"Μεθοδολογία Αποκατάστασης Πυρόπληκτων Μεσογειακών Δασών - Ασφάλεια & Αποδοτικότητα 4 Παρεμβάσεων στην NATURA 2000 της Ρόδου"

FRAMME LIFE 08 NAT//GR//000533 ΑΘΗΝΑ 2013 ΑΝΑΠΤΥΞΗ ΕΡΓΑΛΕΙΟΥ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΓΙΑ ΤΗΝ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΗΣ ΑΠΟΚΑΤΑΣΤΑΣΗΣ ΣΤΗΝ ΠΕΡΙΟΧΗ ΥΛΟΠΟΙΗΣΗΣ ΤΟΥ ΕΡΓΟΥ FRAMME - LIFE08 NAT/GR/000533

Το FRAMME, "Μεθοδολογία Αποκατάστασης Πυρόπληκτων Μεσογειακών Δασών - Ασφάλεια & Αποδοτικότητα 4 Παρεμβάσεων στην NATURA 2000 της Ρόδου", με Αριθ. Σύμβασης LIFE08 NAT/GR/000533, χρηματοδοτείται κατά 50% από τον μηχανισμό LIFE+ (Nature & Biodiversity) της Γενικής Δ/νσης Περιβάλλοντος της Ευρωπαϊκής Ένωσης και έχει συνολικό προϋπολογισμό 1.544.355. Την συνολική διαχείριση του FRAMME έχει η Ελληνική Εταιρεία Περιβάλλοντος και Πολιτισμού σε συνεργασία με το Γεωπονικό Πανεπιστήμιο Αθηνών και τον Δήμο Ρόδου FRAMME, Fire Restoration Methodology for Mediterranean Forests - environmental safety & sustainability of 4 interventions in the Rhodes NATURA 2000 site with contract number LIFE08 NAT/GR/000533 is a project co-financed by 50% by the European Commission s LIFE+ Programme and has a total budget of 1.544.355. The management of the project is carried out by Elliniki Etairia Society for Environment & Cultural Heritage acting as Coordinating Beneficiary. Associate Beneficiaries to the Project are The Agricultural University of Athens and the Municipality of Rhodes. Στοιχεία επικοινωνίας: Εργαστήριο Οικολογίας και Προστασίας Περιβάλλοντος, Γεωπονικό Πανεπιστήμιο Αθηνών Καθηγητής Γ. Αράπης Ιερά Οδός 75, Βοτανικός Τηλ: 210 5294465

ΠΕΡΙΕΧΟΜΕΝΑ EXECUTIVE SAMMARY... 4 1. Παρακολούθηση και αξιολόγηση της αποκατάστασης... 6 2. Προ-επεξεργασία των Δορυφορικών Εικόνων... 7 3. Συλλογή δειγμάτων βλάστησης... 23 4. Ταξινόμηση των ειδών βλάστησης... 25 5. Αποτελέσματα - Συμπεράσματα... 53 6. Προτάσεις... 54 7. Βιβλιογραφία... 56 ΠΑΡΑΡΤΗΜΑ Ι Οδηγός χρήσης εργαλείου τηλεπισκόπησης... 57

EXECUTIVE SAMMARY The current project focuses on a wide range of burnt areas on the island of Rhodes. One of the primary motivations is to monitor these areas. In order to achieve this objective, the various changes of the vegetation at the permanent established plots are monitored using remote sensing methods and techniques. Satellite images with high spatial resolution (0.6m-1.0m) and hyperspectral sensors from satellite sensors, with multispectral bands and high spectral resolution, can be combined and are beneficially used to analyse land cover and detect changes. The methodology adopted consists of the following steps: 1. Orthorectification and Georeferencing using GCP s (RMS<2) of satellite images 2. Recognition of vegetation species, collection of training sites, i.e. areas representing each known land cover category 3. Supervised object oriented classification of land cover categories 4. Assessment through statistical analysis of the progress of the changes. Moreover, the monitoring of the modification of the land cover categories at the permanent established plots, demands the processing of satellite images at three different periods of time: before the fire (Quickbird - 0.60m 23/5/2002), after the fire (Quickbird - 0.60m 20/3/2009) and more recent ones (Ikonos 1m 20/7/2011, Ikonos 1m 20/9/2012, Ikonos 1m 20/5/2013) (supply of satellite images from the companies GetMap Ltd and Metrica SA). Following, these satellite images are rectified using Ground Control Points (GCPs) and Digital Terrain Model (DTM) of the broader area, in order to produce background images. The background images are then used to map the polygons of the various categories of vegetation during the above-mentioned periods of time. Furthermore, an adequate number of land cover samples has been collected in order to identify and determine the various species of vegetation through on site visits (i.e. forest trees, small shrubs, medium shrubs, bare land etc.). Therefore, the above images combined with the training sites and the algorithm applied, carry out a vegetation classification. The result through this process is a raster map with polygons of the various categories of vegetation of the area. The categories of vegetation that were mapped and monitored are: 1. Forest Trees 2. Small Shrubs 3. Medium Shrubs 4. Bare Land The object oriented classification is conducted with ENVI Zoom s Feature Extraction Tool and the results are inserted to ArcMap as shapefiles. Using ArcMap features the Attribute Table of each category is properly built. Each Attribute Table has six main columns: the location of the plots, the name/number of each plot, the area of each plot, the area of each category of vegetation for every plot, the type of the interventions that will be applied and the percentage of the coverage of each category of vegetation for every plot.

At the specific area on the island of Rhodes it is very difficult to detect and distinguish the various categories of the vegetation, mainly because of the homogeneity of the landscape. Despite that, object oriented supervised classification had satisfactory and accurate results. In total, from 2011 to 2013 the percentage of medium shrubs was significantly increased, the percentage of small shrubs was also increased, followed by a corresponding decrease of the percentage of bare land. Taking into account the available budget and the results obtained, which are both sufficient and accurate, it is concluded that the outcome of the analysis is significant meaningful and achieving all initial objectives. The experience obtained can be applied in many other cases, like monitoring of crops per season or per species. Object oriented classification has significant potential and with the correct and proper design and combination of available data, it may render very useful results. These results can be used for a variety of purposes, such as indicators for land use, as a guide for taking measures against hazards, for the assessment of changes or possible interventions of the vegetation through time.

1. Παρακολούθηση και αξιολόγηση της αποκατάστασης Η παρακολούθηση της μεταβολής της βλάστησης στις υπό εξέταση περιοχές αποσκοπεί στην αξιολόγηση της προόδου της φυσικής αναγέννησης και της αποτελεσματικότητας της τεχνητής αποκατάστασης. Για την επίτευξη των παραπάνω στόχων, εφαρμόζονται μέθοδοι της επιστήμης της Τηλεπισκόπησης. Η Τηλεπισκόπηση είναι η επιστήμη της απόκτησης ποιοτικής και μετρητικής πληροφορίας ενός φαινομένου ή ενός αντικειμένου από απόσταση, χωρίς δηλαδή φυσική επαφή με το υπο μελέτη φαινόμενο ή αντικείμενο. Πρακτικά, χρησιμοποιούνται καταγραφείς διαφόρων τεχνολογιών (δέκτες), μέσω των οποίων συλλέγεται και στην συνέχεια αναλύεται πληροφορία που αφορά αντικείμενα ή περιοχές. Σημαντικό στοιχείο διαχωρισμού των δεκτών είναι η διακριτική τους ικανότητα, γεωμετρική και φασματική. Η γεωμετρική διακριτική ικανότητα (ή χωρική ανάλυση) αφορά την ελάχιστη επιφάνεια του εδάφους για την οποία μπορεί να γίνει παρατήρηση. Στις ψηφιακές απεικονίσεις, αυτό ορίζεται σαν μέγεθος του εικονοστοιχείου στο έδαφος και μετριέται συνήθως σε μέτρα. Η φασματική διακριτική ικανότητα αφορά την δυνατότητα του δέκτη να αντιλαμβάνεται πληροφορία σε διαφορετικά μήκη κύματος της ηλεκτρομαγνητικής ακτινοβολίας (αναφέρεται σε πλήθος καναλιών ενός δέκτη). Προκειμένου να είναι επιτυχής η μεθοδολογία που θα εφαρμοστεί, είναι απαραίτητο να υπάρχει ισορροπία μεταξύ γεωμετρικής και φασματικής διακριτικής ικανότητας των δεκτών που θα επιλεγούν. Η μεθοδολογία που εφαρμόζεται περιγράφεται στη συνέχεια και αποτελείται συγκεκριμένα από τα εξής στάδια: 5. Χρήση και Γεωμετρική Διόρθωση Δορυφορικών Εικόνων 6. Συλλογή δειγμάτων για τον προσδιορισμό των ειδών της βλάστησης 7. Ταξινόμηση των ειδών κάλυψης 8. Αποτίμηση επεμβάσεων με στατιστικό υπολογισμό της προόδου των αλλαγών. Αναλυτικότερα, για την παρακαλούθηση της προόδου της κάλυψης στις υπό μελέτη περιοχές, χρησιμοποιούνται δορυφορικές εικόνες, σε 3 διαφορετικές χρονικές περιόδους, προ της πυρκαγιάς (Quickbird - 0.60m 23/5/2002), μετά την πυρκαγιά (Quickbird - 0.60m 20/3/2009) και πρόσφατες (Ikonos 1m 20/7/2011, Ikonos 1m 20/9/2012, Ikonos 1m 20/5/2013) (προμήθεια δορυφορικών εικόνων από την εταιρεία GetMap Ltd και Metrica Α.Ε.). Τα τεχνικά χαρακτηριστικά των εικόνων περιγράφονται στα αρχεία metadata.txt, όπως παραδίδονται. Οι δορυφορικές εικόνες στη συνέχεια, διορθώνονται, για την παραγωγή υποβάθρων, χρησιμοποιώντας φωτοσταθερά και Ψηφιακά Μοντέλα Εδάφους της περιοχής. Τα υπόβαθρα χρησιμοποιούνται για τη χαρτογράφηση των πολυγώνων της βλάστησης στις παραπάνω χρονικές περιόδους. Παράλληλα, συλλέγεται επαρκής αριθμός δειγμάτων κάλυψης για τον προσδιορισμό των ειδών βλάστησης, σε συνδυασμό φυσικά με την επιτόπια παράτηρηση (π.χ. δάση, θαμνώδης χαμηλή βλάστηση, θαμνώδης μέση βλάστηση, ποώδης βλάστηση, ξηρή γη). Επομένως, χρησιμοποιώντας τις παραπάνω εικόνες και τα παραπάνω δείγματα που αποτελούν τις περιοχές εκπαίδευσης του αλγόριθμου που εφαρμόζεται, θα πραγματοποιηθεί ταξινόμηση των ειδών

κάλυψης και το αποτέλεσμα θα είναι ένας χάρτης με πολύγωνα της βλάστησης όλης της περιοχής. Στη συνέχεια, κατά τη διάρκεια των επεμβάσεων θα γίνεται λήψη δορυφορικών δεδομένων. Σε κατάλληλο λογισμικό, εφαρμόζοντας κατάλληλους αλγορίθμους θα υπολογίζεται η πρόοδος των αλλαγών και η μεταβολή των πολυγώνων της βλάστησης όλης της περιοχής. Με αυτόν τον τρόπο, θα αξιολογηθεί τόσο η φυσική αναγέννηση, όσο και η τεχνητή αποκατάσταση. 2. Προ-επεξεργασία των Δορυφορικών Εικόνων Κατά τη διάρκεια μιας δορυφορικής λήψης προκύπτουν γεωμετρικές παραμορφώσεις, που πρέπει να εξαλειφθούν, ενώ παράλληλα πρέπει να γίνουν εκείνες οι διορθώσεις που είναι απαραίτητες πριν την ανάλυση των δορυφορικών εικόνων, ώστε αυτές να μετασχηματιστούν από το σύστημα κατόπτευσης του δορυφόρου που έχουν ληφθεί (WGS 84), σε συγκεκριμένο χαρτογραφικό σύστημα προβολής, συγκεκριμένα στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (EΓΣA 87). Οι διορθώσεις αυτές εντάσσονται στο γενικότερο πλαίσιο της προ-επεξεργασίας των εικόνων. Σκοπός της γεωμετρικής διόρθωσης είναι διόρθωση των παραμορφώσεων που εμφανίζουν οι πρωτογενείς δορυφορικές εικόνες (στρέβλωση σάρωσης, πανοραμική παραμόρφωση, λόγω κίνησης του δορυφόρου, λόγω περιστροφής της γης, λόγω αναγλύφου, κλπ.). Η διαδικασία γεωμετρικής διόρθωσης που περιλαμβάνει και τη διόρθωση της επίδρασης του αναγλύφου ονομάζεται ορθοαναγωγή. Πηγή : http://www.geoimage.com.au/geoimage/index.php?page=orthorectification

Η ορθοαναγωγή και η γεωαναφορά των δορυφορικών εικόνων πραγματοποιούνται σε περιβάλλον ArcGIS με τα κατάλληλα εργαλεία και τους ενσωματωμένους αλγορίθμους που διαθέτει το συγκεκριμένο λογισμικό. Έχοντας ως δεδομένο ότι οι δορυφορικές εικόνες έχουν ληφθεί στο παγκόσμιο σύστημα αναφοράς WGS 84 και ότι το μοντέλο εδάφους που διατίθεται με μεγαλύτερη ακρίβεια είναι αυτό της Κτηματολόγιο Α.Ε. (κανναβική κατανομή) και βρίσκεται στο ελληνικό σύστημα ΕΓΣΑ 87, τα βήματα εφαρμογής των διορθώσεων είναι τα παρακάτω: 1. Από σύνολο σημείων με γνωστό υψόμετρο δημιουργείται ΤΙΝ (Triangular Irregular Network) στο ελληνικό σύστημα αναφοράς ΕΓΣΑ 87. 2. Από το ΤΙΝ παράγεται το DEM (Digital Elevation Model) για την τρισδιάστατη αναπαράσταση της επιφάνειας στο ελληνικό σύστημα αναφοράς ΕΓΣΑ 87. 3. Μετασχηματίζεται και μετατρέπεται το DEM από το ΕΓΣΑ 87 στο WGS84. 4. Ορθοαναγωγή (Ortho correction) κάθε δορυφορικής εικόνας με το DEM WGS84. 5. Γεωαναφορά (Georeferencing) της δορυφορικής εικόνας με επίγεια σημεία ελέγχου (Ground Control Points) σε ΕΓΣΑ 87 (δλδ τοπικός και ακριβής μετασχηματισμός από WGS84 σε ΕΓΣΑ 87). ΒΗΜΑ 1 - ΤΙΝ ΕΓΣΑ 87

ΒΗΜΑ 2 ΠΑΡΑΓΩΓΗ DEM ΕΓΣΑ 87 ΒΗΜΑ 3 ΜΕΤΑΤΡΟΠΗ ΑΠΟ DEM ΕΓΣΑ 87 ΣΕ DEM WGS 84

ΒΗΜΑ 4 ΟΡΘΟΑΝΗΓΜΕΝΗ ΕΙΚΟΝΑ

ΒΗΜΑ 5 ΣΥΛΛΟΓΗ ΦΩΤΟΣΤΑΘΕΡΩΝ ΣΗΜΕΙΩΝ ΕΛΕΓΧΟΥ ΓΙΑ ΤΗ ΓΕΩΑΝΑΦΟΡΑ ΤΩΝ ΕΙΚΟΝΩΝ Οι δορυφορικές εικόνες για τα έτη 2002, 2009 και 2011 απεικονίζουν συνολική έκταση 25 km 2. Προκειμένου να εφαρμοστούν οι διαδικασίες ορθοαναγωγής και γεωαναφοράς των εικόνων, απαιτούνται φωτοσταθερά ως σημεία ελέγχου και ενιαίο ψηφιακό μοντέλο επιφανείας της περιοχής (ίδιο για κάθε εικόνα για να εξαλειφθούν συστηματικά σφάλματα). Σχετικά με τη συλλογή των φωτοσταθερών, πραγματοποιήθηκαν μετρήσεις με δέκτη GPS. Προκειμένου να ελαχιστοποιηθούν τα σφάλματα που εισάγονται στο σύστημα, λόγω της χρήσης των φωτοσταθερών και να υπολογιστούν τα εναπομένοντα σφάλματα προσδιορισμού των σημείων που οφείλονται στο μοντέλο γεωαναφοράς, κρίθηκε αναγκαία η χρήση φωτοσταθερών σημείων πολύ καλής ακρίβειας. Πραγματοποιήθηκαν μετρήσεις των γεωδαιτικών συντεταγμένων των φωτοσταθερών με δέκτη GPS δύο συχνοτήτων. Η μέθοδος που εφαρμόστηκε για τον υπολογισμό των συντεταγμένων τους είναι αυτή του στατικού εντοπισμού με παραμονή σε κάθε σημείο από 8 έως 10 λεπτά. Η ακρίβεια προσδιορισμού των συντεταγμένων με αυτή τη μέθοδο είναι της τάξης του ±0.01m, η οποία υπερκαλύπτει την απαιτούμενη ακρίβεια. Αρχικά, εντοπίστηκαν στις εικόνες χαρακτηριστικά σημεία, τα οποία επρόκειτο να χρησιμοποιηθούν ως φωτοσταθερά. Για διευκόλυνση της διαδικασίας και την ορθή αναγνώριση των σημείων στο έδαφος, χρησιμοποιήθηκαν ορθοφωτοχάρτες της περιοχής, που έχουν συνταχθεί από την Κτηματολόγιο Α.Ε, ώστε να υπάρχει μια πιο ολοκληρωμένη άποψη των σημείων και να είναι πιο εύκολος ο εντοπισμός τους στο ύπαιθρο. Έμφαση δόθηκε στην κατανομή των φωτοσταθερών σημείων, έτσι ώστε να πλησιάζουν όσο το δυνατόν καλύτερα την κανονική κατανομή και να βρίσκονται σε διαφορετικές υψομετρικές θέσεις, για να υπάρχει μια πιο ολοκληρωμένη άποψη του αναγλύφου της περιοχής. Ο εντοπισμός των φωτοσταθερών δεν είναι ιδιαίτερα εύκολη υπόθεση, λόγω της ιδιαιτερότητας του τοπίου και του αναγλύφου. Καταλληλότερα σημεία, τα οποία μπορούν να χρησιμοποιηθούν ως φωτοσταθερά και σημεία ελέγχου, συνήθως είναι σημεία που παρουσιάζουν έντονη διαφοροποίηση με τον περιβάλλοντα χώρο στον οποίο βρίσκονται. Η ιδιαιτερότητα των συγκεκριμένων εικόνων όμως, έγκειται στο γεγονός ότι απεικονίζουν δασική έκταση, δεν υπάρχει αστικό περιβάλλον, μεταλλικές κατασκευές ή άλλα τεχνικά έργα που θα μπορούσαν να αποτελέσουν χαρακτηριστικά σημεία. Με δεδομένα τα παραπάνω, χαρακτηριστικά σημεία στις εικόνες μπορούν να αποτελέσουν μόνο οι αγροτικοί δρόμοι, κυρίως διασταυρώσεις τους, αφού δεν υπάρχουν άλλα ευκρινή αντικείμενα. Κατά τη διαδικασία επιλογής των φωτοσταθερών, προσδιορίσθηκε μεγάλος αριθμός σημείων, συνολικά 32, μερικά και αρκετά κοντινά μεταξύ τους, ως εναλλακτικές, λόγω της μεγάλης δυσκολίας πρόσβασης στα σημεία και των έντονων εναλλαγών στο ανάγλυφο. Στη συνέχεια, παρατίθενται ορισμένες φωτογραφίες από τις μετρήσεις με το GPS δύο συχνοτήτων στο πεδίο, καθώς και συνολικά τα σημεία που επιλέχθηκαν ως φωτοσταθερά. Στάθηκε ανέφικτο να μετρηθούν 4 σημεία στα βόρεια των εικόνων, διότι η πρόσβαση από τους δασικούς δρόμους ήταν αδύνατη, λόγω κατολισθήσεων και πεσμένων κορμών δέντρων.

Σημείο Επίγειου Ελέγχου 1 Σημείο Επίγειου Ελέγχου 3

Σημείο Επίγειου Ελέγχου 8 Σημείο Επίγειου Ελέγχου 13

Σημείο Επίγειου Ελέγχου 25

32 Σημεία Επίγειου Ελέγχου

Η γεωαναφορά κάθε εικόνας υλοποιήθηκε και πάλι στο λογισμικό ArcGIS. Πραγματοποιήθηκαν συνδυασμοί και δοκιμές με όσο το δυνατόν περισσότερα σημεία ελέγχου, σε όσο το δυνατόν πιο κανονική κατανομή. Η υλοποίηση έγινε με τη μέθοδο των κλασματικών πολυωνύμων. Η μέθοδος αυτή χρησιμοποιεί ρητές συναρτήσεις πολυωνύμων πρώτου έως τρίτου βαθμού. Η μέθοδος συχνά αναφέρεται και ως Rational Polynomial Coefficients Model. Τα πολυώνυμα πρώτου βαθμού διορθώνουν τη μετάθεση, στροφή και μεταβολή της κλίμακας του συστήματος της εικόνας ως προς το γεωδαιτικό σύστημα, καθώς και μια διόρθωση αναφορικά με τη λοξότητά τους. Τα πολυώνυμα δευτέρου βαθμού προσδίδουν στο σύστημα τις ίδιες διορθώσεις με αυτά του πρώτου βαθμού και επιπροσθέτως διορθώνουν το σύστημα ως προς τυχόν συστροφές και κυρτότητά του. Τα πολυώνυμα τρίτου βαθμού διορθώνουν τις ίδιες παραμορφώσεις με αυτά του δευτέρου συμπεριλαμβάνοντας και κάποιες άλλες διορθώσεις, οι οποίες δεν έχουν κάποια ιδιαίτερη φυσική σημασία σχετική με τη γεωμετρία λήψης του συστήματος (Toutin,2004). Είναι ευέλικτος τρόπος μετασχηματισμού καθώς επιτρέπει το μετασχηματισμό σε οποιοδήποτε σύστημα αναφοράς (γεωγραφικών, γεωκεντρικών, προβολικών συντεταγμένων) (Paderes et al.,1989) και μεταφέρει τα σφάλματα στα σημεία γύρω από τα φωτοσταθερά με πιο ομαλό τρόπο (Burden and Faires, 1997). Για κάθε σημείο στην εικόνα προκύπτουν δύο εξισώσεις, μια για την x εικονοσυντεταγμένη και μια για την y εικονοσυντεταγμένη. Ανάλογα με τον αριθμό των αγνώστων κάθε φορά, δηλαδή ανάλογα με το βαθμό των πολυωνύμων, απαιτείται και ανάλογος αριθμός φωτοσταθερών. Σε κάθε περίπτωση βέβαια λαμβάνεται μεγαλύτερος αριθμός φωτοσταθερών για να γίνει συνόρθωση των παρατηρήσεων. Η γενική μορφή του μοντέλου φαίνεται παρακάτω (Grodecki et al, 2001). Όπου s, l, οι κανονικοποιημένες τιμές των εικονοσυντεταγμένων και X, Y, Z οι κανονικοποιημένες τιμές των συντεταγμένων των φωτοσταθερών. Στη συγκεκριμένη περίπτωση, χρησιμοποιήθηκε το πολυώνυμο δευτέρου βαθμού. Στη συνέχεια,παρατίθενται οι τελικές προς επεξεργασία δορυφορικές εικόνες με τα επίγεια σημεία ελέγχου που επιλέχθηκαν τελικά και το μέσο τετραγωνικό σφάλμα κάθε γεωαναφοράς, που ήταν σε κάθε περίπτωση < 2pixel, καλύπτοντας τις απαιτήσεις ακρίβειας της διόρθωσης.

Γεωαναφορά Quickbird 2002 RMS 1.61

Γεωαναφορά Quickbird 2009 RMS 1.73

Γεωαναφορά IKONOS 2011 RMS 1.18

Γεωαναφορά IKONOS 2011 (συμπληρωματικό τμήμα με επικάλυψη) RMS 1.50

3. Συλλογή δειγμάτων βλάστησης Η υπό μελέτη περιοχή παρουσιάζει ιδιαίτερες δυσκολίες όσον αφορά τη διάκριση των διάφορων ειδών βλάστησης στις δορυφορικές εικόνες, κυρίως λόγω της ομοιογένειας της δασικής έκτασης και της φυσικής αναγέννησης που ήδη έχει λάβει χώρα. Προκειμένου να διαχωριστούν οι κατηγορίες των ειδών βλάστησης είναι απαραίτητο να εφαρμοστεί η μεθοδολογία της επιβλεπόμενης ταξινόμησης. Η επιβλεπόμενη ταξινόμηση αποβλέπει στην εξαγωγή των κύριων φασματικών τάξεων που εμφανίζονται σε μία δορυφορική εικόνα και την αναγνώριση και αντιστοίχισή τους σε πραγματικές τάξεις αντικειμένων της γήινης επιφάνειας με τη χρήση των φασματικών υπογραφών τους. Η συγκεκριμένη μεθοδολογία απαιτεί να συλλεχθεί επαρκής αριθμός δειγμάτων κάλυψης για τον προσδιορισμό των ειδών βλάστησης, σε συνδυασμό φυσικά με την επιτόπια παράτηρηση. Οι κατηγορίες των ειδών βλάστησης στις οποίες θα γίνει ταξινόμηση και παρακολούθηση στη διάρκεια του χρόνου στην υπό μελέτη περιοχή είναι οι εξής: 1. Δάση 2. Θαμνώδης χαμηλή βλάστηση 3. Θαμνώδης μέση βλάστηση 4. Ξηρή γη Ο αντικειμενικός σκοπός της επιλογής περιοχών εκπαίδευσης που αντιστοιχούν σε συγκεκριμένους τύπους εδαφικής κάλυψης είναι ο υπολογισμός στατιστικών παραμέτρων που αφορούν τη συγκεκριμένη τάξη, οι οποίες θα χρησιμοποιηθούν στη συνέχεια για την ένταξη ή μη των εικονοστοιχείων στην εν λόγω τάξη. Ο προσδιορισμός των περιοχών εκπαίδευσης στο πεδίο πραγματοποίηθηκε με GPS χειρός (Magellan) μεγάλης ακρίβειας (<1m οριοζοντιογραφικά) και συγκεκριμένα προσδιορίστηκαν και αποτυπώθηκαν περί τα 12-15 δείγματα για κάθε κατηγορία, όσο ήταν δυνατόν μεγαλύτερα σε έκταση (>300m 2 ) και όσο πιο ομοιογενή ως προς το είδος του φυτού. Εμπειρικά, οι περιοχές εκπαίδευσης πρέπει να καλύπτουν το 3% με 5% της συνολικής προς ταξινόμηση έκτασης. Ο προσδιορισμός των αποτυπωμένων περιοχών εκπαίδευσης στις δορυφορικές εικόνες γίνεται με ψηφιοποίηση των ορίων των τάξεων επί της οθόνης. Στη συνέχεια, φαίνονται σχηματικά τα δείγματα βλάστησης που λήφθηκαν στην ευρύτερη περιοχή.

Δείγματα Βλάστησης

4. Ταξινόμηση των ειδών βλάστησης Μελετώντας τα διαγράμματα φασματικής επικάλυψης για κάθε κατηγορία, δηλαδή τη μέση τιμή της κάθε κατηγορίας για κάθε κανάλι και τη διασπορά της παρατηρείται ότι υπάρχει επικάλυψη των κατηγοριών σε όλα τα κανάλια, ειδικά μεταξύ μέσης και χαμηλής βλάστησης. Κατηγορίες που επικαλύπτονται σε όλα τα κανάλια δεν μπορούν να αναγνωριστούν και να διαχωριστούν. Επικάλυψη μέσης και χαμηλής βλάστησης σε όλα τα κανάλια Πρόσφατες έρευνες αποκαλύπτουν ότι η παραδοσιακή στατιστική ανάλυση των εικονοστοιχείων παρουσιάζει σαφή μειονεκτήματα όταν εφαρμόζεται σε εικόνες υψηλής χωρικής διακριτικής ικανότητας (Neubert and Meinel 2003). Το κύριο μειονέκτημα της στατιστικής ανάλυσης εικονοστοιχείων σύμφωνα με τους Schneider και Steinwendner (1999) είναι το γεγονός ότι παραβλέπει το σχήμα καθώς και το ευρύτερο νόημα της τηλεπισκοπικής πληροφορίας. Επιπλέον, οι Burnett και Blaschke (2003) αναφέρουν πως η στατιστική ανάλυση των εικονοστοιχείων γίνεται συνήθως χρησιμοποιώντας ένα επίπεδο διαβάθμισης της πληροφορίας, παρόλα ταύτα η διαβάθμιση αυτή ίσως να μην είναι η κατάλληλη για την αναγνώριση και ανάλυση των χαρακτηριστικών ενός αντικειμένου. Στη συγκεκριμένη περίπτωση θα γίνει προσπάθεια ομάδες εικονοστοιχείων να ομαδοποιηθούν και να αναγνωριστούν σαν ένα αντικείμενο που χαρακτηρίζεται από συνεκτικότητα. Θεωρείται ότι η αντικειμενοστραφής μέθοδος αποτελεί καλύτερη επιλογή για

τηλεπισκοπικά δεδομένα πολύ υψηλής χωρικής διακριτικής ικανότητας σε σχέση με στατιστική ανάλυση εικονοστοιχείων. τη Η ανάλυση πραγματοποιείται στο λογισμικό αντικειμενοστραφούς ανάλυσης ENVI ZOOM. Η γενική ιδέα στην οποία βασίζεται το λογισμικό είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα / τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Ένα αντικείμενο ορίζεται ως μία περιοχή ενδιαφέροντος με χωρικά χαρακτηριστικά, φασματικά χαρακτηριστικά και χαρακτηριστικά ως προς την υφή και το σχήμα που καθορίζουν, περιγράφουν αυτήν την περιοχή. Τo πρώτο στάδιο ανάλυσης της εικόνας αποτελεί η κατάτμησή της σε ομοιογενή τμήματα. Σε ιδανικές συνθήκες, κάθε ομοιογενές τμήμα που προκύπτει από την κατάτμηση, αντιστοιχεί σε ένα αντικείμενο στον πραγματικό κόσμο. Η μόνη παράμετρος που ορίζεται από το χρήστη είναι η κλίμακα κατάτμησης. Όσο πιο μικρή η τιμή της κλίμακας, τόσο πιο πολλά τμήματα δημιουργούνται. Στη συνέχεια, ο χρήστης υποδεικνύει, μέσω μίας τεχνικής συγχώνευσης περιοχών, το μέγεθος που θα έχουν τα τελικά τμήματα, τη φασματική ομοιογένεια που θα παρουσιάζουν, καθώς και το πόσο συμπαγή και λεία θα είναι ως σχήματα. Η ταξινόμηση των τμημάτων αυτών μπορεί να γίνει όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και με ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης. Υπολογίζονται τα χαρακτηριστικά κάθε ομοιογενούς τμήματος / αντικειμένου που σχετίζονται με χωρικά χαρακτηριστικά, με φασματικά χαρακτηριστικά, με την υφή, το μέγεθος, το σχήμα τους, το χρώμα τους, τους λόγους καναλιών κ.ά.. Για να εφαρμοστεί ο αλγόριθμος της επιβλεπόμενης ταξινόμησης, επιλέγονται περιοχές εκπαίδευσης με ψηφιοποίηση στην εικόνα. Θεωρείται ότι οι περιοχές εκπαίδευσης έχουν γνωστά χαρακτηριστικά και σωστή αντιστοίχιση με την κατάτμηση που έχει ήδη γίνει στην εικόνα. Καθορίζονται επομένως, οι κατηγορίες των ειδών βλάστησης που μας ενδιαφέρουν και αποδίδεται σε κάθε κατηγορία ένας αντιπροσωπευτικός αριθμός περιοχών εκπαίδευσης. Με αυτόν τον τρόπο, οι κατηγορίες που δημιουργούνται μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης. Ο αλγόριθμος της επιβλεπόμενης ταξινόμησης που εφαρμόζεται, μετασχηματίζει τα δεδομένα σε ένα νέο χώρο, από αυτόν που αρχικά δίνονται, όπου θα είναι δυνατός ο γραμμικός (vector) διαχωρισμός τους. Η μεταφορά αυτή γίνεται μέσω της συνάρτησης kernel (kernel function). Συγκεκριμένα, εφαρμόζεται η Radial Basis Function kernel type, η οποία δίνει στις περισσότερες περιπτώσεις, ικανοποιητικά αποτελέσματα. Με την ολοκλήρωση της διαδικασίας της ταξινόμησης, οπτικοποιούνται τα αποτελέσματα και εξάγονται σε κατάλληλη μορφή, ώστε να είναι συμβατά με το λογισμικό του ArcGIS για περαιτέρω επεξεργασία. Συγκεκριμένα, εξάγονται τα πολύγωνα των κατηγοριών όλων των ειδών

βλάστησης που έχουν επιλεγεί και είναι δυνατόν να εισαχθούν στο ArcGIS με τους πίνακες με τα περιγραφικά και στατιστικά χαρακτηριστικά τους. Στη συνέχεια, παρατίθενται οπτικοποιημένα τα αποτελέσματα ταξινόμησης για τις περιοχές των Λάερμων, του Αγίου Ισίδωρου και της Νότιας Ρόδου. Ταξινόμηση Λάερμα IKONOS 2011

Ταξινόμηση Λάερμα IKONOS 2012 Ταξινόμηση Λάερμα IKONOS 2013

Πίνακας ποσοστών εδαφοκάλυψης Ξηρή Γη 2011 Πίνακας ποσοστών εδαφοκάλυψης Ξηρή Γη 2012

Πίνακας ποσοστών εδαφοκάλυψης Ξηρή Γη 2013 Πίνακας ποσοστών εδαφοκάλυψης Μέση βλάστηση 2011

Πίνακας ποσοστών εδαφοκάλυψης Μέση βλάστηση 2012 Πίνακας ποσοστών εδαφοκάλυψης Μέση βλάστηση 2013

Πίνακας ποσοστών εδαφοκάλυψης Χαμηλή βλάστηση 2011 Πίνακας ποσοστών εδαφοκάλυψης Χαμηλή βλάστηση 2012

Πίνακας ποσοστών εδαφοκάλυψης Χαμηλή βλάστηση 2013 Ταξινόμηση Αγ. Ισίδωρος IKONOS 2011

Ταξινόμηση Αγ. Ισίδωρος IKONOS 2012 Ταξινόμηση Αγ. Ισίδωρος IKONOS 2013

Πίνακας ποσοστών εδαφοκάλυψης Ξηρή Γη 2011

Πίνακας ποσοστών εδαφοκάλυψης Ξηρή Γη 2012 Πίνακας ποσοστών εδαφοκάλυψης Ξηρή Γη 2013

Πίνακας ποσοστών εδαφοκάλυψης Μέση βλάστηση 2011 Πίνακας ποσοστών εδαφοκάλυψης Μέση βλάστηση 2012

Πίνακας ποσοστών εδαφοκάλυψης Μέση βλάστηση 2013 Πίνακας ποσοστών εδαφοκάλυψης Χαμηλή βλάστηση 2011

Πίνακας ποσοστών εδαφοκάλυψης Χαμηλή βλάστηση 2012 Πίνακας ποσοστών εδαφοκάλυψης Χαμηλή βλάστηση 2013

Ταξινόμηση Νότια Ρόδος IKONOS 2011 Ταξινόμηση Νότια Ρόδος IKONOS 2012

Ταξινόμηση Νότια Ρόδος IKONOS 2013 Πίνακας ποσοστών εδαφοκάλυψης Ξηρή Γη 2011

Πίνακας ποσοστών εδαφοκάλυψης Μέση βλάστηση 2011

Πίνακας ποσοστών εδαφοκάλυψης Χαμηλή βλάστηση 2011

Πίνακας ποσοστών εδαφοκάλυψης Δέντρα 2011

5. Αποτελέσματα - Συμπεράσματα Η υπό μελέτη περιοχή παρουσιάζει ιδιαίτερες δυσκολίες όσον αφορά τη διάκριση των διάφορων ειδών βλάστησης στις δορυφορικές εικόνες, κυρίως λόγω της ομοιογένειας της δασικής έκτασης και της φυσικής αναγέννησης που ήδη έχει λάβει χώρα. Προκειμένου να διαχωριστούν οι κατηγορίες των ειδών βλάστησης, να υπολογιστεί η πρόοδος των αλλαγών και η μεταβολή των πολυγώνων της βλάστησης όλης της περιοχής, είναι απαραίτητο να εφαρμοστεί η μεθοδολογία της αντικειμενοστραφούς επιβλεπόμενης ταξινόμησης. Στο συγκεκριμένο έργο η αντικειμενοστραφής επιβλεπόμενη ταξινόμηση επετεύχθη με τη χρήση του λογισμικού ENVI ZOOM. Επισυνάπτεται και βίντεο της ροής εργασιών και εντολών του προγράμματος. Συνολικά, παρατηρήθηκε επιτυχής ταξινόμηση των ειδών σε πρώτο επίπεδο, αλλά υπήρξαν και περιορισμοί. Πιο συγκεκριμένα, η αξιολόγηση των αποτελεσμάτων καταδεικνύει πως ο εντοπισμός και ο ποσοτικός προσδιορισμός του κάθε είδους βλάστησης επετεύχθη με μεγάλη ακρίβεια. Η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα συγκριτικά με άλλες διαθέσιμες μεθόδους, διότι δεν ταξινομεί σε επίπεδο εικονοστοιχείου, χρησιμοποιεί χωρικά μαζί με φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση. Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν για την ταξινόμηση είχαν 4 κανάλια (RGB και IR), χωρική ανάλυση 1μ και νεφοκάλυψη έως 15%. Τα χαρακτηριστικά αυτά αποδείχτηκαν ικανοποιητικά για τη συγκεκριμένη μελέτη. Ατυχής ήταν η δορυφορική εικόνα του 2012, παρόλο που λήφθηκε το μήνα Σεπτέμβριο, περίοδος με πολύ καλές και ήπιες καιρικές συνθήκες. Η νεφοκάλυψη ήταν της τάξης του 15% ωστόσο και η σκιά ενός σύννεφου κάλυπτε μεγάλο τμήμα της περιοχής του Αγίου Ισίδωρου, αλλοιώνοντας τα φασματικά χαρακτηριστικά σε τέτοιο βαθμό που επηρεάστηκαν τα αποτελέσματα της ταξινόμησης. Κατά τα λοιπά, οι εικόνες που επιλέχθησαν κάλυπταν πλήρως τις ανάγκες της ανάλυσης και της μελέτης. Με την μέθοδο της επιβλεπόμενης ταξινόμησης παράχθησαν τα κατάλληλα αρχεία για περαιτέρω επεξεργασία στο ArcGIS (αρχεία.shp). Στον περιγραφικό πίνακα των δεδομένων τους προστέθηκε μία στήλη υπολογισμού του ποσοστού κάλυψης του κάθε είδους βλάστησης σε σχέση με το συνολικό εμβαδόν του κάθε τεμαχίου της κάθε υπό μελέτη περιοχής. Συνολικά, σε όλες τις περιοχές, παρατηρήθηκε μία σημαντική αύξηση στη θαμνώδη χαμηλή βλάστηση από το 2011 έως και το 2013, η οποία είναι αποδεκτή και αναμενόμενη βιβλιογραφικά και θεωρητικά. Ομοίως, υπήρξε αύξηση στη θαμνώδη μεσαία βλάστηση με αντίστοιχη υποχώρηση της ξηρής γης. Στο ΠΑΡΑΡΤΗΜΑ 1 παρουσιάζεται ο Οδηγός Χρήσης του εργαλείου.

6. Προτάσεις Συνολικά, προέκυψε ότι τα αποτελέσματα της επιβλεπόμενης ταξινόμησης και η παρακολούθηση της μεταβολής των ειδών στις υπό μελέτη περιοχές ήταν ιδιαίτερα ικανοποιητικά. Ήταν τα καλύτερα αποτελέσματα που μπορούσαν να επιτευχθούν άλλωστε, με τις δεδομένες παροχές από οικονομικής άποψης. Η αγορά των δορυφορικών εικόνων από προγραμματισμένη πτήση είναι ιδιαίτερα δαπανηρή από μόνη της. Προτείνεται να αγοραστούν δορυφορικές εικόνες με τα ίδια φασματικά χαρακτηριστικά (4 κανάλια), αλλά με μεγαλύτερη χωρική διακριτική ικανότητα, μικρότερη δηλαδή του 1μ. Με αυτόν τον τρόπο θα είναι δυνατή η διάκριση και της φυσικής αναγέννησης, ακόμα και πολύ μικρής έκτασης. Παράλληλα, καθοριστική θα ήταν η χρήση συμπληρωματικών δεδομένων για το ανάγλυφο του εδάφους (DEM), δηλαδή λήψη ικανοποιητικού αριθμού μετρήσεων ακριβείας εντοπισμένες στην περιοχή ενδιαφέροντος για τη συλλογή υψομέτρων. Με αυτά τα δεδομένα θα είναι δυνατή η παρακολούθηση της μεταβολής, όχι μόνο της κάλυψης των ειδών, αλλά και του ύψους τους. Με συνδυασμό των παραπάνω, αναμένεται να αποδοθούν καλύτερα αποτελέσματα στην ταξινόμηση των ειδών, ευρύτερη κατηγοριοποίηση των ειδών, προδιορισμός της μεταβολής του ύψους των ειδών, προσδιορισμός του ποσοστού της φυσικής αναγέννησης. Σε αυτό το σημείο, υπενθυμίζεται ότι για την κατάτμηση των εικόνων σε μικρότερα τμήματα και την επιβλεπόμενη ταξινόμηση χρησιμοποιήθηκε το λογισμικό ENVI Zoom. Πρόκειται για ένα αξιόπιστο λογισμικό, κατάλληλο για τη συγκεκριμένη εφαρμογή. Το κόστος αγοράς/χρήσης του είναι χαμηλό, είναι ιδιαίτερα φιλικό προς το χρήστη, ο χρόνος υπολογισμών και επεξεργασίας είναι μικρός και τα αποτελέσματά του αξιόπιστα. Ένα επίσης ευρέως διαδεδομένο λογισμικό για την ίδια ροή εργασιών, είναι το ecognition της εταιρείας Trimble. Πρόκειται για ένα πολύ ακριβό λογισμικό, με πολύπλοκες διαδικασίες, δυνατότητα ανάπτυξης υπο-ροών σε ροές εργασίας, με μεγάλους χρόνους υπολογισμών και ανάλυσης που ξεπερνούν τις 24ώρες και εξαιρετικά αξιόπιστα αποτελέσματα. Έχει το πλεονέκτημα της δυνατότητας τυποποίησης της ροής εργασιών, μέσω ενός δέντρου ερωτήσεων απαντήσεων και τελικά αποφάσεων για διαδικασίες. Έχει δυσκολίες στην εξαγωγή των αποτελεσμάτων σε μορφή συμβατή με GIS και πολλές φορές απαιτείται εκ νέου επεξεργασία των αποτελεσμάτων. Παρόλαυτα, με το συγκεκριμένο λογισμικό και τις ήδη αγορασμένες δορυφορικές εικόνες χωρικής διακριτικής ικανότητας 1μ, θα προέκυπταν περισσότερες κατηγορίες ειδών κατά την επιβλεπόμενη ταξινόμηση. Το συγκεκριμένο λογισμικό λόγω της τυποποίησης των εργασιών που προσφέρει, έχει το πλεονέκτημα της πιο εύκολης και ευρείας εφαρμογής της μεθόδου της επιβλεπόμενης ταξινόμησης, ανάλογα το φυσικό περιβάλλον (αστικό, αγροτικό, δασικό). Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία, όπως έχει γίνει σαφές. Στη συγκεκριμένη περίπτωση, εφαρμόστηκε για δασικό περιβάλλον, μία από τις δυσκολότερες

περιπτώσεις, σε σχέση με το αστικό περιβάλλον ή το αγροτικό, στα οποία υπάρχει πολύ καλύτερος φασματικός διαχωρισμός των κατηγοριών χρήσεων γης. Η δύσκολη αυτή περίπτωση έδωσε πολύ αξιόπιστα και ικανοποιητικά αποτελέσματα. Η εμπειρία που αποκτήθηκε μπορεί πολύ εύκολα να εφαρμοστεί και σε λοιπές περιπτώσεις, όπως για παράδειγμα σε παρακολούθηση καλλιεργειών ανά εποχή ή ανά είδος, σε αγροτικό περιβάλλον. Εν κατακλείδι, απαιτείται διερεύνηση των δυνατοτήτων της επιβλεπόμενης ταξινόμησης και σωστός συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί.

7. Βιβλιογραφία 1. Argialas D., (1989b): Teaching Expert Systems Techniques at Louisiana State University. Chapter 3 in American Society of Civil Engineers Monograph: Expert Systems for Civil Engineers Education. Drs M. Maher and S. Mohan editors, American Society of Engineers 2. Argialas D., (1990): Knowledge-based image Interpretation: Techniques and Applications. Annual Convention of American Society of Photogrammetry and Remote Sensing, Denver, Colorado, Vol. 4, pp 32-42. 3. Argialas D., and Harlow C., (1990): Computational Image Interpretation Models: an overview and a perspective, Photogrammetric Engineering and Remote Sensing, Vol. 56, No6, June, pp. 871-886 4. Αργιαλάς Δ., (1994): Ψηφιακή Τηλεπισκόπηση, Σημειώσεις Ε.Μ.Π., Σχολή Αγρ. & Τοπογρ. Μχκ 5. Μιχελάκης Δημήτριος, Viergever Karin, Stuart Neil: Χρήση δορυφορικών εικόνων υψηλής χωρικής διακριτικής ικανότητας IKONOS και αντικειμενοστραφών μεθόδων για την αυτοματοποίηση ταξινόμησης δασών χαμηλής πυκνότητας 6. Lillesand T., and Kiefer R., (1979): Remote Sensing and Image Processing, John Wiley and Sons, NY. 7. Mintzer O., (1983): Engineering Applications in Colwell R. (ed.): Manual of Remote Sensing, American Society of Photogrammetry, Falls Church, Virginia. 8. Townshend J. (ed), (1981): Terrain Analysis and remote sensing, Allen and Unwin, London, pp 272

ΠΑΡΑΡΤΗΜΑ Ι ΟΔΗΓΟΣ ΧΡΗΣΗΣ ΕΡΓΑΛΕΙΟΥ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ

ΟΔΗΓΟΣ ΧΡΗΣΗΣ ΕΡΓΑΛΕΙΟΥ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ Το παρόν τεύχος συντάσσεται στα πλαίσια του προγράμματος FRAMME "Μεθοδολογία Αποκατάστασης Πυρόπληκτων Μεσογειακών Δασών - Ασφάλεια & Αποδοτικότητα 4 Παρεμβάσεων στην NATURA 2000 της Ρόδου", με αριθμό σύμβασης LIFE08 NAT/GR/000533. Αποτελεί συνοδευτικό του σχετικού CD-Rom και περιγράφει τη διαδικασία αντικειμενοστραφούς ταξινόμησης των ειδών βλάστησης, τη δημιουργία βάσης δεδομένων των περιγραφικών χαρακτηριστικών τους, την οπτικοποίησή τους σε κατάλληλο λογισμικό, τη διαχείριση και την ενημέρωση της βάσης. Σκοπός του είναι η παρακολούθηση της μεταβολής της βλάστησης. Το Εργαλείο αυτό είναι καθοριστικό για τον προσδιορισμό και την παρακολούθηση της προόδου της φυσικής αναγέννησης και την αξιολόγηση της τεχνητής αποκατάστασης. Στη συγκεκριμένη περίπτωση, εφαρμόζεται σε δασικό περιβάλλον, ωστόσο μπορεί να χρησιμοποιηθεί αντίστοιχα και σε αστικό και σε αγροτικό περιβάλλον. Το συγκεκριμένο εργαλείο δίνει τη δυνατότητα δημιουργίας δυναμικών βάσεων δεδομένων και πολλές δυνατότητες διαχείρισης. Δηλαδή, ανάλογα με το υπό μελέτη περιβάλλον, οι κατηγορίες βλάστησης μπορούν να αυξηθούν ή να μειωθούν, ομοίως και τα περιγραφικά χαρακτηριστικά τους. Με αυτόν τον τρόπο, μεταβάλλονται αντίστοιχα και οι δυνατότητες διαχείρισής τους και στατιστικής επεξεργασίας των μεταβολών στη βλάστηση. Το Εργαλείο απαιτεί τη χρήση δύο ευρέως διαδεδομένων λογισμικών, του ENVI ZOOM και του ArcGIS. Η αντικειμενοστραφής ταξινόμηση των ειδών βλάστησης και η δημιουργία της βάσης των περιγραφικών χαρακτηριστικών τους πραγματοποιείται στο ENVI ZOOM και η οπτικοποίηση των αποτελεσμάτων και η διαχείριση της βάσης πραγματοποιείται στο ArcGIS.

ΣΤΑΔΙΟ 1: ΤΑΞΙΝΟΜΗΣΗ ΕΙΔΩΝ ΒΛΑΣΤΗΣΗΣ Αντικειμενοστραφής Ταξινόμηση Ειδών βλάστησης με το ENVI ZOOM Για την εκκίνηση του προγράμματος αναζητούμε τη συντόμευση είτε από την επιφάνεια εργασίας είτε από το μενού της έναρξης και πατάμε διπλό κλικ πάνω της. Στη συνέχεια, επιλέγουμε την έτοιμη ροή εργασιών Workflows > Feature Extraction. Επιλέγουμε την προς ανάλυση εικόνα (Open File ) και ακολουθούμε τα βήματα του λογισμικού.

Επιλέγουμε ως κλίμακα κατάτμησης της εικόνας το 5.0 (Scale Level > 5.0 > Next) Επιλέγουμε επίπεδο συγχώνευσης το 50 (Merge Level > 50 > Next)

Δεν επιλέγουμε κάποιο κατώφλι τιμών για τους υπολογισμούς (Refine>No Thresholding>Next) Επιλέγουμε να υπολογιστούν όλα τα χαρακτηριστικά των αντικειμένων προς ανάλυση (χωρικά, φασματικά, υφής) Attributes > Spatial, Spectral, Texture > Next

Επιλέγουμε ως μέθοδο ταξινόμησης την επιλογή δειγμάτων βλάστησης (Classify > Choose by Selecting Examples > Next) Προσθέτουμε όλες τις κατηγορίες βλάστησης που θα ταξινομηθούν, επιλέγοντας ένα ξεχωριστό όνομα και χρώμα για κάθε μία. Στη συνέχεια, προσθέτουμε αντικείμενα σε κάθε κατηγορία βλάστησης, επιλέγοντας από την εικόνα με το ποντίκι, τα κατατμημένα τμήματα που έχουν δημιουργηθεί από τα δύο πρώτα βήματα της ροής εργασιών (Extract Features > Supervised Classification). Τα αντικείμενα που επιλέγουμε για κάθε κατηγορία, είναι δυνατόν να αποθηκευτούν σε ένα αρχείο (File > Save).

Επιλέγουμε ως αλγόριθμο για να πραγματοποιηθεί η ταξινόμηση τον Classification Algorithm > Support Vector Machine > Kernel Typr > Radial Type > Next Τα αποτελέσματα της ταξινόμησης εμφανίζονται στην οθόνη και αποθηκεύονται σε συμβατή μορφή για την εισαγωγή τους στο ArcGIS (shapefile, polygon). Η κάθε κατηγορία απεικονίζεται ως πολύγωνο με το χρώμα που έχουμε επιλέξει και συνοδεύεται από πίνακα περιγραφικών χαρακτηριστικών (attribute table)

ΣΤΑΔΙΟ 2: ΟΠΤΙΚΟΠΟΙΗΣΗ ΑΠΟΤΕΛΕΣΜΑΤΩΝ ΤΑΞΙΝΟΜΗΣΗΣ ΚΑΙ ΔΙΑΧΕΙΡΙΣΗ ΒΑΣΗΣ ΔΕΔΟΜΕΝΩΝ Οπτικοποίηση αποτελεσμάτων και διαχείριση πινάκων περιγραφικών χαρακτηριστών κάθε κατηγορίας βλάστησης με το ArcGIS Για την εκκίνηση του προγράμματος αναζητούμε τη συντόμευση είτε από την επιφάνεια εργασίας είτε από το μενού της έναρξης και πατάμε διπλό κλικ πάνω της. Στη συνέχεια, εισάγουμε τα πολύγωνα της ταξινόμησης κάθε κατηγορίας όπως υπολογίστηκαν από το ENVI ZOOM. (Layers>δεξί κλικ, Add Data ). Με τον ίδιο τρόπο εισάγουμε και τα υπό μελέτη πολύγωνα.

Ο περιγραφικός πίνακας των υπό μελέτη πολυγώνων περιέχει τις εξής στήλες: αύξοντα αριθμό (1-64), θέση βάσει της μελέτης (Νότια Ρόδος, Αγ. Ισίδωρος, Λάερμα), παρεμβάσεις που υλοποιούνται βάσει μελέτης, όνομα πολυγώνου βάσει μελέτης, εμβαδόν πολυγώνου, χαρακτηρισμός πολυγώνου (υπό παρέμβαση, μάρτυρας). Παρατηρεί κανείς ότι η ταξινόμηση έχει γίνει σε πολύ ευρύτερη περιοχή. Για να περιορίσουμε την ταξινόμηση στα υπό μελέτη πολύγωνα εκτελούμε την εντολή Geoprocessing > Intersect για

κάθε κατηγορία βλάστησης. Εκτός από τη γεωμετρία των πολυγώνων, προσαρμόζονται αντίστοιχα και οι περιγραφικοί τους πίνακες.

Μετά την τομή των αρχείων ταξινόμησης και πολυγώνων, ο περιγραφικός πίνακας που δημιουργείται για κάθε κατηγορία βλάστησης σε κάθε περιοχή έχει μία στήλη ακόμα, αυτή του εμβαδού της εκάστοτε κατηγορίας βλάστησης. Προστίθεται μία ακόμα στήλη προκειμένου αυτό το εμβαδόν να μετατραπεί σε ποσοστό επί τοις εκατό.

Επιλέγουμε Add Field εισάγουμε το όνομα της στήλης ως Percentage, με δεξί κλικ στη στήλη που δημιουργήθηκε επιλέγουμε Field Calculator και διατυπώνουμε την πράξη στο χώρο που αναγράφεται Percentage = ([Shape_Area]/[AREA])*100. Σταδιακά τα βήματα φαίνονται στις παρακάτω φωτογραφίες.

Η παραπάνω διαδικασία επαναλαμβάνεται για όλες τις περιοχές, για όλες τις κατηγορίες βλάστησης. Τα αριθμητικά αποτελέσματα στη στήλη Percentage απεικονίζουν σε ποσοστό επί τοις εκατό την κάλυψη των ειδών βλάστησης υπό παρακολούθηση, σε κάθε τεμάχιο. Είναι η πιο σημαντική στήλη των παραπάνω βημάτων και διαδικασιών. Συγκρίνοντας τα ποσοστά για κάθε είδος, σε κάθε τεμάχιο, για κάθε εποχή, έχουμε άμεση εικόνα των μεταβολών των ειδών. Εν κατακλείδι, η ουσία του Εργαλείου ανάγεται σε αυτό το ποσοστό.