Από RemoteSensing Wiki

Application of Remote Sensing Data-based Detection of Forest Vegetation Water Content in Forest Fire Prevention

Zhongchen Wu

Πηγή: [1]

Λέξεις κλειδιά : Δασικές πυρκαγιές· Δεδομένα αεροδιαστημικής τηλεπισκόπησης· Υδατική περιεκτικότητα βλάστησης

ΠΕΡΙΛΗΨΗ

Οι δασικές πυρκαγιές που εκδηλώνονται στη Γη προκαλούν τεράστιες απώλειες κάθε χρόνο και η συχνότητά τους παρουσιάζει αυξητική τάση. Για τη μείωση της εμφάνισης δασικών πυρκαγιών, έχουν αναπτυχθεί τα τελευταία χρόνια νέες τεχνολογίες που βασίζονται στην τηλεπισκόπηση για την πρόβλεψη και τη δυναμική παρακολούθηση των δασικών πυρκαγιών. Στην παρούσα εργασία, η τιμή του Κανονικοποιημένου Δείκτη Διαφοράς Υπέρυθρου (NDII) της περιοχής μελέτης υπολογίζεται με βάση δορυφορικά δεδομένα τηλεπισκόπησης, με σκοπό την ανίχνευση και εκτίμηση της υδατικής περιεκτικότητας της βλάστησης στις δασικές περιοχές, ώστε να προβλεφθεί η εκδήλωση δασικών πυρκαγιών, να ενισχυθούν τα προληπτικά μέτρα και να μειωθεί η πιθανότητα εκδήλωσής τους. Τα αποτελέσματα έδειξαν ότι η υδατική περιεκτικότητα της βλάστησης παρουσιάζει σημαντική αρνητική συσχέτιση με τον κίνδυνο δασικών πυρκαγιών. Όταν η τιμή NDII της βλάστησης ήταν χαμηλότερη από -0,8486, αυτό υποδήλωνε ότι η υγρασία της βλάστησης είχε μειωθεί σε πολύ χαμηλό επίπεδο, καθιστώντας την ιδιαίτερα εύφλεκτη και αυξάνοντας σημαντικά την πιθανότητα πυρκαγιάς. Για την περιοχή μελέτης, η υδατική περιεκτικότητα της βλάστησης τείνει να είναι ακόμη χαμηλότερη, ιδίως κατά τις θερμές και ξηρές εποχές, γεγονός που οδηγεί σε συνολική αύξηση του επιπέδου κινδύνου δασικών πυρκαγιών. Η παρούσα μελέτη επιβεβαιώνει περαιτέρω ότι η υδατική περιεκτικότητα της βλάστησης αποτελεί έναν από τους βασικούς δείκτες στην αξιολόγηση του κινδύνου δασικών πυρκαγιών. Η έρευνα αυτή παρέχει περισσότερους δείκτες πρόληψης για τις εγκαταστάσεις πρόληψης δασικών πυρκαγιών και συμβάλλει στη βελτίωση του συστήματος πρόληψης.

1. Εισαγωγή

Τα δάση, ως ένας από τους σημαντικότερους πόρους της οικολογίας της Γης, διαδραματίζουν καθοριστικό ρόλο στη ρύθμιση της κυκλοφορίας του αέρα και των υδατικών πόρων στη φύση και αποτελούν αναπόσπαστο μέρος του συστήματος κλιματικής ισορροπίας. Παράλληλα, τα δάση αποτελούν τη βάση για την παροχή του περιβάλλοντος και των υλικών από τα οποία εξαρτάται η επιβίωση των ανθρώπων και των έμβιων οργανισμών και είναι γνωστά ως το «λίκνο της ζωής», έχοντας αναντικατάστατο ρόλο στη μακροπρόθεσμη κοινωνική και φυσική ανάπτυξη. Ωστόσο, τα τελευταία χρόνια, η συχνότητα και η ένταση των δασικών πυρκαγιών παρουσιάζουν αυξητική τάση, ιδίως υπό συνθήκες ξηρασίας ή υψηλών θερμοκρασιών, όπου ο κίνδυνος πυρκαγιάς γίνεται ολοένα και σοβαρότερος. Σύμφωνα με ελλιπή στατιστικά στοιχεία, το 2024 σημειώθηκαν 295 δασικές και λιβαδικές πυρκαγιές σε ολόκληρη την Κίνα, γεγονός που όχι μόνο καταναλώνει μεγάλο όγκο ανθρώπινων πόρων, αλλά προκαλεί και τεράστιες οικονομικές και οικολογικές απώλειες. Επομένως, η αποτελεσματική παρακολούθηση και πρόβλεψη της εκδήλωσης δασικών πυρκαγιών έχει καταστεί ένα σημαντικό ερευνητικό αντικείμενο για την προστασία των δασικών πόρων και την πρόληψη φυσικών καταστροφών. Η παραδοσιακή παρακολούθηση των δασικών πυρκαγιών βασίζεται συχνά σε επιτόπιους ελέγχους ή δειγματοληψίες εδάφους, οι οποίες χαρακτηρίζονται από αργή απόκριση και περιορισμένη κάλυψη. Επιπλέον, σε ορισμένες περιοχές, το προσωπικό παρουσιάζει χαμηλή ευαισθητοποίηση σχετικά με την πρόληψη πυρκαγιών, ενώ οι υποδομές και τα συστήματα πρόληψης δεν είναι επαρκώς ανεπτυγμένα, γεγονός που καθιστά την πρόληψη δυσχερή. Με την ανάπτυξη της επιστήμης και της τεχνολογίας, έχουν εμφανιστεί νέες μέθοδοι παρακολούθησης δασικών πυρκαγιών. Τον Ιανουάριο του 2025, ο Li Xuguang πρότεινε τη χρήση υπέρυθρης θερμικής απεικόνισης, πολυφασματικής τηλεπισκόπησης και άλλων τεχνικών για την ανίχνευση δασικών πυρκαγιών. Τον Φεβρουάριο του 2025, ο Cao Kongfei πρότεινε τη χρήση μη επανδρωμένων αεροσκαφών (drones) και τεχνητής νοημοσύνης για την ανίχνευση δασικών πυρκαγιών σε πραγματικό χρόνο και την εφαρμογή τους στην κατάσβεση. Η εμφάνιση αυτών των νέων τεχνολογιών προσφέρει αναμφίβολα πιο αποδοτικές και ακριβείς λύσεις για την πρόληψη των δασικών πυρκαγιών. Ωστόσο, τα περισσότερα από τα υπάρχοντα τεχνολογικά μέσα επικεντρώνονται κυρίως στην ανίχνευση των πυρκαγιών, ενώ δεν υπάρχει επαρκώς ανεπτυγμένο και αποτελεσματικό σύστημα πρόβλεψης και έγκαιρης προειδοποίησης. Για τον λόγο αυτό, η παρούσα μελέτη βασίζεται στην οπτική τηλεπισκόπηση (Optical Remote Sensing – ORS), η οποία αποτελεί μια μέθοδο μη επαφής που βασίζεται στις ιδιότητες ανάκλασης και απορρόφησης των ηλεκτρομαγνητικών κυμάτων και μπορεί να συλλέγει σε πραγματικό χρόνο πληροφορίες για μεγάλες εκτάσεις μέσω της ανακλώμενης ή εκπεμπόμενης ακτινοβολίας. Μέσω της ανάλυσης των φασματικών χαρακτηριστικών της δασικής βλάστησης, και ειδικότερα της υδατικής της περιεκτικότητας, μπορούν να εξαχθούν σημαντικές ενδείξεις για την αξιολόγηση του κινδύνου πυρκαγιάς. Η υγρασία της βλάστησης αποτελεί έναν σημαντικό δείκτη της ευφλεκτότητάς της· βλάστηση με χαμηλή υδατική περιεκτικότητα είναι πιο επιρρεπής στην καύση, αυξάνοντας την πιθανότητα εκδήλωσης πυρκαγιών. Συνεπώς, η παρακολούθηση της υδατικής περιεκτικότητας της δασικής βλάστησης με βάση την οπτική τηλεπισκόπηση μπορεί, σε κάποιο βαθμό, να προβλέψει την εμφάνιση δασικών πυρκαγιών και να παρέχει ουσιαστικά δεδομένα για τα συστήματα έγκαιρης προειδοποίησης κινδύνου. Με βάση το παραπάνω ερευνητικό υπόβαθρο, η παρούσα μελέτη στοχεύει στην εκτίμηση της υδατικής περιεκτικότητας της δασικής βλάστησης μέσω φασματικής ανάλυσης δεδομένων τηλεπισκόπησης και στη δημιουργία ενός ολοκληρωμένου μοντέλου αξιολόγησης της πιθανότητας εκδήλωσης δασικών πυρκαγιών. Μέσω του μοντέλου αυτού, μπορεί να επιτευχθεί έγκαιρη προειδοποίηση για δασικές πυρκαγιές, παρέχοντας νέα τεχνική υποστήριξη για την πρόληψη, μειώνοντας σε μεγαλύτερο βαθμό τον κίνδυνο εκδήλωσής τους και περιορίζοντας τις καταστροφές και τις απώλειες που προκαλούν.

2. Δεδομένα και μεθοδολογία

2.1 Επισκόπηση της περιοχής μελέτης

Η περιοχή μελέτης που επιλέχθηκε για την παρούσα εργασία βρίσκεται στη δασική περιοχή της πόλης Xichang, στην Αυτόνομη Νομαρχία Liangshan, στην επαρχία Sichuan, με τη γεωγραφική της θέση να παρουσιάζεται στο Σχ. 1. Στην περιοχή αυτή εκδηλώθηκε δασική πυρκαγιά στις 30 Μαρτίου 2020, με συνολική καμένη έκταση περίπου 1.000 ha και περίπου 80 ha καμένου δάσους. Η εστία της πυρκαγιάς βρισκόταν κοντά σε σταθμούς αποθήκευσης και διανομής υγραερίου (LPG), πρατήρια καυσίμων, σχολεία και μονάδες πολιτιστικής κληρονομιάς (όπως ο ναός Guangfu και το Μουσείο Κοινωνιών Δούλων) στη γραφική περιοχή Qionghai–Lushan. Κατά τη διαδικασία διάσωσης της δασικής πυρκαγιάς, λόγω αιφνίδιων αλλαγών στη διεύθυνση του ανέμου, απότομης αύξησης της έντασής του, μεταφοράς καύτρων που απέκοψαν τις οδούς διαφυγής και αποτυχίας αυτοδιάσωσης, 19 άτομα που συμμετείχαν στην κατάσβεση έχασαν τη ζωή τους και 3 τραυματίστηκαν. Η πυρκαγιά είχε ως αποτέλεσμα την καύση συνολικής έκτασης 3.047,7805 εκταρίων διαφόρων τύπων γης, επηρεάζοντας δασική έκταση 791,6 εκταρίων, ενώ η άμεση οικονομική απώλεια ανήλθε σε 97.312.000 γιουάν.

Εικόνα 1. Εικόνα 1. Map of Xichang City, Liangshan Prefecture, Sichuan Province

Η βλάστηση της περιοχής κυριαρχείται από δάση πεύκης Yunnan, τα οποία χαρακτηρίζονται από υψηλή περιεκτικότητα σε ρητίνη και έντονη ευφλεκτότητα. Η περιοχή ανήκει στη ζώνη υποτροπικού μουσωνικού κλίματος και χαρακτηρίζεται από ξηρό και θερμό κλίμα κοιλάδων ποταμών. Η ξηρή περίοδος (Ιανουάριος–Ιούνιος) παρουσιάζει υψηλές θερμοκρασίες και περιορισμένες βροχοπτώσεις. Η μέση ετήσια βροχόπτωση κυμαίνεται μεταξύ 800–1.000 mm, ενώ η μέση ετήσια θερμοκρασία είναι 17,2 °C. Πρόκειται για ξηρό κλίμα, όπου η επίδραση των ανέμων που ευνοούν την εξάπλωση της φωτιάς είναι έντονη και οι κεραυνικές πυρκαγιές εμφανίζονται συχνά. Επιπλέον, λόγω της υψηλής ευφλεκτότητας της βλάστησης, η περιοχή είναι ιδιαίτερα επιρρεπής σε ανθρωπογενείς πυρκαγιές. Επομένως, η ενίσχυση του συστήματος πρόληψης πυρκαγιών στην περιοχή αυτή είναι ιδιαίτερα σημαντική.

2.2 Συλλογή δεδομένων

2.2.1 Δορυφορικά δεδομένα εικόνας

Τα δεδομένα του δορυφόρου Landsat 8, που αποτελεί σήμερα το πιο ευρέως χρησιμοποιούμενο δορυφόρο της συγκεκριμένης σειράς, αναπτύχθηκαν από τη NASA σε συνεργασία με τη Γεωλογική Υπηρεσία των Ηνωμένων Πολιτειών (USGS). Ο δορυφόρος εκτοξεύθηκε επιτυχώς στις 11 Φεβρουαρίου 2013 και λειτουργεί κανονικά έως σήμερα. Βρίσκεται σε τροχιά ύψους 705 km, με κλίση τροχιάς 98,2°, περίοδο επανάληψης 16 ημερών και φέρει τον Απεικονιστή Επιχειρησιακής Γης (OLI) και τον Θερμικό Υπέρυθρο Αισθητήρα (TIRS). Ο OLI περιλαμβάνει οκτώ φασματικές ζώνες με χωρική ανάλυση 30 m και μία παγχρωματική ζώνη με ανάλυση 15 m, με εύρος απεικόνισης 185 × 185 km. Ο TIRS αποτελείται από δύο θερμικές υπέρυθρες ζώνες με χωρική ανάλυση 100 m. Στο παρόν πείραμα, αποκτήθηκαν δεδομένα εικόνας Landsat 8 της περιοχής μελέτης για τον Μάρτιο του 2020, τον Μάρτιο του 2018 και τον Μάρτιο του 2016 μέσω της επίσημης ιστοσελίδας του Geospatial Data Cloud. Τα δεδομένα αυτά αναλύθηκαν και επεξεργάστηκαν στα επόμενα στάδια του πειράματος. Η αντίστοιχη υδατική περιεκτικότητα της βλάστησης εκτιμήθηκε μέσω υπολογισμού σχετικών παραμέτρων. Ιδιαίτερα, τα δεδομένα του Μαρτίου 2020 αντιστοιχούν στην περίοδο ακριβώς πριν από τη δασική πυρκαγιά της Xichang στις 30 Μαρτίου 2020 και παρουσιάζουν ισχυρή συσχέτιση με την εκδήλωση της πυρκαγιάς. Στο πείραμα, τα δεδομένα που κατεβάστηκαν από τον ιστότοπο Geospatial Data Cloud εισήχθησαν στο λογισμικό ENVI. Τα τρία σύνολα εικόνων διαφορετικών χρονικών περιόδων υποβλήθηκαν σε ραδιομετρική βαθμονόμηση και ατμοσφαιρική διόρθωση μέσω των αντίστοιχων ενοτήτων του ENVI. Στη συνέχεια, οι επεξεργασμένες δορυφορικές εικόνες αποκόπηκαν (clipped) με τη χρήση του ArcGIS, βάσει του χάρτη της πόλης Xichang που λήφθηκε από την πλατφόρμα οπτικοποίησης δεδομένων AliCloud (Datavision). Μετά την επεξεργασία, οι τιμές του Κανονικοποιημένου Δείκτη Βλάστησης (NDVI) υπολογίστηκαν με τη χρήση του εργαλείου Band Math του ENVI, σύμφωνα με τον ακόλουθο τύπο: NDVI = (NIR − Red) / (NIR + Red) (1)

2.3 Επεξεργασία δεδομένων

2.3.1 Επεξεργασία δορυφορικών δεδομένων εικόνας

Τα λογισμικά εργαλεία που χρησιμοποιήθηκαν για την προεπεξεργασία των δορυφορικών δεδομένων εικόνας ήταν τα ENVI 5.6 και ArcGIS. Τέλος, οι υπολογισμένες τιμές NDVI συνδυάστηκαν με την ενότητα ArcMap του ArcGIS, ώστε να εξαχθεί η βλάστηση της πόλης Xichang και να παραχθεί ο χάρτης εξαγωγής βλάστησης της περιοχής.

2.3.2 Επεξεργασία δεδομένων βλάστησης της περιοχής μελέτης

Σύμφωνα με τον χάρτη εξαγωγής βλάστησης της πόλης Xichang, επιλέχθηκαν κατάλληλες και ομοιόμορφα κατανεμημένες περιοχές βλάστησης ως περιοχές ενδιαφέροντος (ROI) για το πείραμα. Στη συνέχεια, με τη χρήση εκ νέου του εργαλείου Band Math στο ENVI, υπολογίστηκαν και εξήχθησαν οι τιμές NDVI και του Κανονικοποιημένου Δείκτη Διαφοράς Υπέρυθρου (NDII) των εικόνων, σύμφωνα με τους αντίστοιχους τύπους υπολογισμού.

3. Πειραματικά αποτελέσματα

3.1 Αποτελέσματα δορυφορικών δεδομένων εικόνας

Τα αποτελέσματα που προέκυψαν μετά την προεπεξεργασία των τριών συνόλων δεδομένων εικόνας διαφορετικών χρονικών περιόδων με το λογισμικό ENVI παρουσιάζονται στο Σχ. 2. Παρατηρώντας τις προεπεξεργασμένες εικόνες των ετών 2016, 2018 και 2020, μπορεί να διαπιστωθεί ότι δεν υπάρχουν σημαντικές μεταβολές στη δασική έκταση της πόλης Xichang στην περιοχή μελέτης, γεγονός που υποδεικνύει ότι τα δεδομένα είναι αξιόπιστα και δεν επηρεάζουν την εγκυρότητα του πειράματος.

Εικόνα 2(α). Προεπεξεργασμένη εικόνα από τον Μάρτιο 2020

Εικόνα 2(β). Προεπεξεργασμένη εικόνα από τον Μάρτιο 2018

Εικόνα 2(γ). Προεπεξεργασμένη εικόνα από τον Μάρτιο 2016

Μετά τον υπολογισμό των τιμών NDVI στα δεδομένα εικόνας, τα αποτελέσματα του χάρτη εξαγωγής βλάστησης για την πόλη Xichang παρουσιάζονται στο Σχ. 3. Από τα αποτελέσματα της εξαγωγής βλάστησης προκύπτει ότι η κατανομή της βλάστησης είναι πιο ομοιόμορφη στις βορειοδυτικές και νοτιοανατολικές περιοχές της πόλης, ενώ σε άλλες περιοχές η κατανομή είναι ανομοιόμορφη λόγω της επίδρασης της ανθρώπινης δραστηριότητας. Λαμβάνοντας υπόψη ότι η δασική περιοχή στο νοτιοανατολικό τμήμα βρίσκεται πολύ κοντά στην περιοχή της δασικής πυρκαγιάς της 30ής Μαρτίου 2020 στην πόλη Xichang και ανταποκρίνεται περισσότερο στις απαιτήσεις του πειράματος, η τελική περιοχή ενδιαφέροντος (ROI) καθορίστηκε.

Εικόνα 3. Χάρτης εξαγωγής βλάστησης της πόλης Xichang

3.2 Αποτελέσματα δεδομένων περιοχής βλάστησης

3.2.1 Ανάλυση τιμών NDVI

Τα αποτελέσματα των τιμών NDVI και NDII των περιοχών βλάστησης στην πόλη Xichang για τα τρία σύνολα δεδομένων του Μαρτίου 2020, του Μαρτίου 2018 και του Μαρτίου 2016 που χρησιμοποιήθηκαν στο πείραμα παρουσιάζονται στους Πίνακες 1, 2 και 3, αντίστοιχα, μέσω του σχετικού τύπου υπολογισμού. Τα δεδομένα που προέκυψαν περιλαμβάνουν τις μέσες, μέγιστες και ελάχιστες τιμές των δεικτών NDII και NDVI στην υπολογισμένη περιοχή ενδιαφέροντος (ROI), καθώς και τη διακύμανση (variance) των υπολογισμένων δεδομένων.

Πίνακας 1. Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2020

Πίνακας 2. Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2018

Πίνακας 3. Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2016

Από την παρατήρηση των αποτελεσμάτων των δεδομένων προκύπτει ότι, σύμφωνα με τα δεδομένα των πινάκων για τα έτη 2016, 2018 και 2020, το εύρος τιμών του NDVI κυμαίνεται μεταξύ -1 και 1 και οι μέσες τιμές NDVI των τριών συνόλων δεδομένων είναι παρόμοιες, συγκεκριμένα 0,4593, 0,4517 και 0,1752, αντίστοιχα. Η διαφορά δεν υπερβαίνει το 0,3, γεγονός που υποδεικνύει ότι το πείραμα για την περιοχή ενδιαφέροντος (ROI) του δασικού τομέα της πόλης Xichang είναι αξιόπιστο. Αυτό δείχνει ότι η βλάστηση στην εξεταζόμενη δασική περιοχή της πόλης Xichang δεν παρουσίασε σημαντικές μεταβολές από τον Μάρτιο του 2016 έως τον Μάρτιο του 2020. Το αποτέλεσμα αυτό αποκλείει την πιθανότητα σφαλμάτων που προκαλούνται από μεταβολές στους γεωγραφικούς ή περιβαλλοντικούς παράγοντες, διασφαλίζοντας την ακρίβεια των πειραματικών δεδομένων και τη σταθερότητα των αποτελεσμάτων.

3.2.2 Ανάλυση υδατικής περιεκτικότητας και ευφλεκτότητας

Δεδομένου ότι ο δείκτης NDII έχει ισχυρή θετική συσχέτιση με την περιεκτικότητα της βλάστησης σε νερό και αποτελεί τον προτιμώμενο δείκτη για την παρακολούθηση της υγρασίας, η περιεκτικότητα σε νερό της βλάστησης μπορεί να εκτιμηθεί με βάση τις τιμές NDII της τοπικής βλάστησης, ώστε να προσδιοριστεί η ευφλεκτότητα της τοπικής βλάστησης και η πιθανότητα εκδήλωσης δασικών πυρκαγιών σε περίπτωση ξηρασίας. Συγκρίνοντας τις τιμές NDII των τριών ομάδων δεδομένων στους Πίνακες 1–3, διαπιστώνεται ότι η μέση τιμή NDII τον Μάρτιο του 2020 είναι −0.7770, η οποία είναι πολύ μικρότερη από τη μέση τιμή NDII των 0.7814 τον Μάρτιο του 2018 και 0.2917 τον Μάρτιο του 2016. Το πειραματικό αποτέλεσμα δείχνει ότι η μέση περιεκτικότητα σε νερό της δασικής βλάστησης και άλλων καύσιμων υλικών στην πειραματική περιοχή τον Μάρτιο του 2020 είναι πολύ χαμηλότερη από τη μέση περιεκτικότητα σε νερό της δασικής βλάστησης και άλλων καύσιμων υλικών τον Μάρτιο του 2016 και τον Μάρτιο του 2018, γεγονός που συμφωνεί με την πραγματική κατάσταση των δασικών πυρκαγιών στην πόλη Xichang στις 30 Μαρτίου 2020. Το αποτέλεσμα αυτό αποδεικνύει επίσης ότι η μείωση της μέσης περιεκτικότητας σε υγρασία έχει ισχυρή συσχέτιση με την πιθανότητα εκδήλωσης δασικών πυρκαγιών. Η ελάχιστη τιμή NDII τον Μάρτιο του 2020 έφτασε επίσης σε πολύ χαμηλό επίπεδο, −0.8486, υποδεικνύοντας ότι η βλάστηση στη συγκεκριμένη τοποθεσία έχει τη χαμηλότερη περιεκτικότητα σε νερό και είναι πιο πιθανό να αποτελεί ένα από τα πιθανά σημεία έναρξης της πυρκαγιάς της 30ής Μαρτίου 2020 στο Xichang. Αναλύοντας τα πειραματικά αποτελέσματα, μπορεί να κριθεί ότι η περιεκτικότητα σε νερό της βλάστησης στην πόλη Xichang τον Μάρτιο του 2020 είναι πολύ μικρότερη από αυτήν του Μαρτίου 2018 καθώς και του Μαρτίου 2016, και ότι η βλάστηση είναι ιδιαίτερα εύφλεκτη, με υψηλή πιθανότητα εκδήλωσης δασικών πυρκαγιών.

4. Συζήτηση Σύμφωνα με τα πειραματικά δεδομένα, οι μέσες τιμές του δείκτη NDVI στις περιοχές βλάστησης της πόλης Xichang τον Μάρτιο των ετών 2016, 2018 και 2020 ήταν αντίστοιχα 0.1752, 0.4517 και 0.4593. Παρότι παρατηρήθηκαν διακυμάνσεις μεταξύ των ετών από το 2016 έως το 2018, ο συνδυασμός των μετεωρολογικών παραγόντων της πόλης Xichang που προκλήθηκαν από ανώμαλες μεταβολές στις τιμές, καθώς και η διαφορά μεταξύ των τιμών, δεν υπερέβη το 0.3. Παράλληλα, τα τρία σύνολα δεδομένων βρίσκονται εντός του θεωρητικού εύρους τιμών του NDVI (−1 έως 1), ενώ συνολικά τα δεδομένα και η διασπορά τους δεν παρουσίασαν σημαντικές ανωμαλίες. Το αποτέλεσμα αυτό καταδεικνύει τη σταθερότητα της φυτοκάλυψης στην πειραματική περιοχή μελέτης. Η χαμηλή μεταβλητότητα των δεδομένων NDVI, χωρίς συστηματική μετατόπιση, υποδηλώνει ότι δεν έχει σημειωθεί εκτεταμένη υποβάθμιση της βλάστησης ή αλλαγή στη χρήση γης στην περιοχή μελέτης. Αυτό επιβεβαιώνει ότι η επίδραση των γεωγραφικών μεταβολών στα πειραματικά αποτελέσματα είναι αμελητέα και συμφωνεί με την περιγραφή της σταθερότητας της κάλυψης από αειθαλή πλατύφυλλα δάση στη νοτιοδυτική περιοχή, όπως αναφέρεται στην «Έκθεση για τους Δασικούς Πόρους της Κίνας». Η μέση τιμή του NDII στην περιοχή μελέτης τον Μάρτιο του 2020 ήταν −0.7770, παρουσιάζοντας σημαντική αρνητική μετατόπιση σε σύγκριση με το 2016 (0.2917) και το 2018 (0.7814). Δεδομένου ότι ο δείκτης NDII συσχετίζεται γραμμικά και θετικά με την περιεκτικότητα της βλάστησης σε νερό, αυτό υποδηλώνει ότι η περιεκτικότητα σε νερό της περιφερειακής βλάστησης τον Μάρτιο του 2020 μειώθηκε στο χαμηλότερο επίπεδο της τριετούς περιόδου παρατήρησης, περίπου κατά 35% έως 48% σε σύγκριση με τα δύο προηγούμενα έτη, γεγονός που υποδηλώνει εξαιρετικά υψηλό κίνδυνο ευφλεκτότητας. Επιπλέον, η παρούσα μελέτη βασίζεται στη μέγιστη, την ελάχιστη και τη μέση τιμή του NDII στην περιοχή μελέτης τον Μάρτιο του 2020, ως τρία διαφορετικά κατώφλια, προκειμένου να δημιουργηθεί ένα σύστημα προειδοποίησης τριών επιπέδων [10]. Συγκεκριμένα, όταν η τιμή NDII είναι χαμηλότερη από τη μέγιστη τιμή NDII της περιοχής βλάστησης της πόλης Xichang τον Μάρτιο του 2020 (−0.478), υπάρχει συγκεκριμένη πιθανότητα εκδήλωσης δασικής πυρκαγιάς και μπορεί να ενεργοποιηθεί προειδοποίηση δασικής πυρκαγιάς τρίτου επιπέδου. Όταν η τιμή NDII είναι χαμηλότερη από τη μέση τιμή NDII της περιοχής βλάστησης της πόλης Xichang τον Μάρτιο του 2020 (−0.7770), μπορεί να ενεργοποιηθεί προειδοποίηση δασικής πυρκαγιάς δεύτερου επιπέδου. Όταν η τιμή NDII είναι χαμηλότερη από την ελάχιστη τιμή NDII της περιοχής βλάστησης της πόλης Xichang τον Μάρτιο του 2020 (−0.8486), η πιθανότητα εκδήλωσης δασικής πυρκαγιάς είναι εξαιρετικά υψηλή και ενεργοποιείται προειδοποίηση δασικής πυρκαγιάς πρώτου επιπέδου. Με βάση αυτά τα τρία διαφορετικά κατώφλια προειδοποίησης, μπορεί να δημιουργηθεί ένα μοντέλο προειδοποίησης δασικών πυρκαγιών.

5. Συμπεράσματα Μέσω της παρούσας μελέτης, παρακολουθήθηκε και αναλύθηκε η βλάστηση της δασικής περιοχής της πόλης Xichang, στην Αυτόνομη Νομαρχία Liangshan της επαρχίας Sichuan. Τα αποτελέσματα έδειξαν ότι η περιεκτικότητα της βλάστησης σε νερό παρουσιάζει σημαντική αρνητική συσχέτιση με τον κίνδυνο εκδήλωσης δασικών πυρκαγιών και ότι η πιθανότητα πυρκαγιάς είναι ιδιαίτερα υψηλή όταν η τιμή NDII, που αντιπροσωπεύει την περιεκτικότητα της βλάστησης σε νερό, είναι χαμηλότερη από −0.8486. Για την περιοχή μελέτης, ιδίως κατά τις θερμές και ξηρές περιόδους, η περιεκτικότητα της βλάστησης σε νερό τείνει να μειώνεται, γεγονός που οδηγεί σε συνολική αύξηση του επιπέδου κινδύνου δασικών πυρκαγιών. Αυτό αποδεικνύει αναμφίβολα ότι η περιεκτικότητα της βλάστησης σε νερό αποτελεί έναν από τους βασικούς δείκτες στην αξιολόγηση του κινδύνου δασικών πυρκαγιών. Συνολικά, η περιεκτικότητα της βλάστησης σε νερό, ως σημαντικός δείκτης για την πρόληψη και την ανίχνευση δασικών πυρκαγιών, παρουσιάζει ευρείες προοπτικές εφαρμογής στη βελτίωση της ανθρώπινης ικανότητας πρόληψης δασικών πυρκαγιών. Ωστόσο, η παρούσα μελέτη παρουσιάζει ορισμένους προφανείς περιορισμούς. Για παράδειγμα, η πηγή δεδομένων που χρησιμοποιήθηκε είναι ο δορυφόρος Landsat 8· ως δορυφόρος διαστημικής τηλεπισκόπησης, τα δεδομένα που παρέχει παρουσιάζουν αναπόφευκτα χρονική υστέρηση, γεγονός που καθιστά αδύνατη την παρακολούθηση σε πραγματικό χρόνο και την άμεση παροχή ανατροφοδότησης δεδομένων, μειώνοντας έτσι την επικαιρότητα του συστήματος ανίχνευσης και έγκαιρης προειδοποίησης. Η παρούσα εργασία προτείνει ορισμένες ιδέες για την αντιμετώπιση αυτού του προβλήματος. Στο μέλλον, θα μπορούσε να εξεταστεί η αντικατάσταση των δορυφορικών δεδομένων με χρονική υστέρηση από εναέρια τηλεπισκόπηση με άμεση απόκριση, καθώς και η χρήση φορητών μη επανδρωμένων αεροσκαφών (drones) εξοπλισμένων με οπτικούς αισθητήρες τηλεπισκόπησης για την παρατήρηση συγκεκριμένων περιοχών. Με τον τρόπο αυτό μπορούν να αντιμετωπιστούν οι αδυναμίες της διαστημικής τηλεπισκόπησης ως προς την αμεσότητα. Επιπλέον, οι επιδόσεις και οι λειτουργίες της τηλεπισκόπησης θα πρέπει να βελτιστοποιούνται και να ενισχύονται συνεχώς σε μεγαλύτερη χωρική και χρονική κλίμακα, ώστε να βελτιώνεται διαρκώς το σύστημα αξιολόγησης του κινδύνου δασικών πυρκαγιών.