Ο ΡΟΛΟΣ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗ ΚΑΙ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΚΙΝΔΥΝΟΥ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ
Από RemoteSensing Wiki
Ο ΡΟΛΟΣ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗ ΚΑΙ ΤΗΣ ΤΕΧΝΗΤΗΣ ΝΟΗΜΟΣΥΝΗΣ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΚΙΝΔΥΝΟΥ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ
Συγγραφείς: Χρήστος Βασιλάκος, Κώστας Καλαμποκίδης, Ιωάννης Χατζόπουλος, Γεώργιος Κάλλος και Ιωάννης Ματσίνος
Πηγή: http://www3.aegean.gr/environment/labs/Remote_sensing/publications/Hazard_full_v1.pdf
Η παρούσα διατριβή αναφέρεται στην ανάπτυξη ενός επιχειρησιακού συστήματος ποσοτικής εκτίμησης κινδύνου έναρξης δασικών πυρκαγιών.
Το πεδίο εφαρμογής είναι το νησί της Λέσβου και οι στόχοι της εργασίας είναι:
1)Να εξεταστούν οι δυνατότητες που προσφέρονται από τον δέκτη Quickbird στην χαρτογράφηση της εδαφοκάλυψης και των χρήσεων γης.
2)Να διερευνηθεί η συσχέτιση των βλαστητικών, µμετεωρολογικών και κοινωνικο-οικονομικών παραμέτρων µε την ιστορική εμφάνιση και τη βραχυπρόθεσμη πρόγνωση δασικών πυρκαγιών στον ελλαδικό χώρο και ειδικότερα σε µμεσογειακού τύπου οικοσυστήματα, σε µμεγάλη κλίμακα.
3)Να ερευνηθεί η δυνατότητα χρησιμοποίησης τεχνητών νευρωνικών δικτύων ως
εργαλείο συσχετισμού χωρικών µμεταβλητών.
4)Να αυτοματοποιηθούν οι διαδικασίες εκπαίδευσης των νευρωνικών δικτύων και
της χαρτογραφικής µμοντελοποίησης.
Στην συνέχεια δίνει τους ορισμούς της Τηλεπισκόπησης και των Τεχνητών Νευρωνικών ∆ικτύων, δηλαδή «Τηλεπισκόπηση» σύµφωνα µε την Αμερικανική Κοινότητα Φωτογραμμετρίας και Τηλεπισκόπησης ορίζεται η τέχνη, η επιστήµη και η τεχνολογία που δίνει αξιόπιστες πληροφορίες για τα φυσικά αντικείμενα και το περιβάλλον µέσω διαδικασιών που καταγράφουν, µμετρούν και ειρηνεύουν εικόνες και πρότυπα της ηλεκτρομαγνητικής ακτινοβολίας και άλλα φαινόμενα.
Η τηλεπισκόπηση περιλαμβάνει δύο είδη συστημάτων καταγραφής δεδομένων: τα παθητικά και τα ενεργά. Τα παθητικά δεν διαθέτουν δική τους πηγή ενέργειας, οπότε και καταγράφουν την εκπεμπόμενη ενέργεια του στόχου ή την ανακλώμενη ενέργεια που στέλνει κάποια άλλη πηγή η οποία είναι συνήθως ο ήλιος. Τα ενεργά συστήματα, στα οποία συγκαταλέγονται τα Radar, διαθέτουν δική τους πηγή ενέργειας.
Στην παρούσα διατριβή χρησιμοποιήθηκαν δύο δέκτες, ο QuickBird και ο LANDSAT ETM. Ο QuickBird εκτοξεύθηκε στις 18/10/2001 και τέθηκε σε ηλιοσύγχρονη τροχιά µε ύψος 450 km. διαθέτει πέντε (5) κανάλια καταγραφής ηλεκτρομαγνητικής ακτινοβολίας, τέσσερα (4) πολυφασµατικά και ένα (1) παγχρωµατικό, µε ραδιοµετρική ευαισθησία έντεκα (11) bit και χωρική διακριτική ικανότητα 0,61 m για το παγχρωματικό κανάλι και 2,44 m για τα πολυφασµατικά. Ο Landsat ETM εκτοξεύθηκε στις 15/4/1999 σε ύψος 750 km και διαθέτει επτά (7) πολυφασµατικά κανάλια καταγραφής µε χωρική διακριτική ικανότητα 30 m (υπέρυθρο 60 m) και ένα (1) παγχρωματικό µε χωρική διακριτική ικανότητα 15 m.
Η έρευνα στο πεδίο των Τεχνητών Νευρωνικών ∆ικτύων (ΤΝ∆) (Artificial Neural Network), προήλθε από την επιθυμία για παραγωγή τεχνητών συστημάτων, ικανών για εμπεριστατωμένη και έξυπνη επεξεργασία, παρόµοια µε αυτή που πραγματοποιεί ο ανθρώπινος εγκέφαλος (Fausett 1994). Παρόλα αυτά, δεν υπάρχει κάποιος ευρύτατα αποδεκτός ορισµός των ΤΝ∆.
Από τη µια πλευρά, σύµφωνα µε τον Haykin (1994), ένα νευρωνικό δίκτυο είναι ένας µμαζικά παράλληλος κατανεμημένος επεξεργαστής ο οποίος έχει την φυσική τάση να αποθηκεύει εμπειρική γνώση και να την κάνει διαθέσιµη για χρήση.
Εκτός από την αρχιτεκτονική των ΤΝ∆, ένα άλλο σημαντικό χαρακτηριστικό διαφοροποίησής τους είναι οι τιµές των βαρών διασύνδεσης µμεταξύ των νευρώνων. Η διαδικασία για να οριστούν οι τιµές των βαρών ονομάζεται “εκπαίδευση” και διακρίνεται σε δύο τύπους (Masters 1983, Sarle 1997): την “επιβλεπόμενη” και “µη επιβλεπόμενη”. Στην “επιβλεπόμενη εκπαίδευση”, υπάρχουν γνωστές τιµές εξόδου (επιθυμητές τιµές) που δίνονται στο TΝ∆ κατά την διάρκεια της εκπαίδευσης. Προσαρμόζοντας τα βάρη των συνδέσεων µμεταξύ των νευρώνων, το TΝ∆ προσπαθεί να ταιριάξει τις τιµές εξόδου µε τις επιθυμητές τιµές. Στην µη επιβλεπόµενη διαδικασία εκμάθησης δεν υπάρχουν αντίστοιχες επιθυμητές τιµές εξόδου. Υπάρχουν µόνο δεδομένα εισόδου. Έτσι, το TΝ∆ συνήθως πραγματοποιεί συμπίεση των δεδομένων, όπως µμείωση των διαστάσεων ή ομαδοποίηση. Για να διασφαλιστεί το ότι το δίκτυο θα µμπορεί να προσεγγίσει τιµές εξόδου για οποιοδήποτε συνδυασµό τιµών εισόδου θα πρέπει να χρησιμοποιηθούν δείγματα επαλήθευσης µε εγγραφές που δεν συμπεριλαμβάνονται στα δεδομένα εκπαίδευσης. Στο Σχήµα 2 παρουσιάζεται ένα σωστά εκπαιδευμένο ΤΝ∆ το οποίο έχει καλή γενίκευση (generalization) και έχει αποφευχθεί η υπερπροσαρµογή (overfitting) στα δεδομένα εκπαίδευσης όπως συμβαίνει στο Σχήµα 2. Σε περίπτωση που δεν είχαν χρησιμοποιηθεί δεδομένα επαλήθευσης και το µόνο κριτήριο σωστής εκπαίδευσης ήταν η συνάρτηση του λάθους, τότε το ΤΝ∆ του Σχήματος 2 θα παρουσίαζε
µμικρότερο λάθος, γεγονός που οδηγεί στη χρήση ενός µη σωστά εκπαιδευμένου δικτύου.
Στην συνέχεια αναλύει και επεξηγεί τα επιχειρησιακά συστήματα εκτίμησης κινδύνου πυρκαγιών που ισχύουν σε διάφορες χώρες όπως η Αμερική, η Αυστραλία, η Ινδονησία κτλ. Ενώ στο επόμενο σημείο παραθέτει τον τρόπο που η τηλεπισκόπηση και τα Τεχνητά Νευρωνικά Δίκτυα χρησιμοποιούνται ως μέσο πρόληψης των πυρκαγιών. Πιο συγκεκριμένα αναφέρει ότι η βραχυπρόθεσμη εκτίµηση του κινδύνου πυρκαγιών είναι στενά συνυφασμένη µε τις καιρικές συνθήκες οι οποίες επηρεάζουν την κατάσταση της βλάστησης. Αρκετοί ερευνητές χρησιμοποιούν τον δέκτη AVHRR της NOAA για να παρακολουθούν την έλλειψη νερού στη βλάστηση, αντικαθιστώντας έτσι την δειγματοληψία από µμετεωρολογικούς σταθµούς (Chuvieco et al. 1999). Η υψηλή διαχρονική ανάλυση και η πολύ καλή φασµατική πληροφορία (ορατό, κοντινό υπέρυθρο, µέσο υπέρυθρο και θερµικό υπέρυθρο) καθιστούν τον δέκτη αυτό αρκετά αποτελεσματικό για τον υπολογισµό δεικτών βλάστησης, περιεχόμενης υγρασίας βλάστησης και επιφανειακής θερµοκρασίας εδάφους. Τρεις κύριες μέθοδοι χρησιμοποιούνται για τον συσχετισµό των τηλεπισκοπικών δεδοµένων και της εκτίµησης του κινδύνου πυρκαγιών, οι περισσότερες των οποίων βασίζονται στη µελέτη διαχρονικών δεδοµένων δεικτών βλάστησης κυρίως του NDVI (Normalized Difference Vegetation Index). Η διαφορά της ανακλαστικότητας σε αυτά τα κανάλια αποτελεί ένα µέσο παρακολούθησης της πυκνότητας και της υγείας της βλάστησης. Η ύπαρξη της χλωροφύλλης στα φύλλα έχει ως αποτέλεσµα τη µεγαλύτερη αντανάκλαση της ηλεκτροµαγνητικής ακτινοβολίας στην περιοχή του κοντινού υπέρυθρου από ό,τι στο ορατό. Όταν υπάρχει έλλειψη νερού η βλάστηση αρρωσταίνει, µειώνεται η ποσότητα χλωροφύλλης στα φύλλα και αντανακλά πολύ λιγότερο στο κοντινό υπέρυθρο. Τα σύννεφα, το νερό και τα χιόνια έχουν µεγαλύτερη ανακλαστικότητα στο ορατό από ό,τι στο κοντινό υπέρυθρο ενώ η διαφορά είναι σχεδόν µηδενική για τα πετρώµατα και το γυµνό έδαφος. Ο NDVI για την βλάστηση τυπικά παίρνει τιµές από 0.1 έως 0.6 όπου οι υψηλότερες τιµές σχετίζονται µε την έντονη πυκνότητα και την αυξηµένη χλωροφύλλη στο φύλλωµα. Το έδαφος και τα πετρώµατα έχουν τιµή κοντά στο µηδέν, ενώ οι περιοχές µε νερό έχουν αρνητικές τιµές. Φαινόµενα σκεδασµού από σκόνη και αερολύµατα, υψηλές τιµές ύψους ηλίου και υψηλές τιµές γωνιών σάρωσης αυξάνουν την ανακλαστικότητα στο ερυθρό σε σχέση µε το κοντινό υπέρυθρο µε αποτέλεσµα την µείωση του υπολογιζόµενου NDVI. Η δεύτερη κατηγορία µεθόδων χρήσης τηλεπισκοπικών δεδοµένων στην εκτίµηση του κινδύνου βασίζεται στις θερµικές ιδιότητες της βλάστησης ως δείκτες έλλειψης νερού µέσω του συσχετισµού των µετεωρολογικών δεδοµένων και του υπολογισµού της εξατµισοδιαπνοής Η τρίτη κατηγορία µεθόδων βασίζεται στο συνδυασµό δεικτών βλάστησης και δεδοµένων στο θερµικό υπέρυθρο, ενώ η τέταρτη κατηγορία περιλαµβάνει συσχετισµό δεδοµένων Radar και περιεχόµενης υγρασίας Η προσέγγιση των συναρτήσεων για τον υπολογισµό των τριών αρχικών δεικτών πραγµατοποιήθηκε µε τη χρήση ΤΝ∆ τα οποία εκπαιδεύτηκαν µε τη µέθοδο της ανάστροφης διάδοσης σφάλµατος (back-propagation). Η συγκεκριµένη µέθοδος χρησιµοποιείται για την επιβλεπόµενη εκπαίδευση ΤΝ∆ ευθείας τροφοδότησης. Αποτελεί την πιο δηµοφιλή µέθοδο για την εκπαίδευση ενός ΤΝ∆ µε πολλά επίπεδα επεξεργασίας και έγινε δηµοφιλής από τους Rumelhart and McClelland (1986). Κατά τη διάρκεια της εκπαίδευσης το δίκτυο ξεκινά τη διαδικασία µάθησης από τυχαίες τιµές των βαρών του. Η υπολογιζόµενη τιµή εξόδου συγκρίνεται µε την πραγµατική τιµή. Η ίδια διαδικασία επαναλαµβάνεται πολλές φορές έτσι ώστε σταδιακά το λάθος να ελαττωθεί µέχρι να γίνει πολύ µικρό και ανεκτό. Στόχος της εκπαίδευσης είναι να ελαχιστοποιηθεί η συνάρτηση του λάθους µέσω της διόρθωσης των βαρών w. Ο βαθµός εκµάθησης ρυθµίζει τον ρυθµό και την ταχύτητα εκπαίδευσης. Το δίκτυο ανατροφοδοτείται µε νέα δεδοµένα εκπαίδευσης και η διαδικασία συνεχίζεται για t επαναλήψεις (εποχές) µέχρι να ελαχιστοποιηθεί το λάθος. Για να διασφαλιστεί το γεγονός ότι το δίκτυο θα µπορεί να προσεγγίσει τιµές εξόδου για οποιοδήποτε συνδυασµό τιµών εισόδου, χρησιµοποιήθηκαν δείγµατα επαλήθευσης µε εγγραφές που δεν συµπεριλαµβάνονται στα δεδοµένα εκπαίδευσης. Η εκπαίδευση διακόπτεται όταν το MSE αρχίζει να αυξάνεται στα δεδοµένα επαλήθευσης, ακόµα και αν συνεχίζει να µειώνεται για το δείγµα εκπαίδευσης. Αυτό αποτελεί ένδειξη ότι το ΤΝ∆ έχει επιτύχει καλή γενίκευση (generalization) και έχει αποφύγει µια υπερπροσαρµογή (overfitting) στα δεδοµένα εκπαίδευσης. Για την επιλογή της τελικής δοµής των νευρωνικών δικτύων κάθε δείκτη, πραγµατοποιήθηκαν πολλές δοκιµές. Η αξιολόγηση της εκπαίδευσης των ΤΝ∆ πραγµατοποιήθηκε µε την παρακολούθηση των ποσοστών της σωστής ταξινόµησης των δειγµάτων εκπαίδευσης και επαλήθευσης, δηλαδή σηµεία πυρκαγιών που ταξινοµήθηκαν ως πυρκαγιές και σηµεία µη- πυρκαγιών που ταξινοµήθηκαν αντίστοιχα ως µη-πυρκαγιές. Επίσης πραγµατοποιούταν έλεγχος του µέσου τετραγωνικού σφάλµατος (MSE) µε διακοπή της διαδικασίας όταν παρουσιαζόταν αύξηση του MSE στο δείγµα επαλήθευσης για την περίοδο 1970-2001. Το MSE του δείγµατος του 2003 υπολογίστηκε µε το εκπαιδευµένο ΤΝ∆, επειδή σε αυτό το δείγµα επαλήθευσης συµπεριλαµβάνονται µόνο σηµεία πυρκαγιών. Στο επόμενο βήμα αναφέρει κάποια από τα μειονεκτήματα των ΤΝΔ. Πιο αναλυτικά ένα από τα µειονεκτήµατα των ΤΝ∆ είναι η ερµηνεία του παραγόµενου µοντέλου ως προς τον προσδιορισµό των σηµαντικότερων µεταβλητών που επηρεάζουν το µοντέλο, για αυτό και τα ΤΝ∆ έχουν χαρακτηριστεί ως “µαύρα κουτιά” (Howes and Crook 1999, Andersson et al. 2000, Papadokonstantakis et al. 2006). ∆ιάφορες µεθοδολογίες έχουν εφαρµοστεί για τη διερεύνηση της σηµαντικότητας των δεδοµένων εισόδου σε ένα εκπαιδευµένο ΤΝ∆. Οι Howes και Crook (1999) πρότειναν, µεταξύ άλλων, την µέθοδο “Γενική Επίδραση” (General Influence-GI) της κάθε µεταβλητής, η οποία βασίζεται στην ανάλυση των βαρών και είναι παρόµοια µε τη µέθοδο που πρότειναν οι Yoon et al. (1994). Οι δύο παραπάνω µέθοδοι σχετίζονται µε τη µέθοδο “Ποσοστό Επίδρασης” (Percentage of Influence - PI) που αναπτύχθηκε από τον Garson (1991) και την µέθοδο “Εξαγόµενα Βάρη” (Weight Product-WP) των Tchaban et al. (1998) οι οποίες και χρησιµοποιήθηκαν στη συγκεκριµένη διατριβή. Αν και τα ΤΝ∆ έχουν µεγάλη δυνατότητα στη µοντελοποίηση σύνθετων προβληµάτων, η ικανότητα τους για τον άµεσο υπολογισµό της σηµαντικότητας των µεταβλητών που εισάγονται σε ένα ΤΝ∆ είναι περιορισµένες. Έπειτα αναφέρεται στην εφαρμογή εκτίμησης κινδύνου έναρξης δασικών πυρκαγιών για την οποία διερευνήθηκε η χαρτογράφηση των αστικών περιοχών, του οδικού δικτύου και των χρήσεων γης, από το δέκτη τηλεπισκόπησης QuickBird µέσω της οπτικής αναγνώρισης των παραπάνω χαρακτηριστικών. Η συγκεκριµένη µεθοδολογία έχει µεγαλύτερη ακρίβεια από την πολυφασµατική ταξινόµηση λόγω της µεγάλης ανάλυσής της εικόνας. Σηµαντικά µειονεκτήµατα της χρήσης τέτοιων εικόνων είναι το µεγάλο κόστος απόκτησης ανά τετραγωνικό χιλιόµετρο και τα πολλά σκηνικά που χρειάζονται για να καλυφτεί η συγκεκριµένη περιοχή µελέτης. Αυτό πρακτικά, σηµαίνει ότι χρειάζονται περισσότερα περάσµατα του δέκτη συνεπώς και µεγαλύτερη πιθανότητα τα σκηνικά να καλύπτονται σε µεγάλο ποσοστό από νέφη και σκιές µε αποτέλεσµα τη χαµηλή ποιότητά τους. Για τη διερεύνηση του δεύτερου στόχου, αναπτύχθηκε ο ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς (∆ΚΕΠ) βασιζόµενος στο είδος της πληροφορίας ώστε να εκφράζει τον συσσωρευµένο κίνδυνο έναρξης πυρκαγιάς λόγω των καιρικών, βλαστητικών/τοπογραφικών και ανθρωπογενών παραµέτρων. Αποτελείται από τρεις άλλους δείκτες: το Μετεωρολογικό ∆είκτη Κινδύνου (Μ∆Κ), το Βλαστητικό ∆είκτη Κινδύνου (Β∆Κ) και τον Κοινωνικο-Οικονοµικό ∆είκτη Κινδύνου (ΚΟ∆Κ). Όλοι οι επιµέρους δείκτες είναι δυναµικοί, δηλαδή μεταβάλλονται στο χρόνο και το χώρο. Η επαλήθευση της εκπαίδευσης πραγµατοποιήθηκε µε την χρήση δείγµατος από δεδοµένα εκπαίδευσης καθώς και µε επιχειρησιακή εφαρµογή σε συγκεκριµένες πυρκαγιές κατά την αντιπυρική περίοδο 2003 και σε όλη την αντιπυρική περίοδο 2004. Τα αποτελέσµατα της εκπαίδευσης και της επιχειρησιακής επαλήθευσης δείχνουν ότι πράγµατι ο ∆ΚΕΠ µπορεί να βοηθήσει στην αναγνώριση περιοχών υψηλού κινδύνου ώστε να υποστηριχθούν αποφάσεις προκατασταλτικού σχεδιασµού (Vasilakos et al. 2007). Τρίτος στόχος της διατριβής ήταν διερεύνηση της δυνατότητας χρήσης των Τεχνητών Νευρωνικών ∆ικτύων για τη συσχέτιση των παραµέτρων οι οποίοι θεωρήθηκαν ότι επηρεάζουν την έναρξη των πυρκαγιών µε την ιστορική εµφάνιση των πυρκαγιών της Λέσβου (Rumelhart and McClelland 1986). Σε αντίθεση µε τις εµπειρικές και τις στατιστικές µεθόδους που χρησιµοποιούνται για την επιχειρησιακή εκτίµηση του κινδύνου δασικών πυρκαγιών, τα Τεχνητά Νευρωνικά ∆ίκτυα παρουσίασαν µια ιδιαίτερη ικανότητα στην αναγνώριση προτύπων ενός φυσικού φαινοµένου το οποίο παρουσιάζει, συνήθως, µη-γραµµικότητα και µεταβλητότητα που δύσκολα µπορεί να προσδιοριστεί. Τα εκπαιδευµένα ΤΝ∆ στην παρούσα εφαρµογή µπορούν να χρησιµοποιηθούν για την περιοχή της Λέσβου ενώ στην περίπτωση που χρησιµοποιηθούν δεδοµένα µιας άλλης περιοχής τα αποτελέσµατα θα αλλάξουν γιατί θα αναγνωριστούν διαφορετικά χωρικά πρότυπα. Σε αυτήν την περίπτωση θα πρέπει να συλλεχθούν δεδοµένα για την περιοχή µελέτης ενώ ενδεχοµένως θα πρέπει να συµπεριληφθούν νέες µεταβλητές ή να µη ληφθούν ορισµένες µεταβλητές από αυτές που χρησιµοποιήθηκαν σε αυτήν την διατριβή. Η επιλογή των παραµέτρων πρέπει να γίνει ανάλογα µε τις αιτίες των πυρκαγιών που εµφανίζονται στην υπό εξέταση περιοχή π.χ. στην ενδοχώρα ίσως θα πρέπει να συµπεριληφθεί το σιδηροδροµικό δίκτυο. Ένα από τα µειονεκτήµατα των ΤΝ∆ είναι η άµεση ερµηνεία της σηµαντικότητας των µεταβλητών που λαµβάνονται υπόψη στην εκπαίδευση ενός ΤΝ∆.. Για να εκτιµηθεί ο βαθµός επίδρασης των παραµέτρων στην παρούσα διατριβή χρησιµοποιήθηκαν 3 µέθοδοι ανάλυσης ευαισθησίας ΤΝ∆ και δύο µέθοδοι συσχετισµού δεδοµένων στις οποίες η σηµαντικότητα των µεταβλητών ερµηνεύεται µέσω των συντελεστών που υπολογίζονται. Τέλος, ως τέταρτος στόχος, τέθηκε η ανάπτυξη της εφαρµογής εκτίµησης κινδύνου. Η αυτοµατοποίηση όλων των διαδικασιών µέσω Η/Υ δεν παρουσίασε µειονεκτήµατα αν και το κόστος αγοράς των εµπορικών βιβλιοθηκών, και κυρίως των ArcObjects είναι ιδιαίτερα υψηλό, ειδικά για τον τελικό χρήστη όπως είναι µια δηµόσια υπηρεσία. Σηµαντικό πλεονέκτηµα αποτελεί η µη εξειδικευµένη γνώση χρήσης Η/Υ και προγραµµατισµού σε πηγαίο κώδικα από το χρήστη της εφαρµογής, παρά µόνο µια εκπαίδευση λίγων ωρών. Πρέπει να σηµειωθεί ότι η µεθοδολογία που αναπτύχθηκε στην παρούσα διατριβή είναι δυνατόν να χρησιµοποιηθεί και σε άλλες εφαρµογές εκτός της εκτίµησης κινδύνου έναρξης δασικών πυρκαγιών. Οι εφαρµογές αυτές µπορούν να περιλαµβάνουν την εκτίµηση πιθανότητας εµφάνισης ή αναµενόµενης τιµής ενός φαινοµένου σε ένα συγκεκριµένο χώρο και χρόνο. Έτσι, θα µπορεί να εξεταστεί αν η εµφάνιση ή η αναµενόµενη τιµή του φαινοµένου οφείλονται στη χωροχρονική κατανοµή των αιτιών που την προκαλούν. Τέτοια φαινόµενα µπορεί να είναι είτε άλλες φυσικές καταστροφές (π.χ. σεισµοί) ή άλλα φαινόµενα περιβαλλοντικά (π.χ. εµφάνιση ενός είδους πανίδας ή χλωρίδας). Συμπερασματικά αναφέρει, ότι χρειάζεται περαιτέρω έρευνα ειδικά μετά το πέρας της πυρκαγιάς και θα πρέπει να συλλέγονται συμπληρωματικέ στοιχεία, όπως: η έκταση της καµένης περιοχής, οι αιτίες έναρξής της καθώς και να πραγµατοποιείται χαρτογράφηση της καµένης έκτασης. Έχοντας τα παραπάνω στοιχεία, θα είναι εφικτή η δηµιουργία ενός πιο ρεαλιστικού συστήµατος, το οποίο θα λαµβάνει υπόψη επικαιροποιηµένες χρήσεις γης και µοντέλα καύσιµης ύλης ενώ θα χρησιµοποιούνται οι πραγµατικές µετεωρολογικές συνθήκες που επικρατούσαν στην περιοχή της πυρκαγιάς στην εκπαίδευση των ΤΝ∆.Επιπλέον, είναι αναγκαία η περαιτέρω έρευνα στη δηµιουργία µετεωρολογικών θεµατικών επιφανειών υψηλής ανάλυσης. Αν και µπορεί να κριθεί ικανοποιητικός ένας αριθµός µετεωρολογικών σταθµών για µια συγκεκριµένη περιοχή, δεν µπορεί να περιγραφεί µε ακρίβεια η επιφανειακή κατανοµή των συνθηκών, ιδιαίτερα σε ένα σύνθετο τοπογραφικό περιβάλλον. Επίσης, η πρόγνωση των µετεωρολογικών συνθηκών υψηλής ανάλυσης περιορίζεται από την υπολογιστική ισχύ συνεπώς θα ξεπεραστεί µε την πάροδο του χρόνου και τη βελτιστοποίηση της τεχνολογίας. Όσον αφορά στη χαρτογράφηση των µοντέλων καύσιµης ύλης αυτή µπορεί να βελτιστοποιηθεί µε τη χρήση των δορυφορικών εικόνων QuickBird µέσω της χρήσης τεχνικών αναγνώρισης αντικειµένων. Η τεχνική αυτή έχει χρησιµοποιηθεί τόσο σε εικόνες υψηλής ευκρίνειας για τη χαρτογράφηση της καύσιµης ύλης (Gitas et al. 2006), καθώς και σε εικόνες µικρής χωρικής διαχωριστικής ικανότητας για τον εντοπισµό καµένων περιοχών (Gitas et al. 2004). Έτσι, θα είναι εφικτή η αναγνώριση περιοχών σε µεγάλη κλίµακα, µε διαφορετική ευφλεκτικότητα, ιδιαίτερα σε περιοχές µε απότοµες αλλαγές στις χρήσεις γης, όπως είναι οι περιαστικές περιοχές. Επίσης, η χρήση θεµατικής επιφάνειας µοντέλων καύσιµης ύλης υψηλής ανάλυσης θα επιτρέπει την µοντελοποίηση της συµπεριφοράς µιας πυρκαγιάς µε µεγαλύτερη ακρίβεια. Η λειτουργία αυτή θα πρέπει να ενσωµατωθεί σε ένα ολοκληρωµένο σύστηµα εκτίµησης κινδύνου δασικών πυρκαγιών µαζί µε µια θεµατική επιφάνεια όπου θα εκφράζει τις εκτιµώµενες ζηµιές που θα προκληθούν σε ενδεχόµενη πυρκαγιά. Αυτό θα έχει ως αποτέλεσµα να διακρίνονται περιοχές οι οποίες, ενώ έχουν τον ίδιο κίνδυνο έναρξης πυρκαγιάς, διαφοροποιούνται ως προς τα αποτελέσµατά τους συνεπώς θα πρέπει να δοθεί προτεραιότητα στη διαχείρισή τους, ιδιαίτερα στη διαχείριση της καύσιµης ύλης.
