς δείκτες βλάστησης. Γενικότερα o δείκτής Soil Adjusted Vegetation Index (SAVI2) αποδείχθηκε ότι επηρεάζεται λιγότερο από την επίδραση του υποβάθρου (background reflectance) για την εκτίμηση του LAI και CCD και ότι είναι ο καλύτερος δείκτης για την εκτίμηση του LAI. Ο δείκτης RVI αποδείχθηκε οριακά καλύτερος στην εκτίμηση της CCD αλλά είναι 19

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση ευαίσθητος στις ατμοσφαιρικές επιδράσεις και την γωνία του ήλιου (solar zenith angle) με την αύξηση της πυκνότητας της βλάστησης. Ο Apan et.al (2003) στην μελέτη τους στο Queensland της Αυστραλίας προσπάθησαν να δημιουργήσουν δείκτες βλάστησης με τη χρησιμοποίηση υπερφασματικών δεδομένων του απεικονιστή Hyperion για την ανίχνευση και διάκριση της ασθένειας orange rust (Puccinia kuehnii) στην καλλιέργεια του ζαχαρότευτλου. Η εργασία τους περιελάμβανε α) την δειγματοληψία εικονοστοιχείων που αντιστοιχούσαν σε περιοχές υγιή και μη υγιή φυτά, β) οπτική εκτίμηση των φασματικών διαγραμμάτων για την εύρεση φασματικών διαύλων με τη μέγιστη διαχωριστική ικανότητα, γ) δημιουργία των δεικτών βλάστησης, δ) την πολύ-μεταβλητή διαχωριστική ανάλυση (multiple discriminant function analysis). Από τους ήδη σαράντα δείκτες βλάστησης και τους νέους υπερφασματικούς δείκτες, ο γραμμικός συνδυασμός τριών δεικτών βλάστησης έδωσε ακρίβεια ταξινόμησης 96.9%. Τέλος ο νεοδημιουργηθείς δείκτης βλάστησης Disease-Water Stress Indices (DSWI) είχε την υψηλότερη συσχέτιση. Η McMorrow et.al (2004) χρησιμοποίησαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή HyMap και εργαστηριακές μετρήσεις για τον προσδιορισμό της σύνθεσης της τύρφής στην Αγγλία. Οι φυσικές ιδιότητες της τύρφής που μετρήθηκαν εργαστηριακά όπως είναι η περιεχόμενη υγρασία και ο βαθμός της χουμοποίησης συσχετίστηκαν τα υπερφασματικά δεδομένα. Ισχυρή συσχέτιση βρέθηκε μεταξύ της χουμοποίησης και της ανάκλασης του μέσου υπέρυθρου(swir). Επίσης στην έρευνά τους ανέπτυξαν φασματικούς δείκτες για την εκτίμηση του βάθους (depth) της κελουλόζης και της λιγνίνης. Τα αποτελέσματα έδειξαν ισχυρή θετική συσχέτιση μεταξύ της χουμοποίησης και του δείκτη adjusted cellulose absorption index (CAI), με συντελεστή συσχέτισης (r = 0.71) Ο McGuire et.al (2000) σύγκριναν τα ατμοσφαιρικά διορθωμένα υπερφασματικά δεδομένα του απεικονιστή Probe- 1 χρησιμοποιώντας τεχνικές γραμμική φασματικής μείξης (linear mixture models) με τρεις δείκτες βλάστησης για να ελέγξουν την σχετική τους ικανότητα στην μέτρηση μικρών διαφορών της επί της εκατό κάλυψης της βλάστησης σε περιοχές αραιής βλάστησης και σε ξηρικά περιβάλλοντα. Ο δείκτης βλάστησης κανονικοποιημένων διαφορών (Normalized Difference Vegetation Index- NDVI) αξιολογήθηκε τόσο με τη χρήση υπερφασματικών δεδομένων (narrowbans) όσο και με την χρήση πολυφασματικών δεδομένων (broadbands). Ο δείκτης βλάστησης που προήλθε από τα πολυφασματικά δεδομένα έδωσε ίδια αποτελέσματα (r 2 = 0.63) σε σχέση με το δείκτη που προήλθε από υπερφασματικά δεδομένα (r 2 = 0.60). Ο δείκτης βλάστησης SAVI (Soil- Adjusted Vegetation Index) παρείχε χειρότερα αποτελέσματα συγκρινόμενος με τον NDVI (r 2 = 0.51) ενώ ο δείκτης βλάστησης MSAVI (Modified Soil- Adjusted Vegetation Index) έδωσε μη σημαντικά καλύτερα αποτελέσματα σε σχέση με τον NDVI (r 2 = 0.64). Η τεχνική της γραμμικής φασματικής μείξης (linear mixture models) παρείχε σημαντικά καλύτερα αποτελέσματα (r 2 = 0.74). Η χρήση των τεχνικών της γραμμικής φασματικής μείξης (linear mixture models) μαζί με πολλαπλά «καθαρά» φασματικά εδαφικά στοιχεία (endmembers) δείχνει να είναι η καλύτερη μέθοδος για την ποσοτικοποίηση της κάλυψης της βλάστησης. 20

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση Οι Opplet και Mauser (2004) χρησιμοποίησαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή AVIS, μετρήσεις πεδίου και εργαστηριακές μετρήσεις με σκοπό να συσχετίσουν τη χλωροφύλλη με το περιεχόμενο Άζωτο στην καλλιέργεια σίτου και να διερευνήσουν την εξαγωγή των παραμέτρων αυτών με τη χρησιμοποίηση φασματικών δεικτών σε επίπεδο αγροτεμαχίου. Η έρευνα πραγματοποιήθηκε στους πρόποδες των Βαυαρικών Άλπεων στην Γερμανία. Τα αποτελέσματα της έρευνας έδειξαν ότι υπάρχει υψηλή συσχέτιση μεταξύ αζώτου και χλωροφύλλης ανά μονάδα επιφάνειας ενώ αντίθετα χαμηλή συσχέτιση μεταξύ αζώτου και χλωροφύλλης ανα μονάδα φυτικής μάζας. Επίσης οι ίδιοι ερευνητές ανέπτυξαν τον δείκτη Chlorophyll Absorption Index (CAI) και τον οποίο σύγκριναν με τους δείκτες βλάστησης Normalized Difference Vegetation Index (NDVI) και Optimised Soil-Adjusted Vegetation Index (OSAVI). Τα αποτελέσματα της σύγκρισης έδειξαν ότι ο δείκτης CAI εκτιμά καλύτερα την χλωροφύλλη των σιτηρών και το απέδωσαν στο ότι επηρεάζεται λιγότερο από την επίδραση κορεσμού στις υψηλές και χαμηλές τιμές της περιεχόμενης χλωροφύλλης. Ο Thenkabail et.al (2000) χρησιμοποίησαν υπερφασματικά δεδομένα πεδίου με σκοπό τον καθορισμό των καλύτερων φασματικών καναλιών για τον χαρακτηρισμό βιοφυσικών χαρακτηριστικών των αγροτικών καλλιεργειών. Στη μελέτη αυτή τα δεδομένα συλλέχθηκαν με φασματοσκόπιο χειρός στο φασματικό εύρος 350 nm 1050 nm (490 διακριτά φασματικά κανάλια στενού εύρους) για την καλλιέργεια του βαμβακιού, της πατάτας, της σόγιας, του καλαμποκιού και του ηλίανθου. Τα βιοφυσικά χαρακτηριστικά που παρατηρήθηκαν ήταν η βιομάζα, ο δείκτης φυλλικής επιφάνειας (Leaf Area Index LAI), το ύψος των φυτών και για το βαμβάκι μόνο, η παραγωγή. Για τον σκοπό αυτό χρησιμοποιήθηκαν ο δείκτης βλάστησης κανονικοποιημένων διαφορών (Normalized Difference Vegetation Index- NDVI), Soil Adjusted Vegetation Index (SAVI) και ο δείκτης Optimum Multiple Narrow Band Reflectance ο οποίος προήλθε από γραμμικές εξισώσεις παλινδρόμησης μεταξύ των φυτικών χαρακτηριστικών και των φασματικών καναλιών. Τα αποτελέσματα της μελέτης έδειξαν ότι οι καλύτεροι στενού εύρους δείκτες NDVI που αναπτύχθηκαν εξηγούν το 64% με 88% της παραλλακτικότητας στα διάφορα βιοφυσικά χαρακτηριστικά. Ισχυρή σχέση των φυτικών χαρακτηριστικών βρέθηκε σε συγκεκριμένα στενού εύρους φασματικά κανάλια στις φασματικές περιοχές του κόκκινου τμήματος (650 nm - 700 nm), δευτερευόντως στο πράσινο τμήμα του φάσματος (500 nm - 550 nm), σε ένα συγκεκριμένο τμήμα του εγγύς υπερύθρου ( 900 nm - 940 nm) και στο τμήμα του εγγύς υπερύθρου που επηρεάζεται από την υγρασία (982 nm). Τέλος προτείνονται 12 φασματικά κανάλια στενού εύρους στο φασματικό εύρος 350 nm 1050 nm για τον καλύτερή εκτίμηση των βιοφυσικών χαρακτηριστικών των αγροτικών καλλιεργειών. Οι Bing Xu και Peng Gong (2003) σύγκριναν τη δυνατότητα των υπερφασματικών δεδομένων του απεικονιστή Hyperion με τον υπερφασματικό απεικονιστή ALI του δορυφόρου ΕΟ-1 για τον διαχωρισμό των κλάσεων καλύψεων γης στην περιοχή Fremont της Καλιφόρνιας των Η.Π.Α. Στη μελέτη τους αυτή χρησιμοποίησαν δύο επίπεδα ταξινόμησης που το ένα περιελάμβανε δέκα κλάσεις καλύψεων γης ενώ το δεύτερο δεκαοχτώ κλάσεις. Τα αποτελέσματα της ταξινόμησης έδειξαν ότι ο συντελεστής Κ της 21

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση ταξινόμησης της υπερφασματικής εικόνας (161 φασματικά κανάλια) είναι μεγαλύτερος κατά 1% σε σχέση με αυτόν της ταξινόμησης της πολυφασματικής εικόνας (9 φασματικά κανάλια) όταν εφαρμόστηκε ο ταξινομητής Mahalanobis Distance (MD) στο δεύτερο σχέδιο ταξινόμησης. Στο πρώτο επίπεδο ταξινόμησης τα αποτελέσματα ήταν παρόμοια. Επίσης συγκρίθηκε ένα αριθμός αλγορίθμων μείωσης των φασματικών καναλιών της υπερφασματικής εικόνας όπως είναι η μέθοδος των κυρίων συνιστωσών (Principal Component Analysis - PCA), segmented PCA, η γραμμική διακριτική ανάλυση (Linear Discrininant Analysis- LDA), segmented LDA, penalized discriminant analysis (PDA) και η segmented PDA. Η ταξινόμηση των μετασχηματισμένων υπερφασματικών εικόνων με τη χρήση του ταξινομητή Mahalanobis Distance (MD) παρείχε παρόμοιες ακρίβειες (SegPDA, seglda, PDA and LDA) ενώ παρείχαν μεγαλύτερη ακρίβεια ταξινόμησης (5%) στο δεύτερο επίπεδο ταξινόμησης και (1-3 %) στο πρώτο επίπεδο σε σχέση με τις μετασχηματισμένες εικόνες των μεθόδων PCA και segmented PCA. Ο Thenkabail et.al (2004) σύγκριναν υπερφασματικά δεδομένα του απεικονιστή Hyperion με τα πολυφασματικά δεδομένα των απεικονιστών IKONOS, Advanced Land Imager (ALI) και Landsat-7 Enhanced Thematic Mapper Plus (ETM+) για τη μοντελοποίηση και την ταξινόμηση σύνθετων τροπικών δασικών ειδών βλάστησης. Για το σκοπό αυτό δορυφορικές εικόνες των παραπάνω απεικονιστών συλλέχθηκαν για μία περιοχή του Νότιου Καμερούν η οποία θεωρείται αντιπροσωπευτικό δείγμα τροπικής δασικής βλάστησης με αειθαλή και φυλλοβόλα δασικά είδη. Επίσης δεδομένα πεδίου συλλέχθηκαν σχεδόν την ίδια χρονική στιγμή με την λήψη των εικόνων με σκοπό την ποσοτικοποίηση και τη μοντελοποίηση της βιομάζας δέντρων, θάμνων και ζιζανίων καθώς και για το χαρακτηρισμό των καλύψεων / χρήσεων γης της περιοχής μελέτης. Η έρευνα έδειξε ότι οι πολυφασματικοί απεικονιστές έχουν σοβαρούς περιορισμούς στην μοντελοποίηση της βιομάζας και στην ταξινόμηση των δασικών καλύψεων γης. Η ολική ακρίβεια για την ταξινόμηση εννέα κλάσεων δασικής κάλυψης κυμάνθηκε μεταξύ 42% και 51% για τα πολυφασματικά δεδομένα και συγκριτικά μεταξύ των πολυφασματικών δεδομένών, τα δεδομένα του απεικονιστή ALI υπερτερούν. Η σύγκριση μεταξύ των υπερφασματικών και των πολυφασματικών δεδομένων έδειξε ότι με τα υπερφασματικά δεδομένα επιτεύχθηκε υψηλότερη ακρίβεια ταξινόμηση κατά 45 52%. Τέλος από την έρευνα βρέθηκε ότι 23 φασματικά κανάλια του απεικονιστή Hyperion είναι πιο κατάλληλα για την μοντελοποίηση της βιομάζας και την ταξινόμηση των καλύψεων γης. Ο Pu et.al (2003) προσπάθησαν να συσχετίσουν οπτικές παραμέτρους του τμήματος του φάσματος άκρη του κόκκινου (red edge) και του δείκτη φυλλικής επιφάνειας (LAI) της δασικής βλάστησης με τη χρησιμοποίηση υπερφασματικών δεδομένων του απεικονιστή Hyperion. Επίσης φασματικά δεδομένα πεδίου και μετρήσεις του δείκτη LAI πραγματοποιήθηκαν δύο μέρες μετά από τη λήψη των δορυφορικών δεδομένων. Οι οπτικές παράμετροι που εξετάστηκαν ήταν οι Red Edge Position REP και Red Well Position RWP. Η παράμετρος REP βρίσκεται μεταξύ του φασματικού εύρους 680 750 nm και ορίζεται ως το μήκος κύματος του σημείου κάμψης της φασματικής κλίσης στο τμήμα του φάσματος άκρη του κόκκινου (red edge) και έχει βρεθεί ότι 22

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση μεταβάλλεται σε σχέση με την περιεχόμενη χλωροφύλλη, τη βιομάζα, την υδατική κατάσταση, την ηλικία και το επίπεδο υγείας της βλάστησης. Η παράμετρος RWP βρίσκεται στο μήκος κύματος όπου έχουμε την ελάχιστη ανάκλαση (μέγιστη απορρόφηση της χλωροφύλλής) στο κόκκινο τμήμα του φάσματος. Οι παράμετροι αυτές εξήχθησαν με την χρησιμοποίηση τεσσάρων μεθόδων, με τη μέθοδο παρεμβολής τεσσάρων σημείων four point interpolation, την πολυωνυμική προσαρμογή polynomial fitting, Lagrangian technique και inverted-gaussian (IG). Τα αποτελέσματα της έρευνας έδειξαν ότι μέθοδος παρεμβολής των τεσσάρων σημείων είναι πιο πρακτική και κατάλληλη για την εξαγωγή των οπτικών αυτών παραμέτρων - υψηλότερη συσχέτισης μεταξύ παραμέτρών και του δείκτη LAI. Ο Blackburn (1998) χρησιμοποίησε εργαστηριακά υπερφασματικά δεδομένα για την ποσοτικοποίηση των φωτοσυνθετικών χρωστικών που περιέχονται στα φύλλα των φυλλοβόλων δέντρων. Τα φασματικά δεδομένα συλλέχθηκαν στο φασματικό εύρος 350 1000 nm με φασματική διακριτική ικανότητα 4 nm. Στη μελέτη αυτή εξετάστηκε ένα αριθμός φασματικών δεικτών για την αξιολόγηση της αποτελεσματικότητας τους στην εκτίμηση των φωτοσυνθετικών χρωστικών. Δύο νέοι δείκτες αναπτύχθηκαν απλός λόγος συγκεκριμένων χρωστικών pigment specific simple ratio (PSSP) και λογος κανονικοποιημενών διαφορών - pigment specific normalized difference (PSND) οι οποίοι έδειξαν πλεονεκτήματα έναντι των προηγούμενων τεχνικών. Τέλος τα καλύτερα μήκη κύματος αναγνωρίστηκαν εμπειρικά για την εκτίμηση των χρωστικών και τα οποία είναι 680 nm για την χλωροφύλλη α, 635 nm για την χλωροφύλλη β και 435 nm για τα καροτενοειδή. Η Underwood et.al (2003) στη μελέτη τους για την χαρτογράφηση των μη γηγενών φυτικών ειδών στην Καλιφόρνια των Η.Π.Α χρησιμοποίησαν υπερφασματικά δεδομένα του υπερφασματικού αερομεταφερόμενου απεικονιστή AVIRIS. Επίσης ιδιαίτερος σκοπός της εργασία τους ήταν και η σύγκριση τριών μεθόδων ανάλυσης των δεδομένων και συγκεκριμένα της μεθόδου Minimum Noise Fraction (MNF), Continuum Removal, και των δεικτών βλάστησης. Για την ταξινόμηση των εικόνων χρησιμοποιήθηκε ο ταξινομητής της Μέγιστης Πιθανοφάνειας- Maximum Likelihood. Τα αποτελέσματα της ολικής ακρίβειας της ταξινόμησης των μετασχηματισμένων εικόνων έδειξε ότι η ταξινόμηση της εικόνας που προήλθε από την τεχνική Minimum Noise Fraction (MNF) υπερτερεί σε σχέση με τις υπόλοιπες (76.2%) Ο Rahman et.al (2003), χρησιμοποίησαν υπερφασματικά δεδομένα πεδίου και δεδομένα του υπερφασματικού αερομεταφερόμενου απεικονιστή AVIRIS με σκοπό να καθορίσουν το βέλτιστο μέγεθος του εικονοστοιχείου (pixel) για μελέτες των διεργασιών και της χωρο-διάταξης (patterns) των οικοσυστημάτων. Η έρευνα διεξήχθη στην Νότια Καλιφόρνια των Η.Π.Α σε περιοχές με θαμνώδη βλάστηση και λιβάδια. Τρεις φασματικοί δείκτες χρησιμοποιήθηκαν, ο δείκτης βλάστησης κανονικοποιημένων διαφορών (NDVI), ο δείκτης νερού (Water Band Index- WBI) και ο δείκτης φωτοχημικής ανάκλασης (Photochemical Reflectance Index - PRI) ως δείκτες βιομάζας, περιεχόμενης υγρασίας και φωτοσυνθετικής δραστηριότητας των φυτών αντίστοιχα. Για την επίτευξη του στόχου εφαρμόστηκαν γεωστατιστικές μέθοδοι όπως του 23

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση ημιβαριογράμματος (semivariogram) και της τοπικής διακύμανσης (local variance). Τα αποτελέσματα έδειξαν ότι το μέγεθος εικονοστοιχείου (pixel size) 6 μέτρων ότι είναι το βέλτιστο για την μελέτη των λειτουργικών ιδιοτήτων των εν λόγω οικοσυστημάτων με την χρήση υπερφασματικών δεδομένων. Ο Schimd et.al (2004) χρησιμοποίησαν υπερφασματικά και πολυφασματικά δεδομένα καθώς και φασματικά δεδομένα πεδίου για την παρακολούθηση της κατάστασης των υγροτόπων στις ημι- ξερικές περιοχές της κεντρικής Ισπανίας. Στη μελέτη τους αυτή, δημιούργησαν φασματικές βιβλιοθήκες που αφορούσαν τόσο την βλάστηση όσο και τα εδάφη της περιοχής μελέτης καθώς επίσης και αναλυτικές πληροφορίες για τις χρήσεις γης. Η πληροφορία αυτή αποτέλεσε τη βάση για τον καθορισμό και την επιλογή των end members από τα υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή DAIS και τα οποία χρησιμοποιήθηκαν στη συνέχεια σε μικρότερης φασματικής και χωρικής διακριτικής ικανότητας δεδομένων LANDSAT TM και LANDSAT ETM+. Για τη διαχρονική εκτίμηση της υποβάθμισης του υγροτόπου χρησιμοποιήθηκε η μέθοδος της φασματικής διάκρισης spectral unmixing. Τα αποτελέσματα έδειξαν ότι η προσέγγιση αυτή επιτυγχάνει τον καθορισμό των γρήγορων αλλαγών που οφείλονται σε ανθρωπογενείς επιδράσεις. Ο Zhang et.al (2003) χρησιμοποίησαν υπερφασματικά δεδομένα για τη διερεύνηση της ικανότητας τους στην παρακολούθηση των ασθενειών των καλλιεργειών στην κλίμακα του αγροτεμαχίου και την ανάπτυξη μεθοδολογιών για αυτόν το σκοπό. Στην έρευνά τους αυτή που πραγματοποιήθηκε στην Καλιφόρνια των Η.Π.Α προσπάθησαν να ανιχνεύσουν την ασθένεια late blight της καλλιέργειας της τομάτας. Για το σκοπό της μελέτης τους πραγματοποιήθηκε εργασία πεδίου για την συλλογή φασματικών υπογραφών καθώς επίσης και υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή AVIRIS ο οποίος περιέχει 224 φασματικούς διαύλους στο φασματικό εύρος 400-250 nm της ίδιας χρονικής περιόδου. Η ανάλυση των φασματικών δεδομένων πεδίου έδειξαν ότι το τμήμα του φάσματος του εγγύς υπερύθρου και ιδιαίτερα το φασματικό εύρος 700-1300 nm υπερτερεί έναντι του ορατού τμήματος για την αναγνώριση της ασθένειας. Η διαφορά της ανάκλασης μεταξύ υγιών και μη φυτών στο ορατό τμήμα ήταν μόνο 1.19 % ενώ αντίθετα στο εγγύς υπέρυθρο ήταν υψηλή, 10%. Για την ανάλυση των υπερφασματικών εικόνων χρησιμοποιήθηκε η μέθοδος Minimum Noise Fraction (MNF) για τη μείωση της διάστασης των δεδομένων και την απομάκρυνση του θορύβου. Τα αποτελέσματα του μετασχηματισμού MNF έδειξαν ότι μόνο οι 28 πρώτες εικόνες (eigenimages) περιέχουν χρήσιμη πληροφορία και οι οποίες χρησιμοποιήθηκαν για τη συλλογή των endmember. Για την ταξινόμηση των υπερφασματικών δεδομένων χρησιμοποιήθηκε η μέθοδος Spectral Angle Mapper SAM. Τα αποτελέσματα της ταξινόμησης έδειξαν ότι η μέθοδος μπορεί να διαχωρίσει τα υγιή φυτά από τα προσβεβλημένα με επιτυχία όταν η προσβολή της ασθένειας είναι σε υψηλά επίπεδα. Επίσης τα αποτελέσματα της ανάλυσης της εικόνας ήταν σε συμφωνία με τα δεδομένα πεδίου. Ο Thenkabail et.al (2004) στη μελέτη τους για την εκτίμηση της αποτελεσματικότητας των υπερφασματικών δεδομένων στην ταξινόμηση της βλάστησης και των αγροτικών 24

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση καλλιεργειών χρησιμοποίησαν υπερφασματικά δεδομένα πεδίου στο φασματικό εύρος 400 2500 nm. Σκοπός της εργασίας τους ήταν η εύρεση των καλύτερων φασματικών διαύλων και η εκτίμηση της ακρίβειας της ταξινόμησης της βλάστησης και των γεωργικών καλλιεργειών από τον συνδυασμό των καλύτερων αυτών φασματικών καναλιών. Τα δεδομένα συλλέχθηκαν στην Αφρικανική σαβάνα και αφορούσαν θαμνώδης βλάστηση, λιβάδια, ζιζάνια και αγροτικές καλλιέργειες. Η φασματική διακριτική ικανότητα των δεδομένων του πεδίου ήταν 1 nm, η οποία στη συνέχεια μειώθηκε σε 10 nm για τη σύμπτωση των δεδομένων με τα φασματικά κανάλια του δορυφορικού υπερφασματικού απεικονιστή Hyperion. Για την ανάλυση των δεδομένων χρησιμοποιήθηκαν τεχνικές όπως η Ανάλυση Κυρίων Συνιστωσών (Principal Component Analysis-PCA), η διαχωριστική ανάλυση (Stepwise Discriminant Analysis), η παράγωγη ανάλυση δεικτών βλάστησης (Derivative Greenness Vegetation Index DGVI) και η λάμδα- λάμδα R 2 (LL R 2 ). Τα αποτελέσματα της ανάλυσης έδειξαν ότι 13-22 φασματικά κανάλια ως τα καλύτερα για τη διάκριση και την ταξινόμηση της βλάστησης και των γεωργικών καλλιεργειών με ακρίβεια ταξινόμησης 90%. Με την χρησιμοποίηση περισσότερων, πέρα των 22 μέχρι και 30 κανάλια, η ακρίβεια της ταξινόμηση αυξήθηκε οριακά ενώ περισσότερα από 30 φασματικά κανάλια η αύξηση της ακρίβεια έτεινε ασυμπτωτικά στο μηδέν. Σε σύγκριση με δεδομένα του δορυφόρου LANDSAT ETM+ τα υπερφασματικά δεδομένα παρείχαν μεγαλύτερη ακρίβεια ταξινόμησης κατά 9-43% μεγαλύτερη. Ο Goudenough et.al (2003) για την παρακολούθηση των δασικών ειδών στον Καναδά και στα πλαίσια του προγράμματος για την εκτίμηση του δορυφορικού προγράμματος ΕΟ-1 (Evaluation and Validation of EO-1 for Sustainable Development - EVEOSD) της Αμερικανικής Αεροναυτικής και διαστημική υπηρεσίας (NASA) σύγκριναν την ακρίβεια της ταξινόμησης των δασικών ειδών μεταξύ των υπερφασματικών δορυφορικών δεδομένων του απεικονιστή Hyperion, του πολυφασματικού απεικονιστή ALI, ο οποίος φέρεται στον ίδιο δορυφόρο (ΕΟ-1) μαζί με τον Hyperion και του Ενισχυμένου Θεματικού Χαρτογράφου LANDSAT 7 ETM+. Η μελέτη πραγματοποιήθηκε στον Καναδά και αφορούσε τη διάκριση και την ταξινόμηση 5 δασικών ειδών (Douglas-fir, hemlock, western redcedar, lodgepole pine, και red alder). Για την ταξινόμηση των δορυφορικών εικόνων χρησιμοποιήθηκε η μέθοδος της επιβλεπόμενη ταξινόμησης και η χρήση του ταξινομητή της Μέγιστης Πιθανοφάνειας (Maximum likelihood - ML). Τα αποτελέσματα της έρευνας έδειξαν ότι τα υπερφασματικά δεδομένα παρέχουν την μεγαλύτερη ακρίβεια ταξινόμησης (90%) σε σχέση με τα πολυφασματικά δεδομένα του απεικονιστή ALI (84.8) και του LANDSAT 7 ETM+ (75%) Ο Roberts et.al (2003) για την εκτίμηση του κινδύνου της πυρκαγιάς σε θαμνώδεις εκτάσεις χρησιμοποίησαν υπερφασματικά δεδομένα του απεικονιστή Hyperion καθώς επίσης και υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή AVIRIS για τη μεταξύ τους σύγκριση. Η έρευνα πραγματοποιήθηκε στη Νότια Καλιφόρνια των Η.Π.Α όπου πραγματοποιήθηκε και εργασία πεδίου για τη συλλογή και τη δόμηση φασματικών βιβλιοθηκών για τις ανάγκες της χαρτογράφησης της βλάστησης. Η κατάσταση της καύσιμης ύλης εκτιμήθηκε με την μέθοδο της φασματικής διάκρισης 25

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση spectral unmixing. Τα αποτελέσματα της μελέτης έδειξαν ότι τα φασματικά δεδομένα Hyperion παρέχουν καλή ικανότητα διαχωρισμού μεταξύ του εδάφους και των ξηρών φυτικών υπολειμμάτων. Η εκτίμηση της περιεχόμενης υγρασία της κωμοστέγης εκτιμήθηκε με την χρήση των δεικτών (Water Band Index) και (Normalized Difference water Index) και τα φασματικά κανάλια των 980nm και 1200nm. Η ανάλυση αυτή έδειξε ότι από τα δεδομένα του Hyperion και με τη χρήση του φασματικού καναλιού των 1200nm είναι δυνατή η εκτίμηση της περιεχόμενης υγρασία της βλάστησης, σε αντίθεση με την χρησιμοποίηση του φασματικού καναλιού των 980 nm. Τέλος για τη χαρτογράφηση των φυτικών ειδών και κοινοτήτων της περιοχής έρευνας, μεγαλύτερη ακρίβεια επιτεύχθηκε από τα δεδομένα του AVIRIS (79%) σε σχέση με τον Hyperion (50%). Ο Galvao et.al (2005), για τη διάκριση πέντε ποικιλιών ζαχαροκάλαμου στη Βορειοανατολική Βραζιλία χρησιμοποίησαν υπερφασματικά δεδομένα του απεικονιστή Hyperion. Για το σκοπό αυτό χρησιμοποίησαν τη Διαχωριστική Ανάλυση (Stepwise Discriminant analysis SDA). Ως μεταβλητές στην εν λόγω ανάλυση χρησιμοποιήθηκαν τιμές ανάκλασης των καλλιεργειών, φασματικοί λόγοι και δείκτες βλάστησης ευαίσθητοι στις αλλαγές της χλωροφύλλης, της περιεχόμενης υγρασίας των φύλλων και της λιγνίνης κελλουλόζης. Η ποικιλία SP80-1842 διαχωρίζονταν από τις υπόλοιπες 4 ποικιλίες εξαιτίας των χαμηλότερων τιμών ανάκλασης στο εγγύς υπέρυθρο καθώς επίσης παρουσίαζε μετατόπιση των φασματικών καναλίων της απορρόφησης της λιγνίνης - κελλουλόζης (2103 και 2304 nm), της απορρόφησης του νερού των φύλλων ( 983 και 1205 nm) και μικρότερη περιεχόμενη υγρασία των φύλλων. Για τις υπόλοιπες 4 ποικιλίες στις οποίες εφαρμόστηκε η πολυμεταβλητη διαχωριστική ανάλυση, η ακρίβεια της ταξινόμησης που επιτεύχθηκε ήταν 87.5 %. Ο Zhao et.al (2007), για τη διερεύνηση της σχέσης μεταξύ της φασματικής ανάκλασης, του δείκτη της φυλλικής επιφάνειας (Leaf Area Index LAI), της υπέργειας βιομάζας (Aboveground Biomass ABM) και της παραγωγής της καλλιέργειας του βαμβακιού σε περιοχές με διαφορετικές πρακτικές αζωτούχου λίπανσης (0,56,112,168 Kg N/ha) πραγματοποίησαν διετή εργασία πεδίου (2001-2002). Οι μετρήσεις πραγματοποιήθηκαν με φασματοσκόπιο χειρός και υπολογίστηκαν μέσες τιμές της ανάκλασης στα τμήματα του φάσματος κόκκινο και εγγύς υπέρυθρο σε αντιστοιχία με τα φασματικά κανάλια του LANDSAT TM. Επίσης υπολογίστηκαν και οι δείκτες βλάστησης όπως ο απλός φασματικός λόγος- reflectance ratio vegetation index RVI, ο δείκτης βλάστησης κανονικοποιημένων διαφορών NDVI, ο ενισχυμένος δείκτης βλάστησης Enhanced Vegetation Index EVI, ο δείκτης Wide Dynamic Range Vegetation Index WDRVI καθώς επίσης αρκετοί υπερφασματικοί δείκτες βλάστης. Οι περισσότεροι δείκτες βλάστησης είχαν εκθετική σχέση με τον LAI και ABM. Η παραγωγή του βαμβακιού σχετίζεται γραμμικά με τους φασματικούς δείκτες και η υψηλότερη συσχέτιση επιτεύχθηκε στα πρώτα στάδια της άνθισης των καλλιεργειών (r 2 = 0.56 0.89, P < 0.01). Έτσι οι ερευνητές κατέληξαν ότι οι δείκτες βλάστησης στα πρώτα στάδια της άνθισης του βαμβακιού μπορούν να χρησιμοποιηθούν στα μοντέλα πρόβλεψης της παραγωγής της καλλιέργειας του βαμβακιού. 26

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση Ο Monteneiro et.al (2007) διερεύνησαν τη δυνατότητα των υπερφασματικών δεδομένων για την εκτίμηση του περιεχόμενου ζαχάρου και των αμινοξέων στην καλλιέργεια της σόγιας. Τα υπερφασματικά δεδομένα συλλέχθηκαν με εργασία πεδίου και με την χρησιμοποίηση υπερφασματικού ανιχνευτή προσαρμοσμένο σε γερανό, στο φασματικό εύρος 400 1000 nm και με φασματικό εύρος 5 nm. Για την ανάλυση των δεδομένων δημιουργήθηκαν μοντέλα παλινδρόμησης (regression models) με τη βοήθεια των νευρωνικών δικτύων (Artificial Neural Networks) με σκοπό την εκτίμηση της συγκέντρωσης της γλυκόζης, της φρουκτόζης και του αζώτου. Επίσης για τη δημιουργία των μοντέλων χρησιμοποιήθηκαν δεδομένα ανάκλασης και μετασχηματισμένα υπερφασματικά δεδομένα όπως δεδομένα που προήλθαν από την ανάλυση κυρίων συνιστωσών (Principal Component Analysis) και της ανάλυσης της δεύτερης φασματικής παραγώγου (second derivative). Τα αποτελέσματα της ανάλυσης έδειξαν ότι τα μη γραμμικά μοντέλα παρέχουν καλύτερη εκτίμηση με τη χρησιμοποίηση των μετασχηματισμένων δεδομένων που προήλθαν από την ανάλυση της δεύτερης φασματικής παραγώγου. Η γλυκόζη μπορεί να εκτιμηθεί με μεγαλύτερη ακρίβεια, ακολουθεί η φρουκτόζη και το άζωτο. Ο Becker et.al (2007) προσπάθησαν να εκτιμήσουν τη βέλτιστη χωρική και φασματική διακριτική ικανότητα των εικόνων για τη χαρτογράφηση των υγροτόπων με βάση την ακρίβεια της ταξινόμησης. Για τον σκοπό αυτό χρησιμοποίησαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή CASI-2 με χωρική διακριτική ικανότητα 1m και 18 μη γειτονικά φασματικά κανάλια καθώς επίσης και δεδομένα με 4 m χωρική διακριτική ικανότητα και 46 γειτονικά φασματικά κανάλια. Συγκρίνοντας τα αποτελέσματα της ταξινόμησης της εικόνας με διακριτική ικανότητα 1m που πραγματοποιήθηκε με τη χρήση του ταξινομητή Spectral Angle Mapper SAM με τα αποτελέσματα της ταξινόμησης των εικόνων που προήλθαν από την ίδια εικόνα με υποβάθμιση (spatial degradation) της χωρικής της διακριτικής ικανότητας σε (2m,4m,8m) βρέθηκε ότι υπάρχει μείωση της ακρίβειας κατά 23%, 35% και 50% αντίστοιχα. Με αυτόν τον τρόπο κατέληξαν στο συμπέρασμα ότι για τη λεπτομερή χαρτογράφηση του υγροτόπου της περιοχής μελέτης η βέλτιστη χωρική διακριτική ικανότητα είναι μικρότερη των 2 m. Επίσης στα υπερφασματικά δεδομένα με χωρική διακριτική ικανότητα 4 m, χρησιμοποίησαν μεθόδους μείωσης της πληροφορίας (επιλογή φασματικών καναλίων) και τη διερεύνηση της επίδρασης αυτών στη μείωση της ακρίβειας της ταξινόμησης. Τα αποτελέσματα έδειξάν ότι ο ελάχιστος αριθμός φασματικών καναλιών που πρέπει να χρησιμοποιηθούν για την ταξινόμηση των δεδομένων είναι 7 και συγκεκριμένα τα φασματικά κανάλια με μήκη κύματος (425.4 nm, 514.9 nm, 560.1 nm, 685.5 nm, 731.5 nm, 812.3 nm and 916.7 nm) έτσι ώστε να διατηρηθεί η ακρίβεια της ταξινόμησης πάνω από το όριο του 85%. Ο Wang et.al (2006) για τη χαρτογράφηση της αλοφυτικής βλάστησης σε παλιρροιακά περιβάλλοντα (salt marshes) όπου το κύριο χαρακτηριστικό τους είναι η μείξη πολλών φυτικών ειδών χρησιμοποίησαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή CASI καθώς επίσης και εργασία πεδίου για τον εντοπισμό περιοχών ενδιαφέροντος και τον χαρακτηρισμό της βλάστησης. Σκοπός της εργασίας τους ήταν να 27

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση διερευνήσουν την δυνατότητα ταξινόμησης των υπερφασματικών εικόνων με την βοήθεια ενός νέου ταξινομητή δομημένου σε νευρωνικά δίκτυα (Vegetation Community based Neural Network Classifier - VCNNC). Η έρευνα πραγματοποιήθηκε στην περιοχή της λιμνοθάλασσα της Βενετίας σε 36 περιοχές ενδιαφέροντος. Για την μείωση της φασματικής πληροφορίας (επιλογή των φασματικών καναλιών που περιέχουν σημαντική πληροφορία) χρησιμοποιήθηκε η μέθοδος Spectral Reconstruction και 6 από τα 15 φασματικά κανάλια επιλέχθηκαν ως τα βέλτιστα για την ταξινόμηση της εικόνας. Τα αποτελέσματα της εργασία έδειξαν ότι ο νέος ταξινομητής VCNNC παρέχει καλύτερα αποτελέσματα ταξινόμησης (ακρίβεια 91%, συντελεστής k =0.87) συγκρινόμενος με τα συμβατικά νευρωνικά δίκτυα -(conventional Neural Networks NNC) (ακρίβεια 84%, συντελεστής k =0.75) O Daughtry et.al (2006) για την ποσοτικοποίηση των φυτικών υπολειμμάτων σε επίπεδο αγροτεμαχίου ή μεγαλύτερων εκτάσεων και την εκτίμηση της έντασης των γεωργικών πρακτικών, χρησιμοποίησαν πολυφασματικά δεδομένα του θεματικού χαρτογράφου LANDSAT TM καθώς και υπερφασματικά δορυφορικά δεδομένα του απεικονιστή Hyperion. Οι μετρήσεις των φυτικών υπολειμμάτων πραγματοποιήθηκαν σε αγροτεμάχια με καλλιέργειες καλαμποκιού και σόγιας. Για το σκοπό της εργασίας τους χρησιμοποίησαν τους φασματικούς δείκτες (normalized difference tillage index NDTI, normalized difference index NDI, normalized difference senescent vegetation index NDSVI) που υπολογίστηκαν από τα πολυφασματικά δεμένα καθώς επίσης υπολογίστηκε και ο δείκτης cellulose absorption index - CAI που προήλθε από τη χρησιμοποίηση των υπερφασματικών δεδομένων. Τα αποτελέσματα της έρευνας έδειξαν ότι οι φασματικοί δείκτες που προήλθαν από την εικόνα του LANDSAT TM συσχετίζονται ασθενώς με την κάλυψη των φυτικών υπολειμμάτων ενώ αντίθετα ο δείκτης CAI συσχετίζεται γραμμικά με την κάλυψη των φυτικών υπολειμμάτων (r 2 = 0.85, Μάιος - r 2 =0.77, Ιούνιος). Οι τρεις κλάσεις έντασης των γεωργικών πρακτικών εντατική κατεργασία (κάλυψη φυτικών υπολειμμάτων < 15%), μειωμένη κατεργασία (κάλυψη φυτικών υπολειμμάτων 15-30%) και μικρής (conservation) κατεργασίας αναγνωρίστηκαν σωστά στο 66 68% των αγροτεμαχίων. Η ακρίβεια της ταξινόμησης αυξήθηκε στο 80-82 % για την ταξινόμηση των δύο κλάσεων της έντασης κατεργασίας (μειωμένη και εντατική κατεργασία) και μικρής (conservation) κατεργασίας. Ο Bannari et.al (2006), για την εκτίμηση και τη χαρτογράφηση των φυτικών υπολειμμάτων των αγροτεμαχίων χρησιμοποίησαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή Probe -1 καθώς επίσης και πολυφασματικά δεδομένα υψηλής διακριτικής ικανότητας IKONOS για τη μεταξύ τους σύγκριση. Η ανάλυση των δεδομένων πραγματοποιήθηκε με τη μέθοδο ανάλυση γραμμικής φασματικής μείξης Linear Mixture Analysis. Καθαρές (pure) φασματικές υπογραφές των φυτικών υπολειμμάτων, γυμνού εδάφους και καλλιεργειών εξήχθησαν από τις εικόνες με μη αυτοματοποιημένο τρόπο λόγω της προηγούμενης γνώσης των αγροτεμαχίων. Η επί της εκατό κάλυψη (fraction) για κάθε σημείο δειγματοληψίας υπολογίστηκε και ελέγχθηκε με βάση τις μετρήσεις πεδίου. Τα καλύτερα αποτελέσματα επιτεύχθηκαν για την κάλυψη των γεωργικών καλλιεργειών (σιτάρι, ελαιοκράμβη, μπιζέλια) (δείκτης σύμπτωσης 28

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση «Index of agreement» D= 0.92, RMS Error = 0.09) και ακολουθούν τα φυτικά υπολείμματα των σιτηρών (D= 0.76, RMS Error = 0.12). Στην περίπτωση των αγροτεμαχίων ελαιοκράμβης ο δείκτης σύμπτωσης αυξήθηκε D=0.86. Τα εδαφικά κλάσματα (fractions) γενικά υποεκτιμήθηκαν (D= 0.72). Οι εκτιμήσεις των πολυφασματικών δεδομένων IKONOS ήταν λιγότερο ακριβής (υπολείμματα: D= 0.40, RMS Error = 0.24, καλλιέργειες: D= 0.51, RMS Error = 0.38, έδαφος: D= 0.58, RMS Error = 0.29) που οφείλεται κυρίως στη μεγαλύτερη φασματική διακριτική ικανότητα των υπερφασματικών δεδομένων και ιδιαίτερα στο μέσο υπέρυθρο τμήμα του φάσματος (απορρόφηση ακτινοβολίας της κελλουλόζης λιγνίνης). Ο Ye et.al (2006) πραγματοποίησαν την έρευνα αυτή για την ανάπτυξη μεθοδολογίας με σκοπό την εκτίμηση της παραγωγής για δεντρώδεις καλλιέργειες με την χρησιμοποίηση υπερφασματικών δεδομένων αερομεταφερόμενων απεικονιστών. Για την έρευνα χρησιμοποιήθηκαν υπερφασματικά δεδομένα του απεικονιστή AISA (72 φασματικά κανάλια στο φασματικό εύρος 407 898 nm). Οι λήψεις των εικόνων έγιναν για τρεις διαφορετικούς μήνες του έτους (Απρίλιος, Μάιος και Ιούνιος 2003) σε οπωρώνα εσπεριδοειδών (citrus) της Ιαπωνίας. Μέσες τιμές ανάκλασης της κωμοστέγης για 31 δέντρα εξήχθησαν από τις εικόνες και για τα οποία μετρήθηκε και η παραγωγή τους κατά την περίοδο της συγκομιδής της καλλιέργειας. Για την συσχέτιση των μέσων τιμών ανάκλασης κάθε δείγματος με την παραγωγή χρησιμοποιήθηκαν νευρωνικά δίκτυα (backpropagation) και πραγματοποιήθηκαν 10.000 δοκιμές για κάθε ένα από τα τρία διαφορετικά υπερφασματικά δεδομένα. Το καλύτερο μοντέλο επιλέχθηκε μέσα από τις 10.000 δοκιμές για κάθε σύνολο δεδομένων και η σύγκριση έδειξε ότι τα δεδομένα του Μαΐου προβλέπουν την παραγωγή των εσπεριδοειδών με μεγαλύτερη ακρίβεια. Ο Harris et.al (2006) για την εκτίμηση της υγρασία κοντά στην επιφάνεια (near surface water) χρησιμοποίησαν υπερφασματικά και πολυφασματικά δεδομένα αερομεταφερόμενων απεικονιστών και τις φασματικές ιδιότητες της τύρφής από την εργασία πεδίου που πραγματοποίησαν. Η έρευνα πραγματοποιήθηκε στην Ουαλία και για το σκοπό της εργασία εφάρμοσαν φασματικούς δείκτες τόσο από τα δεδομένα υπαίθρου όσο και στα τηλεπισκοπηκά δεδομένα. Τα αποτελέσματα έδειξαν ότι υπάρχει συσχέτιση μεταξύ των φασματικών δεικτών (moisture stress index MSI και water band indices - WBI980, WBI1200) και των επίγειων μετρήσεων της στάθμης του υπόγειου υδροφορέα και της περιεχόμενης υγρασίας (volumetric moisture content- VMC). Οι φασματικοί δείκτες WBI 980 και WBI 1200 αποδείχτηκαν καλύτεροι στην εκτίμηση της υγρασίας σε διαφορετικές συνθήκες υγρασίας. Φασματικοί βιοφυσικοί δείκτες που βασίζονται στην περιεχόμενη χλωροφύλλη έδειξαν μη σημαντικές συσχετίσεις με τις υδρολογικές μετρήσεις. Ο Gupta et.al (2006) χρησιμοποίησαν υπερφασματικά δεδομένα πεδίου για τη συσχέτιση των υπερφασματικών δεικτών βλάστησης με το δείκτη φυλλικής επιφάνειας (Leaf Area Index- LAI). Για το σκοπό αυτό φασματικά δεδομένα πεδίου συλλέχθηκαν στο φασματικό εύρος 400-950 nm και με φασματική διακριτική ικανότητα 3 nm κατά την διάρκεια του βιολογικού κύκλου και αφορούσαν καλλιέργειες σιτηρών και ρεβιθιών. Για το σκοπό της εργασίας τους υπολόγισαν υπερφασματικούς λόγους και υπερφασματικούς 29

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση δείκτες κανονικοποιημένων διαφορών (RVI, NDVI, SAVI). Επίσης από τα φασματικά δεδομένα πεδίου υπολογίστηκαν οι παραπάνω δείκτες βλάστησης που αντιστοιχούσαν στα φασματικά κανάλια του δορυφόρου LANDSAT TM (TM RVI, TM NDVI, TM SAVI). Η ανάλυση πραγματοποιήθηκε με την μέθοδο της παλινδρόμησης (regression models) μεταξύ των δεικτών βλάστησης και του δείκτη LAI. Τα αποτελέσματα έδειξαν χαμηλή σχέση με τον LAI και για δύο καλλιέργειες (για το σιτάρι: r 2 = 0.2-0.53, για τα ρεβίθια: r 2 = 0.41-0.82). Σημαντική σχέση με τον LAI βρέθηκε για το σιτάρι όταν το στάδιο ανάπτυξης και ωρίμανσης αναλύθηκαν ξεχωριστά (r 2 = 0.86-0.97). Τέλος πραγματοποιήθηκε ανάλυση συσχέτισης μεταξύ του δείκτη LAI με όλους τους πιθανούς συνδυασμούς των απλών φασματικών λόγων και των δεικτών βλάστησης κανονικοποιημένων διαφορών στο φασματικό εύρος 400-950 nm. Τα αποτελέσματα έδειξαν ότι επιπρόσθετα των παραδοσιακών συνδυασμών μεταξύ εγγύς υπερύθρου και του ερυθρού τμήμα του φάσματος συνδυασμοί μεταξύ φασματικών καναλιών του εγγύς υπερύθρου αλλά και συνδυασμοί μεταξύ εγγύς υπερύθρου και του ορατού τμήματος του φάσματος (μπλε, πράσινο) είναι σημαντικά συσχετιζόμενη με το δείκτη LAI. Ο Jarco Tejada et.al (2005) προσπάθησαν να εκτιμήσουν την κατάσταση των αμπελώνων στην Ισπανία με τη χρήση υπερφασματικών δεικτών. Η έρευνα πραγματοποιήθηκε σε 24 αμπελώνες από όπου πραγματοποιήθηκε δειγματοληψία φύλλών για την μέτρηση των οπτικών ιδιοτήτων και της συγκέντρωσης των χρωστικών. Τα υπερφασματικά δεδομένα προήλθαν από τους αερομεταφερόμενους απεικονιστές ROSIS, DAIS και CASI. Αρκετοί υπερφασματικοί (narrowband) δείκτες υπολογίστηκαν από τα φασματικά δεδομένα των φύλλων. Τα αποτελέσματα έδειξαν ότι καλύτεροι δείκτες για την εκτίμηση της συγκέντρωσης της χλωροφύλλης είναι αυτοί που υπολογίστηκαν στο φασματικό εύρος 700 750 nm (r 2 = 0.8-0.9) σε αντίθεση με τους γνωστούς δείκτες βλάστησης όπως ο NDVI. Άλλοι δείκτες όπως (Structure Insensitive Pigment Index -SIPI) και (Photochemical Reflectance Index -PRI) ήταν πιο ευαίσθητοι στην συγκέντρωση των καροτενοειδών και στον λόγο καροτενοειδών χλωροφύλλης παρά στην συγκέντρωση της χλωροφύλλης. Επίσης εξετάστηκε και η αξιοπιστία των δεικτών από το επίπεδο του φύλλου στο επίπεδο της κομοστέγης. Ο πιο κατάλληλος δείκτης για την εκτίμηση της συγκέντρωσης της χλωροφύλλης αποδείχθηκε ο συνδυασμένος δείκτης που προήλθε από τον λόγο των δεικτών (Transformed Chlorophyll Absorption in Reflectance Index -TCARI) και (Optimized Soil-Adjusted Vegetation Index - OSAVI) ο οποίος υπολογίστηκε από τα φασματικά δεδομένα που εξήχθηκαν από τις συνδυασμένες υπερφασματικές εικόνες των απεικονιστών ROSIS και CASI (μέγεθος εικονοστοιχείου 1m). Οι Arenault και Bonn (2005) θέλησαν να εκτιμήσουν τα φυτικά υπολείμματα των καλλιεργειών όπως το σιτάρι και το καλαμπόκι με τη χρήση πολυφασματικών και υπερφασματικών δεδομένων. Για το σκοπό αυτό χρησιμοποίησαν τεχνικές όπως η τεχνική της ανάλυσης της φασματικής μείξης (Spectral Mixture Analysis- SMA) καθώς επίσης και τους δείκτες βλάστησης (Soil Adjusted Corn Residue Index- SACRI, Crop Residue Index Multiband CRIM και Normalized Difference Index - NDI). Τα φασματικά δεδομένα καθώς και ο υπολογισμός της κάλυψης των φυτικών υπολειμμάτων 30

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση συλλέχθηκαν με εργασία πεδίου που πραγματοποιήθηκε σε δύο περιοχές έρευνας η μία στον Καναδά και η δεύτερη σε περιοχή της Νορμανδίας στη Γαλλία. Μοντέλα γραμμικής παλινδρόμησης (linear regression models) εφαρμόστηκαν μεταξύ των δεικτών βλάστησης που προήλθαν από την προσομοίωση, στα φασματικά κανάλια του LANDSAT 5, των επίγειων φασματικών μετρήσεων με το ποσοστό (fraction) της κάλυψης των φυτικών υπολειμμάτων. Τα αποτελέσματα έδειξαν ότι ο δείκτης βλάστησης CRIM έδωσε τα καλύτερα αποτελέσματα και στις δυο περιοχές έρευνας (R 2 = 0.96 και R 2 = 0.94 για τις περιοχές μελέτης του Καναδά και της Γαλλίας αντίστοιχα). Τα αποτελέσματα δεν ήταν ικανοποιητικά όταν εφαρμόστηκε στα ίδια φασματικά δεδομένα η μέθοδος SMA (R 2 = 0.70 και R 2 = 0.68 για τις περιοχές μελέτης του Καναδά και της Γαλλίας αντίστοιχα). Τα αποτελέσματα βελτιώθηκαν σημαντικά όταν η μέθοδος SMA εφαρμόστηκε σε υπερφασματικά δεδομένα (R 2 = 0.92 στην περιοχή μελέτης του Καναδά). Ο Mundt et.al (2005) χρησιμοποίησαν υπερφασματικά δεδομένα του υπερφασματικού απεικονιστή HyMap για τη διάκριση και χαρτογράφηση του ζιζανίου (hoary cress - Cardaria draba) στις Η.Π.Α (Idaho). Ο αερομεταφερόμενος απεικονιστής HyMap έχει 126 φασματικά κανάλια στο φασματικό εύρος 450 2500nm και χωρική διακριτική ικανότητα 3m. Για την ταξινόμηση χρησιμοποιήθηκαν οι ταξινομητές χαρτογράφος φασματικής γωνίας- Spectral Angel Mapper SAM και Mixture Tuned Matched Filtering MTMF. Επίσης χρησιμοποιήθηκαν και μέθοδοι μετασχηματισμού των υπερφασματικών δεδομένων όπως η Ανάλυση Κυρίων Συνιστωσών (Principal Component Analysis PCA) και η μέθοδος του κλάσματος ελαχίστου θορύβου Minimum Noise Fraction (MNF). Τα αποτελέσματα της ταξινόμησης έδειξαν ολική ακρίβεια ταξινόμησης με τη χρήση της μεθόδου SAM 82% όταν η κάλυψη από το ζιζάνιο ήταν μεγαλύτερη από 30 %. Επίσης τα αποτελέσματα έδειξαν ότι με την χρησιμοποίηση των μετασχηματισμένων δεδομένων που προήλθαν από την μέθοδο MNF παρείχαν μεγαλύτερη ακρίβεια ταξινόμησης κατά 23% σε σχέση με αυτά που προήλθαν από τη μέθοδο PCA. Η Glenn et.al (2005) για την ανίχνευση και τη χαρτογράφηση του πολυετούς ζιζάνιου (leafy spurge - Euphorbia esula L.) χρησιμοποίησαν υπερφασματικά δεδομένα του αερομεταφερόμενου απεικονιστή HyMap. Ο απεικονιστής HyMap έχει 126 φασματικά κανάλια στο φασματικό εύρος 450 2500nm και οι εικόνες συλλέχθηκαν για δυο χρονιές (2002 και 2003). Οι εικόνες ταξινομήθηκαν με τον αλγόριθμο Mixture Tuned Matched Filtering MTMF. Τα αποτελέσματα της ακρίβειας της ταξινόμησης έδειξαν ακρίβειες μεταξύ 84% - 94%. Αν και η ταξινόμηση διέκρινε το ζιζάνιο, με 10% κάλυψη, σε ένα εικονοστοιχείο με μέγεθος 3.5 m, για λόγους συνάφειας και επαναληψημότητας το όριο για την διάκριση του ζιζανίου είναι 40% κάλυψη. Οι Rahman και Gamon (2004) εξέτασαν τη δυνατότητα των υπερφασματικών δεδομένων στην ανίχνευση της βιομάζας, την περιεχόμενη υγρασία και το δείκτη φυτικής επιφάνειας (plant area index) σε καμένα και μη καμένα λιβάδια (grasslands) στη Νότια Καλιφόρνια των Η.Π.Α. Τα δεδομένα συλλέχθηκαν με φασματοσκόπιο χειρός (handheld spectrometer) με χωρική απόσταση μεταξύ των σημείων δειγματοληψίας 1m 31

Κων/νος Ντούρος Διδακτορική Διατριβή 3.Βιβλιογραφική Ανασκόπηση στο φασματικό εύρος 400-1000 nm και φασματικό διάστημα 3 nm. Για την επίτευξη του σκοπού της εργασίας τους χρησιμοποίησαν τους δείκτες NDVI, photochemical reflectance index PRI και water band index WBI. Για την ανάλυση των δεδομένων χρησιμοποίησαν στατιστικές μεθόδους όπως t- test στους φασματικούς δείκτες και στις βιοφυσικές παραμέτρους μεταξύ των καμένων και μη καμένων περιοχών για να ελέγξουν τη διαφοροποίηση τους. Επίσης διερεύνησαν και τη συσχέτισή τους (Pearson correlation). Τέλος για να ελέγξουν την ικανότητα διαχωρισμού μεταξύ της μη καμένης περιοχής με την αναγεννημένη (post - re growth) περιοχή χρησιμοποίησαν την ιεραρχική ανάλυση ομαδοποίησης hierarchical Cluster analysis. Τα αποτελέσματα της έρευνας έδειξαν ότι ο δείκτης WBI είναι ο ισχυρότερος δείκτης για τη συσχέτιση των βιοφυσικών ιδιοτήτων με υψηλότερο συντελεστή συσχέτισης με τη βιομάζα στην καμένη περιοχή. Τα αντίθετα αποτελέσματα βρέθηκαν για τις μη καμένες περιοχές. Αν και οι δύο δείκτες (NDVI, PRI) συσχετίζονται με τον WBI δεν βρέθηκε υψηλή συσχέτιση αυτών δεικτών με καμία βιοφυσική ιδιότητα. Τέλος η χρησιμοποίηση των υπερφασματικών δεδομένων ολόκληρου του εύρους (400-1000 nm) και η hierarchical Cluster analysis συμβάλουν στον διαχωρισμό της αναγεννημένης περιοχής από τη μη καμένη περιοχή. Οι Pu και Gong (2004) σύγκριναν τρεις μεθόδους εξαγωγής χαρακτηριστικών (feature extraction methods) για τη χαρτογράφηση του δείκτη φυλλικής επιφάνειας (LAI) και της συγκόμοσης crown closure - CC της δασικής βλάστησης με τη χρήση υπερφασματικών δεδομένων του απεικονιστή Hyperion. Η έρευνα πραγματοποιήθηκε στο δασικό ερευνητικό σταθμό του Πανεπιστημίου του Berkley στην Καλιφόρνια των Η.Π.Α Οι μέθοδοι που χρησιμοποιήθηκαν ήταν η επιλογή φασματικών καναλιών (band selection BS), η μέθοδος κυρίων συνιστωσών (Principal Component Analysis PCA) και η μέθοδος μετασχηματισμού κύματος (Wavelet Transform). Επίσης πραγματοποιήθηκε και εργασία πεδίου για τις επίγειες μετρήσεις των υπό εξέταση βιοφυσικών παραμέτρων. Η μεθοδολογία που ακολουθήθηκε περιλαμβάνει: 1.ατμοσφαιρική διόρθωση της υπερφασματικής εικόνας, 2.εξαγωγή των φασματικών στοιχείων (επιλογή φασματικών καναλιών), 3.ανάπτυξη πολυμεταβλητών μοντέλων παλινδρόμησης, 4.πρόβλεψη και χαρτογράφηση των βιοφυσικών παραμέτρων και 5.εκτίμηση της ακρίβειας της χαρτογράφησης. Τα αποτελέσματα της έρευνας έδειξαν ότι η μέθοδος εξαγωγής φασματικών στοιχείων του μετασχηματισμού κύματος (Wavelet Transform) είναι πιο αποτελεσματική στη χαρτογράφηση των βιοφυσικών χαρακτηριστικών LAI και CC (ακρίβεια χαρτογράφησης CC= 89.40%, LAI = 75.39%). Η μέθοδος PCA ακολουθεί (ακρίβεια χαρτογράφησης CC= 77.42%, LAI = 52.36%) ενώ η μέθοδος BS παρουσίασε τη μικρότερη ακρίβεια (ακρίβεια χαρτογράφησης CC= 57.77 %, LAI = 50.87%). 32

Κων/νος Ντούρος Διδακτορική Διατριβή 4. Περιοχή Μελέτης 4. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ 4.1 ΓΕΩΓΡΑΦΙΚΗ ΘΕΣΗ Η περιοχή μελέτης βρίσκεται στα διοικητικά όρια των Νομών Καβάλας και Ξάνθης περιλαμβάνοντας τμήμα του ποταμού Νέστου από το ύψος του οικισμού Τοξότες του Νομού Ξανθής μέχρι το ύψος του οικισμού της Κεραμωτής του Νομού Καβάλας (Εικόνα 4.1.1). Οι γεωγραφικές συντεταγμένες στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ 87) δίδονται στον επόμενο πίνακα (Πίνακας 4.1.1): Πίνακας 4.1.1. Γεωγραφικές συντεταγμένες της περιοχής μελέτης. Χ Υ 562565 4551565 Πάνω αριστερή γωνία 570161 4549743 Πάνω δεξιά γωνία 563712 4523189 Κάτω δεξιά γωνία 556000 4524613 Κάτω αριστερή γωνία ΚΑΒΑΛΑ ΘΕΣΣΑΛΟΝΙΚΗ ΝΟΜΟΣ ΚΑΒΑΛΑΣ ΝΟΜΟΣ ΞΑΝΘΗΣ Εικόνα 4.1.1. Περιοχή μελέτης. Η ευρύτερη περιοχή έρευνας, διοικητικά ανήκει στην περιφέρεια Ανατολικής Μακεδονίας Θράκης και βρίσκεται σε απόσταση 200 περίπου χιλιομέτρων από την πόλη της Θεσσαλονίκης και 40 χιλιόμετρα περίπου από την πόλη της Καβάλας (Απόσταση Καβάλα Κεραμωτή). Πιο συγκεκριμένα, περιλαμβάνει τμήματα των Δήμων Κεραμωτής και Χρυσούπολης του Νομού Καβάλας και τμήμα του Δήμου Τοπείρου του Νομού Ξάνθης. Από το Δήμο Κεραμωτής περιλαμβάνονται τα τμήματα των Δημοτικών διαμερισμάτων της Κεραμωτής (Κεραμωτή: Έδρα του Δήμου, Χαϊδευτό, Μοναστηράκιο), Νέας Καρυάς (Νέα Καρυά) 33

Κων/νος Ντούρος Διδακτορική Διατριβή 4. Περιοχή Μελέτης και Πηγών (Πηγές). Από τον Δήμο της Χρυσούπολης περιλαμβάνονται τα τμήματα των Δημοτικών διαμερισμάτων Χρυσούπολης (Χρυσούπολη : Έδρα του Δήμου), Διαλεκτού (Διαλεκτό, Εκλεκτό, Κρήνη), Παραδείσου (Παράδεισος) και Χρυσοχώριου (Χρυσοχώριο). Τέλος, από το Δήμο Τοπείρου περιλαμβάνονται τμήματα των Δημοτικών Διαμερισμάτων Εύλαλου ( Εύλαλον :Έδρα του Δήμου, Κεντητή, Κρεμαστή, Κύρνος, Μικροχώριο, Ορφανό, Παλαιό Όλβιο), Γαλάνης (Γαλάνη), Ολβίου (Όλβιο), Τοξοτών (Τοξότες, Άγιος Αθανάσιος, Θαλασσιά, Κοσμητή, Μέγα Τύμπανο, Μικρό Τύμπανο, Ποίμνη και Σέμελη). 4.2 ΓΕΩΛΟΓΙΑΣ ΤΗΣ ΠΕΡΙΟΧΗΣ Η περιοχή μελέτης γεωτεκτονικά ανήκει στη «Μάζα της Ρίλα - Ροδόπης», ο χαρακτήρας της οποίας είναι ηπειρωτικός με προέλευση από την πλάκα της Λαυρασίας (ΕΓΝΑΤΙΑ Α.Ε, 2000 -ΜΠΕ τμήματος Εγνατίας οδού Χρυσούπολη Βανιανό). Η μάζα κυριαρχείται από κρυσταλλοσχιστώδη και πυριγενή πετρώματα. Το πάχος του κρυσταλλοσχιστώδους υπολογίζεται μεγαλύτερο των 10 Km. Τα ηφαιστειακά πετρώματα είναι ρυόλιθοι, ανδεσίτες, δακίτες και δολερίτες, Ηωκαινικής - Ολιγοκαίνου ηλικίας. H «Ενότητα Παγγαίου» συγκροτείται από έναν κατώτερο ορίζοντα με ορθογνεύσιους, σχιστόλιθους και αμφιβολίτες, ένα μεσαίο ορίζοντα μαρμάρων μεγάλου πάχους και έναν ανώτερο ορίζοντα με εναλλαγές σχιστόλιθων και μαρμάρων. Αναλυτικότερα στους σχηματισμούς αυτούς περιλαμβάνονται: μάρμαρα, λευκά έως ανοικτότεφρα, με πτωχή στρώση ή συμπαγή και πάχος 500 1,500 m. Κατά θέσεις, στην πετρολογική τους σύσταση εμφανίζονται, εκτός του ασβεστίτη, μικρές ποσότητες μαρμαρυγία ή χαλαζία. Το μέγεθος των κόκκων είναι 0.5 mm ή και μικρότερο. Κοντά στις επαφές με σχιστόλιθους και γνεύσιους τα μάρμαρα γίνονται περισσότερο σκοτεινότεφρα καθώς αυξάνουν τα ποσοστά συμμετοχής των φεμικών (μοσχοβίτη, γραφίτη, κ.λπ.). Τα τεφρά μάρμαρα εμφανίζονται σε τράπεζες και φακούς, πάχους 0.5-100 m, είναι λεπτοστρωματώδη έως καλώς εστρωμένα και συχνά, εναλλάσσονται, κατακόρυφα και πλευρικά, με αμφιβολιτικά πετρώματα, σχιστόλιθους και γνεύσιους. μαρμαρυγιακοί σχιστόλιθοι, μεσοκοκκώδεις, ανοικτόχροοι έως φαιοί, με πάχος μερικών δεκάδων μέτρων. Ο μοσχοβίτης είναι ο επικρατών μαρμαρυγίας και συνυπάρχει με μεταβαλλόμενες ποσότητες χαλαζία, πλαγιόκλαστου και βιοτίτη. μάρμαρα και μαρμαρυγιακοί σχιστόλιθοι που εναλλάσσονται πλευρικά. γνεύσιοι και γνευσιακοί σχιστόλιθοι, πάχους μεγαλύτερου των 3,500 m. Οι γνεύσιοι είναι λεπτοκοκκώδεις έως αδρομερείς, με χρώμα που ποικίλλει από ανοικτό σαρκώδες έως σκοτεινότεφρο, υφή γνευσιακή, κοκκώδη, σχιστώδη και ιστό σύμφωνo με την ιδιαίτερη ορυκτολογική τους σύσταση και τον βαθμό ανακρυστάλλωσης. Τα ορυκτά που επικρατούν και εμφανίζονται με μεταβλητό ποσοστό συμμετοχής, είναι 34

Κων/νος Ντούρος Διδακτορική Διατριβή 4. Περιοχή Μελέτης πλαγιόκλαστα, χαλαζίας, βιοτίτης, κεροστίλβη, γρανάτης και καλιούχοι άστριοι, ενώ σε μικρότερες ποσότητες, δισθενής και σιλιμανίτης. Οι σχηματισμοί της πεδινής μεταλπικής λεκάνης του Νέστου περιγράφονται, με διαβάθμιση κατά ηλικία από τους νεώτερους προς τους παλαιότερους, ως εξής: ΟΛΟΚΑΙΝΟ πηλοί, άργιλοι, άμμοι και χαλίκια που, ανάλογα με την τοπική μορφολογία, απαντούν σε μορφή διαβρωσιγενών κορημάτων, πρόσφατων λιμναίων, χειμάρριων ή ποτάμιων αποθέσεων. άμμοι και χαλίκια της παλαιάς κοίτης του ποταμού Νέστου. αναβαθμίδες. αλλουβιακά ριπίδια με υλικά από γνεύσιους, μάρμαρα, αμφιβολίτες και γρανιτικά πετρώματα. ΠΛΕΙΣΤΟΚΑΙΝΟ κώνοι κορημάτων με υλικά από μάρμαρα και γνεύσιους, τοπικά συγκολλημένα. ΠΛΕΙΟ - ΠΛΕΙΣΤΟΚΑΙΝΟ άργιλοι, άμμοι, χαλίκια, ψαμμίτες και μάργες, ποτάμιας φάσης, κατά μήκος της κοιλάδας του Νέστου. χαλίκια και άμμοι, πάχους 0-10 m, σε στρώματα και φακούς, που αποτελούνται από καλά αποστρογγυλεμένα χαλίκια, εναλλασσόμενα, κατακόρυφα και πλάγια, με κοκκομετρικά αδιαβάθμητες άμμους. ΚΑΤΩΤΕΡΟ ΗΩΚΑΙΝΟ - ΑΝΩΤΕΡΟ ΟΛΙΓΟΚΑΙΝΟ κροκαλοπαγή και ασβεστόλιθοι. Τα κροκαλοπαγή είναι σε στρώματα και φακούς, πτωχής κοκκομετρικής διαβάθμισης και αποτελούνται από τεμάχη μεταμορφωμένων πετρωμάτων και καλώς αποστρογγυλεμένες κροκάλες χαλαζία. Τα ανώτερα μέρη συνίστανται από αρκόζες, αδρούς έως λεπτοκοκκώδεις, με φακούς τοφφιτών. Τα στρώματα και οι φακοί των ανοικτόχροων πετρωμάτων είναι περισσότερο συνεχή πλευρικά από τις ιζηματογενείς μονάδες των κατώτερων μερών της στρωματογραφικής τομής. Τα συστατικά τους είναι υπογωνιώδη ογκώδη τεμάχη, κροκάλες μέχρι 26 cm και κόκκοι μικρότερου μεγέθους, από μεταμορφωμένα και γρανιτικά πετρώματα. Τοπικά, τα μικροκροκαλοπαγή, οι άμμοι και οι αρκόζες εναλλάσσονται μεταξύ τους πλευρικά. Τοφφίτες συναντώνται σε αρκετά φακοειδή στρώματα. Το πάχος της κροκαλοπαγούς σειράς υπερβαίνει τα 700 m. ΜΕΣΟ ΗΩΚΑΙΝΟ κροκαλοπαγή και ασβεστόλιθοι. Τα ανώτερα μέρη της τομής αποτελούνται από ανοικτότεφρους θραυσματογενείς ασβεστόλιθους, πλούσιους σε αλλογενή υλικά. Οι ασβεστόλιθοι έχουν υψηλό ποσοστό βιογενών υλικών και μεταπίπτουν, πλευρικά, σε 35

Κων/νος Ντούρος Διδακτορική Διατριβή 4. Περιοχή Μελέτης σκοτεινότεφρες ή πράσινες αμμούχες μάργες. Το πάχος τους ποικίλλει, με μέσο όρο 10-20 m. 4.3 ΧΛΩΡΙΔΑ ΕΥΡΥΤΕΡΗΣ ΠΕΡΙΟΧΗΣ Οι διάφορες ενότητες με φυσική ή τεχνητή βλάστηση στην περιοχή μελέτης είναι οι παρακάτω (ΕΓΝΑΤΙΑ Α.Ε, 2000 - ΜΠΕ τμήματος Εγνατίας οδού Χρυσούπολη Βανιανό): Α. Παραποτάμια Δενδρώδης Βλάστηση Η παραποτάμια δενδρώδης βλάστηση είναι αζωνικού τύπου και τον καθοριστικότερο ρόλο για τη δομή της ενότητας αυτής παίζει το νερό του ποταμού. Αναπτύσσεται κατά μήκος της όχθης, αλλά και στις νησίδες ή τις επίπεδες εκτάσεις με ρηχή νερά, που σχηματίζει ο απαλός (στην περιοχή) μαιανδρισμός του ποταμού, όπου το έδαφος έχει άφθονη υγρασία και είναι πλούσιο σε θρεπτικά συστατικά. Πρόκειται για εδάφη που σχηματίστηκαν από τα προσχωσιγενή ποτάμια ιζήματα. Στις θέσεις αυτές κατά μήκος της κοίτης εξακολουθούν να αναπτύσσονται ακόμη, παρά την έντονη ανθρώπινη επέμβαση, καλές δασικές συστάδες στις οποίες από άποψη δομής κυρίαρχο ρόλο παίζουν τα είδη : Salix eleagnos, Salix amplexicaulis, Salix alba, Salix fragilis, Populus alba, Populus nigra, Acer sp. κ.α. Στον υπόροφο των συστάδων αυτών συχνά είναι τα είδη : Ligustrum vulgare, Cornus sanguinea, Salix amplexicaulis, Salix eleagnos, Sambucus nigra, Rubus sp. καθώς και τα αναρριχώμενα : Periploca graeca, Smilax excelsa, Clematis vitalba, Hedera helix, Vitis vinifera, Humulus lupulus, Tamus communis κ.α. Τέλος στον ποώδη όροφο υπάρχει κατά τόπους μεγάλη ετερογένεια στα συμμετέχοντα είδη, που οφείλεται στην έντονη ανθρωπογενή επίδραση και στις κατά περιόδους αυξομειώσεις της στάθμης των υδάτων του ποταμού. Από τα καταγραφέντα είδη συχνά είναι τα: Urtica urens, Arum italicum, Rumex lapathifolium, Euphorbia helioscopia, Conium maculatum, Lamium amplexicaule, Lamium garganicum, Arenaria sp. κ.α. Στην παραποτάμια αυτή ξυλώδη βλάστηση θα πρέπει να σημειωθεί η παντελής σχεδόν απουσία (σπάνια μόνο άτομα) του πλάτανου (Platanus orientalis), η σποραδική συμμετοχή του σκλήθρου (Alnus glutinosa) και της φτελιάς (Ulmus procera). 36

Κων/νος Ντούρος Διδακτορική Διατριβή 4. Περιοχή Μελέτης Β. Καλλιέργειες. Στην περιοχή μελέτης η κυριότερη γεωργική καλλιέργεια είναι ο αραβόσιτος καθώς επίσης σημαντική έκταση της καλλιεργούμενης γης καταλαμβάνουν οι ορυζώνες. Ακόμη σημαντικές καλλιέργειες είναι το βαμβάκι, ο καπνός και η καλλιέργεια της βιομηχανικής τομάτας. Άλλες καλλιέργειες που απαντώνται στην περιοχή, άλλα σε μικρότερη έκταση, είναι τα σπαράγγια και τα ζαχαρότευτλα. Τέλος χορτοδοτικές καλλιέργειες όπως η μηδική αλλά και σιτηρά απαντώνται στην ευρύτερη περιοχή. Γ. Λευκοκαλλιέργειες. Στις καλλιεργούμενες εκτάσεις συμπεριλαμβάνονται και ορισμένα, σχετικά μικρά, τμήματα γης, δημόσια ή ιδιωτικά, στα οποία γίνεται λευκοκαλλιέργεια με διάφορες ποικιλίες ειδών λεύκης (Populus sp.), που αποσκοπούν αφ' ενός στη φυτοκάλυψη αυτών των τμημάτων και αφ' ετέρου στην παραγωγή μαλακού ξύλου. Η εν γένει βλάστηση στους σταθμούς αυτούς είναι πολύ ετερογενής και εκτός από τις λεύκες συμμετέχουν σκιόφυλλα συνήθως είδη φυτών, που αναπτύσσονται σε υγρά εδάφη. Τέτοια φυτά, που συμμετέχουν συχνά, στον υπόροφο, είναι τα : Rubus caesius, Rubus ulmifolius, Hedera helix, Carduus pycnocephalus, Marrubium peregrinum, Eryngium campestre, Plantago lagopus, Chenopodium sp. Hypericum perforatum, Saccharum ravenae, Lotus corniculatus, Xanthium strumarium, Cirsium arvense κ.α. 4.4 ΠΑΝΙΔΑ ΕΥΡΥΤΕΡΗΣ ΠΕΡΙΟΧΗΣ Η περιοχή του Νέστου αποτελεί έναν από τους πιο σημαντικούς βιότοπους της χώρας μας όχι μόνο σε εθνικό επίπεδο, αλλά και σε διεθνές. Η ποικιλομορφία της πανίδας του και ιδιαίτερα της πτηνοπανίδας, συνετέλεσαν ώστε το δέλτα του Νέστου να χαρακτηρισθεί νομοθετικά ως υγρότοπος διεθνούς σημασίας και να προστατεύεται από το 1975 με τη συνθήκη του Ramsar. Παράλληλα έχει ανακηρυχθεί και ως «Ειδική Προστατευόμενη Περιοχή» σύμφωνα με την οδηγία της Ευρωπαϊκής Ένωσης για την προστασία της ορνιθοπανίδας (409/79) (ΕΓΝΑΤΙΑ Α.Ε, 2000 - ΜΠΕ τμήματος Εγνατίας οδού Χρυσούπολη Βανιανό). Το δέλτα του Νέστου καθώς και η ευρύτερη περιοχή και συγκεκριμένα το «Αισθητικό Δάσος των Στενών του Νέστου», περιλαμβάνει σημαντικό αριθμό πολλών σπανίων ειδών πτηνών τα οποία τελούν υπό καθεστώς προστασίας διεθνών συμβάσεων. Μεταξύ των ειδών αυτών περιλαμβάνονται και είδη των οποίων οι πληθυσμοί αποτελούν τους τελευταίους στον Ευρωπαϊκό χώρο (Κολχικός φασιανός, Αγκαθοκαλημάνα) ή απειλούνται άμεσα με εξαφάνιση (Θαλασσαετός, Βασιλαετός) Συνολικά στην ευρύτερη περιοχή μελέτης καταγράφηκαν 290 είδη πτηνών (68% περίπου του συνολικού αριθμού των ειδών της Ελληνικής ορνιθοπανίδας) πού ανήκουν σε 51 οικογένειες (παράρτημα Α'). Οι πολυπληθέστερες οικογένειες είναι οι Muscicupidae 37

Κων/νος Ντούρος Διδακτορική Διατριβή 4. Περιοχή Μελέτης (16.55%), Anatidae (8.28%) Scolopacidae (8.28%), Accipitridae (8.28%), Falconidae (3.1%) Fringillidae (3.1%) Ardeidae (2.76%), Sternidae (2.76%) Motacilidae (2.76%). Από το συνολικό αριθμό των καταγραφέντων πτηνών, 65 είδη περιλαμβάνονται στον Κόκκινο Κατάλογο των πουλιών της Ελλάδος (22.4%), 161 είδη (55.6%) στη σύμβαση της Βέρνης και 128 είδη (44.1%) στην οδηγία 79/409/ΕΕ Από τα τελευταία τα 71 (24.4%) ανήκουν στο παράρτημα Ι. Από τα 290 είδη πτηνών τα 138 (47.6%) φωλιάζουν στην περιοχή μελέτης από τα όποία 39 (13.4%) περιλαμβάνονται στην οδηγία 79/409/ΕΕ. Οι σπουδαιότερες από άποψη αριθμού ειδών είναι τα στρουθιόμορφα και τα παρυδάτια με 122 (42.1%) και 55 (18.9%) είδη αντίστοιχα. Ακολουθούν τα υδρόβια με 37 είδη (12.7%), τα αρπακτικά με 34 είδη (11.7%), τα καλοβατικά με 12 είδη (4.1%), οι δρυοκολάπτες με 8 είδη (2.8%) και τέλος τα κορακοειδή με 6 είδη (2.1%). Όσον αφορά τον αριθμό των προστατευομένων ειδών ανά ομάδα, σύμφωνα με το παράρτημα Ι της οδηγίας 79/409/ΕΕ, εξέχουσα θέση από άποψη προστασίας, έχουν τα αρπακτικά (26 είδη) και ακολουθούν τα παρυδάτια (17 είδη), τα υδρόβια (12 είδη) και τα καλοβατικά (11 είδη). Τα αρπακτικά περιλαμβάνουν το 76.4% του συνολικού αριθμού της ομάδος, τα παρυδάτια το 30.1%, τα καλοβατικά το 91.7%, και τα υδρόβια το 32.4%. Από άποψη θηλαστικών, συνολικά στην περιοχή μελέτης καταγράφηκαν 15 είδη θηλαστικών που ανήκουν σε 9 οικογένειες. Οι πολυπληθέστερες δύο οικογένειες είναι Mustelidae με 4 είδη (26.6%) (ασβός, βίδρα, νυφίτσα, πετροκούναβο) και Canidae με 3 είδη (λύκος, τσακάλι, αλεπού) (20%). Επίσης καταγράφηκαν και 20 είδη ερπετών. Ο αριθμός των φιδιών είναι αρκετά σημαντικός αν ληφθεί υπόψη ότι αντιπροσωπεύουν το 22% των ειδών που απαντούν στην χώρα μας. Τα είδη της ερπετοπανίδας της περιοχής μελέτης ανήκουν σε 9 οικογένειες. Η πολυπληθέστερη οικογένεια είναι η Colubridae που αντιπροσωπεύεται με 8 είδη (40%). 4.5 ΚΛΙΜΑΤΟΛΟΓΙΚΑ ΣΤΟΙΧΕΙΑ Από τις τιμές των μετεωρολογικών παραμέτρων (τα μετεωρολογικά δεδομένα προέρχονται από τον σταθμό καταγραφής του αεροδρομίου της Χρυσούπολης) συμπεραίνεται ότι το κλίμα της περιοχής είναι εύκρατο με θερμότερο μήνα τον Ιούλιο και ψυχρότερο τον Ιανουάριο. Οι περισσότερες βροχοπτώσεις σημειώνονται στους μήνες Νοέμβριο και Δεκέμβριο. Η σχετική υγρασία παραμένει σημαντική σε όλη την διάρκεια του χρόνου. Οι πιο συχνοί άνεμοι της περιοχής είναι οι Ανατολικοί (συνολική συχνότητα 14.293%), ιδιαίτερα οι ασθενείς έως μέτριοι με ένταση 2-4 Beaufort (συχνότητα 12.986%). Νηνεμία επικρατεί στο 37.089% του χρόνου (ΕΓΝΑΤΙΑ Α.Ε, 2000 - ΜΠΕ τμήματος Εγνατίας οδού Χρυσούπολη Βανιανό). 38

5. ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ 5.1 ΥΛΙΚΑ Για την επίτευξη του σκοπού της παρούσας διατριβής χρησιμοποιήθηκαν δεδομένα του υπερφασματικού απεικονιστή Hyperion καθώς και πολυφασματικά δεδομένα του Θεματικού Χαρτογράφου Landsat TM 5. Επίσης για την αναγνώριση των καλλιεργειών της περιοχής μελέτης χρησιμοποιήθηκαν δεδομένα δηλώσεων των γεωργικών καλλιεργειών που προήλθαν από τον Οργανισμό Πληρωμών και Ελέγχου Κοινοτικών Ενισχύσεων Προσανατολισμού και Εγγυήσεων ΟΠΕΚΕΠΕ και το σύστημα ΟΣΔΕ (Ολοκληρωμένο Σύστημα Διαχείρισης και Ελέγχου) για το έτος 2003. Τέλος για την εισαγωγή και την ανάλυση των δεδομένων και την οπτικοποίηση των αποτελεσμάτων χρησιμοποιήθηκαν λογισμικά ανάλυσης δορυφορικών δεδομένων και λογισμικά Γεωγραφικών Συστημάτων Πληροφοριών. Η περιγραφή τόσο των δεδομένων όσο και των λογισμικών δίδεται στις παραγράφους που ακολουθούν (5.1.1 και 5.1.2) αντίστοιχα. 5.1.1 ΔΕΔΟΜΕΝΑ Η εκτόξευση του δορυφόρου ΕΟ-1 βασίστηκε στο πειραματικό πρόγραμμα της NASA Earth Observing το οποίο σχεδιάστηκε με σκοπό την παροχή νέων δεδομένων παρατήρησης της γης (υπερφασματικός απεικονιστής Hyperion) αλλά και την αξιολόγηση νέων τεχνολογιών για τη μείωση του κόστους και τη συνέχιση του προγράμματος Landsat (πολυφασματικός απεικονιστής ALI). Ο δορυφόρος ΕΟ-1 έχει ηλιοσύγχρονη τροχιά και βρίσκεται σε ύψος 705 Km και διέρχεται ένα λεπτό πίσω από το δορυφόρο Landsat 7 (Barry 2001). Η υπερφασματική εικόνα που χρησιμοποιήθηκε, προήλθε από τον απεικονιστή Hyperion με ημερομηνία λήψης 1/8/2003 (Εικόνα 5.1.1.1). Ο απεικονιστής Hyperion αποτελείται από ένα τηλεσκόπιο και δύο φασματοσκόπια από τα οποία το ένα καταγράφει την ανακαλούμενη ενέργεια στο ορατό (visible) / εγγύς υπέρυθρο (NIR) ενώ το δεύτερο στο μέσο υπέρυθρο (SWIR) τμήμα του φάσματος. Το σύστημα σάρωσης της γήινης επιφάνειας ονομάζεται pushbroom επειδή «βλέπει» μια πλήρη γραμμή στην επιφάνεια της γης, κάθετα προς την κίνηση του δορυφόρου. Κάθε εικόνα (frame) περιέχει δεδομένα πλάτους 7.65 Km κάθετα στην διεύθυνση του δορυφόρου (cross track) και μήκους 185 Km κατά την διεύθυνση του δορυφόρου (along track) με μέγεθος εικονοστοιχείου (pixel) 30m. 39

Εικόνα 5.1.1.1. Δορυφορική εικόνα Hyperion της περιοχής μελέτης RGB: 29(641nm),20 (550nm),11(458nm). Η καταγραφή των φασματικών δεδομένων πραγματοποιείται στο φασματικό εύρος 400 2500 nm σε 242 γειτονικά κανάλια εύρους 10 nm. Από τα 242 κανάλια μόνο τα 198 κανάλια είναι ραδιομετρικά διορθωμένα (calibrated). Επίσης λόγω της φασματικής επικάλυψης των δυο ξεχωριστών φασματοσκοπίων τελικά η πληροφορία παρέχεται από 196 κανάλια (8-57, ορατό /εγγύς υπέρυθρο, 428-926 nm και 79-224, μέσο υπέρυθρο, 933-2395 nm). Οι εικόνες του απεικονιστή παρέχονται σε Hierarchical Data Format - HDF διαμόρφωση (format) και οι τιμές των εικονοστοιχείων είναι τιμές ακτινοβολίας (W/m2 SRµm) σε 16-bit κλίμακα. Οι τιμές της ακτινοβολίας των καναλιών στο μέσο υπέρυθρο είναι πολλαπλασιασμένες με ένα συντελεστή (scale factor) 80 ενώ οι αντίστοιχες τιμές στο ορατό /εγγύς υπέρυθρο είναι πολλαπλασιασμένες με 40. 40

Επίσης για τις ανάγκες του σκοπού της διατριβής, της σύγκρισης υπερφασματικών και πολυφασματικών δεδομένων, εκτός από την υπερφασματική εικόνα χρησιμοποιήθηκε και μία εικόνα του Θεματικού Χαρτογράφου Landsat 5 ΤΜ. Η επιλογή του συγκεκριμένου δορυφόρου βασίστηκε στο ότι τα δεδομένα του Θεματικού Χαρτογράφου Landsat -5 έχουν την ίδια χωρική διακριτική ικανότητα με τα δεδομένα του Hyperion και ότι καλύπτουν το ίδιο φασματικό εύρος περίπου. Επίσης τα δεδομένα του Landsat -5 τυγχάνουν ευρείας χρήσης και ενδιαφέροντος, εδώ και αρκετά χρόνια, τόσο από επιχειρησιακής άποψης όσο και επιστημονικής. Η αναζήτηση της πολυφασματικής εικόνας καθώς και η παραγγελία της πραγματοποιήθηκε από το δικτυακό χώρο της USGS earth-explorer (http://earthexplorer.usgs.gov). Η πρώτη προτεραιότητα για την εύρεση της εικόνας αρχείου ήταν η ημερομηνία λήψης της, να είναι όσο το δυνατό πιο κοντά στην ημερομηνία λήψης της υπερφασματικής εικόνας (1/8/2003) έτσι ώστε να αποφευκτούν φαινολογικές διαφοροποιήσεις των καλλιεργειών, αλλά σε συνδυασμό με την ποιότητα της. Από την αναζήτηση προέκυψε ότι η πιο κοντινή ημερομηνία λήψης είναι 2/8/2003 αλλά η προεπισκόπηση της εικόνας έδειξε πιθανή αραιή νέφωση πάνω από την περιοχή μελέτης. Για τον λόγο αυτό απορρίφθηκε και επιλέχθηκε η αμέσως επόμενη λήψη (18/8/2003, path/row: 182/032) η οποία ικανοποιούσε της προϋποθέσεις ποιότητας. Ο Θεματικός Χαρτογράφος (ΤΜ) είναι ένα πολυφασματικός απεικονιστής ο οποίος παρέχει δεδομένα της γήινης επιφάνειας με χωρική διακριτική ικανότητα 30m (κανάλια 1-5 και 7) εκτός του θερμικού υπέρυθρου καναλιού (κανάλι 6) του οποίου η χωρική διακριτική ικανότητα είναι 120 m. Ο χρόνος επαναδιέλευσης του δορυφόρου είναι 16 ημέρες (Εικόνα 5.1.1.2). Το φασματικό εύρος των δεδομένων του Landsat -5 (ΤΜ) είναι 450-2350 nm (κανάλια 1-5 και 7). Στον πίνακα που ακολουθεί (Πίνακας 5.1.1.1) παρουσιάζονται το φασματικό εύρος κάθε καναλιού (http://eros.usgs.gov). Οι τιμές των εικονοστοιχείων της εικόνας είναι ψηφιακοί αριθμοί (Digital Numbers - DN values) με ραδιομετρική ανάλυση 8-bit (τιμές 0-255). Οι διαστάσεις κάθε εικόνας (frame) είναι 184 x 185.2 Km. 41

Εικόνα 5.1.1.2. Δορυφορική εικόνα Landsat -5 TM - RGB: 3,2,1. Το κόκκινο πλαίσιο απεικονίζει την περιοχή μελέτης. Πίνακας 5.1.1.1. Χαρακτηριστικά του απεικονιστή ΤΜ (USGS). Αριθμός καναλιού Ραδιομετρικό εύρος διακριτική ικανότητα 1 450-520 nm 30 2 520-600 nm 30 3 630-690 nm 30 4 760-900 nm 30 5 1550-1750 nm 30 6 10.40-12.50μm 120 7 2080-2350 nm 30 42

Τέλος, για τις καλλιέργειες της περιοχής μελέτης, χρησιμοποιήθηκαν δεδομένα δηλώσεων των καλλιεργειών που προήλθαν από τον Οργανισμό Πληρωμών και Ελέγχου Κοινοτικών Ενισχύσεων Προσανατολισμού και Εγγυήσεων ΟΠΕΚΕΠΕ και το σύστημα ΟΣΔΕ (Ολοκληρωμένο Σύστημα Διαχείρισης και Ελέγχου) για το έτος 2003. Τα εν λόγω δεδομένα περιλαμβάνουν μία βάση δεδομένων (MS Access) καθώς επίσης και γεωαναφερμένες διαφάνειες (εικόνες, μορφή geotiff) στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ 87) οι οποίες περιέχουν τα όρια των αγροτεμαχίων. Το έργο των δηλώσεων των επιδοτούμενων καλλιεργειών πραγματοποιείται κάθε χρόνο με την διαδικασία της ανάθεσης του από τον ΟΠΕΚΕΠΕ σε τρίτους (Συνεταιρισμούς, ιδιωτικές εταιρίες). Τα δεδομένα αυτά δημιουργούνται στα πλαίσια του συστήματος IACS (Integrated Administration and Control System) το οποίο υιοθετήθηκε από την Ευρωπαϊκή Ένωση το 1992 για τον έλεγχο και την καταβολή των επιδοτήσεων σύμφωνα με την ΚΑΠ. Πρόκειται για μία βάση δεδομένων η οποία περιέχει κάθε αγροτεμάχιο ή ένα τμήμα (block) αγροτικής γης, το εμβαδόν που καταλαμβάνει και το φυσικό ή νομικό πρόσωπο που δηλώνει την έκταση. Επίσης υποστηρίζεται από ένα σύστημα Γεωγραφικών Συστημάτων Πληροφοριών (LPIS Land Parcel Identification System) (FAO, 2006). Η χάραξή των ορίων των αγροτεμαχίων των δηλούμενων αγροτεμαχίων βασίζεται σε ορθοφωτοχάρτες του Υπουργείου Γεωργίας και στο θεματικό χαρτογραφικό επίπεδο των νησίδων (ILOT). Έτσι από τους ψηφιακούς γεωαναφερμένους χάρτες των δηλωμένων αγροτεμαχίων και τη βάση δεδομένων η οποία παρείχε την πληροφορία της καλλιέργειας, τον κωδικό ILOT και τον κωδικό κάθε αγροτεμαχίου που εμπίπτει στα όρια του αντίστοιχου ILOT δημιουργήθηκε ένα θεματικό επίπεδο των αγροτεμαχίων της περιοχής μελέτης δομημένο σε διανυσματική (vector) μορφή των ΓΣΠ. Η εργασία πραγματοποιήθηκε με ψηφιοποίηση των αγροτεμαχίων και τη σύνδεση της εξωτερικής βάσης δεδομένων με την περιγραφική βάση δεδομένων του θεματικού επιπέδου των αγροτεμαχίων με βάση το κοινό τους πεδίο κωδικός αγροτεμαχίου (Εικόνα 5.1.1.3). 43

Εικόνα 5.1.1.3. Απεικόνιση του διανυσματικού θεματικού επιπέδου των αγροτεμαχίων και της αντίστοιχης περιγραφικής πληροφορίας στο λογισμικό ΓΠΣ (ArcGis). Τέλος η χρησιμοποίηση των δεδομένων αυτών βασίστηκε στις ακόλουθες παραδοχές: - Ότι οι δηλώσεις των αγροτεμαχίων ήταν αληθής. - και ότι δεν υπήρξαν λάθη εισαγωγής πληροφοριών στην βάση δεδομένων και στη χάραξη των ορίων των αγροτεμαχίων κατά την διαδικασία δήλωσης. 44

5.1.2 ΛΟΓΙΣΜΙΚΑ Η εξέλιξη της τεχνολογίας των υπολογιστών την τελευταία εικοσαετία περίπου είχε ως αποτέλεσμα και την παράλληλη ανάπτυξη και εξέλιξη των λογισμικών. Έτσι τα τελευταία δέκα χρόνια παρατηρείται ένα αυξανόμενο ενδιαφέρον για τη βελτίωση των εξειδικευμένων λογισμικών που αφορούν τόσο την ανάλυση των δορυφορικών εικόνων όσο και τα Γεωγραφικά Συστήματα Πληροφοριών. Οι βελτιώσεις αυτές συνίστανται στη διευκόλυνση του χρήστη όσον αφορά το χειρισμό του λογισμικού, με την ανάπτυξη φιλικών διεπαφών χρήστη- μηχανής (Graphical User Interface- GUI) αλλά και στην ενσωμάτωση νέων τεχνικών και αλγορίθμών που αναπτύσσονται. Σήμερα υπάρχει ένας αρκετά μεγάλος αριθμός λογισμικών τόσο για την ανάλυση των δορυφορικών εικόνων όσο και Γεωγραφικών Συστημάτων Πληροφοριών αλλά και λογισμικά πού αναπτύχθηκαν βασιζόμενα σε τηλεπισκοπικές τεχνικές και τεχνικές ΓΣΠ αλλά εξυπηρετούν συγκεκριμένους τομείς όπως η περιβαλλοντική παρακολούθηση, η γεωλογία και η υδρολογία. Στην παρούσα διατριβή χρησιμοποιήθηκαν τα πιο διαδεδομένα εμπορικά λογισμικά ανάλυσης των δορυφορικών δεδομένων και Γεωγραφικών Συστημάτων Πληροφοριών. Έτσι για την ανάλυση των δορυφορικών δεδομένων χρησιμοποιήθηκαν τα λογισμικά ENVI 4.3 της εταιρείας ITT Visual Information Solutions και το ERDAS Imagine 8.7 της εταιρείας Leica Geosystems. Το λογισμικό ENVI 4.3 επιλέχθηκε διότι παρέχει ένα σύνολο εργαλείων για την ανάλυση των υπερφασματικών δεδομένων αλλά και εργαλεία για τη διαχείριση δεδομένων όπως το Hyperion tool το οποίο είναι ένα add-on tool για την εισαγωγή, διαχείριση και προ-επεξεργασία των εικόνων του Hyperion. Επίσης το λογισμικό παρέχει και το μοντέλο για την ατμοσφαιρική διόρθωση των εικόνων του Hyperion. Από την πλευρά των Γεωγραφικών Συστημάτων Πληροφοριών χρησιμοποιήθηκε το λογισμικό ArcGIS 9.0 / ArcInfo της εταιρείας ESRI για τη δημιουργία της γεωγραφικής βάσης δεδομένων των αγροτεμαχίων της περιοχής έρευνας. Τέλος οι στατιστικές αναλύσεις πραγματοποιήθηκαν με τη βοήθεια του λογισμικού Statistica 6.0 μέσω του οποίου πραγματοποιήθηκε η Διαχωριστική Ανάλυση (Stepwise Discriminant Analysis SDA). 45

5.2 ΜΕΘΟΔΟΙ Η μεθοδολογία που ακολουθήθηκε στα πλαίσια της διατριβής μπορεί να διαιρεθεί σε δυο γενικές κατηγορίες. Η πρώτη κατηγορία περιλαμβάνει τις μεθόδους για την ανάλυση των υπερφασματικών δεδομένων της εικόνας του απεικονιστή Hyperion ενώ η δεύτερη κατηγορία περιλαμβάνει την ανάλυση των πολυφασματικών δεδομένων της εικόνας του Θεματικού Χαρτογράφου Landsat 5. Στην πρώτη κατηγορία, της ανάλυσης των υπερφασματικών δεδομένων, περιγράφονται οι διεργασίες και οι μέθοδοι που ακολουθήθηκαν για την επίτευξη των δύο πρώτων επιμέρους στόχων της διατριβής, δηλαδή, τη μείωση της διάστασης των υπερφασματικών δεδομένων και την εύρεση των βέλτιστων φασματικών καναλιών που συμβάλουν στην διάκριση των υπό εξέταση γεωργικών καλλιεργειών της περιοχής έρευνας καθώς επίσης τη χρησιμοποίηση αυτών των φασματικών καναλιών για την μετέπειτα εφαρμογή των μεθόδων ταξινόμησης και την εκτίμηση της ακρίβειας τους. Στη δεύτερη κατηγορία, της ανάλυσης των πολυφασματικών δεδομένων, περιλαμβάνονται οι μέθοδοι της ταξινόμησης της εικόνας του Θεματικού Χαρτογράφου Landsat 5 καθώς και η εκτίμηση της ακρίβειας της ταξινόμησης για την επίτευξη του τρίτου επιμέρους στόχου της διατριβής, τη σύγκριση μεταξύ των υπερφασματικών και πολυφασματικών δεδομένων όσον αφορά την ταξινόμηση των γεωργικών καλλιεργειών. Πρέπει να σημειωθεί ότι σε καθεμία από τις δύο αυτές κατηγορίες, περιγράφονται πρώτα οι διεργασίες που ακολουθήθηκαν και αφορούν την προ επεξεργασία των εικόνων για την μετέπειτα εφαρμογή των μεθόδων της ανάλυσης. Τέλος μετά την περιγραφή των μεθόδων, σε κάθε υποκεφάλαιο που αντιστοιχεί σε καθέναν ξεχωριστά από τους επιμέρους στόχους της διατριβής, ακολουθεί η παρουσίαση και η συζήτηση των αποτελεσμάτων της ανάλυσης. 5.2.1 ΑΝΑΛΥΣΗ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ 5.2.1.1 ΠΡΟ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Η προ - επεξεργασία της εικόνας του υπερφασματικού απεικονιστή Hyperion συνίσταται: Α. Ραδιομετρική διόρθωση: Διόρθωση των επιδράσεων (de-striping) που οφείλονται στην τεχνολογία του απεικονιστή (pushbroom) για την καταγραφή των φασματικών δεδομένων. Στις εικόνες του απεικονιστή Hyperion λωρίδες (stripes) δηλαδή εικονοστοιχεία με ψηφιακές τιμές (DN values) μικρότερες των αμέσως γειτονικών τους εικονοστοιχείων είναι εμφανείς σε αρκετά φασματικά κανάλια τόσο στο ορατό / εγγύς υπέρυθρο (VNIR) όσο και στο μέσο υπέρυθρο (SWIR) (Εικόνα 5.2.1.1.1). 46

Οι λωρίδες αυτές θεωρείται ότι προκαλούνται από διαφοροποιήσεις της βαθμονόμησης (calibration) στη σειρά των ανιχνευτών (detector array) αφού ο απεικονιστής καταγράφει κάθε στήλη (column) του κάθε φασματικού καναλιού σε ξεχωριστό ανιχνευτή (detector) (Goodenough 2003, Datt 2003). Ο Goodenough et.al (2003) προτείνει τη διόρθωση των λωρίδων αυτών με την αντικατάσταση της τιμής κάθε εικονοστοιχείου με την μέση τιμή των αμέσως γειτονικών του εικονοστοιχείων (δεξιά και αριστερά του εικονοστοιχείου) δεδομένου της υψηλής χωρικής αυτοσυσχέτισης (spatial autocorrelation) των γειτονικών εικονοστοιχείων με το «υπό διόρθωση» εικονοστοιχείο. Η δυνατότητα αυτή παρέχεται από το λογισμικό ENVI και το προστιθέμενο σε αυτό εργαλείο (add- on tool) Hyperion_tool. Πρόκειται για ένα εργαλείο εισαγωγής της εικόνας από την πρωτογενή της μορφή (HDF Format) σε μορφή του περιβάλλοντος του λογισμικού που επιπλέον παρέχει την δυνατότητα να αναγνωρίσει και να διορθώσει τις λωρίδες. Εικόνα 5.2.1.1.1. Απεικόνιση του φασματικού καναλιού 13 πριν την διόρθωση (αριστερά) της στήλης 114 και μετά την διόρθωση (δεξιά). 47

Επίσης ο Datt et.al (2003) αναφέρει ότι εκτός από τις προαναφερόμενες διακριτές λωρίδες υπάρχουν και συμπλέγματα (blocks) από λωρίδες ιδιαίτερα στα φασματικά κανάλια του μέσου υπέρυθρου (SWIR) που οφείλονται σε διαδικασίες εμφάνισης της πληροφορίας από τους ανιχνευτές (read - out processes) και τα οποία μπορούν να διορθωθούν με την χρήση τοπικών φίλτρων (local filters) με εύρος 41 εικονοστοιχείων. Η διαδικασία αυτή δεν ακολουθήθηκε στην παρούσα διατριβή. Β. Ατμοσφαιρική διόρθωση. Ακόμη και αν οι δορυφορικοί απεικονιστές λειτουργούν σωστά, στα δεδομένα των δορυφορικών εικόνων εισάγονται ραδιομετρικά λάθη που οφείλονται στην αλληλεπίδραση μεταξύ της ατμόσφαιρας και της ηλεκτρομαγνητικής ακτινοβολίας (Jensen 2005). Για μία επίπεδη επιφάνεια, η ακτινοβολία που καταγράφει ο δορυφορικός απεικονιστής αποτελείται από εξής τρία συστατικά μέρη (Richter 2003) (Εικόνα 5.2.1.1.2): 1. την σκεδαζόμενη (scattered) ακτινοβολία από την ατμόσφαιρα (path radiance) (L1) 2. την ακτινοβολία που ανακλάται κατευθείαν από το υπό εξέταση εικονοστοιχείο (στόχου) - (L2) 3. την ακτινοβολία που ανακλάται από τα γειτονικά του εικονοστοιχείου στόχου και σκεδάζεται στη διεύθυνση καταγραφής του απεικονιστή (L3). Εικόνα 5.2.1.1.2. Σχηματική απεικόνιση της ακτινοβολίας που καταγράφει ο απεικονιστής. Από τα τρία αυτά συστατικά μέρη της ακτινοβολίας που καταγράφεται από τον απεικονιστή μόνο η ακτινοβολία (L2) που ανακλάται από το εικονοστοιχείο «στόχο» περιέχει πληροφορίες του συγκεκριμένου τμήματος της γήινης επιφάνειας ενώ τα υπόλοιπα πρέπει να αφαιρεθούν κατά την διαδικασία της ατμοσφαιρικής διόρθωσης. 48

Ο Jensen (2005) αναφέρει ότι υπάρχουν διάφοροι τρόποι για την πραγματοποίηση της ατμοσφαιρικής διόρθωση σε δεδομένα των δορυφορικών εικόνων. Πολλές από τις μεθόδους αυτές είναι σχετικά απλές ενώ άλλες βασίζονται σε αρχές της φυσικής και απαιτούν την πληροφορία πολλών παραμέτρων για να εφαρμοστούν. Οι μέθοδοι της ατμοσφαιρικής διόρθωσης μπορούν να κατηγοριοποιηθούν στις εξής δύο κατηγορίες που είναι οι απόλυτες ατμοσφαιρικές διορθώσεις (Absolute atmospheric corrections) και οι σχετικές ατμοσφαιρικές διορθώσεις (Relative atmospheric corrections). Ο γενικός σκοπός των μεθόδων της απόλυτης ατμοσφαιρικής διόρθωσης είναι η μετατροπή των ψηφιακών τιμών (DN values) των δορυφορικών εικόνων σε τιμές ανάκλασης της επιφάνειας (surface reflectance). Οι μέθοδοι που αναπτύχθηκαν βασίζονται σε ατμοσφαιρικά μοντέλα κώδικες μεταφοράς της ακτινοβολίας (radiative transfer models). Τα ατμοσφαιρικά αυτά μοντέλα μπορούν να εφαρμοστούν με την τροφοδότηση από τους χρήστες πληροφορίες που αφορούν βασικά ατμοσφαιρικά χαρακτηριστικά αλλά απαιτείται και η ύπαρξη συγκεκριμένων φασματικών καναλιών (atmospheric absorption bands) που πρέπει να περιέχονται στα δεδομένα των δορυφορικών εικόνων. Τα περισσότερα ατμοσφαιρικά μοντέλα για να εφαρμοστούν απαιτούν πληροφορίες όπως τις γεωγραφικές συντεταγμένες του κέντρου της δορυφορικής εικόνας, την ημερομηνία και την ώρα λήψης της εικόνας, το ύψος της τροχιάς του δορυφόρου, το μέσο υψόμετρο της περιοχής, την επιλογή κάποιου ατμοσφαιρικού μοντέλου, την ορατότητα της περιοχής και πληροφορίες των φασματικών καναλιών της εικόνας όπως είναι το μέσο μήκος κύματος (center wavelength). Πρέπει να σημειωθεί ότι πριν από την εφαρμογή των μοντέλων αυτών οι ψηφιακές τιμές των δορυφορικών εικόνων πρέπει να μετατραπούν σε τιμές ακτινοβολίας (at sensor radiance). Έχουν αναπτυχθεί διάφορα ατμοσφαιρικά μοντέλα που βασίζονται σε κώδικες μεταφοράς της ακτινοβολίας (radiative transfer models) όπως είναι το MODTRAN 4+ (Alder Golden et.al., 1995) ή το Second Simulation of the Satellite Signal in the Solar Spectrum -6S (Tarne et.al., 1986). Μερικά από αυτά τα μοντέλα μεταξύ άλλων είναι το ACORN (Atmospheric Correction Now), ATERM (Atmospheric Removal Program), FLAASH (Fast Line - of sight Atmospheric Analysis of Spectral Hypercubes) και το ATCOR (Atmospheric Correction Program). Πολλά από τα παραπάνω ατμοσφαιρικά μοντέλα έχουν ενσωματωθεί στα λογισμικά ανάλυσης δορυφορικών εικόνων όπως το μοντέλο FLAASH το οποίο βρίσκεται στο λογισμικό ENVI 4.3 καθώς και το μοντέλο ATCOR το οποίο έχει ενσωματωθεί στο λογισμικό ERDAS Imagine. Το μοντέλο FLAASH αναπτύχθηκε από την εταιρεία Spectral Sciences Inc σε συνεργασία με το ερευνητικό εργαστήριο της Αμερικανικής πολεμικής αεροπορίας (U.S Air force Research Lab) και το οποίο παρέχει την διόρθωση των εικόνων για κάθε εικονοστοιχείο και κάθε φασματικό κανάλι. Το εν λόγω μοντέλο χρησιμοποιεί τον 49

κώδικα μεταφοράς της ακτινοβολίας MODTRAN 4+ για τη διόρθωση της ατμοσφαιρική επίδρασης από την ατμοσφαιρική υγρασία, το διοξείδιο του άνθρακα, το οξυγόνο, το μεθάνιο, το όζον καθώς και τη μοριακή σκέδαση (molecular scattering) αλλά και τη σκέδαση που προκαλείται από τα στερεά τεμαχίδια της ατμόσφαιρας (aerosol scattering). Το μοντέλο ATCOR αναπτύχθηκε από το Γερμανικό Κέντρο Αεροδιαστημικής (German Aerospace Center DLR) και αποτελείται από τον αλγόριθμο ATCOR 2 (για επίπεδες επιφάνειες), ATCOR 3 (λαμβάνει υπόψη και το ανάγλυφο) και τον αλγόριθμο ATCOR 4 που χρησιμοποιείται για την ατμοσφαιρική διόρθωση δεδομένων των αερομεταφερόμενων απεικονιστών και χρησιμοποιεί τον κώδικα μεταφοράς της ακτινοβολίας MODTRAN 4+ για τον υπολογισμό των ατμοσφαιρικών παραμέτρων (path radiance, atmospheric transmittance, direct και diffuse solar flux). Τέλος πολλά από αυτά τα ατμοσφαιρικά μοντέλα όπως για παράδειγμα το μοντέλο FLAASH επιτρέπει στους χρήστες την ενσωμάτωση στο μοντέλο επίγειων φασματικών μετρήσεων που πραγματοποιήθηκαν σε ομογενείς περιοχές (π.χ μετρήσεις ανάκλασης γυμνού εδάφους, καθαρού νερού) με αποτέλεσμα το μοντέλο στις συγκεκριμένες περιοχές προσπαθεί να προσαρμόσει τα συγκεκριμένα εικονοστοιχεία στα φασματικά χαρακτηριστικά των επίγειων μετρήσεων. Η μέθοδος αυτή είναι γνωστή ως Single Spectrum Enhancement. Απόλυτή ατμοσφαιρική διόρθωση μπορεί επίσης να πραγματοποιηθεί με τη χρησιμοποίηση Εμπειρικών Γραμμικών Μεθόδων (Empirical Line Calibration -ELC). Με τη μέθοδο αυτή τα δεδομένα των δορυφορικών εικόνων διορθώνονται με βάση επίγειων μετρήσεων ανάκλασης που συλλέχθηκαν σχεδόν την ίδια ημέρα και ώρα με τη δορυφορική εικόνα. Συνήθως χρησιμοποιούνται δυο η περισσότερες ομογενείς περιοχές με διαφορική ανακλαστική ικανότητα (albedo) όπως ένας φωτεινός στόχος (γυμνό έδαφος) και ένα σκοτεινός στόχος (καθαρό νερό). Από τα δεδομένα της εικόνας των επιλεγμένων περιοχών και τις επίγειες μετρήσεις και με τη χρήση μεθόδων παλινδρόμησης υπολογίζονται οι συντελεστές (gain) και (offset) της γραμμικής εξίσωσης μεταξύ των επίγειών μετρήσεων (reflectance) και των ψηφιακών τιμών των εικονοστοιχείων (DN values) των εικόνων για κάθε φασματικό κανάλι. Οι εξισώσεις αυτές στη συνέχεια εφαρμόζονται στο σύνολο των εικονοστοιχείων της εικόνας για τη διόρθωση της ατμοσφαιρικής επίδρασης. Όταν είναι αδύνατο να εφαρμοστούν τα ατμοσφαιρικά μοντέλα δηλαδή όταν όλες οι απαιτούμενες πληροφορίες δεν είναι διαθέσιμες, μπορούν να χρησιμοποιηθούν μέθοδοι σχετικής ατμοσφαιρικής διόρθωσης. Τέτοια μέθοδος είναι η ρύθμιση του ιστογράμματος της εικόνας (Histogram Adjustment) η οποία βασίζεται κυρίως στο γεγονός ότι τα δεδομένα που καταγράφονται στο εγγύς υπέρυθρο επηρεάζονται λιγότερο από τις ατμοσφαιρικές επιδράσεις σε αντίθεση με τα δεδομένα που καταγράφονται στο τμήμα του ορατού. Αυτό έχει ως αποτέλεσμα τα φασματικά κανάλια του ορατού να περιέχουν «αυξημένες» ελάχιστες ψηφιακές τιμές που οφείλονται στην ατμοσφαιρική διάχυση (scattering) ενώ αντίθετα η 50

ατμοσφαιρική απορρόφηση να αφαιρεί τη φωτεινότητα των δεδομένων που καταγράφονται στα μεγαλύτερα μήκη κύματος. Με αυτόν τον τρόπο η αφαίρεση της ελάχιστης τιμής από τα δεδομένα του κάθε φασματικού καναλιού συμβάλει στην διόρθωση της επίδρασης της ατμοσφαιρικής διάχυσης (haze). Για τη διόρθωση της υπερφασματικής εικόνας του Hyperion χρησιμοποιήθηκε το ατμοσφαιρικό μοντέλο FLAASH του λογισμικού ENVI 4.3 (Εικόνα 5.2.1.1.3). Όπως έχει ήδη αναφερθεί, οι τιμές των εικονοστοιχείων είναι τιμές ακτινοβολίας (W/m2 SRµm) σε 16-bit κλίμακα. Οι τιμές αυτές στα κανάλια του μέσου υπέρυθρου (SWIR) είναι πολλαπλασιασμένες με ένα συντελεστή (scale factor) 80 ενώ οι αντίστοιχες τιμές στο ορατό /εγγύς υπέρυθρο (VNIR) είναι πολλαπλασιασμένες με 40. Οι απαιτούμενες πληροφορίες που πρέπει να εισαχθούν στο μοντέλο όπως φαίνεται και στην (Εικόνα 5.2.1.1.3) είναι: - Οι γεωγραφικές συντεταγμένες του κέντρου της δορυφορικής εικόνας. - Ο τύπος του απεικονιστή - Το υψόμετρο της τροχιάς του απεικονιστή - Η ημερομηνία και ή ώρα λήψης της εικόνας και - Το μέγεθος του εικονοστοιχείου της εικόνας Αυτές οι πληροφορίες ήταν διαθέσιμες από το συνοδευτικό αρχείο της εικόνας (Header file- hdr) και είναι διαθέσιμές για τους περισσότερους απεικονιστές. Εικόνα 5.2.1.1.3. Απεικόνιση του γραφικού περιβάλλοντος του ατμοσφαιρικού μοντέλου FLAASH και οι απαιτούμενες παράμετροι εισαγωγής για την διόρθωση της εικόνας του Hyperion. 51

Για την εκτίμηση του περιεχόμενου νερού της ατμόσφαιρας (water vapor column) δίνεται η δυνατότητα είτε της χρησιμοποίησης συγκεκριμένης ατμόσφαιράς του μοντέλου MODTRAN είτε ο υπολογισμός του για κάθε εικονοστοιχείο με τη χρησιμοποίηση συγκεκριμένων (water absorption bands) φασματικών καναλιών (1135nm, 940nm, 820nm). Στη συγκεκριμένη περίπτωση χρησιμοποιήθηκε το φασματικό κανάλι 1135nm και το οποίο εντοπίζεται αυτόματα από το μοντέλο καθώς τα μήκη κύματος των φασματικών καναλιών έχουν ενσωματωθεί στην πληροφορία της εικόνας (Header file- hdr) (ENVI user s guide). Επίσης δίδεται η δυνατότητα για την εκτίμηση της σύστασης της ατμόσφαιρας (aerosol type / haze) είτε με τη χρησιμοποίηση συγκεκριμένου τύπου του μοντέλου MODTRAN και την εισαγωγή σταθερής τιμής ορατότητας (visibility) είτε με την χρησιμοποίηση της μεθόδου του λόγου ανάκλασης του σκοτεινού εικονοστοιχείου (dark pixel reflectance ratio) που αναπτύχθηκε από τον Kaufman et al., 1997 και απαιτεί την ύπαρξη συγκεκριμένων φασματικών καναλιών στην φασματική περιοχή 2100 και 660 nm (ENVI user s guide) και η οποία χρησιμοποιήθηκε για την διόρθωση της εικόνας του Hyperion. Επίσης χρησιμοποιήθηκε και η επιλογή για την διόρθωση της επίδρασης των γειτονικών εικονοστοιχείων στο εικονοστοιχείο στόχο (adjacency correction) και η προτεινόμενη από τον αλγόριθμο συγκέντρωση του διοξειδίου του άνθρακα (ENVI user s guide). Η εικόνα που δημιουργήθηκε μετά την εφαρμογή της ατμοσφαιρικής διόρθωσης παρέχει τιμές ανάκλασης (surface reflectance) οι οποίες είναι υπό κλίμακα (scale factor: 10.000), δηλαδή η τιμή 10000 αντιστοιχεί σε 100% ανάκλαση. Η ποιοτική αξιολόγηση της ατμοσφαιρικά διορθωμένης εικόνας πραγματοποιήθηκε με τη σύγκριση των φασματικών καμπυλών (Spectral Analyst) της ανάκλασης που προήλθαν από εικονοστοιχεία βλάστησης με αντίστοιχες καμπύλες φασματικών βιβλιοθηκών (USGS Vegetation Spectral Library) του λογισμικού (ENVI User s Guide). 52

Εικόνα 5.2.1.1.4. Απεικόνιση του γραφικού περιβάλλοντος του Spectral Analyst σύγκριση της ατμοσφαιρικά διορθωμένης εικόνας με φασματικές βιβλιοθήκες. Γ. Γεωμετρική διόρθωση. Η γεωμετρική διόρθωση των δορυφορικών εικόνων είναι η διαδικασία που συμβάλει στην εξάλειψη των γεωμετρικών παραμορφώσεων της εικόνας (geometric distortion) έτσι ώστε κάθε εικονοστοιχείο της εικόνάς να εγγραφεί (register) στην κατάλληλη γεωγραφική θέση (map location). Με αυτόν τον τρόπο τα δορυφορικά δεδομένα μπορούν να συνδυαστούν με άλλα θεματικά επίπεδα πληροφορίας (GIS thematic layers) ή να αποτελέσουν την πηγή πληροφορίας για την δημιουργία νέων θεματικών πληροφοριών ή την ενημέρωση αυτών. Οι δορυφορικές εικόνες συνήθως παρουσιάζουν γεωμετρικά σφάλματα που μπορούν να διακριθούν σε εσωτερικά και εξωτερικά γεωμετρικά σφάλματα και μπορούν να είναι είτε συστηματικά ή τυχαία. Τα συστηματικά λάθη σε αντίθεση με τα μη συστηματικά (τυχαία) είναι ευκολότερο να αναγνωριστούν και να διορθωθούν (Συλλαίος 2007, Jensen 2005). Τα εσωτερικά γεωμετρικά σφάλματα, συνήθως, εισάγονται από τα ίδια τα δορυφορικά συστήματα ή σε συνδυασμό με την περιστροφή της γης ή με ορισμένα χαρακτηριστικά της καμπυλότητας της. Αυτές οι παραμορφώσεις είναι συχνά συστηματικές και μπορούν να προβλεφθούν και να διορθωθούν είτε πριν την εκτόξευση του δορυφόρου είτε με την καταγραφή, κατά την διάρκεια της λήψης, των γεωμετρικών χαρακτηριστικών του απεικονιστή και της γης. Στην κατηγορία αυτή ανήκουν οι γεωμετρικές παραμορφώσεις από την περιστροφή της γης (skew), στη διακύμανση της ονομαστικής επίγειας χωρικής 53

ανάλυσης και στη διακύμανση της ταχύτητας περιστροφής του καθρέπτη του συστήματος σάρωσης. Τα εξωτερικά γεωμετρικά σφάλαματα οφείλονται κατά κύριο λόγο από τυχαίες κινήσεις του δορυφόρου κατά τη δεδομένη στιγμή της σάρωσης της επιφάνειας της γης και περιλαμβάνει την αλλαγή του υψομέτρου της τροχιάς του καθώς επίσης και την κύλιση (roll), την μετάπτωση (pitch) και την εκτροπή (yaw) του. Τα περισσότερα δορυφορικά δεδομένα που είναι σήμερα εμπορικά διαθέσιμα είναι διορθωμένα από την πλευρά των συστηματικών γεωμετρικών σφαλμάτων σε αντίθεση με τα μη συστηματικά σφάλαματα. Τα σφάλματα από την κύλιση, μετάπτωση και εκτροπή του δορυφόρου πρέπει να υπολογιστούν, για κάθε εικόνα, με σκοπό την ακριβέστερη διόρθωσή τους. Η διόρθωση περιλαμβάνει τον εντοπισμό και αναγνώριση γεωγραφικών στοιχείων στην εικόνα που είναι αμετάβλητα στο χρόνο και ονομάζονται σταθερά σημεία επιφάνειας (ground control points - GCPs) και των οποίων η θέση είναι γνωστή όπως για παράδειγμα διασταυρώσεις δρόμων. Οι διαφορές μεταξύ των πραγματικών (στο έδαφος) και των παρατηρούμενων (στην εικόνα) σταθερών σημείων χρησιμοποιούνται για τον καθορισμό των γεωμετρικών μετασχηματισμών που απαιτούνται για τη διόρθωση των εικόνων. Η μέθοδος της επαναδειγματοληψίας των αρχικών εικονοστοιχείων χρησιμοποιείται για την επανατοποθέτηση στις σωστές γεωμετρικές συντεταγμένες (Συλλαίος 2007). Συνήθως δύο μέθοδοι χρησιμοποιούνται για την διόρθωση των μη συστηματικών γεωμετρικών λαθών και είναι οι εξής: Η αναγωγή εικόνα με χάρτη (image to map rectification) Η εγγραφή εικόνα με εικόνα (image to image registration) Η αναγωγή των εικόνων με βάση την διαδικασία εικόνα με χάρτη (image to map rectification) πραγματοποιείται με τη χρήση σταθερών σημείων επιφάνειας (ground control points - GCPs) της εικόνας και των αντίστοιχων σημείων στο χάρτη όπως έχει αναφερθεί και νωρίτερα. Ως χάρτες αναφοράς για την διεργασία αυτή μπορούν να τοπογραφικοί χάρτες της Γεωγραφικής Υπηρεσίας Στρατού, ορθοφωτοχάρτες ή και σταθερά σημεία που έχουν συλλεχθεί κατά την διάρκεια της εργασία πεδίου με συστήματα εντοπισμού θέσης (Global Positioning Systems GPS). Η γεωμετρική παρεμβολή (spatial interpolation) μεταξύ των σημείων της εικόνας και του χάρτη επιτυγχάνεται με πολυωνυμικές εξισώσεις. Η πιο διαδεδομένη εξίσωση είναι η πολυωνυμική εξίσωση του πρώτου βαθμού (γραμμική εξίσωση) και εφαρμόζεται προκειμένου να διορθωθεί μία δορυφορική εικόνα για παραμορφώσεις που αφορούν μετατόπιση, στροφή και αλλαγή της κλίμακας. Στο γραμμικό μετασχηματισμό (αφινικός), μια ευθεία γραμμή στην αρχική εικόνα (πριν την υλοποίηση του μετασχηματισμού) θα παραμένει ευθεία και στη μετασχηματισμένη εικόνα, μετά την υλοποίηση του μετασχηματισμού. 54

Σε αντίθεση με το γραμμικό, ο πολυωνυμικός μετασχηματισμός, πολυώνυμο βαθμού μεγαλύτερου της μονάδος, επιτρέπει τη διόρθωση μη γραμμικών παραμορφώσεων. Ο πολυωνυμικός μετασχηματισμός εξαρτάται περισσότερο από την επιλογή (θέση, κατανομή) των σημείων ελέγχου σε σχέση με τον γραμμικό μετασχηματισμό. (Συλλαίος 2007, Jensen 2005) Επίσης, εκτός από την γεωμετρική παρεμβολή, κατά την διαδικασία διόρθωσης των εικόνων λαμβάνει χώρα και η επαναδειγματοληψία της εικόνας, δηλαδή, η εξαγωγή των τιμών της φωτεινότητας των εικονοστοιχείων (DN values) της αρχικής εικόνας (μη διορθωμένης) και η επανατοποθέτηση τους στην διορθωμένη εικόνα (resampling). Η διαδικασία αυτή επιτυγχάνεται με την εφαρμογή μεθόδων παρεμβολής όπως είναι η μέθοδος παρεμβολής της κοντινότερης γειτονικής θέσης (nearest neighbor), η διγραμμική (bilinear interpolation) και η κυβική μέθοδος (cubic interpolation). Το ποσοστό επιτυχίας του μετασχηματισμού ελέγχεται από τη σύγκριση του μέσου τετραγωνικού σφάλματος των σημείων επίγειου ελέγχου. Πιο συγκεκριμένα: RMS error = n ( Xi xi) + ( Yi yi) 1 2 2 n 1 Όπου (Χ,Υ) οι συντεταγμένες των σημείων επιγείου ελέγχου στο χάρτη και (χ,y) οι συντεταγμένες των σημείων επιγείου ελέγχου έτσι όπως υπολογίζονται από τον μετασχηματισμό. Η εγγραφή των εικόνων με βάση τη διαδικασία εικόνα με εικόνα (image to image registration) πραγματοποιείται όταν δεν είναι απαραίτητος ο μετασχηματισμός μίας δορυφορική εικόνας σε ένα συγκεκριμένο σύστημα συντεταγμένων. Κατά την διαδικασία αυτή δύο εικόνες που έχουν την ίδια γεωμετρία και καλύπτουν την ίδια γεωγραφική περιοχή μετατοπίζονται έτσι ώστε να επιτευχθεί η σύμπτωση των αντίστοιχών εικονοστοιχείων τους. Ως παράδειγμα για τη χρησιμοποίηση του μετασχηματισμού μπορεί να αναφερθεί η εξέταση των αλλαγών που έχουν πραγματοποιηθεί σε μία περιοχή με βάση τις διαφορές των τιμών φωτεινότητας των αντίστοιχων εικονοστοιχείων (Jensen 2005). Η γεωμετρική αναγωγή της εικόνας του Hyperion επιτεύχθηκε με την μέθοδο μετασχηματισμού εικόνα με χάρτη (image to map rectification). Ως χάρτες αναφοράς για τον μετασχηματισμό της εικόνας στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ 87) χρησιμοποιήθηκαν οι ορθοφωτοχάρτες του Υπουργείου Γεωργίας (Εικόνα 5.2.1.1.5). 55

Εικόνα 5.2.1.1.5. Απεικόνιση της διαδικασίας της γεωμετρικής διόρθωσης στο περιβάλλον του λογισμικού ENVI 4.3 Για το μετασχηματισμό χρησιμοποιήθηκαν 12 σημεία σταθερής επιφάνειας (Ground Control Points GCPs) και η πολυωνυμική εξίσωση πρώτου βαθμού (first order polynomial). Το μέσο τετραγωνικό σφάλμα που επιτεύχθηκε είναι 0.1811 του μεγέθους του εικονοστοιχείου και θεωρείται αποδεκτό σφάλμα (μικρότερο του 1 εικονοστοιχείου). Για την επαναδειγματοληψία (resampling) των εικονοστοιχείων της αρχικής εικόνας χρησιμοποιήθηκε η μέθοδος παρεμβολής της κοντινότερης γειτονικής θέσης (nearest neighbor). Δ. Οπτική εκτίμηση των φασματικών καναλιών της υπερφασματικής εικόνας του Hyperion. Μετά την πραγματοποίηση της ατμοσφαιρικής διόρθωσης της εικόνας του Hyperion πραγματοποιήθηκε οπτική εκτίμηση των φασματικών καναλιών για την απομάκρυνση των καναλιών αυτών που παρουσιάζουν θόρυβο (residual noise) (Datt et.al., 2003, Pengra et.al., 2006, Jensen 2005). Από τα 242 φασματικά κανάλια των εικόνων του απεικονιστή Hyperion τα 44 κανάλια (Πίνακας 5.2.1.1.1) δεν είναι βαθμονομημένα (radiometric calibrated) και στο επίπεδο (level 1R) των εικόνων τα φασματικά κανάλια αυτά περιέχουν μηδενικές τιμές. 56

Πίνακας 5.2.1.1.1. Μη βαθμονομημένα φασματικά κανάλια του Hyperion. α/α Αριθμός καναλιού Μήκος κύματος (nm) 1 1 357.21 2 2 367.38 3 3 377.56 4 4 387.73 5 5 397.91 6 6 408.08 7 7 418.26 8 58 937.17 9 59 947.34 10 60 957.52 11 61 967.69 12 62 977.87 13 63 988.04 14 64 998.22 15 65 1008.40 16 66 1018.57 17 67 1028.75 18 68 1038.92 19 69 1049.10 20 70 1059.27 21 71 836.67 22 72 846.75 23 73 856.84 24 74 866.93 25 75 877.02 26 76 887.20 27 225 2392.06 28 226 2402.15 29 227 2412.26 30 228 2422.26 31 229 2432.45 32 230 2442.55 33 231 2452.55 34 232 2462.64 35 233 2472.75 36 234 2482.85 37 235 2492.95 38 236 2503.04 39 237 2513.13 40 238 2523.24 41 239 2533.34 42 240 2543.43 43 241 2553.43 44 242 2563.53 57

Επίσής απομακρύνθηκαν, πέραν των 44 αυτών, τα φασματικά κανάλια που τα δεδομένα τους επηρεάζονται ισχυρά από την επίδραση της ατμόσφαιρας. Με αυτόν τον τρόπο από τα 242 κανάλια, για την περαιτέρω επεξεργασία της εικόνας, χρησιμοποιήθηκαν τα 131 φασματικά κανάλια (12-57, 84-96, 103-118, 135-163, 191-217). Στον πίνακα που ακολουθεί (Πίνακας 5.2.1.1.2) δίδονται τα μήκη κύματος των εν λόγω φασματικών καναλιών. Πίνακας 5.2.1.1.2. Τα φασματικά κανάλια της εικόνας του Hyperion που επιλέχθηκαν για την α/α Αρ.Φασμ. καναλιού Hyperion περαιτέρω ανάλυση. Μήκος κύματος (nm) α/α Αρ.Φασμ. καναλιού Hyperion Μήκος κύματος (nm) α/α Αρ.Φασμ. καναλιού Hyperion Μήκος κύματος (nm) 1 12 469.138 46 57 926.995 91 150 1632.33997 2 13 479.31299 47 84 967.83099 92 151 1642.39001 3 14 489.48599 48 85 977.91901 93 152 1652.45996 4 15 499.65399 49 86 988.04797 94 153 1662.53003 5 16 509.81799 50 87 998.047 95 154 1672.59998 6 17 519.97803 51 88 1008.15002 96 155 1682.68994 7 18 530.13397 52 89 1018.25 97 156 1692.78003 8 19 540.28802 53 90 1028.37 98 157 1702.89001 9 20 550.43903 54 91 1038.47998 99 158 1713 10 21 560.58801 55 92 1048.60999 100 159 1723.03003 11 22 570.73798 56 93 1058.72998 101 160 1733.16003 12 23 580.88702 57 94 1068.85999 102 161 1743.30005 13 24 591.03802 58 95 1079 103 162 1753.45996 14 25 601.19 59 96 1089.13 104 163 1763.62 15 26 611.34497 60 103 1160.06006 105 191 2047.77002 16 27 621.50201 61 104 1170.19995 106 192 2057.90991 17 28 631.664 62 105 1180.34998 107 193 2068.05005 18 29 641.828 63 106 1190.5 108 194 2078.19995 19 30 651.99701 64 107 1200.64001 109 195 2088.3501 20 31 662.16998 65 108 1210.68005 110 196 2098.51001 21 32 672.34802 66 109 1220.81006 111 197 2108.66992 22 33 682.53302 67 110 1230.94995 112 198 2118.84009 23 34 692.72302 68 111 1241.07996 113 199 2129 24 35 702.91602 69 112 1251.19995 114 200 2139.07007 25 36 713.10999 70 113 1261.32996 115 201 2149.23999 26 37 723.30402 71 114 1271.43994 116 202 2159.3999 27 38 733.49402 72 115 1281.55005 117 203 2169.57007 28 39 743.67902 73 116 1291.66003 118 204 2179.73999 29 40 753.85797 74 117 1301.76001 119 205 2189.8999 30 41 764.039 75 118 1311.76001 120 206 2200.06006 31 42 774.23199 76 135 1482.29004 121 207 2210.21997 32 43 784.43201 77 136 1492.30005 122 208 2220.37012 33 44 794.638 78 137 1502.30005 123 209 2230.51001 34 45 804.84302 79 138 1512.30005 124 210 2240.56006 58

35 46 815.04498 80 139 1522.19995 125 211 2250.68994 36 47 825.237 81 140 1532.19995 126 212 2260.82007 37 48 835.41901 82 141 1542.20996 127 213 2270.94995 38 49 845.59399 83 142 1552.21997 128 214 2281.06006 39 50 855.76898 84 143 1562.22998 129 215 2291.16992 40 51 865.94397 85 144 1572.23999 130 216 2301.27002 41 52 876.11902 86 145 1582.26001 131 217 2311.37012 42 53 886.29401 87 146 1592.28003 43 54 896.46899 88 147 1602.31006 44 55 906.64398 89 148 1612.34998 45 56 916.81897 90 149 1622.29004 59

5.2.1.2 ΜΕΙΩΣΗ ΤΗΣ ΔΙΑΣΤΑΣΗΣ ΤΗΣ ΦΑΣΜΑΤΙΚΗΣ ΠΛΗΡΟΦΟΡΙΑΣ ΕΥΡΕΣΗ ΤΩΝ ΒΕΛΤΙΣΤΩΝ ΦΑΣΜΑΤΙΚΩΝ ΚΑΝΑΛΙΩΝ ΓΙΑ ΤΗ ΔΙΑΚΡΙΣΗ ΤΩΝ ΥΠΟ ΕΞΕΤΑΣΗ ΓΕΩΡΓΙΚΩΝ ΚΑΛΛΙΕΡΓΕΙΩΝ. Τα υπερφασματικά δεδομένα, σε σχέση με τα πολυφασματικά, παρουσιάζουν μεγαλύτερη δυσκολία στην ανάλυση τους γεγονός που οφείλεται αφενός στη μεγάλη διαστατικότητά τους (data dimensionality) και η οποία συνδέεται με την καταγραφή της φασματικής πληροφορίας σε εκατοντάδες κανάλια στενού εύρους και αφετέρου στον θόρυβο τυχαίο ή συνδεδεμένο με την δομή του απεικονιστή (Συλλαίος 2007, Jensen 2005, Gianinetto και Lechi 2004). Για την αποθήκευση της πληροφορίας των υπερφασματικών δεδομένων απαιτείται, σε σύγκριση με τα πολυφασματικά δεδομένα, μεγαλύτερος όγκος αποθηκευτικών μέσων αλλά και μεγαλύτερη επεξεργαστική ισχύς και μνήμης των υπολογιστών καθώς επίσης και περισσότερος χρόνος για την επεξεργασία τους. Ο Thenkabail (2004), αναφέρει ότι για την αποθήκευση μίας δορυφορική εικόνας του απεικονιστή Hyperion για μία περιοχή ισοδύναμη με αυτή που καλύπτεται από τον Θεματικό χαρτογράφο Landsat TM απαιτείται αποθηκευτικός χώρος ισοδύναμος με αυτόν για την αποθήκευση 73 εικόνων του Θεματικού χαρτογράφου Landsat TM. Έρευνες έχουν δείξει ότι η βέλτιστη πληροφορία για τον ποσοτικό χαρακτηρισμό της δασικής βλάστησης (Blackburn 1998, Broge και Leblanc 2000) και των αγροτικών καλλιεργειών (Carter 1994, Thenkabail 2000) βρίσκεται μόνο σε μερικά συγκεκριμένα φασματικά κανάλια στενού εύρους (narrowbands) κάνοντας αναφορά στην πλεονάζουσα πληροφορία που παρέχεται από τα υπόλοιπα φασματικά κανάλια. Ο Thenkabail et.al.,2004, αναφέρει ότι έχουν χρησιμοποιηθεί διάφορες μέθοδοι για την εύρεση των βέλτιστών φασματικών καναλιών για την εκτίμηση των χαρακτηριστικών της βλάστησης και των γεωργικών καλλιεργειών όπως η χρησιμοποίηση φασματικών δεδομένων συγκεκριμένων φασματικών καναλιών (Mariotti et.al., 1996), δείκτες βλάστησης (Lyon et.al., 1998, Aoki 1981, Carter 1994, Lichtenhaler 1996, Thenkabail 1999, Thenkabail et.al., 2000), η παράγωγη (derivative reflectance) φασματική ανάλυση (Elvidge και Chen 1995, Curran et.al., 1991, Thenkabail et.al., 2000) και η προσέγγιση της γραμμικής (linear Mixture Modeling) φασματικής μείξης (Mass 2000, McGwire et.al., 2000). Επίσης στατιστικές μέθοδοι όπως η ανάλυση των Κυρίων Συνιστωσών Principal Component Analysis (Thenkabail et.al.,2004, Xu και Gong 2003, Pu και Gong 2004, Almeida και Filho 2004, Zhang et.al.,2004) καθώς επίσης και η μέθοδος της Διαχωριστικής Ανάλυσης discriminant analysis (Galvao et.al.,2005, Xu και Gong 2003, Yu et.al.,1999, Apan et.al.,2004, Ray et.al.,2006) έχουν χρησιμοποιηθεί για τη μείωση της διάστασης της φασματικής πληροφορίας των υπερφασματικών δεδομένων. Ακόμη ένα χρήσιμος αλγόριθμος για τη μείωση της διαστατικότητας των υπερφασματικών δεδομένων και την ελαχιστοποίηση του θορύβου των εικόνων είναι ο μετασχηματισμός Minimum Noise Fraction MNF (Green et.al., 1988). O (Jensen, 60

2005) σύμφωνα με τους (Boardman και Kruse, 1994) αναφέρει ότι ο μετασχηματισμός MNF χρησιμοποιείται για τον καθορισμό της εγγενούς (inherent) διαστατικότητας των υπερφασματικών δεδομένων, την αναγνώριση και το διαχωρισμό του θορύβου των δεδομένων και για τη μείωση των υπολογιστικών απαιτήσεων της περαιτέρω ανάλυσης των υπερφασματικών δεδομένων με την συγκέντρωση της χρήσιμης πληροφορίας σε ένα μικρότερο (MNF images) σύνολο εικόνων. H εφαρμογή του μετασχηματισμού MNF περιλαμβάνει δύο διαδοχικές αναλύσεις Κυρίων Συνιστωσών (Principal Component Analysis). Ο πρώτος μετασχηματισμός απόσυσχετίζει (decorrelate) το θόρυβο στα δεδομένα με αποτέλεσμα στα μετασχηματισμένα δεδομένα που προκύπτουν ο θόρυβος να έχει μοναδιαία διακύμανση (unit variance) και δεν έχει συσχέτιση (correlation) μεταξύ των φασματικών καναλιών. Ο δεύτερος μετασχηματισμός συμβάλει στη δημιουργία των εικόνων (coherent MNF eigenimages) που περιέχουν την χρήσιμη πληροφορία και στην δημιουργία των εικόνων (noise dominated MNF eigenimages) που κυριαρχούνται από τον θόρυβο (ENVI user s guide, Chen et.al., 2003). Η μέθοδος του μετασχηματισμού MNF συμβάλει επίσης και στη μείωση των επιδράσεων του υπολειμματικού (residual) θορύβου των εικόνων μετά την ατμοσφαιρική τους διόρθωση. Ο υπολειμματικός θόρυβος των δεδομένων μετά την ατμοσφαιρική διόρθωση περιλαμβάνει συστηματικές επιδράσεις που οφείλονται στις διαφορές μεταξύ της πραγματικής ατμόσφαιρας και του ατμοσφαιρικού μοντέλου που χρησιμοποιήθηκε για τη διόρθωση αλλά και επιδράσεις που οφείλονται στην γεωμετρία του απεικονιστή και οι οποίες συνδέονται με τον εγγενή θόρυβο των εικόνων που μεταφέρεται κατά την διαδικασία της διόρθωσης (Datt et.al., 2003). Ο μετασχηματισμός MNF πλεονεκτεί έναντι της μεθόδου της ανάλυσης των Κυρίων Συνιστωσών PCA (Mundt et.al., 2005, Pu και Gong 2004, Underwood et.al., 2003) λόγω του ότι συμβάλει και στη μείωση του θορύβου των υπερφασματικών δεδομένων εκτός από τη μείωση της διαστατικότητας των υπερφασματικών δεδομένων. Ο Thenkabail et.al, 2004 αναφέρει ότι δεν υπάρχει μία και μοναδική καλύτερη προσέγγιση για την εύρεση των φασματικών καναλιών που συμβάλουν περισσότερο στην εκτίμηση των χαρακτηριστικών της βλάστησης και των γεωργικών καλλιεργειών αλλά μάλλον ένας συνδυασμός των μεθόδων είναι η πιο ενδεδειγμένη προσέγγιση. Στην παρούσα διατριβή, όπως περιγράφεται παρακάτω, μετά την ατμοσφαιρική διόρθωση της εικόνας του Hyperion χρησιμοποιήθηκε η μέθοδος μετασχηματισμού MNF για την απομάκρυνση του υπολειμματικού θορύβου της εικόνας. Για τη μείωση της διαστατικότητας της εικόνας και την εύρεση των φασματικών καναλιών που συμβάλουν στη διάκριση των υπό εξέταση καλλιεργειών της περιοχής μελέτης χρησιμοποιήθηκε η βηματική διακριτή Ανάλυση (Stepwise Discriminant Analysis - SDA). Η εφαρμογή της SDA πραγματοποιήθηκε στα δεδομένα της εικόνας του Hyperion που προήλθαν από την αντιστροφή της διαδικασίας μετασχηματισμού MNF (inverse MNF) με τη χρησιμοποίηση των εικόνων (coherent MNF eigenimages) που περιέχουν την χρήσιμη πληροφορία. 61

5.2.1.2.1 ΕΦΑΡΜΟΓΗ ΤΟΥ ΜΕΤΑΣΧΗΜΑΤΙΣΜΟΥ MINIMUM NOISE FRACTION MNF Μετά την ατμοσφαιρική διόρθωση της εικόνας και την οπτική εκτίμηση των φασματικών καναλιών στα 131 εναπομείναντα φασματικά κανάλια (Πίνακας 5.2.1.1.2) εφαρμόστηκε ο μετασχηματισμός MNF. Η διαδικασία πραγματοποιήθηκε ξεχωριστά για τα φασματικά κανάλια του ορατού/ εγγύς υπέρυθρού (VNIR) και του μέσου υπέρυθρου (SWIR) (Datt et.al., 2003) διότι επιτυγχάνεται καλύτερη διαχείριση του θορύβου αφού παρουσιάζει διαφορετική δομή στους δύο ανιχνευτές (arrays). Για την πραγματοποίηση του μετασχηματισμού χρησιμοποιήθηκε το λογισμικό ENVI 4.3 στο οποίο παρέχεται η δυνατότητα της εφαρμογής της μεθόδου σε υποσύνολο (spectral subset) των φασματικών καναλιών. Με αυτόν τον τρόπο τα φασματικά κανάλια (12-57) χρησιμοποιήθηκαν για το μετασχηματισμό των φασματικών καναλιών του ορατού / εγγύς υπέρυθρού (VNIR) καθώς επίσης τα κανάλια (84-96, 103 118, 135 163 και 191-217) για το μετασχηματισμό του μέσου υπέρυθρου (SWIR). Όπως έχει ήδη αναφερθεί ο μετασχηματισμός MNF περιλαμβάνει δύο διαδοχικές αναλύσεις Κυρίων Συνιστωσών (Principal Component Analysis). Κατά την πρώτη ανάλυση πραγματοποιείται η εκτίμηση του θορύβου κάθε εικονοστοιχείου της εικόνας λαμβάνοντας υπόψη την υπόθεση ότι κάθε εικονοστοιχείο περιέχει τόσο φασματικό σήμα (signal) όσο και θόρυβο (noise) και ότι τα γειτονικά εικονοστοιχεία αυτού περιέχουν το ίδιο φασματικό σήμα (signal) αλλά διαφορετικό θόρυβο (noise). Με αυτόν τον τρόπο η εκτίμηση του θορύβου κάθε εικονοστοιχείου επιτυγχάνεται με την αφαίρεση των τιμών των άμεσα γειτονικών εικονοστοιχείων που βρίσκονται δεξιά και πάνω με το υπό εξέταση εικονοστοιχείο και ο μέσος όρος αυτών καταγράφεται ως θόρυβος. Η δεύτερη ανάλυση συμβάλει στην δημιουργία των εικόνων (coherent MNF eigenimages) που περιέχουν τη χρήσιμη πληροφορία και στη δημιουργία των εικόνων (noise dominated MNF eigenimages) που κυριαρχούνται από θόρυβο (ENVI user s guide). Μόλις η διαδικασία ολοκληρωθεί δημιουργούνται οι εικόνες MNF eigenimages καθώς και το διάγραμμα των MNF ιδιοτιμών eigenvalues βάση του οποίου γίνεται η επιλογή των εικόνων που περιέχουν τη χρήσιμη πληροφορία. Οι εικόνες με eigenvalue μεγαλύτερη της μονάδος περιέχουν πληροφορία ενώ σε αντίθετη περίπτωση περιέχουν θόρυβο. Στην εικόνα (Εικόνα 5.2.1.2.1.1) απεικονίζεται το διάγραμμα MNF eigenvalues που προήλθε από τον μετασχηματισμό των φασματικών καναλιών του ορατού / εγγύς υπέρυθρού (VNIR) (φασματικά κανάλια 12-57). Επίσης στην εικόνα (Εικόνα 5.2.1.2.1.2) απεικονίζονται οι μετασχηματισμένες εικόνες MNF eigenimages 62

Εικόνα 5.2.1.2.1.1 διάγραμμα MNF eigenvalues των φασματικών καναλιών του ορατού/ εγγύς υπέρυθρού (VNIR) Εικόνα 5.2.1.2.1.2 Μετασχηματισμένες εικόνες MNF eigenimages :MNF1 (αριστερά), MNF2, MNF3, MNF5 και MNF10 63

Από το παραπάνω διάγραμμα (Εικόνα 5.2.1.2.1.1) αλλά και από τον πίνακα που ακολουθεί (Πίνακας 5.2.1.2.1.1) ο οποίος περιέχει τις τιμές eigenvalues αλλά και την επί της εκατό αθροιστική παραλλακτικότητα (variability) των δεδομένων που εξηγείται από τις μετασχηματισμένες εικόνες φαίνεται ότι οι 11 πρώτες (κόκκινο πλαίσιο αλλαγή της κλίσης της καμπύλης) μετασχηματισμένες εικόνες (MNF eigenimages) περιέχουν την χρήσιμη πληροφορία και εξηγούν το 81.41 % της παραλλακτικότητας ενώ οι υπόλοιπες περιέχουν θόρυβο. Πίνακας 5.2.1.2.1.1 Οι τιμές eigenvalues των μετασχηματισμένων εικόνων eigenimages MNF eigenimages Eigenvalue variability 1 65.5352 31.05% 2 54.1767 56.72% 3 13.7434 63.23% 4 8.3379 67.18% 5 6.9982 70.49% 6 5.7315 73.21% 7 4.6638 75.42% 8 4.0227 77.32% 9 3.4436 78.96% 10 2.9236 80.34% 11 2.2548 81.41% Ο θόρυβος μπορεί να μειωθεί από τα αρχικά φασματικά κανάλια με την αντιστροφή της διαδικασίας του μετασχηματισμού (inverse MNF transform) και τη χρησιμοποίηση των εικόνων MNF eigenimages που περιέχουν τη χρήσιμη πληροφορία (Datt et.al., 2003). Στην προκειμένη περίπτωση η αντιστροφή της διαδικασία πραγματοποιήθηκε λαμβάνοντας υπόψη τις πρώτες 11 MNF eigenimages (Εικόνα 5.2.1.2.1.3). Με το μετασχηματισμό MNF γίνεται ορατή και η επίδραση smile effect που παρουσιάζεται στα δεδομένα του Hyperion (low frequency array effects). Η επίδραση αυτή προέρχεται από την, εγκάρσιά στην τροχιά (across track), μετατόπιση (shift) του μήκους κύματος από το ονομαστικό κέντρο (center wavelength) των φασματικών καναλιών και οφείλεται στις οπτικές τεχνικές που χρησιμοποιούνται για τον φασματικό διαχωρισμό της καταγραφόμενης ακτινοβολίας από τους ανιχνευτές. Η επίδραση αυτή παρουσιάζεται εντονότερα στα φασματικά κανάλια του ορατού / εγγύς υπερύθρου (VNIR) σε σχέση με τα φασματικά κανάλια (SWIR) του μέσου υπερύθρου (Datt et.al., 2003, Goodenough et.al., 2003). Όπως φαίνεται στην εικόνα (Εικόνα 5.2.1.2.1.2) στις μετασχηματισμένες MNF eigenimages (MNF1 και MNF2) διακρίνεται μια βαθμιαία μεταβολή στην φωτεινότητα (brightness) των εικόνων που είναι το αποτέλεσμα της επίδρασης smile effect και η οποία δεν είναι ορατή στα αρχικά δεδομένα του απεικονιστή. 64

Για τη μείωση της επίδρασης smile effect ο (Goodenough et.al., 2003) προτείνει τρεις μεθόδους και σημειώνει ότι μία μέθοδος πρέπει, εκτός του ότι πρέπει να απομακρύνει την μεταβολή της φωτεινότητας, πρέπει και να διατηρεί και τη φασματική ακρίβεια των δεδομένων μετά τη διόρθωση. Από τη σύγκριση των μεθόδων που ακολούθησε συμπέρανε ότι η μέθοδος της γραμμική παρεμβολή (Moving Linear interpolation) με την χρησιμοποίηση επίγειων δεδομένων φασματικής βαθμονόμησης (ground spectra calibration data) παρέχει διορθωμένα δεδομένα που πλησιάζουν φασματικά τα αρχικά δεδομένα. Στην παρούσα διατριβή δεν εφαρμόστηκε κάποια μέθοδος για την απομάκρυνση της επίδρασης smile effect διότι, όπως προαναφέρθηκε, απαιτούνται επίγεια δεδομένα φασματικής βαθμονόμησης. Εικόνα 5.2.1.2.1.3. Απεικόνιση του φασματικού καναλιού 12 πριν την απομάκρυνση του θορύβου (αριστερά) και μετά την αντιστροφή της διαδικασίας MNF (Inverse MNF Transformation) 65

Η ίδια διαδικασία του μετασχηματισμού MNF ακολουθήθηκε και για τα φασματικά κανάλια (SWIR) του μέσου υπερύθρου (84-96, 103 118, 135 163 και 191-217). Από τη διαδικασία αυτή όπως παρουσιάζεται και στο διάγραμμα MNF eigenvalues των φασματικών καναλιών (Εικόνα 5.2.1.2.1.4) καθώς επίσης και οι τιμές τους στον πίνακα (Πίνακας 5.2.1.2.1.2) οι μετασχηματισμένες εικόνες (eigenimages) που περιέχουν πληροφορία είναι οι πρώτες οκτώ (8). Εικόνα 5.2.1.2.1.4. Διάγραμμα MNF eigenvalues των φασματικών καναλιών του ορατού/ εγγύς υπέρυθρού (VNIR) Πίνακας 5.2.1.2.1.2. Οι τιμές eigenvalues των μετασχηματισμένων εικόνων eigenimages MNF eigenimages Eigenvalue variability 1 44.7895 21.49% 2 15.3523 28.86% 3 8.0158 32.71% 4 5.349 35.28% 5 4.1539 37.27% 6 3.9535 39.17% 7 3.6303 40.91% 8 3.1922 42.44% 66

Τα φασματικά κανάλια του μέσου υπερύθρου (SWIR) παρουσιάζουν μικρότερο λόγο σήματος / θόρυβο (signal to noise ratio SNR) σε σύγκριση με τα φασματικά κανάλια του ορατού / εγγύς υπερύθρου (VNIR) (Kruse et al.,2003 Gianinetto και Lechi 2004, Pengra et al.,2006). Έτσι μειώνεται η ικανότητά τους για την παροχή καλύτερης φασματικής πληροφορίας αλλά αυτό επηρεάζει λιγότερο τις μελέτες της βλάστησης αφού η κυριότερη φασματική πληροφορία για τη διάκριση της βλάστησης βρίσκεται στο ορατό / εγγύς υπέρυθρο τμήμα του φάσματος. Επίσης στα φασματικά κανάλια του μέσου υπερύθρου (SWIR) παρατηρούνται και συστηματικές λωρίδες (block stripes) όπως έχει ήδη αναφερθεί στο υποκεφάλαιο της προ- επεξεργασίας. Μετά την επιλογή των μετασχηματισμένων εικόνων (eigenimages), ακολούθησε η αντιστροφή της διαδικασίας του μετασχηματισμού MNF με τη χρησιμοποίηση των 8 μετασχηματισμένων εικόνων (Εικόνα 5.2.1.2.1.5) για τη μείωση του θορύβου των αρχικών δεδομένων. Εικόνα 5.2.1.2.1.5. Μετασχηματισμένες εικόνες MNF eigenimages : MNF1 (αριστερά), MNF2, MNF3 και MNF4. 67

Μετά την απομάκρυνση του θορύβου από την αρχική εικόνα, οι δύο εικόνες που δημιουργήθηκαν καθώς η διαδικασία πραγματοποιήθηκε ξεχωριστά για τα φασματικά κανάλια του ορατού/ εγγύς υπέρυθρού (VNIR) και του μέσου υπέρυθρου (SWIR), διορθώθηκαν γεωμετρικά με τη διαδικασία που περιγράφηκε προηγουμένως στο κεφάλαιο της προ επεξεργασίας (5.2.1.1). Τέλος οι γεωμετρικά διορθωμένες αυτές εικόνες ενώθηκαν με τη διαδικασία layer stacking (Εικόνα 5.2.1.2.1.6). Εικόνα 5.2.1.2.1.6. Δορυφορική εικόνα Hyperion της περιοχής μελέτης μετά την απομάκρυνση του θορύβου RGB:29(641nm), 20 (550nm), 11(458nm). 68

5.2.1.2.2 ΣΥΛΛΟΓΗ ΦΑΣΜΑΤΙΚΩΝ ΥΠΟΓΡΑΦΩΝ ΤΩΝ ΚΑΛΛΙΕΡΓΕΙΩΝ Για την εύρεση των βέλτιστων φασματικών καναλιών της υπερφασματικής εικόνας ελήφθησαν φασματικές υπογραφές των καλλιεργειών. Τα φασματικά αυτά δεδομένα αφορούν τις εξής καλλιέργειες: Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα (βιομηχανική) Όπως έχει ήδη αναφερθεί, για τις πιο πάνω καλλιέργειες, χρησιμοποιήθηκαν δεδομένα δηλώσεων των καλλιεργειών που προήλθαν από τον Οργανισμό Πληρωμών και Ελέγχου Κοινοτικών Ενισχύσεων Προσανατολισμού και Εγγυήσεων ΟΠΕΚΕΠΕ και το σύστημα ΟΣΔΕ (Ολοκληρωμένο Σύστημα Διαχείρισης και Ελέγχου) για το έτος 2003. Τα δεδομένα αυτά δομήθηκαν σε μορφή δεδομένων Γεωγραφικών Συστημάτων Πληροφοριών (Διανυσματικά αρχεία vector) του λογισμικού ArcGis 9.0 (Shapefiles). Τα διανυσματικά αρχεία, τα οποία περιέχουν τα όρια των αγροτεμαχίων καθώς και την πληροφορία της καλλιέργειας, εισήχθησαν στο λογισμικό ENVI 4.3 και υπερτέθηκαν στην εικόνα του Hyperion για τη συλλογή περιοχών ενδιαφέροντος κάθε καλλιέργειας (Region Of Interest ROI). Οι περιοχές ενδιαφέροντος αποτελούνται από εικονοστοιχεία τα οποία συλλέχθηκαν με μη αυτοματοποιημένη μέθοδο λαμβάνοντας υπόψη μόνο αυτά που ενέπιπταν πλήρως, μέσα στα όρια των αγροτεμαχίων (Εικόνα 5.2.1.2.2.1). Εικόνα 5.2.1.2.2.1 Περιοχές ενδιαφέροντος (ROI). Κίτρινο:Καλαμπόκι, Πράσινο: Βαμβάκι, Μπλε: Ρύζι, Κόκκινο: Καπνός, Μοβ: Τομάτα. 69

Με αυτόν τον τρόπο, δημιουργήθηκαν πέντε περιοχές ενδιαφέροντος (ROI s) που η καθεμιά από αυτές αντιστοιχεί σε μία καλλιέργεια. Ο αριθμός των εικονοστοιχείων που απαρτίζουν κάθε (ROI) δίδονται στον πίνακα που ακολουθεί (Πίνακας 5.2.1.2.2.1). Πίνακας 5.2.1.2.2.1 Αριθμός εικονοστοιχείων κάθε περιοχής ενδιαφέροντος. Καλλιέργεια/ROI Αριθμός Τυχαία δειγματοληψία εικονοστοιχείων (70%) Καλαμπόκι 1350 945 Βαμβάκι 400 280 Ρύζι 700 490 Καπνός 185 130 Τομάτα 191 134 Οι Congalton και Green (1999) αναφέρούν ότι η ιδέα της τυχαίας δειγματοληψίας είναι μεγάλης σημασίας όταν εφαρμόζονται στατιστικές αναλύσεις διότι κάθε μέλος του πληθυσμού έχει την ίδια ανεξάρτητη πιθανότητα για να επιλεχθεί. Συνεπώς η τυχαία δειγματοληψία εξασφαλίζει ότι τα δείγματα θα επιλεχθούν χωρίς μεροληψία (bias). Για το λόγο αυτό πραγματοποιήθηκε στρωματοποιημένη τυχαία δειγματοληψία (stratified random sampling) δεδομένου ότι οι κλάσεις (ROI s) είναι γνωστές εκ των πρότερων. Η διαδικασία πραγματοποιήθηκε στο λογισμικό ENVI 4.3 με τη χρησιμοποίηση της αναλογικής (proportionate) διαδικασία όπου επιλέχθηκε το 70% των δειγμάτων (Πίνακας 5.2.1.2.2.1). Επίσης για τον έλεγχο του διαχωρισμού των (ROI s) των καλλιεργειών χρησιμοποιήθηκε το εργαλείο n-dimensional Visualizer. Πρόκειται για διαδραστικό (Interactive) εργαλείο το οποίο προβάλει τα φασματικά δεδομένα ως σημεία σε n διαστάσεις στον χώρο όσες και ο αριθμός των φασματικών καναλιών (ENVI User s Guide, Jensen 2005). Για την πραγματοποίηση της διαδικασίας αυτής χρησιμοποιήθηκαν τα κανάλια της μετασχηματισμένης (MNF eigenimages) για την προβολή στον χώρο των τυχαία επιλεγμένων εικονοστοιχείων των κλάσεων των γεωργικών καλλιεργειών (Πίνακας 5.2.1.2.2.2). βαμβάκι καλαμπόκι Εικόνα 5.2.1.2.2.2. Απεικόνιση των ROI s με την χρήση n-dimensional Visualizer 70

Με αυτόν τον τρόπο για κάθε (ROI) απομακρύνθηκαν τα σημεία εκείνα όπου παρατηρήθηκε αλληλοεπικάλυψη. Τέλος για την πραγματοποίηση της βηματικής διαχωριστικής ανάλυσης (Stepwise discriminant Analysis) τα φασματικά δεδομένα της εικόνας, η οποία προέκυψε μετά την απομάκρυνση του θορύβου (Inverse MNF transformation), που αντιστοιχούν σε κάθε μέλος των (ROI s) των καλλιεργειών εξήχθησαν σε μορφή ascii και τα οποία στην συνέχεια εισήχθησαν σε λογιστικά φύλλα (MS Excel). 5.2.1.2.3 ΠΟΛΥΜΕΤΑΒΛΗΤΗ ΑΝΑΛΥΣΗ (MULTIVARITE ANALYSIS) Τα τελευταία χρόνια παρατηρείται μια έκρηξη της συλλογής δεδομένων με σκοπό την ανάλυση τους και τη χρησιμοποίηση τους στη λήψη αποφάσεων. Οι τεχνικές της πολυμεταβλητής ανάλυσης (multivariate analysis) είναι πολύ διαδεδομένες στις μέρες μας δεδομένου ότι επιτρέπουν την ανάλυση πιο σύνθετων δεδομένων, σε σχέση με τις μεθόδους της απλής στατιστικής και τη μετατροπή τους σε γνώση με αποτέλεσμα να βοηθούν στη λήψη αποφάσεων. Ο όρος πολυμεταβλητή ανάλυση αποδίδεται σε όλες τις στατιστικές τεχνικές οι οποίες αναλύουν ταυτοχρόνως πολλαπλές μετρήσεις του υπό έρευνα αντικειμένου. Έτσι η ταυτόχρονη ανάλυση περισσοτέρων των δύο μεταβλητών μπορεί να θεωρηθεί υπό ευρεία έννοια πολυμεταβλητή ανάλυση. Πολλές από τις μεθόδους της πολυμεταβλητής ανάλυσης είναι επεκτάσεις των μεθόδων της μονομεταβλητής ανάλυσης και της διμεταβλητής όπως είναι η ανάλυση της συσχέτισης (correlation), η ανάλυση της παραλλακτικότητας (variance) και η απλή παλινδρόμηση μεταξύ δύο μεταβλητών (simple regression). Ωστόσο μερικές από τις τεχνικές της πολυμεταβλητής ανάλυσης έχουν σχεδιαστεί καθαρά για τη διαχείριση πολυμεταβλητών θεμάτων όπως είναι η παραγοντική ανάλυση (factor analysis) με την οποία επιτυγχάνεται η αναγνώριση της δομής που υπόκειται ένα σύνολο μεταβλητών ή η διακριτή ανάλυση (Discriminant analysis) με την οποία διαχωρίζονται μεταξύ τους ομάδες (groups) βασιζόμενη σε ένα σύνολο μεταβλητών. Η κοινή συνισταμένη της πολυμεταβλητής ανάλυσης είναι η μεταβλητή (variate) που είναι ένας σταθμισμένος γραμμικός συνδυασμός των μεταβλητών (variables) όπου τα βάρη (ή συντελεστές) (weights) καθορίζονται από την πολυμεταβλητη τεχνική που χρησιμοποιείται για την επίτευξη του συγκεκριμένου στόχου. Η μεταβλητή (variate) μπορεί να οριστεί μαθηματικά: Υ (variate value) = w 1 X 1 + w 2 X 2 + w 3 X 3 +... + w n X n όπου X n είναι η παρατηρούμενη μεταβλητή (variable) και w n είναι τα βάρη που καθορίζεται από την πολυμεταβλητή τεχνική. 71

Σε κάθε περίπτωση το αποτέλεσμα της μεταβλητής (variate value) είναι μία τιμή που εκφράζει το συνδυασμό ενός ολόκληρου συνόλου μεταβλητών (variables) με την οποία επιτυγχάνεται με τον καλύτερο τρόπο ο αντικειμενικός στόχος της ανάλυσης. Στην πολλαπλή παλινδρόμηση (multiple regression), η μεταβλητή (variate) καθορίζεται κατά τέτοιο τρόπο με τον οποίο μεγιστοποιεί την συσχέτιση (correlation) του αποτελέσματος του γραμμικού συνδυασμού των πολλαπλών ανεξάρτητων μεταβλητών (fitted values of multiple independent variables) και της εξαρτημένης μεταβλητής (observed values). Στη Διαχωριστική Ανάλυση (Discriminant Analysis), η μεταβλητή (variate) διαμορφώνεται έτσι ώστε να δημιουργεί βαθμό (score) για κάθε παρατήρηση που μέγιστα διαφοροποιείται μεταξύ ομάδων (groups) παρατηρήσεων (Hair et.al., 2006). Οι πιο διαδεδομένες τεχνικές της πολυμεταβλητής ανάλυσης, πέραν της διαχωριστικής ανάλυσης, είναι οι εξής: α. Ανάλυση Κυριών Συνιστωσών (Principal Component Analysis - PCA) H μέθοδος των κυρίων συνιστωσών (Principal Components Analysis) είναι μια μέθοδος η οποία έχει σκοπό να δημιουργήσει γραμμικούς συνδυασμούς των αρχικών μεταβλητών έτσι ώστε οι γραμμικοί αυτοί συνδυασμοί να είναι ασυσχέτιστοι μεταξύ τους αλλά να περιέχουν όσο γίνεται μεγαλύτερο μέρος της διακύμανσης των αρχικών μεταβλητών (Ντζούφρας, 2001.). Έτσι επιτυγχάνεται η συγκέντρωση της πληροφορίας που περιέχεται στις αρχικές (original) μεταβλητές σε ένα μικρότερο σύνολο μεταβλητών (κύριες συνιστώσες Principal Components) με την ελάχιστη απώλεια της αρχικής πληροφορίας (Hair et.al., 2006, Ντζούφρας., 2001). β. Παραγοντική Ανάλυση (Factor Analysis) Γενικά η παραγοντική ανάλυση είναι μία στατιστική τεχνική που έχει ως σκοπό την εύρεση της δομής των συσχετίσεων (correlations) μεταξύ ενός μεγάλου αριθμού μεταβλητών (variables) καθορίζοντας ομάδες μεταβλητών οι οποίες είναι υψηλά συσχετιζόμενες γνωστές ως παράγοντες (factors). Έτσι, εκφράζοντας αυτούς τους παράγοντες δίνεται η δυνατότητα να μειωθούν οι διαστάσεις του προβλήματος, να δημιουργηθούν νέες μεταβλητές παράγοντες (factors)- στους οποίους μπορούμε με έναν υποκειμενικό τρόπο να αναγνωρίσουμε κάποιες μη μετρήσιμες μεταβλητές και να εξηγηθούν οι συσχετίσεις των δεδομένων. γ. Ανάλυση κατά Συστάδες (Cluster Analysis) Η ανάλυση κατά συστάδες είναι μια μέθοδος που σκοπό έχει να κατατάξει σε ομάδες τις υπάρχουσες παρατηρήσεις χρησιμοποιώντας την πληροφορία που υπάρχει σε κάποιες μεταβλητές. Με άλλα λογία εξετάζοντας πόσο όμοιες είναι κάποιες παρατηρήσεις ως προς κάποιον αριθμό μεταβλητών, η μέθοδος τείνει να δημιουργεί ομάδες από παρατηρήσεις που μοιάζουν μεταξύ τους. 72

Μια επιτυχημένη ανάλυση θα πρέπει να καταλήξει σε ομάδες για τις οποίες οι παρατηρήσεις μέσα σε κάθε ομάδα να είναι όσο γίνεται πιο ομοιογενείς αλλά οι παρατηρήσεις διαφορετικών ομάδων να διαφέρουν όσο γίνεται περισσότερο. Στην ανάλυση κατά συστάδες, σε αντίθεση με την διακριτική ανάλυση (Discriminant analysis) οι ομάδες (groups) δεν είναι προκαθορισμένες. Αντίθετα η μέθοδος χρησιμοποιείται για τη δημιουργία ομάδων. δ. Ανάλυση Πολλαπλής Παλινδρόμησης (Multiple Regression Analysis) Η ανάλυση της Πολλαπλής Παλινδρόμησης είναι μία στατιστική τεχνική η οποία μπορεί να χρησιμοποιηθεί για την ανάλυση της σχέσης μεταξύ μίας εξαρτημένης μεταβλητής (dependent variable) και πολλών ανεξάρτητών μεταβλητών (independent variables). Σκοπός της μεθόδου αυτής είναι η χρησιμοποίηση των ανεξάρτητων μεταβλητών των οποίων οι τιμές τους είναι γνωστές για την πρόβλεψη της ανεξάρτητης μεταβλητής. Κάθε ανεξάρτητη μεταβλητή σταθμίζεται κατά τέτοιο τρόπο από τη διαδικασία της παλινδρόμησης ώστε να εξασφαλίζεται η μέγιστη πρόβλεψη από το σύνολο των ανεξάρτητών μεταβλητών. Οι συντελεστές (coefficients) δηλώνουν τη σχετική συνεισφορά των ανεξάρτητων μεταβλητών στην συνολική πρόβλεψη και η αξιολόγησή τους επιτρέπει την εκτίμηση της επίδρασης κάθε μεταβλητής στη διαδικασία της πρόβλεψης αν και η συσχέτιση (correlation) μεταξύ των ανεξάρτητων μεταβλητών δυσχεραίνει τη διαδικασία της αξιολόγησης. Η εξίσωση (function / model) των σταθμισμένων ανεξάρτητων μεταβλητών, γνωστή ως εξίσωση παλινδρόμησης (regression equation) ή μοντέλο παλινδρόμησης (regression model), διαμορφώνει τη μεταβλητή της παλινδρόμησης (regression variate) μέσω του γραμμικού συνδυασμού τους που περιγράφει καλύτερα την εξαρτημένη μεταβλητή. ε. Πολυμεταβλητή ανάλυση διακύμανσης (Multivariate Analysis of Variance) Η πολυμεταβλητή ανάλυση της διακύμανσης (MANOVA) αποτελεί γενίκευση της μονομεταβλητής ανάλυσης της διακύμανσης (ANOVA) όταν εξετάζονται ταυτόχρονα περισσότερες από μία εξαρτημένες μεταβλητές (dependent variable). Αποτελεί επομένως μία μέθοδο ελέγχου του αν οι μέσοι όροι δύο ή περισσοτέρων ομάδων διαφέρουν βασιζόμενη σε ένα σύνολο κατηγορικών (categorical) ή συνεχών μεταβλητών που δρουν ως ανεξάρτητες μεταβλητές (independent variables). Τόσο η μονομεταβλητή ανάλυσης της διακύμανσης (ANOVA) όσο και πολυμεταβλητή ανάλυση της διακύμανσης (MANOVA) παρέχουν την δυνατότητα της εκτίμησης των παρατηρούμενων επιδράσεων διαφοροποιήσεων το αν αυτές οφείλονται στους διαφορετικούς χειρισμούς (treatments) ή στην μεταβλητότητα της τυχαίας δειγματοληψίας. Όπως και στην ANOVA κριτήριο αποτελεί αν η διακύμανση των παρατηρήσεων εντός κάθε χειρισμού ομάδας είναι μικρότερη από τη διακύμανση μεταξύ των διαφορετικών χειρισμών ομάδων (F). 73

5.2.1.2.3.1 ΔΙΑΧΩΡΙΣΤΙΚΗ ΑΝΑΛΥΣΗ (DISCRIMINANT ANALYSIS) Η διαχωριστική ανάλυση παρέχει τη δυνατότητα της κατανόησης των διαφοροποιήσεων των ομάδων (groups) και την πρόβλεψη της πιθανότητας (likelihood) ένα αντικείμενο (object) να ανήκει σε κάποια από τις προκαθορισμένες ομάδες (groups) βασιζόμενη σε αρκετές μετρήσιμες ανεξάρτητες μεταβλητές (independent variables). Η εφαρμογή και η ερμηνεία της διαχωριστικής ανάλυσης είναι παρόμοια με την ανάλυση της παλινδρόμησης, δηλαδή η διαχωριστική συνάρτηση (discriminant functionvariate) είναι ένας γραμμικός συνδυασμός δύο ή περισσοτέρων μετρικών (metric) ανεξάρτητων μεταβλητών και χρησιμοποιείται για την περιγραφή ή την πρόβλεψη μίας εξαρτημένης μεταβλητής που είναι κατηγορική (categorical non metric) ενώ αντίθετα η παλινδρόμηση χρησιμοποιείται όταν η εξαρτημένη μεταβλητή είναι μετρική. Μία άλλη διαφοροποίηση είναι ότι η διαχωριστική ανάλυση δεν περιορίζεται στη δημιουργία μίας μεταβλητής (variate), όπως συμβαίνει στην ανάλυση της παλινδρόμησης. Ακόμη η διαχωριστική ανάλυση μπορεί να συγκριθεί και με την πολυμεταβλητή ανάλυση της διακύμανσης (Multivariate Analysis of Variance - MANOVA). Από μία άποψη οι δύο αυτές αναλύσεις μπορούν να θεωρηθούν ως κατοπτρικό είδωλο, δηλαδή, οι εξαρτημένες μεταβλητές στην MANOVA (ένα σύνολο μετρικών μεταβλητών) είναι οι ανεξάρτητες μεταβλητές στη διαχωριστική ανάλυση και η μη μετρική εξαρτημένη μεταβλητή της διαχωριστικής ανάλυσης είναι η ανεξάρτητη μεταβλητή στην MANOVA. Επιπλέον και οι δύο αναλύσεις χρησιμοποιούν τις ίδιες μεθόδους για το σχηματισμό των μεταβλητών (variates) και για την εκτίμηση των διαφοροποιήσεων μεταξύ των ομάδων (groups). Η διαφορές ωστόσο των αναλύσεων επικεντρώνονται γύρω από το ρόλο των μη μετρικών μεταβλητών και τον αντικειμενικό στόχο της ανάλυσης. Έτσι η διαχωριστική ανάλυση ενδείκνυται ως στατιστική τεχνική όταν η εξαρτημένη μεταβλητή (dependent variable) είναι κατηγορική (categorical) μη μετρική (non metric) και οι ανεξάρτητες μεταβλητές (independent variable) είναι μετρικές μεταβλητές. Η διαχωριστική ανάλυση περιλαμβάνει τη δημιουργία της διαχωριστικής μεταβλητής (discriminant variate) που είναι ο γραμμικός συνδυασμός δύο ή περισσοτέρων ανεξάρτητών μεταβλητών, η οποία θα διαχωρίσει καλύτερα τα αντικείμενα (objects) στις εκ των προτέρων καθορισμένες ομάδες. Ο διαχωρισμός επιτυγχάνεται με τον υπολογισμό των βαρών (weights) για κάθε ανεξάρτητη μεταβλητή ώστε να μεγιστοποιείται η διαφοροποίηση μεταξύ των ομάδων (groups). Η διαχωριστική μεταβλητή που είναι γνωστή και ως διαχωριστική συνάρτηση (discriminant function) μπορεί να αποδοθεί μαθηματικά σύμφωνα με την σχέση: Z kj = a + W 1 X 1k + W 2 X 2k + W 3 X 3k +.....+ W n X nk (Σχέση 5.2.1.2.1) Όπου: Z kj : Διαχωριστικό Z σκορ (Discriminant Z score) της διαχωριστικής συνάρτησης j του αντικειμένου (object) k. a: Σημείο τομής (intercept) 74

W i : Βάρος (weight) της ανεξάρτητης μεταβλητής i X ik : Ανεξάρτητη μεταβλητή i του αντικειμένου k Με τη διαχωριστική ανάλυση ελέγχεται η υπόθεση ότι οι κεντροβαρείς μέσοι (means) των ομάδων (groups) ενός συνόλου ανεξαρτήτων μεταβλητών για δύο ή περισσότερες ομάδες είναι ίσοι. Οι κεντροβαρείς μέσοι (means) των ομάδων (groups) αναφέρονται ως κεντροειδή (centroids) που υποδηλώνουν την πιο τυπική θέση καθενός μέλους (member) μίας συγκεκριμένης ομάδας και η σύγκριση των κεντροειδών των ομάδων δείχνει πόσο απέχουν η ομάδες όσον αφορά τη διαχωριστική συνάρτηση. Ο έλεγχος της στατιστικής σημαντικότητας της διαχωριστικής συνάρτησης πραγματοποιείται με μία γενικευμένη μέτρηση της απόστασης μεταξύ των κεντροειδών (centroids) και η οποία υπολογίζεται με τη σύγκριση των κατανομών (distributions) των διαχωριστικών σκορ των ομάδων (groups). Αν η επικάλυψη των κατανομών είναι μικρή τότε η διαχωριστική συνάρτηση διαχωρίζει καλά τις υπό εξέταση ομάδες. Στη διαχωριστική ανάλυση, ο αριθμός των διαχωριστικών συναρτήσεων (discriminant functions) εξαρτάται από των αριθμό των ομάδων (groups) της εξαρτημένης μεταβλητής δηλαδή αν ο αριθμός των ομάδων είναι «Ν», τότε οι διαχωριστικές συναρτήσεις που θα δημιουργηθούν θα είναι «Ν-1». Σε περιπτώσεις τριών ή περισσοτέρων ομάδων, οι διαχωριστικές συναρτήσεις καθίστανται διαστάσεις (dimensions) του διαχωρισμού. Έτσι, επιπρόσθετα της βελτίωσης της εξήγησης της σχέσης (membership) μεταξύ των ομάδων, οι επιπρόσθετες διαχωριστικές συναρτήσεις παρέχουν πρόσθετη πληροφορία για τους συνδυασμούς των ανεξάρτητων μεταβλητών με τους οποίους διαχωρίζονται οι ομάδες μεταξύ τους. Συνοψίζοντας, για ένα δεδομένο πρόβλημα της διαχωριστικής ανάλυσης, δημιουργείται ένα γραμμικός συνδυασμός των ανεξάρτητων μεταβλητών με επακόλουθο τον υπολογισμό των διαχωριστικών σκορ για κάθε αντικείμενο σε κάθε ομάδα. Τα διαχωριστικά σκορ υπολογίζονται με βάση το στατιστικό κανόνα της μεγιστοποίησης της διακύμανσης (variance) μεταξύ των ομάδων και της ελαχιστοποίησης της διακύμανσης μέσα στις ομάδες. Αν η διακύμανση μεταξύ των ομάδων είναι μεγάλη αναφορικά με την διακύμανση μέσα στις ομάδες τότε η διαχωριστική συνάρτηση διαχωρίζει επαρκώς τις ομάδες. Στην παρούσα διατριβή, όπως έχει αναφερθεί και προηγουμένως, για την εύρεση των βέλτιστων φασματικών καναλιών, εκείνων, που συμβάλουν περισσότερο στο διαχωρισμό των υπό εξέταση καλλιεργειών χρησιμοποιήθηκε η βηματική διαχωριστική ανάλυση (Stepwise Discriminant Analysis SDA). Η βηματική αυτή προσέγγιση ακολουθεί μία διαδοχική διαδικασία της προσθήκης ή της διαγραφής μεταβλητών, ανάλογα με τη διαχωριστική τους δύναμη, στη διαχωριστική συνάρτηση (discriminant function) με τελικό αποτέλεσμα οι 75

σχηματιζόμενες διαχωριστικές συναρτήσεις να περιέχουν τις μεταβλητές αυτές που συνεισφέρουν μέγιστα στο διαχωρισμό των ομάδων (groups). Γενικά, η διαδικασία αυτή περιγράφεται ως εξής: Επιλογή της (αρχικής) ανεξάρτητης μεταβλητής που συμβάλει περισσότερο στο διαχωρισμό. Συνδυασμός της αρχικής μεταβλητής με κάθε μία από τις εναπομένουσες ανεξάρτητες μεταβλητές και επιλογή της μεταβλητής εκείνης που βελτιώνει τη διαχωριστική ικανότητα της συνάρτησης όταν αυτή συνδυάζεται με την αρχική μεταβλητή. Επιλογή επιπρόσθετων μεταβλητών με τον ίδιο τρόπο όπως περιγράφεται στο προηγούμενο στάδιο, αλλά πρέπει να σημειωθεί ότι καθώς η διαδικασία προχωράει και επιπρόσθετες μεταβλητές εισέρχονται στη διαχωριστική συνάρτηση, κάποιες από τις μεταβλητές που είχαν επιλεχθεί σε προηγούμενα στάδια απομακρύνονται αν η πληροφορία που περιέχουν αναφορικά με τη διαφοροποίηση των ομάδων είναι διαθέσιμη σε άλλους συνδυασμούς άλλων μεταβλητών που επιλέχθηκαν σε επόμενα στάδια. Η διαδικασία ολοκληρώνεται όταν οι αποκλειόμενες μεταβλητές κρίνονται ότι δε συμβάλουν σημαντικά στον περαιτέρω διαχωρισμό των ομάδων. Η παραπάνω διαδικασία αποτελεί την εμπρόσθια βηματική ανάλυση (Forward stepwise analysis). Η βηματική διαχωριστική ανάλυση δύναται να εφαρμοστεί και με την ακριβώς αναστροφή διαδικασία, την οπίσθια βηματική ανάλυση (Backward stepwise analysis). Στην περίπτωση αυτή, αρχικά, όλες οι ανεξάρτητες μεταβλητές εμπεριέχονται στην διαχωριστική συνάρτηση και κατόπιν, σε κάθε βήμα απομακρύνονται αυτές οι μεταβλητές που συνεισφέρουν λιγότερο στο διαχωρισμό των ομάδων με αποτέλεσμα των περιορισμό των μεταβλητών. 5.2.1.2.3.2 ΕΦΑΡΜΟΓΗ ΤΗΣ ΔΙΑΧΩΡΙΣΤΙΚΗΣ ΑΝΑΛΥΣΗΣ ΣΤΑ ΥΠΕΡΦΑΣΜΑΤΙΚΑ ΔΕΔΟΜΕΝΑ ΤΟΥ ΑΠΕΙΚΟΝΙΣΤΗ HYPERION Τα φασματικά δεδομένα της εικόνας, όπως περιγράφεται και νωρίτερα στο κεφάλαιο συλλογής φασματικών υπογραφών, εξήχθησαν σε μορφή ascii και στην συνέχεια προετοιμάστηκαν κατάλληλα σε λογιστικά φύλλα MS Excel ώστε να πραγματοποιηθεί η περαιτέρω στατιστική ανάλυση. Στη συγκεκριμένη περίπτωση, τα 131 φασματικά κανάλια του απεικονιστή Hyperion αποτελούν τις ανεξάρτητες μεταβλητές ενώ την εξαρτημένη μεταβλητή αποτελούν οι καλλιέργειες οι οποίες διακρίνονται σε 5 ομάδες (groups) (καλαμπόκι, βαμβάκι, ρύζι, καπνός και τομάτα). Η εφαρμογή της διαχωριστικής ανάλυσης στα υπερφασματικά δεδομένα του απεικονιστή Hyperion πραγματοποιήθηκε στο λογισμικό στατιστικής ανάλυσης STATISTICA 6.0 στο οποίο παρέχεται η δυνατότητα της οπίσθιας βηματικής ανάλυσης (Backward stepwise analysis) και η οποία χρησιμοποιήθηκε. 76

Κατόπιν της εισαγωγής των δεδομένων στο λογισμικό, το επόμενο στάδιο είναι ο ορισμός των παραμέτρων της ανάλυσης, όπως ο ορισμός της μεθόδου, οι ανεξάρτητες μεταβλητές και η εξαρτημένη μεταβλητής και οι ομάδες (καλλιέργειες) αυτής. (Εικόνα 5.2.1.2.3.2.1). Εικόνα 5.2.1.2.3.2.1. Καθορισμός των μεταβλητών για την εφαρμογή της βηματικής διαχωριστικής ανάλυσης ( Backward stepwise discriminant anlysis). Επίσης εκτός από την επιλογή της μεθόδου, ορίζεται και το επίπεδο σημαντικότητας (p level) βάση του οποίου οι ανεξάρτητες μεταβλητές εισέρχονται ή απομακρύνονται από την διαμόρφωση των διαχωριστικών συναρτήσεων (discriminant function), καθώς επίσης και η εκ των προτέρων πιθανότητα ταξινόμησης (prior probabilities of classification) των παρατηρήσεων στις ομάδες. Η εκ των προτέρων πιθανότητα ταξινόμησης χρησιμοποιείται για τον υπολογισμό του διαχωριστικού σκορ της ταξινόμησης (classification cutting score) των ομάδων με το οποίο οι παρατηρήσεις ταξινομούνται στις ομάδες (groups). Λόγω του ότι η δειγματοληψία πραγματοποιήθηκε τυχαία και τα δείγματα θεωρήθηκαν αντιπροσωπευτικά του πληθυσμού η εκ των προτέρων πιθανότητα ταξινόμησης υπολογίστηκε με βάση το μέγεθος του δείγματος. Με το πέρας της ανάλυσης, τα βήματα και οι ανεξάρτητες μεταβλητές που τελικά αξιολογήθηκαν (p level <.05) ότι έχουν στατιστικώς σημαντική διαφορά μεταξύ των ομάδων αποδίδονται στον συνοπτικό πίνακα βηματικής παλινδρόμησης - summary of stepwise regression. (Πίνακας 5.2.1.2.3.2.1) 77

Πίνακας 5.2.1.2.3.2.1. Συνοπτικός Πίνακας βηματικής παλινδρόμησης. α/α Bands Steps Degr. Of F to P to freedom Remove Remove Effect 1 "B106" Step 105 4 3.881241 0.003878 In 2 "B128" 4 5.915649 0.000103 In 3 "B3" 4 3.041394 0.016533 In 4 "B110" 4 3.381897 0.009230 In 5 "B119" 4 6.059254 0.000080 In 6 "B46" 4 3.568001 0.006692 In 7 "B7" 4 2.797880 0.024955 In 8 "B102" 4 7.796495 0.000003 In 9 "B93" 4 3.218442 0.012222 In 10 "B10" 4 3.538359 0.007044 In 11 "B114" 4 4.449604 0.001426 In 12 "B31" 4 6.372386 0.000045 In 13 "B99" 4 6.379757 0.000045 In 14 "B14" 4 2.737743 0.027606 In 15 "B43" 4 5.842486 0.000118 In 16 "B40" 4 4.382514 0.001606 In 17 "B109" 4 2.728461 0.028038 In 18 "B45" 4 3.761303 0.004782 In 19 "B29" 4 4.290769 0.001888 In 20 "B20" 4 3.541692 0.007004 In 21 "B60" 4 4.706515 0.000904 In 22 "B69" 4 5.631390 0.000172 In 23 "B23" 4 4.718538 0.000885 In 24 "B32" 4 7.562564 0.000005 In 25 "B25" 4 5.580176 0.000189 In 26 "B64" 4 5.180323 0.000388 In 27 "B84" 4 3.801966 0.004455 In Σύμφωνα με τον παραπάνω πίνακα (Πίνακας 5.2.1.2.3.2.1) διαπιστώνεται ότι η βηματική διαχωριστική ανάλυση (backward stepwise discriminant analysis) πραγματοποιήθηκε σε 105 βήματα και ότι τα 27 αυτά φασματικά κανάλια διαχωρίζουν καλύτερα τις υπό εξέταση καλλιέργειες (ομάδες). Το πεδίο F value δηλώνει τη διαχωριστική ικανότητα του κάθε φασματικού καναλιού, δηλαδή μεγάλες τιμές F δηλώνουν και μεγάλη διαχωριστική συνεισφορά. Το πεδίο p value δηλώνει το αντίστοιχο επίπεδο σημαντικότητας για κάθε μεταβλητή (φασματικό κανάλι). Τέλος πρέπει να σημειωθεί ότι οι αριθμοί των φασματικών καναλιών (bands) δεν αντιπροσωπεύουν τον αντίστοιχο αριθμό του φασματικού καναλιού του απεικονιστή Hyperion. Όπως προαναφέρθηκε, για την επίτευξη του διαχωρισμού, η διαχωριστική ανάλυση περιλαμβάνει τη δημιουργία της διαχωριστικής μεταβλητής (discriminant variate) ή της διαχωριστική συνάρτηση (discriminant function) που είναι ο γραμμικός συνδυασμός δύο ή περισσοτέρων ανεξάρτητών μεταβλητών (Σχέση 5.2.1.2.1). Στην 78

παρούσα ανάλυση δημιουργήθηκαν 4 διαχωριστικές συναρτήσεις (αριθμός ομάδων [5] 1). Στον πίνακα που ακολουθεί (Πίνακας 5.2.1.2.3.2.2) παρουσιάζεται η στατιστική σημαντικότητα των διαχωριστικών συναρτήσεων από όπου διαπιστώνεται ότι και οι 4 διαχωριστικές συναρτήσεις είναι σημαντικές για το διαχωρισμό των ομάδων. Πίνακας 5.2.1.2.3.2.2. Δοκιμή Χ 2 της διαδοχικής αφαίρεσης των διαχωριστικών συναρτήσεων Chi square test for successive roots removed Canonicl Wilk's Eigenvalue Chi-Sqr. df p-level R Lambda 1 11.06988 0.957679 0.001688 7501.597 108.0000 0.00 2 7.91323 0.942235 0.020371 4575.009 78.0000 0.00 3 2.68136 0.853441 0.181575 2004.653 50.0000 0.00 4 0.49602 0.575811 0.668442 473.297 24.0000 0.00 Η σειρά με την οποία παρουσιάζονται οι διαχωριστικές συναρτήσεις δηλώνουν και τη σχετική τους διαχωριστική δύναμη όπως φαίνεται και από τις τιμές των πεδίων (eigenvalue, Wilk s Lambda). Δηλαδή η πρώτη διαχωριστική συνάρτηση εξηγεί το μεγαλύτερο ποσοστό της διαφοροποίησης μεταξύ των ομάδων, η δεύτερη διαχωριστική συνάρτηση η οποία είναι ανεξάρτητη από την πρώτη εξηγεί το μεγαλύτερο ποσοστό της διαφοροποίησης αν αφαιρεθεί η πρώτη συνάρτηση κ.ο.κ. Στον πίνακα (Πίνακας 5.2.1.2.3.2.3) παρουσιάζεται το ποσοστό της διακύμανσης που εξηγείται από τις διαχωριστικές συναρτήσεις. Πίνακας 5.2.1.2.3.2.3. Ποσοστό της διακύμανσης της εξαρτημένης μεταβλητής που εξηγείται από τις διαχωριστικές συναρτήσεις. Διαχωριστική συνάρτηση % διακύμανση % αθροιστική διακύμανση (variance) (variance) 1 91.71 91.71 2 7.36 99.07 3 0.68 99.75 4 0.08 99.83 Για κάθε διαχωριστική συνάρτηση και για κάθε μεταβλητή που συμμετέχει σε αυτές υπολογίστηκαν τα διαχωριστικά βάρη (discriminant weights) ή οι συντελεστές διαχωρισμού (discriminant coefficients). Τα διαχωριστικά βάρη εκφράζουν τη σχετική συνεισφορά της εκάστοτε μεταβλητής στη διαχωριστική ικανότητα της διαχωριστικής συνάρτησης. Με αυτόν τον τρόπο οι μεταβλητές με τα μεγαλύτερα διαχωριστικά βάρη (κατά απόλυτο τιμή) συνεισφέρουν περισσότερο στη διαχωριστική συνάρτηση. Στον παρακάτω πίνακα (Πίνακας 5.2.1.2.3.2.4) παρουσιάζονται τα διαχωριστικά βάρη κάθε μεταβλητής για κάθε διαχωριστική συνάρτηση 79

Πίνακας 5.2.1.2.3.2.4. Διαχωριστικά βάρη των ανεξάρτητων μεταβλητών για τις 4 διαχωριστικές συναρτήσεις. Συνάρτηση 1 Συνάρτηση 2 Συνάρτηση 3 Συνάρτηση 4 σταθερά 15.63 36.28-1.35-0.07 "B3" -469.99-103.16-1218.64 1027.42 "B7" 1725.29 427.59 1930.58-1658.89 "B10" -1838.37-956.09-1198.13-35.12 "B14" 671.44 1574.18 319.88 2172.56 "B20" -630.61-1552.01 711.82-3199.14 "B23" 326.50 433.08-654.61 1969.97 "B25" 150.62 4.78 195.87-529.80 "B29" 182.66 24.11-219.05 524.20 "B31" 19.57 109.92-1104.28 2212.92 "B32" 0.004-214.14 945.14-2086.32 "B40" -327.25 80.43 1257.90-2325.88 "B43" -47.20 84.78-287.60 671.20 "B45" 671.29-355.44-2194.33 3820.60 "B46" -332.34 185.64 1087.31-1868.61 "B60" -194.15-501.45-654.26 1132.95 "B64" 166.67 822.67 1584.60-4962.16 "B69" 281.25 40.01-624.51 4153.25 "B84" -2731.98 328.34-834.37-1210.37 "B93" 169.71-653.91-2311.39-2936.61 "B99" -281.64-1878.80 2528.03 5070.70 "B102" 2320.36 1417.28 720.86 657.81 "B106" -863.73-2426.98 431.15-1034.22 "B109" 567.62 1197.49-427.56 4334.57 "B110" 2604.50 1588.05-416.94-1696.06 "B114" -215.30 331.41-203.58-651.13 "B119" 733.28 2059.82 1428.25-2012.55 "B128" -2377.46-669.17-931.81 479.42 Με τη χρησιμοποίηση των διαχωριστικών συναρτήσεων και των αντίστοιχων διαχωριστικών βαρών, υπολογίζονται τα z score για κάθε παρατήρηση. Ο μέσος όρων των z score των παρατηρήσεων κάθε ομάδας αποτελεί το κεντροειδές κάθε ομάδας. Στον πίνακα που ακολουθεί (Πίνακας 5.2.1.2.3.2.5) παρουσιάζονται τα κεντροείδη κάθε ομάδας. 80

Πίνακας 5.2.1.2.3.2.5. Κεντροειδή των ομάδων. Διαχωριστική Συνάρτηση Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα 1-3.56053 5.99543 0.511339 4.10226 5.06488 2-1.90609-2.62044 3.294083-4.50046-2.07762 3-0.31581-3.00705 0.236776 5.25420 1.57344 4 0.05594-0.46814-0.088594-1.25504 2.82089 Ένα συνολικό μέτρο της εκτίμησης της διαφοροποίησης μεταξύ των ομάδων είναι η σύγκριση των κεντροειδών τους. Η μέτρηση της απόστασης μεταξύ των κεντροειδών πραγματοποιείται με την Mahalanobis Distance (D 2 ) που είναι παρόμοια με την Ευκλείδεια απόσταση λαμβάνοντας όμως υπόψη και τη συσχέτιση (correlation) των μεταβλητών. Με αυτόν τον τρόπο όσο μεγαλύτερη είναι η απόσταση μεταξύ των ομάδων τόσο μεγαλύτερη είναι και η διαφοροποίηση μεταξύ των ομάδων (Πίνακας 5.2.1.2.3.2.6) Πίνακας 5.2.1.2.3.2.6. Τετραγωνική απόσταση Mahalanobis Distance κεντροειδών Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα Καλαμπόκι 0.00000 99.34405 43.9482 98.1928 85.64129 Βαμβάκι 99.34405 0.00000 75.7233 75.9861 32.95922 Ρύζι 43.94816 75.72328 0.0000 100.1848 59.84163 Καπνός 98.19280 75.98608 100.1848 0.0000 36.95802 Τομάτα 85.64129 32.95922 59.8416 36.9580 0.00000 Επίσης εκτός από τις αποστάσεις μεταξύ των κεντροειδων των ομάδων εξετάστηκε και αν αυτές οι αποστάσεις είναι στατιστικώς σημαντικές με την πραγματοποίηση της δοκιμής F (F test). Στον πίνακα που ακολουθεί (Πίνακας 5.2.1.2.3.2.7) παρουσιάζονται τα αποτελέσματα της δοκιμής. Πίνακας 5.2.1.2.3.2.7. Δοκιμή της σημαντικότητας της τετραγωνικής απόστασης Mahalanobis Distance κεντροειδών. corn F corn p cotton F cotton p rice F rice p tobacco F tobacco p tomato F tomato p corn 369.2620 0.00 372.6583 0.00 199.2537 0.00 156.9176 0.00 cotton 369.2620 0.00 286.8252 0.00 118.9371 0.00 47.6395 0.00 rice 372.6583 0.00 286.8252 0.00 205.3918 0.00 110.6655 0.00 tobacco 199.2537 0.00 118.9371 0.00 205.3918 0.00 40.3642 0.00 tomato 156.9176 0.00 47.6395 0.00 110.6655 0.00 40.3642 0.00 Από τον παραπάνω πίνακα της σημαντικότητας των αποστάσεων όπου παρουσιάζονται οι τιμές (F values) και τα αντίστοιχα επίπεδα σημαντικότητας (p level), διαπιστώνεται ότι οι αποστάσεις μεταξύ των κεντροειδών των ομάδων είναι στατιστικώς σημαντικές. 81

Τέλος ένα ακόμη μέτρο για την εκτίμηση της διαχωριστικής ανάλυσης είναι η εκτίμηση της ταξινόμησης των παρατηρήσεων (Classification Matrix) στις ομάδες (groups). Κατά την εφαρμογή της διαχωριστικής ανάλυσης εκτός από τις διαχωριστικές συναρτήσεις δημιουργούνται για κάθε μία από τις ομάδες (groups) και οι συναρτήσεις ταξινόμησης (Classification functions) γνωστές και ως Fisher s Linear discriminant functions. Οι συναρτήσεις ταξινόμησης είναι και αυτές ένας σταθμισμένος γραμμικός συνδυασμός (Σχέση 5.2.1.2.2) των ανεξάρτητων μεταβλητών και σχηματίζονται τόσες συναρτήσεις όσες και ο αριθμός των ομάδων. Si = ci + wi1*x1 + wi2*x2 +... + wim*xm (Σχέση 5.2.1.2.2) όπου: ci: σταθερά, i: δηλώνει την αντίστοιχη ομάδα Xj: οι ανεξάρτητες μεταβλητές, j = 1, 2, 3.m Wij: Το βάρος της ανεξάρτητης μεταβλητής j, j = 1, 2, 3.m Για κάθε παρατήρηση υπολογίζεται η τιμή της συνάρτησης ταξινόμησης (Si) (Σχέση 5.2.1.2.2) για κάθε ομάδα και κατατάσσεται σε κάποια από αυτές σύμφωνα με την μεγαλύτερη τιμή. Στη συγκεκριμένη περίπτωση δημιουργήθηκαν πέντε συναρτήσεις ταξινόμησης όσες δηλαδή και ο αριθμός των υπό εξέταση ομάδων (καλλιέργειες). Στον πίνακα (Πίνακας 5.2.1.2.3.2.8) παρουσιάζονται τα βάρη των ανεξάρτητων μεταβλητών για κάθε συνάρτηση. Πίνακας 5.2.1.2.3.2.8. Βάρη των ανεξάρτητων μεταβλητών των συναρτήσεων ταξινόμησης. Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα σταθερά -38160-38052 -37906-38169 -38049 "B3" -26442-28118 -29714-37911 -29940 "B7" 94660 106515 105216 119700 108529 "B10" -431648-445290 -444762-449882 -449701 "B14" 736789 740081 747572 736784 748922 "B20" -484288-489444 -494071-476935 -496962 "B23" 62264 65804 65199 57413 69216 "B25" 60536 61722 61359 63463 60740 "B29" -27262-25219 -26589-27832 -24655 "B31" -309935-308015 -310214-319123 -305753 "B32" 123666 122369 123377 132222 119720 "B40" 597317 591966 597434 604656 590426 "B43" -63017-63107 -63025-66081 -62126 "B45" -1168726-1158154 -1169606-1179891 -1156457 "B46" 592260 587004 592743 597737 586249 "B60" 1231266 1230936 1227342 1225950 1231574 82

"B64" -2050621-2051280 -2044072-2036147 -2060051 "B69" 83009 85172 83417 76137 95732 "B84" -1698933-1722395 -1708636-1723781 -1727477 "B93" 2860381 2870230 2856819 2854354 2849471 "B99" 2060413 2049603 2050160 2070563 2077103 "B102" -2474085-2455209 -2456964-2456829 -2451134 "B106" 5268707 5261569 5252957 5272143 5259629 "B109" -3231498-3228050 -3223822-3238319 -3215630 "B110" -2448191-2422426 -2429313-2432452 -2431476 "B114" -737035-738440 -736206-739825 -741133 "B119" -4079554-4076807 -4064777-4068685 -4076449 "B128" 1498106 1478121 1484361 1475805 1477279 Με αυτόν τον τρόπο για κάθε παρατήρηση των αντίστοιχων ανεξάρτητων μεταβλητών υπολογίστηκε η τιμή της συνάρτησης ταξινόμησης για κάθε καλλιέργεια και κάθε παρατήρηση ταξινομήθηκε σε μία από αυτές. Έτσι δημιουργήθηκε ο πίνακας ταξινόμησης Classification Matrix (Πίνακας 5.2.1.2.3.2.9). Πίνακας 5.2.1.2.3.2.9. Πίνακας της ταξινόμησης Classification Matrix. Ποσοστό Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα (%) Καλαμπόκι 99.7773 448.0000 0.0000 0.0000 1.00000 0.00000 Βαμβάκι 97.7444 0.0000 130.0000 1.0000 0.00000 2.00000 Ρύζι 99.3865 0.0000 3.0000 486.0000 0.00000 0.00000 Καπνός 100.0000 0.0000 0.0000 0.0000 64.00000 0.00000 Τομάτα 91.2281 0.0000 5.0000 0.0000 0.00000 52.00000 Σύνολο 98.9933 448.0000 138.0000 487.0000 65.00000 54.00000 Από τον πίνακα της ταξινόμηση, διαπιστώνεται ότι με το συνδυασμό των τεσσάρων διαχωριστικών συναρτήσεων επιτεύχθηκε ακρίβεια ταξινόμησης 98.99% βάσει των διαχωριστικών συναρτήσεων σε σχέση με την ομάδα στην οποία πραγματικά ανήκαν οι παρατηρήσεις (παρατηρήσεις πεδίου). Πρέπει να τονιστεί ότι η παραπάνω ακρίβεια δεν αντιστοιχεί στην ακρίβεια της ταξινόμησης ενός ανεξάρτητου δείγματος (holdout), αλλά αποτελεί ένα ενδεικτικό κριτήριο της αποτελεσματικότητας της διαχωριστικής ανάλυσης στον διαχωρισμό των ομάδων. Συνοψίζοντας τα αποτελέσματα της παραπάνω ανάλυσης, μπορούμε να πούμε ότι η ανάλυση του διαχωρισμού των πέντε καλλιεργειών (ομάδων) με βάση τις φασματικές τιμές των 131 φασματικών διαύλων (ανεξάρτητες μεταβλητές) έδειξε ότι τα 27 από τα 131 φασματικά κανάλια προσφέρουν σημαντική διαφοροποίηση μεταξύ των καλλιεργειών. Αυτό προκύπτει τόσο από τη σημαντικότητα των αποστάσεων Mahalanobis Distance των κεντροειδών των ομάδων μεταξύ τους όσο και από την εκτίμηση της ταξινόμησης των παρατηρήσεων στις αντίστοιχες ομάδες. 83

5.2.1.2.4 ΣΥΖΗΤΗΣΗ ΤΩΝ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΗΣ ΜΕΙΩΣΗΣ ΤΗΣ ΔΙΑΣΤΑΣΗΣ ΤΗΣ ΦΑΣΜΑΤΙΚΗΣ ΠΛΗΡΟΦΟΡΙΑΣ Για την επίτευξη του πρώτου στόχου της παρούσας διατριβής που αποτελούσε τη μείωση της διάστασης της φασματικής πληροφορίας του υπερφασματικού απεικονιστή Hyperion και κατ επέκταση την εύρεση των βέλτιστων φασματικών καναλιών που διαχωρίζουν τις υπό εξέταση γεωργικές καλλιέργειες, χρησιμοποιήθηκε η μέθοδος της βηματικής διαχωριστικής ανάλυσης. Τα αποτελέσματα της ανάλυσης έδειξαν ότι τα 27 από τα 131 φασματικά κανάλια μπορούν να διαχωρίσουν σημαντικά τις πέντε γεωργικές καλλιέργειες της περιοχής έρευνας (καλαμπόκι, βαμβάκι, ρύζι, καπνός και τομάτα). Με αυτόν τον τρόπο επιτεύχθηκε μείωση της φασματική διάστασης της υπερφασματικής εικόνας κατά 79 % περίπου. Επίσης σημαντικό ενδιαφέρον παρουσιάζει η κατανομή αυτών των φασματικών καναλιών στα τμήματα του φάσματος. Στον παρακάτω πίνακα (Πίνακας 5.2.1.2.4.1) παρουσιάζονται τα φασματικά κανάλια και τα αντίστοιχα μήκη κύματος αλλά και η κατάταξή τους στα τμήματα του φάσματος. Πίνακας 5.2.1.2.4.1. Τα φασματικά κανάλια που προέκυψαν από την διαχωριστική ανάλυση Α/Α Αριθμός καναλιού /διαχωριστική ανάλυση Αριθμός καναλιού /Hyperion Μήκος Κύματος (nm) Τμήμα του φάσματος 1 3 14 489.49 B 2 7 18 530.13 G 3 10 21 560.59 G 4 14 25 601.19 R 5 20 31 662.17 R 6 23 34 692.72 R 7 25 36 713.11 Red Edge 8 29 40 753.86 ENIR 9 31 42 774.23 ENIR 10 32 43 784.43 ENIR 11 40 51 865.94 ENIR 12 43 54 896.47 ENIR 13 45 56 916.82 ENIR 14 46 57 927.00 ENIR 15 60 103 1160.06 FNIR 16 64 107 1200.64 FNIR 17 69 112 1251.20 FNIR 18 84 143 1562.23 EMIR 19 93 152 1652.46 EMIR 20 99 158 1713.00 EMIR 21 102 161 1743.30 EMIR 22 106 192 2057.91 FMIR 84

23 109 195 2088.35 FMIR 24 110 196 2098.51 FMIR 25 114 200 2139.07 FMIR 26 119 205 2189.90 FMIR 27 128 214 2281.06 FMIR Η κατάταξη των εν λόγω καναλιών στα τμήματα του φάσματος πραγματοποιήθηκε σύμφωνα με τον εξής διαχωρισμό: Μήκος Κύματος (nm) Τμήμα φάσματος 400-500 ΜΠΛΕ B 500-600 ΜΠΡΑΣΙΝΟ G 600-700 ΚΟΚΚΙΝΟ R 700-740 ΑΚΡΗ ΚΟΚΚΙΝΟΥ RED EDGE 740-1050 ΚΟΝΤΙΝΟ ΕΓΓΥΣ ΥΠΕΡΥΘΡΟ ENIR 1050-1300 ΜΑΚΡΙΝΟ ΕΓΓΥΣ ΥΠΕΡΥΘΡΟ FNIR 1300-1900 ΚΟΝΤΙΝΟ ΜΕΣΟ ΥΠΕΡΥΘΡΟ EMIR 1900-2500 ΜΑΚΡΙΝΟ ΜΕΣΟ ΥΠΕΡΥΘΡΟ FMIR Σύμφωνα με τον πίνακα (Πίνακας 5.2.1.2.4.1) το 63% (17 από τα 27) των φασματικών καναλιών ανήκουν στο τμήμα του φάσματος ορατό εγγύς υπέρυθρο όπως άλλωστε ήταν αναμενόμενο δεδομένου της γνωστής φασματικής συμπεριφοράς της βλάστησης σε αυτό το τμήμα του φάσματος. Όμως ένα αρκετά μεγάλο ποσοστό των φασματικών καναλιών, 37 %, εντοπίζονται στο μέσο υπέρυθρο. Αναφορικά με τη σχετική τους διαχωριστική ικανότητα (Πίνακας 5.2.1.2.3.2.1) ορισμένα από τα κανάλια του μέσου υπέρυθρου όπως το κανάλι 161 (1743nm), 158 (1713 nm), 205(2189 nm) και 214 (2281 nm) παρουσιάζουν μεγαλύτερο βαθμό διαχωριστικής δύναμης συγκριτικά με τα κανάλια του ορατού /εγγύς υπερύθρου. Στη μελέτη του ο Thenkabail et.al (2004) αναφέρει ότι τα φασματικά κανάλια του μακρινού εγγύς υπερύθρου - FNIR καθώς και του μέσου υπέρυθρου - MIR παρέχουν επιπρόσθετη (μοναδική) πληροφορία στη μελέτη της βλάστησης και των γεωργικών καλλιεργειών και ότι η ακρίβεια της ταξινόμησης των γεωργικών καλλιεργειών αυξήθηκε κατά 3% (με ολική ακρίβεια πάνω από 90 %) όταν συμπεριλήφθηκαν και τα κανάλια στενού εύρους (narrowbands) του μέσου υπερύθρου. Το τμήμα του φάσματος του μέσου υπέρυθρου (1300 2500 nm) χαρακτηρίζεται από την υψηλή απορρόφηση από το νερό (1450, 1940, 2500 nm) με αποτέλεσμα η μεγάλη περιεκτικότητα των φυτών σε νερό να μειώνει την ανάκλαση στα κανάλια αυτά της μέγιστης απορρόφησης αλλά και στις ενδιάμεσες περιοχές. Επίσης παρατηρούνται, αλλά σε μικρότερο βαθμό και απορροφήσεις από τις βιοχημικές ουσίες της βλάστησης όπως 85

είναι η λιγνίνη, κελλουλόζη, σάκχαρα, πρωτεΐνες και το άζωτο (Kumar 2001). Επομένως το μέσο υπέρυθρο τμήμα του φάσματος μπορεί να συμβάλει στο διαχωρισμό της βλάστησης κυρίως λόγω διαφοροποιήσεων του περιεχόμενου σε αυτή νερού αλλά και των βιοχημικών ουσιών. Αναφορικά με το ορατό τμήμα του φάσματος, όπως είναι γνωστό, η φασματική συμπεριφορά της βλάστησης χαρακτηρίζεται από χαμηλές ανακλάσεις που οφείλονται στις έντονες απορροφήσεις των χρωστικών ουσιών όπως της χλωροφύλλης στο μπλε και στο κόκκινο τμήμα του ορατού για τη διαδικασία της φωτοσύνθεσης. Στην περιοχή γύρω από τα 660 nm (κόκκινο) παρατηρείται η μέγιστη απορρόφηση καθώς επίσης και στο στην περιοχή του μπλε (420 nm) (Kumar 2001). Αντίθετα στο πράσινο τμήμα του ορατού τμήματος του φάσματος η φασματική συμπεριφορά της βλάστησης παρουσιάζει ανάκλαση της ακτινοβολίας με μέγιστη ανάκλαση γύρω από την περιοχή των 555 nm. Επίσης την ίδια συμπεριφορά, με την διαφορά ότι η ανάκλαση της ακτινοβολίας είναι έντονη, παρουσιάζει στο υπέρυθρο τμήμα του φάσματος με μέγιστη ανάκλαση στην περιοχή γύρω από τα 915 nm (Thenkabail et.al., 2004). Συγκριτικά με τη μελέτη του Thenkabail et.al (2004) για την εκτίμηση της αποτελεσματικότητας των υπερφασματικών δεδομένων (400 2500 nm) στην ταξινόμηση της βλάστησης και των αγροτικών καλλιεργειών, με τη χρησιμοποίηση των καλύτερων φασματικών διαύλων που προήλθαν από μετρήσεις ραδιόμετρου (spectroradiometer), πολλά από τα φασματικά κανάλια της παρούσας διατριβής έχουν συνάφεια με τα αποτελέσματα της εν λόγω εργασίας (Πίνακας 5.2.1.2.4.2). Πίνακας 5.2.1.2.4.2. Συγκριτικός πίνακας (εργασία αναφοράς) Αριθμός καναλιού/ Hyperion Μήκος Κύματος (nm) /Hyperion Μήκος Κύματος (nm) /αναφοράς Σημαντικότητα για την βλάστηση και τις γεωργικές καλλιέργειες 14 489.49 495 Ευαίσθητο στα καροτενοειδή. 21 560.59 555 Ευαίσθητο στη χλωροφύλλη (κορυφή πράσινου) 31 662.17 645-655 Ευαίσθητο στη βιομάζα 34 692.72 675-695 Αντίθεση εδάφους βλάστησης (μέγιστη απορρόφηση) 36 713.11 705 Ευαίσθητο στις πιέσεις της βλάστησης -δυναμική 40 753.86 735 Ευαίσθητο στις πιέσεις της βλάστησης -δυναμική 54 896.47 885 Ευαίσθητο στη χλωροφύλλη, βιομάζα, πρωτεΐνες 56 916.82 915-935 Ευαίσθητο στη χλωροφύλλη, βιομάζα, πρωτεΐνες 107 1200.64 1215 Απορρόφηση από το νερό της βλάστησης 112 1251.20 1235-1255 Ευαίσθητο στη βιομάζα 152 1652.46 1675 Ευαίσθητο στη λιγνίνη, βιομάζα, άμυλο 158 1713.00 1715-1735 Ευαίσθητο στη λιγνίνη, βιομάζα, κελουλόζη 214 2281.06 2275-2295 Ευαίσθητο στις πιέσεις της βλάστησης 86

Από τη σύγκριση αυτή διαπιστώνεται ότι υπάρχει καλύτερη σύμπτωση των αποτελεσμάτων στο ορατό και υπέρυθρο τμήμα του φάσματος. Οι διαφοροποιήσεις στο μέσο υπέρυθρο τμήμα (SWIR) μπορεί να οφείλονται στο ότι τα κανάλια του τμήματος αυτού παρουσιάζουν μικρότερο λόγο σήματος / θόρυβο (signal to noise ratio SNR) σε σύγκριση με τα φασματικά κανάλια του ορατού / εγγύς υπερύθρου (VNIR) του απεικονιστή Hyperion (Kruse et al.,2003 Gianinetto και Lechi 2004, Pengra et al., 2006). Επίσης, όπως έχει ήδη αναφερθεί, το μέσο υπέρυθρο επηρεάζεται από το περιεχόμενο νερό στη βλάστηση αλλά και από τις βιοχημικές ουσίες όπως είναι η λιγνίνη, η κελλουλόζη, τα σάκχαρα, οι πρωτεΐνες και το άζωτο ενώ στο ορατό και υπέρυθρο τμήμα του φάσματος, η συμπεριφορά της βλάστησης στην απορρόφηση και ανάκλαση της ακτινοβολίας οφείλεται κατά κύριο λόγο στην χλωροφύλλη. Με αυτό τον τρόπο και δεδομένου ότι τα φασματικά κανάλια που επιλέχθηκαν στην εν λόγω εργασία δεν αφορούσαν μόνο γεωργικές καλλιέργειες, αλλά και παράγοντες όπως το φαινολογικό στάδιο των καλλιεργειών αποτελούν παράγοντες διαφοροποίησης. Ακόμη από την επισκόπηση των φασματικών καναλιών που προέκυψαν από την εφαρμογή της διαχωριστικής ανάλυσης διαπιστώνεται ότι πολλά από τα κανάλια του μέσου υπέρυθρου (SWIR) τμήματος του φάσματος (1300 2500nm) συνδέονται με απορροφήσεις των βιοχημικών ουσιών της βλάστησης. Έτσι χαρακτηριστικά αναφέρονται, σύμφωνα με τον Kumar (2001) στις παρενθέσεις αναφέρονται τα μήκη κύματος των φασματικών καναλιών του Hyperion, απορροφήσεις των πρωτεϊνών και του αζώτου στα 2060nm (2057 nm) και στα 2180 nm (2189 nm), των πρωτεϊνών στα 2130 nm (2139 nm), του αμύλου και των σακχάρων στα 2080 nm (2089 nm), του αμύλου και της κελουλόζης στα 2100 nm (2098 nm), της κελουλόζης στα 1736 nm (1743 nm) και του αμύλου καθώς και των σακχάρων στα 1570 nm (1562 nm). Από τα παραπάνω γίνεται αντιληπτό ότι το μοντέλο της επιλογής των φασματικών καναλιών για τη διάκριση των υπό εξέταση καλλιεργειών ακολουθεί τη χαρακτηριστική συμπεριφορά της βλάστησης στο ηλεκτρομαγνητικό φάσμα με την ενσωμάτωση στις διαχωριστικές συναρτήσεις φασματικά κανάλια που είναι ευαίσθητα στις διαφοροποιήσεις του περιεχόμενου νερού και των βιοχημικών ουσιών της βλάστησης. 87

5.2.1.3 ΤΑΞΙΝΟΜΗΣΗ ΥΠΕΡΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ Η αξία των υπερφασματικών δεδομένων βρίσκεται στη δυνατότητά τους αυτή, να παρέχουν φασματική πληροφορία σε στενού εύρους φασματικά κανάλια (narrowbands) και δεδομένου ότι πολλά από τα υλικά της γήινης επιφάνειας έχουν κάποια συγκεκριμένα φασματικά διαγνωστικά χαρακτηριστικά που εντοπίζονται σε στενού εύρους μήκη κύματος συνήθως (10-20 nm), τα υπερφασματικά δεδομένα παρέχουν καλύτερη δυνατότητα διάκρισης και αναγνώρισης των υλικών αυτών (Jensen 2005). Επίσης σύμφωνα με τον Kumar et.al (2001) τα υπερφασματικά δεδομένα δορυφορικών είτε αερομεταφερόμενων απεικονιστών παρέχουν σημαντική ενίσχυση των δυνατοτήτων των φασματικών μετρήσεων σε σύγκριση με τους συμβατικούς απεικονιστές και μπορούν να χρησιμοποιηθούν για την αναγνώριση και την επακόλουθη μοντελοποίηση των χαρακτηριστικών των γήινων οικοσυστημάτων. Ο Thenkabail et.al (2004) αναφέρει, σύμφωνα με τους (Bork et.al., 1999, Elvidge & Chen, 1995 και Thenkabail 2003), ότι για ορισμένες εφαρμογές οι στενού εύρους φασματικοί δίαυλοι που βρίσκονται σε ένα συγκεκριμένο τμήμα του φάσματος βελτιώνουν σημαντικά την ικανότητα διαχωρισμού και ταξινόμησης της βλάστησης και των γεωργικών καλλιεργειών συγκριτικά με τους απεικονιστές Landsat TM και SPOT HRV. Γενικότερα, από τη βιβλιογραφία, υπάρχει ένα αυξανόμενο ενδιαφέρον για τη χρησιμοποίηση των υπερφασματικών δεδομένων όσον αφορά τη χαρτογράφηση και ταξινόμηση της βλάστησης και των γεωργικών καλλιεργειών. Ο Goudenough et.al (2003) σύγκριναν την ακρίβεια της ταξινόμησης των δασικών ειδών μεταξύ των υπερφασματικών δορυφορικών δεδομένων του απεικονιστή Hyperion (ΕΟ-1), του πολυφασματικού απεικονιστή ALI (ΕΟ-1) και του Ενισχυμένου Θεματικού Χαρτογράφου LANDSAT 7 ETM+, ο Goel et.al (2003) για την ταξινόμηση της καλλιέργειας του καλαμποκιού κάτω από διαφορετικές διαχειριστικές πρακτικές ζιζανίων και αζώτου, ο McGuire et.al (2000) για την ανίχνευση μικρών διαφορών κάλυψης της βλάστησης σε περιοχές αραιής βλάστησης σε ξερικά περιβάλλοντα, Οι Xu και Gong (2003) για την ταξινόμηση καλύψεων γης, ο Thenkabail et.al (2004) και ο Held et.al (2003) για την ταξινόμηση σύνθετων τροπικών δασικών ειδών βλάστησης, η Underwood et.al (2003) για την χαρτογράφηση των μη γηγενών φυτικών ειδών, ο Galvao et.al (2005) για τη διάκριση πέντε ποικιλιών ζαχαροκάλαμου καθώς και τη σύγκριση των υπερφασματικών δεδομένων με πολυφασματικά για τη διάκριση ποικιλιών ζαχαροκάλαμου (Galvao et.al 2006), Ο Wang et.al (2006) για τη χαρτογράφηση της αλοφυτικής βλάστησης, Ο Mundt et.al (2005), Glenn et.al (2005) και οι Williams και Hunt (2002) για τη χαρτογράφηση ζιζανίων, ο Rao (2008) για την αναγνώριση και ταξινόμηση ποικιλιών για καλλιέργειες ρυζιού, ζαχαροκάλαμου, βαμβακιού και πιπεριάς και για την διάκριση και ταξινόμηση ποικιλίας βατόμουρου (Dehhan et.al., 2007). 88

Επίσης υπερφασματικά δεδομένα χρησιμοποιήθηκαν για την ανίχνευση ασθενειών στις καλλιέργειες (Apan et.al., 2003, Zhang et.al., 2003, Muhammed και Larsolle., 2003, Huang και Apan., 2006), για την εκτίμηση βιοχημικών συστατικών (αζώτου, χλωροφύλλης) της βλάστησης (Coops et.al., 2003, Opplet και Mauser., 2004, Blackburn 1998, Blackburn 1999, Monteneiro et.al., 2007, Tejada et.al., 2005, Rao 2008), για την εκτίμηση βιοφυσικών χαρακτηριστικών της βλάστησης (Broge και Leblanc., 2000, Thenkabail et.al., 2000, Pu et.al., 2003, Zhao et.al., 2007, Gupta et.al., 2006, Rahman και Gamon., 2004, Pu και Gong., 2004, Gong., 2003, Haboudane et.al., 2004), για την εκτίμηση του περιεχόμενου νερού της βλάστησης (Roberts et.al., 2003, Harris 2006) καθώς και την εκτίμηση των φυτικών υπολειμμάτων των καλλιεργειών (Arenault και Bonn., 2005, Bannari et.al., 2006, Daughtry et.al., 2006). Στην παρούσα διατριβή για την επίτευξη του δεύτερου στόχου, δηλαδή, την εφαρμογή και την εκτίμηση της ακρίβειας διαφόρων μεθόδων ταξινόμησης, χρησιμοποιήθηκαν οι μέθοδοι επιβλεπόμενης ταξινόμησης της Μέγιστης Πιθανοφάνειας (Maximum Likelihood - ML), του Χαρτογράφου της Φασματικής Γωνίας (Spectral Angle Mapper - SAM) και η μέθοδος της Απόστασης Mahalanobis (Mahalanobis Distance MD). 5.2.1.3.1 ΜΕΘΟΔΟΙ ΤΑΞΙΝΟΜΗΣΗΣ Με τον όρο ταξινόμηση των δορυφορικών δεδομένων εννοείται η εξαγωγή θεματικής πληροφορίας (Thematic information) και η αναγνώριση της χωροδιάταξης (pattern) των γήινων οικοσυστημάτων (Jensen 2005), δηλαδή η καταχώρηση κάθε εικονοστοιχείου της εικόνας σε κάποια χρήση ή κάλυψη γης (Συλλαίος 2007). Οι αλγόριθμοι (ταξινομητές) που έχουν αναπτυχθεί για την ταξινόμηση των δορυφορικών δεδομένων μπορούν να διακριθούν στους ανελαστικούς ταξινομητές (Hard classifiers) και στους ελαστικούς ταξινομητές (Soft classifiers ή Fuzzy). Οι ανελαστικοί ταξινομητές καταλήγουν σε μία (διακριτή) σαφή απόφαση για την κλάση στην οποία ανήκει κάθε εικονοστοιχείο μίας εικόνας και βασίζονται στη στατιστική ανάλυση του φασματικού χώρου που διαμορφώνεται από συνδυασμούς των φασματικών καναλιών. Αντίθετα οι ελαστικοί ταξινομητές βασίζονται στην ασαφή λογική και η ταξινόμηση κάθε εικονοστοιχείου εκφράζεται με το βαθμό συμμετοχής (αναλογία) της κάθε κλάσης που απαντάται σε κάθε εικονοστοιχείο. Οι μέθοδοι ταξινόμησης μπορούν να κατηγοριοποιηθούν στις μεθόδους της επιβλεπόμενης ταξινόμησης (Supervised Classification), της μη επιβλεπόμενης ταξινόμησης (Unsupervised Classification) και στις μεθόδους της υβριδικής ταξινόμησης (Hybrid classification). Στη μη επιβλεπόμενη ταξινόμηση οι βιοφυσικές κατηγορίες της γήινης επιφάνειας δεν είναι γνωστές εκ των προτέρων και το μόνο που απαιτείται από τον αναλυτή είναι ο ορισμός του αριθμού των κλάσεων στον οποίο επιθυμεί να ομαδοποιηθούν (cluster) τα εικονοστοιχεία της εικόνας. Η ομαδοποίηση των εικονοστοιχείων πραγματοποιείται σύμφωνα με στατιστικά κριτήρια της ομοιότητας των φασματικών τους χαρακτηριστικών και ο αναλυτής στη συνέχεια αντιστοιχεί τις ομάδες 89

των εικονοστοιχείων σε κάποια από της βιοφυσικές κατηγορίες. Στην επιβλεπόμενη ταξινόμηση ο χρήστης γνωρίζει εκ των προτέρων τις βιοφυσικές κατηγορίες στις οποίες επιθυμεί να ταξινομηθεί η εικόνα και προσπαθεί να εντοπίσει σε αυτή ομοιογενείς περιοχές (περιοχές εκπαίδευσης - training sites) για κάθε μία από τις κλάσεις είτε μέσω εργασίας υπαίθρου, είτε μέσω φωτοερμηνείας,είτε από άλλα γεωγραφικά δεδομένα. Τα φασματικά χαρακτηριστικά των περιοχών εκπαίδευσης χρησιμοποιούνται για την εκπαίδευση του αλγόριθμου και τα εικονοστοιχεία της εικόνας ταξινομούνται σε μία από τις κλάσεις με βάση την φασματική ομοιότητα τους με τις περιοχές εκπαίδευσης. Η υβριδική ταξινόμηση αποτελεί συνδυασμό της επιβλεπόμενης και της μη επιβλεπόμενης (Συλλαίος 2007, Jensen 2005). Από τις μεθόδους της μη επιβλεπόμενης ταξινόμησης, η πιο γνωστή, είναι η μέθοδος K Means κατά την οποία αρχικά υπολογίζονται οι μέσοι όροι (mean vectors) των ομάδων (clusters) στο φασματικό χώρο και κατόπιν με επαναληπτικό τρόπο κατατάσσει τα εικονοστοιχεία στις ομάδες με τη χρησιμοποίηση των τεχνικών της ελάχιστης απόστασης. Επίσης μία άλλη μέθοδος είναι η ISODATA (Iterative Self Organized Data Analysis) η οποία αποτελεί μία μετατροπή της K Means και η οποία περιλαμβάνει την ένωση των ομάδων ή το διαχωρισμό τους σύμφωνα με την απόσταση διαχωρισμού, στο φασματικό χώρο, που ορίζεται από το χρήστη (Συλλαίος 2007, Jensen 2005, Richards 2005). Από την πλευρά των μεθόδων της επιβλεπόμενης ταξινόμησης η πιο διαδεδομένη μέθοδος είναι της Μέγιστης Πιθανοφάνειας (Maximum Likelihood - ML) καθώς επίσης οι μέθοδοι της Ελάχιστης Απόστασης από το Μέσο Όρο (Minimum Distance to Mean MDM), η μέθοδος της απόστασης Mahalanobis ( Mahalanobis Distance MD) και η Ορθογώνια Παραλληλοεπιπεδοειδής ταξινόμηση (Parallelepiped Method). Η Παραλληλοεπιπεδοειδής ταξινόμηση βασίζεται στην λογική Boolean (και / ή). Οι τιμές των εικονοστοιχείων των περιοχών εκπαίδευσης χρησιμοποιούνται για την παραγωγή ενός n διαστάσεων μέσου διανύσματος (mean vector) Mc (Mc = [μ ck, μ c2, μ c3, μ c4,.., μ cn ]) όπου μ ck είναι η μέση τιμή των περιοχών εκπαίδευσης της κλάσης c του φασματικού καναλιού k από τις m κλάσεις. Ο αλγόριθμος της ταξινόμησης αποφασίζει αν η τιμή του εικονοστοιχείου BV ijk ανήκει στην κλάση c όταν και μόνο όταν : όπου μ ck - σ ck BV ijk μ ck +σ ck (Σχέση 5.2.1.3.1) σ ck : τυπική απόκλιση των εικονοστοιχείων εκπαίδευσης της κλάσης c του φασματικού καναλιού k c: 1, 2, 3 m, ο αριθμός των κλάσεων k: 1,2,3,.,n, ο αριθμός φασματικών καναλιών. 90

Αν η τιμή του εικονοστοιχείου βρίσκεται μεταξύ της κατώτερης και ανώτερης τιμής για όλα τα n φασματικά κανάλια τότε το εικονοστοιχείο ταξινομείται στην δεδομένη κλάση c. Όταν ένα εικονοστοιχείο δεν ικανοποιεί κανένα από τα κριτήρια παραμένει αταξινόμητο (Unclassified). Παρόλο που η μέθοδος της παραλληλοεπίπεδης ταξινόμησης είναι μία αποτελεσματική μέθοδος για την ταξινόμηση δορυφορικών εικόνων, παρατηρούνται αλληλοεπικαλύψεις ορισμένων παραλληλοεπιπέδων με αποτέλεσμα ένα υπό ταξινόμηση εικονοστοιχείο να ικανοποιεί τα κριτήρια περισσοτέρων από μία κλάσεων. Έτσι τα εικονοστοιχεία αυτά ταξινομούνται τυχαία σε μία τις κλάσεις αυτές. H μέθοδος της Ελάχιστης Απόστασης από το Μέσο Όρο υπολογίζει τα μέσα διανύσματα (mean vectors) μ ck για κάθε κλάση σε κάθε φασματικό κανάλι από τα δεδομένα των περιοχών εκπαίδευσης όπως και στην μέθοδο της παραλληλοεπίπεδης ταξινόμησης. Κατόπιν για την πραγματοποίηση της ταξινόμησης μετράται η απόσταση κάθε αγνώστου εικονοστοιχείου με κάθε μέσο διάνυσμα (mean vector) μ ck. Η μέτρηση της απόστασης πραγματοποιείται με την μέτρηση της Ευκλείδειας απόστασης: Dist = 2 2 ( Bijk μck ) + ( Bijl μcl ) (Σχέση 5.2.1.3.2) όπου μ ck : μέσο διάνυσμα για την κλάση c του φασματικού καναλιού k μ cl : μέσο διάνυσμα για την κλάση c του φασματικού καναλιού l Έτσι τα εικονοστοιχεία ταξινομούνται στην κλάση με την οποία έχουν την μικρότερη απόσταση. Η μέθοδος της Μέγιστης Πιθανοφάνειας χρησιμοποιεί τη θεωρία πιθανοτήτων (Bayesian) για τη δημιουργία των κανόνων απόφασης. Με άλλα λογια, υπολογίζεται η πιθανότητα των εικονοστοιχείων να ανήκουν σε καθεμία από τις προκαθορισμένες κλάσεις και τα εικονοστοιχεία στη συνέχεια ταξινομούνται στην κλάση για την οποία η πιθανότητα ήταν μεγαλύτερη. Για τον υπολογισμό των πιθανοτήτων θεωρείται ότι οι τιμές των φασματικών δεδομένων των περιοχών εκπαίδευσης για κάθε κλάση και για κάθε φασματικό κανάλι ακολουθούν την κανονική κατανομή (Gaussian). Με δεδομένο την κανονική κατανομή, η συνάρτηση κατανομής της πιθανότητα της κλάση w i (i= 1,2,3,., M) δίδεται από την παρακάτω σχέση: p(x/ w i ) = (2π) -Ν/2 1/ 2 S exp{-1/2 (x - m i ) T S -1 i (x - m i )} (Σχέση 5.2.1.3.3) i όπου: m i είναι το μέσο διάνυσμα των δεδομένων εκπαίδευσης στην κλάση w i 91

S i είναι ο πίνακας συνδιακύμανσης (covariance matrix) των δεδομένων εκπαίδευσης στην κλάση w i Ν είναι ο αριθμός των φασματικών καναλιών. Η μέθοδος της Μέγιστης Πιθανοφάνειας αποφασίζει αν ένα εικονοστοιχείο «χ» ανήκει στην κλάση w i αν : p(x/ w i ) p(w i ) > p(x/ w j ) p(w j ) για κάθε i, j από της Μ κλάσεις (Σχέση 5.2.1.3.4) όπου p(w i ) είναι η εκ των προτέρων πιθανότητα της κλάσης w i Από τον συνδυασμό των παραπάνω σχέσεων, η εξίσωση της μεθόδου της Μέγιστης Πιθανοφάνειας μπορεί να αποδοθεί ως εξής: Έτσι ένα εικονοστοιχείο ανήκει στην κλάση i αν : g i > g j για κάθε i j από της Μ κλάσεις όπου g i = - ln p(w i ) 1/2 ln Si -1/2 (x - m i ) T S -1 i (x - m i ) (Σχέση 5.2.1.3.5) Η μέθοδος της Απόστασης Mahalanobis αποτελεί μια γενικευμένη έκφραση της Ευκλείδειας απόστασης με τη διαφορά από τη μέθοδο της Ελάχιστης Απόστασης από το Μέσο Όρο ότι λαμβάνει υπόψη την συνδιακύμανση των κλάσεων. Η εξίσωση της απόστασης Mahalanobis μπορεί να αποδοθεί με την σχέση: d (x, mi) 2 = (x - m i ) T S i -1 (x - m i ) (Σχέση 5.2.1.3.6) όπου m i είναι το μέσο διάνυσμα των δεδομένων εκπαίδευσης στην κλάση w i S i είναι ο πίνακας συνδιακύμανσης (covariance matrix) των δεδομένων εκπαίδευσης στην κλάση w i Οι παραπάνω μέθοδοι ταξινόμησης χρησιμοποιούν αλγόριθμους (ταξινομητές) οι οποίοι καταλήγουν σε μία (διακριτή) σαφή απόφαση (ανελαστικοί ταξινομητες Hard classifiers) για την κλάση στην οποία ανήκει κάθε εικονοστοιχείο μίας εικόνας και βασίζονται στην παραδοχή ότι οι περιοχές εκπαίδευσης περιλαμβάνουν ομοιογενή δείγματα των βιοφυσικών κλάσεων που αντιπροσωπεύουν, γεγονός που στην πραγματικότητα δεν συμβαίνει πάντοτε. Έτσι ακόμη και στην πιο ομοιογενή περιοχή, ένα εικονοστοιχείο μπορεί να εμπεριέχει πληροφορία και από άλλα βιοφυσικά 92

χαρακτηριστικά εκτός από την πληροφορία της κύριας κατηγορίας με αποτέλεσμα να επηρεάζεται η διαχωριστική δύναμη των φασματικών υπογραφών και κατά συνέπεια και η ακρίβεια της ταξινόμησης. Για την αντιμετώπιση της μίξης των φασματικών δεδομένων αναπτύχθηκαν οι ανελαστικοί ταξινομητές (Soft classifiers ή Fuzzy) οι οποίοι βασίζονται στην ασαφή λογική και η ταξινόμηση κάθε εικονοστοιχείου εκφράζεται με το βαθμό συμμετοχής (αναλογία) της κάθε κλάσης που απαντάται σε κάθε εικονοστοιχείο. Τέτοιου είδους ταξινομητές είναι ο ταξινομητής με βάση την Bayessian θεωρία πιθανοτήτών που αποτελεί μία επέκταση της μεθόδου της Μέγιστης Πιθανοφάνειας, καθώς και ο ταξινομητής με βάση της θεωρία Dempster Shafer (Συλλαίος 2007). Επίσης εκτός από την ταξινόμηση των δορυφορικών εικόνων που βασίζονται στην ταξινόμηση κάθε εικονοστοιχείου (per pixel classification) έχει αναπτυχθεί και η μέθοδος της αντικειμενοστραφούς ταξινόμησης (Object Oriented classification) η οποία χρησιμοποιείται κυρίως σε δορυφορικά δεδομένα υψηλής χωρικής διακριτικής ικανότητας (high spatial resolution). Η βασική διαφορά της αντικειμενοστραφούς ταξινόμησης είναι ότι επιτρέπει την κατάτμηση της εικόνας σε ένα δίκτυο ομοειδών αντικειμένων (segments) και στην συνέχεια τα χαρακτηριστικά των ομοειδών αντικειμένων αναλύονται με τη χρησιμοποίηση είτε ανελαστικών αλγορίθμων όπως ο αλγόριθμος της Μέγιστης Πιθανοφάνειας είτε ελαστικών ταξινομητών (fuzzy). Αν και δεν υπάρχει κάποιος περιορισμός για την χρησιμοποίηση ταξινομητών όπως ο αλγόριθμός της Μέγιστης Πιθανοφάνειας ή της Ελάχιστης Απόστασης από το Μέσο Όρο στα υπερφασματικά δεδομένα, αλγόριθμοι ταξινόμησης έχουν αναπτυχθεί και για την ανάλυση των υπερφασματικών δεδομένων. Μία τέτοια μέθοδος είναι ο Χαρτογράφος της Φασματικής Γωνίας Spectral Angle Mapper η οποία βασίζεται στην μέτρηση της γωνίας που σχηματίζει κάθε εικονοστοιχείο στον φασματικό χώρο (n διαστάσεις = αριθμός φασματικών καναλιών) με το φάσμα αναφοράς στις ίδιες n διαστάσεις (Σχέση 5.2.1.3.7). Τα φάσματα αναφοράς μπορούν να προέλθουν είτε από μετρήσεις πεδίου ή εργαστηριακές μετρήσεις με την χρησιμοποίηση φασματοσκοπίων (φασματικές βιβλιοθήκες) είτε από τα ίδια τα δεδομένα της εικόνας. a = cos -1 i= 1 i i ( ) όπου n n 2 1/ 2 2 ti ) ( ri i= 1 i= 1 ( n t r ) 1/ 2 n : ο αριθμός των φασματικών καναλιών t i : διάνυσμα του άγνωστου εικονοστοιχείου r i : διάνυσμα αναφοράς (Σχέση 5.2.1.3.7) 93

Έτσι ο ταξινομητής κατατάσσει κάθε εικονοστοιχείο στην φασματική κλάση αναφοράς με την οποία παρουσίασε την μικρότερη γωνία. Πρέπει να σημειωθεί ότι ο αλγόριθμος δεν λαμβάνει υπόψη το μέτρο (magnitude) του διανύσματος με αποτέλεσμα να μην παρέχει καλά αποτελέσματα όταν αυτό αποτελεί σημαντικό παράγοντα για το διαχωρισμό των κλάσεων (Richards 2005, Jensen 2005, Schowengert 2007). 5.2.1.3.2 ΕΚΤΙΜΗΣΗ ΤΗΣ ΑΚΡΙΒΕΙΑΣ Η εκτίμηση της ακρίβειας, αποτελεί το τελικό στάδιο της διαδικασίας της ταξινόμησης. Η ποσοτική εκτίμηση της ακρίβειας της ταξινόμησης πραγματοποιείται με την ανάλυση του πίνακα λάθους (Confusion matrix). O πίνακας λάθους είναι μία τετραγωνική διάταξη (n x n) όπου n είναι ο αριθμός των κλάσεων που παρουσιάζει τη σχέση μεταξύ δύο ομάδων μετρήσεων που λαμβάνονται από την περιοχή που έχει ταξινομηθεί. Η πρώτη ομάδα μετρήσεων αντιπροσωπεύει τα δεδομένα πεδίου ή δεδομένα που έχουν συλλεχθεί με άλλον τρόπο και αποτελούν τα δεδομένα ελέγχου ενώ η δεύτερη ομάδα μετρήσεων αντιπροσωπεύουν τις ετικέτες των εικονοστοιχείων που προσδιορίζονται από τον ταξινομητή και αντιστοιχούνται με τα δεδομένα (σημεία) ελέγχου. Οι στήλες του πίνακα αντιπροσωπεύουν τα δεδομένα ελέγχου, ενώ οι σειρές αντιπροσωπεύουν τις ετικέτες (είδος κάλυψης) που παρήχθησαν από τον ταξινομητή. Τα διαγώνια στοιχεία του πίνακα αντιπροσωπεύουν τα σημεία σύμπτωσης (αριθμός εικονοστοιχείων) μεταξύ των δεδομένων έλεγχου και των ετικετών του ταξινομητή, δηλαδή τα εικονοστοιχεία που έχουν ταξινομηθεί σωστά (Συλλαίος 2007, Jensen 2005). Ένα μέτρο της εκτίμησης της ακρίβειας της ταξινόμησης είναι η Ολική Ακρίβεια (Overall Accuracy) που είναι ο λόγος, του αθροίσματος των καταχωρήσεων της κύριας διαγωνίου προς το συνολικό αριθμό των δειγμάτων του πίνακα λάθους και αποτελεί ένα γενικό μέτρο της εκτίμησης (Congalton & Green 1999). Επίσης από τον πίνακα λάθους εκτιμάται και η ακρίβεια της κάθε κατηγορίας (κλάσης) με τη χρησιμοποίηση των λαθών πρόσθεσης (commission errors) και των λαθών παράλειψης (omission errors). Το λάθος πρόσθεσης είναι η προσθήκη μίας περιοχής σε μία κατηγορία ενώ δεν ανήκει σε αυτή την κατηγορία. Το λάθος παράλειψης είναι η εξαίρεση μίας περιοχής από μία κατηγορία ενώ πραγματικά ανήκει σε αυτή την κατηγορία. Το λάθος παράλειψης μίας κατηγορίας υπολογίζεται από το λόγο των εικονοστοιχείων που δεν ταξινομήθηκαν σε αυτή την κατηγορία (ενώ ανήκαν σε αυτή βάση των σημείων έλεγχου) προς τον ολικό αριθμό των σημείων ελέγχου της κατηγορίας αυτής. Το λάθος πρόσθεσης υπολογίζεται από το λόγο των εικονοστοιχείων που ταξινομήθηκαν σε αυτήν την κατηγορία (ενώ ανήκαν σε άλλες κατηγορίες) προς το συνολικό αριθμό των εικονοστοιχείων που ταξινομήθηκαν σε αυτήν την κατηγορία (Congalton & Green 1999). 94

Ακόμη ένα μέτρο για την εκτίμηση της ακρίβειας κάθε κατηγορίας είναι η ακρίβεια παραγωγού (Producers Accuracy - PA) καθώς και η ακρίβεια χρήστη (Users Accuracy - UA) οι οποίες υπολογίζονται από το πίνακα λαθών και συνδέονται με τα λάθη παράλειψης και τα λάθη πρόσθεσης αντίστοιχα. Η ακρίβεια παραγωγού μίας κατηγορίας είναι ο λόγος των εικονοστοιχείων που ταξινομήθηκαν σωστά σε αυτή την κατηγορία προς των αριθμό των σημείων ελέγχου της κατηγορίας αυτής. Μικρές τιμές του λόγου αυτού υποδηλώνουν λάθη παράλειψης. Η ακρίβεια χρήστη, που συνδέεται με τα λάθη πρόσθεσης μίας κατηγορίας, είναι ο λόγος των εικονοστοιχείων που ταξινομήθηκαν σωστά στην κατηγορία αυτή προς το συνολικό αριθμό των εικονοστοιχείων που ταξινομήθηκαν σε αυτή την κατηγορία. Μικρές τιμές του λόγου αυτού υποδηλώνουν υπερεκτίμηση της κλάσης (Congalton & Green 1999). Τέλος για την εκτίμηση της ακρίβειας έχουν αναπτυχθεί και στατιστικές μέθοδοι όπως είναι η ανάλυση Κ η οποία είναι μία πολυμεταβλητή διαχωριστική τεχνική. Η μέθοδος περιλαμβάνει, εκτός από τα στοιχεία της κύριας διαγωνίου του πίνακα λάθους, την πιθανότητα συμφωνίας (chance agreement) που προέρχεται από τα αθροίσματα των σειρών και των γραμμών του πίνακα λάθους. Μεγάλες τιμές του Κ (>0.80) αντιπροσωπεύουν ισχυρή συμφωνία μεταξύ της ταξινομημένης εικόνας και των δεδομένων εκτίμησης, τιμές Κ (0.4 0.8) μέτρια συμφωνία ενώ τιμές (<0.4) δηλώνουν ανεπάρκεια συμφωνίας. Επίσης η σύγκριση δύο ανεξάρτητων τιμών Κ και επομένως δύο πινάκων λάθους παρέχεται από τη δοκιμή Ζ (Z test). H μέθοδος Ζ λαμβάνει υπόψη τις τιμές του συντελεστή Κ δυο ανεξαρτήτων πινάκων λάθους καθώς και την διακύμανση τους. Η κριτική τιμή του Ζ για επίπεδο εμπιστοσύνης 95 % είναι Ζ cr = 1.96. (Congalton & Green 1999). 5.2.1.3.3 ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ ΤΗΣ ΕΦΑΡΜΟΓΗΣ ΤΩΝ ΜΕΘΟΔΩΝ ΤΑΞΙΝΟΜΗΣΗΣ Για την ταξινόμηση της εικόνας του Hyperion χρησιμοποιήθηκε η επιβλεπόμενη ταξινόμηση και συγκεκριμένα οι μέθοδοι της Μέγιστης Πιθανοφάνειας (Maximum Likelihood - ML) (Εικόνα 5.2.1.3.3.1.α) και η μέθοδος της Απόστασης Mahalanobis (Mahalanobis Distance - MD) (Εικόνα 5.2.1.3.3.1.β) καθώς και η μέθοδος του Χαρτογράφου της Φασματικής Γωνίας (Spectral Angle Mapper) (Εικόνα 5.2.1.3.3.1.γ). Οι μέθοδοι της ταξινόμησης εφαρμόστηκαν στην αντιστραμμένη MNF εικόνα (inverse MNF), η οποία μετασχηματίστηκε πίσω στις αρχικές διαστάσεις της μετά το μετασχηματισμό MNF, δηλαδή, οι τιμές των εικονοστοιχείων της αντιπροσωπεύουν την επί της εκατό ανάκλαση στα αντίστοιχα φασματικά κανάλια. Η διαδικασία του μετασχηματισμού MNF καθώς και ο αντίστροφος μετασχηματισμός χρησιμοποιήθηκαν για την απομάκρυνση του θορύβου, όπως περιγράφεται στην παράγραφο (5.2.1.2.1). Τα 27 φασματικά κανάλια που χρησιμοποιήθηκαν, όπως αυτά προέκυψαν από τη Βηματική Διαχωριστική Ανάλυση (Stepwise Discriminant Analysis), δίδονται στον πίνακα (Πίνακας 5.2.1.2.4.1). 95

Εικόνα 5.2.1.3.3.1. Ταξινομημένες εικόνες: α) με τη μέθοδο ML (πάνω αριστερά), β) με τη μέθοδο MD (πάνω δεξιά) και γ) με τη μέθοδο SAM (κάτω αριστερά) 96

Επίσης οι μέθοδοι ταξινόμησης της Μέγιστης Πιθανοφάνειας και της Απόστασης Mahalanobis εφαρμόστηκαν και στα μετασχηματισμένα MNF δεδομένα ως μέτρο εκτίμησης της Βηματικής Διαχωριστικής Ανάλυσης καθώς και για την εκτίμηση της συμβολής των φασματικών καναλιών του ορατού/ εγγύς υπέρυθρού (VNIR) και του μέσου υπέρυθρου (SWIR) του απεικονιστή Hyperion στην ταξινόμηση των καλλιεργειών. Οι περιοχές εκπαίδευσης (training data) και τα δεδομένα ελέγχου (test data) ελήφθησαν από την εικόνα με την υπέρθεση σε αυτή διανυσματικών αρχείων (vector data) τα οποία περιείχαν την πληροφορία για το είδος της καλλιέργειας. Ο τρόπος που πραγματοποιήθηκε η δειγματοληψία περιγράφεται στην παράγραφο (5.2.1.2.2). Έτσι τα 847 σημεία που δεν συμμετείχαν ως σημεία εκπαίδευσης των ταξινομητών χρησιμοποιήθηκαν για την ποσοτική εκτίμηση της ακρίβειας των ταξινομήσεων της περιοχής έρευνας και πραγματοποιήθηκε με τη δημιουργία των πινάκων λάθους (Confusion Matrix). Από την πρώτη ανάγνωση των αποτελεσμάτων, όπως αυτά παρουσιάζονται στους πίνακες λάθους (Πίνακας 5.2.1.3.3.1, 5.2.1.3.3.2, 5.2.1.3.3.3) διαπιστώνεται ότι η Ολική Ακρίβεια τόσο της μεθόδου της Μέγιστης Πιθανοφάνειας όσο και της μεθόδου της Απόστασης Mahalanobis παρείχαν τα μεγαλύτερα ποσοστά ακρίβειας (ML: ΟΑ= 91.03 %) και (MD: ΟΑ= 91.85 %) αντίστοιχα, σε αντίθεση με τη μέθοδο του Χαρτογράφου Φασματικής Γωνίας (SAM: OA= 74.97%). Πίνακας 5.2.1.3.3.1. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Απόστασης Mahalanobis (Mahalanobis Distance MD). MD_1 Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα PA (%) UA (%) Καλαμπόκι 388 2 1 0 10 95.8 96.76 Βαμβάκι 7 101 0 6 1 84.17 87.83 Ρύζι 4 5 207 0 1 98.57 95.39 Καπνός 2 3 0 39 2 70.91 84.78 Τομάτα 4 9 2 10 43 75.44 63.24 Δεδομένα αναφοράς 405 120 210 55 57 Overall accuracy= 91.85%, Khat = 0.88, Z = 65.47 97

Πίνακας 5.2.1.3.3.2. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Μέγιστης Πιθανοφάνειας (Maximum Likelihood ML). ML_1 Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα PA (%) UA (%) Καλαμπόκι 380 2 0 0 10 93.83 96.94 Βαμβάκι 6 101 0 1 7 84.17 87.83 Ρύζι 5 3 210 0 1 100 95.89 Καπνός 3 3 0 43 2 78.18 84.31 Τομάτα 11 11 0 11 37 64.91 52.86 Δεδομένα αναφοράς 405 120 210 55 57 Overall accuracy= 91.03%, Khat = 0.8692, Z = 62.29 Πίνακας 5.2.1.3.3.3. Πίνακας Λάθους (Confusion Matrix) της μεθόδου Χαρτογράφου Φασματικής Γωνίας (Spectral Angle Mapper SAM). SAM_1 Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα PA (%) UA (%) Καλαμπόκι 331 3 3 0 10 81.73 95.39 Βαμβάκι 25 62 15 4 10 51.67 53.45 Ρύζι 16 9 189 2 4 90 85.91 Καπνός 11 9 1 34 14 61.82 49.28 Τομάτα 22 37 2 15 19 33.33 20 Δεδομένα αναφοράς 405 120 210 55 57 Overall accuracy=74.97%, Khat = 0.65, Z = 33.156 Δεδομένου ότι η μέθοδος του Χαρτογράφου Φασματικής Γωνίας, ταξινομεί κάθε εικονοστοιχείο της εικόνας με βάση τη μέτρηση της γωνίας που σχηματίζει το διάνυσμα του εικονοστοιχείου στις n φασματικές διαστάσεις με το διάνυσμα αναφοράς, συμπεραίνεται ότι το μέτρο του διανύσματος του εικονοστοιχείου αποτελεί σημαντικό παράγοντα για τον διαχωρισμό των υπό εξέταση καλλιεργειών. Εκτός από την Ολική Ακρίβεια, ένα ακόμη μέτρο για την εκτίμηση της ακρίβειας είναι και η τιμή του συντελεστή Κ (Khat) που καθορίζει την συμφωνία μεταξύ των ταξινομημένων δεδομένων και των δεδομένων ελέγχου, δηλαδή, αν η υπό εξέταση ταξινόμηση διαφέρει σημαντικά από μία τυχαία ταξινόμηση. Οι τιμές του συντελεστή Κ ενισχύουν το αποτέλεσμα της Ολικής Ακρίβειας των ταξινομήσεων της Μέγιστης Πιθανοφάνειας και της Απόστασης Mahalanobis με τιμές (ML: Khat = 0.87) και (MD: Khat = 0.88) αντίστοιχα, που δείχνουν ισχυρή σημαντικότητα (Khat > 0.80) των δυο 98

ταξινομήσεων. Το ίδιο όμως δεν συμβαίνει και με την ταξινόμηση του Χαρτογράφου Φασματικής Γωνίας (SAM: Khat = 0.65) η τιμή του οποίου δείχνει μέτρια σημαντικότητα (0.40 < Khat < 0.80). Με τη χρησιμοποίηση της Δοκιμής Ζ πραγματοποιήθηκε η σύγκριση μεταξύ των ανεξάρτητών συντελεστών Khat των τριών μεθόδων ταξινόμησης για τη διερεύνηση στατιστικώς σημαντικών διαφορών μεταξύ τους. Όπως ήταν αναμενόμενο, οι ταξινομήσεις της Μέγιστης Πιθανοφάνειας καθώς και της Απόστασης Mahalanobis διαφέρουν σημαντικά από την ταξινόμηση του Χαρτογράφου Φασματικής Γωνίας (Ζ ML _ SAM = 9.30, Ζ MD _ SAM = 9.89) ενώ δεν διαφέρουν μεταξύ τους (Ζ ML _ MD = 0.586, για επίπεδο εμπιστοσύνης 95 % είναι Ζ cr = 1.96). Αν και δεν διαφέρουν, από την επισκόπηση των πινάκων λάθους παρατηρείται μία διαφοροποίηση μεταξύ μεθόδων και αφορούν τις καλλιέργειες τις τομάτας και του καπνού. Η μέθοδος της Μέγιστης Πιθανοφάνειας υποεκτιμά λιγότερο την καλλιέργεια του καπνού (PA = 78.18 %) συγκριτικά με την Απόστασης Mahalanobis (PA = 70.91%) ενώ παρουσιάζουν σχεδόν το ίδιο λάθος πρόσθεσης (UA ML = 84.31%, UA MD = 84.78%) αλλά υποεκτιμά περισσότερο την καλλιέργεια της τομάτας καθώς έχει και μεγαλύτερο λάθος πρόσθεσης από τις άλλες καλλιέργειες και ιδιαίτερα από την καλλιέργεια του καλαμποκιού. Τέλος οι καλλιέργειες του ρυζιού και του καλαμποκιού παρουσιάζουν τα μικρότερα σφάλματα παράλειψης και πρόσθεσης και στις δύο μεθόδους. Από τον πίνακα λάθους της μεθόδου του Χαρτογράφου Φασματικής Γωνίας χαμηλές ακρίβειες παραγωγού καθώς και χαμηλές ακρίβειες χρήστης παρατηρούνται για τις καλλιέργειες τόσο του βαμβακιού όσο και του καπνού αλλά τη χειρότερη επίδοση την παρουσίασε η καλλιέργεια της τομάτας. Από την άλλη πλευρά, θέτοντας ως κριτήριο την ακρίβεια της ταξινόμησης, εξετάστηκε η υπόθεση αν όντως από τη Διαχωριστική Ανάλυση επιλέχθηκαν τα φασματικά κανάλια που συμβάλουν περισσότερο στη διάκριση των καλλιεργειών. Για τη διερεύνηση αυτή οι μέθοδοι ταξινόμησης της Μέγιστης Πιθανοφάνειας (Εικόνα 5.2.1.3.3.2.α) και της Απόστασης Mahalanobis (Εικόνα 5.2.1.3.3.2.β) εφαρμόστηκαν στα μετασχηματισμένα MNF δεδομένα. Πρέπει να σημειωθεί ότι η διαδικασία μετασχηματισμού MNF πραγματοποιήθηκε ξεχωριστά για τα φασματικά κανάλια του ορατού/ εγγύς υπέρυθρού (VNIR) και του μέσου υπέρυθρου (SWIR) (Datt et.al., 2003) διότι επιτυγχάνεται καλύτερη διαχείριση του θορύβου αφού παρουσιάζει διαφορετική δομή στους δύο ανιχνευτές (arrays). Με αυτόν τον τρόπο τα φασματικά κανάλια (12-57) χρησιμοποιήθηκαν για το μετασχηματισμό των φασματικών καναλιών του ορατού/ εγγύς υπέρυθρού (VNIR) καθώς επίσης τα κανάλια (84-96, 103 118, 135 163 και 191-217) του μέσου υπέρυθρου (SWIR). Έτσι δημιουργήθηκε μία εικόνα με 19 μετασχηματισμένα MNF κανάλια από τα οποία τα 11 (coherent MNF eigenimages) προήλθαν από τα αρχικά κανάλια του ορατού / εγγύς υπέρυθρού (VNIR) και τα 8 κανάλια από τα αντίστοιχα του μέσου υπέρυθρου (SWIR). 99

Εικόνα 5.2.1.3.3.2. Ταξινομημένες εικόνες των 19 μετασχηματισμένων MNF εικόνων: α) με τη μέθοδο ML (πάνω αριστερά), β) με τη μέθοδο MD (πάνω δεξιά). 100

Η εκτίμηση της ακρίβειας πραγματοποιήθηκε με την δημιουργία των πινάκων λάθους (Confusion Matrix) και οι οποίοι παρουσιάζονται στους παρακάτω πίνακες (Πίνακας 5.2.1.3.3.4, 5.2.1.3.3.5). Πίνακας 5.2.1.3.3.4. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Απόστασης Mahalanobis (Mahalanobis Distance MD). MD_MNF_19 Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα PA (%) UA (%) Καλαμπόκι 389 2 1 0 10 96.05 96.77 Βαμβάκι 7 100 0 5 2 83.33 87.72 Ρύζι 4 5 207 0 2 98.57 94.95 Καπνός 2 4 0 39 1 70.91 84.78 Τομάτα 3 9 2 11 42 73.68 62.69 Δεδομένα αναφοράς 405 120 210 55 57 Overall accuracy= 91.74%, Khat = 0.8787, Z = 64.9383 Πίνακας 5.2.1.3.3.5. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Μέγιστης Πιθανοφάνειας (Maximum Likelihood ML). ML_MNF_19 Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα PA (%) UA (%) Καλαμπόκι 384 2 0 0 10 94.81 96.97 Βαμβάκι 6 102 0 1 7 85 87.93 Ρύζι 3 3 210 0 1 100 96.77 Καπνός 3 3 0 43 2 78.18 84.31 Τομάτα 9 10 0 11 37 64.91 55.22 Δεδομένα αναφοράς 405 120 210 55 57 Overall accuracy= 91.62 %, Khat = 0.8775, Z = 64.696 Από τα δεδομένα των πινάκων λάθους (Πίνακας 5.2.1.3.3.4, 5.2.1.3.3.5) παρατηρείται ότι και στις δύο μεθόδους ταξινόμησης η Ολική Ακρίβεια ανέρχεται στο 92 % περίπου (ML MNF_19: ΟΑ= 91.62 %) και (MD MNF_19: ΟΑ= 91.74 %) καθώς και οι τιμές του συντελεστή Khat (ML MNF_19 : Khat = 0.8775) και (MD MNF_19: Khat = 0.8787) δείχνουν ότι η εν λόγω ταξινομήσεις έχουν ισχυρή διαφοροποίηση (Khat > 0.80) από την τυχαία ταξινόμηση. Επίσης η σύγκριση των τιμών του συντελεστή Khat με την δοκιμή Ζ έδειξε ότι οι δυο ταξινομήσεις δεν διαφέρουν μεταξύ τους (Ζ ML _ MD _ MNF_19 = 0.06, για επίπεδο εμπιστοσύνης 95 %, Ζ cr = 1.96). 101

Από τη σύγκριση των αντίστοιχων μεθόδων ταξινόμησης που εφαρμόστηκαν στα μετασχηματισμένα MNF φασματικά κανάλια και στα φασματικά κανάλια που προέκυψαν από την Διαχωριστική Ανάλυση δεν παρατηρούνται στατιστικώς σημαντικές διαφορές (Z test) γεγονός που σημαίνει ότι τα 27 κανάλια που επιλέχθηκαν από την Διαχωριστική Ανάλυση παρέχουν την καλύτερη πληροφορία για τη διάκριση των υπό εξέταση καλλιεργειών. Στον πίνακα που ακολουθεί παρουσιάζονται οι τιμές της Δοκιμής Ζ μεταξύ των ταξινομήσεων (Πίνακας 5.2.1.3.3.6). Πίνακας 5.2.1.3.3.6. Συγκεντρωτικός πίνακας δοκιμής Ζ (Z test). MD1 ML1 MD_MNF_19 ML_MNF_19 MD1 ML1 0.586236 MD_MNF_19 0.096442 0.489846 ML_MNF_19 0.159168 0.427598 0.062651 * Για επίπεδο εμπιστοσύνης 95 %, Ζcr = 1.96 Επίσης από τη σύγκριση αυτή προκύπτει ότι τα μετασχηματισμένα MNF κανάλια μπορούν να χρησιμοποιηθούν απ ευθείας για την ταξινόμηση των εικόνων του Hyperion, αν δεν υπάρχει ιδιαίτερο ενδιαφέρον για την εκτίμηση των αρχικών φασματικών καναλιών που συμβάλουν στην διάκριση των εκάστοτε βιοφυσικών χαρακτηριστικών. Τέλος, δεδομένου ότι για τη μελέτη γενικότερα της βλάστησης η συμβολή του φασματικού τμήματος του ορατού / εγγύς υπέρυθρού (VNIR) είναι καθοριστική, εξετάστηκε η συμβολή των φασματικών καναλιών του μέσου υπέρυθρου (SWIR) του απεικονιστή στην ταξινόμηση των καλλιεργειών. Για το λόγο αυτό οι μέθοδοι ταξινόμησης της Μέγιστης Πιθανοφάνειας (Εικόνα 5.2.1.3.3.3.α) και της Απόστασης Mahalanobis (Εικόνα 5.2.1.3.3.3.β) εφαρμόστηκαν στα μετασχηματισμένα MNF δεδομένα, δηλαδή, στα 11 «φασματικά κανάλια» (coherent MNF eigenimages) που προήλθαν από τα αρχικά κανάλια του ορατού/ εγγύς υπέρυθρού (VNIR). Από την επισκόπηση των πινάκων λάθους (Πίνακας 5.2.1.3.3.7, 5.2.1.3.3.8) των αντίστοιχων ταξινομήσεων διαπιστώνεται ότι η Ολική Ακρίβεια και για τις δύο μεθόδους ανέρχεται στο 89% περίπου, (ML MNF_19: ΟΑ= 89.49 %) και (MD MNF_19: ΟΑ= 88.90 %) μόλις 3 ποσοστιαίες μονάδες λιγότερο από τις αντίστοιχες ταξινομήσεις στις οποίες χρησιμοποιήθηκαν τα 19 μετασχηματισμένα MNF «φασματικά κανάλια» (coherent MNF eigenimages). 102

Εικόνα 5.2.1.3.3.3. Ταξινομημένες εικόνες των 11 μετασχηματισμένων MNF εικόνων: α) με τη μέθοδο ML (πάνω αριστερά), β) με τη μέθοδο MD (πάνω δεξιά). 103

Πίνακας 5.2.1.3.3.7. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Απόστασης Mahalanobis (Mahalanobis Distance MD) MD_MNF_11 Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα PA (%) UA (%) Καλαμπόκι 381 2 0 0 9 94.07 97.19 Βαμβάκι 10 93 0 10 11 77.5 75 Ρύζι 5 4 208 0 2 99.05 94.98 Καπνός 5 1 0 38 2 69.09 82.61 Τομάτα 4 20 2 7 33 57.89 50 Δεδομένα αναφοράς 405 120 210 55 57 Overall accuracy= 88.90, Khat = 0.838, Z = 55.30 Πίνακας 5.2.1.3.3.8. Πίνακας Λάθους (Confusion Matrix) της μεθόδου της Μέγιστης Πιθανοφάνειας (Maximum Likelihood ML). ML_MNF_11 Καλαμπόκι Βαμβάκι Ρύζι Καπνός Τομάτα PA (%) UA (%) Καλαμπόκι 375 1 0 0 9 92.59 97.4 Βαμβάκι 5 95 0 2 6 79.17 87.96 Ρύζι 3 4 209 0 1 99.52 96.31 Καπνός 8 0 0 41 3 74.55 78.85 Τομάτα 14 20 1 12 38 66.67 44.71 Δεδομένα αναφοράς 405 120 210 55 57 Overall accuracy= 89.49%, Khat = 0.8478, Z = 57.41 Επίσης οι τιμές του συντελεστή του συντελεστή Khat (ML MNF_11 : Khat = 0.8478) και (MD MNF_11: Khat = 0.838) δείχνουν ότι η εν λόγω ταξινομήσεις έχουν ισχυρή διαφοροποίηση (Khat > 0.80) από την τυχαία ταξινόμηση. Επίσης η σύγκριση των τιμών του συντελεστή Khat με την δοκιμή Ζ έδειξε ότι οι δυο ταξινομήσεις δεν διαφέρουν μεταξύ τους (Ζ ML _ MD _ MNF_11 = 0.46, για επίπεδο εμπιστοσύνης 95 %, Ζ cr = 1.96) Εκτός από τη διαφορά της Ολική Ακρίβειας που παρατηρήθηκε μεταξύ των ταξινομήσεων, πραγματοποιήθηκε και η δοκιμή Ζ για τη διαπίστωση αν οι διαφορές τους είναι στατιστικώς σημαντικές. Στον πίνακα (Πίνακας 5.2.1.3.3.9) παρουσιάζονται οι τιμές της Δοκιμής Ζ μεταξύ των ταξινομήσεων. 104

Πίνακας 5.2.1.3.3.9. Συγκεντρωτικός πίνακας δοκιμής Ζ (Z test) MD_MNF_11 ML_MNF_11 MD_MNF_19 ML_MNF_19 MD_MNF_11 ML_MNF_11 0.46 MD_MNF_19 2.00* 1.54 ML_MNF_19 1.94 1.48 * Για επίπεδο εμπιστοσύνης 95 %, Ζcr = 1.96 Από τον παραπάνω πίνακα (Πίνακας 5.2.1.3.3.9) διαπιστώνεται ότι υπάρχει στατιστικώς σημαντική διαφορά μόνο μεταξύ των ταξινομήσεων της μεθόδου της Απόστασης Mahalanobis όταν αυτή εφαρμόστηκε στα 19 μετασχηματισμένα «φασματικά κανάλια» (coherent MNF eigenimages) και στα 11 «φασματικά κανάλια» (coherent MNF eigenimages) αντίστοιχα. Παρόλα αυτά από την εξέταση των πινάκων λάθους των αντίστοιχών μεθόδων (Πίνακας 5.2.1.3.3.4, 5.2.1.3.3.5, 5.2.1.3.3.7, 5.2.1.3.3.8) φαίνεται ότι με την πρόσθεση των καναλιών του μέσου υπερύθρου του Hyperion ταξινομούνται καλύτερα οι καλλιέργειες του βαμβακιού, του καπνού και της τομάτας. Έτσι τα κανάλια του μέσου υπερύθρου προσδίδουν την επιπρόσθετη (μοναδική) πληροφορία για την ταξινόμηση των καλλιεργειών. 105

5.2.2 ΑΝΑΛΥΣΗ ΠΟΛΥΦΑΣΜΑΤΙΚΩΝ ΔΕΔΟΜΕΝΩΝ Για την επίτευξη του τρίτου στόχου της παρούσας διατριβής δηλαδή, της σύγκρισης των υπερφασματικών δεδομένων του απεικονιστή Hyperion και των πολυφασματικών δεδομένων για την ταξινόμηση των υπό εξέταση γεωργικών καλλιεργειών της περιοχής μελέτης, χρησιμοποιήθηκε η πολυφασματική εικόνα του απεικονιστή Θεματικού Χαρτογράφου - Landsat 5 TM. Η επιλογή του Θεματικού Χαρτογράφου - Landsat 5 TM βασίστηκε στο ότι έχει την ίδια χωρική διακριτική ικανότητα (spatial resolution) με τον απεικονιστή Hyperion (30m) και ότι καλύπτουν περίπου το ίδιο φασματικό εύρος. Αν και ο δορυφόρος (ΕΟ-1) που φέρει τον απεικονιστεί Hyperion βρίσκεται στην ίδια τροχιά με τον Landsat 7 (Εικόνα 5.2.2.1) και μάλιστα τον ακολουθεί με διαφορά ενός λεπτού της ώρας (Barry 2001), η σύγκριση δεν πραγματοποιήθηκε με εικόνα του Ενισχυμένου Θεματικού Χαρτογράφου Landsat ETM+ διότι από τις 31 Μαΐου 2003 παρουσιάστηκε τεχνικό πρόβλημα στο σύστημα Scan line Corrector - SLC. Το σύστημα αυτό ενισχύει την εμπρόσθια κίνηση του δορυφόρου και η δυσλειτουργία του προκαλεί επίδραση στην καταγραφή του Ενισχυμένου Θεματικού Χαρτογράφου ο οποίος ακολουθεί μία οδοντωτή μορφή καταγραφής κατά μήκος της τροχιάς με αποτέλεσμα κάποιες περιοχές των εικόνων να παρουσιάζουν διπλοεγγραφή (doublicated). Έτσι οι εικόνες του Ενισχυμένου Θεματικού Χαρτογράφου από τις 14 Ιουλίου μέχρι και σήμερα παράγονται με απενεργοποιημένο στο σύστημα SLC (SLC off) και οι τιμές των διπλοεγγεγραμμένων εικονοστοιχείων που αφαιρούνται από την εικόνα αντικαθίστανται με μεθόδους παρεμβολής από γειτονικές γραμμές σάρωσης ή από άλλες ημερομηνίες λήψης (http://landsat.usgs.gov). Παρόλα αυτά ο Landsat 5 βρίσκεται σε παρόμοια τροχιά με τον Landsat 7 (ηλιοσύγχρονη πολική τροχιά) και στο ίδιο ύψος τροχιάς περίπου 705 Km. Εικόνα 5.2.2.1. Σχηματική απεικόνιση της τροχιάς του Landsat 7 και ΕΟ-1. 106

Επίσης η επιλογή της πολυφασματικής εικόνας πραγματοποιήθηκε και με το κριτήριο της ημερομηνίας λήψης, δηλαδή η ημερομηνία λήψης της να είναι όσο το δυνατό πιο κοντά στην ημερομηνία λήψης της υπερφασματικής εικόνας (1/8/2003) έτσι ώστε να αποφευκτούν φαινολογικές διαφοροποιήσεις των καλλιεργειών, αλλά σε συνδυασμό με την ποιότητα της. Έτσι επιλέχθηκε η εικόνα του Θεματικού Χαρτογράφου - Landsat 5 TM (path/row: 182/032) με ημερομηνία λήψης 18/8/2003 διότι η προεπισκόπηση της εικόνας με ημερομηνία λήψης 2/8/2003 παρουσίαζε πιθανή αραιή νέφωση στην περιοχή μελέτης. Πριν την εφαρμογή των μεθόδων ταξινόμησης της εικόνας του Θεματικού Χαρτογράφου πραγματοποιήθηκαν διεργασίες προ επεξεργασίας της όπως η ατμοσφαιρική διόρθωση και η γεωμετρική διόρθωση του υποσυνόλου της (Subset) που περιλάμβανε την περιοχή μελέτης. Τέλος για την επίτευξη της σύγκρισης, χρησιμοποιήθηκε η επιβλεπόμενη ταξινόμηση και συγκεκριμένα οι μέθοδοι της Μέγιστης Πιθανοφάνειας - Maximum Likelihood και της Απόστασης Mahalanobis Mahalanobis Distance. 5.2.2.1 ΠΡΟ ΕΠΕΞΕΡΓΑΣΙΑ ΕΙΚΟΝΑΣ Η προ επεξεργασία της εικόνας του Θεματικού Χαρτογράφου - Landsat 5 TM συνίσταται στις εξής διαδικασίες: Α. Ατμοσφαιρική Διόρθωση. Πριν από τη διαδικασία της ατμοσφαιρικής διόρθωσης, πραγματοποιήθηκε η συνένωση (layer stacking) των 6 ξεχωριστών εικόνων (*.tiff format) που αντιστοιχούν στα φασματικά κανάλια (1-5 και 7) του απεικονιστή, διαδικασία που πραγματοποιήθηκε στο λογισμικό ERDAS IMAGINE 8.7 με αποτέλεσμα την δημιουργία ενός ενιαίου αρχείου εικόνας (*.img format) που αποτελεί την τυπική (standard) μορφή αρχείου εικόνας (format) του λογισμικού. Η ατμοσφαιρική διόρθωση πραγματοποιήθηκε στο λογισμικό ERDAS IMAGINE 8.7 με τη χρησιμοποίηση του μοντέλου ATCOR το οποίο αναπτύχθηκε από το Γερμανικό Κέντρο Αεροδιαστημικής (German Aerospace Center DLR) και βασίζεται στον κώδικα μεταφοράς της ακτινοβολίας (radiative transfer models) MODTRAN 4+. Οι απαιτούμενες πληροφορίες που πρέπει να εισαχθούν στο μοντέλο αφορούν πληροφορίες του απεικονιστή specifications tab (Εικόνα 5.2.2.1.1) καθώς και πληροφορίες που αφορούν τις ατμοσφαιρικές συνθήκες που επικρατούσαν κατά την ημέρα και ώρα λήψης της εικόνας atmospheric selections (Εικόνα 5.2.2.1.2) 107

Συγκεκριμένα οι πληροφορίες του απεικονιστή που πρέπει να εισαχθούν είναι εκτός από τον ορισμό του εισαγόμενου αρχείου της εικόνας καθώς και το εξαγόμενο αρχείο εικόνας είναι (ATCOR Users Manual for Imagine 8.7): - Η ημερομηνία λήψης της εικόνας για τον υπολογισμό της απόσταση μεταξύ γης ήλιου. - Ο τύπος του απεικονιστή (και η επιλογή των φασματικών καναλιών) - Οι συντελεστές gains και offsets (calibration file) για τη μετατροπή των τιμών φωτεινότητας (DN) στην ακτινοβολία (radiance) που καταγράφει ο απεικονιστής.οι συντελεστές παρέχονται στα συνοδευτικά αρχεία της εικόνας. - Η θέση και η γεωμετρία του ήλιου (Solar zenith, Solar azimuth). Υπολογίζεται με τη χρησιμοποίηση της ημερομηνίας και της ώρας λήψης της εικόνας καθώς και τις συντεταγμένες του κέντρου της εικόνας. - Το μέσο υψόμετρο της περιοχής. Εικόνα 5.2.2.1.1. Απεικόνιση του κυρίως γραφικού περιβάλλοντος του ATCOR (Specifications tab) Επίσης οι ατμοσφαιρικές πληροφορίες που είναι απαραίτητο να εισαχθούν είναι οι εξής: Η εκτιμώμενη ορατότητα που είναι η ευκολία με την οποία τα αντικείμενα μπορούν να διακριθούν στον ουρανό. Λαμβάνει τιμές απόστασης (5-120 Km) και επηρεάζεται από την απορρόφηση ή τη σκέδαση του φωτός. Επιλογή μοντέλου για το μείγμα των αερίων και των σωματιδίων της ατμόσφαιρας καθώς και για την περιεχόμενη υγρασία της ατμόσφαιρας (Aerosol type) 108

Εικόνα 5.2.2.1.2. Απεικόνιση του κυρίως γραφικού περιβάλλοντος του ATCOR (Atmospheric Selections tab) Έπειτα από την εισαγωγή των παραμέτρων, το μοντέλο ATCOR παρέχει την δυνατότητα (Validate Spectra) εκτίμησης του παραγόμενου αποτελέσματος πριν από την εκτέλεση της διόρθωσης. Με τη χρησιμοποίηση φασματικών διαγραμμάτων εικονοστοιχείων της εικόνας (όπως βλάστησης, νερού και γυμνού εδάφους) και τη σύγκρισή τους με αντίστοιχες φασματικές βιβλιοθήκες μπορεί να εκτιμηθεί το αποτέλεσμα της διόρθωσης. Αν αυτό δεν είναι ικανοποιητικό μπορούν να αλλάξουν οι παράμετροι της ορατότητας και της σύστασης της ατμόσφαιρας (Εικόνα 5.2.2.1.3). Εικόνα 5.2.2.1.3. Απεικόνιση του γραφικού περιβάλλοντος Validate Spectra 109

Η εικόνα που δημιουργήθηκε μετά την εφαρμογή της ατμοσφαιρικής διόρθωσης (Εικόνα 5.2.2.1.4) παρέχει τιμές ανάκλασης (surface reflectance) με εύρος τιμών (0 255) οι οποίες είναι υπό κλίμακα (scale factor: 4), επομένως οι τιμές των εικονοστοιχείων της εικόνας πρέπει να διαιρεθούν με την υπό κλίμακα τιμή (scale factor) ώστε να μετατραπούν σε επί της εκατό ανάκλαση (%). Εικόνα 5.2.2.1.4. Ατμοσφαιρικά διορθωμένη εικόνα Landsat 5 TM Β. Γεωμετρική διόρθωση. Για τη γεωμετρική διόρθωση της εικόνας του Θεματικού Χαρτογράφου Landsat 5 TM χρησιμοποιήθηκε η μέθοδος αναγωγής εικόνα με χάρτη (image to map rectification) και η διαδικασία πραγματοποιήθηκε στο λογισμικό ENVI 4.3. Ως χάρτης αναφοράς για το μετασχηματισμό της εικόνας στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ 87) χρησιμοποιήθηκε η διορθωμένη εικόνα του Hyperion (Εικόνα 5.2.2.1.5). 110

Εικόνα 5.2.2.1.5. Απεικόνιση της διαδικασίας της γεωμετρικής διόρθωσης στο περιβάλλον του λογισμικού ENVI 4.3 Για το μετασχηματισμό χρησιμοποιήθηκαν 12 σημεία σταθερής επιφάνειας (Ground Control Points GCPs) και η πολυωνυμική εξίσωση πρώτου βαθμού (first order polynomial). Το μέσο τετραγωνικό σφάλμα που επιτεύχθηκε είναι 0.29 του μεγέθους του εικονοστοιχείου και θεωρείται αποδεκτό σφάλμα (μικρότερο του 1 εικονοστοιχείου). Για την επαναδειγματοληψία (resampling) των εικονοστοιχείων της αρχικής εικόνας χρησιμοποιήθηκε η μέθοδος παρεμβολής της κοντινότερης γειτονικής θέσης (nearest neighbor). Πριν από τη διαδικασία της γεωμετρική διόρθωσης, η εικόνας περιορίστηκε (Subset) σε μία ευρύτερη περιοχή της περιοχής μελέτης (όρια της εικόνας Hyperion) και αφού πραγματοποιήθηκε η γεωμετρική διόρθωση που περιγράφηκε νωρίτερα περιορίστηκε εκ νέου στα όρια της εικόνας του Hyperion. 5.2.2.2 ΜΕΘΟΔΟΙ ΤΑΞΙΝΟΜΗΣΗΣ Η ταξινόμηση της εικόνας του Θεματικού Χαρτογράφου Landsat 5 TM πραγματοποιήθηκε με την επιβλεπόμενη ταξινόμηση και συγκεκριμένα χρησιμοποιήθηκαν οι μέθοδοι της Μέγιστης Πιθανοφάνειας (Εικόνα 5.2.2.2.1.α) (Maximum Likelihood) και η μέθοδος της Απόστασης Mahalanobis (Εικόνα 5.2.2.2.1.β) (Mahalanobis Distance). Οι μέθοδοι της ταξινόμησης εφαρμόστηκαν στην ατμοσφαιρικά και γεωμετρικά διορθωμένη εικόνα. 111