Μια συγκριτική έρευνα για τμήμα του Δασικού Χάρτη

Νίκος Χρυσάφης,
Πολιτικός Μηχανικός ΤΕ
Γεωγράφος, MSc GIS
Υπάλληλος Τμήμ. ΔΧ Δ/νσης Δασών Λέσβου

Ας ξεκινήσουμε λοιπόν με τα τετριμμένα. Οι μεταβολές αποτελούν χαρακτηριστικό του πλανήτη μας, κύριο χαρακτηριστικό της ύλης. Έδαφος, θάλασσα, ατμόσφαιρα, κλίμα, ζωή σε μια διαρκεί μεταβολή. Η διαφοροποίηση βρίσκεται στο εύρος -στην κλίμακα, στον ρυθμό και στην αιτιότητα– δηλαδή στους παράγοντες που οδηγούν στις μεταβολές. Οι μεταβολές που συμβαίνουν και αφορούν στη χρήση, αλλά κυρίως στην κάλυψη της γης, συμβαίνουν είτε με την παρέμβαση του ανθρώπου είτε όχι. Οι χρήσεις γης σχετίζονται με την ανθρώπινη δραστηριότητα ή την οικονομική λειτουργία, ενώ η κάλυψη της γης αφορά στη φυσική κατάσταση της επιφάνειας (εν προκειμένω του εδάφους). Πολλές φορές, βέβαια, οι δύο έννοιες χρήση/κάλυψη ταυτίζονται παρά το ότι η διαφοροποίηση είναι σαφής. Η αλλαγή, η μεταβολή των χρήσεων γης, αφορά μεταβολή που εγείρεται από τον ανθρώπινο παράγοντα, λ.χ. μέσα από τη μεταβολή μιας δασικής συστάδας σε καλλιεργούμενη έκταση ή μέσα από την μεταβολή καλλιεργούμενης έκτασης σε τεχνητή επιφάνεια – κατασκευή. Αντίθετα η κάλυψη γης αποτυπώνει τις μορφές που καλύπτουν την επιφάνεια είτε αυτές έγιναν με την παρέμβαση του ανθρώπου είτε όχι. Συνεπώς εδώ εξετάζουμε – ερευνούμε τις μεταβολές στην κάλυψη της γης και όχι (άμεσα τουλάχιστον) στη χρήση της. Η ανίχνευση των διαχρονικών αλλαγών είναι συγκριτική διαδικασία προσδιορισμού των μεταβολών αντικειμένων και φαινομένων σε διαφορετικές χρονικά περιόδους

Οι κλασικές μέθοδοι ταξινόμησης (τηλεσκοπικά) αξιοποιούν – βασίζονται, στα εικονοστοιχεία ως στοιχεία ανάλυσης της εικόνας (δορυφορική εικόνα, αεροφωτογραφία κ.ο.κ.). Οι αντικειμενοστραφείς μέθοδοι χρησιμοποιούν-αξιοποιούν συνδυασμό τεχνικών επεξεργασίας της εικόνας. Ουσιαστικά εδώ εκλαμβάνουμε, ως πρωτεύοντα δομικά στοιχεία της διαδικασίας, το σύνολο των δεδομένων (που μπορούμε σήμερα να αντιληφθούμε) τα οποία αναπαρίστανται – καταγράφονται στην εικόνα μας (σημεία – γραμμές – πολύγωνα – εικονοστοιχεία κ.ο.κ.), στον χώρο αλλά και στον χρόνο και όχι μόνο ταξινόμηση εικονοστοιχείων, έστω και διαχρονικά.

Εν προκειμένω, δουλέψαμε με πολυφασματικές εικόνες που ελήφθησαν από drone, σε πέντε διαφορετικές- χρονικά περιόδους, καταγράφοντας την περιοχή μελέτης για τρεις εποχές (χειμώνα – άνοιξη – καλοκαίρι) με πέντε πτήσεις (μία/μήνα) UAV. Ο σχεδιασμός των πτήσεων, το UAV και ο χειρισμός του εκτελέστηκαν από το εργαστήριο Χαρτογραφίας και Γεωπληροφορικής  του τμήματος Γεωγραφίας, της σχολής Κοινωνικών Επιστημών του Πανεπιστημίου Αιγαίου και συγκεκριμένα, με την καθοριστική συμβολή του Χρήστου Βασιλάκου καθ. Τηλεπισκόπησης, του Νίκου Σουλακέλλη καθ. Χαρτογραφίας και του Δημήτρη Καβρουδάκη καθ. Γεωγραφικής Ανάλυσης. Με τις διαχρονικές πτήσεις καταγράψαμε τη βλάστηση στο πεδίο και στη συνέχεια πειραματιστήκαμε στην τμηματοποίησή τους με τη βοήθεια τριών αλγορίθμων. Αυτοί ήταν οι: “Mean-Shift” αλγόριθμος μέσης μετατόπισης μη παραμετρικής μαθηματικής ανάλυσης του χώρου, “Watershed” λεκάνης απορροής, που αντιμετωπίζει τις τιμές των κελιών ως υψόμετρο και τέλος, “Morphological profiles based segmentation” βάσει μορφολογικών προφίλ. Εκπαιδεύσαμε τρεις εποπτευόμενους αλγόριθμους μηχανικής μάθησης: τον ταξινομητή «LibSVM», τον ταξινομητή «ΚΝΝ» τον ταξινομητή «RF» και ταξινομήσαμε τις προεπεξεργασμένες εικόνες μας. Στη συνέχεια αξιολογήσαμε τα αποτελέσματα ταξινόμησης και τα συγκρίναμε με άλλες έγκυρες, έστω και διαφορετικής κλίμακας, «ταξινομήσεις», όπως Corine και δασικό χάρτη. Οι πολυφασματικές εικόνες, η πολυχρονικότητα και κυρίως η σύντηξη εικόνων και χαρακτηριστικών (φασματικά χαρακτηριστικά, χαρακτηριστικά υφής, γεωμετρικά χαρακτηριστικά, χαρακτηριστικά ραδιομετρικών δεικτών) και η ταξινόμησή τους μετά την προεπεξεργασία τους, με τη ροή της εργασίας που ακολουθήσαμε, έδειξε (σύμφωνα με τα αποτελέσματα της αξιολόγησης και το πεδίο), ιδιαίτερα υψηλές τιμές ορθής ταξινόμησης, τόσο στην ανά τάξη ακρίβεια ταξινόμησης όσο στην ολική ακρίβεια. Ο συντελεστής “«κ»(Cohen)” και το «πεδίο» επιβεβαίωσαν αυτές τις υψηλές τιμές.

Υλικά και μεθοδολογία

Ροή εργασίας (εικ. 1).

(Εικόνα 1)

Περιοχή μελέτης

Η περιοχή μελέτης μας βρίσκεται στην κεντρική Λέσβο (νοτιοανατολική περιοχή), στα διοικητικά όρια της ΔΕ Αγιάσου, στη θέση «Ποταμιά» ανατολικά του «Ολύμπου» με συντεταγμένες 707700,4326555. Η επιλογή της συγκεκριμένης θέσης έγινε μετά από εκτεταμένη παρατήρηση τόσο των χαρτών θέασης της «Κτηματολόγιο Α.Ε.» όσο και στο πεδίο με κριτήριο την πολυπλοκότητα στη βλάστηση (τόσο σε ό,τι αφορά τα είδη και την αλληλοκάλυψή τους, όσο και στη γεωμετρία των ατόμων) και το ανάγλυφο του εδάφους. Η κάλυψη μεγάλου μέρους της περιοχής είναι από αυτοφυή φυλλοβόλα – πλατύφυλλα δασικά είδη (που ενίοτε και δια εμβολιασμού μεταβλήθηκαν) και τα οποία αφενός μεν αποτελούν σημαντική πηγή εσόδων για τους κατοίκους αφετέρου μεταβάλλουν τόσο τον “πληθυσμό” στο οικοσύστημα όσο (και εν τέλει) την κάλυψη ή και τη χρήση της γης. Το τμήμα που επελέγη ως περιοχή μελέτης περιλαμβάνει μεγάλη ποικιλία βλάστησης δασικής και μη – σε μια διαπλοκή όπου κωνοφόρα, πλατύφυλλα δασικά και μη, ελαιόδεντρα, θαμνώδη βλάστηση, αρωματικά φυτά, αναρριχώμενα κ.ο.κ. διαπλέκονται δημιουργώντας ένα πολύμορφο μωσαϊκό τόσο οριζοντιογραφικά όσο και καθ’ ύψος (εικ. 2).

(Εικόνα 2)

Λήψη εικόνων

Το UAV DJI Phantom4 RTK Multispectral (P4M) χρησιμοποιήθηκε για τη λήψη των εικόνων. Το P4M είναι εξοπλισμένο με τον αισθητήρα FC6360, ο οποίος ενσωματώνει μια κάμερα ορατού φωτός και πέντε πολυφασματικές κάμερες (R, G, B, Re, NIR), για το ορατό φως και την πολυφασματική απεικόνιση, αντίστοιχα. Το P4M πέταξε σε μέσο ύψος 115 m πάνω από το έδαφος. Το σύστημα τοποθέτησης σε επίπεδο εκατοστών είναι ενσωματωμένο στο P4M και η ακρίβεια οριζόντιας τοποθέτησης είναι 0,1 m. Η κατεύθυνση του φακού ήταν κατακόρυφη προς τα κάτω (έδαφος) όταν ο αισθητήρας έκανε λήψεις και οι φωτογραφίες λαμβάνονταν σε διαστήματα 2 δευτερολέπτων. Κάθε πτήση χρησιμοποιούσε τον αισθητήρα για τη λήψη της πλάκας διόρθωσης που παρείχε το Micasense για να ληφθεί μια νέα διορθωτική εικόνα, η οποία παρείχε ένα σημείο αναφοράς για τη ραδιομετρική βαθμονόμηση στην επακόλουθη επεξεργασία εικόνας με ακρίβεια οριζόντιας τοποθέτησης από 2 m έως 3 m.

Οι πολυφασματικές εικόνες UAV αποκτήθηκαν σε πέντε χρονικές περιόδους (κατά την πτήση καταγράφονταν η θέση του ήλιου, ώστε να υπολογιστεί η επιρροή της σκιάς στα αντικείμενα):

1 πτήση 3 Μαρτίου και ώρα από 11:23 έως 11:34,

2 πτήση 4 Απριλίου και ώρα από 11:34 έως 11:46,

3 πτήση 13 Μαΐου και ώρα από 10:48 έως 11:00,

4 πτήση 7 Ιουνίου και ώρα από 11:30 έως 11:41,

5 πτήση 9 Αυγούστου και ώρα 10:59 με 11:10.

Από κάθε πτήση λήφθηκαν:

3 Μαρτίου (192 jpg RGB & 960 TIF multispectral) H=115m, Ground Resolution=6,69cm/pix, Coverage area=0.201km², Reprojection error=0.664 pix

4 Απριλίου (189 jpg RGB & 945 TIF multispectral) H=114m, Ground Resolution=6,65cm/pix, Coverage area=0.194km², Reprojection error=0.722 pix

13 Μαΐου (189 jpg RGB & 945 TIF multispectral) H=115m, Ground Resolution=6,63cm/pix, Coverage area=0.195km², Reprojection error=0.857 pix

7 Ιουνίου (191 jpg RGB & 955 TIF multispectral) H=118m, Ground Resolution=6,75cm/pix, Coverage area=0.183km², Reprojection error=0.859 pix

9 Αυγούστου (190 jpg RGB & 950 TIF multispectral) H=116m, Ground Resolution=6,69cm/pix, Coverage area=0.205km², Reprojection error=0.976 pix

Συνολικά λάβαμε 951 εικόνες jpg RGB και 4755 Tif multispectral=5.706.

Δειγματοληψία Πεδίου

Η δειγματοληψία είναι προφανές ότι δεν έγινε με γνώμονα την καταγραφή της βιοποικιλότητας καθώς δεν αποτελεί αντικείμενο της παρούσας έρευνας. Η ταξινόμηση που αποφασίσαμε ήταν απόρροια της εκτεταμένης καταγραφής των ειδών που έγινε κατά τον μήνα Ιούνιο του 2022 κατά το 2ο 10ήμερό του. Η χωρική καταγραφή των δειγμάτων έγινε με GPS χειρός και Laser (αποστασιόμετρο) για τη λήψη του ύψους (μετρώντας την υποτείνουσα και τη βάση του τριγώνου, με την παραδοχή ότι η βάση είναι 1/2 της διαμέτρου του δέντρου – θάμνου κ.ο.κ.), που σχηματίζεται μεταξύ θέσης λήψης με τον κορμό και θέσης λήψης με την κορυφή της κόμης, οπότε και υπολογίζαμε το ύψος του τριγώνου – δέντρου. Έτσι κατεγράφησαν: η θέση, το είδος και αρχιτεκτονική – γεωμετρία των δειγμάτων στα σημεία τουλάχιστον που αυτό ήταν εφικτό. Συνολικά καταγράψαμε τυχαία 1.000 άτομα από τα οποία, μετά από διαλογή, διατηρήσαμε τα 965. Η ταξινόμηση περιλαμβάνει: Τραχεία Πεύκη 243 άτομα, Φυλλοβόλα Δέντρα (καστανιά, κερασιά, πλατάνι κ.ο.κ.) 239 άτομα, Υψηλή Μακία (βελανιδιές κ.ο.κ.) 110 άτομα, Χαμηλή Μακία (θάμνοι κ.ο.κ.) 62 άτομα, Ελαιόδεντρα 225 άτομα. Στη συνέχεια καταγράψαμε συνδυαστικά από το πεδίο και από την ορθοεικόνα άλλες δύο κλάσεις που ήταν: Φυσικές επιφάνειες 20 σημεία επί του εδάφους και 484 σημεία από ορθομωσαϊκό, Τεχνητές επιφάνειες 20 σημεία επί του εδάφους και 472 σημεία από ορθομωσαϊκό (εικ. 3).

(Εικόνα 3)

Για την τελική ταξινόμηση καταγράψαμε επί χάρτου 459 σημεία με τις σκιές που εμφανίζονται στην ορθοεικόνα του Ιουνίου του 2022. Ο συνολικός αριθμός των δειγμάτων είναι 919 σημειακά δείγματα από το πεδίο και 1415 σημεία από την ορθοεικόνα του Ιουνίου του 2022. Συνολικός αριθμός δειγμάτων 2.334 σημεία. Η δειγματοληψίας ήταν στρωματοποιημένη και χωρικά κατανεμημένη.

Αποτελέσματα

Η προετοιμασία – προεπεξεργασία, η επεξεργασία, η τμηματοποίηση, η ταξινόμηση, η αξιολόγηση των εικόνων μας -των πρωτογενών δεδομένων έγινε με τη χρήση των λογισμικών: (ωστόσο θα μπορούσε να γίνει εξ ολοκλήρου μόνο από τα  “Agisoft metashape”, “Qgis” και “LibreOffice Calc”)

✓ “agisoft metashape” στη δοκιμαστική του έκδοση. Με αυτό επεξεργαστήκαμε τις ληφθείσες ψηφιακές εικόνες από το UAV και παρήξαμε τα ορθο-μωσαϊκά, τους ραδιομετρικούς δείκτες NDVI κ.λπ., τα υψομετρικά μοντέλα, τα πυκνά νέφη σημείων .

✓ Q GIS 3.22.16 και 3.28.3 λογισμικό ανοιχτού κώδικα σε συνδυασμό με την πλατφόρμα Orfeo ToolBox και Montevardi όπου εργαστήκαμε για τη διαδικασία της ταξινόμησης.

✓ Trimble eCognition στη δοκιμαστική του έκδοση σε συνδυασμό με το ESP II (εργαλείο αυτοματοποιημένης εκτίμησης παραμέτρων), όπου πειραματιστήκαμε στην κλίμακα ταξινόμησης εικόνων.

✓ ArcGIS Pro λογισμικό το οποίο αξιοποιήσαμε για την ανάλυση και οπτικοποίηση των δεδομένων.

✓ EXCEL και Matlab αξιοποιώντας εργαλεία ανάλυσης και αξιολόγησης μεγάλου όγκου δεδομένων.

Για τη δημιουργία των ορθο-μωσαϊκών η διαδικασία έγινε με το agisoft  και περιελάμβανε:

Την ευθυγράμμιση των φωτογραφιών “Align Photos” με ακρίβεια “Highest”, “Key point limit” 40.000, “tie point limit” 10.000.  Ακολούθησε η βελτιστοποίηση της ακρίβειας (εικ. 4).

(Εικόνα 4)

Τη δημιουργία πυκνού νέφους σημείων (“Build Dense Cloud”) με ρυθμίσεις “High” σε ό,τι αφορά την ποιότητα και “Mild” για το φιλτράρισμα βάθους (εικ. 5).

(Εικόνα 5)

Από τα παραπάνω προέκυψαν:

Το Ψηφιακό Μοντέλο Επιφάνειας DEM ή DSM (Digital Surface Model) (εικ. 6).

(Εικόνα 6)

Το Ψηφιακό Μοντέλο Εδάφους DTM (Digital Terrain Model).

Το Μοντέλο Ύψους Θόλου CHM (Canopy Height Model) το οποίο είναι ίσο με CHM=DSM-DTM (με σχετικό υψόμετρο και με +/- 0,00 το έδαφος) (εικ. 7).

(Εικόνα 7)

Τα τελικά ορθομωσαϊκά δημιουργήθηκαν με βάση τις ορθοεικόνες και τα Ψηφιακά Μοντέλα Επιφάνειας.

Τα παραπάνω τα επαναταξινομήσαμε με μέγεθος εικονοστοιχείου 0.067406,- 0.067406.

Τα τελικά προϊόντα από το στάδιο αυτό ήταν:

• 5 (διαχρονικά) Ψηφιακά Μοντέλα Επιφάνειας DSM = (Digital Surface Model)
• 5 (διαχρονικά) Ψηφιακά Μοντέλα Εδάφους DTM = (Digital Terrain Model)
• 5 (διαχρονικά) Ψηφιακά Μοντέλα Θόλου CHM = (Canopy Height Model)

Τα ψηφιακά μοντέλα επιφάνειας τα ορίσαμε σε επίπεδο προβολής για τη δημιουργία των πέντε ορθο-μωσαϊκών, από τα οποία κατόπιν ελέγχου, αποφασίσαμε να περικόψουμε μέρος της επιφάνειάς τους που δεν ήταν ευδιάκριτη. Στη συνέχεια όπως και τα υπόλοιπα ράστερ που παρήξαμε, τα επαναταξινομήσαμε.

Δημιουργία Ραδιομετρικών Δεικτών

Οι ραδιομετρικοί δείκτες εν προκειμένω χαρακτηρίζονται από τη συμπληρωματικότητά τους με τους δείκτες υφής πράγμα που συμβάλλει στην αποσύνθεση της πολυπλοκότητας που χαρακτηρίζει τη μεικτή βλάστηση. Δουλέψαμε πάνω σε 24 δείκτες – εδάφους, βλάστησης και υγρασίας (εικ. 8 & εικ. 9). Αυτούς τους αξιολογήσαμε καταρχάς οπτικά και στη συνέχεια αφαιρέσαμε τους 9 προχωρώντας στην εξέταση συνάφειας των 15 δεικτών. Οι δείκτες κανονικοποιήθηκαν και ευθυγραμμίστηκαν στην ίδια κλίμακα. Στη συνέχεια εξετάσθηκε η συνάφειά τους δημιουργώντας σημεία δειγματοληψίας ανά 1,50 μ. και λαμβάνοντας τα βάρη που είχε κάθε δείκτης από τους 15. Ακολούθησε η διεργασία συσχέτισης κατά Pearson (εικ. 10).

(Εικόνα 8)

(Εικόνα 9)

(Εικόνα 10)

Προεπεξεργασία υλικού

Προκειμένου να βελτιωθεί η υπολογιστική απόδοση των μοντέλων μας αποσυνθέσαμε (orfeo-splitimage) τα πέντε ορθομωσαϊκά, διαχωρίζοντας την κάθε εικόνα πολλών ζωνών στον αντίστοιχο αριθμό εικόνων μιας ζώνης. Αυτή η διαδικασία ήταν επιβεβλημένη καθώς σε επόμενα βήματα ορισμένοι αλγόριθμοι δεν εισάγουν προς επεξεργασία εικόνες πολλών καναλιών. Στη συνέχεια επανα-κλιμακώσαμε (Qgis-Align Raster) τις τιμές όλων των ράστερ (ortho, DSM, CHM, DTM, NDVI) με αναταξινόμηση των τιμών των κελιών, ώστε το σύνολο των εικόνων μας να έχει τον ίδιο αριθμό κελιών και τον ίδιο αριθμό γραμμών. Μετά την αναταξινόμηση των raster προχωρήσαμε στη σύνθεση των δεδομένων μας δημιουργώντας τις 6 εικόνες – σενάρια (synthetize-stacking κοκ) προς ταξινόμηση.

Εικόνα 3_3 8 Bands (ζώνες ανάκλασης RGB NIR Re, Alpha NDVI, CHM με 0.0620755,-0.0620755 και με διαστάσεις Χ=6143 Υ=7155) (εικ. 11).

(Εικόνα 11)

Εικόνα 4_4 8 Bands (ζώνες ανάκλασης RGB NIR Re NDVI CHM με 0.0620755,-0.0620755 και με διαστάσεις Χ=6143 Υ=7155) (εικ. 12).

(Εικόνα 12)

Εικόνα 13_5 8 Bands (ζώνες ανάκλασης RGB NIR Re NDVI CHM με 0.06207550,-0.0620755 και με διαστάσεις Χ=6143 Υ=7155) (εικ. 13).

(Εικόνα 13)

Εικόνα 7_6 8 Bands (ζώνες ανάκλασης RGB NIR Re NDVI CHM με 0.0620755,-0.0620755 και με διαστάσεις Χ=6143 Υ=7155) (εικ. 14).

(Εικόνα 14)

Εικόνα 9_8 8 Bands (ζώνες ανάκλασης RGB NIR Re NDVI CHM με 0.0620755,-0.0620755 και με διαστάσεις Χ=6143 Υ=7155) (εικ. 15).

(Εικόνα 15)

Εικόνα ALL 35 Bands (ζώνες ανάκλασης RGB NIR Re NDVI CHM με 0.06207550000000624374,-0.06207549999995842782 και με διαστάσεις Χ=6143 Υ=7155). Η σειρά στοίβαξης είναι: R, G, B, NIR, Re, NDVI, CHM * 5 bans =35.

Τμηματοποίηση

Η διαδικασία τμηματοποίησης είναι ίσως και η σπουδαιότερη φάση της διαδικασίας ταξινόμησης καθώς από αυτή θα καθοριστεί το τελικό αποτέλεσμα. Βασίζεται στον κατακερματισμός της εικόνας σε ομοιογενείς περιοχές όπως αυτές αναδεικνύονται από το σχήμα και τη φασματική ανάκλαση των αντικειμένων. Τα διανύσματα που θα λάβουμε έχουν χωρική αναφορά στα αντικείμενα που αποτυπώνονται στα ορθο-μωσαϊκά (εικ. 16).

(Εικόνα 16)

Στην εφαρμογή “segmentation” επιλέξαμε να δοκιμάσουμε τρεις αλγόριθμους «Mean-Shift» (μέσης μετατόπισης – πολλαπλών πυρήνων), «Watershed options» (αντεστραμμένης λεκάνης απορροής), «Morphological profiles based segmentation» (τμηματοποίηση βάσει μορφολογικών στοιχείων).

Από τα αποτελέσματα ανάμεσα στον αλγόριθμο «Mean-Shift» και «Watershed options» επιλέξαμε «Mean-Shift» καθώς ήταν αντιπροσωπευτικότερος των άλλων αποδίδοντας καλύτερα τα αντικείμενά μας (κόμες δέντρων, θάμνους, φυσικές – τεχνητές επιφάνειες, σκιά κ.ο.κ.).

Η διαδικασία στο στάδιο αυτό ολοκληρώθηκε με την απόδοση στατιστικών στοιχείων, όπως ο στατιστικός μέσος όρος (mean) και τις τυπικής απόκλισης (stdev), όπου επιτεύχθηκε με τα εργαλεία “zonalStatistics” και τη συνένωση που ακολούθησε μεταξύ σημείων δειγματοληψίας και πολυγώνων τμηματοποίησης.

Η διαδικασία στο στάδιο αυτό ολοκληρώθηκε με την απόδοση στατιστικών στοιχείων όπως ο στατιστικός μέσος όρος (mean) και τις τυπικής απόκλισης (stdev) όπου επιτεύχθηκε με τα εργαλεία “zonalStatistics” και την συνένωση που ακολούθησε μεταξύ σημείων δειγματοληψίας και πολυγώνων τμηματοποίησης.

Εκπαιδεύοντας τον ταξινομητή

Όπως και παραπάνω αναφέρουμε επιλέξαμε να κατηγοριοποιήσουμε την επιφάνεια της περιοχής μελέτης μας με 8 κατηγορίες κάλυψης.

1. Δάσος Πεύκης, 2. Φυλλοβόλα – Πλατύφυλλα, 3. Μικτό Δάσος υψηλών θάμνων >2,00 μ., 4. Χαμηλοί θάμνοι και φρύγανα <1,50 μ., 5. Καλλιέργειες – ελαιόδεντρα, 6. Τεχνητές Επιφάνειες, 7. Φυσικές Επιφάνειες, 8. Σκιά.

Με την εφαρμογή του Orfeo “TrainVectorClassifier” εκπαιδεύσαμε 3 ταξινομητές για κάθε εικόνα:  επιλέγοντας τους ταξινομητές «Lib.SVM» (βιβλιοθήκη μηχανικής μάθησης διανυσμάτων*), «ΚΝΝ» (αλγόριθμος πλησιέστερων γειτόνων*), «RF» (αλγόριθμος τυχαίων δέντρων απόφασης*).

*ελεύθερη απόδοση

Ταξινόμηση

Η ταξινόμηση έγινε με το εργαλείο “VectorClassifier” του orfeo toolbox. Αυτό ταξινομεί διανυσματικά δεδομένα σύμφωνα με τη μοντελοποίηση του ταξινομητή που εκπαιδεύσαμε με την εφαρμογή TrainVectorClassifier. Εν προκειμένω προβήκαμε στην ταξινόμηση των πέντε εικόνων μεμονωμένης εποχής και της έκτης εικόνας (διαχρονικής πολυχρονικής) με τους τρεις ταξινομητές. Ενδεικτικά παραθέτουμε τις εικόνες από τις τρεις ταξινομήσεις της μονοχρονικής ταξινόμησης της 3^ης του Μαρτίου και της 9^ης του Αυγούστου (εικ. 17 & εικ. 18) και τις τρεις ταξινομήσεις της διαχρονικής ταξινόμησης (εικ. 19, εικ. 20 & εικ. 21).

(Εικόνα 17)

(Εικόνα 18)

(Εικόνα 19)

(Εικόνα 20)

(Εικόνα 21)

Αξιολόγηση αποτελεσμάτων ταξινόμησης

Η αξιολόγηση της ταξινόμησης επιλέξαμε να γίνει με το πρόσθετο στο Qgis «Group Stats», έτσι ώστε να ελέγξουμε πόσο σωστοί είναι οι χάρτες ταξινόμησης που δημιουργήσαμε σε σχέση με την πραγματικότητα. Ουσιαστικά με την αξιοποίηση πίνακα σύγχυσης (Confusion Matrix) Nc x Nc όπου οι σειρές αναφέρονται στην αληθινή τιμή – κλάση και οι στήλες στην τιμή – κλάση, όπως προέκυψε από την ταξινόμηση. Κάθε στοιχείο αντιπροσωπεύει τον αριθμό δειγμάτων της κλάσης “K” που αποδόθηκε στην κλάση “k” από τον εκπαιδευμένο από εμάς ταξινομητή. Η διαγώνιος συνεπώς του Confusion Matrix καταγράφει την ορθότητα των αποφάσεων (“K” = “k”). Αυτή γίνεται μεταξύ των πραγματικών τιμών της δειγματοληψίας των 2334 σημείων, όπως αυτά λήφθηκαν από το πεδίο και από το ορθομωσαϊκό και των τιμών που αυτές λαμβάνουν από την ταξινόμηση. Δημιουργώντας ένα SHP σημείων με μια στήλη με τις τιμές πεδίου και μια στήλη με τις τιμές ταξινόμησης στον πίνακα ιδιοτήτων. Σε αυτό οι στήλες ήταν οι πραγματικές τιμές και οι γραμμές ήταν οι (predicted) προβλεπόμενες από την ταξινόμηση τιμές.

Έτσι υπολογίσαμε:

✓ τη συνολική ακρίβεια (overall accuracy) για κάθε ταξινομητή που ορίζεται ως το ποσοστό των δειγμάτων των σημείων που έχουν ταξινομηθεί ορθά. Η συνολική ακρίβεια είναι η διαίρεση του αθροίσματος της διαγωνίου των αποτελεσμάτων, όπως τα ορίσαμε στον πίνακα προς το συνολικό αριθμό δειγμάτων.

✓ την ακρίβεια ανά τάξη (ACC) που μας περιγράφει πόσο καλά οι αλγόριθμοι ταξινόμησης ανταποκρίθηκαν σε κάθε τάξη. Αυτή ορίζεται ως η αναλογία των «σωστών» δεδομένων που ανήκουν σε μια κλάση προς το σύνολο των δεδομένων της κλάσης.

✓ Το σφάλμα παράβλεψης (Om.Error) που μας περιγράφει το ποσοστό των δειγμάτων ανά τάξη όπου παραβλέφθηκαν.

✓ Το σφάλμα παρερμηνείας (Comm.Error) περιγράφει το ποσοστό των σωστών δειγμάτων της τάξης προς το σύνολο των δειγμάτων

✓ Την αναμενόμενη τιμή (Expected value)

✓ Την παρατηρούμενη τιμή (Observed value) (εικ. 22).

(Εικόνα 22)

Στον πίνακα αποτελεσμάτων η διαφορά μεταξύ των «μονοχρονικών» (μιας εποχής) εικόνων και των διαχρονικών (ALL) είναι διακριτή με προφανή την ακρίβεια στη δεύτερη. Κυρίως σε ό,τι αφορά τη θαμνώδη βλάστηση φαίνεται ότι, τόσο στη χαμηλή όσο και στην υψηλή, υπήρχαν αποκλίσεις ιδιαίτερα υψηλές. Ωστόσο πρέπει να λάβουμε υπόψη ότι κυρίως η τάξη των χαμηλών θάμνων για τους μήνες Μάρτιο και Απρίλιο εύλογα δεν καταγράφεται καθώς αυτοί δεν υπήρχαν ή ήταν με ανεπαίσθητο ίχνος, όπως και η σκιά που οξύνει τις αντιθέσεις κατά τους θερμούς μήνες (Μάιο – Ιούνιο –  Αύγουστο) (εικ. 23 & εικ. 24).

(Εικόνα 23)

(Εικόνα 24)

Συμπεράσματα

Αυτή η μελέτη διεξήχθη για να αντιμετωπίσει μια ολοένα και πιο πιεστική ανάγκη για ταξινόμηση μικτών συστάδων βλάστησης, συστάδων δασικής – φυλλοβόλων πλατύφυλλων θαμνώδους βλάστησης και καλλιεργειών με βάση την αντικειμενοστραφή ταξινόμηση με τη χρήση πολυφασματικών εικόνων, μέσω της ανάπτυξης μιας ακριβούς ροής εργασίας ικανής να προσδιορίζει σωστά τις περιοχές και τα όρια, ακόμη και με την παρουσία σκιών δέντρων και χαμηλής βλάστησης. Κυρίως η χαμηλή – εποχική βλάστηση δημιουργεί σύγχυση στους αλγόριθμους και οδηγεί τον ταξινομητή σε σφάλματα ιδιαίτερα μεγάλα στις μεμονωμένες ταξινομήσεις. Δείξαμε εδώ ότι μια πολυχρονική προσέγγιση είναι ζωτικής σημασίας για την αντιμετώπιση των επιπτώσεων των σκιών των δέντρων και των χαμηλών θάμνων, της μικτής βλάστησης γενικότερα. Αυτή η προσέγγιση λειτουργεί κυρίως λόγω της ραδιομετρικής μεταβλητότητας, σε σύγκριση με τα δέντρα και άλλα αντικείμενα στο οικοσύστημα. Μέσα από την σύντηξη πολυχρονικών εικόνων -του ανάγλυφου και των δεικτών βλάστησης καταφέραμε να μειώσουμε με επιτυχία τις εσφαλμένες ταξινομήσεις χωρίς να απαιτούνται πρόσθετες διορθώσεις. Οι προηγούμενες προσεγγίσεις κατέφευγαν σε μεθόδους διόρθωσης φυσικών ή βασισμένων σε εικόνα για τον εντοπισμό των «προβληματικών» τμημάτων με την εφαρμογή συγχώνευσης δεδομένων πολλαπλών πηγών για την πλήρωση ουσιαστικά των σκιασμένων περιοχών ή των περιοχών με χαμηλή βλάστηση. Η ροή εργασίας που παρουσιάζεται εδώ επιτρέπει την αναγνώριση της περιοχής με συνολική ακρίβεια που είναι πάντα μεγαλύτερη από 75%, ανεξάρτητα από την προσέγγιση. Εν προκειμένω ο αλγόριθμος RF μας έδωσε ακρίβεια «κ»(Cohen) = με 92,2% αλλά δεν ταξινόμησε την τάξη της χαμηλής βλάστησης. Η μη ταξινόμησης μιας τάξης είναι ούτως η άλλως ακόμη και από μόνη της, προβληματική. Αντίθετα ο αλγόριθμος «LibSVM» (με 91,3%) παρά το ότι εμφάνισε «κ»(Cohen) 0,009 χαμηλότερο από τον RF είχε πολύ καλύτερα αποτελέσματα και στην ταξινόμηση ανά τάξη και μας εμφανίζει το σύνολο των τάξεων. Είναι προφανές ότι σε κάθε περίπτωση κριτήριό μας πρέπει να είναι η συνολική εικόνα της ταξινόμησης και όχι οι συντελεστές ακρίβειας καθώς μέλημά μας είναι η ταξινόμηση του συνόλου των τάξεων που έχουμε ορίσει.

Συγκρίσεις

Συγκρίνοντας άλλες έγκυρες, καταγραφές κάλυψης της γης, για την περιοχή μελέτης, όπως είναι η καταγραφή της κάλυψης της γης με το πρόγραμμα CORINE Land Cover (CLC) του ευρωπαϊκού προγράμματος Copernicus, με δεδομένα που συλλέγονται από δορυφορικές εικόνες και δεδομένα παρατήρησης από δίκτυα αισθητήρων της επιφάνειας της γης. Σύμφωνα με το Corine η περιοχή μελέτης καλύπτεται στο σύνολό της από την κατηγορία 3 Δάση και ημι-φυσικές περιοχές, 3.1. Δάση, 3.1.3. Μικτό Δάσος. Από τα μεταδεδομένα – τεχνική τεκμηρίωση του προγράμματος, η κλίμακα για το 2012 ήταν 1:100.000 και για το 2015 1:5.000 με pixel size 25 cm, συνεπώς ήταν αναμενόμενη η απόκλιση από την πραγματική κάλυψη της περιοχής.

Άλλη μια έγκυρη «καταγραφή» της κάλυψης γης είναι οι δασικοί χάρτες. Εδώ πρέπει να πούμε ρητά ότι το αντικείμενο του Δασικού Χάρτη είναι η καταγραφή και οριοθέτηση των Δασών και Δασικών εκτάσεων στο πλαίσιο της Δασικής Νομοθεσίας και των εκδοθέντων στο διηνεκές, τεχνικών προδιαγραφών και κανόνων που η πολιτεία και η επιστήμη της δασολογίας ορίζουν και όχι μια καταγραφή, έστω και διαχρονική, των καλύψεων γης με επιστημονικά τεκμήρια. Είναι προφανές ότι οι Δασικοί χάρτες δεν απεικονίζουν με τρόπο σαφή τις μορφές που ο παρατηρητής θα εντοπίσει, αλλά τις μορφές, έτσι όπως αυτές ορίζονται υπό το πρίσμα των πολιτικών επιλογών. Λχ. Τμήματα που εξαιρούνται της ανάρτησης, αποφάσεις της διοίκησης, πολύγωνα που η μορφή τους «καθορίζεται» από άλλα συνδυαστικά χαρακτηριστικά.

Συνεπώς θα έπρεπε να αντιμετωπίσουμε τη- διαχρονικότητα, τη-σύγκριση των τάξεων που αφορούν στη διαχρονική ταξινόμηση, με βαρύτητα στην ταξινόμηση της βλάστησης. Η διαχρονικότητα αφορά φωτοληψίες του 1945 που καταγράφεται ως το πρώτο χαρακτηριστικό της τάξης και η λήψη του 2015 που αφορά και εμφανίζεται ως το δεύτερο χαρακτηριστικό της ταξινόμησης. Η ταξινόμηση των δασικών χαρτών έγινε από αεροφωτογραφίες με φωτοληψία το 1945 και το 2015 με ιδιαίτερα καλή ανάλυση. Ενοποιήσαμε τις ταξινομήσεις ΑΑ και ΔΑ, δηλαδή την κλάση «Α» (-Α- Άλλης μορφής/κάλυψης εκτάσεις στις Α/Φ παλαιότερης λήψης, εν προκειμένω1945), «Α» (-Α- Άλλης μορφής/κάλυψης εκτάσεις στις Α/Φ πρόσφατης λήψης & αυτοψίες, εν προκειμένω 2015) με την κλάση ΔΑ δηλαδή την κλάση «Δ» (-Δ- Δάση και Δασικές εκτάσεις στις Α/Φ παλαιότερης λήψης ή προϋφιστάμενα στοιχεία, εν προκειμένω 1945), «Α» (-Α- Άλλης μορφής/κάλυψης εκτάσεις στις Α/Φ πρόσφατης λήψης & αυτοψίες, εν προκειμένω 2015), αφού αυτές οι δύο κλάσεις καταγράφουν τις Αγροτικές μορφές χωρίς να λαμβάνουμε υπόψη τις μορφές σύμφωνα με τις ιστορικές Α/Φ. Οπότε και η ενοποιημένη τάξη εδώ ήταν «ΑΑ», «ΔΑ». Αυτές οι μορφές συνάδουν με τις μορφές που εμείς έχουμε ορίσει ως «15. Ελαιόδεντρα», «21. Τεχνητές Επιφάνειες» «22. Φυσικές Επιφάνειες».

Η δεύτερη ομάδα ενοποίησης που συμβατικά ορίσαμε ήταν η ενοποίηση των ταξινομήσεων των Δασικών Χαρτών ΔΔ και ΑΔ δηλαδή την κλάση «Δ» (-Δ- Δάση και Δασικές εκτάσεις στις Α/Φ παλαιότερης λήψης, εν προκειμένω 1945), «Δ» (-Δ- Δάση και Δασικές 1 Σύμφωνα με το υπόμνημα όπως αυτό είναι αναρτημένο στην ιστοσελίδα της «Ελληνικό Κτηματολόγιο» Αντικειμενοστραφής Ταξινόμηση Μικτής Βλάστησης Διαχρονικών εικόνων από σύστημα μη επανδρωμένων αεροσκαφών UAV 75 εκτάσεις στις Α/Φ πρόσφατης λήψης & αυτοψίες, εν προκειμένω 2015) με την κλάση ΑΔ δηλαδή την κλάση «Α» (-Α- Άλλης μορφής/κάλυψης εκτάσεις στις Α/Φ πρόσφατης λήψης & αυτοψίες, εν προκειμένω 1945), «Δ» (-Δ- Δάση και Δασικές εκτάσεις στις Α/Φ πρόσφατης λήψης & αυτοψίες, εν προκειμένω 2015), αφού αυτές οι δύο κλάσεις καταγράφουν τις μορφές που προστατεύονται από τη δασική νομοθεσία χωρίς να λαμβάνουμε υπόψη τις μορφές σύμφωνα με τις ιστορικές Α/Φ.

(Εικόνα 25)

(Εικόνα 26)

(Εικόνα 27)

(Εικόνα 28)

(Εικόνα 29)

(Εικόνα 30)

Στο άρθρο αυτό αναπτύχθηκε, παρουσιάστηκε και αξιολογήθηκε μια μεθοδολογία που προσεγγίζει τις δυνατότητες χαρτογράφησης ακόμη και μικρών ατόμων και συστάδων (θάμνων). Το ενδιαφέρον και η πρόκληση έγκειται στην αξιοποίηση και στις δυνατότητες του αντικειμενοστραφούς σχεδιασμού – ταξινόμησης  που μας παρέχουν οι πολυφασματικές εικόνες και η σύνθεση – συνένωσή τους με άλλα παραγόμενα από αυτές προϊόντα. Ας μην λησμονούμε ότι οι πολυφασματικές λήψεις μας διασφαλίζουν δυνατότητες στην έρευνα ασθενειών των συστάδων, στη δημιουργία νέφους σημείων και 3d απεικόνισης των δασών, στις ταξινομήσεις εν προκειμένω και εν τέλει στην έρευνα και διαχείριση τμημάτων ή και ατόμων βλάστησης. Οι δασικές υπηρεσίες τα επόμενα χρόνια και μετά την κύρωση των δασικών χαρτών θα βρεθούν μπροστά σε προκλήσεις για το παρόν και το μέλλον των φορέων, αλλά κυρίως του καθεαυτού αντικειμένου τους. Η έρευνα, η διαχείριση, η προστασία, δεν μπορεί να επαφίενται στον «πατριωτισμό των… υπαλλήλων» ούτε σε διαδικασίες κατασπατάλησης πολύτιμων αλλά και «δυσεύρετων» πόρων.

Παρά τα όποια βήματα πραγματοποιούνται κατά καιρούς, η δασική πολιτική παραμένει στις στενές εθνικές αρμοδιότητες κάθε κράτους. Η ΕΕ επ‘ αφορμή του σχεδιασμού της Κοινής Αγροτικής Πολιτικής 2023-2027 «ομολογεί» (ελπίζω όχι με υπερηφάνεια) ότι δεν έχει κατορθώσει να απαντήσει στο ερώτημα «Τι είναι ένα δάσος;», ώστε να προχωρήσει στον ουσιαστικό σχεδιασμό πολιτικών. Η ορθή εκτίμηση των κινδύνων, για να υπάρξει, πρέπει να βασίζεται σε καλές πρακτικές συλλογής και επεξεργασίας αξιόπιστων πρωτογενών δεδομένων. Αυτές θα συμβάλουν στην κατανόηση, στη βελτίωση της γνώσης μας για την κλιματική αλλαγή, τις επιδράσεις της και εν τέλει στον περιορισμό των επιπτώσεών της.

Δημοσιεύτηκε στο dasarxeio.com | 19.4.2023

ΚατηγορίεςΓεωγραφικά Συστήματα Πληροφοριών, Δασική Έρευνα, Δασική Υπηρεσία, Δασικοί Χάρτες

Tags: drones, Έρευνα, Αντικειμενοστραφής ταξινόμηση, Νίκος Χρυσάφης, Ορθομωσαϊκά, Ραδιομετρικοί δείκτες, Ταξινόμηση βλάστησης, Τηλεπισκόπηση, Ψηφιακά Μοντέλα Επιφάνειας, Ψηφιακά Μοντέλα Εδάφους, Ψηφιακά Μοντέλα Θόλου, UAV