Οι υγρότοποι είναι σύνθετα οικοσυστήματα που καλύπτονται μόνιμα ή εποχιακά από τρεχούμενο ή στάσιμο νερό και τυρφώδης γαίες και χαρακτηρίζονται από έντονη βιοποικιλότητα. Ουσιώδη γνωρίσματα των υγροτοπικών περιοχών είναι η παρουσία υδροχαρούς βλάστησης και η ύπαρξη υδρομορφικών εδαφών. Η ανάπτυξη αξιόπιστων τεχνικών για τη χαρτογράφηση και την παρακολούθηση αλλαγών στα υγροτοπικά οικοσυστήματα είναι ζωτικής σημασίας για τη διαχείριση των υδάτινων πόρων.
Η απόκτηση δεδομένων για τις ανάγκες της χαρτογράφησης και της παρακολούθησης υγροτόπων είναι συχνά δύσκολη λόγω της πολυπλοκότητας των εν λόγω περιοχών. Η επιστήμη της Τηλεπισκόπησης προσφέρει την δυνατότητα να αποκτώνται -συχνά χωρίς καθόλου κόστος- δορυφορικά δεδομένα, σε τακτά χρονικά διαστήματα, τα οποία καλύπτουν μεγάλες εκτάσεις. Η εκτόξευση νέων, εξελιγμένων οργάνων για την παρατήρηση της Γης (EO), όπως η σειρά των δορυφόρων Sentinel από την Ευρωπαϊκή Διαστημική Υπηρεσία (ESA), δημιουργεί νέες ευκαιρίες για την ανάπτυξη τεχνικών που θα βοηθήσουν στην χαρτογράφηση και παρακολούθηση υγροτόπων.
Το αντικείμενο της παρούσας μελέτης συνίσταται στη διερεύνηση των δυνατοτήτων των δεδομένων των Sentinel, σε συνδυασμό με τον προηγμένο αλγόριθμο εκμάθησης Support Vector Machines (SVMs) για την ταξινόμηση των χρήσεων γης/κάλυψης γης (ΧΓ/ΚΓ) (Land Use/Land Cover). Η δημιουργία ενός χάρτη ΧΓ/ΚΓ με τη χρήση κανόνων για την βελτίωση της ακρίβειας της ταξινόμησης αποτέλεσε έναν από τους βασικούς στόχους της μελέτης. Ως περιοχή μελέτης επιλέχθηκε το Εθνικό Πάρκο Λιμνών Κορώνειας και Βόλβης στη Θεσσαλονίκη, που αποτελεί ένα τυπικό Μεσογειακό υγροτοπικό οικοσύστημα, λόγω του υψηλού περιβαλλοντικού ενδιαφέροντός του. Η αξιολόγηση της ακρίβειας της ταξινόμησης πραγματοποιήθηκε με βάση την αξιολόγηση των πινάκων σφάλματος (error matrix) και του συντελεστή kappa.
Η μελέτη ανέδειξε την καταλληλότητα, τόσο της χωρικής όσο και της φασματικής ανάλυσης, των δεδομένων Sentinel 2 για ακριβέστερη, ταχύτερη και χαμηλότερου κόστους χαρτογράφηση των υγροτόπων, ενώ σύμφωνα με τα αποτελέσματα της συγκεκριμένης μελέτης, η συνέργεια με τα δεδομένα του S1 συνέβαλε στην αύξηση της ακρίβειας κατά ένα μικρό μόνο ποσοστό. Ο αλγόριθμος SVMs αποδείχθηκε ιδιαίτερα ικανός για τις ανάγκες της χαρτογράφησης των υγροτόπων καθώς επίσης και η μέθοδος με την χρήση κανόνων παρόλο που παρουσιάζει το σημαντικό μειονέκτημα ότι δεν είναι μεταβιβάσιμη. Τέλος, η αξιοποίηση πληροφοριών όπως η τοπογραφία, η υφή, οι φασματικοί δείκτες που χρησιμοποιήθηκαν (NDVI, NDWI) και οι μετασχηματισμοί των δεδομένων (PCA, MNF) συνεισέφεραν στην βελτίωση της συνολικής ακρίβειας, αν και σε ορισμένες περιπτώσεις η βελτίωση ήταν οριακή. Το αποτέλεσμα αυτό έχει σημαντική επιστημονική και πρακτική αξία, δεδομένου ότι μπορεί να βελτιώσει την ικανότητά μας να κατανοήσουμε καλύτερα τις φυσικές διαδικασίες ενός υγροτοπικού οικοσυστήματος. Τέλος, αξίζει να σημειωθεί πως η παρούσα μελέτη αποτελεί την πρώτη που αξιοποιεί τα δεδομένα των πρόσφατων αποστολών Sentinel για την ταξινόμηση των χρήσεων γης/κάλυψης γης στο Εθνικό Πάρκο Κορώνειας – Βόλβης.
Wetlands are complex and dynamic water – logged ecosystems, hosting a great amount of species of plant and animal communities, also supporting water regulation and peat related processes. Thus, developing accurate and robust techniques for mapping and monitoring changes in wetland ecosystems is of crucial importance in water resources management.
Earth Observation (EO) offers a great advantages in this respect thanks to its capability of acquiring - often at no cost - spectral data over large areas and at regular time intervals. The recent launch of sophisticated EO instruments by Space Agencies such as that of Sentinels series from the European Space Agency (ESA) opens up new opportunities for exploring the developing of techniques that will allow improving our ability to map wetland ecosystems using such data.
The aim of this study has been to evaluate the use of Sentinel data combined with the advanced machine learning image classification algorithm Support Vector Machines (SVMs) for mapping a typical wetland ecosystem in Greece. As a case study is selected the National Park of Koronia & Volvi lakes in Thessaloniki due to its high environmental interest. Accuracy assessment of the derived wetland maps was conducted on the basis of the estimation of standard classification error matrix statistics and kappa coefficient.
In overall, results exemplified the appropriateness of the spatial and spectral resolution of the Sentinel imagery combined with the machine learning algorithms in obtaining a rapid and cost-effective wetlands mapping. This is of considerable scientific and practical value, as it provides additional evidence on the suitability of Sentinel data for improving our ability to understand better the physical processes embedded in wetland ecosystems.
