ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ
(Τ.Ε.Ι.) ΙΟΝΙΩΝ ΝΗΣΩΝ
«ΑΝΑΔΕΙΞΗ ΤΟΥ ΤΕΧΝΟΛΟΓΙΚΟΥ ΙΔΡΥΜΑΤΟΣ ΙΟΝΙΩΝ ΝΗΣΩΝ
ΩΣ ΔΙΕΘΝΟΥΣ ΠΟΛΟΥ ΕΚΠΑΙΔΕΥΣΗΣ ΚΑΙ ΚΑΙΝΟΤΟΜΙΑΣ»
ΕΠΙΔΡΑΣΗ ΤΩΝ ΔΙΑΧΡΟΝΙΚΩΝ ΑΛΛΑΓΩΝ ΧΡΗΣΕΩΝ ΓΗΣ ΣΤΟ ΤΟΠΙΟ ΚΑΙ
ΣΤΗ ΒΙΩΣΙΜΗ ΑΝΑΠΤΥΞΗ ΤΩΝ ΝΗΣΙΩΝ ΖΑΚΥΝΘΟΥ, ΚΕΦΑΛΛΟΝΙΑΣ ΚΑΙ
ΛΕΥΚΑΔΑΣ
ΔΡΑΣΗ 6
Παραδοτέο: 13
Εγχειρίδιο για Νέες Τεχνολογίες για τον Ολοκληρωμένο Περιβαλλοντικό
Σχεδιασμό
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ΕΓΧΕΙΡΙΔΙΟ ΓΙΑ ΝΕΕΣ ΤΕΧΝΟΛΟΓΙΕΣ
ΓΙΑ ΤΟΝ ΟΛΟΚΛΗΡΩΜΕΝΟ ΠΕΡΙΒΑΛΛΟΝΤΙΚΟ
ΣΧΕΔΙΑΣΜΟ ΣΕ ΝΗΣΙΩΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ
ΕΠΙΣΤΗΜΟΝΙΚΟΣ ΥΠΕΥΘΥΝΟΣ
ΚΩΝΣΤΑΝΤΙΝΟΣ ΠΟΙΡΑΖΙΔΗΣ
ΖΑΚΥΝΘΟΣ 2014
2|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Πρόλογος
Το παρόν εγχειρίδιο για νέες τεχνολογίες, έχει δημιουργηθεί κυρίως από το υλικό που παρουσιάστηκε σε
δύο Θερινά Σχολεία του ΤΕΙ Ιονίων Νήσων, με θεματικό τίτλο «ΟΛΟΚΛΗΡΩΜΕΝΟΣ ΠΕΡΙΒΑΛΛΟΝΤΙΚΟΣ
ΣΧΕΔΙΑΣΜΟΣ ΣΕ ΝΗΣΙΩΤΙΚΟ ΠΕΡΙΒΑΛΛΟΝ» στο πλαίσιο της Πράξης «ΑΝΑΔΕΙΞΗ ΤΟΥ ΤΕΧΝΟΛΟΓΙΚΟΥ
ΙΔΡΥΜΑΤΟΣ ΙΟΝΙΩΝ ΝΗΣΩΝ ΩΣ ΔΙΕΘΝΟΥΣ ΠΟΛΟΥ ΕΚΠΑΙΔΕΥΣΗΣ ΚΑΙ ΚΑΙΝΟΤΟΜΙΑΣ» που υλοποιήθηκαν
από το ΤΕΙ Ιονίων Νήσων με την συγχρηματοδότηση του Ευρωπαϊκού Κοινωνικού Ταμείου και του
Υπουργείου Παιδείας, και Θρησκευμάτων, και πραγματοποιήθηκαν στη Ζάκυνθο τον Ιούλιο του 2012 και
2013.
Απευθύνεται σε πτυχιούχους ή τελειόφοιτους ΑΕΙ/ΤΕΙ της επιστήμης του περιβάλλοντος και βασικός
στόχος του είναι να αποτελεί έναν οδηγό ειδικής εκπαίδευσης για αναλύσεις σε θέματα μελέτης,
ανάλυσης και διαχείρισης του φυσικού περιβάλλοντος σε σχέση με τον περιβαλλοντικό σχεδιασμό. Για
αυτό το λόγο, σε κάθε θεματική ενότητα του εγχειριδίου υπάρχει ένα εισαγωγικό κεφάλαιο με το
θεωρητικό πλαίσιο της ενότητας και ακολουθεί μια επίδειξη εφαρμογής. Σε πολλές από τις ενότητες
χρησιμοποιήθηκε λογισμικό ανοιχτού κώδικα για ευκολία λήψης και χρήσης του, ενώ σε πιο ειδικές
αναλύσεις χρησιμοποιήθηκε λογισμικό εμπορικής φίρμας.
Η δομή του εγχειριδίου ακολουθεί τη βασική θεματολογία των Θερινών Σχολείων και είναι η ακόλουθη:
Α. Σύγχρονες τεχνολογίες για τη χαρτογράφηση, παρακολούθηση και μοντελοποίηση του περιβάλλοντος
Β. Βιοποικιλότητα, διαδικασίες οικοσυστημάτων και απειλές στο πλαίσιο του περιβαλλοντικού
σχεδιασμού
Γ. Η ενσωμάτωση των οικοσυστημικών λειτουργιών και ωφελειών στον ολοκληρωμένο περιβαλλοντικό
σχεδιασμό
Στην υλοποίηση αυτού του εγχειριδίου συμμετείχαν οι βασικοί εκπαιδευτές των Θερινών Σχολείων 2012
και 2013 και η σχετική συνεισφορά του καθενός φαίνεται σε κάθε υποκεφάλαιο. Παράλληλα βοήθησαν
ουσιαστικά οι Γεώργιος Κεφαλάς και Λορίλια Ρoξάν Σουζέτ, φοιτητές και συνεργάτες του Τομέα
Διαχείρισης Περιβάλλοντος και Οικολογίας του Τμήματος Τεχνολόγων Περιβάλλοντος του ΤΕΙ Ιονίων
Νήσων.
3|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ΠΙΝΑΚΑΣ ΠΕΡΙΕΧΟΜΕΝΩΝ
Α. Σύγχρονες τεχνολογίες για τη χαρτογράφηση, παρακολούθηση και μοντελοποίηση
του περιβάλλοντος
Α1. Ανάλυση Χωρικών - Δεδομένων - Γενικό Πλαίσιο, Στατιστικές μέθοδοι στην ανάλυση
χωρικών δεδομένων
1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ............................................................................................................ 8
1.1 Ορισμός ...................................................................................................................... 8
1.2 Συστατικά μέρη ενός Γ.Σ.Π.......................................................................................... 9
1.3 Κατηγορίες δεδομένων ενός Γ.Σ.Π............................................................................ 10
1.4 Οργάνωση και διαχείριση των γεωγραφικών πληροφοριών.................................... 11
1.5 Τοπολογική δόμηση των γεωγραφικών ενοτήτων.................................................... 11
1.6 Λειτουργικά χαρακτηριστικά – εργαλεία.................................................................. 12
1.7 Σχεδιασμός και υλοποίηση Γ.Σ.Π. ............................................................................. 12
1.7.1 Συλλογή και κωδικοποίηση των δεδομένων ....................................................... 13
1.7.2 Διοίκηση των δεδομένων.................................................................................... 13
1.7.3 Ανάκτηση των δεδομένων .................................................................................. 14
1.7.4 Χειρισμός και επεξεργασία των δεδομένων ....................................................... 14
1.7.5 Παρουσίαση των δεδομένων.............................................................................. 14
2 ΧΑΡΤΕΣ - ΧΑΡΤΟΓΡΑΦΙΑ ................................................................................................ 15
2.1 Εισαγωγή – ορισμοί................................................................................................ .. 15
2.2 Χάρτες – κλίμακες χαρτών........................................................................................ 16
2.3 Γεωγραφικά φαινόμενα ........................................................................................... 18
2.3.1 Διάκριση γεωγραφικών φαινομένων ως προς τις διαστάσεις τους .................... 18
2.3.2 Διάκριση γεωγραφικών φαινομένων ως προς την ιεράρχησή τους ................... 19
2.4 Οπτικές Μεταβλητές ................................................................................................ 20
2.4.1 Χαρακτηριστικά οπτικών μεταβλητών .............................................................. 20
2.5 Μαθηματική χαρτογραφία ....................................................................................... 22
2.5.1 Γεωγραφικές συντεταγμένες.............................................................................. 22
2.5.2 Χαρτογραφικές απεικονίσεις ............................................................................. 23
2.6 Γενίκευση ................................................................................................................. 25
2.6.1 Διαδικασίες γενίκευσης ..................................................................................... 25
2.6.2 Βαθμοί γενίκευσης............................................................................................. 26
2.6.3 Διαδικασία εφαρμογής γενίκευσης................................................................... 26
2.7 Πρακτικοί κανόνες χαρτοσύνθεσης .......................................................................... 27
3 ΧΕΙΡΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ ............................................................................................. 30
3.1 Τεχνικές χειρισμού ................................................................................................ ... 30
3.2 ΑΝΑΚΤΗΣΗ ΔΕΔΟΜΕΝΩΝ ........................................................................................ 30
3.3 Γενίκευση χάρτη ....................................................................................................... 32
3.4 Map abstraction ....................................................................................................... 33
3.5 Χειρισμός χαρτογραφικών επιπέδων ....................................................................... 34
3.6 Δημιουργία ζωνών επιρροής (buffer) ....................................................................... 34
3.7 Επίθεση και σχηματισμός νέων πολυγώνων ............................................................ 34
3.8 Μετρήσεις ................................................................................................................ 36
4|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
3.9 Ανάλυση Πλεγματικών Δεδομένων .......................................................................... 37
4 ΧΩΡΙΚΗ ΠΑΡΕΜΒΟΛΗ ................................................................................................ ... 38
4.1 Γενικά ....................................................................................................................... 38
4.2 Οι κυριότερες μέθοδοι Χωρικής Παρεμβολής .......................................................... 39
4.2.1 Γενικές μέθοδοι χωρικής παρεμβολής ................................................................ 39
4.2.2 Τοπικές μέθοδοι χωρικής παρεμβολής ............................................................... 41
4.2.3 Γεωστατιστικές μέθοδοι παρεμβολής (Kriging)................................................... 43
Α2. Χωρική Ανάλυση, Χωρική Παρεμβολή και Γεωστατιστική - Πειραματική Εφαρμογή
1. ΒΑΣΙΚΕΣ ΜΟΝΟΜΕΤΑΒΛΗΤΕΣ ΑΝΑΛΥΣΕΙΣ .................................................................... 63
2. ΚΑΤΑΝΟΜΕΣ.................................................................................................................. 68
3. ΔΙΑΦΟΡΕΣ ΜΕΣΩΝ ΟΡΩΝ.............................................................................................. 69
4. ΕΞΑΡΤΗΣΗ ΔΥΟ ΜΕΤΑΒΛΗΤΩΝ (ΜΗ ΧΩΡΙΚΗ) ............................................................... 73
5. ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΩΡΙΚΗΣ ΔΙΑΣΠΟΡΑΣ ΤΙΜΩΝ ΙΔΙΟΤΗΤΩΝ......................................... 74
6. ΔΙΕΡΕΥΝΗΣΗ ΧΩΡΙΚΗΣ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ (SPATIAL AYTOCORRELATION) ΣΤΙΣ
ΜΕΤΑΒΛΗΤΕΣ ΠΟΥ ΕΚΦΡΑΖΟΥΝ ΤΑ ΜΗΧΑΝΙΚΑ ΚΛΑΣΜΑΤΑ ΤΟΥ ΕΠΙΦΑΒΕΙΑΚΟΥ
ΕΔΑΦΟΥΣ ............................................................................................................................ 76
7. ΜΕΘΟΔΟΙ ΧΩΡΙΚΗΣ ΠΑΡΕΜΒΟΛΗΣ (ΜΗ ΓΕΩΣΤΑΤΙΣΤΙΚΕΣ) ........................................... 79
8. ΓΕΩΣΤΑΤΙΣΤΙΚΕΣ ΜΕΘΟΔΟΙ ΧΩΡΙΚΗΣ ΠΑΡΕΜΒΟΛΗΣ .................................................... 81
ΒΑΣΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ ΓΙΑ ΣΥΣΤΗΜΑΤΑ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ......................... 89
Α3. Τηλεπισκόπηση – Εφαρμογές στο Περιβάλλον
1 ΕΙΣΑΓΩΓΗ........................................................................................................................ 92
1.1 Μαθαίνοντας από τα δεδομένα ............................................................................... 92
1.2 Ταξινόμηση............................................................................................................... 92
2 ΣΤΑΤΙΣΤΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ.......................................................................................... 93
2.1 O ταξινομητής των k-πλησιέστερων γειτόνων. ....................................................... 94
2.2 Ο στατιστικός ISODATA............................................................................................ 94
2.3 Ιεραρχικός αλγόριθμος μεγίστου ελαχίστου. ........................................................... 95
3 ΝΕΥΡΩΝΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ.......................................................................................... 95
3.1 Γενικά περί Τεχνητών Νευρωνικών Δικτύων ............................................................ 95
3.2 Τα δίκτυα οπισθόδρομης διάδοσης του σφάλματος (ΒΡ)....................................... 98
3.3 Τα δίκτυα αυτο-οργανούμενων χαρτών (SOM). .................................................... 101
4 ΑΣΑΦΕΙΣ ΤΑΞΙΝΟΜΗΤΕΣ.............................................................................................. 103
4.1 Ασαφής Λογική ....................................................................................................... 103
4.2 Ο ασαφής ISODATA (Fuzzy Isodata) ....................................................................... 104
5 ΠΟΛΥΤΜΗΜΑΤΙΚΟ ΣΥΣΤΗΜΑ ΤΑΞΙΝΟΜΗΣΗΣ ............................................................ 105
Α4. Τηλεπισκόπηση - Πειραματική Εφαρμογή
1. ΤΟ ΚΕΝΤΡΙΚΟ ΜΕΝΟΥ ΤΟΥ MONTEVERDI ................................................................ ... 109
2. ΕΙΣΑΓΩΓΗ ΚΑΙ ΑΠΕΙΚΟΝΙΣΗ ΔΕΔΟΜΕΝΩΝ ......................... Error! Bookmark not defined.
3. ΕΞΑΓΩΓΗ ΠΕΡΙΟΧΗΣ ΜΕΛΕΤΗΣ ................................................................................... .116
4. ΚΑΤΑΤΜΗΣΗ ΕΙΚΟΝΑΣ...................................................................................................118
5|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
5. ΤΑΞΙΝΟΜΗΣΗ.................................................................................................................120
5.1 Διαδικασία δημιουργίας trainingsets (εκπαιδευτικών πεδίων)..............................121
6.
ΜΗ ΕΠΙΒΛΕΠΟΜΕΝΗ ΤΑΞΙΝΟΜΗΣΗ ΜΕ KMeans...................................................124
ΒΙΒΛΙΟΓΡΑΦΙΑ ΓΙΑ ΤΗΛΕΠΙΣΚΟΠΗΣΗ...............................................................................125
Β. Bασικές έννοιες για τη βιοποικιλότητα - εργαλεία για την εκτίμηση & χαρτογράφηση
της τοπικής βιοποικιλότητας: Συνοπτικός Οδηγός Αναλύσεων Δεδομένων Πεδίου
1. ΒΙΟΠΟΙΚΙΛΟΤΗΤΑ ΤΗΣ ΧΛΩΡΙΔΑΣ................................................................................ 131
2. ΔΕΙΚΤΕΣ ΠΟΙΚΙΛΟΤΗΤΑΣ .............................................................................................. 132
3. ΑΝΑΛΥΣΗ ΒΙΟΚΟΙΝΟΤΗΤΩΝ – β ΠΟΙΚΙΛΟΤΗΤΑ .......................................................... 134
4. ΑΝΑΛΥΣΗ ΒΙΟΚΟΙΝΟΤΗΤΩΝ – ΕΝΤΟΠΙΣΜΟΣ ΠΡΟΤΥΠΩΝ .......................................... 136
Γ. Η ενσωμάτωση των οικοσυστημικών λειτουργιών και ωφελειών στον ολοκληρωμένο
περιβαλλοντικό σχεδιασμό
Οδηγός για την Αξιολόγηση και Χαρτογράφηση των Οικοσυστημικών Υπηρεσιών
1. ΥΠΌΒΑΘΡΟ ΚΑΙ ΕΙΣΑΓΩΓΉ ........................................................................................... 142
1.1 Θεωρητικό Υπόβαθρο............................................................................................. 142
1.2 Πολιτικό υπόβαθρο στην Ευρωπαϊκή Ένωση.......................................................... 143
2. ΤΟ ΠΛΑΊΣΙΟ ΑΞΙΟΛΌΓΗΣΗΣ .......................................................................................... 143
2.1 Κατηγορίες κάλυψης του CORINE ως περιοχές αναφοράς ..................................... 145
2.2 Ορισμός των οικοσυστημικών υπηρεσιών ............................................................. 146
2.3 Μήτρα αξιολόγησης: κάλυψη γης έναντι οικοσυστημικών υπηρεσιών .................. 147
3. ΚΑΤΕΥΘΥΝΤΉΡΙΕΣ ΓΡΑΜΜΈΣ ΓΙΑ ΤΗΝ ΑΠΟΤΕΛΕΣΜΑΤΙΚΉ ΕΚΤΊΜΗΣΗ ΤΩΝ
ΟΙΚΟΥΣΤΗΜΙΚΏΝ ΥΠΗΡΕΣΙΏΝ: ΈΞΙ (6) ΣΤΆΔΙΑ ΠΡΟΣΈΓΓΙΣΗΣ ΣΕ ΤΟΠΙΚΌ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΌ
ΕΠΊΠΕΔΟ (TEEB 2010b) ...................................................................................................... 147
3.1 Καθορισμός και συμφωνία θεμάτων πολιτικής με τους άμεσα ενδιαφερόμενους
(τοπικών φορέων) ........................................................................................................... 147
3.2 Αναγνώριση των καταλληλότερων οικοσυστημικών υπηρεσιών............................ 148
3.3 Προσδιορισμός των αναγκαίων πληροφοριών και επιλογή κατάλληλων μεθόδων 149
3.3.1 Η προσέγγιση βάσει στοιχείων ......................................................................... 149
3.3.2 Προσαρμοσμένη συνδιαχείριση ....................................................................... 150
3.3.3 Η διαβούλευση, η εκτίμηση και η επανεξέταση από τους ειδικούς.................. 152
3.4 Αξιολόγηση των οικοσυστημικών υπηρεσιών ........................................................ 153
3.5 Αναγνώριση και εκτίμηση επιλογών πολιτικής ....................................................... 153
3.6 Αξιολόγηση των επιδράσεων κατανομής των πολιτικών επιλογών ........................ 154
4. ΑΝΑΛΥΤΙΚΈΣ ΤΕΧΝΙΚΈΣ ΟΔΗΓΊΕΣ ΓΙΑ ΤΗΝ ΑΞΙΟΛΌΓΗΣΗ ΤΩΝ ΟΙΚΟΣΥΣΤΗΜΙΚΏΝ
ΥΠΗΡΕΣΙΏΝ........................................................................................................................ 154
5. ΒΙΒΛΙΟΓΡΑΦΊΑ ............................................................................................................. 164
6|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Α. Σύγχρονες τεχνολογίες για τη χαρτογράφηση, παρακολούθηση
και μοντελοποίηση του περιβάλλοντος
Α1. Ανάλυση Χωρικών - Δεδομένων - Γενικό Πλαίσιο, Στατιστικές
μέθοδοι στην ανάλυση χωρικών δεδομένων
Θεωρητικό Πλαίσιο
Διονύσιος Καλύβας, Αναπληρωτής καθηγητής, Γεωπονικό Πανεπιστήμιο Αθηνών, Τμήμα Αξιοποίησης
Φυσικών Πόρων και Γεωργικής Μηχανικής, Εργαστήριο Εδαφολογίας & Γεωργικής Χημείας
Ποϊραζίδης Κωνσταντίνος, Καθηγητής Εφαρμογών του ΤΕΙ Ιονίων Νήσων, Τμήμα Τεχνολόγων
Περιβάλλοντος, Τομέας Διαχείρισης Περιβάλλοντος και Οικολογίας
7|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
1.
ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ
1.1 Ορισμός
Η πρόοδος των αυτόματων τρόπων παραγωγής και ανάλυσης χαρτών συνδυάστηκε με την ταυτόχρονη
ανάπτυξη των αυτόματων μεθόδων συλλογής, ανάλυσης, επεξεργασίας και παρουσίασης της
πληροφορίας σε τομείς όπως η γεωγραφία, η πολεοδομία κ.ά. Εξαιτίας της επιτακτικής ανάγκης να
καθιερωθεί ένα πλαίσιο λειτουργιών για συλλογή, ανάλυση, επεξεργασία, αποθήκευση και απόδοση της
γεωγραφικής πληροφορίας δημιουργήθηκαν τα Γεωγραφικά Συστήματα Πληροφοριών (Geographical
Information Systems, G.I.S.).
Ένα απλό παράδειγμα που βοηθά στην κατανόηση της έννοιας των ΓΣΠ είναι το εξής:
Έστω ότι για κάθε οικόπεδο ενός οικοδομικού τετραγώνου έχουμε σε αρχείο τις ακόλουθες πληροφορίες:
α) Κτηματολογικό αριθμό
β) Διεύθυνση ακινήτου
γ) Στοιχεία ιδιοκτήτη
δ) Εμβαδόν
ε) Αριθμό κτιρίων στο οικόπεδο
ζ) Αριθμό ορόφων
η) Χρήσεις στο ισόγειο και τους ορόφους
θ) Κατάσταση κτιρίων
ι) Αξία γης
Όλες αυτές οι πληροφορίες αποτελούν μια βάση δεδομένων. Αν η βάση αυτή ενωθεί με το χάρτη της
περιοχής με τέτοιο τρόπο ώστε να υπάρχει αμφι-μονοσήμαντη αντιστοιχία μεταξύ των εγγραφών της
βάσης και των οικοπέδων του χάρτη, τότε δημιουργήθηκε ένα Γεωγραφικό Σύστημα Πληροφοριών (ΓΣΠ).
Άρα τι είναι ένα Γεωγραφικό Σύστημα Πληροφοριών;
1. Είναι ένα ψηφιακό σύστημα για την εισαγωγή, αποθήκευση, έλεγχο, χειρισμό, ανάλυση και
παρουσίαση δεδομένων που αναφέρονται σε κάποιο σημείο της Γης ή γενικά που έχουν
γεωγραφικής φύσης. Ένα σύνολο προγραμμάτων που λειτουργούν σε μια σχεσιακή βάση
δεδομένων.
2. Ένα οργανωμένο σύνολο εργαλείων συλλογής, αποθήκευσης, ενημέρωσης επεξεργασίας,
ανάλυσης και παρουσίασης όλων των τύπων των γεωγραφικών πληροφοριών.
3. Ένα σύστημα που χρησιμοποιεί μια χωρική βάση δεδομένων για την απάντηση ερωτήσεων
γεωγραφική αναφορά.
Ένα ΓΣΠ μπορεί να απαντήσει ανεξάρτητα από συγκεκριμένη εφαρμογή σε ερωτήσεις που αφορούν
την τοποθεσία, την κατάσταση, τις τάσεις, τα μοτίβα, τη δημιουργία μοντέλων. Ο ειδικός χρήστης αναλυτής του ΓΣΠ είναι αυτός που θα οργανώσει τις γεωγραφικές πληροφορίες ανάλογα με την
εφαρμογή και θα αξιοποιήσει έτσι ώστε το σύστημα (μηχανικό εξοπλισμό - λογισμικό) να απαντά σε
συγκεκριμένα ερωτήματα που θα προκύπτουν από την εφαρμογή.
Τα γεωγραφικά συστήματα πληροφοριών είναι απαραίτητα για την ανάπτυξη εφαρμογών σε τομείς
όπως:
• Κτηματολόγιο
• Φωτογραμμετρία
• Εδαφολογία – Γεωλογία
• Δασική Διαχείριση – Δασοπροστασία
• Διαχείριση Δικτύων Κοινής Ωφέλειας
• Χωροθέτηση εκπαιδευτικών μονάδων
• Πολεοδομία - Χωροταξία
• Τοπογραφία – Χαρτογραφία
• Χρήσεις γης
• Οργάνωση και Διαχείριση Αστυνόμευσης
• Οργάνωση Πυροπροστασίας-Πυρόσβεσης
• Αντισεισμική Προστασία
Στην Εικόνα 1 δίνεται σχηματικά η αναπαράσταση του πραγματικού χώρου σ’ ένα ΓΣΠ μέσα από την
έννοια της διαστρωμάτωσης (layers) των γεωγραφικών πληροφοριών.
8|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικόνα 1. Έννοια της διαστρωμάτωσης της γεωγραφικής πληροφορίας.
1.2 Συστατικά μέρη ενός Γ.Σ.Π.
Ένα ΓΣΠ αποτελείται από μηχανικά μέρη κατάλληλα να ανταποκρίνονται στις ειδικές απαιτήσεις
(ειδικά για εισαγωγή αναλογικών χαρτών), το απαραίτητο ειδικό λογισμικό και το ανθρώπινο δυναμικό
που θα χειρίζεται και θα διοικεί κατάλληλα και αποτελεσματικά hardware και software.
Μηχανικός εξοπλισμός. Ο βασικός εξοπλισμός ενός ΓΣΠ είναι ο Η/Υ και ειδικότερα η κεντρική μονάδα
επεξεργασίας (C.P.U.) με την οποία συνδέονται οι διάφορες περιφερειακές μονάδες. Η κεντρική μονάδα
του Η/Υ συνδέεται με μία μονάδα αποθήκευσης που χρησιμοποιείται για την αποθήκευση δεδομένων και
προγραμμάτων.
Βασική περιφερειακές περιφερειακές μονάδες εισόδου γεωγραφικών δεδομένων είναι (βλ. Εικ. 1.3) ο
ψηφιοποιητής (digitizer) και ο σαρωτής (scanner). Με τον ψηφιοποιητή δεδομένα που είναι σε αναλογική
μορφή (π.χ. χάρτης) μετατρέπονται σε ψηφιακή μορφή και εισάγονται στον υπολογιστή. Ο σαρωτής είναι
ένα είδος αυτόματου ψηφιοποιητή με αποτέλεσμα να μειώνει αισθητά το χρόνο εισαγωγής των
δεδομένων και να βελτιώνει την ακρίβεια της ψηφιακής καταγραφής. Στην περίπτωση χρησιμοποίησης
σαρωτή όμως δεν έχουμε τη δυνατότητα εισαγωγής κάποιων συγκεκριμένων δεδομένων και στοιχείων
με αποτέλεσμα να εισάγουμε και μεγάλο όγκο άχρηστης ή λανθασμένης (π.χ. τυχαίες γραμμές,
μουντζούρες κ.λ.π.) πληροφορίας.
Βασικές περιφερειακές μονάδες εξόδου είναι οι οθόνες και οι αυτόματοι σχεδιαστές (plotters). Οι
αυτόματοι σχεδιαστές έχουν το χαρακτήρα της μόνιμης απόδοσης των γεωγραφικών δεδομένων.
Χρησιμοποιούνται τόσο στη σχεδίαση "πρόχειρων" χαρτών προκειμένου να γίνουν κάποιες διορθώσεις
όσο και στη σχεδίαση των τελικών χαρτών.
Λογισμικό. Τα ΓΣΠ επεξεργάζονται όπως αναφέραμε και παραπάνω χωρικές και περιγραφικές
πληροφορίες. Θα μπορούσε λοιπόν να θεωρηθεί ότι το λογισμικό κάθε ΓΣΠ αποτελείται από το τμήμα
επεξεργασίας της χωρικής πληροφορίας και από το τμήμα επεξεργασίας της περιγραφικής πληροφορίας.
Τα δύο αυτά τμήματα είναι συνδεδεμένα μεταξύ τους και ο βαθμός της σύνδεσής τους είναι αυτός που
δίνει στο πακέτο την ικανότητα να ανταποκριθεί σε συγκεκριμένες απαιτήσεις. Τα βασικά χαρακτηριστικά
του λογισμικού ενός ΓΣΠ είναι τα ακόλουθα:
1.
2.
3.
4.
Εισαγωγή της χωρικής πληροφορίας και δημιουργία του ηλεκτρονικού χάρτη.
Διόρθωση και δυναμική ενημέρωση του ηλεκτρονικού χάρτη.
Αποθήκευση του ηλεκτρονικού χάρτη.
Διαχωρισμός του ηλεκτρονικού χάρτη σε επίπεδα ομοιογενούς πληροφορίας (διαστρωμάτωση)
και δημιουργία επικαλυπτόμενων χαρτών διαφορετικών περιεχομένων.
9|Page
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
5. Αναζήτηση με γρήγορους ρυθμούς γραφικών και μη γραφικών χαρακτηριστικών είτε αυτά είναι
δομημένα είτε όχι.
6. Επεξεργασία και ανάλυση των στοιχείων των ηλεκτρονικών χαρτών και δημιουργία αναφορών υπό
μορφή πινάκων ή δημιουργία νέων χαρτών.
7. Παρουσίαση πρωτογενών ή δευτερογενών χαρτών ή και συνδυασμό αυτών στην οθόνη.
8. Δημιουργία φύλλων χάρτη οποιονδήποτε προδιαγραφών με τη χρήση plotters .
9. Επικοινωνία του πακέτου με άλλα πακέτα GIS ή CAD για εισαγωγή ή εξαγωγή πληροφοριών.
1.3 Κατηγορίες δεδομένων ενός Γ.Σ.Π.
Υπάρχουν δύο τύποι γεωγραφικών πληροφοριών:
a) Χωρικές ή χαρτογραφικές (τοπολογικές) πληροφορίες
b) Περιγραφικές πληροφορίες
Χωρικές - Χαρτογραφικές πληροφορίες
Με τον όρο χωρικές ή χαρτογραφικές πληροφορίες, εννοούμε αυτές που επιτρέπουν τον προσδιορισμό
της θέσης των γεωγραφικών δεδομένων με βάση ένα σύστημα αναφοράς καθώς επίσης και την
περιγραφή των χωρικών σχέσεων που αναπτύσσονται με άλλα γεωγραφικά δεδομένα. Οι πληροφορίες
αυτές χωρίζονται σε πληροφορίες που περιγράφουν την γεωμετρία του χώρου (κάνουν δηλαδή δυνατό
τον εντοπισμό ενός φαινομένου στο έδαφος και αποδίδουν ταυτόχρονα το σχήμα του) χρησιμοποιώντας
σα δομικά στοιχεία τα σημεία, τις γραμμές και τα πολύγωνα και σε πληροφορίες που περιγράφουν την
τοπολογία του χώρου δηλαδή τις σχέσεις (σύνδεση, συνέχεια, γειτνίαση) που αναπτύσσονται μεταξύ των
δομικών στοιχείων του χώρου.
Η αποθήκευση των χωρικών-χαρτογραφικών δεδομένων (και των γεωμετρικών και των τοπολογικών)
μπορεί να γίνει με δύο τρόπους:
a) Με τεχνολογία διανύσματος (VECTOR)
b) Με τεχνολογία πλέγματος (RASTER)
Με την τεχνολογία VECTOR η αποθήκευση γίνεται χρησιμοποιώντας τις αναλυτικές συντεταγμένες των
δομικών στοιχείων. Έτσι π.χ. για να αποθηκευτεί μία γραμμή στο σύστημα αποθηκεύονται οι
συντεταγμένες των σημείων που ορίζουν την αρχή και το τέλος της. Με την τεχνολογία RASTER ο χώρος
χωρίζεται σε κυψέλες με ένα νοητό κάναβο. Στο σύστημα αποθηκεύονται όλα τα στοιχεία αυτού του
κανάβου.
Τόσο η διανυσματική όσο και πλεγματική αποθήκευση έχουν πλεονεκτήματα και μειονεκτήματα. Η
επιλογή εξαρτάται από τη φύση του προβλήματος και φυσικά από το είδος των διαθεσίμων
πληροφοριών.
Πηγές της χωρικής πληροφορίας μπορεί να είναι :
 Υπάρχοντα φύλλα χάρτη (Γ.Υ.Σ., Ε.Σ.Υ.Ε., Υ.ΠΕ.ΧΩ.Δ.Ε.)
 Αρχεία Η/Υ διαφόρων προελεύσεων και formats
 Τοπογραφικά διαγράμματα διαφόρων κλιμάκων δήμων, κοινοτήτων, συνοικιών κλπ.
 Δεδομένα από αεροφωτογραφίες διαφόρων κλιμάκων
 Δορυφορικές εικόνες επεξεργασμένες ή όχι
 Δεδομένα από φωτογραφίες σε ψηφιακή μορφή
Περιγραφικές πληροφορίες
Με τον όρο περιγραφικές πληροφορίες εννοούμε αυτές που περιγράφουν τα χαρακτηριστικά των
γεωγραφικών δεδομένων που έχουν δηλαδή σχέση με τις ποιοτικές ή ποσοτικές ιδιότητες του
γεωγραφικού χώρου. Παράδειγμα ποιοτικής πληροφορίας είναι η κατανομή των χρήσεων γης ενός δήμου
10 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ενώ παράδειγμα ποσοτικής πληροφορίας είναι η κατανομή του πληθυσμού στα οικοδομικά τετράγωνα
του ίδιου δήμου.
Οι περιγραφικές πληροφορίες κωδικοποιούνται και αποθηκεύονται σε μία ή περισσότερες βάσεις
δεδομένων και με τον τρόπο αυτό δημιουργείται ένα πληροφοριακό σύστημα για το χώρο με το οποίο
είναι δυνατή η στατιστική επεξεργασία των δεδομένων και η χωρική προβολή των αποτελεσμάτων της
καθώς και η μη χωρική αναζήτηση πληροφοριών.
Πηγές της περιγραφικής πληροφορίας είναι κατά βάση πίνακες στατιστικών και μη πληροφοριών.
1.4 Οργάνωση και διαχείριση των γεωγραφικών πληροφοριών
Ο γεωγραφικός χώρος απεικονίζεται στο επίπεδο με τη μορφή σημείων (points), γραμμών (lines) και
πολυγώνων (polygons), μέσω ενός συστήματος καρτεσιανών συντεταγμένων. Τα σημεία αποθηκεύονται
με ένα ζεύγος συντεταγμένες, οι γραμμές με μια σειρά διατεταγμένων ζευγών συντεταγμένων και τα
πολύγωνα ομοίως με μια σειρά διατεταγμένων ζευγών συντεταγμένων που ορίζουν όμως μια κλειστή
επιφάνεια.
Το σύνολο της γεωγραφικής πληροφορίας για μια συγκεκριμένη περιοχή μπορεί να αναλυθεί σε πολλά
επίπεδα επί μέρους ομοιογενών πληροφοριών - layers (στη γλώσσα του εμπορικού πακέτου ARC/INFO
coverages), το καθένα από τα οποία θα αποτελέσει και ξεχωριστή γεωγραφική ενότητα του συστήματος.
Υπάρχουν τρεις βασικές κατηγορίες γεωγραφικών ενοτήτων:
1. Ενότητες σημειακών χαρτογραφικών στοιχείων (point coverages)
2. Ενότητες γραμμικών χαρτογραφικών στοιχείων (line coverages)
3. Ενότητες επιφανειακών (πολυγωνικών) χαρτογραφικών στοιχείων (polygon coverages)
Κάθε γεωγραφική ενότητα αποθηκεύεται ως ένα σύνολο από ομοιογενή στοιχεία σε ξεχωριστή
περιοχή του δίσκου, ως αρχείο ή ως κατάλογος (directory), όπου κάθε στοιχείο ορίζεται από τη
γεωγραφική του θέση και τα περιγραφικά του χαρακτηριστικά. Δομικά στοιχεία μιας γεωγραφικής
ενότητας είναι:
Τόξα (Arcs)
Κόμβοι (Nodes)
Πολύγωνα (Polygons)
Σημεία (Points)
Ετικέτες (Labels)
Σημεία γεωγραφικής προσαρμογής (Tics)
Ονοματολογία (Annotation)
Χαρακτηριστικός κωδικός (User-ID)
Τα δομικά στοιχεία του coverage περιέχουν και χαρακτηριστικά ή ιδιότητες που το περιγράφουν
(attributes). Π.χ. η γραμμή που ορίζει τον άξονα μιας οδού μπορεί να περιέχει χαρακτηριστικά και
πληροφορίες όπως είναι ο τύπος της οδού, το όνομά της, το μήκος και το πλάτος της, κ.λ.π..
1.5 Τοπολογική δόμηση των γεωγραφικών ενοτήτων
Σε κάθε ΓΣΠ υπάρχει η δυνατότητα δημιουργίας χωρικών σχέσεων. Στους ψηφιακούς χάρτες οι χωρικές
σχέσεις απεικονίζονται χρησιμοποιώντας τοπολογία. Σαν ορισμό του όρου τοπολογία θα μπορούσαμε να
πούμε ότι είναι ο καθορισμός και η αποθήκευση των χωρικών σχέσεων των δομικών χαρακτηριστικών του
ψηφιακού χάρτη. Η τοπολογία αναπαριστά τη σύνδεση, τη συνέχεια και τη γειτνίαση των δομικών
χαρακτηριστικών.
Μπορούμε να δημιουργήσουμε τοπολογία γραμμών, πολυγώνων και σημείων, ανάλογα με τις
απαιτήσεις της εφαρμογής μας.
Οι βασικές τοπολογικές έννοιες είναι:
i. Τα τόξα ενώνονται μεταξύ τους με κόμβους
11 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ii.
iii.
Τόξα που ενώνονται για να περικλείσουν μια περιοχή ορίζουν ένα πολύγωνο
Τα τόξα έχουν συγκεκριμένη κατεύθυνση και επομένως έχουν αριστερή και δεξιά πλευρά.
Όταν δομούμε τοπολογικά την γεωγραφική πληροφορία δημιουργούνται αρχεία δεδομένων με τη
μορφή πινάκων χαρακτηριστικών στοιχείων (feature attribute table). Τα αρχεία αυτά αποτελούνται από
γραμμές και στήλες. Κάθε γραμμή του αρχείου ονομάζεται εγγραφή ή record και κάθε στήλη ονομάζεται
πεδίο ή field. Κάθε εγγραφή περιέχει διαφορετικά δεδομένα ενώ κάθε πεδίο περιέχει ομογενή δεδομένα.
Το σύνολο των αρχείων των δεδομένων που συμπληρώνουν τις γεωγραφικές ενότητες ονομάζονται
βάσεις δεδομένων.
Όταν δομείται πολυγωνική τοπολογία δημιουργείται αυτόματα ένας πίνακας χαρακτηριστικών
πολυγώνων (Polygon Attribute Table). Όταν δομείται τοπολογία σημείων δημιουργείται ένας πίνακας
(Point Attribute Table). Τέλος κατά τη δόμηση γραμμικής τοπολογίας δημιουργείται πίνακας
χαρακτηριστικών τόξων (Arc Attribute Table).
1.6 Λειτουργικά χαρακτηριστικά – εργαλεία
Μερικά βασικά λειτουργικά χαρακτηριστικά - εργαλεία με τα οποία είναι συνήθως εφοδιασμένα τα
διάφορα εμπορικά πακέτα Γεωγραφικών Συστημάτων Πληροφοριών είναι τα ακόλουθα:
Τεχνολογία VECTOR (διανύσματος) ή RASTER (πλέγματος) ή συνδυασμός τους
Ύπαρξη εσωτερικών προγραμμάτων καταγραφής συντεταγμένων
Ύπαρξη προγράμματος διαχείρισης βάσης πληροφοριών
Μέτρηση αποστάσεων, περιμέτρων, εμβαδών (για επιφάνειες)
Εκτέλεση των λειτουργιών συγχώνευσης, πρόσθεσης, πολλαπλασιασμού, αφαίρεσης και διαίρεσης
μεταξύ των χαρτών καθώς και δημιουργία ζωνών επιρροής ενός φαινομένου
f. Έλεγχος και ανάλυση "γειτνίασης"
g. Ύπαρξη υποπρογράμματος για στατιστική ανάλυση
h. Ύπαρξη υποπρογράμματος για υπολογισμό βέλτιστης διαδρομής
i. Υπολογισμός και ανάλυση δικτύων.
a.
b.
c.
d.
e.
1.7 Σχεδιασμός και υλοποίηση Γ.Σ.Π.
Κεντρικά στοιχεία της ανάπτυξης ενός ΓΣΠ είναι: η αποθήκευση των δεδομένων, η χωρική ανάλυση, η
παρουσίαση και η επικοινωνία των δεδομένων και οι εφαρμογές.
Το σύστημα Βάσεων Δεδομένων είναι πρωταρχικό σε όλα τα ΓΣΠ και στις εφαρμογές των ΓΣΠ. Για τους
περισσότερους χρήστες η χωρική βάση δεδομένων έχει περισσότερο να κάνει με την αποθήκευση των
παραμέτρων και των θέσεων τους παρά με την γρήγορη ανάκτηση των τιμών των παραμέτρων. Είναι
κατανοητό όμως ότι η ανάκτηση μπορεί να γίνεται γρήγορα ή αργά και το Σύστημα Διοίκησης Βάσεων
Δεδομένων (ΣΔΒΔ) να γίνει αιτία σημαντικής καθυστέρησης.
Η ανάλυση της χωρικής πληροφορίας είναι ο στόχος της εφαρμογής των ΓΣΠ. Η χωρική ανάλυση είναι
τελείως διαφορετική επεξεργασία από την ερώτηση και ανάκτηση χωρικών δεδομένων. Τα πρώτα ΓΣΠ
αφορούσαν κυρίως την αποθήκευση και ανάκτηση των χωρικών δεδομένων και υστερούντο εκείνων των
χαρακτηριστικών για την στατιστική ανάλυση των χωρικών και περιγραφικών παραμέτρων.
Η παρουσίαση της χωρικής πληροφορίας είναι επίσης βασικό χαρακτηριστικό ενός ΓΣΠ. Το αντίστοιχο
του αναλογικού χάρτη είναι η πιο δημοφιλής παρουσίαση μεταξύ των χρηστών των ΓΣΠ. Με την
χρησιμοποίηση όμως των Η/Υ έχουμε μια πολύ μεγάλη ποικιλία μεθόδων στη διάθεση μας για την
παρουσίαση των χωρικών δεδομένων μας που πολύ απέχουν από τους στατικούς παραδοσιακούς χάρτες.
Το εύρος των εφαρμογών των ΓΣΠ είναι τεράστιο. Αφού όλα τα πράγματα έχουν μία θέση στο χώρο
είναι φανερό ότι δεν υπάρχει πεδίο επιστημονικό που να μην έχουν εφαρμογή τα ΓΣΠ.
12 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Σε κάθε χάρτη υπάρχουν τέσσερις δυνατοί τύποι γεωγραφικών οντοτήτων που πρέπει να
κωδικοποιηθούν, τα σημεία, οι γραμμές, οι επιφάνειες και τα πολύγωνα. Οι γεωγραφικές αυτές οντότητες
μπορεί να εισαχθούν, όπως αναφέρθηκε, στον υπολογιστή είτε υπό διανυσματική μορφή αν χρειάζεται
μεγάλη ακρίβεια είτε υπό μορφή πλέγματος.
Το ΓΣΠ είναι ένα πληροφοριακό σύστημα για την είσοδο, αποθήκευση, επεξεργασία και ανάκτηση
χωρικών δεδομένων. Διακρίνουμε δύο κατηγορίες ΓΣΠ. Η πρώτη κατηγορία χρησιμοποιεί δεδομένα από
χάρτες σε διανυσματική μορφή και χρησιμοποιείται κυρίως για την παραγωγή θεματικών χαρτών. Η
δεύτερη κατηγορία χρησιμοποιεί δεδομένα εικόνων (κυρίως δορυφορικών) σε πλεγματική μορφή και
χρησιμοποιείται σε εφαρμογές που χρειάζεται να γίνει ανάλυση εικόνας.
Οι ερωτήσεις που χειρίζεται ένα ΓΣΠ μπορεί να χωρισθούν σε δύο μεγάλες κατηγορίες. Η πρώτη
κατηγορία αφορά ερωτήσεις που ζητούν τη θέση κάποιων χωρικών οντοτήτων για κάποιο τμήμα του
χάρτη. Η δεύτερη κατηγορία αφορά ερωτήσεις που ζητούν ποια αντικείμενα υπάρχουν σε κάποια περιοχή
και ανήκουν σε κάποια χωρική οντότητα. Παραδείγματα ερωτήσεων των δύο κατηγοριών αντίστοιχα
είναι: (α) Δώσε τις θέσεις των περιοχών απόθεσης απορριμμάτων στον Ν. Ξάνθης (β) Δώσε τους
γεωλογικούς σχηματισμούς της κοιλάδας του Ερυθροποτάμου.
Η λειτουργία ενός ΓΣΠ κρίνεται ικανοποιητική όταν αυτό έχει δυνατότητες αποθήκευσης, ανάλυσης,
επεξεργασίας και ανάκτησης δεδομένων από διαφορετικές πηγές και για διαφορετικούς χρήστες. Είναι
κατανοητό ότι ο σχεδιασμός και η υλοποίηση τέτοιων συστημάτων απαιτεί μεγάλη εξειδίκευση και έχει
αρκετές δυσκολίες.
Σκοπός ενός ΓΣΠ είναι να βοηθήσει τον χρήστη στο να παίρνει αποφάσεις να σχεδιάζει διάφορες
δραστηριότητες και να διευθύνει. Ένα ΓΣΠ περιλαμβάνει μια αλυσίδα από διεργασίες που ξεκινούν από
την συλλογή των δεδομένων και μέσω της επεξεργασίας τους φθάνουν στη χρησιμοποίηση των
αποτελεσμάτων για την λήψη κάποιας απόφασης.
Σ' ένα ΓΣΠ μπορεί να διακριθούν τα εξής τμήματα ή διαδικασίες:
1.7.1 Συλλογή και κωδικοποίηση των δεδομένων
Τα δεδομένα που χρησιμοποιούνται σαν είσοδος σε ένα ΓΣΠ μπορεί να προέρχονται από διαφορετικές
πηγές, να έχουν επομένως διαφορετική μορφή και είναι αποθηκευμένα σε διαφορετικά μέσα, π.χ. χωρικά
δεδομένα, δεδομένα πινάκων, δεδομένα τηλεπισκόπισης. Αυτά μπορεί να βρίσκονται πάνω σε ψηφιακά ή
σε τυπωμένα αρχεία, σε μαγνητικές ταινίες, σε μαγνητικούς δίσκους κλπ.
Κατά το στάδιο συλλογής των δεδομένων θα πρέπει να καταγράφονται όλες οι πληροφορίες που έχουν
σχέση με αυτά και οι οποίες περιγράφουν όσο το δυνατόν την ακρίβεια και την αξιοπιστία τους. Για
παράδειγμα τέτοιες πληροφορίες μπορεί να είναι: η ημερομηνία συλλογής, η υπηρεσία που τα συνέλεξε,
ο δειγματολήπτης, ο χαρτογράφος κλπ.
Μετά την συλλογή τους τα δεδομένα χρειάζονται κάποια προκαταρκτική επεξεργασία. Η
προκαταρκτική επεξεργασία των δεδομένων μπορεί να περιλαμβάνει κυρίως αλλαγή της μορφής (format)
των δεδομένων.
Οι αλλαγές στη μορφή των δεδομένων μπορούν να συνοψισθούν σε δύο κατηγορίες. Η πρώτη
κατηγορία περιλαμβάνει μετατροπές στη δομή των δεδομένων (π.χ από πλεγματική μορφή σε
διανυσματική) και η δεύτερη μετατροπές στα μέσα αποθήκευσης των δεδομένων (πχ. από μαγνητικές
ταινίες σε μαγνητικούς δίσκους).
1.7.2 Διοίκηση των δεδομένων
Η διοίκηση των δεδομένων απαιτεί τη χρησιμοποίηση ενός Συστήματος Διοίκησης Βάσεων Δεδομένων
(ΣΔΒΔ) που παρέχει:
1. Τη δυνατότητα να στηρίζει πολλούς χρήστες ταυτόχρονα και πολλές βάσεις δεδομένων.
2. Δυνατότητες αποθήκευσης, επεξεργασίας, ενημέρωσης και ανάκτησης των δεδομένων.
13 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
3. Αποφυγή αποθήκευσης περιττών δεδομένων.
4. Ανεξαρτησία και ασφάλεια των δεδομένων.
1.7.3 Ανάκτηση των δεδομένων
Ένα Γ.Σ.Π. πρέπει να έχει δυνατότητες για ικανοποιητική ανάκτηση των δεδομένων τόσο των χωρικών
όσο και των μη χωρικών δεδομένων.
Κατά τη διαδικασία των ερωτήσεων ένα ΓΣΠ μπορεί να χρειασθεί να εντοπίσει: ένα απλό
χαρακτηριστικό, ένα σύνολο από απλά χαρακτηριστικά, χαρακτηριστικά που βασίζονται σε ορισμένες
σχέσεις ανάμεσα στα δεδομένα, όλα τα χαρακτηριστικά μιας τάξης δεδομένων κλπ.
Οι δυσκολίες στην ανάκτηση των δεδομένων προέρχονται κυρίως από τον όγκο των δεδομένων, τη
μορφή και την κωδικοποίησή τους. Γενικά υπάρχουν πολύ καλές μέθοδοι για την ικανοποιητική ανάκτηση
των μη χωρικών δεδομένων. Δεν μπορούμε όμως να ισχυρισθούμε το ίδιο και για τα χωρικά δεδομένα
γιατί πολύ συχνά το ψάξιμο ενός χωρικού χαρακτηριστικού απαιτεί πολύπλοκη επεξεργασία.
1.7.4 Χειρισμός και επεξεργασία των δεδομένων
Η επεξεργασία των χαρτογραφικών δεδομένων απαιτεί από το ΓΣΠ τεχνικές κατάλληλες για την
επεξεργασία δεδομένων τόσο σε πλεγματική όσο και σε διανυσματική μορφή καθώς και δυνατότητες
μετατροπής από τη μια μορφή στην άλλη.
Μερικές από τις επεξεργασίες που απαιτούνται από τους χρήστες των ΓΣΠ και παρέχονται από τα
περισσότερα ΓΣΠ είναι: Μετατροπές στις δομές των δεδομένων, Γεωμετρικές πράξεις στα χωρικά
δεδομένα (στροφή υπό κάποια γωνία, αλλαγή της κλίμακας, αλλαγή του συστήματος συντεταγμένων,
κλπ.), τοπογραφική ανάλυση των δεδομένων (γειτονικά χαρακτηριστικά, σύνδεσμοι, λανθασμένα
χαρακτηριστικά, κλπ.), στατιστική ανάλυση και γεωστατιστική ανάλυση, μετρήσεις γραμμών και τόξων,
ανάκτηση χωρικών και μη δεδομένων, κλπ.
1.7.5 Παρουσίαση των δεδομένων
Ένα ΓΣΠ πρέπει να έχει δυνατότητες παρουσίασης των χαρτών και των πινάκων πληροφοριών σε μια
ποικιλία από μέσα πχ. σε χαρτί διαφόρων ειδών, μικροφιλμς, κλπ., και με μια ποικιλία συσκευών πχ.
εκτυπωτές (line και dot printers), σχεδιαστές (ink και electrostatic plotters) κλπ.
Η επιλογή του κατάλληλου μέσου παρουσίασης των αποτελεσμάτων εξαρτάται από την εφαρμογή.
Από πρόσφατες έρευνες που αφορούν τον σχεδιασμό μεγάλων ΓΣΠ οι προϋποθέσεις που πρέπει να
ικανοποιεί ένα ΓΣΠ μπορεί να συνοψισθούν στις παρακάτω κατηγορίες:
1. Δυνατότητα να χειρίζεται μεγάλες ετερογενείς βάσεις δεδομένων.
2. Δυνατότητα για ανάκτηση πληροφοριών από τις βάσεις δεδομένων σχετικά με την ύπαρξη, τη
θέση και τις ιδιότητες ενός μεγάλου εύρους χωρογραφικών και μη αντικειμένων.
3. Δυνατότητες εύκολου χειρισμού τέτοιων ερωτήσεων.
4. Ευελιξία στο σχεδιασμό του συστήματος ώστε αυτό να προσαρμόζεται εύκολα στις εκάστοτε
απαιτήσεις διαφορετικών χρηστών.
5. Δυνατότητα το σύστημα να παράγει νέα γνώση από ήδη υπάρχουσα κατά τη διάρκεια των
επεξεργασιών.
Υπάρχουν ορισμένες γενικές αρχές που πρέπει να εφαρμόζουμε με σκοπό να διευκολύνουμε το
σχεδιασμό και την υλοποίηση ενός ΓΣΠ που θα πληροί τις παραπάνω βασικές προϋποθέσεις. Οι αρχές
αυτές περιλαμβάνουν:
• Την συστηματική εφαρμογή δοκιμασμένων τεχνικών και μεθόδων της Επιστήμης των Η/Υ. Μέχρι
σήμερα λίγα ΓΣΠ έχουν υλοποιηθεί με αυτήν την αρχή. Πεδία της Επιστήμης των Η/Υ που έχουν
14 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
•
•
•
σχέση με τα ΓΣΠ είναι: Θεωρία λογισμικού (software engineering), Θεωρία Βάσεων Δεδομένων
(data βases), Θεωρία Αλγορίθμων και Πολυπλοκότητας (algorithms και complexity), Τεχνητή
Νοημοσύνη (artificial intelligence), Θεωρία Γραφημάτων (computer graphics), Χωρική Στατιστική
(spatial statistics) και Γεωστατιστική (geostatistics) και Επεξεργασία Φυσικής Γλώσσας (natural
language processing).
Τον συνδυασμό τεχνικών και μεθόδων που αναπτύχθηκαν για πεδία επιστημών που σχετίζονται με
τα ΓΣΠ. Τέτοια πεδία είναι: computer vision, image processing, digital cartography, remote sensing
κλπ.
Την εφαρμογή των κατάλληλων τεχνικών ώστε ο χρόνος ψαξίματος της βάσης δεδομένων να είναι
ελάχιστος. Είναι προφανές ότι οι απαντήσεις σε ερωτήσεις που αφορούν πολύπλοκες χωρικές
πληροφορίες από μια μεγάλη βάση δεδομένων απαιτεί μεγάλο χρόνο υπολογισμού.
Την υλοποίηση του ΓΣΠ με τέτοιο τρόπο που να μπορεί εύκολα να προσαρμόζεται από τον ίδιο τον
χρήστη στις απαιτήσεις του.
Με τον όρο εφαρμογή ονομάζουμε τη χρησιμοποίηση του ΓΣΠ για να Ικανοποιήσουμε μια
συγκεκριμένη ανάγκη των χρηστών. Οι περισσότερες εφαρμογές των ΓΣΠ αφορούν γεωγραφικές
αναλύσεις. Η γεωγραφική ανάλυση τα τελευταία χρόνια έχει προχωρήσει πολύ και από την απλή
επικάλυψη των χαρτών έχει φθάσει σε πολύπλοκες χωρικές αναλύσεις. Σήμερα ΓΣΠ χρησιμοποιούνται για
την ανίχνευση της κυκλοφορίας των ρύπων στο περιβάλλον, την πρόβλεψη της παραγωγής, τον
σχεδιασμό πολεοδομικών έργων κλπ. Βέβαια όλες οι εφαρμογές περιλαμβάνουν δραστηριότητες
χαρτογράφησης. Οι περισσότεροι χρήστες ζητούν τις πληροφορίες υπό μορφή χαρτών. Η ακρίβεια των
παραγομένων χαρτών είναι ένα από τα μεγαλύτερα προβλήματα των ΓΣΠ και η αξιολόγηση της ακρίβειας
πολύ δύσκολη. Το πρόβλημα γίνεται ακόμη πιο δύσκολο όταν χάρτες με διαφορετική ακρίβεια
συνδυάζονται για να δημιουργηθεί ένας νέος.
ΧΑΡΤΕΣ - ΧΑΡΤΟΓΡΑΦΙΑ
2.
2.1 Εισαγωγή – ορισμοί
Χαρτογραφία
Αρκετοί ορισμοί έχουν δοθεί με στόχο τον προσδιορισμό της έννοιας της λέξης “χαρτογραφία”. Μέχρι
τα τέλη περίπου της δεκαετίας 1950 η χαρτογραφία θεωρείτο απλά ως η τέχνη της κατασκευής χαρτών.
Χωρίς να παραβλέπεται ότι το τελευταίο αποτελεί βασικό αντικείμενο της χαρτογραφίας σήμερα
αποδίδεται περισσότερο ευρύς προσδιορισμός. Αυτό οφείλεται πρώτα στη σημαντική συνεισφορά στις
διαδικασίες “της κατασκευής χαρτών” πολλών επιστημών καθώς επίσης και στην χρησιμοποίηση αυτών
από συνεχώς αυξανόμενο αριθμό ανθρώπων, γεγονός που τους δίνει μεγάλο βάρος ως μέσο επικοινωνίας
μεταξύ πολλών επιστημόνων. Στα πλαίσια αυτά αποδεκτοί σήμερα ορισμοί είναι και οι εξής:
i.
ii.
iii.
Χαρτογραφία είναι η μεταφορά ή η μετάδοση (και όχι μόνο η κατασκευή) της πληροφορίας που
έχει γεωγραφική (χωρική) διάσταση μέσω χαρτών (Kraak and Ormeling, 1996).
Χαρτογραφία είναι η οργάνωση, η παρουσίαση, η επικοινωνία και η χρήση γεωπληροφοριών σε
γραφική, ψηφιακή, ή και ως βιβλίο - κείμενο, μορφή. Μπορεί να περιλάβει όλα τα στάδια από την
προετοιμασία των δεδομένων μέχρι την κατασκευή χαρτών και όλων των προϊόντων που
περιέχουν γεωγραφικές πληροφορίες (Taylor, 1991).
Η χαρτογραφία περιλαμβάνει το σύνολο των θεωριών και μεθόδων αυτών που είναι αναγκαίες για
τη συλλογή, επεξεργασία και ταξινόμηση των χωρικών πληροφοριών με τελικό σκοπό την
απόδοσή τους σε μορφή χάρτη. Η χαρτογραφία συνεργάζεται στενά και με άλλες επιστήμες όπως
η Γεωδαισία η Φωτογραμμετρία, η Τηλεπισκόπιση, η Γεωγραφία, η Στατιστική, κλπ., κυρίως στα
15 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
θέματα και στις μεθοδολογίες συλλογής και επεξεργασίας των γεωγραφικών πληροφοριών (ΕΜΠ,
1988).
Χάρτης
Πολλοί ορισμοί έχουν δοθεί για τον επιστημονικό προσδιορισμό του όρου “Χάρτης”. Ανάμεσα σ’
αυτούς είναι:
i. Χάρτης είναι ένα γραφικό μοντέλο της γεωγραφικής προσέγγισης της πραγματικότητας.
ii. Χάρτης είναι η αναπαράσταση ή περιληπτική παρουσίαση της γεωγραφικής πραγματικότητας.
Είναι ένα εργαλείο για να παρουσιαστεί η γεωγραφική πληροφορία.
iii. Χάρτης είναι μια συμβατική εικόνα, συνήθως σε επίπεδη επιφάνεια, συγκεκριμένων ή
αφηρημένων φαινομένων, τα οποία μπορούν όμως να τοποθετηθούν στο χώρο.
iv. Χάρτης είναι η γραφική αναπαράσταση της μορφής του φυσικού και ανθρωπογενούς χώρου, των
φαινομένων που αναφέρονται σ’ αυτό το χώρο και των χωρικών τους αλληλοσυσχετίσεων (Νάκος
και Φιλιππακοπούλου, 1993).
Η αναγκαιότητα των χαρτών
Ο άνθρωπος έχει περιορισμένες δυνατότητες να παρατηρεί άμεσα όλα τα φαινόμενα που τον
ενδιαφέρουν όσον αφορά την ικανότητα της οπτικής του αντίληψης και μόνο. Παράλληλα η οπτική
αντίληψη βοηθάει στο να αποκτηθεί σαφής εμπεριστατωμένη και αντικειμενική κατανόηση των
πληροφοριών και των ερεθισμάτων του χώρου με τρόπο μοναδικό που δεν επιτυγχάνεται με άλλους
τρόπους π.χ. προφορικό ή γραπτό λόγο.
Αν κοιτάξουμε τον κόσμο που μας περιβάλλει παρατηρούμε ότι τα διάφορα φαινόμενα καλύπτουν
τόσο μεγάλη έκταση και η μελέτη τους απαιτεί μία συνολική εποπτεία που μπορεί να αποκτηθεί μόνο με
την παρατήρηση της απεικόνισής τους σε σμίκρυνση. Η ύπαρξη χαρτών εξυπηρετεί αυτήν ακριβώς την
ανάγκη.
Μέσα απ’ αυτό το πρίσμα χαρτογραφία είναι η επιστήμη που ασχολείται:
i. με την απεικόνιση σε σμίκρυνση περιοχών του περιβάλλοντα χώρου,
ii. με την απόδοση φαινομένων σε τέτοια μορφή που να διευκολύνει την παρατήρηση αλλά και την
διάδοση σχέσεων και ιδεών που εκδηλώνονται στο δι-διάστατο ή τρισδιάστατο χώρο (ΕΜΠ, 1988).
2.2 Χάρτες – κλίμακες χαρτών
Οι χάρτες προϊόν της επιστήμης της Χαρτογραφίας, είναι μια οπτική μέθοδος μετάδοσης της
πληροφορίας και αποτελούν το τέταρτο βασικό μέσο επικοινωνίας μαζί με τον προφορικό, το γραπτό
λόγο και τα Μαθηματικά.
Επειδή είναι αδύνατη η απεικόνιση ολόκληρης ή και μέρους της επιφάνειας της Γης, όπου
εμφανίζονται τα διάφορα γεωγραφικά φαινόμενα, να γίνει σε φυσικό μέγεθος, ένας χάρτης
κατασκευάζεται με κάποια σμίκρυνση ή αλλιώς κατασκευάζεται υπό κλίμακα.
Κλίμακα (ή αριθμητική κλίμακα) ενός χάρτη (ή ενός σχεδίου) λέγεται η σχέση ανάμεσα στο
σχεδιασμένο γραφικό μήκος και στο αντίστοιχο πραγματικό μήκος. Με άλλα λόγια κλίμακα είναι ο
αριθμός που δείχνει πόσο θα σμικρυνθεί ο πραγματικός χώρος στον οποίο συλλέγονται τα δεδομένα, για
να ανταποκριθεί στο χάρτη.
Η κλίμακα σχεδίασης ορίζεται με κλάσμα που έχει για αριθμητή το σχεδιασμένο μήκος (στο χαρτί) και
παρονομαστή το αντίστοιχο πραγματικό μήκος και γράφεται με τη μορφή:
Κ =1 / α (1)
16 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Ο τύπος (1) σημαίνει ότι 1(μία) μονάδα μήκους στο χάρτη αντιστοιχεί με α μονάδες μήκους στην
πραγματικότητα ή με άλλα λόγια ότι η πραγματικότητα έχει σμικρυνθεί α φορές.
ΠΡΟΣΟΧΗ: Η μονάδα μήκους στο χάρτη ή στο σχέδιο αντιστοιχεί σε ΙΔΙΕΣ μονάδες μήκους στην
πραγματικότητα.
π.χ. κλίμακα 1:1000 σημαίνει: 1 μονάδα μήκους στο χάρτη αντιστοιχεί σε 1000 μονάδες μήκους στην
πραγματικότητα
π.χ. κλίμακα 1:50.000 σημαίνει: 1 μονάδα μήκους στο χάρτη αντιστοιχεί σε 50.000 μονάδες μήκους στην
πραγματικότητα.
Η εκλογή της κλίμακας για την κατασκευή ενός χάρτη είναι βασικό στοιχείο, γιατί βάζει όρια στην
ποσότητα των πληροφοριών που μπορούν ν’ απεικονιστούν αλλά και ακρίβεια που θα έχει η απεικόνισή
τους σε σχέση με την πραγματικότητα.
Κατηγορίες χαρτών σε σχέση με τη κλίμακα
Οι χάρτες διακρίνονται σε χάρτες μεγάλης και μικρής κλίμακας (ορισμένες φορές γίνεται και διάκριση
σε μεσαία κλίμακα) όπου οι όροι «μεγάλη και μικρή» αναφέρονται στα σχετικά μεγέθη με τα οποία
αποδίδονται τα αντικείμενα ή τα φαινόμενα και όχι το ποσό της σμίκρυνσης που απαιτείται.
• Χάρτες μεγάλης κλίμακας 1:50.000 και πάνω
• Χάρτες μικρής κλίμακας 1:50.000 και κάτω
Άλλος διαχωρισμός είναι:
• Χάρτες μεγάλης κλίμακας 1:25000 και πάνω
• Χάρτες μεσαίας κλίμακας 1:25.000 - 1:250.000
• Χάρτες μικρής κλίμακας 1:250.000 και κάτω.
Επειδή η κλίμακα είναι καθαρός αριθμός μπορεί να πάρει οποιεσδήποτε μονάδες τις οποίες εμείς οι
ίδιοι θα επιλέξουμε αρκεί να είναι οι ΙΔΙΕΣ για τον αριθμητή και τον παρονομαστή.
Παραδείγματα
Έτσι αν έχουμε κλίμακα 1:100 και δουλεύουμε με εκατοστά (cm) σημαίνει: 1 cm στο χάρτη αντιστοιχεί
σε 100 cm στην πραγματικότητα.
Αν δουλεύουμε σε χιλιοστά (mm) σημαίνει: 1 mm στο χάρτη αντιστοιχεί σε 100 mm στην
πραγματικότητα.
Αν δουλεύουμε με (m) σημαίνει: 1m στο χάρτη αντιστοιχεί σε 100 m στην πραγματικότητα.
Η κλίμακα χρησιμεύει έτσι ώστε να οδηγεί:
1. από τις πραγματικές διαστάσεις του αντικειμένου στη σχεδίασή του σε κλίμακα (υπό σμίκρυνση
δηλαδή)
2. από σχεδιασμένα μεγέθη στο χάρτη στις πραγματικές διαστάσεις του αντικειμένου.
ΣΗΜΕΙΩΣΗ
Εκτός από την κλίμακα που είναι ένα από τα βασικά στοιχεία του χάρτη υπάρχει και η Γραφική
Κλίμακα.
Η Γραφική κλίμακα είναι ένας γραφικός τρόπος απόδοσης της κλίμακας που συνίσταται από
παράλληλες γραμμές βαθμονομημένες σε μονάδες αποστάσεων στο έδαφος. Ουσιαστικά δηλαδή
αντιστοιχεί, μέσω της αριθμητικής κλίμακας, τα εκατοστά του χάρτη σε πραγματικό μήκος. Η γραφική
κλίμακα αντιπροσωπεύει γραφικά δηλαδή την γραμμική σμίκρυνση.
17 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικόνα 2. Παραδείγματα γραφικής κλίμακας
2.3 Γεωγραφικά φαινόμενα
Οποιοδήποτε φαινόμενο είτε αυτό είναι συγκεκριμένο π.χ. σιδηροδρομική γραμμή, τριγωνομετρικό
σημείο, δενδροκαλλιέργεια, είτε είναι αφηρημένο π.χ. πυκνότητα πληθυσμού, θρήσκευμα, κατηγορίες
απασχόλησης, πολιτικές προτιμήσεις, το οποίο αναφέρεται σε συγκεκριμένη θέση αποτελεί γεωγραφικό
φαινόμενο.
Τα γεωγραφικά φαινόμενα κατατάσσονται ως προς τις διαστάσεις τους και ως προς την ιεράρχησή
τους.
2.3.1 Διάκριση γεωγραφικών φαινομένων ως προς τις διαστάσεις τους
Αναλόγως με τις διαστάσεις τους τα γεωγραφικά φαινόμενα διακρίνονται σε:
1. Σημειακά
2. Γραμμικά
3. Επιφανειακά
4. Τρισδιάστατα ή Ογκομετρικά
5. Πολυδιάστατα ή Δυναμικά
ΣΗΜΕΙΩΣΗ
Ενώ τα συγκεκριμένα γεωγραφικά φαινόμενα μπορεί να ανήκουν σε οποιαδήποτε από τις ανωτέρω
κατηγορίες, τα αφηρημένα δεν μπορεί να είναι σημειακά, αδιάστατα.
Σημειακά δεδομένα: Το κάθε σημείο είναι μια αδιάστατη θέση. Τα δεδομένα αυτά αναφέρονται σε
μια τοποθεσία ή σε κάποιο σημείο και μπορούν να επαναλαμβάνονται. Τα σημειακά δεδομένα
συμπυκνώνουν το φαινόμενο στη συγκεκριμένη θέση εμφάνισής του.
Παραδείγματα σημειακών δεδομένων: σιδηροδρομικός σταθμός, εκκλησίες, αεροδρόμια κλπ.
Γραμμικά δεδομένα: Είναι τα δεδομένα με μονοδιάστατο κυρίως χαρακτηριστικό. Αυτά τα φαινόμενα
που περιγράφονται σαν γραμμικά αν και μερικές φορές έχουν πλάτος, η σχετική αναλογία του μήκους ως
18 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
προς το πλάτος (σε σχέση βέβαια με την εκάστοτε ΚΛΙΜΑΚΑ) είναι τέτοια που επιτρέπει να τα
αντιληφθούμε και να τα θεωρήσουμε γραμμή.
Παραδείγματα γραμμικών φαινομένων: Δρόμοι, ποταμοί, όρια κράτους και διοικητικά,
σιδηροδρομικές γραμμές, ακτογραμμή κλπ.
Επιφανειακά δεδομένα: Είναι τα δισδιάστατα δεδομένα που σαν κύριο χαρακτηριστικό τους
γνώρισμα έχουν την επιφανειακή κάλυψη ενός φαινομένου. Το περιεχόμενο των επιφανειακών
δεδομένων είναι αρκετά ευρύ, αναφέρεται δηλαδή και σε συγκεκριμένα αλλά και σε αφηρημένα
δεδομένα.
Παραδείγματα επιφανειακών δεδομένων: Δάση, Τόποι πυκνοκατοικημένοι και αραιοκατοικημένοι,
καλλιέργειες αλλά και εθνικότητα, θρήσκευμα κ.λ.π.
Τρισδιάστατα ή Ογκομετρικά δεδομένα: Είναι τα δεδομένα με τρισδιάστατο περιεχόμενο όπως
καταλαβαίνουμε και από την ονομασία τους. Μπορούν να είναι συγκεκριμένα όπως, ο όγκος της
αγροτικής παραγωγής μιας περιοχής ή ο όγκος των ατόμων που διακινήθηκαν από ένα λιμάνι ή
αφηρημένα όπως η κατανομή εθνικοτήτων ή θρησκευμάτων σε μια πόλη.
Τελειώνοντας στο σημείο αυτό τη διάκριση των γεωγραφικών φαινομένων ως προς τις διαστάσεις
πρέπει να αναφέρουμε τα γεωγραφικά φαινόμενα χωρίζονται ακόμη ως προς την συνέχεια σε συνεχή
(π.χ. βροχόπτωση) και ασυνεχή (π.χ. πόλεις) και ως προς την ομαλότητα σε εξομαλυσμένα (π.χ. η
θερμοκρασία της ατμόσφαιρας) και μη εξομαλυσμένα (π.χ. βιομηχανικές ζώνες).
2.3.2 Διάκριση γεωγραφικών φαινομένων ως προς την ιεράρχησή τους
Αναλόγως με την ιεράρχηση τους τα γεωγραφικά φαινόμενα κατατάσσονται σε τρεις (3) κλίμακες:
1. Ονομαστική κλίμακα (ανάλογα με την ποιοτική διαφοροποίηση).
2. Κλίμακα τάξης (ανάλογα με την λεκτική ποσοτική και ποιοτική ιεράρχηση).
3. Κλίμακα διαστήματος (ανάλογα με την αριθμητική ποσοτική ιεράρχηση).
Ονομαστική κλίμακα: Η συγκεκριμένη κλίμακα απομονώνει τα ουσιαστικά χαρακτηριστικά των
διαφόρων γεωγραφικών φαινομένων και χρησιμοποιεί σαν κριτήριο ιεράρχησης τις ποιοτικές συσχετίσεις
αδιαφορώντας για τις ποσοτικές.
Παραδείγματα ονομαστικής κλίμακας είναι:
i. σημειακά δεδομένα: πόλη, σιδηροδρομική στάση, πυροσβεστικός κρουνός
ii. γραμμικά δεδομένα: όρια κράτους, ακτογραμμή δρόμος (μόνο έτσι χωρίς κανέναν άλλο
διαχωρισμό)
iii. επιφανειακά δεδομένα: δάση, ορυζώνες, χρήσεις γης.
Κλίμακα τάξης: Η κλίμακα αυτή αφενός μεν διαχωρίζει βάσει ονομαστικής κλίμακας τα γεωγραφικά
δεδομένα αφετέρου δε τα διαφοροποιεί και βάση ποσοτικών μετρήσεων που ανάγονται σε τάξη
μεγέθους. Στην κατηγορία αυτή μας ενδιαφέρει μόνο η τάξη μεγέθους καθώς εδώ οι μεταβλητές των
δεδομένων μεταβάλλονται από την μικρότερη στη μεγαλύτερη τιμή χωρίς όμως να γίνεται αναφορά σε
συγκεκριμένη αριθμητική τιμή.
Παραδείγματα κλίμακας τάξης:
i. σημειακά δεδομένα: πρωτεύουσες νομών, επαρχιών,
ii. γραμμικά δεδομένα: Οδικές αρτηρίες βασικές, δευτερεύουσες, σιδηροδρομικές γραμμές απλές,
διπλές,
iii. επιφανειακά δεδομένα: Πυκνοκατοικημένος, αραιο-κατοικημένος τόπος.
19 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Όπως καταλαβαίνουμε ο χρήστης του χάρτη βάσει της κλίμακας τάξης καταλαβαίνει ορισμένα
γεωγραφικά δεδομένα συγκρίνοντας τα με άλλα ότι έχουν μεγαλύτερες ή μικρότερες τιμές αλλά δεν
μπορεί να πάρει ακριβείς πληροφορίας για το μέγεθος διαφοροποίησης.
Κλίμακα διαστήματος: Η κλίμακα αυτή προσθέτει την πληροφορία για το διάστημα (ακριβής τιμή)
μεταξύ των τάξεων μεγέθους στην περιγραφή του είδους και της διαφοροποίησης μεγέθους. Βασική
προϋπόθεση για να χρησιμοποιήσουμε κλίμακα διαστήματος είναι να έχουμε ορίσει προηγουμένως
μονάδα στοιχειώδη με την οποία να μπορέσουμε να εκφράσουμε την ποσότητα της διαφοροποίησης σαν
πολλαπλάσιο της. Για παράδειγμα διαφοροποιούμε τα τριγωνομετρικά σημεία χρησιμοποιώντας ως
μονάδα το μέτρο (m), τις πόλεις χρησιμοποιώντας ως μονάδα τον άνθρωπο, τους δρόμους
χρησιμοποιώντας ως μονάδα το αυτοκίνητο.
Πίνακας 1. Παραδείγματα ταξινόμησης γεωγραφικών φαινομένων ως προς τις διαστάσεις τους και τις κλίμακες ιεράρχησης.
ΙΕΡΑΡΧΗΣΗ
Ονομαστική
Κλίμακα
ΣΗΜΕΙΑΚΑ
ΔΙΑΣΤΑΣΕΙΣ
ΓΡΑΜΜΙΚΑ
Πόλη, εκκλησία, αεροδρόμιο
Δρόμος, ακτογραμμή
Κλίμακα
Τάξης
Μεγάλη πόλη, πρωτεύουσα
νομού
Κύρια λεωφόρος,
βασική οδική
αρτηρία
Κλίμακα
Διαστήματος
Πληθυσμός (αρ. κατοίκων),
υψομετρικό σημείο
Κυκλοφοριακός
φόρτος (αυτοκ. ανά
ώρα)
ΕΠΙΦΑΝΕΙΑΚΑ
Οι κατηγορίες
χρήσεων γης
Εκτάσεις μέτριας,
κακής, κλπ.
Παραγωγής
Ετήσια παραγωγή
(τόνοι)
ΟΓΚΟΜΕΤΡΙΚΑ
Δάσος, βιομηχανική
ζώνη
Μεγάλο δάσος,
μεγάλη βιομηχανική
ζώνη
Όγκος ξυλείας
(κυβικά μέτρα),
βιομηχανική
παραγωγή
Διαδικασία διάκρισης γεωγραφικών φαινομένων
Κάθε πληροφορία μετά το στάδιο της συλλογής της, χωρίζεται ποιοτικά με την ονομαστική κλίμακα, στη
συνέχεια κατατάσσεται σε κάποια τάξη μεγέθους στην οποία διακυμαίνεται με την κλίματα τάξης και
τέλος ορίζεται το συγκεκριμένο μέγεθος της μέσα στην τάξη την οποία βρίσκεται, με την κλίμακα
διαστήματος. Έχει προηγηθεί βέβαια ο διαχωρισμός της πληροφορίας σε σημειακή, γραμμική,
επιφανειακή, τρισδιάστατη και δυναμική.
2.4 Οπτικές Μεταβλητές
Ο αντικειμενικός σκοπός της ύπαρξης των χαρτών είναι η απεικόνιση των γεωγραφικών φαινομένων
στη θέση που έχουν στο φυσικό χώρο. Επειδή όμως τα γεωγραφικά φαινόμενα απεικονίζονται στο χάρτη
με την βοήθεια των γεωγραφικών συμβόλων απαιτείται να γίνονται παραλλαγές και διαφοροποιήσεις
στα σύμβολα αναλόγως με την έννοια των φαινομένων που απεικονίζουν. Αν αναλύσουμε τις παραλλαγές
και διαφοροποιήσεις των συμβόλων θα δούμε ότι αυτές δεν είναι άλλες από αλλαγές σχήματος,
μεγέθους, έντασης, απόχρωσης και προσανατολισμού.
Αυτά τα στοιχεία που όπως καταλαβαίνουμε είναι γραφικής φύσης ονομάζονται ΟΠΤΙΚΕΣ
ΜΕΤΑΒΛΗΤΕΣ στην χαρτογραφία και αποτελούν τη βάση κατασκευής των απείρων συμβόλων που
συναντάμε στους χάρτες.
2.4.1 Χαρακτηριστικά οπτικών μεταβλητών
Τα χαρακτηριστικά κάθε ΟΠΤΙΚΗΣ ΜΕΤΑΒΛΗΤΗΣ είναι τα εξής:
1. Σχήμα
2. Μέγεθος
3. Ένταση
4. Απόχρωση
5. Προσανατολισμός
20 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Σχήμα
Το σχήμα σαν οπτική μεταβλητή ορίζεται από το περίγραμμα του συμβόλου και με αλλαγές αυτού του
περιγράμματος πετυχαίνουμε ποικιλία στα σύμβολα.
ΠΡΟΣΟΧΗ! Δεν πρέπει να γίνει σύγχυση του περιγράμματος του συμβόλου με το περίγραμμα που
προσδιορίζει την έκταση που καταλαμβάνει ένα επιφανειακό φαινόμενο. Με διαφοροποιήσεις στο σχήμα
μπορούμε να πετύχουμε την απεικόνιση διαφορετικών ποιοτικών φαινομένων σημειακών, γραμμικών,
επιφανειακών.
Το κάθε σχήμα παραμένει ίδιο σε όλη την περιοχή που χαρακτηρίζεται από ένα φαινόμενο
συγκεκριμένης ποιοτικής διαφοροποίησης ενώ αντίθετα αλλάζει σε άλλες περιοχές με κριτήριο πάντα την
ποιοτική διαφοροποίηση.
Μέγεθος
Διαφορές μεγεθών συναντώνται είτε σε σημειακά είτε σε γραμμικά προκειμένου να απεικονίσουν
ποσοτικές διαφορές είτε τάξης μεγέθους (κλίμακα τάξης) είτε αριθμητικές (κλίμακα διαστήματος). Η
μεταβολή στο μέγεθος μπορεί να εκφραστεί είτε με την έννοια του μήκους είτε με την έννοια της
επιφάνειας του συμβόλου.
Ένταση
Είναι η σχέση μεταξύ της επιφάνειας που καταλαμβάνεται από λευκό και της επιφάνειας που
καταλαμβάνεται από διαγράμμιση ή από κόκκους. Η σχέση αυτή μεταβάλλεται ανάλογα με τη πυκνότητα
της διαγράμμισης ή των κόκκων ή γενικά ανάλογα με την πυκνότητα των γραφικών στοιχείων που
χρησιμοποιούνται. Η μεταβολή στην ένταση είναι η διαφοροποίηση στην ένταση του φωτός που γίνεται
αντιληπτή από το μάτι σαν τόνοι του γκρι όταν αυτό μεταβάλλεται από άσπρο σε μαύρο. Κάθε επιφάνεια
που αντανακλά κάποια ποσότητα φωτός όσο μικρή και αν είναι αυτή έχει κάποιο τόνο που μετριέται.
Όταν κάνουμε αναφορά στην αίσθηση του τόνου είναι καλύτερα να χρησιμοποιούμε τον όρο ένταση που
προσδιορίζει την κλίμακα του τόνου με βάση τον τρόπο που γίνεται αντιληπτός από το μάτι. Η ένταση σαν
οπτική μεταβλητή στη χαρτογραφία χρησιμοποιείται για συμβολισμό φαινομένων με ποσοτικές διαφορές
είτε κλίμακας τάξης είτε κλίμακα διαστήματος.
Απόχρωση (χρώμα).
Η απόχρωση σαν οπτική μεταβλητή είναι πολύ σημαντική αλλά συνάμα και πολύπλοκη. Συνήθως στη
χαρτογραφία αντί του όρου απόχρωση χρησιμοποιείται ο όρος χρώμα. Το χρώμα είναι η οπτική αίσθηση
του φωτός που προκύπτει από το ερέθισμα των ματιών από ένα τμήμα του ηλεκτρομαγνητικού
φάσματος. Αυτό το ορατό τμήμα αντιστοιχεί στα μήκη τμήματος από 400 - 700 nanometers και οι
συνιστώσες του φωτός όταν περνά μέσα από πρίσμα έχουν την εξής διάταξη: βιολετί, μπλε, πράσινο,
κίτρινο, κόκκινο - πορτοκαλί, μωβ. Η σειρά αυτή παίζει σημαντικό ρόλο στη χαρτογραφία.
Η περιγραφή του χρώματος γίνεται με τον προσδιορισμό των ακολούθων τριών χαρακτηριστικών που
αναφέρονται ως διαστάσεις του χρώματος:
i. η χροιά ή τόνος ή απόχρωση,
ii. η ένταση,
iii. η καθαρότητα ή βαθμός κόρου.
Απόχρωση ή χροιά είναι η ιδιότητα του χρώματος που συνδέεται με τις διαφορές μήκους κύματος.
Αναφέρεται δηλαδή στη φασματική σύνθεση του χρώματος. Πρωτεύουσες αποχρώσεις η μπλε, η πράσινη
και η κόκκινη. Όλα τα άλλα χρώματα με συνδυασμό αυτών των χρωμάτων.
Ένταση είναι η διάσταση του χρώματος που προσδιορίζει κατά πόσο φωτεινό ή σκοτεινό είναι ένα
χρώμα.
21 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Βαθμός κόρου είναι η τρίτη διάσταση του χρώματος που περιγράφει την καθαρότητα ή γνησιότητα
ενός χρώματος. Το χρώμα χρησιμοποιείται σε όλες τις κατηγορίες συμβόλων (σημειακά, γραμμικά,
επιφανειακά) και με την διαφοροποίησή του πετυχαίνεται η απεικόνιση ποιοτικών διαφορών.
Προσανατολισμός
Με τον προσανατολισμό εκφράζονται διαφορές των ίδιων συμβόλων μόνο με αλλαγή του. Αυτή η
μεταβλητή μπορεί να χρησιμοποιηθεί μόνο σε γραφικά στοιχεία ή γραμμικά σύμβολα πράγμα που
περιορίζει αισθητά τις δυνατότητές της. Χρησιμεύει για να αποδώσει ποιοτικές διαφορές γεωγραφικών
φαινομένων. Εδώ πρέπει να τονισθεί ότι είναι η μοναδική μεταβλητή που μπορεί να πετύχει
ΑΠΟΤΕΛΕΣΜΑΤΙΚΗ απεικόνιση όλων των δυναμικών φαινομένων.
2.5 Μαθηματική χαρτογραφία
Η μαθηματική Χαρτογραφία σαν κλάδος της Χαρτογραφίας ασχολείται με το μαθηματικό
κατασκευαστικό μέρος του χάρτη και κυρίως με την μελέτη των χαρτογραφικών απεικονίσεων και
προβολών. Η Μαθηματική Χαρτογραφία έχει:
i. θεωρητικό μέρος που ασχολείται με τη διερεύνηση των μεθόδων με τη χρήση των οποίων η
επιφάνεια της γης μπορεί να απεικονισθεί στο επίπεδο και
ii. πρακτικό μέρος που περιλαμβάνει υπολογισμούς μετρήσεις και τρόπους κατασκευής μιας
απεικόνισης που αποτελεί το υπόβαθρο του χάρτη.
Η γνώμη του ανθρώπου για το σχήμα και το μέγεθος της γης προέρχεται από:
i. γεωδαιτικές μετρήσεις και
ii. αστρονομικές μεθόδους.
Το μαθηματικό μοντέλο που μπορεί να αποδώσει ικανοποιητικά τη γη είναι ένα ελλειψοειδές εκ
περιστροφής πεπλατυσμένο κατά τους πόλους.
Η πιο απλή μαθηματική επιφάνεια που προσεγγίζει -δυστυχώς όχι με μεγάλη ακρίβεια- το σχήμα της
γης είναι η σφαίρα.
Η πιο γνωστή μέθοδος αναφοράς της θέσης ενός σημείου πάνω στην επιφάνεια της γης είναι η
μέθοδος των γεωγραφικών συντεταγμένων.
Οι γεωγραφικές συντεταγμένες είναι το γεωγραφικό πλάτος φ, και το γεωγραφικό μήκος λ. Είναι
γωνιακά μεγέθη και αποτελούν το ΣΥΣΤΗΜΑ ΓΕΩΓΡΑΦΙΚΩΝ ΣΥΝΤΕΤΑΓΜΕΝΩΝ.
2.5.1 Γεωγραφικές συντεταγμένες
Αν θεωρήσουμε τη γη σαν μια σφαίρα έχουμε τους ακόλουθους ορισμούς για το γεωγραφικό πλάτος
και μήκος.
ΓΕΩΓΡΑΦΙΚΟ ΜΗΚΟΣ (λ)
Γεωγραφικό μήκος ενός σημείου Ρ στην επιφάνεια της γης είναι ή γωνία που σχηματίζει το επίπεδο
ενός αυθαίρετα επιλεγμένου μέγιστου κύκλου που περιέχει τον άξονα περιστροφής της γης, με το
επίπεδο που περιέχει τον άξονα περιστροφής και το σημείο. Η γωνία αυτή μετριέται στο μέγιστο κύκλο το
επίπεδο του οποίου είναι κάθετο στον άξονα περιστροφής της γης και λέγεται ισημερινός της γης, ενώ οι
μέγιστοι κύκλοι τα επίπεδα των οποίων περιέχουν τον άξονα περιστροφής και προφανώς είναι κάθετοι
στον ισημερινό λέγονται μεσημβρινοί της γήινης σφαίρας. Από τους μεσημβρινούς ο αυθαίρετα
επιλεγμένος από τον οποίο μετριέται η συντεταγμένη λ ονομάζεται μηδενικός μεσημβρινός ή
μεσημβρινός αναφοράς (μεσημβρινός GREENWICH).
Το γεωγραφικό μήκος μεταβάλλεται από 0 - 180 μοίρες ανατολικά οπότε προσημαίνεται θετικά και
από 0 - 180 μοίρες Δυτικά οπότε προσημαίνεται αρνητικά.
22 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ΓΕΩΓΡΑΦΙΚΟ ΠΛΑΤΟΣ (φ)
Αν θεωρήσουμε σημείο Ρ στην επιφάνεια της γης γεωγραφικό πλάτος του είναι η γωνία που σχηματίζει
το επίπεδο του ισημερινού με την ακτίνα από το κέντρο της σφαίρας στο σημείο Ρ και η οποία μετριέται
πάνω στο μεσημβρινό που περνάει από το Ρ.
Εικόνα 3. Καθορισμός γεωγραφικού μήκους (λ) και γεωγραφικού πλάτους (φ)
Το γεωγραφικό πλάτος (φ) μεταβάλλεται από 0 - 90 μοίρες Βόρεια και από 0 - 90 μοίρες Νότια. Στους
υπολογισμούς όπου υπεισέρχεται το γεωγραφικό πλάτος παίρνει θετικό πρόσημο (+) όταν είναι Βόρειο
και αρνητικό πρόσημο (-) όταν είναι Νότιο.
2.5.2 Χαρτογραφικές απεικονίσεις
Η συστηματική διαδικασία μεταφοράς του πλέγματος των μεσημβρινών και παραλλήλων δηλαδή του
γεωγραφικό καννάβου στο επίπεδο, έτσι ώστε τα σημεία του καννάβου στη γήινη σφαίρα να βρίσκονται
σε σχέση αμφιμονοσήμαντης αντιστοιχίας με εκείνα του επιπέδου, λέγε ται χαρτογραφική απεικόνιση.
Απαραίτητη αρχή σε κάθε απεικόνιση είναι η ύπαρξη παραμορφώσεων. Δεδομένου ότι τόσο το
σφαιροειδές όσο και η σφαίρα δεν είναι αναπτυκτές επιφάνειες είναι αδύνατον η απεικόνισή τους στο
επίπεδο να μη δημιουργήσει παραμορφώσεις.
Οι απεικονίσεις κατηγοριοποιούνται ανάλογα με τα κριτήρια που θα επιλεγούν για το διαχωρισμό.
 Αναλόγως με την επιφάνεια στην οποία γίνεται η απεικόνιση χωρίζονται σε:
i. επίπεδες ή αζιμουθιακές απεικονίσεις
ii. κυλινδρικές απεικονίσεις
iii. Κωνικές απεικονίσεις.
 Αναλόγως με τη θέση του άξονα της σφαίρας σε σχέση με τον άξονα της επιφάνειας προβολής σε:
i. Ορθές απεικονίσεις όταν οι δύο άξονες παράλληλοι.
ii. Εγκάρσιες απεικονίσεις όταν ο άξονας της επιφάνειας προβολής είναι κάθετος στον άξονα της
σφαίρας.
iii. Πλάγιες απεικονίσεις όταν οι δύο άξονες τέμνονται υπό γωνία διαφορετική.
 Αναλόγως με τα γεωμετρικά στοιχεία που διατηρούν αναλλοίωτα σε:
i. Σύμμορφες που διατηρούν αναλλοίωτες τις γωνίες και τις μορφές
23 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ii. Ισοδύναμες εκείνες που διατηρούν αναλλοίωτα τα εμβαδά και
iii. Ισαπέχουσες εκείνες που διατηρούν αναλλοίωτα τα μήκη των αποστάσεων.
Μια σύμμορφη απεικόνιση δεν μπορεί να είναι συγχρόνως και ισοδύναμη και αντίστροφα ενώ αντίθετα
μια ισαπέχουσα μπορεί να είναι σύμμορφη ή ισοδύναμη.
Πρέπει να γνωρίζουμε ότι η επιλογή της απεικόνισης που θα χρησιμοποιήσουμε είναι άμεση συνάρτηση
των ιδιοτήτων της σε σχέση με το σκοπό που θα εξυπηρετήσει ο χάρτης.
Σε τοπογραφικούς, ναυτιλιακούς και γενικότερα για χάρτες με γεωμετρικές ιδιότητες χρησιμοποιούνται
σύμμορφες απεικονίσεις ενώ αντίθετα για θεματικούς χάρτες που πρωτίστως μας ενδιαφέρει η
διατήρηση των εμβαδών χρησιμοποιούνται ισοδύναμες απεικονίσεις.
Εικόνα 5. Κατηγορίες απεικονίσεων με
κριτήριο τη θέση του άξονα της σφαίρας σε
σχέση με τον άξονα της επιφάνειας προβολής
Εικόνα 4. Κατηγορίες απεικονίσεων με κριτήριο
την επιφάνεια στην οποία γίνεται η απεικόνιση
24 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
2.6 Γενίκευση
Η γενίκευση είναι η διαδικασία που χρησιμοποιεί τους χειρισμούς εκείνους που κατηγοριοποιούν και
κατατάσσουν ομάδες δεδομένων και εξαλείφουν οπτικές πολυπλοκότητες με απλοποίηση των
περιγραμμάτων έτσι ώστε να μπορέσουμε να κατανοήσουμε διάφορα φαινόμενα της πραγματικότητας
μέσω του χάρτη ύστερα από την απαιτούμενη σμίκρυνση.
Υπάρχουν δύο πρωταρχικές αντικειμενικότητες για τη χαρτογραφική γενίκευση.
• Η μια είναι να εφαρμοστεί η πληροφορία στη χωρητικότητα που προσφέρει ο χάρτης για
απεικόνιση στη συγκεκριμένη κλίμακα.
• Η δεύτερη είναι ότι δεδομένου ότι τα διάφορα σύμβολα καταλαμβάνουν κάποιο χώρο στο χάρτη,
όσο η κλίμακα του χάρτη γίνεται μικρότερη τόσο λιγότερα δεδομένα μπορούν να απεικονιστούν.
2.6.1 Διαδικασίες γενίκευσης
Οι διαδικασίες που περιλαμβάνει η γενίκευση είναι οι εξής:
1. Απλοποίηση
3. Συμβολισμός
2. Κατηγοριοποίηση
4. Επαγωγή
Απλοποίηση. Περιλαμβάνει:
• Καθορισμό σημαντικών χαρακτηριστικών
• Εξάλειψη ανεπιθύμητων λεπτομερειών
• Υπερτονισμό σημαντικών χαρακτηριστικών
25 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Κατηγοριοποίηση
Τοποθέτηση κατά σειρά ή κλίμακα και ομαδοποίηση των δεδομένων. Η κατηγοριοποίηση είναι μια
διανοητική διαδικασία της γενίκευσης που αποσκοπεί στην ομαδοποίηση των δεδομένων με σκοπό να
αναδειχθεί η απλότητα ή πολυπλοκότητα των διαφόρων ή του μεγέθους της πληροφορίας.
Διαφοροποιείται από την απλοποίηση γιατί στη θέση της αφαίρεσης των δεδομένων η κατηγοριοποίηση
χρησιμοποιεί την τυποποίησή τους.
Οι διαδικασίες είναι οι ακόλουθες:
i. Η συνάθροιση των ποιοτικά όμοιων φαινομένων σε κατηγορίες και
ii. Η επιλογή της θέσης και η τροποποίηση του στοιχειώδους δεδομένου έτσι ώστε σ’ αυτή τη θέση
να δημιουργείται ένα «τυπικό» στοιχειώδες δεδομένο προς απεικόνιση στο χάρτη.
Η σημαντικότερη μέθοδος κατηγοριοποίησης είναι η ομαδοποίηση.
Συμβολισμός
Κωδικοποίηση με γραφικό τρόπο των ιεραρχημένων ή και ομαδοποιημένων χαρακτηριστικών.
Η διαδικασία είναι η πλέον κρίσιμη για την επιτυχία οποιουδήποτε χάρτη. Μια επιτυχημένη
απλοποίηση και κατηγοριοποίηση μπορεί να εκμηδενιστεί από φτωχό συμβολισμό και από την άλλα
καλός εμπλουτίζει την αποτελεσματικότητά τους.
Επαγωγή
Είναι η διαδικασία που χρησιμοποιεί τη λογική εξαγωγής συμπεράσματος. Ο βαθμός με τον οποίο
εξαντλείται κάθε μία από αυτές τις διαδικασίες της γενίκευσης λέγεται βαθμός γενίκευσης.
2.6.2 Βαθμοί γενίκευσης
Οι βαθμοί γενίκευσης είναι:
i. αντικειμενικότητα δηλαδή ο σκοπός του χάρτη
ii. κλίμακα, δηλαδή αναλογία ανάμεσα στο χάρτη και την Γη
iii. γραφικοί περιορισμοί δηλαδή, ικανότητα συμβόλων επικοινωνίας
iv. ποιότητα δεδομένων, δηλαδή αξιοπιστία και ακρίβεια των διαφόρων ειδών δεδομένων.
2.6.3 Διαδικασία εφαρμογής γενίκευσης
Τα αναφερθέντα στάδια της γενίκευσης κάνουν έντονα φανερό τον υποκειμενικό χαρακτήρα που
εμφανίζει η διαδικασία της γενίκευσης. Η επόμενη εικόνα δείχνει την πραγματική αυτή διαπίστωση.
Συγκρίνοντας τμήμα της ίδιας περιοχής του Δέλτα του Νείλου από τέσσερις άτλαντες ίδιας κλίμακας (1 :
5.000.000) φαίνεται ότι σε κάθε χάρτη έχουν επιλεγεί να εμφανισθούν διαφορετικοί κλάδοι της
πολυσχιδούς ροής του ποταμού ανάλογα με την υποκειμενικότητα της γενίκευσης, της αναπαράστασης
δηλαδή, μέσα από τους κανόνες και περιορισμούς του κάθε χάρτη, της πραγματικότητας.
26 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικόνα 6. Παρουσίαση περιοχής του Δέλτα του Νείλου από τέσσερις διαφορετικούς άτλαντες. (α) Atlas Jeune
Afrique (β) Alexander Weltatlas (γ) Atlas of Africa (δ) Times World Atlas
2.7 Πρακτικοί κανόνες χαρτοσύνθεσης
Στοιχεία – συστατικά ενός χάρτη
Ι. Βασικά - απαραίτητα
• Η εικόνα (μία ή περισσότερες)
• Η κλίμακα (αριθμητική ή / και γραφική)
• Ο τίτλος
• Το υπόμνημα
• Σύμβολο βορρά – προσανατολισμού
• Χαρτογραφική προβολή
• Κάνναβος (γεωγραφικός ή τετραγωνισμού)
ΙΙ. Δευτερεύοντα
• Πλαίσιο
• Περιθώριο
• Μετα – δεδομένα
• Ονόματα χαρακτηριστικών που απεικονίζονται (ετικέτες)
• Ονόματα “συγγραφέων” – συντάκτες χάρτη
ΙΙΙ. Επί πλέον συστατικά σε χαρτοσύνθεση (layout)
• Διαγράμματα
• Πίνακες
• Κείμενο – αναφορές
27 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
28 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
29 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
3.
ΧΕΙΡΙΣΜΟΣ ΔΕΔΟΜΕΝΩΝ
3.1 Τεχνικές χειρισμού
Αυτό η ενότητα περιγράφει τις λειτουργίες πολλαπλής ανάλυσης και τις λειτουργίες επεξεργασίας των
δεδομένων που μπορούν να εκτελεσθούν σε χωρικά αυτοματοποιημένα δεδομένα. Μέσο αυτής της
παραγράφου γίνεται περίληψη της πραγματικής λειτουργίας και συσχετίζεται με μια γραφική
αναπαράσταση πως κάθε λειτουργία εκτελείται εννοιολογικά. Δεν έχει γίνει καμία απόπειρα περιγραφή
αυτών των λειτουργιών με λεπτομέρειες αφού τα διάφορα συστήματα software (GIS) πλησιάζουν στη
λύση χρησιμοποιώντας εναλλακτικούς τύπους αλγόριθμων. Αντίθετα δίνεται έμφαση στον καθορισμό των
πραγματικών λειτουργιών που εκτελούνται. Πρέπει να αναφέρουμε ότι αυτές οι περιγραφές γίνονται
παραστατικά και όχι περιεκτικά.
Οι ιδιότητες χειρισμού δεδομένων ενός GIS επιτρέπουν στο χρήστη:
• Να ενώνει διάφορα αρχεία δεδομένων μέσω κοινών πεδίων - κλειδιών και να χειρίζεται το
αποτέλεσμα της ένωσης σαν μια μονάδα για όλες τις επεξεργασίας υπό μορφή πίνακα
συμπεριλαμβανομένου και την είσοδο των δεδομένων, την ανάλυση και την δημιουργία
αναφορών (reports).
• Να ταξινομεί αρχεία με παραπάνω από τέσσερα πεδία κλειδιά.
• Να ανακτά επιλεκτικά εγγραφές που βασίζονται σε ένα Boolean (λογικό) συνδυασμό
περιγραφικών στοιχείων. Οι διαθέσιμοι λογικοί τελεστές (Boolean operators) περιλαμβάνουν τους:
AND, OR, XOR, EQ, GT, GE, CN (περιέχει string), NC (δεν περιέχει string). Σύνθετες εκφράσεις
μπορούν να φτιαχτούν χρησιμοποιώντας μια συλλογή από δεξιές και αριστερές παρενθέσεις.
• Να υπολογίζει αυτόματα τιμές νέων ή ήδη υπαρχόντων πεδίων με αριθμητικές εκφράσεις ή με
έρευνα σε πίνακες με αρχεία συσχέτισης (οι αριθμητικοί τελεστές περιλαμβάνουν τα x, -, /, *, **,
LN, WIDTH, για σειρές χαρακτήρων και δεξιά και αριστερή παρένθεση)
• Να τροποποιεί τη Βάση Δεδομένων προσθέτοντας ή μετακινώντας αρχεία ή πεδία μέσα σε πεδία.
• Να κάνει περίληψη πεδίων καθορισμένων από το χρήστη.
• Να χρησιμοποιεί ένα υπάρχον αρχείο σαν κλειδί για να προσθέτει νέα πεδία και να επεκτείνει ένα
υπάρχον αρχείο δεδομένων. Μεταβλητές από ένα συνδεδεμένο αρχείο μπορούν να
χρησιμοποιηθούν για την εκτέλεση αυτής της λειτουργίας.
• Να θέτει συντεταγμένες (co-ordinates) για κάποιο σημείο.
3.2 ΑΝΑΚΤΗΣΗ ΔΕΔΟΜΕΝΩΝ
Αυτή η σειρά από τεχνικές συμπεριλαμβάνει την βασική εξαγωγή, ερωτήματα (query) και λογικούς
χειρισμούς των πληροφοριών που περιέχονται σε ένα οργανωμένο γεωγραφικό σύστημα πληροφοριών.
Στην Εικόνα 7 φαίνονται οι παρακάτω λειτουργίες ανάκτησης δεδομένων:
Browsing (ξεφύλλισμα)
Αυτή η εργασία αποτελείται από την εγκατάσταση - χρήση μιας οθόνης (CRT) και την έρευνα σε
γραφικά και μη γραφικά αρχεία δεδομένων που συνδέονται με ποικίλους χάρτες και ομάδες από χάρτες.
Windowing
Αυτή η λειτουργία χρησιμοποιείται για ιδιότητά της να επιτρέπει στο χρήστη να καθορίζει ακριβή
παράθυρα (είτε με τη χρήση x, y συντεταγμένων είτε με γραπτές πληροφορίες). Η διαχείριση χωρικών
βάσεων δεδομένων χρησιμοποιείται για την οργάνωση επιπέδων χαρτών σε κάποιες μορφές τμηματικής
30 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
σχεσιακής δομής αφήνοντας έτσι την αίσθηση στον χρήστη ενός συνεχούς χάρτη που περιέχεται μέσα
στον υπολογιστή.
Δημιουργία Query Window (παράθυρο ερωτημάτων)
Αυτή η λειτουργία περιλαμβάνει την ικανότητα να δημιουργεί σημεία, ακαθόριστου σχήματος
πολύγωνα, τετράγωνα, κύκλους και διαδρόμους για (μέσω ερωταποκρίσεων) επίθεση (overlay) με
επίπεδα δεδομένων που περιέχονται σε ένα γεωγραφικό αρχείο. Αυτά τα παράθυρα χρησιμοποιούνται
τυπικά για να εκτελέσουν χωρική (μέσω συντεταγμένων) ανάκτηση συντεταγμένων σημείων, γραμμών και
πολυγώνων από ποικίλα επίπεδα χαρτών (map layers) που συμπίπτουν στο χώρο με τα δημιουργημένα
Query window. Τρεις τεχνικές χρησιμοποιούνται για την εξαγωγή πληροφοριών από layers που
συνδέονται με τα δημιουργημένα query window. Αυτές είναι:
• Adjacency analysis (γειτονική ανάλυση) (όπως η επιλογή όλων των σημείων, γραμμών ή
πολυγώνων που πέφτουν εξολοκλήρου ή μερικώς μέσα σε ένα query window).
• Επίθεση πολυγώνου (όπως η επιλογή μόνο των τμημάτων αυτών των γεωγραφικών
οντοτήτων οι οποίες πέφτουν μέσα στα όρια του πολυγώνου του query window). Στην περίπτωση
αυτή που όλες οι γραμμές όπως και τα μέρη του πολυγώνου που πέφτουν έξω από το query
window κόβονται μέσω της διαδικασίας της επίθεσης πολυγώνων. Αυτά τα query windows
χρησιμοποιούνται χαρακτηριστικά όταν κάνουμε ερωτήσεις του είδους «Δώσε μου όλα τα
πολύγωνα συγκομιδής ξυλείας που πέφτουν μέσα στο query window ‘Α’ (ένα καθορισμένο από το
χρήστη πολύγωνο)».
Ερωτήσεις χωρικής ανάλυσης σε πολλαπλά χαρτογραφικά επίπεδα
Συχνά οι ερωτήσεις χωρικής ανάλυσης (όπως περιγράφθηκε παραπάνω), διεξάγονται πάνω σε όρια
πολλαπλών χαρτογραφικών επιπέδων (map sheet). Για το λόγο αυτό το πρόγραμμα ανάκτησης
δεδομένων πρέπει να έχει την ικανότητα να δημιουργεί ένα πολύγωνο που απλώνεται διαμέσου των
ορίων του map sheet, εξάγει αυτά τα τμήματα του map sheet που είναι σχετικό με το query window και
οργανώνει αυτόματα τα στοιχειώδεις δεδομένα του χάρτη μέσα σε ένα συνεχές window. Αυτό γίνεται
χαρακτηριστικά σε ένα ή περισσότερα βήματα στα υπάρχοντα λογισμικά.
Λογική ανάκτηση περιγραφικών στοιχείων και στατιστική περίληψη
Αυτή η λειτουργία περιλαμβάνει την ικανότητα να καθορίζει ποικίλα κριτήρια λογικού τύπου για την
εξαγωγή πληροφοριών που βασίζεται σε μη γραφικά περιγραφικά δεδομένα. Ένα παράδειγμα είναι:
«Δώσε όλα τα πολύγωνα συγκεκριμένου τύπου εδάφους εμβαδού μεγαλύτερου από 500 στρέμματα,
επίσης εμφάνισε κάποια στατιστικά μεγέθη όπως εμβαδόν και περίμετρο κάθε πολυγώνου, συνολικό
εμβαδόν όλων των πολυγώνων.
31 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικόνα 7. Επεξεργασίες ανάκτησης δεδομένων
Πρέπει να σημειωθεί ότι οι περισσότεροι χρήστες που έχουν αυτού του είδους τις απαιτήσεις εκτιμούν
ιδιαίτερα να είναι δυνατό να καθοδηγούν τέτοιου είδους ερωτήσεις χρησιμοποιώντας και παράθυρο στην
οθόνη και την περιγραφική ερώτηση. Ένα παράδειγμα είναι: «Δώσε όλα τα πολύγωνα που πέφτουν μέσα
σε συγκεκριμένο παράθυρο τα οποία είναι συγκεκριμένου τύπου βλάστησης και μεγαλύτερα από ένα
συγκεκριμένο μέγεθος». Το αποτέλεσμα μιας τέτοιας έρευνας βγαίνει γραφικά στην οθόνη, τυπώνεται σε
αλφαριθμητική τιμή σε μια μονάδα hard copy και αν είναι επιθυμητό σχεδιάζεται σε ένα plotter.
3.3 Γενίκευση χάρτη
Η Εικόνα 8 αναφέρεται σε τέσσερις βασικούς τύπους γενίκευσης χάρτη. Αυτοί οι τύπου των τεχνικών
γενίκευσης χρησιμοποιούνται τις περισσότερες φορές όταν οι κλίμακες του χάρτη αλλάζουν.
Περιγράφονται παρακάτω:
Μείωση συντεταγμένων γραμμών
Είναι μια τεχνική για τη μείωση του αριθμού των συντεταγμένων (χ,ψ) που καθορίζουν μια
συγκεκριμένη γραμμή
Μείωση συντεταγμένων πλευρών πολυγώνου (Λέπτυνση πολυγώνου)
Αυτή είναι μια παρόμοια εργασία με τη μείωση συντεταγμένων που καθορίζουν μια γραμμή μόνο που
το πρόβλημα είναι πιο πολύπλοκο. Όταν διεξάγεται ‘η λέπτυνση’ του πολυγώνου vertices (vertex: τμήμα
τόξου μεταξύ δύο διαδοχικών ψηφιοποιούμενων σημείων) που εξαφανίζονται για ένα πολύγωνο πρέπει
να εξαφανισθούν και στα γειτονικά πολύγωνα. Διαφορετικά οι γραμμές που είναι κοινές και στα δυο
πολύγωνα έχουν λάθη sliver, κενά και επικαλύψεις εξ αιτίας ακριβώς αυτής της αδιάκριτης επιλογής των
vertices που παραλείπονται.
Αφαίρεση γραμμής (dropline) και ανακατάταξη πολυγώνων
Αυτή είναι μια τεχνική με την οποία το όριο ενός πολυγώνου που διαχωρίζει δυο πολύγωνα με
παρόμοια χαρακτηριστικά μπορεί να αποκοπεί και τα τμήματα της γραμμής που παραμένουν τα οποία
έφτιαχναν τα προηγούμενα ξεχωριστά πολύγωνα ξαναενώνονται για να σχηματίσουν μια καινούργια
μονάδα πολυγώνου. Αυτή η νέα μονάδα αποτελεί την περιοχή των δύο προηγούμενων ξεχωριστών
32 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
πολυγώνων. Αυτή είναι μια τεχνική που χρησιμοποιείται συχνά στην Ολοκληρωμένη Χαρτογράφηση
Μονάδας Επιφάνειας (Integrated Terrain Unit Mapping) όπου πολλαπλά περιγραφικά στοιχεία δίνονται
σε κάθε πολύγωνο και επίσης δίνονται όταν μεμονωμένοι χάρτες χρειάζονται για εξαγωγή από τη βάση
δεδομένων. Για να επιταχύνουμε αυτή τη λειτουργία γίνεται συνήθως ένας έλεγχος στη δεξιά και
αριστερή πλευρά κάθε τμήματος γραμμής πολυγώνου για να καθορίσει πια τμήματα της γραμμής θα
αποκοπούν.
Συνδυασμός (ένωση) άκρων (Edgematching)
Ο συνδυασμός άκρων αποτελείται από μια σειρά διαδικασίες για τη συνένωση αριθμού διαδοχικών
φύλλων χαρτών και ο συνδυασμός τους σε ένα συνεχές χάρτη. Στα προβλήματα που θέλουν λύση
περιλαμβάνονται: ένωση γραμμών και πολυγώνων από γειτονικούς χάρτες, συνδυασμός των ορίων
μεταξύ των χαρτών, διαγραφή των γραμμών που χωρίζουν πολύγωνα με τα ίδια χαρακτηριστικά, κλπ. Εδώ
πρέπει να τονισθεί ότι αν και οι τεχνικές αυτοματοποίησης είναι χρήσιμες για αυτή την εργασία, βασικά
λάθη που εμφανίζονται στο χαρτογραφικό χειρόγραφο που εισάγεται στο σύστημα είναι συχνά η πηγή
μεγάλων προβλημάτων κατά τη δημιουργία καθαρής ένωσης των άκρων.
3.4 Map abstraction
Εικόνα 8. Διαδικασίες γενίκευσης χάρτη
Η κατηγορία αυτή επεξεργασιών συνδέεται στενά με τη γενίκευση του χάρτη αλλά περιλαμβάνει πέντε
διαφορετικές μορφές επεξεργασιών που περιλαμβάνουν και χωρικές στατιστικές αναλύσεις. Αυτές
παρίστανται γραφικά στην Εικόνα 9 και είναι οι εξής:
33 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
•
•
•
•
•
Υπολογισμός centroids
Αυτόματη χάραξη ισοσταθμικών καμπυλών (contouring) από τυχαίως κατανεμημένα στο χώρο
δεδομένα.
Proximal mapping (κατασκευή πολυγώνων Thiessen)
Μετατροπή συντεταγμένων χ, ψ σημειακών θέσεων σε ένα μη κανονικό δίκτυο τριγωνισμού.
Μετατροπή συντεταγμένων χ, ψ σημειακών θέσεων σε κανονικό και ομοιόμορφο πλέγμα.
3.5 Χειρισμός χαρτογραφικών επιπέδων
Η Εικόνα 10 απεικονίζει μια σειρά τεχνικών που χειρίζονται τις συντεταγμένες χ, ψ για ένα ορισμένο
επίπεδο χάρτου. Αυτές είναι οι ακόλουθες:
• Αλλαγή κλίμακας
• Αφαίρεση Παραμόρφωσης
• Αλλαγές προβολών
• Περιστροφή και μετατροπή συντεταγμένων
3.6 Δημιουργία ζωνών επιρροής (buffer)
Η δημιουργία ζωνών επιρροής περιλαμβάνει τη δημιουργία νέων πολυγώνων από σημεία, νέων
γραμμών και νέων πολυγώνων (βλ. Εικόνα 11). Από ένα σημείο μπορεί να σχηματισθεί τετράγωνο ή
κύκλος ορίζοντας μια ζώνη επιρροής. Ομοίως γύρω από μια σειρά σημείων μπορεί να υπολογισθούν
στενές ή φαρδιές ζώνες και στην περίπτωση που αυτές οι ζώνες επικαλύπτονται σχηματίζονται νέα
πολύγωνα. Πολυγωνικές ζώνες επιρροής μπορεί να δημιουργηθούν τριγύρω από τις εξωτερικές
περιμέτρους ενός υπάρχοντος πολυγώνου, καθώς επίσης και στο εσωτερικό πολυγώνου.
3.7 Επίθεση και σχηματισμός νέων πολυγώνων
Οι τεχνικές επίθεσης (overlay) και κατάργησης (dissolve) πολυγώνων περιλαμβάνουν την σύνθεση
(ολοκλήρωση) ή εξαγωγή δύο ή περισσοτέρων χαρτών προκειμένου να δημιουργηθεί μια νέα σειρά
δεδομένων. Στην Εικόνα 12 φαίνονται αυτές οι τεχνικές που αναλυτικά είναι οι εξής:
Εικόνα 9. Διαδικασίες χωρικής στατιστικής επεξεργασίας
34 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικόνα 10. Τεχνικές χειρισμού χαρτογραφικών επιπέδων
Εικόνα 11. Δημιουργία ζωνών επιρροής
35 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Επίθεση πολυγώνων για την δημιουργία νέων αρχείων
Στην περίπτωση της επικάλυψης πολυγώνου, μια νέα σειρά δεδομένων δημιουργείται, που περιέχει
νέα πολύγωνα που δημιουργήθηκαν από διασταύρωση των ορίων δύο ή περισσοτέρων ξεχωριστών
επιπέδων πολυγώνων. Τα νέα αυτά πολύγωνα έχουν πολλαπλές ιδιότητες, δηλαδή τις ιδιότητες ενός
εκάστου επιπέδου από την επίθεση των οποίων προήλθαν. Η μαθηματική έκφραση της επίθεσης
εκτελείται με στόχο υπολογισμό επιφανειών και μετρήσεων αλλά και ασκήσεις μοντελοποίησης ποικίλων
παραμέτρων. Εδώ περιλαμβάνεται η απόδοση βαρύτητας σε διάφορες ιδιότητες και η ταξινόμησή τους σε
νέες κατηγορίες. Παράδειγμα αποτελεί ο υπολογισμός περιοχών γαιοϊκανότητας ή καταλληλότητας για
συγκεκριμένες χρήσεις γης.
Συνένωση - άθροισμα χαρτών (map aggregation)
Οι λειτουργίες dissolve (‘διάλυσης’) ενός χάρτη περιλαμβάνουν αντίστροφες διαδικασίες από αυτές της
επίθεσης χαρτών. Είναι η ιδιότητα να εξάγονται μεμονωμένες ιδιότητες από ένα, πολλών ιδιοτήτων,
πολυγωνικό αρχείο μέσω κριτηρίων επιλογής που αφορούν περιγραφικές ιδιότητες ή χωρικά στοιχεία. Η
dissolve διαδικασία είναι ίδια με την αφαίρεση γραμμών που μπορεί να γίνει γραφικά (η γραμμή
διαγράφεται μόνο στον παραγόμενο χάρτη ή με πραγματική μετατροπή του αρχείου διαγράφοντας τις
συντεταγμένες των τμημάτων των γραμμών που χωρίζουν τα πολύγωνα.
Επίθεση πολυγώνων για υπολογισμό επιφάνειας
Ένας δεύτερος τύπος πολυγωνικής επίθεσης εφαρμόζεται συχνά όταν πρέπει να υπολογισθούν οι
εκτάσεις για ένα συγκεκριμένο επίπεδο (layer), π.χ. χρήσεις γης μέσα σ’ ένα άλλο πολυγωνικό επίπεδο,
π.χ. κατηγορίες εδαφών. Το αποτέλεσμα είναι εμφάνιση (στατιστικά νούμερα ή και χαρτογραφικά
αποτελέσματα στο τέλος) εκτάσεων κατηγοριών χρήσεων γης ανά κατηγορία εδάφους.
3.8 Μετρήσεις
Οι τέσσερις πιο κοινοί τύποι μετρήσεων περιλαμβάνουν μετρήσεις σημείων, γραμμών, πολυγώνων και
όγκων. Παρουσιάζονται στην Εικόνα 13 και αναλυτικά είναι:
Σημεία
Οι δύο βασικές μετρήσεις συνδεδεμένες με σημεία είναι η μέτρηση συνολικού αριθμού σημείων και η
μέτρηση συνολικού αριθμού σημείων που βρίσκονται μέσα σε συγκεκριμένα πολύγωνα. Η μετέπειτα
τεχνική περιλαμβάνει τη χρήση ρουτίνας σημείου μέσα σε πολύγωνο ‘point-in polygon’ που
αποτελεσματικά μετρά τον αριθμό των διαφορετικών ειδών σημείων που υπάρχουν στις συγκεκριμένες
χωρικές ενότητες (π.χ. ιδιότητες δειγμάτων εδάφους σε ορισμένους τύπους εδαφών).
Μετρήσεις Γραμμών
Δύο βασικές μορφές μέτρησης εμφανίζονται: για ευθείες από σημείο σε σημείο και μετρήσεις σε
καμπυλόγραμμη γραμμή.
Μετρήσεις περιοχών
Δύο είδη μετρήσεων: Εκταση πολυγώνου και περίμετρος πολυγώνου
Μέτρηση Όγκων
Ογκομετρικές μετρήσεις εκτελούνται είτε κατά μήκος τομών (cross-section) είτε μέσω επιθέσεων
πολλών επιφανειών.
36 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικόνα 12. Διαδικασίες επίθεσης και σχηματισμού νέων πολυγώνων
Εικόνα 13. Διαδικασίες μετρήσεων
3.9 Ανάλυση Πλεγματικών Δεδομένων
Η Εικόνα 14 παρουσιάζει πέντε παραδείγματα βασικών αναλυτικών δραστηριοτήτων που εκτελούνται
κατά τη χρήση δεδομένων πλεγματικών. Αυτές οι τεχνικές είναι παρόμοιες με τους τύπους ανάλυσης που
πραγματοποιούνται σε δομές δεδομένων χ, ψ συντεταγμένων, αλλά έχουν πιο γενικευμένη χωρική
ανάλυση. Πρέπει ακόμη να τονισθεί ότι πλεγματικές μορφές δεδομένων για χειρισμό χαρτών είναι πολύ
πιο αποτελεσματικές στην αποθήκευση δεδομένων όπως και στην εφαρμογή αναλυτικών εργασιών. Αυτό
το πλεονέκτημα μπορεί να μετατραπεί σε μειονέκτημα εάν χρησιμοποιηθούν πλεγματικά δεδομένα
υψηλής ανάλυσης.
Επίθεση πλεγματικού τύπου δεδομένων
Αυτό περιλαμβάνει σύνθεση χαρτών με επίθεση μέσω διαδικασιών λογικού ΄(Boolean) τύπου. Η
διαδικασία περιλαμβάνει μερικές φορές και την απόδοση συντελεστών βαρύτητας σε κάθε χαρτογραφικό
37 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
επίπεδο ώστε το αποτέλεσμα που είναι για κάθε κελί μια ‘σύνθεση’ αριθμητικών δεδομένων να εκφράζει
την εκτίμηση των χρηστών. Το αποτέλεσμα τέλος παρουσιάζεται μέσω computer graphics.
Επίθεση για Υπολογισμό εκτάσεων
Είναι όμοιος τύπος με αυτόν της πολυγωνικής επίθεσης με τη διαφορά ότι χρησιμοποιεί πλεγματική
τεχνική .
Εικόνα 14. Διαδικασίες ανάλυσης πλεγματικών δεδομένων
4.
ΧΩΡΙΚΗ ΠΑΡΕΜΒΟΛΗ
4.1 Γενικά
Χωρική παρεμβολή (interpolation) καλείται η διαδικασία με την οποία προβλέπονται οι τιμές
συγκεκριμένων χαρακτηριστικών σε θέσεις στις οποίες δεν έχει πραγματοποιηθεί δειγματοληψία,
χρησιμοποιώντας τιμές των χαρακτηριστικών αυτών σε σημεία στα οποία υπάρχουν δεδομένα. Η
πρόβλεψη τιμών σε θέσεις έξω από την περιοχή που υπάρχουν παρατηρήσεις καλείται extrapolation.
Η χωρική παρεμβολή χρησιμοποιείται για να μετατρέψει τα δεδομένα από σημειακές παρατηρήσεις σε
συνεχή επιφάνεια και είναι απαραίτητη όταν:
• η υπό μελέτη περιοχή έχει διαφορετικό επίπεδο χωρικής ανάλυσης, μέγεθος κελιού ή
προσανατολισμό από αυτό το οποίο απαιτείται, ή
• όταν μια συνεχής επιφάνεια αναπαριστάται από ένα μοντέλο δεδομένων που είναι διαφορετικό
από αυτό το οποίο απαιτείται, ή
• όταν τα δεδομένα που διαθέτουμε δεν καλύπτουν όλη την περιοχή ενδιαφέροντος (όταν δηλαδή
είναι απλώς δείγματα).
Η λογική βάση της χωρικής παρεμβολής είναι η πολύ κοινή παρατήρηση ότι κατά μέσο όρο, οι τιμές
σημείων που βρίσκονται κοντά είναι πιο πιθανό να είναι παρόμοιες απ΄ ότι των σημείων που βρίσκονται
αρκετά μακριά. Γενικά, δύο σημεία παρατήρησης μερικά μέτρα μακριά είναι περισσότερο πιθανό να
έχουν την ίδια συμπεριφορά σε σχέση με σημεία μερικά χιλιόμετρα μακριά. Η ταξινόμηση είναι μια
δημοφιλής μέθοδος πρόβλεψης τιμών σε θέσεις που δεν διαθέτουμε δεδομένα από υπολογισμούς
μέσων όρων μονάδων χαρτών ή τις κεντρικές έννοιες ταξινομικών κλάσεων. Όταν οι μέσες τιμές των
ιδιοτήτων για «ομοιογενείς» κλάσεις ή τεμάχια γης έχουν υπολογιστεί (π.χ. για μια Συγκεκριμένη
38 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
χαρτογραφική μονάδα ενός γεωλογικού, εδαφικού χάρτη ή χάρτη χρήσης γης), όλες οι πληροφορίες σε
μια μικρής κλίμακας μεταβολή των χαρακτηριστικών έχουν χαθεί. Οι περισσότεροι μέθοδοι χωρικής
παρεμβολής προσπαθούν να χρησιμοποιήσουν αυτές τις τοπικές πληροφορίες για να περιγράψουν
περισσότερο ολοκληρωμένα, τον τρόπο με τον οποίο μια ιδιότητα μεταβάλλεται μέσα σε στην περιοχή
έρευνας. Εάν αυτή η μεταβολή γίνει αντιληπτή με επιτυχία, μπορούμε να περιμένουμε ότι οι εκτιμήσεις
της τιμής του χαρακτηριστικού σε περιοχές που δεν υπάρχουν δείγματα, θα είναι καλύτερες από εκείνες
που παίρνουμε από τους μέσους όρους των κλάσεων μόνο. Οι χάρτες που κατασκευάζονται με τον τρόπο
αυτό, θα πρέπει να καταλήγουν σε λιγότερα λάθη, όταν χρησιμοποιούνται για επακόλουθες αναλύσεις
επικαλύψεων και ποσοτική μοντελοποίηση στα Γεωγραφικά Πληροφοριακά Συστήματα (GIS).
4.2 Οι κυριότερες μέθοδοι Χωρικής Παρεμβολής
Οι μέθοδοι της χωρικής παρεμβολής μπορούν να χωριστούν σε δύο κατηγορίες: τις γενικές (global) και
τις τοπικές (local) μεθόδους παρεμβολής.
Στη γενική χωρική παρεμβολή (global interpolation) για την πρόβλεψη της τιμής μιας μεταβλητής σε
ένα σημείο χρησιμοποιούνται όλες οι τιμές των υπαρχόντων δεδομένων της περιοχής, ενώ στην τοπική, η
πρόβλεψη της τιμής της μεταβλητής προκύπτει από τα υπάρχοντα δεδομένα γειτονικών σημείων. Ο
αριθμός των δεδομένων που θα χρησι μοποιηθούν, καθώς και η απόσταση από το υπό εξέταση σημείο
μέσα στην οποία θα πρέπει να βρίσκονται αυτά, ορίζονται από παραμέτρους των διαφόρων μεθόδων
τοπικής χωρικής παρεμβολής.
Οι γενικές μέθοδοι χωρικής παρεμβολής είναι συνήθως απλές στον υπολογισμό και βασίζονται σε
συνήθεις στατιστικές ιδέες ανάλυσης, διακύμανσης και παλινδρόμησης. Οι μέθοδοι ταξινόμησης
(classification methods) χρησιμοποιούν εύκολα διαθέσιμες πληροφορίες (όπως εδαφικούς τύπους) για τη
διαίρεση της περιοχής σε μικρότερους τομείς που μπορούν να χαρακτηρίζονται από τα στατιστικά
χαρακτηριστικά (μέσος όρος, διακύμανση) των ιδιοτήτων που μετρήθηκαν σε συγκεκριμένες θέσεις μέσα
στους τομείς.
Οι μέθοδοι παλινδρόμησης (regression methods) αναζητούν μια πιθανή συναρτησιακή σχέση μεταξύ
ιδιοτήτων, που είναι εύκολο να μετρηθούν και ιδιοτήτων που πρόκειται να προβλεφθούν. Οι μέθοδοι
αυτοί μπορούν να βασιστούν μόνο στις γεωγραφικές συντεταγμένες των σημείων στα οποία υπάρχουν
δεδομένα (στην περίπτωση αυτή η μέθοδος καλείται trend surface analysis), ή σε κάποια σχέση με ένα ή
περισσότερα χωρικώς μεταβαλλόμενα χαρακτηριστικά (σ’ αυτή την περίπτωση το εμπειρικό μοντέλο
παλινδρόμησης καλείται transfer function).
Τέλος, οι γεωστατιστικές μέθοδοι (Kriging), για την πρόβλεψη της τιμής της μεταβλητής σε σημεία
όπου δεν υπάρχει δειγματοληψία, χρησιμοποιούν και τη διακύμανση των διαφορών των τιμών των
υπαρχόντων δεδομένων. Γενικά, θεωρείται ότι οι μέθοδοι αυτοί διεξάγουν ακριβέστερη πρόβλεψη των
τιμών των εξεταζομένων ιδιοτήτων.
4.2.1 Γενικές μέθοδοι χωρικής παρεμβολής
Trend Surfaces
Όταν η μεταβολή ενός χαρακτηριστικού σε μια περιοχή γίνεται ομοιόμορφα, είναι πιθανό οι τιμές του
να μπορούν να μοντελοποιηθούν μέσω μιας ομαλής μαθηματικής επιφάνειας. Υπάρχουν πολλοί τρόποι
για να γίνει κάτι τέτοιο αλλά όλοι σχεδόν προσαρμόζουν κάποιο είδος πολυωνυμικής εξίσωσης στις
παρατηρήσεις των σημείων δειγματοληψίας, έτσι ώστε οι τιμές σε θέσεις που δεν υπάρχουν δεδομένα να
μπορούν να υπολογιστούν από τις συντεταγμένες τους.
Ο απλούστερος τρόπος μοντελοποίησης χωρικής μεταβολής μεγάλης κλίμακας είναι με πολλαπλή
παλινδρόμηση των τιμών των χαρακτηριστικών κατά γεωγραφική θέση. Η γενική ιδέα είναι η προσαρμογή
μιας πολυωνυμικής καμπύλης ή επιφάνειας (ανάλογα με το αν τα δεδομένα είναι σε μία ή δύο
διαστάσεις) μέσω της μεθόδου των ελαχίστων τετραγώνων. Θεωρείται ότι οι χωρικές συντεταγμένες x
39 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
και y είναι ανεξάρτητες μεταβλητές, ενώ η z (η εξαρτημένη μεταβλητή που μελετάται) μεταβάλλεται
ακολουθώντας τα χαρακτηριστικά κανονικής κατανομής. Επίσης θεωρείται ότι τα λάθη παλινδρόμησης
είναι ανεξάρτητα της θέσης, γεγονός που δεν ισχύει πάντα.
Για παράδειγμα, αν η τιμή ενός περιβαλλοντικού χαρακτηριστικού z, το οποίο έχει μετρηθεί κατά
μήκος μιας επιφάνειας στα σημεία x 1 , x 2 , x n αυξάνει γραμμικά με την απόσταση x, τότε η μεταβολή
μπορεί να υπολογιστεί κατά προσέγγιση από το εξής μοντέλο παλινδρόμησης:
z(x) = b 0 + b 1 x + ε
όπου b 0 και b 1 είναι πολυωνυμικοί συντελεστές και ε ο θόρυβος ο οποίος θεωρείται ότι κατανέμεται
κανονικά και ανεξάρτητα από τις τιμές του x.
Σε πολλές περιπτώσεις το z δεν είναι γραμμική συνάρτηση του x, αλλά πιθανόν να μεταβάλλεται με πιο
πολύπλοκο τρόπο. Στην περίπτωση αυτή πολυωνυμικά μοντέλα δεύτερης ή μεγαλύτερης τάξης μπορούν
να χρησιμοποιηθούν, όπως:
z(x) = b 0 + b 1 x + b 2 x2 + ε
Καθώς αυξάνεται ο αριθμός των όρων της συνάρτησης είναι πιθανό να προσαρμοστεί επακριβώς κάθε
σετ σημείων, μέσω μιας πολύπλοκης καμπύλης, μειώνοντας έτσι το ε στο μηδέν.
Τα πολυώνυμα που παράγονται από πολλαπλή παλινδρόμηση στις δύο διαστάσεις (x, y) είναι
επιφάνειες της μορφής:
Οι τρεις πρώτες επιφάνειες είναι:
b 0 : επίπεδη
b 0 + b 1 x + b 2 y : γραμμική
b 0 + b 1 x + b 2 y + b 3 x2 + b 4 xy + b 5 y2: δεύτερης τάξης
Ο ακέραιος αριθμός p είναι η τάξη της συνάρτησης που εκφράζει την trend surfaces. Υπάρχουν
P=(p+1)(p+2)/2 συντελεστές που έχουν επιλεγεί να ελαχιστοποιηθούν:
όπου x είναι ο διανυσματικός συμβολισμός για τα (x,y). Η εύρεση των συντελεστών b i είναι ένα σύνηθες
πρόβλημα στην πολλαπλή παλινδρόμηση και έτσι οι υπολογισμοί είναι εύκολοι με τα συνήθη στατιστικά
πακέτα.
Η trend surfaces analysis έχει το πλεονέκτημα ότι είναι μια τεχνική η οποία είναι εύκολο να
κατανοηθεί, τουλάχιστο σε σχέση με τον τρόπο που οι επιφάνειες υπολογίζονται. Γενικά χαρακτηριστικά
των δεδομένων μπορούν να μοντελοποιηθούν από μικρής τάξεως trend surfaces, αλλά είναι πιο δύσκολο
να αποδοθεί φυσικό νόημα σε πολύπλοκα πολυώνυμα μεγαλύτερης τάξης. Οι επιφάνειες είναι εξαιρετικά
επιρρεπείς σε επιδράσεις στα όριά τους. Εμφανίζουν "κυματοειδή" μορφή στις άκρες τους έτσι ώστε να
προσαρμόζονται στα κεντρικά σημεία, με αποτέλεσμα οι τιμές των επιφανειών 2ης ή μεγαλύτερης τάξης
πιθανόν να φτάνουν σε απαράδεκτα μεγάλες ή μικρές τιμές μόλις έξω από την περιοχή των δεδομένων.
Οι trend surfaces είναι συναρτήσεις ομαλοποίησης και σπάνια περνούν ακριβώς από τιμές των
αρχικών δεδομένων (γι’ αυτό και δίνουν απαλές γραμμές), εκτός και αν αυτά είναι λίγα ή η τάξη της
επιφάνειας είναι μεγάλη. Μια από τις πιο αποδοτικές χρήσεις αυτής της ανάλυσης είναι ο εντοπισμός των
σημείων που παρουσιάζουν τη μεγαλύτερη απόκλιση από τη γενικότερη τάση της περιοχής. Έτσι η κύρια
40 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
χρήση της δεν είναι ως μέθοδος παρεμβολής, αλλά σαν ένας τρόπος μετακίνησης γενικών
χαρακτηριστικών των δεδομένων, πριν τη χρησιμοποίηση κάποιων άλλων τοπικών μεθόδων παρεμβολής.
4.2.2 Τοπικές μέθοδοι χωρικής παρεμβολής
4.2.2.1 Γενικά
Στις γενικές μεθόδους παρεμβολής οι μικρής κλίμακας, τοπικές αποκλίσεις απορρίπτονται ως τυχαίος
θόρυβος. Αυτό δεν είναι λογικό αφού αναμένει κανείς ότι η τιμή σε ένα σημείο που δεν έχει γίνει
δειγματοληψία να είναι παρόμοια με τις τιμές που μετρώνται κοντά σε αυτό. Για το λόγο αυτό έχουν
αναζητηθεί τοπικές μέθοδοι παρεμβολής που χρησιμοποιούν τις πληροφορίες από τα κοντινότερα σημεία
δειγματοληψίας και περιλαμβάνουν:
i. Καθορισμό μιας περιοχής αναζήτησης γύρω από το σημείο που πρόκειται να προβλεφθεί.
ii. Εύρεση των σημείων για τα οποία υπάρχουν δεδομένα μέσα στην περιοχή που ορίστηκε
προηγουμένως.
iii. Επιλογή της μαθηματικής συνάρτησης που θα εκφράζει την απόκλιση αυτού του περιορισμένου
αριθμού σημείων.
iv. Επίλυση της συνάρτησης για το σημείο πρόβλεψης σε κανονικό πλέγμα (regular grid).
Η διαδικασία συνεχίζεται έως ότου να υπολογιστούν όλα τα σημεία του πλέγματος.
Τα ακόλουθα πρέπει να λαμβάνονται υπόψη:
• Το είδος της συνάρτησης παρεμβολής που θα χρησιμοποιηθεί.
• Το μέγεθος, το σχήμα και ο προσανατολισμός της περιοχής γύρω από τα σημεία.
• Ο αριθμός των σημείων που υπάρχουν δεδομένα.
• Η κατανομή των σημείων αυτών: αν βρίσκονται σε κανονικό πλέγμα ή ακανόνιστα κατανεμημένα.
• Η πιθανή ενσωμάτωση εξωτερικών πληροφοριών.
Μέθοδοι αυτής της κατηγορίας είναι οι:
• Nearest neighbors (Thiessen polygons)
• Inverse distance weighting
• Splines
• Kriging
Όλες αυτές οι μέθοδοι ομαλοποιούν τα δεδομένα σε κάποιο βαθμό, υπολογίζοντας μια μέση τιμή
μέσα σε συγκεκριμένη απόσταση αναζήτησης.
4.2.2.2 Nearest neighbors: Τhiessen (Dirichlet/Voronoi) Polygons
Στη μέθοδο Τhiessen polygons η πρόβλεψη των ιδιοτήτων σε θέσεις που δεν έχει πραγματοποιηθεί
δειγματοληψία γίνεται με βάση το κοντινότερο σημείο. Η υπό μελέτη περιοχή διαιρείται σε πολύγωνα με
τέτοιο τρόπο ώστε σε καθένα από αυτά να περιέχεται ένα μόνο σημείο παρατήρησης. Εάν τα σημεία στα
οποία υπάρχουν δεδομένα κατανέμονται σε ένα κανονικό χωρικό πλέγμα στην περιοχή έρευνας, τότε όλα
τα πολύγωνα Τhiessen είναι μεταξύ τους ίσα με πλευρές ίσες με αυτά των κελιών που αποτελούν το
πλέγμα.. Εάν τα σημεία δειγματοληψίας κατανέμονται ακανόνιστα, τότε στην υπό μελέτη περιοχή
σχηματίζεται ένα ακανόνιστο πλέγμα πολυγώνων.
41 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικόνα 15. Τα πολύγωνα Thiessen.
Τα πολύγωνα Τhiessen χρησιμοποιούνται συχνά στα Γεωγραφικά Πληροφοριακά Συστήματα και τις
γεωγραφικές αναλύσεις σαν μια εύκολη και γρήγορη μέθοδος που συσχετίζει τα δεδομένα σε
συγκεκριμένα σημεία με το χώρο. Μια συνήθης χρήση τους είναι στη μετεωρολογία, όπου πληροφορίες
για κάθε σημείο είναι δυνατό να λαμβάνονται από τον κοντινότερο μετεωρολογικό σταθμό.
Η μέθοδος αυτή όμως δεν είναι κατάλληλη για ιδιότητες που μεταβάλλονται βαθμιαία, όπως η
βροχόπτωση, η θερμοκρασία και η ατμοσφαιρική πίεση, επειδή:
i. Η μορφή του τελικού χάρτη καθορίζεται από την κατανομή των παρατηρήσεων.
ii. Η μέθοδος διατηρεί την ομογένεια εντός των πολυγώνων, αλλά όλα αλλάζουν στα όρια.
Πλεονέκτημα της μεθόδου αποτελεί το γεγονός ότι εύκολα μπορεί να χρησιμοποιηθεί για ποιοτικά
δεδομένα όπως οι κλάσεις βλάστησης και η χρήση γης, όταν το μόνο που απαιτείται είναι ένας
χωροπληθής χάρτης (choropleth map) και δεν ενδιαφέρει η παράξενη γεωμετρική μορφή των ορίων.
4.2.2.3 Inverse distance interpolation
Η μέθοδος αυτή συνδυάζει τη λογική της εγγύτητας των Thiessen polygons με την βαθμιαία μεταβολή
των χαρακτηριστικών των Trend surfaces. Σύμφωνα με τη συγκεκριμένη μέθοδο η τιμή μιας μεταβλητής z
σε ένα σημείο στο οποίο δεν υπάρχουν δεδομένα είναι ένας σταθμισμένος μέσος των τιμών στα σημεία
δειγματοληψίας, ο οποίος όμως εξαρτάται από την απόσταση του σημείου πρόβλεψης από τα γειτονικά
σημεία στα οποία υπάρχουν δεδομένα. Δηλαδή το κάθε σημείο συμμετέχει με «διαφορετική βαρύτητα»
στον μέσο όρο ανάλογα με την απόστασή του από το υπό έρευνα σημείο. Οπότε είναι:
όπου x i είναι τα σημεία δειγματοληψιών, είναι η προβλεπόμενη τιμή του σημείου x 0 και λi είναι o
συντελεστής βαρύτητας που εξαρτάται από την απόσταση του σημείου πρόβλεψης από τα δεδομένα.
Όσο πιο κοντά είναι το σημείο τόσο περισσότερο επηρεάζεται και το λ είναι μεγαλύτερο. Συνήθως ο
συντελεστής βαρύτητας δίνεται από τη σχέση:
όπου ο δείκτης j αναφέρεται στα σημεία της επιφάνειας που θα γίνει η παρεμβολή. Η απλούστερη μορφή
αυτής καλείται γραμμικός παρεμβολέας (linear interpolator), στον οποίο τα βάρη υπολογίζονται από μια
γραμμική συνάρτηση της απόστασης μεταξύ των σημείων δειγματοληψίας και του σημείου που θέλουμε
να προβλεφθεί η τιμή του.
42 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Σημαντική παράμετρος που καθορίζει τελικά το αποτέλεσμα αλλά και τους χάρτες που θα προκύψουν
είναι ο εκθέτης r. Όσο μεγαλύτερος είναι αυτός τόσο μεγαλύτερη βαρύτητα δίνεται στα σημεία
δεδομένων, τα οποία βρίσκονται πλησιέστερα στο σημείο πρόβλεψης.
Η inverse distance weighting θεωρείται ως μια ακριβής μέθοδος παρεμβολής (exact interpolator)
αφού όταν Σ(d)=0 (δηλ. στα σημεία που υπάρχουν δεδομένα) η μέθοδος παράγει άπειρο. Έτσι στις
περιπτώσεις που οι παραγόμενες συντεταγμένες του πλέγματος συμπίπτουν με αυτές του σημείου
δειγματοληψίας, θα πρέπει να χρησιμοποιείται η πραγματική τιμή του σημείου. ij
Συχνά παρουσιάζονται πυκνώματα (duck-egg ή bull’s eyes) γύρω από μεμονωμένα σημεία δεδομένων
με τιμές στα σημεία πρόβλεψης, που διαφέρουν σημαντικά από τις γειτο νικές τους, παρότι αυτό μπορεί
να μετριαστεί αρκετά μεταβάλλοντας τις παραμέτρους αναζήτησης. Στη μέθοδο δεν έχει ενσωματωθεί
κάποιος έλεγχος (τεστ) που να πιστοποιεί την ποιότητα των προβλέψεων και συνεπώς η ποιότητα του
χάρτη εκτιμάται παίρνοντας επιπλέον παρατηρήσεις στο ίδιο support.
4.2.2.4 Minimum Curvature
Η Minimum Curvature χρησιμοποιείται ευρύτατα στις γεωεπιστήμες. Η επιφάνεια παρεμβολής, που
παράγεται με τη μέθοδο αυτή είναι ανάλογη με ένα λεπτό, γραμμικά ελαστικό έλασμα που περνά από
κάθε τιμή με το μικρότερο δυνατό λύγισμα.
Η Minimum Curvature παράγει την ομαλότερη δυνατή επιφάνεια, καθώς επιχειρεί να χρησιμοποιήσει
με τον καλύτερο δυνατό τρόπο τα υπάρχοντα δεδομένα. Ωστόσο δεν είναι ακριβής μέθοδος παρεμβολής
αφού η δημιουργούμενη επιφάνεια δεν διέρχεται πάντα ακριβώς από τις τιμές των δεδομένων.
4.2.2.5 Triangulation w/ Linear interpolation
Η Triangulation w/ Linear interpolation είναι μια ακριβής μέθοδος παρεμβολής (exact interpolator)
που κατασκευάζει τρίγωνα χαράζοντας γραμμές μεταξύ των σημείων δειγματοληψίας, τα ποία ενώνονται
με τέτοιο τρόπο ώστε οι πλευρές των τριγώνων να μην τέμνονται από άλλα τρίγωνα. Κάθε τρίγωνο
ορίζεται από τρία σημεία δεδομένων, τα οποία καθορίζουν την κλίση και το ύψος του.
Η Triangulation είναι πιο αποτελεσματική όταν τα δεδομένα είναι ομοιόμορφα κατανεμημένα στην
περιοχή του πλέγματος. Όταν στα δεδομένα υπάρχουν περιοχές με αραιές παρατηρήσεις τότε
δημιουργούνται έντονες τριγωνικές πλευρές στο χάρτη ισοϋψών ή επιφάνειας.
Η μέθοδος είναι πολύ αποτελεσματική στη διατήρηση γραμμών με απότομες εναλλαγές τιμών.
4.2.3 Γεωστατιστικές μέθοδοι παρεμβολής (Kriging)
ΕΙΣΑΓΩΓΗ
Καμία από τις μεθόδους χωρικής παρεμβολής που αναφέρθηκαν μέχρι τώρα δεν μπορεί να μας δώσει
απευθείας εκτιμήσεις για την ποιότητα της πρόβλεψης. περιπτώσεις, ο μόνος τρόπος για να καθοριστεί η
καταλληλότητα της πρόβλεψης είναι ο υπολογισμός των εκτιμώμενων τιμών για μια ομάδα σημείων
(validation points) που δεν χρησιμοποιήθηκαν κατά την εφαρμογή της μεθόδου χωρικής παρεμβολής.
Ένα περαιτέρω μειονέκτημα όλων των μεθόδων που εξετάστηκαν μέχρι τώρα, είναι ότι βδεν υπάρχει
μέθοδος που να δείχνει αν η επιλογή των τιμών των παραμέτρων είναι η καλύτερη δυνατή ή αν το
μέγεθος της περιοχής αναζήτησης είναι το κατάλληλο. Επιπλέον, καμία έως τώρα μέθοδος δεν παρέχει
πρακτικές πληροφορίες για:
• Τον αριθμό των σημείων που χρειάζονται για να υπολογίσουμε τον τοπικό μέσο όρο.
• Το μέγεθος, τον προσανατολισμό και το σχήμα των γειτονικών σημείων από τα οποία έχουν
υπολογιστεί.
• Την ύπαρξη καλύτερων τρόπων εκτίμησης των βαρών από μια απλή συνάρτηση της απόστασης.
43 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
•
Τα λάθη που σχετίζονται με τις τιμές που υπολογίστηκαν με την παρεμβολή.
Τα ερωτήματα αυτά οδήγησαν τον Γάλλο γεωμαθηματικό George Matheron και το Νοτιοαφρικανό D.
G. Krige στο να αναπτύξουν βέλτιστες μεθόδους χωρικής παρεμβολής για χρήση στην ανεύρεση
μεταλλευμάτων σε ορυχεία. Οι μέθοδοι αυτοί τώρα χρησιμοποιούνται πολύ στα μοντέλα για τα υπόγεια
νερά, στη χαρτογράφηση εδαφών και σε συγγενή πεδία. Στα επόμενα αναπτύσσεται λεπτομερώς όλη η
θεωρία της Γεωστατιστικής και της Kriging παρεμβολής.
44 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
45 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
46 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
47 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
48 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
49 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
50 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
51 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
52 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
53 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
54 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
55 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
56 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
57 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
58 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
59 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
60 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Α. Σύγχρονες τεχνολογίες για τη χαρτογράφηση, παρακολούθηση
και μοντελοποίηση του περιβάλλοντος
Α2. Χωρική Ανάλυση, Χωρική Παρεμβολή και Γεωστατιστική
Πειραματική Εφαρμογή
Διονύσιος Καλύβας, Αναπληρωτής καθηγητής, Γεωπονικό Πανεπιστήμιο Αθηνών, Τμήμα Αξιοποίησης
Φυσικών Πόρων και Γεωργικής Μηχανικής, Εργαστήριο Εδαφολογίας & Γεωργικής Χημείας
ΣΤΟΧΟΣ
Ο στόχος της πειραματικής εφαρμογής είναι η επίδειξη υλοποίησης χωρικής παρεμβολής και
γεωστατιστικής με βήματα καθοδήγησης για χρήση από κάθε ενδιαφερόμενο. Για την επίδειξη των
εφαρμογών έχουν χρησιμοποιηθεί γεωγραφικά αρχεία του συγγραφέα, αλλά θα μπορούν να
χρησιμοποιηθούν κάθε άλλο αντίστοιχο γεωγραφικό αρχείο.
ΕΝΟΤΗΤΕΣ
Στην πειραματική εφαρμογή, θα αναλυθούν οχτώ (8) διαφορετικές και συνδεόμενες εργασίες, με στόχο
να εκτελέσουμε σωστά χωρική παρεμβολή και γεωστατιστική ανάλυση. Οι οχτώ εργασίες είναι οι
παρακάτω:
Α. Βασικές μονομεταβλητές αναλύσεις.
Β. Κατανομές.
Γ. Διαφορές μέσων όρων.
Δ. Εξάρτηση δύο μεταβλητών (μη χωρική).
Ε. Διερεύνηση της χωρικής διασποράς τιμών ιδιοτήτων.
ΣΤ. Αυτοσυσχέτιση
Ζ. Μέθοδοι χωρικής παρεμβολής (μη γεωστατιστικές).
Η. Γεωστατιστικές Μέθοδοι χωρικής παρεμβολής.
61 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
1.
2.
3.
4.
Δίνονται τα εξής επίπεδα γεωγραφικών πληροφοριών (shapefiles):
Πολυγωνικό επίπεδο SOILS που περιέχει τις εδαφικές χαρτογραφικές μονάδες μιας περιοχής
δίπλα στον Αχελώο ποταμό στην Αιτωλοακαρνανία.
Σημειακό επίπεδο πληροφοριών N153 με 153 σημεία για το καθένα από τα οποία υπάρχουν
μεταξύ άλλων και οι εξής πληροφορίες: το επί τοις εκατό ποσοστό αργίλου και ιλύος του
επιφανειακού εδάφους και η κάθετη απόσταση από το γειτονικό ποταμό Αχελώο.
Σημειακό επίπεδο πληροφοριών N350 με 350 σημεία για το καθένα από τα οποία υπάρχουν
μεταξύ άλλων η κάθετη απόσταση από το γειτονικό ποταμό Αχελώο.
Γραμμικό επίπεδο RIVER (ποταμός Αχελώος).
)
"
) "
)
) &"
&"
"
)
&&
)
"
) "& "
&
) )"
&"
)"
) &"
)
"
)
"
)
"
)
"
)& & "
)&"
& "
) )"
)"
"
) ) &)
)
"&"
"
)
& &"
)
"
) "
) &
&) "
"
)
"
) "
"
) &"
"
"
) "
) "
)&"
"
)
))
)
"
) ) "
)
"
)"
) "
) &"
"
)
& &
"
"
)"
)
& &"
)
)
"
) &"
))
"
)
)
"
)
&
"
)
)
"
"
&
) )"
) &" "
) "
) & "
"
)
)& "
) &"
) "
"
"
"
) ) &
) "
) )"
"
)"
) &&"
) &"
) &
)&
&"
"
)&& "
)&
)& "
) "
) "
& ) ) &"
)"
"
& &"
) "
) "
)
"
)"
) & "
&
"
"
)
)
)
&
)& "
"
)
) "
) "
)& "
) "
)
) "
" "
)
"
)
)"
)
"
"
)& "
)
"
"
& &"
)
)
"
"
"
)"
)
)
)
&
"
)
"
& &
"
&
"
) && "
) "
"&) "
) "
)"
)
&)
"
)&&
)
) &)
)
) &"
& "
)
"
"
"
)
)& "
) "
"
& "
)
)
) "
"
)"
)"
)
)
"
"
&
)"
) & "
)
)
"
)&"
&"
) "
)
)&
) "
"
"
) &
&"
) "
)
) "
)
) "
"
)
"
) "
)
) "
) &"
"
)
& &"
)
"
"
)
)
"
"
)
)
"
&
)
) & &
"
) "
) )
& "
)
) "
"
"
)"
) &
&
) "
"
" "
)
&
)& "
&
"
)
)
"
)
&
"
"
)
)
"
)"
)
"
"
)
)
"
) "
"
) "
) & &"
"
) &
"
)
)
)
"
)
"
)
"
)
)
&) "
"
"
)&
)
&"
) "
)
"
) "
)
)"
"
)"
"
) "
) "
&"
) "
)"
"
)
&
)
"
"
)
)
"
)
)
&
&
&
& "
"
)& "
"
)
) "
)
)
&"
)
&"
)& &"
)
"
)
&
"
&
)
&
"
"
"
"
)
)
)
)
"
)
"
"
) &
&& "
)
"
)
)
"
& )
)"
"
"
)
) "
&
"
"
"
)
)
)
&
)
"
"
)
)"
&"
"
)
"
)
)
& "
) &
) "
)& "
) "
"
) "
"
)
)
)
"
) "
)
"
"
) &
) "
)& "
"
) "
) "
) "
"
) "
) "
) )"
)
&"
)
"
)
"
)
"
"
"
"
)
)
)
)
)
"
)
"
"
)
)
)
&
)"
"
) "
)
"
) "
"
)
"
) &&
&
"
) &"
"
)
"
"
&
)
)
"
)
)
"
) )
"
) "
)&
) &"
"
" "
"&
) &
)
)"
)
"
)
)
"
"
"
)
)
)
&"
"
)"
) "
&
)
& "
)"
"
"
)"
)
)&)
"
"
)
)
"
)
&
"
"
)
)
"
)
)& &
" "
)
&"
)& "
)
) "
&
"
)& "
) "
) & "
"
)"
) )"
)"
"
)"
)
)
"
)
"
)&
&"
) "
"
)& "
)& &
)
"
)& "
)
) ) &
"
) "
"
)"
)
)
& "
"
) "
Χάρτης Soil (με κατηγορίες Drainage)
Σημειακά αρχεία Ν153 και Ν350
Ο ποταμός Αχελώος
62 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
1.
ΒΑΣΙΚΕΣ ΜΟΝΟΜΕΤΑΒΛΗΤΕΣ ΑΝΑΛΥΣΕΙΣ
Υπολογίστε:
 Τα βασικά μονομεταβλητά μεγέθη για τα επί τοις εκατό ποσοστά της άμμου και της αργίλου για
το επιφανειακό τμήμα για τα 153 σημεία.
 Μέσος όρος
 Μέγιστη τιμή
 Ελάχιστη τιμή άθροισμα τιμών
 Τυπική απόκλιση
 Υπολογίστε ποιο από τα μεγέθη άμμος, άργιλος ,απόσταση από το ποτάμι έχει την μεγαλύτερη
παραλλακτικότητα για τα 153 σημεία.
 Συντελεστής παραλλακτικότητας (CoefficientofVariation)
CV= (Τυπική απόκλιση/ Μέσο όρο) * 100
Για να υπολογίσουμε τα βασικά
μονομεταβλητά
μεγέθη
της
αργίλου% ανοίγουμε το πίνακα
περιγραφικών δεδομένων του
Shapefile που μας ενδιαφέρει και
στη στήλη που περιέχει τις τιμές
της
αργίλου
επιλέγουμε
Statistics.
Τα αποτελέσματα φαίνονται στο
παρακάτω πίνακα που περιέχει
τα στατιστικά μεγέθη καθώς και
την κατανομή των συχνοτήτων
των τιμών της αργίλου%.
63 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Χωρική ένωση των ιδιοτήτων του πολυγωνικού αρχείου SOILS που
περιέχει τις εδαφικές χαρτογραφικές μονάδες με τα 153 σημεία.
64 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Για κάθε τιμή που υπάρχει στο χαρτογραφικό σύμβολο για την μηχανική σύσταση
υπολογίζουμε για όλα τα βάθη τα μονομεταβλητά στατιστικά μεγέθη του επί τοις εκατό
ποσοστού της άμμου και της αργίλου (ας υπάρχει μόνο για το επιφανειακό τμήμα) για τα
153 σημεία.
Τα αποτελέσματα των μονομεταβλητών στατιστικών μεγεθών του επί τοις εκατό
ποσοστού της αργίλου για τα χαρτογραφικά σύμβολα του TEXTURE1 για τα 153
σημεία φαίνονται στον παρακάτω πίνακα.
Συγκεκριμένα για κάθε ένα σύμβολο του TEXTURE1 έχουμε υπολογίσει τη
συχνότητα εμφάνισης του συμβόλου, την ελάχιστη και μέγιστη τιμή, τον μέσο όρο, το
άθροισμα, τη τυπική απόκλιση και τη διακύμανση των τιμών της αργίλου για κάθε τιμή
του συμβόλου.
65 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Διερεύνηση τάσης μεταβολής των τιμών του χαρτογραφικού συμβόλου
και επί τοις εκατό άργιλος / άμμος.
Παρατηρούμε ότι αυξανομένων των τιμών του TEXTURE1 αυξάνεται και ο μέσος όρος
της αργίλου%.
Διερεύνηση παραλλακτικότητας των τιμών άμμου και αργίλου στις
κλάσεις μηχανική σύστασης 2,3,4,5.
Προσθέτουμε
ένα
καινούργιο πεδίο για να
υπολογίσουμε σε αυτό τον
συντελεστή
παραλλακτικότητας (CV)
για την άργιλο% για κάθε
τιμή του χαρτογραφικού
συμβόλου TEXTURE1.
66 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Στο καινούργιο πεδίο
υπολογίζουμε
τον
συντελεστή
παραλλακτικότητας με
Field
Calculator
σχηματίζοντας
την
εξίσωση.
Στον παρακάτω πίνακα παρατηρούμε ότι οι τιμές της αργίλου% στο σύμβολο 3 του
TEXTURE1
παραλλάσουν
περισσότερο
(μεγαλύτερος
συντελεστής
παραλλακτικότητας) από τις υπόλοιπες των άλλων συμβόλων.
67 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
2.
ΚΑΤΑΝΟΜΕΣ
Εξετάστε εάν ακολουθούν κανονική κατανομή οι αναλυτικές τιμές της
άμμου, της αργίλου% και της απόστασης κάθε σημείου από τον
Αχελώο.
Ο έλεγχος να γίνει με τη δημιουργία ιστογραμμάτων καθώς και με τον υπολογισμό
της ασυμμετρίας και κύρτωσης μιας κατανομής.
Μέσα στο ArcMap επιλέγουμε Histogram από το μενού του Geostatistical Analyst.
Στην κανονική κατανομή η κύρτωση (kurtosis) είναι 3 και η ασυμμετρία (skewness) 0.
Το παραπάνω ιστόγραμμα αποτελεί το αποτέλεσμα της προηγούμενης διαδικασίας για
τις τιμές τις αργίλου. Με βάση τις τιμές της κύρτωσης και ασυμμετρίας οι τιμές της αργίλου
ακολουθούν κανονική κατανομή.
68 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
3.
ΔΙΑΦΟΡΕΣ ΜΕΣΩΝ ΟΡΩΝ
 Ελέγξτε εάν υπάρχουν στατιστικώς σημαντικές διαφορές για το επί
τοις εκατό ποσοστό της άμμου, της αργίλου για τις δύο
επικρατέστερες τιμές του χαρτογραφικού συμβόλου των μεταβλητών
TEXTURE1, TEXTURE2, TEXTURE3, DRAINAGE.
Εύρεση
των
επικρατέστερων τιμών του
χαρτογραφικού συμβόλου
για
τη
μεταβλητή
TEXTURE1.
Στο στατιστικό πακέτο SPSS
επιλέγουμε
Οι
επικρατέστερες
τιμές του Texture1 είναι
οι τιμές 4 και 5.
69 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
 Εύρεση διαφοράς μέσων
όρων αργίλου επί τοις εκατό
για τις δυο επικρατέστερες
τιμές
του
χαρτογραφικού
συμβόλου.
Στο πλαίσιο του Define Groups
ορίζουμε τις επικρατέστερες
τιμές 4, 5 που βρήκαμε στην
προηγούμενη διαδικασία.
Προϋπόθεση για την
εφαρμογή της
παραμετρικής δοκιμασίας
t -test είναι τα δεδομένα
να ακολουθούν την
κανονική κατανομή.
 Παρατηρούμε ότι ο μέσος όρος
στο σύμβολο 4 είναι 33,5 και στο
5 είναι 41,45.
 Στον παραπάνω Independent Samples test πίνακα παρατηρούμε δυο T- test και θα επιλέξουμε το
κατάλληλο αϕού εξετάσουμε το τεστ του Levene, που βρίσκεται στο αριστερό μέρος του πίνακα
και μας πληροφορεί για την ισότητα των πληθυσμιακών διασπορών.
70 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
 Παρατηρούμε ότι για το τεστ Levene ισχύει 0.005 < 0.05 (ή p- value= 0.005 < 0.05) και επομένως
δεν δεχόμαστε ότι οι διακυμάνσεις (διασπορές) είναι ίσες. Επομένως, θα κοιτάξουμε στη δεύτερη
γραμμή του πίνακα (Equal variances not assumed) όπου έχουμε p − value = 0, 000 < 0, 05 και
επομένως μπορούμε να απορρίψουμε την υπόθεση ότι οι μέσες τιμές τις αργίλου των δυο
επικρατέστερων τιμών είναι ίσες.
 Αν στο τεστ Levene βρίσκαμε p − value > 0, 05 τότε θα κοιτάζαμε τη πρώτη γραμμή του παραπάνω
πίνακα.
 Εύρεση διαφοράς μέσων
όρων αργίλου επί τοις εκατό
για όλες τις τιμές του
χαρτογραφικού συμβόλου του
TEXTURE1 (παραπάνω από
δυο ομάδες).
Στο
πλαίσιο
του
Factor
διαλέγουμε texture1.
Στο
Options
επιλέγουμε
Homogeneity of variance test.
71 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
 Από τον πίνακα Test of Homogeneity of Variances παρατηρούμε ότι ο στατιστικός έλεγχος
διασπορών με το κριτήριο Levene δίνει την τιμή p = 0.007 < 0.05 που δείχνει ότι η Η0
απορρίπτεται. Συνεπώς υπάρχει στατιστικά σημαντική διαφορά στις διασπορές των δειγμάτων και
άρα η ANOVA δεν μπορεί να εφαρμοστεί, οπότε σε αυτή την περίπτωση είτε μετασχηματίζουμε τα
δεδομένα και ελέγχουμε ξανά τα αποτελέσματα είτε μπορούμε να χρησιμοποιήσουμε μια μη
παραμετρική ANOVA (π.χ. Kruskal Wallis δοκιμασία).
 Παρατηρούμε επίσης ότι για την p-value της ANOVA ισχύει p = 0.281 > 0.05.
 Συνεπώς σε επίπεδο σημαντικότητας α = 0.05 υπάρχουν στατιστικά σημαντικές διαφορές μεταξύ
των τιμών τις αργίλου % για όλες τις τιμές του TEXTURE1.
72 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
4.
ΕΞΑΡΤΗΣΗ ΔΥΟ ΜΕΤΑΒΛΗΤΩΝ (ΜΗ ΧΩΡΙΚΗ)
 Εύρεση και υπολογισμός της εξάρτησης (μη χωρικής) μεταξύ των DISTANCE –
CLAY και DISTANCE – SAND. Για να βρούμε την εξάρτηση δυο μεταβλητών
υπολογίζουμε τον συντελεστή συσχέτισης.
Στο στατιστικό πακέτο
SPSS επιλέγουμε
Ο
Συντελεστής
συσχέτισης
λαμβάνει τιμές από -1 ως +1 .
Θετικές
τιμές
συντελεστή
δείχνουν θετική εξάρτηση των
μεταβλητών ενώ αρνητικές τιμές
αρνητική
εξάρτηση.
Τιμή
συντελεστή ίση με μηδέν δείχνει
καμία εξάρτηση των μεταβλητών.
Ο συντελεστής συσχέτισης DISTANCECLAY (0.786) δείχνει ισχυρή θετική
συσχέτιση μεταξύ των δυο μεταβλητών.
73 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
5.
ΔΙΕΡΕΥΝΗΣΗ ΤΗΣ ΧΩΡΙΚΗΣ ΔΙΑΣΠΟΡΑΣ ΤΙΜΩΝ ΙΔΙΟΤΗΤΩΝ
 Διερεύνηση της χωρικής κατανομής των τιμών της αργίλου και της άμμου.
•
Απόδοση στον χάρτη.
•
Ιστόγραμμα συχνοτήτων /7-9 κλάσεις.
•
Trend analysis του Geostatistical Analyst.
Διερεύνηση της χωρικής διασποράς τιμών με απόδοση τιμών στον χάρτη
Παρατηρούμε ότι όσο
απομακρυνόμαστε από
το
ποτάμι
τόσο
αυξάνονται οι τιμές της
αργίλου%.
Χάρτης κατανομής τιμών αργίλου
74 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Διερεύνηση της χωρικής διασποράς τιμών με ιστόγραμμα
Διερεύνηση της χωρικής διασποράς τιμών με trend analysis
Παρατηρούμε ότι για την
άργιλο% παρατηρείται μια
σχετική αύξηση των τιμών της
στα σημεία από τα δυτικά
προς τα ανατολικά (πράσινη
γραμμή) και μια ισχυρή
(σχεδόν γραμμική) αύξηση
των τιμών από το βορρά προς
το νότο (μπλε γραμμή).
75 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
6.
ΔΙΕΡΕΥΝΗΣΗ ΧΩΡΙΚΗΣ ΑΥΤΟΣΥΣΧΕΤΙΣΗΣ (SPATIAL AYTOCORRELATION) ΣΤΙΣ ΜΕΤΑΒΛΗΤΕΣ
ΠΟΥ ΕΚΦΡΑΖΟΥΝ ΤΑ ΜΗΧΑΝΙΚΑ ΚΛΑΣΜΑΤΑ ΤΟΥ ΕΠΙΦΑΒΕΙΑΚΟΥ ΕΔΑΦΟΥΣ
 Εύρεση χωρικά
ακραίων τιμών
(spatial outliers)
στις μεταβλητές
που εκφράζουν
τα
μηχανικά
κλάσματα
στο
επιφανειακό
βάθος.
Χάρτης ακραίων τιμών αργίλου
Για τις τιμές τις
αργίλου
δεν
παρατηρήθηκαν
ακραίες τιμές. Εάν για
κάποια
ιδιότητα
παρατηρηθούν ακραίες
τιμές αυτές πρέπει να
αφαιρεθούν από το
σύνολο
για
να
προχωρήσουμε
στις
επόμενες διαδικασίες.
76 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Η χωρική αυτοσυσχέτιση είναι μια ιδιότητα των μεταβλητών που έχουν μετρηθεί στον
γεωγραφικό χώρο και παρατηρείται όταν η τιμή μιας μεταβλητής σε ένα σημείο στο
χώρο εξαρτάται από τις τιμές της μεταβλητής στα γειτονικά σημεία.
Υπολογίζουμε το δείκτη
Morans’ I για τις τιμές
αργίλου% σε απόσταση
100 μ.
77 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Για να δούμε τη τιμή του δείκτη
Moran’s I επιλέγουμε:
Εύρεση της απόστασης στην οποία εμφανίζεται η μέγιστη χωρική εξάρτηση
(αυτοσυσχέτιση) για τα μηχανικά κλάσματα του επιφανειακού βάθους.
Επαναλαμβάνουμε
την
διαδικασία υπολογισμού του
Δείκτη Moran’s I ανά εκατό
μέτρα μέχρι και τα 1200
μετρά.
Φτιάχνουμε
το
κορελογραμμα (correlogram)
(αυτοσυσχετόγραμμα)
προβάλλοντας τις τιμές του
Δεικτη
MoransI
ανά
απόσταση.
Παρατηρούμε ότι η μέγιστη
τιμή
αυτοσυσχέτισης
παρουσιάζεται
στα
300
μέτρα.
78 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
7.
ΜΕΘΟΔΟΙ ΧΩΡΙΚΗΣ ΠΑΡΕΜΒΟΛΗΣ (ΜΗ ΓΕΩΣΤΑΤΙΣΤΙΚΕΣ)
Aπό το σημειακό shapefile που σας έχει δοθεί (153 σημεία) δημιουργείστε συνεχείς
επιφάνειες (για τις μεταβλητές που σχετίζονται με τη μηχανική σύσταση) με τη μέθοδο
χωρικής παρεμβολής Inverse Distance Weighting. Η μέθοδος Inverse Distance
Weighting βασίζεται στην υπόθεση ότι η τιμή μιας ιδιότητας σε ένα σημείο όπου δεν
υπάρχει μέτρηση είναι ο σταθμισμένος, σε σχέση με την απόσταση, μέσος όρος των
τιμών της ιδιότητας στα σημεία δειγματοληψίας, που περιβάλλουν το υπό εξέταση
σημείο.
79 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
IDW Χάρτης Αργίλου %
Αλλάζοντας τις τιμές για τη
δύναμη (power value 1,2 και 5
και Optimize power) και για τα
γειτονικά
σημεία
που
χρησιμοποιείτε (5 και 10 σημεία)
συμπληρώστε τον παρακάτω
πίνακα (διαφορετικό για κάθε μία
μεταβλητή) τις τιμές του μέσου
τετραγωνικού σφάλματος για
τους
διαφορετικούς
συνδυασμούς τιμή δύναμης –
αριθμός γειτονικών σημείων.
Πάντα χρησιμοποιείτε για κάθε
εκτιμούμενο σημείο τιμές από
γειτονικά σημεία που βρίσκονται
σε οποιαδήποτε θέση γύρω από
αυτό και όχι μόνο σε μια
κατεύθυνση
τμήμα
του
γειτονικού χώρου.
POWER
NEIGHBORS
1
5
1
10
2
5
2
10
5
5
5
10
Optimize power
5
Optimize power
10
RMS ERROR
80 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
8.
ΓΕΩΣΤΑΤΙΣΤΙΚΕΣ ΜΕΘΟΔΟΙ ΧΩΡΙΚΗΣ ΠΑΡΕΜΒΟΛΗΣ

Δημιουργείστε δύο σετ δεδομένων από τα 153 σημεία δειγματοληψίας.

Το ένα (εξαρτημένο σετ, 85% του συνολικού πληθυσμού) θα χρησιμοποιηθεί για την
εφαρμογή των γεωστατιστικών μεθόδων

και το άλλο (ανεξάρτητο σετ, 15% του συνολικού πληθυσμού) την αξιολόγηση αυτών.
81 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον

Επιλέξτε Ordinary Kriging και προσδιορίστε το καλύτερα προσαρμοζόμενο θεωρητικό μοντέλο στα
ημιβαριογράμματα των δυο μηχανικών κλασμάτων του επιφανειακού εδάφους, λαμβάνοντας
υπόψη τις τιμές Nugget, Lag size και Number of lags.

Ελέγξετε επίσης ισοτροπία – ανιστοτροπία.

Σε όλες τις δοκιμές έχετε υπόψη ότι για εδαφικές ιδιότητες κυρίως εξετάζουμε σφαιρικό και
εκθετικό μοντέλο, ενώ προσπαθούμε και η διακύμανση επί την αρχή (nugget) να είναι αρκετά
μικρή σε σχέση με το όριο (sill), εμπειρικά πρέπει να είναι 1/3 έως 1/4 του sill.
82 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
83 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
84 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον

Για την αξιολόγηση των αποτελεσμάτων της χωρικής παρεμβολής, και τον προσδιορισμό της
ακρίβειας για την πρόβλεψη των τιμών σε άγνωστες θέσεις από τα μοντέλα που εφαρμόστηκαν,
χρησιμοποιήθηκε η μέθοδος cross-validation.

Στη μέθοδο αυτή αφαιρείται κάθε φορά ένα σημείο από το σύνολο των δεδομένων και
χρησιμοποιούνται τα υπόλοιπα για την πρόβλεψη της τιμής στο σημείο αυτό.

Η επανάληψη της διαδικασίας για το σύνολο των τιμών μας παρέχει την δυνατότητα της
σύγκρισης των εκτιμώμενων με τις πραγματικές τιμές για κάθε χωρική θέση, και την εκτίμηση της
ακρίβειας των προβλέψεων με την μορφή των διαφορών πραγματικών-εκτιμώμενων και
τετραγωνισμένων διαφορών.
Kriging Χάρτης Αργίλου %
85 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Κριτήρια της
παρεμβολής
αξιολόγησης
των
αποτελεσμάτων
της
χωρικής

Οι στατιστικές παράμετροι που υπολογίστηκαν από την μέθοδο cross-validation και αποτέλεσαν
κριτήρια αξιολόγησης της χωρικής παρεμβολής με χρήση της γεωστατιστικής μεθόδου ordinary
kriging ήταν το μέσο σφάλμα (Mean Error) και η τετραγωνική ρίζα του μέσου τετραγωνικού
σφάλματος (Root Mean Square Error). Επίσης το μέσο τυπικό σφάλμα (Average Standar Error) και
η τυποποιημένη τετραγωνική ρίζα του μέσου τετραγωνικού σφάλματος (Standardized Root Mean
Square Error).

Για την αξιολόγηση των αποτελεσμάτων πρέπει τα ME και SME να είναι όσο το δυνατό πιο κοντά
στο μηδέν και το RMSE όσο πιο μικρό γίνεται γεγονός το οποίο σημαίνει ότι οι προβλέψεις είναι
αμερόληπτες και κοντά στις πραγματικές τιμές αντίστοιχα. Οι τιμές του ASE χρησιμοποιούνται για
να αξιολογήσουν την μεταβλητότητα των προβλέψεων από τις μετρημένες τιμές. Επομένως το ASE
πρέπει να είναι ίδιο με το RMSE προκειμένου να αξιολογηθεί σωστά η μεταβλητότητα των
προβλέψεων. Αν η τιμή του ASE είναι μεγαλύτερη από το RMSE σημαίνει ότι οι τιμές των
προβλέψεων είναι υπερεκτιμημένες. Αν αντιθέτως το ASE είναι μικρότερο από το RMSE τότε οι
προβλέψεις είναι υποεκτιμημένες. Οι τιμές του SRMSE θα πρέπει να βρίσκονται κοντά στην
μονάδα, ενώ αυτές του SME να είναι όσο το δυνατό μικρότερες.
86 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Παρουσιάστε τα αποτελέσματα σε πίνακα που να εμφανίζει τα χαρακτηριστικά του θεωρητικού
ημιβαριογράμματος, για κάθε μια από τις δυο ιδιότητες, και τον έλεγχο της χωρικής παρεμβολής
με ανεξάρτητο και μη ανεξάρτητο σετ σημείων.
Υπολογίζουμε τις προβλεπόμενες
τιμές αργίλου και στο ανεξάρτητο σετ
δεδομένων με δεξί κλικ πάνω στο
όνομα της Kriging επιφάνειας και
επιλέγοντας “Validation/Prediction”.
Ο παρακάτω πίνακας δείχνει για κάθε σημείο του ανεξάρτητου σετ τις εκτιμούμενες τιμές και τια
αποκλίσεις τους από τις πραγματικές – μετρημένες τιμές των σημείων.
87 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον

Υπολογίστε την επιφάνεια Prediction Standard Error Map με δεξί κλικ πάνω στο όνομα της Kriging
επιφάνειας και επιλέγοντας “Change output to Prediction Standard Error”.

Φέρτε τα σημεία πάνω από την νέα αυτή επιφάνεια.
Παρατηρείστε
ότι
τα
μικρότερα μεγέθη σφάλματος
εμφανίζονται
στις
περιοχές
δειγματοληψίας.
88 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ΒΑΣΙΚΗ ΒΙΒΛΙΟΓΡΑΦΙΑ ΓΙΑ ΣΥΣΤΗΜΑΤΑ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ
ΒΙΒΛΙΑ
Καλύβας Δ., 2003. Γεωγραφικά Συστήματα Πληροφοριών (Σημειώσεις Παραδόσεων). Πάντειο
Πανεπιστήμιο. Τμήμα Οικονομικής και Περιφερειακής Ανάπτυξης. Σελ. 200.
Κόλλια Βασιλική, Διονύσιος Καλύβας και Δημήτριος Τριαντακωνσταντής, 2012. Γεωγραφικά
Πληροφοριακά Συστήματα. Εκδόσεις ΕΜΒΡΥΟ. ISBN: 978-960-8002-69-2.
Κουτσόπουλος. Κ., 2002. Εκδόσεις Παπασωτηρίου. ISBN: 960-7530-20-9. Γεωγραφικά Συστήματα
Πληροφοριών και Ανάλυση Χώρου.
Λιβιεράτος Ε., «Γενική Χαρτογραφία και Εισαγωγή στη Θεματική Χαρτογραφία», Α΄ και Β΄ έκδοση,1988,
Θεσσαλονίκη, Εκδόσεις Ζήτης.
Νάκος Β. και Φιλιππακοπούλου Β., «Θεματική Χαρτογραφία», Σημειώσεις ΕΜΠ, Αθήνα 1992.
Νάκος Β. και Β. Φιλιππακοπούλου. Ε.Μ.Π. 1993. Γενική Χαρτογραφία. Τμήμα Αγρονόμων Τοπογράφων
Μηχανικών, Τομέας Γεωγραφίας. Αθήνα.
Στεφανάκης Ε., 2010. Βάσεις Γεωγραφικών Δεδομένων και Συστήματα Γεωγραφικών Πληροφοριών.
Εκδότης: Α. Παπασωτηρίου &ΣΙΑ Ο.Ε. ISBN: 978-960-718-272-2.
Συλλαίος Ν., Γήτας Ι., Συλλαίος Γ., 2007. Εισαγωγή στα Γεωγραφικά Συστήματα Πληροφοριών και στην
Τηλεπισκόπηση. Εκδότης Σ. Γιαχούδης & ΣΙΑ Ο.Ε. ISBN: 978-960-6700-12-5.
Φώτης Γεώργιος, 2008. Ποσοτική Χωρική Ανάλυση. Γκοβόστης Εκδοτική ΑΒΕΕ. ISBN: 960-446-027-7
Peter A. Burrough and Racchael A. McDonnell, 1998. Principles of Geographical Information Systems.
Oxford University Press. 1998. ISBN: 019-823365-5.
Paul A. Longley, Michael F. Goodchild, David J. Maguire and David W. Rhind. John Wiley and Sons. 2001.
Geographic Information Systems and Science. ISBN: 0-471-49521-2.
Bailey, T.C. and Gatrell, A. C. (1995). Interactive Spatial Data Analysis. John Wiley and Sons, New York, NY.
D.J. Maguire et al. (ed.), 1991. Geographical information systems: Principles applications. Longman
Scientific & Technical, London.
Menno-Jann Kraak and Ferjan Ormeling. Longman. 1996. Cartography: Visualization of Spatial Data. ISBN:
0-582-25933-3.
Michael F. Worboys. 1995. GIS: A Computing Perspective. Taylor & Francis.
Robinson A., Morrison J., Muehrcke P., Kimerling A., Guptill S., Elements of Cartography, Sixth edition, N.
York, 1995, John Wiley & Sons, INC.
89 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ΕΠΙΛΕΓΜΕΝΕΣ ΔΗΜΟΣΙΕΎΣΕΙΣ ΣΕ ΔΙΕΘΝΗ ΠΕΡΙΟΔΙΚΑ
Kollias, V. and D. Kalivas, 1998. The enhancement of a commercial geographical information system
(ARC/INFO) with fuzzy processing capabilities for the evaluation of land resources. Computers and
Electronics in Agriculture 20 (1998) 79-95.
Kollias, V. and D. Kalivas, 1999. Land evaluation methodology and GIS for soil resource management.
Example with cotton crop in Greece. Agronomie 19 (1999) 107-118.
Kollias, V., Kalivas, D. and N. Yassoglou, 1999. Mapping the soil resources of a recent alluvial plain in Greece
using fuzzy sets in a GIS environment. European Journal of Soil Science, 50 (2) 261-273.
Tsihrintzis, V.A., R. Hamid and H.R. Fuentes, 1996. Use of Geographical Information Systems (GIS) in Water
Resources: A Review. Water Resources Management 10: 251-277.
Tsihrintzis, V.A., H.R. Fuentes and R.K. Gadipudi, 1997. GIS-Aided modeling of nonpoint source pollution
impacts on surface and ground waters. Water Resources Management 11: 207-218.
Kalivas D.P., Economou, G., and Vlachos, C.E., 2010. “Using geographic information systems to map the
prevalent weeds at an early stage of the cotton crop in relation to abiotic factors”, Phytoparasitica Vol 38
pp. 299-312. DOI: 10.1007/s12600-010-0101-0.
Kalivas, D.P., Vlachos, C.E., Economou, G., and Dimou, P., 2012. “Regional Mapping of Perennial Weeds in
Cotton With the Use of Geostatistics”. Weed Science. Vol. 60 (2), pp. 233-243.
Triantakonstantis, D., Kalivas, D.P., Kollias, V.J., 2012. “Autologistic regression and multicriteria evaluation
models for the prediction of forest expansion”. New Forests (online first). (DOI) 10.1007/s11056-012-9308x.
Markogianni, B., Dimitriou, E., Kalivas, D.P., 2012. “Land Use and Vegetation Change Detection in a Greek
Lake Catchment by Using Remote Sensing and GIS Techniques”. International Journal of Remote Sensing
(under publication).
Kalivas, D.P., Kollias, V.J., and Apostolidis, E.H., 2012. “Evaluation of three interpolation methods to
estimate forest volume in the Municipal forest of the Greek island Skyros”. Under publication. Geo-Spatial
Information Science, Vol. 16.
Poirazidis, K.S., Zografou, K., Kordopatis, P., Kalivas, D.P., Arianoutsou, M., Kazanis, D., Korakaki, E.S, 2011.
“A GIS-based integrated methodological approach to predict post-fir Aleppo pine”. Annals of Forest
Science. (DOI)10.1007/s13595-012-0222-3.
90 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Α. Σύγχρονες τεχνολογίες για τη χαρτογράφηση, παρακολούθηση
και μοντελοποίηση του περιβάλλοντος
Α3. Τηλεπισκόπηση – Εφαρμογές στο Περιβάλλον
Θεωρητικό Πλαίσιο
Ελένη Χάρου, , Ερευνήτρια, Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών, ΕΚΕΦΕ Δημόκριτος
Πετρίδης Σέργιος, Συνεργαζόμενος Ερευνητής, Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών, ΕΚΕΦΕ
Δημόκριτος
Ποϊραζίδης Κωνσταντίνος, Καθηγητής Εφαρμογών του ΤΕΙ Ιονίων Νήσων, Τμήμα Τεχνολόγων
Περιβάλλοντος, Τομέας Διαχείρισης Περιβάλλοντος και Οικολογίας
91 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
1.
ΕΙΣΑΓΩΓΗ
1.1 Μαθαίνοντας από τα δεδομένα
Υπάρχουν πολλοί λόγοι που κάποιος θα ήθελε να μάθει από τα δεδομένα. Κατ’ αρχήν σήμερα έχουμε
παρά πολλά δεδομένα. Δεδομένα από μετρήσεις, εικόνες, ήχο, βίντεο τόσα πολλά σε αριθμό που
ξεπερνούν κατά πολύ τον αριθμό των ατόμων που υπάρχουν στο σύμπαν. Και δεν θέλουμε ούτε και
μπορούμε να γνωρίζουμε για καθένα από αυτά τα δεδομένα τι ακριβώς είναι, αν υπάρχουν κανόνες
στους οποίους υπακούουν και ποιοι είναι αυτοί. Θα θέλαμε με την ευκολία που εμείς αναγνωρίζουμε
έναν γνωστό μας μέσα στο πλήθος ή με την ευκολία που ένα παιδί, όταν δείξουμε μερικές φορές τον
αριθμό επτά (7) μαθαίνει να τον αναγνωρίζει, με την ίδια ευκολία ο υπολογιστής να μπορεί να
ανακαλύπτει τη γνώση (Knowledge discovery) και να κάνει προβλέψεις (prediction) μαθαίνοντας από τα
δεδομένα.
Για παράδειγμα, ίσως ρίχνοντας μια ματιά στον παρακάτω πίνακα, θα μπορούσαμε να βγάλουμε
κάποια συμπεράσματα για το τι αγοράζει καθένας από τους παρακάτω καταναλωτές. Αλλά αν έχουμε
εκατοντάδες χιλιάδες τέτοιες γραμμές και πίνακες;
Καφέ
Τσάι
Ζάχαρη
Ψωμί
Φέτα
1
0
1
1
0
0
0
1
1
1
1
0
1
0
0
0
1
1
0
0
0
1
0
1
1
1
0
0
1
0
Δεν θα θέλαμε τότε να γίνεται με αυτόματο τρόπο, από τον υπολογιστή; Επίσης μια Τράπεζα που έχει
στοιχεία οι πελάτες της αν εξυπηρετούν ή όχι τα δάνεια τους αλλά παράλληλα έχει και προσωπικά τους
στοιχεία (π.χ. φύλο, ηλικία, επάγγελμα, εισόδημα, μορφωτικό επίπεδο, κλπ) δεν θα ήθελε να μπορεί ο
υπολογιστής να προβλέπει την συμπεριφορά των μελλοντικών πελατών της ;
Η Μηχανική Μάθηση (ΜΜ) είναι αυτό ακριβώς το επιστημονικό πεδίο –υποπεδίο της Τεχνητής
Νοημοσύνης - που προέκυψε από την ανάγκη να εκπαιδεύσουμε τους υπολογιστές πώς να μαθαίνουν
από τα δεδομένα. Έτσι, πολλές από τις τεχνικές της Μηχανικής Μάθησης προέκυψαν από τις μέχρι τώρα
γνώσεις μας για το πώς οι άνθρωποι μαθαίνουν. Να αναφέρουμε εδώ το παραδειγμα των Τεχνητών
Νευρωνικών Δικτύων (ΤΝΔ) που αποτελούν μια - απλοϊκή – προσέγγιση της δομής και λειτουργίας των
νευρώνων του εγκεφάλου. Σήμερα, μέθοδοι ΜΜ έχουν εφαρμοστεί σε αναγνώριση ομιλίας (γνωστή και
ως επεξεργασία Φυσικής Γλώσσας) σε επεξεργασία εικόνας π.χ. δορυφορικών εικόνων ή αναγνώριση
προσώπων, σε ταξινόμηση ακολουθιών DNA, σε οικονομικές αναλύσεις, σε πρόβλεψη αθλητικών αγώνων
κ.α. Ειδικότερα στις περιβαλλοντικές επιστήμες οι μέθοδοι μηχανικής μάθησης χρησιμοποιούνται στην
επεξεργασία δορυφορικών δεδομένων, στην πρόβλεψη του καιρού και του κλίματος, πρόβλεψης της
ποιότητας του αέρα, στην ανάλυση και μοντελοποίηση των περιβαλλοντικών δεδομένων, σε
ωκεανογραφικά και υδρολογικά πρόβλεψης, τα οικολογικά μοντέλα, και την παρακολούθηση του χιονιού,
των πάγων των δασών
1.2 Ταξινόμηση
Ειδικότερα με τον όρο Ταξινόμηση (classification) εννοούμε την κατάταξη των στοιχείων ενός συνόλου
δεδομένων σε διάφορες κατηγορίες σύμφωνα με κάποια χαρακτηριστικά κριτήρια (Duda 1973, Richards
1994). Η ταξινόμηση γίνεται είτε από τον άνθρωπο (π.χ. στην περίπτωση των δορυφορικών εικόνων από
τον φωτο-ερμηνευτή), είτε από τον υπολογιστή, με τη βοήθεια ειδικών αλγορίθμων που καλούνται
ταξινομητές. Η βασική παραδοχή στην οποία στηρίζεται ένας ταξινομητής είναι η ύπαρξη κάποιων
92 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
(γνωστών ή όχι) κοινών χαρακτηριστικών, βάσει των οποίων μπορούν να καθοριστούν διάφορες ομάδες
μέσα στα δεδομένα. Τα χαρακτηριστικά αυτά, συνήθως, συμβολίζονται με ένα διάνυσμα που λέγεται
διάνυσμα χαρακτηριστικών (feature vector).
Η ταξινόμηση μπορεί να είναι επιβλεπόμενη ή μή επιβλεπόμενη. Στην επιβλεπόμενη ταξινόμηση, ο
ταξινομητής, εφοδιάζεται με το εκπαιδευτικό δείγμα (ή εκπαιδευτικό σύνολο) που είναι ένα γνωστής
ταξινόμησης (ερμηνευμένο) υποσύνολο των δεδομένων. Με βάση τις πληροφορίες από το εκπαιδευτικό
δείγμα, και σύμφωνα με τον αλγόριθμο του κάθε ταξινομητή, καθορίζονται οι παράμετροι του
ταξινομητή, οι οποίες θα του επιτρέψουν στη συνέχεια να ταξινομήσει το σύνολο των δεδομένων.
Ταξινομητές
Νευρωνικοί
Ασαφείς
Επιβλεπόμενοι
Μη επιβλεπόμενοι
Backpropagation
Αυτοοργανούμε
-νοι χάρτες
LVQ
Μη επιβλεπόμενοι
Ασαφής
Στατιστικοί
Επιβλεπόμενοι
k-nn
Μεγίστουελαχίστου
Μη επιβλεπόμενοι
Κλασικός
ISODATA
Πολυτμηματικοί Ταξινομητές
Συνδυασμός ανεξάρτητων ταξινομητών
Σχ.2.1 Χρησιμοποιούμενοι ταξινομητές
Στη μη επιβλεπόμενη ταξινόμηση, ο ταξινομητής κατατάσσει τα δεδομένα σε ομάδες, ανακαλύπτοντας
μόνος του, χωρίς τη βοήθεια του εκπαιδευτικού δείγματος, τις υπάρχουσες ομοιότητες των διανυσμάτων
χαρακτηριστικών. Ένας ταξινομητής μπορεί να προέρχεται από διάφορα επιστημονικά πεδία. όπως
Στατιστική, Μηχανική μάθηση ή συνδυασμό τους.
2.
ΣΤΑΤΙΣΤΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ
Οι στατιστικοί ταξινομητές που θα εξετάσουμε είναι οι εξής: α) ο ταξινομητής των k-πλησιέστερων
γειτόνων, β) ο κλασικός Isodata και γ) ιεραρχικός ταξινομητής μεγίστου – ελαχίστου.
93 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
2.1
O ταξινομητής των k-πλησιέστερων γειτόνων.
O Ταξινομητής των k-πλησιέστερων γειτόνων (k- Νearest Νeighbors ή απλά k-NN) είναι μια στατιστική
μέθοδος, όπου, όταν δοθεί ένα διάνυσμα εισόδου x, προσδιορίζονται οι k πλησιέστεροι γείτονες
(συνήθως ως προς την Ευκλείδεια απόσταση) από το εκπαιδευτικό σύνολο και το x ταξινομείται στην
κατηγορία που ανήκει η πλειοψηφία των γειτόνων του (Duda and Hart 1973). Με απλά λόγια ο
ταξινομητής λέει: πες ότι λένε οι περισσότεροι γείτονές σου.
Για παράδειγμα στην εικόνα …. έχουμε δύο κατηγορίες: τα μπλε τετράγωνα και τα κόκκινα τρίγωνα. Σε
ποια κατηγορία θα πρέπει να ταξινομηθεί το άγνωστο στοιχείο (με πράσινο κύκλο) αν k = 3 (συνεχής
κύκλος) τότε θα πρέπει να ταξινομηθεί στα τρίγωνο, επειδή υπάρχουν 2 τρίγωνα και μόνο 1 τετράγωνο
μέσα στον εσωτερικό κύκλο. Αν k = 5 (διακεκομμένος κύκλος) τότε θα πρέπει να ταξινομηθεί στα
τετράγωνα (υπάρχουν 3 τετράγωνα και μόνο 2 τρίγωνα μέσα στον εξωτερικό κύκλο).
Εικ
2.2
Ο στατιστικός ISODATA
Ο αλγόριθμος Isodata (Duda and Hart 1973) είναι ένας επαναληπτικός αλγόριθμος.
Τα βήματά του έχουν ως ακολούθως:
• Επιλογή αρχικών τιμών: Επιλογή του αριθμού των ομάδων NC (Number of clusters) και
αρχικοποίηση των κέντρων τους. Επιλογή ενός κατωφλίου e, ώστε να διακόπτεται ο αλγόριθμος
όταν το μέσο τετραγωνικό σφάλμα των αλλαγών δ των κέντρων (για δύο διαδοχικές επαναλήψεις)
είναι κάτω από το e. Επιλογή του ανώτατου επιτρεπτού αριθμού επαναλήψεων σαν ένα
εναλλακτικό κριτήριο τερματισμού.
• Υπολογισμός της απόστασης όλων των διανυσμάτων χαρακτηριστικών από κάθε κέντρο και
τοποθέτηση κάθε διανύσματος στη λίστα του πλησιέστερου κέντρου.
• Καθορισμός των νέων κέντρων ως ο μέσος όρος των διανυσμάτων της λίστας του. Υπολογισμός
του δ. Αν το δ < ε ή εκτελέσθηκε ο ανώτατος αριθμός επαναλήψεων ο αλγόριθμος διακόπτεται.
Διαφορετικά πηγαίνουμε στο βήμα 2.
94 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
2.3 Ιεραρχικός αλγόριθμος μεγίστου ελαχίστου.
O ιεραρχικός αλγόριθμος ομαδοποίησης μεγίστου – ελαχίστου (Duda and Hart 1973) περιγράφεται ως
εξής:
Ξεκινώντας με την υπόθεση ότι υπάρχουν τόσες ομάδες όσα και τα διανύσματα εισόδου, ενώνει κάθε
φορά τις δύο πιο κοντινές ομάδες, όπου σαν απόσταση δύο ομάδων ορίζεται η μέγιστη δυνατή
ευκλείδεια απόσταση μεταξύ δύο διανυσμάτων - ένα από κάθε μια από τις δύο ομάδες.
Η διαδικασία διακόπτεται, όταν έχουμε φθάσει σε ένα προκαθορισμένο αριθμό ομάδων. Λόγω της
εξαιρετικής πολυπλοκότητάς του, ο αλγόριθμος αυτός χρησιμοποιείται σπανίως και μόνο σε περιπτώσεις
μικρού σχετικά αριθμού διανυσμάτων εισόδου.
3.
3.1
ΝΕΥΡΩΝΙΚΟΙ ΤΑΞΙΝΟΜΗΤΕΣ
Γενικά περί Τεχνητών Νευρωνικών Δικτύων
Τι είναι τα Τεχνητά Νευρωνικά Δίκτυα
Τα Τεχνητά Νευρωνικά Δίκτυα (ΤΝΔ) είναι συστήματα επεξεργασίας πληροφοριών. Μπορούν να
θεωρηθούν ως συσκευές «μαύρων κουτιών» (black boxes), που δέχονται εισόδους και παράγουν εξόδους.
Από τη στιγμή που υπάρχουν αρκετά δεδομένα, τα ΤΝΔ θα μορφοποιήσουν κάποια λύση και είναι
επομένως κατάλληλα για προβλήματα στα οποία οι συναρτησιακές σχέσεις μεταξύ των δεδομένων
εισόδου και των αποτελεσμάτων που λαμβάνονται στην έξοδο είναι ελάχιστα ή καθόλου γνωστές.
Τα ΤΝΔ, όπως υποδηλώνει και το όνομα τους, εμπνέονται από τις μέχρι τώρα γνώσεις μας για τη δομή
και λειτουργία του εγκεφάλου. Χωρίς σε καμιά περίπτωση να πλησιάζουν τις ικανότητες και την
πολυπλοκότητα του εγκεφάλου, εντούτοις προσομοιάζουν, σε ένα χαμηλό επίπεδο, κάποιες
χαρακτηριστικές ιδιότητές του. Είναι μια επιστημονική περιοχή που προέκυψε από τη διεπιστημονική
συνεργασία και θεώρηση, πρακτική που εδραιώνεται όλο και πιο πολύ στις μέρες μας, σε αντίθεση με την
απόλυτη επιστημονική εξειδίκευση και τον κατακερματισμό των επιστημονικών πεδίων που βοήθησε και
σημάδεψε σε παγκόσμιο επίπεδο την πρόοδο των επιστημών μέχρι τη δεκαετία του 50.
Σήμερα, πολλά από τα επιτεύγματα στο χώρο μιας επιστήμης προέκυψαν από την κατανόηση, την
αξιοποίηση, το δανεισμό ακόμα και την υιοθέτηση των μεθόδων, δομών, λειτουργιών ή αποτελεσμάτων
άλλων επιστημών. Σύμφωνα με τις μέχρι τώρα γνώσεις μας, όλα τα βιολογικά νευρικά συστήματα – από
το πιο απλό μέχρι το πιο πολύπλοκο, τον ανθρώπινο εγκέφαλο – αποτελούνται από ένα πλήθος κυττάρων
που ονομάζονται νευρώνες.
Εικ. 2.1 Βιολογικός νευρώνας και βιολογικό νευρωνικό δίκτυο.
Κάθε νευρώνας συνδέεται με άλλους νευρώνες, μέσω ενός πυκνού δικτύου εξειδικευμένων
συνδέσμων, των συνάψεων, που μεταφέρουν ηλεκτροχημικά ερεθίσματα από τον ένα νευρώνα στον
άλλο. Όταν ένας νευρώνας δεχθεί αρκετά –πάνω από ένα δικό του όριο – σήματα, ερεθίζεται και
95 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
παράγει έναν περιορισμένης διάρκειας παλμό, που μεταδίδεται στους άλλους νευρώνες μέσω των
συνάψεων.
Κατ΄ αναλογία, τα τεχνητά νευρωνικά δίκτυα αποτελούνται από ένα πλήθος απλών, κατάλληλα
τοποθετημένων, και πυκνά διασυνδεδεμένων επεξεργαστικών μονάδων που αντιπροσωπεύουν τους
νευρώνες και ονομάζονται νευρώνια.
Ιστορική Αναδρομή
Η ερευνητική δραστηριότητα στα νευρωνικά δίκτυα (Haykin, 1994, Beale, 1990) θεωρείται ότι αρχίζει
το 1943 με τους Mc Culloch και Pitts από τους οποίους προτάθηκε το πρώτο μοντέλο τεχνητού νευρωνίου,
το οποίο προσομοίαζε αρκετά τον τρόπο με τον οποίο λειτουργεί ο βιολογικός νευρώνας. Αργότερα, τα
νευρώνια των Mc Culloch και Pitts, συνδεδεμένα με έναν απλό τρόπο, ώστε να σχηματίζουν ένα στρώμα,
ονομάσθηκαν από τον Frank Rosenblatt “perceptrons”.
Παρόλο που τα perceptrons ήταν ικανά, με κατάλληλες αλλαγές των μεταξύ τους συνδέσεων, να
αντιμετωπίζουν με επιτυχία διάφορα προβλήματα, εντούτοις, είχαν τον εξής περιορισμό: Μπορούσαν να
αντιμετωπίσουν μόνο γραμμικώς διαχωρίσιμα προβλήματα πράγμα που εμπόδιζε την εφαρμογή τους σε
πολλά καθημερινά προβλήματα που είναι μη-γραμμικά. Το γεγονός αυτό οδήγησε τους Minsky και
Pappert στη δημοσίευση του βιβλίου “Perceptrons” (Minsky 1969), το οποίο προκάλεσε κατακόρυφη
πτώση του ερευνητικού ενδιαφέροντος (και των αμερικανικών κρατικών χρηματοδοτήσεων) για τα
νευρωνικά δίκτυα. Παρόλα αυτά, κατά τη δεκαετία του ΄70, μερικοί επιστήμονες (Kohonen, Andersan,
Fukushima, Amari, Grossberg) εξακολούθησαν - με δυσκολίες - την έρευνα η οποία έδωσε και σημαντικά
αποτελέσματα. Αργότερα, στις αρχές της δεκαετίας του ’80, το ενδιαφέρον αναζωπυρώθηκε και σε αυτό
συνετέλεσαν αποφασιστικά, τόσο οι εργασίες του Hopfield στις συσχετιστικές μνήμες, όσο και η πρόταση
του αλγορίθμου back propagation (Rumelhart, 1986), για την εκπαίδευση των πολυστρωματικών
perceptrons, ο οποίος αναιρούσε τον προηγούμενο περιορισμό. Τα νευρωνικά δίκτυα μπορούσαν πλέον
να εκπαιδευτούν για να αντιμετωπίσουν και μη γραμμικά προβλήματα.
Τα βασικά χαρακτηριστικά των τεχνητών νευρωνικών δικτύων είναι τα ακόλουθα:
•
Υψηλός βαθμός παραλληλίας. Λόγω της δομής τους τα ΤΝΔ διαθέτουν εγγενώς την εξαιρετικά
σημαντική δυνατότητα της παράλληλης υλοποίησης που τους επιτρέπει ταχύτατη λειτουργία. Αν
παρομοιάζαμε τον κοινό σειριακό υπολογιστή που διαθέτει έναν - αλλά πολύ σύνθετο επεξεργαστή με τον τρόπο που αντιλαμβανόμαστε το λόγο, προφορικό ή γραπτό (που πρέπει να
ακούμε τη μια λέξη μετά την άλλη, σειριακά), τότε τα ΤΝΔ και, γενικά, τα παράλληλα συστήματα
μοιάζουν με τον τρόπο που βλέπουμε μια εικόνα που ως γνωστό έχει μεγαλύτερη δύναμη και
υπεροχή.
•
Κατανεμημένη επεξεργασία. Η λειτουργία των ΤΝΔ είναι κατανεμημένη, με την έννοια ότι η
πληροφορία δεν αποθηκεύεται σε ένα μόνο μέρος, αλλά κατανέμεται στις συνάψεις του δικτύου,
γεγονός που τους δίνει τη δυνατότητα να λειτουργούν με επιτυχία σε περιβάλλον θορύβου.
•
Εύρωστη επεξεργασία. Μπορούν να λειτουργούν ακόμα και όταν μερικά από τα νευρώνια τους
έχουν καταστραφεί.
• Ικανότητα εκπαίδευσης. Η πιο σπουδαία ίσως ιδιότητα των Νευρωνικών δικτύων είναι η
ικανότητά τους να εκπαιδεύονται επαγωγικά από παραδείγματα (learn by example). Μπορούν να
μάθουν να αναπαράγουν κανόνες από παραδείγματα. Μπορούν να αναλύουν να γενικεύουν και
να κάνουν προβλέψεις από ένα δείγμα. Έχουν, επομένως, διαφορά από τον τρόπο που η Κλασική
Τεχνητή Νοημοσύνη με τα Έμπειρα συστήματα αντιμετωπίζει τα προβλήματα, στηριζόμενη στους
96 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
κανόνες που πρέπει εκ των προτέρων να γνωρίζει ο άνθρωπος (Argialas, and Harlow, 1990a,
1990b). Για να λύσουμε ένα πρόβλημα με τη βοήθεια ενός Νευρωνικού Δικτύου, πρέπει πρώτα να
γίνει η εκπαίδευση (training) του δικτύου στο συγκεκριμένο πρόβλημα με την βοήθεια του
εκπαιδευτικού συνόλου (training set). Επανειλημμένες παρουσιάσεις των στοιχείων του
εκπαιδευτικού συνόλου στο δίκτυο του δίνουν τη δυνατότητα να "μάθει", να ρυθμίσει, δηλαδή,
τις παραμέτρους του, κατά τέτοιο τρόπο, ώστε να μπορεί αργότερα να γενικεύει και σε άγνωστα
δεδομένα. Οι διαδικασίες εύρεσης των παραμέτρων του δικτύου ονομάζονται αλγόριθμοι
εκμάθησης. Υπάρχουν δύο τρόποι εκπαίδευσης: Η εκπαίδευση με επίβλεψη, κατά την οποία το
δίκτυο εφοδιάζεται με το εκπαιδευτικό σύνολο που περιέχει και τις σωστές απαντήσεις και η
εκπαίδευση χωρίς επίβλεψη κατά την οποία το δίκτυο πρέπει μόνο του να ανακαλύψει τις
ομάδες που τυχόν υπάρχουν στο εκπαιδευτικό σύνολο, στηριζόμενο σε κάποιο κριτήριο
ομοιότητας.
•
Ικανότητα γενίκευσης. Με βάση την εμπειρία που αποκτούν τα ΤΝΔ κατά την εκπαίδευσή τους,
μπορούν αργότερα να γενικεύουν τις γνώσεις τους σε δεδομένα για τα οποία δεν έχουν
εκπαιδευτεί. Έτσι, μετά την εκπαίδευσή τους μπορούν να εφαρμοσθούν σε ένα ευρύ φάσμα
παρόμοιων εφαρμογών με εκείνες για τις οποίες εκπαιδεύτηκαν. Ενώ ο χρόνος εκπαίδευσής τους
μπορεί να είναι σημαντικός, μόλις η εκπαίδευσή τους ολοκληρωθεί, μπορούν να λειτουργούν και
να γενικεύουν σε νέα δεδομένα πολύ γρήγορα.
Τα ΤΝΔ έχουν επιδείξει εξαιρετική ικανότητα στην επίλυση προβλημάτων τα οποία θεωρούνται
ιδιαίτερα δύσκολο να επιλυθούν με “κλασικούς” αλγόριθμους και τεχνικές. Μερικές από τις λειτουργίες
που μπορούν να εκτελέσουν είναι οι ακόλουθες:
•
•
•
•
•
•
Σύγκριση - ταυτοποίηση προτύπων (pattern matching).
Συμπλήρωση προτύπου (pattern completion)
Εξάλειψη θορύβου σε σήματα (noise removal).
Βελτιστοποίηση
Αυτόματο έλεγχο.
Ταξινόμηση.
Ειδικότερα, για την ταξινόμηση, οι τεχνικές των ΤΝΔ έχουν το πλεονέκτημα έναντι των στατιστικών ότι
δεν προϋποθέτουν γνώση της συνάρτησης κατανομής. Μπορούν να λύσουν τα προβλήματα χωρίς καμιά
υπόθεση (π.χ. ότι τα δεδομένα ακολουθούν κανονική κατανομή). Η λύση που θα δώσουν στηρίζεται στις
εσωτερικές αναπαραστάσεις των δεδομένων που αναπτύσσονται στο δίκτυο κατά τη διάρκεια της
εκπαίδευσής του.
Είδη νευρωνικών δικτύων
Τα ΤΝΔ διαχωρίζονται σε κατηγορίες, ανάλογα με την αρχιτεκτονική τους, τον τρόπο δηλαδή που
συνδέονται μεταξύ τους τα νευρώνια, και ανάλογα με τον κανόνα εκπαίδευσης. Ανάμεσα σε αυτά, τρία
είδη ΤΝΔ είναι τα πιο συχνά χρησιμοποιούμενα:
•
•
•
Το πολυστρωματικό δίκτυο πρόσω διάδοσης (multilayer feedforward neural networks) με αλγόριθμο
εκπαίδευσης τον αλγόριθμο οπισθόδρομης διάδοσης σφάλματος (Back-propagation) ή, εν συντομία,
δίκτυο ΒΡ
Το δίκτυο επιβλεπόμενης διανυσματικής κβάντισης (Learning Vector Quantization) ή, εν συντομία,
δίκτυο LVQ και
Τα δίκτυα αυτοοργανούμενων χαρτών (Self Organizing Maps) ή, εν συντομία, δίκτυα SOM.
97 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Στη συνέχεια, θα γίνει μια περιγραφή του τρόπου λειτουργίας αυτών των δικτύων.
3.2
Τα δίκτυα οπισθόδρομης διάδοσης του σφάλματος (ΒΡ)
Τα Πολυστρωματικά Δίκτυα Πρόσω Διάδοσης (ΠΔΠΔ) (Σχ.2.2) είναι από τα πλέον δημοφιλή και συχνά
χρησιμοποιούμενα δίκτυα (Haykin, 1994, Beale, 1990).
X1
j
X2
.
.
.
.
.
Xn
wij
i
y1
y2
Σχ. 2.2 Πολυστρωματικό νευρωνικό δίκτυο πρόσω διάδοσης
Αποτελούνται από ένα πλήθος στοιχειωδών επεξεργαστικών μονάδων (νευρωνίων) που είναι
οργανωμένα σε διάφορα επίπεδα ή στρώματα. Η πολυπλοκότητα του δικτύου εξαρτάται από τον αριθμό
των στρωμάτων και τον αριθμό των μονάδων σε κάθε στρώμα. Τα στρώματα αυτά διακρίνονται σε:
•
•
•
επίπεδο εισόδου. Χρησιμεύει για τη λήψη των δεδομένων από το δίκτυο. Εδώ παρουσιάζονται τα
δεδομένα υπό μορφή διανύσματος που καλείται διάνυσμα εισόδου, τα οποία προωθούνται στο
δίκτυο χωρίς να εκτελούνται κανενός είδους υπολογισμοί. Ο αριθμός των κόμβων στο επίπεδο
εισόδου είναι συγκεκριμένος και καθορίζεται από τις διαστάσεις του προβλήματος προς λύση
(π.χ. οι τιμές του εικονοστοιχείου στα διάφορα κανάλια της δορυφορικής εικόνας, δεδομένα ενός
συστήματος γεωγραφικών πληροφοριών κ.α.)
ένα ή περισσότερα ενδιάμεσα επίπεδα (Hidden Layers). Από το επίπεδο εισόδου τα δεδομένα
διοχετεύονται προς τα ενδιάμεσα επίπεδα, όπου εκτελούνται διάφοροι υπολογισμοί. Οι τιμές που
υπάρχουν στα νευρώνια αυτών των επιπέδων αποτελούν την εσωτερική αναπαράσταση του
προβλήματος. Έχει αποδειχθεί, ότι αν έχουμε αρκετά ενδιάμεσα επίπεδα και αρκετά δεδομένα,
τότε το ΤΝΔ μπορεί να προσεγγίσει οποιαδήποτε συνάρτηση με όποια ακρίβεια επιθυμούμε
(universal approximators).
επίπεδο εξόδου. Στα νευρώνια του επιπέδου αυτού παρουσιάζεται η τελική, επεξεργασμένη
μορφή των δεδομένων που αποτελούν και τη λύση του προβλήματος.
Στα ΠΔΠΔ η πληροφορία ρέει από το στρώμα εισόδου προς το στρώμα εξόδου (μέσω των ενδιάμεσων
στρωμάτων), με το κάθε νευρώνιο να δέχεται εισόδους μόνο από τις εξόδους του αμέσως προηγούμενου
στρώματος. Δηλαδή, δεν επιτρέπονται συνδέσεις μεταξύ νευρωνίων του ιδίου στρώματος ούτε, επίσης, η
τροφοδότηση της εξόδου κάποιου νευρωνίου προς νευρώνια προηγουμένων στρωμάτων. Σε κάθε
σύνδεση (ή σύναψη) αντιστοιχεί ένας αριθμός, το συναπτικό βάρος W ij ή απλά βάρος, που εκφράζει την
αποδοτικότητα της σύναψης ανάμεσα στο νευρώνιο i κάποιου στρώματος και στο νευρώνιο j του αμέσως
προηγούμενου στρώματος. Τα βάρη καθορίζουν το πώς και το πόσο θα επηρεαστεί το νευρώνιο i από τις
εξόδους των άλλων, συνδεδεμένων με αυτό, νευρωνίων j. Τα βάρη ρυθμίζονται κατά τη διαδικασία
εκπαίδευσης. Η αρχή λειτουργίας του δικτύου είναι ότι τα δεδομένα ρέουν από το επίπεδο εισόδου προς
τα επόμενα επίπεδα του δικτύου, όπου εκτελούνται διάφοροι στοιχειώδεις υπολογισμοί, μέχρι να
98 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
φθάσουν στο επίπεδο εξόδου και να υπολογισθεί εκεί μια τιμή για καθένα από τα νευρώνια εξόδου. Οι
τιμές αυτές θα αποτελούν τη λύση του προβλήματος. Στην περίπτωση που το δίκτυο χρησιμοποιείται για
ταξινόμηση πολυφασματικών εικόνων, η έξοδος του δικτύου θα πρέπει να δείχνει ποια είναι η σωστή
κατηγορία των δεδομένων εισόδου. Συγκεκριμένα, περιμένουμε να έχουμε μια μεγάλη τιμή στο νευρώνιο
που αντιστοιχεί στη σωστή κατηγορία και μικρές τιμές στα υπόλοιπα.
Πιο αναλυτικά, όταν ένα διάνυσμα εισόδου παρουσιάζεται στο επίπεδο εισόδου (μια συνιστώσα σε
κάθε κόμβο του επιπέδου), η έξοδος του επιπέδου αυτού είναι ακριβώς τα στοιχεία του διανύσματος
εισόδου μίας και, όπως αναφέρθηκε, στο επίπεδο αυτό γίνεται απλά μια προώθηση των δεδομένων.
Κάθε νευρώνιο στο επόμενο επίπεδο συλλέγει (αθροίζει) τις εξόδους όλων των νευρωνίων που
συνδέονται με αυτό πολλαπλασιασμένες με τα βάρη των αντίστοιχων συνδέσεων, αφαιρεί ένα κατώφλι
και στην έξοδό του εμφανίζει το αποτέλεσμα μιας μη γραμμικής συνάρτησης F, όταν εφαρμοσθεί επί του
αθροίσματος (Σχ.2.3).
-Θi
y1
y2
.
.
wi1
wi2
n
∑ Wijyj
2.
j=1
Σ
+
1.1
F
yi
win
yn
Σχ 2.3 Η βασική δομή του νευρωνίου
Μαθηματικά, για το νευρώνιο i , αυτό εκφράζεται με τις εξισώσεις :
n
w i1 y 1 + w i2 y 2 + w i3 y 3 +.……w in y n - Θ i = ∑ W ij y j - Θ i
j=1
και
n
y i = F ( ∑ W ij y j - Θ ι )
j=1
(1)
(2)
Ε(w) = Σ (Τ-yip)2
υ
Όπου Θ ένας αριθμός-κατώφλι (threshold) και n είναι το πλήθος των νευρωνίων του προηγουμένου
στρώματος .
Σαν μη γραμμική συνάρτηση F χρησιμοποιείται συνήθως η σιγμοειδής συνάρτηση (3)
-x
F(x) =1/(1+e )
(3)
Η συνάρτηση αυτή,(ονομάζεται σιγμοειδής γιατί η γραφική της παράσταση έχει την μορφή S τείνει να
φέρει την έξοδό της σε μια από τις δύο ακραίες καταστάσεις 0/1, γεγονός που αντιστοιχεί στη λήψη μιας
απόφασης (ναι /όχι, 0/1 ) από το νευρώνιο. Η απόφαση αυτή, είτε διοχετεύεται σε όλους του κόμβους
του επόμενου επιπέδου είτε, αν είμαστε στο επίπεδο εξόδου, είναι η τελική απόφαση του δικτύου.
99 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εκπαίδευση
Για την εκπαίδευση του δικτύου, ή με άλλα λόγια τη ρύθμιση των συναπτικών βαρών του, είναι
απαραίτητο να δημιουργηθεί ένα εκπαιδευτικό σύνολο (training set). Αυτό αποτελείται από διανύσματα
εισόδου (π.χ. τιμές εικονοστοιχείων στα διάφορα κανάλια πολυφασματικών εικόνων, τιμές επιπέδων GIS
κ.α.) μαζί με τα επιθυμητά διανύσματα εξόδου.
Ο αλγόριθμος για την εκπαίδευση του πολυστρωματικού δικτύου πρόσω διάδοσης ονομάζεται
αλγόριθμος οπισθόδρομης διάδοσης του σφάλματος (back propagation) (Rumelhart et all 1986). O
αλγόριθμος αυτός είναι επαναληπτικός και λειτουργεί σε δύο στάδια, ένα πρόσω και ένα οπισθόδρομης
διάδοσης.
Κατά το πρόσω στάδιο που περιγράφεται από τις εξισώσεις (1) και (2), τα στοιχεία του εκπαιδευτικού
συνόλου παρουσιάζονται επαναληπτικά υπό μορφή διανυσμάτων στο επίπεδο εισόδου (μία συνιστώσα
σε κάθε κόμβο του επιπέδου) μαζί με την επιθυμητή απάντηση. Στην περίπτωση της ταξινόμησης, η
επιθυμητή απάντηση είναι το διάνυσμα εξόδου που αντιστοιχεί στη σωστή κατηγορία. Συγκεκριμένα,
υπάρχουν τόσα νευρώνια εξόδου, όσες και οι κατηγορίες ταξινόμησης με την κάθε κατηγορία k να
κωδικοποιείται με την k-στήλη του μοναδιαίου πίνακα. Τα συναπτικά βάρη του δικτύου επιλέγονται,
αρχικά, τυχαία και στη συνέχεια, ο αλγόριθμος προσπαθεί να ρυθμίσει τις τιμές τους, έτσι ώστε η
διαφορά μεταξύ της πραγματικής και της επιθυμητής εξόδου συνεχώς να μειώνεται, για κάθε στοιχείο
του εκπαιδευτικού συνόλου. Για την υλοποίηση του σταδίου οπισθόδρομης διάδοσης, ορίζεται μια
συνάρτηση κόστους (σφάλματος) (4), που δείχνει τη διαφορά ανάμεσα στην τρέχουσα έξοδο του δικτύου
και στη σωστή έξοδο που θα θέλαμε να παράγει. Ακριβέστερα, η συνάρτηση ορίζεται ανάλογη του
τετραγώνου της διαφοράς ανάμεσα στις πραγματικές (y i ) και επιθυμητές (d i ) εξόδους όλων των
προτύπων που πρέπει το δίκτυο να μάθει
E = (d i -y i )2
(4)
όπου ο δείκτης c διατρέχει όλα τα στοιχεία του εκπαιδευτικού συνόλου. Στόχος είναι η ελαχιστοποίηση
του σφάλματος. Αυτό επιτυγχάνεται με τη μεταβολή των βαρών σύμφωνα με τον τύπο
∆w ij =-η ∂Ε / ∂w ij
(5)
όπου οι μερικές παράγωγοι ∂Ε / ∂wij υπολογίζονται διαδοχικά, ξεκινώντας από το επίπεδο εξόδου και
προχωρώντας προς τα πίσω και η είναι ο συντελεστής μάθησης (Learning rate).
Συνοπτικά, τα βήματα του αλγορίθμου είναι:
• Υπολογισμός της πραγματικής εξόδου για κάθε εκπαιδευτικό διάνυσμα (πρόσω διάδοση)
• Υπολογισμός του σφάλματος στο επίπεδο εξόδου
• Αλλαγή των βαρών, ξεκινώντας από το επίπεδο εξόδου και προχωρώντας προς το επίπεδο εισόδου
(οπισθόδρομη διάδοση σφαλμάτων).
Όπως προαναφέρθηκε, ο αλγόριθμος είναι επαναληπτικός. Τα διανύσματα του εκπαιδευτικού
συνόλου παρουσιάζονται συνέχεια στο δίκτυο και η εκπαίδευση διακόπτεται, είτε όταν το μέσο σφάλμα
του συστήματος έχει μειωθεί σε αποδεκτά επίπεδα, είτε όταν έχει εκτελεσθεί ένας προκαθορισμένος
αριθμός επαναλήψεων.
3.2.1.1 Γενίκευση
Μετά την ολοκλήρωση της εκπαίδευσης, τα συναπτικά βάρη του δικτύου σταθεροποιούνται
(αποθηκεύονται σε ένα αρχείο) και αρχίζει η φάση της γενίκευσης. Κατά το τελευταίο αυτό στάδιο
διοχετεύεται στο δίκτυο το σύνολο των δεδομένων του προβλήματος (δεδομένα εκπαιδευτικού συνόλου
και νέα δεδομένα). Στην περίπτωση της ταξινόμησης πολυφασματικών εικόνων, τα δεδομένα εισέρχονται
στο δίκτυο ώστε να ταξινομηθούν στην κατηγορία του κόμβου εξόδου που έδωσε τη μεγαλύτερη τιμή.
100 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
3.3
Τα δίκτυα αυτο-οργανούμενων χαρτών (SOM).
Στις προηγούμενες παραγράφους, εστιάσαμε σε επιβλεπόμενα νευρωνικά δίκτυα που εκπαιδεύονται
με τη βοήθεια ήδη ερμηνευμένου εκπαιδευτικού συνόλου. Στην παράγραφο αυτή, θα αναπτύξουμε ένα
μη επιβλεπόμενο νευρωνικό δίκτυο. Στόχος ενός μη επιβλεπόμενου δικτύου είναι να ανακαλύψει τις
ομοιότητες και τα κοινά χαρακτηριστικά στα δεδομένα εισόδου (π.χ. δεδομένα προς ταξινόμηση). Τα
δίκτυα αυτά είναι χρήσιμα, όταν δεν υπάρχει διαθέσιμο ερμηνευμένο εκπαιδευτικό σύνολο. Στην
περίπτωση της ταξινόμησης, στην πραγματικότητα, τα δίκτυα αυτά κάνουν μια ομαδοποίηση (clustering),
η οποία με τη βοήθεια του ειδικού, που θα αναγνωρίσει την κατηγορία των συγκεκριμένων ομάδων, θα
μετατραπεί σε ταξινόμηση.
Τα δίκτυα αυτο-οργανούμενων χαρτών (self-organizing maps ή εν συντομία SOM) (Kohonen 1989,
Haykin 1994) ανήκουν στα μη επιβλεπόμενα νευρωνικά δίκτυα. Στα δίκτυα αυτά όλα τα νευρώνια είναι
νευρώνια εισόδου. Με κάθε νευρώνιο είναι συνδεδεμένο ένα συναπτικό διάνυσμα ή διάνυσμα βαρών μ i
του οποίου η διάσταση είναι ίδια με τη διάσταση των διανυσμάτων εισόδου. Το διαφορετικό στην
αρχιτεκτονική του SOM, σε σχέση με τις άλλες αρχιτεκτονικές, που αναφέραμε προηγούμενα, είναι ότι τα
νευρώνια είναι διασυνδεδεμένα με πλευρικές συνδέσεις (lateral connections) που τους προσδίδουν μία
τοπολογική διάταξη στο χώρο, σχηματίζοντας ένα μονοδιάστατο ή, συνήθως, δυσδιάστατο πλέγμα
νευρωνίων (Σχ.2.4 )
Μονοδιάστατος
2διάστος, ορθογωνικός
2διάστατος εξαγωνικός
Σχ. 2.4 Παραδείγματα χαρτών
Το κάθε νευρώνιο i υπολογίζει στην έξοδό του την Ευκλείδεια απόσταση ||ξ - μi||2 ανάμεσα στο
διάνυσμα εισόδου ξ = (ξ 1 ,....ξ n ) και στο διάνυσμα βαρών του μi = (μi1 , ... , μin).
Στη συνέχεια, θεωρούμε δυσδιάστατους χάρτες KxK νευρωνίων με το κάθε νευρώνιο να περιγράφεται
από δύο επιμέρους δείκτες ως εξής: i = (i1 , i2) με 1 ≤ i1 , i2 ≤ K.
Εκπαίδευση
Η εκπαίδευση του δικτύου είναι μη επιβλεπόμενη και στηρίζεται στην ανταγωνιστική μάθηση. Βασική
ιδέα του αλγορίθμου είναι ο καθορισμός μιας γειτονιάς (neighbourhood) Ν i γύρω από κάθε νευρώνιο i.
Πιο συγκεκριμένα, για κάθε διάνυσμα ξ(t), που παρουσιάζεται στην είσοδο τη χρονική στιγμή t > 0,
επιλέγεται το νευρώνιο w με τη μικρότερη έξοδο, δηλαδή αυτό του οποίου το αντίστοιχο συναπτικό
διάνυσμα είναι το πλησιέστερο σε Ευκλείδεια απόσταση προς το ξ(t).
Στη συνέχεια, το νευρώνιο w που κερδίζει στον ανταγωνισμό (επονομαζόμενο, επίσης, και "νευρώνιο
νικητής"), καθώς επίσης και τα νευρώνια που βρίσκονται στην τοπολογική του γειτονιά Ν w
101 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
προσαρμόζουν τα συναπτικά τους διανύσματα, έτσι ώστε να πλησιάσουν προς το διάνυσμα εισόδου,
σύμφωνα με την εξίσωση :
μi(t+1) = μi(t) + α(t)Λ(w-i ,t)( ξ(t) - μi(t) )
(7)
όπου η Λ(w - i, t) είναι η συνάρτηση γειτονιάς (neighborhood function). Η συνάρτηση αυτή ορίζει ένα
δυναμικά μεταβαλλόμενο όριο που καθορίζει πόσο θα επηρεαστούν οι κόμβοι που είναι στη γειτονιά του
νικητή.
Η συνάρτηση γειτονιάς που χρησιμοποιείται συνήθως είναι η δημοφιλής ορθογωνική συνάρτηση που
ορίζεται ως εξής:
Λ(w - i, t) = 1 για ||w – i|| ∞ ≤ d(t) και
= 0 για ||w – i|| ∞ >d(t)
όπου το d(t) ονομάζεται μέγεθος γειτονιάς και ορίζεται μειούμενο με τον χρόνο, σύμφωνα με την d(t) =
d min + d 0 /(1+Κ d t). Η απειροστή νόρμα (ή Manhattan distance ή city-block distance) ||w – i|| ∞ για
δισδιάστατους χώρους ορίζεται
|| w 1 – i 1 || ∞ = max { |w 1 – i 1 | ,|w 2 – i 2 | }
Για δισδιάστατο χάρτη ορθογωνικής δομής, ως τοπολογική γειτονιά ενός νευρωνίου, συνήθως,
λαμβάνεται ένα ορθογώνιο γύρω από το νευρώνιο που κέρδισε τον ανταγωνισμό. Για λόγους ταχύτητας
αυτο-οργάνωσης και σύγκλισης του αλγορίθμου, το μέγεθος της γειτονιάς πρέπει να μικραίνει με την
πάροδο του χρόνου.
Η παράμετρος 0 < α(t) < 1 ονομάζεται ρυθμός εκμάθησης (learning rate) ή κέρδος προσαρμογής
(adaptation gain) και, συνήθως, επιλέγεται φθίνουσα συνάρτηση του χρόνου δηλ. μειώνεται με την
πάροδο του χρόνου, ούτως ώστε να ελαττώνεται η προσαρμογή των βαρών.
Τα βήματα του αλγόριθμου του Kohonen έχουν ως εξής:
1. Αρχικοποίηση του δικτύου. Ορισμός των συναπτικών βαρών μ ij (t)(1<i<n) από την είσοδο j στο
νευρώνιο i κατά την χρονική στιγμή t. Επιλογή της συνάρτησης γειτονιάς.
2. Παρουσίαση δεδομένων στο δίκτυο.
3. Υπολογισμός των αποστάσεων d j του εκπαιδευτικού διανύσματος απο το συναπτικό διάνυσμα κάθε
κόμβου του χάρτη που δίνεται από τον τύπο:
ξ – μ i  2 = [ ∑ n(ξ j - μ ij )2] 1/2
j=1
4.
Επιλογή της ελάχιστης απόστασης. Έστω w το νευρώνιο με τη μικρότερη απόσταση (νικητής του
ανταγωνισμού).
5. Ενημέρωση των συναπτικών διανυσμάτων. Το νευρώνιο νικητής και τα νευρώνια που βρίσκονται στην
τοπολογική γειτονιά N w του νικητή ενεργοποιούνται και προσαρμόζουν τα συναπτικά τους βάρη,
σύμφωνα με την εξίσωση:
μ i (t+1) = μ i (t) + η(t)Λ(w-i,t) [ξ(t)-μ i (t)]
6. Επανάληψη πηγαίνοντας στο βήμα 2.
102 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Συνοπτικά ο αλγόριθμος διατυπώνεται:
• Βρες τον πλησιέστερο κόμβο σε ένα σημείο του εκπαιδευτικού δείγματος.
• Αύξησε την ομοιότητα αυτού του κόμβου και των γειτονικών του με το σημείο του εκπαιδευτικού
δείγματος.
3.3.1.1.1 Ταξινόμηση
Μετά το πέρας της εκπαίδευσης, το σύνολο των δεδομένων ομαδοποιείται σε τόσα υποσύνολα όσα
και τα πρότυπα διανύσματα του χάρτη. Σε κάθε υποσύνολο περιέχονται τα δεδομένα εκείνα που
βρέθηκαν πλησιέστερα (με την Ευκλείδια έννοια) στο συγκεκριμένο διάνυσμα. Έτσι, ο χώρος των
δεδομένων έχει ουσιαστικά χωριστεί σε κυψέλες (Voronoi κυψελοποίηση). Τα πρότυπα διανύσματα του
χάρτη μπορούν να χρησιμοποιηθούν για την αντιπροσώπευση των δεδομένων που εμπίπτουν στις
αντίστοιχες κυψέλες (Voronoi κυψέλες) και για αυτό ονομάζονται και αντιπροσωπευτικά διανύσματα.
Στην τελική φάση λειτουργίας του δικτύου, ως ταξινομητή δορυφορικών εικόνων, κάθε διάνυσμα εισόδου
αντικαθίσταται από την κατηγορία στην οποία ανήκει το πλησιέστερο πρότυπο του χάρτη. Για να
ολοκληρωθεί η ταξινόμηση χρειάζεται να μετατραπούν, με τη βοήθεια του ειδικού, οι κατηγορίες στις
αντίστοιχές τους θεματικές κατηγορίες.
4.
4.1
ΑΣΑΦΕΙΣ ΤΑΞΙΝΟΜΗΤΕΣ
Ασαφής Λογική
Οι νόμοι της Λογικής, έτσι όπως τέθηκαν από τον Αριστοτέλη και αναπτύχθηκαν στη συνέχεια από
πολλούς άλλους επιστήμονες και φιλοσόφους, έχουν βαθύτατα επηρεάσει όλες τις επιστήμες. Οι νόμοι
του Αριστοτέλη βασίζονται στη δυαδικότητα, δηλαδή μια οντότητα μπορεί να "είναι" ή να "μην είναι". Η
παραδοχή αυτή -μπορεί να είναι ή να μην είναι σωστή- εφαρμόζεται σχεδόν σε οποιαδήποτε ενέργειά
μας, αντικατοπτρίζοντας, ίσως, μια επέκταση της υποκειμενικής επιθυμίας μας, για κατηγοριοποίηση των
πάντων. Η τάση να βλέπουμε τα πράγματα σαν σωστό ή λάθος ενισχύθηκε με την εισαγωγή των
υπολογιστών που βασίζονται αποκλειστικά στη δυαδικότητα: 1 ή 0. Δεχόμενοι όμως δύο μόνο ακραίες
δυνατότητες (άσπρο-μαύρο), απορρίπτουμε ένα άπειρο πλήθος από ενδιάμεσες δυνατότητες.
Η ασαφής Λογική (Fuzzy logic) είναι μια επέκταση της παραδοσιακής Λογικής, που μπορεί να
χειρίζεται αυτές ακριβώς τις δυνατότητες του "εν μέρει σωστό" και "εν μέρει λάθος", μεταξύ των εννοιών
"απόλυτα σωστό" και "απόλυτα λάθος". Εισήχθη από τον Lotfi Zadeh στη δεκαετία το ’60, σαν ένας
τρόπος αντιμετώπισης και μοντελοποίησης των αβεβαιοτήτων και ανακριβειών που συνυπάρχουν σε
οποιεσδήποτε μετρήσεις ή ερμηνείες, σε όλα τα καθημερινά πραγματικά προβλήματα (Zadech, 1978,
Zimmerman, H., 1984).
Έτσι, ενώ στην κλασική θεωρία συνόλων ένα στοιχείο μπορεί είτε να ανήκει είτε να μην ανήκει σε
κάποιο σύνολο, στη θεωρία ασαφών συνόλων ένα στοιχείο ανήκει – ως ένα βαθμό – σε όλα τα σύνολα.
Για το σκοπό αυτό ορίζονται οι συναρτήσεις συμμετοχής (membership functions), οι οποίες παράγουν για
κάθε σημείο του συνόλου ένα βαθμό συμμετοχής (grade of membership). Ο βαθμός αυτός παριστά για
κάθε στοιχείο το πόσο αντιπροσωπευτικό μέλος της “ασαφούς έννοιας”, που προσδιορίζεται από το
σύνολο, είναι το συγκεκριμένο στοιχείο.
Οι ταξινομητές που στηρίζονται στη θεωρία της ασαφούς Λογικής ονομάζονται ασαφείς ταξινομητές. Η
βασική διαφορά τους είναι ότι, ενώ ένας παραδοσιακός ταξινομητής κατατάσσει ένα στοιχείο σε μία και
μόνο κατηγορία, ο ασαφής ταξινομητής θεωρεί ότι ένα στοιχείο μπορεί να ανήκει σε (ή να περιέχει)
περισσότερες κατηγορίες
103 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
4.2
Ο ασαφής ISODATA (Fuzzy Isodata)
Ο αλγόριθμος ασαφής ISODATA (Bezdeck, 1976, Pao, 1989) είναι ένας επαναληπτικός αλγόριθμος που
χρησιμοποιείται για την ομαδοποίηση και αυτόματη (μη επιβλεπόμενη) ταξινόμηση δεδομένων. Είναι
μία ασαφής επέκταση του στατιστικού ISODATA.
Βασική ιδέα του αλγορίθμου είναι η κατάταξη κάθε στοιχείου της εικόνας όχι σε μία ομάδα
αποκλειστικά αλλά, κατά ένα βαθμό, σε όλες τις υπάρχουσες ομάδες, μέσω κατάλληλα σχεδιασμένων
συναρτήσεων συμμετοχής.
Για το σκοπό αυτό, το σύνολο των n-διάστατων διανυσμάτων χαρακτηριστικών (feature vectors) (π.χ.
στην περίπτωση ταξινόμησης πολυφασματικών εικόνων, το n θα είναι οι περιοχές του φάσματος)
αντικαθίσταται από τον «πίνακα βαθμών συμμετοχής», ή όπως αλλιώς ονομάζεται «πίνακα ασαφούς
διαμέρισης» (fuzzy partition matrix). Ο πίνακας αυτός έχει τόσες γραμμές όσες είναι οι επιθυμητές
ομάδες (clusters) και τόσες στήλες όσα είναι τα διανύσματα του χώρου των εισόδων (τα εικονοστοιχεία).
Τα στοιχεία του πίνακα αυτού, υπολογίζονται, μέσω μιας επαναληπτικής διαδικασίας παρουσίασης των
δεδομένων εισόδου και τροποποίησης των κέντρων των ομάδων ή κατηγοριών.
Με βάση τον παραγόμενο πίνακα βαθμών συμμετοχής επαναπροσδιορίζονται τα κέντρα των ομάδων
και η διαδικασία διακόπτεται, όταν οι μεταβολές θέσης των κέντρων είναι κάτω από ένα προεπιλεγμένο
κατώφλι ή όταν έχει συμπληρωθεί ένα ανώτατο επιτρεπτό όριο επαναλήψεων. Στη φάση ταξινόμησης, τα
δεδομένα καταχωρίζονται στην κατηγορία προς την οποία έχουν το μεγαλύτερο βαθμό συμμετοχής.
Τα βήματα του αλγορίθμου έχουν ως ακολούθως:
1. Επιλογή αρχικών τιμών: Επιλογή του επιθυμητού αριθμού NC (Number of clusters) των ομάδων και
αρχικοποίηση των κέντρων τους vi με NC σημεία (διανύσματα) τυχαία επιλεγμένα από το σύνολο των
δεδομένων. Υπολογισμός των αρχικών βαθμών συμμετοχής mik , όπως στο βήμα 3. Επιλογή ενός
κατωφλίου e, το οποίο θα χρησιμεύει για τη διακοπή των επαναλήψεων, όταν η μέγιστη απόλυτη αλλαγή
d, οποιασδήποτε τιμής του πίνακα ασαφούς διαμέρισης (που υπολογιζεται σε διαδοχικές επαναλήψεις),
είναι μικρότερη από e. Επιλογή, επίσης, του μέγιστου επιτρεπτού αριθμού επαναλήψεων σαν ένα άλλο
κριτήριο τερματισμού.
2. Υπολογισμός των νέων κέντρων των κατηγοριών, βάσει της σχέσης :
n
n not defined.Σ (m )2x ] / Σ (m )2 ; i = 1, ..., NC
vi = [Error!
Bookmark
ik
k
ik
k=1
k=
όπου n είναι η διάσταση των δεδομένων και xk το k διάνυσμα εισόδου .
3. Υπολογισμός των νέων τιμών βαθμών συμμετοχής, βάσει της σχέσης :
NC
mik = (1/||xk - vi||2) / Σ (1/||xk - vj||2)
j=1
; i = 1, ..., NC ; k = 1, ..., n
αν xk ≠ vj ∀ j=1,….NC
Διαφορετικά (αν xk = v i ) , mik = 1 αν i = j και
mjk = 0 ∀ j ≠ i.
4. Υπολογισμός του d. Εάν d ≤ e ή έχουμε φθάσει στο ανώτατο όριο επιτρεπτών επαναλήψεων, τότε
τερματίζεται ο αλγόριθμος. Διαφορετικά ξαναπήγαινε στο βήμα (2).
104 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Μετά την ολοκλήρωση του αλγορίθμου έχουμε για κάθε διάνυσμα χαρακτηριστικών το βαθμό
συμμετοχής του στην κάθε ομάδα. Παρόλο που πολλές και χρήσιμες πληροφορίες έχουμε στο σημείο
αυτό, εντούτοις, στις περισσότερες εφαρμογές (αν π.χ. χρησιμοποιούμε τον αλγόριθμο για την παραγωγή
ενός θεματικού χάρτη), συνήθως, χρειάζεται να προχωρήσουμε και στην από-ασαφοποίηση
(defuzzification) του αποτελέσματος.
Υπάρχουν διάφορες μέθοδοι για την απο-ασαφοποίηση. Μια συνηθισμένη μέθοδος είναι να
εντοπίζονται για κάθε διάνυσμα οι δύο μεγαλύτερες τιμές των βαθμών συμμετοχής του στις διάφορες
ομάδες και στη συνέχεια υπολογίζεται η απόλυτη τιμή της διαφοράς τους. Εάν η διαφορά αυτή ξεπερνά
ένα προκαθορισμένο όριο τότε το διάνυσμα αποδίδεται στην ομάδα, ως προς την οποία είχε το
μεγαλύτερο βαθμό αντιπροσωπευτικότητας. Εάν η διαφορά είναι κάτω από το όριο, τότε το διάνυσμα δεν
αποδίδεται σε καμιά από τις δύο υπάρχουσες ομάδες, αλλά σε μια νέα που χαρακτηρίζεται σαν
"άγνωστη" (don’t know) ομάδα.
Ο αλγόριθμος fuzzy Isodata έχει μεγάλες απαιτήσεις σε υπολογιστικό χρόνο και μνήμη.
5.
ΠΟΛΥΤΜΗΜΑΤΙΚΟ ΣΥΣΤΗΜΑ ΤΑΞΙΝΟΜΗΣΗΣ
Σε σύνθετα προβλήματα αναγνώρισης προτύπων, όπως αυτό της ταξινόμησης των εικονοστοιχείων
δορυφορικής εικόνας, αντί να βασιζόμαστε στα αποτελέσματα ενός ταξινομητή, είναι προτιμότερο να
συνδυάζουμε τα αποτελέσματα περισσοτέρων, διαφορετικών και ανεξάρτητων μεταξύ τους ταξινομητών.
Το σύστημα για το συνδυασμό των αποφάσεων των επιμέρους ταξινομητών καλείται πολυτμηματικός
ταξινομητής και ο συνδυασμός γίνεται μέσω ψηφοφορίας με τη βοήθεια κάποιου εκλογικού συστήματος.
Έχοντας ταξινομήσει μια εικόνα με διαφορετικούς ταξινομητές, έχουμε για κάθε εικονοστοιχείο την
κατηγορία στην οποία το κατέταξε ο κάθε επιμέρους ταξινομητής. Αν το εκλογικό σύστημα βασίζεται στην
σχετική πλειοψηφία, τότε ο πολυτμηματικός ταξινομητής θα δώσει σε κάθε εικονοστοιχείο την κατηγορία
στην οποία το κατέταξαν οι περισσότεροι ταξινομητές. Αν το εκλογικό σύστημα βασίζεται στην απόλυτη
πλειοψηφία, τότε ο πολυτμηματικός ταξινομητής θα δώσει στο εικονοστοιχείο την κατηγορία στην οποία
το κατέταξαν όλοι οι επιμέρους ταξινομητές. Είναι προφανές, ότι στη δεύτερη περίπτωση, που απαιτείται
συμφωνία όλων των επιμέρους ταξινομητών (δηλαδή ομοφωνία), θα υπάρχουν και εικονοστοιχεία
"άγνωστης" (don’t know) κατηγορίας. Στην περίπτωση ταξινόμησης εικόνων, τα don't know pixels
μπορούν να αντικατασταθούν από την κατηγορία της πλειοψηφίας των γειτόνων τους.
Στα πλεονεκτήματα χρήσης πολυτμηματικών συστημάτων που βασίζονται σε δημοκρατικές
διαδικασίες για τη λήψη της τελικής απόφασης αναφέρονται τα εξής:
1. Οι επιμέρους ταξινομητές του συστήματος μπορεί να ανήκουν σχεδιαστικά σε τελείως
διαφορετικές επιστημονικές περιοχές (π.χ. ΤΝΔ, Ασαφή Λογική, Στατιστική – βλέπε Σχ.2.5 )
2. Η συνολική επίδοση του συστήματος βελτιώνεται, όταν οι αποφάσεις των επιμέρους ταξινομητών
είναι μεταξύ τους ανεξάρτητες.
3. Ανάλογα με τον πλειοψηφικό κανόνα της διαδικασίας ψηφοφορίας (π.χ. σχετική / απόλυτη /
ενισχυμένη πλειοψηφία, ομοφωνία κλπ), ένα πρότυπο εισόδου είτε γίνεται αποδεκτό, είτε
απορρίπτεται, είτε κατατάσσεται στην «άγνωστη» κατηγορία (για παράδειγμα όταν δεν υπάρχει
επαρκής πληροφορία).
105 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ΤΑΞΙΝΟΜΗΤΕΣ
Νευρωνικoί
Ασαφείς
Στατιστικοί
Σχ.2.5 Πολυτμηματικός Ταξινομητής
106 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Α. Σύγχρονες τεχνολογίες για τη χαρτογράφηση, παρακολούθηση
και μοντελοποίηση του περιβάλλοντος
Α4. Τηλεπισκόπηση - Πειραματική Εφαρμογή
Χάρου Ελένη, Ερευνήτρια, Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών, ΕΚΕΦΕ Δημόκριτος
Ποϊραζίδης Κωνσταντίνος, Καθηγητής Εφαρμογών του ΤΕΙ Ιονίων Νήσων, Τμήμα Τεχνολόγων
Περιβάλλοντος, Τομέας Διαχείρισης Περιβάλλοντος και Οικολογίας
ΣΤΟΧΟΣ
Ο στόχος της πειραματικής εφαρμογής είναι η επίδειξη ενός λογισμικού ανοιχτής πρόσβασης της
εργαλειοθήκης Οrfeo για ανάλυση δορυφορικών εικόνων – πρόγραμμα Monteverdi (http://orfeotoolbox.org/otb/monteverdi.html).
ΕΝΟΤΗΤΕΣ
Στην πειραματική εφαρμογή, γίνεται αρχικά ανάλυση του μενού του προγράμματος και μετά γίνεται
επίδειξη εφαρμογής των βασικών δυνατοτήτων του χρησιμοποιώντας ως δορυφορικά υπόβαθρα εικόνες
Ikonos για τα νησιά των Στροφάδων.
107 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Η τηλεπισκόπηση είναι ένα απαραίτητο και καταξιωμένο εργαλείο για την μελέτη και διαχείριση του
περιβάλλοντος. Πλήθος δορυφορικών δεδομένων συλλέγονται καθημερινά τα οποία μάλιστα , κατά ένα
μεγάλο ποσοστό, διατίθενται ελεύθερα καθώς οι διάφορες υπηρεσίες διαστήματος, όπως η Αμερικανική
(NASA), η Ευρωπαϊκή (ΕSA) κ.α. υιοθετούν πολιτική ελεύθερης πρόσβασης στα δεδομένα που παράγουν,
τόσο στα πρόσφατα όσο και στα δεδομένα αρχείου. Παράλληλα, από ομάδες επιστημόνων, πανεπιστήμια
και ακαδημαϊκούς φορείς αναπτύσσονται πολλά και αξιόπιστα λογισμικά για την ανάλυση και
επεξεργασία τηλεπισκόπησης τα οποία διατίθενται ελεύθερα. Η τάση αυτή για ελεύθερα δεδομένα και
λογισμικά φαίνεται ότι θα συνεχίσει και θα ενισχυθεί στο μέλλον ακόμη περισσότερο.
Το εγχειρίδιο αυτό, απευθύνεται σε όσους θα ήθελαν ερασιτεχνικά, επιστημονικά ή και επαγγελματικά
να χρησιμοποιήσουν τις δορυφορικές εικόνες σε περιβαλλοντικές εφαρμογές. Στοχεύει να διευκολύνει
την πρόσβασή τους σε ένα ανώτερο πακέτο ανάλυσης δορυφορικών εικόνων, το ORFEO TOOLBOX, που
ξεκίνησε να αναπτύσσεται από τον Γαλλικό Οργανισμό Διαστήματος CNES, το 2006, και ακόμα και σήμερα
αναπτύσσεται, με την όλο και μεγαλύτερη συμμετοχή της Κοινότητας του Ελεύθερου Λογισμικού.
Ειδικότερα, θα παρουσιαστεί η εφαρμογή Monteverdi που είναι το Γραφικό Περιβάλλον του ORFEO
TOOLBOX. Η εφαρμογή υποστηρίζει τόσο raster (ψηφιδωτά δεδομένα) τύπους δεδομένων όσο και vector
(διανυσματικά δεδομένα). Τέλος, ο χρήστης μπορεί να επεξεργαστεί τόσο αρχεία δορυφορικών εικόνων
όσο και εικόνων ραντάρ. Το λογισμικό μπορεί να εγκατασταθεί εύκολα σε όλα τα δημοφιλή λειτουργικά
συστήματα και διατίθεται ελεύθερα από την ιστοσελίδα http://orfeo-toolbox.org/otb/monteverdi.html.
Οι κύριες λειτουργίες που έχει σήμερα το Monteverdi αποτελούν τα βασικά εργαλεία της
τηλεπισκόπησης, δηλαδή, φίλτρα, γεωμετρικές διορθώσεις, κατατμήσεις, ταξινομήσεις, πράξεις
καναλιών, επεξεργασία SAR εικόνων και απεικόνιση των αποτελεσμάτων.
Το περιβάλλον του μπορεί να υποστηρίξει τόσο εφαρμογές που στηρίζονται σε εικονοστοιχεία όσο και
εφαρμογές που στηρίζονται σε αντικείμενα. Τέλος γύρω από το MONTEVERDI υπάρχει μια ζωντανή
κοινότητα χρηστών ενώ οι οι developers αναπτύσσουν το γραφικό περιβάλλον προσθέτοντας συνεχώς
νέες λειτουργίες.
Στη συνέχεια χρησιμοποιούμε μια δορυφορική εικόνα που αποκτήθηκε από το ΤΕΙ Ιονίων νήσων και
αφορά τις νήσους Στροφάδες, μια συστάδα νησίδων στο Ιόνιο πέλαγος, σε απόσταση 27 νμ νότια από το
ακρωτήρι Γέρακα της Ζακύνθου. Οι Στροφάδες είναι σημαντικό μεταναστευτικό πέρασμα για χιλιάδες
αποδημητικά πτηνά, ενώ στα δύο μεγαλύτερα νησιά την Σταμφάνη και την Άρπυια υπάρχει σημαντική
έκταση με κάλυψη από κέδρους. Η εικόνα αυτή προέρχεται από τον δορυφόρο ΙΚΟΝΟΣ, έχει 4 κανάλια
(Blue, Green, Red, NearInfrared) και είναι διακριτικής ικανότητας 1 m. Τέλος στη συγκεκριμένη εικόνα
δεν χρειάζεται να κάνουμε καμία γεωμετρική διόρθωση καθώς είναι ήδη γεωμετρικά διορθωμένη.
Στις επόμενες παραγράφους θα γίνει μια σύντομη παρουσίαση του Κεντρικού Μενού του Monteverdi,
και της διαδικασίας εισαγωγής δεδομένων, απεικόνισης τους, εξαγωγής περιοχής ενδιαφέροντος και
αποθήκευσης. Στη συνέχεια θα παρουσιαστούν εξειδικευμένες εργασίες όπως Κατάτμηση
(segmentation) εικόνας και Ομαδοποίηση (clustering). Τέλος θα γίνει εφαρμογή επιβλεπόμενης
ταξινόμησης με την βοήθεια του αλγόριθμουSVM (Support Vector Machines). Για το σκοπό αυτό θα
δημιουργηθούν εκπαιδευτικά σύνολα (training sets) χρησιμοποιώντας τα εργαλεία του Monteverdi.
Τέλος θα γίνει αξιολόγηση των αποτελεσμάτων της ταξινόμησης.
108 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
1.
ΤΟ ΚΕΝΤΡΙΚΟ ΜΕΝΟΥ ΤΟΥ MONTEVERDI
Με την έναρξη του Monteverdi εμφανίζονται έξι (6) μενού επιλογών (Εικ. 1) το καθένα από τα οποία
περιέχει μια αναδιπλούμενη λίστα με τις διάφορες λειτουργίες.
Εικόνα 1: Κεντρικό μενού Monteverdi
•
Το μενού επιλογών File (Eικ. 2) περιέχει εργαλεία για άνοιγμα της εικόνας (Open dataset),
αποθήκευσης κάποιας υποεικόνας που δημιουργείται (Save dataset, Save dataset (advanced)),
εργαλείο για να μπορεί ο χρήστης να εφαρμόζει σταδιακά ένα πλήθος ενεργειών χωρίς να αποθηκεύει
τα αποτελέσματα (Cache dataset), εργαλείο για αποκοπή τμήματος εικόνας (Extract RΟΙ from dataset),
συνένωση διαφόρων εικόνων σε μια πολυκαναλική (πολυφασματική) (Concatenate images), εξαγωγή
των δεδομένων του (είτε είναι raster είτε vector) στο GoogleEarth Export to Kmz ο χρήστης μπορεί να,
με το υπομενού Statistics υπολογίζονται τα στατιστικά της εικόνας.
109 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ2
•
Το μενού επιλογών File
Το μενού επιλογών Visualization (Eικ3) περιέχει όλα τα εργαλεία για εμφάνιση της εικόνας στον
χρήστη (Viewer) εμφάνισητων φασματικών υπογραφών (Spectral Viewer) και αλλαγή χρωμάτων στην
εικόνα (Color Mapping).
Eικ. 3Το μενού επιλογών Visualization
•
Το μενού επιλογών Calibration (Eικ4) περιέχει όλες τις ενέργειες για διόρθωση της δορυφορικής
εικόνας (Optical Calibration) ή μιας εικόνας από ραντάρ (SAR Calibration) από την επίδραση της
ατμόσφαιρας.
Εικ. 4
•
Το μενού επιλογών Calibration
Το μενού επιλογών Filtering (Eικ5) περιέχει το εργαλείο BandMath, για να μπορεί ο χρήστης να
πραγματοποιήσει τις δικές του αριθμητικές πράξεις μεταξύ των καναλιών της εικόνας (π.χ. λόγοι), το
εργαλείο για κατωφλίωση της εικόνας Threshold, μια σειρά από φίλτρα Feature Extraction, το
εργαλείο για να πραγματοποιείται σε πανχρωματικές εικόνες Pansharpening, φίλτρα για change
detection καθώς επίσης και εργαλείο για διαχωρισμό μιας εικόνας σε αντικείμενα mean shift
clustering τα οποία μπορούν να χρησιμοποιηθούν σε ταξινομήσεις.
110 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Eικ.5• Το μενού επιλογών Filtering
•
Το μενού επιλογών SAR (Eικ. 6) περιέχει όλα τα εργαλεία για επεξεργασία εικόνων ραντάρ.
Εικ.6
•
Το μενού επιλογών SAR
Το μενού επιλογών Learning (Εικ. 7)περιέχει τους ταξινομητές που έχει το Monteverdi δηλαδή
επιβλεπόμενη ταξινόμηση SVM classification και μη επιβλεπόμενη ταξινόμηση KMeans clustering.
Εικ. 7 Το μενού επιλογών Learning
•
Τέλος, το μενού επιλογών Geometry (Εικ. 8) περιέχει όλα τα εργαλεία για την γεωμετρική διόρθωση
της εικόνας.
111 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ.8 το μενού επιλογών Geometry
2.
ΕΙΣΑΓΩΓΗ ΚΑΙ ΑΠΕΙΚΟΝΙΣΗ ΔΕΔΟΜΕΝΩΝ
Προκειμένου να επεξεργαστούμε την εικόνα μας πρέπει να την εισάγουμε στο MonteverdiΓια το σκοπό
αυτό επιλέγουμε την εικόνα πατώντας
Μενού FileOpen dataset (Εικ 9).
Εικ. 9Άνοιγμα της εικόνας
112 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Αναγνωρίζεται
αμέσως ότι
πρόκειται για
εικόνα
RealImage
Αυτομάτως,
δημιουργείτ
αι ένας
δείκτης
Reader, που
περιέχει την
τα κανάλια της
εικόνας.
Εικ 10. Φόρτωση εικόνας
Για την εμφανίσουμε την εικόνα μας στην οθόνη επιλέγουμε Mενού VisualatationViewer. Στο
παράθυρο που ανοίγει επιλέγουμε την εικόνα που έχει ήδη φορτωθεί και θέλουμε να εμφανίσουμε στην
οθόνη, πατάμε το (+) και μετά ok(Εικ.11). (εναλλακτικά μπορούμε και με δεξί κλικ στο όνομα του
αρχείου και επιλογή Display in Viewer)
Εικ. 11 Επιλογή εικόνας για εμφάνιση
Στην συνέχεια εμφανίζονται στην οθόνη μας διάφορα παράθυρα (Εικ. 12). Στο παράθυρο Navigation view
φαίνεται το σύνολο της εικόνας και αυτό χρησιμοποιείται κυρίως για γρήγορη πλοήγηση πάνω στην
εικόνα. Στο ακριβώς από κάτω παράθυρο, zoomview, εμφανίζεται η περιοχή στην οποία ο χρήστης έχει
εστιάσει ενώ από κάτω έχουμε το ιστόγραμμα της εικόνας και παρακάτω την περιγραφή του κάθε pixel
στο οποίο ο χρήστης ακουμπάει το ποντίκι του.
Με τη βοήθεια του Navigation view εστιάζουμε διαδοχικά στα δύο μεγαλύτερα νησάκια του
συγκροτήματος, την Σταμφάνη (Εικ. 12) και την Άρπυια (Εικ. 13) και τα παρατηρούμε στο μεγάλο
παράθυρο – Full resolution window.
113 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ. 12 MonteverdiViewer :Σταμφάνη
Εικ. 13MonteverdiViewer: Αρπυια
Παράλληλα με τον Viewer ανοίγει και ένα μικρότερο παράθυρο με τέσσερις (4) καρτέλες (Εικ. 14)
Επιλέγουμε την καρτέλα Setup για να εμφανίσουμε την εικόνα σε gray scale mode, ή να επιλέξουμε
συνδυασμό καναλιών για δημιουργία έγχρωμης εικόνας.
Πειραματιστείτε με διάφορες επιλογές καναλιών και μεθόδους
για να γίνει το contrast της εικόνας. Από μόνο του το πρόγραμμα έχει προεπιλεγμένη την μέθοδο Linear
X%.
114 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ. 14Η καρτέλα Setup
Τέλος,επιλέξτε την καρτέλα PixelDescription(Εικ. 15) για να δείτε για όποιο pixel (X,Y) της εικόνας
θέλετε τις τιμές του στα διάφορα κανάλια της εικόνας και τις συντεταγμένες του (γεωγραφικό μήκος και
γεωγραφικό πλάτος) για να δείτε τις φασματικές υπογραφές των pixel της εικόνας δηλαδή την ένταση
τους σε κάθε κανάλι, Επιλέξτε Μενού Visualisation -SpectralViewer-Spectralangleδεξί
κλικ . Στο κάτω μέρος του παραθύρου μπορεί να επιλέξει τον κατάλληλο συνδυασμό καναλιών για την
απεικόνιση.
Αν είστε συνδεδεμένοι στο
Internet αναγνωρίζει την
περιοχή και την χώρα που
βρίσκεται η εικόνα.
Εικ. 15. H καρτέλα pixel description
Πειραματιστείτε και συγκρίνετε μεταξύ τους τις φασματικές υπογραφές των pixels της θάλασσας,των
δέντρων κλπ.
115 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ. 16 SpectralViewer
3.
ΕΞΑΓΩΓΗ ΠΕΡΙΟΧΗΣ ΜΕΛΕΤΗΣ
Πολύ συχνά θελουμε να απομονώσουμε ένα κομμάτι της εικόνας για να δουλέψουμε σε αυτό.
Επιλέγοντας ΜενούFileEXTRACTION ROI from dataset η αρχική εικόνα εμφανίζεται σε ένα νέο
παράθυρο το SelectROI μαζί με στοιχεία: για το μέγεθος σε pixel της εικόνας, τις συντεταγμένες της
πάνω αριστερά γωνίας και το πλάτος και ύψος που προσδιορίζει την προς εξαγωγή εικόνα καθώς επίσης
και τις γεωγραφικές τους συντεταγμένες. Αμέσως μετά την επιλογή της περιοχής που μας ενδιαφέρει
(είτε στις συν/νες της εικόνας είτε σε γεωγραφικές συν/νες), θα δημιουργηθεί στο Monteverdi ένας
δείκτης Extract ROI, ο οποίος θα περιέχει όλα τα κανάλια της εικόνας κομμένα στην περιοχή .
116 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Eικ. 17 Καθορισμός ορίων περιοχής ενδιαφέροντος
Εικ. 18 Αλλαγή ονόματος αρχείων
Η εικόνα που προκύπτει από την εξαγωγη ονομάζεται αυτόματα Outputimage. Με δεξί κλικ πάνω στο
όνομα κάθε καναλιου αλλάξτε το όνομα από OutputImage σε stamfani. Στη συνέχεια επιλέξτε FILESave
dataset (ή με δεξι κλικ πανω στο ονομα) για να αποθηκεύσετε την εικόνα
Μενού FILE SAVE
117 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ. 19 Επιλογες αποθηκευσης
Υπάρχουν διάφορες επιλογές αποθήκευσης. Δοκιμάστε να αποθηκεύσετε την εικόνα σε 8 και 16 bits
και παρατηρείστε τη διαφορά (Εικ. 20). Μην ξεχνάτε να γράφετε το όνομα του αρχείου με την κατάληξη
που δηλώνει το format (π.χ. tiff )
Εικ. 20. Αποθήκευση σε 8bitvs και 16bit
4. ΚΑΤΑΤΜΗΣΗ ΕΙΚΟΝΑΣ
Εκτός από την συνηθισμένη θεώρηση όπου μια εικόνα έχει σαν δομικά στοιχεία της τα εικονοστοιχεία,
μπορούμε να θεωρήσουμε ότι μια εικόνα είναι ένα σύνολο αντικειμένων (objects) π.χ δένδρα, θάμνοι,
κτίρια κλπ. Η θεώρηση αυτή αναπαριστά καλύτερα την πραγματικότητα και διευκολύνει την ταξινόμηση.
Η διαδικασία διαίρεσης της εικόνας σε αντικείμενα (objects) ονομάζεται κατάτμηση (segmentation)
εικόνας.
Η κατάτμηση στο Monteverdi γίνεται με την βοήθεια του αλγόριθμου Mean Shift (Εικ. 21). Ο
αλγόριθμος ομαδοποιεί εικονοστοιχεία που είναι γειτονικά στο χώρο (παράμετρος spatial radius) και
συγχρόνως μοιάζουν φασματικά (παράμετρος spectralvalue). Το αποτέλεσμα είναι η δημιουργία
αντικειμένων τα οποία με την καταλληλη επιλογή των παραμέτρων αναπαριστούν τα αντικείμενα που
118 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
θέλουμε στην εικόνα. Κάθε φορά που αλλάζουν οι παράμετροι έχουμε μια οπτικοποίηση του
αποτελέσματος ώστε να διαλέξουμε τελικά εκείνο που μας ικανοποιεί ως προς τα αντικείμενα που
θέλουμε να εξάγουμε από την εικόνα.
Για να γίνει κατάτμηση της εικόνας μας επιλέγουμε ΜενούFilteringMean Shift
Αλλάζουμε τις τιμές των παραμέτρων Spatial radius Spectral value και Minimum Region Size
Για να ελέγχουμε το αποτέλεσμα οπτικά επιλέγουμε Display Clusters ON-Run
Εικ. 21 Κατάτμηση εικόνας σε αντικείμενα
Επαναλαμβάνουμε τη διαδικασία όσες φορές χρειαστεί αλλάζοντας τις παραμέτρους ώσπου να
επιτύχουμε ένα αποτέλεσμα που να ξεχωρίζει ικανοποιητικά τα αντικείμενα που επιθυμούμε.
119 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
5.
ΤΑΞΙΝΟΜΗΣΗ
Με τον όρο Ταξινόμηση (classification) εννοούμε την κατάταξη των στοιχείων ενός συνόλου
δεδομένων σε διάφορες κατηγορίες σύμφωνα με κάποια χαρακτηριστικά κριτήρια. Η ταξινόμηση
γίνεται με τη βοήθεια ειδικών αλγορίθμων που καλούνται ταξινομητές. Η βασική παραδοχή στην οποία
στηρίζεται ένας ταξινομητής είναι η ύπαρξη κάποιων (γνωστών ή όχι) κοινών χαρακτηριστικών, βάσει
των οποίων μπορούν να καθοριστούν διάφορες ομάδες μέσα στα δεδομένα. Τα χαρακτηριστικά αυτά,
συνήθως, συμβολίζονται με ένα διάνυσμα που λέγεται διάνυσμα χαρακτηριστικών (feature vector).
Η ταξινόμηση μπορεί να είναι επιβλεπόμενη (supervised) ή μή επιβλεπόμενη (unsupervised). Στην
επιβλεπόμενη ταξινόμηση, ο ταξινομητής, εφοδιάζεται με το εκπαιδευτικό δείγμα (training set) που είναι
ένα γνωστής ταξινόμησης (ερμηνευμένο) υποσύνολο των δεδομένων. Με βάση τις πληροφορίες από το
εκπαιδευτικό δείγμα, και σύμφωνα με τον αλγόριθμο του κάθε ταξινομητή, καθορίζονται οι παράμετροι
του ταξινομητή, οι οποίες θα του επιτρέψουν στη συνέχεια να ταξινομήσει το σύνολο των δεδομένων. Η
επιβλεπόμενη ταξινόμηση είναι μια διαδικασία με την οποία κάθε ξεχωριστό στοιχείο ταξινομείται στην
αντίστοιχη κλάση με βάση την πληροφορία που έχουμε για ένα ή περισσότερα χαρακτηριστικά της όπως
αυτή προκύπτει από τις περιοχές εκπαίδευσης που έχει επιλέξει ο χρήστης. Στη μη επιβλεπόμενη
ταξινόμηση, ο ταξινομητής κατατάσσει τα δεδομένα σε ομάδες, ανακαλύπτοντας μόνος του, χωρίς τη
βοήθεια του εκπαιδευτικού δείγματος, τις υπάρχουσες ομοιότητες των διανυσμάτων χαρακτηριστικών.
Επιβλεπόμενη ταξινόμηση με SVM
Το μοντέλο της επιβλεπόμενης ταξινόμησης που χρησιμοποιεί το Monteverdi είναι βασισμένο στη
μέθοδο Support Vector Machines, η οποία χρησιμοποιεί την έρευνα μεταξύ δύο ξεχωριστών κλάσεων με
βάση τα δείγματα εκπαίδευσής τους. Η μέθοδος μπορεί να εφαρμοστεί και για ταξινομήσεις με
παραπάνω από δύο κλάσεις. O χρήστης φορτώνει την εικόνα του στο σύστημα και με βάση το παράθυρο
που δημιουργείται, δημιουργεί κλάσεις (κατηγορίες), φτιάχνοντας πολύγωνα για κάθε κλάση. Με αυτό
τον τρόπο το σύστημα πραγματοποιεί μια ταξινόμηση με βάση τα χαρακτηριστικά της κάθε κλάσης, έτσι
όπως προκύπτουν από τις περιοχές εκπαίδευσης που επέλεξε ο χρήστης και κάθε pixel ταξινομείται στην
αντίστοιχη κατηγορία.
Ξεκινάμε την διαδικασία επιβλεπόμενης ταξινόμησης με την επιλογή Μενού LEARNING -SVM
CLASSIFICATION (Εικ. 22).
120 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ. 22. Μενού SVMclassification
5.1
Διαδικασία δημιουργίας trainingsets (εκπαιδευτικών πεδίων)
Το Monteverdi διαθέτει περιβάλλον για τον καθορισμό των εκπαιδευτικών πεδίων από το χρήστη με τη
βοήθεια του εντολέα (Εικ. 23).
Εικ. 23. Περιβάλλον δημιουργίας εκπαιδευτικών πεδίων
121 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Επιλέγουμε το κουμπί Add για να ορίσουμε την επιθυμητή κλάση, Remove για να διαγράψουμε μια
κλάση, Name για ορισμό ή αλλαγή ονόματος και Color για ορισμό ή αλλαγή χρώματος. Όταν επιλέξουμε
με το ποντίκι μας το πολύγωνο που θέλουμε για την εκπαίδευση, πατάμε το κουμπί End Polygon για να
δηλώσουμε το κλείσιμο του πολυγώνου
Επαναλαμβάνουμε τη διαδικασία ώσπου να επιλέξουμε πολύγωνα για κάθε κλάση (Εικ. 24). Υπάρχει
δυνατότητα να αποθηκεύσουμε το εκπαιδευτικό δείγμα που δημιουργήσαμε πατώντας FileExport
selected polygons, ώστε να το χρησιμοποιήσουμε σε επόμενη φάση. Αφού ορίσουμε τα πολύγωνα για
όλες τις κλάσεις ορίζουμε τον πυρήνα (kernel) του SVM από το μενού Setup SVM Kernel type.
R
Εικ. 24: Εμφάνιση των πολυγώνων που ορίσθηκαν ως trainingsets
Με το κουμπί learn υλοποιείται η διαδικασία της εκμάθησης. Στη συνέχεια πατώντας το κουμπί display
εμφανίζουμε στην οθόνη το αποτέλεσμα της ταξινόμησης (Εικ. 25)
122 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Εικ. 25 Εμφάνιση των αποτελεσμάτων της ταξινόμησης με SVM.
Τέλος για την αποτίμηση της ακρίβειας της ταξινόμησης παταμε το κουμπί Validate με το οποίο
δημιουργείται ο πίνακας σύγχυσης (Εικ. 26 ).
Εικ. 26Πίνακας Σύγχυσης
123 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Οι τιμές στην διαγώνιο του Πίνακα Σύγχυσης αντιπροσωπεύουν τα εικονοστοιχεία που ταξινομήθηκαν
επιτυχώς. Αντιθέτως, οι τιμές των εικονοστοιχείων εκτός διαγωνίου αντιπροσωπεύουν τα εικονοστοιχεία
που ταξινομήθηκαν λανθασμένα.
Αναλύοντας την κατηγορία ‘highveget’ από τα δεδομένα του Πίνακα Σύγχυσης, παρατηρούμε τα εξής:
Η πραγματική τιμή για την κλάση ‘highveget’ είναι 1010 εικονοστοιχεία, ενώ ο ταξινομητής SVM απέδωσε
στη συγκεκριμένη κατηγορία 1021 εικονοστοιχεία. Το σφάλμα οφείλεται τόσο στο ότι έχασε
εικονοστοιχεία που ανήκουν στην κατηγορία ‘highveget’ όσο και στο ότι φορτώθηκε εικονοστοιχεία που
ανήκαν σε άλλες κατηγορίες. Συγκεκριμένα έχασε 89 εικονοστοιχεία που ήταν high vegetation και
ταξινομήθηκαν λανθασμένα σαν low vegetation όσο και στο ότι 100 εικονοστοιχεία που ήταν low
vegetation αποδόθηκαν από τον αλγόριθμο στην κατηγορία ‘highveget’.
Ανάλογα μπορούμε να αναλύσουμε ως προς την ακρίβεια ταξινόμησης τις υπόλοιπες κατηγορίες. Ο
συντελεστής k θεωρείται το πλέον αξιόπιστο μέτρο εκτίμησης της ακρίβειας της ταξινόμησης και μας
πληροφορεί κατά πόσον τα αποτελέσματα που πήραμε οφείλονται πραγματικά στην ικανότητα του
ταξινομητή να διαχωρίζει τις κλάσεις και δεν είναι τυχαία αποτελέσματα. Επιθυμούμε να έχουμε τιμή
του k κοντά στην μονάδα για να είναι η ταξινόμησή μας είναι αποδεκτή και αξιόπιστη.
6.
ΜΗ ΕΠΙΒΛΕΠΟΜΕΝΗ ΤΑΞΙΝΟΜΗΣΗ ΜΕ KMeans
Η μη επιβλεπόμενη ταξινόμηση (unsupervisedclassification ) γίνεται από το ΜONTERVERDI με χρήση
του αλγορίθμου KMeans.
O χρήστης εισάγει την εικόνα επιλέγοντας Mενού Fileopendataset
Και στη συνέχειαMenu Learning -KMEANS CLUSTERING
Στο παράθυρο που εμφανίζεται (Εικ. 27) ορίζει
• πόσες κλάσεις θέλει να δημιουργήσει ο αλγόριθμος,
• πόσα δείγματα θα πάρει από την εικόνα και
• ποιο θα είναι ο μέγιστος αριθμός επαναλήψεων.
Πατώντας ΟΚ γίνεται η επεξεργασία και στο τέλος δημιουργείται και ο αντίστοιχος δείκτης, που
περιέχει την εικόνα πού έχει ταξινομηθεί.
Εικ. 27. Αποτέλεσμα ταξινόμησης με Kmeans
124 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ΒΙΒΛΙΟΓΡΑΦΙΑ ΓΙΑ ΤΗΛΕΠΙΣΚΟΠΗΣΗ
Βαϊόπουλος, Δ., Ν. Βασιλάς, Ε. Χάρου, Σ. Βαρουφάκης και Θ. Γκουρνέλλος, Νοέμβριος 1996 “Ταξινόμηση
Δορυφορικών Εικόνων σε Τύπους Kάλυψης Γης με Χρήση Ευφυών Συστημάτων”, Συμπόσιο:
Τηλεανίχνευση και Εφαρμογές, Αθήνα,.
Βαϊόπουλος, Δ., 2000 (Α). “Εισαγωγή στην Πληροφορική”, Πανεπιστημιακές Εκδόσεις, Αθήνα
Βαϊόπουλος, Δ., 2000 (Β). “Εφαρμογές της Διαστημικής Επιστήμης και Τεχνολογίας και Στοιχεία του
Πλανητικού Συστήματος”, Πανεπιστημιακές Εκδόσεις, Αθήνα.
Βασιλάς, N., Μ. Στεφούλη, Δ. Βαϊόπουλος, Ε. Χάρου και Σ. Βαρουφάκης, 1997. “Επεξεργασία και
ταξινόμηση Λιθολογικών Ενοτήτων από Δορυφορικές Εικόνες με Χρήση Νευρωνικών Δικτύων”, 1ο Διεθνές
Συνέδριο: Διαστημικές Εφαρμογές και Περιβάλλον, Αθήνα.
Bασιλάς, Ν., Δ. Βαϊόπουλος, Ε. Χάρου και Σ. Βαρουφάκης, , 1998. “Αποτελεσματική Ομαδοποίηση και
Ταξινόμηση Δορυφορικών Εικόνων σε Τύπους Εδαφοκάλυψης με Χρήση Αυτο-Οργανούμενων Χαρτών”,
Τεχνικά Χρονικά, Επιστημονική Έκδοση ΤΕΕ. Σελ 31-42.
Μουτσούλας, Μ., Ε. Χάρου, Ν. Βασιλάς, Σ. Περαντώνης και Σ. Βαρουφάκης, 1995. “Επεξεργασία
Πολυφασματικών Δορυφορικών Δεδομένων με χρήση Νευρωνικών Δικτύων”, 4ο Πανελλήνιο Γεωγραφικό
Συνέδριο, Αθήνα,.
Μουτσούλας, Μ., Σ. Πιττέρη, 1993 "Εφαρμογές της Διαστημικής Επιστήμης και Τεχνολογίας",
Πανεπιστημιακές Σημειώσεις.
Argialas, D., and C. Harlow, 1990a. Computational Image Interpretation Models: An Overview and a
Perspective. (Ψηφιακά μοντέλα ερμηνείας εικόνων: ανασκόπηση και προοπτικές) Photogrammetric
Engineering and Remote Sensing, Vol. 56, No 6, June, σελ. 871-886.
Argialas, D., and C. Harlow, 1990b (editors). Special Issue: Knowledge-Based Expert Systems. (Eιδικό
Tεύχος: Έμπειρα Συστήματα στηριζόμενα στην εξιδικευμένη γνώση) Photogrammetric Engineering and
Remote Sensing, Vol. 56, No 6, June, σελ. 871-886.
Argialas, D., and S. Krishnamoorthy, 1992. Detection of lines and circles in maps and engineering drawings,
(Aναγνώριση γραμμών και κύκλων από χάρτες και τεχνικά σχέδια) In "International Archives of
Photogrammetry and Remote Sensing", Vol. XXIX, part B, Commision III, σελ. 392-399, L. Fritz and J. Lucas
Editors, XVII ISPRS Congress, Washington D.C. August 2-14, 1992.
Beale, R. , T. Jakson, 1990. “Neural Computing an Introduction” Adam Hilger.
125 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Benediktsson, J.A., P.H. Swain, and O.K. Ersoy, 1990. “Neural network approaches versus statistical
methods in classification of multisource remote sensing data”, IEEE Trans. Geosci. Remote Sensing, vol. GE28, no. 4, pp. 540-552.
Bezdek, J.C., 1976. “A physical interpretation of fuzzy ISODATA”, IEEE Transactions Systems, Man and
Cybernetics, Vol.6, pp. 387- 389.
Bischof, H., W. Schneider, and A.J. Pinz, , 1992. “Multispectral classification of Landsat-images using neural
networks”, IEEE Trans. Geosci. Remote Sensing, vol. GE-30, no. 3, pp. 482-490.
Cappellini, V., A. Chiuderi and S. Fini, , 1995. “Neural networks in remote sensing multisensor data
processing”, in Proc. 14th EARSeL Symposium'94 (Sensors and Environmental Applications of Remote
Sensing), J. Askne, Ed. Rotterdam: A.A. Balkema, Geteborg, pp. 457-462.
Charou, E., N. Ampazis, N. Vassilas, S. Perantonis, C. Feizidis and S. Varoufakis, , 1994. “Land-Use
Classification of Satellite Images Using Artificial Neural Network Techniques”, in Proc. Integration,
Automation and Intelligence in Photogrammetry, Remote Sensing and G.I.S., 3rd Int'l Colloquium of
LIESMARS, Wuhan, P.R. China, pp. 368-377.
Cross A, Wadge G., 1988. “Geological lineament detection using the Hough Transform”Proceedings of
IGARSS ’88 Endimborough, Scotland.
Cross A, , 1988. “Detection of circular geological features using Hough transform”, Int. Journal of Remote
Sensing, vol.9 No 9, p.1519-1528.
Duda, R.O., and P.E. Hart, , 1973. “Pattern Classification and Scene Analysis”, Wiley, New York.
Fisher, P. F. and Pathirana, S., 1990. “The evaluation of fuzzy membership of land cover classes in the
suburban zone”, Remote Sensing of Environment, vol. 34, p.121-132.
Gatos, B., Perantonis, S.J. and Papamarkos, N., 1996, “Accelerated Hough Transform Using Rectangular
Image Decomposition”, Electronics Letters, Vol. 32, No. 8, pp. 730-732.
Gopal, S., and Woodcock, C., 1994, “Theory and methods for accuracy assesment of thematic maps using
fuzzy sets”, Photogrammetric Engineering and Remote Sensing, vol. 60, 181-188.
Halounova, L., 1995. “Comparison of neural network and maximum likelihood classifications in an urban
area”, in Proc. 14th EARSeL Symposium'94 (Sensors and Environmental Applications of Remote Sensing), J.
Askne, Ed. Rotterdam: A.A. Balkema, Geteborg, pp. 463-468.
Haykin, S., 1994. “ Neural Networks”, Macmillan.
126 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Heermann, P.D., and N.Khazenie, , 1992. “Classification of multispectral remote sensing data using a back
propagation neural network”, IEEE Trans. Geosci. Remote Sensing, vol. GE-30, no. 1, pp. 81-88.
Hewitson, B.C. and R.G. Crane, 1994 “Neural Nets: Applications in Geography”, Kluwer Academic
Publishers, Netherllands.
Kamata, S., and E. Kawaguchi, , 1993. “A neural network classifier for multi-temporal Landsat images using
spacial and spectral information”, Proc. IJCNN'93, Nagoya, Japan pp. 2199-2202.
Kohonen, T., 1989. “Self-Organization and Associative Memory”, Springer-Verlag, Berlin-Heidelberg-New
York-Tokyo, 3 ed.
Karnieli, A., Meisels, A., Fisher, L. and Arkin, Y., 1996. “Automatic extraction and evaluation of geological
linear features from digital remote sensing data using a Hough transform”, Photogrammetric Engineering
and Remote Sensing, 62, 5, 525-531.
Kohonen, T., 1990. “Improved versions of learning vector quantization”, Proc. IJCNN'90, San Diego,
California, pp I545-I550.
Lee, J.R., Weger, S. K.Sengupta and R. M. Welth, 1991. “A neural network approach to cloud classification”,
IEEE Transactions on Geosci. Remote Sensing, vol. 28, pp. 846- 855.
LVQ_PAK: The Learning Vector Quantization Program Package. Helsinki University of Technology, January,
1992.
Minsky, M.L, S.A. Papert, 1969. “Perceptrons”.Campridge, M.A: MIT Press.
Moore G., 1983. “Objectives Procedures for Lineament Enchancement and Extraction”, Photogrammetric
Engineering and Remote sensing, Vol 49, No5, p.641-642.
O’Leary, D.W, J.D. Friedman, H.A. Pohn, 1976. “Lineament, linear, lineation”, Geological Society of America
Bulletin, v.87, p.1463-1469.
Omatu, S. and T. Yosida, 1991. “Pattern classification for remote sensing using neural network”, Proc.
IJCNN'91, pp. 653-657, Singapore.
Pao, Y., 1989. “Adaptive Pattern Recognition and Neural Networks”, Addison-Wesley.
Perantonis, S. J., Vassilas, N., Tsenoglou, Th. and Seretis, K., 1998. “Robust Line Detection Using Weighted
Region Based Hough Transform”, Electronics Letters, Vol. 34, No. 7, pp. 648-650.
Richards, J. A., 1994 “Remote Sensing Digital Image Analysis”, Springer-Verlag.
127 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Rumelhart, D.E., G.E. Hinton, and R.J. Williams, , 1986. "Learning representations by back propa-gating
errors," Nature, vol. 323, pp. 533-536.
Salu Y. and J. Tilton, 1993. "Classification of multispectral image data by the binary diamond neural
network and by nonparametric, pixel-by-pixel methods," IEEE Trans. Geosci. Remote Sensing, vol. GE-31,
no. 3, pp. 606-617.
Serra J P, , 1981. “Mathematical Morphology and Image Analysis”, Academic Press London.
Sonka, M., Hlavac, V. and Boyle, R., 1993. “Image Processing, Analysis and Machine Vision”. London:
Chapman and Hall, pp 197-198.
Stefouli, M., N. Vassilas, S. Perantonis, N. Ampazis, E. Charou and S. Varoufakis, 1996. “Lithological Regions
Interpretation and Classification of LANDSAT Data Using Neural Networks”, First Congress of the Balkan
Geophysical Society, Athens, Greece, pp. 474-475.
Szu, H.H., B.A. Telfer, and R.K. Kiang, , 1993. “Neural network classification of multispectral data with
contextual information”, Proc. World Congress on Neural Networks, pp. I117-I121, Oregon, USA.
D. Vaiopoulos, A. Vassilopoulos, N. Evelpidou, N. Vassilas, S. Perantonis, E Charou, S. Varoufakis (1999).
Land Cover Thematic Map production by photointerpratation and quantitave analysis of Sattellite imagery.
5o Πανελλήνιο Γεωγραφικό συνέδριο, Αθήνα sel. 326 – 330.
Vanderbrug, G.J., 1976. “Line Detection in Satellite Imagery”, IEEE Transactions on Geoscience Electronics
Vol. GE-14, No 1p.37-43.
Varoufakis, S., N. Vassilas, S. Perantonis, N. Ampazis, V. Virvilis, E. Charou, K. Seretis, Th. Tsenoglou,
1998.Final Τechnical Report GEONICKEL, ΒRITE EURAM II.
Vassilas, N., S. Perantonis, E. Charou, S. Varoufakis and M. Moutsoulas, 1995. “Neural Networks for Fast
and Efficient Classification of Multispectral Remote Sensing Data”, Πρακτικά 5ου Πανελληνίου Συνεδρίου
Πληροφορικής, ΕΠΥ, Αθήνα, pp. 893-902.
Vassilas, N., S. J. Perantonis, E. Charou, K. Seretis and Th. Tsenoglou, 1999. “Automatic lineament detection
from geophysical grid data using efficient clustering and weighted Hough transform algorithms”. ACAI’99,
Workshp 07, Intelligent Techniques for Spatiotemporal Data Analysis in Environmental Applications,
Chania, Greece, 16-25.
Vassilas, N. and E. Charou, 1999. “A new methodology for efficient classification of multispectral satellite
images using neural network techniques”. Neural Processing Letters, 9,1, pp 35 – 43.
128 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Vassilas, N., S. Perantonis, E. Charou and S. Varoufakis,, 1998 “Intelligent Techniques for Efficient
Generation of Ground-Cover Maps”, in Proc. 20th Canadaian Symposium on Remote Sensing, Calgary,
Canada, pp. 255-258.
Vassilas, N., E. Charou and S. Varoufakis, , 1997 “Fast and Efficient Land-Cover Classification of
Multispectral Remote Sensing Data Using Artificial Neural Network Techniques”, in Proc. 13th Int’l
Conference on Digital Signal Processing (DSP97), Santorini, pp. 995-998.
Wang, J. and Howarth, P.J., 1990, “Use of the Hough transform in automated lineament detection”, IEEE
Transactions on Geoscience and Remote Sensing, Vol. 28, No. 4, pp. 561-566.
Wang, F. (1990), “Fuzzy Supervised Classification of Remote Sensing Images”, IEEE Trans. on Geoscience
and Remote Sensing, 28(2). pp.194-201.
Zadeh, L.A. , 1978 “Fuzzy Sets a Basis for a Theory of Possibility”, Fuzzy Sets and Systems, Vol. 1, pp. 3-28.
Zimmermann, H.J., 1984 “Fuzzy Set Theory and Its Applications”, Kluwer-Nijhoff.
Zlatoposky , A.,1992, “Program LESSA (Lineament extraction and stripe statisical analysis) automated linear
image features analysis – experimental results” Computer and Geosciences Vol. 18, No 9, p.1121-1126.
129 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Β. Bασικές έννοιες για τη βιοποικιλότητα - εργαλεία για την εκτίμηση
& χαρτογράφηση της τοπικής βιοποικιλότητας: Συνοπτικός Οδηγός
Αναλύσεων Δεδομένων Πεδίου
Δρ. Δημητριάδης Χαράλαμπος, Εθνικό Θαλάσσιο Πάρκο Ζακύνθου, Ελ. Βενιζέλου 1, 29100, Ζάκυνθος,
[email protected]
ΣΤΟΧΟΣ - ΕΝΟΤΗΤΕΣ
Η ενότητα αυτή πραγματεύεται την επεξεργασία και ανάλυση των δεδομένων βιοποικιλότητας που
συλλέχθηκαν στο πεδίο. Αρχικά θα πρέπει να εισαχθούν τα πρωτογενή δεδομένα σε μια βάση δεδομένων
για την εύκολη επεξεργασία και χρήση τους.
Οι αναλύσεις που ακολουθούν βασίζονται σε δεδομένα 2 κύριων κατηγοριών:
α) Αριθμός ειδών συνολικής χλωριδικής βιοποικιλότητας στα πλαίσια δειγματοληψίας
β) Φυτοκάλυψη (%) του κάθε είδους ανά πλαίσιο δειγματοληψίας και δεδομένα παρουσίας – απουσίας
ειδών
130 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
1.
ΒΙΟΠΟΙΚΙΛΟΤΗΤΑ ΤΗΣ ΧΛΩΡΙΔΑΣ
Για κάθε πλαίσιο δειγματοληψίας υπάρχει καταγεγραμμένος ο συνολικός αριθμός ειδών χλωρίδας που
προσδιορίσατε στο πεδίο. Δημιουργήστε ένα αρχείο excel όπου οι στήλες θα είναι οι σταθμοί
δειγματοληψίας και οι γραμμές ο συνολικός αριθμός ειδών για κάθε επαναληπτικό δείγμα. Θα πρέπει να
εισάγετε στο πρόγραμμα PAST (που θα βρείτε στην επιφάνεια εργασίας των Η/Υ) τα δεδομένα του
αριθμού των ειδών για κάθε επαναληπτικό δείγμα ανά θέση δειγματοληψίας. Αρά, η κάθε στήλη
αποτελεί την θέση δειγματοληψίας και η κάθε γραμμή αντιστοιχεί σε ένα επαναληπτικό δείγμα, όπως
φαίνεται στην παρακάτω εικόνα. Για να γίνει εφικτή η εισαγωγή των τίτλων και των τιμών σε κάθε στήλη
και γραμμή αντίστοιχα θα πρέπει να επιλέξετε τις επιλογές ‘Editmode’ και ‘Editlabels’ από την κεντρική
μπάρα εντολών του προγράμματος.
Μετά από την εισαγωγή των δεδομένων αποθηκεύστε το αρχείο ως data1 στην επιφάνεια εργασίας.
Στην συνέχεια, επιλέξτε με τον κέρσορα όλα τα δεδομένα και από το κεντρικό menu του προγράμματος
ακολουθήστε την διαδρομή: statistics ----- Univariate για να υπολογίσετε τα μέτρα κεντρικής τάσης του
αριθμού των ειδών ανά σταθμό δειγματοληψίας.
Έπειτα, αφού επιλέξετε όλα τα δεδομένα ακολουθήστε την διαδρομή : Plot ----- Barchart/boxplot για
να δημιουργήσετε τα σχετικά γραφήματα (Θηκογράμματα – boxplots). Κάντε copy –paste το γράφημα σε
κείμενο word. Στην συνέχεια, ακολουθήστε την διαδρομή Statistics ---- Kruskal – Wallis για να ελέγξετε αν
ο μέσος αριθμός των ειδών διαφέρει στατιστικώς σημαντικά μεταξύ των σταθμών δειγματοληψίας (Ηο :
δεν υπάρχει σημαντική διαφορά, Η1: υπάρχει σημαντική διαφορά). Αν η τιμή σημαντικότητας p είναι
p<0.05 τότε υπάρχουν στατιστικώς σημαντικές διαφορές μεταξύ των ειδών τις οποίες μπορείτε να δείτε
στο πίνακα των ζευγαρωτών ελέγχων Mann-Whitney. Τα αποτελέσματα μπορούν να παρουσιαστούν κάτω
από το προηγούμενο γράφημα ως εξής μετά των σχολιασμό των αποτελεσμάτων: Kruskal –
Wallistestresults, Hc = 0.258; df = 4, p = 0.24. Τα αποτελέσματα των ζευγαρωτών ελέγχων (MannWhitneytestresults) μπορούν να δοθούν με την μορφή πίνακα που θα περιέχει ως στοιχεία το επίπεδο
σημαντικότητας (τιμές p).
131 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Επαναλάβετε την ίδια διαδικασία για κάθε τύπο οικοτόπου (στήλες = τύπος οικοτόπου και γραμμές
αριθμός ειδών) ή όποιον άλλο κριτήριο έχει επιλεγεί στο πεδίο (π.χ. αριθμός ειδών δεικτών, υψόμετρο).
Παρουσιάστε τα αποτελέσματα σας.
2.
ΔΕΙΚΤΕΣ ΠΟΙΚΙΛΟΤΗΤΑΣ
Για τον υπολογισμό των δεικτών ποικιλότητας των επιλεγμένων ειδών (π.χ. είδη χειλανθών και
ασφόδελων ) θα χρειαστείτε ένα πίνακα σε αρχείο excel όπου οι στήλες θα είναι τα επαναληπτικά
δείγματα σε κάθε σταθμό δειγματοληψίας και οι γραμμές το ποσοστό φυτοκάλυψης (Προσοχή τα κενά
κελία θα πρέπει να περιέχουν την τιμή 0). Εισάγετε τα δεδομένα στοPAST .
Στην συνέχεια, ακολουθήστε την διαδρομή Diversity ---- Diversity indices για να υπολογίσετε τους
δείκτες ποικιλότητας ανά επαναληπτικό δείγμα.
132 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Στον πίνακα που εμφανίζετε θα βρείτε τις τιμές του κάθε δείκτη ποικιλότητας για το κάθε επαναληπτικό
δείγμα.
Οι δείκτες α – ποικιλότητας που θα χρειαστούν είναι:
Number of taxa (S)
Simpson index=1-dominance. Measures 'evenness' of the community from 0 to 1.
Shannon index (entropy). A diversity index, taking into account the number of individuals as well as
number of taxa. Varies from 0 for communities with only a single taxon to high values for communities
with many taxa, each with few individuals. H=-sum((ni/n)ln(ni/n))
Equitability. Shannon diversity divided by the logarithm of number of taxa. This measures the evenness
with which individuals are divided among the taxa present.
133 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Στην συνέχεια κάντε copy – paste τα αποτελέσματα κάπου δεξιά στον αρχικό πίνακα των δεδομένων.
Για τους δείκτες Shannonindex, Simpsonindex και Equitability δημιουργήστε νέες στήλες όπου θα
αναφέρονται στους σταθμούς δειγματοληψίας και θα έχουν ως γραμμές τις επαναληπτικές τιμές των
δεικτών ποικιλότητας. Μετά, μπορείτε να παραστήσετε γραφικά με θηκογράμματα τα αποτελέσματα σας
και να ελέγξετε αν οι τιμές αυτές μεταξύ των σταθμών ή των διαφορετικών οικοτόπων διαφέρουν
στατιστικώς σημαντικά όπως έχει περιγραφεί αναλυτικά προηγουμένως. Παρουσιάστε τα αποτελέσματα
σας.
3.
ΑΝΑΛΥΣΗ ΒΙΟΚΟΙΝΟΤΗΤΩΝ – β ΠΟΙΚΙΛΟΤΗΤΑ
Για τον υπολογισμό της β – ποικιλότητας θα χρησιμοποιηθούν δείκτες ομοιότητας/ανομοιότητας σε
δεδομένα παρουσίας – απουσίας ειδών.
Θα πρέπει να δημιουργήσετε ένα αρχείο excel που στην πρώτη στήλη θα περιλαμβάνει όλα τα είδη
που προσδιορίσατε στο πεδίο. Η δεύτερη στήλη θα περιλαμβάνει το άθροισμα της % κάλυψης των ειδών
των πέντε επαναληπτικών δειγμάτων του πρώτου σταθμού δειγματοληψίας, η τρίτη το το άθροισμα της %
κάλυψης των ειδών των πέντε επαναληπτικών δειγμάτων του δεύτερου σταθμού δειγματοληψίας κ.ο.κ.
Εισάγετε τα δεδομένα στο PAST.
134 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Στην συνέχεια θα πρέπει να μετατραπούν τα δεδομένα σε μορφή παρουσίας – απουσίας. Επιλέξτε όλα
τα δεδομένα και ακολουθήστε την διαδρομή: Transform ---- Abundance to presence / absence.
Μετά θα πρέπει να μετατραπούν οι στήλες σε γραμμές και οι γραμμές σε στήλες. Ακολουθήστε την
διαδρομή : Edit -----transpose.
Στην συνέχεια για να υπολογιστούν οι τριγωνικοί πίνακες ομοιότητας της σύνθεσης των ειδών μεταξύ
των σταθμών δειγματοληψίας ακολουθήστε την διαδρομή : Statistics ------- Similarityanddistanceindices .
Επιλέξτε τον δείκτη του Jaccard (εύρος τιμών 0 έως 1). Η τιμή 1 δηλώνει ότι η σύνθεση των ειδών
μεταξύ 2 σταθμών δειγματοληψίας είναι ταυτόσημη ενώ η τιμή 0 ότι οι δυο σταθμοί δεν έχουν κανένα
135 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
κοινό μεταξύ τους είδος. Τα αποτελέσματα μπορούν να παρουσιαστούν είτε σαν πίνακας είτε σαν
ραβδογράμματα για τα ζεύγη των σταθμών δειγματοληψίας / τύπο οικοτόπων κτλ.
4.
ΑΝΑΛΥΣΗ ΒΙΟΚΟΙΝΟΤΗΤΩΝ – ΕΝΤΟΠΙΣΜΟΣ ΠΡΟΤΥΠΩΝ
Για να εντοπίσουμε χωρικά (ή χρονικά ) πρότυπα στην σύνθεση των ειδών των βιοκοινοτήτων
μπορούμε να αναπαραστήσουμε γραφικά την ομοιότητα ή ανομοιότητα των σταθμών δειγματοληψίας/
τύπο οικοτόπων κτλ στον ν-διάστατο χώρο των ειδών. Για να μπορέσει μια τέτοια απεικόνιση να γίνει
κατανοητή γίνεται ουσιαστικά μια απλοποίηση των ν – διαστάσεων (ν = αριθμός ειδών) σε 2 ή τρείς
διαστάσεις έτσι ώστε να καθίσταται εφικτή η ερμηνεία των αποτελεσμάτων.
Υπάρχουν αρκετές διαφορετικές προσεγγίσεις προς αυτήν την κατεύθυνση ανάλυσης των δεδομένων,
άλλες παραμετρικές και άλλες μη παραμετρικές και η επιλογή τους εξαρτάται από την φύση των
δεδομένων αλλά και από τα ερωτήματα που θέτει ο ερευνητής.
Στην παρούσα εργαστηριακή άσκηση θα χρησιμοποιηθούν η πολυδιάστατη μη παραμετρική
ταξιθέτηση (non metric multi-dimensional scaling - MDS) και η ανάλυση κατά συστάδες (Cluster analysis).
Θα χρειαστούμε τον αρχικό πίνακα που χρησιμοποιήθηκε και στην προηγούμενη ενότητα.
Ακολουθήστε την διαδρομή : Multivar ----- NonmetricMDS. Στην συνέχεια θα εμφανιστεί το παρακάτω
μήνυμα στο οποίο θα πρέπει να επιλέξετε το οκ
136 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Στην συνέχεια θα εμφανιστεί το παρακάτω παράθυρο.
Στο σημείο αυτό ο μελετητής θα πρέπει να επιλέξει τον δείκτη που θέλει να χρησιμοποιήσει. Επιλέξτε
τον δείκτη Jaccard μιας και τα δεδομένα που έχουμε είναι παρουσίας – απουσίας.
137 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
138 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Όσο ποιο κοντά βρίσκονται δυο σταθμοί δειγματοληψίας στον δισδιάστατο χάρτη τόσο μεγαλύτερη
ομοιογένεια παρουσιάζουν στην σύνθεση των βιοκοινοτήτων ενώ όσο μακρύτερα εντοπίζονται μεταξύ
τους τόσο περισσότερο διαφορετικές είναι οι βιοκοινότητες τους. Με τον τρόπο αυτό είναι δυνατός ο
εντοπισμός χωρικών / χρονικών προτύπων, περιβαλλοντικών διαβαθμίσεων, διαβαθμίσεων ρύπανσης –
διατάραξης κτλ.
Για την ανάλυση κατά συστάδες ακολουθήστε την διαδρομή : Multivar ------- Cluster analysis
Επιλέγουμε τον δείκτη ομοιότητας που επιθυμούμε (π.χ. Jaccard), όπως επίσης και τον αλγόριθμο
σύμφωνα μετον οποίο θα γίνει η ομαδοποίηση των σταθμών δειγματοληψίας (Paired group – UPGMA
Method; Single linkage - nearest neighbour method; Wards method). Επιλέξτε την μέθοδο paired group.
139 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Το σημείο στο οποίο ενώνονται οι σταθμοί δειγματοληψίας αποτελεί την τιμή της ομοιότητας του
δείκτη μεταξύ των δυο σταθμών. Το σημείο που μια ομάδα σταθμών τέμνετε με κάποιον άλλο σταθμό
δειγματοληψίας αποτελεί την τιμή της μεταξύ τους ομοιότητας κ.ο.κ. Στο παραπάνω παράδειγμα θα
μπορούσε κανείς να πει ότι υπάρχουν 2 κύριες ομάδες σταθμών (1η ST2 –ST4 με 100% ομοιότητα στην
σύνθεση των ειδών και 2η ST3 – ST1 με ομοιότητα 84%).
Παρουσιάστε τα αποτελέσματα σας.
140 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Γ. Η ενσωμάτωση των οικοσυστημικών λειτουργιών και ωφελειών
στον ολοκληρωμένο περιβαλλοντικό σχεδιασμό
Οδηγός για την Αξιολόγηση και Χαρτογράφηση των Οικοσυστημικών
Υπηρεσιών
Guidelines for Assessing and Mapping of Ecosystem services
Dr. Schindler Stefan, Department of Conservation Biology, Vegetation and Landscape Ecology, University
of Vienna, Austria
Δρ. Ποϊραζίδης Κωνσταντίνος, Καθηγητής Εφαρμογών του ΤΕΙ Ιονίων Νήσων, Τμήμα Τεχνολόγων
Περιβάλλοντος, Τομέας Διαχείρισης Περιβάλλοντος και Οικολογίας
141 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
1.
ΥΠΟΒΑΘΡΟ ΚΑΙ ΕΙΣΑΓΩΓΗ
1.1 Θεωρητικό Υπόβαθρο
Το σημαίνον έργο «Η οικονομική του Οικοσυστήματος και της Βιοποικιλότητας» ορίζει τις οικοσυστημικές
υπηρεσίες ως συμβολή άμεση ή έμμεση στην ανθρώπινη ευημερία (TEEB 2010a). Σε πρόσφατες δημόσιες
συζητήσεις τονίζεται η έντονη ανάγκη να διαφοροποιηθούν τα οφέλη, οι υπηρεσίες, οι οικολογικές
λειτουργίες, δομές και διαδικασίες μεταξύ τους (Εικόνα 1), για να δοθεί έμφαση τους μηχανισμούς που
ενισχύουν τις συνδέσεις μεταξύ φυσικού κεφαλαίου και ανθρώπινης ευημερίας (Haines-Young &Potschin
2009, 2010). Επειδή τα στοιχεία ευημερίας του ανθρώπου μπορεί να αποτελούν συνάθροιση
διαφορετικών ειδών οφελών, κρίνεται χρήσιμο να διαφοροποιηθούν οι υπηρεσίες από τα οφέλη για να
δοθεί έμφαση στον ιδιαίτερο ρόλο των οικοσυστημάτων.
Εικόνα 1: Εννοιολογική σχέση μεταξύ οικοσυστημάτων και βιοποικιλότητας και ευημερίας του ανθρώπου
(από τους Haines-Young & Potschin 2010).
Μια πρόσφατη ανασκόπηση των μεθόδων για την αξιολόγηση και ταξινόμηση των οικοσυστημικών
υπηρεσιών αναδεικνύει την ποικιλομορφία των προσεγγίσεων, οι οποίες ακολουθούνται σήμερα
(Haynes-Young και Potschin 2009). Οι εργασίες για τη χαρτογράφηση της παροχής οικοσυστημικών
υπηρεσιών, ζήτησης και προϋπολογισμού, και την ποσοτικοποίηση και εφαρμογή στα αγαθά και τις
υπηρεσίες οικοσυστήματος είναι μεταξύ των μεγαλύτερων προκλήσεων της σύγχρονης επιστήμης
οικοσυστήματος (Wallace 2007, Burkhard et al. 2012). Χρηματικές προσεγγίσεις όπως αναλύσεις κόστουςοφέλους, ενδεχόμενες αποτιμήσεις προθυμίας πληρωμής θεωρούνται χρήσιμες προσεγγίσεις (Farber et
al. 2002), αλλά τα αποτελέσματά τους είναι συχνά απογοητευτικά, λόγω της εστίασης στην οικονομική και
της έλλειψης κατάλληλων μεθόδων τιμολόγησης, π.χ. για μη εμπορεύσιμα αγαθά και υπηρεσίες (Ludwig
2000, Spangenberg και Settele 2010).
Σύμφωνα με τον Burkhard et al. (2012), η παροχή των οικοσυστημικών υπηρεσιών εξαρτάται από τις
βιοφυσικές συνθήκες και τις αλλαγές στο χώρο και το χρόνο που επιφέρει ο άνθρωπος στην κάλυψη του
εδάφους, τη χρήση γης και τις κλιματικές αλλαγές. Οι χωρικές κατανομές της εδαφοκάλυψής και των
μεταβολών της μπορούν να συνδεθούν με μεγάλες περιοχές και να παρέχουν άμεση μέτρηση της
142 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
ανθρώπινης δραστηριότητας (Riitters et al . 2000). Λόγω της χωρικής ιδιαιτερότητας των οικοσυστημικών
υπηρεσιών, χαρτογραφώντας τις κατανομές και τις αλλαγές τους στο χρόνο είναι δυνατή η συγκέντρωση
σύνθετων πληροφοριών. Αυτή η απεικόνιση των οικοσυστημικών υπηρεσιών μπορεί να χρησιμοποιηθεί
από τους ιθύνοντες, π.χ. διαχειριστές της γης, ως ένα ισχυρό εργαλείο για τη στήριξη των αξιολογήσεων
βιωσιμότητας του τοπίου (Swetnam et al. 2011). Δυστυχώς, υπάρχει έλλειψη πληροφορίων σχετικά με τον
τρόπο λήψης αποφάσεων σε τοπικό επίπεδο (Turner και Daily 2008). Ως εκ τούτου, η ακριβής
ποσοτικοποίηση και χαρτογράφηση των οικοσυστημικών υπηρεσιών θεωρείται μια από τις κύριες
απαιτήσεις για την εφαρμογή της έννοιας των οικοσυστημικών υπηρεσιών στους περιβαλλοντικούς
θεσμούς και τη λήψη αποφάσεων (Daily και Matson 2008, Burkhard et al. 2012).
1.2 Πολιτικό υπόβαθρο στην Ευρωπαϊκή Ένωση
Πρόσφατα, η οικονομική αξία των ESS και της βιοποικιλότητας τυγχάνει μεγάλης αναγνωρισιμότητας, ενώ
παράλληλα προτείνεται να εισηχθούν ως συντελεστές στις διαδικασίες λήψης αποφάσεων και τα
λογιστικά συστήματα (TEEB 2010a). Η εξέλιξη αυτή αντικατοπτρίζεται στην πρόσφατη στρατηγική για τη
βιοποικιλότητα της Ευρωπαϊκής Ένωσης (ΕΕ), η οποία αναγνωρίζει τη σημαντική οικονομική αξία της
βιοποικιλότητας και των υπηρεσιών που παρέχει και θέτει έναν πρωταρχικό στόχο για ανάσχεση «της
απώλειας βιοποικιλότητας και υποβάθμισης των οικοσυστημικών υπηρεσιών στην ΕΕ έως το 2020
καιαποκατάστασή τους στο βαθμό του εφικτού» (COM 2011a).
Ο πρωταρχικός στόχος υποστηρίζεται από έξι ειδικούς στόχους, και ένας από αυτούς, ο στόχος 2,
απαιτεί «μέχρι το 2020, τη διατήρηση των οικοσυστημάτων και των υπηρεσιών τους και την ενίσχυσή
τους με τη δημιουργία «πράσινων» υποδομών και αποκατάσταση τουλάχιστον του 15% των
υποβαθμισμένων οικοσυστημάτων». Η προσπάθεια αυτή υποστηρίζεται, μεταξύ άλλων, από τη «Δράση
5», η οποία απαιτεί την καταγραφή και αξιολόγηση της κατάστασης των οικοσυστημάτων και των
υπηρεσιών τους από το 2014, καθώς και την εκτίμηση της οικονομικής αξίας των υπηρεσιών αυτών με
στόχο τη βελτίωση της γνώσης μας για τα ESS και της αειφόρου χρησιμοποίησής τους ως θεμελιώδη
στοιχεία της ανθρώπινης οικονομίας (COM 2011a).
Σε βραχυπρόθεσμο ορίζοντα, η βασική πρόκληση είναι να συγκεντρωθεί και να καταστεί λειτουργική η
πληροφορία και η σύγχρονη επιστημονική γνώση για το οικοσύστημα και τις υπηρεσίες του ανά την
Ευρώπη (Maes et al. 2012, 2013). Η ενσωμάτωση των ESS στη λογιστική και τα συστημάτα αναφοράς σε
ευρωπαϊκό και εθνικό επίπεδο αναμένεται να ολοκληρωθεί έως το 2020 (COM 2011a), ενώ η σημασία
της επένδυσης σε φυσικά οικοσυστήματα, σε πλημμυρισμένες περιοχές και σε αστικές περιοχές
πρασίνου και χώρων αναψυχής, αναγνωρίζεται ως πηγή οικονομικής ανάπτυξης στην περιφερειακή και
συνεκτική πολιτική της ΕΕ (COM 2011b).
2.
ΤΟ ΠΛΑΙΣΙΟ ΑΞΙΟΛΟΓΗΣΗΣ
Οι De Groot et al. (2006) ανέπτυξαν ένα πλαίσιο αξιολόγησης, το οποίο ενσωματώνει την έννοια των
οικοσυστημικών υπηρεσιών στον αειφόρο σχεδιασμό και τη διαχείριση τοπίου (Εικόνα 2).
143 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Figure 2: Πλαίσιο αξιολόγησης που περιλαμβάνει την έννοια των οικοσυστημικών υπηρεσιών στο
σχεδιασμό και τη διαχείριση τοπίου (πηγή: de Groot, 2006).
Τα τελευταία χρόνια έχουν αναπτυχθεί πολλές προσεγγίσεις χαρτογράφησης των οικοσυστημικών
υπηρεσιών οι οποίες εφαρμόζονται σε διάφορες χωρικές κλίμακες (Hermann et al. 2011; Koschke et al.
2012; Haines-Young et al. 2012; Nedkov&Burkhard 2012; Schneiders et al. 2012; Scolozzi et al. 2012). Εδώ
ακολουθούμε, κατά βάση, το πλαίσιο αξιολόγησης που αναπτύχθηκε και εφαρμόστηκε από τους
Burkhard et al. (2009, 2012), και το οποίο επεκτάθηκε από τους Hermann et al. (2013).
Η βασική ιδέα της στρατηγικής αξιολόγησης είναι η ανάλυση των υφιστάμενων στοιχείων του
τοπίου για την αξιολόγηση των δυνατοτήτων παροχής οικοσυστημικών υπηρεσιών με χωροταξικό τρόπο.
Ως πρώτο βήμα, εύκολα διαθέσιμα δεδομένα κάλυψης γης (όπως του CORINE) συνδέθηκαν με απόψεις
ειδικών σχετικά με τις ικανότητες των διαφορετικών τύπων κάλυψης γης για παροχή διαφόρων
οικοσυστημικών υπηρεσιών. Για αύξηση της ακρίβειας, μπορεί να γίνει μια διαδοχική ενσωμάτωση
ποσοτικών στοιχείων, καθώς και περαιτέρω χαρακτηριστικών και διαμορφώσεων του τοπίου. Στην
παρούσα φάση εφαρμογής (βλ. Burkhard et al. 2009, 2012), οι εκτιμήσεις βασίζονται σε μεγάλο όγκο
ποιοτικών δεδομένων και σχετικά μεγάλες χωρικές μονάδες. Ως εκ τούτου, οι γενικεύσεις των ιδιαίτερων
χαρακτηριστικών των ενδιαιτημάτων είναι αναπόφευκτες και πρέπει να λαμβάνονται υπόψη κατά την
ερμηνεία των αποτελεσμάτων. Τα αποτελέσματα αναμένεται να παρέχουν στατιστικές και χωρικές
πληροφορίες και χάρτες, τα οποία μπορούν να χρησιμοποιηθούν στο σχεδιασμό του τοπίου και της
περιβαλλοντικής διαχείρισης. Θεωρητικά μοντέλα και ιδίως, με χωρικές αναλυτικές πληροφορίες, όπως
χάρτες, έχουν μεγάλες δυνατότητες να στηρίξουν την κατανόηση πολύπλοκων συστημάτων και των
αλληλεξαρτήσεων των μεταξύ τους σχέσεων (Dresner 2008).
Η ολιστική προσέγγιση βασίζεται κυρίως στη γνώση ειδικών όσον αφορά τις σχέσεις κάλυψης γης
και υπηρεσιών οικοσυστήματος, προσφέροντας μεγάλες δυνατότητες συνδυασμού διάφορων πηγών
δεδομένων και διαφορετικών θεμάτων. Τα αποτελέσματα είναι περιγραφικοί πίνακες και χάρτες που
απεικονίζουν τις δυνατότητες των συγκεκριμένων περιοχών να παρέχουν οικοσυστημικές υπηρεσίες.
144 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Πολλά κρίσιμα ζητήματα, όπως ερωτηματικά σχετικά με την κλίμακα εξάρτησης και την κλίμακα
αλληλεπίδρασης, την ετερογένεια των οικοτόπων και χρονικές μεταβλητές δεν έχουν ακόμη καθοριστεί.
Ωστόσο, η προσέγγιση αυτή στοχεύει στην ανάπτυξη ενός πλαισίου για να απαντηθούν τα ακόλουθα
ερωτήματα: (i) ποια είναι η δυναμική των διαφορετικών μονάδων κάλυψης γης για την παροχή
οικοσυστημικών υπηρεσιών, (ii) ποιες είναι οι επιλογές για το συνδυασμό της γνώσης των ειδικών με
ποσοτικά στοιχεία για την αξιολόγηση της δυναμικότητας του τοπίου για παροχή οικοσυστημικών
υπηρεσιών, και (iii) τι δυνατότητες υπάρχουν για την παραγωγή μιας γενικής μεθοδολογίας αξιολόγησης,
η οποία θα είναι εφαρμόσιμη και θα μπορεί να μεταφέρεται σε διαφορετικές περιοχές και κλίμακες.
2.1 Κατηγορίες κάλυψης του CORINE ως περιοχές αναφοράς
Ως χωρικές μονάδες, οι κατηγορίες κάλυψης γης του ευρωπαϊκού προγράμματος CORINE μπορούν να
χρησιμοποιηθούν ως σημεία αφετηρίας (Burkhard et al. 2012). Ο στόχος του προγράμματος CORINE της
Ευρωπαϊκής Ένωσης (EEA 1994) ήταν να συλλέξει πληροφορίες όσον αφορά την κατάσταση του
περιβάλλοντος σε ορισμένα ζητήματα προτεραιότητας για όλα τα κράτη μέλη της κοινότητας. Ως εκ
τούτου, έχει δημιουργηθεί ένα Γεωγραφικό Σύστημα Πληροφοριών (ΓΣΠ) που παρέχει στοιχεία σχετικά με
το περιβάλλον, θεμελιώδους σημασίας κατά την προετοιμασία και την εφαρμογή των κοινοτικών
πολιτικών.
Το CORINE περιλαμβάνει 44 τάξεις κάλυψης γης οι οποίες ομαδοποιούνται σε τρία επίπεδα
ταξινόμησης: 1) τεχνητές επιφάνειες, 2) γεωργικές εκτάσεις, 3) δάση και ημιφυσικές περιοχές, 4)
υγρότοποι και 5) υδατικά σώματα. Οι κατηγορίες αυτές, υποτίθεται ότι εκπροσωπούν όλους τους τύπους
κάλυψης γης της Ευρώπης. Οι κατηγορίες ορίζονται με σαφήνεια στην ονοματολογία που περιλαμβάνεται
στο πρόγραμμα (ΕΟΧ 1994). Προερχόμενες από δεδομένα τηλεπισκόπησης, αυτές οι μονάδες κάλυψης
γης παρέχουν ένα λογικό συνδυασμό εδαφοκάλυψης και χρήσεων γης – όπως μπορούμε να τα
συναντήσουμε σε πραγματικά τοπία. Κατά τη θεωρητική ανάπτυξη και εφαρμογή του πλαισίου
αξιολόγησης σε περιπτωσιολογικές μελέτες πρέπει να εξεταστεί το αν αυτές οι προκαθορισμένες
κατηγορίες κάλυψης γης είναι κατάλληλες και επαρκείς για να εκπροσωπούν τα οικοσυστήματα και τους
τύπους κάλυψης γης που εμφανίζονται στην υπο μελέτη περιοχή. Για τους σκοπούς της αξιολόγησης του
οικοσυστήματος, τα γεωγραφικά δεδομένα στην ευρωπαϊκή βάση δεδομένων CORINE θα πρέπει να
μετατραπούν σε ένα ευρωπαϊκό γεωγραφικό σύστημα αναφοράς με ελάχιστη μονάδα χαρτογράφησης τα
25 εκτάρια. Η ευρωπαϊκή βάση δεδομένων CORINE είναι αποτέλεσμα της ενσωμάτωσης των αντίστοιχων
εθνικών βάσεων δεδομένων. Δεδομένα σε κάνναβο 100 μέτρων, 250 μέτρων και κάνναβο πλευράς 1 km
διατίθενται σε οριακό κόστος και αντιστοίχως διατίθενται προς δωρεάν μεταφόρτωση από το
διαδικτυακό τόπο ΕΕΑ (http://dataservice.eea.europa.eu/). Εδώ, μπορούν να χρησιμοποιηθούν τα
δεδομένα CORINE στο ArcView/ArcGIS της ESRI σε μορφή πολυγώνου. Τα διανυσματικά δεδομένα έχουν
το πλεονέκτημα ότι είναι πιο σαφή χωρικά και είναι εύκολο να συσχετισθούν τα χωρικά δεδομένα με
μήτρες αξιολόγησης οικοσυστημικών υπηρεσιών στους αντίστοιχους πίνακες περιγραφικών
χαρακτηριστικών (Burkhard et al. 2012).
Οι μονάδες εδαφικής κάλυψης του CORINE περιλαμβάνουν αρκετά γενικά δεδομένα όσον αφορά
τη χωρική και θεματική ανάλυση τους, πολλές πληροφορίες είναι αθροιστικές και με μεγάλο βαθμό
γενίκευσης. Συνεπώς, πολλά χαρακτηριστικά του τοπίου, ιδιότητες, σπανιότητα διαμόρφωση δεν
μπορούν να εκφρασθούν. Ως εκ τούτου, τα δεδομένα CORINE θα χρησιμοποιούνται ως σημείο εκκίνησης
και η εφαρμογή τους συνιστάται κυρίως για αξιολογήσεις σε υποεθνικό-εθνικό επίπεδο, ενώ οι
145 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
αξιολογήσεις σε τοπικό επίπεδο προϋποθέτουν την ενσωμάτωση πρόσθετων δεδομένων, τα οποία
προέρχονται από συγκεκριμένης κλίμακας χάρτες χρήσεων και κάλυψης γης ή ακόμη και από
χαρτογράφηση βιοτόπων από έρευνες πεδίου (Hermann et al. 2014). Αυτό θα βελτιώσει την αξία και την
ερμηνευτική δύναμη των χωρικών εκτιμήσεων των οικοσυστημικών υπηρεσιών. Οι πληροφορίες που
χρειάζονται για τη σωστή αξιολόγηση και εκτίμηση της αξίας των οικοσυστημικών υπηρεσιών είναι
δύσκολο ή –για πολλούς λόγους– ακόμη και αδύνατο να αποκτηθούν. Όμως, η μη πλήρης μέτρηση των
οικοσυστημικών υπηρεσιών, αν κατανοηθεί ως τέτοια, είναι καλύτερη από το να αγνοηθούν εντελώς,
όπως γενικώς εξακολουθεί να συμβαίνει κατά τις διαδικασίες λήψης αποφάσεων (Daily 1997).
2.2 Ορισμός των οικοσυστημικών υπηρεσιών
Με βάση τους καταλόγους οικοσυστημικών υπηρεσιών που ορίζονται απο τους Costanza et al. (1997),
MEA (2005), De Groot (2006), Haines-Young &Potschin(2013), Maes et al. (2013) και τους καταλόγους
οικολογικής ακεραιότητας στοιχείων όπως περιγράφονται από τους Müller (2005) and Müller &Burkhard
(2007), μπορεί να προκύψει ένα γενικό σύνολο οικοσυστημικών υπηρεσιών. Οι επιμέρους υπηρεσίες
πρέπει να ταξινομηθούν σε κατηγορίες. Παρά το γεγονός ότι οι κατηγορίες του ΜΕΑ(2005) υπηρεσιών
παροχής, ρυθμιστικών υπηρεσιών και πολιτισμικών υπηρεσιών χρήσιμες (Haines-Young &Potschin 2013,
Maes et al. 2013), οι υποστηρικτικές υπηρεσίες είναι καλύτερα να θεωρηθούν συνώνυμες με έννοιες
όπως «ενδιάμεσες υπηρεσίες» ή «οικολογικές λειτουργίες» για να αποφευχθεί το πρόβλημα του «διπλού
υπολογισμού» κατά τις αξιολογήσεις, και να δοθεί έμφαση στη «αλυσίδα παραγωγής», η οποία αποτελεί
τη βάση των υπηρεσιών (Haynes-Young και Potschin 2009).
Οι υπάρχουσες τυπολογίες είναι ασαφείς όσον αφορά το βαθμό στον οποίο οι οικοσυστημικές
υπηρεσίες θεμελιωδώς εξαρτώνται από τη βιοποικιλότητα ή μπορούν επίσης να παραχθούν από τα
αβιοτικά στοιχεία του οικοσυστήματος. Στο πλαίσιο αυτό, πρόσφατα κατέστη σαφές ότι η σχέση μεταξύ
βιοποικιλότητας και οικοσυστημικών υπηρεσιών είναι πολυεπίπεδη (Mace et al. 2012). Ωστόσο, είναι
σημαντικό να εστιάζουμε σταθερά στη βιοποικιλότητα, σε κάθε τυπολογία, ούτως ώστε να
ισχυροποιούνται τα επιχειρήματα για τη χρηστικότητα της διατήρησης του φυσικού κεφαλαίου (Burkhard
et al 2012). Νέες προσεγγίσεις ως προς την ιεράρχιση της ταξινόμησης των οικοσυστημικών υπηρεσιών
(Maes et al. 2013) αποσκοπούν στο να καταστήσουν τα αποδεικτικά στοιχεία χρησιμότερα σε αυτούς που
λαμβάνουν αποφάσεις. Τέτοιες προσεγγίσεις περιγράφουν με μεγαλύτερη αυστηρότητα και πιο
συστηματικά τις σχέσεις μεταξύ των διαφόρων εννοιολογικών στοιχείων που συνθέτουν την προσέγγιση
των οικοσυστημικών υπηρεσιών (Haynes-Young και Potschin 2009). Οι Burkhard et al. (2012) προτείνουν
στο πρωτοποριακό έργο τους να αντικατασταθούν οι «υποστηρικτικές υπηρεσίες» (MEA, 2005) από την
κατηγορία των υπηρεσιών που αφορούν την οικολογική ακεραιότητα (υποστηρικτικές υπηρεσίες), ενώ
παραμένουν οι κατηγορίες των υπηρεσιών τροφοδότησης, των ρυθμιστικών και των πολιτισμικών
υπηρεσιών. Οι πολιτισμικές υπηρεσίες είναι γενικώς πολύ δύσκολο να κατανοηθούν και να εκτιμηθούν
και μόλις πρόσφατα αποτέλεσαν επίκεντρο ερευνητικών προσπαθειών (Daniel et al. 2012). Η επιλογή και
ποσοτικοποίηση κατάλληλων δεικτών και δεδομένων για τις επιμέρους οικοσυστημικές υπηρεσίες είναι
τόσο ζωτικής σημασίας, όσο και η επιλογή των ίδιων των υπηρεσιών. Πρέπει να έχουμε επίγνωση του
γεγονότος ότι η ανάλυση συνολικά αποτελεί μοντέλο της πραγματικότητας, το οποίο προσπαθεί να
μειώσει την πολυπλοκότητα των συστημάτων του ανθρώπου-περιβάλλοντος με κατάλληλο, λογικό και
επαναλήψιμο τρόπο. Ως εκ τούτου, οι γενικεύσεις και απλουστεύσεις πρέπει να γίνονται ανεκτές, ώστε
να λαμβάνουμε μια ολιστική εικόνα των πολύπλοκων συστημάτων (Burkhard et al. 2009, 2012).
146 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
2.3 Μήτρα αξιολόγησης: κάλυψη γης έναντι οικοσυστημικών υπηρεσιών
Όταν για την αξιολόγηση διάφορων οικοσυστημικών υπηρεσιών πρέπει αυτές να συσχετισθούν με την
ικανότητα των διαφορετικών τύπων κάλυψης γης να τις παρέχουν, μπορεί να δημιουργηθεί μια μήτρα
ικανότητας (Burkhard etal. 2009, 2012). Στον άξονα y της μήτρας αυτής τίθενται οι τύποι κάλυψης γης.
Στον άξονα x, τίθενται οι οικοσυστημικές υπηρεσίες. Στους κόμβους (δηλαδή τα κύτταρα της μήτρας),
τίθεται η αξιολόγηση της ικανότητας των διαφορετικών τύπων κάλυψης γης να παρέχουν τη
συγκεκριμένη υπηρεσία. Η εφαρμοζόμενη κλίμακα είναι αυθαίρετη, αλλά συχνά κυμαίνονται από 0 έως 5
(Burkhard et al. 2009, 2012, Hermann et al. 2013), δηλαδή 0 = καμία σχετική ικανότητα, 1 = χαμηλή
σχετική ικανότητα, 2 = σχετική ικανότητα, 3 = μέτρια σχετική ικανότητα, 4 = υψηλή σχετική ικανότητα και
5 = πολύ υψηλή σχετική ικανότητα.
Αυτές οι μήτρες ικανότητας συχνά βασίζονται σε εκτιμήσεις ειδικών, οι οποίες μπορούν να ελεγχθούν
περαιτέρω με εφαρμογή τους σε διάφορες υπό μελέτη περιπτώσεις με δεδομένα από μετρήσεις, με
μοντελοποίηση ή πρόσθετες εκτιμήσεις ειδικών (Burkhard et al. 2009). Σε περίπτωση απουσίας ποσοτικών
μελετών σχετικά με τις επιπτώσεις των παρεμβάσεων στις οικοσυστημικές υπηρεσίες σε δεδομένο χωρικό
και οικολογικό πλαίσιο, είναι πολλά υποσχόμενη η προσέγγιση/μεθοδολογια της καλά τεκμηριωμένης
αποδοχής των ειδικών (Schindler et al. 2014). Στο πλαίσιο αυτό, είναι πολύ σημαντικό να παρέχονται
πληροφορίες που μπορούν να αναπαραχθούν και να οριστούν με σαφήνεια οι κατηγορίες κάλυψης γης,
οι οικοσυστημικές υπηρεσίες, καθώς και το σκεπτικό με βάση το οποίο αξιολογούνται από τους ειδικούς
(2014 Schindler et al.). Έτσι, οι μήτρες ικανότητας όχι μόνο εκπληρώνουν το σκοπό εφαρμογής τους
συσχετίζοντας την κάλυψη γης με τις οικοσυστημικές υπηρεσίες, αλλά χρησιμεύουν επίσης στην
ανάπτυξη ειδικών δεικτών για τις οικοσυστημικές υπηρεσίες και τη μακροχρόνια δημιουργία συνόλου
δεδομένων για μελέτη ποσοτικοποίησης των τάσεων του οικοσυστήματος στην παροχή υπηρεσίων. Η
ακριβής χωρική ποσοτικοποίηση της προσφοράς, ζήτησης και ανταλλαγής των οικοσυστημικών
υπηρεσιών θα μπορούσε να προκύψει από αυτή την έρευνα, το οποίο θα επέτρεπε τεκμηριωμένη
ιεράρχηση των επιλογών τοπικής διαχείρισης, σηματοδοτώντας ένα σημαντικό βήμα προς τη βελτιωμένη
ολοκληρωμένη διαχείριση του περιβάλλοντος (Schindler et al. 2014).
3.
ΚΑΤΕΥΘΥΝΤΗΡΙΕΣ ΓΡΑΜΜΕΣ ΓΙΑ ΤΗΝ ΑΠΟΤΕΛΕΣΜΑΤΙΚΗ ΕΚΤΙΜΗΣΗ ΤΩΝ ΟΙΚΟΥΣΤΗΜΙΚΩΝ
ΥΠΗΡΕΣΙΩΝ: ΈΞΙ (6) ΣΤΑΔΙΑ ΠΡΟΣΕΓΓΙΣΗΣ ΣΕ ΤΟΠΙΚΟ ΚΑΙ ΠΕΡΙΦΕΡΕΙΑΚΟ ΕΠΙΠΕΔΟ (TEEB
2010b)
Η προσέγγιση αυτή δεν αποτελεί καθορισμένη διαδιακασία. Σκοπός της είναι να καθοδηγεί ερευνητές και
φορείς χάραξης πολιτικής κατά το σχεδιασμό των δικών τους διαδικασιών:
3.1 Καθορισμός και συμφωνία θεμάτων πολιτικής με τους άμεσα ενδιαφερόμενους (τοπικών
φορέων)
Η εφαρμοσμένη οικολογική έρευνα, όπως η αξιολόγηση και χαρτογράφηση των οικοσυστημικών
υπηρεσιών θα πρέπει να επικεντρωθεί σε ζητήματα της σύγχρονης πολιτικής. Σε αντίθετη περίπτωση,
είναι δύσκολο να βρεθεί χρηματοδότηση της έρευνας και να ληφθούν υπόψη τα αποτελέσματα και τα
συμπεράσματα από τους ιθύνοντες. Για το λόγο αυτό, η διαβούλευση με τους ενδιαφερομένους θα
147 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
πρέπει να ολοκληρωθεί στα πρώτα στάδια της ανάπτυξης του έργου, καθώς και να υπάρχει συμμετοχή
αυτών στη λήψη σημαντικών αποφάσεων κατά τη διάρκεια του (Pullin et al. 2009, Livoreil et al 2012,
Schindler et al. 2013). Η εμπλοκή των ενδιαφερομένων εξασφαλίζει, επίσης, ότι εξετάζονται όλες οι
σημαντικές πτυχές, αποφεύγονται παρεξηγήσεις κατά τη διάρκεια λήψης και εφαρμογή αποφάσεων και
διευκρινίζονται οι διαφορετικές προοπτικές και απόψεις σχετικά με το εξεταζόμενο θέμα πολιτικής (TEEB
2010b).
Για παράδειγμα, στο πλαίσιο της περιβαλλοντικής διαχείρισης στα Ιόνια Νησιά, ανάμεσα στα θέματα
πολιτικής που θα μπορούσαν να περιλαμβάνονται είναι η αλλαγή χρήσεων γης, οι διαφορές στις
κινητήριες κοινωνικο-οικονομικές δυνάμεις της αλλαγής χρήσης γης, οι επιπτώσεις από την αλλαγή
χρήσης γης στις οικοσυστημικές υπηρεσίες και τα οφέλη του ανθρώπου, οι πολιτικές επιλογές και τα
σενάρια, ο αντίκτυπος των νέων νομοθεσιών και σε υπο-εθνικό, εθνικό ή ευρωπαϊκό επίπεδο.
3.2 Αναγνώριση των καταλληλότερων οικοσυστημικών υπηρεσιών
Πρόσφατα, οι προσπάθειες για ορισμό και ταξινόμηση των οικοσυστημικών υπηρεσιών επικεντρώθηκαν
στην ανάπτυξη συστημάτων ταξινόμησης, στα οποία η κάθε ESS μπορεί να συνοψιστεί σε ευρύτερες
κατηγορίες. Αυτό έχει οδηγήσει σε συστήματα ιεραρχικής ταξινόμησης οικοσυστημικών υπηρεσιών ώστε
να αποφευχθεί η μεταξύ τους επικάλυψη και να επιτραπεί η χρήση ευρύτερων ή πιο εξειδικευμένων
κατηγοριών υπηρεσιών (Haines-Young &Potschin 2013; Maes et al. 2012, 2013). Ωστόσο, εφαρμόζονται
πολλαπλά συστήματα ταξινόμησης λόγω των παγκόσμιων διαφορών μεταξύ των απαιτήσεων των
οικοσυστημάτων και της πολιτικής (MEA 2005; Burkhard et al. 2012; Haines-Young &Potschin 2013; Maes
et al. 2012, 2013), και επειδή οι επιλογές σχετικά με τις οικοσυστημικές υπηρεσίες που πρέπει να
εκτιμηθούν και να χαρτογραφηθούν είναι πάρα πολλές και συνεχώς αυξάνονται. Για το λόγο αυτό,
απαιτείται να επιλεχθούν εκ των προτέρων οι καταλληλότερες οικοσυστημικές υπηρεσίες και συνιστάται
η χρήση οποιουδήποτε από τα αναφερόμενα συστήματα ταξινόμησης, καθώς οι ESS σε αυτά έχουν ήδη
οριστεί και σε πολλές περιπτώσεις η επικάλυψη αποφεύγεται. Ερωτήσεις που μπορούν να διευκολύνουν
την επιλογή των ESS για την αξιολόγηση μπορεί να περιλαμβάνουν τις ακόλουθες (TEEB, 2010b): (i) ποιες
υπηρεσίες του οικοσυστήματος έχουν καίρια σημασία για τις τοπικές/περιφερειακές κοινωνίες και
οικονομίες; (ii) ποιος εξαρτάται περισσότερο απο αυτές; (iii) ποιες υπηρεσίες βρίσκονται σε κίνδυνο;
και (iv) πώς οι πολιτικές τις επηρεάζουν;
Παράδειγμα κατάλληλων ESS στο πλαίσιο περιβαλλοντικής διαχείρισης στα Ιόνια Νησιά μπορεί να είναι
(cf. σύστημα ταξινόμησης από Burkhart et al. 2012):
 Οικολογική ακεραιότητα: αβιοτική ετερογένεια, βιοποικιλότητα
 Υπηρεσίες ρύθμισης: ρύθμιση διάβρωσης, καθαρισμός νερού
 Υπηρεσίες τροφοδοσίας: καλλιέργειες, κτηνοτροφία, αλιεία, υδατοκαλλιέργεια, πόσιμο νερό
 Υπηρεσίες πολιτισμού: αναψυχής και αισθητικής αξίας (συμπ. του τουρισμού), εγγενής αξία της
βιοποικιλότητας
148 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Μια κατάλληλη οριοθέτηση του πεδίου εφαρμογής από άποψη χρονικής και χωρικής κλίμακας είναι
απαραίτητη. Για παράδειγμα, η ποσότητα και η ποιότητα του νερού μπορεί να έχει μικρή σημασία
σήμερα, λόγω των μέτρων που ελήφθησαν πριν από δέκα χρόνια, ενώ σημερινά μέτρα θα μπορούσαν να
έχουν επιπτώσεις σε δέκα χρόνια ή περισσότερο στο μέλλον (TEEB 2010b).
3.3 Προσδιορισμός των αναγκαίων πληροφοριών και επιλογή κατάλληλων μεθόδων
Το είδος της απόφασης που πρέπει να ληφθεί καθορίζει και το είδος των πληροφοριών που απαιτούνται
(TEEB 2010b). Εκτιμήσεις των οικοσυστημικών υπηρεσιών μπορεί να διαφέρουν με ποικίλους τρόπους: οι
υπηρεσίες που πρέπει να εξεταστούν, το βάθος της λεπτομέρειας, ο χρονικός ορίζοντας, η χωρική έκταση,
η νομισματοποίηση των αποτελεσμάτων ή τη μορφή των πληροφοριών. Όσο καλύτερα καθοριστούν εκ
των προτέρων οι διάφορες πτυχές της έρευνας, τόσο πιο εύκολη θα είναι η επιλογή της μεθόδου για την
ανάλυση και ερμηνεία των αποτελεσμάτων. Το ερώτημα του κατά πόσον ή όχι να εφαρμόζεται η
οικονομική αποτίμηση των υπηρεσιών δεν πρέπει να επισκιάζει το γεγονός ότι η εφαρμογή του
συστήματος θα πρέπει να γίνεται για να προσδιορίζεται ο βαθμός σημαντικότητας μιας οικοσυστημικής
υπηρεσίας σε σχέση με άλλες.
Μια εναλλακτική προσέγγιση για τη χρήση «χρήματος» είναι η ανάλυση πολυκριτηριακή ανάλυση
(TEEB 2010b). Ο προσδιορισμός των πληροφοριών που απαιτούνται είναι πιθανόν να καθοριστούν από
αυτούς που παίρνουν αποφάσεις. Eάν η αποτίμηση πρόκειται να εφαρμοστεί, αυτό πιθανό γίνει από
τεχνικό εμπειρογνώμονα. Ωστόσο, οι βασικές επιλογές εμπίπτουν στην ποιοτική περιγραφή, που θα
μπορούσε να χρησιμοποιηθεί για παράδειγμα, στην ευαισθητοποίηση του κοινού σχετικά με τη σημασία
των ρυθμιστικών ή πολιτισμικών υπηρεσιών ή στην ποσοτικοποίηση των βιοφυσικών τάσεων αλλαγών
του οικοσυστήματος κάτω από διαφορετικά σενάρια ως εργαλείο στήριξης αποφάσεων. Αυτές οι δύο
προσεγγίσεις μπορούν να συνδυαστούν με ποιοτική περιγραφή των τάσεων στον τομέα των
οικοσυστημικών υπηρεσιών στα διάφορα σενάρια για τη λήψη αποφάσεων (Schindler et al. 2014)
Συγκεκριμένα για την προσέγγιση της μήτρας ικανότητας (Burkhard et al. 2012; Hermann et al. 2014), οι
κύριες επιλογές για την πλήρωση των κυττάρων της μήτρας είναι ως εξής:
3.3.1 Η προσέγγιση βάσει στοιχείων
Οι αποφάσεις βασίζονται σε δημοσιευμένες πληροφορίες που συναντώνται στην επιστημονική
βιβλιογραφία και άλλες αξιόπιστες πηγές. Η ισχυρότερη τεκμηριωμένη προσέγγιση είναι αυτή της
συστηματικής επανεξέτασης (Pullin et al 2009, CEE 2013, www.environmentalevidence.org). Πρόκειται για
μια σύνθεση αποδεικτικών στοιχείων, όπου χρησιμοποιείται μια αντικειμενική, διαφανής, αναπαράξιμη
και αναβαθμίσιμη μεθοδολογία. Στηρίζεται σε μια ολοκληρωμένη συλλογή μελετών, σε μια προσωπική
ποιοτική αξιολόγηση τους (αξιολόγηση των τάσεων, ισχύος) και στον υπολογισμό της βαρύτητας των
αποδεικτικών στοιχείων, λαμβάνοντας υπόψη την ποιότητα της κάθε μελέτης. Στην ιδανική περίπτωση, η
επιστημονική βιβλιογραφία θα πρέπει να συμπληρώνεται από τον όρο «γκρίζα βιβλιογραφία»
(συμπεριλαμβανομένων, για π.χ., εκθέσεων από τις τοπικές αρχές ή ΜΚΟ), καθώς και από εναλλακτικές
μορφές γνώσεων, όπως η παραδοσιακή γνώση, δηλαδή γνώση των τοπικών φορέων. Οι συστηματικές
ανασκοπήσεις είναι ιδιαίτερα κατάλληλες να εφαρμόζονται όταν προσπαθούμε να αξιολογήσουμε την
αποτελεσματικότητα μιας παρέμβασης (δράσης) ή τις επιπτώσεις της έκθεσης σε έναν παράγοντα (π.χ.
149 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
αλλαγή χρήσης γης, πολιτικές επιλογές). Είναι δυνατόν να αξιολογηθεί η ακρίβεια της διαδικασίας και
εμφάνισης
ενός φαινομένου. Είναι ιδιαίτερα κατάλληλη όταν αντιμετωπίζεταιι μία διαμάχη,
αντικρουόμενα αποτελέσματα κύριων μελετών ή όταν εκφράζονται αμφιβολίες σχετικά με μια καλά
εδραιωμένη πεποίθηση πρακτικής. Συχνά, μια σύγκριση υπονοείται στην αρχική ανησυχία (μεταξύ δύο
δράσεων, πριν/μετά). Μια συστηματική επανεξέταση επιτρέπει την αξιολόγηση της επίδρασης ορισμένων
μεταβλητών που προκαλούν σύγχυση (π.χ. θέση, ηλικία) σχετικά με τα αποτελέσματα.
Τα βήματα για τη διεξαγωγή μιας συστηματικής επανεξέτασης ορίζονται αυστηρά από τις διεθνείς
διαδικασίες και πρότυπα, όπως αυτά που βρέθηκαν στις κατευθυντήριες γραμμές της CEE
(www.environmentalevidence.org/Authors.html).
Το πρωτόκολλο της συστηματικής επανεξέτασης (π.χ. Schindler et al. 2013a), πρέπει να καταχωρηθεί και
να αξιολογηθεί από κριτές πριν από τη διεξαγωγή της επανεξέτασης, προκειμένου να εξασφαλιστεί η
διαφάνεια της διαδικασίας, η ελαχιστοποίηση των κινδύνων από προκαταλήψεις ή η νόθευση. Η
ανασκόπηση (συμπεριλαμβανομένων των αποτελεσμάτων, περιορισμών, προτάσεων) αξιολογείται από
κριτές. Τα ενδιαφερόμενα μέρη πρέπει να γνωμοδοτούν κατά τη διάρκεια της διαδικασίας και να
ενθαρρύνονται να υποβάλλουν τις παρατηρήσεις τους (2009 Pullin et al.). Τόσο ποσοτικά όσο και
ποιοτικά στοιχεία μπορούν να χρησιμοποιηθούν. Τα ποσοτικά στοιχεία επιτρέπουν την μετα-ανάλυση,
παρέχοντας πιο ισχυρά αποτελέσματα, αλλά αυτό δεν αποτελεί και περιορισμό. Μια έμπειρη «ομάδα
ελέγχου» που ενεργεί ως ομάδα εργασίας θα πρέπει ιδανικά να αποτελείται από βιβλιοθηκονόμους
(αναζήτηση/ανάκτηση των μελετών και γκρίζα βιβλιογραφία), ειδικούς επιστήμονες όσον αφορά το θέμα
(αξιολόγηση της ποιότητας), στατιστικολόγο (αν απαιτείται), και τέλος, επικοινωνιολόγο για τη μεταφορά
γνώσεων ώστε η υποβολή των εκθέσεων να γίνεται στην κατάλληλη γλώσσα. Τα αποτελέσματα είναι μια
σύνθεση στοιχείων και περιλαμβάνει ένα «συστηματικό χάρτη» της τρέχουσας γνώσης με τυπολογία,
εκτίμηση της ποιότητας αυτής της γνώσης, αφηγηματική σύνθεση της κάθε μελέτης, στατιστική σύνθεση
των στοιχείων όπου είναι δυνατόν, διαστήματα πρόβλεψης (όπου είναι δυνατόν), εκτιμήσεις
εμπιστοσύνης, περιορισμούς, προτάσεις για την πολιτική, την έρευνα και τη διαχείριση. Τα κύρια
προβλήματα είναι ότι η συστηματική επανεξέταση αυτή καθεαυτή δεν περιλαμβάνει κανένα είδος
μοντελοποίησης ή σεναρίων (αλλά μπορεί να είναι μια πολύ χρήσιμη βάση για αυτές τις εργασίες) και ότι
απαιτεί πολύ χρόνο και πόρους. Μια πρόχειρη εκτίμηση θα μπορούσε να είναι 1-2 άτομα-ημέρες x 12
μήνες πλήρους απασχόλησης.
3.3.2 Προσαρμοσμένη συνδιαχείριση
Προσαρμοσμένη συνδιαχείριση σημαίνει την από κοινού σχεδίαση για συνεχή βελτίωση της διαδικασίας
διαχείρισης φυσικών πόρων (Christensen et al 1996, Méndez et al 2010μ Susskind et al. 2012). Δεν
λαμβάνεται μια ενιαία και οριστική απόφαση, παρά τα κενά στην πληροφόρηση ή την αβεβαιότητα
σχετικά με τα συστήματα που εμπλέκονται, τονίζεται η μάθηση μέσω της προσεκτικής παρακολούθησης
των προσωρινών στρατηγικών και των μεταβαλλόμενων συνθηκών και των σταδιακών προσαρμογών υπό
το φως των νέων πληροφοριών. Ο συνεργατικός σχεδιασμός δίνει έμφαση στη συμμετοχή όλων των
ενδιαφερόμενων ομάδων για την πλήρη αξιοποίηση των τοπικών περιβαλλοντικών γνώσεων και να
εξασφαλισθούν τα αμοιβαία οφέλη. Το αποτέλεσμα είναι μια κυκλική, επαναληπτική στρατηγική στο
150 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
σημείο συνάντησης επιστήμης, διαχείρισης και πολιτικής που έχει σχεδιαστεί για την εκμάθηση σχετικά
με τις επιδόσεις των διαφόρων πολιτικών αποφάσεων.
Η προσαρμοσμένη συνδιαχείριση είναι κατάλληλη ειδικά όταν γίνεται προσπάθεια να
αξιολογηθούν πολιτικές και διαχειριστικές επιλογές για την αντιμετώπιση των περιορισμών που θέτουν η
αβεβαιότητα, η πολυπλοκότητα και τα κενά γνώσης. Προσφέρει μια πορεία προς τα εμπρός, όταν τα
διαθέσιμα στοιχεία είναι ασαφή ή αντιφατικά (π.χ. από την άποψη ανταγωνιστικών στόχων). Η
συνεργασία στο σχεδιασμό, συνιστάται για την αντιμετώπιση βασικών θεσμικών προβλημάτων, όπως η
επικάλυψη αρμοδιοτήτων, αντικρουόμενες διαδικασίες λήψης αποφάσεων και ένταση μεταξύ των
ενδιαφερόμενων μερών με διαφορετικά συμφέροντα. Τα βήματα της προσαρμοσμένης συνδιαχείρισης
ορίζονται ευρέως και υποστηρίζονται από διάφορες τεχνικές υποβοηθούμενες από ειδικούς. Η όλη
διαδικασία μπορεί να περιλαμβάνει μέρος ή όλα τα ακόλουθα βήματα:
(1) τον ορισμό ενός σαφούς πρωταρχικού στόχου και συγκεκριμένων, μετρήσιμους σκοπών για την
καθοδήγηση της διαδικασίας διαχείρισης,
(2) τον χαρακτηρισμό του θεσμικού πλαισίου,
(3) τον προσδιορισμό των βασικών εμπλεκομένων και των ειδικών,
(4) τη χαρτογράφηση γνώσης και διαδικασίας πεδίων διερεύνησης,
(5) διερευνητική χρήση πρωτοκόλλων που προάγουν την κοινή μάθηση και τη διαχείριση της
επιστημονικής αβεβαιότητας,
(6) συνεργατική μοντελοποίηση και σενάρια (ή παρόμοια εργαλεία που διευκολύνουν τη συμμετοχή και
την προώθηση της συνεργασίας),
(7) την ένταξη των εναλλακτικών πολιτικών σε προσαρμοσμένα σχέδια διαχείρισης/πολιτικής, και
(8) το σχεδιασμό σαφών διαδικασιών για τη διαχείριση του προγράμματος προσαρμογής και
καλλιέργειας μακροπρόθεσμης ανάπτυξης ικανοτήτων.
Η προσαρμοσμένη συνδιαχείριση έχει ρητά σχεδιαστεί για να ενσωματώσει τις διαφορετικές μορφές της
γνώσης, την εναρμόνιση αντιφατικών κοσμοθεωριών και τη διαπραγμάτευση αντικρουόμενων
συμφερόντων. Η διαθεσιμότητα ποσοτικών δεδομένων και η γνώση της διαδικασίας επιτρέπουν την
ενσωμάτωση πραγματικών περιστατικών στο συνεργατικό μοντέλο. Πληροφορίες σχετικά με τη πολιτική
διαδικασία ή/και τη διαχείριση σε επιχειρησιακό επίπεδο είναι επίσης καίριας σημασίας για το σχεδιασμό
προσαρμοσμένων σχεδίων και διαδικασιών διαχείρισης και ενσωματώνονται καλύτερα κατά τη διάρκεια
της χαρτογράφησης και της συνεργατικής φάσης μοντελοποίησης.
Μια έμπειρη «ομάδα προσαρμοσμένης συνδιαχείρισης» θα πρέπει να καθοδηγεί τη διαδικασία
και, με βάση τη θεσμική ανάλυση, να εντοπίζει και να συμπεριλαμβάνει όλα τα εμπλεκόμενα μέρη και
τους σχετικούς ειδικούς. Η ομάδα πρέπει να περιλαμβάνει τουλάχιστον έναν Υπεύθυνο διαδικασίας και
έμπειρους διαμεσολαβητές (βήματα 4-6), καθώς και μοντελιστές/προγραμματιστές (βήμα 6) και έναν
ειδικό επικοινωνιολόγο (βήματα 6-7).
Το κύριο αποτέλεσμα είναι μια προσαρμοσμένη πολιτική στρατηγική διαχείριση που θα μπορούσε
να περιλαμβάνει (i) μια διαπραγμάτευση ορισμού των σκοπών και των στόχων, με προσδιορισμό της
εφαρμοζόμενης πολιτικής, (ii) καθορισμό του θεσμικού πλαισίου, (iii) χάρτη με την κοινώς αποδεκτή
γνώση, με προσδιορισμός των γνωστικών κενών και αβεβαιοτήτων, (iv) μοντέλο συνεργασίας και μια
σειρά από σενάρια πολιτικής/διαχείρισης, (v) αφηγηματική σύνθεση των σεναρίων πολιτικής/διαχείρισης,
(vi) και ένα ευέλικτο σχέδιο διαχείρισης/πολιτικής, συμπεριλαμβανομένων των διαδικασιών για
μακροπρόθεσμη μάθηση και ανάπτυξη ικανοτήτων.
151 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Ο βασικός περιορισμός της μεθόδου είναι ότι απαιτείται η συμμετοχή όλων των βασικών ειδικών
και των ενδιαφερόμενων φορέων (απαιτούνται κατάλληλα κίνητρα, όχι κατ’ ανάγκη από άποψη της
χρηματοδότησης, αλλά και όσον αφορά τη διασφάλιση ότι τα αποτελέσματα θα λαμβάνονται υπόψη από
τους ιθύνοντες). Είναι επίσης, απαιτητική από άποψη χρόνου και χρηματοδότησης, αν και απλοποιημένες
διαδικασίες (π.χ. συνεργατική μοντελοποίηση χωρίς υπολογιστικά υπομοντέλα) μπορούν να
χρησιμοποιηθούν για να ξεπεράσουν τους περιορισμούς στο ένα ή και στα δύο. Οι δαπάνες και οι πόροι
εξαρτώνται από την πολυπλοκότητα του προβλήματος και το διαθέσιμο χρονικό διάστημα, αλλά
τουλάχιστον € 100.000 θα πρέπει να υπολογιστούν συνολικά για μισθούς ενός έτους δύο ατόμων συν το
κόστος οργάνωσης τουλάχιστον 3 ημερίδων ειδικών και εμπλεκομένων.
3.3.3 Η διαβούλευση, η εκτίμηση και η επανεξέταση από τους ειδικούς
Οι προσεγγίσεις που βασίζονται στη γνώση των ειδικών είναι η πιο συχνά χρησιμοποιούμενη μέθοδος για
την αξιολόγηση των γνώσεων σχετικά με ένα συγκεκριμένο θέμα και μπορεί να χρησιμοποιηθεί γενικά για
όλα τα θέματα και τις συνθήκες, με διαφορετικά επίπεδα συμμετοχής, συστήματα ανατροφοδότησης
μέσω της επανεξέτασης και συμπεριλαμβάνοντας ειδικές μεθόδους. Διαβουλεύσεις με τους
εμπειρογνώμονες και η συμμετοχή τους στη διεξαγωγή μιας κοινής έκθεσης μπορούνα να
πραγματοποιηθούν για διαφορετικούς σκοπούς και σε διαφορετικά χρονικά διαστήματα. Πρώτα απ’ όλα,
είναι η προτιμώμενη μέθοδος για την αντιμετώπιση ενός θέματος μέσα σε ένα σύντομο χρονικό
διάστημα, όταν η γνώση δεν είναι άμεσα διαθέσιμη, π.χ. μέσω υφιστάμενων μελετών ή μετα-αναλύσεων.
Η μέθοδος γίνεται ισχυρότερη όταν μεγάλος αριθμός εμπειρογνωμόνων συμμετέχει σε μια τακτική
διαδικασία αξιολόγησης (βλέπε παρακάτω), η οποία αφορά επίσης θέματα αβεβαιότητας από την ομάδα
των ειδικών.
Προσεγγίσεις που βασίζονται στη γνώση ειδικών, συνήθως στερούνται καθορισμένου πρωτοκόλλου, αλλά
πολλές διαδικασίες, ιδίως στις διεθνείς διαδικασίες αξιολόγησης είναι αποδεκτές (π.χ. IPCC, ΜΑ, IAASTD).
Σε γενικές γραμμές, η γνώση των εμπειρογνωμόνων που συμμετέχουν και η χρήση των υφιστάμενων
δημοσιευμένων γνώσεων αποτελούν τη βάση για τη δημιουργία της διαδικασίας. Κανονικά, δεν
πραγματοποιούνται δικές τους αναλύσεις, αλλά συνδυάζεται η υφιστάμενη γνώση. Η συμμετοχή των
εμπειρογνωμόνων και ο προσδιορισμός όλων των πτυχών ενός θέματος είναι ζωτικής σημασίας. Οι
εμπειρογνώμονες μπορεί να είναι ακαδημαϊκοί, αλλά ανάλογα με το θέμα, μπορεί να περιλαμβάνονται
επαγγελματίες ή και διαχειριστές της βιοποικιλότητας και των οικοσυστημικών υπηρεσιών.
Προσεγγίσεις που βασίζονται στη γνώση των ειδικών μπορούν να προσφέρουν αρχικά, μικρότερες ή
μεγαλύτερες εκτιμήσεις του θέματος, συμπεριλαμβανομένης μιας ειδικά προσαρμοσμένης σύνθεσης.
Μοντέλα και σενάρια μπορούν να συμπεριλαμβάνονται εάν έτσι αποφασίζεται εξ αρχής, αλλά αυτό
αυξάνει τον όγκο της εργασίας καθώς μπορεί να περιλαμβάνει πρωτότυπες έρευνες που πρέπει να
αναπτυχθούν και να διεξαχθούν. Προσεγγίσεις που βασίζονται στη γνώση ειδικών εξαρτώνται σε μεγάλο
βαθμό από τον προσδιορισμό των ενημερωμένων και ενεργών εμπειρογνωμόνων οι οποίοι χρειάζονται
καλή υποστήριξη από την άποψη της οργάνωσης της διαδικασίας. Τα επίπεδα αβεβαιότητας μπορούν να
εκτιμηθούν με βάση το επίπεδο συμφωνίας (από υψηλό έως χαμηλό) και το επίπεδο των υφισταμένων
στοιχείων (από περιορισμένο σε σημαντικό) στα κύρια συμπεράσματα ή και σε όλα τα τμήματα της
έκθεσης (βλέπε για παράδειγμα ΜΑ και UK-NEA). Προσεγγίσεις που βασίζονται στη γνώση των ειδικών
είναι ιδιαίτερα χρήσιμες για θέματα με χαμηλό ή ενδιάμεσο επίπεδο πληροφοριών. Το κόστος εξαρτάται
152 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
από τη χρησιμοποιουμενη προσέγγιση και από το αν οι συμμετέχοντες εμπειρογνώμονες εργάζονται
δωρεάν. Για τοπικές εκτιμήσεις, το κόστος μπορεί να ανέλθει σε περίπου € 10.000-30.000. Ειδικές μορφές
διαβούλευσης εμπειρογνωμόνων, π.χ. η ερευνητική μέθοδος Δελφών ή άλλες διαδικασίες συνεδρίασης
θα επιφέρουν επιπρόσθετες δαπάνες για τη διασφάλιση της συμμετοχής των εμπειρογνωμόνων σχετικά
με τις μεθόδους και το λεπτομερή σχεδιασμό.
3.4 Αξιολόγηση των οικοσυστημικών υπηρεσιών
Στην περίπτωση της μήτρας ικανότητας, οι οικοσυστημικές υπηρεσίες αξιολογούνται με συσχέτιση τους
με την εδαφοκάλυψη της περιοχής μελέτης με οποιαδήποτε από τις μεθόδους που αναφέρονται
παραπάνω. Στις περισσότερες περιπτώσεις οι χωροψηφίδες της περιοχής, πρέπει να συμπληρωθούν με
βάση τις γνώσεις ειδικών. Πρόσφατα δημοσιευμένες μελέτες, καθορίζουν τις μήτρες ικανότητας
εφαρμόζοντας κλίμακα από 0 (καμία σχετική ικανότητα) έως 5 (πολύ υψηλή σχετική ικανότητα) (Burkhard
et al. 2012, Hermann et al. 2014). Η μήτρα ικανότητας μπορεί στη συνέχεια να συνδεθεί σε ένα ΓΣΠ με τις
κατηγορίες κάλυψης γης. Το βήμα αυτό επιτρέπει τη χαρτογράφηση των οικοσυστημικών υπηρεσιών με
χωρική ακρίβεια στην περιοχή μελέτης! Ιδανικά, οι τιμές που λαμβάνονται από τη μήτρα ικανότητας
μπορούν να συμπληρωθούν με ειδικές πληροφορίες με μια αντιπροσωπευτική επιλογή συγκεκριμένων
ψηφίδων (Hermann et al. 2013). Η προσέγγιση αυτή μπορεί επίσης να εφαρμοστεί για να γίνει μια
εκτίμηση της διακύμανσης και της αβεβαιότητας της ικανότητας παροχής οικοσυστημικών υπηρεσιών και
οι δύο πληροφορίες είναι σημαντικές και απαιτούνται για τη λήψη αποφάσεων (EPBRS 2013).
3.5 Αναγνώριση και εκτίμηση επιλογών πολιτικής
Οι υπεύθυνοι λήψης αποφάσεων συνήθως δεν απαιτούν μια πανάκεια για το τι πρέπει να γίνει, αλλά μια
σταθερή εκτίμηση των πιθανών επιλογών για τη διαχείριση και τις επιπτώσεις τους στις οικοσυστημικές
υπηρεσίες. Για το λόγο αυτό, συχνά απαιτείται ανάπτυξη σεναρίων, τα οποία συνήθως περιλαμβάνουν
ένα σενάριο για τη διατήρηση της υφιστάμενης διαχείρισης (που συχνά αποκαλείται «business as usual»),
ενδεχομένως ένα αρνητικό σενάριο για κάθε είδους επικείμενη αρνητική πορεία (π.χ. αλλαγή του
κλίματος, υποβάθμιση του εδάφους) ή ενδεχόμενες αρνητικές νέες ρυθμίσεις, και ένα ή περισσότερα
θετικά σενάρια που αξιολογούν την έκβαση των προτεινόμενων επιλογών διαχείρισης για να αυξηθεί η
βιωσιμότητα της ολοκληρωμένης περιβαλλοντικής διαχείρισης και πολιτικής.
Αυτά τα σενάρια πρέπει να αναπτυχθούν προσεκτικά και να είναι καθορισμένα με σαφήνεια. Εδώ, η
συμμετοχή των ενδιαφερομένων είναι ιδιαίτερα σημαντική ούτως ώστε να ληφθούν ρεαλιστικά σενάρια.
Η δημιουργία σεναρίου υπό την έντονη συμμετοχή ενός ποικίλου συνόλου ενδιαφερομένων συχνά
γίνεται από μια «συμμετοχική διαδικασία δημιουργίας σεναρίου», όπου η συμμετοχή των
ενδιαφερομένων θα πρέπει να φθάσει στο βέλτιστο επίπεδο συναπόφασης. Στην περίπτωση της
ολοκληρωμένης περιβαλλοντικής διαχείρισης στα νησία του Ιονίου, θα είναι μια καλή επιλογή η ανάπτυξη
ενός σεναρίου με επίκεντρο την πολυλειτουργικότητα λαμβάνοντας υπόψη την υλοποίηση της
αποκατάστασης του 15% των υποβαθμισμένων οικοσυστημάτων, όπως απαιτείται από το στόχο 2 της
στρατηγικής της ΕΕ για τη βιοποικιλότητα το 2020. Τα στοιχεία που θα προκύψουν από την αξιολόγηση
των οικοσυστημικών υπηρεσιών μπορούν να αποτελέσουν τη βάση μιας πολιτικής συζήτησης στο πλαίσιο
μιας συμμετοχικής διαδικασίας είτε παρέχοντας την ανάλυση κόστους-οφέλους είτε λειτουργώντας ως
σημείο εκκίνησης για την πολυκριτηριακή ανάλυση (TEEB 2010b).
153 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
3.6
Αξιολόγηση των επιδράσεων κατανομής των πολιτικών επιλογών
Η αξιολόγηση της παροχής οικοσυστημικών υπηρεσιών είναι πολύ πιο συχνή από ό, τι η εκτίμηση της
ζήτησης (οι Burkhard et al. 2012, εκτίμησαν τη ζήτηση με τη ίδια αυστηρότητα όπως και την προσφορά). Η
ζήτηση των οικοσυστημάτων είναι πολύ σημαντική, επειδή πολλές οικοσυστημικές υπηρεσίες, όπως οι
περισσότερες υπηρεσίες ρύθμισης και πολιτισμού είναι ελάχιστα μεταφερόμενες στο χώρο. Η κατανομή
των οικοσυστημικών υπηρεσιών στο χώρο είναι επίσης σημαντική για την κατανομή των οικοσυστημικών
υπηρεσιών μεταξύ των ανθρώπων. Αλλαγές στη διαθεσιμότητα ή την κατανομή των οικοσυστημικών
υπηρεσιών επηρεάζουν τους ανθρώπους ανάλογα με την εξάρτησή τους. Γενικώς, τα φτωχά μέρη της
κοινωνίας είναι περισσότερο εξαρτώμενα από τις οικοσυστημικές υπηρεσίες, δεδομένου ότι δεν μπορούν
να βασίζονται σε οικονομικούς πόρους, στην περίπτωση της έλλειψης υπηρεσιών από τη φύση. Αυτό το
ζήτημα κατανομής πρέπει να λαμβάνεται υπόψη σε ολοκληρωμένες περιβαλλοντικές εκτιμήσεις,
τουλάχιστον όταν διεκδικούν την εξέταση των κοινωνικών πτυχών. Αυτό μπορεί να περιλαμβάνει
μεθόδους όπως η βιώσιμη προσέγγιση για τα προς το ζην, για να προσδιοριστεί η εξάρτηση από τις
οικοσυστήμικες υπηρεσίες, καθώς και εργαλεία αξιολόγησης της φτώχειας (TEEB 2010b).
4.
ΑΝΑΛΥΤΙΚΕΣ ΤΕΧΝΙΚΕΣ ΟΔΗΓΙΕΣ ΓΙΑ ΤΗΝ ΑΞΙΟΛΟΓΗΣΗ ΤΩΝ ΟΙΚΟΣΥΣΤΗΜΙΚΩΝ ΥΠΗΡΕΣΙΩΝ
Αφού προσδιοριστούν και συμφωνηθούν οι ανάγκες πολιτικής με τα εμπλεκόμενα μέρα (βλέπε 3.1 για
λεπτομέρειες), και οριστούν οι κατάλληλες συστημικές υπηρεσίες (βλ. 3.2), πρέπει να προσδιοριστεί η
ανάγκη για πληροφορίες και να γίνει η επιλογή των κατάλληλων μεθόδων (βλ. 3.3). Για εφαρμοσμένους
σκοπούς, συχνά μπορεί να συγκροτηθεί μια μήτρα ικανότητας, η οποία θα συσχτίζει την κάλυψη γης με
τις οικοσυστημικές υπηρεσίες (βλέπε 2.3)
Εδώ παρουσιάζουμε ένα παράδειγμα μήτρας ικανότητας, η οποία συσχετίζει την κάλυψη γης κατά
CORINE με την παροχή 29 επιλεγμένων οικοσυστημικών υπηρεσιών για μια περιοχή μελέτης στη Γερμανία
(Burkhard et al. 2012, Εικόνα 2):
154 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
155 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Άλλο παράδειγμα, το οποίο παρουσιάζει μια μήτρα ικανότητας που δημιουργήθηκε για τα Ιόνια Νησιά
κατά τη διάρκεια των Θερινών Σχολείων 2012 και 2013 (ΤΕΙ Ιονίων Νήσων – Ζάκυνθος).
CODE Corinename
_00
111
112
121
123
124
131
141
142
211
221
222
223
231
242
243
311
312
313
321
323
324
331
332
333
421
422
521
continuous urban
fabric
discontinuous urban
fabric
industrialorcommerci
alunits
portareas
airports
mineralextractionsites
green urban areas
sportandleisurefaciliti
es
Nonirrigatedarableland
vineyards
fruit trees and berry
plantations
olivegroves
pastures
complexcultivationpat
terns
land principally
occupied by
agriculture, with
significant areas of
natural vegetation
Broad-leavedforest
coniferousforest
mixedforest
naturalgrasslands
sclerophyllousvegetati
on
transitionalwoodlandshrub
Corinename
Abiotic Bio-diversity Waterpuri Pollihetero- (functional
-fication nation
geneity
value)
Crops Recreation&
aesthetic
values
Intrinsic value of
bio-diversity
Συνεχής_αστικός_
ιστός
Ασυνεχής_αστικό
ς_ιστός
Βιομηχανικές_κ_ε
μπορικές_ζώνες
Ζώνες_λιμένων
Αεροδρόμια
Λατομεία
Αστικό_πράσινο
Εγκαταστάσεις_α
θλητισμού
Ξερικά
0
0
0
0
0
3
0
1
1
0
1
1
2
2
1
0
0
0
0
2
0
1
1
2
3
2
2
1
1
3
2
0
0
0
1
1
0
0
0
1
1
0
0
0
0
0
3
1
0
3
3
0
0
0
0
1
3
2
0
1
3
2
1
Αμπελώνες
Οπωροφόρα
3
4
3
4
0
1
4
4
4
4
3
3
2
2
Ελαιώνες
Λιβάδια
Σύνθετες_Καλλιέρ
γειες
Γεωργική_γη_με_
φυσική_βλάστησ
η
3
3
4
3
2
3
1
1
0
4
5
5
5
1
4
4
2
3
3
3
3
4
3
2
5
3
4
4
3
3
4
3
3
4
4
5
4
4
5
4
5
3
4
5
5
5
5
5
0
0
0
0
0
3
3
3
3
3
4
2
3
4
5
4
4
4
5
0
3
4
3
2
2
3
2
2
3
0
3
1
0
2
0
0
0
5
3
2
5
3
1
3
1
3
3
2
4
3
3
4
1
0
0
0
0
0
0
1
5
4
1
5
Πλατύφυλλα
Κωνοφόρα
Μικτά
Βοσκότοποι
Σκληροφυλλική_β
λάστηση
Μεταβατικές_δασ
ώδεις_κ_θαμνώδ
εις
beaches, dunes, sands Παραλίες
bare rocks
Βράχοι
sparselyvegetatedare Εκτάσεις_αραιή_β
as
λάστηση
saltmarshes
Αλμυρόβαλτοι
salines
Αλυκές
coastallagoons
Λιμνοθάλασσες
156 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Η μήτρα ικανότητας πρέπει στη συνέχεια να συνδεθεί μέσω ΓΣΠ με τις κατηγορίες κάλυψης γης. Ως εκ
τούτου, πρέπει να προστεθεί το αρχείο shape εδαφοκάλυψης:
Έπειτα η μήτρα ικανότητας συνδέεται με το αρχείο shape:
157 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Για αυτό, πρέπει να επιλεγούν: (i) το πεδίο του αρχείου shape που περιέχει τον κωδικό κάλυψης γης, (ii)
το αρχείο xls (και το φύλλο εργασίας) που περιέχει τη μήτρα ικανόητας και (iii) η στήλη του αρχείου xls
που περιέχει τον κωδικό κάλυψης γης.
Πρέπει επαληθευτεί η ένωση των αρχείων.
158 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Έχοντας ενώσει τη μήτρα ικανότητας με το αρχείο shape των κατηγοριών κάλυψης γης, μπορούμε να
επιλέξουμε κάθε οικοσυστημική υπηρεσία που παρέχεται σε κάθε κάλυψη γης. Προκειμένου να
χαρτογραφήσουμε τα διάφορα επίπεδα παροχής των οικοσυστημικών υπηρεσιών πρέπει να ανοίξουμε
την καρτέλα συμβολισμού (symbology) για το αρχείο shape το οποίο έχει ενωθεί με τη μήτρα ικανότας.
Στις κατηγορίες – μοναδικές τιμές (categories - unique values) μπορεί να επιλεγεί η συντομογραφία του
ονόματος της οικοσυστημικής υπηρεσίας (Abio_he στο παρακάτω παράδειγμα που αφορά αβιοτική
ετερογένεια).
Στη συνέχεια πρέπει να επιλεγεί μια μπάρα χρωμάτων με βαθμίδες. Έπειτα πατάμε «add all values»
(προσθήκη όλων των τιμών) και OK.
159 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Έτσι χαρτογραφείται κατάλληλα η επιλεγμένη οικοσυστημική υπηρεσία και μπορεί να γίνει εξαγωγή των
χαρτών από το ΓΣΠ.
Στα παρακάτω παραδείγματα, βλέπουμε επτά οικοσυστημικές υπηρεσίες:
i. αβιοτική ετερογένεια,
ii. παραγωγή τροφίμων από σοδειές,
iii. λειτουργικές αξίες της βιοποικιλότητας,
iv. εγγενής αξία της βιοποικιλότητας,
v. καθαρισμός υδάτων,
vi. επικονίαση,
vii. και αξία αναψυχής,
οι οποίες χαρτογραφήθηκαν για το νησί της Ζακύνθου κατά το θερινό σχολείο του 2012. Η αξιολόγηση
έγινε με βάση μια μήτρα ικανότητας η οποία δημιουργήθηκε από τους φοιτητές.
Οι τιμές κυμαίνονται από χαμηλές (έντονο πορτοκαλί) έως υψηλές (μπλε).
160 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
161 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Τέλος, μπορούν να συνοψισθούν στατιστικά οι τιμές για τις διάφορες οικοσυστημικές υπηρεσίες (π.χ.
μέσες τιμές ανά μονάδα καννάβου ή ανά μονάδα εδάφους φυσική (π.χ. νησί) ή διοικητική (π.χ. δήμος,
επαρχία) και μπορούν να συγκριθούν διαφορετικές περιοχές ή διαφορετικά σενάρια, για παράδειγμα με
διαγράμματα ιστού αράχνης (De Groot et al. 2014; Hermann et al. 2014; Schindler et al. 2014).
Εννοιολογικό παράδειγμα για τη σύγκριση σεναρίων με διαγράμματα ιστού αράχνης σύμφωνα με τον De
Groot et al. 2010 (Εικόνα 4).
Ανταλλαγές μεταξύ των κατηγοριών των οικοσυστημικών υπηρεσιών φορέας (carrier), πληροφορία
(information), ενδιαίτημα (habitat), ρύθμιση (regulation) και τροφοδότηση (provision) για τρία
διαφορετικά μέρη (π.χ. λεκάνη λίμνης ‘Lake basin’, χαμηλή βεράντα ‘Low lying terrace’ και λοφώδης
περιoχή και λοφοσειρά ‘Hilly area and hill range’) στην αυστροουγγρική διασυνοριακή περιοχή Neusiedler
See/Fertő. Οι οικοσυστημικές υπηρεσίες αξιολογήθηκαν με την εφαρμογή της προσέγγισης μήτρας
ικανότητας σύμφωνα με ειδικούς (από τον Hermann et al. 2014).
162 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Πρακτικό παράδειγμα χρήσης διαγραμμάτων ιστών αράχνης για τη σύγκριση σεναρίων διαχείρισης όσον
αφορά τις επιδράσεις τους στις οικοσυστημικές υπηρεσίες (από τους Schindler et al. 2014) και την
αντιμετώπιση του αντίκτυπου της διαχείρισης τύπων πεδιάδων πλημμυρών στις οικοσυστημικές
υπηρεσίες τροφοδότησης, ρύθμισης και πολιτισμού. Οι οικοσυστημικές υπηρεσίες αξιολογήθηκαν με
βάση την εφαρμογή της προσέγγισης μήτρας ικανότητας σύμφωνα με ειδικούς (από τους Schindler et al.
2014, Εικόνα 2).
Ευχαριστίες: Ευχαριστούμε τις Αθηνά Παπαδάτου και Αναστασία Κολοκοτσά για την ενδελεχή μετάφραση
του αγγλικού κειμένου της ενότητας Γ.
163 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
5.
ΒΙΒΛΙΟΓΡΑΦΙΑ
Burkhard B, Kroll F, Müller F, Windhorst W (2009) Landscapes’ capacities to provide ecosystem services—a
concept for land-cover based assessments. Landscape Online 15, 1-22
Burkhard B, Kroll F, Nedkov S, Müller F (2012) Mapping supply, demand and budgets of ecosystem services.
Ecological Indicators 21, 17-29
CEE (Collaboration for Environmental Evidence) (2013) Guidelines for Systematic Review and Evidence
Synthesis in Environmental Management.Version 4.2. Environmental Evidence:
www.environmentalevidence.org/Documents/Guidelines/Guidelines4.2.pdf
Christensen NL, Bartuska AM, Brown JH, Carpenter S, D’Antonio C, Francis R, Franklin JF, McMahon JA,
Noss RF, Parsons DJ, Peterson CH, Turner MG, Woodmansee RG(1996) The Report of the Ecological Society
of America Committee on the Scientific Basis for Ecosystem Management. Ecological Applications 6, 665691
COM (2011a) Our life insurance, our natural capital: an EU biodiversity strategy to 2020, Brussels. COM
244,
2011http://ec.europa.eu/environment/nature/biodiversity/comm2006/pdf/2020/1_EN_ACT_part1_v7%5
B1%5D.pdf
COM (2011b) Regional policy contributing to sustainable growth in Europe 2020. European Commission,
Brussels. COM 17, 2011
http://ec.europa.eu/regional_policy/sources/docoffic/official/communic/sustainable/comm2011_17_en.p
df
Daily GC (1997) Nature‘s Services Societal Dependence On Natural Ecosystems. Island Press, Washington
DC
Costanza R,D’Arge R, de Groot RS, Farber S, Grasso M, Hannon B, Limburg K,Naeem S, O’Neill RV,Paruelo
J,Raskin RG, Sutton P, van den Belt M (1997) The value of world’s ecosystem services and natural capital.
Nature 387, 253-260
Daily GC, Matson PA (2008) Ecosystem Services: From theory to implementation. PNAS 105, 9455-9456
164 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Daniel TC, Muhar A, Arnberger A, Aznar O, Boyd JM, Chan KMA, Costanza R, Elmqvist T, Flint CG, Gobster
PH, Grêt-Regamey A, Lave R, Muhar S, Penker M, Ribe RG, Schauppenlehner T, Sikor T, Soloviy I,
Spierenburg M, Taczanowska K, Tam J, von der Dunk A (2012). Contributions of cultural services to the
ecosystem services agenda. PNAS 109, 8812-8819
De Groot RS (2006) Function-analysis and valuation as a tool to assess land use conflicts in planning for
sustainable, multi-functional landscapes. Landscape and Urban Planning 75, 175-186
De Groot RS, Alkemade R, Braat L, Hein L, Willemen L (2010) Challenges in integrating the concept of
ecosystem services and values in landscape planning, management and decision making. Ecological
Complexity 7, 260-272
Dresner M (2008) Using research projects and qualitative conceptual modeling to increase novice
scientists’ understanding of ecological complexity. Ecological Complexity 5, 216-221
EEA 1994.Corine Land Cover report – Part 2: Nomenclature.http://www.eea.europa.eu/publications/COR0part2
EPBRS (European Platform for Biodiversity Research) (2013). Recommendations of the meeting of the
European Platform for Biodiversity Research Strategy held under the Irish Presidency of the EU concerning
research to support the implementation of the EU Biodiversity Strategy. EPBRS, Dublin,
Ireland.http://share.bebif.be/data/EPBRS/EPBRSIE/EPBRS-IE2013-EUBD2020targets_Final.pdf
Haines-Young R,Potschin M (2009) Methodologies for defining and assessing ecosystem services. Final
Report, JNCC, Project Code C08-0170-0062, 69 pp.
Haines-Young R,Potschin M (2010) The links between biodiversity, ecosystem service andhuman wellbeing. In:Raffaelli DG,Frid CL, eds, Ecosystem Ecology: A New Synthesis, Ecological Reviews, pp. 110–
139.Cambridge University Press; Cambridge - New York.
Haines-Young R, Potschin M (2013) Common International Classification of Ecosystem Services (CICES):
Consultation on Version 4, August–December 2012. EEA Framework Contract No EEA/IEA/09/003
Haines-Young R, Potschin M, Kienast F (2012) Indicators of ecosystem service potential at European scales:
Mapping marginal changes and trade-offs. Ecological Indicators 21, 39-53
165 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Hermann A, Kuttner M, Hainz-Renetzeder C, Konkoly-Gyuró É, Tirászi Á, Brandenburg C, Allex B, Ziener K,
Wrbka T (2014) Assessment framework for landscape services in European cultural landscapes: an Austrian
Hungarian case study. Ecological Indicators 37(A), 229-240
Hermann A, Schleifer S, Wrbka T (2011) The concept of ecosystem services regarding landscape research: a
review. Living Reviews in Landscape Research 5:1
Koschke L, Fürst C, Frank S, Makeschin F (2012) A multi-criteria approach for an integrated land-coverbased assessment of ecosystem services provision to support landscape planning. Ecological Indicators 21,
54-66
Livoreil B, Geijssendorffer I, Jongman R, PullinA, Vandewalle M, Neßhöver C, BalianE (2012) Prototype
Network of Knowledge (NoK) mechanism. Deliverable 2.1 of the EU-FP7-project KNEU, contract
No.265299. http://www.biodiversityknowledge.eu/images/Documents/Deliverables/KNEU-D21NoKprototype.pdf
Ludwig D (2000) Limitations of economic valuation of ecosystems. Ecosystems 3, 31-35
Mace GM, Norris K, Fitter AH (2012) Biodiversity and ecosystem services: a multilayered relationship.
Trends in Ecology and Evolutions 27,19-26
Maes J, Egoh B, Willemen L, Liquete C, Vihervaara P, Schägner JP, Grizzetti B, Drakou EG, La Notte A, Zulian
G, Bouraoui F, Paracchini ML, Braat L, Bidoglio G(2012) Mapping ecosystem services for policy support and
decision making in the European Union. Ecosystem Services 1, 31-39
Maes J, Hauck J, Paracchini ML, Ratamäki O, Hutchins M, Termansen M, Furman E, Pérez-Soba M, Braat L,
Bidoglio G (2013) Mainstreaming ecosystem services into EU policy. Environmental Sustainability 5, 128134
MEA (2005) Ecosystems and Human Well-being: Multiscale Assessment, Millennium Ecosystem
Assessment Series 4, Island Press, Washington, DC
Méndez PF, Santamaría L, Amezaga J, Hearns G (2010) Adaptive Strategies for Natural Resources and
Ecosystems Management in Canada.Opportunities and Constraints for Implementation in Europe.ILSEIAPS-TP-001.http://www.imedea.csic.es/bc/ecoesp/publications/TechPub_ICCS-CEA_ebook.pdf
166 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Müller F (2005) Indicating ecosystem and landscape organisation. Ecological Indicators 5(4), 280-294
Müller F,BurkhardB (2007)An ecosystem based framework to link landscape structures, functions and
services. In: Mander, Ü.;Wiggering, H. & K. Helming (eds.): Multifunctional Land Use – Meeting Future
Demands for Landscape Goods and Services. Pp. 37-64, Springer.Berlin - Heidelberg - New York.
Nedkov S, Burkhard B (2012) Flood regulating ecosystem services – mapping supply and demand in the
Etropole Municipality. Bulgaria. Ecological Indicators 21, 67-79
Pullin AS, Knight TM, Watkinson AR (2009) Linking reductionist science and holistic policy using systematic
reviews: Unpacking environmental policy questions to construct an evidence-based framework. Journal of
Applied Ecology 46, 970-975.
Riitters KH, Wickham JD, Vogelmann JE, Jones KB (2000) National land-coverpattern data. Ecology 81, 604.
Schindler S, Kropik M, Euller K, Bunting SW, Schulz-Zunkel C, Hermann A, Hainz-Renetzeder C, Kanka R,
Mauerhofer V, Gasso V, Krug A, Lauwaars SG, Zulka KP, Henle K, Hoffmann M, Biró M, Essl F, Jaquier S,
Balázs L, Borics G, Hudin S, Damm C, Pusch M, van der Sluis T, Sebesvari Z, Wrbka T (2013a) Floodplain
management in temperate regions: Is multifunctionality enhancing biodiversity? Environmental Evidence
2:10.
Schindler S, Livoreil B, Sousa Pinto I, Araújo R, Zulka K-P, Santamaría L, Euller K, Kropik M, Wrbka T (2013b)
Final knowledge assessment reports of the 3 case studies and lessons learned. Deliverable 3.1 of the EUFP7-project KNEU, contract No.265299. http://biodiversityknowledge.eu/documents?layout=edit&id=88
Schindler S, Sebesvari Z, Damm C, Euller K, Mauerhofer V, Hermann A, Biró M, Essl F, Kanka R, Lauwaars
SG, Schulz-Zunkel C, van der Sluis T, Kropik M, Gasso V, Krug A, Pusch M, Zulka KP, Lazowski W, HainzRenetzeder C, Henle K, Wrbka T (2014) Multifunctionality of floodplain landscapes: relating management
options to ecosystem services. Landscape Ecology 29(2), 229-244
Schneiders A, Van Daele T, Van Reeth W, Van Landuyt W (2012) Biodiversityand ecosystem services:
complementary visions on world’s natural capital?Ecological Indicators 21, 123-133
Scolozzi R, Morri E, Santolini R (2012) Delphi-based change assessment in ecosystemservice values to
support strategic spatial planning in Italian landscapes.Ecological Indicators 21, 134-144
167 | P a g e
Εγχειρίδιο για νέες τεχνολογίες για τον ολοκληρωμένο περιβαλλοντικό σχεδιασμό σε νησιωτικό περιβάλλον
Spangenberg JH, Settele J (2010)Precisely incorrect? Monetising the value of ecosystem services. Ecological
Complexity 7, 327-337
Susskind L, Camacho AE, SchenkT (2012) A critical assessment of collaborative adaptive management in
practice. Journal of Applied Ecology 49, 47-51
Swetnam RD, Fisher B, Mbilinyi BP, Munishi PKT, Willcock S, Ricketts T, Mwakalila S, Balmford A, Burgess
ND, Marshall AR, Lewis SL (2011) Mapping socio-economic scenarios of land cover change: a GIS method to
enable ecosystem service modelling. Journal of Environmental Management 92, 563-574
TEEB (2010a) The Economics of Ecosystems and Biodiversity: Ecological and Economic Foundations, Kumar
P (ed), London (Earthscan)
TEEB (2010b) A Quick Guide to The Economics of Ecosystems and Biodiversity for Local and Regional Policy
Makers
Turner RK, Daily GC(2008)The ecosystem services framework and natural capital conservation.
Environmental and Resource Economics 39, 25-35
Wallace KJ (2007) Classification of ecosystem services: problems and solutions. Biological Conservation
139, 235-246
168 | P a g e

∆ιαπανεπιστημιακό Πρόγραμμα Μεταπτυχιακών Σπουδών Κλινική

Ακαδ. Έτος 2012-13 - Σχολή Μηχανικών Ορυκτών Πόρων

null

Οδηγό Προπτυχιακών Σπουδών - Τμήμα Φυσικής

Οι αναστοχαστικές δεξιότητες αυτοαξιολόγησης υποψήφιων

1.4 – 1.5 ΟΡΙΟ ΣΥΝΑΡΤΗΣΗΣ ΣΤΟ ℜ ∈ x

ΤΩΡΑ είναι ο χρόνος για αγροδασοπονία στην Ευρώπη

ΤΑ ΝΕΑ - Zougla.gr