RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Χριστινάκης Γιάννης

2024-02-20T17:59:03Z

Ichristinakis:

[[Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...]]

[[Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης_εικονας..]]

[[Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş, Ρουμανικά Καρπάθια Όρη]]

[[Προσδιορισμός δασικών παραμέτρων για προσομοίωση χιονοστιβάδας με χρήση τηλεπισκοπικών δεδομένων]]

[[Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:58:06Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

[[Αρχείο:Paper5-fig1.png | thumb | right | Study area in the Eastern Himalayas (85.2–89◦ E)]]

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

[[Αρχείο:Paper5-fig2.png | thumb | right | Examples of alpine lakes and corresponding labels used for classification]]

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

[[Αρχείο:Paper5-fig3.png | thumb | right | Εικόνα 4: Flow diagram of the methods in the study]]

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

[[Αρχείο:Paper5-fig4.png | thumb | right | Distribution of training and validation samples used for classification.]]

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

[[Αρχείο:Paper5-fig5.png | thumb | right ]]

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

[[Αρχείο:Paper5-fig6.png | thumb | right | Segmetation Accuracy Graphs]]
[[Αρχείο:Paper5-fig7.png | thumb | right | Segmetation Accuracy]]

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6%. Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο 2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες στα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων.

Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την παγκόσμια εφαρμοσιμότητα του μοντέλου.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:56:38Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

[[Αρχείο:Paper5-fig1.png | thumb | right | Study area in the Eastern Himalayas (85.2–89◦ E)]]

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

[[Αρχείο:Paper5-fig2.png | thumb | right | Examples of alpine lakes and corresponding labels used for classification]]

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

[[Αρχείο:Paper5-fig3.png | thumb | right | Εικόνα 4: Flow diagram of the methods in the study]]

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

[[Αρχείο:Paper5-fig4.png | thumb | right | Distribution of training and validation samples used for classification.]]

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

[[Αρχείο:Paper5-fig5.png | thumb | right ]]

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

[[Αρχείο:Paper5-fig6.png | thumb | center | Segmetation Accuracy]]
[[Αρχείο:Paper5-fig7.png | thumb | right | Segmetation Accuracy]]

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6%. Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο 2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες στα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων.

Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την παγκόσμια εφαρμοσιμότητα του μοντέλου.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Αρχείο:Paper5-fig7.png

2024-02-20T17:55:13Z

Ichristinakis:

Αρχείο:Paper5-fig6.png

2024-02-20T17:55:04Z

Ichristinakis:

Αρχείο:Paper5-fig5.png

2024-02-20T17:54:53Z

Ichristinakis:

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:51:00Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

[[Αρχείο:Paper5-fig1.png | thumb | right | Study area in the Eastern Himalayas (85.2–89◦ E)]]

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

[[Αρχείο:Paper5-fig2.png | thumb | right | Examples of alpine lakes and corresponding labels used for classification]]

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

[[Αρχείο:Paper5-fig3.png | thumb | right | Εικόνα 4: Flow diagram of the methods in the study]]

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

[[Αρχείο:Paper5-fig4.png | thumb | right | Distribution of training and validation samples used for classification.]]

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6%. Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο 2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες στα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων.

Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την παγκόσμια εφαρμοσιμότητα του μοντέλου.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:43:10Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

[[Αρχείο:Paper5-fig1.png | thumb | right | Study area in the Eastern Himalayas (85.2–89◦ E)]]

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

[[Αρχείο:Paper5-fig2.png | thumb | right | Examples of alpine lakes and corresponding labels used for classification]]

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

[[Αρχείο:Paper5-fig3.png | thumb | right | Εικόνα 4: Flow diagram of the methods in the study]]

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

[[Αρχείο:Paper5-fig4.png | thumb | right | Distribution of training and validation samples used for classification.]]

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6%. Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται
αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών,
συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση
του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς
μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας
υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα. Η μελέτη υπογραμμίζει επίσης τη σημασία των δορυφορικών δεδομένων υψηλής ανάλυσης για τη βελτίωση του εντοπισμού των αλπικών λιμνών, ιδίως των μικρότερων, και την παραγωγή δεδομένων εκπαίδευσης υψηλής ποιότητας για την επιτυχία των μοντέλων.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο
2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες. Η αργή χρονική δυναμική των αλπικών λιμνών και η λεπτότερη ανάλυση των δεδομένων Sentinel συμβάλλουν στην υψηλότερη ακρίβεια της απογραφής. Η σύγκριση αναδεικνύει την ανάγκη χαρτογράφησης των παγετωνικών λιμνών σε λεπτότερες κλίμακες με τη χρήση δορυφορικών δεδομένων υψηλής ανάλυσης για να βελτιωθεί η κατανόησή μας, ιδίως όσον αφορά τις μικρότερες λίμνες.

'''<h1> Conclusion </h1>'''

Η εργασία παρουσιάζει μια αυτόματη μέθοδο για τον εντοπισμό παγετωδών λιμνών με τη χρήση βαθιάς μάθησης και δορυφορικών δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένων
οπτικών δεδομένων και δεδομένων ραντάρ συνθετικού ανοίγματος (SAR). Η προσέγγιση βαθιάς μάθησης βελτιώνει σημαντικά την ανίχνευση νερού σε σύγκριση με τις παραδοσιακές μεθόδους που βασίζονται στο φάσμα, μειώνοντας την υπερεκτίμηση. Η συμπερίληψη πολλαπλών πηγών εισόδου, όπως ένας δείκτης νερού (MNDWI), η ζώνη SAR (Sentinel-1 VV) και η ζώνη εδάφους (Relief), ενισχύει την απόδοση του μοντέλου. Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων
ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η
ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την
παγκόσμια εφαρμοσιμότητα του μοντέλου.

Η μελέτη συντάσσει έναν κατάλογο αλπικών λιμνών για τα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων. Τα ευρήματα αναδεικνύουν σημαντικά κενά γνώσης και καταδεικνύουν τις δυνατότητες της βαθιάς μάθησης και των δορυφορικών δεδομένων υψηλής ανάλυσης για τη χαρτογράφηση μικρών αλπικών λιμνών σε ακραία περιβάλλοντα παγκοσμίως, όπως η Γροιλανδία και η Ανταρκτική.

Τα αποτελέσματα συνεισφέρουν πολύτιμες πληροφορίες για την κατανόηση αυτών των οικοσυστημάτων και τη βελτίωση των συστημάτων έγκαιρης προειδοποίησης για πλημμύρες από παγετώδεις λίμνες.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:42:24Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

[[Αρχείο:Paper5-fig1.png | thumb | right | Study area in the Eastern Himalayas (85.2–89◦ E)]]

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

[[Αρχείο:Paper5-fig2.png | thumb | right | Examples of alpine lakes and corresponding labels used for classification]]

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

[[Αρχείο:Paper5-fig3.png | thumb | right | Εικόνα 4: Examples of alpine lakes and corresponding labels used for classification]]

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

[[Αρχείο:Paper5-fig4.png | thumb | right | Distribution of training and validation samples used for classification.]]

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6%. Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται
αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών,
συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση
του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς
μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας
υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα. Η μελέτη υπογραμμίζει επίσης τη σημασία των δορυφορικών δεδομένων υψηλής ανάλυσης για τη βελτίωση του εντοπισμού των αλπικών λιμνών, ιδίως των μικρότερων, και την παραγωγή δεδομένων εκπαίδευσης υψηλής ποιότητας για την επιτυχία των μοντέλων.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο
2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες. Η αργή χρονική δυναμική των αλπικών λιμνών και η λεπτότερη ανάλυση των δεδομένων Sentinel συμβάλλουν στην υψηλότερη ακρίβεια της απογραφής. Η σύγκριση αναδεικνύει την ανάγκη χαρτογράφησης των παγετωνικών λιμνών σε λεπτότερες κλίμακες με τη χρήση δορυφορικών δεδομένων υψηλής ανάλυσης για να βελτιωθεί η κατανόησή μας, ιδίως όσον αφορά τις μικρότερες λίμνες.

'''<h1> Conclusion </h1>'''

Η εργασία παρουσιάζει μια αυτόματη μέθοδο για τον εντοπισμό παγετωδών λιμνών με τη χρήση βαθιάς μάθησης και δορυφορικών δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένων
οπτικών δεδομένων και δεδομένων ραντάρ συνθετικού ανοίγματος (SAR). Η προσέγγιση βαθιάς μάθησης βελτιώνει σημαντικά την ανίχνευση νερού σε σύγκριση με τις παραδοσιακές μεθόδους που βασίζονται στο φάσμα, μειώνοντας την υπερεκτίμηση. Η συμπερίληψη πολλαπλών πηγών εισόδου, όπως ένας δείκτης νερού (MNDWI), η ζώνη SAR (Sentinel-1 VV) και η ζώνη εδάφους (Relief), ενισχύει την απόδοση του μοντέλου. Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων
ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η
ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την
παγκόσμια εφαρμοσιμότητα του μοντέλου.

Η μελέτη συντάσσει έναν κατάλογο αλπικών λιμνών για τα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων. Τα ευρήματα αναδεικνύουν σημαντικά κενά γνώσης και καταδεικνύουν τις δυνατότητες της βαθιάς μάθησης και των δορυφορικών δεδομένων υψηλής ανάλυσης για τη χαρτογράφηση μικρών αλπικών λιμνών σε ακραία περιβάλλοντα παγκοσμίως, όπως η Γροιλανδία και η Ανταρκτική.

Τα αποτελέσματα συνεισφέρουν πολύτιμες πληροφορίες για την κατανόηση αυτών των οικοσυστημάτων και τη βελτίωση των συστημάτων έγκαιρης προειδοποίησης για πλημμύρες από παγετώδεις λίμνες.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:39:25Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

[[Αρχείο:Paper5-fig1.png | thumb | right]]

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

[[Αρχείο:Paper5-fig2.png | thumb | right]]

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

[[Αρχείο:Paper5-fig3.png | thumb | right]]

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

[[Αρχείο:Paper5-fig4.png | thumb | right]]

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6%. Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται
αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών,
συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση
του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς
μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας
υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα. Η μελέτη υπογραμμίζει επίσης τη σημασία των δορυφορικών δεδομένων υψηλής ανάλυσης για τη βελτίωση του εντοπισμού των αλπικών λιμνών, ιδίως των μικρότερων, και την παραγωγή δεδομένων εκπαίδευσης υψηλής ποιότητας για την επιτυχία των μοντέλων.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο
2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες. Η αργή χρονική δυναμική των αλπικών λιμνών και η λεπτότερη ανάλυση των δεδομένων Sentinel συμβάλλουν στην υψηλότερη ακρίβεια της απογραφής. Η σύγκριση αναδεικνύει την ανάγκη χαρτογράφησης των παγετωνικών λιμνών σε λεπτότερες κλίμακες με τη χρήση δορυφορικών δεδομένων υψηλής ανάλυσης για να βελτιωθεί η κατανόησή μας, ιδίως όσον αφορά τις μικρότερες λίμνες.

'''<h1> Conclusion </h1>'''

Η εργασία παρουσιάζει μια αυτόματη μέθοδο για τον εντοπισμό παγετωδών λιμνών με τη χρήση βαθιάς μάθησης και δορυφορικών δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένων
οπτικών δεδομένων και δεδομένων ραντάρ συνθετικού ανοίγματος (SAR). Η προσέγγιση βαθιάς μάθησης βελτιώνει σημαντικά την ανίχνευση νερού σε σύγκριση με τις παραδοσιακές μεθόδους που βασίζονται στο φάσμα, μειώνοντας την υπερεκτίμηση. Η συμπερίληψη πολλαπλών πηγών εισόδου, όπως ένας δείκτης νερού (MNDWI), η ζώνη SAR (Sentinel-1 VV) και η ζώνη εδάφους (Relief), ενισχύει την απόδοση του μοντέλου. Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων
ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η
ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την
παγκόσμια εφαρμοσιμότητα του μοντέλου.

Η μελέτη συντάσσει έναν κατάλογο αλπικών λιμνών για τα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων. Τα ευρήματα αναδεικνύουν σημαντικά κενά γνώσης και καταδεικνύουν τις δυνατότητες της βαθιάς μάθησης και των δορυφορικών δεδομένων υψηλής ανάλυσης για τη χαρτογράφηση μικρών αλπικών λιμνών σε ακραία περιβάλλοντα παγκοσμίως, όπως η Γροιλανδία και η Ανταρκτική.

Τα αποτελέσματα συνεισφέρουν πολύτιμες πληροφορίες για την κατανόηση αυτών των οικοσυστημάτων και τη βελτίωση των συστημάτων έγκαιρης προειδοποίησης για πλημμύρες από παγετώδεις λίμνες.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:37:48Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

[[Αρχείο:Paper5-fig1.png | thumb | right]]

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

[[Αρχείο:Paper5-fig2.png | thumb | right]]

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

[[Αρχείο:Paper5-fig3.png | thumb | right]]

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6% (Πίνακας 6). Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται
αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών,
συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση
του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς
μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας
υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα. Η μελέτη υπογραμμίζει επίσης τη σημασία των δορυφορικών δεδομένων υψηλής ανάλυσης για τη βελτίωση του εντοπισμού των αλπικών λιμνών, ιδίως των μικρότερων, και την παραγωγή δεδομένων εκπαίδευσης υψηλής ποιότητας για την επιτυχία των μοντέλων.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο
2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες. Η αργή χρονική δυναμική των αλπικών λιμνών και η λεπτότερη ανάλυση των δεδομένων Sentinel συμβάλλουν στην υψηλότερη ακρίβεια της απογραφής. Η σύγκριση αναδεικνύει την ανάγκη χαρτογράφησης των παγετωνικών λιμνών σε λεπτότερες κλίμακες με τη χρήση δορυφορικών δεδομένων υψηλής ανάλυσης για να βελτιωθεί η κατανόησή μας, ιδίως όσον αφορά τις μικρότερες λίμνες.

'''<h1> Conclusion </h1>'''

Η εργασία παρουσιάζει μια αυτόματη μέθοδο για τον εντοπισμό παγετωδών λιμνών με τη χρήση βαθιάς μάθησης και δορυφορικών δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένων
οπτικών δεδομένων και δεδομένων ραντάρ συνθετικού ανοίγματος (SAR). Η προσέγγιση βαθιάς μάθησης βελτιώνει σημαντικά την ανίχνευση νερού σε σύγκριση με τις παραδοσιακές μεθόδους που βασίζονται στο φάσμα, μειώνοντας την υπερεκτίμηση. Η συμπερίληψη πολλαπλών πηγών εισόδου, όπως ένας δείκτης νερού (MNDWI), η ζώνη SAR (Sentinel-1 VV) και η ζώνη εδάφους (Relief), ενισχύει την απόδοση του μοντέλου. Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων
ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η
ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την
παγκόσμια εφαρμοσιμότητα του μοντέλου.

Η μελέτη συντάσσει έναν κατάλογο αλπικών λιμνών για τα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων. Τα ευρήματα αναδεικνύουν σημαντικά κενά γνώσης και καταδεικνύουν τις δυνατότητες της βαθιάς μάθησης και των δορυφορικών δεδομένων υψηλής ανάλυσης για τη χαρτογράφηση μικρών αλπικών λιμνών σε ακραία περιβάλλοντα παγκοσμίως, όπως η Γροιλανδία και η Ανταρκτική.

Τα αποτελέσματα συνεισφέρουν πολύτιμες πληροφορίες για την κατανόηση αυτών των οικοσυστημάτων και τη βελτίωση των συστημάτων έγκαιρης προειδοποίησης για πλημμύρες από παγετώδεις λίμνες.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Αρχείο:Paper5-fig4.png

2024-02-20T17:37:43Z

Ichristinakis:

Αρχείο:Paper5-fig3.png

2024-02-20T17:37:34Z

Ichristinakis:

Αρχείο:Paper5-fig2.png

2024-02-20T17:37:25Z

Ichristinakis:

Αρχείο:Paper5-fig1.png

2024-02-20T17:35:44Z

Ichristinakis:

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T17:29:38Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

Identifying Alpine Lakes in the Eastern Himalayas Using
Deep Learning

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6% (Πίνακας 6). Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται
αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών,
συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση
του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς
μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας
υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα. Η μελέτη υπογραμμίζει επίσης τη σημασία των δορυφορικών δεδομένων υψηλής ανάλυσης για τη βελτίωση του εντοπισμού των αλπικών λιμνών, ιδίως των μικρότερων, και την παραγωγή δεδομένων εκπαίδευσης υψηλής ποιότητας για την επιτυχία των μοντέλων.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο
2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες. Η αργή χρονική δυναμική των αλπικών λιμνών και η λεπτότερη ανάλυση των δεδομένων Sentinel συμβάλλουν στην υψηλότερη ακρίβεια της απογραφής. Η σύγκριση αναδεικνύει την ανάγκη χαρτογράφησης των παγετωνικών λιμνών σε λεπτότερες κλίμακες με τη χρήση δορυφορικών δεδομένων υψηλής ανάλυσης για να βελτιωθεί η κατανόησή μας, ιδίως όσον αφορά τις μικρότερες λίμνες.

'''<h1> Conclusion </h1>'''

Η εργασία παρουσιάζει μια αυτόματη μέθοδο για τον εντοπισμό παγετωδών λιμνών με τη χρήση βαθιάς μάθησης και δορυφορικών δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένων
οπτικών δεδομένων και δεδομένων ραντάρ συνθετικού ανοίγματος (SAR). Η προσέγγιση βαθιάς μάθησης βελτιώνει σημαντικά την ανίχνευση νερού σε σύγκριση με τις παραδοσιακές μεθόδους που βασίζονται στο φάσμα, μειώνοντας την υπερεκτίμηση. Η συμπερίληψη πολλαπλών πηγών εισόδου, όπως ένας δείκτης νερού (MNDWI), η ζώνη SAR (Sentinel-1 VV) και η ζώνη εδάφους (Relief), ενισχύει την απόδοση του μοντέλου. Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων
ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η
ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την
παγκόσμια εφαρμοσιμότητα του μοντέλου.

Η μελέτη συντάσσει έναν κατάλογο αλπικών λιμνών για τα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων. Τα ευρήματα αναδεικνύουν σημαντικά κενά γνώσης και καταδεικνύουν τις δυνατότητες της βαθιάς μάθησης και των δορυφορικών δεδομένων υψηλής ανάλυσης για τη χαρτογράφηση μικρών αλπικών λιμνών σε ακραία περιβάλλοντα παγκοσμίως, όπως η Γροιλανδία και η Ανταρκτική.

Τα αποτελέσματα συνεισφέρουν πολύτιμες πληροφορίες για την κατανόηση αυτών των οικοσυστημάτων και τη βελτίωση των συστημάτων έγκαιρης προειδοποίησης για πλημμύρες από παγετώδεις λίμνες.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Προσδιορισμός δασικών παραμέτρων για προσομοίωση χιονοστιβάδας με χρήση τηλεπισκοπικών δεδομένων

2024-02-20T17:23:45Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Προσδιορισμός δασικών παραμέτρων για προσομοίωση χιονοστιβάδας με χρήση τηλεπισκοπικών δεδομένων

'''Τίτλος'''

Determining forest parameters for avalanche simulation using remote sensing data

'''Πηγή'''

[https://doi.org/10.1016/j.coldregions.2019.102976 doi]

'''Συγγραφείς'''
Natalie Brožováa, Jan-Thomas Fischerb, Yves Bühlera, Perry Bartelta, Peter Bebi

'''<h1> Εισαγωγή </h1>'''

Τα δάση διαδραματίζουν κρίσιμο ρόλο στον μετριασμό των χιονοστιβάδων επηρεάζοντας τη
δομή της χιονοστιβάδας μέσω της παρεμβολής, του μικροκλίματος και της αυξημένης
τραχύτητας της επιφάνειας. Ενώ οι χιονοστιβάδες μεγάλης κλίμακας μπορούν να καταστρέψουν
τα δάση, οι μικρότερες που απειλούν δρόμους και σιδηροδρομικές γραμμές μπορούν να
σταματήσουν ή να συντομεύσουν την πορεία τους με την παρουσία των δασών. Η δομή των
ορεινών δασών στις ζώνες που είναι επιρρεπείς σε χιονοστιβάδες είναι χωρικά μεταβλητή και
μπορεί να αλλάξει με την πάροδο του χρόνου λόγω φυσικών ή ανθρωπογενών παραγόντων. Οι
απότομες αλλαγές στα δάση επηρεάζουν το σχηματισμό και την πορεία των χιονοστιβάδων,
ιδίως με επαναλαμβανόμενες διαταραχές. Για να βελτιωθεί η χαρτογράφηση του κινδύνου
χιονοστιβάδων, είναι σημαντικό να ληφθούν υπόψη οι χωρικές και χρονικές αλλαγές στη δασική
κάλυψη και οι επιπτώσεις τους στις αποστάσεις απορροής χιονοστιβάδων. Τα δεδομένα
τηλεπισκόπησης, ιδίως το LiDAR και η φωτογραμμετρία, είναι αποτελεσματικά για την
ποσοτικοποίηση της δασικής βιομάζας και την απόκτηση κρίσιμων παραμέτρων για
προσομοιώσεις χιονοστιβάδων. Η μελέτη επικεντρώνεται στην ανάλυση δεδομένων
τηλεπισκόπησης για την εκτίμηση των δασικών παραμέτρων και την αξιολόγηση της
καταλληλότητάς τους για την προσομοίωση χιονοστιβάδων. Τα ερευνητικά θέματα
περιλαμβάνουν την επίδραση της μεταβαλλόμενης δασικής κάλυψης στην απελευθέρωση και
την εκροή χιονοστιβάδας, τη σύγκριση των δασικών παραμέτρων που λαμβάνονται από
μεθόδους τηλεπισκόπησης και την επίδραση της δομής του δάσους στις παραμέτρους του
μοντέλου και στις προσομοιωμένες αποστάσεις εκροής χιονοστιβάδας.
Η μελέτη διερευνά την αποτελεσματικότητα των ορεινών δασών στην παροχή φυσικής και
οικονομικά αποδοτικής προστασίας από χιονοστιβάδες. Η έρευνα επικεντρώνεται στην
αξιολόγηση των δομικών παραμέτρων των δασών μέσω μεθόδων τηλεπισκόπησης και των
επιπτώσεών τους στην απορροή χιονοστιβάδων. Ο στόχος είναι να ενισχυθεί η ακρίβεια των
αποτελεσμάτων της προσομοίωσης χιονοστιβάδων με την ενσωμάτωση λεπτομερών
πληροφοριών σχετικά με τα χαρακτηριστικά του δάσους. Δύο διαφορετικές μέθοδοι
τηλεπισκόπησης (με βάση τη φωτογραμμετρία και το LiDAR) συγκρίθηκαν με μετρήσεις ελέγχου
σε 107 αγροτεμάχια. Ενώ το ύψος των δέντρων και η κάλυψη της κόμης δεν διέφεραν σημαντικά
μεταξύ των μεθόδων τηλεπισκόπησης και ελέγχου, η τραχύτητα της επιφάνειας υποεκτιμήθηκε.
Οι προσομοιώσεις χιονοστιβάδων με βάση αυτές τις παραμέτρους έδειξαν συνεπή
αποτελέσματα για χιονοστιβάδα υγρού χιονιού, αλλά αποκάλυψαν διαφορές στις αποστάσεις
εκροής για χιονοστιβάδα ξηρού χιονιού λόγω της υποεκτιμημένης δασικής κάλυψης.
Η μελέτη υποδηλώνει ότι οι μέθοδοι τηλεπισκόπησης είναι ολοένα και πιο κατάλληλες για τον
προσδιορισμό των σχετικών δασικών παραμέτρων για τα μοντέλα προσομοίωσης
χιονοστιβάδων, αλλά απαιτείται περαιτέρω έρευνα για την ακριβή εκτίμηση της δασικής κάλυψης
και την κατανόηση των επιπτώσεών της στην απορροή χιονοστιβάδων.

'''<h1> Δεδομένα </h1>'''

'''<h2> Τοποθεσίες πεδίου </h2>'''

Η μελέτη διεξήγαγε μια σύγκριση μεταξύ μεθόδων τηλεπισκόπησης που βασίζονται σε LiDAR
και φωτογραμμετρία και μιας μεθόδου ελέγχου στο πεδίο για την αξιολόγηση των δομικών
παραμέτρων των δασών σε 107 επιφάνειες μελέτης (50 επιφάνειες αειθαλών και 57 επιφάνειες
φυλλοβόλων δασών) σε τρεις περιοχές του καντονιού Grisons της Ελβετίας.
Οι περιοχές γύρω από το Davos παρουσίαζαν αείφυλλα δάση στα οποία κυριαρχούσε η Picea
abies, ενώ οι Bündner Herrschaft και Schanfigg είχαν μεγαλύτερο ποσοστό φυλλοβόλων δασών
με Fagus sylvatica, Fraxinus excelsior και άλλα είδη. Οι μετρήσεις περιλάμβαναν το ύψος του
κεντρικού δέντρου, την τραχύτητα της επιφάνειας σε ακτίνες 5 και 10 μέτρων και την κάλυψη της
κόμης που εκτιμήθηκε στο πεδίο και από ορθοφωτογραφίες υψηλής ανάλυσης. Τα δεδομένα
που συλλέχθηκαν συγκρίθηκαν με μοντέλα ύψους βλάστησης που βασίζονται σε LiDAR υψηλής
ανάλυσης και φωτογραμμετρία. Αυτές οι παράμετροι συνιστώνται στον πίνακα αναζήτησης
RAMMS για την προσομοίωση χιονοστιβάδων.

'''<h2> Τηλεπισκοπικα δεδομένα</h2>'''

Στόχος της μελέτης ήταν η σύγκριση της ακρίβειας των δασικών παραμέτρων που λαμβάνονται
από διάφορες μεθόδους τηλεπισκόπησης με μια μέθοδο ελέγχου σε 107 αγροτεμάχια μελέτης.
Δύο μοντέλα ύψους βλάστησης (VHMP και VHML) δημιουργήθηκαν με τη χρήση ψηφιακών
μοντέλων επιφάνειας (DSM) με βάση τη φωτογραμμετρία και την πτήση LiDAR, αντίστοιχα. Τα
ύψη των δέντρων και από τα δύο μοντέλα συγκρίθηκαν με μετρήσεις πεδίου με τη χρήση
υπερήχων. Η κάλυψη της κόμης συγκρίθηκε για τους τύπους φυλλοβόλων και αειθαλών δασών
σε τρεις κατηγορίες (ανοικτό, διάσπαρτο, πυκνό). Η τραχύτητα της επιφάνειας υπολογίστηκε
από το ψηφιακό μοντέλο εδάφους (DTM) χρησιμοποιώντας ένα διανυσματικό μέτρο τραχύτητας
και τα κατηγορικά δεδομένα (ομαλή, ανώμαλη, τραχιά) συγκρίθηκαν με παρατηρήσεις πεδίου
χρησιμοποιώντας μια τεχνική πίνακα σύγχυσης. Η μελέτη χρησιμοποίησε στατιστικές δοκιμές,
ιστογράμματα και μέτρα ακρίβειας όπως η κανονικοποιημένη διάμεση απόλυτη απόκλιση για την
ανάλυση, αποκαλύπτοντας μη κανονικές κατανομές για ορισμένες παραμέτρους. Οι συγκρίσεις
αποσκοπούσαν στην αξιολόγηση της αξιοπιστίας των μεθόδων τηλεπισκόπησης στην εκτίμηση
των δασικών παραμέτρων για την προσομοίωση χιονοστιβάδων.

'''<h2> Μελέτες Περιπτώσεων Χιονοστιβάδων</h2>'''

[[Αρχείο:Paper4-fig2.png | thumb | right]]

Στη μελέτη επιλέχθηκαν δύο δασικές χιονοστιβάδες από τον χειμώνα 2007/2008 και 2017/2018
για την αξιολόγηση δασικών παραμέτρων που εκτιμήθηκαν με μεθόδους τηλεπισκόπησης. Οι εν
λόγω παράμετροι ελέγχθηκαν με τη χρήση του λογισμικού RAMMS, εστιάζοντας σε δασικές
περιοχές. Οι παράμετροι εισόδου, όπως το είδος του δέντρου, η διάμετρος σε ύψος στήθους
(DBH) και ο συντελεστής απομάκρυνσης (K), αποδόθηκαν με βάση τις μεθόδους ελέγχου και
τηλεπισκόπησης. Οι τιμές Κ αντιπροσωπεύουν την ικανότητα των δέντρων να αποσυνδέουν το
χιόνι, επιβραδύνοντας τη χιονοστιβάδα. Το DBH μετρήθηκε στο πεδίο και υπολογίστηκε
χρησιμοποιώντας το ύψος από την τηλεπισκόπηση. Οι παράμετροι της χιονοστιβάδας
ορίστηκαν για να ταιριάζουν με τις παρατηρούμενες εκροές χιονοστιβάδας και τα αποτελέσματα
της προσομοίωσης συγκρίθηκαν με τη μέθοδο ελέγχου. Η μελέτη επικεντρώθηκε στα χωρικά
μέγιστα του μέγιστου βάθους ροής, της μέγιστης ταχύτητας ροής και της εκροής, αξιολογώντας
την επίδραση των δασικών παραμέτρων στα αποτελέσματα της προσομοίωσης χιονοστιβάδας.
Οι επιλεγμένες διαδρομές χιονοστιβάδων, Schatzalp και Teufi, παρείχαν παραδείγματα
χιονοστιβάδων με ζώνες απορροής εντός δασικής κάλυψης, επιτρέποντας την προσέγγιση των
φαινομένων απομάκρυνσης του χιονιού εντός του δάσους. Η αξιολόγηση αποσκοπούσε στην
κατανόηση του τρόπου με τον οποίο διαφορετικές μέθοδοι εκτίμησης των δασικών παραμέτρων
επηρεάζουν την ακρίβεια των αποτελεσμάτων της προσομοίωσης χιονοστιβάδων.

'''<h2> Χιονοστιβάδα Schatzalp</h2>'''

Η χιονοστιβάδα Schatzalp σημειώθηκε στις 22 Ιανουαρίου 2018, απελευθερώνοντας πάνω από
το τοπικό όριο των δέντρων σε υψόμετρο 2110 μ. μ. Η χιονοστιβάδα προήλθε από τρεις
ξεχωριστές ρεματιές σε μια απότομη και ΝΑ-Δ εκτεθειμένη πλαγιά 36-40°, που συγχωνεύτηκαν
σε μια χιονοστιβάδα και ταξίδεψαν μέσα σε δασώδες έδαφος μέχρι να φτάσουν σε υψόμετρο
1830 μ. μ. μ. Η χιονοστιβάδα, η οποία προκλήθηκε από πρόσθετη φόρτιση χιονιού στην
υπάρχουσα χιονοστρωμνή, ήταν μεσαίου μεγέθους (< 10.000 m3) με συνολικό μήκος 630 m. Το
δάσος στην τροχιά της χιονοστιβάδας περιείχε πεύκα (Pinus cembra) κοντά στο όριο των
δέντρων και ερυθρελάτες (Picea abies) στα χαμηλότερα τμήματα. Η απελευθέρωση προκλήθηκε
από χιονοστιβάδες πλάκας ξηρού χιονιού που προκλήθηκαν από νέο χιόνι στην περιοχή του
Νταβός.

'''<h2> Χιονοστιβάδα Teufi</h2>'''

Η χιονοστιβάδα του Teufi, η οποία εκδηλώθηκε κατά τη διάρκεια μιας βροχής με χιόνι τη νύχτα
της 22ας προς 23η Απριλίου 2008, απελευθερώθηκε από μια πλαγιά περίπου 40° στα 2080 m
υψόμετρο και κατέβηκε στον πυθμένα της κοιλάδας στα 1690 m υψόμετρο. Ήταν μια μικρή έως
μεσαίου μεγέθους χιονοστιβάδα (1000-10.000 m3) με συνολικό μήκος 400 m και ύψος πτώσης
390 m. Η σύνθεση του δάσους κατά μήκος της διαδρομής της χιονοστιβάδας περιλάμβανε
πεύκο (Pinus cembra) στο ανώτερο τμήμα, πράσινη σκλήθρα (Alnus viridis subsp. viridis) εντός
της διαδρομής της χιονοστιβάδας και ερυθρελάτη (Picea abies) και Πεύκη (Larix decidua) στο
κατώτερο τμήμα.

''' <h2> Προσομοίωση χιονοστιβάδας με μεταβαλλόμενη δασική κάλυψη </h2> '''

Η χιονοστιβάδα στο Τέουφι χρησιμοποιήθηκε ως μελέτη περίπτωσης για τη διερεύνηση της
επίδρασης της δομής του δάσους που καθορίζεται με μεθόδους τηλεπισκόπησης στις
παραμέτρους του μοντέλου και στην προσομοιωμένη απόσταση απορροής. Δύο μέθοδοι
τηλεπισκόπησης (VHML και VHMP) μαζί με μια μέθοδο ελέγχου χρησιμοποιήθηκαν για την
εκτίμηση του δάσους στην περιοχή απελευθέρωσης της χιονοστιβάδας Teufi. Η προσομοίωση
αποσκοπούσε στην αντιστοίχιση των παραμέτρων μιας πραγματικής χιονοστιβάδας υγρού
χιονιού από το 2008, εστιάζοντας στην κατανόηση των επιπτώσεων των αλλαγών της δασικής
κάλυψης εντός της διαδρομής της χιονοστιβάδας. Το μέγεθος της περιοχής απελευθέρωσης
καθορίστηκε μέσω ψηφιακών δεδομένων για την τοπογραφία και τη δασοκάλυψη και όχι μέσω
επιτόπιων παρατηρήσεων. Οι προσομοιώσεις εξέτασαν επίσης διαφορετικές δασικές δομές στο
κατώτερο τμήμα της διαδρομής της χιονοστιβάδας πριν και μετά την καταστροφή των δασών για
να εκτιμηθεί η επίδραση των αλλαγών των δασών στην απόσταση εκροής. Η δασική δομή για
την προσομοίωση RAMMS (τιμές Κ) εκτιμήθηκε με τη χρήση ορθοφωτογραφιών πριν και μετά
τα γεγονότα χιονοστιβάδων σε συνδυασμό με την τοπική τεκμηρίωση της δασικής απογραφή

'''<h1> Αποτελέσματα </h1>'''

'''<h2> Προσδιορισμός Δασικών Παραμέτρων με μεθόδους τηλεπισκόπησης </h2>'''

'''<h3> Ύψος δέντρων </h3>'''

Η μελέτη συνέκρινε την παρατηρούμενη και την προβλεπόμενη κατανομή του ύψους των
δέντρων σε 107 αγροτεμάχια χρησιμοποιώντας τόσο μετρήσεις πεδίου όσο και μεθόδους
τηλεπισκόπησης (VHML και VHMP). Τα αποτελέσματα έδειξαν ομοιότητα στις κατανομές τόσο
για τις μεθόδους πεδίου όσο και για τις μεθόδους τηλεπισκόπησης. Οι μέθοδοι τηλεπισκόπησης
εκτίμησαν με ακρίβεια τα μέσα ύψη των δέντρων χωρίς σημαντική διαφορά μεταξύ VHML και
VHMP. Ωστόσο, υπήρξε σημαντική διαφορά στους τύπους αειθαλών δασών μεταξύ VHML και
VHMP. Τα ελάχιστα και μέγιστα ύψη δέντρων παρουσίασαν διαφορές στους αειθαλείς τύπους
δασών, με τη VHML να παρέχει γενικά ακριβέστερες εκτιμήσεις σε σύγκριση με τη VHMP. Η
αξιολόγηση της κατακόρυφης συμφωνίας ύψους δέντρων αποκάλυψε μεγαλύτερη ακρίβεια για
το VHML από το VHMP σε όλα τα μέτρα.
Η ανάλυση συσχέτισης έδειξε υψηλή συσχέτιση μεταξύ των μετρούμενων στο πεδίο υψών
δένδρων και εκείνων που προέκυψαν από τη VHML και τη VHMP. Η VHML επέδειξε καλύτερη
απόδοση στην ομάδα των αειθαλών δέντρων, ενώ η VHMP είχε ελαφρώς καλύτερη απόδοση
στην ομάδα των φυλλοβόλων δέντρων. Συνολικά, η VHML επέδειξε μεγαλύτερη ακρίβεια και
καλύτερη συμφωνία με τις μετρήσεις πεδίου από τη VHMP στην εκτίμηση του ύψους των
δέντρων σε όλα τα αγροτεμάχια της μελέτης.

'''<h3> Κάλυψη κόμης </h3>'''

Η μελέτη αξιολόγησε τη συμφωνία μεταξύ της κάλυψης κόμης με βάση την τηλεπισκόπηση και
μιας μεθόδου ελέγχου, αποκαλύπτοντας διαφοροποιήσεις ανάλογα με την κατηγορία κάλυψης
κόμης και τον τύπο του δάσους. Η καλύτερη συμφωνία σημειώθηκε σε πυκνά δάση (κάλυψη
κόμης > 70%) και σε δάση φυλλοβόλων. Σε πυκνά και αειθαλή δάση, η VHMP υπερεκτίμησε την
κάλυψη κόμης σε σύγκριση με την VHM L και τη μέθοδο ελέγχου. Για τα φυλλοβόλα δάση με
διάσπαρτη κάλυψη κόμης, και τα δύο μοντέλα υπερεκτίμησαν, ενώ στα αειθαλή δάση της ίδιας
κατηγορίας κάλυψης, το VHM P υποεκτίμησε ελαφρώς και το VHM L υπερεκτίμησε ελαφρώς τις
παρατηρήσεις. Τα ανοιχτά δάση εκτιμήθηκαν καλύτερα στον τύπο των φυλλοβόλων δασών, με
μικρή υποεκτίμηση στο VHMP. Στα ανοιχτά δάση της κατηγορίας αειθαλών δασών, η VHML
υπερεκτίμησε και η VHMP υποεκτίμησε την κάλυψη κόμης σε σύγκριση με τη μέθοδο ελέγχου.
Οι διαφορές μεταξύ των μοντέλων και της μεθόδου ελέγχου δεν ήταν στατιστικά σημαντικές για
τα ανοικτά, διάσπαρτα και πυκνά δάση.

'''<h3> Τραχύτητα εδάφους</h3>'''

Η αξιολόγηση της τραχύτητας της επιφάνειας με βάση ένα ψηφιακό μοντέλο εδάφους (DTM)
ανάλυσης 1 m αποκάλυψε διαφορές μεταξύ των κατηγοριών τραχύτητας. Το DTM παρείχε στενή
αντιστοιχία με τη μέθοδο ελέγχου στην κατηγορία ομαλή, αλλά παρατηρήθηκαν περιορισμοί
στην εκτίμηση των κατηγοριών ανώμαλη και τραχιά, καθώς το DTM έτεινε να υποεκτιμά την
τραχύτητα. Δεν διαπιστώθηκε σημαντική διαφορά μεταξύ της τραχύτητας ακτίνας 5 m και 10 m
που παρατηρήθηκε στο πεδίο και της τραχύτητας που προέκυψε από το DTM. Το DTM εκτίμησε
αποτελεσματικά την επιφανειακή τραχύτητα ακτίνας 5 m στην κατηγορία λείο, αλλά υποεκτίμησε
τις κατηγορίες ανώμαλο και τραχύ. Παρόμοια μοτίβα παρατηρήθηκαν για την τραχύτητα ακτίνας
10 m. Μεμονωμένα στοιχεία τραχύτητας, όπως πέτρες και κούτσουρα δέντρων που μετρήθηκαν
στο πεδίο, γενικά δεν μπορούσαν να αναγνωριστούν από τις αυξημένες τιμές τραχύτητας που
προέκυψαν από το DTM, υποδεικνύοντας περιορισμούς στην ανίχνευση τέτοιων στοιχείων με
αυτή τη μέθοδο τηλεπισκόπησης.

'''<h2> Μελέτες Περιπτώσεων Χιονοστιβάδων </h2>'''

'''<h3> Χιονοστιβάδα Schatzalp </h3>'''

Η ταξινόμηση των δασών διέφερε μεταξύ των μεθόδων τηλεπισκόπησης και της μεθόδου
ελέγχου, με την VHM P να παρουσιάζει τη μεγαλύτερη απόκλιση, καθώς δεν κατάφερε να
ανιχνεύσει κάποια βλάστηση στο ανώτερο τμήμα μιας διαδρομής χιονοστιβάδας. Παρά τις
διαφορές στην ταξινόμηση των δασών, η προσομοιωμένη χιονοστιβάδα ακολούθησε παρόμοια
πορεία και παρουσίασε παρόμοια ύψη ροής όταν χρησιμοποιήθηκαν παράμετροι από
διαφορετικές μεθόδους τηλεπισκόπησης. Ωστόσο, η απόσταση εκροής διέφερε ανάλογα με την
εφαρμοζόμενη μέθοδο τηλεπισκόπησης. Για τη χιονοστιβάδα Schatzalp, η απόσταση εκροής και
η μέγιστη ταχύτητα ροής δεν διέφεραν από τη μέθοδο ελέγχου όταν χρησιμοποιήθηκε η VHML
για τον προσδιορισμό των δασικών παραμέτρων. Αντίθετα, η χρήση της VHMP είχε ως
αποτέλεσμα μεγαλύτερη απόσταση εξόρμησης κατά 42 m και η VHM P αύξησε την ταχύτητα
αιχμής της ροής κατά 4,4 m/s σε σύγκριση με τη μέθοδο ελέγχου.

'''<h3> Χιονοστιβάδα Teufi </h3>'''

Το δάσος στο μονοπάτι της χιονοστιβάδας του Teufi ανιχνεύθηκε αποτελεσματικά και από τις
δύο μεθόδους τηλεπισκόπησης, παρά τις διαφορές στην εκτίμηση της τραχύτητας που οδηγούν
σε διαφοροποιήσεις στις τιμές Κ. Και οι δύο μέθοδοι τηλεπισκόπησης είχαν την τάση να
υποεκτιμούν τις τιμές Κ στο κατώτερο τμήμα αλλά να τις υπερεκτιμούν στο ανώτερο τμήμα της
διαδρομής της χιονοστιβάδας σε σύγκριση με τη μέθοδο ελέγχου. Οι προσομοιώσεις της
χιονοστιβάδας, που αξιολογήθηκαν με τη χρήση τόσο της μεθόδου ελέγχου όσο και της μεθόδου
τηλεπισκόπησης, παρουσίασαν παρόμοια αποτελέσματα. Η μέγιστη ταχύτητα ροής ήταν
ελαφρώς χαμηλότερη με την VHML (20,0 m/s) σε σύγκριση με την VHMP (22,5 m/s) και τη
μέθοδο ελέγχου (24,2 m/s). Ωστόσο, οι αποστάσεις εκροής ήταν σχεδόν ίδιες, με μια μικρή
απόκλιση κατά τη χρήση της VHMP (3 m μεγαλύτερη απόσταση εκροής, θεωρώντας το βάθος
ροής ίσο με μηδέν, σε σύγκριση με τη μέθοδο ελέγχου).

'''<h3> Προσομοίωση χιονοστιβάδας με μεταβαλλόμενη δασική κάλυψη </h3>'''

[[Αρχείο:Paper4-fig1.png | thumb | right]]

Η μικρότερη εκτιμώμενη έκταση απελευθέρωσης της χιονοστιβάδας στο Τέουφι προέκυψε με τη
μέθοδο VHM L (2535 m2) λόγω της πυκνότερης εκτιμώμενης δασικής κάλυψης στην περιοχή
αυτή. Η μέθοδος VHMP, η οποία δεν ανιχνεύει κάποια βλάστηση σε σύγκριση με τη μέθοδο
VHML, οδήγησε σε μεγαλύτερη περιοχή απελευθέρωσης (3313 m2). Η μέθοδος ελέγχου, που
αναγνώρισε την πράσινη σκλήθρα, οδήγησε στη μεγαλύτερη περιοχή απελευθέρωσης (4488
m2) λόγω του εύκαμπτου θάμνου που συχνά λυγίζει υπό χιονοκάλυψη. Η προσομοίωση της
χιονοστιβάδας με τη μεγαλύτερη επιφάνεια απελευθέρωσης οδήγησε στη μεγαλύτερη απόσταση
εκροής (472 m, σε σύγκριση με 464 m για την ορθοφωτογραφία, 455 m για το VHMP και 472 m
για το VHM L). Μετά τη χιονοστιβάδα του 2008 και ένα δευτερεύον συμβάν το 2009, μέρος του
δάσους στην τροχιά της χιονοστιβάδας καταστράφηκε. Η προσομοίωση της χιονοστιβάδας στο
Teufi με τις ίδιες παραμέτρους, αλλά λαμβάνοντας υπόψη τη δασική κάλυψη μετά το 2009,
οδήγησε σε μεγαλύτερη απόσταση εξόδου (60 m μεγαλύτερη).

'''<h1>Συμπεράσματα</h1>'''

'''<h2> Προσδιορισμός Δασικών Παραμέτρων με μεθόδους τηλεπισκόπησης </h2>'''

Οι μέθοδοι LiDAR και φωτογραμμετρίας παρείχαν ακριβείς εκτιμήσεις του ύψους των δέντρων,
χωρίς σημαντική συνολική διαφορά μεταξύ τους σε όλα τα αγροτεμάχια. Ωστόσο, το LiDAR
έτεινε να εκτιμά μεγαλύτερα ύψη δέντρων σε αειθαλείς δασικούς τύπους. Και οι δύο μέθοδοι
επέδειξαν σφάλματα συστήματος, όπως η LiDAR που ενδεχομένως απέτυχε με διαφορετικά
ανακλώμενα αντικείμενα και η φωτογραμμετρία που αντιμετώπισε προκλήσεις σε περιοχές με
σκιές. Η κάλυψη της κόμης εκτιμήθηκε καλά και από τα δύο μοντέλα (VHML και VHMP), με το
VHML να παρουσιάζει μεγαλύτερη ακρίβεια. Ενώ και τα δύο μοντέλα είχαν καλές επιδόσεις στο
πλαίσιο της ταξινόμησης της κάλυψης της κόμης, το LiDAR προτιμήθηκε γενικά έναντι της
φωτογραμμετρίας για την εκτίμηση της κάλυψης της κόμης σε περιοχές απελευθέρωσης
χιονοστιβάδων. Επισημάνθηκε η ακρίβεια της δασικής κάλυψης και της κάλυψης κόμης από
ορθοφωτογραφίες, συνιστώντας τη χρήση τους σε μικρότερες περιοχές. Η μελέτη αξιολόγησε τα
καλοκαιρινά δεδομένα για την κάλυψη της κόμης, αναγνωρίζοντας τις πιθανές διαφορές στα
φυλλοβόλα και αειθαλή δάση κατά τη διάρκεια του χειμώνα. Η ταξινόμηση της επιφανειακής
τραχύτητας από το DTM (ανάλυση 1 m) έτεινε να είναι πιο ομαλή από ό,τι παρατηρήθηκε στο
πεδίο και ορισμένα μεμονωμένα στοιχεία τραχύτητας δεν αναγνωρίστηκαν. Η εξομάλυνση στο
DTM αποδόθηκε σε σφάλματα κατά τις διαδικασίες φιλτραρίσματος και παρεμβολής. Παρά τους
περιορισμούς, η περαιτέρω βελτιστοποίηση της μετα-επεξεργασίας των δεδομένων LiDAR
υψηλής ανάλυσης και η πρόσθετη επίγεια επαλήθευση σε μεγαλύτερα οικόπεδα θα μπορούσαν
να βελτιώσουν την εφαρμογή της επιφανειακής τραχύτητας στις προσομοιώσεις χιονοστιβάδων.

'''<h2> Μελέτες Περιπτώσεων Χιονοστιβάδων </h2>'''

Στη μελέτη δοκιμάστηκαν μέθοδοι τηλεπισκόπησης στη χιονοστιβάδα ξηρού χιονιού Schatzalp
(2018) και στη χιονοστιβάδα υγρού χιονιού Teufi (2008), χρησιμοποιώντας δεδομένα πεδίου ως
μέθοδο ελέγχου. Στην περίπτωση του Schatzalp, η VHMP απέτυχε να ανιχνεύσει κάποιο δάσος
στο ανώτερο τμήμα της διαδρομής της χιονοστιβάδας, οδηγώντας σε υποεκτίμηση της δασικής
κάλυψης και, στη συνέχεια, σε ανακριβή προσομοιωμένη απόσταση απορροής. Από την άλλη
πλευρά, η VHML, που βασίζεται σε δεδομένα LiDAR, παρείχε πιο παρόμοια αποτελέσματα με
τη μέθοδο ελέγχου σε σύγκριση με τη VHMP που βασίζεται στη φωτογραμμετρία. Στην
περίπτωση του Teufi, οι μέθοδοι τηλεπισκόπησης αναπαρήγαγαν καλά τη δασική κάλυψη, με
μικρές διαφορές στις τιμές K που δεν επηρέασαν την προσομοιωμένη απόσταση απορροής
χιονοστιβάδας. Η μελέτη συνιστά τη χρήση δεδομένων LiDAR για τον προσδιορισμό των
δασικών παραμέτρων και την εφαρμογή τους σε μοντέλα προσομοίωσης χιονοστιβάδων, όταν
αυτά είναι διαθέσιμα, ιδίως για εφαρμογές μεγάλης κλίμακας κινδύνου. Τα φωτογραμμετρικά
δεδομένα μπορούν επίσης να είναι εφικτά όταν συνδυάζονται με παρατήρηση πεδίου και
ορθοφωτογραφίες. Παρά τις προσπάθειες βελτίωσης των δεδομένων τηλεπισκόπησης, οι
αβεβαιότητες στην προσομοίωση χιονοστιβάδων εξακολουθούν να υφίστανται, τονίζοντας τη
σημασία του ακριβούς προσδιορισμού και της εκτίμησης των περιοχών απελευθέρωσης. Οι
μελλοντικές εξελίξεις στη δορυφορική, αερομεταφερόμενη και μη επανδρωμένη τηλεπισκόπηση
(UAS) αναμένεται να συμβάλουν στην ακριβέστερη και έγκαιρη χαρτογράφηση των περιοχών
απελευθέρωσης χιονοστιβάδων, ενισχύοντας την κατανόηση και τη μοντελοποίηση.

'''<h2> Προσομοίωση χιονοστιβάδας με μεταβαλλόμενη δασική κάλυψη </h2>'''

Η μελέτη προσομοίωσε τη χιονοστιβάδα στο Τεύφι με δύο διαφορετικές δομές του δάσους (πριν
και μετά τις χιονοστιβάδες), αποκαλύπτοντας ότι η απόσταση διαφυγής ήταν μικρότερη πριν
από την καταστροφή του δάσους. Η δομή και η σύνθεση του δάσους άλλαξε μετά τις
χιονοστιβάδες, με μετατόπιση από ένα δάσος νεαρής ερυθρελάτης στο οποίο κυριαρχεί η
πράσινη σκλήθρα. Ο αντίκτυπος της πράσινης σκλήθρας στη δυναμική των χιονοστιβάδων δεν
είναι οριστικά κατανοητός, με αντικρουόμενες αναφορές σχετικά με τις επιπτώσεις της. Η μελέτη
υπέδειξε ότι, στην περίπτωση της χιονοστιβάδας του Teufi, η πράσινη σκλήθρα αύξησε την
τραχύτητα της επιφάνειας στο ίχνος της χιονοστιβάδας. Η μειωμένη δασοκάλυψη είχε ως
αποτέλεσμα λιγότερη αποκόλληση και μεγαλύτερες αποστάσεις εκροής. Ενώ και οι δύο μέθοδοι
τηλεπισκόπησης παρείχαν παρόμοιες δασικές παραμέτρους και τιμές K για την προσομοίωση
χιονοστιβάδας, η σύγκριση ανέδειξε τη χρησιμότητά τους στην αξιολόγηση των επιπτώσεων των
αλλαγών στη δασική κάλυψη. Η μελέτη υπογράμμισε ότι τα γεγονότα χιονοστιβάδας μπορούν να
εντείνουν σημαντικά τον αντίκτυπο των επόμενων γεγονότων, μειώνοντας την προστατευτική
λειτουργία του δάσους. Οι σύνθετες διαταραχές, όπως οι χιονοστιβάδες, μπορεί να οδηγήσουν
σε μεγαλύτερες επιπτώσεις και μεγαλύτερες αποστάσεις εκροής, επηρεάζοντας την
αποτελεσματικότητα της προστασίας από μελλοντικές χιονοστιβάδες και άλλους φυσικούς
κινδύνους.

Η τηλεπισκόπηση με ανάλυση 1m είναι αποτελεσματική για τον προσδιορισμό δασικών
παραμέτρων σε προσομοιώσεις χιονοστιβάδων, εκτιμώντας γρήγορα το ύψος των δέντρων.
Ωστόσο, η κάλυψη της κόμης εκτιμάται καλύτερα οπτικά με τη χρήση μοντέλων που βασίζονται
στο LiDAR. Η τραχύτητα της επιφάνειας υποεκτιμάται με DTM 1m, γεγονός που υποδηλώνει την
ανάγκη για υψηλότερη ανάλυση. Συνιστώνται συνδυασμένες μέθοδοι για τη δημιουργία δασικών
δεδομένων για ακριβείς εισροές. Τα αποτελέσματα της προσομοίωσης, χρησιμοποιώντας και τις
δύο μεθόδους τηλεπισκόπησης, είναι ακριβή για αριθμητική μοντελοποίηση και πραγματικές
εφαρμογές στη χαρτογράφηση του κινδύνου χιονοστιβάδων. Η υποεκτίμηση της δασικής
κάλυψης κοντά σε περιοχές απελευθέρωσης χιονοστιβάδων μπορεί να οδηγήσει σε
υπερεκτίμηση της απόστασης διαφυγής. Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στην
ακριβή εκτίμηση της δασικής κάλυψης και των επιπτώσεών της στη διαδρομή χιονοστιβάδας. Οι
χωρικές και χρονικές μεταβολές της δασικής κάλυψης επηρεάζουν τις χιονοστιβάδες μικρού και
μεσαίου μεγέθους, τονίζοντας τη σημασία της χρήσης μεθόδων τηλεπισκόπησης για την
αξιολόγηση.

[[category:Χιονοστιβάδες]]

Αρχείο:Paper4-fig2.png

2024-02-20T17:20:33Z

Ichristinakis:

Αρχείο:Paper4-fig1.png

2024-02-20T17:20:21Z

Ichristinakis:

Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş, Ρουμανικά Καρπάθια Όρη

2024-02-20T17:14:03Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş, Ρουμανικά Καρπάθια Όρη

'''Τίτλος'''

Snow avalanches in relation to tourism and transportation activities in the Făgăraş Mountains, Romanian Carpathians
'''Πηγή'''

[https://isprs-annals.copernicus.org/articles/X-4-W1-2022/315/2023/isprs-annals-X-4-W1-2022-315-2023.pdf Copernicus]

[https://doi.org/10.1016/j.ancene.2023.100407 doi]

'''Συγγραφείς'''

Mircea Voiculescu, Marcel Török-Oance, Patrick Chiroiu, Florentina Popescu

'''<h1> Εισαγωγή </h1>'''

Οι χιονοστιβάδες αποτελούν σημαντικό φυσικό κίνδυνο στις ορεινές περιοχές, επηρεάζοντας τις
περιοχές σκι, τις δραστηριότητες αναψυχής, τις υποδομές και προκαλώντας θύματα, ενώ η τοπογραφία
και η μετεωρολογία επηρεάζουν τη δραστηριότητα των χιονοστιβάδων, οι ανθρώπινες δραστηριότητες,
ιδίως αυτές που προκαλούν χιονοστιβάδες, παίζουν επίσης ρόλο.
Η παρούσα μελέτη για 140 χρόνια, κατά την περίοδο 1880-2020 στα όρη Făgăraș, αποσκοπεί στην
αξιολόγηση του κινδύνου χιονοστιβάδων και το αντίκτυπο τους στις τουριστικές υποδομές, τους
δρόμους και τα δάση, λαμβάνοντας υπόψη ιστορικές περιόδους και κοινωνικοοικονομικούς
παράγοντες, χρησιμοποιώντας ποικίλες αναλυτικές προσεγγίσεις, όπως στατιστικές,
δενδρογεωμορφολογικές και προσομοιώσεις. Η υπόθεση υποδηλώνει μια συσχέτιση μεταξύ των
θυμάτων χιονοστιβάδων, της ανάπτυξης των τουριστικών υποδομών και της έκθεσης των τουριστών.
Εξετάζονται τρεις διαφορετικές περίοδοι: περίοδο, η κομμουνιστική περίοδος και η
μετακομμουνιστική περίοδος, η καθεμία με διαφορετικά κοινωνικοοικονομικά χαρακτηριστικά. Παρά
τα αυξημένα μέτρα προστασίας και τις προσπάθειες ευαισθητοποίησης σε θέματα κινδύνου, η μελέτη
αποκαλύπτει ότι ο κίνδυνος χιονοστιβάδων παραμένει υψηλός τα τελευταία χρόνια, γεγονός που
αποδίδεται στην αυξημένη έκθεση και ευπάθεια των τουριστικών υποδομών και των τουριστών. Τα
δεδομένα υποδηλώνουν ότι η δραστηριότητα των χιονοστιβάδων έχει επηρεάσει σημαντικά την
ανάπτυξη των τουριστικών στοιχείων στην περιοχή, επηρεάζοντας την εμφάνιση νέων εγκαταστάσεων
όπως οι καλύβες, τα αλπικά καταφύγια και ο αυτοκινητόδρομος Transfăgărăşan.
Παρά τις ιστορικές καταγραφές, η πραγματική έκταση της δραστηριότητας των χιονοστιβάδων μπορεί
να υποεκτιμάται. Το πολύπλοκο κοινωνικοπεριβαλλοντικό σύστημα στις ορεινές περιοχές απαιτεί μια
χωροχρονική προοπτική για την αποτελεσματική πρόληψη των χιονοστιβάδων. Ο χειμερινός
τουρισμός, που προκαλεί χιονοστιβάδες, έχει αυξηθεί με την πάροδο των ετών, οδηγώντας σε
περισσότερα ατυχήματα. Τα βουνά Făgăraș χρησιμεύουν ως ιδανική περίπτωση για μια ολοκληρωμένη
μελέτη λόγω του ανάγλυφου, του κλίματος και της τουριστικής τους ανάπτυξης.

'''<h1> Περιοχή Μελέτης </h1>'''

[[Αρχείο:Paper3-fig1.png|thumb|right]]

Τα όρη Făgăraș, που βρίσκονται στα ανατολικά Νότια Καρπάθια, χωρίζονται σε κεντρικό, δυτικό και
ανατολικό τομέα. Με έκταση περίπου 70 km και κορυφές που υπερβαίνουν τα 2500 m, τα βουνά αυτά
παρουσιάζουν δομή αλπικής κορυφογραμμής. Η βόρεια πλαγιά είναι σύντομη και απότομη με
παγετώδεις κοιλάδες, ενώ η νότια πλαγιά είναι πιο ήπια με ελικοειδείς παγετώδεις κοιλάδες. Παρόμοια
με τα όρη Tatra, τα όρη Făgăraș διαθέτουν υψομετρικές γεωοικολογικές ζώνες: ημιλιμναία ζώνη,
αλπική ζώνη, υποαλπική ζώνη και δασική ζώνη. Η γεωλογική σύνθεση περιλαμβάνει μεταμορφωμένα
πετρώματα όπως μίκασους και ασβεστολιθικά εγκλείσματα, ενώ οι τεταρτογενείς παγετώνες
διαμόρφωσαν το σημερινό ανάγλυφο. Το κλίμα είναι σκληρό, χαρακτηρίζεται από σύντομα, δροσερά
καλοκαίρια και μακρούς, επίμονους χειμώνες. Η βόρεια πλαγιά δέχεται υγρό αέρα από τον Ατλαντικό,
με αποτέλεσμα υψηλές χιονοπτώσεις, ενώ η νότια πλαγιά δέχεται θερμό, υγρό αέρα από τη Μεσόγειο,
με αποτέλεσμα άφθονο χιόνι. Τα όρη Făgăraș έχουν κλιματικό τύπο Dfb και αλπικό κλίμα, σύμφωνα με
την ταξινόμηση Koeppen-Geiger και τις τάξεις εποχιακής χιονοκάλυψης.

'''<h1> Δεδομένα και Μεθοδολογία </h1>'''

Η μελέτη χρησιμοποίησε μια ολοκληρωμένη προσέγγιση, συνδυάζοντας επιτόπια έρευνα με δεδομένα
από διάφορες πηγές για τη δημιουργία μιας λεπτομερούς βάσης δεδομένων σχετικά με τις
χιονοστιβάδες, τα ατυχήματα και τον αντίκτυπό τους στον τουρισμό και τις υποδομές μεταφορών στα
βουνά Făgăraş. Αξιοποιώντας συμπληρωματικές πηγές, συμπεριλαμβανομένης της
δενδρογεωμορφικής ανάλυσης των δακτυλίων των δέντρων, των δορυφορικών εικόνων και του
λογισμικού RAMMS, η έρευνα επικεντρώθηκε σε δύο περιοχές υψηλού κινδύνου: Bâlea glacial valley
(βόρεια πλαγιά) και Capra glacial valley (νότια πλαγιά). Οι περιοχές αυτές είναι ζωτικής σημασίας
λόγω των σημαντικών τουριστικών και μεταφορικών δραστηριοτήτων τους, συμπεριλαμβανομένου
του αυτοκινητόδρομου Transfăgărăşan. Η μελέτη αξιοποιήσε την παρουσία σαλέ, αρχηγείων
υπηρεσιών ορεινής διάσωσης και μοναδικών εγκαταστάσεων, όπως το Ice Hotel και η Ice Church στο
παγετώδες κοίλωμα Bâlea, που συμβάλλουν στην προώθηση του τουρισμού στα βουνά Făgăraş. Αν και
δεν υπάρχουν συγκεκριμένα αρχεία επισκεπτών, το Ice Hotel και η Ice Church φέρονται να
προσελκύουν χιλιάδες τουρίστες ετησίως.

'''<h2> Πηγές δεδομένων για την καταγραφή χιονοστιβάδων και περιορισμοί </h2>'''

Η καταγραφή των ατυχημάτων από χιονοστιβάδες στα ρουμανικά Καρπάθια αντιμετώπισε διοικητικές
προκλήσεις, ενώ η ανάπτυξη ενός στατιστικού πλαισίου παραμελήθηκε για μεγάλο χρονικό διάστημα.
Δύο σημαντικά στάδια σημάδεψαν τη διαδικασία καταγραφής. Το 1968 ιδρύθηκαν οι Δημόσιες
Υπηρεσίες Ορεινών Διασωστών (MRPS), υπεύθυνες για το συντονισμό των δράσεων διάσωσης και
την καταγραφή των ατυχημάτων. Το δεύτερο στάδιο έλαβε χώρα το 2004-2005, με τη δημιουργία του
Προγράμματος Nivometeorology στο πλαίσιο της Εθνικής Μετεωρολογικής Διοίκησης (PN-NAM) σε
συνεργασία με τη Météo France. Το πρόγραμμα αυτό λειτουργεί την Υπηρεσία Νιβολογίας Εργασίας
(Bâlea WNS) στα όρη Făgăraș, παρακολουθώντας τις συνθήκες χιονιού και τους κινδύνους
χιονοστιβάδων στις κοιλάδες των παγετώνων Bâlea και Capra.
Ορισμένα περιστατικά, όπως διασώσεις και διαφυγές από χιονοστιβάδες, δεν αναφέρθηκαν με
συνέπεια λόγω μη καταραφής τους. Για την απόκτηση ακριβέστερης καταγραφής, διερευνήθηκαν
πρόσθετες πηγές, συμπεριλαμβανομένων των αναφορών MRPS και Bâlea WNS, του αρχείου της
Περιφερειακής Υπηρεσίας Μετεωρολογικών Προγνώσεων Sibiu και διαφόρων διαδικτυακών
πλατφορμών. Κατασκευάστηκε μια ολοκληρωμένη βάση δεδομένων για τα ατυχήματα χιονοστιβάδων,
η οποία περιλαμβάνει πληροφορίες σχετικά με την ημερομηνία, τους εμπλεκόμενους, τους θανάτους,
τις ταφές/τραυματισμούς και τον τύπο δραστηριότητας. Σε αντίθεση με ορισμένες άλλες χώρες που
διαθέτουν ηλεκτρονικές βάσεις δεδομένων για τις χιονοστιβάδες, η Ρουμανία δεν διέθετε ένα τέτοιο
σύστημα για μεγάλο χρονικό διάστημα. Στα τέλη της δεκαετίας του 2000, πληροφορίες για ατυχήματα
από χιονοστιβάδες βρέθηκαν σε φόρουμ και ιστότοπους, συμβάλλοντας με πολύτιμα δεδομένα στη
μελέτη.

''' <h2> Συλλογή δεδομένων και επιτόπια εργασία </h2>'''

Η ιστορική καταγραφή των χιονοστιβάδων ήταν ανεπαρκής, χωρίς ακρίβεια στην αναπαράσταση της
πραγματικής έκτασης της δραστηριότητας των χιονοστιβάδων στο χρόνο και στο χώρο. Παρά την
προσοχή που δίνουν στα ατυχήματα χιονοστιβάδων οι ομάδες διάσωσης βουνού, οι επενδυτές στον
τουρισμό και οι υπεύθυνοι χάραξης πολιτικής, οι βάσεις δεδομένων παραμένουν ασυνεπείς και
ελλιπείς λόγω των δύσκολων συνθηκών πεδίου και των απομακρυσμένων περιοχών. Η μελέτη υιοθετεί
μια ολοκληρωμένη προσέγγιση, συνδυάζοντας ιστορικές, γραπτές και εικονογραφικές πηγές,
συμπεριλαμβανομένων άρθρων, τεχνικών εκθέσεων, αρχείων MRPS, καρτ ποστάλ, φωτογραφιών και
καθημερινών ειδήσεων. Συνεντεύξεις με μέλη του MRPS, μέλη του Sibiu RWFS, αυτόπτες μάρτυρες,
προσωπικό των σαλέ και ποιοτική έρευνα μέσω ημιδομημένων συνεντεύξεων πραγματοποιήθηκαν για
να βελτιωθεί η βάση δεδομένων, καταγράφοντας αναφορές για χιονοστιβάδες που δεν έχουν
καταγραφεί επίσημα και αντιμετωπίζοντας ασυμφωνίες ως προς την τοποθεσία και τη συμμετοχή.
Έντεκα συνεντεύξεις αφορούσαν ιδιοκτήτες σαλέ, μέλη της MRPS και της RWFS, ορειβάτες και
χιονοδρόμους. Οι τεχνικές εκθέσεις της MRPS προσδιόρισαν τους ανθρώπινους παράγοντες που
συμβάλλουν στα ατυχήματα χιονοστιβάδων. Άμεσες παρατηρήσεις και μετρήσεις στο έδαφος, με τη
χρήση συσκευών GPS και επιγραφών σε μνημεία, λήφθηκαν για να εκτιμηθούν οι περιοχές που είναι επιρρεπείς σε χιονοστιβάδες στα βουνά Făgăraș.
Η μελέτη παρέχει μια πιο ολοκληρωμένη κατανόηση των περιστατικών χιονοστιβάδων, λαμβάνοντας υπόψη τόσο τα καταγεγραμμένα όσο και τα μη
καταγεγραμμένα συμβάντα, τους ανθρώπινους παράγοντες και τα γεωγραφικά χαρακτηριστικά.

''' <h2> Πλαίσιο της τουριστικής ανάπτυξης </h2>'''

Κατά την περίοδο του Βασιλείου της Ρουμανίας, μη επιστημονική βιβλιογραφία, όπως βιβλία,
περιοδικά και τουριστικά δελτία του Siebenbürgischer Karpatenverein (SKV), χρησιμοποιήθηκαν, μαζί
με παλιές καρτ ποστάλ και φωτογραφίες, για την ανακατασκευή ιστορικών τόπων. Για την
κομμουνιστική περίοδο, η τεκμηρίωση των τουριστικών ροών ήταν δύσκολη λόγω της καταστροφής
των αρχείων από πυρκαγιά μετά τη Ρουμανική Επανάσταση του 1989. Κατά συνέπεια, η μελέτη
ανέφερε την εξέλιξη του αριθμού των θέσεων σε κάθε αλπική καλύβα και καταφύγιο. Για τη συλλογή
πληροφοριών σχετικά με τα ατυχήματα χιονοστιβάδων χρησιμοποιήθηκε βιβλιογραφία, συζητήσεις με
ενδιαφερόμενους φορείς, μέλη των υπηρεσιών διάσωσης βουνού και προσωπικές παρατηρήσεις
μνημείων και αναμνηστικών σταυρών. Κατά τη μετακομμουνιστική περίοδο, χρησιμοποιήθηκαν για
ανάλυση στοιχεία από το Εθνικό Στατιστικό Ινστιτούτο για τα καταλύματα, βιβλιογραφία, επιτόπιες
πληροφορίες, το διαδίκτυο και φόρουμ συζητήσεων.

'''<h2> Χρονολόγηση και καταγραφή χιονοστιβάδων με τη χρήση δενδρογεωμορφολογικής προσέγγιση </h2>'''

Στη μελέτη ελήφθησαν δείγματα 1111 δέντρων από 21 μονοπάτια χιονοστιβάδων στα όρη Făgăraș, τα
οποία κάλυπταν πέντε παγετώδεις κοιλάδες τόσο στις βόρειες όσο και στις νότιες πλαγιές. Η
δειγματοληψία περιορίστηκε σε περιοχές που επηρεάστηκαν από τη δραστηριότητα χιονοστιβάδων,
αποκλείοντας εκείνες που επηρεάστηκαν από άλλες γεωμορφολογικές διεργασίες, όπως ροές
θραυσμάτων ή καταπτώσεις βράχων. Διαπιστώθηκε ότι τα ιστορικά αρχεία και οι δακτύλιοι δέντρων
υποεκτιμούν την εμφάνιση ετών με φυσική δραστηριότητα χιονοστιβάδων λόγω παραγόντων όπως η
καταστροφή δέντρων από παλαιότερες χιονοστιβάδες, η δυσκολία εντοπισμού παλαιών ουλών στους
δακτυλίους δέντρων και οι οικολογικές επιπτώσεις των χιονοστιβάδων στη δασική βλάστηση.
Οι παράγοντες που επηρεάζουν την ακρίβεια των δενδρογεωμορφολογικών προσεγγίσεων
περιλαμβάνουν αλλαγές στην τοπογραφία της επιφάνειας ολίσθησης της χιονοστιβάδας, το μέγεθος
των δέντρων και την ανακριβή αναφορά της θέσης στις τεχνικές εκθέσεις. Οι ζημιές από χιονοστιβάδες
στα κωνοφόρα επηρεάζονται από το μέγεθος των δέντρων, με τα νεαρά και εύκαμπτα δέντρα να
παρουσιάζουν λιγότερες διαταραχές. Η ανακριβής αναφορά των θέσεων των χιονοστιβάδων μπορεί να
οδηγήσει σε σύγχυση των αποστάσεων αποστράγγισης.
Η καταγραφή των θέσεων χιονοστιβάδων έχει προτεραιότητα για την ασφάλεια των επαγγελματιών
του βουνού και συχνά γίνεται από απόσταση ή από σημεία παρατήρησης και όχι επί τόπου. Οι
χιονοστιβάδες προκαλούν διαταραχές του εδάφους στα δέντρα, συμπεριλαμβανομένων τραυματισμών,
ιστών κάλου, αγωγών ρητίνης, ξύλου αντίδρασης και αλλαγών στην ανάπτυξη. Κατασκευάστηκαν
τοπικές χρονολογίες αναφοράς για κάθε διαδρομή χιονοστιβάδας, διασταυρώνοντας τις εδαφικές
διαταραχές που εντοπίστηκαν στις σειρές δακτυλίων δέντρων. Η μελέτη χρησιμοποίησε ένα
μεγαλύτερο μέγεθος δείγματος 20-30 αδιατάρακτων δέντρων ερυθρελάτης, λαμβάνοντας υπόψη την
κανονική ανάπτυξη και την απουσία ενδείξεων γεωμορφολογικών διεργασιών. Οι δακτύλιοι τωνδέντρων καταμετρήθηκαν και μετρήθηκαν με τη χρήση ψηφιακής συσκευής μέτρησης LINTAB
συνδεδεμένης με στερεομικροσκόπιο Leica και το λογισμικό TSAP-WIN. Η συσχέτιση μεταξύ των
σειρών πλάτους δακτυλίων των μεμονωμένων διαταραγμένων δέντρων και της χρονολογίας αναφοράς
αξιολογήθηκε με τη χρήση του προγράμματος COFECHA.

'''<h2> Χρήση δορυφορικών εικόνων και του λογισμικού RAMMS </h2>'''

Στόχος της μελέτης ήταν η χαρτογράφηση χιονοστιβάδων με τη χρήση δορυφορικών εικόνων υψηλής
ανάλυσης (GeoEye-1) και μιας αεροφωτογραφίας που ελήφθη από UAV. Η σκηνή του GeoEye-1 είχε
τέσσερις πολυφασματικές ζώνες και χωρική ανάλυση 2 m, ενώ η εικόνα του UAV κάλυπτε 40,8 km2
με χωρική ανάλυση 0,5 m. Και οι δύο εικόνες ήταν απαλλαγμένες από σύννεφα και
ορθοφωτογραφημένες. Η οπτική ανάλυση χρησιμοποιήθηκε για τον εντοπισμό χιονοστιβάδων τόσο
στις δορυφορικές εικόνες όσο και στις ορθοφωτογραφίες, με την παγχρωματική ζώνη και την κοντινή
υπέρυθρη ζώνη ψευδοχρωμάτων να βοηθούν στον εντοπισμό των ζωνών συντριμμιών.
Πραγματοποιήθηκαν προσομοιώσεις χιονοστιβάδων με τη χρήση του λογισμικού Rapid Mass
Movements (RAMMS) για να εκτιμηθεί ο αντίκτυπός τους στον αυτοκινητόδρομο Transfăgărăşn. Οι
προσομοιώσεις έλαβαν υπόψη διάφορες παραμέτρους του εδάφους, συμπεριλαμβανομένης της κλίσης,
της όψης, του υψομέτρου και της καμπυλότητας. Η μελέτη ενσωμάτωσε επίσης δεδομένα από
προσωπικές παρατηρήσεις, μετεωρολογικούς σταθμούς και ιστορικά αρχεία για να ενισχύσει την
κατανόηση. Οι τύποι εδάφους ταξινομήθηκαν και χρησιμοποιήθηκαν περίοδοι επαναφοράς 10 και 30
ετών για προσομοιώσεις χιονοστιβάδων μικρού και μεσαίου μεγέθους, λαμβάνοντας υπόψη
παράγοντες όπως οι ζώνες εκκίνησης, η συχνότητα πρόσκρουσης, η πίεση και το πάχος της
χιονοκάλυψης.

'''<h2> Κλιματική Ανάλυση </h2>'''

Η μελέτη αξιολόγησε τη μέση χειμερινή θερμοκρασία του αέρα, τις χειμερινές βροχοπτώσεις και το
βάθος του χιονιού σε μια περίοδο 33 ετών (1979-2020) για να αναλύσει τη χρονολογία των
χιονοστιβάδων κατά τη διάρκεια των χειμώνων από το 1979-1980 έως το 2011-2020.
Χρησιμοποιήθηκαν μετεωρολογικά δεδομένα από τον μετεωρολογικό σταθμό της λίμνης Bâlea (που
βρίσκεται σε υψόμετρο 2044 m, 45° 36′ N, 24° 37′ E) μεταξύ 1ης Νοεμβρίου και 31ης Μαΐου. Η
ταξινόμηση της ταχύτητας του ανέμου βασίστηκε στον δείκτη ανέμου Gabl (1988),
κατηγοριοποιώντας τις ταχύτητες ως 0 m/s για ηρεμία, 1-3 m/s για ελαφρούς ανέμους, 4-8 m/s για
μέτριους ανέμους, 9-17 m/s για ισχυρούς ανέμους και >17 m/s για συνθήκες καταιγίδας.

'''<h2> Επίπεδο επικινδυνότητας χιονοστιβάδας</h2>'''

Η μελέτη επικεντρώθηκε στην αξιολόγηση του κινδύνου χιονοστιβάδων στα όρη Făgăraș
χρησιμοποιώντας ένα υπολογισμένο επίπεδο κινδύνου χιονοστιβάδων (Havalanche). Η εξίσωση που
χρησιμοποιήθηκε για τον υπολογισμό ενσωμάτωσε κλιματικούς δείκτες από τον μετεωρολογικό
σταθμό της λίμνης Bâlea. Οι παράγοντες που λήφθηκαν υπόψη ήταν η κλίση (Sr), η βροχόπτωση για
τους χειμερινούς μήνες (Tpw), η θερμοκρασία (Tt) και ένας παράγοντας μέσης θερμοκρασίας (F). Ο
παράγοντας Sr προέκυψε από δεδομένα της αποστολής ραντάρ τοπογραφίας Shuttle Radar Topography
Mission (SRTM), ενώ οι Tpw και Tt ελήφθησαν από μετεωρολογικούς σταθμούς σε διαφορετικά
υψόμετρα. Για τον χάρτη επικινδυνότητας χιονοστιβάδων στον παγετώδη τομέα Bâlea-Capra λήφθηκαν υπόψη
παράγοντες όπως η κλίση, η φυτοκάλυψη και η καμπυλότητα του εδάφους. Η κλίση ταξινομήθηκε με
βάση την επίδρασή της στο σχηματισμό χιονοστιβάδων, με τα δάση να σταθεροποιούν τα στρώματα
χιονιού. Η καμπυλότητα του εδάφους επηρέασε τη συσσώρευση του χιονιού, με τις κοίλες περιοχές να
έχουν περισσότερο χιόνι και τις κυρτές περιοχές να έχουν λεπτότερα στρώματα. Το ArcGIS 10.4 και η
πολυκριτηριακή ανάλυση χρησιμοποιήθηκαν για τη δημιουργία ενός χάρτη επικινδυνότητας
χιονοστιβάδων με τέσσερα επίπεδα: χαμηλό, μέτριο, υψηλό και πολύ υψηλό.
Η μελέτη χρησιμοποίησε το καναδικό σύστημα ταξινόμησης μεγέθους χιονοστιβάδων για την
αξιολόγηση των πιθανών επιπτώσεων στους ανθρώπους, τα κτίρια, τις διαδρομές μεταφοράς και τα
δάση. Οι θεματικοί χάρτες της κλίσης, της καμπυλότητας και της φυτοκάλυψης συνδυάστηκαν για να
δημιουργηθεί ένας ολοκληρωμένος χάρτης κινδύνου χιονοστιβάδων, λαμβάνοντας υπόψη πολλαπλά
κριτήρια.

'''<h2> Ορισμός χρησιμοποιούμενων όρων </h2>'''

Η μελέτη χρησιμοποίησε συγκεκριμένους όρους για την κατηγοριοποίηση των τουριστών που
εμπλέκονται σε περιστατικά χιονοστιβάδων και για τον εντοπισμό των θέσεων εμφάνισης
χιονοστιβάδων. Χρησιμοποιήθηκαν δύο κύριες κατηγορίες,: ελεγχόμενο έδαφος και μη ελεγχόμενο
έδαφος. Το ελεγχόμενο έδαφος περιελάμβανε περιοχές όπως δρόμοι, σιδηροδρομικές γραμμές, πίστες
σκι και υπογεγραμμένα χειμερινά μονοπάτια που διαχειρίζονται ενεργά για χειμερινές δραστηριότητες.
Στα βουνά Făgăraș, αυτό περιλαμβάνει άτομα που ασχολούνται με τη συντήρηση του
αυτοκινητόδρομου Transfăgărășan (TRH), επαγγελματικές ομάδες διάσωσης και μέλη ομάδων
εξόρυξης ή μετεωρολογίας. Το μη ελεγχόμενο έδαφος, από την άλλη πλευρά, κάλυπτε δραστηριότητες
αναψυχής όπως το σκι σε ορεινές περιοχές, το snowboard, το σκι εκτός πίστας, την πεζοπορία, την
ορειβασία, την πεζοπορία με χιονοπέδιλα και την αναρρίχηση. Οι σκιέρ backcountry προσδιορίστηκαν
ως εκείνοι που χρησιμοποιούν μη σηματοδοτημένες πίστες σκι σε αλπικές ζώνες, μακριά από
ελεγχόμενες περιοχές σκι, όπου οι κίνδυνοι χιονοστιβάδων δεν αντιμετωπίζονται ενεργά από
επαγγελματικές ομάδες. Αυτή η ομάδα μπορεί επίσης να χρησιμοποιεί μη διαμορφωμένες και μη
ελεγχόμενες πίστες κοντά σε χιονοδρομικές περιοχές, τελεφερίκ και αναβατήρες, καθώς και να
συμμετέχει σε σύντομες πεζοπορίες με σκι για να φτάσει σε κορυφές βουνών.

'''<h1> Αποτελέσματα </h1>'''

'''<h2> Περίοδοι τουριστικής ανάπτυξης στα βουνά Fagaras</h2> '''

Η εξέλιξη του τουρισμού στα όρη Făgăraș εκτείνεται σε ιστορικές φάσεις. Η SKV, μια κομβική ορεινή
ένωση από τα τέλη του 19ου αιώνα, συνεργάστηκε με τη Γερμανοαυστριακή Αλπική Ένωση,
δημιουργώντας σαλέ και μονοπάτια πεζοπορίας. Μετά τον Δεύτερο Παγκόσμιο Πόλεμο, η
κομμουνιστική κυριαρχία οδήγησε στην εθνικοποίηση, και στη δεκαετία του 1970 κατασκευάστηκαν
ένα TRH και ένα τελεφερίκ. Μετά το 1989, η οικονομική μετάβαση έφερε νομοθετικές αλλαγές. Οι
ιδιωτικές πρωτοβουλίες από το 2000 έως το 2010 αναζωογόνησαν τον τουρισμό,
συμπεριλαμβανομένων των αλπικών καταφυγίων και των χειμερινών δραστηριοτήτων. Από το 2010
έως το 2020, κατασκευάστηκαν περισσότερα καταφύγια και δόθηκε έμφαση στον χειμερινό τουρισμό.

'''<h2> Κλιματικές παράμετροι που σχετίζονται με την εμφάνιση ατυχημάτων χιονοστιβάδων</h2> '''

Η μέση ετήσια θερμοκρασία αέρα (MAAT) στον μετεωρολογικό σταθμό Bâlea (WS) ήταν 0,7 °C. Τα
θερμότερα έτη (2009, 2014, 2018, 2020) είχαν MAAT κατά τη διάρκεια της περιόδου χιονιού που
κυμαίνονταν από 1 °C έως 3,2 °C. Τα ψυχρότερα έτη (1995, 1980, 1997) είχαν MAAT κατά τη
διάρκεια της περιόδου χιονιού από 4,4 °C έως 4,9 °C. Η MAAT αυξήθηκε από 0,1 °C (1979-1999) σε
1,4 °C (2000-2020), με αντίστοιχη αύξηση της θερμοκρασίας της περιόδου χιονιού. Το μέσο βάθος
χιονιού ήταν 113,8 cm κατά τη διάρκεια της περιόδου παρατήρησης, με υψηλότερες τιμές τον
Φεβρουάριο (174,2 cm), τον Μάρτιο (173,9 cm) και τον Απρίλιο (165,4 cm). Στον παγετώδη τομέα
Bâlea-Capra σημειώθηκαν 28 ατυχήματα χιονοστιβάδων (1979-2020), στα οποία ενεπλάκησαν 67
άτομα με 20 θανάτους. Τα περισσότερα ατυχήματα συνέβησαν μετά το 2004 και συνέπεσαν με έντονες
χιονοπτώσεις, πυκνά στρώματα χιονιού, άνοδο της θερμοκρασίας και επικράτηση βορείων ανέμων.

'''<h2> Επίπεδο επικινδυνότητας χιονοστιβάδας </h2> '''

Ο κεντρικός παγετώδης τομέας, που χαρακτηρίζεται από μεγάλο υψόμετρο και απότομες πλαγιές,
παρουσιάζει υψηλή τιμή Havalanche, ενώ ο δυτικός και ο ανατολικός παγετώδης τομέας έχουν μέτριες
έως υψηλές τιμές. Ο χάρτης επικινδυνότητας χιονοστιβάδων του παγετώδους τομέα Bâlea-Capra, της
μεγαλύτερης κληρονομημένης παγετώδους περιοχής στα όρη Făgăraș, εμφανίζει τέσσερις κατηγορίες:
χαμηλή, μέτρια, υψηλή και πολύ υψηλή. Αυτός ο τομέας, πλούσιος σε τουριστικές υποδομές,
προσελκύει ορειβάτες, λάτρεις του βουνού και σκιέρ εκτός πίστας. Οι περιοχές υψηλής και πολύ
υψηλής επικινδυνότητας εντοπίζονται σε απότομες πλαγιές και κοίλες περιοχές χωρίς δάση,
καλύπτοντας εκτεταμένες περιοχές σε κοιλάδες και παγετώδεις κύκλους. Μέτριοι κίνδυνοι υπάρχουν
σε χαμηλότερες πλαγιές με κάποιους παράγοντες πυροδότησης, όπως μέτριες πλαγιές και δασώδεις
περιοχές, καλύπτοντας μικρότερες περιοχές. Οι περιοχές χαμηλής επικινδυνότητας περιλαμβάνουν τον
πυθμένα των παγετωδών κοιλάδων, τα δάπεδα των παγετωδών κύκλων και τις επίπεδες επιφάνειες,
όπου δεν υπάρχουν παράγοντες πυροδότησης, καλύπτοντας τις μικρότερες επιφάνειες στις περιοχές
που μελετήθηκαν.

'''Havalanche = (0⋅4 ×Sr + 0⋅4 × Tpw + 0⋅2 × Tt) × F'''

''' <h2> Εξέλιξη της επικινδυνότητας χιονοστιβάδων </h2>'''

Η ανάπτυξη του τουρισμού στα βουνά Făgăraș, που οφείλεται στην ελκυστικότητα του βουνού, στα
έργα και στην αύξηση των καταλυμάτων, προσέλκυσε μια πιστή αλλά και ευάλωτη πελατεία με
έμφαση στο σκι εκτός πίστας και στο σκι περιήγησης. Κατά την περίοδο του Βασιλείου, με
περιορισμένο τουρισμό, σημειώθηκαν μόνο τρεις χιονοστιβάδες. Κατά την κομμουνιστική εποχή, 25
χιονοστιβάδες (24,3% του συνόλου) οδήγησαν σε 62,1% θανάτους και 22% τραυματισμούς, κυρίως
στον παγετώδη τομέα Bâlea-Capra, με αποτέλεσμα θανάτους και καταρρεύσεις τουριστικών
υποδομών. Μετακομμουνιστικά, 75 χιονοστιβάδες (72,8% του συνόλου) προκάλεσαν 35% θανάτους
και 77,4% τραυματισμούς, με το 47% να συμβαίνει την τελευταία δεκαετία. Τα μέτρα μετριασμού και
τα αποτελεσματικά συστήματα αντιμετώπισης μείωσαν τους θανάτους. Ο αντίκτυπος στο τοπίο της
παγετώδους περιοχής Bâlea αναδεικνύεται σε καρτ ποστάλ και φωτογραφίες, που παρουσιάζονται σε
μια περίληψη της εξέλιξης του κινδύνου χιονοστιβάδων από το 1880 έως το 2020.

'''<h2> Eπιπτώσεις των χιονοστιβάδων στις υποδομές και τους ανθρώπους</h2>'''

Στα βουνά Făgăraș υπάρχουν 13 σαλέ, 16 αλπικά καταφύγια και 5 γραφεία MRPS για τουριστικά
καταλύματα. Η μεγαλύτερη συχνότητα χιονοστιβάδων παρατηρείται στον παγετώδη τομέα Bâlea-
Capra και στον ανατολικό παγετώδη τομέα στην παγετώδη κοιλάδα Sâmbăta, επηρεάζοντας τόσο τις
ιστορικές όσο και τις πρόσφατες τουριστικές υποδομές. Ο αυτοκινητόδρομος Transfăgărășan (TRH),
που αρχικά κατασκευάστηκε για στρατηγικούς λόγους, έχει γίνει ένας ζωτικός τουριστικός και
επικοινωνιακός άξονας, αντιμετωπίζοντας πολλαπλές απειλές από χιονοστιβάδες, επηρεάζοντας την
οδική προσβασιμότητα, τους κατοίκους, τα αγαθά, τις υπηρεσίες και την τουριστική βιομηχανία.
Ένα χρονολόγιο 140 ετών (1880-2020) των συμβάντων χιονοστιβάδων αποκαλύπτει ότι τα ατυχήματα
που σχετίζονται με χιονοστιβάδες με ανθρώπους στα βουνά Făgăraș άρχισαν να καταγράφονται το
1928. Από το 1968, το MRPS άρχισε να καταγράφει τις ανθρώπινες απώλειες και από τη χειμερινή
περίοδο 2004-2005, ο μετεωρολογικός σταθμός Bâlea (Bâlea WNS) καταγράφει όλα τα ατυχήματα με
χιονοστιβάδες. Μεταξύ 1928 και 2020, καταγράφηκαν 101 ατυχήματα χιονοστιβάδων στα οποία
ενεπλάκησαν 271 άτομα, με αποτέλεσμα 103 θανάτους και 168 ταφές/τραυματισμούς. Ο αντίκτυπος
στις υποδομές και τους ανθρώπους ποικίλλει με την πάροδο του χρόνου, με περιόδους με διακυμάνσεις
στα περιστατικά χιονοστιβάδων.

'''<h2> Έτη με χιονοστιβάδες που εντοπίστηκαν με τη χρήση της δενδρογεωμορφολογικής προσέγγιση </h2>'''

Χρησιμοποιώντας τη δενδρογεωμορφολογία, 96 έτη χιονοστιβάδων (68,5% του συνόλου)
εντοπίστηκαν από το 1880 έως το 2020, με μέσο όρο 1,5 χιονοστιβάδες ανά έτος. Αυτές
περιελάμβαναν 203 χιονοστιβάδες μικρού μεγέθους, 55 χιονοστιβάδες μεσαίου μεγέθους και 38
χιονοστιβάδες μεγάλου μεγέθους. Η κατανομή κατά ιστορικές περιόδους αποκάλυψε 45 έτη
χιονοστιβάδων στο Βασίλειο της Ρουμανίας (46,9% του συνόλου), 31 έτη χιονοστιβάδων στην
κομμουνιστική περίοδο (32,3% του συνόλου) και 20 έτη χιονοστιβάδων στη μετακομμουνιστική
περίοδο (20,8% του συνόλου). Κατά την περίοδο από την ίδρυσή του, ο Μετεωρολογικός Σταθμός
Bâlea (Bâlea WNS), βασικός ενδιαφερόμενος για τη διαχείριση του κινδύνου χιονοστιβάδων,
κατέγραψε 15 ατυχήματα χιονοστιβάδων στα οποία ενεπλάκησαν άνθρωποι, τα οποία επικυρώθηκαν
από τις στατιστικές της Ορεινής Διάσωσης και Δημόσιας Ασφάλειας (MRPS).

'''<h2>Επιπτώσεις των χιονοστιβάδων στις υποδομές</h2>'''

Πριν από τον Δεύτερο Παγκόσμιο Πόλεμο, η ανάπτυξη της τουριστικής υποδομής στα ρουμανικά
Καρπάθια περιελάμβανε την κατασκευή σαλέ, αλπικών καταφυγίων, σηματοδοτημένων μονοπατιών
και την εκπαίδευση οδηγών βουνού και διασωστών. Κατά τη μετακομμουνιστική περίοδο αυξήθηκε ο
χειμερινός τουρισμός στα βουνά Făgăraș, προσελκύοντας περισσότερους τουρίστες σε περιοχές που
είναι επιρρεπείς σε χιονοστιβάδες, αυξάνοντας την έκθεση και τον κίνδυνο. Ενώ τα κτίρια βρίσκονται
γενικά εκτός των διαδρομών χιονοστιβάδων, ορισμένα επηρεάστηκαν, ιδίως κατά την κομμουνιστική
περίοδο, όταν τα μέτρα προστασίας ήταν λιγότερο οργανωμένα. Η πρόσφατη απρογραμμάτιστη
κατασκευή στο παγετώδες κύκλωμα Bâlea έχει αυξήσει την ευπάθεια, απαιτώντας εκκρεμή μόνιμα
μέτρα προστασίας. Οι στρατηγικές περιλαμβάνουν διαρθρωτικές άμυνες, οικονομικές επενδύσεις και
πιθανή μετεγκατάσταση των απειλούμενων υποδομών. Ο μετριασμός του κινδύνου χιονοστιβάδων
στον αυτοκινητόδρομο Transfăgărășan περιλαμβάνει αποθήκες χιονιού, αναχώματα εκτροπής και
τεχνητές απελευθερώσεις, με προσωρινό κλείσιμο κατά τη διάρκεια του χειμώνα. Ο αντίκτυπος των
χιονοστιβάδων στα κτίρια επηρεάζεται από τα υλικά κατασκευής και ο κίνδυνος παραμένει υψηλός
λόγω της έκθεσης. Η διαχείριση του κινδύνου χιονοστιβάδων περιλαμβάνει μέτρα ασφαλείας, αν και
εξακολουθούν να υπάρχουν προκλήσεις στην προστασία ορισμένων τομέων λόγω κόστους και
τεχνικών δυσκολιών. Το προσωρινό κλείσιμο αυτοκινητοδρόμων και η τεχνητή απελευθέρωση
χιονοστιβάδων αποτελούν συνήθεις πρακτικές, με τον αυτοκινητόδρομο Transfăgărășan να είναι
κλειστός κατά τη διάρκεια του χειμώνα, και την εφαρμογή του συστήματος RO-ALERT για
προειδοποιήσεις χιονοστιβάδων.

'''<h2> Επιπτώσεις των χιονοστιβάδων στους ανθρώπους</h2>'''

Στα όρη Făgăraș, τα ατυχήματα χιονοστιβάδων με θανάτους και τραυματισμούς είναι καλά
τεκμηριωμένα. Μεταξύ 1928 και 2020, 271 ανθρώπινα θύματα ενεπλάκησαν σε χιονοστιβάδες, με την
πλειονότητα να συμβαίνει σε ανεξέλεγκτο έδαφος (backcountry και εκτός χιονοδρομικών πίστες). Από
τα θανατηφόρα περιστατικά, το 80,5% συνέβη σε μη ελεγχόμενο έδαφος, ενώ σε ελεγχόμενο έδαφος η
συχνότητα εμφάνισης ήταν μικρότερη. Ο αριθμός των ταφών/τραυματισμών αυξήθηκε σε μη
ελεγχόμενο έδαφος, πιθανώς λόγω των αυξημένων τουριστικών δραστηριοτήτων, της εμπιστοσύνης
στις υπηρεσίες διάσωσης και του προσωπικού εξοπλισμού. Περίπου το 90% των χιονοστιβάδων με
θύματα εκτιμάται ότι προκαλούνται από τα ίδια τα θύματα, τα οποία συχνά αναζητούν περιπέτεια σε
απομακρυσμένα και ελκυστικά μέρη. Οι αιτίες περιλαμβάνουν ανεπαρκείς πληροφορίες σχετικά με το
έδαφος και τις καιρικές συνθήκες, κακές επιλογές διαδρομών, διέλευση από εκτεθειμένα ίχνη
χιονοστιβάδων και έλλειψη στρατηγικών πρόληψης μέχρι τα μέσα της δεκαετίας του 2000. Η
δημιουργία του μετεωρολογικού σταθμού της Bâlea και η έκδοση επιπέδων κινδύνου ακολούθησε τα
τραγικά ατυχήματα χιονοστιβάδων, ενισχύοντας την ευαισθητοποίηση σε θέματα κινδύνου και τις
προσπάθειες μετριασμού.

'''<h2>Κίνδυνος και ρίσκο χιονοστιβάδας</h2>'''

[[Αρχείο:Paper3-fig2.png|thumb|right]]

Η επικινδυνότητα και ο κίνδυνος χιονοστιβάδων στα όρη Făgăraș αξιολογούνται με βάση την
πιθανότητα και το μέγεθος, με τον κίνδυνο να αναφέρεται στην έκθεση των ανθρώπων ή των
τουριστικών υποδομών. Η χωροχρονική εξέλιξη του κινδύνου χιονοστιβάδων εξαρτάται από την
επικινδυνότητα και την τρωτότητα, ελέγχοντας την έκταση των απωλειών και της έκθεσης. Οι
ιστορικές καταγραφές χιονοστιβάδων, ιδίως τα τελευταία 20 χρόνια, έχουν γίνει πιο ακριβείς λόγω των
βελτιωμένων τεχνικών μετακίνησης και διάσωσης, ιδίως από τις διαδικασίες πρόβλεψης του
μετεωρολογικού σταθμού της Bâlea (WNS). Η κλιματική αλλαγή, που χαρακτηρίζεται από αύξηση της
θερμοκρασίας από τα μέσα του 19ου αιώνα και εντάθηκε μετά το 1985, έχει αυξήσει την ένταση των
χιονοστιβάδων στις Ευρωπαϊκές Άλπεις. Στα όρη Făgăraș, παρά την καλύτερη διαχείριση των
χιονοστιβάδων, ο κίνδυνος παρέμεινε υψηλός κατά τη διάρκεια της κομμουνιστικής και
μετακομμουνιστικής περιόδου, χωρίς τάση μείωσης. Τα Νότια Καρπάθια έχουν υποστεί χωρικά
ανομοιογενή αύξηση της θερμοκρασίας, με αλλαγές στο ύψος της δασικής γραμμής και στη σύνθεση
των δασών. Η δενδρογεωμορφολογική ανάλυση ανέδειξε υψηλή συχνότητα χιονοστιβάδων στα μέσα
της δεκαετίας του 1980, σε συμφωνία με πρόσφατες μελέτες που σημειώνουν αυξημένη συχνότητα
χιονοστιβάδων στα ψηλά βουνά λόγω της υπερθέρμανσης του πλανήτη. Οι ορεινές υποδομές
αναμένεται να είναι όλο και περισσότερο εκτεθειμένες σε χιονοστιβάδες στο μέλλον.

'''<h2> Δενδρογεωμορφική ανακατασκευή παλαιότερων χιονοστιβάδων</h2>'''

Οι δενδρογεωμορφολογικές ανακατασκευές, σε σύγκριση με τις καταγραφές της Μονάδας Ορεινής
Διάσωσης και Έρευνας της Bâlea (MRPS) και του Μετεωρολογικού Σταθμού της Bâlea (WNS),
υποδηλώνουν υποεκτίμηση των ετών με φυσική δραστηριότητα χιονοστιβάδων. Στον παγετώδη τομέα
Bâlea-Capra (που καλύπτεται από το Bâlea MRPS από το 1968 έως το 2020 και το Bâlea WNS από το
2004 έως το 2020), η προσέγγιση ανακατασκεύασε 24 από τα 65 (36,9%) καταγεγραμμένα έτη. Σε
ολόκληρη την οροσειρά Făgăraș για 140 χειμώνες, ανακατασκευάστηκαν 96 (68,5%). Τα
αποτελέσματα ευθυγραμμίζονται με τα ευρήματα στις Γαλλικές Άλπεις, αλλά είναι μικρότερα από
εκείνα που αναφέρθηκαν στον ορεινό όγκο Queyras (Γαλλικές Άλπεις) και στο Reiselehnrinne (Τιρόλο,
Αυστρία). Η δενδρογεωμορφολογική προσέγγιση προσέθεσε στην υπάρχουσα χρονολογία 19 έτη
χιονοστιβάδων που δεν είχαν καταγραφεί προηγουμένως.

'''<h1>Συμπεράσματα</h1>'''

Η μελέτη αυτή εξετάζει δύο βασικά ερωτήματα: (i) τη χρονική διακύμανση του κινδύνου με βάση τη
δραστηριότητα χιονοστιβάδων και (ii) την αξιοπιστία των συμπληρωματικών, στατιστικών και
δενδρογεωμορφολογικών προσεγγίσεων στην ανάλυση της δραστηριότητας χιονοστιβάδων. Τα
ευρήματα αποκαλύπτουν αυξημένη ανθρώπινη παρουσία και αύξηση των ατυχημάτων από
χιονοστιβάδες στα βουνά Făgăraș. Η δραστηριότητα των χιονοστιβάδων συσχετίζεται με
κοινωνικοοικονομικούς παράγοντες, τονίζοντας τη σημασία της συνεκτίμησης της τουριστικής
υποδομής, των ροών και της μεταφορικής δραστηριότητας κατά την εκτίμηση του κινδύνου
χιονοστιβάδων. Εντοπίζονται διάφορες ιστορικές περίοδοι, παρουσιάζοντας την εξέλιξη και τον
αντίκτυπο του τουρισμού. Κατά τη διάρκεια του Βασιλείου της Ρουμανίας, συνέβησαν λιγότερα
ατυχήματα λόγω της περιορισμένης υποδομής και του αριθμού των τουριστών. Κατά την
κομμουνιστική περίοδο σημειώθηκαν τραγικά ατυχήματα και ζημιές, ενώ κατά τη μετακομμουνιστική
εποχή αυξήθηκε ο τουρισμός και τα μέτρα ασφαλείας, αλλά καταγράφηκαν σημαντικά θύματα. Ο
συνδυασμός των καταγραφών MRPS και Bâlea WNS με τα δεδομένα των δακτυλίων των δέντρων
αποδεικνύεται αξιόπιστη μέθοδος για την παρακολούθηση της δραστηριότητας των χιονοστιβάδων σε
διάστημα 140 ετών, αν και η δενδροχρονολογία μπορεί να υποεκτιμά τις συχνότητες. Η υπερθέρμανση
του πλανήτη επηρεάζει τη δραστηριότητα των χιονοστιβάδων μειώνοντας το πάχος του χιονιού κάτω
από ορισμένα υψόμετρα. Αναμένεται μελλοντική εξέλιξη του κινδύνου λόγω της επέκτασης του
ορεινού τουρισμού, τονίζοντας την ανάγκη για μια ολοκληρωμένη προσέγγιση στην οποία θα
συμμετέχουν γεωγράφοι, μετεωρολόγοι, δασολόγοι μηχανικοί και σχεδιαστές χρήσεων γης.
Συνιστώνται η χαρτογράφηση της επικινδυνότητας και τα κριτήρια οριοθέτησης, καθώς και
στοχευμένες προσπάθειες εκπαίδευσης για τις βασικές ομάδες που εμπλέκονται σε τουριστικές
περιοχές που είναι επιρρεπείς σε χιονοστιβάδες.

[[category:Χιονοστιβάδες]][[Κατηγορία:Διαχείριση_κινδύνων]]

Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş, Ρουμανικά Καρπάθια Όρη

2024-02-20T17:13:08Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş, Ρουμανικά Καρπάθια Όρη

'''Τίτλος'''

Snow avalanches in relation to tourism and transportation activities in the Făgăraş Mountains, Romanian Carpathians
'''Πηγή'''

[https://isprs-annals.copernicus.org/articles/X-4-W1-2022/315/2023/isprs-annals-X-4-W1-2022-315-2023.pdf Copernicus]

[https://doi.org/10.1016/j.ancene.2023.100407 doi]

'''Συγγραφείς'''

Mircea Voiculescu, Marcel Török-Oance, Patrick Chiroiu, Florentina Popescu

'''<h1> Εισαγωγή </h1>'''

Οι χιονοστιβάδες αποτελούν σημαντικό φυσικό κίνδυνο στις ορεινές περιοχές, επηρεάζοντας τις
περιοχές σκι, τις δραστηριότητες αναψυχής, τις υποδομές και προκαλώντας θύματα, ενώ η τοπογραφία
και η μετεωρολογία επηρεάζουν τη δραστηριότητα των χιονοστιβάδων, οι ανθρώπινες δραστηριότητες,
ιδίως αυτές που προκαλούν χιονοστιβάδες, παίζουν επίσης ρόλο.
Η παρούσα μελέτη για 140 χρόνια, κατά την περίοδο 1880-2020 στα όρη Făgăraș, αποσκοπεί στην
αξιολόγηση του κινδύνου χιονοστιβάδων και το αντίκτυπο τους στις τουριστικές υποδομές, τους
δρόμους και τα δάση, λαμβάνοντας υπόψη ιστορικές περιόδους και κοινωνικοοικονομικούς
παράγοντες, χρησιμοποιώντας ποικίλες αναλυτικές προσεγγίσεις, όπως στατιστικές,
δενδρογεωμορφολογικές και προσομοιώσεις. Η υπόθεση υποδηλώνει μια συσχέτιση μεταξύ των
θυμάτων χιονοστιβάδων, της ανάπτυξης των τουριστικών υποδομών και της έκθεσης των τουριστών.
Εξετάζονται τρεις διαφορετικές περίοδοι: περίοδο, η κομμουνιστική περίοδος και η
μετακομμουνιστική περίοδος, η καθεμία με διαφορετικά κοινωνικοοικονομικά χαρακτηριστικά. Παρά
τα αυξημένα μέτρα προστασίας και τις προσπάθειες ευαισθητοποίησης σε θέματα κινδύνου, η μελέτη
αποκαλύπτει ότι ο κίνδυνος χιονοστιβάδων παραμένει υψηλός τα τελευταία χρόνια, γεγονός που
αποδίδεται στην αυξημένη έκθεση και ευπάθεια των τουριστικών υποδομών και των τουριστών. Τα
δεδομένα υποδηλώνουν ότι η δραστηριότητα των χιονοστιβάδων έχει επηρεάσει σημαντικά την
ανάπτυξη των τουριστικών στοιχείων στην περιοχή, επηρεάζοντας την εμφάνιση νέων εγκαταστάσεων
όπως οι καλύβες, τα αλπικά καταφύγια και ο αυτοκινητόδρομος Transfăgărăşan.
Παρά τις ιστορικές καταγραφές, η πραγματική έκταση της δραστηριότητας των χιονοστιβάδων μπορεί
να υποεκτιμάται. Το πολύπλοκο κοινωνικοπεριβαλλοντικό σύστημα στις ορεινές περιοχές απαιτεί μια
χωροχρονική προοπτική για την αποτελεσματική πρόληψη των χιονοστιβάδων. Ο χειμερινός
τουρισμός, που προκαλεί χιονοστιβάδες, έχει αυξηθεί με την πάροδο των ετών, οδηγώντας σε
περισσότερα ατυχήματα. Τα βουνά Făgăraș χρησιμεύουν ως ιδανική περίπτωση για μια ολοκληρωμένη
μελέτη λόγω του ανάγλυφου, του κλίματος και της τουριστικής τους ανάπτυξης.

'''<h1> Περιοχή Μελέτης </h1>'''

Τα όρη Făgăraș, που βρίσκονται στα ανατολικά Νότια Καρπάθια, χωρίζονται σε κεντρικό, δυτικό και
ανατολικό τομέα. Με έκταση περίπου 70 km και κορυφές που υπερβαίνουν τα 2500 m, τα βουνά αυτά
παρουσιάζουν δομή αλπικής κορυφογραμμής. Η βόρεια πλαγιά είναι σύντομη και απότομη με
παγετώδεις κοιλάδες, ενώ η νότια πλαγιά είναι πιο ήπια με ελικοειδείς παγετώδεις κοιλάδες. Παρόμοια
με τα όρη Tatra, τα όρη Făgăraș διαθέτουν υψομετρικές γεωοικολογικές ζώνες: ημιλιμναία ζώνη,
αλπική ζώνη, υποαλπική ζώνη και δασική ζώνη. Η γεωλογική σύνθεση περιλαμβάνει μεταμορφωμένα
πετρώματα όπως μίκασους και ασβεστολιθικά εγκλείσματα, ενώ οι τεταρτογενείς παγετώνες
διαμόρφωσαν το σημερινό ανάγλυφο. Το κλίμα είναι σκληρό, χαρακτηρίζεται από σύντομα, δροσερά
καλοκαίρια και μακρούς, επίμονους χειμώνες. Η βόρεια πλαγιά δέχεται υγρό αέρα από τον Ατλαντικό,
με αποτέλεσμα υψηλές χιονοπτώσεις, ενώ η νότια πλαγιά δέχεται θερμό, υγρό αέρα από τη Μεσόγειο,
με αποτέλεσμα άφθονο χιόνι. Τα όρη Făgăraș έχουν κλιματικό τύπο Dfb και αλπικό κλίμα, σύμφωνα με
την ταξινόμηση Koeppen-Geiger και τις τάξεις εποχιακής χιονοκάλυψης.

[[Αρχείο:Paper3-fig1.png|thumb|right]]

'''<h1> Δεδομένα και Μεθοδολογία </h1>'''

Η μελέτη χρησιμοποίησε μια ολοκληρωμένη προσέγγιση, συνδυάζοντας επιτόπια έρευνα με δεδομένα
από διάφορες πηγές για τη δημιουργία μιας λεπτομερούς βάσης δεδομένων σχετικά με τις
χιονοστιβάδες, τα ατυχήματα και τον αντίκτυπό τους στον τουρισμό και τις υποδομές μεταφορών στα
βουνά Făgăraş. Αξιοποιώντας συμπληρωματικές πηγές, συμπεριλαμβανομένης της
δενδρογεωμορφικής ανάλυσης των δακτυλίων των δέντρων, των δορυφορικών εικόνων και του
λογισμικού RAMMS, η έρευνα επικεντρώθηκε σε δύο περιοχές υψηλού κινδύνου: Bâlea glacial valley
(βόρεια πλαγιά) και Capra glacial valley (νότια πλαγιά). Οι περιοχές αυτές είναι ζωτικής σημασίας
λόγω των σημαντικών τουριστικών και μεταφορικών δραστηριοτήτων τους, συμπεριλαμβανομένου
του αυτοκινητόδρομου Transfăgărăşan. Η μελέτη αξιοποιήσε την παρουσία σαλέ, αρχηγείων
υπηρεσιών ορεινής διάσωσης και μοναδικών εγκαταστάσεων, όπως το Ice Hotel και η Ice Church στο
παγετώδες κοίλωμα Bâlea, που συμβάλλουν στην προώθηση του τουρισμού στα βουνά Făgăraş. Αν και
δεν υπάρχουν συγκεκριμένα αρχεία επισκεπτών, το Ice Hotel και η Ice Church φέρονται να
προσελκύουν χιλιάδες τουρίστες ετησίως.

'''<h2> Πηγές δεδομένων για την καταγραφή χιονοστιβάδων και περιορισμοί </h2>'''

Η καταγραφή των ατυχημάτων από χιονοστιβάδες στα ρουμανικά Καρπάθια αντιμετώπισε διοικητικές
προκλήσεις, ενώ η ανάπτυξη ενός στατιστικού πλαισίου παραμελήθηκε για μεγάλο χρονικό διάστημα.
Δύο σημαντικά στάδια σημάδεψαν τη διαδικασία καταγραφής. Το 1968 ιδρύθηκαν οι Δημόσιες
Υπηρεσίες Ορεινών Διασωστών (MRPS), υπεύθυνες για το συντονισμό των δράσεων διάσωσης και
την καταγραφή των ατυχημάτων. Το δεύτερο στάδιο έλαβε χώρα το 2004-2005, με τη δημιουργία του
Προγράμματος Nivometeorology στο πλαίσιο της Εθνικής Μετεωρολογικής Διοίκησης (PN-NAM) σε
συνεργασία με τη Météo France. Το πρόγραμμα αυτό λειτουργεί την Υπηρεσία Νιβολογίας Εργασίας
(Bâlea WNS) στα όρη Făgăraș, παρακολουθώντας τις συνθήκες χιονιού και τους κινδύνους
χιονοστιβάδων στις κοιλάδες των παγετώνων Bâlea και Capra.
Ορισμένα περιστατικά, όπως διασώσεις και διαφυγές από χιονοστιβάδες, δεν αναφέρθηκαν με
συνέπεια λόγω μη καταραφής τους. Για την απόκτηση ακριβέστερης καταγραφής, διερευνήθηκαν
πρόσθετες πηγές, συμπεριλαμβανομένων των αναφορών MRPS και Bâlea WNS, του αρχείου της
Περιφερειακής Υπηρεσίας Μετεωρολογικών Προγνώσεων Sibiu και διαφόρων διαδικτυακών
πλατφορμών. Κατασκευάστηκε μια ολοκληρωμένη βάση δεδομένων για τα ατυχήματα χιονοστιβάδων,
η οποία περιλαμβάνει πληροφορίες σχετικά με την ημερομηνία, τους εμπλεκόμενους, τους θανάτους,
τις ταφές/τραυματισμούς και τον τύπο δραστηριότητας. Σε αντίθεση με ορισμένες άλλες χώρες που
διαθέτουν ηλεκτρονικές βάσεις δεδομένων για τις χιονοστιβάδες, η Ρουμανία δεν διέθετε ένα τέτοιο
σύστημα για μεγάλο χρονικό διάστημα. Στα τέλη της δεκαετίας του 2000, πληροφορίες για ατυχήματα
από χιονοστιβάδες βρέθηκαν σε φόρουμ και ιστότοπους, συμβάλλοντας με πολύτιμα δεδομένα στη
μελέτη.

''' <h2> Συλλογή δεδομένων και επιτόπια εργασία </h2>'''

Η ιστορική καταγραφή των χιονοστιβάδων ήταν ανεπαρκής, χωρίς ακρίβεια στην αναπαράσταση της
πραγματικής έκτασης της δραστηριότητας των χιονοστιβάδων στο χρόνο και στο χώρο. Παρά την
προσοχή που δίνουν στα ατυχήματα χιονοστιβάδων οι ομάδες διάσωσης βουνού, οι επενδυτές στον
τουρισμό και οι υπεύθυνοι χάραξης πολιτικής, οι βάσεις δεδομένων παραμένουν ασυνεπείς και
ελλιπείς λόγω των δύσκολων συνθηκών πεδίου και των απομακρυσμένων περιοχών. Η μελέτη υιοθετεί
μια ολοκληρωμένη προσέγγιση, συνδυάζοντας ιστορικές, γραπτές και εικονογραφικές πηγές,
συμπεριλαμβανομένων άρθρων, τεχνικών εκθέσεων, αρχείων MRPS, καρτ ποστάλ, φωτογραφιών και
καθημερινών ειδήσεων. Συνεντεύξεις με μέλη του MRPS, μέλη του Sibiu RWFS, αυτόπτες μάρτυρες,
προσωπικό των σαλέ και ποιοτική έρευνα μέσω ημιδομημένων συνεντεύξεων πραγματοποιήθηκαν για
να βελτιωθεί η βάση δεδομένων, καταγράφοντας αναφορές για χιονοστιβάδες που δεν έχουν
καταγραφεί επίσημα και αντιμετωπίζοντας ασυμφωνίες ως προς την τοποθεσία και τη συμμετοχή.
Έντεκα συνεντεύξεις αφορούσαν ιδιοκτήτες σαλέ, μέλη της MRPS και της RWFS, ορειβάτες και
χιονοδρόμους. Οι τεχνικές εκθέσεις της MRPS προσδιόρισαν τους ανθρώπινους παράγοντες που
συμβάλλουν στα ατυχήματα χιονοστιβάδων. Άμεσες παρατηρήσεις και μετρήσεις στο έδαφος, με τη
χρήση συσκευών GPS και επιγραφών σε μνημεία, λήφθηκαν για να εκτιμηθούν οι περιοχές που είναι επιρρεπείς σε χιονοστιβάδες στα βουνά Făgăraș.
Η μελέτη παρέχει μια πιο ολοκληρωμένη κατανόηση των περιστατικών χιονοστιβάδων, λαμβάνοντας υπόψη τόσο τα καταγεγραμμένα όσο και τα μη
καταγεγραμμένα συμβάντα, τους ανθρώπινους παράγοντες και τα γεωγραφικά χαρακτηριστικά.

''' <h2> Πλαίσιο της τουριστικής ανάπτυξης </h2>'''

Κατά την περίοδο του Βασιλείου της Ρουμανίας, μη επιστημονική βιβλιογραφία, όπως βιβλία,
περιοδικά και τουριστικά δελτία του Siebenbürgischer Karpatenverein (SKV), χρησιμοποιήθηκαν, μαζί
με παλιές καρτ ποστάλ και φωτογραφίες, για την ανακατασκευή ιστορικών τόπων. Για την
κομμουνιστική περίοδο, η τεκμηρίωση των τουριστικών ροών ήταν δύσκολη λόγω της καταστροφής
των αρχείων από πυρκαγιά μετά τη Ρουμανική Επανάσταση του 1989. Κατά συνέπεια, η μελέτη
ανέφερε την εξέλιξη του αριθμού των θέσεων σε κάθε αλπική καλύβα και καταφύγιο. Για τη συλλογή
πληροφοριών σχετικά με τα ατυχήματα χιονοστιβάδων χρησιμοποιήθηκε βιβλιογραφία, συζητήσεις με
ενδιαφερόμενους φορείς, μέλη των υπηρεσιών διάσωσης βουνού και προσωπικές παρατηρήσεις
μνημείων και αναμνηστικών σταυρών. Κατά τη μετακομμουνιστική περίοδο, χρησιμοποιήθηκαν για
ανάλυση στοιχεία από το Εθνικό Στατιστικό Ινστιτούτο για τα καταλύματα, βιβλιογραφία, επιτόπιες
πληροφορίες, το διαδίκτυο και φόρουμ συζητήσεων.

'''<h2> Χρονολόγηση και καταγραφή χιονοστιβάδων με τη χρήση δενδρογεωμορφολογικής προσέγγιση </h2>'''

Στη μελέτη ελήφθησαν δείγματα 1111 δέντρων από 21 μονοπάτια χιονοστιβάδων στα όρη Făgăraș, τα
οποία κάλυπταν πέντε παγετώδεις κοιλάδες τόσο στις βόρειες όσο και στις νότιες πλαγιές. Η
δειγματοληψία περιορίστηκε σε περιοχές που επηρεάστηκαν από τη δραστηριότητα χιονοστιβάδων,
αποκλείοντας εκείνες που επηρεάστηκαν από άλλες γεωμορφολογικές διεργασίες, όπως ροές
θραυσμάτων ή καταπτώσεις βράχων. Διαπιστώθηκε ότι τα ιστορικά αρχεία και οι δακτύλιοι δέντρων
υποεκτιμούν την εμφάνιση ετών με φυσική δραστηριότητα χιονοστιβάδων λόγω παραγόντων όπως η
καταστροφή δέντρων από παλαιότερες χιονοστιβάδες, η δυσκολία εντοπισμού παλαιών ουλών στους
δακτυλίους δέντρων και οι οικολογικές επιπτώσεις των χιονοστιβάδων στη δασική βλάστηση.
Οι παράγοντες που επηρεάζουν την ακρίβεια των δενδρογεωμορφολογικών προσεγγίσεων
περιλαμβάνουν αλλαγές στην τοπογραφία της επιφάνειας ολίσθησης της χιονοστιβάδας, το μέγεθος
των δέντρων και την ανακριβή αναφορά της θέσης στις τεχνικές εκθέσεις. Οι ζημιές από χιονοστιβάδες
στα κωνοφόρα επηρεάζονται από το μέγεθος των δέντρων, με τα νεαρά και εύκαμπτα δέντρα να
παρουσιάζουν λιγότερες διαταραχές. Η ανακριβής αναφορά των θέσεων των χιονοστιβάδων μπορεί να
οδηγήσει σε σύγχυση των αποστάσεων αποστράγγισης.
Η καταγραφή των θέσεων χιονοστιβάδων έχει προτεραιότητα για την ασφάλεια των επαγγελματιών
του βουνού και συχνά γίνεται από απόσταση ή από σημεία παρατήρησης και όχι επί τόπου. Οι
χιονοστιβάδες προκαλούν διαταραχές του εδάφους στα δέντρα, συμπεριλαμβανομένων τραυματισμών,
ιστών κάλου, αγωγών ρητίνης, ξύλου αντίδρασης και αλλαγών στην ανάπτυξη. Κατασκευάστηκαν
τοπικές χρονολογίες αναφοράς για κάθε διαδρομή χιονοστιβάδας, διασταυρώνοντας τις εδαφικές
διαταραχές που εντοπίστηκαν στις σειρές δακτυλίων δέντρων. Η μελέτη χρησιμοποίησε ένα
μεγαλύτερο μέγεθος δείγματος 20-30 αδιατάρακτων δέντρων ερυθρελάτης, λαμβάνοντας υπόψη την
κανονική ανάπτυξη και την απουσία ενδείξεων γεωμορφολογικών διεργασιών. Οι δακτύλιοι τωνδέντρων καταμετρήθηκαν και μετρήθηκαν με τη χρήση ψηφιακής συσκευής μέτρησης LINTAB
συνδεδεμένης με στερεομικροσκόπιο Leica και το λογισμικό TSAP-WIN. Η συσχέτιση μεταξύ των
σειρών πλάτους δακτυλίων των μεμονωμένων διαταραγμένων δέντρων και της χρονολογίας αναφοράς
αξιολογήθηκε με τη χρήση του προγράμματος COFECHA.

'''<h2> Χρήση δορυφορικών εικόνων και του λογισμικού RAMMS </h2>'''

Στόχος της μελέτης ήταν η χαρτογράφηση χιονοστιβάδων με τη χρήση δορυφορικών εικόνων υψηλής
ανάλυσης (GeoEye-1) και μιας αεροφωτογραφίας που ελήφθη από UAV. Η σκηνή του GeoEye-1 είχε
τέσσερις πολυφασματικές ζώνες και χωρική ανάλυση 2 m, ενώ η εικόνα του UAV κάλυπτε 40,8 km2
με χωρική ανάλυση 0,5 m. Και οι δύο εικόνες ήταν απαλλαγμένες από σύννεφα και
ορθοφωτογραφημένες. Η οπτική ανάλυση χρησιμοποιήθηκε για τον εντοπισμό χιονοστιβάδων τόσο
στις δορυφορικές εικόνες όσο και στις ορθοφωτογραφίες, με την παγχρωματική ζώνη και την κοντινή
υπέρυθρη ζώνη ψευδοχρωμάτων να βοηθούν στον εντοπισμό των ζωνών συντριμμιών.
Πραγματοποιήθηκαν προσομοιώσεις χιονοστιβάδων με τη χρήση του λογισμικού Rapid Mass
Movements (RAMMS) για να εκτιμηθεί ο αντίκτυπός τους στον αυτοκινητόδρομο Transfăgărăşn. Οι
προσομοιώσεις έλαβαν υπόψη διάφορες παραμέτρους του εδάφους, συμπεριλαμβανομένης της κλίσης,
της όψης, του υψομέτρου και της καμπυλότητας. Η μελέτη ενσωμάτωσε επίσης δεδομένα από
προσωπικές παρατηρήσεις, μετεωρολογικούς σταθμούς και ιστορικά αρχεία για να ενισχύσει την
κατανόηση. Οι τύποι εδάφους ταξινομήθηκαν και χρησιμοποιήθηκαν περίοδοι επαναφοράς 10 και 30
ετών για προσομοιώσεις χιονοστιβάδων μικρού και μεσαίου μεγέθους, λαμβάνοντας υπόψη
παράγοντες όπως οι ζώνες εκκίνησης, η συχνότητα πρόσκρουσης, η πίεση και το πάχος της
χιονοκάλυψης.

'''<h2> Κλιματική Ανάλυση </h2>'''

Η μελέτη αξιολόγησε τη μέση χειμερινή θερμοκρασία του αέρα, τις χειμερινές βροχοπτώσεις και το
βάθος του χιονιού σε μια περίοδο 33 ετών (1979-2020) για να αναλύσει τη χρονολογία των
χιονοστιβάδων κατά τη διάρκεια των χειμώνων από το 1979-1980 έως το 2011-2020.
Χρησιμοποιήθηκαν μετεωρολογικά δεδομένα από τον μετεωρολογικό σταθμό της λίμνης Bâlea (που
βρίσκεται σε υψόμετρο 2044 m, 45° 36′ N, 24° 37′ E) μεταξύ 1ης Νοεμβρίου και 31ης Μαΐου. Η
ταξινόμηση της ταχύτητας του ανέμου βασίστηκε στον δείκτη ανέμου Gabl (1988),
κατηγοριοποιώντας τις ταχύτητες ως 0 m/s για ηρεμία, 1-3 m/s για ελαφρούς ανέμους, 4-8 m/s για
μέτριους ανέμους, 9-17 m/s για ισχυρούς ανέμους και >17 m/s για συνθήκες καταιγίδας.

'''<h2> Επίπεδο επικινδυνότητας χιονοστιβάδας</h2>'''

Η μελέτη επικεντρώθηκε στην αξιολόγηση του κινδύνου χιονοστιβάδων στα όρη Făgăraș
χρησιμοποιώντας ένα υπολογισμένο επίπεδο κινδύνου χιονοστιβάδων (Havalanche). Η εξίσωση που
χρησιμοποιήθηκε για τον υπολογισμό ενσωμάτωσε κλιματικούς δείκτες από τον μετεωρολογικό
σταθμό της λίμνης Bâlea. Οι παράγοντες που λήφθηκαν υπόψη ήταν η κλίση (Sr), η βροχόπτωση για
τους χειμερινούς μήνες (Tpw), η θερμοκρασία (Tt) και ένας παράγοντας μέσης θερμοκρασίας (F). Ο
παράγοντας Sr προέκυψε από δεδομένα της αποστολής ραντάρ τοπογραφίας Shuttle Radar Topography
Mission (SRTM), ενώ οι Tpw και Tt ελήφθησαν από μετεωρολογικούς σταθμούς σε διαφορετικά
υψόμετρα. Για τον χάρτη επικινδυνότητας χιονοστιβάδων στον παγετώδη τομέα Bâlea-Capra λήφθηκαν υπόψη
παράγοντες όπως η κλίση, η φυτοκάλυψη και η καμπυλότητα του εδάφους. Η κλίση ταξινομήθηκε με
βάση την επίδρασή της στο σχηματισμό χιονοστιβάδων, με τα δάση να σταθεροποιούν τα στρώματα
χιονιού. Η καμπυλότητα του εδάφους επηρέασε τη συσσώρευση του χιονιού, με τις κοίλες περιοχές να
έχουν περισσότερο χιόνι και τις κυρτές περιοχές να έχουν λεπτότερα στρώματα. Το ArcGIS 10.4 και η
πολυκριτηριακή ανάλυση χρησιμοποιήθηκαν για τη δημιουργία ενός χάρτη επικινδυνότητας
χιονοστιβάδων με τέσσερα επίπεδα: χαμηλό, μέτριο, υψηλό και πολύ υψηλό.
Η μελέτη χρησιμοποίησε το καναδικό σύστημα ταξινόμησης μεγέθους χιονοστιβάδων για την
αξιολόγηση των πιθανών επιπτώσεων στους ανθρώπους, τα κτίρια, τις διαδρομές μεταφοράς και τα
δάση. Οι θεματικοί χάρτες της κλίσης, της καμπυλότητας και της φυτοκάλυψης συνδυάστηκαν για να
δημιουργηθεί ένας ολοκληρωμένος χάρτης κινδύνου χιονοστιβάδων, λαμβάνοντας υπόψη πολλαπλά
κριτήρια.

'''<h2> Ορισμός χρησιμοποιούμενων όρων </h2>'''

Η μελέτη χρησιμοποίησε συγκεκριμένους όρους για την κατηγοριοποίηση των τουριστών που
εμπλέκονται σε περιστατικά χιονοστιβάδων και για τον εντοπισμό των θέσεων εμφάνισης
χιονοστιβάδων. Χρησιμοποιήθηκαν δύο κύριες κατηγορίες,: ελεγχόμενο έδαφος και μη ελεγχόμενο
έδαφος. Το ελεγχόμενο έδαφος περιελάμβανε περιοχές όπως δρόμοι, σιδηροδρομικές γραμμές, πίστες
σκι και υπογεγραμμένα χειμερινά μονοπάτια που διαχειρίζονται ενεργά για χειμερινές δραστηριότητες.
Στα βουνά Făgăraș, αυτό περιλαμβάνει άτομα που ασχολούνται με τη συντήρηση του
αυτοκινητόδρομου Transfăgărășan (TRH), επαγγελματικές ομάδες διάσωσης και μέλη ομάδων
εξόρυξης ή μετεωρολογίας. Το μη ελεγχόμενο έδαφος, από την άλλη πλευρά, κάλυπτε δραστηριότητες
αναψυχής όπως το σκι σε ορεινές περιοχές, το snowboard, το σκι εκτός πίστας, την πεζοπορία, την
ορειβασία, την πεζοπορία με χιονοπέδιλα και την αναρρίχηση. Οι σκιέρ backcountry προσδιορίστηκαν
ως εκείνοι που χρησιμοποιούν μη σηματοδοτημένες πίστες σκι σε αλπικές ζώνες, μακριά από
ελεγχόμενες περιοχές σκι, όπου οι κίνδυνοι χιονοστιβάδων δεν αντιμετωπίζονται ενεργά από
επαγγελματικές ομάδες. Αυτή η ομάδα μπορεί επίσης να χρησιμοποιεί μη διαμορφωμένες και μη
ελεγχόμενες πίστες κοντά σε χιονοδρομικές περιοχές, τελεφερίκ και αναβατήρες, καθώς και να
συμμετέχει σε σύντομες πεζοπορίες με σκι για να φτάσει σε κορυφές βουνών.

'''<h1> Αποτελέσματα </h1>'''

'''<h2> Περίοδοι τουριστικής ανάπτυξης στα βουνά Fagaras</h2> '''

Η εξέλιξη του τουρισμού στα όρη Făgăraș εκτείνεται σε ιστορικές φάσεις. Η SKV, μια κομβική ορεινή
ένωση από τα τέλη του 19ου αιώνα, συνεργάστηκε με τη Γερμανοαυστριακή Αλπική Ένωση,
δημιουργώντας σαλέ και μονοπάτια πεζοπορίας. Μετά τον Δεύτερο Παγκόσμιο Πόλεμο, η
κομμουνιστική κυριαρχία οδήγησε στην εθνικοποίηση, και στη δεκαετία του 1970 κατασκευάστηκαν
ένα TRH και ένα τελεφερίκ. Μετά το 1989, η οικονομική μετάβαση έφερε νομοθετικές αλλαγές. Οι
ιδιωτικές πρωτοβουλίες από το 2000 έως το 2010 αναζωογόνησαν τον τουρισμό,
συμπεριλαμβανομένων των αλπικών καταφυγίων και των χειμερινών δραστηριοτήτων. Από το 2010
έως το 2020, κατασκευάστηκαν περισσότερα καταφύγια και δόθηκε έμφαση στον χειμερινό τουρισμό.

'''<h2> Κλιματικές παράμετροι που σχετίζονται με την εμφάνιση ατυχημάτων χιονοστιβάδων</h2> '''

Η μέση ετήσια θερμοκρασία αέρα (MAAT) στον μετεωρολογικό σταθμό Bâlea (WS) ήταν 0,7 °C. Τα
θερμότερα έτη (2009, 2014, 2018, 2020) είχαν MAAT κατά τη διάρκεια της περιόδου χιονιού που
κυμαίνονταν από 1 °C έως 3,2 °C. Τα ψυχρότερα έτη (1995, 1980, 1997) είχαν MAAT κατά τη
διάρκεια της περιόδου χιονιού από 4,4 °C έως 4,9 °C. Η MAAT αυξήθηκε από 0,1 °C (1979-1999) σε
1,4 °C (2000-2020), με αντίστοιχη αύξηση της θερμοκρασίας της περιόδου χιονιού. Το μέσο βάθος
χιονιού ήταν 113,8 cm κατά τη διάρκεια της περιόδου παρατήρησης, με υψηλότερες τιμές τον
Φεβρουάριο (174,2 cm), τον Μάρτιο (173,9 cm) και τον Απρίλιο (165,4 cm). Στον παγετώδη τομέα
Bâlea-Capra σημειώθηκαν 28 ατυχήματα χιονοστιβάδων (1979-2020), στα οποία ενεπλάκησαν 67
άτομα με 20 θανάτους. Τα περισσότερα ατυχήματα συνέβησαν μετά το 2004 και συνέπεσαν με έντονες
χιονοπτώσεις, πυκνά στρώματα χιονιού, άνοδο της θερμοκρασίας και επικράτηση βορείων ανέμων.

'''<h2> Επίπεδο επικινδυνότητας χιονοστιβάδας </h2> '''

Ο κεντρικός παγετώδης τομέας, που χαρακτηρίζεται από μεγάλο υψόμετρο και απότομες πλαγιές,
παρουσιάζει υψηλή τιμή Havalanche, ενώ ο δυτικός και ο ανατολικός παγετώδης τομέας έχουν μέτριες
έως υψηλές τιμές. Ο χάρτης επικινδυνότητας χιονοστιβάδων του παγετώδους τομέα Bâlea-Capra, της
μεγαλύτερης κληρονομημένης παγετώδους περιοχής στα όρη Făgăraș, εμφανίζει τέσσερις κατηγορίες:
χαμηλή, μέτρια, υψηλή και πολύ υψηλή. Αυτός ο τομέας, πλούσιος σε τουριστικές υποδομές,
προσελκύει ορειβάτες, λάτρεις του βουνού και σκιέρ εκτός πίστας. Οι περιοχές υψηλής και πολύ
υψηλής επικινδυνότητας εντοπίζονται σε απότομες πλαγιές και κοίλες περιοχές χωρίς δάση,
καλύπτοντας εκτεταμένες περιοχές σε κοιλάδες και παγετώδεις κύκλους. Μέτριοι κίνδυνοι υπάρχουν
σε χαμηλότερες πλαγιές με κάποιους παράγοντες πυροδότησης, όπως μέτριες πλαγιές και δασώδεις
περιοχές, καλύπτοντας μικρότερες περιοχές. Οι περιοχές χαμηλής επικινδυνότητας περιλαμβάνουν τον
πυθμένα των παγετωδών κοιλάδων, τα δάπεδα των παγετωδών κύκλων και τις επίπεδες επιφάνειες,
όπου δεν υπάρχουν παράγοντες πυροδότησης, καλύπτοντας τις μικρότερες επιφάνειες στις περιοχές
που μελετήθηκαν.

'''Havalanche = (0⋅4 ×Sr + 0⋅4 × Tpw + 0⋅2 × Tt) × F'''

''' <h2> Εξέλιξη της επικινδυνότητας χιονοστιβάδων </h2>'''

Η ανάπτυξη του τουρισμού στα βουνά Făgăraș, που οφείλεται στην ελκυστικότητα του βουνού, στα
έργα και στην αύξηση των καταλυμάτων, προσέλκυσε μια πιστή αλλά και ευάλωτη πελατεία με
έμφαση στο σκι εκτός πίστας και στο σκι περιήγησης. Κατά την περίοδο του Βασιλείου, με
περιορισμένο τουρισμό, σημειώθηκαν μόνο τρεις χιονοστιβάδες. Κατά την κομμουνιστική εποχή, 25
χιονοστιβάδες (24,3% του συνόλου) οδήγησαν σε 62,1% θανάτους και 22% τραυματισμούς, κυρίως
στον παγετώδη τομέα Bâlea-Capra, με αποτέλεσμα θανάτους και καταρρεύσεις τουριστικών
υποδομών. Μετακομμουνιστικά, 75 χιονοστιβάδες (72,8% του συνόλου) προκάλεσαν 35% θανάτους
και 77,4% τραυματισμούς, με το 47% να συμβαίνει την τελευταία δεκαετία. Τα μέτρα μετριασμού και
τα αποτελεσματικά συστήματα αντιμετώπισης μείωσαν τους θανάτους. Ο αντίκτυπος στο τοπίο της
παγετώδους περιοχής Bâlea αναδεικνύεται σε καρτ ποστάλ και φωτογραφίες, που παρουσιάζονται σε
μια περίληψη της εξέλιξης του κινδύνου χιονοστιβάδων από το 1880 έως το 2020.

'''<h2> Eπιπτώσεις των χιονοστιβάδων στις υποδομές και τους ανθρώπους</h2>'''

Στα βουνά Făgăraș υπάρχουν 13 σαλέ, 16 αλπικά καταφύγια και 5 γραφεία MRPS για τουριστικά
καταλύματα. Η μεγαλύτερη συχνότητα χιονοστιβάδων παρατηρείται στον παγετώδη τομέα Bâlea-
Capra και στον ανατολικό παγετώδη τομέα στην παγετώδη κοιλάδα Sâmbăta, επηρεάζοντας τόσο τις
ιστορικές όσο και τις πρόσφατες τουριστικές υποδομές. Ο αυτοκινητόδρομος Transfăgărășan (TRH),
που αρχικά κατασκευάστηκε για στρατηγικούς λόγους, έχει γίνει ένας ζωτικός τουριστικός και
επικοινωνιακός άξονας, αντιμετωπίζοντας πολλαπλές απειλές από χιονοστιβάδες, επηρεάζοντας την
οδική προσβασιμότητα, τους κατοίκους, τα αγαθά, τις υπηρεσίες και την τουριστική βιομηχανία.
Ένα χρονολόγιο 140 ετών (1880-2020) των συμβάντων χιονοστιβάδων αποκαλύπτει ότι τα ατυχήματα
που σχετίζονται με χιονοστιβάδες με ανθρώπους στα βουνά Făgăraș άρχισαν να καταγράφονται το
1928. Από το 1968, το MRPS άρχισε να καταγράφει τις ανθρώπινες απώλειες και από τη χειμερινή
περίοδο 2004-2005, ο μετεωρολογικός σταθμός Bâlea (Bâlea WNS) καταγράφει όλα τα ατυχήματα με
χιονοστιβάδες. Μεταξύ 1928 και 2020, καταγράφηκαν 101 ατυχήματα χιονοστιβάδων στα οποία
ενεπλάκησαν 271 άτομα, με αποτέλεσμα 103 θανάτους και 168 ταφές/τραυματισμούς. Ο αντίκτυπος
στις υποδομές και τους ανθρώπους ποικίλλει με την πάροδο του χρόνου, με περιόδους με διακυμάνσεις
στα περιστατικά χιονοστιβάδων.

'''<h2> Έτη με χιονοστιβάδες που εντοπίστηκαν με τη χρήση της δενδρογεωμορφολογικής προσέγγιση </h2>'''

Χρησιμοποιώντας τη δενδρογεωμορφολογία, 96 έτη χιονοστιβάδων (68,5% του συνόλου)
εντοπίστηκαν από το 1880 έως το 2020, με μέσο όρο 1,5 χιονοστιβάδες ανά έτος. Αυτές
περιελάμβαναν 203 χιονοστιβάδες μικρού μεγέθους, 55 χιονοστιβάδες μεσαίου μεγέθους και 38
χιονοστιβάδες μεγάλου μεγέθους. Η κατανομή κατά ιστορικές περιόδους αποκάλυψε 45 έτη
χιονοστιβάδων στο Βασίλειο της Ρουμανίας (46,9% του συνόλου), 31 έτη χιονοστιβάδων στην
κομμουνιστική περίοδο (32,3% του συνόλου) και 20 έτη χιονοστιβάδων στη μετακομμουνιστική
περίοδο (20,8% του συνόλου). Κατά την περίοδο από την ίδρυσή του, ο Μετεωρολογικός Σταθμός
Bâlea (Bâlea WNS), βασικός ενδιαφερόμενος για τη διαχείριση του κινδύνου χιονοστιβάδων,
κατέγραψε 15 ατυχήματα χιονοστιβάδων στα οποία ενεπλάκησαν άνθρωποι, τα οποία επικυρώθηκαν
από τις στατιστικές της Ορεινής Διάσωσης και Δημόσιας Ασφάλειας (MRPS).

'''<h2>Επιπτώσεις των χιονοστιβάδων στις υποδομές</h2>'''

Πριν από τον Δεύτερο Παγκόσμιο Πόλεμο, η ανάπτυξη της τουριστικής υποδομής στα ρουμανικά
Καρπάθια περιελάμβανε την κατασκευή σαλέ, αλπικών καταφυγίων, σηματοδοτημένων μονοπατιών
και την εκπαίδευση οδηγών βουνού και διασωστών. Κατά τη μετακομμουνιστική περίοδο αυξήθηκε ο
χειμερινός τουρισμός στα βουνά Făgăraș, προσελκύοντας περισσότερους τουρίστες σε περιοχές που
είναι επιρρεπείς σε χιονοστιβάδες, αυξάνοντας την έκθεση και τον κίνδυνο. Ενώ τα κτίρια βρίσκονται
γενικά εκτός των διαδρομών χιονοστιβάδων, ορισμένα επηρεάστηκαν, ιδίως κατά την κομμουνιστική
περίοδο, όταν τα μέτρα προστασίας ήταν λιγότερο οργανωμένα. Η πρόσφατη απρογραμμάτιστη
κατασκευή στο παγετώδες κύκλωμα Bâlea έχει αυξήσει την ευπάθεια, απαιτώντας εκκρεμή μόνιμα
μέτρα προστασίας. Οι στρατηγικές περιλαμβάνουν διαρθρωτικές άμυνες, οικονομικές επενδύσεις και
πιθανή μετεγκατάσταση των απειλούμενων υποδομών. Ο μετριασμός του κινδύνου χιονοστιβάδων
στον αυτοκινητόδρομο Transfăgărășan περιλαμβάνει αποθήκες χιονιού, αναχώματα εκτροπής και
τεχνητές απελευθερώσεις, με προσωρινό κλείσιμο κατά τη διάρκεια του χειμώνα. Ο αντίκτυπος των
χιονοστιβάδων στα κτίρια επηρεάζεται από τα υλικά κατασκευής και ο κίνδυνος παραμένει υψηλός
λόγω της έκθεσης. Η διαχείριση του κινδύνου χιονοστιβάδων περιλαμβάνει μέτρα ασφαλείας, αν και
εξακολουθούν να υπάρχουν προκλήσεις στην προστασία ορισμένων τομέων λόγω κόστους και
τεχνικών δυσκολιών. Το προσωρινό κλείσιμο αυτοκινητοδρόμων και η τεχνητή απελευθέρωση
χιονοστιβάδων αποτελούν συνήθεις πρακτικές, με τον αυτοκινητόδρομο Transfăgărășan να είναι
κλειστός κατά τη διάρκεια του χειμώνα, και την εφαρμογή του συστήματος RO-ALERT για
προειδοποιήσεις χιονοστιβάδων.

'''<h2> Επιπτώσεις των χιονοστιβάδων στους ανθρώπους</h2>'''

Στα όρη Făgăraș, τα ατυχήματα χιονοστιβάδων με θανάτους και τραυματισμούς είναι καλά
τεκμηριωμένα. Μεταξύ 1928 και 2020, 271 ανθρώπινα θύματα ενεπλάκησαν σε χιονοστιβάδες, με την
πλειονότητα να συμβαίνει σε ανεξέλεγκτο έδαφος (backcountry και εκτός χιονοδρομικών πίστες). Από
τα θανατηφόρα περιστατικά, το 80,5% συνέβη σε μη ελεγχόμενο έδαφος, ενώ σε ελεγχόμενο έδαφος η
συχνότητα εμφάνισης ήταν μικρότερη. Ο αριθμός των ταφών/τραυματισμών αυξήθηκε σε μη
ελεγχόμενο έδαφος, πιθανώς λόγω των αυξημένων τουριστικών δραστηριοτήτων, της εμπιστοσύνης
στις υπηρεσίες διάσωσης και του προσωπικού εξοπλισμού. Περίπου το 90% των χιονοστιβάδων με
θύματα εκτιμάται ότι προκαλούνται από τα ίδια τα θύματα, τα οποία συχνά αναζητούν περιπέτεια σε
απομακρυσμένα και ελκυστικά μέρη. Οι αιτίες περιλαμβάνουν ανεπαρκείς πληροφορίες σχετικά με το
έδαφος και τις καιρικές συνθήκες, κακές επιλογές διαδρομών, διέλευση από εκτεθειμένα ίχνη
χιονοστιβάδων και έλλειψη στρατηγικών πρόληψης μέχρι τα μέσα της δεκαετίας του 2000. Η
δημιουργία του μετεωρολογικού σταθμού της Bâlea και η έκδοση επιπέδων κινδύνου ακολούθησε τα
τραγικά ατυχήματα χιονοστιβάδων, ενισχύοντας την ευαισθητοποίηση σε θέματα κινδύνου και τις
προσπάθειες μετριασμού.

'''<h2>Κίνδυνος και ρίσκο χιονοστιβάδας</h2>'''

Η επικινδυνότητα και ο κίνδυνος χιονοστιβάδων στα όρη Făgăraș αξιολογούνται με βάση την
πιθανότητα και το μέγεθος, με τον κίνδυνο να αναφέρεται στην έκθεση των ανθρώπων ή των
τουριστικών υποδομών. Η χωροχρονική εξέλιξη του κινδύνου χιονοστιβάδων εξαρτάται από την
επικινδυνότητα και την τρωτότητα, ελέγχοντας την έκταση των απωλειών και της έκθεσης. Οι
ιστορικές καταγραφές χιονοστιβάδων, ιδίως τα τελευταία 20 χρόνια, έχουν γίνει πιο ακριβείς λόγω των
βελτιωμένων τεχνικών μετακίνησης και διάσωσης, ιδίως από τις διαδικασίες πρόβλεψης του
μετεωρολογικού σταθμού της Bâlea (WNS). Η κλιματική αλλαγή, που χαρακτηρίζεται από αύξηση της
θερμοκρασίας από τα μέσα του 19ου αιώνα και εντάθηκε μετά το 1985, έχει αυξήσει την ένταση των
χιονοστιβάδων στις Ευρωπαϊκές Άλπεις. Στα όρη Făgăraș, παρά την καλύτερη διαχείριση των
χιονοστιβάδων, ο κίνδυνος παρέμεινε υψηλός κατά τη διάρκεια της κομμουνιστικής και
μετακομμουνιστικής περιόδου, χωρίς τάση μείωσης. Τα Νότια Καρπάθια έχουν υποστεί χωρικά
ανομοιογενή αύξηση της θερμοκρασίας, με αλλαγές στο ύψος της δασικής γραμμής και στη σύνθεση
των δασών. Η δενδρογεωμορφολογική ανάλυση ανέδειξε υψηλή συχνότητα χιονοστιβάδων στα μέσα
της δεκαετίας του 1980, σε συμφωνία με πρόσφατες μελέτες που σημειώνουν αυξημένη συχνότητα
χιονοστιβάδων στα ψηλά βουνά λόγω της υπερθέρμανσης του πλανήτη. Οι ορεινές υποδομές
αναμένεται να είναι όλο και περισσότερο εκτεθειμένες σε χιονοστιβάδες στο μέλλον.

[[Αρχείο:Paper3-fig2.png|thumb|right]]

'''<h2> Δενδρογεωμορφική ανακατασκευή παλαιότερων χιονοστιβάδων</h2>'''

Οι δενδρογεωμορφολογικές ανακατασκευές, σε σύγκριση με τις καταγραφές της Μονάδας Ορεινής
Διάσωσης και Έρευνας της Bâlea (MRPS) και του Μετεωρολογικού Σταθμού της Bâlea (WNS),
υποδηλώνουν υποεκτίμηση των ετών με φυσική δραστηριότητα χιονοστιβάδων. Στον παγετώδη τομέα
Bâlea-Capra (που καλύπτεται από το Bâlea MRPS από το 1968 έως το 2020 και το Bâlea WNS από το
2004 έως το 2020), η προσέγγιση ανακατασκεύασε 24 από τα 65 (36,9%) καταγεγραμμένα έτη. Σε
ολόκληρη την οροσειρά Făgăraș για 140 χειμώνες, ανακατασκευάστηκαν 96 (68,5%). Τα
αποτελέσματα ευθυγραμμίζονται με τα ευρήματα στις Γαλλικές Άλπεις, αλλά είναι μικρότερα από
εκείνα που αναφέρθηκαν στον ορεινό όγκο Queyras (Γαλλικές Άλπεις) και στο Reiselehnrinne (Τιρόλο,
Αυστρία). Η δενδρογεωμορφολογική προσέγγιση προσέθεσε στην υπάρχουσα χρονολογία 19 έτη
χιονοστιβάδων που δεν είχαν καταγραφεί προηγουμένως.

'''<h1>Συμπεράσματα</h1>'''

Η μελέτη αυτή εξετάζει δύο βασικά ερωτήματα: (i) τη χρονική διακύμανση του κινδύνου με βάση τη
δραστηριότητα χιονοστιβάδων και (ii) την αξιοπιστία των συμπληρωματικών, στατιστικών και
δενδρογεωμορφολογικών προσεγγίσεων στην ανάλυση της δραστηριότητας χιονοστιβάδων. Τα
ευρήματα αποκαλύπτουν αυξημένη ανθρώπινη παρουσία και αύξηση των ατυχημάτων από
χιονοστιβάδες στα βουνά Făgăraș. Η δραστηριότητα των χιονοστιβάδων συσχετίζεται με
κοινωνικοοικονομικούς παράγοντες, τονίζοντας τη σημασία της συνεκτίμησης της τουριστικής
υποδομής, των ροών και της μεταφορικής δραστηριότητας κατά την εκτίμηση του κινδύνου
χιονοστιβάδων. Εντοπίζονται διάφορες ιστορικές περίοδοι, παρουσιάζοντας την εξέλιξη και τον
αντίκτυπο του τουρισμού. Κατά τη διάρκεια του Βασιλείου της Ρουμανίας, συνέβησαν λιγότερα
ατυχήματα λόγω της περιορισμένης υποδομής και του αριθμού των τουριστών. Κατά την
κομμουνιστική περίοδο σημειώθηκαν τραγικά ατυχήματα και ζημιές, ενώ κατά τη μετακομμουνιστική
εποχή αυξήθηκε ο τουρισμός και τα μέτρα ασφαλείας, αλλά καταγράφηκαν σημαντικά θύματα. Ο
συνδυασμός των καταγραφών MRPS και Bâlea WNS με τα δεδομένα των δακτυλίων των δέντρων
αποδεικνύεται αξιόπιστη μέθοδος για την παρακολούθηση της δραστηριότητας των χιονοστιβάδων σε
διάστημα 140 ετών, αν και η δενδροχρονολογία μπορεί να υποεκτιμά τις συχνότητες. Η υπερθέρμανση
του πλανήτη επηρεάζει τη δραστηριότητα των χιονοστιβάδων μειώνοντας το πάχος του χιονιού κάτω
από ορισμένα υψόμετρα. Αναμένεται μελλοντική εξέλιξη του κινδύνου λόγω της επέκτασης του
ορεινού τουρισμού, τονίζοντας την ανάγκη για μια ολοκληρωμένη προσέγγιση στην οποία θα
συμμετέχουν γεωγράφοι, μετεωρολόγοι, δασολόγοι μηχανικοί και σχεδιαστές χρήσεων γης.
Συνιστώνται η χαρτογράφηση της επικινδυνότητας και τα κριτήρια οριοθέτησης, καθώς και
στοχευμένες προσπάθειες εκπαίδευσης για τις βασικές ομάδες που εμπλέκονται σε τουριστικές
περιοχές που είναι επιρρεπείς σε χιονοστιβάδες.

[[category:Χιονοστιβάδες]][[Κατηγορία:Διαχείριση_κινδύνων]]

Αρχείο:Paper3-fig2.png

2024-02-20T17:12:19Z

Ichristinakis:

Αρχείο:Paper3-fig1.png

2024-02-20T17:11:49Z

Ichristinakis:

Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης εικονας..

2024-02-20T17:09:42Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης εικονας (Μελέτη Περίπτωσης: Δάση Περιοχής Χιράν)

'''Τίτλος'''

Investigating the impact of Deforestation on Microclimate and increasing the Risk of Heat Stress using Satellite Image Processing (Case Study: Forests of Hiran Area)

'''Πηγή'''

[https://isprs-annals.copernicus.org/articles/X-4-W1-2022/315/2023/isprs-annals-X-4-W1-2022-315-2023.pdf Copernicus]

[https://doi.org/10.5194/isprs-annals-X-4-W1-2022-315-2023 doi]

'''Συγγραφείς'''

FJ. Jafarzadeh, A.A. Kakroodi, Y. Erfanifard

'''<h1> Εισαγωγή </h1>'''

H μελέτη εξετάζει τη σημασία των δασών στη διατήρηση της περιβαλλοντικής ισορροπίας με την
απορρόφηση του διοξειδίου του άνθρακα και την παραγωγή οξυγόνου. Η αποψίλωση των δασών
προσδιορίζεται ως μια σημαντική αιτία μείωσης της βιοποικιλότητας, των εκπομπών διοξειδίου του
άνθρακα και των δυσμενών επιπτώσεων, όπως η κλιματική αλλαγή και η απώλεια οικοτόπων. Τα
δεδομένα τηλεπισκόπησης, ιδίως οι δορυφορικές εικόνες, έχουν χρησιμοποιηθεί ευρέως για την
παρακολούθηση των αλλαγών στις χρήσεις γης, συμπεριλαμβανομένης της αποψίλωσης των δασών. Η
μελέτη επικεντρώνεται στα βόρεια δάση του Ιράν, κατά την περίοδο από το 1984 έως το 2021,
τονίζοντας την υψηλή αξία τους και τις προκλήσεις που αντιμετωπίζουν λόγω της μετατροπής τους για
διάφορους λόγους. Γίνεται αναφορά σε προηγούμενες έρευνες, καταδεικνύοντας τον παγκόσμιο
αντίκτυπο της αποψίλωσης των δασών στις ανωμαλίες της θερμοκρασίας και στις κλιματικές
συνέπειες. Με χρήση επεξεργασίας δορυφορικών εικόνων Landsat για την αξιολόγηση της
επιφανειακής θερμοκρασίας και της πυκνότητας των δέντρων στα δάση Hiran, που βρίσκονται στα
σύνορα των επαρχιών Gilan και Ardabil και της Δημοκρατίας του Αζερμπαϊτζάν. Απώτερος στόχος
είναι η διερεύνηση της συσχέτισης μεταξύ της αποψίλωσης των δασών, της καταστροφής των δέντρων
και της θερμικής καταπόνησης στην περιοχή. Ο αντίκτυπος αυτής της αποψίλωσης των δασών στο
μικροκλίμα αξιολογήθηκε με τη σύγκριση των διακυμάνσεων της θερμοκρασίας μεταξύ της υπό
μελέτη περιοχής και μιας περιοχής ελέγχου.

'''<h1> Περιοχή Μελέτης </h1>'''

Η έρευνα επικεντρώνεται σε μια έκταση 47.590 εκταρίων που βρίσκεται στο βόρειο τμήμα της
Ισλαμικής Δημοκρατίας του Ιράν και εκτείνεται στις επαρχίες Gilan και Ardabil. Η περιοχή αυτή, που
συνορεύει με τη Δημοκρατία του Αζερμπαϊτζάν, αποτελεί μέρος των δασών του Ιράν της Υρκανίας,
που βρίσκονται μεταξύ 48,33 έως 48,50 μοίρες ανατολικού γεωγραφικού μήκους και 38,23 έως 38,26
μοίρες βόρειου γεωγραφικού πλάτους. Τα δάση του Ιράν, συνολικής έκτασης 3.400.000 εκταρίων,
καλύπτουν κυρίως τις βόρειες πλαγιές των βουνών Alborz και τις παράκτιες επαρχίες της Κασπίας
Θάλασσας. Τα υπόλοιπα τρία εκατομμύρια εκτάρια διάσπαρτων δασών βρίσκονται σε άλλα μέρη της
χώρας.

'''<h1> Δεδομένα και Μεθοδολογία </h1>'''

'''<h2> Δεδομένα και Εργαλεία Λογισμικού </h2>'''

Η έρευνα χρησιμοποιεί δεδομένα Landsat 4, 5 και 8 από τα έτη 1984, 1994, 2005, 2014 και 2021, μαζί
με μια ταξινομημένη εικόνα χρήσης γης από τον δορυφόρο Sentinel 2. Τα εργαλεία λογισμικού που
χρησιμοποιήθηκαν περιλαμβάνουν το ArcGIS έκδοση 8.10 και το ENVI έκδοση 5.3 για την
επεξεργασία των δορυφορικών εικόνων και το λογισμικό προγραμματισμού RStudio για τη στατιστική
ανάλυση.

'''<h2> Normalized Difference Vegetation Index (NDVI)</h2>'''

O δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI) είναι ένα απλό γραφικός δείκτης που
χρησιμοποιείται στην τηλεπισκοπική ανάλυση και μετρήσεις για την αξιολόγηση της παρουσίας ή της
απουσίας βλάστησης σε μιας περιοχή. Το εύρος των μεταβολών αυτού του δείκτη κυμαίνεται μεταξύ
+1 και -1.

'''<h2> Land Surface Temperature (LST)</h2>'''

Κάθε αντικείμενο που έχει θερμοκρασία μεγαλύτερη από μηδέν βαθμούς Kelvin εκπέμπει θερμική
ακτινοβολία και η ενέργεια αυτή εκπέμπεται από αντικείμενα ή την επιφάνεια της γης. Στην παρούσα
μελέτη η LST υπολογίζεται με τη μέθοδο ενός καναλιού.
Το "Shapiro-Wilk" test χρησιμοποιείται ως τεστ προσαρμογής της κανονικής κατανομής για να
προσδιοριστεί εάν τα δεδομένα ακολουθούν ή όχι κανονική κατανομή, με απόρριψη της μηδενικής
υπόθεσης εάν η τιμή P είναι μικρότερη από 0,05.
Το "t-test με δύο ανεξάρτητα δείγματα" συγκρίνει τους μέσους όρους δύο ομάδων ερωτηθέντων που
προέρχονται από τυχαία δείγματα, ανεξάρτητα από την ισότητα του μεγέθους του δείγματος. Το "T-
welch test" είναι συγγενές με το T-test δύο δειγμάτων, αλλά υποθέτει άνισες διακυμάνσεις στους
πληθυσμούς που συγκρίνονται.

'''<h1> Αποτελέσματα Ανάλυσης </h1>'''

'''<h2> Υπολογισμός NDVI </h2>'''

Τα σημεία γης συλλέχθηκαν από την περιοχή μελέτης με τη χρήση φορητής συσκευής GPS μιας
συχνότητας (Garmin 12). Συνολικά λήφθηκαν 60 σημεία, με τυχαία δειγματοληψία, από περιοχές με
δενδρώδη βλάστηση και από περιοχές με βοσκότοπους και χορτολιβαδική βλάστηση. Κατά τη
δειγματοληψία λήφθηκε υπόψη η χωρική ανάλυση της εικόνας Landsat (30 μέτρα), με τα σημεία να
λαμβάνονται σε αποστάσεις μικρότερες των τριάντα μέτρων μεταξύ τους. Τα σημεία αυτά
κατηγοριοποιήθηκαν με βάση την πυκνότητα της δενδρώδους κάλυψης, συμπεριλαμβανομένων τόσο
των πυκνών όσο και των αραιών περιοχών. Στο λογισμικό ENVI, οι φασματικές τιμές ανάκλασης των
σημείων συγκρίθηκαν με τη μελετώμενη περιοχή και καθορίστηκε πειραματικά μια τιμή κατωφλίου
για τον κανονικοποιημένο δείκτη βλάστησης. Στη συνέχεια, η εικόνα του δείκτη επαναταξινομήθηκε
σε δύο κατηγορίες με βάση αυτό το κατώφλι. Στο Σχήμα 2 παρουσιάζονται οι υπολογισμένοι δείκτες
βλάστησης σε μια δεκαετή χρονοσειρά από το 1984 έως το 2021, υποδεικνύοντας τις αλλαγές στην
περιοχή μελέτης.

[[Αρχείο:Paper2-fig1.png|thumb|right| NDVI]]

'''<h2> Αλλαγή χρήσης δασικών εκτάσεων </h2>'''

Η μελέτη αποκαλύπτει σημαντική μείωση της δασικής κάλυψης στην περιοχή μελέτης κατά περίπου
2000 εκτάρια από το 1984 έως το 2021. Η μείωση αυτή αποδίδεται κυρίως σε επιτόπιες επισκέψεις,
σημειώνοντας καταστροφή για την κατασκευή βίλας και κατοικιών, μαζί με τη δημιουργία μονοπατιών
επικοινωνίας για την προσβασιμότητα σε αυτές τις τοποθεσίες.

[[Αρχείο:Paper2-fig2.png|thumb|left ]]

[[Αρχείο:Paper2-fig3.png|thumb|center ]]

'''<h2> Υπολογισμός και αλλαγές LST </h2>'''

Η έρευνα διερευνά τις μέσες μεταβολές της θερμοκρασίας της επιφάνειας της Γης από το 1984 έως το
2021, οι οποίες παρουσιάζονται σε βαθμούς Κέλβιν και βαθμούς Κελσίου. Οι τιμές που υπολογίστηκαν
δείχνουν μια συνολική αύξηση της θερμοκρασίας κατά 0,85 βαθμούς Κελσίου στη μελετώμενη
περιοχή κατά τη συγκεκριμένη περίοδο.

[[Αρχείο:Paper2-fig4.png|thumb|center ]]

Για να διακριθούν και να μοντελοποιηθούν οι μεταβολές της θερμοκρασίας που αφορούν ειδικά την
περιοχή μελέτης από τους παγκόσμιους μέσους όρους, επιλέγεται μια περιοχή ελέγχου. Η περιοχή
αυτή, μεγέθους ενός δεκάτου της περιοχής μελέτης, χρησιμεύει ως σημείο αναφοράς για την
αξιολόγηση των μεταβολών της θερμοκρασίας και των μεταβολών της πυκνότητας των δέντρων.
Aπεικονίζεται η θέση της περιοχής ελέγχου μοντελοποίησης εντός της περιοχής μελέτης, η οποία
επιλέχθηκε για την ελάχιστη καταστροφή των δασών. Στόχος είναι η κατανόηση των μεταβολών της
θερμοκρασίας κατά τα έτη μελέτης και της αναλογίας τους προς τις παγκόσμιες μεταβολές σε αυτή την
επιλεγμένη περιοχή ελέγχου.

[[Αρχείο:Paper2-fig6.png|thumb|right]]

[[Αρχείο:Paper2-fig5.png|thumb|right]]

Aναγνωρίζοντας την παγκόσμια αύξηση της θερμοκρασίας ως φαινόμενο, για να ελεγχθεί αυτή τη
μεταβλητή, εισάγεται μια περιοχή χωρίς αποψίλωση και κοπή δέντρων ως ομάδα ελέγχου,
συγκρίνοντας την με την περιοχή που μελετήθηκε. Για τις συγκρίσεις πραγματοποιήθηκαν στατιστικές
δοκιμές, συμπεριλαμβανομένων των Shapiro-Wilk, του ανεξάρτητου t-test, του Lune's test και του
ανεξάρτητου t-test του Welch, με τη χρήση του λογισμικού προγραμματισμού Rstudio.
Δεδομένου ότι και οι δύο περιοχές παρουσίασαν κανονική κατανομή σύμφωνα με το τεστ Shapiro-
Wilk, χρησιμοποιήθηκε το ανεξάρτητο t-test για να ελεγχθεί η ισότητα των μέσων θερμοκρασιών
μεταξύ των δύο περιοχών. Το Lon-test χρησιμοποιήθηκε αρχικά για την αξιολόγηση της ισότητας της
διακύμανσης, με την απόρριψη αυτής της υπόθεσης λόγω άνισης διακύμανσης (P-value=0,03145).
Κατά συνέπεια, χρησιμοποιήθηκε το Welch T-test, το οποίο απέρριψε σημαντικά την υπόθεση της
ισότητας των θερμοκρασιών μεταξύ των περιοχών ελέγχου και δοκιμής σε επίπεδο εμπιστοσύνης 99%
(P-value=0,0006944).
Τα αποτελέσματα του τεστ Shapiro-Wilk δείχνουν ότι τα δεδομένα θερμοκρασίας σε βαθμούς Κελσίου
τόσο για τις περιοχές ελέγχου όσο και για την πειραματική περιοχή έχουν κανονική κατανομή.

'''<h1> Συμπεράσματα </h1>'''

Η καταστροφή των δασικών εκτάσεων και με τον όρο, η αποψίλωση των δασών έχει μία από τις
ατυχείς συνέπειες της ανθρώπινης παρέμβασης στις στον πλανήτη. Εν τω μεταξύ, τα τελευταία χρόνια,
τα δάση της βόρειας Ιράν, τα οποία έχουν πολύ μεγάλη αξία, έχουν μετατραπεί σε βίλες και δρόμους
λόγω διαφόρων ανθρώπινων λόγων. Τα αποτελέσματα της ανάλυσης έδειξαν αξιοσημείωτη αύξηση της
θερμοκρασίας στις αποψιλωμένες περιοχές, αναδεικνύοντας τη σημαντική επίδραση της αποψίλωσης
στην αύξηση της θερμοκρασίας και στο μικροκλίμα.

[[category:Περιβαλλοντικές Επιπτώσεις]][[Κατηγορία:Δασοπονία,_Δασική_διαχείριση]]

Αρχείο:Paper2-fig6.png

2024-02-20T17:08:10Z

Ichristinakis:

Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης εικονας..

2024-02-20T17:08:01Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης εικονας (Μελέτη Περίπτωσης: Δάση Περιοχής Χιράν)

'''Τίτλος'''

Investigating the impact of Deforestation on Microclimate and increasing the Risk of Heat Stress using Satellite Image Processing (Case Study: Forests of Hiran Area)

'''Πηγή'''

[https://isprs-annals.copernicus.org/articles/X-4-W1-2022/315/2023/isprs-annals-X-4-W1-2022-315-2023.pdf Copernicus]

[https://doi.org/10.5194/isprs-annals-X-4-W1-2022-315-2023 doi]

'''Συγγραφείς'''

FJ. Jafarzadeh, A.A. Kakroodi, Y. Erfanifard

'''<h1> Εισαγωγή </h1>'''

H μελέτη εξετάζει τη σημασία των δασών στη διατήρηση της περιβαλλοντικής ισορροπίας με την
απορρόφηση του διοξειδίου του άνθρακα και την παραγωγή οξυγόνου. Η αποψίλωση των δασών
προσδιορίζεται ως μια σημαντική αιτία μείωσης της βιοποικιλότητας, των εκπομπών διοξειδίου του
άνθρακα και των δυσμενών επιπτώσεων, όπως η κλιματική αλλαγή και η απώλεια οικοτόπων. Τα
δεδομένα τηλεπισκόπησης, ιδίως οι δορυφορικές εικόνες, έχουν χρησιμοποιηθεί ευρέως για την
παρακολούθηση των αλλαγών στις χρήσεις γης, συμπεριλαμβανομένης της αποψίλωσης των δασών. Η
μελέτη επικεντρώνεται στα βόρεια δάση του Ιράν, κατά την περίοδο από το 1984 έως το 2021,
τονίζοντας την υψηλή αξία τους και τις προκλήσεις που αντιμετωπίζουν λόγω της μετατροπής τους για
διάφορους λόγους. Γίνεται αναφορά σε προηγούμενες έρευνες, καταδεικνύοντας τον παγκόσμιο
αντίκτυπο της αποψίλωσης των δασών στις ανωμαλίες της θερμοκρασίας και στις κλιματικές
συνέπειες. Με χρήση επεξεργασίας δορυφορικών εικόνων Landsat για την αξιολόγηση της
επιφανειακής θερμοκρασίας και της πυκνότητας των δέντρων στα δάση Hiran, που βρίσκονται στα
σύνορα των επαρχιών Gilan και Ardabil και της Δημοκρατίας του Αζερμπαϊτζάν. Απώτερος στόχος
είναι η διερεύνηση της συσχέτισης μεταξύ της αποψίλωσης των δασών, της καταστροφής των δέντρων
και της θερμικής καταπόνησης στην περιοχή. Ο αντίκτυπος αυτής της αποψίλωσης των δασών στο
μικροκλίμα αξιολογήθηκε με τη σύγκριση των διακυμάνσεων της θερμοκρασίας μεταξύ της υπό
μελέτη περιοχής και μιας περιοχής ελέγχου.

'''<h1> Περιοχή Μελέτης </h1>'''

Η έρευνα επικεντρώνεται σε μια έκταση 47.590 εκταρίων που βρίσκεται στο βόρειο τμήμα της
Ισλαμικής Δημοκρατίας του Ιράν και εκτείνεται στις επαρχίες Gilan και Ardabil. Η περιοχή αυτή, που
συνορεύει με τη Δημοκρατία του Αζερμπαϊτζάν, αποτελεί μέρος των δασών του Ιράν της Υρκανίας,
που βρίσκονται μεταξύ 48,33 έως 48,50 μοίρες ανατολικού γεωγραφικού μήκους και 38,23 έως 38,26
μοίρες βόρειου γεωγραφικού πλάτους. Τα δάση του Ιράν, συνολικής έκτασης 3.400.000 εκταρίων,
καλύπτουν κυρίως τις βόρειες πλαγιές των βουνών Alborz και τις παράκτιες επαρχίες της Κασπίας
Θάλασσας. Τα υπόλοιπα τρία εκατομμύρια εκτάρια διάσπαρτων δασών βρίσκονται σε άλλα μέρη της
χώρας.

'''<h1> Δεδομένα και Μεθοδολογία </h1>'''

'''<h2> Δεδομένα και Εργαλεία Λογισμικού </h2>'''

Η έρευνα χρησιμοποιεί δεδομένα Landsat 4, 5 και 8 από τα έτη 1984, 1994, 2005, 2014 και 2021, μαζί
με μια ταξινομημένη εικόνα χρήσης γης από τον δορυφόρο Sentinel 2. Τα εργαλεία λογισμικού που
χρησιμοποιήθηκαν περιλαμβάνουν το ArcGIS έκδοση 8.10 και το ENVI έκδοση 5.3 για την
επεξεργασία των δορυφορικών εικόνων και το λογισμικό προγραμματισμού RStudio για τη στατιστική
ανάλυση.

'''<h2> Normalized Difference Vegetation Index (NDVI)</h2>'''

O δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI) είναι ένα απλό γραφικός δείκτης που
χρησιμοποιείται στην τηλεπισκοπική ανάλυση και μετρήσεις για την αξιολόγηση της παρουσίας ή της
απουσίας βλάστησης σε μιας περιοχή. Το εύρος των μεταβολών αυτού του δείκτη κυμαίνεται μεταξύ
+1 και -1.

'''<h2> Land Surface Temperature (LST)</h2>'''

Κάθε αντικείμενο που έχει θερμοκρασία μεγαλύτερη από μηδέν βαθμούς Kelvin εκπέμπει θερμική
ακτινοβολία και η ενέργεια αυτή εκπέμπεται από αντικείμενα ή την επιφάνεια της γης. Στην παρούσα
μελέτη η LST υπολογίζεται με τη μέθοδο ενός καναλιού.
Το "Shapiro-Wilk" test χρησιμοποιείται ως τεστ προσαρμογής της κανονικής κατανομής για να
προσδιοριστεί εάν τα δεδομένα ακολουθούν ή όχι κανονική κατανομή, με απόρριψη της μηδενικής
υπόθεσης εάν η τιμή P είναι μικρότερη από 0,05.
Το "t-test με δύο ανεξάρτητα δείγματα" συγκρίνει τους μέσους όρους δύο ομάδων ερωτηθέντων που
προέρχονται από τυχαία δείγματα, ανεξάρτητα από την ισότητα του μεγέθους του δείγματος. Το "T-
welch test" είναι συγγενές με το T-test δύο δειγμάτων, αλλά υποθέτει άνισες διακυμάνσεις στους
πληθυσμούς που συγκρίνονται.

'''<h1> Αποτελέσματα Ανάλυσης </h1>'''

'''<h2> Υπολογισμός NDVI </h2>'''

Τα σημεία γης συλλέχθηκαν από την περιοχή μελέτης με τη χρήση φορητής συσκευής GPS μιας
συχνότητας (Garmin 12). Συνολικά λήφθηκαν 60 σημεία, με τυχαία δειγματοληψία, από περιοχές με
δενδρώδη βλάστηση και από περιοχές με βοσκότοπους και χορτολιβαδική βλάστηση. Κατά τη
δειγματοληψία λήφθηκε υπόψη η χωρική ανάλυση της εικόνας Landsat (30 μέτρα), με τα σημεία να
λαμβάνονται σε αποστάσεις μικρότερες των τριάντα μέτρων μεταξύ τους. Τα σημεία αυτά
κατηγοριοποιήθηκαν με βάση την πυκνότητα της δενδρώδους κάλυψης, συμπεριλαμβανομένων τόσο
των πυκνών όσο και των αραιών περιοχών. Στο λογισμικό ENVI, οι φασματικές τιμές ανάκλασης των
σημείων συγκρίθηκαν με τη μελετώμενη περιοχή και καθορίστηκε πειραματικά μια τιμή κατωφλίου
για τον κανονικοποιημένο δείκτη βλάστησης. Στη συνέχεια, η εικόνα του δείκτη επαναταξινομήθηκε
σε δύο κατηγορίες με βάση αυτό το κατώφλι. Στο Σχήμα 2 παρουσιάζονται οι υπολογισμένοι δείκτες
βλάστησης σε μια δεκαετή χρονοσειρά από το 1984 έως το 2021, υποδεικνύοντας τις αλλαγές στην
περιοχή μελέτης.

[[Αρχείο:Paper2-fig1.png|thumb|right| NDVI]]

'''<h2> Αλλαγή χρήσης δασικών εκτάσεων </h2>'''

Η μελέτη αποκαλύπτει σημαντική μείωση της δασικής κάλυψης στην περιοχή μελέτης κατά περίπου
2000 εκτάρια από το 1984 έως το 2021. Η μείωση αυτή αποδίδεται κυρίως σε επιτόπιες επισκέψεις,
σημειώνοντας καταστροφή για την κατασκευή βίλας και κατοικιών, μαζί με τη δημιουργία μονοπατιών
επικοινωνίας για την προσβασιμότητα σε αυτές τις τοποθεσίες.

[[Αρχείο:Paper2-fig2.png|thumb|right ]]

[[Αρχείο:Paper2-fig3.png|thumb|right ]]

'''<h2> Υπολογισμός και αλλαγές LST </h2>'''

Η έρευνα διερευνά τις μέσες μεταβολές της θερμοκρασίας της επιφάνειας της Γης από το 1984 έως το
2021, οι οποίες παρουσιάζονται σε βαθμούς Κέλβιν και βαθμούς Κελσίου. Οι τιμές που υπολογίστηκαν
δείχνουν μια συνολική αύξηση της θερμοκρασίας κατά 0,85 βαθμούς Κελσίου στη μελετώμενη
περιοχή κατά τη συγκεκριμένη περίοδο.

[[Αρχείο:Paper2-fig4.png|thumb|right ]]

Για να διακριθούν και να μοντελοποιηθούν οι μεταβολές της θερμοκρασίας που αφορούν ειδικά την
περιοχή μελέτης από τους παγκόσμιους μέσους όρους, επιλέγεται μια περιοχή ελέγχου. Η περιοχή
αυτή, μεγέθους ενός δεκάτου της περιοχής μελέτης, χρησιμεύει ως σημείο αναφοράς για την
αξιολόγηση των μεταβολών της θερμοκρασίας και των μεταβολών της πυκνότητας των δέντρων.
Aπεικονίζεται η θέση της περιοχής ελέγχου μοντελοποίησης εντός της περιοχής μελέτης, η οποία
επιλέχθηκε για την ελάχιστη καταστροφή των δασών. Στόχος είναι η κατανόηση των μεταβολών της
θερμοκρασίας κατά τα έτη μελέτης και της αναλογίας τους προς τις παγκόσμιες μεταβολές σε αυτή την
επιλεγμένη περιοχή ελέγχου.

[[Αρχείο:Paper2-fig6.png|thumb|right]]

[[Αρχείο:Paper2-fig5.png|thumb|right]]

Aναγνωρίζοντας την παγκόσμια αύξηση της θερμοκρασίας ως φαινόμενο, για να ελεγχθεί αυτή τη
μεταβλητή, εισάγεται μια περιοχή χωρίς αποψίλωση και κοπή δέντρων ως ομάδα ελέγχου,
συγκρίνοντας την με την περιοχή που μελετήθηκε. Για τις συγκρίσεις πραγματοποιήθηκαν στατιστικές
δοκιμές, συμπεριλαμβανομένων των Shapiro-Wilk, του ανεξάρτητου t-test, του Lune's test και του
ανεξάρτητου t-test του Welch, με τη χρήση του λογισμικού προγραμματισμού Rstudio.
Δεδομένου ότι και οι δύο περιοχές παρουσίασαν κανονική κατανομή σύμφωνα με το τεστ Shapiro-
Wilk, χρησιμοποιήθηκε το ανεξάρτητο t-test για να ελεγχθεί η ισότητα των μέσων θερμοκρασιών
μεταξύ των δύο περιοχών. Το Lon-test χρησιμοποιήθηκε αρχικά για την αξιολόγηση της ισότητας της
διακύμανσης, με την απόρριψη αυτής της υπόθεσης λόγω άνισης διακύμανσης (P-value=0,03145).
Κατά συνέπεια, χρησιμοποιήθηκε το Welch T-test, το οποίο απέρριψε σημαντικά την υπόθεση της
ισότητας των θερμοκρασιών μεταξύ των περιοχών ελέγχου και δοκιμής σε επίπεδο εμπιστοσύνης 99%
(P-value=0,0006944).
Τα αποτελέσματα του τεστ Shapiro-Wilk δείχνουν ότι τα δεδομένα θερμοκρασίας σε βαθμούς Κελσίου
τόσο για τις περιοχές ελέγχου όσο και για την πειραματική περιοχή έχουν κανονική κατανομή.

'''<h1> Συμπεράσματα </h1>'''

Η καταστροφή των δασικών εκτάσεων και με τον όρο, η αποψίλωση των δασών έχει μία από τις
ατυχείς συνέπειες της ανθρώπινης παρέμβασης στις στον πλανήτη. Εν τω μεταξύ, τα τελευταία χρόνια,
τα δάση της βόρειας Ιράν, τα οποία έχουν πολύ μεγάλη αξία, έχουν μετατραπεί σε βίλες και δρόμους
λόγω διαφόρων ανθρώπινων λόγων. Τα αποτελέσματα της ανάλυσης έδειξαν αξιοσημείωτη αύξηση της
θερμοκρασίας στις αποψιλωμένες περιοχές, αναδεικνύοντας τη σημαντική επίδραση της αποψίλωσης
στην αύξηση της θερμοκρασίας και στο μικροκλίμα.

[[category:Περιβαλλοντικές Επιπτώσεις]][[Κατηγορία:Δασοπονία,_Δασική_διαχείριση]]

Αρχείο:Paper2-fig5.png

2024-02-20T17:06:55Z

Ichristinakis:

Αρχείο:Paper2-fig4.png

2024-02-20T17:06:35Z

Ichristinakis:

Αρχείο:Paper2-fig3.png

2024-02-20T17:06:24Z

Ichristinakis:

Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης εικονας..

2024-02-20T17:06:18Z

Ichristinakis:

''' Πρότυπος Τίτλος '''

Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης εικονας (Μελέτη Περίπτωσης: Δάση Περιοχής Χιράν)

'''Τίτλος'''

Investigating the impact of Deforestation on Microclimate and increasing the Risk of Heat Stress using Satellite Image Processing (Case Study: Forests of Hiran Area)

'''Πηγή'''

[https://isprs-annals.copernicus.org/articles/X-4-W1-2022/315/2023/isprs-annals-X-4-W1-2022-315-2023.pdf Copernicus]

[https://doi.org/10.5194/isprs-annals-X-4-W1-2022-315-2023 doi]

'''Συγγραφείς'''

FJ. Jafarzadeh, A.A. Kakroodi, Y. Erfanifard

'''<h1> Εισαγωγή </h1>'''

H μελέτη εξετάζει τη σημασία των δασών στη διατήρηση της περιβαλλοντικής ισορροπίας με την
απορρόφηση του διοξειδίου του άνθρακα και την παραγωγή οξυγόνου. Η αποψίλωση των δασών
προσδιορίζεται ως μια σημαντική αιτία μείωσης της βιοποικιλότητας, των εκπομπών διοξειδίου του
άνθρακα και των δυσμενών επιπτώσεων, όπως η κλιματική αλλαγή και η απώλεια οικοτόπων. Τα
δεδομένα τηλεπισκόπησης, ιδίως οι δορυφορικές εικόνες, έχουν χρησιμοποιηθεί ευρέως για την
παρακολούθηση των αλλαγών στις χρήσεις γης, συμπεριλαμβανομένης της αποψίλωσης των δασών. Η
μελέτη επικεντρώνεται στα βόρεια δάση του Ιράν, κατά την περίοδο από το 1984 έως το 2021,
τονίζοντας την υψηλή αξία τους και τις προκλήσεις που αντιμετωπίζουν λόγω της μετατροπής τους για
διάφορους λόγους. Γίνεται αναφορά σε προηγούμενες έρευνες, καταδεικνύοντας τον παγκόσμιο
αντίκτυπο της αποψίλωσης των δασών στις ανωμαλίες της θερμοκρασίας και στις κλιματικές
συνέπειες. Με χρήση επεξεργασίας δορυφορικών εικόνων Landsat για την αξιολόγηση της
επιφανειακής θερμοκρασίας και της πυκνότητας των δέντρων στα δάση Hiran, που βρίσκονται στα
σύνορα των επαρχιών Gilan και Ardabil και της Δημοκρατίας του Αζερμπαϊτζάν. Απώτερος στόχος
είναι η διερεύνηση της συσχέτισης μεταξύ της αποψίλωσης των δασών, της καταστροφής των δέντρων
και της θερμικής καταπόνησης στην περιοχή. Ο αντίκτυπος αυτής της αποψίλωσης των δασών στο
μικροκλίμα αξιολογήθηκε με τη σύγκριση των διακυμάνσεων της θερμοκρασίας μεταξύ της υπό
μελέτη περιοχής και μιας περιοχής ελέγχου.

'''<h1> Περιοχή Μελέτης </h1>'''

Η έρευνα επικεντρώνεται σε μια έκταση 47.590 εκταρίων που βρίσκεται στο βόρειο τμήμα της
Ισλαμικής Δημοκρατίας του Ιράν και εκτείνεται στις επαρχίες Gilan και Ardabil. Η περιοχή αυτή, που
συνορεύει με τη Δημοκρατία του Αζερμπαϊτζάν, αποτελεί μέρος των δασών του Ιράν της Υρκανίας,
που βρίσκονται μεταξύ 48,33 έως 48,50 μοίρες ανατολικού γεωγραφικού μήκους και 38,23 έως 38,26
μοίρες βόρειου γεωγραφικού πλάτους. Τα δάση του Ιράν, συνολικής έκτασης 3.400.000 εκταρίων,
καλύπτουν κυρίως τις βόρειες πλαγιές των βουνών Alborz και τις παράκτιες επαρχίες της Κασπίας
Θάλασσας. Τα υπόλοιπα τρία εκατομμύρια εκτάρια διάσπαρτων δασών βρίσκονται σε άλλα μέρη της
χώρας.

'''<h1> Δεδομένα και Μεθοδολογία </h1>'''

'''<h2> Δεδομένα και Εργαλεία Λογισμικού </h2>'''

Η έρευνα χρησιμοποιεί δεδομένα Landsat 4, 5 και 8 από τα έτη 1984, 1994, 2005, 2014 και 2021, μαζί
με μια ταξινομημένη εικόνα χρήσης γης από τον δορυφόρο Sentinel 2. Τα εργαλεία λογισμικού που
χρησιμοποιήθηκαν περιλαμβάνουν το ArcGIS έκδοση 8.10 και το ENVI έκδοση 5.3 για την
επεξεργασία των δορυφορικών εικόνων και το λογισμικό προγραμματισμού RStudio για τη στατιστική
ανάλυση.

'''<h2> Normalized Difference Vegetation Index (NDVI)</h2>'''

O δείκτης κανονικοποιημένης διαφοράς βλάστησης (NDVI) είναι ένα απλό γραφικός δείκτης που
χρησιμοποιείται στην τηλεπισκοπική ανάλυση και μετρήσεις για την αξιολόγηση της παρουσίας ή της
απουσίας βλάστησης σε μιας περιοχή. Το εύρος των μεταβολών αυτού του δείκτη κυμαίνεται μεταξύ
+1 και -1.

'''<h2> Land Surface Temperature (LST)</h2>'''

Κάθε αντικείμενο που έχει θερμοκρασία μεγαλύτερη από μηδέν βαθμούς Kelvin εκπέμπει θερμική
ακτινοβολία και η ενέργεια αυτή εκπέμπεται από αντικείμενα ή την επιφάνεια της γης. Στην παρούσα
μελέτη η LST υπολογίζεται με τη μέθοδο ενός καναλιού.
Το "Shapiro-Wilk" test χρησιμοποιείται ως τεστ προσαρμογής της κανονικής κατανομής για να
προσδιοριστεί εάν τα δεδομένα ακολουθούν ή όχι κανονική κατανομή, με απόρριψη της μηδενικής
υπόθεσης εάν η τιμή P είναι μικρότερη από 0,05.
Το "t-test με δύο ανεξάρτητα δείγματα" συγκρίνει τους μέσους όρους δύο ομάδων ερωτηθέντων που
προέρχονται από τυχαία δείγματα, ανεξάρτητα από την ισότητα του μεγέθους του δείγματος. Το "T-
welch test" είναι συγγενές με το T-test δύο δειγμάτων, αλλά υποθέτει άνισες διακυμάνσεις στους
πληθυσμούς που συγκρίνονται.

'''<h1> Αποτελέσματα Ανάλυσης </h1>'''

'''<h2> Υπολογισμός NDVI </h2>'''

Τα σημεία γης συλλέχθηκαν από την περιοχή μελέτης με τη χρήση φορητής συσκευής GPS μιας
συχνότητας (Garmin 12). Συνολικά λήφθηκαν 60 σημεία, με τυχαία δειγματοληψία, από περιοχές με
δενδρώδη βλάστηση και από περιοχές με βοσκότοπους και χορτολιβαδική βλάστηση. Κατά τη
δειγματοληψία λήφθηκε υπόψη η χωρική ανάλυση της εικόνας Landsat (30 μέτρα), με τα σημεία να
λαμβάνονται σε αποστάσεις μικρότερες των τριάντα μέτρων μεταξύ τους. Τα σημεία αυτά
κατηγοριοποιήθηκαν με βάση την πυκνότητα της δενδρώδους κάλυψης, συμπεριλαμβανομένων τόσο
των πυκνών όσο και των αραιών περιοχών. Στο λογισμικό ENVI, οι φασματικές τιμές ανάκλασης των
σημείων συγκρίθηκαν με τη μελετώμενη περιοχή και καθορίστηκε πειραματικά μια τιμή κατωφλίου
για τον κανονικοποιημένο δείκτη βλάστησης. Στη συνέχεια, η εικόνα του δείκτη επαναταξινομήθηκε
σε δύο κατηγορίες με βάση αυτό το κατώφλι. Στο Σχήμα 2 παρουσιάζονται οι υπολογισμένοι δείκτες
βλάστησης σε μια δεκαετή χρονοσειρά από το 1984 έως το 2021, υποδεικνύοντας τις αλλαγές στην
περιοχή μελέτης.

[[Αρχείο:Paper2-fig1.png|thumb|right| NDVI]]

'''<h2> Αλλαγή χρήσης δασικών εκτάσεων </h2>'''

Η μελέτη αποκαλύπτει σημαντική μείωση της δασικής κάλυψης στην περιοχή μελέτης κατά περίπου
2000 εκτάρια από το 1984 έως το 2021. Η μείωση αυτή αποδίδεται κυρίως σε επιτόπιες επισκέψεις,
σημειώνοντας καταστροφή για την κατασκευή βίλας και κατοικιών, μαζί με τη δημιουργία μονοπατιών
επικοινωνίας για την προσβασιμότητα σε αυτές τις τοποθεσίες.

[[Αρχείο:Paper2-fig2.png|thumb|right ]]

[[Αρχείο:Paper2-fig3.png|thumb|right ]]

'''<h2> Υπολογισμός και αλλαγές LST </h2>'''

Η έρευνα διερευνά τις μέσες μεταβολές της θερμοκρασίας της επιφάνειας της Γης από το 1984 έως το
2021, οι οποίες παρουσιάζονται σε βαθμούς Κέλβιν και βαθμούς Κελσίου. Οι τιμές που υπολογίστηκαν
δείχνουν μια συνολική αύξηση της θερμοκρασίας κατά 0,85 βαθμούς Κελσίου στη μελετώμενη
περιοχή κατά τη συγκεκριμένη περίοδο.

* Table 2

* Figure 3

Για να διακριθούν και να μοντελοποιηθούν οι μεταβολές της θερμοκρασίας που αφορούν ειδικά την
περιοχή μελέτης από τους παγκόσμιους μέσους όρους, επιλέγεται μια περιοχή ελέγχου. Η περιοχή
αυτή, μεγέθους ενός δεκάτου της περιοχής μελέτης, χρησιμεύει ως σημείο αναφοράς για την
αξιολόγηση των μεταβολών της θερμοκρασίας και των μεταβολών της πυκνότητας των δέντρων.
Aπεικονίζεται η θέση της περιοχής ελέγχου μοντελοποίησης εντός της περιοχής μελέτης, η οποία
επιλέχθηκε για την ελάχιστη καταστροφή των δασών. Στόχος είναι η κατανόηση των μεταβολών της
θερμοκρασίας κατά τα έτη μελέτης και της αναλογίας τους προς τις παγκόσμιες μεταβολές σε αυτή την
επιλεγμένη περιοχή ελέγχου.

* Figure 4

* Figure 5

Aναγνωρίζοντας την παγκόσμια αύξηση της θερμοκρασίας ως φαινόμενο, για να ελεγχθεί αυτή τη
μεταβλητή, εισάγεται μια περιοχή χωρίς αποψίλωση και κοπή δέντρων ως ομάδα ελέγχου,
συγκρίνοντας την με την περιοχή που μελετήθηκε. Για τις συγκρίσεις πραγματοποιήθηκαν στατιστικές
δοκιμές, συμπεριλαμβανομένων των Shapiro-Wilk, του ανεξάρτητου t-test, του Lune's test και του
ανεξάρτητου t-test του Welch, με τη χρήση του λογισμικού προγραμματισμού Rstudio.
Δεδομένου ότι και οι δύο περιοχές παρουσίασαν κανονική κατανομή σύμφωνα με το τεστ Shapiro-
Wilk, χρησιμοποιήθηκε το ανεξάρτητο t-test για να ελεγχθεί η ισότητα των μέσων θερμοκρασιών
μεταξύ των δύο περιοχών. Το Lon-test χρησιμοποιήθηκε αρχικά για την αξιολόγηση της ισότητας της
διακύμανσης, με την απόρριψη αυτής της υπόθεσης λόγω άνισης διακύμανσης (P-value=0,03145).
Κατά συνέπεια, χρησιμοποιήθηκε το Welch T-test, το οποίο απέρριψε σημαντικά την υπόθεση της
ισότητας των θερμοκρασιών μεταξύ των περιοχών ελέγχου και δοκιμής σε επίπεδο εμπιστοσύνης 99%
(P-value=0,0006944).
Τα αποτελέσματα του τεστ Shapiro-Wilk δείχνουν ότι τα δεδομένα θερμοκρασίας σε βαθμούς Κελσίου
τόσο για τις περιοχές ελέγχου όσο και για την πειραματική περιοχή έχουν κανονική κατανομή.

'''<h1> Συμπεράσματα </h1>'''

Η καταστροφή των δασικών εκτάσεων και με τον όρο, η αποψίλωση των δασών έχει μία από τις
ατυχείς συνέπειες της ανθρώπινης παρέμβασης στις στον πλανήτη. Εν τω μεταξύ, τα τελευταία χρόνια,
τα δάση της βόρειας Ιράν, τα οποία έχουν πολύ μεγάλη αξία, έχουν μετατραπεί σε βίλες και δρόμους
λόγω διαφόρων ανθρώπινων λόγων. Τα αποτελέσματα της ανάλυσης έδειξαν αξιοσημείωτη αύξηση της
θερμοκρασίας στις αποψιλωμένες περιοχές, αναδεικνύοντας τη σημαντική επίδραση της αποψίλωσης
στην αύξηση της θερμοκρασίας και στο μικροκλίμα.

[[category:Περιβαλλοντικές Επιπτώσεις]][[Κατηγορία:Δασοπονία,_Δασική_διαχείριση]]

Αρχείο:Paper2-fig2.png

2024-02-20T17:05:53Z

Ichristinakis:

Αρχείο:Paper2-fig1.png

2024-02-20T17:04:53Z

Ichristinakis:

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...

2024-02-20T17:01:04Z

Ichristinakis:

'''Πρότυπος Τίτλος'''

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης δάσους πεύκου που έχει πληγεί από τη φωτιά στη Νότια Ελλάδα

'''Τίτλος'''

A Remote Sensing and GIS Approach to Study the Long-Term Vegetation Recovery of a Fire-Affected Pine Forest in Southern Greece

'''Πηγή'''

[https://www.mdpi.com/2072-4292/7/6/7712 mdpi]

[https://doi.org/10.3390/rs70607712 doi]

'''Συγγραφείς'''

Foula Nioti, Fotios Xystrakis, Nikos Koutsias, Panayotis Dimopoulos

''' <h1> Εισαγωγή </h1> '''
Η μελέτη και η διαχείριση οικοσυστημάτων επιρρεπών σε πυρκαγίες εξαρτάται άμεσα απο το δυναμικό
αναγέννησης και την δυνατότητα ανάκτησης των διαφόρων τύπων βλάστησης εντός αυτών. Στην
παρούσα μελέτη, αξιολογείται η ανάκτηση της βλάστησης σε δασικές εκτάσεις Τραχείας Πεύκης
(Pindus brutia) μετά από την πυρκαγιά του 1983 στο νησί Κάρπαθος που βρίσκεται στο
νοτιοανατολικό Αίγαίο, Ελλάδα, με κύριους στόχους (α) για τον εντοπισμό των περιβαλλοντικών
παραμέτρων που θα μπορούσαν να συμβάλουν στην ανάκτηση των δασικών εκτάσεων P. brutia που
κάηκαν και (β) για τον προσδιορισμό των αλλαγών κάλυψης γης (1982–2009) που σχετίζονται με αυτό
το συμβάν πυρκαγιάς.
Υπολογίστηκαν και συγκρίθηκαν οι δείκτες NDVI και NBR καθώς και θεματικοί χάρτες αλλαγών
κάλυψης γης λίγους μήνες μετά την πυρκαγιά, το 1984 και μετά από σχεδόν 30 χρόνια το 2012, ενώ
αναλύθηκε η επορροή διαφόρων περιβαλλοντικών παραγόντων. Τα αποτελέσματα έδειξαν σημαντική
ανάκαμψη, αλλά και ότι ορισμένες δασικές εκτάσεις μετατράπηκαν σε θαμνώδη βλάστηση. Το
υψόμετρο, η κλίση, η ακτινοβολία και η φυσιογνωμία πριν από την πυρκαγιά είχαν επιρροή στην
ανάκτηση, με το υψόμετρο και την κλίση να εξηγούν τις αλλαγές στους δορυφορικούς δείκτες.
Η Pinus brutia έδειξε καλή δυνατότητα ανάκτησης μετά την πυρκαγιά σε περιοχές με αυξημένη
διαθεσιμότητα υγρασίας.

''' <h1> Περιοχή Μελέτης </h1> '''

Η περιοχή μελέτης βρίσκεται στο νησί της Κάρπαθου στο Ανατολικό Αιγαίο, όπου μια μεγάλη
πυρκαγιά το 1983 έκαψε 4475 εκτάρια δασικής έκτασης Pinus brutia, μαζί με άλλους τύπους
βλάστησης όπως τα φρύγανα. Η ουλή πυρκαγιάς, που περιγράφεται μεταξύ 27 ° 7'25.9''Ε -35 °
38'12.3''N (νοτιοδυτικά) και 27 ° 13'5.6'E -35 ° 45'19.7''N (βορειοανατολικά), περιλαμβάνει άκαμπτη
μπαλώματα εντός της γενικής καμένης περιμέτρου.
Η Κάρπαθος, στη θερμομεσογειακή κλιματική ζώνη, έχει υψόμετρα που κυμαίνονται από 0 έως 684 m.
Το μεσογειακό κλίμα του νησιού περιλαμβάνει μια ξηρή περίοδο από τα μέσα Μαρτίου έως τα μέσα
Οκτωβρίου. Η μέση ετήσια βροχόπτωση είναι 386,7 mm, η μέση ετήσια θερμοκρασία 19,4 ° C,
ελάχιστη θερμοκρασία ψυχρότερου μήνα 0,8 ° C και μέγιστη θερμοκρασία θερμοκρασίας 45 ° C. Το
γεωλογικό υπόστρωμα αποτελείται από σκληρό ασβεστόλιθο και φλύσχη.

[[Αρχείο:Paper1-fig1.png | right | thumb | Geographical location and changes between pre- and post-fire land cover. ]]

'''<h1>Δεδομένα</h1>'''

'''<h2> Ουλή Πυρκαγιάς </h2>'''

Για την πυρκαγιά του 1983, δεν ήταν προσβάσιμος ακριβής, λεπτομερής χάρτης της καμένης περιοχής,
μόνο ένα γενικό σκίτσο της περιμέτρου του εγκαύματος με περιορισμένες χωρικές πληροφορίες, ειδικά
για άκαυστα μπαλώματα, το οποίο διορθώθηκε ώστε να προσδιοριστεί χωρικά η ουλή της πυρκαγιάς
με την βοήθεια δορυφορικών εικόνων LANDSAT του 1984 και πολυχρονικά δορυφορικά δεδομένα
αρχειοθετημένα από το USGS LANDSAT.

'''<h2> Περιβαλλοντικοί Παράγοντες </h2>'''

Για την αξιολόγηση της επίδρασης του φυσικού περιβάλλοντος στην ανάκτηση μετά την πυρκαγιά της
δασικής βλάστησης P. brutia, εξετάστηκαν διάφορες μεταβλητές. Αυτά περιελάμβαναν υψόμετρο, όψη,
κλίση, γεωλογικό υπόστρωμα, δεδομένα εδάφους, ηλιακή ακτινοβολία και απόσταση από το
υδρογραφικό δίκτυο.
Το υψόμετρο προσδιορίστηκε χρησιμοποιώντας ένα ψηφιακό υψομετρικό μοντέλο (30 m DEM). Το
DEM χρησίμευε επίσης για την εκτίμηση της κλίσης και της όψης της κλίσης. Οι πληροφορίες για το
γεωλογικό υπόστρωμα και το βάθος του εδάφους ελήφθησαν από γεωλογικούς και εδαφικούς χάρτες
1:50.000. Η πλησιέστερη απόσταση από το υδρογραφικό δίκτυο υπολογίστηκε με χρήση των 30m
DEM και ArcGIS Hydrology Tools. Η εισερχόμενη ηλιακή ακτινοβολία υπολογίστηκε λαμβάνοντας
υπόψη τις κλίσεις, τον προσανατολισμό και την ανάγλυφη σκίαση. Υπολογίστηκαν επίσης αποστάσεις
από κάθε σημείο δειγματοληψίας μέχρι την πλησιέστερη άκαυστη τοποθεσία και άκαυτο πευκοδάσος.
Όλες αυτές οι μεταβλητές προσδιορίστηκαν για κάθε σημείο δείγματος στον δειγματοληπτικό
σχεδιασμό της περιοχής μελέτης.

'''<h2> Κάληψη Γης Πριν και Μετα την Πυρκαγιά </h2>'''

Για να εντοπιστούν οι αποκλίσεις των χαρτών κάλυψης γης μεταξύ πριν και μετά την πυρκαγιά και των
περιορισμών των δορυφορικών δεδομένων, αναπτύχθηκε ένα σύστημα ταξινόμησης. Το πρόγραμμα
περιλαμβάνει τέσσερις κατηγορίες κάλυψης γης: πυκνό δάσος P. brutia (> 25% κάλυψη), ανοιχτό
δάσος P. brutia (< 25% κάλυψη), θαμνώδεις εκτάσεις (με διάσπαρτα δέντρα) και φρύγανα (περιοχές
αραιής βλάστησης χωρίς δέντρα ή ψηλούς θάμνους). ). Αυτό το σύστημα εφαρμόστηκε τόσο στους
χάρτες βλάστησης πριν όσο και μετά την πυρκαγιά.
Για τον χάρτη βλάστησης πριν από την πυρκαγιά, χρησιμοποιήθηκαν δεδομένα πεδίου από το 1981 και
δορυφορικές εικόνες LANDSAT από το 1975 και το 1984. Ο χάρτης βλάστησης μετά την πυρκαγιά
χρησιμοποίησε δεδομένα κάλυψης εδάφους CORINE 2000 και εικόνες θεματικού χάρτη LANDSAT-5
από το 2008 και το 2009.
Στους χάρτες κάλυψης γης πριν και μετά την πυρκαγιά, για να αναδειχθούν οι αλλαγές στην κατανομή
της βλάστησης 26 χρόνια μετά την πυρκαγιά, χρησιμοποιήθηκε ένας τακτικός δείκτης για την
αξιολόγηση των αλλαγών στις κατηγορίες ανάκτησης, με αποτέλεσμα έναν τελικό χάρτη των αλλαγών
της βλάστησης εντός της καμένης περιοχής.

[[Αρχείο:Paper1-table1.png | right | thumb | Geographical location and changes between pre- and post-fire land cover.]]

'''<h2>Δεικτες Βλάστησης</h2>'''

Οι αλλαγές στους δείκτες βλάστησης αξιολογήθηκαν χρησιμοποιώντας δεδομένα δορυφορικής
τηλεπισκόπησης, συγκεκριμένα τον Δείκτη Κανονικής Διαφοράς Βλάστησης (NDVI) και τον Κανονικό
Λόγο Εγκαύματος (NBR) για τις εικόνες LANDSAT του 1984 και του 2012.
Αυτοί οι δείκτες βλάστησης χρησιμοποιούνται συνήθως στην τηλεπισκόπηση καμένων περιοχών για τη
χαρτογράφηση των ουλών πυρκαγιάς ή την εκτίμηση της σοβαρότητας των εγκαυμάτων,
ελαχιστοποιώντας την επίδραση εξωγενών παραγόντων και ενισχύοντας τη συσχέτιση με τις
εσωτερικές παραμέτρους βλάστησης.

'''<h1> Στατιστική Ανάλυση και Μεθοδολογία </h1>'''

'''<h2> Δειγματοληψία </h2>'''

Επιλέχθηκαν τυχαία 500 σημεία εντός της περιοχής μελέτης χρησιμοποιώντας γενικευμένη τυχαία
στρωματοποιημένη δειγματοληψία, με μέγεθος δείγματος ανάλογο με κάθε κατηγορία χρήσεων
γης/κάλυψης γης. Έντεκα σημεία εντός των γεωργικών αγρών εξαιρέθηκαν, με αποτέλεσμα ένα τελικό
σύνολο δεδομένων 489 σημείων για ανάλυση διασταύρωσης πινάκων. Ένα δευτερεύον σύνολο
δεδομένων, που χρησιμοποιήθηκε στην ανάλυση logistic regression, απέκλεισε σημεία στη βλάστηση
θάμνων και φρύγανα, συνολικού ύψους 438 σημείων σε πυκνό και ανοιχτό δάσος P. brutia για
ανάπτυξη του μοντέλου.

[[Αρχείο:Paper1-fig2.png | right | thumb | IKONOS segmentation and the burnt areas polygons.]]

Επιπλέον, επιλέχθηκαν 88 ομοιογενή τμήματα ως περιοχές δοκιμής από παγχρωματικές εικόνες
IKONOS υψηλής ανάλυσης. Ένας αλγόριθμος τμηματοποίησης, συγκεκριμένα το λογισμικό
eCognition® Developer, εφαρμόστηκε στην εικόνα και επιλέχθηκαν οπτικά 88 ομοιογενή τεμάχια.

'''<h2> Cross-Tabulation Analysis </h2>'''

Η ανάλυση διασταυρούμενης πινακοποίησης (πίνακες έκτακτης ανάγκης) εφαρμόστηκε για τον
εντοπισμό αλλαγών κάλυψης βλάστησης την εξεταζόμενη χρονική περίοδο (προ και μετά την πυρκαγιά
βλάστηση) στα 489 σημεία δειγματοληψίας.

'''<h2> Logistic Regression </h2>'''

Η ανάκτηση δασών σε πευκοδάση πριν από την πυρκαγιά αναλύθηκε χρησιμοποιώντας binary logistic
regression. Οι τακτικές κλάσεις ανάκτησης μετατράπηκαν σε δυαδικές μεταβλητές, με το "1" να
δείχνει την ανάκτηση στην κατάσταση πριν από την πυρκαγιά και το "0" να υποδεικνύει διαφορετικά.
Η δυαδική λογιστική παλινδρόμηση προέβλεψε την τιμή της μεταβλητής απόκρισης (ανάκτηση) από
περιβαλλοντικές επεξηγηματικές μεταβλητές.
Το καλύτερο μοντέλο επιλέχθηκε με βάση το κριτήριο BIC, συμπεριλαμβανομένων συνεχών
μεταβλητών όπως υψόμετρο, κλίση, όψη, ηλιακή ακτινοβολία, απόσταση από άκαυστα σημεία,
απόσταση από άκαυτο δάσος P. brutia και κατηγορικές μεταβλητές όπως βάθος εδάφους, τύπος βράχου
και προ -πυρική βλάστηση (πυκνή ή ανοιχτή συστάδες P. brutia). Η απόδοση του μοντέλου
αξιολογήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας
δέκτη (ROC), υποδεικνύοντας αποδεκτή διάκριση.
Η δοκιμή καλής προσαρμογής Hosmer–Lemeshow αξιολόγησε πόσο καλά ταίριαζε το μοντέλο στα
δεδομένα. Οι καμπύλες πυκνότητας επιλεγμένων επεξηγηματικών μεταβλητών για τις κατηγορίες
ανάκτησης σχεδιάστηκαν για να απεικονιστούν οι διαφορές στη μεταβλητή κατανομή μεταξύ των δύο
κατηγοριών ανάκτησης.

'''<h2> Αλλαγές Δεικτών Βλάστησης </h2>'''

Για τη μέτρηση της ανάκτησης του οικοσυστήματος, η διαφορά μεταξύ των δεικτών NDVI και NBR
χρησιμοποιήθηκε ως μεταβλητή μεσολάβησης. Αυτή η διαφορά υπολογίστηκε για το έτος αμέσως μετά
την πυρκαγιά (1984) και το 2012. Μια μεγαλύτερη διαφορά στις τιμές του δείκτη μεταξύ αυτών των
περιόδων θεωρείται ότι υποδηλώνει ισχυρότερη ένδειξη υψηλής αναγέννησης ή ανάκαμψης. Οι
κατανομές των δεικτών NDVI και NBR για καμένα και άκαυστα έμπλαστρα σχεδιάστηκαν και
πραγματοποιήθηκε ανάλυση γραμμικής παλινδρόμησης μεταξύ των τιμών διαφοράς των δεικτών και
επιλεγμένων περιβαλλοντικών μεταβλητών.

'''<h1>Αποτελέσματα </h1>'''

'''<h2> Αλλαγές Τύπων Βλάστησης - Cross-Tabulation Analysis </h2>'''

Από το 1981 (δύο χρόνια πριν από την πυρκαγιά) έως το 2009 (26 χρόνια μετά την πυρκαγιά), οι
αλλαγές στη βλάστηση είναι εμφανείς. Παρατηρήθηκε μείωση στις πυκνές δασικές εκτάσεις (από
54,8% σε 37,4%) και στις ανοιχτές δασικές εκτάσεις (από 34,8% σε 7,8%), που συνοδεύτηκε από
αύξηση των θαμνωδών εκτάσεων (από 9,8% σε 37,4%) και των φρουρών (από 0,6% σε 17,4% ).
Οι παρατηρούμενες αλλαγές αποκλίνουν σημαντικά από τις αναμενόμενες τιμές, υποδηλώνοντας ότι
αυτές οι αλλαγές δεν οφείλονται αποκλειστικά σε τυχαίες τιμές. Αυτό δείχνει ότι ένα σημαντικό μέρος
των θαμνωδών εκτάσεων δεν ανέκαμψε 26 χρόνια μετά την πυρκαγιά, αν και σε ορισμένες περιοχές,
σημεία που κυριαρχούσαν οι θάμνοι παρουσίασαν μείωση, προάγοντας πιθανώς τη βλάστηση των
σπόρων Pinus brutia.

[[Αρχείο:Paper1-fig3.png | right | thumb | Indication of ecosystem recovery as inferred through the difference between the vegetation rates of NDVI
(Normalized Difference Vegetation Index) and NBR (Normalized
Burned Ratio) in satellite images from 1984 and 2012.]]

'''<h2> Αναγέννηση Pinus brutia - Logistic Regression Analysis </h2>'''

Το μοντέλο δυαδικής λογιστικής παλινδρόμησης, που επικυρώθηκε με δείκτες βλάστησης, υποδεικνύει
παράγοντες που επηρεάζουν την ανάκαμψη των πευκοδασών. Εντοπίζονται πέντε σημαντικές
μεταβλητές που επηρεάζουν την ανάκαμψη των δασών: "υψόμετρο", "κλίση", "ηλιακή ακτινοβολία",
"απόσταση από το υδρογραφικό δίκτυο" και "βλάστηση πριν από την πυρκαγιά". Το μεγάλο υψόμετρο
ευνοεί την ανάκαμψη, ενώ οι απότομες πλαγιές, η υψηλή ηλιακή ακτινοβολία, οι μεγάλες αποστάσεις
από το υδρογραφικό δίκτυο και οι ανοικτές προ της πυρκαγιάς συστάδες Pinus brutia εμποδίζουν την
ανάκαμψη. Οι καμπύλες πυκνότητας απεικονίζουν αξιοσημείωτες διαφορές σε μεταβλητές όπως η
"προσπίπτουσα ηλιακή ακτινοβολία", το "υψόμετρο" και η "κλίση της πλαγιάς" μεταξύ των κλάσεων
ανάκαμψης και μη ανάκαμψης.

[[Αρχείο:Paper1-fig4.png | right | thumb | Estimated density curves of selected
environmental variables for each recovery class (0: “no recovery”;
1: “recovery”)]]

[[Αρχείο:Paper1-fig5.png | right | thumb | Interpolated (inverse distance weighted) recovery probabilities, as estimated from the logistic regression
model, in the study area (left); higher probabilities of recovery are estimated for the areas of higher elevation
(right), as predicted from the logistic regression.]]

'''<h2> Αλλαγές στους Δείκτες Βλάστησης - Linear Regression </h2>'''

Στην ανάλυση linear regression παρατηρήθηκαν παρόμοια ευρήματα. Το υψόμετρο και η κλίση της
πλαγιάς αναδείχθηκαν ως κυρίαρχες και σημαντικές μεταβλητές που επηρεάζουν το μέγεθος της
διαφοράς στις τιμές των δεικτών βλάστησης, ενδεικτικές της ανάκαμψης, για τις επιλεγμένες κηλίδες.
Η ανάκαμψη, που αντιπροσωπεύεται από μεγάλες διαφορές NDVI και NBR, παρουσίασε θετική
συσχέτιση με το υψόμετρο, ενώ παρατηρήθηκε αρνητική σχέση με την κλίση.

[[Αρχείο:Paper1-fig6.png | right | thumb | Scatter diagram of regeneration in relation to altitude and slope]]

''' <h1> Συμπεράσματα </h1>'''

Τα αποτελέσματα υποδεικνύουν αλλοιωμένα τοπία λόγω της πυρκαγιάς, με μείωση των δασών P.
brutia και αύξηση των θαμνώνων.Το υψόμετρο επηρεάζει θετικά την ανάκαμψη των δασικών
εκτάσεων, σε συνδυασμό με τους απαιτητικούς σε νερό τύπους βλάστησης που ευνοούνται σε
μεγαλύτερα υψόμετρα.Η κλίση της πλαγιάς παίζει καθοριστικό ρόλο, με τις ήπιες πλαγιές να
διευκολύνουν τη φυσική αναγέννηση. Η μειωμένη ηλιακή ακτινοβολία συνδέεται με την καλύτερη
ποιότητα της περιοχής, ενισχύοντας την αναγέννηση. Η πυκνότητα της βλάστησης πριν από την
πυρκαγιά επηρεάζει αρνητικά την ανάκαμψη, ενδεχομένως λόγω της διαθεσιμότητας σπόρων, ενώ η
απόσταση από υδρογραφικά δίκτυα επηρεάζει τη δυνατότητα ανάκαμψης. Άλλες εξεταζόμενες
μεταβλητές, συμπεριλαμβανομένου του γεωλογικού υποστρώματος και του βάθους του εδάφους,
παρουσιάζουν περιορισμένη σημασία. Η μελέτη υποδηλώνει την ανάγκη για περισσότερη έρευνα
σχετικά με φυσικές και ανθρωπογενείς παραμέτρους σε επεξηγηματικά μοντέλα για την ανάκαμψη των
δασών.

[[category:Δασοπονία, Δασική διαχείριση]]

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...

2024-02-20T16:57:17Z

Ichristinakis:

'''Πρότυπος Τίτλος'''

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης δάσους πεύκου που έχει πληγεί από τη φωτιά στη Νότια Ελλάδα

'''Τίτλος'''

A Remote Sensing and GIS Approach to Study the Long-Term Vegetation Recovery of a Fire-Affected Pine Forest in Southern Greece

'''Πηγή'''

[https://www.mdpi.com/2072-4292/7/6/7712 mdpi]

[https://doi.org/10.3390/rs70607712 doi]

'''Συγγραφείς'''

Foula Nioti, Fotios Xystrakis, Nikos Koutsias, Panayotis Dimopoulos

''' <h1> Εισαγωγή </h1> '''
Η μελέτη και η διαχείριση οικοσυστημάτων επιρρεπών σε πυρκαγίες εξαρτάται άμεσα απο το δυναμικό
αναγέννησης και την δυνατότητα ανάκτησης των διαφόρων τύπων βλάστησης εντός αυτών. Στην
παρούσα μελέτη, αξιολογείται η ανάκτηση της βλάστησης σε δασικές εκτάσεις Τραχείας Πεύκης
(Pindus brutia) μετά από την πυρκαγιά του 1983 στο νησί Κάρπαθος που βρίσκεται στο
νοτιοανατολικό Αίγαίο, Ελλάδα, με κύριους στόχους (α) για τον εντοπισμό των περιβαλλοντικών
παραμέτρων που θα μπορούσαν να συμβάλουν στην ανάκτηση των δασικών εκτάσεων P. brutia που
κάηκαν και (β) για τον προσδιορισμό των αλλαγών κάλυψης γης (1982–2009) που σχετίζονται με αυτό
το συμβάν πυρκαγιάς.
Υπολογίστηκαν και συγκρίθηκαν οι δείκτες NDVI και NBR καθώς και θεματικοί χάρτες αλλαγών
κάλυψης γης λίγους μήνες μετά την πυρκαγιά, το 1984 και μετά από σχεδόν 30 χρόνια το 2012, ενώ
αναλύθηκε η επορροή διαφόρων περιβαλλοντικών παραγόντων. Τα αποτελέσματα έδειξαν σημαντική
ανάκαμψη, αλλά και ότι ορισμένες δασικές εκτάσεις μετατράπηκαν σε θαμνώδη βλάστηση. Το
υψόμετρο, η κλίση, η ακτινοβολία και η φυσιογνωμία πριν από την πυρκαγιά είχαν επιρροή στην
ανάκτηση, με το υψόμετρο και την κλίση να εξηγούν τις αλλαγές στους δορυφορικούς δείκτες.
Η Pinus brutia έδειξε καλή δυνατότητα ανάκτησης μετά την πυρκαγιά σε περιοχές με αυξημένη
διαθεσιμότητα υγρασίας.

''' <h1> Περιοχή Μελέτης </h1> '''

Η περιοχή μελέτης βρίσκεται στο νησί της Κάρπαθου στο Ανατολικό Αιγαίο, όπου μια μεγάλη
πυρκαγιά το 1983 έκαψε 4475 εκτάρια δασικής έκτασης Pinus brutia, μαζί με άλλους τύπους
βλάστησης όπως τα φρύγανα. Η ουλή πυρκαγιάς, που περιγράφεται μεταξύ 27 ° 7'25.9''Ε -35 °
38'12.3''N (νοτιοδυτικά) και 27 ° 13'5.6'E -35 ° 45'19.7''N (βορειοανατολικά), περιλαμβάνει άκαμπτη
μπαλώματα εντός της γενικής καμένης περιμέτρου.
Η Κάρπαθος, στη θερμομεσογειακή κλιματική ζώνη, έχει υψόμετρα που κυμαίνονται από 0 έως 684 m.
Το μεσογειακό κλίμα του νησιού περιλαμβάνει μια ξηρή περίοδο από τα μέσα Μαρτίου έως τα μέσα
Οκτωβρίου. Η μέση ετήσια βροχόπτωση είναι 386,7 mm, η μέση ετήσια θερμοκρασία 19,4 ° C,
ελάχιστη θερμοκρασία ψυχρότερου μήνα 0,8 ° C και μέγιστη θερμοκρασία θερμοκρασίας 45 ° C. Το
γεωλογικό υπόστρωμα αποτελείται από σκληρό ασβεστόλιθο και φλύσχη.

[[Αρχείο:Paper1-fig1.png | right | thumb | Geographical location and changes between pre- and post-fire land cover. ]]

'''<h1>Δεδομένα</h1>'''

'''<h2> Ουλή Πυρκαγιάς </h2>'''

Για την πυρκαγιά του 1983, δεν ήταν προσβάσιμος ακριβής, λεπτομερής χάρτης της καμένης περιοχής,
μόνο ένα γενικό σκίτσο της περιμέτρου του εγκαύματος με περιορισμένες χωρικές πληροφορίες, ειδικά
για άκαυστα μπαλώματα, το οποίο διορθώθηκε ώστε να προσδιοριστεί χωρικά η ουλή της πυρκαγιάς
με την βοήθεια δορυφορικών εικόνων LANDSAT του 1984 και πολυχρονικά δορυφορικά δεδομένα
αρχειοθετημένα από το USGS LANDSAT.

'''<h2> Περιβαλλοντικοί Παράγοντες </h2>'''

Για την αξιολόγηση της επίδρασης του φυσικού περιβάλλοντος στην ανάκτηση μετά την πυρκαγιά της
δασικής βλάστησης P. brutia, εξετάστηκαν διάφορες μεταβλητές. Αυτά περιελάμβαναν υψόμετρο, όψη,
κλίση, γεωλογικό υπόστρωμα, δεδομένα εδάφους, ηλιακή ακτινοβολία και απόσταση από το
υδρογραφικό δίκτυο.
Το υψόμετρο προσδιορίστηκε χρησιμοποιώντας ένα ψηφιακό υψομετρικό μοντέλο (30 m DEM). Το
DEM χρησίμευε επίσης για την εκτίμηση της κλίσης και της όψης της κλίσης. Οι πληροφορίες για το
γεωλογικό υπόστρωμα και το βάθος του εδάφους ελήφθησαν από γεωλογικούς και εδαφικούς χάρτες
1:50.000. Η πλησιέστερη απόσταση από το υδρογραφικό δίκτυο υπολογίστηκε με χρήση των 30m
DEM και ArcGIS Hydrology Tools. Η εισερχόμενη ηλιακή ακτινοβολία υπολογίστηκε λαμβάνοντας
υπόψη τις κλίσεις, τον προσανατολισμό και την ανάγλυφη σκίαση. Υπολογίστηκαν επίσης αποστάσεις
από κάθε σημείο δειγματοληψίας μέχρι την πλησιέστερη άκαυστη τοποθεσία και άκαυτο πευκοδάσος.
Όλες αυτές οι μεταβλητές προσδιορίστηκαν για κάθε σημείο δείγματος στον δειγματοληπτικό
σχεδιασμό της περιοχής μελέτης.

'''<h2> Κάληψη Γης Πριν και Μετα την Πυρκαγιά </h2>'''

Για να εντοπιστούν οι αποκλίσεις των χαρτών κάλυψης γης μεταξύ πριν και μετά την πυρκαγιά και των
περιορισμών των δορυφορικών δεδομένων, αναπτύχθηκε ένα σύστημα ταξινόμησης. Το πρόγραμμα
περιλαμβάνει τέσσερις κατηγορίες κάλυψης γης: πυκνό δάσος P. brutia (> 25% κάλυψη), ανοιχτό
δάσος P. brutia (< 25% κάλυψη), θαμνώδεις εκτάσεις (με διάσπαρτα δέντρα) και φρύγανα (περιοχές
αραιής βλάστησης χωρίς δέντρα ή ψηλούς θάμνους). ). Αυτό το σύστημα εφαρμόστηκε τόσο στους
χάρτες βλάστησης πριν όσο και μετά την πυρκαγιά.
Για τον χάρτη βλάστησης πριν από την πυρκαγιά, χρησιμοποιήθηκαν δεδομένα πεδίου από το 1981 και
δορυφορικές εικόνες LANDSAT από το 1975 και το 1984. Ο χάρτης βλάστησης μετά την πυρκαγιά
χρησιμοποίησε δεδομένα κάλυψης εδάφους CORINE 2000 και εικόνες θεματικού χάρτη LANDSAT-5
από το 2008 και το 2009.
Στους χάρτες κάλυψης γης πριν και μετά την πυρκαγιά, για να αναδειχθούν οι αλλαγές στην κατανομή
της βλάστησης 26 χρόνια μετά την πυρκαγιά, χρησιμοποιήθηκε ένας τακτικός δείκτης για την
αξιολόγηση των αλλαγών στις κατηγορίες ανάκτησης, με αποτέλεσμα έναν τελικό χάρτη των αλλαγών
της βλάστησης εντός της καμένης περιοχής.

[[Αρχείο:Paper1-table1.png | right | thumb | Geographical location and changes between pre- and post-fire land cover.]]

'''<h2>Δεικτες Βλάστησης</h2>'''

Οι αλλαγές στους δείκτες βλάστησης αξιολογήθηκαν χρησιμοποιώντας δεδομένα δορυφορικής
τηλεπισκόπησης, συγκεκριμένα τον Δείκτη Κανονικής Διαφοράς Βλάστησης (NDVI) και τον Κανονικό
Λόγο Εγκαύματος (NBR) για τις εικόνες LANDSAT του 1984 και του 2012.
Αυτοί οι δείκτες βλάστησης χρησιμοποιούνται συνήθως στην τηλεπισκόπηση καμένων περιοχών για τη
χαρτογράφηση των ουλών πυρκαγιάς ή την εκτίμηση της σοβαρότητας των εγκαυμάτων,
ελαχιστοποιώντας την επίδραση εξωγενών παραγόντων και ενισχύοντας τη συσχέτιση με τις
εσωτερικές παραμέτρους βλάστησης.

'''<h1> Στατιστική Ανάλυση και Μεθοδολογία </h1>'''

'''<h2> Δειγματοληψία </h2>'''

Επιλέχθηκαν τυχαία 500 σημεία εντός της περιοχής μελέτης χρησιμοποιώντας γενικευμένη τυχαία
στρωματοποιημένη δειγματοληψία, με μέγεθος δείγματος ανάλογο με κάθε κατηγορία χρήσεων
γης/κάλυψης γης. Έντεκα σημεία εντός των γεωργικών αγρών εξαιρέθηκαν, με αποτέλεσμα ένα τελικό
σύνολο δεδομένων 489 σημείων για ανάλυση διασταύρωσης πινάκων. Ένα δευτερεύον σύνολο
δεδομένων, που χρησιμοποιήθηκε στην ανάλυση logistic regression, απέκλεισε σημεία στη βλάστηση
θάμνων και φρύγανα, συνολικού ύψους 438 σημείων σε πυκνό και ανοιχτό δάσος P. brutia για
ανάπτυξη του μοντέλου.

[[Αρχείο:Paper1-fig2.png | right | thumb | IKONOS segmentation and the burnt areas polygons.]]

Επιπλέον, επιλέχθηκαν 88 ομοιογενή τμήματα ως περιοχές δοκιμής από παγχρωματικές εικόνες
IKONOS υψηλής ανάλυσης. Ένας αλγόριθμος τμηματοποίησης, συγκεκριμένα το λογισμικό
eCognition® Developer, εφαρμόστηκε στην εικόνα και επιλέχθηκαν οπτικά 88 ομοιογενή τεμάχια.

'''<h2> Cross-Tabulation Analysis </h2>'''

Η ανάλυση διασταυρούμενης πινακοποίησης (πίνακες έκτακτης ανάγκης) εφαρμόστηκε για τον
εντοπισμό αλλαγών κάλυψης βλάστησης την εξεταζόμενη χρονική περίοδο (προ και μετά την πυρκαγιά
βλάστηση) στα 489 σημεία δειγματοληψίας.

'''<h2> Logistic Regression </h2>'''

Η ανάκτηση δασών σε πευκοδάση πριν από την πυρκαγιά αναλύθηκε χρησιμοποιώντας binary logistic
regression. Οι τακτικές κλάσεις ανάκτησης μετατράπηκαν σε δυαδικές μεταβλητές, με το "1" να
δείχνει την ανάκτηση στην κατάσταση πριν από την πυρκαγιά και το "0" να υποδεικνύει διαφορετικά.
Η δυαδική λογιστική παλινδρόμηση προέβλεψε την τιμή της μεταβλητής απόκρισης (ανάκτηση) από
περιβαλλοντικές επεξηγηματικές μεταβλητές.
Το καλύτερο μοντέλο επιλέχθηκε με βάση το κριτήριο BIC, συμπεριλαμβανομένων συνεχών
μεταβλητών όπως υψόμετρο, κλίση, όψη, ηλιακή ακτινοβολία, απόσταση από άκαυστα σημεία,
απόσταση από άκαυτο δάσος P. brutia και κατηγορικές μεταβλητές όπως βάθος εδάφους, τύπος βράχου
και προ -πυρική βλάστηση (πυκνή ή ανοιχτή συστάδες P. brutia). Η απόδοση του μοντέλου
αξιολογήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας
δέκτη (ROC), υποδεικνύοντας αποδεκτή διάκριση.
Η δοκιμή καλής προσαρμογής Hosmer–Lemeshow αξιολόγησε πόσο καλά ταίριαζε το μοντέλο στα
δεδομένα. Οι καμπύλες πυκνότητας επιλεγμένων επεξηγηματικών μεταβλητών για τις κατηγορίες
ανάκτησης σχεδιάστηκαν για να απεικονιστούν οι διαφορές στη μεταβλητή κατανομή μεταξύ των δύο
κατηγοριών ανάκτησης.

'''<h2> Αλλαγές Δεικτών Βλάστησης </h2>'''

Για τη μέτρηση της ανάκτησης του οικοσυστήματος, η διαφορά μεταξύ των δεικτών NDVI και NBR
χρησιμοποιήθηκε ως μεταβλητή μεσολάβησης. Αυτή η διαφορά υπολογίστηκε για το έτος αμέσως μετά
την πυρκαγιά (1984) και το 2012. Μια μεγαλύτερη διαφορά στις τιμές του δείκτη μεταξύ αυτών των
περιόδων θεωρείται ότι υποδηλώνει ισχυρότερη ένδειξη υψηλής αναγέννησης ή ανάκαμψης. Οι
κατανομές των δεικτών NDVI και NBR για καμένα και άκαυστα έμπλαστρα σχεδιάστηκαν και
πραγματοποιήθηκε ανάλυση γραμμικής παλινδρόμησης μεταξύ των τιμών διαφοράς των δεικτών και
επιλεγμένων περιβαλλοντικών μεταβλητών.

'''<h1>Αποτελέσματα </h1>'''

'''<h2> Αλλαγές Τύπων Βλάστησης - Cross-Tabulation Analysis </h2>'''

Από το 1981 (δύο χρόνια πριν από την πυρκαγιά) έως το 2009 (26 χρόνια μετά την πυρκαγιά), οι
αλλαγές στη βλάστηση είναι εμφανείς. Παρατηρήθηκε μείωση στις πυκνές δασικές εκτάσεις (από
54,8% σε 37,4%) και στις ανοιχτές δασικές εκτάσεις (από 34,8% σε 7,8%), που συνοδεύτηκε από
αύξηση των θαμνωδών εκτάσεων (από 9,8% σε 37,4%) και των φρουρών (από 0,6% σε 17,4% ).
Οι παρατηρούμενες αλλαγές αποκλίνουν σημαντικά από τις αναμενόμενες τιμές, υποδηλώνοντας ότι
αυτές οι αλλαγές δεν οφείλονται αποκλειστικά σε τυχαίες τιμές. Αυτό δείχνει ότι ένα σημαντικό μέρος
των θαμνωδών εκτάσεων δεν ανέκαμψε 26 χρόνια μετά την πυρκαγιά, αν και σε ορισμένες περιοχές,
σημεία που κυριαρχούσαν οι θάμνοι παρουσίασαν μείωση, προάγοντας πιθανώς τη βλάστηση των
σπόρων Pinus brutia.

'''<h2> Αναγέννηση Pinus brutia - Logistic Regression Analysis </h2>'''

Το μοντέλο δυαδικής λογιστικής παλινδρόμησης, που επικυρώθηκε με δείκτες βλάστησης, υποδεικνύει
παράγοντες που επηρεάζουν την ανάκαμψη των πευκοδασών. Εντοπίζονται πέντε σημαντικές
μεταβλητές που επηρεάζουν την ανάκαμψη των δασών: "υψόμετρο", "κλίση", "ηλιακή ακτινοβολία",
"απόσταση από το υδρογραφικό δίκτυο" και "βλάστηση πριν από την πυρκαγιά". Το μεγάλο υψόμετρο
ευνοεί την ανάκαμψη, ενώ οι απότομες πλαγιές, η υψηλή ηλιακή ακτινοβολία, οι μεγάλες αποστάσεις
από το υδρογραφικό δίκτυο και οι ανοικτές προ της πυρκαγιάς συστάδες Pinus brutia εμποδίζουν την
ανάκαμψη. Οι καμπύλες πυκνότητας απεικονίζουν αξιοσημείωτες διαφορές σε μεταβλητές όπως η
"προσπίπτουσα ηλιακή ακτινοβολία", το "υψόμετρο" και η "κλίση της πλαγιάς" μεταξύ των κλάσεων
ανάκαμψης και μη ανάκαμψης.

[[Αρχείο:Paper1-fig3.png | right | thumb | Indication of ecosystem recovery as inferred through the difference between the vegetation rates of NDVI
(Normalized Difference Vegetation Index) and NBR (Normalized
Burned Ratio) in satellite images from 1984 and 2012.]]
[[Αρχείο:Paper1-fig4.png | right | thumb | Estimated density curves of selected
environmental variables for each recovery class (0: “no recovery”;
1: “recovery”)]]
[[Αρχείο:Paper1-fig5.png | right | thumb | Interpolated (inverse distance weighted) recovery probabilities, as estimated from the logistic regression
model, in the study area (left); higher probabilities of recovery are estimated for the areas of higher elevation
(right), as predicted from the logistic regression.]]

'''<h2> Αλλαγές στους Δείκτες Βλάστησης - Linear Regression </h2>'''

Στην ανάλυση linear regression παρατηρήθηκαν παρόμοια ευρήματα. Το υψόμετρο και η κλίση της
πλαγιάς αναδείχθηκαν ως κυρίαρχες και σημαντικές μεταβλητές που επηρεάζουν το μέγεθος της
διαφοράς στις τιμές των δεικτών βλάστησης, ενδεικτικές της ανάκαμψης, για τις επιλεγμένες κηλίδες.
Η ανάκαμψη, που αντιπροσωπεύεται από μεγάλες διαφορές NDVI και NBR, παρουσίασε θετική
συσχέτιση με το υψόμετρο, ενώ παρατηρήθηκε αρνητική σχέση με την κλίση.

[[Αρχείο:Paper1-fig6.png | right | thumb | Scatter diagram of regeneration in relation to altitude and slope]]

''' <h1> Συμπεράσματα </h1>'''

Τα αποτελέσματα υποδεικνύουν αλλοιωμένα τοπία λόγω της πυρκαγιάς, με μείωση των δασών P.
brutia και αύξηση των θαμνώνων.Το υψόμετρο επηρεάζει θετικά την ανάκαμψη των δασικών
εκτάσεων, σε συνδυασμό με τους απαιτητικούς σε νερό τύπους βλάστησης που ευνοούνται σε
μεγαλύτερα υψόμετρα.Η κλίση της πλαγιάς παίζει καθοριστικό ρόλο, με τις ήπιες πλαγιές να
διευκολύνουν τη φυσική αναγέννηση. Η μειωμένη ηλιακή ακτινοβολία συνδέεται με την καλύτερη
ποιότητα της περιοχής, ενισχύοντας την αναγέννηση. Η πυκνότητα της βλάστησης πριν από την
πυρκαγιά επηρεάζει αρνητικά την ανάκαμψη, ενδεχομένως λόγω της διαθεσιμότητας σπόρων, ενώ η
απόσταση από υδρογραφικά δίκτυα επηρεάζει τη δυνατότητα ανάκαμψης. Άλλες εξεταζόμενες
μεταβλητές, συμπεριλαμβανομένου του γεωλογικού υποστρώματος και του βάθους του εδάφους,
παρουσιάζουν περιορισμένη σημασία. Η μελέτη υποδηλώνει την ανάγκη για περισσότερη έρευνα
σχετικά με φυσικές και ανθρωπογενείς παραμέτρους σε επεξηγηματικά μοντέλα για την ανάκαμψη των
δασών.

[[category:Δασοπονία, Δασική διαχείριση]]

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...

2024-02-20T16:56:47Z

Ichristinakis:

'''Πρότυπος Τίτλος'''

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης δάσους πεύκου που έχει πληγεί από τη φωτιά στη Νότια Ελλάδα

'''Τίτλος'''

A Remote Sensing and GIS Approach to Study the Long-Term Vegetation Recovery of a Fire-Affected Pine Forest in Southern Greece

'''Πηγή'''

[https://www.mdpi.com/2072-4292/7/6/7712 mdpi]

[https://doi.org/10.3390/rs70607712 doi]

'''Συγγραφείς'''

Foula Nioti, Fotios Xystrakis, Nikos Koutsias, Panayotis Dimopoulos

''' <h1> Εισαγωγή </h1> '''
Η μελέτη και η διαχείριση οικοσυστημάτων επιρρεπών σε πυρκαγίες εξαρτάται άμεσα απο το δυναμικό
αναγέννησης και την δυνατότητα ανάκτησης των διαφόρων τύπων βλάστησης εντός αυτών. Στην
παρούσα μελέτη, αξιολογείται η ανάκτηση της βλάστησης σε δασικές εκτάσεις Τραχείας Πεύκης
(Pindus brutia) μετά από την πυρκαγιά του 1983 στο νησί Κάρπαθος που βρίσκεται στο
νοτιοανατολικό Αίγαίο, Ελλάδα, με κύριους στόχους (α) για τον εντοπισμό των περιβαλλοντικών
παραμέτρων που θα μπορούσαν να συμβάλουν στην ανάκτηση των δασικών εκτάσεων P. brutia που
κάηκαν και (β) για τον προσδιορισμό των αλλαγών κάλυψης γης (1982–2009) που σχετίζονται με αυτό
το συμβάν πυρκαγιάς.
Υπολογίστηκαν και συγκρίθηκαν οι δείκτες NDVI και NBR καθώς και θεματικοί χάρτες αλλαγών
κάλυψης γης λίγους μήνες μετά την πυρκαγιά, το 1984 και μετά από σχεδόν 30 χρόνια το 2012, ενώ
αναλύθηκε η επορροή διαφόρων περιβαλλοντικών παραγόντων. Τα αποτελέσματα έδειξαν σημαντική
ανάκαμψη, αλλά και ότι ορισμένες δασικές εκτάσεις μετατράπηκαν σε θαμνώδη βλάστηση. Το
υψόμετρο, η κλίση, η ακτινοβολία και η φυσιογνωμία πριν από την πυρκαγιά είχαν επιρροή στην
ανάκτηση, με το υψόμετρο και την κλίση να εξηγούν τις αλλαγές στους δορυφορικούς δείκτες.
Η Pinus brutia έδειξε καλή δυνατότητα ανάκτησης μετά την πυρκαγιά σε περιοχές με αυξημένη
διαθεσιμότητα υγρασίας.

''' <h1> Περιοχή Μελέτης </h1> '''

Η περιοχή μελέτης βρίσκεται στο νησί της Κάρπαθου στο Ανατολικό Αιγαίο, όπου μια μεγάλη
πυρκαγιά το 1983 έκαψε 4475 εκτάρια δασικής έκτασης Pinus brutia, μαζί με άλλους τύπους
βλάστησης όπως τα φρύγανα. Η ουλή πυρκαγιάς, που περιγράφεται μεταξύ 27 ° 7'25.9''Ε -35 °
38'12.3''N (νοτιοδυτικά) και 27 ° 13'5.6'E -35 ° 45'19.7''N (βορειοανατολικά), περιλαμβάνει άκαμπτη
μπαλώματα εντός της γενικής καμένης περιμέτρου.
Η Κάρπαθος, στη θερμομεσογειακή κλιματική ζώνη, έχει υψόμετρα που κυμαίνονται από 0 έως 684 m.
Το μεσογειακό κλίμα του νησιού περιλαμβάνει μια ξηρή περίοδο από τα μέσα Μαρτίου έως τα μέσα
Οκτωβρίου. Η μέση ετήσια βροχόπτωση είναι 386,7 mm, η μέση ετήσια θερμοκρασία 19,4 ° C,
ελάχιστη θερμοκρασία ψυχρότερου μήνα 0,8 ° C και μέγιστη θερμοκρασία θερμοκρασίας 45 ° C. Το
γεωλογικό υπόστρωμα αποτελείται από σκληρό ασβεστόλιθο και φλύσχη.

[[Αρχείο:Paper1-fig1.png | right | thumb]]

'''<h1>Δεδομένα</h1>'''

'''<h2> Ουλή Πυρκαγιάς </h2>'''

Για την πυρκαγιά του 1983, δεν ήταν προσβάσιμος ακριβής, λεπτομερής χάρτης της καμένης περιοχής,
μόνο ένα γενικό σκίτσο της περιμέτρου του εγκαύματος με περιορισμένες χωρικές πληροφορίες, ειδικά
για άκαυστα μπαλώματα, το οποίο διορθώθηκε ώστε να προσδιοριστεί χωρικά η ουλή της πυρκαγιάς
με την βοήθεια δορυφορικών εικόνων LANDSAT του 1984 και πολυχρονικά δορυφορικά δεδομένα
αρχειοθετημένα από το USGS LANDSAT.

'''<h2> Περιβαλλοντικοί Παράγοντες </h2>'''

Για την αξιολόγηση της επίδρασης του φυσικού περιβάλλοντος στην ανάκτηση μετά την πυρκαγιά της
δασικής βλάστησης P. brutia, εξετάστηκαν διάφορες μεταβλητές. Αυτά περιελάμβαναν υψόμετρο, όψη,
κλίση, γεωλογικό υπόστρωμα, δεδομένα εδάφους, ηλιακή ακτινοβολία και απόσταση από το
υδρογραφικό δίκτυο.
Το υψόμετρο προσδιορίστηκε χρησιμοποιώντας ένα ψηφιακό υψομετρικό μοντέλο (30 m DEM). Το
DEM χρησίμευε επίσης για την εκτίμηση της κλίσης και της όψης της κλίσης. Οι πληροφορίες για το
γεωλογικό υπόστρωμα και το βάθος του εδάφους ελήφθησαν από γεωλογικούς και εδαφικούς χάρτες
1:50.000. Η πλησιέστερη απόσταση από το υδρογραφικό δίκτυο υπολογίστηκε με χρήση των 30m
DEM και ArcGIS Hydrology Tools. Η εισερχόμενη ηλιακή ακτινοβολία υπολογίστηκε λαμβάνοντας
υπόψη τις κλίσεις, τον προσανατολισμό και την ανάγλυφη σκίαση. Υπολογίστηκαν επίσης αποστάσεις
από κάθε σημείο δειγματοληψίας μέχρι την πλησιέστερη άκαυστη τοποθεσία και άκαυτο πευκοδάσος.
Όλες αυτές οι μεταβλητές προσδιορίστηκαν για κάθε σημείο δείγματος στον δειγματοληπτικό
σχεδιασμό της περιοχής μελέτης.

'''<h2> Κάληψη Γης Πριν και Μετα την Πυρκαγιά </h2>'''

Για να εντοπιστούν οι αποκλίσεις των χαρτών κάλυψης γης μεταξύ πριν και μετά την πυρκαγιά και των
περιορισμών των δορυφορικών δεδομένων, αναπτύχθηκε ένα σύστημα ταξινόμησης. Το πρόγραμμα
περιλαμβάνει τέσσερις κατηγορίες κάλυψης γης: πυκνό δάσος P. brutia (> 25% κάλυψη), ανοιχτό
δάσος P. brutia (< 25% κάλυψη), θαμνώδεις εκτάσεις (με διάσπαρτα δέντρα) και φρύγανα (περιοχές
αραιής βλάστησης χωρίς δέντρα ή ψηλούς θάμνους). ). Αυτό το σύστημα εφαρμόστηκε τόσο στους
χάρτες βλάστησης πριν όσο και μετά την πυρκαγιά.
Για τον χάρτη βλάστησης πριν από την πυρκαγιά, χρησιμοποιήθηκαν δεδομένα πεδίου από το 1981 και
δορυφορικές εικόνες LANDSAT από το 1975 και το 1984. Ο χάρτης βλάστησης μετά την πυρκαγιά
χρησιμοποίησε δεδομένα κάλυψης εδάφους CORINE 2000 και εικόνες θεματικού χάρτη LANDSAT-5
από το 2008 και το 2009.
Στους χάρτες κάλυψης γης πριν και μετά την πυρκαγιά, για να αναδειχθούν οι αλλαγές στην κατανομή
της βλάστησης 26 χρόνια μετά την πυρκαγιά, χρησιμοποιήθηκε ένας τακτικός δείκτης για την
αξιολόγηση των αλλαγών στις κατηγορίες ανάκτησης, με αποτέλεσμα έναν τελικό χάρτη των αλλαγών
της βλάστησης εντός της καμένης περιοχής.

[[Αρχείο:Paper1-table1.png | right | thumb | Geographical location and changes between pre- and post-fire land cover.]]

'''<h2>Δεικτες Βλάστησης</h2>'''

Οι αλλαγές στους δείκτες βλάστησης αξιολογήθηκαν χρησιμοποιώντας δεδομένα δορυφορικής
τηλεπισκόπησης, συγκεκριμένα τον Δείκτη Κανονικής Διαφοράς Βλάστησης (NDVI) και τον Κανονικό
Λόγο Εγκαύματος (NBR) για τις εικόνες LANDSAT του 1984 και του 2012.
Αυτοί οι δείκτες βλάστησης χρησιμοποιούνται συνήθως στην τηλεπισκόπηση καμένων περιοχών για τη
χαρτογράφηση των ουλών πυρκαγιάς ή την εκτίμηση της σοβαρότητας των εγκαυμάτων,
ελαχιστοποιώντας την επίδραση εξωγενών παραγόντων και ενισχύοντας τη συσχέτιση με τις
εσωτερικές παραμέτρους βλάστησης.

'''<h1> Στατιστική Ανάλυση και Μεθοδολογία </h1>'''

'''<h2> Δειγματοληψία </h2>'''

Επιλέχθηκαν τυχαία 500 σημεία εντός της περιοχής μελέτης χρησιμοποιώντας γενικευμένη τυχαία
στρωματοποιημένη δειγματοληψία, με μέγεθος δείγματος ανάλογο με κάθε κατηγορία χρήσεων
γης/κάλυψης γης. Έντεκα σημεία εντός των γεωργικών αγρών εξαιρέθηκαν, με αποτέλεσμα ένα τελικό
σύνολο δεδομένων 489 σημείων για ανάλυση διασταύρωσης πινάκων. Ένα δευτερεύον σύνολο
δεδομένων, που χρησιμοποιήθηκε στην ανάλυση logistic regression, απέκλεισε σημεία στη βλάστηση
θάμνων και φρύγανα, συνολικού ύψους 438 σημείων σε πυκνό και ανοιχτό δάσος P. brutia για
ανάπτυξη του μοντέλου.

[[Αρχείο:Paper1-fig2.png | right | thumb | IKONOS segmentation and the burnt areas polygons.]]

Επιπλέον, επιλέχθηκαν 88 ομοιογενή τμήματα ως περιοχές δοκιμής από παγχρωματικές εικόνες
IKONOS υψηλής ανάλυσης. Ένας αλγόριθμος τμηματοποίησης, συγκεκριμένα το λογισμικό
eCognition® Developer, εφαρμόστηκε στην εικόνα και επιλέχθηκαν οπτικά 88 ομοιογενή τεμάχια.

'''<h2> Cross-Tabulation Analysis </h2>'''

Η ανάλυση διασταυρούμενης πινακοποίησης (πίνακες έκτακτης ανάγκης) εφαρμόστηκε για τον
εντοπισμό αλλαγών κάλυψης βλάστησης την εξεταζόμενη χρονική περίοδο (προ και μετά την πυρκαγιά
βλάστηση) στα 489 σημεία δειγματοληψίας.

'''<h2> Logistic Regression </h2>'''

Η ανάκτηση δασών σε πευκοδάση πριν από την πυρκαγιά αναλύθηκε χρησιμοποιώντας binary logistic
regression. Οι τακτικές κλάσεις ανάκτησης μετατράπηκαν σε δυαδικές μεταβλητές, με το "1" να
δείχνει την ανάκτηση στην κατάσταση πριν από την πυρκαγιά και το "0" να υποδεικνύει διαφορετικά.
Η δυαδική λογιστική παλινδρόμηση προέβλεψε την τιμή της μεταβλητής απόκρισης (ανάκτηση) από
περιβαλλοντικές επεξηγηματικές μεταβλητές.
Το καλύτερο μοντέλο επιλέχθηκε με βάση το κριτήριο BIC, συμπεριλαμβανομένων συνεχών
μεταβλητών όπως υψόμετρο, κλίση, όψη, ηλιακή ακτινοβολία, απόσταση από άκαυστα σημεία,
απόσταση από άκαυτο δάσος P. brutia και κατηγορικές μεταβλητές όπως βάθος εδάφους, τύπος βράχου
και προ -πυρική βλάστηση (πυκνή ή ανοιχτή συστάδες P. brutia). Η απόδοση του μοντέλου
αξιολογήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας
δέκτη (ROC), υποδεικνύοντας αποδεκτή διάκριση.
Η δοκιμή καλής προσαρμογής Hosmer–Lemeshow αξιολόγησε πόσο καλά ταίριαζε το μοντέλο στα
δεδομένα. Οι καμπύλες πυκνότητας επιλεγμένων επεξηγηματικών μεταβλητών για τις κατηγορίες
ανάκτησης σχεδιάστηκαν για να απεικονιστούν οι διαφορές στη μεταβλητή κατανομή μεταξύ των δύο
κατηγοριών ανάκτησης.

'''<h2> Αλλαγές Δεικτών Βλάστησης </h2>'''

Για τη μέτρηση της ανάκτησης του οικοσυστήματος, η διαφορά μεταξύ των δεικτών NDVI και NBR
χρησιμοποιήθηκε ως μεταβλητή μεσολάβησης. Αυτή η διαφορά υπολογίστηκε για το έτος αμέσως μετά
την πυρκαγιά (1984) και το 2012. Μια μεγαλύτερη διαφορά στις τιμές του δείκτη μεταξύ αυτών των
περιόδων θεωρείται ότι υποδηλώνει ισχυρότερη ένδειξη υψηλής αναγέννησης ή ανάκαμψης. Οι
κατανομές των δεικτών NDVI και NBR για καμένα και άκαυστα έμπλαστρα σχεδιάστηκαν και
πραγματοποιήθηκε ανάλυση γραμμικής παλινδρόμησης μεταξύ των τιμών διαφοράς των δεικτών και
επιλεγμένων περιβαλλοντικών μεταβλητών.

'''<h1>Αποτελέσματα </h1>'''

'''<h2> Αλλαγές Τύπων Βλάστησης - Cross-Tabulation Analysis </h2>'''

Από το 1981 (δύο χρόνια πριν από την πυρκαγιά) έως το 2009 (26 χρόνια μετά την πυρκαγιά), οι
αλλαγές στη βλάστηση είναι εμφανείς. Παρατηρήθηκε μείωση στις πυκνές δασικές εκτάσεις (από
54,8% σε 37,4%) και στις ανοιχτές δασικές εκτάσεις (από 34,8% σε 7,8%), που συνοδεύτηκε από
αύξηση των θαμνωδών εκτάσεων (από 9,8% σε 37,4%) και των φρουρών (από 0,6% σε 17,4% ).
Οι παρατηρούμενες αλλαγές αποκλίνουν σημαντικά από τις αναμενόμενες τιμές, υποδηλώνοντας ότι
αυτές οι αλλαγές δεν οφείλονται αποκλειστικά σε τυχαίες τιμές. Αυτό δείχνει ότι ένα σημαντικό μέρος
των θαμνωδών εκτάσεων δεν ανέκαμψε 26 χρόνια μετά την πυρκαγιά, αν και σε ορισμένες περιοχές,
σημεία που κυριαρχούσαν οι θάμνοι παρουσίασαν μείωση, προάγοντας πιθανώς τη βλάστηση των
σπόρων Pinus brutia.

'''<h2> Αναγέννηση Pinus brutia - Logistic Regression Analysis </h2>'''

Το μοντέλο δυαδικής λογιστικής παλινδρόμησης, που επικυρώθηκε με δείκτες βλάστησης, υποδεικνύει
παράγοντες που επηρεάζουν την ανάκαμψη των πευκοδασών. Εντοπίζονται πέντε σημαντικές
μεταβλητές που επηρεάζουν την ανάκαμψη των δασών: "υψόμετρο", "κλίση", "ηλιακή ακτινοβολία",
"απόσταση από το υδρογραφικό δίκτυο" και "βλάστηση πριν από την πυρκαγιά". Το μεγάλο υψόμετρο
ευνοεί την ανάκαμψη, ενώ οι απότομες πλαγιές, η υψηλή ηλιακή ακτινοβολία, οι μεγάλες αποστάσεις
από το υδρογραφικό δίκτυο και οι ανοικτές προ της πυρκαγιάς συστάδες Pinus brutia εμποδίζουν την
ανάκαμψη. Οι καμπύλες πυκνότητας απεικονίζουν αξιοσημείωτες διαφορές σε μεταβλητές όπως η
"προσπίπτουσα ηλιακή ακτινοβολία", το "υψόμετρο" και η "κλίση της πλαγιάς" μεταξύ των κλάσεων
ανάκαμψης και μη ανάκαμψης.

[[Αρχείο:Paper1-fig3.png | right | thumb | Indication of ecosystem recovery as inferred through the difference between the vegetation rates of NDVI
(Normalized Difference Vegetation Index) and NBR (Normalized
Burned Ratio) in satellite images from 1984 and 2012.]]
[[Αρχείο:Paper1-fig4.png | right | thumb | Estimated density curves of selected
environmental variables for each recovery class (0: “no recovery”;
1: “recovery”)]]
[[Αρχείο:Paper1-fig5.png | right | thumb | Interpolated (inverse distance weighted) recovery probabilities, as estimated from the logistic regression
model, in the study area (left); higher probabilities of recovery are estimated for the areas of higher elevation
(right), as predicted from the logistic regression.]]

'''<h2> Αλλαγές στους Δείκτες Βλάστησης - Linear Regression </h2>'''

Στην ανάλυση linear regression παρατηρήθηκαν παρόμοια ευρήματα. Το υψόμετρο και η κλίση της
πλαγιάς αναδείχθηκαν ως κυρίαρχες και σημαντικές μεταβλητές που επηρεάζουν το μέγεθος της
διαφοράς στις τιμές των δεικτών βλάστησης, ενδεικτικές της ανάκαμψης, για τις επιλεγμένες κηλίδες.
Η ανάκαμψη, που αντιπροσωπεύεται από μεγάλες διαφορές NDVI και NBR, παρουσίασε θετική
συσχέτιση με το υψόμετρο, ενώ παρατηρήθηκε αρνητική σχέση με την κλίση.

[[Αρχείο:Paper1-fig6.png | right | thumb | Scatter diagram of regeneration in relation to altitude and slope]]

''' <h1> Συμπεράσματα </h1>'''

Τα αποτελέσματα υποδεικνύουν αλλοιωμένα τοπία λόγω της πυρκαγιάς, με μείωση των δασών P.
brutia και αύξηση των θαμνώνων.Το υψόμετρο επηρεάζει θετικά την ανάκαμψη των δασικών
εκτάσεων, σε συνδυασμό με τους απαιτητικούς σε νερό τύπους βλάστησης που ευνοούνται σε
μεγαλύτερα υψόμετρα.Η κλίση της πλαγιάς παίζει καθοριστικό ρόλο, με τις ήπιες πλαγιές να
διευκολύνουν τη φυσική αναγέννηση. Η μειωμένη ηλιακή ακτινοβολία συνδέεται με την καλύτερη
ποιότητα της περιοχής, ενισχύοντας την αναγέννηση. Η πυκνότητα της βλάστησης πριν από την
πυρκαγιά επηρεάζει αρνητικά την ανάκαμψη, ενδεχομένως λόγω της διαθεσιμότητας σπόρων, ενώ η
απόσταση από υδρογραφικά δίκτυα επηρεάζει τη δυνατότητα ανάκαμψης. Άλλες εξεταζόμενες
μεταβλητές, συμπεριλαμβανομένου του γεωλογικού υποστρώματος και του βάθους του εδάφους,
παρουσιάζουν περιορισμένη σημασία. Η μελέτη υποδηλώνει την ανάγκη για περισσότερη έρευνα
σχετικά με φυσικές και ανθρωπογενείς παραμέτρους σε επεξηγηματικά μοντέλα για την ανάκαμψη των
δασών.

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Paper1-fig6.png

2024-02-20T16:52:42Z

Ichristinakis:

Αρχείο:Paper1-fig5.png

2024-02-20T16:52:35Z

Ichristinakis:

Αρχείο:Paper1-fig4.png

2024-02-20T16:52:13Z

Ichristinakis:

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...

2024-02-20T16:51:35Z

Ichristinakis:

'''Πρότυπος Τίτλος'''

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης δάσους πεύκου που έχει πληγεί από τη φωτιά στη Νότια Ελλάδα

'''Τίτλος'''

A Remote Sensing and GIS Approach to Study the Long-Term Vegetation Recovery of a Fire-Affected Pine Forest in Southern Greece

'''Πηγή'''

[https://www.mdpi.com/2072-4292/7/6/7712 mdpi]

[https://doi.org/10.3390/rs70607712 doi]

'''Συγγραφείς'''

Foula Nioti, Fotios Xystrakis, Nikos Koutsias, Panayotis Dimopoulos

''' <h1> Εισαγωγή </h1> '''
Η μελέτη και η διαχείριση οικοσυστημάτων επιρρεπών σε πυρκαγίες εξαρτάται άμεσα απο το δυναμικό
αναγέννησης και την δυνατότητα ανάκτησης των διαφόρων τύπων βλάστησης εντός αυτών. Στην
παρούσα μελέτη, αξιολογείται η ανάκτηση της βλάστησης σε δασικές εκτάσεις Τραχείας Πεύκης
(Pindus brutia) μετά από την πυρκαγιά του 1983 στο νησί Κάρπαθος που βρίσκεται στο
νοτιοανατολικό Αίγαίο, Ελλάδα, με κύριους στόχους (α) για τον εντοπισμό των περιβαλλοντικών
παραμέτρων που θα μπορούσαν να συμβάλουν στην ανάκτηση των δασικών εκτάσεων P. brutia που
κάηκαν και (β) για τον προσδιορισμό των αλλαγών κάλυψης γης (1982–2009) που σχετίζονται με αυτό
το συμβάν πυρκαγιάς.
Υπολογίστηκαν και συγκρίθηκαν οι δείκτες NDVI και NBR καθώς και θεματικοί χάρτες αλλαγών
κάλυψης γης λίγους μήνες μετά την πυρκαγιά, το 1984 και μετά από σχεδόν 30 χρόνια το 2012, ενώ
αναλύθηκε η επορροή διαφόρων περιβαλλοντικών παραγόντων. Τα αποτελέσματα έδειξαν σημαντική
ανάκαμψη, αλλά και ότι ορισμένες δασικές εκτάσεις μετατράπηκαν σε θαμνώδη βλάστηση. Το
υψόμετρο, η κλίση, η ακτινοβολία και η φυσιογνωμία πριν από την πυρκαγιά είχαν επιρροή στην
ανάκτηση, με το υψόμετρο και την κλίση να εξηγούν τις αλλαγές στους δορυφορικούς δείκτες.
Η Pinus brutia έδειξε καλή δυνατότητα ανάκτησης μετά την πυρκαγιά σε περιοχές με αυξημένη
διαθεσιμότητα υγρασίας.

''' <h1> Περιοχή Μελέτης </h1> '''

Η περιοχή μελέτης βρίσκεται στο νησί της Κάρπαθου στο Ανατολικό Αιγαίο, όπου μια μεγάλη
πυρκαγιά το 1983 έκαψε 4475 εκτάρια δασικής έκτασης Pinus brutia, μαζί με άλλους τύπους
βλάστησης όπως τα φρύγανα. Η ουλή πυρκαγιάς, που περιγράφεται μεταξύ 27 ° 7'25.9''Ε -35 °
38'12.3''N (νοτιοδυτικά) και 27 ° 13'5.6'E -35 ° 45'19.7''N (βορειοανατολικά), περιλαμβάνει άκαμπτη
μπαλώματα εντός της γενικής καμένης περιμέτρου.
Η Κάρπαθος, στη θερμομεσογειακή κλιματική ζώνη, έχει υψόμετρα που κυμαίνονται από 0 έως 684 m.
Το μεσογειακό κλίμα του νησιού περιλαμβάνει μια ξηρή περίοδο από τα μέσα Μαρτίου έως τα μέσα
Οκτωβρίου. Η μέση ετήσια βροχόπτωση είναι 386,7 mm, η μέση ετήσια θερμοκρασία 19,4 ° C,
ελάχιστη θερμοκρασία ψυχρότερου μήνα 0,8 ° C και μέγιστη θερμοκρασία θερμοκρασίας 45 ° C. Το
γεωλογικό υπόστρωμα αποτελείται από σκληρό ασβεστόλιθο και φλύσχη.

[[Αρχείο:Paper1-fig1.png | right | thumb]]

'''<h1>Δεδομένα</h1>'''

'''<h2> Ουλή Πυρκαγιάς </h2>'''

Για την πυρκαγιά του 1983, δεν ήταν προσβάσιμος ακριβής, λεπτομερής χάρτης της καμένης περιοχής,
μόνο ένα γενικό σκίτσο της περιμέτρου του εγκαύματος με περιορισμένες χωρικές πληροφορίες, ειδικά
για άκαυστα μπαλώματα, το οποίο διορθώθηκε ώστε να προσδιοριστεί χωρικά η ουλή της πυρκαγιάς
με την βοήθεια δορυφορικών εικόνων LANDSAT του 1984 και πολυχρονικά δορυφορικά δεδομένα
αρχειοθετημένα από το USGS LANDSAT.

'''<h2> Περιβαλλοντικοί Παράγοντες </h2>'''

Για την αξιολόγηση της επίδρασης του φυσικού περιβάλλοντος στην ανάκτηση μετά την πυρκαγιά της
δασικής βλάστησης P. brutia, εξετάστηκαν διάφορες μεταβλητές. Αυτά περιελάμβαναν υψόμετρο, όψη,
κλίση, γεωλογικό υπόστρωμα, δεδομένα εδάφους, ηλιακή ακτινοβολία και απόσταση από το
υδρογραφικό δίκτυο.
Το υψόμετρο προσδιορίστηκε χρησιμοποιώντας ένα ψηφιακό υψομετρικό μοντέλο (30 m DEM). Το
DEM χρησίμευε επίσης για την εκτίμηση της κλίσης και της όψης της κλίσης. Οι πληροφορίες για το
γεωλογικό υπόστρωμα και το βάθος του εδάφους ελήφθησαν από γεωλογικούς και εδαφικούς χάρτες
1:50.000. Η πλησιέστερη απόσταση από το υδρογραφικό δίκτυο υπολογίστηκε με χρήση των 30m
DEM και ArcGIS Hydrology Tools. Η εισερχόμενη ηλιακή ακτινοβολία υπολογίστηκε λαμβάνοντας
υπόψη τις κλίσεις, τον προσανατολισμό και την ανάγλυφη σκίαση. Υπολογίστηκαν επίσης αποστάσεις
από κάθε σημείο δειγματοληψίας μέχρι την πλησιέστερη άκαυστη τοποθεσία και άκαυτο πευκοδάσος.
Όλες αυτές οι μεταβλητές προσδιορίστηκαν για κάθε σημείο δείγματος στον δειγματοληπτικό
σχεδιασμό της περιοχής μελέτης.

'''<h2> Κάληψη Γης Πριν και Μετα την Πυρκαγιά </h2>'''

Για να εντοπιστούν οι αποκλίσεις των χαρτών κάλυψης γης μεταξύ πριν και μετά την πυρκαγιά και των
περιορισμών των δορυφορικών δεδομένων, αναπτύχθηκε ένα σύστημα ταξινόμησης. Το πρόγραμμα
περιλαμβάνει τέσσερις κατηγορίες κάλυψης γης: πυκνό δάσος P. brutia (> 25% κάλυψη), ανοιχτό
δάσος P. brutia (< 25% κάλυψη), θαμνώδεις εκτάσεις (με διάσπαρτα δέντρα) και φρύγανα (περιοχές
αραιής βλάστησης χωρίς δέντρα ή ψηλούς θάμνους). ). Αυτό το σύστημα εφαρμόστηκε τόσο στους
χάρτες βλάστησης πριν όσο και μετά την πυρκαγιά.
Για τον χάρτη βλάστησης πριν από την πυρκαγιά, χρησιμοποιήθηκαν δεδομένα πεδίου από το 1981 και
δορυφορικές εικόνες LANDSAT από το 1975 και το 1984. Ο χάρτης βλάστησης μετά την πυρκαγιά
χρησιμοποίησε δεδομένα κάλυψης εδάφους CORINE 2000 και εικόνες θεματικού χάρτη LANDSAT-5
από το 2008 και το 2009.
Στους χάρτες κάλυψης γης πριν και μετά την πυρκαγιά, για να αναδειχθούν οι αλλαγές στην κατανομή
της βλάστησης 26 χρόνια μετά την πυρκαγιά, χρησιμοποιήθηκε ένας τακτικός δείκτης για την
αξιολόγηση των αλλαγών στις κατηγορίες ανάκτησης, με αποτέλεσμα έναν τελικό χάρτη των αλλαγών
της βλάστησης εντός της καμένης περιοχής.

[[Αρχείο:Paper1-table1.png | right | thumb]]

'''<h2>Δεικτες Βλάστησης</h2>'''

Οι αλλαγές στους δείκτες βλάστησης αξιολογήθηκαν χρησιμοποιώντας δεδομένα δορυφορικής
τηλεπισκόπησης, συγκεκριμένα τον Δείκτη Κανονικής Διαφοράς Βλάστησης (NDVI) και τον Κανονικό
Λόγο Εγκαύματος (NBR) για τις εικόνες LANDSAT του 1984 και του 2012.
Αυτοί οι δείκτες βλάστησης χρησιμοποιούνται συνήθως στην τηλεπισκόπηση καμένων περιοχών για τη
χαρτογράφηση των ουλών πυρκαγιάς ή την εκτίμηση της σοβαρότητας των εγκαυμάτων,
ελαχιστοποιώντας την επίδραση εξωγενών παραγόντων και ενισχύοντας τη συσχέτιση με τις
εσωτερικές παραμέτρους βλάστησης.

'''<h1> Στατιστική Ανάλυση και Μεθοδολογία </h1>'''

'''<h2> Δειγματοληψία </h2>'''

Επιλέχθηκαν τυχαία 500 σημεία εντός της περιοχής μελέτης χρησιμοποιώντας γενικευμένη τυχαία
στρωματοποιημένη δειγματοληψία, με μέγεθος δείγματος ανάλογο με κάθε κατηγορία χρήσεων
γης/κάλυψης γης. Έντεκα σημεία εντός των γεωργικών αγρών εξαιρέθηκαν, με αποτέλεσμα ένα τελικό
σύνολο δεδομένων 489 σημείων για ανάλυση διασταύρωσης πινάκων. Ένα δευτερεύον σύνολο
δεδομένων, που χρησιμοποιήθηκε στην ανάλυση logistic regression, απέκλεισε σημεία στη βλάστηση
θάμνων και φρύγανα, συνολικού ύψους 438 σημείων σε πυκνό και ανοιχτό δάσος P. brutia για
ανάπτυξη του μοντέλου.

[[Αρχείο:Paper1-fig2.png | Figure 2: IKONOS segmentation and the burnt areas polygons. | right | thumb]]

Επιπλέον, επιλέχθηκαν 88 ομοιογενή τμήματα ως περιοχές δοκιμής από παγχρωματικές εικόνες
IKONOS υψηλής ανάλυσης. Ένας αλγόριθμος τμηματοποίησης, συγκεκριμένα το λογισμικό
eCognition® Developer, εφαρμόστηκε στην εικόνα και επιλέχθηκαν οπτικά 88 ομοιογενή τεμάχια.

'''<h2> Cross-Tabulation Analysis </h2>'''

Η ανάλυση διασταυρούμενης πινακοποίησης (πίνακες έκτακτης ανάγκης) εφαρμόστηκε για τον
εντοπισμό αλλαγών κάλυψης βλάστησης την εξεταζόμενη χρονική περίοδο (προ και μετά την πυρκαγιά
βλάστηση) στα 489 σημεία δειγματοληψίας.

'''<h2> Logistic Regression </h2>'''

Η ανάκτηση δασών σε πευκοδάση πριν από την πυρκαγιά αναλύθηκε χρησιμοποιώντας binary logistic
regression. Οι τακτικές κλάσεις ανάκτησης μετατράπηκαν σε δυαδικές μεταβλητές, με το "1" να
δείχνει την ανάκτηση στην κατάσταση πριν από την πυρκαγιά και το "0" να υποδεικνύει διαφορετικά.
Η δυαδική λογιστική παλινδρόμηση προέβλεψε την τιμή της μεταβλητής απόκρισης (ανάκτηση) από
περιβαλλοντικές επεξηγηματικές μεταβλητές.
Το καλύτερο μοντέλο επιλέχθηκε με βάση το κριτήριο BIC, συμπεριλαμβανομένων συνεχών
μεταβλητών όπως υψόμετρο, κλίση, όψη, ηλιακή ακτινοβολία, απόσταση από άκαυστα σημεία,
απόσταση από άκαυτο δάσος P. brutia και κατηγορικές μεταβλητές όπως βάθος εδάφους, τύπος βράχου
και προ -πυρική βλάστηση (πυκνή ή ανοιχτή συστάδες P. brutia). Η απόδοση του μοντέλου
αξιολογήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας
δέκτη (ROC), υποδεικνύοντας αποδεκτή διάκριση.
Η δοκιμή καλής προσαρμογής Hosmer–Lemeshow αξιολόγησε πόσο καλά ταίριαζε το μοντέλο στα
δεδομένα. Οι καμπύλες πυκνότητας επιλεγμένων επεξηγηματικών μεταβλητών για τις κατηγορίες
ανάκτησης σχεδιάστηκαν για να απεικονιστούν οι διαφορές στη μεταβλητή κατανομή μεταξύ των δύο
κατηγοριών ανάκτησης.

'''<h2> Αλλαγές Δεικτών Βλάστησης </h2>'''

Για τη μέτρηση της ανάκτησης του οικοσυστήματος, η διαφορά μεταξύ των δεικτών NDVI και NBR
χρησιμοποιήθηκε ως μεταβλητή μεσολάβησης. Αυτή η διαφορά υπολογίστηκε για το έτος αμέσως μετά
την πυρκαγιά (1984) και το 2012. Μια μεγαλύτερη διαφορά στις τιμές του δείκτη μεταξύ αυτών των
περιόδων θεωρείται ότι υποδηλώνει ισχυρότερη ένδειξη υψηλής αναγέννησης ή ανάκαμψης. Οι
κατανομές των δεικτών NDVI και NBR για καμένα και άκαυστα έμπλαστρα σχεδιάστηκαν και
πραγματοποιήθηκε ανάλυση γραμμικής παλινδρόμησης μεταξύ των τιμών διαφοράς των δεικτών και
επιλεγμένων περιβαλλοντικών μεταβλητών.

'''<h1>Αποτελέσματα </h1>'''

'''<h2> Αλλαγές Τύπων Βλάστησης - Cross-Tabulation Analysis </h2>'''

Από το 1981 (δύο χρόνια πριν από την πυρκαγιά) έως το 2009 (26 χρόνια μετά την πυρκαγιά), οι
αλλαγές στη βλάστηση είναι εμφανείς. Παρατηρήθηκε μείωση στις πυκνές δασικές εκτάσεις (από
54,8% σε 37,4%) και στις ανοιχτές δασικές εκτάσεις (από 34,8% σε 7,8%), που συνοδεύτηκε από
αύξηση των θαμνωδών εκτάσεων (από 9,8% σε 37,4%) και των φρουρών (από 0,6% σε 17,4% ).
Οι παρατηρούμενες αλλαγές αποκλίνουν σημαντικά από τις αναμενόμενες τιμές, υποδηλώνοντας ότι
αυτές οι αλλαγές δεν οφείλονται αποκλειστικά σε τυχαίες τιμές. Αυτό δείχνει ότι ένα σημαντικό μέρος
των θαμνωδών εκτάσεων δεν ανέκαμψε 26 χρόνια μετά την πυρκαγιά, αν και σε ορισμένες περιοχές,
σημεία που κυριαρχούσαν οι θάμνοι παρουσίασαν μείωση, προάγοντας πιθανώς τη βλάστηση των
σπόρων Pinus brutia.

'''<h2> Αναγέννηση Pinus brutia - Logistic Regression Analysis </h2>'''

Το μοντέλο δυαδικής λογιστικής παλινδρόμησης, που επικυρώθηκε με δείκτες βλάστησης, υποδεικνύει
παράγοντες που επηρεάζουν την ανάκαμψη των πευκοδασών. Εντοπίζονται πέντε σημαντικές
μεταβλητές που επηρεάζουν την ανάκαμψη των δασών: "υψόμετρο", "κλίση", "ηλιακή ακτινοβολία",
"απόσταση από το υδρογραφικό δίκτυο" και "βλάστηση πριν από την πυρκαγιά". Το μεγάλο υψόμετρο
ευνοεί την ανάκαμψη, ενώ οι απότομες πλαγιές, η υψηλή ηλιακή ακτινοβολία, οι μεγάλες αποστάσεις
από το υδρογραφικό δίκτυο και οι ανοικτές προ της πυρκαγιάς συστάδες Pinus brutia εμποδίζουν την
ανάκαμψη. Οι καμπύλες πυκνότητας απεικονίζουν αξιοσημείωτες διαφορές σε μεταβλητές όπως η
"προσπίπτουσα ηλιακή ακτινοβολία", το "υψόμετρο" και η "κλίση της πλαγιάς" μεταξύ των κλάσεων
ανάκαμψης και μη ανάκαμψης.

[[Αρχείο:Paper1-fig3.png | right | thumb]]
[[Αρχείο:Paper1-fig4.png | right | thumb]]
[[Αρχείο:Paper1-fig5.png | right | thumb]]

'''<h2> Αλλαγές στους Δείκτες Βλάστησης - Linear Regression </h2>'''

Στην ανάλυση linear regression παρατηρήθηκαν παρόμοια ευρήματα. Το υψόμετρο και η κλίση της
πλαγιάς αναδείχθηκαν ως κυρίαρχες και σημαντικές μεταβλητές που επηρεάζουν το μέγεθος της
διαφοράς στις τιμές των δεικτών βλάστησης, ενδεικτικές της ανάκαμψης, για τις επιλεγμένες κηλίδες.
Η ανάκαμψη, που αντιπροσωπεύεται από μεγάλες διαφορές NDVI και NBR, παρουσίασε θετική
συσχέτιση με το υψόμετρο, ενώ παρατηρήθηκε αρνητική σχέση με την κλίση.

[[Αρχείο:Paper1-fig6.png | right | thumb]]

''' <h1> Συμπεράσματα </h1>'''

Τα αποτελέσματα υποδεικνύουν αλλοιωμένα τοπία λόγω της πυρκαγιάς, με μείωση των δασών P.
brutia και αύξηση των θαμνώνων.Το υψόμετρο επηρεάζει θετικά την ανάκαμψη των δασικών
εκτάσεων, σε συνδυασμό με τους απαιτητικούς σε νερό τύπους βλάστησης που ευνοούνται σε
μεγαλύτερα υψόμετρα.Η κλίση της πλαγιάς παίζει καθοριστικό ρόλο, με τις ήπιες πλαγιές να
διευκολύνουν τη φυσική αναγέννηση. Η μειωμένη ηλιακή ακτινοβολία συνδέεται με την καλύτερη
ποιότητα της περιοχής, ενισχύοντας την αναγέννηση. Η πυκνότητα της βλάστησης πριν από την
πυρκαγιά επηρεάζει αρνητικά την ανάκαμψη, ενδεχομένως λόγω της διαθεσιμότητας σπόρων, ενώ η
απόσταση από υδρογραφικά δίκτυα επηρεάζει τη δυνατότητα ανάκαμψης. Άλλες εξεταζόμενες
μεταβλητές, συμπεριλαμβανομένου του γεωλογικού υποστρώματος και του βάθους του εδάφους,
παρουσιάζουν περιορισμένη σημασία. Η μελέτη υποδηλώνει την ανάγκη για περισσότερη έρευνα
σχετικά με φυσικές και ανθρωπογενείς παραμέτρους σε επεξηγηματικά μοντέλα για την ανάκαμψη των
δασών.

[[category:Δασοπονία, Δασική διαχείριση]]

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...

2024-02-20T16:50:37Z

Ichristinakis:

'''Πρότυπος Τίτλος'''

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης δάσους πεύκου που έχει πληγεί από τη φωτιά στη Νότια Ελλάδα

'''Τίτλος'''

A Remote Sensing and GIS Approach to Study the Long-Term Vegetation Recovery of a Fire-Affected Pine Forest in Southern Greece

'''Πηγή'''

[https://www.mdpi.com/2072-4292/7/6/7712 mdpi]

[https://doi.org/10.3390/rs70607712 doi]

'''Συγγραφείς'''

Foula Nioti, Fotios Xystrakis, Nikos Koutsias, Panayotis Dimopoulos

''' <h1> Εισαγωγή </h1> '''
Η μελέτη και η διαχείριση οικοσυστημάτων επιρρεπών σε πυρκαγίες εξαρτάται άμεσα απο το δυναμικό
αναγέννησης και την δυνατότητα ανάκτησης των διαφόρων τύπων βλάστησης εντός αυτών. Στην
παρούσα μελέτη, αξιολογείται η ανάκτηση της βλάστησης σε δασικές εκτάσεις Τραχείας Πεύκης
(Pindus brutia) μετά από την πυρκαγιά του 1983 στο νησί Κάρπαθος που βρίσκεται στο
νοτιοανατολικό Αίγαίο, Ελλάδα, με κύριους στόχους (α) για τον εντοπισμό των περιβαλλοντικών
παραμέτρων που θα μπορούσαν να συμβάλουν στην ανάκτηση των δασικών εκτάσεων P. brutia που
κάηκαν και (β) για τον προσδιορισμό των αλλαγών κάλυψης γης (1982–2009) που σχετίζονται με αυτό
το συμβάν πυρκαγιάς.
Υπολογίστηκαν και συγκρίθηκαν οι δείκτες NDVI και NBR καθώς και θεματικοί χάρτες αλλαγών
κάλυψης γης λίγους μήνες μετά την πυρκαγιά, το 1984 και μετά από σχεδόν 30 χρόνια το 2012, ενώ
αναλύθηκε η επορροή διαφόρων περιβαλλοντικών παραγόντων. Τα αποτελέσματα έδειξαν σημαντική
ανάκαμψη, αλλά και ότι ορισμένες δασικές εκτάσεις μετατράπηκαν σε θαμνώδη βλάστηση. Το
υψόμετρο, η κλίση, η ακτινοβολία και η φυσιογνωμία πριν από την πυρκαγιά είχαν επιρροή στην
ανάκτηση, με το υψόμετρο και την κλίση να εξηγούν τις αλλαγές στους δορυφορικούς δείκτες.
Η Pinus brutia έδειξε καλή δυνατότητα ανάκτησης μετά την πυρκαγιά σε περιοχές με αυξημένη
διαθεσιμότητα υγρασίας.

''' <h1> Περιοχή Μελέτης </h1> '''

Η περιοχή μελέτης βρίσκεται στο νησί της Κάρπαθου στο Ανατολικό Αιγαίο, όπου μια μεγάλη
πυρκαγιά το 1983 έκαψε 4475 εκτάρια δασικής έκτασης Pinus brutia, μαζί με άλλους τύπους
βλάστησης όπως τα φρύγανα. Η ουλή πυρκαγιάς, που περιγράφεται μεταξύ 27 ° 7'25.9''Ε -35 °
38'12.3''N (νοτιοδυτικά) και 27 ° 13'5.6'E -35 ° 45'19.7''N (βορειοανατολικά), περιλαμβάνει άκαμπτη
μπαλώματα εντός της γενικής καμένης περιμέτρου.
Η Κάρπαθος, στη θερμομεσογειακή κλιματική ζώνη, έχει υψόμετρα που κυμαίνονται από 0 έως 684 m.
Το μεσογειακό κλίμα του νησιού περιλαμβάνει μια ξηρή περίοδο από τα μέσα Μαρτίου έως τα μέσα
Οκτωβρίου. Η μέση ετήσια βροχόπτωση είναι 386,7 mm, η μέση ετήσια θερμοκρασία 19,4 ° C,
ελάχιστη θερμοκρασία ψυχρότερου μήνα 0,8 ° C και μέγιστη θερμοκρασία θερμοκρασίας 45 ° C. Το
γεωλογικό υπόστρωμα αποτελείται από σκληρό ασβεστόλιθο και φλύσχη.

[[Αρχείο:Paper1-fig1.png | right | thumb]]

'''<h1>Δεδομένα</h1>'''

'''<h2> Ουλή Πυρκαγιάς </h2>'''

Για την πυρκαγιά του 1983, δεν ήταν προσβάσιμος ακριβής, λεπτομερής χάρτης της καμένης περιοχής,
μόνο ένα γενικό σκίτσο της περιμέτρου του εγκαύματος με περιορισμένες χωρικές πληροφορίες, ειδικά
για άκαυστα μπαλώματα, το οποίο διορθώθηκε ώστε να προσδιοριστεί χωρικά η ουλή της πυρκαγιάς
με την βοήθεια δορυφορικών εικόνων LANDSAT του 1984 και πολυχρονικά δορυφορικά δεδομένα
αρχειοθετημένα από το USGS LANDSAT.

'''<h2> Περιβαλλοντικοί Παράγοντες </h2>'''

Για την αξιολόγηση της επίδρασης του φυσικού περιβάλλοντος στην ανάκτηση μετά την πυρκαγιά της
δασικής βλάστησης P. brutia, εξετάστηκαν διάφορες μεταβλητές. Αυτά περιελάμβαναν υψόμετρο, όψη,
κλίση, γεωλογικό υπόστρωμα, δεδομένα εδάφους, ηλιακή ακτινοβολία και απόσταση από το
υδρογραφικό δίκτυο.
Το υψόμετρο προσδιορίστηκε χρησιμοποιώντας ένα ψηφιακό υψομετρικό μοντέλο (30 m DEM). Το
DEM χρησίμευε επίσης για την εκτίμηση της κλίσης και της όψης της κλίσης. Οι πληροφορίες για το
γεωλογικό υπόστρωμα και το βάθος του εδάφους ελήφθησαν από γεωλογικούς και εδαφικούς χάρτες
1:50.000. Η πλησιέστερη απόσταση από το υδρογραφικό δίκτυο υπολογίστηκε με χρήση των 30m
DEM και ArcGIS Hydrology Tools. Η εισερχόμενη ηλιακή ακτινοβολία υπολογίστηκε λαμβάνοντας
υπόψη τις κλίσεις, τον προσανατολισμό και την ανάγλυφη σκίαση. Υπολογίστηκαν επίσης αποστάσεις
από κάθε σημείο δειγματοληψίας μέχρι την πλησιέστερη άκαυστη τοποθεσία και άκαυτο πευκοδάσος.
Όλες αυτές οι μεταβλητές προσδιορίστηκαν για κάθε σημείο δείγματος στον δειγματοληπτικό
σχεδιασμό της περιοχής μελέτης.

'''<h2> Κάληψη Γης Πριν και Μετα την Πυρκαγιά </h2>'''

Για να εντοπιστούν οι αποκλίσεις των χαρτών κάλυψης γης μεταξύ πριν και μετά την πυρκαγιά και των
περιορισμών των δορυφορικών δεδομένων, αναπτύχθηκε ένα σύστημα ταξινόμησης. Το πρόγραμμα
περιλαμβάνει τέσσερις κατηγορίες κάλυψης γης: πυκνό δάσος P. brutia (> 25% κάλυψη), ανοιχτό
δάσος P. brutia (< 25% κάλυψη), θαμνώδεις εκτάσεις (με διάσπαρτα δέντρα) και φρύγανα (περιοχές
αραιής βλάστησης χωρίς δέντρα ή ψηλούς θάμνους). ). Αυτό το σύστημα εφαρμόστηκε τόσο στους
χάρτες βλάστησης πριν όσο και μετά την πυρκαγιά.
Για τον χάρτη βλάστησης πριν από την πυρκαγιά, χρησιμοποιήθηκαν δεδομένα πεδίου από το 1981 και
δορυφορικές εικόνες LANDSAT από το 1975 και το 1984. Ο χάρτης βλάστησης μετά την πυρκαγιά
χρησιμοποίησε δεδομένα κάλυψης εδάφους CORINE 2000 και εικόνες θεματικού χάρτη LANDSAT-5
από το 2008 και το 2009.
Στους χάρτες κάλυψης γης πριν και μετά την πυρκαγιά, για να αναδειχθούν οι αλλαγές στην κατανομή
της βλάστησης 26 χρόνια μετά την πυρκαγιά, χρησιμοποιήθηκε ένας τακτικός δείκτης για την
αξιολόγηση των αλλαγών στις κατηγορίες ανάκτησης, με αποτέλεσμα έναν τελικό χάρτη των αλλαγών
της βλάστησης εντός της καμένης περιοχής.

[[Αρχείο:Paper1-table1.png | right | thumb]]

'''<h2>Δεικτες Βλάστησης</h2>'''

Οι αλλαγές στους δείκτες βλάστησης αξιολογήθηκαν χρησιμοποιώντας δεδομένα δορυφορικής
τηλεπισκόπησης, συγκεκριμένα τον Δείκτη Κανονικής Διαφοράς Βλάστησης (NDVI) και τον Κανονικό
Λόγο Εγκαύματος (NBR) για τις εικόνες LANDSAT του 1984 και του 2012.
Αυτοί οι δείκτες βλάστησης χρησιμοποιούνται συνήθως στην τηλεπισκόπηση καμένων περιοχών για τη
χαρτογράφηση των ουλών πυρκαγιάς ή την εκτίμηση της σοβαρότητας των εγκαυμάτων,
ελαχιστοποιώντας την επίδραση εξωγενών παραγόντων και ενισχύοντας τη συσχέτιση με τις
εσωτερικές παραμέτρους βλάστησης.

'''<h1> Στατιστική Ανάλυση και Μεθοδολογία </h1>'''

'''<h2> Δειγματοληψία </h2>'''

Επιλέχθηκαν τυχαία 500 σημεία εντός της περιοχής μελέτης χρησιμοποιώντας γενικευμένη τυχαία
στρωματοποιημένη δειγματοληψία, με μέγεθος δείγματος ανάλογο με κάθε κατηγορία χρήσεων
γης/κάλυψης γης. Έντεκα σημεία εντός των γεωργικών αγρών εξαιρέθηκαν, με αποτέλεσμα ένα τελικό
σύνολο δεδομένων 489 σημείων για ανάλυση διασταύρωσης πινάκων. Ένα δευτερεύον σύνολο
δεδομένων, που χρησιμοποιήθηκε στην ανάλυση logistic regression, απέκλεισε σημεία στη βλάστηση
θάμνων και φρύγανα, συνολικού ύψους 438 σημείων σε πυκνό και ανοιχτό δάσος P. brutia για
ανάπτυξη του μοντέλου.

[[Αρχείο:Paper1-fig2.png Figure 2: IKONOS segmentation and the burnt areas polygons. | right | thumb]]

Επιπλέον, επιλέχθηκαν 88 ομοιογενή τμήματα ως περιοχές δοκιμής από παγχρωματικές εικόνες
IKONOS υψηλής ανάλυσης. Ένας αλγόριθμος τμηματοποίησης, συγκεκριμένα το λογισμικό
eCognition® Developer, εφαρμόστηκε στην εικόνα και επιλέχθηκαν οπτικά 88 ομοιογενή τεμάχια.

'''<h2> Cross-Tabulation Analysis </h2>'''

Η ανάλυση διασταυρούμενης πινακοποίησης (πίνακες έκτακτης ανάγκης) εφαρμόστηκε για τον
εντοπισμό αλλαγών κάλυψης βλάστησης την εξεταζόμενη χρονική περίοδο (προ και μετά την πυρκαγιά
βλάστηση) στα 489 σημεία δειγματοληψίας.

'''<h2> Logistic Regression </h2>'''

Η ανάκτηση δασών σε πευκοδάση πριν από την πυρκαγιά αναλύθηκε χρησιμοποιώντας binary logistic
regression. Οι τακτικές κλάσεις ανάκτησης μετατράπηκαν σε δυαδικές μεταβλητές, με το "1" να
δείχνει την ανάκτηση στην κατάσταση πριν από την πυρκαγιά και το "0" να υποδεικνύει διαφορετικά.
Η δυαδική λογιστική παλινδρόμηση προέβλεψε την τιμή της μεταβλητής απόκρισης (ανάκτηση) από
περιβαλλοντικές επεξηγηματικές μεταβλητές.
Το καλύτερο μοντέλο επιλέχθηκε με βάση το κριτήριο BIC, συμπεριλαμβανομένων συνεχών
μεταβλητών όπως υψόμετρο, κλίση, όψη, ηλιακή ακτινοβολία, απόσταση από άκαυστα σημεία,
απόσταση από άκαυτο δάσος P. brutia και κατηγορικές μεταβλητές όπως βάθος εδάφους, τύπος βράχου
και προ -πυρική βλάστηση (πυκνή ή ανοιχτή συστάδες P. brutia). Η απόδοση του μοντέλου
αξιολογήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας
δέκτη (ROC), υποδεικνύοντας αποδεκτή διάκριση.
Η δοκιμή καλής προσαρμογής Hosmer–Lemeshow αξιολόγησε πόσο καλά ταίριαζε το μοντέλο στα
δεδομένα. Οι καμπύλες πυκνότητας επιλεγμένων επεξηγηματικών μεταβλητών για τις κατηγορίες
ανάκτησης σχεδιάστηκαν για να απεικονιστούν οι διαφορές στη μεταβλητή κατανομή μεταξύ των δύο
κατηγοριών ανάκτησης.

'''<h2> Αλλαγές Δεικτών Βλάστησης </h2>'''

Για τη μέτρηση της ανάκτησης του οικοσυστήματος, η διαφορά μεταξύ των δεικτών NDVI και NBR
χρησιμοποιήθηκε ως μεταβλητή μεσολάβησης. Αυτή η διαφορά υπολογίστηκε για το έτος αμέσως μετά
την πυρκαγιά (1984) και το 2012. Μια μεγαλύτερη διαφορά στις τιμές του δείκτη μεταξύ αυτών των
περιόδων θεωρείται ότι υποδηλώνει ισχυρότερη ένδειξη υψηλής αναγέννησης ή ανάκαμψης. Οι
κατανομές των δεικτών NDVI και NBR για καμένα και άκαυστα έμπλαστρα σχεδιάστηκαν και
πραγματοποιήθηκε ανάλυση γραμμικής παλινδρόμησης μεταξύ των τιμών διαφοράς των δεικτών και
επιλεγμένων περιβαλλοντικών μεταβλητών.

'''<h1>Αποτελέσματα </h1>'''

'''<h2> Αλλαγές Τύπων Βλάστησης - Cross-Tabulation Analysis </h2>'''

Από το 1981 (δύο χρόνια πριν από την πυρκαγιά) έως το 2009 (26 χρόνια μετά την πυρκαγιά), οι
αλλαγές στη βλάστηση είναι εμφανείς. Παρατηρήθηκε μείωση στις πυκνές δασικές εκτάσεις (από
54,8% σε 37,4%) και στις ανοιχτές δασικές εκτάσεις (από 34,8% σε 7,8%), που συνοδεύτηκε από
αύξηση των θαμνωδών εκτάσεων (από 9,8% σε 37,4%) και των φρουρών (από 0,6% σε 17,4% ).
Οι παρατηρούμενες αλλαγές αποκλίνουν σημαντικά από τις αναμενόμενες τιμές, υποδηλώνοντας ότι
αυτές οι αλλαγές δεν οφείλονται αποκλειστικά σε τυχαίες τιμές. Αυτό δείχνει ότι ένα σημαντικό μέρος
των θαμνωδών εκτάσεων δεν ανέκαμψε 26 χρόνια μετά την πυρκαγιά, αν και σε ορισμένες περιοχές,
σημεία που κυριαρχούσαν οι θάμνοι παρουσίασαν μείωση, προάγοντας πιθανώς τη βλάστηση των
σπόρων Pinus brutia.

'''<h2> Αναγέννηση Pinus brutia - Logistic Regression Analysis </h2>'''

Το μοντέλο δυαδικής λογιστικής παλινδρόμησης, που επικυρώθηκε με δείκτες βλάστησης, υποδεικνύει
παράγοντες που επηρεάζουν την ανάκαμψη των πευκοδασών. Εντοπίζονται πέντε σημαντικές
μεταβλητές που επηρεάζουν την ανάκαμψη των δασών: "υψόμετρο", "κλίση", "ηλιακή ακτινοβολία",
"απόσταση από το υδρογραφικό δίκτυο" και "βλάστηση πριν από την πυρκαγιά". Το μεγάλο υψόμετρο
ευνοεί την ανάκαμψη, ενώ οι απότομες πλαγιές, η υψηλή ηλιακή ακτινοβολία, οι μεγάλες αποστάσεις
από το υδρογραφικό δίκτυο και οι ανοικτές προ της πυρκαγιάς συστάδες Pinus brutia εμποδίζουν την
ανάκαμψη. Οι καμπύλες πυκνότητας απεικονίζουν αξιοσημείωτες διαφορές σε μεταβλητές όπως η
"προσπίπτουσα ηλιακή ακτινοβολία", το "υψόμετρο" και η "κλίση της πλαγιάς" μεταξύ των κλάσεων
ανάκαμψης και μη ανάκαμψης.

[[Αρχείο:Paper1-fig3.png | right | thumb]]
[[Αρχείο:Paper1-fig4.png | right | thumb]]
[[Αρχείο:Paper1-fig5.png | right | thumb]]

'''<h2> Αλλαγές στους Δείκτες Βλάστησης - Linear Regression </h2>'''

Στην ανάλυση linear regression παρατηρήθηκαν παρόμοια ευρήματα. Το υψόμετρο και η κλίση της
πλαγιάς αναδείχθηκαν ως κυρίαρχες και σημαντικές μεταβλητές που επηρεάζουν το μέγεθος της
διαφοράς στις τιμές των δεικτών βλάστησης, ενδεικτικές της ανάκαμψης, για τις επιλεγμένες κηλίδες.
Η ανάκαμψη, που αντιπροσωπεύεται από μεγάλες διαφορές NDVI και NBR, παρουσίασε θετική
συσχέτιση με το υψόμετρο, ενώ παρατηρήθηκε αρνητική σχέση με την κλίση.

[[Αρχείο:Paper1-fig6.png | right | thumb]]

''' <h1> Συμπεράσματα </h1>'''

Τα αποτελέσματα υποδεικνύουν αλλοιωμένα τοπία λόγω της πυρκαγιάς, με μείωση των δασών P.
brutia και αύξηση των θαμνώνων.Το υψόμετρο επηρεάζει θετικά την ανάκαμψη των δασικών
εκτάσεων, σε συνδυασμό με τους απαιτητικούς σε νερό τύπους βλάστησης που ευνοούνται σε
μεγαλύτερα υψόμετρα.Η κλίση της πλαγιάς παίζει καθοριστικό ρόλο, με τις ήπιες πλαγιές να
διευκολύνουν τη φυσική αναγέννηση. Η μειωμένη ηλιακή ακτινοβολία συνδέεται με την καλύτερη
ποιότητα της περιοχής, ενισχύοντας την αναγέννηση. Η πυκνότητα της βλάστησης πριν από την
πυρκαγιά επηρεάζει αρνητικά την ανάκαμψη, ενδεχομένως λόγω της διαθεσιμότητας σπόρων, ενώ η
απόσταση από υδρογραφικά δίκτυα επηρεάζει τη δυνατότητα ανάκαμψης. Άλλες εξεταζόμενες
μεταβλητές, συμπεριλαμβανομένου του γεωλογικού υποστρώματος και του βάθους του εδάφους,
παρουσιάζουν περιορισμένη σημασία. Η μελέτη υποδηλώνει την ανάγκη για περισσότερη έρευνα
σχετικά με φυσικές και ανθρωπογενείς παραμέτρους σε επεξηγηματικά μοντέλα για την ανάκαμψη των
δασών.

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Paper1-fig3.png

2024-02-20T16:49:19Z

Ichristinakis:

Αρχείο:Paper1-fig2.png

2024-02-20T16:49:02Z

Ichristinakis:

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...

2024-02-20T16:48:23Z

Ichristinakis:

'''Πρότυπος Τίτλος'''

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης δάσους πεύκου που έχει πληγεί από τη φωτιά στη Νότια Ελλάδα

'''Τίτλος'''

A Remote Sensing and GIS Approach to Study the Long-Term Vegetation Recovery of a Fire-Affected Pine Forest in Southern Greece

'''Πηγή'''

[https://www.mdpi.com/2072-4292/7/6/7712 mdpi]

[https://doi.org/10.3390/rs70607712 doi]

'''Συγγραφείς'''

Foula Nioti, Fotios Xystrakis, Nikos Koutsias, Panayotis Dimopoulos

''' <h1> Εισαγωγή </h1> '''
Η μελέτη και η διαχείριση οικοσυστημάτων επιρρεπών σε πυρκαγίες εξαρτάται άμεσα απο το δυναμικό
αναγέννησης και την δυνατότητα ανάκτησης των διαφόρων τύπων βλάστησης εντός αυτών. Στην
παρούσα μελέτη, αξιολογείται η ανάκτηση της βλάστησης σε δασικές εκτάσεις Τραχείας Πεύκης
(Pindus brutia) μετά από την πυρκαγιά του 1983 στο νησί Κάρπαθος που βρίσκεται στο
νοτιοανατολικό Αίγαίο, Ελλάδα, με κύριους στόχους (α) για τον εντοπισμό των περιβαλλοντικών
παραμέτρων που θα μπορούσαν να συμβάλουν στην ανάκτηση των δασικών εκτάσεων P. brutia που
κάηκαν και (β) για τον προσδιορισμό των αλλαγών κάλυψης γης (1982–2009) που σχετίζονται με αυτό
το συμβάν πυρκαγιάς.
Υπολογίστηκαν και συγκρίθηκαν οι δείκτες NDVI και NBR καθώς και θεματικοί χάρτες αλλαγών
κάλυψης γης λίγους μήνες μετά την πυρκαγιά, το 1984 και μετά από σχεδόν 30 χρόνια το 2012, ενώ
αναλύθηκε η επορροή διαφόρων περιβαλλοντικών παραγόντων. Τα αποτελέσματα έδειξαν σημαντική
ανάκαμψη, αλλά και ότι ορισμένες δασικές εκτάσεις μετατράπηκαν σε θαμνώδη βλάστηση. Το
υψόμετρο, η κλίση, η ακτινοβολία και η φυσιογνωμία πριν από την πυρκαγιά είχαν επιρροή στην
ανάκτηση, με το υψόμετρο και την κλίση να εξηγούν τις αλλαγές στους δορυφορικούς δείκτες.
Η Pinus brutia έδειξε καλή δυνατότητα ανάκτησης μετά την πυρκαγιά σε περιοχές με αυξημένη
διαθεσιμότητα υγρασίας.

''' <h1> Περιοχή Μελέτης </h1> '''

Η περιοχή μελέτης βρίσκεται στο νησί της Κάρπαθου στο Ανατολικό Αιγαίο, όπου μια μεγάλη
πυρκαγιά το 1983 έκαψε 4475 εκτάρια δασικής έκτασης Pinus brutia, μαζί με άλλους τύπους
βλάστησης όπως τα φρύγανα. Η ουλή πυρκαγιάς, που περιγράφεται μεταξύ 27 ° 7'25.9''Ε -35 °
38'12.3''N (νοτιοδυτικά) και 27 ° 13'5.6'E -35 ° 45'19.7''N (βορειοανατολικά), περιλαμβάνει άκαμπτη
μπαλώματα εντός της γενικής καμένης περιμέτρου.
Η Κάρπαθος, στη θερμομεσογειακή κλιματική ζώνη, έχει υψόμετρα που κυμαίνονται από 0 έως 684 m.
Το μεσογειακό κλίμα του νησιού περιλαμβάνει μια ξηρή περίοδο από τα μέσα Μαρτίου έως τα μέσα
Οκτωβρίου. Η μέση ετήσια βροχόπτωση είναι 386,7 mm, η μέση ετήσια θερμοκρασία 19,4 ° C,
ελάχιστη θερμοκρασία ψυχρότερου μήνα 0,8 ° C και μέγιστη θερμοκρασία θερμοκρασίας 45 ° C. Το
γεωλογικό υπόστρωμα αποτελείται από σκληρό ασβεστόλιθο και φλύσχη.

[[Αρχείο:Paper1-fig1.png | right | thumb]]

'''<h1>Δεδομένα</h1>'''

'''<h2> Ουλή Πυρκαγιάς </h2>'''

Για την πυρκαγιά του 1983, δεν ήταν προσβάσιμος ακριβής, λεπτομερής χάρτης της καμένης περιοχής,
μόνο ένα γενικό σκίτσο της περιμέτρου του εγκαύματος με περιορισμένες χωρικές πληροφορίες, ειδικά
για άκαυστα μπαλώματα, το οποίο διορθώθηκε ώστε να προσδιοριστεί χωρικά η ουλή της πυρκαγιάς
με την βοήθεια δορυφορικών εικόνων LANDSAT του 1984 και πολυχρονικά δορυφορικά δεδομένα
αρχειοθετημένα από το USGS LANDSAT.

'''<h2> Περιβαλλοντικοί Παράγοντες </h2>'''

Για την αξιολόγηση της επίδρασης του φυσικού περιβάλλοντος στην ανάκτηση μετά την πυρκαγιά της
δασικής βλάστησης P. brutia, εξετάστηκαν διάφορες μεταβλητές. Αυτά περιελάμβαναν υψόμετρο, όψη,
κλίση, γεωλογικό υπόστρωμα, δεδομένα εδάφους, ηλιακή ακτινοβολία και απόσταση από το
υδρογραφικό δίκτυο.
Το υψόμετρο προσδιορίστηκε χρησιμοποιώντας ένα ψηφιακό υψομετρικό μοντέλο (30 m DEM). Το
DEM χρησίμευε επίσης για την εκτίμηση της κλίσης και της όψης της κλίσης. Οι πληροφορίες για το
γεωλογικό υπόστρωμα και το βάθος του εδάφους ελήφθησαν από γεωλογικούς και εδαφικούς χάρτες
1:50.000. Η πλησιέστερη απόσταση από το υδρογραφικό δίκτυο υπολογίστηκε με χρήση των 30m
DEM και ArcGIS Hydrology Tools. Η εισερχόμενη ηλιακή ακτινοβολία υπολογίστηκε λαμβάνοντας
υπόψη τις κλίσεις, τον προσανατολισμό και την ανάγλυφη σκίαση. Υπολογίστηκαν επίσης αποστάσεις
από κάθε σημείο δειγματοληψίας μέχρι την πλησιέστερη άκαυστη τοποθεσία και άκαυτο πευκοδάσος.
Όλες αυτές οι μεταβλητές προσδιορίστηκαν για κάθε σημείο δείγματος στον δειγματοληπτικό
σχεδιασμό της περιοχής μελέτης.

'''<h2> Κάληψη Γης Πριν και Μετα την Πυρκαγιά </h2>'''

Για να εντοπιστούν οι αποκλίσεις των χαρτών κάλυψης γης μεταξύ πριν και μετά την πυρκαγιά και των
περιορισμών των δορυφορικών δεδομένων, αναπτύχθηκε ένα σύστημα ταξινόμησης. Το πρόγραμμα
περιλαμβάνει τέσσερις κατηγορίες κάλυψης γης: πυκνό δάσος P. brutia (> 25% κάλυψη), ανοιχτό
δάσος P. brutia (< 25% κάλυψη), θαμνώδεις εκτάσεις (με διάσπαρτα δέντρα) και φρύγανα (περιοχές
αραιής βλάστησης χωρίς δέντρα ή ψηλούς θάμνους). ). Αυτό το σύστημα εφαρμόστηκε τόσο στους
χάρτες βλάστησης πριν όσο και μετά την πυρκαγιά.
Για τον χάρτη βλάστησης πριν από την πυρκαγιά, χρησιμοποιήθηκαν δεδομένα πεδίου από το 1981 και
δορυφορικές εικόνες LANDSAT από το 1975 και το 1984. Ο χάρτης βλάστησης μετά την πυρκαγιά
χρησιμοποίησε δεδομένα κάλυψης εδάφους CORINE 2000 και εικόνες θεματικού χάρτη LANDSAT-5
από το 2008 και το 2009.
Στους χάρτες κάλυψης γης πριν και μετά την πυρκαγιά, για να αναδειχθούν οι αλλαγές στην κατανομή
της βλάστησης 26 χρόνια μετά την πυρκαγιά, χρησιμοποιήθηκε ένας τακτικός δείκτης για την
αξιολόγηση των αλλαγών στις κατηγορίες ανάκτησης, με αποτέλεσμα έναν τελικό χάρτη των αλλαγών
της βλάστησης εντός της καμένης περιοχής.

[[Αρχείο:Paper1-table1.png | right | thumb]]

'''<h2>Δεικτες Βλάστησης</h2>'''

Οι αλλαγές στους δείκτες βλάστησης αξιολογήθηκαν χρησιμοποιώντας δεδομένα δορυφορικής
τηλεπισκόπησης, συγκεκριμένα τον Δείκτη Κανονικής Διαφοράς Βλάστησης (NDVI) και τον Κανονικό
Λόγο Εγκαύματος (NBR) για τις εικόνες LANDSAT του 1984 και του 2012.
Αυτοί οι δείκτες βλάστησης χρησιμοποιούνται συνήθως στην τηλεπισκόπηση καμένων περιοχών για τη
χαρτογράφηση των ουλών πυρκαγιάς ή την εκτίμηση της σοβαρότητας των εγκαυμάτων,
ελαχιστοποιώντας την επίδραση εξωγενών παραγόντων και ενισχύοντας τη συσχέτιση με τις
εσωτερικές παραμέτρους βλάστησης.

'''<h1> Στατιστική Ανάλυση και Μεθοδολογία </h1>'''

'''<h2> Δειγματοληψία </h2>'''

Επιλέχθηκαν τυχαία 500 σημεία εντός της περιοχής μελέτης χρησιμοποιώντας γενικευμένη τυχαία
στρωματοποιημένη δειγματοληψία, με μέγεθος δείγματος ανάλογο με κάθε κατηγορία χρήσεων
γης/κάλυψης γης. Έντεκα σημεία εντός των γεωργικών αγρών εξαιρέθηκαν, με αποτέλεσμα ένα τελικό
σύνολο δεδομένων 489 σημείων για ανάλυση διασταύρωσης πινάκων. Ένα δευτερεύον σύνολο
δεδομένων, που χρησιμοποιήθηκε στην ανάλυση logistic regression, απέκλεισε σημεία στη βλάστηση
θάμνων και φρύγανα, συνολικού ύψους 438 σημείων σε πυκνό και ανοιχτό δάσος P. brutia για
ανάπτυξη του μοντέλου.

[[Αρχείο:Paper1-fig1.png Figure 2: IKONOS segmentation and the burnt areas polygons. | right | thumb]]

Επιπλέον, επιλέχθηκαν 88 ομοιογενή τμήματα ως περιοχές δοκιμής από παγχρωματικές εικόνες
IKONOS υψηλής ανάλυσης. Ένας αλγόριθμος τμηματοποίησης, συγκεκριμένα το λογισμικό
eCognition® Developer, εφαρμόστηκε στην εικόνα και επιλέχθηκαν οπτικά 88 ομοιογενή τεμάχια.

'''<h2> Cross-Tabulation Analysis </h2>'''

Η ανάλυση διασταυρούμενης πινακοποίησης (πίνακες έκτακτης ανάγκης) εφαρμόστηκε για τον
εντοπισμό αλλαγών κάλυψης βλάστησης την εξεταζόμενη χρονική περίοδο (προ και μετά την πυρκαγιά
βλάστηση) στα 489 σημεία δειγματοληψίας.

'''<h2> Logistic Regression </h2>'''

Η ανάκτηση δασών σε πευκοδάση πριν από την πυρκαγιά αναλύθηκε χρησιμοποιώντας binary logistic
regression. Οι τακτικές κλάσεις ανάκτησης μετατράπηκαν σε δυαδικές μεταβλητές, με το "1" να
δείχνει την ανάκτηση στην κατάσταση πριν από την πυρκαγιά και το "0" να υποδεικνύει διαφορετικά.
Η δυαδική λογιστική παλινδρόμηση προέβλεψε την τιμή της μεταβλητής απόκρισης (ανάκτηση) από
περιβαλλοντικές επεξηγηματικές μεταβλητές.
Το καλύτερο μοντέλο επιλέχθηκε με βάση το κριτήριο BIC, συμπεριλαμβανομένων συνεχών
μεταβλητών όπως υψόμετρο, κλίση, όψη, ηλιακή ακτινοβολία, απόσταση από άκαυστα σημεία,
απόσταση από άκαυτο δάσος P. brutia και κατηγορικές μεταβλητές όπως βάθος εδάφους, τύπος βράχου
και προ -πυρική βλάστηση (πυκνή ή ανοιχτή συστάδες P. brutia). Η απόδοση του μοντέλου
αξιολογήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας
δέκτη (ROC), υποδεικνύοντας αποδεκτή διάκριση.
Η δοκιμή καλής προσαρμογής Hosmer–Lemeshow αξιολόγησε πόσο καλά ταίριαζε το μοντέλο στα
δεδομένα. Οι καμπύλες πυκνότητας επιλεγμένων επεξηγηματικών μεταβλητών για τις κατηγορίες
ανάκτησης σχεδιάστηκαν για να απεικονιστούν οι διαφορές στη μεταβλητή κατανομή μεταξύ των δύο
κατηγοριών ανάκτησης.

'''<h2> Αλλαγές Δεικτών Βλάστησης </h2>'''

Για τη μέτρηση της ανάκτησης του οικοσυστήματος, η διαφορά μεταξύ των δεικτών NDVI και NBR
χρησιμοποιήθηκε ως μεταβλητή μεσολάβησης. Αυτή η διαφορά υπολογίστηκε για το έτος αμέσως μετά
την πυρκαγιά (1984) και το 2012. Μια μεγαλύτερη διαφορά στις τιμές του δείκτη μεταξύ αυτών των
περιόδων θεωρείται ότι υποδηλώνει ισχυρότερη ένδειξη υψηλής αναγέννησης ή ανάκαμψης. Οι
κατανομές των δεικτών NDVI και NBR για καμένα και άκαυστα έμπλαστρα σχεδιάστηκαν και
πραγματοποιήθηκε ανάλυση γραμμικής παλινδρόμησης μεταξύ των τιμών διαφοράς των δεικτών και
επιλεγμένων περιβαλλοντικών μεταβλητών.

'''<h1>Αποτελέσματα </h1>'''

'''<h2> Αλλαγές Τύπων Βλάστησης - Cross-Tabulation Analysis </h2>'''

Από το 1981 (δύο χρόνια πριν από την πυρκαγιά) έως το 2009 (26 χρόνια μετά την πυρκαγιά), οι
αλλαγές στη βλάστηση είναι εμφανείς. Παρατηρήθηκε μείωση στις πυκνές δασικές εκτάσεις (από
54,8% σε 37,4%) και στις ανοιχτές δασικές εκτάσεις (από 34,8% σε 7,8%), που συνοδεύτηκε από
αύξηση των θαμνωδών εκτάσεων (από 9,8% σε 37,4%) και των φρουρών (από 0,6% σε 17,4% ).
Οι παρατηρούμενες αλλαγές αποκλίνουν σημαντικά από τις αναμενόμενες τιμές, υποδηλώνοντας ότι
αυτές οι αλλαγές δεν οφείλονται αποκλειστικά σε τυχαίες τιμές. Αυτό δείχνει ότι ένα σημαντικό μέρος
των θαμνωδών εκτάσεων δεν ανέκαμψε 26 χρόνια μετά την πυρκαγιά, αν και σε ορισμένες περιοχές,
σημεία που κυριαρχούσαν οι θάμνοι παρουσίασαν μείωση, προάγοντας πιθανώς τη βλάστηση των
σπόρων Pinus brutia.

'''<h2> Αναγέννηση Pinus brutia - Logistic Regression Analysis </h2>'''

Το μοντέλο δυαδικής λογιστικής παλινδρόμησης, που επικυρώθηκε με δείκτες βλάστησης, υποδεικνύει
παράγοντες που επηρεάζουν την ανάκαμψη των πευκοδασών. Εντοπίζονται πέντε σημαντικές
μεταβλητές που επηρεάζουν την ανάκαμψη των δασών: "υψόμετρο", "κλίση", "ηλιακή ακτινοβολία",
"απόσταση από το υδρογραφικό δίκτυο" και "βλάστηση πριν από την πυρκαγιά". Το μεγάλο υψόμετρο
ευνοεί την ανάκαμψη, ενώ οι απότομες πλαγιές, η υψηλή ηλιακή ακτινοβολία, οι μεγάλες αποστάσεις
από το υδρογραφικό δίκτυο και οι ανοικτές προ της πυρκαγιάς συστάδες Pinus brutia εμποδίζουν την
ανάκαμψη. Οι καμπύλες πυκνότητας απεικονίζουν αξιοσημείωτες διαφορές σε μεταβλητές όπως η
"προσπίπτουσα ηλιακή ακτινοβολία", το "υψόμετρο" και η "κλίση της πλαγιάς" μεταξύ των κλάσεων
ανάκαμψης και μη ανάκαμψης.

[[Αρχείο:Paper1-fig2.png | right | thumb]]
[[Αρχείο:Paper1-fig3.png | right | thumb]]
[[Αρχείο:Paper1-fig4.png | right | thumb]]

'''<h2> Αλλαγές στους Δείκτες Βλάστησης - Linear Regression </h2>'''

Στην ανάλυση linear regression παρατηρήθηκαν παρόμοια ευρήματα. Το υψόμετρο και η κλίση της
πλαγιάς αναδείχθηκαν ως κυρίαρχες και σημαντικές μεταβλητές που επηρεάζουν το μέγεθος της
διαφοράς στις τιμές των δεικτών βλάστησης, ενδεικτικές της ανάκαμψης, για τις επιλεγμένες κηλίδες.
Η ανάκαμψη, που αντιπροσωπεύεται από μεγάλες διαφορές NDVI και NBR, παρουσίασε θετική
συσχέτιση με το υψόμετρο, ενώ παρατηρήθηκε αρνητική σχέση με την κλίση.

''' <h1> Συμπεράσματα </h1>'''

Τα αποτελέσματα υποδεικνύουν αλλοιωμένα τοπία λόγω της πυρκαγιάς, με μείωση των δασών P.
brutia και αύξηση των θαμνώνων.Το υψόμετρο επηρεάζει θετικά την ανάκαμψη των δασικών
εκτάσεων, σε συνδυασμό με τους απαιτητικούς σε νερό τύπους βλάστησης που ευνοούνται σε
μεγαλύτερα υψόμετρα.Η κλίση της πλαγιάς παίζει καθοριστικό ρόλο, με τις ήπιες πλαγιές να
διευκολύνουν τη φυσική αναγέννηση. Η μειωμένη ηλιακή ακτινοβολία συνδέεται με την καλύτερη
ποιότητα της περιοχής, ενισχύοντας την αναγέννηση. Η πυκνότητα της βλάστησης πριν από την
πυρκαγιά επηρεάζει αρνητικά την ανάκαμψη, ενδεχομένως λόγω της διαθεσιμότητας σπόρων, ενώ η
απόσταση από υδρογραφικά δίκτυα επηρεάζει τη δυνατότητα ανάκαμψης. Άλλες εξεταζόμενες
μεταβλητές, συμπεριλαμβανομένου του γεωλογικού υποστρώματος και του βάθους του εδάφους,
παρουσιάζουν περιορισμένη σημασία. Η μελέτη υποδηλώνει την ανάγκη για περισσότερη έρευνα
σχετικά με φυσικές και ανθρωπογενείς παραμέτρους σε επεξηγηματικά μοντέλα για την ανάκαμψη των
δασών.

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Paper1-table1.png

2024-02-20T16:47:22Z

Ichristinakis:

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...

2024-02-20T16:46:14Z

Ichristinakis:

'''Πρότυπος Τίτλος'''

Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης δάσους πεύκου που έχει πληγεί από τη φωτιά στη Νότια Ελλάδα

'''Τίτλος'''

A Remote Sensing and GIS Approach to Study the Long-Term Vegetation Recovery of a Fire-Affected Pine Forest in Southern Greece

'''Πηγή'''

[https://www.mdpi.com/2072-4292/7/6/7712 mdpi]

[https://doi.org/10.3390/rs70607712 doi]

'''Συγγραφείς'''

Foula Nioti, Fotios Xystrakis, Nikos Koutsias, Panayotis Dimopoulos

''' <h1> Εισαγωγή </h1> '''
Η μελέτη και η διαχείριση οικοσυστημάτων επιρρεπών σε πυρκαγίες εξαρτάται άμεσα απο το δυναμικό
αναγέννησης και την δυνατότητα ανάκτησης των διαφόρων τύπων βλάστησης εντός αυτών. Στην
παρούσα μελέτη, αξιολογείται η ανάκτηση της βλάστησης σε δασικές εκτάσεις Τραχείας Πεύκης
(Pindus brutia) μετά από την πυρκαγιά του 1983 στο νησί Κάρπαθος που βρίσκεται στο
νοτιοανατολικό Αίγαίο, Ελλάδα, με κύριους στόχους (α) για τον εντοπισμό των περιβαλλοντικών
παραμέτρων που θα μπορούσαν να συμβάλουν στην ανάκτηση των δασικών εκτάσεων P. brutia που
κάηκαν και (β) για τον προσδιορισμό των αλλαγών κάλυψης γης (1982–2009) που σχετίζονται με αυτό
το συμβάν πυρκαγιάς.
Υπολογίστηκαν και συγκρίθηκαν οι δείκτες NDVI και NBR καθώς και θεματικοί χάρτες αλλαγών
κάλυψης γης λίγους μήνες μετά την πυρκαγιά, το 1984 και μετά από σχεδόν 30 χρόνια το 2012, ενώ
αναλύθηκε η επορροή διαφόρων περιβαλλοντικών παραγόντων. Τα αποτελέσματα έδειξαν σημαντική
ανάκαμψη, αλλά και ότι ορισμένες δασικές εκτάσεις μετατράπηκαν σε θαμνώδη βλάστηση. Το
υψόμετρο, η κλίση, η ακτινοβολία και η φυσιογνωμία πριν από την πυρκαγιά είχαν επιρροή στην
ανάκτηση, με το υψόμετρο και την κλίση να εξηγούν τις αλλαγές στους δορυφορικούς δείκτες.
Η Pinus brutia έδειξε καλή δυνατότητα ανάκτησης μετά την πυρκαγιά σε περιοχές με αυξημένη
διαθεσιμότητα υγρασίας.

''' <h1> Περιοχή Μελέτης </h1> '''

Η περιοχή μελέτης βρίσκεται στο νησί της Κάρπαθου στο Ανατολικό Αιγαίο, όπου μια μεγάλη
πυρκαγιά το 1983 έκαψε 4475 εκτάρια δασικής έκτασης Pinus brutia, μαζί με άλλους τύπους
βλάστησης όπως τα φρύγανα. Η ουλή πυρκαγιάς, που περιγράφεται μεταξύ 27 ° 7'25.9''Ε -35 °
38'12.3''N (νοτιοδυτικά) και 27 ° 13'5.6'E -35 ° 45'19.7''N (βορειοανατολικά), περιλαμβάνει άκαμπτη
μπαλώματα εντός της γενικής καμένης περιμέτρου.
Η Κάρπαθος, στη θερμομεσογειακή κλιματική ζώνη, έχει υψόμετρα που κυμαίνονται από 0 έως 684 m.
Το μεσογειακό κλίμα του νησιού περιλαμβάνει μια ξηρή περίοδο από τα μέσα Μαρτίου έως τα μέσα
Οκτωβρίου. Η μέση ετήσια βροχόπτωση είναι 386,7 mm, η μέση ετήσια θερμοκρασία 19,4 ° C,
ελάχιστη θερμοκρασία ψυχρότερου μήνα 0,8 ° C και μέγιστη θερμοκρασία θερμοκρασίας 45 ° C. Το
γεωλογικό υπόστρωμα αποτελείται από σκληρό ασβεστόλιθο και φλύσχη.

[[Αρχείο:Paper1-fig1.png | right | thumb]]

'''<h1>Δεδομένα</h1>'''

'''<h2> Ουλή Πυρκαγιάς </h2>'''

Για την πυρκαγιά του 1983, δεν ήταν προσβάσιμος ακριβής, λεπτομερής χάρτης της καμένης περιοχής,
μόνο ένα γενικό σκίτσο της περιμέτρου του εγκαύματος με περιορισμένες χωρικές πληροφορίες, ειδικά
για άκαυστα μπαλώματα, το οποίο διορθώθηκε ώστε να προσδιοριστεί χωρικά η ουλή της πυρκαγιάς
με την βοήθεια δορυφορικών εικόνων LANDSAT του 1984 και πολυχρονικά δορυφορικά δεδομένα
αρχειοθετημένα από το USGS LANDSAT.

'''<h2> Περιβαλλοντικοί Παράγοντες </h2>'''

Για την αξιολόγηση της επίδρασης του φυσικού περιβάλλοντος στην ανάκτηση μετά την πυρκαγιά της
δασικής βλάστησης P. brutia, εξετάστηκαν διάφορες μεταβλητές. Αυτά περιελάμβαναν υψόμετρο, όψη,
κλίση, γεωλογικό υπόστρωμα, δεδομένα εδάφους, ηλιακή ακτινοβολία και απόσταση από το
υδρογραφικό δίκτυο.
Το υψόμετρο προσδιορίστηκε χρησιμοποιώντας ένα ψηφιακό υψομετρικό μοντέλο (30 m DEM). Το
DEM χρησίμευε επίσης για την εκτίμηση της κλίσης και της όψης της κλίσης. Οι πληροφορίες για το
γεωλογικό υπόστρωμα και το βάθος του εδάφους ελήφθησαν από γεωλογικούς και εδαφικούς χάρτες
1:50.000. Η πλησιέστερη απόσταση από το υδρογραφικό δίκτυο υπολογίστηκε με χρήση των 30m
DEM και ArcGIS Hydrology Tools. Η εισερχόμενη ηλιακή ακτινοβολία υπολογίστηκε λαμβάνοντας
υπόψη τις κλίσεις, τον προσανατολισμό και την ανάγλυφη σκίαση. Υπολογίστηκαν επίσης αποστάσεις
από κάθε σημείο δειγματοληψίας μέχρι την πλησιέστερη άκαυστη τοποθεσία και άκαυτο πευκοδάσος.
Όλες αυτές οι μεταβλητές προσδιορίστηκαν για κάθε σημείο δείγματος στον δειγματοληπτικό
σχεδιασμό της περιοχής μελέτης.

'''<h2> Κάληψη Γης Πριν και Μετα την Πυρκαγιά </h2>'''

Για να εντοπιστούν οι αποκλίσεις των χαρτών κάλυψης γης μεταξύ πριν και μετά την πυρκαγιά και των
περιορισμών των δορυφορικών δεδομένων, αναπτύχθηκε ένα σύστημα ταξινόμησης. Το πρόγραμμα
περιλαμβάνει τέσσερις κατηγορίες κάλυψης γης: πυκνό δάσος P. brutia (> 25% κάλυψη), ανοιχτό
δάσος P. brutia (< 25% κάλυψη), θαμνώδεις εκτάσεις (με διάσπαρτα δέντρα) και φρύγανα (περιοχές
αραιής βλάστησης χωρίς δέντρα ή ψηλούς θάμνους). ). Αυτό το σύστημα εφαρμόστηκε τόσο στους
χάρτες βλάστησης πριν όσο και μετά την πυρκαγιά.
Για τον χάρτη βλάστησης πριν από την πυρκαγιά, χρησιμοποιήθηκαν δεδομένα πεδίου από το 1981 και
δορυφορικές εικόνες LANDSAT από το 1975 και το 1984. Ο χάρτης βλάστησης μετά την πυρκαγιά
χρησιμοποίησε δεδομένα κάλυψης εδάφους CORINE 2000 και εικόνες θεματικού χάρτη LANDSAT-5
από το 2008 και το 2009.
Στους χάρτες κάλυψης γης πριν και μετά την πυρκαγιά, για να αναδειχθούν οι αλλαγές στην κατανομή
της βλάστησης 26 χρόνια μετά την πυρκαγιά, χρησιμοποιήθηκε ένας τακτικός δείκτης για την
αξιολόγηση των αλλαγών στις κατηγορίες ανάκτησης, με αποτέλεσμα έναν τελικό χάρτη των αλλαγών
της βλάστησης εντός της καμένης περιοχής.

* Ταβλε 1

'''<h2>Δεικτες Βλάστησης</h2>'''

Οι αλλαγές στους δείκτες βλάστησης αξιολογήθηκαν χρησιμοποιώντας δεδομένα δορυφορικής
τηλεπισκόπησης, συγκεκριμένα τον Δείκτη Κανονικής Διαφοράς Βλάστησης (NDVI) και τον Κανονικό
Λόγο Εγκαύματος (NBR) για τις εικόνες LANDSAT του 1984 και του 2012.
Αυτοί οι δείκτες βλάστησης χρησιμοποιούνται συνήθως στην τηλεπισκόπηση καμένων περιοχών για τη
χαρτογράφηση των ουλών πυρκαγιάς ή την εκτίμηση της σοβαρότητας των εγκαυμάτων,
ελαχιστοποιώντας την επίδραση εξωγενών παραγόντων και ενισχύοντας τη συσχέτιση με τις
εσωτερικές παραμέτρους βλάστησης.

'''<h1> Στατιστική Ανάλυση και Μεθοδολογία </h1>'''

'''<h2> Δειγματοληψία </h2>'''

Επιλέχθηκαν τυχαία 500 σημεία εντός της περιοχής μελέτης χρησιμοποιώντας γενικευμένη τυχαία
στρωματοποιημένη δειγματοληψία, με μέγεθος δείγματος ανάλογο με κάθε κατηγορία χρήσεων
γης/κάλυψης γης. Έντεκα σημεία εντός των γεωργικών αγρών εξαιρέθηκαν, με αποτέλεσμα ένα τελικό
σύνολο δεδομένων 489 σημείων για ανάλυση διασταύρωσης πινάκων. Ένα δευτερεύον σύνολο
δεδομένων, που χρησιμοποιήθηκε στην ανάλυση logistic regression, απέκλεισε σημεία στη βλάστηση
θάμνων και φρύγανα, συνολικού ύψους 438 σημείων σε πυκνό και ανοιχτό δάσος P. brutia για
ανάπτυξη του μοντέλου.
* Figure 2: IKONOS segmentation and the burnt areas polygons.

Επιπλέον, επιλέχθηκαν 88 ομοιογενή τμήματα ως περιοχές δοκιμής από παγχρωματικές εικόνες
IKONOS υψηλής ανάλυσης. Ένας αλγόριθμος τμηματοποίησης, συγκεκριμένα το λογισμικό
eCognition® Developer, εφαρμόστηκε στην εικόνα και επιλέχθηκαν οπτικά 88 ομοιογενή τεμάχια.

'''<h2> Cross-Tabulation Analysis </h2>'''

Η ανάλυση διασταυρούμενης πινακοποίησης (πίνακες έκτακτης ανάγκης) εφαρμόστηκε για τον
εντοπισμό αλλαγών κάλυψης βλάστησης την εξεταζόμενη χρονική περίοδο (προ και μετά την πυρκαγιά
βλάστηση) στα 489 σημεία δειγματοληψίας.

'''<h2> Logistic Regression </h2>'''

Η ανάκτηση δασών σε πευκοδάση πριν από την πυρκαγιά αναλύθηκε χρησιμοποιώντας binary logistic
regression. Οι τακτικές κλάσεις ανάκτησης μετατράπηκαν σε δυαδικές μεταβλητές, με το "1" να
δείχνει την ανάκτηση στην κατάσταση πριν από την πυρκαγιά και το "0" να υποδεικνύει διαφορετικά.
Η δυαδική λογιστική παλινδρόμηση προέβλεψε την τιμή της μεταβλητής απόκρισης (ανάκτηση) από
περιβαλλοντικές επεξηγηματικές μεταβλητές.
Το καλύτερο μοντέλο επιλέχθηκε με βάση το κριτήριο BIC, συμπεριλαμβανομένων συνεχών
μεταβλητών όπως υψόμετρο, κλίση, όψη, ηλιακή ακτινοβολία, απόσταση από άκαυστα σημεία,
απόσταση από άκαυτο δάσος P. brutia και κατηγορικές μεταβλητές όπως βάθος εδάφους, τύπος βράχου
και προ -πυρική βλάστηση (πυκνή ή ανοιχτή συστάδες P. brutia). Η απόδοση του μοντέλου
αξιολογήθηκε χρησιμοποιώντας την περιοχή κάτω από την καμπύλη χαρακτηριστικών λειτουργίας
δέκτη (ROC), υποδεικνύοντας αποδεκτή διάκριση.
Η δοκιμή καλής προσαρμογής Hosmer–Lemeshow αξιολόγησε πόσο καλά ταίριαζε το μοντέλο στα
δεδομένα. Οι καμπύλες πυκνότητας επιλεγμένων επεξηγηματικών μεταβλητών για τις κατηγορίες
ανάκτησης σχεδιάστηκαν για να απεικονιστούν οι διαφορές στη μεταβλητή κατανομή μεταξύ των δύο
κατηγοριών ανάκτησης.

'''<h2> Αλλαγές Δεικτών Βλάστησης </h2>'''

Για τη μέτρηση της ανάκτησης του οικοσυστήματος, η διαφορά μεταξύ των δεικτών NDVI και NBR
χρησιμοποιήθηκε ως μεταβλητή μεσολάβησης. Αυτή η διαφορά υπολογίστηκε για το έτος αμέσως μετά
την πυρκαγιά (1984) και το 2012. Μια μεγαλύτερη διαφορά στις τιμές του δείκτη μεταξύ αυτών των
περιόδων θεωρείται ότι υποδηλώνει ισχυρότερη ένδειξη υψηλής αναγέννησης ή ανάκαμψης. Οι
κατανομές των δεικτών NDVI και NBR για καμένα και άκαυστα έμπλαστρα σχεδιάστηκαν και
πραγματοποιήθηκε ανάλυση γραμμικής παλινδρόμησης μεταξύ των τιμών διαφοράς των δεικτών και
επιλεγμένων περιβαλλοντικών μεταβλητών.

'''<h1>Αποτελέσματα </h1>'''

'''<h2> Αλλαγές Τύπων Βλάστησης - Cross-Tabulation Analysis </h2>'''

Από το 1981 (δύο χρόνια πριν από την πυρκαγιά) έως το 2009 (26 χρόνια μετά την πυρκαγιά), οι
αλλαγές στη βλάστηση είναι εμφανείς. Παρατηρήθηκε μείωση στις πυκνές δασικές εκτάσεις (από
54,8% σε 37,4%) και στις ανοιχτές δασικές εκτάσεις (από 34,8% σε 7,8%), που συνοδεύτηκε από
αύξηση των θαμνωδών εκτάσεων (από 9,8% σε 37,4%) και των φρουρών (από 0,6% σε 17,4% ).
Οι παρατηρούμενες αλλαγές αποκλίνουν σημαντικά από τις αναμενόμενες τιμές, υποδηλώνοντας ότι
αυτές οι αλλαγές δεν οφείλονται αποκλειστικά σε τυχαίες τιμές. Αυτό δείχνει ότι ένα σημαντικό μέρος
των θαμνωδών εκτάσεων δεν ανέκαμψε 26 χρόνια μετά την πυρκαγιά, αν και σε ορισμένες περιοχές,
σημεία που κυριαρχούσαν οι θάμνοι παρουσίασαν μείωση, προάγοντας πιθανώς τη βλάστηση των
σπόρων Pinus brutia.

'''<h2> Αναγέννηση Pinus brutia - Logistic Regression Analysis </h2>'''

Το μοντέλο δυαδικής λογιστικής παλινδρόμησης, που επικυρώθηκε με δείκτες βλάστησης, υποδεικνύει
παράγοντες που επηρεάζουν την ανάκαμψη των πευκοδασών. Εντοπίζονται πέντε σημαντικές
μεταβλητές που επηρεάζουν την ανάκαμψη των δασών: "υψόμετρο", "κλίση", "ηλιακή ακτινοβολία",
"απόσταση από το υδρογραφικό δίκτυο" και "βλάστηση πριν από την πυρκαγιά". Το μεγάλο υψόμετρο
ευνοεί την ανάκαμψη, ενώ οι απότομες πλαγιές, η υψηλή ηλιακή ακτινοβολία, οι μεγάλες αποστάσεις
από το υδρογραφικό δίκτυο και οι ανοικτές προ της πυρκαγιάς συστάδες Pinus brutia εμποδίζουν την
ανάκαμψη. Οι καμπύλες πυκνότητας απεικονίζουν αξιοσημείωτες διαφορές σε μεταβλητές όπως η
"προσπίπτουσα ηλιακή ακτινοβολία", το "υψόμετρο" και η "κλίση της πλαγιάς" μεταξύ των κλάσεων
ανάκαμψης και μη ανάκαμψης.

* Φιγθρε 3

* Φιγθρε 4

* Φιγθρε 5

'''<h2> Αλλαγές στους Δείκτες Βλάστησης - Linear Regression </h2>'''

Στην ανάλυση linear regression παρατηρήθηκαν παρόμοια ευρήματα. Το υψόμετρο και η κλίση της
πλαγιάς αναδείχθηκαν ως κυρίαρχες και σημαντικές μεταβλητές που επηρεάζουν το μέγεθος της
διαφοράς στις τιμές των δεικτών βλάστησης, ενδεικτικές της ανάκαμψης, για τις επιλεγμένες κηλίδες.
Η ανάκαμψη, που αντιπροσωπεύεται από μεγάλες διαφορές NDVI και NBR, παρουσίασε θετική
συσχέτιση με το υψόμετρο, ενώ παρατηρήθηκε αρνητική σχέση με την κλίση.

''' <h1> Συμπεράσματα </h1>'''

Τα αποτελέσματα υποδεικνύουν αλλοιωμένα τοπία λόγω της πυρκαγιάς, με μείωση των δασών P.
brutia και αύξηση των θαμνώνων.Το υψόμετρο επηρεάζει θετικά την ανάκαμψη των δασικών
εκτάσεων, σε συνδυασμό με τους απαιτητικούς σε νερό τύπους βλάστησης που ευνοούνται σε
μεγαλύτερα υψόμετρα.Η κλίση της πλαγιάς παίζει καθοριστικό ρόλο, με τις ήπιες πλαγιές να
διευκολύνουν τη φυσική αναγέννηση. Η μειωμένη ηλιακή ακτινοβολία συνδέεται με την καλύτερη
ποιότητα της περιοχής, ενισχύοντας την αναγέννηση. Η πυκνότητα της βλάστησης πριν από την
πυρκαγιά επηρεάζει αρνητικά την ανάκαμψη, ενδεχομένως λόγω της διαθεσιμότητας σπόρων, ενώ η
απόσταση από υδρογραφικά δίκτυα επηρεάζει τη δυνατότητα ανάκαμψης. Άλλες εξεταζόμενες
μεταβλητές, συμπεριλαμβανομένου του γεωλογικού υποστρώματος και του βάθους του εδάφους,
παρουσιάζουν περιορισμένη σημασία. Η μελέτη υποδηλώνει την ανάγκη για περισσότερη έρευνα
σχετικά με φυσικές και ανθρωπογενείς παραμέτρους σε επεξηγηματικά μοντέλα για την ανάκαμψη των
δασών.

[[category:Δασοπονία, Δασική διαχείριση]]

Αρχείο:Paper1-fig1.png

2024-02-20T16:45:29Z

Ichristinakis:

Χριστινάκης Γιάννης

2024-02-20T16:36:50Z

Ichristinakis:

[[Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...]]

[[Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης_εικονας..]]

[[Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş, Ρουμανικά Καρπάθια Όρη]]

[[Προσδιορισμός δασικών παραμέτρων για προσομοίωση χιονοστιβάδας με χρήση τηλεπισκοπικών δεδομένων]]

TODO : [[Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Χριστινάκης Γιάννης

2024-02-20T16:36:28Z

Ichristinakis:

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

2024-02-20T16:36:08Z

Ichristinakis: Νέα σελίδα με '''' Πρότυπος Τίτλος ''' Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning '''Τ...'

''' Πρότυπος Τίτλος '''

Προσδιορισμός αλπικών λιμνών στα Ανατολικά Ιμαλάια με χρήση deep learning

'''Τίτλος'''

'''Πηγή'''

[https://doi.org/10.3390/w15020229 doi]

'''Συγγραφείς'''
Jinhao Xu, Min Feng, Yijie Sui, Dezhao Yan, Kuo Zhang, Kaidan Shi

'''<h1> Εισαγωγή </h1>'''

Το κείμενο εξετάζει τη σημασία και τις προκλήσεις του εντοπισμού των αλπικών λιμνών, ιδίως των παγετωδών λιμνών, σε ορεινές περιοχές με τη χρήση δορυφορικών δεδομένων. Οι
παγετώδεις λίμνες επηρεάζονται από την υποχώρηση των παγετώνων, δημιουργώντας
κινδύνους, όπως οι πλημμύρες από έκρηξη παγετώδους λίμνης. Οι παραδοσιακές μέθοδοι,
όπως οι δείκτες νερού, αντιμετωπίζουν σφάλματα λόγω του πολύπλοκου εδάφους και των
καιρικών συνθηκών. Η εργασία προτείνει μια αυτοματοποιημένη μέθοδο που χρησιμοποιεί
βαθιά μάθηση και δορυφορικά δεδομένα πολλαπλών πηγών για τον ακριβή εντοπισμό
παγετωνικών λιμνών. Η προσέγγιση αυτή ενσωματώνει εικόνες πραγματικού χρώματος, δείκτες νερού, ραντάρ συνθετικού ανοίγματος (SAR) και ψηφιακά μοντέλα υψομέτρου (DEM).Η μέθοδος διακρίνει παγετώδεις και μη παγετώδεις λίμνες με βάση το περιβάλλον τους, χρησιμοποιώντας ένα σύνολο ετικετών βαθιάς μάθησης για τα Ανατολικά Ιμαλάια. Η δυνατότητα διάκρισης των τύπων λιμνών ενισχύει την κατανόηση των οικοσυστημάτων και βοηθά στην αξιολόγηση των πιθανών κινδύνων που σχετίζονται με αυτές τις λίμνες.

''' <h1> Περιοχή Μελέτης </h1>'''

Τα Ανατολικά Ιμαλάια παρουσιάζουν ποικίλες κλιματολογικές συνθήκες, με τη νότια περιοχή να επηρεάζεται από τους μουσώνες του Ινδικού Ωκεανού και να παρουσιάζει άφθονες βροχοπτώσεις και πυκνή βλάστηση. Αντίθετα, το βόρειο τμήμα έχει ερημικό και ξηρό κλίμα. Η περιοχή είναι κατά κύριο λόγο νεφοσκεπής καθ' όλη τη διάρκεια του έτους, με μόνο περίπου 10% καθαρές ημέρες. Η περιοχή αντιμετωπίζει αυξημένους κινδύνους γεωλογικών καταστροφών, ιδίως κατά τη διάρκεια του καλοκαιριού, το οποίο δέχεται πάνω από το 40% των ετήσιων βροχοπτώσεων. Η πρόσφατη κλιματική αλλαγή και το λιώσιμο των παγετώνων
οδήγησαν στην ταχεία ανάπτυξη των αλπικών λιμνών στα Ιμαλάια. Κατά συνέπεια, τα Ανατολικά Ιμαλάια έχουν γίνει μια από τις πιο πυκνοκατοικημένες περιοχές για πλημμύρες από παγετώδεις λίμνες, με αποτέλεσμα τον υψηλότερο αριθμό νεκρών παγκοσμίως

'''<h1> Δεδομένα </h1>'''

Η σειρά Sentinel, που αναπτύχθηκε από τον Ευρωπαϊκό Οργανισμό Διαστήματος,
περιλαμβάνει το Sentinel-1 για απεικόνιση με ραντάρ C-band που επικεντρώνεται στην
παρακολούθηση της ξηράς και των ωκεανών με χωρική ανάλυση περίπου 5 m. Το Sentinel-2
είναι μια πολυφασματική αποστολή απεικόνισης υψηλής ανάλυσης που έχει σχεδιαστεί για την παρακολούθηση της ξηράς, προσφέροντας μέγιστη χωρική ανάλυση 10 m. Η μελέτη
χρησιμοποίησε το σύνολο δεδομένων ALOS PALSAR με ραδιομετρική διόρθωση του εδάφους
σε ψηφιακό μοντέλο υψομέτρου (DEM) που παρέχεται από το Alaska Satellite Facility. Αυτό το σύνολο δεδομένων προσφέρει πληροφορίες για το υψόμετρο σε αναλύσεις 12,5 m και 30 m, με το σύνολο δεδομένων ανάλυσης 12,5 m να χρησιμοποιείται για να ταιριάζει με τη χωρική
ανάλυση των εικόνων Sentinel. Το σύνολο δεδομένων ελήφθη από το ASF Distributed Active Records Center.

''' <h1> Μεθοδολογία </h1> '''

'''<h2> Προεπεξεργασία δεδομένων </h2>'''

Το Google Earth Engine χρησιμοποιήθηκε για την επεξεργασία των καλοκαιρινών εικόνων
Sentinel-1 και Sentinel-2 από το 2016 έως το 2020, αφαιρώντας τη νεφοκάλυψη και
συνθέτοντας τα δεδομένα. Επιλέχθηκαν πολλαπλές ζώνες από το Sentinel-1 και το Sentinel-2, με διαφορετική χωρική ανάλυση, για να χαρακτηριστούν οι αλπικές λίμνες και το περιβάλλον τους. Η ζώνη βραχέων κυμάτων υπερύθρου (SWIR) του Sentinel-2 επαναδειγματοληπτήθηκε στα 10 m για να ταιριάζει με την ανάλυση των άλλων ζωνών. Τέσσερις μεταβλητές προέκυψαν από αυτές τις ζώνες για την ενίσχυση της αναπαράστασης του νερού, του εδάφους και του περιβάλλοντος για την εκπαίδευση δικτύων βαθιάς μάθησης. Επιπλέον, το σύνολο δεδομένων ALOS PALSAR DEM επαναδειγματοληπτήθηκε στα 10 m και μια μεταβλητή Relief προέκυψε υπολογίζοντας τη διαφορά μεταξύ της μέγιστης και της ελάχιστης τιμής εντός ενός πλέγματος 100 m × 100 m.

''' <h2> Οπτική ερμηνεία αλπικών λιμνών </h2>'''

Πραγματοποιήθηκε οπτική ανάλυση για τη συλλογή δεδομένων για την εκπαίδευση και την
επικύρωση των μοντέλων αναγνώρισης και ταξινόμησης των αλπικών λιμνών. Τρεις διερμηνείς συμμετείχαν στην επισήμανση όλων των λιμνών στην περιοχή μελέτης εξετάζοντας οπτικά δορυφορικές εικόνες υψηλής ανάλυσης από το Google Earth. Οι εικόνες Sentinel-2 RGB χρησιμοποιήθηκαν ως δευτερεύουσα αναφορά όταν οι εικόνες RGB δεν ήταν διαθέσιμες ή επηρεάζονταν από σύννεφα. Οι διερμηνείς προσδιόρισαν οπτικά τον σχηματισμό παγετώδους ή μη παγετώδους λίμνης με βάση τους περιβαλλοντικούς παράγοντες που την περιβάλλουν, όπως η απόσταση από τους παγετώνες και τα ίχνη της κίνησης των παγετώνων. Οι παγετώδεις λίμνες χαρακτηρίστηκαν ως 1, ενώ οι μη παγετώδεις λίμνες χαρακτηρίστηκαν ως 0. Τα περιγράμματα των εντοπισμένων λιμνών σχεδιάστηκαν και αποθηκεύτηκαν σε ένα διανυσματικό σύνολο δεδομένων, με τους τύπους σχηματισμού τους ως χαρακτηριστικά των πολυγωνικών χαρακτηριστικών των λιμνών.

''' <h2> Αναγνώριση αλπικής λίμνης με βάση τη βαθιά μάθηση </h2>'''

Η ανάπτυξη ενός μοντέλου αναγνώρισης με βαθιά μάθηση για τις αλπικές λίμνες περιγράφεται στην Εικόνα 4, που περιλαμβάνει την εκπαίδευση δύο διαφορετικών δικτύων βαθιάς μάθησης για την αναγνώριση του περιγράμματος και του τύπου των αλπικών λιμνών. Η περιοχή μελέτης χωρίστηκε συστηματικά σε πλακίδια των 512 × 512 εικονοστοιχείων για τους αλγορίθμους κατάτμησης βαθιάς μάθησης, χρησιμοποιώντας την προβολή WGS 84/Pseudo-Mercator με κλίμακα 1:5000. Τα πλακίδια χωρίστηκαν σε ομάδες εκπαίδευσης και επικύρωσης κατά μήκος του ποταμού Arun.

Στα πλέγματα αποδόθηκαν οπτικές ετικέτες για τη δημιουργία δειγμάτων για εκπαίδευση και επικύρωση, με θετικά δείγματα που τέμνονται με αναγνωρισμένες λίμνες και αρνητικά δείγματα σε αντίθετη περίπτωση. Για την ταξινόμηση των λιμνών συλλέχθηκαν συνολικά 4584 δείγματα.

Η διαδικασία ταυτοποίησης περιλάμβανε δύο στάδια: κατάτμηση και ταξινόμηση. Το βήμα της τμηματοποίησης χρησιμοποίησε ένα δίκτυο Panoptic-DeepLab για τον εντοπισμό των περιγραμμάτων των λιμνών, ενώ το βήμα της ταξινόμησης έκανε διάκριση μεταξύ παγετώνων και μη παγετώνων λιμνών χρησιμοποιώντας ένα μοντέλο CoAtNet, που συνδυάζει τα νευρωνικά δίκτυα Convolutional Neural Networks και τα νευρωνικά δίκτυα Transformer.

Το μοντέλο τμηματοποίησης αλπικών λιμνών εκπαιδεύτηκε με συγκεκριμένες παραμέτρους,
συμπεριλαμβανομένων των HRNet-48 backbone και Binary Dice Loss. Για τη μέτρηση της
ακρίβειας τμηματοποίησης χρησιμοποιήθηκαν μετρικές αξιολόγησης, όπως η μέση διατομή
πάνω από την ένωση (MIoU).

Τέσσερις συνδυασμοί μεταβλητών Sentinel-1, Sentinel-2 και μεταβλητών που προέκυψαν από DEM επιλέχθηκαν για τις εισροές του μοντέλου για την αξιολόγηση της ικανότητας αναγνώρισης αλπικών λιμνών. Το μοντέλο ταξινόμησης αλπικών λιμνών, εκπαιδευμένο με το CoAtNe.

''' <h2> Υπολογιστικό Περιβάλλον </h2>'''

Το υπολογιστικό περιβάλλον για το πείραμα δημιουργήθηκε σε σύστημα Linux. Για την
υλοποίηση του πλαισίου δικτύου βαθιάς μάθησης επιλέχθηκε το PyTorch. Η εκπαίδευση των
δικτύων βαθιάς μάθησης πραγματοποιήθηκε σε διακομιστή υπολογιστή εξοπλισμένο με 2 CPU
(Intel Xeon Gold 5118 12 πυρήνες) και 16 GPU (NVIDIA Tesla K80 12G).

''' <h1> Αποτελέσματα</h1> '''

'''<h2> Προσδιορισμένες αλπικές λίμνες</h2> '''

Εντοπίστηκαν συνολικά 4584 αλπικές λίμνες, με μέση έκταση 0,038 km² και μέσο υψόμετρο
4974 m. Σε αυτές περιλαμβάνονται 2795 παγετώδεις λίμνες και 1789 μη παγετώδεις λίμνες. Οι παγετώδεις λίμνες παρουσίασαν μεγαλύτερο αριθμό, μεγαλύτερη έκταση και υψηλότερο υψόμετρο σε σύγκριση με τις μη παγετώδεις λίμνες. Η πλειονότητα των αλπικών λιμνών που εντοπίστηκαν ήταν μικρές, με το 87% να είναι μικρότερες από 0,05 km² και το 42% μικρότερες από 0,005 km². Από αυτές, 32 λίμνες ήταν μεγαλύτερες από 1 km², με μέση έκταση 1,9 km² και τη μεγαλύτερη λίμνη να καλύπτει 5,5 km². Περίπου το 57% των παγετωνικών λιμνών βρίσκονταν μεταξύ 5000 και 5500 m πάνω από το επίπεδο της θάλασσας.

'''<h2> Ακρίβεια τμηματοποίησης</h2> '''

Τα μοντέλα τμηματοποίησης πέτυχαν σύγκλιση των απωλειών μετά από 20 επαναλήψεις
εκπαίδευσης, όπως υποδεικνύεται από τις ομαλές καμπύλες απώλειας εκπαίδευσης, γεγονός
που υποδηλώνει την επιτυχή απόδοση του μοντέλου. Η μέση τομή πάνω από την ένωση (MIoU) για όλα τα δείγματα στα τέσσερα μοντέλα τμηματοποίησης κυμάνθηκε από 96,18% έως 97,40%, καταδεικνύοντας βελτιωμένη συνολική αποτελεσματικότητα τμηματοποίησης με την αύξηση των μεταβλητών εισόδου. Η MIoU για τα θετικά και αρνητικά δείγματα αυξήθηκε επίσης με πρόσθετα δεδομένα εισόδου, υποδεικνύοντας βελτιωμένη πληρότητα των αλπικών λιμνών και μειωμένη ψευδή ανίχνευση.

Όσον αφορά τα προβλεπόμενα πολύγωνα, τα τέσσερα μοντέλα τμηματοποίησης εντόπισαν
ποικίλους αριθμούς λιμνών, που κυμαίνονταν από 1688 έως 1888 από τις 2075 παγετώδεις
λίμνες στο σύνολο επικύρωσης. Τα ψευδώς θετικά πολύγωνα κυμάνθηκαν από 841 έως 3946
στα τέσσερα μοντέλα. Η αύξηση των δεδομένων εισόδου βελτίωσε αποτελεσματικά το ποσοστό ανίχνευσης και μείωσε τα ψευδώς θετικά αποτελέσματα.

Η οπτική ερμηνεία και οι αντίστοιχες προβλέψεις από τα τέσσερα μοντέλα τμηματοποίησης
παρουσιάζονται στην Εικόνα 8. Το SegModel1 παρουσίασε την χειρότερη απόδοση όσον αφορά την πληρότητα των αλπικών λιμνών και τον έλεγχο των σφαλμάτων. Τα SegModel2 και
SegModel3, μετά το συνδυασμό των δεδομένων MNDWI και Sentinel-1, παρουσίασαν
βελτιωμένη πληρότητα αλλά εισήγαγαν περισσότερο θόρυβο λόγω σκιών. Το SegModel4,
ενσωματώνοντας δεδομένα ανάγλυφου, μείωσε σημαντικά τις ψευδείς ανιχνεύσεις. Μεταξύ των τεσσάρων μοντέλων τμηματοποίησης, εκείνο που συνδυάζει και τα τέσσερα σύνολα δεδομένων επέδειξε την υψηλότερη ακρίβεια.

''' <h2> Ακρίβεια ταξινόμησης</h2> '''

Το μοντέλο ταξινόμησης έφτασε σε σύγκλιση στην απώλεια μετά από 25 επαναλήψεις, με κάθε επανάληψη να διαρκεί περίπου τέσσερα λεπτά. Η καλύτερη απόδοση του μοντέλου σημειώθηκε στην 18η επανάληψη, επιτυγχάνοντας συνολική ακρίβεια 86,41%, ακρίβεια χρήστη 86,62%, ακρίβεια παραγωγού 85,49% και F1-Score 86,05%.

Από τις 949 παγετώδεις λίμνες, 840 ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του
παραγωγού να είναι 88,5%, η οποία ήταν υψηλότερη από εκείνη για τις μη παγετώδεις λίμνες που ήταν 84,6% (Πίνακας 6). Ωστόσο, από τις 1126 μη παγετώδεις λίμνες, οι 953
ταξινομήθηκαν σωστά, με αποτέλεσμα η ακρίβεια του χρήστη να ανέρχεται σε 89,7%,
ξεπερνώντας την ακρίβεια του χρήστη για τις παγετώδεις λίμνες σε 82,9%.

''' <h1> Συμπεράσματα </h1>'''

Ο συνδυασμός δορυφορικών δεδομένων υψηλής ανάλυσης και βαθιάς μάθησης αποδεικνύεται
αποτελεσματικός στον ακριβή εντοπισμό και την ταξινόμηση αλπικών λιμνών, ιδίως
παγετωνικών λιμνών. Η μελέτη αξιολογεί τη χρήση δεδομένων πολλαπλών πηγών,
συμπεριλαμβανομένου του ραντάρ συνθετικού ανοίγματος (SAR) και των οπτικών δεδομένων,
για τη βελτίωση των ποσοστών ανίχνευσης και τη μείωση των ψευδώς θετικών αποτελεσμάτων στον εντοπισμό αλπικών λιμνών. Η προσθήκη πληροφοριών μέσω διαφόρων μεταβλητών εισόδου μειώνει την αβεβαιότητα τμηματοποίησης. Προκλήσεις όπως η νεφοκάλυψη, οι σκιές και οι ανωμαλίες που επηρεάζουν την ακρίβεια τμηματοποίησης αντιμετωπίζονται με την ενσωμάτωση SAR, Relief και άλλων πηγών δεδομένων.

Η μελέτη υπογραμμίζει τους περιορισμούς των παραδοσιακών προσεγγίσεων, όπως η χρήση
του τροποποιημένου δείκτη κανονικοποιημένης διαφοράς νερού (Modified Normalized
Difference Water Index - MNDWI), και υπογραμμίζει την υπεροχή των μοντέλων βαθιάς
μάθησης, ειδικά όταν χρησιμοποιούνται πολλαπλές εισόδους. Τα μοντέλα βαθιάς μάθησης
υπερτερούν της μεθόδου MNDWI με βάση το κατώφλι στην ανίχνευση νερού, παρέχοντας
υψηλότερη ακρίβεια και λιγότερα ψευδώς θετικά αποτελέσματα. Η μελέτη υπογραμμίζει επίσης τη σημασία των δορυφορικών δεδομένων υψηλής ανάλυσης για τη βελτίωση του εντοπισμού των αλπικών λιμνών, ιδίως των μικρότερων, και την παραγωγή δεδομένων εκπαίδευσης υψηλής ποιότητας για την επιτυχία των μοντέλων.

Κατά τη χαρτογράφηση των αλπικών λιμνών στα Ανατολικά Ιμαλάια κατά την περίοδο
2016-2020, η μελέτη εντοπίζει 4584 λίμνες, συμπεριλαμβανομένων 2795 παγετωνικών λιμνών. Η σύγκριση με τα υπάρχοντα σύνολα δεδομένων αποκαλύπτει αποκλίσεις, με την απογραφή της μελέτης να καταγράφει σημαντικά περισσότερες λίμνες. Η αργή χρονική δυναμική των αλπικών λιμνών και η λεπτότερη ανάλυση των δεδομένων Sentinel συμβάλλουν στην υψηλότερη ακρίβεια της απογραφής. Η σύγκριση αναδεικνύει την ανάγκη χαρτογράφησης των παγετωνικών λιμνών σε λεπτότερες κλίμακες με τη χρήση δορυφορικών δεδομένων υψηλής ανάλυσης για να βελτιωθεί η κατανόησή μας, ιδίως όσον αφορά τις μικρότερες λίμνες.

'''<h1> Conclusion </h1>'''

Η εργασία παρουσιάζει μια αυτόματη μέθοδο για τον εντοπισμό παγετωδών λιμνών με τη χρήση βαθιάς μάθησης και δορυφορικών δεδομένων πολλαπλών πηγών, συμπεριλαμβανομένων
οπτικών δεδομένων και δεδομένων ραντάρ συνθετικού ανοίγματος (SAR). Η προσέγγιση βαθιάς μάθησης βελτιώνει σημαντικά την ανίχνευση νερού σε σύγκριση με τις παραδοσιακές μεθόδους που βασίζονται στο φάσμα, μειώνοντας την υπερεκτίμηση. Η συμπερίληψη πολλαπλών πηγών εισόδου, όπως ένας δείκτης νερού (MNDWI), η ζώνη SAR (Sentinel-1 VV) και η ζώνη εδάφους (Relief), ενισχύει την απόδοση του μοντέλου. Ενώ η δυνατότητα μεταφοράς του μοντέλου έχει αξιολογηθεί στα ανατολικά Ιμαλάια, η αποτελεσματικότητά του σε περιοχές πέραν των Ιμαλαΐων
ενδέχεται να είναι περιορισμένη λόγω προβλημάτων αναπαράστασης δεδομένων. Η
ενσωμάτωση δεδομένων εκπαίδευσης από άλλες περιοχές θα μπορούσε να ενισχύσει την
παγκόσμια εφαρμοσιμότητα του μοντέλου.

Η μελέτη συντάσσει έναν κατάλογο αλπικών λιμνών για τα ανατολικά Ιμαλάια, προσδιορίζοντας 2075 παγετώδεις και 1789 μη παγετώδεις λίμνες. Ο απολογισμός αυτός ξεπερνά τον αριθμό που αναφέρεται στα υπάρχοντα σύνολα δεδομένων κατά πέντε φορές, αποκαλύπτοντας πολυάριθμες παγετώδεις λίμνες που δεν έχουν καταγραφεί σε προηγούμενα σύνολα δεδομένων, ιδίως μικρές λίμνες απόψυξης των παγετώνων. Τα ευρήματα αναδεικνύουν σημαντικά κενά γνώσης και καταδεικνύουν τις δυνατότητες της βαθιάς μάθησης και των δορυφορικών δεδομένων υψηλής ανάλυσης για τη χαρτογράφηση μικρών αλπικών λιμνών σε ακραία περιβάλλοντα παγκοσμίως, όπως η Γροιλανδία και η Ανταρκτική.

Τα αποτελέσματα συνεισφέρουν πολύτιμες πληροφορίες για την κατανόηση αυτών των οικοσυστημάτων και τη βελτίωση των συστημάτων έγκαιρης προειδοποίησης για πλημμύρες από παγετώδεις λίμνες.

[[category:Υδατικοί Πόροι]][[Κατηγορία:Mountain and glacial landforms]]

Χριστινάκης Γιάννης

2024-02-18T22:51:52Z

Ichristinakis:

[[Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...]]

[[Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης_εικονας..]]

[[Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş, Ρουμανικά Καρπάθια Όρη]]

[[Προσδιορισμός δασικών παραμέτρων για προσομοίωση χιονοστιβάδας με χρήση τηλεπισκοπικών δεδομένων]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Χριστινάκης Γιάννης

2024-02-18T22:51:23Z

Ichristinakis:

[[Μια προσέγγιση τηλεπισκόπησης και GIS για την μελέτη μακροπρόθεσμης ανάκτησης βλάστησης...]]

[[Διερευνηση της επιπτωσης της αποδασωσης στο μικροκλιμα και στην αύξηση του θερμικού στρες με χρηση επεξεργασιας δορυφορικης_εικονας..]]

[[Χιονοστιβάδες σε σχέση με τις τουριστικές και μεταφορικές δραστηριότητες στα βουνά Făgăraş Ρουμανικά Καρπάθια Όρη]]

[[Προσδιορισμός δασικών παραμέτρων για προσομοίωση χιονοστιβάδας με χρήση τηλεπισκοπικών δεδομένων]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]