Περίληψη
Ο σωστός σχεδιασμός δασικών μελετών αντιπυρικής προστασίας καθορίζεται σημαντικά από τις πληροφορίες για τα χαρακτηριστικά και τη χωρική κατανομή της καύσιμης ύλης, γιατί αυτή αποτελεί το μοναδικό παράγοντα πρόκλησης των πυρκαγιών που μπορεί να ελεγχθεί από τον άνθρωπο. Σήμερα, η δορυφορική τηλεπισκόπηση σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών και τα ειδικά λογισμικά που έχουν αναπτυχθεί, προσφέρουν πολλές δυνατότητες για τη χαρτογράφηση της καύσιμης ύλης αποτελώντας αναπόσπαστο τμήμα της πρόληψης των δασικών πυρκαγιών. Αντικείμενο έρευνας της παρούσας διατριβής αποτέλεσε η διερεύνηση της δυνατότητας ανάπτυξης μοντέλων και νέων μεθόδων ταξινόμησης πολυφασματικών δορυφορικών δεδομένων για την εξαγωγή χρήσιμων και ακριβών πληροφοριών σχετικά με την καύσιμη ύλη και η δυνατότητα μεταφοράς αυτών σε άλλη περιοχή. Ως περιοχές μελέτης χρησιμοποιήθηκαν οι νομοί Χαλκιδικής και Αττικής, όπου στον πρώτο αναπτύχθηκε και εφαρμόστηκε το μοντέλο ταξινόμησης της καύσιμης ύλης και στο δεύτερ ...
Ο σωστός σχεδιασμός δασικών μελετών αντιπυρικής προστασίας καθορίζεται σημαντικά από τις πληροφορίες για τα χαρακτηριστικά και τη χωρική κατανομή της καύσιμης ύλης, γιατί αυτή αποτελεί το μοναδικό παράγοντα πρόκλησης των πυρκαγιών που μπορεί να ελεγχθεί από τον άνθρωπο. Σήμερα, η δορυφορική τηλεπισκόπηση σε συνδυασμό με τα Γεωγραφικά Συστήματα Πληροφοριών και τα ειδικά λογισμικά που έχουν αναπτυχθεί, προσφέρουν πολλές δυνατότητες για τη χαρτογράφηση της καύσιμης ύλης αποτελώντας αναπόσπαστο τμήμα της πρόληψης των δασικών πυρκαγιών. Αντικείμενο έρευνας της παρούσας διατριβής αποτέλεσε η διερεύνηση της δυνατότητας ανάπτυξης μοντέλων και νέων μεθόδων ταξινόμησης πολυφασματικών δορυφορικών δεδομένων για την εξαγωγή χρήσιμων και ακριβών πληροφοριών σχετικά με την καύσιμη ύλη και η δυνατότητα μεταφοράς αυτών σε άλλη περιοχή. Ως περιοχές μελέτης χρησιμοποιήθηκαν οι νομοί Χαλκιδικής και Αττικής, όπου στον πρώτο αναπτύχθηκε και εφαρμόστηκε το μοντέλο ταξινόμησης της καύσιμης ύλης και στο δεύτερο εξετάστηκε η δυνατότητα μεταφοράς του. Στην περιοχή του Πανεπιστημιακού Δάσους του Ταξιάρχη έγινε σύγκριση των νέων τεχνικών ταξινόμησης της καύσιμη ύλης που αναπτύχθηκαν. Τα δορυφορικά δεδομένα που χρησιμοποιήθηκαν προήλθαν από το δορυφορικό σύστημα SPOT 5, που αποτελούν δεδομένα υψηλής φασματικής και χωρικής ευκρίνειας. Για τη χαρτογράφηση της καύσιμης ύλης και τη βελτίωση στην ταξινόμηση χρησιμοποιήθηκε η αντικειμενοστραφής ανάλυση και επεξεργασία των δορυφορικών δεδομένων. Αρχικά, αναπτύχθηκε μοντέλο αντικειμενοστραφούς ταξινόμησης με τη χρήση του αλγόριθμου ταξινόμησης του πλησιέστερου γειτονικού σημείου. Η εκτίμηση της ακρίβειας που προέκυψε από την αντικειμενοστραφή ταξινόμηση της καύσιμης ύλης ήταν πολύ ικανοποιητική. Στη συνέχεια διερευνήθηκε η δυνατότητα μεταφοράς (transferability) του μοντέλου αντικειμενοστραφούς ταξινόμησης που δημιουργήθηκε σε νέα περιοχή. Το παραπάνω μοντέλο ταξινόμησης της καύσιμης ύλης, λοιπόν, εφαρμόστηκε στα δορυφορικά δεδομένα της δεύτερης περιοχής μελέτης και η ακρίβεια που προέκυψε ήταν εξίσου πολύ ικανοποιητική. Έτσι προέκυψε ότι είναι δυνατό να μεταφερθεί το μοντέλο αντικειμενοστραφούς ταξινόμησης και σε άλλη περιοχή. Στα πλαίσια της διατριβής, τέλος, αναπτύχθηκε και μια νέα μέθοδος ταξινόμησης των δορυφορικών δεδομένων, που στηρίχθηκε στη χρήση και εφαρμογή των νευρωνικών δικτύων. Για το λόγο αυτό αναπτύχθηκε ειδικό λογισμικό ταξινόμησης δορυφορικών δεδομένων που υποστηρίζει διαφορετικούς τύπους νευρωνικών δικτύων, γιατί τα υπάρχοντα εμπορικά λογισμικά, που σχετίζονται με δορυφορικά τηλεπισκοπικά δεδομένα, είτε δεν έχουν αναπτύξει εργαλεία βασισμένα σε νευρωνικά δίκτυα ή στην περίπτωση που χρησιμοποιούν τέτοια εργαλεία είναι περιορισμένων επιλογών. Η ταξινόμηση με την εφαρμογή νευρωνικών δικτύων χρησιμοποιήθηκε στην τρίτη περιοχή μελέτης. Τα πρώτα αποτελέσματα δεν είχαν μεγάλη ακρίβεια, οπότε ενσωματώθηκαν στα αρχικά δορυφορικά δεδομένα και άλλες παράμετροι ώστε να επιτευχθεί μια ικανοποιητική ακρίβεια στην ταξινόμηση της καύσιμης ύλης. Τέλος, έγινε σύγκριση των αποτελεσμάτων της ταξινόμησης με τη χρήση των νευρωνικών δικτύων με τα αντίστοιχα αποτελέσματα που προέκυψαν με την εφαρμογή του αντικειμενοστραφούς μοντέλου ταξινόμησης που αναπτύχθηκε αρχικά. Τα αποτελέσματα της εκτίμησης της ακρίβειας και για τις δυο μεθόδους ήταν πολύ ικανοποιητικά, με τη μέθοδο της αντικειμενοστραφούς ταξινόμησης να έχει ελαφρώς μεγαλύτερη ακρίβεια.
περισσότερα
Περίληψη σε άλλη γλώσσα
Judicial wildland fire prevention and management require precise information on fuel characteristics and spatial distribution of the various vegetation types present in an area, since fuel is the only factor related to forest fire behaviour that humans can control, manage and modify. A few years ago, the above information for pre-fire planning was relied on ground measurements, orthophotomaps and vegetation maps, resulting to the lack of up-to-date data for fuel mapping. However the recent advances in remotely sensed satellite data in conjunction with G.I.S. and special software offer great capabilities in fuel mapping. The main purpose of this thesis is to investigate the possibility of developing new methods to classify satellite imagery for more accurate and useful fuel type mapping. Three study areas were selected: the prefecture of Chalkidiki, the prefecture of Attica and the University forest of Taxiarhis in the Prefecture of Chalkidiki. In the first area, a classification method ...
Judicial wildland fire prevention and management require precise information on fuel characteristics and spatial distribution of the various vegetation types present in an area, since fuel is the only factor related to forest fire behaviour that humans can control, manage and modify. A few years ago, the above information for pre-fire planning was relied on ground measurements, orthophotomaps and vegetation maps, resulting to the lack of up-to-date data for fuel mapping. However the recent advances in remotely sensed satellite data in conjunction with G.I.S. and special software offer great capabilities in fuel mapping. The main purpose of this thesis is to investigate the possibility of developing new methods to classify satellite imagery for more accurate and useful fuel type mapping. Three study areas were selected: the prefecture of Chalkidiki, the prefecture of Attica and the University forest of Taxiarhis in the Prefecture of Chalkidiki. In the first area, a classification method was developed; in the second one the transferability of the method was evaluated. In the third area another method of classification was developed and the results of fuel classification of the two methods were compared. A SPOT5 imagery were acquired, since they have high spectral and spatial resolution as well. An object based image analysis was employed for the first method of fuel classification. Originally, an object based model including multi-scale image segmentation and classification was developed and applied in Chalkidiki. The model created was based on a nearest neighbour classifier. The overall accuracy of the fuel classification was very satisfactory. Following, evaluation of the transferability of the developed model took place by transferring and applying the model rule set, after minor adjustments, in Attica. The overall accuracy in the second area was also very satisfactory. Extensive field work was carried out in both test sites for model development, training and evaluation. In the present thesis, a new method of fuel type mapping was developed, based on the use of neural networks. A software for classifying satellite data was developed, since the existing commercial software, relating to remotely sensed satellite data, do not include neural network classification tools or their tools lack of variety of options (training algorithms, training parameters etc.). The neural network classification was applied to the third study area. In order to increase the accuracy, some additional parameters were embodied to the initial data. Finally, a comparison of the results of the object based model and the neural network classification showed that the two methods were satisfactory accurate and the object based model classification a bit better.
περισσότερα