RemoteSensing Wiki - Συνεισφορές χρήστη [el]

ΠΕΔΙΑ ΚΑΙ ΤΡΟΠΟΙ ΚΑΤΑΓΡΑΦΗΣ ΤΗΣ ΠΑΡΑΛΛΑΚΤΙΚΟΤΗΤΑΣ ΣΤΗ ΓΕΩΡΓΙΑ ΑΚΡΙΒΕΙΑΣ

2012-03-04T20:48:29Z

Konnabastro:

'''Συγγραφείς:''' Χρήστος Γ. Καρυδάς, Νικόλαος Γ. Συλλαίος 
'''Πηγή: [http://users.auth.gr/~silleos/new_page_6.htm http://users.auth.gr/~silleos/new_page_6.htm]'''
 

'''Περίληψη''' 

Η Γεωργία Ακριβείας είναι μία νέα αντίληψη για τη γεωργία και ταυτοχρόνως, μία νέα μέθοδος γεωργικής πρακτικής. Στο διεθνή ακαδημαϊκό χώρο έχουν ήδη διαμορφωθεί εργαστήρια, τμήματα και κέντρα Γεωργίας Ακριβείας, ενώ στο τεχνικοοικονομικό οικοδόμημα έχουν αναπτυχθεί νέες σχέσεις και συνεργασίες γύρω από τις ανάγκες του νέου γεωργικού κλάδου. Στην Ελλάδα έχει αρχίσει η ενασχόληση σε ερευνητικό επίπεδο (Α.Π.Θ. – Μ.Α.Ι.Χ.) και κάποιες απόπειρες σε επίπεδο εφαρμογής. Στην εργασία αυτή επιχειρείται να φωτιστεί η έννοια της παραλλακτικότητας, η οποία αποτελεί το πρώτο βήμα σε κάθε εφαρμογή Γεωργίας Ακριβείας και να περιγραφούν τα πεδία όπου αυτή εκδηλώνεται, καθώς και οι τρόποι καταγραφής της.
''Λέξεις κλειδιά: Γεωργία Ακριβείας, Παραλλακτικότητα.'' 

'''1. Εισαγωγή''' 

'''''1.1 Γενικά''''' 
Η Γεωργία Ακριβείας (Precision Agriculture) είναι μια νέα μέθοδος γεωργικής πρακτικής, η οποία χρησιμοποιεί πληροφορία με σαφήνεια προσδιορισμένη ως προς το χώρο και το χρόνο, προκειμένου να μεγιστοποιήσει την αποδοτικότητα των εισροών και να ελαχιστοποιήσει τις περιβαλλοντικές τους επιπτώσεις [1] χρησιμοποιώντας τεχνολογίες και μέσα ικανά να καταγράψουν με ακρίβεια την υπάρχουσα κατάσταση στον αγρό, στη συνέχεια να διαχειριστούν τη συγκεντρωμένη πληροφορία και δεδομένα και τέλος να εφαρμόσουν τις εισροές έτσι, ώστε να καλύπτουν τις ανάγκες κάθε σημείου και χρονικής στιγμής ξεχωριστά. Στις τεχνολογίες αυτές συμπεριλαμβάνονται: 
* Συστήματα και μηχανισμοί καταγραφής δεδομένων, όπως χάρτες αποδόσεων, εργαστηριακές αναλύσεις, Τηλεπισκόπηση, Συστήματα εντοπισμού θέσης και Αισθητήρες. 
* Συστήματα διαχείρισης και απόδοσης αποτελεσμάτων, όπως Γεωγραφικά Συστήματα Πληροφοριών - Γ.Σ.Π. και Έμπειρα συστήματα. 
* Συστήματα μεταβαλλόμενης εφαρμογής (της ροής ή του είδους), όπως λιπασματοδιανομείς, σπορείς, ψεκαστήρες, κ.ά.
[[Εικόνα: Vsa4_1.2.1.gif | right]]
[[Εικόνα: Vsa4_1.2.2.gif | right]]
'''''1.2 Παραλλακτικότητα''''' 
Η διαφορά μεταξύ της έως σήμερα (παραδοσιακής) γεωργίας και της νέας γεωργικής πρακτικής ακριβείας βρίσκεται στον τρόπο που κάθε μια αντιμετωπίζει τα αγροτεμάχια. Ενώ, δηλαδή, η παραδοσιακή γεωργία αντιμετωπίζει τα αγροτεμάχια ως ομοιόμορφα (βασιζόμενη σε μέσους όρους), η Γεωργία Ακριβείας αναγνωρίζει, καταγράφει και διαχειρίζεται την εγγενή ή επίκτητη, ως προς το χώρο και το χρόνο, παραλλακτικότητά τους (variability) (Εικόνα 1.2.1). 
Με βάση το χαρακτήρα της, η παραλλακτικότητα διακρίνεται σε: 
* Χωρική παραλλακτικότητα, 
* Χρονική παραλλακτικότητα, 
* Προβλεπτική παραλλακτικότητα 
Και με βάση παραμέτρους που παραλλάσσουν, διακρίνονται σε: 
* Εδαφολογικές, (Εικόνα 1.2.2). 
* Βιολογικές 
* Εξέλιξης της κατάστασης, με σημαντικότερη παράμετρο το άζωτο. 

'''2. Πεδία και τρόποι καταγραφής''' 
Όσον αφορά, τους τρόπους καταγραφής, οι χάρτες αποδόσεων χρησιμεύουν στην ανίχνευση της παραλλακτικότητας και του βαθμού σοβαρότητάς της, όχι όμως και στη διάγνωση των αιτίων της [5]. Για τη διάγνωση των αιτίων χρησιμοποιούνται η Τηλεπισκόπηση και οι Μετρήσεις πεδίου (Εργαστηριακές αναλύσεις ή Αισθητήρες). Η γεωγραφική πληροφορία στα δεδομένα συνεισφέρεται από τα συστήματα εντοπισμού θέσης (π.χ. GPS).
[[Εικόνα: Vsa4_2.1.1.jpg | right]]

'''''2.1 Εντοπισμός της παράλλακτικότητας εξωτερικών και εσωτερικών ιδιοτήτων του εδάφους''''' 
Στον προσδιορισμό των ιδιοτήτων του εδάφους μπορούν να χρησιμοποιηθούν η τηλεπισκόπηση (για την τοπογραφία, το χρώμα, την οργανική ουσία, την υγρασία, την αλατότητα, τα οξείδια σιδήρου, κ.ά.), οι αισθητήρες (για την ηλεκτρική αγωγιμότητα, την υγρασία, τη σκληρότητα, κ.ά.) και οι χωρικά προσδιορισμένες εδαφολογικές αναλύσεις (για όλες τις εργαστηριακά μετρήσιμες ιδιότητες). Ήδη από το 1988, σε πείραμα των Post et al. παρουσιάζεται αεροφωτογραφία (στο ερυθρό τμήμα του φάσματος) αγροτεμαχίων σε αγρανάπαυση, μαζί με τις τιμές άμμου και αργίλλου κατά θέσεις (για βάθος 30 cm), όπως αυτές μετρήθηκαν (ως ποσοστά επί %) δειγματοληπτικά. Διακρίνεται καθαρά η σχέση της απόχρωσης του επιφανειακού εδάφους με την υφή του (Εικόνα 2.1.1).

'''''2.2 Εκτίμηση των θρεπτικών αναγκών των καλλιεργειών''''' 
Η εκτίμηση των θρεπτικών αναγκών γίνεται είτε με χρήση τηλεπισκόπησης, είτε με αισθητήρες (αφορά κυρίως το Ν), είτε με εργαστηριακές αναλύσεις χωρικά προσδιορισμένων δειγμάτων από το έδαφος ή από τα φυτά και με μαθηματική τους ολοκλήρωση στην επιφάνεια του αγροτεμαχίου (αφορά κυρίως τον P και το K). Ορισμένοι (Diker and Bausch, 1998) πέτυχαν τον υπολογισμό του εδαφικού αζώτου, μέσω της μέτρησης της φασματικής αντίδρασης των φυτών με επίγεια τηλεπισκόπηση. Για την εκτίμηση της κατάστασης του φυτικού αζώτου, προτείνουν το φασματικό δείκτη NRI (Nitrogen Reflectance Index), που υπολογίζεται ως NIR / G (Near Infrared / Green). Τα αποτελέσματα της έρευνάς τους δείχνουν, ότι οι τεχνικές της τηλεπισκόπησης είναι δυνατό να χρησιμοποιηθούν όχι μόνο για την εκτίμηση του διαθέσιμου εδαφικού αζώτου, αλλά επίσης και του λιπάσματος που χρειάζεται κάθε σημείο του χωραφιού, με τη χρήση του φυτικού αζώτου ως δείκτη [8].

'''''2.3 Προσδιορισμός διαφόρων ανωμαλιών''''' 
Σε αυτόν τον τομέα χρησιμοποιούνται οι χάρτες αποδόσεων και η τηλεπισκόπηση για τον προσδιορισμό των προβληματικών περιοχών και στη συνέχεια οι εργαστηριακές αναλύσεις και επιτόπιες παρατηρήσεις, για την ταυτοποίηση του προβλήματος. Σχετική έρευνα (Schuler et al,1998), με χρησιμοποίηση των παραπάνω μέσων προσδιορίζει τους σπουδαιότερους μετρήσιμους παράγοντες που περιορίζουν την παραγωγή. Ιδιαίτερο ρόλο παίζουν οι επιδράσεις των γεωργικών μηχανημάτων στο χωράφι, καθώς και οι εστίες παρασίτων και ζιζανίων. 
Οι Richard et al. (1998) χρησιμοποίησαν ως αντικείμενα μελέτης το υδατικό στρες, τα χαρακτηριστικά των φυτών και τις αποδόσεις για να δείξουν: 
* με ποιο τρόπο η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί στη λήψη αποφάσεων, 
* σε ποιο βαθμό ο δείκτης βλάστησης NDVI (ο οποίος είναι ένα μέτρο της ποσότητας και της υγείας της βλάστησης) είναι ανεξάρτητος από τις συνθήκες της τοποθεσίας, 
* πώς επιδρά η παραλλακτικότητα των εικόνων στα αποτελέσματα. 
Απέδειξαν ότι σε πολύ ετερογενή χωράφια, τα τηλεπισκοπικά δεδομένα μαζί με στοιχεία από GPS, μπορούν να προσδιορίσουν τις επιδράσεις της ετερογένειας στις οικονομικές αποδόσεις. Τότε, ο γεωργός μπορεί να χρησιμοποιήσει αυτήν την πληροφορία για να προσδιορίσει αν και πότε μικρές ποσότητες νερού, που ανακουφίζουν το φυτό από το στρες (μικροάρδευση), αξίζουν οικονομικά [10].

[[Εικόνα: vsa4_2.4.1.jpg | right]]
'''''2.4 Έγκαιρος εντοπισμός ασθενειών ή προβληματικών περιοχών και υπολογισμός των απωλειών''''' 
Η τηλεπισκόπηση (δορυφορική, αεροπορική, ή επίγεια), μπορεί να χρησιμοποιηθεί προληπτικά, προκειμένου να αποφευχθούν ή να μειωθούν οι καταστροφικές συνέπειες των ασθενειών, ενώ σε συνδυασμό ή όχι με δειγματοληπτικές εργαστηριακές αναλύσεις, να εκτιμηθεί το μέγεθος της ζημίας. Σχετικά πειράματα διεξάγονται και από το Εργαστήριο Τηλεπισκόπησης και Γ.Σ.Π. του Α.Π.Θ. σε συνεργασία με το Τμήμα Διαχείρισης Περιβάλλοντος του Μ.Α.Ι.Χ., με τη χρήση ειδικού υπερφασματικού ραδιομέτρου σάρωσης (scan radiometer) (Εικόνα 2.4.1), ενώ ο εντοπισμός προβληματικών περιοχών γίνεται με τη χρήση Διαφορικού GPS και φορητού υπολογιστή, εφοδιασμένου με το κατάλληλο λογισμικό. Το ραδιόμετρο έχει τη δυνατότητα να καταγράφει σε 512 φασματικά κανάλια, από 350 έως 1050 nm, με εύρος φασματικού καναλιού 2 nm [12].

'''''2.5 Εντοπισμός περιοχών με ζιζάνια''''' 
Χρησιμοποιείται τηλεπισκόπηση σε συνδυασμό με αισθητήρες που χρησιμοποιούν τηλεπισκοπικές μεθόδους, για την ανίχνευση από πολύ κοντά των διαφόρων ζιζανίων (γεωργία σε κλίμακα φυτού) των οποίων καταγράφεται η φασματική τους ταυτότητα, τα οποία στη συνέχεια συγκρίνονται με εκείνα των καλλιεργούμενων φυτών. Στα πλαίσια σχετικής έρευνας, οι Hummel and Yu (1998) ανέπτυξαν λογισμικό για το διαχωρισμό του αραβοσίτου από τα ζιζάνιά του, το οποίο βασίζει τη διάκρισή τους σε σχέδια φυτών αραβοσίτου, εντός όμως ορίων για τα μεγέθη των φυτών του αραβοσίτου και των ζιζανίων. Η επιτυχία αναγνώρισης των φυτών του αραβοσίτου φτάνει το 75% [13].

'''''2.6 Υπολογισμός της περιεκτικότητας διαφόρων ουσιών στις καλλιέργειες''''' 
Υπολογισμός της περιεκτικότητας διαφόρων ουσιών στις καλλιέργειες μπορεί να γίνει με χρήση τηλεπισκόπησης, σε συνδυασμό ή όχι με χωρικά προσδιορισμένες εργαστηριακές αναλύσεις. Στον τομέα αυτόν, οι Humburg, and Stange (1998), σε εργασία τους επάνω στα ζαχαρότευτλα, έδειξαν ότι οι εμφανέστερες φασματικές διαφορές για υψηλή και χαμηλή περιεκτικότητα σε ζάχαρη εμφανίζονται στα 360, 550, 700 και 1200 nm. Προτείνουν σχετικό προγνωστικό μοντέλο παραγωγής ζάχαρης, το οποίο χρησιμοποιεί τον φασματικό δείκτη BDVI (Beet Differential Vegetative Index), ο οποίος συνίσταται από τις τιμές ανάκλασης στα 500, 550 και 830 nm και είναι δευτέρου βαθμού. Το μοντέλο αυτό είναι επίσης χρήσιμο για την πρόβλεψη του νατρίου, του αμινο-αζώτου και της ανακτήσιμης ανά τόνο ζάχαρης. Δεν αποδείχθηκε όμως καθόλου χρήσιμο για το κάλιο [16].

'''''2.7 Πρόβλεψη της παραγωγής''''' 
Στην πρόβλεψη παραγωγής χρησιμοποιούνται η τηλεπισκόπηση, οι χωρικά προσδιορισμένες μετρήσεις πεδίου (εργαστηριακές μετρήσεις για τη συσχέτιση της φυτομάζας ή της φυτοκάλυψης με την απόδοση) και οι χάρτες αποδόσεων των προηγουμένων καλλιεργητικών ετών. Τα μοντέλα πρόβλεψης παραγωγής περιέχουν δείκτες βλάστησης (όπως NDVI, IPVI, LAI, κ.ά.), καθώς και κλιματολογικές ή άλλες παραμέτρους. Οι χάρτες αποδόσεων των προηγουμένων καλλιεργητικών ετών χρησιμεύουν, κυρίως, στην κατανομή της παραλλακτικότητας της προβλεπόμενης παραγωγής.
Οι Wood et al. (1998) προτείνουν έναν παλινδρομικό εκτιμητή ολοκλήρωσης δειγμάτων παρατήρησης καλλιεργητικών αποδόσεων σε όλες τις θέσεις ενός αγροτεμαχίου, ο οποίος χρησιμοποιεί το δείκτη NDVI. Επίσης, αποδεικνύουν τη σπουδαιότητα της ψηφιακής αεροφωτογραφίας στην απόκτηση σε πραγματικό χρόνο, πληροφοριών σχετικών με την παραλλακτικότητα εντός του αγροτεμαχίου και τη δυναμική της απόδοσης. Αποδεικνύεται ότι τα αποτελέσματα παραμένουν αξιόπιστα ακόμη και με μικρό αριθμό δειγμάτων [17].

[[Εικόνα: vsa4_2.8.1.jpg | right]]
'''''2.8 Συνδυασμός πεδίων''''' 
Είναι δυνατός ο συνδυασμός όλων των παραπάνω πεδίων, με τη χρήση όλων των διαθέσιμων τεχνικών, ξεχωριστά ή σε συνεργασία. Για παράδειγμα, μία ψευδο-έγχρωμη αεροφωτογραφία (δηλ., με καταγραφή στις φασματικές περιοχές του πράσινου, του ερυθρού και του εγγύς υπερύθρου) μπορεί να χρησιμοποιηθεί ταυτόχρόνως για την εκτίμηση των αναγκών σε άζωτο, την ανίχνευση πιθανών ασθενειών, τον εντοπισμό διαφόρων ανωμαλιών, τον χαρακτηρισμό της υφής του επιφανειακού εδάφους και την πρόβλεψη της παραγωγής,. Παρομοίως, οι χάρτες αποδόσεων χρησιμοποιούνται για την ανίχνευση και εντοπισμό της παραλλακτικότητας όχι μόνο ενός χαρακτηριστικού, αλλά όλων των χαρακτηριστικών που έχουν επιδράσει στις αποδόσεις με τον ένα ή τον άλλο τρόπο (π.χ., την υφή του εδάφους, την υγρασία, τις ασθένειες, τα θρεπτικά στοιχεία, τις καλλιεργητικές εργασίες, τις τοπικές ανωμαλίες, κ.λ.π.). 

'''3. ΠΑΡΑΔΕΙΓΜΑΤΑ''' 
Στη συνέχεια παρουσιάζονται ορισμένες περιπτώσεις ανίχνευσης, καταγραφής και ταυτοποίησης της παραλλακτικότητας με τεχνικές Γεωργίας Ακριβείας (πραγματικά περιστατικά) από παραγγελία γεωργών-πελατών (ιδιωτών ή ομάδων) σε ειδικές εταιρείες ή συμπλέγματα εταιρειών παροχής υπηρεσιών Γεωργίας Ακριβείας, στις Η.Π.Α. 

'''''3.1 Χρήση Γεωγραφικών Συστημάτων Πληρφοροριών και δορυφορικών εικόνων για μείωση του κόστους της εδαφολογικής ανάλυσης σε καλλιέργεια λαχανικών (“Agricast”, California) [19]''''' 
Αρχικά κατασκευάστηκε με χρήση ειδικού λογισμικού Γ.Σ.Π. (ArcView-GIS), πλέγμα πάνω στο χάρτη του αγροκτήματος, (μονάδα πλέγματος τα 10 στρέμματα) (κλίμακα χάρτη 1:2.400) (Εικόνα 3.1.1).
Στη συνέχεια, χρησιμοποιήθηκε δορυφορική εικόνα (SPOT) του ίδιου αγροκτήματος, διακριτικής ανάλυσης 20 μέτρων (Εικόνα 3.1.2). Μπορεί εύκολα να διακριθεί η διαφορετικότητα στην εμφάνιση μεταξύ των διαφόρων περιοχών του αγροκτήματος, κάτι που δηλώνει την μεταξύ τους διαφορετικότητα όσον αφορά τις συνθήκες εδάφους και καλλιέργειας. Από την ψηφιακή εικόνα με επεξεργασία, παρήχθη η εικόνα του δείκτη βλάστησης του αγροκτήματος, όπου ο χρωματικός κώδικας κόκκινο-πορτοκαλί-κίτρινο-μπλε αντιστοιχεί σε διαβάθμιση από τη μέγιστη προς την ελάχιστη φυτομάζα (Εικόνα 3.1.3). Κατόπιν, προσδιορίστηκαν οι συντεταγμένες των κόμβων του πλέγματος, βρέθηκαν τα ίδια σημεία στον αγρό με χρήση GPS και πάρθηκαν δείγματα από τα σημεία αυτά για αναλύσεις. Για να κριθεί σωστά το τελικό αποτέλεσμα και να μειωθεί το κόστος έγινε ευρεία δειγματοληψία μόνο στα 560 στρέμματα, αντί των συνολικών 2.560 στρεμμάτων.
Περαιτέρω, τα αποτελέσματα της εδαφολογικής ανάλυσης, συνδυασμένα με τα σημεία GPS που ελήφθησαν, εισήχθησαν σε Γ.Σ.Π. και δημιούργησαν, με μεθόδους γεωστατιστικής, θεματικούς χάρτες για κάθε μετρημένη ιδιότητα. Οι χάρτες αυτοί χρησιμοποιήθηκαν για την ακριβή εφαρμογή των απαραίτητων εισροών.
[[Εικόνα: Vsa4_3.1.1.jpg]] [[Εικόνα: Vsa4_3.1.2.jpg]] [[Εικόνα: Vsa4_3.1.3.gif]]

'''''3.2 Χρήση αισθητήρα ηλεκτρικής αγωγιμότητας του εδάφους για ανίχνευση των αιτίων της παραλλακτικότητας σε φυτεία αμυγδαλιάς (“Agricast”, California) [19]''''' 
Χρησιμοποιήθηκε δορυφορική εικόνα (IRS) του αγροκτήματος με διακριτική ανάλυση 5 μέτρων (pan-sharpened). Η περιοχή που προκαλεί ενδιαφέρον είναι η ανοικτόχρωμη περιοχή επάνω αριστερά. Οι αμυγδαλιές της περιοχής αυτής φυτεύθηκαν ακριβώς την ίδια χρονική στιγμή, όπως και όλες οι υπόλοιπες, στο υπόλοιπα αγροτεμάχια του αγροκτήματος (Εικόνα 3.2.1). Από τη δορυφορική εξήχθη η εικόνα του δείκτη βλάστησης, όπου ο χρωματικός κώδικας κόκκινο – πορτοκαλί – κίτρινο - μπλε αντιστοιχεί σε διαβάθμιση από τη μέγιστη προς την ελάχιστη φυτομάζα (Εικόνα 3.2.2).
Οπτική επιθεώρηση της προβληματικής περιοχής από γεωπόνο έδειξε ότι σε αυτό το αγροτεμάχιο, τα δέντρα είχαν αναπτυχθεί πολύ λιγότερο από ότι σε όλα τα υπόλοιπα. Προκειμένου να διερευνηθεί αυτή η διαφοροποίηση, χρησιμοποιήθηκε μετρητής ηλεκτρικής αγωγιμότητας του εδάφους (Veris 3100 EC). Διενεργήθηκαν μετρήσεις μόνο για την προβληματική περιοχή. Τα αποτελέσματα καταγράφονται αυτόματα κατά την σάρωση του εδάφους με το όργανο (μία μέτρηση ανά 1 μέτρο περίπου) (Εικόνα 3.2.3). Γενικές εδαφολογικές αναλύσεις από την εν λόγω περιοχή, έδειξαν ότι οι σκοτεινές περιοχές αντιστοιχούν σε βαριά άργιλλο, ενώ οι ανοικτόχρωμες σε άμμο. Οι ενδιάμεσες αποχρώσεις είναι συνδυασμοί αργίλλου κα άμμου.
Όσον αφορά τις ειρσοές σε αυτό το αγροτεμάχιο, διαπιστώθηκε από το γεωργικό ημερολόγιο, ότι εφαρμόσθηκαν στις ίδιες ακριβώς ποσότητες και χρονικές στιγμές με τις υπόλοιπες περιοχές. Άρα, η μόνη αιτία διαφοροποίησης στο αποτέλεσμα φάνηκε ότι ήταν η διαφοροποίηση στην υφή του εδάφους. Διότι με την ίδια άρδευση, οι αμμώδεις περιοχές κρατούν μικρότερη ποσότητα νερού από ότι οι αργιλλώδεις και έτσι, τα δέντρα της περιοχής αυτής υπέφεραν από υδατικό στρες. Η λύση στο πρόβλημα είναι η άρδευση του αγροκτήματος κατά μπλοκ, ανάλογα με τον τύπο του εδάφους. Μια αυτοματοποιημένη εφαρμογή αυτής της λύσης είναι η χρησιμοποίηση μηχανισμού μεταβλητής άρδευσης, ο οποίος αντλεί πληροφορίες από το χάρτη ηλεκτρικής αγωγιμότητας.
[[Εικόνα: Vsa4_3.2.1.gif]] [[Εικόνα: Vsa4_3.2.2.gif]] [[Εικόνα: Vsa4_3.2.3.gif]] 

'''''3.3 Χρήση Γεωγραφικών Συστημάτων Πληροφοριών και διαχρονικών σειρών δορυφορικών εικόνων, για τον εντοπισμό της φυλλοξήρας και την παρακολούθηση της πορείας επανεγκατάστασης των αμπελώνων (Barsby & Associates) (συλλογική εφαρμογή γεωργίας ακριβείας σε μεγάλη κλίμακα) [20]''''' 
Από τα τέλη της δεκαετίας του 1980, οι οινοπαραγωγοί της Καλιφόρνιας ήρθαν αντιμέτωποι με την καταστροφή των αμπελιών τους εξαιτίας προσβολής από Φυλλοξήρα. Δεν υπάρχει τρόπος να εξάλειψης της προσβολής, παρά μόνο με την ολοκληρωτική επαναφύτευση των αμπελιών των μολυσμένων περιοχών με ανθεκτικά στη φυλλοξήρα φυτά. Σε οκτώ επαρχίες της πολιτείας, χιλιάδες εκτάρια ανώτερης ποιότητας αμπελιών καταστράφηκαν και έχει ήδη σχεδιασθεί η αντικατάστασή τους. Από το 1993-95 η NASA συνεργάστηκε με τη βιομηχανία και ακαδημαϊκούς για την ανάπτυξη ενός τρόπου εντοπισμού του προβλήματος της φυλλοξήρας, με τηλεπισκόπηση και τις σχετικές υπολογιστικές τεχνικές). 
Αρχικά, χρησιμοποιήθηκαν αεροφωτογραφίες στο ερυθρό και υπέρυθρο (R-NIR) τμήμα του ηλεκτρομαγνητικού φάσματος (Εικόνα 3.3.1). Οι μολύνσεις με φυλλοξήρα είναι ανιχνεύσιμες στις αεροφωτογραφίες από τα πολύ πρώιμα στάδια ακόμη, όταν η φυλλοξήρα βρίσκεται κάτω από το έδαφος, τρώγωντας τις ρίζες του φυτού, ενώ το φυτό επιφανειακά φαίνεται υγιές. 
Στη συνέχεια, παρήχθησαν εικόνες που δείχνουν το δείκτη βλάστησης, όπου ο όπου ο χρωματικός κώδικας πράσινο - κίτρινο - καφέ αντιστοιχεί σε διαβάθμιση από τη υγιή προς την άρρωστη βλάστηση. Τα ορθογώνια που φαίνονται στην εικόνα αντιπροσωπεύουν τις περιοχές από όπου ελήφθησαν δείγματα από τα φυτά για εξέταση στο εργαστήριο (Εικόνα 3.3.2). 
Τέλος, προκειμένου να διαπιστωθεί η πορεία ανάπτυξης των νεο-εγκατεστημένων αμπελώνων, συγκρίθηκαν εικόνες δείκτη βλάστησης διαδοχικών ετών (με αφαίρεση της εικόνας βλάστησης, του προηγούμενου από το επόμενο έτος) (Εικόνα 3.3.3). Η σημαντική αύξηση στη βλάστηση αντιπροσωπεύεται από το μπλε χρώμα, ενώ η μεγαλύτερη μείωση από το ματζέντα (λιλά). Το πράσινο αντιστοιχεί σε μη αλλαγή στην κατάσταση της βλάστησης.
[[Εικόνα: Vsa4_3.3.1.gif]] [[Εικόνα: Vsa4_3.3.2.gif]] [[Εικόνα: Vsa4_3.3.3.gif]]
[[Εικόνα: Vsa4_3.4.1.gif | right]]
[[Εικόνα: Vsa4_3.4.2.jpg | right]]
'''''3.4 Χρήση χαρτών απόδοσης, θεματικών χαρτών θρεπτικών στοιχείων και οξύτητας, καθώς και ιστορικών δεδομένων, για τον προσδιορισμό των παραγόντων που επηρεάζουν την απόδοση, την πρόβλεψη της παραγωγής και τον καθορισμό της λιπαντικής πολιτικής σε καλλιέργειες σιτηρών (University of Missouri-Columbia) [21]''''' 
 Αρχικά, ελήφθησαν οι χάρτες αποδόσεων σόγιας για τα έτη 1992 και 1994 και αραβοσίτου για το 1993. Για να είναι συγκρίσιμες, οι αποδόσεις μετατράπηκαν σε σχετικές αποδόσεις, δηλαδή η πραγματική απόδοση εκφράστηκε ως κλάσμα της μέγιστης απόδοσης την κάθε χρονιά (Εικόνα 3.4.1). Ο χάρτης της μέσης απόδοσης αποκάλυψε δύο περιοχές (κόκκινες) με τη μέγιστη απόδοση. Έως αυτό το σημείο, το μόνο ξεκάθαρο είναι ότι υπάρχει ένας εξακολουθητικός παράγοντας ή παράγοντες οι οποίοι επηρέασαν την απόδοση, αλλά προκειμένου να προσδιοριστούν αυτοί οι παράγοντες απαιτούνται περισσότερες πληροφορίες. Τις πληροφορίες αυτές προσφέρουν οι θεματικοί χάρτες του ίδιου αγροτεμαχίου για τον P, το Κ και το pH (Εικόνα 3.4.2).
Οι χάρτες P και Κ δείχνουν παρόμοιοι, ενώ η μορφή που έχει η κατανομή του pH υποδηλώνει ότι είναι περισσότερο συνέπεια διαχείρισης, παρά φυσικής εδαφικής παραλλακτικότητας. Ισχυρό στοιχείο που συνηγορεί σε αυτό το τελευταίο είναι μια φωτογραφία του αγροτεμαχίου του 1962 και όπου φαίνεται καθαρά ότι το αγροτεμάχιο που σήμερα είναι ενιαίο, τότε ήταν τρία διαφορετικά αγροτεμάχια και κατά συνέπεια υφίσταντο διαφορετική μεταχείριση (Εικόνα 3.4.3). Δύο γειτονικά κτίρια βρίσκονταν στην κάτω αριστερή γωνία και κάτω στο μέσον (μπορεί κανείς να παρατηρήσει στον αντίστοιχο θεματικό χάρτη υψηλή συγκέντρωση P κοντά σε αυτά τα δύο κτίρια), ενώ το κάτω μέρος του σημερινού αγροκτήματος ήταν λιβάδι. Ο προηγούμενος ιδιοκτήτης αυτού του μέρους του κτήματος επιβεβαίωσε ότι στα τρία κτήματα εφαρμόσθηκε ασβέστωση ξεχωριστά. Έτσι, πιθανότατα, στο κτήμα που γειτόνευε με το λιβάδι εφαρμόσθηκε περισσότερη άσβεστος από ότι στα υπόλοιπα. Επίσης, το υψηλότερο pH κατά μήκος της κάτω πλευράς του αγροτεμαχίου έχει πιθανότατα προκληθεί από την ασβεστόσκονη που έχει μεταφερθεί με τον αέρα από τον χαλικόδρομο που φαίνεται στην φωτογραφία του 1962.
[[Εικόνα: Vsa4_3.4.3.jpg | left]]
[[Εικόνα: Vsa4_3.4.4.jpg | left]]
Οι υψηλότερες αποδόσεις αραβοσίτου και σόγιας, που εμφανίζονται να σχετίζονται με υψηλότερο pH, ενδεχομένως οφείλονται στις ευνοϊκές συνθήκες που συνδέονται με το pH. Ωστόσο, ο συσχετισμός μεταξύ απόδοσης με μία μόνο εδαφική παράμετρο δεν είναι ασφαλής. Εξ άλλου, η έκταση με υψηλές αποδόσεις είναι σημαντικά μικρότερη από την έκταση με υψηλό pH, οπότε πρόσθετοι παράγοντες πέρα από το εδαφικό pH πρέπει να επηρέασαν την απόδοση. Αντίθετα με τον τρόπο που το pH κατανέμεται, η απόδοση φαίνεται να είναι φυσικά εξαρτώμενη από το έδαφος. Ταιριάζει αρκετά με τη θέση του στραγγιστικού καναλιού που είναι ορατό στην αεροφωτογραφία του 1962. Για την καλύτερη, όμως, κατανόηση της παραλλακτικότητας στην απόδοση, απαιτείται μια επιπλέον γνώση σχετικά με τα εδάφη της περιοχής αυτής. Τα εδάφη αυτά κατατάσσονται στην ομάδα Claypan. Αυτή η ομάδα διακρίνεται από μια απότομη αύξηση στην άργιλλο με την αύξηση του βάθους, με αποτέλεσμα τη δημιουργία ενός στρώματος (claypan), το οποίο παρεμποδίζει το νερό να κινηθεί προς τα κάτω και κατά συνέπεια δυσχεραίνει την ανάπτυξη των ριζών. Άρα υπάρχει στενή σχέση μεταξύ του βάθους του επιφανειακού εδάφους (δηλαδή, της απόστασης της επιφάνειας από το claypan) και των αποδόσεων. 
Διαπιστώνεται ότι η περιοχή με το μεγαλύτερο βάθος επιφανειακού εδάφους βρίσκεται κατά μήκος του στραγγιστικού καναλιού και ότι αυτή η περιοχή είναι σαφώς η περιοχή με τις μεγαλύτερες αποδόσεις (Εικόνα 3.4.4). Οι δύο χάρτες μαζί υποδεικνύουν ότι αν το βάθος του επιφανειακού εδάφους χαρτογραφηθεί και σχετισθεί με το εδαφικό νερό, η παραγωγικότητα του εδάφους μπορεί να προβλεφθεί για τις διάφορες περιοχές του αγροκτήματος. Αυτό είναι χρήσιμο στην εφαρμογή της αζωτούχου λίπανσης, με το χάρτη βάθους του επιφανειακού εδάφους να καθοδηγεί την εφαρμογή μεταβλητών ποσοτήτων αζώτου.

[[category:Γεωργία]]

ΕΚΤΙΜΗΣΗ ΔΕΙΚΤΩΝ ΛΟΓΙΣΤΙΚΗΣ ΥΔΑΤΟΣ ΜΕ ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ ΚΑΙ GIS ΣΤΗΝ ΠΕΔΙΑΔΑ ΣΕΡΡΩΝ

2012-03-04T20:46:54Z

Konnabastro:

'''Αγγλικός τίτλος: IDENTIFYING WATER ACCOUNTING INDICATORS USING REMOTE SENSING AND GIS IN SERRES PLAIN''' 
'''Συγγραφείς:''' Stavrinos, E ., Th. Alexandridis , G. Galanis , and G. Zalidis 
'''Έτος δημοσίευσης:''' 2011 
'''Πηγή: [http://labrsgis.web.auth.gr/attachments/064_Stavrinos_EGME2011_doc.pdf http://labrsgis.web.auth.gr/attachments/064_Stavrinos_EGME2011_doc.pdf]'''
 

'''ΠΕΡΙΛΗΨΗ''' 
Στην πεδιάδα Σερρών, όπου επί δεκαετίες ανακύπτει το πρόβλημα της ζήτησης νερού σε σχέση με την αποδοτικότητα και τη χρήση του αρδευτικού νερού, ο χαρακτηρισμός της λειτουργίας των αρδευτικών δικτύων έχει προταθεί ως ένα πρώτο βήμα επίλυσης αυτών των προβλημάτων. Στην εργασία εξετάζεται η χωρική και χρονική μεταβολή της ζήτησης και προσφοράς του αρδευτικού νερού με δορυφορική τηλεπισκόπηση και GIS προσδιορίζοντας δείκτες λογιστικής ύδατος. Διαπιστώθηκε ότι α) υπάρχει ελάχιστη βελτίωση της απόδοσης των δικτύων παρά το μικρό βαθμό συντήρησής τους, και β) κατά το έτος υψηλής διαθεσιμότητας νερού η αποδοτικότητα άρδευσης και η παραγωγικότητα νερού δεν ήταν ανάλογες με αποτέλεσμα η επιπλέον χρήση νερού να μην αξιοποιείται για την αγροτική παραγωγή. 
''Λέξεις κλειδιά : άρδευση, δείκτες λογιστικής νερού, δορυφορική τηλεπισκόπηση, GIS''

 
'''1. ΕΙΣΑΓΩΓΗ''' 
Η μη ορθολογική και εντατική άσκηση της γεωργικής δραστηριότητας σε συνδυασμό με την αρδευτική χρήση του νερού έχουν σημαντικές περιβαλλοντικές επιπτώσεις που σχετίζονται με την υποβάθμιση των εδαφικών, των υδατικών και γενετικών πόρων (βιοποικιλότητα) που με τη σειρά τους οδηγούν στην υποβάθμιση των αγαθών και υπηρεσιών (κοινωνικοοικονομικές επιπτώσεις). Αυτός είναι και ο σκοπός της εργασίας, δηλαδή ο προσδιορισμός της μεταβολής των δεικτών λογιστικής ύδατος μεταξύ των αρδευτικών δικτύων στη λεκάνη απορροής του ποταμού Στρυμόνα κατά τη διάρκεια της αρδευτικής περιόδου με τη χρήση δορυφορικής τηλεπισκόπησης και GIS για τη δημιουργία πληροφορίας ορθολογικής χρήσης των υδατικών πόρων. Τα αποτελέσματα παρουσιάζονται σε γεωγραφική μονάδα αναφοράς την περιοχή αρδευτικού δικτύου ή περιοχή ευθύνης ΤΟΕΒ, και σε δύο έτη αναφοράς, το 1994 (χαμηλής διαθεσιμότητας υδατικών πόρων) και το 2003 (υψηλής διαθεσιμότητας υδατικών πόρων). 

'''2. ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ''' 
'''''2.1. ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ''''' [[Εικόνα: vsa1_eik1.jpg | thumb | right | Εικόνα 1. Κατηγορίες αρδευτικού νερού ανά περιοχή αναφοράς ]]
Είναι η πεδιάδα των Σερρών που υπάρχουν περισσότερα από ένα εκατομμύριο στρέμματα καλλιεργειών, από τα οποία 845.000 αρδεύονται απ' ευθείας από τον Στρυμόνα και την Κερκίνη ή από πηγές και υπόγεια ύδατα (Εικόνα 1).

'''''2.2. ΧΑΡΤΟΓΡΑΦΗΣΗ ΑΡΔΕΥΟΜΕΝΩΝ ΕΚΤΑΣΕΩΝ''''' 
Για τη χαρτογράφηση των αρδευόμενων εκτάσεωνέγινε η φασματική βελτίωση των δορυφορικών εικόνων Landsat (14/09/1993, 28/06/2000 και 24/08/2000) για την παραγωγή του δείκτη βλάστησης NDVI (Normalized Difference Vegetation Index), ο οποίος αναδεικνύει την υγιή φωτοσυνθέτουσα χλωροφύλλη και με την στην υπόθεση ότι κατά τη διάρκεια του σχεδόν άνυδρου καλοκαιριού στις αγροτικές περιοχές μόνο οι αρδευόμενες καλλιέργειες θα έχουν υψηλή συγκέντρωση υγιούς χλωροφύλλης και επομένως υψηλή τιμή του δείκτη NDVI. Με την τεχνική διαχωρισμού κατηγοριών με τιμή κατωφλίου (thresholding) χαρτογραφήθηκαν οι περιοχές με υψηλή τιμή NDVI και ορίστηκαν ως αρδευόμενες καλλιέργειες. Στη συνέχεια, ο χάρτης αρδευόμενων καλλιεργειών βελτιώθηκε μέσω γεωγραφικής σύγκρισης με τα πολύγωνα των αγροτικών ενοτήτων (ilots, κλίμακα 1:5000). Αφαιρώντας τις αρδευόμενες περιοχές που δεν είχαν χαρακτηριστεί ως αγροτικές (π.χ. φυσική βλάστηση γύρω από αρδευτικές τάφρους, κήπους σε αστικές περιοχές κ.λπ.), δημιουργήθηκε ο τελικός χάρτης αρδευόμενων περιοχών για τα έτη αναφοράς.

'''''2.3. ΠΡΟΣΦΟΡΑ ΝΕΡΟΥ''''' 
Η εκτίμηση της προσφοράς νερού ανά αρδευτικό δίκτυο προσδιορίστηκε με την επιλογή των παρακάτω κριτηρίων: 1. Πηγή υδροληψίας (είσοδος αρδευτικού νερού από υδροληψία, υδάτινο σώμα, γεωτρήσεις κλπ), 2. Αποδέκτης απορροής (κύρια έξοδος αρδευτικού νερού), 3. Προέλευση αρδευτικού νερού (επιφανειακό, υπόγειο, στράγγιση ανάντη περιοχών), 4. Μεταφορά αρδευτικού νερού (είδος αρδευτικού δικτύου), και 5. Εφαρμογή αρδευτικού νερού (μέθοδος άρδευσης). Τα παραπάνω κριτήρια απεικονίζονται στην Εικόνα 1.

'''''2.4. ΠΡΑΓΜΑΤΙΚΗ ΕΠΟΧΙΑΚΗ ΕΞΑΤΜΙΣΟΔΙΑΠΝΟΗ (ETS)''''' 
Tο μοντέλο SEBAL εφαρμόστηκε σε μηνιαία χρονοσειρά εικόνων ΝΟΑΑ AVHRR και Landsat TM/ETM+. Ακολουθώντας τη μέθοδο που αναφέρεται στις εργασίες των Bastiaanssen et al.(2001) και Chemin and Alexandridis (2004), η ελλιπής χρονική συνιστώσα παρασχέθηκε από την καθημερινή εξατμισοδιαπνοή αναφοράς (ETr - reference evapotranspiration). Η ETr υπολογίστηκε με την τυποποιημένη μέθοδο Penman-Monteith (FAO56 - Allen et al., 1998) χρησιμοποιώντας μετεωρολογικά δεδομένα που λήφθηκαν από τον σταθμό των Σερρών (Πηγή: ΕΜΥ). Για το σκοπό αυτό συντέθηκε η εικόνα [Km] = [ETa]/ETr, όπου [ETa] είναι η εικόνα ETa που υπολογίστηκε από τον απεικονιστή NOAA AVHRR και αντιπροσωπεύει τη χρονική περίοδο γύρω από τη λήψη της και ETr είναι η τιμή της εξατμισοδιαπνοής αναφοράς που υπολογίστηκε από μετεωρολογικά δεδομένα για τη μέρα της λήψης της κάθε εικόνας NOAA AVHRR. Η εικόνα Km ονομάζεται κλάσμα εξατμισοδιαπνοής αναφοράς (reference evapotranspiration fraction - ETrF) και μπορεί να θεωρηθεί σαν ένας γενικευμένος φυτικός συντελεστής Kc, ο οποίος είναι ο συνδυασμός όλων των καλύψεων γης που υπάρχουν σε κάθε εικονοστοιχείο της περιοχής μελέτης. Θεωρώντας την εικόνα Km σταθερή και αντιπροσωπευτική για το χρονικό διάστημα που καλύπτει πριν και μετά τη λήψη της αντίστοιχης δορυφορικής εικόνας, η εποχιακή εξατμισοδιαπνοή ETs υπολογίστηκε με την εξίσωση (1): 
n 
ETS = Σ (ETa)i(Km)i (mm/εποχή) (1) 
i -1 
όπου ETa είναι η πραγματική εξατμισοδιαπνοή για 24 ώρες όπως υπολογίζεται από το μοντέλο SEBAL, Km είναι το κλάσμα εξατμισοδιαπνοής αναφοράς, και n είναι ο αριθμός των δορυφορικών εικόνων που χρησιμοποιήθηκαν για να καλύψουν την χρονική περίοδο μελέτης. Η παραγόμενη εικόνα ETs εκφράζει τη μη σημειακή κατανάλωση νερού από όλους τους τύπους κάλυψης γης στην περιοχή μελέτης.
Στη συνέχεια, έγινε βελτίωση της χωρικής διακριτικής ικανότητας χρησιμοποιώντας τις εικόνες υψηλής ανάλυσης Landsat TM/ETM+. Το τελικό αποτέλεσμα παρουσιάζει την εποχιακή εξατμισοδιαπνοή (ETs) σε μορφή ψηφιδωτού (raster) με ανάλυση 60m (pixel). Η εποχιακή εξατμισοδιαπνοή των αρδευόμενων καλλιεργειών για τη διάρκεια της αρδευτικής περιόδου (15 Απριλίου έως 30 Σεπτεμβρίου) αντιστοιχεί στην κατανάλωση νερού από τα φυτά, ανεξάρτητα από την πηγή του νερού (άρδευση ή βροχόπτωση).

'''''2.5. ΕΚΤΙΜΗΣΗ ΑΝΑΠΤΥΞΗΣ ΒΙΟΜΑΖΑΣ''''' 
Για την εκτίμηση της ανάπτυξης βιομάζας χρησιμοποιήθηκε το μοντέλο οικολογικής παραγωγής (ecological production model) που στηρίζεται στο ότι η πρόσληψη άνθρακα από τα φύλλα με τη διαδικασία της φωτοσύνθεσης είναι ανάλογη με το ρυθμό απορρόφησης ηλιακής ακτινοβολίας.
Για την εφαρμογή της μεθόδου, αρχικά υπολογίζεται η φωτοσυνθετικά ενεργός ακτινοβολία (Photosythetically Active Radiation - PAR) από ημερήσια μετεωρολογικά δεδομένα και εικόνες δείκτη βλάστησης NDVI. Στη συνέχεια υπολογίζεται ο χάρτης ανάπτυξης βιομάζας ανά χρονική περίοδο χρησιμοποιώντας το κλάσμα εξάτμισης (Λ) που υπολογίστηκε μέσω του μοντέλου SEBAL, και τον παράγοντα μετατροπής βιομάζας από τη βιβλιογραφία (Gower et al., 1999).

'''''2.6. ΔΕΙΚΤΕΣ ΛΟΓΙΣΤΙΚΗΣ ΥΔΑΤΟΣ''''' 
Οι δείκτες λογιστικής ύδατος που συνδέονται με την αποδοτικότητα και την παραγωγικότητα του αρδευτικού συστήματος στις διάφορες γεωγραφικές μονάδες και συνδέονται με την αξιολόγηση της χρήσης του αρδευτικού νερού υπολογίστηκαν με τις παρακάτω σχέσεις : 
* Δείκτης αποδοτικότητας άρδευσης. 
Περιγράφει το ποσοστό του εισερχόμενου νερού άρδευσης που χρησιμοποιείται από τα φυτά. Υπολογίζεται διαιρώντας την πραγματική κατανάλωση αρδευτικού νερού από τα φυτά προς την παρεχόμενη προς το δίκτυο ποσότητα (εξίσωση 2): 
a = (ETs-R') /Qin (χωρίς μονάδες) (2) 
όπου ETs η εποχιακή εξατμισοδιαπνοή, R' η ωφέλιμη βροχόπτωση και Qin η παρεχόμενη προς το αρδευτικό δίκτυο ποσότητα (από επιφανειακά ή/και υπόγεια νερά). 
* Δείκτης παραγωγικότητας νερού. 
Περιγράφει την αξία που απορρέει από το νερό που χρησιμοποιήθηκε. Εκφράζεται ως η ανάπτυξη βιομάζας για κάθε κυβικό μέτρο νερού που καταναλώνεται από τις καλλιέργειες μέσω της εξατμισοδιαπνοής (εξίσωση 3): 
p = B /ETs (kg/m3 ) (3) 
όπου Β είναι η ανάπτυξη βιομάζας και ETs η εποχιακή εξατμισοδιαπνοή. 
Οι δείκτες λογιστικής ύδατος επιλέχθηκαν για το χαρακτηρισμό των αρδευτικών μονάδων της περιοχής μελέτης (ΤΟΕΒ), επειδή περιγράφουν καλύτερα όλες τις απόψεις του συστήματος και τα δεδομένα εισόδου μπορούν να μετρηθούν με τις προαναφερθείσες μεθόδους. 

'''3. ΑΠΟΤΕΛΕΣΜΑΤΑ & ΣΥΖΗΤΗΣΗ''' 
Με την εφαρμογή της τηλεπισκοπικής μεθόδου καταγραφής των αρδευόμενων καλλιεργειών εκτιμήθηκε η συνολική αρδευόμενη έκταση ανά γεωγραφική μονάδα και έτος αναφοράς (Πίνακας 1). Η ακρίβεια της μεθόδου εκτιμήθηκε με ένα τυχαίο δείγμα 250 σημείων, στα οποία ανατέθηκε μία κλάση (αρδευόμενο ή μη-αρδευόμενο) μέσω φωτοερμηνείας των εικόνων υψηλής ανάλυσης Landsat TM/ETM+. Η σύγκριση του δείγματος με το χάρτη αρδευόμενων εκτάσεων έδειξε ακρίβεια 97% και αξιοπιστία 94% και για τα δύο έτη αναφοράς. Γενικά παρατηρήθηκε μικρή αύξηση της αρδευόμενης έκτασης κατά 8% από το 1994 στο 2003, που οφείλεται κυρίως στην εγκατάσταση περισσότερων ιδιωτικών γεωτρήσεων και λιγότερο στην επέκταση των αρδευτικών δικτύων. Η προσφορά νερού, η εποχιακή εξατμισοδιαπνοή και η ανάπτυξη βιομάζας χρησιμοποιήθηκαν για τον υπολογισμό των δεικτών λογιστικής ύδατος ανά γεωγραφική μονάδα και έτος αναφοράς (Πίνακας 1).
Πίνακας 1. Αρδευόμενη έκταση και δείκτες λογιστικής ύδατος ανά γεωγραφική μονάδα
[[Εικόνα: vsa1_pinakas1.jpg]] 
Περίμετρος ΤΟΕΒ ή περιοχής
[[Εικόνα: vsa1_eik2.jpg | thumb | left | Εικόνα 2. Δείκτης αποδοτικότητας αρδευτικού συστήματος (a) ανά περιοχή και έτος αναφοράς]]
[[Εικόνα: vsa1_eik3.jpg | thumb | right | Εικόνα 3. Δείκτης παραγωγικότητας νερού (e) ανά περιοχή και έτος αναφοράς]]
Ο δείκτης αποδοτικότητας άρδευσης (a) έχει ελάχιστα υψηλότερες τιμές το 1994 λόγω της καλύτερης αποδοτικότητας των συστημάτων άρδευσης σε ξηρότερες συνθήκες (Εικόνα 2). Αντίθετα, το 2003 η υψηλότερη βροχόπτωση ήταν η αιτία της χαμηλότερης κατανάλωσης αρδευτικού νερού σε σχέση με την παρεχόμενη προς το αρδευτικό δίκτυο ποσότητα (από επιφανειακή ή/και υπόγεια νερά). Άλλοι παράγοντες που πιθανώς να επηρεάζουν τη μεταβολή του δείκτη (a) είναι η ελλιπής συντήρηση του δικτύου μεταφοράς και ο σταδιακός εκσυγχρονισμός του δικτύου εφαρμογής άρδευσης. 
Ο ΤΟΕΒ Προβατά παρουσιάζει πολύ χαμηλή τιμή λόγω των υψηλών απωλειών του χωμάτινου δικτύου μεταφοράς, και των υψηλών αρδευτικών απαιτήσεων της καλλιέργειας ρυζιού, η οποία απαιτεί συγχρονισμένες καλλιεργητικές και αρδευτικές εφαρμογές. Στους υπόλοιπους ΤΟΕΒ, οι υψηλότερες τιμές του δείκτη αποδοτικότητας άρδευσης οφείλονται στην ύπαρξη πιο σύγχρονου δικτύου μεταφοράς και διανομής (με επενδεδυμένες διώρυγες ή με κλειστούς αγωγούς). 
Η παραγωγικότητα νερού (p) απεικονίζει την ανάπτυξη βιομάζας για κάθε μονάδα νερού άρδευσης που καταναλώνεται από τις καλλιέργειες (Εικόνα 3) η οποία εξαρτάται σε μεγαλύτερο βαθμό από το είδος της καλλιέργειας, και σε μικρότερο βαθμό από τη στρεμματική απόδοση των καλλιεργειών.. Η συνολική αύξηση του δείκτη στο έτος 2003 οφείλεται στην μείωση των υδροβόρων καλλιεργειών (ρύζι) και στην εισαγωγή νέων ποικιλιών (βαμβακιού και καλαμποκιού), οι οποίες είναι πιο μικρόσωμες και επομένως παράγουν λιγότερη βιομάζα (με ταυτόχρονη αύξηση της στρεμματικής απόδοσης σε καρπό). 

'''4. ΣΥΜΠΕΡΑΣΜΑΤΑ''' 
Τα συμπεράσματα που προκύπτουν σχετικά με τη χρήση των υδατικών πόρων στην περιοχή μελέτης είναι:
* Παρά την υψηλή σχετική προσφορά νερού το 1994, η ανάπτυξη βιομάζας δεν ήταν ανάλογη, επομένως η επιπλέον χρήση νερού δεν αξιοποιήθηκε για την αγροτική παραγωγή.
* Τα αρδευτικά συστήματα βελτιώθηκαν ούτως ώστε να έχουμε λιγότερες απώλειες, παρόλο το χαμηλό βαθμό συντήρησης των δικτύων. Αυτό οφείλεται στη σταδιακή αντικατάσταση της μεθόδου άρδευσης με καταιονισμό από τη μέθοδο της στάγδην άρδευσης, η οποία παρουσιάζει σαφώς καλύτερο βαθμό αποδοτικότητας εφαρμογής του νερού στον αγρό.
* Κατά το έτος 1994 που υπήρχε χαμηλότερη διαθεσιμότητα νερού, παρατηρήθηκε υψηλή προσφορά νερού άρδευσης για να καλύψει τις αυξημένες ανάγκες των καλλιεργειών. Αυτό αποκαλύπτει μια σχετικά καλή και σταθερή στο χρόνο αποδοτικότητα του συστήματος άρδευσης, το οποίο οφείλεται σε ένα σχετικά αποτελεσματικό διαχειριστικό έργο.

[[category:Σχεδιασμός αρδευτικού δικτύου]]

Σκαρογιάννης Ευάγγελος

2012-03-04T20:45:54Z

Konnabastro:

'''Άρθρα''' 
* [[ΕΚΤΙΜΗΣΗ ΔΕΙΚΤΩΝ ΛΟΓΙΣΤΙΚΗΣ ΥΔΑΤΟΣ ΜΕ ΔΟΡΥΦΟΡΙΚΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗ ΚΑΙ GIS ΣΤΗΝ ΠΕΔΙΑΔΑ ΣΕΡΡΩΝ]] 
* [[ΔΙΑΧΕΙΡIΣΗ ΠΕΡΙΒΑΛΛΟΝΤΟΣ ΜΕ ΤΗ ΧΡΗΣΗ ΤΗΣ ∆ΟΡΥΦΟΡΙΚΗΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ]] 
* [[ΚΑΘΕΤΗ ΤΕΚΤΟΝΙΚΗ ΚΙΝΗΣΗ ΣΤΑ ΝΗΣΙΑ ANDAMAN ΑΝΙΧΝΕΥΜΕΝΗ ΑΠΟ ΠΟΛΥΧΡΟΝΙΚΕΣ ΕΙΚΟΝΕΣ ΜΕΣΩ ΔΟΡΥΦΟΡΙΚΟΥ ΡΑΝΤΑΡ]] 
* [[ΠΕΔΙΑ ΚΑΙ ΤΡΟΠΟΙ ΚΑΤΑΓΡΑΦΗΣ ΤΗΣ ΠΑΡΑΛΛΑΚΤΙΚΟΤΗΤΑΣ ΣΤΗ ΓΕΩΡΓΙΑ ΑΚΡΙΒΕΙΑΣ]] 
* [[ΥΔΡΟΛΟΓΙΚΗ ΠΡΟΣΟΜΟΙΩΣΗ ΣΤΗ ΛΕΚΑΝΗ ΑΠΟΡΡΟΗΣ ΤΟΥ ΝΕΣΤΟΥ]] 

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

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-04T20:41:57Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | left | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | left | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | left | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-04T20:40:45Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | left | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | left | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | left | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.
[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-04T20:39:02Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | left | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | left | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | left | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.
[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-04T20:36:44Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | left | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | left | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | left | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.
[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | left | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | right | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | left| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | right | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | left | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | right | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-04T20:35:28Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | left | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | left | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | left | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | left | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | left | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | left | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | left| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | left | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-04T20:34:14Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | left | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | left | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | left | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | left | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | left | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | left | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | left| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | left | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-04T20:32:41Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | left | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | left | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | left | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | left | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | left| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | left | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Χρήση της Τηλεπισκόπησης (δορυφορικές εικόνες) για την αξιολόγηση της κατάστασης του περιβάλλοντος

2012-03-04T06:59:08Z

Konnabastro:

'''Πρωτότυπος τίτλος''': '''Use of Remote Sensing (Satellite Images) For Assessing the Environment Situation''' 
'''Συγγραφείς''': Neki Frasheri, Betim Cico, Hakik Paci, Jozef Bushati 
'''Ίδρυμα''': Faculty of Information Technology, Polytechnic University of Tirana, Tirana, Albania 
'''Ημερομηνία συγγραφής''': BALWOIS 2010 - Ohrid, Republic of Macedonia - 25, 29 May 2010 
'''Πηγή''': http://www.balwois.com/balwois/administration/full_paper/ffp-1798.pdf 

[[ Εικόνα: kb_arthro1_eik1.png | thumb | right | Εικ.1: Αλλαγή τμήματος της Αδριατικής ακτής στην περιοχή του δέλτα του ποταμού Semani ]]

'''Εισαγωγή'''

Οι τεχνολογίες τηλεπισκόπησης προσφέρουν ένα ευρύ φάσμα εικόνων, με διαφορετικά στρώματα των ορατών και υπέρυθρων ζωνών, ο συνδυασμός των οποίων, επιτρέπει τον απομακρυσμένο προσδιορισμό πολλών περιβαλλοντικών παραμέτρων, όσον αφορά στην ατμόσφαιρα, στην επιφάνεια του εδάφους και στις υδάτινες περιοχές. Ο κατάλογος περιλαμβάνει βλάστηση, υγρασία, χημική σύνθεση, θερμοκρασίες εδάφους και νερού, κατάσταση αιωρούμενων σωματιδίων στο νερό (ιζήματα, φύκια κλπ.), αερολύματα, παραμέτρους του αέρα, κλπ. Ειδικότερα ο συνδυασμός των κόκκινων και των NIR ζωνών, προσφέρει μια σαφή εικόνα της κατάστασης της βλάστησης και των περιοχών που καλύπτονται με νερό, παρέχει δηλαδή προσδιορισμό των ακτογραμμών.
Η τηλεπισκόπηση εξακολουθεί να γίνεται ολοένα και πιο σημαντική, για την ολοκληρωμένη εκτίμηση των χρονικών μεταβολών
των περιβαλλοντικών παραμέτρων, ιδιαίτερα λόγω της υπερθέρμανσης του πλανήτη και της διαρκούς αύξησης των ανθρώπινων
δραστηριοτήτων. Για τη βελτίωση της μεθοδολογίας συνδυασμού δορυφορικών εικόνων, από διαφορετικές χρονικές περιόδους, για την παραγωγή γενικευμένων δεδομένων, προκειμένου να παρακολουθείται η εξέλιξη των περιβαλλοντικών καταστάσεων, προτείνονται δύο λύσεις:
Αρχικά, για το έργο WETSYS-B, συνδυάζονται διαφορετικές εικόνες, για να παράγουν ψευδέγχρωμες εικόνες, όπου οι μεταβολές στις υγρές περιοχές, είναι σαφώς, άμεσα ορατές, σε μορφή raster.
Κατόπιν, στο πλαίσιο του έργου SEE_GRID-SCI, προτείνεται μια
εφαρμογή του πλαισίου CHERS, για την ανάλυση στον τομέα του χωροχρόνου των δορυφορικών εικόνων, με μια πρακτική εφαρμογή, για την ανάλυση των τάσεων των τιμών του κάθε pixel, στο πεδίο του χρόνου '''(εικ.1)'''.

[[ Εικόνα: Kb_arthro1_eik2.gif | thumb | right | Εικ.2: Υπόμνημα των χρωμάτων για τις αλλαγές των υδάτινων σωμάτων ]]

'''Μεθοδολογία'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών'''''

Χρησιμοποιήθηκαν δύο ή τρεις ζώνες NIR, της ίδιας περιοχής, που έχουν ληφθεί σε διαφορετικό χρόνο και συνδυάστηκαν σε μία ενιαία ψευδέγχρωμη εικόνα, ως ζώνες Μπλε, Πράσινο και Κόκκινο (RGB). Οι υδάτινοι οργανισμοί, είναι σχεδόν μαύροι, στη ζώνη NIR, ενώ οι εκτάσεις Γης, έχουν παραλλαγές των αποχρώσεων του γκρι, εμφανίζοντας σκιές κάποιου χρώματος '''(εικ.2)'''. Οι περιοχές με τις μεταβαλλόμενες υδάτινες επιφάνειες, είναι μαύρες, σε μία ή δύο ζώνες, ενώ το υπόλοιπο μέρος των ζωνών, είναι ανοικτό γκρι.

'''''Ανάλυση εικόνων στον τομέα του χωροχρόνου[[ Εικόνα: Kb_arthro1_eik3.gif | thumb | right | Εικ.3: Συγκρίνοντας τις τάσεις της πρώτης και δεύτερης τάξης ]]
'''''
Η χρησιμοποίηση εικόνων, που παραλαμβάνονται σε διαφορετικές ημέρες, για την ίδια περιοχή, καθιστά πιθανή την αξιολόγηση των εποχιακών και μακροπρόθεσμων περιβαλλοντικών φαινομένων, χρησιμοποιώντας διαφορετικά μήκη κύματος, για τις διαφορετικές περιβαλλοντικές παραμέτρους. Η εφαρμογή της παρεμβολής και της χρήσης τεχνικών φιλτραρίσματος, μπορεί να επιτρέψει λείανση των αναλυθεισών τρισδιάστατων λειτουργιών, αποβολή των θορύβων και παραγωγή των ποιοτικών βίντεο, που παρουσιάζουν τις χρονικές παραλλαγές των περιβαλλοντικών συνθηκών.
Σαν πρώτη προσέγγιση, λοιπόν, εστιάσαμε στην ανάλυση, εγκαίρως, της τάσης των μεμονωμένων εικονοκυττάρων, τα οποία επέτρεψαν μια στατική παρουσίαση του χαρακτήρα των αλλαγών. Η ανάλυση αυτή, των τάσεων, με πολυώνυμα δεύτερης τάξης, επιτρέπει τον εντοπισμό των τάσεων, για την
αντιστροφή της τάσης '''(εικ.3)'''.

Η συνέχιση αυτής της ιδέας, θα απαιτήσει την εφαρμογή πιο σύνθετων μεθόδων, όπως:
* Φασματική/ανάλυση εντροπίας στον τομέα του χωροχρόνου
* Διαδικασίες φιλτραρίσματος και συσχετισμού/ταξινόμησης
* Προσδιορισμός συγκεκριμένων μοντέλων και η εξέλιξή τους
* Αναγνώριση και μορφοποίηση των ακτογραμμών των υδάτινων σωμάτων
Η επεξεργασία των ακολουθιών των δορυφορικών εικόνων, μπορεί να απαιτήσει δύσκολους υπολογισμούς, ειδικά όταν οι αλγόριθμοι επεξεργασίας είναι σύνθετοι, όπως σε περιπτώσεις προσδιορισμού ορισμένων περιοχών, χρησιμοποιώντας την αναγνώριση προτύπων, ή προσδιορισμού και των συνόρων των υδατικών συστημάτων. Σε αυτό, το πλαίσιο CHERS, μπορεί να χωρίσει την τρισδιάστατη μήτρα στοιχείων, σε επιμέρους πίνακες, που μπορούν να υποβληθούν σε επεξεργασία, στις πλατφόρμες επεξεργαστών ή πλέγματος.

[[ Εικόνα: Kb_arthro1_eik4.gif | thumb | right | Εικ.4: Αλλαγή της ακτογραμμής στο δέλτα του ποταμού Buna και εναέρια άποψη του δέλτα ]]

'''Αριθμητικά αποτελέσματα'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών
'''''
Χρησιμοποιήσαμε το συνδυασμό ζωνών NIR, σε μια ψευδέγχρωμη εικόνα, σε δύο περιοχές - λίμνες Shkodra και Πρέσπας. Η περιοχή λιμνών Shkodra μελετήθηκε στο πλαίσιο του WETSYS-B. Η ανάλυση έγινε χρησιμοποιώντας τις ίδιες εικόνες Landsat, του 1977, του 1987 και του 1992. Το αποτέλεσμα δίνεται στην '''εικόνα 4'''. Είναι ορατός στο δέλτα του ποταμού Buna, ένας τομέας της διάβρωσης - η άμμος φαίνεται να κινείται ανατολικά -, ενώ η επέκταση του υγρότοπου (τρίγωνο κόκκινου χρώματος), είναι ορατή στα δυτικά του ποταμού Buna.

[[ Εικόνα: Kb_arthro1_eik5.gif | thumb | left| Εικ.5: Απώλεια νερού στη λίμνη της Μεγάλης Πρέσπας ]]

Η ίδια μεθοδολογία εφαρμόστηκε και στο σύστημα των λιμνών των Πρεσπών, με την χρήση ζωνών Landsat NIR. Η απώλεια νερού, είναι ορατή στην επίπεδη βορειοανατολική ακτή της Μεγάλης Πρέσπας, σαν μια λωρίδα μπλε χρώματος '''(εικ.5)'''. Η απώλεια νερού, φαίνεται επίσης, στις νότιες και βραχώδεις, ακτές της λίμνης.

'''Ανάλυση των τάσεων του δείκτη βλάστησης'''

[[ Εικόνα: Kb_arthro1_eik6.gif | thumb | right | Εικ.6: Ανάλυση τάσεων NDVI ]]

Χρησιμοποιήθηκε το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό των τάσεων για κάθε pixel, μιας σειράς εικόνων Κανονικοποιημένου Δείκτη Βλάστησης (NDVI), που έχουν ληφθεί μέσω της επεξεργασίας Κόκκινου και NIR ζωνών, του επιπέδου εικόνων MODIS 1, για περίοδο πέντε ετών. Χρησιμοποιήθηκε, ακόμη, το HEG, ως λογισμικό, για να εξαγάγουμε το κόκκινο και τις ζώνες NIR, ως δυαδικά αρχεία εικόνας. Η ακολουθία Κόκκινου και ζευγών NIR, χρησιμοποιήθηκαν ως εισαγωγή για CHERS, το οποίο παρήγαγε την ακολουθία των εικόνων, που αντιπροσωπεύουν τις τιμές NDVI, που χαρτογραφήθηκαν στη σειρά 0:255, για να παραγάγουν, σε τόνους του γκρι, τα δυαδικά αρχεία εικόνας. Στο δεύτερο βήμα CHERS, υπολογίστηκαν τα πολυώνυμα τάσης της δεύτερης διαταγής, παράγοντας τρία δυαδικά αρχεία εικόνας, σε τόνους του γκρι, με τις τιμές των πολυωνυμικών συντελεστών, για κάθε εικονοκύτταρο.
Αυτές οι εικόνες συνδυάστηκαν σε μια ψευδέγχρωμη εικόνα, χρησιμοποιώντας το δυαδικό αρχείο εικόνας, των πολυωνυμικών σταθερών, όπως κόκκινες (αντιπροσωπεύοντας τη μέση αξία του εικονοκυττάρου), των συντελεστών της πρώτης γραμμής και της δεύτερης διαταγής, τόσο πράσινης, όσο και μπλε. Η ερμηνεία της προκύπτουσας εικόνας, βοηθιέται με μια αντιπροσώπευση παλετών, συνδυασμού κοκκίνου, πράσινος και μπλε, σύμφωνα με ορισμένους κανόνες.
Εφαρμόστηκε, επίσης, το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό της γραμμικής τάσης, για τις περιοχές των λιμνών Shkodra και Πρέσπας. Τα αποτελέσματα παρουσιάζονται στην '''εικόνα 6'''. Σε περίπτωση γραμμικής τάσης, συνδυάσαμε το σταθερό δυαδικό αρχείο εικόνας (μέσοι όροι NDVI), όπως κόκκινος, ενώ το πρώτο δυαδικό αρχείο εικόνας, συντελεστή διαταγής, θεωρήθηκε ως πράσινο, με το μπλε ως συμπλήρωμά του.

'''Συμπεράσματα'''

Ο συνδυασμός διαφορετικών ζωνών, των δορυφορικών εικόνων, που λαμβάνονται σε διαφορετικούς χρόνους, αντιπροσωπεύει μια τρισδιάστατη δομή δεδομένων, της οποίας η ανάλυση, επιτρέπει τον προσδιορισμό των περιβαλλοντικών αλλαγών και του χαρακτήρα τους. Έχουμε πειραματιστεί σε μερικές απλές περιπτώσεις, που στρέφονται στις μετακινήσεις των ακτών των υδάτινων οργανισμών, και στην τάση NDVI για κάθε εικονοκύτταρο, παράγοντας ψευδέγχρωμες εικόνες, που αντιπροσωπεύουν τις παραλλαγές τους. Η περαιτέρω ανάλυση αυτών των εικόνων και των εικονοκυττάρων ταξινόμησης, θα επέτρεπε στους ειδικούς περιβάλλοντος, να σκιαγραφήσουν και να ενσωματώσουν, ενδιαφερόμενες περιοχές, στα GIS. Η μεθοδολογία αυτή, μπορεί να χρησιμοποιηθεί για ολόκληρη τη σειρά περιβαλλοντικών παραμέτρων, που λαμβάνονται από συνδυασμούς ζωνών δορυφορικών εικόνων.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Μπαστρογιάννη Κωνσταντίνα

2012-03-03T21:59:14Z

Konnabastro:

* [[ Χρήση της Τηλεπισκόπησης (δορυφορικές εικόνες) για την αξιολόγηση της κατάστασης του περιβάλλοντος ]] 
* [[ Διαχρονική παρακολούθηση αλλαγών των χρήσεων γης με χρήση Τηλεπισκοπικών δεδομένων περιμετρικά της Λίμνης Κορώνειας στην Θεσσαλονίκη ]] 
* [[ Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης ]] 
* [[ Η χρήση δορυφορικών εικόνων και αριθμητικών μοντέλων πρόγνωσης για την χαρτογράφηση της σκόνης από τη Σαχάρα στην ατμόσφαιρα ]] 
* [[ ∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ ]] 

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

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-03T21:56:37Z

Konnabastro:

'''Τίτλος''': '''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | left | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | left | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | left | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | left | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | left | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | left | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | left | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | left | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | left | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | left| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | left | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-03T21:56:08Z

Konnabastro:

'''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
'''Συγγραφείς''': Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | left | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | left | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | left | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | left | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | left | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | left | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | left | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | left | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | left | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | left| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | left | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Η χρήση δορυφορικών εικόνων και αριθμητικών μοντέλων πρόγνωσης για την χαρτογράφηση της σκόνης από τη Σαχάρα στην ατμόσφαιρα

2012-03-03T21:54:52Z

Konnabastro:

'''Συγγραφείς''': Χατζόπουλος Ιωάννης, Χωριατέλλη Χρυσομάλλη, Καντζάς Παντελής, Κάλλος Γεώργιος, Κατσαφάρδος Πέτρος, Χρήστος Σπύρου 
'''Ιδρύματα''': Εργαστήριο Τηλεπισκόπησης και ΣΓΠ, Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος, Μυτιλήνη 
Ομάδα Ατμοσφαιρικών Μοντέλων και Πρόγνωσης Καιρού, Πανεπιστήμιο Αθηνών, Τμήμα Φυσικής, Αθήνα 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/Jnh_Tee_07.pdf 

'''Εισαγωγή'''

Οι διάφοροι τύποι σωματιδίων αεροζόλ, έχουν επιπτώσεις στη μεσογειακή ατμόσφαιρα. Η έρημος της Σαχάρας, θεωρείται ως μια σημαντική πηγή φυσικής παραγωγής σκόνης, από σωματίδια ορυκτών. Προβλέπεται, ότι ένα επεισόδιο σκόνης σύντομης διάρκειας, μπορεί να αποτελέσει ακόμη και το 30% της συνολικής ετήσιας ροής. Η ατμοσφαιρική μεταφορά εδαφικής σκόνης, από την Αφρική, δημιουργεί τις έντονες αιχμές συγκέντρωσης αεροζόλ, επηρεάζει σημαντικά τη βιοχημεία ιχνοστοιχείων στον ωκεανό, τα οποία διαδραματίζουν έναν σημαντικό ρόλο στο pH των σχετικών εφαρμογών.
Η παρούσα εργασία χρησιμοποιεί τέσσερις εικόνες HRPT, του αισθητήρα NOAA - 14 AVHRR, οι οποίες λήφθηκαν από το σταθμό SMARTechTM, του Πανεπιστημίου Αιγαίου, στις 19, 20, 21 και 22 Απριλίου το 1997. Η περιοχή, που καλύπτεται από τις εικόνες αυτές, ξεκινά από το Γιβραλτάρ και επεκτείνεται μέχρι την Κασπία θάλασσα, καλύπτει επίσης μέρος της βόρειας Αφρικής. Κάθε εικόνα, έχει ένα πλάτος 2048 εικονοστοιχείων, ή περίπου 2253 χλμ.
Επίσης, επιλέχτηκε ένα σετ 10 εικόνων, των δεκτών ΝΟΑΑ-16 και ΝΟΑΑ-17, της περιόδου 15-30 Ιουνίου 2003 και έγινε επεξεργασία με τον κώδικα 6S και τα αποτελέσματα για την μέτρηση της οπτικής πυκνότητας, είναι συγκρίσιμα με αυτά του δικτύου AERONET.

'''Μεθοδολογία'''

Προκειμένου, να γίνει επεξεργασία των εικόνων NOAA – AVHRR, για την παραγωγή και δημιουργία χαρτών σκόνης, απαιτούνται τα επόμενα βήματα:

* Βαθμολόγηση καναλιών.
* Υπολογισμός των φαινόμενων θερμοκρασιών, για τα κανάλια 3, 4 και 5.
* Μοντέλο επεξεργασίας εικόνας, για την παραγωγή ποιοτικών χαρτών σκόνης.
* Διόρθωση γεωμετρικών παραμορφώσεων της εικόνας.
* Παραγωγή χαρτών σκόνης.

Η κατάσταση των αισθητήρων του δορυφορικού δέκτη, επιδεινώνεται με το χρόνο και έτσι τα δεδομένα, που παράγονται, χάνουν μέρος της αξιοπιστίας τους και πρέπει να διορθωθούν. Τα κανάλια 1 και 2 μετασχηματίζονται σε τιμές ακτινοβολίας, ενώ τα κανάλια 3, 4 και 5 βαθμονομούνται, χρησιμοποιώντας την εν πτήσει βαθμονόμηση. Οι ακατέργαστοι ψηφιακοί αριθμοί, μετασχηματίζονται σε τιμές λαμπρότητας θερμοκρασίας, σε μια διαδικασία δύο βημάτων:

(α) Η φαινόμενη ακτινοβολία υπολογίζεται με τη χρήση των συντελεστών βαθμονόμησης, που παίρνονται από κάθε 100η γραμμή, από τα στοιχεία, που στέλνει ο δορυφόρος και 
(β) η λαμπρότητα της θερμοκρασίας υπολογίζεται από το νόμο του Plank. 

Η βαθμονομημένη εικόνα, εισάγεται σε ένα μοντέλο επεξεργασίας εικόνας, το οποίο ανιχνεύει τις επιφάνειες νεφών και εδάφους με τη χρήση των εξής κριτηρίων:

1. Ανίχνευση νεφών 
2. Ανίχνευση ξηράς 

Το μοντέλο δημιουργεί χωριστές μάσκες για το κανάλι 1 και το κανάλι 2 και έπειτα διαιρεί το albedo του καναλιού 1 με 100, τις ενοποιεί και έπειτα παράγει μια τελική εικόνα, που αποτελείται από την θάλασσα, το έδαφος και τα νέφη.
Η διόρθωση της γεωμετρικής παραμόρφωσης της εικόνας, που παράγεται, βασίζεται στη δημιουργία των μαθηματικών σχέσεων μεταξύ των συντεταγμένων των εικονοστοιχείων της εικόνας και των συντεταγμένων των αντίστοιχων σημείων στον χάρτη. Τα σημεία ελέγχου στο έδαφος (GCP), για την εικόνα, υπολογίζονται από το λογισμικό SmartTrack και εφαρμόζεται ένα πολυώνυμο, για να δημιουργήσει με επαναδειγματοληψία, τη γεωμετρικά διορθωμένη εικόνα. Η προβολή χάρτη είναι γεωγραφική (φ, λ) και χρησιμοποιεί το datum WGS 72. Στη συνέχεια η εικόνα χρωματίζεται από μια ποιοτική παλέτα.
Οι φασματικές ζώνες των εικόνων, που χρησιμοποιήθηκαν, δίνονται στους Πίνακες 1 και 2. Ο δέκτης AVHRR/2 (ΝΟΑΑ 14), αποτελείται από 5 φασματικά κανάλια: 

[[Αρχείο:Kb_arthro4_pin.1.jpg | center ]] 

'''Ομάδα ατμοσφαιρικών μοντέλων και πρόγνωσης καιρού- σύστημα SKIRON'''

'''''1. Περιγραφή του Συστήματος Πρόγνωσης Καιρού ΣΚΙΡΩΝ (SKIRON/Eta)'''''

Το Σύστημα πρόγνωσης καιρού ΣΚΙΡΩΝ, αναπτύχθηκε, για να εφαρμοσθεί επιχειρησιακά στην Ελληνική Μετεωρολογική Υπηρεσία. Για την εφαρμογή του συστήματος, χρειάζεται περιβάλλον Unix/Linux και μετεωρολογικά δεδομένα εισαγωγής. Η κύρια συνιστώσα του συστήματος, είναι το περιορισμένης κλίμακας μοντέλο πρόγνωσης καιρού Eta, που εκτελείται σε περιορισμένη γεωγραφική περιοχή. Το στάδιο προεπεξεργασίας (pre-processing) του συστήματος προετοιμάζει τα δεδομένα εισαγωγής για το μοντέλο. Μετά την εφαρμογή του μοντέλου, το στάδιο μετεπεξεργασίας (post-processing) χρησιμοποιεί τα δεδομένα εξόδου, για να γίνει γραφική απεικόνιση καθώς και για άλλες εφαρμογές.

'''''1.1. Το Στάδιο Προεπεξεργασίας (pre-processing)'''''

Στο στάδιο της προεπεξεργασίας, χρησιμοποιούνται μετεωρολογικές παράμετροι (γεωδυναμικό ύψος, συνιστώσες του ανέμου και υγρασία), που προκύπτουν από ένα μοντέλο μεγαλύτερης κλίμακας (Global Climate Model). Το σύστημα μπορεί να χρησιμοποιήσει:

♦ Tην ανάλυση και τα προγνωστικά πεδία, από το European Centre for Medium-Range Forecasts (ECMWF). 
♦ Tην ανάλυση και προγνωστικά πεδία, από το National Center for Environmental Prediction (NCEP). 
♦ Άλλα εξαγόμενα πεδία, από 3 ή 4-διάστατα συστήματα “assimilation”, όπως το LAPS του NOAA/FSL. 

Τα δεδομένα αυτά, αποκωδικοποιούνται και παρεμβάλλονται στη δομή του πλέγματος, που χρησιμοποιεί το μοντέλο Eta.

'''''1.2. Παραγωγή, Μεταφορά και Εναπόθεση Αδρανούς Ουσίας στο Μοντέλο Eta'''''

Στη δομή του μοντέλου SKIRON/Eta, αναπτύχθηκε, για να λειτουργήσει, ένα ξεχωριστό τμήμα (module), για την ατμοσφαιρική παραγωγή, την μεταφορά και την εναπόθεση αδρανών ουσιών. Η ανάπτυξη έγινε από το Πανεπιστήμιο Αθηνών. Όσον αφορά το τμήμα, που σχετίζεται με την μεταφορά, αυτό βελτιώθηκε με την προσθήκη της συνιστώσας της τυρβώδους ανάμειξης και με την ανάπτυξη του τμήματος του μοντέλου για την συγκέντρωση της σκόνης της ερήμου. Η τελική έκδοση της συνιστώσας της μεταφοράς, περιλαμβάνει για τις πηγές, το σχήμα του ιξώδους υποστρώματος και χρησιμοποιεί επίσης το σχήμα της τύρβης του μοντέλου Eta.

'''''1.3. Καταβόθρες Σκόνης'''''

Η απομάκρυνση της σκόνης από την ατμόσφαιρα, πραγματοποιείται με δύο μηχανισμούς: την ξηρή και την υγρή εναπόθεση. Η ξηρή εναπόθεση στο μοντέλο, παραμετροποιείται με βάση το σχήμα του Georgi (1986). Στο σχήμα αυτό, συμπεριλαμβάνονται διεργασίες εναπόθεσης, λόγω βαρυτικής καθίζησης, επιφανειακής τυρβώδους διάχυσης, κίνησης Brown, καθώς και λόγω σύγκρουσης με την επιφάνεια.

'''''1.4. Το στάδιο μετεπεξεργασίας (Post-processing)'''''

Το κυρίως πρόγραμμα μετεπεξαργασίας, χρησιμοποιείται με σκοπό την ενοποίηση των πεδίων, των διαφόρων ατμοσφαιρικών παραμέτρων, τα οποία είναι χωρισμένα από τους διάφορους επεξεργαστές, αφού το μοντέλο έχει παραλληλιστεί. Η συχνότητα των εξαγομένων αποτελεσμάτων είναι προκαθορισμένη. Η καθημερινή πρόγνωση περιλαμβάνει ταχύτητα ανέμου, γεωδυναμικό και θερμοκρασία στα βασικά ισοβαρικά επίπεδα, βροχόπτωση και ύψος χιονιού, ομίχλη, νεφοκάλυψη, συγκέντρωση σκόνης σε όλη την κατακόρυφη στήλη (Dust Load), καθώς και υγρή και ξηρή εναπόθεση σκόνης.

[[ Εικόνα: Kb_arthro4_eik.1.gif‎ | thumb | left| Εικ.1.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 19/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.1b.gif‎ | thumb | right | Εικ.1.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 19/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.2.gif‎ | thumb | left| Εικ.2.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 20/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.2b.gif‎ | thumb | right | Εικ.2.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 20/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.3.gif‎ | thumb | left| Εικ.3.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 21/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.3b.gif‎ | thumb | right | Εικ.3.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 21/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.4.gif‎ | thumb | right | Εικ.4.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 22/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.4b.gif‎ | thumb | right | Εικ.4.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 22/04/97 ]]

'''Αποτελέσματα'''

Τα αποτελέσματα αφορούν τις ημερομηνίες από 19/4/1997 μέχρι και 22/4/1997. Στην '''εικόνα 1.α''' δίνονται αποτελέσματα από την επεξεργασία της δορυφορικής εικόνας του NOAA – AVHRR, για την ημερομηνία 19/04/1997, 11:45 UTC, ενώ στην '''εικόνα 1.β''', παρουσιάζονται αντίστοιχα αποτελέσματα από την πρόβλεψη του συστήματος Skiron. Από τη σύγκριση, υπάρχει σημαντική συμφωνία μεταξύ AVHRR και των αποτελεσμάτων της πρόβλεψης SKIRON.
Στις '''εικόνες 2.α''' και '''2.β''', φαίνεται αντίστοιχα η ομοιότητα μεταξύ των αποτελεσμάτων, που παρέχουν τα δύο συστήματα. Το μοντέλο επεξεργασίας εικόνας AVHRR, εμφανίζεται να υπερεκτιμά δυτικά της Αιγύπτου. Επίσης, στις '''εικόνες 3.α''' και '''3.β''', καθώς και '''4.α''' και '''4.β''', μπορεί κανείς να δει ότι τα δύο μοντέλα παρήγαγαν παρόμοια αποτελέσματα.

[[ Εικόνα: Kb_arthro4_eik.5.gif‎ | thumb | right | Εικ.5: Σταθμοί Aeronet ανά την υφήλιο (μόνιμοι, εποχιακοί και προσωρινοί)]]
[[ Εικόνα: Kb_arthro4_eik.6.gif‎ | thumb | right | Εικ.6: Σταθμοί AERONET στη Μεσόγειο ]]
[[ Εικόνα: Kb_arthro4_eik.7.jpg | thumb | right | Εικ.7: Σύγκριση αποτελεσμάτων AOD από εικόνες AVHRR και AERONET στο 1ο κανάλι ]]
[[ Εικόνα: Kb_arthro4_eik.8.jpg‎ | thumb | right | Εικ.8: Σύγκριση αποτελεσμάτων AOD από εικόνες AVHRR και AERONET στο 2ο κανάλι ]]

'''Αποτελέσματα από τη χρήση του κώδικα 6S και σύγκριση με AERONET'''

Ο κώδικας 6S (Second Simulation of the Satellite Signal in the Solar Spectrum), που αποτελεί μία αναβάθμιση του 5S, χρησιμοποιήθηκε στην παρούσα εργασία. Το 6S έχει γραφτεί σε fortran και αποτελείται από μία κεντρική ρουτίνα, η οποία καλεί τις υπόλοιπες, ανάλογα με τις επιλογές του χρήστη. Η χρήση του αντικειμενοστραφούς προγραμματισμού είναι πολύ πρακτική και για τη συγκεκριμένη εργασία δημιουργήθηκε ένα πρόγραμμά σε fortran (αρχείο 6sfinal.for), που περιείχε την κεντρική ρουτίνα του 6S και προστέθηκαν στον κώδικα μόνο οι υπορουτίνες που ενδιέφεραν.
Η επιβεβαίωση των τιμών της ατμοσφαιρικής οπτικής πυκνότητας AOD, που προέκυψαν, έγινε με τη χρήση δεδομένων από το σύστημα AERONET, το οποίο αποτελείται ουσιαστικά από φωτόμετρα. Οι τοποθεσίες στις οποίες εγκαθίστανται τα φωτόμετρα ('''εικόνα 5'''), είναι προσεκτικά επιλεγμένες, ώστε να παρουσιάζουν όσο το δυνατόν μεγαλύτερη γεωγραφική εξάπλωση, αλλά και να δίνουν δεδομένα από ευαίσθητα ή μεγάλης σημασίας σημεία.
Για κάθε ημέρα οι σταθμοί του AERONET δίνουν αρκετά δεδομένα, σε διάφορες καταγεγραμμένες χρονικές στιγμές. Αυτά που επιλέχτηκαν, ήταν εκείνα που πλησίαζαν περισσότερο τον χρόνο, που λήφθηκε η εικόνα, ενώ αν η χρονική διαφορά ήταν μεγαλύτερη από 45 λεπτά, τα δεδομένα απορρίπτονταν, καθώς η παρουσία των αεροζόλ στην ατμόσφαιρα μεταβάλλεται σημαντικά με τον χρόνο. Από το σύστημα της AERONET, επιλέχτηκαν οι σταθμοί FORTH-CRETE και LAMPEDUSA, όπως φαίνονται στην '''εικόνα 6''' .
Επίσης, επιλέχτηκε ένα σετ 10 εικόνων, των δεκτών ΝΟΑΑ-16 και ΝΟΑΑ-17, της περιόδου 15-30 Ιουνίου 2003. Τα αποτελέσματα ήταν πολύ ικανοποιητικά, αφού έδειξαν μία συμφωνία τιμών μεταξύ AVHRR και AERONET, με μέση απόκλιση 0.02 για το 1ο και 0.016 για το 2ο κανάλι, όπως φαίνεται στις '''εικόνες 7''' και '''8'''.
Η απόκλιση θα μπορούσε να μειωθεί, αλλάζοντας την τιμή της ανακλαστικότητας της θάλασσας, που εισήχθη νωρίτερα στο 6S. Μεταβολή της ανακλαστικότητας κατά 0.01, μπορεί να μεταβάλλει το εξαγόμενο από τη διαδικασία AOD κατά ±0.1. Κάτι τέτοιο όμως, θα αποτελούσε ουσιαστικά παραποίηση των δεδομένων εισόδου, προς χάριν των αποτελεσμάτων και έτσι δεν ακολουθήθηκε.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης

2012-03-03T21:53:27Z

Konnabastro:

'''Συγγραφείς''': Αγ. Φιλίντας, Π. Ντιούδης, Ι. Χατζόπουλος, Δ. Πατέρας, Αρ. Παπαδόπουλος, Ι. Καλαβρουζιώτης 
'''Iδρύματα''': Τ.Ε.Ι. Λάρισας, Τμήμα Γεωργικών Μηχανών και Αρδεύσεων 
Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος 
ΕΘΙΑΓΕ/Ινστιτούτο Εδαφολογίας 
Πανεπιστήμιο Ιωαννίνων, Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf 

[[ Εικόνα: Kb_arthro3_eik1.gif | thumb | right | Εικ.1: Μέση ετήσια παραγωγή βιομάζας αραβοσίτου στην Ελλάδα ]]

'''Περίληψη'''

Σκοπός της παρούσας μελέτης, είναι η μοντελοποίηση και χαρτογράφηση βιομάζας ενσίρωσης αραβοσίτου, σε συνάρτηση με τις επιδράσεις διαχείρισης νερού, με στάγδην άρδευση, σε πειραματικό αγρό, στο αγρόκτημα του T.E.I. Λάρισας το 2004, με συνδυαστική χρήση τεχνικών GIS, GPS, Τηλεπισκόπησης, Γεωργίας Ακριβείας και μετρήσεων πεδίου. Επίσης, μελετήθηκε η επίδραση στο ποσοστό βιομάζας, στα διάφορα φυτικά μέρη, στην περιεχόμενη φυτική και εδαφική υγρασία (που μετρήθηκε με τη μέθοδο TDR). Τα αποτελέσματα έδειξαν, ότι διαφορές της παραγωγής βιομάζας ενσίρωσης αραβοσίτου, μεταξύ των μεταχειρίσεων, δεν βρέθηκαν στατιστικώς σημαντικά διαφορετικές.

'''1.Εισαγωγή'''

Το έτος 2004, σύμφωνα με το Υπουργείο γεωργίας, η μέση παραγωγή βιομάζας αραβοσίτου, ο οποίος αποτελεί μια κατάλληλη καλλιέργεια για την παραγωγή ενσιρώματος, ήταν στην Ελλάδα, 1010,43 Kg/στρ ('''εικόνα 1'''), ενώ η απόδοση καρπού ήταν 1040,75 Kg/στρ.

[[ Εικόνα: Kb_arthro3_eik2.gif | thumb | right | Εικ.2: Σχέδιο διάταξης πειραματικών τεμαχίων ]]

'''2.Πειραματική οργάνωση'''

'''''2.1. Πειραματικό σχέδιο'''''

Η έρευνα έγινε σε διάταξη πλήρως τυχαιοποιημένων ομάδων, που αποτελούνται από τρεις επεμβάσεις, με εύρος άρδευσης ανά δύο (Tr2), ανά πέντε (Tr5) και ανά εννέα (Tr9) ημέρες, επί τέσσερις επαναλήψεις ('''εικόνα 2'''). Η τυχαιοποίηση έγινε με τη μέθοδο των στατιστικών πινάκων.

'''''2.2. Περιγραφή εγκατάστασης'''''

Στο αγροτεμάχιο έγινε εγκατάσταση συστήματος στάγδην άρδευσης, όπου μελετήθηκε και αξιολογήθηκε η επίδραση του εύρους άρδευσης (2, 5 και 9 ημερών), στην απόδοση βιομάζας ενσίρωσης αραβοσίτου. Επίσης, έγινε εγκατάσταση αισθητήρων μέτρησης εδαφικής υγρασίας (ΕΥ), που έκαναν χρήση της μεθόδου TDR.

'''''2.3. Μεθοδολογία'''''

Με στόχο την εξασφάλιση της υψηλής ακρίβειας των μετρήσεων, χρησιμοποιήθηκαν καθετήρες προσδιορισμού της εδαφικής υγρασίας, που είχαν ενσωματωμένους 5 αισθητήρες, οι οποίοι βρίσκονταν μόνιμα εγκατεστημένοι στα πειραματικά τεμάχια και σε συνεχή επαφή με το έδαφος. Από τις μετρήσεις των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση και υπολογίστηκε, σε καθημερινή βάση, η εξάντληση της διαθέσιμης υγρασίας (ΕΔΥ).
Ακόμη, μελετήθηκαν τα μετεωρολογικά δεδομένα και υπολογίστηκε η ωφέλιμη βροχόπτωση Pe με την μέθοδο USDA. Επιπλέον, πραγματοποιήθηκαν στον αγρό, τηλεπισκοπικές μετρήσεις της βιομάζας, με χρήση αισθητήρα BRDF, οι οποίες αξιολογήθηκαν και συνέβαλαν στην χαρτογράφηση GIS, της παραλλακτικότητας της βιομάζας, του πειραματικού αγρού και της Εύπεπτης Ξερής Ουσίας, από τα ζώα ή Digestible Dry Matter (DDM) , μαζί με τα δεδομένα αγρού.

[[ Εικόνα: Kb_arthro3_eik3.gif | thumb | left| Εικ.3: A) Διάγραμμα ημερήσιας βροχόπτωσης αρδευτικής περιόδου και μέσης μηνιαίας θερμοκρασίας. B) Διάγραμμα μηνιαίας ωφέλιμης βροχόπτωσης ]]
[[ Εικόνα: Kb_arthro3_eik4.gif | thumb | right | Εικ.4: Αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ για βάθος 0-75 cm, για τις 3 μεταχειρίσεις, πριν την εφαρμογή άρδευσης και μία ημέρα μετά την εφαρμογή άρδευσης ]]
[[ Εικόνα: Kb_arthro3_eik5.gif | thumb | left| Εικ.5: Για τη διακύμανση της βιομάζας ενσίρωσης αραβοσίτου: α) Διάγραμμα Box plot, ανά μεταχείριση (ομαδοποίηση περιπτώσεων). β) Διάγραμμα κανονικών πιθανοτήτων Q-Q plot. γ) Ιστόγραμμα τιμών. δ) Διάγραμμα με τις μετρηθέντες τιμές των 12 τεμαχίων και της καμπύλης της εξίσωσης 3ου βαθμού, της σχέσης βιομάζας ενσίρωσης, με εύρος άρδευσης και των καμπυλών των διαστημάτων εμπιστοσύνης 95% ]]
[[ Εικόνα: Kb_arthro3_eik6.gif | thumb | right| Εικ.6: Χωρική παραλλακτικότητα της παραγωγής βιομάζας ενσίρωσης αραβοσίτου του πειραματικού αγρού ]]
[[ Εικόνα: Kb_arthro3_eik7.gif | thumb | right| Εικ.7: Χωρική παραλλακτικότητα: α) της Εύπεπτης Ξερής Ουσίας από τα ζώα ή Digestible Dry Matter (DDM) (%), β) της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV), της παραγωγής βιομάζας αραβοσίτου για το έτος 2004 ]]

'''3. Αποτελέσματα και συζήτηση'''

Η ετήσια βροχόπτωση του 2004, ήταν 387,3 mm. Η μεγαλύτερη μέση μηνιαία βροχόπτωση, για το 2004, ήταν rυ= 94,2 mm και παρατηρήθηκε τον Ιούνιο. Η μικρότερη μέση μηνιαία βροχόπτωση, ήταν rξ=2,6 mm, κατά το μήνα Αύγουστο ('''εικόνα 3''').
Από τις μετρήσεις (σε 5 βάθη και σε διάφορες θέσεις), των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση (αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ, για βάθος 75 cm, απεικονίζονται στην '''εικόνα 4''') και υπολογίστηκε, σε καθημερινή βάση, η ΕΔΥ.
Στην '''εικόνα 5.α''', παρουσιάζεται το διάγραμμα Box plot, της διακύμανσης βιομάζας ενσίρωσης αραβοσίτου, ανά μεταχείριση Tr2, Tr5 και Tr9 και στην '''εικόνα 5.β''', παρουσιάζεται το διάγραμμα κανονικών πιθανοτήτων Q-Q plot.
Στην '''εικόνα 6''', παρουσιάζονται η χωρική παραλλακτικότητα της παραγωγής βιομάζας αραβοσίτου, για το έτος 2004, σε έναν GIS χάρτη παραγωγής βιομάζας ενσίρωσης αραβοσίτου. Για την δημιουργία του GIS χάρτη, που βασίστηκε στη δομική και χωρική ανάλυση, επιλέχτηκε ένα εκθετικό μοντέλο βαριογράμματος, για την βιομάζα και χρησιμοποιήθηκε με ισότροπης δομής μοντελοποίηση των παραμετρικών δεδομένων, σε κύρια ακτίνα πεδίου 10,935 m. Όσον αφορά την βιομάζα, το ιστόγραμμα των δεδομένων και ο χάρτης GIS ('''εικόνα 6'''), έδειξαν ότι υπάρχει μια έντονη χωρική παραλλακτικότητα της βιομάζας στα πειραματικά τεμάχια.
Στις '''εικόνες 7.α''' και '''7.β''', παρουσιάζεται η χωρική παραλλακτικότητα, για την Εύπεπτη Ξερή Ουσία, από τα ζώα ή Digestible Dry Matter (DDM) (%) και για το συντελεστή της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV) αντίστοιχα, της βιομάζας αραβοσίτου, σε GIS χάρτες για το 2004.

'''4. Συμπεράσματα'''

Οι τεχνολογίες πληροφορικής κι επικοινωνιών (ΤΠΕ), ψηφιακές βάσεις δεδομένων, Γεωγραφικά Πληροφοριακά Συστήματα (GIS), Τηλεπισκόπηση, Γεωργία ακρίβειας, χωρική ανάλυση κ.λπ., τις οποίες η παρούσα μελέτη χρησιμοποιεί, στις βιολογικές και γεωτεχνικές επιστήμες, συμβάλουν σημαντικά στη μελέτη, μοντελοποίηση και χαρτογράφηση της παραγωγής βιομάζας αραβοσίτου, για χρήση ως ενσίρωμα, για ζωοτροφή, σε σχέση με τις επιδράσεις διαχείρισης αρδευτικού νερού.
Συμπερασματικά, προκύπτει ότι, η άρδευση για τις συγκεκριμένες εδαφοκλιματικές συνθήκες του πειράματος, μπορεί να πραγματοποιείται κάθε 9, αντί για 5 ή 2 ημέρες. Επιπλέον, η μεταχείριση Tr9, απέδωσε υψηλότερες τιμές Σχετικής Διατροφικής Αξίας (RFV) και μεγαλύτερα ποσοστά Εύπεπτης Ξερής Ουσίας από τα ζώα (DDM).

[[category:Γεωργία]]

Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης

2012-03-03T21:53:03Z

Konnabastro:

'''Συγγραφείς''': Αγ. Φιλίντας, Π. Ντιούδης, Ι. Χατζόπουλος, Δ. Πατέρας, Αρ. Παπαδόπουλος, Ι. Καλαβρουζιώτης 
'''Ίδρυμα''': Τ.Ε.Ι. Λάρισας, Τμήμα Γεωργικών Μηχανών και Αρδεύσεων 
Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος 
ΕΘΙΑΓΕ/Ινστιτούτο Εδαφολογίας 
Πανεπιστήμιο Ιωαννίνων, Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf 

[[ Εικόνα: Kb_arthro3_eik1.gif | thumb | right | Εικ.1: Μέση ετήσια παραγωγή βιομάζας αραβοσίτου στην Ελλάδα ]]

'''Περίληψη'''

Σκοπός της παρούσας μελέτης, είναι η μοντελοποίηση και χαρτογράφηση βιομάζας ενσίρωσης αραβοσίτου, σε συνάρτηση με τις επιδράσεις διαχείρισης νερού, με στάγδην άρδευση, σε πειραματικό αγρό, στο αγρόκτημα του T.E.I. Λάρισας το 2004, με συνδυαστική χρήση τεχνικών GIS, GPS, Τηλεπισκόπησης, Γεωργίας Ακριβείας και μετρήσεων πεδίου. Επίσης, μελετήθηκε η επίδραση στο ποσοστό βιομάζας, στα διάφορα φυτικά μέρη, στην περιεχόμενη φυτική και εδαφική υγρασία (που μετρήθηκε με τη μέθοδο TDR). Τα αποτελέσματα έδειξαν, ότι διαφορές της παραγωγής βιομάζας ενσίρωσης αραβοσίτου, μεταξύ των μεταχειρίσεων, δεν βρέθηκαν στατιστικώς σημαντικά διαφορετικές.

'''1.Εισαγωγή'''

Το έτος 2004, σύμφωνα με το Υπουργείο γεωργίας, η μέση παραγωγή βιομάζας αραβοσίτου, ο οποίος αποτελεί μια κατάλληλη καλλιέργεια για την παραγωγή ενσιρώματος, ήταν στην Ελλάδα, 1010,43 Kg/στρ ('''εικόνα 1'''), ενώ η απόδοση καρπού ήταν 1040,75 Kg/στρ.

[[ Εικόνα: Kb_arthro3_eik2.gif | thumb | right | Εικ.2: Σχέδιο διάταξης πειραματικών τεμαχίων ]]

'''2.Πειραματική οργάνωση'''

'''''2.1. Πειραματικό σχέδιο'''''

Η έρευνα έγινε σε διάταξη πλήρως τυχαιοποιημένων ομάδων, που αποτελούνται από τρεις επεμβάσεις, με εύρος άρδευσης ανά δύο (Tr2), ανά πέντε (Tr5) και ανά εννέα (Tr9) ημέρες, επί τέσσερις επαναλήψεις ('''εικόνα 2'''). Η τυχαιοποίηση έγινε με τη μέθοδο των στατιστικών πινάκων.

'''''2.2. Περιγραφή εγκατάστασης'''''

Στο αγροτεμάχιο έγινε εγκατάσταση συστήματος στάγδην άρδευσης, όπου μελετήθηκε και αξιολογήθηκε η επίδραση του εύρους άρδευσης (2, 5 και 9 ημερών), στην απόδοση βιομάζας ενσίρωσης αραβοσίτου. Επίσης, έγινε εγκατάσταση αισθητήρων μέτρησης εδαφικής υγρασίας (ΕΥ), που έκαναν χρήση της μεθόδου TDR.

'''''2.3. Μεθοδολογία'''''

Με στόχο την εξασφάλιση της υψηλής ακρίβειας των μετρήσεων, χρησιμοποιήθηκαν καθετήρες προσδιορισμού της εδαφικής υγρασίας, που είχαν ενσωματωμένους 5 αισθητήρες, οι οποίοι βρίσκονταν μόνιμα εγκατεστημένοι στα πειραματικά τεμάχια και σε συνεχή επαφή με το έδαφος. Από τις μετρήσεις των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση και υπολογίστηκε, σε καθημερινή βάση, η εξάντληση της διαθέσιμης υγρασίας (ΕΔΥ).
Ακόμη, μελετήθηκαν τα μετεωρολογικά δεδομένα και υπολογίστηκε η ωφέλιμη βροχόπτωση Pe με την μέθοδο USDA. Επιπλέον, πραγματοποιήθηκαν στον αγρό, τηλεπισκοπικές μετρήσεις της βιομάζας, με χρήση αισθητήρα BRDF, οι οποίες αξιολογήθηκαν και συνέβαλαν στην χαρτογράφηση GIS, της παραλλακτικότητας της βιομάζας, του πειραματικού αγρού και της Εύπεπτης Ξερής Ουσίας, από τα ζώα ή Digestible Dry Matter (DDM) , μαζί με τα δεδομένα αγρού.

[[ Εικόνα: Kb_arthro3_eik3.gif | thumb | left| Εικ.3: A) Διάγραμμα ημερήσιας βροχόπτωσης αρδευτικής περιόδου και μέσης μηνιαίας θερμοκρασίας. B) Διάγραμμα μηνιαίας ωφέλιμης βροχόπτωσης ]]
[[ Εικόνα: Kb_arthro3_eik4.gif | thumb | right | Εικ.4: Αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ για βάθος 0-75 cm, για τις 3 μεταχειρίσεις, πριν την εφαρμογή άρδευσης και μία ημέρα μετά την εφαρμογή άρδευσης ]]
[[ Εικόνα: Kb_arthro3_eik5.gif | thumb | left| Εικ.5: Για τη διακύμανση της βιομάζας ενσίρωσης αραβοσίτου: α) Διάγραμμα Box plot, ανά μεταχείριση (ομαδοποίηση περιπτώσεων). β) Διάγραμμα κανονικών πιθανοτήτων Q-Q plot. γ) Ιστόγραμμα τιμών. δ) Διάγραμμα με τις μετρηθέντες τιμές των 12 τεμαχίων και της καμπύλης της εξίσωσης 3ου βαθμού, της σχέσης βιομάζας ενσίρωσης, με εύρος άρδευσης και των καμπυλών των διαστημάτων εμπιστοσύνης 95% ]]
[[ Εικόνα: Kb_arthro3_eik6.gif | thumb | right| Εικ.6: Χωρική παραλλακτικότητα της παραγωγής βιομάζας ενσίρωσης αραβοσίτου του πειραματικού αγρού ]]
[[ Εικόνα: Kb_arthro3_eik7.gif | thumb | right| Εικ.7: Χωρική παραλλακτικότητα: α) της Εύπεπτης Ξερής Ουσίας από τα ζώα ή Digestible Dry Matter (DDM) (%), β) της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV), της παραγωγής βιομάζας αραβοσίτου για το έτος 2004 ]]

'''3. Αποτελέσματα και συζήτηση'''

Η ετήσια βροχόπτωση του 2004, ήταν 387,3 mm. Η μεγαλύτερη μέση μηνιαία βροχόπτωση, για το 2004, ήταν rυ= 94,2 mm και παρατηρήθηκε τον Ιούνιο. Η μικρότερη μέση μηνιαία βροχόπτωση, ήταν rξ=2,6 mm, κατά το μήνα Αύγουστο ('''εικόνα 3''').
Από τις μετρήσεις (σε 5 βάθη και σε διάφορες θέσεις), των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση (αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ, για βάθος 75 cm, απεικονίζονται στην '''εικόνα 4''') και υπολογίστηκε, σε καθημερινή βάση, η ΕΔΥ.
Στην '''εικόνα 5.α''', παρουσιάζεται το διάγραμμα Box plot, της διακύμανσης βιομάζας ενσίρωσης αραβοσίτου, ανά μεταχείριση Tr2, Tr5 και Tr9 και στην '''εικόνα 5.β''', παρουσιάζεται το διάγραμμα κανονικών πιθανοτήτων Q-Q plot.
Στην '''εικόνα 6''', παρουσιάζονται η χωρική παραλλακτικότητα της παραγωγής βιομάζας αραβοσίτου, για το έτος 2004, σε έναν GIS χάρτη παραγωγής βιομάζας ενσίρωσης αραβοσίτου. Για την δημιουργία του GIS χάρτη, που βασίστηκε στη δομική και χωρική ανάλυση, επιλέχτηκε ένα εκθετικό μοντέλο βαριογράμματος, για την βιομάζα και χρησιμοποιήθηκε με ισότροπης δομής μοντελοποίηση των παραμετρικών δεδομένων, σε κύρια ακτίνα πεδίου 10,935 m. Όσον αφορά την βιομάζα, το ιστόγραμμα των δεδομένων και ο χάρτης GIS ('''εικόνα 6'''), έδειξαν ότι υπάρχει μια έντονη χωρική παραλλακτικότητα της βιομάζας στα πειραματικά τεμάχια.
Στις '''εικόνες 7.α''' και '''7.β''', παρουσιάζεται η χωρική παραλλακτικότητα, για την Εύπεπτη Ξερή Ουσία, από τα ζώα ή Digestible Dry Matter (DDM) (%) και για το συντελεστή της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV) αντίστοιχα, της βιομάζας αραβοσίτου, σε GIS χάρτες για το 2004.

'''4. Συμπεράσματα'''

Οι τεχνολογίες πληροφορικής κι επικοινωνιών (ΤΠΕ), ψηφιακές βάσεις δεδομένων, Γεωγραφικά Πληροφοριακά Συστήματα (GIS), Τηλεπισκόπηση, Γεωργία ακρίβειας, χωρική ανάλυση κ.λπ., τις οποίες η παρούσα μελέτη χρησιμοποιεί, στις βιολογικές και γεωτεχνικές επιστήμες, συμβάλουν σημαντικά στη μελέτη, μοντελοποίηση και χαρτογράφηση της παραγωγής βιομάζας αραβοσίτου, για χρήση ως ενσίρωμα, για ζωοτροφή, σε σχέση με τις επιδράσεις διαχείρισης αρδευτικού νερού.
Συμπερασματικά, προκύπτει ότι, η άρδευση για τις συγκεκριμένες εδαφοκλιματικές συνθήκες του πειράματος, μπορεί να πραγματοποιείται κάθε 9, αντί για 5 ή 2 ημέρες. Επιπλέον, η μεταχείριση Tr9, απέδωσε υψηλότερες τιμές Σχετικής Διατροφικής Αξίας (RFV) και μεγαλύτερα ποσοστά Εύπεπτης Ξερής Ουσίας από τα ζώα (DDM).

[[category:Γεωργία]]

Διαχρονική παρακολούθηση αλλαγών των χρήσεων γης με χρήση Τηλεπισκοπικών δεδομένων περιμετρικά της Λίμνης Κορώνειας στην Θεσσαλονίκη

2012-03-03T21:49:10Z

Konnabastro:

'''Πρωτότυπος τίτλος''': '''Multitemporal monitoring of changes in land use with remote sensing data around Lake Koronia in Thessaloniki region
''' 
'''Συγγραφείς''': Α. Αϊναλή, Ι. Γήτας, Θ. Καταγής, Α. Πολυχρονάκη 
'''Ίδρυμα''': Εθνικό Μετσόβιο Πολυτεχνείο, Μεταπτυχιακό Τμήμα Γεωπληροφορικής, Σχολή Αγρονόμων και Τοπογράφων Μηχανικών - Αριστοτέλειο Πανεπιστήμιο, Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης 
'''Πηγή''': http://www.wfdt.teilar.gr/15_th_Panhellenic_Forestry_CONFERENCE/Presentations/Ainali.pdf

'''Περίληψη'''

Η μελέτη αυτή, προσπαθεί να παρουσιάσει τις διαχρονικές αλλαγές των χρήσεων γης, χρησιμοποιώντας τα δορυφορικά στοιχεία της τηλεπισκόπησης, που συλλέχθηκαν σε δύο διαφορετικές χρονικές στιγμές. Η διαδικασία της ανίχνευσης των διαχρονικών αλλαγών, απέδωσε διαφορετικά αποτελέσματα για τις επιμέρους κατηγορίες της φυσικής βλάστησης, μεταξύ της περιόδου 1989 και 2007. Η έρευνα αφορά την περιοχή περιμετρικά του υδάτινου περιβάλλοντος της Λίμνης Κορώνειας, Ν. Θεσσαλονίκης, σε έκταση η οποία χαρακτηρίζεται ως υγροβιότοπος ειδικής προστασίας, σύμφωνα με τη συνθήκη RAMSAR. Για την υλοποίηση της έρευνας, χρησιμοποιήθηκε η μέθοδος της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)). Τα αποτελέσματα έδειξαν, ότι η χρήση των τρεχουσών τεχνολογιών μπορεί να χρησιμοποιηθεί για τη διαμόρφωση των περιβαλλοντικών παραμέτρων, βελτιώνοντας τη γνώση μας, σχετικά με τις ιδιότητες, τα χαρακτηριστικά, την κατάσταση, τις τάσεις και τις αλλαγές των φυσικών οικοσυστημάτων.

'''Εισαγωγή'''

Οι διαχρονικές αλλαγές, που προκαλούνται σε μια περιοχή, παρουσιάζονται με τη χρήση δορυφορικών εικόνων και την επεξεργασία τους από τις σύγχρονες μεθόδους της Τηλεπισκόπησης και των Γεωγραφικών Συστημάτων Πληροφοριών. Η Τηλεπισκόπηση, σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών, προσφέρουν τη δυνατότητα ανάπτυξης ενός ολοκληρωμένου συστήματος παρακολούθησης και διαχείρισης των φυσικών οικοσυστημάτων.
Οι περισσότερο διαδεδομένες μέθοδοι τηλεπισκόπησης, για τη συλλογή πληροφοριών της γήινης επιφάνειας, είναι η μέθοδος της δορυφορικής τεχνολογίας, η χρήση των αεροφωτογραφιών, τα δεδομένα, που λαμβάνονται από επίγειες μετρήσεις, καθώς και όσα αναφέρονται σε θεματικούς χάρτες, όπως τοπογραφικούς, εδαφολογικούς και γεωλογικούς χάρτες. Η πιο σύγχρονη και συχνότερα χρησιμοποιούμενη μέθοδος τηλεπισκόπησης, είναι η μέθοδος της δορυφορικής τεχνολογίας.
Σημαντικό ρόλο συμμετοχής στη συλλογή δορυφορικών εικόνων παίζουν οι παράγοντες, που έχουν σχέση με τον χρόνο λήψης των δορυφορικών δεδομένων, τη διακριτική και φασματική ικανότητα των δορυφόρων, το είδος της καταγραφόμενης βλάστησης, την πυκνότητα, την ηλικία, την υγεία των συστάδων, καθώς και παράγοντες, που έχουν σχέση με τη βλάστηση και την επιφάνεια του εδάφους.
Σκοπός της εργασίας, είναι η διαχρονική καταγραφή των μεταβολών των χρήσεων γης, που καλύπτουν την περιοχή εντός και περιμετρικά του υδάτινου στοιχείου της λίμνης Κορώνειας, του νομού Θεσσαλονίκης, με τη χρήση των δορυφορικών εικόνων και στηριζόμενοι στη μέθοδο της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)).
Η ανάλυση των κυρίων συνιστωσών (Principal Components Analysis), είναι μια μέθοδος, η οποία έχει σκοπό να δημιουργήσει γραμμικούς συνδυασμούς των αρχικών μεταβλητών, έτσι ώστε οι γραμμικοί αυτοί συνδυασμοί να είναι ανεξάρτητοι μεταξύ τους, αλλά συγχρόνως να περιέχουν όσο το δυνατόν μεγαλύτερο μέρος της διακύμανσης των αρχικών μεταβλητών. Η μέθοδος της ανάλυσης των κύριων συνιστωσών, είναι ουσιαστικά η απλούστερη και ευκολότερη μέθοδος για να ερμηνεύσει τα αληθινά ιδιοδιανύσματα ή χαρακτηριστικά διανύσματα (eigenvector), βασισμένη στην ανάλυση πολλών μεταβλητών.

[[ Εικόνα: Kb_arthro2_eik1.gif | thumb | right | Εικ.1: Χάρτης προσανατολισμού ευρύτερης περιοχής λίμνης Κορώνειας ]]

'''Περιοχή μελέτης'''

Η περιοχή που εξετάζουμε, βρίσκεται κοντά στην πόλη της Θεσσαλονίκης, σε απόσταση 12 χιλιομέτρων, στη λίμνη Κορώνεια (Λαγκαδά), σε ένα επίμηκες τεκτονικό βύθισμα γης, διαχωρίζοντας τη χερσόνησο της Χαλκιδικής από τον κορμό της Μακεδονίας ('''εικόνα 1'''). Είναι λίμνη - υπόλειμμα της παλιάς Μυγδονίας λίμνης και η ευρύτερη περιοχή, στην οποία βρίσκονται, ονομάζεται λεκάνη της Μυγδονίας.
Η περιοχή αποτελεί ένα σπάνιο σύμπλεγμα οικοσυστημάτων, με λίμνες (Κορώνεια και Βόλβη), ποτάμια, παρόχθια δάση (παραλίμνιο δάσος Απολλωνίας, δάσος Ρεντίνας), καλαμώνες, υγρολίβαδα, θαμνώνες και γεωργικές εκτάσεις, που συγκροτούν έναν σημαντικό υγροβιότοπο. Ο Δήμος του Νομού Θεσσαλονίκης, που καλύπτει διοικητικά την λίμνη Κορώνεια, είναι αυτός του Λαγκαδά.

'''Υλικά και μέθοδοι'''

Για την υλοποίηση της εργασίας, τα δεδομένα που χρησιμοποιήθηκαν, ήταν οι δορυφορικές εικόνες, που λήφθηκαν σε δύο χρονικές στιγμές: το 1989 και το 2007 (Δορυφορικές εικόνες Landsat 4-5 MSS, με χρόνο λήψης την 23η Ιουνίου 1989 και Landsat 7 με χρόνο λήψης την 19η Ιουλίου 2007).
Η εργασία ολοκληρώθηκε στα παρακάτω στάδια: α) πρώτα έγινε η Προεπεξεργασία των δεδομένων, κατά την οποία έγινε η Γεωμετρική Διόρθωση των δύο εικόνων και η Οριοθέτηση των εικόνων περιμετρικά της λίμνης και β) ακολούθησε η μέθοδος της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)).
Το πρώτο στάδιο εξυπηρετεί στην εύρεση της ακριβούς γεωγραφικής θέσης των pixels, διότι εξαιτίας διαφόρων αιτιών, όπως είναι η κίνηση της γης, η κίνηση του δορυφόρου, οι αποκλίσεις της ατράκτου, οι υψομετρικές διαφορές, τα δορυφορικά δεδομένα παρουσιάζουν συστηματικά και τυχαία σφάλματα, τα οποία επηρεάζουν τη θέση των pixels και παραμορφώνουν την εικόνα. Στο δεύτερο στάδιο, από τα αποτελέσματα της αυτόματης ταξινόμησης των δορυφορικών εικόνων χωριστά, ανιχνεύθηκαν οι διαχρονικές αλλαγές, που προκλήθηκαν στην περιοχή τη χρονική περίοδο 1989 με 2007.
Οι κοινές κατηγορίες, που επιλέχθηκαν στις δύο εικόνες, για την πραγματοποίηση της ταξινόμησης, είναι η λίμνη, οι εκτάσεις με περιορισμένη υψηλή φυσική βλάστηση, οι γεωργικές καλλιέργειες, τα αείφυλλα πλατύφυλλα και η τεχνητή επιφάνεια, ενώ στην εικόνα του 2007, παρατηρήθηκαν και οι καμένες εκτάσεις, ο δρόμος και ο βάλτος. Η επιλογή των κατηγοριών, έγινε σύμφωνα με τι είδους παρατήρηση επιθυμούμε να πραγματοποιήσουμε. Η έρευνα της περιοχής, στηρίζεται κυρίως στη λίμνη Κορώνεια, στις αλλαγές της, αλλά και στο πώς επηρεάστηκαν οι εκτάσεις περιμετρικά της λίμνης.

'''Αποτελέσματα και συζήτηση'''

Σύμφωνα με τη μέθοδο της Ανάλυσης Κύριων Συνιστωσών, αναδείχθηκαν τα αποτελέσματα, τα οποία μας δίνουν σημαντικές πληροφορίες για τις μεταβολές των χρήσεων γης. Ακολουθώντας μια προεργασία ενοποίησης των εικόνων (με χρήση και των 7 φασματικών καναλιών, που έχει η κάθε εικόνα, δηλαδή στο σύνολο 14) και χρησιμοποιώντας τη λειτουργία αυτόματης ανάλυσης, καταλήγουμε στα παρακάτω αποτελέσματα.
Δημιουργούμε έναν πίνακα, ο οποίος δείχνει τα ιδιοδιανύσματα των κύριων συνιστωσών. Τα αποτελέσματα αυτά, μας παρουσιάζουν ένα σύνολο ιδιοτιμών, από τις οποίες αντλούμε την πληροφορία για τις μεταβολές που προκλήθηκαν στην περιοχή έρευνας. Η κάθετη στήλη αντιπροσωπεύει την κάθε κύρια συνιστώσα, οι τιμές της οποίας αντιστοιχούν σε ένα φασματικό κανάλι της οριζόντιας γραμμής. Η σύγκριση των διαχρονικών αλλαγών, βασίστηκε στις μεγαλύτερες τιμές των διανυσμάτων σε κάθε συνιστώσα.
Έπειτα από την οπτική παρακολούθηση των εικόνων, παρατηρούνται οι αλλαγές σε κάθε συνιστώσα. Η κύρια συνιστώσα 1, δείχνει ιδιαίτερα τις περιοχές με περιορισμένη υψηλή φυσική βλάστηση, αστική περιοχή και γυμνές εκτάσεις. Η κύρια συνιστώσα 2, παρουσιάζει περισσότερο έντονα από την πρώτη, τις διαφορές που υπάρχουν στη βλάστηση και παρουσιάζει καλή διάκριση του ανάγλυφου. Η τρίτη κύρια συνιστώσα, μας δίνει πληροφορίες, για τις διαφορές που υπάρχουν, κυρίως στα πλατύφυλλα, δηλαδή στη βλάστηση με έντονη χλωροφύλλη. Το διάνυσμα 4, δηλώνει τις διαφορές που υπάρχουν στο νερό. Η κύρια διαχρονική αλλαγή, που παρατηρείται στην κύρια συνιστώσα 5, είναι διαφορές που υπάρχουν στη βλάστηση και την αστική περιοχή. Οι κύριες συνιστώσες 6, 7 και 8, έχουν πολύ μικρό ποσοστό διακύμανσης των δεδομένων και δεν μπορούμε να διακρίνουμε κάποιες διαφορές.

'''Συμπεράσματα'''

• Η χρήση της Τηλεπισκόπησης, προσφέρει τη δυνατότητα της παρακολούθησης των διαχρονικών αλλαγών στις χρήσεις γης. 
• Η μέθοδος της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)), παρέχει ποιοτικά αποτελέσματα, για τον εντοπισμό των διαχρονικών αλλαγών των χρήσεων γης σε μια περιοχή. 
• Ο μετασχηματισμός των πολυφαματικών εικόνων, σε κύριες συνιστώσες, εφαρμόστηκε ως μια τεχνική ενίσχυσης, πριν από την Φωτοερμηνεία.

[[category:Γεωλογία – Εδαφολογία]]

Χρήση της Τηλεπισκόπησης (δορυφορικές εικόνες) για την αξιολόγηση της κατάστασης του περιβάλλοντος

2012-03-03T21:45:35Z

Konnabastro:

'''Πρωτότυπος τίτλος''': '''Use of Remote Sensing (Satellite Images) For Assessing the Environment Situation''' 
'''Συγγραφείς''': Neki Frasheri, Betim Cico, Hakik Paci, Jozef Bushati 
'''Ίδρυμα''': Faculty of Information Technology, Polytechnic University of Tirana, Tirana, Albania 
'''Ημερομηνία συγγραφής''': BALWOIS 2010 - Ohrid, Republic of Macedonia - 25, 29 May 2010 
'''Πηγή''': http://www.balwois.com/balwois/administration/full_paper/ffp-1798.pdf 

[[ Εικόνα: kb_arthro1_eik1.png | thumb | right | Εικ.1: Αλλαγή τμήματος της Αδριατικής ακτής στην περιοχή του δέλτα του ποταμού Semani ]]

'''Εισαγωγή'''

Οι τεχνολογίες τηλεπισκόπησης προσφέρουν ένα ευρύ φάσμα εικόνων, με διαφορετικά στρώματα των ορατών και υπέρυθρων ζωνών, ο συνδυασμός των οποίων, επιτρέπει τον απομακρυσμένο προσδιορισμό πολλών περιβαλλοντικών παραμέτρων, όσον αφορά στην ατμόσφαιρα, στην επιφάνεια του εδάφους και στις υδάτινες περιοχές. Ο κατάλογος περιλαμβάνει βλάστηση, υγρασία, χημική σύνθεση, θερμοκρασίες εδάφους και νερού, κατάσταση αιωρούμενων σωματιδίων στο νερό (ιζήματα, φύκια κλπ.), αερολύματα, παραμέτρους του αέρα, κλπ. Ειδικότερα ο συνδυασμός των κόκκινων και των NIR ζωνών, προσφέρει μια σαφή εικόνα της κατάστασης της βλάστησης και των περιοχών που καλύπτονται με νερό, παρέχει δηλαδή προσδιορισμό των ακτογραμμών.
Η τηλεπισκόπηση εξακολουθεί να γίνεται ολοένα και πιο σημαντική, για την ολοκληρωμένη εκτίμηση των χρονικών μεταβολών
των περιβαλλοντικών παραμέτρων, ιδιαίτερα λόγω της υπερθέρμανσης του πλανήτη και της διαρκούς αύξησης των ανθρώπινων
δραστηριοτήτων. Για τη βελτίωση της μεθοδολογίας συνδυασμού δορυφορικών εικόνων, από διαφορετικές χρονικές περιόδους, για την παραγωγή γενικευμένων δεδομένων, προκειμένου να παρακολουθείται η εξέλιξη των περιβαλλοντικών καταστάσεων, προτείνονται δύο λύσεις:
Αρχικά, για το έργο WETSYS-B, συνδυάζονται διαφορετικές εικόνες, για να παράγουν ψευδέγχρωμες εικόνες, όπου οι μεταβολές στις υγρές περιοχές, είναι σαφώς, άμεσα ορατές, σε μορφή raster.
Κατόπιν, στο πλαίσιο του έργου SEE_GRID-SCI, προτείνεται μια
εφαρμογή του πλαισίου CHERS, για την ανάλυση στον τομέα του χωροχρόνου των δορυφορικών εικόνων, με μια πρακτική εφαρμογή, για την ανάλυση των τάσεων των τιμών του κάθε pixel, στο πεδίο του χρόνου '''(εικ.1)'''.

[[ Εικόνα: Kb_arthro1_eik2.gif | thumb | right | Εικ.2: Υπόμνημα των χρωμάτων για τις αλλαγές των υδάτινων σωμάτων ]]

'''Μεθοδολογία'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών'''''

Χρησιμοποιήθηκαν δύο ή τρεις ζώνες NIR, της ίδιας περιοχής, που έχουν ληφθεί σε διαφορετικό χρόνο και συνδυάστηκαν σε μία ενιαία ψευδέγχρωμη εικόνα, ως ζώνες Μπλε, Πράσινο και Κόκκινο (RGB). Οι υδάτινοι οργανισμοί, είναι σχεδόν μαύροι, στη ζώνη NIR, ενώ οι εκτάσεις Γης, έχουν παραλλαγές των αποχρώσεων του γκρι, εμφανίζοντας σκιές κάποιου χρώματος '''(εικ.2)'''. Οι περιοχές με τις μεταβαλλόμενες υδάτινες επιφάνειες, είναι μαύρες, σε μία ή δύο ζώνες, ενώ το υπόλοιπο μέρος των ζωνών, είναι ανοικτό γκρι.

'''''Ανάλυση εικόνων στον τομέα του χωροχρόνου[[ Εικόνα: Kb_arthro1_eik3.gif | thumb | right | Εικ.3: Συγκρίνοντας τις τάσεις της πρώτης και δεύτερης τάξης ]]
'''''
Η χρησιμοποίηση εικόνων, που παραλαμβάνονται σε διαφορετικές ημέρες, για την ίδια περιοχή, καθιστά πιθανή την αξιολόγηση των εποχιακών και μακροπρόθεσμων περιβαλλοντικών φαινομένων, χρησιμοποιώντας διαφορετικά μήκη κύματος, για τις διαφορετικές περιβαλλοντικές παραμέτρους. Η εφαρμογή της παρεμβολής και της χρήσης τεχνικών φιλτραρίσματος, μπορεί να επιτρέψει λείανση των αναλυθεισών τρισδιάστατων λειτουργιών, αποβολή των θορύβων και παραγωγή των ποιοτικών βίντεο, που παρουσιάζουν τις χρονικές παραλλαγές των περιβαλλοντικών συνθηκών.
Σαν πρώτη προσέγγιση, λοιπόν, εστιάσαμε στην ανάλυση, εγκαίρως, της τάσης των μεμονωμένων εικονοκυττάρων, τα οποία επέτρεψαν μια στατική παρουσίαση του χαρακτήρα των αλλαγών. Η ανάλυση αυτή, των τάσεων, με πολυώνυμα δεύτερης τάξης, επιτρέπει τον εντοπισμό των τάσεων, για την
αντιστροφή της τάσης '''(εικ.3)'''.

Η συνέχιση αυτής της ιδέας, θα απαιτήσει την εφαρμογή πιο σύνθετων μεθόδων, όπως:
* Φασματική/ανάλυση εντροπίας στον τομέα του χωροχρόνου
* Διαδικασίες φιλτραρίσματος και συσχετισμού/ταξινόμησης
* Προσδιορισμός συγκεκριμένων μοντέλων και η εξέλιξή τους
* Αναγνώριση και μορφοποίηση των ακτογραμμών των υδάτινων σωμάτων
Η επεξεργασία των ακολουθιών των δορυφορικών εικόνων, μπορεί να απαιτήσει δύσκολους υπολογισμούς, ειδικά όταν οι αλγόριθμοι επεξεργασίας είναι σύνθετοι, όπως σε περιπτώσεις προσδιορισμού ορισμένων περιοχών, χρησιμοποιώντας την αναγνώριση προτύπων, ή προσδιορισμού και των συνόρων των υδατικών συστημάτων. Σε αυτό, το πλαίσιο CHERS, μπορεί να χωρίσει την τρισδιάστατη μήτρα στοιχείων, σε επιμέρους πίνακες, που μπορούν να υποβληθούν σε επεξεργασία, στις πλατφόρμες επεξεργαστών ή πλέγματος.

[[ Εικόνα: Kb_arthro1_eik4.gif | thumb | right | Εικ.4: Αλλαγή της ακτογραμμής στο δέλτα του ποταμού Buna και εναέρια άποψη του δέλτα ]]

'''Αριθμητικά αποτελέσματα'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών
'''''
Χρησιμοποιήσαμε το συνδυασμό ζωνών NIR, σε μια ψευδέγχρωμη εικόνα, σε δύο περιοχές - λίμνες Shkodra και Πρέσπας. Η περιοχή λιμνών Shkodra μελετήθηκε στο πλαίσιο του WETSYS-B. Η ανάλυση έγινε χρησιμοποιώντας τις ίδιες εικόνες Landsat, του 1977, του 1987 και του 1992. Το αποτέλεσμα δίνεται στην '''εικόνα 4'''. Είναι ορατός στο δέλτα του ποταμού Buna, ένας τομέας της διάβρωσης - η άμμος φαίνεται να κινείται ανατολικά -, ενώ η επέκταση του υγρότοπου (τρίγωνο κόκκινου χρώματος), είναι ορατή στα δυτικά του ποταμού Buna.

[[ Εικόνα: Kb_arthro1_eik5.gif | thumb | right | Εικ.5: Απώλεια νερού στη λίμνη της Μεγάλης Πρέσπας ]]

Η ίδια μεθοδολογία εφαρμόστηκε και στο σύστημα των λιμνών των Πρεσπών, με την χρήση ζωνών Landsat NIR. Η απώλεια νερού, είναι ορατή στην επίπεδη βορειοανατολική ακτή της Μεγάλης Πρέσπας, σαν μια λωρίδα μπλε χρώματος '''(εικ.5)'''. Η απώλεια νερού, φαίνεται επίσης, στις νότιες και βραχώδεις, ακτές της λίμνης.

'''Ανάλυση των τάσεων του δείκτη βλάστησης'''

[[ Εικόνα: Kb_arthro1_eik6.gif | thumb | right | Εικ.6: Ανάλυση τάσεων NDVI ]]

Χρησιμοποιήθηκε το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό των τάσεων για κάθε pixel, μιας σειράς εικόνων Κανονικοποιημένου Δείκτη Βλάστησης (NDVI), που έχουν ληφθεί μέσω της επεξεργασίας Κόκκινου και NIR ζωνών, του επιπέδου εικόνων MODIS 1, για περίοδο πέντε ετών. Χρησιμοποιήθηκε, ακόμη, το HEG, ως λογισμικό, για να εξαγάγουμε το κόκκινο και τις ζώνες NIR, ως δυαδικά αρχεία εικόνας. Η ακολουθία Κόκκινου και ζευγών NIR, χρησιμοποιήθηκαν ως εισαγωγή για CHERS, το οποίο παρήγαγε την ακολουθία των εικόνων, που αντιπροσωπεύουν τις τιμές NDVI, που χαρτογραφήθηκαν στη σειρά 0:255, για να παραγάγουν, σε τόνους του γκρι, τα δυαδικά αρχεία εικόνας. Στο δεύτερο βήμα CHERS, υπολογίστηκαν τα πολυώνυμα τάσης της δεύτερης διαταγής, παράγοντας τρία δυαδικά αρχεία εικόνας, σε τόνους του γκρι, με τις τιμές των πολυωνυμικών συντελεστών, για κάθε εικονοκύτταρο.
Αυτές οι εικόνες συνδυάστηκαν σε μια ψευδέγχρωμη εικόνα, χρησιμοποιώντας το δυαδικό αρχείο εικόνας, των πολυωνυμικών σταθερών, όπως κόκκινες (αντιπροσωπεύοντας τη μέση αξία του εικονοκυττάρου), των συντελεστών της πρώτης γραμμής και της δεύτερης διαταγής, τόσο πράσινης, όσο και μπλε. Η ερμηνεία της προκύπτουσας εικόνας, βοηθιέται με μια αντιπροσώπευση παλετών, συνδυασμού κοκκίνου, πράσινος και μπλε, σύμφωνα με ορισμένους κανόνες.
Εφαρμόστηκε, επίσης, το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό της γραμμικής τάσης, για τις περιοχές των λιμνών Shkodra και Πρέσπας. Τα αποτελέσματα παρουσιάζονται στην '''εικόνα 6'''. Σε περίπτωση γραμμικής τάσης, συνδυάσαμε το σταθερό δυαδικό αρχείο εικόνας (μέσοι όροι NDVI), όπως κόκκινος, ενώ το πρώτο δυαδικό αρχείο εικόνας, συντελεστή διαταγής, θεωρήθηκε ως πράσινο, με το μπλε ως συμπλήρωμά του.

'''Συμπεράσματα'''

Ο συνδυασμός διαφορετικών ζωνών, των δορυφορικών εικόνων, που λαμβάνονται σε διαφορετικούς χρόνους, αντιπροσωπεύει μια τρισδιάστατη δομή δεδομένων, της οποίας η ανάλυση, επιτρέπει τον προσδιορισμό των περιβαλλοντικών αλλαγών και του χαρακτήρα τους. Έχουμε πειραματιστεί σε μερικές απλές περιπτώσεις, που στρέφονται στις μετακινήσεις των ακτών των υδάτινων οργανισμών, και στην τάση NDVI για κάθε εικονοκύτταρο, παράγοντας ψευδέγχρωμες εικόνες, που αντιπροσωπεύουν τις παραλλαγές τους. Η περαιτέρω ανάλυση αυτών των εικόνων και των εικονοκυττάρων ταξινόμησης, θα επέτρεπε στους ειδικούς περιβάλλοντος, να σκιαγραφήσουν και να ενσωματώσουν, ενδιαφερόμενες περιοχές, στα GIS. Η μεθοδολογία αυτή, μπορεί να χρησιμοποιηθεί για ολόκληρη τη σειρά περιβαλλοντικών παραμέτρων, που λαμβάνονται από συνδυασμούς ζωνών δορυφορικών εικόνων.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Χρήση της Τηλεπισκόπησης (δορυφορικές εικόνες) για την αξιολόγηση της κατάστασης του περιβάλλοντος

2012-03-03T21:44:35Z

Konnabastro:

'''Use of Remote Sensing (Satellite Images) For Assessing the Environment Situation''' 
'''Συγγραφείς''': Neki Frasheri, Betim Cico, Hakik Paci, Jozef Bushati 
'''Ίδρυμα''': Faculty of Information Technology, Polytechnic University of Tirana, Tirana, Albania 
'''Ημερομηνία συγγραφής''': BALWOIS 2010 - Ohrid, Republic of Macedonia - 25, 29 May 2010 
'''Πηγή''': http://www.balwois.com/balwois/administration/full_paper/ffp-1798.pdf 

[[ Εικόνα: kb_arthro1_eik1.png | thumb | right | Εικ.1: Αλλαγή τμήματος της Αδριατικής ακτής στην περιοχή του δέλτα του ποταμού Semani ]]

'''Εισαγωγή'''

Οι τεχνολογίες τηλεπισκόπησης προσφέρουν ένα ευρύ φάσμα εικόνων, με διαφορετικά στρώματα των ορατών και υπέρυθρων ζωνών, ο συνδυασμός των οποίων, επιτρέπει τον απομακρυσμένο προσδιορισμό πολλών περιβαλλοντικών παραμέτρων, όσον αφορά στην ατμόσφαιρα, στην επιφάνεια του εδάφους και στις υδάτινες περιοχές. Ο κατάλογος περιλαμβάνει βλάστηση, υγρασία, χημική σύνθεση, θερμοκρασίες εδάφους και νερού, κατάσταση αιωρούμενων σωματιδίων στο νερό (ιζήματα, φύκια κλπ.), αερολύματα, παραμέτρους του αέρα, κλπ. Ειδικότερα ο συνδυασμός των κόκκινων και των NIR ζωνών, προσφέρει μια σαφή εικόνα της κατάστασης της βλάστησης και των περιοχών που καλύπτονται με νερό, παρέχει δηλαδή προσδιορισμό των ακτογραμμών.
Η τηλεπισκόπηση εξακολουθεί να γίνεται ολοένα και πιο σημαντική, για την ολοκληρωμένη εκτίμηση των χρονικών μεταβολών
των περιβαλλοντικών παραμέτρων, ιδιαίτερα λόγω της υπερθέρμανσης του πλανήτη και της διαρκούς αύξησης των ανθρώπινων
δραστηριοτήτων. Για τη βελτίωση της μεθοδολογίας συνδυασμού δορυφορικών εικόνων, από διαφορετικές χρονικές περιόδους, για την παραγωγή γενικευμένων δεδομένων, προκειμένου να παρακολουθείται η εξέλιξη των περιβαλλοντικών καταστάσεων, προτείνονται δύο λύσεις:
Αρχικά, για το έργο WETSYS-B, συνδυάζονται διαφορετικές εικόνες, για να παράγουν ψευδέγχρωμες εικόνες, όπου οι μεταβολές στις υγρές περιοχές, είναι σαφώς, άμεσα ορατές, σε μορφή raster.
Κατόπιν, στο πλαίσιο του έργου SEE_GRID-SCI, προτείνεται μια
εφαρμογή του πλαισίου CHERS, για την ανάλυση στον τομέα του χωροχρόνου των δορυφορικών εικόνων, με μια πρακτική εφαρμογή, για την ανάλυση των τάσεων των τιμών του κάθε pixel, στο πεδίο του χρόνου '''(εικ.1)'''.

[[ Εικόνα: Kb_arthro1_eik2.gif | thumb | right | Εικ.2: Υπόμνημα των χρωμάτων για τις αλλαγές των υδάτινων σωμάτων ]]

'''Μεθοδολογία'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών'''''

Χρησιμοποιήθηκαν δύο ή τρεις ζώνες NIR, της ίδιας περιοχής, που έχουν ληφθεί σε διαφορετικό χρόνο και συνδυάστηκαν σε μία ενιαία ψευδέγχρωμη εικόνα, ως ζώνες Μπλε, Πράσινο και Κόκκινο (RGB). Οι υδάτινοι οργανισμοί, είναι σχεδόν μαύροι, στη ζώνη NIR, ενώ οι εκτάσεις Γης, έχουν παραλλαγές των αποχρώσεων του γκρι, εμφανίζοντας σκιές κάποιου χρώματος '''(εικ.2)'''. Οι περιοχές με τις μεταβαλλόμενες υδάτινες επιφάνειες, είναι μαύρες, σε μία ή δύο ζώνες, ενώ το υπόλοιπο μέρος των ζωνών, είναι ανοικτό γκρι.

'''''Ανάλυση εικόνων στον τομέα του χωροχρόνου[[ Εικόνα: Kb_arthro1_eik3.gif | thumb | right | Εικ.3: Συγκρίνοντας τις τάσεις της πρώτης και δεύτερης τάξης ]]
'''''
Η χρησιμοποίηση εικόνων, που παραλαμβάνονται σε διαφορετικές ημέρες, για την ίδια περιοχή, καθιστά πιθανή την αξιολόγηση των εποχιακών και μακροπρόθεσμων περιβαλλοντικών φαινομένων, χρησιμοποιώντας διαφορετικά μήκη κύματος, για τις διαφορετικές περιβαλλοντικές παραμέτρους. Η εφαρμογή της παρεμβολής και της χρήσης τεχνικών φιλτραρίσματος, μπορεί να επιτρέψει λείανση των αναλυθεισών τρισδιάστατων λειτουργιών, αποβολή των θορύβων και παραγωγή των ποιοτικών βίντεο, που παρουσιάζουν τις χρονικές παραλλαγές των περιβαλλοντικών συνθηκών.
Σαν πρώτη προσέγγιση, λοιπόν, εστιάσαμε στην ανάλυση, εγκαίρως, της τάσης των μεμονωμένων εικονοκυττάρων, τα οποία επέτρεψαν μια στατική παρουσίαση του χαρακτήρα των αλλαγών. Η ανάλυση αυτή, των τάσεων, με πολυώνυμα δεύτερης τάξης, επιτρέπει τον εντοπισμό των τάσεων, για την
αντιστροφή της τάσης '''(εικ.3)'''.

Η συνέχιση αυτής της ιδέας, θα απαιτήσει την εφαρμογή πιο σύνθετων μεθόδων, όπως:
* Φασματική/ανάλυση εντροπίας στον τομέα του χωροχρόνου
* Διαδικασίες φιλτραρίσματος και συσχετισμού/ταξινόμησης
* Προσδιορισμός συγκεκριμένων μοντέλων και η εξέλιξή τους
* Αναγνώριση και μορφοποίηση των ακτογραμμών των υδάτινων σωμάτων
Η επεξεργασία των ακολουθιών των δορυφορικών εικόνων, μπορεί να απαιτήσει δύσκολους υπολογισμούς, ειδικά όταν οι αλγόριθμοι επεξεργασίας είναι σύνθετοι, όπως σε περιπτώσεις προσδιορισμού ορισμένων περιοχών, χρησιμοποιώντας την αναγνώριση προτύπων, ή προσδιορισμού και των συνόρων των υδατικών συστημάτων. Σε αυτό, το πλαίσιο CHERS, μπορεί να χωρίσει την τρισδιάστατη μήτρα στοιχείων, σε επιμέρους πίνακες, που μπορούν να υποβληθούν σε επεξεργασία, στις πλατφόρμες επεξεργαστών ή πλέγματος.

[[ Εικόνα: Kb_arthro1_eik4.gif | thumb | right | Εικ.4: Αλλαγή της ακτογραμμής στο δέλτα του ποταμού Buna και εναέρια άποψη του δέλτα ]]

'''Αριθμητικά αποτελέσματα'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών
'''''
Χρησιμοποιήσαμε το συνδυασμό ζωνών NIR, σε μια ψευδέγχρωμη εικόνα, σε δύο περιοχές - λίμνες Shkodra και Πρέσπας. Η περιοχή λιμνών Shkodra μελετήθηκε στο πλαίσιο του WETSYS-B. Η ανάλυση έγινε χρησιμοποιώντας τις ίδιες εικόνες Landsat, του 1977, του 1987 και του 1992. Το αποτέλεσμα δίνεται στην '''εικόνα 4'''. Είναι ορατός στο δέλτα του ποταμού Buna, ένας τομέας της διάβρωσης - η άμμος φαίνεται να κινείται ανατολικά -, ενώ η επέκταση του υγρότοπου (τρίγωνο κόκκινου χρώματος), είναι ορατή στα δυτικά του ποταμού Buna.

[[ Εικόνα: Kb_arthro1_eik5.gif | thumb | right | Εικ.5: Απώλεια νερού στη λίμνη της Μεγάλης Πρέσπας ]]

Η ίδια μεθοδολογία εφαρμόστηκε και στο σύστημα των λιμνών των Πρεσπών, με την χρήση ζωνών Landsat NIR. Η απώλεια νερού, είναι ορατή στην επίπεδη βορειοανατολική ακτή της Μεγάλης Πρέσπας, σαν μια λωρίδα μπλε χρώματος '''(εικ.5)'''. Η απώλεια νερού, φαίνεται επίσης, στις νότιες και βραχώδεις, ακτές της λίμνης.

'''Ανάλυση των τάσεων του δείκτη βλάστησης'''

[[ Εικόνα: Kb_arthro1_eik6.gif | thumb | right | Εικ.6: Ανάλυση τάσεων NDVI ]]

Χρησιμοποιήθηκε το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό των τάσεων για κάθε pixel, μιας σειράς εικόνων Κανονικοποιημένου Δείκτη Βλάστησης (NDVI), που έχουν ληφθεί μέσω της επεξεργασίας Κόκκινου και NIR ζωνών, του επιπέδου εικόνων MODIS 1, για περίοδο πέντε ετών. Χρησιμοποιήθηκε, ακόμη, το HEG, ως λογισμικό, για να εξαγάγουμε το κόκκινο και τις ζώνες NIR, ως δυαδικά αρχεία εικόνας. Η ακολουθία Κόκκινου και ζευγών NIR, χρησιμοποιήθηκαν ως εισαγωγή για CHERS, το οποίο παρήγαγε την ακολουθία των εικόνων, που αντιπροσωπεύουν τις τιμές NDVI, που χαρτογραφήθηκαν στη σειρά 0:255, για να παραγάγουν, σε τόνους του γκρι, τα δυαδικά αρχεία εικόνας. Στο δεύτερο βήμα CHERS, υπολογίστηκαν τα πολυώνυμα τάσης της δεύτερης διαταγής, παράγοντας τρία δυαδικά αρχεία εικόνας, σε τόνους του γκρι, με τις τιμές των πολυωνυμικών συντελεστών, για κάθε εικονοκύτταρο.
Αυτές οι εικόνες συνδυάστηκαν σε μια ψευδέγχρωμη εικόνα, χρησιμοποιώντας το δυαδικό αρχείο εικόνας, των πολυωνυμικών σταθερών, όπως κόκκινες (αντιπροσωπεύοντας τη μέση αξία του εικονοκυττάρου), των συντελεστών της πρώτης γραμμής και της δεύτερης διαταγής, τόσο πράσινης, όσο και μπλε. Η ερμηνεία της προκύπτουσας εικόνας, βοηθιέται με μια αντιπροσώπευση παλετών, συνδυασμού κοκκίνου, πράσινος και μπλε, σύμφωνα με ορισμένους κανόνες.
Εφαρμόστηκε, επίσης, το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό της γραμμικής τάσης, για τις περιοχές των λιμνών Shkodra και Πρέσπας. Τα αποτελέσματα παρουσιάζονται στην '''εικόνα 6'''. Σε περίπτωση γραμμικής τάσης, συνδυάσαμε το σταθερό δυαδικό αρχείο εικόνας (μέσοι όροι NDVI), όπως κόκκινος, ενώ το πρώτο δυαδικό αρχείο εικόνας, συντελεστή διαταγής, θεωρήθηκε ως πράσινο, με το μπλε ως συμπλήρωμά του.

'''Συμπεράσματα'''

Ο συνδυασμός διαφορετικών ζωνών, των δορυφορικών εικόνων, που λαμβάνονται σε διαφορετικούς χρόνους, αντιπροσωπεύει μια τρισδιάστατη δομή δεδομένων, της οποίας η ανάλυση, επιτρέπει τον προσδιορισμό των περιβαλλοντικών αλλαγών και του χαρακτήρα τους. Έχουμε πειραματιστεί σε μερικές απλές περιπτώσεις, που στρέφονται στις μετακινήσεις των ακτών των υδάτινων οργανισμών, και στην τάση NDVI για κάθε εικονοκύτταρο, παράγοντας ψευδέγχρωμες εικόνες, που αντιπροσωπεύουν τις παραλλαγές τους. Η περαιτέρω ανάλυση αυτών των εικόνων και των εικονοκυττάρων ταξινόμησης, θα επέτρεπε στους ειδικούς περιβάλλοντος, να σκιαγραφήσουν και να ενσωματώσουν, ενδιαφερόμενες περιοχές, στα GIS. Η μεθοδολογία αυτή, μπορεί να χρησιμοποιηθεί για ολόκληρη τη σειρά περιβαλλοντικών παραμέτρων, που λαμβάνονται από συνδυασμούς ζωνών δορυφορικών εικόνων.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Η χρήση δορυφορικών εικόνων και αριθμητικών μοντέλων πρόγνωσης για την χαρτογράφηση της σκόνης από τη Σαχάρα στην ατμόσφαιρα

2012-03-03T11:25:27Z

Konnabastro:

Συγγραφείς: Χατζόπουλος Ιωάννης, Χωριατέλλη Χρυσομάλλη, Καντζάς Παντελής, Κάλλος Γεώργιος, Κατσαφάρδος Πέτρος, Χρήστος Σπύρου 
Εργαστήριο Τηλεπισκόπησης και ΣΓΠ, Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος, Μυτιλήνη 
Ομάδα Ατμοσφαιρικών Μοντέλων και Πρόγνωσης Καιρού, Πανεπιστήμιο Αθηνών, Τμήμα Φυσικής, Αθήνα 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/Jnh_Tee_07.pdf 

'''Εισαγωγή'''

Οι διάφοροι τύποι σωματιδίων αεροζόλ, έχουν επιπτώσεις στη μεσογειακή ατμόσφαιρα. Η έρημος της Σαχάρας, θεωρείται ως μια σημαντική πηγή φυσικής παραγωγής σκόνης, από σωματίδια ορυκτών. Προβλέπεται, ότι ένα επεισόδιο σκόνης σύντομης διάρκειας, μπορεί να αποτελέσει ακόμη και το 30% της συνολικής ετήσιας ροής. Η ατμοσφαιρική μεταφορά εδαφικής σκόνης, από την Αφρική, δημιουργεί τις έντονες αιχμές συγκέντρωσης αεροζόλ, επηρεάζει σημαντικά τη βιοχημεία ιχνοστοιχείων στον ωκεανό, τα οποία διαδραματίζουν έναν σημαντικό ρόλο στο pH των σχετικών εφαρμογών.
Η παρούσα εργασία χρησιμοποιεί τέσσερις εικόνες HRPT, του αισθητήρα NOAA - 14 AVHRR, οι οποίες λήφθηκαν από το σταθμό SMARTechTM, του Πανεπιστημίου Αιγαίου, στις 19, 20, 21 και 22 Απριλίου το 1997. Η περιοχή, που καλύπτεται από τις εικόνες αυτές, ξεκινά από το Γιβραλτάρ και επεκτείνεται μέχρι την Κασπία θάλασσα, καλύπτει επίσης μέρος της βόρειας Αφρικής. Κάθε εικόνα, έχει ένα πλάτος 2048 εικονοστοιχείων, ή περίπου 2253 χλμ.
Επίσης, επιλέχτηκε ένα σετ 10 εικόνων, των δεκτών ΝΟΑΑ-16 και ΝΟΑΑ-17, της περιόδου 15-30 Ιουνίου 2003 και έγινε επεξεργασία με τον κώδικα 6S και τα αποτελέσματα για την μέτρηση της οπτικής πυκνότητας, είναι συγκρίσιμα με αυτά του δικτύου AERONET.

'''Μεθοδολογία'''

Προκειμένου, να γίνει επεξεργασία των εικόνων NOAA – AVHRR, για την παραγωγή και δημιουργία χαρτών σκόνης, απαιτούνται τα επόμενα βήματα:

* Βαθμολόγηση καναλιών.
* Υπολογισμός των φαινόμενων θερμοκρασιών, για τα κανάλια 3, 4 και 5.
* Μοντέλο επεξεργασίας εικόνας, για την παραγωγή ποιοτικών χαρτών σκόνης.
* Διόρθωση γεωμετρικών παραμορφώσεων της εικόνας.
* Παραγωγή χαρτών σκόνης.

Η κατάσταση των αισθητήρων του δορυφορικού δέκτη, επιδεινώνεται με το χρόνο και έτσι τα δεδομένα, που παράγονται, χάνουν μέρος της αξιοπιστίας τους και πρέπει να διορθωθούν. Τα κανάλια 1 και 2 μετασχηματίζονται σε τιμές ακτινοβολίας, ενώ τα κανάλια 3, 4 και 5 βαθμονομούνται, χρησιμοποιώντας την εν πτήσει βαθμονόμηση. Οι ακατέργαστοι ψηφιακοί αριθμοί, μετασχηματίζονται σε τιμές λαμπρότητας θερμοκρασίας, σε μια διαδικασία δύο βημάτων:

(α) Η φαινόμενη ακτινοβολία υπολογίζεται με τη χρήση των συντελεστών βαθμονόμησης, που παίρνονται από κάθε 100η γραμμή, από τα στοιχεία, που στέλνει ο δορυφόρος και 
(β) η λαμπρότητα της θερμοκρασίας υπολογίζεται από το νόμο του Plank. 

Η βαθμονομημένη εικόνα, εισάγεται σε ένα μοντέλο επεξεργασίας εικόνας, το οποίο ανιχνεύει τις επιφάνειες νεφών και εδάφους με τη χρήση των εξής κριτηρίων:

1. Ανίχνευση νεφών 
2. Ανίχνευση ξηράς 

Το μοντέλο δημιουργεί χωριστές μάσκες για το κανάλι 1 και το κανάλι 2 και έπειτα διαιρεί το albedo του καναλιού 1 με 100, τις ενοποιεί και έπειτα παράγει μια τελική εικόνα, που αποτελείται από την θάλασσα, το έδαφος και τα νέφη.
Η διόρθωση της γεωμετρικής παραμόρφωσης της εικόνας, που παράγεται, βασίζεται στη δημιουργία των μαθηματικών σχέσεων μεταξύ των συντεταγμένων των εικονοστοιχείων της εικόνας και των συντεταγμένων των αντίστοιχων σημείων στον χάρτη. Τα σημεία ελέγχου στο έδαφος (GCP), για την εικόνα, υπολογίζονται από το λογισμικό SmartTrack και εφαρμόζεται ένα πολυώνυμο, για να δημιουργήσει με επαναδειγματοληψία, τη γεωμετρικά διορθωμένη εικόνα. Η προβολή χάρτη είναι γεωγραφική (φ, λ) και χρησιμοποιεί το datum WGS 72. Στη συνέχεια η εικόνα χρωματίζεται από μια ποιοτική παλέτα.
Οι φασματικές ζώνες των εικόνων, που χρησιμοποιήθηκαν, δίνονται στους Πίνακες 1 και 2. Ο δέκτης AVHRR/2 (ΝΟΑΑ 14), αποτελείται από 5 φασματικά κανάλια: 

[[Αρχείο:Kb_arthro4_pin.1.jpg | center ]] 

'''Ομάδα ατμοσφαιρικών μοντέλων και πρόγνωσης καιρού- σύστημα SKIRON'''

'''''1. Περιγραφή του Συστήματος Πρόγνωσης Καιρού ΣΚΙΡΩΝ (SKIRON/Eta)'''''

Το Σύστημα πρόγνωσης καιρού ΣΚΙΡΩΝ, αναπτύχθηκε, για να εφαρμοσθεί επιχειρησιακά στην Ελληνική Μετεωρολογική Υπηρεσία. Για την εφαρμογή του συστήματος, χρειάζεται περιβάλλον Unix/Linux και μετεωρολογικά δεδομένα εισαγωγής. Η κύρια συνιστώσα του συστήματος, είναι το περιορισμένης κλίμακας μοντέλο πρόγνωσης καιρού Eta, που εκτελείται σε περιορισμένη γεωγραφική περιοχή. Το στάδιο προεπεξεργασίας (pre-processing) του συστήματος προετοιμάζει τα δεδομένα εισαγωγής για το μοντέλο. Μετά την εφαρμογή του μοντέλου, το στάδιο μετεπεξεργασίας (post-processing) χρησιμοποιεί τα δεδομένα εξόδου, για να γίνει γραφική απεικόνιση καθώς και για άλλες εφαρμογές.

'''''1.1. Το Στάδιο Προεπεξεργασίας (pre-processing)'''''

Στο στάδιο της προεπεξεργασίας, χρησιμοποιούνται μετεωρολογικές παράμετροι (γεωδυναμικό ύψος, συνιστώσες του ανέμου και υγρασία), που προκύπτουν από ένα μοντέλο μεγαλύτερης κλίμακας (Global Climate Model). Το σύστημα μπορεί να χρησιμοποιήσει:

♦ Tην ανάλυση και τα προγνωστικά πεδία, από το European Centre for Medium-Range Forecasts (ECMWF). 
♦ Tην ανάλυση και προγνωστικά πεδία, από το National Center for Environmental Prediction (NCEP). 
♦ Άλλα εξαγόμενα πεδία, από 3 ή 4-διάστατα συστήματα “assimilation”, όπως το LAPS του NOAA/FSL. 

Τα δεδομένα αυτά, αποκωδικοποιούνται και παρεμβάλλονται στη δομή του πλέγματος, που χρησιμοποιεί το μοντέλο Eta.

'''''1.2. Παραγωγή, Μεταφορά και Εναπόθεση Αδρανούς Ουσίας στο Μοντέλο Eta'''''

Στη δομή του μοντέλου SKIRON/Eta, αναπτύχθηκε, για να λειτουργήσει, ένα ξεχωριστό τμήμα (module), για την ατμοσφαιρική παραγωγή, την μεταφορά και την εναπόθεση αδρανών ουσιών. Η ανάπτυξη έγινε από το Πανεπιστήμιο Αθηνών. Όσον αφορά το τμήμα, που σχετίζεται με την μεταφορά, αυτό βελτιώθηκε με την προσθήκη της συνιστώσας της τυρβώδους ανάμειξης και με την ανάπτυξη του τμήματος του μοντέλου για την συγκέντρωση της σκόνης της ερήμου. Η τελική έκδοση της συνιστώσας της μεταφοράς, περιλαμβάνει για τις πηγές, το σχήμα του ιξώδους υποστρώματος και χρησιμοποιεί επίσης το σχήμα της τύρβης του μοντέλου Eta.

'''''1.3. Καταβόθρες Σκόνης'''''

Η απομάκρυνση της σκόνης από την ατμόσφαιρα, πραγματοποιείται με δύο μηχανισμούς: την ξηρή και την υγρή εναπόθεση. Η ξηρή εναπόθεση στο μοντέλο, παραμετροποιείται με βάση το σχήμα του Georgi (1986). Στο σχήμα αυτό, συμπεριλαμβάνονται διεργασίες εναπόθεσης, λόγω βαρυτικής καθίζησης, επιφανειακής τυρβώδους διάχυσης, κίνησης Brown, καθώς και λόγω σύγκρουσης με την επιφάνεια.

'''''1.4. Το στάδιο μετεπεξεργασίας (Post-processing)'''''

Το κυρίως πρόγραμμα μετεπεξαργασίας, χρησιμοποιείται με σκοπό την ενοποίηση των πεδίων, των διαφόρων ατμοσφαιρικών παραμέτρων, τα οποία είναι χωρισμένα από τους διάφορους επεξεργαστές, αφού το μοντέλο έχει παραλληλιστεί. Η συχνότητα των εξαγομένων αποτελεσμάτων είναι προκαθορισμένη. Η καθημερινή πρόγνωση περιλαμβάνει ταχύτητα ανέμου, γεωδυναμικό και θερμοκρασία στα βασικά ισοβαρικά επίπεδα, βροχόπτωση και ύψος χιονιού, ομίχλη, νεφοκάλυψη, συγκέντρωση σκόνης σε όλη την κατακόρυφη στήλη (Dust Load), καθώς και υγρή και ξηρή εναπόθεση σκόνης.

[[ Εικόνα: Kb_arthro4_eik.1.gif‎ | thumb | left| Εικ.1.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 19/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.1b.gif‎ | thumb | right | Εικ.1.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 19/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.2.gif‎ | thumb | left| Εικ.2.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 20/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.2b.gif‎ | thumb | right | Εικ.2.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 20/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.3.gif‎ | thumb | left| Εικ.3.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 21/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.3b.gif‎ | thumb | right | Εικ.3.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 21/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.4.gif‎ | thumb | right | Εικ.4.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 22/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.4b.gif‎ | thumb | right | Εικ.4.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 22/04/97 ]]

'''Αποτελέσματα'''

Τα αποτελέσματα αφορούν τις ημερομηνίες από 19/4/1997 μέχρι και 22/4/1997. Στην '''εικόνα 1.α''' δίνονται αποτελέσματα από την επεξεργασία της δορυφορικής εικόνας του NOAA – AVHRR, για την ημερομηνία 19/04/1997, 11:45 UTC, ενώ στην '''εικόνα 1.β''', παρουσιάζονται αντίστοιχα αποτελέσματα από την πρόβλεψη του συστήματος Skiron. Από τη σύγκριση, υπάρχει σημαντική συμφωνία μεταξύ AVHRR και των αποτελεσμάτων της πρόβλεψης SKIRON.
Στις '''εικόνες 2.α''' και '''2.β''', φαίνεται αντίστοιχα η ομοιότητα μεταξύ των αποτελεσμάτων, που παρέχουν τα δύο συστήματα. Το μοντέλο επεξεργασίας εικόνας AVHRR, εμφανίζεται να υπερεκτιμά δυτικά της Αιγύπτου. Επίσης, στις '''εικόνες 3.α''' και '''3.β''', καθώς και '''4.α''' και '''4.β''', μπορεί κανείς να δει ότι τα δύο μοντέλα παρήγαγαν παρόμοια αποτελέσματα.

[[ Εικόνα: Kb_arthro4_eik.5.gif‎ | thumb | right | Εικ.5: Σταθμοί Aeronet ανά την υφήλιο (μόνιμοι, εποχιακοί και προσωρινοί)]]
[[ Εικόνα: Kb_arthro4_eik.6.gif‎ | thumb | right | Εικ.6: Σταθμοί AERONET στη Μεσόγειο ]]
[[ Εικόνα: Kb_arthro4_eik.7.jpg | thumb | right | Εικ.7: Σύγκριση αποτελεσμάτων AOD από εικόνες AVHRR και AERONET στο 1ο κανάλι ]]
[[ Εικόνα: Kb_arthro4_eik.8.jpg‎ | thumb | right | Εικ.8: Σύγκριση αποτελεσμάτων AOD από εικόνες AVHRR και AERONET στο 2ο κανάλι ]]

'''Αποτελέσματα από τη χρήση του κώδικα 6S και σύγκριση με AERONET'''

Ο κώδικας 6S (Second Simulation of the Satellite Signal in the Solar Spectrum), που αποτελεί μία αναβάθμιση του 5S, χρησιμοποιήθηκε στην παρούσα εργασία. Το 6S έχει γραφτεί σε fortran και αποτελείται από μία κεντρική ρουτίνα, η οποία καλεί τις υπόλοιπες, ανάλογα με τις επιλογές του χρήστη. Η χρήση του αντικειμενοστραφούς προγραμματισμού είναι πολύ πρακτική και για τη συγκεκριμένη εργασία δημιουργήθηκε ένα πρόγραμμά σε fortran (αρχείο 6sfinal.for), που περιείχε την κεντρική ρουτίνα του 6S και προστέθηκαν στον κώδικα μόνο οι υπορουτίνες που ενδιέφεραν.
Η επιβεβαίωση των τιμών της ατμοσφαιρικής οπτικής πυκνότητας AOD, που προέκυψαν, έγινε με τη χρήση δεδομένων από το σύστημα AERONET, το οποίο αποτελείται ουσιαστικά από φωτόμετρα. Οι τοποθεσίες στις οποίες εγκαθίστανται τα φωτόμετρα ('''εικόνα 5'''), είναι προσεκτικά επιλεγμένες, ώστε να παρουσιάζουν όσο το δυνατόν μεγαλύτερη γεωγραφική εξάπλωση, αλλά και να δίνουν δεδομένα από ευαίσθητα ή μεγάλης σημασίας σημεία.
Για κάθε ημέρα οι σταθμοί του AERONET δίνουν αρκετά δεδομένα, σε διάφορες καταγεγραμμένες χρονικές στιγμές. Αυτά που επιλέχτηκαν, ήταν εκείνα που πλησίαζαν περισσότερο τον χρόνο, που λήφθηκε η εικόνα, ενώ αν η χρονική διαφορά ήταν μεγαλύτερη από 45 λεπτά, τα δεδομένα απορρίπτονταν, καθώς η παρουσία των αεροζόλ στην ατμόσφαιρα μεταβάλλεται σημαντικά με τον χρόνο. Από το σύστημα της AERONET, επιλέχτηκαν οι σταθμοί FORTH-CRETE και LAMPEDUSA, όπως φαίνονται στην '''εικόνα 6''' .
Επίσης, επιλέχτηκε ένα σετ 10 εικόνων, των δεκτών ΝΟΑΑ-16 και ΝΟΑΑ-17, της περιόδου 15-30 Ιουνίου 2003. Τα αποτελέσματα ήταν πολύ ικανοποιητικά, αφού έδειξαν μία συμφωνία τιμών μεταξύ AVHRR και AERONET, με μέση απόκλιση 0.02 για το 1ο και 0.016 για το 2ο κανάλι, όπως φαίνεται στις '''εικόνες 7''' και '''8'''.
Η απόκλιση θα μπορούσε να μειωθεί, αλλάζοντας την τιμή της ανακλαστικότητας της θάλασσας, που εισήχθη νωρίτερα στο 6S. Μεταβολή της ανακλαστικότητας κατά 0.01, μπορεί να μεταβάλλει το εξαγόμενο από τη διαδικασία AOD κατά ±0.1. Κάτι τέτοιο όμως, θα αποτελούσε ουσιαστικά παραποίηση των δεδομένων εισόδου, προς χάριν των αποτελεσμάτων και έτσι δεν ακολουθήθηκε.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης

2012-03-03T11:24:35Z

Konnabastro:

Συγγραφείς: Αγ. Φιλίντας, Π. Ντιούδης, Ι. Χατζόπουλος, Δ. Πατέρας, Αρ. Παπαδόπουλος, Ι. Καλαβρουζιώτης 
Τ.Ε.Ι. Λάρισας, Τμήμα Γεωργικών Μηχανών και Αρδεύσεων 
Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος 
ΕΘΙΑΓΕ/Ινστιτούτο Εδαφολογίας 
Πανεπιστήμιο Ιωαννίνων, Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf 

[[ Εικόνα: Kb_arthro3_eik1.gif | thumb | right | Εικ.1: Μέση ετήσια παραγωγή βιομάζας αραβοσίτου στην Ελλάδα ]]

'''Περίληψη'''

Σκοπός της παρούσας μελέτης, είναι η μοντελοποίηση και χαρτογράφηση βιομάζας ενσίρωσης αραβοσίτου, σε συνάρτηση με τις επιδράσεις διαχείρισης νερού, με στάγδην άρδευση, σε πειραματικό αγρό, στο αγρόκτημα του T.E.I. Λάρισας το 2004, με συνδυαστική χρήση τεχνικών GIS, GPS, Τηλεπισκόπησης, Γεωργίας Ακριβείας και μετρήσεων πεδίου. Επίσης, μελετήθηκε η επίδραση στο ποσοστό βιομάζας, στα διάφορα φυτικά μέρη, στην περιεχόμενη φυτική και εδαφική υγρασία (που μετρήθηκε με τη μέθοδο TDR). Τα αποτελέσματα έδειξαν, ότι διαφορές της παραγωγής βιομάζας ενσίρωσης αραβοσίτου, μεταξύ των μεταχειρίσεων, δεν βρέθηκαν στατιστικώς σημαντικά διαφορετικές.

'''1.Εισαγωγή'''

Το έτος 2004, σύμφωνα με το Υπουργείο γεωργίας, η μέση παραγωγή βιομάζας αραβοσίτου, ο οποίος αποτελεί μια κατάλληλη καλλιέργεια για την παραγωγή ενσιρώματος, ήταν στην Ελλάδα, 1010,43 Kg/στρ ('''εικόνα 1'''), ενώ η απόδοση καρπού ήταν 1040,75 Kg/στρ.

[[ Εικόνα: Kb_arthro3_eik2.gif | thumb | right | Εικ.2: Σχέδιο διάταξης πειραματικών τεμαχίων ]]

'''2.Πειραματική οργάνωση'''

'''''2.1. Πειραματικό σχέδιο'''''

Η έρευνα έγινε σε διάταξη πλήρως τυχαιοποιημένων ομάδων, που αποτελούνται από τρεις επεμβάσεις, με εύρος άρδευσης ανά δύο (Tr2), ανά πέντε (Tr5) και ανά εννέα (Tr9) ημέρες, επί τέσσερις επαναλήψεις ('''εικόνα 2'''). Η τυχαιοποίηση έγινε με τη μέθοδο των στατιστικών πινάκων.

'''''2.2. Περιγραφή εγκατάστασης'''''

Στο αγροτεμάχιο έγινε εγκατάσταση συστήματος στάγδην άρδευσης, όπου μελετήθηκε και αξιολογήθηκε η επίδραση του εύρους άρδευσης (2, 5 και 9 ημερών), στην απόδοση βιομάζας ενσίρωσης αραβοσίτου. Επίσης, έγινε εγκατάσταση αισθητήρων μέτρησης εδαφικής υγρασίας (ΕΥ), που έκαναν χρήση της μεθόδου TDR.

'''''2.3. Μεθοδολογία'''''

Με στόχο την εξασφάλιση της υψηλής ακρίβειας των μετρήσεων, χρησιμοποιήθηκαν καθετήρες προσδιορισμού της εδαφικής υγρασίας, που είχαν ενσωματωμένους 5 αισθητήρες, οι οποίοι βρίσκονταν μόνιμα εγκατεστημένοι στα πειραματικά τεμάχια και σε συνεχή επαφή με το έδαφος. Από τις μετρήσεις των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση και υπολογίστηκε, σε καθημερινή βάση, η εξάντληση της διαθέσιμης υγρασίας (ΕΔΥ).
Ακόμη, μελετήθηκαν τα μετεωρολογικά δεδομένα και υπολογίστηκε η ωφέλιμη βροχόπτωση Pe με την μέθοδο USDA. Επιπλέον, πραγματοποιήθηκαν στον αγρό, τηλεπισκοπικές μετρήσεις της βιομάζας, με χρήση αισθητήρα BRDF, οι οποίες αξιολογήθηκαν και συνέβαλαν στην χαρτογράφηση GIS, της παραλλακτικότητας της βιομάζας, του πειραματικού αγρού και της Εύπεπτης Ξερής Ουσίας, από τα ζώα ή Digestible Dry Matter (DDM) , μαζί με τα δεδομένα αγρού.

[[ Εικόνα: Kb_arthro3_eik3.gif | thumb | left| Εικ.3: A) Διάγραμμα ημερήσιας βροχόπτωσης αρδευτικής περιόδου και μέσης μηνιαίας θερμοκρασίας. B) Διάγραμμα μηνιαίας ωφέλιμης βροχόπτωσης ]]
[[ Εικόνα: Kb_arthro3_eik4.gif | thumb | right | Εικ.4: Αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ για βάθος 0-75 cm, για τις 3 μεταχειρίσεις, πριν την εφαρμογή άρδευσης και μία ημέρα μετά την εφαρμογή άρδευσης ]]
[[ Εικόνα: Kb_arthro3_eik5.gif | thumb | left| Εικ.5: Για τη διακύμανση της βιομάζας ενσίρωσης αραβοσίτου: α) Διάγραμμα Box plot, ανά μεταχείριση (ομαδοποίηση περιπτώσεων). β) Διάγραμμα κανονικών πιθανοτήτων Q-Q plot. γ) Ιστόγραμμα τιμών. δ) Διάγραμμα με τις μετρηθέντες τιμές των 12 τεμαχίων και της καμπύλης της εξίσωσης 3ου βαθμού, της σχέσης βιομάζας ενσίρωσης, με εύρος άρδευσης και των καμπυλών των διαστημάτων εμπιστοσύνης 95% ]]
[[ Εικόνα: Kb_arthro3_eik6.gif | thumb | right| Εικ.6: Χωρική παραλλακτικότητα της παραγωγής βιομάζας ενσίρωσης αραβοσίτου του πειραματικού αγρού ]]
[[ Εικόνα: Kb_arthro3_eik7.gif | thumb | right| Εικ.7: Χωρική παραλλακτικότητα: α) της Εύπεπτης Ξερής Ουσίας από τα ζώα ή Digestible Dry Matter (DDM) (%), β) της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV), της παραγωγής βιομάζας αραβοσίτου για το έτος 2004 ]]

'''3. Αποτελέσματα και συζήτηση'''

Η ετήσια βροχόπτωση του 2004, ήταν 387,3 mm. Η μεγαλύτερη μέση μηνιαία βροχόπτωση, για το 2004, ήταν rυ= 94,2 mm και παρατηρήθηκε τον Ιούνιο. Η μικρότερη μέση μηνιαία βροχόπτωση, ήταν rξ=2,6 mm, κατά το μήνα Αύγουστο ('''εικόνα 3''').
Από τις μετρήσεις (σε 5 βάθη και σε διάφορες θέσεις), των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση (αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ, για βάθος 75 cm, απεικονίζονται στην '''εικόνα 4''') και υπολογίστηκε, σε καθημερινή βάση, η ΕΔΥ.
Στην '''εικόνα 5.α''', παρουσιάζεται το διάγραμμα Box plot, της διακύμανσης βιομάζας ενσίρωσης αραβοσίτου, ανά μεταχείριση Tr2, Tr5 και Tr9 και στην '''εικόνα 5.β''', παρουσιάζεται το διάγραμμα κανονικών πιθανοτήτων Q-Q plot.
Στην '''εικόνα 6''', παρουσιάζονται η χωρική παραλλακτικότητα της παραγωγής βιομάζας αραβοσίτου, για το έτος 2004, σε έναν GIS χάρτη παραγωγής βιομάζας ενσίρωσης αραβοσίτου. Για την δημιουργία του GIS χάρτη, που βασίστηκε στη δομική και χωρική ανάλυση, επιλέχτηκε ένα εκθετικό μοντέλο βαριογράμματος, για την βιομάζα και χρησιμοποιήθηκε με ισότροπης δομής μοντελοποίηση των παραμετρικών δεδομένων, σε κύρια ακτίνα πεδίου 10,935 m. Όσον αφορά την βιομάζα, το ιστόγραμμα των δεδομένων και ο χάρτης GIS ('''εικόνα 6'''), έδειξαν ότι υπάρχει μια έντονη χωρική παραλλακτικότητα της βιομάζας στα πειραματικά τεμάχια.
Στις '''εικόνες 7.α''' και '''7.β''', παρουσιάζεται η χωρική παραλλακτικότητα, για την Εύπεπτη Ξερή Ουσία, από τα ζώα ή Digestible Dry Matter (DDM) (%) και για το συντελεστή της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV) αντίστοιχα, της βιομάζας αραβοσίτου, σε GIS χάρτες για το 2004.

'''4. Συμπεράσματα'''

Οι τεχνολογίες πληροφορικής κι επικοινωνιών (ΤΠΕ), ψηφιακές βάσεις δεδομένων, Γεωγραφικά Πληροφοριακά Συστήματα (GIS), Τηλεπισκόπηση, Γεωργία ακρίβειας, χωρική ανάλυση κ.λπ., τις οποίες η παρούσα μελέτη χρησιμοποιεί, στις βιολογικές και γεωτεχνικές επιστήμες, συμβάλουν σημαντικά στη μελέτη, μοντελοποίηση και χαρτογράφηση της παραγωγής βιομάζας αραβοσίτου, για χρήση ως ενσίρωμα, για ζωοτροφή, σε σχέση με τις επιδράσεις διαχείρισης αρδευτικού νερού.
Συμπερασματικά, προκύπτει ότι, η άρδευση για τις συγκεκριμένες εδαφοκλιματικές συνθήκες του πειράματος, μπορεί να πραγματοποιείται κάθε 9, αντί για 5 ή 2 ημέρες. Επιπλέον, η μεταχείριση Tr9, απέδωσε υψηλότερες τιμές Σχετικής Διατροφικής Αξίας (RFV) και μεγαλύτερα ποσοστά Εύπεπτης Ξερής Ουσίας από τα ζώα (DDM).

[[category:Γεωργία]]

Διαχρονική παρακολούθηση αλλαγών των χρήσεων γης με χρήση Τηλεπισκοπικών δεδομένων περιμετρικά της Λίμνης Κορώνειας στην Θεσσαλονίκη

2012-03-03T11:24:20Z

Konnabastro:

'''Multitemporal monitoring of changes in land use with remote sensing data around Lake Koronia in Thessaloniki region
''' 
Συγγραφείς: Α. Αϊναλή, Ι. Γήτας, Θ. Καταγής, Α. Πολυχρονάκη 
Εθνικό Μετσόβιο Πολυτεχνείο, Μεταπτυχιακό Τμήμα Γεωπληροφορικής, Σχολή Αγρονόμων και Τοπογράφων Μηχανικών - Αριστοτέλειο Πανεπιστήμιο, Εργαστήριο Δασικής Διαχειριστικής και Τηλεπισκόπησης 
'''Πηγή''': http://www.wfdt.teilar.gr/15_th_Panhellenic_Forestry_CONFERENCE/Presentations/Ainali.pdf

'''Περίληψη'''

Η μελέτη αυτή, προσπαθεί να παρουσιάσει τις διαχρονικές αλλαγές των χρήσεων γης, χρησιμοποιώντας τα δορυφορικά στοιχεία της τηλεπισκόπησης, που συλλέχθηκαν σε δύο διαφορετικές χρονικές στιγμές. Η διαδικασία της ανίχνευσης των διαχρονικών αλλαγών, απέδωσε διαφορετικά αποτελέσματα για τις επιμέρους κατηγορίες της φυσικής βλάστησης, μεταξύ της περιόδου 1989 και 2007. Η έρευνα αφορά την περιοχή περιμετρικά του υδάτινου περιβάλλοντος της Λίμνης Κορώνειας, Ν. Θεσσαλονίκης, σε έκταση η οποία χαρακτηρίζεται ως υγροβιότοπος ειδικής προστασίας, σύμφωνα με τη συνθήκη RAMSAR. Για την υλοποίηση της έρευνας, χρησιμοποιήθηκε η μέθοδος της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)). Τα αποτελέσματα έδειξαν, ότι η χρήση των τρεχουσών τεχνολογιών μπορεί να χρησιμοποιηθεί για τη διαμόρφωση των περιβαλλοντικών παραμέτρων, βελτιώνοντας τη γνώση μας, σχετικά με τις ιδιότητες, τα χαρακτηριστικά, την κατάσταση, τις τάσεις και τις αλλαγές των φυσικών οικοσυστημάτων.

'''Εισαγωγή'''

Οι διαχρονικές αλλαγές, που προκαλούνται σε μια περιοχή, παρουσιάζονται με τη χρήση δορυφορικών εικόνων και την επεξεργασία τους από τις σύγχρονες μεθόδους της Τηλεπισκόπησης και των Γεωγραφικών Συστημάτων Πληροφοριών. Η Τηλεπισκόπηση, σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών, προσφέρουν τη δυνατότητα ανάπτυξης ενός ολοκληρωμένου συστήματος παρακολούθησης και διαχείρισης των φυσικών οικοσυστημάτων.
Οι περισσότερο διαδεδομένες μέθοδοι τηλεπισκόπησης, για τη συλλογή πληροφοριών της γήινης επιφάνειας, είναι η μέθοδος της δορυφορικής τεχνολογίας, η χρήση των αεροφωτογραφιών, τα δεδομένα, που λαμβάνονται από επίγειες μετρήσεις, καθώς και όσα αναφέρονται σε θεματικούς χάρτες, όπως τοπογραφικούς, εδαφολογικούς και γεωλογικούς χάρτες. Η πιο σύγχρονη και συχνότερα χρησιμοποιούμενη μέθοδος τηλεπισκόπησης, είναι η μέθοδος της δορυφορικής τεχνολογίας.
Σημαντικό ρόλο συμμετοχής στη συλλογή δορυφορικών εικόνων παίζουν οι παράγοντες, που έχουν σχέση με τον χρόνο λήψης των δορυφορικών δεδομένων, τη διακριτική και φασματική ικανότητα των δορυφόρων, το είδος της καταγραφόμενης βλάστησης, την πυκνότητα, την ηλικία, την υγεία των συστάδων, καθώς και παράγοντες, που έχουν σχέση με τη βλάστηση και την επιφάνεια του εδάφους.
Σκοπός της εργασίας, είναι η διαχρονική καταγραφή των μεταβολών των χρήσεων γης, που καλύπτουν την περιοχή εντός και περιμετρικά του υδάτινου στοιχείου της λίμνης Κορώνειας, του νομού Θεσσαλονίκης, με τη χρήση των δορυφορικών εικόνων και στηριζόμενοι στη μέθοδο της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)).
Η ανάλυση των κυρίων συνιστωσών (Principal Components Analysis), είναι μια μέθοδος, η οποία έχει σκοπό να δημιουργήσει γραμμικούς συνδυασμούς των αρχικών μεταβλητών, έτσι ώστε οι γραμμικοί αυτοί συνδυασμοί να είναι ανεξάρτητοι μεταξύ τους, αλλά συγχρόνως να περιέχουν όσο το δυνατόν μεγαλύτερο μέρος της διακύμανσης των αρχικών μεταβλητών. Η μέθοδος της ανάλυσης των κύριων συνιστωσών, είναι ουσιαστικά η απλούστερη και ευκολότερη μέθοδος για να ερμηνεύσει τα αληθινά ιδιοδιανύσματα ή χαρακτηριστικά διανύσματα (eigenvector), βασισμένη στην ανάλυση πολλών μεταβλητών.

[[ Εικόνα: Kb_arthro2_eik1.gif | thumb | right | Εικ.1: Χάρτης προσανατολισμού ευρύτερης περιοχής λίμνης Κορώνειας ]]

'''Περιοχή μελέτης'''

Η περιοχή που εξετάζουμε, βρίσκεται κοντά στην πόλη της Θεσσαλονίκης, σε απόσταση 12 χιλιομέτρων, στη λίμνη Κορώνεια (Λαγκαδά), σε ένα επίμηκες τεκτονικό βύθισμα γης, διαχωρίζοντας τη χερσόνησο της Χαλκιδικής από τον κορμό της Μακεδονίας ('''εικόνα 1'''). Είναι λίμνη - υπόλειμμα της παλιάς Μυγδονίας λίμνης και η ευρύτερη περιοχή, στην οποία βρίσκονται, ονομάζεται λεκάνη της Μυγδονίας.
Η περιοχή αποτελεί ένα σπάνιο σύμπλεγμα οικοσυστημάτων, με λίμνες (Κορώνεια και Βόλβη), ποτάμια, παρόχθια δάση (παραλίμνιο δάσος Απολλωνίας, δάσος Ρεντίνας), καλαμώνες, υγρολίβαδα, θαμνώνες και γεωργικές εκτάσεις, που συγκροτούν έναν σημαντικό υγροβιότοπο. Ο Δήμος του Νομού Θεσσαλονίκης, που καλύπτει διοικητικά την λίμνη Κορώνεια, είναι αυτός του Λαγκαδά.

'''Υλικά και μέθοδοι'''

Για την υλοποίηση της εργασίας, τα δεδομένα που χρησιμοποιήθηκαν, ήταν οι δορυφορικές εικόνες, που λήφθηκαν σε δύο χρονικές στιγμές: το 1989 και το 2007 (Δορυφορικές εικόνες Landsat 4-5 MSS, με χρόνο λήψης την 23η Ιουνίου 1989 και Landsat 7 με χρόνο λήψης την 19η Ιουλίου 2007).
Η εργασία ολοκληρώθηκε στα παρακάτω στάδια: α) πρώτα έγινε η Προεπεξεργασία των δεδομένων, κατά την οποία έγινε η Γεωμετρική Διόρθωση των δύο εικόνων και η Οριοθέτηση των εικόνων περιμετρικά της λίμνης και β) ακολούθησε η μέθοδος της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)).
Το πρώτο στάδιο εξυπηρετεί στην εύρεση της ακριβούς γεωγραφικής θέσης των pixels, διότι εξαιτίας διαφόρων αιτιών, όπως είναι η κίνηση της γης, η κίνηση του δορυφόρου, οι αποκλίσεις της ατράκτου, οι υψομετρικές διαφορές, τα δορυφορικά δεδομένα παρουσιάζουν συστηματικά και τυχαία σφάλματα, τα οποία επηρεάζουν τη θέση των pixels και παραμορφώνουν την εικόνα. Στο δεύτερο στάδιο, από τα αποτελέσματα της αυτόματης ταξινόμησης των δορυφορικών εικόνων χωριστά, ανιχνεύθηκαν οι διαχρονικές αλλαγές, που προκλήθηκαν στην περιοχή τη χρονική περίοδο 1989 με 2007.
Οι κοινές κατηγορίες, που επιλέχθηκαν στις δύο εικόνες, για την πραγματοποίηση της ταξινόμησης, είναι η λίμνη, οι εκτάσεις με περιορισμένη υψηλή φυσική βλάστηση, οι γεωργικές καλλιέργειες, τα αείφυλλα πλατύφυλλα και η τεχνητή επιφάνεια, ενώ στην εικόνα του 2007, παρατηρήθηκαν και οι καμένες εκτάσεις, ο δρόμος και ο βάλτος. Η επιλογή των κατηγοριών, έγινε σύμφωνα με τι είδους παρατήρηση επιθυμούμε να πραγματοποιήσουμε. Η έρευνα της περιοχής, στηρίζεται κυρίως στη λίμνη Κορώνεια, στις αλλαγές της, αλλά και στο πώς επηρεάστηκαν οι εκτάσεις περιμετρικά της λίμνης.

'''Αποτελέσματα και συζήτηση'''

Σύμφωνα με τη μέθοδο της Ανάλυσης Κύριων Συνιστωσών, αναδείχθηκαν τα αποτελέσματα, τα οποία μας δίνουν σημαντικές πληροφορίες για τις μεταβολές των χρήσεων γης. Ακολουθώντας μια προεργασία ενοποίησης των εικόνων (με χρήση και των 7 φασματικών καναλιών, που έχει η κάθε εικόνα, δηλαδή στο σύνολο 14) και χρησιμοποιώντας τη λειτουργία αυτόματης ανάλυσης, καταλήγουμε στα παρακάτω αποτελέσματα.
Δημιουργούμε έναν πίνακα, ο οποίος δείχνει τα ιδιοδιανύσματα των κύριων συνιστωσών. Τα αποτελέσματα αυτά, μας παρουσιάζουν ένα σύνολο ιδιοτιμών, από τις οποίες αντλούμε την πληροφορία για τις μεταβολές που προκλήθηκαν στην περιοχή έρευνας. Η κάθετη στήλη αντιπροσωπεύει την κάθε κύρια συνιστώσα, οι τιμές της οποίας αντιστοιχούν σε ένα φασματικό κανάλι της οριζόντιας γραμμής. Η σύγκριση των διαχρονικών αλλαγών, βασίστηκε στις μεγαλύτερες τιμές των διανυσμάτων σε κάθε συνιστώσα.
Έπειτα από την οπτική παρακολούθηση των εικόνων, παρατηρούνται οι αλλαγές σε κάθε συνιστώσα. Η κύρια συνιστώσα 1, δείχνει ιδιαίτερα τις περιοχές με περιορισμένη υψηλή φυσική βλάστηση, αστική περιοχή και γυμνές εκτάσεις. Η κύρια συνιστώσα 2, παρουσιάζει περισσότερο έντονα από την πρώτη, τις διαφορές που υπάρχουν στη βλάστηση και παρουσιάζει καλή διάκριση του ανάγλυφου. Η τρίτη κύρια συνιστώσα, μας δίνει πληροφορίες, για τις διαφορές που υπάρχουν, κυρίως στα πλατύφυλλα, δηλαδή στη βλάστηση με έντονη χλωροφύλλη. Το διάνυσμα 4, δηλώνει τις διαφορές που υπάρχουν στο νερό. Η κύρια διαχρονική αλλαγή, που παρατηρείται στην κύρια συνιστώσα 5, είναι διαφορές που υπάρχουν στη βλάστηση και την αστική περιοχή. Οι κύριες συνιστώσες 6, 7 και 8, έχουν πολύ μικρό ποσοστό διακύμανσης των δεδομένων και δεν μπορούμε να διακρίνουμε κάποιες διαφορές.

'''Συμπεράσματα'''

• Η χρήση της Τηλεπισκόπησης, προσφέρει τη δυνατότητα της παρακολούθησης των διαχρονικών αλλαγών στις χρήσεις γης. 
• Η μέθοδος της Ανάλυσης Κύριων Συνιστωσών (Principal Component Analysis (PCA)), παρέχει ποιοτικά αποτελέσματα, για τον εντοπισμό των διαχρονικών αλλαγών των χρήσεων γης σε μια περιοχή. 
• Ο μετασχηματισμός των πολυφαματικών εικόνων, σε κύριες συνιστώσες, εφαρμόστηκε ως μια τεχνική ενίσχυσης, πριν από την Φωτοερμηνεία.

[[category:Γεωλογία – Εδαφολογία]]

Χρήση της Τηλεπισκόπησης (δορυφορικές εικόνες) για την αξιολόγηση της κατάστασης του περιβάλλοντος

2012-03-03T11:24:01Z

Konnabastro:

'''Use of Remote Sensing (Satellite Images) For Assessing the Environment Situation''' 
Συγγραφείς: Neki Frasheri, Betim Cico, Hakik Paci, Jozef Bushati 
Faculty of Information Technology, Polytechnic University of Tirana, Tirana, Albania 
BALWOIS 2010 - Ohrid, Republic of Macedonia - 25, 29 May 2010 
'''Πηγή''': http://www.balwois.com/balwois/administration/full_paper/ffp-1798.pdf 

[[ Εικόνα: kb_arthro1_eik1.png | thumb | right | Εικ.1: Αλλαγή τμήματος της Αδριατικής ακτής στην περιοχή του δέλτα του ποταμού Semani ]]

'''Εισαγωγή'''

Οι τεχνολογίες τηλεπισκόπησης προσφέρουν ένα ευρύ φάσμα εικόνων, με διαφορετικά στρώματα των ορατών και υπέρυθρων ζωνών, ο συνδυασμός των οποίων, επιτρέπει τον απομακρυσμένο προσδιορισμό πολλών περιβαλλοντικών παραμέτρων, όσον αφορά στην ατμόσφαιρα, στην επιφάνεια του εδάφους και στις υδάτινες περιοχές. Ο κατάλογος περιλαμβάνει βλάστηση, υγρασία, χημική σύνθεση, θερμοκρασίες εδάφους και νερού, κατάσταση αιωρούμενων σωματιδίων στο νερό (ιζήματα, φύκια κλπ.), αερολύματα, παραμέτρους του αέρα, κλπ. Ειδικότερα ο συνδυασμός των κόκκινων και των NIR ζωνών, προσφέρει μια σαφή εικόνα της κατάστασης της βλάστησης και των περιοχών που καλύπτονται με νερό, παρέχει δηλαδή προσδιορισμό των ακτογραμμών.
Η τηλεπισκόπηση εξακολουθεί να γίνεται ολοένα και πιο σημαντική, για την ολοκληρωμένη εκτίμηση των χρονικών μεταβολών
των περιβαλλοντικών παραμέτρων, ιδιαίτερα λόγω της υπερθέρμανσης του πλανήτη και της διαρκούς αύξησης των ανθρώπινων
δραστηριοτήτων. Για τη βελτίωση της μεθοδολογίας συνδυασμού δορυφορικών εικόνων, από διαφορετικές χρονικές περιόδους, για την παραγωγή γενικευμένων δεδομένων, προκειμένου να παρακολουθείται η εξέλιξη των περιβαλλοντικών καταστάσεων, προτείνονται δύο λύσεις:
Αρχικά, για το έργο WETSYS-B, συνδυάζονται διαφορετικές εικόνες, για να παράγουν ψευδέγχρωμες εικόνες, όπου οι μεταβολές στις υγρές περιοχές, είναι σαφώς, άμεσα ορατές, σε μορφή raster.
Κατόπιν, στο πλαίσιο του έργου SEE_GRID-SCI, προτείνεται μια
εφαρμογή του πλαισίου CHERS, για την ανάλυση στον τομέα του χωροχρόνου των δορυφορικών εικόνων, με μια πρακτική εφαρμογή, για την ανάλυση των τάσεων των τιμών του κάθε pixel, στο πεδίο του χρόνου '''(εικ.1)'''.

[[ Εικόνα: Kb_arthro1_eik2.gif | thumb | right | Εικ.2: Υπόμνημα των χρωμάτων για τις αλλαγές των υδάτινων σωμάτων ]]

'''Μεθοδολογία'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών'''''

Χρησιμοποιήθηκαν δύο ή τρεις ζώνες NIR, της ίδιας περιοχής, που έχουν ληφθεί σε διαφορετικό χρόνο και συνδυάστηκαν σε μία ενιαία ψευδέγχρωμη εικόνα, ως ζώνες Μπλε, Πράσινο και Κόκκινο (RGB). Οι υδάτινοι οργανισμοί, είναι σχεδόν μαύροι, στη ζώνη NIR, ενώ οι εκτάσεις Γης, έχουν παραλλαγές των αποχρώσεων του γκρι, εμφανίζοντας σκιές κάποιου χρώματος '''(εικ.2)'''. Οι περιοχές με τις μεταβαλλόμενες υδάτινες επιφάνειες, είναι μαύρες, σε μία ή δύο ζώνες, ενώ το υπόλοιπο μέρος των ζωνών, είναι ανοικτό γκρι.

'''''Ανάλυση εικόνων στον τομέα του χωροχρόνου[[ Εικόνα: Kb_arthro1_eik3.gif | thumb | right | Εικ.3: Συγκρίνοντας τις τάσεις της πρώτης και δεύτερης τάξης ]]
'''''
Η χρησιμοποίηση εικόνων, που παραλαμβάνονται σε διαφορετικές ημέρες, για την ίδια περιοχή, καθιστά πιθανή την αξιολόγηση των εποχιακών και μακροπρόθεσμων περιβαλλοντικών φαινομένων, χρησιμοποιώντας διαφορετικά μήκη κύματος, για τις διαφορετικές περιβαλλοντικές παραμέτρους. Η εφαρμογή της παρεμβολής και της χρήσης τεχνικών φιλτραρίσματος, μπορεί να επιτρέψει λείανση των αναλυθεισών τρισδιάστατων λειτουργιών, αποβολή των θορύβων και παραγωγή των ποιοτικών βίντεο, που παρουσιάζουν τις χρονικές παραλλαγές των περιβαλλοντικών συνθηκών.
Σαν πρώτη προσέγγιση, λοιπόν, εστιάσαμε στην ανάλυση, εγκαίρως, της τάσης των μεμονωμένων εικονοκυττάρων, τα οποία επέτρεψαν μια στατική παρουσίαση του χαρακτήρα των αλλαγών. Η ανάλυση αυτή, των τάσεων, με πολυώνυμα δεύτερης τάξης, επιτρέπει τον εντοπισμό των τάσεων, για την
αντιστροφή της τάσης '''(εικ.3)'''.

Η συνέχιση αυτής της ιδέας, θα απαιτήσει την εφαρμογή πιο σύνθετων μεθόδων, όπως:
* Φασματική/ανάλυση εντροπίας στον τομέα του χωροχρόνου
* Διαδικασίες φιλτραρίσματος και συσχετισμού/ταξινόμησης
* Προσδιορισμός συγκεκριμένων μοντέλων και η εξέλιξή τους
* Αναγνώριση και μορφοποίηση των ακτογραμμών των υδάτινων σωμάτων
Η επεξεργασία των ακολουθιών των δορυφορικών εικόνων, μπορεί να απαιτήσει δύσκολους υπολογισμούς, ειδικά όταν οι αλγόριθμοι επεξεργασίας είναι σύνθετοι, όπως σε περιπτώσεις προσδιορισμού ορισμένων περιοχών, χρησιμοποιώντας την αναγνώριση προτύπων, ή προσδιορισμού και των συνόρων των υδατικών συστημάτων. Σε αυτό, το πλαίσιο CHERS, μπορεί να χωρίσει την τρισδιάστατη μήτρα στοιχείων, σε επιμέρους πίνακες, που μπορούν να υποβληθούν σε επεξεργασία, στις πλατφόρμες επεξεργαστών ή πλέγματος.

[[ Εικόνα: Kb_arthro1_eik4.gif | thumb | right | Εικ.4: Αλλαγή της ακτογραμμής στο δέλτα του ποταμού Buna και εναέρια άποψη του δέλτα ]]

'''Αριθμητικά αποτελέσματα'''

'''''Προσδιορισμός των αλλαγών των υδάτινων οργανισμών
'''''
Χρησιμοποιήσαμε το συνδυασμό ζωνών NIR, σε μια ψευδέγχρωμη εικόνα, σε δύο περιοχές - λίμνες Shkodra και Πρέσπας. Η περιοχή λιμνών Shkodra μελετήθηκε στο πλαίσιο του WETSYS-B. Η ανάλυση έγινε χρησιμοποιώντας τις ίδιες εικόνες Landsat, του 1977, του 1987 και του 1992. Το αποτέλεσμα δίνεται στην '''εικόνα 4'''. Είναι ορατός στο δέλτα του ποταμού Buna, ένας τομέας της διάβρωσης - η άμμος φαίνεται να κινείται ανατολικά -, ενώ η επέκταση του υγρότοπου (τρίγωνο κόκκινου χρώματος), είναι ορατή στα δυτικά του ποταμού Buna.

[[ Εικόνα: Kb_arthro1_eik5.gif | thumb | right | Εικ.5: Απώλεια νερού στη λίμνη της Μεγάλης Πρέσπας ]]

Η ίδια μεθοδολογία εφαρμόστηκε και στο σύστημα των λιμνών των Πρεσπών, με την χρήση ζωνών Landsat NIR. Η απώλεια νερού, είναι ορατή στην επίπεδη βορειοανατολική ακτή της Μεγάλης Πρέσπας, σαν μια λωρίδα μπλε χρώματος '''(εικ.5)'''. Η απώλεια νερού, φαίνεται επίσης, στις νότιες και βραχώδεις, ακτές της λίμνης.

'''Ανάλυση των τάσεων του δείκτη βλάστησης'''

[[ Εικόνα: Kb_arthro1_eik6.gif | thumb | right | Εικ.6: Ανάλυση τάσεων NDVI ]]

Χρησιμοποιήθηκε το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό των τάσεων για κάθε pixel, μιας σειράς εικόνων Κανονικοποιημένου Δείκτη Βλάστησης (NDVI), που έχουν ληφθεί μέσω της επεξεργασίας Κόκκινου και NIR ζωνών, του επιπέδου εικόνων MODIS 1, για περίοδο πέντε ετών. Χρησιμοποιήθηκε, ακόμη, το HEG, ως λογισμικό, για να εξαγάγουμε το κόκκινο και τις ζώνες NIR, ως δυαδικά αρχεία εικόνας. Η ακολουθία Κόκκινου και ζευγών NIR, χρησιμοποιήθηκαν ως εισαγωγή για CHERS, το οποίο παρήγαγε την ακολουθία των εικόνων, που αντιπροσωπεύουν τις τιμές NDVI, που χαρτογραφήθηκαν στη σειρά 0:255, για να παραγάγουν, σε τόνους του γκρι, τα δυαδικά αρχεία εικόνας. Στο δεύτερο βήμα CHERS, υπολογίστηκαν τα πολυώνυμα τάσης της δεύτερης διαταγής, παράγοντας τρία δυαδικά αρχεία εικόνας, σε τόνους του γκρι, με τις τιμές των πολυωνυμικών συντελεστών, για κάθε εικονοκύτταρο.
Αυτές οι εικόνες συνδυάστηκαν σε μια ψευδέγχρωμη εικόνα, χρησιμοποιώντας το δυαδικό αρχείο εικόνας, των πολυωνυμικών σταθερών, όπως κόκκινες (αντιπροσωπεύοντας τη μέση αξία του εικονοκυττάρου), των συντελεστών της πρώτης γραμμής και της δεύτερης διαταγής, τόσο πράσινης, όσο και μπλε. Η ερμηνεία της προκύπτουσας εικόνας, βοηθιέται με μια αντιπροσώπευση παλετών, συνδυασμού κοκκίνου, πράσινος και μπλε, σύμφωνα με ορισμένους κανόνες.
Εφαρμόστηκε, επίσης, το πλαίσιο εφαρμογής CHERS, για τον υπολογισμό της γραμμικής τάσης, για τις περιοχές των λιμνών Shkodra και Πρέσπας. Τα αποτελέσματα παρουσιάζονται στην '''εικόνα 6'''. Σε περίπτωση γραμμικής τάσης, συνδυάσαμε το σταθερό δυαδικό αρχείο εικόνας (μέσοι όροι NDVI), όπως κόκκινος, ενώ το πρώτο δυαδικό αρχείο εικόνας, συντελεστή διαταγής, θεωρήθηκε ως πράσινο, με το μπλε ως συμπλήρωμά του.

'''Συμπεράσματα'''

Ο συνδυασμός διαφορετικών ζωνών, των δορυφορικών εικόνων, που λαμβάνονται σε διαφορετικούς χρόνους, αντιπροσωπεύει μια τρισδιάστατη δομή δεδομένων, της οποίας η ανάλυση, επιτρέπει τον προσδιορισμό των περιβαλλοντικών αλλαγών και του χαρακτήρα τους. Έχουμε πειραματιστεί σε μερικές απλές περιπτώσεις, που στρέφονται στις μετακινήσεις των ακτών των υδάτινων οργανισμών, και στην τάση NDVI για κάθε εικονοκύτταρο, παράγοντας ψευδέγχρωμες εικόνες, που αντιπροσωπεύουν τις παραλλαγές τους. Η περαιτέρω ανάλυση αυτών των εικόνων και των εικονοκυττάρων ταξινόμησης, θα επέτρεπε στους ειδικούς περιβάλλοντος, να σκιαγραφήσουν και να ενσωματώσουν, ενδιαφερόμενες περιοχές, στα GIS. Η μεθοδολογία αυτή, μπορεί να χρησιμοποιηθεί για ολόκληρη τη σειρά περιβαλλοντικών παραμέτρων, που λαμβάνονται από συνδυασμούς ζωνών δορυφορικών εικόνων.

[[category:Περιβαλλοντικές Επιπτώσεις]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-03T11:23:15Z

Konnabastro:

'''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
Συγγραφείς: Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | left | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | left | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | left | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | left | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | left | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | left | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | left | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | left | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | left | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | left | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | left | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | left | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | left | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | left | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | left | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | left | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | left | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | left | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | left| Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | left | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | left | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | left | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Η χρήση δορυφορικών εικόνων και αριθμητικών μοντέλων πρόγνωσης για την χαρτογράφηση της σκόνης από τη Σαχάρα στην ατμόσφαιρα

2012-03-03T08:30:23Z

Konnabastro:

Συγγραφείς: Χατζόπουλος Ιωάννης, Χωριατέλλη Χρυσομάλλη, Καντζάς Παντελής, Κάλλος Γεώργιος, Κατσαφάρδος Πέτρος, Χρήστος Σπύρου 
Εργαστήριο Τηλεπισκόπησης και ΣΓΠ, Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος, Μυτιλήνη 
Ομάδα Ατμοσφαιρικών Μοντέλων και Πρόγνωσης Καιρού, Πανεπιστήμιο Αθηνών, Τμήμα Φυσικής, Αθήνα 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/Jnh_Tee_07.pdf 
'''[http://www.env.aegean.gr/labs/Remote_sensing/publications/Jnh_Tee_07.pdf Πηγή]'''

'''Εισαγωγή'''

Οι διάφοροι τύποι σωματιδίων αεροζόλ, έχουν επιπτώσεις στη μεσογειακή ατμόσφαιρα. Η έρημος της Σαχάρας, θεωρείται ως μια σημαντική πηγή φυσικής παραγωγής σκόνης, από σωματίδια ορυκτών. Προβλέπεται, ότι ένα επεισόδιο σκόνης σύντομης διάρκειας, μπορεί να αποτελέσει ακόμη και το 30% της συνολικής ετήσιας ροής. Η ατμοσφαιρική μεταφορά εδαφικής σκόνης, από την Αφρική, δημιουργεί τις έντονες αιχμές συγκέντρωσης αεροζόλ, επηρεάζει σημαντικά τη βιοχημεία ιχνοστοιχείων στον ωκεανό, τα οποία διαδραματίζουν έναν σημαντικό ρόλο στο pH των σχετικών εφαρμογών.
Η παρούσα εργασία χρησιμοποιεί τέσσερις εικόνες HRPT, του αισθητήρα NOAA - 14 AVHRR, οι οποίες λήφθηκαν από το σταθμό SMARTechTM, του Πανεπιστημίου Αιγαίου, στις 19, 20, 21 και 22 Απριλίου το 1997. Η περιοχή, που καλύπτεται από τις εικόνες αυτές, ξεκινά από το Γιβραλτάρ και επεκτείνεται μέχρι την Κασπία θάλασσα, καλύπτει επίσης μέρος της βόρειας Αφρικής. Κάθε εικόνα, έχει ένα πλάτος 2048 εικονοστοιχείων, ή περίπου 2253 χλμ.
Επίσης, επιλέχτηκε ένα σετ 10 εικόνων, των δεκτών ΝΟΑΑ-16 και ΝΟΑΑ-17, της περιόδου 15-30 Ιουνίου 2003 και έγινε επεξεργασία με τον κώδικα 6S και τα αποτελέσματα για την μέτρηση της οπτικής πυκνότητας, είναι συγκρίσιμα με αυτά του δικτύου AERONET.

'''Μεθοδολογία'''

Προκειμένου, να γίνει επεξεργασία των εικόνων NOAA – AVHRR, για την παραγωγή και δημιουργία χαρτών σκόνης, απαιτούνται τα επόμενα βήματα:

* Βαθμολόγηση καναλιών.
* Υπολογισμός των φαινόμενων θερμοκρασιών, για τα κανάλια 3, 4 και 5.
* Μοντέλο επεξεργασίας εικόνας, για την παραγωγή ποιοτικών χαρτών σκόνης.
* Διόρθωση γεωμετρικών παραμορφώσεων της εικόνας.
* Παραγωγή χαρτών σκόνης.

Η κατάσταση των αισθητήρων του δορυφορικού δέκτη, επιδεινώνεται με το χρόνο και έτσι τα δεδομένα, που παράγονται, χάνουν μέρος της αξιοπιστίας τους και πρέπει να διορθωθούν. Τα κανάλια 1 και 2 μετασχηματίζονται σε τιμές ακτινοβολίας, ενώ τα κανάλια 3, 4 και 5 βαθμονομούνται, χρησιμοποιώντας την εν πτήσει βαθμονόμηση. Οι ακατέργαστοι ψηφιακοί αριθμοί, μετασχηματίζονται σε τιμές λαμπρότητας θερμοκρασίας, σε μια διαδικασία δύο βημάτων:

(α) Η φαινόμενη ακτινοβολία υπολογίζεται με τη χρήση των συντελεστών βαθμονόμησης, που παίρνονται από κάθε 100η γραμμή, από τα στοιχεία, που στέλνει ο δορυφόρος και 
(β) η λαμπρότητα της θερμοκρασίας υπολογίζεται από το νόμο του Plank. 

Η βαθμονομημένη εικόνα, εισάγεται σε ένα μοντέλο επεξεργασίας εικόνας, το οποίο ανιχνεύει τις επιφάνειες νεφών και εδάφους με τη χρήση των εξής κριτηρίων:

1. Ανίχνευση νεφών 
2. Ανίχνευση ξηράς 

Το μοντέλο δημιουργεί χωριστές μάσκες για το κανάλι 1 και το κανάλι 2 και έπειτα διαιρεί το albedo του καναλιού 1 με 100, τις ενοποιεί και έπειτα παράγει μια τελική εικόνα, που αποτελείται από την θάλασσα, το έδαφος και τα νέφη.
Η διόρθωση της γεωμετρικής παραμόρφωσης της εικόνας, που παράγεται, βασίζεται στη δημιουργία των μαθηματικών σχέσεων μεταξύ των συντεταγμένων των εικονοστοιχείων της εικόνας και των συντεταγμένων των αντίστοιχων σημείων στον χάρτη. Τα σημεία ελέγχου στο έδαφος (GCP), για την εικόνα, υπολογίζονται από το λογισμικό SmartTrack και εφαρμόζεται ένα πολυώνυμο, για να δημιουργήσει με επαναδειγματοληψία, τη γεωμετρικά διορθωμένη εικόνα. Η προβολή χάρτη είναι γεωγραφική (φ, λ) και χρησιμοποιεί το datum WGS 72. Στη συνέχεια η εικόνα χρωματίζεται από μια ποιοτική παλέτα.
Οι φασματικές ζώνες των εικόνων, που χρησιμοποιήθηκαν, δίνονται στους Πίνακες 1 και 2. Ο δέκτης AVHRR/2 (ΝΟΑΑ 14), αποτελείται από 5 φασματικά κανάλια: 

[[Αρχείο:Kb_arthro4_pin.1.jpg | center ]] 

'''Ομάδα ατμοσφαιρικών μοντέλων και πρόγνωσης καιρού- σύστημα SKIRON'''

'''''1. Περιγραφή του Συστήματος Πρόγνωσης Καιρού ΣΚΙΡΩΝ (SKIRON/Eta)'''''

Το Σύστημα πρόγνωσης καιρού ΣΚΙΡΩΝ, αναπτύχθηκε, για να εφαρμοσθεί επιχειρησιακά στην Ελληνική Μετεωρολογική Υπηρεσία. Για την εφαρμογή του συστήματος, χρειάζεται περιβάλλον Unix/Linux και μετεωρολογικά δεδομένα εισαγωγής. Η κύρια συνιστώσα του συστήματος, είναι το περιορισμένης κλίμακας μοντέλο πρόγνωσης καιρού Eta, που εκτελείται σε περιορισμένη γεωγραφική περιοχή. Το στάδιο προεπεξεργασίας (pre-processing) του συστήματος προετοιμάζει τα δεδομένα εισαγωγής για το μοντέλο. Μετά την εφαρμογή του μοντέλου, το στάδιο μετεπεξεργασίας (post-processing) χρησιμοποιεί τα δεδομένα εξόδου, για να γίνει γραφική απεικόνιση καθώς και για άλλες εφαρμογές.

'''''1.1. Το Στάδιο Προεπεξεργασίας (pre-processing)'''''

Στο στάδιο της προεπεξεργασίας, χρησιμοποιούνται μετεωρολογικές παράμετροι (γεωδυναμικό ύψος, συνιστώσες του ανέμου και υγρασία), που προκύπτουν από ένα μοντέλο μεγαλύτερης κλίμακας (Global Climate Model). Το σύστημα μπορεί να χρησιμοποιήσει:

♦ Tην ανάλυση και τα προγνωστικά πεδία, από το European Centre for Medium-Range Forecasts (ECMWF). 
♦ Tην ανάλυση και προγνωστικά πεδία, από το National Center for Environmental Prediction (NCEP). 
♦ Άλλα εξαγόμενα πεδία, από 3 ή 4-διάστατα συστήματα “assimilation”, όπως το LAPS του NOAA/FSL. 

Τα δεδομένα αυτά, αποκωδικοποιούνται και παρεμβάλλονται στη δομή του πλέγματος, που χρησιμοποιεί το μοντέλο Eta.

'''''1.2. Παραγωγή, Μεταφορά και Εναπόθεση Αδρανούς Ουσίας στο Μοντέλο Eta'''''

Στη δομή του μοντέλου SKIRON/Eta, αναπτύχθηκε, για να λειτουργήσει, ένα ξεχωριστό τμήμα (module), για την ατμοσφαιρική παραγωγή, την μεταφορά και την εναπόθεση αδρανών ουσιών. Η ανάπτυξη έγινε από το Πανεπιστήμιο Αθηνών. Όσον αφορά το τμήμα, που σχετίζεται με την μεταφορά, αυτό βελτιώθηκε με την προσθήκη της συνιστώσας της τυρβώδους ανάμειξης και με την ανάπτυξη του τμήματος του μοντέλου για την συγκέντρωση της σκόνης της ερήμου. Η τελική έκδοση της συνιστώσας της μεταφοράς, περιλαμβάνει για τις πηγές, το σχήμα του ιξώδους υποστρώματος και χρησιμοποιεί επίσης το σχήμα της τύρβης του μοντέλου Eta.

'''''1.3. Καταβόθρες Σκόνης'''''

Η απομάκρυνση της σκόνης από την ατμόσφαιρα, πραγματοποιείται με δύο μηχανισμούς: την ξηρή και την υγρή εναπόθεση. Η ξηρή εναπόθεση στο μοντέλο, παραμετροποιείται με βάση το σχήμα του Georgi (1986). Στο σχήμα αυτό, συμπεριλαμβάνονται διεργασίες εναπόθεσης, λόγω βαρυτικής καθίζησης, επιφανειακής τυρβώδους διάχυσης, κίνησης Brown, καθώς και λόγω σύγκρουσης με την επιφάνεια.

'''''1.4. Το στάδιο μετεπεξεργασίας (Post-processing)'''''

Το κυρίως πρόγραμμα μετεπεξαργασίας, χρησιμοποιείται με σκοπό την ενοποίηση των πεδίων, των διαφόρων ατμοσφαιρικών παραμέτρων, τα οποία είναι χωρισμένα από τους διάφορους επεξεργαστές, αφού το μοντέλο έχει παραλληλιστεί. Η συχνότητα των εξαγομένων αποτελεσμάτων είναι προκαθορισμένη. Η καθημερινή πρόγνωση περιλαμβάνει ταχύτητα ανέμου, γεωδυναμικό και θερμοκρασία στα βασικά ισοβαρικά επίπεδα, βροχόπτωση και ύψος χιονιού, ομίχλη, νεφοκάλυψη, συγκέντρωση σκόνης σε όλη την κατακόρυφη στήλη (Dust Load), καθώς και υγρή και ξηρή εναπόθεση σκόνης.

[[ Εικόνα: Kb_arthro4_eik.1.gif‎ | thumb | left| Εικ.1.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 19/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.1b.gif‎ | thumb | right | Εικ.1.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 19/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.2.gif‎ | thumb | left| Εικ.2.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 20/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.2b.gif‎ | thumb | right | Εικ.2.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 20/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.3.gif‎ | thumb | left| Εικ.3.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 21/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.3b.gif‎ | thumb | right | Εικ.3.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 21/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.4.gif‎ | thumb | right | Εικ.4.α: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 22/04/97 ]]
[[ Εικόνα: Kb_arthro4_eik.4b.gif‎ | thumb | right | Εικ.4.β: Αποτελέσματα φορτίων σκόνης από AVHRR και SKIRON ημερομηνίας 22/04/97 ]]

'''Αποτελέσματα'''

Τα αποτελέσματα αφορούν τις ημερομηνίες από 19/4/1997 μέχρι και 22/4/1997. Στην '''εικόνα 1.α''' δίνονται αποτελέσματα από την επεξεργασία της δορυφορικής εικόνας του NOAA – AVHRR, για την ημερομηνία 19/04/1997, 11:45 UTC, ενώ στην '''εικόνα 1.β''', παρουσιάζονται αντίστοιχα αποτελέσματα από την πρόβλεψη του συστήματος Skiron. Από τη σύγκριση, υπάρχει σημαντική συμφωνία μεταξύ AVHRR και των αποτελεσμάτων της πρόβλεψης SKIRON.
Στις '''εικόνες 2.α''' και '''2.β''', φαίνεται αντίστοιχα η ομοιότητα μεταξύ των αποτελεσμάτων, που παρέχουν τα δύο συστήματα. Το μοντέλο επεξεργασίας εικόνας AVHRR, εμφανίζεται να υπερεκτιμά δυτικά της Αιγύπτου. Επίσης, στις '''εικόνες 3.α''' και '''3.β''', καθώς και '''4.α''' και '''4.β''', μπορεί κανείς να δει ότι τα δύο μοντέλα παρήγαγαν παρόμοια αποτελέσματα.

[[ Εικόνα: Kb_arthro4_eik.5.gif‎ | thumb | right | Εικ.5: Σταθμοί Aeronet ανά την υφήλιο (μόνιμοι, εποχιακοί και προσωρινοί)]]
[[ Εικόνα: Kb_arthro4_eik.6.gif‎ | thumb | right | Εικ.6: Σταθμοί AERONET στη Μεσόγειο ]]
[[ Εικόνα: Kb_arthro4_eik.7.jpg | thumb | right | Εικ.7: Σύγκριση αποτελεσμάτων AOD από εικόνες AVHRR και AERONET στο 1ο κανάλι ]]
[[ Εικόνα: Kb_arthro4_eik.8.jpg‎ | thumb | right | Εικ.8: Σύγκριση αποτελεσμάτων AOD από εικόνες AVHRR και AERONET στο 2ο κανάλι ]]

'''Αποτελέσματα από τη χρήση του κώδικα 6S και σύγκριση με AERONET'''

Ο κώδικας 6S (Second Simulation of the Satellite Signal in the Solar Spectrum), που αποτελεί μία αναβάθμιση του 5S, χρησιμοποιήθηκε στην παρούσα εργασία. Το 6S έχει γραφτεί σε fortran και αποτελείται από μία κεντρική ρουτίνα, η οποία καλεί τις υπόλοιπες, ανάλογα με τις επιλογές του χρήστη. Η χρήση του αντικειμενοστραφούς προγραμματισμού είναι πολύ πρακτική και για τη συγκεκριμένη εργασία δημιουργήθηκε ένα πρόγραμμά σε fortran (αρχείο 6sfinal.for), που περιείχε την κεντρική ρουτίνα του 6S και προστέθηκαν στον κώδικα μόνο οι υπορουτίνες που ενδιέφεραν.
Η επιβεβαίωση των τιμών της ατμοσφαιρικής οπτικής πυκνότητας AOD, που προέκυψαν, έγινε με τη χρήση δεδομένων από το σύστημα AERONET, το οποίο αποτελείται ουσιαστικά από φωτόμετρα. Οι τοποθεσίες στις οποίες εγκαθίστανται τα φωτόμετρα ('''εικόνα 5'''), είναι προσεκτικά επιλεγμένες, ώστε να παρουσιάζουν όσο το δυνατόν μεγαλύτερη γεωγραφική εξάπλωση, αλλά και να δίνουν δεδομένα από ευαίσθητα ή μεγάλης σημασίας σημεία.
Για κάθε ημέρα οι σταθμοί του AERONET δίνουν αρκετά δεδομένα, σε διάφορες καταγεγραμμένες χρονικές στιγμές. Αυτά που επιλέχτηκαν, ήταν εκείνα που πλησίαζαν περισσότερο τον χρόνο, που λήφθηκε η εικόνα, ενώ αν η χρονική διαφορά ήταν μεγαλύτερη από 45 λεπτά, τα δεδομένα απορρίπτονταν, καθώς η παρουσία των αεροζόλ στην ατμόσφαιρα μεταβάλλεται σημαντικά με τον χρόνο. Από το σύστημα της AERONET, επιλέχτηκαν οι σταθμοί FORTH-CRETE και LAMPEDUSA, όπως φαίνονται στην '''εικόνα 6''' .
Επίσης, επιλέχτηκε ένα σετ 10 εικόνων, των δεκτών ΝΟΑΑ-16 και ΝΟΑΑ-17, της περιόδου 15-30 Ιουνίου 2003. Τα αποτελέσματα ήταν πολύ ικανοποιητικά, αφού έδειξαν μία συμφωνία τιμών μεταξύ AVHRR και AERONET, με μέση απόκλιση 0.02 για το 1ο και 0.016 για το 2ο κανάλι, όπως φαίνεται στις '''εικόνες 7''' και '''8'''.
Η απόκλιση θα μπορούσε να μειωθεί, αλλάζοντας την τιμή της ανακλαστικότητας της θάλασσας, που εισήχθη νωρίτερα στο 6S. Μεταβολή της ανακλαστικότητας κατά 0.01, μπορεί να μεταβάλλει το εξαγόμενο από τη διαδικασία AOD κατά ±0.1. Κάτι τέτοιο όμως, θα αποτελούσε ουσιαστικά παραποίηση των δεδομένων εισόδου, προς χάριν των αποτελεσμάτων και έτσι δεν ακολουθήθηκε.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης

2012-03-03T08:26:59Z

Konnabastro:

Συγγραφείς: Αγ. Φιλίντας, Π. Ντιούδης, Ι. Χατζόπουλος, Δ. Πατέρας, Αρ. Παπαδόπουλος, Ι. Καλαβρουζιώτης 
Τ.Ε.Ι. Λάρισας, Τμήμα Γεωργικών Μηχανών και Αρδεύσεων 
Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος 
ΕΘΙΑΓΕ/Ινστιτούτο Εδαφολογίας 
Πανεπιστήμιο Ιωαννίνων, Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf 
'''[http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf Πηγή]'''

[[ Εικόνα: Kb_arthro3_eik1.gif | thumb | right | Εικ.1: Μέση ετήσια παραγωγή βιομάζας αραβοσίτου στην Ελλάδα ]]

'''Περίληψη'''

Σκοπός της παρούσας μελέτης, είναι η μοντελοποίηση και χαρτογράφηση βιομάζας ενσίρωσης αραβοσίτου, σε συνάρτηση με τις επιδράσεις διαχείρισης νερού, με στάγδην άρδευση, σε πειραματικό αγρό, στο αγρόκτημα του T.E.I. Λάρισας το 2004, με συνδυαστική χρήση τεχνικών GIS, GPS, Τηλεπισκόπησης, Γεωργίας Ακριβείας και μετρήσεων πεδίου. Επίσης, μελετήθηκε η επίδραση στο ποσοστό βιομάζας, στα διάφορα φυτικά μέρη, στην περιεχόμενη φυτική και εδαφική υγρασία (που μετρήθηκε με τη μέθοδο TDR). Τα αποτελέσματα έδειξαν, ότι διαφορές της παραγωγής βιομάζας ενσίρωσης αραβοσίτου, μεταξύ των μεταχειρίσεων, δεν βρέθηκαν στατιστικώς σημαντικά διαφορετικές.

'''1.Εισαγωγή'''

Το έτος 2004, σύμφωνα με το Υπουργείο γεωργίας, η μέση παραγωγή βιομάζας αραβοσίτου, ο οποίος αποτελεί μια κατάλληλη καλλιέργεια για την παραγωγή ενσιρώματος, ήταν στην Ελλάδα, 1010,43 Kg/στρ ('''εικόνα 1'''), ενώ η απόδοση καρπού ήταν 1040,75 Kg/στρ.

[[ Εικόνα: Kb_arthro3_eik2.gif | thumb | right | Εικ.2: Σχέδιο διάταξης πειραματικών τεμαχίων ]]

'''2.Πειραματική οργάνωση'''

'''''2.1. Πειραματικό σχέδιο'''''

Η έρευνα έγινε σε διάταξη πλήρως τυχαιοποιημένων ομάδων, που αποτελούνται από τρεις επεμβάσεις, με εύρος άρδευσης ανά δύο (Tr2), ανά πέντε (Tr5) και ανά εννέα (Tr9) ημέρες, επί τέσσερις επαναλήψεις ('''εικόνα 2'''). Η τυχαιοποίηση έγινε με τη μέθοδο των στατιστικών πινάκων.

'''''2.2. Περιγραφή εγκατάστασης'''''

Στο αγροτεμάχιο έγινε εγκατάσταση συστήματος στάγδην άρδευσης, όπου μελετήθηκε και αξιολογήθηκε η επίδραση του εύρους άρδευσης (2, 5 και 9 ημερών), στην απόδοση βιομάζας ενσίρωσης αραβοσίτου. Επίσης, έγινε εγκατάσταση αισθητήρων μέτρησης εδαφικής υγρασίας (ΕΥ), που έκαναν χρήση της μεθόδου TDR.

'''''2.3. Μεθοδολογία'''''

Με στόχο την εξασφάλιση της υψηλής ακρίβειας των μετρήσεων, χρησιμοποιήθηκαν καθετήρες προσδιορισμού της εδαφικής υγρασίας, που είχαν ενσωματωμένους 5 αισθητήρες, οι οποίοι βρίσκονταν μόνιμα εγκατεστημένοι στα πειραματικά τεμάχια και σε συνεχή επαφή με το έδαφος. Από τις μετρήσεις των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση και υπολογίστηκε, σε καθημερινή βάση, η εξάντληση της διαθέσιμης υγρασίας (ΕΔΥ).
Ακόμη, μελετήθηκαν τα μετεωρολογικά δεδομένα και υπολογίστηκε η ωφέλιμη βροχόπτωση Pe με την μέθοδο USDA. Επιπλέον, πραγματοποιήθηκαν στον αγρό, τηλεπισκοπικές μετρήσεις της βιομάζας, με χρήση αισθητήρα BRDF, οι οποίες αξιολογήθηκαν και συνέβαλαν στην χαρτογράφηση GIS, της παραλλακτικότητας της βιομάζας, του πειραματικού αγρού και της Εύπεπτης Ξερής Ουσίας, από τα ζώα ή Digestible Dry Matter (DDM) , μαζί με τα δεδομένα αγρού.

[[ Εικόνα: Kb_arthro3_eik3.gif | thumb | left| Εικ.3: A) Διάγραμμα ημερήσιας βροχόπτωσης αρδευτικής περιόδου και μέσης μηνιαίας θερμοκρασίας. B) Διάγραμμα μηνιαίας ωφέλιμης βροχόπτωσης ]]
[[ Εικόνα: Kb_arthro3_eik4.gif | thumb | right | Εικ.4: Αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ για βάθος 0-75 cm, για τις 3 μεταχειρίσεις, πριν την εφαρμογή άρδευσης και μία ημέρα μετά την εφαρμογή άρδευσης ]]
[[ Εικόνα: Kb_arthro3_eik5.gif | thumb | left| Εικ.5: Για τη διακύμανση της βιομάζας ενσίρωσης αραβοσίτου: α) Διάγραμμα Box plot, ανά μεταχείριση (ομαδοποίηση περιπτώσεων). β) Διάγραμμα κανονικών πιθανοτήτων Q-Q plot. γ) Ιστόγραμμα τιμών. δ) Διάγραμμα με τις μετρηθέντες τιμές των 12 τεμαχίων και της καμπύλης της εξίσωσης 3ου βαθμού, της σχέσης βιομάζας ενσίρωσης, με εύρος άρδευσης και των καμπυλών των διαστημάτων εμπιστοσύνης 95% ]]
[[ Εικόνα: Kb_arthro3_eik6.gif | thumb | right| Εικ.6: Χωρική παραλλακτικότητα της παραγωγής βιομάζας ενσίρωσης αραβοσίτου του πειραματικού αγρού ]]
[[ Εικόνα: Kb_arthro3_eik7.gif | thumb | right| Εικ.7: Χωρική παραλλακτικότητα: α) της Εύπεπτης Ξερής Ουσίας από τα ζώα ή Digestible Dry Matter (DDM) (%), β) της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV), της παραγωγής βιομάζας αραβοσίτου για το έτος 2004 ]]

'''3. Αποτελέσματα και συζήτηση'''

Η ετήσια βροχόπτωση του 2004, ήταν 387,3 mm. Η μεγαλύτερη μέση μηνιαία βροχόπτωση, για το 2004, ήταν rυ= 94,2 mm και παρατηρήθηκε τον Ιούνιο. Η μικρότερη μέση μηνιαία βροχόπτωση, ήταν rξ=2,6 mm, κατά το μήνα Αύγουστο ('''εικόνα 3''').
Από τις μετρήσεις (σε 5 βάθη και σε διάφορες θέσεις), των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση (αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ, για βάθος 75 cm, απεικονίζονται στην '''εικόνα 4''') και υπολογίστηκε, σε καθημερινή βάση, η ΕΔΥ.
Στην '''εικόνα 5.α''', παρουσιάζεται το διάγραμμα Box plot, της διακύμανσης βιομάζας ενσίρωσης αραβοσίτου, ανά μεταχείριση Tr2, Tr5 και Tr9 και στην '''εικόνα 5.β''', παρουσιάζεται το διάγραμμα κανονικών πιθανοτήτων Q-Q plot.
Στην '''εικόνα 6''', παρουσιάζονται η χωρική παραλλακτικότητα της παραγωγής βιομάζας αραβοσίτου, για το έτος 2004, σε έναν GIS χάρτη παραγωγής βιομάζας ενσίρωσης αραβοσίτου. Για την δημιουργία του GIS χάρτη, που βασίστηκε στη δομική και χωρική ανάλυση, επιλέχτηκε ένα εκθετικό μοντέλο βαριογράμματος, για την βιομάζα και χρησιμοποιήθηκε με ισότροπης δομής μοντελοποίηση των παραμετρικών δεδομένων, σε κύρια ακτίνα πεδίου 10,935 m. Όσον αφορά την βιομάζα, το ιστόγραμμα των δεδομένων και ο χάρτης GIS ('''εικόνα 6'''), έδειξαν ότι υπάρχει μια έντονη χωρική παραλλακτικότητα της βιομάζας στα πειραματικά τεμάχια.
Στις '''εικόνες 7.α''' και '''7.β''', παρουσιάζεται η χωρική παραλλακτικότητα, για την Εύπεπτη Ξερή Ουσία, από τα ζώα ή Digestible Dry Matter (DDM) (%) και για το συντελεστή της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV) αντίστοιχα, της βιομάζας αραβοσίτου, σε GIS χάρτες για το 2004.

'''4. Συμπεράσματα'''

Οι τεχνολογίες πληροφορικής κι επικοινωνιών (ΤΠΕ), ψηφιακές βάσεις δεδομένων, Γεωγραφικά Πληροφοριακά Συστήματα (GIS), Τηλεπισκόπηση, Γεωργία ακρίβειας, χωρική ανάλυση κ.λπ., τις οποίες η παρούσα μελέτη χρησιμοποιεί, στις βιολογικές και γεωτεχνικές επιστήμες, συμβάλουν σημαντικά στη μελέτη, μοντελοποίηση και χαρτογράφηση της παραγωγής βιομάζας αραβοσίτου, για χρήση ως ενσίρωμα, για ζωοτροφή, σε σχέση με τις επιδράσεις διαχείρισης αρδευτικού νερού.
Συμπερασματικά, προκύπτει ότι, η άρδευση για τις συγκεκριμένες εδαφοκλιματικές συνθήκες του πειράματος, μπορεί να πραγματοποιείται κάθε 9, αντί για 5 ή 2 ημέρες. Επιπλέον, η μεταχείριση Tr9, απέδωσε υψηλότερες τιμές Σχετικής Διατροφικής Αξίας (RFV) και μεγαλύτερα ποσοστά Εύπεπτης Ξερής Ουσίας από τα ζώα (DDM).

[[category:Γεωργία]]

Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης

2012-03-03T08:25:48Z

Konnabastro:

Συγγραφείς: Αγ. Φιλίντας, Π. Ντιούδης, Ι. Χατζόπουλος, Δ. Πατέρας, Αρ. Παπαδόπουλος, Ι. Καλαβρουζιώτης 
Τ.Ε.Ι. Λάρισας, Τμήμα Γεωργικών Μηχανών και Αρδεύσεων 
Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος 
ΕΘΙΑΓΕ/Ινστιτούτο Εδαφολογίας 
Πανεπιστήμιο Ιωαννίνων, Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf 
'''[http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf Πηγή]'''

[[ Εικόνα: Kb_arthro3_eik1.gif | thumb | right | Εικ.1: Μέση ετήσια παραγωγή βιομάζας αραβοσίτου στην Ελλάδα ]]

'''Περίληψη'''

Σκοπός της παρούσας μελέτης, είναι η μοντελοποίηση και χαρτογράφηση βιομάζας ενσίρωσης αραβοσίτου, σε συνάρτηση με τις επιδράσεις διαχείρισης νερού, με στάγδην άρδευση, σε πειραματικό αγρό, στο αγρόκτημα του T.E.I. Λάρισας το 2004, με συνδυαστική χρήση τεχνικών GIS, GPS, Τηλεπισκόπησης, Γεωργίας Ακριβείας και μετρήσεων πεδίου. Επίσης, μελετήθηκε η επίδραση στο ποσοστό βιομάζας, στα διάφορα φυτικά μέρη, στην περιεχόμενη φυτική και εδαφική υγρασία (που μετρήθηκε με τη μέθοδο TDR). Τα αποτελέσματα έδειξαν, ότι διαφορές της παραγωγής βιομάζας ενσίρωσης αραβοσίτου, μεταξύ των μεταχειρίσεων, δεν βρέθηκαν στατιστικώς σημαντικά διαφορετικές.

'''1.Εισαγωγή'''

Το έτος 2004, σύμφωνα με το Υπουργείο γεωργίας, η μέση παραγωγή βιομάζας αραβοσίτου, ο οποίος αποτελεί μια κατάλληλη καλλιέργεια για την παραγωγή ενσιρώματος, ήταν στην Ελλάδα, 1010,43 Kg/στρ ('''εικόνα 1'''), ενώ η απόδοση καρπού ήταν 1040,75 Kg/στρ.

[[ Εικόνα: Kb_arthro3_eik2.gif | thumb | right | Εικ.2: Σχέδιο διάταξης πειραματικών τεμαχίων ]]

'''2.Πειραματική οργάνωση'''

'''''2.1. Πειραματικό σχέδιο'''''

Η έρευνα έγινε σε διάταξη πλήρως τυχαιοποιημένων ομάδων, που αποτελούνται από τρεις επεμβάσεις, με εύρος άρδευσης ανά δύο (Tr2), ανά πέντε (Tr5) και ανά εννέα (Tr9) ημέρες, επί τέσσερις επαναλήψεις ('''εικόνα 2'''). Η τυχαιοποίηση έγινε με τη μέθοδο των στατιστικών πινάκων.

'''''2.2. Περιγραφή εγκατάστασης'''''

Στο αγροτεμάχιο έγινε εγκατάσταση συστήματος στάγδην άρδευσης, όπου μελετήθηκε και αξιολογήθηκε η επίδραση του εύρους άρδευσης (2, 5 και 9 ημερών), στην απόδοση βιομάζας ενσίρωσης αραβοσίτου. Επίσης, έγινε εγκατάσταση αισθητήρων μέτρησης εδαφικής υγρασίας (ΕΥ), που έκαναν χρήση της μεθόδου TDR.

'''''2.3. Μεθοδολογία'''''

Με στόχο την εξασφάλιση της υψηλής ακρίβειας των μετρήσεων, χρησιμοποιήθηκαν καθετήρες προσδιορισμού της εδαφικής υγρασίας, που είχαν ενσωματωμένους 5 αισθητήρες, οι οποίοι βρίσκονταν μόνιμα εγκατεστημένοι στα πειραματικά τεμάχια και σε συνεχή επαφή με το έδαφος. Από τις μετρήσεις των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση και υπολογίστηκε, σε καθημερινή βάση, η εξάντληση της διαθέσιμης υγρασίας (ΕΔΥ).
Ακόμη, μελετήθηκαν τα μετεωρολογικά δεδομένα και υπολογίστηκε η ωφέλιμη βροχόπτωση Pe με την μέθοδο USDA. Επιπλέον, πραγματοποιήθηκαν στον αγρό, τηλεπισκοπικές μετρήσεις της βιομάζας, με χρήση αισθητήρα BRDF, οι οποίες αξιολογήθηκαν και συνέβαλαν στην χαρτογράφηση GIS, της παραλλακτικότητας της βιομάζας, του πειραματικού αγρού και της Εύπεπτης Ξερής Ουσίας, από τα ζώα ή Digestible Dry Matter (DDM) , μαζί με τα δεδομένα αγρού.

[[ Εικόνα: Kb_arthro3_eik3.gif | thumb | left| Εικ.3: A) Διάγραμμα ημερήσιας βροχόπτωσης αρδευτικής περιόδου και μέσης μηνιαίας θερμοκρασίας. B) Διάγραμμα μηνιαίας ωφέλιμης βροχόπτωσης ]]
[[ Εικόνα: Kb_arthro3_eik4.gif | thumb | right | Εικ.4: Αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ για βάθος 0-75 cm, για τις 3 μεταχειρίσεις, πριν την εφαρμογή άρδευσης και μία ημέρα μετά την εφαρμογή άρδευσης ]]
[[ Εικόνα: Kb_arthro3_eik5.gif | thumb | left| Εικ.5: Για τη διακύμανση της βιομάζας ενσίρωσης αραβοσίτου: α) Διάγραμμα Box plot, ανά μεταχείριση (ομαδοποίηση περιπτώσεων). β) Διάγραμμα κανονικών πιθανοτήτων Q-Q plot. γ) Ιστόγραμμα τιμών. δ) Διάγραμμα με τις μετρηθέντες τιμές των 12 τεμαχίων και της καμπύλης της εξίσωσης 3ου βαθμού, της σχέσης βιομάζας ενσίρωσης, με εύρος άρδευσης και των καμπυλών των διαστημάτων εμπιστοσύνης 95% ]]
[[ Εικόνα: Kb_arthro3_eik6.gif | thumb | right| Εικ.6: Χωρική παραλλακτικότητα της παραγωγής βιομάζας ενσίρωσης αραβοσίτου του πειραματικού αγρού ]]
[[ Εικόνα: Kb_arthro3_eik7.gif | thumb | left| Εικ.7: Χωρική παραλλακτικότητα: α) της Εύπεπτης Ξερής Ουσίας από τα ζώα ή Digestible Dry Matter (DDM) (%), β) της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV), της παραγωγής βιομάζας αραβοσίτου για το έτος 2004 ]]

'''3. Αποτελέσματα και συζήτηση'''

Η ετήσια βροχόπτωση του 2004, ήταν 387,3 mm. Η μεγαλύτερη μέση μηνιαία βροχόπτωση, για το 2004, ήταν rυ= 94,2 mm και παρατηρήθηκε τον Ιούνιο. Η μικρότερη μέση μηνιαία βροχόπτωση, ήταν rξ=2,6 mm, κατά το μήνα Αύγουστο ('''εικόνα 3''').
Από τις μετρήσεις (σε 5 βάθη και σε διάφορες θέσεις), των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση (αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ, για βάθος 75 cm, απεικονίζονται στην '''εικόνα 4''') και υπολογίστηκε, σε καθημερινή βάση, η ΕΔΥ.
Στην '''εικόνα 5.α''', παρουσιάζεται το διάγραμμα Box plot, της διακύμανσης βιομάζας ενσίρωσης αραβοσίτου, ανά μεταχείριση Tr2, Tr5 και Tr9 και στην '''εικόνα 5.β''', παρουσιάζεται το διάγραμμα κανονικών πιθανοτήτων Q-Q plot.
Στην '''εικόνα 6''', παρουσιάζονται η χωρική παραλλακτικότητα της παραγωγής βιομάζας αραβοσίτου, για το έτος 2004, σε έναν GIS χάρτη παραγωγής βιομάζας ενσίρωσης αραβοσίτου. Για την δημιουργία του GIS χάρτη, που βασίστηκε στη δομική και χωρική ανάλυση, επιλέχτηκε ένα εκθετικό μοντέλο βαριογράμματος, για την βιομάζα και χρησιμοποιήθηκε με ισότροπης δομής μοντελοποίηση των παραμετρικών δεδομένων, σε κύρια ακτίνα πεδίου 10,935 m. Όσον αφορά την βιομάζα, το ιστόγραμμα των δεδομένων και ο χάρτης GIS ('''εικόνα 6'''), έδειξαν ότι υπάρχει μια έντονη χωρική παραλλακτικότητα της βιομάζας στα πειραματικά τεμάχια.
Στις '''εικόνες 7.α''' και '''7.β''', παρουσιάζεται η χωρική παραλλακτικότητα, για την Εύπεπτη Ξερή Ουσία, από τα ζώα ή Digestible Dry Matter (DDM) (%) και για το συντελεστή της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV) αντίστοιχα, της βιομάζας αραβοσίτου, σε GIS χάρτες για το 2004.

'''4. Συμπεράσματα'''

Οι τεχνολογίες πληροφορικής κι επικοινωνιών (ΤΠΕ), ψηφιακές βάσεις δεδομένων, Γεωγραφικά Πληροφοριακά Συστήματα (GIS), Τηλεπισκόπηση, Γεωργία ακρίβειας, χωρική ανάλυση κ.λπ., τις οποίες η παρούσα μελέτη χρησιμοποιεί, στις βιολογικές και γεωτεχνικές επιστήμες, συμβάλουν σημαντικά στη μελέτη, μοντελοποίηση και χαρτογράφηση της παραγωγής βιομάζας αραβοσίτου, για χρήση ως ενσίρωμα, για ζωοτροφή, σε σχέση με τις επιδράσεις διαχείρισης αρδευτικού νερού.
Συμπερασματικά, προκύπτει ότι, η άρδευση για τις συγκεκριμένες εδαφοκλιματικές συνθήκες του πειράματος, μπορεί να πραγματοποιείται κάθε 9, αντί για 5 ή 2 ημέρες. Επιπλέον, η μεταχείριση Tr9, απέδωσε υψηλότερες τιμές Σχετικής Διατροφικής Αξίας (RFV) και μεγαλύτερα ποσοστά Εύπεπτης Ξερής Ουσίας από τα ζώα (DDM).

[[category:Γεωργία]]

Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης

2012-03-03T08:23:26Z

Konnabastro:

Συγγραφείς: Αγ. Φιλίντας, Π. Ντιούδης, Ι. Χατζόπουλος, Δ. Πατέρας, Αρ. Παπαδόπουλος, Ι. Καλαβρουζιώτης 
Τ.Ε.Ι. Λάρισας, Τμήμα Γεωργικών Μηχανών και Αρδεύσεων 
Πανεπιστήμιο Αιγαίου, Τμήμα Περιβάλλοντος 
ΕΘΙΑΓΕ/Ινστιτούτο Εδαφολογίας 
Πανεπιστήμιο Ιωαννίνων, Τμήμα Διαχείρισης Περιβάλλοντος και Φυσικών Πόρων 
'''Πηγή''': http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf 
'''[http://www.env.aegean.gr/labs/Remote_sensing/publications/59.pdf Πηγή]'''

[[ Εικόνα: Kb_arthro3_eik1.gif | thumb | right | Εικ.1: Μέση ετήσια παραγωγή βιομάζας αραβοσίτου στην Ελλάδα ]]

'''Περίληψη'''

Σκοπός της παρούσας μελέτης, είναι η μοντελοποίηση και χαρτογράφηση βιομάζας ενσίρωσης αραβοσίτου, σε συνάρτηση με τις επιδράσεις διαχείρισης νερού, με στάγδην άρδευση, σε πειραματικό αγρό, στο αγρόκτημα του T.E.I. Λάρισας το 2004, με συνδυαστική χρήση τεχνικών GIS, GPS, Τηλεπισκόπησης, Γεωργίας Ακριβείας και μετρήσεων πεδίου. Επίσης, μελετήθηκε η επίδραση στο ποσοστό βιομάζας, στα διάφορα φυτικά μέρη, στην περιεχόμενη φυτική και εδαφική υγρασία (που μετρήθηκε με τη μέθοδο TDR). Τα αποτελέσματα έδειξαν, ότι διαφορές της παραγωγής βιομάζας ενσίρωσης αραβοσίτου, μεταξύ των μεταχειρίσεων, δεν βρέθηκαν στατιστικώς σημαντικά διαφορετικές.

'''1.Εισαγωγή'''

Το έτος 2004, σύμφωνα με το Υπουργείο γεωργίας, η μέση παραγωγή βιομάζας αραβοσίτου, ο οποίος αποτελεί μια κατάλληλη καλλιέργεια για την παραγωγή ενσιρώματος, ήταν στην Ελλάδα, 1010,43 Kg/στρ ('''εικόνα 1'''), ενώ η απόδοση καρπού ήταν 1040,75 Kg/στρ.

[[ Εικόνα: Kb_arthro3_eik2.gif | thumb | right | Εικ.2: Σχέδιο διάταξης πειραματικών τεμαχίων ]]

'''2.Πειραματική οργάνωση'''

'''''2.1. Πειραματικό σχέδιο'''''

Η έρευνα έγινε σε διάταξη πλήρως τυχαιοποιημένων ομάδων, που αποτελούνται από τρεις επεμβάσεις, με εύρος άρδευσης ανά δύο (Tr2), ανά πέντε (Tr5) και ανά εννέα (Tr9) ημέρες, επί τέσσερις επαναλήψεις ('''εικόνα 2'''). Η τυχαιοποίηση έγινε με τη μέθοδο των στατιστικών πινάκων.

'''''2.2. Περιγραφή εγκατάστασης'''''

Στο αγροτεμάχιο έγινε εγκατάσταση συστήματος στάγδην άρδευσης, όπου μελετήθηκε και αξιολογήθηκε η επίδραση του εύρους άρδευσης (2, 5 και 9 ημερών), στην απόδοση βιομάζας ενσίρωσης αραβοσίτου. Επίσης, έγινε εγκατάσταση αισθητήρων μέτρησης εδαφικής υγρασίας (ΕΥ), που έκαναν χρήση της μεθόδου TDR.

'''''2.3. Μεθοδολογία'''''

Με στόχο την εξασφάλιση της υψηλής ακρίβειας των μετρήσεων, χρησιμοποιήθηκαν καθετήρες προσδιορισμού της εδαφικής υγρασίας, που είχαν ενσωματωμένους 5 αισθητήρες, οι οποίοι βρίσκονταν μόνιμα εγκατεστημένοι στα πειραματικά τεμάχια και σε συνεχή επαφή με το έδαφος. Από τις μετρήσεις των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση και υπολογίστηκε, σε καθημερινή βάση, η εξάντληση της διαθέσιμης υγρασίας (ΕΔΥ).
Ακόμη, μελετήθηκαν τα μετεωρολογικά δεδομένα και υπολογίστηκε η ωφέλιμη βροχόπτωση Pe με την μέθοδο USDA. Επιπλέον, πραγματοποιήθηκαν στον αγρό, τηλεπισκοπικές μετρήσεις της βιομάζας, με χρήση αισθητήρα BRDF, οι οποίες αξιολογήθηκαν και συνέβαλαν στην χαρτογράφηση GIS, της παραλλακτικότητας της βιομάζας, του πειραματικού αγρού και της Εύπεπτης Ξερής Ουσίας, από τα ζώα ή Digestible Dry Matter (DDM) , μαζί με τα δεδομένα αγρού.

[[ Εικόνα: Kb_arthro3_eik3.gif | thumb | right | Εικ.3: A) Διάγραμμα ημερήσιας βροχόπτωσης αρδευτικής περιόδου και μέσης μηνιαίας θερμοκρασίας. B) Διάγραμμα μηνιαίας ωφέλιμης βροχόπτωσης ]]
[[ Εικόνα: Kb_arthro3_eik4.gif | thumb | right | Εικ.4: Αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ για βάθος 0-75 cm, για τις 3 μεταχειρίσεις, πριν την εφαρμογή άρδευσης και μία ημέρα μετά την εφαρμογή άρδευσης ]]
[[ Εικόνα: Kb_arthro3_eik5.gif | thumb | left| Εικ.5: Για τη διακύμανση της βιομάζας ενσίρωσης αραβοσίτου: α) Διάγραμμα Box plot, ανά μεταχείριση (ομαδοποίηση περιπτώσεων). β) Διάγραμμα κανονικών πιθανοτήτων Q-Q plot. γ) Ιστόγραμμα τιμών. δ) Διάγραμμα με τις μετρηθέντες τιμές των 12 τεμαχίων και της καμπύλης της εξίσωσης 3ου βαθμού, της σχέσης βιομάζας ενσίρωσης, με εύρος άρδευσης και των καμπυλών των διαστημάτων εμπιστοσύνης 95% ]]
[[ Εικόνα: Kb_arthro3_eik6.gif | thumb | center| Εικ.6: Χωρική παραλλακτικότητα της παραγωγής βιομάζας ενσίρωσης αραβοσίτου του πειραματικού αγρού ]]
[[ Εικόνα: Kb_arthro3_eik7.gif | thumb | right | Εικ.7: Χωρική παραλλακτικότητα: α) της Εύπεπτης Ξερής Ουσίας από τα ζώα ή Digestible Dry Matter (DDM) (%), β) της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV), της παραγωγής βιομάζας αραβοσίτου για το έτος 2004 ]]

'''3. Αποτελέσματα και συζήτηση'''

Η ετήσια βροχόπτωση του 2004, ήταν 387,3 mm. Η μεγαλύτερη μέση μηνιαία βροχόπτωση, για το 2004, ήταν rυ= 94,2 mm και παρατηρήθηκε τον Ιούνιο. Η μικρότερη μέση μηνιαία βροχόπτωση, ήταν rξ=2,6 mm, κατά το μήνα Αύγουστο ('''εικόνα 3''').
Από τις μετρήσεις (σε 5 βάθη και σε διάφορες θέσεις), των αισθητήρων TDR, καταγράφηκε η ΕΥ, για κάθε επέμβαση (αντιπροσωπευτικές καμπύλες μετρήσεων ΕΥ, για βάθος 75 cm, απεικονίζονται στην '''εικόνα 4''') και υπολογίστηκε, σε καθημερινή βάση, η ΕΔΥ.
Στην '''εικόνα 5.α''', παρουσιάζεται το διάγραμμα Box plot, της διακύμανσης βιομάζας ενσίρωσης αραβοσίτου, ανά μεταχείριση Tr2, Tr5 και Tr9 και στην '''εικόνα 5.β''', παρουσιάζεται το διάγραμμα κανονικών πιθανοτήτων Q-Q plot.
Στην '''εικόνα 6''', παρουσιάζονται η χωρική παραλλακτικότητα της παραγωγής βιομάζας αραβοσίτου, για το έτος 2004, σε έναν GIS χάρτη παραγωγής βιομάζας ενσίρωσης αραβοσίτου. Για την δημιουργία του GIS χάρτη, που βασίστηκε στη δομική και χωρική ανάλυση, επιλέχτηκε ένα εκθετικό μοντέλο βαριογράμματος, για την βιομάζα και χρησιμοποιήθηκε με ισότροπης δομής μοντελοποίηση των παραμετρικών δεδομένων, σε κύρια ακτίνα πεδίου 10,935 m. Όσον αφορά την βιομάζα, το ιστόγραμμα των δεδομένων και ο χάρτης GIS ('''εικόνα 6'''), έδειξαν ότι υπάρχει μια έντονη χωρική παραλλακτικότητα της βιομάζας στα πειραματικά τεμάχια.
Στις '''εικόνες 7.α''' και '''7.β''', παρουσιάζεται η χωρική παραλλακτικότητα, για την Εύπεπτη Ξερή Ουσία, από τα ζώα ή Digestible Dry Matter (DDM) (%) και για το συντελεστή της Σχετικής Διατροφικής Αξίας ή Relative Feed Value (RFV) αντίστοιχα, της βιομάζας αραβοσίτου, σε GIS χάρτες για το 2004.

'''4. Συμπεράσματα'''

Οι τεχνολογίες πληροφορικής κι επικοινωνιών (ΤΠΕ), ψηφιακές βάσεις δεδομένων, Γεωγραφικά Πληροφοριακά Συστήματα (GIS), Τηλεπισκόπηση, Γεωργία ακρίβειας, χωρική ανάλυση κ.λπ., τις οποίες η παρούσα μελέτη χρησιμοποιεί, στις βιολογικές και γεωτεχνικές επιστήμες, συμβάλουν σημαντικά στη μελέτη, μοντελοποίηση και χαρτογράφηση της παραγωγής βιομάζας αραβοσίτου, για χρήση ως ενσίρωμα, για ζωοτροφή, σε σχέση με τις επιδράσεις διαχείρισης αρδευτικού νερού.
Συμπερασματικά, προκύπτει ότι, η άρδευση για τις συγκεκριμένες εδαφοκλιματικές συνθήκες του πειράματος, μπορεί να πραγματοποιείται κάθε 9, αντί για 5 ή 2 ημέρες. Επιπλέον, η μεταχείριση Tr9, απέδωσε υψηλότερες τιμές Σχετικής Διατροφικής Αξίας (RFV) και μεγαλύτερα ποσοστά Εύπεπτης Ξερής Ουσίας από τα ζώα (DDM).

[[category:Γεωργία]]

Μπαστρογιάννη Κωνσταντίνα

2012-03-02T19:54:37Z

Konnabastro:

<li/> [[ Χρήση της Τηλεπισκόπησης (δορυφορικές εικόνες) για την αξιολόγηση της κατάστασης του περιβάλλοντος ]] 
<li/> [[ Διαχρονική παρακολούθηση αλλαγών των χρήσεων γης με χρήση Τηλεπισκοπικών δεδομένων περιμετρικά της Λίμνης Κορώνειας στην Θεσσαλονίκη ]] 
<li/> [[ Παραγωγή βιομάζας ενσίρωσης αραβοσίτου για ζωοτροφή και επίδραση στάγδην άρδευσης με χρήση GIS και Τηλεπισκόπησης ]] 

<li/> [[ Η χρήση δορυφορικών εικόνων και αριθμητικών μοντέλων πρόγνωσης για την χαρτογράφηση της σκόνης από τη Σαχάρα στην ατμόσφαιρα ]] 

<li/> [[ ∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ ]] 

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

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-02T19:52:10Z

Konnabastro:

'''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
Συγγραφείς: Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 
'''[http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf Πηγή]'''

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | right | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | right | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | right | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | right | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | right | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | right | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | right | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | right | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | right | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right | Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | right | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | right | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-02T19:51:09Z

Konnabastro:

'''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
Συγγραφείς: Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 
'''[http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf Πηγή]'''

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | right | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | right | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | right | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | right | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | right | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | right | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | right | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | right | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | right | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right | Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | right | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | right | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-02T19:50:21Z

Konnabastro:

'''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
Συγγραφείς: Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 
'''[http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf Πηγή]'''

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | right | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | right | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | right | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | right | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | right | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | right | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | right | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | right | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | right | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right | Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | right | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | right | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-02T19:49:40Z

Konnabastro:

'''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
Συγγραφείς: Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 
'''[http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf Πηγή]'''

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1. Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2. Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | right | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | right | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | right | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | right | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | right | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | right | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | right | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | right | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | right | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right | Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | right | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | right | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

∆ΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ∆Ε∆ΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ

2012-03-02T19:48:15Z

Konnabastro:

'''ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΡΗΣΗΣ ΑΝΤΙΚΕΙΜΕΝΟΣΤΡΑΦΟΥΣ ΑΝΑΛΥΣΗΣ ΔΕΔΟΜΕΝΩΝ IKONOS ΓΙΑ ΤΗ ΜΕΛΕΤΗ ΤΟΥ ΑΣΤΙΚΟΥ ΠΡΑΣΙΝΟΥ''' 
Συγγραφείς: Δερζέκος Παναγιώτης, Αργιαλάς Δημήτριος 
Εθνικό Μετσόβιο Πολυτεχνείο, Τμήμα Αγρονόμων και Τοπογράφων Μηχανικών, Εργαστήριο Τηλεπισκόπησης, Αθήνα 
'''Πηγή''': http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf 
'''[http://www.gipsynoise.gr/HellasGI/2oSynedrio/Papers/Derzekos_Argialas.pdf Πηγή]'''

'''Περίληψη'''

Η παρούσα εργασία αφορά στη μελέτη του αστικού πρασίνου, με χρήση αντικειμενοστραφούς ανάλυσης δεδομένων Τηλεπισκόπησης Ikonos, στο λογισμικό eCognition. Η ανάλυση της εικόνας Ikonos, περιέλαβε τρία επίπεδα κατάτμησης και ταξινόμησης. Στο πρώτο, αναλυτικό επίπεδο, τα τμήματα στα οποία κατατμήθηκε η εικόνα, ταξινομήθηκαν με βάση έναν δείκτη βλάστησης (Scaled MSAVI), σε περιοχές με πυκνή, αραιή ή χωρίς καθόλου βλάστηση. Στο δεύτερο, συνθετικό επίπεδο, επιχειρήθηκε μία ευρύτερη ταξινόμηση του αστικού χώρου, σε όλες τις φασματικές και εννοιολογικές (θεματικές) κατηγορίες εδαφοκάλυψης, που εντοπίζονταν σε αυτόν. Στο τρίτο επίπεδο, η εικόνα ταξινομήθηκε σε μεγαλύτερες περιοχές, που προσομοίαζαν οικοδομικά τετράγωνα, ανάλογα με το ποσοστό που καταλάμβανε η βλάστηση σε κάθε μία από αυτές, με αποτέλεσμα έναν θεματικό χάρτη πυκνότητας αστικού πρασίνου. Η αξιολόγηση των αποτελεσμάτων, καταδεικνύει πως η αντικειμενοστραφής ανάλυση παρουσιάζει μεγάλα πλεονεκτήματα σε σχέση με τις έως σήμερα διαθέσιμες μεθόδους, για τη μελέτη του αστικού πρασίνου, διότι ξεπερνά την ταξινόμηση στο επίπεδο του εικονοστοιχείου και χρησιμοποιεί χωρικά μαζί με τα φασματικά χαρακτηριστικά, ώστε να επιφέρει μια θεματική και όχι μόνο φασματική ταξινόμηση.

'''1.Εισαγωγή'''

Το αστικό πράσινο, δηλαδή το πράσινο που βρίσκεται στον αστικό χώρο, συνδέεται άρρηκτα με τους τομείς της αισθητικής και της ψυχαγωγίας, καθώς και με τον έλεγχο του κλίματος, τον περιβαλλοντικό σχεδιασμό και τη χρήση του ως αρχιτεκτονικό στοιχείο. Διακρίνεται, επιπλέον, όσον αφορά στο νομικό/ιδιοκτησιακό καθεστώς του, σε ιδιωτικό (σε πρασιές και ακάλυπτους οικοπέδων) και σε δημόσιο (σε άξονες μέσων μεταφοράς, κοινόχρηστους χώρους ή κοινωφελείς εγκαταστάσεις).
Στις περισσότερες προσπάθειες για τη μελέτη του αστικού πρασίνου, την προηγούμενη δεκαετία, χρησιμοποιήθηκαν δεδομένα Landsat TM. Οι κυριότερες μέθοδοι επεξεργασίας τους αφορούσαν στα φασματικά χαρακτηριστικά της βλάστησης και ιδιαίτερα στη δημιουργία δεικτών βλάστησης (vegetation indices). Ωστόσο, η χαμηλή χωρική διακριτική ικανότητα (Δ. Ικ.) των δεδομένων αυτών, δε διευκολύνει τη μελέτη του πολύπλοκου σε υφή και κατηγορίες εδαφοκάλυψης, αστικού χώρου. Επιπλέον, άλλου τύπου δεδομένα είχαν μικρότερη εφαρμογή, λόγω της μικρής διαθεσιμότητάς τους (π.χ. Laser). Τα γεγονότα αυτά, λοιπόν, προσέδιδαν περιορισμένη επιχειρησιακή αξία στη μελέτη του αστικού πρασίνου, μέσω της Τηλεπισκόπησης.
Πέραν, όμως, του προβλήματος της χαμηλής Δ. Ικ., το οποίο με τις εξελίξεις στον τομέα των δεδομένων, ξεπερνιέται εν πολλοίς, προκύπτει ένα άλλο, που αφορά στις διαθέσιμες μεθόδους επεξεργασίας των νέων αυτών δεδομένων. Οι χρησιμοποιούμενοι ως τώρα αλγόριθμοι ταξινόμησης (παραλληλεπιπέδου, μέγιστης πιθανοφάνειας κ.λπ.), αφενός αφορούσαν στην κατάταξη μεμονωμένων εικονοστοιχείων στις διάφορες κατηγορίες και αφετέρου εξέταζαν μόνο τα φασματικά χαρακτηριστικά τους, με αποτέλεσμα να μη μπορούν να διαχειριστούν ικανοποιητικά την πολυπλοκότητα των νέων δεδομένων. Μία λύση στα προβλήματα αυτά, προτείνει η αντικειμενοστραφής ανάλυση εικόνων, που ενσωματώνει το νεοεμφανιζόμενο λογισμικό eCognition.

'''2.Ανασκόπηση πεδίου'''

Η γενική ιδέα στην οποία βασίζεται το λογισμικό eCognition, είναι ότι σημαντικές εννοιολογικές πληροφορίες, απαραίτητες για να ερμηνευτεί μία εικόνα, δεν αναπαρίστανται από μεμονωμένα εικονοστοιχεία, αλλά από νοηματικά αντικείμενα/τμήματα της εικόνας και τις αλληλοσυσχετίσεις τους. Με βάση την παρατήρηση αυτή, πρώτο στάδιο ανάλυσης της εικόνας με το eCognition, αποτελεί η κατάτμησή της σε ομοιογενή τμήματα, μέσω μίας τεχνικής συγχώνευσης περιοχών.
Μετά το στάδιο της κατάτμησης, ο χρήστης δεν έχει να διαχειριστεί ένα πολύ μεγάλο σύνολο μεμονωμένων εικονοστοιχείων, αλλά ένα πεπερασμένο σύνολο ομοιογενών τμημάτων. Η ταξινόμηση των τμημάτων αυτών, μπορεί να γίνει, όχι μόνο με βάση τα φασματικά τους χαρακτηριστικά, αλλά και ως προς ένα πλήθος άλλων κριτηρίων, όπως είναι το σχήμα, οι συσχετίσεις με άλλες κατηγορίες στο ίδιο ή διαφορετικό επίπεδο κατάτμησης, νέα χαρακτηριστικά, που ο χρήστης δημιουργεί από το συνδυασμό των υπαρχόντων στο λογισμικό κ.α. Τέλος, οι κατηγορίες που δημιουργούνται, μπορούν να οργανωθούν σε ευρύτερες εννοιολογικές (θεματικές) ομάδες, που αφορούν στο χώρο ή στην εδαφοκάλυψη, μέσω αντικειμενοστραφούς αναπαράστασης.
Επιπλέον, ιδιαίτερα σημαντική είναι η δυνατότητα συνδυασμού διαφορετικών επιπέδων κατάτμησης και ταξινόμησης. Ένα επίπεδο μπορεί να ταξινομηθεί, λαμβάνοντας υπόψη την ταξινόμηση ενός ανώτερου ή κατώτερου ιεραρχικά επιπέδου. Ακόμη, οι κατηγορίες που παρουσιάζουν ενδιαφέρον στο κατώτερο επίπεδο, μπορούν να "προβληθούν" στο ανώτερο και με τον τρόπο αυτό, να διατηρηθούν οι καλύτερες –όσον αφορά στα αποτελέσματα- κατηγορίες από κάθε επίπεδο.
Εν τέλει, τα αποτελέσματα της αντικειμενοστραφούς ανάλυσης μπορούν να εξαχθούν υπό μορφή εικόνας ράστερ, αλλά και υπό μορφή πολυγώνων, διευκολύνοντας τη συνεργασία με Συστήματα Γεωγραφικών Πληροφοριών (GIS). Η όλη διαδικασία ανάλυσης μίας εικόνας, μπορεί να αποθηκευτεί σε ένα μικρού μεγέθους ψηφιακό πρωτόκολλο και να εφαρμοστεί σε άλλες παρόμοιες εικόνες, διατηρώντας σταθερές τις συνθήκες επεξεργασίας και αυτοματοποιώντας την.

[[ Εικόνα: Kb arthro5 eik1.gif | thumb | right | Εικ.1: Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432. Κίτρινοι αριθμοί σημαίνουν κατηγορίες εδαφοκάλυψης, σύμφωνα με τον δεξιό πίνακα. Σε αυτό το έγχρωμο σύνθετο, η βλάστηση παρουσιάζεται με κόκκινο χρώμα ]]

'''3. Μεθοδολογία και Υλοποίηση'''

'''''3.1 Τα δεδομένα που χρησιμοποιήθηκαν και η περιοχή μελέτης'''''

Περιοχή μελέτης της παρούσας εργασίας, αποτελεί η ευρύτερη περιοχή των Νέων Λιοσίων, στο βορειοδυτικό τμήμα του Λεκανοπεδίου Αττικής. Η ευρύτερη περιοχή των Νέων Λιοσίων, παρουσιάζει πλεονεκτήματα για τη μελέτη του αστικού πρασίνου, καθώς σε αυτήν εντοπίζονται χαρακτηριστικές περιπτώσεις εδαφοκάλυψης: πυκνός αστικός ιστός με καλή ρυμοτομία, αστικός ιστός, που γειτνιάζει με το όρος Χαϊδαρίου και αραιοκατοικημένες περιοχές.
Για την περιοχή αυτή, ήταν διαθέσιμη μία εικόνα, πολύ υψηλής διακριτικής ικανότητας Δ. Ικ., του δορυφόρου Ikonos, η οποία είχε έκταση 61,5 km2 και κατεγράφη περίπου στις 9.00' π.μ. της 23ης Μαρτίου 2000. Αποτελείται από πέντε κανάλια, ένα παγχρωματικό και τέσσερα φασματικά: μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο. Η μεγάλη χωρική Δ. Ικ. των δεδομένων, διευκολύνει τη φωτοερμηνεία και επιτρέπει την αναγνώριση πολλών κατηγοριών εδαφοκάλυψης, όπως φαίνεται στην '''εικόνα 1'''. Σημειώνεται ότι σε έγχρωμο σύνθετο RGB: 432 η βλάστηση σημαίνεται με τόνους του κόκκινου χρώματος, ενώ διαχωρίζεται ευκρινώς από τις ανθρωπογενείς κατασκευές.

'''''3.2 Προεπεξεργασία των δεδομένων'''''

Τα κανάλια της διαθέσιμης εικόνας συγχωνεύτηκαν με τη μέθοδο Local Mean Matching (LMM), ενώ, εξαιτίας των δοκιμαστικών εκδόσεων του λογισμικού eCognition, που χρησιμοποιήθηκαν, από τη διαθέσιμη εικόνα επιλέχτηκαν τρία μικρότερα χαρακτηριστικά τμήματά της, με το μέγιστο δεκτό μέγεθος 1024*1024 εικονοστοιχεία, που απεικονίζουν πυκνό αστικό ιστό, αστικό ιστό στα όρια με γειτονικό ορεινό όγκο και αραιοκατοικημένη περιοχή και ονομάστηκαν αντίστοιχα “urban1”, “fringe1” και “mixed1”. Οι τρεις αυτές εικόνες χωρίστηκαν στις επιμέρους φασματικές συνιστώσες τους, ενώ τα αρχεία ορίστηκε να διαθέτουν 256 τόνους ανά κανάλι (8-bit depth).

[[ Εικόνα: Kb arthro5 eik2a.gif | thumb | right | Εικ.2.α: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2b.gif | thumb | right | Εικ.2.β: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2c.gif | thumb | right | Εικ.2.γ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2d.gif | thumb | right | Εικ.2.δ: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων ]]
[[ Εικόνα: Kb arthro5 eik2e.gif | thumb | right | Εικ.2.ε: (α) Ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432 όπου η βλάστηση σημαίνεται με κόκκινο χρώμα, (β) και (δ) τα τμήματα που προκύπτουν από τις δύο κατατμήσεις, (γ) και (ε) οι διαφανείς "συνθέσεις" των (β) και (δ) με την αρχική εικόνα, για αξιολόγηση των αποτελεσμάτων των κατατμήσεων]]

[[ Εικόνα: Kb arthro5 eik3a.gif | thumb | right | Εικ.3.α: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3b.gif | thumb | right | Εικ.3.β: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3c.gif | thumb | right | Εικ.3.γ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3d.gif | thumb | right | Εικ.3.δ: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]
[[ Εικόνα: Kb arthro5 eik3e.gif | thumb | right | Εικ.3.ε: (α) Ένα κομμάτι της εικόνας “fringe1” σε έγχρωμο σύνθετο RGB: 432, (β) η ταξινόμησή του στις τρεις κατηγορίες, (γ) το υπόμνημά της , (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση, και (ε) το υπόμνημά της]]

'''''3.3 Κατάτμηση των εικόνων'''''

Οι παράμετροι που καθορίζονται για την κατάτμηση των εικόνων, είναι το βάρος με το οποίο θα συμμετέχει κάθε κανάλι, τα βάρη που θα δοθούν στα κριτήρια κατάτμησης (φασματικό και σχήματος) και η παράμετρος κλίμακας. Δεδομένου ότι όλα τα διαθέσιμα κανάλια είχαν την ίδια χωρική και ραδιομετρική διακριτική ικανότητα, τα βάρη που ανατέθηκαν στα κανάλια ήταν ίδια και ίσα με τη μονάδα.
Για τον προσδιορισμό των βαρών των κριτηρίων κατάτμησης, ελήφθη υπ’ όψιν ότι η βλάστηση στον αστικό χώρο εμφανίζεται κυρίως σε συγκεντρώσεις συμπαγείς (ακάλυπτοι, κήποι κ.λπ.), που διαφοροποιούνται φασματικά έντονα από το γύρω χώρο (δρόμους, κτίρια). Επομένως, από τους συνδυασμούς που δοκιμάστηκαν, τα βέλτιστα αποτελέσματα απέδωσε ο συνδυασμός: φασματικό κριτήριο 0,7 και κριτήριο σχήματος 0,3.
Η τελευταία παράμετρος, που ορίστηκε για την κατάτμηση, αφορούσε στην κλίμακα, όπου επιλέχτηκε μία σχετικά μικρή τιμή παραμέτρου κλίμακας (10), ώστε τα τμήματα που προκύπτουν, να είναι σχετικά μικρού μεγέθους. Η επιλογή αυτή, έγινε με βάση το γεγονός ότι οι συγκεντρώσεις πρασίνου, που απαντώνται σε αστικό χώρο, είναι συνήθως κατακερματισμένες και μικρές σε έκταση.
Τα σχετικά μικρά και συμπαγή τμήματα, που προκύπτουν από την παραπάνω Ταξινόμηση, διευκολύνουν τον εντοπισμό των συγκεντρώσεων αστικού πρασίνου. Ωστόσο, η ομοιότητα των τμημάτων δεν επιτρέπει τη διάκρισή τους, ως προς το σχήμα. Συνεπώς, έγινε εμφανές ότι ήταν σκόπιμο να δημιουργηθεί ένα δεύτερο επίπεδο κατάτμησης, ώστε να χρησιμοποιηθεί και ένα δεύτερο κριτήριο κατά την ταξινόμηση και παράλληλα, να χρησιμεύει ως ένα ευρύτερο πλαίσιο πληροφορίας για τον αστικό χώρο.
Πιο συγκεκριμένα, οι παράμετροι που υιοθετήθηκαν για το δεύτερο επίπεδο, ήταν: συμμετοχή και των τεσσάρων διαθέσιμων καναλιών με βάρος 1, τιμή παραμέτρου κλίμακας 15, βάρος φασματικού κριτηρίου 0,7 και βάρος κριτηρίου σχήματος 0,3, που μοιράζεται κατά 0,9 στο λείο της οριογραμμής και κατά 0,1 στο συμπαγές των τμημάτων.
Στην '''εικόνα 2''' παρουσιάζονται τα αποτελέσματα της εφαρμογής των δύο τελικών συνδυασμών παραμέτρων, για ένα κομμάτι της εικόνας "urban1", που εμφανίζεται σε έγχρωμο σύνθετο RGB: 432. Στο σύνθετο αυτό, η βλάστηση σημαίνεται με κόκκινο χρώμα. Για κάθε κατάτμηση, τα τμήματα που προκύπτουν, παρουσιάζονται αφενός με σκούρα μπλε όρια, σε λευκό υπόβαθρο και αφετέρου με κίτρινα όρια, σε ένα "διαφανές" σύνθετο, το οποίο επιτρέπει την αξιολόγηση του αποτελέσματος.

'''''3.4 Ταξινόμηση του πρώτου επιπέδου'''''

Όπως έχει προηγουμένως αναφερθεί, στην παράγραφο 3.3, το πρώτο επίπεδο κατάτμησης αφορούσε στο βέλτιστο εντοπισμό των συγκεντρώσεων αστικού πρασίνου και αποτελείται από τμήματα σχετικά μικρά και συμπαγή. Ακολουθήθηκε, δηλαδή, μία αναλυτική προσέγγιση (Moller-Jensen, 1990), που εστιάζει στην παρουσία ή την απουσία της βλάστησης. Για το λόγο αυτό, προτιμήθηκε να ταξινομηθεί ως προς ένα δείκτη βλάστησης και πιο συγκεκριμένα το δείκτη MSAVI (Modified Soil Adjusted Vegetation Index).
Από τη φωτοερμηνεία των εικόνων και την απεικόνιση των τιμών του χαρακτηριστικού “Scaled MSAVI”, προέκυψε ο διαχωρισμός των κατηγοριών:

* “Dense vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής μορφής S, με διάστημα τιμών από 128 έως 134. 
* “Thin or mixed vegetation”: Ορίζεται με τη βοήθεια ασαφούς συνάρτησης συμμετοχής τραπεζοειδούς μορφής, με διάστημα τιμών από 120 έως 133. 
* “Not vegetation (Level 1)”: Ορίζεται συμπληρωματικά ως προς τις άλλες δύο κατηγορίες, που είναι οι “Not Dense vegetation and (min) Not Thin or mixed vegetation". 

Επίσης, οι τρεις αυτές κατηγορίες ορίζονται ως υποκατηγορίες μίας γενικότερης (“Level 1”), που αφορά στο επίπεδο που θα εφαρμόζονται. Τέλος, οι δύο κατηγορίες βλάστησης ομαδοποιήθηκαν σε μία εννοιολογική κατηγορία (“Total vegetation in Level 1”), που αφορά στη συνολική βλάστηση στο πρώτο επίπεδο και διευκολύνει τη διάκριση ανάμεσα στη βλάστηση και τον υπόλοιπο χώρο. Η ομαδοποίηση κατηγοριών σε εννοιολογικές ενότητες, πραγματοποιείται με τη βοήθεια της ιεραρχίας ομαδοποίησης (groups hierarchy), σύμφωνα με την οποία παρουσιάζονται και τα αποτελέσματα των ταξινομήσεων ('''εικόνα 3''').

[[ Εικόνα: Kb arthro5 eik4a.gif | thumb | right | Εικ.4.α: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4b.gif | thumb | right | Εικ.4.β: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4c.gif | thumb | right | Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4d.gif | thumb | right | Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4e.gif | thumb | right | Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]
[[ Εικόνα: Kb arthro5 eik4f.gif | thumb | right | Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης]]

'''''3.5 Η ταξινόμηση του δεύτερου επιπέδου'''''

Το πρώτο βήμα της ταξινόμησης πραγματοποιήθηκε με τη μέθοδο της εγγύτερης γειτνίασης, ως προς τις μέσες φασματικές τιμές στα τέσσερα κανάλια και ορίστηκαν δείγματα για τις κύριες φασματικές ή/και εννοιολογικές κατηγορίες που εντοπίζονται. Η τελική επιλογή των δειγμάτων ήταν αποτέλεσμα μίας διαδικασίας αλλεπάλληλων δοκιμών, που πραγματοποιήθηκε με τη βοήθεια φωτοερμηνείας, επιλογής δειγμάτων και σύγκρισης των χαρακτηριστικών τους, καθώς και απεικονίσεων των τιμών επιλεγμένων χαρακτηριστικών με τιμές του γκρι. Οι κατηγορίες που ορίστηκαν είναι: βλάστηση (“Vegetation”), χώμα (“Soil”), σκιά (“Shade”), ασφαλτικά υλικά (“Asphalt-like materials”), κατασκευές από μπετό (“Concrete”) και στέγες από κεραμίδι (“Tile building roof”). Το αποτέλεσμα για ένα κομμάτι της εικόνας “fringe1”, παρουσιάζεται στην '''εικόνα 4.β'''.
Για την ταξινόμηση ενός τεμαχίου σε μία κατηγορία εδαφοκάλυψης, το λογισμικό eCognition επιτρέπει τη χρήση, πέρα των φασματικών και γεωμετρικών χαρακτηριστικών του σχήματος, όπως η ασυμμετρία και η πυκνότητα. Για παράδειγμα, η γενική κατηγορία “Asphalt-like materials” περιλαμβάνει ('''εικόνα 4.β''') δρόμους, αλλά και οροφές κτιρίων, με παρόμοια φασματικά χαρακτηριστικά.
Το πρώτο βήμα της ταξινόμησης στο δεύτερο επίπεδο, το δεύτερο βήμα με χωρισμένες πλέον τις κατηγορίες "Shade" και "Asphalt-like materials" και η ομαδοποίηση των κατηγοριών, παρουσιάζονται για ένα κομμάτι της εικόνας “mixed1”, στην '''εκόνα 4'''.

[[ Εικόνα: Kb arthro5 eik5a.gif | thumb | right | Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5b.gif | thumb | right | Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]
[[ Εικόνα: Kb arthro5 eik5c.gif | thumb | right | Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους ]]

[[ Εικόνα: Kb arthro5 eik6a.gif | thumb | right | Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6b.gif | thumb | right | Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6c.gif | thumb | right | Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]
[[ Εικόνα: Kb arthro5 eik6d.gif | thumb | right | Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της ]]

'''''3.6 Δημιουργία θεματικού χάρτη πυκνότητας αστικού πρασίνου'''''

Όπως εξετάστηκε στις παραγράφους 3.4 και 3.5, το αστικό πράσινο εντοπίστηκε σε δύο διαφορετικά επίπεδα και ταξινομήθηκε με δύο διαφορετικούς τρόπους. Ωστόσο, για να εξυπηρετηθεί η μελέτη του αστικού πρασίνου, είναι χρήσιμο να υπάρχει μία συνολική άποψη για την παρουσία του, στην περιοχή που εξετάζεται. Η ανάγκη αυτή μπορεί να εξυπηρετηθεί με τη δημιουργία ενός θεματικού χάρτη πυκνότητας αστικού πρασίνου, ο οποίος θα αφορά αφενός στη συνολική παρουσία της βλάστησης (πυκνής ή αραιής, σκιασμένης ή όχι) και αφετέρου σε μεγαλύτερες περιοχές, από αυτές που αντιστοιχούν στα τμήματα των προηγούμενων κατατμήσεων.
Από το πρώτο επίπεδο η κατηγορία “Total vegetation in Level 1” εξήχθη, δηλαδή προβλήθηκε, στο δεύτερο επίπεδο στη θέση της κατηγορίας “Total vegetation in Level 2”. Με τη διαδικασία αυτή τα τμήματα που έχουν ταξινομηθεί ως βλάστηση στο πρώτο επίπεδο, εμφανίζονται στο δεύτερο, αλλοιώνοντας την κατάτμησή του και μεταφέροντας την ταξινόμησή τους. Ένα παράδειγμα αυτής της προβολής, παρουσιάζεται στην '''εικόνα 5'''.
Για να ταξινομηθούν οι περιοχές, που προέκυψαν από την κατάτμηση του τρίτου επιπέδου ως προς τη συνολική βλάστηση, οι συνολικές κατηγορίες της βλάστησης "Total vegetation in Level 1" και "Total vegetation in Level 2", ομαδοποιούνται σε μία νέα κατηγορία "Total vegetation in Levels 1 and 2". Η κατηγορία αυτή περιλαμβάνει τη συνολική βλάστηση, που ανιχνεύτηκε σε οποιοδήποτε από τα δύο προηγούμενα επίπεδα και ως προς αυτήν ταξινομείται το τρίτο επίπεδο. Πιο συγκεκριμένα, εφτά κατηγορίες ορίστηκαν με κριτήριο το ποσοστό (%) έκτασης, που καταλαμβάνουν τμήματα ταξινομημένα ως βλάστηση (Relative area of "Total vegetation in Levels 1 and 2"), με τη βοήθεια ασαφών συναρτήσεων συμμετοχής τραπεζοειδούς μορφής.
Στην '''εικόνα 6''', παρουσιάζονται (α) ένα κομμάτι της εικόνας "urban1" σε έγχρωμο σύνθετο RGB: 432, (β) η κατάτμησή του με τις νέες παραμέτρους, (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

[[ Εικόνα: Kb arthro5 eik7a.gif | thumb | right | Εικ.7.α: Πρώτο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7b.gif | thumb | right | Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης ]]
[[ Εικόνα: Kb arthro5 eik7c.gif | thumb | right | Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο ]]
[[ Εικόνα: Kb arthro5 eik7d.gif | thumb | right | Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού ]]

'''4. Αξιολόγηση αποτελεσμάτων'''

Ένα χρήσιμο μέτρο αξιολόγησης της ταξινόμησης, είναι η διερεύνηση της διαφοράς ανάμεσα στον πρώτο και δεύτερο μεγαλύτερο βαθμό συμμετοχής ανά τμήμα, που αναδεικνύει τη σύγχυση ανάμεσα στις κατηγορίες που ορίστηκαν και συνεπώς την ευστάθεια της ταξινόμησης. Το λογισμικό eCognition προσφέρει τη δυνατότητα γραφικής απεικόνισης της ευστάθειας μία ταξινόμησης, μέσω ενός σύνθετου, στο οποίο κάθε τμήμα σημαίνεται με μία ποιοτική κλίμακα χρωμάτων, από έντονο κόκκινο έως σκούρο πράσινο ανάλογα με την ευστάθεια της ταξινόμησής του, δηλαδή ανάλογα με τη διαφορά ανάμεσα στον πρώτο και το δεύτερο μεγαλύτερο βαθμό συμμετοχής. Στην '''εικόνα 7''', παρουσιάζονται τα σύνθετα αξιολόγησης της ευστάθειας, για όλα τα επίπεδα ταξινόμησης της εικόνας "mixed1".
Επιπλέον, μπορούμε να συμπεράνουμε πως το πρώτο επίπεδο, που αφορά στον εντοπισμό του αστικού πρασίνου, έχει πολύ υψηλή ευστάθεια. Εν αντιθέσει, το δεύτερο επίπεδο παρουσιάζει σύγχυση μεταξύ κατηγοριών, που οφείλεται: στην πολυπλοκότητα του αστικού χώρου, την παρουσία πολλών κατηγοριών και τη φασματική συγγένεια κατηγοριών, γεγονός που εμποδίζει την περαιτέρω ταξινόμηση του αστικού πρασίνου, σε υποκατηγορίες, ανάλογα με το νομικό/ιδιοκτησιακό καθεστώς του.
Τελειώνοντας, σημειώνουμε ότι παρατηρείται βελτίωση της ταξινόμησης του δεύτερου επιπέδου μετά την προβολή της βλάστησης από το πρώτο, που οφείλεται στο ότι τα τμήματα που προβάλλονται, μεταφέρουν στο δεύτερο επίπεδο, την πολύ σταθερή ταξινόμησή τους.

'''5. Συμπεράσματα και προοπτικές'''

Τα συμπεράσματα από την εφαρμογή της αντικειμενοστραφούς ανάλυσης και γενικότερα των τεχνικών που ενσωματώνει το λογισμικό eCognition, στη μελέτη του αστικού πρασίνου, καταδεικνύουν επιμέρους σημεία επιτυχούς εφαρμογής, αλλά και περιορισμούς. Οι αναλύσεις των αποτελεσμάτων συγκλίνουν στο ότι η ταξινόμηση του πρώτου επιπέδου, για το οποίο ακολουθήθηκε μία αναλυτική προσέγγιση, ήταν πολύ επιτυχής.
Ωστόσο, η ανάλυση που περιγράφηκε, γνώρισε περιορισμούς ως προς τον περαιτέρω προσδιορισμό αυτών των συγκεντρώσεων αστικού πρασίνου, στο συνθετικό, δεύτερο επίπεδο ταξινόμησης. Ο διαχωρισμός των συγκεντρώσεων αστικού πρασίνου, σε δημόσιες ή ιδιωτικές, προϋποθέτει την κατάταξή τους σε επιμέρους κατηγορίες (π.χ. πρασιές, νησίδες, ακάλυπτους χώρους κ.α.), οι οποίες με τη σειρά τους απαιτούν μία γενικότερη, υψηλής ακριβείας κατάταξη του ευρύτερου αστικού χώρου, η οποία δε θα είναι δυνατό να επιτευχθεί χωρίς τη συνδρομή άλλων δεδομένων (π.χ. GIS).
Συνολικά, μπορεί να ειπωθεί ότι η αντικειμενοστραφής ανάλυση πλεονεκτεί έναντι των διαθέσιμων έως τώρα μεθόδων ανάλυσης εικόνας σε πολλά σημεία. Ωστόσο, απαιτείται περαιτέρω διερεύνηση των δυνατοτήτων της, αλλά και συνολικός σχεδιασμός, ώστε ένας κατάλληλος συνδυασμός διαθέσιμων δεδομένων, να της επιτρέψει να αποδώσει τα αποτελέσματα που μπορεί, τόσο γενικότερα όσο και συγκεκριμένα για τη μελέτη του αστικού πρασίνου.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Αρχείο:Kb arthro5 eik7d.gif

2012-03-02T19:07:56Z

Konnabastro: Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού

Εικ.7.δ: Η ποιοτική κλίμακα χρωματισμού

Αρχείο:Kb arthro5 eik7c.gif

2012-03-02T19:07:24Z

Konnabastro: Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο

Εικ.7.γ: Δεύτερο επίπεδο ταξινόμησης μετά την προβολή της βλάστησης από το πρώτο

Αρχείο:Kb arthro5 eik7b.gif

2012-03-02T19:06:24Z

Konnabastro: Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης

Εικ.7.β: Δεύτερο επίπεδο ταξινόμησης

Αρχείο:Kb arthro5 eik7a.gif

2012-03-02T19:05:54Z

Konnabastro: Εικ.7.α: Πρώτο επίπεδο ταξινόμησης

Εικ.7.α: Πρώτο επίπεδο ταξινόμησης

Αρχείο:Kb arthro5 eik6d.gif

2012-03-02T19:02:26Z

Konnabastro: Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώ�

Εικ.6.δ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

Αρχείο:Kb arthro5 eik6c.gif

2012-03-02T19:02:08Z

Konnabastro: Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώ�

Εικ.6.γ: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

Αρχείο:Kb arthro5 eik6b.gif

2012-03-02T19:01:50Z

Konnabastro: Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώ�

Εικ.6.β: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

Αρχείο:Kb arthro5 eik6a.gif

2012-03-02T19:01:21Z

Konnabastro: ανέβασμα νέας έκδοσης του "Αρχείο:Kb arthro5 eik6a.gif": Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του

Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώμα), (γ) η ταξινόμησή του ανάλογα με τη βλάστηση και (δ) το υπόμνημά της.

Αρχείο:Kb arthro5 eik6a.gif

2012-03-02T19:00:40Z

Konnabastro: Εικ.6.α: (α) Ένα τμήμα της εικόνας “urban1” σε έγχρωμο σύνθετο RGB: 432, (β) η νέα κατάτμησή του (τα όρια των νέων τμημάτων σημαίνονται με κίτρινο χρώ�

Αρχείο:Kb arthro5 eik5c.gif

2012-03-02T18:59:05Z

Konnabastro: Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περι�

Εικ.5.γ: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους.

Αρχείο:Kb arthro5 eik5b.gif

2012-03-02T18:58:09Z

Konnabastro: Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περι�

Εικ.5.β: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους.

Αρχείο:Kb arthro5 eik5a.gif

2012-03-02T18:57:46Z

Konnabastro: Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περι�

Εικ.5.α: (α) Ένα μεγάλο τμήμα του δεύτερου επιπέδου που έχει ταξινομηθεί ως χώμα. (β) Περισσότερα του ενός τμήματα αντιστοιχούν στην ίδια περιοχή στο πρώτο επίπεδο, δύο εκ των οποίων έχουν ταξινομηθεί ως αραιή βλάστηση. (γ) Μετά την προβολή της βλάστησης, τα μικρότερα τμήματα βλάστησης εμφανίζονται εν είδει οπών και στο δεύτερο επίπεδο, αλλοιώνοντας την πρότερη κατάτμηση και μεταφέροντας την ταξινόμησή τους.

Αρχείο:Kb arthro5 eik4f.gif

2012-03-02T18:56:17Z

Konnabastro: Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που

Εικ.4.στ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης.

Αρχείο:Kb arthro5 eik4e.gif

2012-03-02T18:55:53Z

Konnabastro: Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που �

Εικ.4.ε: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης.

Αρχείο:Kb arthro5 eik4d.gif

2012-03-02T18:55:23Z

Konnabastro: Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που �

Εικ.4.δ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης.

Αρχείο:Kb arthro5 eik4c.gif

2012-03-02T18:55:04Z

Konnabastro: Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που �

Εικ.4.γ: (α) Ένα τμήμα της εικόνας “mixed” σε έγχρωμο σύνθετο RGB: 432, (β) το πρώτο βήμα ταξινόμησης, (γ) η τελική ταξινόμηση και (δ) η ταξινόμηση που παρουσιάζει τη συνολική βλάστηση. Επίσης (ε) η ιεραρχία τάξεων και (στ) η ιεραρχία ομαδοποίησης.