ΕΦΑΡΜΟΓΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΤΗΝ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΩΝ ΜΕΤΑΒΟΛΩΝ ΣΤΗ ΒΛΑΣΤΗΣΗ ΤΩΝ ΥΔΡΟΒΙΟΤΟΠΩΝ

Από RemoteSensing Wiki

1. Αντικείμενο Εφαρμογής: ΕΦΑΡΜΟΓΗ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ ΣΤΗΝ ΠΑΡΑΚΟΛΟΥΘΗΣΗ ΤΩΝ ΜΕΤΑΒΟΛΩΝ ΣΤΗ ΒΛΑΣΤΗΣΗ ΤΩΝ ΥΔΡΟΒΙΟΤΟΠΩΝ

2. Στόχος Εφαρμογής: Στόχος της μελέτης είναι η εφαρμογή διάφορων τηλεπισκοπικών τεχνικών για την ανίχνευση μεταβολών στη βλάστηση (ριζοφόρος η μάγκλη) σε έναν υδροβιότοπο με σκοπό τη διατύπωση μακροπρόθεσμων σχεδίων προστασίας.

3. Είδη Δορυφόρων, Δεκτών και Καναλιών: Για την ανίχνευση των περιοχών με βλάστηση και των ξηρών περιοχών χρησιμοποιήθηκαν τρία είδη δεδομένων για δύο χρονολογίες :

• SPOT, Landsat (1995)

• Υψηλής ανάλυσης εικόνες QuickBird (2004)

• Ψηφιακές αεροφωτογραφίες (2004) Οι ψηφιακές αεροφωτογραφίες με μέγεθος εικονοστοιχείου 25cm χρησιμοποιήθηκαν ως υπόβαθρο για τη σκιαγράφηση και τον έλεγχο της τοποθεσίας αλλά και για την επιλογή περιοχών εκπαίδευσης. Οι εικόνες από διαφορετικούς δέκτες χρησιμοποιούνται για τη σύγκριση της χωρικής μεταβλητότητας της βλάστησης σε διαφορετικές χρονικές στιγμές.

4. Προεπεξεργασίες: Τα δεδομένα SPOT και Landsat γεωαναφέρθηκαν στο τοπικό Datum της χώρας Taiwan Datum 97.

5. Ψηφιακές επεξεργασίες/αλγόριθμοι και αποτελέσματα:

• Δείκτης βλάστησης NDVI: Χρησιμεύει στην αναγνώριση των συνθηκών ανάπτυξης της βλάστησης με βάση τις φασματικές τιμές της.

NDVI = (NIR−RED)/(NIR + RED) Ο λόγος αυτός εφαρμόζεται για τη χαρτογράφηση και εξακρίβωση της ύπαρξης βλάστησης γιατί τα μήκη κύματος του κόκκινου και εγγύς υπέρυθρου παρουσιάζουν μεγάλη ανάκλαση και απορρόφηση από φυτά και άρα μεγάλη διαφορά στις ψηφιακές τιμές της εικόνας. Οι τιμές του NDVI κυμαίνοναι από −1 ως 1, αντιπροσωπεύοντας τη φωτοσυνθετική διαδικασία των φυτών. Όσο πιο υγιές το φυτό τόσο πιο υψηλές οι τιμές του NDVI. Στην ΕΙΚΟΝΑ 4 φαίνονται οι περιοχές βλάστησης έτσι όπως προέκυψαν με την εφαρμογή του NDVI.

• Ταξινόμηση Μέγιστης Πιθανοφάνειας: Η ανάλυση αυτή είναι πολύ αποτελεσματική γιατί η φασματική πληροφορία σε κάθε κλάση της ταξινόμησης ακολουθεί την κανονική κατανομή. Οι περιοχές εκπαίδευσης επιλέχθηκαν από τις αεροφωτογραφίες και χρησιμοποιήθηκαν για την ταξινόμηση των δορυφορικών εικόνων. Οι κλάσεις που επιλέχθηκαν ήταν «περιοχές ριζοφόρου μάγκλης» και «περιοχές χωρίς ριζοφόρο μάγκλη». Στην ΕΙΚΟΝΑ 1 παρουσιάζεται η κατανομή των περιοχών εκπαίδευσης για την ταξινόμηση. Η συνολική ακρίβεια της ταξινόμησης ήταν 97.2% στο πάνω τμήμα της περιοχής και 89.3% στο κάτω. Παρόλο που η ριζοφόρος η μάγκλη είναι ο κυρίαρχος τύπος βλάστησης στην κάτω περιοχή παρουσιάστηκαν δυσκολίες στο διαχωρισμό της από τις ξηρές περιοχές εξαιτίας της ύπαρξης άλλων ειδών βλάστησης, οι οποίες παρουσίαζαν μεταβολές στην υφή των εικόνων. Όμως η ακρίβεια για την κάτω περιοχή έφτασε το 95.5% επειδή οι περιοχές εκπαίδευσης ήταν πολύ αντιπροσωπευτικές. Μεταξύ 1995 και 2004 υπολογίστηκε πως η περιοχή όπου υπήρχε ριζοφόρος μάγκλη αυξήθηκε κατά 4.62%. Στις ΕΙΚΟΝΕΣ 2,3 φαίνονται οι ταξινομημένες εικόνες από τους τρεις δορυφόρους

6. Σημαντικά αποτελέσματα και αξιολόγηση των μεθόδων: Τα αναλυτικά αποτελέσματα έδειξαν ότι το μέγεθος του εικονοστοιχείου των δορυφορικών εικόνων δεν είναι κυρίαρχης σημασίας όταν μελετάμε τις εικόνες σε δύο στάδια , δηλαδή την εξαγωγή των περιοχών βλάστησης και την περεταίρω ταξινόμησή τους. Η υψηλή συνολική ακρίβεια της ανάλυσης που έγινε στη μελέτη αυτή δείχνει ότι οι εικόνες Landsat παρόλο που δεν έχουν υψηλή χωρική ανάλυση επανορθώνουν λόγω της ύπαρξης πολυφασματικών καναλιών. Συνεπώς για τη σύγκριση των μεταβολών εδαφοκάλυψης ανάμεσα σε διαφορετικές χρονολογίες με εικόνες μέσης ακρίβειας απαιτείται ανάλυση σε δύο στάδια (εξαγωγή χαρακτηριστικών και ταξινόμηση) για να εξασφαλιστούν ικανοποιητικά αποτελέσματα.

ΠΡΩΤΟΤΥΠΟ ΑΡΘΡΟ

Applying remote sensing techniques to monitor shifting wetland vegetation: A case study of Danshui River estuary mangrove communities, Taiwan Tsai-Ming Lee∗, Hui-Chung Yeh