ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ ΓΕΩΡΓΙΚΩΝ ΕΚΤΑΣΕΩΝ ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ LANDSAT TM ΚΑΙ QUICKBIRD ΕΙΚΟΝΕΣ: Η ΠΕΡΙΠΤΩΣΗ ΤΩΝ ΕΛΑΙΟΔΕΝΤΡΩΝ ΣΤΗ ΛΕΣΒΟ.

<big>''' ΤΑΞΙΝΟΜΗΣΗ ΤΩΝ ΓΕΩΡΓΙΚΩΝ ΕΚΤΑΣΕΩΝ ΧΡΗΣΙΜΟΠΟΙΩΝΤΑΣ LANDSAT TM ΚΑΙ QUICKBIRD ΕΙΚΟΝΕΣ: Η ΠΕΡΙΠΤΩΣΗ ΤΩΝ ΕΛΑΙΟΔΕΝΤΡΩΝ ΣΤΗ ΛΕΣΒΟ'''</big>

Τεχνικές τηλεπισκόπισης είναι οι κυριότερες μέθοδοι που χρησιμοποιούνται κατά τη διάρκεια των δύο τελευταίων δεκαετιών για την άντληση πληροφοριών και για την ψηφιακή χαρτογράφηση των χωρικών χαρακτηριστικών. Παραδοσιακές μέθοδοι περιλαμβάνουν επιβλεπόμενη ταξινόμηση των δεδομένων με 30μ. χωρική διακριτική ικανότητα (δηλαδή Landsat TM) συγκεντρώνοντας φωτοσταθερά με χρήση Global Positioning Systems (GPS) στο έδαφος. Οι μέθοδοι αυτές αντιμετωπίζουν κάποια προβλήματα ιδιαίτερα σε πολυσύνθετα τοπία, όπως οι γεωργικές εκτάσεις στην περιοχή της Μεσογείου. Χωρικές και φασματικές αβεβαιότητες μειώνουν την ακρίβεια των αποτελεσμάτων της ταξινόμησης.

Σήμερα, ωστόσο, αισθητήρες υψηλής ανάλυσης με χωρική διακριτική ικανότητα 2,5 m μπορούν να χρησιμοποιηθούν για την άμεση χαρτογράφηση με οπτική ερμηνεία ή την αυτόματη αναγνώριση αντικειμένων. Τα βασικά μειονεκτήματα των μεθόδων αυτών είναι η εξειδικευμένη τεχνογνωσία που απαιτείται, και η κάλυψη του συνόλου της περιοχής μελέτης με ακριβά δεδομένα υψηλής ανάλυσης. Σκοπός της παρούσας μελέτης είναι να αξιολογήσει τη βελτίωση των δεδομένων Landsat TM επιβλεπόμενης ταξινόμησης, χρησιμοποιώντας υψηλής ανάλυσης αισθητήρα Quickbird για την συλλογή φωτοσταθερών, προκειμένου να ανακτήσει τη χωρική κατανομή των γεωργικών εκτάσεων ελαιώνων στο νησί της Λέσβου. Το αποτέλεσμα της ταξινόμησης περιλαμβάνει διάφορες ποιοτικές κατηγορίες των εκτάσεων, καθώς και μια προσπάθεια για την εκτίμηση της πυκνότητας των δένδρων.

<big>''' Δεδομένα και μεθοδολογία '''</big>

Δορυφορικές εικόνες της μέσης-υψηλής (Landsat TM) και πολύ υψηλής ανάλυσης (Quickbird) χρησιμοποιήθηκαν ως αρχικά δεδομένα. Η Landsat TM εικόνα αποκτήθηκε στις 28/5/1999. Έτσι, τεκμαίρεται ότι τα τελευταία 3 χρόνια, δεν υπάρχουν σημαντικές τροποποιήσεις στους τύπους κάλυψη γης που να μπορούν να καταγραφούν σε 30μ. επί 30 μ. Γεωμετρικές διορθώσεις για Landsat TM εφαρμόστηκαν με τη χρήση υψηλής ακρίβειας GPS (3-5 m) μετρήσεων και γεωαναφέρθηκαν στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς 87. Επιλεγμένες εικόνες Quickbird διορθώθηκαν χρησιμοποιώντας τα ίδια Ground Control Points (GCPs) με τα Landsat TM δεδομένα.

Οι Quickbird είναι οι υψηλότερης ανάλυσης εμπορικοί δορυφόροι στον κόσμο. ‘Εχουν ανάλυση στο έδαφος 61 εκατοστά  για το παγχρωματικό κανάλι και 2,44 μ. για το πολυφασματικό (Eurimage, 2003). Συλλέγονται σε μορφή 11-bit (2048 επίπεδα γκρι), ενώ είναι διαθέσιμες η τεσσάρων-καναλιών πολυφασματική ζώνη που αποτελείται από μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο κανάλι (πίνακας 1). Οι Quickbird εικόνες αποκτήθηκαν κατά τη διάρκεια του καλοκαιριού του 2002 και το σύνολο της περιοχής μελέτης καλύπτεται από περισσότερα από 15 τοπία. Μειονεκτήματα της απόκτησης νέων δεδομένων υψηλής ανάλυσης είναι η υψηλή τιμή και ο κίνδυνος που υπάρχει το 20% της περιοχής ενδιαφέροντος να καλύπτεται από τα σύννεφα μη συμπεριλαμβανομένης της ομίχλης και των σκιών.

Στην εποπτεία της κατάρτισης, ο χρήστης εξαρτάται από τις δεξιότητες αναγνώρισης προτύπων και των προτέρων γνώση των δεδομένων για να βοηθήσει το σύστημα καθορίζει τα στατιστικά κριτήρια (υπογραφές) για την ταξινόμηση των δεδομένων. Συνήθως, αυτή η γνώση αποκτιέται από την εργασία στην ύπαιθρο, όσον αφορά την ερμηνεία του τοπίου σε κατηγορίες και την  αντιστοίχισή της σε Χ και Υ τιμές που αποκτήθηκαν από το GPS. Αυτή η διαδικασία έχει πολλές ανθρωποώρες κόστος, κόστος μετακίνησης και απαιτεί την ικανότητα των χρηστών να μπορούν να ταξιδέψουν στην περιοχήμελέτης. Στο πλαίσιο αυτής της έρευνας, οι εργασίες στον τομέα αντικαθίστανται από δεδομένα Quickbird, έτσι ώστε ο ταξινομητής ερμηνεύει τις διαφορετικές τάξεις από εικόνες και συλλέγει τις αντίστοιχες Περιοχές Ενδιαφέροντος (AOIs) που έχουν χρησιμοποιηθεί για την εποπτεία της κατάταξης Landsat TM.
Οι κατηγορίες που έχουν αναγνωρισθεί, προκειμένου να γίνει η ταξινόμηση της εικόνας Landsat TM είναι:

'''•	'''Αλατωρυχεία, παράκτιες περιοχές, νερό

'''•	'''Θάλασσα

'''•	'''Αστική περιοχή

'''•	'''Γυμνό εδάφος

'''•	'''Πευκοδάσος

'''•	'''Ελαιώνες

'''•	'''Δάσος

'''•	'''Δάσος καστανιάς

'''•	'''θάμνοι

'''•	'''Δάσος Φυλλοβόλων

'''•	'''Γεωργική γη

'''•	'''Βοσκοτόπια

Οι ελαιώνες χωρίζονται σε 5 διαφορετικές κατηγορίες ανάλογα με το είδος τους και την πυκνότητα δέντρων, όπως φαίνονται στην εικόνα 1.

[[εικόνα:l100.jpg|center|400px|]]
'''Εικόνα 1:''' Δείγματα ελαιόδεντρων σε εικόνες Quickbird

'''•	'''Ε1: 90-120 δέντρα ανά εκτάριο

'''•	'''Ε2: 130-150 δέντρα ανά εκτάριο

'''•	'''Ε3: 160-190 δέντρα ανά εκτάριο

'''•	'''E4F: 200-230 δέντρα ανά εκτάριο σε επίπεδη περιοχή

'''•	'''E4M: 200-230 δέντρα ανά εκτάριο σε ορεινή περιοχή

Μετά τη συλλογή Περιοχών Ενδιαφέροντος, οι εικόνες Landast TM ταξινομηθηκαν στις ανωτέρω κατηγορίες με την επιβλεπόμενη ταξινόμηση, χρησιμοποιώντας τον κανόνα «feature space decision» ως μη παραμετρικό κανόνα και τη μέγιστη πιθανότητα ως παραμετρικό κανόνα. Όταν οι τιμές ενός pixel είναι στην φασματική περιοχή, τότε το pixel τοποθετείται στη κλάση αυτή.
Η ακρίβεια αξιολόγησης εκτιμήθηκε με τον πίνακα «contingency matrix» της κατάταξης. Ο «contingency matrix»  είναι μια γρήγορη ταξινόμηση, με τους ίδιους κανόνες, των pixels σε μια σειρά δειγμάτων κατάρτισης για να δούμε τι ποσοστό του δείγματος pixels κατατάσσονται στην πραγματικότητα με τον αναμενόμενο τρόπο. Τα pixels του κάθε δείγματος κατάρτισης δεν είναι πάντοτε τόσο ομοιογενή έτσι ώστε κάθε εικονοστοιχείο σε ένα δείγμα ταξινομείται στην πραγματικότητα σε μια αντίστοιχη κατηγορία του. Κάθε δείγμα pixel έχει ένα βάρος στα στατιστικά στοιχεία που καθορίζει τις κλάσεις. Ωστόσο, εάν οι στατιστικές υπογραφές για κάθε δείγμα είναι διαφορετικές από εκείνες των άλλων δειγμάτων, στη συνέχεια, ένα υψηλό ποσοστό των pixels κάθε δείγματος ταξινομείται όπως αναμένεται (ERDAS, 1994).

<big>''' Αποτελέσματα και Συζήτηση '''</big>

Ο ακριβής υπολογισμός της περιοχής των ελαιώνων και του αριθμού των δένδρων είναι αρκετά δύσκολος στο ελληνικό νησιωτικό περιβάλλον και οφείλεται στον περίπλοκο τοπίο, στην εγκατάλειψη της γης και στην έλλειψη στατιστικών και ιστορικών δεδομένων. Η ταξινόμηση ελαιόδεντρων που χαρτογράφούνται από δορυφορικά δεδομένα έχει ενθαρρυντικά αποτελέσματα και οι νέες τεχνικές διευρύνονται για περαιτέρω βελτίωση. Με τη χρήση εικόνων υψηλής ανάλυσης ως ένα εργαλείο για τη συλλογή φωτοσταθερών, εκτιμήθηκε η συνολική έκταση κάλυψης και ο αριθμός των ελαιόδεντρων. Η συνολική έκταση υπολογίστηκε σε 47561,5 εκτάρια, ενώ σε προηγούμενη έρευνα, όπου τα δεδομένα συλλέγονται με τη χρήση ενός GPS ακρίβειας 30 m, η συνολική έκταση υπολογίστηκε 43324,1 εκτάρια (Χατζόπουλος et al., 1992, Κουκούλας, 1994 ). Η υπερεκτίμηση αυτή εξηγείται κυρίως από τη  χρονική διαφορά λήψης των δύο συνόλων δορυφορικών δεδομένων που είναι 9 χρόνια και στις διαφορετικές προσεγγίσεις στη συλλογή φωτοσταθερών. Το σχήμα 2 δείχνει τους παραγόμενους χάρτες από την ταξινόμηση των εικόνων Landsat TM αναφορικά με τους τύπους της κάλυψης γης και τα είδη των ελαιώδενδρων.

[[εικόνα:l101.jpg|center|400px|]]
'''Εικόνα 1:''' Χάρτης κατηγοριών καλύψεων γης (πάνω) και Χάρτης τύπων ελαιόδεντρων (κάτω) από ταξινόμηση Landsat TM 

Στον «contingency matrix»  φαίνονται για τα δείγματα οι τύποι της κάλυψης γης που έχει επιλεγεί ως το τελικό σχέδιο κατάταξης. Η συνολική ακρίβεια είναι 99,38%, που σημαίνει ότι αυτό το ποσοστό του δείγματος pixels έχει ταξινομηθεί σωστά. Όσον αφορά τις ελιές, μόνο το 1,7% των pixels που έχουν αναγνωριστεί ως ελιές από το χρήστη πάνω στην εικόνα Quickbird, έχουν ταξινομηθεί σε 5 άλλες κατηγορίες. Αυτό εξηγείται λόγω του μεγαλύτερου συνόλου περιοχών εκπαίδευσης που έχουν επιλεγεί για ελαιόδεντρα. Επιπλέον, υπάρχει μια υπερεκτίμηση του 5,5% των pixels που ανήκουν σε άλλες κατηγορίες και έχουν ταξινομηθεί ως ελιές. Συγκρινόμενη με την προηγούμενη διαδικασία ταξινόμησης (Χατζόπουλος et al., 1992), όπου ο χρήστης πρέπει να συλλέγει φωτοσταθερά με το GPS, τα αποτελέσματα της κατάταξης φαίνεται να είναι πολύ καλύτερα.


<small>'''Πηγή: ''' Christos Vasilakos,John Hatzopoulos,Kostas Kalabokidis,Kostas Koutsovilis,Argiroula Thomaidou,Classification of agricultural fields by using Landsat TM and QuickBird sensors. The case study of olive trees in Lesvos island.</small>