Τηλεπισκόπηση, τεχνητή νοημοσύνη και συστήματα γεωγραφικών πληροφοριών στην εκτίμηση κινδύνου πυρκαγιών.

[[category:Διαχείριση κινδύνων]]


'''Τηλεπισκόπηση, τεχνητή νοημοσύνη και συστήματα γεωγραφικών πληροφοριών στην εκτίμηση κινδύνου πυρκαγιών.'''


Χρήστος Βασιλάκος1,2, Κώστας Καλαμποκίδης1, Ιωάννης Χατζόπουλος2, Γεώργιος Κάλλος3 και Ιωάννης Ματσίνος2 
1Πανεπιστήμιο Αιγαίου, Τμήμα Γεωγραφίας 
2Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος 
3Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών, Τμήμα Φυσικής
Πηγή: http://www.aegean.edu/environment/labs/Remote_sensing/publications/Hazard_full_v1.pdf


''Αντικείμενο εφαρμογής'': Διαχείριση Κινδύνων 


''Στόχοι εφαρμογής'':  Προσπάθειας ανάπτυξης ενός ποσοτικού Ελληνικού Συστήματος Εκτίμησης Κινδύνου Πυρκαγιών, με περιοχή μελέτης το νησί της Λέσβου. Το προτεινόμενο σύστημα εκτιμά χωρικά την πυρο-επικινδυνότητα σε τοπική κλίμακα, και έχει τη δυνατότητα πρόβλεψης βασιζόμενο σε μετεωρολογικά δεδομένα. Το κύριο προϊόν του συστήματος είναι ο Δείκτης Πιθανότητας Εμφάνισης Πυρκαγιάς βασιζόμενος σε τρεις άλλους επιμέρους δείκτες: το Μετεωρολογικό Δείκτη Κινδύνου, το Βλαστητικό Δείκτη Κινδύνου και τον Κοινωνικό-Οικονομικό Δείκτη Κινδύνου. Όλοι οι επιμέρους δείκτες είναι δυναμικοί, δηλαδή μεταβάλλονται στο χρόνο, και αποτελούν μια συστηματική, ποσοτική και χωρική εκτίμηση του κινδύνου. Η σχέση μεταξύ εμφάνισης της φωτιάς και των παραμέτρων-μεταβλητών που ενσωματώνονται στους παραπάνω δείκτες, βασίζεται σε ιστορικά στατιστικά στοιχεία πυρκαγιών και μοντελοποιήθηκε με τη χρήση μεθόδων τεχνητής νοημοσύνης και συγκεκριμένα των νευρωνικών δικτύων. Το συγκεκριμένο σύστημα βασίζεται σε μια ρεαλιστική προσέγγιση, έτσι ώστε οι παράμετροι που το αποτελούν να είναι εύκολο να μετρηθούν και το σύστημα να είναι έτοιμο για επιχειρησιακή εφαρμογή σε τοπικό επίπεδο, όπου και λαμβάνονται οι κρίσιμες αποφάσεις στο στάδιο της πρόληψης και καταστολής. Κύριες πηγές για τον καθορισμό των παραμέτρων αποτελούν δορυφορικές εικόνες από τους δέκτες QuickBird και Landsat ETM καθώς και το μοντέλο πρόγνωσης καιρού SKIRON ενώ η διαχείριση, σύνθεση και χωρική ανάλυση των παραμέτρων, ως θεματικών επιφανειών, πραγματοποιείται με τη χρήση Συστημάτων Γεωγραφικών Πληροφοριών.Ως περιοχή μελέτης επιλέχτηκε το νησί της Λέσβου που βρίσκεται στο βόρειο-ανατολικό Αιγαίο με έκταση 1672 km2


''Είδη δορυφορικών συστημάτων'': QuickBird και Landsat ETM


''Είδη δορυφόρων, δεκτών και καναλιών - Χρησιμότητα των δεικτών/καναλιών'': 
για την χαρτογράφηση του οδικού δικτύου, των οικισμών και των αγροτικών περιοχών χρησιμοποιήθηκαν τηλεπισκοπικά δεδομένα υψηλής χωρικής διακριτικής ικανότητας από τον δέκτη  QuickBird με μέγεθος pixel 2,8 m. Για να αντικατασταθούν οι περιοχές που είχαν νεφοκάλυψη χρησιμοποιήθηκε εικόνα Landsat ETM με μέγεθος pixel 30 m στο πολυφασματικό και 15 m στο πανχρωματικό. Από όλα τα κανάλια του Landsat ETM επιλέχθηκαν το μπλε, πράσινο, κόκκινο και κοντινό υπέρυθρο που έχουν την ίδια φασματική ζώνη με τα 4 κανάλια του QuickBird, και συνενώθηκαν με το πανχρωματικό έτσι ώστε να προκύψει εικόνα με 4 φασματικές ζώνες και 15 m γεωμετρική διαχωριστική ικανότητα.
Προεπεξεργασίες: Τα σκηνικά διορθώθηκαν γεωμετρικά με τη βοήθεια χαρτών και GPS και έπειτα συνενώθηκαν σταδιακά σε ένα ενιαίο μωσαϊκό πραγματοποιώντας παράλληλα και ραδιομετρικές διορθώσεις προκειμένου να εξαλειφθούν οι διαφορές που υπήρχαν στα ιστογράμματά τους, κυρίως λόγω της διαφορετικής ημέρας και γωνίας λήψης.

Χρήση επιπρόσθετων δεδομένων: Ο Μετεωρολογικός Δείκτης Κινδύνου βασίζεται σε μετεωρολογικά δεδομένα τα οποία συλλέγονται από 4 αυτόματους τηλεμετρικούς μετεωρολογικούς σταθμούς (ΑΤΜΟΣ). Χρησιμοποιώντας αυτά τα δεδομένα, υπολογίζεται ο πραγματικός Μετεωρολογικός Δείκτης Κινδύνου και κατά συνέπεια ο πραγματικός Δείκτης Πιθανότητας Εμφάνισης Πυρκαγιάς.
Ο Βλαστητικός Δείκτης Κινδύνου αναφέρεται στην πιθανότητα εμφάνισης πυρκαγιάς λόγω της τοπογραφίας, του είδους της βλάστησης και της κατάστασής της. Περιοχές με τα ίδια είδη βλάστησης μπορούν να έχουν διαφορετικό κίνδυνο λόγω της μορφολογίας (ύψος, πυκνότητα) και της ποσότητας της βλάστησης. Αυτή η διαφοροποίηση συνοψίζεται στα διαφορετικά μοντέλα καύσιμης ύλης (Deeming et al., 1977). Για την δημιουργία της χωρικής επιφάνειας μοντέλων καύσιμης ύλης στη Λέσβο, χρησιμοποιήθηκαν οι χρήσεις γης CORINE οι οποίες αντιστοιχήθηκαν σε ένα από τα 13 μοντέλα καύσιμης ύλης του BEHAVE (Anderson, 1982).
Ο Κοινωνικο-Οικονομικός Δείκτης Κινδύνου αναφέρεται στην επικινδυνότητα μιας περιοχής λόγω της ανθρώπινης παρουσίας. Η χωρική ανάλυση του ανθρώπινου ρίσκου είναι αρκετά περίπλοκη λόγω της δυσκολίας να απεικονισθούν χωρικά οι ανθρώπινες δραστηριότητες (Vega-Garcia et al., 1993). Η κύρια μέθοδος που χρησιμοποιείται για τη χαρτογράφηση του ανθρώπινου ρίσκου είναι ο συσχετισμός της χωρικής κατανομής της έναρξης των πυρκαγιών με την εγγύτητα σε ανθρώπινες δραστηριότητες.

[[Εικόνα:Image20_p.jpg | thumb | right | Διάγραμμα Ροής Εργασιών., πηγή:http://www.aegean.edu/environment/labs/Remote_sensing/publications/Hazard_full_v1.pdf]]


''Αναγκαιότητα'': Η αναπτύξει ένα νέου ποσοτικού συστήματος εκτίμησης κινδύνου πυρκαγιάς το οποίο θα βασίζεται σε παραμέτρους οι οποίοι θα μπορούν να προσδιοριστούν εύκολα και γρήγορα.
Προχωρημένες Επεξεργασίες: Για την εκπαίδευση των νευρωνικών δικτύων χρησιμοποιήθηκαν 420 πυρκαγιές οι οποίες εκδηλώθηκαν στο χρονικό διάστημα 1970-2001. Για αυτές τις πυρκαγιές συλλέχθηκαν όλα τα ιστορικά δεδομένα τα οποία χρειάζονται στην εκπαίδευση και χαρτογραφήθηκαν με τη βοήθεια συνεντεύξεων των κατοίκων, ενώ οι μεταβλητές που αναφέρονται σε αποστάσεις από κάποια παράμετρο για κάθε σημείο έναρξης υπολογίστηκαν με τη χρήση Συστημάτων Γεωγραφικών Πληροφοριών. Για τη σωστή εκπαίδευση, δημιουργήθηκαν τυχαία σημεία που προσομοίωναν τη μη εμφάνισης πυρκαγιάς για συγκεκριμένη χρονική στιγμή κατά το έτος 2003.

[[Εικόνα:Image21_p.jpg | thumb | right | Δείκτη Πιθανότητας Εμφάνισης Πυρκαγιάς στις ημερομηνίες 23/6/2003 και 27/8/2003., πηγή:http://www.aegean.edu/environment/labs/Remote_sensing/publications/Hazard_full_v1.pdf]]


''Αποτελέσματα και αξιολόγηση της μεθόδου'': Πραγματοποιήθηκαν πολλαπλές δοκιμές ώστε να επιλεγεί η τελική δομή των νευρωνικών δικτύων για κάθε δείκτη, παρακολουθώντας κυρίως τα ποσοστά σωστής ταξινόμησης των δειγμάτων εκπαίδευσης και επαλήθευσης καθώς και του μέσου τετραγωνικού σφάλματος (MSE). Ως ρυθμός εκμάθησης επιλέχθηκε ρ=0,1 ενώ ο νευρώνας στην έξοδο θεωρείται ενεργοποιημένος με τιμή μεγαλύτερη από 0,5. Πιο εύκολα προσεγγίστηκε η συνάρτηση του Μετεωρολογικού Δείκτη Κινδύνου, ενώ ο Κοινωνικό-Οικονομικός Δείκτης Κινδύνου είχε καλύτερα ποσοστά ταξινόμησης των πυρκαγιών του 2003. Έχοντας τους παραπάνω χάρτες-αποτελέσματα θα μπορούσαν οι τοπικές πυροσβεστικές και πολιτειακές αρχές να τους χρησιμοποιήσουν ως ένα σημαντικό εργαλείο υποστήριξης αποφάσεων για την πρόληψη και καταστολή των δασικών πυρκαγιών. Στόχος της παρούσας εργασίας ήταν να αναπτυχθεί για πρώτη φορά ένα ποσοτικό σύστημα εκτίμησης του κινδύνου πυρκαγιών μεγάλης κλίμακας με δυνατότητα βραχυπρόθεσμης πρόγνωσης. Με την υιοθέτηση ενός τέτοιου συστήματος είναι εφικτός ο εντοπισμός περιοχών με υψηλό δείκτη κινδύνου / επικινδυνότητας έτσι ώστε να πραγματοποιείται αποτελεσματικότερη διασπορά των δυνάμεων φύλαξης και πρώτης προσβολής, ενώ δίνεται η δυνατότητα για την έγκαιρη λήψη αποτρεπτικών μέτρων.