Δασικές πυρκαγιές

Από RemoteSensing Wiki

Μετάβαση σε: πλοήγηση, αναζήτηση

ΕΙΣΑΓΩΓΗ

Στην Ευρώπη εκδηλώνονται κάθε χρόνο περισσότερες από 50.000 δασικές πυρκαγιές, προκαλώντας ζημίες σε 500.000 εκτάρια δάσους και άλλων δασικών εκτάσεων, η πλειοψηφία εκ των οποίων στις Μεσογειακές χώρες όπου το κλίμα είναι θερμότερο και ξηρότερο (European Commision, 2002). Στην Ελλάδα εκδηλώνεται μεγάλος αριθμός δασικών πυρκαγιών κατά τη θερινή κυρίως περίοδο, μερικές από τις οποίες λαμβάνουν μεγάλες διαστάσεις και επιφέρουν σοβαρές καταστροφές. Το γεγονός αυτό λειτουργεί ως μοχλός πίεσης προς την πολιτεία αλλά και ως κίνητρο προς την επιστημονική κοινότητα ώστε να αναπτυχθούν νέες τεχνικές και μέθοδοι που θα οδηγήσουν στη βελτίωση του μηχανισμού πρόληψης και καταστολής των δασικών πυρκαγιών. Η τηλεπισκόπηση και τα ΓΣΠ (Γεωγραφικά Συστήματα Πληροφοριών) αποτελούν εργαλεία, τα οποία μπορούν να συμβάλλουν στην συγκέντρωση χωρικής πληροφορίας και στη δημιουργία ψηφιακών βάσεων δεδομένων επιχειρησιακής χρησιμότητας ανά πυροσβεστική υπηρεσία έτσι ώστε να εξασφαλίζεται η υποστήριξη λήψεως αποφάσεων κατά τη διαχείριση των δασικών πυρκαγιών. Αξίζει να αναφερθεί ότι η μεγάλη διαθεσιμότητα, στις μέρες μας, δορυφορικών δεδομένων πολύ υψηλής ανάλυσης (QuickBird, IKONOS, KOMPSAT 2, μεταξύ άλλων) διευκολύνει ακόμη περισσότερο μια τέτοια διαδικασία.

ΠΑΡΑΓΟΝΤΕΣ ΕΝΑΡΞΗΣ ΠΥΡΚΑΓΙΑΣ

Εκτός από την ανθρώπινη αμέλεια ή πρόθεση, ο κίνδυνος έναρξης αλλά και εξάπλωσης μιας δασικής πυρκαγιάς εξαρτάται από τους τρεις παρακάτω παράγοντες:

  • ΜΕΤΕΩΡΟΛΟΓΙΚΟΙ ΠΑΡΑΓΟΝΤΕΣ (σχετική υγρασία, άνεμος και θερμοκρασία του αέρα)
  • ΤΟΠΟΓΡΑΦΙΑ. Έντονο ανάγλυφο, ενισχύει την πιθανότητα έναρξης πυρκαγιάς.
  • ΚΑΥΣΙΜΗ ΥΛΗ. Η καύσιμη ύλη αναφέρεται σε όλο το εύφλεκτο υλικό που

υπάρχει διαθέσιμο σε μια περιοχή (νεκρή και ζωντανή βιομάζα).


ΕΦΑΡΜΟΓΕΣ ΤΗΣ ΤΗΛΕΠΙΣΚΟΠΙΣΗΣ ΣΤΗΝ ΑΝΙΧΝΕΥΣΗ ΔΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ

ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ 1

Η πρώτη περίπτωση που εξετάζεται αφορά τον Καναδά και για την ανίχνευση δασικών πυρκαγιών χρησιμοποιήθηκαν δεδομένα δορυφoρικών εικόνων AVHRR(Advanced Very High Resolution Radiometer). Εκμεταλλεύεται τις πληροφορίες από τις μετρήσεις πολυδιαυλικών AVHRR εικόνων, για να καθορίσει τις θέσεις των πυρκαγιών στα δορυφορικά εικονοστοιχεία, περίπου 1 km2 κάτω από καθαρό ουρανό ή σε συνθήκες αραιού σύννεφου καπνού.

Εικόνα 1: Το διάγραμμα ροής του αλγόριθμου ανίχνευσης πυρκαγιάς για χρήση με δεδομένα AVHRR. Πηγή: Z. LI†, S. NADON and J. CIHLAR(1999) "Internationa l Journal of Remote Sensing ISSN 0143-1161 print/ISSN 1366-5901 online © 2000 Government of Canada".



Η περιοχή που εξετάστηκε ήταν εμβαδού 1 km2, ενώ η μελέτη ΄στηριζόταν στην ανίχνευση ψεύτικων κελιών πυρκαγιάς και αφαίρεσή τους στην συνέχεια. Καθημερινά λαμβάνονταν χάρτες πυρκαγιών, παρουσιάζοντας το μεγαλύτερο μέρος των ενεργών πυρκαγιών σε ολόκληρο τον Καναδά (εκτός από εκείνες που κρύβονταν από τα πυκνά σύννεφα). Αυτό επιτεύχθηκε αφού πρώτα δημιουργήθηκαν σύνθετα απεικονίσεων εικόνων AVHRR, που αποκτήθηκαν για ολόκληρο τον Καναδά για μια δεδομένη ημέρα και στην συνέχεια εφαρμόζοντας τον αλγόριθμο ανίχνευσης πυρκαγιάς (εικόνα 1).

Αλγόριθμος

Ο αλγόριθμος ανίχνευσης πυρκαγιάς, είναι βασισμένος στο πλαίσιο Kaufman και λοιποί. (1990) με τροποποιήσεις για τον αισθητήρα ΝΟΑΑ-14/AVHRR. Επιπλέον, εισάγονται νέες δοκιμές για να αντιμετωπίσουν τις πρόσθετες περιβαλλοντικές και συνθήκες καψίματος του βόρειου οικοσυστήματος. Ο αλγόριθμος αποτελείται από δύο σημαντικά βήματα:

  • εντοπισμός των πιθανών πυρκαγιών και
  • αφαίρεση των πυρκαγιών που δεν είναι στην ουσία πυρκαγιές (false fires).

Και τα δύο βήματα καλύπτουν τις δοκιμές κατώτατων ορίων. Όλες οι δοκιμές βελτιστοποιούνται για και να ανιχνεύσουν πραγματικές πυρκαγιές και να αφαιρέσουν όσο το δυνατόν περισσότερο «λάθος» πυρκαγιές. Ενώ η πλειοψηφία των δοκιμών προτάθηκε προηγουμένως, οι τιμές κατώτατων ορίων επιλέχτηκαν μετά από μια προσέγγιση δοκιμής-και-λάθους βασισμένη στο εκπαιδευτικό σύνολο δεδομένων πυρκαγιών. Οι αναλύσεις ιστογραμμάτων της θερμοκρασίας ανακλαστικότητας και φωτεινότητας που αντιστοιχεί στα καμένα και μη καμένα εικονοστοιχεία, αποδείχθηκαν ένα αποτελεσματικό μέσο απόκτησης βελτιστοποιημένων τιμών κατώτατων ορίων.

Προσδιορισμός υποθετικών κελιών πυρκαγιάς

Ακολουθώντας την πρωτοποριακή εργασία Flannigan και Vonder Haar (1986) στην αυτόματη ανίχνευση των πυρκαγιών με την χρήση δεδομένων AVHRR, πολυάριθμες έρευνες έχουν δρομολογηθεί. Οι περισσότερες έχουν υιοθετήσει μια δοκιμή κατώτατων ορίων βασισμένη στη θερμοκρασία φωτεινότητας του καναλιού 3 της AVHRR. Αυτό εντοπίζει όλες τις πιθανές πυρκαγιές που δεν κρύβονται από τα παχιά σύννεφα, με τον προσδιορισμό των θερμών σημείων, δηλ. εικονοστοιχεία με θερμοκρασία φωτεινότητας (Τ3) υψηλότερη από μια συγκεκριμένη τιμή. Σύμφωνα με το νόμο του Planck, το κανάλι 3 μιας AVHRR, με ένα κεντρικό μήκος κύματος περίπου 3.7 χιλ., λαμβάνει τη μέγιστη ενέργεια ακτινοβολίας από τα αντικείμενα που εκπέμπουν σε θερμοκρασίες περίπου 800 Κ. Αυτή η θερμοκρασία είναι κοντά στη θερμοκρασία για καιγόμενη βιομάζα (Kennedy και λοιποί,1994). Εντούτοις, δεδομένου ότι ο AVHRR αισθητήρας δεν ήταν σχεδιασμένος για ανίχνευση πυρκαγιάς, χάνει την ευαισθησία σε τέτοιες υψηλές θερμοκρασίες. Για AVHRR επί δορυφόρου ΝΟΑΑ-14, το κανάλι 3 εμποτίζεται σε Τ3 περίπου 320 Κ. Εντούτοις, αποδεικνύεται να είναι το πιο χρήσιμο κανάλι της εικόνας AVHRR, για ανίχνευση πυρκαγιάς, όσο η θερμοκρασία φωτεινότητας για τα περισσότερα μη καμένα εικονοστοιχεία σημαντικά χαμηλότερη. Στην πράξη, τα κατώτατα όρια κάτω από την θερμοκρασία κορεσμού χρησιμοποιούνται συχνά για δύο λόγους. Ο πρώτος λόγος είναι ότι οι δασικές πυρκαγιές έχουν ένα μεγάλο εύρος θερμοκρασιών καψίματος που κυμαίνεται από χαμηλότερα από 500K έως και υψηλότερα από 1000K και έχουν επίσης ένα μεταβλητό μέρος της επιφάνειας καψίματος μέσα σε ένα εικονοστοιχείο. Για να επιτρέψει την ανίχνευση όλων των πυρκαγιών, απαιτείται μια χαμηλότερη αξία κατώτατων ορίων(threshold). Δεύτερον, οι Setzer και Verstraete (1994) προσδιόρισαν ένα πρόβλημα σχεδίου εφαρμοσμένης μηχανικής στην επί του σκάφους επεξεργασία παραγόμενου σήματος του καναλιού 3 για τον ΝΟΑΑ-11. Διαπίστωσαν ότι στα σήματα που υπερβαίνουν πολύ το όριο κορεσμού ορίζονται τιμές κάτω από το όριο κορεσμού. Κατά συνέπεια, οι στόχοι που είναι εξαιρετικά καυτοί μπορούν να έχουν μια θερμοκρασία φωτεινότητας χαμηλότερη από 320 Κ. Μια θερμοκρασία φωτεινότητας Τ3 =315K επιλέχτηκε σε αυτήν την μελέτη. Αυτό το κατώτατο όριο συλλαμβάνει σχεδόν όλες τις πραγματικές πυρκαγιές στις καθαρές ή από αραιά σύννεφα καλυμμένες περιοχές, όπως επιβεβαιώνονται από την εκπαιδευτική βάση δεδομένων πυρκαγιών. Αφετέρου, οδηγεί επίσης μακριά σε πάρα πολλές ψεύτικες πυρκαγιές (εικονοστοιχεία). Αυτοί οι λανθασμένοι προσδιορισμοί, προέρχονται από τους περιορισμούς του καναλιού 3 όπως η επίδραση της ηλιακής θαμπάδας, ανακλαστικά εδάφη, την επικάλυψη εικονοστοιχείων, την υποβάθμιση αισθητήρων, κ.λπ. (Setzer και Malingreau 1996). Η ηλιακή θαμπάδα είναι το σοβαρότερο πρόβλημα που αντιμετωπίζεται στην ανάλυσή μας λόγω της παρουσίας πολλών λιμνών και ποταμών που κατανέμονται σε όλον τον Καναδά. Για δορυφόρο ΝΟΑΑ-11 που έχει τη γεωμετρία θέασης κοντά στο κύριο επίπεδο, το πρόβλημα μπορεί εύκολα να επιλυθεί με την αποφυγή των μετρήσεων που γίνονται σε μπροστινές διασκορπιζόμενες κατευθύνσεις (Λι και λοιποί. 1997). Για ΤΟΝ ΝΟΑΑ-14, εντούτοις, αυτή η απλή λύση δεν ισχύει πλέον, δεδομένου ότι το επίπεδο εξέτασής του είναι μακριά από το κύριο επίπεδο και επειδή επίσης ηλιακή θαμπάδα εμφανίζεται από την πλευρά των σύννεφων στην κατεύθυνση ανάδρομης διασποράς. Οι επόμενες δοκιμές εισάγονται έτσι για να αφαιρέσουν τα εικονοστοιχεία ψεύτικης πυρκαγιάς.


Αφαίρεση ψεύτικων πυρκαγιών

Ο Kaufman και λοιποί. (1990) παρουσίασε τρεις δοκιμές για να αποβάλει τις ψεύτικες πυρκαγιές. Υιοθετήσαμε αυτές τις δοκιμές αλλά συντονίσαμε τις τιμές κατώτατων ορίων. Η πρώτη χρησιμοποιεί τη διαφορά θερμοκρασίας φωτεινότητας μεταξύ του καναλιού 3 και του καναλιού 4 (Τ3 - Τ4) για να προσδιορίσει τα ψεύτικα εικονοστοιχεία πυρκαγιάς που προκαλούνται από ένα θερμό υπόβαθρο. Μερικοί τύποι επιφανειών (π.χ. τα γυμνά εδάφη) μπορεί να γίνει αρκετά θερμοί για να εμποτίσουν το κανάλι 3. Δεδομένου ότι το φασματικό παράθυρο του καναλιού 4 βρίσκεται στο ηλεκτρομαγνητικό φάσμα που έχει τη μέγιστη εκπομπή ακτινοβολίας για τις συνηθισμένες γήινες θερμοκρασίες, η διαφορά Τ3 - Τ4 συμβάλλει στη διάκριση αυτών των ψεύτικων εικονοστοιχείων πυρκαγιάς. Στην περίπτωση του καψίματος βιομάζας, το κανάλι 3 λαμβάνει πολύ περισσότερη ακτινοβόλο ενέργεια από ότι το κανάλι 4 και έτσι η τιμή του Τ3 - Τ4 είναι υψηλή (Kennedy και λοιποί. 1994, Dowty 1996). Για τα αρκτικά δάση, η τιμή κατώτατου ορίου για το Τ3 - Τ4 ορίστηκε στους 14οΚ. Όλα τα εικονοστοιχεία με τιμές Τ3 - Τ4 μικρότερες από τους 14οΚ θεωρούνται εικονοστοιχεία ψεύτικων πυρκαγιών που προκαλούνται από ένα θερμό υπόβαθρο. Η δεύτερη δοκιμή που χρησιμοποιεί το κανάλι 4 μόνο του, διαγράφει τις ψεύτικες πυρκαγιές που προκαλούνται από ιδιαίτερα ανακλαστικά σύννεφα. Η ακτινοβολία που μετριέται από το κανάλι 3 προέρχεται και από την ηλιακή ανάκλαση και από την επίγεια εκπομπή. Η ανάκλαση της ηλιακής ακτινοβολίας από τα σύννεφα, μπορεί να είναι αρκετά μεγάλη ώστε και να εμποτίσει επίσης το κανάλι 3. Δεδομένου ότι τα σύννεφα έχουν συνήθως ψυχρές κορυφές και έτσι χαμηλές θερμοκρασίες φωτεινότητας, αυτή η δοκιμή απορρίπτει χαρακτηρισμένα εικονοστοιχεία πυρκαγιάς με Τ4 μικρότερη από 260οΚ. Η τρίτη δοκιμή προορίζεται να αποβάλει τα περισσότερο γενικά φωτεινά αντικείμενα στην απεικόνιση, συμπεριλαμβάνοντας και τα σύννεφα και τα εικονοστοιχεία της επιφάνειας. Σημειώστε ότι τα πολύ θερμά σημεία πυρκαγιάς, έχουν σχετικά μικρή ανακλαστικότητα στο κανάλι 2 (R2), η οποία οφείλεται στην κατανάλωση τέφρας και βιομάζας (Kennedy και λοιποί.1994). Επομένως όλα τα εικονοστοιχεία με R2>0.22, θεωρούνται σαν ψεύτικα εικονοστοιχεία πυρκαγιάς. Μια πρόσθετη δοκιμή κατώτατων ορίων εισήχθη για να αποβάλει εικονοστοιχεία ψεύτικων πυρκαγιών που προκαλούνται από τα λεπτά σύννεφα θυσάνους. Σε μερικές περιπτώσεις, ένας συνδυασμός θερμού υποβάθρου και λεπτών σύννεφων μπορεί να εμποτίσει το κανάλι 3 και να αρνηθεί τη δεύτερη δοκιμή. Τα λεπτά θυσανώδη σύννεφα έχουν χαμηλό Τ4 και υψηλό Τ3 λόγω ανάκλασης, που οδηγεί σε μεγάλες τιμές του Τ3 και του Τ3 - Τ4. Η πρόσθετη δοκιμή κάνει χρήση της διαφοράς μεταξύ των δύο θερμικών καναλιών AVHRR, 4 και 5. Η διαφορά Τ4 – Τ5 , έχει χρησιμοποιηθεί για να προσδιορίσει λεπτούς θυσάνους σύννεφων, η οποία αναφέρεται συχνά ως διασπασμένη τεχνική παραθύρων(split window technique), (Inoue 1987). Αυτή η δοκιμή εφαρμόζεται σε συνδυασμό με μια χαλαρή δοκιμή χρησιμοποιώντας την διαφορά Τ3 - Τ4. Όλα τα καυτά σημεία με το Τ4 – Τ5> 4.1οK και το Τ3 - Τ4< 19οK αφαιρούνται σαν ψεύτικες πυρκαγιές (αυτά τα κατώτατα όρια έχουν καθιερωθεί χρησιμοποιώντας τη βάση δεδομένων πυρκαγιών που υπάρχει. Εκτός από τις ανωτέρω δοκιμές κατώτατων ορίων, γίνονται δύο πρόσθετες διαλογές. Η πρώτη σχεδιάζεται σύμφωνα με το στόχο μας που είναι η ανίχνευση δασικών πυρκαγιών. Στον Καναδά, οι δασικές πυρκαγιές είναι πολύ πιο εκτεταμένες και επίμονες από ότι άλλοι τύποι πυρκαγιών. Με τον περιορισμό στις δασικές πυρκαγιές, μπορούμε να αποτρέψουμε συγκεκριμένα προβλήματα. Στην πράξη, ένας μεγάλος αριθμός ψεύτικων πυρκαγιών που προκαλούνται από την ηλιακή λάμψη και την ανάκλαση του εδάφους, εμφανίζονται σε υδάτινες επιφάνειες, άγονα εδάφη, αγροτικές εκτάσεις και λιβάδια. Αυτή η δοκιμή προσφεύγει στη χρήση μιας κατηγοριοποίησης κάλυψης γης σε χωρική ανάλυση 1 χλμ που προέρχεται από τα δεδομένα AVHRR (Pokrant 1991). Περιλαμβάνει 10 χονδροειδείς κατηγορίες κάλυψης γης, δηλαδή, το νερό, δάση τεσσάρων τύπων (μικτά δάση, πλατύφυλλα δάση, δάση κωνοφόρων και κηπευτά δάση ), αρκτική/αλπική τούνδρα, τα άγονα εδάφη, το γεωργικές καλλιέργειες, τα λιβάδια και τις πόλεις. Στη δοκιμή εξετάζονται μόνο τα δασικά εικονοστοιχεία. σύμφωνα με τους Chuvieco και Martin (1994). Η δεύτερη διαλογή αποβάλλει όλα τα μεμονωμένα εικονοστοιχεία καυτών σημείων, δηλ. κανένα γειτονικό εικονοστοιχείο το οποίο να χαρακτηρίζεται ως πυρκαγιάς. Αντιμετωπίζει τα προβλήματα που προκαλούνται από τη μόλυνση υποκελιών. Λόγω της χονδροειδούς ανάλυσης (μικρή διακριτική ικανότητα) και της κατηγοριοποίησης κάλυψης γης, το κατιόν, ένα οριζόμενο ως δασικό εικονοστοιχείο μπορεί να περιέχει ένα μέρος υδάτινης επιφάνειας, όπως η άκρη μιας λίμνης, που αποδίδει το πρόβλημα της ηλιακής λάμψης. Αν και η γεωμετρία θέασης ενός ΝΟΑΑ-14 είναι μακριά από το κύριο επίπεδο, η ηλιακή λάμψη μπορεί παρόλα αυτά να παρατηρηθεί για μια τραχιά υδάτινη επιφάνεια. Επίσης, η ηλιακή λάμψη από τη πλευρά του σύννεφου, τείνει να επηρεάσει τα απομονωμένα εικονοστοιχεία, όπου η θέση του ήλιου, η γωνία θέασης του δορυφόρου και οι επιφανειακές συνθήκες σύννεφων συνδυάζονται στη σωστή γεωμετρία. Αυτή η διαλογή εκμεταλλεύεται το γεγονός ότι οι πυρκαγιές βορείων δασών, εκτείνονται συνήθως πολύ πιο πέρα από ένα μέγεθος εικονοστοιχείου 1 χλμ μιας AVHRR. Τα περισσότερα ενιαία-καθορισμένα καυτά σημεία αποδεικνύονται να είναι ψεύτικες πυρκαγιές. Εντούτοις, η διαλογή έχει μια δυσμενή επίδραση εξάλειψης μικρών και αρχικού σταδίου πυρκαγιών, οι οποίες εν τούτοις μπορούν να ανακτηθούν από την οπτική επιθεώρηση καπνών πυρκαγιάς. Το σχήμα 1 παρουσιάζει ένα διάγραμμα ροής του αλγόριθμου ανίχνευσης πυρκαγιών. Η αποδοτικότητα κάθε βήματος του αλγορίθμου παρουσιάζεται στον πίνακα 1 όπου υπολογίστηκε από 24 απεικονίσεις επιφανειών 1200 Χ 1200km γύρω από την περιοχή BOREAS κατά τη διάρκεια αντιπυρικής περιόδου έτους 1995. Για αυτό το εκπαιδευτικό σύνολο δεδομένων, οι πυρκαγιές προσδιορίστηκαν από την οπτική επιθεώρηση των καυτών σημείων και των λοφίων καπνού ελλείψει παχιών σύννεφων. Τα αποτελέσματα των δοκιμών δίνονται από άποψη του αριθμού των αληθινών πυρκαγιών (NTF) που διατηρούνται και του αριθμού των ψεύτικων πυρκαγιών που αφαιρέθηκαν σε κάθε δοκιμή. Να σημειωθεί ότι η αποτελεσματικότητα μιας καθορισμένης δοκιμής, μπορεί να εξαρτηθεί από την σειρά των δοκιμών. Προκύπτει από τον πίνακα 1 ότι μετά από την εφαρμογή όλων των δοκιμών, ο αλγόριθμος έχασε το 11% των αληθινών εικονοστοιχείων πυρκαγιάς και έσβησε το 99% των ψεύτικων εικονοστοιχείων πυρκαγιάς. Από άποψη γεγονότων πυρκαγιάς, το ποσοστό των πραγματικών πυρκαγιών που δεν εντοπίστηκαν, θα ήταν μικρότερο από αυτό που δίνεται στον πίνακα 1, αφού ένα γεγονός πυρκαγιάς αποτελείται συνήθως από ένα τμήμα εικονοστοιχείων πυρκαγιάς, για μια χρονική περίοδο. Η δοκιμή για την αφαίρεση μεμονωμένων εικονοστοιχείων πυρκαγιάς, προξένησε την απώλεια εντοπισμού αρκετών εικονοστοιχείων πραγματικής πυρκαγιάς, όμως απέβαλε έναν μεγάλο αριθμό ψεύτικων πυρκαγιών.





Εικόνα 2: Δασικές πυρκαγιές που ανιχνεύτηκαν στις 25 Ιουνίου 1995 στον Καναδά. Τα κόκκινα σημάδια είναι σημεία πυρκαγιάς τοποθετημένα πάνω σε ένα ψευδέγχρωμο σύνθετο εικόνας AVHRR (πράσινη η βλάστηση, πορτοκαλί ο καπνός και άσπρο για τα σύννεφα, ενώ μπλε για αραιά σύννεφα επιφάνειας). Πηγή: Z. LI†, S. NADON and J. CIHLAR(1999) "Internationa l Journal of Remote Sensing ISSN 0143-1161 print/ISSN 1366-5901 online © 2000 Government of Canada".


Και τα δύο βήματα καλύπτουν τις δοκιμές κατώτατων ορίων. Όλες οι δοκιμές βελτιστοποιούνται για και να ανιχνεύσουν πραγματικές πυρκαγιές και να αφαιρέσουν όσο το δυνατόν περισσότερο «λάθος» πυρκαγιές. Ενώ η πλειοψηφία των δοκιμών προτάθηκε προηγουμένως, οι τιμές κατώτατων ορίων επιλέχτηκαν μετά από μια προσέγγιση δοκιμής-και-λάθους βασισμένη στο εκπαιδευτικό σύνολο δεδομένων πυρκαγιών. Οι αναλύσεις ιστογραμμάτων της θερμοκρασίας ανακλαστικότητας και φωτεινότητας που αντιστοιχεί στα καμένα και μη καμένα εικονοστοιχεία, αποδείχθηκαν ένα αποτελεσματικό μέσο απόκτησης βελτιστοποιημένων τιμών κατώτατων ορίων. Το αποτέλεσμα απεικονίζεται στην εικόνα 2.














ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ 2

Περίληψη

Σε αυτή τη μελέτη η ζημιά στη δασική επιφάνεια προκλήθηκε από μια μεγάλη πυρκαγιά που εκδηλώθηκε στο Μαρμαρά της Τουρκίας τον Ιούλιο του 1996 και αναλύθηκε με την χρήση δορυφορικών αισθητήρων εικόνων. Ψηφιακές μέθοδοι επεξεργασίας, όπως η ανάλυση των φασματικών υπογραφών, οι δείκτες βλάστησης και η πολυφασματική κατηγοριοποίηση, εφαρμόστηκαν στους αισθητήρες των δορυφορικών εικόνων, οι οποίες λήφθηκαν πριν και μετά την πυρκαγιά. Παράλληλα χρησιμοποιήθηκε ο συμβατικός αλγόριθμος κατηγοριοποίησης μέγιστης πιθανοφάνειας (maximum likelihood classification algorithm), ενώ μια αρχιτεκτονική πολυεπίπεδης προσωτροφοδότησης νευρωνικού δικτύου (multilayer feed-forward Neural network),χρησιμοποιήθηκε επίσης για σύγκριση και επικύρωση της αποτελεσματικότητάς της. Δημιουργήθηκε μια GIS βάση δεδομένων από τα ψηφιδωτά δεδομένα (δεδομένα δορυφορικού αισθητήρα), τα διανυσματικά δεδομένα (είδη δασών και τοπογραφικούς χάρτες), καθώς και πρόσθετα βοηθητικά δεδομένα (μετεωρολογικά δεδομένα). Τα ΓΣΠ χρησιμοποιούνται για να αναπτύξουν ένα πληροφοριακό σύστημα υποστήριξης και λήψης αποφάσεων, για την παρακολούθηση, καταγραφή και πρόβλεψη της δραστηριότητας των δασικών πυρκαγιών, με σκοπό την ενίσχυση της ικανότητας διαχείρισης των, από τις Δασικές Υπηρεσίες. Αυτή η μελέτη φέρνει στο φως τις ελλείψεις στην υπάρχουσα προσέγγιση στην διαχείριση δασικών πυρκαγιών, δίνοντας έμφαση στην ανάγκη για μια προηγμένη μέθοδο, στις ενότητες που ακολουθούν.

Περιοχή μελέτης

Εικόνα 3: Περιοχή μελέτης Πηγή: int. j. remote sensing, 2001, vol. 22, no. 12, 2265–2277 Forest . re analysis with remote sensing data.

Η πυρκαγιά ξεκίνησε στις 27 Ιουλίου 1996 από το σημείο με συντεταγμένες (42°W 35°N–40°W 33°N), οι οποίες προσδιορίζουν τις νοτιοανατολικές ακτές της Τουρκίας (εικόνα 3). Η φωτιά επεκτάθηκε και σε γειτονικά δάση και έκαιγε για 4 ημέρες. Η τοπογραφία της περιοχής είναι διακοπτόμενη και απότομη , με κλίσεις μεγαλύτερες από 5-12%. Το υψόμετρο κυμαίνεται από 50 μέτρα και στις κορυφογραμμές έως 600 μέτρα. Η μέση θερμοκρασία του Αυγούστου είναι 42οΚελσίου , ενώ ο ετήσιος μέσος όρος βροχόπτωσης είναι 1257mm. Η περιοχή χαρακτηρίζεται ως δάσος Πεύκης με κυρίαρχο είδος την Τραχεία Πεύκη (Pinus Brutia).


Συλλογή δεδομένων

Αποτελεσματικά υποστηρικτικά συστήματα διαχείρισης , χρειάζονται για την καταγραφή και την πρόβλεψη της δραστηριότητας μιας πυρκαγιάς και για να ενισχύσουν την διαχείριση της πυρκαγιάς από τις αρμόδιες Υπηρεσίες. Για την ανάπτυξη και την χρήση ενός τέτοιου συστήματος, απαιτείται μια υπολογιστικά υπολογιστικό σύστημα πληροφορίας δασικών πυρκαγιών, υποστηριζόμενο από τηλεπισκοπικές πληροφορίες. Σε αυτή τη μελέτη τα δεδομένα εισαγωγής στο σύστημα, αποκτήθηκαν από τις παρακάτω πηγές:

i. Ψηφιδωτά δεδομένα: μια εικόνα Landsat TM (Thematic Mapper), λήφθηκε πριν από την πυρκαγιά (24 Ιουλίου 1996), και δύο εικόνες IRS-1C LISS (Linear Imaging Self-Scanner) και SPOT HRV (High Resolution Visible) πανχρωματική, οι οποίες λήφθηκαν μετά την πυρκαγιά (22 Αυγούστου 1996 και 15 Νοεμβρίου 1996, αντίστοιχα) και χρησιμοποιήθηκαν στην ανάλυση. Οι συνθήκες πριν την πυρκαγιά, αποτιμήθηκαν από την εικόνα Landsat TM, ενώ οι συνθήκες μετά την πυρκαγιά, καθώς και η χωρική έκταση της καμένης επιφάνειας αποτιμήθηκαν από τα δεδομένα IRS-1C LISS. Τα δεδομένα από την πανχρωματική εικόνα SPOT, χρησιμοποιήθηκαν μόνο για οπτική ανάλυση, λόγω της ευρέως φασματικής χωρικής ανάλυσης.

ii. Διανυσματικά δεδομένα: αυτά αποτελούντο από χαρτογραφικά δεδομένα. Οι 3 εθνικοί τοπογραφικοί χάρτες κλίμακας 1: 25000, οι οποίοι κάλυψαν την περιοχή μελέτης, ψηφιοποιήθηκαν με διαστήματα 50 μέτρων μεταξύ των ισοϋψών. Θεματικοί δασικοί χάρτες κλίμακας 1: 25000, παρήχθησαν από την αρμόδια δασική Υπηρεσία και οι οποίοι απεικόνιζαν τις επιφάνειες που είχαν καεί στο παρελθόν, οι οποίες ψηφιοποιήθηκαν. Σε αυτούς τους δασικούς χάρτες, οι καμένες περιοχές κατηγοριοποιήθηκαν σε 3 κλάσεις: παραγωγικές περιοχές, κατεστραμμένες περιοχές και μη δασικές περιοχές.

iii. Επικουρικά δεδομένα: μετεωρολογικά δεδομένα (μέση και μέγιστη ταχύτητα ανέμου, διεύθυνση ανέμου, μέση τιμή σχετικής υγρασίας %, μέση τιμή θερμοκρασίας αέρα ξηρού θερμομέτρου σε οC και συνολική βροχόπτωση), τα οποία λήφθηκαν από μετεωρολογικό σταθμό εγκατεστημένο στην περιοχή μελέτης. Τα δεδομένα συλλέκτηκαν τις ημερομηνίες απόκτησης των αντίστοιχων δορυφορικών δεδομένων, δηλαδή ανάμεσα στον Ιούλιο και τον Νοέμβριο 1996.

Εφαρμογή Υπάρχουν αρκετοί διαφορετικοί τρόποι ανίχνευσης κατεστραμμένων από πυρκαγιά δασικών επιφανειών χρησιμοποιώντας την ψηφιακή επεξεργασία εικόνας όπως ανάλυση της φασματικής υπογραφής, δείκτες βλάστησης και ταξινόμηση.


Ανάλυση φασματικής υπογραφής (spectral profile analysis)

Όλες οι οντότητες πάνω σε μια επιφάνεια, έχουν σχέδια φασματικής απόκρισης. Εάν αυτά τα σχέδια, ή τα φάσματα, είναι μοναδικά, τότε αυτές οι οντότητες και τα χαρακτηριστικά γνωρίσματά τους μπορούν να προσδιοριστούν σαφώς από τη φασματική πληροφορία τους, χρησιμοποιώντας τηλεπισκοπικά δεδομένα. Αν και μπορεί να μην είναι εφικτό να προσδιοριστούν μοναδικές υπογραφές για οντότητες με παρόμοια φασματικά χαρακτηριστικά (όπως μεταξύ μερικών τύπων βλάστησης), διακριτικά φασματικά σχέδια για περιοχές με βλάστηση σε σχέση με περιοχές χωρίς βλάστηση και επίσης η ύπαρξη της ασθενούς ή έντονης βλάστησης, μπορεί συχνά να αναγνωριστεί. Έχοντας αυτό υπόψη, επιλέχτηκαν αυθαίρετα τέσσερα ευπροσδιόριστα σημεία στις εικόνες και οι φασματικές τους υπογραφές ανάκλασης, εξήχθησαν από τις εικόνες πριν και μετά από την πυρκαγιά (σχήμα 3). Αυτά τα σημεία αξιολογήθηκαν και συγκρίθηκαν με την σχετική πληροφορία που περιέχετο στους δασικούς χάρτες.

Σχήμα 3: Φασματικές υπογραφές των 4 επιλεγμένων σημείων από την εικόνα LANDSAT TM (a) πριν την πυρκαγιά και από την εικόνα IRS-1C (b), μετά την πυρκαγιά. Πηγή: int. j. remote sensing, 2001, vol. 22, no. 12, 2265–2277 Forest . re analysis with remote sensing data.



Δείκτες βλάστησης (vegetation indices)

Οι δείκτες αυτοί είναι ποσοτικά μέτρα, βασισμένα στις φασματικές ιδιότητες βλάστησης, οι οποίοι προσπαθούν να μετρήσουν τη βιομάζα ή το βλαστητικό σθένος. Η απλούστερη μορφή δείκτη βλάστησης είναι απλά τα κλάσμα μεταξύ δύο ψηφιακών τιμών από ανεξάρτητα φασματικά κανάλια. Υψηλές τιμές του δείκτη βλάστησης προσδιορίζουν τα εικονοστοιχεία που καλύπτονται από τα ουσιαστικής σημασίας ποσοστά της υγιούς βλάστησης (Campbell 1987). Οι δείκτες βλάστησης μπορούν να ταξινομηθούν σε δύο ευρείες κατηγορίες: δείκτες αναλογίας και ορθολογικούς δείκτες. Η πρώτη κατηγορία, που χρησιμοποιείται σε αυτήν την μελέτη, είναι βασισμένη στoυς λόγους των ψηφιακών τιμών του κόκκινου (R) και του εγγύς υπέρυθρου φασματικού καναλιού (NIR), που επιλέγονται λόγω της αντίστροφης σχέσης μεταξύ του συντελεστή ανάκλασης της βλάστησης σε αυτές τις περιοχές. Σε αυτήν την μελέτη εφαρμόστηκε, ο κανονικοποιημένος δείκτης διαφοράς βλάστησης NDVI (NDVI=NIR-R/NIR+R), η οποία είναι η πλέον συνηθέστερα χρησιμοποιούμενος λόγος μετασχηματισμού για τις μελέτες βλάστησης. Η ομαλοποίηση του δείκτη NDVI, μειώνει τις επιδράσεις των διακυμάνσεων που προκαλούνται από την τοπογραφία. Οι δυο δορυφορικές εικόνες που πάρθηκαν πριν και μετά την πυρκαγιά, συνταυτίστηκαν με μια διαδικασία ομαλής καταγραφής και δημιούργησαν τους λόγους:

IRS NIR/Landsat NIR και IRS NDVI/Landsat NDVI, για να αποτιμήσουν τις αλλαγές που προκύπτουν ανάμεσα στις δυο ημερομηνίες.


Ταξινόμηση (Classification)

Σε αυτήν την μελέτη, εφαρμόστηκαν 2 διαφορετικές μέθοδοι ταξινόμησης για να ταξινομήσουν. Τις κατεστραμμένες από πυρκαγιά δασικές περιοχές: η συμβατική ταξινόμηση (conventional classification) και η ταξινόμηση νευρωνικών δικτύων (neural network classification).

Συμβατική ταξινόμηση

Η διαδικασία ταξινόμησης αυτή, περιγράφεται ως ο προσδιορισμός του σχεδίου που συνδέεται με τη θέση κάθε εικονοστοιχείου στην εικόνα από άποψη χαρακτηριστικών των αντικειμένων ή των υλικών στο αντίστοιχο σημείο στη γήινη επιφάνεια (Mather 1987). Το πρόβλημα κατανομής των εικονοστοιχείων στην πλέον πιθανή κατηγορία τους μπορεί να προσεγγιστεί με έναν από τους δύο τρόπους: ο πρώτος, μια μη επιβλεπόμενη (unsupervised) ταξινόμηση, μπορεί να οριστεί ως ο προσδιορισμός των φυσικών ομάδων, ή δομών, μέσα στα πολυφασματικά δεδομένα, ενώ ο δεύτερος τρόπος , η επιβλεπόμενη (supervised) ταξινόμηση, μπορεί να οριστεί ανεπίσημα σαν η διαδικασία χρήσης δειγμάτων γνωστής ταυτότητος (Campbell 1987). Σε αυτήν την μελέτη, η μέθοδος ταξινόμησης, βασίστηκε σε έναν αλγόριθμο διαδραστικών επαναληπτικών αυτοοργανωμένων δεδομένων γνωστό σαν ISODATA (Iterative Self-Organizing DATA) και χρησιμοποιήθηκε για να καθορίσει τις αρχικές κατηγορίες. Οι προκύπτουσες κατηγορίες εξετάστηκαν φασματικά και χωρικά με τις επίγειες πληροφορίες και συγχωνεύθηκαν, χωρίστηκαν ή απορρίφθηκαν και αναταξινομήθηκαν ανάλογα με την περίπτωση. Τα στατιστικά από αυτές τις κατηγορίες χρησιμοποιήθηκαν στη συνέχεια, ως εισαγωγή σε μια ταξινόμηση μέγιστης πιθανοφάνειας, η οποία βασικά κατανέμει τα εικονοστοιχεία στην κατηγορία στην οποία έχουν την υψηλότερη πιθανότητα να ανήκουν. Αυτή η προσέγγιση υποθέτει ότι οι πραγματικές κλάσεις που πρέπει να διακριθούν, αντιπροσωπεύονται στα δεδομένα της εικόνας ως κανονικές κατανομές γύρω από τις μέσες τιμές της κλάσης. Η μορφή κάθε κανονικής κατανομής καθορίζεται από το μέσο όρο και τη διακύμανση/συνδιακύμανση της κλάσης. Η κατανομή των εικονοστοιχείων στις κλάσεις, περιλαμβάνει τη χρησιμοποίηση των στατιστικών κατανομής της κλάσης ως λειτουργία πυκνότητας πιθανότητας για την κλάση που σημειώνει την πιθανότητα μιας συγκεκριμένης τιμής εικονοστοιχείου που ανήκει στην κλάση (Swain και Davis 1978, Harrison και Jupp 1990).


Ταξινόμηση νευρωνικών δικτύων

Ένα νευρωνικό δίκτυο, εφαρμόστηκε πρόσφατα σε διάφορα προβλήματα ταξινόμησης εικόνων και είναι μια κατευθυνόμενη γραφική παράσταση που αποτελείται από νευρώνες ή κόμβους που διατάσσονται σε επίπεδα με συνδέσμους διασύνδεσης (Haykin 1994). Αυτές οι δομές αναπαριστούν ένα σύστημα που αποτελείται από πολλά απλά στοιχεία επεξεργασίας που λειτουργούν παράλληλα η λειτουργία των οποίων καθορίζεται από τη δομή των δικτύων, τη σύνδεση, τα βάρη και τη λειτουργία κόμβων (Hara και λοιποί. 1994). Τα κύρια χαρακτηριστικά των νευρωνικών δικτύων είναι:

	*έχουν μια εγγενή δυνατότητα να γενικεύουν,αυτά κάνουν πιο αδύνατες a priori υποθέσεις για τη στατιστική κατανομήτων κλάσεων στο σύνολο δεδομένων από ότι ένας παραμετρικός ταξινομητής Bayes και 
	*είναι σε θέση να διαμορφώνουν μη γραμμικά όρια απόφασης στο χώρο των
    οντοτήτων (Bock 1996).

Διάφορες αρχιτεκτονικές νευρωνικών δικτύων και αλγόριθμοι έχουν αναπτυχτεί και έχουν χρησιμοποιηθεί εκτενώς, π.χ. στην ταξινόμηση, στην πρόβλεψη και την μοντελοποίηση. Υπάρχουν δύο βασικοί τύποι αρχιτεκτονικής νευρωνικών δικτύων: η επιβλεπόμενη και η μη επιβλεπόμενη. Η επιβλεπόμενη μέθοδος, η οποία χρησιμοποιείται σε αυτήν την μελέτη, είναι μια διαδικασία που επιτυγχάνεται από την αναπαράσταση των δεδομένων εισαγωγής στο νευρωνικό δίκτυο και στη συνέχεια την υλοποίηση μιας σύγκρισης των πραγματικά γνωστών παραγόμενων αποτελεσμάτων με τα προβλεφθέντα. Η μη επιβλεπόμενη μέθοδος είναι μια διαδικασία όταν το δίκτυο είναι σε θέση να ανακαλύψει στατιστικές ομαλότητες στον χώρο εισαγωγής του και αυτόματα αναπτύσσει διαφορετικούς τρόπους συμπεριφοράς, για να αναπαραστήσει διαφορετικές κλάσεις δεδομένων εισαγωγής (O¨zkan and Sunar 1999, BerberogÏu and Curran 1998).


Αποτελέσματα

Από τη στιγμή που οι επηρεασμένες από την φωτιά επιφάνειες με βλάστηση έχουν υποστεί πίεση (stress), και είναι ανίκανα θρεπτικά περιβάλλοντα για την αύξηση των φυτών, οι φασματικές ιδιότητες αυτών των περιοχών, μετρημένες σε διάφορες χρονικές στιγμές χρόνου από τηλεπισκοπικά δεδομένα, θα επιτρέψουν στο καμένο τοπίο βλάστησης να προσδιοριστεί και αποτιμηθεί (Sunar και Taberner 1998). Όπως μπορεί κάποιος να δει στο σχήμα 3(a), μια καμπύλη χαρακτηριστικών ανάκλασης τοπίου για τα τέσσερα επιλεγμένα σημεία στην εικόνα Landsat TM παρουσιάζει σχετικά χαμηλές τιμές στις κόκκινες και μπλε περιοχές στο ορατό φάσμα με μια αιχμή στην πράσινο φασματικό κανάλι, λόγω της απορρόφησης του μπλε και του κόκκινου φωτός από την χλωροφύλλη και άλλες χρωστικές ουσίες, ενώ υπάρχει υψηλή ανάκλαση στην υπέρυθρη περιοχή λόγω της εσωτερικής δομής των φύλλων (Lillesand και Kiefer 1994). Εντούτοις, η καμπύλη έχει διαφορετικά χαρακτηριστικά στη IRS-1C εικόνα, λόγω του δάσους που καίγεται (σχήμα 3(b)). Οι διαφορές που παρατηρήθηκαν στις δυο αυτές γραφικές παραστάσεις το κατέστησαν ικανό να αναλύσει την καταστροφή της κάλυψης της βλάστησης λόγω της δασικής πυρκαγιάς και να ερμηνεύσει τα αποτελέσματα ταξινόμησης ακριβέστερα. Από τη στιγμή που η φωτιά αφαιρεί μεταβλητά ποσά πράσινης βιομάζας από μια περιοχή βλάστησης και το αφαιρούμενο ποσό εξαρτάται από τη δριμύτητα της φωτιάς, υπάρχει μια καλή συσχέτιση ανάμεσα στους δείκτες βλάστησης και την δριμύτητα της φωτιάς. Σε αυτήν την μελέτη, ο NDVI εφαρμόστηκε σε Landsat TM (πριν τη φωτιά, σχήμα 4(a)) και σε εικόνα IRS-1C (μετά την φωτιά, σχήμα 4(b)) και κλιμακώθηκε από 0-255 για την απεικόνιση της εικόνας. Όπως μπορεί να δει κάποιος στο σχήμα 4 (a), οι περιοχές με βλάστηση, παράγουν γενικά υψηλές τιμές λόγω της σχετικά υψηλής ανάκλασης του εγγύς υπέρυθρου καναλιού και της χαμηλής ορατής ανάκλασης, ενώ οι πολύ καμένες περιοχές (μαύρες) διακρίθηκαν εύκολα από τις άκαυτες περιοχές (άσπρες) στο σχήμα 4 (b). Ο βαθμός αλλαγής που έχει πραγματοποιηθεί μεταξύ των δύο ημερομηνιών στην περιοχή μελέτης μπορεί να σκιαγραφηθεί εύκολα στην εικόνα με τον λόγο IRS NIR/Landsat NIR (σχήμα 4(c)).

Σχήμα 4: Ο NDVI σε εικόνα LANDSAT TM (a), πριν την πυρκαγιά, σε εικόνα IRS-1C LISS (b), ενώ η εικόνα (c) απεικονίζει τον λόγο IRS NIR/Landsat NIR. Πηγή: int. j. remote sensing, 2001, vol. 22, no. 12, 2265–2277 Forest . re analysis with remote sensing data.


Οι κλάσεις που λαμβάνονται από τις διαδικασίες ταξινόμησης και αντιστοιχούν στις καμένες δασικές περιοχές, προσδιορίστηκαν με την εξέτασή τους φασματικά και χωρικά (σχήμα 5(a)). Οι σημαντικότεροι τύποι εδαφικής κάλυψης απομονώθηκαν στην περιοχή μελέτης όπου:

1. καμένη δασική περιοχή 2. δασική περιοχή 3. αστικές περιοχές 4. γυμνά εδάφη 5. βραχώδεις περιοχές και 6. θάλασσα

Η ταξινομημένη εικόνα γενικώς συμφωνούσε με το θεματικό χάρτη που είχε δημιουργηθεί από την Κεντρική Δασική Υπηρεσία, αλλά διαπιστώθηκε ότι υπήρξαν μερικές διαφορές στις δασικές δομές στις νότιες και βόρειες περιοχές (σχήμα 5(a), 5 (b)). Αυτό ήταν ιδιαίτερα εμφανές στις νότιες περιοχές, όπου η σφριγηλή δασική δομή (που παρουσιάζεται με ροζ στο θεματικό χάρτη (σχήμα 5 (b)), είχε επηρεαστεί, απεικονισμένη με μια μείωση στην κάλυψη βλάστησης με το χρόνο (Ozkan το 1998).

Σχήμα 5: (a) Ταξινομημένη εικόνα LANDSAT TM (αριστερά) και IRS-1C LISS (δεξιά), ενώ το σχήμα (b) απεικονίζει θεματικό χάρτη καμένων περιοχών που δημιουργήθηκε από την Κεντρική Δασική Υπηρεσία. Στο σχήμα (c)απεικονίζονται διαφορές μεταξύ της ταξινομημένης IRS-1C εικόνας και του θεματικού χάρτη. Οι κόκκινοι κύκλοι παρουσιάζουν άκαυτες μη δασικές περιοχές. Πηγή: int. j. remote sensing, 2001, vol. 22, no. 12, 2265–2277 Forest . re analysis with remote sensing data.


Ένα πολυστρωματικό προσωτροφοδοτούμενο αναγνωριστικό μοντέλο , που αποτελείται από ένα επίπεδο εισαγωγής, δύο κρυμμένα επίπεδα κόμβων επεξεργασίας και ενός παραγόμενου επιπέδου, εφαρμόστηκε σε δεδομένα εικόνας IRS-1C. Το δίκτυο εκπαιδεύθηκε με έναν οπισθοδρομικό αλγόριθμο περιλαμβάνοντας μια μπροστινή και μια αντίστροφη φάση μέσω της δομής των νευρικών δικτύων και μιας 0.4 ορμής εκμάθησης. Η αρχιτεκτονική δικτύων αποτελείται από δύο μονάδες εισαγωγής (IRS-1C εγγύς υπέρυθρο και κόκκινα κανάλια αντίστοιχα), πέντε πρώτες κρυμμένες μονάδες, 15 δεύτερες κρυμμένες μονάδες, και έξι παραγόμενες μονάδες που αναπαριστούν τις κατηγορίες κάλυψης γης. Το εκπαιδευτικό σύνολο δεδομένων που χρησιμοποιήθηκε, περιέλαβε 864 εικονοστοιχεία με διαφορετικό αριθμό εικονοστοιχείων ανά κατηγορία κάλυψης γης (259, 217, 57, 219, 50 και 67 εικονοστοιχεία για την καμένη δασική περιοχή, την δασική περιοχή, τις αστικές περιοχές, τα γυμνά εδάφη, τη βραχώδη περιοχή και τη θάλασσα, αντίστοιχα) και το δίκτυο ήταν εκπαιδευμένοι κύκλοι των 2000 με ένα ποσοστό εκμάθησης 0.3. Η λειτουργία μεταφοράς που χρησιμοποιήθηκε σε αυτήν την μελέτη ήταν σιγμοειδής. Το αποτέλεσμα της ταξινόμησης με νευρωνικά δίκτυα, της εικόνας IRS-1C, φαίνεται στο σχήμα 6.

Σχήμα 6: Αποτέλεσμα επιβλεπόμενης ταξινόμησης με νευρωνικά δίκτυα εικόνας IRC-1C. Πηγή: int. j. remote sensing, 2001, vol. 22, no. 12, 2265–2277 Forest . re analysis with remote sensing data.


Οι ταξινομημένες εικόνες IRS-1C εικόνες που έλαβαν κάθε μέθοδο ταξινόμησης, καταχωρήθηκαν σε προβολικό σύστημα εγκάρσιας μερκατορικής προβολής (UTM), για να ποσοτικοποιήσουν και να σκιαγραφήσουν τις καμένες περιοχές. Σύμφωνα με τα αρχεία της Κεντρικής Υπηρεσίας Δασών, η περιοχή που κάηκε ήταν 7094 εκτάρια, αυτή η επιφάνεια είναι πολύ υψηλότερη από αυτή που υπολογίστηκε και από τις δύο συμβατικές μεθόδους (6290 εκτάρια) και τον τεχνητό αλγόριθμο νευρωνικών δικτύων (6294 εκτάρια). Υπάρχουν τρεις κύριοι λόγοι για αυτήν την απόκλιση:

Ο θεματικός χάρτης που δημιουργήθηκε από την Κεντρική Υπηρεσία Δασών σκιαγράφησε τις καμένες περιοχές χρησιμοποιώντας συμβατικές μεθόδους: τα όρια των καμένων δασικών περιοχών ήταν περίπου σκιαγραφημένα στα δασικά σχέδια, επιθεωρώντας τη ζημιά από το ελικόπτερο ή με επίγειους ελέγχους. Η έκταση της περιοχής υπολογίστηκε χρησιμοποιώντας μεθόδους οριζοντιογραφικής αποτύπωσης.

  • Μερικές από τις μη δασικές περιοχές, που απεικονίζονται με κόκκινους κύκλους στην ταξινομημένη εικόνα του σχήματος 5 (c), δεν ήταν ταξινομημένες ως καμένες, αν και είχαν σημειωθεί ως καμένες στον θεματικό χάρτη. Θεωρείται ότι αυτό είναι ένα αποτέλεσμα της γενίκευσης του θεματικού χάρτη που προετοιμάζεται μετά από την πυρκαγιά.
  • Η τηλεπισκόπηση επιτρέπει αντικειμενικότερες, οριστικές και αμερόληπτες αποφάσεις που λαμβάνονται από μια συνοπτική άποψη με ικανότητες να ανιχνευθεί και να ελεγχθεί η βιομάζα βλάστησης λεπτομερέστερα από τις κατά προσέγγιση επίγειες εκτιμήσεις.






ΜΕΛΕΤΗ ΠΕΡΙΠΤΩΣΗΣ 3

Περίληψη

Αυτό το άρθρο παρουσιάζει τη διαχρονική ανάλυση μιας σειράς εικόνων SAR (Synthetic Aperture Radar), μιας περιοχής που επηρεάστηκε από διάφορες πυρκαγιές κατά τη διάρκεια των ετών 2000 και 2001 στην κεντρική Πορτογαλία. Μια αρχική μελέτη πραγματοποιήθηκε για να προσδιορίσει τις καλύτερες συνθήκες για να αποκτήσει τα βέλτιστα δεδομένα εικόνων SAR. Οι καμένες περιοχές ταξινομήθηκαν χρησιμοποιώντας τεχνικές νευρωνικών δικτύων. Η ταξινόμηση νευρωνικών δικτύων, παρουσίασε μια συνολική ακρίβεια 92.11% χρησιμοποιώντας μια ολόκληρη χρονική σειρά εικόνων ERS-SAR, ενώ επιτεύχθηκε μια ακρίβεια 89.90%, είχε επιτευχτεί κατά την χρησιμοποίηση ενός υποσυνόλου απεικονίσεων που επιλέχτηκαν μέσω της ανάλυσης κυρίων συνιστωσών, PCA (Principal Components Analysis). Τελικά, οι ληφθέντες χάρτες καμένων περιοχών συγκρίθηκαν με τις εκτιμήσεις από την Πορτογαλική Υπηρεσία Δασικών Εφαρμογών (DGF, Direccao Geral das Florestas) και το Ευρωπαϊκό Σύστημα Αποτίμησης Ζημιάς Δασικών Πυρκαγιών(EFFDAS). Αυτή η σύγκριση έδειξε ότι η βασισμένη στις εικόνες SAR μεθοδολογία παρείχε την υψηλότερη ακρίβεια από τα άλλα συστήματα. Η ευαισθησία των δεδομένων SAR στο να καθορίσει τη δριμύτητα καψίματος, επέτρεψε τη διάκριση των μερικώς καμένων περιοχών και των νησίδων μέσα στην περίμετρο της πυρκαγιάς. Αυτά τα αποτελέσματα δείχνουν ότι η ανάλυση της χρονικής παραλλαγής στο ERS-SAR συντελεστή οπισθοσκέδασης (backscatter coefficient), επιτρέπει την εξαγωγή των εξακριβωμένων και αξιόπιστων πληροφοριών για τη θέση και την έκταση των καμένων περιοχών στα μεσογειακά δασικά περιβάλλοντα.


1. Εισαγωγή

Κάθε χρόνο, καίγονται χιλιάδες εκτάρια δάσους σε ολόκληρη τη νότια Ευρώπη. Λόγω της έλλειψης μιας εναρμονισμένης αποτίμησης του αντίκτυπου της δασικής πυρκαγιάς στην Ευρώπη, η Ευρωπαϊκή Επιτροπή οργάνωσε μια ερευνητική ομάδα για να εργαστεί ειδικά στην ανάπτυξη και την εφαρμογή των προηγμένων μεθόδων για τη χαρτογράφηση των καμένων περιοχών. Αν και τα αποτελέσματα με την χρήση οπτικών δορυφορικών δεδομένων για την εκτίμηση της ζημιάς της πυρκαγιάς είναι ικανοποιητικά, υπάρχει ακόμα περιορισμένη επιτυχία σε εκείνες τις μεθοδολογίες, δεδομένου ότι η παρουσία σύννεφων και καπνού μπορεί να αποτρέψει την απόκτηση των οπτικών δεδομένων. Περαιτέρω, η παρουσία σύννεφων σε μερικές περιοχές μπορεί να έχει τον πρώτο λόγο για την υποτίμηση της συνολικής καμένης περιοχής. Η χρήση των δεδομένων μικροκυμάτων εικόνων τηλεπισκόπησης που αποκτήθηκαν από τα ραντάρ (SAR), ερευνήθηκε για να υπερνικήσει αυτόν τον περιορισμό, δεδομένου ότι τα συστήματα SAR είναι σε θέση να αποκτήσουν τις εικόνες υπό σχεδόν όλες τις μετεωρολογικές συνθήκες. Σήμερα, υπάρχει πολλή καλή άποψη στη χρησιμότητα των δεδομένων του καναλιού C ενός SAR για τη καμένη χαρτογράφηση καμένης περιοχής και της αποτίμησης της ζημιάς από την πυρκαγιά στις δασικές περιοχές. Έχουν εκτελεστεί πολλές δοκιμές για να αναλύσουν τις παραλλαγές των εικόνων ERS-SAR που συνδέονται με τις δασικές πυρκαγιές στην αρκτική περιοχή της Αλάσκας και του Καναδά (Kasischke και λοιποί. 1994, Bourgeau-Chavez και λοιποί. 1997, Dwyer και λοιποί. 2002) και στο δάσος τροπικών βροχών στην Ινδονησία (Siegert και λοιποί. 1995, Kuntz και Siegert 1999). Όλες οι μελέτες βρήκαν διαφορές στο σήμα οπισθοσκέδασης μεταξύ των κυρίως ανεπηρέαστων και επηρεασμένων από πυρκαγιά περιοχών. Εντούτοις, καμία μελέτη δεν έχει δημοσιευθεί για τη δυνατότητα εφαρμογής των δεδομένων εικόνων SAR που αποκτούνται από λειτουργικούς δορυφόρους για τη χαρτογράφηση των καμένων περιοχών στα μεσογειακά δασικά περιβάλλοντα. Αυτό θα μπορούσε πιθανώς να οφείλεται στην απότομη τοπογραφία που θα τόνιζε τα προβλήματα της γειτνίασης και της ενδιάμεσης στάσης της οπισθοσκέδασης ενός ραντάρ και στο επίπεδο ζημιάς στην κάλυψη βλάστησης, η οποία δεν είναι τόσο μεγάλη όσο στα βόρεια και στα δάση τροπικών βροχών. Αυτή η έρευνα εστιάζει στην ανάλυση της καταλληλότητας των δεδομένων ERS-2 SAR για τη χαρτογράφηση καμένων περιοχών και της αποτίμησης της ζημιάς από την πυρκαγιά στα μεσογειακά δασικά περιβάλλοντα. Μια ανάλυση της οπισθοσκέδασης ενός ραντάρ πραγματοποιήθηκε σε μια χαρακτηριστική μεσογειακή δασική περιοχή στην κεντρική Πορτογαλία, η οποία καλυπτόταν κυρίως από κωνοφόρα και μικτά δάση. Μια συγκριτική ταξινόμηση νευρωνικών δικτύων, εκτελέσθηκε για να χαρτογραφήσει την έκταση των καμένων σημαδιών. Οι χάρτες των καμένων περιοχών που προέκυψαν, συγκρίθηκαν με τα αποτελέσματα που είχαν αποκτηθεί από την Πορτογαλική Υπηρεσία Δασικών Εφαρμογών (DGF) και το Ευρωπαϊκό Σύστημα Αποτίμησης Ζημιάς Δασικών Πυρκαγιών(EFFDAS), για να αποτιμήσουν την ακρίβεια ταξινόμησης.

Σχήμα 1: Πλαίσιο με την θέση της 50kmΧ50km πειραματικής περιοχής μελέτης στην Κεντρική Πορτογαλία. Τα ίχνη της φωτιάς δοσμένα από χάρτη του EFFDAS, απεικονίζονται με κόκκινο χρώμα.Πηγή: International Journal of Remote Sensing Publication details, including instructions for authors and subscription information: http://www.informaworld.com/smpp/title~content=t713722504 Identification of burnt areas in Mediterranean forest environments from ERS-2 SAR time series M. Gimeno a; J. San-Miguel-Ayanz a; G. Schmuck.


2. Περιοχή μελέτης και διαθέσιμα δεδομένα

2.1. Περιγραφή περιοχής μελέτης

Η περιοχή μελέτης ορίστηκε στην κεντρική Πορτογαλία (δείτε το σχήμα 1), μεταξύ των περιοχών της Coimbra και του Castelo Branco, οι οποίες έχουν κοινό σύνορο τον ποταμό Zezere , έναν παραπόταμο του ποταμού Τάγου. Διάφορες πυρκαγιές εκδηλώθηκαν σε αυτήν την περιοχή μεταξύ 15 Ιουλίου και 15 Αυγούστου 2000. Επιπλέον, μια άλλη πυρκαγιά πραγματοποιήθηκε σε αυτήν την ίδια περιοχή τον Ιούλιο του 2001. Η περιοχή καλύπτει μια επιφάνεια 50kmΧ50km, το 80%της οποίας είναι δάση και το 20% γεωργικές περιοχές. Οι δασικές κλάσεις είναι κυρίως ατλαντικό πεύκο (80%), ευκάλυπτος (16%), και σε κάποιες περιοχές κάποια είδη βελανιδιάς (για φελλό) και καστανιές (4%). Ο υπόροφος αποτελείται από υποβιβασμένο δάσος και θάμνους. Οι γεωργικές περιοχές καλύπτονται από αμπελώνες, άλση ελιών και οπορωφόρα δέντρα. Επιπλέον, λαμβάνοντας υπόψη τις ευνοϊκές κλιματολογικές συνθήκες για την παραγωγή ξυλείας σε μεγάλες περιοχές νέων φυτειών κωνοφόρων και πλατύφυλλων της Πορτογαλίας ιδιαίτερα ο ευκάλυπτος, έχει εισαχθεί πρόσφατα (Wilkinson 1995). Το εύρος υψομέτρου μέσα στην περιοχή ενδιαφέροντος βρίσκεται μεταξύ 100 και 1200m επάνω από τη στάθμη της θάλασσας, με απότομες κλίσεις, ειδικά στις λοφώδεις περιοχές στα βόρεια και νότια μέρη της περιοχής μελέτης. Για παράδειγμα, η μεγαλύτερη καμένη περιοχή του έτους 2000, εκδηλώθηκε σε ένα σχετικά υψηλό ύψος (σε μέσο υψόμετρο 700 μ), με χαμηλότερο υψόμετρο τα 400m και μεγαλύτερο υψόμετρο τα 1100 μ. Αντίθετα, η δεύτερη μεγαλύτερη πυρκαγιά εκδηλώθηκε σε χαμηλό υψόμετρο, με ελάχιστο υψόμετρο τα 200m και μέγιστο τα 900 μ. Το κλίμα αυτής της περιοχής είναι ήπιο και υγρό κατά τη διάρκεια του χειμώνα και θερμό και ξηρό το καλοκαίρι, όπου η θερμοκρασία συχνά υπερβαίνει τους 30ο -35ο Κελσίου. Η βροχόπτωση είναι υψηλή κατά τη διάρκεια της χειμερινής περιόδου και χαμηλή το καλοκαίρι. Η περιοχή επιλέχτηκε σύμφωνα με τα αποτελέσματα του EFFDAS, το οποίο είναι τμήμα του Ευρωπαϊκού Συστήματος Πληροφοριών για Δασικές Πυρκαγιές , γνωστού σαν EFFIS, (Ευρωπαϊκή Επιτροπή 2001). Οι χάρτες των καμένων περιοχών πάνω από 50 εκτάρια του EFFDAS, προέρχονται από εικόνες του Ινδικού δορυφόρου IRSWiFS, χρησιμοποιώντας τις πολυχρονικές τεχνικές ανίχνευσης αλλαγών (multitemporal change detection techniques, Barbosa και λοιποί. 2002). Η περιοχή με τον υψηλότερο αριθμό σημείων πυρκαγιάς, που αναπαριστά διαφορετικούς τύπους κάλυψης βλάστησης και εντάσεις πυρκαγιάς, επιλέχτηκε για αυτήν την μελέτη.


2.2. Διαθέσιμα δεδομένα

Συνολικά, χρησιμοποιήθηκαν 17 εικόνες ERS-2 που καταγράφηκαν στις Ιταλικές εγκαταστάσεις επεξεργασίας και αρχειοθέτησης στη Matera της Ιταλίας. Ο αισθητήρας του ραντάρ ERS-2 SAR , καταγράφει δεδομένα στο κανάλι C με κάθετη πόλωση. Το σχήμα αυτών των σκηνών ήταν ενιαίας μορφής σύνθετο (Single Look Complex), με Μια ανάλυση λοξής απόστασης 7.904m σε εύρος και 3.979m σε αζιμούθιο, και με καθοδική τροχιά. Από το διαθέσιμο σύνολο δεδομένων ERS, οκτώ εικόνες επιλέχτηκαν μετά από μια ανάλυση των μετεωρολογικών συνθηκών πριν και μετά από τις πυρκαγιές. Οι μετεωρολογικές πληροφορίες εξήχθησαν από τη μετεωρολογική βάση δεδομένων JRC (Van der Voet και λοιποί. 1994, Terres 1999) και αποτελείτο από (μέγιστο και ελάχιστο) τη θερμοκρασία, βροχοπτώσεις, πίεση αερίων και δεδομένα ταχύτητας αέρα (πίνακας 1). Προκειμένου να ποσολογηθούν περαιτέρω αυτές οι παράμετροι, υπολογίστηκε ο δείκτης ιστορικού βροχοπτώσεων (ΑPI). Ο δείκτης αυτός (API), είναι μια παράμετρος που προέρχεται από τις συσσωρευμένες βροχοπτώσεις που μπορούν να συγκριθούν ή να χρησιμοποιηθούν στην εκτίμηση της εδαφολογικής υγρασίας, προκειμένου να προσδιοριστούν οι εδαφολογικές συνθήκες κατά τις ημερομηνίες απόκτησης εικόνων. Αυτό το κριτήριο επιλέχτηκε σύμφωνα με προηγούμενα πειράματα πεδίου που έχουν επιδείξει μια ισχυρή εξάρτηση της οπισθοσκέδασης του ραντάρ στην εδαφολογική υγρασία (WANG και λοιποί. 2000, LU και Meyer 2002). Οι περισσότερες από τις επιλεγμένες εικόνες παρουσίασαν έναν υψηλό δείκτη API εκτός από αυτές του Μαΐου 2000. Για το έτος 2000, επιλέχτηκαν τρεις εικόνες πριν από γεγονότα πυρκαγιάς και δύο εικόνες μετά. Για το έτος 2001, επιλέχτηκαν δύο εικόνες πριν από τις πυρκαγιές και μια μετά.


3. Μεθοδολογία

3.1. Προετοιμασία των εικόνων SAR

Η διαδικασία προεπεξεργασίας εικόνων SAR υλοποιήθηκε σε τέσσερα στάδια, χρησιμοποιώντας το λογισμικό SARscape (sarmap 2002):
Σχήμα 2: Διάγραμμα ροής επεξεργασίας εικόνων SAR.Πηγή: International Journal of Remote Sensing Publication details, including instructions for authors and subscription information:http://www.informaworld.com/smpp/title~content=t713722504 Identification of burnt areas in Mediterranean forest environments from ERS-2 SAR time series M. Gimeno a; J. San-Miguel-Ayanz a; G. Schmuck.
πολλαπλότητα, καταγραφή, φιλτράρισμα, και γεωκωδικοποίηση (Gimeno και λοιποί. 2002α, β). Μια πολλαπλή εικόνα έντασης δημιουργήθηκε με τη μια όψη στην απόκλιση και πέντε όψεις στο αζιμούθιο προκειμένου να ληφθούν σχεδόν τετραγωνικά εικονοστοιχεία (25 μέτρων χωρικής ανάλυσης) για ολόκληρη την χρονική σειρά ERS. Δεδομένου ότι όλα τα σύνολα δεδομένων ERS είχαν την ίδια τροχιά και πλαίσιο, οι εικόνες συνκαταχωρήθηκαν αυτόματα με τη μεγιστοποίηση της συσχέτισης σε διάφορα υποπαράθυρα μέσα στην εικόνα. Η μείωση του «θορύβου», πραγματοποιήθηκε χρησιμοποιώντας το φίλτρο χρονικής σειράς (de Grandi και λοιποί. 1997), το οποίο είναι επαρκές για τη διαχρονική ανάλυση εικόνας. Αυτό το φίλτρο διατηρεί την πλήρη χωρική ανάλυση όλων των εικόνων, ενώ αυξάνει σημαντικά την αναλογία του σήματος με το θόρυβο. Οι γεωμετρικές και ραδιομετρικές διορθώσεις εφαρμόστηκαν στις 8 συνκαταχωρημένες και φιλτραρισμένες εικόνες, για να γεωκωδικοποιήσουν τη χρονική σειρά ERS (Holecz και λοιποί. 1998) στο τοπικό χαρτογραφικό σύστημα αναφοράς

Οι εικόνες προβλήθηκαν στο προβολικό σύστημα Hayford Gauss (Datum 73) επειδή όλα τα βοηθητικά δεδομένα προμηθεύτηκαν από το Εθνικό Ίδρυμα Επέμβασης και Γεωργικών Εγγυήσεων (INGA), σε αυτό το προβολικό σύστημα. Συγκεκριμένα, το INGA παρείχε έγχρωμους ορθοφωτοχάρτες (χωρικής ανάλυσης 1m) έτους 2000, που χρησιμοποιήθηκαν για να επιλέξουν τα σημεία επίγειου ελέγχου για να κάνουν τις διορθώσεις στις πληροφορίες τροχιάς, καθώς επίσης και ένα ψηφιακό μοντέλο εδάφους (DTM, χωρικής ανάλυσης 8m) που έδωσε το υψόμετρο αναφορές κάθε εικονοστοιχείου.


3.2. Επιλογή εικόνας

Προκειμένου να επιλεχτεί το υποσύνολο των καναλιών που θα παρείχε την καλύτερη διαχωριστικότητα μεταξύ καμένων και άκαυτων περιοχών, χρησιμοποιήθηκαν διάφορες τεχνικές για τη μέτρηση και την ανίχνευση των διαφορών στην ένταση οπισθοσκέδασης εικόνας ανάμεσα στις πριν και μετά την πυρκαγιά εικόνες. Ο στόχος ήταν να ληφθούν μια ή περισσότερες ενισχυμένες εικόνες, οι οποίες επέτρεψαν στα καμένα σημεία να τονιστούν προκειμένου να βελτιστοποιηθεί η διαδικασία ταξινόμησης. Μια οπτική μεθοδολογία ερμηνείας χρησιμοποιήθηκε, για να ελέγξει ότι τα επιλεγμένα κανάλια θα παρείχαν τη διαχωριστικότητα των κλάσεων ενδιαφέροντος. Επιπλέον, χρησιμοποιήθηκε επίσης μια ανάλυση κύριων συνιστωσών (PCA) (Richards 1984) για να επιλέξει το βέλτιστο υποσύνολο καναλιών για την ταξινόμηση της εικόνας. Η πρώτη προσέγγιση ήταν η οπτική ερμηνεία των αρχικών και μετασχηματισμένων εικόνων. Οι ίδιες συνθήκες απεικόνισης υιοθετήθηκαν για κάθε σκηνή για να ερευνήσουν τη διαχωριστικότητα των διαφορετικών εδαφικών κλάσεων κάλυψης. Οι αλλαγές προσδιορίστηκαν εάν η αξία οπισθοσκέδασης σε μια δεδομένη θέση εικονοστοιχείου ποίκιλε μέσα στη χρονική σειρά. Επιπλέον, η δημιουργία των διαχρονικών εικόνων R-G-B, καθώς επίσης και των λόγων καναλιών και των χαρακτηριστικών της σύστασης των οντοτήτων (μέσες τιμές και εύρη τιμών) μεταξύ των προ και μετά την πυρκαγιά εικόνων, έδειξε ότι οι χρονικές αλλαγές μπορούσαν να ανιχνευθούν. Μια δεύτερη προσέγγιση ερευνήθηκε με την υλοποίηση ανάλυσης κύριων συνιστωσών (PCA) σε ολόκληρη τη χρονική σειρά ERS. Οι ασυσχέτιστα γραμμικώς μετασχηματισμένες συνιστώσες, προήλθαν από τα αρχικά δεδομένα. Στην μετατροπή της μεθόδου ανάλυσης κύριων συνιστωσών, οι πρώτοι απολογισμοί κύριων συνιστωσών για το μέγιστο ποσοστό της διαφοράς του αρχικού συνόλου δεδομένων, και οι επόμενες συνιστώσες αποτελούν το μέγιστο ποσοστό της ανεξήγητης έλλειψης διακύμανσης (Fung και LeDrew 1987). Επιπλέον, η μέθοδος ανάλυσης κύριων συνιστωσών, έχει το πλεονέκτημα του να διατηρεί τη συνολική διακύμανση στο μετασχηματισμό, ελαχιστοποιώντας το μέσα τετραγωνικά προσεγγιστικά σφάλματα. Επομένως, είναι μια ελκυστική τεχνική για να μειωθεί το μέγεθος του συνόλου δεδομένων και για να δοθεί έμφαση στις περιοχές της εντοπισμένης αλλαγής που συνδέεται με τη ζημιά από την πυρκαγιά και με την αναγέννηση της βλάστησης μετά από πυρκαγιά (Anderson 1984). Αυτή η τεχνική εφαρμόστηκε σε ολόκληρη τη χρονική σειρά ERS για να παραγάγει ιδιομορφίες και κάθε μεμονωμένη εικόνα των κύριων συνιστωσών. Οι μήτρες συνδιακύμανσης και συσχέτισης, μπόρεσαν επίσης να εξαχθούν.


3.3. Ταξινόμηση νευρωνικών δικτύων

Δεδομένου ότι οι ταξινομητές νευρωνικών δικτύων δεν κάνουν υποθέσεις για τη στατιστική κατανομή των δεδομένων, αποφασίστηκε να εφαρμοστεί αυτή η τεχνική και στα δύο σύνολα σκηνών, δηλ. σε ολόκληρο το σύνολο δεδομένων ERS-SAR και στο βέλτιστο υποσύνολο σκηνών που παρήχθη μέσω της μεθόδου ανάλυσης κύριων συνιστωσών. Ο αλγόριθμος που χρησιμοποιήθηκε είναι γνωστή ως οπισθοδρομική (post-propagation) μέθοδος. Είναι βασισμένη στην ανατροφοδότηση των αποτελεσμάτων στα προηγούμενα επίπεδα, και χρησιμοποιεί μια μέθοδο ελαχίστων τετραγώνων βελτιστοποίησης μείωσης της κλίσης. Η λάθος τιμή, διαδίδεται προς τα πίσω μέσω του δικτύου, και γίνονται μικρές αλλαγές στα βάρη σε κάθε επίπεδο. Οι αλλαγές στα βάρη υπολογίζονται για να μειώσουν το σφάλμα σήματος για την εν λόγω περίπτωση. Όσο μικρότεροι είναι οι συνθήκες σφάλματος, τόσο καλύτερη θα είναι η διάκριση μεταξύ των κλάσεων. Ολόκληρη η διαδικασία επαναλαμβάνεται για κάθε μια από τις περιπτώσεις δειγμάτων, έπειτα πίσω στην πρώτη περίπτωση πάλι, κοκ. Ο κύκλος επαναλαμβάνεται μέχρι το συνολικό σφάλμα, πέσει κάτω από ένα προκαθορισμένο κατώτατο όριο (Parker 1997). Σε αυτό το σημείο μπορεί να λεχθεί ότι το δίκτυο έχει μάθει το πρόβλημα `αρκετά καλά». Οι ακόλουθες πέντε εδαφικές κλάσεις κάλυψης χρησιμοποιήθηκαν σαν δεδομένα εισόδου/εξόδου στο νευρωνικό δίκτυο: καίγονται στις θετικές κλίσεις, που καίγονται στις αρνητικές κλίσεις, τη δασική περιοχή, τους θάμνους και στους υδάτινους όγκους. Το σύστημα εκπαιδεύθηκε χρησιμοποιώντας 160 εικονοστοιχεία για κάθε κλάση, που αντιστοιχεί περίπου στο 0.026% ολόκληρης της εικόνας, με ένα κατώτατο όριο λάθους χαμηλότερο από 4%. Το δίκτυο «εκπαιδεύεται» το ίδιο βρίσκοντας το σύνολο των βαρών που ελαχιστοποιεί το σφάλμα μεταξύ των απαιτούμενων γνωστών αποτελεσμάτων και των δεδομένων εισαγωγής.


4. Αποτελέσματα

4.1. Επιλογή εικόνας

Η οπτική επιθεώρηση των προεπεξεργασμένων εικόνων ERS αποκάλυψε μια εμφανώς διαφορετική διαχρονική συμπεριφορά των ανάδρομων συντελεστών στα διάφορα κανάλια. Για να δώσουν έμφαση στις αλλαγές στη χρονική σειρά ERS, ερευνήθηκαν διάφοροι συνδυασμοί σκηνών και χαρακτηριστικά γνωρίσματα σύστασης. Το σχήμα 3 παρουσιάζει έξι διαφορετικές εικόνες όπου είναι δυνατό να διακριθούν οι δασωμένες και οι κατεστραμμένες από την πυρκαγιά περιοχές από τις μονοχρονικές εικόνες ERS, τις αναλογικές εικόνες και των RGB σύνθετων. Μια σύγκριση αυτών των σχημάτων δείχνει ότι τα περισσότερα χαρακτηριστικά γνωρίσματα μπορούν να διακριθούν οπτικά στα RGB σύνθετα από ότι στις μονοφιλτραρισμένες για την αφαίρεση θορύβου ERS εικόνες ή τις αναλογικές εικόνες. Επιπλέον, η στατιστική ανάλυση των συντελεστών οπισθοσκέδασης από ολόκληρες τις χρονικές σειρές εικόνων ERS παρουσίασαν αλλαγές +8 db μεταξύ των δασικών και των κατεστραμμένων από την πυρκαγιά καναλιών (σχήμα 4). Αν και οι προηγούμενες μελέτες έχουν δείξει ότι η χρήση των διαχρονικών σειρών εικόνων ERS παρέχει ενισχυμένη διάκριση χαρακτηριστικών γνωρισμάτων έναντι της ανάλυσης των εικόνων μιας σκηνής (Kattenborn και λοιποί. 1993, Leysen και λοιποί. 1993), οι τεχνικές επεξεργασίας δεδομένων που αφορούν ολόκληρη τη χρονική σειρά εικόνων ERS, πάσχουν από έναν ορισμένο βαθμό πλεονασμού και μια αύξηση στο κόστος επεξεργασίας των δεδομένων, ειδικά κατά την αντιμετώπιση ζητημάτων ανίχνευσης αλλαγών. Για να ξεπεραστεί αυτό το πρόβλημα, χρησιμοποιήθηκε η μέθοδος κύριων συνιστωσών, ως τεχνική συμπίεσης δεδομένων, όπου χρησιμοποιήθηκε η μήτρα συσχέτισης για να ποσολογήσει τη συσχέτιση μεταξύ των εικόνων. Ο πίνακας 2 επεξηγεί την ιδιομορφία αυτού του μετασχηματισμού.

Η ανάλυση της ιδιομορφίας ολόκληρης της χρονικής σειράς εικόνων ERS αποκάλυψε ότι οι δύο πρώτες κύριες συνιστώσες αναπαριστούσαν περιοχές καμίας αλλαγής ή κοινής διακύμανσης στις χρονικές σειρές. Στην πράξη, η πρώτη κύρια συνιστώσα, με θετικό βάρος σε όλες τις εικόνες, αναπαράστησε το μεγαλύτερο μέρος των αμετάβλητων πληροφοριών. Αν και οι συντελεστές της δεύτερης συνιστώσας ήταν θετικά και αρνητικά φορτισμένες κατά τη διάρκεια του χρόνου, αυτό δεν πρόσθεσε οποιεσδήποτε σημαντικές πληροφορίες για την αλλαγή της βλάστησης. Οι υπόλοιπες συνιστώσες μεγάλωσαν την διακύμανση λόγω των αλλαγών της επιφανειακής κάλυψης. Η κύριες συνιστώσες PC3, PC5 και PC7, περιείχαν κυρίως πληροφορίες αλλαγής, που συνδέονταν με τη ζημιά από την πυρκαγιά (σχήμα 5). Στην κύρια συνιστώσα PC3, οι υψηλότερες φορτίσεις ήταν για τις εικόνες που είχαν ληφθεί στις 21 Μαΐου 2000 (θετική φορτισμένες) και στις 17 Δεκεμβρίου 2000 (αρνητικά φορτισμένες). Η αλλαγή στο πρόσημο φόρτισης, συσχετίζεται με τις αλλαγές που εμφανίστηκαν μεταξύ των ημερομηνιών λήψεων των δύο εικόνων. Αυτές οι δύο εικόνες μεγιστοποιούν την αντίθεση ανάμεσα στις συνθήκες πριν και μετά την πυρκαγιά. Η ίδια διαδικασία χρησιμοποιήθηκε για να επιλέξει τις υψηλότερες θετικές και αρνητικές φορτίσεις στην συνιστώσα PC5 και στην PC7. Οι επιλεγμένες φορτίσεις φαίνονται με έντονο μαύρο χρώμα στον πίνακα 2.


4.2. Ταξινόμηση

Ένας ταξινομητής νευρωνικών δικτύων,

χρησιμοποιήθηκε για να υλοποιήσει τις ταξινομήσεις χρησιμοποιώντας αρκετά δεδομένα εικόνων. Έτσι καταρτίστηκαν περιοχές κατάρτισης για τις ακόλουθες κλάσεις: καμένες σε ήπια κλίση, καμένες περιοχές σε αρνητική κλίση, δάσος, θάμνοι και υδάτινοι όγκοι. Ο λόγος της επιλογής 2 κλάσεων καμένων περιοχών σε διαφορετικές κλίσεις, ήταν η υψηλή εξάρτηση της οπισθοσκέδασης στην τοπογραφία (Gimeno και λοιποί. 2002a, β).
Σχήμα 3: 6 προεπεξεργασμένες εικόνες των 5 γεγονότων ετών 2000 και 2001(οι πορτοκαλί και κίτρινοι κύκλοι, βοηθούν να εντοπιστούν τα καμένα σημεία). Η εικόνα (a), είναι στις 16 Απριλίου 2000 απεικονίζοντας ομογενή οπισθοσκέδαση. Η(b), είναι ο λόγος των εικόνων που λήφθησαν στις 6 Φεβρουαρίου 2000 και στις 23 Σεπτεμβρίου 2001, τονίζουν διαφορετικές υφές στα καμένα σημεία. Η (c),είναι η εικόνα στις 17 Δεκεμβρίου 2000 και η (d), στις 23 Σεπτεμβρίου 2001,όπου απεικονίζουν με λευκό χρώμα τα καμένα σημεία. Η (e), εικόνα στις 16 Απριλίου 2000 (red, blue) και στις17 Δεκεμβρίου 2000 (green), όπου τα καμένα σημεία εμφανίζονται με πράσινο. Η (f), 23 Σεπτεμβρίου 2001 (red), 17 Δεκεμβρίου 2000(green) και 16 Απριλίου 2000 (blue), όπου τα καμένα σημεία το έτος 2000, φαίνονται με κίτρινο, ενώ τα καμένα σημεία για το 2001, φαίνονται με κόκκινο.Πηγή: International Journal of Remote Sensing Publication details, including instructions for authors and subscription information:http://www.informaworld.com/smpp/title~content=t713722504 Identification of burnt areas in Mediterranean forest environments from ERS-2 SAR time series M. Gimeno a; J. San-Miguel-Ayanz a; G. Schmuck.

Στην πραγματικότητα, ήταν αδύνατο να υποτεθεί η ίδια αλληλεπίδραση σκέδασης για το δάσος στις επίπεδες και στις απότομες περιοχές. Ένα DTM, χρησιμοποιήθηκε στην επιλογή των περιοχών κατάρτισης για τις κλάσεις καμένων περιοχών.

Πίνακας 2: Ιδιομορφία των δεδομένων SAR.Πηγή: International Journal of Remote Sensing Publication details,http://www.informaworld.com/smpp/title~content=t713722504 Identification of burnt areas in Mediterranean forest environments from ERS-2 SAR time series M. Gimeno a; J. San-Miguel-Ayanz a; G. Schmuck.


Σχήμα 5: Εικόνες κύριων συνιστωσών PC3, PC5, και PC7 και διάγραμμα καμπυλών και των αντίστοιχων ιδιοδιανυσμάτων. Η PC3 δίνει έμφαση στις καμένες περιοχές του 2000 (λευκές). Η PC5 παρουσιάζει καμένες περιοχές του 2000 και του 2001(λευκές). Η PC7 δίνει έμφαση στην καμένη περιοχή του 2001(λευκή)και τις καμένες περιοχές του 2000(μαύρες).Πηγή: International Journal of Remote Sensing Publication details,http://www.informaworld.com/smpp/title~content=t713722504 Identification of burnt areas in Mediterranean forest environments from ERS-2 SAR time series M. Gimeno a; J. San-Miguel-Ayanz a; G. Schmuck.















Μια πρώτη ταξινόμηση έγινε χρησιμοποιώντας ολόκληρη τη χρονική σειρά ERS (σχήμα 6). Η συνολική ακρίβεια ταξινόμησης ήταν 92.11%. Οι ακρίβειες για κάθε κλάση ήταν οι ακόλουθες: 83.90% για τη καμένη περιοχή σε ήπια κλίση, 96.89% για τη καμένη περιοχή σε αρνητική κλίση, 99.72% για το δάσος, 97.74% για τους θάμνους και 73.77% για τους υδάτινους όγκους. Αν και τα συνολικά αποτελέσματα της ταξινόμησης ήταν ικανοποιητικά, υπήρξαν μερικά ακόμα αναλογικά λάθη ταξινόμησης, δηλ. μερικές μη καμένες περιοχές ήταν ταξινομημένες σαν καμένες. Αυτά τα λάθη θα μπορούσαν να αποδοθούν στην υψηλή επιστροφή οπισθοσκέδασης από περιοχές με υψηλά επίπεδα υγρασίας. Είναι ευρέως γνωστό, ότι η υγρασία έχει επιπτώσεις στη φωτεινότητα της σκηνής με το να αυξάνει την ανακλαστικότητα. Επομένως, τα ίδια υλικά μπορεί να ποικίλουν στην εμφάνιση ανάλογα με τα επίπεδα υγρασίας τους. Η επιρροή της μορφής κάλυψης του εδάφους στην οπισθοσκέδαση, αναλύθηκε περαιτέρω για να κατανοηθεί η συμπεριφορά της σε μερικές περιοχές. Μετά από την σύγκριση του χάρτη καμένων περιοχών που λήφθηκε από την εικόνα, με τον διαθέσιμο ορθοφωτοχάρτη, παρατηρήθηκε ότι η παρουσία φυτειών, που η συγκομιδή τους είχε γίνει πρόσφατα και είχε επανεγκατασταθεί με μικρά δέντρα, είναι μια πιθανή εξήγηση για αυτήν την απόκλιση της οπισθοσκέδασης.(σχήμα 7). Οι εκχερσώσεις των νέων φυτειών, εμφανίζονται με φωτεινά χρώματα, λόγω των υψηλών τιμών γωνιών οπισθοσκέδασης, ως συνέπεια της γωνίας αντανάκλασης στους κορμούς των δέντρων και το υγρό έδαφος. Άλλες ταξινομήσεις νευρωνικών δικτύων, υλοποιήθηκαν με κάθε κύρια συνιστώσα. Τα αποτελέσματά τους ήταν πολύ φτωχά και δεν επέτρεψαν σαφή διάκριση μεταξύ του δάσους και των κατεστραμμένων από την πυρκαγιά περιοχών. Μια άλλη δοκιμή, υλοποιήθηκε με τον γραμμικό συνδυασμό των κύριων συνιστωσών PC3, PC5 και PC7 ως δεδομένα εισαγωγής. Κάθε κύρια συνιστώσα πολλαπλασιάστηκε με την ιδιοτιμή της. Εντούτοις, τα αποτελέσματα αυτής της ταξινόμησης ήταν επίσης διφορούμενα. Τέλος, για κάθε κύρια συνιστώσα επιλέχτηκαν, οι εικόνες που παρουσίασαν την υψηλότερη αντίθεση μεταξύ των προ και μετά την πυρκαγιά συνθηκών και τον λόγο μεταξύ τους, και υλοποιήθηκε μια ταξινόμηση νευρωνικών δικτύων με αυτές.



















        Σχήμα 6: Ταξινόμηση νευρωνικών δικτύων για ολόκληρη την χρονική σειρά
                             δεδομένων ERS-2.
















Σχήμα 7: Προσδιορισμός των υψηλών επιστροφών οπισθοσκέδασης από περιοχές φυτειών.

                 Παρατηρήστε την παρόμοια μορφή της περιοχής φυτειών στην εικόνα(a) την 
                 ταξινομημένη καμένη περιοχή της εικόνας και στην(b) τον ορθοφωτοχάρτη για
                 την ίδια περιοχή.


Για την κύρια συνιστώσα PC3, επιλέχτηκαν οι εικόνες στις 21 Μαΐου και στις 16 Δεκεμβρίου 2000, ενώ για την κύρια συνιστώσα PC5, επιλέχτηκαν οι ληφθείσες εικόνες στις 16 Απριλίου 2000 και στις 23 Σεπτεμβρίου 2001 και τέλος για την κύρια συνιστώσα PC7, επιλέχτηκαν οι ληφθείσες εικόνες επίκτητες στις 6 Φεβρουαρίου και στις 12 Νοεμβρίου 2000 και 23 Σεπτεμβρίου 2001. Τα αποτελέσματα ταξινόμησης για την PC5 και την PC7 ήταν αβέβαια λόγω των ομοιοτήτων στους συντελεστές οπισθοσκέδασης του σημείου της πυρκαγιάς και ανάμιξαν τα εικονοστοιχεία της βλάστησης και του νερού. Αντίθετα, τα αποτελέσματα που προήλθαν από την PC3 ήταν ικανοποιητικά (σχήμα 8). Η ποιότητα αυτών των αποτελεσμάτων σχετίζεται όχι μόνο με τις αλλαγές στην κάλυψη βλάστησης αλλά και με αυτές που σχετίζονται με το επίπεδο εδαφολογικής υγρασίας τις ημερομηνίες που λήφθηκαν οι εικόνες. Αυτή η τελευταία αλλαγή φαίνεται καθαρά από τις τιμές του δείκτη ιστορικού βροχοπτώσεων(API) των εικόνων πριν και μετά την πυρκαγιά, οι οποίες ήταν 0mm για την εικόνα στις 21 Μαΐου 2000 και 2.55mm για την εικόνα στις 17 Δεκεμβρίου 2000. Η συνολική ακρίβεια ταξινόμησης ήταν 89.9%. Οι ακρίβειες για κάθε κλάση ήταν οι ακόλουθες: 98.2% για τις καμένες περιοχές με ήπια κλίση, 92.30% για τις καμένες περιοχές με αρνητική κλίση, 90.73% για το δάσος, 98.47% για τους θάμνους, και 12.36% για τους υδάτινους όγκους. Τα σφάλματα ακρίβειας οφείλονταν κυρίως στη μη-ταξινόμηση των υδάτινων όγκων και στη σύγχυση μεταξύ των κλάσεων δάσος και θάμνοι. Εντούτοις, τα συνολικά αποτελέσματα της ταξινόμησης νευρωνικών δικτύων, ήταν ικανοποιητικά. Όπως και στην ταξινόμηση με ολόκληρη την χρονική σειρά ERS, έτσι και εδώ, μερικά λάθη ταξινόμησης αναλογιών παρέμειναν ακόμα. Αυτά τα λάθη, θα μπορούσαν επίσης να αποδοθούν, στην υψηλή επιστροφή οπισθοσκέδασης από τις περιοχές με υψηλά επίπεδα υγρασίας και στην παρουσία φυτειών(σχήμα 7). Όπως φαίνεται στον πίνακα 3, η ταξινόμηση νευρωνικών δικτύων ολόκληρης της χρονικής σειράς ERS, είχε υψηλότερη ακρίβεια από αυτή που εκτελέσθηκε με το υποσύνολο των σκηνών που εξήχθησαν από την κύρια συνιστώσα PC3.


























Σχήμα 8: (a). έγχρωμο σύνθετο εικόνας και (b). ταξινόμηση νευρωνικών
                  δικτύων που προέκυψε από το υποσύνολο που εξήχθη από την κύρια
                  συνιστώσα (PC3).


4.3. Συζήτηση

Προκειμένου να καθοριστεί η χρησιμότητα των δεδομένων SAR ως εναλλακτική λύση στις περισσότερες παραδοσιακές μεθόδους για τη χαρτογράφηση καμένων περιοχών, τα αποτελέσματα της ταξινόμησης νευρωνικών δικτύων ολόκληρης της χρονικής σειράς ERS-2 SAR (αποκαλούμενης σαν EETS στον πίνακα 4) και αυτών του υποσυνόλου σκηνών που εξήχθησαν από την ταξινόμηση της κύριας συνιστώσας PC3 (που αναφέρεται ως PC3C στον πίνακα 4) συγκρίθηκαν με τα αποτελέσματα που προμηθεύτηκαν από την EFFDAS και την DGF. Ο πίνακας 4 συνοψίζει τα στατιστικά των καμένων περιοχών. Τα αποτελέσματα που προμηθεύτηκαν από την EFFDAS και την DGF , ήταν παρόμοια, ενώ τα αποτελέσματα που προμηθεύτηκαν από την EETS και την PC3C, ήταν σχετικά χαμηλά από άποψη αριθμού καμένων εκτάσεων (ha). Πρέπει να σημειωθεί ότι οι μεγαλύτερες διαφορές μεταξύ των συστημάτων συνδέθηκαν με μεγάλες καμένες επιφάνειες, ενώ σχεδόν οι ίδιες τιμές λήφθηκαν για μικρές καμένες επιφάνειες. Οι διαφορές σχετίζονται με τη διαφορετική χωρική ανάλυση που χρησιμοποιείται από κάθε σύστημα. Το EFFDAS χρησιμοποιεί εικόνες IRSWiFS με χωρική ανάλυση 180m,και το DGF σκιαγραφεί την περίμετρο των καμένων περιοχών στους τοπογραφικούς χάρτες κατά την επίσκεψη της κατεστραμμένης από την πυρκαγιά περιοχής. Η χωρική ανάλυση των χρονικών σειρών εικόνων EETS και της κύριας συνιστώσας PCEC, είναι πολύ υψηλότερη από αυτή των δεδομένων των DGF και EFFDAS, με μια επίγεια χωρική ανάλυση 25 μ. Αυτή η υψηλή χωρική ανάλυση των δεδομένων εικόνων SAR επέτρεψε την απομόνωση μικρών άκαυτων περιοχών που περιλήφθηκαν στη κλάση καμένων περιοχών(σχήμα 9) στην οπτική χαρτογράφηση που εκτελέσθηκε από το DGF, καθώς επίσης και χαρτογράφηση της μεσοχωρικής ανάλυσης που υλοποιήθηκε από το EFFDAS. Τα πλεονεκτήματα της χρήσης δεδομένων SAR όχι μόνο προέρχονται από μια αυξανόμενη ακρίβεια κατά τη χαρτογράφηση των καμένων περιοχών λόγω της υψηλότερης χωρικής ανάλυσης των συστημάτων SAR, αλλά και από την ικανότητα των δεδομένων SAR να ανιχνεύσουν περιοχές που δεν είναι εντελώς καμένες μέσα στην περίμετρο πυρκαγιάς (άκαυτες νησίδες).

Πίνακας 3: Ακρίβεια ταξινόμησης (%), νευρωνικών δικτύων.

.






Πίνακας 4: Σύγκριση της επιφάνειας των καμένων περιοχών από το DGF και το EFFDAS,

                     με αυτές που λήφθησαν από την EETS και την PCEC.
         












Αυτή η τελευταία δυνατότητα προτείνει την καταλληλότητα των δεδομένων εικόνων SAR για τη διάκριση της δριμύτητας μιας πυρκαγιάς μέσα σε καμένες περιοχές. Επιπλέον, η παντός καιρού ικανότητα των συστημάτων SAR θα επέτρεπε τη χαρτογράφηση των καμένων περιοχών στις περιοχές που καλύπτονται συχνά από τα σύννεφα, όπως οι ορεινές περιοχές της περιοχής της Μεσογείου. Το καθεστώς πυρκαγιάς σε αυτές τις περιοχές περιλαμβάνει μια αιχμή στον αριθμό πυρκαγιών στο χρόνο το χειμώνα και την άνοιξη, όταν η παρουσία σύννεφων είναι σχεδόν σταθερή σε αυτές τις περιοχές. Οι περιοχές της βόρειας Πορτογαλίας, η βορειοδυτική Ισπανία, τα Πυρηναία στη βόρεια Ισπανία και τη νότια Γαλλία, και η αλπική ζώνη στη βόρεια Ιταλία, παρουσιάζουν αυτήν την χαρακτηριστική συμπεριφορά των πυρκαγιών των χειμώνα και πυρκαγιών την άνοιξη (Ευρωπαϊκή Επιτροπή 1996) που προκαλούνται κυρίως από το φαινόμενο foehn (άνεμοι Chinooks), δηλ. ξηρός αέρας που έρχεται από τα βουνά και που θερμαίνεται καθώς κατεβαίνει.











Σχήμα 9: Σύγκριση των αποτελεσμάτων από την ταξινομημένη εικόνα με τα αποτελέσματα

                  από το EFFDAS. όπου η περίμετρος της φωτιάς απεικονίζεται με σκούρο πράσινο. 


5. Συμπεράσματα

Μια μεθοδολογία επεξεργασίας εικόνων ERS-2 SAR, αναπτύχθηκε για να ερευνήσει τη χρησιμότητα των δεδομένων αυτών για τη χαρτογράφηση καμένων περιοχών μέσα σε δασικές περιοχές. Μια ολόκληρη χρονική ERS-SAR σειρά χρησιμοποιήθηκε επιτυχώς για τη χαρτογράφηση συμβάντων πυρκαγιάς στα μεσογειακά δασικά περιβάλλοντα, αξιολογώντας τη χρονική παραλλαγή στο συντελεστή οπισθοσκέδασης. Επιπλέον, δύο εικόνες ERS επιλέχτηκαν μέσω της μεθόδου κύριων συνιστωσών, καθώς επίσης και ο λόγος μεταξύ τους, χρησιμοποιήθηκαν επιτυχώς για την ανίχνευση καμένων περιοχών. Η προηγούμενη γνώση των μετεωρολογικών συνθηκών (API) κατά τη διάρκεια λήψης της εικόνας, θα μπορούσε να χρησιμοποιηθεί για να επιλέξει ένα βέλτιστο υποσύνολο σκηνών. Συνεπώς, ένα μειωμένο σύνολο δεδομένων θα μπορούσε επίσης να χρησιμοποιηθεί για να χαρτογραφήσει τις καμένες περιοχές, επιτυγχάνοντας μόνο κατώτερα αποτελέσματα από εκείνα που λήφθηκαν με ολόκληρη την χρονική ERS-SAR σειρά. Η προτεινόμενη διαδικασία θα οδηγήσει σε ιδιαίτερη αποταμίευση στις δαπάνες επεξεργασίας και απόκτησης δεδομένων. Οι τεχνικές ταξινόμησης νευρωνικών δικτύων παρείχαν ακριβή αποτελέσματα για την χαρτογράφηση των καμένων περιοχών, χρησιμοποιώντας δεδομένα εικόνων ERS-2 SAR. Οι παραχθέντες χάρτες καμένων περιοχών συγκρίθηκαν με τις εκτιμήσεις από το DGF και το EFFDAS. Αυτή η σύγκριση έδειξε ότι η βασισμένη στις εικόνες SAR μεθοδολογία παρείχε υψηλότερη ακρίβεια από τα άλλα συστήματα. Η βελτίωση στην ακρίβεια ταξινόμησης οφειλόταν στην υψηλότερη χωρική ανάλυση των δεδομένων εικόνων SAR, καθώς επίσης και στην ευαισθησία των δεδομένων εικόνων SAR, στην δριμύτητα του καψίματος (πυρκαγιάς). Μελλοντική έρευνα θα περιλάβει τη χρήση άλλων τύπων αναλύσεων όπως η κανονιστική συσχέτιση (canonical correlation), για να βελτιστοποιήσει την επιλογή της εικόνας. Προβλέπεται ότι η προτεινόμενη μεθοδολογία θα εφαρμοστεί σε άλλους αισθητήρες SAR (Radarsat, Envisat) στους οποίους θα είναι διαθέσιμες οι πρόσθετες πολώσεις και οι γωνίες πρόσπτωσης.

Προσωπικά εργαλεία