Από RemoteSensing Wiki

Αναθεώρηση της 01:12, 4 Ιανουαρίου 2026

Πρωτότυπος τίτλος: Mapping burned areas in Thailand using Sentinel‑2 imagery and OBIA techniques

Συγγραφείς: Chanida Suwanprasit & Shahnawaz

Λέξεις κλειδιά: Burned area mapping, Sentinel-2 imagery, Object-based image analysis (OBIA), Thailand

DOI: https://doi.org/10.1038/s41598-024-60512-w

Εισαγωγή

Η περιοχή Chiang Mai στη βόρεια Ταϊλάνδη εμφανίζει έντονη και επαναλαμβανόμενη ατμοσφαιρική ρύπανση από αιθαλομίχλη κατά την ξηρή περίοδο, κυρίως λόγω αγροτικών καύσεων και δασικών πυρκαγιών. Η καύση αγροτικών υπολειμμάτων αποτελεί ευρέως διαδεδομένη πρακτική σε πολλές χώρες της Νοτιοανατολικής Ασίας και συμβάλλει τόσο στη ρύπανση του αέρα όσο και στις εκπομπές αερίων του θερμοκηπίου.

Η χαρτογράφηση καμένων εκτάσεων μέσω τηλεπισκόπησης αποτελεί βασικό εργαλείο για την παρακολούθηση και ποσοτικοποίηση των παραπάνω φαινομένων. Τα δεδομένα που λαμβάνονται από Sentinel-2, λόγω της υψηλής χωρικής ανάλυσης και της συχνής επανάληψης, χρησιμοποιούνται για εφαρμογές ανίχνευσης καμένων περιοχών. Τα τελευταία χρόνια, η αντικειμενοστρεφής ανάλυση εικόνας - object based image analysis (OBIA) έχει αναδειχθεί ως αποτελεσματική προσέγγιση, καθώς μειώνει τα σφάλματα των μεθόδων που βασίζονται σε pixel και βελτιώνει τη χωρική συνοχή των αποτελεσμάτων.

Υλικά και Μέθοδοι

Τηλεπισκοπική ανίχνευση καμένων εκτάσεων

Η ανίχνευση καμένων εκτάσεων μέσω τηλεπισκόπησης βασίζεται στις φασματικές μεταβολές που προκαλούνται μετά από πυρκαγιά ή από καύση γης. Τα υπολείμματα άνθρακα (charcoal residue) και τέφρας (ash deposition), καθώς και διάφορα ίχνη καύσης στη βλάστηση (vegetation scars), μεταβάλλουν την απορροφόμενη και ανακλώμενη ακτινοβολία, δημιουργώντας χαρακτηριστικές φασματικές υπογραφές που μπορούν να αποτυπωθούν σε δορυφορικές εικόνες. Η απώλεια χλωροφύλλης και οι αλλοιώσεις της δομής της βλάστησης οδηγούν σε διαφοροποιήσεις κυρίως στο κόκκινο (Red) και στο εγγύς υπέρυθρο (NIR), διευκολύνοντας τη διάκριση καμένων από μη καμένες επιφάνειες. Επιπλέον, αναφέρονται ζώνες όπως SWIR και TIR ως χρήσιμες σε ειδικές περιπτώσεις (π.χ. ανίχνευση καπνού), ωστόσο η παρούσα εφαρμογή επικεντρώνεται πρωτίστως σε οπτικά δεδομένα.

Φασματικοί δείκτες για καμένες εκτάσεις

NDVI (Normalized Difference Vegetation Index)

Ο NDVI χρησιμοποιείται ευρέως για την αποτίμηση της κατάστασης της βλάστησης και τη διάκριση υγιούς βλάστησης από καμένες ή υποβαθμισμένες επιφάνειες. Η υγιής βλάστηση τείνει να εμφανίζει υψηλότερες τιμές NDVI (ισχυρή απορρόφηση στο Red και υψηλή ανάκλαση στο NIR), ενώ μετά από καύση παρατηρείται σημαντική πτώση των τιμών λόγω απώλειας χλωροφύλλης και κάλυψης. Για τον λόγο αυτό, ο δείκτης αξιοποιείται τόσο για χαρτογράφηση καμένων περιοχών όσο και για εκτίμηση καθώς και παρακολούθηση των αλλαγών μετά από πυρκαγιά.

NBR (Normalized burn ratio) και άλλοι δείκτες

Στην παρούσα δημοσίευση αναφέρεται ότι ο NBR (με χρήση NIR και SWIR) αποτελεί κλασική επιλογή για ανίχνευση και εκτίμηση έντασης καύσης, αλλά μπορεί να εμφανίζει περιορισμούς (π.χ. περίοδος ξηρασίας και έλλειψη πράσινης βλάστησης). Επιπλέον, δείκτες όπως SI (Simple Ratio Index) και NDMI (Normalized Difference Moisture Index) έχουν επιμέρους πλεονεκτήματα, ωστόσο στη συγκεκριμένη μελέτη υπογραμμίζεται το πλεονέκτημα του NDVI ως απλού και αποτελεσματικού δείκτη, με δυνατότητα χρήσης και για μακροχρόνια παρακολούθηση διάφορων μεταβολών στη βλάστηση.

Περιοχή μελέτης

Εικόνα 1:Σύνθεση πραγματικών χρωμάτων (true color composite) Sentinel-2 της περιοχής μελέτης, 27 Φεβρουαρίου 2018.

Η περιοχή μελέτης βρίσκεται στην επαρχία Chiang Mai στη βόρεια Ταϊλάνδη και καλύπτει συνολική έκταση περίπου 1766 km² (98.2388° E, 18.3981° N) όπως φαίνεται και στην Εικόνα 1. Σύμφωνα με έκθεση του εθνικού οργανισμού GISTDA για τις καμένες εκτάσεις στην Ταϊλάνδη (έτος 2017), η περιοχή Mae Chaem παρουσίασε τη μεγαλύτερη έκταση καμένων περιοχών από όλες τις επιμέρους περιοχές, περίπου 370 km². Τέλος, σημειώνεται ότι στο παρελθόν κυριαρχούσε η περιπλανώμενη καλλιέργεια (shifting cultivation), ενώ τα τελευταία χρόνια παρατηρείται μετάβαση σε συμβολαιακή γεωργία με εναλλαγή καλλιεργειών και μονοκαλλιέργειες.

Δεδομένα και μεθοδολογία

Δεδομένα Sentinel-2

Για την ανίχνευση καμένων εκτάσεων χρησιμοποιήθηκαν δορυφορικά δεδομένα Sentinel-2A. Συγκεκριμένα, αξιοποιήθηκε εικόνα προϊόντος Level-1C, η οποία αποκτήθηκε στις 27 Φεβρουαρίου 2018 μέσω του Sentinel Scientific Data Hub. Τα προϊόντα Level-1C είναι ραδιομετρικά και γεωμετρικά διορθωμένα στο επίπεδο κορυφής της ατμόσφαιρας (Top of Atmosphere – TOA).

Ο δορυφόρος Sentinel-2 είναι εξοπλισμένος με τον πολυφασματικό αισθητήρα MSI (MultiSpectral Instrument), ο οποίος καταγράφει δεδομένα σε πολλαπλές φασματικές ζώνες. Στη μελέτη χρησιμοποιήθηκαν κυρίως οι ζώνες του ορατού φάσματος (μπλε, πράσινο, κόκκινο) και του εγγύς υπερύθρου (NIR) όπως φαίνεται στον Πίνακα, με χωρική ανάλυση 10 m, γεγονός που επιτρέπει λεπτομερή χαρτογράφηση καμένων περιοχών.

Μεθοδολογικό πλαίσιο

Η μεθοδολογία ακολουθεί ένα δομημένο διάγραμμα ροής όπως φαίνεται στην Εικόνα 2, το οποίο περιλαμβάνει την προεπεξεργασία των δορυφορικών εικόνων, την τμηματοποίηση της εικόνας σε διακριτά αντικείμενα και την ταξινόμηση των επιφανειών με βάση κατώφλια του δείκτη NDVI και φασματικά χαρακτηριστικά. Τα αποτελέσματα επικυρώνονται με δεδομένα αναφοράς καμένων εκτάσεων από δορυφορικές εικόνες Landsat και πληροφορίες χρήσεων γης, διασφαλίζοντας την αξιοπιστία της ανάλυσης.

Εικόνα 2: Διάγραμμα ροής μεθοδολογίας.

Προεπεξεργασία δεδομένων

Στο στάδιο της προεπεξεργασίας, τα δεδομένα Sentinel-2 διορθώθηκαν στο επίπεδο κορυφής της ατμόσφαιρας (Top of Atmosphere – TOA) και γεωαναφέρθηκαν. Όλες οι φασματικές ζώνες με χωρική ανάλυση 10 m (μπλε, πράσινη, κόκκινη και εγγύς υπέρυθρη – NIR) συνδυάστηκαν σε ένα ενιαίο σύνολο δεδομένων για περαιτέρω επεξεργασία. Στη συνέχεια υπολογίστηκε ο δείκτης βλάστησης NDVI από τις ζώνες Red και NIR, με τιμές που κυμαίνονται από −1 έως +1.

Τμηματοποίηση εικόνας - Image segmentation

Η τμηματοποίηση εικόνας αποτελεί βασικό στάδιο της αντικειμενοστρεφούς ανάλυσης εικόνας (Object-Based Image Analysis – OBIA) και αποσκοπεί στον διαχωρισμό της δορυφορικής εικόνας σε ομοιογενή αντικείμενα, τα οποία αναπαριστούν καλύτερα τη δομή του τοπίου σε σύγκριση με την ανάλυση μεμονωμένων pixels. Στο πλαίσιο της παρούσας μελέτης εφαρμόστηκε η μέθοδος Multiresolution Segmentation (MRS), η οποία ομαδοποιεί γειτονικά pixels με βάση φασματικά και χωρικά χαρακτηριστικά. Τα παραγόμενα αντικείμενα χρησιμοποιήθηκαν στη συνέχεια στη διαδικασία ταξινόμησης, συμβάλλοντας στη βελτιωμένη αναγνώριση καμένων εκτάσεων. Στην Εικόνα 2 παρουσιάζεται το διάγραμμα ροής της μεθοδολογίας που ακολουθήθηκε για την τμηματοποίηση και ταξινόμηση των καμένων εκτάσεων με χρήση δεδομένων Sentinel-2 και αντικειμενοστρεφούς ανάλυσης εικόνας (OBIA).

Η ακρίβεια των χαρτών καμένων εκτάσεων αξιολογήθηκε με τη χρήση μεθόδου σημειακής αξιολόγησης ακρίβειας, βασισμένης σε δεδομένα καμένων εκτάσεων από τον εθνικό οργανισμό GISTDA. Τα δεδομένα αυτά προέρχονται από δορυφορικές εικόνες Landsat 8 και υποστηρίζονται από επιτόπιες παρατηρήσεις και ανάλυση θερμών σημείων πυρκαγιών. Οι χάρτες που προέκυψαν από τη μελέτη συγκρίθηκαν με τα δεδομένα του GISTDA για την εκτίμηση της ακρίβειάς τους.

Παρά τα πλεονεκτήματά του, το σύνολο δεδομένων του GISTDA παρουσιάζει περιορισμούς, καθώς περιλαμβάνει αποκλειστικά πληροφορία για καμένες περιοχές και δεν παρέχει αντίστοιχη καταγραφή μη καμένων εκτάσεων, γεγονός που δυσχεραίνει την πλήρη σημειακή αξιολόγηση ακρίβειας. Επιπλέον, επειδή δεν υπάρχουν στοιχεία για το πόσο σωστά αναγνωρίζονται οι μη καμένες περιοχές, δεν μπορούμε να είμαστε απόλυτα σίγουροι για την ακρίβεια των δεδομένων αναφοράς.

Αποτελέσματα και Συζήτηση