Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης

Από RemoteSensing Wiki

Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης

Πρωτότυπος τίτλος: Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing

Συγγραφείς: Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch

Δημοσιεύθηκε: International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024

Σύνδεσμος πρωτότυπου κειμένου: [1]

Σκοπός της εργασίας

Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.

Περιοχή μελέτης

Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.

Μεθοδολογία

Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:

Στάδιο 1ο : Συλλογή δεδομένων

Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση. Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.

Στάδιο 2ο : Αξιολόγηση μοντέλου

Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.

A.Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:
 1.Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.

Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: <math>■(&"Κλ" "ι" ˊ"ση (%)" =("rise" /"run" )×100&&)</math>

Αποτελέσματα

Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81. Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας. Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα. Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.

Συμπεράσματα

Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.