Εντοπισμός Λεπτού Πάγου κάνοντας χρήση του υψηλής συχνότητας ραδιόμετρου AMSR2, για τη θάλασσα Barents και Kara

2020-02-09T21:31:51Z

Σύντηξη ετερογενών δεδομένων τηλεπισκόπησης για την ταξινόμηση τοπικών κλιματικών ζωνών

2020-02-09T21:22:28Z

Theodoropoulosagelos:

'''Σύντηξη ετερογενών δεδομένων τηλεπισκόπησης για την ταξινόμηση τοπικών κλιματικών ζωνών'''

'''Fusion of Heterogeneous Earth Observation Data for the Classification of Local Climate Zones'''

Guichen Zhang, Pedram Ghamisi , Senior Member, IEEE, and Xiao Xiang Zhu , Senior Member, IEEE
IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, VOL. 57, NO. 10, OCTOBER 2019, 7623

Η παρούσα μελέτη καταπιάνεται με την προώθηση ενός πλαισίου συνδυασμού πολύ-χρονικών και πολύ-φασματικών δορυφορικών εικόνων με δεδομένα από το OpenStreetMap (OSM), προκειμένου να επιτευχθεί η κατηγοριοποίηση των τοπικών κλιματικών ζωνών για κάθε παρεχόμενη περιοχή.

Πιο συγκεκριμένα η έρευνα εντοπίζει πως παρά την ευρεία χρήση του συνδυασμού δεδομένων για την δημιουργία τοπικών κλιματικών μοντέλων, κανένα δεν λαμβάνει υπόψιν την ετερογένεια των διαφορετικών δορυφορικών εικόνων και των δεδομένων του OSM, κάτι το οποίο και αποτελεί μειονέκτημα των μεθόδων αυτών.

Για αυτό τον λόγο επιχειρείται η δημιουργία ενός πλαισίου επεξεργασίας δυο διαφορετικών πηγών; Μοντέλων χρήσης γης και μοντέλων κτηρίων. Ο στόχος της έρευνας είναι ο συνδυασμός οπτικών εικόνων με επίπεδα χρήσεων γης και μοντέλων κτηρίων από το OSM, ενώ παράλληλα επιχειρείται να δημιουργηθεί μια νέα προσέγγιση εντοπισμού μη ολοκληρωμένων κτηριακών μοντέλων από το OSM.

Το πρόβλημα που στοχεύει να αντιμετωπίσει η μελέτη εντοπίζεται στο γεγονός πως η πλειοψηφία των μελετών επικεντρώνεται στον δυαδικό διαχωρισμό των περιοχών σε είτε αστικό περιβάλλον είτε σε αγροτικό με βάση συγκεκριμένα χαρακτηριστικά, κάτι το οποίο αφαιρούσε από πολλές περιοχές την μοναδικότητα του χαρακτήρα τους κατά τις μελέτες, ομαδοποιώντας τες με το υπόλοιπο σύνολο και πολλές φορές οδηγώντας σε λανθασμένα συμπεράσματα (1).

Οι τοπικές κλιματικές ζώνες αποτελούν το πρώτο σχήμα κατηγοριοποίησης των αστικών τοπίων σεβόμενο τα εσωτερικά φυσικά χαρακτηριστικά των περιοχών σε παγκόσμια κλίμακα (2). Όπως γίνεται αντιληπτό, τέτοιων ειδών μελέτες δεν μπορούν να βασιστούν μόνο σε ένα μοντέλο, εξαιτίας της πολυπλοκότητας τους και των πλούσιων σε χαρακτηριστικά περιβαλλόντων τους, κάνοντας επιτακτική ανάγκη την χρήση δεδομένων από μια πληθώρα πηγών.

Η έρευνα βασίζεται σε 3 πυλώνες προκείμενου να επιτευχθεί ο στόχος της και αυτοί αποτελούν την κατηγοριοποίηση των χαρακτηριστικών των ζωνών μελέτης, τον συνδυασμό διαφορετικών δεδομένων και την χαρτογράφηση σε παγκόσμια κλίμακα.

Η κατηγοριοποίηση των δεδομένων βασίστηκε σε ελεγχόμενη, μη-παραμετρική και ανά εικονοστοιχείο μέθοδο, κυρίως λόγω της διαθεσιμότητας των κατηγοριοποιημένων δεδομένων από το 2017 IEEE GRSS Data Fusion Contest, του γεγονότος πως παλαιότερες έρευνες είχαν αποδείξει πως η μη-παραμετρική κατηγοριοποίηση προσέφερε καλύτερα αποτελέσματα και επειδή η ανά-εικονοστοιχείο κατηγοριοποίηση παραβλέπει τις ετερογένειες εντός του κάθε εικονοστοιχείου, παρέχοντας μια απλουστευμένη μέθοδο.

[[Αρχείο:Paperpic3.1.png]]

Τα δεδομένα που χρησιμοποιήθηκαν ως βάση για την έρευνα προήλθαν από το World Urban Database and Access Portal Tools (WUDAPT) project (3), προσφέροντας ομοιόμορφα δεδομένα υπό ένα ενιαίο πλαίσιο και χρησιμοποιώντας μια σειρά δεδομένων από διαφορετικές πηγές.

Οι περιορισμοί που συναντήθηκαν αφορούσαν την διαφορά της κλίμακας των δορυφορικών εικόνων με την κλίμακα των δεδομένων , τις διαφορετικές τεχνικές λήψης των δορυφορικών εικόνων και την δεδομένων από το OSM και τρίτων τις διαφορετικές πηγές θορύβου τόσο για τα δεδομένα αυτά κάθε αυτά, όσο και για τις εικόνες.

Οι προαναφερθέντες περιορισμοί τόνισαν ακόμα περισσότερο την ανάγκη δημιουργίας ενός πλαισίου λήψης και δημιουργίας των δεδομένων.

Όσων αφορά την παγκόσμια χαρτογράφηση των τοπικών κλιματικών ζωνών, έχουν δημιουργηθεί μοντέλα που επιτυγχάνουν έναν ικανοποιητικό βαθμό κατηγοριοποίησης πόλεων, κάτι το οποίο φαίνεται ωστόσο πως δεν μπορεί να εφαρμοστεί σε διαφορετικές πόλεις με την χρήση της αυτοματοποιημένης κατηγοριοποίησης, καθώς εμφανίστηκε πολύ μικρή ακρίβεια κατηγοριοποίησης,

Κατά την μοντελοποίηση του πλαισίου, φασματικά και χωρικά δεδομένα εξήχθησαν από τις δορυφορικές εικόνες και τα δεδομένα του OSM, ενώ 3 διαφορετικά μοντέλα εφαρμόστηκαν στα εξαγόμενα δεδομένα.

Πιο συγκεκριμένα, τα μοντέλα που δοκιμάστηκαν ήταν αυτά των δορυφορικών εικόνων, της χρήσης γης και πυκνότητας κτηριακών αντικειμένων, ενώ επιπροσθέτως χρησιμοποιήθηκε μια μάσκα εντοπισμού ατελών κτηριακών περιοχών.
Ως τελικό βήμα πραγματοποιήθηκε σύγκριση των παραγόμενων αποτελεσμάτων.

Τα αποτελέσματα της μελέτης ήταν αρκετά εντυπωσιακά καθώς παρατηρήθηκε σημαντική βελτίωση στην ακρίβεια του μοντέλου σε σύγκριση με τα παραγόμενα αποτελέσματα του 2017 IEEE GRSS Data Fusion Contest (4), αύξηση που άγγιξε σε ποσοστό το 6.01%.

Σημαντική αποδείχτηκε και η συνεισφορά των μοντέλων χρήσης γης και κτηρίων για την αύξηση της ακρίβειας του μοντέλου, ενώ παρατηρήθηκε πως η έλλειψη δειγμάτων για την εκπαίδευση του μοντέλου δεν οδηγούσε σε σωστά αποτελέσματα σε περιοχές όπου η πολυπλοκότητας τους άγγιζε υψηλότερα ποσοστά και ειδικότερα σε περιοχές όπου παρατηρούνταν έλλειψη δεδομένων από το OSM.

[[Αρχείο:Paperpic3.2.png]]

Συνοψίζοντας, η έρευνα στόχευσε στην δημιουργία ενός πλαισίου συνδυασμού 2 διαφορετικών μοντέλων για την κατηγοριοποίηση των τοπικών κλιματικών ζωνών διαφορετικών πόλεων. Ένα κομμάτι που ελέγχθηκε αφορούσε την συνεισφορά δεδομένων από το OSM, το οποίο υπό το πλαίσιο της μελέτης που πραγματοποιήθηκε πέτυχε καλύτερη απόδοση κατηγοριοποίησης απ΄ ότι τα έως τώρα υπάρχοντα πλαίσια.

Ένα επιπλέον τμήμα της έρευνας που αφορούσε τον εντοπισμό ελλείπων κτηριακών υποδομών από το OSM με βάση τα μοντέλα των δορυφορικών εικόνων, κάτι το οποίο αποδείχτηκε πως μπορεί να χρησιμοποιηθεί ως βάση σε καταστάσεις όπως παρατηρείται έλλειψη δορυφορικών εικόνων υψηλής ανάλυσης (5).

Η χρησιμότητα ενός εκπαιδευμένου μοντέλου για την ανάλυση άλλων πόλεων αποτελεί ένα κομμάτι για μελλοντική έρευνα καθώς η μεταβιβασιμότητα του μοντέλου δεν έχει ελεγχθεί πλήρως ως προς το σε τι ποσοστό αναλύει σωστά το τοπικό κλίμα ζώνης μιας πόλης έχοντας ως μοντέλο μια διαφορετική πόλη. Επιπλέον, αφήνει ανοιχτό το περιθώριο ενός πιο εκλεπτυσμένου μοντέλου, το οποίο θα περιέχει περισσότερες κανόνες μεταξύ των ετερογενών δεδομένων, όπως παραδείγματος χάρη τη χρήση διαφορετικών δορυφορικών δεδομένων.

Τέλος, ο εμπλουτισμός των δεδομένων του OSM θα είχε σημαντική συνεισφορά στην βελτίωση των αποτελεσμάτων του μοντέλου, ενώ θα άφηνε περιθώρια βελτίωσης και την μεταβιβασιμότητα του μοντέλου σε διαφορετικές πόλεις χρησιμοποιώντας ένα συγκεκριμένο αριθμό δειγμάτων, ώστε να μπορεί να παράξει ένα παγκόσμιο μοντέλο.

'''Βιβλιογραφία'''

(1) M. Jin, R. E. Dickinson, and D. Zhang, “The footprint of urban areas on global climate as characterized by MODIS,” J. Climate, vol. 18, no. 10, pp. 1551–1565, 2005.

(2) T. Esch et al., “Urban footprint processor—Fully automated processing chain generating settlement masks from global data of the TanDEM-X mission,” IEEE Geosci. Remote Sens. Lett., vol. 10, no. 6, pp. 1617–1621, Nov. 2013.

(3) G. Mills, J. Ching, L. See, B. Bechtel, and M. Foley, “An introduction to the WUDAPT project,” in Proc. 9th Int. Conf. Urban Climate, Toulouse, France, 2015, pp. 20–24.

(4) D. Tuia, G. Moser, B. Le Saux, B. Bechtel, and L. See, “2017 IEEE GRSS data fusion contest: Open data for global multimodal land use classification [technical committees],” IEEE Geosci. Remote Sens. Mag., vol. 5, no. 1, pp. 70–73, Mar. 2017.

(5) R. Agrawal, T. Imieli´nski, and A. Swami, “Mining association rules between sets of items in large databases,” ACM SIGMOD Rec., vol. 22, no. 2, pp. 207–216, 1993.

[[category:Μετεωρολογικοί δορυφόροι]]

Σύντηξη ετερογενών δεδομένων τηλεπισκόπησης για την ταξινόμηση τοπικών κλιματικών ζωνών

2020-02-09T21:21:15Z

Theodoropoulosagelos:

'''Σύντηξη ετερογενών δεδομένων τηλεπισκόπησης για την ταξινόμηση τοπικών κλιματικών ζωνών'''

'''Fusion of Heterogeneous Earth Observation Data for the Classification of Local Climate Zones'''

Η παρούσα μελέτη καταπιάνεται με την προώθηση ενός πλαισίου συνδυασμού πολύ-χρονικών και πολύ-φασματικών δορυφορικών εικόνων με δεδομένα από το OpenStreetMap (OSM), προκειμένου να επιτευχθεί η κατηγοριοποίηση των τοπικών κλιματικών ζωνών για κάθε παρεχόμενη περιοχή.

Πιο συγκεκριμένα η έρευνα εντοπίζει πως παρά την ευρεία χρήση του συνδυασμού δεδομένων για την δημιουργία τοπικών κλιματικών μοντέλων, κανένα δεν λαμβάνει υπόψιν την ετερογένεια των διαφορετικών δορυφορικών εικόνων και των δεδομένων του OSM, κάτι το οποίο και αποτελεί μειονέκτημα των μεθόδων αυτών.

Για αυτό τον λόγο επιχειρείται η δημιουργία ενός πλαισίου επεξεργασίας δυο διαφορετικών πηγών; Μοντέλων χρήσης γης και μοντέλων κτηρίων. Ο στόχος της έρευνας είναι ο συνδυασμός οπτικών εικόνων με επίπεδα χρήσεων γης και μοντέλων κτηρίων από το OSM, ενώ παράλληλα επιχειρείται να δημιουργηθεί μια νέα προσέγγιση εντοπισμού μη ολοκληρωμένων κτηριακών μοντέλων από το OSM.

Το πρόβλημα που στοχεύει να αντιμετωπίσει η μελέτη εντοπίζεται στο γεγονός πως η πλειοψηφία των μελετών επικεντρώνεται στον δυαδικό διαχωρισμό των περιοχών σε είτε αστικό περιβάλλον είτε σε αγροτικό με βάση συγκεκριμένα χαρακτηριστικά, κάτι το οποίο αφαιρούσε από πολλές περιοχές την μοναδικότητα του χαρακτήρα τους κατά τις μελέτες, ομαδοποιώντας τες με το υπόλοιπο σύνολο και πολλές φορές οδηγώντας σε λανθασμένα συμπεράσματα (1).

Οι τοπικές κλιματικές ζώνες αποτελούν το πρώτο σχήμα κατηγοριοποίησης των αστικών τοπίων σεβόμενο τα εσωτερικά φυσικά χαρακτηριστικά των περιοχών σε παγκόσμια κλίμακα (2). Όπως γίνεται αντιληπτό, τέτοιων ειδών μελέτες δεν μπορούν να βασιστούν μόνο σε ένα μοντέλο, εξαιτίας της πολυπλοκότητας τους και των πλούσιων σε χαρακτηριστικά περιβαλλόντων τους, κάνοντας επιτακτική ανάγκη την χρήση δεδομένων από μια πληθώρα πηγών.

Η έρευνα βασίζεται σε 3 πυλώνες προκείμενου να επιτευχθεί ο στόχος της και αυτοί αποτελούν την κατηγοριοποίηση των χαρακτηριστικών των ζωνών μελέτης, τον συνδυασμό διαφορετικών δεδομένων και την χαρτογράφηση σε παγκόσμια κλίμακα.

Η κατηγοριοποίηση των δεδομένων βασίστηκε σε ελεγχόμενη, μη-παραμετρική και ανά εικονοστοιχείο μέθοδο, κυρίως λόγω της διαθεσιμότητας των κατηγοριοποιημένων δεδομένων από το 2017 IEEE GRSS Data Fusion Contest, του γεγονότος πως παλαιότερες έρευνες είχαν αποδείξει πως η μη-παραμετρική κατηγοριοποίηση προσέφερε καλύτερα αποτελέσματα και επειδή η ανά-εικονοστοιχείο κατηγοριοποίηση παραβλέπει τις ετερογένειες εντός του κάθε εικονοστοιχείου, παρέχοντας μια απλουστευμένη μέθοδο.

[[Αρχείο:Paperpic3.1.png]]

Τα δεδομένα που χρησιμοποιήθηκαν ως βάση για την έρευνα προήλθαν από το World Urban Database and Access Portal Tools (WUDAPT) project (3), προσφέροντας ομοιόμορφα δεδομένα υπό ένα ενιαίο πλαίσιο και χρησιμοποιώντας μια σειρά δεδομένων από διαφορετικές πηγές.

Οι περιορισμοί που συναντήθηκαν αφορούσαν την διαφορά της κλίμακας των δορυφορικών εικόνων με την κλίμακα των δεδομένων , τις διαφορετικές τεχνικές λήψης των δορυφορικών εικόνων και την δεδομένων από το OSM και τρίτων τις διαφορετικές πηγές θορύβου τόσο για τα δεδομένα αυτά κάθε αυτά, όσο και για τις εικόνες.

Οι προαναφερθέντες περιορισμοί τόνισαν ακόμα περισσότερο την ανάγκη δημιουργίας ενός πλαισίου λήψης και δημιουργίας των δεδομένων.

Όσων αφορά την παγκόσμια χαρτογράφηση των τοπικών κλιματικών ζωνών, έχουν δημιουργηθεί μοντέλα που επιτυγχάνουν έναν ικανοποιητικό βαθμό κατηγοριοποίησης πόλεων, κάτι το οποίο φαίνεται ωστόσο πως δεν μπορεί να εφαρμοστεί σε διαφορετικές πόλεις με την χρήση της αυτοματοποιημένης κατηγοριοποίησης, καθώς εμφανίστηκε πολύ μικρή ακρίβεια κατηγοριοποίησης,

Κατά την μοντελοποίηση του πλαισίου, φασματικά και χωρικά δεδομένα εξήχθησαν από τις δορυφορικές εικόνες και τα δεδομένα του OSM, ενώ 3 διαφορετικά μοντέλα εφαρμόστηκαν στα εξαγόμενα δεδομένα.

Πιο συγκεκριμένα, τα μοντέλα που δοκιμάστηκαν ήταν αυτά των δορυφορικών εικόνων, της χρήσης γης και πυκνότητας κτηριακών αντικειμένων, ενώ επιπροσθέτως χρησιμοποιήθηκε μια μάσκα εντοπισμού ατελών κτηριακών περιοχών.

Ως τελικό βήμα πραγματοποιήθηκε σύγκριση των παραγόμενων αποτελεσμάτων.

Τα αποτελέσματα της μελέτης ήταν αρκετά εντυπωσιακά καθώς παρατηρήθηκε σημαντική βελτίωση στην ακρίβεια του μοντέλου σε σύγκριση με τα παραγόμενα αποτελέσματα του 2017 IEEE GRSS Data Fusion Contest (4), αύξηση που άγγιξε σε ποσοστό το 6.01%.

Σημαντική αποδείχτηκε και η συνεισφορά των μοντέλων χρήσης γης και κτηρίων για την αύξηση της ακρίβειας του μοντέλου, ενώ παρατηρήθηκε πως η έλλειψη δειγμάτων για την εκπαίδευση του μοντέλου δεν οδηγούσε σε σωστά αποτελέσματα σε περιοχές όπου η πολυπλοκότητας τους άγγιζε υψηλότερα ποσοστά και ειδικότερα σε περιοχές όπου παρατηρούνταν έλλειψη δεδομένων από το OSM.

[[Αρχείο:Paperpic3.2.png]]

Συνοψίζοντας, η έρευνα στόχευσε στην δημιουργία ενός πλαισίου συνδυασμού 2 διαφορετικών μοντέλων για την κατηγοριοποίηση των τοπικών κλιματικών ζωνών διαφορετικών πόλεων. Ένα κομμάτι που ελέγχθηκε αφορούσε την συνεισφορά δεδομένων από το OSM, το οποίο υπό το πλαίσιο της μελέτης που πραγματοποιήθηκε πέτυχε καλύτερη απόδοση κατηγοριοποίησης απ΄ ότι τα έως τώρα υπάρχοντα πλαίσια.

Ένα επιπλέον τμήμα της έρευνας που αφορούσε τον εντοπισμό ελλείπων κτηριακών υποδομών από το OSM με βάση τα μοντέλα των δορυφορικών εικόνων, κάτι το οποίο αποδείχτηκε πως μπορεί να χρησιμοποιηθεί ως βάση σε καταστάσεις όπως παρατηρείται έλλειψη δορυφορικών εικόνων υψηλής ανάλυσης (5).

Η χρησιμότητα ενός εκπαιδευμένου μοντέλου για την ανάλυση άλλων πόλεων αποτελεί ένα κομμάτι για μελλοντική έρευνα καθώς η μεταβιβασιμότητα του μοντέλου δεν έχει ελεγχθεί πλήρως ως προς το σε τι ποσοστό αναλύει σωστά το τοπικό κλίμα ζώνης μιας πόλης έχοντας ως μοντέλο μια διαφορετική πόλη. Επιπλέον, αφήνει ανοιχτό το περιθώριο ενός πιο εκλεπτυσμένου μοντέλου, το οποίο θα περιέχει περισσότερες κανόνες μεταξύ των ετερογενών δεδομένων, όπως παραδείγματος χάρη τη χρήση διαφορετικών δορυφορικών δεδομένων.

Τέλος, ο εμπλουτισμός των δεδομένων του OSM θα είχε σημαντική συνεισφορά στην βελτίωση των αποτελεσμάτων του μοντέλου, ενώ θα άφηνε περιθώρια βελτίωσης και την μεταβιβασιμότητα του μοντέλου σε διαφορετικές πόλεις χρησιμοποιώντας ένα συγκεκριμένο αριθμό δειγμάτων, ώστε να μπορεί να παράξει ένα παγκόσμιο μοντέλο.

'''Βιβλιογραφία'''

(1) M. Jin, R. E. Dickinson, and D. Zhang, “The footprint of urban areas on global climate as characterized by MODIS,” J. Climate, vol. 18, no. 10, pp. 1551–1565, 2005.

(2) T. Esch et al., “Urban footprint processor—Fully automated processing chain generating settlement masks from global data of the TanDEM-X mission,” IEEE Geosci. Remote Sens. Lett., vol. 10, no. 6, pp. 1617–1621, Nov. 2013.

(3) G. Mills, J. Ching, L. See, B. Bechtel, and M. Foley, “An introduction to the WUDAPT project,” in Proc. 9th Int. Conf. Urban Climate, Toulouse, France, 2015, pp. 20–24.

(4) D. Tuia, G. Moser, B. Le Saux, B. Bechtel, and L. See, “2017 IEEE GRSS data fusion contest: Open data for global multimodal land use classification [technical committees],” IEEE Geosci. Remote Sens. Mag., vol. 5, no. 1, pp. 70–73, Mar. 2017.

(5) R. Agrawal, T. Imieli´nski, and A. Swami, “Mining association rules between sets of items in large databases,” ACM SIGMOD Rec., vol. 22, no. 2, pp. 207–216, 1993.

[[category:Μετεωρολογικοί δορυφόροι]]

Αρχείο:Paperpic3.2.png

2020-02-09T21:19:56Z

Theodoropoulosagelos:

2020-02-09T20:59:06Z

2020-02-09T20:23:34Z

Theodoropoulosagelos: BAMS ( Burned Area Mapping Software), λογισμικό για την χαρτογράφηση καμένων περιοχών

'''BAMS: ΕΡΓΑΛΕΙΟ ΓΙΑ ΧΑΡΤΟΓΡΑΦΗΣΗ ΚΑΜΕΝΩΝ ΠΕΡΙΟΧΩΝ ΚΑΝΟΝΤΑΣ ΧΡΗΣΗ ΔΕΔΟΜΕΝΩΝ LANDSAT'''

'''BAMS: A Tool for Supervised Burned Area Mapping Using Landsat Data'''

Συγγραφείς: , Aitor Bastarrika 1,*, Maite Alvarado 2,†, Karmele Artano 1,†, Maria Pilar Martinez 1,†, Amaia Mesanza 1,†, Leyre Torre 1,†, Rubén Ramo 3,†, and Emilio Chuvieco 3, Remote Sens. 2014, 6, 12360-12380; doi:10.3390/rs61212360

Το παρόν κείμενο αφορά το BAMS ( Burned Area Mapping Software), δηλαδή ένα λογισμικό για την χαρτογράφηση καμένων περιοχών, το οποίο δημιουργήθηκε από βιβλιοθήκες του ArcGIS.

Το πρόγραμμα αυτό υπολογίζει πολλούς από τους φασματικούς δείκτες που χρησιμοποιούνται συχνά σε καμένες περιοχές και εφαρμόζει μια στρατηγική δύο φάσεων έτσι ώστε να χαρτογραφήσει τις καμένες περιοχές μεταξύ δύο πολυεστιακών εικόνων Landsat. Το μόνο που πρέπει να εισάγει ο χρήστης είναι τα σημεία οριοθέτησης μερικών καμένων περιοχών ώστε το πρόγραμμα να εξάγει συγκεκριμένες παραμέτρους.

Μετά την διάκριση των καμένων επιφανειών, ο χρήστης είναι σε θέση να αξιολογήσει τα αποτελέσματα και να επιλέξει επιπλέον δειγματοληψία έτσι ώστε να βελτιώσει την καταγραφή των καμένων επιφανειών. Το τελικό αποτέλεσμα του BAMS είναι ένα διανυσματικό πολύγωνο που περιέχει τρεις κατηγορίες: 1) την καμένη περίμετρο, 2) τις άκαυστες περιοχές και 3) τις μη παρατηρημένες περιοχές, με τη τελευταία κατηγορία να αναφέρεται κυρίως σε σύννεφα ή λάθη των μέσων παρατήρησης. Το παρόν άρθρο παρουσιάζει την δομή και την τεχνική βάση του εργαλείου BAMS.

'''Εισαγωγή'''

Οι πυρκαγιές αποτελούν έναν από τους κύριους παράγοντες διαταραχής της επιφάνειας του εδάφους και προκαλούν σοβαρές οικονομικές, οικολογικές και ατμοσφαιρικές επιπτώσεις. Η καύση της βλάστησης αποτελεί ένα παγκόσμιο φαινόμενο το οποίο επηρεάζει περιοχές, δάση και γεωργικές εκτάσεις (Goldammer, J.G.; Statheropoulos, M.; Andreae, M.O.; Andrzej Bytnerowicz, 2008).

Τα τελευταία χρόνια, η χρήση δορυφόρων για την παρακολούθηση των πυρκαγιών έχει αυξηθεί με στόχο τόσο την αποφυγή όσο και την πρόληψη του φαινομένου αυτού.
Όμως η χαρτογράφηση καμένων επιφανειών αποτελεί μια αρκετά πολύπλοκη διαδικασία καθώς οι καμένες περιοχές μπορεί να μπερδευτούν με άλλα φαινόμενα εξαιτίας της φασματικής ταυτότητας (Giglio, L.; Randerson, J.T.; van der Werf, G.R.; Kasibhatla, P.S.; Collatz, G.J.; Morton, D.C.; DeFries, 2010).

Η μεθοδολογία του άρθρου συνδυάζει την ταχύτητα και την ακρίβεια του αυτοματοποιημένου εντοπισμού και των τεχνικών αναγνώρισης μοτίβων έτσι ώστε να αναπτύξει τόσο την οπτική διεπαφή όσο και τον υπολογισμό της ανάλυσης της εικόνας (Bastarrika, A.; Chuvieco, E.; Martín, 2011).
Το πρόγραμμα ονομάζεται BAMS (Πρόγραμμα Χαρτογράφησης Καμένης Γης) και σχεδιάστηκε κυρίως για να δημιουργεί χάρτες καμένων εδαφών χρησιμοποιώντας εικόνες Landsat TM, ETM+ και OLI-TIRS data.

Τέλος, ο κώδικας του BAMS έχει δυο επιλογές επεξεργασίας, μια για να μας δίνει χάρτη πριν και μετά το συμβάν και μια που αφορά την απόδοση του NDVI. Το πρόγραμμα μπορεί να διαβάσει δύο τύπους αρχείων, GeoTiff και HDF.

'''Υπολογισμός Καμένων Επιφανειών'''

Οι καμένες επιφάνειες χαρακτηρίζονται από αποθέσεις άνθρακα και στάχτης, αφαίρεση βλάστησης και έκθεση του υπεδάφους. Βέβαια όλα τα παραπάνω εξαρτώνται από το μέγεθος της πυρκαγιάς αλλά και του βαθμού ανάφλεξης (Roy, D.; Landmann, T, 2005).

Συγκεκριμένα, το BAMS, υπολογίζει τους πιο κοινούς δείκτες όπως για παράδειγμα NDVI (Normalized Difference Vegetation Index), BAIM (Burned Area Index Modified), GEMI (Global Environmental Monitoring Index), NBR (Normalized Burned Ratio) και MIRBI (Mid-Infrared Burned Index).

'''Μεθοδολογία Ελεγχόμενης Χαρτογράφησης Καμένων Περιοχών'''

Το BAMS ακολουθεί δύο φάσεις επεξεργασίας της καμένης περιοχής σε χαμηλή και σε μεσαία χωρική ανάλυση με σκοπό να μειώσει τυχόν σφάλματα. Στην πρώτη φάση ο στόχος είναι να μειώσει τα σφάλματα χρησιμοποιώντας αυστηρά κριτήρια, δηλαδή λαμβάνει υπόψη μόνο τα πίξελ τα οποία απεικονίζουν 100% καμένη γη. Στη δεύτερη φάση, γίνεται ανάλυση της γειτνίασης των πίξελ που περιέχουν σπόρους και ομαδοποίηση των πίξελ που έχουν κοινά χαρακτηριστικά με αυτά των σπόρων. Έτσι έχουμε την δημιουργία δύο διαφορετικών raster.

Στη συνέχεια θα εισάγουμε το raster στο ArcGIS ώστε να το μετατρέψουμε σε διανυσματικό τύπο αρχείου. Σε αντίθεση με τα υπόλοιπα προγράμματα το BAMS χρειάζεται μόνο σημεία εκπαίδευσης των καμένων περιοχών οπότε η διαδικασία είναι ταχύτερη από τις υπόλοιπες που κυκλοφορούν. Τέλος, τα αποτελέσματα εξάγονται σε shapefile ώστε να μπορούν να επεξεργαστούν από τον χρήστη (National MTBS Burned Boundaries Dataset).
Επαλήθευση του κώδικα BAMS

Το πρόγραμμα BAMS έχει λειτουργήσει σε έξι δοκιμαστικές περιοχές με σκοπό να καθοριστεί και να αξιολογηθεί η επίδοση του όσο αφορά την χαρτογράφηση των καμένων περιοχών. Οι περιοχές αυτές αφορούν λιβάδια, θαμνώδεις εκτάσεις, φυλλοβόλα και αειθαλή δάση.

Τα αποτελέσματα του BAMS συγκρίθηκαν με τα δεδομένα του National MTBS Burned Area Boundaries Dataset έτσι ώστε να επαληθευτούν. Συγκριτικά με το MTBS, το BAMS είχε απόκλιση μεταξύ 13 και 18%, το οποίο αποδίδεται κυρίως στην ύπαρξη τοπογραφικών σκιών.
Ουσιαστικά, το BAMS, δημιουργήθηκε λόγω της ανάγκης για ταχύτερη παραγωγή χαρτών καμένης γης και το μεγάλο πλεονέκτημα του είναι η ευκολία με την οποία μπορεί να επεξεργαστεί δεδομένα του Landsat. Επιπλέον, θα πρέπει να είμαστε προσεκτικοί κατά την χρήση του προγράμματος καθώς υπάρχουν ποσοστά σφαλμάτων κυρίως στα σημεία που έχουμε καλλιέργειες.

'''Συμπεράσματα'''

Το BAMS χρησιμοποιείται για την δημιουργία χαρτών καμένης γης και επεξεργάζεται δεδομένα του δορυφόρου Landsat, είναι δωρεάν και μπορεί να το κατεβάσει οποιοσδήποτε χρήστης του ArcGIS (Burned Area Mapping Software).

'''Βιβλιογραφία'''

Goldammer, J.G.; Statheropoulos, M.; Andreae, M.O.; Andrzej Bytnerowicz, M.J.A.A.R.R.; Andersen, C. Chapter 1. Impacts of vegetation fire emissions on the environment, human health, and security: A global perspective. In Developments in Environmental Science; Elsevier: Amsterdam, The Netherlands, 2008; Volume 8, pp. 3–36.

Giglio, L.; Randerson, J.T.; van der Werf, G.R.; Kasibhatla, P.S.; Collatz, G.J.; Morton, D.C.; DeFries, R.S. Assessing variability and long-term trends in burned area by merging multiple satellite fire products. Biogeosciences 2010, 7, 1171–1186.

Bastarrika, A.; Chuvieco, E.; Martín, M.P. Mapping burned areas from Landsat TM/ETM+ data with a two-phase algorithm: Balancing omission and commission errors. Remote Sens. Environ. 2011, 115, 1003–1012.

Roy, D.; Landmann, T. Characterizing the surface heterogeneity of fire effects using multi-temporal reflective wavelength data. Int. J. Remote Sens. 2005, 19, 4197–4218.

National MTBS Burned Boundaries Dataset. Available online: http://www.mtbs.gov/nationalregional/burnedarea.html (accessed on 1 December 2014).
Burned Area Mapping Software. Available online: http://bastarrika.wordpress.com/ (accessed on 1 December 2014).

[[category:Χαρτογράφηση καμένων εκτάσεων]]