Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
(Νέα σελίδα με ''''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσο...')
 
(4 ενδιάμεσες αναθεωρήσεις δεν εμφανίζονται.)
Γραμμή 5: Γραμμή 5:
'''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto & Peter J. Weisberg
'''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto & Peter J. Weisberg
-
'''Δημοσιεύθηκε: '''  ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''
+
'''Δημοσιεύθηκε: '''  ''Remote Sensing in Ecology andConservation 2023;9 (6):729–742''
-
'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&Issue=10&Code=IJACSA&SerialNo=99]
+
'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://zslpublications.onlinelibrary.wiley.com/doi/epdf/10.1002/rse2.351]
Γραμμή 13: Γραμμή 13:
'''Σκοπός της εργασίας'''
'''Σκοπός της εργασίας'''
-
Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.
+
Η παρούσα εργασία έχει ως κύριο στόχο να αξιολογήσει τον ρόλο της τηλεπισκόπησης στην έρευνα της δρυογραμμής (treeline), δηλαδή της μεταβατικής ζώνης ανάμεσα στο κλειστό δάσος και την αλπική βλάστηση σε ορεινά οικοσυστήματα. Η έρευνα επικεντρώνεται στην ανάγκη να ξεπεραστεί η παραδοσιακή παρακολούθηση των μετακινήσεων της δρυογραμμής (treeline shifts) και να προωθηθεί μια πολυδιάστατη παρακολούθηση των δομικών αλλαγών στη ζώνη μετάβασης, ενσωματώνοντας διαφορετικές τεχνολογίες τηλεπισκόπησης και μεθοδολογικές προσεγγίσεις για την καλύτερη κατανόηση των περιβαλλοντικών επιδράσεων, ιδιαίτερα στο πλαίσιο της κλιματικής αλλαγής.
 +
Το άρθρο εντάσσεται στην ευρύτερη συζήτηση για το πώς η τηλεπισκόπηση μπορεί να ενσωματωθεί σε οικολογικά ερωτήματα που αφορούν τόσο τη θέση όσο και τη δομή των οικοτόνων, και πώς αυτές οι αλλαγές σχετίζονται με περιβαλλοντικούς παράγοντες όπως η θερμοκρασία, τα πρότυπα υγρασίας και οι ανθρωπογενείς επιδράσεις σε παγκόσμια κλίμακα.
-
'''Περιοχή μελέτης'''
 
-
Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.
 
-
[[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]
+
'''Περιοχή μελέτης'''
 +
Το άρθρο δεν περιορίζεται σε μία μοναδική γεωγραφική περιοχή, αλλά αποτελεί παγκόσμια ανασκόπηση μελέτης τηλεπισκόπησης της δρυογραμμής (treeline ecology), εξετάζοντας δεδομένα και επιστημονικές εργασίες από ορεινά οικοσυστήματα σε ολόκληρο τον κόσμο. Οι εφαρμογές που περιλαμβάνονται αφορούν τόσο άλπεις όσο και αρκετές τροπικές και αρκτικές ορεινές περιοχές, όπου οι μεταβολές στη θέση του ορίου των δέντρων και στη δομή τους έχουν τεκμηριωθεί με διαφορετικές μεθοδολογίες παρατήρησης.
-
'''Μεθοδολογία'''
+
Τα δεδομένα στις μελετώμενες δημοσιεύσεις περιλαμβάνουν:
-
Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:
+
- αεροφωτογραφίες υψηλής ανάλυσης για ιστορική ανάλυση και φωτοερμηνεία,
-
Στάδιο 1ο : Συλλογή δεδομένων
+
- δορυφορικές εικόνες μέσης και υψηλής ανάλυσης (π.χ. Landsat, Sentinel) για ανίχνευση «greenness» και αλλαγών κάλυψης,
-
Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.
+
- εικόνες από UAV και LiDAR για λεπτομερείς μετρήσεις δομής βλάστησης σε μικρότερες κλίμακες,
-
Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.
+
και συνδυασμούς συνόλων δεδομένων για πολυδιαστατική ανάλυση.
-
[[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]
+
Η χρήση τέτοιων δυναμικών συνόλων δεδομένων επιτρέπει την εκτίμηση της χωρικής και χρονικής μεταβλητότητας της δρυογραμμής, καθώς και τη σύνδεση των αλλαγών αυτών με παράγοντες όπως η κλιματική μεταβολή.
-
Στάδιο 2ο : Αξιολόγηση μοντέλου
+
[[Αρχείο:Christakou5_1.png|200px|thumb|right|'''Εικόνα 1''': Πλαίσιο συστηματικής ανασκόπησης και μετα-ανάλυσης: τα γκρι πλαίσια αντιστοιχούν στα στάδια επιλογής της βιβλιογραφίας, ενώ τα κίτρινα πλαίσια απεικονίζουν τις στατιστικές αναλύσεις που εφαρμόστηκαν.]]
-
Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.
 
-
Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:
 
-
1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.
+
'''Μεθοδολογία'''
-
[[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]
+
Η μελέτη είναι κυρίως μετα-ανάλυση και ανασκόπηση (review + meta-analysis) των δημοσιευμένων εργασιών που αξιοποιούν τηλεπισκόπηση για την έρευνα δρυογραμμής. Η μεθοδολογία περιλαμβάνει ποσοτική και ποιοτική αποτίμηση των τηλεπισκοπικών τεχνικών, με σκοπό να συσχετίσει τις μεθόδους αυτές με βασικούς οικολογικούς δείκτες και να αναδείξει τα κενά στη βιβλιογραφία.
-
2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.
+
Η διαδικασία ανασκόπησης περιλαμβάνει τα εξής τεχνικά βήματα:
-
[[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]
+
- Συλλογή δεδομένων από βάσεις όπως Scopus και Web of Science, με λέξεις-κλειδιά που αφορούν remote sensing, treeline, ecotone και climate change.
-
3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)
+
- Καταγραφή και κατηγοριοποίηση των μελετών ανάλογα με τον τύπο τηλεπισκοπικών δεδομένων που χρησιμοποιούν (π.χ. χρονοσειρές δορυφορικών εικόνων, UAV, LiDAR), την κλίμακα ανάλυσης και τον χρόνο παρατήρησης.
-
όπου:
+
-
- L είναι το μήκος της κλίσης
+
- Co-occurrence mapping για τη διερεύνηση της σχέσης μεταξύ τεχνικών τηλεπισκόπησης και οικολογικών μετρικών, όπως η θέση του treeline, η πυκνότητα δέντρων και η δομή της βλάστησης.
-
- S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό)
+
- Πολυμεταβλητές στατιστικές αναλύσεις για να προσδιοριστεί πόσο καλά οι διαφορετικές τηλεπισκοπικές μέθοδοι συσχετίζονται με οικολογικούς δείκτες και για να εντοπιστούν προτεραιότητες και κενά στην επιστημονική έρευνα.
-
- m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.
+
- Σύγκριση χωρικών αναλύσεων (spatial resolution) και χρονικών επεκτάσεων (temporal extent) μεταξύ παραδοσιακών μελετών και εφαρμογών τηλεπισκόπησης.
-
[[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]
+
Η μεθοδολογία αυτή δεν περιλαμβάνει πρωτογενή συλλογή δορυφορικών εικόνων από τους ίδιους τους συγγραφείς· αντιθέτως, αξιοποιεί τη μεταδεδομένη γνώση για να αναλύσει πώς οι διαθέσιμες τεχνικές έχουν εφαρμοστεί και τι αποτελέσματα έχουν αποδώσει.
 +
[[Αρχείο:Christakou5_2.png|200px|thumb|right|'''Εικόνα 2''': Γεωγραφική κατανομή των δημοσιευμένων μελετών δρυογραμμής, συμπεριλαμβανομένων των δρυογραμμών γεωγραφικού πλάτους (latitudinal treelines, μαύρες τελείες) και υψομετρικών δρυογραμμών (elevational treelines, μαύρα τρίγωνα), σε υπέρθεση με τις ορεινές περιοχές του πλανήτη, όπως χαρτογραφούνται στο GMBA Mountain Inventory v.2 (Snethlage et al., 2022).]]
-
Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)
 
-
1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.
 
-
2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας.
+
'''Αποτελέσματα'''
 +
Η ανάλυση της βιβλιογραφίας καταδεικνύει ότι, παρά τη μακρά ιστορία εφαρμογών της τηλεπισκόπησης στη μελέτη της δρυογραμμής, μόνο περίπου 10 % των μελετών οικολογίας δρυογραμμής χρησιμοποιούν τηλεπισκοπικά εργαλεία, και τα περισσότερα από αυτά συνδέονται με την έννοια της κλιματικής αλλαγής.
-
Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC
+
Οι μελέτες που περιλαμβάνουν παρακολούθηση της δρυογραμμής έχουν διαφορετικά χαρακτηριστικά χωρικής και χρονικής ανάλυσης:
-
Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.
+
- Οι παραδοσιακές μελέτες χρησιμοποιούν αλόγιστη φωτοερμηνεία αεροφωτογραφιών με πολλή μεγάλη χρονική διάρκεια αλλά χαμηλή χωρική λεπτομέρεια, καλύπτοντας συχνά δεκαετίες αλλαγών σε ευρείες περιοχές.
 +
- Οι μελέτες με δορυφορικές εικόνες χρησιμοποιούν δείκτες βλάστησης (όπως greenness από NDVI) και ταξινόμηση pixel-based για να ποσοτικοποιήσουν τις αλλαγές στη θέση της δρυογραμμής, παρέχοντας επαναλαμβανόμενες χρονοσειρές με σταθερή επαναληψιμότητα.
-
Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας
+
- Οι UAV και LiDAR προσεγγίσεις είναι πιο πρόσφατες και επιτρέπουν την εκχύλιση δεικτών σε επίπεδο δέντρου, όπως ύψος, πυκνότητα και δομή κόμης, γεφυρώνοντας το κενό ανάμεσα σε τοπικές μετρήσεις πεδίου και δορυφορικές παρατηρήσεις.
-
Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.
+
Παράλληλα, στο επίπεδο των μεθοδολογικών τάσεων, μόνο περίπου 19 % των εργασιών εφαρμόζουν πολυ-αισθητήριες και πολυκλιμακικές προσεγγίσεις (multi-sensor, multi-scale approaches), οι οποίες θεωρούνται πιο κατάλληλες για την αποκωδικοποίηση της πολυδιάστατης δομής της δρυογραμμής και της αντίδρασής της σε περιβαλλοντικούς παράγοντες.
-
[[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]
+
Από την εξέταση των μελετών προκύπτει επίσης ότι η ενσωμάτωση πληροφοριών από διαφορετικές πλατφόρμες και αισθητήρες αυξάνει την ικανότητα εντοπισμού αλλαγών που δεν είναι εμφανείς με μεθόδους μιας μόνο πηγής δεδομένων.
 +
[[Αρχείο:Christakou5_3.png|200px|thumb|right|'''Εικόνα 3''': Συχνότητα μελετών δρυογραμμής (αριθμός δημοσιεύσεων) που υιοθετούν διαφορετικές προσεγγίσεις τηλεπισκόπησης (Remote Sensing – RS) κατά την περίοδο 1990–2021. Οι εναέριες και επίγειες προσεγγίσεις σαρωτών λέιζερ ομαδοποιήθηκαν σε μία ενιαία κατηγορία (LiDAR). Μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο έτος 1990, ενώ το πρώτο εξάμηνο του 2022 συγχωνεύθηκε στο 2021.]]
 +
[[Αρχείο:Christakou5_4.png|200px|thumb|right|'''Εικόνα 4''': Πηγές τηλεπισκοπικών δεδομένων, εργαλεία και προσεγγίσεις ταξινόμησης, παρουσιασμένα ως ποσοστό επί του συνόλου των δημοσιεύσεων για καθεμία από τις τέσσερις ομάδες (clusters) που προέκυψαν από την ανάλυση συστάδων (cluster analysis). Η χρονική ανάλυση (ResTe – Temporal Resolution) και η χρονική έκταση (ExtTe – Temporal Extent) παρουσιάζονται ως ο μέσος αριθμός χρονικών βημάτων και ετών, αντίστοιχα.]]
-
'''Αποτελέσματα'''
+
[[Αρχείο:Christakou5_5.png|200px|thumb|right|'''Εικόνα 5''': Χρονική εξέλιξη της συχνότητας δημοσιεύσεων για τη δρυογραμμή που χρησιμοποιούν τηλεπισκόπηση, κανονικοποιημένη ως προς το σύνολο των μελετών δρυογραμμής που δημοσιεύθηκαν το ίδιο έτος. Οι μελέτες ομαδοποιήθηκαν βάσει της ανάλυσης συστάδων (cluster analysis) που πραγματοποιήθηκε σε πίνακα τηλεπισκοπικών χαρακτηριστικών. Οι μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο 1990, ενώ οι πρώτοι τρεις μήνες του 2022 συγχωνεύθηκαν στο 2021.]]
-
Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.
 
-
Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου.
 
-
[[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]
+
'''Συμπεράσματα'''
 +
Η εργασία καταλήγει ότι η τηλεπισκόπηση είναι ένα πολύτιμο εργαλείο για την παρακολούθηση των δρυογραμμικών αλλαγών, αλλά η χρήση της στην οικολογική έρευνα παραμένει σχετικά περιορισμένη. Η συνδυαστική χρήση πολλαπλών αισθητήρων, πολυκλιμακικών δεδομένων και μεθοδολογιών αυξάνει σημαντικά την ικανότητα ανίχνευσης και ερμηνείας των δομικών και λειτουργικών αλλαγών στην δρυογραμμή ως απόκριση στην κλιματική αλλαγή και άλλους περιβαλλοντικούς παράγοντες.
-
 
+
Οι συγγραφείς προτείνουν ότι η ενσωμάτωση τηλεπισκόπησης με δεδομένα πεδίου, μοντέλα κλίματος και οικολογικές μετρήσεις θα ενισχύσει την ικανότητα μοντελοποίησης και πρόβλεψης, επιτρέποντας πιο ολοκληρωμένη και πολυδιάστατη κατανόηση των μεταβολών της δρυογραμμής σε διάφορες κλίμακες και περιβάλλοντα.
-
'''Συμπεράσματα'''
+
-
 
+
-
Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.
+

Παρούσα αναθεώρηση της 16:50, 2 Φεβρουαρίου 2026

Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης

Πρωτότυπος τίτλος: Treeline remote sensing: from tracking treeline shifts to multi-dimensional monitoring of ecotonal change

Συγγραφείς: Matteo Garbarino, Donato Morresi, Nicolo Anselmetto & Peter J. Weisberg

Δημοσιεύθηκε: Remote Sensing in Ecology andConservation 2023;9 (6):729–742

Σύνδεσμος πρωτότυπου κειμένου: [1]


Σκοπός της εργασίας

Η παρούσα εργασία έχει ως κύριο στόχο να αξιολογήσει τον ρόλο της τηλεπισκόπησης στην έρευνα της δρυογραμμής (treeline), δηλαδή της μεταβατικής ζώνης ανάμεσα στο κλειστό δάσος και την αλπική βλάστηση σε ορεινά οικοσυστήματα. Η έρευνα επικεντρώνεται στην ανάγκη να ξεπεραστεί η παραδοσιακή παρακολούθηση των μετακινήσεων της δρυογραμμής (treeline shifts) και να προωθηθεί μια πολυδιάστατη παρακολούθηση των δομικών αλλαγών στη ζώνη μετάβασης, ενσωματώνοντας διαφορετικές τεχνολογίες τηλεπισκόπησης και μεθοδολογικές προσεγγίσεις για την καλύτερη κατανόηση των περιβαλλοντικών επιδράσεων, ιδιαίτερα στο πλαίσιο της κλιματικής αλλαγής.

Το άρθρο εντάσσεται στην ευρύτερη συζήτηση για το πώς η τηλεπισκόπηση μπορεί να ενσωματωθεί σε οικολογικά ερωτήματα που αφορούν τόσο τη θέση όσο και τη δομή των οικοτόνων, και πώς αυτές οι αλλαγές σχετίζονται με περιβαλλοντικούς παράγοντες όπως η θερμοκρασία, τα πρότυπα υγρασίας και οι ανθρωπογενείς επιδράσεις σε παγκόσμια κλίμακα.


Περιοχή μελέτης

Το άρθρο δεν περιορίζεται σε μία μοναδική γεωγραφική περιοχή, αλλά αποτελεί παγκόσμια ανασκόπηση μελέτης τηλεπισκόπησης της δρυογραμμής (treeline ecology), εξετάζοντας δεδομένα και επιστημονικές εργασίες από ορεινά οικοσυστήματα σε ολόκληρο τον κόσμο. Οι εφαρμογές που περιλαμβάνονται αφορούν τόσο άλπεις όσο και αρκετές τροπικές και αρκτικές ορεινές περιοχές, όπου οι μεταβολές στη θέση του ορίου των δέντρων και στη δομή τους έχουν τεκμηριωθεί με διαφορετικές μεθοδολογίες παρατήρησης.

Τα δεδομένα στις μελετώμενες δημοσιεύσεις περιλαμβάνουν:

- αεροφωτογραφίες υψηλής ανάλυσης για ιστορική ανάλυση και φωτοερμηνεία,

- δορυφορικές εικόνες μέσης και υψηλής ανάλυσης (π.χ. Landsat, Sentinel) για ανίχνευση «greenness» και αλλαγών κάλυψης,

- εικόνες από UAV και LiDAR για λεπτομερείς μετρήσεις δομής βλάστησης σε μικρότερες κλίμακες, και συνδυασμούς συνόλων δεδομένων για πολυδιαστατική ανάλυση.

Η χρήση τέτοιων δυναμικών συνόλων δεδομένων επιτρέπει την εκτίμηση της χωρικής και χρονικής μεταβλητότητας της δρυογραμμής, καθώς και τη σύνδεση των αλλαγών αυτών με παράγοντες όπως η κλιματική μεταβολή.

Εικόνα 1: Πλαίσιο συστηματικής ανασκόπησης και μετα-ανάλυσης: τα γκρι πλαίσια αντιστοιχούν στα στάδια επιλογής της βιβλιογραφίας, ενώ τα κίτρινα πλαίσια απεικονίζουν τις στατιστικές αναλύσεις που εφαρμόστηκαν.


Μεθοδολογία

Η μελέτη είναι κυρίως μετα-ανάλυση και ανασκόπηση (review + meta-analysis) των δημοσιευμένων εργασιών που αξιοποιούν τηλεπισκόπηση για την έρευνα δρυογραμμής. Η μεθοδολογία περιλαμβάνει ποσοτική και ποιοτική αποτίμηση των τηλεπισκοπικών τεχνικών, με σκοπό να συσχετίσει τις μεθόδους αυτές με βασικούς οικολογικούς δείκτες και να αναδείξει τα κενά στη βιβλιογραφία.

Η διαδικασία ανασκόπησης περιλαμβάνει τα εξής τεχνικά βήματα:

- Συλλογή δεδομένων από βάσεις όπως Scopus και Web of Science, με λέξεις-κλειδιά που αφορούν remote sensing, treeline, ecotone και climate change.

- Καταγραφή και κατηγοριοποίηση των μελετών ανάλογα με τον τύπο τηλεπισκοπικών δεδομένων που χρησιμοποιούν (π.χ. χρονοσειρές δορυφορικών εικόνων, UAV, LiDAR), την κλίμακα ανάλυσης και τον χρόνο παρατήρησης.

- Co-occurrence mapping για τη διερεύνηση της σχέσης μεταξύ τεχνικών τηλεπισκόπησης και οικολογικών μετρικών, όπως η θέση του treeline, η πυκνότητα δέντρων και η δομή της βλάστησης.

- Πολυμεταβλητές στατιστικές αναλύσεις για να προσδιοριστεί πόσο καλά οι διαφορετικές τηλεπισκοπικές μέθοδοι συσχετίζονται με οικολογικούς δείκτες και για να εντοπιστούν προτεραιότητες και κενά στην επιστημονική έρευνα.

- Σύγκριση χωρικών αναλύσεων (spatial resolution) και χρονικών επεκτάσεων (temporal extent) μεταξύ παραδοσιακών μελετών και εφαρμογών τηλεπισκόπησης.

Η μεθοδολογία αυτή δεν περιλαμβάνει πρωτογενή συλλογή δορυφορικών εικόνων από τους ίδιους τους συγγραφείς· αντιθέτως, αξιοποιεί τη μεταδεδομένη γνώση για να αναλύσει πώς οι διαθέσιμες τεχνικές έχουν εφαρμοστεί και τι αποτελέσματα έχουν αποδώσει.

Εικόνα 2: Γεωγραφική κατανομή των δημοσιευμένων μελετών δρυογραμμής, συμπεριλαμβανομένων των δρυογραμμών γεωγραφικού πλάτους (latitudinal treelines, μαύρες τελείες) και υψομετρικών δρυογραμμών (elevational treelines, μαύρα τρίγωνα), σε υπέρθεση με τις ορεινές περιοχές του πλανήτη, όπως χαρτογραφούνται στο GMBA Mountain Inventory v.2 (Snethlage et al., 2022).


Αποτελέσματα

Η ανάλυση της βιβλιογραφίας καταδεικνύει ότι, παρά τη μακρά ιστορία εφαρμογών της τηλεπισκόπησης στη μελέτη της δρυογραμμής, μόνο περίπου 10 % των μελετών οικολογίας δρυογραμμής χρησιμοποιούν τηλεπισκοπικά εργαλεία, και τα περισσότερα από αυτά συνδέονται με την έννοια της κλιματικής αλλαγής.

Οι μελέτες που περιλαμβάνουν παρακολούθηση της δρυογραμμής έχουν διαφορετικά χαρακτηριστικά χωρικής και χρονικής ανάλυσης:

- Οι παραδοσιακές μελέτες χρησιμοποιούν αλόγιστη φωτοερμηνεία αεροφωτογραφιών με πολλή μεγάλη χρονική διάρκεια αλλά χαμηλή χωρική λεπτομέρεια, καλύπτοντας συχνά δεκαετίες αλλαγών σε ευρείες περιοχές.

- Οι μελέτες με δορυφορικές εικόνες χρησιμοποιούν δείκτες βλάστησης (όπως greenness από NDVI) και ταξινόμηση pixel-based για να ποσοτικοποιήσουν τις αλλαγές στη θέση της δρυογραμμής, παρέχοντας επαναλαμβανόμενες χρονοσειρές με σταθερή επαναληψιμότητα.

- Οι UAV και LiDAR προσεγγίσεις είναι πιο πρόσφατες και επιτρέπουν την εκχύλιση δεικτών σε επίπεδο δέντρου, όπως ύψος, πυκνότητα και δομή κόμης, γεφυρώνοντας το κενό ανάμεσα σε τοπικές μετρήσεις πεδίου και δορυφορικές παρατηρήσεις.

Παράλληλα, στο επίπεδο των μεθοδολογικών τάσεων, μόνο περίπου 19 % των εργασιών εφαρμόζουν πολυ-αισθητήριες και πολυκλιμακικές προσεγγίσεις (multi-sensor, multi-scale approaches), οι οποίες θεωρούνται πιο κατάλληλες για την αποκωδικοποίηση της πολυδιάστατης δομής της δρυογραμμής και της αντίδρασής της σε περιβαλλοντικούς παράγοντες.

Από την εξέταση των μελετών προκύπτει επίσης ότι η ενσωμάτωση πληροφοριών από διαφορετικές πλατφόρμες και αισθητήρες αυξάνει την ικανότητα εντοπισμού αλλαγών που δεν είναι εμφανείς με μεθόδους μιας μόνο πηγής δεδομένων.

Εικόνα 3: Συχνότητα μελετών δρυογραμμής (αριθμός δημοσιεύσεων) που υιοθετούν διαφορετικές προσεγγίσεις τηλεπισκόπησης (Remote Sensing – RS) κατά την περίοδο 1990–2021. Οι εναέριες και επίγειες προσεγγίσεις σαρωτών λέιζερ ομαδοποιήθηκαν σε μία ενιαία κατηγορία (LiDAR). Μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο έτος 1990, ενώ το πρώτο εξάμηνο του 2022 συγχωνεύθηκε στο 2021.
Εικόνα 4: Πηγές τηλεπισκοπικών δεδομένων, εργαλεία και προσεγγίσεις ταξινόμησης, παρουσιασμένα ως ποσοστό επί του συνόλου των δημοσιεύσεων για καθεμία από τις τέσσερις ομάδες (clusters) που προέκυψαν από την ανάλυση συστάδων (cluster analysis). Η χρονική ανάλυση (ResTe – Temporal Resolution) και η χρονική έκταση (ExtTe – Temporal Extent) παρουσιάζονται ως ο μέσος αριθμός χρονικών βημάτων και ετών, αντίστοιχα.
Εικόνα 5: Χρονική εξέλιξη της συχνότητας δημοσιεύσεων για τη δρυογραμμή που χρησιμοποιούν τηλεπισκόπηση, κανονικοποιημένη ως προς το σύνολο των μελετών δρυογραμμής που δημοσιεύθηκαν το ίδιο έτος. Οι μελέτες ομαδοποιήθηκαν βάσει της ανάλυσης συστάδων (cluster analysis) που πραγματοποιήθηκε σε πίνακα τηλεπισκοπικών χαρακτηριστικών. Οι μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο 1990, ενώ οι πρώτοι τρεις μήνες του 2022 συγχωνεύθηκαν στο 2021.


Συμπεράσματα

Η εργασία καταλήγει ότι η τηλεπισκόπηση είναι ένα πολύτιμο εργαλείο για την παρακολούθηση των δρυογραμμικών αλλαγών, αλλά η χρήση της στην οικολογική έρευνα παραμένει σχετικά περιορισμένη. Η συνδυαστική χρήση πολλαπλών αισθητήρων, πολυκλιμακικών δεδομένων και μεθοδολογιών αυξάνει σημαντικά την ικανότητα ανίχνευσης και ερμηνείας των δομικών και λειτουργικών αλλαγών στην δρυογραμμή ως απόκριση στην κλιματική αλλαγή και άλλους περιβαλλοντικούς παράγοντες.

Οι συγγραφείς προτείνουν ότι η ενσωμάτωση τηλεπισκόπησης με δεδομένα πεδίου, μοντέλα κλίματος και οικολογικές μετρήσεις θα ενισχύσει την ικανότητα μοντελοποίησης και πρόβλεψης, επιτρέποντας πιο ολοκληρωμένη και πολυδιάστατη κατανόηση των μεταβολών της δρυογραμμής σε διάφορες κλίμακες και περιβάλλοντα.

Ανακτήθηκε από το "http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AE_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B4%CF%81%CF%85%CE%BF%CE%B3%CF%81%CE%B1%CE%BC%CE%BC%CE%AE%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%BF_%CF%8C%CF%81%CE%B9%CE%BF_%CE%B4%CE%AC%CF%83%CE%BF%CF%85%CF%82%E2%80%93%CE%B1%CE%BB%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B6%CF%8E%CE%BD%CE%B7%CF%82".
Προσωπικά εργαλεία