RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Τσιγαρδά Ναταλία

2023-02-10T21:19:26Z

Natalia tsigarda:

* [[ Ανάλυση της Διάβρωσης μέσω Τηλεπισκόπησης σε Παράκτιες Περιοχές της Αλάσκας και της Ανατολικής Σιβηρίας ]]

* [[ Παρακολούθηση των Γεωργικών Επιδοτήσεων στην Ουγγαρία ]]

* [[ Ανάλυση των Αλλαγών στις Χρήσεις και Καλύψεις της Αστικής Γης ]]

* [[ Χάρτης Απεικόνισης των Μεταβολών του Αστικού Πρασίνου σε Πόλεις της Λατινικής Αμερικής ]]

* [[ Χαρτογράφηση Καμένων Εκτάσεων σε Σχεδόν Πραγματικό Χρόνο με Συνδυασμό Πολλαπλών Δεδομένων Τηλεπισκόπησης ]]

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

Τσιγαρδά Ναταλία

2023-02-10T20:59:33Z

Natalia tsigarda: Νέα σελίδα με 'http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CE%B9%CE%AC%CE%B2%CF%81%CF%89%CF%83%CE%B7%CF%82_%CE%BC%CE%AD%C...'

http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%94%CE%B9%CE%AC%CE%B2%CF%81%CF%89%CF%83%CE%B7%CF%82_%CE%BC%CE%AD%CF%83%CF%89_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CE%B5_%CE%A0%CE%B1%CF%81%CE%AC%CE%BA%CF%84%CE%B9%CE%B5%CF%82_%CE%A0%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CF%84%CE%B7%CF%82_%CE%91%CE%BB%CE%AC%CF%83%CE%BA%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CF%82_%CE%91%CE%BD%CE%B1%CF%84%CE%BF%CE%BB%CE%B9%CE%BA%CE%AE%CF%82_%CE%A3%CE%B9%CE%B2%CE%B7%CF%81%CE%AF%CE%B1%CF%82

http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%93%CE%B5%CF%89%CF%81%CE%B3%CE%B9%CE%BA%CF%8E%CE%BD_%CE%95%CF%80%CE%B9%CE%B4%CE%BF%CF%84%CE%AE%CF%83%CE%B5%CF%89%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%9F%CF%85%CE%B3%CE%B3%CE%B1%CF%81%CE%AF%CE%B1

http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%91%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%B9%CF%82_%CE%A7%CF%81%CE%AE%CF%83%CE%B5%CE%B9%CF%82_%CE%BA%CE%B1%CE%B9_%CE%9A%CE%B1%CE%BB%CF%8D%CF%88%CE%B5%CE%B9%CF%82_%CF%84%CE%B7%CF%82_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%93%CE%B7%CF%82

http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%AC%CF%81%CF%84%CE%B7%CF%82_%CE%91%CF%80%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B9%CF%83%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CE%9C%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CF%8E%CE%BD_%CF%84%CE%BF%CF%85_%CE%91%CF%83%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CE%A0%CF%81%CE%B1%CF%83%CE%AF%CE%BD%CE%BF%CF%85_%CF%83%CE%B5_%CE%A0%CF%8C%CE%BB%CE%B5%CE%B9%CF%82_%CF%84%CE%B7%CF%82_%CE%9B%CE%B1%CF%84%CE%B9%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%91%CE%BC%CE%B5%CF%81%CE%B9%CE%BA%CE%AE%CF%82

http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%9A%CE%B1%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%95%CE%BA%CF%84%CE%AC%CF%83%CE%B5%CF%89%CE%BD_%CF%83%CE%B5_%CE%A3%CF%87%CE%B5%CE%B4%CF%8C%CE%BD_%CE%A0%CF%81%CE%B1%CE%B3%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8C_%CE%A7%CF%81%CF%8C%CE%BD%CE%BF_%CE%BC%CE%B5_%CE%A3%CF%85%CE%BD%CE%B4%CF%85%CE%B1%CF%83%CE%BC%CF%8C_%CE%A0%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CE%94%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82

[[category:ΔΠΜΣ ]]

Ανάλυση της Διάβρωσης μέσω Τηλεπισκόπησης σε Παράκτιες Περιοχές της Αλάσκας και της Ανατολικής Σιβηρίας

2023-02-08T19:50:49Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Διάβρωση των παράκτιων ακτογραμμών

'''Πρωτότυπος τίτλος:''' “Remote Sensing Analysis of Erosion in Arctic Coastal Areas of Alaska and Eastern Siberia”

'''Συγγραφείς:''' Juan Wang, Dongling Li, Wenting Cao, Xiulin Lou, Aiqin Shi, Huaguo Zhang

'''Πηγή:''' Wang, J.; Li, D.; Cao, W.; Lou, X.; Shi, A.; Zhang, H. Remote Sensing Analysis of Erosion in Arctic Coastal Areas of Alaska and Eastern Siberia. Remote Sens. 2022, 14, 589. https://doi.org/10.3390/rs14030589 [https://www.mdpi.com/2072-4292/14/3/589]

'''Περίληψη:''' Στην παρούσα μελέτη διενεργήθηκε με τηλεπισκόπηση, ανάλυση της παράκτιας διάβρωσης για τρεις περιοχές, με δεδομένα που συλλέχθηκαν μεταξύ των ετών 1974 και 2017. Οι συγκριτικές μελέτες διεξήχθησαν με σκοπό τον υπολογισμό της διαφοράς διάβρωσης των ακτών σε περιοχές με διαφορετικά γεωγραφικά πλάτη. Διαπιστώθηκε ότι η πιο εκτεταμένη διάβρωση σημειώθηκε κατά μήκος της ακτής της Αλάσκα, ακολουθούμενη από αυτή των ακτών της Ανατολικής Σιβηρίας. Με βάση την ανάλυση των ιστορικών δεδομένων της χιονόπτωσης, του πάγου και των κλιματικών μεταβολών, προέκυψε ότι σε παρόμοια γεωγραφικά πλάτη, η διάβρωση των ακτών της Αρκτικής σχετίζεται στενά με την τάση και τις διακυμάνσεις της Θερμοκρασίας της Επιφάνειας της Θάλασσας (SST). Συγκεκριμένα, διαπιστώθηκε ότι στην Αλάσκα, η παράκτια διάβρωση σχετίζεται στενά με τη διακύμανση της SST, ενώ στην Ανατολική Σιβηρία, σχετίζεται με την αυξητική ή πτωτική τάση της SST. Η πτωτική τάση συνδέεται με χαμηλό ρυθμό διάβρωσης των ακτών, ενώ η αυξητική τάση με επιταχυνόμενη τάση διάβρωσης των ακτών. Για την Αρκτική, οι έντονες διακυμάνσεις της SST, η συνεχής μείωση του πάγου της θάλασσας και η αύξηση του Σημαντικού Ύψους των Κυμάτων (SHW), είναι κρίσιμοι παράγοντες που προκαλούν παράκτια διάβρωση.

'''Λέξεις κλειδιά:''' Αρκτική, διάβρωση ακτής, τηλεπισκοπική ανάλυση, παράκτια ζώνη

'''Εισαγωγή:''' Η Αρκτική περιλαμβάνει τον καλυμμένο με πάγο Αρκτικό Ωκεανό, διαθέτοντας μια περίπλοκη ακτογραμμή, η οποία χαρακτηρίζεται από απότομους βράχους, φιόρδ, εκδορές, πεδιάδες και σχηματισμούς δέλτα. Οι ακτές της Αρκτικής διαφέρουν από τις ακτές χαμηλότερου γεωγραφικού πλάτους, διότι καλύπτονται από χιόνι και πάγο, με τις επιφανειακές θερμοκρασίες στην Αρκτική να έχουν αυξηθεί πάνω από δύο φορές ταχύτερα από τον παγκόσμιο μέσο όρο τις τελευταίες δύο δεκαετίες. Αυτή η εξέλιξη οδηγεί τον πάγο σε ραγδαία υποχώρηση, αυξάνοντας την πιθανότητα μελλοντικά ο Αρκτικός Ωκεανός να μείνει χωρίς πάγο∙ παράλληλα, έχουν υποστεί συνεχή διάβρωση, η οποία προκαλείται από τη δράση της υπερθέρμανσης του πλανήτη και παραγόντων όπως η αύξηση της τήξης των πάγων, η θερμική διάβρωση και η άνοδος της στάθμης της θάλασσας.
Ο μέσος ρυθμός διάβρωσης των ακτών στην Αρκτική είναι 0,2m/έτος, παρουσιάζοντας τάση επιτάχυνσης την περασμένη δεκαετία. Τη χρονική περίοδο 1950-2000, ο μέσος ρυθμός διάβρωσης των ακτών της Αρκτικής ήταν 0,5m/έτος, με σημαντική όμως διακύμανση μεταξύ διαφορετικών περιοχών της. Τα ιστορικά υψηλότερα ποσοστά διάβρωσης ήταν κατά μήκος της Θάλασσας Beaufort (1,1m/έτος) και της Θάλασσας της Ανατολικής Σιβηρίας (0,9m/έτος). Σε πολλές μελέτες χρησιμοποιήθηκαν αεροφωτογραφίες, δορυφορικές εικόνες και τοπογραφικοί χάρτες για την παρακολούθηση μακροπρόθεσμων αλλαγών της διάβρωσης των ακτών της Αρκτικής, λαμβάνοντας υπόψιν δεδομένα όπως ο πάγος, ο άνεμος, τα κύματα, οι καταιγίδες και τα ιζήματα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν εικόνες που καλύπτουν το διάστημα 1974-2017, με στόχο την παρακολούθηση της διάβρωσης των ακτών, σε τρεις περιοχές της Αλάσκας και της Σιβηρίας, στις δύο πλευρές του Βερίγγειου Πορθμού.

'''Περιοχή Μελέτης:''' Οι τρεις περιοχές της Αρκτικής που επιλέχθηκαν, είναι η ακτή του Drew Point στην Αλάσκα, η ακτή του Nutepel'men στη χερσόνησο Chukchi της Ανατολικής Σιβηρίας και η ακτή Ozero Mogotoyevo επίσης στην Ανατολική Σιβηρία.

Το Drew Point βρίσκεται παράκτια της Θάλασσας Beaufort και καλύπτεται από μεγάλο αριθμό λιμνών διαφορετικών μεγεθών που παγώνουν το χειμώνα και αποψύχονται το καλοκαίρι. Η παράκτια πλαγιά του Drew Point φτάνει σε υψόμετρο 3-4m και αποτελείται από οριοθετημένα σε σφήνα πάγου μπλοκ λεπτόκοκκων ιζημάτων τα οποία συγκολλούνται από το μόνιμο παχύ πάγο, καλυπτόμενα από ένα λεπτό οργανικό στρώμα.

Το Nutepel'men βρίσκεται στη βόρεια ακτή της χερσονήσου Chukchi στη Θάλασσα Chukchi. Η περιοχή μελέτης περιλαμβάνει τον κόλπο Kolyuchin μαζί με τις ακτές στις δύο πλευρές του. Ο κόλπος έχει βάθος 7-14m, καλύπτεται με πάγο το μεγαλύτερο μέρος του έτους και οι ποταμοί Ioniveyem και Ulyuveyem εκβάλουν στον κόλπο από νότια κατεύθυνση. Η παράκτια περιοχή του κόλπου Kolyuchin εκτείνεται σε περίπου 100km.

Η Ozero Mogotoyevo βρίσκεται στο βόρειο άκρο της πεδιάδας Yana-Indigirka. Η συγκεκριμένη περιοχή συνορεύει με τον κόλπο Khroma στα δυτικά και τον ποταμό Indigirka στα ανατολικά, ο οποίος διαρρέει στη θάλασσα της Ανατολικής Σιβηρίας. Οι πεδινές ακτές καλύπτονται από βρύα και θάμνους τούνδρα.

'''Μεθοδολογία:''' Τα δεδομένα που χρησιμοποιήθηκαν στην παρούσα μελέτη αποκτήθηκαν από δορυφόρους: Landsat (16 εικόνες), ERS-1 (2 εικόνες) και Gaofen-1 (1 εικόνα). Επίσης έγινε ανάλυση δεδομένων από το Ευρωπαϊκό Κέντρο Προγνώσεων Καιρού Μεσαίου Εύρους (ECMWF) και από το Εθνικό Κέντρο Δεδομένων Χιονιού και Πάγου (NSIDC) αναφορικά με τα δεδομένα κάλυψης του πάγου της θάλασσας (Πίνακας 1).

[[Εικόνα: NT1_p1.jpg|thumb|right|'''Πίνακας 1.:''' Χρονολογίες και περιοχές των τηλεπισκοπικών δεδομένων που χρησιμοποιήθηκαν στη μελέτη.]]

Οι δορυφορικές εικόνες επιλέχθηκε να προέρχονται από το διάστημα Ιουνίου-Σεπτεμβρίου, για να αποφευχθεί η χιονοκάλυψη και να πραγματοποιηθεί εξαγωγή της ακτογραμμής. Τα δεδομένα της SST και του SWH, προέρχονται από το ECMWF της ERA. Στις εικόνες LANDSAT έγινε ορθοδιόρθωση και έπειτα οι εικόνες του ERS-1 και του Gaofen-1 υπέστησαν γεωμετρική διόρθωση με βάση τις εικόνες LANDSAT. Η ακρίβεια της γεωμετρικής διόρθωσης υπολογίζεται ότι είναι μικρότερη από 2 pixels. Αρχικά, οι έγχρωμες εικόνες RGB αναλύθηκαν χρησιμοποιώντας το κανάλι 6(R), το κανάλι 5(G) και το κανάλι 4(Β) των Landsat 1-2-4˙ έπειτα το κανάλι 3(R), το κανάλι 2(G) και το κανάλι 1(Β) των Landsat 5-7˙ το κανάλι 4(R), το κανάλι 3(G), το κανάλι 2(Β) του Landsat 8 και τέλος, το κανάλι 3(R), το κανάλι 2(G) και το κανάλι 1(Β) του Gaofen-1. Στη συνέχεια προέκυψε η γραμμή του ισάλου με φωτοερμηνεία και με βάση την κατάτμηση φασματικών χαρακτηριστικών από τις έγχρωμες εικόνες RGB σε λογισμικό GIS. Η γραμμή του ισάλου ψηφιοποιήθηκε χειροκίνητα στην οθόνη με ζουμ σε κλίμακα 1:5000 και σφάλμα μικρότερο του 0,5pixel.

Οι γραμμές του ισάλου κάθε εξεταζόμενης περιόδου εξήχθησαν από εικόνες τηλεπισκόπησης. Στη συνέχεια, το όριο της θάλασσας για το 2017, ορίστηκε ως γραμμή βάσης και απεικονίζεται με κόκκινη γραμμή στην Εικόνα 1. Έπειτα η μαύρη γραμμή (Εικόνα 1), σχεδιάστηκε σε κατακόρυφη διεύθυνση κατά μήκος της γραμμής βάσης. Έτσι ορίστηκαν τα σημεία τομής P1-P5 (Εικόνα 1) της κανονικής γραμμής και καθορίστηκαν οι γραμμές ισάλου κάθε περιόδου. Τελικά, οι παράκτιες μεταβολές προέκυψαν με μέτρηση του μήκους μεταξύ των σημείων τομής.

Τα παράκτια δεδομένα για το Drew Point (Εικόνα 2) εξήχθησαν από 8 δορυφορικές εικόνες που καταγράφηκαν τα έτη 1974, 1985, 1992, 2001, 2009 και 2017 και οι 6 τοποθεσίες που απεικονίζονται με πράσινες κουκκίδες (Εικόνα 2), επιλέχθηκαν για την εξέταση των παράκτιων αλλαγών σ’ αυτό το διάστημα. Προκύπτει ότι από το 1974 έως το 2017, η διάβρωση της ακτής στις τοποθεσίες του Drew Point ήταν εκτεταμένη, κυμαινόμενη από 497,7m έως 2909,1m, με μέσο όρο 1648,5m. Για την ίδια χρονική περίοδο, ο ρυθμός διάβρωσης των ακτών στο Drew Point κυμάνθηκε από 11,6m σε 67,7m, με μέσο ρυθμό διάβρωσης μεγαλύτερο των 50m/έτος τις περιόδους 1985-1992 και 2001-2009.

[[Εικόνα: NT1_e1.jpg|thumb|right|'''Εικόνα 1.:''' Χάρτης απεικόνισης των αλλαγών της γραμμής ισάλου μέσα στα χρόνια (Η μαύρη γραμμή αντιπροσωπεύει την κανονική γραμμή για το 2017).]]

Τα δεδομένα της SST της περιοχής μελέτης συλλέχθηκαν από σημεία πλησίον της ακτογραμμής και ο μέσος όρος της SST προέκυψε από μέτρηση της μέσης θερμοκρασίας κάθε 6 ώρες μέσα στον Αύγουστο μεταξύ των ετών 1979-2017. Τα δεδομένα του SWH επίσης δέχθηκαν επεξεργασία με τον ίδιο τρόπο. Τα δεδομένα κάλυψης πάγου ελήφθησαν από την πλησιέστερη περιθωριακή θάλασσα για την περίοδο 1979-2017. Για το Drew Point χρησιμοποιήθηκαν τα δεδομένα κάλυψης πάγου της Θάλασσας Beaufort, για το Nutepel’men της Θάλασσας Chukchi, και τέλος για το Ozero Mogotoyevo, της Θάλασσας της Ανατολικής Σιβηρίας.

'''Αποτελέσματα:'''

''Drew Point''

Τα παράκτια δεδομένα για το Drew Point (Εικόνα 2) εξήχθησαν από 8 δορυφορικές εικόνες που καταγράφηκαν τα έτη 1974, 1985, 1992, 2001, 2009 και 2017 και οι 6 τοποθεσίες που απεικονίζονται με πράσινες κουκκίδες (Εικόνα 2), επιλέχθηκαν για την εξέταση των παράκτιων αλλαγών σ’ αυτό το διάστημα. Προκύπτει ότι από το 1974 έως το 2017, η διάβρωση της ακτής στις τοποθεσίες του Drew Point ήταν εκτεταμένη, κυμαινόμενη από 497,7m έως 2909,1m, με μέσο όρο 1648,5m. Για την ίδια χρονική περίοδο, ο ρυθμός διάβρωσης των ακτών στο Drew Point κυμάνθηκε από 11,6m σε 67,7m, με μέσο ρυθμό διάβρωσης μεγαλύτερο των 50m/έτος τις περιόδους 1985-1992 και 2001-2009.

[[Εικόνα: NT1_e2.jpg|thumb|left|'''Εικόνα 2.:''' Η κόκκινη γραμμή είναι η γραμμή ισάλου, ενώ οι πράσινες κουκκίδες αντιπροσωπεύουν τα σημεία ενδιαφέροντος στο Drew Point (Λήψη εικόνας: 2017).]]

Τα διαχρονικά δεδομένα της μέσης SST, της Θάλασσας Beaufort κατά μήκος του Drew Point, δείχνουν ότι η μέση SST της Beaufort έχει προοδευτικά αυξηθεί με αργό ρυθμό από το 1979. Παρόμοιες τάσεις παρουσιάζονται και για το SWH. Αντίθετα, η κάλυψη του πάγου της θάλασσας έχει μειωθεί. Η μείωση της έκτασης που καλύπτει ο θαλάσσιος πάγος συνεπάγεται ότι η περιοχή χωρίς πάγο κατά μήκος της ακτογραμμής αυξήθηκε, προωθήθηκε η διάδοση των κυμάτων και αυξήθηκε το SWH, το οποίο με τη σειρά του ενέτεινε το ρυθμό διάβρωσης των ακτών.
Τα διαχρονικά δεδομένα που αφορούν τον Αύγουστο, δείχνουν ότι η SST και το SWH της Θάλασσας Beaufort έχουν συντελεστή συσχέτισης 0,68 και έτσι, η SST επιλέχθηκε για την αξιολόγηση των παράκτιων αλλαγών, όπου συγκεκριμένα για τη Θάλασσα Beaufort παρουσίασε μεγάλες διακυμάνσεις, από -2°C έως 5°C. Διαπιστώθηκε ότι για τις περιόδους 1992-2001 και 2009-2017, οι μέσες τιμές SST ήταν σχετικά υψηλές, φτάνοντας τους 2,37°C και 3,38°C αντίστοιχα. Οι διακυμάνσεις ήταν μικρές με τυπική απόκλιση 0,92 και 0,89 αντίστοιχα, ενώ ο ρυθμός διάβρωσης των ακτών ήταν σχετικά χαμηλός. Για τις περιόδους 1985-1992 και 2001-2009, οι μέσες SST ήταν σχετικά χαμηλές, με θερμοκρασίες 1,20°C και 1,01°C αντίστοιχα, αλλά οι αντίστοιχες διακυμάνσεις ήταν υψηλές, με τυπικές αποκλίσεις 2,08 και 1,63, ενώ υψηλός ήταν και ο ρυθμός διάβρωσης των ακτών, ξεπερνώντας τα 50m/έτος.
Από τη στιγμή που οι παράκτιες SST ήταν σχετικά υψηλές, ο ρυθμός διάβρωσής των ακτών, αντί να σχετίζεται με τη μέση SST, σχετίζεται με τις διακυμάνσεις της SST, οι οποίες εντείνουν σημαντικά τη διάβρωση των ακτών. Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν -0,48, ο συντελεστής μεταξύ του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,55 και τέλος, ο συντελεστής μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης της SST ήταν 0,87, υποδεικνύοντας ότι η διάβρωση στο Drew Point σχετίζεται κυρίως με τις διακυμάνσεις της SST, με τη συγκεκριμένη συσχέτιση όμως να επιδέχεται και αμφισβήτησης με βάση τα δεδομένα που χρησιμοποιήθηκαν.

''Nutepel’men''

Τα δεδομένα για την ακτή Nutepel’men, εξήχθησαν από δορυφορικές εικόνες που συλλέχθηκαν τα έτη 1975, 1995, 2002, 2009 και 2017 αντίστοιχα. Τα σημεία που απεικονίζονται στην Εικόνα 3 με κίτρινα αστέρια, επιλέχθηκαν για να αξιολογηθούν οι παράκτιες αλλαγές που συνέβησαν σε διάστημα 42 ετών. Η παράκτια διάβρωση στα σημεία ES1 και ES3 (Εικόνα 3), που βρίσκονται κατά μήκος της ακτογραμμής εκβολής των ποταμών, ήταν σχετικά υψηλή την περίοδο 1975-2017, φτάνοντας τις τιμές των 437,8m και 1184,2m αντίστοιχα. Τα ποσοστά των αντίστοιχων ετήσιων μέσων όρων ήταν 10,4m/έτος και 28,2m/έτος, με τις δύο περιοχές να παρουσιάζουν επιταχυνόμενη τάση διάβρωσης των ακτών τους.

[[Εικόνα: NT1_e3.jpg|thumb|left|'''Εικόνα 3.:''' Η κόκκινη γραμμή απεικονίζει την ακτογραμμή όπως εξήχθη από δορυφορικά δεδομένα και τα κίτρινα αστέρια τα σημεία ενδιαφέροντος (Λήψη εικόνας: 1995).]]

Στα περισσότερα σημεία μελέτης της ακτογραμμής Nutepel’men δεν παρατηρήθηκε διάβρωση, με εξαίρεση τα σημεία που βρίσκονται κατά μήκος των ακτών εκβολής, όπου σημειώθηκε αργός ρυθμός διάβρωσης από το 1975 έως το 2002, όταν και επιταχύνθηκε από 4,8m/έτος σε 14,6m/έτος.

Τα διαχρονικά δεδομένα δείχνουν ότι τον Αύγουστο, η SST της γειτονικής Θάλασσας Chukchi κυμάνθηκε μεταξύ 5°C και 8°C, παρουσιάζοντας αργή αύξηση. Ομοίως, το SWH επίσης αυξήθηκε με αργό ρυθμό, ενώ η κάλυψη του θαλάσσιου πάγου μειώθηκε γρήγορα. Την περίοδο 1975-1995, η μέση κάλυψη πάγου της Θάλασσας Chukchi ήταν 316.000 km2, όμως την περίοδο 2009-2017, μειώθηκε στα 84.000 km2 (-75% περίπου). Οι SST ήταν σχετικά υψηλές σ’ αυτή την περιοχή τον Αύγουστο, κατ’ επέκταση δε σημειώθηκε ψύξη και δεν παρατηρήθηκαν έντονες διαχρονικές διακυμάνσεις. Επομένως, το δυναμικό θαλάσσιο περιβάλλον δεν άλλαξε σημαντικά, η παράκτια διάβρωση ήταν μικρή και σημαντικές αλλαγές σημειώθηκαν μόνο κατά μήκος των ακτών των εκβολών των ποταμών.

Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν 0,46, ο συσχετισμός του συντελεστή μεταξύ του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,38 και ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης SST ήταν -0,49. Επομένως προέκυψε ότι η διάβρωση των ακτών δε σχετίζεται σημαντικά με την SST, αλλά μπορεί και να υπεισέλθει αμφιβολία στην αξιοπιστία αυτής της συσχέτισης.

''Ozero Mogotoyevo''

Τα παράκτια δεδομένα για την Ozero Mogotoyevo εξήχθησαν από 5 δορυφορικές εικόνες που συλλέχθηκαν τα έτη 1992, 1993, 2000, 2009 και 2017 αντίστοιχα. Επιλέχθηκαν τα πέντε σημεία που αντιπροσωπεύονται με μαύρα τρίγωνα στην Εικόνα 4, για να αναλυθούν οι παράκτιες αλλαγές που συνέβησαν σε διάστημα 25 ετών. Έτσι προέκυψε ότι για την περίοδο 1992-2017, η διάβρωση των ακτών στα σημεία μελέτης της Ozero Mogotoyevo κυμάνθηκε από 133,3m έως 709,4m, με μέσο όρο τα 309,8m. Ο ρυθμός διάβρωσης κυμάνθηκε από 5,3m έως 28,4m, με μέσο ρυθμό 12,4m/έτος. Το μέγεθος της παράκτιας διάβρωσης στα δυτικά, δηλαδή στα σημεία WS1 και WS2, ήταν σημαντικά μεγαλύτερο και με μεγαλύτερο ρυθμό διάβρωσης από αυτό στην ανατολική πλευρά, δηλαδή στα σημεία WS3, WS4 και WS5. Για το σημείο WS2, τα ποσοστά διάβρωσης των ακτών ήταν παρεμφερή στις τρεις περιόδους μελέτης, με την τάση επιτάχυνσης της διάβρωσης των ακτών να είναι εμφανής στα σημεία WS1, WS3 και WS5.

[[Εικόνα: NT1_e4.jpg|thumb|left|'''Εικόνα 4.:''' Η κόκκινη γραμμή προέκυψε από δορυφορικά δεδομένα και τα μαύρα τρίγωνα απεικονίζουν τα σημεία ενδιαφέροντος (Λήψη εικόνας: 2000).]]

Τα διαχρονικά στοιχεία Αυγούστου για την περίοδο 1979-2017 έδειξαν ότι ο μέσος όρος της SST για την Ozero Mogotoyevo παρουσίασε πτωτική τάση την περίοδο 1991-2002, ήταν σχετικά σταθερός την περίοδο 2002-2009 και είχε ανοδική τάση την περίοδο 2009-2017. Στην ίδια περίοδο, το SWH παρουσίασε ανοδική τάση, ενώ η κάλυψη του θαλάσσιου πάγου παρουσίασε πτωτική τάση.

Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν 0,36, ο συσχετισμός του συντελεστή του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,98 και ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης της SST ήταν -0,90. Προέκυψε επομένως ότι η παράκτια διάβρωση σχετίζεται σημαντικά με το ρυθμό μεταβολής της SST, αλλά η αξιοπιστία αυτής της συσχέτισης δεν μπορεί να θεωρηθεί και απόλυτα ορθή εξαιτίας της έλλειψης δεδομένων.

'''Συμπεράσματα:''' Στο Drew Point της Αλάσκας, η παράκτια διάβρωση ήταν σχετικά μεγάλη (497,7-2909,1m) και την περίοδο 1974-2017, η μέση διάβρωση υπολογίστηκε σε 1648,5m με ρυθμό διάβρωσης 11,6-67,7m/έτος. Στο Nutepel’men, παράκτια διάβρωση παρατηρήθηκε κατά μήκος των ακτών των εκβολών των ποταμών την περίοδο 1992-2017 και δε σημειώθηκε σημαντική διάβρωση σε άλλα σημεία. Στην Ozero Mogotoyevo, η διάβρωση της ακτής κυμάνθηκε από 133,3m έως 709,4m για την περίοδο 1992-2017, με μέση διάβρωση 309,8m και ρυθμό διάβρωσης 5,3-28,4m/έτος.

Η συγκριτική ανάλυση έδειξε ότι η μεγαλύτερη διάβρωση σημειώθηκε κατά μήκος της ακτής της Αλάσκας, ακολουθούμενη από αυτές των ακτών της ανατολικής Σιβηρίας. Διαπιστώθηκε ότι στην Αλάσκα, η διάβρωση της ακτής σχετιζόταν στενά με την SST και απεδείχθη επίσης, ότι οι διακυμάνσεις της SST μπορούν να επιταχύνουν σημαντικά τη διάβρωση των ακτών. Με εξαίρεση τα σημεία εκβολών των ποταμών, τα παράκτια ύδατα στο Nutepel’men, δεν παρουσίασαν σημαντικές μεταβολές το διάστημα 1975-2017. Το συμπέρασμα αυτό βασίζεται σε διαχρονικά στοιχεία που δείχνουν μικρές διακυμάνσεις της μέσης SST μέσα στα χρόνια για την περιοχή, κατά το μήνα Αύγουστο. Έτσι, η διάβρωση των ακτών σε αυτή την περιοχή ήταν πολύ μικρή και οι αλλαγές σημειώθηκαν μόνο κατά μήκος των εκβολών των ποταμών ως αποτέλεσμα των συνδυασμένων δράσεων των ποταμών και των θαλάσσιων διεργασιών. Η παράκτια διάβρωση στην Ozero Mogotoyevo σχετίζεται με την αυξητική ή τη μειωτική τάση της SST. Η πτωτική τάση αποδείχθηκε ότι σχετιζόταν με τους ρυθμούς χαμηλής διάβρωσης, ενώ η αυξητική τάση σχετιζόταν με την αύξηση των ποσοστών διάβρωσης των ακτών. Επομένως, προκύπτει ότι η διάβρωση των ακτών σε παρόμοια γεωγραφικά πλάτη στην Αρκτική είναι στενά συνδεδεμένη με την τάση για διακύμανση της επιφανειακής θερμοκρασίας της θάλασσας. Γενικά σε ολόκληρη την Αρκτική, οι έντονες διακυμάνσεις της SST, η συνεχής αύξηση του SWH και η μείωση της κάλυψης του θαλάσσιου πάγου προκάλεσαν δραστικές αλλαγές στον παράκτιο πάγο, συντελώντας στη διάβρωση των ακτών.

[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Χαρτογράφηση Καμένων Εκτάσεων σε Σχεδόν Πραγματικό Χρόνο με Συνδυασμό Πολλαπλών Δεδομένων Τηλεπισκόπησης

2023-02-08T19:25:41Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Χαρτογράφηση καμένων εκτάσεων

'''Πρωτότυπος τίτλος:''' Near real-time mapping of burned area by synergizing multiple satellites remote-sensing data

'''Συγγραφείς:''' Lipeng Jiao, Yanchen Bo

'''Πηγή:''' Lipeng Jiao & Yanchen Bo (2022) Near real-time mapping of burned area
by synergizing multiple satellites remote-sensing data, GIScience & Remote Sensing, 59:1, 1956-1977, DOI: 10.1080/15481603.2022.2143690 https://doi.org/10.1080/15481603.2022.2143690 [https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2143690]

'''Περίληψη:''' Οι πυρκαγιές έχουν σημαντικές επιπτώσεις στις ανθρώπινες ζωές, στις υποδομές και στα οικοσυστήματα. Η ακριβής και έγκαιρη πληροφόρηση ότι μία περιοχή έχει πληγεί από πυρκαγιά, έχει μεγάλη σημασία για την καλύτερη κατανόηση των μοτίβων των δασικών πυρκαγιών, καθώς και τη συνάφειά τους με τους βιογεωχημικούς κύκλους, το κλίμα, την ποιότητα του αέρα και τη διαχείριση των πυρκαγιών. Γενικά σε μελέτες, έχουν χρησιμοποιηθεί μεμονωμένα δορυφορικά δεδομένα για την ανίχνευση των χαρακτηριστικών των πυρκαγιών, χαρτογραφώντας αναδρομικά τις καμένες εκτάσεις σε μία ποικιλία χωρικών αναλύσεων. Ωστόσο, λόγω της αντιστάθμισης μεταξύ χωρικών και χρονικών αναλύσεων, τα δορυφορικά δεδομένα δεν επαρκούν για να στοιχειοθετήσουν τη σημασία των καμένων εκτάσεων σε υψηλού επιπέδου αναλύσεις τόσο χωρικά όσο και χρονικά. Έτσι, στην παρούσα μελέτη αναπτύχθηκε μία μέθοδος αντιστοίχισης των καμένων εκτάσεων δύο σταδίων σε σχεδόν πραγματικό χρόνο, που εκμεταλλεύεται την υψηλή χρονική συχνότητα των αισθητήρων χονδροειδούς ανάλυσης, και την καλή ανάλυση αισθητήρων μέσης χωρικής ανάλυσης στη χαρτογράφηση των καμένων εκτάσεων. Οι αισθητήρες υψηλής χρονικής συχνότητας, MODIS και VIIRS, είναι αυτοί που χρησιμοποιήθηκαν για τον εντοπισμό των πυρκαγιών και πιθανών καμένων εκτάσεων. Στη συνέχεια, χρησιμοποιήθηκαν αισθητήρες μέσης χωρικής ανάλυσης (MSR), όπως οι Sentinel-2A/2B, Landsat OLI και Resourcesat AWiFS για εξαγωγή των καμένων εκτάσεων με περισσότερες χωρικές λεπτομέρειες σε σχεδόν πραγματικό χρόνο. Η διαδικασία εφαρμόστηκε στην Καλιφόρνια των ΗΠΑ, όπου εκδηλώθηκαν πυρκαγιές σε βόρεια και νότια τμήματα της πολιτείας το 2017 και τα αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος είναι πολλά υποσχόμενη για τη χαρτογράφηση των καμένων εκτάσεων με συνολική ακρίβεια 0,84 και 0,85 στη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η προτεινόμενη μέθοδος βελτίωσε σημαντικά τη συχνότητα και μείωσε την καθυστέρηση καταγραφής, με μέσο διάστημα συχνότητας 3,5 ημέρες και καθυστέρησης μεταφοράς 4 ημέρες για τη χαρτογράφηση πυρκαγιών στην Καλιφόρνια. Εν τέλει, οι εξαγόμενες καμένες εκτάσεις απεικονίστηκαν με ακριβείς χωρικές λεπτομέρειες και η μέθοδος που εφαρμόστηκε στην παρούσα εργασία μπορεί να χρησιμοποιήσει παρατηρήσεις τηλεπισκόπησης διαφορετικών πηγών για να χαρτογραφήσει με ακρίβεια τις ενεργές πυρκαγιές σε σχεδόν πραγματικό χρόνο, το πιο σημαντικό, όμως, είναι ότι μπορεί να εφαρμοστεί και σε άλλες γεωγραφικές περιοχές όπου εκδηλώνονται πυρκαγιές.

'''Λέξεις κλειδιά:''' Φωτιά, καμένη έκταση, σχεδόν πραγματικός χρόνος, υψηλή χωροχρονική ανάλυση, δορυφορικές εικόνες πολλαπλών πηγών

'''Εισαγωγή:''' Τις τελευταίες δεκαετίες, οι ακραίες καιρικές συνθήκες και τα κλιματολογικά φαινόμενα, όπως η πολλή ζέστη και η ξηρασία, έχουν προκαλέσει γεγονότα πυρκαγιών παγκοσμίως. Οι φυσικές και ανθρωπογενείς διεργασίες, επίσης, προκαλούν πυρκαγιές σε διάφορα μέρη, ειδικά στον Καναδά, την Αυστραλία, τη Βραζιλία και τις ΗΠΑ. Η ποσοτικοποίηση της καμένης περιοχής σε υψηλή χωροχρονική ανάλυση είναι μεγάλης σημασίας για την κατανόηση των επιπτώσεων των γεγονότων των δασικών πυρκαγιών στο οικολογικό περιβάλλον και στη δυνατότητα της έγκαιρης απόκρισης και εκκένωσης σε καταστάσεις έκτακτης ανάγκης.

Τα δορυφορικά δεδομένα παρέχουν συνεπείς και περιοδικές παρατηρήσεις, οι οποίες είναι κρίσιμες για την ανίχνευση και την παρακολούθηση πυρκαγιών σε κλίμακες περιφερειακού και παγκόσμιου επιπέδου. Σε αρχικό στάδιο της παρακολούθησης της πυρκαγιάς, χρησιμοποιήθηκαν κυρίως δορυφορικά δεδομένα από αισθητήρες χονδρικής χωρικής ανάλυσης, όπως ο AVHRR, ο Along Track Scanning Radiometer (ATSR), ο VEGETATION, ο MODIS, και γεωστατικοί δορυφόροι όπως ο Γεωστατικός Επιχειρησιακός Περιβαλλοντικός Δορυφόρος (GOES) και ο Meteosat, για την ανάλυση των αποτελεσμάτων φωτιάς σε μεγάλες περιοχές. Οι δείκτες ευαισθησίας στη βλάστηση αναπτύχθηκαν με βάση την αντίθεση μεταξύ καμένων και άκαυτων επιφανειών στο ορατό (0,4-0,7μm), στο εγγύς υπέρυθρο (0,7-1,5μm) και στο μεσαίο υπέρυθρο (1,5-4μm), στα τμήματα του ηλεκτρομαγνητικού φάσματος για χαρτογράφηση καμένων περιοχών. Υπάρχουν θερμικά προϊόντα ανίχνευσης της καμένης έκτασης που βασίζονται σε δεδομένα τηλεπισκόπησης χονδρικής χωρικής ανάλυσης. Τα προϊόντα παγκόσμιας θερμικής ανωμαλίας MODIS MCD14DL και VIRSS VNP14IMGT (FIRMS), παρέχουν γεωγραφικές τοποθεσίες πυρκαγιών κάθε 3 ώρες στις αναλύσεις 500m και 375m, αντίστοιχα. Η χρονική σειρά του Κανονικοποιημένου Δείκτη Καύσης (NBR) Landsat και ο διαφοροποιημένος Κανονικοποιημένος Δείκτης Καύσης (dNBR) Landsat, χρησιμοποιήθηκαν για την ανίχνευση των πυρκαγιών σε δασικά οικοσυστήματα του Καναδά. Οι εικόνες Sentinel-2 χρησιμοποιήθηκαν για τη χαρτογράφηση των καμένων εκτάσεων για ολόκληρη την Υποσαχάρια Αφρική, την Καλιφόρνια, τις ΗΠΑ και την Αυστραλία.

'''Περιοχή Μελέτης:''' Οι περιοχές μελέτης βρίσκονται στην Καλιφόρνια, όπου εκδηλώνονται συχνά πυρκαγιές τις τελευταίες δεκαετίες. Το 2017 σημειώθηκαν δύο σοβαρές πυρκαγιάς στις περιοχές μελέτης. Η μία περίπτωση αφορά τη φωτιά που ξέσπασε στις 8 Οκτωβρίου στη Βόρεια Καλιφόρνια και η δεύτερη αφορά τη φωτιά που ξεκίνησε στις 4 Δεκεμβρίου και εξαπλώθηκε κυρίως στη Ventura, στη Νότια Καλιφόρνια. Οι περιοχές μελέτης διαθέτουν τυπικό μεσογειακό κλίμα με ένα ευρύ φάσμα οικοσυστημάτων, συμπεριλαμβανομένων των ημίξηρων θαμνωδών εκτάσεων, των δασών που κυριαρχούνται από κωνοφόρα, των λιβαδιών, των καλλιεργειών και των υγροτόπων. Λόγω της αλλαγής του κλίματος, οι μεγάλες ξηρασίες και οι απρόβλεπτες βροχές σε συνδυασμό με τον άνεμο το χειμώνα κάνουν τα οικοσυστήματα της βλάστησης ευάλωτα στις πυρκαγιές. Οι περιοχές μελέτης, επίσης, είναι οι πιο πυκνοκατοικημένες περιοχές των ΗΠΑ, όπου προκαλούνται τακτικά πυρκαγιές και οι ανθρωπογενείς παράγοντες έχουν προκαλέσει μεγάλες αλλαγές σ’ αυτές. Οι πυρκαγιές στις περιοχές αυτές εμφανίζονται συνήθως στην ξηρή περίοδο από το Νοέμβριο έως τον Φεβρουάριο, ενώ ορισμένες δασικές πυρκαγιές εκδηλώνονται ακόμη και στις αρχές Οκτωβρίου ή τέλη Μαρτίου και Απριλίου.

'''Μεθοδολογία:''' Στην παρούσα μελέτη χρησιμοποιήθηκαν τα MCD14DL και VNP14IMGT για τον προσδιορισμό των πιθανών καμένων εκτάσεων, τα οποία αποτελούν θερμικά προϊόντα που προέρχονται από το σύστημα FIRMS, του LANCE της NASA. Μέσω του LANCE, διανέμονται σε σχεδόν πραγματικό χρόνο τα δεδομένα ενεργών εστιών φωτιάς, διάρκειας μέχρι 3 ωρών δορυφορικών παρατηρήσεων από το MODIS των αισθητήρων Terra, Aqua και το VIIRS του δορυφόρου Suomi NPP των NOAA και NASA. Για την παραγωγή αυτών των προϊόντων δημιουργήθηκε ένας αλγόριθμος βασισμένος στην ισχυρή εκπομπή της υπέρυθρης ακτινοβολίας από τις πυρκαγιές. Επιπλέον, ορίστηκε ένα επίπεδο εμπιστοσύνης για κάθε ενεργό σημείο πυρκαγιάς για τη διευκόλυνση του χρήστη. Το MCD14DL σε ανάλυση 1km προερχόμενο από το MODIS, και το VNP14IMGT σε ανάλυση 375m που βασίζεται στο VIIRS, χρησιμοποιήθηκαν σε μορφή σημειακού shapefile στο WGS84. Οι αισθητήρες Terra και Aqua MODIS παρατηρούν ολόκληρη την επιφάνεια της Γης 2 φορές την ημέρα και υπάρχουν τουλάχιστον τέσσερις καθημερινές παρατηρήσεις του MODIS κοντά στον ισημερινό, με τον αριθμό των υπερυψώσεων να αυξάνεται προς τους πόλους. O Suomi-NPP παρατηρεί, επίσης, τη γη 2 φορές την ημέρα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν όλα τα MCD14DL και VNP14IMGT δεδομένα από τον Οκτώβριο και το Δεκέμβριο και θεωρείται ότι, πραγματοποιούνται 6-8 παρατηρήσεις ανά ημέρα στην Καλιφόρνια, από τα MCD14DL και VNP14IMGT. Για την ακριβή παρακολούθηση των καμένων εκτάσεων από πυρκαγιές σε σχεδόν πραγματικό χρόνο, απαιτούνται πολλαπλές πηγές δορυφορικών εικόνων MSR και γι’ αυτό στη συγκεκριμένη μελέτη, συλλέχθηκαν όλες οι διαθέσιμες εικόνες MSR χωρίς σύννεφα από τον αισθητήρα AWiFS του δορυφόρου Resourcesat του Ινδικού Οργανισμού Διαστημικής Έρευνας (ISRO), του Landsat OLI και του Sentinel-2A/2B MSI. Η διαδικασία που ακολουθήθηκε παρουσιάζεται τμηματικά με πιο λεπτομερή και περιγραφικό τρόπο στην Εικόνα 1.

[[Εικόνα: NT5_e2.jpeg |thumb|right| '''Εικόνα 1.''' Εννοιολογική αναπαράσταση των βημάτων για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο χρησιμοποιώντας δορυφορικές εικόνες πολλαπλών πηγών.]]

Ο Landsat έχει τη δυνατότητα να παρέχει χωρική ανάλυση 30m σε παρατηρήσεις του ίδιου σημείου κάθε 16 ημέρες, ενώ ο δορυφόρος Resourcesat1 με χωρική ανάλυση 56m περνάει κάθε 5 ημέρες από το ίδιο σημείο. Έτσι, ενσωματώνοντας τις εικόνες Sentinel-2A/B του Landsat και τις αντίστοιχες δορυφορικές εικόνες του Resourcesat1, δίνεται μεγάλη δυνατότητα να μπορεί να παρακολουθείται η εξέλιξη των πυρκαγιών σε σχεδόν πραγματικό χρόνο, και σε διάστημα μικρότερο από 5 ημέρες, με χωρική ανάλυση καλύτερη των 56m. Η διάρκεια των δασικών πυρκαγιών, τα σύννεφα, το διάστημα επανεπίσκεψης του δορυφόρου στις περιοχές μελέτης και η ζώνη κάλυψης των δορυφορικών εικόνων, συνεπάγονται ότι οι πυρκαγιές στην Καλιφόρνια μπορούν να παρακολουθηθούν σε διάστημα 3 ημερών.

Για την παρούσα μελέτη, επιπλέον, χρησιμοποιήθηκε η Εθνική Βάση Δεδομένων Εδαφικής Κάλυψης (NLCD) του 2016, για την κάλυψη γης και την εξαγωγή των σημείων πυρκαγιάς που εμπίπτουν στην περιοχή που καλύπτεται από βλάστηση. Η NLCD του 2016 εκτείνεται σε χρονική κάλυψη 15 ετών (2001-2016) για την παροχή δεδομένων για την κάλυψη της γης και την αλλαγή των χρήσεων γης στη χωρική ανάλυση των 30m του Landsat Θεματικού Χάρτη.

Τα MCD14DL και VNP14IMGT συγχωνεύτηκαν σε υψηλότερη χρονική συχνότητα σε μία βάση δεδομένων για τον ακριβή και γρήγορο εντοπισμό πιθανών σημείων πυρκαγιάς. Όλες οι εικόνες Landsat διορθώθηκαν από εικόνες Επιπέδου 1 Τ. Οι εικόνες Επιπέδου 1 T του AWiFS που προέκυψαν, μετατράπηκαν σε εικόνες επιφανειακής ανάκλασης με ραδιομετρική διόρθωση χρησιμοποιώντας το ENVI FLAASH (ESRI 2009). Στη συνέχεια, οι εικόνες ανάκλασης της επιφάνειας του AWiFS, καταχωρήθηκαν στον Landsat OLI λαμβάνοντας υπόψη 30 σημεία επίγειου ελέγχου. Επιπλέον, η επιπέδου 1C- εικόνες ανάκλασης Sentinel-2A, μετατράπηκαν σε εικόνες ανάκλασης της επιφάνειας μέσω της διαδικασίας ατμοσφαιρικής διόρθωσης χρησιμοποιώντας το Sentinel to Correction (Sen2Cor). Τα κανάλια πράσινο, κόκκινο, NIR και SWIR των OLI, MSI και AWiFS είναι αρκετά κοντινά ως προς το φασματικό πλάτος και το κεντρικό μήκος κύματος και για να πραγματοποιηθεί εναρμόνιση της χωρικής ανάλυσης των εικόνων Sentinel-2A και 2B με τα κανάλια κόκκινο, NIR και SWIR σε ομοιόμορφη ανάλυση, έγινε εκ νέου δειγματοληψία εικόνων από αυτές τις ζώνες σε χωρική ανάλυση 20m χρησιμοποιώντας το λογισμικό SNAP.

Τα θερμικά MCD14DL και VNP14IMGT εντοπίζουν ποικίλα σημεία θερμικής ανωμαλίας, όπως πυρκαγιές, ηφαιστειακές εκρήξεις και εκπομπές εκλάμψεων από πηγάδια αερίου. Για να ληφθούν στην προκειμένη περίπτωση τα πραγματικά σημεία που έχουν προκληθεί πυρκαγιές, πρέπει να αφαιρεθούν τα άλλα είδη θερμικής ανωμαλίας. Σ’ αυτή τη μελέτη, χρησιμοποιήθηκαν αρχικά τα δεδομένα της NLCD ανάλυσης 30m του 2016, για τον εντοπισμό της θερμικής ανωμαλίας σε περιοχές με βλάστηση. Επιπλέον, λόγω της συγκέντρωσης της χωρικής έκτασης και της χρονικής κάλυψης καύσης της βιομάζας, τα χαρακτηριστικά της χρονικής και χωρικής συγκέντρωσης της καύσης, χρησιμοποιήθηκαν για να αφαιρεθούν και τα υπόλοιπα σημεία θερμικής ανωμαλίας. Στη συνέχεια εφαρμόστηκαν διαδικασίες στο συγχωνευμένο θερμικό προϊόν ανωμαλίας για τον εντοπισμό των πραγματικών σημείων πυρκαγιάς. Οι διαδικασίες που ακολουθήθηκαν ήταν οι εξής:

'''Α)''' Χωρικό φιλτράρισμα, καθώς οι πυρκαγιές εξελίσσονται με τον καιρό, τα σημεία κατανέμονται σε σχετικά μεγάλες χωρικές εκτάσεις. Έτσι, λήφθηκε υπόψη το χαρακτηριστικό της χωρικής συσσώρευσης των δασικών πυρκαγιών, ώστε να γίνει διαφοροποίηση των σημείων πυρκαγιάς από άλλα σημεία θερμικής ανωμαλίας χαμηλής χωρικής συσσώρευσης. Πιο συγκεκριμένα, δημιουργήθηκε ένα πλέγμα μήκους 1km για τη συγχώνευση των προϊόντων θερμικής ανωμαλίας και τη μέτρηση της χωρικής συσσώρευσης των σημείων θερμικής ανωμαλίας στο πλέγμα κάθε κελιού. Λαμβάνοντας υπόψη την ταχύτητα του ανέμου και τη σφοδρότητα της καύσης, εφαρμόστηκε συρόμενο παράθυρο 3km*3km για την καταμέτρηση του μέγιστου αριθμού σημείων θερμικής ανωμαλίας που εμπίπτουν στα χωρικά συρόμενα παράθυρα. Υπάρχουν δύο προϋποθέσεις για την αναγνώριση των πιθανοτήτων πυρκαγιάς, με βάση τη συγχώνευση των ημερήσιων προϊόντων θερμικής ανωμαλίας. Η μία είναι ότι τα θερμικά σημεία ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο, παρατηρήθηκαν τόσο πρωινές όσο και απογευματινές ώρες μίας ημέρας. Η διαδοχική χρονική κάλυψη αυτών των σημείων δείχνει ότι το πιο πιθανό είναι να πρόκειται για πραγματικά σημεία πυρκαγιάς, οπότε ο αριθμός των σημείων θερμικής ανωμαλίας που εμπίπτουν σε μία ολίσθηση παραθύρου, να είναι σχετικά μικρός. Η άλλη είναι ότι τα σημεία θερμικής ανωμαλίας που εμπίπτουν εντός του ολισθέντος παραθύρου παρατηρήθηκαν είτε το πρωί είτε το απόγευμα μίας ημέρας. Η μικρή διάρκεια αυτών των σημείων θερμικής διαφοροποίησης υποδηλώνει ότι είναι λιγότερο πιθανό να είναι πραγματικά σημεία πυρκαγιάς και για να αυξηθεί η αξιοπιστία των συγκεκριμένων σημείων ότι αφορούν όντως σημεία πυρκαγιάς, θεωρήθηκε ότι ο αριθμός των σημείων που εμπίπτουν σε ένα συρόμενο παράθυρο πρέπει να είναι σχετικά μεγαλύτερος (π.χ. ένα μεγάλο όριο n). Μόλις ο αριθμός των σημείων που εμπίπτουν στο συρόμενο παράθυρο είναι αρκετά μεγάλος, μπορούν να αναγνωριστούν ως πραγματικές υποψήφιες εστίες πυρκαγιάς και προκειμένου να μειωθεί το σφάλμα στον προσδιορισμό των πραγματικών εστιών πυρκαγιάς, τα κατώφλια ορίστηκαν όσο το δυνατόν χαμηλότερα και για τις δύο συνθήκες (δηλαδή n = 4 και n = 8). Ο τύπος που εφαρμόστηκε, είναι: Max{n1, n2, . . . . . . ; nm}≥4 ή Max {n, n2, . . . . . . , nm}≥8, όπου τα n1,n2, . . . . . ., nm αντιπροσωπεύουν τον αριθμό των σημείων θερμικής ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο. Εάν ο μέγιστος αριθμός θερμικών σημείων ανωμαλίας που περιέχονται στο συρόμενο παράθυρο πληρούν το κριτήριο, αυτά τα σημεία θερμικής ανωμαλίας διατηρήθηκαν ως υποψήφιες εστίες πυρκαγιάς για περαιτέρω δοκιμή.

'''Β)''' Χρονικό φιλτράρισμα, τα κατώφλια παρόλο που ρυθμίστηκαν όσο το δυνατόν χαμηλότερα στη διαδικασία χωρικού φιλτραρίσματος, οι θερμικές ανωμαλίες μικρής διάρκειας που εντοπίζονται με υψηλή χωρική συγκέντρωση μπορούν να ταξινομηθούν εσφαλμένα ως πραγματικές εστίες πυρκαγιάς. Έτσι, υιοθετήθηκε ένας τροποποιημένος δείκτης χρονικής συγκέντρωσης (TCI) για τον προσδιορισμό της χρονικής συνάθροισης των υποψήφιων σημείων πυρκαγιάς. Πιο συγκεκριμένα, ρυθμίστηκε ένα προσωρινό συρόμενο παράθυρο για μέτρηση των υποψήφιων σημείων πυρκαγιάς μέσα σ’ αυτό. Αν οι υποψήφιες εστίες πυρκαγιάς μέσα στο συρόμενο παράθυρο παρατηρήθηκαν τόσο το πρωί όσο και το απόγευμα μίας ημέρας, ο συντελεστής χρονικής συγκέντρωσης k ορίστηκε σε 0,1. Οι δείκτες βλάστησης (VIs) που ενσωματώνουν κανάλια SWIR, παρουσιάζουν ευαισθησία στις αλλαγές στην υγρασία των φύλλων και στη σκίαση, ενώ οι VIs που ενσωματώνουν κανάλια του NIR, είναι ευαίσθητοι σε αλλαγές στην υγεία των φυτών και στην πυκνότητα της φυλλωσιάς. Οι φασματικοί δείκτες που αναπτύχθηκαν από αυτά τα κανάλια είναι εφικτό να ανιχνεύσουν καμένες εκτάσεις. Για παράδειγμα, ο Δείκτης βλάστησης (NDVI) και οι διαφορετικές τιμές του NDVI έχουν δείξει μεγάλες δυνατότητες στην εκτίμηση της σφοδρότητας της πυρκαγιάς και πολλές μελέτες αποκαλύπτουν ότι τα NBR και dNBR είναι οι πιο αποτελεσματικοί φασματικοί δείκτες για τη χαρτογράφηση καμένων εκτάσεων μετά από πυρκαγιές. Συγκεκριμένα, το dNBR δεν είναι ευαίσθητο στην ατμοσφαιρική διάθλαση και μπορεί να ποσοτικοποιήσει τη χαμένη βλάστηση, την εναπόθεση άνθρακα και τη μείωση της υγρασίας και της σκιάς των φύλλων, που οδηγεί σε χαμηλότερες τιμές του NIR και υψηλότερες τιμές ανάκλασης του SWIR, σε σύγκριση με την υγιή βλάστηση.
Ο καπνός που εκπέμπεται κατά την ενεργό φάση των πυρκαγιών υποτίθεται ότι κάνει δυσδιάκριτη την επιφάνεια της γης και προκαλεί μεγάλη αβεβαιότητα στη χαρτογράφηση των καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Φασματικοί δείκτες όπως οι NIR, SWIR, NDVI και NBR, καθώς και οι διαφορικές τιμές αυτών των δεικτών, επιλέχθηκαν σε αυτή τη μελέτη για να ελέγξουν την ικανότητα των δεικτών στη διάκριση των καμένων εκτάσεων από τις μη καμένες, μετριάζοντας ωστόσο τις επιπτώσεις του καπνού. Ο καπνός που εκπέμπεται από τις πυρκαγιές, μπορεί να εμφανιστεί τόσο σε καμένες, όσο και σε παρακείμενες μη καμένες περιοχές.

Σύμφωνα με την ποσότητα του καπνού που εμφανίζεται εντός των καμένων ή εκτός των καμένων περιοχών, στη μελέτη ορίστηκαν πέντε σενάρια, τα οποία περιλαμβάνουν, καμένες περιοχές χωρίς την παρουσία καπνού (κόκκινες κουκκίδες στην Εικόνα 2), μη καμένα σημεία που καλύπτονται από βαρύ καπνό (HS1) (πορτοκαλί κουκκίδες στην Εικόνα 2), καμένες περιοχές που καλύπτονται από βαρύ καπνό (HS2) (πράσινες κουκκίδες στην Εικόνα 2), μη καμένες περιοχές που καλύπτονται από αραιό καπνό (TS1) (μπλε κουκκίδες μέσα Εικόνα 2), και καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) (κίτρινες κουκκίδες στην Εικόνα 2).

[[Εικόνα: NT5_e1.jpeg |thumb|right| '''Εικόνα 2.''' Το αριστερό πλαίσιο με σημεία εκπαίδευσης διαφορετικών χρωμάτων είναι η περιοχή μεγέθυνσης στο μαύρο ορθογώνιο του επάνω δεξιού χάρτη. Τα σημεία εκπαίδευσης για κάθε κατηγορία καμένης περιοχής, HS2, HS1, TS1 και TS2 αποδίδονται σε κόκκινο, πράσινο, πορτοκαλί, μπλε και κίτρινο χρώμα, αντίστοιχα.]]

Τα σημεία εκπαίδευσης για καθένα από αυτά τα σενάρια συλλέχθηκαν τυχαία με οπτική ερμηνεία και υπολογίστηκαν οι τιμές των επιλεγμένων δεικτών σε βαθμούς και στη μελέτη επιλέχθηκαν 30 σημεία εκπαίδευσης για κάθε σενάριο. Οι πιο αποτελεσματικοί φασματικοί δείκτες εντοπίστηκαν με ανάλυση των στατιστικών διαφορών των υποψήφιων φασματικών χαρακτηριστικών των προαναφερθέντων σεναρίων χρησιμοποιώντας τα θηκογράμματα των σημείων εκπαίδευσης. Οι εικόνες υψηλής χωρικής ανάλυσης από το Google Earth ερμηνεύτηκαν οπτικά για να επαληθευτεί ο τύπος κάλυψης γης (βλάστηση, υδάτινο σώμα, γυμνό έδαφος, ανεπτυγμένο και καμένο έδαφος) των σημείων εκπαίδευσης καθ’ όλη τη διάρκεια της περιόδου παρακολούθησης. Για τη διευκόλυνση δοκιμής και απεικόνισης της ικανότητας αυτών των δεικτών για τη διάκριση των καμένων εκτάσεων από άλλες περιοχές που επηρεάστηκαν από τον καπνό, προτού διεξαχθεί περαιτέρω ανάλυση, έγινε κανονικοποίηση των τιμών των επιλεγμένων φασματικών δεικτών στο διάστημα τιμών από −1,0 έως 1,0.
Μόλις προσδιορίστηκε η χωρική έκταση των σημείων που ξέσπασε η πυρκαγιά, δημιουργήθηκαν ζώνες προστασίας ακτίνας του 1km εντοπισμού της χωρικής εξάπλωσής τους. Έπειτα, η χωρική έκταση κατάληψης των σημείων πυρκαγιάς συγχωνεύτηκε με τις ζώνες προστασίας για να δημιουργηθούν οι ζώνες στόχευσης. Βάσει των χωρικών εκτάσεων των ζωνών στόχευσης, όλες οι διαθέσιμες εικόνες των Sentinel 2A/B, Landsat OLI και Resourcesat AWiFS συλλέχθηκαν την ίδια ημερομηνία. Ταυτόχρονα, συλλέχθηκαν όλες οι διαθέσιμες εικόνες πριν την πυρκαγιά και αφού επιλέχθηκαν οι περισσότερο ανθεκτικοί στον καπνό φασματικοί δείκτες, αναγνωρίστηκαν τα βέλτιστα κατώφλια αυτών των δεικτών για κάθε δορυφόρο, οι οποίοι μπορούν να υπολογιστούν για τις συλλεγόμενες εικόνες MSR. Οι καμένες εκτάσεις μπορούν να εξαχθούν άμεσα, ενώ εξελίσσονται οι πυρκαγιές και εάν οι εικόνες MSR είναι επαρκείς, η χωρική και χρονική επίδραση των πυρκαγιών μπορεί να παρακολουθείται καθημερινά, με την προτεινόμενη μέθοδο των δύο σταδίων.

'''Αποτελέσματα:''' Οι εστίες που ξέσπασε πυρκαγιά στη Βόρεια Καλιφόρνια έκαιγαν από τις 7 έως 19 Οκτωβρίου και από τις 29 έως 31 Οκτωβρίου και ήταν ευρέως διανεμημένα σε ολόκληρη την περιοχή μελέτης (Εικόνα 3). Μεταξύ αυτών, εννέα μεγάλες καμένες εκτάσεις βρίσκονταν στα βορειοδυτικά και στην άκρη της κεντρικής πεδιάδας της Καλιφόρνια, όπου οι τύποι κάλυψης γης σε αυτές τις καμένες περιοχές, ήταν κυρίως καλλιεργήσιμες εκτάσεις, δάση, ποώδη και θαμνώδη. Η χωρική κατανομή των σημείων πυρκαγιάς που εντοπίστηκαν στη Νότια Καλιφόρνια έκαιγε συνεχώς από τις 5 έως τις 25 Δεκεμβρίου. Σε αντίθεση με τις εξαπλωμένες εστίες πυρκαγιάς στη Βόρεια Καλιφόρνια, οι εστίες πυρκαγιάς στη Νότια Καλιφόρνια ήταν πιο χωρικά συγκεντρωμένες με τις κύριες εστίες πυρκαγιάς που βρίσκονταν στη Νοτιοδυτική Καλιφόρνια, να στοιχειοθετούν την πυρκαγιά «Thomas».

[[Εικόνα: NT5_e3.jpeg |thumb|left| '''Εικόνα 3.''' Η χωρική και χρονική κατανομή των σημείων πυρκαγιάς που ανιχνεύθηκαν στη (α) Βόρεια και (β) Νότια Καλιφόρνια. Έγινε εντοπισμός σημείων πυρκαγιάς σε διαφορετικές ημερομηνίες από 7 έως 31 Οκτωβρίου οι οποίες αποδίδονται με διαφορετικά χρώματα από σκούρο πράσινο έως κόκκινο. Οι εστίες πυρκαγιάς που δεν απεικονίζονται στους χάρτες (α ή β) αποδίδονται με κόκκινο χρώμα στους ένθετους χάρτες ολόκληρης της Καλιφόρνια που απεικονίζονται στην αριστερή πλευρά κάθε χάρτη.]]

Για να ελεγχθεί η ικανότητα των δεικτών στη διάκριση των καμένων από τις μη καμένες περιοχές και για να μετριαστούν οι επιπτώσεις του καπνού, προκύπτει ότι οι καμένες περιοχές χωρίς καπνό (BA), οι καμένες περιοχές που καλύπτονται από πυκνό καπνό (HS2) και οι καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) πρέπει να εντοπίζονται ξεχωριστά. Το κανάλι NIR μπορεί να εξάγει ξεχωριστά καμένες περιοχές χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα κανάλια SWIR1 και SWIR2 μπορούν να κάνουν διάκριση των καμένων που καλύπτονται από βαρύ καπνό, από τα καμένα που δεν καλύπτονται από καπνό και από άλλες περιοχές που καλύπτονται με καπνό, ενώ τα dNIR και dNBR μπορούν επίσης να διαχωρίσουν τα καμένα χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα dSWIR1 και dSWIR2 παρουσιάζουν επίσης μεγάλες δυνατότητες στη διάκριση των καμένων που καλύπτονται από βαρύ καπνό σε σχέση με τα καμένα χωρίς καπνό και άλλες περιοχές που σχετίζονται με τον καπνό, αλλά δεν μπορούν να διαχωρίσουν καλά τα καμένα που καλύπτονται από λεπτό καπνό (TS2) σε σχέση με άλλες περιπτώσεις. Χάρη στο κανάλι SWIR, οι καμένες περιοχές που καλύπτονται από λεπτό καπνό (TS2), μπορούν να εξαχθούν εν μέρει με τη χρήση dSWIR1. Για να κρατηθούν οι φασματικοί δείκτες των προς εξαγωγή καμένων εκτάσεων συνεπείς σε διαφορετικούς αισθητήρες και να βελτιωθεί η υπολογιστική απόδοση, επιλέχθηκαν τα dNBR και dSWIR1 για την εξαγωγή των καμένων από πυρκαγιές.

[[Εικόνα: NT5_p1.JPG |thumb|right| '''Πίνακας 1.''' Το F1-score για κάθε υποψήφιο σύνολο των τιμών κατωφλίου dNBR και dSWIR για τα 200 δείγματα (100 καμένα και 100 άκαυτα), της πυρκαγιάς «Thomas» που σημειώθηκε στις 5 Δεκεμβρίου με βάση την εικόνα Sentinel-2B. ]]

Ο προσδιορισμός των πιθανών βέλτιστων κατωφλιών για τις εικόνες των Sentinel-2A/B (Πίνακας 1) για την ακριβή αναγνώριση των καμένων εκτάσεων, είναι 0,42 και -0,2 για τα dNBR και dSWIR1 αντίστοιχα. Όταν η τιμή του dNBR είναι μεγαλύτερη από 0,42 και η τιμή του dSWIR1 είναι ταυτόχρονα μικρότερη από -0,2, τα καμένα μπορούν να εξαχθούν για εικόνες Sentinel-2A/B. Ωστόσο, αυτές οι τιμές μπορεί να μην είναι οι βέλτιστες. Έτσι, για να ληφθούν τα βέλτιστα κατώφλια, πραγματοποιήθηκε μία περαιτέρω δοκιμή για τα υποψήφια κατώφλια του βέλτιστου dNBR και του dSWIR1 για τις εικόνες Sentinel-2A/B. Όπως φαίνεται στον Πίνακα 1, οι βέλτιστες τιμές κατωφλίου για το υψηλότερο F-score ήταν 0.42 για το dNBR και -0.23 για το dSWIR1.

'''Συμπεράσματα:''' Στην παρούσα μελέτη προτείνεται μία μέθοδος δύο σταδίων που βασίζεται σε δεδομένα τηλεπισκόπησης πολλαπλών αισθητήρων για χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Οι αισθητήρες υψηλής χρονικής ανάλυσης της θερμικής ανωμαλίας, MODIS και VIIRS, χρησιμοποιήθηκαν αρχικά για τον εντοπισμό πυρκαγιών και πιθανών καμένων εκτάσεων. Έπειτα, αισθητήρες εικόνων MSR συμπεριλαμβανομένων των Sentinel-2A/2B, του Landsat OLI και του Resourcesat AWiFS χρησιμοποιήθηκαν για την εξαγωγή καμένων εκτάσεων με περισσότερη χωρική λεπτομέρεια σε σχεδόν πραγματικό χρόνο. Η προτεινόμενη μέθοδος εφαρμόστηκε στη Βόρεια και Νότια Καλιφόρνια όπου εκδηλώθηκαν πυρκαγιές το 2017. Τα αποτελέσματα έδειξαν ότι αυτή η μέθοδος ήταν ακριβής για τη χαρτογράφηση καμένων εκτάσεων σε ένα σύνολο ακρίβειας 0,84 και 0,85 για τη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η μέθοδος αυτή μπορεί να παρακολουθεί τα καμένα σε μέσο διάστημα 3,5 ημερών και καθυστέρηση 4 ημερών στη Νότια Καλιφόρνια και σε μέσο διάστημα 3 ημερών και καθυστέρηση λιγότερη της μίας ημέρας για τις πυρκαγιές στη Βόρεια Καλιφόρνια, αντίστοιχα. Ακόμη ξεπερνά τους περιορισμούς στη χαρτογράφηση καμένων με βάση μόνο μεμονωμένα δορυφορικά δεδομένα, που είναι οι αισθητήρες με σύντομες περιόδους επανεπίσκεψης σε ένα σημείο, οι οποίοι κιόλας αποτυγχάνουν να παρέχουν σαφή χωρική λεπτομέρεια για τις πυρκαγιές, ενώ οι αισθητήρες μέσης ανάλυσης δεν επαρκούν για τον έγκαιρο εντοπισμό των δασικών πυρκαγιών που μπορεί να συμβαίνουν ανά πάσα στιγμή σε οποιοδήποτε μέρος στον κόσμο. Οι δυο ομάδες αισθητήρων δεν μπορούν να αναγνωρίσουν έγκαιρα τις πυρκαγιές, αλλά χαρτογραφούν με ακρίβεια ό,τι καίνε αυτές. Η μέθοδος δύο σταδίων μπορεί να θεωρηθεί κρίσιμη για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο με το συνδυασμό δεδομένων τηλεπισκόπησης από πολλαπλές υψηλές χρονικές συχνότητες και όλους τους δωρεάν MSR αισθητήρες. Με όλο και περισσότερα δορυφορικά δεδομένα MSR και HSR ελεύθερα στο κοινό, ο συνδυασμός τους για την κατασκευή τακτικών χρονικών σειρών και την ανίχνευση ποικίλων αλλαγών σε πραγματικό χρόνο της επιφάνειας της γης σε περιφερειακές αλλά και πιο παγκόσμιες κλίμακες, γίνεται πιο εύκολα από πριν. Παρόλο που η προτεινόμενη μέθοδος των δύο σταδίων παρέχει έναν αποτελεσματικό τρόπο για τη συνεχή παρακολούθηση των καμένων σε σχεδόν πραγματικό χρόνο, η απόδοση αυτής της μεθόδου θα μπορούσε να βελτιωθεί με την ενσωμάτωση των πληροφοριών των καμένων στην ανίχνευση των εν λόγω εκτάσεων. Επιπλέον, είναι πολύτιμο να υλοποιηθεί η προτεινόμενη μέθοδος χαρτογράφησης των καμένων εκτάσεων για μία πλατφόρμα πλανητικής κλίμακας, όπως το Google Earth Engine (GEE) για την πιο αποτελεσματική χαρτογράφηση σε σχεδόν πραγματικό χρόνο των καμένων εκτάσεων.

[[category:Δασικές Πυρκαγιές]]

Χαρτογράφηση Καμένων Εκτάσεων σε Σχεδόν Πραγματικό Χρόνο με Συνδυασμό Πολλαπλών Δεδομένων Τηλεπισκόπησης

2023-02-08T19:24:25Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Χαρτογράφηση καμένων εκτάσεων

'''Πρωτότυπος τίτλος:''' Near real-time mapping of burned area by synergizing multiple satellites remote-sensing data

'''Συγγραφείς:''' Lipeng Jiao & Yanchen Bo

'''Πηγή:''' Lipeng Jiao & Yanchen Bo (2022) Near real-time mapping of burned area
by synergizing multiple satellites remote-sensing data, GIScience & Remote Sensing, 59:1, 1956-1977, DOI: 10.1080/15481603.2022.2143690 https://doi.org/10.1080/15481603.2022.2143690 [https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2143690]

'''Περίληψη:''' Οι πυρκαγιές έχουν σημαντικές επιπτώσεις στις ανθρώπινες ζωές, στις υποδομές και στα οικοσυστήματα. Η ακριβής και έγκαιρη πληροφόρηση ότι μία περιοχή έχει πληγεί από πυρκαγιά, έχει μεγάλη σημασία για την καλύτερη κατανόηση των μοτίβων των δασικών πυρκαγιών, καθώς και τη συνάφειά τους με τους βιογεωχημικούς κύκλους, το κλίμα, την ποιότητα του αέρα και τη διαχείριση των πυρκαγιών. Γενικά σε μελέτες, έχουν χρησιμοποιηθεί μεμονωμένα δορυφορικά δεδομένα για την ανίχνευση των χαρακτηριστικών των πυρκαγιών, χαρτογραφώντας αναδρομικά τις καμένες εκτάσεις σε μία ποικιλία χωρικών αναλύσεων. Ωστόσο, λόγω της αντιστάθμισης μεταξύ χωρικών και χρονικών αναλύσεων, τα δορυφορικά δεδομένα δεν επαρκούν για να στοιχειοθετήσουν τη σημασία των καμένων εκτάσεων σε υψηλού επιπέδου αναλύσεις τόσο χωρικά όσο και χρονικά. Έτσι, στην παρούσα μελέτη αναπτύχθηκε μία μέθοδος αντιστοίχισης των καμένων εκτάσεων δύο σταδίων σε σχεδόν πραγματικό χρόνο, που εκμεταλλεύεται την υψηλή χρονική συχνότητα των αισθητήρων χονδροειδούς ανάλυσης, και την καλή ανάλυση αισθητήρων μέσης χωρικής ανάλυσης στη χαρτογράφηση των καμένων εκτάσεων. Οι αισθητήρες υψηλής χρονικής συχνότητας, MODIS και VIIRS, είναι αυτοί που χρησιμοποιήθηκαν για τον εντοπισμό των πυρκαγιών και πιθανών καμένων εκτάσεων. Στη συνέχεια, χρησιμοποιήθηκαν αισθητήρες μέσης χωρικής ανάλυσης (MSR), όπως οι Sentinel-2A/2B, Landsat OLI και Resourcesat AWiFS για εξαγωγή των καμένων εκτάσεων με περισσότερες χωρικές λεπτομέρειες σε σχεδόν πραγματικό χρόνο. Η διαδικασία εφαρμόστηκε στην Καλιφόρνια των ΗΠΑ, όπου εκδηλώθηκαν πυρκαγιές σε βόρεια και νότια τμήματα της πολιτείας το 2017 και τα αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος είναι πολλά υποσχόμενη για τη χαρτογράφηση των καμένων εκτάσεων με συνολική ακρίβεια 0,84 και 0,85 στη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η προτεινόμενη μέθοδος βελτίωσε σημαντικά τη συχνότητα και μείωσε την καθυστέρηση καταγραφής, με μέσο διάστημα συχνότητας 3,5 ημέρες και καθυστέρησης μεταφοράς 4 ημέρες για τη χαρτογράφηση πυρκαγιών στην Καλιφόρνια. Εν τέλει, οι εξαγόμενες καμένες εκτάσεις απεικονίστηκαν με ακριβείς χωρικές λεπτομέρειες και η μέθοδος που εφαρμόστηκε στην παρούσα εργασία μπορεί να χρησιμοποιήσει παρατηρήσεις τηλεπισκόπησης διαφορετικών πηγών για να χαρτογραφήσει με ακρίβεια τις ενεργές πυρκαγιές σε σχεδόν πραγματικό χρόνο, το πιο σημαντικό, όμως, είναι ότι μπορεί να εφαρμοστεί και σε άλλες γεωγραφικές περιοχές όπου εκδηλώνονται πυρκαγιές.

'''Λέξεις κλειδιά:''' Φωτιά, καμένη έκταση, σχεδόν πραγματικός χρόνος, υψηλή χωροχρονική ανάλυση, δορυφορικές εικόνες πολλαπλών πηγών

'''Εισαγωγή:''' Τις τελευταίες δεκαετίες, οι ακραίες καιρικές συνθήκες και τα κλιματολογικά φαινόμενα, όπως η πολλή ζέστη και η ξηρασία, έχουν προκαλέσει γεγονότα πυρκαγιών παγκοσμίως. Οι φυσικές και ανθρωπογενείς διεργασίες, επίσης, προκαλούν πυρκαγιές σε διάφορα μέρη, ειδικά στον Καναδά, την Αυστραλία, τη Βραζιλία και τις ΗΠΑ. Η ποσοτικοποίηση της καμένης περιοχής σε υψηλή χωροχρονική ανάλυση είναι μεγάλης σημασίας για την κατανόηση των επιπτώσεων των γεγονότων των δασικών πυρκαγιών στο οικολογικό περιβάλλον και στη δυνατότητα της έγκαιρης απόκρισης και εκκένωσης σε καταστάσεις έκτακτης ανάγκης.

Τα δορυφορικά δεδομένα παρέχουν συνεπείς και περιοδικές παρατηρήσεις, οι οποίες είναι κρίσιμες για την ανίχνευση και την παρακολούθηση πυρκαγιών σε κλίμακες περιφερειακού και παγκόσμιου επιπέδου. Σε αρχικό στάδιο της παρακολούθησης της πυρκαγιάς, χρησιμοποιήθηκαν κυρίως δορυφορικά δεδομένα από αισθητήρες χονδρικής χωρικής ανάλυσης, όπως ο AVHRR, ο Along Track Scanning Radiometer (ATSR), ο VEGETATION, ο MODIS, και γεωστατικοί δορυφόροι όπως ο Γεωστατικός Επιχειρησιακός Περιβαλλοντικός Δορυφόρος (GOES) και ο Meteosat, για την ανάλυση των αποτελεσμάτων φωτιάς σε μεγάλες περιοχές. Οι δείκτες ευαισθησίας στη βλάστηση αναπτύχθηκαν με βάση την αντίθεση μεταξύ καμένων και άκαυτων επιφανειών στο ορατό (0,4-0,7μm), στο εγγύς υπέρυθρο (0,7-1,5μm) και στο μεσαίο υπέρυθρο (1,5-4μm), στα τμήματα του ηλεκτρομαγνητικού φάσματος για χαρτογράφηση καμένων περιοχών. Υπάρχουν θερμικά προϊόντα ανίχνευσης της καμένης έκτασης που βασίζονται σε δεδομένα τηλεπισκόπησης χονδρικής χωρικής ανάλυσης. Τα προϊόντα παγκόσμιας θερμικής ανωμαλίας MODIS MCD14DL και VIRSS VNP14IMGT (FIRMS), παρέχουν γεωγραφικές τοποθεσίες πυρκαγιών κάθε 3 ώρες στις αναλύσεις 500m και 375m, αντίστοιχα. Η χρονική σειρά του Κανονικοποιημένου Δείκτη Καύσης (NBR) Landsat και ο διαφοροποιημένος Κανονικοποιημένος Δείκτης Καύσης (dNBR) Landsat, χρησιμοποιήθηκαν για την ανίχνευση των πυρκαγιών σε δασικά οικοσυστήματα του Καναδά. Οι εικόνες Sentinel-2 χρησιμοποιήθηκαν για τη χαρτογράφηση των καμένων εκτάσεων για ολόκληρη την Υποσαχάρια Αφρική, την Καλιφόρνια, τις ΗΠΑ και την Αυστραλία.

'''Περιοχή Μελέτης:''' Οι περιοχές μελέτης βρίσκονται στην Καλιφόρνια, όπου εκδηλώνονται συχνά πυρκαγιές τις τελευταίες δεκαετίες. Το 2017 σημειώθηκαν δύο σοβαρές πυρκαγιάς στις περιοχές μελέτης. Η μία περίπτωση αφορά τη φωτιά που ξέσπασε στις 8 Οκτωβρίου στη Βόρεια Καλιφόρνια και η δεύτερη αφορά τη φωτιά που ξεκίνησε στις 4 Δεκεμβρίου και εξαπλώθηκε κυρίως στη Ventura, στη Νότια Καλιφόρνια. Οι περιοχές μελέτης διαθέτουν τυπικό μεσογειακό κλίμα με ένα ευρύ φάσμα οικοσυστημάτων, συμπεριλαμβανομένων των ημίξηρων θαμνωδών εκτάσεων, των δασών που κυριαρχούνται από κωνοφόρα, των λιβαδιών, των καλλιεργειών και των υγροτόπων. Λόγω της αλλαγής του κλίματος, οι μεγάλες ξηρασίες και οι απρόβλεπτες βροχές σε συνδυασμό με τον άνεμο το χειμώνα κάνουν τα οικοσυστήματα της βλάστησης ευάλωτα στις πυρκαγιές. Οι περιοχές μελέτης, επίσης, είναι οι πιο πυκνοκατοικημένες περιοχές των ΗΠΑ, όπου προκαλούνται τακτικά πυρκαγιές και οι ανθρωπογενείς παράγοντες έχουν προκαλέσει μεγάλες αλλαγές σ’ αυτές. Οι πυρκαγιές στις περιοχές αυτές εμφανίζονται συνήθως στην ξηρή περίοδο από το Νοέμβριο έως τον Φεβρουάριο, ενώ ορισμένες δασικές πυρκαγιές εκδηλώνονται ακόμη και στις αρχές Οκτωβρίου ή τέλη Μαρτίου και Απριλίου.

'''Μεθοδολογία:''' Στην παρούσα μελέτη χρησιμοποιήθηκαν τα MCD14DL και VNP14IMGT για τον προσδιορισμό των πιθανών καμένων εκτάσεων, τα οποία αποτελούν θερμικά προϊόντα που προέρχονται από το σύστημα FIRMS, του LANCE της NASA. Μέσω του LANCE, διανέμονται σε σχεδόν πραγματικό χρόνο τα δεδομένα ενεργών εστιών φωτιάς, διάρκειας μέχρι 3 ωρών δορυφορικών παρατηρήσεων από το MODIS των αισθητήρων Terra, Aqua και το VIIRS του δορυφόρου Suomi NPP των NOAA και NASA. Για την παραγωγή αυτών των προϊόντων δημιουργήθηκε ένας αλγόριθμος βασισμένος στην ισχυρή εκπομπή της υπέρυθρης ακτινοβολίας από τις πυρκαγιές. Επιπλέον, ορίστηκε ένα επίπεδο εμπιστοσύνης για κάθε ενεργό σημείο πυρκαγιάς για τη διευκόλυνση του χρήστη. Το MCD14DL σε ανάλυση 1km προερχόμενο από το MODIS, και το VNP14IMGT σε ανάλυση 375m που βασίζεται στο VIIRS, χρησιμοποιήθηκαν σε μορφή σημειακού shapefile στο WGS84. Οι αισθητήρες Terra και Aqua MODIS παρατηρούν ολόκληρη την επιφάνεια της Γης 2 φορές την ημέρα και υπάρχουν τουλάχιστον τέσσερις καθημερινές παρατηρήσεις του MODIS κοντά στον ισημερινό, με τον αριθμό των υπερυψώσεων να αυξάνεται προς τους πόλους. O Suomi-NPP παρατηρεί, επίσης, τη γη 2 φορές την ημέρα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν όλα τα MCD14DL και VNP14IMGT δεδομένα από τον Οκτώβριο και το Δεκέμβριο και θεωρείται ότι, πραγματοποιούνται 6-8 παρατηρήσεις ανά ημέρα στην Καλιφόρνια, από τα MCD14DL και VNP14IMGT. Για την ακριβή παρακολούθηση των καμένων εκτάσεων από πυρκαγιές σε σχεδόν πραγματικό χρόνο, απαιτούνται πολλαπλές πηγές δορυφορικών εικόνων MSR και γι’ αυτό στη συγκεκριμένη μελέτη, συλλέχθηκαν όλες οι διαθέσιμες εικόνες MSR χωρίς σύννεφα από τον αισθητήρα AWiFS του δορυφόρου Resourcesat του Ινδικού Οργανισμού Διαστημικής Έρευνας (ISRO), του Landsat OLI και του Sentinel-2A/2B MSI. Η διαδικασία που ακολουθήθηκε παρουσιάζεται τμηματικά με πιο λεπτομερή και περιγραφικό τρόπο στην Εικόνα 1.

[[Εικόνα: NT5_e2.jpeg |thumb|right| '''Εικόνα 1.''' Εννοιολογική αναπαράσταση των βημάτων για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο χρησιμοποιώντας δορυφορικές εικόνες πολλαπλών πηγών.]]

Ο Landsat έχει τη δυνατότητα να παρέχει χωρική ανάλυση 30m σε παρατηρήσεις του ίδιου σημείου κάθε 16 ημέρες, ενώ ο δορυφόρος Resourcesat1 με χωρική ανάλυση 56m περνάει κάθε 5 ημέρες από το ίδιο σημείο. Έτσι, ενσωματώνοντας τις εικόνες Sentinel-2A/B του Landsat και τις αντίστοιχες δορυφορικές εικόνες του Resourcesat1, δίνεται μεγάλη δυνατότητα να μπορεί να παρακολουθείται η εξέλιξη των πυρκαγιών σε σχεδόν πραγματικό χρόνο, και σε διάστημα μικρότερο από 5 ημέρες, με χωρική ανάλυση καλύτερη των 56m. Η διάρκεια των δασικών πυρκαγιών, τα σύννεφα, το διάστημα επανεπίσκεψης του δορυφόρου στις περιοχές μελέτης και η ζώνη κάλυψης των δορυφορικών εικόνων, συνεπάγονται ότι οι πυρκαγιές στην Καλιφόρνια μπορούν να παρακολουθηθούν σε διάστημα 3 ημερών.

Για την παρούσα μελέτη, επιπλέον, χρησιμοποιήθηκε η Εθνική Βάση Δεδομένων Εδαφικής Κάλυψης (NLCD) του 2016, για την κάλυψη γης και την εξαγωγή των σημείων πυρκαγιάς που εμπίπτουν στην περιοχή που καλύπτεται από βλάστηση. Η NLCD του 2016 εκτείνεται σε χρονική κάλυψη 15 ετών (2001-2016) για την παροχή δεδομένων για την κάλυψη της γης και την αλλαγή των χρήσεων γης στη χωρική ανάλυση των 30m του Landsat Θεματικού Χάρτη.

Τα MCD14DL και VNP14IMGT συγχωνεύτηκαν σε υψηλότερη χρονική συχνότητα σε μία βάση δεδομένων για τον ακριβή και γρήγορο εντοπισμό πιθανών σημείων πυρκαγιάς. Όλες οι εικόνες Landsat διορθώθηκαν από εικόνες Επιπέδου 1 Τ. Οι εικόνες Επιπέδου 1 T του AWiFS που προέκυψαν, μετατράπηκαν σε εικόνες επιφανειακής ανάκλασης με ραδιομετρική διόρθωση χρησιμοποιώντας το ENVI FLAASH (ESRI 2009). Στη συνέχεια, οι εικόνες ανάκλασης της επιφάνειας του AWiFS, καταχωρήθηκαν στον Landsat OLI λαμβάνοντας υπόψη 30 σημεία επίγειου ελέγχου. Επιπλέον, η επιπέδου 1C- εικόνες ανάκλασης Sentinel-2A, μετατράπηκαν σε εικόνες ανάκλασης της επιφάνειας μέσω της διαδικασίας ατμοσφαιρικής διόρθωσης χρησιμοποιώντας το Sentinel to Correction (Sen2Cor). Τα κανάλια πράσινο, κόκκινο, NIR και SWIR των OLI, MSI και AWiFS είναι αρκετά κοντινά ως προς το φασματικό πλάτος και το κεντρικό μήκος κύματος και για να πραγματοποιηθεί εναρμόνιση της χωρικής ανάλυσης των εικόνων Sentinel-2A και 2B με τα κανάλια κόκκινο, NIR και SWIR σε ομοιόμορφη ανάλυση, έγινε εκ νέου δειγματοληψία εικόνων από αυτές τις ζώνες σε χωρική ανάλυση 20m χρησιμοποιώντας το λογισμικό SNAP.

Τα θερμικά MCD14DL και VNP14IMGT εντοπίζουν ποικίλα σημεία θερμικής ανωμαλίας, όπως πυρκαγιές, ηφαιστειακές εκρήξεις και εκπομπές εκλάμψεων από πηγάδια αερίου. Για να ληφθούν στην προκειμένη περίπτωση τα πραγματικά σημεία που έχουν προκληθεί πυρκαγιές, πρέπει να αφαιρεθούν τα άλλα είδη θερμικής ανωμαλίας. Σ’ αυτή τη μελέτη, χρησιμοποιήθηκαν αρχικά τα δεδομένα της NLCD ανάλυσης 30m του 2016, για τον εντοπισμό της θερμικής ανωμαλίας σε περιοχές με βλάστηση. Επιπλέον, λόγω της συγκέντρωσης της χωρικής έκτασης και της χρονικής κάλυψης καύσης της βιομάζας, τα χαρακτηριστικά της χρονικής και χωρικής συγκέντρωσης της καύσης, χρησιμοποιήθηκαν για να αφαιρεθούν και τα υπόλοιπα σημεία θερμικής ανωμαλίας. Στη συνέχεια εφαρμόστηκαν διαδικασίες στο συγχωνευμένο θερμικό προϊόν ανωμαλίας για τον εντοπισμό των πραγματικών σημείων πυρκαγιάς. Οι διαδικασίες που ακολουθήθηκαν ήταν οι εξής:

'''Α)''' Χωρικό φιλτράρισμα, καθώς οι πυρκαγιές εξελίσσονται με τον καιρό, τα σημεία κατανέμονται σε σχετικά μεγάλες χωρικές εκτάσεις. Έτσι, λήφθηκε υπόψη το χαρακτηριστικό της χωρικής συσσώρευσης των δασικών πυρκαγιών, ώστε να γίνει διαφοροποίηση των σημείων πυρκαγιάς από άλλα σημεία θερμικής ανωμαλίας χαμηλής χωρικής συσσώρευσης. Πιο συγκεκριμένα, δημιουργήθηκε ένα πλέγμα μήκους 1km για τη συγχώνευση των προϊόντων θερμικής ανωμαλίας και τη μέτρηση της χωρικής συσσώρευσης των σημείων θερμικής ανωμαλίας στο πλέγμα κάθε κελιού. Λαμβάνοντας υπόψη την ταχύτητα του ανέμου και τη σφοδρότητα της καύσης, εφαρμόστηκε συρόμενο παράθυρο 3km*3km για την καταμέτρηση του μέγιστου αριθμού σημείων θερμικής ανωμαλίας που εμπίπτουν στα χωρικά συρόμενα παράθυρα. Υπάρχουν δύο προϋποθέσεις για την αναγνώριση των πιθανοτήτων πυρκαγιάς, με βάση τη συγχώνευση των ημερήσιων προϊόντων θερμικής ανωμαλίας. Η μία είναι ότι τα θερμικά σημεία ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο, παρατηρήθηκαν τόσο πρωινές όσο και απογευματινές ώρες μίας ημέρας. Η διαδοχική χρονική κάλυψη αυτών των σημείων δείχνει ότι το πιο πιθανό είναι να πρόκειται για πραγματικά σημεία πυρκαγιάς, οπότε ο αριθμός των σημείων θερμικής ανωμαλίας που εμπίπτουν σε μία ολίσθηση παραθύρου, να είναι σχετικά μικρός. Η άλλη είναι ότι τα σημεία θερμικής ανωμαλίας που εμπίπτουν εντός του ολισθέντος παραθύρου παρατηρήθηκαν είτε το πρωί είτε το απόγευμα μίας ημέρας. Η μικρή διάρκεια αυτών των σημείων θερμικής διαφοροποίησης υποδηλώνει ότι είναι λιγότερο πιθανό να είναι πραγματικά σημεία πυρκαγιάς και για να αυξηθεί η αξιοπιστία των συγκεκριμένων σημείων ότι αφορούν όντως σημεία πυρκαγιάς, θεωρήθηκε ότι ο αριθμός των σημείων που εμπίπτουν σε ένα συρόμενο παράθυρο πρέπει να είναι σχετικά μεγαλύτερος (π.χ. ένα μεγάλο όριο n). Μόλις ο αριθμός των σημείων που εμπίπτουν στο συρόμενο παράθυρο είναι αρκετά μεγάλος, μπορούν να αναγνωριστούν ως πραγματικές υποψήφιες εστίες πυρκαγιάς και προκειμένου να μειωθεί το σφάλμα στον προσδιορισμό των πραγματικών εστιών πυρκαγιάς, τα κατώφλια ορίστηκαν όσο το δυνατόν χαμηλότερα και για τις δύο συνθήκες (δηλαδή n = 4 και n = 8). Ο τύπος που εφαρμόστηκε, είναι: Max{n1, n2, . . . . . . ; nm}≥4 ή Max {n, n2, . . . . . . , nm}≥8, όπου τα n1,n2, . . . . . ., nm αντιπροσωπεύουν τον αριθμό των σημείων θερμικής ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο. Εάν ο μέγιστος αριθμός θερμικών σημείων ανωμαλίας που περιέχονται στο συρόμενο παράθυρο πληρούν το κριτήριο, αυτά τα σημεία θερμικής ανωμαλίας διατηρήθηκαν ως υποψήφιες εστίες πυρκαγιάς για περαιτέρω δοκιμή.

'''Β)''' Χρονικό φιλτράρισμα, τα κατώφλια παρόλο που ρυθμίστηκαν όσο το δυνατόν χαμηλότερα στη διαδικασία χωρικού φιλτραρίσματος, οι θερμικές ανωμαλίες μικρής διάρκειας που εντοπίζονται με υψηλή χωρική συγκέντρωση μπορούν να ταξινομηθούν εσφαλμένα ως πραγματικές εστίες πυρκαγιάς. Έτσι, υιοθετήθηκε ένας τροποποιημένος δείκτης χρονικής συγκέντρωσης (TCI) για τον προσδιορισμό της χρονικής συνάθροισης των υποψήφιων σημείων πυρκαγιάς. Πιο συγκεκριμένα, ρυθμίστηκε ένα προσωρινό συρόμενο παράθυρο για μέτρηση των υποψήφιων σημείων πυρκαγιάς μέσα σ’ αυτό. Αν οι υποψήφιες εστίες πυρκαγιάς μέσα στο συρόμενο παράθυρο παρατηρήθηκαν τόσο το πρωί όσο και το απόγευμα μίας ημέρας, ο συντελεστής χρονικής συγκέντρωσης k ορίστηκε σε 0,1. Οι δείκτες βλάστησης (VIs) που ενσωματώνουν κανάλια SWIR, παρουσιάζουν ευαισθησία στις αλλαγές στην υγρασία των φύλλων και στη σκίαση, ενώ οι VIs που ενσωματώνουν κανάλια του NIR, είναι ευαίσθητοι σε αλλαγές στην υγεία των φυτών και στην πυκνότητα της φυλλωσιάς. Οι φασματικοί δείκτες που αναπτύχθηκαν από αυτά τα κανάλια είναι εφικτό να ανιχνεύσουν καμένες εκτάσεις. Για παράδειγμα, ο Δείκτης βλάστησης (NDVI) και οι διαφορετικές τιμές του NDVI έχουν δείξει μεγάλες δυνατότητες στην εκτίμηση της σφοδρότητας της πυρκαγιάς και πολλές μελέτες αποκαλύπτουν ότι τα NBR και dNBR είναι οι πιο αποτελεσματικοί φασματικοί δείκτες για τη χαρτογράφηση καμένων εκτάσεων μετά από πυρκαγιές. Συγκεκριμένα, το dNBR δεν είναι ευαίσθητο στην ατμοσφαιρική διάθλαση και μπορεί να ποσοτικοποιήσει τη χαμένη βλάστηση, την εναπόθεση άνθρακα και τη μείωση της υγρασίας και της σκιάς των φύλλων, που οδηγεί σε χαμηλότερες τιμές του NIR και υψηλότερες τιμές ανάκλασης του SWIR, σε σύγκριση με την υγιή βλάστηση.
Ο καπνός που εκπέμπεται κατά την ενεργό φάση των πυρκαγιών υποτίθεται ότι κάνει δυσδιάκριτη την επιφάνεια της γης και προκαλεί μεγάλη αβεβαιότητα στη χαρτογράφηση των καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Φασματικοί δείκτες όπως οι NIR, SWIR, NDVI και NBR, καθώς και οι διαφορικές τιμές αυτών των δεικτών, επιλέχθηκαν σε αυτή τη μελέτη για να ελέγξουν την ικανότητα των δεικτών στη διάκριση των καμένων εκτάσεων από τις μη καμένες, μετριάζοντας ωστόσο τις επιπτώσεις του καπνού. Ο καπνός που εκπέμπεται από τις πυρκαγιές, μπορεί να εμφανιστεί τόσο σε καμένες, όσο και σε παρακείμενες μη καμένες περιοχές.

Σύμφωνα με την ποσότητα του καπνού που εμφανίζεται εντός των καμένων ή εκτός των καμένων περιοχών, στη μελέτη ορίστηκαν πέντε σενάρια, τα οποία περιλαμβάνουν, καμένες περιοχές χωρίς την παρουσία καπνού (κόκκινες κουκκίδες στην Εικόνα 2), μη καμένα σημεία που καλύπτονται από βαρύ καπνό (HS1) (πορτοκαλί κουκκίδες στην Εικόνα 2), καμένες περιοχές που καλύπτονται από βαρύ καπνό (HS2) (πράσινες κουκκίδες στην Εικόνα 2), μη καμένες περιοχές που καλύπτονται από αραιό καπνό (TS1) (μπλε κουκκίδες μέσα Εικόνα 2), και καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) (κίτρινες κουκκίδες στην Εικόνα 2).

[[Εικόνα: NT5_e1.jpeg |thumb|right| '''Εικόνα 2.''' Το αριστερό πλαίσιο με σημεία εκπαίδευσης διαφορετικών χρωμάτων είναι η περιοχή μεγέθυνσης στο μαύρο ορθογώνιο του επάνω δεξιού χάρτη. Τα σημεία εκπαίδευσης για κάθε κατηγορία καμένης περιοχής, HS2, HS1, TS1 και TS2 αποδίδονται σε κόκκινο, πράσινο, πορτοκαλί, μπλε και κίτρινο χρώμα, αντίστοιχα.]]

Τα σημεία εκπαίδευσης για καθένα από αυτά τα σενάρια συλλέχθηκαν τυχαία με οπτική ερμηνεία και υπολογίστηκαν οι τιμές των επιλεγμένων δεικτών σε βαθμούς και στη μελέτη επιλέχθηκαν 30 σημεία εκπαίδευσης για κάθε σενάριο. Οι πιο αποτελεσματικοί φασματικοί δείκτες εντοπίστηκαν με ανάλυση των στατιστικών διαφορών των υποψήφιων φασματικών χαρακτηριστικών των προαναφερθέντων σεναρίων χρησιμοποιώντας τα θηκογράμματα των σημείων εκπαίδευσης. Οι εικόνες υψηλής χωρικής ανάλυσης από το Google Earth ερμηνεύτηκαν οπτικά για να επαληθευτεί ο τύπος κάλυψης γης (βλάστηση, υδάτινο σώμα, γυμνό έδαφος, ανεπτυγμένο και καμένο έδαφος) των σημείων εκπαίδευσης καθ’ όλη τη διάρκεια της περιόδου παρακολούθησης. Για τη διευκόλυνση δοκιμής και απεικόνισης της ικανότητας αυτών των δεικτών για τη διάκριση των καμένων εκτάσεων από άλλες περιοχές που επηρεάστηκαν από τον καπνό, προτού διεξαχθεί περαιτέρω ανάλυση, έγινε κανονικοποίηση των τιμών των επιλεγμένων φασματικών δεικτών στο διάστημα τιμών από −1,0 έως 1,0.
Μόλις προσδιορίστηκε η χωρική έκταση των σημείων που ξέσπασε η πυρκαγιά, δημιουργήθηκαν ζώνες προστασίας ακτίνας του 1km εντοπισμού της χωρικής εξάπλωσής τους. Έπειτα, η χωρική έκταση κατάληψης των σημείων πυρκαγιάς συγχωνεύτηκε με τις ζώνες προστασίας για να δημιουργηθούν οι ζώνες στόχευσης. Βάσει των χωρικών εκτάσεων των ζωνών στόχευσης, όλες οι διαθέσιμες εικόνες των Sentinel 2A/B, Landsat OLI και Resourcesat AWiFS συλλέχθηκαν την ίδια ημερομηνία. Ταυτόχρονα, συλλέχθηκαν όλες οι διαθέσιμες εικόνες πριν την πυρκαγιά και αφού επιλέχθηκαν οι περισσότερο ανθεκτικοί στον καπνό φασματικοί δείκτες, αναγνωρίστηκαν τα βέλτιστα κατώφλια αυτών των δεικτών για κάθε δορυφόρο, οι οποίοι μπορούν να υπολογιστούν για τις συλλεγόμενες εικόνες MSR. Οι καμένες εκτάσεις μπορούν να εξαχθούν άμεσα, ενώ εξελίσσονται οι πυρκαγιές και εάν οι εικόνες MSR είναι επαρκείς, η χωρική και χρονική επίδραση των πυρκαγιών μπορεί να παρακολουθείται καθημερινά, με την προτεινόμενη μέθοδο των δύο σταδίων.

'''Αποτελέσματα:''' Οι εστίες που ξέσπασε πυρκαγιά στη Βόρεια Καλιφόρνια έκαιγαν από τις 7 έως 19 Οκτωβρίου και από τις 29 έως 31 Οκτωβρίου και ήταν ευρέως διανεμημένα σε ολόκληρη την περιοχή μελέτης (Εικόνα 3). Μεταξύ αυτών, εννέα μεγάλες καμένες εκτάσεις βρίσκονταν στα βορειοδυτικά και στην άκρη της κεντρικής πεδιάδας της Καλιφόρνια, όπου οι τύποι κάλυψης γης σε αυτές τις καμένες περιοχές, ήταν κυρίως καλλιεργήσιμες εκτάσεις, δάση, ποώδη και θαμνώδη. Η χωρική κατανομή των σημείων πυρκαγιάς που εντοπίστηκαν στη Νότια Καλιφόρνια έκαιγε συνεχώς από τις 5 έως τις 25 Δεκεμβρίου. Σε αντίθεση με τις εξαπλωμένες εστίες πυρκαγιάς στη Βόρεια Καλιφόρνια, οι εστίες πυρκαγιάς στη Νότια Καλιφόρνια ήταν πιο χωρικά συγκεντρωμένες με τις κύριες εστίες πυρκαγιάς που βρίσκονταν στη Νοτιοδυτική Καλιφόρνια, να στοιχειοθετούν την πυρκαγιά «Thomas».

[[Εικόνα: NT5_e3.jpeg |thumb|left| '''Εικόνα 3.''' Η χωρική και χρονική κατανομή των σημείων πυρκαγιάς που ανιχνεύθηκαν στη (α) Βόρεια και (β) Νότια Καλιφόρνια. Έγινε εντοπισμός σημείων πυρκαγιάς σε διαφορετικές ημερομηνίες από 7 έως 31 Οκτωβρίου οι οποίες αποδίδονται με διαφορετικά χρώματα από σκούρο πράσινο έως κόκκινο. Οι εστίες πυρκαγιάς που δεν απεικονίζονται στους χάρτες (α ή β) αποδίδονται με κόκκινο χρώμα στους ένθετους χάρτες ολόκληρης της Καλιφόρνια που απεικονίζονται στην αριστερή πλευρά κάθε χάρτη.]]

Για να ελεγχθεί η ικανότητα των δεικτών στη διάκριση των καμένων από τις μη καμένες περιοχές και για να μετριαστούν οι επιπτώσεις του καπνού, προκύπτει ότι οι καμένες περιοχές χωρίς καπνό (BA), οι καμένες περιοχές που καλύπτονται από πυκνό καπνό (HS2) και οι καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) πρέπει να εντοπίζονται ξεχωριστά. Το κανάλι NIR μπορεί να εξάγει ξεχωριστά καμένες περιοχές χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα κανάλια SWIR1 και SWIR2 μπορούν να κάνουν διάκριση των καμένων που καλύπτονται από βαρύ καπνό, από τα καμένα που δεν καλύπτονται από καπνό και από άλλες περιοχές που καλύπτονται με καπνό, ενώ τα dNIR και dNBR μπορούν επίσης να διαχωρίσουν τα καμένα χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα dSWIR1 και dSWIR2 παρουσιάζουν επίσης μεγάλες δυνατότητες στη διάκριση των καμένων που καλύπτονται από βαρύ καπνό σε σχέση με τα καμένα χωρίς καπνό και άλλες περιοχές που σχετίζονται με τον καπνό, αλλά δεν μπορούν να διαχωρίσουν καλά τα καμένα που καλύπτονται από λεπτό καπνό (TS2) σε σχέση με άλλες περιπτώσεις. Χάρη στο κανάλι SWIR, οι καμένες περιοχές που καλύπτονται από λεπτό καπνό (TS2), μπορούν να εξαχθούν εν μέρει με τη χρήση dSWIR1. Για να κρατηθούν οι φασματικοί δείκτες των προς εξαγωγή καμένων εκτάσεων συνεπείς σε διαφορετικούς αισθητήρες και να βελτιωθεί η υπολογιστική απόδοση, επιλέχθηκαν τα dNBR και dSWIR1 για την εξαγωγή των καμένων από πυρκαγιές.

[[Εικόνα: NT5_p1.JPG |thumb|right| '''Πίνακας 1.''' Το F1-score για κάθε υποψήφιο σύνολο των τιμών κατωφλίου dNBR και dSWIR για τα 200 δείγματα (100 καμένα και 100 άκαυτα), της πυρκαγιάς «Thomas» που σημειώθηκε στις 5 Δεκεμβρίου με βάση την εικόνα Sentinel-2B. ]]

Ο προσδιορισμός των πιθανών βέλτιστων κατωφλιών για τις εικόνες των Sentinel-2A/B (Πίνακας 1) για την ακριβή αναγνώριση των καμένων εκτάσεων, είναι 0,42 και -0,2 για τα dNBR και dSWIR1 αντίστοιχα. Όταν η τιμή του dNBR είναι μεγαλύτερη από 0,42 και η τιμή του dSWIR1 είναι ταυτόχρονα μικρότερη από -0,2, τα καμένα μπορούν να εξαχθούν για εικόνες Sentinel-2A/B. Ωστόσο, αυτές οι τιμές μπορεί να μην είναι οι βέλτιστες. Έτσι, για να ληφθούν τα βέλτιστα κατώφλια, πραγματοποιήθηκε μία περαιτέρω δοκιμή για τα υποψήφια κατώφλια του βέλτιστου dNBR και του dSWIR1 για τις εικόνες Sentinel-2A/B. Όπως φαίνεται στον Πίνακα 1, οι βέλτιστες τιμές κατωφλίου για το υψηλότερο F-score ήταν 0.42 για το dNBR και -0.23 για το dSWIR1.

'''Συμπεράσματα:''' Στην παρούσα μελέτη προτείνεται μία μέθοδος δύο σταδίων που βασίζεται σε δεδομένα τηλεπισκόπησης πολλαπλών αισθητήρων για χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Οι αισθητήρες υψηλής χρονικής ανάλυσης της θερμικής ανωμαλίας, MODIS και VIIRS, χρησιμοποιήθηκαν αρχικά για τον εντοπισμό πυρκαγιών και πιθανών καμένων εκτάσεων. Έπειτα, αισθητήρες εικόνων MSR συμπεριλαμβανομένων των Sentinel-2A/2B, του Landsat OLI και του Resourcesat AWiFS χρησιμοποιήθηκαν για την εξαγωγή καμένων εκτάσεων με περισσότερη χωρική λεπτομέρεια σε σχεδόν πραγματικό χρόνο. Η προτεινόμενη μέθοδος εφαρμόστηκε στη Βόρεια και Νότια Καλιφόρνια όπου εκδηλώθηκαν πυρκαγιές το 2017. Τα αποτελέσματα έδειξαν ότι αυτή η μέθοδος ήταν ακριβής για τη χαρτογράφηση καμένων εκτάσεων σε ένα σύνολο ακρίβειας 0,84 και 0,85 για τη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η μέθοδος αυτή μπορεί να παρακολουθεί τα καμένα σε μέσο διάστημα 3,5 ημερών και καθυστέρηση 4 ημερών στη Νότια Καλιφόρνια και σε μέσο διάστημα 3 ημερών και καθυστέρηση λιγότερη της μίας ημέρας για τις πυρκαγιές στη Βόρεια Καλιφόρνια, αντίστοιχα. Ακόμη ξεπερνά τους περιορισμούς στη χαρτογράφηση καμένων με βάση μόνο μεμονωμένα δορυφορικά δεδομένα, που είναι οι αισθητήρες με σύντομες περιόδους επανεπίσκεψης σε ένα σημείο, οι οποίοι κιόλας αποτυγχάνουν να παρέχουν σαφή χωρική λεπτομέρεια για τις πυρκαγιές, ενώ οι αισθητήρες μέσης ανάλυσης δεν επαρκούν για τον έγκαιρο εντοπισμό των δασικών πυρκαγιών που μπορεί να συμβαίνουν ανά πάσα στιγμή σε οποιοδήποτε μέρος στον κόσμο. Οι δυο ομάδες αισθητήρων δεν μπορούν να αναγνωρίσουν έγκαιρα τις πυρκαγιές, αλλά χαρτογραφούν με ακρίβεια ό,τι καίνε αυτές. Η μέθοδος δύο σταδίων μπορεί να θεωρηθεί κρίσιμη για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο με το συνδυασμό δεδομένων τηλεπισκόπησης από πολλαπλές υψηλές χρονικές συχνότητες και όλους τους δωρεάν MSR αισθητήρες. Με όλο και περισσότερα δορυφορικά δεδομένα MSR και HSR ελεύθερα στο κοινό, ο συνδυασμός τους για την κατασκευή τακτικών χρονικών σειρών και την ανίχνευση ποικίλων αλλαγών σε πραγματικό χρόνο της επιφάνειας της γης σε περιφερειακές αλλά και πιο παγκόσμιες κλίμακες, γίνεται πιο εύκολα από πριν. Παρόλο που η προτεινόμενη μέθοδος των δύο σταδίων παρέχει έναν αποτελεσματικό τρόπο για τη συνεχή παρακολούθηση των καμένων σε σχεδόν πραγματικό χρόνο, η απόδοση αυτής της μεθόδου θα μπορούσε να βελτιωθεί με την ενσωμάτωση των πληροφοριών των καμένων στην ανίχνευση των εν λόγω εκτάσεων. Επιπλέον, είναι πολύτιμο να υλοποιηθεί η προτεινόμενη μέθοδος χαρτογράφησης των καμένων εκτάσεων για μία πλατφόρμα πλανητικής κλίμακας, όπως το Google Earth Engine (GEE) για την πιο αποτελεσματική χαρτογράφηση σε σχεδόν πραγματικό χρόνο των καμένων εκτάσεων.

[[category:Δασικές Πυρκαγιές]]

Χαρτογράφηση Καμένων Εκτάσεων σε Σχεδόν Πραγματικό Χρόνο με Συνδυασμό Πολλαπλών Δεδομένων Τηλεπισκόπησης

2023-02-08T19:18:27Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Χαρτογράφηση καμένων εκτάσεων

'''Πρωτότυπος τίτλος:''' Near real-time mapping of burned area by synergizing multiple satellites remote-sensing data

'''Συγγραφείς:''' Lipeng Jiao & Yanchen Bo

'''Πηγή:''' Lipeng Jiao & Yanchen Bo (2022) Near real-time mapping of burned area
by synergizing multiple satellites remote-sensing data, GIScience & Remote Sensing, 59:1, 1956-1977, DOI: 10.1080/15481603.2022.2143690 https://doi.org/10.1080/15481603.2022.2143690 [https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2143690]

'''Περίληψη:''' Οι πυρκαγιές έχουν σημαντικές επιπτώσεις στις ανθρώπινες ζωές, στις υποδομές και στα οικοσυστήματα. Η ακριβής και έγκαιρη πληροφόρηση ότι μία περιοχή έχει πληγεί από πυρκαγιά, έχει μεγάλη σημασία για την καλύτερη κατανόηση των μοτίβων των δασικών πυρκαγιών, καθώς και τη συνάφειά τους με τους βιογεωχημικούς κύκλους, το κλίμα, την ποιότητα του αέρα και τη διαχείριση των πυρκαγιών. Γενικά σε μελέτες, έχουν χρησιμοποιηθεί μεμονωμένα δορυφορικά δεδομένα για την ανίχνευση των χαρακτηριστικών των πυρκαγιών, χαρτογραφώντας αναδρομικά τις καμένες εκτάσεις σε μία ποικιλία χωρικών αναλύσεων. Ωστόσο, λόγω της αντιστάθμισης μεταξύ χωρικών και χρονικών αναλύσεων, τα δορυφορικά δεδομένα δεν επαρκούν για να στοιχειοθετήσουν τη σημασία των καμένων εκτάσεων σε υψηλού επιπέδου αναλύσεις τόσο χωρικά όσο και χρονικά. Έτσι, στην παρούσα μελέτη αναπτύχθηκε μία μέθοδος αντιστοίχισης των καμένων εκτάσεων δύο σταδίων σε σχεδόν πραγματικό χρόνο, που εκμεταλλεύεται την υψηλή χρονική συχνότητα των αισθητήρων χονδροειδούς ανάλυσης, και την καλή ανάλυση αισθητήρων μέσης χωρικής ανάλυσης στη χαρτογράφηση των καμένων εκτάσεων. Οι αισθητήρες υψηλής χρονικής συχνότητας, MODIS και VIIRS, είναι αυτοί που χρησιμοποιήθηκαν για τον εντοπισμό των πυρκαγιών και πιθανών καμένων εκτάσεων. Στη συνέχεια, χρησιμοποιήθηκαν αισθητήρες μέσης χωρικής ανάλυσης (MSR), όπως οι Sentinel-2A/2B, Landsat OLI και Resourcesat AWiFS για εξαγωγή των καμένων εκτάσεων με περισσότερες χωρικές λεπτομέρειες σε σχεδόν πραγματικό χρόνο. Η διαδικασία εφαρμόστηκε στην Καλιφόρνια των ΗΠΑ, όπου εκδηλώθηκαν πυρκαγιές σε βόρεια και νότια τμήματα της πολιτείας το 2017 και τα αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος είναι πολλά υποσχόμενη για τη χαρτογράφηση των καμένων εκτάσεων με συνολική ακρίβεια 0,84 και 0,85 στη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η προτεινόμενη μέθοδος βελτίωσε σημαντικά τη συχνότητα και μείωσε την καθυστέρηση καταγραφής, με μέσο διάστημα συχνότητας 3,5 ημέρες και καθυστέρησης μεταφοράς 4 ημέρες για τη χαρτογράφηση πυρκαγιών στην Καλιφόρνια. Εν τέλει, οι εξαγόμενες καμένες εκτάσεις απεικονίστηκαν με ακριβείς χωρικές λεπτομέρειες και η μέθοδος που εφαρμόστηκε στην παρούσα εργασία μπορεί να χρησιμοποιήσει παρατηρήσεις τηλεπισκόπησης διαφορετικών πηγών για να χαρτογραφήσει με ακρίβεια τις ενεργές πυρκαγιές σε σχεδόν πραγματικό χρόνο, το πιο σημαντικό, όμως, είναι ότι μπορεί να εφαρμοστεί και σε άλλες γεωγραφικές περιοχές όπου εκδηλώνονται πυρκαγιές.

'''Λέξεις κλειδιά:''' Φωτιά, καμένη έκταση, σχεδόν πραγματικός χρόνος, υψηλή χωροχρονική ανάλυση, δορυφορικές εικόνες πολλαπλών πηγών

'''Εισαγωγή:''' Τις τελευταίες δεκαετίες, οι ακραίες καιρικές συνθήκες και τα κλιματολογικά φαινόμενα, όπως η πολλή ζέστη και η ξηρασία, έχουν προκαλέσει γεγονότα πυρκαγιών παγκοσμίως. Οι φυσικές και ανθρωπογενείς διεργασίες, επίσης, προκαλούν πυρκαγιές σε διάφορα μέρη, ειδικά στον Καναδά, την Αυστραλία, τη Βραζιλία και τις ΗΠΑ. Η ποσοτικοποίηση της καμένης περιοχής σε υψηλή χωροχρονική ανάλυση είναι μεγάλης σημασίας για την κατανόηση των επιπτώσεων των γεγονότων των δασικών πυρκαγιών στο οικολογικό περιβάλλον και στη δυνατότητα της έγκαιρης απόκρισης και εκκένωσης σε καταστάσεις έκτακτης ανάγκης.

Τα δορυφορικά δεδομένα παρέχουν συνεπείς και περιοδικές παρατηρήσεις, οι οποίες είναι κρίσιμες για την ανίχνευση και την παρακολούθηση πυρκαγιών σε κλίμακες περιφερειακού και παγκόσμιου επιπέδου. Σε αρχικό στάδιο της παρακολούθησης της πυρκαγιάς, χρησιμοποιήθηκαν κυρίως δορυφορικά δεδομένα από αισθητήρες χονδρικής χωρικής ανάλυσης, όπως ο AVHRR, ο Along Track Scanning Radiometer (ATSR), ο VEGETATION, ο MODIS, και γεωστατικοί δορυφόροι όπως ο Γεωστατικός Επιχειρησιακός Περιβαλλοντικός Δορυφόρος (GOES) και ο Meteosat, για την ανάλυση των αποτελεσμάτων φωτιάς σε μεγάλες περιοχές. Οι δείκτες ευαισθησίας στη βλάστηση αναπτύχθηκαν με βάση την αντίθεση μεταξύ καμένων και άκαυτων επιφανειών στο ορατό (0,4-0,7μm), στο εγγύς υπέρυθρο (0,7-1,5μm) και στο μεσαίο υπέρυθρο (1,5-4μm), στα τμήματα του ηλεκτρομαγνητικού φάσματος για χαρτογράφηση καμένων περιοχών. Υπάρχουν θερμικά προϊόντα ανίχνευσης της καμένης έκτασης που βασίζονται σε δεδομένα τηλεπισκόπησης χονδρικής χωρικής ανάλυσης. Τα προϊόντα παγκόσμιας θερμικής ανωμαλίας MODIS MCD14DL και VIRSS VNP14IMGT (FIRMS), παρέχουν γεωγραφικές τοποθεσίες πυρκαγιών κάθε 3 ώρες στις αναλύσεις 500m και 375m, αντίστοιχα. Η χρονική σειρά του Κανονικοποιημένου Δείκτη Καύσης (NBR) Landsat και ο διαφοροποιημένος Κανονικοποιημένος Δείκτης Καύσης (dNBR) Landsat, χρησιμοποιήθηκαν για την ανίχνευση των πυρκαγιών σε δασικά οικοσυστήματα του Καναδά. Οι εικόνες Sentinel-2 χρησιμοποιήθηκαν για τη χαρτογράφηση των καμένων εκτάσεων για ολόκληρη την Υποσαχάρια Αφρική, την Καλιφόρνια, τις ΗΠΑ και την Αυστραλία.

'''Περιοχή Μελέτης:''' Οι περιοχές μελέτης βρίσκονται στην Καλιφόρνια, όπου εκδηλώνονται συχνά πυρκαγιές τις τελευταίες δεκαετίες. Το 2017 σημειώθηκαν δύο σοβαρές πυρκαγιάς στις περιοχές μελέτης. Η μία περίπτωση αφορά τη φωτιά που ξέσπασε στις 8 Οκτωβρίου στη Βόρεια Καλιφόρνια και η δεύτερη αφορά τη φωτιά που ξεκίνησε στις 4 Δεκεμβρίου και εξαπλώθηκε κυρίως στη Ventura, στη Νότια Καλιφόρνια. Οι περιοχές μελέτης διαθέτουν τυπικό μεσογειακό κλίμα με ένα ευρύ φάσμα οικοσυστημάτων, συμπεριλαμβανομένων των ημίξηρων θαμνωδών εκτάσεων, των δασών που κυριαρχούνται από κωνοφόρα, των λιβαδιών, των καλλιεργειών και των υγροτόπων. Λόγω της αλλαγής του κλίματος, οι μεγάλες ξηρασίες και οι απρόβλεπτες βροχές σε συνδυασμό με τον άνεμο το χειμώνα κάνουν τα οικοσυστήματα της βλάστησης ευάλωτα στις πυρκαγιές. Οι περιοχές μελέτης, επίσης, είναι οι πιο πυκνοκατοικημένες περιοχές των ΗΠΑ, όπου προκαλούνται τακτικά πυρκαγιές και οι ανθρωπογενείς παράγοντες έχουν προκαλέσει μεγάλες αλλαγές σ’ αυτές. Οι πυρκαγιές στις περιοχές αυτές εμφανίζονται συνήθως στην ξηρή περίοδο από το Νοέμβριο έως τον Φεβρουάριο, ενώ ορισμένες δασικές πυρκαγιές εκδηλώνονται ακόμη και στις αρχές Οκτωβρίου ή τέλη Μαρτίου και Απριλίου.

'''Μεθοδολογία:''' Στην παρούσα μελέτη χρησιμοποιήθηκαν τα MCD14DL και VNP14IMGT για τον προσδιορισμό των πιθανών καμένων εκτάσεων, τα οποία αποτελούν θερμικά προϊόντα που προέρχονται από το σύστημα FIRMS, του LANCE της NASA. Μέσω του LANCE, διανέμονται σε σχεδόν πραγματικό χρόνο τα δεδομένα ενεργών εστιών φωτιάς, διάρκειας μέχρι 3 ωρών δορυφορικών παρατηρήσεων από το MODIS των αισθητήρων Terra, Aqua και το VIIRS του δορυφόρου Suomi NPP των NOAA και NASA. Για την παραγωγή αυτών των προϊόντων δημιουργήθηκε ένας αλγόριθμος βασισμένος στην ισχυρή εκπομπή της υπέρυθρης ακτινοβολίας από τις πυρκαγιές. Επιπλέον, ορίστηκε ένα επίπεδο εμπιστοσύνης για κάθε ενεργό σημείο πυρκαγιάς για τη διευκόλυνση του χρήστη. Το MCD14DL σε ανάλυση 1km προερχόμενο από το MODIS, και το VNP14IMGT σε ανάλυση 375m που βασίζεται στο VIIRS, χρησιμοποιήθηκαν σε μορφή σημειακού shapefile στο WGS84. Οι αισθητήρες Terra και Aqua MODIS παρατηρούν ολόκληρη την επιφάνεια της Γης 2 φορές την ημέρα και υπάρχουν τουλάχιστον τέσσερις καθημερινές παρατηρήσεις του MODIS κοντά στον ισημερινό, με τον αριθμό των υπερυψώσεων να αυξάνεται προς τους πόλους. O Suomi-NPP παρατηρεί, επίσης, τη γη 2 φορές την ημέρα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν όλα τα MCD14DL και VNP14IMGT δεδομένα από τον Οκτώβριο και το Δεκέμβριο και θεωρείται ότι, πραγματοποιούνται 6-8 παρατηρήσεις ανά ημέρα στην Καλιφόρνια, από τα MCD14DL και VNP14IMGT. Για την ακριβή παρακολούθηση των καμένων εκτάσεων από πυρκαγιές σε σχεδόν πραγματικό χρόνο, απαιτούνται πολλαπλές πηγές δορυφορικών εικόνων MSR και γι’ αυτό στη συγκεκριμένη μελέτη, συλλέχθηκαν όλες οι διαθέσιμες εικόνες MSR χωρίς σύννεφα από τον αισθητήρα AWiFS του δορυφόρου Resourcesat του Ινδικού Οργανισμού Διαστημικής Έρευνας (ISRO), του Landsat OLI και του Sentinel-2A/2B MSI. Η διαδικασία που ακολουθήθηκε παρουσιάζεται τμηματικά με πιο λεπτομερή και περιγραφικό τρόπο στην Εικόνα 1.

[[Εικόνα: NT5_e2.jpeg |thumb|right| '''Εικόνα 1.''' Εννοιολογική αναπαράσταση των βημάτων για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο χρησιμοποιώντας δορυφορικές εικόνες πολλαπλών πηγών.]]

Ο Landsat έχει τη δυνατότητα να παρέχει χωρική ανάλυση 30m σε παρατηρήσεις του ίδιου σημείου κάθε 16 ημέρες, ενώ ο δορυφόρος Resourcesat1 με χωρική ανάλυση 56m περνάει κάθε 5 ημέρες από το ίδιο σημείο. Έτσι, ενσωματώνοντας τις εικόνες Sentinel-2A/B του Landsat και τις αντίστοιχες δορυφορικές εικόνες του Resourcesat1, δίνεται μεγάλη δυνατότητα να μπορεί να παρακολουθείται η εξέλιξη των πυρκαγιών σε σχεδόν πραγματικό χρόνο, και σε διάστημα μικρότερο από 5 ημέρες, με χωρική ανάλυση καλύτερη των 56m. Η διάρκεια των δασικών πυρκαγιών, τα σύννεφα, το διάστημα επανεπίσκεψης του δορυφόρου στις περιοχές μελέτης και η ζώνη κάλυψης των δορυφορικών εικόνων, συνεπάγονται ότι οι πυρκαγιές στην Καλιφόρνια μπορούν να παρακολουθηθούν σε διάστημα 3 ημερών.

Για την παρούσα μελέτη, επιπλέον, χρησιμοποιήθηκε η Εθνική Βάση Δεδομένων Εδαφικής Κάλυψης (NLCD) του 2016, για την κάλυψη γης και την εξαγωγή των σημείων πυρκαγιάς που εμπίπτουν στην περιοχή που καλύπτεται από βλάστηση. Η NLCD του 2016 εκτείνεται σε χρονική κάλυψη 15 ετών (2001-2016) για την παροχή δεδομένων για την κάλυψη της γης και την αλλαγή των χρήσεων γης στη χωρική ανάλυση των 30m του Landsat Θεματικού Χάρτη.

Τα MCD14DL και VNP14IMGT συγχωνεύτηκαν σε υψηλότερη χρονική συχνότητα σε μία βάση δεδομένων για τον ακριβή και γρήγορο εντοπισμό πιθανών σημείων πυρκαγιάς. Όλες οι εικόνες Landsat διορθώθηκαν από εικόνες Επιπέδου 1 Τ. Οι εικόνες Επιπέδου 1 T του AWiFS που προέκυψαν, μετατράπηκαν σε εικόνες επιφανειακής ανάκλασης με ραδιομετρική διόρθωση χρησιμοποιώντας το ENVI FLAASH (ESRI 2009). Στη συνέχεια, οι εικόνες ανάκλασης της επιφάνειας του AWiFS, καταχωρήθηκαν στον Landsat OLI λαμβάνοντας υπόψη 30 σημεία επίγειου ελέγχου. Επιπλέον, η επιπέδου 1C- εικόνες ανάκλασης Sentinel-2A, μετατράπηκαν σε εικόνες ανάκλασης της επιφάνειας μέσω της διαδικασίας ατμοσφαιρικής διόρθωσης χρησιμοποιώντας το Sentinel to Correction (Sen2Cor). Τα κανάλια πράσινο, κόκκινο, NIR και SWIR των OLI, MSI και AWiFS είναι αρκετά κοντινά ως προς το φασματικό πλάτος και το κεντρικό μήκος κύματος και για να πραγματοποιηθεί εναρμόνιση της χωρικής ανάλυσης των εικόνων Sentinel-2A και 2B με τα κανάλια κόκκινο, NIR και SWIR σε ομοιόμορφη ανάλυση, έγινε εκ νέου δειγματοληψία εικόνων από αυτές τις ζώνες σε χωρική ανάλυση 20m χρησιμοποιώντας το λογισμικό SNAP.

Τα θερμικά MCD14DL και VNP14IMGT εντοπίζουν ποικίλα σημεία θερμικής ανωμαλίας, όπως πυρκαγιές, ηφαιστειακές εκρήξεις και εκπομπές εκλάμψεων από πηγάδια αερίου. Για να ληφθούν στην προκειμένη περίπτωση τα πραγματικά σημεία που έχουν προκληθεί πυρκαγιές, πρέπει να αφαιρεθούν τα άλλα είδη θερμικής ανωμαλίας. Σ’ αυτή τη μελέτη, χρησιμοποιήθηκαν αρχικά τα δεδομένα της NLCD ανάλυσης 30m του 2016, για τον εντοπισμό της θερμικής ανωμαλίας σε περιοχές με βλάστηση. Επιπλέον, λόγω της συγκέντρωσης της χωρικής έκτασης και της χρονικής κάλυψης καύσης της βιομάζας, τα χαρακτηριστικά της χρονικής και χωρικής συγκέντρωσης της καύσης, χρησιμοποιήθηκαν για να αφαιρεθούν και τα υπόλοιπα σημεία θερμικής ανωμαλίας. Στη συνέχεια εφαρμόστηκαν διαδικασίες στο συγχωνευμένο θερμικό προϊόν ανωμαλίας για τον εντοπισμό των πραγματικών σημείων πυρκαγιάς. Οι διαδικασίες που ακολουθήθηκαν ήταν οι εξής:
'''Α)''' Χωρικό φιλτράρισμα, καθώς οι πυρκαγιές εξελίσσονται με τον καιρό, τα σημεία κατανέμονται σε σχετικά μεγάλες χωρικές εκτάσεις. Έτσι, λήφθηκε υπόψη το χαρακτηριστικό της χωρικής συσσώρευσης των δασικών πυρκαγιών, ώστε να γίνει διαφοροποίηση των σημείων πυρκαγιάς από άλλα σημεία θερμικής ανωμαλίας χαμηλής χωρικής συσσώρευσης. Πιο συγκεκριμένα, δημιουργήθηκε ένα πλέγμα μήκους 1km για τη συγχώνευση των προϊόντων θερμικής ανωμαλίας και τη μέτρηση της χωρικής συσσώρευσης των σημείων θερμικής ανωμαλίας στο πλέγμα κάθε κελιού. Λαμβάνοντας υπόψη την ταχύτητα του ανέμου και τη σφοδρότητα της καύσης, εφαρμόστηκε συρόμενο παράθυρο 3km*3km για την καταμέτρηση του μέγιστου αριθμού σημείων θερμικής ανωμαλίας που εμπίπτουν στα χωρικά συρόμενα παράθυρα. Υπάρχουν δύο προϋποθέσεις για την αναγνώριση των πιθανοτήτων πυρκαγιάς, με βάση τη συγχώνευση των ημερήσιων προϊόντων θερμικής ανωμαλίας. Η μία είναι ότι τα θερμικά σημεία ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο, παρατηρήθηκαν τόσο πρωινές όσο και απογευματινές ώρες μίας ημέρας. Η διαδοχική χρονική κάλυψη αυτών των σημείων δείχνει ότι το πιο πιθανό είναι να πρόκειται για πραγματικά σημεία πυρκαγιάς, οπότε ο αριθμός των σημείων θερμικής ανωμαλίας που εμπίπτουν σε μία ολίσθηση παραθύρου, να είναι σχετικά μικρός. Η άλλη είναι ότι τα σημεία θερμικής ανωμαλίας που εμπίπτουν εντός του ολισθέντος παραθύρου παρατηρήθηκαν είτε το πρωί είτε το απόγευμα μίας ημέρας. Η μικρή διάρκεια αυτών των σημείων θερμικής διαφοροποίησης υποδηλώνει ότι είναι λιγότερο πιθανό να είναι πραγματικά σημεία πυρκαγιάς και για να αυξηθεί η αξιοπιστία των συγκεκριμένων σημείων ότι αφορούν όντως σημεία πυρκαγιάς, θεωρήθηκε ότι ο αριθμός των σημείων που εμπίπτουν σε ένα συρόμενο παράθυρο πρέπει να είναι σχετικά μεγαλύτερος (π.χ. ένα μεγάλο όριο n). Μόλις ο αριθμός των σημείων που εμπίπτουν στο συρόμενο παράθυρο είναι αρκετά μεγάλος, μπορούν να αναγνωριστούν ως πραγματικές υποψήφιες εστίες πυρκαγιάς και προκειμένου να μειωθεί το σφάλμα στον προσδιορισμό των πραγματικών εστιών πυρκαγιάς, τα κατώφλια ορίστηκαν όσο το δυνατόν χαμηλότερα και για τις δύο συνθήκες (δηλαδή n = 4 και n = 8). Ο τύπος που εφαρμόστηκε, είναι: Max{n1, n2, . . . . . . ; nm}≥4 ή Max {n, n2, . . . . . . , nm}≥8, όπου τα n1,n2, . . . . . ., nm αντιπροσωπεύουν τον αριθμό των σημείων θερμικής ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο. Εάν ο μέγιστος αριθμός θερμικών σημείων ανωμαλίας που περιέχονται στο συρόμενο παράθυρο πληρούν το κριτήριο, αυτά τα σημεία θερμικής ανωμαλίας διατηρήθηκαν ως υποψήφιες εστίες πυρκαγιάς για περαιτέρω δοκιμή.

'''Β)''' Χρονικό φιλτράρισμα, τα κατώφλια παρόλο που ρυθμίστηκαν όσο το δυνατόν χαμηλότερα στη διαδικασία χωρικού φιλτραρίσματος, οι θερμικές ανωμαλίες μικρής διάρκειας που εντοπίζονται με υψηλή χωρική συγκέντρωση μπορούν να ταξινομηθούν εσφαλμένα ως πραγματικές εστίες πυρκαγιάς. Έτσι, υιοθετήθηκε ένας τροποποιημένος δείκτης χρονικής συγκέντρωσης (TCI) για τον προσδιορισμό της χρονικής συνάθροισης των υποψήφιων σημείων πυρκαγιάς. Πιο συγκεκριμένα, ρυθμίστηκε ένα προσωρινό συρόμενο παράθυρο για μέτρηση των υποψήφιων σημείων πυρκαγιάς μέσα σ’ αυτό. Αν οι υποψήφιες εστίες πυρκαγιάς μέσα στο συρόμενο παράθυρο παρατηρήθηκαν τόσο το πρωί όσο και το απόγευμα μίας ημέρας, ο συντελεστής χρονικής συγκέντρωσης k ορίστηκε σε 0,1. Οι δείκτες βλάστησης (VIs) που ενσωματώνουν κανάλια SWIR, παρουσιάζουν ευαισθησία στις αλλαγές στην υγρασία των φύλλων και στη σκίαση, ενώ οι VIs που ενσωματώνουν κανάλια του NIR, είναι ευαίσθητοι σε αλλαγές στην υγεία των φυτών και στην πυκνότητα της φυλλωσιάς. Οι φασματικοί δείκτες που αναπτύχθηκαν από αυτά τα κανάλια είναι εφικτό να ανιχνεύσουν καμένες εκτάσεις. Για παράδειγμα, ο Δείκτης βλάστησης (NDVI) και οι διαφορετικές τιμές του NDVI έχουν δείξει μεγάλες δυνατότητες στην εκτίμηση της σφοδρότητας της πυρκαγιάς και πολλές μελέτες αποκαλύπτουν ότι τα NBR και dNBR είναι οι πιο αποτελεσματικοί φασματικοί δείκτες για τη χαρτογράφηση καμένων εκτάσεων μετά από πυρκαγιές. Συγκεκριμένα, το dNBR δεν είναι ευαίσθητο στην ατμοσφαιρική διάθλαση και μπορεί να ποσοτικοποιήσει τη χαμένη βλάστηση, την εναπόθεση άνθρακα και τη μείωση της υγρασίας και της σκιάς των φύλλων, που οδηγεί σε χαμηλότερες τιμές του NIR και υψηλότερες τιμές ανάκλασης του SWIR, σε σύγκριση με την υγιή βλάστηση.
Ο καπνός που εκπέμπεται κατά την ενεργό φάση των πυρκαγιών υποτίθεται ότι κάνει δυσδιάκριτη την επιφάνεια της γης και προκαλεί μεγάλη αβεβαιότητα στη χαρτογράφηση των καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Φασματικοί δείκτες όπως οι NIR, SWIR, NDVI και NBR, καθώς και οι διαφορικές τιμές αυτών των δεικτών, επιλέχθηκαν σε αυτή τη μελέτη για να ελέγξουν την ικανότητα των δεικτών στη διάκριση των καμένων εκτάσεων από τις μη καμένες, μετριάζοντας ωστόσο τις επιπτώσεις του καπνού. Ο καπνός που εκπέμπεται από τις πυρκαγιές, μπορεί να εμφανιστεί τόσο σε καμένες, όσο και σε παρακείμενες μη καμένες περιοχές.

Σύμφωνα με την ποσότητα του καπνού που εμφανίζεται εντός των καμένων ή εκτός των καμένων περιοχών, στη μελέτη ορίστηκαν πέντε σενάρια, τα οποία περιλαμβάνουν, καμένες περιοχές χωρίς την παρουσία καπνού (κόκκινες κουκκίδες στην Εικόνα 2), μη καμένα σημεία που καλύπτονται από βαρύ καπνό (HS1) (πορτοκαλί κουκκίδες στην Εικόνα 2), καμένες περιοχές που καλύπτονται από βαρύ καπνό (HS2) (πράσινες κουκκίδες στην Εικόνα 2), μη καμένες περιοχές που καλύπτονται από αραιό καπνό (TS1) (μπλε κουκκίδες μέσα Εικόνα 2), και καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) (κίτρινες κουκκίδες στην Εικόνα 2).

[[Εικόνα: NT5_e1.jpeg |thumb|right| '''Εικόνα 2.''' Το αριστερό πλαίσιο με σημεία εκπαίδευσης διαφορετικών χρωμάτων είναι η περιοχή μεγέθυνσης στο μαύρο ορθογώνιο του επάνω δεξιού χάρτη. Τα σημεία εκπαίδευσης για κάθε κατηγορία καμένης περιοχής, HS2, HS1, TS1 και TS2 αποδίδονται σε κόκκινο, πράσινο, πορτοκαλί, μπλε και κίτρινο χρώμα, αντίστοιχα.]]

Τα σημεία εκπαίδευσης για καθένα από αυτά τα σενάρια συλλέχθηκαν τυχαία με οπτική ερμηνεία και υπολογίστηκαν οι τιμές των επιλεγμένων δεικτών σε βαθμούς και στη μελέτη επιλέχθηκαν 30 σημεία εκπαίδευσης για κάθε σενάριο. Οι πιο αποτελεσματικοί φασματικοί δείκτες εντοπίστηκαν με ανάλυση των στατιστικών διαφορών των υποψήφιων φασματικών χαρακτηριστικών των προαναφερθέντων σεναρίων χρησιμοποιώντας τα θηκογράμματα των σημείων εκπαίδευσης. Οι εικόνες υψηλής χωρικής ανάλυσης από το Google Earth ερμηνεύτηκαν οπτικά για να επαληθευτεί ο τύπος κάλυψης γης (βλάστηση, υδάτινο σώμα, γυμνό έδαφος, ανεπτυγμένο και καμένο έδαφος) των σημείων εκπαίδευσης καθ’ όλη τη διάρκεια της περιόδου παρακολούθησης. Για τη διευκόλυνση δοκιμής και απεικόνισης της ικανότητας αυτών των δεικτών για τη διάκριση των καμένων εκτάσεων από άλλες περιοχές που επηρεάστηκαν από τον καπνό, προτού διεξαχθεί περαιτέρω ανάλυση, έγινε κανονικοποίηση των τιμών των επιλεγμένων φασματικών δεικτών στο διάστημα τιμών από −1,0 έως 1,0.
Μόλις προσδιορίστηκε η χωρική έκταση των σημείων που ξέσπασε η πυρκαγιά, δημιουργήθηκαν ζώνες προστασίας ακτίνας του 1km εντοπισμού της χωρικής εξάπλωσής τους. Έπειτα, η χωρική έκταση κατάληψης των σημείων πυρκαγιάς συγχωνεύτηκε με τις ζώνες προστασίας για να δημιουργηθούν οι ζώνες στόχευσης. Βάσει των χωρικών εκτάσεων των ζωνών στόχευσης, όλες οι διαθέσιμες εικόνες των Sentinel 2A/B, Landsat OLI και Resourcesat AWiFS συλλέχθηκαν την ίδια ημερομηνία. Ταυτόχρονα, συλλέχθηκαν όλες οι διαθέσιμες εικόνες πριν την πυρκαγιά και αφού επιλέχθηκαν οι περισσότερο ανθεκτικοί στον καπνό φασματικοί δείκτες, αναγνωρίστηκαν τα βέλτιστα κατώφλια αυτών των δεικτών για κάθε δορυφόρο, οι οποίοι μπορούν να υπολογιστούν για τις συλλεγόμενες εικόνες MSR. Οι καμένες εκτάσεις μπορούν να εξαχθούν άμεσα, ενώ εξελίσσονται οι πυρκαγιές και εάν οι εικόνες MSR είναι επαρκείς, η χωρική και χρονική επίδραση των πυρκαγιών μπορεί να παρακολουθείται καθημερινά, με την προτεινόμενη μέθοδο των δύο σταδίων.

'''Αποτελέσματα:''' Οι εστίες που ξέσπασε πυρκαγιά στη Βόρεια Καλιφόρνια έκαιγαν από τις 7 έως 19 Οκτωβρίου και από τις 29 έως 31 Οκτωβρίου και ήταν ευρέως διανεμημένα σε ολόκληρη την περιοχή μελέτης (Εικόνα 3). Μεταξύ αυτών, εννέα μεγάλες καμένες εκτάσεις βρίσκονταν στα βορειοδυτικά και στην άκρη της κεντρικής πεδιάδας της Καλιφόρνια, όπου οι τύποι κάλυψης γης σε αυτές τις καμένες περιοχές, ήταν κυρίως καλλιεργήσιμες εκτάσεις, δάση, ποώδη και θαμνώδη. Η χωρική κατανομή των σημείων πυρκαγιάς που εντοπίστηκαν στη Νότια Καλιφόρνια έκαιγε συνεχώς από τις 5 έως τις 25 Δεκεμβρίου. Σε αντίθεση με τις εξαπλωμένες εστίες πυρκαγιάς στη Βόρεια Καλιφόρνια, οι εστίες πυρκαγιάς στη Νότια Καλιφόρνια ήταν πιο χωρικά συγκεντρωμένες με τις κύριες εστίες πυρκαγιάς που βρίσκονταν στη Νοτιοδυτική Καλιφόρνια, να στοιχειοθετούν την πυρκαγιά «Thomas».

[[Εικόνα: NT5_e3.jpeg |thumb|left| '''Εικόνα 3.''' Η χωρική και χρονική κατανομή των σημείων πυρκαγιάς που ανιχνεύθηκαν στη (α) Βόρεια και (β) Νότια Καλιφόρνια. Έγινε εντοπισμός σημείων πυρκαγιάς σε διαφορετικές ημερομηνίες από 7 έως 31 Οκτωβρίου οι οποίες αποδίδονται με διαφορετικά χρώματα από σκούρο πράσινο έως κόκκινο. Οι εστίες πυρκαγιάς που δεν απεικονίζονται στους χάρτες (α ή β) αποδίδονται με κόκκινο χρώμα στους ένθετους χάρτες ολόκληρης της Καλιφόρνια που απεικονίζονται στην αριστερή πλευρά κάθε χάρτη.]]

Για να ελεγχθεί η ικανότητα των δεικτών στη διάκριση των καμένων από τις μη καμένες περιοχές και για να μετριαστούν οι επιπτώσεις του καπνού, προκύπτει ότι οι καμένες περιοχές χωρίς καπνό (BA), οι καμένες περιοχές που καλύπτονται από πυκνό καπνό (HS2) και οι καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) πρέπει να εντοπίζονται ξεχωριστά. Το κανάλι NIR μπορεί να εξάγει ξεχωριστά καμένες περιοχές χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα κανάλια SWIR1 και SWIR2 μπορούν να κάνουν διάκριση των καμένων που καλύπτονται από βαρύ καπνό, από τα καμένα που δεν καλύπτονται από καπνό και από άλλες περιοχές που καλύπτονται με καπνό, ενώ τα dNIR και dNBR μπορούν επίσης να διαχωρίσουν τα καμένα χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα dSWIR1 και dSWIR2 παρουσιάζουν επίσης μεγάλες δυνατότητες στη διάκριση των καμένων που καλύπτονται από βαρύ καπνό σε σχέση με τα καμένα χωρίς καπνό και άλλες περιοχές που σχετίζονται με τον καπνό, αλλά δεν μπορούν να διαχωρίσουν καλά τα καμένα που καλύπτονται από λεπτό καπνό (TS2) σε σχέση με άλλες περιπτώσεις. Χάρη στο κανάλι SWIR, οι καμένες περιοχές που καλύπτονται από λεπτό καπνό (TS2), μπορούν να εξαχθούν εν μέρει με τη χρήση dSWIR1. Για να κρατηθούν οι φασματικοί δείκτες των προς εξαγωγή καμένων εκτάσεων συνεπείς σε διαφορετικούς αισθητήρες και να βελτιωθεί η υπολογιστική απόδοση, επιλέχθηκαν τα dNBR και dSWIR1 για την εξαγωγή των καμένων από πυρκαγιές.

[[Εικόνα: NT5_p1.JPG |thumb|right| '''Πίνακας 1.''' Το F1-score για κάθε υποψήφιο σύνολο των τιμών κατωφλίου dNBR και dSWIR για τα 200 δείγματα (100 καμένα και 100 άκαυτα), της πυρκαγιάς «Thomas» που σημειώθηκε στις 5 Δεκεμβρίου με βάση την εικόνα Sentinel-2B. ]]

Ο προσδιορισμός των πιθανών βέλτιστων κατωφλιών για τις εικόνες των Sentinel-2A/B (Πίνακας 1) για την ακριβή αναγνώριση των καμένων εκτάσεων, είναι 0,42 και -0,2 για τα dNBR και dSWIR1 αντίστοιχα. Όταν η τιμή του dNBR είναι μεγαλύτερη από 0,42 και η τιμή του dSWIR1 είναι ταυτόχρονα μικρότερη από -0,2, τα καμένα μπορούν να εξαχθούν για εικόνες Sentinel-2A/B. Ωστόσο, αυτές οι τιμές μπορεί να μην είναι οι βέλτιστες. Έτσι, για να ληφθούν τα βέλτιστα κατώφλια, πραγματοποιήθηκε μία περαιτέρω δοκιμή για τα υποψήφια κατώφλια του βέλτιστου dNBR και του dSWIR1 για τις εικόνες Sentinel-2A/B. Όπως φαίνεται στον Πίνακα 1, οι βέλτιστες τιμές κατωφλίου για το υψηλότερο F-score ήταν 0.42 για το dNBR και -0.23 για το dSWIR1.

'''Συμπεράσματα:''' Στην παρούσα μελέτη προτείνεται μία μέθοδος δύο σταδίων που βασίζεται σε δεδομένα τηλεπισκόπησης πολλαπλών αισθητήρων για χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Οι αισθητήρες υψηλής χρονικής ανάλυσης της θερμικής ανωμαλίας, MODIS και VIIRS, χρησιμοποιήθηκαν αρχικά για τον εντοπισμό πυρκαγιών και πιθανών καμένων εκτάσεων. Έπειτα, αισθητήρες εικόνων MSR συμπεριλαμβανομένων των Sentinel-2A/2B, του Landsat OLI και του Resourcesat AWiFS χρησιμοποιήθηκαν για την εξαγωγή καμένων εκτάσεων με περισσότερη χωρική λεπτομέρεια σε σχεδόν πραγματικό χρόνο. Η προτεινόμενη μέθοδος εφαρμόστηκε στη Βόρεια και Νότια Καλιφόρνια όπου εκδηλώθηκαν πυρκαγιές το 2017. Τα αποτελέσματα έδειξαν ότι αυτή η μέθοδος ήταν ακριβής για τη χαρτογράφηση καμένων εκτάσεων σε ένα σύνολο ακρίβειας 0,84 και 0,85 για τη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η μέθοδος αυτή μπορεί να παρακολουθεί τα καμένα σε μέσο διάστημα 3,5 ημερών και καθυστέρηση 4 ημερών στη Νότια Καλιφόρνια και σε μέσο διάστημα 3 ημερών και καθυστέρηση λιγότερη της μίας ημέρας για τις πυρκαγιές στη Βόρεια Καλιφόρνια, αντίστοιχα. Ακόμη ξεπερνά τους περιορισμούς στη χαρτογράφηση καμένων με βάση μόνο μεμονωμένα δορυφορικά δεδομένα, που είναι οι αισθητήρες με σύντομες περιόδους επανεπίσκεψης σε ένα σημείο, οι οποίοι κιόλας αποτυγχάνουν να παρέχουν σαφή χωρική λεπτομέρεια για τις πυρκαγιές, ενώ οι αισθητήρες μέσης ανάλυσης δεν επαρκούν για τον έγκαιρο εντοπισμό των δασικών πυρκαγιών που μπορεί να συμβαίνουν ανά πάσα στιγμή σε οποιοδήποτε μέρος στον κόσμο. Οι δυο ομάδες αισθητήρων δεν μπορούν να αναγνωρίσουν έγκαιρα τις πυρκαγιές, αλλά χαρτογραφούν με ακρίβεια ό,τι καίνε αυτές. Η μέθοδος δύο σταδίων μπορεί να θεωρηθεί κρίσιμη για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο με το συνδυασμό δεδομένων τηλεπισκόπησης από πολλαπλές υψηλές χρονικές συχνότητες και όλους τους δωρεάν MSR αισθητήρες. Με όλο και περισσότερα δορυφορικά δεδομένα MSR και HSR ελεύθερα στο κοινό, ο συνδυασμός τους για την κατασκευή τακτικών χρονικών σειρών και την ανίχνευση ποικίλων αλλαγών σε πραγματικό χρόνο της επιφάνειας της γης σε περιφερειακές αλλά και πιο παγκόσμιες κλίμακες, γίνεται πιο εύκολα από πριν. Παρόλο που η προτεινόμενη μέθοδος των δύο σταδίων παρέχει έναν αποτελεσματικό τρόπο για τη συνεχή παρακολούθηση των καμένων σε σχεδόν πραγματικό χρόνο, η απόδοση αυτής της μεθόδου θα μπορούσε να βελτιωθεί με την ενσωμάτωση των πληροφοριών των καμένων στην ανίχνευση των εν λόγω εκτάσεων. Επιπλέον, είναι πολύτιμο να υλοποιηθεί η προτεινόμενη μέθοδος χαρτογράφησης των καμένων εκτάσεων για μία πλατφόρμα πλανητικής κλίμακας, όπως το Google Earth Engine (GEE) για την πιο αποτελεσματική χαρτογράφηση σε σχεδόν πραγματικό χρόνο των καμένων εκτάσεων.

[[category:Δασικές Πυρκαγιές]]

Χαρτογράφηση Καμένων Εκτάσεων σε Σχεδόν Πραγματικό Χρόνο με Συνδυασμό Πολλαπλών Δεδομένων Τηλεπισκόπησης

2023-02-08T19:14:22Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Χαρτογράφηση καμένων εκτάσεων

'''Πρωτότυπος τίτλος:''' Near real-time mapping of burned area by synergizing multiple satellites remote-sensing data

'''Συγγραφείς:''' Lipeng Jiao & Yanchen Bo

'''Πηγή:''' Lipeng Jiao & Yanchen Bo (2022) Near real-time mapping of burned area
by synergizing multiple satellites remote-sensing data, GIScience & Remote Sensing, 59:1, 1956-1977, DOI: 10.1080/15481603.2022.2143690 https://doi.org/10.1080/15481603.2022.2143690 [https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2143690]

'''Περίληψη:''' Οι πυρκαγιές έχουν σημαντικές επιπτώσεις στις ανθρώπινες ζωές, στις υποδομές και στα οικοσυστήματα. Η ακριβής και έγκαιρη πληροφόρηση ότι μία περιοχή έχει πληγεί από πυρκαγιά, έχει μεγάλη σημασία για την καλύτερη κατανόηση των μοτίβων των δασικών πυρκαγιών, καθώς και τη συνάφειά τους με τους βιογεωχημικούς κύκλους, το κλίμα, την ποιότητα του αέρα και τη διαχείριση των πυρκαγιών. Γενικά σε μελέτες, έχουν χρησιμοποιηθεί μεμονωμένα δορυφορικά δεδομένα για την ανίχνευση των χαρακτηριστικών των πυρκαγιών, χαρτογραφώντας αναδρομικά τις καμένες εκτάσεις σε μία ποικιλία χωρικών αναλύσεων. Ωστόσο, λόγω της αντιστάθμισης μεταξύ χωρικών και χρονικών αναλύσεων, τα δορυφορικά δεδομένα δεν επαρκούν για να στοιχειοθετήσουν τη σημασία των καμένων εκτάσεων σε υψηλού επιπέδου αναλύσεις τόσο χωρικά όσο και χρονικά. Έτσι, στην παρούσα μελέτη αναπτύχθηκε μία μέθοδος αντιστοίχισης των καμένων εκτάσεων δύο σταδίων σε σχεδόν πραγματικό χρόνο, που εκμεταλλεύεται την υψηλή χρονική συχνότητα των αισθητήρων χονδροειδούς ανάλυσης, και την καλή ανάλυση αισθητήρων μέσης χωρικής ανάλυσης στη χαρτογράφηση των καμένων εκτάσεων. Οι αισθητήρες υψηλής χρονικής συχνότητας, MODIS και VIIRS, είναι αυτοί που χρησιμοποιήθηκαν για τον εντοπισμό των πυρκαγιών και πιθανών καμένων εκτάσεων. Στη συνέχεια, χρησιμοποιήθηκαν αισθητήρες μέσης χωρικής ανάλυσης (MSR), όπως οι Sentinel-2A/2B, Landsat OLI και Resourcesat AWiFS για εξαγωγή των καμένων εκτάσεων με περισσότερες χωρικές λεπτομέρειες σε σχεδόν πραγματικό χρόνο. Η διαδικασία εφαρμόστηκε στην Καλιφόρνια των ΗΠΑ, όπου εκδηλώθηκαν πυρκαγιές σε βόρεια και νότια τμήματα της πολιτείας το 2017 και τα αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος είναι πολλά υποσχόμενη για τη χαρτογράφηση των καμένων εκτάσεων με συνολική ακρίβεια 0,84 και 0,85 στη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η προτεινόμενη μέθοδος βελτίωσε σημαντικά τη συχνότητα και μείωσε την καθυστέρηση καταγραφής, με μέσο διάστημα συχνότητας 3,5 ημέρες και καθυστέρησης μεταφοράς 4 ημέρες για τη χαρτογράφηση πυρκαγιών στην Καλιφόρνια. Εν τέλει, οι εξαγόμενες καμένες εκτάσεις απεικονίστηκαν με ακριβείς χωρικές λεπτομέρειες και η μέθοδος που εφαρμόστηκε στην παρούσα εργασία μπορεί να χρησιμοποιήσει παρατηρήσεις τηλεπισκόπησης διαφορετικών πηγών για να χαρτογραφήσει με ακρίβεια τις ενεργές πυρκαγιές σε σχεδόν πραγματικό χρόνο, το πιο σημαντικό, όμως, είναι ότι μπορεί να εφαρμοστεί και σε άλλες γεωγραφικές περιοχές όπου εκδηλώνονται πυρκαγιές.

'''Λέξεις κλειδιά:''' Φωτιά, καμένη έκταση, σχεδόν πραγματικός χρόνος, υψηλή χωροχρονική ανάλυση, δορυφορικές εικόνες πολλαπλών πηγών

'''Εισαγωγή:''' Τις τελευταίες δεκαετίες, οι ακραίες καιρικές συνθήκες και τα κλιματολογικά φαινόμενα, όπως η πολλή ζέστη και η ξηρασία, έχουν προκαλέσει γεγονότα πυρκαγιών παγκοσμίως. Οι φυσικές και ανθρωπογενείς διεργασίες, επίσης, προκαλούν πυρκαγιές σε διάφορα μέρη, ειδικά στον Καναδά, την Αυστραλία, τη Βραζιλία και τις ΗΠΑ. Η ποσοτικοποίηση της καμένης περιοχής σε υψηλή χωροχρονική ανάλυση είναι μεγάλης σημασίας για την κατανόηση των επιπτώσεων των γεγονότων των δασικών πυρκαγιών στο οικολογικό περιβάλλον και στη δυνατότητα της έγκαιρης απόκρισης και εκκένωσης σε καταστάσεις έκτακτης ανάγκης.

Τα δορυφορικά δεδομένα παρέχουν συνεπείς και περιοδικές παρατηρήσεις, οι οποίες είναι κρίσιμες για την ανίχνευση και την παρακολούθηση πυρκαγιών σε κλίμακες περιφερειακού και παγκόσμιου επιπέδου. Σε αρχικό στάδιο της παρακολούθησης της πυρκαγιάς, χρησιμοποιήθηκαν κυρίως δορυφορικά δεδομένα από αισθητήρες χονδρικής χωρικής ανάλυσης, όπως ο AVHRR, ο Along Track Scanning Radiometer (ATSR), ο VEGETATION, ο MODIS, και γεωστατικοί δορυφόροι όπως ο Γεωστατικός Επιχειρησιακός Περιβαλλοντικός Δορυφόρος (GOES) και ο Meteosat, για την ανάλυση των αποτελεσμάτων φωτιάς σε μεγάλες περιοχές. Οι δείκτες ευαισθησίας στη βλάστηση αναπτύχθηκαν με βάση την αντίθεση μεταξύ καμένων και άκαυτων επιφανειών στο ορατό (0,4-0,7μm), στο εγγύς υπέρυθρο (0,7-1,5μm) και στο μεσαίο υπέρυθρο (1,5-4μm), στα τμήματα του ηλεκτρομαγνητικού φάσματος για χαρτογράφηση καμένων περιοχών. Υπάρχουν θερμικά προϊόντα ανίχνευσης της καμένης έκτασης που βασίζονται σε δεδομένα τηλεπισκόπησης χονδρικής χωρικής ανάλυσης. Τα προϊόντα παγκόσμιας θερμικής ανωμαλίας MODIS MCD14DL και VIRSS VNP14IMGT (FIRMS), παρέχουν γεωγραφικές τοποθεσίες πυρκαγιών κάθε 3 ώρες στις αναλύσεις 500m και 375m, αντίστοιχα. Η χρονική σειρά του Κανονικοποιημένου Δείκτη Καύσης (NBR) Landsat και ο διαφοροποιημένος Κανονικοποιημένος Δείκτης Καύσης (dNBR) Landsat, χρησιμοποιήθηκαν για την ανίχνευση των πυρκαγιών σε δασικά οικοσυστήματα του Καναδά. Οι εικόνες Sentinel-2 χρησιμοποιήθηκαν για τη χαρτογράφηση των καμένων εκτάσεων για ολόκληρη την Υποσαχάρια Αφρική, την Καλιφόρνια, τις ΗΠΑ και την Αυστραλία.

'''Περιοχή Μελέτης:''' Οι περιοχές μελέτης βρίσκονται στην Καλιφόρνια, όπου εκδηλώνονται συχνά πυρκαγιές τις τελευταίες δεκαετίες. Το 2017 σημειώθηκαν δύο σοβαρές πυρκαγιάς στις περιοχές μελέτης. Η μία περίπτωση αφορά τη φωτιά που ξέσπασε στις 8 Οκτωβρίου στη Βόρεια Καλιφόρνια και η δεύτερη αφορά τη φωτιά που ξεκίνησε στις 4 Δεκεμβρίου και εξαπλώθηκε κυρίως στη Ventura, στη Νότια Καλιφόρνια. Οι περιοχές μελέτης διαθέτουν τυπικό μεσογειακό κλίμα με ένα ευρύ φάσμα οικοσυστημάτων, συμπεριλαμβανομένων των ημίξηρων θαμνωδών εκτάσεων, των δασών που κυριαρχούνται από κωνοφόρα, των λιβαδιών, των καλλιεργειών και των υγροτόπων. Λόγω της αλλαγής του κλίματος, οι μεγάλες ξηρασίες και οι απρόβλεπτες βροχές σε συνδυασμό με τον άνεμο το χειμώνα κάνουν τα οικοσυστήματα της βλάστησης ευάλωτα στις πυρκαγιές. Οι περιοχές μελέτης, επίσης, είναι οι πιο πυκνοκατοικημένες περιοχές των ΗΠΑ, όπου προκαλούνται τακτικά πυρκαγιές και οι ανθρωπογενείς παράγοντες έχουν προκαλέσει μεγάλες αλλαγές σ’ αυτές. Οι πυρκαγιές στις περιοχές αυτές εμφανίζονται συνήθως στην ξηρή περίοδο από το Νοέμβριο έως τον Φεβρουάριο, ενώ ορισμένες δασικές πυρκαγιές εκδηλώνονται ακόμη και στις αρχές Οκτωβρίου ή τέλη Μαρτίου και Απριλίου.

'''Μεθοδολογία:''' Στην παρούσα μελέτη χρησιμοποιήθηκαν τα MCD14DL και VNP14IMGT για τον προσδιορισμό των πιθανών καμένων εκτάσεων, τα οποία αποτελούν θερμικά προϊόντα που προέρχονται από το σύστημα FIRMS, του LANCE της NASA. Μέσω του LANCE, διανέμονται σε σχεδόν πραγματικό χρόνο τα δεδομένα ενεργών εστιών φωτιάς, διάρκειας μέχρι 3 ωρών δορυφορικών παρατηρήσεων από το MODIS των αισθητήρων Terra, Aqua και το VIIRS του δορυφόρου Suomi NPP των NOAA και NASA. Για την παραγωγή αυτών των προϊόντων δημιουργήθηκε ένας αλγόριθμος βασισμένος στην ισχυρή εκπομπή της υπέρυθρης ακτινοβολίας από τις πυρκαγιές. Επιπλέον, ορίστηκε ένα επίπεδο εμπιστοσύνης για κάθε ενεργό σημείο πυρκαγιάς για τη διευκόλυνση του χρήστη. Το MCD14DL σε ανάλυση 1km προερχόμενο από το MODIS, και το VNP14IMGT σε ανάλυση 375m που βασίζεται στο VIIRS, χρησιμοποιήθηκαν σε μορφή σημειακού shapefile στο WGS84. Οι αισθητήρες Terra και Aqua MODIS παρατηρούν ολόκληρη την επιφάνεια της Γης 2 φορές την ημέρα και υπάρχουν τουλάχιστον τέσσερις καθημερινές παρατηρήσεις του MODIS κοντά στον ισημερινό, με τον αριθμό των υπερυψώσεων να αυξάνεται προς τους πόλους. O Suomi-NPP παρατηρεί, επίσης, τη γη 2 φορές την ημέρα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν όλα τα MCD14DL και VNP14IMGT δεδομένα από τον Οκτώβριο και το Δεκέμβριο και θεωρείται ότι, πραγματοποιούνται 6-8 παρατηρήσεις ανά ημέρα στην Καλιφόρνια, από τα MCD14DL και VNP14IMGT. Για την ακριβή παρακολούθηση των καμένων εκτάσεων από πυρκαγιές σε σχεδόν πραγματικό χρόνο, απαιτούνται πολλαπλές πηγές δορυφορικών εικόνων MSR και γι’ αυτό στη συγκεκριμένη μελέτη, συλλέχθηκαν όλες οι διαθέσιμες εικόνες MSR χωρίς σύννεφα από τον αισθητήρα AWiFS του δορυφόρου Resourcesat του Ινδικού Οργανισμού Διαστημικής Έρευνας (ISRO), του Landsat OLI και του Sentinel-2A/2B MSI. Η διαδικασία που ακολουθήθηκε παρουσιάζεται τμηματικά με πιο λεπτομερή και περιγραφικό τρόπο στην Εικόνα 1.

[[Εικόνα: NT5_e2.jpeg |thumb|right| '''Εικόνα 1.''' Εννοιολογική αναπαράσταση των βημάτων για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο χρησιμοποιώντας δορυφορικές εικόνες πολλαπλών πηγών.]]

Ο Landsat έχει τη δυνατότητα να παρέχει χωρική ανάλυση 30m σε παρατηρήσεις του ίδιου σημείου κάθε 16 ημέρες, ενώ ο δορυφόρος Resourcesat1 με χωρική ανάλυση 56m περνάει κάθε 5 ημέρες από το ίδιο σημείο. Έτσι, ενσωματώνοντας τις εικόνες Sentinel-2A/B του Landsat και τις αντίστοιχες δορυφορικές εικόνες του Resourcesat1, δίνεται μεγάλη δυνατότητα να μπορεί να παρακολουθείται η εξέλιξη των πυρκαγιών σε σχεδόν πραγματικό χρόνο, και σε διάστημα μικρότερο από 5 ημέρες, με χωρική ανάλυση καλύτερη των 56m. Η διάρκεια των δασικών πυρκαγιών, τα σύννεφα, το διάστημα επανεπίσκεψης του δορυφόρου στις περιοχές μελέτης και η ζώνη κάλυψης των δορυφορικών εικόνων, συνεπάγονται ότι οι πυρκαγιές στην Καλιφόρνια μπορούν να παρακολουθηθούν σε διάστημα 3 ημερών.

Για την παρούσα μελέτη, επιπλέον, χρησιμοποιήθηκε η Εθνική Βάση Δεδομένων Εδαφικής Κάλυψης (NLCD) του 2016, για την κάλυψη γης και την εξαγωγή των σημείων πυρκαγιάς που εμπίπτουν στην περιοχή που καλύπτεται από βλάστηση. Η NLCD του 2016 εκτείνεται σε χρονική κάλυψη 15 ετών (2001-2016) για την παροχή δεδομένων για την κάλυψη της γης και την αλλαγή των χρήσεων γης στη χωρική ανάλυση των 30m του Landsat Θεματικού Χάρτη.

Τα MCD14DL και VNP14IMGT συγχωνεύτηκαν σε υψηλότερη χρονική συχνότητα σε μία βάση δεδομένων για τον ακριβή και γρήγορο εντοπισμό πιθανών σημείων πυρκαγιάς. Όλες οι εικόνες Landsat διορθώθηκαν από εικόνες Επιπέδου 1 Τ. Οι εικόνες Επιπέδου 1 T του AWiFS που προέκυψαν, μετατράπηκαν σε εικόνες επιφανειακής ανάκλασης με ραδιομετρική διόρθωση χρησιμοποιώντας το ENVI FLAASH (ESRI 2009). Στη συνέχεια, οι εικόνες ανάκλασης της επιφάνειας του AWiFS, καταχωρήθηκαν στον Landsat OLI λαμβάνοντας υπόψη 30 σημεία επίγειου ελέγχου. Επιπλέον, η επιπέδου 1C- εικόνες ανάκλασης Sentinel-2A, μετατράπηκαν σε εικόνες ανάκλασης της επιφάνειας μέσω της διαδικασίας ατμοσφαιρικής διόρθωσης χρησιμοποιώντας το Sentinel to Correction (Sen2Cor). Τα κανάλια πράσινο, κόκκινο, NIR και SWIR των OLI, MSI και AWiFS είναι αρκετά κοντινά ως προς το φασματικό πλάτος και το κεντρικό μήκος κύματος και για να πραγματοποιηθεί εναρμόνιση της χωρικής ανάλυσης των εικόνων Sentinel-2A και 2B με τα κανάλια κόκκινο, NIR και SWIR σε ομοιόμορφη ανάλυση, έγινε εκ νέου δειγματοληψία εικόνων από αυτές τις ζώνες σε χωρική ανάλυση 20m χρησιμοποιώντας το λογισμικό SNAP.

Τα θερμικά MCD14DL και VNP14IMGT εντοπίζουν ποικίλα σημεία θερμικής ανωμαλίας, όπως πυρκαγιές, ηφαιστειακές εκρήξεις και εκπομπές εκλάμψεων από πηγάδια αερίου. Για να ληφθούν στην προκειμένη περίπτωση τα πραγματικά σημεία που έχουν προκληθεί πυρκαγιές, πρέπει να αφαιρεθούν τα άλλα είδη θερμικής ανωμαλίας. Σ’ αυτή τη μελέτη, χρησιμοποιήθηκαν αρχικά τα δεδομένα της NLCD ανάλυσης 30m του 2016, για τον εντοπισμό της θερμικής ανωμαλίας σε περιοχές με βλάστηση. Επιπλέον, λόγω της συγκέντρωσης της χωρικής έκτασης και της χρονικής κάλυψης καύσης της βιομάζας, τα χαρακτηριστικά της χρονικής και χωρικής συγκέντρωσης της καύσης, χρησιμοποιήθηκαν για να αφαιρεθούν και τα υπόλοιπα σημεία θερμικής ανωμαλίας. Στη συνέχεια εφαρμόστηκαν διαδικασίες στο συγχωνευμένο θερμικό προϊόν ανωμαλίας για τον εντοπισμό των πραγματικών σημείων πυρκαγιάς. Οι διαδικασίες που ακολουθήθηκαν ήταν οι εξής:
'''Α)''' Χωρικό φιλτράρισμα, καθώς οι πυρκαγιές εξελίσσονται με τον καιρό, τα σημεία κατανέμονται σε σχετικά μεγάλες χωρικές εκτάσεις. Έτσι, λήφθηκε υπόψη το χαρακτηριστικό της χωρικής συσσώρευσης των δασικών πυρκαγιών, ώστε να γίνει διαφοροποίηση των σημείων πυρκαγιάς από άλλα σημεία θερμικής ανωμαλίας χαμηλής χωρικής συσσώρευσης. Πιο συγκεκριμένα, δημιουργήθηκε ένα πλέγμα μήκους 1km για τη συγχώνευση των προϊόντων θερμικής ανωμαλίας και τη μέτρηση της χωρικής συσσώρευσης των σημείων θερμικής ανωμαλίας στο πλέγμα κάθε κελιού. Λαμβάνοντας υπόψη την ταχύτητα του ανέμου και τη σφοδρότητα της καύσης, εφαρμόστηκε συρόμενο παράθυρο 3km*3km για την καταμέτρηση του μέγιστου αριθμού σημείων θερμικής ανωμαλίας που εμπίπτουν στα χωρικά συρόμενα παράθυρα. Υπάρχουν δύο προϋποθέσεις για την αναγνώριση των πιθανοτήτων πυρκαγιάς, με βάση τη συγχώνευση των ημερήσιων προϊόντων θερμικής ανωμαλίας. Η μία είναι ότι τα θερμικά σημεία ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο, παρατηρήθηκαν τόσο πρωινές όσο και απογευματινές ώρες μίας ημέρας. Η διαδοχική χρονική κάλυψη αυτών των σημείων δείχνει ότι το πιο πιθανό είναι να πρόκειται για πραγματικά σημεία πυρκαγιάς, οπότε ο αριθμός των σημείων θερμικής ανωμαλίας που εμπίπτουν σε μία ολίσθηση παραθύρου, να είναι σχετικά μικρός. Η άλλη είναι ότι τα σημεία θερμικής ανωμαλίας που εμπίπτουν εντός του ολισθέντος παραθύρου παρατηρήθηκαν είτε το πρωί είτε το απόγευμα μίας ημέρας. Η μικρή διάρκεια αυτών των σημείων θερμικής διαφοροποίησης υποδηλώνει ότι είναι λιγότερο πιθανό να είναι πραγματικά σημεία πυρκαγιάς και για να αυξηθεί η αξιοπιστία των συγκεκριμένων σημείων ότι αφορούν όντως σημεία πυρκαγιάς, θεωρήθηκε ότι ο αριθμός των σημείων που εμπίπτουν σε ένα συρόμενο παράθυρο πρέπει να είναι σχετικά μεγαλύτερος (π.χ. ένα μεγάλο όριο n). Μόλις ο αριθμός των σημείων που εμπίπτουν στο συρόμενο παράθυρο είναι αρκετά μεγάλος, μπορούν να αναγνωριστούν ως πραγματικές υποψήφιες εστίες πυρκαγιάς και προκειμένου να μειωθεί το σφάλμα στον προσδιορισμό των πραγματικών εστιών πυρκαγιάς, τα κατώφλια ορίστηκαν όσο το δυνατόν χαμηλότερα και για τις δύο συνθήκες (δηλαδή n = 4 και n = 8). Ο τύπος που εφαρμόστηκε, είναι: Max{n1, n2, . . . . . . ; nm}≥4 ή Max {n, n2, . . . . . . , nm}≥8, όπου τα n1,n2, . . . . . ., nm αντιπροσωπεύουν τον αριθμό των σημείων θερμικής ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο. Εάν ο μέγιστος αριθμός θερμικών σημείων ανωμαλίας που περιέχονται στο συρόμενο παράθυρο πληρούν το κριτήριο, αυτά τα σημεία θερμικής ανωμαλίας διατηρήθηκαν ως υποψήφιες εστίες πυρκαγιάς για περαιτέρω δοκιμή.

'''Β)''' Χρονικό φιλτράρισμα, τα κατώφλια παρόλο που ρυθμίστηκαν όσο το δυνατόν χαμηλότερα στη διαδικασία χωρικού φιλτραρίσματος, οι θερμικές ανωμαλίες μικρής διάρκειας που εντοπίζονται με υψηλή χωρική συγκέντρωση μπορούν να ταξινομηθούν εσφαλμένα ως πραγματικές εστίες πυρκαγιάς. Έτσι, υιοθετήθηκε ένας τροποποιημένος δείκτης χρονικής συγκέντρωσης (TCI) για τον προσδιορισμό της χρονικής συνάθροισης των υποψήφιων σημείων πυρκαγιάς. Πιο συγκεκριμένα, ρυθμίστηκε ένα προσωρινό συρόμενο παράθυρο για μέτρηση των υποψήφιων σημείων πυρκαγιάς μέσα σ’ αυτό. Αν οι υποψήφιες εστίες πυρκαγιάς μέσα στο συρόμενο παράθυρο παρατηρήθηκαν τόσο το πρωί όσο και το απόγευμα μίας ημέρας, ο συντελεστής χρονικής συγκέντρωσης k ορίστηκε σε 0,1. Οι δείκτες βλάστησης (VIs) που ενσωματώνουν κανάλια SWIR, παρουσιάζουν ευαισθησία στις αλλαγές στην υγρασία των φύλλων και στη σκίαση, ενώ οι VIs που ενσωματώνουν κανάλια του NIR, είναι ευαίσθητοι σε αλλαγές στην υγεία των φυτών και στην πυκνότητα της φυλλωσιάς. Οι φασματικοί δείκτες που αναπτύχθηκαν από αυτά τα κανάλια είναι εφικτό να ανιχνεύσουν καμένες εκτάσεις. Για παράδειγμα, ο Δείκτης βλάστησης (NDVI) και οι διαφορετικές τιμές του NDVI έχουν δείξει μεγάλες δυνατότητες στην εκτίμηση της σφοδρότητας της πυρκαγιάς και πολλές μελέτες αποκαλύπτουν ότι τα NBR και dNBR είναι οι πιο αποτελεσματικοί φασματικοί δείκτες για τη χαρτογράφηση καμένων εκτάσεων μετά από πυρκαγιές. Συγκεκριμένα, το dNBR δεν είναι ευαίσθητο στην ατμοσφαιρική διάθλαση και μπορεί να ποσοτικοποιήσει τη χαμένη βλάστηση, την εναπόθεση άνθρακα και τη μείωση της υγρασίας και της σκιάς των φύλλων, που οδηγεί σε χαμηλότερες τιμές του NIR και υψηλότερες τιμές ανάκλασης του SWIR, σε σύγκριση με την υγιή βλάστηση.
Ο καπνός που εκπέμπεται κατά την ενεργό φάση των πυρκαγιών υποτίθεται ότι κάνει δυσδιάκριτη την επιφάνεια της γης και προκαλεί μεγάλη αβεβαιότητα στη χαρτογράφηση των καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Φασματικοί δείκτες όπως οι NIR, SWIR, NDVI και NBR, καθώς και οι διαφορικές τιμές αυτών των δεικτών, επιλέχθηκαν σε αυτή τη μελέτη για να ελέγξουν την ικανότητα των δεικτών στη διάκριση των καμένων εκτάσεων από τις μη καμένες, μετριάζοντας ωστόσο τις επιπτώσεις του καπνού. Ο καπνός που εκπέμπεται από τις πυρκαγιές, μπορεί να εμφανιστεί τόσο σε καμένες, όσο και σε παρακείμενες μη καμένες περιοχές.

Σύμφωνα με την ποσότητα του καπνού που εμφανίζεται εντός των καμένων ή εκτός των καμένων περιοχών, στη μελέτη ορίστηκαν πέντε σενάρια, τα οποία περιλαμβάνουν, καμένες περιοχές χωρίς την παρουσία καπνού (κόκκινες κουκκίδες στην Εικόνα 2), μη καμένα σημεία που καλύπτονται από βαρύ καπνό (HS1) (πορτοκαλί κουκκίδες στην Εικόνα 2), καμένες περιοχές που καλύπτονται από βαρύ καπνό (HS2) (πράσινες κουκκίδες στην Εικόνα 2), μη καμένες περιοχές που καλύπτονται από αραιό καπνό (TS1) (μπλε κουκκίδες μέσα Εικόνα 2), και καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) (κίτρινες κουκκίδες στην Εικόνα 2).

[[Εικόνα: NT5_e1.jpeg |thumb|right| '''Εικόνα 2.''' Το αριστερό πλαίσιο με σημεία εκπαίδευσης διαφορετικών χρωμάτων είναι η περιοχή μεγέθυνσης στο μαύρο ορθογώνιο του επάνω δεξιού χάρτη. Τα σημεία εκπαίδευσης για κάθε κατηγορία καμένης περιοχής, HS2, HS1, TS1 και TS2 αποδίδονται σε κόκκινο, πράσινο, πορτοκαλί, μπλε και κίτρινο χρώμα, αντίστοιχα.]]

Τα σημεία εκπαίδευσης για καθένα από αυτά τα σενάρια συλλέχθηκαν τυχαία με οπτική ερμηνεία και υπολογίστηκαν οι τιμές των επιλεγμένων δεικτών σε βαθμούς και στη μελέτη επιλέχθηκαν 30 σημεία εκπαίδευσης για κάθε σενάριο. Οι πιο αποτελεσματικοί φασματικοί δείκτες εντοπίστηκαν με ανάλυση των στατιστικών διαφορών των υποψήφιων φασματικών χαρακτηριστικών των προαναφερθέντων σεναρίων χρησιμοποιώντας τα θηκογράμματα των σημείων εκπαίδευσης. Οι εικόνες υψηλής χωρικής ανάλυσης από το Google Earth ερμηνεύτηκαν οπτικά για να επαληθευτεί ο τύπος κάλυψης γης (βλάστηση, υδάτινο σώμα, γυμνό έδαφος, ανεπτυγμένο και καμένο έδαφος) των σημείων εκπαίδευσης καθ’ όλη τη διάρκεια της περιόδου παρακολούθησης. Για τη διευκόλυνση δοκιμής και απεικόνισης της ικανότητας αυτών των δεικτών για τη διάκριση των καμένων εκτάσεων από άλλες περιοχές που επηρεάστηκαν από τον καπνό, προτού διεξαχθεί περαιτέρω ανάλυση, έγινε κανονικοποίηση των τιμών των επιλεγμένων φασματικών δεικτών στο διάστημα τιμών από −1,0 έως 1,0.
Μόλις προσδιορίστηκε η χωρική έκταση των σημείων που ξέσπασε η πυρκαγιά, δημιουργήθηκαν ζώνες προστασίας ακτίνας του 1km εντοπισμού της χωρικής εξάπλωσής τους. Έπειτα, η χωρική έκταση κατάληψης των σημείων πυρκαγιάς συγχωνεύτηκε με τις ζώνες προστασίας για να δημιουργηθούν οι ζώνες στόχευσης. Βάσει των χωρικών εκτάσεων των ζωνών στόχευσης, όλες οι διαθέσιμες εικόνες των Sentinel 2A/B, Landsat OLI και Resourcesat AWiFS συλλέχθηκαν την ίδια ημερομηνία. Ταυτόχρονα, συλλέχθηκαν όλες οι διαθέσιμες εικόνες πριν την πυρκαγιά και αφού επιλέχθηκαν οι περισσότερο ανθεκτικοί στον καπνό φασματικοί δείκτες, αναγνωρίστηκαν τα βέλτιστα κατώφλια αυτών των δεικτών για κάθε δορυφόρο, οι οποίοι μπορούν να υπολογιστούν για τις συλλεγόμενες εικόνες MSR. Οι καμένες εκτάσεις μπορούν να εξαχθούν άμεσα, ενώ εξελίσσονται οι πυρκαγιές και εάν οι εικόνες MSR είναι επαρκείς, η χωρική και χρονική επίδραση των πυρκαγιών μπορεί να παρακολουθείται καθημερινά, με την προτεινόμενη μέθοδο των δύο σταδίων.

'''Αποτελέσματα:''' Οι εστίες που ξέσπασε πυρκαγιά στη Βόρεια Καλιφόρνια έκαιγαν από τις 7 έως 19 Οκτωβρίου και από τις 29 έως 31 Οκτωβρίου και ήταν ευρέως διανεμημένα σε ολόκληρη την περιοχή μελέτης (Εικόνα 3). Μεταξύ αυτών, εννέα μεγάλες καμένες εκτάσεις βρίσκονταν στα βορειοδυτικά και στην άκρη της κεντρικής πεδιάδας της Καλιφόρνια, όπου οι τύποι κάλυψης γης σε αυτές τις καμένες περιοχές, ήταν κυρίως καλλιεργήσιμες εκτάσεις, δάση, ποώδη και θαμνώδη. Η χωρική κατανομή των σημείων πυρκαγιάς που εντοπίστηκαν στη Νότια Καλιφόρνια έκαιγε συνεχώς από τις 5 έως τις 25 Δεκεμβρίου. Σε αντίθεση με τις εξαπλωμένες εστίες πυρκαγιάς στη Βόρεια Καλιφόρνια, οι εστίες πυρκαγιάς στη Νότια Καλιφόρνια ήταν πιο χωρικά συγκεντρωμένες με τις κύριες εστίες πυρκαγιάς που βρίσκονταν στη Νοτιοδυτική Καλιφόρνια, να στοιχειοθετούν την πυρκαγιά «Thomas».

[[Εικόνα: NT5_e3.jpeg |thumb|left| '''Εικόνα 3.''' Η χωρική και χρονική κατανομή των σημείων πυρκαγιάς που ανιχνεύθηκαν στη (α) Βόρεια και (β) Νότια Καλιφόρνια. Έγινε εντοπισμός σημείων πυρκαγιάς σε διαφορετικές ημερομηνίες από 7 έως 31 Οκτωβρίου οι οποίες αποδίδονται με διαφορετικά χρώματα από σκούρο πράσινο έως κόκκινο. Οι εστίες πυρκαγιάς που δεν απεικονίζονται στους χάρτες (α ή β) αποδίδονται με κόκκινο χρώμα στους ένθετους χάρτες ολόκληρης της Καλιφόρνια που απεικονίζονται στην αριστερή πλευρά κάθε χάρτη.]]

Για να ελεγχθεί η ικανότητα των δεικτών στη διάκριση των καμένων από τις μη καμένες περιοχές και για να μετριαστούν οι επιπτώσεις του καπνού, προκύπτει ότι οι καμένες περιοχές χωρίς καπνό (BA), οι καμένες περιοχές που καλύπτονται από πυκνό καπνό (HS2) και οι καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) πρέπει να εντοπίζονται ξεχωριστά. Το κανάλι NIR μπορεί να εξάγει ξεχωριστά καμένες περιοχές χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα κανάλια SWIR1 και SWIR2 μπορούν να κάνουν διάκριση των καμένων που καλύπτονται από βαρύ καπνό, από τα καμένα που δεν καλύπτονται από καπνό και από άλλες περιοχές που καλύπτονται με καπνό, ενώ τα dNIR και dNBR μπορούν επίσης να διαχωρίσουν τα καμένα χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα dSWIR1 και dSWIR2 παρουσιάζουν επίσης μεγάλες δυνατότητες στη διάκριση των καμένων που καλύπτονται από βαρύ καπνό σε σχέση με τα καμένα χωρίς καπνό και άλλες περιοχές που σχετίζονται με τον καπνό, αλλά δεν μπορούν να διαχωρίσουν καλά τα καμένα που καλύπτονται από λεπτό καπνό (TS2) σε σχέση με άλλες περιπτώσεις. Χάρη στο κανάλι SWIR, οι καμένες περιοχές που καλύπτονται από λεπτό καπνό (TS2), μπορούν να εξαχθούν εν μέρει με τη χρήση dSWIR1. Για να κρατηθούν οι φασματικοί δείκτες των προς εξαγωγή καμένων εκτάσεων συνεπείς σε διαφορετικούς αισθητήρες και να βελτιωθεί η υπολογιστική απόδοση, επιλέχθηκαν τα dNBR και dSWIR1 για την εξαγωγή των καμένων από πυρκαγιές.

Ο προσδιορισμός των πιθανών βέλτιστων κατωφλιών για τις εικόνες των Sentinel-2A/B (Πίνακας 1) για την ακριβή αναγνώριση των καμένων εκτάσεων, είναι 0,42 και -0,2 για τα dNBR και dSWIR1 αντίστοιχα. Όταν η τιμή του dNBR είναι μεγαλύτερη από 0,42 και η τιμή του dSWIR1 είναι ταυτόχρονα μικρότερη από -0,2, τα καμένα μπορούν να εξαχθούν για εικόνες Sentinel-2A/B. Ωστόσο, αυτές οι τιμές μπορεί να μην είναι οι βέλτιστες. Έτσι, για να ληφθούν τα βέλτιστα κατώφλια, πραγματοποιήθηκε μία περαιτέρω δοκιμή για τα υποψήφια κατώφλια του βέλτιστου dNBR και του dSWIR1 για τις εικόνες Sentinel-2A/B. Όπως φαίνεται στον Πίνακα 1, οι βέλτιστες τιμές κατωφλίου για το υψηλότερο F-score ήταν 0.42 για το dNBR και -0.23 για το dSWIR1.

[[Εικόνα: NT5_p1.JPG |thumb|right| '''Πίνακας 1.''' Το F1-score για κάθε υποψήφιο σύνολο των τιμών κατωφλίου dNBR και dSWIR για τα 200 δείγματα (100 καμένα και 100 άκαυτα), της πυρκαγιάς «Thomas» που σημειώθηκε στις 5 Δεκεμβρίου με βάση την εικόνα Sentinel-2B. ]]

'''Συμπεράσματα:''' Στην παρούσα μελέτη προτείνεται μία μέθοδος δύο σταδίων που βασίζεται σε δεδομένα τηλεπισκόπησης πολλαπλών αισθητήρων για χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Οι αισθητήρες υψηλής χρονικής ανάλυσης της θερμικής ανωμαλίας, MODIS και VIIRS, χρησιμοποιήθηκαν αρχικά για τον εντοπισμό πυρκαγιών και πιθανών καμένων εκτάσεων. Έπειτα, αισθητήρες εικόνων MSR συμπεριλαμβανομένων των Sentinel-2A/2B, του Landsat OLI και του Resourcesat AWiFS χρησιμοποιήθηκαν για την εξαγωγή καμένων εκτάσεων με περισσότερη χωρική λεπτομέρεια σε σχεδόν πραγματικό χρόνο. Η προτεινόμενη μέθοδος εφαρμόστηκε στη Βόρεια και Νότια Καλιφόρνια όπου εκδηλώθηκαν πυρκαγιές το 2017. Τα αποτελέσματα έδειξαν ότι αυτή η μέθοδος ήταν ακριβής για τη χαρτογράφηση καμένων εκτάσεων σε ένα σύνολο ακρίβειας 0,84 και 0,85 για τη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η μέθοδος αυτή μπορεί να παρακολουθεί τα καμένα σε μέσο διάστημα 3,5 ημερών και καθυστέρηση 4 ημερών στη Νότια Καλιφόρνια και σε μέσο διάστημα 3 ημερών και καθυστέρηση λιγότερη της μίας ημέρας για τις πυρκαγιές στη Βόρεια Καλιφόρνια, αντίστοιχα. Ακόμη ξεπερνά τους περιορισμούς στη χαρτογράφηση καμένων με βάση μόνο μεμονωμένα δορυφορικά δεδομένα, που είναι οι αισθητήρες με σύντομες περιόδους επανεπίσκεψης σε ένα σημείο, οι οποίοι κιόλας αποτυγχάνουν να παρέχουν σαφή χωρική λεπτομέρεια για τις πυρκαγιές, ενώ οι αισθητήρες μέσης ανάλυσης δεν επαρκούν για τον έγκαιρο εντοπισμό των δασικών πυρκαγιών που μπορεί να συμβαίνουν ανά πάσα στιγμή σε οποιοδήποτε μέρος στον κόσμο. Οι δυο ομάδες αισθητήρων δεν μπορούν να αναγνωρίσουν έγκαιρα τις πυρκαγιές, αλλά χαρτογραφούν με ακρίβεια ό,τι καίνε αυτές. Η μέθοδος δύο σταδίων μπορεί να θεωρηθεί κρίσιμη για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο με το συνδυασμό δεδομένων τηλεπισκόπησης από πολλαπλές υψηλές χρονικές συχνότητες και όλους τους δωρεάν MSR αισθητήρες. Με όλο και περισσότερα δορυφορικά δεδομένα MSR και HSR ελεύθερα στο κοινό, ο συνδυασμός τους για την κατασκευή τακτικών χρονικών σειρών και την ανίχνευση ποικίλων αλλαγών σε πραγματικό χρόνο της επιφάνειας της γης σε περιφερειακές αλλά και πιο παγκόσμιες κλίμακες, γίνεται πιο εύκολα από πριν. Παρόλο που η προτεινόμενη μέθοδος των δύο σταδίων παρέχει έναν αποτελεσματικό τρόπο για τη συνεχή παρακολούθηση των καμένων σε σχεδόν πραγματικό χρόνο, η απόδοση αυτής της μεθόδου θα μπορούσε να βελτιωθεί με την ενσωμάτωση των πληροφοριών των καμένων στην ανίχνευση των εν λόγω εκτάσεων. Επιπλέον, είναι πολύτιμο να υλοποιηθεί η προτεινόμενη μέθοδος χαρτογράφησης των καμένων εκτάσεων για μία πλατφόρμα πλανητικής κλίμακας, όπως το Google Earth Engine (GEE) για την πιο αποτελεσματική χαρτογράφηση σε σχεδόν πραγματικό χρόνο των καμένων εκτάσεων.

[[category:Δασικές Πυρκαγιές]]

Χαρτογράφηση Καμένων Εκτάσεων σε Σχεδόν Πραγματικό Χρόνο με Συνδυασμό Πολλαπλών Δεδομένων Τηλεπισκόπησης

2023-02-08T19:14:06Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Χαρτογράφηση καμένων εκτάσεων

'''Πρωτότυπος τίτλος:''' Near real-time mapping of burned area by synergizing multiple satellites remote-sensing data

'''Συγγραφείς:''' Lipeng Jiao & Yanchen Bo

'''Πηγή:''' Lipeng Jiao & Yanchen Bo (2022) Near real-time mapping of burned area
by synergizing multiple satellites remote-sensing data, GIScience & Remote Sensing, 59:1, 1956-1977, DOI: 10.1080/15481603.2022.2143690 https://doi.org/10.1080/15481603.2022.2143690 [https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2143690]

'''Περίληψη:''' Οι πυρκαγιές έχουν σημαντικές επιπτώσεις στις ανθρώπινες ζωές, στις υποδομές και στα οικοσυστήματα. Η ακριβής και έγκαιρη πληροφόρηση ότι μία περιοχή έχει πληγεί από πυρκαγιά, έχει μεγάλη σημασία για την καλύτερη κατανόηση των μοτίβων των δασικών πυρκαγιών, καθώς και τη συνάφειά τους με τους βιογεωχημικούς κύκλους, το κλίμα, την ποιότητα του αέρα και τη διαχείριση των πυρκαγιών. Γενικά σε μελέτες, έχουν χρησιμοποιηθεί μεμονωμένα δορυφορικά δεδομένα για την ανίχνευση των χαρακτηριστικών των πυρκαγιών, χαρτογραφώντας αναδρομικά τις καμένες εκτάσεις σε μία ποικιλία χωρικών αναλύσεων. Ωστόσο, λόγω της αντιστάθμισης μεταξύ χωρικών και χρονικών αναλύσεων, τα δορυφορικά δεδομένα δεν επαρκούν για να στοιχειοθετήσουν τη σημασία των καμένων εκτάσεων σε υψηλού επιπέδου αναλύσεις τόσο χωρικά όσο και χρονικά. Έτσι, στην παρούσα μελέτη αναπτύχθηκε μία μέθοδος αντιστοίχισης των καμένων εκτάσεων δύο σταδίων σε σχεδόν πραγματικό χρόνο, που εκμεταλλεύεται την υψηλή χρονική συχνότητα των αισθητήρων χονδροειδούς ανάλυσης, και την καλή ανάλυση αισθητήρων μέσης χωρικής ανάλυσης στη χαρτογράφηση των καμένων εκτάσεων. Οι αισθητήρες υψηλής χρονικής συχνότητας, MODIS και VIIRS, είναι αυτοί που χρησιμοποιήθηκαν για τον εντοπισμό των πυρκαγιών και πιθανών καμένων εκτάσεων. Στη συνέχεια, χρησιμοποιήθηκαν αισθητήρες μέσης χωρικής ανάλυσης (MSR), όπως οι Sentinel-2A/2B, Landsat OLI και Resourcesat AWiFS για εξαγωγή των καμένων εκτάσεων με περισσότερες χωρικές λεπτομέρειες σε σχεδόν πραγματικό χρόνο. Η διαδικασία εφαρμόστηκε στην Καλιφόρνια των ΗΠΑ, όπου εκδηλώθηκαν πυρκαγιές σε βόρεια και νότια τμήματα της πολιτείας το 2017 και τα αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος είναι πολλά υποσχόμενη για τη χαρτογράφηση των καμένων εκτάσεων με συνολική ακρίβεια 0,84 και 0,85 στη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η προτεινόμενη μέθοδος βελτίωσε σημαντικά τη συχνότητα και μείωσε την καθυστέρηση καταγραφής, με μέσο διάστημα συχνότητας 3,5 ημέρες και καθυστέρησης μεταφοράς 4 ημέρες για τη χαρτογράφηση πυρκαγιών στην Καλιφόρνια. Εν τέλει, οι εξαγόμενες καμένες εκτάσεις απεικονίστηκαν με ακριβείς χωρικές λεπτομέρειες και η μέθοδος που εφαρμόστηκε στην παρούσα εργασία μπορεί να χρησιμοποιήσει παρατηρήσεις τηλεπισκόπησης διαφορετικών πηγών για να χαρτογραφήσει με ακρίβεια τις ενεργές πυρκαγιές σε σχεδόν πραγματικό χρόνο, το πιο σημαντικό, όμως, είναι ότι μπορεί να εφαρμοστεί και σε άλλες γεωγραφικές περιοχές όπου εκδηλώνονται πυρκαγιές.

'''Λέξεις κλειδιά:''' Φωτιά, καμένη έκταση, σχεδόν πραγματικός χρόνος, υψηλή χωροχρονική ανάλυση, δορυφορικές εικόνες πολλαπλών πηγών

'''Εισαγωγή:''' Τις τελευταίες δεκαετίες, οι ακραίες καιρικές συνθήκες και τα κλιματολογικά φαινόμενα, όπως η πολλή ζέστη και η ξηρασία, έχουν προκαλέσει γεγονότα πυρκαγιών παγκοσμίως. Οι φυσικές και ανθρωπογενείς διεργασίες, επίσης, προκαλούν πυρκαγιές σε διάφορα μέρη, ειδικά στον Καναδά, την Αυστραλία, τη Βραζιλία και τις ΗΠΑ. Η ποσοτικοποίηση της καμένης περιοχής σε υψηλή χωροχρονική ανάλυση είναι μεγάλης σημασίας για την κατανόηση των επιπτώσεων των γεγονότων των δασικών πυρκαγιών στο οικολογικό περιβάλλον και στη δυνατότητα της έγκαιρης απόκρισης και εκκένωσης σε καταστάσεις έκτακτης ανάγκης.

Τα δορυφορικά δεδομένα παρέχουν συνεπείς και περιοδικές παρατηρήσεις, οι οποίες είναι κρίσιμες για την ανίχνευση και την παρακολούθηση πυρκαγιών σε κλίμακες περιφερειακού και παγκόσμιου επιπέδου. Σε αρχικό στάδιο της παρακολούθησης της πυρκαγιάς, χρησιμοποιήθηκαν κυρίως δορυφορικά δεδομένα από αισθητήρες χονδρικής χωρικής ανάλυσης, όπως ο AVHRR, ο Along Track Scanning Radiometer (ATSR), ο VEGETATION, ο MODIS, και γεωστατικοί δορυφόροι όπως ο Γεωστατικός Επιχειρησιακός Περιβαλλοντικός Δορυφόρος (GOES) και ο Meteosat, για την ανάλυση των αποτελεσμάτων φωτιάς σε μεγάλες περιοχές. Οι δείκτες ευαισθησίας στη βλάστηση αναπτύχθηκαν με βάση την αντίθεση μεταξύ καμένων και άκαυτων επιφανειών στο ορατό (0,4-0,7μm), στο εγγύς υπέρυθρο (0,7-1,5μm) και στο μεσαίο υπέρυθρο (1,5-4μm), στα τμήματα του ηλεκτρομαγνητικού φάσματος για χαρτογράφηση καμένων περιοχών. Υπάρχουν θερμικά προϊόντα ανίχνευσης της καμένης έκτασης που βασίζονται σε δεδομένα τηλεπισκόπησης χονδρικής χωρικής ανάλυσης. Τα προϊόντα παγκόσμιας θερμικής ανωμαλίας MODIS MCD14DL και VIRSS VNP14IMGT (FIRMS), παρέχουν γεωγραφικές τοποθεσίες πυρκαγιών κάθε 3 ώρες στις αναλύσεις 500m και 375m, αντίστοιχα. Η χρονική σειρά του Κανονικοποιημένου Δείκτη Καύσης (NBR) Landsat και ο διαφοροποιημένος Κανονικοποιημένος Δείκτης Καύσης (dNBR) Landsat, χρησιμοποιήθηκαν για την ανίχνευση των πυρκαγιών σε δασικά οικοσυστήματα του Καναδά. Οι εικόνες Sentinel-2 χρησιμοποιήθηκαν για τη χαρτογράφηση των καμένων εκτάσεων για ολόκληρη την Υποσαχάρια Αφρική, την Καλιφόρνια, τις ΗΠΑ και την Αυστραλία.

'''Περιοχή Μελέτης:''' Οι περιοχές μελέτης βρίσκονται στην Καλιφόρνια, όπου εκδηλώνονται συχνά πυρκαγιές τις τελευταίες δεκαετίες. Το 2017 σημειώθηκαν δύο σοβαρές πυρκαγιάς στις περιοχές μελέτης. Η μία περίπτωση αφορά τη φωτιά που ξέσπασε στις 8 Οκτωβρίου στη Βόρεια Καλιφόρνια και η δεύτερη αφορά τη φωτιά που ξεκίνησε στις 4 Δεκεμβρίου και εξαπλώθηκε κυρίως στη Ventura, στη Νότια Καλιφόρνια. Οι περιοχές μελέτης διαθέτουν τυπικό μεσογειακό κλίμα με ένα ευρύ φάσμα οικοσυστημάτων, συμπεριλαμβανομένων των ημίξηρων θαμνωδών εκτάσεων, των δασών που κυριαρχούνται από κωνοφόρα, των λιβαδιών, των καλλιεργειών και των υγροτόπων. Λόγω της αλλαγής του κλίματος, οι μεγάλες ξηρασίες και οι απρόβλεπτες βροχές σε συνδυασμό με τον άνεμο το χειμώνα κάνουν τα οικοσυστήματα της βλάστησης ευάλωτα στις πυρκαγιές. Οι περιοχές μελέτης, επίσης, είναι οι πιο πυκνοκατοικημένες περιοχές των ΗΠΑ, όπου προκαλούνται τακτικά πυρκαγιές και οι ανθρωπογενείς παράγοντες έχουν προκαλέσει μεγάλες αλλαγές σ’ αυτές. Οι πυρκαγιές στις περιοχές αυτές εμφανίζονται συνήθως στην ξηρή περίοδο από το Νοέμβριο έως τον Φεβρουάριο, ενώ ορισμένες δασικές πυρκαγιές εκδηλώνονται ακόμη και στις αρχές Οκτωβρίου ή τέλη Μαρτίου και Απριλίου.

'''Μεθοδολογία:''' Στην παρούσα μελέτη χρησιμοποιήθηκαν τα MCD14DL και VNP14IMGT για τον προσδιορισμό των πιθανών καμένων εκτάσεων, τα οποία αποτελούν θερμικά προϊόντα που προέρχονται από το σύστημα FIRMS, του LANCE της NASA. Μέσω του LANCE, διανέμονται σε σχεδόν πραγματικό χρόνο τα δεδομένα ενεργών εστιών φωτιάς, διάρκειας μέχρι 3 ωρών δορυφορικών παρατηρήσεων από το MODIS των αισθητήρων Terra, Aqua και το VIIRS του δορυφόρου Suomi NPP των NOAA και NASA. Για την παραγωγή αυτών των προϊόντων δημιουργήθηκε ένας αλγόριθμος βασισμένος στην ισχυρή εκπομπή της υπέρυθρης ακτινοβολίας από τις πυρκαγιές. Επιπλέον, ορίστηκε ένα επίπεδο εμπιστοσύνης για κάθε ενεργό σημείο πυρκαγιάς για τη διευκόλυνση του χρήστη. Το MCD14DL σε ανάλυση 1km προερχόμενο από το MODIS, και το VNP14IMGT σε ανάλυση 375m που βασίζεται στο VIIRS, χρησιμοποιήθηκαν σε μορφή σημειακού shapefile στο WGS84. Οι αισθητήρες Terra και Aqua MODIS παρατηρούν ολόκληρη την επιφάνεια της Γης 2 φορές την ημέρα και υπάρχουν τουλάχιστον τέσσερις καθημερινές παρατηρήσεις του MODIS κοντά στον ισημερινό, με τον αριθμό των υπερυψώσεων να αυξάνεται προς τους πόλους. O Suomi-NPP παρατηρεί, επίσης, τη γη 2 φορές την ημέρα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν όλα τα MCD14DL και VNP14IMGT δεδομένα από τον Οκτώβριο και το Δεκέμβριο και θεωρείται ότι, πραγματοποιούνται 6-8 παρατηρήσεις ανά ημέρα στην Καλιφόρνια, από τα MCD14DL και VNP14IMGT. Για την ακριβή παρακολούθηση των καμένων εκτάσεων από πυρκαγιές σε σχεδόν πραγματικό χρόνο, απαιτούνται πολλαπλές πηγές δορυφορικών εικόνων MSR και γι’ αυτό στη συγκεκριμένη μελέτη, συλλέχθηκαν όλες οι διαθέσιμες εικόνες MSR χωρίς σύννεφα από τον αισθητήρα AWiFS του δορυφόρου Resourcesat του Ινδικού Οργανισμού Διαστημικής Έρευνας (ISRO), του Landsat OLI και του Sentinel-2A/2B MSI. Η διαδικασία που ακολουθήθηκε παρουσιάζεται τμηματικά με πιο λεπτομερή και περιγραφικό τρόπο στην Εικόνα 1.

[[Εικόνα: NT5_e2.jpeg |thumb|right| '''Εικόνα 1.''' Εννοιολογική αναπαράσταση των βημάτων για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο χρησιμοποιώντας δορυφορικές εικόνες πολλαπλών πηγών.]]

Ο Landsat έχει τη δυνατότητα να παρέχει χωρική ανάλυση 30m σε παρατηρήσεις του ίδιου σημείου κάθε 16 ημέρες, ενώ ο δορυφόρος Resourcesat1 με χωρική ανάλυση 56m περνάει κάθε 5 ημέρες από το ίδιο σημείο. Έτσι, ενσωματώνοντας τις εικόνες Sentinel-2A/B του Landsat και τις αντίστοιχες δορυφορικές εικόνες του Resourcesat1, δίνεται μεγάλη δυνατότητα να μπορεί να παρακολουθείται η εξέλιξη των πυρκαγιών σε σχεδόν πραγματικό χρόνο, και σε διάστημα μικρότερο από 5 ημέρες, με χωρική ανάλυση καλύτερη των 56m. Η διάρκεια των δασικών πυρκαγιών, τα σύννεφα, το διάστημα επανεπίσκεψης του δορυφόρου στις περιοχές μελέτης και η ζώνη κάλυψης των δορυφορικών εικόνων, συνεπάγονται ότι οι πυρκαγιές στην Καλιφόρνια μπορούν να παρακολουθηθούν σε διάστημα 3 ημερών.

Για την παρούσα μελέτη, επιπλέον, χρησιμοποιήθηκε η Εθνική Βάση Δεδομένων Εδαφικής Κάλυψης (NLCD) του 2016, για την κάλυψη γης και την εξαγωγή των σημείων πυρκαγιάς που εμπίπτουν στην περιοχή που καλύπτεται από βλάστηση. Η NLCD του 2016 εκτείνεται σε χρονική κάλυψη 15 ετών (2001-2016) για την παροχή δεδομένων για την κάλυψη της γης και την αλλαγή των χρήσεων γης στη χωρική ανάλυση των 30m του Landsat Θεματικού Χάρτη.

Τα MCD14DL και VNP14IMGT συγχωνεύτηκαν σε υψηλότερη χρονική συχνότητα σε μία βάση δεδομένων για τον ακριβή και γρήγορο εντοπισμό πιθανών σημείων πυρκαγιάς. Όλες οι εικόνες Landsat διορθώθηκαν από εικόνες Επιπέδου 1 Τ. Οι εικόνες Επιπέδου 1 T του AWiFS που προέκυψαν, μετατράπηκαν σε εικόνες επιφανειακής ανάκλασης με ραδιομετρική διόρθωση χρησιμοποιώντας το ENVI FLAASH (ESRI 2009). Στη συνέχεια, οι εικόνες ανάκλασης της επιφάνειας του AWiFS, καταχωρήθηκαν στον Landsat OLI λαμβάνοντας υπόψη 30 σημεία επίγειου ελέγχου. Επιπλέον, η επιπέδου 1C- εικόνες ανάκλασης Sentinel-2A, μετατράπηκαν σε εικόνες ανάκλασης της επιφάνειας μέσω της διαδικασίας ατμοσφαιρικής διόρθωσης χρησιμοποιώντας το Sentinel to Correction (Sen2Cor). Τα κανάλια πράσινο, κόκκινο, NIR και SWIR των OLI, MSI και AWiFS είναι αρκετά κοντινά ως προς το φασματικό πλάτος και το κεντρικό μήκος κύματος και για να πραγματοποιηθεί εναρμόνιση της χωρικής ανάλυσης των εικόνων Sentinel-2A και 2B με τα κανάλια κόκκινο, NIR και SWIR σε ομοιόμορφη ανάλυση, έγινε εκ νέου δειγματοληψία εικόνων από αυτές τις ζώνες σε χωρική ανάλυση 20m χρησιμοποιώντας το λογισμικό SNAP.

Τα θερμικά MCD14DL και VNP14IMGT εντοπίζουν ποικίλα σημεία θερμικής ανωμαλίας, όπως πυρκαγιές, ηφαιστειακές εκρήξεις και εκπομπές εκλάμψεων από πηγάδια αερίου. Για να ληφθούν στην προκειμένη περίπτωση τα πραγματικά σημεία που έχουν προκληθεί πυρκαγιές, πρέπει να αφαιρεθούν τα άλλα είδη θερμικής ανωμαλίας. Σ’ αυτή τη μελέτη, χρησιμοποιήθηκαν αρχικά τα δεδομένα της NLCD ανάλυσης 30m του 2016, για τον εντοπισμό της θερμικής ανωμαλίας σε περιοχές με βλάστηση. Επιπλέον, λόγω της συγκέντρωσης της χωρικής έκτασης και της χρονικής κάλυψης καύσης της βιομάζας, τα χαρακτηριστικά της χρονικής και χωρικής συγκέντρωσης της καύσης, χρησιμοποιήθηκαν για να αφαιρεθούν και τα υπόλοιπα σημεία θερμικής ανωμαλίας. Στη συνέχεια εφαρμόστηκαν διαδικασίες στο συγχωνευμένο θερμικό προϊόν ανωμαλίας για τον εντοπισμό των πραγματικών σημείων πυρκαγιάς. Οι διαδικασίες που ακολουθήθηκαν ήταν οι εξής:
'''Α)''' Χωρικό φιλτράρισμα, καθώς οι πυρκαγιές εξελίσσονται με τον καιρό, τα σημεία κατανέμονται σε σχετικά μεγάλες χωρικές εκτάσεις. Έτσι, λήφθηκε υπόψη το χαρακτηριστικό της χωρικής συσσώρευσης των δασικών πυρκαγιών, ώστε να γίνει διαφοροποίηση των σημείων πυρκαγιάς από άλλα σημεία θερμικής ανωμαλίας χαμηλής χωρικής συσσώρευσης. Πιο συγκεκριμένα, δημιουργήθηκε ένα πλέγμα μήκους 1km για τη συγχώνευση των προϊόντων θερμικής ανωμαλίας και τη μέτρηση της χωρικής συσσώρευσης των σημείων θερμικής ανωμαλίας στο πλέγμα κάθε κελιού. Λαμβάνοντας υπόψη την ταχύτητα του ανέμου και τη σφοδρότητα της καύσης, εφαρμόστηκε συρόμενο παράθυρο 3km*3km για την καταμέτρηση του μέγιστου αριθμού σημείων θερμικής ανωμαλίας που εμπίπτουν στα χωρικά συρόμενα παράθυρα. Υπάρχουν δύο προϋποθέσεις για την αναγνώριση των πιθανοτήτων πυρκαγιάς, με βάση τη συγχώνευση των ημερήσιων προϊόντων θερμικής ανωμαλίας. Η μία είναι ότι τα θερμικά σημεία ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο, παρατηρήθηκαν τόσο πρωινές όσο και απογευματινές ώρες μίας ημέρας. Η διαδοχική χρονική κάλυψη αυτών των σημείων δείχνει ότι το πιο πιθανό είναι να πρόκειται για πραγματικά σημεία πυρκαγιάς, οπότε ο αριθμός των σημείων θερμικής ανωμαλίας που εμπίπτουν σε μία ολίσθηση παραθύρου, να είναι σχετικά μικρός. Η άλλη είναι ότι τα σημεία θερμικής ανωμαλίας που εμπίπτουν εντός του ολισθέντος παραθύρου παρατηρήθηκαν είτε το πρωί είτε το απόγευμα μίας ημέρας. Η μικρή διάρκεια αυτών των σημείων θερμικής διαφοροποίησης υποδηλώνει ότι είναι λιγότερο πιθανό να είναι πραγματικά σημεία πυρκαγιάς και για να αυξηθεί η αξιοπιστία των συγκεκριμένων σημείων ότι αφορούν όντως σημεία πυρκαγιάς, θεωρήθηκε ότι ο αριθμός των σημείων που εμπίπτουν σε ένα συρόμενο παράθυρο πρέπει να είναι σχετικά μεγαλύτερος (π.χ. ένα μεγάλο όριο n). Μόλις ο αριθμός των σημείων που εμπίπτουν στο συρόμενο παράθυρο είναι αρκετά μεγάλος, μπορούν να αναγνωριστούν ως πραγματικές υποψήφιες εστίες πυρκαγιάς και προκειμένου να μειωθεί το σφάλμα στον προσδιορισμό των πραγματικών εστιών πυρκαγιάς, τα κατώφλια ορίστηκαν όσο το δυνατόν χαμηλότερα και για τις δύο συνθήκες (δηλαδή n = 4 και n = 8). Ο τύπος που εφαρμόστηκε, είναι: Max{n1, n2, . . . . . . ; nm}≥4 ή Max {n, n2, . . . . . . , nm}≥8, όπου τα n1,n2, . . . . . ., nm αντιπροσωπεύουν τον αριθμό των σημείων θερμικής ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο. Εάν ο μέγιστος αριθμός θερμικών σημείων ανωμαλίας που περιέχονται στο συρόμενο παράθυρο πληρούν το κριτήριο, αυτά τα σημεία θερμικής ανωμαλίας διατηρήθηκαν ως υποψήφιες εστίες πυρκαγιάς για περαιτέρω δοκιμή.

'''Β)''' Χρονικό φιλτράρισμα, τα κατώφλια παρόλο που ρυθμίστηκαν όσο το δυνατόν χαμηλότερα στη διαδικασία χωρικού φιλτραρίσματος, οι θερμικές ανωμαλίες μικρής διάρκειας που εντοπίζονται με υψηλή χωρική συγκέντρωση μπορούν να ταξινομηθούν εσφαλμένα ως πραγματικές εστίες πυρκαγιάς. Έτσι, υιοθετήθηκε ένας τροποποιημένος δείκτης χρονικής συγκέντρωσης (TCI) για τον προσδιορισμό της χρονικής συνάθροισης των υποψήφιων σημείων πυρκαγιάς. Πιο συγκεκριμένα, ρυθμίστηκε ένα προσωρινό συρόμενο παράθυρο για μέτρηση των υποψήφιων σημείων πυρκαγιάς μέσα σ’ αυτό. Αν οι υποψήφιες εστίες πυρκαγιάς μέσα στο συρόμενο παράθυρο παρατηρήθηκαν τόσο το πρωί όσο και το απόγευμα μίας ημέρας, ο συντελεστής χρονικής συγκέντρωσης k ορίστηκε σε 0,1. Οι δείκτες βλάστησης (VIs) που ενσωματώνουν κανάλια SWIR, παρουσιάζουν ευαισθησία στις αλλαγές στην υγρασία των φύλλων και στη σκίαση, ενώ οι VIs που ενσωματώνουν κανάλια του NIR, είναι ευαίσθητοι σε αλλαγές στην υγεία των φυτών και στην πυκνότητα της φυλλωσιάς. Οι φασματικοί δείκτες που αναπτύχθηκαν από αυτά τα κανάλια είναι εφικτό να ανιχνεύσουν καμένες εκτάσεις. Για παράδειγμα, ο Δείκτης βλάστησης (NDVI) και οι διαφορετικές τιμές του NDVI έχουν δείξει μεγάλες δυνατότητες στην εκτίμηση της σφοδρότητας της πυρκαγιάς και πολλές μελέτες αποκαλύπτουν ότι τα NBR και dNBR είναι οι πιο αποτελεσματικοί φασματικοί δείκτες για τη χαρτογράφηση καμένων εκτάσεων μετά από πυρκαγιές. Συγκεκριμένα, το dNBR δεν είναι ευαίσθητο στην ατμοσφαιρική διάθλαση και μπορεί να ποσοτικοποιήσει τη χαμένη βλάστηση, την εναπόθεση άνθρακα και τη μείωση της υγρασίας και της σκιάς των φύλλων, που οδηγεί σε χαμηλότερες τιμές του NIR και υψηλότερες τιμές ανάκλασης του SWIR, σε σύγκριση με την υγιή βλάστηση.
Ο καπνός που εκπέμπεται κατά την ενεργό φάση των πυρκαγιών υποτίθεται ότι κάνει δυσδιάκριτη την επιφάνεια της γης και προκαλεί μεγάλη αβεβαιότητα στη χαρτογράφηση των καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Φασματικοί δείκτες όπως οι NIR, SWIR, NDVI και NBR, καθώς και οι διαφορικές τιμές αυτών των δεικτών, επιλέχθηκαν σε αυτή τη μελέτη για να ελέγξουν την ικανότητα των δεικτών στη διάκριση των καμένων εκτάσεων από τις μη καμένες, μετριάζοντας ωστόσο τις επιπτώσεις του καπνού. Ο καπνός που εκπέμπεται από τις πυρκαγιές, μπορεί να εμφανιστεί τόσο σε καμένες, όσο και σε παρακείμενες μη καμένες περιοχές.

Σύμφωνα με την ποσότητα του καπνού που εμφανίζεται εντός των καμένων ή εκτός των καμένων περιοχών, στη μελέτη ορίστηκαν πέντε σενάρια, τα οποία περιλαμβάνουν, καμένες περιοχές χωρίς την παρουσία καπνού (κόκκινες κουκκίδες στην Εικόνα 2), μη καμένα σημεία που καλύπτονται από βαρύ καπνό (HS1) (πορτοκαλί κουκκίδες στην Εικόνα 2), καμένες περιοχές που καλύπτονται από βαρύ καπνό (HS2) (πράσινες κουκκίδες στην Εικόνα 2), μη καμένες περιοχές που καλύπτονται από αραιό καπνό (TS1) (μπλε κουκκίδες μέσα Εικόνα 2), και καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) (κίτρινες κουκκίδες στην Εικόνα 2).

[[Εικόνα: NT5_e1.jpeg |thumb|right| '''Εικόνα 2.''' Το αριστερό πλαίσιο με σημεία εκπαίδευσης διαφορετικών χρωμάτων είναι η περιοχή μεγέθυνσης στο μαύρο ορθογώνιο του επάνω δεξιού χάρτη. Τα σημεία εκπαίδευσης για κάθε κατηγορία καμένης περιοχής, HS2, HS1, TS1 και TS2 αποδίδονται σε κόκκινο, πράσινο, πορτοκαλί, μπλε και κίτρινο χρώμα, αντίστοιχα.]]

Τα σημεία εκπαίδευσης για καθένα από αυτά τα σενάρια συλλέχθηκαν τυχαία με οπτική ερμηνεία και υπολογίστηκαν οι τιμές των επιλεγμένων δεικτών σε βαθμούς και στη μελέτη επιλέχθηκαν 30 σημεία εκπαίδευσης για κάθε σενάριο. Οι πιο αποτελεσματικοί φασματικοί δείκτες εντοπίστηκαν με ανάλυση των στατιστικών διαφορών των υποψήφιων φασματικών χαρακτηριστικών των προαναφερθέντων σεναρίων χρησιμοποιώντας τα θηκογράμματα των σημείων εκπαίδευσης. Οι εικόνες υψηλής χωρικής ανάλυσης από το Google Earth ερμηνεύτηκαν οπτικά για να επαληθευτεί ο τύπος κάλυψης γης (βλάστηση, υδάτινο σώμα, γυμνό έδαφος, ανεπτυγμένο και καμένο έδαφος) των σημείων εκπαίδευσης καθ’ όλη τη διάρκεια της περιόδου παρακολούθησης. Για τη διευκόλυνση δοκιμής και απεικόνισης της ικανότητας αυτών των δεικτών για τη διάκριση των καμένων εκτάσεων από άλλες περιοχές που επηρεάστηκαν από τον καπνό, προτού διεξαχθεί περαιτέρω ανάλυση, έγινε κανονικοποίηση των τιμών των επιλεγμένων φασματικών δεικτών στο διάστημα τιμών από −1,0 έως 1,0.
Μόλις προσδιορίστηκε η χωρική έκταση των σημείων που ξέσπασε η πυρκαγιά, δημιουργήθηκαν ζώνες προστασίας ακτίνας του 1km εντοπισμού της χωρικής εξάπλωσής τους. Έπειτα, η χωρική έκταση κατάληψης των σημείων πυρκαγιάς συγχωνεύτηκε με τις ζώνες προστασίας για να δημιουργηθούν οι ζώνες στόχευσης. Βάσει των χωρικών εκτάσεων των ζωνών στόχευσης, όλες οι διαθέσιμες εικόνες των Sentinel 2A/B, Landsat OLI και Resourcesat AWiFS συλλέχθηκαν την ίδια ημερομηνία. Ταυτόχρονα, συλλέχθηκαν όλες οι διαθέσιμες εικόνες πριν την πυρκαγιά και αφού επιλέχθηκαν οι περισσότερο ανθεκτικοί στον καπνό φασματικοί δείκτες, αναγνωρίστηκαν τα βέλτιστα κατώφλια αυτών των δεικτών για κάθε δορυφόρο, οι οποίοι μπορούν να υπολογιστούν για τις συλλεγόμενες εικόνες MSR. Οι καμένες εκτάσεις μπορούν να εξαχθούν άμεσα, ενώ εξελίσσονται οι πυρκαγιές και εάν οι εικόνες MSR είναι επαρκείς, η χωρική και χρονική επίδραση των πυρκαγιών μπορεί να παρακολουθείται καθημερινά, με την προτεινόμενη μέθοδο των δύο σταδίων.

'''Αποτελέσματα:''' Οι εστίες που ξέσπασε πυρκαγιά στη Βόρεια Καλιφόρνια έκαιγαν από τις 7 έως 19 Οκτωβρίου και από τις 29 έως 31 Οκτωβρίου και ήταν ευρέως διανεμημένα σε ολόκληρη την περιοχή μελέτης (Εικόνα 3). Μεταξύ αυτών, εννέα μεγάλες καμένες εκτάσεις βρίσκονταν στα βορειοδυτικά και στην άκρη της κεντρικής πεδιάδας της Καλιφόρνια, όπου οι τύποι κάλυψης γης σε αυτές τις καμένες περιοχές, ήταν κυρίως καλλιεργήσιμες εκτάσεις, δάση, ποώδη και θαμνώδη. Η χωρική κατανομή των σημείων πυρκαγιάς που εντοπίστηκαν στη Νότια Καλιφόρνια έκαιγε συνεχώς από τις 5 έως τις 25 Δεκεμβρίου. Σε αντίθεση με τις εξαπλωμένες εστίες πυρκαγιάς στη Βόρεια Καλιφόρνια, οι εστίες πυρκαγιάς στη Νότια Καλιφόρνια ήταν πιο χωρικά συγκεντρωμένες με τις κύριες εστίες πυρκαγιάς που βρίσκονταν στη Νοτιοδυτική Καλιφόρνια, να στοιχειοθετούν την πυρκαγιά «Thomas».

[[Εικόνα: NT5_e3.jpeg |thumb|left| '''Εικόνα 3.''' Η χωρική και χρονική κατανομή των σημείων πυρκαγιάς που ανιχνεύθηκαν στη (α) Βόρεια και (β) Νότια Καλιφόρνια. Έγινε εντοπισμός σημείων πυρκαγιάς σε διαφορετικές ημερομηνίες από 7 έως 31 Οκτωβρίου οι οποίες αποδίδονται με διαφορετικά χρώματα από σκούρο πράσινο έως κόκκινο. Οι εστίες πυρκαγιάς που δεν απεικονίζονται στους χάρτες (α ή β) αποδίδονται με κόκκινο χρώμα στους ένθετους χάρτες ολόκληρης της Καλιφόρνια που απεικονίζονται στην αριστερή πλευρά κάθε χάρτη.]]

Για να ελεγχθεί η ικανότητα των δεικτών στη διάκριση των καμένων από τις μη καμένες περιοχές και για να μετριαστούν οι επιπτώσεις του καπνού, προκύπτει ότι οι καμένες περιοχές χωρίς καπνό (BA), οι καμένες περιοχές που καλύπτονται από πυκνό καπνό (HS2) και οι καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) πρέπει να εντοπίζονται ξεχωριστά. Το κανάλι NIR μπορεί να εξάγει ξεχωριστά καμένες περιοχές χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα κανάλια SWIR1 και SWIR2 μπορούν να κάνουν διάκριση των καμένων που καλύπτονται από βαρύ καπνό, από τα καμένα που δεν καλύπτονται από καπνό και από άλλες περιοχές που καλύπτονται με καπνό, ενώ τα dNIR και dNBR μπορούν επίσης να διαχωρίσουν τα καμένα χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα dSWIR1 και dSWIR2 παρουσιάζουν επίσης μεγάλες δυνατότητες στη διάκριση των καμένων που καλύπτονται από βαρύ καπνό σε σχέση με τα καμένα χωρίς καπνό και άλλες περιοχές που σχετίζονται με τον καπνό, αλλά δεν μπορούν να διαχωρίσουν καλά τα καμένα που καλύπτονται από λεπτό καπνό (TS2) σε σχέση με άλλες περιπτώσεις. Χάρη στο κανάλι SWIR, οι καμένες περιοχές που καλύπτονται από λεπτό καπνό (TS2), μπορούν να εξαχθούν εν μέρει με τη χρήση dSWIR1. Για να κρατηθούν οι φασματικοί δείκτες των προς εξαγωγή καμένων εκτάσεων συνεπείς σε διαφορετικούς αισθητήρες και να βελτιωθεί η υπολογιστική απόδοση, επιλέχθηκαν τα dNBR και dSWIR1 για την εξαγωγή των καμένων από πυρκαγιές.

Ο προσδιορισμός των πιθανών βέλτιστων κατωφλιών για τις εικόνες των Sentinel-2A/B (Πίνακας 1) για την ακριβή αναγνώριση των καμένων εκτάσεων, είναι 0,42 και -0,2 για τα dNBR και dSWIR1 αντίστοιχα. Όταν η τιμή του dNBR είναι μεγαλύτερη από 0,42 και η τιμή του dSWIR1 είναι ταυτόχρονα μικρότερη από -0,2, τα καμένα μπορούν να εξαχθούν για εικόνες Sentinel-2A/B. Ωστόσο, αυτές οι τιμές μπορεί να μην είναι οι βέλτιστες. Έτσι, για να ληφθούν τα βέλτιστα κατώφλια, πραγματοποιήθηκε μία περαιτέρω δοκιμή για τα υποψήφια κατώφλια του βέλτιστου dNBR και του dSWIR1 για τις εικόνες Sentinel-2A/B. Όπως φαίνεται στον Πίνακα 1, οι βέλτιστες τιμές κατωφλίου για το υψηλότερο F-score ήταν 0.42 για το dNBR και -0.23 για το dSWIR1.

[[Εικόνα: NT5_p1.JPG |thumb|left| '''Πίνακας 1.''' Το F1-score για κάθε υποψήφιο σύνολο των τιμών κατωφλίου dNBR και dSWIR για τα 200 δείγματα (100 καμένα και 100 άκαυτα), της πυρκαγιάς «Thomas» που σημειώθηκε στις 5 Δεκεμβρίου με βάση την εικόνα Sentinel-2B. ]]

'''Συμπεράσματα:''' Στην παρούσα μελέτη προτείνεται μία μέθοδος δύο σταδίων που βασίζεται σε δεδομένα τηλεπισκόπησης πολλαπλών αισθητήρων για χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Οι αισθητήρες υψηλής χρονικής ανάλυσης της θερμικής ανωμαλίας, MODIS και VIIRS, χρησιμοποιήθηκαν αρχικά για τον εντοπισμό πυρκαγιών και πιθανών καμένων εκτάσεων. Έπειτα, αισθητήρες εικόνων MSR συμπεριλαμβανομένων των Sentinel-2A/2B, του Landsat OLI και του Resourcesat AWiFS χρησιμοποιήθηκαν για την εξαγωγή καμένων εκτάσεων με περισσότερη χωρική λεπτομέρεια σε σχεδόν πραγματικό χρόνο. Η προτεινόμενη μέθοδος εφαρμόστηκε στη Βόρεια και Νότια Καλιφόρνια όπου εκδηλώθηκαν πυρκαγιές το 2017. Τα αποτελέσματα έδειξαν ότι αυτή η μέθοδος ήταν ακριβής για τη χαρτογράφηση καμένων εκτάσεων σε ένα σύνολο ακρίβειας 0,84 και 0,85 για τη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η μέθοδος αυτή μπορεί να παρακολουθεί τα καμένα σε μέσο διάστημα 3,5 ημερών και καθυστέρηση 4 ημερών στη Νότια Καλιφόρνια και σε μέσο διάστημα 3 ημερών και καθυστέρηση λιγότερη της μίας ημέρας για τις πυρκαγιές στη Βόρεια Καλιφόρνια, αντίστοιχα. Ακόμη ξεπερνά τους περιορισμούς στη χαρτογράφηση καμένων με βάση μόνο μεμονωμένα δορυφορικά δεδομένα, που είναι οι αισθητήρες με σύντομες περιόδους επανεπίσκεψης σε ένα σημείο, οι οποίοι κιόλας αποτυγχάνουν να παρέχουν σαφή χωρική λεπτομέρεια για τις πυρκαγιές, ενώ οι αισθητήρες μέσης ανάλυσης δεν επαρκούν για τον έγκαιρο εντοπισμό των δασικών πυρκαγιών που μπορεί να συμβαίνουν ανά πάσα στιγμή σε οποιοδήποτε μέρος στον κόσμο. Οι δυο ομάδες αισθητήρων δεν μπορούν να αναγνωρίσουν έγκαιρα τις πυρκαγιές, αλλά χαρτογραφούν με ακρίβεια ό,τι καίνε αυτές. Η μέθοδος δύο σταδίων μπορεί να θεωρηθεί κρίσιμη για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο με το συνδυασμό δεδομένων τηλεπισκόπησης από πολλαπλές υψηλές χρονικές συχνότητες και όλους τους δωρεάν MSR αισθητήρες. Με όλο και περισσότερα δορυφορικά δεδομένα MSR και HSR ελεύθερα στο κοινό, ο συνδυασμός τους για την κατασκευή τακτικών χρονικών σειρών και την ανίχνευση ποικίλων αλλαγών σε πραγματικό χρόνο της επιφάνειας της γης σε περιφερειακές αλλά και πιο παγκόσμιες κλίμακες, γίνεται πιο εύκολα από πριν. Παρόλο που η προτεινόμενη μέθοδος των δύο σταδίων παρέχει έναν αποτελεσματικό τρόπο για τη συνεχή παρακολούθηση των καμένων σε σχεδόν πραγματικό χρόνο, η απόδοση αυτής της μεθόδου θα μπορούσε να βελτιωθεί με την ενσωμάτωση των πληροφοριών των καμένων στην ανίχνευση των εν λόγω εκτάσεων. Επιπλέον, είναι πολύτιμο να υλοποιηθεί η προτεινόμενη μέθοδος χαρτογράφησης των καμένων εκτάσεων για μία πλατφόρμα πλανητικής κλίμακας, όπως το Google Earth Engine (GEE) για την πιο αποτελεσματική χαρτογράφηση σε σχεδόν πραγματικό χρόνο των καμένων εκτάσεων.

[[category:Δασικές Πυρκαγιές]]

Χαρτογράφηση Καμένων Εκτάσεων σε Σχεδόν Πραγματικό Χρόνο με Συνδυασμό Πολλαπλών Δεδομένων Τηλεπισκόπησης

2023-02-08T19:13:27Z

Natalia tsigarda: Νέα σελίδα με ''''Αντικείμενο εφαρμογής:''' Χαρτογράφηση καμένων εκτάσεων '''Πρωτότυπος τίτλος:''' Near real-time mapping ...'

'''Αντικείμενο εφαρμογής:''' Χαρτογράφηση καμένων εκτάσεων

'''Πρωτότυπος τίτλος:''' Near real-time mapping of burned area by synergizing multiple satellites remote-sensing data

'''Συγγραφείς:''' Lipeng Jiao & Yanchen Bo

'''Πηγή:''' Lipeng Jiao & Yanchen Bo (2022) Near real-time mapping of burned area
by synergizing multiple satellites remote-sensing data, GIScience & Remote Sensing, 59:1, 1956-1977, DOI: 10.1080/15481603.2022.2143690 https://doi.org/10.1080/15481603.2022.2143690 [https://www.tandfonline.com/doi/full/10.1080/15481603.2022.2143690]

'''Περίληψη:''' Οι πυρκαγιές έχουν σημαντικές επιπτώσεις στις ανθρώπινες ζωές, στις υποδομές και στα οικοσυστήματα. Η ακριβής και έγκαιρη πληροφόρηση ότι μία περιοχή έχει πληγεί από πυρκαγιά, έχει μεγάλη σημασία για την καλύτερη κατανόηση των μοτίβων των δασικών πυρκαγιών, καθώς και τη συνάφειά τους με τους βιογεωχημικούς κύκλους, το κλίμα, την ποιότητα του αέρα και τη διαχείριση των πυρκαγιών. Γενικά σε μελέτες, έχουν χρησιμοποιηθεί μεμονωμένα δορυφορικά δεδομένα για την ανίχνευση των χαρακτηριστικών των πυρκαγιών, χαρτογραφώντας αναδρομικά τις καμένες εκτάσεις σε μία ποικιλία χωρικών αναλύσεων. Ωστόσο, λόγω της αντιστάθμισης μεταξύ χωρικών και χρονικών αναλύσεων, τα δορυφορικά δεδομένα δεν επαρκούν για να στοιχειοθετήσουν τη σημασία των καμένων εκτάσεων σε υψηλού επιπέδου αναλύσεις τόσο χωρικά όσο και χρονικά. Έτσι, στην παρούσα μελέτη αναπτύχθηκε μία μέθοδος αντιστοίχισης των καμένων εκτάσεων δύο σταδίων σε σχεδόν πραγματικό χρόνο, που εκμεταλλεύεται την υψηλή χρονική συχνότητα των αισθητήρων χονδροειδούς ανάλυσης, και την καλή ανάλυση αισθητήρων μέσης χωρικής ανάλυσης στη χαρτογράφηση των καμένων εκτάσεων. Οι αισθητήρες υψηλής χρονικής συχνότητας, MODIS και VIIRS, είναι αυτοί που χρησιμοποιήθηκαν για τον εντοπισμό των πυρκαγιών και πιθανών καμένων εκτάσεων. Στη συνέχεια, χρησιμοποιήθηκαν αισθητήρες μέσης χωρικής ανάλυσης (MSR), όπως οι Sentinel-2A/2B, Landsat OLI και Resourcesat AWiFS για εξαγωγή των καμένων εκτάσεων με περισσότερες χωρικές λεπτομέρειες σε σχεδόν πραγματικό χρόνο. Η διαδικασία εφαρμόστηκε στην Καλιφόρνια των ΗΠΑ, όπου εκδηλώθηκαν πυρκαγιές σε βόρεια και νότια τμήματα της πολιτείας το 2017 και τα αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος είναι πολλά υποσχόμενη για τη χαρτογράφηση των καμένων εκτάσεων με συνολική ακρίβεια 0,84 και 0,85 στη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η προτεινόμενη μέθοδος βελτίωσε σημαντικά τη συχνότητα και μείωσε την καθυστέρηση καταγραφής, με μέσο διάστημα συχνότητας 3,5 ημέρες και καθυστέρησης μεταφοράς 4 ημέρες για τη χαρτογράφηση πυρκαγιών στην Καλιφόρνια. Εν τέλει, οι εξαγόμενες καμένες εκτάσεις απεικονίστηκαν με ακριβείς χωρικές λεπτομέρειες και η μέθοδος που εφαρμόστηκε στην παρούσα εργασία μπορεί να χρησιμοποιήσει παρατηρήσεις τηλεπισκόπησης διαφορετικών πηγών για να χαρτογραφήσει με ακρίβεια τις ενεργές πυρκαγιές σε σχεδόν πραγματικό χρόνο, το πιο σημαντικό, όμως, είναι ότι μπορεί να εφαρμοστεί και σε άλλες γεωγραφικές περιοχές όπου εκδηλώνονται πυρκαγιές.

'''Λέξεις κλειδιά:''' Φωτιά, καμένη έκταση, σχεδόν πραγματικός χρόνος, υψηλή χωροχρονική ανάλυση, δορυφορικές εικόνες πολλαπλών πηγών

'''Εισαγωγή:''' Τις τελευταίες δεκαετίες, οι ακραίες καιρικές συνθήκες και τα κλιματολογικά φαινόμενα, όπως η πολλή ζέστη και η ξηρασία, έχουν προκαλέσει γεγονότα πυρκαγιών παγκοσμίως. Οι φυσικές και ανθρωπογενείς διεργασίες, επίσης, προκαλούν πυρκαγιές σε διάφορα μέρη, ειδικά στον Καναδά, την Αυστραλία, τη Βραζιλία και τις ΗΠΑ. Η ποσοτικοποίηση της καμένης περιοχής σε υψηλή χωροχρονική ανάλυση είναι μεγάλης σημασίας για την κατανόηση των επιπτώσεων των γεγονότων των δασικών πυρκαγιών στο οικολογικό περιβάλλον και στη δυνατότητα της έγκαιρης απόκρισης και εκκένωσης σε καταστάσεις έκτακτης ανάγκης.

Τα δορυφορικά δεδομένα παρέχουν συνεπείς και περιοδικές παρατηρήσεις, οι οποίες είναι κρίσιμες για την ανίχνευση και την παρακολούθηση πυρκαγιών σε κλίμακες περιφερειακού και παγκόσμιου επιπέδου. Σε αρχικό στάδιο της παρακολούθησης της πυρκαγιάς, χρησιμοποιήθηκαν κυρίως δορυφορικά δεδομένα από αισθητήρες χονδρικής χωρικής ανάλυσης, όπως ο AVHRR, ο Along Track Scanning Radiometer (ATSR), ο VEGETATION, ο MODIS, και γεωστατικοί δορυφόροι όπως ο Γεωστατικός Επιχειρησιακός Περιβαλλοντικός Δορυφόρος (GOES) και ο Meteosat, για την ανάλυση των αποτελεσμάτων φωτιάς σε μεγάλες περιοχές. Οι δείκτες ευαισθησίας στη βλάστηση αναπτύχθηκαν με βάση την αντίθεση μεταξύ καμένων και άκαυτων επιφανειών στο ορατό (0,4-0,7μm), στο εγγύς υπέρυθρο (0,7-1,5μm) και στο μεσαίο υπέρυθρο (1,5-4μm), στα τμήματα του ηλεκτρομαγνητικού φάσματος για χαρτογράφηση καμένων περιοχών. Υπάρχουν θερμικά προϊόντα ανίχνευσης της καμένης έκτασης που βασίζονται σε δεδομένα τηλεπισκόπησης χονδρικής χωρικής ανάλυσης. Τα προϊόντα παγκόσμιας θερμικής ανωμαλίας MODIS MCD14DL και VIRSS VNP14IMGT (FIRMS), παρέχουν γεωγραφικές τοποθεσίες πυρκαγιών κάθε 3 ώρες στις αναλύσεις 500m και 375m, αντίστοιχα. Η χρονική σειρά του Κανονικοποιημένου Δείκτη Καύσης (NBR) Landsat και ο διαφοροποιημένος Κανονικοποιημένος Δείκτης Καύσης (dNBR) Landsat, χρησιμοποιήθηκαν για την ανίχνευση των πυρκαγιών σε δασικά οικοσυστήματα του Καναδά. Οι εικόνες Sentinel-2 χρησιμοποιήθηκαν για τη χαρτογράφηση των καμένων εκτάσεων για ολόκληρη την Υποσαχάρια Αφρική, την Καλιφόρνια, τις ΗΠΑ και την Αυστραλία.

'''Περιοχή Μελέτης:''' Οι περιοχές μελέτης βρίσκονται στην Καλιφόρνια, όπου εκδηλώνονται συχνά πυρκαγιές τις τελευταίες δεκαετίες. Το 2017 σημειώθηκαν δύο σοβαρές πυρκαγιάς στις περιοχές μελέτης. Η μία περίπτωση αφορά τη φωτιά που ξέσπασε στις 8 Οκτωβρίου στη Βόρεια Καλιφόρνια και η δεύτερη αφορά τη φωτιά που ξεκίνησε στις 4 Δεκεμβρίου και εξαπλώθηκε κυρίως στη Ventura, στη Νότια Καλιφόρνια. Οι περιοχές μελέτης διαθέτουν τυπικό μεσογειακό κλίμα με ένα ευρύ φάσμα οικοσυστημάτων, συμπεριλαμβανομένων των ημίξηρων θαμνωδών εκτάσεων, των δασών που κυριαρχούνται από κωνοφόρα, των λιβαδιών, των καλλιεργειών και των υγροτόπων. Λόγω της αλλαγής του κλίματος, οι μεγάλες ξηρασίες και οι απρόβλεπτες βροχές σε συνδυασμό με τον άνεμο το χειμώνα κάνουν τα οικοσυστήματα της βλάστησης ευάλωτα στις πυρκαγιές. Οι περιοχές μελέτης, επίσης, είναι οι πιο πυκνοκατοικημένες περιοχές των ΗΠΑ, όπου προκαλούνται τακτικά πυρκαγιές και οι ανθρωπογενείς παράγοντες έχουν προκαλέσει μεγάλες αλλαγές σ’ αυτές. Οι πυρκαγιές στις περιοχές αυτές εμφανίζονται συνήθως στην ξηρή περίοδο από το Νοέμβριο έως τον Φεβρουάριο, ενώ ορισμένες δασικές πυρκαγιές εκδηλώνονται ακόμη και στις αρχές Οκτωβρίου ή τέλη Μαρτίου και Απριλίου.

'''Μεθοδολογία:''' Στην παρούσα μελέτη χρησιμοποιήθηκαν τα MCD14DL και VNP14IMGT για τον προσδιορισμό των πιθανών καμένων εκτάσεων, τα οποία αποτελούν θερμικά προϊόντα που προέρχονται από το σύστημα FIRMS, του LANCE της NASA. Μέσω του LANCE, διανέμονται σε σχεδόν πραγματικό χρόνο τα δεδομένα ενεργών εστιών φωτιάς, διάρκειας μέχρι 3 ωρών δορυφορικών παρατηρήσεων από το MODIS των αισθητήρων Terra, Aqua και το VIIRS του δορυφόρου Suomi NPP των NOAA και NASA. Για την παραγωγή αυτών των προϊόντων δημιουργήθηκε ένας αλγόριθμος βασισμένος στην ισχυρή εκπομπή της υπέρυθρης ακτινοβολίας από τις πυρκαγιές. Επιπλέον, ορίστηκε ένα επίπεδο εμπιστοσύνης για κάθε ενεργό σημείο πυρκαγιάς για τη διευκόλυνση του χρήστη. Το MCD14DL σε ανάλυση 1km προερχόμενο από το MODIS, και το VNP14IMGT σε ανάλυση 375m που βασίζεται στο VIIRS, χρησιμοποιήθηκαν σε μορφή σημειακού shapefile στο WGS84. Οι αισθητήρες Terra και Aqua MODIS παρατηρούν ολόκληρη την επιφάνεια της Γης 2 φορές την ημέρα και υπάρχουν τουλάχιστον τέσσερις καθημερινές παρατηρήσεις του MODIS κοντά στον ισημερινό, με τον αριθμό των υπερυψώσεων να αυξάνεται προς τους πόλους. O Suomi-NPP παρατηρεί, επίσης, τη γη 2 φορές την ημέρα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν όλα τα MCD14DL και VNP14IMGT δεδομένα από τον Οκτώβριο και το Δεκέμβριο και θεωρείται ότι, πραγματοποιούνται 6-8 παρατηρήσεις ανά ημέρα στην Καλιφόρνια, από τα MCD14DL και VNP14IMGT. Για την ακριβή παρακολούθηση των καμένων εκτάσεων από πυρκαγιές σε σχεδόν πραγματικό χρόνο, απαιτούνται πολλαπλές πηγές δορυφορικών εικόνων MSR και γι’ αυτό στη συγκεκριμένη μελέτη, συλλέχθηκαν όλες οι διαθέσιμες εικόνες MSR χωρίς σύννεφα από τον αισθητήρα AWiFS του δορυφόρου Resourcesat του Ινδικού Οργανισμού Διαστημικής Έρευνας (ISRO), του Landsat OLI και του Sentinel-2A/2B MSI. Η διαδικασία που ακολουθήθηκε παρουσιάζεται τμηματικά με πιο λεπτομερή και περιγραφικό τρόπο στην Εικόνα 1.

[[Εικόνα: NT5_e2.jpeg |thumb|right| '''Εικόνα 1.''' Εννοιολογική αναπαράσταση των βημάτων για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο χρησιμοποιώντας δορυφορικές εικόνες πολλαπλών πηγών.]]

Ο Landsat έχει τη δυνατότητα να παρέχει χωρική ανάλυση 30m σε παρατηρήσεις του ίδιου σημείου κάθε 16 ημέρες, ενώ ο δορυφόρος Resourcesat1 με χωρική ανάλυση 56m περνάει κάθε 5 ημέρες από το ίδιο σημείο. Έτσι, ενσωματώνοντας τις εικόνες Sentinel-2A/B του Landsat και τις αντίστοιχες δορυφορικές εικόνες του Resourcesat1, δίνεται μεγάλη δυνατότητα να μπορεί να παρακολουθείται η εξέλιξη των πυρκαγιών σε σχεδόν πραγματικό χρόνο, και σε διάστημα μικρότερο από 5 ημέρες, με χωρική ανάλυση καλύτερη των 56m. Η διάρκεια των δασικών πυρκαγιών, τα σύννεφα, το διάστημα επανεπίσκεψης του δορυφόρου στις περιοχές μελέτης και η ζώνη κάλυψης των δορυφορικών εικόνων, συνεπάγονται ότι οι πυρκαγιές στην Καλιφόρνια μπορούν να παρακολουθηθούν σε διάστημα 3 ημερών.

Για την παρούσα μελέτη, επιπλέον, χρησιμοποιήθηκε η Εθνική Βάση Δεδομένων Εδαφικής Κάλυψης (NLCD) του 2016, για την κάλυψη γης και την εξαγωγή των σημείων πυρκαγιάς που εμπίπτουν στην περιοχή που καλύπτεται από βλάστηση. Η NLCD του 2016 εκτείνεται σε χρονική κάλυψη 15 ετών (2001-2016) για την παροχή δεδομένων για την κάλυψη της γης και την αλλαγή των χρήσεων γης στη χωρική ανάλυση των 30m του Landsat Θεματικού Χάρτη.

Τα MCD14DL και VNP14IMGT συγχωνεύτηκαν σε υψηλότερη χρονική συχνότητα σε μία βάση δεδομένων για τον ακριβή και γρήγορο εντοπισμό πιθανών σημείων πυρκαγιάς. Όλες οι εικόνες Landsat διορθώθηκαν από εικόνες Επιπέδου 1 Τ. Οι εικόνες Επιπέδου 1 T του AWiFS που προέκυψαν, μετατράπηκαν σε εικόνες επιφανειακής ανάκλασης με ραδιομετρική διόρθωση χρησιμοποιώντας το ENVI FLAASH (ESRI 2009). Στη συνέχεια, οι εικόνες ανάκλασης της επιφάνειας του AWiFS, καταχωρήθηκαν στον Landsat OLI λαμβάνοντας υπόψη 30 σημεία επίγειου ελέγχου. Επιπλέον, η επιπέδου 1C- εικόνες ανάκλασης Sentinel-2A, μετατράπηκαν σε εικόνες ανάκλασης της επιφάνειας μέσω της διαδικασίας ατμοσφαιρικής διόρθωσης χρησιμοποιώντας το Sentinel to Correction (Sen2Cor). Τα κανάλια πράσινο, κόκκινο, NIR και SWIR των OLI, MSI και AWiFS είναι αρκετά κοντινά ως προς το φασματικό πλάτος και το κεντρικό μήκος κύματος και για να πραγματοποιηθεί εναρμόνιση της χωρικής ανάλυσης των εικόνων Sentinel-2A και 2B με τα κανάλια κόκκινο, NIR και SWIR σε ομοιόμορφη ανάλυση, έγινε εκ νέου δειγματοληψία εικόνων από αυτές τις ζώνες σε χωρική ανάλυση 20m χρησιμοποιώντας το λογισμικό SNAP.

Τα θερμικά MCD14DL και VNP14IMGT εντοπίζουν ποικίλα σημεία θερμικής ανωμαλίας, όπως πυρκαγιές, ηφαιστειακές εκρήξεις και εκπομπές εκλάμψεων από πηγάδια αερίου. Για να ληφθούν στην προκειμένη περίπτωση τα πραγματικά σημεία που έχουν προκληθεί πυρκαγιές, πρέπει να αφαιρεθούν τα άλλα είδη θερμικής ανωμαλίας. Σ’ αυτή τη μελέτη, χρησιμοποιήθηκαν αρχικά τα δεδομένα της NLCD ανάλυσης 30m του 2016, για τον εντοπισμό της θερμικής ανωμαλίας σε περιοχές με βλάστηση. Επιπλέον, λόγω της συγκέντρωσης της χωρικής έκτασης και της χρονικής κάλυψης καύσης της βιομάζας, τα χαρακτηριστικά της χρονικής και χωρικής συγκέντρωσης της καύσης, χρησιμοποιήθηκαν για να αφαιρεθούν και τα υπόλοιπα σημεία θερμικής ανωμαλίας. Στη συνέχεια εφαρμόστηκαν διαδικασίες στο συγχωνευμένο θερμικό προϊόν ανωμαλίας για τον εντοπισμό των πραγματικών σημείων πυρκαγιάς. Οι διαδικασίες που ακολουθήθηκαν ήταν οι εξής:
'''Α)''' Χωρικό φιλτράρισμα, καθώς οι πυρκαγιές εξελίσσονται με τον καιρό, τα σημεία κατανέμονται σε σχετικά μεγάλες χωρικές εκτάσεις. Έτσι, λήφθηκε υπόψη το χαρακτηριστικό της χωρικής συσσώρευσης των δασικών πυρκαγιών, ώστε να γίνει διαφοροποίηση των σημείων πυρκαγιάς από άλλα σημεία θερμικής ανωμαλίας χαμηλής χωρικής συσσώρευσης. Πιο συγκεκριμένα, δημιουργήθηκε ένα πλέγμα μήκους 1km για τη συγχώνευση των προϊόντων θερμικής ανωμαλίας και τη μέτρηση της χωρικής συσσώρευσης των σημείων θερμικής ανωμαλίας στο πλέγμα κάθε κελιού. Λαμβάνοντας υπόψη την ταχύτητα του ανέμου και τη σφοδρότητα της καύσης, εφαρμόστηκε συρόμενο παράθυρο 3km*3km για την καταμέτρηση του μέγιστου αριθμού σημείων θερμικής ανωμαλίας που εμπίπτουν στα χωρικά συρόμενα παράθυρα. Υπάρχουν δύο προϋποθέσεις για την αναγνώριση των πιθανοτήτων πυρκαγιάς, με βάση τη συγχώνευση των ημερήσιων προϊόντων θερμικής ανωμαλίας. Η μία είναι ότι τα θερμικά σημεία ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο, παρατηρήθηκαν τόσο πρωινές όσο και απογευματινές ώρες μίας ημέρας. Η διαδοχική χρονική κάλυψη αυτών των σημείων δείχνει ότι το πιο πιθανό είναι να πρόκειται για πραγματικά σημεία πυρκαγιάς, οπότε ο αριθμός των σημείων θερμικής ανωμαλίας που εμπίπτουν σε μία ολίσθηση παραθύρου, να είναι σχετικά μικρός. Η άλλη είναι ότι τα σημεία θερμικής ανωμαλίας που εμπίπτουν εντός του ολισθέντος παραθύρου παρατηρήθηκαν είτε το πρωί είτε το απόγευμα μίας ημέρας. Η μικρή διάρκεια αυτών των σημείων θερμικής διαφοροποίησης υποδηλώνει ότι είναι λιγότερο πιθανό να είναι πραγματικά σημεία πυρκαγιάς και για να αυξηθεί η αξιοπιστία των συγκεκριμένων σημείων ότι αφορούν όντως σημεία πυρκαγιάς, θεωρήθηκε ότι ο αριθμός των σημείων που εμπίπτουν σε ένα συρόμενο παράθυρο πρέπει να είναι σχετικά μεγαλύτερος (π.χ. ένα μεγάλο όριο n). Μόλις ο αριθμός των σημείων που εμπίπτουν στο συρόμενο παράθυρο είναι αρκετά μεγάλος, μπορούν να αναγνωριστούν ως πραγματικές υποψήφιες εστίες πυρκαγιάς και προκειμένου να μειωθεί το σφάλμα στον προσδιορισμό των πραγματικών εστιών πυρκαγιάς, τα κατώφλια ορίστηκαν όσο το δυνατόν χαμηλότερα και για τις δύο συνθήκες (δηλαδή n = 4 και n = 8). Ο τύπος που εφαρμόστηκε, είναι: Max{n1, n2, . . . . . . ; nm}≥4 ή Max {n, n2, . . . . . . , nm}≥8, όπου τα n1,n2, . . . . . ., nm αντιπροσωπεύουν τον αριθμό των σημείων θερμικής ανωμαλίας που εμπίπτουν στο συρόμενο παράθυρο. Εάν ο μέγιστος αριθμός θερμικών σημείων ανωμαλίας που περιέχονται στο συρόμενο παράθυρο πληρούν το κριτήριο, αυτά τα σημεία θερμικής ανωμαλίας διατηρήθηκαν ως υποψήφιες εστίες πυρκαγιάς για περαιτέρω δοκιμή.

'''Β)''' Χρονικό φιλτράρισμα, τα κατώφλια παρόλο που ρυθμίστηκαν όσο το δυνατόν χαμηλότερα στη διαδικασία χωρικού φιλτραρίσματος, οι θερμικές ανωμαλίες μικρής διάρκειας που εντοπίζονται με υψηλή χωρική συγκέντρωση μπορούν να ταξινομηθούν εσφαλμένα ως πραγματικές εστίες πυρκαγιάς. Έτσι, υιοθετήθηκε ένας τροποποιημένος δείκτης χρονικής συγκέντρωσης (TCI) για τον προσδιορισμό της χρονικής συνάθροισης των υποψήφιων σημείων πυρκαγιάς. Πιο συγκεκριμένα, ρυθμίστηκε ένα προσωρινό συρόμενο παράθυρο για μέτρηση των υποψήφιων σημείων πυρκαγιάς μέσα σ’ αυτό. Αν οι υποψήφιες εστίες πυρκαγιάς μέσα στο συρόμενο παράθυρο παρατηρήθηκαν τόσο το πρωί όσο και το απόγευμα μίας ημέρας, ο συντελεστής χρονικής συγκέντρωσης k ορίστηκε σε 0,1. Οι δείκτες βλάστησης (VIs) που ενσωματώνουν κανάλια SWIR, παρουσιάζουν ευαισθησία στις αλλαγές στην υγρασία των φύλλων και στη σκίαση, ενώ οι VIs που ενσωματώνουν κανάλια του NIR, είναι ευαίσθητοι σε αλλαγές στην υγεία των φυτών και στην πυκνότητα της φυλλωσιάς. Οι φασματικοί δείκτες που αναπτύχθηκαν από αυτά τα κανάλια είναι εφικτό να ανιχνεύσουν καμένες εκτάσεις. Για παράδειγμα, ο Δείκτης βλάστησης (NDVI) και οι διαφορετικές τιμές του NDVI έχουν δείξει μεγάλες δυνατότητες στην εκτίμηση της σφοδρότητας της πυρκαγιάς και πολλές μελέτες αποκαλύπτουν ότι τα NBR και dNBR είναι οι πιο αποτελεσματικοί φασματικοί δείκτες για τη χαρτογράφηση καμένων εκτάσεων μετά από πυρκαγιές. Συγκεκριμένα, το dNBR δεν είναι ευαίσθητο στην ατμοσφαιρική διάθλαση και μπορεί να ποσοτικοποιήσει τη χαμένη βλάστηση, την εναπόθεση άνθρακα και τη μείωση της υγρασίας και της σκιάς των φύλλων, που οδηγεί σε χαμηλότερες τιμές του NIR και υψηλότερες τιμές ανάκλασης του SWIR, σε σύγκριση με την υγιή βλάστηση.
Ο καπνός που εκπέμπεται κατά την ενεργό φάση των πυρκαγιών υποτίθεται ότι κάνει δυσδιάκριτη την επιφάνεια της γης και προκαλεί μεγάλη αβεβαιότητα στη χαρτογράφηση των καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Φασματικοί δείκτες όπως οι NIR, SWIR, NDVI και NBR, καθώς και οι διαφορικές τιμές αυτών των δεικτών, επιλέχθηκαν σε αυτή τη μελέτη για να ελέγξουν την ικανότητα των δεικτών στη διάκριση των καμένων εκτάσεων από τις μη καμένες, μετριάζοντας ωστόσο τις επιπτώσεις του καπνού. Ο καπνός που εκπέμπεται από τις πυρκαγιές, μπορεί να εμφανιστεί τόσο σε καμένες, όσο και σε παρακείμενες μη καμένες περιοχές.

Σύμφωνα με την ποσότητα του καπνού που εμφανίζεται εντός των καμένων ή εκτός των καμένων περιοχών, στη μελέτη ορίστηκαν πέντε σενάρια, τα οποία περιλαμβάνουν, καμένες περιοχές χωρίς την παρουσία καπνού (κόκκινες κουκκίδες στην Εικόνα 2), μη καμένα σημεία που καλύπτονται από βαρύ καπνό (HS1) (πορτοκαλί κουκκίδες στην Εικόνα 2), καμένες περιοχές που καλύπτονται από βαρύ καπνό (HS2) (πράσινες κουκκίδες στην Εικόνα 2), μη καμένες περιοχές που καλύπτονται από αραιό καπνό (TS1) (μπλε κουκκίδες μέσα Εικόνα 2), και καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) (κίτρινες κουκκίδες στην Εικόνα 2).

[[Εικόνα: NT5_e1.jpeg |thumb|right| '''Εικόνα 2.''' Το αριστερό πλαίσιο με σημεία εκπαίδευσης διαφορετικών χρωμάτων είναι η περιοχή μεγέθυνσης στο μαύρο ορθογώνιο του επάνω δεξιού χάρτη. Τα σημεία εκπαίδευσης για κάθε κατηγορία καμένης περιοχής, HS2, HS1, TS1 και TS2 αποδίδονται σε κόκκινο, πράσινο, πορτοκαλί, μπλε και κίτρινο χρώμα, αντίστοιχα.]]

Τα σημεία εκπαίδευσης για καθένα από αυτά τα σενάρια συλλέχθηκαν τυχαία με οπτική ερμηνεία και υπολογίστηκαν οι τιμές των επιλεγμένων δεικτών σε βαθμούς και στη μελέτη επιλέχθηκαν 30 σημεία εκπαίδευσης για κάθε σενάριο. Οι πιο αποτελεσματικοί φασματικοί δείκτες εντοπίστηκαν με ανάλυση των στατιστικών διαφορών των υποψήφιων φασματικών χαρακτηριστικών των προαναφερθέντων σεναρίων χρησιμοποιώντας τα θηκογράμματα των σημείων εκπαίδευσης. Οι εικόνες υψηλής χωρικής ανάλυσης από το Google Earth ερμηνεύτηκαν οπτικά για να επαληθευτεί ο τύπος κάλυψης γης (βλάστηση, υδάτινο σώμα, γυμνό έδαφος, ανεπτυγμένο και καμένο έδαφος) των σημείων εκπαίδευσης καθ’ όλη τη διάρκεια της περιόδου παρακολούθησης. Για τη διευκόλυνση δοκιμής και απεικόνισης της ικανότητας αυτών των δεικτών για τη διάκριση των καμένων εκτάσεων από άλλες περιοχές που επηρεάστηκαν από τον καπνό, προτού διεξαχθεί περαιτέρω ανάλυση, έγινε κανονικοποίηση των τιμών των επιλεγμένων φασματικών δεικτών στο διάστημα τιμών από −1,0 έως 1,0.
Μόλις προσδιορίστηκε η χωρική έκταση των σημείων που ξέσπασε η πυρκαγιά, δημιουργήθηκαν ζώνες προστασίας ακτίνας του 1km εντοπισμού της χωρικής εξάπλωσής τους. Έπειτα, η χωρική έκταση κατάληψης των σημείων πυρκαγιάς συγχωνεύτηκε με τις ζώνες προστασίας για να δημιουργηθούν οι ζώνες στόχευσης. Βάσει των χωρικών εκτάσεων των ζωνών στόχευσης, όλες οι διαθέσιμες εικόνες των Sentinel 2A/B, Landsat OLI και Resourcesat AWiFS συλλέχθηκαν την ίδια ημερομηνία. Ταυτόχρονα, συλλέχθηκαν όλες οι διαθέσιμες εικόνες πριν την πυρκαγιά και αφού επιλέχθηκαν οι περισσότερο ανθεκτικοί στον καπνό φασματικοί δείκτες, αναγνωρίστηκαν τα βέλτιστα κατώφλια αυτών των δεικτών για κάθε δορυφόρο, οι οποίοι μπορούν να υπολογιστούν για τις συλλεγόμενες εικόνες MSR. Οι καμένες εκτάσεις μπορούν να εξαχθούν άμεσα, ενώ εξελίσσονται οι πυρκαγιές και εάν οι εικόνες MSR είναι επαρκείς, η χωρική και χρονική επίδραση των πυρκαγιών μπορεί να παρακολουθείται καθημερινά, με την προτεινόμενη μέθοδο των δύο σταδίων.

'''Αποτελέσματα:''' Οι εστίες που ξέσπασε πυρκαγιά στη Βόρεια Καλιφόρνια έκαιγαν από τις 7 έως 19 Οκτωβρίου και από τις 29 έως 31 Οκτωβρίου και ήταν ευρέως διανεμημένα σε ολόκληρη την περιοχή μελέτης (Εικόνα 3). Μεταξύ αυτών, εννέα μεγάλες καμένες εκτάσεις βρίσκονταν στα βορειοδυτικά και στην άκρη της κεντρικής πεδιάδας της Καλιφόρνια, όπου οι τύποι κάλυψης γης σε αυτές τις καμένες περιοχές, ήταν κυρίως καλλιεργήσιμες εκτάσεις, δάση, ποώδη και θαμνώδη. Η χωρική κατανομή των σημείων πυρκαγιάς που εντοπίστηκαν στη Νότια Καλιφόρνια έκαιγε συνεχώς από τις 5 έως τις 25 Δεκεμβρίου. Σε αντίθεση με τις εξαπλωμένες εστίες πυρκαγιάς στη Βόρεια Καλιφόρνια, οι εστίες πυρκαγιάς στη Νότια Καλιφόρνια ήταν πιο χωρικά συγκεντρωμένες με τις κύριες εστίες πυρκαγιάς που βρίσκονταν στη Νοτιοδυτική Καλιφόρνια, να στοιχειοθετούν την πυρκαγιά «Thomas».

[[Εικόνα: NT5_e3.jpeg |thumb|right| '''Εικόνα 3.''' Η χωρική και χρονική κατανομή των σημείων πυρκαγιάς που ανιχνεύθηκαν στη (α) Βόρεια και (β) Νότια Καλιφόρνια. Έγινε εντοπισμός σημείων πυρκαγιάς σε διαφορετικές ημερομηνίες από 7 έως 31 Οκτωβρίου οι οποίες αποδίδονται με διαφορετικά χρώματα από σκούρο πράσινο έως κόκκινο. Οι εστίες πυρκαγιάς που δεν απεικονίζονται στους χάρτες (α ή β) αποδίδονται με κόκκινο χρώμα στους ένθετους χάρτες ολόκληρης της Καλιφόρνια που απεικονίζονται στην αριστερή πλευρά κάθε χάρτη.]]

Για να ελεγχθεί η ικανότητα των δεικτών στη διάκριση των καμένων από τις μη καμένες περιοχές και για να μετριαστούν οι επιπτώσεις του καπνού, προκύπτει ότι οι καμένες περιοχές χωρίς καπνό (BA), οι καμένες περιοχές που καλύπτονται από πυκνό καπνό (HS2) και οι καμένες περιοχές που καλύπτονται από αραιό καπνό (TS2) πρέπει να εντοπίζονται ξεχωριστά. Το κανάλι NIR μπορεί να εξάγει ξεχωριστά καμένες περιοχές χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα κανάλια SWIR1 και SWIR2 μπορούν να κάνουν διάκριση των καμένων που καλύπτονται από βαρύ καπνό, από τα καμένα που δεν καλύπτονται από καπνό και από άλλες περιοχές που καλύπτονται με καπνό, ενώ τα dNIR και dNBR μπορούν επίσης να διαχωρίσουν τα καμένα χωρίς καπνό, από άλλες περιοχές που καλύπτονται από καπνό. Τα dSWIR1 και dSWIR2 παρουσιάζουν επίσης μεγάλες δυνατότητες στη διάκριση των καμένων που καλύπτονται από βαρύ καπνό σε σχέση με τα καμένα χωρίς καπνό και άλλες περιοχές που σχετίζονται με τον καπνό, αλλά δεν μπορούν να διαχωρίσουν καλά τα καμένα που καλύπτονται από λεπτό καπνό (TS2) σε σχέση με άλλες περιπτώσεις. Χάρη στο κανάλι SWIR, οι καμένες περιοχές που καλύπτονται από λεπτό καπνό (TS2), μπορούν να εξαχθούν εν μέρει με τη χρήση dSWIR1. Για να κρατηθούν οι φασματικοί δείκτες των προς εξαγωγή καμένων εκτάσεων συνεπείς σε διαφορετικούς αισθητήρες και να βελτιωθεί η υπολογιστική απόδοση, επιλέχθηκαν τα dNBR και dSWIR1 για την εξαγωγή των καμένων από πυρκαγιές.

Ο προσδιορισμός των πιθανών βέλτιστων κατωφλιών για τις εικόνες των Sentinel-2A/B (Πίνακας 1) για την ακριβή αναγνώριση των καμένων εκτάσεων, είναι 0,42 και -0,2 για τα dNBR και dSWIR1 αντίστοιχα. Όταν η τιμή του dNBR είναι μεγαλύτερη από 0,42 και η τιμή του dSWIR1 είναι ταυτόχρονα μικρότερη από -0,2, τα καμένα μπορούν να εξαχθούν για εικόνες Sentinel-2A/B. Ωστόσο, αυτές οι τιμές μπορεί να μην είναι οι βέλτιστες. Έτσι, για να ληφθούν τα βέλτιστα κατώφλια, πραγματοποιήθηκε μία περαιτέρω δοκιμή για τα υποψήφια κατώφλια του βέλτιστου dNBR και του dSWIR1 για τις εικόνες Sentinel-2A/B. Όπως φαίνεται στον Πίνακα 1, οι βέλτιστες τιμές κατωφλίου για το υψηλότερο F-score ήταν 0.42 για το dNBR και -0.23 για το dSWIR1.

[[Εικόνα: NT5_p1.JPG |thumb|right| '''Πίνακας 1.''' Το F1-score για κάθε υποψήφιο σύνολο των τιμών κατωφλίου dNBR και dSWIR για τα 200 δείγματα (100 καμένα και 100 άκαυτα), της πυρκαγιάς «Thomas» που σημειώθηκε στις 5 Δεκεμβρίου με βάση την εικόνα Sentinel-2B. ]]

'''Συμπεράσματα:''' Στην παρούσα μελέτη προτείνεται μία μέθοδος δύο σταδίων που βασίζεται σε δεδομένα τηλεπισκόπησης πολλαπλών αισθητήρων για χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο. Οι αισθητήρες υψηλής χρονικής ανάλυσης της θερμικής ανωμαλίας, MODIS και VIIRS, χρησιμοποιήθηκαν αρχικά για τον εντοπισμό πυρκαγιών και πιθανών καμένων εκτάσεων. Έπειτα, αισθητήρες εικόνων MSR συμπεριλαμβανομένων των Sentinel-2A/2B, του Landsat OLI και του Resourcesat AWiFS χρησιμοποιήθηκαν για την εξαγωγή καμένων εκτάσεων με περισσότερη χωρική λεπτομέρεια σε σχεδόν πραγματικό χρόνο. Η προτεινόμενη μέθοδος εφαρμόστηκε στη Βόρεια και Νότια Καλιφόρνια όπου εκδηλώθηκαν πυρκαγιές το 2017. Τα αποτελέσματα έδειξαν ότι αυτή η μέθοδος ήταν ακριβής για τη χαρτογράφηση καμένων εκτάσεων σε ένα σύνολο ακρίβειας 0,84 και 0,85 για τη Βόρεια και Νότια Καλιφόρνια, αντίστοιχα. Επιπλέον, η μέθοδος αυτή μπορεί να παρακολουθεί τα καμένα σε μέσο διάστημα 3,5 ημερών και καθυστέρηση 4 ημερών στη Νότια Καλιφόρνια και σε μέσο διάστημα 3 ημερών και καθυστέρηση λιγότερη της μίας ημέρας για τις πυρκαγιές στη Βόρεια Καλιφόρνια, αντίστοιχα. Ακόμη ξεπερνά τους περιορισμούς στη χαρτογράφηση καμένων με βάση μόνο μεμονωμένα δορυφορικά δεδομένα, που είναι οι αισθητήρες με σύντομες περιόδους επανεπίσκεψης σε ένα σημείο, οι οποίοι κιόλας αποτυγχάνουν να παρέχουν σαφή χωρική λεπτομέρεια για τις πυρκαγιές, ενώ οι αισθητήρες μέσης ανάλυσης δεν επαρκούν για τον έγκαιρο εντοπισμό των δασικών πυρκαγιών που μπορεί να συμβαίνουν ανά πάσα στιγμή σε οποιοδήποτε μέρος στον κόσμο. Οι δυο ομάδες αισθητήρων δεν μπορούν να αναγνωρίσουν έγκαιρα τις πυρκαγιές, αλλά χαρτογραφούν με ακρίβεια ό,τι καίνε αυτές. Η μέθοδος δύο σταδίων μπορεί να θεωρηθεί κρίσιμη για τη χαρτογράφηση καμένων εκτάσεων σε σχεδόν πραγματικό χρόνο με το συνδυασμό δεδομένων τηλεπισκόπησης από πολλαπλές υψηλές χρονικές συχνότητες και όλους τους δωρεάν MSR αισθητήρες. Με όλο και περισσότερα δορυφορικά δεδομένα MSR και HSR ελεύθερα στο κοινό, ο συνδυασμός τους για την κατασκευή τακτικών χρονικών σειρών και την ανίχνευση ποικίλων αλλαγών σε πραγματικό χρόνο της επιφάνειας της γης σε περιφερειακές αλλά και πιο παγκόσμιες κλίμακες, γίνεται πιο εύκολα από πριν. Παρόλο που η προτεινόμενη μέθοδος των δύο σταδίων παρέχει έναν αποτελεσματικό τρόπο για τη συνεχή παρακολούθηση των καμένων σε σχεδόν πραγματικό χρόνο, η απόδοση αυτής της μεθόδου θα μπορούσε να βελτιωθεί με την ενσωμάτωση των πληροφοριών των καμένων στην ανίχνευση των εν λόγω εκτάσεων. Επιπλέον, είναι πολύτιμο να υλοποιηθεί η προτεινόμενη μέθοδος χαρτογράφησης των καμένων εκτάσεων για μία πλατφόρμα πλανητικής κλίμακας, όπως το Google Earth Engine (GEE) για την πιο αποτελεσματική χαρτογράφηση σε σχεδόν πραγματικό χρόνο των καμένων εκτάσεων.

[[category:Δασικές Πυρκαγιές]]

Αρχείο:NT5 p1.JPG

2023-02-08T18:53:28Z

Natalia tsigarda:

Αρχείο:NT5 e3.jpeg

2023-02-08T18:53:19Z

Natalia tsigarda:

Αρχείο:NT5 e2.jpeg

2023-02-08T18:53:08Z

Natalia tsigarda:

Αρχείο:NT5 e1.jpeg

2023-02-08T18:49:50Z

Natalia tsigarda:

Παρακολούθηση των Γεωργικών Επιδοτήσεων στην Ουγγαρία

2023-02-08T18:08:49Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Έλεγχος επιδοτήσεων γεωργικής γης

'''Πρωτότυπος τίτλος:''' “Sentinel-2 Enables Nationwide Monitoring of Single Area Payment Scheme and Greening Agricultural Subsidies in Hungary”

'''Συγγραφείς:''' László Henits, Ákos Szerletics, Dávid Szokol, Gergely Szlovák, Emese Gojdár, András Zlinszky

'''Πηγή:''' Henits, L.; Szerletics, Á.; Szokol, D.; Szlovák, G.; Gojdár, E.; Zlinszky, A. Sentinel-2 Enables Nationwide Monitoring of Single Area Payment Scheme and Greening Agricultural Subsidies in Hungary. Remote Sens. 2022, 14, 3917. https://doi.org/10.3390/rs14163917 [https://www.mdpi.com/2072-4292/14/16/3917]

'''Περίληψη:''' Η παρούσα μελέτη ασχολείται με την επαλήθευση και παρακολούθηση αιτήσεων για γεωργικές επιδοτήσεις. Η διαδικασία που ακολουθήθηκε, αφορά τη συνδυαστική αξιολόγηση πολλών κριτηρίων για περισσότερες από ένα εκατομμύριο καλλιέργειες. Συγκεκριμένα, παρουσιάζεται το αποτέλεσμα της πιλοτικής παρακολούθησης γεωργικών επιδοτήσεων στην Ουγγαρία, όπου στόχος ήταν να προταθεί μία λύση που να βασίζεται σε στοιχεία ανοιχτού κώδικα αξιολογώντας τα κύρια πλεονεκτήματα και τις αδυναμίες των εικόνων Sentinel-2.

Η επεξεργασία των δορυφορικών δεδομένων πραγματοποιήθηκε με βάση την ταξινόμηση της Random Forest και η ανίχνευση των γεγονότων καλλιέργειας διεξήχθη με βάση τον NDVI (Δείκτης Βλάστησης Κανονικοποιημένης Διαφοράς) με ανάλυση χρονοσειρών. Προέκυψε ότι η ταξινόμηση των καλλιεργειών παρείχε καλή απόδοση (συνολική ακρίβεια 88%) για 22 κατηγορίες βλάστησης και η ανίχνευση του είδους των καλλιεργειών ήταν επίσης αξιόπιστη σε σύγκριση με την οπτική ερμηνεία επί της οθόνης. Ο κύριος περιορισμός ήταν το μέγεθος των χωραφιών, ορισμένα από τα οποία ήταν μικρά, σε σύγκριση με τη χωρική ανάλυση των εικόνων, αφού πάνω από 4% των αγροτεμαχίων εξαιρέθηκαν, τα οποία, ωστόσο, αντιπροσωπεύουν λιγότερο από το 3% της συνολικής καλλιεργούμενης έκτασης της Ουγγαρίας.

'''Λέξεις κλειδιά:''' Παρακολούθηση της γεωργίας, κοινή αγροτική πολιτική, μηχανική μάθηση, τυχαίο δάσος, ταξινόμηση των καλλιεργειών, ανίχνευση συγκομιδής, εικόνες Sentinel-2 εθνικής κλίμακας

'''Εισαγωγή:''' Οι γεωργικές επιδοτήσεις που καταβάλλονται στους αγρότες αποτελούν σημαντικό μέρος του προϋπολογισμού της Ευρωπαϊκής Ένωσης και παράγοντα διαμόρφωσης των προς των ζην και της οικονομικής κατάστασης των αγροτών των Κρατών Μελών της. Το 2020, τα κεφάλαια που χρησιμοποιήθηκαν για να χρηματοδοτήσουν την Ευρωπαϊκή Κοινή Αγροτική Πολιτική (ΚΑΠ) ανήλθαν στο 35% περίπου του συνολικού προϋπολογισμού της ΕΕ και πραγματοποιήθηκαν συνολικά 41,57 δισ. ευρώ άμεσες πληρωμές σε 6,38 εκατ. αγρότες.

'''Περιοχή Μελέτης:''' Η περιοχή μελέτης ήταν ολόκληρη η επικράτεια της Ουγγαρίας, μαζί με όλες τις αξιώσεις για γεωργικές επιδοτήσεις για το 2020 και όλες τις διαθέσιμες εικόνες Sentinel-2 μεταξύ 1ης Ιανουαρίου και 31ης Δεκεμβρίου 2020. Η Ουγγαρία χωρίστηκε σε 34 αγροοικολογικές ζώνες με κριτήρια το έδαφος, την τοπογραφία και το κλίμα της (Εικόνα 1), και καθεμία από αυτές τις ζώνες υποβλήθηκε σε επεξεργασία ξεχωριστά, με διαφορετικά σύνολα δεδομένων εκπαίδευσης και επικύρωσης. Ο αριθμός των αγροτεμαχίων σε κάθε ζώνη διέφερε σημαντικά ανάλογα με το μέγεθος και την κυρίαρχη καλλιέργεια και τελικά κυμάνθηκε από 4.500 έως 107.000 αγροτεμάχια.

[[Εικόνα: NT2_e1.png |thumb|right| '''Εικόνα 1:''' Οι αγροοικολογικές ζώνες της Ουγγαρίας. Στην (a) εικόνα απεικονίζεται ένας χάρτης εδάφους όπου τα διαφορετικά χρώματα αντιπροσωπεύουν διαφορετικούς τύπους εδάφους και στη (b) εικόνα απεικονίζεται ένα ψηφιακό μοντέλο εδάφους.]]

Η Ουγγαρία καλύπτεται από τέσσερις ζώνες εικόνων Sentinel-2, που συνεπάγεται αλληλεπικάλυψη μεταξύ τους. Γενικά, με τους Sentinel-2A και Sentinel-2Β προέκυψαν κατά μέσο όρο, 22 με 60 διαθέσιμες Sentinel-2 εικόνες χωρίς νεφοκάλυψη για κάθε αγροτεμάχιο το 2020.

'''Μεθοδολογία:''' Το πρώτο βήμα αφορούσε τον επαναπροσδιορισμό των κανόνων κάθε επιμέρους κατηγορίας επιδότησης με κριτήρια που μπορούν να ελεγχθούν με τηλεπισκόπηση.
Η εργασία 1 αναφερόταν στα βασικά κριτήρια που ορίζουν τη γεωργική καλλιέργεια στο πλαίσιο του SAPS. Με την επίγεια παρακολούθηση επαληθεύεται η ύπαρξη των γεωργικών καλλιεργειών, ή η προσωρινή τους αγρανάπαυση, ενώ υδάτινες επιφάνειες, κατοικημένες περιοχές, δάση και άλλες μη γεωργικές χρήσεις γης, ζιζάνια και μη ξηλώδης βλάστηση δεν μπορούν να υφίστανται εντός του αγροτεμαχίου. Σε περίπτωση χορτολιβαδικής περιοχής, ο κανόνας αναφέρει ότι πρέπει να γίνει κοπή και άλλος κανόνας εγκυρότητας λέει, ότι η περιοχή πρέπει να είναι ομοιογενής μονάδα με την ίδια καλλιέργεια σε όλη την έκτασή της. Από την πλευρά της τηλεπισκόπησης, αυτοί οι κανόνες μπορούν να ελεγχθούν με χρησιμοποίηση της ταξινόμησης βλάστησης, όπου η αγρανάπαυση, τα ζιζάνια και η μη γεωργική ξυλώδης βλάστηση έχουν τη δική τους κατηγορία. Ο κανόνας της ομοιογένειας μπορεί να ελεγχθεί σχετικά εύκολα εάν γίνει διερεύνηση με βάση τα Pixel.

Η εργασία 2 αναφερόταν στα ελάχιστα κριτήρια διαχείρισης των βοσκοτόπων στο πλαίσιο του SAPS. Η υπερβόσκηση και η υπερανάπτυξη ειδών που δεν είναι βοσκοτόπια αποτελούν αρνητικούς κανόνες επιτόπιας παρακολούθησης. Στην ταξινόμηση συμπεριλήφθηκαν καλάμια και σχοινιά, ενώ η υπερβόσκηση έπρεπε να παρακολουθείται με ειδικό βήμα ανάλυσης.

Η εργασία 3 αναφερόταν στη διαφοροποίηση των καλλιεργειών εντός των ορίων κάθε καλλιεργούμενης έκτασης. Σ’ αυτή την περίπτωση, η εξέταση γινόταν σε βάση δεδομένων από τις υποβληθείσες αξιώσεις, ενώ οι επιτόπιοι έλεγχοι είχαν ως στόχο να επιβεβαιώσουν ότι η καλλιέργεια είναι η ίδια με αυτή που έχει δηλωθεί. Επομένως, η τηλεπισκόπηση εδώ ερευνά αν οι καλλιέργειες που εξετάζονται είναι παρούσες στο αγροτεμάχιο, συγκρίνοντας τα αποτελέσματα της ταξινόμησης με την κατηγορία καλλιέργειας που αξιώνεται.

Η εργασία 4 ασχολούταν με τη διατήρηση της καλλιέργειας των λιβαδιών σε περιβαλλοντικά ευαίσθητες περιοχές, με την αξίωση να θεωρείται άκυρη εάν το αγροτεμάχιο είναι οργωμένο, διαθέτει κτίσμα, είναι δασωμένο, ή η καλλιέργεια αλλάζει με οποιονδήποτε τρόπο που δεν είναι συμβατός με τη διαχείρισή της ως μόνιμο λιβάδι. Με την τηλεπισκόπηση, αυτή η εργασία μπορεί και πάλι να επιλυθεί με μία διαδικασία ταξινόμησης, όπου πρώτα συγκεντρώνονται τα αγροτεμάχια που έχουν καταχωρηθεί ως ευαίσθητα λιβάδια και από αυτά όσα δεν αναγνωρίζονται ως λιβάδια, θεωρούνται μη συμβατά.

Η εργασία 5 αναφερόταν στην αγρανάπαυση οικολογικών περιοχών, στις οποίες δεν μπορούν να υπάρχουν εντατικές καλλιέργειες από την 1η Ιανουαρίου μέχρι την 31η Αυγούστου, ενώ δεν επιτρέπεται η συγκομιδή πριν τις 31 Αυγούστου, με εξαίρεση τη συγκομιδή που γίνεται με σκοπό την καταστολή της ανάπτυξης των ζιζανίων. Η ταξινόμηση των δορυφορικών εικόνων ορίζει την κατηγορία της αγρανάπαυσης και, επιπλέον, μπορεί να αξιολογήσει εάν έχει συμβεί κάποιο γεγονός μεταβολής της καλλιέργειας πριν τις 31 Αυγούστου.
Η εργασία 6 σχετιζόταν με καλλιέργειες που δεσμεύουν το άζωτο σε περιοχές οικολογικής εστίασης. Οι κανόνες επιδότησης αναφέρουν ότι η εξεταζόμενη καλλιέργεια πρέπει να είναι μία από τις 40 αζωτοδεσμευτικές καλλιέργειες και ότι η κάθε καλλιέργεια πρέπει να καλλιεργείται σε ένα χωράφι για μία δεδομένη χρονική περίοδο. Από την τηλεπισκόπηση ελέγχεται εάν η ισχυριζόμενη καλλιέργεια είναι πραγματικά παρούσα και ανιχνεύεται ο χρόνος μεταξύ της σποράς και της συγκομιδής.
Τέλος, η εργασία 7 ήταν η χαρτογράφηση των ενδιάμεσων καλλιεργειών των περιοχών οικολογικής εστίασης. Αν περάσουν τουλάχιστον 60 ημέρες μεταξύ της σποράς και της συγκομιδής πρέπει να γίνεται έλεγχος. Η τηλεπισκόπηση επιτρέπει τον ακριβή προσδιορισμό της ημερομηνίας συγκομιδής, αλλά η ημερομηνία της σποράς αποδίδεται προσεγγιστικά.
Οι τύποι καλλιέργειας επιλέχθηκαν από έναν κατάλογο καταχωρημένων καλλιεργειών, με πρόσθετες λειτουργίες για την επιλογή καλλιέργειας που σχετίζεται με τις οικολογικές περιοχές εστίασης (Εικόνα 2). Κατά τη διάρκεια των αιτήσεων, οι ιδιοκτήτες σχεδίασαν τα όρια των αγροτεμαχίων τους σε ένα σύστημα με φόντο μία γεωαναφερμένη αεροφωτογραφία. Συνολικά, υποβλήθηκαν περίπου 1.200.000 αξιώσεις και αυτές αποτέλεσαν την πηγή των περιοχών εκπαίδευσης και επικύρωσης. Το αναμενόμενο σφάλμα του 2-3% στους ισχυρισμούς των αγροτών, ανήλθε σε 25.000-35.000 ψευδείς αξιώσεις.

[[Εικόνα: NT2_e2.png |thumb|right| '''Εικόνα 2:''' Διάγραμμα ροής των εργασιών ανάλυσης των δεδομένων για την παρακολούθηση της CAP.]]

Πραγματοποιήθηκε λήψη όλων των διαθέσιμων εικόνων Sentinel-2 (Επίπεδο-1C) από την περιοχή της Ουγγαρίας μεταξύ της 1ης Ιανουαρίου και της 31ης Δεκεμβρίου 2020, από το Copernicus Open Access Hub του Ευρωπαϊκού Οργανισμού Διαστήματος (ESA). Οι εικόνες Sentinel-2 υποβλήθηκαν σε προεπεξεργασία σε επίπεδο επεξεργασίας Level-2B, με χρήση του λογισμικού FORCE (Πλαίσιο για Λειτουργική Ραδιομετρική Διόρθωση για Περιβαλλοντική Παρακολούθηση) και ARD (Analysis Ready Data). Το FORCE δημιουργεί ένα εναρμονισμένο σύνολο εικόνων με κοινά ραδιομετρικά χαρακτηριστικά και κοινή χωρική αναφορά και στην παρούσα μελέτη πραγματοποίησε γεωμετρική, ατμοσφαιρική και ραδιομετρική διόρθωση.

Στην προεπεξεργασία, η λογική ήταν ότι για ένα θεωρητικά ορθογώνιο αγροτεμάχιο, αποφεύχθηκαν τα Pixel στις άκρες και επιλέχθηκαν τουλάχιστον δύο καθαρά Pixel μέσα στο αγροτεμάχιο. Για μικρότερα ή στενότερα, ερευνήθηκαν τα γειτονικά τους. Συνολικά, το 58% όλων των αγροτεμαχίων ήταν επαρκούς μεγέθους για να αναλυθούν μόνα τους, ένα 25% συμπεριλήφθηκε μετά τη συγχώνευση και ένα 17% θεωρήθηκαν πολύ μικρά για να γίνει ανάλυση. Στη συνέχεια, χρησιμοποιήθηκε η rasterstats Python, για να εκχωρηθούν σε κάθε αγροτεμάχιο οι μέσες τιμές των Pixel που ορίζουν κάθε ζώνη και κάθε φασματικό δείκτη. Με βάση τα αποτελέσματα των μελετών των φασματικών ζωνών και δεικτών, διατηρήθηκαν τέσσερα κανάλια του Sentinel-2 (Κανάλι 5: Red Edge 1, Κανάλι 6: Red Edge 2, Κανάλι 11: Shortwave Infrared 1 και Κανάλι 12: Shortwave Infrared 2) και πέντε φασματικοί δείκτες, NDVI (Δείκτης Βλάστησης), BSI (Δείκτης Γυμνού Εδάφους), EVI (Βελτιωμένος Δείκτης Βλάστησης), SIPI (Δείκτης Δομημένου Περιβάλλοντος) και YCI (Δείκτης Ασθενικών Καλλιεργειών). Ως μέθοδος ταξινόμησης επιλέχθηκε η Random Forest (RF) λόγω της ανθεκτικότητάς της σε σφάλματα στα δεδομένα εκπαίδευσης. Οι ασαφείς ταξινομητές δημιούργησαν για κάθε ταξινομημένη μονάδα, ένα διάνυσμα με τις πιθανότητες αντιστοιχίας σε κάθε κατηγορία ταξινόμησης. Στην RF ενσωματώθηκε η βιβλιοθήκη Scikit-learn Python, ορίστηκε ο αριθμός των δέντρων απόφασης σε 200 και ο αριθμός των μεταβλητών που θα επιλεγούν για τον καλύτερο διαχωρισμό στην τετραγωνική ρίζα του αριθμού των μεταβλητών εισόδου. Τα φασματικά δεδομένα για κάθε αγροτεμάχιο με τους δείκτες αποθηκεύτηκαν σε πίνακες PostgreSQL.

Οι τάξεις των καλλιεργειών βελτιώθηκαν με τις επαναλήψεις και αξιολογήθηκαν χρησιμοποιώντας προφίλ κυριαρχίας και μήτρες σύγχυσης, εκτός από πληροφορίες για τα χαρακτηριστικά ανάπτυξης και τις καλλιεργητικές πρακτικές. Το τελικό σύστημα τάξεων περιελάβανε: αραβόσιτο (συμπεριλαμβανομένου του κανονικού και του υβριδικού καλαμποκιού), χειμερινά δημητριακά (σιτάρι, κριθάρι και τριτικάλε), λιβάδια (προσωρινά και μόνιμα, θερισμένα και λιβάδια βόσκησης, χλωρές κοπριές αν περιλαμβάνουν χόρτα και παραδοσιακούς οπωρώνες), ηλίανθο (υβριδικό και κανονικό), μηδική βλάστηση (νεοφυτεμένα και τακτικά καλλιεργημένα χωράφια αλλά και μηδική που καλλιεργείται σε συνδυασμό με λιβάδια), γη σε αγρανάπαυση (γη που μένει προσωρινά ακαλλιέργητη πριν από τις 31 Αυγούστου), σταφύλια (κρασί και επιτραπέζια σταφύλια), κραμβέλαιο (κυρίως τo φθινόπωρο και σπάνια την άνοιξη), δενδροφυτείες (περιβόλια, τεχνητά δέντρα για ενέργεια ή ξυλεία, μηλιές, κερασιές, λεύκες), ανοιξιάτικα δημητριακά (βρώμη, κριθάρι και σόργο), λαχανικά και φράουλες, σόγια, ζιζάνια (μη καλλιεργούμενη βλάστηση), λαχανικά σε χωράφια (ποώδη φυτά που καλλιεργούνται για τους σπόρους, τους καρπούς ή τους κονδύλους τους), κτηνοτροφικά φυτά (πρόκειται για ποώδη μονοκοτυλήδονα ή δικοτυλήδονα που καλλιεργούνται για τη βιομάζα τους), δάση (δέντρα που αναπτύσσονται με ημι-φυσικό, μη συστηματικό μοτίβο), βότανα και μπαχαρικά (ποώδη φυτά όπως καλλωπιστικά φυτά, παπαρουνόσπορος, λεβάντα και μάραθος), ζαχαρότευτλα, ρύζι (κανονικό και άγριο ρύζι), θαμνώδεις καλλιέργειες (ξυλώδης μίσχος, σαμπούκοι ή βατόμουρα), καλάμι (καλλιεργημένο και ακαλλιέργητο καλάμι, μαζί με υγρότοπους), φυτά ινών (κάνναβη, λινάρι, σόργο), ενεργειακά φυτά (ποώδη, ψηλής ανάπτυξης μονοκοτυλήδονα ή δικοτυλήδονα που καλλιεργούνται για τη βιομάζα τους αλλά συγκομίζονται μετά την ξήρανσή τους) και άλλα (κάλυψη γης που δεν είναι φυτική, όπως νερό, γυμνό έδαφος, κλειστές επιφάνειες).

Οι ακρίβειες ταξινόμησης αξιολογήθηκαν χρησιμοποιώντας δείκτες μήτρας σύγχυσης. Επιπλέον υπολογίστηκε ο συντελεστής συσχέτισης του Matthews (MCC) ο οποίος χρησιμοποιείται όλο και περισσότερο στη μηχανική μάθηση. Η ανίχνευση των ημερομηνιών έγινε με βάση τον αλγόριθμο των Kolecka et al.. Για ένα αγροτεμάχιο καταχωρήθηκε ότι έχει πραγματοποιηθεί συγκομιδή σε μία ορισμένη περίοδο, εάν ο μέσος NDVI του, μειώθηκε περισσότερο από 0,2 μεταξύ δύο διαδοχικών παρατηρήσεων χωρίς νεφοκάλυψη, ή της πρώτης και της τελευταίας από τρεις διαδοχικές παρατηρήσεις χωρίς νεφοκάλυψη. Η ανίχνευση της συγκομιδής έγινε για αγροτεμάχια, όταν η προβλεπόμενη κατηγορία αφορούσε λιβάδια, αγρανάπαυση, μηδική ή κτηνοτροφική καλλιέργεια.
Μόνο 8 αγροτεμάχια ταξινομήθηκαν ως υπερβόσκηση. Μετά από οπτική επιθεώρηση των διαπιστωθεισών εκτάσεων υπερβόσκησης και τα δεδομένα χρονοσειρών του NDVI, ορίστηκε ότι ένα λιβάδι έχει υποστεί υπερβόσκηση, εάν το μέγιστο της μέσης τιμής του NDVI είναι κάτω από 0,5. Οι καλλιέργειες που δεσμεύουν το άζωτο έχουν καθορισμένες περιόδους παρουσίας από τη σπορά έως τη συγκομιδή. Αυτά τα διαστήματα ελέγχθηκαν και πάλι με τις χρονοσειρές NDVI κάθε αγροτεμαχίου. Οι NDVI τιμές που ελήφθησαν πάνω από το επιλεγμένο ελάχιστο όριο (0,075), αντιστοιχίστηκαν σε γυμνό έδαφος.

Οι πληροφορίες για τις περιόδους καλλιέργειας επικυρώθηκαν με ένα plugin του QGIS, που επέτρεψε την οπτικοποίηση δορυφορικών εικόνων μαζί με τις γεωμετρίες και τα χαρακτηριστικά της βάσης δεδομένων Geospatial Aid Application (GSAA). Η ακρίβεια ανίχνευσης της συγκομιδής αξιολογήθηκε σε συνολικά 160 αγροτεμάχια, με τουλάχιστον 30 αγροτεμάχια να ανήκουν στην κάθε κατηγορία καλλιέργειας. Τα αρνητικά δείγματα ελέγχου επιλέχθηκαν για τις κατηγορίες των λιβαδιών και της αγρανάπαυσης, με σκοπό τον εντοπισμό ψευδώς θετικών σφαλμάτων. Τέλος, για κάθε εργασία παρακολούθησης, αναπτύχθηκε ένα σύνολο κανόνων με τη μορφή δέντρου αποφάσεων και πιο συγκεκριμένα:
Για την εργασία 1 (ανίχνευση της βασικής καλλιέργειας), έγινε η υπόθεση ότι όλα τα αγροτεμάχια είναι επιλέξιμα, όταν μπορεί να αποδειχθεί η ύπαρξη μίας καλλιέργειας σ’ αυτά. Τα λιβάδια είναι επιλέξιμα μόνο εάν πραγματοποιείται σ’ αυτά βόσκηση, θερίζονται, ή δεν υπάρχουν ζιζάνια. Αν η απόδοση της ταξινόμησης δεν ήταν λιβάδια, αγρανάπαυση, ζιζάνια ή υγρότοπος καλαμιών (που μπορεί να καλλιεργηθεί, αλλά δεν είναι επιλέξιμος από το CAP), τότε το αγροτεμάχιο αξιολογήθηκε ως σωστό (πράσινο). Αν διαπιστώθηκε ότι η κατηγορία των ζιζανίων κυριαρχεί, καταχωρήθηκε ως μη επιλέξιμο (κόκκινο). Για αγροτεμάχια που δεν είναι λιβάδια, ανεξάρτητα από την αξίωση, εάν η πιθανότητα ύπαρξης ζιζανίων ήταν πάνω από ένα ορισμένο όριο (20%), το αγροτεμάχιο καταχωρήθηκε ως αβέβαιο (κίτρινο) και παρατέθηκε για περαιτέρω έλεγχο.

Για την εργασία 2 (ελάχιστα κριτήρια για λιβάδια), ελέγχθηκαν όλα τα αγροτεμάχια που θεωρούνταν λιβάδια. Εάν στο αγροτεμάχιο προσδιορίζονταν καλάμια ή ζιζάνια, γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο). Εάν αναγνωριζόταν ως λιβάδι και διαπιστωνόταν υπερβόσκηση, τότε επίσης γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο). Εάν τα καλάμια ή η πιθανότητα ύπαρξης ζιζανίων ήταν πάνω από 30%, τότε ταξινομούταν στην αβέβαιη κατηγορία (κίτρινη). Αν το αγροτεμάχιο ταξινομήθηκε σε οποιαδήποτε άλλη κατηγορία, τότε για την εργασία 2, δε γινόταν διερεύνηση περαιτέρω.

Για την εργασία 3 (διαφοροποίηση καλλιεργειών), έπρεπε να διερευνηθεί εάν η καλλιέργεια που δηλώθηκε από τον αγρότη αντιστοιχεί στην κατηγορία καλλιέργειας που προσδιορίστηκε στη διαδικασία της ταξινόμησης και αν γινόταν επιβεβαίωση της αξίωσης, τότε το αγροτεμάχιο έπαιρνε πράσινη καταχώρηση.
Η εργασία 4 (συντήρηση ευαίσθητων λιβαδιών), συνδύαζε ένα σύνολο δεδομένων του οργανισμού πληρωμών, που περιέχει όλα τα αγροτεμάχια που αναφέρονται ως ευαίσθητα λιβάδια, μαζί με το αποτέλεσμα της ταξινόμησης. Αν ένα αγροτεμάχιο βοσκοτόπων ανήκε στην κατηγορία γρασίδι, τότε καταχωρούταν ως επιλέξιμο (πράσινο), ενώ εάν ανήκε στην κατηγορία αγρανάπαυση, ως αβέβαιο (κίτρινο). Εάν γινόταν εντοπισμός άλλης τάξης, αυτό σήμαινε ότι το λιβάδι μετατράπηκε σε διαφορετική καλλιέργεια και το αγροτεμάχιο έπαιρνε επισήμανση ως μη επιλέξιμο (κόκκινο).

Η εργασία 5 (οικολογικές περιοχές σε αγρανάπαυση), βασίστηκε επίσης στο αποτέλεσμα ταξινόμησης της βλάστησης και ανίχνευσης της κοπής. Λόγω των δυσκολιών διαχωρισμού της αγρανάπαυσης και των λιβαδιών στην ταξινόμηση, οι δύο τάξεις θεωρούνταν επιλέξιμες (πράσινες), εάν δεν ανιχνευόταν συγκομιδή πριν από τις 31 Αυγούστου. Αν η συγκομιδή εντοπιζόταν πριν αυτή την ημερομηνία, στο αγροτεμάχιο γινόταν καταχώρηση ως αβέβαιο (κίτρινο). Αν εντοπιζόταν διαφορετική κατηγορία βλάστησης (όχι λιβάδια ή αγρανάπαυση), τότε στο αγροτεμάχιο γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο).

Η εργασία 6 (καλλιέργειες που δεσμεύουν το άζωτο), επιλύθηκε με βάση το αποτέλεσμα της ταξινόμησης και ανίχνευσης της χρονικής περιόδου της βλάστησης. Ωστόσο, οι καλλιέργειες που δεσμεύουν το άζωτο εμπίπτουν σε αρκετές κατηγορίες (μηδική, κτηνοτροφικές καλλιέργειες κ.λπ.) και έτσι, δεν ήταν δυνατή η χρήση μόνο των αποτελεσμάτων της ταξινόμησης. Εάν η αξιωμένη καλλιέργεια ήταν στη λίστα καλλιεργειών που δεσμεύουν άζωτο και η προβλεπόμενη κατηγορία αντιστοιχούσε με την κατηγορία βλάστησης της διεκδικούμενης καλλιέργειας, το αγροτεμάχιο ήταν επιλέξιμο (πράσινο)· διαφορετικά ήταν μη επιλέξιμο (κόκκινο), αν η τιμή του NDVI έπεφτε κάτω από 0,3 ή 0,25.

Τέλος, για την εργασία 7 (ενδιάμεσες καλλιέργειες), χρησιμοποιήθηκε μόνο ο αλγόριθμος ανίχνευσης του χρόνου καλλιέργειας. Το αποτέλεσμα καθοριζόταν από δύο χρονικές σημάνσεις, μία στην έναρξη και μία στο τέλος (Εικόνα 3). Συγκεκριμένα, εάν η διαφορά μεταξύ τους ήταν μεγαλύτερη από 60 ημέρες, το αγροτεμάχιο κρινόταν επιλέξιμο (πράσινο), αν ήταν μεταξύ 56 και 59 ημερών, θεωρούταν αβέβαιο (κίτρινο) και αν ήταν λιγότερη από 55 ημέρες, τότε ήταν ακατάλληλο (κόκκινο). Αν δεν υπήρχαν επαρκείς μετρήσεις χωρίς νεφοκάλυψη για τον προσδιορισμό της διάρκειας της καλλιέργειας, τότε ταξινομούταν ως αβέβαιο (κίτρινο).

[[Εικόνα: NT2_e3.png |thumb|left| '''Εικόνα 3:''' Παράδειγμα ενδιάμεσης καλλιέργειας σε χρονοσειρά NDVI και υποσύνολα εικόνων Sentinel-2, με ημερομηνία έναρξης στις (a) 22 Απριλίου 2020, ενδιάμεσες στις (b) 6 Ιουνίου 2020, (c) 1 Ιουλίου 2020, (d) 31 Ιουλίου 2020, (e) 20 Αυγούστου 2020 και ημερομηνία λήξης στις (f) 9 Σεπτεμβρίου 2020.]]

'''Αποτελέσματα:''' Με την ανίχνευση αγροτεμαχίων και τη δημιουργία πολυγώνων με καθορισμένο μέγεθος, προέκυψε ότι το 83,5% των αγροτεμαχίων ήταν κατάλληλα για παρακολούθηση και τα υπόλοιπα ήταν πολύ μικρά. Αυτό είχε ως αποτέλεσμα περίπου 1.000.000 αγροτεμάχια να αποτελέσουν αντικείμενο περαιτέρω ανάλυσης και περίπου 200.000 να αποκλειστούν, ενώ μετά τη συγχώνευση γειτονικών αγροτεμαχίων συμπεριλήφθηκαν επιπλέον περισσότερα από 300.000 που ήταν κάτω από το ελάχιστο όριο μεγέθους και τελικά το 97% της αγροτικής γης στην Ουγγαρία παρακολουθήθηκε με επιτυχία.

Οι τυπικές αποκλίσεις των χαρακτηριστικών μεταξύ των ζωνών ήταν συνήθως κοντά στο 10%. Το κανάλι 6 (Red Edge 2) είχε τη μεγαλύτερη συμβολή στην ακρίβεια ταξινόμησης, ακολουθούμενο από το δείκτη NDVI και το κανάλι 5 (Red Edge 1), έπειτα το κανάλι 11 (Shortwave Infrared 1) και τέλος οι δείκτες SIPI, BSI, EVI, YCI και το κανάλι 12 (Shortwave Infrared 2). Η ανάλυση των εικόνων ανά ημερομηνία ανέδειξε δύο κορυφές, μία την άνοιξη (τέλη Απριλίου-αρχές Μαΐου) και άλλη μία το καλοκαίρι (τέλη Ιουλίου).
Η συνολική ακρίβεια της ταξινόμησης RF ήταν 88,07%, (η MCC ήταν 0,87), με την ακρίβεια ταξινόμησης του ρυζιού, του αραβόσιτου και της ελαιοκράμβης να είναι πάνω από 95% και των περιοχών με ζιζάνια, λιβάδια, σόγια και σταφύλια 85%, ενώ στα ζαχαρότευτλα, στις μη καλλιεργητικές εκτάσεις και στα καλάμια ήταν άνω του 75%. Οι χαμηλότερες ακρίβειες παρατηρήθηκαν για τους θάμνους (11%, κυρίως ταξινομήθηκαν εσφαλμένα ως δέντρα, λιβάδια ή σταφύλια), τις ενεργειακές καλλιέργειες (23%, συχνά χαρτογραφήθηκαν ως λιβάδια), τα βότανα και τα μπαχαρικά (19%, εσφαλμένα ταξινομημένα ως αγρανάπαυση ή λαχανικά) και τις φυτικές ίνες (24%, εσφαλμένα ταξινομημένες ως καλαμπόκι, ηλίανθο ή σόγια). Για τα εσφαλμένα ταξινομημένα αγροτεμάχια, τα πιο πολλά σφάλματα αφορούσαν τη χαρτογράφηση της αγρανάπαυσης ως λιβαδιού, του λιβαδιού ως μηδικής και της μηδικής ως χόρτου, ειδικά από τη στιγμή που τα μείγματα μηδικής-χόρτου καλλιεργούνται ευρέως και ποικίλλουν έντονα ως προς την κυρίαρχη βλάστηση, ακόμη και μέσα στο ίδιο αγροτεμάχιο. Τα λιβάδια και η αγρανάπαυση προκάλεσαν επίσης εσφαλμένη ταξινόμηση σε άλλες κατηγορίες, που παρατηρήθηκε σε 3.500 περιπτώσεις.

Η αναγνώριση της συγκομιδής ή της έλλειψης συγκομιδής ήταν σε ποσοστό 86,0% και 86,7% αντίστοιχα (MCC 0,71). Οι κύριες πηγές σφαλμάτων ήταν η συγκέντρωση των αγροτεμαχίων με διαφορετικές ημερομηνίες κοπής σε ένα μόνο πολύγωνο. Συνολικά βρέθηκαν 151 αγροτεμάχια υπερβόσκησης χρησιμοποιώντας το όριο χρονοσειράς του NDVI. Η ακρίβεια ανίχνευσης της υπερβόσκησης αξιολογήθηκε ελέγχοντας οπτικά και τα 151, με δορυφορικές εικόνες Sentinel-2 και το Google Earth. Αυτός ο έλεγχος βρήκε το 63,7% αυτών, να είναι σωστά.
Για καλλιέργειες που δεσμεύουν το άζωτο, ο χρόνος καλλιέργειας αξιολογήθηκε ξεχωριστά για τη μηδική που είναι η πιο συνηθισμένη κατηγορία, και για τις άλλες αζωτοδεσμευτικές καλλιέργειες. Για τις δύο τάξεις, επιλέχθηκαν τυχαία 25 περιπτώσεις, για τις οποίες ο χρόνος καλλιέργειας βρέθηκε σύμφωνος με τους κανονισμούς και 25 όπου ο χρόνος καλλιέργειας διαπιστώθηκε πιο σύντομος. Συνολικά, 100 αγροτεμάχια ερευνήθηκαν σε αυτή την περίπτωση. Για τη μηδική η συνολική ακρίβεια ήταν 84%, ενώ για τις άλλες καλλιέργειες ήταν 77%. Η μέθοδος ανίχνευσης του χρόνου των ενδιάμεσων καλλιεργειών, αξιολογήθηκε για 100 αγροτεμάχια που ερμηνεύτηκαν χειροκίνητα και προέκυψε ότι το 50% πέρασε και το 50% απέτυχε. Η συνολική ακρίβεια ανίχνευσης της σωστής ή της λανθασμένης διαχείρισης ήταν 88,7% (MCC 0,77).

Για την εργασία 1, που αναφερόταν στις αιτήσεις για επιδότηση (εκτός από καλάμι), ερευνήθηκαν περισσότερα από 1.200.000 αγροτεμάχια. Η συντριπτική πλειοψηφία των αγροτεμαχίων βρέθηκε ότι είναι σύμφωνη (99,55%) (πράσινο), το 0,13% αβέβαιη (κίτρινο), και το 0,32% μη επιλέξιμη (κόκκινο). Η εργασία 2 (ελάχιστη καλλιέργεια βοσκοτόπων), επηρέασε όλα τα αγροτεμάχια που αξιώθηκαν ως θερισμένα ή βοσκήσιμα λιβάδια, δηλαδή 160.663 συνολικά και από αυτά, το 99,5% επιβεβαιώθηκε ότι ήταν σωστά (πράσινο), μόνο 4 ήταν αβέβαια (κίτρινο) και 0,5% ακατάλληλα (κόκκινο). Η εργασία 3, αφορούσε όλους τους αγρότες που διεκδίκησαν έκταση μεγαλύτερη από 15 εκτάρια, ερευνήθηκαν 734.460 αγροτεμάχια από τα οποία το 10,4% θεωρήθηκαν ως αβέβαια και το 89,6% θεωρήθηκαν σωστά. Η εργασία 4, αφορούσε μόνο τα ευαίσθητα λιβάδια τα οποία ήταν 50.650 και το 97,2% αυτών των αξιώσεων επιβεβαιώθηκαν (πράσινο), το 2,5% των δεμάτων βρέθηκαν μη συμμορφούμενα (κόκκινο) και το 0,3% ήταν αβέβαιο. Η εργασία 5, αναφερόταν σε 37.002 ακαλλιέργητα αγροτεμάχια, εδώ ο προσδιορισμός των χρήσεων των λιβαδιών ή της αγρανάπαυσης αποδείχθηκε προβληματικός, ενώ η συγκομιδή εντοπίστηκε επίσης νωρίτερα από την επιτρεπόμενη ημερομηνία, τελικά το 30,6% των αγροτεμαχίων καταγράφηκε ως σωστό, το 41,3% αβέβαιο (κίτρινο) και το 28,1% θεωρήθηκε λανθασμένο (κόκκινο). Η εργασία 6, η αναγνώριση των καλλιεργειών που δεσμεύουν το άζωτο, αφορούσε 28.054 αγροτεμάχια και βρέθηκε ότι το 71,4% ήταν σωστό, το 21,7% λανθασμένο και το 6,9% προσδιορίστηκε ως αβέβαιο. Η ακρίβεια της ταξινόμησης του τύπου καλλιέργειας είχε επιρροή στο αποτέλεσμα, καθώς το 18,9% των αγροτεμαχίων καταχωρήθηκε ως μη επιλέξιμο λόγω της εσφαλμένης ταξινόμησης μεταξύ διαφορετικών τάξεων βλάστησης. Η εργασία 7 που ήταν ο έλεγχος των αγροτεμαχίων και των ενδιάμεσων καλλιεργειών για 25.503 αξιώσεις και τα αποτέλεσμα ήταν 81,9% σωστό, 5,3% αβέβαιο και 12,8% μη επιλέξιμο.

Συνολικά, ολοκληρώθηκαν περισσότερες από 2 εκατομμύρια λειτουργίες παρακολούθησης, με τις περισσότερες να σχετίζονται με την εργασία 1 και την εργασία 3. Το 94% αυτών των πράξεων κατέληξαν επιλέξιμες, το 1,5% λανθασμένες, και το 4,5% αβέβαιες. Τα περισσότερα από τα ασαφή αποτελέσματα παρήχθησαν από διαφωνία μεταξύ της αξιούμενης καλλιέργειας και της χαρτογραφημένης κατηγορίας βλάστησης για την εργασία 3 και τα σφάλματα ταξινόμησης επηρέασαν την εργασία 5. Σε επίπεδο αγροτεμαχίων, το 90% ανακηρύχθηκαν επιλέξιμα (πράσινα), το 7,9% θεωρήθηκε αβέβαια (κίτρινο) για τουλάχιστον μία εργασία και το 2,1% καταγράφηκαν με λάθος (κόκκινο) τουλάχιστον μία φορά. Το όριο μεγέθους που εφαρμόστηκε για τα αγροτεμάχια, είχε ως αποτέλεσμα τον αποκλεισμό περίπου 200.000, που αναλογεί σε 5%. Η ακρίβεια ταξινόμησης των καλλιεργειών με την RF αυξήθηκε σημαντικά καθ' όλη τη διάρκεια του έτους καθώς γινόταν προσθήκη νέων εικόνων. Η τελική συνολική ακρίβεια του 88,07%, είναι συγκρίσιμη με παρόμοιες μελέτες.

Συνολικά, αυτή η μελέτη έδειξε ότι η ανάλυση εικόνων που βασίζεται στο Sentinel-2 μπορεί να συμβάλει ουσιαστικά στην παρακολούθηση της CAP στην Ουγγαρία, μειώνοντας πιθανώς το φόρτο εργασίας που σχετίζεται με επιτόπιους ελέγχους. Μέσα από τη δορυφορική παρακολούθηση όλων των αγροτεμαχίων, και κατευθύνοντας επιτόπιους ελέγχους για αβέβαιες ή μη συμμορφούμενες περιπτώσεις, μπορεί επίσης να αυξηθεί η χρησιμότητα της επιτόπιας παρακολούθησης. Μέσα από την ενημέρωση των αγροτών ότι όλα τα αγροτεμάχια πρέπει να διερευνηθούν για συμμόρφωση με τους κανόνες, θα υπάρξει μεγαλύτερη εμπιστοσύνη προς το σύστημα τόσο από αυτούς, όσο και για τους οργανισμούς πληρωμών. Τέλος, η επικοινώνηση της χρησιμότητας της δορυφορικής παρακολούθησης στους αγρότες και η υιοθέτηση της τηλεπισκόπησης στη γεωργία ακριβείας, διευκολύνουν τις εργασίες χαρτογραφικής απόδοσης, ακρίβειας υπολογισμού της παραγωγής και της διαχείρισης του νερού.

Οι μελλοντικές μελέτες θα πρέπει να ασχοληθούν με την ενσωμάτωση των δεδομένων ραντάρ του Sentinel-1 στη ροή εργασιών παρακολούθησης, καθώς αυτά παρέχουν δεδομένα ανεξάρτητα από τη νεφοκάλυψη. Ο κύριος περιορισμός που αφορούσε το μέγεθος των αγροτεμαχίων μπορεί να βελτιωθεί με τη συνένωση, αλλά ο γενικός στόχος της συμπερίληψης όλων των αγροτεμαχίων επιτυγχάνεται μόνο με τη χρήση εικόνων υψηλότερης ανάλυσης από εμπορικούς δορυφόρους. Έχουν δοκιμαστεί εναλλακτικές προσεγγίσεις ταξινόμησης, με τη λειτουργική χρήση που βασίζεται στη βαθιά εκμάθηση να φαίνεται ιδιαίτερα ελπιδοφόρα για επίτευξη καλύτερης ακρίβειας. Ωστόσο, τέτοιες τεχνικές απαιτούν σημαντικά μεγαλύτερη ικανότητα επεξεργασίας και τελικά, η RF μπορεί να εξακολουθεί να θεωρείται η βέλτιστη λύση.

'''Συμπεράσματα:''' Η χρησιμότητα της παρακολούθησης των γεωργικών επιδοτήσεων με βάση το Sentinel-2 δοκιμάστηκε για το 2020 σε εθνική κλίμακα στην Ουγγαρία. Τα κριτήρια που διερευνήθηκαν περιλαμβάνουν στρατηγικές ενιαίας ενίσχυσης (βασική καλλιέργεια, διαχείριση λιβαδιών) και οικολογικές πρακτικές (διαφοροποίηση καλλιεργειών, μόνιμα λιβάδια, αγρανάπαυση, καλλιέργειες αζωτοδέσμευσης και ενδιάμεσες καλλιέργειες). Η ανάλυση βασίστηκε στις μέσες τιμές των φασματικών δεικτών στο όριο κάθε αγροτεμαχίου, υπολογισμένο από χρονοσειρές εικόνων Sentinel-2. Η ταξινόμηση Random Forest χρησιμοποιήθηκε για τον προσδιορισμό των καλλιεργειών σε 20 τάξεις, συμπληρωμένες με χρονοσειρές ανάλυσης του δείκτη NDVI, για την ανίχνευση γεγονότων κοπής, σποράς και συγκομιδής.

Ελήφθησαν αποτελέσματα για όλες τις εργασίες παρακολούθησης, με ακρίβεια ταξινόμησης πάνω από 85% για τις περισσότερες κατηγορίες και ακρίβειες ανίχνευσης καλλιέργειας μεταξύ 63-86%. Με βάση αυτά τα αποτελέσματα, το 95,1% των εργασιών επιλύθηκαν επιτυχώς και μόνο το 4,9% χρειαζόταν παρακολούθηση στο πεδίο. Το 16,5% των αγροτεμαχίων αποκλείστηκαν από τη μελέτη επειδή το μικρό τους μέγεθος ή το στενό τους σχήμα αναμενόταν να έχει κακή ανάλυση από τον Sentinel-2, αριθμός που περιλαμβάνει μόνο το 3% της επιτηρούμενης περιοχής. Το κύριο πλεονέκτημα της παρακολούθησης που βασίζεται σε Sentinel-2 είναι η ακριβής κατηγοριοποίηση των καλλιεργειών για ένα μεγάλο σύνολο τάξεων και η αξιόπιστη αναγνώριση καλλιεργητικών γεγονότων. Συνολικά, η παρακολούθηση που βασίζεται στον Sentinel-2 μπορεί να είναι αποτελεσματική σε εθνική κλίμακα και αναμένονται περαιτέρω βελτιώσεις μελλοντικά στην ακρίβεια, μέσα από τη συμπερίληψη δεδομένων Sentinel-1 και την ταξινόμηση βαθιάς μάθησης.

[[category:Έλεγχος επιδοτήσεων]]

Χάρτης Απεικόνισης των Μεταβολών του Αστικού Πρασίνου σε Πόλεις της Λατινικής Αμερικής

2023-02-08T18:04:00Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Καταγραφή πρασίνου αστικού ιστού

'''Πρωτότυπος τίτλος:''' “A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap”

'''Συγγραφείς:''' Yang Ju, Iryna Dronova, Xavier Delclòs-Alió

'''Πηγή:''' Ju, Y., Dronova, I. & Delclòs-Alió, X. A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap. Sci Data 9, 586 (2022). https://doi.org/10.1038/s41597-022-01701-y [https://www.nature.com/articles/s41597-022-01701-y]

'''Περίληψη:''' Η χαρτογραφική απεικόνιση είναι θεμελιώδης μέθοδος για τις μελέτες καταγραφής των αστικών χώρων πρασίνου. Παρά την αύξηση του αριθμού των χαρτών καταγραφής της κάλυψης γης σε παγκόσμια και περιφερειακή κλίμακα, οι προσπάθειες χαρτογράφησης του αστικού χώρου πρασίνου εξακολουθούν να είναι περιορισμένες και καθώς το αστικό πράσινο αποτελεί συχνά μέρος του ετερογενούς αστικού τοπίου, χάρτες κάλυψης γης που είναι χαμηλής ανάλυσης προερχόμενοι από εικόνες τηλεπισκόπησης, τείνουν να συγχέουν το αστικό πράσινο με άλλες καλύψεις γης.

Για τις ανάγκες της παρούσας μελέτης δημιουργήθηκε χάρτης ανάλυσης 10m που αφορά τα κύρια αστικά συμπλέγματα 371 μεγάλων πόλεων της Λατινικής Αμερικής για το 2017. Η προσέγγιση έγινε με εποπτευόμενη ταξινόμηση δορυφορικών εικόνων Sentinel-2 και δειγμάτων αστικού χώρου πρασίνου που προέκυψαν από το OpenStreetMap (OSM). Η συνολική ακρίβεια του συγκεκριμένου χάρτη σε 11 τυχαία επιλεγμένες πόλεις ήταν 0,87. Με την περαιτέρω αύξηση της ποιότητας χαρτογράφησης μέσω οπτικής επιθεώρησης και πρόσθετου ποιοτικού ελέγχου των δειγμάτων, ο τελικός χάρτης που προέκυψε, επιτρέπει μελέτες για τη μέτρηση της έκτασης της περιοχής, της διαμόρφωσης του χώρου και της σύνδεσης των ανθρώπων με τους χώρους αστικού πρασίνου, διευκολύνοντας τις μελέτες της σχέσης μεταξύ του αστικού πρασίνου και της έκθεσης των ανθρώπων σε περιβαλλοντικούς κινδύνους, τις επιπτώσεις για τη δημόσια υγεία, την αστική οικολογία και τον πολεοδομικό σχεδιασμό.

'''Λέξεις κλειδιά:''' Αστικός χώρος πρασίνου, OpenStreetMap, Εικόνες Sentinel-2

'''Εισαγωγή:''' Οι χώροι αστικού πρασίνου παρέχουν στους κατοίκους μίας πόλης διάφορες οικοσυστημικές υπηρεσίες, όπως η φυσική ρύθμιση του κλίματος, η εξουδετέρωση των περιβαλλοντικών κινδύνων και η βελτίωση της σωματικής και ψυχικής υγείας των ανθρώπων, καθιστώντας το αστικό πράσινο, ένα σπουδαίο περιβαλλοντικό αγαθό. Οι γειτονιές που γενικά δε διαθέτουν, ή χαρακτηρίζονται από κακώς συντηρημένο αστικό πράσινο, συνδέονται με αυξημένους κινδύνους εγκληματικότητας και πρόκληση προβλημάτων υγείας (αλλεργίες και ασθένειες). Το περιβαλλοντικό δίκαιο και ο πράσινος εξευγενισμός, είναι εγγενείς κοινωνικές προκλήσεις που συνδέονται με το αστικό πράσινο. Οι χάρτες απεικόνισης χώρων αστικού πρασίνου μεγάλης ανάλυσης και καλής ακρίβειας, είναι θεμελιώδεις για τη μελέτη των παραπάνω θεμάτων στους τομείς της περιβαλλοντικής υγείας, της αστικής οικολογίας και του αστικού σχεδιασμού, συμβάλλοντας μέσα από τα στοιχεία που έχουν συλλεχθεί, στον προγραμματισμό, στο σχεδιασμό και στη διαχείριση του αστικού πρασίνου.

'''Περιοχή Μελέτης:''' Για να δημιουργηθούν οι χάρτες αστικού πρασίνου, ορίστηκε ότι αυτό θα περιλαμβάνει δάση, γρασίδι, θάμνους, γεωργικές εκτάσεις και υγροβιότοπους και αντίστοιχα οι χάρτες που δεν αφορούν χώρους αστικού πρασίνου, θα περιλαμβάνουν κτήρια, πεζοδρόμια, δρόμους, άγονη γη και ξηρή/μη φωτοσυνθετική βλάστηση. Θεωρήθηκε ότι η ξηρή/μη φωτοσυνθετική βλάστηση που δε θα θεωρηθεί αστικό πράσινο, θα συντελέσει στη μείωση των σφαλμάτων χαρτογράφησης, επειδή τέτοιου είδους βλάστηση πιθανότατα θα προκαλέσει σύγχυση με την άγονη γη και κάποια αδιαπέραστη επιφάνεια των εικόνων.

Οι 371 πόλεις που χρησιμοποιήθηκαν, προσδιορίστηκαν από τη μελέτη Salud Urbana en América Latina (SALURBAL) που σχετίζεται με την υγεία στις πόλεις και η οποία το 2010 που διεξήχθη, περιελάμβανε τουλάχιστον 100.000 κατοίκους και αναφερόταν σε 11 χώρες, εκ των οποίων η Αργεντινή, η Βραζιλία, η Χιλή, η Κολομβία, η Κόστα Ρίκα, το Ελ Σαλβαδόρ, η Γουατεμάλα, το Μεξικό, η Νικαράγουα, ο Παναμάς και το Περού. Το επίκεντρο ήταν το κύριο αστικό σύμπλεγμα κάθε πόλης, όπου το τοπίο είναι εξαιρετικά ετερογενές και δεν υπάρχει η ειδική χαρτογράφηση των χώρων αστικού πρασίνου (Εικόνα 1).

[[Εικόνα: NT4_e1.png|thumb|left|'''Εικόνα 1.''' Η περιοχή μελέτης (a) και η απεικόνιση των κύριων αστικών συστάδων (b). Στο (a), οι δείκτες των πόλεων κλιμακώνονται με βάση το εμβαδόν του κύριου αστικού συμπλέγματος και χρωματίζονται με βάση το % της έκτασης που είναι χώρος αστικού πρασίνου. Στο (b), το παράδειγμα της Λίμα δείχνει ότι η πλειονότητα της δομημένης περιοχής της πόλης από τα δεδομένα του Global Urban Footprint βρίσκεται εντός του κύριου αστικού συμπλέγματος που περιγράφεται από το έργο SALURBAL.]]

'''Μεθοδολογία:''' Για να πραγματοποιηθεί η επιβλεπόμενη ταξινόμηση των χρήσεων/καλύψεων γης από εικόνες τηλεπισκόπησης, έγινε άντληση δεδομένων εκπαίδευσης από ένα σύνολο γεωγραφικών πληροφοριών εθελοντικής συλλογής του OpenStreetMap (OSM) και αυτές χρησιμοποιήθηκαν για να γίνει εκπαίδευση με Μηχανές Ταξινόμησης Διανυσματικής Υποστήριξης (SVM), σε ένα σύνθετο χωρίς νεφοκάλψη όλων των εικόνων τηλεπισκόπησης Sentinel-2 του 2017. Λαμβάνοντας υπόψη τις διαφορές στη μορφή και στα οικοσυστήματα μεταξύ των πόλεων, η ταξινόμηση αυτή πραγματοποιήθηκε ξεχωριστά για καθεμία από αυτές (Εικόνα 2).

Χρησιμοποιήθηκε ένα σύνθετο ενιαίας μέσης τιμής του Sentinel-2 ακτινοβολίας στην κορυφή της ατμόσφαιρας, με εικόνες ανακλαστικότητας του 2017 ως δεδομένα εισαγωγής. Οι εικόνες Sentinel-2 έχουν χωρική ανάλυση 10m και χρονική ανάλυση 5 ημερών. Για κάθε πόλη, αποκτήθηκαν και επεξεργάστηκαν όλες οι εικόνες που ήταν διαθέσιμες το 2017 στο Google Earth Engine, μία πλατφόρμα επεξεργασίας εικόνων τηλεπισκόπησης που βασίζεται σε επεξεργασία του υπολογιστικού νέφους.
Πριν τη χαρτογράφηση των χώρων αστικού πρασίνου, αφαιρέθηκαν τα σύννεφα και το νερό από τις εικόνες αφού χρησιμοποιήθηκε η εσωτερική μάσκα νέφους απομάκρυνσης των πυκνών σύννεφων και έτσι δημιουργήθηκε μία ενιαία διάμεση σύνθεση αυτών των εικόνων για την περαιτέρω αφαίρεση των υπολειμμάτων. Από το διάμεσο σύνθετο, αποκόπηκαν τα εποχικά και μόνιμα υδάτινα στοιχεία, χρησιμοποιώντας ένα παγκόσμιο επιφανειακό χάρτη νερού του 2015 και υποθέτοντας ότι δεν υπάρχουν σημαντικές αλλαγές μεταξύ 2015 με 2017. Έτσι προέκυψε μία ενιαία εικόνα χωρίς νέφη, σκιές και νερό για το 2017.

Στο τελικό βήμα, εφαρμόστηκαν τα όρια του κύριου αστικού συμπλέγματος, όπως ορίστηκαν από τη μελέτη SALURBAL, έτσι ώστε οι χώροι πρασίνου στις αγροτικές περιοχές να εξαιρεθούν από το χάρτη αστικού πρασίνου. Το κύριο αστικό σύμπλεγμα αποτελεί τη μεγαλύτερη συνεχή αστική περιοχή μέσα σε μία πόλη. Για να γίνει διάκριση μεταξύ του χώρου αστικού πρασίνου, της αδιαπέραστης γης, της άγονης γης και των υδάτινων σωμάτων, χρησιμοποιήθηκαν αρκετοί φασματικοί δείκτες, που σχετίζονται με τις κύριες καλύψεις γης σε μία πόλη. Επιπλέον, συμπεριλήφθηκε η μήτρα συν-συμβάντος Gray Level (GLCM) του εγγύς υπέρυθρου καναλιού για να τονιστεί η υφή του τοπίου, το οποίο διαφέρει μεταξύ διαφορετικών τύπων αστικής κάλυψης γης.

Πραγματοποιήθηκε ακόμη ανάλυση των κύριων συνιστωσών (PCA) για τους δείκτες και το GLCM, για να μειωθεί η διάστασή τους και να πραγματοποιηθεί επιτάχυνση στην εκπαίδευση των μοντέλων. Λόγω της πολυσυγγραμμικότητας των δεικτών και του GLCM, η προσθήκη δεικτών μπορεί να παρέχει οριακό κέρδος στην ακρίβεια ταξινόμησης κατά την επέκταση του μοντέλου χρόνου εκπαίδευσης, περιορίζοντας την αποτελεσματικότητα της κλίμακας χαρτογράφησης του αστικού πρασίνου. Έτσι, μετασχηματίστηκαν οι φασματικοί δείκτες και το GLCM σε ένα σύνολο κύριων συνιστωσών (PC) που ήταν ανεξάρτητες η μία από την άλλη. Οι συνιστώσες υψηλότερης τάξης, ταξινομημένες με βάση την ποσοστιαία διακύμανση στα μη μετασχηματισμένα δεδομένα, τείνουν να ενισχύουν την αντίθεση μεταξύ των κυρίαρχων χαρακτηριστικών του τοπίου. Για κάθε πόλη επιλέχθηκαν οι πρώτες κύριες συνιστώσες, εξηγώντας πάνω από το 90% της διακύμανσης για τη μείωση της διάστασης των χαρακτηριστικών εισόδου (Εικόνα 2).

Για τη διεκπεραίωση της μελέτης χρησιμοποιήθηκαν οι καλύψεις γης και τα πολυγωνικά κτίρια του OSM από τις 30 Ιανουαρίου 2019 για τη συγκέντρωση και δημιουργία δειγμάτων εκπαίδευσης-επικύρωσης-δοκιμών για την ταξινόμηση. Αρχικά, σύμφωνα με τον προηγούμενο ορισμό για το αστικό πράσινο (δάσος, γρασίδι, θάμνος, γεωργία, υγρότοπος) και μη-αστικό πράσινο (κτήρια, πεζοδρόμιο, δρόμοι, άγονη γη και ξηρή βλάστηση), έγινε διαχωρισμός των πολυγώνων χρήσεων γης σε αστικό πράσινο και μη-αστικό πράσινο σύμφωνα με τις ετικέτες τους στο OSM. Το OSM χρησιμοποιεί ένα σύστημα επισήμανσης δύο επιπέδων (κλειδί OSM-τιμή OSM), και η ταξινόμηση των πολυγώνων χρήσης γης έγινε με βάση μία ενδεικτική λεπτομερή χρήση γης που διαθέτει το OSM. Έπειτα προστέθηκε ένας επιπλέον τύπος μικτών χώρων αστικού πρασίνου στον προηγούμενο ορισμό των χώρων αστικού πρασίνου για την ενσωμάτωση των πολυγώνων χρήσεων γης που πιθανώς περιείχαν τόσο αστικό πράσινο, όσο και μη-αστικό πράσινο. Ακόμη, αναγνωρίστηκε ότι τα πολύγωνα χρήσης γης χώρων αστικού πρασίνου ενδέχεται να περιέχουν και μη-αστικό πράσινο, όπως ένα πεζοδρόμιο με τεχνητό γρασίδι και γι’ αυτό φιλτραρίστηκαν τα δείγματα που προέκυψαν χρησιμοποιώντας τις τιμές του NDVI (Εικόνα 2).

Στη συνέχεια, αφαιρέθηκαν οι ακραίες τιμές από τα πολύγωνα των χρήσεων γης, χρησιμοποιώντας το μέγεθος και το σχήμα τους και υποθέτοντας ότι οι ακραίες τιμές ήταν χαμηλής ποιότητας και είχαν λανθασμένες ετικέτες ή περιείχαν πολλαπλές χρήσεις γης, οι οποίες δεν ήταν κατάλληλες για τη δημιουργία «καθαρών» δειγμάτων για την ταξινόμηση. Συγκεκριμένα, διατηρήθηκαν τα πολύγωνα των χρήσεων γης που ήταν εντός του μέσου 95% των πολυγώνων κατανομής και στο χαμηλότερο 90% της κατανομής του δείκτη σχήματος των πολυγώνων, όπου οι υψηλότερες τιμές υπέδειξαν μεγαλύτερη πολυπλοκότητα σχημάτων. Τέλος, απορρίφθηκαν τα πολύγωνα για τα κτήρια, χωρίς καμία τροποποίηση και χαρακτηρίστηκαν ως μη-αστικό πράσινο, υποθέτοντας ότι τα κτήρια ήταν οριοθετημένα και επισημασμένα με μεγαλύτερη ακρίβεια. Τα ενωμένα πολύγωνα αστικού και μη-αστικού πρασίνου μετά από τη διαδικασία ποιοτικού ελέγχου χρησίμευσαν ως η δεξαμενή για τη δημιουργία δειγμάτων.

Στις εικόνες πραγματοποιήθηκε εποπτευόμενη ταξινόμηση με τη βοήθεια μίας μηχανής διανυσματικής υποστήριξης (SVM) για τη χαρτογράφηση του αστικού πρασίνου. Η βιβλιογραφία υποδηλώνει ότι η SVM έχει καλύτερη απόδοση από άλλους ταξινομητές μη βαθιάς μηχανικής μάθησης, όπως το δέντρο αποφάσεων, το τυχαίο δάσος και η μέγιστη πιθανοφάνεια, στην ταξινόμηση κάλυψης γης. Επιπλέον, όταν χρησιμοποιεί χαρακτηριστικά που σχετίζονται με την υφή όπως το GLCM στην παρούσα μελέτη, η απόδοση της SVM είναι συγκρίσιμη με τους ταξινομητές βαθιών νευρωνικών δικτύων (Εικόνα 2).

[[Εικόνα: NT4_e2.png|thumb|right|'''Εικόνα 2.''' Περιγραφή της ροής εργασιών για τη δημιουργία χάρτη αστικού πρασίνου.]]

Η μηχανή ταξινόμησης SVM χρησιμοποίησε έναν πυρήνα συνάρτησης ακτινικής βάσης και πραγματοποιήθηκε συντονισμός του μοντέλου για δύο παραμέτρους, οι οποίες ήταν η παράμετρος κανονικοποίησης (C) και ο συντελεστής πυρήνα (γάμα), ακολουθώντας τις συστάσεις των Hsu et al.. Για κάθε παράμετρο, συμπεριλήφθηκαν 16 υποψήφιες τιμές σε μια εκθετική ακολουθία (2n, n=−3, −2, …, 12). Το μοντέλο συντονίστηκε χρησιμοποιώντας μία μέθοδο αναζήτησης πλέγματος, για την οποία η εκπαίδευση και επικύρωση έγιναν επαναληπτικά χρησιμοποιώντας το μοναδικό κάθε φορά συνδυασμό, των υποψήφιων τιμών των δύο παραμέτρων.
Σε κάθε επανάληψη, έγινε μια δεκαπλάσια διασταυρούμενη επικύρωση χρησιμοποιώντας το σύνολο εκπαίδευσης-επικύρωσης και μετρήθηκε η μέση απόδοσή του. Το σύνολο των τιμών των παραμέτρων που παρήγαγαν το υψηλότερο F1-score, το οποίο είναι το αρμονικό μέσο ακρίβειας και ανάκλησης, χρησιμοποιήθηκαν για τον προσδιορισμό του τελικού μοντέλου, το οποίο εφαρμόστηκε στο σύνολο δοκιμών και το F1-score καταγράφηκε ως η τελική ακρίβειά του, η οποία χρησιμοποιήθηκε αργότερα στην τεχνική επικύρωση των δειγμάτων των πόλεων για πρόσθετη αξιολόγηση της ακρίβειας των δειγμάτων που συλλέγονται με ανεξάρτητο τρόπο.

'''Αποτελέσματα:''' Προέκυψαν αρκετοί περιορισμοί που οδήγησαν στην ανέγερση προβληματισμών για μελλοντικές προσπάθειες ανάπτυξης χαρτών χρήσεων/καλύψεων γης. Αρχικά, το αποτέλεσμα της χαρτογράφησης δεν κάνει διάκριση σε συγκεκριμένους τύπους χρήσεων/καλύψεων γης, όπως, δάση, γρασίδι, γεωργία, πάρκο και φυσικά καταφύγια. Επιπλέον, δεν συμπεριλήφθηκε στις χρήσεις/καλύψεις γης, η ξηρή ή μη φωτοσυνθετική βλάστηση, εξαιτίας των ομοιοτήτων της με το άγονο έδαφος και μερικών αδιαπέραστων επιφανειών εικόνων τηλεπισκόπησης. Οι στοχευμένες προσπάθειες χαρτογράφησης και οι νέες μέθοδοι προσανατολισμού σε λεπτομερείς τύπους χρήσεων/καλύψεων γης, μπορούν να βοηθήσουν στην περαιτέρω επίλυση αυτών των περιορισμών. Για παράδειγμα, ενώ χρησιμοποιήθηκε μία ετήσια σύνοψη εικόνων τηλεπισκόπησης που ήταν χρονικά αμετάβλητη για τη χαρτογράφηση των χρήσεων/καλύψεων γης, μπορούσε γενικά να χρησιμοποιηθεί μία χρονοσειρά εικόνων και να εξαχθούν φαινολογικά στάδια, για να καταστεί δυνατή η πιο λεπτομερής χαρτογράφηση διαφορετικών τύπων βλάστησης.

Πολλές αποφάσεις που χρησιμοποιούνται σ’ αυτή τη χαρτογράφηση, όπως αυτές για το φιλτράρισμα του πολυγώνου των χρήσεων γης του OSM που χρησιμοποιούν την πολυπλοκότητα του σχήματος και την αφαίρεση ακραίων στοιχείων με βάση τον NDVI, δεν έχουν δοκιμαστεί ακόμη σε παρόμοιες μελέτες για να καταγραφούν οι επιπτώσεις τους στην ποιότητα χαρτογράφησης. Διαπιστώθηκε ακόμη, ότι τόσο η διαθεσιμότητα όσο και η ποιότητα των πολυγώνων OSM, έτειναν να είναι χαμηλού επιπέδου στις μικρές πόλεις, απαγορεύοντας μία πλήρως αυτοματοποιημένη διαδικασία χαρτογράφησης. Σ’ αυτές περιπτώσεις, η χειροκίνητη προσθήκη και επεξεργασία των πολυγώνων OSM, μπορεί να καταστεί απαραίτητη για τη διασφάλιση της ποιότητας χαρτογράφησης.

Ο χάρτης καταγραφής του αστικού πρασίνου, περιελάμβανε τρία σετ αρχείων∙ τους δυαδικούς χάρτες απεικόνισης χώρων αστικού πρασίνου χωρικής ανάλυσης 10m σε μορφή GEOTIFF, με καθεμία από τις 371 πόλεις να αποτελεί μεμονωμένο χάρτη και όπου γινόταν αντιστοίχιση της τιμής του 1 υποδήλωνε χώρους αστικού πρασίνου, αντίστοιχα του 0 υποδείκνυε χώρους μη-αστικού πρασίνου και όπου δεν υπήρχαν δεδομένα, η τιμή −32768 υποδείκνυε περιοχές εκτός των χαρτογραφημένων ορίων ή υδάτινων όγκων. Επιπλέον περιελάμβανε ένα διανυσματικό αρχείο με χαρτογραφημένα τα όρια, το οποίο περιείχε το όνομα της πόλης, το όνομα και τον κωδικό ISO-2 της χώρας και ένα αναγνωριστικό πεδίο που συνδέει τα όρια κάθε πόλης με τον αντίστοιχο χάρτη χώρων αστικού πρασίνου. Περιελάμβανε, ακόμη, αρχεία .prj που περιείχαν πληροφορίες προβολής για τους δυαδικούς χάρτες των χώρων αστικού πρασίνου και του διανυσματικού αρχείου των ορίων. Οι δυαδικοί χάρτες των χώρων αστικού πρασίνου προβλήθηκαν στο σύστημα WGS 84/Pseudo-Mercator (EPSG: 3857), και το διανυσματικό αρχείο των ορίων στο σύστημα συντεταγμένων WGS 1984 (EPSG: 4326). Οι χάρτες των χώρων αστικού πρασίνου και το αρχείο με τα όρια υποβλήθηκαν σε επεξεργασία σε λογισμικό GIS (ArcGIS και FRAGSTATS), στην Εικόνα 3 παρουσιάζεται δείγμα χαρτών απεικόνισης αστικού πρασίνου.

[[Εικόνα: NT4_e3.png|thumb|right|'''Εικόνα 3.''' Χάρτες απεικόνισης του αστικού πρασίνου ανάλυσης 10m για μεγάλες πόλεις της Λατινικής Αμερικής από εικόνες τηλεπισκόπησης Sentinel-2 και OpenStreetMap.]]

Οι χάρτες κάλυψης αστικού πρασίνου επικυρώθηκαν σε δύο βήματα. Πρώτα, πραγματοποιήθηκε αξιολόγηση της ακρίβειας με δείγματα επικύρωσης για τα οποία έγινε ανεξάρτητη συλλογή από 11 πόλεις, τα οποία επιλέχθηκαν μέσω στρωματοποιημένης τυχαίας δειγματοληψίας. Αυτά τα δείγματα επικύρωσης ήταν ανεξάρτητα από τα δεδομένα εκπαίδευσης-επικύρωσης-δοκιμών που προέρχονται από το OSM και η αξιολόγηση ακρίβειας που προέκυψε, χρησίμευσε ως αρχική δήλωση της ακρίβειας των χαρτών κάλυψης αστικού πρασίνου. Επιπλέον, για να επιτευχθεί το καλύτερο δυνατό αποτέλεσμα, πραγματοποιήθηκε οπτική αξιολόγηση της ποιότητας ταξινόμησης και για τις 371 πόλεις και εντοπίστηκαν εκείνες που η χαρτογράφησή τους, δεν ήταν ικανοποιητική και τότε έγινε περαιτέρω συλλογή δειγμάτων, ποιοτικός έλεγχος και ταξινόμηση εικόνων σε αυτές τις πόλεις έως ότου οι χάρτες απεικόνισης αστικού πρασίνου, θεωρηθούν καλής ποιότητας.

Συλλέχθηκαν, ακόμη, 3050 δείγματα επικύρωσης κάλυψης και μη-κάλυψης αστικού πρασίνου. Αρχικά, οι πόλεις χωρίστηκαν σε τρεις κύριες κλιματικές ζώνες και με βάση το αποτέλεσμα στο προηγούμενο βήμα έμειναν 11 και έπειτα, με την πραγματοποίηση στρωματοποιημένης τυχαίας δειγματοληψίας εντός των 11 πόλεων στόχος ήταν να εντοπιστούν οι τοποθεσίες επικύρωσης των δειγμάτων και να εξισορροπηθούν τα μεγέθη των δειγμάτων των χώρων αστικού και μη-αστικού πρασίνου. Από τα δείγματα επικύρωσης των 11 πόλεων, έπειτα ερμηνεύτηκαν οπτικά με πιο λεπτομερή ανάλυση τα δείγματα των εικόνων Sentinel-2 και Google Earth και αυτά τα δείγματα επικύρωσης χρησιμοποιήθηκαν για να πραγματοποιηθεί αξιολόγηση της ακρίβειας για τις 11 πόλεις.

'''Συμπεράσματα:''' Η συνολική ακρίβεια των χαρτών καταγραφής αστικού πρασίνου στις 11 πόλεις ήταν 0,87, με πραγματοποίηση επιπλέον υπολογισμού της ακρίβειας χαρτογράφησης μεμονωμένα των πόλεων με βάση τις κλιματικές ζώνες τους. Οι πόλεις με τροπικό κλίμα είχαν καλύτερες ακρίβειες, καθώς το αστικό πράσινο σ’ αυτές, τείνει να συνδυάζεται με πιο πράσινη και πυκνότερη βλάστηση και παρουσίασαν ισχυρότερη αντίθεση σε σχέση με τα σημεία έλλειψης αστικού πρασίνου. Πόλεις σε εύκρατα και άνυδρα κλίματα είχαν χαμηλότερη ακρίβεια, καθώς το αστικό πράσινο σε αυτά τα κλίματα τείνει να έχει φασματικές ιδιότητες τέτοιες, που κάνουν το αστικό πράσινο εκεί να τείνει να συγχέεται πολύ πιο εύκολα με το μη-αστικό πράσινο.

Για την επίτευξη της καλύτερης δυνατής ποιότητας χαρτογράφησης και την αντιμετώπιση περιπτώσεων όπου η ποιότητα και η διαθεσιμότητα των δεδομένων OSM ήταν περιορισμένες, δύο από τους συγγραφείς επιθεώρησαν οπτικά το αρχικό αρχείο χαρτών αστικού πρασίνου, σε σχέση με τις εικόνες Sentinel-2 και για τις 371 πόλεις και επεσήμαναν τις πόλεις με μη ικανοποιητικά αποτελέσματα χαρτογράφησης. Για να βελτιωθεί η ποιότητα χαρτογράφησης σε αυτές τις πόλεις, πραγματοποιήθηκε επιστροφή στη διαδικασία συλλογής και φιλτραρίσματος δειγμάτων και εκεί πραγματοποιήθηκε πρόσθετος ποιοτικός έλεγχος στα πολύγωνα OSM. Συγκεκριμένα, βελτιώθηκε το όριο και διορθώθηκαν ετικέτες για τα πολύγωνα. Σε πόλεις με περιορισμένη κάλυψη από το OSM, προστέθηκαν χειροκίνητα τα πολύγωνα OSM. Στη συνέχεια χρησιμοποιήθηκαν αυτά τα ενημερωμένα πολύγωνα OSM για να εκτελεστεί συλλογή δειγμάτων και φιλτράρισμα και επακολούθως να προκύψει η ταξινόμηση της εικόνας. Τέλος, επιθεωρήθηκαν οπτικά τα ενημερωμένα αποτελέσματα της χαρτογράφησης και πραγματοποιήθηκε επαναληπτικά ο ποιοτικός έλεγχος στα πολύγωνα OSM καθώς και στα επόμενα βήματα, έως ότου τα αποτελέσματα της χαρτογράφησης ήταν ικανοποιητικά.

[[category:Καταγραφή πρασίνου]]

Χάρτης Απεικόνισης των Μεταβολών του Αστικού Πρασίνου σε Πόλεις της Λατινικής Αμερικής

2023-02-08T17:58:19Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Καταγραφή πρασίνου αστικού ιστού

'''Πρωτότυπος τίτλος:''' “A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap”

'''Συγγραφείς:''' Yang Ju, Iryna Dronova, Xavier Delclòs-Alió

'''Πηγή:''' Ju, Y., Dronova, I. & Delclòs-Alió, X. A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap. Sci Data 9, 586 (2022). https://doi.org/10.1038/s41597-022-01701-y [https://www.nature.com/articles/s41597-022-01701-y]

'''Περίληψη:''' Η χαρτογραφική απεικόνιση είναι θεμελιώδης μέθοδος για τις μελέτες καταγραφής των αστικών χώρων πρασίνου. Παρά την αύξηση του αριθμού των χαρτών καταγραφής της κάλυψης γης σε παγκόσμια και περιφερειακή κλίμακα, οι προσπάθειες χαρτογράφησης του αστικού χώρου πρασίνου εξακολουθούν να είναι περιορισμένες και καθώς το αστικό πράσινο αποτελεί συχνά μέρος του ετερογενούς αστικού τοπίου, χάρτες κάλυψης γης που είναι χαμηλής ανάλυσης προερχόμενοι από εικόνες τηλεπισκόπησης, τείνουν να συγχέουν το αστικό πράσινο με άλλες καλύψεις γης.

Για τις ανάγκες της παρούσας μελέτης δημιουργήθηκε χάρτης ανάλυσης 10m που αφορά τα κύρια αστικά συμπλέγματα 371 μεγάλων πόλεων της Λατινικής Αμερικής για το 2017. Η προσέγγιση έγινε με εποπτευόμενη ταξινόμηση δορυφορικών εικόνων Sentinel-2 και δειγμάτων αστικού χώρου πρασίνου που προέκυψαν από το OpenStreetMap (OSM). Η συνολική ακρίβεια του συγκεκριμένου χάρτη σε 11 τυχαία επιλεγμένες πόλεις ήταν 0,87. Με την περαιτέρω αύξηση της ποιότητας χαρτογράφησης μέσω οπτικής επιθεώρησης και πρόσθετου ποιοτικού ελέγχου των δειγμάτων, ο τελικός χάρτης που προέκυψε, επιτρέπει μελέτες για τη μέτρηση της έκτασης της περιοχής, της διαμόρφωσης του χώρου και της σύνδεσης των ανθρώπων με τους χώρους αστικού πρασίνου, διευκολύνοντας τις μελέτες της σχέσης μεταξύ του αστικού πρασίνου και της έκθεσης των ανθρώπων σε περιβαλλοντικούς κινδύνους, τις επιπτώσεις για τη δημόσια υγεία, την αστική οικολογία και τον πολεοδομικό σχεδιασμό.

'''Λέξεις κλειδιά:''' Αστικός χώρος πρασίνου, OpenStreetMap, Εικόνες Sentinel-2

'''Εισαγωγή:''' Οι χώροι αστικού πρασίνου παρέχουν στους κατοίκους μίας πόλης διάφορες οικοσυστημικές υπηρεσίες, όπως η φυσική ρύθμιση του κλίματος, η εξουδετέρωση των περιβαλλοντικών κινδύνων και η βελτίωση της σωματικής και ψυχικής υγείας των ανθρώπων, καθιστώντας το αστικό πράσινο, ένα σπουδαίο περιβαλλοντικό αγαθό. Οι γειτονιές που γενικά δε διαθέτουν, ή χαρακτηρίζονται από κακώς συντηρημένο αστικό πράσινο, συνδέονται με αυξημένους κινδύνους εγκληματικότητας και πρόκληση προβλημάτων υγείας (αλλεργίες και ασθένειες). Το περιβαλλοντικό δίκαιο και ο πράσινος εξευγενισμός, είναι εγγενείς κοινωνικές προκλήσεις που συνδέονται με το αστικό πράσινο. Οι χάρτες απεικόνισης χώρων αστικού πρασίνου μεγάλης ανάλυσης και καλής ακρίβειας, είναι θεμελιώδεις για τη μελέτη των παραπάνω θεμάτων στους τομείς της περιβαλλοντικής υγείας, της αστικής οικολογίας και του αστικού σχεδιασμού, συμβάλλοντας μέσα από τα στοιχεία που έχουν συλλεχθεί, στον προγραμματισμό, στο σχεδιασμό και στη διαχείριση του αστικού πρασίνου.

'''Περιοχή Μελέτης:''' Για να δημιουργηθούν οι χάρτες αστικού πρασίνου, ορίστηκε ότι αυτό θα περιλαμβάνει δάση, γρασίδι, θάμνους, γεωργικές εκτάσεις και υγροβιότοπους και αντίστοιχα οι χάρτες που δεν αφορούν χώρους αστικού πρασίνου, θα περιλαμβάνουν κτήρια, πεζοδρόμια, δρόμους, άγονη γη και ξηρή/μη φωτοσυνθετική βλάστηση. Θεωρήθηκε ότι η ξηρή/μη φωτοσυνθετική βλάστηση που δε θα θεωρηθεί αστικό πράσινο, θα συντελέσει στη μείωση των σφαλμάτων χαρτογράφησης, επειδή τέτοιου είδους βλάστηση πιθανότατα θα προκαλέσει σύγχυση με την άγονη γη και κάποια αδιαπέραστη επιφάνεια των εικόνων.

Οι 371 πόλεις που χρησιμοποιήθηκαν, προσδιορίστηκαν από τη μελέτη Salud Urbana en América Latina (SALURBAL) που σχετίζεται με την υγεία στις πόλεις και η οποία το 2010 που διεξήχθη, περιελάμβανε τουλάχιστον 100.000 κατοίκους και αναφερόταν σε 11 χώρες, εκ των οποίων η Αργεντινή, η Βραζιλία, η Χιλή, η Κολομβία, η Κόστα Ρίκα, το Ελ Σαλβαδόρ, η Γουατεμάλα, το Μεξικό, η Νικαράγουα, ο Παναμάς και το Περού. Το επίκεντρο ήταν το κύριο αστικό σύμπλεγμα κάθε πόλης, όπου το τοπίο είναι εξαιρετικά ετερογενές και δεν υπάρχει η ειδική χαρτογράφηση των χώρων αστικού πρασίνου (Εικόνα 1).

[[Εικόνα: NT4_e1.png|thumb|left|'''Εικόνα 1.''' Η περιοχή μελέτης (a) και η απεικόνιση των κύριων αστικών συστάδων (b). Στο (a), οι δείκτες των πόλεων κλιμακώνονται με βάση το εμβαδόν του κύριου αστικού συμπλέγματος και χρωματίζονται με βάση το % της έκτασης που είναι χώρος αστικού πρασίνου. Στο (b), το παράδειγμα της Λίμα δείχνει ότι η πλειονότητα της δομημένης περιοχής της πόλης από τα δεδομένα του Global Urban Footprint βρίσκεται εντός του κύριου αστικού συμπλέγματος που περιγράφεται από το έργο SALURBAL.]]

'''Μεθοδολογία:''' Για να πραγματοποιηθεί η επιβλεπόμενη ταξινόμηση των χρήσεων/καλύψεων γης από εικόνες τηλεπισκόπησης, έγινε άντληση δεδομένων εκπαίδευσης από ένα σύνολο γεωγραφικών πληροφοριών εθελοντικής συλλογής του OpenStreetMap (OSM) και αυτές χρησιμοποιήθηκαν για να γίνει εκπαίδευση με Μηχανές Ταξινόμησης Διανυσματικής Υποστήριξης (SVM), σε ένα σύνθετο χωρίς νεφοκάλψη όλων των εικόνων τηλεπισκόπησης Sentinel-2 του 2017. Λαμβάνοντας υπόψη τις διαφορές στη μορφή και στα οικοσυστήματα μεταξύ των πόλεων, η ταξινόμηση αυτή πραγματοποιήθηκε ξεχωριστά για καθεμία από αυτές (Εικόνα 2).

Χρησιμοποιήθηκε ένα σύνθετο ενιαίας μέσης τιμής του Sentinel-2 ακτινοβολίας στην κορυφή της ατμόσφαιρας, με εικόνες ανακλαστικότητας του 2017 ως δεδομένα εισαγωγής. Οι εικόνες Sentinel-2 έχουν χωρική ανάλυση 10m και χρονική ανάλυση 5 ημερών. Για κάθε πόλη, αποκτήθηκαν και επεξεργάστηκαν όλες οι εικόνες που ήταν διαθέσιμες το 2017 στο Google Earth Engine, μία πλατφόρμα επεξεργασίας εικόνων τηλεπισκόπησης που βασίζεται σε επεξεργασία του υπολογιστικού νέφους.
Πριν τη χαρτογράφηση των χώρων αστικού πρασίνου, αφαιρέθηκαν τα σύννεφα και το νερό από τις εικόνες αφού χρησιμοποιήθηκε η εσωτερική μάσκα νέφους απομάκρυνσης των πυκνών σύννεφων και έτσι δημιουργήθηκε μία ενιαία διάμεση σύνθεση αυτών των εικόνων για την περαιτέρω αφαίρεση των υπολειμμάτων. Από το διάμεσο σύνθετο, αποκόπηκαν τα εποχικά και μόνιμα υδάτινα στοιχεία, χρησιμοποιώντας ένα παγκόσμιο επιφανειακό χάρτη νερού του 2015 και υποθέτοντας ότι δεν υπάρχουν σημαντικές αλλαγές μεταξύ 2015 με 2017. Έτσι προέκυψε μία ενιαία εικόνα χωρίς νέφη, σκιές και νερό για το 2017.

Στο τελικό βήμα, εφαρμόστηκαν τα όρια του κύριου αστικού συμπλέγματος, όπως ορίστηκαν από τη μελέτη SALURBAL, έτσι ώστε οι χώροι πρασίνου στις αγροτικές περιοχές να εξαιρεθούν από το χάρτη αστικού πρασίνου. Το κύριο αστικό σύμπλεγμα αποτελεί τη μεγαλύτερη συνεχή αστική περιοχή μέσα σε μία πόλη. Για να γίνει διάκριση μεταξύ του χώρου αστικού πρασίνου, της αδιαπέραστης γης, της άγονης γης και των υδάτινων σωμάτων, χρησιμοποιήθηκαν αρκετοί φασματικοί δείκτες, που σχετίζονται με τις κύριες καλύψεις γης σε μία πόλη. Επιπλέον, συμπεριλήφθηκε η μήτρα συν-συμβάντος Gray Level (GLCM) του εγγύς υπέρυθρου καναλιού για να τονιστεί η υφή του τοπίου, το οποίο διαφέρει μεταξύ διαφορετικών τύπων αστικής κάλυψης γης.

Πραγματοποιήθηκε ακόμη ανάλυση των κύριων συνιστωσών (PCA) για τους δείκτες και το GLCM, για να μειωθεί η διάστασή τους και να πραγματοποιηθεί επιτάχυνση στην εκπαίδευση των μοντέλων. Λόγω της πολυσυγγραμμικότητας των δεικτών και του GLCM, η προσθήκη δεικτών μπορεί να παρέχει οριακό κέρδος στην ακρίβεια ταξινόμησης κατά την επέκταση του μοντέλου χρόνου εκπαίδευσης, περιορίζοντας την αποτελεσματικότητα της κλίμακας χαρτογράφησης του αστικού πρασίνου. Έτσι, μετασχηματίστηκαν οι φασματικοί δείκτες και το GLCM σε ένα σύνολο κύριων συνιστωσών (PC) που ήταν ανεξάρτητες η μία από την άλλη. Οι συνιστώσες υψηλότερης τάξης, ταξινομημένες με βάση την ποσοστιαία διακύμανση στα μη μετασχηματισμένα δεδομένα, τείνουν να ενισχύουν την αντίθεση μεταξύ των κυρίαρχων χαρακτηριστικών του τοπίου. Για κάθε πόλη επιλέχθηκαν οι πρώτες κύριες συνιστώσες, εξηγώντας πάνω από το 90% της διακύμανσης για τη μείωση της διάστασης των χαρακτηριστικών εισόδου (Εικόνα 2).

Για τη διεκπεραίωση της μελέτης χρησιμοποιήθηκαν οι καλύψεις γης και τα πολυγωνικά κτίρια του OSM από τις 30 Ιανουαρίου 2019 για τη συγκέντρωση και δημιουργία δειγμάτων εκπαίδευσης-επικύρωσης-δοκιμών για την ταξινόμηση. Αρχικά, σύμφωνα με τον προηγούμενο ορισμό για το αστικό πράσινο (δάσος, γρασίδι, θάμνος, γεωργία, υγρότοπος) και μη-αστικό πράσινο (κτήρια, πεζοδρόμιο, δρόμοι, άγονη γη και ξηρή βλάστηση), έγινε διαχωρισμός των πολυγώνων χρήσεων γης σε αστικό πράσινο και μη-αστικό πράσινο σύμφωνα με τις ετικέτες τους στο OSM. Το OSM χρησιμοποιεί ένα σύστημα επισήμανσης δύο επιπέδων (κλειδί OSM-τιμή OSM), και η ταξινόμηση των πολυγώνων χρήσης γης έγινε με βάση μία ενδεικτική λεπτομερή χρήση γης που διαθέτει το OSM. Έπειτα προστέθηκε ένας επιπλέον τύπος μικτών χώρων αστικού πρασίνου στον προηγούμενο ορισμό των χώρων αστικού πρασίνου για την ενσωμάτωση των πολυγώνων χρήσεων γης που πιθανώς περιείχαν τόσο αστικό πράσινο, όσο και μη-αστικό πράσινο. Ακόμη, αναγνωρίστηκε ότι τα πολύγωνα χρήσης γης χώρων αστικού πρασίνου ενδέχεται να περιέχουν και μη-αστικό πράσινο, όπως ένα πεζοδρόμιο με τεχνητό γρασίδι και γι’ αυτό φιλτραρίστηκαν τα δείγματα που προέκυψαν χρησιμοποιώντας τις τιμές του NDVI (Εικόνα 2).

Στη συνέχεια, αφαιρέθηκαν οι ακραίες τιμές από τα πολύγωνα των χρήσεων γης, χρησιμοποιώντας το μέγεθος και το σχήμα τους και υποθέτοντας ότι οι ακραίες τιμές ήταν χαμηλής ποιότητας και είχαν λανθασμένες ετικέτες ή περιείχαν πολλαπλές χρήσεις γης, οι οποίες δεν ήταν κατάλληλες για τη δημιουργία «καθαρών» δειγμάτων για την ταξινόμηση. Συγκεκριμένα, διατηρήθηκαν τα πολύγωνα των χρήσεων γης που ήταν εντός του μέσου 95% των πολυγώνων κατανομής και στο χαμηλότερο 90% της κατανομής του δείκτη σχήματος των πολυγώνων, όπου οι υψηλότερες τιμές υπέδειξαν μεγαλύτερη πολυπλοκότητα σχημάτων. Τέλος, απορρίφθηκαν τα πολύγωνα για τα κτήρια, χωρίς καμία τροποποίηση και χαρακτηρίστηκαν ως μη-αστικό πράσινο, υποθέτοντας ότι τα κτήρια ήταν οριοθετημένα και επισημασμένα με μεγαλύτερη ακρίβεια. Τα ενωμένα πολύγωνα αστικού και μη-αστικού πρασίνου μετά από τη διαδικασία ποιοτικού ελέγχου χρησίμευσαν ως η δεξαμενή για τη δημιουργία δειγμάτων.

Στις εικόνες πραγματοποιήθηκε εποπτευόμενη ταξινόμηση με τη βοήθεια μίας μηχανής διανυσματικής υποστήριξης (SVM) για τη χαρτογράφηση του αστικού πρασίνου. Η βιβλιογραφία υποδηλώνει ότι η SVM έχει καλύτερη απόδοση από άλλους ταξινομητές μη βαθιάς μηχανικής μάθησης, όπως το δέντρο αποφάσεων, το τυχαίο δάσος και η μέγιστη πιθανοφάνεια, στην ταξινόμηση κάλυψης γης. Επιπλέον, όταν χρησιμοποιεί χαρακτηριστικά που σχετίζονται με την υφή όπως το GLCM στην παρούσα μελέτη, η απόδοση της SVM είναι συγκρίσιμη με τους ταξινομητές βαθιών νευρωνικών δικτύων (Εικόνα 2).

[[Εικόνα: NT4_e2.png|thumb|right|'''Εικόνα 2.''' Περιγραφή της ροής εργασιών για τη δημιουργία χάρτη αστικού πρασίνου.]]

Η μηχανή ταξινόμησης SVM χρησιμοποίησε έναν πυρήνα συνάρτησης ακτινικής βάσης και πραγματοποιήθηκε συντονισμός του μοντέλου για δύο παραμέτρους, οι οποίες ήταν η παράμετρος κανονικοποίησης (C) και ο συντελεστής πυρήνα (γάμα), ακολουθώντας τις συστάσεις των Hsu et al.. Για κάθε παράμετρο, συμπεριλήφθηκαν 16 υποψήφιες τιμές σε μια εκθετική ακολουθία (2n, n=−3, −2, …, 12). Το μοντέλο συντονίστηκε χρησιμοποιώντας μία μέθοδο αναζήτησης πλέγματος, για την οποία η εκπαίδευση και επικύρωση έγιναν επαναληπτικά χρησιμοποιώντας το μοναδικό κάθε φορά συνδυασμό, των υποψήφιων τιμών των δύο παραμέτρων.
Σε κάθε επανάληψη, έγινε μια δεκαπλάσια διασταυρούμενη επικύρωση χρησιμοποιώντας το σύνολο εκπαίδευσης-επικύρωσης και μετρήθηκε η μέση απόδοσή του. Το σύνολο των τιμών των παραμέτρων που παρήγαγαν το υψηλότερο F1-score, το οποίο είναι το αρμονικό μέσο ακρίβειας και ανάκλησης, χρησιμοποιήθηκαν για τον προσδιορισμό του τελικού μοντέλου, το οποίο εφαρμόστηκε στο σύνολο δοκιμών και το F1-score καταγράφηκε ως η τελική ακρίβειά του, η οποία χρησιμοποιήθηκε αργότερα στην τεχνική επικύρωση των δειγμάτων των πόλεων για πρόσθετη αξιολόγηση της ακρίβειας των δειγμάτων που συλλέγονται με ανεξάρτητο τρόπο.

'''Αποτελέσματα:''' Προέκυψαν αρκετοί περιορισμοί που οδήγησαν στην ανέγερση προβληματισμών για μελλοντικές προσπάθειες ανάπτυξης χαρτών χρήσεων/καλύψεων γης. Αρχικά, το αποτέλεσμα της χαρτογράφησης δεν κάνει διάκριση σε συγκεκριμένους τύπους χρήσεων/καλύψεων γης, όπως, δάση, γρασίδι, γεωργία, πάρκο και φυσικά καταφύγια. Επιπλέον, δεν συμπεριλήφθηκε στις χρήσεις/καλύψεις γης, η ξηρή ή μη φωτοσυνθετική βλάστηση, εξαιτίας των ομοιοτήτων της με το άγονο έδαφος και μερικών αδιαπέραστων επιφανειών εικόνων τηλεπισκόπησης. Οι στοχευμένες προσπάθειες χαρτογράφησης και οι νέες μέθοδοι προσανατολισμού σε λεπτομερείς τύπους χρήσεων/καλύψεων γης, μπορούν να βοηθήσουν στην περαιτέρω επίλυση αυτών των περιορισμών. Για παράδειγμα, ενώ χρησιμοποιήθηκε μία ετήσια σύνοψη εικόνων τηλεπισκόπησης που ήταν χρονικά αμετάβλητη για τη χαρτογράφηση των χρήσεων/καλύψεων γης, μπορούσε γενικά να χρησιμοποιηθεί μία χρονοσειρά εικόνων και να εξαχθούν φαινολογικά στάδια, για να καταστεί δυνατή η πιο λεπτομερής χαρτογράφηση διαφορετικών τύπων βλάστησης.

Πολλές αποφάσεις που χρησιμοποιούνται σ’ αυτή τη χαρτογράφηση, όπως αυτές για το φιλτράρισμα του πολυγώνου των χρήσεων γης του OSM που χρησιμοποιούν την πολυπλοκότητα του σχήματος και την αφαίρεση ακραίων στοιχείων με βάση τον NDVI, δεν έχουν δοκιμαστεί ακόμη σε παρόμοιες μελέτες για να καταγραφούν οι επιπτώσεις τους στην ποιότητα χαρτογράφησης. Διαπιστώθηκε ακόμη, ότι τόσο η διαθεσιμότητα όσο και η ποιότητα των πολυγώνων OSM, έτειναν να είναι χαμηλού επιπέδου στις μικρές πόλεις, απαγορεύοντας μία πλήρως αυτοματοποιημένη διαδικασία χαρτογράφησης. Σ’ αυτές περιπτώσεις, η χειροκίνητη προσθήκη και επεξεργασία των πολυγώνων OSM, μπορεί να καταστεί απαραίτητη για τη διασφάλιση της ποιότητας χαρτογράφησης.

Ο χάρτης καταγραφής του αστικού πρασίνου, περιελάμβανε τρία σετ αρχείων∙ τους δυαδικούς χάρτες απεικόνισης χώρων αστικού πρασίνου χωρικής ανάλυσης 10m σε μορφή GEOTIFF, με καθεμία από τις 371 πόλεις να αποτελεί μεμονωμένο χάρτη και όπου γινόταν αντιστοίχιση της τιμής του 1 υποδήλωνε χώρους αστικού πρασίνου, αντίστοιχα του 0 υποδείκνυε χώρους μη-αστικού πρασίνου και όπου δεν υπήρχαν δεδομένα, η τιμή −32768 υποδείκνυε περιοχές εκτός των χαρτογραφημένων ορίων ή υδάτινων όγκων. Επιπλέον περιελάμβανε ένα διανυσματικό αρχείο με χαρτογραφημένα τα όρια, το οποίο περιείχε το όνομα της πόλης, το όνομα και τον κωδικό ISO-2 της χώρας και ένα αναγνωριστικό πεδίο που συνδέει τα όρια κάθε πόλης με τον αντίστοιχο χάρτη χώρων αστικού πρασίνου. Περιελάμβανε, ακόμη, αρχεία .prj που περιείχαν πληροφορίες προβολής για τους δυαδικούς χάρτες των χώρων αστικού πρασίνου και του διανυσματικού αρχείου των ορίων. Οι δυαδικοί χάρτες των χώρων αστικού πρασίνου προβλήθηκαν στο σύστημα WGS 84/Pseudo-Mercator (EPSG: 3857), και το διανυσματικό αρχείο των ορίων στο σύστημα συντεταγμένων WGS 1984 (EPSG: 4326). Οι χάρτες των χώρων αστικού πρασίνου και το αρχείο με τα όρια υποβλήθηκαν σε επεξεργασία σε λογισμικό GIS (ArcGIS και FRAGSTATS), στην Εικόνα 3 παρουσιάζεται δείγμα χαρτών απεικόνισης αστικού πρασίνου.

[[Εικόνα: NT4_e3.png|thumb|right|'''Εικόνα 3.''' Χάρτες απεικόνισης του αστικού πρασίνου ανάλυσης 10m για μεγάλες πόλεις της Λατινικής Αμερικής από εικόνες τηλεπισκόπησης Sentinel-2 και OpenStreetMap.]]

Οι χάρτες κάλυψης αστικού πρασίνου επικυρώθηκαν σε δύο βήματα. Πρώτα, πραγματοποιήθηκε αξιολόγηση της ακρίβειας με δείγματα επικύρωσης για τα οποία έγινε ανεξάρτητη συλλογή από 11 πόλεις, τα οποία επιλέχθηκαν μέσω στρωματοποιημένης τυχαίας δειγματοληψίας. Αυτά τα δείγματα επικύρωσης ήταν ανεξάρτητα από τα δεδομένα εκπαίδευσης-επικύρωσης-δοκιμών που προέρχονται από το OSM και η αξιολόγηση ακρίβειας που προέκυψε, χρησίμευσε ως αρχική δήλωση της ακρίβειας των χαρτών κάλυψης αστικού πρασίνου. Επιπλέον, για να επιτευχθεί το καλύτερο δυνατό αποτέλεσμα, πραγματοποιήθηκε οπτική αξιολόγηση της ποιότητας ταξινόμησης και για τις 371 πόλεις και εντοπίστηκαν εκείνες που η χαρτογράφησή τους, δεν ήταν ικανοποιητική και τότε έγινε περαιτέρω συλλογή δειγμάτων, ποιοτικός έλεγχος και ταξινόμηση εικόνων σε αυτές τις πόλεις έως ότου οι χάρτες απεικόνισης αστικού πρασίνου, θεωρηθούν καλής ποιότητας.

Συλλέχθηκαν, ακόμη, 3050 δείγματα επικύρωσης κάλυψης και μη-κάλυψης αστικού πρασίνου. Αρχικά, οι πόλεις χωρίστηκαν σε τρεις κύριες κλιματικές ζώνες και με βάση το αποτέλεσμα στο προηγούμενο βήμα έμειναν 11 και έπειτα, με την πραγματοποίηση στρωματοποιημένης τυχαίας δειγματοληψίας εντός των 11 πόλεων στόχος ήταν να εντοπιστούν οι τοποθεσίες επικύρωσης των δειγμάτων και να εξισορροπηθούν τα μεγέθη των δειγμάτων των χώρων αστικού και μη-αστικού πρασίνου. Από τα δείγματα επικύρωσης των 11 πόλεων, έπειτα ερμηνεύτηκαν οπτικά με πιο λεπτομερή ανάλυση τα δείγματα των εικόνων Sentinel-2 και Google Earth και αυτά τα δείγματα επικύρωσης χρησιμοποιήθηκαν για να πραγματοποιηθεί αξιολόγηση της ακρίβειας για τις 11 πόλεις.

'''Συμπεράσματα:''' Η συνολική ακρίβεια των χαρτών UGS στις 11 πόλεις ήταν 0,87 και επιπλέον υπολογίστηκε η ακρίβεια χαρτογράφησης μεμονωμένα των πόλεων με βάση τις κλιματικές ζώνες τους. Οι πόλεις με τροπικό κλίμα είχαν καλύτερες ακρίβειες, καθώς το αστικό πράσινο σ’ αυτές, τείνει να συνδυάζεται με πιο πράσινη και πυκνότερη βλάστηση και παρουσίασαν ισχυρότερη αντίθεση σε σχέση με τα σημεία έλλειψης αστικού πρασίνου. Πόλεις σε εύκρατα και άνυδρα κλίματα είχαν χαμηλότερη ακρίβεια, καθώς το αστικό πράσινο σε αυτά τα κλίματα τείνει να έχει φασματικές ιδιότητες τέτοιες, που κάνουν το αστικό πράσινο εκεί να τείνει να συγχέεται πολύ πιο εύκολα με το μη-αστικό πράσινο.

Για την επίτευξη της καλύτερης δυνατής ποιότητας χαρτογράφησης και την αντιμετώπιση περιπτώσεων όπου η ποιότητα και η διαθεσιμότητα των δεδομένων OSM ήταν περιορισμένες, δύο από τους συγγραφείς επιθεώρησαν οπτικά το αρχικό αρχείο χαρτών αστικού πρασίνου, σε σχέση με τις εικόνες Sentinel-2 και για τις 371 πόλεις και επεσήμαναν τις πόλεις με μη ικανοποιητικά αποτελέσματα χαρτογράφησης. Για να βελτιωθεί η ποιότητα χαρτογράφησης σε αυτές τις πόλεις, πραγματοποιήθηκε επιστροφή στη διαδικασία συλλογής και φιλτραρίσματος δειγμάτων και εκεί πραγματοποιήθηκε πρόσθετος ποιοτικός έλεγχος στα πολύγωνα OSM. Συγκεκριμένα, βελτιώθηκε το όριο και διορθώθηκαν ετικέτες για τα πολύγωνα. Σε πόλεις με περιορισμένη κάλυψη από το OSM, προστέθηκαν χειροκίνητα τα πολύγωνα OSM. Στη συνέχεια χρησιμοποιήθηκαν αυτά τα ενημερωμένα πολύγωνα OSM για να εκτελεστεί συλλογή δειγμάτων και φιλτράρισμα και επακολούθως να προκύψει η ταξινόμηση της εικόνας. Τέλος, επιθεωρήθηκαν οπτικά τα ενημερωμένα αποτελέσματα της χαρτογράφησης και πραγματοποιήθηκε επαναληπτικά ο ποιοτικός έλεγχος στα πολύγωνα OSM καθώς και στα επόμενα βήματα, έως ότου τα αποτελέσματα της χαρτογράφησης ήταν ικανοποιητικά.

[[category:Καταγραφή πρασίνου]]

Χάρτης Απεικόνισης των Μεταβολών του Αστικού Πρασίνου σε Πόλεις της Λατινικής Αμερικής

2023-02-08T17:57:51Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Καταγραφή πρασίνου αστικού ιστού

'''Πρωτότυπος τίτλος:''' “A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap”
Συγγραφείς: Yang Ju, Iryna Dronova & Xavier Delclòs-Alió

'''Συγγραφείς:''' Yang Ju, Iryna Dronova & Xavier Delclòs-Alió

'''Πηγή:''' Ju, Y., Dronova, I. & Delclòs-Alió, X. A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap. Sci Data 9, 586 (2022). https://doi.org/10.1038/s41597-022-01701-y [https://www.nature.com/articles/s41597-022-01701-y]

'''Περίληψη:''' Η χαρτογραφική απεικόνιση είναι θεμελιώδης μέθοδος για τις μελέτες καταγραφής των αστικών χώρων πρασίνου. Παρά την αύξηση του αριθμού των χαρτών καταγραφής της κάλυψης γης σε παγκόσμια και περιφερειακή κλίμακα, οι προσπάθειες χαρτογράφησης του αστικού χώρου πρασίνου εξακολουθούν να είναι περιορισμένες και καθώς το αστικό πράσινο αποτελεί συχνά μέρος του ετερογενούς αστικού τοπίου, χάρτες κάλυψης γης που είναι χαμηλής ανάλυσης προερχόμενοι από εικόνες τηλεπισκόπησης, τείνουν να συγχέουν το αστικό πράσινο με άλλες καλύψεις γης.

Για τις ανάγκες της παρούσας μελέτης δημιουργήθηκε χάρτης ανάλυσης 10m που αφορά τα κύρια αστικά συμπλέγματα 371 μεγάλων πόλεων της Λατινικής Αμερικής για το 2017. Η προσέγγιση έγινε με εποπτευόμενη ταξινόμηση δορυφορικών εικόνων Sentinel-2 και δειγμάτων αστικού χώρου πρασίνου που προέκυψαν από το OpenStreetMap (OSM). Η συνολική ακρίβεια του συγκεκριμένου χάρτη σε 11 τυχαία επιλεγμένες πόλεις ήταν 0,87. Με την περαιτέρω αύξηση της ποιότητας χαρτογράφησης μέσω οπτικής επιθεώρησης και πρόσθετου ποιοτικού ελέγχου των δειγμάτων, ο τελικός χάρτης που προέκυψε, επιτρέπει μελέτες για τη μέτρηση της έκτασης της περιοχής, της διαμόρφωσης του χώρου και της σύνδεσης των ανθρώπων με τους χώρους αστικού πρασίνου, διευκολύνοντας τις μελέτες της σχέσης μεταξύ του αστικού πρασίνου και της έκθεσης των ανθρώπων σε περιβαλλοντικούς κινδύνους, τις επιπτώσεις για τη δημόσια υγεία, την αστική οικολογία και τον πολεοδομικό σχεδιασμό.

'''Λέξεις κλειδιά:''' Αστικός χώρος πρασίνου, OpenStreetMap, Εικόνες Sentinel-2

'''Εισαγωγή:''' Οι χώροι αστικού πρασίνου παρέχουν στους κατοίκους μίας πόλης διάφορες οικοσυστημικές υπηρεσίες, όπως η φυσική ρύθμιση του κλίματος, η εξουδετέρωση των περιβαλλοντικών κινδύνων και η βελτίωση της σωματικής και ψυχικής υγείας των ανθρώπων, καθιστώντας το αστικό πράσινο, ένα σπουδαίο περιβαλλοντικό αγαθό. Οι γειτονιές που γενικά δε διαθέτουν, ή χαρακτηρίζονται από κακώς συντηρημένο αστικό πράσινο, συνδέονται με αυξημένους κινδύνους εγκληματικότητας και πρόκληση προβλημάτων υγείας (αλλεργίες και ασθένειες). Το περιβαλλοντικό δίκαιο και ο πράσινος εξευγενισμός, είναι εγγενείς κοινωνικές προκλήσεις που συνδέονται με το αστικό πράσινο. Οι χάρτες απεικόνισης χώρων αστικού πρασίνου μεγάλης ανάλυσης και καλής ακρίβειας, είναι θεμελιώδεις για τη μελέτη των παραπάνω θεμάτων στους τομείς της περιβαλλοντικής υγείας, της αστικής οικολογίας και του αστικού σχεδιασμού, συμβάλλοντας μέσα από τα στοιχεία που έχουν συλλεχθεί, στον προγραμματισμό, στο σχεδιασμό και στη διαχείριση του αστικού πρασίνου.

'''Περιοχή Μελέτης:''' Για να δημιουργηθούν οι χάρτες αστικού πρασίνου, ορίστηκε ότι αυτό θα περιλαμβάνει δάση, γρασίδι, θάμνους, γεωργικές εκτάσεις και υγροβιότοπους και αντίστοιχα οι χάρτες που δεν αφορούν χώρους αστικού πρασίνου, θα περιλαμβάνουν κτήρια, πεζοδρόμια, δρόμους, άγονη γη και ξηρή/μη φωτοσυνθετική βλάστηση. Θεωρήθηκε ότι η ξηρή/μη φωτοσυνθετική βλάστηση που δε θα θεωρηθεί αστικό πράσινο, θα συντελέσει στη μείωση των σφαλμάτων χαρτογράφησης, επειδή τέτοιου είδους βλάστηση πιθανότατα θα προκαλέσει σύγχυση με την άγονη γη και κάποια αδιαπέραστη επιφάνεια των εικόνων.

Οι 371 πόλεις που χρησιμοποιήθηκαν, προσδιορίστηκαν από τη μελέτη Salud Urbana en América Latina (SALURBAL) που σχετίζεται με την υγεία στις πόλεις και η οποία το 2010 που διεξήχθη, περιελάμβανε τουλάχιστον 100.000 κατοίκους και αναφερόταν σε 11 χώρες, εκ των οποίων η Αργεντινή, η Βραζιλία, η Χιλή, η Κολομβία, η Κόστα Ρίκα, το Ελ Σαλβαδόρ, η Γουατεμάλα, το Μεξικό, η Νικαράγουα, ο Παναμάς και το Περού. Το επίκεντρο ήταν το κύριο αστικό σύμπλεγμα κάθε πόλης, όπου το τοπίο είναι εξαιρετικά ετερογενές και δεν υπάρχει η ειδική χαρτογράφηση των χώρων αστικού πρασίνου (Εικόνα 1).

[[Εικόνα: NT4_e1.png|thumb|left|'''Εικόνα 1.''' Η περιοχή μελέτης (a) και η απεικόνιση των κύριων αστικών συστάδων (b). Στο (a), οι δείκτες των πόλεων κλιμακώνονται με βάση το εμβαδόν του κύριου αστικού συμπλέγματος και χρωματίζονται με βάση το % της έκτασης που είναι χώρος αστικού πρασίνου. Στο (b), το παράδειγμα της Λίμα δείχνει ότι η πλειονότητα της δομημένης περιοχής της πόλης από τα δεδομένα του Global Urban Footprint βρίσκεται εντός του κύριου αστικού συμπλέγματος που περιγράφεται από το έργο SALURBAL.]]

'''Μεθοδολογία:''' Για να πραγματοποιηθεί η επιβλεπόμενη ταξινόμηση των χρήσεων/καλύψεων γης από εικόνες τηλεπισκόπησης, έγινε άντληση δεδομένων εκπαίδευσης από ένα σύνολο γεωγραφικών πληροφοριών εθελοντικής συλλογής του OpenStreetMap (OSM) και αυτές χρησιμοποιήθηκαν για να γίνει εκπαίδευση με Μηχανές Ταξινόμησης Διανυσματικής Υποστήριξης (SVM), σε ένα σύνθετο χωρίς νεφοκάλψη όλων των εικόνων τηλεπισκόπησης Sentinel-2 του 2017. Λαμβάνοντας υπόψη τις διαφορές στη μορφή και στα οικοσυστήματα μεταξύ των πόλεων, η ταξινόμηση αυτή πραγματοποιήθηκε ξεχωριστά για καθεμία από αυτές (Εικόνα 2).

Χρησιμοποιήθηκε ένα σύνθετο ενιαίας μέσης τιμής του Sentinel-2 ακτινοβολίας στην κορυφή της ατμόσφαιρας, με εικόνες ανακλαστικότητας του 2017 ως δεδομένα εισαγωγής. Οι εικόνες Sentinel-2 έχουν χωρική ανάλυση 10m και χρονική ανάλυση 5 ημερών. Για κάθε πόλη, αποκτήθηκαν και επεξεργάστηκαν όλες οι εικόνες που ήταν διαθέσιμες το 2017 στο Google Earth Engine, μία πλατφόρμα επεξεργασίας εικόνων τηλεπισκόπησης που βασίζεται σε επεξεργασία του υπολογιστικού νέφους.
Πριν τη χαρτογράφηση των χώρων αστικού πρασίνου, αφαιρέθηκαν τα σύννεφα και το νερό από τις εικόνες αφού χρησιμοποιήθηκε η εσωτερική μάσκα νέφους απομάκρυνσης των πυκνών σύννεφων και έτσι δημιουργήθηκε μία ενιαία διάμεση σύνθεση αυτών των εικόνων για την περαιτέρω αφαίρεση των υπολειμμάτων. Από το διάμεσο σύνθετο, αποκόπηκαν τα εποχικά και μόνιμα υδάτινα στοιχεία, χρησιμοποιώντας ένα παγκόσμιο επιφανειακό χάρτη νερού του 2015 και υποθέτοντας ότι δεν υπάρχουν σημαντικές αλλαγές μεταξύ 2015 με 2017. Έτσι προέκυψε μία ενιαία εικόνα χωρίς νέφη, σκιές και νερό για το 2017.

Στο τελικό βήμα, εφαρμόστηκαν τα όρια του κύριου αστικού συμπλέγματος, όπως ορίστηκαν από τη μελέτη SALURBAL, έτσι ώστε οι χώροι πρασίνου στις αγροτικές περιοχές να εξαιρεθούν από το χάρτη αστικού πρασίνου. Το κύριο αστικό σύμπλεγμα αποτελεί τη μεγαλύτερη συνεχή αστική περιοχή μέσα σε μία πόλη. Για να γίνει διάκριση μεταξύ του χώρου αστικού πρασίνου, της αδιαπέραστης γης, της άγονης γης και των υδάτινων σωμάτων, χρησιμοποιήθηκαν αρκετοί φασματικοί δείκτες, που σχετίζονται με τις κύριες καλύψεις γης σε μία πόλη. Επιπλέον, συμπεριλήφθηκε η μήτρα συν-συμβάντος Gray Level (GLCM) του εγγύς υπέρυθρου καναλιού για να τονιστεί η υφή του τοπίου, το οποίο διαφέρει μεταξύ διαφορετικών τύπων αστικής κάλυψης γης.

Πραγματοποιήθηκε ακόμη ανάλυση των κύριων συνιστωσών (PCA) για τους δείκτες και το GLCM, για να μειωθεί η διάστασή τους και να πραγματοποιηθεί επιτάχυνση στην εκπαίδευση των μοντέλων. Λόγω της πολυσυγγραμμικότητας των δεικτών και του GLCM, η προσθήκη δεικτών μπορεί να παρέχει οριακό κέρδος στην ακρίβεια ταξινόμησης κατά την επέκταση του μοντέλου χρόνου εκπαίδευσης, περιορίζοντας την αποτελεσματικότητα της κλίμακας χαρτογράφησης του αστικού πρασίνου. Έτσι, μετασχηματίστηκαν οι φασματικοί δείκτες και το GLCM σε ένα σύνολο κύριων συνιστωσών (PC) που ήταν ανεξάρτητες η μία από την άλλη. Οι συνιστώσες υψηλότερης τάξης, ταξινομημένες με βάση την ποσοστιαία διακύμανση στα μη μετασχηματισμένα δεδομένα, τείνουν να ενισχύουν την αντίθεση μεταξύ των κυρίαρχων χαρακτηριστικών του τοπίου. Για κάθε πόλη επιλέχθηκαν οι πρώτες κύριες συνιστώσες, εξηγώντας πάνω από το 90% της διακύμανσης για τη μείωση της διάστασης των χαρακτηριστικών εισόδου (Εικόνα 2).

Για τη διεκπεραίωση της μελέτης χρησιμοποιήθηκαν οι καλύψεις γης και τα πολυγωνικά κτίρια του OSM από τις 30 Ιανουαρίου 2019 για τη συγκέντρωση και δημιουργία δειγμάτων εκπαίδευσης-επικύρωσης-δοκιμών για την ταξινόμηση. Αρχικά, σύμφωνα με τον προηγούμενο ορισμό για το αστικό πράσινο (δάσος, γρασίδι, θάμνος, γεωργία, υγρότοπος) και μη-αστικό πράσινο (κτήρια, πεζοδρόμιο, δρόμοι, άγονη γη και ξηρή βλάστηση), έγινε διαχωρισμός των πολυγώνων χρήσεων γης σε αστικό πράσινο και μη-αστικό πράσινο σύμφωνα με τις ετικέτες τους στο OSM. Το OSM χρησιμοποιεί ένα σύστημα επισήμανσης δύο επιπέδων (κλειδί OSM-τιμή OSM), και η ταξινόμηση των πολυγώνων χρήσης γης έγινε με βάση μία ενδεικτική λεπτομερή χρήση γης που διαθέτει το OSM. Έπειτα προστέθηκε ένας επιπλέον τύπος μικτών χώρων αστικού πρασίνου στον προηγούμενο ορισμό των χώρων αστικού πρασίνου για την ενσωμάτωση των πολυγώνων χρήσεων γης που πιθανώς περιείχαν τόσο αστικό πράσινο, όσο και μη-αστικό πράσινο. Ακόμη, αναγνωρίστηκε ότι τα πολύγωνα χρήσης γης χώρων αστικού πρασίνου ενδέχεται να περιέχουν και μη-αστικό πράσινο, όπως ένα πεζοδρόμιο με τεχνητό γρασίδι και γι’ αυτό φιλτραρίστηκαν τα δείγματα που προέκυψαν χρησιμοποιώντας τις τιμές του NDVI (Εικόνα 2).

Στη συνέχεια, αφαιρέθηκαν οι ακραίες τιμές από τα πολύγωνα των χρήσεων γης, χρησιμοποιώντας το μέγεθος και το σχήμα τους και υποθέτοντας ότι οι ακραίες τιμές ήταν χαμηλής ποιότητας και είχαν λανθασμένες ετικέτες ή περιείχαν πολλαπλές χρήσεις γης, οι οποίες δεν ήταν κατάλληλες για τη δημιουργία «καθαρών» δειγμάτων για την ταξινόμηση. Συγκεκριμένα, διατηρήθηκαν τα πολύγωνα των χρήσεων γης που ήταν εντός του μέσου 95% των πολυγώνων κατανομής και στο χαμηλότερο 90% της κατανομής του δείκτη σχήματος των πολυγώνων, όπου οι υψηλότερες τιμές υπέδειξαν μεγαλύτερη πολυπλοκότητα σχημάτων. Τέλος, απορρίφθηκαν τα πολύγωνα για τα κτήρια, χωρίς καμία τροποποίηση και χαρακτηρίστηκαν ως μη-αστικό πράσινο, υποθέτοντας ότι τα κτήρια ήταν οριοθετημένα και επισημασμένα με μεγαλύτερη ακρίβεια. Τα ενωμένα πολύγωνα αστικού και μη-αστικού πρασίνου μετά από τη διαδικασία ποιοτικού ελέγχου χρησίμευσαν ως η δεξαμενή για τη δημιουργία δειγμάτων.

Στις εικόνες πραγματοποιήθηκε εποπτευόμενη ταξινόμηση με τη βοήθεια μίας μηχανής διανυσματικής υποστήριξης (SVM) για τη χαρτογράφηση του αστικού πρασίνου. Η βιβλιογραφία υποδηλώνει ότι η SVM έχει καλύτερη απόδοση από άλλους ταξινομητές μη βαθιάς μηχανικής μάθησης, όπως το δέντρο αποφάσεων, το τυχαίο δάσος και η μέγιστη πιθανοφάνεια, στην ταξινόμηση κάλυψης γης. Επιπλέον, όταν χρησιμοποιεί χαρακτηριστικά που σχετίζονται με την υφή όπως το GLCM στην παρούσα μελέτη, η απόδοση της SVM είναι συγκρίσιμη με τους ταξινομητές βαθιών νευρωνικών δικτύων (Εικόνα 2).

[[Εικόνα: NT4_e2.png|thumb|right|'''Εικόνα 2.''' Περιγραφή της ροής εργασιών για τη δημιουργία χάρτη αστικού πρασίνου.]]

Η μηχανή ταξινόμησης SVM χρησιμοποίησε έναν πυρήνα συνάρτησης ακτινικής βάσης και πραγματοποιήθηκε συντονισμός του μοντέλου για δύο παραμέτρους, οι οποίες ήταν η παράμετρος κανονικοποίησης (C) και ο συντελεστής πυρήνα (γάμα), ακολουθώντας τις συστάσεις των Hsu et al.. Για κάθε παράμετρο, συμπεριλήφθηκαν 16 υποψήφιες τιμές σε μια εκθετική ακολουθία (2n, n=−3, −2, …, 12). Το μοντέλο συντονίστηκε χρησιμοποιώντας μία μέθοδο αναζήτησης πλέγματος, για την οποία η εκπαίδευση και επικύρωση έγιναν επαναληπτικά χρησιμοποιώντας το μοναδικό κάθε φορά συνδυασμό, των υποψήφιων τιμών των δύο παραμέτρων.
Σε κάθε επανάληψη, έγινε μια δεκαπλάσια διασταυρούμενη επικύρωση χρησιμοποιώντας το σύνολο εκπαίδευσης-επικύρωσης και μετρήθηκε η μέση απόδοσή του. Το σύνολο των τιμών των παραμέτρων που παρήγαγαν το υψηλότερο F1-score, το οποίο είναι το αρμονικό μέσο ακρίβειας και ανάκλησης, χρησιμοποιήθηκαν για τον προσδιορισμό του τελικού μοντέλου, το οποίο εφαρμόστηκε στο σύνολο δοκιμών και το F1-score καταγράφηκε ως η τελική ακρίβειά του, η οποία χρησιμοποιήθηκε αργότερα στην τεχνική επικύρωση των δειγμάτων των πόλεων για πρόσθετη αξιολόγηση της ακρίβειας των δειγμάτων που συλλέγονται με ανεξάρτητο τρόπο.

'''Αποτελέσματα:''' Προέκυψαν αρκετοί περιορισμοί που οδήγησαν στην ανέγερση προβληματισμών για μελλοντικές προσπάθειες ανάπτυξης χαρτών χρήσεων/καλύψεων γης. Αρχικά, το αποτέλεσμα της χαρτογράφησης δεν κάνει διάκριση σε συγκεκριμένους τύπους χρήσεων/καλύψεων γης, όπως, δάση, γρασίδι, γεωργία, πάρκο και φυσικά καταφύγια. Επιπλέον, δεν συμπεριλήφθηκε στις χρήσεις/καλύψεις γης, η ξηρή ή μη φωτοσυνθετική βλάστηση, εξαιτίας των ομοιοτήτων της με το άγονο έδαφος και μερικών αδιαπέραστων επιφανειών εικόνων τηλεπισκόπησης. Οι στοχευμένες προσπάθειες χαρτογράφησης και οι νέες μέθοδοι προσανατολισμού σε λεπτομερείς τύπους χρήσεων/καλύψεων γης, μπορούν να βοηθήσουν στην περαιτέρω επίλυση αυτών των περιορισμών. Για παράδειγμα, ενώ χρησιμοποιήθηκε μία ετήσια σύνοψη εικόνων τηλεπισκόπησης που ήταν χρονικά αμετάβλητη για τη χαρτογράφηση των χρήσεων/καλύψεων γης, μπορούσε γενικά να χρησιμοποιηθεί μία χρονοσειρά εικόνων και να εξαχθούν φαινολογικά στάδια, για να καταστεί δυνατή η πιο λεπτομερής χαρτογράφηση διαφορετικών τύπων βλάστησης.

Πολλές αποφάσεις που χρησιμοποιούνται σ’ αυτή τη χαρτογράφηση, όπως αυτές για το φιλτράρισμα του πολυγώνου των χρήσεων γης του OSM που χρησιμοποιούν την πολυπλοκότητα του σχήματος και την αφαίρεση ακραίων στοιχείων με βάση τον NDVI, δεν έχουν δοκιμαστεί ακόμη σε παρόμοιες μελέτες για να καταγραφούν οι επιπτώσεις τους στην ποιότητα χαρτογράφησης. Διαπιστώθηκε ακόμη, ότι τόσο η διαθεσιμότητα όσο και η ποιότητα των πολυγώνων OSM, έτειναν να είναι χαμηλού επιπέδου στις μικρές πόλεις, απαγορεύοντας μία πλήρως αυτοματοποιημένη διαδικασία χαρτογράφησης. Σ’ αυτές περιπτώσεις, η χειροκίνητη προσθήκη και επεξεργασία των πολυγώνων OSM, μπορεί να καταστεί απαραίτητη για τη διασφάλιση της ποιότητας χαρτογράφησης.

Ο χάρτης καταγραφής του αστικού πρασίνου, περιελάμβανε τρία σετ αρχείων∙ τους δυαδικούς χάρτες απεικόνισης χώρων αστικού πρασίνου χωρικής ανάλυσης 10m σε μορφή GEOTIFF, με καθεμία από τις 371 πόλεις να αποτελεί μεμονωμένο χάρτη και όπου γινόταν αντιστοίχιση της τιμής του 1 υποδήλωνε χώρους αστικού πρασίνου, αντίστοιχα του 0 υποδείκνυε χώρους μη-αστικού πρασίνου και όπου δεν υπήρχαν δεδομένα, η τιμή −32768 υποδείκνυε περιοχές εκτός των χαρτογραφημένων ορίων ή υδάτινων όγκων. Επιπλέον περιελάμβανε ένα διανυσματικό αρχείο με χαρτογραφημένα τα όρια, το οποίο περιείχε το όνομα της πόλης, το όνομα και τον κωδικό ISO-2 της χώρας και ένα αναγνωριστικό πεδίο που συνδέει τα όρια κάθε πόλης με τον αντίστοιχο χάρτη χώρων αστικού πρασίνου. Περιελάμβανε, ακόμη, αρχεία .prj που περιείχαν πληροφορίες προβολής για τους δυαδικούς χάρτες των χώρων αστικού πρασίνου και του διανυσματικού αρχείου των ορίων. Οι δυαδικοί χάρτες των χώρων αστικού πρασίνου προβλήθηκαν στο σύστημα WGS 84/Pseudo-Mercator (EPSG: 3857), και το διανυσματικό αρχείο των ορίων στο σύστημα συντεταγμένων WGS 1984 (EPSG: 4326). Οι χάρτες των χώρων αστικού πρασίνου και το αρχείο με τα όρια υποβλήθηκαν σε επεξεργασία σε λογισμικό GIS (ArcGIS και FRAGSTATS), στην Εικόνα 3 παρουσιάζεται δείγμα χαρτών απεικόνισης αστικού πρασίνου.

[[Εικόνα: NT4_e3.png|thumb|right|'''Εικόνα 3.''' Χάρτες απεικόνισης του αστικού πρασίνου ανάλυσης 10m για μεγάλες πόλεις της Λατινικής Αμερικής από εικόνες τηλεπισκόπησης Sentinel-2 και OpenStreetMap.]]

Οι χάρτες κάλυψης αστικού πρασίνου επικυρώθηκαν σε δύο βήματα. Πρώτα, πραγματοποιήθηκε αξιολόγηση της ακρίβειας με δείγματα επικύρωσης για τα οποία έγινε ανεξάρτητη συλλογή από 11 πόλεις, τα οποία επιλέχθηκαν μέσω στρωματοποιημένης τυχαίας δειγματοληψίας. Αυτά τα δείγματα επικύρωσης ήταν ανεξάρτητα από τα δεδομένα εκπαίδευσης-επικύρωσης-δοκιμών που προέρχονται από το OSM και η αξιολόγηση ακρίβειας που προέκυψε, χρησίμευσε ως αρχική δήλωση της ακρίβειας των χαρτών κάλυψης αστικού πρασίνου. Επιπλέον, για να επιτευχθεί το καλύτερο δυνατό αποτέλεσμα, πραγματοποιήθηκε οπτική αξιολόγηση της ποιότητας ταξινόμησης και για τις 371 πόλεις και εντοπίστηκαν εκείνες που η χαρτογράφησή τους, δεν ήταν ικανοποιητική και τότε έγινε περαιτέρω συλλογή δειγμάτων, ποιοτικός έλεγχος και ταξινόμηση εικόνων σε αυτές τις πόλεις έως ότου οι χάρτες απεικόνισης αστικού πρασίνου, θεωρηθούν καλής ποιότητας.

Συλλέχθηκαν, ακόμη, 3050 δείγματα επικύρωσης κάλυψης και μη-κάλυψης αστικού πρασίνου. Αρχικά, οι πόλεις χωρίστηκαν σε τρεις κύριες κλιματικές ζώνες και με βάση το αποτέλεσμα στο προηγούμενο βήμα έμειναν 11 και έπειτα, με την πραγματοποίηση στρωματοποιημένης τυχαίας δειγματοληψίας εντός των 11 πόλεων στόχος ήταν να εντοπιστούν οι τοποθεσίες επικύρωσης των δειγμάτων και να εξισορροπηθούν τα μεγέθη των δειγμάτων των χώρων αστικού και μη-αστικού πρασίνου. Από τα δείγματα επικύρωσης των 11 πόλεων, έπειτα ερμηνεύτηκαν οπτικά με πιο λεπτομερή ανάλυση τα δείγματα των εικόνων Sentinel-2 και Google Earth και αυτά τα δείγματα επικύρωσης χρησιμοποιήθηκαν για να πραγματοποιηθεί αξιολόγηση της ακρίβειας για τις 11 πόλεις.

'''Συμπεράσματα:''' Η συνολική ακρίβεια των χαρτών UGS στις 11 πόλεις ήταν 0,87 και επιπλέον υπολογίστηκε η ακρίβεια χαρτογράφησης μεμονωμένα των πόλεων με βάση τις κλιματικές ζώνες τους. Οι πόλεις με τροπικό κλίμα είχαν καλύτερες ακρίβειες, καθώς το αστικό πράσινο σ’ αυτές, τείνει να συνδυάζεται με πιο πράσινη και πυκνότερη βλάστηση και παρουσίασαν ισχυρότερη αντίθεση σε σχέση με τα σημεία έλλειψης αστικού πρασίνου. Πόλεις σε εύκρατα και άνυδρα κλίματα είχαν χαμηλότερη ακρίβεια, καθώς το αστικό πράσινο σε αυτά τα κλίματα τείνει να έχει φασματικές ιδιότητες τέτοιες, που κάνουν το αστικό πράσινο εκεί να τείνει να συγχέεται πολύ πιο εύκολα με το μη-αστικό πράσινο.

Για την επίτευξη της καλύτερης δυνατής ποιότητας χαρτογράφησης και την αντιμετώπιση περιπτώσεων όπου η ποιότητα και η διαθεσιμότητα των δεδομένων OSM ήταν περιορισμένες, δύο από τους συγγραφείς επιθεώρησαν οπτικά το αρχικό αρχείο χαρτών αστικού πρασίνου, σε σχέση με τις εικόνες Sentinel-2 και για τις 371 πόλεις και επεσήμαναν τις πόλεις με μη ικανοποιητικά αποτελέσματα χαρτογράφησης. Για να βελτιωθεί η ποιότητα χαρτογράφησης σε αυτές τις πόλεις, πραγματοποιήθηκε επιστροφή στη διαδικασία συλλογής και φιλτραρίσματος δειγμάτων και εκεί πραγματοποιήθηκε πρόσθετος ποιοτικός έλεγχος στα πολύγωνα OSM. Συγκεκριμένα, βελτιώθηκε το όριο και διορθώθηκαν ετικέτες για τα πολύγωνα. Σε πόλεις με περιορισμένη κάλυψη από το OSM, προστέθηκαν χειροκίνητα τα πολύγωνα OSM. Στη συνέχεια χρησιμοποιήθηκαν αυτά τα ενημερωμένα πολύγωνα OSM για να εκτελεστεί συλλογή δειγμάτων και φιλτράρισμα και επακολούθως να προκύψει η ταξινόμηση της εικόνας. Τέλος, επιθεωρήθηκαν οπτικά τα ενημερωμένα αποτελέσματα της χαρτογράφησης και πραγματοποιήθηκε επαναληπτικά ο ποιοτικός έλεγχος στα πολύγωνα OSM καθώς και στα επόμενα βήματα, έως ότου τα αποτελέσματα της χαρτογράφησης ήταν ικανοποιητικά.

[[category:Καταγραφή πρασίνου]]

Χάρτης Απεικόνισης των Μεταβολών του Αστικού Πρασίνου σε Πόλεις της Λατινικής Αμερικής

2023-02-08T17:56:40Z

Natalia tsigarda: Νέα σελίδα με ''''Αντικείμενο εφαρμογής:''' Καταγραφή πρασίνου αστικού ιστού '''Πρωτότυπος τίτλος:''' “A 10 m resoluti...'

'''Αντικείμενο εφαρμογής:''' Καταγραφή πρασίνου αστικού ιστού

'''Πρωτότυπος τίτλος:''' “A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap”
Συγγραφείς: Yang Ju, Iryna Dronova & Xavier Delclòs-Alió

'''Πηγή:''' Ju, Y., Dronova, I. & Delclòs-Alió, X. A 10 m resolution urban green space map for major Latin American cities from Sentinel-2 remote sensing images and OpenStreetMap. Sci Data 9, 586 (2022). https://doi.org/10.1038/s41597-022-01701-y [https://www.nature.com/articles/s41597-022-01701-y]

'''Περίληψη:''' Η χαρτογραφική απεικόνιση είναι θεμελιώδης μέθοδος για τις μελέτες καταγραφής των αστικών χώρων πρασίνου. Παρά την αύξηση του αριθμού των χαρτών καταγραφής της κάλυψης γης σε παγκόσμια και περιφερειακή κλίμακα, οι προσπάθειες χαρτογράφησης του αστικού χώρου πρασίνου εξακολουθούν να είναι περιορισμένες και καθώς το αστικό πράσινο αποτελεί συχνά μέρος του ετερογενούς αστικού τοπίου, χάρτες κάλυψης γης που είναι χαμηλής ανάλυσης προερχόμενοι από εικόνες τηλεπισκόπησης, τείνουν να συγχέουν το αστικό πράσινο με άλλες καλύψεις γης.

Για τις ανάγκες της παρούσας μελέτης δημιουργήθηκε χάρτης ανάλυσης 10m που αφορά τα κύρια αστικά συμπλέγματα 371 μεγάλων πόλεων της Λατινικής Αμερικής για το 2017. Η προσέγγιση έγινε με εποπτευόμενη ταξινόμηση δορυφορικών εικόνων Sentinel-2 και δειγμάτων αστικού χώρου πρασίνου που προέκυψαν από το OpenStreetMap (OSM). Η συνολική ακρίβεια του συγκεκριμένου χάρτη σε 11 τυχαία επιλεγμένες πόλεις ήταν 0,87. Με την περαιτέρω αύξηση της ποιότητας χαρτογράφησης μέσω οπτικής επιθεώρησης και πρόσθετου ποιοτικού ελέγχου των δειγμάτων, ο τελικός χάρτης που προέκυψε, επιτρέπει μελέτες για τη μέτρηση της έκτασης της περιοχής, της διαμόρφωσης του χώρου και της σύνδεσης των ανθρώπων με τους χώρους αστικού πρασίνου, διευκολύνοντας τις μελέτες της σχέσης μεταξύ του αστικού πρασίνου και της έκθεσης των ανθρώπων σε περιβαλλοντικούς κινδύνους, τις επιπτώσεις για τη δημόσια υγεία, την αστική οικολογία και τον πολεοδομικό σχεδιασμό.

'''Λέξεις κλειδιά:''' Αστικός χώρος πρασίνου, OpenStreetMap, Εικόνες Sentinel-2

'''Εισαγωγή:''' Οι χώροι αστικού πρασίνου παρέχουν στους κατοίκους μίας πόλης διάφορες οικοσυστημικές υπηρεσίες, όπως η φυσική ρύθμιση του κλίματος, η εξουδετέρωση των περιβαλλοντικών κινδύνων και η βελτίωση της σωματικής και ψυχικής υγείας των ανθρώπων, καθιστώντας το αστικό πράσινο, ένα σπουδαίο περιβαλλοντικό αγαθό. Οι γειτονιές που γενικά δε διαθέτουν, ή χαρακτηρίζονται από κακώς συντηρημένο αστικό πράσινο, συνδέονται με αυξημένους κινδύνους εγκληματικότητας και πρόκληση προβλημάτων υγείας (αλλεργίες και ασθένειες). Το περιβαλλοντικό δίκαιο και ο πράσινος εξευγενισμός, είναι εγγενείς κοινωνικές προκλήσεις που συνδέονται με το αστικό πράσινο. Οι χάρτες απεικόνισης χώρων αστικού πρασίνου μεγάλης ανάλυσης και καλής ακρίβειας, είναι θεμελιώδεις για τη μελέτη των παραπάνω θεμάτων στους τομείς της περιβαλλοντικής υγείας, της αστικής οικολογίας και του αστικού σχεδιασμού, συμβάλλοντας μέσα από τα στοιχεία που έχουν συλλεχθεί, στον προγραμματισμό, στο σχεδιασμό και στη διαχείριση του αστικού πρασίνου.

'''Περιοχή Μελέτης:''' Για να δημιουργηθούν οι χάρτες αστικού πρασίνου, ορίστηκε ότι αυτό θα περιλαμβάνει δάση, γρασίδι, θάμνους, γεωργικές εκτάσεις και υγροβιότοπους και αντίστοιχα οι χάρτες που δεν αφορούν χώρους αστικού πρασίνου, θα περιλαμβάνουν κτήρια, πεζοδρόμια, δρόμους, άγονη γη και ξηρή/μη φωτοσυνθετική βλάστηση. Θεωρήθηκε ότι η ξηρή/μη φωτοσυνθετική βλάστηση που δε θα θεωρηθεί αστικό πράσινο, θα συντελέσει στη μείωση των σφαλμάτων χαρτογράφησης, επειδή τέτοιου είδους βλάστηση πιθανότατα θα προκαλέσει σύγχυση με την άγονη γη και κάποια αδιαπέραστη επιφάνεια των εικόνων.

Οι 371 πόλεις που χρησιμοποιήθηκαν, προσδιορίστηκαν από τη μελέτη Salud Urbana en América Latina (SALURBAL) που σχετίζεται με την υγεία στις πόλεις και η οποία το 2010 που διεξήχθη, περιελάμβανε τουλάχιστον 100.000 κατοίκους και αναφερόταν σε 11 χώρες, εκ των οποίων η Αργεντινή, η Βραζιλία, η Χιλή, η Κολομβία, η Κόστα Ρίκα, το Ελ Σαλβαδόρ, η Γουατεμάλα, το Μεξικό, η Νικαράγουα, ο Παναμάς και το Περού. Το επίκεντρο ήταν το κύριο αστικό σύμπλεγμα κάθε πόλης, όπου το τοπίο είναι εξαιρετικά ετερογενές και δεν υπάρχει η ειδική χαρτογράφηση των χώρων αστικού πρασίνου (Εικόνα 1).

[[Εικόνα: NT4_e1.png|thumb|left|'''Εικόνα 1.''' Η περιοχή μελέτης (a) και η απεικόνιση των κύριων αστικών συστάδων (b). Στο (a), οι δείκτες των πόλεων κλιμακώνονται με βάση το εμβαδόν του κύριου αστικού συμπλέγματος και χρωματίζονται με βάση το % της έκτασης που είναι χώρος αστικού πρασίνου. Στο (b), το παράδειγμα της Λίμα δείχνει ότι η πλειονότητα της δομημένης περιοχής της πόλης από τα δεδομένα του Global Urban Footprint βρίσκεται εντός του κύριου αστικού συμπλέγματος που περιγράφεται από το έργο SALURBAL.]]

'''Μεθοδολογία:''' Για να πραγματοποιηθεί η επιβλεπόμενη ταξινόμηση των χρήσεων/καλύψεων γης από εικόνες τηλεπισκόπησης, έγινε άντληση δεδομένων εκπαίδευσης από ένα σύνολο γεωγραφικών πληροφοριών εθελοντικής συλλογής του OpenStreetMap (OSM) και αυτές χρησιμοποιήθηκαν για να γίνει εκπαίδευση με Μηχανές Ταξινόμησης Διανυσματικής Υποστήριξης (SVM), σε ένα σύνθετο χωρίς νεφοκάλψη όλων των εικόνων τηλεπισκόπησης Sentinel-2 του 2017. Λαμβάνοντας υπόψη τις διαφορές στη μορφή και στα οικοσυστήματα μεταξύ των πόλεων, η ταξινόμηση αυτή πραγματοποιήθηκε ξεχωριστά για καθεμία από αυτές (Εικόνα 2).

Χρησιμοποιήθηκε ένα σύνθετο ενιαίας μέσης τιμής του Sentinel-2 ακτινοβολίας στην κορυφή της ατμόσφαιρας, με εικόνες ανακλαστικότητας του 2017 ως δεδομένα εισαγωγής. Οι εικόνες Sentinel-2 έχουν χωρική ανάλυση 10m και χρονική ανάλυση 5 ημερών. Για κάθε πόλη, αποκτήθηκαν και επεξεργάστηκαν όλες οι εικόνες που ήταν διαθέσιμες το 2017 στο Google Earth Engine, μία πλατφόρμα επεξεργασίας εικόνων τηλεπισκόπησης που βασίζεται σε επεξεργασία του υπολογιστικού νέφους.
Πριν τη χαρτογράφηση των χώρων αστικού πρασίνου, αφαιρέθηκαν τα σύννεφα και το νερό από τις εικόνες αφού χρησιμοποιήθηκε η εσωτερική μάσκα νέφους απομάκρυνσης των πυκνών σύννεφων και έτσι δημιουργήθηκε μία ενιαία διάμεση σύνθεση αυτών των εικόνων για την περαιτέρω αφαίρεση των υπολειμμάτων. Από το διάμεσο σύνθετο, αποκόπηκαν τα εποχικά και μόνιμα υδάτινα στοιχεία, χρησιμοποιώντας ένα παγκόσμιο επιφανειακό χάρτη νερού του 2015 και υποθέτοντας ότι δεν υπάρχουν σημαντικές αλλαγές μεταξύ 2015 με 2017. Έτσι προέκυψε μία ενιαία εικόνα χωρίς νέφη, σκιές και νερό για το 2017.

Στο τελικό βήμα, εφαρμόστηκαν τα όρια του κύριου αστικού συμπλέγματος, όπως ορίστηκαν από τη μελέτη SALURBAL, έτσι ώστε οι χώροι πρασίνου στις αγροτικές περιοχές να εξαιρεθούν από το χάρτη αστικού πρασίνου. Το κύριο αστικό σύμπλεγμα αποτελεί τη μεγαλύτερη συνεχή αστική περιοχή μέσα σε μία πόλη. Για να γίνει διάκριση μεταξύ του χώρου αστικού πρασίνου, της αδιαπέραστης γης, της άγονης γης και των υδάτινων σωμάτων, χρησιμοποιήθηκαν αρκετοί φασματικοί δείκτες, που σχετίζονται με τις κύριες καλύψεις γης σε μία πόλη. Επιπλέον, συμπεριλήφθηκε η μήτρα συν-συμβάντος Gray Level (GLCM) του εγγύς υπέρυθρου καναλιού για να τονιστεί η υφή του τοπίου, το οποίο διαφέρει μεταξύ διαφορετικών τύπων αστικής κάλυψης γης.

Πραγματοποιήθηκε ακόμη ανάλυση των κύριων συνιστωσών (PCA) για τους δείκτες και το GLCM, για να μειωθεί η διάστασή τους και να πραγματοποιηθεί επιτάχυνση στην εκπαίδευση των μοντέλων. Λόγω της πολυσυγγραμμικότητας των δεικτών και του GLCM, η προσθήκη δεικτών μπορεί να παρέχει οριακό κέρδος στην ακρίβεια ταξινόμησης κατά την επέκταση του μοντέλου χρόνου εκπαίδευσης, περιορίζοντας την αποτελεσματικότητα της κλίμακας χαρτογράφησης του αστικού πρασίνου. Έτσι, μετασχηματίστηκαν οι φασματικοί δείκτες και το GLCM σε ένα σύνολο κύριων συνιστωσών (PC) που ήταν ανεξάρτητες η μία από την άλλη. Οι συνιστώσες υψηλότερης τάξης, ταξινομημένες με βάση την ποσοστιαία διακύμανση στα μη μετασχηματισμένα δεδομένα, τείνουν να ενισχύουν την αντίθεση μεταξύ των κυρίαρχων χαρακτηριστικών του τοπίου. Για κάθε πόλη επιλέχθηκαν οι πρώτες κύριες συνιστώσες, εξηγώντας πάνω από το 90% της διακύμανσης για τη μείωση της διάστασης των χαρακτηριστικών εισόδου (Εικόνα 2).

Για τη διεκπεραίωση της μελέτης χρησιμοποιήθηκαν οι καλύψεις γης και τα πολυγωνικά κτίρια του OSM από τις 30 Ιανουαρίου 2019 για τη συγκέντρωση και δημιουργία δειγμάτων εκπαίδευσης-επικύρωσης-δοκιμών για την ταξινόμηση. Αρχικά, σύμφωνα με τον προηγούμενο ορισμό για το αστικό πράσινο (δάσος, γρασίδι, θάμνος, γεωργία, υγρότοπος) και μη-αστικό πράσινο (κτήρια, πεζοδρόμιο, δρόμοι, άγονη γη και ξηρή βλάστηση), έγινε διαχωρισμός των πολυγώνων χρήσεων γης σε αστικό πράσινο και μη-αστικό πράσινο σύμφωνα με τις ετικέτες τους στο OSM. Το OSM χρησιμοποιεί ένα σύστημα επισήμανσης δύο επιπέδων (κλειδί OSM-τιμή OSM), και η ταξινόμηση των πολυγώνων χρήσης γης έγινε με βάση μία ενδεικτική λεπτομερή χρήση γης που διαθέτει το OSM. Έπειτα προστέθηκε ένας επιπλέον τύπος μικτών χώρων αστικού πρασίνου στον προηγούμενο ορισμό των χώρων αστικού πρασίνου για την ενσωμάτωση των πολυγώνων χρήσεων γης που πιθανώς περιείχαν τόσο αστικό πράσινο, όσο και μη-αστικό πράσινο. Ακόμη, αναγνωρίστηκε ότι τα πολύγωνα χρήσης γης χώρων αστικού πρασίνου ενδέχεται να περιέχουν και μη-αστικό πράσινο, όπως ένα πεζοδρόμιο με τεχνητό γρασίδι και γι’ αυτό φιλτραρίστηκαν τα δείγματα που προέκυψαν χρησιμοποιώντας τις τιμές του NDVI (Εικόνα 2).

Στη συνέχεια, αφαιρέθηκαν οι ακραίες τιμές από τα πολύγωνα των χρήσεων γης, χρησιμοποιώντας το μέγεθος και το σχήμα τους και υποθέτοντας ότι οι ακραίες τιμές ήταν χαμηλής ποιότητας και είχαν λανθασμένες ετικέτες ή περιείχαν πολλαπλές χρήσεις γης, οι οποίες δεν ήταν κατάλληλες για τη δημιουργία «καθαρών» δειγμάτων για την ταξινόμηση. Συγκεκριμένα, διατηρήθηκαν τα πολύγωνα των χρήσεων γης που ήταν εντός του μέσου 95% των πολυγώνων κατανομής και στο χαμηλότερο 90% της κατανομής του δείκτη σχήματος των πολυγώνων, όπου οι υψηλότερες τιμές υπέδειξαν μεγαλύτερη πολυπλοκότητα σχημάτων. Τέλος, απορρίφθηκαν τα πολύγωνα για τα κτήρια, χωρίς καμία τροποποίηση και χαρακτηρίστηκαν ως μη-αστικό πράσινο, υποθέτοντας ότι τα κτήρια ήταν οριοθετημένα και επισημασμένα με μεγαλύτερη ακρίβεια. Τα ενωμένα πολύγωνα αστικού και μη-αστικού πρασίνου μετά από τη διαδικασία ποιοτικού ελέγχου χρησίμευσαν ως η δεξαμενή για τη δημιουργία δειγμάτων.

Στις εικόνες πραγματοποιήθηκε εποπτευόμενη ταξινόμηση με τη βοήθεια μίας μηχανής διανυσματικής υποστήριξης (SVM) για τη χαρτογράφηση του αστικού πρασίνου. Η βιβλιογραφία υποδηλώνει ότι η SVM έχει καλύτερη απόδοση από άλλους ταξινομητές μη βαθιάς μηχανικής μάθησης, όπως το δέντρο αποφάσεων, το τυχαίο δάσος και η μέγιστη πιθανοφάνεια, στην ταξινόμηση κάλυψης γης. Επιπλέον, όταν χρησιμοποιεί χαρακτηριστικά που σχετίζονται με την υφή όπως το GLCM στην παρούσα μελέτη, η απόδοση της SVM είναι συγκρίσιμη με τους ταξινομητές βαθιών νευρωνικών δικτύων (Εικόνα 2).

[[Εικόνα: NT4_e2.png|thumb|right|'''Εικόνα 2.''' Περιγραφή της ροής εργασιών για τη δημιουργία χάρτη αστικού πρασίνου.]]

Η μηχανή ταξινόμησης SVM χρησιμοποίησε έναν πυρήνα συνάρτησης ακτινικής βάσης και πραγματοποιήθηκε συντονισμός του μοντέλου για δύο παραμέτρους, οι οποίες ήταν η παράμετρος κανονικοποίησης (C) και ο συντελεστής πυρήνα (γάμα), ακολουθώντας τις συστάσεις των Hsu et al.. Για κάθε παράμετρο, συμπεριλήφθηκαν 16 υποψήφιες τιμές σε μια εκθετική ακολουθία (2n, n=−3, −2, …, 12). Το μοντέλο συντονίστηκε χρησιμοποιώντας μία μέθοδο αναζήτησης πλέγματος, για την οποία η εκπαίδευση και επικύρωση έγιναν επαναληπτικά χρησιμοποιώντας το μοναδικό κάθε φορά συνδυασμό, των υποψήφιων τιμών των δύο παραμέτρων.
Σε κάθε επανάληψη, έγινε μια δεκαπλάσια διασταυρούμενη επικύρωση χρησιμοποιώντας το σύνολο εκπαίδευσης-επικύρωσης και μετρήθηκε η μέση απόδοσή του. Το σύνολο των τιμών των παραμέτρων που παρήγαγαν το υψηλότερο F1-score, το οποίο είναι το αρμονικό μέσο ακρίβειας και ανάκλησης, χρησιμοποιήθηκαν για τον προσδιορισμό του τελικού μοντέλου, το οποίο εφαρμόστηκε στο σύνολο δοκιμών και το F1-score καταγράφηκε ως η τελική ακρίβειά του, η οποία χρησιμοποιήθηκε αργότερα στην τεχνική επικύρωση των δειγμάτων των πόλεων για πρόσθετη αξιολόγηση της ακρίβειας των δειγμάτων που συλλέγονται με ανεξάρτητο τρόπο.

'''Αποτελέσματα:''' Προέκυψαν αρκετοί περιορισμοί που οδήγησαν στην ανέγερση προβληματισμών για μελλοντικές προσπάθειες ανάπτυξης χαρτών χρήσεων/καλύψεων γης. Αρχικά, το αποτέλεσμα της χαρτογράφησης δεν κάνει διάκριση σε συγκεκριμένους τύπους χρήσεων/καλύψεων γης, όπως, δάση, γρασίδι, γεωργία, πάρκο και φυσικά καταφύγια. Επιπλέον, δεν συμπεριλήφθηκε στις χρήσεις/καλύψεις γης, η ξηρή ή μη φωτοσυνθετική βλάστηση, εξαιτίας των ομοιοτήτων της με το άγονο έδαφος και μερικών αδιαπέραστων επιφανειών εικόνων τηλεπισκόπησης. Οι στοχευμένες προσπάθειες χαρτογράφησης και οι νέες μέθοδοι προσανατολισμού σε λεπτομερείς τύπους χρήσεων/καλύψεων γης, μπορούν να βοηθήσουν στην περαιτέρω επίλυση αυτών των περιορισμών. Για παράδειγμα, ενώ χρησιμοποιήθηκε μία ετήσια σύνοψη εικόνων τηλεπισκόπησης που ήταν χρονικά αμετάβλητη για τη χαρτογράφηση των χρήσεων/καλύψεων γης, μπορούσε γενικά να χρησιμοποιηθεί μία χρονοσειρά εικόνων και να εξαχθούν φαινολογικά στάδια, για να καταστεί δυνατή η πιο λεπτομερής χαρτογράφηση διαφορετικών τύπων βλάστησης.

Πολλές αποφάσεις που χρησιμοποιούνται σ’ αυτή τη χαρτογράφηση, όπως αυτές για το φιλτράρισμα του πολυγώνου των χρήσεων γης του OSM που χρησιμοποιούν την πολυπλοκότητα του σχήματος και την αφαίρεση ακραίων στοιχείων με βάση τον NDVI, δεν έχουν δοκιμαστεί ακόμη σε παρόμοιες μελέτες για να καταγραφούν οι επιπτώσεις τους στην ποιότητα χαρτογράφησης. Διαπιστώθηκε ακόμη, ότι τόσο η διαθεσιμότητα όσο και η ποιότητα των πολυγώνων OSM, έτειναν να είναι χαμηλού επιπέδου στις μικρές πόλεις, απαγορεύοντας μία πλήρως αυτοματοποιημένη διαδικασία χαρτογράφησης. Σ’ αυτές περιπτώσεις, η χειροκίνητη προσθήκη και επεξεργασία των πολυγώνων OSM, μπορεί να καταστεί απαραίτητη για τη διασφάλιση της ποιότητας χαρτογράφησης.

Ο χάρτης καταγραφής του αστικού πρασίνου, περιελάμβανε τρία σετ αρχείων∙ τους δυαδικούς χάρτες απεικόνισης χώρων αστικού πρασίνου χωρικής ανάλυσης 10m σε μορφή GEOTIFF, με καθεμία από τις 371 πόλεις να αποτελεί μεμονωμένο χάρτη και όπου γινόταν αντιστοίχιση της τιμής του 1 υποδήλωνε χώρους αστικού πρασίνου, αντίστοιχα του 0 υποδείκνυε χώρους μη-αστικού πρασίνου και όπου δεν υπήρχαν δεδομένα, η τιμή −32768 υποδείκνυε περιοχές εκτός των χαρτογραφημένων ορίων ή υδάτινων όγκων. Επιπλέον περιελάμβανε ένα διανυσματικό αρχείο με χαρτογραφημένα τα όρια, το οποίο περιείχε το όνομα της πόλης, το όνομα και τον κωδικό ISO-2 της χώρας και ένα αναγνωριστικό πεδίο που συνδέει τα όρια κάθε πόλης με τον αντίστοιχο χάρτη χώρων αστικού πρασίνου. Περιελάμβανε, ακόμη, αρχεία .prj που περιείχαν πληροφορίες προβολής για τους δυαδικούς χάρτες των χώρων αστικού πρασίνου και του διανυσματικού αρχείου των ορίων. Οι δυαδικοί χάρτες των χώρων αστικού πρασίνου προβλήθηκαν στο σύστημα WGS 84/Pseudo-Mercator (EPSG: 3857), και το διανυσματικό αρχείο των ορίων στο σύστημα συντεταγμένων WGS 1984 (EPSG: 4326). Οι χάρτες των χώρων αστικού πρασίνου και το αρχείο με τα όρια υποβλήθηκαν σε επεξεργασία σε λογισμικό GIS (ArcGIS και FRAGSTATS), στην Εικόνα 3 παρουσιάζεται δείγμα χαρτών απεικόνισης αστικού πρασίνου.

[[Εικόνα: NT4_e3.png|thumb|right|'''Εικόνα 3.''' Χάρτες απεικόνισης του αστικού πρασίνου ανάλυσης 10m για μεγάλες πόλεις της Λατινικής Αμερικής από εικόνες τηλεπισκόπησης Sentinel-2 και OpenStreetMap.]]

Οι χάρτες κάλυψης αστικού πρασίνου επικυρώθηκαν σε δύο βήματα. Πρώτα, πραγματοποιήθηκε αξιολόγηση της ακρίβειας με δείγματα επικύρωσης για τα οποία έγινε ανεξάρτητη συλλογή από 11 πόλεις, τα οποία επιλέχθηκαν μέσω στρωματοποιημένης τυχαίας δειγματοληψίας. Αυτά τα δείγματα επικύρωσης ήταν ανεξάρτητα από τα δεδομένα εκπαίδευσης-επικύρωσης-δοκιμών που προέρχονται από το OSM και η αξιολόγηση ακρίβειας που προέκυψε, χρησίμευσε ως αρχική δήλωση της ακρίβειας των χαρτών κάλυψης αστικού πρασίνου. Επιπλέον, για να επιτευχθεί το καλύτερο δυνατό αποτέλεσμα, πραγματοποιήθηκε οπτική αξιολόγηση της ποιότητας ταξινόμησης και για τις 371 πόλεις και εντοπίστηκαν εκείνες που η χαρτογράφησή τους, δεν ήταν ικανοποιητική και τότε έγινε περαιτέρω συλλογή δειγμάτων, ποιοτικός έλεγχος και ταξινόμηση εικόνων σε αυτές τις πόλεις έως ότου οι χάρτες απεικόνισης αστικού πρασίνου, θεωρηθούν καλής ποιότητας.

Συλλέχθηκαν, ακόμη, 3050 δείγματα επικύρωσης κάλυψης και μη-κάλυψης αστικού πρασίνου. Αρχικά, οι πόλεις χωρίστηκαν σε τρεις κύριες κλιματικές ζώνες και με βάση το αποτέλεσμα στο προηγούμενο βήμα έμειναν 11 και έπειτα, με την πραγματοποίηση στρωματοποιημένης τυχαίας δειγματοληψίας εντός των 11 πόλεων στόχος ήταν να εντοπιστούν οι τοποθεσίες επικύρωσης των δειγμάτων και να εξισορροπηθούν τα μεγέθη των δειγμάτων των χώρων αστικού και μη-αστικού πρασίνου. Από τα δείγματα επικύρωσης των 11 πόλεων, έπειτα ερμηνεύτηκαν οπτικά με πιο λεπτομερή ανάλυση τα δείγματα των εικόνων Sentinel-2 και Google Earth και αυτά τα δείγματα επικύρωσης χρησιμοποιήθηκαν για να πραγματοποιηθεί αξιολόγηση της ακρίβειας για τις 11 πόλεις.

'''Συμπεράσματα:''' Η συνολική ακρίβεια των χαρτών UGS στις 11 πόλεις ήταν 0,87 και επιπλέον υπολογίστηκε η ακρίβεια χαρτογράφησης μεμονωμένα των πόλεων με βάση τις κλιματικές ζώνες τους. Οι πόλεις με τροπικό κλίμα είχαν καλύτερες ακρίβειες, καθώς το αστικό πράσινο σ’ αυτές, τείνει να συνδυάζεται με πιο πράσινη και πυκνότερη βλάστηση και παρουσίασαν ισχυρότερη αντίθεση σε σχέση με τα σημεία έλλειψης αστικού πρασίνου. Πόλεις σε εύκρατα και άνυδρα κλίματα είχαν χαμηλότερη ακρίβεια, καθώς το αστικό πράσινο σε αυτά τα κλίματα τείνει να έχει φασματικές ιδιότητες τέτοιες, που κάνουν το αστικό πράσινο εκεί να τείνει να συγχέεται πολύ πιο εύκολα με το μη-αστικό πράσινο.

Για την επίτευξη της καλύτερης δυνατής ποιότητας χαρτογράφησης και την αντιμετώπιση περιπτώσεων όπου η ποιότητα και η διαθεσιμότητα των δεδομένων OSM ήταν περιορισμένες, δύο από τους συγγραφείς επιθεώρησαν οπτικά το αρχικό αρχείο χαρτών αστικού πρασίνου, σε σχέση με τις εικόνες Sentinel-2 και για τις 371 πόλεις και επεσήμαναν τις πόλεις με μη ικανοποιητικά αποτελέσματα χαρτογράφησης. Για να βελτιωθεί η ποιότητα χαρτογράφησης σε αυτές τις πόλεις, πραγματοποιήθηκε επιστροφή στη διαδικασία συλλογής και φιλτραρίσματος δειγμάτων και εκεί πραγματοποιήθηκε πρόσθετος ποιοτικός έλεγχος στα πολύγωνα OSM. Συγκεκριμένα, βελτιώθηκε το όριο και διορθώθηκαν ετικέτες για τα πολύγωνα. Σε πόλεις με περιορισμένη κάλυψη από το OSM, προστέθηκαν χειροκίνητα τα πολύγωνα OSM. Στη συνέχεια χρησιμοποιήθηκαν αυτά τα ενημερωμένα πολύγωνα OSM για να εκτελεστεί συλλογή δειγμάτων και φιλτράρισμα και επακολούθως να προκύψει η ταξινόμηση της εικόνας. Τέλος, επιθεωρήθηκαν οπτικά τα ενημερωμένα αποτελέσματα της χαρτογράφησης και πραγματοποιήθηκε επαναληπτικά ο ποιοτικός έλεγχος στα πολύγωνα OSM καθώς και στα επόμενα βήματα, έως ότου τα αποτελέσματα της χαρτογράφησης ήταν ικανοποιητικά.

[[category:Καταγραφή πρασίνου]]

Αρχείο:NT4 e3.png

2023-02-08T17:48:08Z

Natalia tsigarda:

Αρχείο:NT4 e2.png

2023-02-08T17:47:54Z

Natalia tsigarda:

Αρχείο:NT4 e1.png

2023-02-08T17:47:44Z

Natalia tsigarda:

Ανάλυση των Αλλαγών στις Χρήσεις και Καλύψεις της Αστικής Γης

2023-02-08T17:27:58Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Ανίχνευση μεταβολών αστικής γης

'''Πρωτότυπος τίτλος:''' “Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series”
Συγγραφείς: Saeid Amini, Mohsen Saber, Hamidreza Rabiei-Dastjerdi, Saeid Homayouni

'''Πηγή:''' Amini, S.; Saber, M.; Rabiei-Dastjerdi, H.; Homayouni, S. Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series. Remote Sens. 2022, 14, 2654. https://doi.org/10.3390/rs14112654 [https://www.mdpi.com/2072-4292/14/11/2654]

'''Περίληψη:''' Η αποτελεσματική εφαρμογή της ταξινόμησης εικόνων τηλεπισκόπησης μπορεί να διευκολύνει την εξαγωγή χωροχρονικών πληροφοριών για την ταξινόμηση των χρήσεων και της κάλυψης γης, αφού μέσα από τη χαρτογράφησή τους μπορεί να ανοίξει ο δρόμος για τη διερεύνηση των επιπτώσεων διαφορετικών κοινωνικοοικονομικών και περιβαλλοντικών επιπτώσεων. Στην παρούσα μελέτη παρουσιάζεται ένας αλγόριθμος που χρησιμοποιεί δεδομένα χρονοσειράς Landsat για να αναλύσει αλλαγές χρήσεων και κάλυψης γης. Εφαρμόστηκε η ταξινόμηση Random Forest (RF) στην Google Earth Engine (GEE) χρησιμοποιώντας εικόνες από τους Landsat 5, 7 και 8 ως δεδομένα εισόδου για την περίοδο 1985-2019. Ερευνήθηκε, επίσης, η απόδοση του αλγόριθμου όξυνσης πανοραμικής λήψης και το αντίκτυπο διαφορετικών συνθέσεων εικόνας για την παραγωγή ενός χάρτη χρήσεων και κάλυψης γης υψηλής ποιότητας. Επιπλέον, χρησιμοποιήθηκε ο αλγόριθμος στατιστικής ευκρίνειας για την αύξηση της χωρικής ανάλυσης των πολυφασματικών καναλιών των Landsat 7-9, από 30m σε 15m και έγινε έλεγχος της επίδρασης διαφορετικών συνθέσεων εικόνων που βασίστηκε σε πολλούς φασματικούς δείκτες και άλλα βοηθητικά δεδομένα όπως το ψηφιακό υψομετρικό μοντέλο (DEM) και η θερμοκρασία επιφάνειας της γης (LST), βασισμένη σε αρκετούς φασματικούς δείκτες και άλλα βοηθητικά στοιχεία για την ακρίβεια της τελικής ταξινόμησης. Ακόμη, έγινε σύγκριση των αποτελεσμάτων ταξινόμησης της προτεινόμενης μεθόδου με το χάρτη Copernicus Global Land Cover Layers (CGLCL) για την επαλήθευση του αλγορίθμου. Τα αποτελέσματα έδειξαν ότι χρησιμοποιώντας δορυφορικές εικόνες Landsat παγχρωματικής όξυνσης σε ακτινοβολία στην κορυφή της ατμόσφαιρας, μπορούν να παραχθούν πιο ακριβή αποτελέσματα για την ταξινόμηση αντί να χρησιμοποιηθεί μόνο η επιφανειακή ανάκλαση (SR). Τα LST και DEM είναι βασικά χαρακτηριστικά στην ταξινόμηση και μέσα από τη χρήση τους μπορεί να αυξηθεί η τελική ακρίβεια. Ο προτεινόμενος αλγόριθμος παρήγαγε 94,438% συνολική ακρίβεια (ΟΑ), 0,93 για την Kappa και 0,93 για το F1-score, συγκριτικά με το χάρτη CGLCL, που παρήγαγε 84,4% για την ΟΑ, 0,79 για την Kappa και 0,50 για το F1-score για το 2019. Η συνολική συμφωνία μεταξύ των αποτελεσμάτων ταξινόμησης και των δεδομένων δοκιμής υπερβαίνει το 90% (93,37-97,6%) για τη ΟΑ, το 0,9 (0,91-0,96) για την Kappa και το 0,85 (0,86-0,95) για το F1-score, αποτελέσματα που γενικά θεωρούνται αποδεκτά.

'''Λέξεις κλειδιά:''' Χρονοσειρές εικόνων Landsat, ανίχνευση αλλαγής χρήσεων και κάλυψης γης, ταξινόμηση εικόνας βάσει εικονοστοιχείων, Random Forest

'''Εισαγωγή:''' Από τη δεκαετία του 1950, ο παγκόσμιος πληθυσμός έχει αυξηθεί από 2,6 δισεκατομμύρια σε 7,7 δισεκατομμύρια και αναμένεται να φτάσει περίπου τα 9,7 δισεκατομμύρια έως το 2050. Η αύξηση του πληθυσμού προκαλεί αυξημένη ζήτηση για ενέργεια, τρόφιμα, στέγαση, νερό, μεταφορές και υγειονομική περίθαλψη. Τις τελευταίες δεκαετίες, έχει εμφανιστεί ένας αριθμός αισθητήρων, όπως o Moderate Resolution Imaging Spectroradiometer (MODIS), o Satellite Pour l'Observation de la Terre (SPOT), ο Landsat και ο Sentinel-2. Έχουν δοκιμαστεί διαφορετικές μέθοδοι εξαγωγής πληροφοριών από δεδομένα τηλεπισκόπησης και μεταξύ αυτών, ο Landsat είναι ο μόνος αισθητήρας που παρέχει δεδομένα για περισσότερες από τέσσερις δεκαετίες. Η χωρική ανάλυση αυτού του συνόλου δεδομένων παρέχει τη δυνατότητα μελέτης της δυναμικής της επιφάνειας της Γης, γεγονός που αποτελεί αναγκαιότητα για την ανάπτυξη πολιτικών, τη διαχείριση καταστάσεων και τις επιστημονικές έρευνες. Το σύνολο δεδομένων Landsat παρέχει σε μεγάλο βαθμό υψηλά χωρικά (30m και 15m στα κανάλια του παγχρωματικού στους Landsat 7 και 8) και προσωρινά δεδομένα (8 ημέρες, αν συνδυαστούν δεδομένα και από τους δύο δορυφόρους και 16 ημέρες για ένα μόνο δορυφόρο). Άλλοι αισθητήρες όπως ο Sentinel-2 δεν αποτελούν συνεχή πηγή δεδομένων για 4 δεκαετίες ή αντιμετωπίζουν άλλα προβλήματα όπως χαμηλότερη χωρική, φασματική ή χρονική ανάλυση.

Υπάρχουν πολλοί αλγόριθμοι ταξινόμησης για τη χαρτογράφηση των χρήσεων και καλύψεων γης, συμπεριλαμβανομένων των Παραλληλεπίπεδων, της Ελάχιστης Απόστασης (MD), της Μέγιστης Πιθανότητας (ML), της Ασαφούς Ταξινόμησης (FC), του Τεχνητού Νευρωνικού Δικτύου (ANN), των Μηχανών Διανυσματικής Υποστήριξης (SVM), του Τυχαίου Δάσους (RF), της Βαθιάς Μάθησης (DL) και της Βαθιάς Μεταφοράς Μάθησης (DTL). Μεταξύ αυτών των μεθόδων ταξινομήσεων, η RF, λόγω της καλύτερης απόδοσης και της υψηλότερης ακρίβειάς της, του σχετικά χαμηλού υπολογιστικού κόστους της και των λίγων παραμέτρων εισαγωγής, τείνει να γίνει μία από τις καλύτερες μεθόδους ταξινόμησης στη χαρτογράφηση των χρήσεων και κάλυψης γης.

Περιοχή Μελέτης: Το Ισφαχάν είναι η πρωτεύουσα της επαρχίας Ισφαχάν του Ιράν, εκτείνεται σε υψόμετρο περίπου 1600m, σχεδόν 340km νοτιότερα της πρωτεύουσας της Τεχεράνης. Είναι μία από τις μεγαλύτερες πόλεις του Ιράν και έχει βιώσει αξιοσημείωτη μεταβολή των χρήσεων και καλύψεων γης τις τελευταίες δεκαετίες, ιδιαίτερα μέσα από την αστική ανάπτυξη. Η μητροπολιτική περιοχή του Ισφαχάν καλύπτει συνολική έκταση 551km2 και έχει σχεδόν 2 εκατομμύρια κατοίκους. Η ολοκληρωμένη οικονομική, ιστορική και γεωγραφική ισχύς του, το κατατάσσει σαν πόλη μεταξύ των τριών κορυφαίων πόλεων του Ιράν. Στην παρούσα μελέτη συμπεριλαμβάνονται, εκτός της μητροπολιτικής περιοχής του Ισφαχάν, πολλές μικρότερες πόλεις γύρω του που συνολικά είναι 42 και φτάνουν σε πληθυσμό περίπου τα 3.400.000 ανθρώπους.

'''Μεθοδολογία:''' Στη μελέτη χρησιμοποιήθηκε χάρτης CGLCL και βοηθητικά δεδομένα για να εξαχθούν οι χρήσεις γης και καλύψεις γης από τα Landsat δεδομένα, που συλλέχθηκαν από το 1985 έως το 2019. Για να προκύψει η ταξινόμηση, συνδυάστηκαν, επίσης, το ψηφιακό υψομετρικό μοντέλο (DEM), η κλίση και ο προσανατολισμός που προέκυψαν από το ψηφιακό μοντέλο εδάφους (DTM) και τα πολυφασματικά κανάλια. Εισήχθησαν, ακόμη, δεδομένα του Shuttle Radar Topographic Mission (SRTM) για να ελεγχθεί το υψόμετρο ως δεδομένο εισόδου στη διαδικασία ταξινόμησης.

Στην περιοχή έρευνας κυριάρχησαν οι τύποι χρήσεων/κάλυψης γης, οι οποίοι περιγράφονται στον Πίνακα 1. Η συλλογή δειγμάτων εκπαίδευσης και επικύρωσης βασίστηκε στην οπτική ερμηνεία εικόνων υψηλής ανάλυσης από το Google Earth και το χάρτη CGLCL. Για μεγαλύτερη ακρίβεια, τα δεδομένα εκπαίδευσης και επικύρωσης επιλέχθηκαν χωριστά.

[[Εικόνα: NT3_p1.JPG|thumb|right|'''Πίνακας 1.''' Το προτεινόμενο σύστημα ταξινόμησης των αλλαγών της κάλυψης γης και η αντίστοιχη περιγραφή.]]

Το πρώτο, δεύτερο και τρίτο σύνθετο του θεματικού χάρτη Landsat 5 περιορίστηκαν μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 1985, 1993, και 2008, αντίστοιχα. Ο ενισχυμένος θεματικός χάρτης του Landsat 7 επιλέχθηκε μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 2000. Οι εικόνες του 2013 και του 2019 αποκτήθηκαν χρησιμοποιώντας τον αισθητήρα Operation Landsat Imager (L8-OLI) του Landsat 8· ακόμη, υπολογίστηκε η μάσκα νέφους σε ετήσια βάση, με τον περιορισμό της απόκτησης να τίθεται μεταξύ της 1ης Ιουλίου και 31ης Αυγούστου 2013 και 2019 αντίστοιχα και της διαθεσιμότητας να επηρεάζεται από τη χαμηλή βλάστηση και τη νεφοκάλυψη.

Στο στάδιο της προεπεξεργασίας, εισήχθησαν σύνολα και δείγματα δεδομένων χρησιμοποιώντας το χάρτη CGLCL και οπτική ερμηνεία. Εφαρμόστηκε η μέθοδος παγχρωματικής όξυνσης για τα δεδομένα των Landsat 7 και 8. Με βάση τα δεδομένα των Landsat, υπολογίστηκαν δείκτες, όπως οι NDVI, DEM και LST και η ταξινόμηση RF πραγματοποιήθηκε σε δύο στάδια, βασισμένη σε δεδομένα εκπαίδευσης. Τα δύο βήματα εκπαίδευσης του ταξινομητή χρησιμοποίησαν δεδομένα εκπαίδευσης και εκτέλεσαν ταξινόμηση σε ολόκληρες εικόνες. Τέλος, εφαρμόστηκαν μέθοδοι επικύρωσης για την αξιολόγηση της απόδοσης της ταξινόμησης και την ακρίβεια του χάρτη χρήσεων/καλύψεων γης. Η εκτέλεση όλων αυτών των βημάτων έγινε στο GEE.

Στην παρούσα μελέτη χρησιμοποιήθηκε η παγχρωματική όξυνση της εικόνας η οποία συνδυάζει τις φασματικές πληροφορίες των πολυφασματικών καναλιών χαμηλότερης ανάλυσης με τη σχετικά υψηλότερη χωρική ανάλυση ενός παγχρωματικού καναλιού στην ίδια περιοχή. Αν και είναι αναπόφευκτο να μη χαθούν φασματικές πληροφορίες από τις αρχικές πολυφασματικές πληροφορίες κατά τη διάρκεια της όξυνσης, ορισμένοι αλγόριθμοι προσπαθούν να μεγιστοποιήσουν τη φασματική διατήρηση. Οι περισσότερες μέθοδοι όξυνσης εκμεταλλεύονται την υψηλή συχνότητα πληροφοριών της παγχρωματικής εικόνας και χρησιμοποιούν διαφορετικά μοντέλα για να εισάγουν αυτά τα εξαγόμενα δεδομένα σε πολυφασματικά κανάλια επαναδειγματοληψίας. Η μέθοδος «ένταση απόχρωση κορεσμός (IHS)» είναι μία από τις δημοφιλείς μεθόδους για παγχρωματική όξυνση. Αυτή η μέθοδος λειτουργεί με μετατροπή του οπτικού φάσματος μεταξύ RGB και IHS, οδηγώντας σε υψηλότερη χωρική ανάλυση των πολυφασματικών καναλιών.

Στη μελέτη, επίσης, χρησιμοποιήθηκαν δύο τύποι φασματικών-χρονικών δεδομένων. Πρόκειται για πρωτογενή δεδομένα από τα κανάλια των Landsat και εξαγόμενα δεδομένα από πρωτογενή και βοηθητικά δεδομένα, όπως το DEM, η κλίση και ο προσανατολισμός. Η Εικόνα 1 παρουσιάζει τη ροή εργασιών για τη δημιουργία χάρτη χρήσεων/καλύψεων γης.

[[Εικόνα: NT3_e1.png|thumb|right|'''Εικόνα 1.''' Η ροή εργασιών για την ταξινόμηση των μεταβολών χρήσης/κάλυψης γης βασισμένη στη Random Forest.]]

Για την αξιολόγηση της ακρίβειας ταξινόμησης χρησιμοποιήθηκε ο ορισμός του βαθμού ομοιότητας μεταξύ των παραγόμενων χαρτών και των χαρτών αναφοράς, με διαφορετικές προσεγγίσεις και δείκτες για την αξιολόγηση της ακρίβειας να έχουν εισαχθεί και αναπτυχθεί τα τελευταία χρόνια, με τη συνολική ακρίβεια (OA) και το συντελεστή Kappa να είναι δύο συντελεστές που χρησιμοποιούνται συνήθως για τη μέτρηση της ακρίβειας. Η ΟΑ δείχνει την πιθανότητα σωστής ταξινόμησης μίας τυχαία επιλεγμένης τοποθεσίας στο χάρτη, ενώ ο συντελεστής Kappa κυμαίνεται μεταξύ −1 και 1. Η τιμή του 0 υποδηλώνει ότι η ταξινόμηση είναι παρόμοια με μία τυχαία ταξινόμηση. Η αρνητική τιμή για τον Kappa υποδεικνύει ότι η ταξινόμηση είναι σημαντικά χειρότερη από την τυχαία ταξινόμηση. Μία τιμή κοντά στο 1 δείχνει ότι η ταξινόμηση είναι σωστή και για την παρούσα εργασία χρησιμοποιήθηκαν το F1-Score, το ποσοστό εσφαλμένης ταξινόμησης, η ακρίβεια, η ανάκληση και η ειδικότητα για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου.

'''Αποτελέσματα:''' Η παρούσα μελέτη είχε ως στόχο να σχεδιάσει μία μέθοδο για τη διεξαγωγή μίας αξιόπιστης ταξινόμησης των χρήσεων/καλύψεων γης. Η μεθοδολογία περιελάμβανε τέσσερις κύριες ενότητες. Πρώτα, συλλέχθηκαν οι εικόνες Landsat και έπειτα τα μεμονωμένα δεδομένα εκπαίδευσης και δοκιμών. Στη συνέχεια, παρουσιάστηκαν τα τυπικά ή ευκρινή φασματικά κανάλια, μαζί με πρόσθετες μεταβλητές για ταξινόμηση. Ακολούθως, εφαρμόστηκε η RF ταξινόμηση στις εικόνες και πραγματοποιήθηκε αξιολόγηση της ακρίβειας με χρησιμοποίηση δεδομένων δοκιμής για την αξιολόγηση της απόδοσης των αποτελεσμάτων του χάρτη χρήσεων/καλύψεων γης και προσδιορίστηκε η σημασία της κάθε μεταβλητής εισόδου που χρησιμοποιούν οι δείκτες βλάστησης στην περιοχή του Ισφαχάν. Επιπλέον, επιχειρήθηκαν δύο προσεγγίσεις σύγκρισης χάρτη με χάρτη και ανεξάρτητες αξιολογήσεις ακρίβειας για την αξιολόγηση της απόδοσης της προτεινόμενης μεθοδολογίας και για το λόγο αυτό, χρειάστηκαν δεδομένα του CGLCL και δεδομένα ανακλαστικότητας του Landsat.

Η παγχρωματική όξυνση ήταν ένα από τα βήματα που αφορούσε τα δεδομένα των Landsat 7 και Landsat 8 και εφαρμόστηκε μόνο σε δεδομένα που αποκτήθηκαν από αισθητήρες που είναι τοποθετημένοι στους Landsat 7 και 8 επειδή το κανάλι του παγχρωματικού δεν είναι διαθέσιμο στους αισθητήρες που χρησιμοποιούνται στον Landsat 5 και στην προηγούμενη γενιά οργάνων του Landsat (MSS). Το παγχρωματικό χρησιμοποιήθηκε για αύξηση της χωρικής ακρίβειας των καναλιών RGB και στην Εικόνα 2 φαίνεται ένα δείγμα που συγκρίνει τα αποτελέσματα της ευκρίνειας εικόνων 15m με την τυπική έκδοση των καναλιών RGB 30m το 2019. Σύμφωνα με την Εικόνα 2, οι δρόμοι και τα κτήρια είναι πιο ευδιάκριτα στην παρατήρηση και συνεισφέρουν ώστε να εξάγει η ταξινόμηση τις τάξεις πιο αποτελεσματικά.

[[Εικόνα: NT3_e2.jpg|thumb|right|'''Εικόνα 2.''' Η επίδραση της όξυνσης στην εικόνα του 2019: (a) ολόκληρη η περιοχή, (b) η επιλεγμένη περιοχή πριν την όξυνση, (c) η επιλεγμένη περιοχή μετά την όξυνση.]]

Διερευνήθηκε, ακόμη, η σχετική σημασία των καναλιών Landsat, αρκετών γνωστών δεικτών βλάστησης και κτηρίων και άλλων βοηθητικών δεδομένων για χαρτογράφηση των χρήσεων/καλύψεων γης. Για το σκοπό αυτό, επιλέχθηκε η ταξινόμηση RF που βασίζεται στην πλατφόρμα του GEE. Για τη διεξαγωγή της μελέτης, επιλέχθηκε η παράμετρος των 50 δέντρων και ως προεπιλεγμένη τιμή ορίστηκε η τετραγωνική ρίζα του συνολικού αριθμού των χαρακτηριστικών. Προέκυψε ότι η απόδοση της ταξινόμησης παρέμεινε σχεδόν η ίδια, είτε για 50 είτε για 100 δέντρα απόφασης. Χρησιμοποιώντας την παραγόμενη RF, η ταξινόμηση πραγματοποιήθηκε σε έξι περιόδους. Η Εικόνα 3 παρουσιάζει τα αποτελέσματα του χάρτη χρήσεων και καλύψεων γης για έξι εξεταζόμενες ημερομηνίες από το 1985 έως το 2019.

[[Εικόνα: NT3_e31.png|thumb|left|'''Εικόνα 3.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e32.png|thumb|left|'''Εικόνα 3.''' Χάρτες χρήσεων και κάλυψης γης: (a) 1985, (b) 1993, (c) 2000, (d) 2008, (e) 2013, (f) 2019.]]

Μετά την εκτέλεση της ταξινόμησης RF, υπολογίστηκε ο δείκτης βλάστησης για κάθε χαρακτηριστικό εισόδου. Επιλέχθηκαν 32 χαρακτηριστικά δεδομένων χρονοσειράς Landsat 5 για τα 1985, 1993 και 2008, 33 χαρακτηριστικά για δεδομένα χρονοσειρών Landsat 7 για το 2000 και 34 χαρακτηριστικά για δεδομένα χρονοσειράς Landsat 8 για την περίοδο 2013-2019. Όσον αφορά τα δεδομένα χρονοσειρών Landsat 5, τα DEM, LST, η κλίση και το B6 ήταν οι τέσσερις πιο σημαντικές μεταβλητές. Από τα δεδομένα χρονοσειρών του Landsat 7, τα DEM, LST, NBR2 και B1 και από τα δεδομένα χρονοσειρών του Landsat 8, τα DEM, B11, LST και B10 παρουσίασαν κρίσιμες μεταβολές και τα RVI, NDVI και VrNIR_BI συνείσφεραν μόνο στην ταξινόμηση των συνόλων δεδομένων. Τα γενικά αποτελέσματα έδειξαν επίσης ότι τα DEM, LST, B10, B11 και NBR2 ήταν οι πιο σημαντικές μεταβλητές, ενώ τα RVI, VrNIR_BI, NDVI και MSAVI είχαν τη μικρότερη επιρροή στις διαδικασίες ταξινόμησης.

Γενικά, τα σύνολα των ακριβειών παραγωγού, χρήστη, ΟΑ, των συντελεστών Kappa, του F1-score, του ποσοστού εσφαλμένης ταξινόμησης, της ανάκλησης και της ειδικότητας παρήγαγαν υψηλές ακρίβειες (το OA κυμάνθηκε από 94,176% μέχρι 97,554% και το Kappa από 0,908 μέχρι 0,962). Κατά μέσο όρο, η αστική γη, η γυμνή γη, οι θαμνώδες εκτάσεις, και τα δάση που δεν ταιριάζουν με την περιοχή ταξινομήθηκαν με την υψηλότερη ακρίβεια, ακολουθούμενα από το νερό, την αστική γη και τις καλλιεργημένες εκτάσεις. Οι μικρότερες ακρίβειες παρατηρήθηκαν στα μικτά δάση και στους υγροτόπους. Αυτές οι χαμηλές ακρίβειες προκαλούνται από την πολύ χαμηλή ακρίβεια χρήστη και ακρίβεια παραγωγού των περιόδων 2000 και 2008.

Για να διερευνηθεί η απόδοση της προτεινόμενης ταξινόμησης, συγκρίθηκαν τα αποτελέσματά της με τον παγκόσμιο χάρτη CGLCL (Εικόνα 4). Η οπτική ερμηνεία απέδειξε ότι η κατηγορία των μόνιμων υδάτινων σωμάτων ταξινομήθηκε συχνά λάθος με άλλες κατηγορίες (π.χ., γυμνή/αραιή βλάστηση και καλλιεργούμενη), και η αστική/οικιστική κατηγορία δεν μπορούσε να εξαχθεί με επιτυχία, ειδικά κατά μήκος των ορίων της. Επιπλέον, έγινε στατιστική σύγκριση μεταξύ της προτεινόμενης ταξινόμησης και του παγκόσμιου χάρτη CGLCL για οπτική σύγκριση και σύμφωνα με την OA και την Kappa, με την προτεινόμενη ταξινόμηση να έχει καλύτερη απόδοση από τον χάρτη CGLCL με τιμές 10,01% και 0,14 αντίστοιχα.

[[Εικόνα: NT3_e4.png|thumb|left|'''Εικόνα 4.''' Σύγκριση μεταξύ της προτεινόμενης μεθόδου της παρούσας μελέτης (a) και του χάρτη CGLCL (b) το 2019.]]

Οι αλλαγές της κάλυψης γης για τις περιόδους 1985-1993, 1993-2000, 2000-2008, 2008-2013 και 2013-2019 δείχνουν ότι 97.725,78, 105.689,43, 110.185,38, 111.393 και 103.546,98 εκτάρια της περιοχής μελέτης υπέστησαν αλλαγές. Οι αλλαγμένες περιοχές ισοδυναμούν αντίστοιχα με το 15,57%, το 16,84%, το 17,59%, το 17,75% και το 16,5% της περιοχής μελέτης για τις αντίστοιχες περιόδους. Προκύπτει επίσης ότι από το 1985 έως το 2019, η αστική περιοχή, οι υγρότοποι, το μικτό δάσος, το νερό και οι θάμνοι αυξήθηκαν κατά 167,97%, 93,23%, 151,68%, 13,43% και 333,19%, αντίστοιχα. Αντίθετα, το γυμνό και καλλιεργούμενο έδαφος μειώθηκαν κατά 5,22% και 23,29% αντίστοιχα, με τη γυμνή γη και τις καλλιεργούμενες εκτάσεις να μετατρέπονται κυρίως σε αστική γη. Η εύρεση των αλλαγών στους χάρτες και των δεικτών/καναλιών παραγώγων του GEE, επέτρεψαν την απεικόνιση της ετήσιας κάλυψης γης από το 1985 μέχρι το 2019. Από το 1985, τεράστια έκταση κυρίως γυμνής και καλλιεργούμενης γης άλλαξε και εκεί παρατηρήθηκε αστική επέκταση σε όλο το τοπίο της περιοχής του Ισφαχάν (Εικόνα 5). Τα αποτελέσματα της μελέτης δείχνουν εκτεταμένη αστική ανάπτυξη μεταξύ των ετών 1985 με 2019, με αύξηση 167,97% (περίπου 4,94% ετησίως).

[[Εικόνα: NT3_e51.png|thumb|right|'''Εικόνα 5.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e52.png|thumb|right|'''Εικόνα 5.''' Αλλαγές χρήσεων/καλύψεων γης στους χάρτες τα διαστήματα: (a) 1985–1993, (b) 1993–2000, (c) 2000–2008, (d) 2008–2013, (e) 2013–2019 (το σκούρο και το ανοιχτό χρώμα υποδεικνύουν μη αλλαγμένες και αλλαγμένες περιοχές, αντίστοιχα).]]

Οι αλλαγές των χρήσεων/καλύψεων γης στην περιοχή μελέτης, ιδίως όταν πρόκειται για αστική ανάπτυξη και μεταβολή της βλάστησης, επηρεάζονται οικονομικά με την κερδοσκοπία και τη μεταβολή στην αξία των τιμών της γης, πολιτικά με στεγαστικές και φορολογικές μεταβολές, δημογραφικά από την αύξηση του πληθυσμού, περιβαλλοντικά με την αναγκαστική μετανάστευση στα προάστεια, χωροταξικά με τις αλλαγές στα συστήματα αστικών μεταφορών και κλιματολογικά με τις σοβαρές κλιματικές αλλαγές που προκαλούν σοβαρά φαινόμενα, όπως η ξηρασία.

Η παρούσα μελέτη έδειξε ότι κατά μέσο όρο 918,67 εκτάρια ετησίως, μεταξύ των ετών 1985 και 2019 έχουν μετατραπεί σε αστική χρήση γης στην περιοχή μελέτης. Έδειξε, επίσης, ότι και άλλοι παράγοντες, όπως οικονομικοί λόγοι, έχουν επιταχύνει την αστική ανάπτυξη, ασκώντας ασφυκτικές πιέσεις στην ανθρώπινη ευημερία και στο φυσικό περιβάλλον. Η αστικοποίηση αυξάνει επίσης το ρυθμό αγροτικής-αστικής μετανάστευσης, η οποία προκαλεί περιβαλλοντική υποβάθμιση, ιδίως σε μητροπολιτικές περιοχές όπως το Ισφαχάν. Τα αποτελέσματα έδειξαν, ακόμη, ότι οι κατηγορίες βλάστησης αντιμετώπισαν διακυμάνσεις κατά τη διάρκεια της μελετούμενης χρονικής περιόδου, με τη γενική τάση να δείχνει μείωση. Το συγκεκριμένο φαινόμενο οφείλεται σε διαφορετικές επιπτώσεις, όπως η κλιματική αλλαγή, η οποία προκάλεσε σοβαρές συνθήκες ξηρασίας. Για να μειωθούν οι μακροπρόθεσμες συνέπειες της μεταβολής των χρήσεων/καλύψεων γης, είναι απαραίτητο να υφίσταται ένας ακριβής χάρτης χρήσεων/καλύψεων γης και να αναπτυχθούν οι απαραίτητες πολιτικές.

'''Συμπεράσματα:''' Στην παρούσα μελέτη παρουσιάστηκε μία μέθοδος για τη χαρτογράφηση των χρήσεων/καλύψεων γης υψηλής ακρίβειας, σε κλίμακα 30m για τον Landsat 5 και σε κλίμακα 15m για τους Landsat 7 και 8 με βάση το λογισμικό GEE. Για το σκοπό αυτό χρησιμοποιήθηκε ο αλγόριθμος της RF, ο οποίος είναι ένας από τους πιο ισχυρούς ταξινομητές. Πραγματοποιήθηκε έλεγχος με διαφορετικό αριθμό δέντρων απόφασης και εισήχθησαν διαφορετικοί παράμετροι, με τα αποτελέσματα να δείχνουν ότι η τιμή 50 είναι η πιο κατάλληλη. Οι μέθοδοι των OA, Kappa και F1-score έδωσαν αποτελέσματα 0,422%, 0,006 και 0,015 αντίστοιχα, καλύτερες από την προσέγγιση που χρησιμοποιήθηκε για τα δεδομένα Landsat του 2019. Τα κανάλια 7, 8 και 9 για τους Landsat 5, 7, και 8 μαζί με 25 δείκτες και τα βοηθητικά δεδομένα για όλες τις συλλογές Landsat, συνέβαλαν στην ανάλυση των χρήσεων/καλύψεων γης. Επιπλέον, χρησιμοποιήθηκε το DEM και εξήχθησαν δεδομένα κλίσης και όψης.

Σύμφωνα με τα αποτελέσματα, τα LST και DEM είναι απαραίτητα για την ταξινόμηση των εικόνων Landsat. Παρόλο που αυτά τα χαρακτηριστικά είναι σημαντικά για τη χαρτογράφηση των χρήσεων/καλύψεων γης, εντούτοις δεν χρησιμοποιούνται, ή μόνο ένα από αυτά έχει χρησιμοποιηθεί σε παρόμοιες έρευνες. Χρησιμοποιήθηκε, ακόμη, χάρτης χρήσεων/καλύψεων και εικόνες Google Earth υψηλής ανάλυσης για την παροχή αξιόπιστων δεδομένων εκπαίδευσης. Οι μεταβλητές OA, Kappa και F1-score πήραν τιμές 93,64-97,55%, 0,91-0,96 και 0,86-0,95, αντίστοιχα. Οι ανεξάρτητες και από χάρτη σε χάρτη συγκρίσεις αξιολόγησης επαλήθευσαν τα τελικά αποτελέσματα ταξινόμησης, τα οποία έδειξαν ξεκάθαρα ότι η προτεινόμενη μέθοδος που εφαρμόστηκε υπερέχει του υπάρχοντος χάρτη χρήσεων/καλύψεων γης. Οι μέθοδοι των OA, Kappa και F1-score ήταν 10%, 0,13 και 0,5 καλύτερες από τον χάρτη χρήσεων/καλύψεων γης του 2019.

[[category:Ανίχνευση μεταβολών αστικής γης]]

Ανάλυση των Αλλαγών στις Χρήσεις και Καλύψεις της Αστικής Γης

2023-02-08T17:26:39Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Ανίχνευση μεταβολών αστικής γης

'''Πρωτότυπος τίτλος:''' “Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series”
Συγγραφείς: Saeid Amini, Mohsen Saber, Hamidreza Rabiei-Dastjerdi, Saeid Homayouni

'''Πηγή:''' Amini, S.; Saber, M.; Rabiei-Dastjerdi, H.; Homayouni, S. Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series. Remote Sens. 2022, 14, 2654. https://doi.org/10.3390/rs14112654 [https://www.mdpi.com/2072-4292/14/11/2654]

'''Περίληψη:''' Η αποτελεσματική εφαρμογή της ταξινόμησης εικόνων τηλεπισκόπησης μπορεί να διευκολύνει την εξαγωγή χωροχρονικών πληροφοριών για την ταξινόμηση των χρήσεων και της κάλυψης γης, αφού μέσα από τη χαρτογράφησή τους μπορεί να ανοίξει ο δρόμος για τη διερεύνηση των επιπτώσεων διαφορετικών κοινωνικοοικονομικών και περιβαλλοντικών επιπτώσεων. Στην παρούσα μελέτη παρουσιάζεται ένας αλγόριθμος που χρησιμοποιεί δεδομένα χρονοσειράς Landsat για να αναλύσει αλλαγές χρήσεων και κάλυψης γης. Εφαρμόστηκε η ταξινόμηση Random Forest (RF) στην Google Earth Engine (GEE) χρησιμοποιώντας εικόνες από τους Landsat 5, 7 και 8 ως δεδομένα εισόδου για την περίοδο 1985-2019. Ερευνήθηκε, επίσης, η απόδοση του αλγόριθμου όξυνσης πανοραμικής λήψης και το αντίκτυπο διαφορετικών συνθέσεων εικόνας για την παραγωγή ενός χάρτη χρήσεων και κάλυψης γης υψηλής ποιότητας. Επιπλέον, χρησιμοποιήθηκε ο αλγόριθμος στατιστικής ευκρίνειας για την αύξηση της χωρικής ανάλυσης των πολυφασματικών καναλιών των Landsat 7-9, από 30m σε 15m και έγινε έλεγχος της επίδρασης διαφορετικών συνθέσεων εικόνων που βασίστηκε σε πολλούς φασματικούς δείκτες και άλλα βοηθητικά δεδομένα όπως το ψηφιακό υψομετρικό μοντέλο (DEM) και η θερμοκρασία επιφάνειας της γης (LST), βασισμένη σε αρκετούς φασματικούς δείκτες και άλλα βοηθητικά στοιχεία για την ακρίβεια της τελικής ταξινόμησης. Ακόμη, έγινε σύγκριση των αποτελεσμάτων ταξινόμησης της προτεινόμενης μεθόδου με το χάρτη Copernicus Global Land Cover Layers (CGLCL) για την επαλήθευση του αλγορίθμου. Τα αποτελέσματα έδειξαν ότι χρησιμοποιώντας δορυφορικές εικόνες Landsat παγχρωματικής όξυνσης σε ακτινοβολία στην κορυφή της ατμόσφαιρας, μπορούν να παραχθούν πιο ακριβή αποτελέσματα για την ταξινόμηση αντί να χρησιμοποιηθεί μόνο η επιφανειακή ανάκλαση (SR). Τα LST και DEM είναι βασικά χαρακτηριστικά στην ταξινόμηση και μέσα από τη χρήση τους μπορεί να αυξηθεί η τελική ακρίβεια. Ο προτεινόμενος αλγόριθμος παρήγαγε 94,438% συνολική ακρίβεια (ΟΑ), 0,93 για την Kappa και 0,93 για το F1-score, συγκριτικά με το χάρτη CGLCL, που παρήγαγε 84,4% για την ΟΑ, 0,79 για την Kappa και 0,50 για το F1-score για το 2019. Η συνολική συμφωνία μεταξύ των αποτελεσμάτων ταξινόμησης και των δεδομένων δοκιμής υπερβαίνει το 90% (93,37-97,6%) για τη ΟΑ, το 0,9 (0,91-0,96) για την Kappa και το 0,85 (0,86-0,95) για το F1-score, αποτελέσματα που γενικά θεωρούνται αποδεκτά.

'''Λέξεις κλειδιά:''' Χρονοσειρές εικόνων Landsat, ανίχνευση αλλαγής χρήσεων και κάλυψης γης, ταξινόμηση εικόνας βάσει εικονοστοιχείων, Random Forest

'''Εισαγωγή:''' Από τη δεκαετία του 1950, ο παγκόσμιος πληθυσμός έχει αυξηθεί από 2,6 δισεκατομμύρια σε 7,7 δισεκατομμύρια και αναμένεται να φτάσει περίπου τα 9,7 δισεκατομμύρια έως το 2050. Η αύξηση του πληθυσμού προκαλεί αυξημένη ζήτηση για ενέργεια, τρόφιμα, στέγαση, νερό, μεταφορές και υγειονομική περίθαλψη. Τις τελευταίες δεκαετίες, έχει εμφανιστεί ένας αριθμός αισθητήρων, όπως o Moderate Resolution Imaging Spectroradiometer (MODIS), o Satellite Pour l'Observation de la Terre (SPOT), ο Landsat και ο Sentinel-2. Έχουν δοκιμαστεί διαφορετικές μέθοδοι εξαγωγής πληροφοριών από δεδομένα τηλεπισκόπησης και μεταξύ αυτών, ο Landsat είναι ο μόνος αισθητήρας που παρέχει δεδομένα για περισσότερες από τέσσερις δεκαετίες. Η χωρική ανάλυση αυτού του συνόλου δεδομένων παρέχει τη δυνατότητα μελέτης της δυναμικής της επιφάνειας της Γης, γεγονός που αποτελεί αναγκαιότητα για την ανάπτυξη πολιτικών, τη διαχείριση καταστάσεων και τις επιστημονικές έρευνες. Το σύνολο δεδομένων Landsat παρέχει σε μεγάλο βαθμό υψηλά χωρικά (30m και 15m στα κανάλια του παγχρωματικού στους Landsat 7 και 8) και προσωρινά δεδομένα (8 ημέρες, αν συνδυαστούν δεδομένα και από τους δύο δορυφόρους και 16 ημέρες για ένα μόνο δορυφόρο). Άλλοι αισθητήρες όπως ο Sentinel-2 δεν αποτελούν συνεχή πηγή δεδομένων για 4 δεκαετίες ή αντιμετωπίζουν άλλα προβλήματα όπως χαμηλότερη χωρική, φασματική ή χρονική ανάλυση.

Υπάρχουν πολλοί αλγόριθμοι ταξινόμησης για τη χαρτογράφηση των χρήσεων και καλύψεων γης, συμπεριλαμβανομένων των Παραλληλεπίπεδων, της Ελάχιστης Απόστασης (MD), της Μέγιστης Πιθανότητας (ML), της Ασαφούς Ταξινόμησης (FC), του Τεχνητού Νευρωνικού Δικτύου (ANN), των Μηχανών Διανυσματικής Υποστήριξης (SVM), του Τυχαίου Δάσους (RF), της Βαθιάς Μάθησης (DL) και της Βαθιάς Μεταφοράς Μάθησης (DTL). Μεταξύ αυτών των μεθόδων ταξινομήσεων, η RF, λόγω της καλύτερης απόδοσης και της υψηλότερης ακρίβειάς της, του σχετικά χαμηλού υπολογιστικού κόστους της και των λίγων παραμέτρων εισαγωγής, τείνει να γίνει μία από τις καλύτερες μεθόδους ταξινόμησης στη χαρτογράφηση των χρήσεων και κάλυψης γης.

Περιοχή Μελέτης: Το Ισφαχάν είναι η πρωτεύουσα της επαρχίας Ισφαχάν του Ιράν, εκτείνεται σε υψόμετρο περίπου 1600m, σχεδόν 340km νοτιότερα της πρωτεύουσας της Τεχεράνης. Είναι μία από τις μεγαλύτερες πόλεις του Ιράν και έχει βιώσει αξιοσημείωτη μεταβολή των χρήσεων και καλύψεων γης τις τελευταίες δεκαετίες, ιδιαίτερα μέσα από την αστική ανάπτυξη. Η μητροπολιτική περιοχή του Ισφαχάν καλύπτει συνολική έκταση 551km2 και έχει σχεδόν 2 εκατομμύρια κατοίκους. Η ολοκληρωμένη οικονομική, ιστορική και γεωγραφική ισχύς του, το κατατάσσει σαν πόλη μεταξύ των τριών κορυφαίων πόλεων του Ιράν. Στην παρούσα μελέτη συμπεριλαμβάνονται, εκτός της μητροπολιτικής περιοχής του Ισφαχάν, πολλές μικρότερες πόλεις γύρω του που συνολικά είναι 42 και φτάνουν σε πληθυσμό περίπου τα 3.400.000 ανθρώπους.

'''Μεθοδολογία:''' Στη μελέτη χρησιμοποιήθηκε χάρτης CGLCL και βοηθητικά δεδομένα για να εξαχθούν οι χρήσεις γης και καλύψεις γης από τα Landsat δεδομένα, που συλλέχθηκαν από το 1985 έως το 2019. Για να προκύψει η ταξινόμηση, συνδυάστηκαν, επίσης, το ψηφιακό υψομετρικό μοντέλο (DEM), η κλίση και ο προσανατολισμός που προέκυψαν από το ψηφιακό μοντέλο εδάφους (DTM) και τα πολυφασματικά κανάλια. Εισήχθησαν, ακόμη, δεδομένα του Shuttle Radar Topographic Mission (SRTM) για να ελεγχθεί το υψόμετρο ως δεδομένο εισόδου στη διαδικασία ταξινόμησης.

Στην περιοχή έρευνας κυριάρχησαν οι τύποι χρήσεων/κάλυψης γης, οι οποίοι περιγράφονται στον Πίνακα 1. Η συλλογή δειγμάτων εκπαίδευσης και επικύρωσης βασίστηκε στην οπτική ερμηνεία εικόνων υψηλής ανάλυσης από το Google Earth και το χάρτη CGLCL. Για μεγαλύτερη ακρίβεια, τα δεδομένα εκπαίδευσης και επικύρωσης επιλέχθηκαν χωριστά.

[[Εικόνα: NT3_p1.jpg|thumb|right|'''Πίνακας 1.''' Το προτεινόμενο σύστημα ταξινόμησης των αλλαγών της κάλυψης γης και η αντίστοιχη περιγραφή.]]

Το πρώτο, δεύτερο και τρίτο σύνθετο του θεματικού χάρτη Landsat 5 περιορίστηκαν μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 1985, 1993, και 2008, αντίστοιχα. Ο ενισχυμένος θεματικός χάρτης του Landsat 7 επιλέχθηκε μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 2000. Οι εικόνες του 2013 και του 2019 αποκτήθηκαν χρησιμοποιώντας τον αισθητήρα Operation Landsat Imager (L8-OLI) του Landsat 8· ακόμη, υπολογίστηκε η μάσκα νέφους σε ετήσια βάση, με τον περιορισμό της απόκτησης να τίθεται μεταξύ της 1ης Ιουλίου και 31ης Αυγούστου 2013 και 2019 αντίστοιχα και της διαθεσιμότητας να επηρεάζεται από τη χαμηλή βλάστηση και τη νεφοκάλυψη.

Στο στάδιο της προεπεξεργασίας, εισήχθησαν σύνολα και δείγματα δεδομένων χρησιμοποιώντας το χάρτη CGLCL και οπτική ερμηνεία. Εφαρμόστηκε η μέθοδος παγχρωματικής όξυνσης για τα δεδομένα των Landsat 7 και 8. Με βάση τα δεδομένα των Landsat, υπολογίστηκαν δείκτες, όπως οι NDVI, DEM και LST και η ταξινόμηση RF πραγματοποιήθηκε σε δύο στάδια, βασισμένη σε δεδομένα εκπαίδευσης. Τα δύο βήματα εκπαίδευσης του ταξινομητή χρησιμοποίησαν δεδομένα εκπαίδευσης και εκτέλεσαν ταξινόμηση σε ολόκληρες εικόνες. Τέλος, εφαρμόστηκαν μέθοδοι επικύρωσης για την αξιολόγηση της απόδοσης της ταξινόμησης και την ακρίβεια του χάρτη χρήσεων/καλύψεων γης. Η εκτέλεση όλων αυτών των βημάτων έγινε στο GEE.

Στην παρούσα μελέτη χρησιμοποιήθηκε η παγχρωματική όξυνση της εικόνας η οποία συνδυάζει τις φασματικές πληροφορίες των πολυφασματικών καναλιών χαμηλότερης ανάλυσης με τη σχετικά υψηλότερη χωρική ανάλυση ενός παγχρωματικού καναλιού στην ίδια περιοχή. Αν και είναι αναπόφευκτο να μη χαθούν φασματικές πληροφορίες από τις αρχικές πολυφασματικές πληροφορίες κατά τη διάρκεια της όξυνσης, ορισμένοι αλγόριθμοι προσπαθούν να μεγιστοποιήσουν τη φασματική διατήρηση. Οι περισσότερες μέθοδοι όξυνσης εκμεταλλεύονται την υψηλή συχνότητα πληροφοριών της παγχρωματικής εικόνας και χρησιμοποιούν διαφορετικά μοντέλα για να εισάγουν αυτά τα εξαγόμενα δεδομένα σε πολυφασματικά κανάλια επαναδειγματοληψίας. Η μέθοδος «ένταση απόχρωση κορεσμός (IHS)» είναι μία από τις δημοφιλείς μεθόδους για παγχρωματική όξυνση. Αυτή η μέθοδος λειτουργεί με μετατροπή του οπτικού φάσματος μεταξύ RGB και IHS, οδηγώντας σε υψηλότερη χωρική ανάλυση των πολυφασματικών καναλιών.

Στη μελέτη, επίσης, χρησιμοποιήθηκαν δύο τύποι φασματικών-χρονικών δεδομένων. Πρόκειται για πρωτογενή δεδομένα από τα κανάλια των Landsat και εξαγόμενα δεδομένα από πρωτογενή και βοηθητικά δεδομένα, όπως το DEM, η κλίση και ο προσανατολισμός. Η Εικόνα 1 παρουσιάζει τη ροή εργασιών για τη δημιουργία χάρτη χρήσεων/καλύψεων γης.

[[Εικόνα: NT3_e1.png|thumb|right|'''Εικόνα 1.''' Η ροή εργασιών για την ταξινόμηση των μεταβολών χρήσης/κάλυψης γης βασισμένη στη Random Forest.]]

Για την αξιολόγηση της ακρίβειας ταξινόμησης χρησιμοποιήθηκε ο ορισμός του βαθμού ομοιότητας μεταξύ των παραγόμενων χαρτών και των χαρτών αναφοράς, με διαφορετικές προσεγγίσεις και δείκτες για την αξιολόγηση της ακρίβειας να έχουν εισαχθεί και αναπτυχθεί τα τελευταία χρόνια, με τη συνολική ακρίβεια (OA) και το συντελεστή Kappa να είναι δύο συντελεστές που χρησιμοποιούνται συνήθως για τη μέτρηση της ακρίβειας. Η ΟΑ δείχνει την πιθανότητα σωστής ταξινόμησης μίας τυχαία επιλεγμένης τοποθεσίας στο χάρτη, ενώ ο συντελεστής Kappa κυμαίνεται μεταξύ −1 και 1. Η τιμή του 0 υποδηλώνει ότι η ταξινόμηση είναι παρόμοια με μία τυχαία ταξινόμηση. Η αρνητική τιμή για τον Kappa υποδεικνύει ότι η ταξινόμηση είναι σημαντικά χειρότερη από την τυχαία ταξινόμηση. Μία τιμή κοντά στο 1 δείχνει ότι η ταξινόμηση είναι σωστή και για την παρούσα εργασία χρησιμοποιήθηκαν το F1-Score, το ποσοστό εσφαλμένης ταξινόμησης, η ακρίβεια, η ανάκληση και η ειδικότητα για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου.

'''Αποτελέσματα:''' Η παρούσα μελέτη είχε ως στόχο να σχεδιάσει μία μέθοδο για τη διεξαγωγή μίας αξιόπιστης ταξινόμησης των χρήσεων/καλύψεων γης. Η μεθοδολογία περιελάμβανε τέσσερις κύριες ενότητες. Πρώτα, συλλέχθηκαν οι εικόνες Landsat και έπειτα τα μεμονωμένα δεδομένα εκπαίδευσης και δοκιμών. Στη συνέχεια, παρουσιάστηκαν τα τυπικά ή ευκρινή φασματικά κανάλια, μαζί με πρόσθετες μεταβλητές για ταξινόμηση. Ακολούθως, εφαρμόστηκε η RF ταξινόμηση στις εικόνες και πραγματοποιήθηκε αξιολόγηση της ακρίβειας με χρησιμοποίηση δεδομένων δοκιμής για την αξιολόγηση της απόδοσης των αποτελεσμάτων του χάρτη χρήσεων/καλύψεων γης και προσδιορίστηκε η σημασία της κάθε μεταβλητής εισόδου που χρησιμοποιούν οι δείκτες βλάστησης στην περιοχή του Ισφαχάν. Επιπλέον, επιχειρήθηκαν δύο προσεγγίσεις σύγκρισης χάρτη με χάρτη και ανεξάρτητες αξιολογήσεις ακρίβειας για την αξιολόγηση της απόδοσης της προτεινόμενης μεθοδολογίας και για το λόγο αυτό, χρειάστηκαν δεδομένα του CGLCL και δεδομένα ανακλαστικότητας του Landsat.

Η παγχρωματική όξυνση ήταν ένα από τα βήματα που αφορούσε τα δεδομένα των Landsat 7 και Landsat 8 και εφαρμόστηκε μόνο σε δεδομένα που αποκτήθηκαν από αισθητήρες που είναι τοποθετημένοι στους Landsat 7 και 8 επειδή το κανάλι του παγχρωματικού δεν είναι διαθέσιμο στους αισθητήρες που χρησιμοποιούνται στον Landsat 5 και στην προηγούμενη γενιά οργάνων του Landsat (MSS). Το παγχρωματικό χρησιμοποιήθηκε για αύξηση της χωρικής ακρίβειας των καναλιών RGB και στην Εικόνα 2 φαίνεται ένα δείγμα που συγκρίνει τα αποτελέσματα της ευκρίνειας εικόνων 15m με την τυπική έκδοση των καναλιών RGB 30m το 2019. Σύμφωνα με την Εικόνα 2, οι δρόμοι και τα κτήρια είναι πιο ευδιάκριτα στην παρατήρηση και συνεισφέρουν ώστε να εξάγει η ταξινόμηση τις τάξεις πιο αποτελεσματικά.

[[Εικόνα: NT3_e2.jpg|thumb|left|'''Εικόνα 2.''' Η επίδραση της όξυνσης στην εικόνα του 2019: (a) ολόκληρη η περιοχή, (b) η επιλεγμένη περιοχή πριν την όξυνση, (c) η επιλεγμένη περιοχή μετά την όξυνση.]]

Διερευνήθηκε, ακόμη, η σχετική σημασία των καναλιών Landsat, αρκετών γνωστών δεικτών βλάστησης και κτηρίων και άλλων βοηθητικών δεδομένων για χαρτογράφηση των χρήσεων/καλύψεων γης. Για το σκοπό αυτό, επιλέχθηκε η ταξινόμηση RF που βασίζεται στην πλατφόρμα του GEE. Για τη διεξαγωγή της μελέτης, επιλέχθηκε η παράμετρος των 50 δέντρων και ως προεπιλεγμένη τιμή ορίστηκε η τετραγωνική ρίζα του συνολικού αριθμού των χαρακτηριστικών. Προέκυψε ότι η απόδοση της ταξινόμησης παρέμεινε σχεδόν η ίδια, είτε για 50 είτε για 100 δέντρα απόφασης. Χρησιμοποιώντας την παραγόμενη RF, η ταξινόμηση πραγματοποιήθηκε σε έξι περιόδους. Η Εικόνα 3 παρουσιάζει τα αποτελέσματα του χάρτη χρήσεων και καλύψεων γης για έξι εξεταζόμενες ημερομηνίες από το 1985 έως το 2019.

[[Εικόνα: NT3_e31.png|thumb|left|'''Εικόνα 3.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e32.png|thumb|left|'''Εικόνα 3.''' Χάρτες χρήσεων και κάλυψης γης: (a) 1985, (b) 1993, (c) 2000, (d) 2008, (e) 2013, (f) 2019.]]

Μετά την εκτέλεση της ταξινόμησης RF, υπολογίστηκε ο δείκτης βλάστησης για κάθε χαρακτηριστικό εισόδου. Επιλέχθηκαν 32 χαρακτηριστικά δεδομένων χρονοσειράς Landsat 5 για τα 1985, 1993 και 2008, 33 χαρακτηριστικά για δεδομένα χρονοσειρών Landsat 7 για το 2000 και 34 χαρακτηριστικά για δεδομένα χρονοσειράς Landsat 8 για την περίοδο 2013-2019. Όσον αφορά τα δεδομένα χρονοσειρών Landsat 5, τα DEM, LST, η κλίση και το B6 ήταν οι τέσσερις πιο σημαντικές μεταβλητές. Από τα δεδομένα χρονοσειρών του Landsat 7, τα DEM, LST, NBR2 και B1 και από τα δεδομένα χρονοσειρών του Landsat 8, τα DEM, B11, LST και B10 παρουσίασαν κρίσιμες μεταβολές και τα RVI, NDVI και VrNIR_BI συνείσφεραν μόνο στην ταξινόμηση των συνόλων δεδομένων. Τα γενικά αποτελέσματα έδειξαν επίσης ότι τα DEM, LST, B10, B11 και NBR2 ήταν οι πιο σημαντικές μεταβλητές, ενώ τα RVI, VrNIR_BI, NDVI και MSAVI είχαν τη μικρότερη επιρροή στις διαδικασίες ταξινόμησης.

Γενικά, τα σύνολα των ακριβειών παραγωγού, χρήστη, ΟΑ, των συντελεστών Kappa, του F1-score, του ποσοστού εσφαλμένης ταξινόμησης, της ανάκλησης και της ειδικότητας παρήγαγαν υψηλές ακρίβειες (το OA κυμάνθηκε από 94,176% μέχρι 97,554% και το Kappa από 0,908 μέχρι 0,962). Κατά μέσο όρο, η αστική γη, η γυμνή γη, οι θαμνώδες εκτάσεις, και τα δάση που δεν ταιριάζουν με την περιοχή ταξινομήθηκαν με την υψηλότερη ακρίβεια, ακολουθούμενα από το νερό, την αστική γη και τις καλλιεργημένες εκτάσεις. Οι μικρότερες ακρίβειες παρατηρήθηκαν στα μικτά δάση και στους υγροτόπους. Αυτές οι χαμηλές ακρίβειες προκαλούνται από την πολύ χαμηλή ακρίβεια χρήστη και ακρίβεια παραγωγού των περιόδων 2000 και 2008.

Για να διερευνηθεί η απόδοση της προτεινόμενης ταξινόμησης, συγκρίθηκαν τα αποτελέσματά της με τον παγκόσμιο χάρτη CGLCL (Εικόνα 4). Η οπτική ερμηνεία απέδειξε ότι η κατηγορία των μόνιμων υδάτινων σωμάτων ταξινομήθηκε συχνά λάθος με άλλες κατηγορίες (π.χ., γυμνή/αραιή βλάστηση και καλλιεργούμενη), και η αστική/οικιστική κατηγορία δεν μπορούσε να εξαχθεί με επιτυχία, ειδικά κατά μήκος των ορίων της. Επιπλέον, έγινε στατιστική σύγκριση μεταξύ της προτεινόμενης ταξινόμησης και του παγκόσμιου χάρτη CGLCL για οπτική σύγκριση και σύμφωνα με την OA και την Kappa, με την προτεινόμενη ταξινόμηση να έχει καλύτερη απόδοση από τον χάρτη CGLCL με τιμές 10,01% και 0,14 αντίστοιχα.

[[Εικόνα: NT3_e4.png|thumb|left|'''Εικόνα 4.''' Σύγκριση μεταξύ της προτεινόμενης μεθόδου της παρούσας μελέτης (a) και του χάρτη CGLCL (b) το 2019.]]

Οι αλλαγές της κάλυψης γης για τις περιόδους 1985-1993, 1993-2000, 2000-2008, 2008-2013 και 2013-2019 δείχνουν ότι 97.725,78, 105.689,43, 110.185,38, 111.393 και 103.546,98 εκτάρια της περιοχής μελέτης υπέστησαν αλλαγές. Οι αλλαγμένες περιοχές ισοδυναμούν αντίστοιχα με το 15,57%, το 16,84%, το 17,59%, το 17,75% και το 16,5% της περιοχής μελέτης για τις αντίστοιχες περιόδους. Προκύπτει επίσης ότι από το 1985 έως το 2019, η αστική περιοχή, οι υγρότοποι, το μικτό δάσος, το νερό και οι θάμνοι αυξήθηκαν κατά 167,97%, 93,23%, 151,68%, 13,43% και 333,19%, αντίστοιχα. Αντίθετα, το γυμνό και καλλιεργούμενο έδαφος μειώθηκαν κατά 5,22% και 23,29% αντίστοιχα, με τη γυμνή γη και τις καλλιεργούμενες εκτάσεις να μετατρέπονται κυρίως σε αστική γη. Η εύρεση των αλλαγών στους χάρτες και των δεικτών/καναλιών παραγώγων του GEE, επέτρεψαν την απεικόνιση της ετήσιας κάλυψης γης από το 1985 μέχρι το 2019. Από το 1985, τεράστια έκταση κυρίως γυμνής και καλλιεργούμενης γης άλλαξε και εκεί παρατηρήθηκε αστική επέκταση σε όλο το τοπίο της περιοχής του Ισφαχάν (Εικόνα 5). Τα αποτελέσματα της μελέτης δείχνουν εκτεταμένη αστική ανάπτυξη μεταξύ των ετών 1985 με 2019, με αύξηση 167,97% (περίπου 4,94% ετησίως).

[[Εικόνα: NT3_e51.png|thumb|right|'''Εικόνα 5.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e52.png|thumb|right|'''Εικόνα 5.''' Αλλαγές χρήσεων/καλύψεων γης στους χάρτες τα διαστήματα: (a) 1985–1993, (b) 1993–2000, (c) 2000–2008, (d) 2008–2013, (e) 2013–2019 (το σκούρο και το ανοιχτό χρώμα υποδεικνύουν μη αλλαγμένες και αλλαγμένες περιοχές, αντίστοιχα).]]

Οι αλλαγές των χρήσεων/καλύψεων γης στην περιοχή μελέτης, ιδίως όταν πρόκειται για αστική ανάπτυξη και μεταβολή της βλάστησης, επηρεάζονται οικονομικά με την κερδοσκοπία και τη μεταβολή στην αξία των τιμών της γης, πολιτικά με στεγαστικές και φορολογικές μεταβολές, δημογραφικά από την αύξηση του πληθυσμού, περιβαλλοντικά με την αναγκαστική μετανάστευση στα προάστεια, χωροταξικά με τις αλλαγές στα συστήματα αστικών μεταφορών και κλιματολογικά με τις σοβαρές κλιματικές αλλαγές που προκαλούν σοβαρά φαινόμενα, όπως η ξηρασία.

Η παρούσα μελέτη έδειξε ότι κατά μέσο όρο 918,67 εκτάρια ετησίως, μεταξύ των ετών 1985 και 2019 έχουν μετατραπεί σε αστική χρήση γης στην περιοχή μελέτης. Έδειξε, επίσης, ότι και άλλοι παράγοντες, όπως οικονομικοί λόγοι, έχουν επιταχύνει την αστική ανάπτυξη, ασκώντας ασφυκτικές πιέσεις στην ανθρώπινη ευημερία και στο φυσικό περιβάλλον. Η αστικοποίηση αυξάνει επίσης το ρυθμό αγροτικής-αστικής μετανάστευσης, η οποία προκαλεί περιβαλλοντική υποβάθμιση, ιδίως σε μητροπολιτικές περιοχές όπως το Ισφαχάν. Τα αποτελέσματα έδειξαν, ακόμη, ότι οι κατηγορίες βλάστησης αντιμετώπισαν διακυμάνσεις κατά τη διάρκεια της μελετούμενης χρονικής περιόδου, με τη γενική τάση να δείχνει μείωση. Το συγκεκριμένο φαινόμενο οφείλεται σε διαφορετικές επιπτώσεις, όπως η κλιματική αλλαγή, η οποία προκάλεσε σοβαρές συνθήκες ξηρασίας. Για να μειωθούν οι μακροπρόθεσμες συνέπειες της μεταβολής των χρήσεων/καλύψεων γης, είναι απαραίτητο να υφίσταται ένας ακριβής χάρτης χρήσεων/καλύψεων γης και να αναπτυχθούν οι απαραίτητες πολιτικές.

'''Συμπεράσματα:''' Στην παρούσα μελέτη παρουσιάστηκε μία μέθοδος για τη χαρτογράφηση των χρήσεων/καλύψεων γης υψηλής ακρίβειας, σε κλίμακα 30m για τον Landsat 5 και σε κλίμακα 15m για τους Landsat 7 και 8 με βάση το λογισμικό GEE. Για το σκοπό αυτό χρησιμοποιήθηκε ο αλγόριθμος της RF, ο οποίος είναι ένας από τους πιο ισχυρούς ταξινομητές. Πραγματοποιήθηκε έλεγχος με διαφορετικό αριθμό δέντρων απόφασης και εισήχθησαν διαφορετικοί παράμετροι, με τα αποτελέσματα να δείχνουν ότι η τιμή 50 είναι η πιο κατάλληλη. Οι μέθοδοι των OA, Kappa και F1-score έδωσαν αποτελέσματα 0,422%, 0,006 και 0,015 αντίστοιχα, καλύτερες από την προσέγγιση που χρησιμοποιήθηκε για τα δεδομένα Landsat του 2019. Τα κανάλια 7, 8 και 9 για τους Landsat 5, 7, και 8 μαζί με 25 δείκτες και τα βοηθητικά δεδομένα για όλες τις συλλογές Landsat, συνέβαλαν στην ανάλυση των χρήσεων/καλύψεων γης. Επιπλέον, χρησιμοποιήθηκε το DEM και εξήχθησαν δεδομένα κλίσης και όψης.

Σύμφωνα με τα αποτελέσματα, τα LST και DEM είναι απαραίτητα για την ταξινόμηση των εικόνων Landsat. Παρόλο που αυτά τα χαρακτηριστικά είναι σημαντικά για τη χαρτογράφηση των χρήσεων/καλύψεων γης, εντούτοις δεν χρησιμοποιούνται, ή μόνο ένα από αυτά έχει χρησιμοποιηθεί σε παρόμοιες έρευνες. Χρησιμοποιήθηκε, ακόμη, χάρτης χρήσεων/καλύψεων και εικόνες Google Earth υψηλής ανάλυσης για την παροχή αξιόπιστων δεδομένων εκπαίδευσης. Οι μεταβλητές OA, Kappa και F1-score πήραν τιμές 93,64-97,55%, 0,91-0,96 και 0,86-0,95, αντίστοιχα. Οι ανεξάρτητες και από χάρτη σε χάρτη συγκρίσεις αξιολόγησης επαλήθευσαν τα τελικά αποτελέσματα ταξινόμησης, τα οποία έδειξαν ξεκάθαρα ότι η προτεινόμενη μέθοδος που εφαρμόστηκε υπερέχει του υπάρχοντος χάρτη χρήσεων/καλύψεων γης. Οι μέθοδοι των OA, Kappa και F1-score ήταν 10%, 0,13 και 0,5 καλύτερες από τον χάρτη χρήσεων/καλύψεων γης του 2019.

[[category:Ανίχνευση μεταβολών αστικής γης]]

Ανάλυση των Αλλαγών στις Χρήσεις και Καλύψεις της Αστικής Γης

2023-02-08T17:24:59Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Ανίχνευση μεταβολών αστικής γης

'''Πρωτότυπος τίτλος:''' “Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series”
Συγγραφείς: Saeid Amini, Mohsen Saber, Hamidreza Rabiei-Dastjerdi, Saeid Homayouni

'''Πηγή:''' Amini, S.; Saber, M.; Rabiei-Dastjerdi, H.; Homayouni, S. Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series. Remote Sens. 2022, 14, 2654. https://doi.org/10.3390/rs14112654 [https://www.mdpi.com/2072-4292/14/11/2654]

'''Περίληψη:''' Η αποτελεσματική εφαρμογή της ταξινόμησης εικόνων τηλεπισκόπησης μπορεί να διευκολύνει την εξαγωγή χωροχρονικών πληροφοριών για την ταξινόμηση των χρήσεων και της κάλυψης γης, αφού μέσα από τη χαρτογράφησή τους μπορεί να ανοίξει ο δρόμος για τη διερεύνηση των επιπτώσεων διαφορετικών κοινωνικοοικονομικών και περιβαλλοντικών επιπτώσεων. Στην παρούσα μελέτη παρουσιάζεται ένας αλγόριθμος που χρησιμοποιεί δεδομένα χρονοσειράς Landsat για να αναλύσει αλλαγές χρήσεων και κάλυψης γης. Εφαρμόστηκε η ταξινόμηση Random Forest (RF) στην Google Earth Engine (GEE) χρησιμοποιώντας εικόνες από τους Landsat 5, 7 και 8 ως δεδομένα εισόδου για την περίοδο 1985-2019. Ερευνήθηκε, επίσης, η απόδοση του αλγόριθμου όξυνσης πανοραμικής λήψης και το αντίκτυπο διαφορετικών συνθέσεων εικόνας για την παραγωγή ενός χάρτη χρήσεων και κάλυψης γης υψηλής ποιότητας. Επιπλέον, χρησιμοποιήθηκε ο αλγόριθμος στατιστικής ευκρίνειας για την αύξηση της χωρικής ανάλυσης των πολυφασματικών καναλιών των Landsat 7-9, από 30m σε 15m και έγινε έλεγχος της επίδρασης διαφορετικών συνθέσεων εικόνων που βασίστηκε σε πολλούς φασματικούς δείκτες και άλλα βοηθητικά δεδομένα όπως το ψηφιακό υψομετρικό μοντέλο (DEM) και η θερμοκρασία επιφάνειας της γης (LST), βασισμένη σε αρκετούς φασματικούς δείκτες και άλλα βοηθητικά στοιχεία για την ακρίβεια της τελικής ταξινόμησης. Ακόμη, έγινε σύγκριση των αποτελεσμάτων ταξινόμησης της προτεινόμενης μεθόδου με το χάρτη Copernicus Global Land Cover Layers (CGLCL) για την επαλήθευση του αλγορίθμου. Τα αποτελέσματα έδειξαν ότι χρησιμοποιώντας δορυφορικές εικόνες Landsat παγχρωματικής όξυνσης σε ακτινοβολία στην κορυφή της ατμόσφαιρας, μπορούν να παραχθούν πιο ακριβή αποτελέσματα για την ταξινόμηση αντί να χρησιμοποιηθεί μόνο η επιφανειακή ανάκλαση (SR). Τα LST και DEM είναι βασικά χαρακτηριστικά στην ταξινόμηση και μέσα από τη χρήση τους μπορεί να αυξηθεί η τελική ακρίβεια. Ο προτεινόμενος αλγόριθμος παρήγαγε 94,438% συνολική ακρίβεια (ΟΑ), 0,93 για την Kappa και 0,93 για το F1-score, συγκριτικά με το χάρτη CGLCL, που παρήγαγε 84,4% για την ΟΑ, 0,79 για την Kappa και 0,50 για το F1-score για το 2019. Η συνολική συμφωνία μεταξύ των αποτελεσμάτων ταξινόμησης και των δεδομένων δοκιμής υπερβαίνει το 90% (93,37-97,6%) για τη ΟΑ, το 0,9 (0,91-0,96) για την Kappa και το 0,85 (0,86-0,95) για το F1-score, αποτελέσματα που γενικά θεωρούνται αποδεκτά.

'''Λέξεις κλειδιά:''' Χρονοσειρές εικόνων Landsat, ανίχνευση αλλαγής χρήσεων και κάλυψης γης, ταξινόμηση εικόνας βάσει εικονοστοιχείων, Random Forest

'''Εισαγωγή:''' Από τη δεκαετία του 1950, ο παγκόσμιος πληθυσμός έχει αυξηθεί από 2,6 δισεκατομμύρια σε 7,7 δισεκατομμύρια και αναμένεται να φτάσει περίπου τα 9,7 δισεκατομμύρια έως το 2050. Η αύξηση του πληθυσμού προκαλεί αυξημένη ζήτηση για ενέργεια, τρόφιμα, στέγαση, νερό, μεταφορές και υγειονομική περίθαλψη. Τις τελευταίες δεκαετίες, έχει εμφανιστεί ένας αριθμός αισθητήρων, όπως o Moderate Resolution Imaging Spectroradiometer (MODIS), o Satellite Pour l'Observation de la Terre (SPOT), ο Landsat και ο Sentinel-2. Έχουν δοκιμαστεί διαφορετικές μέθοδοι εξαγωγής πληροφοριών από δεδομένα τηλεπισκόπησης και μεταξύ αυτών, ο Landsat είναι ο μόνος αισθητήρας που παρέχει δεδομένα για περισσότερες από τέσσερις δεκαετίες. Η χωρική ανάλυση αυτού του συνόλου δεδομένων παρέχει τη δυνατότητα μελέτης της δυναμικής της επιφάνειας της Γης, γεγονός που αποτελεί αναγκαιότητα για την ανάπτυξη πολιτικών, τη διαχείριση καταστάσεων και τις επιστημονικές έρευνες. Το σύνολο δεδομένων Landsat παρέχει σε μεγάλο βαθμό υψηλά χωρικά (30m και 15m στα κανάλια του παγχρωματικού στους Landsat 7 και 8) και προσωρινά δεδομένα (8 ημέρες, αν συνδυαστούν δεδομένα και από τους δύο δορυφόρους και 16 ημέρες για ένα μόνο δορυφόρο). Άλλοι αισθητήρες όπως ο Sentinel-2 δεν αποτελούν συνεχή πηγή δεδομένων για 4 δεκαετίες ή αντιμετωπίζουν άλλα προβλήματα όπως χαμηλότερη χωρική, φασματική ή χρονική ανάλυση.

Υπάρχουν πολλοί αλγόριθμοι ταξινόμησης για τη χαρτογράφηση των χρήσεων και καλύψεων γης, συμπεριλαμβανομένων των Παραλληλεπίπεδων, της Ελάχιστης Απόστασης (MD), της Μέγιστης Πιθανότητας (ML), της Ασαφούς Ταξινόμησης (FC), του Τεχνητού Νευρωνικού Δικτύου (ANN), των Μηχανών Διανυσματικής Υποστήριξης (SVM), του Τυχαίου Δάσους (RF), της Βαθιάς Μάθησης (DL) και της Βαθιάς Μεταφοράς Μάθησης (DTL). Μεταξύ αυτών των μεθόδων ταξινομήσεων, η RF, λόγω της καλύτερης απόδοσης και της υψηλότερης ακρίβειάς της, του σχετικά χαμηλού υπολογιστικού κόστους της και των λίγων παραμέτρων εισαγωγής, τείνει να γίνει μία από τις καλύτερες μεθόδους ταξινόμησης στη χαρτογράφηση των χρήσεων και κάλυψης γης.

Περιοχή Μελέτης: Το Ισφαχάν είναι η πρωτεύουσα της επαρχίας Ισφαχάν του Ιράν, εκτείνεται σε υψόμετρο περίπου 1600m, σχεδόν 340km νοτιότερα της πρωτεύουσας της Τεχεράνης. Είναι μία από τις μεγαλύτερες πόλεις του Ιράν και έχει βιώσει αξιοσημείωτη μεταβολή των χρήσεων και καλύψεων γης τις τελευταίες δεκαετίες, ιδιαίτερα μέσα από την αστική ανάπτυξη. Η μητροπολιτική περιοχή του Ισφαχάν καλύπτει συνολική έκταση 551km2 και έχει σχεδόν 2 εκατομμύρια κατοίκους. Η ολοκληρωμένη οικονομική, ιστορική και γεωγραφική ισχύς του, το κατατάσσει σαν πόλη μεταξύ των τριών κορυφαίων πόλεων του Ιράν. Στην παρούσα μελέτη συμπεριλαμβάνονται, εκτός της μητροπολιτικής περιοχής του Ισφαχάν, πολλές μικρότερες πόλεις γύρω του που συνολικά είναι 42 και φτάνουν σε πληθυσμό περίπου τα 3.400.000 ανθρώπους.

'''Μεθοδολογία:''' Στη μελέτη χρησιμοποιήθηκε χάρτης CGLCL και βοηθητικά δεδομένα για να εξαχθούν οι χρήσεις γης και καλύψεις γης από τα Landsat δεδομένα, που συλλέχθηκαν από το 1985 έως το 2019. Για να προκύψει η ταξινόμηση, συνδυάστηκαν, επίσης, το ψηφιακό υψομετρικό μοντέλο (DEM), η κλίση και ο προσανατολισμός που προέκυψαν από το ψηφιακό μοντέλο εδάφους (DTM) και τα πολυφασματικά κανάλια. Εισήχθησαν, ακόμη, δεδομένα του Shuttle Radar Topographic Mission (SRTM) για να ελεγχθεί το υψόμετρο ως δεδομένο εισόδου στη διαδικασία ταξινόμησης.

Στην περιοχή έρευνας κυριάρχησαν οι τύποι χρήσεων/κάλυψης γης, οι οποίοι περιγράφονται στον Πίνακα 1. Η συλλογή δειγμάτων εκπαίδευσης και επικύρωσης βασίστηκε στην οπτική ερμηνεία εικόνων υψηλής ανάλυσης από το Google Earth και το χάρτη CGLCL. Για μεγαλύτερη ακρίβεια, τα δεδομένα εκπαίδευσης και επικύρωσης επιλέχθηκαν χωριστά.

[[Εικόνα: NT3_p1.jpg|thumb|right|'''Πίνακας 1.''' Το προτεινόμενο σύστημα ταξινόμησης των αλλαγών της κάλυψης γης και η αντίστοιχη περιγραφή.]]

Το πρώτο, δεύτερο και τρίτο σύνθετο του θεματικού χάρτη Landsat 5 περιορίστηκαν μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 1985, 1993, και 2008, αντίστοιχα. Ο ενισχυμένος θεματικός χάρτης του Landsat 7 επιλέχθηκε μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 2000. Οι εικόνες του 2013 και του 2019 αποκτήθηκαν χρησιμοποιώντας τον αισθητήρα Operation Landsat Imager (L8-OLI) του Landsat 8· ακόμη, υπολογίστηκε η μάσκα νέφους σε ετήσια βάση, με τον περιορισμό της απόκτησης να τίθεται μεταξύ της 1ης Ιουλίου και 31ης Αυγούστου 2013 και 2019 αντίστοιχα και της διαθεσιμότητας να επηρεάζεται από τη χαμηλή βλάστηση και τη νεφοκάλυψη.

Στο στάδιο της προεπεξεργασίας, εισήχθησαν σύνολα και δείγματα δεδομένων χρησιμοποιώντας το χάρτη CGLCL και οπτική ερμηνεία. Εφαρμόστηκε η μέθοδος παγχρωματικής όξυνσης για τα δεδομένα των Landsat 7 και 8. Με βάση τα δεδομένα των Landsat, υπολογίστηκαν δείκτες, όπως οι NDVI, DEM και LST και η ταξινόμηση RF πραγματοποιήθηκε σε δύο στάδια, βασισμένη σε δεδομένα εκπαίδευσης. Τα δύο βήματα εκπαίδευσης του ταξινομητή χρησιμοποίησαν δεδομένα εκπαίδευσης και εκτέλεσαν ταξινόμηση σε ολόκληρες εικόνες. Τέλος, εφαρμόστηκαν μέθοδοι επικύρωσης για την αξιολόγηση της απόδοσης της ταξινόμησης και την ακρίβεια του χάρτη χρήσεων/καλύψεων γης. Η εκτέλεση όλων αυτών των βημάτων έγινε στο GEE.

Στην παρούσα μελέτη χρησιμοποιήθηκε η παγχρωματική όξυνση της εικόνας η οποία συνδυάζει τις φασματικές πληροφορίες των πολυφασματικών καναλιών χαμηλότερης ανάλυσης με τη σχετικά υψηλότερη χωρική ανάλυση ενός παγχρωματικού καναλιού στην ίδια περιοχή. Αν και είναι αναπόφευκτο να μη χαθούν φασματικές πληροφορίες από τις αρχικές πολυφασματικές πληροφορίες κατά τη διάρκεια της όξυνσης, ορισμένοι αλγόριθμοι προσπαθούν να μεγιστοποιήσουν τη φασματική διατήρηση. Οι περισσότερες μέθοδοι όξυνσης εκμεταλλεύονται την υψηλή συχνότητα πληροφοριών της παγχρωματικής εικόνας και χρησιμοποιούν διαφορετικά μοντέλα για να εισάγουν αυτά τα εξαγόμενα δεδομένα σε πολυφασματικά κανάλια επαναδειγματοληψίας. Η μέθοδος «ένταση απόχρωση κορεσμός (IHS)» είναι μία από τις δημοφιλείς μεθόδους για παγχρωματική όξυνση. Αυτή η μέθοδος λειτουργεί με μετατροπή του οπτικού φάσματος μεταξύ RGB και IHS, οδηγώντας σε υψηλότερη χωρική ανάλυση των πολυφασματικών καναλιών.

Στη μελέτη, επίσης, χρησιμοποιήθηκαν δύο τύποι φασματικών-χρονικών δεδομένων. Πρόκειται για πρωτογενή δεδομένα από τα κανάλια των Landsat και εξαγόμενα δεδομένα από πρωτογενή και βοηθητικά δεδομένα, όπως το DEM, η κλίση και ο προσανατολισμός. Η Εικόνα 1 παρουσιάζει τη ροή εργασιών για τη δημιουργία χάρτη χρήσεων/καλύψεων γης.

[[Εικόνα: NT3_e1.png|thumb|left|'''Εικόνα 1.''' Η ροή εργασιών για την ταξινόμηση των μεταβολών χρήσης/κάλυψης γης βασισμένη στη Random Forest.]]

Για την αξιολόγηση της ακρίβειας ταξινόμησης χρησιμοποιήθηκε ο ορισμός του βαθμού ομοιότητας μεταξύ των παραγόμενων χαρτών και των χαρτών αναφοράς, με διαφορετικές προσεγγίσεις και δείκτες για την αξιολόγηση της ακρίβειας να έχουν εισαχθεί και αναπτυχθεί τα τελευταία χρόνια, με τη συνολική ακρίβεια (OA) και το συντελεστή Kappa να είναι δύο συντελεστές που χρησιμοποιούνται συνήθως για τη μέτρηση της ακρίβειας. Η ΟΑ δείχνει την πιθανότητα σωστής ταξινόμησης μίας τυχαία επιλεγμένης τοποθεσίας στο χάρτη, ενώ ο συντελεστής Kappa κυμαίνεται μεταξύ −1 και 1. Η τιμή του 0 υποδηλώνει ότι η ταξινόμηση είναι παρόμοια με μία τυχαία ταξινόμηση. Η αρνητική τιμή για τον Kappa υποδεικνύει ότι η ταξινόμηση είναι σημαντικά χειρότερη από την τυχαία ταξινόμηση. Μία τιμή κοντά στο 1 δείχνει ότι η ταξινόμηση είναι σωστή και για την παρούσα εργασία χρησιμοποιήθηκαν το F1-Score, το ποσοστό εσφαλμένης ταξινόμησης, η ακρίβεια, η ανάκληση και η ειδικότητα για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου.

'''Αποτελέσματα:''' Η παρούσα μελέτη είχε ως στόχο να σχεδιάσει μία μέθοδο για τη διεξαγωγή μίας αξιόπιστης ταξινόμησης των χρήσεων/καλύψεων γης. Η μεθοδολογία περιελάμβανε τέσσερις κύριες ενότητες. Πρώτα, συλλέχθηκαν οι εικόνες Landsat και έπειτα τα μεμονωμένα δεδομένα εκπαίδευσης και δοκιμών. Στη συνέχεια, παρουσιάστηκαν τα τυπικά ή ευκρινή φασματικά κανάλια, μαζί με πρόσθετες μεταβλητές για ταξινόμηση. Ακολούθως, εφαρμόστηκε η RF ταξινόμηση στις εικόνες και πραγματοποιήθηκε αξιολόγηση της ακρίβειας με χρησιμοποίηση δεδομένων δοκιμής για την αξιολόγηση της απόδοσης των αποτελεσμάτων του χάρτη χρήσεων/καλύψεων γης και προσδιορίστηκε η σημασία της κάθε μεταβλητής εισόδου που χρησιμοποιούν οι δείκτες βλάστησης στην περιοχή του Ισφαχάν. Επιπλέον, επιχειρήθηκαν δύο προσεγγίσεις σύγκρισης χάρτη με χάρτη και ανεξάρτητες αξιολογήσεις ακρίβειας για την αξιολόγηση της απόδοσης της προτεινόμενης μεθοδολογίας και για το λόγο αυτό, χρειάστηκαν δεδομένα του CGLCL και δεδομένα ανακλαστικότητας του Landsat.

Η παγχρωματική όξυνση ήταν ένα από τα βήματα που αφορούσε τα δεδομένα των Landsat 7 και Landsat 8 και εφαρμόστηκε μόνο σε δεδομένα που αποκτήθηκαν από αισθητήρες που είναι τοποθετημένοι στους Landsat 7 και 8 επειδή το κανάλι του παγχρωματικού δεν είναι διαθέσιμο στους αισθητήρες που χρησιμοποιούνται στον Landsat 5 και στην προηγούμενη γενιά οργάνων του Landsat (MSS). Το παγχρωματικό χρησιμοποιήθηκε για αύξηση της χωρικής ακρίβειας των καναλιών RGB και στην Εικόνα 2 φαίνεται ένα δείγμα που συγκρίνει τα αποτελέσματα της ευκρίνειας εικόνων 15m με την τυπική έκδοση των καναλιών RGB 30m το 2019. Σύμφωνα με την Εικόνα 2, οι δρόμοι και τα κτήρια είναι πιο ευδιάκριτα στην παρατήρηση και συνεισφέρουν ώστε να εξάγει η ταξινόμηση τις τάξεις πιο αποτελεσματικά.

[[Εικόνα: NT3_e2.jpg|thumb|right|'''Εικόνα 2.''' Η επίδραση της όξυνσης στην εικόνα του 2019: (a) ολόκληρη η περιοχή, (b) η επιλεγμένη περιοχή πριν την όξυνση, (c) η επιλεγμένη περιοχή μετά την όξυνση.]]

Διερευνήθηκε, ακόμη, η σχετική σημασία των καναλιών Landsat, αρκετών γνωστών δεικτών βλάστησης και κτηρίων και άλλων βοηθητικών δεδομένων για χαρτογράφηση των χρήσεων/καλύψεων γης. Για το σκοπό αυτό, επιλέχθηκε η ταξινόμηση RF που βασίζεται στην πλατφόρμα του GEE. Για τη διεξαγωγή της μελέτης, επιλέχθηκε η παράμετρος των 50 δέντρων και ως προεπιλεγμένη τιμή ορίστηκε η τετραγωνική ρίζα του συνολικού αριθμού των χαρακτηριστικών. Προέκυψε ότι η απόδοση της ταξινόμησης παρέμεινε σχεδόν η ίδια, είτε για 50 είτε για 100 δέντρα απόφασης. Χρησιμοποιώντας την παραγόμενη RF, η ταξινόμηση πραγματοποιήθηκε σε έξι περιόδους. Η Εικόνα 3 παρουσιάζει τα αποτελέσματα του χάρτη χρήσεων και καλύψεων γης για έξι εξεταζόμενες ημερομηνίες από το 1985 έως το 2019.

[[Εικόνα: NT3_e31.png|thumb|left|'''Εικόνα 3.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e32.png|thumb|left|'''Εικόνα 3.''' Χάρτες χρήσεων και κάλυψης γης: (a) 1985, (b) 1993, (c) 2000, (d) 2008, (e) 2013, (f) 2019.]]

Μετά την εκτέλεση της ταξινόμησης RF, υπολογίστηκε ο δείκτης βλάστησης για κάθε χαρακτηριστικό εισόδου. Επιλέχθηκαν 32 χαρακτηριστικά δεδομένων χρονοσειράς Landsat 5 για τα 1985, 1993 και 2008, 33 χαρακτηριστικά για δεδομένα χρονοσειρών Landsat 7 για το 2000 και 34 χαρακτηριστικά για δεδομένα χρονοσειράς Landsat 8 για την περίοδο 2013-2019. Όσον αφορά τα δεδομένα χρονοσειρών Landsat 5, τα DEM, LST, η κλίση και το B6 ήταν οι τέσσερις πιο σημαντικές μεταβλητές. Από τα δεδομένα χρονοσειρών του Landsat 7, τα DEM, LST, NBR2 και B1 και από τα δεδομένα χρονοσειρών του Landsat 8, τα DEM, B11, LST και B10 παρουσίασαν κρίσιμες μεταβολές και τα RVI, NDVI και VrNIR_BI συνείσφεραν μόνο στην ταξινόμηση των συνόλων δεδομένων. Τα γενικά αποτελέσματα έδειξαν επίσης ότι τα DEM, LST, B10, B11 και NBR2 ήταν οι πιο σημαντικές μεταβλητές, ενώ τα RVI, VrNIR_BI, NDVI και MSAVI είχαν τη μικρότερη επιρροή στις διαδικασίες ταξινόμησης.

Γενικά, τα σύνολα των ακριβειών παραγωγού, χρήστη, ΟΑ, των συντελεστών Kappa, του F1-score, του ποσοστού εσφαλμένης ταξινόμησης, της ανάκλησης και της ειδικότητας παρήγαγαν υψηλές ακρίβειες (το OA κυμάνθηκε από 94,176% μέχρι 97,554% και το Kappa από 0,908 μέχρι 0,962). Κατά μέσο όρο, η αστική γη, η γυμνή γη, οι θαμνώδες εκτάσεις, και τα δάση που δεν ταιριάζουν με την περιοχή ταξινομήθηκαν με την υψηλότερη ακρίβεια, ακολουθούμενα από το νερό, την αστική γη και τις καλλιεργημένες εκτάσεις. Οι μικρότερες ακρίβειες παρατηρήθηκαν στα μικτά δάση και στους υγροτόπους. Αυτές οι χαμηλές ακρίβειες προκαλούνται από την πολύ χαμηλή ακρίβεια χρήστη και ακρίβεια παραγωγού των περιόδων 2000 και 2008.

Για να διερευνηθεί η απόδοση της προτεινόμενης ταξινόμησης, συγκρίθηκαν τα αποτελέσματά της με τον παγκόσμιο χάρτη CGLCL (Εικόνα 4). Η οπτική ερμηνεία απέδειξε ότι η κατηγορία των μόνιμων υδάτινων σωμάτων ταξινομήθηκε συχνά λάθος με άλλες κατηγορίες (π.χ., γυμνή/αραιή βλάστηση και καλλιεργούμενη), και η αστική/οικιστική κατηγορία δεν μπορούσε να εξαχθεί με επιτυχία, ειδικά κατά μήκος των ορίων της. Επιπλέον, έγινε στατιστική σύγκριση μεταξύ της προτεινόμενης ταξινόμησης και του παγκόσμιου χάρτη CGLCL για οπτική σύγκριση και σύμφωνα με την OA και την Kappa, με την προτεινόμενη ταξινόμηση να έχει καλύτερη απόδοση από τον χάρτη CGLCL με τιμές 10,01% και 0,14 αντίστοιχα.

[[Εικόνα: NT3_e4.png|thumb|right|'''Εικόνα 4.''' Σύγκριση μεταξύ της προτεινόμενης μεθόδου της παρούσας μελέτης (a) και του χάρτη CGLCL (b) το 2019.]]

Οι αλλαγές της κάλυψης γης για τις περιόδους 1985-1993, 1993-2000, 2000-2008, 2008-2013 και 2013-2019 δείχνουν ότι 97.725,78, 105.689,43, 110.185,38, 111.393 και 103.546,98 εκτάρια της περιοχής μελέτης υπέστησαν αλλαγές. Οι αλλαγμένες περιοχές ισοδυναμούν αντίστοιχα με το 15,57%, το 16,84%, το 17,59%, το 17,75% και το 16,5% της περιοχής μελέτης για τις αντίστοιχες περιόδους. Προκύπτει επίσης ότι από το 1985 έως το 2019, η αστική περιοχή, οι υγρότοποι, το μικτό δάσος, το νερό και οι θάμνοι αυξήθηκαν κατά 167,97%, 93,23%, 151,68%, 13,43% και 333,19%, αντίστοιχα. Αντίθετα, το γυμνό και καλλιεργούμενο έδαφος μειώθηκαν κατά 5,22% και 23,29% αντίστοιχα, με τη γυμνή γη και τις καλλιεργούμενες εκτάσεις να μετατρέπονται κυρίως σε αστική γη. Η εύρεση των αλλαγών στους χάρτες και των δεικτών/καναλιών παραγώγων του GEE, επέτρεψαν την απεικόνιση της ετήσιας κάλυψης γης από το 1985 μέχρι το 2019. Από το 1985, τεράστια έκταση κυρίως γυμνής και καλλιεργούμενης γης άλλαξε και εκεί παρατηρήθηκε αστική επέκταση σε όλο το τοπίο της περιοχής του Ισφαχάν (Εικόνα 5). Τα αποτελέσματα της μελέτης δείχνουν εκτεταμένη αστική ανάπτυξη μεταξύ των ετών 1985 με 2019, με αύξηση 167,97% (περίπου 4,94% ετησίως).

[[Εικόνα: NT3_e51.png|thumb|left|'''Εικόνα 5.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e52.png|thumb|left|'''Εικόνα 5.''' Αλλαγές χρήσεων/καλύψεων γης στους χάρτες τα διαστήματα: (a) 1985–1993, (b) 1993–2000, (c) 2000–2008, (d) 2008–2013, (e) 2013–2019 (το σκούρο και το ανοιχτό χρώμα υποδεικνύουν μη αλλαγμένες και αλλαγμένες περιοχές, αντίστοιχα).]]

Οι αλλαγές των χρήσεων/καλύψεων γης στην περιοχή μελέτης, ιδίως όταν πρόκειται για αστική ανάπτυξη και μεταβολή της βλάστησης, επηρεάζονται οικονομικά με την κερδοσκοπία και τη μεταβολή στην αξία των τιμών της γης, πολιτικά με στεγαστικές και φορολογικές μεταβολές, δημογραφικά από την αύξηση του πληθυσμού, περιβαλλοντικά με την αναγκαστική μετανάστευση στα προάστεια, χωροταξικά με τις αλλαγές στα συστήματα αστικών μεταφορών και κλιματολογικά με τις σοβαρές κλιματικές αλλαγές που προκαλούν σοβαρά φαινόμενα, όπως η ξηρασία.

Η παρούσα μελέτη έδειξε ότι κατά μέσο όρο 918,67 εκτάρια ετησίως, μεταξύ των ετών 1985 και 2019 έχουν μετατραπεί σε αστική χρήση γης στην περιοχή μελέτης. Έδειξε, επίσης, ότι και άλλοι παράγοντες, όπως οικονομικοί λόγοι, έχουν επιταχύνει την αστική ανάπτυξη, ασκώντας ασφυκτικές πιέσεις στην ανθρώπινη ευημερία και στο φυσικό περιβάλλον. Η αστικοποίηση αυξάνει επίσης το ρυθμό αγροτικής-αστικής μετανάστευσης, η οποία προκαλεί περιβαλλοντική υποβάθμιση, ιδίως σε μητροπολιτικές περιοχές όπως το Ισφαχάν. Τα αποτελέσματα έδειξαν, ακόμη, ότι οι κατηγορίες βλάστησης αντιμετώπισαν διακυμάνσεις κατά τη διάρκεια της μελετούμενης χρονικής περιόδου, με τη γενική τάση να δείχνει μείωση. Το συγκεκριμένο φαινόμενο οφείλεται σε διαφορετικές επιπτώσεις, όπως η κλιματική αλλαγή, η οποία προκάλεσε σοβαρές συνθήκες ξηρασίας. Για να μειωθούν οι μακροπρόθεσμες συνέπειες της μεταβολής των χρήσεων/καλύψεων γης, είναι απαραίτητο να υφίσταται ένας ακριβής χάρτης χρήσεων/καλύψεων γης και να αναπτυχθούν οι απαραίτητες πολιτικές.

'''Συμπεράσματα:''' Στην παρούσα μελέτη παρουσιάστηκε μία μέθοδος για τη χαρτογράφηση των χρήσεων/καλύψεων γης υψηλής ακρίβειας, σε κλίμακα 30m για τον Landsat 5 και σε κλίμακα 15m για τους Landsat 7 και 8 με βάση το λογισμικό GEE. Για το σκοπό αυτό χρησιμοποιήθηκε ο αλγόριθμος της RF, ο οποίος είναι ένας από τους πιο ισχυρούς ταξινομητές. Πραγματοποιήθηκε έλεγχος με διαφορετικό αριθμό δέντρων απόφασης και εισήχθησαν διαφορετικοί παράμετροι, με τα αποτελέσματα να δείχνουν ότι η τιμή 50 είναι η πιο κατάλληλη. Οι μέθοδοι των OA, Kappa και F1-score έδωσαν αποτελέσματα 0,422%, 0,006 και 0,015 αντίστοιχα, καλύτερες από την προσέγγιση που χρησιμοποιήθηκε για τα δεδομένα Landsat του 2019. Τα κανάλια 7, 8 και 9 για τους Landsat 5, 7, και 8 μαζί με 25 δείκτες και τα βοηθητικά δεδομένα για όλες τις συλλογές Landsat, συνέβαλαν στην ανάλυση των χρήσεων/καλύψεων γης. Επιπλέον, χρησιμοποιήθηκε το DEM και εξήχθησαν δεδομένα κλίσης και όψης.

Σύμφωνα με τα αποτελέσματα, τα LST και DEM είναι απαραίτητα για την ταξινόμηση των εικόνων Landsat. Παρόλο που αυτά τα χαρακτηριστικά είναι σημαντικά για τη χαρτογράφηση των χρήσεων/καλύψεων γης, εντούτοις δεν χρησιμοποιούνται, ή μόνο ένα από αυτά έχει χρησιμοποιηθεί σε παρόμοιες έρευνες. Χρησιμοποιήθηκε, ακόμη, χάρτης χρήσεων/καλύψεων και εικόνες Google Earth υψηλής ανάλυσης για την παροχή αξιόπιστων δεδομένων εκπαίδευσης. Οι μεταβλητές OA, Kappa και F1-score πήραν τιμές 93,64-97,55%, 0,91-0,96 και 0,86-0,95, αντίστοιχα. Οι ανεξάρτητες και από χάρτη σε χάρτη συγκρίσεις αξιολόγησης επαλήθευσαν τα τελικά αποτελέσματα ταξινόμησης, τα οποία έδειξαν ξεκάθαρα ότι η προτεινόμενη μέθοδος που εφαρμόστηκε υπερέχει του υπάρχοντος χάρτη χρήσεων/καλύψεων γης. Οι μέθοδοι των OA, Kappa και F1-score ήταν 10%, 0,13 και 0,5 καλύτερες από τον χάρτη χρήσεων/καλύψεων γης του 2019.

[[category:Ανίχνευση μεταβολών αστικής γης]]

Ανάλυση των Αλλαγών στις Χρήσεις και Καλύψεις της Αστικής Γης

2023-02-08T17:22:52Z

Natalia tsigarda: Νέα σελίδα με ''''Αντικείμενο εφαρμογής:''' Ανίχνευση μεταβολών αστικής γης '''Πρωτότυπος τίτλος:''' “Urban Land Use an...'

'''Αντικείμενο εφαρμογής:''' Ανίχνευση μεταβολών αστικής γης

'''Πρωτότυπος τίτλος:''' “Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series”
Συγγραφείς: Saeid Amini, Mohsen Saber, Hamidreza Rabiei-Dastjerdi, Saeid Homayouni

'''Πηγή:''' Amini, S.; Saber, M.; Rabiei-Dastjerdi, H.; Homayouni, S. Urban Land Use and Land Cover Change Analysis Using Random Forest Classification of Landsat Time Series. Remote Sens. 2022, 14, 2654. https://doi.org/10.3390/rs14112654 [https://www.mdpi.com/2072-4292/14/11/2654]

'''Περίληψη:''' Η αποτελεσματική εφαρμογή της ταξινόμησης εικόνων τηλεπισκόπησης μπορεί να διευκολύνει την εξαγωγή χωροχρονικών πληροφοριών για την ταξινόμηση των χρήσεων και της κάλυψης γης, αφού μέσα από τη χαρτογράφησή τους μπορεί να ανοίξει ο δρόμος για τη διερεύνηση των επιπτώσεων διαφορετικών κοινωνικοοικονομικών και περιβαλλοντικών επιπτώσεων. Στην παρούσα μελέτη παρουσιάζεται ένας αλγόριθμος που χρησιμοποιεί δεδομένα χρονοσειράς Landsat για να αναλύσει αλλαγές χρήσεων και κάλυψης γης. Εφαρμόστηκε η ταξινόμηση Random Forest (RF) στην Google Earth Engine (GEE) χρησιμοποιώντας εικόνες από τους Landsat 5, 7 και 8 ως δεδομένα εισόδου για την περίοδο 1985-2019. Ερευνήθηκε, επίσης, η απόδοση του αλγόριθμου όξυνσης πανοραμικής λήψης και το αντίκτυπο διαφορετικών συνθέσεων εικόνας για την παραγωγή ενός χάρτη χρήσεων και κάλυψης γης υψηλής ποιότητας. Επιπλέον, χρησιμοποιήθηκε ο αλγόριθμος στατιστικής ευκρίνειας για την αύξηση της χωρικής ανάλυσης των πολυφασματικών καναλιών των Landsat 7-9, από 30m σε 15m και έγινε έλεγχος της επίδρασης διαφορετικών συνθέσεων εικόνων που βασίστηκε σε πολλούς φασματικούς δείκτες και άλλα βοηθητικά δεδομένα όπως το ψηφιακό υψομετρικό μοντέλο (DEM) και η θερμοκρασία επιφάνειας της γης (LST), βασισμένη σε αρκετούς φασματικούς δείκτες και άλλα βοηθητικά στοιχεία για την ακρίβεια της τελικής ταξινόμησης. Ακόμη, έγινε σύγκριση των αποτελεσμάτων ταξινόμησης της προτεινόμενης μεθόδου με το χάρτη Copernicus Global Land Cover Layers (CGLCL) για την επαλήθευση του αλγορίθμου. Τα αποτελέσματα έδειξαν ότι χρησιμοποιώντας δορυφορικές εικόνες Landsat παγχρωματικής όξυνσης σε ακτινοβολία στην κορυφή της ατμόσφαιρας, μπορούν να παραχθούν πιο ακριβή αποτελέσματα για την ταξινόμηση αντί να χρησιμοποιηθεί μόνο η επιφανειακή ανάκλαση (SR). Τα LST και DEM είναι βασικά χαρακτηριστικά στην ταξινόμηση και μέσα από τη χρήση τους μπορεί να αυξηθεί η τελική ακρίβεια. Ο προτεινόμενος αλγόριθμος παρήγαγε 94,438% συνολική ακρίβεια (ΟΑ), 0,93 για την Kappa και 0,93 για το F1-score, συγκριτικά με το χάρτη CGLCL, που παρήγαγε 84,4% για την ΟΑ, 0,79 για την Kappa και 0,50 για το F1-score για το 2019. Η συνολική συμφωνία μεταξύ των αποτελεσμάτων ταξινόμησης και των δεδομένων δοκιμής υπερβαίνει το 90% (93,37-97,6%) για τη ΟΑ, το 0,9 (0,91-0,96) για την Kappa και το 0,85 (0,86-0,95) για το F1-score, αποτελέσματα που γενικά θεωρούνται αποδεκτά.

'''Λέξεις κλειδιά:''' Χρονοσειρές εικόνων Landsat, ανίχνευση αλλαγής χρήσεων και κάλυψης γης, ταξινόμηση εικόνας βάσει εικονοστοιχείων, Random Forest

'''Εισαγωγή:''' Από τη δεκαετία του 1950, ο παγκόσμιος πληθυσμός έχει αυξηθεί από 2,6 δισεκατομμύρια σε 7,7 δισεκατομμύρια και αναμένεται να φτάσει περίπου τα 9,7 δισεκατομμύρια έως το 2050. Η αύξηση του πληθυσμού προκαλεί αυξημένη ζήτηση για ενέργεια, τρόφιμα, στέγαση, νερό, μεταφορές και υγειονομική περίθαλψη. Τις τελευταίες δεκαετίες, έχει εμφανιστεί ένας αριθμός αισθητήρων, όπως o Moderate Resolution Imaging Spectroradiometer (MODIS), o Satellite Pour l'Observation de la Terre (SPOT), ο Landsat και ο Sentinel-2. Έχουν δοκιμαστεί διαφορετικές μέθοδοι εξαγωγής πληροφοριών από δεδομένα τηλεπισκόπησης και μεταξύ αυτών, ο Landsat είναι ο μόνος αισθητήρας που παρέχει δεδομένα για περισσότερες από τέσσερις δεκαετίες. Η χωρική ανάλυση αυτού του συνόλου δεδομένων παρέχει τη δυνατότητα μελέτης της δυναμικής της επιφάνειας της Γης, γεγονός που αποτελεί αναγκαιότητα για την ανάπτυξη πολιτικών, τη διαχείριση καταστάσεων και τις επιστημονικές έρευνες. Το σύνολο δεδομένων Landsat παρέχει σε μεγάλο βαθμό υψηλά χωρικά (30m και 15m στα κανάλια του παγχρωματικού στους Landsat 7 και 8) και προσωρινά δεδομένα (8 ημέρες, αν συνδυαστούν δεδομένα και από τους δύο δορυφόρους και 16 ημέρες για ένα μόνο δορυφόρο). Άλλοι αισθητήρες όπως ο Sentinel-2 δεν αποτελούν συνεχή πηγή δεδομένων για 4 δεκαετίες ή αντιμετωπίζουν άλλα προβλήματα όπως χαμηλότερη χωρική, φασματική ή χρονική ανάλυση.

Υπάρχουν πολλοί αλγόριθμοι ταξινόμησης για τη χαρτογράφηση των χρήσεων και καλύψεων γης, συμπεριλαμβανομένων των Παραλληλεπίπεδων, της Ελάχιστης Απόστασης (MD), της Μέγιστης Πιθανότητας (ML), της Ασαφούς Ταξινόμησης (FC), του Τεχνητού Νευρωνικού Δικτύου (ANN), των Μηχανών Διανυσματικής Υποστήριξης (SVM), του Τυχαίου Δάσους (RF), της Βαθιάς Μάθησης (DL) και της Βαθιάς Μεταφοράς Μάθησης (DTL). Μεταξύ αυτών των μεθόδων ταξινομήσεων, η RF, λόγω της καλύτερης απόδοσης και της υψηλότερης ακρίβειάς της, του σχετικά χαμηλού υπολογιστικού κόστους της και των λίγων παραμέτρων εισαγωγής, τείνει να γίνει μία από τις καλύτερες μεθόδους ταξινόμησης στη χαρτογράφηση των χρήσεων και κάλυψης γης.

Περιοχή Μελέτης: Το Ισφαχάν είναι η πρωτεύουσα της επαρχίας Ισφαχάν του Ιράν, εκτείνεται σε υψόμετρο περίπου 1600m, σχεδόν 340km νοτιότερα της πρωτεύουσας της Τεχεράνης. Είναι μία από τις μεγαλύτερες πόλεις του Ιράν και έχει βιώσει αξιοσημείωτη μεταβολή των χρήσεων και καλύψεων γης τις τελευταίες δεκαετίες, ιδιαίτερα μέσα από την αστική ανάπτυξη. Η μητροπολιτική περιοχή του Ισφαχάν καλύπτει συνολική έκταση 551km2 και έχει σχεδόν 2 εκατομμύρια κατοίκους. Η ολοκληρωμένη οικονομική, ιστορική και γεωγραφική ισχύς του, το κατατάσσει σαν πόλη μεταξύ των τριών κορυφαίων πόλεων του Ιράν. Στην παρούσα μελέτη συμπεριλαμβάνονται, εκτός της μητροπολιτικής περιοχής του Ισφαχάν, πολλές μικρότερες πόλεις γύρω του που συνολικά είναι 42 και φτάνουν σε πληθυσμό περίπου τα 3.400.000 ανθρώπους.

'''Μεθοδολογία:''' Στη μελέτη χρησιμοποιήθηκε χάρτης CGLCL και βοηθητικά δεδομένα για να εξαχθούν οι χρήσεις γης και καλύψεις γης από τα Landsat δεδομένα, που συλλέχθηκαν από το 1985 έως το 2019. Για να προκύψει η ταξινόμηση, συνδυάστηκαν, επίσης, το ψηφιακό υψομετρικό μοντέλο (DEM), η κλίση και ο προσανατολισμός που προέκυψαν από το ψηφιακό μοντέλο εδάφους (DTM) και τα πολυφασματικά κανάλια. Εισήχθησαν, ακόμη, δεδομένα του Shuttle Radar Topographic Mission (SRTM) για να ελεγχθεί το υψόμετρο ως δεδομένο εισόδου στη διαδικασία ταξινόμησης.

Στην περιοχή έρευνας κυριάρχησαν οι τύποι χρήσεων/κάλυψης γης, οι οποίοι περιγράφονται στον Πίνακα 1. Η συλλογή δειγμάτων εκπαίδευσης και επικύρωσης βασίστηκε στην οπτική ερμηνεία εικόνων υψηλής ανάλυσης από το Google Earth και το χάρτη CGLCL. Για μεγαλύτερη ακρίβεια, τα δεδομένα εκπαίδευσης και επικύρωσης επιλέχθηκαν χωριστά.

[[Εικόνα: NT3_p1.jpg|thumb|right|'''Πίνακας 1.''' Το προτεινόμενο σύστημα ταξινόμησης των αλλαγών της κάλυψης γης και η αντίστοιχη περιγραφή.]]

Το πρώτο, δεύτερο και τρίτο σύνθετο του θεματικού χάρτη Landsat 5 περιορίστηκαν μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 1985, 1993, και 2008, αντίστοιχα. Ο ενισχυμένος θεματικός χάρτης του Landsat 7 επιλέχθηκε μεταξύ 1ης Ιουλίου και 31ης Αυγούστου 2000. Οι εικόνες του 2013 και του 2019 αποκτήθηκαν χρησιμοποιώντας τον αισθητήρα Operation Landsat Imager (L8-OLI) του Landsat 8· ακόμη, υπολογίστηκε η μάσκα νέφους σε ετήσια βάση, με τον περιορισμό της απόκτησης να τίθεται μεταξύ της 1ης Ιουλίου και 31ης Αυγούστου 2013 και 2019 αντίστοιχα και της διαθεσιμότητας να επηρεάζεται από τη χαμηλή βλάστηση και τη νεφοκάλυψη.

Στο στάδιο της προεπεξεργασίας, εισήχθησαν σύνολα και δείγματα δεδομένων χρησιμοποιώντας το χάρτη CGLCL και οπτική ερμηνεία. Εφαρμόστηκε η μέθοδος παγχρωματικής όξυνσης για τα δεδομένα των Landsat 7 και 8. Με βάση τα δεδομένα των Landsat, υπολογίστηκαν δείκτες, όπως οι NDVI, DEM και LST και η ταξινόμηση RF πραγματοποιήθηκε σε δύο στάδια, βασισμένη σε δεδομένα εκπαίδευσης. Τα δύο βήματα εκπαίδευσης του ταξινομητή χρησιμοποίησαν δεδομένα εκπαίδευσης και εκτέλεσαν ταξινόμηση σε ολόκληρες εικόνες. Τέλος, εφαρμόστηκαν μέθοδοι επικύρωσης για την αξιολόγηση της απόδοσης της ταξινόμησης και την ακρίβεια του χάρτη χρήσεων/καλύψεων γης. Η εκτέλεση όλων αυτών των βημάτων έγινε στο GEE.

Στην παρούσα μελέτη χρησιμοποιήθηκε η παγχρωματική όξυνση της εικόνας η οποία συνδυάζει τις φασματικές πληροφορίες των πολυφασματικών καναλιών χαμηλότερης ανάλυσης με τη σχετικά υψηλότερη χωρική ανάλυση ενός παγχρωματικού καναλιού στην ίδια περιοχή. Αν και είναι αναπόφευκτο να μη χαθούν φασματικές πληροφορίες από τις αρχικές πολυφασματικές πληροφορίες κατά τη διάρκεια της όξυνσης, ορισμένοι αλγόριθμοι προσπαθούν να μεγιστοποιήσουν τη φασματική διατήρηση. Οι περισσότερες μέθοδοι όξυνσης εκμεταλλεύονται την υψηλή συχνότητα πληροφοριών της παγχρωματικής εικόνας και χρησιμοποιούν διαφορετικά μοντέλα για να εισάγουν αυτά τα εξαγόμενα δεδομένα σε πολυφασματικά κανάλια επαναδειγματοληψίας. Η μέθοδος «ένταση απόχρωση κορεσμός (IHS)» είναι μία από τις δημοφιλείς μεθόδους για παγχρωματική όξυνση. Αυτή η μέθοδος λειτουργεί με μετατροπή του οπτικού φάσματος μεταξύ RGB και IHS, οδηγώντας σε υψηλότερη χωρική ανάλυση των πολυφασματικών καναλιών.

Στη μελέτη, επίσης, χρησιμοποιήθηκαν δύο τύποι φασματικών-χρονικών δεδομένων. Πρόκειται για πρωτογενή δεδομένα από τα κανάλια των Landsat και εξαγόμενα δεδομένα από πρωτογενή και βοηθητικά δεδομένα, όπως το DEM, η κλίση και ο προσανατολισμός. Η Εικόνα 1 παρουσιάζει τη ροή εργασιών για τη δημιουργία χάρτη χρήσεων/καλύψεων γης.

[[Εικόνα: NT3_e1.png|thumb|left|'''Εικόνα 1.''' Η ροή εργασιών για την ταξινόμηση των μεταβολών χρήσης/κάλυψης γης βασισμένη στη Random Forest.]]

Για την αξιολόγηση της ακρίβειας ταξινόμησης χρησιμοποιήθηκε ο ορισμός του βαθμού ομοιότητας μεταξύ των παραγόμενων χαρτών και των χαρτών αναφοράς, με διαφορετικές προσεγγίσεις και δείκτες για την αξιολόγηση της ακρίβειας να έχουν εισαχθεί και αναπτυχθεί τα τελευταία χρόνια, με τη συνολική ακρίβεια (OA) και το συντελεστή Kappa να είναι δύο συντελεστές που χρησιμοποιούνται συνήθως για τη μέτρηση της ακρίβειας. Η ΟΑ δείχνει την πιθανότητα σωστής ταξινόμησης μίας τυχαία επιλεγμένης τοποθεσίας στο χάρτη, ενώ ο συντελεστής Kappa κυμαίνεται μεταξύ −1 και 1. Η τιμή του 0 υποδηλώνει ότι η ταξινόμηση είναι παρόμοια με μία τυχαία ταξινόμηση. Η αρνητική τιμή για τον Kappa υποδεικνύει ότι η ταξινόμηση είναι σημαντικά χειρότερη από την τυχαία ταξινόμηση. Μία τιμή κοντά στο 1 δείχνει ότι η ταξινόμηση είναι σωστή και για την παρούσα εργασία χρησιμοποιήθηκαν το F1-Score, το ποσοστό εσφαλμένης ταξινόμησης, η ακρίβεια, η ανάκληση και η ειδικότητα για την αξιολόγηση της απόδοσης της προτεινόμενης μεθόδου.

'''Αποτελέσματα:''' Η παρούσα μελέτη είχε ως στόχο να σχεδιάσει μία μέθοδο για τη διεξαγωγή μίας αξιόπιστης ταξινόμησης των χρήσεων/καλύψεων γης. Η μεθοδολογία περιελάμβανε τέσσερις κύριες ενότητες. Πρώτα, συλλέχθηκαν οι εικόνες Landsat και έπειτα τα μεμονωμένα δεδομένα εκπαίδευσης και δοκιμών. Στη συνέχεια, παρουσιάστηκαν τα τυπικά ή ευκρινή φασματικά κανάλια, μαζί με πρόσθετες μεταβλητές για ταξινόμηση. Ακολούθως, εφαρμόστηκε η RF ταξινόμηση στις εικόνες και πραγματοποιήθηκε αξιολόγηση της ακρίβειας με χρησιμοποίηση δεδομένων δοκιμής για την αξιολόγηση της απόδοσης των αποτελεσμάτων του χάρτη χρήσεων/καλύψεων γης και προσδιορίστηκε η σημασία της κάθε μεταβλητής εισόδου που χρησιμοποιούν οι δείκτες βλάστησης στην περιοχή του Ισφαχάν. Επιπλέον, επιχειρήθηκαν δύο προσεγγίσεις σύγκρισης χάρτη με χάρτη και ανεξάρτητες αξιολογήσεις ακρίβειας για την αξιολόγηση της απόδοσης της προτεινόμενης μεθοδολογίας και για το λόγο αυτό, χρειάστηκαν δεδομένα του CGLCL και δεδομένα ανακλαστικότητας του Landsat.

Η παγχρωματική όξυνση ήταν ένα από τα βήματα που αφορούσε τα δεδομένα των Landsat 7 και Landsat 8 και εφαρμόστηκε μόνο σε δεδομένα που αποκτήθηκαν από αισθητήρες που είναι τοποθετημένοι στους Landsat 7 και 8 επειδή το κανάλι του παγχρωματικού δεν είναι διαθέσιμο στους αισθητήρες που χρησιμοποιούνται στον Landsat 5 και στην προηγούμενη γενιά οργάνων του Landsat (MSS). Το παγχρωματικό χρησιμοποιήθηκε για αύξηση της χωρικής ακρίβειας των καναλιών RGB και στην Εικόνα 2 φαίνεται ένα δείγμα που συγκρίνει τα αποτελέσματα της ευκρίνειας εικόνων 15m με την τυπική έκδοση των καναλιών RGB 30m το 2019. Σύμφωνα με την Εικόνα 2, οι δρόμοι και τα κτήρια είναι πιο ευδιάκριτα στην παρατήρηση και συνεισφέρουν ώστε να εξάγει η ταξινόμηση τις τάξεις πιο αποτελεσματικά.

[[Εικόνα: NT3_e2.jpg|thumb|right|'''Εικόνα 2.''' Η επίδραση της όξυνσης στην εικόνα του 2019: (a) ολόκληρη η περιοχή, (b) η επιλεγμένη περιοχή πριν την όξυνση, (c) η επιλεγμένη περιοχή μετά την όξυνση.]]

Διερευνήθηκε, ακόμη, η σχετική σημασία των καναλιών Landsat, αρκετών γνωστών δεικτών βλάστησης και κτηρίων και άλλων βοηθητικών δεδομένων για χαρτογράφηση των χρήσεων/καλύψεων γης. Για το σκοπό αυτό, επιλέχθηκε η ταξινόμηση RF που βασίζεται στην πλατφόρμα του GEE. Για τη διεξαγωγή της μελέτης, επιλέχθηκε η παράμετρος των 50 δέντρων και ως προεπιλεγμένη τιμή ορίστηκε η τετραγωνική ρίζα του συνολικού αριθμού των χαρακτηριστικών. Προέκυψε ότι η απόδοση της ταξινόμησης παρέμεινε σχεδόν η ίδια, είτε για 50 είτε για 100 δέντρα απόφασης. Χρησιμοποιώντας την παραγόμενη RF, η ταξινόμηση πραγματοποιήθηκε σε έξι περιόδους. Η Εικόνα 3 παρουσιάζει τα αποτελέσματα του χάρτη χρήσεων και καλύψεων γης για έξι εξεταζόμενες ημερομηνίες από το 1985 έως το 2019.

[[Εικόνα: NT3_e31.png|thumb|left|'''Εικόνα 3.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e32.png|thumb|left|'''Εικόνα 3.''' Χάρτες χρήσεων και κάλυψης γης: (a) 1985, (b) 1993, (c) 2000, (d) 2008, (e) 2013, (f) 2019.]]

Μετά την εκτέλεση της ταξινόμησης RF, υπολογίστηκε ο δείκτης βλάστησης για κάθε χαρακτηριστικό εισόδου. Επιλέχθηκαν 32 χαρακτηριστικά δεδομένων χρονοσειράς Landsat 5 για τα 1985, 1993 και 2008, 33 χαρακτηριστικά για δεδομένα χρονοσειρών Landsat 7 για το 2000 και 34 χαρακτηριστικά για δεδομένα χρονοσειράς Landsat 8 για την περίοδο 2013-2019. Όσον αφορά τα δεδομένα χρονοσειρών Landsat 5, τα DEM, LST, η κλίση και το B6 ήταν οι τέσσερις πιο σημαντικές μεταβλητές. Από τα δεδομένα χρονοσειρών του Landsat 7, τα DEM, LST, NBR2 και B1 και από τα δεδομένα χρονοσειρών του Landsat 8, τα DEM, B11, LST και B10 παρουσίασαν κρίσιμες μεταβολές και τα RVI, NDVI και VrNIR_BI συνείσφεραν μόνο στην ταξινόμηση των συνόλων δεδομένων. Τα γενικά αποτελέσματα έδειξαν επίσης ότι τα DEM, LST, B10, B11 και NBR2 ήταν οι πιο σημαντικές μεταβλητές, ενώ τα RVI, VrNIR_BI, NDVI και MSAVI είχαν τη μικρότερη επιρροή στις διαδικασίες ταξινόμησης.

Γενικά, τα σύνολα των ακριβειών παραγωγού, χρήστη, ΟΑ, των συντελεστών Kappa, του F1-score, του ποσοστού εσφαλμένης ταξινόμησης, της ανάκλησης και της ειδικότητας παρήγαγαν υψηλές ακρίβειες (το OA κυμάνθηκε από 94,176% μέχρι 97,554% και το Kappa από 0,908 μέχρι 0,962). Κατά μέσο όρο, η αστική γη, η γυμνή γη, οι θαμνώδες εκτάσεις, και τα δάση που δεν ταιριάζουν με την περιοχή ταξινομήθηκαν με την υψηλότερη ακρίβεια, ακολουθούμενα από το νερό, την αστική γη και τις καλλιεργημένες εκτάσεις. Οι μικρότερες ακρίβειες παρατηρήθηκαν στα μικτά δάση και στους υγροτόπους. Αυτές οι χαμηλές ακρίβειες προκαλούνται από την πολύ χαμηλή ακρίβεια χρήστη και ακρίβεια παραγωγού των περιόδων 2000 και 2008.

Για να διερευνηθεί η απόδοση της προτεινόμενης ταξινόμησης, συγκρίθηκαν τα αποτελέσματά της με τον παγκόσμιο χάρτη CGLCL (Εικόνα 4). Η οπτική ερμηνεία απέδειξε ότι η κατηγορία των μόνιμων υδάτινων σωμάτων ταξινομήθηκε συχνά λάθος με άλλες κατηγορίες (π.χ., γυμνή/αραιή βλάστηση και καλλιεργούμενη), και η αστική/οικιστική κατηγορία δεν μπορούσε να εξαχθεί με επιτυχία, ειδικά κατά μήκος των ορίων της. Επιπλέον, έγινε στατιστική σύγκριση μεταξύ της προτεινόμενης ταξινόμησης και του παγκόσμιου χάρτη CGLCL για οπτική σύγκριση και σύμφωνα με την OA και την Kappa, με την προτεινόμενη ταξινόμηση να έχει καλύτερη απόδοση από τον χάρτη CGLCL με τιμές 10,01% και 0,14 αντίστοιχα.

[[Εικόνα: NT3_e4.png|thumb|right|'''Εικόνα 4.''' Σύγκριση μεταξύ της προτεινόμενης μεθόδου της παρούσας μελέτης (a) και του χάρτη CGLCL (b) το 2019.]]

Οι αλλαγές της κάλυψης γης για τις περιόδους 1985-1993, 1993-2000, 2000-2008, 2008-2013 και 2013-2019 δείχνουν ότι 97.725,78, 105.689,43, 110.185,38, 111.393 και 103.546,98 εκτάρια της περιοχής μελέτης υπέστησαν αλλαγές. Οι αλλαγμένες περιοχές ισοδυναμούν αντίστοιχα με το 15,57%, το 16,84%, το 17,59%, το 17,75% και το 16,5% της περιοχής μελέτης για τις αντίστοιχες περιόδους. Προκύπτει επίσης ότι από το 1985 έως το 2019, η αστική περιοχή, οι υγρότοποι, το μικτό δάσος, το νερό και οι θάμνοι αυξήθηκαν κατά 167,97%, 93,23%, 151,68%, 13,43% και 333,19%, αντίστοιχα. Αντίθετα, το γυμνό και καλλιεργούμενο έδαφος μειώθηκαν κατά 5,22% και 23,29% αντίστοιχα, με τη γυμνή γη και τις καλλιεργούμενες εκτάσεις να μετατρέπονται κυρίως σε αστική γη. Η εύρεση των αλλαγών στους χάρτες και των δεικτών/καναλιών παραγώγων του GEE, επέτρεψαν την απεικόνιση της ετήσιας κάλυψης γης από το 1985 μέχρι το 2019. Από το 1985, τεράστια έκταση κυρίως γυμνής και καλλιεργούμενης γης άλλαξε και εκεί παρατηρήθηκε αστική επέκταση σε όλο το τοπίο της περιοχής του Ισφαχάν (Εικόνα 5). Τα αποτελέσματα της μελέτης δείχνουν εκτεταμένη αστική ανάπτυξη μεταξύ των ετών 1985 με 2019, με αύξηση 167,97% (περίπου 4,94% ετησίως).

[[Εικόνα: NT3_e51.png|thumb|right|'''Εικόνα 5.''' (Συνεχίζεται)]]
[[Εικόνα: NT3_e52.png|thumb|right|'''Εικόνα 5.''' Αλλαγές χρήσεων/καλύψεων γης στους χάρτες τα διαστήματα: (a) 1985–1993, (b) 1993–2000, (c) 2000–2008, (d) 2008–2013, (e) 2013–2019 (το σκούρο και το ανοιχτό χρώμα υποδεικνύουν μη αλλαγμένες και αλλαγμένες περιοχές, αντίστοιχα).]]

Οι αλλαγές των χρήσεων/καλύψεων γης στην περιοχή μελέτης, ιδίως όταν πρόκειται για αστική ανάπτυξη και μεταβολή της βλάστησης, επηρεάζονται οικονομικά με την κερδοσκοπία και τη μεταβολή στην αξία των τιμών της γης, πολιτικά με στεγαστικές και φορολογικές μεταβολές, δημογραφικά από την αύξηση του πληθυσμού, περιβαλλοντικά με την αναγκαστική μετανάστευση στα προάστεια, χωροταξικά με τις αλλαγές στα συστήματα αστικών μεταφορών και κλιματολογικά με τις σοβαρές κλιματικές αλλαγές που προκαλούν σοβαρά φαινόμενα, όπως η ξηρασία.

Η παρούσα μελέτη έδειξε ότι κατά μέσο όρο 918,67 εκτάρια ετησίως, μεταξύ των ετών 1985 και 2019 έχουν μετατραπεί σε αστική χρήση γης στην περιοχή μελέτης. Έδειξε, επίσης, ότι και άλλοι παράγοντες, όπως οικονομικοί λόγοι, έχουν επιταχύνει την αστική ανάπτυξη, ασκώντας ασφυκτικές πιέσεις στην ανθρώπινη ευημερία και στο φυσικό περιβάλλον. Η αστικοποίηση αυξάνει επίσης το ρυθμό αγροτικής-αστικής μετανάστευσης, η οποία προκαλεί περιβαλλοντική υποβάθμιση, ιδίως σε μητροπολιτικές περιοχές όπως το Ισφαχάν. Τα αποτελέσματα έδειξαν, ακόμη, ότι οι κατηγορίες βλάστησης αντιμετώπισαν διακυμάνσεις κατά τη διάρκεια της μελετούμενης χρονικής περιόδου, με τη γενική τάση να δείχνει μείωση. Το συγκεκριμένο φαινόμενο οφείλεται σε διαφορετικές επιπτώσεις, όπως η κλιματική αλλαγή, η οποία προκάλεσε σοβαρές συνθήκες ξηρασίας. Για να μειωθούν οι μακροπρόθεσμες συνέπειες της μεταβολής των χρήσεων/καλύψεων γης, είναι απαραίτητο να υφίσταται ένας ακριβής χάρτης χρήσεων/καλύψεων γης και να αναπτυχθούν οι απαραίτητες πολιτικές.

'''Συμπεράσματα:''' Στην παρούσα μελέτη παρουσιάστηκε μία μέθοδος για τη χαρτογράφηση των χρήσεων/καλύψεων γης υψηλής ακρίβειας, σε κλίμακα 30m για τον Landsat 5 και σε κλίμακα 15m για τους Landsat 7 και 8 με βάση το λογισμικό GEE. Για το σκοπό αυτό χρησιμοποιήθηκε ο αλγόριθμος της RF, ο οποίος είναι ένας από τους πιο ισχυρούς ταξινομητές. Πραγματοποιήθηκε έλεγχος με διαφορετικό αριθμό δέντρων απόφασης και εισήχθησαν διαφορετικοί παράμετροι, με τα αποτελέσματα να δείχνουν ότι η τιμή 50 είναι η πιο κατάλληλη. Οι μέθοδοι των OA, Kappa και F1-score έδωσαν αποτελέσματα 0,422%, 0,006 και 0,015 αντίστοιχα, καλύτερες από την προσέγγιση που χρησιμοποιήθηκε για τα δεδομένα Landsat του 2019. Τα κανάλια 7, 8 και 9 για τους Landsat 5, 7, και 8 μαζί με 25 δείκτες και τα βοηθητικά δεδομένα για όλες τις συλλογές Landsat, συνέβαλαν στην ανάλυση των χρήσεων/καλύψεων γης. Επιπλέον, χρησιμοποιήθηκε το DEM και εξήχθησαν δεδομένα κλίσης και όψης.

Σύμφωνα με τα αποτελέσματα, τα LST και DEM είναι απαραίτητα για την ταξινόμηση των εικόνων Landsat. Παρόλο που αυτά τα χαρακτηριστικά είναι σημαντικά για τη χαρτογράφηση των χρήσεων/καλύψεων γης, εντούτοις δεν χρησιμοποιούνται, ή μόνο ένα από αυτά έχει χρησιμοποιηθεί σε παρόμοιες έρευνες. Χρησιμοποιήθηκε, ακόμη, χάρτης χρήσεων/καλύψεων και εικόνες Google Earth υψηλής ανάλυσης για την παροχή αξιόπιστων δεδομένων εκπαίδευσης. Οι μεταβλητές OA, Kappa και F1-score πήραν τιμές 93,64-97,55%, 0,91-0,96 και 0,86-0,95, αντίστοιχα. Οι ανεξάρτητες και από χάρτη σε χάρτη συγκρίσεις αξιολόγησης επαλήθευσαν τα τελικά αποτελέσματα ταξινόμησης, τα οποία έδειξαν ξεκάθαρα ότι η προτεινόμενη μέθοδος που εφαρμόστηκε υπερέχει του υπάρχοντος χάρτη χρήσεων/καλύψεων γης. Οι μέθοδοι των OA, Kappa και F1-score ήταν 10%, 0,13 και 0,5 καλύτερες από τον χάρτη χρήσεων/καλύψεων γης του 2019.

[[category:Ανίχνευση μεταβολών αστικής γης]]

Αρχείο:NT3 e52.png

2023-02-08T17:17:41Z

Natalia tsigarda:

Αρχείο:NT3 e51.png

2023-02-08T17:17:28Z

Natalia tsigarda:

Αρχείο:NT3 e4.png

2023-02-08T16:59:11Z

Natalia tsigarda:

Αρχείο:NT3 e32.png

2023-02-08T16:53:07Z

Natalia tsigarda:

Αρχείο:NT3 e31.png

2023-02-08T16:52:48Z

Natalia tsigarda:

Αρχείο:NT3 e2.jpg

2023-02-08T16:38:29Z

Natalia tsigarda:

Αρχείο:NT3 e1.png

2023-02-08T16:33:04Z

Natalia tsigarda:

Αρχείο:NT3 p1.JPG

2023-02-08T16:28:11Z

Natalia tsigarda:

Παρακολούθηση των Γεωργικών Επιδοτήσεων στην Ουγγαρία

2023-02-08T16:01:03Z

Natalia tsigarda:

Αρχείο:NT2 e3.png

2023-02-08T16:00:06Z

Natalia tsigarda:

Παρακολούθηση των Γεωργικών Επιδοτήσεων στην Ουγγαρία

2023-02-08T15:55:05Z

Natalia tsigarda: Νέα σελίδα με ''''Αντικείμενο εφαρμογής:''' Έλεγχος επιδοτήσεων γεωργικής γης '''Πρωτότυπος τίτλος:''' “Sentinel-2 E...'

'''Αντικείμενο εφαρμογής:''' Έλεγχος επιδοτήσεων γεωργικής γης

'''Πρωτότυπος τίτλος:''' “Sentinel-2 Enables Nationwide Monitoring of Single Area Payment Scheme and Greening Agricultural Subsidies in Hungary”

'''Συγγραφείς:''' László Henits, Ákos Szerletics, Dávid Szokol, Gergely Szlovák, Emese Gojdár, András Zlinszky

'''Πηγή:''' Henits, L.; Szerletics, Á.; Szokol, D.; Szlovák, G.; Gojdár, E.; Zlinszky, A. Sentinel-2 Enables Nationwide Monitoring of Single Area Payment Scheme and Greening Agricultural Subsidies in Hungary. Remote Sens. 2022, 14, 3917. https://doi.org/10.3390/rs14163917 [https://www.mdpi.com/2072-4292/14/16/3917]

'''Περίληψη:''' Η παρούσα μελέτη ασχολείται με την επαλήθευση και παρακολούθηση αιτήσεων για γεωργικές επιδοτήσεις. Η διαδικασία που ακολουθήθηκε, αφορά τη συνδυαστική αξιολόγηση πολλών κριτηρίων για περισσότερες από ένα εκατομμύριο καλλιέργειες. Συγκεκριμένα, παρουσιάζεται το αποτέλεσμα της πιλοτικής παρακολούθησης γεωργικών επιδοτήσεων στην Ουγγαρία, όπου στόχος ήταν να προταθεί μία λύση που να βασίζεται σε στοιχεία ανοιχτού κώδικα αξιολογώντας τα κύρια πλεονεκτήματα και τις αδυναμίες των εικόνων Sentinel-2.

Η επεξεργασία των δορυφορικών δεδομένων πραγματοποιήθηκε με βάση την ταξινόμηση της Random Forest και η ανίχνευση των γεγονότων καλλιέργειας διεξήχθη με βάση τον NDVI (Δείκτης Βλάστησης Κανονικοποιημένης Διαφοράς) με ανάλυση χρονοσειρών. Προέκυψε ότι η ταξινόμηση των καλλιεργειών παρείχε καλή απόδοση (συνολική ακρίβεια 88%) για 22 κατηγορίες βλάστησης και η ανίχνευση του είδους των καλλιεργειών ήταν επίσης αξιόπιστη σε σύγκριση με την οπτική ερμηνεία επί της οθόνης. Ο κύριος περιορισμός ήταν το μέγεθος των χωραφιών, ορισμένα από τα οποία ήταν μικρά, σε σύγκριση με τη χωρική ανάλυση των εικόνων, αφού πάνω από 4% των αγροτεμαχίων εξαιρέθηκαν, τα οποία, ωστόσο, αντιπροσωπεύουν λιγότερο από το 3% της συνολικής καλλιεργούμενης έκτασης της Ουγγαρίας.

'''Λέξεις κλειδιά:''' Παρακολούθηση της γεωργίας, κοινή αγροτική πολιτική, μηχανική μάθηση, τυχαίο δάσος, ταξινόμηση των καλλιεργειών, ανίχνευση συγκομιδής, εικόνες Sentinel-2 εθνικής κλίμακας

'''Εισαγωγή:''' Οι γεωργικές επιδοτήσεις που καταβάλλονται στους αγρότες αποτελούν σημαντικό μέρος του προϋπολογισμού της Ευρωπαϊκής Ένωσης και παράγοντα διαμόρφωσης των προς των ζην και της οικονομικής κατάστασης των αγροτών των Κρατών Μελών της. Το 2020, τα κεφάλαια που χρησιμοποιήθηκαν για να χρηματοδοτήσουν την Ευρωπαϊκή Κοινή Αγροτική Πολιτική (ΚΑΠ) ανήλθαν στο 35% περίπου του συνολικού προϋπολογισμού της ΕΕ και πραγματοποιήθηκαν συνολικά 41,57 δισ. ευρώ άμεσες πληρωμές σε 6,38 εκατ. αγρότες.

'''Περιοχή Μελέτης:''' Η περιοχή μελέτης ήταν ολόκληρη η επικράτεια της Ουγγαρίας, μαζί με όλες τις αξιώσεις για γεωργικές επιδοτήσεις για το 2020 και όλες τις διαθέσιμες εικόνες Sentinel-2 μεταξύ 1ης Ιανουαρίου και 31ης Δεκεμβρίου 2020. Η Ουγγαρία χωρίστηκε σε 34 αγροοικολογικές ζώνες με κριτήρια το έδαφος, την τοπογραφία και το κλίμα της (Εικόνα 1), και καθεμία από αυτές τις ζώνες υποβλήθηκε σε επεξεργασία ξεχωριστά, με διαφορετικά σύνολα δεδομένων εκπαίδευσης και επικύρωσης. Ο αριθμός των αγροτεμαχίων σε κάθε ζώνη διέφερε σημαντικά ανάλογα με το μέγεθος και την κυρίαρχη καλλιέργεια και τελικά κυμάνθηκε από 4.500 έως 107.000 αγροτεμάχια.

[[Εικόνα: NT2_e1.png |thumb|right| '''Εικόνα 1:'''Οι αγροοικολογικές ζώνες της Ουγγαρίας. Στην (a) εικόνα απεικονίζεται ένας χάρτης εδάφους όπου τα διαφορετικά χρώματα αντιπροσωπεύουν διαφορετικούς τύπους εδάφους και στη (b) εικόνα απεικονίζεται ένα ψηφιακό μοντέλο εδάφους.]]

Η Ουγγαρία καλύπτεται από τέσσερις ζώνες εικόνων Sentinel-2, που συνεπάγεται αλληλεπικάλυψη μεταξύ τους. Γενικά, με τους Sentinel-2A και Sentinel-2Β προέκυψαν κατά μέσο όρο, 22 με 60 διαθέσιμες Sentinel-2 εικόνες χωρίς νεφοκάλυψη για κάθε αγροτεμάχιο το 2020.

'''Μεθοδολογία:''' Το πρώτο βήμα αφορούσε τον επαναπροσδιορισμό των κανόνων κάθε επιμέρους κατηγορίας επιδότησης με κριτήρια που μπορούν να ελεγχθούν με τηλεπισκόπηση.
Η εργασία 1 αναφερόταν στα βασικά κριτήρια που ορίζουν τη γεωργική καλλιέργεια στο πλαίσιο του SAPS. Με την επίγεια παρακολούθηση επαληθεύεται η ύπαρξη των γεωργικών καλλιεργειών, ή η προσωρινή τους αγρανάπαυση, ενώ υδάτινες επιφάνειες, κατοικημένες περιοχές, δάση και άλλες μη γεωργικές χρήσεις γης, ζιζάνια και μη ξηλώδης βλάστηση δεν μπορούν να υφίστανται εντός του αγροτεμαχίου. Σε περίπτωση χορτολιβαδικής περιοχής, ο κανόνας αναφέρει ότι πρέπει να γίνει κοπή και άλλος κανόνας εγκυρότητας λέει, ότι η περιοχή πρέπει να είναι ομοιογενής μονάδα με την ίδια καλλιέργεια σε όλη την έκτασή της. Από την πλευρά της τηλεπισκόπησης, αυτοί οι κανόνες μπορούν να ελεγχθούν με χρησιμοποίηση της ταξινόμησης βλάστησης, όπου η αγρανάπαυση, τα ζιζάνια και η μη γεωργική ξυλώδης βλάστηση έχουν τη δική τους κατηγορία. Ο κανόνας της ομοιογένειας μπορεί να ελεγχθεί σχετικά εύκολα εάν γίνει διερεύνηση με βάση τα Pixel.

Η εργασία 2 αναφερόταν στα ελάχιστα κριτήρια διαχείρισης των βοσκοτόπων στο πλαίσιο του SAPS. Η υπερβόσκηση και η υπερανάπτυξη ειδών που δεν είναι βοσκοτόπια αποτελούν αρνητικούς κανόνες επιτόπιας παρακολούθησης. Στην ταξινόμηση συμπεριλήφθηκαν καλάμια και σχοινιά, ενώ η υπερβόσκηση έπρεπε να παρακολουθείται με ειδικό βήμα ανάλυσης.

Η εργασία 3 αναφερόταν στη διαφοροποίηση των καλλιεργειών εντός των ορίων κάθε καλλιεργούμενης έκτασης. Σ’ αυτή την περίπτωση, η εξέταση γινόταν σε βάση δεδομένων από τις υποβληθείσες αξιώσεις, ενώ οι επιτόπιοι έλεγχοι είχαν ως στόχο να επιβεβαιώσουν ότι η καλλιέργεια είναι η ίδια με αυτή που έχει δηλωθεί. Επομένως, η τηλεπισκόπηση εδώ ερευνά αν οι καλλιέργειες που εξετάζονται είναι παρούσες στο αγροτεμάχιο, συγκρίνοντας τα αποτελέσματα της ταξινόμησης με την κατηγορία καλλιέργειας που αξιώνεται.

Η εργασία 4 ασχολούταν με τη διατήρηση της καλλιέργειας των λιβαδιών σε περιβαλλοντικά ευαίσθητες περιοχές, με την αξίωση να θεωρείται άκυρη εάν το αγροτεμάχιο είναι οργωμένο, διαθέτει κτίσμα, είναι δασωμένο, ή η καλλιέργεια αλλάζει με οποιονδήποτε τρόπο που δεν είναι συμβατός με τη διαχείρισή της ως μόνιμο λιβάδι. Με την τηλεπισκόπηση, αυτή η εργασία μπορεί και πάλι να επιλυθεί με μία διαδικασία ταξινόμησης, όπου πρώτα συγκεντρώνονται τα αγροτεμάχια που έχουν καταχωρηθεί ως ευαίσθητα λιβάδια και από αυτά όσα δεν αναγνωρίζονται ως λιβάδια, θεωρούνται μη συμβατά.

Η εργασία 5 αναφερόταν στην αγρανάπαυση οικολογικών περιοχών, στις οποίες δεν μπορούν να υπάρχουν εντατικές καλλιέργειες από την 1η Ιανουαρίου μέχρι την 31η Αυγούστου, ενώ δεν επιτρέπεται η συγκομιδή πριν τις 31 Αυγούστου, με εξαίρεση τη συγκομιδή που γίνεται με σκοπό την καταστολή της ανάπτυξης των ζιζανίων. Η ταξινόμηση των δορυφορικών εικόνων ορίζει την κατηγορία της αγρανάπαυσης και, επιπλέον, μπορεί να αξιολογήσει εάν έχει συμβεί κάποιο γεγονός μεταβολής της καλλιέργειας πριν τις 31 Αυγούστου.
Η εργασία 6 σχετιζόταν με καλλιέργειες που δεσμεύουν το άζωτο σε περιοχές οικολογικής εστίασης. Οι κανόνες επιδότησης αναφέρουν ότι η εξεταζόμενη καλλιέργεια πρέπει να είναι μία από τις 40 αζωτοδεσμευτικές καλλιέργειες και ότι η κάθε καλλιέργεια πρέπει να καλλιεργείται σε ένα χωράφι για μία δεδομένη χρονική περίοδο. Από την τηλεπισκόπηση ελέγχεται εάν η ισχυριζόμενη καλλιέργεια είναι πραγματικά παρούσα και ανιχνεύεται ο χρόνος μεταξύ της σποράς και της συγκομιδής.
Τέλος, η εργασία 7 ήταν η χαρτογράφηση των ενδιάμεσων καλλιεργειών των περιοχών οικολογικής εστίασης. Αν περάσουν τουλάχιστον 60 ημέρες μεταξύ της σποράς και της συγκομιδής πρέπει να γίνεται έλεγχος. Η τηλεπισκόπηση επιτρέπει τον ακριβή προσδιορισμό της ημερομηνίας συγκομιδής, αλλά η ημερομηνία της σποράς αποδίδεται προσεγγιστικά.
Οι τύποι καλλιέργειας επιλέχθηκαν από έναν κατάλογο καταχωρημένων καλλιεργειών, με πρόσθετες λειτουργίες για την επιλογή καλλιέργειας που σχετίζεται με τις οικολογικές περιοχές εστίασης (Εικόνα 2). Κατά τη διάρκεια των αιτήσεων, οι ιδιοκτήτες σχεδίασαν τα όρια των αγροτεμαχίων τους σε ένα σύστημα με φόντο μία γεωαναφερμένη αεροφωτογραφία. Συνολικά, υποβλήθηκαν περίπου 1.200.000 αξιώσεις και αυτές αποτέλεσαν την πηγή των περιοχών εκπαίδευσης και επικύρωσης. Το αναμενόμενο σφάλμα του 2-3% στους ισχυρισμούς των αγροτών, ανήλθε σε 25.000-35.000 ψευδείς αξιώσεις.

[[Εικόνα: NT2_e2.png |thumb|right| '''Εικόνα 2:'''Διάγραμμα ροής των εργασιών ανάλυσης των δεδομένων για την παρακολούθηση της CAP.]]

Πραγματοποιήθηκε λήψη όλων των διαθέσιμων εικόνων Sentinel-2 (Επίπεδο-1C) από την περιοχή της Ουγγαρίας μεταξύ της 1ης Ιανουαρίου και της 31ης Δεκεμβρίου 2020, από το Copernicus Open Access Hub του Ευρωπαϊκού Οργανισμού Διαστήματος (ESA). Οι εικόνες Sentinel-2 υποβλήθηκαν σε προεπεξεργασία σε επίπεδο επεξεργασίας Level-2B, με χρήση του λογισμικού FORCE (Πλαίσιο για Λειτουργική Ραδιομετρική Διόρθωση για Περιβαλλοντική Παρακολούθηση) και ARD (Analysis Ready Data). Το FORCE δημιουργεί ένα εναρμονισμένο σύνολο εικόνων με κοινά ραδιομετρικά χαρακτηριστικά και κοινή χωρική αναφορά και στην παρούσα μελέτη πραγματοποίησε γεωμετρική, ατμοσφαιρική και ραδιομετρική διόρθωση.

Στην προεπεξεργασία, η λογική ήταν ότι για ένα θεωρητικά ορθογώνιο αγροτεμάχιο, αποφεύχθηκαν τα Pixel στις άκρες και επιλέχθηκαν τουλάχιστον δύο καθαρά Pixel μέσα στο αγροτεμάχιο. Για μικρότερα ή στενότερα, ερευνήθηκαν τα γειτονικά τους. Συνολικά, το 58% όλων των αγροτεμαχίων ήταν επαρκούς μεγέθους για να αναλυθούν μόνα τους, ένα 25% συμπεριλήφθηκε μετά τη συγχώνευση και ένα 17% θεωρήθηκαν πολύ μικρά για να γίνει ανάλυση. Στη συνέχεια, χρησιμοποιήθηκε η rasterstats Python, για να εκχωρηθούν σε κάθε αγροτεμάχιο οι μέσες τιμές των Pixel που ορίζουν κάθε ζώνη και κάθε φασματικό δείκτη. Με βάση τα αποτελέσματα των μελετών των φασματικών ζωνών και δεικτών, διατηρήθηκαν τέσσερα κανάλια του Sentinel-2 (Κανάλι 5: Red Edge 1, Κανάλι 6: Red Edge 2, Κανάλι 11: Shortwave Infrared 1 και Κανάλι 12: Shortwave Infrared 2) και πέντε φασματικοί δείκτες, NDVI (Δείκτης Βλάστησης), BSI (Δείκτης Γυμνού Εδάφους), EVI (Βελτιωμένος Δείκτης Βλάστησης), SIPI (Δείκτης Δομημένου Περιβάλλοντος) και YCI (Δείκτης Ασθενικών Καλλιεργειών). Ως μέθοδος ταξινόμησης επιλέχθηκε η Random Forest (RF) λόγω της ανθεκτικότητάς της σε σφάλματα στα δεδομένα εκπαίδευσης. Οι ασαφείς ταξινομητές δημιούργησαν για κάθε ταξινομημένη μονάδα, ένα διάνυσμα με τις πιθανότητες αντιστοιχίας σε κάθε κατηγορία ταξινόμησης. Στην RF ενσωματώθηκε η βιβλιοθήκη Scikit-learn Python, ορίστηκε ο αριθμός των δέντρων απόφασης σε 200 και ο αριθμός των μεταβλητών που θα επιλεγούν για τον καλύτερο διαχωρισμό στην τετραγωνική ρίζα του αριθμού των μεταβλητών εισόδου. Τα φασματικά δεδομένα για κάθε αγροτεμάχιο με τους δείκτες αποθηκεύτηκαν σε πίνακες PostgreSQL.

Οι τάξεις των καλλιεργειών βελτιώθηκαν με τις επαναλήψεις και αξιολογήθηκαν χρησιμοποιώντας προφίλ κυριαρχίας και μήτρες σύγχυσης, εκτός από πληροφορίες για τα χαρακτηριστικά ανάπτυξης και τις καλλιεργητικές πρακτικές. Το τελικό σύστημα τάξεων περιελάβανε: αραβόσιτο (συμπεριλαμβανομένου του κανονικού και του υβριδικού καλαμποκιού), χειμερινά δημητριακά (σιτάρι, κριθάρι και τριτικάλε), λιβάδια (προσωρινά και μόνιμα, θερισμένα και λιβάδια βόσκησης, χλωρές κοπριές αν περιλαμβάνουν χόρτα και παραδοσιακούς οπωρώνες), ηλίανθο (υβριδικό και κανονικό), μηδική βλάστηση (νεοφυτεμένα και τακτικά καλλιεργημένα χωράφια αλλά και μηδική που καλλιεργείται σε συνδυασμό με λιβάδια), γη σε αγρανάπαυση (γη που μένει προσωρινά ακαλλιέργητη πριν από τις 31 Αυγούστου), σταφύλια (κρασί και επιτραπέζια σταφύλια), κραμβέλαιο (κυρίως τo φθινόπωρο και σπάνια την άνοιξη), δενδροφυτείες (περιβόλια, τεχνητά δέντρα για ενέργεια ή ξυλεία, μηλιές, κερασιές, λεύκες), ανοιξιάτικα δημητριακά (βρώμη, κριθάρι και σόργο), λαχανικά και φράουλες, σόγια, ζιζάνια (μη καλλιεργούμενη βλάστηση), λαχανικά σε χωράφια (ποώδη φυτά που καλλιεργούνται για τους σπόρους, τους καρπούς ή τους κονδύλους τους), κτηνοτροφικά φυτά (πρόκειται για ποώδη μονοκοτυλήδονα ή δικοτυλήδονα που καλλιεργούνται για τη βιομάζα τους), δάση (δέντρα που αναπτύσσονται με ημι-φυσικό, μη συστηματικό μοτίβο), βότανα και μπαχαρικά (ποώδη φυτά όπως καλλωπιστικά φυτά, παπαρουνόσπορος, λεβάντα και μάραθος), ζαχαρότευτλα, ρύζι (κανονικό και άγριο ρύζι), θαμνώδεις καλλιέργειες (ξυλώδης μίσχος, σαμπούκοι ή βατόμουρα), καλάμι (καλλιεργημένο και ακαλλιέργητο καλάμι, μαζί με υγρότοπους), φυτά ινών (κάνναβη, λινάρι, σόργο), ενεργειακά φυτά (ποώδη, ψηλής ανάπτυξης μονοκοτυλήδονα ή δικοτυλήδονα που καλλιεργούνται για τη βιομάζα τους αλλά συγκομίζονται μετά την ξήρανσή τους) και άλλα (κάλυψη γης που δεν είναι φυτική, όπως νερό, γυμνό έδαφος, κλειστές επιφάνειες).

Οι ακρίβειες ταξινόμησης αξιολογήθηκαν χρησιμοποιώντας δείκτες μήτρας σύγχυσης. Επιπλέον υπολογίστηκε ο συντελεστής συσχέτισης του Matthews (MCC) ο οποίος χρησιμοποιείται όλο και περισσότερο στη μηχανική μάθηση. Η ανίχνευση των ημερομηνιών έγινε με βάση τον αλγόριθμο των Kolecka et al.. Για ένα αγροτεμάχιο καταχωρήθηκε ότι έχει πραγματοποιηθεί συγκομιδή σε μία ορισμένη περίοδο, εάν ο μέσος NDVI του, μειώθηκε περισσότερο από 0,2 μεταξύ δύο διαδοχικών παρατηρήσεων χωρίς νεφοκάλυψη, ή της πρώτης και της τελευταίας από τρεις διαδοχικές παρατηρήσεις χωρίς νεφοκάλυψη. Η ανίχνευση της συγκομιδής έγινε για αγροτεμάχια, όταν η προβλεπόμενη κατηγορία αφορούσε λιβάδια, αγρανάπαυση, μηδική ή κτηνοτροφική καλλιέργεια.
Μόνο 8 αγροτεμάχια ταξινομήθηκαν ως υπερβόσκηση. Μετά από οπτική επιθεώρηση των διαπιστωθεισών εκτάσεων υπερβόσκησης και τα δεδομένα χρονοσειρών του NDVI, ορίστηκε ότι ένα λιβάδι έχει υποστεί υπερβόσκηση, εάν το μέγιστο της μέσης τιμής του NDVI είναι κάτω από 0,5. Οι καλλιέργειες που δεσμεύουν το άζωτο έχουν καθορισμένες περιόδους παρουσίας από τη σπορά έως τη συγκομιδή. Αυτά τα διαστήματα ελέγχθηκαν και πάλι με τις χρονοσειρές NDVI κάθε αγροτεμαχίου. Οι NDVI τιμές που ελήφθησαν πάνω από το επιλεγμένο ελάχιστο όριο (0,075), αντιστοιχίστηκαν σε γυμνό έδαφος.

Οι πληροφορίες για τις περιόδους καλλιέργειας επικυρώθηκαν με ένα plugin του QGIS, που επέτρεψε την οπτικοποίηση δορυφορικών εικόνων μαζί με τις γεωμετρίες και τα χαρακτηριστικά της βάσης δεδομένων Geospatial Aid Application (GSAA). Η ακρίβεια ανίχνευσης της συγκομιδής αξιολογήθηκε σε συνολικά 160 αγροτεμάχια, με τουλάχιστον 30 αγροτεμάχια να ανήκουν στην κάθε κατηγορία καλλιέργειας. Τα αρνητικά δείγματα ελέγχου επιλέχθηκαν για τις κατηγορίες των λιβαδιών και της αγρανάπαυσης, με σκοπό τον εντοπισμό ψευδώς θετικών σφαλμάτων. Τέλος, για κάθε εργασία παρακολούθησης, αναπτύχθηκε ένα σύνολο κανόνων με τη μορφή δέντρου αποφάσεων και πιο συγκεκριμένα:
Για την εργασία 1 (ανίχνευση της βασικής καλλιέργειας), έγινε η υπόθεση ότι όλα τα αγροτεμάχια είναι επιλέξιμα, όταν μπορεί να αποδειχθεί η ύπαρξη μίας καλλιέργειας σ’ αυτά. Τα λιβάδια είναι επιλέξιμα μόνο εάν πραγματοποιείται σ’ αυτά βόσκηση, θερίζονται, ή δεν υπάρχουν ζιζάνια. Αν η απόδοση της ταξινόμησης δεν ήταν λιβάδια, αγρανάπαυση, ζιζάνια ή υγρότοπος καλαμιών (που μπορεί να καλλιεργηθεί, αλλά δεν είναι επιλέξιμος από το CAP), τότε το αγροτεμάχιο αξιολογήθηκε ως σωστό (πράσινο). Αν διαπιστώθηκε ότι η κατηγορία των ζιζανίων κυριαρχεί, καταχωρήθηκε ως μη επιλέξιμο (κόκκινο). Για αγροτεμάχια που δεν είναι λιβάδια, ανεξάρτητα από την αξίωση, εάν η πιθανότητα ύπαρξης ζιζανίων ήταν πάνω από ένα ορισμένο όριο (20%), το αγροτεμάχιο καταχωρήθηκε ως αβέβαιο (κίτρινο) και παρατέθηκε για περαιτέρω έλεγχο.

Για την εργασία 2 (ελάχιστα κριτήρια για λιβάδια), ελέγχθηκαν όλα τα αγροτεμάχια που θεωρούνταν λιβάδια. Εάν στο αγροτεμάχιο προσδιορίζονταν καλάμια ή ζιζάνια, γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο). Εάν αναγνωριζόταν ως λιβάδι και διαπιστωνόταν υπερβόσκηση, τότε επίσης γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο). Εάν τα καλάμια ή η πιθανότητα ύπαρξης ζιζανίων ήταν πάνω από 30%, τότε ταξινομούταν στην αβέβαιη κατηγορία (κίτρινη). Αν το αγροτεμάχιο ταξινομήθηκε σε οποιαδήποτε άλλη κατηγορία, τότε για την εργασία 2, δε γινόταν διερεύνηση περαιτέρω.

Για την εργασία 3 (διαφοροποίηση καλλιεργειών), έπρεπε να διερευνηθεί εάν η καλλιέργεια που δηλώθηκε από τον αγρότη αντιστοιχεί στην κατηγορία καλλιέργειας που προσδιορίστηκε στη διαδικασία της ταξινόμησης και αν γινόταν επιβεβαίωση της αξίωσης, τότε το αγροτεμάχιο έπαιρνε πράσινη καταχώρηση.
Η εργασία 4 (συντήρηση ευαίσθητων λιβαδιών), συνδύαζε ένα σύνολο δεδομένων του οργανισμού πληρωμών, που περιέχει όλα τα αγροτεμάχια που αναφέρονται ως ευαίσθητα λιβάδια, μαζί με το αποτέλεσμα της ταξινόμησης. Αν ένα αγροτεμάχιο βοσκοτόπων ανήκε στην κατηγορία γρασίδι, τότε καταχωρούταν ως επιλέξιμο (πράσινο), ενώ εάν ανήκε στην κατηγορία αγρανάπαυση, ως αβέβαιο (κίτρινο). Εάν γινόταν εντοπισμός άλλης τάξης, αυτό σήμαινε ότι το λιβάδι μετατράπηκε σε διαφορετική καλλιέργεια και το αγροτεμάχιο έπαιρνε επισήμανση ως μη επιλέξιμο (κόκκινο).

Η εργασία 5 (οικολογικές περιοχές σε αγρανάπαυση), βασίστηκε επίσης στο αποτέλεσμα ταξινόμησης της βλάστησης και ανίχνευσης της κοπής. Λόγω των δυσκολιών διαχωρισμού της αγρανάπαυσης και των λιβαδιών στην ταξινόμηση, οι δύο τάξεις θεωρούνταν επιλέξιμες (πράσινες), εάν δεν ανιχνευόταν συγκομιδή πριν από τις 31 Αυγούστου. Αν η συγκομιδή εντοπιζόταν πριν αυτή την ημερομηνία, στο αγροτεμάχιο γινόταν καταχώρηση ως αβέβαιο (κίτρινο). Αν εντοπιζόταν διαφορετική κατηγορία βλάστησης (όχι λιβάδια ή αγρανάπαυση), τότε στο αγροτεμάχιο γινόταν καταχώρηση ως μη επιλέξιμο (κόκκινο).

Η εργασία 6 (καλλιέργειες που δεσμεύουν το άζωτο), επιλύθηκε με βάση το αποτέλεσμα της ταξινόμησης και ανίχνευσης της χρονικής περιόδου της βλάστησης. Ωστόσο, οι καλλιέργειες που δεσμεύουν το άζωτο εμπίπτουν σε αρκετές κατηγορίες (μηδική, κτηνοτροφικές καλλιέργειες κ.λπ.) και έτσι, δεν ήταν δυνατή η χρήση μόνο των αποτελεσμάτων της ταξινόμησης. Εάν η αξιωμένη καλλιέργεια ήταν στη λίστα καλλιεργειών που δεσμεύουν άζωτο και η προβλεπόμενη κατηγορία αντιστοιχούσε με την κατηγορία βλάστησης της διεκδικούμενης καλλιέργειας, το αγροτεμάχιο ήταν επιλέξιμο (πράσινο)· διαφορετικά ήταν μη επιλέξιμο (κόκκινο), αν η τιμή του NDVI έπεφτε κάτω από 0,3 ή 0,25.

Τέλος, για την εργασία 7 (ενδιάμεσες καλλιέργειες), χρησιμοποιήθηκε μόνο ο αλγόριθμος ανίχνευσης του χρόνου καλλιέργειας. Το αποτέλεσμα καθοριζόταν από δύο χρονικές σημάνσεις, μία στην έναρξη και μία στο τέλος (Εικόνα 3). Συγκεκριμένα, εάν η διαφορά μεταξύ τους ήταν μεγαλύτερη από 60 ημέρες, το αγροτεμάχιο κρινόταν επιλέξιμο (πράσινο), αν ήταν μεταξύ 56 και 59 ημερών, θεωρούταν αβέβαιο (κίτρινο) και αν ήταν λιγότερη από 55 ημέρες, τότε ήταν ακατάλληλο (κόκκινο). Αν δεν υπήρχαν επαρκείς μετρήσεις χωρίς νεφοκάλυψη για τον προσδιορισμό της διάρκειας της καλλιέργειας, τότε ταξινομούταν ως αβέβαιο (κίτρινο).

[[Εικόνα: NT2_e3.png |thumb|left| '''Εικόνα 3:'''Παράδειγμα ενδιάμεσης καλλιέργειας σε χρονοσειρά NDVI και υποσύνολα εικόνων Sentinel-2, με ημερομηνία έναρξης στις (a) 22 Απριλίου 2020, ενδιάμεσες στις (b) 6 Ιουνίου 2020, (c) 1 Ιουλίου 2020, (d) 31 Ιουλίου 2020, (e) 20 Αυγούστου 2020 και ημερομηνία λήξης στις (f) 9 Σεπτεμβρίου 2020.]]

'''Αποτελέσματα:''' Με την ανίχνευση αγροτεμαχίων και τη δημιουργία πολυγώνων με καθορισμένο μέγεθος, προέκυψε ότι το 83,5% των αγροτεμαχίων ήταν κατάλληλα για παρακολούθηση και τα υπόλοιπα ήταν πολύ μικρά. Αυτό είχε ως αποτέλεσμα περίπου 1.000.000 αγροτεμάχια να αποτελέσουν αντικείμενο περαιτέρω ανάλυσης και περίπου 200.000 να αποκλειστούν, ενώ μετά τη συγχώνευση γειτονικών αγροτεμαχίων συμπεριλήφθηκαν επιπλέον περισσότερα από 300.000 που ήταν κάτω από το ελάχιστο όριο μεγέθους και τελικά το 97% της αγροτικής γης στην Ουγγαρία παρακολουθήθηκε με επιτυχία.

Οι τυπικές αποκλίσεις των χαρακτηριστικών μεταξύ των ζωνών ήταν συνήθως κοντά στο 10%. Το κανάλι 6 (Red Edge 2) είχε τη μεγαλύτερη συμβολή στην ακρίβεια ταξινόμησης, ακολουθούμενο από το δείκτη NDVI και το κανάλι 5 (Red Edge 1), έπειτα το κανάλι 11 (Shortwave Infrared 1) και τέλος οι δείκτες SIPI, BSI, EVI, YCI και το κανάλι 12 (Shortwave Infrared 2). Η ανάλυση των εικόνων ανά ημερομηνία ανέδειξε δύο κορυφές, μία την άνοιξη (τέλη Απριλίου-αρχές Μαΐου) και άλλη μία το καλοκαίρι (τέλη Ιουλίου).
Η συνολική ακρίβεια της ταξινόμησης RF ήταν 88,07%, (η MCC ήταν 0,87), με την ακρίβεια ταξινόμησης του ρυζιού, του αραβόσιτου και της ελαιοκράμβης να είναι πάνω από 95% και των περιοχών με ζιζάνια, λιβάδια, σόγια και σταφύλια 85%, ενώ στα ζαχαρότευτλα, στις μη καλλιεργητικές εκτάσεις και στα καλάμια ήταν άνω του 75%. Οι χαμηλότερες ακρίβειες παρατηρήθηκαν για τους θάμνους (11%, κυρίως ταξινομήθηκαν εσφαλμένα ως δέντρα, λιβάδια ή σταφύλια), τις ενεργειακές καλλιέργειες (23%, συχνά χαρτογραφήθηκαν ως λιβάδια), τα βότανα και τα μπαχαρικά (19%, εσφαλμένα ταξινομημένα ως αγρανάπαυση ή λαχανικά) και τις φυτικές ίνες (24%, εσφαλμένα ταξινομημένες ως καλαμπόκι, ηλίανθο ή σόγια). Για τα εσφαλμένα ταξινομημένα αγροτεμάχια, τα πιο πολλά σφάλματα αφορούσαν τη χαρτογράφηση της αγρανάπαυσης ως λιβαδιού, του λιβαδιού ως μηδικής και της μηδικής ως χόρτου, ειδικά από τη στιγμή που τα μείγματα μηδικής-χόρτου καλλιεργούνται ευρέως και ποικίλλουν έντονα ως προς την κυρίαρχη βλάστηση, ακόμη και μέσα στο ίδιο αγροτεμάχιο. Τα λιβάδια και η αγρανάπαυση προκάλεσαν επίσης εσφαλμένη ταξινόμηση σε άλλες κατηγορίες, που παρατηρήθηκε σε 3.500 περιπτώσεις.

Η αναγνώριση της συγκομιδής ή της έλλειψης συγκομιδής ήταν σε ποσοστό 86,0% και 86,7% αντίστοιχα (MCC 0,71). Οι κύριες πηγές σφαλμάτων ήταν η συγκέντρωση των αγροτεμαχίων με διαφορετικές ημερομηνίες κοπής σε ένα μόνο πολύγωνο. Συνολικά βρέθηκαν 151 αγροτεμάχια υπερβόσκησης χρησιμοποιώντας το όριο χρονοσειράς του NDVI. Η ακρίβεια ανίχνευσης της υπερβόσκησης αξιολογήθηκε ελέγχοντας οπτικά και τα 151, με δορυφορικές εικόνες Sentinel-2 και το Google Earth. Αυτός ο έλεγχος βρήκε το 63,7% αυτών, να είναι σωστά.
Για καλλιέργειες που δεσμεύουν το άζωτο, ο χρόνος καλλιέργειας αξιολογήθηκε ξεχωριστά για τη μηδική που είναι η πιο συνηθισμένη κατηγορία, και για τις άλλες αζωτοδεσμευτικές καλλιέργειες. Για τις δύο τάξεις, επιλέχθηκαν τυχαία 25 περιπτώσεις, για τις οποίες ο χρόνος καλλιέργειας βρέθηκε σύμφωνος με τους κανονισμούς και 25 όπου ο χρόνος καλλιέργειας διαπιστώθηκε πιο σύντομος. Συνολικά, 100 αγροτεμάχια ερευνήθηκαν σε αυτή την περίπτωση. Για τη μηδική η συνολική ακρίβεια ήταν 84%, ενώ για τις άλλες καλλιέργειες ήταν 77%. Η μέθοδος ανίχνευσης του χρόνου των ενδιάμεσων καλλιεργειών, αξιολογήθηκε για 100 αγροτεμάχια που ερμηνεύτηκαν χειροκίνητα και προέκυψε ότι το 50% πέρασε και το 50% απέτυχε. Η συνολική ακρίβεια ανίχνευσης της σωστής ή της λανθασμένης διαχείρισης ήταν 88,7% (MCC 0,77).

Για την εργασία 1, που αναφερόταν στις αιτήσεις για επιδότηση (εκτός από καλάμι), ερευνήθηκαν περισσότερα από 1.200.000 αγροτεμάχια. Η συντριπτική πλειοψηφία των αγροτεμαχίων βρέθηκε ότι είναι σύμφωνη (99,55%) (πράσινο), το 0,13% αβέβαιη (κίτρινο), και το 0,32% μη επιλέξιμη (κόκκινο). Η εργασία 2 (ελάχιστη καλλιέργεια βοσκοτόπων), επηρέασε όλα τα αγροτεμάχια που αξιώθηκαν ως θερισμένα ή βοσκήσιμα λιβάδια, δηλαδή 160.663 συνολικά και από αυτά, το 99,5% επιβεβαιώθηκε ότι ήταν σωστά (πράσινο), μόνο 4 ήταν αβέβαια (κίτρινο) και 0,5% ακατάλληλα (κόκκινο). Η εργασία 3, αφορούσε όλους τους αγρότες που διεκδίκησαν έκταση μεγαλύτερη από 15 εκτάρια, ερευνήθηκαν 734.460 αγροτεμάχια από τα οποία το 10,4% θεωρήθηκαν ως αβέβαια και το 89,6% θεωρήθηκαν σωστά. Η εργασία 4, αφορούσε μόνο τα ευαίσθητα λιβάδια τα οποία ήταν 50.650 και το 97,2% αυτών των αξιώσεων επιβεβαιώθηκαν (πράσινο), το 2,5% των δεμάτων βρέθηκαν μη συμμορφούμενα (κόκκινο) και το 0,3% ήταν αβέβαιο. Η εργασία 5, αναφερόταν σε 37.002 ακαλλιέργητα αγροτεμάχια, εδώ ο προσδιορισμός των χρήσεων των λιβαδιών ή της αγρανάπαυσης αποδείχθηκε προβληματικός, ενώ η συγκομιδή εντοπίστηκε επίσης νωρίτερα από την επιτρεπόμενη ημερομηνία, τελικά το 30,6% των αγροτεμαχίων καταγράφηκε ως σωστό, το 41,3% αβέβαιο (κίτρινο) και το 28,1% θεωρήθηκε λανθασμένο (κόκκινο). Η εργασία 6, η αναγνώριση των καλλιεργειών που δεσμεύουν το άζωτο, αφορούσε 28.054 αγροτεμάχια και βρέθηκε ότι το 71,4% ήταν σωστό, το 21,7% λανθασμένο και το 6,9% προσδιορίστηκε ως αβέβαιο. Η ακρίβεια της ταξινόμησης του τύπου καλλιέργειας είχε επιρροή στο αποτέλεσμα, καθώς το 18,9% των αγροτεμαχίων καταχωρήθηκε ως μη επιλέξιμο λόγω της εσφαλμένης ταξινόμησης μεταξύ διαφορετικών τάξεων βλάστησης. Η εργασία 7 που ήταν ο έλεγχος των αγροτεμαχίων και των ενδιάμεσων καλλιεργειών για 25.503 αξιώσεις και τα αποτέλεσμα ήταν 81,9% σωστό, 5,3% αβέβαιο και 12,8% μη επιλέξιμο.

Συνολικά, ολοκληρώθηκαν περισσότερες από 2 εκατομμύρια λειτουργίες παρακολούθησης, με τις περισσότερες να σχετίζονται με την εργασία 1 και την εργασία 3. Το 94% αυτών των πράξεων κατέληξαν επιλέξιμες, το 1,5% λανθασμένες, και το 4,5% αβέβαιες. Τα περισσότερα από τα ασαφή αποτελέσματα παρήχθησαν από διαφωνία μεταξύ της αξιούμενης καλλιέργειας και της χαρτογραφημένης κατηγορίας βλάστησης για την εργασία 3 και τα σφάλματα ταξινόμησης επηρέασαν την εργασία 5. Σε επίπεδο αγροτεμαχίων, το 90% ανακηρύχθηκαν επιλέξιμα (πράσινα), το 7,9% θεωρήθηκε αβέβαια (κίτρινο) για τουλάχιστον μία εργασία και το 2,1% καταγράφηκαν με λάθος (κόκκινο) τουλάχιστον μία φορά. Το όριο μεγέθους που εφαρμόστηκε για τα αγροτεμάχια, είχε ως αποτέλεσμα τον αποκλεισμό περίπου 200.000, που αναλογεί σε 5%. Η ακρίβεια ταξινόμησης των καλλιεργειών με την RF αυξήθηκε σημαντικά καθ' όλη τη διάρκεια του έτους καθώς γινόταν προσθήκη νέων εικόνων. Η τελική συνολική ακρίβεια του 88,07%, είναι συγκρίσιμη με παρόμοιες μελέτες.

Συνολικά, αυτή η μελέτη έδειξε ότι η ανάλυση εικόνων που βασίζεται στο Sentinel-2 μπορεί να συμβάλει ουσιαστικά στην παρακολούθηση της CAP στην Ουγγαρία, μειώνοντας πιθανώς το φόρτο εργασίας που σχετίζεται με επιτόπιους ελέγχους. Μέσα από τη δορυφορική παρακολούθηση όλων των αγροτεμαχίων, και κατευθύνοντας επιτόπιους ελέγχους για αβέβαιες ή μη συμμορφούμενες περιπτώσεις, μπορεί επίσης να αυξηθεί η χρησιμότητα της επιτόπιας παρακολούθησης. Μέσα από την ενημέρωση των αγροτών ότι όλα τα αγροτεμάχια πρέπει να διερευνηθούν για συμμόρφωση με τους κανόνες, θα υπάρξει μεγαλύτερη εμπιστοσύνη προς το σύστημα τόσο από αυτούς, όσο και για τους οργανισμούς πληρωμών. Τέλος, η επικοινώνηση της χρησιμότητας της δορυφορικής παρακολούθησης στους αγρότες και η υιοθέτηση της τηλεπισκόπησης στη γεωργία ακριβείας, διευκολύνουν τις εργασίες χαρτογραφικής απόδοσης, ακρίβειας υπολογισμού της παραγωγής και της διαχείρισης του νερού.

Οι μελλοντικές μελέτες θα πρέπει να ασχοληθούν με την ενσωμάτωση των δεδομένων ραντάρ του Sentinel-1 στη ροή εργασιών παρακολούθησης, καθώς αυτά παρέχουν δεδομένα ανεξάρτητα από τη νεφοκάλυψη. Ο κύριος περιορισμός που αφορούσε το μέγεθος των αγροτεμαχίων μπορεί να βελτιωθεί με τη συνένωση, αλλά ο γενικός στόχος της συμπερίληψης όλων των αγροτεμαχίων επιτυγχάνεται μόνο με τη χρήση εικόνων υψηλότερης ανάλυσης από εμπορικούς δορυφόρους. Έχουν δοκιμαστεί εναλλακτικές προσεγγίσεις ταξινόμησης, με τη λειτουργική χρήση που βασίζεται στη βαθιά εκμάθηση να φαίνεται ιδιαίτερα ελπιδοφόρα για επίτευξη καλύτερης ακρίβειας. Ωστόσο, τέτοιες τεχνικές απαιτούν σημαντικά μεγαλύτερη ικανότητα επεξεργασίας και τελικά, η RF μπορεί να εξακολουθεί να θεωρείται η βέλτιστη λύση.

'''Συμπεράσματα:''' Η χρησιμότητα της παρακολούθησης των γεωργικών επιδοτήσεων με βάση το Sentinel-2 δοκιμάστηκε για το 2020 σε εθνική κλίμακα στην Ουγγαρία. Τα κριτήρια που διερευνήθηκαν περιλαμβάνουν στρατηγικές ενιαίας ενίσχυσης (βασική καλλιέργεια, διαχείριση λιβαδιών) και οικολογικές πρακτικές (διαφοροποίηση καλλιεργειών, μόνιμα λιβάδια, αγρανάπαυση, καλλιέργειες αζωτοδέσμευσης και ενδιάμεσες καλλιέργειες). Η ανάλυση βασίστηκε στις μέσες τιμές των φασματικών δεικτών στο όριο κάθε αγροτεμαχίου, υπολογισμένο από χρονοσειρές εικόνων Sentinel-2. Η ταξινόμηση Random Forest χρησιμοποιήθηκε για τον προσδιορισμό των καλλιεργειών σε 20 τάξεις, συμπληρωμένες με χρονοσειρές ανάλυσης του δείκτη NDVI, για την ανίχνευση γεγονότων κοπής, σποράς και συγκομιδής.

Ελήφθησαν αποτελέσματα για όλες τις εργασίες παρακολούθησης, με ακρίβεια ταξινόμησης πάνω από 85% για τις περισσότερες κατηγορίες και ακρίβειες ανίχνευσης καλλιέργειας μεταξύ 63-86%. Με βάση αυτά τα αποτελέσματα, το 95,1% των εργασιών επιλύθηκαν επιτυχώς και μόνο το 4,9% χρειαζόταν παρακολούθηση στο πεδίο. Το 16,5% των αγροτεμαχίων αποκλείστηκαν από τη μελέτη επειδή το μικρό τους μέγεθος ή το στενό τους σχήμα αναμενόταν να έχει κακή ανάλυση από τον Sentinel-2, αριθμός που περιλαμβάνει μόνο το 3% της επιτηρούμενης περιοχής. Το κύριο πλεονέκτημα της παρακολούθησης που βασίζεται σε Sentinel-2 είναι η ακριβής κατηγοριοποίηση των καλλιεργειών για ένα μεγάλο σύνολο τάξεων και η αξιόπιστη αναγνώριση καλλιεργητικών γεγονότων. Συνολικά, η παρακολούθηση που βασίζεται στον Sentinel-2 μπορεί να είναι αποτελεσματική σε εθνική κλίμακα και αναμένονται περαιτέρω βελτιώσεις μελλοντικά στην ακρίβεια, μέσα από τη συμπερίληψη δεδομένων Sentinel-1 και την ταξινόμηση βαθιάς μάθησης.

[[category:Γεωργία]]

Αρχείο:NT2 e2.png

2023-02-08T15:43:46Z

Natalia tsigarda:

Αρχείο:NT2 e1.png

2023-02-08T15:43:24Z

Natalia tsigarda:

Ανάλυση της Διάβρωσης μέσω Τηλεπισκόπησης σε Παράκτιες Περιοχές της Αλάσκας και της Ανατολικής Σιβηρίας

2023-02-08T15:08:36Z

Natalia tsigarda:

'''Αντικείμενο εφαρμογής:''' Διάβρωση των παράκτιων ακτογραμμών

'''Πρωτότυπος τίτλος:''' “Remote Sensing Analysis of Erosion in Arctic Coastal Areas of Alaska and Eastern Siberia”

'''Συγγραφείς:''' Juan Wang, Dongling Li, Wenting Cao, Xiulin Lou, Aiqin Shi, Huaguo Zhang

'''Πηγή:''' Wang, J.; Li, D.; Cao, W.; Lou, X.; Shi, A.; Zhang, H. Remote Sensing Analysis of Erosion in Arctic Coastal Areas of Alaska and Eastern Siberia. Remote Sens. 2022, 14, 589. https://doi.org/10.3390/rs14030589 [https://www.mdpi.com/2072-4292/14/3/589]

'''Περίληψη:''' Στην παρούσα μελέτη διενεργήθηκε με τηλεπισκόπηση, ανάλυση της παράκτιας διάβρωσης για τρεις περιοχές, με δεδομένα που συλλέχθηκαν μεταξύ των ετών 1974 και 2017. Οι συγκριτικές μελέτες διεξήχθησαν με σκοπό τον υπολογισμό της διαφοράς διάβρωσης των ακτών σε περιοχές με διαφορετικά γεωγραφικά πλάτη. Διαπιστώθηκε ότι η πιο εκτεταμένη διάβρωση σημειώθηκε κατά μήκος της ακτής της Αλάσκα, ακολουθούμενη από αυτή των ακτών της Ανατολικής Σιβηρίας. Με βάση την ανάλυση των ιστορικών δεδομένων της χιονόπτωσης, του πάγου και των κλιματικών μεταβολών, προέκυψε ότι σε παρόμοια γεωγραφικά πλάτη, η διάβρωση των ακτών της Αρκτικής σχετίζεται στενά με την τάση και τις διακυμάνσεις της Θερμοκρασίας της Επιφάνειας της Θάλασσας (SST). Συγκεκριμένα, διαπιστώθηκε ότι στην Αλάσκα, η παράκτια διάβρωση σχετίζεται στενά με τη διακύμανση της SST, ενώ στην Ανατολική Σιβηρία, σχετίζεται με την αυξητική ή πτωτική τάση της SST. Η πτωτική τάση συνδέεται με χαμηλό ρυθμό διάβρωσης των ακτών, ενώ η αυξητική τάση με επιταχυνόμενη τάση διάβρωσης των ακτών. Για την Αρκτική, οι έντονες διακυμάνσεις της SST, η συνεχής μείωση του πάγου της θάλασσας και η αύξηση του Σημαντικού Ύψους των Κυμάτων (SHW), είναι κρίσιμοι παράγοντες που προκαλούν παράκτια διάβρωση.

'''Λέξεις κλειδιά:''' Αρκτική, διάβρωση ακτής, τηλεπισκοπική ανάλυση, παράκτια ζώνη

'''Εισαγωγή:''' Η Αρκτική περιλαμβάνει τον καλυμμένο με πάγο Αρκτικό Ωκεανό, διαθέτοντας μια περίπλοκη ακτογραμμή, η οποία χαρακτηρίζεται από απότομους βράχους, φιόρδ, εκδορές, πεδιάδες και σχηματισμούς δέλτα. Οι ακτές της Αρκτικής διαφέρουν από τις ακτές χαμηλότερου γεωγραφικού πλάτους, διότι καλύπτονται από χιόνι και πάγο, με τις επιφανειακές θερμοκρασίες στην Αρκτική να έχουν αυξηθεί πάνω από δύο φορές ταχύτερα από τον παγκόσμιο μέσο όρο τις τελευταίες δύο δεκαετίες. Αυτή η εξέλιξη οδηγεί τον πάγο σε ραγδαία υποχώρηση, αυξάνοντας την πιθανότητα μελλοντικά ο Αρκτικός Ωκεανός να μείνει χωρίς πάγο∙ παράλληλα, έχουν υποστεί συνεχή διάβρωση, η οποία προκαλείται από τη δράση της υπερθέρμανσης του πλανήτη και παραγόντων όπως η αύξηση της τήξης των πάγων, η θερμική διάβρωση και η άνοδος της στάθμης της θάλασσας.
Ο μέσος ρυθμός διάβρωσης των ακτών στην Αρκτική είναι 0,2m/έτος, παρουσιάζοντας τάση επιτάχυνσης την περασμένη δεκαετία. Τη χρονική περίοδο 1950-2000, ο μέσος ρυθμός διάβρωσης των ακτών της Αρκτικής ήταν 0,5m/έτος, με σημαντική όμως διακύμανση μεταξύ διαφορετικών περιοχών της. Τα ιστορικά υψηλότερα ποσοστά διάβρωσης ήταν κατά μήκος της Θάλασσας Beaufort (1,1m/έτος) και της Θάλασσας της Ανατολικής Σιβηρίας (0,9m/έτος). Σε πολλές μελέτες χρησιμοποιήθηκαν αεροφωτογραφίες, δορυφορικές εικόνες και τοπογραφικοί χάρτες για την παρακολούθηση μακροπρόθεσμων αλλαγών της διάβρωσης των ακτών της Αρκτικής, λαμβάνοντας υπόψιν δεδομένα όπως ο πάγος, ο άνεμος, τα κύματα, οι καταιγίδες και τα ιζήματα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν εικόνες που καλύπτουν το διάστημα 1974-2017, με στόχο την παρακολούθηση της διάβρωσης των ακτών, σε τρεις περιοχές της Αλάσκας και της Σιβηρίας, στις δύο πλευρές του Βερίγγειου Πορθμού.

'''Περιοχή Μελέτης:''' Οι τρεις περιοχές της Αρκτικής που επιλέχθηκαν, είναι η ακτή του Drew Point στην Αλάσκα, η ακτή του Nutepel'men στη χερσόνησο Chukchi της Ανατολικής Σιβηρίας και η ακτή Ozero Mogotoyevo επίσης στην Ανατολική Σιβηρία.

Το Drew Point βρίσκεται παράκτια της Θάλασσας Beaufort και καλύπτεται από μεγάλο αριθμό λιμνών διαφορετικών μεγεθών που παγώνουν το χειμώνα και αποψύχονται το καλοκαίρι. Η παράκτια πλαγιά του Drew Point φτάνει σε υψόμετρο 3-4m και αποτελείται από οριοθετημένα σε σφήνα πάγου μπλοκ λεπτόκοκκων ιζημάτων τα οποία συγκολλούνται από το μόνιμο παχύ πάγο, καλυπτόμενα από ένα λεπτό οργανικό στρώμα.

Το Nutepel'men βρίσκεται στη βόρεια ακτή της χερσονήσου Chukchi στη Θάλασσα Chukchi. Η περιοχή μελέτης περιλαμβάνει τον κόλπο Kolyuchin μαζί με τις ακτές στις δύο πλευρές του. Ο κόλπος έχει βάθος 7-14m, καλύπτεται με πάγο το μεγαλύτερο μέρος του έτους και οι ποταμοί Ioniveyem και Ulyuveyem εκβάλουν στον κόλπο από νότια κατεύθυνση. Η παράκτια περιοχή του κόλπου Kolyuchin εκτείνεται σε περίπου 100km.

Η Ozero Mogotoyevo βρίσκεται στο βόρειο άκρο της πεδιάδας Yana-Indigirka. Η συγκεκριμένη περιοχή συνορεύει με τον κόλπο Khroma στα δυτικά και τον ποταμό Indigirka στα ανατολικά, ο οποίος διαρρέει στη θάλασσα της Ανατολικής Σιβηρίας. Οι πεδινές ακτές καλύπτονται από βρύα και θάμνους τούνδρα.

'''Μεθοδολογία:''' Τα δεδομένα που χρησιμοποιήθηκαν στην παρούσα μελέτη αποκτήθηκαν από δορυφόρους: Landsat (16 εικόνες), ERS-1 (2 εικόνες) και Gaofen-1 (1 εικόνα). Επίσης έγινε ανάλυση δεδομένων από το Ευρωπαϊκό Κέντρο Προγνώσεων Καιρού Μεσαίου Εύρους (ECMWF) και από το Εθνικό Κέντρο Δεδομένων Χιονιού και Πάγου (NSIDC) αναφορικά με τα δεδομένα κάλυψης του πάγου της θάλασσας (Πίνακας 1).

[[Εικόνα: NT1_p1.jpg|thumb|right|'''Πίνακας 1.:''' Χρονολογίες και περιοχές των τηλεπισκοπικών δεδομένων που χρησιμοποιήθηκαν στη μελέτη.]]

Οι δορυφορικές εικόνες επιλέχθηκε να προέρχονται από το διάστημα Ιουνίου-Σεπτεμβρίου, για να αποφευχθεί η χιονοκάλυψη και να πραγματοποιηθεί εξαγωγή της ακτογραμμής. Τα δεδομένα της SST και του SWH, προέρχονται από το ECMWF της ERA. Στις εικόνες LANDSAT έγινε ορθοδιόρθωση και έπειτα οι εικόνες του ERS-1 και του Gaofen-1 υπέστησαν γεωμετρική διόρθωση με βάση τις εικόνες LANDSAT. Η ακρίβεια της γεωμετρικής διόρθωσης υπολογίζεται ότι είναι μικρότερη από 2 pixels. Αρχικά, οι έγχρωμες εικόνες RGB αναλύθηκαν χρησιμοποιώντας το κανάλι 6(R), το κανάλι 5(G) και το κανάλι 4(Β) των Landsat 1-2-4˙ έπειτα το κανάλι 3(R), το κανάλι 2(G) και το κανάλι 1(Β) των Landsat 5-7˙ το κανάλι 4(R), το κανάλι 3(G), το κανάλι 2(Β) του Landsat 8 και τέλος, το κανάλι 3(R), το κανάλι 2(G) και το κανάλι 1(Β) του Gaofen-1. Στη συνέχεια προέκυψε η γραμμή του ισάλου με φωτοερμηνεία και με βάση την κατάτμηση φασματικών χαρακτηριστικών από τις έγχρωμες εικόνες RGB σε λογισμικό GIS. Η γραμμή του ισάλου ψηφιοποιήθηκε χειροκίνητα στην οθόνη με ζουμ σε κλίμακα 1:5000 και σφάλμα μικρότερο του 0,5pixel.

Οι γραμμές του ισάλου κάθε εξεταζόμενης περιόδου εξήχθησαν από εικόνες τηλεπισκόπησης. Στη συνέχεια, το όριο της θάλασσας για το 2017, ορίστηκε ως γραμμή βάσης και απεικονίζεται με κόκκινη γραμμή στην Εικόνα 1. Έπειτα η μαύρη γραμμή (Εικόνα 1), σχεδιάστηκε σε κατακόρυφη διεύθυνση κατά μήκος της γραμμής βάσης. Έτσι ορίστηκαν τα σημεία τομής P1-P5 (Εικόνα 1) της κανονικής γραμμής και καθορίστηκαν οι γραμμές ισάλου κάθε περιόδου. Τελικά, οι παράκτιες μεταβολές προέκυψαν με μέτρηση του μήκους μεταξύ των σημείων τομής.

Τα παράκτια δεδομένα για το Drew Point (Εικόνα 2) εξήχθησαν από 8 δορυφορικές εικόνες που καταγράφηκαν τα έτη 1974, 1985, 1992, 2001, 2009 και 2017 και οι 6 τοποθεσίες που απεικονίζονται με πράσινες κουκκίδες (Εικόνα 2), επιλέχθηκαν για την εξέταση των παράκτιων αλλαγών σ’ αυτό το διάστημα. Προκύπτει ότι από το 1974 έως το 2017, η διάβρωση της ακτής στις τοποθεσίες του Drew Point ήταν εκτεταμένη, κυμαινόμενη από 497,7m έως 2909,1m, με μέσο όρο 1648,5m. Για την ίδια χρονική περίοδο, ο ρυθμός διάβρωσης των ακτών στο Drew Point κυμάνθηκε από 11,6m σε 67,7m, με μέσο ρυθμό διάβρωσης μεγαλύτερο των 50m/έτος τις περιόδους 1985-1992 και 2001-2009.

[[Εικόνα: NT1_e1.jpg|thumb|right|'''Εικόνα 1.:''' Χάρτης απεικόνισης των αλλαγών της γραμμής ισάλου μέσα στα χρόνια (Η μαύρη γραμμή αντιπροσωπεύει την κανονική γραμμή για το 2017).]]

Τα δεδομένα της SST της περιοχής μελέτης συλλέχθηκαν από σημεία πλησίον της ακτογραμμής και ο μέσος όρος της SST προέκυψε από μέτρηση της μέσης θερμοκρασίας κάθε 6 ώρες μέσα στον Αύγουστο μεταξύ των ετών 1979-2017. Τα δεδομένα του SWH επίσης δέχθηκαν επεξεργασία με τον ίδιο τρόπο. Τα δεδομένα κάλυψης πάγου ελήφθησαν από την πλησιέστερη περιθωριακή θάλασσα για την περίοδο 1979-2017. Για το Drew Point χρησιμοποιήθηκαν τα δεδομένα κάλυψης πάγου της Θάλασσας Beaufort, για το Nutepel’men της Θάλασσας Chukchi, και τέλος για το Ozero Mogotoyevo, της Θάλασσας της Ανατολικής Σιβηρίας.

'''Αποτελέσματα:'''

''Drew Point''

Τα παράκτια δεδομένα για το Drew Point (Εικόνα 2) εξήχθησαν από 8 δορυφορικές εικόνες που καταγράφηκαν τα έτη 1974, 1985, 1992, 2001, 2009 και 2017 και οι 6 τοποθεσίες που απεικονίζονται με πράσινες κουκκίδες (Εικόνα 2), επιλέχθηκαν για την εξέταση των παράκτιων αλλαγών σ’ αυτό το διάστημα. Προκύπτει ότι από το 1974 έως το 2017, η διάβρωση της ακτής στις τοποθεσίες του Drew Point ήταν εκτεταμένη, κυμαινόμενη από 497,7m έως 2909,1m, με μέσο όρο 1648,5m. Για την ίδια χρονική περίοδο, ο ρυθμός διάβρωσης των ακτών στο Drew Point κυμάνθηκε από 11,6m σε 67,7m, με μέσο ρυθμό διάβρωσης μεγαλύτερο των 50m/έτος τις περιόδους 1985-1992 και 2001-2009.

[[Εικόνα: NT1_e2.jpg|thumb|left|'''Εικόνα 2.:''' Η κόκκινη γραμμή είναι η γραμμή ισάλου, ενώ οι πράσινες κουκκίδες αντιπροσωπεύουν τα σημεία ενδιαφέροντος στο Drew Point (Λήψη εικόνας: 2017).]]

Τα διαχρονικά δεδομένα της μέσης SST, της Θάλασσας Beaufort κατά μήκος του Drew Point, δείχνουν ότι η μέση SST της Beaufort έχει προοδευτικά αυξηθεί με αργό ρυθμό από το 1979. Παρόμοιες τάσεις παρουσιάζονται και για το SWH. Αντίθετα, η κάλυψη του πάγου της θάλασσας έχει μειωθεί. Η μείωση της έκτασης που καλύπτει ο θαλάσσιος πάγος συνεπάγεται ότι η περιοχή χωρίς πάγο κατά μήκος της ακτογραμμής αυξήθηκε, προωθήθηκε η διάδοση των κυμάτων και αυξήθηκε το SWH, το οποίο με τη σειρά του ενέτεινε το ρυθμό διάβρωσης των ακτών.
Τα διαχρονικά δεδομένα που αφορούν τον Αύγουστο, δείχνουν ότι η SST και το SWH της Θάλασσας Beaufort έχουν συντελεστή συσχέτισης 0,68 και έτσι, η SST επιλέχθηκε για την αξιολόγηση των παράκτιων αλλαγών, όπου συγκεκριμένα για τη Θάλασσα Beaufort παρουσίασε μεγάλες διακυμάνσεις, από -2°C έως 5°C. Διαπιστώθηκε ότι για τις περιόδους 1992-2001 και 2009-2017, οι μέσες τιμές SST ήταν σχετικά υψηλές, φτάνοντας τους 2,37°C και 3,38°C αντίστοιχα. Οι διακυμάνσεις ήταν μικρές με τυπική απόκλιση 0,92 και 0,89 αντίστοιχα, ενώ ο ρυθμός διάβρωσης των ακτών ήταν σχετικά χαμηλός. Για τις περιόδους 1985-1992 και 2001-2009, οι μέσες SST ήταν σχετικά χαμηλές, με θερμοκρασίες 1,20°C και 1,01°C αντίστοιχα, αλλά οι αντίστοιχες διακυμάνσεις ήταν υψηλές, με τυπικές αποκλίσεις 2,08 και 1,63, ενώ υψηλός ήταν και ο ρυθμός διάβρωσης των ακτών, ξεπερνώντας τα 50m/έτος.
Από τη στιγμή που οι παράκτιες SST ήταν σχετικά υψηλές, ο ρυθμός διάβρωσής των ακτών, αντί να σχετίζεται με τη μέση SST, σχετίζεται με τις διακυμάνσεις της SST, οι οποίες εντείνουν σημαντικά τη διάβρωση των ακτών. Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν -0,48, ο συντελεστής μεταξύ του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,55 και τέλος, ο συντελεστής μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης της SST ήταν 0,87, υποδεικνύοντας ότι η διάβρωση στο Drew Point σχετίζεται κυρίως με τις διακυμάνσεις της SST, με τη συγκεκριμένη συσχέτιση όμως να επιδέχεται και αμφισβήτησης με βάση τα δεδομένα που χρησιμοποιήθηκαν.

''Nutepel’men''

Τα δεδομένα για την ακτή Nutepel’men, εξήχθησαν από δορυφορικές εικόνες που συλλέχθηκαν τα έτη 1975, 1995, 2002, 2009 και 2017 αντίστοιχα. Τα σημεία που απεικονίζονται στην Εικόνα 3 με κίτρινα αστέρια, επιλέχθηκαν για να αξιολογηθούν οι παράκτιες αλλαγές που συνέβησαν σε διάστημα 42 ετών. Η παράκτια διάβρωση στα σημεία ES1 και ES3 (Εικόνα 3), που βρίσκονται κατά μήκος της ακτογραμμής εκβολής των ποταμών, ήταν σχετικά υψηλή την περίοδο 1975-2017, φτάνοντας τις τιμές των 437,8m και 1184,2m αντίστοιχα. Τα ποσοστά των αντίστοιχων ετήσιων μέσων όρων ήταν 10,4m/έτος και 28,2m/έτος, με τις δύο περιοχές να παρουσιάζουν επιταχυνόμενη τάση διάβρωσης των ακτών τους.

[[Εικόνα: NT1_e3.jpg|thumb|left|'''Εικόνα 3.:''' Η κόκκινη γραμμή απεικονίζει την ακτογραμμή όπως εξήχθη από δορυφορικά δεδομένα και τα κίτρινα αστέρια τα σημεία ενδιαφέροντος (Λήψη εικόνας: 1995).]]

Στα περισσότερα σημεία μελέτης της ακτογραμμής Nutepel’men δεν παρατηρήθηκε διάβρωση, με εξαίρεση τα σημεία που βρίσκονται κατά μήκος των ακτών εκβολής, όπου σημειώθηκε αργός ρυθμός διάβρωσης από το 1975 έως το 2002, όταν και επιταχύνθηκε από 4,8m/έτος σε 14,6m/έτος.

Τα διαχρονικά δεδομένα δείχνουν ότι τον Αύγουστο, η SST της γειτονικής Θάλασσας Chukchi κυμάνθηκε μεταξύ 5°C και 8°C, παρουσιάζοντας αργή αύξηση. Ομοίως, το SWH επίσης αυξήθηκε με αργό ρυθμό, ενώ η κάλυψη του θαλάσσιου πάγου μειώθηκε γρήγορα. Την περίοδο 1975-1995, η μέση κάλυψη πάγου της Θάλασσας Chukchi ήταν 316.000 km2, όμως την περίοδο 2009-2017, μειώθηκε στα 84.000 km2 (-75% περίπου). Οι SST ήταν σχετικά υψηλές σ’ αυτή την περιοχή τον Αύγουστο, κατ’ επέκταση δε σημειώθηκε ψύξη και δεν παρατηρήθηκαν έντονες διαχρονικές διακυμάνσεις. Επομένως, το δυναμικό θαλάσσιο περιβάλλον δεν άλλαξε σημαντικά, η παράκτια διάβρωση ήταν μικρή και σημαντικές αλλαγές σημειώθηκαν μόνο κατά μήκος των ακτών των εκβολών των ποταμών.

Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν 0,46, ο συσχετισμός του συντελεστή μεταξύ του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,38 και ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης SST ήταν -0,49. Επομένως προέκυψε ότι η διάβρωση των ακτών δε σχετίζεται σημαντικά με την SST, αλλά μπορεί και να υπεισέλθει αμφιβολία στην αξιοπιστία αυτής της συσχέτισης.

''Ozero Mogotoyevo''

Τα παράκτια δεδομένα για την Ozero Mogotoyevo εξήχθησαν από 5 δορυφορικές εικόνες που συλλέχθηκαν τα έτη 1992, 1993, 2000, 2009 και 2017 αντίστοιχα. Επιλέχθηκαν τα πέντε σημεία που αντιπροσωπεύονται με μαύρα τρίγωνα στην Εικόνα 4, για να αναλυθούν οι παράκτιες αλλαγές που συνέβησαν σε διάστημα 25 ετών. Έτσι προέκυψε ότι για την περίοδο 1992-2017, η διάβρωση των ακτών στα σημεία μελέτης της Ozero Mogotoyevo κυμάνθηκε από 133,3m έως 709,4m, με μέσο όρο τα 309,8m. Ο ρυθμός διάβρωσης κυμάνθηκε από 5,3m έως 28,4m, με μέσο ρυθμό 12,4m/έτος. Το μέγεθος της παράκτιας διάβρωσης στα δυτικά, δηλαδή στα σημεία WS1 και WS2, ήταν σημαντικά μεγαλύτερο και με μεγαλύτερο ρυθμό διάβρωσης από αυτό στην ανατολική πλευρά, δηλαδή στα σημεία WS3, WS4 και WS5. Για το σημείο WS2, τα ποσοστά διάβρωσης των ακτών ήταν παρεμφερή στις τρεις περιόδους μελέτης, με την τάση επιτάχυνσης της διάβρωσης των ακτών να είναι εμφανής στα σημεία WS1, WS3 και WS5.

[[Εικόνα: NT1_e4.jpg|thumb|left|'''Εικόνα 4.:''' Η κόκκινη γραμμή προέκυψε από δορυφορικά δεδομένα και τα μαύρα τρίγωνα απεικονίζουν τα σημεία ενδιαφέροντος (Λήψη εικόνας: 2000).]]

Τα διαχρονικά στοιχεία Αυγούστου για την περίοδο 1979-2017 έδειξαν ότι ο μέσος όρος της SST για την Ozero Mogotoyevo παρουσίασε πτωτική τάση την περίοδο 1991-2002, ήταν σχετικά σταθερός την περίοδο 2002-2009 και είχε ανοδική τάση την περίοδο 2009-2017. Στην ίδια περίοδο, το SWH παρουσίασε ανοδική τάση, ενώ η κάλυψη του θαλάσσιου πάγου παρουσίασε πτωτική τάση.

Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν 0,36, ο συσχετισμός του συντελεστή του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,98 και ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης της SST ήταν -0,90. Προέκυψε επομένως ότι η παράκτια διάβρωση σχετίζεται σημαντικά με το ρυθμό μεταβολής της SST, αλλά η αξιοπιστία αυτής της συσχέτισης δεν μπορεί να θεωρηθεί και απόλυτα ορθή εξαιτίας της έλλειψης δεδομένων.

'''Συμπεράσματα:''' Στο Drew Point της Αλάσκας, η παράκτια διάβρωση ήταν σχετικά μεγάλη (497,7-2909,1m) και την περίοδο 1974-2017, η μέση διάβρωση υπολογίστηκε σε 1648,5m με ρυθμό διάβρωσης 11,6-67,7m/έτος. Στο Nutepel’men, παράκτια διάβρωση παρατηρήθηκε κατά μήκος των ακτών των εκβολών των ποταμών την περίοδο 1992-2017 και δε σημειώθηκε σημαντική διάβρωση σε άλλα σημεία. Στην Ozero Mogotoyevo, η διάβρωση της ακτής κυμάνθηκε από 133,3m έως 709,4m για την περίοδο 1992-2017, με μέση διάβρωση 309,8m και ρυθμό διάβρωσης 5,3-28,4m/έτος.

Η συγκριτική ανάλυση έδειξε ότι η μεγαλύτερη διάβρωση σημειώθηκε κατά μήκος της ακτής της Αλάσκας, ακολουθούμενη από αυτές των ακτών της ανατολικής Σιβηρίας. Διαπιστώθηκε ότι στην Αλάσκα, η διάβρωση της ακτής σχετιζόταν στενά με την SST και απεδείχθη επίσης, ότι οι διακυμάνσεις της SST μπορούν να επιταχύνουν σημαντικά τη διάβρωση των ακτών. Με εξαίρεση τα σημεία εκβολών των ποταμών, τα παράκτια ύδατα στο Nutepel’men, δεν παρουσίασαν σημαντικές μεταβολές το διάστημα 1975-2017. Το συμπέρασμα αυτό βασίζεται σε διαχρονικά στοιχεία που δείχνουν μικρές διακυμάνσεις της μέσης SST μέσα στα χρόνια για την περιοχή, κατά το μήνα Αύγουστο. Έτσι, η διάβρωση των ακτών σε αυτή την περιοχή ήταν πολύ μικρή και οι αλλαγές σημειώθηκαν μόνο κατά μήκος των εκβολών των ποταμών ως αποτέλεσμα των συνδυασμένων δράσεων των ποταμών και των θαλάσσιων διεργασιών. Η παράκτια διάβρωση στην Ozero Mogotoyevo σχετίζεται με την αυξητική ή τη μειωτική τάση της SST. Η πτωτική τάση αποδείχθηκε ότι σχετιζόταν με τους ρυθμούς χαμηλής διάβρωσης, ενώ η αυξητική τάση σχετιζόταν με την αύξηση των ποσοστών διάβρωσης των ακτών. Επομένως, προκύπτει ότι η διάβρωση των ακτών σε παρόμοια γεωγραφικά πλάτη στην Αρκτική είναι στενά συνδεδεμένη με την τάση για διακύμανση της επιφανειακής θερμοκρασίας της θάλασσας. Γενικά σε ολόκληρη την Αρκτική, οι έντονες διακυμάνσεις της SST, η συνεχής αύξηση του SWH και η μείωση της κάλυψης του θαλάσσιου πάγου προκάλεσαν δραστικές αλλαγές στον παράκτιο πάγο, συντελώντας στη διάβρωση των ακτών.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Ανάλυση της Διάβρωσης μέσω Τηλεπισκόπησης σε Παράκτιες Περιοχές της Αλάσκας και της Ανατολικής Σιβηρίας

2023-02-08T15:06:43Z

Natalia tsigarda: Νέα σελίδα με ''''Αντικείμενο εφαρμογής:''' Διάβρωση των παράκτιων ακτογραμμών '''Πρωτότυπος τίτλος:''' “Remote Sens...'

'''Αντικείμενο εφαρμογής:''' Διάβρωση των παράκτιων ακτογραμμών

'''Πρωτότυπος τίτλος:''' “Remote Sensing Analysis of Erosion in Arctic Coastal Areas of Alaska and Eastern Siberia”

'''Συγγραφείς:''' Juan Wang, Dongling Li, Wenting Cao, Xiulin Lou, Aiqin Shi, Huaguo Zhang

'''Πηγή:''' Wang, J.; Li, D.; Cao, W.; Lou, X.; Shi, A.; Zhang, H. Remote Sensing Analysis of Erosion in Arctic Coastal Areas of Alaska and Eastern Siberia. Remote Sens. 2022, 14, 589. https://doi.org/10.3390/rs14030589 [https://www.mdpi.com/2072-4292/14/3/589]

'''Περίληψη:''' Στην παρούσα μελέτη διενεργήθηκε με τηλεπισκόπηση, ανάλυση της παράκτιας διάβρωσης για τρεις περιοχές, με δεδομένα που συλλέχθηκαν μεταξύ των ετών 1974 και 2017. Οι συγκριτικές μελέτες διεξήχθησαν με σκοπό τον υπολογισμό της διαφοράς διάβρωσης των ακτών σε περιοχές με διαφορετικά γεωγραφικά πλάτη. Διαπιστώθηκε ότι η πιο εκτεταμένη διάβρωση σημειώθηκε κατά μήκος της ακτής της Αλάσκα, ακολουθούμενη από αυτή των ακτών της Ανατολικής Σιβηρίας. Με βάση την ανάλυση των ιστορικών δεδομένων της χιονόπτωσης, του πάγου και των κλιματικών μεταβολών, προέκυψε ότι σε παρόμοια γεωγραφικά πλάτη, η διάβρωση των ακτών της Αρκτικής σχετίζεται στενά με την τάση και τις διακυμάνσεις της Θερμοκρασίας της Επιφάνειας της Θάλασσας (SST). Συγκεκριμένα, διαπιστώθηκε ότι στην Αλάσκα, η παράκτια διάβρωση σχετίζεται στενά με τη διακύμανση της SST, ενώ στην Ανατολική Σιβηρία, σχετίζεται με την αυξητική ή πτωτική τάση της SST. Η πτωτική τάση συνδέεται με χαμηλό ρυθμό διάβρωσης των ακτών, ενώ η αυξητική τάση με επιταχυνόμενη τάση διάβρωσης των ακτών. Για την Αρκτική, οι έντονες διακυμάνσεις της SST, η συνεχής μείωση του πάγου της θάλασσας και η αύξηση του Σημαντικού Ύψους των Κυμάτων (SHW), είναι κρίσιμοι παράγοντες που προκαλούν παράκτια διάβρωση.

'''Λέξεις κλειδιά:''' Αρκτική, διάβρωση ακτής, τηλεπισκοπική ανάλυση, παράκτια ζώνη

'''Εισαγωγή:''' Η Αρκτική περιλαμβάνει τον καλυμμένο με πάγο Αρκτικό Ωκεανό, διαθέτοντας μια περίπλοκη ακτογραμμή, η οποία χαρακτηρίζεται από απότομους βράχους, φιόρδ, εκδορές, πεδιάδες και σχηματισμούς δέλτα. Οι ακτές της Αρκτικής διαφέρουν από τις ακτές χαμηλότερου γεωγραφικού πλάτους, διότι καλύπτονται από χιόνι και πάγο, με τις επιφανειακές θερμοκρασίες στην Αρκτική να έχουν αυξηθεί πάνω από δύο φορές ταχύτερα από τον παγκόσμιο μέσο όρο τις τελευταίες δύο δεκαετίες. Αυτή η εξέλιξη οδηγεί τον πάγο σε ραγδαία υποχώρηση, αυξάνοντας την πιθανότητα μελλοντικά ο Αρκτικός Ωκεανός να μείνει χωρίς πάγο∙ παράλληλα, έχουν υποστεί συνεχή διάβρωση, η οποία προκαλείται από τη δράση της υπερθέρμανσης του πλανήτη και παραγόντων όπως η αύξηση της τήξης των πάγων, η θερμική διάβρωση και η άνοδος της στάθμης της θάλασσας.
Ο μέσος ρυθμός διάβρωσης των ακτών στην Αρκτική είναι 0,2m/έτος, παρουσιάζοντας τάση επιτάχυνσης την περασμένη δεκαετία. Τη χρονική περίοδο 1950-2000, ο μέσος ρυθμός διάβρωσης των ακτών της Αρκτικής ήταν 0,5m/έτος, με σημαντική όμως διακύμανση μεταξύ διαφορετικών περιοχών της. Τα ιστορικά υψηλότερα ποσοστά διάβρωσης ήταν κατά μήκος της Θάλασσας Beaufort (1,1m/έτος) και της Θάλασσας της Ανατολικής Σιβηρίας (0,9m/έτος). Σε πολλές μελέτες χρησιμοποιήθηκαν αεροφωτογραφίες, δορυφορικές εικόνες και τοπογραφικοί χάρτες για την παρακολούθηση μακροπρόθεσμων αλλαγών της διάβρωσης των ακτών της Αρκτικής, λαμβάνοντας υπόψιν δεδομένα όπως ο πάγος, ο άνεμος, τα κύματα, οι καταιγίδες και τα ιζήματα. Για την παρούσα μελέτη, χρησιμοποιήθηκαν εικόνες που καλύπτουν το διάστημα 1974-2017, με στόχο την παρακολούθηση της διάβρωσης των ακτών, σε τρεις περιοχές της Αλάσκας και της Σιβηρίας, στις δύο πλευρές του Βερίγγειου Πορθμού.

'''Περιοχή Μελέτης:''' Οι τρεις περιοχές της Αρκτικής που επιλέχθηκαν, είναι η ακτή του Drew Point στην Αλάσκα, η ακτή του Nutepel'men στη χερσόνησο Chukchi της Ανατολικής Σιβηρίας και η ακτή Ozero Mogotoyevo επίσης στην Ανατολική Σιβηρία.

Το Drew Point βρίσκεται παράκτια της Θάλασσας Beaufort και καλύπτεται από μεγάλο αριθμό λιμνών διαφορετικών μεγεθών που παγώνουν το χειμώνα και αποψύχονται το καλοκαίρι. Η παράκτια πλαγιά του Drew Point φτάνει σε υψόμετρο 3-4m και αποτελείται από οριοθετημένα σε σφήνα πάγου μπλοκ λεπτόκοκκων ιζημάτων τα οποία συγκολλούνται από το μόνιμο παχύ πάγο, καλυπτόμενα από ένα λεπτό οργανικό στρώμα.

Το Nutepel'men βρίσκεται στη βόρεια ακτή της χερσονήσου Chukchi στη Θάλασσα Chukchi. Η περιοχή μελέτης περιλαμβάνει τον κόλπο Kolyuchin μαζί με τις ακτές στις δύο πλευρές του. Ο κόλπος έχει βάθος 7-14m, καλύπτεται με πάγο το μεγαλύτερο μέρος του έτους και οι ποταμοί Ioniveyem και Ulyuveyem εκβάλουν στον κόλπο από νότια κατεύθυνση. Η παράκτια περιοχή του κόλπου Kolyuchin εκτείνεται σε περίπου 100km.

Η Ozero Mogotoyevo βρίσκεται στο βόρειο άκρο της πεδιάδας Yana-Indigirka. Η συγκεκριμένη περιοχή συνορεύει με τον κόλπο Khroma στα δυτικά και τον ποταμό Indigirka στα ανατολικά, ο οποίος διαρρέει στη θάλασσα της Ανατολικής Σιβηρίας. Οι πεδινές ακτές καλύπτονται από βρύα και θάμνους τούνδρα.

'''Μεθοδολογία:''' Τα δεδομένα που χρησιμοποιήθηκαν στην παρούσα μελέτη αποκτήθηκαν από δορυφόρους: Landsat (16 εικόνες), ERS-1 (2 εικόνες) και Gaofen-1 (1 εικόνα). Επίσης έγινε ανάλυση δεδομένων από το Ευρωπαϊκό Κέντρο Προγνώσεων Καιρού Μεσαίου Εύρους (ECMWF) και από το Εθνικό Κέντρο Δεδομένων Χιονιού και Πάγου (NSIDC) αναφορικά με τα δεδομένα κάλυψης του πάγου της θάλασσας (Πίνακας 1).

[[Εικόνα: NT1_p1.jpg|thumb|right|'''Πίνακας 1.:''' Χρονολογίες και περιοχές των τηλεπισκοπικών δεδομένων που χρησιμοποιήθηκαν στη μελέτη.]]

Οι δορυφορικές εικόνες επιλέχθηκε να προέρχονται από το διάστημα Ιουνίου-Σεπτεμβρίου, για να αποφευχθεί η χιονοκάλυψη και να πραγματοποιηθεί εξαγωγή της ακτογραμμής. Τα δεδομένα της SST και του SWH, προέρχονται από το ECMWF της ERA. Στις εικόνες LANDSAT έγινε ορθοδιόρθωση και έπειτα οι εικόνες του ERS-1 και του Gaofen-1 υπέστησαν γεωμετρική διόρθωση με βάση τις εικόνες LANDSAT. Η ακρίβεια της γεωμετρικής διόρθωσης υπολογίζεται ότι είναι μικρότερη από 2 pixels. Αρχικά, οι έγχρωμες εικόνες RGB αναλύθηκαν χρησιμοποιώντας το κανάλι 6(R), το κανάλι 5(G) και το κανάλι 4(Β) των Landsat 1-2-4˙ έπειτα το κανάλι 3(R), το κανάλι 2(G) και το κανάλι 1(Β) των Landsat 5-7˙ το κανάλι 4(R), το κανάλι 3(G), το κανάλι 2(Β) του Landsat 8 και τέλος, το κανάλι 3(R), το κανάλι 2(G) και το κανάλι 1(Β) του Gaofen-1. Στη συνέχεια προέκυψε η γραμμή του ισάλου με φωτοερμηνεία και με βάση την κατάτμηση φασματικών χαρακτηριστικών από τις έγχρωμες εικόνες RGB σε λογισμικό GIS. Η γραμμή του ισάλου ψηφιοποιήθηκε χειροκίνητα στην οθόνη με ζουμ σε κλίμακα 1:5000 και σφάλμα μικρότερο του 0,5pixel.

Οι γραμμές του ισάλου κάθε εξεταζόμενης περιόδου εξήχθησαν από εικόνες τηλεπισκόπησης. Στη συνέχεια, το όριο της θάλασσας για το 2017, ορίστηκε ως γραμμή βάσης και απεικονίζεται με κόκκινη γραμμή στην Εικόνα 1. Έπειτα η μαύρη γραμμή (Εικόνα 1), σχεδιάστηκε σε κατακόρυφη διεύθυνση κατά μήκος της γραμμής βάσης. Έτσι ορίστηκαν τα σημεία τομής P1-P5 (Εικόνα 1) της κανονικής γραμμής και καθορίστηκαν οι γραμμές ισάλου κάθε περιόδου. Τελικά, οι παράκτιες μεταβολές προέκυψαν με μέτρηση του μήκους μεταξύ των σημείων τομής.

Τα παράκτια δεδομένα για το Drew Point (Εικόνα 2) εξήχθησαν από 8 δορυφορικές εικόνες που καταγράφηκαν τα έτη 1974, 1985, 1992, 2001, 2009 και 2017 και οι 6 τοποθεσίες που απεικονίζονται με πράσινες κουκκίδες (Εικόνα 2), επιλέχθηκαν για την εξέταση των παράκτιων αλλαγών σ’ αυτό το διάστημα. Προκύπτει ότι από το 1974 έως το 2017, η διάβρωση της ακτής στις τοποθεσίες του Drew Point ήταν εκτεταμένη, κυμαινόμενη από 497,7m έως 2909,1m, με μέσο όρο 1648,5m. Για την ίδια χρονική περίοδο, ο ρυθμός διάβρωσης των ακτών στο Drew Point κυμάνθηκε από 11,6m σε 67,7m, με μέσο ρυθμό διάβρωσης μεγαλύτερο των 50m/έτος τις περιόδους 1985-1992 και 2001-2009.

[[Εικόνα: NT1_e1.jpg|thumb|right|'''Εικόνα 1.:''' Χάρτης απεικόνισης των αλλαγών της γραμμής ισάλου μέσα στα χρόνια (Η μαύρη γραμμή αντιπροσωπεύει την κανονική γραμμή για το 2017).]]

Τα δεδομένα της SST της περιοχής μελέτης συλλέχθηκαν από σημεία πλησίον της ακτογραμμής και ο μέσος όρος της SST προέκυψε από μέτρηση της μέσης θερμοκρασίας κάθε 6 ώρες μέσα στον Αύγουστο μεταξύ των ετών 1979-2017. Τα δεδομένα του SWH επίσης δέχθηκαν επεξεργασία με τον ίδιο τρόπο. Τα δεδομένα κάλυψης πάγου ελήφθησαν από την πλησιέστερη περιθωριακή θάλασσα για την περίοδο 1979-2017. Για το Drew Point χρησιμοποιήθηκαν τα δεδομένα κάλυψης πάγου της Θάλασσας Beaufort, για το Nutepel’men της Θάλασσας Chukchi, και τέλος για το Ozero Mogotoyevo, της Θάλασσας της Ανατολικής Σιβηρίας.

'''Αποτελέσματα:'''

''Drew Point''

Τα παράκτια δεδομένα για το Drew Point (Εικόνα 2) εξήχθησαν από 8 δορυφορικές εικόνες που καταγράφηκαν τα έτη 1974, 1985, 1992, 2001, 2009 και 2017 και οι 6 τοποθεσίες που απεικονίζονται με πράσινες κουκκίδες (Εικόνα 2), επιλέχθηκαν για την εξέταση των παράκτιων αλλαγών σ’ αυτό το διάστημα. Προκύπτει ότι από το 1974 έως το 2017, η διάβρωση της ακτής στις τοποθεσίες του Drew Point ήταν εκτεταμένη, κυμαινόμενη από 497,7m έως 2909,1m, με μέσο όρο 1648,5m. Για την ίδια χρονική περίοδο, ο ρυθμός διάβρωσης των ακτών στο Drew Point κυμάνθηκε από 11,6m σε 67,7m, με μέσο ρυθμό διάβρωσης μεγαλύτερο των 50m/έτος τις περιόδους 1985-1992 και 2001-2009.

[[Εικόνα: NT1_e2.jpg|thumb|center|'''Εικόνα 2.:''' Η κόκκινη γραμμή είναι η γραμμή ισάλου, ενώ οι πράσινες κουκκίδες αντιπροσωπεύουν τα σημεία ενδιαφέροντος στο Drew Point (Λήψη εικόνας: 2017).]]

Τα διαχρονικά δεδομένα της μέσης SST, της Θάλασσας Beaufort κατά μήκος του Drew Point, δείχνουν ότι η μέση SST της Beaufort έχει προοδευτικά αυξηθεί με αργό ρυθμό από το 1979. Παρόμοιες τάσεις παρουσιάζονται και για το SWH. Αντίθετα, η κάλυψη του πάγου της θάλασσας έχει μειωθεί. Η μείωση της έκτασης που καλύπτει ο θαλάσσιος πάγος συνεπάγεται ότι η περιοχή χωρίς πάγο κατά μήκος της ακτογραμμής αυξήθηκε, προωθήθηκε η διάδοση των κυμάτων και αυξήθηκε το SWH, το οποίο με τη σειρά του ενέτεινε το ρυθμό διάβρωσης των ακτών.
Τα διαχρονικά δεδομένα που αφορούν τον Αύγουστο, δείχνουν ότι η SST και το SWH της Θάλασσας Beaufort έχουν συντελεστή συσχέτισης 0,68 και έτσι, η SST επιλέχθηκε για την αξιολόγηση των παράκτιων αλλαγών, όπου συγκεκριμένα για τη Θάλασσα Beaufort παρουσίασε μεγάλες διακυμάνσεις, από -2°C έως 5°C. Διαπιστώθηκε ότι για τις περιόδους 1992-2001 και 2009-2017, οι μέσες τιμές SST ήταν σχετικά υψηλές, φτάνοντας τους 2,37°C και 3,38°C αντίστοιχα. Οι διακυμάνσεις ήταν μικρές με τυπική απόκλιση 0,92 και 0,89 αντίστοιχα, ενώ ο ρυθμός διάβρωσης των ακτών ήταν σχετικά χαμηλός. Για τις περιόδους 1985-1992 και 2001-2009, οι μέσες SST ήταν σχετικά χαμηλές, με θερμοκρασίες 1,20°C και 1,01°C αντίστοιχα, αλλά οι αντίστοιχες διακυμάνσεις ήταν υψηλές, με τυπικές αποκλίσεις 2,08 και 1,63, ενώ υψηλός ήταν και ο ρυθμός διάβρωσης των ακτών, ξεπερνώντας τα 50m/έτος.
Από τη στιγμή που οι παράκτιες SST ήταν σχετικά υψηλές, ο ρυθμός διάβρωσής των ακτών, αντί να σχετίζεται με τη μέση SST, σχετίζεται με τις διακυμάνσεις της SST, οι οποίες εντείνουν σημαντικά τη διάβρωση των ακτών. Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν -0,48, ο συντελεστής μεταξύ του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,55 και τέλος, ο συντελεστής μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης της SST ήταν 0,87, υποδεικνύοντας ότι η διάβρωση στο Drew Point σχετίζεται κυρίως με τις διακυμάνσεις της SST, με τη συγκεκριμένη συσχέτιση όμως να επιδέχεται και αμφισβήτησης με βάση τα δεδομένα που χρησιμοποιήθηκαν.

''Nutepel’men''

Τα δεδομένα για την ακτή Nutepel’men, εξήχθησαν από δορυφορικές εικόνες που συλλέχθηκαν τα έτη 1975, 1995, 2002, 2009 και 2017 αντίστοιχα. Τα σημεία που απεικονίζονται στην Εικόνα 3 με κίτρινα αστέρια, επιλέχθηκαν για να αξιολογηθούν οι παράκτιες αλλαγές που συνέβησαν σε διάστημα 42 ετών. Η παράκτια διάβρωση στα σημεία ES1 και ES3 (Εικόνα 3), που βρίσκονται κατά μήκος της ακτογραμμής εκβολής των ποταμών, ήταν σχετικά υψηλή την περίοδο 1975-2017, φτάνοντας τις τιμές των 437,8m και 1184,2m αντίστοιχα. Τα ποσοστά των αντίστοιχων ετήσιων μέσων όρων ήταν 10,4m/έτος και 28,2m/έτος, με τις δύο περιοχές να παρουσιάζουν επιταχυνόμενη τάση διάβρωσης των ακτών τους.

[[Εικόνα: NT1_e3.jpg|thumb|left|'''Εικόνα 3.:''' Η κόκκινη γραμμή απεικονίζει την ακτογραμμή όπως εξήχθη από δορυφορικά δεδομένα και τα κίτρινα αστέρια τα σημεία ενδιαφέροντος (Λήψη εικόνας: 1995).]]

Στα περισσότερα σημεία μελέτης της ακτογραμμής Nutepel’men δεν παρατηρήθηκε διάβρωση, με εξαίρεση τα σημεία που βρίσκονται κατά μήκος των ακτών εκβολής, όπου σημειώθηκε αργός ρυθμός διάβρωσης από το 1975 έως το 2002, όταν και επιταχύνθηκε από 4,8m/έτος σε 14,6m/έτος.

Τα διαχρονικά δεδομένα δείχνουν ότι τον Αύγουστο, η SST της γειτονικής Θάλασσας Chukchi κυμάνθηκε μεταξύ 5°C και 8°C, παρουσιάζοντας αργή αύξηση. Ομοίως, το SWH επίσης αυξήθηκε με αργό ρυθμό, ενώ η κάλυψη του θαλάσσιου πάγου μειώθηκε γρήγορα. Την περίοδο 1975-1995, η μέση κάλυψη πάγου της Θάλασσας Chukchi ήταν 316.000 km2, όμως την περίοδο 2009-2017, μειώθηκε στα 84.000 km2 (-75% περίπου). Οι SST ήταν σχετικά υψηλές σ’ αυτή την περιοχή τον Αύγουστο, κατ’ επέκταση δε σημειώθηκε ψύξη και δεν παρατηρήθηκαν έντονες διαχρονικές διακυμάνσεις. Επομένως, το δυναμικό θαλάσσιο περιβάλλον δεν άλλαξε σημαντικά, η παράκτια διάβρωση ήταν μικρή και σημαντικές αλλαγές σημειώθηκαν μόνο κατά μήκος των ακτών των εκβολών των ποταμών.

Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν 0,46, ο συσχετισμός του συντελεστή μεταξύ του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,38 και ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης SST ήταν -0,49. Επομένως προέκυψε ότι η διάβρωση των ακτών δε σχετίζεται σημαντικά με την SST, αλλά μπορεί και να υπεισέλθει αμφιβολία στην αξιοπιστία αυτής της συσχέτισης.

''Ozero Mogotoyevo''

Τα παράκτια δεδομένα για την Ozero Mogotoyevo εξήχθησαν από 5 δορυφορικές εικόνες που συλλέχθηκαν τα έτη 1992, 1993, 2000, 2009 και 2017 αντίστοιχα. Επιλέχθηκαν τα πέντε σημεία που αντιπροσωπεύονται με μαύρα τρίγωνα στην Εικόνα 4, για να αναλυθούν οι παράκτιες αλλαγές που συνέβησαν σε διάστημα 25 ετών. Έτσι προέκυψε ότι για την περίοδο 1992-2017, η διάβρωση των ακτών στα σημεία μελέτης της Ozero Mogotoyevo κυμάνθηκε από 133,3m έως 709,4m, με μέσο όρο τα 309,8m. Ο ρυθμός διάβρωσης κυμάνθηκε από 5,3m έως 28,4m, με μέσο ρυθμό 12,4m/έτος. Το μέγεθος της παράκτιας διάβρωσης στα δυτικά, δηλαδή στα σημεία WS1 και WS2, ήταν σημαντικά μεγαλύτερο και με μεγαλύτερο ρυθμό διάβρωσης από αυτό στην ανατολική πλευρά, δηλαδή στα σημεία WS3, WS4 και WS5. Για το σημείο WS2, τα ποσοστά διάβρωσης των ακτών ήταν παρεμφερή στις τρεις περιόδους μελέτης, με την τάση επιτάχυνσης της διάβρωσης των ακτών να είναι εμφανής στα σημεία WS1, WS3 και WS5.

[[Εικόνα: NT1_e4.jpg|thumb|left|'''Εικόνα 4.:''' Η κόκκινη γραμμή προέκυψε από δορυφορικά δεδομένα και τα μαύρα τρίγωνα απεικονίζουν τα σημεία ενδιαφέροντος (Λήψη εικόνας: 2000).]]

Τα διαχρονικά στοιχεία Αυγούστου για την περίοδο 1979-2017 έδειξαν ότι ο μέσος όρος της SST για την Ozero Mogotoyevo παρουσίασε πτωτική τάση την περίοδο 1991-2002, ήταν σχετικά σταθερός την περίοδο 2002-2009 και είχε ανοδική τάση την περίοδο 2009-2017. Στην ίδια περίοδο, το SWH παρουσίασε ανοδική τάση, ενώ η κάλυψη του θαλάσσιου πάγου παρουσίασε πτωτική τάση.

Ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και του μέσου όρου της SST ήταν 0,36, ο συσχετισμός του συντελεστή του ρυθμού διάβρωσης και του ρυθμού μεταβολής της SST ήταν 0,98 και ο συντελεστής συσχέτισης μεταξύ του ρυθμού διάβρωσης και της τυπικής απόκλισης της SST ήταν -0,90. Προέκυψε επομένως ότι η παράκτια διάβρωση σχετίζεται σημαντικά με το ρυθμό μεταβολής της SST, αλλά η αξιοπιστία αυτής της συσχέτισης δεν μπορεί να θεωρηθεί και απόλυτα ορθή εξαιτίας της έλλειψης δεδομένων.

'''Συμπεράσματα:''' Στο Drew Point της Αλάσκας, η παράκτια διάβρωση ήταν σχετικά μεγάλη (497,7-2909,1m) και την περίοδο 1974-2017, η μέση διάβρωση υπολογίστηκε σε 1648,5m με ρυθμό διάβρωσης 11,6-67,7m/έτος. Στο Nutepel’men, παράκτια διάβρωση παρατηρήθηκε κατά μήκος των ακτών των εκβολών των ποταμών την περίοδο 1992-2017 και δε σημειώθηκε σημαντική διάβρωση σε άλλα σημεία. Στην Ozero Mogotoyevo, η διάβρωση της ακτής κυμάνθηκε από 133,3m έως 709,4m για την περίοδο 1992-2017, με μέση διάβρωση 309,8m και ρυθμό διάβρωσης 5,3-28,4m/έτος.

Η συγκριτική ανάλυση έδειξε ότι η μεγαλύτερη διάβρωση σημειώθηκε κατά μήκος της ακτής της Αλάσκας, ακολουθούμενη από αυτές των ακτών της ανατολικής Σιβηρίας. Διαπιστώθηκε ότι στην Αλάσκα, η διάβρωση της ακτής σχετιζόταν στενά με την SST και απεδείχθη επίσης, ότι οι διακυμάνσεις της SST μπορούν να επιταχύνουν σημαντικά τη διάβρωση των ακτών. Με εξαίρεση τα σημεία εκβολών των ποταμών, τα παράκτια ύδατα στο Nutepel’men, δεν παρουσίασαν σημαντικές μεταβολές το διάστημα 1975-2017. Το συμπέρασμα αυτό βασίζεται σε διαχρονικά στοιχεία που δείχνουν μικρές διακυμάνσεις της μέσης SST μέσα στα χρόνια για την περιοχή, κατά το μήνα Αύγουστο. Έτσι, η διάβρωση των ακτών σε αυτή την περιοχή ήταν πολύ μικρή και οι αλλαγές σημειώθηκαν μόνο κατά μήκος των εκβολών των ποταμών ως αποτέλεσμα των συνδυασμένων δράσεων των ποταμών και των θαλάσσιων διεργασιών. Η παράκτια διάβρωση στην Ozero Mogotoyevo σχετίζεται με την αυξητική ή τη μειωτική τάση της SST. Η πτωτική τάση αποδείχθηκε ότι σχετιζόταν με τους ρυθμούς χαμηλής διάβρωσης, ενώ η αυξητική τάση σχετιζόταν με την αύξηση των ποσοστών διάβρωσης των ακτών. Επομένως, προκύπτει ότι η διάβρωση των ακτών σε παρόμοια γεωγραφικά πλάτη στην Αρκτική είναι στενά συνδεδεμένη με την τάση για διακύμανση της επιφανειακής θερμοκρασίας της θάλασσας. Γενικά σε ολόκληρη την Αρκτική, οι έντονες διακυμάνσεις της SST, η συνεχής αύξηση του SWH και η μείωση της κάλυψης του θαλάσσιου πάγου προκάλεσαν δραστικές αλλαγές στον παράκτιο πάγο, συντελώντας στη διάβρωση των ακτών.

[[category:Περιβαλλοντικές Επιπτώσεις]]

Αρχείο:NT1 e4.jpg

2023-02-08T14:15:53Z

Natalia tsigarda:

Αρχείο:NT1 e3.jpg

2023-02-08T14:15:43Z

Natalia tsigarda:

Αρχείο:NT1 e2.jpg

2023-02-08T14:15:29Z

Natalia tsigarda:

Αρχείο:NT1 e1.jpg

2023-02-08T14:15:15Z

Natalia tsigarda:

Αρχείο:NT1 p1.jpg

2023-02-08T14:14:50Z

Natalia tsigarda: