 |
Μανώλης Καπάνταης, Δασολόγος – Περιβαλλοντολόγος τ. Δ/ντης Πρασίνου |
Α. Δασική Αεροφωτογραφία
Χαρτογράφηση από αεροφωτογραφίες.
Ορθοφωτογραφίες, Ορθοφωτοχάρτες. Φωτοερμηνεία.
A.1. Εφαρμογές της αεροφωτογραφίας στη Δασοπονία.
- Μετρήσεις διαφόρων παραμέτρων του δένδρου και της συστάδας.
- Απογραφή των δασών.
- Ειδικές εφαρμογές της αεροφωτογραφίας στην υδρονομία, στη θηραματική, στη λιβαδοπονία, στην αναψυχή, στην υλωρική και στην οδοποιία.
A.2. Η Φωτοερμηνεία
Είναι η τέχνη της εξέτασης ενός αντικειμένου πάνω στην αεροφωτογραφία με σκοπό την αναγνώρισή του και την εκτίμηση της σπουδαιότητάς του. Με λίγα λόγια είναι ένα παράθυρο στο παρελθόν απ το οποίο μπορούμε να δούμε οποιοδήποτε σημείο ενδιαφέροντος σε διάφορες χρονικές περιόδους.
Από το παράθυρο αυτό μπορούμε να δούμε σε οποιοδήποτε σημείο της χώρας σε διάφορες χρονικές στιγμές. Αυτό που βλέπουμε, εντοπίζουμε και αναγνωρίζουμε έχει πλήρη αποδεικτική αξία και νομική κάλυψη. Οι δυνατότητες που μας προσφέρει η επιστήμη της τοπογραφίας, της φωτογραμμετρίας και της τηλεπισκόπισης είναι πολλές.
Με σχετικά μικρό κόστος, με κατάλληλο εξοπλισμό και λογισμικό μπορούμε να χρησιμοποιούμε ακόμα και δορυφορικές εικόνες.
Οι Αεροφωτογραφίες έχουν απόλυτο και αμάχητο αποδεικτικό χαρακτήρα, όχι μόνο γιατί είναι δημόσια έγγραφα, αλλά και επειδή περιέχουν αποτυπωμένα αδιαμφισβήτητα πραγματικά στοιχεία. Φέρουν συγκεκριμένη χρονολογία και ώρα λήψης και αποτελούν τον πλέον απόλυτο τρόπο απεικόνισης της πραγματικότητας.
Οι αεροφωτογραφίες περιέχουν ένα λεπτομερειακό μητρώο χαρακτηριστικών (προτύπων) της φυσικής γήινης επιφάνειας κατά το χρόνο της λήψης. Ένας Φωτοερμηνευτής εξετάζει συστηματικά τις αεροφωτογραφίες μαζί, συχνά και με άλλα συμπληρωματικά υλικά υποστήριξης, όπως χάρτες και δεδομένα επίγειων παρατηρήσεων.
Η Φωτοερμηνεία στηρίζεται στη φύση των αντικειμένων και φαινομένων που εμφανίζονται στις αεροφωτογραφίες. Η Φωτοερμηνεία μπορεί να διεξαχθεί σε έναν αριθμό επιπέδων πολυπλοκότητας, από μία απλή αναγνώριση των αντικειμένων στη γήινη επιφάνεια, μέχρι την εξαγωγή αναλυτικής πληροφορίας που σχετίζεται με τις περίπλοκες αλληλεπιδράσεις μεταξύ των χαρακτηριστικών της φυσικής γήινης επιφάνειας και του υπεδάφους. Ο βαθμός της επιτυχίας της Φωτοερμηνείας εξαρτάται από την εκπαίδευση και την εμπειρία του Φωτοερμηνευτή, τη φύση των αντικειμένων ή των φαινομένων που ερμηνεύονται, και την ποιότητα των φωτογραφιών που χρησιμοποιούνται.
A.3. Η Μελέτη Φωτοερμηνείας περιλαμβάνει:
- την τεχνική έκθεση όπου περιγράφονται με κάθε λεπτομέρεια:
- οι μέθοδοι που χρησιμοποιήθηκαν,
- τα σφάλματα
- η ακρίβεια της διαδικασίας
- καθώς και όλες οι πτυχές της υπόθεσης με αναλυτική περιγραφή των ευρημάτων κάθε λήψης για όλα τα στοιχεία που αφορούν την ιδιοκτησία.
- Σχέδια που συνοδεύουν τις πρωτότυπες αεροφωτογραφίες όπου περιγράφονται τα ευρήματα της στερεοσκοπικής παρατήρησης.
Η στερεοσκοπική παρατήρηση είναι απαραίτητο εργαλείο της φωτοερμηνείας. Ουσιαστικά πάντα η φωτοερμηνεία γίνεται σε στερεοζεύγη αεροφωτογραφιών. Σε αυτά γίνεται η παρατήρηση η αναγνώριση και ο εντοπισμός των ευρημάτων. Η παρατήρηση είναι πολύ καλύτερη από την μονοσκοπική γιατί ακριβώς μπορεί να αναγνωριστεί το ανάγλυφο του εδάφους, οι υψομετρικές διαφορές, το ύψος των κατασκευών των αντικειμένων και της βλάστησης αλλά και η αναγνώριση του είδους αυτών.
Η μελέτη μπορεί να είναι αμιγώς φωτοερμηνευτική και συγκριτική και να περιλαμβάνει σειρά σχεδίων και άλλων αποδεικτικών στοιχείων, ή μπορεί να είναι φωτογραμμετρική με ανάλυση λεπτομερών στοιχείων ανάλυσης είτε των διαστάσεων είτε των στοιχείων της φασματικής απόχρωσης των αντικειμένων (κυρίως για σκοπούς ανάλυσης υπεδάφους. Η παρουσίαση αυτών γίνεται σε μορφή η οποία γίνεται εύκολα αντιληπτή από τον εκάστοτε αναγνώστη.
Η χρησιμότητα της Φωτοερμηνείας
Η μελέτη φωτοερμηνείας αποτελεί ένα σοβαρό αποδεικτικό στοιχείο που μπορεί να δώσει, για συγκεκριμένο χώρο και για συγκεκριμένη ημερομηνία ή συγκριτικά-συνδυαστικά για διάφορες χρονολογίες. Ενδεικτικά μια μελέτη φωτοερμηνείας μπορεί να χρησιμοποιηθεί:
- Για την απόδειξη του χρόνου κατασκευής αυθαιρέτων, για την κατηγοριοποίηση του αυθαιρέτου και τον υπολογισμό του συντελεστή παλαιότητας. (ΣτΕ: Μόνο με αεροφωτογραφίες η απόδειξη κατασκευής αυθαιρέτων)
- Την ύπαρξη ή μη δρόμων, μονοπατιών, κτιρίων ή άλλων κατασκευών.
- Την ένσταση κατά της Πράξης Χαρακτηρισμού σχετικά με Δάσος – Δασική Έκταση κ.λπ.
- Την αναγνώριση της γραμμής αιγιαλού στο παρελθόν (χειμέριο κύμα).
- Τον καθορισμό της θέσης ρεμάτων και τις πιθανές μεταβολές αυτού με το πέρασμα του χρόνου.
- Για της ενστάσεις στους υπό ανάρτηση δασικούς χάρτες.
- Για της ενστάσεις στο Εθνικό Κτηματολόγιο.
- Για την τεκμηρίωση των ορίων των ιδιοκτησιών και τις πιθανές μεταβολές αυτών από καταπατήσεις.
- Για την αναγνώριση της χρήσης και κάλυψης γης.
- Για τον εντοπισμό μιας ιδιοκτησίας όπως υφίστατο κατά την περίοδο της σύνταξης των συμβολαίων αυτού.
Η ύπαρξη πολλών ιστορικών χαρτών, διαγραμμάτων και σχεδίων διαφόρων υπηρεσιών: πολεοδομιών, παραχωρητηρίων του Υπ. Γεωργίας, απαλλοτριώσεων, φωτογραμμετρικά διαγράμματα, διαγράμματα πράξεων εφαρμογής, σχέδια πόλεων, διαγράμματα του στρατού, του ΟΚΧΕ, των Δήμων, των Αιγιαλών, της Υ.Α.Σ. (Υπηρεσίας Αποκατάστασης Σεισμοπλήκτων) και πολλών άλλων οργανισμών, μπορούν να χρησιμοποιηθούν ώς τεκμήρια για την εξεύρεση δεδομένων για την εκάστωτε περίπτωση φωτοερμηνίας.
Β. Χαρτογράφηση Αστικού Πρασίνου
Εφαρμογές της αεροφωτογραφίας στο Αστικό Πράσινο
Οι περιοχές πρασίνου αναγνωρίζονται όλο και περισσότερο ως σημαντικό συστατικό του αστικού περιβάλλοντος. Η σωστή διαχείριση και ο σχεδιασμός των αστικών χώρων πρασίνου είναι ζωτικής σημασίας για τη μεγιστοποίηση των οφελών τους για τους κατοίκους των πόλεων και για το αστικό οικοσύστημα γενικότερα.
Η απογραφή της αστικής βλάστησης είναι μια διαδικασία δαπανηρή και χρονοβόρα. Ως εκ τούτου, η ανάπτυξη νέων τεχνικών τηλεπισκόπησης για τη χαρτογράφηση και την παρακολούθηση της βλάστησης έχει γίνει κύριο θέμα ενδιαφέροντος πολλών ακαδημαϊκών και μελετητών. Με βάση μια ολοκληρωμένη έρευνα της βιβλιογραφίας, αυτό το άρθρο ανασκόπησης παρέχει μια αναφορά των κύριων προσεγγίσεων που προτείνονται για τη χαρτογράφηση της αστικής βλάστησης από δεδομένα τηλεπισκόπησης υψηλής ανάλυσης.
Οι μελέτες εξετάζονται από τρεις οπτικές γωνίες:
- τον τύπο της βλάστησης,
- τα δεδομένα της τηλεπισκόπησης που χρησιμοποιούνται και
- την προσέγγιση χαρτογράφησης που εφαρμόζεται.
Όσον αφορά τον τύπο της βλάστησης, γίνεται διάκριση μεταξύ μελετών που επικεντρώνονται στη χαρτογράφηση των λειτουργικών τύπων της βλάστησης και μελετών που χαρτογραφούν την ταξινόμηση σε τάξεις χαμηλότερου επιπέδου, με τις τελευταίες να επικεντρώνονται κυρίως στα αστικά δέντρα.
Οι ερευνητές έχουν χρησιμοποιήσει μια μεγάλη ποικιλία εικόνων υψηλής ανάλυσης και για τους δύο τύπους χαρτογράφησης. Η συγχώνευση διαφόρων τύπων δεδομένων τηλεπισκόπησης, καθώς και η συμπερίληψη φαινολογικών πληροφοριών μέσω της χρήσης διαχρονικών εικόνων, αποδεικνύονται οι πιο πολλά υποσχόμενοι τρόποι βελτίωσης της ακρίβειας χαρτογράφησης. Όσον αφορά τις προσεγγίσεις χαρτογράφησης, καθιερώνεται η χρήση της βαθιάς μάθησης, κυρίως για τη χαρτογράφηση ειδών δέντρων.
Μέσα από αυτή τη μελέτη, θα μπορούσαν να εντοπιστούν αρκετά ερευνητικά κενά. Το ενδιαφέρον για τη χαρτογράφηση ειδών μη δένδρων σε αστικά περιβάλλοντα, παραμένει περιορισμένο. Το ίδιο συμβαίνει και με τη χαρτογράφηση της βλάστησης των ειδών του υπορόφου.
Οι περισσότερες μελέτες επικεντρώνονται στη χαρτογράφηση δημόσιων χώρων πρασίνου, ενώ το ενδιαφέρον για χαρτογράφηση ιδιωτικών χώρων πρασίνου είναι λιγότερο συχνό.
Η χρήση εικόνων με υψηλή χωρική και χρονική ανάλυση, που επιτρέπουν την ανάκτηση φαινολογικών πληροφοριών για χαρτογράφηση και παρακολούθηση της βλάστησης σε επίπεδο είδους, παραμένει περιορισμένη σε αστικά περιβάλλοντα. Ως εκ τούτου, οι προσεγγίσεις χαρτογράφησης που έχουν σχεδιαστεί ειδικά για την ανάλυση χρονοσειρών και τη χρήση νέων πηγών δεδομένων φαίνεται να υπόσχονται πολλά για την πρόοδο του πεδίου.
Τέλος, οι τεχνικές μάθησης χωρίς επίβλεψη και η ενεργητική μάθηση, που μέχρι στιγμής σπάνια εφαρμόζονται στη χαρτογράφηση της αστικής βλάστησης, είναι επίσης τομείς όπου μπορεί να αναμένεται σημαντική πρόοδος.
B.1. Η βλάστηση σε ένα αστικό οικοσύστημα παρέχει πληθώρα ευεργετικών επιδράσεων.
Η παρουσία βλάστησης σε ένα αστικό οικοσύστημα έχει πληθώρα ευεργετικών επιδράσεων. Η εγγύτητα του χώρου πρασίνου έχει συνδεθεί με τη βελτιωμένη σωματική και ψυχολογική ευεξία των κατοίκων των πόλεων. Το αστικό πράσινο παρέχει επίσης μια ολόκληρη σειρά περιβαλλοντικών οφελών.
Οι συγκεκριμένες υπηρεσίες που παρέχουν αυτά τα οφέλη περιλαμβάνουν, μεταξύ άλλων,
- Δέσμευση άνθρακα μέσω φωτοσύνθεσης,
- Μείωση του θορύβου,
- Παροχή σκιάς και εξασθένηση του φαινομένου της αστικής θερμικής νησίδας. Το τελευταίο γίνεται όλο και πιο σημαντικό λόγω της συνεχιζόμενης κλιματικής υπερθέρμανσης .
Οι υπηρεσίες που παρέχονται από το αστικό πράσινο εξαρτώνται από:
- τον τύπο βλάστησης,
- τη δομή και
- το τοπικό πλαίσιο.
Η αξιολόγηση των υπηρεσιών που παρέχονται από το αστικό πράσινο απαιτεί μια κατάλληλη κλίμακα ανάλυσης, ανάλογα με την υπηρεσία ενδιαφέροντος. Ως εισροή για τη μελέτη του φαινομένου της αστικής θερμικής νησίδας, οι πληροφορίες για τη χωρική κατανομή και την πυκνότητα των περιοχών με βλάστηση μπορεί να είναι επαρκείς.
Ωστόσο, τόσο οι ωφέλιμες υπηρεσίες όσο και οι αρνητικές του αστικού πρασίνου μπορούν επίσης να μελετηθούν σε πιο λεπτομερές επίπεδο, για τα διαφορετικά είδη, όπως γίνεται συχνά για τα αστικά δέντρα. Για παράδειγμα, η απορρόφηση των ατμοσφαιρικών ρύπων είναι πολύ μεγαλύτερη για ορισμένα είδη φυτών από ό,τι για άλλα.
Αρκετά είδη μπορούν να συνδεθούν με προβλήματα του οικοσυστήματος, όπως η εξάπλωση αλλεργιογόνων κατά την περίοδο της επικονίασης και η απελευθέρωση πτητικών οργανικών ενώσεων, κάτι που είναι σημαντικός παράγοντας και που πρέπει να λαμβάνεται υπόψη κατά το σχεδιασμό αστικών χώρων πρασίνου.
Για να διευκολυνθεί ο βιώσιμος αστικός σχεδιασμός, είναι σημαντικό να δημιουργηθεί μια λεπτομερής απογραφή του αστικού πράσινου για την κατάλληλη διαχείριση και κατανόηση των οικολογικών υπηρεσιών που παρέχονται από τη βλάστηση. Το επίπεδο λεπτομέρειας ενός τέτοιου αρχειακού αποθέματος δεδομένων, και ως εκ τούτου η προσέγγιση χαρτογράφησης που απαιτείται για τη δημιουργία του, μπορεί να ποικίλλει ανάλογα με τον σκοπό του.
Οι περισσότερες μεγαλύτερες πόλεις (Ευρώπη, Αμερική, Αυστραλία κ.λ.π.. εκτός Ελλάδος) παρακολουθούν ήδη τη βλάστηση μέσω εκτεταμένων επιτόπιων ερευνών.
Ωστόσο, αυτό παρέχει μόνο πληροφορίες σχετικά με το δημόσιο χώρο πρασίνου. Τα ιδιωτικά ακίνητα παραμένουν σε μεγάλο βαθμό χωρίς παρακολούθηση, παρά τη σημαντική συμβολή τους στις υπηρεσίες οικοσυστήματος.
Η παρακολούθηση της αστικής βλάστησης είναι επίσης δαπανηρή και χρονοβόρα — εξ ου και το αυξανόμενο ενδιαφέρον για τις αυτοματοποιημένες τεχνικές χαρτογράφησης.
Η χρήση εικόνων τηλεπισκόπησης για τη διάκριση διαφορετικών τύπων κάλυψης γης και χρήσης γης σε ένα αστικό περιβάλλον, είναι μια ώριμη υπο-επιστημονική έρευνα της τηλεπισκόπησης. Ωστόσο, παραδοσιακά, η χαρτογράφηση της κάλυψης γης σε ένα αστικό περιβάλλον συχνά αφορούσε μόνο δύο κατηγορίες βλάστησης: υψηλή και χαμηλή βλάστηση .
Ωστόσο, η χρήση εικόνων τηλεπισκόπησης για τη λεπτομερή χαρτογράφηση της αστικής βλάστησης κερδίζει ενδιαφέρον από διάφορους δημόσιους και ιδιωτικούς φορείς. Η ανάπτυξη αυτού του κλάδου της έρευνας τηλεπισκόπησης κατέστη δυνατή χάρη στη βελτίωση της τεχνολογίας τηλεπισκόπησης.
Πιο συγκεκριμένα, είναι πλέον δυνατή η σύλληψη χωρικών δεδομένων με υψηλότερη χρονική, φασματική και χωρική ανάλυση από πριν. Επιπλέον, η αύξηση της διαθέσιμης ισχύος των Η/Υ επέτρεψε στους ερευνητές να επεξεργάζονται τα διαθέσιμα δεδομένα ταχύτερα και με τρόπους που προηγουμένως δεν ήταν εφικτοί.
Υπάρχει ήδη ένα ολόκληρο σύνολο ερευνών σχετικά με τη χαρτογράφηση ειδών δέντρων και τύπων καλλιεργειών σε αγροτικό περιβάλλον. Ωστόσο, η έρευνα για τη χαρτογράφηση του αστικού πρασίνου έχει τις δικές της προκλήσεις που σχετίζονται με τη χωρική και φασματική ετερογένεια του αστικού τοπίου και τη σύνθετη τρισδιάστατη δομή των αστικών περιοχών, με αποτέλεσμα μεγάλες σκιασμένες περιοχές, πολλαπλή διασπορά και ζητήματα γεωμετρικής αναντιστοιχίας. στο συνδυασμό διαφορετικών πηγών δεδομένων.
Ο στόχος αυτής της ανασκόπησης είναι να δώσει μια επισκόπηση των διαφορετικών προσεγγίσεων που χρησιμοποιούνται από τους μελετητές για τη χαρτογράφηση και την ταξινόμηση της βλάστησης σε ένα αστικό περιβάλλον σε υψηλό επίπεδο λεπτομέρειας.
Η εργασία είναι δομημένη σύμφωνα με τις κύριες αποφάσεις που πρέπει να ληφθούν σε όλη τη διαδικασία χαρτογράφησης:
- την επιλογή του κατάλληλου τύπου βλάστησης,
- τα δεδομένα τηλεπισκόπησης που θα χρησιμοποιηθούν και
- την προσέγγιση χαρτογράφησης που θα εφαρμοστεί.
Ως εκ τούτου, το πρώτο μέρος της ανασκόπησης συζητά τους διαφορετικούς τύπους βλάστησης που χρησιμοποιούνται από τους ερευνητές, κάνοντας μια διάκριση μεταξύ της χαρτογράφησης των λειτουργικών τύπων της βλάστησης και της χαρτογράφησης της αστικής βλάστησης σε ταξινομικές τάξεις υψηλότερου και χαμηλότερου επιπέδου. Στη συνέχεια, συζητείται η χρήση διαφορετικών πηγών δεδομένων τηλεπισκόπησης. Ιδιαίτερη προσοχή δίνεται στις αντισταθμίσεις στη φασματική και χωρική ανάλυση σε σχέση με τον τύπο των τάξεων βλάστησης που πρέπει να διακριθούν.
Στην ίδια ενότητα, συζητούνται οι δυνατότητες της απεικόνισης LiDAR και των επίγειων αισθητήρων, καθώς και η χρήση διαχρονικών συνόλων δεδομένων. Το τρίτο και τελευταίο μέρος της ανασκόπησης δίνει μια αναφορά των διαφορετικών προσεγγίσεων που χρησιμοποιούνται για τη χαρτογράφηση της αστικής βλάστησης από δεδομένα τηλεπισκόπησης υψηλής ανάλυσης.
Αυτό το μέρος χωρίζεται σε τρεις υποενότητες, εστιάζοντας στον ορισμό χαρακτηριστικών, την τμηματοποίηση εικόνας και τις μεθόδους ταξινόμησης.
Η εργασία τελειώνει με μια συζήτηση που επισημαίνει τις κύριες παρατηρήσεις, τα κενά στη βιβλιογραφία και τις πιθανές ευκαιρίες για μελλοντική έρευνα. καθώς και η χρήση διαχρονικών συνόλων δεδομένων..
B.2. Προβληματισμοί και συζήτηση
Ο στόχος αυτού του κειμένου ανασκόπησης ήταν να δώσει μια αναφορά της κατάστασης της τεχνικής στη χαρτογράφηση της αστικής βλάστησης από δεδομένα τηλεπισκόπησης υψηλής ανάλυσης, με έμφαση στις μεθοδολογικές πτυχές της χαρτογράφησης.
Εννοιολογικά, η χαρτογράφηση της αστικής βλάστησης περιλαμβάνει τρεις αποφάσεις:
- την επιλογή του κατάλληλου τύπου βλάστησης,
- την επιλογή (συνδυασμού) δεδομένων τηλεπισκόπησης για την εργασία και
- τη μέθοδο χαρτογράφησης που θα χρησιμοποιηθεί.
Σαφώς, οι τρεις πτυχές είναι αλληλένδετες υπό την έννοια ότι οι περιορισμοί που επιβάλλονται από τα χαρακτηριστικά και τη διαθεσιμότητα δεδομένων τηλεπισκόπησης, καθώς και οι περιορισμοί των τρεχουσών προσεγγίσεων χαρτογράφησης, θα καθορίσουν σε ποιο βαθμό μπορεί να επιτευχθεί διαφοροποίηση μεταξύ διαφόρων τύπων ή ειδών αστικής βλάστησης.
Θα μπορούσαν να εντοπιστούν δύο ευρείες προσεγγίσεις στη χαρτογράφηση της αστικής βλάστησης. Οι μελέτες είτε επικεντρώνονται στα δομικά ή/και λειτουργικά χαρακτηριστικά της βλάστησης (π.χ. ξυλώδης έναντι ποώδης, φυλλοβόλα έναντι αειθαλών, πλατύφυλλα έναντι κωνοφόρων (βελονόφυλλων), συνεχής και συμπαγής έναντι αποσπασμένης η τμήματος βλάστησης κ.λ.π.) είτε στην ταξινόμηση.
Στην πρώτη, ο ορισμός των κατηγοριών η τάξεων και το επίπεδο λεπτομέρειας μπορεί να ποικίλλουν σημαντικά ανάλογα με την εφαρμογή, όπου η εστίαση σε συγκεκριμένες υπηρεσίες οικοσυστήματος της βλάστησης είναι συχνά ο καθοριστικός παράγοντας για την προτεινόμενη τυπολογία. Στην περίπτωση χαρτογράφησης με βάση την ταξινόμηση, η πλειονότητα των μελετών εστιάζεται στη χαρτογράφηση των ειδών δέντρων ή των γενών.
Πολύ συχνά, αυτές οι μελέτες περιορίζονται σε μερικά μόνο από τα επικρατέστερα η διαδεδομένα είδη δέντρων που εμφανίζονται σε μια αστική περιοχή. Τα μικρά δέντρα ή τα λιγότερο γνωστά είδη συχνά παραλείπονται, γεγονός που μπορεί να δώσει μια προκατειλημμένη άποψη σχετικά με την ακρίβεια που επιτυγχάνεται στη χαρτογράφηση του αστικού πρασίνου. Μέχρι στιγμής, μόνο λίγες μελέτες έχουν επικεντρωθεί στην επικράτηση των μη δενδρωδών φυτών στο αστικό περιβάλλον, παρά τη σημαντική συμβολή τους στο αστικό οικοσύστημα.
Ως εκ τούτου, απαιτείται πρόσθετη έρευνα σχετικά με τη λεπτομερή χαρτογράφηση της μη δενδρώδους και της υπορόφου βλάστησης στο αστικό περιβάλλον για να αποκτηθεί μια πληρέστερη κατανόηση των παρεχόμενων υπηρεσιών. Παρατηρούμε επίσης ότι, τόσο για τα δέντρα όσο και για τα φυτά του υπορόφου, ο αριθμός των μελετών που επικεντρώνονται στην παρουσία βλάστησης στον ιδιωτικό τομέα είναι ακόμα αρκετά περιορισμένος.
Η απόκτηση γνώσεων για το ιδιωτικό πράσινο είναι σημαντική καθώς πολλές πόλεις περιέχουν μεγαλύτερη ποσότητα ιδιωτικού από δημόσιο πράσινο, καθιστώντας το σημαντικό μέρος του αστικού οικοσυστήματος και ζωτικής σημασίας για να γίνουν οι πόλεις πιο ανθεκτικές στις μελλοντικές περιβαλλοντικές προκλήσεις.
Η επιλογή των κατηγοριών η τάξεων βλάστησης που απαιτούνται για μια συγκεκριμένη εφαρμογή θα επηρεάσει τα δεδομένα εισόδου της επιλογής. Γενικά, δύο τύποι αισθητήρων χρησιμοποιούνται συνήθως για τη χαρτογράφηση της αστικής βλάστησης: οπτικοί αισθητήρες και LiDAR.
Η τεχνική LIDAR (LIght Detection And Ranging) βασίζεται στην εκπομπή παλμικής ακτινοβολίας λέιζερ στην ατμόσφαιρα και ακολούθως, στην καταγραφή της οπισθοσκεδαζόμενης ακτινοβολίας λέιζερ. Η ατμόσφαιρα αποτελούμενη από άτομα, μόρια, αιωρούμενα σωματίδια (αερολύματα), κλπ. προκαλεί εξασθένηση της διερχόμενης ακτινοβολίας λέιζερ. Η σκεδαζόμενη ακτινοβολία συλλέγεται από ένα οπτικό τηλεσκόπιο και οδηγείται στο σύστημα λήψης και καταγραφής των σημάτων LIDAR. Η τεχνική LIDAR, αναλύοντας τα οπισθοσκεδαζόμενα σήματα που προέρχονται από την αλληλεπίδραση των συστατικών της ατμόσφαιρας με την ακτινοβολία λέιζερ, είναι ικανή να καθορίσει την κατακόρυφη κατανομή των κυριότερων ρύπων και συστατικών της ατμόσφαιρας με μεγάλη χωρική (~3-7 m) και χρονική ακρίβεια (από 10-30 s έως μερικά min.).
Για τις οπτικές εικόνες, τόσο η φασματική όσο και η χωρική ανάλυση είναι σημαντικές. Η χαρτογράφηση λειτουργικών πράσινων τύπων ή πράσινης υποδομής δεν απαιτεί πάντα πολύ υψηλή χωρική ανάλυση, καθώς τα μεμονωμένα φυτά ομαδοποιούνται, δημιουργώντας μεγαλύτερες χωρικές ενότητες που μπορούν να χαρτογραφηθούν από εικόνες με ανάλυση μεγαλύτερη από 3 m. Ωστόσο, για τη χαρτογράφηση μεμονωμένων φυτών, απαιτείται η χρήση εικόνων υψηλότερης ανάλυσης για τον περιορισμό της σύνθετης ρύπανσης του φόντου που εμφανίζεται σε ένα αστικό περιβάλλον. Επιπλέον, θα πρέπει επίσης να σημειωθεί ότι τα σύνολα δεδομένων που χρησιμοποιούνται στις αναφερόμενες μελέτες για τη χαρτογράφηση αστικών δέντρων συχνά περιέχουν μόνο ώριμα δέντρα, περιορίζοντας τη διακύμανση στο σχήμα και το μέγεθος σε σύγκριση με αυτό που παρατηρείται στο πεδίο.
Οι απαιτήσεις σε σχέση με την απαιτούμενη χωρική ανάλυση μπορεί επομένως να είναι υψηλότερες εάν συμπεριληφθούν λιγότερο γνωστά ή/και μικρά είδη δέντρων. Όσον αφορά τη φασματική ανάλυση, τόσο οι πολυφασματικές όσο και οι υπερφασματικές εικόνες έχουν χρησιμοποιηθεί για τη χαρτογράφηση της αστικής βλάστησης. Οι πιο λεπτομερείς φασματικές πληροφορίες παρέχουν γενικά καλύτερα αποτελέσματα, ειδικά για τη χαρτογράφηση θεματικά πιο λεπτομερών πληροφοριών.
Ωστόσο, οι βελτιώσεις με υπερφασματική απεικόνιση μπορεί να είναι περιορισμένες εάν οι πολυφασματικές εικόνες καταγράφουν πληροφορίες στα κατάλληλα τμήματα του φάσματος.
Οι πληροφορίες που λαμβάνονται από τα αερομεταφερόμενα δεδομένα LiDAR μπορούν να χρησιμοποιηθούν από μόνες τους για τη διαφοροποίηση διαφορετικών τύπων βλάστησης. Ωστόσο, η συγχώνευση φασματικών δεδομένων και δεδομένων LiDAR, συνδυάζοντας τις δυνατότητες και των δύο πηγών δεδομένων, έχει γίνει μια ολοένα πιο κοινή και αρκετά επιτυχημένη προσέγγιση για τη λεπτομερή χαρτογράφηση της αστικής βλάστησης. Η χρήση δεδομένων LiDAR όχι μόνο βελτιώνει την κατάτμηση των αντικειμένων βλάστησης, αλλά συμπληρώνει τα φασματικά δεδομένα με δομικές πληροφορίες και πληροφορίες που σχετίζονται με την ένταση που συχνά θεωρούνται κρίσιμες η ζωτικής σημασίας για τη διάκριση διαφορετικών τύπων βλάστησης σε ένα αστικό περιβάλλον. Επιπλέον, η ένταση του σήματος επιστροφής μπορεί να παρέχει πολύτιμες πληροφορίες.
Οι οπτικοί αισθητήρες και οι αισθητήρες LiDAR μπορούν να τοποθετηθούν τόσο σε αερομεταφερόμενες όσο και σε επίγειες πλατφόρμες, προσφέροντας και οι δύο διαφορετική προοπτική. Η συγχώνευση εικόνων από πάνω προς τα κάτω με πληροφορίες που συλλαμβάνονται από επίγειους αισθητήρες, ενσωματώνοντας διάφορες οπτικές γωνίες, έχει αποδειχθεί ότι είναι ένας πολλά υποσχόμενος τρόπος απόκτησης πιο λεπτομερών πληροφοριών για τα αντικείμενα της βλάστησης. Μεγάλες ποσότητες δημόσια διαθέσιμων εικόνων στο κοινό, σε επίπεδο δρόμου, όπως αυτές που παρέχονται από το Google Street View, έχουν τεράστιες δυνατότητες έρευνας, σχετικά με τη χρήση αυτού του τύπου εικόνων για την απογραφή και τη διαχείριση αστικού πράσινου δρόμων, σε διαφορετικούς τύπους αστικών περιβαλλόντων.
Η συνδυασμένη χρήση φωτογραμμετρίας κοντινής εμβέλειας και LiDAR έχει δείξει πολλά υποσχόμενα αποτελέσματα σε συναφή πεδία, αλλά δεν έχει ακόμη καθιερωθεί για τη λεπτομερή χαρτογράφηση της αστικής βλάστησης.
Η καταγραφή των φαινολογικών διαφορών μεταξύ των τύπων βλάστησης ή των ειδών μέσω της χρήσης διαχρονικών εικόνων είναι μια πολύ γνωστή προσέγγιση χαρτογράφησης σε παγκόσμιες μελέτες βλάστησης και στην παρακολούθηση της βλάστησης σε αγροτικά περιβάλλοντα. Ωστόσο, αποδεικνύεται επίσης μια πολλά υποσχόμενη μέθοδος για τη βελτίωση της διαφοροποίησης της βλάστησης και για την παρακολούθηση των ειδών βλάστησης σε αστικά περιβάλλοντα. Η πρόκληση εδώ έγκειται στην επιλογή μιας πηγής δεδομένων (ή στο συνδυασμό διαφορετικών πηγών) που προσφέρει επαρκή χρονική ανάλυση για τη λήψη εικόνων πολλές φορές κατά τη διάρκεια του έτους, ενώ, ταυτόχρονα, έχει μια χωρική και φασματική ανάλυση που είναι αρκετά υψηλή. Οι βελτιώσεις στον χρόνο επανεπισκόπησης του κύκλου που προσφέρονται από αισθητήρες νέας γενιάς (π.χ. PlanetScope) και η δυνατότητα συνδυασμού αυτού του τύπου δεδομένων με συμπληρωματικές πηγές δεδομένων, προσθέτοντας λεπτομερείς φασματικές και δομικές πληροφορίες, είναι μια πολλά υποσχόμενη οδός για μελλοντική έρευνα.
Όσον αφορά τις μεθόδους, με διάφορες προσεγγίσεις ταξινόμησης έχουν χρησιμοποιηθεί από ερευνητές για τη χαρτογράφηση της αστικής βλάστησης. Οι παραδοσιακοί αλγόριθμοι εποπτευόμενης μάθησης παραμένουν πολύ δημοφιλείς στο πεδίο. Οι προσεγγίσεις χαρτογράφησης που βασίζονται σε αντικείμενα σε αντίθεση με τις προσεγγίσεις χαρτογράφησης που βασίζονται σε εικονοστοιχεία προτιμώνται συχνά από τους ερευνητές λόγω της ικανότητας εξαγωγής χαρακτηριστικών σε επίπεδο αντικειμένων αστικής βλάστησης ή των σημείων ανάπτυξης βλάστησης.
Η χρήση προκαθορισμένων χαρακτηριστικών διασφαλίζει τη γενικότερη δυνατότητα εφαρμογής και ερμηνείας της μεθοδολογίας και μπορεί να βελτιώσει τα αποτελέσματα της ταξινόμησης αφαιρώντας το θόρυβο από τον χώρο χαρακτηριστικών. Ωστόσο, η επαγωγική εξαγωγή χαρακτηριστικών προτιμάται ολοένα και περισσότερο ως εναλλακτική λύση στη χρήση προκαθορισμένων χαρακτηριστικών, ειδικά σε περιβάλλοντα με πλούσια δεδομένα.
Μη εποπτευόμενες τεχνικές εξαγωγής χαρακτηριστικών (π.χ. ανάλυση κύριων συστατικών, ελάχιστος μετασχηματισμός θορύβου κ.λ.π.) έχουν χρησιμοποιηθεί ευρέως, ειδικά με υπερφασματικές εικόνες, λόγω της ικανότητάς τους να εξάγουν τα πιο χρήσιμα χαρακτηριστικά σε σχέση με τη διακύμανση που υπάρχει στο συγκεκριμένο σύνολο δεδομένων. Πρόσφατα, η βαθιά μάθηση έχει αναδειχθεί ως μια πολλά υποσχόμενη στρατηγική για την εκτέλεση αυτοματοποιημένης εξαγωγής χαρακτηριστικών με εποπτευόμενο τρόπο.
Τα τελευταία χρόνια, οι αρχιτεκτονικές του CNN έχουν κερδίσει αυξανόμενη προσοχή στον τομέα της τηλεπισκόπησης και έχουν δυνατότητες για χαρτογράφηση της αστικής βλάστησης καθώς επιτρέπουν στο μοντέλο εκμάθησης να εξάγει ταυτόχρονα χωρικές και φασματικές πληροφορίες. Η αυξημένη πολυπλοκότητα της κρυφής αναπαράστασης που μπορεί να επιτευχθεί με αυτά τα μοντέλα είναι ιδιαίτερα ενδιαφέρουσα για την ικανότητα γενίκευσής της, επιτρέποντας πιθανώς σε κάποιον να χειριστεί μεγαλύτερο αριθμό κατηγοριών βλάστησης σε πολλαπλές τοποθεσίες. Ωστόσο, απαιτούνται πολλά επισημασμένα δεδομένα για να επιτευχθούν καλά αποτελέσματα με προσεγγίσεις βαθιάς μάθησης, κάτι που μπορεί να είναι δύσκολο.
Ενώ το ιδιωτικό πράσινο αποτελεί μεγάλο μέρος του αστικού χώρου, υπάρχει σαφώς έλλειψη επαρκούς υψηλής ποιότητας δεδομένα αναφοράς για αυτές τις περιοχές πρασίνου. Οι προσεγγίσεις της επιστήμης των πολιτών μπορούν να είναι ένα χρήσιμο εργαλείο για τη γεφύρωση του χάσματος δεδομένων, αν και ενδέχεται να υπάρχει προκατάληψη στα δεδομένα που συγκεντρώθηκαν. Η έλλειψη γνώσης από την πλευρά των συμμετεχόντων μπορεί να εισάγει σφάλματα στα δεδομένα που είναι δύσκολο να ποσοτικοποιηθούν.
Αρκετές τεχνικές μηχανικής μάθησης που είναι δημοφιλείς σε άλλους τομείς μελέτης έχουν χρησιμοποιηθεί ελάχιστα στον τομέα της χαρτογράφησης της αστικής βλάστησης. Οι προσεγγίσεις ενεργητικής μάθησης δεν έχουν διερευνηθεί σχεδόν καθόλου, παρά τα αναγνωρισμένα οφέλη τους στην ταξινόμηση των δεδομένων τηλεπισκόπησης.
Για τη βλάστηση στη δημόσια σφαίρα (π.χ. χαρτογράφηση δέντρων του δρόμου), η ευκολία απόκτησης πρόσθετων ετικετών είναι συχνά μεγαλύτερη από ό,τι σε ένα φυσικό ή αγροτικό περιβάλλον, καθιστώντας το κατάλληλο για την εφαρμογή μιας ενεργητικής μαθησιακής προσέγγισης. Προσεγγίσεις που βασίζονται σε δεδομένα μέσω μάθησης χωρίς επίβλεψη ή ημι-εποπτευόμενης μάθησης μπορεί να είναι πολύ χρήσιμο όταν υπάρχει έλλειψη δεδομένων με ετικέτα. Μια προσέγγιση μάθησης χωρίς επίβλεψη πολλαπλών επιπέδων μπορεί να αποκαλύψει σημαντικά επίπεδα διαχωρισιμότητας στα δεδομένα χωρίς να τηρούνται αυστηρά ταξινομικά επίπεδα ή να περιορίζεται από την έλλειψη επισημασμένων δειγμάτων για μία υποομάδα. Επιπλέον, η χρήση προσεγγίσεων βαθιάς μάθησης για προηγμένη εξαγωγή χαρακτηριστικών παραμένει περιορισμένη. Η πρόσφατη ανάπτυξη διαφόρων νέων αρχιτεκτονικών δικτύων μπορεί να αξιοποιηθεί και να προσαρμοστεί για τη βελτίωση των αποτελεσμάτων χαρτογράφησης χρησιμοποιώντας τα αστικά σύνολα δεδομένων που είναι επί του παρόντος διαθέσιμα. Ένα παράδειγμα είναι η χρήση της αυτοεστίασης για πολυχρονική ανάλυση εικόνας και η μοντελοποίηση της φαινολογίας της βλάστησης
B.3. Συμπεράσματα
Τις τελευταίες δύο δεκαετίες, η χαρτογράφηση της αστικής βλάστησης από δεδομένα εικόνας υψηλής ανάλυσης έχει αποκτήσει αυξανόμενο ενδιαφέρον μεταξύ των μελετητών. Αυτή η βιβλιογραφική ανασκόπηση παρέχει μια αναφορά των μελετών στον τομέα αυτό την περίοδο 2000–2021.
Η βιβλιογραφία αναλύθηκε σε τρεις διαστάσεις:
- τον τύπο της βλάστησης που επιλέχθηκε,
- τα δεδομένα τηλεπισκόπησης που χρησιμοποιήθηκαν και
- τη μέθοδο χαρτογράφησης που εφαρμόστηκε.
Οι τυπολογίες που χρησιμοποιούνται για τη χαρτογράφηση της αστικής βλάστησης ποικίλλουν ευρέως μεταξύ των μελετητών, ανάλογα με την προβλεπόμενη χρήση του προϊόντος του χάρτη. Ωστόσο, μπορεί να γίνει διάκριση μεταξύ των μελετών που εστιάζουν στη χαρτογράφηση λειτουργικών τύπων βλάστησης, που συνδέονται με το ρόλο τους στο αστικό οικοσύστημα, και της χαρτογράφησης βλάστησης βάσει ταξινόμησης, με τις τελευταίες να αφορούν κυρίως τη χαρτογράφηση ειδών δέντρων ή γενών.
Η επισκόπηση των μελετών υπογραμμίζει τις δυνατότητες και τους περιορισμούς διαφορετικών τύπων διαστημικών, εναέριων και επίγειων αισθητήρων για τη χαρτογράφηση της αστικής βλάστησης, τόσο από την άποψη της τεχνολογίας λήψης εικόνας όσο και από την άποψη των χαρακτηριστικών αισθητήρων (φασματική, χωρική και χρονική ανάλυση). Καταδεικνύει επίσης τα πλεονεκτήματα του συνδυασμού διαφορετικών τύπων πηγών, με κάθε πηγή δεδομένων να παρέχει συμπληρωματικές πληροφορίες για τα βιοφυσικά και δομικά χαρακτηριστικά της βλάστησης.
Η παραδοσιακή εποπτευόμενη μάθηση παραμένει η πιο δημοφιλής προσέγγιση για τη χαρτογράφηση της βλάστησης σε ένα αστικό περιβάλλον. Εάν υπάρχουν επαρκή δεδομένα αναφοράς, οι μη παραμετρικοί ταξινομητές τείνουν να αποδίδουν καλύτερα από τους παραμετρικούς ταξινομητές, με τους ταξινομητές SVM και δένδρων αποφάσεων να είναι οι πιο συχνά χρησιμοποιούμενες προσεγγίσεις χαρτογράφησης. Ωστόσο, όπως και σε άλλους τομείς έρευνας, οι μέθοδοι βαθιάς μάθησης έχουν αποκτήσει δημοτικότητα τα τελευταία χρόνια. Πρόσφατες μελέτες δείχνουν ότι αυτές οι τεχνικές παρέχουν προστιθέμενη αξία για θεματικά λεπτομερή χαρτογράφηση βλάστησης χρησιμοποιώντας εικόνες υψηλής ανάλυσης και για προσεγγίσεις χαρτογράφησης που συνδυάζουν διαφορετικούς τύπους πηγών δεδομένων. Με την αυξανόμενη συνειδητοποίηση του ρόλου της αστικής βλάστησης ως πάροχου πολλαπλών υπηρεσιών οικοσυστήματος και τον αυξανόμενο αριθμό δωρεάν συμπληρωματικών πηγών δεδομένων που διατίθενται για αστική χαρτογράφηση, οι εφαρμογές στον τομέα της χαρτογράφησης της αστικής βλάστησης είναι πιθανό να αναπτυχθούν ραγδαία τα επόμενα χρόνια.
Επί του παρόντος, οι περισσότερες προσπάθειες χαρτογράφησης που βασίζονται στην ταξινόμηση στερούνται επαρκή ακρίβεια και πληρότητα ώστε να δικαιολογείται η χρήση τους σε λεπτομερείς μελέτες ανάλυσης υπηρεσιών οικοσυστήματος.
Ωστόσο, οι νέες εξελίξεις στην τεχνολογία απεικόνισης και την επιστήμη δεδομένων προσφέρουν μεγάλη υπόσχεση για την παραγωγή εικονικών απογραφών αστικού πράσινου, υποστηρίζοντας τη διαχείριση χώρων πρασίνου σε κλίμακα πόλης.
ΠΗΓΗ
Mapping of Urban Vegetation with High–Resolution Remote Sensing: A Review by Robbe Neyns * [ORCID] and Frank Canters [ORCID] Συγγραφέας/οι: Robbe Neyns, Frank Canters
Πληροφορίες από το διαδίκτυο.
