Στην παρούσα διδακτορική διατριβή, χρησιμοποιήθηκαν δορυφορικές εικόνες υψηλής χωρικής ανάλυσης για τη χαρτογράφηση της βλάστησης με σκοπό την εκχώρηση των χαρακτηριστικών των καυσίμων σε κάθε κατηγορία βλάστησης.Χρησιμοποιήθηκαν δορυφορικά δεδομένα υψηλής χωρικής ανάλυσης του συστήματος πολυφασματικής απεικόνισης νέας γενιάς RapidEye δύο εποχών για τη χαρτογράφηση της βλάστησης σε 5 περιοχές μελέτης: τη Ρόδο, την Καστοριά, τη Χαλκιδική (με το Άγιο Όρος), τη Δυτική Αττική και τη Μεσσηνία. (≈10,000 χλμ2). Αρχικά, σχεδιάστηκε μια χωρικά προσαρμοσμένη προσέγγιση για την ταξινόμηση της βλάστησης.Η ταξινόμηση βασίστηκε στην τμηματοποίηση των περιοχών μελέτης σε επιμέρους χωρικές οντότητες επεξεργασίας. Ακολούθησε η εφαρμογή μιας ημί - αυτόματης προσέγγισης αντικειμενοστραφούς ταξινόμησης στην κλίμακα φυσικό / ανθρωπογενές περιβάλλον.Για την ταξινόμηση της φυσικής βλάστησης εφαρμόστηκε μια «ασαφής» ή «μαλακή» ταξινόμηση.Τέλος, πραγματοποιήθηκε ανίχνευση των αλλαγών της φυσικής βλάστησης έπειτα από τη σύγκριση μετά-ταξινόμησης του κανονικοποιημένου δείκτη βλάστησης (NDVI).Για την αξιολόγηση της ακρίβειας των ταξινομήσεων επιλέχθηκε ένα σχήμα τυχαίας δειγματοληψίας. Η συνολική ακρίβεια κυμαίνεται μεταξύ 78,5% (Χαλκιδική) και 89,5%(Καστοριά) (88% Ρόδος, 87,4% Δυτική Αττική, 84,7 Μεσσηνία), ενώ οι τιμές Kappa του Cohen υπολογίστηκαν ίσες με 0,86 για τη Ρόδο, 0,88 για την Καστοριά, 0,74 για τη Χαλκιδική, 0,85 για τη Δυτική Αττική και 0,79 για την Μεσσηνία. Τα αποτελέσματα δείχνουν ότι ο συνδυασμός των τεχνικών Τηλεπισκόπησης και ΓΣΠ που αναπτύχθηκαν στην παρούσα διδακτορική διατριβή αποτελεί μια αποτελεσματική προσέγγιση για τη χαρτογράφηση της φυσικής βλάστησης σε περιοχές μεγάλης έκτασης με περίπλοκα και ετερογενή τοπία, όπως του Ελλαδικού χώρου.
In the present PhD thesis, high resolution spatial satellite imagery was used to map vegetation in order to assign fuel characteristics to each vegetation class. High spatial resolution satellite imagery of two seasons from the new generation multispectral imaging system RapidEye were used for mapping vegetation in five study areas: Rhodes, Kastoria, Chalkidiki, West Attica and Messinia (≈10,000 km2). Initially, a spatially adaptive classification approach was designed. The classification was based on the segmentation of the study areas into individual spatial processing entities. Then, the satellite images were stratified into natural and man-made environment areas via a semi-automatic object-oriented classification approach. For the classification of the natural vegetation a "fuzzy" or "soft" classification was applied. Finally, a post-classification comparison using the Normalized Vegetation Index (NDVI) was performed to map bi –seasonal natural vegetation change. To evaluate the accuracy of the classifications, a random sampling scheme was selected. The overall accuracy ranges between 78.5% (Chalkidiki) and 89.5% (Kastoria) (88% Rodos, 87.4% Western Athens, 84.7 Messinia), while Cohen’s Kappa values calculated as equal to 0.86 for Rhodes, 0.88 for Kastoria, 0.74 for Chalkidiki, 0.85 for West Attica and 0.79 for Messinia. The results show that the combination of Remote Sensing and GIS techniques developed in this PhD thesis is an effective approach for mapping natural vegetation in large areas with complex and heterogeneous landscapes such as in Greece.
Εθνικό Κέντρο Τεκμηρίωσης και Ηλεκτρονικού Περιεχομένου (ΕΚΤ)
