Χαρτογράφηση βυθομετρίας και θαλάσσιων ενδιαιτημάτων σε παράκτια ύδατα με τη χρήση δεδομένων παρατήρησης της Γης

Abstract

The aim of this research is to explore and provide a scientifically based implementation framework of the most popular semi-empirical bathymetry retrieval algorithms from satellite data (SDB), the Lyzenga model (1978, 1981, 1985, 2006) and the Stumpf et al. al. (2003), to produce reliable, detailed and low-cost mapping of shallow coastal areas (up to 30 m depth). The study of the "conditions" of their application was carried out in three study areas in the North, Central and South Aegean (Greece). The algorithms were applied to heterogeneous bottoms in the zone up to 20-25 m in the three areas, on the one hand and to homogeneous ones - considering the type of substrate and marine habitats as derived from the application of image classification methods in the study areas, on the other. In situ data for depth and substrate type, were used to calibrate the algorithms and to verify and evaluate the accuracy of the retrieved depths. The link between the size of the training sample and the accuracy of the results was also studied. The results identified that the size and the distribution of the training sample is important and is associated with the accuracy of the estimations. Both models produce more accurate estimations when applied to a homogeneous bottom. The Lyzenga model seems to more accurately capture the bathymetry compared to the Stumpf model in any case - of homogeneous or heterogeneous sea bottom. In the case of heterogeneous seabed, both models, show weakness in the estimations of the very shallow depths - up to 2 m, whereas they seem to perform well at depths up to 20 m. However, when the models applied in homogeneous seabed, the efficiency of the very shallow depths is improved and satisfactory depths of up to 25 m are also provided. As regards the optimal size of the training sample, both algorithms follow the model of N= 10-20 per predictor for heterogeneous bottoms, where predictor is considered the number of spectral bands participating in the mathematical expressions of the algorithms.

Στόχος της παρούσης έρευνας είναι να διερευνήσει και να παρέχει ένα επιστημονικά τεκμηριωμένο πλαίσιο εφαρμογής των «δημοφιλέστερων» ημι-εμπειρικών αλγορίθμων ανάκτησης βαθυμετρίας από δορυφόρικά δεδομένα (SDB), του μοντέλου Lyzenga (1978, 1981, 1985, 2006) και του μοντέλου Stumpf et al. (2003), αποσκοπώντας στην παραγωγή αξιόπιστης, λεπτομερούς και χαμηλού κόστους αποτύπωσης των ρηχών παράκτιων περιοχών (βάθος έως 30 m). Η διερεύνηση των «συνθηκών» εφαρμογής τους υλοποιήθηκε σε τρεις περιοχές μελέτης στο Βόρειο, Κεντρικό και Νότιο Αιγαίο (Ελλάδα). Οι αλγόριθμοι εφαρμόστηκαν αφενός μεν σε ανομοιογενείς πυθμένες στη ζώνη έως 20-25 m στις τρεις περιοχές, αφετέρου δε σε ομοιογενείς - λαμβάνοντας υπόψη τον τύπο του υποστρώματος και τα θαλάσσια ενδιαιτήματα όπως προέκυψαν από την εφαρμογή μεθόδων ταξινόμησης εικόνας στις περιοχές έρευνας. Χρησιμοποιήθηκαν in situ δεδομένα βάθους και τύπου υποστρώματος για τη βαθμονόμηση και την επαλήθευση των αλγορίθμων και την αξιολόγηση της ακρίβειας των ανακτώμενων βαθών. Διερευνήθηκε επίσης η διασύνδεση του μεγέθους του δείγματος εκπαίδευσης των μοντέλων με τη ακρίβεια των αποτελεσμάτων της εφαρμογής τους. Τα αποτελέσματα έδειξαν ότι ο αριθμός και η κατανομή των δεδομένων εκπαίδευσης είναι σημαντικός και συνδέεται με την ακρίβεια των εκτιμήσεων. Η ακρίβεια των εκτιμήσεων βελτιώνεται, και για τα δύο μοντέλα, όταν εφαρμόζονται σε ομοιογενείς πυθμένες. Το μοντέλο Lyzenga φαίνεται να αποδίδει με μεγαλύτερη ακρίβεια τη βαθυμετρία συγκριτικά με το μοντέλο Stumpf σε κάθε περίπτωση – ομοιογενούς ή ετερογενούς πυθμένα. Και τα δύο μοντέλα στην περίπτωση ετερογενούς πυθμένα, παρουσιάζουν αδυναμία στην εκτίμηση της πολύ ρηχής ζώνης - έως 2 m, ενώ φαίνεται να αποδίδουν ικανοποιητικά σε βάθη έως 20m. Ωστόσο, όταν η εφαρμογή τους υλοποιείται σε ομοειδείς πυθμένες, αφενός η αποδοτικότητα στα αβαθή βελτιώνεται και αφετέρου αποδίδονται ικανοποιητικά βάθη έως και 25 m. Kαι οι δύο αλγόριθμοι σχετικά με το βέλτιστο αριθμό τιμών εκπαίδευσης, ακολουθούν το μοντέλο Ν: 10-20 ανά προγνωστικό παράγοντα για ετερογενείς πυθμένες, Προγνωστικός παράγων θεωρείται ο αριθμός των φασματικών ζωνών που συμμετέχουν στις μαθηματικές εκφράσεις των αλγορίθμων.