BCI: βιοφυσικός δείκτης σύνθεσης στην τηλεπισκόπηση αστικών περιοχών
Από RemoteSensing Wiki
Στοιχεία κειμένου: Chengbin Deng, Changshan Wu: 'BCI: A biophysical composition index for remote sensing of urban environments’, Remote Sensing of Environment 127 (2012) 247–259
ΕΙΣΑΓΩΓΗ:
Η κατανόηση του αστικού περιβάλλοντος και τον χωρικό-χρονικών μεταβολών τους είναι αναγκαίος παράγοντας για τον περιφερειακό και τοπικό σχεδιασμό και τη διαχείριση του περιβάλλοντος. Για τη διευκόλυνση της παρατήρησης συλλέγονται δεδομένα μέσω δορυφορικών εικόνων για την κάλυψη μεγάλων γεωγραφικών περιοχών. Οι διάφορες φασματικές απεικονίσεις βοηθούν αυτήν την παρατήρηση. Όμως, υπάρχει σύγχυση μεταξύ διαφορετικών τύπων καλύψεων γης, κυρίως στις αδιαπέραστες επιφάνειες και το γυμνό έδαφος. Για αυτό το λόγο στην εργασία αυτή προτάθηκε η χρήση ενός βιοφυσικού δείκτη σύνθεσης (BCI) για τις αστικές βιοφυσικές συνθέσεις. Επιπλέον, η έρευνα αυτή εξέτασε την εφαρμογή του δείκτη σε διάφορες χωρικές αναλύσεις. Τα αποτελέσματα έδειξαν ότι ο δείκτης BCI έχει μεγαλύτερη σχέση με τις αδιαπέραστες επιφάνειες από ότι με εκείνες του κανονικοποιημένου δείκτη βλάστησης (NDVI), την κανονικοποιημένη διαφορά του οικιστικού δείκτη (NDBI) και την κανονικοποιημένη διαφορά δείκτη αδιαπέραστης επιφάνειας (NDISI), με συντελεστές συσχέτισης από 0,8.
Τις τελευταίες δεκαετίες εξαιτίας της έντονης αστικοποίησης (το 1950 μόνο το 29% του παγκόσμιου πληθυσμού ζούσε σε αστικές περιοχές και το 2005 το 49%) άλλαξαν πολύ οι χρήσεις γης και τα χαρακτηριστικά του φυσικού περιβάλλοντος. Κυριαρχούν οι ανθρωπογενείς αστικές χρήσεις. Τα οφέλη είναι κυρίως κοινωνικά και οικονομικά, ενώ αυξάνονται τα περιβαλλοντικά προβλήματα (υποβάθμιση ποιότητας υδάτων, ατμοσφαιρική ρύπανση, απώλεια της βιοποικιλότητας, αστική θέρμανση κα.). Εξαιτίας αυτών των επιπτώσεων χρήζει ακόμη περισσότερο η κατανόηση των χωρικο-χρονικών μεταβολών ώστε να γίνει καλύτερη διαχείρισή τους στο σχεδιασμό. Οι τεχνικές της τηλεπισκόπησης αποτελούν ένα σημαντικό μέσο για την κατανόηση του αστικού περιβάλλοντος καθώς παρέχουν μια συνοπτική εικόνα κάλυψης μιας μεγάλης γεωγραφικής περιοχής σε πολλά διαφορετικά κανάλια και με αναλυτικούς αλγορίθμους. Εκτός των κλασικών μεθόδων για την περιγραφή των καλύψεων, έχουν γίνει αναλύσεις με μοντέλα εδάφους ανάλογα με τη βλάστηση, την αδιαπέραστη επιφάνεια και το έδαφος (vegetation-impervious surface-soil). Σε αυτή τη μελέτη παρουσιάζονται δύο κατηγορίες μεθόδων για την ποσοτικοποίηση των βιοφυσικών συνθέσεων σε μία αστική περιοχή. Η πρώτη αφορά στις μεθόδους μηχανικής μάθησης, συμπεριλαμβανομένων των τεχνητών νευρωνικών δικτύων, παλινδρόμηση δένδρο λήψης αποφάσεων και μοντέλου παλινδρόμησης.
