Τηλεπισκόπηση, Τεχνητή Νοημοσύνη και Γεωγραφικά Συστήματα Πληροφοριών στην Εκτίμηση Κινδύνου Πυρκαγιών

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 14:54, 20 Μαρτίου 2010

ΓΕΝΙΚΑ

Το κύριο αποτέλεσμα του συστήματος εκτίμησης κινδύνου είναι ο Δείκτης Πιθανότητας Εμφάνισης Πυρκαγιάς βασιζόμενος σε τρεις άλλους δείκτες: το Μετεωρολογικό Δείκτη Κινδύνου, το Βλαστητικό Δείκτη Κινδύνου και τον Κοινωνικο-Οικονομικό Δείκτη Κινδύνου. Όλοι οι επιμέρους δείκτες είναι δυναμικοί, δηλαδή μεταβάλλονται στο χρόνο και το χώρο, ενώ η σχέση μεταξύ εμφάνισης της φωτιάς και των παραμέτρων-μεταβλητών που ενσωματώνονται στους παραπάνω δείκτες, βασίζεται σε ιστορικά στοιχεία και μοντελοποιήθηκε με τη χρήση μεθόδων τεχνητής νοημοσύνης και συγκεκριμένα των νευρωνικών δικτύων. 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. Η σύνθεση του τελικού δείκτη χρησιμοποιώντας του τρεις επιμέρους δείκτες έγινε με μεθόδους πολυκριτηριακής ανάλυσης και συγκεκριμένα με τη Διαδικασία Αναλυτικής Ιεράρχησης (Analytic Hierarchy Process – AHP). Ως περιοχή μελέτης έχει επιλεχθεί το νησί της Λέσβου που βρίσκεται στο βορειο-ανατολικό Αιγαίο με έκταση 1672 km2.

ΜΕΘΟΔΟΛΟΓΙΑ

Στο Σχήμα 1 παρουσιάζεται η μεθοδολογία της εργασίας καθώς και οι παράμετροι που λαμβάνονται υπόψη για τον υπολογισμό κάθε δείκτη. 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. Επίσης, υπολογίζεται και η πρόγνωση του δείκτη βασιζόμενος σε μετεωρολογικά δεδομένα τα οποία προέρχονται από το μοντέλο SKIRON με δυνατότητα πρόγνωσης 5 ημερών. Το κύριο πρόβλημα έγκειται στη χωρική κατανομή το μετεωρολογικών συνθηκών χρησιμοποιώντας τις παραπάνω σημειακές μετρήσεις. Για την χωρική παρεμβολή τον κλιματολογικών δεδομένων χρησιμοποιούνται κυρίως 4 μέθοδοι: • Πολύγωνα Thiessen • Μέση βαρύνουσα απόσταση • Παρεμβολή Kriging • Πολλαπλή παλινδρόμηση με τη χρήση και άλλων μεταβλητών π.χ. υψόμετρο, γεωγραφικό μήκος και πλάτος Για την παρούσα εργασία εφαρμόστηκε η μέθοδος των πολυγώνων Thiessen θεωρώντας ότι οι σημειακές μετρήσεις από τους μετεωρολογικούς σταθμούς και το μοντέλο SKIRON είναι ικανές να περιγράψουν τις επιφανειακές μετεωρολογικές συνθήκες σύμφωνα με την παραπάνω μέθοδο.

Εικόνα 1: Διάγραμμα ροής μεθοδολογίας)

Για τη 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. Περισσότερα από 20 σκηνικά παραλήφθηκαν (στα πλαίσια του προγράμματος AUTO-HAZARD PRO) κατά την διάρκεια των αντιπυρικών περιόδων 2002 και 2003 τα οποία καλύπτανε το νησί της Λέσβου. 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. 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. Από το ιστορικό των πυρκαγιών, δημιουργήθηκαν δείγματα εκπαίδευσης και επαλήθευσης των νευρωνικών δικτύων για κάθε δείκτη. Για τον υπολογισμό του Δείκτη Πιθανότητας Εμφάνισης Πυρκαγιάς (ΔΠΕΠ), δημιουργήθηκε ο πίνακας συγκρίσεων ο οποίος είχε δείκτη συνάφειας CI=0,0268 και λόγο συνάφειας CR=0,0462. Συνεπώς με το διάνυσμα των βαρών που προέκυψε, ο ΔΠΕΠ υπολογίζεται από τη σχέση: ΔΠΕΠ=0,1311*ΜΔΚ+0,2081*ΒΔΚ+0,6608*ΚΟΔΚ

ΣΥΜΠΕΡΑΣΜΑ

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). Πιο εύκολα προσεγγίστηκε η συνάρτηση του Μετεωρολογικού Δείκτη Κινδύνου, ενώ ο Κοινωνικο-Οικονομικός Δείκτης Κινδύνου είχε καλύτερα ποσοστά ταξινόμησης των πυρκαγιών του 2003 (Πίνακας 1).

πίνακας 1: Αποτελέσματα εκπαίδευσης και επαλήθευσης των νευρωνικών δικτύων )

Στην εικόνα 1 παρουσιάζεται ο ΔΠΕΠ για τις ημερομηνίες 23/6/2003 και 27/8/2003 όπου εκδηλώθηκαν 3 και 4 πυρκαγιές αντίστοιχα στο νησί της Λέσβου. Για τη δημιουργία των χαρτών χρησιμοποιήθηκαν οι πραγματικές καιρικές συνθήκες που επικρατούσαν τις συγκεκριμένες ημέρες. Όλες οι πυρκαγιές εμφανίστηκαν σε περιοχές όπου η πιθανότητα εμφάνισης ήταν μεγαλύτερη από 50% ενώ και ο συγκριτικός κίνδυνος σε σχέση με άλλες περιοχές ήταν πολύ μεγαλύτερος.

Εικόνα 2: ΔΠΕΠ στις ημερομηνίες 23/6/2003 και 27/8/2003

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.

Πηγή:Χρήστος Βασιλάκος, Κώστας Καλαμποκίδης, Ιωάννης Χατζόπουλος, Γεώργιος Κάλλος, Ιωάννης Ματσίνος, ‘’Τηλεπισκόπηση, Τεχνητή Νοημοσύνη και Γεωγραφικά Συστήματα Πληροφοριών στην εκτίμηση κινδύνου Πυρκαγιών’’, Πανεπιστήμιο Αιγαίου, Σχολή Περιβάλλοντος, Τμήμα Περιβάλλοντος, http://www.aegean.edu/environment/labs/Remote_sensing/publications/Hazard_full_v1.pdf, Τελευταία επίσκεψη 11/1/2010.