RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Χωροχρονική εξέλιξη παραμόρφωσης του ρήγματος Ρίου – Πάτρας μέσω interferometry radar συνθετικού ανοίγματος μεταξύ 1993 - 2017

2020-02-25T17:05:54Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Spatio-temporal evolution of the deformation around the Rio-Patras fault (Greece) observed by synthetic aperture radar interferometry from 1993 to 2017

'''Συγγραφείς:''' Alexandros Papadopoulos, Issaak Parcharidis, Panagiotis Elias, Pierre Briole

'''Πηγή:''' International journal of remote sensing 2019, vol. 40, no. 16, 6365–6382 [https://www.tandfonline.com/doi/full/10.1080/01431161.2019.1591646]

==Αντικείμενο==

Ο κύριος στόχος της παρούσας εργασίας είναι η εκτίμηση του σεισμικού κινδύνου κοντά στην πόλη της Πάτρας και για αυτό τον λόγο έγινε ανάλυση της παραμόρφωσης εδάφους δια μέσου δύο οικοδομικών τετραγώνων που ορίζονται από το ρήγμα μεταξύ Ρίου και Πάτρας στο χρονικό διάστημα 1993 και 2017, με την χρήση πολύ-χρονικών τεχνικών radar interferometry συνθετικού ανοίγματος ( InSAR ). Χρησιμοποιήθηκαν πολλές βάσεις δεδομένων, όπου η κάθε μια κάλυπτε διαφορετικές χρονικές περιόδους, φθίνοντα και αύξοντα αποκτήματα που παρέχουν διαφορετικές γεωμετρικές προβολές συνεισφέρουν για τον πλήρη καθορισμό της εδαφικής μετατόπισης σε 3D.

[[Εικόνα:Eikona 5.1.PNG|thumb|center|350px|Εικόνα 1. Η περιοχή έρευνας σε εικόνα Sentinel-2A επιπέδου 1, προσβάσιμη από την ηλεκτρονική πύλη του USGS Earth Explorer, με τα ρήγματα να έχουν επανασχεδιαστεί ]]

==Μεθοδολογία==

Οι τωρινές γεωλογικές και γεωφυσικές γνώσεις υποδεικνύουν τουλάχιστον δύο μεγάλες τεκτονικές δομές κοντά στην περιοχή της Πάτρας, ικανές να παράγουν σεισμούς πολύ μεγάλου μεγέθους ( άνω των 6 Ρίχτερ ): το ρήγμα του Ψαθοπύργου ( PF ) που βρίσκεται 10 χιλιόμετρα βορειανατολικά της Πάτρας και το ρήγμα του Ρίου – Πατρών ( RPF ) που βρίσκεται κάτω από την πόλη. Στην παρούσα εργασία, παράγονται και αναλύονται δείγματα μετρήσεων παρεμβολής κυμάτων της περιόδου 1993 – 2017 από δεδομένα που λήφθηκαν από 4 επιτυχημένες διαστημικές αποστολές που χρησιμοποίησαν ραντάρ συνθετικού ανοίγματος ( SAR ): European Remote Sensing ( ERS ), Environmental Satellite ( ENVISAT ), TerraSAR-X και SENTINEL-1. Οι στόχοι ήταν, αρχικά, να παραχθεί με συναφή προσέγγιση λογισμικού μια βάση δεδομένων από ταχύτητες line of sight ( LOS ) για τις 4 αποστολές και, δεύτερον, να αναλυθεί η χωρο-χρονική εξέλιξη των ταχυτήτων κατά την περίοδο δειγματοληψίας 1993 – 2017 και η αναζήτηση για τυχόν χρονικές αλλαγές.

Χρησιμοποιήθηκαν εικόνες SAR από 4 αποστολές: οι ESA C-Band αποστολές ERS, ENVISAT, SENTINEL και η DLR X-band αποστολή TerraSAR-X. Για την πρόσβαση στις εικόνες ERS και ENVISAT, χρησιμοποιήθηκε ο κατάλογος ESA από προϊόντα δεδομένων Earth Observation και την διαδραστική πλατφόρμα Earth Observation Link – Stand Alone (EOLiSA). Τα δεδομένα του Copernicus SENTINEL-1 ανακτήθηκαν από το Alaska Satellite Facility (ASF). Οι εικόνες TerraSAR-X προμηθεύτηκαν από το DLR, με χρήση του συστήματος EOWEB. Για τις 4 αποστολές, χρησιμοποιήθηκαν προϊόντα Single Look Complex επιπέδου 1 και Single Look Slant range Complex. Οι εικόνες 2 και 3 παρέχουν λεπτομέρειες για τα αποκτήματα που χρησιμοποιήθηκαν.

[[Εικόνα:Eikona 5.2.PNG|thumb|center|350px|Εικόνα 2. Χαρακτηριστικά των εικόνων που χρησιμοποιήθηκαν στην εργασία]]

[[Εικόνα:Eikona 5.3.PNG|thumb|center|350px|Εικόνα 3. Αποστολές δορυφόρων, διάρκεια ζωής και τύπος band. Τα κίτρινα κουτιά υποδεικνύουν την χρονική περίοδο των δεδομένων που αναλύθηκαν ]]

Ακριβή διανύσματα σε κατάσταση τροχιάς αποκτήθηκαν για τον υπολογισμό για τις βασικές γραμμές μετρήσεων παρεμβολής κυμάτων των 2 παλαιότερων δορυφόρων. Για την παραγωγή των διαγραμμάτων παρεμβολής κυμάτων χρησιμοποιήθηκε μοντέλο ψηφιακής ανύψωσης ( DEM ) μεγέθους κελιού 5 x 5 μέτρων, παραγόμενο από το Ελληνικό Κτηματολόγιο με εναέρια φωτογραμμετρία. Το αυθεντικό DEM εκδόθηκε σε εγκάρσια προβολή Mercator Datum τύπου GGCS87. Για να είναι χρησιμοποιήσιμο από λογισμικό μετρήσεων παρεμβολής κυμάτων Gamma, μετατράπηκε σε προβολή Universal Transverse Mercator (UTM), ζώνης 34.

Με την χρήση μεγάλης ποσότητας εικόνων SAR από την ίδια περιοχή, η χρονική σειρά μεγάλων παραμορφώσεων μπορεί να αναλυθεί χρησιμοποιώντας τεχνικές διαφορικής πολυχρονικής SAR interferometry, που ξεπερνά αρκετούς περιορισμούς επαναληπτικής μέτρησης παρεμβολής κυμάτων. Αυτές οι συναφείς μέθοδοι εκμεταλλεύονται είτε μόνιμους συναφείς επίμονους διασκορπιστές ( PSs ) ή προσωρινούς συναφείς διαδεδομένους διασκορπιστές ( DSs ). Οι μέθοδοι PS που έχουν αναπτυχθεί περιέχουν το Persistent or Permanent Scatterer Interferometry ( PSI ). Το PSI παρέχει μια παραμετρική εκτίμηση της τοποθεσίας και ταχύτητας 3D κάθε PS, συνδέοντας το με δορυφόρο. Οι μέθοδοι DS περιλαμβάνουν αλγορίθμους όπως τον SBAS. Ένα αντικείμενο DS ανακλά μικρότερη ενέργεια ραντάρ σε σύγκριση με το PS και συνήθως καλύπτει αρκετά εικονοστοιχεία σε εικόνες SAR υψηλής ανάλυσης. Αυτά τα εικονοστοιχεία εκθέτουν παρόμοιες ιδιότητες διασκόρπισης και μπορούν να χρησιμοποιηθούν μαζί για εκτίμηση παραμόρφωσης. Το SBAS εκτιμά την χρονική σειρά παραμορφώσεων ακόμα και σε αγροτικές περιοχές, όπου η πυκνότητα των PS είναι χαμηλή. Με την άφιξη των αισθητήρων SAR στους δορυφόρους, επετεύχθη καλύτερη επίδοση στην χωρική και χρονική ανάλυση, το οποίο δικαιολογεί την σημασία των δεδομένων SAR στις εφαρμογές διαστημικής γεωδαισίας. Για την πολυχρονική ανάλυση, χρησιμοποιήθηκαν προσεγγίσεις Singular Value Decomposition ( SVD ) και Interferometric PointTarget Analysis ( IPTA ). Η βασική θεωρία του IPTA είναι παρόμοια με του PSI, εφαρμόζεται σε δεδομένα πλήρης ανάλυσης και βασίζονται στην μέτρηση της παραμόρφωσης σε χωρικό πλέγμα σε υποψήφιους εύρους μόνιμου διασκορπιστή.

Όλα τα διαγράμματα παρεμβολής κυμάτων παρήχθησαν μέσω λογισμικού τηλεπισκόπησης GAMMA και μετεπεξεργάστηκαν μέσω του ArcGIS. Η μέση κάθετη γραμμή βάσης ανά βάση δεδομένων αναλυόμενη μέσω IPTA, όπως φαίνεται στην εικόνα 4, είναι α) -23.379 μέτρα για 24 ζεύγη, β) 12.683 μέτρα για 20 ζεύγη, γ) -25.208 μέτρα για 33 ζεύγη, δ) 53.347 μέτρα για 27 ζεύγη, ε) -26.617 μέτρα για 31 ζεύγη. Για την μέγιστη διαφορά αριθμού εικόνων μεταξύ περασμάτων των τριών, η εικόνα 5 απεικονίζει 132 ζεύγη μέσης κάθετης γραμμής βάσης 59.095 μέτρων για φθίνων και 81 ζεύγη μέσης κάθετης γραμμής βάσης 46.136 μέτρων για αύξων.

[[Εικόνα:Eikona 5.4.PNG|thumb|center|350px|Εικόνα 4. Ημερομηνίες απόκτησης σε σχέση με τις γραμμές βάσης των διαγραμμάτων για το IPTA a) ERS φθίνων, b) ERS αύξων, c) Envisat φθίνων, d) Envisat αύξων, e) TerraSAR-X αύξων ]]

[[Εικόνα:Eikona 5.5.PNG|thumb|center|350px|Εικόνα 5. Ημερομηνίες απόκτησης σε σχέση με τις γραμμής βάσεις των διαγραμμάτων για το SVD a) Sentinel-1 φθίνων, b) Sentinel-1 αύξων ]]

==Αποτελέσματα==

Τα αποτελέσματα απεικονίζονται σε χάρτες, με τον καθένα να περιέχει πληροφορίες περί του LOS του συγκεκριμένου δορυφόρου είτε σε αύξουσε είτε σε φθίνουσες τροχιές. Το σημείο αναφοράς είναι το ίδιο για όλες τις αναλυμένες βάσεις δεδομένων, ο μόνιμος σταθμός GNSS EUREF του Πανεπιστημίου Πατρών, ώστε να χρησιμοποιηθεί ύστερα σε μετρήσεις GNSS.

ERS φθίνοντα διαγράμματα ( 1993 – 2000 )

Το τετράγωνο στα βόρεια του ρήγματος Ρίου – Πατρών είναι ελαφρώς απομακρυσμένο από τον δορυφόρο και απρόσμενα βυθισμένο σε σχέση με το σημείο αναφοράς και φαίνεται να απομακρύνεται σταθερά προς τον βορρά. Περισσότερα σημεία φαίνονται σταθερά στο λιμάνι ( εικόνα 6 ).

[[Εικόνα:Eikona 5.6.PNG|thumb|center|350px|Εικόνα 6. Αποτελέσματα IPTA για τη βάση δεδομένων φθίνοντος ERS ]]

ERS αύξοντα διαγράμματα ( 1993 – 2000 )

Το συγκεκριμένο ρήγμα χωρίζει εμφανώς ένα σχετικό σταθερό νότιο τετράγωνο και ένα απομακρυσμένο στα βόρεια. Τα κτίρια πέριξ του λιμανιού λειτουργούν άψογα ως δαισκορπιστές και εκείνα κοντά στο ρήγμα και νοτίως του, μένουν σταθερά στα χρόνια παρακολούθησης τους ( εικόνα 7 ).

[[Εικόνα:Eikona 5.7.PNG|thumb|center|350px|Εικόνα 7. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος ERS ]]

ENVISAT φθίνοντα διαγράμματα ( 2003 – 2010 )

Το ρήγμα Ρίου – Πατρών ευθυγραμμίζεται με τα όρια των τετραγώνων που κινούνται ανεξάρτητα, με ένα να ορίζεται από την ζώνη του ρήγματος μέχρι την βορειοδυτική ακτή. Το τετράγωνο βόρεια του ρήγματος απομακρύνεται από τον δορυφόρο, με μεγαλύτερη τάση κίνησης στο κέντρο του. Επιπροσθέτως, στο νοτιοδυτικό κομμάτι του βόρειου τετραγώνου, μια διαφορά στον βαθμό κίνησης υποδεικνύει την ύπαρξη πιθανού κάθετου ρήγματος στο RPF ( εικόνα 8 ).

[[Εικόνα:Eikona 5.8.PNG|thumb|center|350px|Εικόνα 8. Αποτελέσματα IPTA για τη βάση δεδομένων φθίνοντος ENVISAT ]]

ENVISAT αύξοντα διαγράμματα ( 2003 – 2010 )

Νοτίως του ρήγματος Ρίου – Πατρών, τα σημεία είναι πιο σταθερά ή βυθίζονται σε μικρότερο βαθμό από τα σημεία βορείως της ζώνης του ρήγματος. Περισσότερη κίνηση εμφανίζεται στο κεντρικό σημείο του βόρειου τετραγώνου ( εικόνα 9 ).

[[Εικόνα:Eikona 5.9.PNG|thumb|center|350px|Εικόνα 9. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος ENVISAT ]]

TerraSAR-X αύξοντα διαγράμματα ( 2011 – 2012 )

Νοτίως του ρήγματος Ρίου – Πατρών, τα σημεία είναι σχετικά σταθερά ή απομακρύνονται προς τους δορυφόρους σε σχέση με το σημείο αναφοράς στο LOS. Βορείως του ρήγματος, τα σημεία απομακρύνονται και κατευθύνονται προς τους δορυφόρους, ωστόσο τα σημεία που απομακρύνονται ξεπερνούν αυτά που πλησιάζουν τους δορυφόρους ( εικόνα 10 ).

[[Εικόνα:Eikona 5.10.PNG|thumb|center|350px|Εικόνα 10. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος TerraSAR-X ]]

Sentinel-1 φθίνοντα διαγράμματα ( 2015 – 2017 )

Η κίνηση του έδαφους έρχεται σε συμφωνία με την βιβλιογραφική αναφορά. Το ρήγμα Ρίου – Πατρών και τα άλλα φαίνονται καθαρά από τα μοτίβα που δημιουργούνται από τις διαφορές του βαθμού κίνησης. Ωστόσο, περισσότερο έντονη απομακρυσμένη κίνηση παρατηρείται μεταξύ χαμηλότερου υψομέτρου, στην ακτή ( εικόνα 11 ).

[[Εικόνα:Eikona 5.11.PNG|thumb|center|350px|Εικόνα 11. Αποτελέσματα SVD για τη βάση δεδομένων φθίνοντος SENTINEL-1 ]]

Sentinel-1 αύξοντα διαγράμματα ( 2015 – 2017 )

Το ρήγμα Ρίου – Πατρών χωρίζει ένα πιο σταθερό νότιο τετράγωνο από ένα απομακρυσμένο βόρειο. Στο νοτιοδυτικό κομμάτι του απομακρυσμένου τετραγώνου, φαίνεται ένα ρήγμα κάθετο στο εξεταζόμενο ρήγμα ( εικόνα 12 ).

[[Εικόνα:Eikona 5.12.PNG|thumb|center|350px|Εικόνα 12. Αποτελέσματα SVD για τη βάση δεδομένων αύξοντος SENTINEL-1 ]]

Τετράγωνο βορείως του ρήγματος Ρίου – Πατρών

Οι καμπύλες διανομής για την κίνηση του εδάφους, παρακολουθούμενη από όλους τους δορυφόρους, δείχνουν ότι το τετράγωνο απομακρύνεται από τους δορυφόρους. Εντούτοις, τα αποτελέσματα που ανακτήθηκαν από τις αύξοντες τροχιές έχουν καμπύλες διανομής με σημεία να υποδεικνύον μεγαλύτερη κίνηση μακριά από τους δορυφόρους σε σχέση με τα σημεία των δεδομένων των φθινουσών. Επίσης, αξίζει να σημειωθεί ότι η κίνηση μακριά από τους δορυφόρους αυξάνεται με την πάροδο του χρόνου ( εικόνα 13 ).

[[Εικόνα:Eikona 5.13.PNG|thumb|center|400px|Εικόνα 13. Καμπύλες διανομής πιθανής έντασης κίνησης εδάφους, όπως φαίνεται από τις αύξουσες και φθίνουσες τροχιές του βορείου τετραγώνου του ρήγματος Ρίου – Πατρών. Οι καμπύλες επιστρέφουν την % πιθανότητα της κίνησης εδάφους που συνέβη στο βόρειο χαρακτηριστικό PRFZ στη δοθείσα περίοδο των αποκτήσεων ]]

==Συμπεράσματα==

Οι τελικοί χάρτες απεικονίζουν κυρίως κίνηση εδάφους μεταξύ – 8 και 8 χιλιοστών ανά έτος στο LOS με σεβασμό στο σημείο αναφοράς, με καλύτερη συνοχή να παρατηρείται στις αστικές και ημιαστικές περιοχές, όπου τα κτίρια γίνονται διασκορπιστές των κυμάτων που εκλύονται από δορυφόρους. Το ρήγμα Ρίου – Πατρών έιναι μια λοξή δεξιώς πλευρική ζώνη ρήγματος με άλλα ενεργά ρήγματα να το περικλείουν. Από την κίνηση που παρατηρήθηκε εκ του συστήματος LOS, τα ρήγματα που βρίσκονται κοντά στην πόλη είναι μόνο μία από τις αιτίες της κίνησης εδάφους. Παρόλο που επεξεργάστηκε ένα μεγάλο σύνολο δεδομένων για την περιοχή, υπάρχει περιθώριο για μελλοντικές έρευνες. Το έδαφος βορείως του ρήγματος Ρίου – Πατρών φαίνεται να επιταχύνει την κίνηση του. Μέσα από την εργασία, αποδείχτηκε ότι το InSAR αποτελεί ένα ενδιαφέρον και σημαντικό εργαλείο για την βοήθεια των κατοίκων και των αρμόδιων αρχών για την καλύτερη εκτίμηση του σεισμικού κινδύνου στην ευρεία περιοχή των Πατρών.

[[category:Γεωλογία – Εδαφολογία]]

Ενσωμάτωση αισθητήρων τηλεπισκόπισης για χαρτογράφηση της εξάπλωσης ασθενειών του δάσους και θνησιμότητας δέντρων

2020-02-25T17:04:35Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Integrating multi-sensor remote sensing and species distribution modeling to map the spread of emerging forest disease and tree mortality

'''Συγγραφείς:''' Yinan He, Gang Chen, Christopher Potter, Ross K. Meentemeyer

'''Πηγή:''' Remote Sensing of Environment, 2019, Issue 231 [https://www.sciencedirect.com/science/article/pii/S0034425719302573]

==Αντικείμενο==

Στην παρούσα εργασία χρησιμοποιήθηκε η τηλεπισκόπηση πολλαπλών αισθητήρων και η μοντελοποίηση διανομής ειδών για την χαρτογράφηση της θνησιμότητας των δέντρων από ασθένειες σε μια δασώδη περιοχή της Καλιφόρνια από το 2005 μέχρι το 2016. Η ασθένεια που εξετάστηκε είναι ο ‘’ ξαφνικός θάνατος ‘’ της βελανιδιάς, η οποία οφείλεται για τον θάνατο εκατομμυρίων βελανιδιών στην Καλιφόρνια τις τελευταίες δεκαετίες. Για την ισορροπία της παρακολούθησης σε λεπτή κλίμακα των σχεδίων διανομής ασθενειών και ικανοποιητικής κάλυψης σε ευρείες κλίμακες, εφαρμόστηκε φασματικός διαχωρισμός για την εξαγωγή παρουσίας ασθένειας από εικονοστοιχεία. Τα αποτελέσματα βελτιώθηκαν χρησιμοποιώντας την πιθανότητα της μόλυνσης από την ασθένεια, παραγόμενη από ένα μοντέλο διανομής των ειδών.

==Μεθοδολογία==

Την τελευταία δεκαετία, παρατηρείται έξαρση των αναδυόμενων μολυσματικών ασθενειών ( EID ) της βλάστησης σε δασικές εκτάσεις, το οποίο έχει συμβάλλει στη θνησιμότητα των δέντρων σε πρωτοφανή επίπεδα. Η εξ αποστάσεως ανίχνευση της θνησιμότητας λόγω EID μπορεί να είναι μια αποτελεσματική και ακριβής μέθοδος για να κλιμακωθούν οι μετρήσεις του πεδίου στην κλίμακα του τοπίου. Η χαρτογράφηση διαταράξεων λόγω παθογόνων επιτρέπει στους ιδιοκτήτες να λάβουν δράση για την αντιμετώπισή τους σε συγκεκριμένα σημεία της γης των μεγάλων εκτάσεων τους. Ο επιτυχημένος εντοπισμός βασίζεται στο γεγονός ότι τα μολυσμένα δέντρα παρουσιάζουν διακριτά φασματικά, χωρικά ή/και χρονικά συμπτώματα, που μπορεί να σχετίζονται με πτώσεις στην σύσταση χλωροφύλλης και νερού στα φυλλώματα, αποχρωματισμό των φύλλων, αποφύλλωση ή κενά στα σώματα των δέντρων. Οι βελανιδιές παρουσιάζονται ως λυοφιλοποιημένες εξαιτίας του ‘’ ξαφνικού θανάτου ‘’, που προκαλείται από το παθογόνο Plytophthora ramorum. Τη σημερινή εποχή, η συγκεκριμένη ασθένεια αγγίζει διαστάσεις επιδημίας σε πολλά δάση της περιοχής της Αμερικής πλησίον της ακτής του Ειρηνικού. Η έκρηξη των EID είναι τυπικά σύνδεση χρόνιου στρες βλάστησης, που επικαλύπτεται πιθανώς με χωριστά γεγονότα, όπως η ξηρασία και οι πυρκαγιές που συμβαίνουν παράλληλα στην ίδια περιοχή. Τα κατεστραμμένα δέντρα συνήθως επιδεικνύουν παρόμοια φασματικά ή χωρικά συμπτώματα, κάνοντας δύσκολη την χαρτογράφηση των δέντρων που πάσχουν από ασθένειες. Η μοντελοποίηση της διανομής ειδών ( SDM ) χρησιμοποιείται ευρέως στον τομέα της οικολογίας και της βιολογίας για την πρόβλεψη της στατιστικής πιθανότητας του διασκορπισμού των ειδών στον χώρο και τον χρόνο. Η απόδοση των προσεγγίσεων του μοντέλου εξαρτάται από τις αβιοτικές συνθήκες και την διανομή των δειγματικών παρατηρήσεων, που είναι κρίσιμες για την αποτελεσματική αξιολόγηση του μοντέλου. Παρά την δημοφιλία του, το συγκεκριμένο μοντέλο μπορεί να οδηγήσει σε μεγάλες αβεβαιότητες και πλαστά αποτελέσματα, χωρίς την αξιόπιστη γνώση του εύρους των ειδών, που αποκτάται τυπικά από έρευνες στο πεδίο. Η επιτυχής χαρτογράφηση της θνησιμότητας των δέντρων λόγω των EID, συνδυάζοντας την τηλεπισκόπηση και το SDM, αποτελεί μια προοπτική, που αξίζει να εξεταστεί.
Η περιοχή εξέτασης βρίσκεται στο Big Sur της Καλιφόρνια, στην δυτική ακτή των Ηνωμένων Πολιτειών. Είναι μια περιοχή εμβαδού 80000 εκταρίων περίπου στα πιο απόκρημνα βουνά, με μέγιστο υψόμετρο έως 1600 μέτρα εντός 4.5 χιλιομέτρων της ακτής. Η ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς αποτελεί την κύρια διατάραξη της βλάστησης στην περιοχή που εξετάζουμε, όμως κύριες διαταράξεις αποτελούν η ξηρασία και οι πυρκαγιές.

[[Εικόνα:Eikona 4.1.PNG|thumb|center|410px|Εικόνα 1. Η περιοχή μελέτης βρίσκεται στο Big Sur της Καλιφόρνια. Η εικόνα Landsat TM είναι από μια σύνθεση ψευδοχρώματος με την χρήση των καναλιών 4 ( NIR ), 3 ( Red ) και 2 ( Green ). Η εικόνα AVIRIS είναι σύνθεση ψευδοχρώματος με την χρήση των καναλιών 51 ( NIR ), 33 ( Red ) και 22 ( Green ) ]]

Η κύρια εργασία εξετάζει δύο είδη δεδομένων αναφοράς, τα δεδομένα του πεδίου και δεδομένα τηλεπισκόπησης από δείγματα εικόνων υψηλών ανάλυσης του Google Earth και τοπικές εναέριες φωτογραφίες. Συγκεκριμένα, εγκαταστήθηκαν 85 μόνιμα οικόπεδα διαστάσεων 50 x 50 μέτρων από το καλοκαίρι του 2006, τα οποία σχεδιάστηκαν για να ακολουθήσουν ένα τυχαίως στρωματοποιημένο δειγματικό σχεδιάγραμμα και εξεταζόντουσαν κάθε χρόνο για την παρακολούθηση της μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς και του αντίκτυπου της στην αλλαγή της δομής του δάσους.

Για την συμπλήρωση του περιορισμένου αριθμού των δειγμάτων της ασθένειας εκ του πεδίου, εξήχθησαν ασθενή και υγειά οικόπεδα από εικόνες εναέριες ( NAIP ) και από το Google Earth μέσω ερμηνείας εικόνας. Η ερμηνεία βασίστηκε σε χωρικά, φασματικά και χρονικά συμπτώματα της ασθένειας που διαφέρουν από αυτά που οφείλονται σε ξηρασία ή πυρκαγιές. Στην εικόνα 2 παρουσιάζονται παραδείγματα απομονωμένων ασθενών δέντρων που περικλείονται από υγιή δέντρα σε πολύ-χρονικές, υψηλής ανάλυσης και με πραγματικά χρώματα εικόνες. Για την ποσοτικοποίηση των φασματικών, χρονικών και χωρικών σχεδίων της ασθένειας, χρησιμοποιήθηκαν δύο δείκτες. Πρώτον, το φύλλωμα των δέντρων αλλάζει χρώμα αισθητά από πράσινο σε καφέ εντός ενός ή δύο ετών και ύστερα σε γκρι, υποδεικνύωντας αποξήρανση φύλλων και κατάρρευση χρώματος. Χρησιμοποιήθηκε ο δείκτης Red-Green Index ( RGI ) για την σύλληψη της αλλαγής του χρώματος. Δεύτερον, η θνησιμότητα των δέντρων από την συγκεκριμένη ασθένεια επιδεικνύει απομονωμένα, ανομοιόμορφα σχέδια διανομής, που σταδιακά αυξάνουν την πυκνότητα και μειώνουν την μεταξύ τους απόσταση. Για την ανάλυση αυτών των σχεδίων, χρησιμοποιήθηκε ο δείκτης της μέσης εγγύτητας PROX_MN για την εκτίμηση του βαθμού της απομόνωσης και θρυμματισμού του αντίστοιχου τύπου στην εξεταζόμενη γη μέσα στα χρόνια, με τις υψηλές τιμές να εκφράζουν χαμηλά επίπεδα θρυμματισμού και αντιστρόφως:

[[Εικόνα:Eikona 4.3.PNG|thumb|right|210px|Εικόνα 3. Δείκτης PROX_MN ]]

όπου το aijs είναι η περιοχή του τεμάχιου γης ijs εντός μιας συγκεκριμένης περιοχής του τεμάχιου ij, hijs είναι η απόσταση μεταξύ του τεμάχιου ijs και ij και n είναι ο αριθμός των συνολικών τεμαχίων γης μέσα στη συγκεκριμένη περιοχή. Στην παρούσα εργασία, ο δείκτης χρησιμοποιήθηκε εντός περιοχής με ακτίνα αναζήτησης 200 μέτρων. Στην εικόνα 4 παρουσιάζεται η τροχιά των τιμών του δείκτη μέσα στα χρόνια.

[[Εικόνα:Eikona 4.2.PNG|thumb|center|350px|Εικόνα 2. Παραδείγματα απομόνωσης ασθενών δέντρων που περικλείονται από υγιή δέντρα και αλλαγή των συμπτωμάτων με την πάροδο του χρόνου ]]

[[Εικόνα:Eikona 4.4.PNG|thumb|center|350px|Εικόνα 4. Προσωρινή τροχιά του δείκτη μέσης εγγύτητας PROX_MN για τα νεκρά δέντρα που έχουν μολυνθεί από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ ]]

Στη συνέχεια, έγινε συλλογή δεδομένων AVIRIS ( Airborne Visible / Infrared Imaging Spectrometer ) στις 24 Σεπτεμβρίου 2008. To AVIRIS είναι ένας εναέριος υπερφασματικός αισθητήρας που αποτελείται από 224 φασματικές ζώνες εντός εύρους 360 nm και 2500 nm με μέσo εύρος ζώνης 10 nm.
Επιπροσθέτως, έγινε χρήση 8 εικόνων Landsat 5 TM και 5 εικόνων Landsat 8 OLI για την ανάκτηση χωρικών και χρονικών σχεδίων της προόδου της ασθένειας του ‘’ ξαφνικού θανάτου ‘’ βελανιδιάς ετησίως από το 2005 έως το 2016. Παρόλο που υπάρχουν διαφορές στα μήκη κύματος μεταξύ των αισθητήρων, χρησιμοποιήθηκαν τα κανάλια blue, green, red, NIR, SWIR-1 και SWIR-2. Όλες οι εικόνες λήφθηκαν την καλλιεργητική περίοδο ( Απρίλιος – Ιούνιος ).
Επιπλέον, εικόνες τύπου NAIP ( Airborne Visible / Infrared Imaging Spectrometer ) ελήφθησαν το 2005 με ανάλυση 1 μέτρου, με οριζόντια ακρίβεια που ταιριάζει εντός 6 μέτρων αναγνωρίσιμων σημείων ελέγχου εδάφους, αποτελούμενο από μωσαικό εικόνων 3 καναλιών RGB υψηλής ποιότητας.
Τέλος, χρησιμοποιήθηκαν 2 είδη περιβαλλοντικών μεταβλητών που είναι γνωστό ότι επηρεάζουν την μετάδοση του παθογόνου P. ramorum, κλιματικές ( κατακρημνίσεις, θερμοκρασία και σχετική υγρασία ) και τοπογραφικές μεταβλητές ( ανύψωση, κλίση, ηλιοφάνεια και υγρότητα ). Για το κλίμα, κάθε μεταβλητή υπολογίστηκε τα δεδομένα κάθε μήνα κατά την αναπαραγωγική περίοδο της ασθένειας από τον Δεκέμβρη ως τον Μάη πριν από κάθε μεταβατική κατάσταση εντός περιόδου 10 χρόνων. Για τις τοπογραφικές συνθήκες, υπολογίστηκαν 4 μεταβλητές από μια ανάλυση DEM 30 μέτρων.

Η δομή της έρευνας βασίστηκε σε 2 βήματα: την ανάπτυξη του μοντέλου και την εφαρμογή του μοντέλου στην πολυχρονική χαρτογράφηση διανομής της ασθένειας. Στην εικόνα 5 φαίνονται τα κύρια μέρη της ανάπτυξης μοντέλου και εφαρμογής. Για τις ανάγκες της εργασίας, δημιουργήθηκε μια φασματική βιβλιοθήκη που περιλαμβάνει τα φάσματα 4 στοιχείων στην περιοχή που εξετάζουμε: πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ), έδαφος και απόχρωση. Για την επιλογή των πιο κατάλληλων στοιχείων για την παρούσα εργασία, πρώτα χρησιμοποιήθηκαν εικόνες Google Earth Worldview-1 ως αναφορά για την μείωση του αριθμού των εικονοστοιχείων των στοιχείων στα 47 και η ταξινόμησή τους έγινε ως εξής: 17 GV, 13 NPV, 14 έδαφος και 3 απόχρωση. Για την καλύτερη εκκαθάριση του αποτελέσματος, χρησιμοποιήθηκαν οι παρακάτω 3 δείκτες:

1) Μέσο τετραγωνικό σφάλμα στοιχείου ( EAR )

Το EAR χρησιμοποιήθηκε για να επιλέξει το πιο αντιπροσωπευτικό στοιχείο για κάθε τάξη κάλυψης εδάφους. Υπολογίστηκε για κάθε στοιχείο υπολογίζοντας το μέσο τετραγωνικό σφάλμα της ομάδας των μοντέλων που χρησιμοποίησαν το στοιχείο για τον διαχωρισμό των φασμάτων που ανήκουν στην ίδια τάξη κάλυψης γης

[[Εικόνα:Ear.PNG|thumb|center|210px|]]

όπου i είναι το στοιχείο, j το μοντελοποιημένο φάσμα, N το σύνολο των στοιχείων και n το νούμερο του μοντελοποιημένου φάσματος. Ο δείκτης EAR χρησιμοποιήθηκε για να εκτιμήσει την ικανότητα κάθε στοιχείου να μοντελοποιήσει το φάσμα εντός της δικής του τάξης. Το ελάχιστο EAR στοιχείο είναι το πιο αντιπροσωπευτικό της τάξης.

2) Μέση ελάχιστη φασματική γωνία ( MASA )

Το MASA σε μια τάξη υπολογίστηκε ως η μέση φασματική γωνία μεταξύ του φάσματος αναφοράς και όλων των άλλων φασμάτων εντός της ίδιας τάξης. Ως η καλύτερη επιλέχτηκε αυτή που παρήγαγε τη μέση χαμηλότερη φασματική γωνία.

[[Εικόνα:Masa.PNG|thumb|center|210px|]]

όπου ρλ είναι η ανακλαστικότητα ενός στοιχείου, ρ’λ η ανακλαστικότητα ενός μοντελοποιημένου φάσματος, Lρ το μήκος του διανύσματος του στοιχείου και Lρ’ είναι το μήκος διανύσματος του μοντελοποιημένου φάσματος.

3) Επιλογή στοιχείου βασισμένο σε μετρήσεις ( CoB )

Το CoB χρησιμοποιήθηκε για την επιλογή των άριστων στοιχείων ως τα μέλη μιας βιβλιοθήκης που μοντελοποιούν τον μεγαλύτερο αριθμό φασμάτων εντός της τάξης τους, ενώ εκτιμούν αν τα υποψήφια μοντέλα συναντήσουν κλάσμα, το RMSE και περιορισμούς υπολοίπου, όταν ξεχωρίζονται τα φάσματα στην βιβλιοθήκη. To CoB χρησιμοποιεί το σκεπτικό του MESMA για την επιλογή στοιχείων βασισμένα στον αριθμό των φασμάτων της βιβλιοθήκης, καθορίζοντας τον αριθμό των φασμάτων που μοντελοποιήθηκαν από ένα στοιχείο εντός της τάξης του στοιχείου ( InCoB ) και εκτός της τάξης του στοιχείου ( OutCoB ). Το ιδανικό μοντέλο παρουσιάζει το μέγιστο InCoB και το ελάχιστο OutCoB.

[[Εικόνα:Eikona 4.5.PNG|thumb|center|350px|Εικόνα 5. Λεπτομερές διάγραμμα εργασίας για την ανάπτυξη μοντέλου ( Step 1 ) και ετήσια χαρτογράφηση θνησιμότητας δέντρων λόγω της ασθένειας ( Step 2 ) ]]

Για την αποσύνθεση κάθε εικονοστοιχείου Landsat, ο φασματικός διαχωρισμός εφαρμόστηκε με τον κλασικό αλγόριθμο ανάλυσης φασματικού μίγματος πολλαπλών στοιχείων ( MESMA ), που εξετάζει την φασματική μεταβλητότητα, επιτρέποντας τον αριθμό και τον τύπο των στοιχείων να ποικίλουν σε μια βάση ανά εικονοστοιχείο. Το κριτήριο που χρησιμοποιείται για να καθορίσει τα πιο ταιριαστά μοντέλα περιλαμβάνει κλάσματα του στοιχείου, κλάσματα μέγιστης απόχρωσης και RMSE. Επιλέχθηκαν τα παρακάτω όρια: -0.05 και 1.05 για ελάχιστες και μέγιστες τιμές επιτρεπόμενων κλασμάτων, αντίστοιχα, 0.8 για μέγιστη επιτρεπόμενη τιμή κλάσματος απόχρωσης και 0.025 για μέγιστο επιτρεπόμενο RMSE. Έγινε εκτίμηση όλων των λογικών συνδυασμών στοιχείων και επιλέχθηκε το πιο ταιριαστό μοντέλο. Όταν πολλά μοντέλα κάλυπταν τα συγκεκριμένα κριτήρια, επιλέχτηκε αυτό με το χαμηλότερο RMSE.
Παρήχθη ένας χάρτης υψηλής ανάλυσης διανομής της ασθένειας για το 2005. Για την δημιουργία του χάρτη, εφαρμόστηκε η δομή μιας γεωγραφικής ανάλυσης εικόνων βασισμένη σε αντικείμενα ( GEOBIA ). Η GEOBIA χρησιμοποιεί εικόνες – αντικείμενα σαν βασικές μονάδες μελέτης για να μειώσει τα λάθη που προκαλούνται από την φασματική μεταβλητότητα εντός κάθε γεωγραφικού αντικειμένου και έχει δύο συστατικά: την κατάτμηση εικόνας και την ταξινόμηση βάσει αντικειμένου.

Για την ανάλυση του βαθμού στον οποίο οι οικολογικές συνθήκες επηρεάζουν την πιθανότητα μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς, αναπτύχθηκε ένα γραμμικό μοντέλο, βάσει 7 περιβαλλοντικών μεταβλητών. Ο λογαριθμικός μετασχηματισμός της πιθανότητας pi ότι ένα ευαίσθητο οικόπεδο i προσβάλλεται περιγράφεται ως:

[[Εικόνα:Yinfection.PNG|thumb|center|210px|]]

όπου β0 και βi είναι συντελεστές παλινδρόμησης και xj μια από τις περιβαλλοντικές μεταβλητές.

==Αποτελέσματα==

Η φασματική ανακλαστικότητα για τα εξαχθέντα 6 GV, 5 NPV και 6 εδάφους στοιχεία παρουσιάζονται στην εικόνα 6. Παρατηρείται ότι τα στοιχεία GV παρουσίασαν υψηλότερη intra-class μεταβλητότητα από τα στοιχεία NPV και εδάφους. Αυτό συνέβη κατά κύριο λόγο επειδή τα δέντρα στην περιοχή που εξετάζουμε περιλαμβάνουν μια ποικιλία ειδών. Συγκρινόντάς τα με τα υγιή δέντρα, τα νεκρά δέντρα και το έδαφος ήταν σχετικά ομοιογενή όσον αφορά τις φασματικές υπογραφές τους. Ειδικά όσον αφορά τα νεκρά δέντρα, οι τιμές της φασματικής ανακλαστικότητάς τους ήταν εξαιρετικά χαμηλές στο τμήμα του εγγύς υπερύθρου του φάσματος και υψηλές στο τμήμα του βραχέος υπερύθρου, κάνοντας το NPV πιο διακριτό σε σχέση με το GV και το έδαφος. Οι κλασματικοί χάρτες που αντιστοιχούν στα 3 στοιχεία GV, NPV και έδαφος για το έτος 2005 παρουσιάζονται στην εικόνα 7.

Η μέση ακρίβεια των αποτελεσμάτων της ταξινόμησης μέσω της χρήσης εικόνων 2005 NAIP και την δομή αντικειμένου – εικόνας ήταν 88.33 % με Kappa statistic της τάξεως του 0.82. Όπως παρουσιάζεται στην εικόνα 9, σε σύγκριση με τις μη-δασικές περιοχές, η οριζόντια και κάθετη δομή των δασικών ήταν μεγαλύτερης περιπλοκότητας και ανομοιογένειας, οδηγώντας σε μεγαλύτερη φασματική μεταβλητότητα. Εν συγκρίσει με τα υγιή δάση, τα ασθενή δάση ήταν πιο δύσκολο να χαρτογραφηθούν δείχνοντας σχετικά μικρότερες ακρίβειες. Επειδή η ασθένεια που εξετάζουμε εμφανίζει ένα όχι τυχαίο, υψηλά συγκεντρωτικό σχέδιο διανομής, κάποιες μικρές ομάδες δέντρων περιτριγυρίζονται από υγιή δέντρα., Επίσης, τα δέντρα που έχουν μολυνθεί αλλάζουν χρώμα προοδευτικά μέσα στα χρόνια, κάτι που δυσκολεύει την διαδικασία διαχωρισμού τους.

[[Εικόνα:Eikona 4.6.PNG|thumb|center|350px|Εικόνα 6. Τα εξαγόμενα φάσματα για την πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ) και έδαφος στην περιοχή που μελετούμε ]]

[[Εικόνα:Eikona 4.7.PNG|thumb|center|350px|Εικόνα 7. Κλασματικοί χάρτες της πράσινης βλάστησης ( GV ), μη-φωτοσυνθετικής βλάστησης ( NPV ) και εδάφους για την χρονιά 2005, όπου οι γκρι τόνοι υποδεικνύουν τιμές από χαμηλές ( μαύρο ) έως υψηλές ( φωτεινό ) ]]

[[Εικόνα:Eikona 4.8.PNG|thumb|center|350px|Εικόνα 8. a) Εικόνα δείγματος NAIP πραγματικών χρωμάτων στο Big Sur b) αντίστοιχη ταξινόμηση με όρια εικόνων – αντικειμένων ]]

[[Εικόνα:Eikona 4.9.PNG|thumb|center|350px|Εικόνα 9. Πίνακας αταξίας των αποτελεσμάτων της χαρτογράφησης ασθένειας ]]

Ακολουθώντας την εφαρμογή της προτεινόμενης μεθόδου χαρτογράφησης, οι χάρτες θνησιμότητας των βελανιδιών από ‘’ ξαφνικό θάνατο ‘’ πέτυχαν ακρίβειες μεταξύ 0.7 και 0.9, ενώ οι ακρίβειες χαρτογράφησης για τις χρονιές 2005, 2013, 2014 και 2016 ήταν υψηλότερες του 80 %, όπως φαίνεται και στην εικόνα 10. Ύστερα από εφαρμογή του δημιουργημένου SDM σε όλη την περιοχή που εξετάζουμε και παραγωγή ενός χάρτη πιθανότητας μόλυνσης από την ασθένεια, παρατηρήθηκε ότι η εφαρμοστικότητα βιοτόπου με μεγάλη πιθανότητα ήταν αρκετά καλύτερη ( p < 0.05 ) στα μολυσμένα οικόπεδα. Οι 11 χάρτες θνησιμότητας των δέντρων παρουσιάζονται στην εικόνα 12, που δείχνει την ετήσια μόλυνση των δέντρων από την ασθένεια για την περίοδο 2015 – 2016 στην περιοχή που εξετάζουμε.

[[Εικόνα:Eikona 4.10.PNG|thumb|center|350px|Εικόνα 10. Χαρτογράφηση ακριβειών ( ακρίβεια παραγωγού, ακρίβεια χρήστη, μέση ακρίβεια, Kappa statistic ) για τις χρονιές 2005, 2006, 2009, 2010, 2011, 2013, 2014, 2015 και 2016 ]]

[[Εικόνα:Eikona 4.11.PNG|thumb|center|350px|Εικόνα 11. Χάρτες μοντέλου διανομής ειδών συμπληρωματικής πιθανότητας του ‘’ ξαφνικού θανάτου ‘’ από το 2005 μέχρι το 2016 ]]

[[Εικόνα:Eikona 4.12.PNG|thumb|center|350px|Εικόνα 12. Χωρική διανομή της υπολογισμένης πυκνότητας της θνησιμότητας λόγω ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς ανά 900 m2 από το 2005 μέχρι το 2016 ]]

==Συμπεράσματα==

Τα αποτελέσματα δείχνουν ότι το μοντέλο διανομής ειδών μείωσε αισθητά την υπερτίμηση της θνησιμότητας των βελανιδιών από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ που παρατηρήθηκε με εικόνες Landsat. Παρόλα αυτά, λόγω της έλλειψης λεπτομερούς παρακολούθησης του πεδίου, παρουσιάστηκε δυσκολία στην εκτίμηση του ποσοστού της υπερτίμησης που οφείλονταν σε άλλες αιτίες, πέραν της ασθένειας που μελετούμε. Η ερμηνεία ότι η υπερεκτιμημένη θνησιμότητα δέντρων συνδεόταν κυρίως με ξηρασία ή / και πυρκαγιά βασιζόταν σε αναφερόμενα καιρικά γεγονότα της περιοχής. Παρ’ όλα αυτά, η παρούσα εργασία παρουσιάζει τον καλύτερο τρόπο σύνδεσης πολύ-κλιμακωτών παρατηρήσεων τηλεπισκόπησης για την ανάδειξη περιοχών που πιθανώς δεν έχουν μολυνθεί από τον ‘’ ξαφνικό θάνατο ‘’ της βελανιδιάς, ώστε οι προσπάθειες εντοπισμού αυτής να ενταθούν σε άλλες περιοχές που υπάρχει ανάγκη. Οι τελικοί ετήσιοι χάρτες θνησιμότητας δέντρων δείχνουν ακρίβειες που κυμαίνονται μεταξύ 75.5 και 82.5 %.

[[category:Δασοπονία, Δασική διαχείριση]]

Σαρρής Ανδρέας

2020-02-25T17:03:09Z

AndSarris:

[[Αναγνώριση χαρακτηριστικών εικόνας τηλεπισκόπησης και παρακολούθηση της αποκατάστασης της οικολογικής βλάστησης σε γήπεδο ποδοσφαίρου]]

[[Κατάγραφη μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8]]

[[Τηλεπισκόπηση βιοποικιλότητας της επίγειας βλάστησης]]

[[Ενσωμάτωση αισθητήρων τηλεπισκόπισης για χαρτογράφηση της εξάπλωσης ασθενειών του δάσους και θνησιμότητας δέντρων]]

[[Χωροχρονική εξέλιξη παραμόρφωσης του ρήγματος Ρίου – Πάτρας μέσω interferometry radar συνθετικού ανοίγματος μεταξύ 1993 - 2017]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)|Σαρρής Ανδρέας ]]

Χωροχρονική εξέλιξη παραμόρφωσης του ρήγματος Ρίου – Πάτρας μέσω interferometry radar συνθετικού ανοίγματος μεταξύ 1993 - 2017

2020-02-25T17:01:52Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Spatio-temporal evolution of the deformation around the Rio-Patras fault (Greece) observed by synthetic aperture radar interferometry from 1993 to 2017

'''Συγγραφείς:''' Alexandros Papadopoulos, Issaak Parcharidis, Panagiotis Elias, Pierre Briole

'''Πηγή:''' International journal of remote sensing 2019, vol. 40, no. 16, 6365–6382 [https://www.tandfonline.com/doi/full/10.1080/01431161.2019.1591646]

==Αντικείμενο==

Ο κύριος στόχος της παρούσας εργασίας είναι η εκτίμηση του σεισμικού κινδύνου κοντά στην πόλη της Πάτρας και για αυτό τον λόγο έγινε ανάλυση της παραμόρφωσης εδάφους δια μέσου δύο οικοδομικών τετραγώνων που ορίζονται από το ρήγμα μεταξύ Ρίου και Πάτρας στο χρονικό διάστημα 1993 και 2017, με την χρήση πολύ-χρονικών τεχνικών radar interferometry συνθετικού ανοίγματος ( InSAR ). Χρησιμοποιήθηκαν πολλές βάσεις δεδομένων, όπου η κάθε μια κάλυπτε διαφορετικές χρονικές περιόδους, φθίνοντα και αύξοντα αποκτήματα που παρέχουν διαφορετικές γεωμετρικές προβολές συνεισφέρουν για τον πλήρη καθορισμό της εδαφικής μετατόπισης σε 3D.

[[Εικόνα:Eikona 5.1.PNG|thumb|center|350px|Εικόνα 1. Η περιοχή έρευνας σε εικόνα Sentinel-2A επιπέδου 1, προσβάσιμη από την ηλεκτρονική πύλη του USGS Earth Explorer, με τα ρήγματα να έχουν επανασχεδιαστεί ]]

==Μεθοδολογία==

Οι τωρινές γεωλογικές και γεωφυσικές γνώσεις υποδεικνύουν τουλάχιστον δύο μεγάλες τεκτονικές δομές κοντά στην περιοχή της Πάτρας, ικανές να παράγουν σεισμούς πολύ μεγάλου μεγέθους ( άνω των 6 Ρίχτερ ): το ρήγμα του Ψαθοπύργου ( PF ) που βρίσκεται 10 χιλιόμετρα βορειανατολικά της Πάτρας και το ρήγμα του Ρίου – Πατρών ( RPF ) που βρίσκεται κάτω από την πόλη. Στην παρούσα εργασία, παράγονται και αναλύονται δείγματα μετρήσεων παρεμβολής κυμάτων της περιόδου 1993 – 2017 από δεδομένα που λήφθηκαν από 4 επιτυχημένες διαστημικές αποστολές που χρησιμοποίησαν ραντάρ συνθετικού ανοίγματος ( SAR ): European Remote Sensing ( ERS ), Environmental Satellite ( ENVISAT ), TerraSAR-X και SENTINEL-1. Οι στόχοι ήταν, αρχικά, να παραχθεί με συναφή προσέγγιση λογισμικού μια βάση δεδομένων από ταχύτητες line of sight ( LOS ) για τις 4 αποστολές και, δεύτερον, να αναλυθεί η χωρο-χρονική εξέλιξη των ταχυτήτων κατά την περίοδο δειγματοληψίας 1993 – 2017 και η αναζήτηση για τυχόν χρονικές αλλαγές.

Χρησιμοποιήθηκαν εικόνες SAR από 4 αποστολές: οι ESA C-Band αποστολές ERS, ENVISAT, SENTINEL και η DLR X-band αποστολή TerraSAR-X. Για την πρόσβαση στις εικόνες ERS και ENVISAT, χρησιμοποιήθηκε ο κατάλογος ESA από προϊόντα δεδομένων Earth Observation και την διαδραστική πλατφόρμα Earth Observation Link – Stand Alone (EOLiSA). Τα δεδομένα του Copernicus SENTINEL-1 ανακτήθηκαν από το Alaska Satellite Facility (ASF). Οι εικόνες TerraSAR-X προμηθεύτηκαν από το DLR, με χρήση του συστήματος EOWEB. Για τις 4 αποστολές, χρησιμοποιήθηκαν προϊόντα Single Look Complex επιπέδου 1 και Single Look Slant range Complex. Οι εικόνες 2 και 3 παρέχουν λεπτομέρειες για τα αποκτήματα που χρησιμοποιήθηκαν.

[[Εικόνα:Eikona 5.2.PNG|thumb|center|300px|Εικόνα 2. Χαρακτηριστικά των εικόνων που χρησιμοποιήθηκαν στην εργασία]]

[[Εικόνα:Eikona 5.3.PNG|thumb|center|3000px|Εικόνα 3. Αποστολές δορυφόρων, διάρκεια ζωής και τύπος band. Τα κίτρινα κουτιά υποδεικνύουν την χρονική περίοδο των δεδομένων που αναλύθηκαν ]]

Ακριβή διανύσματα σε κατάσταση τροχιάς αποκτήθηκαν για τον υπολογισμό για τις βασικές γραμμές μετρήσεων παρεμβολής κυμάτων των 2 παλαιότερων δορυφόρων. Για την παραγωγή των διαγραμμάτων παρεμβολής κυμάτων χρησιμοποιήθηκε μοντέλο ψηφιακής ανύψωσης ( DEM ) μεγέθους κελιού 5 x 5 μέτρων, παραγόμενο από το Ελληνικό Κτηματολόγιο με εναέρια φωτογραμμετρία. Το αυθεντικό DEM εκδόθηκε σε εγκάρσια προβολή Mercator Datum τύπου GGCS87. Για να είναι χρησιμοποιήσιμο από λογισμικό μετρήσεων παρεμβολής κυμάτων Gamma, μετατράπηκε σε προβολή Universal Transverse Mercator (UTM), ζώνης 34.

Με την χρήση μεγάλης ποσότητας εικόνων SAR από την ίδια περιοχή, η χρονική σειρά μεγάλων παραμορφώσεων μπορεί να αναλυθεί χρησιμοποιώντας τεχνικές διαφορικής πολυχρονικής SAR interferometry, που ξεπερνά αρκετούς περιορισμούς επαναληπτικής μέτρησης παρεμβολής κυμάτων. Αυτές οι συναφείς μέθοδοι εκμεταλλεύονται είτε μόνιμους συναφείς επίμονους διασκορπιστές ( PSs ) ή προσωρινούς συναφείς διαδεδομένους διασκορπιστές ( DSs ). Οι μέθοδοι PS που έχουν αναπτυχθεί περιέχουν το Persistent or Permanent Scatterer Interferometry ( PSI ). Το PSI παρέχει μια παραμετρική εκτίμηση της τοποθεσίας και ταχύτητας 3D κάθε PS, συνδέοντας το με δορυφόρο. Οι μέθοδοι DS περιλαμβάνουν αλγορίθμους όπως τον SBAS. Ένα αντικείμενο DS ανακλά μικρότερη ενέργεια ραντάρ σε σύγκριση με το PS και συνήθως καλύπτει αρκετά εικονοστοιχεία σε εικόνες SAR υψηλής ανάλυσης. Αυτά τα εικονοστοιχεία εκθέτουν παρόμοιες ιδιότητες διασκόρπισης και μπορούν να χρησιμοποιηθούν μαζί για εκτίμηση παραμόρφωσης. Το SBAS εκτιμά την χρονική σειρά παραμορφώσεων ακόμα και σε αγροτικές περιοχές, όπου η πυκνότητα των PS είναι χαμηλή. Με την άφιξη των αισθητήρων SAR στους δορυφόρους, επετεύχθη καλύτερη επίδοση στην χωρική και χρονική ανάλυση, το οποίο δικαιολογεί την σημασία των δεδομένων SAR στις εφαρμογές διαστημικής γεωδαισίας. Για την πολυχρονική ανάλυση, χρησιμοποιήθηκαν προσεγγίσεις Singular Value Decomposition ( SVD ) και Interferometric PointTarget Analysis ( IPTA ). Η βασική θεωρία του IPTA είναι παρόμοια με του PSI, εφαρμόζεται σε δεδομένα πλήρης ανάλυσης και βασίζονται στην μέτρηση της παραμόρφωσης σε χωρικό πλέγμα σε υποψήφιους εύρους μόνιμου διασκορπιστή.

Όλα τα διαγράμματα παρεμβολής κυμάτων παρήχθησαν μέσω λογισμικού τηλεπισκόπησης GAMMA και μετεπεξεργάστηκαν μέσω του ArcGIS. Η μέση κάθετη γραμμή βάσης ανά βάση δεδομένων αναλυόμενη μέσω IPTA, όπως φαίνεται στην εικόνα 4, είναι α) -23.379 μέτρα για 24 ζεύγη, β) 12.683 μέτρα για 20 ζεύγη, γ) -25.208 μέτρα για 33 ζεύγη, δ) 53.347 μέτρα για 27 ζεύγη, ε) -26.617 μέτρα για 31 ζεύγη. Για την μέγιστη διαφορά αριθμού εικόνων μεταξύ περασμάτων των τριών, η εικόνα 5 απεικονίζει 132 ζεύγη μέσης κάθετης γραμμής βάσης 59.095 μέτρων για φθίνων και 81 ζεύγη μέσης κάθετης γραμμής βάσης 46.136 μέτρων για αύξων.

[[Εικόνα:Eikona 5.4.PNG|thumb|center|350px|Εικόνα 4. Ημερομηνίες απόκτησης σε σχέση με τις γραμμές βάσης των διαγραμμάτων για το IPTA a) ERS φθίνων, b) ERS αύξων, c) Envisat φθίνων, d) Envisat αύξων, e) TerraSAR-X αύξων ]]

[[Εικόνα:Eikona 5.5.PNG|thumb|center|350px|Εικόνα 5. Ημερομηνίες απόκτησης σε σχέση με τις γραμμής βάσεις των διαγραμμάτων για το SVD a) Sentinel-1 φθίνων, b) Sentinel-1 αύξων ]]

==Αποτελέσματα==

Τα αποτελέσματα απεικονίζονται σε χάρτες, με τον καθένα να περιέχει πληροφορίες περί του LOS του συγκεκριμένου δορυφόρου είτε σε αύξουσε είτε σε φθίνουσες τροχιές. Το σημείο αναφοράς είναι το ίδιο για όλες τις αναλυμένες βάσεις δεδομένων, ο μόνιμος σταθμός GNSS EUREF του Πανεπιστημίου Πατρών, ώστε να χρησιμοποιηθεί ύστερα σε μετρήσεις GNSS.

ERS φθίνοντα διαγράμματα ( 1993 – 2000 )

Το τετράγωνο στα βόρεια του ρήγματος Ρίου – Πατρών είναι ελαφρώς απομακρυσμένο από τον δορυφόρο και απρόσμενα βυθισμένο σε σχέση με το σημείο αναφοράς και φαίνεται να απομακρύνεται σταθερά προς τον βορρά. Περισσότερα σημεία φαίνονται σταθερά στο λιμάνι ( εικόνα 6 ).

[[Εικόνα:Eikona 5.6.PNG|thumb|center|350px|Εικόνα 6. Αποτελέσματα IPTA για τη βάση δεδομένων φθίνοντος ERS ]]

ERS αύξοντα διαγράμματα ( 1993 – 2000 )

Το συγκεκριμένο ρήγμα χωρίζει εμφανώς ένα σχετικό σταθερό νότιο τετράγωνο και ένα απομακρυσμένο στα βόρεια. Τα κτίρια πέριξ του λιμανιού λειτουργούν άψογα ως δαισκορπιστές και εκείνα κοντά στο ρήγμα και νοτίως του, μένουν σταθερά στα χρόνια παρακολούθησης τους ( εικόνα 7 ).

[[Εικόνα:Eikona 5.7.PNG|thumb|center|350px|Εικόνα 7. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος ERS ]]

ENVISAT φθίνοντα διαγράμματα ( 2003 – 2010 )

Το ρήγμα Ρίου – Πατρών ευθυγραμμίζεται με τα όρια των τετραγώνων που κινούνται ανεξάρτητα, με ένα να ορίζεται από την ζώνη του ρήγματος μέχρι την βορειοδυτική ακτή. Το τετράγωνο βόρεια του ρήγματος απομακρύνεται από τον δορυφόρο, με μεγαλύτερη τάση κίνησης στο κέντρο του. Επιπροσθέτως, στο νοτιοδυτικό κομμάτι του βόρειου τετραγώνου, μια διαφορά στον βαθμό κίνησης υποδεικνύει την ύπαρξη πιθανού κάθετου ρήγματος στο RPF ( εικόνα 8 ).

[[Εικόνα:Eikona 5.8.PNG|thumb|center|350px|Εικόνα 8. Αποτελέσματα IPTA για τη βάση δεδομένων φθίνοντος ENVISAT ]]

ENVISAT αύξοντα διαγράμματα ( 2003 – 2010 )

Νοτίως του ρήγματος Ρίου – Πατρών, τα σημεία είναι πιο σταθερά ή βυθίζονται σε μικρότερο βαθμό από τα σημεία βορείως της ζώνης του ρήγματος. Περισσότερη κίνηση εμφανίζεται στο κεντρικό σημείο του βόρειου τετραγώνου ( εικόνα 9 ).

[[Εικόνα:Eikona 5.9.PNG|thumb|center|350px|Εικόνα 9. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος ENVISAT ]]

TerraSAR-X αύξοντα διαγράμματα ( 2011 – 2012 )

Νοτίως του ρήγματος Ρίου – Πατρών, τα σημεία είναι σχετικά σταθερά ή απομακρύνονται προς τους δορυφόρους σε σχέση με το σημείο αναφοράς στο LOS. Βορείως του ρήγματος, τα σημεία απομακρύνονται και κατευθύνονται προς τους δορυφόρους, ωστόσο τα σημεία που απομακρύνονται ξεπερνούν αυτά που πλησιάζουν τους δορυφόρους ( εικόνα 10 ).

[[Εικόνα:Eikona 5.10.PNG|thumb|center|350px|Εικόνα 10. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος TerraSAR-X ]]

Sentinel-1 φθίνοντα διαγράμματα ( 2015 – 2017 )

Η κίνηση του έδαφους έρχεται σε συμφωνία με την βιβλιογραφική αναφορά. Το ρήγμα Ρίου – Πατρών και τα άλλα φαίνονται καθαρά από τα μοτίβα που δημιουργούνται από τις διαφορές του βαθμού κίνησης. Ωστόσο, περισσότερο έντονη απομακρυσμένη κίνηση παρατηρείται μεταξύ χαμηλότερου υψομέτρου, στην ακτή ( εικόνα 11 ).

[[Εικόνα:Eikona 5.11.PNG|thumb|center|350px|Εικόνα 11. Αποτελέσματα SVD για τη βάση δεδομένων φθίνοντος SENTINEL-1 ]]

Sentinel-1 αύξοντα διαγράμματα ( 2015 – 2017 )

Το ρήγμα Ρίου – Πατρών χωρίζει ένα πιο σταθερό νότιο τετράγωνο από ένα απομακρυσμένο βόρειο. Στο νοτιοδυτικό κομμάτι του απομακρυσμένου τετραγώνου, φαίνεται ένα ρήγμα κάθετο στο εξεταζόμενο ρήγμα ( εικόνα 12 ).

[[Εικόνα:Eikona 5.12.PNG|thumb|center|350px|Εικόνα 12. Αποτελέσματα SVD για τη βάση δεδομένων αύξοντος SENTINEL-1 ]]

Τετράγωνο βορείως του ρήγματος Ρίου – Πατρών

Οι καμπύλες διανομής για την κίνηση του εδάφους, παρακολουθούμενη από όλους τους δορυφόρους, δείχνουν ότι το τετράγωνο απομακρύνεται από τους δορυφόρους. Εντούτοις, τα αποτελέσματα που ανακτήθηκαν από τις αύξοντες τροχιές έχουν καμπύλες διανομής με σημεία να υποδεικνύον μεγαλύτερη κίνηση μακριά από τους δορυφόρους σε σχέση με τα σημεία των δεδομένων των φθινουσών. Επίσης, αξίζει να σημειωθεί ότι η κίνηση μακριά από τους δορυφόρους αυξάνεται με την πάροδο του χρόνου ( εικόνα 13 ).

[[Εικόνα:Eikona 5.13.PNG|thumb|center|400px|Εικόνα 13. Καμπύλες διανομής πιθανής έντασης κίνησης εδάφους, όπως φαίνεται από τις αύξουσες και φθίνουσες τροχιές του βορείου τετραγώνου του ρήγματος Ρίου – Πατρών. Οι καμπύλες επιστρέφουν την % πιθανότητα της κίνησης εδάφους που συνέβη στο βόρειο χαρακτηριστικό PRFZ στη δοθείσα περίοδο των αποκτήσεων ]]

==Συμπεράσματα==

Οι τελικοί χάρτες απεικονίζουν κυρίως κίνηση εδάφους μεταξύ – 8 και 8 χιλιοστών ανά έτος στο LOS με σεβασμό στο σημείο αναφοράς, με καλύτερη συνοχή να παρατηρείται στις αστικές και ημιαστικές περιοχές, όπου τα κτίρια γίνονται διασκορπιστές των κυμάτων που εκλύονται από δορυφόρους. Το ρήγμα Ρίου – Πατρών έιναι μια λοξή δεξιώς πλευρική ζώνη ρήγματος με άλλα ενεργά ρήγματα να το περικλείουν. Από την κίνηση που παρατηρήθηκε εκ του συστήματος LOS, τα ρήγματα που βρίσκονται κοντά στην πόλη είναι μόνο μία από τις αιτίες της κίνησης εδάφους. Παρόλο που επεξεργάστηκε ένα μεγάλο σύνολο δεδομένων για την περιοχή, υπάρχει περιθώριο για μελλοντικές έρευνες. Το έδαφος βορείως του ρήγματος Ρίου – Πατρών φαίνεται να επιταχύνει την κίνηση του. Μέσα από την εργασία, αποδείχτηκε ότι το InSAR αποτελεί ένα ενδιαφέρον και σημαντικό εργαλείο για την βοήθεια των κατοίκων και των αρμόδιων αρχών για την καλύτερη εκτίμηση του σεισμικού κινδύνου στην ευρεία περιοχή των Πατρών.

[[category:Γεωλογία – Εδαφολογία]]

Αρχείο:Eikona 5.13.PNG

2020-02-25T16:55:56Z

AndSarris:

Αρχείο:Eikona 5.12.PNG

2020-02-25T16:55:31Z

AndSarris:

Αρχείο:Eikona 5.11.PNG

2020-02-25T16:54:55Z

AndSarris:

Αρχείο:Eikona 5.10.PNG

2020-02-25T16:54:24Z

AndSarris:

Αρχείο:Eikona 5.9.PNG

2020-02-25T16:53:51Z

AndSarris:

Αρχείο:Eikona 5.8.PNG

2020-02-25T16:53:26Z

AndSarris:

Αρχείο:Eikona 5.7.PNG

2020-02-25T16:52:43Z

AndSarris:

Αρχείο:Eikona 5.6.PNG

2020-02-25T16:52:21Z

AndSarris:

Αρχείο:Eikona 5.5.PNG

2020-02-25T16:52:00Z

AndSarris:

Αρχείο:Eikona 5.4.PNG

2020-02-25T16:51:42Z

AndSarris:

Αρχείο:Eikona 5.3.PNG

2020-02-25T16:51:11Z

AndSarris:

Αρχείο:Eikona 5.2.PNG

2020-02-25T16:50:57Z

AndSarris:

Αρχείο:Eikona 5.1.PNG

2020-02-25T16:50:37Z

AndSarris:

Χωροχρονική εξέλιξη παραμόρφωσης του ρήγματος Ρίου – Πάτρας μέσω interferometry radar συνθετικού ανοίγματος μεταξύ 1993 - 2017

2020-02-25T16:49:55Z

AndSarris: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Spatio-temporal evolution of the deformation around the Rio-Patras fault (Greece) observed by synthetic aperture radar interferome...'

'''Πρωτότυπος τίτλος:''' Spatio-temporal evolution of the deformation around the Rio-Patras fault (Greece) observed by synthetic aperture radar interferometry from 1993 to 2017

'''Συγγραφείς:''' Alexandros Papadopoulos, Issaak Parcharidis, Panagiotis Elias, Pierre Briole

'''Πηγή:''' International journal of remote sensing 2019, vol. 40, no. 16, 6365–6382 [https://www.tandfonline.com/doi/full/10.1080/01431161.2019.1591646]

==Αντικείμενο==

Ο κύριος στόχος της παρούσας εργασίας είναι η εκτίμηση του σεισμικού κινδύνου κοντά στην πόλη της Πάτρας και για αυτό τον λόγο έγινε ανάλυση της παραμόρφωσης εδάφους δια μέσου δύο οικοδομικών τετραγώνων που ορίζονται από το ρήγμα μεταξύ Ρίου και Πάτρας στο χρονικό διάστημα 1993 και 2017, με την χρήση πολύ-χρονικών τεχνικών radar interferometry συνθετικού ανοίγματος ( InSAR ). Χρησιμοποιήθηκαν πολλές βάσεις δεδομένων, όπου η κάθε μια κάλυπτε διαφορετικές χρονικές περιόδους, φθίνοντα και αύξοντα αποκτήματα που παρέχουν διαφορετικές γεωμετρικές προβολές συνεισφέρουν για τον πλήρη καθορισμό της εδαφικής μετατόπισης σε 3D.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 1. Η περιοχή έρευνας σε εικόνα Sentinel-2A επιπέδου 1, προσβάσιμη από την ηλεκτρονική πύλη του USGS Earth Explorer, με τα ρήγματα να έχουν επανασχεδιαστεί ]]

==Μεθοδολογία==

Οι τωρινές γεωλογικές και γεωφυσικές γνώσεις υποδεικνύουν τουλάχιστον δύο μεγάλες τεκτονικές δομές κοντά στην περιοχή της Πάτρας, ικανές να παράγουν σεισμούς πολύ μεγάλου μεγέθους ( άνω των 6 Ρίχτερ ): το ρήγμα του Ψαθοπύργου ( PF ) που βρίσκεται 10 χιλιόμετρα βορειανατολικά της Πάτρας και το ρήγμα του Ρίου – Πατρών ( RPF ) που βρίσκεται κάτω από την πόλη. Στην παρούσα εργασία, παράγονται και αναλύονται δείγματα μετρήσεων παρεμβολής κυμάτων της περιόδου 1993 – 2017 από δεδομένα που λήφθηκαν από 4 επιτυχημένες διαστημικές αποστολές που χρησιμοποίησαν ραντάρ συνθετικού ανοίγματος ( SAR ): European Remote Sensing ( ERS ), Environmental Satellite ( ENVISAT ), TerraSAR-X και SENTINEL-1. Οι στόχοι ήταν, αρχικά, να παραχθεί με συναφή προσέγγιση λογισμικού μια βάση δεδομένων από ταχύτητες line of sight ( LOS ) για τις 4 αποστολές και, δεύτερον, να αναλυθεί η χωρο-χρονική εξέλιξη των ταχυτήτων κατά την περίοδο δειγματοληψίας 1993 – 2017 και η αναζήτηση για τυχόν χρονικές αλλαγές.

Χρησιμοποιήθηκαν εικόνες SAR από 4 αποστολές: οι ESA C-Band αποστολές ERS, ENVISAT, SENTINEL και η DLR X-band αποστολή TerraSAR-X. Για την πρόσβαση στις εικόνες ERS και ENVISAT, χρησιμοποιήθηκε ο κατάλογος ESA από προϊόντα δεδομένων Earth Observation και την διαδραστική πλατφόρμα Earth Observation Link – Stand Alone (EOLiSA). Τα δεδομένα του Copernicus SENTINEL-1 ανακτήθηκαν από το Alaska Satellite Facility (ASF). Οι εικόνες TerraSAR-X προμηθεύτηκαν από το DLR, με χρήση του συστήματος EOWEB. Για τις 4 αποστολές, χρησιμοποιήθηκαν προϊόντα Single Look Complex επιπέδου 1 και Single Look Slant range Complex. Οι εικόνες 2 και 3 παρέχουν λεπτομέρειες για τα αποκτήματα που χρησιμοποιήθηκαν.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 2. Χαρακτηριστικά των εικόνων που χρησιμοποιήθηκαν στην εργασία]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 3. Αποστολές δορυφόρων, διάρκεια ζωής και τύπος band. Τα κίτρινα κουτιά υποδεικνύουν την χρονική περίοδο των δεδομένων που αναλύθηκαν ]]

Ακριβή διανύσματα σε κατάσταση τροχιάς αποκτήθηκαν για τον υπολογισμό για τις βασικές γραμμές μετρήσεων παρεμβολής κυμάτων των 2 παλαιότερων δορυφόρων. Για την παραγωγή των διαγραμμάτων παρεμβολής κυμάτων χρησιμοποιήθηκε μοντέλο ψηφιακής ανύψωσης ( DEM ) μεγέθους κελιού 5 x 5 μέτρων, παραγόμενο από το Ελληνικό Κτηματολόγιο με εναέρια φωτογραμμετρία. Το αυθεντικό DEM εκδόθηκε σε εγκάρσια προβολή Mercator Datum τύπου GGCS87. Για να είναι χρησιμοποιήσιμο από λογισμικό μετρήσεων παρεμβολής κυμάτων Gamma, μετατράπηκε σε προβολή Universal Transverse Mercator (UTM), ζώνης 34.

Με την χρήση μεγάλης ποσότητας εικόνων SAR από την ίδια περιοχή, η χρονική σειρά μεγάλων παραμορφώσεων μπορεί να αναλυθεί χρησιμοποιώντας τεχνικές διαφορικής πολυχρονικής SAR interferometry, που ξεπερνά αρκετούς περιορισμούς επαναληπτικής μέτρησης παρεμβολής κυμάτων. Αυτές οι συναφείς μέθοδοι εκμεταλλεύονται είτε μόνιμους συναφείς επίμονους διασκορπιστές ( PSs ) ή προσωρινούς συναφείς διαδεδομένους διασκορπιστές ( DSs ). Οι μέθοδοι PS που έχουν αναπτυχθεί περιέχουν το Persistent or Permanent Scatterer Interferometry ( PSI ). Το PSI παρέχει μια παραμετρική εκτίμηση της τοποθεσίας και ταχύτητας 3D κάθε PS, συνδέοντας το με δορυφόρο. Οι μέθοδοι DS περιλαμβάνουν αλγορίθμους όπως τον SBAS. Ένα αντικείμενο DS ανακλά μικρότερη ενέργεια ραντάρ σε σύγκριση με το PS και συνήθως καλύπτει αρκετά εικονοστοιχεία σε εικόνες SAR υψηλής ανάλυσης. Αυτά τα εικονοστοιχεία εκθέτουν παρόμοιες ιδιότητες διασκόρπισης και μπορούν να χρησιμοποιηθούν μαζί για εκτίμηση παραμόρφωσης. Το SBAS εκτιμά την χρονική σειρά παραμορφώσεων ακόμα και σε αγροτικές περιοχές, όπου η πυκνότητα των PS είναι χαμηλή. Με την άφιξη των αισθητήρων SAR στους δορυφόρους, επετεύχθη καλύτερη επίδοση στην χωρική και χρονική ανάλυση, το οποίο δικαιολογεί την σημασία των δεδομένων SAR στις εφαρμογές διαστημικής γεωδαισίας. Για την πολυχρονική ανάλυση, χρησιμοποιήθηκαν προσεγγίσεις Singular Value Decomposition ( SVD ) και Interferometric PointTarget Analysis ( IPTA ). Η βασική θεωρία του IPTA είναι παρόμοια με του PSI, εφαρμόζεται σε δεδομένα πλήρης ανάλυσης και βασίζονται στην μέτρηση της παραμόρφωσης σε χωρικό πλέγμα σε υποψήφιους εύρους μόνιμου διασκορπιστή.

Όλα τα διαγράμματα παρεμβολής κυμάτων παρήχθησαν μέσω λογισμικού τηλεπισκόπησης GAMMA και μετεπεξεργάστηκαν μέσω του ArcGIS. Η μέση κάθετη γραμμή βάσης ανά βάση δεδομένων αναλυόμενη μέσω IPTA, όπως φαίνεται στην εικόνα 4, είναι α) -23.379 μέτρα για 24 ζεύγη, β) 12.683 μέτρα για 20 ζεύγη, γ) -25.208 μέτρα για 33 ζεύγη, δ) 53.347 μέτρα για 27 ζεύγη, ε) -26.617 μέτρα για 31 ζεύγη. Για την μέγιστη διαφορά αριθμού εικόνων μεταξύ περασμάτων των τριών, η εικόνα 5 απεικονίζει 132 ζεύγη μέσης κάθετης γραμμής βάσης 59.095 μέτρων για φθίνων και 81 ζεύγη μέσης κάθετης γραμμής βάσης 46.136 μέτρων για αύξων.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 4. Ημερομηνίες απόκτησης σε σχέση με τις γραμμές βάσης των διαγραμμάτων για το IPTA a) ERS φθίνων, b) ERS αύξων, c) Envisat φθίνων, d) Envisat αύξων, e) TerraSAR-X αύξων ]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 5. Ημερομηνίες απόκτησης σε σχέση με τις γραμμής βάσεις των διαγραμμάτων για το SVD a) Sentinel-1 φθίνων, b) Sentinel-1 αύξων ]]

==Αποτελέσματα==

Τα αποτελέσματα απεικονίζονται σε χάρτες, με τον καθένα να περιέχει πληροφορίες περί του LOS του συγκεκριμένου δορυφόρου είτε σε αύξουσε είτε σε φθίνουσες τροχιές. Το σημείο αναφοράς είναι το ίδιο για όλες τις αναλυμένες βάσεις δεδομένων, ο μόνιμος σταθμός GNSS EUREF του Πανεπιστημίου Πατρών, ώστε να χρησιμοποιηθεί ύστερα σε μετρήσεις GNSS.

ERS φθίνοντα διαγράμματα ( 1993 – 2000 )

Το τετράγωνο στα βόρεια του ρήγματος Ρίου – Πατρών είναι ελαφρώς απομακρυσμένο από τον δορυφόρο και απρόσμενα βυθισμένο σε σχέση με το σημείο αναφοράς και φαίνεται να απομακρύνεται σταθερά προς τον βορρά. Περισσότερα σημεία φαίνονται σταθερά στο λιμάνι ( εικόνα 6 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 6. Αποτελέσματα IPTA για τη βάση δεδομένων φθίνοντος ERS ]]

ERS αύξοντα διαγράμματα ( 1993 – 2000 )

Το συγκεκριμένο ρήγμα χωρίζει εμφανώς ένα σχετικό σταθερό νότιο τετράγωνο και ένα απομακρυσμένο στα βόρεια. Τα κτίρια πέριξ του λιμανιού λειτουργούν άψογα ως δαισκορπιστές και εκείνα κοντά στο ρήγμα και νοτίως του, μένουν σταθερά στα χρόνια παρακολούθησης τους ( εικόνα 7 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 7. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος ERS ]]

ENVISAT φθίνοντα διαγράμματα ( 2003 – 2010 )

Το ρήγμα Ρίου – Πατρών ευθυγραμμίζεται με τα όρια των τετραγώνων που κινούνται ανεξάρτητα, με ένα να ορίζεται από την ζώνη του ρήγματος μέχρι την βορειοδυτική ακτή. Το τετράγωνο βόρεια του ρήγματος απομακρύνεται από τον δορυφόρο, με μεγαλύτερη τάση κίνησης στο κέντρο του. Επιπροσθέτως, στο νοτιοδυτικό κομμάτι του βόρειου τετραγώνου, μια διαφορά στον βαθμό κίνησης υποδεικνύει την ύπαρξη πιθανού κάθετου ρήγματος στο RPF ( εικόνα 8 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 8. Αποτελέσματα IPTA για τη βάση δεδομένων φθίνοντος ENVISAT ]]

ENVISAT αύξοντα διαγράμματα ( 2003 – 2010 )

Νοτίως του ρήγματος Ρίου – Πατρών, τα σημεία είναι πιο σταθερά ή βυθίζονται σε μικρότερο βαθμό από τα σημεία βορείως της ζώνης του ρήγματος. Περισσότερη κίνηση εμφανίζεται στο κεντρικό σημείο του βόρειου τετραγώνου ( εικόνα 9 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 9. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος ENVISAT ]]

TerraSAR-X αύξοντα διαγράμματα ( 2011 – 2012 )

Νοτίως του ρήγματος Ρίου – Πατρών, τα σημεία είναι σχετικά σταθερά ή απομακρύνονται προς τους δορυφόρους σε σχέση με το σημείο αναφοράς στο LOS. Βορείως του ρήγματος, τα σημεία απομακρύνονται και κατευθύνονται προς τους δορυφόρους, ωστόσο τα σημεία που απομακρύνονται ξεπερνούν αυτά που πλησιάζουν τους δορυφόρους ( εικόνα 10 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 10. Αποτελέσματα IPTA για τη βάση δεδομένων αύξοντος TerraSAR-X ]]

Sentinel-1 φθίνοντα διαγράμματα ( 2015 – 2017 )

Η κίνηση του έδαφους έρχεται σε συμφωνία με την βιβλιογραφική αναφορά. Το ρήγμα Ρίου – Πατρών και τα άλλα φαίνονται καθαρά από τα μοτίβα που δημιουργούνται από τις διαφορές του βαθμού κίνησης. Ωστόσο, περισσότερο έντονη απομακρυσμένη κίνηση παρατηρείται μεταξύ χαμηλότερου υψομέτρου, στην ακτή ( εικόνα 11 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 11. Αποτελέσματα SVD για τη βάση δεδομένων φθίνοντος SENTINEL-1 ]]

Sentinel-1 αύξοντα διαγράμματα ( 2015 – 2017 )

Το ρήγμα Ρίου – Πατρών χωρίζει ένα πιο σταθερό νότιο τετράγωνο από ένα απομακρυσμένο βόρειο. Στο νοτιοδυτικό κομμάτι του απομακρυσμένου τετραγώνου, φαίνεται ένα ρήγμα κάθετο στο εξεταζόμενο ρήγμα ( εικόνα 12 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 12. Αποτελέσματα SVD για τη βάση δεδομένων αύξοντος SENTINEL-1 ]]

Τετράγωνο βορείως του ρήγματος Ρίου – Πατρών

Οι καμπύλες διανομής για την κίνηση του εδάφους, παρακολουθούμενη από όλους τους δορυφόρους, δείχνουν ότι το τετράγωνο απομακρύνεται από τους δορυφόρους. Εντούτοις, τα αποτελέσματα που ανακτήθηκαν από τις αύξοντες τροχιές έχουν καμπύλες διανομής με σημεία να υποδεικνύον μεγαλύτερη κίνηση μακριά από τους δορυφόρους σε σχέση με τα σημεία των δεδομένων των φθινουσών. Επίσης, αξίζει να σημειωθεί ότι η κίνηση μακριά από τους δορυφόρους αυξάνεται με την πάροδο του χρόνου ( εικόνα 13 ).

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 13. Καμπύλες διανομής πιθανής έντασης κίνησης εδάφους, όπως φαίνεται από τις αύξουσες και φθίνουσες τροχιές του βορείου τετραγώνου του ρήγματος Ρίου – Πατρών. Οι καμπύλες επιστρέφουν την % πιθανότητα της κίνησης εδάφους που συνέβη στο βόρειο χαρακτηριστικό PRFZ στη δοθείσα περίοδο των αποκτήσεων ]]

==Συμπεράσματα==

Οι τελικοί χάρτες απεικονίζουν κυρίως κίνηση εδάφους μεταξύ – 8 και 8 χιλιοστών ανά έτος στο LOS με σεβασμό στο σημείο αναφοράς, με καλύτερη συνοχή να παρατηρείται στις αστικές και ημιαστικές περιοχές, όπου τα κτίρια γίνονται διασκορπιστές των κυμάτων που εκλύονται από δορυφόρους. Το ρήγμα Ρίου – Πατρών έιναι μια λοξή δεξιώς πλευρική ζώνη ρήγματος με άλλα ενεργά ρήγματα να το περικλείουν. Από την κίνηση που παρατηρήθηκε εκ του συστήματος LOS, τα ρήγματα που βρίσκονται κοντά στην πόλη είναι μόνο μία από τις αιτίες της κίνησης εδάφους. Παρόλο που επεξεργάστηκε ένα μεγάλο σύνολο δεδομένων για την περιοχή, υπάρχει περιθώριο για μελλοντικές έρευνες. Το έδαφος βορείως του ρήγματος Ρίου – Πατρών φαίνεται να επιταχύνει την κίνηση του. Μέσα από την εργασία, αποδείχτηκε ότι το InSAR αποτελεί ένα ενδιαφέρον και σημαντικό εργαλείο για την βοήθεια των κατοίκων και των αρμόδιων αρχών για την καλύτερη εκτίμηση του σεισμικού κινδύνου στην ευρεία περιοχή των Πατρών.

[[category:Γεωλογία – Εδαφολογία]]

Σαρρής Ανδρέας

2020-02-25T16:33:55Z

AndSarris:

[[Αναγνώριση χαρακτηριστικών εικόνας τηλεπισκόπησης και παρακολούθηση της αποκατάστασης της οικολογικής βλάστησης σε γήπεδο ποδοσφαίρου]]

[[Κατάγραφη μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8]]

[[Τηλεπισκόπηση βιοποικιλότητας της επίγειας βλάστησης]]

[[Ενσωμάτωση αισθητήρων τηλεπισκόπισης για χαρτογράφηση της εξάπλωσης ασθενειών του δάσους και θνησιμότητας δέντρων]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)|Σαρρής Ανδρέας ]]

Ενσωμάτωση αισθητήρων τηλεπισκόπισης για χαρτογράφηση της εξάπλωσης ασθενειών του δάσους και θνησιμότητας δέντρων

2020-02-25T16:32:52Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Integrating multi-sensor remote sensing and species distribution modeling to map the spread of emerging forest disease and tree mortality

'''Συγγραφείς:''' Yinan He, Gang Chen, Christopher Potter, Ross K. Meentemeyer

'''Πηγή:''' Remote Sensing of Environment, 2019, Issue 231 [https://www.sciencedirect.com/science/article/pii/S0034425719302573]

==Αντικείμενο==

Στην παρούσα εργασία χρησιμοποιήθηκε η τηλεπισκόπηση πολλαπλών αισθητήρων και η μοντελοποίηση διανομής ειδών για την χαρτογράφηση της θνησιμότητας των δέντρων από ασθένειες σε μια δασώδη περιοχή της Καλιφόρνια από το 2005 μέχρι το 2016. Η ασθένεια που εξετάστηκε είναι ο ‘’ ξαφνικός θάνατος ‘’ της βελανιδιάς, η οποία οφείλεται για τον θάνατο εκατομμυρίων βελανιδιών στην Καλιφόρνια τις τελευταίες δεκαετίες. Για την ισορροπία της παρακολούθησης σε λεπτή κλίμακα των σχεδίων διανομής ασθενειών και ικανοποιητικής κάλυψης σε ευρείες κλίμακες, εφαρμόστηκε φασματικός διαχωρισμός για την εξαγωγή παρουσίας ασθένειας από εικονοστοιχεία. Τα αποτελέσματα βελτιώθηκαν χρησιμοποιώντας την πιθανότητα της μόλυνσης από την ασθένεια, παραγόμενη από ένα μοντέλο διανομής των ειδών.

==Μεθοδολογία==

Την τελευταία δεκαετία, παρατηρείται έξαρση των αναδυόμενων μολυσματικών ασθενειών ( EID ) της βλάστησης σε δασικές εκτάσεις, το οποίο έχει συμβάλλει στη θνησιμότητα των δέντρων σε πρωτοφανή επίπεδα. Η εξ αποστάσεως ανίχνευση της θνησιμότητας λόγω EID μπορεί να είναι μια αποτελεσματική και ακριβής μέθοδος για να κλιμακωθούν οι μετρήσεις του πεδίου στην κλίμακα του τοπίου. Η χαρτογράφηση διαταράξεων λόγω παθογόνων επιτρέπει στους ιδιοκτήτες να λάβουν δράση για την αντιμετώπισή τους σε συγκεκριμένα σημεία της γης των μεγάλων εκτάσεων τους. Ο επιτυχημένος εντοπισμός βασίζεται στο γεγονός ότι τα μολυσμένα δέντρα παρουσιάζουν διακριτά φασματικά, χωρικά ή/και χρονικά συμπτώματα, που μπορεί να σχετίζονται με πτώσεις στην σύσταση χλωροφύλλης και νερού στα φυλλώματα, αποχρωματισμό των φύλλων, αποφύλλωση ή κενά στα σώματα των δέντρων. Οι βελανιδιές παρουσιάζονται ως λυοφιλοποιημένες εξαιτίας του ‘’ ξαφνικού θανάτου ‘’, που προκαλείται από το παθογόνο Plytophthora ramorum. Τη σημερινή εποχή, η συγκεκριμένη ασθένεια αγγίζει διαστάσεις επιδημίας σε πολλά δάση της περιοχής της Αμερικής πλησίον της ακτής του Ειρηνικού. Η έκρηξη των EID είναι τυπικά σύνδεση χρόνιου στρες βλάστησης, που επικαλύπτεται πιθανώς με χωριστά γεγονότα, όπως η ξηρασία και οι πυρκαγιές που συμβαίνουν παράλληλα στην ίδια περιοχή. Τα κατεστραμμένα δέντρα συνήθως επιδεικνύουν παρόμοια φασματικά ή χωρικά συμπτώματα, κάνοντας δύσκολη την χαρτογράφηση των δέντρων που πάσχουν από ασθένειες. Η μοντελοποίηση της διανομής ειδών ( SDM ) χρησιμοποιείται ευρέως στον τομέα της οικολογίας και της βιολογίας για την πρόβλεψη της στατιστικής πιθανότητας του διασκορπισμού των ειδών στον χώρο και τον χρόνο. Η απόδοση των προσεγγίσεων του μοντέλου εξαρτάται από τις αβιοτικές συνθήκες και την διανομή των δειγματικών παρατηρήσεων, που είναι κρίσιμες για την αποτελεσματική αξιολόγηση του μοντέλου. Παρά την δημοφιλία του, το συγκεκριμένο μοντέλο μπορεί να οδηγήσει σε μεγάλες αβεβαιότητες και πλαστά αποτελέσματα, χωρίς την αξιόπιστη γνώση του εύρους των ειδών, που αποκτάται τυπικά από έρευνες στο πεδίο. Η επιτυχής χαρτογράφηση της θνησιμότητας των δέντρων λόγω των EID, συνδυάζοντας την τηλεπισκόπηση και το SDM, αποτελεί μια προοπτική, που αξίζει να εξεταστεί.
Η περιοχή εξέτασης βρίσκεται στο Big Sur της Καλιφόρνια, στην δυτική ακτή των Ηνωμένων Πολιτειών. Είναι μια περιοχή εμβαδού 80000 εκταρίων περίπου στα πιο απόκρημνα βουνά, με μέγιστο υψόμετρο έως 1600 μέτρα εντός 4.5 χιλιομέτρων της ακτής. Η ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς αποτελεί την κύρια διατάραξη της βλάστησης στην περιοχή που εξετάζουμε, όμως κύριες διαταράξεις αποτελούν η ξηρασία και οι πυρκαγιές.

[[Εικόνα:Eikona 4.1.PNG|thumb|center|410px|Εικόνα 1. Η περιοχή μελέτης βρίσκεται στο Big Sur της Καλιφόρνια. Η εικόνα Landsat TM είναι από μια σύνθεση ψευδοχρώματος με την χρήση των καναλιών 4 ( NIR ), 3 ( Red ) και 2 ( Green ). Η εικόνα AVIRIS είναι σύνθεση ψευδοχρώματος με την χρήση των καναλιών 51 ( NIR ), 33 ( Red ) και 22 ( Green ) ]]

Η κύρια εργασία εξετάζει δύο είδη δεδομένων αναφοράς, τα δεδομένα του πεδίου και δεδομένα τηλεπισκόπησης από δείγματα εικόνων υψηλών ανάλυσης του Google Earth και τοπικές εναέριες φωτογραφίες. Συγκεκριμένα, εγκαταστήθηκαν 85 μόνιμα οικόπεδα διαστάσεων 50 x 50 μέτρων από το καλοκαίρι του 2006, τα οποία σχεδιάστηκαν για να ακολουθήσουν ένα τυχαίως στρωματοποιημένο δειγματικό σχεδιάγραμμα και εξεταζόντουσαν κάθε χρόνο για την παρακολούθηση της μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς και του αντίκτυπου της στην αλλαγή της δομής του δάσους.

Για την συμπλήρωση του περιορισμένου αριθμού των δειγμάτων της ασθένειας εκ του πεδίου, εξήχθησαν ασθενή και υγειά οικόπεδα από εικόνες εναέριες ( NAIP ) και από το Google Earth μέσω ερμηνείας εικόνας. Η ερμηνεία βασίστηκε σε χωρικά, φασματικά και χρονικά συμπτώματα της ασθένειας που διαφέρουν από αυτά που οφείλονται σε ξηρασία ή πυρκαγιές. Στην εικόνα 2 παρουσιάζονται παραδείγματα απομονωμένων ασθενών δέντρων που περικλείονται από υγιή δέντρα σε πολύ-χρονικές, υψηλής ανάλυσης και με πραγματικά χρώματα εικόνες. Για την ποσοτικοποίηση των φασματικών, χρονικών και χωρικών σχεδίων της ασθένειας, χρησιμοποιήθηκαν δύο δείκτες. Πρώτον, το φύλλωμα των δέντρων αλλάζει χρώμα αισθητά από πράσινο σε καφέ εντός ενός ή δύο ετών και ύστερα σε γκρι, υποδεικνύωντας αποξήρανση φύλλων και κατάρρευση χρώματος. Χρησιμοποιήθηκε ο δείκτης Red-Green Index ( RGI ) για την σύλληψη της αλλαγής του χρώματος. Δεύτερον, η θνησιμότητα των δέντρων από την συγκεκριμένη ασθένεια επιδεικνύει απομονωμένα, ανομοιόμορφα σχέδια διανομής, που σταδιακά αυξάνουν την πυκνότητα και μειώνουν την μεταξύ τους απόσταση. Για την ανάλυση αυτών των σχεδίων, χρησιμοποιήθηκε ο δείκτης της μέσης εγγύτητας PROX_MN για την εκτίμηση του βαθμού της απομόνωσης και θρυμματισμού του αντίστοιχου τύπου στην εξεταζόμενη γη μέσα στα χρόνια, με τις υψηλές τιμές να εκφράζουν χαμηλά επίπεδα θρυμματισμού και αντιστρόφως:

[[Εικόνα:Eikona 4.3.PNG|thumb|right|210px|Εικόνα 3. Δείκτης PROX_MN ]]

όπου το aijs είναι η περιοχή του τεμάχιου γης ijs εντός μιας συγκεκριμένης περιοχής του τεμάχιου ij, hijs είναι η απόσταση μεταξύ του τεμάχιου ijs και ij και n είναι ο αριθμός των συνολικών τεμαχίων γης μέσα στη συγκεκριμένη περιοχή. Στην παρούσα εργασία, ο δείκτης χρησιμοποιήθηκε εντός περιοχής με ακτίνα αναζήτησης 200 μέτρων. Στην εικόνα 4 παρουσιάζεται η τροχιά των τιμών του δείκτη μέσα στα χρόνια.

[[Εικόνα:Eikona 4.2.PNG|thumb|center|350px|Εικόνα 2. Παραδείγματα απομόνωσης ασθενών δέντρων που περικλείονται από υγιή δέντρα και αλλαγή των συμπτωμάτων με την πάροδο του χρόνου ]]

[[Εικόνα:Eikona 4.4.PNG|thumb|center|350|Εικόνα 4. Προσωρινή τροχιά του δείκτη μέσης εγγύτητας PROX_MN για τα νεκρά δέντρα που έχουν μολυνθεί από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ ]]

Στη συνέχεια, έγινε συλλογή δεδομένων AVIRIS ( Airborne Visible / Infrared Imaging Spectrometer ) στις 24 Σεπτεμβρίου 2008. To AVIRIS είναι ένας εναέριος υπερφασματικός αισθητήρας που αποτελείται από 224 φασματικές ζώνες εντός εύρους 360 nm και 2500 nm με μέσo εύρος ζώνης 10 nm.
Επιπροσθέτως, έγινε χρήση 8 εικόνων Landsat 5 TM και 5 εικόνων Landsat 8 OLI για την ανάκτηση χωρικών και χρονικών σχεδίων της προόδου της ασθένειας του ‘’ ξαφνικού θανάτου ‘’ βελανιδιάς ετησίως από το 2005 έως το 2016. Παρόλο που υπάρχουν διαφορές στα μήκη κύματος μεταξύ των αισθητήρων, χρησιμοποιήθηκαν τα κανάλια blue, green, red, NIR, SWIR-1 και SWIR-2. Όλες οι εικόνες λήφθηκαν την καλλιεργητική περίοδο ( Απρίλιος – Ιούνιος ).
Επιπλέον, εικόνες τύπου NAIP ( Airborne Visible / Infrared Imaging Spectrometer ) ελήφθησαν το 2005 με ανάλυση 1 μέτρου, με οριζόντια ακρίβεια που ταιριάζει εντός 6 μέτρων αναγνωρίσιμων σημείων ελέγχου εδάφους, αποτελούμενο από μωσαικό εικόνων 3 καναλιών RGB υψηλής ποιότητας.
Τέλος, χρησιμοποιήθηκαν 2 είδη περιβαλλοντικών μεταβλητών που είναι γνωστό ότι επηρεάζουν την μετάδοση του παθογόνου P. ramorum, κλιματικές ( κατακρημνίσεις, θερμοκρασία και σχετική υγρασία ) και τοπογραφικές μεταβλητές ( ανύψωση, κλίση, ηλιοφάνεια και υγρότητα ). Για το κλίμα, κάθε μεταβλητή υπολογίστηκε τα δεδομένα κάθε μήνα κατά την αναπαραγωγική περίοδο της ασθένειας από τον Δεκέμβρη ως τον Μάη πριν από κάθε μεταβατική κατάσταση εντός περιόδου 10 χρόνων. Για τις τοπογραφικές συνθήκες, υπολογίστηκαν 4 μεταβλητές από μια ανάλυση DEM 30 μέτρων.

Η δομή της έρευνας βασίστηκε σε 2 βήματα: την ανάπτυξη του μοντέλου και την εφαρμογή του μοντέλου στην πολυχρονική χαρτογράφηση διανομής της ασθένειας. Στην εικόνα 5 φαίνονται τα κύρια μέρη της ανάπτυξης μοντέλου και εφαρμογής. Για τις ανάγκες της εργασίας, δημιουργήθηκε μια φασματική βιβλιοθήκη που περιλαμβάνει τα φάσματα 4 στοιχείων στην περιοχή που εξετάζουμε: πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ), έδαφος και απόχρωση. Για την επιλογή των πιο κατάλληλων στοιχείων για την παρούσα εργασία, πρώτα χρησιμοποιήθηκαν εικόνες Google Earth Worldview-1 ως αναφορά για την μείωση του αριθμού των εικονοστοιχείων των στοιχείων στα 47 και η ταξινόμησή τους έγινε ως εξής: 17 GV, 13 NPV, 14 έδαφος και 3 απόχρωση. Για την καλύτερη εκκαθάριση του αποτελέσματος, χρησιμοποιήθηκαν οι παρακάτω 3 δείκτες:

1) Μέσο τετραγωνικό σφάλμα στοιχείου ( EAR )

Το EAR χρησιμοποιήθηκε για να επιλέξει το πιο αντιπροσωπευτικό στοιχείο για κάθε τάξη κάλυψης εδάφους. Υπολογίστηκε για κάθε στοιχείο υπολογίζοντας το μέσο τετραγωνικό σφάλμα της ομάδας των μοντέλων που χρησιμοποίησαν το στοιχείο για τον διαχωρισμό των φασμάτων που ανήκουν στην ίδια τάξη κάλυψης γης

[[Εικόνα:Ear.PNG|thumb|center|210px|]]

όπου i είναι το στοιχείο, j το μοντελοποιημένο φάσμα, N το σύνολο των στοιχείων και n το νούμερο του μοντελοποιημένου φάσματος. Ο δείκτης EAR χρησιμοποιήθηκε για να εκτιμήσει την ικανότητα κάθε στοιχείου να μοντελοποιήσει το φάσμα εντός της δικής του τάξης. Το ελάχιστο EAR στοιχείο είναι το πιο αντιπροσωπευτικό της τάξης.

2) Μέση ελάχιστη φασματική γωνία ( MASA )

Το MASA σε μια τάξη υπολογίστηκε ως η μέση φασματική γωνία μεταξύ του φάσματος αναφοράς και όλων των άλλων φασμάτων εντός της ίδιας τάξης. Ως η καλύτερη επιλέχτηκε αυτή που παρήγαγε τη μέση χαμηλότερη φασματική γωνία.

[[Εικόνα:Masa.PNG|thumb|center|210px|]]

όπου ρλ είναι η ανακλαστικότητα ενός στοιχείου, ρ’λ η ανακλαστικότητα ενός μοντελοποιημένου φάσματος, Lρ το μήκος του διανύσματος του στοιχείου και Lρ’ είναι το μήκος διανύσματος του μοντελοποιημένου φάσματος.

3) Επιλογή στοιχείου βασισμένο σε μετρήσεις ( CoB )

Το CoB χρησιμοποιήθηκε για την επιλογή των άριστων στοιχείων ως τα μέλη μιας βιβλιοθήκης που μοντελοποιούν τον μεγαλύτερο αριθμό φασμάτων εντός της τάξης τους, ενώ εκτιμούν αν τα υποψήφια μοντέλα συναντήσουν κλάσμα, το RMSE και περιορισμούς υπολοίπου, όταν ξεχωρίζονται τα φάσματα στην βιβλιοθήκη. To CoB χρησιμοποιεί το σκεπτικό του MESMA για την επιλογή στοιχείων βασισμένα στον αριθμό των φασμάτων της βιβλιοθήκης, καθορίζοντας τον αριθμό των φασμάτων που μοντελοποιήθηκαν από ένα στοιχείο εντός της τάξης του στοιχείου ( InCoB ) και εκτός της τάξης του στοιχείου ( OutCoB ). Το ιδανικό μοντέλο παρουσιάζει το μέγιστο InCoB και το ελάχιστο OutCoB.

[[Εικόνα:Eikona 4.5.PNG|thumb|center|350px|Εικόνα 5. Λεπτομερές διάγραμμα εργασίας για την ανάπτυξη μοντέλου ( Step 1 ) και ετήσια χαρτογράφηση θνησιμότητας δέντρων λόγω της ασθένειας ( Step 2 ) ]]

Για την αποσύνθεση κάθε εικονοστοιχείου Landsat, ο φασματικός διαχωρισμός εφαρμόστηκε με τον κλασικό αλγόριθμο ανάλυσης φασματικού μίγματος πολλαπλών στοιχείων ( MESMA ), που εξετάζει την φασματική μεταβλητότητα, επιτρέποντας τον αριθμό και τον τύπο των στοιχείων να ποικίλουν σε μια βάση ανά εικονοστοιχείο. Το κριτήριο που χρησιμοποιείται για να καθορίσει τα πιο ταιριαστά μοντέλα περιλαμβάνει κλάσματα του στοιχείου, κλάσματα μέγιστης απόχρωσης και RMSE. Επιλέχθηκαν τα παρακάτω όρια: -0.05 και 1.05 για ελάχιστες και μέγιστες τιμές επιτρεπόμενων κλασμάτων, αντίστοιχα, 0.8 για μέγιστη επιτρεπόμενη τιμή κλάσματος απόχρωσης και 0.025 για μέγιστο επιτρεπόμενο RMSE. Έγινε εκτίμηση όλων των λογικών συνδυασμών στοιχείων και επιλέχθηκε το πιο ταιριαστό μοντέλο. Όταν πολλά μοντέλα κάλυπταν τα συγκεκριμένα κριτήρια, επιλέχτηκε αυτό με το χαμηλότερο RMSE.
Παρήχθη ένας χάρτης υψηλής ανάλυσης διανομής της ασθένειας για το 2005. Για την δημιουργία του χάρτη, εφαρμόστηκε η δομή μιας γεωγραφικής ανάλυσης εικόνων βασισμένη σε αντικείμενα ( GEOBIA ). Η GEOBIA χρησιμοποιεί εικόνες – αντικείμενα σαν βασικές μονάδες μελέτης για να μειώσει τα λάθη που προκαλούνται από την φασματική μεταβλητότητα εντός κάθε γεωγραφικού αντικειμένου και έχει δύο συστατικά: την κατάτμηση εικόνας και την ταξινόμηση βάσει αντικειμένου.

Για την ανάλυση του βαθμού στον οποίο οι οικολογικές συνθήκες επηρεάζουν την πιθανότητα μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς, αναπτύχθηκε ένα γραμμικό μοντέλο, βάσει 7 περιβαλλοντικών μεταβλητών. Ο λογαριθμικός μετασχηματισμός της πιθανότητας pi ότι ένα ευαίσθητο οικόπεδο i προσβάλλεται περιγράφεται ως:

[[Εικόνα:Yinfection.PNG|thumb|center|210px|]]

όπου β0 και βi είναι συντελεστές παλινδρόμησης και xj μια από τις περιβαλλοντικές μεταβλητές.

==Αποτελέσματα==

Η φασματική ανακλαστικότητα για τα εξαχθέντα 6 GV, 5 NPV και 6 εδάφους στοιχεία παρουσιάζονται στην εικόνα 6. Παρατηρείται ότι τα στοιχεία GV παρουσίασαν υψηλότερη intra-class μεταβλητότητα από τα στοιχεία NPV και εδάφους. Αυτό συνέβη κατά κύριο λόγο επειδή τα δέντρα στην περιοχή που εξετάζουμε περιλαμβάνουν μια ποικιλία ειδών. Συγκρινόντάς τα με τα υγιή δέντρα, τα νεκρά δέντρα και το έδαφος ήταν σχετικά ομοιογενή όσον αφορά τις φασματικές υπογραφές τους. Ειδικά όσον αφορά τα νεκρά δέντρα, οι τιμές της φασματικής ανακλαστικότητάς τους ήταν εξαιρετικά χαμηλές στο τμήμα του εγγύς υπερύθρου του φάσματος και υψηλές στο τμήμα του βραχέος υπερύθρου, κάνοντας το NPV πιο διακριτό σε σχέση με το GV και το έδαφος. Οι κλασματικοί χάρτες που αντιστοιχούν στα 3 στοιχεία GV, NPV και έδαφος για το έτος 2005 παρουσιάζονται στην εικόνα 7.

Η μέση ακρίβεια των αποτελεσμάτων της ταξινόμησης μέσω της χρήσης εικόνων 2005 NAIP και την δομή αντικειμένου – εικόνας ήταν 88.33 % με Kappa statistic της τάξεως του 0.82. Όπως παρουσιάζεται στην εικόνα 9, σε σύγκριση με τις μη-δασικές περιοχές, η οριζόντια και κάθετη δομή των δασικών ήταν μεγαλύτερης περιπλοκότητας και ανομοιογένειας, οδηγώντας σε μεγαλύτερη φασματική μεταβλητότητα. Εν συγκρίσει με τα υγιή δάση, τα ασθενή δάση ήταν πιο δύσκολο να χαρτογραφηθούν δείχνοντας σχετικά μικρότερες ακρίβειες. Επειδή η ασθένεια που εξετάζουμε εμφανίζει ένα όχι τυχαίο, υψηλά συγκεντρωτικό σχέδιο διανομής, κάποιες μικρές ομάδες δέντρων περιτριγυρίζονται από υγιή δέντρα., Επίσης, τα δέντρα που έχουν μολυνθεί αλλάζουν χρώμα προοδευτικά μέσα στα χρόνια, κάτι που δυσκολεύει την διαδικασία διαχωρισμού τους.

[[Εικόνα:Eikona 4.6.PNG|thumb|center|350px|Εικόνα 6. Τα εξαγόμενα φάσματα για την πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ) και έδαφος στην περιοχή που μελετούμε ]]

[[Εικόνα:Eikona 4.7.PNG|thumb|center|350px|Εικόνα 7. Κλασματικοί χάρτες της πράσινης βλάστησης ( GV ), μη-φωτοσυνθετικής βλάστησης ( NPV ) και εδάφους για την χρονιά 2005, όπου οι γκρι τόνοι υποδεικνύουν τιμές από χαμηλές ( μαύρο ) έως υψηλές ( φωτεινό ) ]]

[[Εικόνα:Eikona 4.8.PNG|thumb|center|350px|Εικόνα 8. a) Εικόνα δείγματος NAIP πραγματικών χρωμάτων στο Big Sur b) αντίστοιχη ταξινόμηση με όρια εικόνων – αντικειμένων ]]

[[Εικόνα:Eikona 4.9.PNG|thumb|center|350px|Εικόνα 9. Πίνακας αταξίας των αποτελεσμάτων της χαρτογράφησης ασθένειας ]]

Ακολουθώντας την εφαρμογή της προτεινόμενης μεθόδου χαρτογράφησης, οι χάρτες θνησιμότητας των βελανιδιών από ‘’ ξαφνικό θάνατο ‘’ πέτυχαν ακρίβειες μεταξύ 0.7 και 0.9, ενώ οι ακρίβειες χαρτογράφησης για τις χρονιές 2005, 2013, 2014 και 2016 ήταν υψηλότερες του 80 %, όπως φαίνεται και στην εικόνα 10. Ύστερα από εφαρμογή του δημιουργημένου SDM σε όλη την περιοχή που εξετάζουμε και παραγωγή ενός χάρτη πιθανότητας μόλυνσης από την ασθένεια, παρατηρήθηκε ότι η εφαρμοστικότητα βιοτόπου με μεγάλη πιθανότητα ήταν αρκετά καλύτερη ( p < 0.05 ) στα μολυσμένα οικόπεδα. Οι 11 χάρτες θνησιμότητας των δέντρων παρουσιάζονται στην εικόνα 12, που δείχνει την ετήσια μόλυνση των δέντρων από την ασθένεια για την περίοδο 2015 – 2016 στην περιοχή που εξετάζουμε.

[[Εικόνα:Eikona 4.10.PNG|thumb|center|350px|Εικόνα 10. Χαρτογράφηση ακριβειών ( ακρίβεια παραγωγού, ακρίβεια χρήστη, μέση ακρίβεια, Kappa statistic ) για τις χρονιές 2005, 2006, 2009, 2010, 2011, 2013, 2014, 2015 και 2016 ]]

[[Εικόνα:Eikona 4.11.PNG|thumb|center|350px|Εικόνα 11. Χάρτες μοντέλου διανομής ειδών συμπληρωματικής πιθανότητας του ‘’ ξαφνικού θανάτου ‘’ από το 2005 μέχρι το 2016 ]]

[[Εικόνα:Eikona 4.12.PNG|thumb|center|350px|Εικόνα 12. Χωρική διανομή της υπολογισμένης πυκνότητας της θνησιμότητας λόγω ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς ανά 900 m2 από το 2005 μέχρι το 2016 ]]

==Συμπεράσματα==

Τα αποτελέσματα δείχνουν ότι το μοντέλο διανομής ειδών μείωσε αισθητά την υπερτίμηση της θνησιμότητας των βελανιδιών από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ που παρατηρήθηκε με εικόνες Landsat. Παρόλα αυτά, λόγω της έλλειψης λεπτομερούς παρακολούθησης του πεδίου, παρουσιάστηκε δυσκολία στην εκτίμηση του ποσοστού της υπερτίμησης που οφείλονταν σε άλλες αιτίες, πέραν της ασθένειας που μελετούμε. Η ερμηνεία ότι η υπερεκτιμημένη θνησιμότητα δέντρων συνδεόταν κυρίως με ξηρασία ή / και πυρκαγιά βασιζόταν σε αναφερόμενα καιρικά γεγονότα της περιοχής. Παρ’ όλα αυτά, η παρούσα εργασία παρουσιάζει τον καλύτερο τρόπο σύνδεσης πολύ-κλιμακωτών παρατηρήσεων τηλεπισκόπησης για την ανάδειξη περιοχών που πιθανώς δεν έχουν μολυνθεί από τον ‘’ ξαφνικό θάνατο ‘’ της βελανιδιάς, ώστε οι προσπάθειες εντοπισμού αυτής να ενταθούν σε άλλες περιοχές που υπάρχει ανάγκη. Οι τελικοί ετήσιοι χάρτες θνησιμότητας δέντρων δείχνουν ακρίβειες που κυμαίνονται μεταξύ 75.5 και 82.5 %.

[[category:Δασοπονία, Δασική διαχείριση]]

Ενσωμάτωση αισθητήρων τηλεπισκόπισης για χαρτογράφηση της εξάπλωσης ασθενειών του δάσους και θνησιμότητας δέντρων

2020-02-25T16:31:06Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Integrating multi-sensor remote sensing and species distribution modeling to map the spread of emerging forest disease and tree mortality

'''Συγγραφείς:''' Yinan He, Gang Chen, Christopher Potter, Ross K. Meentemeyer

'''Πηγή:''' Remote Sensing of Environment, 2019, Issue 231 [https://www.sciencedirect.com/science/article/pii/S0034425719302573]

==Αντικείμενο==

Στην παρούσα εργασία χρησιμοποιήθηκε η τηλεπισκόπηση πολλαπλών αισθητήρων και η μοντελοποίηση διανομής ειδών για την χαρτογράφηση της θνησιμότητας των δέντρων από ασθένειες σε μια δασώδη περιοχή της Καλιφόρνια από το 2005 μέχρι το 2016. Η ασθένεια που εξετάστηκε είναι ο ‘’ ξαφνικός θάνατος ‘’ της βελανιδιάς, η οποία οφείλεται για τον θάνατο εκατομμυρίων βελανιδιών στην Καλιφόρνια τις τελευταίες δεκαετίες. Για την ισορροπία της παρακολούθησης σε λεπτή κλίμακα των σχεδίων διανομής ασθενειών και ικανοποιητικής κάλυψης σε ευρείες κλίμακες, εφαρμόστηκε φασματικός διαχωρισμός για την εξαγωγή παρουσίας ασθένειας από εικονοστοιχεία. Τα αποτελέσματα βελτιώθηκαν χρησιμοποιώντας την πιθανότητα της μόλυνσης από την ασθένεια, παραγόμενη από ένα μοντέλο διανομής των ειδών.

==Μεθοδολογία==

Την τελευταία δεκαετία, παρατηρείται έξαρση των αναδυόμενων μολυσματικών ασθενειών ( EID ) της βλάστησης σε δασικές εκτάσεις, το οποίο έχει συμβάλλει στη θνησιμότητα των δέντρων σε πρωτοφανή επίπεδα. Η εξ αποστάσεως ανίχνευση της θνησιμότητας λόγω EID μπορεί να είναι μια αποτελεσματική και ακριβής μέθοδος για να κλιμακωθούν οι μετρήσεις του πεδίου στην κλίμακα του τοπίου. Η χαρτογράφηση διαταράξεων λόγω παθογόνων επιτρέπει στους ιδιοκτήτες να λάβουν δράση για την αντιμετώπισή τους σε συγκεκριμένα σημεία της γης των μεγάλων εκτάσεων τους. Ο επιτυχημένος εντοπισμός βασίζεται στο γεγονός ότι τα μολυσμένα δέντρα παρουσιάζουν διακριτά φασματικά, χωρικά ή/και χρονικά συμπτώματα, που μπορεί να σχετίζονται με πτώσεις στην σύσταση χλωροφύλλης και νερού στα φυλλώματα, αποχρωματισμό των φύλλων, αποφύλλωση ή κενά στα σώματα των δέντρων. Οι βελανιδιές παρουσιάζονται ως λυοφιλοποιημένες εξαιτίας του ‘’ ξαφνικού θανάτου ‘’, που προκαλείται από το παθογόνο Plytophthora ramorum. Τη σημερινή εποχή, η συγκεκριμένη ασθένεια αγγίζει διαστάσεις επιδημίας σε πολλά δάση της περιοχής της Αμερικής πλησίον της ακτής του Ειρηνικού. Η έκρηξη των EID είναι τυπικά σύνδεση χρόνιου στρες βλάστησης, που επικαλύπτεται πιθανώς με χωριστά γεγονότα, όπως η ξηρασία και οι πυρκαγιές που συμβαίνουν παράλληλα στην ίδια περιοχή. Τα κατεστραμμένα δέντρα συνήθως επιδεικνύουν παρόμοια φασματικά ή χωρικά συμπτώματα, κάνοντας δύσκολη την χαρτογράφηση των δέντρων που πάσχουν από ασθένειες. Η μοντελοποίηση της διανομής ειδών ( SDM ) χρησιμοποιείται ευρέως στον τομέα της οικολογίας και της βιολογίας για την πρόβλεψη της στατιστικής πιθανότητας του διασκορπισμού των ειδών στον χώρο και τον χρόνο. Η απόδοση των προσεγγίσεων του μοντέλου εξαρτάται από τις αβιοτικές συνθήκες και την διανομή των δειγματικών παρατηρήσεων, που είναι κρίσιμες για την αποτελεσματική αξιολόγηση του μοντέλου. Παρά την δημοφιλία του, το συγκεκριμένο μοντέλο μπορεί να οδηγήσει σε μεγάλες αβεβαιότητες και πλαστά αποτελέσματα, χωρίς την αξιόπιστη γνώση του εύρους των ειδών, που αποκτάται τυπικά από έρευνες στο πεδίο. Η επιτυχής χαρτογράφηση της θνησιμότητας των δέντρων λόγω των EID, συνδυάζοντας την τηλεπισκόπηση και το SDM, αποτελεί μια προοπτική, που αξίζει να εξεταστεί.
Η περιοχή εξέτασης βρίσκεται στο Big Sur της Καλιφόρνια, στην δυτική ακτή των Ηνωμένων Πολιτειών. Είναι μια περιοχή εμβαδού 80000 εκταρίων περίπου στα πιο απόκρημνα βουνά, με μέγιστο υψόμετρο έως 1600 μέτρα εντός 4.5 χιλιομέτρων της ακτής. Η ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς αποτελεί την κύρια διατάραξη της βλάστησης στην περιοχή που εξετάζουμε, όμως κύριες διαταράξεις αποτελούν η ξηρασία και οι πυρκαγιές.

[[Εικόνα:Eikona 4.1.PNG|thumb|center|410px|Εικόνα 1. Η περιοχή μελέτης βρίσκεται στο Big Sur της Καλιφόρνια. Η εικόνα Landsat TM είναι από μια σύνθεση ψευδοχρώματος με την χρήση των καναλιών 4 ( NIR ), 3 ( Red ) και 2 ( Green ). Η εικόνα AVIRIS είναι σύνθεση ψευδοχρώματος με την χρήση των καναλιών 51 ( NIR ), 33 ( Red ) και 22 ( Green ) ]]

Η κύρια εργασία εξετάζει δύο είδη δεδομένων αναφοράς, τα δεδομένα του πεδίου και δεδομένα τηλεπισκόπησης από δείγματα εικόνων υψηλών ανάλυσης του Google Earth και τοπικές εναέριες φωτογραφίες. Συγκεκριμένα, εγκαταστήθηκαν 85 μόνιμα οικόπεδα διαστάσεων 50 x 50 μέτρων από το καλοκαίρι του 2006, τα οποία σχεδιάστηκαν για να ακολουθήσουν ένα τυχαίως στρωματοποιημένο δειγματικό σχεδιάγραμμα και εξεταζόντουσαν κάθε χρόνο για την παρακολούθηση της μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς και του αντίκτυπου της στην αλλαγή της δομής του δάσους.

Για την συμπλήρωση του περιορισμένου αριθμού των δειγμάτων της ασθένειας εκ του πεδίου, εξήχθησαν ασθενή και υγειά οικόπεδα από εικόνες εναέριες ( NAIP ) και από το Google Earth μέσω ερμηνείας εικόνας. Η ερμηνεία βασίστηκε σε χωρικά, φασματικά και χρονικά συμπτώματα της ασθένειας που διαφέρουν από αυτά που οφείλονται σε ξηρασία ή πυρκαγιές. Στην εικόνα 2 παρουσιάζονται παραδείγματα απομονωμένων ασθενών δέντρων που περικλείονται από υγιή δέντρα σε πολύ-χρονικές, υψηλής ανάλυσης και με πραγματικά χρώματα εικόνες. Για την ποσοτικοποίηση των φασματικών, χρονικών και χωρικών σχεδίων της ασθένειας, χρησιμοποιήθηκαν δύο δείκτες. Πρώτον, το φύλλωμα των δέντρων αλλάζει χρώμα αισθητά από πράσινο σε καφέ εντός ενός ή δύο ετών και ύστερα σε γκρι, υποδεικνύωντας αποξήρανση φύλλων και κατάρρευση χρώματος. Χρησιμοποιήθηκε ο δείκτης Red-Green Index ( RGI ) για την σύλληψη της αλλαγής του χρώματος. Δεύτερον, η θνησιμότητα των δέντρων από την συγκεκριμένη ασθένεια επιδεικνύει απομονωμένα, ανομοιόμορφα σχέδια διανομής, που σταδιακά αυξάνουν την πυκνότητα και μειώνουν την μεταξύ τους απόσταση. Για την ανάλυση αυτών των σχεδίων, χρησιμοποιήθηκε ο δείκτης της μέσης εγγύτητας PROX_MN για την εκτίμηση του βαθμού της απομόνωσης και θρυμματισμού του αντίστοιχου τύπου στην εξεταζόμενη γη μέσα στα χρόνια, με τις υψηλές τιμές να εκφράζουν χαμηλά επίπεδα θρυμματισμού και αντιστρόφως:

[[Εικόνα:Eikona 4.3.PNG|thumb|right|210px|Εικόνα 3. Δείκτης PROX_MN ]]

όπου το aijs είναι η περιοχή του τεμάχιου γης ijs εντός μιας συγκεκριμένης περιοχής του τεμάχιου ij, hijs είναι η απόσταση μεταξύ του τεμάχιου ijs και ij και n είναι ο αριθμός των συνολικών τεμαχίων γης μέσα στη συγκεκριμένη περιοχή. Στην παρούσα εργασία, ο δείκτης χρησιμοποιήθηκε εντός περιοχής με ακτίνα αναζήτησης 200 μέτρων. Στην εικόνα 4 παρουσιάζεται η τροχιά των τιμών του δείκτη μέσα στα χρόνια.

[[Εικόνα:Eikona 4.2.PNG|thumb|center|350px|Εικόνα 2. Παραδείγματα απομόνωσης ασθενών δέντρων που περικλείονται από υγιή δέντρα και αλλαγή των συμπτωμάτων με την πάροδο του χρόνου ]]

[[Εικόνα:Eikona 4.4.PNG|thumb|center|350|Εικόνα 4. Προσωρινή τροχιά του δείκτη μέσης εγγύτητας PROX_MN για τα νεκρά δέντρα που έχουν μολυνθεί από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ ]]

Στη συνέχεια, έγινε συλλογή δεδομένων AVIRIS ( Airborne Visible / Infrared Imaging Spectrometer ) στις 24 Σεπτεμβρίου 2008. To AVIRIS είναι ένας εναέριος υπερφασματικός αισθητήρας που αποτελείται από 224 φασματικές ζώνες εντός εύρους 360 nm και 2500 nm με μέσo εύρος ζώνης 10 nm.
Επιπροσθέτως, έγινε χρήση 8 εικόνων Landsat 5 TM και 5 εικόνων Landsat 8 OLI για την ανάκτηση χωρικών και χρονικών σχεδίων της προόδου της ασθένειας του ‘’ ξαφνικού θανάτου ‘’ βελανιδιάς ετησίως από το 2005 έως το 2016. Παρόλο που υπάρχουν διαφορές στα μήκη κύματος μεταξύ των αισθητήρων, χρησιμοποιήθηκαν τα κανάλια blue, green, red, NIR, SWIR-1 και SWIR-2. Όλες οι εικόνες λήφθηκαν την καλλιεργητική περίοδο ( Απρίλιος – Ιούνιος ).
Επιπλέον, εικόνες τύπου NAIP ( Airborne Visible / Infrared Imaging Spectrometer ) ελήφθησαν το 2005 με ανάλυση 1 μέτρου, με οριζόντια ακρίβεια που ταιριάζει εντός 6 μέτρων αναγνωρίσιμων σημείων ελέγχου εδάφους, αποτελούμενο από μωσαικό εικόνων 3 καναλιών RGB υψηλής ποιότητας.
Τέλος, χρησιμοποιήθηκαν 2 είδη περιβαλλοντικών μεταβλητών που είναι γνωστό ότι επηρεάζουν την μετάδοση του παθογόνου P. ramorum, κλιματικές ( κατακρημνίσεις, θερμοκρασία και σχετική υγρασία ) και τοπογραφικές μεταβλητές ( ανύψωση, κλίση, ηλιοφάνεια και υγρότητα ). Για το κλίμα, κάθε μεταβλητή υπολογίστηκε τα δεδομένα κάθε μήνα κατά την αναπαραγωγική περίοδο της ασθένειας από τον Δεκέμβρη ως τον Μάη πριν από κάθε μεταβατική κατάσταση εντός περιόδου 10 χρόνων. Για τις τοπογραφικές συνθήκες, υπολογίστηκαν 4 μεταβλητές από μια ανάλυση DEM 30 μέτρων.

Η δομή της έρευνας βασίστηκε σε 2 βήματα: την ανάπτυξη του μοντέλου και την εφαρμογή του μοντέλου στην πολυχρονική χαρτογράφηση διανομής της ασθένειας. Στην εικόνα 5 φαίνονται τα κύρια μέρη της ανάπτυξης μοντέλου και εφαρμογής. Για τις ανάγκες της εργασίας, δημιουργήθηκε μια φασματική βιβλιοθήκη που περιλαμβάνει τα φάσματα 4 στοιχείων στην περιοχή που εξετάζουμε: πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ), έδαφος και απόχρωση. Για την επιλογή των πιο κατάλληλων στοιχείων για την παρούσα εργασία, πρώτα χρησιμοποιήθηκαν εικόνες Google Earth Worldview-1 ως αναφορά για την μείωση του αριθμού των εικονοστοιχείων των στοιχείων στα 47 και η ταξινόμησή τους έγινε ως εξής: 17 GV, 13 NPV, 14 έδαφος και 3 απόχρωση. Για την καλύτερη εκκαθάριση του αποτελέσματος, χρησιμοποιήθηκαν οι παρακάτω 3 δείκτες:

1) Μέσο τετραγωνικό σφάλμα στοιχείου ( EAR )

Το EAR χρησιμοποιήθηκε για να επιλέξει το πιο αντιπροσωπευτικό στοιχείο για κάθε τάξη κάλυψης εδάφους. Υπολογίστηκε για κάθε στοιχείο υπολογίζοντας το μέσο τετραγωνικό σφάλμα της ομάδας των μοντέλων που χρησιμοποίησαν το στοιχείο για τον διαχωρισμό των φασμάτων που ανήκουν στην ίδια τάξη κάλυψης γης

[[Εικόνα:Ear.PNG|thumb|center|210px|]

όπου i είναι το στοιχείο, j το μοντελοποιημένο φάσμα, N το σύνολο των στοιχείων και n το νούμερο του μοντελοποιημένου φάσματος. Ο δείκτης EAR χρησιμοποιήθηκε για να εκτιμήσει την ικανότητα κάθε στοιχείου να μοντελοποιήσει το φάσμα εντός της δικής του τάξης. Το ελάχιστο EAR στοιχείο είναι το πιο αντιπροσωπευτικό της τάξης.

2) Μέση ελάχιστη φασματική γωνία ( MASA )

Το MASA σε μια τάξη υπολογίστηκε ως η μέση φασματική γωνία μεταξύ του φάσματος αναφοράς και όλων των άλλων φασμάτων εντός της ίδιας τάξης. Ως η καλύτερη επιλέχτηκε αυτή που παρήγαγε τη μέση χαμηλότερη φασματική γωνία.

[[Εικόνα:Masa.PNG|thumb|center|210px|]

όπου ρλ είναι η ανακλαστικότητα ενός στοιχείου, ρ’λ η ανακλαστικότητα ενός μοντελοποιημένου φάσματος, Lρ το μήκος του διανύσματος του στοιχείου και Lρ’ είναι το μήκος διανύσματος του μοντελοποιημένου φάσματος.

3) Επιλογή στοιχείου βασισμένο σε μετρήσεις ( CoB )

Το CoB χρησιμοποιήθηκε για την επιλογή των άριστων στοιχείων ως τα μέλη μιας βιβλιοθήκης που μοντελοποιούν τον μεγαλύτερο αριθμό φασμάτων εντός της τάξης τους, ενώ εκτιμούν αν τα υποψήφια μοντέλα συναντήσουν κλάσμα, το RMSE και περιορισμούς υπολοίπου, όταν ξεχωρίζονται τα φάσματα στην βιβλιοθήκη. To CoB χρησιμοποιεί το σκεπτικό του MESMA για την επιλογή στοιχείων βασισμένα στον αριθμό των φασμάτων της βιβλιοθήκης, καθορίζοντας τον αριθμό των φασμάτων που μοντελοποιήθηκαν από ένα στοιχείο εντός της τάξης του στοιχείου ( InCoB ) και εκτός της τάξης του στοιχείου ( OutCoB ). Το ιδανικό μοντέλο παρουσιάζει το μέγιστο InCoB και το ελάχιστο OutCoB.

[[Εικόνα:Eikona 4.5.PNG|thumb|center|350px|Εικόνα 5. Λεπτομερές διάγραμμα εργασίας για την ανάπτυξη μοντέλου ( Step 1 ) και ετήσια χαρτογράφηση θνησιμότητας δέντρων λόγω της ασθένειας ( Step 2 ) ]]

Για την αποσύνθεση κάθε εικονοστοιχείου Landsat, ο φασματικός διαχωρισμός εφαρμόστηκε με τον κλασικό αλγόριθμο ανάλυσης φασματικού μίγματος πολλαπλών στοιχείων ( MESMA ), που εξετάζει την φασματική μεταβλητότητα, επιτρέποντας τον αριθμό και τον τύπο των στοιχείων να ποικίλουν σε μια βάση ανά εικονοστοιχείο. Το κριτήριο που χρησιμοποιείται για να καθορίσει τα πιο ταιριαστά μοντέλα περιλαμβάνει κλάσματα του στοιχείου, κλάσματα μέγιστης απόχρωσης και RMSE. Επιλέχθηκαν τα παρακάτω όρια: -0.05 και 1.05 για ελάχιστες και μέγιστες τιμές επιτρεπόμενων κλασμάτων, αντίστοιχα, 0.8 για μέγιστη επιτρεπόμενη τιμή κλάσματος απόχρωσης και 0.025 για μέγιστο επιτρεπόμενο RMSE. Έγινε εκτίμηση όλων των λογικών συνδυασμών στοιχείων και επιλέχθηκε το πιο ταιριαστό μοντέλο. Όταν πολλά μοντέλα κάλυπταν τα συγκεκριμένα κριτήρια, επιλέχτηκε αυτό με το χαμηλότερο RMSE.
Παρήχθη ένας χάρτης υψηλής ανάλυσης διανομής της ασθένειας για το 2005. Για την δημιουργία του χάρτη, εφαρμόστηκε η δομή μιας γεωγραφικής ανάλυσης εικόνων βασισμένη σε αντικείμενα ( GEOBIA ). Η GEOBIA χρησιμοποιεί εικόνες – αντικείμενα σαν βασικές μονάδες μελέτης για να μειώσει τα λάθη που προκαλούνται από την φασματική μεταβλητότητα εντός κάθε γεωγραφικού αντικειμένου και έχει δύο συστατικά: την κατάτμηση εικόνας και την ταξινόμηση βάσει αντικειμένου.

Για την ανάλυση του βαθμού στον οποίο οι οικολογικές συνθήκες επηρεάζουν την πιθανότητα μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς, αναπτύχθηκε ένα γραμμικό μοντέλο, βάσει 7 περιβαλλοντικών μεταβλητών. Ο λογαριθμικός μετασχηματισμός της πιθανότητας pi ότι ένα ευαίσθητο οικόπεδο i προσβάλλεται περιγράφεται ως:

[[Εικόνα:Yinfection.PNG|thumb|center|210px|]]

όπου β0 και βi είναι συντελεστές παλινδρόμησης και xj μια από τις περιβαλλοντικές μεταβλητές.

==Αποτελέσματα==

Η φασματική ανακλαστικότητα για τα εξαχθέντα 6 GV, 5 NPV και 6 εδάφους στοιχεία παρουσιάζονται στην εικόνα 6. Παρατηρείται ότι τα στοιχεία GV παρουσίασαν υψηλότερη intra-class μεταβλητότητα από τα στοιχεία NPV και εδάφους. Αυτό συνέβη κατά κύριο λόγο επειδή τα δέντρα στην περιοχή που εξετάζουμε περιλαμβάνουν μια ποικιλία ειδών. Συγκρινόντάς τα με τα υγιή δέντρα, τα νεκρά δέντρα και το έδαφος ήταν σχετικά ομοιογενή όσον αφορά τις φασματικές υπογραφές τους. Ειδικά όσον αφορά τα νεκρά δέντρα, οι τιμές της φασματικής ανακλαστικότητάς τους ήταν εξαιρετικά χαμηλές στο τμήμα του εγγύς υπερύθρου του φάσματος και υψηλές στο τμήμα του βραχέος υπερύθρου, κάνοντας το NPV πιο διακριτό σε σχέση με το GV και το έδαφος. Οι κλασματικοί χάρτες που αντιστοιχούν στα 3 στοιχεία GV, NPV και έδαφος για το έτος 2005 παρουσιάζονται στην εικόνα 7.

Η μέση ακρίβεια των αποτελεσμάτων της ταξινόμησης μέσω της χρήσης εικόνων 2005 NAIP και την δομή αντικειμένου – εικόνας ήταν 88.33 % με Kappa statistic της τάξεως του 0.82. Όπως παρουσιάζεται στην εικόνα 9, σε σύγκριση με τις μη-δασικές περιοχές, η οριζόντια και κάθετη δομή των δασικών ήταν μεγαλύτερης περιπλοκότητας και ανομοιογένειας, οδηγώντας σε μεγαλύτερη φασματική μεταβλητότητα. Εν συγκρίσει με τα υγιή δάση, τα ασθενή δάση ήταν πιο δύσκολο να χαρτογραφηθούν δείχνοντας σχετικά μικρότερες ακρίβειες. Επειδή η ασθένεια που εξετάζουμε εμφανίζει ένα όχι τυχαίο, υψηλά συγκεντρωτικό σχέδιο διανομής, κάποιες μικρές ομάδες δέντρων περιτριγυρίζονται από υγιή δέντρα., Επίσης, τα δέντρα που έχουν μολυνθεί αλλάζουν χρώμα προοδευτικά μέσα στα χρόνια, κάτι που δυσκολεύει την διαδικασία διαχωρισμού τους.

[[Εικόνα:Eikona 4.6.PNG|thumb|center|350px|Εικόνα 6. Τα εξαγόμενα φάσματα για την πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ) και έδαφος στην περιοχή που μελετούμε ]]

[[Εικόνα:Eikona 4.7.PNG|thumb|center|350px|Εικόνα 7. Κλασματικοί χάρτες της πράσινης βλάστησης ( GV ), μη-φωτοσυνθετικής βλάστησης ( NPV ) και εδάφους για την χρονιά 2005, όπου οι γκρι τόνοι υποδεικνύουν τιμές από χαμηλές ( μαύρο ) έως υψηλές ( φωτεινό ) ]]

[[Εικόνα:Eikona 4.8.PNG|thumb|center|350px|Εικόνα 8. a) Εικόνα δείγματος NAIP πραγματικών χρωμάτων στο Big Sur b) αντίστοιχη ταξινόμηση με όρια εικόνων – αντικειμένων ]]

[[Εικόνα:Eikona 4.9.PNG|thumb|center|350px|Εικόνα 9. Πίνακας αταξίας των αποτελεσμάτων της χαρτογράφησης ασθένειας ]]

Ακολουθώντας την εφαρμογή της προτεινόμενης μεθόδου χαρτογράφησης, οι χάρτες θνησιμότητας των βελανιδιών από ‘’ ξαφνικό θάνατο ‘’ πέτυχαν ακρίβειες μεταξύ 0.7 και 0.9, ενώ οι ακρίβειες χαρτογράφησης για τις χρονιές 2005, 2013, 2014 και 2016 ήταν υψηλότερες του 80 %, όπως φαίνεται και στην εικόνα 10. Ύστερα από εφαρμογή του δημιουργημένου SDM σε όλη την περιοχή που εξετάζουμε και παραγωγή ενός χάρτη πιθανότητας μόλυνσης από την ασθένεια, παρατηρήθηκε ότι η εφαρμοστικότητα βιοτόπου με μεγάλη πιθανότητα ήταν αρκετά καλύτερη ( p < 0.05 ) στα μολυσμένα οικόπεδα. Οι 11 χάρτες θνησιμότητας των δέντρων παρουσιάζονται στην εικόνα 12, που δείχνει την ετήσια μόλυνση των δέντρων από την ασθένεια για την περίοδο 2015 – 2016 στην περιοχή που εξετάζουμε.

[[Εικόνα:Eikona 4.10.PNG|thumb|center|350px|Εικόνα 10. Χαρτογράφηση ακριβειών ( ακρίβεια παραγωγού, ακρίβεια χρήστη, μέση ακρίβεια, Kappa statistic ) για τις χρονιές 2005, 2006, 2009, 2010, 2011, 2013, 2014, 2015 και 2016 ]]

[[Εικόνα:Eikona 4.11.PNG|thumb|center|350px|Εικόνα 11. Χάρτες μοντέλου διανομής ειδών συμπληρωματικής πιθανότητας του ‘’ ξαφνικού θανάτου ‘’ από το 2005 μέχρι το 2016 ]]

[[Εικόνα:Eikona 4.12.PNG|thumb|center|350px|Εικόνα 12. Χωρική διανομή της υπολογισμένης πυκνότητας της θνησιμότητας λόγω ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς ανά 900 m2 από το 2005 μέχρι το 2016 ]]

==Συμπεράσματα==

Τα αποτελέσματα δείχνουν ότι το μοντέλο διανομής ειδών μείωσε αισθητά την υπερτίμηση της θνησιμότητας των βελανιδιών από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ που παρατηρήθηκε με εικόνες Landsat. Παρόλα αυτά, λόγω της έλλειψης λεπτομερούς παρακολούθησης του πεδίου, παρουσιάστηκε δυσκολία στην εκτίμηση του ποσοστού της υπερτίμησης που οφείλονταν σε άλλες αιτίες, πέραν της ασθένειας που μελετούμε. Η ερμηνεία ότι η υπερεκτιμημένη θνησιμότητα δέντρων συνδεόταν κυρίως με ξηρασία ή / και πυρκαγιά βασιζόταν σε αναφερόμενα καιρικά γεγονότα της περιοχής. Παρ’ όλα αυτά, η παρούσα εργασία παρουσιάζει τον καλύτερο τρόπο σύνδεσης πολύ-κλιμακωτών παρατηρήσεων τηλεπισκόπησης για την ανάδειξη περιοχών που πιθανώς δεν έχουν μολυνθεί από τον ‘’ ξαφνικό θάνατο ‘’ της βελανιδιάς, ώστε οι προσπάθειες εντοπισμού αυτής να ενταθούν σε άλλες περιοχές που υπάρχει ανάγκη. Οι τελικοί ετήσιοι χάρτες θνησιμότητας δέντρων δείχνουν ακρίβειες που κυμαίνονται μεταξύ 75.5 και 82.5 %.

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Yinfection.PNG

2020-02-25T16:16:31Z

AndSarris:

Αρχείο:Masa.PNG

2020-02-25T16:16:16Z

AndSarris:

Αρχείο:Eikona 4.12.PNG

2020-02-25T16:16:01Z

AndSarris:

Αρχείο:Eikona 4.11.PNG

2020-02-25T16:15:36Z

AndSarris:

Αρχείο:Eikona 4.10.PNG

2020-02-25T16:15:14Z

AndSarris:

Αρχείο:Eikona 4.9.PNG

2020-02-25T16:14:41Z

AndSarris:

Αρχείο:Eikona 4.8.PNG

2020-02-25T16:14:20Z

AndSarris:

Αρχείο:Eikona 4.7.PNG

2020-02-25T16:13:46Z

AndSarris:

Αρχείο:Eikona 4.6.PNG

2020-02-25T16:13:18Z

AndSarris:

Αρχείο:Eikona 4.5.PNG

2020-02-25T15:16:15Z

AndSarris:

Αρχείο:Eikona 4.4.PNG

2020-02-25T15:15:56Z

AndSarris:

Αρχείο:Eikona 4.3.PNG

2020-02-25T15:15:40Z

AndSarris:

Αρχείο:Eikona 4.2.PNG

2020-02-25T15:15:06Z

AndSarris:

Αρχείο:Ear.PNG

2020-02-25T15:14:27Z

AndSarris:

Αρχείο:Eikona 4.1.PNG

2020-02-25T15:14:14Z

AndSarris:

Ενσωμάτωση αισθητήρων τηλεπισκόπισης για χαρτογράφηση της εξάπλωσης ασθενειών του δάσους και θνησιμότητας δέντρων

2020-02-25T15:13:18Z

AndSarris: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Integrating multi-sensor remote sensing and species distribution modeling to map the spread of emerging forest disease and tree mo...'

'''Πρωτότυπος τίτλος:''' Integrating multi-sensor remote sensing and species distribution modeling to map the spread of emerging forest disease and tree mortality

'''Συγγραφείς:''' Yinan He, Gang Chen, Christopher Potter, Ross K. Meentemeyer

'''Πηγή:''' Remote Sensing of Environment, 2019, Issue 231 [https://www.sciencedirect.com/science/article/pii/S0034425719302573]

==Αντικείμενο==

Στην παρούσα εργασία χρησιμοποιήθηκε η τηλεπισκόπηση πολλαπλών αισθητήρων και η μοντελοποίηση διανομής ειδών για την χαρτογράφηση της θνησιμότητας των δέντρων από ασθένειες σε μια δασώδη περιοχή της Καλιφόρνια από το 2005 μέχρι το 2016. Η ασθένεια που εξετάστηκε είναι ο ‘’ ξαφνικός θάνατος ‘’ της βελανιδιάς, η οποία οφείλεται για τον θάνατο εκατομμυρίων βελανιδιών στην Καλιφόρνια τις τελευταίες δεκαετίες. Για την ισορροπία της παρακολούθησης σε λεπτή κλίμακα των σχεδίων διανομής ασθενειών και ικανοποιητικής κάλυψης σε ευρείες κλίμακες, εφαρμόστηκε φασματικός διαχωρισμός για την εξαγωγή παρουσίας ασθένειας από εικονοστοιχεία. Τα αποτελέσματα βελτιώθηκαν χρησιμοποιώντας την πιθανότητα της μόλυνσης από την ασθένεια, παραγόμενη από ένα μοντέλο διανομής των ειδών.

==Μεθοδολογία==

Την τελευταία δεκαετία, παρατηρείται έξαρση των αναδυόμενων μολυσματικών ασθενειών ( EID ) της βλάστησης σε δασικές εκτάσεις, το οποίο έχει συμβάλλει στη θνησιμότητα των δέντρων σε πρωτοφανή επίπεδα. Η εξ αποστάσεως ανίχνευση της θνησιμότητας λόγω EID μπορεί να είναι μια αποτελεσματική και ακριβής μέθοδος για να κλιμακωθούν οι μετρήσεις του πεδίου στην κλίμακα του τοπίου. Η χαρτογράφηση διαταράξεων λόγω παθογόνων επιτρέπει στους ιδιοκτήτες να λάβουν δράση για την αντιμετώπισή τους σε συγκεκριμένα σημεία της γης των μεγάλων εκτάσεων τους. Ο επιτυχημένος εντοπισμός βασίζεται στο γεγονός ότι τα μολυσμένα δέντρα παρουσιάζουν διακριτά φασματικά, χωρικά ή/και χρονικά συμπτώματα, που μπορεί να σχετίζονται με πτώσεις στην σύσταση χλωροφύλλης και νερού στα φυλλώματα, αποχρωματισμό των φύλλων, αποφύλλωση ή κενά στα σώματα των δέντρων. Οι βελανιδιές παρουσιάζονται ως λυοφιλοποιημένες εξαιτίας του ‘’ ξαφνικού θανάτου ‘’, που προκαλείται από το παθογόνο Plytophthora ramorum. Τη σημερινή εποχή, η συγκεκριμένη ασθένεια αγγίζει διαστάσεις επιδημίας σε πολλά δάση της περιοχής της Αμερικής πλησίον της ακτής του Ειρηνικού. Η έκρηξη των EID είναι τυπικά σύνδεση χρόνιου στρες βλάστησης, που επικαλύπτεται πιθανώς με χωριστά γεγονότα, όπως η ξηρασία και οι πυρκαγιές που συμβαίνουν παράλληλα στην ίδια περιοχή. Τα κατεστραμμένα δέντρα συνήθως επιδεικνύουν παρόμοια φασματικά ή χωρικά συμπτώματα, κάνοντας δύσκολη την χαρτογράφηση των δέντρων που πάσχουν από ασθένειες. Η μοντελοποίηση της διανομής ειδών ( SDM ) χρησιμοποιείται ευρέως στον τομέα της οικολογίας και της βιολογίας για την πρόβλεψη της στατιστικής πιθανότητας του διασκορπισμού των ειδών στον χώρο και τον χρόνο. Η απόδοση των προσεγγίσεων του μοντέλου εξαρτάται από τις αβιοτικές συνθήκες και την διανομή των δειγματικών παρατηρήσεων, που είναι κρίσιμες για την αποτελεσματική αξιολόγηση του μοντέλου. Παρά την δημοφιλία του, το συγκεκριμένο μοντέλο μπορεί να οδηγήσει σε μεγάλες αβεβαιότητες και πλαστά αποτελέσματα, χωρίς την αξιόπιστη γνώση του εύρους των ειδών, που αποκτάται τυπικά από έρευνες στο πεδίο. Η επιτυχής χαρτογράφηση της θνησιμότητας των δέντρων λόγω των EID, συνδυάζοντας την τηλεπισκόπηση και το SDM, αποτελεί μια προοπτική, που αξίζει να εξεταστεί.
Η περιοχή εξέτασης βρίσκεται στο Big Sur της Καλιφόρνια, στην δυτική ακτή των Ηνωμένων Πολιτειών. Είναι μια περιοχή εμβαδού 80000 εκταρίων περίπου στα πιο απόκρημνα βουνά, με μέγιστο υψόμετρο έως 1600 μέτρα εντός 4.5 χιλιομέτρων της ακτής. Η ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς αποτελεί την κύρια διατάραξη της βλάστησης στην περιοχή που εξετάζουμε, όμως κύριες διαταράξεις αποτελούν η ξηρασία και οι πυρκαγιές.

[[Εικόνα:Eikona1sarris.PNG|thumb|center|410px|Εικόνα 1. Η περιοχή μελέτης βρίσκεται στο Big Sur της Καλιφόρνια. Η εικόνα Landsat TM είναι από μια σύνθεση ψευδοχρώματος με την χρήση των καναλιών 4 ( NIR ), 3 ( Red ) και 2 ( Green ). Η εικόνα AVIRIS είναι σύνθεση ψευδοχρώματος με την χρήση των καναλιών 51 ( NIR ), 33 ( Red ) και 22 ( Green ) ]]

Η κύρια εργασία εξετάζει δύο είδη δεδομένων αναφοράς, τα δεδομένα του πεδίου και δεδομένα τηλεπισκόπησης από δείγματα εικόνων υψηλών ανάλυσης του Google Earth και τοπικές εναέριες φωτογραφίες. Συγκεκριμένα, εγκαταστήθηκαν 85 μόνιμα οικόπεδα διαστάσεων 50 x 50 μέτρων από το καλοκαίρι του 2006, τα οποία σχεδιάστηκαν για να ακολουθήσουν ένα τυχαίως στρωματοποιημένο δειγματικό σχεδιάγραμμα και εξεταζόντουσαν κάθε χρόνο για την παρακολούθηση της μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς και του αντίκτυπου της στην αλλαγή της δομής του δάσους.

Για την συμπλήρωση του περιορισμένου αριθμού των δειγμάτων της ασθένειας εκ του πεδίου, εξήχθησαν ασθενή και υγειά οικόπεδα από εικόνες εναέριες ( NAIP ) και από το Google Earth μέσω ερμηνείας εικόνας. Η ερμηνεία βασίστηκε σε χωρικά, φασματικά και χρονικά συμπτώματα της ασθένειας που διαφέρουν από αυτά που οφείλονται σε ξηρασία ή πυρκαγιές. Στην εικόνα 2 παρουσιάζονται παραδείγματα απομονωμένων ασθενών δέντρων που περικλείονται από υγιή δέντρα σε πολύ-χρονικές, υψηλής ανάλυσης και με πραγματικά χρώματα εικόνες. Για την ποσοτικοποίηση των φασματικών, χρονικών και χωρικών σχεδίων της ασθένειας, χρησιμοποιήθηκαν δύο δείκτες. Πρώτον, το φύλλωμα των δέντρων αλλάζει χρώμα αισθητά από πράσινο σε καφέ εντός ενός ή δύο ετών και ύστερα σε γκρι, υποδεικνύωντας αποξήρανση φύλλων και κατάρρευση χρώματος. Χρησιμοποιήθηκε ο δείκτης Red-Green Index ( RGI ) για την σύλληψη της αλλαγής του χρώματος. Δεύτερον, η θνησιμότητα των δέντρων από την συγκεκριμένη ασθένεια επιδεικνύει απομονωμένα, ανομοιόμορφα σχέδια διανομής, που σταδιακά αυξάνουν την πυκνότητα και μειώνουν την μεταξύ τους απόσταση. Για την ανάλυση αυτών των σχεδίων, χρησιμοποιήθηκε ο δείκτης της μέσης εγγύτητας PROX_MN για την εκτίμηση του βαθμού της απομόνωσης και θρυμματισμού του αντίστοιχου τύπου στην εξεταζόμενη γη μέσα στα χρόνια, με τις υψηλές τιμές να εκφράζουν χαμηλά επίπεδα θρυμματισμού και αντιστρόφως:

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 3. Δείκτης PROX_MN ]]

όπου το aijs είναι η περιοχή του τεμάχιου γης ijs εντός μιας συγκεκριμένης περιοχής του τεμάχιου ij, hijs είναι η απόσταση μεταξύ του τεμάχιου ijs και ij και n είναι ο αριθμός των συνολικών τεμαχίων γης μέσα στη συγκεκριμένη περιοχή. Στην παρούσα εργασία, ο δείκτης χρησιμοποιήθηκε εντός περιοχής με ακτίνα αναζήτησης 200 μέτρων. Στην εικόνα 4 παρουσιάζεται η τροχιά των τιμών του δείκτη μέσα στα χρόνια.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 2. Παραδείγματα απομόνωσης ασθενών δέντρων που περικλείονται από υγιή δέντρα και αλλαγή των συμπτωμάτων με την πάροδο του χρόνου ]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 4. Προσωρινή τροχιά του δείκτη μέσης εγγύτητας PROX_MN για τα νεκρά δέντρα που έχουν μολυνθεί από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ ]]

Στη συνέχεια, έγινε συλλογή δεδομένων AVIRIS ( Airborne Visible / Infrared Imaging Spectrometer ) στις 24 Σεπτεμβρίου 2008. To AVIRIS είναι ένας εναέριος υπερφασματικός αισθητήρας που αποτελείται από 224 φασματικές ζώνες εντός εύρους 360 nm και 2500 nm με μέσo εύρος ζώνης 10 nm.
Επιπροσθέτως, έγινε χρήση 8 εικόνων Landsat 5 TM και 5 εικόνων Landsat 8 OLI για την ανάκτηση χωρικών και χρονικών σχεδίων της προόδου της ασθένειας του ‘’ ξαφνικού θανάτου ‘’ βελανιδιάς ετησίως από το 2005 έως το 2016. Παρόλο που υπάρχουν διαφορές στα μήκη κύματος μεταξύ των αισθητήρων, χρησιμοποιήθηκαν τα κανάλια blue, green, red, NIR, SWIR-1 και SWIR-2. Όλες οι εικόνες λήφθηκαν την καλλιεργητική περίοδο ( Απρίλιος – Ιούνιος ).
Επιπλέον, εικόνες τύπου NAIP ( Airborne Visible / Infrared Imaging Spectrometer ) ελήφθησαν το 2005 με ανάλυση 1 μέτρου, με οριζόντια ακρίβεια που ταιριάζει εντός 6 μέτρων αναγνωρίσιμων σημείων ελέγχου εδάφους, αποτελούμενο από μωσαικό εικόνων 3 καναλιών RGB υψηλής ποιότητας.
Τέλος, χρησιμοποιήθηκαν 2 είδη περιβαλλοντικών μεταβλητών που είναι γνωστό ότι επηρεάζουν την μετάδοση του παθογόνου P. ramorum, κλιματικές ( κατακρημνίσεις, θερμοκρασία και σχετική υγρασία ) και τοπογραφικές μεταβλητές ( ανύψωση, κλίση, ηλιοφάνεια και υγρότητα ). Για το κλίμα, κάθε μεταβλητή υπολογίστηκε τα δεδομένα κάθε μήνα κατά την αναπαραγωγική περίοδο της ασθένειας από τον Δεκέμβρη ως τον Μάη πριν από κάθε μεταβατική κατάσταση εντός περιόδου 10 χρόνων. Για τις τοπογραφικές συνθήκες, υπολογίστηκαν 4 μεταβλητές από μια ανάλυση DEM 30 μέτρων.
Η δομή της έρευνας βασίστηκε σε 2 βήματα: την ανάπτυξη του μοντέλου και την εφαρμογή του μοντέλου στην πολυχρονική χαρτογράφηση διανομής της ασθένειας. Στην εικόνα 5 φαίνονται τα κύρια μέρη της ανάπτυξης μοντέλου και εφαρμογής. Για τις ανάγκες της εργασίας, δημιουργήθηκε μια φασματική βιβλιοθήκη που περιλαμβάνει τα φάσματα 4 στοιχείων στην περιοχή που εξετάζουμε: πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ), έδαφος και απόχρωση. Για την επιλογή των πιο κατάλληλων στοιχείων για την παρούσα εργασία, πρώτα χρησιμοποιήθηκαν εικόνες Google Earth Worldview-1 ως αναφορά για την μείωση του αριθμού των εικονοστοιχείων των στοιχείων στα 47 και η ταξινόμησή τους έγινε ως εξής: 17 GV, 13 NPV, 14 έδαφος και 3 απόχρωση. Για την καλύτερη εκκαθάριση του αποτελέσματος, χρησιμοποιήθηκαν οι παρακάτω 3 δείκτες:

1) Μέσο τετραγωνικό σφάλμα στοιχείου ( EAR )

Το EAR χρησιμοποιήθηκε για να επιλέξει το πιο αντιπροσωπευτικό στοιχείο για κάθε τάξη κάλυψης εδάφους. Υπολογίστηκε για κάθε στοιχείο υπολογίζοντας το μέσο τετραγωνικό σφάλμα της ομάδας των μοντέλων που χρησιμοποίησαν το στοιχείο για τον διαχωρισμό των φασμάτων που ανήκουν στην ίδια τάξη κάλυψης γης

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|]

όπου i είναι το στοιχείο, j το μοντελοποιημένο φάσμα, N το σύνολο των στοιχείων και n το νούμερο του μοντελοποιημένου φάσματος. Ο δείκτης EAR χρησιμοποιήθηκε για να εκτιμήσει την ικανότητα κάθε στοιχείου να μοντελοποιήσει το φάσμα εντός της δικής του τάξης. Το ελάχιστο EAR στοιχείο είναι το πιο αντιπροσωπευτικό της τάξης.

2) Μέση ελάχιστη φασματική γωνία ( MASA )

Το MASA σε μια τάξη υπολογίστηκε ως η μέση φασματική γωνία μεταξύ του φάσματος αναφοράς και όλων των άλλων φασμάτων εντός της ίδιας τάξης. Ως η καλύτερη επιλέχτηκε αυτή που παρήγαγε τη μέση χαμηλότερη φασματική γωνία.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|]

όπου ρλ είναι η ανακλαστικότητα ενός στοιχείου, ρ’λ η ανακλαστικότητα ενός μοντελοποιημένου φάσματος, Lρ το μήκος του διανύσματος του στοιχείου και Lρ’ είναι το μήκος διανύσματος του μοντελοποιημένου φάσματος.

3) Επιλογή στοιχείου βασισμένο σε μετρήσεις ( CoB )

Το CoB χρησιμοποιήθηκε για την επιλογή των άριστων στοιχείων ως τα μέλη μιας βιβλιοθήκης που μοντελοποιούν τον μεγαλύτερο αριθμό φασμάτων εντός της τάξης τους, ενώ εκτιμούν αν τα υποψήφια μοντέλα συναντήσουν κλάσμα, το RMSE και περιορισμούς υπολοίπου, όταν ξεχωρίζονται τα φάσματα στην βιβλιοθήκη. To CoB χρησιμοποιεί το σκεπτικό του MESMA για την επιλογή στοιχείων βασισμένα στον αριθμό των φασμάτων της βιβλιοθήκης, καθορίζοντας τον αριθμό των φασμάτων που μοντελοποιήθηκαν από ένα στοιχείο εντός της τάξης του στοιχείου ( InCoB ) και εκτός της τάξης του στοιχείου ( OutCoB ). Το ιδανικό μοντέλο παρουσιάζει το μέγιστο InCoB και το ελάχιστο OutCoB.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 5. Λεπτομερές διάγραμμα εργασίας για την ανάπτυξη μοντέλου ( Step 1 ) και ετήσια χαρτογράφηση θνησιμότητας δέντρων λόγω της ασθένειας ( Step 2 ) ]]

Για την αποσύνθεση κάθε εικονοστοιχείου Landsat, ο φασματικός διαχωρισμός εφαρμόστηκε με τον κλασικό αλγόριθμο ανάλυσης φασματικού μίγματος πολλαπλών στοιχείων ( MESMA ), που εξετάζει την φασματική μεταβλητότητα, επιτρέποντας τον αριθμό και τον τύπο των στοιχείων να ποικίλουν σε μια βάση ανά εικονοστοιχείο. Το κριτήριο που χρησιμοποιείται για να καθορίσει τα πιο ταιριαστά μοντέλα περιλαμβάνει κλάσματα του στοιχείου, κλάσματα μέγιστης απόχρωσης και RMSE. Επιλέχθηκαν τα παρακάτω όρια: -0.05 και 1.05 για ελάχιστες και μέγιστες τιμές επιτρεπόμενων κλασμάτων, αντίστοιχα, 0.8 για μέγιστη επιτρεπόμενη τιμή κλάσματος απόχρωσης και 0.025 για μέγιστο επιτρεπόμενο RMSE. Έγινε εκτίμηση όλων των λογικών συνδυασμών στοιχείων και επιλέχθηκε το πιο ταιριαστό μοντέλο. Όταν πολλά μοντέλα κάλυπταν τα συγκεκριμένα κριτήρια, επιλέχτηκε αυτό με το χαμηλότερο RMSE.
Παρήχθη ένας χάρτης υψηλής ανάλυσης διανομής της ασθένειας για το 2005. Για την δημιουργία του χάρτη, εφαρμόστηκε η δομή μιας γεωγραφικής ανάλυσης εικόνων βασισμένη σε αντικείμενα ( GEOBIA ). Η GEOBIA χρησιμοποιεί εικόνες – αντικείμενα σαν βασικές μονάδες μελέτης για να μειώσει τα λάθη που προκαλούνται από την φασματική μεταβλητότητα εντός κάθε γεωγραφικού αντικειμένου και έχει δύο συστατικά: την κατάτμηση εικόνας και την ταξινόμηση βάσει αντικειμένου.

Για την ανάλυση του βαθμού στον οποίο οι οικολογικές συνθήκες επηρεάζουν την πιθανότητα μόλυνσης από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς, αναπτύχθηκε ένα γραμμικό μοντέλο, βάσει 7 περιβαλλοντικών μεταβλητών. Ο λογαριθμικός μετασχηματισμός της πιθανότητας pi ότι ένα ευαίσθητο οικόπεδο i προσβάλλεται περιγράφεται ως:

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|]]

όπου β0 και βi είναι συντελεστές παλινδρόμησης και xj μια από τις περιβαλλοντικές μεταβλητές.

==Αποτελέσματα==

Η φασματική ανακλαστικότητα για τα εξαχθέντα 6 GV, 5 NPV και 6 εδάφους στοιχεία παρουσιάζονται στην εικόνα 6. Παρατηρείται ότι τα στοιχεία GV παρουσίασαν υψηλότερη intra-class μεταβλητότητα από τα στοιχεία NPV και εδάφους. Αυτό συνέβη κατά κύριο λόγο επειδή τα δέντρα στην περιοχή που εξετάζουμε περιλαμβάνουν μια ποικιλία ειδών. Συγκρινόντάς τα με τα υγιή δέντρα, τα νεκρά δέντρα και το έδαφος ήταν σχετικά ομοιογενή όσον αφορά τις φασματικές υπογραφές τους. Ειδικά όσον αφορά τα νεκρά δέντρα, οι τιμές της φασματικής ανακλαστικότητάς τους ήταν εξαιρετικά χαμηλές στο τμήμα του εγγύς υπερύθρου του φάσματος και υψηλές στο τμήμα του βραχέος υπερύθρου, κάνοντας το NPV πιο διακριτό σε σχέση με το GV και το έδαφος. Οι κλασματικοί χάρτες που αντιστοιχούν στα 3 στοιχεία GV, NPV και έδαφος για το έτος 2005 παρουσιάζονται στην εικόνα 7.
Η μέση ακρίβεια των αποτελεσμάτων της ταξινόμησης μέσω της χρήσης εικόνων 2005 NAIP και την δομή αντικειμένου – εικόνας ήταν 88.33 % με Kappa statistic της τάξεως του 0.82. Όπως παρουσιάζεται στην εικόνα 9, σε σύγκριση με τις μη-δασικές περιοχές, η οριζόντια και κάθετη δομή των δασικών ήταν μεγαλύτερης περιπλοκότητας και ανομοιογένειας, οδηγώντας σε μεγαλύτερη φασματική μεταβλητότητα. Εν συγκρίσει με τα υγιή δάση, τα ασθενή δάση ήταν πιο δύσκολο να χαρτογραφηθούν δείχνοντας σχετικά μικρότερες ακρίβειες. Επειδή η ασθένεια που εξετάζουμε εμφανίζει ένα όχι τυχαίο, υψηλά συγκεντρωτικό σχέδιο διανομής, κάποιες μικρές ομάδες δέντρων περιτριγυρίζονται από υγιή δέντρα., Επίσης, τα δέντρα που έχουν μολυνθεί αλλάζουν χρώμα προοδευτικά μέσα στα χρόνια, κάτι που δυσκολεύει την διαδικασία διαχωρισμού τους.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 6. Τα εξαγόμενα φάσματα για την πράσινη βλάστηση ( GV ), μη-φωτοσυνθετική βλάστηση ( NPV ) και έδαφος στην περιοχή που μελετούμε ]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 7. Κλασματικοί χάρτες της πράσινης βλάστησης ( GV ), μη-φωτοσυνθετικής βλάστησης ( NPV ) και εδάφους για την χρονιά 2005, όπου οι γκρι τόνοι υποδεικνύουν τιμές από χαμηλές ( μαύρο ) έως υψηλές ( φωτεινό ) ]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 8. a) Εικόνα δείγματος NAIP πραγματικών χρωμάτων στο Big Sur b) αντίστοιχη ταξινόμηση με όρια εικόνων – αντικειμένων ]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 9. Πίνακας αταξίας των αποτελεσμάτων της χαρτογράφησης ασθένειας ]]

Ακολουθώντας την εφαρμογή της προτεινόμενης μεθόδου χαρτογράφησης, οι χάρτες θνησιμότητας των βελανιδιών από ‘’ ξαφνικό θάνατο ‘’ πέτυχαν ακρίβειες μεταξύ 0.7 και 0.9, ενώ οι ακρίβειες χαρτογράφησης για τις χρονιές 2005, 2013, 2014 και 2016 ήταν υψηλότερες του 80 %, όπως φαίνεται και στην εικόνα 10. Ύστερα από εφαρμογή του δημιουργημένου SDM σε όλη την περιοχή που εξετάζουμε και παραγωγή ενός χάρτη πιθανότητας μόλυνσης από την ασθένεια, παρατηρήθηκε ότι η εφαρμοστικότητα βιοτόπου με μεγάλη πιθανότητα ήταν αρκετά καλύτερη ( p < 0.05 ) στα μολυσμένα οικόπεδα. Οι 11 χάρτες θνησιμότητας των δέντρων παρουσιάζονται στην εικόνα 12, που δείχνει την ετήσια μόλυνση των δέντρων από την ασθένεια για την περίοδο 2015 – 2016 στην περιοχή που εξετάζουμε.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 10. Χαρτογράφηση ακριβειών ( ακρίβεια παραγωγού, ακρίβεια χρήστη, μέση ακρίβεια, Kappa statistic ) για τις χρονιές 2005, 2006, 2009, 2010, 2011, 2013, 2014, 2015 και 2016 ]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 11. Χάρτες μοντέλου διανομής ειδών συμπληρωματικής πιθανότητας του ‘’ ξαφνικού θανάτου ‘’ από το 2005 μέχρι το 2016 ]]

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 12. Χωρική διανομή της υπολογισμένης πυκνότητας της θνησιμότητας λόγω ‘’ ξαφνικού θανάτου ‘’ της βελανιδιάς ανά 900 m2 από το 2005 μέχρι το 2016 ]]

==Συμπεράσματα==

Τα αποτελέσματα δείχνουν ότι το μοντέλο διανομής ειδών μείωσε αισθητά την υπερτίμηση της θνησιμότητας των βελανιδιών από την ασθένεια του ‘’ ξαφνικού θανάτου ‘’ που παρατηρήθηκε με εικόνες Landsat. Παρόλα αυτά, λόγω της έλλειψης λεπτομερούς παρακολούθησης του πεδίου, παρουσιάστηκε δυσκολία στην εκτίμηση του ποσοστού της υπερτίμησης που οφείλονταν σε άλλες αιτίες, πέραν της ασθένειας που μελετούμε. Η ερμηνεία ότι η υπερεκτιμημένη θνησιμότητα δέντρων συνδεόταν κυρίως με ξηρασία ή / και πυρκαγιά βασιζόταν σε αναφερόμενα καιρικά γεγονότα της περιοχής. Παρ’ όλα αυτά, η παρούσα εργασία παρουσιάζει τον καλύτερο τρόπο σύνδεσης πολύ-κλιμακωτών παρατηρήσεων τηλεπισκόπησης για την ανάδειξη περιοχών που πιθανώς δεν έχουν μολυνθεί από τον ‘’ ξαφνικό θάνατο ‘’ της βελανιδιάς, ώστε οι προσπάθειες εντοπισμού αυτής να ενταθούν σε άλλες περιοχές που υπάρχει ανάγκη. Οι τελικοί ετήσιοι χάρτες θνησιμότητας δέντρων δείχνουν ακρίβειες που κυμαίνονται μεταξύ 75.5 και 82.5 %.

[[category:Δασοπονία, Δασική διαχείριση]]

Σαρρής Ανδρέας

2020-02-25T14:47:07Z

AndSarris:

Τηλεπισκόπηση βιοποικιλότητας της επίγειας βλάστησης

2020-02-25T14:46:18Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Remote sensing of terrestrial plant biodiversity

'''Συγγραφείς:''' Ran Wang, John A. Gamon

'''Πηγή:''' Remote Sensing of Environment, 2019, Issue 231 [https://www.sciencedirect.com/science/article/pii/S0034425719302317]

==Αντικείμενο==

Στην παρούσα εργασία αναλύεται η χρήση της τηλεπισκόπησης για την εκτίμηση της βιοποικιλότητας μέσα στον χρόνο, παρουσιάζοντας τα θετικά και τα αρνητικά κάθε μεθόδου, επεξηγούνται επιτυχίες και μεγάλα κενά της τηλεπισκόπησης της βιποποικιλότητας και αναγνωρίζονται οι μελλοντικές κατευθύνσεις με προοπτική επιτυχίας. Επίσης, οι συγγραφείς επικεντρώνονται σε αναδυόμενες μεθόδους με τη χρήση φασματικής ποικιλότητας ως πληρεξούσιο της ποικιλίας της επίγειας βλάστησης, ενώ αναλύονται τα κενά στην χρήση της τηλεπισκόπησης σήμερα και πως η φασματική ποικιλότητα μπορεί να ενσωματωθεί σε ένα παγκόσμιο σύστημα παρακολούθησης της βιοποικιλότητας.

==Ιστορία τηλεπισκόπησης βιοποικιλότητας==

Οι έρευνες που αφορούσαν την χρήση της τηλεπισκόπησης για την εκτίμηση της βιοποικιλότητας ήταν ελάχιστες μέχρι την αρχή του 21ου αιώνα, η σημαντικότερη αύξηση τους σημειώθηκε έκτοτε και συνεχίζεται μέχρι σήμερα. Οι πρώτες εφαρμογές της τηλεπισκόπησης στην εκτίμηση της βιοποικιλότητας κυρίως εστίαζαν στην χαρτογράφηση τοπίων και βιότοπων μέσω της ταξινόμησης εδάφους, κυρίως μέσω της χρήσης οπτικών προϊόντων τηλεπισκόπησης και χωρίς να παρέχουν λεπτομερή επαλήθευση της σχέσης ποικιλίας βιοτόπων και βιοποικιλότητας. Η πρόοδος σε αυτόν τον τομέα περιορίζονταν από μια μικρή οικολογική κατανόηση των επιπτώσεων της βιοποικιλότητας στην λειτουργία του οικοσυστήματος, ανεπαρκείς τεχνικές επεξεργασίας εικόνων και έλλειψη κατανόησης για την ερμηνεία οικολογικών πληροφοριών που περιέχονται στα προϊόντα της τηλεπισκόπησης. Τα συστήματα φασματοσκοπίας εικόνων και εντοπισμού φωτός και έκτασης ( LiDAR ) εμπλούτισαν σημαντικά την διαστατικότητα των δεδομένων μέσω τηλεπισκόπησης. Επιπροσθέτως, η τιμή και η διαθεσιμότητα της συγκεκριμένης τεχνολογίας βελτιώθηκε αισθητά.

==Κατηγορίες τηλεπισκόπησης==

Οι μελέτες που αφορούν την ποικιλότητα μέσω της τηλεπισκόπησης χωρίζονται σε 4 κατηγορίες και παρουσιάζονται παρακάτω:

Εκτίμηση βιοποικιλότητας έμμεσα με χαρτογράφηση βιότοπων

Η ανομοιογένεια των βιότοπων χαρακτηρίζεται ως ένας από τους πιο σημαντικούς παράγοντες που ορίζει τον πλούτο των ειδών, έχοντας μια άμεσα συνδεόμενη σχέση με την βιοποικιλότητα, καθώς οι βιότοποι με μεγαλύτερη ανομοιογένεια είναι πιο ικανοί να παρέχουν περισσότερο ‘’ χώρο ‘’ για την συνύπαρξη και διαποικίληση των ειδών. Για τον υπολογισμό της βιοποικιλότητας μέσω της χαρτογράφησης βιότοπων χρησιμοποιούνται συχνά δείκτες της τηλεπισκόπησης για την εκτίμηση περιβαλλοντικών παραμέτρων που σχετίζονται με την γεωποικιλότητα, την γεωγραφία και τοπογραφία και είτε σχετίζει την ανομοιογένεια των βιότοπων με την βιοποικιλότητα είτε σχετίζει την πληροφορία με χωρικά ή τοπικά μοντέλα για την εκτίμηση της βιοποικιλότητας. Η ακρίβεια της εκτίμησης της βιοποικιλότητας με την χαρτογράφηση βιοτόπων εξαρτάται σε μεγάλο βαθμό από τα χαρακτηριστικά των ειδών που εμπλέκονται σε αυτή.

Χαρτογράφηση διανομής των ειδών

Η χαρτογράφηση ειδών απαιτεί ακριβείς φασματικές και χωρικές λεπτομέρειες και τα περισσότερα δορυφορικά δεδομένα είναι πολύ τραχιά φασματικώς και χωρικώς για άμεση χαρτογράφηση. Αυτή η προσέγγιση ωφελήθηκε σημαντικά από την διαθεσιμότητα εναέριων υπερφασματικών και LiDAR δεδομένων που μπορούν να παρέχουν σε προϊόντα υψηλής χωρικής ανάλυσης λεπτομερείς φασματικές και δομικές πληροφορίες σε τοπικές ή περιφερειακές κλίμακες, έχοντας χρησιμοποιηθεί κυρίως για βλάστηση μεγάλου μεγέθους ( πχ. δέντρα ), που μπορεί να επιλυθεί με το τυπικό μέγεθος εικονοστοιχείου των εναερίων οργάνων τηλεπισκόπησης. Παρόλο που είναι τυπικά απίθανο να γίνει διαχωρισμός κάθε είδους με την χρήση τηλεπισκόπησης, είναι συχνά εφικτό να γίνει διαφοροποίηση των κυρίαρχων ειδών μέσω φασματικών διαφορών.

Υπολογισμός της λειτουργικής ποικιλότητας μέσω των λειτουργικών χαρακτηριστικών των φυτών

Τα χαρακτηριστικά ενός οργανισμού παρουσιάζουν την αλληλεπίδραση μεταξύ του γονιδιώματός του, του εναλλασόμενου περιβάλλοντος και τυχαίων γεγονότων. Πολλά χαρακτηριστικά των φυτών επηρεάζουν την απορροφητικότητα και διασκόρπιση του φωτός και συνεπώς, προκαλούν παραλλαγή στις οπτικές ιδιότητες του φυτού και μπορούν να εντοπιστούν μέσω της τηλεπισκόπησης. Ένα πλεονέκτημα της χαρτογράφησης των χαρακτηριστικών των φυτών είναι ότι εστιάζει στην σύλληψη του εύρους και της ποικιλίας των χαρακτηριστικών που μπορούν να συσχετιστούν με την ποικιλότητα των λειτουργιών των ειδών, χωρίς να είναι απαραίτητη η ταυτοποίηση κάθε είδους. Στατιστικές μέθοδοι, όπως η μέθοδος ελαχίστων τετραγώνων, παραχωρούν φάσματα συντελεστών που μπορούν να εξυπηρετήσουν ως πληρεξούσια, συνδυάζοντας βιοχημικά και δομικά χαρακτηριστικά για να υποδείξουν την ποικιλότητα της λειτουργικότητας των φυτών. Υψηλή μεταβλητότητα στα χαρακτηριστικά των φυτών, που μπορεί να οφείλονται σε διαφορά στις συνθήκες εδάφους, μικροκλίματος, υδρολογίας, τοπογραφίας, μπορεί να συστήσουν αβεβαιότητες στον υπολογισμό της ενεργής ποικιλότητας.

Εκτίμηση ποικιλότητας απευθείας μέσω φασματικής ποικιλότητας

Η υπόθεση φασματικής παραλλαγής ( SVH ) συσχετίζει την φασματική ανομοιογένεια ή μεταβλητότητα με την περιβαλλοντική ανομοιογένεια, παρέχοντας ένα πληρεξούσιο ποικιλότητας των ειδών. Η φασματική ποικιλότητα υποδεικνύει μεταβλητότητα στα φασματικά πρότυπα που εντοπίζονται μέσω τηλεπισκόπησης. Η υπόθεση φασματικής ποικιλότητας συνδέει την θεωρία των οικολογικών πόρων με θεμελιώδεις αρχές της φυσικής για να παράσχει μια γρήγορη και εύστοχη προσέγγιση για την μέτρηση της βιοποικιλότητας μέσω οπτικών προτύπων. Αντί για την χαρτογράφηση ειδών αφ’ εαυτού, η φασματική ποικιλότητα τυπικά εντοπίζει φασματικά πρότυπα που σχετίζονται με λειτουργικές και δομικές ιδιότητες, που ποικίλουν ανά είδος ή λειτουργική ομάδα. Ο υποκείμενος λόγος είναι ότι οι φυλογενετικές διαφορές και οι περιορισμοί των πόρων ( π.χ. φως, νερό, θρεπτικές ουσίες ) επηρεάζουν την ανάπτυξη των φυτών και τα χαρακτηριστικά των φύλλων, την δομή του θόλου και την φαινολογία.

==Κλίμακες στην τηλεπισκόπηση της βιοποικιλότητας==

Χωρική κλίμακα

Για τον τομέα της οικολογίας, η έννοια της χωρικής κλίμακας ορίζεται από το μέγεθος των σιτηρών και την χωρική έκταση, στην οποία μια ποικιλία οικολογικών διεργασιών συμβαίνει σε ένα συγκεκριμένο κομμάτι γης. Για τον τομέα της τηλεπισκόπησης, η έννοια της χωρικής κλίμακας αναφέρεται στην ανάλυση ( μέγεθος εικονοστοιχείου, καθορισμένο από την τεχνολογία αισθητήρων, πλατφόρμα δειγματοληψίας και χαρακτηριστικά πτήσης ) και μέγεθος ( η συνολική περιοχή που μετρήθηκε ). Αύξηση του μεγέθους μέτρησης των σιτηρών οδηγεί σε αλλαγή του επιπέδου της παρατήρησης, περιλαμβάνοντας περισσότερα αντικείμενα, μειώνοντας την ακρίβεια του διαχωρισμού της βλάστησης, όταν το μέγεθος του εικονοστοιχείου είναι μεγαλύτερο από το μέγεθος του στόχου και οδηγεί σε απώλεια πληροφορίας, εφαρμόζοντας χωρική εξομάλυνση στα δεδομένα. Προσφάτως, η φασματοσκοπία στην χρήση εικόνων εφαρμόστηκε για τον έλεγχο της εξάρτησης της χωρικής κλίμακας από την σχέση φασματικής ποικιλότητας και βιοποικιλότητας, σε πειραματικά οικόπεδα με χόρτο, σε ένα εύρος λεπτών κλιμάκων ( 1 τετραγωνικό χιλιοστό έναντι πολλών τετραγωνικών μέτρων ). Σε αυτές τις μελέτες, η οπτική ανιχνευσιμότητα της τοπικής βιοποικιλότητας απορρίφθηκε με μειωμένη χωρική ανάλυση και το άριστο μέγεθος εικονοστοιχείου για διακριτική ποικιλότητα τύπου άλφα, προσεγγίζει μια χωρική κλίμακα όμοια με το μέγεθος ενός φύλλου φυτού. Η μεγάλη έκταση που αιχμαλωτίζεται με την εναέρια δειγματοληψία, εισήγαγε υψηλότερου επιπέδου αποτελέσματα ποικιλότητας ( π.χ. ποικιλότητα τύπου β ), που μπορεί να χάνονταν σε μικρότερα πειραματικά οικόπεδα. Εκτιμήσεις της ποικιλότητας τύπου β μέσω τηλεπισκόπησης αντλούνται από την αρχή ότι οι εκτάσεις γης με μεγαλύτερη μεταβλητότητα στην σύνθεση των ειδών έχουν μεγαλύτερη διαφορά στις φασματικές ιδιότητες, μετρούμενες ως δείκτες βλάστησης ή δείκτες φασματικής ομοιότητας ή από την λογική φασματικών τύπων εφαρμόζοντας μεθόδους ταξινομήσεως σε δεδομένα τηλεπισκόπησης και υπολογίζοντας τον δείκτη ανομοιότητας Bray – Curtis.

[[Εικόνα:Eikona 3.1.PNG|thumb|center|400px|Εικόνα 1. Διαφορετικά σύνολα δεδομένων για την ίδια περιοχή (Cedar Creek Ecosystem Science Reserve, Minnesota, USA ) απεικονίζοντας εξάρτηση κλίμακας τηλεπισκόπησης της βιοποικιλότητας. Η δειγματοληψία σε τραχύτερες κλίμακες οδηγεί σε απώλεια πληροφορίας που παρουσιάζεται ως μειούμενη φασματική παραλλαγή, με αποτέλεσμα την μείωση της ακρίβειας της εκτίμησης βιοποικιλότητας μέσω της φασματικής ποικιλότητας. Τα δεδομένα περιλαμβάνουν εικόνες και φάσματα από a) δορυφόρο, b) στεριά c) αέρα ]]

Φασματική κλίμακα

Η φασματική ανάλυση και εύρος επηρεάζουν την σχέση φασματικής ποικιλότητας και βιοποικιλότητας. Στις περισσότερες μελέτες της τηλεπισκόπησης βιοποικιλότητας, οι φασματικες πληροφορίες συμπυκνώθηκαν σε απλές μετρήσεις ( π.χ. NDVI, CV ή δείκτες του κύριου χώρου συνιστωσών ). Είναι συζητήσιμο αν η χρήση φασμάτων πλήρους εύρους, συμπεριλαμβανομένου του βραχέως υπερύθρου ( 400 – 2500 nm ) προσθέτει πληροφορίες στις βιοχημικές ιδιότητες της βλάστησης.

Χρονική κλίμακα

Τα χρονικά αποτελέσματα της τηλεπισκόπησης βιοποικιλότητας δεν έχουν λάβει μεγάλης προσοχής λόγω της περιορισμένης γνώσης των χρονικών αλλαγών στις οικολογικές κοινότητες και η συλλογή δεδομένων βιοποικιλότητας είναι χρονοβόρες και ακριβές. Περαιτέρω πληροφορίες για την φαινολογία της βλάστησης μπορεί να είναι ικανές για την βελτίωση της επίδοσης των μετρήσεων της φασματικής ποικιλότητας. Η κατανόηση των χρονικών αλλαγών στην φασματική ποικιλότητα είναι κρίσιμη για την τηλεπισκόπηση της βιοποικιλότητας και αποτελεί πεδίο που χρειάζεται περισσότερη έρευνα.

==Παγκόσμιο σύστημα παρακολούθησης βιοποικιλότητας==

Το ιδανικό παγκόσμιο σύστημα παρακολούθησης βιοποικιλότητας θα περιελάμβανε παρατηρήσεις σε διαφορετικές κλίμακες και θα διεύθυνε διαφορετικές ‘’ διαστάσεις ‘’ της βιοποικιλότητας, εκτιμώντας μορφολογικά και δομικά χαρακτηριστικά του οικοσυστήματος που μας ενδιαφέρει, συμπεριλαμβάνοντας μετρήσεις τηλεπισκόπησης, δειγματοληψία ποικιλότητας εδάφους και εργαστηριακής εργασίας. Συνδέοντας τοπικές και περιφερειακές μετρήσεις βιοποικιλότητας, το σύστημα παρακολούθησης βιοποικιλότητας μπορεί να καλύψει κενά της τωρινής παρακολούθησης και να ενισχύει τις προσπάθειες για διατήρηση της βιοποικιλότητας της γης. Νέες επίγειες πλατφόρμες τηλεπισκόπησης χρησιμοποιήθηκαν σε οικολογικές μελέτες και μετεξέλιξαν την οικολογική έρευνα. Για παράδειγμα, καινοτόμοι και φτηνοί αισθητήρες επιτρέπουν τεράστια ευελιξία για την πραγματοποίηση συνεχούς δειγματοληψίας που μπορεί να χρησιμοποιηθεί για την παρακολούθηση της φαινολογίας της βλάστησης. Κινητοί αισθητήρες, όπως κάμερες, υπερφασματικοί και τύπου LiDAR αισθητήρες, μεταφερόμενοι από μη επανδρωμένα εναέρια οχήματα ( UAV ) έχουν χρησιμοποιηθεί επιτυχώς στην χαρτογράφηση επιδρομικών ειδών και διακριτικών τύπων βλάστησης. Μέσω της χρήσης υπερφασματικών δεδομένων δορυφόρου είναι πιθανό στο μέλλον να μπορέσουμε να χρησιμοποιήσουμε καλύτερα χρονικές και φασματικές πληροφορίες στην εκτίμηση της βιοποικιλότητας εν συγκρίσει με την χρήση δεικτών βλάστησης ευρείας ζώνης των τωρινών πλατφόρμων. Για την μέγιστη αποτελεσματικότητα, ένα σύστημα παρακολούθησης βιοποικιλότητας θα περιείχε περιφερειακή και τοπική παρακολούθηση, συνδεδεμένη με παγκόσμια παρακολούθηση και κατάλληλα συστήματα δεδομένων για αποθήκευση, ανάλυση και διανομή τους. Το βασικότερο πρόβλημα της συλλογής και επεξεργασίας δεδομένων για την βιοποικιλότητα είναι η υψηλή τιμή των μεθόδων και οργάνων που υπάρχουν σήμερα. Κάποιοι τρόποι που μπορούν να χρησιμοποιηθούν για την ανάπτυξη και βελτίωση τόσο της πρόσβασης, όσο και της ποιότητας των δεδομένων είναι η χρήση open-source λογισμικών και αλγορίθμων για την ανάκτηση και επεξεργασία εικόνων τηλεπισκόπησης από οικολόγους, η χρήση drone χαμηλού κόστους και αισθητήρων, όπως το LiDAR, καθώς και ανεπτυγμένων υπολογιστικών ικανοτήτων για την επεξεργασία εικόνων και αναγνώριση προτύπων από πολίτες ( citizen science ). Τέλος, η εκμετάλλευση του περιβαλλοντικού DNA ( eDNA ), του οποίου αντικείμενο αποτελεί ‘’ η συλλογή πληροφοριών για είδη, πληθυσμούς και κοινότητες μέσω της ανάκτησης DNA από περιβαλλοντικά δείγματα ‘’, έχει την προοπτική να παρέχει ένα μοναδικό τρόπο παρακολούθησης της βιοποικιλότητας σε διάφορες κλίμακες ταξινόμησης και έχει εφαρμοστεί σε ιζήματα και υδρολογικά συστήματα. Μέσω του eDNA μπορεί να εκτιμηθεί η ποικιλότητα των οργανισμών που δεν μπορεί να εκτιμηθεί απευθείας μέσω της τηλεπισκόπησης, ενώ παράλληλα η τηλεπισκόπηση μπορεί να παρέχει πληροφορίες για μεταβλητές του οικοσυστήματος, όπως η παραγωγικότητα και η φαινολογία, κάτι που δεν είναι εφικτό μέσω του eDNA.

[[category:Γεωλογία – Εδαφολογία]]

Αρχείο:Eikona 3.1.PNG

2020-02-25T14:45:23Z

AndSarris:

Τηλεπισκόπηση βιοποικιλότητας της επίγειας βλάστησης

2020-02-25T14:44:34Z

AndSarris: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Remote sensing of terrestrial plant biodiversity '''Συγγραφείς:''' Ran Wang, John A. Gamon '''Πηγή:''' Remote Sens...'

'''Πρωτότυπος τίτλος:''' Remote sensing of terrestrial plant biodiversity

'''Συγγραφείς:''' Ran Wang, John A. Gamon

'''Πηγή:''' Remote Sensing of Environment, 2019, Issue 231 [https://www.sciencedirect.com/science/article/pii/S0034425719302317]

==Αντικείμενο==

Στην παρούσα εργασία αναλύεται η χρήση της τηλεπισκόπησης για την εκτίμηση της βιοποικιλότητας μέσα στον χρόνο, παρουσιάζοντας τα θετικά και τα αρνητικά κάθε μεθόδου, επεξηγούνται επιτυχίες και μεγάλα κενά της τηλεπισκόπησης της βιποποικιλότητας και αναγνωρίζονται οι μελλοντικές κατευθύνσεις με προοπτική επιτυχίας. Επίσης, οι συγγραφείς επικεντρώνονται σε αναδυόμενες μεθόδους με τη χρήση φασματικής ποικιλότητας ως πληρεξούσιο της ποικιλίας της επίγειας βλάστησης, ενώ αναλύονται τα κενά στην χρήση της τηλεπισκόπησης σήμερα και πως η φασματική ποικιλότητα μπορεί να ενσωματωθεί σε ένα παγκόσμιο σύστημα παρακολούθησης της βιοποικιλότητας.

==Ιστορία τηλεπισκόπησης βιοποικιλότητας==

Οι έρευνες που αφορούσαν την χρήση της τηλεπισκόπησης για την εκτίμηση της βιοποικιλότητας ήταν ελάχιστες μέχρι την αρχή του 21ου αιώνα, η σημαντικότερη αύξηση τους σημειώθηκε έκτοτε και συνεχίζεται μέχρι σήμερα. Οι πρώτες εφαρμογές της τηλεπισκόπησης στην εκτίμηση της βιοποικιλότητας κυρίως εστίαζαν στην χαρτογράφηση τοπίων και βιότοπων μέσω της ταξινόμησης εδάφους, κυρίως μέσω της χρήσης οπτικών προϊόντων τηλεπισκόπησης και χωρίς να παρέχουν λεπτομερή επαλήθευση της σχέσης ποικιλίας βιοτόπων και βιοποικιλότητας. Η πρόοδος σε αυτόν τον τομέα περιορίζονταν από μια μικρή οικολογική κατανόηση των επιπτώσεων της βιοποικιλότητας στην λειτουργία του οικοσυστήματος, ανεπαρκείς τεχνικές επεξεργασίας εικόνων και έλλειψη κατανόησης για την ερμηνεία οικολογικών πληροφοριών που περιέχονται στα προϊόντα της τηλεπισκόπησης. Τα συστήματα φασματοσκοπίας εικόνων και εντοπισμού φωτός και έκτασης ( LiDAR ) εμπλούτισαν σημαντικά την διαστατικότητα των δεδομένων μέσω τηλεπισκόπησης. Επιπροσθέτως, η τιμή και η διαθεσιμότητα της συγκεκριμένης τεχνολογίας βελτιώθηκε αισθητά.

==Κατηγορίες τηλεπισκόπησης==

Οι μελέτες που αφορούν την ποικιλότητα μέσω της τηλεπισκόπησης χωρίζονται σε 4 κατηγορίες και παρουσιάζονται παρακάτω:

Εκτίμηση βιοποικιλότητας έμμεσα με χαρτογράφηση βιότοπων

Η ανομοιογένεια των βιότοπων χαρακτηρίζεται ως ένας από τους πιο σημαντικούς παράγοντες που ορίζει τον πλούτο των ειδών, έχοντας μια άμεσα συνδεόμενη σχέση με την βιοποικιλότητα, καθώς οι βιότοποι με μεγαλύτερη ανομοιογένεια είναι πιο ικανοί να παρέχουν περισσότερο ‘’ χώρο ‘’ για την συνύπαρξη και διαποικίληση των ειδών. Για τον υπολογισμό της βιοποικιλότητας μέσω της χαρτογράφησης βιότοπων χρησιμοποιούνται συχνά δείκτες της τηλεπισκόπησης για την εκτίμηση περιβαλλοντικών παραμέτρων που σχετίζονται με την γεωποικιλότητα, την γεωγραφία και τοπογραφία και είτε σχετίζει την ανομοιογένεια των βιότοπων με την βιοποικιλότητα είτε σχετίζει την πληροφορία με χωρικά ή τοπικά μοντέλα για την εκτίμηση της βιοποικιλότητας. Η ακρίβεια της εκτίμησης της βιοποικιλότητας με την χαρτογράφηση βιοτόπων εξαρτάται σε μεγάλο βαθμό από τα χαρακτηριστικά των ειδών που εμπλέκονται σε αυτή.

Χαρτογράφηση διανομής των ειδών

Η χαρτογράφηση ειδών απαιτεί ακριβείς φασματικές και χωρικές λεπτομέρειες και τα περισσότερα δορυφορικά δεδομένα είναι πολύ τραχιά φασματικώς και χωρικώς για άμεση χαρτογράφηση. Αυτή η προσέγγιση ωφελήθηκε σημαντικά από την διαθεσιμότητα εναέριων υπερφασματικών και LiDAR δεδομένων που μπορούν να παρέχουν σε προϊόντα υψηλής χωρικής ανάλυσης λεπτομερείς φασματικές και δομικές πληροφορίες σε τοπικές ή περιφερειακές κλίμακες, έχοντας χρησιμοποιηθεί κυρίως για βλάστηση μεγάλου μεγέθους ( πχ. δέντρα ), που μπορεί να επιλυθεί με το τυπικό μέγεθος εικονοστοιχείου των εναερίων οργάνων τηλεπισκόπησης. Παρόλο που είναι τυπικά απίθανο να γίνει διαχωρισμός κάθε είδους με την χρήση τηλεπισκόπησης, είναι συχνά εφικτό να γίνει διαφοροποίηση των κυρίαρχων ειδών μέσω φασματικών διαφορών.

Υπολογισμός της λειτουργικής ποικιλότητας μέσω των λειτουργικών χαρακτηριστικών των φυτών

Τα χαρακτηριστικά ενός οργανισμού παρουσιάζουν την αλληλεπίδραση μεταξύ του γονιδιώματός του, του εναλλασόμενου περιβάλλοντος και τυχαίων γεγονότων. Πολλά χαρακτηριστικά των φυτών επηρεάζουν την απορροφητικότητα και διασκόρπιση του φωτός και συνεπώς, προκαλούν παραλλαγή στις οπτικές ιδιότητες του φυτού και μπορούν να εντοπιστούν μέσω της τηλεπισκόπησης. Ένα πλεονέκτημα της χαρτογράφησης των χαρακτηριστικών των φυτών είναι ότι εστιάζει στην σύλληψη του εύρους και της ποικιλίας των χαρακτηριστικών που μπορούν να συσχετιστούν με την ποικιλότητα των λειτουργιών των ειδών, χωρίς να είναι απαραίτητη η ταυτοποίηση κάθε είδους. Στατιστικές μέθοδοι, όπως η μέθοδος ελαχίστων τετραγώνων, παραχωρούν φάσματα συντελεστών που μπορούν να εξυπηρετήσουν ως πληρεξούσια, συνδυάζοντας βιοχημικά και δομικά χαρακτηριστικά για να υποδείξουν την ποικιλότητα της λειτουργικότητας των φυτών. Υψηλή μεταβλητότητα στα χαρακτηριστικά των φυτών, που μπορεί να οφείλονται σε διαφορά στις συνθήκες εδάφους, μικροκλίματος, υδρολογίας, τοπογραφίας, μπορεί να συστήσουν αβεβαιότητες στον υπολογισμό της ενεργής ποικιλότητας.

Εκτίμηση ποικιλότητας απευθείας μέσω φασματικής ποικιλότητας

Η υπόθεση φασματικής παραλλαγής ( SVH ) συσχετίζει την φασματική ανομοιογένεια ή μεταβλητότητα με την περιβαλλοντική ανομοιογένεια, παρέχοντας ένα πληρεξούσιο ποικιλότητας των ειδών. Η φασματική ποικιλότητα υποδεικνύει μεταβλητότητα στα φασματικά πρότυπα που εντοπίζονται μέσω τηλεπισκόπησης. Η υπόθεση φασματικής ποικιλότητας συνδέει την θεωρία των οικολογικών πόρων με θεμελιώδεις αρχές της φυσικής για να παράσχει μια γρήγορη και εύστοχη προσέγγιση για την μέτρηση της βιοποικιλότητας μέσω οπτικών προτύπων. Αντί για την χαρτογράφηση ειδών αφ’ εαυτού, η φασματική ποικιλότητα τυπικά εντοπίζει φασματικά πρότυπα που σχετίζονται με λειτουργικές και δομικές ιδιότητες, που ποικίλουν ανά είδος ή λειτουργική ομάδα. Ο υποκείμενος λόγος είναι ότι οι φυλογενετικές διαφορές και οι περιορισμοί των πόρων ( π.χ. φως, νερό, θρεπτικές ουσίες ) επηρεάζουν την ανάπτυξη των φυτών και τα χαρακτηριστικά των φύλλων, την δομή του θόλου και την φαινολογία.

==Κλίμακες στην τηλεπισκόπηση της βιοποικιλότητας==

Χωρική κλίμακα

Για τον τομέα της οικολογίας, η έννοια της χωρικής κλίμακας ορίζεται από το μέγεθος των σιτηρών και την χωρική έκταση, στην οποία μια ποικιλία οικολογικών διεργασιών συμβαίνει σε ένα συγκεκριμένο κομμάτι γης. Για τον τομέα της τηλεπισκόπησης, η έννοια της χωρικής κλίμακας αναφέρεται στην ανάλυση ( μέγεθος εικονοστοιχείου, καθορισμένο από την τεχνολογία αισθητήρων, πλατφόρμα δειγματοληψίας και χαρακτηριστικά πτήσης ) και μέγεθος ( η συνολική περιοχή που μετρήθηκε ). Αύξηση του μεγέθους μέτρησης των σιτηρών οδηγεί σε αλλαγή του επιπέδου της παρατήρησης, περιλαμβάνοντας περισσότερα αντικείμενα, μειώνοντας την ακρίβεια του διαχωρισμού της βλάστησης, όταν το μέγεθος του εικονοστοιχείου είναι μεγαλύτερο από το μέγεθος του στόχου και οδηγεί σε απώλεια πληροφορίας, εφαρμόζοντας χωρική εξομάλυνση στα δεδομένα. Προσφάτως, η φασματοσκοπία στην χρήση εικόνων εφαρμόστηκε για τον έλεγχο της εξάρτησης της χωρικής κλίμακας από την σχέση φασματικής ποικιλότητας και βιοποικιλότητας, σε πειραματικά οικόπεδα με χόρτο, σε ένα εύρος λεπτών κλιμάκων ( 1 τετραγωνικό χιλιοστό έναντι πολλών τετραγωνικών μέτρων ). Σε αυτές τις μελέτες, η οπτική ανιχνευσιμότητα της τοπικής βιοποικιλότητας απορρίφθηκε με μειωμένη χωρική ανάλυση και το άριστο μέγεθος εικονοστοιχείου για διακριτική ποικιλότητα τύπου άλφα, προσεγγίζει μια χωρική κλίμακα όμοια με το μέγεθος ενός φύλλου φυτού. Η μεγάλη έκταση που αιχμαλωτίζεται με την εναέρια δειγματοληψία, εισήγαγε υψηλότερου επιπέδου αποτελέσματα ποικιλότητας ( π.χ. ποικιλότητα τύπου β ), που μπορεί να χάνονταν σε μικρότερα πειραματικά οικόπεδα. Εκτιμήσεις της ποικιλότητας τύπου β μέσω τηλεπισκόπησης αντλούνται από την αρχή ότι οι εκτάσεις γης με μεγαλύτερη μεταβλητότητα στην σύνθεση των ειδών έχουν μεγαλύτερη διαφορά στις φασματικές ιδιότητες, μετρούμενες ως δείκτες βλάστησης ή δείκτες φασματικής ομοιότητας ή από την λογική φασματικών τύπων εφαρμόζοντας μεθόδους ταξινομήσεως σε δεδομένα τηλεπισκόπησης και υπολογίζοντας τον δείκτη ανομοιότητας Bray – Curtis.

[[Εικόνα:Eikona1sarris.PNG|thumb|right|210px|Εικόνα 1. Διαφορετικά σύνολα δεδομένων για την ίδια περιοχή (Cedar Creek Ecosystem Science Reserve, Minnesota, USA ) απεικονίζοντας εξάρτηση κλίμακας τηλεπισκόπησης της βιοποικιλότητας. Η δειγματοληψία σε τραχύτερες κλίμακες οδηγεί σε απώλεια πληροφορίας που παρουσιάζεται ως μειούμενη φασματική παραλλαγή, με αποτέλεσμα την μείωση της ακρίβειας της εκτίμησης βιοποικιλότητας μέσω της φασματικής ποικιλότητας. Τα δεδομένα περιλαμβάνουν εικόνες και φάσματα από a) δορυφόρο, b) στεριά c) αέρα ]]

Φασματική κλίμακα

Η φασματική ανάλυση και εύρος επηρεάζουν την σχέση φασματικής ποικιλότητας και βιοποικιλότητας. Στις περισσότερες μελέτες της τηλεπισκόπησης βιοποικιλότητας, οι φασματικες πληροφορίες συμπυκνώθηκαν σε απλές μετρήσεις ( π.χ. NDVI, CV ή δείκτες του κύριου χώρου συνιστωσών ). Είναι συζητήσιμο αν η χρήση φασμάτων πλήρους εύρους, συμπεριλαμβανομένου του βραχέως υπερύθρου ( 400 – 2500 nm ) προσθέτει πληροφορίες στις βιοχημικές ιδιότητες της βλάστησης.

Χρονική κλίμακα

Τα χρονικά αποτελέσματα της τηλεπισκόπησης βιοποικιλότητας δεν έχουν λάβει μεγάλης προσοχής λόγω της περιορισμένης γνώσης των χρονικών αλλαγών στις οικολογικές κοινότητες και η συλλογή δεδομένων βιοποικιλότητας είναι χρονοβόρες και ακριβές. Περαιτέρω πληροφορίες για την φαινολογία της βλάστησης μπορεί να είναι ικανές για την βελτίωση της επίδοσης των μετρήσεων της φασματικής ποικιλότητας. Η κατανόηση των χρονικών αλλαγών στην φασματική ποικιλότητα είναι κρίσιμη για την τηλεπισκόπηση της βιοποικιλότητας και αποτελεί πεδίο που χρειάζεται περισσότερη έρευνα.

==Παγκόσμιο σύστημα παρακολούθησης βιοποικιλότητας==

Το ιδανικό παγκόσμιο σύστημα παρακολούθησης βιοποικιλότητας θα περιελάμβανε παρατηρήσεις σε διαφορετικές κλίμακες και θα διεύθυνε διαφορετικές ‘’ διαστάσεις ‘’ της βιοποικιλότητας, εκτιμώντας μορφολογικά και δομικά χαρακτηριστικά του οικοσυστήματος που μας ενδιαφέρει, συμπεριλαμβάνοντας μετρήσεις τηλεπισκόπησης, δειγματοληψία ποικιλότητας εδάφους και εργαστηριακής εργασίας. Συνδέοντας τοπικές και περιφερειακές μετρήσεις βιοποικιλότητας, το σύστημα παρακολούθησης βιοποικιλότητας μπορεί να καλύψει κενά της τωρινής παρακολούθησης και να ενισχύει τις προσπάθειες για διατήρηση της βιοποικιλότητας της γης. Νέες επίγειες πλατφόρμες τηλεπισκόπησης χρησιμοποιήθηκαν σε οικολογικές μελέτες και μετεξέλιξαν την οικολογική έρευνα. Για παράδειγμα, καινοτόμοι και φτηνοί αισθητήρες επιτρέπουν τεράστια ευελιξία για την πραγματοποίηση συνεχούς δειγματοληψίας που μπορεί να χρησιμοποιηθεί για την παρακολούθηση της φαινολογίας της βλάστησης. Κινητοί αισθητήρες, όπως κάμερες, υπερφασματικοί και τύπου LiDAR αισθητήρες, μεταφερόμενοι από μη επανδρωμένα εναέρια οχήματα ( UAV ) έχουν χρησιμοποιηθεί επιτυχώς στην χαρτογράφηση επιδρομικών ειδών και διακριτικών τύπων βλάστησης. Μέσω της χρήσης υπερφασματικών δεδομένων δορυφόρου είναι πιθανό στο μέλλον να μπορέσουμε να χρησιμοποιήσουμε καλύτερα χρονικές και φασματικές πληροφορίες στην εκτίμηση της βιοποικιλότητας εν συγκρίσει με την χρήση δεικτών βλάστησης ευρείας ζώνης των τωρινών πλατφόρμων. Για την μέγιστη αποτελεσματικότητα, ένα σύστημα παρακολούθησης βιοποικιλότητας θα περιείχε περιφερειακή και τοπική παρακολούθηση, συνδεδεμένη με παγκόσμια παρακολούθηση και κατάλληλα συστήματα δεδομένων για αποθήκευση, ανάλυση και διανομή τους. Το βασικότερο πρόβλημα της συλλογής και επεξεργασίας δεδομένων για την βιοποικιλότητα είναι η υψηλή τιμή των μεθόδων και οργάνων που υπάρχουν σήμερα. Κάποιοι τρόποι που μπορούν να χρησιμοποιηθούν για την ανάπτυξη και βελτίωση τόσο της πρόσβασης, όσο και της ποιότητας των δεδομένων είναι η χρήση open-source λογισμικών και αλγορίθμων για την ανάκτηση και επεξεργασία εικόνων τηλεπισκόπησης από οικολόγους, η χρήση drone χαμηλού κόστους και αισθητήρων, όπως το LiDAR, καθώς και ανεπτυγμένων υπολογιστικών ικανοτήτων για την επεξεργασία εικόνων και αναγνώριση προτύπων από πολίτες ( citizen science ). Τέλος, η εκμετάλλευση του περιβαλλοντικού DNA ( eDNA ), του οποίου αντικείμενο αποτελεί ‘’ η συλλογή πληροφοριών για είδη, πληθυσμούς και κοινότητες μέσω της ανάκτησης DNA από περιβαλλοντικά δείγματα ‘’, έχει την προοπτική να παρέχει ένα μοναδικό τρόπο παρακολούθησης της βιοποικιλότητας σε διάφορες κλίμακες ταξινόμησης και έχει εφαρμοστεί σε ιζήματα και υδρολογικά συστήματα. Μέσω του eDNA μπορεί να εκτιμηθεί η ποικιλότητα των οργανισμών που δεν μπορεί να εκτιμηθεί απευθείας μέσω της τηλεπισκόπησης, ενώ παράλληλα η τηλεπισκόπηση μπορεί να παρέχει πληροφορίες για μεταβλητές του οικοσυστήματος, όπως η παραγωγικότητα και η φαινολογία, κάτι που δεν είναι εφικτό μέσω του eDNA.

[[category:Γεωλογία – Εδαφολογία]]

Σαρρής Ανδρέας

2020-02-25T14:28:32Z

AndSarris:

Καταγραφή μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8

2020-02-25T13:29:52Z

AndSarris: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Capturing coastal water clarity variability with Landsat 8 '''Συγγραφείς:''' Kelly M.A. Luisa, Jennie E. Rheuban, Maria...'

'''Πρωτότυπος τίτλος:''' Capturing coastal water clarity variability with Landsat 8

'''Συγγραφείς:''' Kelly M.A. Luisa, Jennie E. Rheuban, Maria T. Kavanaugh, David M. Glover, Jianwei Wei, Zhongping Lee, Scott C. Doney

'''Πηγή:''' Marine Pollution Bulletin, 2019, Issue 145, Pages: 96 – 104 [https://www.sciencedirect.com/science/article/pii/S0025326X19303571]

==Αντικείμενο==

Στην παρούσα εργασία παρουσιάζεται η χρήση αλγορίθμου παραμετροποίησης μετρήσεων βάθους δίσκου Secchi ( zsd ) για εικόνες Landsat 8 σε 4 λιμάνια των Ηνωμένων Πολιτείων, με σκοπό την εκτίμηση της ακρίβειας του μεταξύ διαφορετικών περιβαλλοντικών συνθηκών. Για την επικύρωση των μετρήσεων από τον αλγόριθμο χρησιμοποιήθηκαν in situ μετρήσεις zsd των περιοχών.

==Μεθοδολογία==

Μια μέτρηση zsd θεωρείται το βάθος που τοποθετείται ο δίσκος Secchi, στο οποίο ο δίσκος δεν είναι εμφανής από την επιφάνεια του νερού. Τα λιμάνια που εξετάστηκαν είναι τα Boston Harbor, Buzzards Bay, Cape Cod Bay, και Narragansett Bay. Από εκεί συλλέχθησαν, αρχικά, οι in situ μετρήσεις μέσω του Secchi και λήφθηκαν συνολικά 58 λήψεις του Landsat 8 με καθαρό ουρανό, μεταξύ Απρίλιου του 2013 και Δεκέμβριου του 2017. Ο αλγόριθμος που χρησιμοποιήθηκε για τον υπολογισμό του zsd παρουσιάζεται στην εικόνα 1, όπου το Kdtr εκφράζει τον ελάχιστο συντελεστή απόσβεσης ενός σώματος εντός του νερού πάνω από το ορατό πεδίο ( 400 – 700 nm ) και το Rrstr την αντίστοιχη ανακλαστικότητα τηλεπισκόπησης στο συγκεκριμένο μήκος κύματος.

[[Εικόνα:Eikona 2.1.PNG|thumb|right|210px|Εικόνα 1. Αλγόριθμος zsd]]

Η ακρίβεια της εκτίμησης του zsd αξιολογήθηκε με in situ μετρήσεις zsd της ίδιας ημέρας, η μεταβλητότητα του εύρους και της διανομής του zsd και οι εποχιακές παραλλαγές του zsd από το 2013 έως το 2017, όπως παρουσιάζονται στις εικόνες 3, 4 και 5 αντίστοιχα. Για την μέτρηση της συνοχής των μετρήσεων της ημέρας χρησιμοποιήθηκαν οι συντελεστές σφάλματος ρίζας μέσου τετραγώνου ( RMSE ) και η διαφορά του ποσοστού μέσου απολύτου ( MAPD ), όπως παρουσιάζονται στην εικόνα 2.

[[Εικόνα:Eikona 2.2.PNG|thumb|right|260px|Εικόνα 2. RMSE και MAPD]]

[[Εικόνα:Eikona 2.3.PNG|thumb|center|350px|Εικόνα 3. Συνδυασμός μετρήσεων zsd in situ και L8 για κάθε λιμάνι. Οι ράβδοι λάθους in situ zsd εκφράζουν το λάθος που σχετίζεται με τις ταινίες μετρήσεως και οι ράβδοι λάθους L8 zsd εκφράζουν την τυπική απόκλιση των 3 x 3 L8 εικονοστοιχείων]]

[[Εικόνα:Eikona 2.4.PNG|thumb|center|350px|Εικόνα 4. Ιστογράμματα και σχέδια του εύρους και διανομής των in situ και L8 zsd μετρήσεων των 58 Landsat 8 λήψεων ]]

[[Εικόνα:Eikona 2.5.PNG|thumb|center|350px|Εικόνα 5. Διαγράμματα χρονικής σειράς ( 2013 – 2017 ) zsd μετρήσεων in situ και L8 στα 4 λιμάνια ]]

==Αποτελέσματα==

Παρ'όλες τις διαφορές του υποκείμενου σώματος νερού, της περιόδου και την παρατήρηση των in situ μετρήσεων από διαφορετικούς παρατηρητές, παρατηρείται καλή συμφωνία μεταξύ των δύο ανεξάρτητων προσδιορισμών, in situ και L8, για το Buzzards Bay ( N = 42, RMSE = 0.96m, MAPD = 28%, R2 = 0.58 ), το Cape Cod Bay (N = 11, RMSE = 0.62m, MAPD = 10%, R2 = 0.93 ) και το Narragansett Bay ( N = 8, RMSE = 0.59m, MAPD = 36%, R2 = 0.05 ), όπως φαίνεται στην εικόνα 3. Στις μετρήσεις του Boston Harbor, από την άλλη, εμφανίζεται κακή συμφωνία στις μετρήσεις της ίδιας μέρας ( N = 99, RMSE = 1.52m, MAPD = 64%, R2 = 0.07 ). Για να αποφευχθεί η αλλοίωση των αποτελεσμάτων από τα γειτονικά εικονοστοιχεία της στεριάς, οι παράκτιοι σταθμοί του λιμανιού, εντός απόστασης 90 m, εξαιρέθηκαν από την επικύρωση και τα αποτελέσματα της σύνδεσης των μετρήσεων ελάχιστα βελτιώθηκαν ( N = 9, RMSE = 1.26m, MAPD = 45%, R2 = 0.14 ). Οι τιμές των μετρήσεων L8 zsd αποτυπώνουν το εύρος και την διανομή της καθαρότητας του νερού, όπως φαίνεται στην εικόνα 4. Στα λιμάνια Boston Harbor, Buzzards Bay, και Narragansett Bay οι τιμές κυμαίνονται μεταξύ 1 και 5 m, με την πλειονότητα αυτών να κυμαίνεται μεταξύ 2 – 3 m. Για το Cape Cod Bay, το εύρος είναι μεταξύ 4 και 10 m και η πλειονότητα των μετρήσεων κυμαίνεται μεταξύ 5 – 6 m. Στη συνέχεια, δημιουργήθηκαν χάρτες L8 zsd για το Buzzards Bay, Cape Cod Bay και Narragansett Bay για την ημέρα της 14ης Μαρτίου 2014, που παρουσιάζονται στην εικόνα 6, 7 και 8 αντίστοιχα μαζί με τα αποτελέσματα των μετρήσεων.

[[Εικόνα:Eikona 2.6.PNG|thumb|center|350px|Εικόνα 6. A) Χάρτης L8 zsd του Buzzards Bay B) Διατομή μεταξύ Potter’s Cove και Central Buzzard Bay C) Διατομή μεταξύ Manomet και Central Buzzard Bay ]]

[[Εικόνα:Eikona 2.7.PNG|thumb|center|350px|Εικόνα 7. A) Χάρτης L8 zsd του Cape Cod Bay B) Διατομή μεταξύ τοποθεσιών 7S και 8M C) Διατομή μεταξύ τοποθεσιών 5N και 9S ]]

[[Εικόνα:Eikona 2.8.PNG|thumb|center|350px|Εικόνα 8. A) Χάρτης L8 zsd του Upper Narragansett Bay B) Διατομή μεταξύ Edgewood Yacht Club και Bullock’s Reach Buoy ]]

==Συμπεράσματα==

Οι εκτιμήσεις των in situ και L8 zsd μετρήσεων όσον αφορά την επικύρωση, το εύρος, την μεταβλητότητα και την χωροχρονική διαύγεια του νερού, προσδίδουν εμπιστοσύνη στην εφαρμογή του αλγορίθμου L8 zsd στα λιμάνια Buzzards Bay, Cape Cod Bay και Narragansett Bay. Η εφαρμογή του αλγορίθμου L8 zsd προτρέπει μια πιο αυστηρή εκτίμηση των προτύπων καθαρότητας νερού από σχετικούς χάρτες και διατομές. Επιπροσθέτως, επεκτείνοντας αυτή την ανάλυση σε όλο το αρχείο του Landsat και παραμετροποιώντας τον αλγόριθμο για το ESA Sentinel2 MultiSpectral Instrument (MSI), θα αυξήσει την χρονική κάλυψη της καθαρότητας του νερού και θα αυξήσει την κατανόηση της μακροπρόθεσμης αλλαγής της καθαρότητας στα λιμάνια που εξετάστηκαν, ενισχύοντας την προσπάθεια των ομάδων ελέγχου ποιότητας του νερού.

[[category:Υδατικοί Πόροι]]

Κατάγραφη μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8

2020-02-25T13:24:05Z

AndSarris:

Κατάγραφη μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8

2020-02-25T13:21:45Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Capturing coastal water clarity variability with Landsat 8
'''Συγγραφείς:''' Kelly M.A. Luisa, Jennie E. Rheuban, Maria T. Kavanaugh, David M. Glover, Jianwei Wei, Zhongping Lee, Scott C. Doney
'''Πηγή:''' Marine Pollution Bulletin, 2019, Issue 145, Pages: 96 – 104

==Αντικείμενο==

Στην παρούσα εργασία παρουσιάζεται η χρήση αλγορίθμου παραμετροποίησης μετρήσεων βάθους δίσκου Secchi ( zsd ) για εικόνες Landsat 8 σε 4 λιμάνια των Ηνωμένων Πολιτείων, με σκοπό την εκτίμηση της ακρίβειας του μεταξύ διαφορετικών περιβαλλοντικών συνθηκών. Για την επικύρωση των μετρήσεων από τον αλγόριθμο χρησιμοποιήθηκαν in situ μετρήσεις zsd των περιοχών.

==Μεθοδολογία==

Μια μέτρηση zsd θεωρείται το βάθος που τοποθετείται ο δίσκος Secchi, στο οποίο ο δίσκος δεν είναι εμφανής από την επιφάνεια του νερού. Τα λιμάνια που εξετάστηκαν είναι τα Boston Harbor, Buzzards Bay, Cape Cod Bay, και Narragansett Bay. Από εκεί συλλέχθησαν, αρχικά, οι in situ μετρήσεις μέσω του Secchi και λήφθηκαν συνολικά 58 λήψεις του Landsat 8 με καθαρό ουρανό, μεταξύ Απρίλιου του 2013 και Δεκέμβριου του 2017. Ο αλγόριθμος που χρησιμοποιήθηκε για τον υπολογισμό του zsd παρουσιάζεται στην εικόνα 1, όπου το Kdtr εκφράζει τον ελάχιστο συντελεστή απόσβεσης ενός σώματος εντός του νερού πάνω από το ορατό πεδίο ( 400 – 700 nm ) και το Rrstr την αντίστοιχη ανακλαστικότητα τηλεπισκόπησης στο συγκεκριμένο μήκος κύματος.

[[Εικόνα:Eikona 2.1.PNG|thumb|right|210px|Εικόνα 1. Αλγόριθμος zsd]]

Η ακρίβεια της εκτίμησης του zsd αξιολογήθηκε με in situ μετρήσεις zsd της ίδιας ημέρας, η μεταβλητότητα του εύρους και της διανομής του zsd και οι εποχιακές παραλλαγές του zsd από το 2013 έως το 2017, όπως παρουσιάζονται στις εικόνες 3, 4 και 5 αντίστοιχα. Για την μέτρηση της συνοχής των μετρήσεων της ημέρας χρησιμοποιήθηκαν οι συντελεστές σφάλματος ρίζας μέσου τετραγώνου ( RMSE ) και η διαφορά του ποσοστού μέσου απολύτου ( MAPD ), όπως παρουσιάζονται στην εικόνα 2.

[[Εικόνα:Eikona 2.2.PNG|thumb|right|260px|Εικόνα 2. RMSE και MAPD]]

[[Εικόνα:Eikona 2.3.PNG|thumb|center|350px|Εικόνα 3. Συνδυασμός μετρήσεων zsd in situ και L8 για κάθε λιμάνι. Οι ράβδοι λάθους in situ zsd εκφράζουν το λάθος που σχετίζεται με τις ταινίες μετρήσεως και οι ράβδοι λάθους L8 zsd εκφράζουν την τυπική απόκλιση των 3 x 3 L8 εικονοστοιχείων]]

[[Εικόνα:Eikona 2.4.PNG|thumb|center|350px|Εικόνα 4. Ιστογράμματα και σχέδια του εύρους και διανομής των in situ και L8 zsd μετρήσεων των 58 Landsat 8 λήψεων ]]

[[Εικόνα:Eikona 2.5.PNG|thumb|center|350px|Εικόνα 5. Διαγράμματα χρονικής σειράς ( 2013 – 2017 ) zsd μετρήσεων in situ και L8 στα 4 λιμάνια ]]

==Αποτελέσματα==

Παρ'όλες τις διαφορές του υποκείμενου σώματος νερού, της περιόδου και την παρατήρηση των in situ μετρήσεων από διαφορετικούς παρατηρητές, παρατηρείται καλή συμφωνία μεταξύ των δύο ανεξάρτητων προσδιορισμών, in situ και L8, για το Buzzards Bay ( N = 42, RMSE = 0.96m, MAPD = 28%, R2 = 0.58 ), το Cape Cod Bay (N = 11, RMSE = 0.62m, MAPD = 10%, R2 = 0.93 ) και το Narragansett Bay ( N = 8, RMSE = 0.59m, MAPD = 36%, R2 = 0.05 ), όπως φαίνεται στην εικόνα 3. Στις μετρήσεις του Boston Harbor, από την άλλη, εμφανίζεται κακή συμφωνία στις μετρήσεις της ίδιας μέρας ( N = 99, RMSE = 1.52m, MAPD = 64%, R2 = 0.07 ). Για να αποφευχθεί η αλλοίωση των αποτελεσμάτων από τα γειτονικά εικονοστοιχεία της στεριάς, οι παράκτιοι σταθμοί του λιμανιού, εντός απόστασης 90 m, εξαιρέθηκαν από την επικύρωση και τα αποτελέσματα της σύνδεσης των μετρήσεων ελάχιστα βελτιώθηκαν ( N = 9, RMSE = 1.26m, MAPD = 45%, R2 = 0.14 ). Οι τιμές των μετρήσεων L8 zsd αποτυπώνουν το εύρος και την διανομή της καθαρότητας του νερού, όπως φαίνεται στην εικόνα 4. Στα λιμάνια Boston Harbor, Buzzards Bay, και Narragansett Bay οι τιμές κυμαίνονται μεταξύ 1 και 5 m, με την πλειονότητα αυτών να κυμαίνεται μεταξύ 2 – 3 m. Για το Cape Cod Bay, το εύρος είναι μεταξύ 4 και 10 m και η πλειονότητα των μετρήσεων κυμαίνεται μεταξύ 5 – 6 m. Στη συνέχεια, δημιουργήθηκαν χάρτες L8 zsd για το Buzzards Bay, Cape Cod Bay και Narragansett Bay για την ημέρα της 14ης Μαρτίου 2014, που παρουσιάζονται στην εικόνα 6, 7 και 8 αντίστοιχα μαζί με τα αποτελέσματα των μετρήσεων.

[[Εικόνα:Eikona 2.6.PNG|thumb|center|350px|Εικόνα 6. A) Χάρτης L8 zsd του Buzzards Bay B) Διατομή μεταξύ Potter’s Cove και Central Buzzard Bay C) Διατομή μεταξύ Manomet και Central Buzzard Bay ]]

[[Εικόνα:Eikona 2.7.PNG|thumb|center|350px|Εικόνα 7. A) Χάρτης L8 zsd του Cape Cod Bay B) Διατομή μεταξύ τοποθεσιών 7S και 8M C) Διατομή μεταξύ τοποθεσιών 5N και 9S ]]

[[Εικόνα:Eikona 2.8.PNG|thumb|center|350px|Εικόνα 8. A) Χάρτης L8 zsd του Upper Narragansett Bay B) Διατομή μεταξύ Edgewood Yacht Club και Bullock’s Reach Buoy ]]

==Συμπεράσματα==

Οι εκτιμήσεις των in situ και L8 zsd μετρήσεων όσον αφορά την επικύρωση, το εύρος, την μεταβλητότητα και την χωροχρονική διαύγεια του νερού, προσδίδουν εμπιστοσύνη στην εφαρμογή του αλγορίθμου L8 zsd στα λιμάνια Buzzards Bay, Cape Cod Bay και Narragansett Bay. Η εφαρμογή του αλγορίθμου L8 zsd προτρέπει μια πιο αυστηρή εκτίμηση των προτύπων καθαρότητας νερού από σχετικούς χάρτες και διατομές. Επιπροσθέτως, επεκτείνοντας αυτή την ανάλυση σε όλο το αρχείο του Landsat και παραμετροποιώντας τον αλγόριθμο για το ESA Sentinel2 MultiSpectral Instrument (MSI), θα αυξήσει την χρονική κάλυψη της καθαρότητας του νερού και θα αυξήσει την κατανόηση της μακροπρόθεσμης αλλαγής της καθαρότητας στα λιμάνια που εξετάστηκαν, ενισχύοντας την προσπάθεια των ομάδων ελέγχου ποιότητας του νερού.

[[category:Υδατικοί Πόροι]]

Κατάγραφη μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8

2020-02-25T13:21:10Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Capturing coastal water clarity variability with Landsat 8
'''Συγγραφείς:''' Kelly M.A. Luisa, Jennie E. Rheuban, Maria T. Kavanaugh, David M. Glover, Jianwei Wei, Zhongping Lee, Scott C. Doney
'''Πηγή:''' Marine Pollution Bulletin, 2019, Issue 145, Pages: 96 – 104

==Αντικείμενο==

Στην παρούσα εργασία παρουσιάζεται η χρήση αλγορίθμου παραμετροποίησης μετρήσεων βάθους δίσκου Secchi ( zsd ) για εικόνες Landsat 8 σε 4 λιμάνια των Ηνωμένων Πολιτείων, με σκοπό την εκτίμηση της ακρίβειας του μεταξύ διαφορετικών περιβαλλοντικών συνθηκών. Για την επικύρωση των μετρήσεων από τον αλγόριθμο χρησιμοποιήθηκαν in situ μετρήσεις zsd των περιοχών.

==Μεθοδολογία==

Μια μέτρηση zsd θεωρείται το βάθος που τοποθετείται ο δίσκος Secchi, στο οποίο ο δίσκος δεν είναι εμφανής από την επιφάνεια του νερού. Τα λιμάνια που εξετάστηκαν είναι τα Boston Harbor, Buzzards Bay, Cape Cod Bay, και Narragansett Bay. Από εκεί συλλέχθησαν, αρχικά, οι in situ μετρήσεις μέσω του Secchi και λήφθηκαν συνολικά 58 λήψεις του Landsat 8 με καθαρό ουρανό, μεταξύ Απρίλιου του 2013 και Δεκέμβριου του 2017. Ο αλγόριθμος που χρησιμοποιήθηκε για τον υπολογισμό του zsd παρουσιάζεται στην εικόνα 1, όπου το Kdtr εκφράζει τον ελάχιστο συντελεστή απόσβεσης ενός σώματος εντός του νερού πάνω από το ορατό πεδίο ( 400 – 700 nm ) και το Rrstr την αντίστοιχη ανακλαστικότητα τηλεπισκόπησης στο συγκεκριμένο μήκος κύματος.

[[Εικόνα:Eikona 2.1.PNG|thumb|right|210px|Εικόνα 1. Αλγόριθμος zsd]]

Η ακρίβεια της εκτίμησης του zsd αξιολογήθηκε με in situ μετρήσεις zsd της ίδιας ημέρας, η μεταβλητότητα του εύρους και της διανομής του zsd και οι εποχιακές παραλλαγές του zsd από το 2013 έως το 2017, όπως παρουσιάζονται στις εικόνες 3, 4 και 5 αντίστοιχα. Για την μέτρηση της συνοχής των μετρήσεων της ημέρας χρησιμοποιήθηκαν οι συντελεστές σφάλματος ρίζας μέσου τετραγώνου ( RMSE ) και η διαφορά του ποσοστού μέσου απολύτου ( MAPD ), όπως παρουσιάζονται στην εικόνα 2.

[[Εικόνα:Eikona 2.2.PNG|thumb|right|260px|Εικόνα 2. RMSE και MAPD]]

[[Εικόνα:Eikona 2.3.PNG|thumb|center|350px|Εικόνα 3. Συνδυασμός μετρήσεων zsd in situ και L8 για κάθε λιμάνι. Οι ράβδοι λάθους in situ zsd εκφράζουν το λάθος που σχετίζεται με τις ταινίες μετρήσεως και οι ράβδοι λάθους L8 zsd εκφράζουν την τυπική απόκλιση των 3 x 3 L8 εικονοστοιχείων]]

[[Εικόνα:Eikona 2.4.PNG|thumb|left|350px|Εικόνα 4. Ιστογράμματα και σχέδια του εύρους και διανομής των in situ και L8 zsd μετρήσεων των 58 Landsat 8 λήψεων ]]

[[Εικόνα:Eikona 2.5.PNG|thumb|left|350px|Εικόνα 5. Διαγράμματα χρονικής σειράς ( 2013 – 2017 ) zsd μετρήσεων in situ και L8 στα 4 λιμάνια ]]

==Αποτελέσματα==

Παρ'όλες τις διαφορές του υποκείμενου σώματος νερού, της περιόδου και την παρατήρηση των in situ μετρήσεων από διαφορετικούς παρατηρητές, παρατηρείται καλή συμφωνία μεταξύ των δύο ανεξάρτητων προσδιορισμών, in situ και L8, για το Buzzards Bay ( N = 42, RMSE = 0.96m, MAPD = 28%, R2 = 0.58 ), το Cape Cod Bay (N = 11, RMSE = 0.62m, MAPD = 10%, R2 = 0.93 ) και το Narragansett Bay ( N = 8, RMSE = 0.59m, MAPD = 36%, R2 = 0.05 ), όπως φαίνεται στην εικόνα 3. Στις μετρήσεις του Boston Harbor, από την άλλη, εμφανίζεται κακή συμφωνία στις μετρήσεις της ίδιας μέρας ( N = 99, RMSE = 1.52m, MAPD = 64%, R2 = 0.07 ). Για να αποφευχθεί η αλλοίωση των αποτελεσμάτων από τα γειτονικά εικονοστοιχεία της στεριάς, οι παράκτιοι σταθμοί του λιμανιού, εντός απόστασης 90 m, εξαιρέθηκαν από την επικύρωση και τα αποτελέσματα της σύνδεσης των μετρήσεων ελάχιστα βελτιώθηκαν ( N = 9, RMSE = 1.26m, MAPD = 45%, R2 = 0.14 ). Οι τιμές των μετρήσεων L8 zsd αποτυπώνουν το εύρος και την διανομή της καθαρότητας του νερού, όπως φαίνεται στην εικόνα 4. Στα λιμάνια Boston Harbor, Buzzards Bay, και Narragansett Bay οι τιμές κυμαίνονται μεταξύ 1 και 5 m, με την πλειονότητα αυτών να κυμαίνεται μεταξύ 2 – 3 m. Για το Cape Cod Bay, το εύρος είναι μεταξύ 4 και 10 m και η πλειονότητα των μετρήσεων κυμαίνεται μεταξύ 5 – 6 m. Στη συνέχεια, δημιουργήθηκαν χάρτες L8 zsd για το Buzzards Bay, Cape Cod Bay και Narragansett Bay για την ημέρα της 14ης Μαρτίου 2014, που παρουσιάζονται στην εικόνα 6, 7 και 8 αντίστοιχα μαζί με τα αποτελέσματα των μετρήσεων.

[[Εικόνα:Eikona 2.6.PNG|thumb|center|350px|Εικόνα 6. A) Χάρτης L8 zsd του Buzzards Bay B) Διατομή μεταξύ Potter’s Cove και Central Buzzard Bay C) Διατομή μεταξύ Manomet και Central Buzzard Bay ]]

[[Εικόνα:Eikona 2.7.PNG|thumb|center|350px|Εικόνα 7. A) Χάρτης L8 zsd του Cape Cod Bay B) Διατομή μεταξύ τοποθεσιών 7S και 8M C) Διατομή μεταξύ τοποθεσιών 5N και 9S ]]

[[Εικόνα:Eikona 2.8.PNG|thumb|center|350px|Εικόνα 8. A) Χάρτης L8 zsd του Upper Narragansett Bay B) Διατομή μεταξύ Edgewood Yacht Club και Bullock’s Reach Buoy ]]

==Συμπεράσματα==

Οι εκτιμήσεις των in situ και L8 zsd μετρήσεων όσον αφορά την επικύρωση, το εύρος, την μεταβλητότητα και την χωροχρονική διαύγεια του νερού, προσδίδουν εμπιστοσύνη στην εφαρμογή του αλγορίθμου L8 zsd στα λιμάνια Buzzards Bay, Cape Cod Bay και Narragansett Bay. Η εφαρμογή του αλγορίθμου L8 zsd προτρέπει μια πιο αυστηρή εκτίμηση των προτύπων καθαρότητας νερού από σχετικούς χάρτες και διατομές. Επιπροσθέτως, επεκτείνοντας αυτή την ανάλυση σε όλο το αρχείο του Landsat και παραμετροποιώντας τον αλγόριθμο για το ESA Sentinel2 MultiSpectral Instrument (MSI), θα αυξήσει την χρονική κάλυψη της καθαρότητας του νερού και θα αυξήσει την κατανόηση της μακροπρόθεσμης αλλαγής της καθαρότητας στα λιμάνια που εξετάστηκαν, ενισχύοντας την προσπάθεια των ομάδων ελέγχου ποιότητας του νερού.

[[category:Υδατικοί Πόροι]]

Κατάγραφη μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8

2020-02-25T13:16:59Z

AndSarris:

'''Πρωτότυπος τίτλος:''' Capturing coastal water clarity variability with Landsat 8
'''Συγγραφείς:''' Kelly M.A. Luisa, Jennie E. Rheuban, Maria T. Kavanaugh, David M. Glover, Jianwei Wei, Zhongping Lee, Scott C. Doney
'''Πηγή:''' Marine Pollution Bulletin, 2019, Issue 145, Pages: 96 – 104

==Αντικείμενο==

Στην παρούσα εργασία παρουσιάζεται η χρήση αλγορίθμου παραμετροποίησης μετρήσεων βάθους δίσκου Secchi ( zsd ) για εικόνες Landsat 8 σε 4 λιμάνια των Ηνωμένων Πολιτείων, με σκοπό την εκτίμηση της ακρίβειας του μεταξύ διαφορετικών περιβαλλοντικών συνθηκών. Για την επικύρωση των μετρήσεων από τον αλγόριθμο χρησιμοποιήθηκαν in situ μετρήσεις zsd των περιοχών.

==Μεθοδολογία==

Μια μέτρηση zsd θεωρείται το βάθος που τοποθετείται ο δίσκος Secchi, στο οποίο ο δίσκος δεν είναι εμφανής από την επιφάνεια του νερού. Τα λιμάνια που εξετάστηκαν είναι τα Boston Harbor, Buzzards Bay, Cape Cod Bay, και Narragansett Bay. Από εκεί συλλέχθησαν, αρχικά, οι in situ μετρήσεις μέσω του Secchi και λήφθηκαν συνολικά 58 λήψεις του Landsat 8 με καθαρό ουρανό, μεταξύ Απρίλιου του 2013 και Δεκέμβριου του 2017. Ο αλγόριθμος που χρησιμοποιήθηκε για τον υπολογισμό του zsd παρουσιάζεται στην εικόνα 1, όπου το Kdtr εκφράζει τον ελάχιστο συντελεστή απόσβεσης ενός σώματος εντός του νερού πάνω από το ορατό πεδίο ( 400 – 700 nm ) και το Rrstr την αντίστοιχη ανακλαστικότητα τηλεπισκόπησης στο συγκεκριμένο μήκος κύματος.

[[Εικόνα:Eikona 2.1.PNG|thumb|right|210px|Εικόνα 1. Αλγόριθμος zsd]]

Η ακρίβεια της εκτίμησης του zsd αξιολογήθηκε με in situ μετρήσεις zsd της ίδιας ημέρας, η μεταβλητότητα του εύρους και της διανομής του zsd και οι εποχιακές παραλλαγές του zsd από το 2013 έως το 2017, όπως παρουσιάζονται στις εικόνες 3, 4 και 5 αντίστοιχα. Για την μέτρηση της συνοχής των μετρήσεων της ημέρας χρησιμοποιήθηκαν οι συντελεστές σφάλματος ρίζας μέσου τετραγώνου ( RMSE ) και η διαφορά του ποσοστού μέσου απολύτου ( MAPD ), όπως παρουσιάζονται στην εικόνα 2.

[[Εικόνα:Eikona 2.2.PNG|thumb|right|260px|Εικόνα 2. RMSE και MAPD]]

[[Εικόνα:Eikona 2.3.PNG|thumb|center|350px|Εικόνα 3. Συνδυασμός μετρήσεων zsd in situ και L8 για κάθε λιμάνι. Οι ράβδοι λάθους in situ zsd εκφράζουν το λάθος που σχετίζεται με τις ταινίες μετρήσεως και οι ράβδοι λάθους L8 zsd εκφράζουν την τυπική απόκλιση των 3 x 3 L8 εικονοστοιχείων]]

[[Εικόνα:Eikona 2.4.PNG|thumb|center|350px|Εικόνα 4. Ιστογράμματα και σχέδια του εύρους και διανομής των in situ και L8 zsd μετρήσεων των 58 Landsat 8 λήψεων ]]

[[Εικόνα:Eikona 2.5.PNG|thumb|center|350px|Εικόνα 5. Διαγράμματα χρονικής σειράς ( 2013 – 2017 ) zsd μετρήσεων in situ και L8 στα 4 λιμάνια ]]

==Αποτελέσματα==

Παρ'όλες τις διαφορές του υποκείμενου σώματος νερού, της περιόδου και την παρατήρηση των in situ μετρήσεων από διαφορετικούς παρατηρητές, παρατηρείται καλή συμφωνία μεταξύ των δύο ανεξάρτητων προσδιορισμών, in situ και L8, για το Buzzards Bay ( N = 42, RMSE = 0.96m, MAPD = 28%, R2 = 0.58 ), το Cape Cod Bay (N = 11, RMSE = 0.62m, MAPD = 10%, R2 = 0.93 ) και το Narragansett Bay ( N = 8, RMSE = 0.59m, MAPD = 36%, R2 = 0.05 ), όπως φαίνεται στην εικόνα 3. Στις μετρήσεις του Boston Harbor, από την άλλη, εμφανίζεται κακή συμφωνία στις μετρήσεις της ίδιας μέρας ( N = 99, RMSE = 1.52m, MAPD = 64%, R2 = 0.07 ). Για να αποφευχθεί η αλλοίωση των αποτελεσμάτων από τα γειτονικά εικονοστοιχεία της στεριάς, οι παράκτιοι σταθμοί του λιμανιού, εντός απόστασης 90 m, εξαιρέθηκαν από την επικύρωση και τα αποτελέσματα της σύνδεσης των μετρήσεων ελάχιστα βελτιώθηκαν ( N = 9, RMSE = 1.26m, MAPD = 45%, R2 = 0.14 ). Οι τιμές των μετρήσεων L8 zsd αποτυπώνουν το εύρος και την διανομή της καθαρότητας του νερού, όπως φαίνεται στην εικόνα 4. Στα λιμάνια Boston Harbor, Buzzards Bay, και Narragansett Bay οι τιμές κυμαίνονται μεταξύ 1 και 5 m, με την πλειονότητα αυτών να κυμαίνεται μεταξύ 2 – 3 m. Για το Cape Cod Bay, το εύρος είναι μεταξύ 4 και 10 m και η πλειονότητα των μετρήσεων κυμαίνεται μεταξύ 5 – 6 m. Στη συνέχεια, δημιουργήθηκαν χάρτες L8 zsd για το Buzzards Bay, Cape Cod Bay και Narragansett Bay για την ημέρα της 14ης Μαρτίου 2014, που παρουσιάζονται στην εικόνα 6, 7 και 8 αντίστοιχα μαζί με τα αποτελέσματα των μετρήσεων.

[[Εικόνα:Eikona 2.6.PNG|thumb|center|350px|Εικόνα 6. A) Χάρτης L8 zsd του Buzzards Bay B) Διατομή μεταξύ Potter’s Cove και Central Buzzard Bay C) Διατομή μεταξύ Manomet και Central Buzzard Bay ]]

[[Εικόνα:Eikona 2.7.PNG|thumb|center|350px|Εικόνα 7. A) Χάρτης L8 zsd του Cape Cod Bay B) Διατομή μεταξύ τοποθεσιών 7S και 8M C) Διατομή μεταξύ τοποθεσιών 5N και 9S ]]

[[Εικόνα:Eikona 2.8.PNG|thumb|center|350px|Εικόνα 8. A) Χάρτης L8 zsd του Upper Narragansett Bay B) Διατομή μεταξύ Edgewood Yacht Club και Bullock’s Reach Buoy ]]

==Συμπεράσματα==

Οι εκτιμήσεις των in situ και L8 zsd μετρήσεων όσον αφορά την επικύρωση, το εύρος, την μεταβλητότητα και την χωροχρονική διαύγεια του νερού, προσδίδουν εμπιστοσύνη στην εφαρμογή του αλγορίθμου L8 zsd στα λιμάνια Buzzards Bay, Cape Cod Bay και Narragansett Bay. Η εφαρμογή του αλγορίθμου L8 zsd προτρέπει μια πιο αυστηρή εκτίμηση των προτύπων καθαρότητας νερού από σχετικούς χάρτες και διατομές. Επιπροσθέτως, επεκτείνοντας αυτή την ανάλυση σε όλο το αρχείο του Landsat και παραμετροποιώντας τον αλγόριθμο για το ESA Sentinel2 MultiSpectral Instrument (MSI), θα αυξήσει την χρονική κάλυψη της καθαρότητας του νερού και θα αυξήσει την κατανόηση της μακροπρόθεσμης αλλαγής της καθαρότητας στα λιμάνια που εξετάστηκαν, ενισχύοντας την προσπάθεια των ομάδων ελέγχου ποιότητας του νερού.

[[category:Υδατικοί Πόροι]]

Κατάγραφη μεταβλητότητας της διαύγειας του παράκτιου νερού με την χρήση Landsat 8

2020-02-25T13:11:29Z

'''Πρωτότυπος τίτλος:''' Capturing coastal water clarity variability with Landsat 8
'''Συγγραφείς:''' Kelly M.A. Luisa, Jennie E. Rheuban, Maria T. Kavanaugh, David M. Glover, Jianwei Wei, Zhongping Lee, Scott C. Doney
'''Πηγή:''' Marine Pollution Bulletin, 2019, Issue 145, Pages: 96 – 104

==Αντικείμενο==

Στην παρούσα εργασία παρουσιάζεται η χρήση αλγορίθμου παραμετροποίησης μετρήσεων βάθους δίσκου Secchi ( zsd ) για εικόνες Landsat 8 σε 4 λιμάνια των Ηνωμένων Πολιτείων, με σκοπό την εκτίμηση της ακρίβειας του μεταξύ διαφορετικών περιβαλλοντικών συνθηκών. Για την επικύρωση των μετρήσεων από τον αλγόριθμο χρησιμοποιήθηκαν in situ μετρήσεις zsd των περιοχών.

==Μεθοδολογία==

Μια μέτρηση zsd θεωρείται το βάθος που τοποθετείται ο δίσκος Secchi, στο οποίο ο δίσκος δεν είναι εμφανής από την επιφάνεια του νερού. Τα λιμάνια που εξετάστηκαν είναι τα Boston Harbor, Buzzards Bay, Cape Cod Bay, και Narragansett Bay. Από εκεί συλλέχθησαν, αρχικά, οι in situ μετρήσεις μέσω του Secchi και λήφθηκαν συνολικά 58 λήψεις του Landsat 8 με καθαρό ουρανό, μεταξύ Απρίλιου του 2013 και Δεκέμβριου του 2017. Ο αλγόριθμος που χρησιμοποιήθηκε για τον υπολογισμό του zsd παρουσιάζεται στην εικόνα 1, όπου το Kdtr εκφράζει τον ελάχιστο συντελεστή απόσβεσης ενός σώματος εντός του νερού πάνω από το ορατό πεδίο ( 400 – 700 nm ) και το Rrstr την αντίστοιχη ανακλαστικότητα τηλεπισκόπησης στο συγκεκριμένο μήκος κύματος.

[[Εικόνα:Eikona 2.1.PNG|thumb|right|210px|Εικόνα 1. Αλγόριθμος zsd]]

Η ακρίβεια της εκτίμησης του zsd αξιολογήθηκε με in situ μετρήσεις zsd της ίδιας ημέρας, η μεταβλητότητα του εύρους και της διανομής του zsd και οι εποχιακές παραλλαγές του zsd από το 2013 έως το 2017, όπως παρουσιάζονται στις εικόνες 3, 4 και 5 αντίστοιχα. Για την μέτρηση της συνοχής των μετρήσεων της ημέρας χρησιμοποιήθηκαν οι συντελεστές σφάλματος ρίζας μέσου τετραγώνου ( RMSE ) και η διαφορά του ποσοστού μέσου απολύτου ( MAPD ), όπως παρουσιάζονται στην εικόνα 2.

[[Εικόνα:Eikona 2.2.PNG|thumb|right|210px|Εικόνα 2. RMSE και MAPD]]

[[Εικόνα:Eikona 2.3.PNG|thumb|right|210px|Εικόνα 3. Συνδυασμός μετρήσεων zsd in situ και L8 για κάθε λιμάνι. Οι ράβδοι λάθους in situ zsd εκφράζουν το λάθος που σχετίζεται με τις ταινίες μετρήσεως και οι ράβδοι λάθους L8 zsd εκφράζουν την τυπική απόκλιση των 3 x 3 L8 εικονοστοιχείων]]

[[Εικόνα:Eikona 2.4.PNG|thumb|right|210px|Εικόνα 4. Ιστογράμματα και σχέδια του εύρους και διανομής των in situ και L8 zsd μετρήσεων των 58 Landsat 8 λήψεων ]]

[[Εικόνα:Eikona 2.5.PNG|thumb|right|210px|Εικόνα 5. Διαγράμματα χρονικής σειράς ( 2013 – 2017 ) zsd μετρήσεων in situ και L8 στα 4 λιμάνια ]]

==Αποτελέσματα==

Παρ'όλες τις διαφορές του υποκείμενου σώματος νερού, της περιόδου και την παρατήρηση των in situ μετρήσεων από διαφορετικούς παρατηρητές, παρατηρείται καλή συμφωνία μεταξύ των δύο ανεξάρτητων προσδιορισμών, in situ και L8, για το Buzzards Bay ( N = 42, RMSE = 0.96m, MAPD = 28%, R2 = 0.58 ), το Cape Cod Bay (N = 11, RMSE = 0.62m, MAPD = 10%, R2 = 0.93 ) και το Narragansett Bay ( N = 8, RMSE = 0.59m, MAPD = 36%, R2 = 0.05 ), όπως φαίνεται στην εικόνα 3. Στις μετρήσεις του Boston Harbor, από την άλλη, εμφανίζεται κακή συμφωνία στις μετρήσεις της ίδιας μέρας ( N = 99, RMSE = 1.52m, MAPD = 64%, R2 = 0.07 ). Για να αποφευχθεί η αλλοίωση των αποτελεσμάτων από τα γειτονικά εικονοστοιχεία της στεριάς, οι παράκτιοι σταθμοί του λιμανιού, εντός απόστασης 90 m, εξαιρέθηκαν από την επικύρωση και τα αποτελέσματα της σύνδεσης των μετρήσεων ελάχιστα βελτιώθηκαν ( N = 9, RMSE = 1.26m, MAPD = 45%, R2 = 0.14 ). Οι τιμές των μετρήσεων L8 zsd αποτυπώνουν το εύρος και την διανομή της καθαρότητας του νερού, όπως φαίνεται στην εικόνα 4. Στα λιμάνια Boston Harbor, Buzzards Bay, και Narragansett Bay οι τιμές κυμαίνονται μεταξύ 1 και 5 m, με την πλειονότητα αυτών να κυμαίνεται μεταξύ 2 – 3 m. Για το Cape Cod Bay, το εύρος είναι μεταξύ 4 και 10 m και η πλειονότητα των μετρήσεων κυμαίνεται μεταξύ 5 – 6 m. Στη συνέχεια, δημιουργήθηκαν χάρτες L8 zsd για το Buzzards Bay, Cape Cod Bay και Narragansett Bay για την ημέρα της 14ης Μαρτίου 2014, που παρουσιάζονται στην εικόνα 6, 7 και 8 αντίστοιχα μαζί με τα αποτελέσματα των μετρήσεων.

[[Εικόνα:Eikona 2.6.PNG|thumb|right|210px|Εικόνα 6. A) Χάρτης L8 zsd του Buzzards Bay B) Διατομή μεταξύ Potter’s Cove και Central Buzzard Bay C) Διατομή μεταξύ Manomet και Central Buzzard Bay ]]

[[Εικόνα:Eikona 2.7.PNG|thumb|right|210px|Εικόνα 7. A) Χάρτης L8 zsd του Cape Cod Bay B) Διατομή μεταξύ τοποθεσιών 7S και 8M C) Διατομή μεταξύ τοποθεσιών 5N και 9S ]]

[[Εικόνα:Eikona 2.8.PNG|thumb|right|210px|Εικόνα 8. A) Χάρτης L8 zsd του Upper Narragansett Bay B) Διατομή μεταξύ Edgewood Yacht Club και Bullock’s Reach Buoy ]]

==Συμπεράσματα==

Οι εκτιμήσεις των in situ και L8 zsd μετρήσεων όσον αφορά την επικύρωση, το εύρος, την μεταβλητότητα και την χωροχρονική διαύγεια του νερού, προσδίδουν εμπιστοσύνη στην εφαρμογή του αλγορίθμου L8 zsd στα λιμάνια Buzzards Bay, Cape Cod Bay και Narragansett Bay. Η εφαρμογή του αλγορίθμου L8 zsd προτρέπει μια πιο αυστηρή εκτίμηση των προτύπων καθαρότητας νερού από σχετικούς χάρτες και διατομές. Επιπροσθέτως, επεκτείνοντας αυτή την ανάλυση σε όλο το αρχείο του Landsat και παραμετροποιώντας τον αλγόριθμο για το ESA Sentinel2 MultiSpectral Instrument (MSI), θα αυξήσει την χρονική κάλυψη της καθαρότητας του νερού και θα αυξήσει την κατανόηση της μακροπρόθεσμης αλλαγής της καθαρότητας στα λιμάνια που εξετάστηκαν, ενισχύοντας την προσπάθεια των ομάδων ελέγχου ποιότητας του νερού.

[[category:Υδατικοί Πόροι]]

Αρχείο:Eikona 2.8.PNG

2020-02-25T12:49:07Z

AndSarris:

Αρχείο:Eikona 2.7.PNG

2020-02-25T12:48:50Z

AndSarris:

Αρχείο:Eikona 2.6.PNG

2020-02-25T12:48:32Z

AndSarris: