Τηλεπισκόπηση, Τεχνητή Νοημοσύνη Και Συστήματα Γεωγραφικών Πληροφοριών Στην Εκτίμηση Κινδύνου Δασικών Πυρκαγιών

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ
ΤΜΗΜΑ ΠΕΡΙΒΑΛΛΟΝΤΟΣ
∆Ι∆ΑΚΤΟΡΙΚΗ ∆ΙΑΤΡΙΒΗ
ΤΗΛΕΠΙΣΚΟΠΗΣΗ, ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΣΥΣΤΗΜΑΤΑ

ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΚΙΝ∆ΥΝΟΥ
∆ΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ
ΒΑΣΙΛΑΚΟΣ ΧΡΗΣΤΟΣ
ΠΕΡΙΒΑΛΛΟΝΤΟΛΟΓΟΣ
ΜΥΤΙΛΗΝΗ
ΙΟΥΝΙΟΣ 2007
Remote sensing, artificial intelligence
and geographic information systems into fire danger rating
by Christos Vasilakos
Dissertation Abstract
Prevention is one of the most important stages in wildfire and other natural hazards management.
Fire danger rating systems have been adopted by many developed countries dealing with wildfire
prevention and presuppression planning, so that civil protection agencies are able to define areas
with high probabilities of fire ignition and resort to necessary actions. This dissertation focuses on
the development of a fire ignition risk scheme that can be an integral component of a quantitative
Fire Danger Rating System. The methodology used, estimates the geo-spatial fire risk regardless of
fire causes or expected burned area, while it has the ability of forecasting based on meteorological
data. The main output of the scheme is the Fire Ignition Index (FII) which is based on three other
indices: the Fire Weather Index (FWI); the Fire Hazard Index (FHI); and the Fire Risk Index (FRI).
These indices are not just a relative probability of fire occurrence, but a rather quantitative
assessment of fire danger in a systematic way.
Remote sensing data from the high resolution QuickBird satellite and the Landsat ETM satellite
sensors have been utilized in order to retrieve part of the input parameters to the scheme, while
Remote Automatic Weather Stations and the SKIRON/Eta weather forecasting system provided real-
time and forecasted meteorological data, respectively. Geographic Information Systems have been
used for management and spatial analyses of the input parameters. The relationship between wildfire
occurrence and the input parameters has been investigated by neural networks, whose training was
based on historical data. The FWI function was more easily approached, while the FRI had better
classification percentages regarding the validation fires. According to the operational validation
under realistic conditions, the FII identified the high risk areas where most of the fire ignited.
The dissertation also presents the results of sensitivity analysis performed in a back-propagation
neural network in order to distinguish the influence of each variable in the proposed fire ignition risk
scheme. To evaluate the three indices developed within the above scheme, 5 different methods were
used. Results showed that the presence of rainfall, the 10-h fuel moisture content and the month of
the year parameter are the most significant variables of the Fire Weather, Fire Hazard and Fire Risk
Indices, respectively. On the contrary, relative humidity, elevation and day of the week have a small
contribution to fire ignitions in the study area. The results retrieved by sensitivity analysis can be
used by forest managers and other decision-makers dealing with wildfires in order to take the
appropriate preventive measures, emphasizing on the important factors of fire occurrence.
ΕΥΧΑΡΙΣΤΙΕΣ
Η παρούσα διδακτορική διατριβή αποτελεί το επιστέγασµα της συνολικής προσπάθειας µιας οµάδας
ανθρώπων που µε βοήθησαν και µε υποστήριξαν µε όποιον τρόπο ήταν για αυτούς δυνατό, κατά τη
διάρκεια της εκπόνησής της. Θα ήθελα να ευχαριστήσω τον δάσκαλό µου, κ. Ιωάννη Χατζόπουλο
Καθηγητή του Τµήµατος Περιβάλλοντος του Πανεπιστηµίου Αιγαίου για την εµπιστοσύνη που µου
έδειξε µε την ανάθεση της διδακτορικής διατριβής ως επιβλέπων καθηγητής. Η επιστηµονική του
υποστήριξη σε θέµατα Τηλεπισκόπησης, ΣΓΠ και προγραµµατισµού Η/Υ, αποτέλεσε θεµέλιο λίθο
της διατριβής. Επίσης τον ευχαριστώ για την οικονοµική και ηθική υποστήριξη καθώς και για την
ευκαιρία που µου έδωσε να τον συνεπικουρήσω στην διδασκαλία µαθηµάτων του σε προπτυχιακό
και µεταπτυχιακό επίπεδο.
Ευχαριστώ τον Επίκουρο Καθηγητή του Τµήµατος Γεωγραφίας του Πανεπιστηµίου Αιγαίου κ.
Κώστα Καλαµποκίδη. Οι ανεκτίµητες γνώσεις, συµβουλές και ιδέες του για τις δασικές πυρκαγιές
αποτέλεσαν οδηγό σε αυτήν την προσπάθεια. Επίσης, τον ευχαριστώ για την ευκαιρία που µου
έδωσε να εργαστώ, από την προετοιµασία της πρότασης µέχρι και την περάτωση του προγράµµατος,
στο Ευρωπαϊκό ερευνητικό πρόγραµµα Auto-Hazard Pro, το οποίο υποστήριξε την διατριβή.
Ευχαριστώ τον Επίκουρο Καθηγητή του Τµήµατος Περιβάλλοντος του Πανεπιστηµίου Αιγαίου κ.
Ιωάννη Ματσίνο για τις εποικοδοµητικές παρατηρήσεις και υποδείξεις του καθώς και για την
συνολική του βοήθεια.
Ευχαριστώ, τα µέλη της εξεταστικής επιτροπής κ.κ. Χαλβαδάκη Κωνσταντίνο, Καθηγητή του
Τµήµατος Περιβάλλοντος του Πανεπιστηµίου Αιγαίου, Μπριασούλη Ελένη, Καθηγήτρια του
Τµήµατος Γεωγραφίας του Πανεπιστηµίου Αιγαίου, Κάλλο Γεώργιο, Αναπληρωτή Καθηγητή του
Τµήµατος Φυσικής του Πανεπιστηµίου Αθηνών και Σουλακέλλη Νικόλαο, Επίκουρο Καθηγητή του
Τµήµατος Γεωγραφίας του Πανεπιστηµίου Αιγαίου, για τη συµµετοχή τους στην εξεταστική
επιτροπή, για το χρόνο που αφιέρωσαν και τις υποδείξεις τους.
Ευχαριστώ τα µέλη, προπτυχιακούς και µεταπτυχιακούς φοιτητές, των Εργαστηρίων

Τηλεπισκόπησης και ΣΓΠ του Τµήµατος Περιβάλλοντος και Γεωγραφίας Φυσικών Καταστροφών
του Τµήµατος Γεωγραφίας του Πανεπιστηµίου Αιγαίου για τη συνεργασία και βοήθεια που µου
πρόσφεραν όλα αυτά τα χρόνια. Ευχαριστώ όλους τους συνεργάτες του προγράµµατος Auto-
Hazard Pro στην Ελλάδα και το εξωτερικό. Ευχαριστώ τα Εργαστήρια ∆ιαχείρισης Αποβλήτων του
Τµήµατος Περιβάλλοντος και Χαρτογραφίας και Γεωπληροφορικής του Τµήµατος Γεωγραφίας για
την παροχή πρωτογενών δεδοµένων. Ευχαριστώ την κ. Νικολαρέα Αικατερίνη για τη φιλολογική
επιµέλεια του κειµένου. Τέλος, ένα µεγάλο ευχαριστώ στους γονείς µου για την οικονοµική και
ηθική συµπαράστασή τους, στην Ιωάννα για τη συµπαράσταση, κατανόηση και βοήθεια της, στο
Θανάση, στο Θέµη και στην Όλγα γιατί ήταν εκεί, όταν τους χρειάστηκα.
3
1. ΕΙΣΑΓΩΓΗ 11
1.1. Το πρόβληµα των δασικών πυρκαγιών 11

1.2. Επιπτώσεις των πυρκαγιών στο φυσικό και ανθρωπογενές περιβάλλον 12
1.3. Η σηµασία θέσπισης ενός συστήµατος εκτίµησης κινδύνου δασικών πυρκαγιών 14
1.4. Στόχος και πρωτοτυπία της παρούσας διατριβής 19
1.5. Περιοχή µελέτης: Λέσβος 22
2. ΑΝΑΣΚΟΠΗΣΗ ΤΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑΣ 26
2.1. Τηλεπισκόπηση 26
2.2. Συστήµατα Γεωγραφικών Πληροφοριών (ΣΓΠ) 27
2.3. Τεχνητά Νευρωνικά ∆ίκτυα 28
2.3.1. Εκπαίδευση νευρωνικών δικτύων 30
2.4. Επιχειρησιακά συστήµατα εκτίµησης κινδύνου πυρκαγιών 31
2.4.1. Ηνωµένες Πολιτείες Αµερικής (ΗΠΑ) 31
2.4.2. Καναδάς 34
2.4.3. Αυστραλία 37
2.4.4. Ρωσία 38
2.4.5. Ινδονησία 39
2.4.6. Γαλλία 40
2.4.7. Πορτογαλία 40
2.4.8. Ιταλία 40
2.4.9. Ισπανία 41
2.4.10. Ευρωπαϊκή Ένωση 41
2.5. Ερευνητικές προσεγγίσεις στην εκτίµηση κινδύνου πυρκαγιών 43
2.5.1. Τηλεπισκόπηση και εκτίµηση κινδύνου πυρκαγιών 43
2.5.2. Συστήµατα Γεωγραφικών Πληροφοριών (ΣΓΠ) και εκτίµηση κινδύνου πυρκαγιών 49
3. ΕΚΤΙΜΗΣΗ ΚΙΝ∆ΥΝΟΥ ΠΥΡΚΑΓΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ,

ΣΥΣΤΗΜΑΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ (ΣΓΠ) ΚΑΙ ΤΕΧΝΗΤΩΝ
ΝΕΥΡΩΝΙΚΩΝ ∆ΙΚΤΥΩΝ (ΤΝ∆) 55
3.1. Εισαγωγή 55
3.2. Μεθοδολογία 55
3.2.1. Μετεωρολογικός ∆είκτης Κινδύνου (Μ∆Κ): Έννοια, δοµή και συλλογή δεδοµένων 56
3.2.2. Βλαστητικός ∆είκτης Κινδύνου (Β∆Κ): Έννοια, δοµή και συλλογή δεδοµένων 57
3.2.3. Κοινωνικο-Οικονοµικός ∆είκτης Κινδύνου (ΚΟ∆Κ): Έννοια, δοµή και συλλογή
δεδοµένων 59
3.2.4. ∆είκτης Κίνδυνου Έναρξης Πυρκαγιάς (∆ΚΕΠ): Έννοια και δοµή 61
4
3.2.5. Συλλογή δεδοµένων και προεπεξεργασία 61
3.2.6. Εκπαίδευση Τεχνητών Νευρωνικών ∆ικτύων 63
3.2.7. Αναλυτική ∆ιαδικασία Ιεράρχησης 66
3.3. Αποτελέσµατα και συζήτηση 68
3.3.1. Εκπαίδευση νευρωνικού δικτύου και πολυκριτηριακή ανάλυση 68
3.3.2. Χαρτογραφική απεικόνιση απόλυτων τιµών δεικτών και επιχειρησιακή εφαρµογή 70
3.3.3. Χαρτογραφική απεικόνιση σχετικών τιµών δεικτών 71
3.4. Συµπεράσµατα 74
4. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ∆ΙΚΤΥΩΝ ΓΙΑ ΤΗΝ

ΕΚΤΙΜΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΤΩΝ ΜΕΤΑΒΛΗΤΩΝ ΠΑΡΑΜΕΤΡΩΝ ΠΟΥ
ΛΑΜΒΑΝΟΝΤΑΙ ΥΠΟΨΗ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΚΙΝ∆ΥΝΟΥ ΠΥΡΚΑΓΙΑΣ 76
4.2.1. Μέθοδοι κατάταξης σηµαντικότητας των µεταβλητών 77
4.3.1. Μετεωρολογικός ∆είκτης Κινδύνου (Μ∆Κ) 81
4.3.2. Βλαστητικός ∆είκτης Κινδύνου (Β∆Κ) 84
4.3.3. Κοινωνικο-Οικονοµικός ∆είκτης Κινδύνου (ΚΟ∆Κ) 87
4.4. Συµπεράσµατα 91
5. ΕΦΑΡΜΟΓΗ ΕΚΤΙΜΗΣΗΣ ΚΙΝ∆ΥΝΟΥ ΕΝΑΡΞΗΣ ∆ΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ 94
6. ΣΥΜΠΕΡΑΣΜΑΤΑ 99
6.1. Γενικά συµπεράσµατα 99

6.2. Περαιτέρω έρευνα 102
7. ΒΙΒΛΙΟΓΡΑΦΙΑ 104
8. ΠΑΡΑΡΤΗΜΑ 125
5
ΕΥΡΕΤΗΡΙΟ ΣΧΗΜΑΤΩΝ
Σχήµα 1.1: Χάρτης πρόβλεψης κινδύνου πυρκαγιών της Γενικής Γραµµατείας Πολιτικής
Προστασίας ................................................................................................................................................17
Σχήµα 1.2: Χάρτης εδαφοκάλυψης Ν. Λέσβου..........................................................................................23
Σχήµα 1.3: Οµβροθερµικό διάγραµµα µετεωρολογικού σταθµού Πτερούντας, Λέσβου...........................24
Σχήµα 1.4: Οµβροθερµικό διάγραµµα µετεωρολογικού σταθµού Λόφου Πανεπιστηµίου, Λέσβου .........24
Σχήµα 1.5: ∆ιάγραµµα θερµοκρασίας/περιεχόµενης υγρασίας καύσιµης ύλης µετεωρολογικού

σταθµού Πτερούντας, Λέσβου ...................................................................................................................25
Σχήµα 2.1: Νευρώνας Τεχνητού Νευρωνικού ∆ικτύου (ΤΝ∆) ..................................................................30
Σχήµα 2.2: (α) Γενικευµένο και (β) πλήρως προσαρµοσµένο ΤΝ∆...........................................................31
Σχήµα 2.3: Αµερικάνικο Εθνικό Σύστηµα Εκτίµησης Κινδύνου Πυρκαγιών............................................32
Σχήµα 2.4: Χάρτης Κινδύνου Πυρκαγιάς για τις Η.Π.Α............................................................................34
Σχήµα 2.5: Μετεωρολογικός ∆είκτης Πυρκαγιών του Καναδά .................................................................35
Σχήµα 2.6: Σύστηµα Πρόγνωσης Συµπεριφοράς Πυρκαγιάς του Καναδά.................................................36
Σχήµα 2.7: Χάρτης Κινδύνου Πυρκαγιάς για τον Καναδά.........................................................................37
Σχήµα 2.8: Προτεινόµενη προσέγγιση εκτίµησης κινδύνου από το JRC ...................................................42
Σχήµα 2.9: Μακροπρόθεσµος ∆είκτης Κινδύνου για τη νότια Ευρώπη.....................................................43
Σχήµα 3.1: ∆ιάγραµµα ροής µεθοδολογίας ................................................................................................56
Σχήµα 3.2: Πολύγωνα Thiessen (α) των 4 (+) µετεωρολογικών σταθµών και (β) των 8 (+) σηµείων
πρόγνωσης µετεωρολογικών δεδοµένων που υπολογίζονται από το µοντέλο SKIRON ...........................57
Σχήµα 3.3: Στατικές παράµετροι του συστήµατος γραµµικά µετασχηµατισµένες στο διάστηµα 0-1........60
Σχήµα 3.4: Σηµεία έναρξης δασικών πυρκαγιών (Fire ignition) στο χρονικό διάστηµα 1970-2001
και σηµεία µη εµφάνισης πυρκαγιών (Non-Fire) .......................................................................................63
Σχήµα 3.5: Τεχνητό Νευρωνικό ∆ίκτυο µε ένα κρυφό επίπεδο επεξεργασίας και ένα νευρώνα
εξόδου.........................................................................................................................................................64
Σχήµα 3.6: Γραφική παράσταση της λογιστικής συνάρτησης για 2 διαφορετικούς ρυθµούς κλίσης ........65
Σχήµα 3.7: ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς στις ηµεροµηνίες 23/6/2003 και 27/8/2003. .............71
Σχήµα 3.8: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Ιουνίου 2004 για το Ν. Λέσβου .................72
Σχήµα 3.9: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Ιουλίου 2004 για το Ν. Λέσβου .................72
Σχήµα 3.10: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Αυγούστου 2004 για το Ν. Λέσβου .........73
Σχήµα 3.11: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Σεπτεµβρίου 2004 για το Ν. Λέσβου .......73
6
Σχήµα 4.1: Οι µερικές παράγωγοι του Μ∆Κ ως προς κάθε µεταβλητή εισόδου .......................................83
Σχήµα 4.2: Οι µερικές παράγωγοι του Β∆Κ ως προς κάθε µεταβλητή εισόδου ........................................86
Σχήµα 4.3: Οι µερικές παράγωγοι του ΚΟ∆Κ ως προς κάθε µεταβλητή εισόδου (DMR: Κύριο
Οδικό ∆ίκτυο, DSR: ∆ευτερεύον Οδικό ∆ίκτυο, DPL: Ηλεκτροφόρες Γραµµές, DUA: Αστικές
Περιοχές, DLF: Χωµατερές, DRA: Χώροι Αναψυχής, DAL: Άγροτικές Περιοχές) .................................90
Σχήµα 5.1: ∆οµή της εφαρµογής εκτίµησης κινδύνου έναρξης πυρκαγιών ...............................................95
Σχήµα 5.2: Αντικείµενο ελέγχου ActiveX για την παρακολούθηση της διαδικασίας εκπαίδευσης
του ΤΝ∆ .....................................................................................................................................................95
Σχήµα 5.3: Ιδιότητες εκπαιδευµένου Τεχνητού Νευρωνικού ∆ικτύου ......................................................96
Σχήµα 5.4: Γραφικό περιβάλλον διαδραστικότητας για τη σύνδεση του συστήµατος µε το

διακοµιστή µετεωρολογικών δεδοµένων....................................................................................................97
Σχήµα 5.5: Φόρµα εισαγωγής τιµών για τη δηµιουργία σεναρίου .............................................................97
Σχήµα 5.6: Φόρµα χαρτογραφικής απεικόνισης αποτελεσµάτων ..............................................................98
7
ΕΥΡΕΤΗΡΙΟ ΠΙΝΑΚΩΝ
Πίνακας 1.1: Εκατοστιαία συµβολή των αιτιών πυρκαγιών στο Αιγαίο κατά νοµό 12
Πίνακας 1.2: Χρόνοι επισήµανσης, αναγγελίας, επέµβασης και κατάσβεσης της φωτιάς στα νησιά
του Αιγαίου 15
Πίνακας 1.3: Ποσοστιαία κατανοµή τύπων εδαφοκάλυψης Ν. Λέσβου 23
Πίνακας 2.1: Μήκος κύµατος για κάθε δίαυλο καταγραφής των δεκτών QuickΒird και Landsat
ETM 27
Πίνακας 2.2: Συσχέτιση δείκτη Nesterov και επικινδυνότητας 38
Πίνακας 2.3: Κλάσεις επικινδυνότητας πυρκαγιάς 40
Πίνακας 2.4: Τελικός δείκτης κινδύνου των Salas and Chuvieco (1994) 52
Πίνακας 3.1: Αντιστοίχιση των τύπων χρήσεων γης του CORINE µε τα µοντέλα καύσιµης ύλης
του BEHAVE 58
Πίνακας 3.2: Αριθµός πυρκαγιών δεδοµένων εκπαίδευσης και επαλήθευσης για κάθε δείκτη
(Μ∆Κ: Μετεωρολογικός ∆είκτης Κινδύνου, Β∆Κ: Βλαστητικός ∆είκτης Κινδύνου, ΚΟ∆Κ:
Κοινωνικο-Οικονοµικός ∆είκτης Κινδύνου, Εκ.: Εκπαίδευση, Επ.: Επαλήθευση) 62
Πίνακας 3.3: Κλίµακα σχετικής σηµαντικότητας 66
Πίνακας 3.4: Αποτελέσµατα εκπαίδευσης και επαλήθευσης των νευρωνικών δικτύων. 69
Πίνακας 4.1: Αποτελέσµατα των 5 µεθόδων που εφαρµόστηκαν για την ανάλυση ευαισθησίας των
δεδοµένων εισόδου στο Μετεωρολογικό ∆είκτη Κινδύνου (PI: Percentage of Influence; WP:
Weight Product; MR: Multi-linear Regression; LR: Logistic Regression model; PD: Partial
Derivatives, Mean: Αριθµητικός Μέσος, Beta, B: Εκτιµώµενοι συντελεστές, SSD: Sum of Square
Derivatives) 82
δεδοµένων εισόδου στο Βλαστητικό ∆είκτη Κινδύνου (PI: Percentage of Influence; WP: Weight
Product; MR: Multi-linear Regression; LR: Logistic Regression model; PD: Partial Derivatives,
Mean: Αριθµητικός Μέσος, Beta, B: Εκτιµώµενοι συντελεστές, SSD: Sum of Square Derivatives) 85
δεδοµένων εισόδου στο Κοινωνικο-Οικονοµικό ∆είκτη Κινδύνου (PI: Percentage of Influence;
WP: Weight Product; MR: Multi-linear Regression; LR: Logistic Regression model; PD: Partial
Derivatives, Mean: Αριθµητικός Μέσος, Beta, B: Εκτιµώµενοι συντελεστές, SSD: Sum of Square
Derivatives) 88
Πίνακας 4.4: Ο συντελεστής συσχέτισης του Spearman (ρ) των µεθόδων ταξινόµησης για τους
Μ∆Κ, Β∆Κ και ΚΟ∆Κ. Στον υπολογισµό του µέσου δεν λαµβάνεται υπόψη ο συντελεστής
συσχέτισης µεταξύ των ίδιων µεθόδων (PI: Percentage of Influence; WP: Weight Product; MR:
Multi-linear Regression; LR: Logistic Regression model; PD: Partial Derivatives) 91
Πίνακας 4.5: Κατάταξη των µεταβλητών εισόδου για κάθε δείκτη κινδύνου (Μ∆Κ:
Μετεωρολογικός ∆είκτης Κινδύνου, Β∆Κ: Βλαστητικός ∆είκτης Κινδύνου, ΚΟ∆Κ: Κοινωνικό-
οικονοµικός ∆είκτης Κινδύνου, PI: Percentage of Influence, WP: Weight Product, MR: Multi-
linear Regression, LR: Logistic Regression model, PD: Partial Derivatives). 92
8
ΣΥΝΤΜΗΣΕΙΣ
AHP: Analytic Hierarchy Process

ANN: Artificial Neural Network
ASPRS: American Society for Photogrammetry and Remote Sensing
AVHRR: Advanced Very High Resolution Radiometer
BI: Burning Index
CFFDRS: Canadian Forest Fire Danger Rating System
DSS: Decision Support Systems
EFFIS European Forest Fires Information System
EFICS European Information and Communication System
ERC: Energy Release Component
ESRI: Environmental System Research Institute
ETM: Enhanced Thematic Mapper
FAO: Food and Agriculture Organization
FBP: Fire Behavior Prediction System
FLI: Fire Load Index
FPI: Fire Potential Index
FWI: Fire Weather Index
GI: General Influence
GIS: Geographical Information Systems
IC: Ignition Component
IDW: Inverse Distance Weighting
KBDI: Keetch-Byram Danger Index
LCOI: Lighting-Caused Occurrence Index
LR: Logistical Regression
MCOI: Man-Caused Fire Occurrence Index
MM5: Mesoscale Model
MR: Multi-linear Regression
MSE: Mean Square Error
NASA: National Aeronautics and Space Administration
NDVI: Normalized Difference Vegetation Index
NFDRS: National Fire Danger Rating System
NOAA: National Oceanic & Atmospheric Administration
NSA: Numeric Sensitivity Analysis
OI: Occurrence Index
PD: Partial Derivative
PI: Percentage of Influence
RG: Relative Greenness
SAR: Synthetic Aperture Radar
SC: Spread Component
9
SSD: Sum of Square Derivatives
TOVS: TIROS Operational Vertical Sounder
WP: Weight Product
Β∆Κ: Βλαστητικός ∆είκτης Κινδύνου
ΓΓΠΠ: Γενική Γραµµατεία Πολιτικής Προστασίας
∆ΚΕΠ: ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς
ΚΟ∆Κ: Κοινωνικό-Οικονοµικός ∆είκτης Κινδύνου
Μ∆Κ: Μετεωρολογικός ∆είκτης Κινδύνου
ΣΓΠ: Συστήµατα Γεωγραφικών Πληροφοριών
ΤΝ∆: Τεχνητό Νευρωνικό ∆ίκτυο
10
1. ΕΙΣΑΓΩΓΗ
1.1. Το πρόβληµα των δασικών πυρκαγιών
Οι δασικές πυρκαγιές είναι πολύπλοκα φαινόµενα τα οποία λαµβάνουν χώρα ως αποτέλεσµα

φυσικών και ανθρώπινων δραστηριοτήτων. Η αδυναµία ελέγχου µιας πυρκαγιάς οδηγεί συχνά
σε εκτεταµένες ζηµιές και για το λόγο αυτό τα φαινόµενα αυτά αποκαλούνται “φυσικές
καταστροφές”. Ο όρος “φυσική καταστροφή” έχει οριστεί µε τους εξής τρόπους (Λέκκας
2000):
• Τα στοιχεία εκείνα του φυσικού περιβάλλοντος που είναι βλαβερά για τον άνθρωπο και
προκαλούνται από δυνάµεις ξένες και άγνωστες σε αυτόν.
• Η πιθανότητα εµφάνισης ενός δυνητικά καταστροφικού γεγονότος µέσα σε µια

συγκεκριµένη χρονική περίοδο και σε µια συγκεκριµένη γεωγραφική περιοχή.
• Μια φυσική ή ανθρωπογενής γεωλογική κατάσταση ή φαινόµενο κατά την οποία

παρουσιάζεται πραγµατικός ή δυνητικός κίνδυνος για την ανθρώπινη ζωή ή τις
περιουσίες.
Η διαχείριση κάθε φυσικής καταστροφής θέτει τη λήψη προληπτικών µέτρων ως ένα βασικό
στοιχείο, ώστε, όταν προκύψει το φαινόµενο, να εκτονωθεί µέσα στα όρια των µέτρων και των
υποδοµών του προκατασταλτικού σχεδιασµού και η συµπεριφορά του να µην ξεπεράσει τις
δυνατότητες του µηχανισµού καταστολής.
Οι πυρκαγιές αποτελούν µια από τις σηµαντικότερες φυσικές καταστροφές που συντελούνται
στον Ελλαδικό χώρο και γενικότερα σε περιοχές µε Μεσογειακού τύπου οικοσυστήµατα (Salas
and Chuvieco 1994). Παράλληλα όµως, οι πυρκαγιές αποτελούν και ένα σηµαντικό παράγοντα
στην εξέλιξη των µεσογειακών οικοσυστηµάτων των οποίων αποτελεί βασικό στοιχείο και
φυσικό µηχανισµό λειτουργίας. Έτσι, πολλά φυτά έχουν αναπτύξει µηχανισµούς προσαρµογής,
έτσι ώστε να επιβιώνουν κατά τη διάρκεια της πυρκαγιάς (Μάργαρης 1993, Κωνσταντινίδης
και Γκατζογιάννης 2001).
Ουσιαστικό βήµα στην καταπολέµηση των δασικών πυρκαγιών αποτελεί η ανάλυση των αιτιών
που τις προκαλούν, επειδή µε την ανάλυση αυτή επισηµαίνονται οι πρωτογενείς παράγοντες και
έτσι είναι δυνατό να ληφθούν τα κατάλληλα µέτρα άρσης των αιτιών των δασικών πυρκαγιών.
Σύµφωνα µε τους Καλαµποκίδη και Στάµου (1995), από την ανάλυση των δασικών πυρκαγιών
σε νησιά του Αιγαίου κατά την δεκαετία 1983-1992, µόνο για το 35% των πυρκαγιών έχουν
εξακριβωθεί οι αιτίες, για το 25% πιθανολογούνται ενώ για το 40% δεν µπορεί να διατυπωθεί
ούτε καν υποψία (Πίνακας 1.1).
11
Πίνακας 1.1: Εκατοστιαία συµβολή των αιτιών πυρκαγιών στο Αιγαίο κατά νοµό
ΑΙΤΙΕΣ Λέσβος Χίος Σάµος ∆ωδ/νησα Κυκλάδες Σύνολο
ΠΥΡΚΑΓΙΩΝ
Εξακριβωµένα 55 19 28 42 27 35
Πιθανά 25 21 32 15 46 25
Άγνωστα 20 60 40 43 27 40
ΣΥΝΟΛΟ 100 100 100 100 100 100
(Πηγή: Καλαµποκίδης και Στάµου 1995)
Οι εξακριβωµένες αιτίες διακρίνονται σε δύο ευρύτερες κατηγορίες: α) στα τυχαία γεγονότα

όπως οι κεραυνοί και τα βραχυκυκλώµατα και β) στις ανθρωπογενείς. Στα τυχαία γεγονότα
οφείλεται ένα µικρό ποσοστό πυρκαγιών, ενώ το µεγαλύτερο ποσοστό οφείλεται σε
ανθρωπογενείς αιτίες όπως εµπρησµούς, που έχουν σκοπό τη δηµιουργία βοσκοτόπων καθώς
και αµέλειες όπως:
• Βολές στρατού
• Καύση αγρών
• Καύση απορριµµάτων
• Τσιγάρα
• Εκδροµείς, κυνηγοί
• Εργαζόµενοι υπαίθρου
• Χρήση εκρηκτικών
Από το σύνολο των πυρκαγιών που έχουν συµβεί στην ίδια περιοχή και κατά την ίδια χρονική
περίοδο µόνο το 6,1% οφείλεται σε τυχαία γεγονότα, όπως είναι τα βραχυκυκλώµατα και
κεραυνοί. Από αυτά έχει παρατηρηθεί ότι τα βραχυκυκλώµατα καλωδίων υψηλής τάσης
συµβαίνουν κατά τις ηµέρες που πνέουν άνεµοι ισχυρής έντασης, µε αποτέλεσµα οι πυρκαγιές
που προκαλούν να είναι ιδιαίτερα καταστροφικές (Καλαµποκίδης και Στάµου 1995).
1.2. Επιπτώσεις των πυρκαγιών στο φυσικό και ανθρωπογενές περιβάλλον
Σύµφωνα µε τον Smith (2000), η αντίδραση των διαφόρων ειδών πανίδας σε µια πυρκαγιά
επηρεάζεται από την εποχή, τη δριµύτητα, την ένταση, το ρυθµό εξάπλωσης και το µέγεθος της
πυρκαγιάς. Οι επιπτώσεις στην πανίδα συµπεριλαµβάνουν τραυµατισµούς, θανατώσεις και
µετανάστευση, ενώ τα άτοµα που έχουν περιορισµένη κινητικότητα, όπως τα νεαρά, είναι πιο
ευπαθή από τα αναπτυγµένα.
Επίσης, αρκετά σηµαντικές επιδράσεις προκαλούνται στον πληθυσµό αλλά και στις κοινότητες
της πανίδας (Singer and Schullery 1989). Έπειτα από µια πυρκαγιά παρατηρείται συνήθως
12
αύξηση της παραγωγικότητας και της διαθεσιµότητας των νιτρικών στους βοσκότοπους. Αυτές
οι αλλαγές έχουν ως αποτέλεσµα να αυξάνονται µεν σηµαντικά οι πληθυσµοί των φυτοφάγων
ζώων, να µετριάζεται δε η ικανότητα προσαρµογής και ανάπτυξής τους στο καινούργιο
µεταπυρικό περιβάλλον.
Τα είδη που ευνοούνται κυρίως από τη φωτιά είναι τα αρπακτικά πουλιά, επειδή µειώνονται οι
τρόποι κάλυψης των θηραµάτων τους (Smith 2000). Επίσης, αν και ο πληθυσµός των µεγάλων
σαρκοφάγων και παµφάγων ειδών µεταβάλλεται λίγο µετά από µια φωτιά, εντούτοις
αναπτύσσεται εκ νέου στις πρόσφατα καµένες περιοχές λόγω της µεγαλύτερης ποσότητας
θηραµάτων. Γενικά, έπειτα από τη λήξη µιας πυρκαγιάς παρατηρείται αναδιοργάνωση στις
κοινότητες των ζώων -αύξηση µερικών ειδών και µείωση άλλων- η οποία σχετίζεται άµεσα µε
το µέγεθος των αλλαγών που έχει υποστεί η βλάστηση της περιοχής.
Από την άλλη πλευρά, οι επιπτώσεις της φωτιάς στη χλωρίδα εξαρτώνται τόσο από τα
χαρακτηριστικά της φωτιάς όσο και από το είδος της χλωρίδας (Brown and Smith 2000). Η
συµπεριφορά και η διάρκεια της πυρκαγιάς, η ποσότητα της καύσιµης ύλης που καταναλώθηκε
και η θερµοκρασία που δηµιουργήθηκε στο υπέδαφος επηρεάζουν σε µεγάλο βαθµό τον
τραυµατισµό και τη θνησιµότητα των φυτών καθώς και τη µετέπειτα ανάκαµψή τους. Η
µεταπυρική αντίδραση των φυτών διαφοροποιείται ανάλογα µε το είδος τους και εξαρτάται από
τη φυσιολογία των χαρακτηριστικών τους αλλά και από τα προσαρµοστικά µέσα τα οποία
διαθέτουν.
Η βλάστηση σε µεσογειακού τύπου οικοσυστήµατα έχει αναπτύξει µηχανισµούς προσαρµογής

που της επιτρέπει να επιβιώσει µετά από µια πυρκαγιά (Μάργαρης 1993). Το κάθε είδος έχει
αναπτύξει τέτοιους µηχανισµούς ώστε, είτε να µπορέσει να επιβιώσει στις υψηλές
θερµοκρασίες που αναπτύσσονται, είτε να ενεργοποιήσει τους µηχανισµούς της
αναπαραγωγικής διαδικασίας του (Pausas and Vallejo 1999). Για παράδειγµα, τα αείφυλλα
σκληρόφυλλα ενεργοποιούν τους οφθαλµούς που βρίσκονται κάτω από το έδαφος λόγω της
υψηλής θερµοκρασίας ενώ τα πεύκα αναπαράγονται λόγω των σπόρων που διασπείρονται από
τους κώνους µετά από µια πυρκαγιά.
Σχετικά µε τις επιπτώσεις των πυρκαγιών στον άνθρωπο, µπορούν να είναι άµεσες ή έµµεσες.
Κύρια άµεση επίπτωση είναι η απειλή της ζωής τους καθώς αρκετοί είναι αυτοί που χάνουν τη
ζωή τους ή τραυµατίζονται προσπαθώντας να διαφύγουν από µια καιόµενη περιοχή, ενώ
απώλειες υπάρχουν και στο προσωπικό που ασχολείται µε την κατάσβεση. Στις έµµεσες
επιπτώσεις, περιλαµβάνονται οι απώλειες στις ανθρώπινες περιουσίες ενώ η δηµιουργία τοπίων
καταστροφής επηρεάζει αρνητικά την ανθρώπινη ψυχολογία (Fowler 2003).
Επιπλέον, οι πυρκαγιές έχουν δυσµενείς επιπτώσεις στις ανθρώπινες δραστηριότητες γιατί
13
συµβάλλουν στη δηµιουργία καταστροφικών πληµµυρών, οι οποίες παρασύρουν ταυτόχρονα τα
ορεινά εδάφη προκαλώντας διάβρωση και σταδιακή ερηµοποίηση των πληγέντων περιοχών
(Miller et al. 2003). Το σηµαντικότερο φυσικό χαρακτηριστικό του εδάφους που επηρεάζεται
από την πυρκαγιά είναι η εδαφολογική δοµή του. Το αποτέλεσµα της µεταφοράς θερµότητας
στο έδαφος επιφέρει αύξηση της θερµοκρασίας, η οποία επηρεάζει τις φυσικές, χηµικές και
βιολογικές ιδιότητές του (Neary et al. 2005).
1.3. Η σηµασία θέσπισης ενός συστήµατος εκτίµησης κινδύνου δασικών πυρκαγιών
Σε ένα σχέδιο αντιµετώπισης πυρκαγιών σηµαντικό στάδιο αποτελεί η πρόληψη. Η πρόληψη,

µεταξύ άλλων, εστιάζεται και στη δηµιουργία δασοπυροσβεστικών οµάδων επιφυλακής,
δικτύου παρατηρητηρίων και δικτύου επικοινωνίας για την κατά το δυνατό ταχύτερη
επισήµανση και αναγγελία κάθε επεισοδίου πυρκαγιάς. Ο χρόνος που χρειαζόταν για την
κατάσβεση µιας πυρκαγιάς κατά τη δεκαετία 1970-1980 ήταν ίσος µε το τετράγωνο του χρόνου
που παρερχόταν από την στιγµή της έναρξής της (Καϊλίδης 1990), ενώ από τη δεκαετία του
1990 ο χρόνος αυτός έχει µειωθεί λόγω της αύξησης των κατασβεστικών µέσων αλλά και της
µεγαλύτερης αποτελεσµατικότητας αυτών. Μεταξύ του χρόνου έναρξης της πυρκαγιάς και του
χρόνου επέµβασης και βάσει των συνθηκών λειτουργίας του συστήµατος αντιµετώπισης στις
προηγµένες χώρες, η παρεµβαλλόµενη ιδανική χρονική διάρκεια για αποστάσεις µεγαλύτερες
από τις ελληνικές είναι τα 10 min (Pyne 1984, Στάµου κ.α. 1995). Για ακόµα µεγαλύτερες
αποστάσεις (π.χ. Αλάσκα) ο χρόνος αυτός επεκτείνεται σε 30 min (Καλαµποκίδης και Στάµου
1995).
Για να διερευνηθεί η επίπτωση της έγκαιρης επισήµανσης και πρώτης προσβολής στα
αποτελέσµατα µιας πυρκαγιάς, µελετήθηκαν οι παρακάτω χρονικές παράµετροι για τις
πυρκαγιές σε νησιά του Αιγαίου κατά τη δεκαετία 1983-1992 (Στάµου κ.α. 1995):
• Χρόνος επισήµανσης: Ο χρόνος από την έκρηξη µέχρι την επισήµανση της πυρκαγιάς.
• Χρόνος αναγγελίας: Ο χρόνος από την επισήµανση µέχρι την αναγγελία της πυρκαγιάς.
• Χρόνος επέµβασης: Ο χρόνος από την έκρηξη µέχρι την επέµβαση. Ονοµάζεται και
χρόνος αρχικής προσβολής.
• Χρόνος κατάσβεσης: Ο χρόνος από την έκρηξη µέχρι την κατάσβεση. Σε αυτό το χρόνο
δεν περιλαµβάνεται η αναζωπύρωση και η εκ νέου κατάσβεση.
Σύµφωνα µε τον Πίνακα 1.2 έχουν καταγραφεί µέγιστοι χρόνοι επισήµανσης µέχρι και 60 min.
Είναι προφανές ότι σε αυτόν το χρόνο η πυρκαγιά έχει πάρει ανεξέλεγκτες διαστάσεις που
συνεπάγονται µεγάλες οικολογικές και οικονοµικές καταστροφές.
14
Πίνακας 1.2: Χρόνοι επισήµανσης, αναγγελίας, επέµβασης και κατάσβεσης της φωτιάς στα νησιά του
Αιγαίου
Χρόνος σε πρώτα λεπτά
Νοµοί “επισήµανσης” “αναγγελίας” “επέµβασης” “κατάσβεσης”
min max µ.ο. min max µ.ο. min max µ.ο. min max µ.ο.
Λέσβου 7 26.8 16.4 3.3 18 5.6 14.3 33.3 24 60 228 217
Χίου 5 32.5 15.2 3.2 15.2 7.5 10 51.3 34.1 195 480 374.3
Σάµου 5.8 23.7 14.2 5 14 8.7 10 53.8 36.8 320 440 387.6
∆ωδεκανήσου 9.3 34.1 17.7 13.4 22.1 15.5 16.4 32.7 26.2 182.7 286.6 133.5
Κυκλάδων 14.7 62.5 26.9 5.4 34.3 21.2 30 100 40.3 230 480 272.7
(Πηγή: Στάµου κ.α 1995)
Πολλές χώρες που αντιµετωπίζουν το πρόβληµα των δασικών πυρκαγιών έχουν αναπτύξει
συστήµατα εκτίµησης κινδύνου δασικών πυρκαγιών (Viegas et al.1999). Με τη χρήση αυτών,
είναι δυνατό να προσδιοριστούν οι περιοχές υψηλού κινδύνου έτσι ώστε οι υπηρεσίες πολιτικής
προστασίας να λάβουν τα κατάλληλα προκατασταλτικά µέτρα από τις υπηρεσίες πολιτικής
προστασίας (Deeming et al. 1977, Van Wagner 1987, Hoffmann et al. 1999). Τα συστήµατα
εκτίµησης κινδύνου πυρκαγιών εµπεριέχουν συνήθως σταθερές και µεταβλητές παραµέτρους
του πυρικού περιβάλλοντος οι οποίες καθορίζουν την ευκολία ανάφλεξης, την ταχύτητα
εξάπλωσης, τη δυσκολία καταστολής και τις επιδράσεις της πυρκαγιάς (Merill and Alexander
1987).
Ανασκόπηση των αναγκών που έχουν οι χρήστες των συστηµάτων αυτών και οι πληροφορίες
που πρέπει να περιλαµβάνονται, περιγράφονται από τους Carlson and Burgan (2003), ενώ
τονίζεται ιδιαίτερα η ανάγκη που υπάρχει για προσβασιµότητα στις πληροφορίες των
συστηµάτων από τους τελικούς χρήστες, σε σχεδόν πραγµατικό χρόνο. Οι µεταβλητές
παράµετροι που περιέχει η πλειοψηφία αυτών των συστηµάτων βασίζεται κυρίως σε
µετεωρολογικά δεδοµένα που λαµβάνονται από µετεωρολογικούς σταθµούς. Ωστόσο,
ακολουθούν διαφορετικές προσεγγίσεις όσον αφορά στη χωρο-χρονική κλίµακα της εκτίµησης
καθώς και στη διαδικασία συσχέτισης των παραµέτρων που λαµβάνονται υπόψη (Yuan 1997).
Σύµφωνα µε τον Nelson (1955), πέντε βασικές αρχές πρέπει να ακολουθούνται για τη µέτρηση
του µετεωρολογικού κινδύνου (Taylor and Alexander 2006):
1. Απλή µεθοδολογία µέτρησης των σηµαντικών µεταβλητών, όπως η περιεχόµενη

υγρασία καύσιµης ύλης, ο άνεµος και η βροχόπτωση, και µετατροπή αυτών των
µεταβλητών σε αριθµητικές τιµές.
2. Τυποποίηση των διαδικασιών τοποθέτησης των µετεωρολογικών σταθµών εκτίµησης

του κινδύνου και των µετρητικών συσκευών.
3. Συστηµατική και προσεκτική εκπαίδευση του προσωπικού των παραπάνω σταθµών.
15
4. Περιοδική και προσεκτική συντήρηση των σταθµών.
5. Συνεχής καταγραφή των µετεωρολογικών συνθηκών και του κινδύνου.
Αν και οι παραπάνω αρχές θεωρούνται παρωχηµένες λόγω του ότι περιγράφουν συστήµατα που
βασίζονται σε σηµειακές εκτιµήσεις του κινδύνου από µετεωρολογικούς σταθµούς, η γενική
φιλοσοφία που τις διέπει έχει διαχρονικό χαρακτήρα.
Σχεδόν µέχρι σήµερα δεν υπάρχει συµφωνία ως προς τον ορισµό του “Κινδύνου” (danger), της
“∆ιακινδύνευσης” (risk) και της “Επικινδυνότητας” (hazard). Με τον όρο “Kίνδυνος” εννοείται
η απειλή που δέχεται µια περιοχή µε συγκεκριµένες συνθήκες για την έναρξη µιας πυρκαγιάς
και την εξάπλωσή της µε γρήγορους ρυθµούς και συµπεριλαµβάνει αθροιστικά τη
“∆ιακινδύνευση” και την “Επικινδυνότητα”. Η “∆ιακινδύνευση” αναφέρεται στην πιθανότητα
ανάφλεξης λόγω φυσικών ή ανθρωπογενών αιτιών. Η “Επικινδυνότητα” αναφέρεται στην
ενδεχόµενη συµπεριφορά της πυρκαγιάς, η οποία, επηρεαζόµενη από τις µετεωρολογικές
συνθήκες, τη βλάστηση και την τοπογραφία, καθορίζει την καταστολή, την έκταση αλλά και τη
σφοδρότητα της καταστροφής (Vasconcelos 1995, Chatto 1998). Έχει προταθεί, επίσης, η
ανάπτυξη των επιχειρησιακών συστηµάτων εκτίµησης κινδύνου να βασίζεται σε ένα νέο τρόπο
υπολογισµού του ολικού κινδύνου ο οποίος θα περιλαµβάνει την πιθανότητα εµφάνισης ενός
γεγονότος, την τρωτότητα µιας περιοχής και την αξία των στοιχείων που απειλούνται (values at
threat) (Sneeuwjagt 1998). Αυτή η προσέγγιση βασίζεται στην ανάλυση του κινδύνου σύµφωνα
µε µαθηµατικές θεωρίες πιθανοτήτων κατά την οποία ο κίνδυνος υπολογίζεται σύµφωνα µε τη
σχέση:
R = p* L
όπου R είναι ο κίνδυνος, p η πιθανότητα για να συµβεί ένα γεγονός και L η ζηµιά που θα
προκληθεί (Bachmann and Allgöwer 1998, Λέκκας 2000).
Έτσι, πολλοί συγγραφείς που παρουσιάζονται παρακάτω χρησιµοποιούν τον ίδιο όρο
αποδίδοντάς του διαφορετικές έννοιες. Οι Chuvieco and Congalton (1989) και οι Bachman and
Allgower (1998) ορίζουν τη “∆ιακινδύνευση” ως αποτέλεσµα της επικινδυνότητας και της
πιθανότητας έναρξης πυρκαγιάς ενώ ο Οργανισµός Τροφίµων και Γεωργίας - FAO (Food and
Agriculture Organization) (1986) και το DELFI (http://www.cinar.gr/delfi) ως την πιθανότητα
έναρξης πυρκαγιάς για οποιαδήποτε αιτία. Όσον αφορά στην παρούσα διατριβή, οι δείκτες
κινδύνου που υπολογίζονται στο Κεφάλαιο 3 αναφέρονται µόνο στην έναρξη πυρκαγιάς χωρίς
να λαµβάνονται υπόψη οι συνέπειές της.
∆ύο χαρακτηριστικά των διαχειριστικών σχεδίων που εντάσσονται στο στάδιο της πρόληψης
είναι η χωρική και η χρονική κλίµακα. Τα χαρακτηριστικά αυτά επηρεάζουν το είδος των
16
αποφάσεων/ενεργειών αλλά και τη φύση των ποσοτικών και ποιοτικών παραγόντων που
λαµβάνονται υπόψη. Σε µια περιοχή µεγάλης έκτασης -π.χ. σε ένα κράτος- είναι προτιµότερο
για επιχειρησιακούς λόγους να αναπτύσσεται ένα µακρυπρόθεσµο σχέδιο εκτίµησης του
κινδύνου πυρκαγιών λαµβάνοντας υπόψη παράγοντες όπως τη χειµερινή-εαρινή συνολική
βροχόπτωση, δείκτες ξηρασίας και µακρυπρόθεσµες µετεωρολογικές προβλέψεις. Αντίθετα, σε
περιοχές λίγων τετραγωνικών χιλιοµέτρων, η χρονική κλίµακα των διαχειριστικών σχεδίων
εκτείνεται από ώρες σε µέρες, ενώ συνήθως λαµβάνονται υπόψη οι πραγµατικές και οι
βραχυπρόθεσµες προβλέψεις των µετεωρολογικών συνθηκών καθώς και η κατάσταση της
καύσιµης ύλης.
Η ψηφιακή χαρτογράφηση του κινδύνου σε µεγάλη κλίµακα αποτελεί ένα σηµαντικό εργαλείο
υποστήριξης αποφάσεων για την πρόληψη των δασικών πυρκαγιών στις τοπικές πυροσβεστικές
και πολιτειακές αρχές τις Ελλάδας οι οποίες µε το υπάρχον θεσµικό και νοµοθετικό πλαίσιο
έχουν αναλάβει το παραπάνω έργο. Σήµερα, στην Ελλάδα, υπάρχει ένα θεσµοθετηµένο
σύστηµα εκτίµησης κινδύνου πυρκαγιών σε επίπεδο ∆ασαρχείου. Προετοιµάζεται και εκδίδεται
καθηµερινά από τον επίσηµο φορέα αντιµετώπισης των φυσικών καταστροφών, τη Γενική
Γραµµατεία Πολιτικής Προστασίας (ΓΓΠΠ) του Υπουργείου Εσωτερικών ∆ηµόσιας ∆ιοίκησης
και Αποκέντρωσης και ισχύει για την επόµενη ηµέρα (Σχήµα 1.1). Η πρόγνωση από τη ΓΓΠΠ
βασίζεται σε µετεωρολογικές προβλέψεις διαφόρων ελληνικών προγνωστικών µοντέλων, ενώ η
κατάσταση της βλάστησης εκτιµάται µέσω του κανονικοποιηµένου δείκτη βλάστησης NDVI.
Σχήµα 1.1: Χάρτης πρόβλεψης κινδύνου πυρκαγιών της Γενικής Γραµµατείας Πολιτικής Προστασίας
Ο χάρτης παρουσιάζεται µε 5 διαφορετικές κατηγορίες κινδύνου όπου για κάθε κατηγορία

λαµβάνονται και διαφορετικές αποφάσεις προκατασταλτικών ενεργειών, οι οποίες αναφέρονται
αναλυτικά παρακάτω σύµφωνα µε την ιστοσελίδα της Γενικής Γραµµατείας Πολιτικής
Προστασίας (ΓΓΠΠ 2007):
17
• Κατηγορία Κινδύνου 1 (Χαµηλή): Η πιθανότητα για εκδήλωση πυρκαγιάς δεν είναι
ιδιαίτερα υψηλή. Εάν εκδηλωθεί πυρκαγιά, οι συνθήκες (κατάσταση καύσιµης ύλης,
µετεωρολογικές συνθήκες) δεν θα ευνοήσουν τη γρήγορη εξέλιξή της.
• Κατηγορία Κινδύνου 2 (Μέση): Ο κίνδυνος είναι συνήθης για τη θερινή περίοδο.

Εφόσον υπάρξει αποτελεσµατική αντίδραση σε κάθε εκδηλούµενη πυρκαγιά δεν πρέπει
να υπάρξουν προβλήµατα ελέγχου. Ο δασοπυροσβεστικός µηχανισµός πρέπει να είναι
στην κανονική του, για την αντιπυρική περίοδο, καθηµερινή στελέχωση και
ετοιµότητα.
• Κατηγορία Κινδύνου 3 (Υψηλή): Ο κίνδυνος είναι υψηλός. Αναµένονται πολλές

πυρκαγιές µέσης δυσκολίας ή αρκετές πυρκαγιές που είναι δύσκολο να
αντιµετωπισθούν. Και στις δύο περιπτώσεις είναι απαραίτητο να καταβληθεί κάθε
προσπάθεια για την άµεση κινητοποίηση του µηχανισµού σε κάθε επεισόδιο, την
αποφυγή οποιασδήποτε χρονοτριβής και την αποστολή επαρκών δυνάµεων για να
ολοκληρωθεί γρήγορα το έργο της κατάσβεσης δεδοµένης της υπάρχουσας δυσκολίας.
Με καλή οργάνωση και ετοιµότητα οι δυνάµεις του Πυροσβεστικού Σώµατος
αναµένεται να αντιµετωπίσουν τις δυσκολίες µε επιτυχία.
• Κατηγορία Κινδύνου 4 (Πολύ Υψηλή): Ο κίνδυνος είναι ιδιαίτερα υψηλός. Ο αριθµός

των πυρκαγιών πιθανόν να είναι αρκετά µεγάλος αλλά, το κυριότερο, κάθε πυρκαγιά
µπορεί να λάβει µεγάλες διαστάσεις εφόσον ξεφύγει από την αρχική προσβολή.
Απαιτείται απόλυτη ετοιµότητα και πλήρης στελέχωση των δυνάµεων καταστολής και
παραµονή του προσωπικού σε επαφή µε τις υπηρεσίες. Όλες οι εµπλεκόµενες
υπηρεσίες (Νοµαρχίες, ΟΤΑ, ∆ασικές Υπηρεσίες, κλπ.) τίθενται σε επιφυλακή και
δρουν σε αρωγή του έργου του Πυροσβεστικού Σώµατος σύµφωνα µε τα
προβλεπόµενα στα αντιπυρικά σχέδια για την κατάσταση κινδύνου επιπέδου 4 (π.χ.
αυξάνονται οι περιπολίες πρόληψης και η αστυνόµευση των κρίσιµων δασικών
εκτάσεων κλπ.).
• Κατηγορία Κινδύνου 5 (Κατάσταση ΣΥΝΑΓΕΡΜΟΥ): Ο κίνδυνος είναι ακραίος. Οι

συνθήκες (ισχυρός άνεµος, χαµηλή σχετική υγρασία, υψηλή σχετικά θερµοκρασία,
κλπ.) είναι πιθανό να οδηγήσουν σε ανεξέλεγκτη κατάσταση µε µεγάλο αριθµό
πυρκαγιών ακραίας συµπεριφοράς. Επειδή αυτές οι συνθήκες είναι δυνατό να
ξεπεράσουν τις συνολικές δυνατότητες του δασοπυροσβεστικού µηχανισµού,
απαιτείται να µεγιστοποιηθούν οι προσπάθειες πρόληψης και η ετοιµότητα του
µηχανισµού για άµεση επέµβαση µε όλες του τις δυνάµεις. Για την περίπτωση αυτή
πρέπει να υπάρχει στο αντιπυρικό σχέδιο αλλά και σε κάθε εµπλεκόµενο στις
18
πυρκαγιές φορέα, κατάλληλος σχεδιασµός ετοιµότητας (αύξηση επιφυλακής
προσωπικού, διατήρηση επαφής µε όλο το προσωπικό και έλεγχοι ετοιµότητας, επίγειες
και εναέριες περιπολίες, µηνύµατα ενηµέρωσης των πολιτών, πλήρης κινητοποίηση
Νοµαρχιών, στενή παρακολούθηση της κατάστασης µε την Ε.Μ.Υ. κλπ.) και
συντονισµού µε τους άλλους φορείς. Επίσης πρέπει να δίδονται ιδιαίτερες οδηγίες στο
προσωπικό.
1.4. Στόχος και πρωτοτυπία της παρούσας διατριβής
Ο βασικός στόχος της παρούσας διατριβής είναι η ανάπτυξη ενός επιχειρησιακού συστήµατος
ποσοτικής εκτίµησης κινδύνου έναρξης δασικών πυρκαγιών. Το πεδίο εφαρµογής είναι το νησί
της Λέσβου. Οι ειδικότεροι στόχοι της εργασίας αυτής είναι:
• Να εξεταστούν οι δυνατότητες που προσφέρονται από τον δέκτη τηλεπισκόπησης

QuickBird στην χαρτογράφηση της εδαφοκάλυψης/χρήσεων γης.
• Να διερευνηθεί η συσχέτιση των βλαστητικών, µετεωρολογικών και κοινωνικο-

οικονοµικών παραµέτρων µε την ιστορική εµφάνιση και τη βραχυπρόθεσµη πρόγνωση
δασικών πυρκαγιών στον ελλαδικό χώρο και ειδικότερα σε µεσογειακού τύπου
οικοσυστήµατα, σε µεγάλη κλίµακα.
• Να ερευνηθεί η δυνατότητα χρησιµοποίησης τεχνητών νευρωνικών δικτύων ως

εργαλείο συσχετισµού χωρικών µεταβλητών.
• Να αυτοµατοποιηθούν όλες οι διαδικασίες εκπαίδευσης των νευρωνικών δικτύων και

της χαρτογραφικής µοντελοποίησης.
Η πρωτοτυπία της διατριβής εντοπίζεται κυρίως στο γεγονός ότι µέχρι σήµερα δεν υπάρχει
κάποιο θεσµοθετηµένο επιχειρησιακό σύστηµα ποσοτικής εκτίµησης κινδύνου στην Ελλάδα.
Απλώς χρησιµοποιείται µια εµπειροτεχνική προσέγγιση για την ποιοτική εκτίµηση του
κινδύνου σε µικρή κλίµακα. Αν και οι εµπειρικές µέθοδοι µπορούν να χρησιµοποιηθούν σε µια
πρώτη προσέγγιση της εκτίµησης του κινδύνου, η µαθηµατική προτυποποίηση,
χρησιµοποιώντας το ιστορικό των πυρκαγιών, είναι απαραίτητη για την ποσοτικοποίηση των
συντελεστών των παραµέτρων που λαµβάνονται υπόψη (Kalabokidis et al. 2002a).
Σε παγκόσµιο επίπεδο, τα περισσότερα επιχειρησιακά µοντέλα εκτιµούν σηµειακά τον κίνδυνο,

βασιζόµενα κυρίως σε µετεωρολογικές παραµέτρους ενώ για την χωρική κατανοµή του
χρησιµοποιούν µεθόδους παρεµβολής. Οι έρευνες που έχουν γίνει µέχρι σήµερα εκτιµούν τον
κίνδυνο σε µικρή χωρική κλίµακα, η οποία είναι αναποτελεσµατική για τη λήψη αποφάσεων
στο στάδιο της πρόληψης και προκαταστολής ενώ οι περισσότερες έρευνες χρησιµοποιούν
19
εµπειρικές σχέσεις συσχετισµού των µεταβλητών.
Η παρούσα διατριβή πραγµατοποιήθηκε σε συνεργασία των Εργαστηρίων Τηλεπισκόπησης και

ΣΓΠ του Τµήµατος Περιβάλλοντος µε το Εργαστήριο Γεωγραφίας Φυσικών Καταστροφών του
Τµήµατος Γεωγραφίας του Πανεπιστηµίου Αιγαίου. Χρηµατοδοτήθηκε από την Ευρωπαϊκή
Ένωση στα πλαίσια του προγράµµατος “Automated Fire and Flood Hazard Protection System /
AUTO-HAZARD PRO” (Contract Number: EVG1-CT-2001-00057), µε Υπεύθυνο Συντονιστή
τον Επίκουρο Καθηγητή κ. Κώστα Καλαµποκίδη του Τµήµατος Γεωγραφίας Πανεπιστηµίου
Αιγαίου. Συνεπώς, αρκετά από τα πρωτογενή δεδοµένα καθώς και ορισµένες επεξεργασµένες
πληροφορίες (π.χ. πρόγνωση κλιµατολογικών συνθηκών) προήλθαν από το ερευνητικό
πρόγραµµα, ενώ η αγορά δορυφορικών εικόνων QuickBird και αυτόµατων τηλεµετρικών
µετεωρολογικών σταθµών χρηµατοδοτήθηκε από τον προϋπολογισµό του συγκεκριµένου
προγράµµατος. Επιπλέον, η παρούσα διατριβή αποτέλεσε την βάση µίας σειράς πτυχιακών
εργασιών όπως οι παρακάτω:
− Βαγενάς Ανδρέας (2002) Άτλας των πυρκαγιών της νήσου Λέσβου, πτυχιακή εργασία,
ΠΣΕ Περιβαλλοντικής Χαρτογραφίας, Πανεπιστήµιο Αιγαίου, Μυτιλήνη.
− Χαραλαµποπούλου Αγγελική (2003) Πολυκριτηριακή ανάλυση εκτίµησης κινδύνου

πυρκαγιάς µε χρήση ΣΓΠ στη Ν. Λέσβο, πτυχιακή εργασία, ΠΣΕ Περιβαλλοντικής
Χαρτογραφίας, Πανεπιστήµιο Αιγαίου, Μυτιλήνη.
− Τζιλβελή Χάρις (2004) Επεξεργασία και απόδοση γεωγραφικών δεδοµένων από

δορυφορικές εικόνες υψηλής διακριτικής ικανότητας, πτυχιακή εργασία, ΠΣΕ
Περιβαλλοντικής Χαρτογραφίας, Πανεπιστήµιο Αιγαίου, Μυτιλήνη.
− Θωµαϊδου Αργυρώ, Κουτσοβίλης Κώστας (2004) Πολυφασµατική ταξινόµηση εικόνας

Landsat TM µε τη χρήση εικόνων Quickbird: χαρτογράφηση του πλήθους των
ελαιοδένδρων, πτυχιακή εργασία, ΠΣΕ Περιβαλλοντικής Χαρτογραφίας, Πανεπιστήµιο
Αιγαίου, Μυτιλήνη.
− Κοντοζήση Ιωάννα, Ράγγου Ειρήνη (2004) Απογραφή και χαρτογράφηση γεωγραφικών

χαρακτηριστικών του δήµου Αγιάσου Λέσβου, πτυχιακή εργασία, ΠΣΕ
Η εξέλιξη της παρούσας διατριβής υποβλήθηκε προς την Ευρωπαϊκή Ένωση -στα πλαίσια του
παραπάνω ερευνητικού προγράµµατος- ως µέρος ενδιάµεσων εκθέσεων προόδου και ως τελικό
παραδοτέο, ενώ εκπονήθηκε σειρά δηµοσιεύσεων σε ελληνικά και διεθνή συνέδρια όπως:
− Kalabokidis, K., C. Karavitis, and C. Vasilakos. 2004. Automated fire and flood danger
assessment system. In Proceedings International workshop on forest fires in the
20
wildland-urban interface and rural areas in Europe: an integral planning and management
challenge, Xanthopoulos (ed.), 15-16 May 2003, Athens. Published by MAICh, Crete,
Greece. Pp. 143-153.
− Vasilakos, C., J. Hatzopoulos, K. Kalabokidis, K. Koutsovilis, and A. Thomaidou. 2004.

Classification of agricultural fields by using Landsat TM and QuiciBird sensors. The
case study of olive trees in Lesvos Island. In Proceedings International Conf. on
Information Systems, & Innovative Technologies in Agriculture, Food and Environment,
Vlachopoulou et al. (ed.), 18-20 March 2004, Hellenic Association of Information and
Communication Technology in Agriculture, Food and Environment (HAICTA),
Thessaloniki, Greece. Vol. 2, pp. 324-332.
− Βασιλάκος, Χ., Κ. Καλαµποκίδης, Ι. Χατζόπουλος, Γ. Κάλλος, και Ι. Ματσίνος. 2004.

Τηλεπισκόπηση, τεχνητή νοηµοσύνη και συστήµατα γεωγραφικών πληροφοριών στην
εκτίµηση κινδύνου πυρκαγιών. Στα Πρακτικά 7ου Πανελλήνιου Γεωγραφικού
Συνεδρίου. 14-17 Οκτωβρίου 2004, Ελληνική Γεωγραφική Εταιρεία και Τµήµα
Γεωγραφίας Πανεπιστηµίου Αιγαίου, Μυτιλήνη. 10 σελ.
− Καλαµποκίδης, Κ., Ο. Ρούσσου, Χ. Βασιλάκος, και ∆. Μαρκοπούλου. 2004. Χωρική

µοντελοποίηση καύσιµης ύλης και συµπεριφοράς πυρκαγιών τοπίου. Στα Πρακτικά 7ου
Πανελλήνιου Γεωγραφικού Συνεδρίου. 14-17 Οκτωβρίου 2004, Ελληνική Γεωγραφική
Εταιρεία και Τµήµα Γεωγραφίας Πανεπιστηµίου Αιγαίου, Μυτιλήνη. 9 σελ.
− Kalabokidis, K., Kallos, G., Karavitis, C., Caballero, D., Tettelaar, P., Llorens, J. and
Vasilakos C. 2005 Automated fire and flood hazard protection system. In Proceedings of
the 5th International Workshop on Remote Sensing and GIS Applications to Forest Fire
Management: Fire Effects Assessment. 16-18th June, Zaragoza. Spain. Pp 167-172.
Τέλος, εκπονήθηκαν δύο εργασίες -βασισµένες στα κεφάλαια 3 και 4- από τις οποίες η πρώτη
είναι υπό δηµοσίευση και η δεύτερη υπό κρίση σε διεθνή περιοδικά:
− Christos Vasilakos, Kostas Kalabokidis, John Hatzopoulos, George Kallos, Ioannis

Matsinos, 2007, Integrating New Methods and Tools in Fire Danger Rating, International
Journal of Wildland Fire. 16(3): (in press).
− Christos Vasilakos, Kostas Kalabokidis, John Hatzopoulos, Ioannis Matsinos, 2007,

Modeling wildfire ignition factors through sensitivity analysis of a neural network,
Journal of Environmental Management. (under review).
21
1.5. Περιοχή µελέτης: Λέσβος
Το νησί της Λέσβου βρίσκεται στο βορειοανατολικό Αιγαίο και έχει έκταση 1672 km2.
Σύµφωνα µε την απογραφή του 2001, ο συνολικός πληθυσµός του νησιού ανέρχεται σε 90.436
κατοίκους, ενώ διοικητικά χωρίζεται σε 13 ∆ήµους µε πρωτεύουσα τη Μυτιλήνη (37.881 κατ).
Οι υψηλότερες κορυφές του νησιού, µε ύψος 968 m, είναι αυτές του Προφήτη Ηλία στο όρος
Όλυµπος στην περιοχή Αγιάσου και η κορυφή Βίγλα στο όρος Λεπέτυµνος στην περιοχή
Μολύβου. Το ανάγλυφο είναι ηµιορεινό µε κλίσεις µεγαλύτερες από 20% στα 2/3 της έκτασης
του νησιού.
Όπως προέκυψε από την φωτοερµηνεία δορυφορικών εικόνων QuickBird µε χρονολογία

λήψεως 2002-2003, η χωρική κατανοµή των τύπων εδαφοκάλυψης παρουσιάζεται στο Σχήµα
1.2. Αν και µέχρι πρόσφατα η ταξινόµηση της εδαφοκάλυψης παρουσίαζε ικανοποιητικά
αποτελέσµατα µε την επιβλεπόµενη ταξινόµηση δεδοµένων µεσαίας διακριτικής ικανότητας
ακόµα και σε σύνθετο ανάγλυφο όπως αυτό της Λέσβου (Hatzopoulos et al. 1992), η χρήση
δεδοµένων QuickBird είτε µέσω φωτοερµηνείας είτε για την δηµιουργία δεδοµένων
εκπαίδευσης επιβλεπόµενης ταξινόµησης (Vasilakos et al. 2004) παρέχει ικανοποιητικότερα
αποτελέσµατα.
Τη µεγαλύτερη έκταση καταλαµβάνουν οι ελαιώνες (30,36%) οι οποίοι εξαπλώνονται σε όλη

την επιφάνεια του νησιού αλλά εµφανίζονται ως κυρίαρχος τύπος εδαφοκάλυψης στο
ανατολικό και νότιο τµήµα του. Ακολουθούν τα χορτολίβαδα (26,8%), τα οποία εµφανίζονται
κυρίως στο δυτικό τµήµα, και τα δάση κωνοφόρων (16,85%). Η ποσοστιαία κατανοµή της
εδαφοκάλυψης, όπως έχει προκύψει από τον παραπάνω χάρτη, παρουσιάζεται στον Πίνακα 1.3.
Το κλίµα της Λέσβου είναι Μεσογειακό µε ξηροθερµικά καλοκαίρια, ήπιους χειµώνες και
µέτριες βροχοπτώσεις. Σύµφωνα µε τα µετεωρολογικά δεδοµένα των ετών 2004-2006 που
συλλέχθηκαν από τους µετεωρολογικούς σταθµούς της Πτερούντας και του Λόφου
Πανεπιστηµίου, διακρίνεται µια ψυχρή και υγρή περίοδος από το Νοέµβριο µέχρι το Μάρτιο
και µια άνυδρη περίοδος από τον Απρίλιο µέχρι τον Οκτώβριο (Σχήµατα 1.3 και 1.4) κατά την
οποία παρουσιάζεται και η µεγαλύτερη πίεση έλλειψης υγρασίας για την καύσιµη ύλη όπως
φαίνεται και στο Σχήµα 1.5.
22
Πίνακας 1.3: Ποσοστιαία κατανοµή τύπων εδαφοκάλυψης Ν. Λέσβου
Τύπος Εδαφοκάλυψης Έκταση (%)
Αραιό ∆άσος Κωνοφόρων 2,18
∆άσος Κωνοφόρων 16,85
∆ρυς 1,58
Θαµνότοποι 10,98
Καστανιώνας 0,68
Λοιπά Πλατύφυλλα 0,54
Αείφυλλα Σκληρόφυλλα 1,67
Χορτολίβαδα 26,8
Καλλιέργειες 6,16
Ελαιώνες 30,36
Υδάτινες Επιφάνειες 0,38
Αλυκές 0,25
Αστικές Περιοχές 1,18
Γυµνό Έδαφος 0,39
Από τις 419 πυρκαγιές που καταγράφηκαν κατά τα έτη 1970-2001 (συνολική καµένη έκταση
περίπου 80 km2) (Σχήµα 1.6), το 84% των πυρκαγιών εκδηλώθηκε κατά τη χρονική περίοδο
Απριλίου-Οκτωβρίου, ενώ το 59% κατά την περίοδο Ιουνίου-Οκτωβρίου. Αν και ο αριθµός των
πυρκαγιών αυξήθηκε τα τελευταία χρόνια, η καµένη έκταση περιορίστηκε λόγω των
διαφορετικών τακτικών πυρόσβεσης που χρησιµοποιεί η Πυροσβεστική Υπηρεσία αφότου
ανέλαβε το έργο της κατάσβεσης, καθώς και των περισσότερων µέσων και προσωπικού
κατάσβεσης.
Σχήµα 1.2: Χάρτης εδαφοκάλυψης Ν. Λέσβου
23
Πτερούντα
60 120
50 100
Θερµοκρασία
Βροχόπτωση
40 80
30 60
20 40
10 20
0 0
ς
ος
ς
ος
Απ ς
ος
γο ς
ος
ος
ιο
ιο
το
∆ε ριο
τιο
ιο
ιο
ρι
ρι
άι
ρι
λι
βρ
ύν
ύλ
βρ
υσ
άρ
ρί
υά
µβ
υά
µβ
Μ
Ιο
Ιο
έµ
ώ
Μ
νο
ρο
οέ
κέ
κτ
πτ
Αύ
Ν
Ια
εβ
Ο
Σε
Φ
Θερµοκρασία Μήνας
Σχήµα 1.3: Οµβροθερµικό διάγραµµα µετεωρολογικού σταθµού Πτερούντας, Λέσβου
Πανεπιστήµιο
70 140
60 120
Θερµοκρασία
50 100
40 80
30 60
20 40
10 20
0 0
ς
ρο ο ς
πτ τ ο ς
ς
ος
Απ ς
ος
Αύ λιος
ος
ος
ιο
ιο
∆ε ριο
τιο
ιο
ρι
ρι
άι
ρι
λι
βρ
ύν
βρ
υσ
άρ
ρί
ύ
υά
µβ
υά
µβ
Μ
Ιο
Ιο
έµ
ώ
γο
Μ
νο
οέ
κέ
κτ
Ν
Ια
εβ
Ο
Σε
Φ
Θερµοκρασία Μήνας
Σχήµα 1.4: Οµβροθερµικό διάγραµµα µετεωρολογικού σταθµού Λόφου Πανεπιστηµίου, Λέσβου
24
Πτερούντα
30 30
Περιεχόµενη υγρασία ΚΥ
25 25
Θερµοκρασία ΚΥ
20 20
15 15
10 10
5 5
0 0
ς
ος
πτ τ ο ς
ς
ος
Απ ς
ος
γο ς
ος
ος
ιο
ιο
∆ε ριο
τιο
ιο
ιο
ρι
ρι
άι
ρι
λι
βρ
ύν
ύλ
βρ
υσ
άρ
ρί
υά
µβ
υά
µβ
Μ
Ιο
Ιο
έµ
ώ
Μ
νο
ρο
οέ
κέ
κτ
Αύ
Ν
Ια
εβ
Ο
Σε
Φ
Μήνας
Θερµοκρασία Περιεχόµενη Υγρασία
Σχήµα 1.5: ∆ιάγραµµα θερµοκρασίας/περιεχόµενης υγρασίας καύσιµης ύλης µετεωρολογικού σταθµού

Πτερούντας, Λέσβου
60 8
Αριθµός Πυρκαγιών Καµένη Περιοχή
7
50
6
Καµένη Περιοχή (km )

2
Αριθµός Πυρκαγιών
40
5
30 4
3
20
2
10
1
0 0
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
Έτος
Σχήµα 1.6: Αριθµός πυρκαγιών και καµένη έκταση στη Λέσβο την περίοδο 1970-2001
25
2. ΑΝΑΣΚΟΠΗΣΗ ΤΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑΣ
2.1. Τηλεπισκόπηση
Το 1826 µε την ανακάλυψη της φωτογραφίας, δηµιουργήθηκε και η επιστήµη της

τηλεπισκόπησης, ενώ ταχύτατα εξελίχθηκε κατά τη δεκαετία του 1960 λόγω του µεγάλου
ανταγωνισµού στις διαστηµικές και δορυφορικές έρευνες καθώς και της δηµιουργίας της
Εθνικής Αεροναυτικής ∆ιαστηµικής Υπηρεσίας (NASA) των ΗΠΑ.
Σύµφωνα µε την Αµερικανική Κοινότητα Φωτογραµµετρίας και Τηλεπισκόπησης (ASPRS)

(Χατζόπουλος 2006) ως “Τηλεπισκόπηση” ορίζεται η τέχνη, η επιστήµη και η τεχνολογία που
δίνει αξιόπιστες πληροφορίες για τα φυσικά αντικείµενα και το περιβάλλον µέσω διαδικασιών
που καταγράφουν, µετρούν και ερµηνεύουν εικόνες και πρότυπα της ηλεκτροµαγνητικής
ακτινοβολίας και άλλα φαινόµενα. Ο Sabins (1997) αναφέρει ότι “τηλεπισκόπηση” είναι η
επιστήµη της απόκτησης, επεξεργασίας και ερµηνείας εικόνων οι οποίες καταγράφουν την
αλληλεπίδραση µεταξύ της ηλεκτροµαγνητικής ενέργειας και της ύλης, ενώ οι Lillesand and
Kiefer (2000) ορίζουν την “τηλεπισκόπηση” ως την επιστήµη και την τέχνη της απόκτησης
πληροφοριών για ένα αντικείµενο, µια περιοχή ή ένα φαινόµενο µέσα από την ανάλυση
δεδοµένων που αποκτήθηκαν από µια συσκευή η οποία δεν βρίσκεται σε επαφή µε το
αντικείµενο, περιοχή ή φαινόµενο το οποίο µελετάται.
Η τηλεπισκόπηση περιλαµβάνει δύο είδη συστηµάτων καταγραφής δεδοµένων: τα παθητικά και

τα ενεργά. Τα µεν παθητικά δεν διαθέτουν δική τους πηγή ενέργειας, οπότε και καταγράφουν
την εκπεµπόµενη ενέργεια του στόχου ή την ανακλώµενη ενέργεια που στέλνει κάποια άλλη
πηγή η οποία είναι συνήθως ο ήλιος. Τα δε ενεργά συστήµατα, στα οποία συγκαταλέγονται τα
Radar, διαθέτουν δική τους πηγή ενέργειας. Και τα δύο είδη συστηµάτων έχουν αρκετές
εφαρµογές στο πεδίο των δασικών πυρκαγιών όπως στην:
• Ανίχνευση πυρκαγιών µέσω του θερµικού καναλιού (παθητικά)
• Παρακολούθηση εξέλιξης πυρκαγιάς (ενεργά και παθητικά)
• Χαρτογράφηση καµένης έκτασης (ενεργά και παθητικά)
• Καταγραφή δείκτη βλάστησης, θερµοκρασίας εδάφους (παθητικά)
• Μέτρηση περιεχόµενης υγρασίας (ενεργά και παθητικά)
• Καταγραφή χρήσεων γης – τύπων καύσιµης ύλης (ενεργά και παθητικά)
Κύρια χαρακτηριστικά των δεκτών καταγραφής είναι η χωρική και η φασµατική ανάλυση. Η
χωρική ανάλυση αναφέρεται στο µέγεθος του αντικειµένου που µπορεί να διακριθεί σε µια
26
εικόνα και ισούται µε το µέγεθος του εικονοστοιχείου (pixel), ενώ η φασµατική ανάλυση
αναφέρεται στην ικανότητα του δέκτη να καταγράφει τέλειες καµπύλες φασµατικών
αποκρίσεων ενός στόχου. Όσα περισσότερα κανάλια καταγραφής της ηλεκτροµαγνητικής
ακτινοβολίας διαθέτει ένας δέκτης τόσο καλύτερη είναι η φασµατική ανάλυσή του.
Στην παρούσα διατριβή χρησιµοποιήθηκαν δύο δέκτες, ο QuickBird και ο LANDSAT ETM. Ο
µεν QuickBird εκτοξεύθηκε στις 18/10/2001 και τέθηκε σε ηλιοσύγχρονη τροχιά µε ύψος 450
km. ∆ιαθέτει πέντε (5) κανάλια καταγραφής ηλεκτροµαγνητικής ακτινοβολίας, τέσσερα (4)
πολυφασµατικά και ένα (1) παγχρωµατικό, µε ραδιοµετρική ευαισθησία έντεκα (11) bit και
χωρική διακριτική ικανότητα 0,61 m για το παγχρωµατικό κανάλι και 2,44 m για τα
πολυφασµατικά. Ο δε Landsat ETM εκτοξεύθηκε στις 15/4/1999 σε ύψος 750 km και διαθέτει
επτά (7) πολυφασµατικά κανάλια καταγραφής µε χωρική διακριτική ικανότητα 30 m (υπέρυθρο
60 m) και ένα (1) πανχρωµατικό µε χωρική διακριτική ικανότητα 15 m. Στον Πίνακα 2.1
παρουσιάζεται το εύρος καταγραφής για κάθε δίαυλο των δεκτών QuickBird και Landsat ETM.
Πίνακας 2.1: Μήκος κύµατος για κάθε δίαυλο καταγραφής των δεκτών QuickΒird και Landsat ETM
Κανάλι \ ∆έκτης QuickBird Landsat ETM
Κανάλι 1 450 - 520 nm 450 - 520 nm
Κανάλι 2 520 - 600 nm 520 - 600 nm
Κανάλι 3 630 - 690 nm 630 - 690 nm
Κανάλι 4 760 - 900 nm 760 - 900 nm
Κανάλι 5 - 1550 - 1750 nm
Κανάλι 6 - 10400 - 12500 nm
Κανάλι 7 - 2080 - 2350 nm
Κανάλι 8 450 - 900 nm 520 - 900 nm
(παγχρωµατικό)
2.2. Συστήµατα Γεωγραφικών Πληροφοριών (ΣΓΠ)
Από τις αρχές της δεκαετίας του ’80, τα Συστήµατα Γεωγραφικών Πληροφοριών (ΣΓΠ)
(Geographical Information Systems – GIS) -γνωστά και ως Γεωγραφικά Συστήµατα
Πληροφοριών (ΓΣΠ)- γνώρισαν εξαιρετικά µεγάλη ανάπτυξη. Η ραγδαία ανάπτυξη των
συστηµάτων πληροφορικής, η βελτίωση των µαθηµατικών µεθόδων ανάλυσης και ερµηνείας
γεωγραφικών δεδοµένων, η ανάγκη εισαγωγής της χωρικής διάστασης σε πλήθος ποιοτικών και
ποσοτικών παραµέτρων που σχετίζονται µε το γήινο περιβάλλον και, τέλος, η ανάγκη εύκολης
διαχείρισης αυτών των γεωγραφικών πληροφοριών, οδήγησαν στη βελτίωση και εξέλιξη των
ΣΓΠ.
Κατά καιρούς έχουν δοθεί διάφοροι ορισµοί για τα συστήµατα αυτά. Σύµφωνα µε τον Tomlin
(1990) το ΣΓΠ είναι ένα σύστηµα προετοιµασίας, παρουσίασης και ερµηνείας γεγονότων που
αναφέρονται στην επιφάνεια της γης µε την ευρύτερη έννοια του όρου, ενώ, µε την πιο στενή
έννοια του όρου, τα ΣΓΠ είναι ένας συνδυασµός από υπολογιστές και λογισµικό ειδικά
27
σχεδιασµένο για την απόκτηση, συντήρηση και χρήση χαρτογραφικών δεδοµένων.
Οι Star and Estes (1990) ορίζουν το ΣΓΠ ως ένα πληροφοριακό σύστηµα το οποίο είναι
σχεδιασµένο να δουλεύει µε δεδοµένα που αναφέρονται µε χωρικές ή γεωγραφικές
συντεταγµένες. Με άλλα λόγια, ΣΓΠ είναι τόσο µια βάση δεδοµένων µε προκαθορισµένες
ικανότητες για χωρικά αναφερόµενα δεδοµένα, όσο και ένα σύνολο λειτουργιών που
εφαρµόζονται σε αυτά τα δεδοµένα.
Το Ινστιτούτο Έρευνας Περιβαλλοντικών Συστηµάτων (Environmental System Research

Institute) (ESRI 1990) -δηµιουργός των πλέον εµπορικών πακέτων ΣΓΠ, όπως Arcinfo –
ArcView- ορίζει τα ΣΓΠ ως µια οργανωµένη συλλογή από υπολογιστές, λογισµικό,
γεωγραφικά δεδοµένα και προσωπικό, σχεδιασµένη να λαµβάνει, αποθηκεύει, ενηµερώνει,
διαχειρίζεται, αναλύει και παρουσιάζει όλα τα είδη γεωγραφικών πληροφοριών.
Τέλος, ο Χατζόπουλος (2006) ορίζει τα ΣΓΠ ως την επιστήµη, την τέχνη και την τεχνολογία για
τη διαχείριση γεωχωρικών δεδοµένων και πληροφοριών. Μέσα από το συγκεκριµένο ορισµό
παρουσιάζεται ευκρινώς η διαφορετικότητα των εννοιών “δεδοµένα” και “πληροφορίες” καθώς
µία από τις κυριότερες λειτουργίες των ΣΓΠ είναι η µετατροπή των δεδοµένων σε πληροφορίες.
Με βάση τους παραπάνω ορισµούς, τα ΣΓΠ δεν είναι απλά ένα µέσο µε το οποίο παράγονται
χάρτες, διαγράµµατα ή κατάλογοι ποιοτικών χαρακτηριστικών αλλά είναι µια τεχνολογία για
την ανάλυση και µελέτη του χώρου όπως και την υποστήριξη αποφάσεων (Decision Support)
που αφορούν τη γη, το περιβάλλον και τον άνθρωπο. Τα ΣΓΠ πραγµατοποιούν τις λειτουργίες
τους µέσω της διασύνδεσης και της επικοινωνίας ανάµεσα σε ποιοτικά και ποσοτικά
χαρακτηριστικά και την αντίστοιχη θέση αυτών στο χώρο. Σε σχέση µε τις παραδοσιακές
µεθόδους συλλογής, οργάνωσης, καταχώρισης και επεξεργασίας χωρικών πληροφοριών, τα
ΣΓΠ έχουν το πλεονέκτηµα να εξυπηρετούν τις ειδικές ανάγκες των τελικών χρηστών
αποµονώνοντας ή συνδυάζοντας τις χωρικές πληροφορίες και να βοηθούν στην ύπαρξη
µεγαλύτερης ακρίβειας στοιχείων ως αποτέλεσµα της ψηφιακής αποθήκευσής τους. Σύµφωνα
µε τα παραπάνω, τα ΣΓΠ έχουν χρησιµοποιηθεί ευρέως στην συλλογή, διαχείριση, ανάλυση και
παρουσίαση των χωρικών δεδοµένων που χρησιµοποιούνται στην αναγνώριση των χωρικών
προτύπων εµφάνισης πυρκαγιάς (Chuvieco and Congalton 1989, Chou 1992a, Chou 1992b).
2.3. Τεχνητά Νευρωνικά ∆ίκτυα
Η έρευνα στο πεδίο των Τεχνητών Νευρωνικών ∆ικτύων (ΤΝ∆) (Artificial Neural Network),
προήλθε από την επιθυµία για παραγωγή τεχνητών συστηµάτων, ικανών για εµπεριστατωµένη
και έξυπνη επεξεργασία, παρόµοια µε αυτή που πραγµατοποιεί ο ανθρώπινος εγκέφαλος
(Fausett 1994). Παρ’όλα αυτά, δεν υπάρχει κάποιος ευρύτατα αποδεκτός ορισµός των ΤΝ∆.
28
Από τη µια πλευρά, σύµφωνα µε τον Haykin (1994), ένα νευρωνικό δίκτυο είναι ένας µαζικά
παράλληλος κατανεµηµένος επεξεργαστής ο οποίος έχει την φυσική τάση να αποθηκεύει
εµπειρική γνώση και να την κάνει διαθέσιµη για χρήση. Έχει δύο κοινά χαρακτηριστικά µε το
ανθρώπινο µυαλό:
• Η γνώση αποκτάται από το δίκτυο µέσα από µια διαδικασία εκµάθησης.
• Η ισχύς των συνδέσµων µεταξύ των νευρώνων, γνωστή και ως βάρος σύναψης
(synaptic weight), χρησιµοποιείται για την αποθήκευση της γνώσης.
Από την άλλη πλευρά, ο Nigrin (1996) θεωρεί ότι ένα νευρωνικό δίκτυο είναι ένα κύκλωµα
αποτελούµενο από ένα µεγάλο αριθµό απλών στοιχείων επεξεργασίας τα οποία είναι
συνδεδεµένα κατά το πρότυπο των νευρώνων του ανθρώπινου εγκεφάλου. Κάθε στοιχείο
λειτουργεί µόνο σε τοπική πληροφορία και επιπλέον κάθε στοιχείο λειτουργεί ασύγχρονα ώστε
δεν υπάρχει κάποιο γενικό ρολόι του συστήµατος.
Ο Zurada (1992) θεωρεί τα τεχνητά νευρωνικά συστήµατα ως φυσικά κυψελωτά συστήµατα τα

οποία µπορούν να αποκτήσουν, αποθηκεύσουν και να εκµεταλλευτούν εµπειρική γνώση ενώ η
Fausett (1994) ορίζει τα ΤΝ∆ ως συστήµατα επεξεργασίας πληροφοριών τα οποία έχουν
ορισµένα κοινά χαρακτηριστικά µε τα βιολογικά νευρωνικά δίκτυα. Τα ΤΝ∆ έχουν αναπτυχθεί
ως γενικευµένα µαθηµατικά µοντέλα της ανθρώπινης γνώσης βασισµένα στις εξής παραδοχές:
• Η επεξεργασία των πληροφοριών πραγµατοποιείται σε απλά στοιχεία που ονοµάζονται

νευρώνες.
• Τα σήµατα µετακινούνται µεταξύ των νευρώνων µέσω συνδέσµων.
• Κάθε σύνδεσµος έχει ένα βάρος το οποίο σε ένα τυπικό νευρωνικό δίκτυο
πολλαπλασιάζει το σήµα που µετακινείται.
• Κάθε νευρώνας εφαρµόζει µια συνάρτηση ενεργοποίησης (συνήθως µη γραµµική) στα

εισερχόµενα δεδοµένα (σταθµισµένο άθροισµα των εισερχόµενων σηµάτων) ώστε να
υπολογίσει το εξερχόµενο σήµα.
Τα ΤΝ∆ είναι ιδιαίτερα χρήσιµα για προβλήµατα ταξινόµησης και προσέγγισης συναρτήσεων
τα οποία έχουν αρκετά δεδοµένα εκπαίδευσης και είναι ανεκτικά όσον αφορά στην ακρίβεια.
Αρκετές ειδικότητες επιστηµόνων, όπως οι επιστήµονες πληροφορικής, στατιστικοί, µηχανικοί,
βιολόγοι, φυσικοί κ.α χρησιµοποιούν τα νευρωνικά δίκτυα (Sarle 1997).
Στο Σχήµα 2.1 παρουσιάζεται ένας τυπικός νευρώνας Υ ο οποίος δέχεται δεδοµένα από τους
νευρώνες Χ1, Χ2 και Χ3 µέσω των τριών συνδέσµων w1, w2 και w3 αντίστοιχα. Τα δεδοµένα
εισόδου στο νευρώνα Y είναι σε αυτήν την περίπτωση το άθροισµα των σηµάτων από τους
29
τρεις νευρώνες Χ1, Χ2 και Χ3, δηλαδή:
y _ in = w1 x1 + w2 x 2 + w3 x3
Ένα πιο πολύπλοκο ΤΝ∆ είναι δυνατόν να αποτελείται από πολλούς νευρώνες κατανεµηµένους
σε περισσότερα από ένα επίπεδα επεξεργασίας, τα οποία ονοµάζονται κρυφά επίπεδα. Έτσι η
έξοδος κάθε νευρώνα αποτελεί είσοδο για κάποιους άλλους µε τους οποίους συνδέεται. Η τιµή
του βάρους υποδηλώνει πόσο στενά συνδεδεµένοι είναι οι δύο νευρώνες που συνδέονται µε το
βάρος αυτό.
Σχήµα 2.1: Νευρώνας Τεχνητού Νευρωνικού ∆ικτύου (ΤΝ∆)
Η ενεργοποίηση του νευρώνα Υ δίνεται από µια συνάρτηση των σηµάτων της εισόδου του,
δηλαδή y = f ( y _ in ) . Η συνάρτηση ενεργοποίησης χρειάζεται για την εφαρµογή της µη
γραµµικότητας στο δίκτυο. Χωρίς τη µη γραµµικότητα, δηλαδή χωρίς τη συνάρτηση
ενεργοποίησης, το άθροισµα y_in το οποίο θα αποτελούσε είσοδο για τους επόµενους νευρώνες
και τα κρυφά επίπεδα, δεν θα έκανε το ΤΝ∆ πιο δυναµικό από ένα απλό ΤΝ∆ χωρίς κρυφά
επίπεδα. Οι συναρτήσεις που χρησιµοποιούνται περισσότερο για την ενεργοποίηση είναι οι
σιγµοειδείς συναρτήσεις, όπως η λογιστική, η εφαπτοµένη και η Gaussian (Fausett 1994, Sarle
1997).
2.3.1. Εκπαίδευση νευρωνικών δικτύων
Εκτός από την αρχιτεκτονική των ΤΝ∆, ένα άλλο σηµαντικό χαρακτηριστικό διαφοροποίησής
τους είναι οι τιµές των βαρών διασύνδεσης µεταξύ των νευρώνων. Η διαδικασία για να
οριστούν οι τιµές των βαρών ονοµάζεται “εκπαίδευση” και διακρίνεται σε δύο τύπους (Masters
1983, Sarle 1997): “επιβλεπόµενη” και “µη επιβλεπόµενη”. Στην “επιβλεπόµενη εκπαίδευση”,
υπάρχουν γνωστές τιµές εξόδου (επιθυµητές τιµές) που δίνονται στο TΝ∆ κατά την διάρκεια
30
της εκπαίδευσης. Προσαρµόζοντας τα βάρη των συνδέσεων µεταξύ των νευρώνων, το TΝ∆
προσπαθεί να ταιριάξει τις τιµές εξόδου µε τις επιθυµητές τιµές. Στην µη επιβλεπόµενη
διαδικασία εκµάθησης δεν υπάρχουν αντίστοιχες επιθυµητές τιµές εξόδου. Υπάρχουν µόνο
δεδοµένα εισόδου. Έτσι, το TΝ∆ συνήθως πραγµατοποιεί συµπίεση των δεδοµένων, όπως
µείωση των διαστάσεων ή οµαδοποίηση (clustering).
Για να διασφαλιστεί το ότι το δίκτυο θα µπορεί να προσεγγίσει τιµές εξόδου για οποιοδήποτε
συνδυασµό τιµών εισόδου θα πρέπει να χρησιµοποιηθούν δείγµατα επαλήθευσης µε εγγραφές
που δεν συµπεριλαµβάνονται στα δεδοµένα εκπαίδευσης. Στο Σχήµα 2.2α παρουσιάζεται ένα
σωστά εκπαιδευµένο ΤΝ∆ το οποίο έχει καλή γενίκευση (generalization) και έχει αποφευχθεί η
υπερπροσαρµογή (overfitting) στα δεδοµένα εκπαίδευσης όπως συµβαίνει στο Σχήµα 2.2β. Σε
περίπτωση που δεν είχαν χρησιµοποιηθεί δεδοµένα επαλήθευσης και το µόνο κριτήριο σωστής
εκπαίδευσης ήταν η συνάρτηση του λάθους, τότε το ΤΝ∆ του Σχήµατος 2.2β θα παρουσίαζε
µικρότερο λάθος, γεγονός που οδηγεί στη χρήση ενός µη σωστά εκπαιδευµένου δικτύου.
Σχήµα 2.2: (α) Γενικευµένο και (β) πλήρως προσαρµοσµένο ΤΝ∆
2.4. Επιχειρησιακά συστήµατα εκτίµησης κινδύνου πυρκαγιών
2.4.1. Ηνωµένες Πολιτείες Αµερικής (ΗΠΑ)
∆ιάφορα συστήµατα εκτίµησης κινδύνου στις ΗΠΑ χρησιµοποιούνται σε τοπικό επίπεδο από
το 1934 (Gisborn 1942), ενώ ένα ενιαίο σύστηµα σε εθνική κλίµακα, εφαρµόστηκε το 1964
(U.S. Forest Service 1964). Η σηµερινή έκδοση του Εθνικού Συστήµατος Εκτίµησης Κινδύνου
Πυρκαγιών (NFDRS) λειτουργεί από το 1978 (Deeming et al. 1977, Bradshaw et al. 1983), µε
συνεχείς ανανεώσεις (Burgan 1988). Ο κίνδυνος πυρκαγιάς εκφράζεται µέσω τριών επιµέρους
δεικτών (Σχήµα 2.3):
31
• ∆είκτης Εµφάνισης (Occurrence Index - OI).
• ∆είκτης Καύσης (Burning Index - BI).
• ∆είκτης Φορτίου Πυρκαγιών (Fire Load Index – FLI).
Οι παραπάνω δείκτες λαµβάνουν υπόψη τρία επιµέρους συστατικά για την συµπεριφορά της
φωτιάς:
• ∆ιάδοση (Spread Component – SC).
• Εκλυόµενη Ενέργεια (Energy Release Component – ERC).
• Ανάφλεξη (Ignition Component – IC).
Σχήµα 2.3: Αµερικάνικο Εθνικό Σύστηµα Εκτίµησης Κινδύνου Πυρκαγιών
Η ∆ιάδοση υπολογίζεται από το µαθηµατικό µοντέλο του Rothermel (Rothermel 1972), το

οποίο λαµβάνει υπόψη του την επίδραση του ανέµου, την κλίση του εδάφους και την καύσιµη
ύλη. Το µοντέλο του Rothermel υπολογίζει το ρυθµό διάδοσης του µετώπου της πυρκαγιάς
προς τα εµπρός η οποία εκφράζεται σε µονάδες µήκους ανά λεπτό. Η Εκλυόµενη Ενέργεια
32
απεικονίζει την εκλυόµενη θερµότητα από το µέτωπο της πυρκαγιάς και εκφράζεται σε µονάδες
ενέργειας ανά µονάδα επιφάνειας. Η Ανάφλεξη απεικονίζει την πιθανότητα έναρξης πυρκαγιάς
στην περίπτωση που ένας αναµµένος πυρσός έρθει σε επαφή µε ένα πολυσύνθετο τύπο
καύσιµης ύλης, και διαβαθµίζεται από 0 σε συνθήκες χαµηλής θερµοκρασίας και υψηλής
υγρασίας έως 100 όταν ο καιρός είναι ξηρός µε δυνατούς ανέµους.
Ο ∆είκτης Εµφάνισης διαχωρίζεται σε δύο επιµέρους δείκτες: το δείκτη εµφάνισης πυρκαγιών

που οφείλονται σε ανθρωπογενή αίτια (MCOI) και το δείκτη εµφάνισης πυρκαγιών που
οφείλονται σε κεραυνούς (LCOI). ∆ιαβαθµίζεται από 0 έως 100 και εκφράζει τον δυνητικά
αναµενόµενο αριθµό πυρκαγιών ανά εκατοµµύριο στρέµµατα.
Ο ∆είκτης Καύσης εκφράζει τη συνολική προσπάθεια που απαιτείται για να περιοριστεί µια
πυρκαγιά σε συγκεκριµένο τύπο καύσιµης ύλης. Το NFDRS χρησιµοποιεί µια τροποποιηµένη
έκδοση της εξίσωσης Byram (Byram 1959) για να υπολογίσει το µήκος της φλόγας (FL)
σύµφωνα µε την συνάρτηση:
FL = j × [( SC / 60 ) × ( 25 × ( ERC ))] 0.46
όπου j είναι ο συντελεστής κλίµακας, SC η ∆ιάδοση και ERC η Εκλυόµενη Ενέργεια.
Από το µήκος της φλόγας υπολογίζεται ο ∆είκτης Καύσης σύµφωνα µε την συνάρτηση:
BI = j1 × FL
όπου j1 είναι ο συντελεστής κλίµακας ο οποίος ισούται µε 10/ ανά µονάδα µήκους και FL το
µήκος φλόγας.
Ο ∆είκτης Φορτίου Πυρκαγιών σχετίζεται µε την συνολική προσπάθεια που πρέπει να

καταβληθεί για να αντιµετωπιστούν όλες οι πιθανές πυρκαγιές σε µια ορισµένη περιοχή και σε
ορισµένο χρόνο και αποτελεί τον τελικό δείκτη επικινδυνότητας του συστήµατος βάσει του
οποίου προσδιορίζονται οι ενέργειες πρόληψης και η ετοιµότητα των εµπλεκοµένων
υπηρεσιών. Υπολογίζεται σύµφωνα µε την συνάρτηση:
FLI = (BI 2 2
)
+ (MCOI + LCOI ) / 1.41
όπου BI είναι ο ∆είκτης Καύσης, MCOI ο ∆είκτης εµφάνισης πυρκαγιών οι οποίες προέρχονται
από ανθρωπογενή αίτια, και LCOI ο ∆είκτης εµφάνισης πυρκαγιών οι οποίες δηµιουργούνται
από κεραυνό.
Το σύστηµα είναι συνδεδεµένο µε 2000 περίπου µετεωρολογικούς σταθµούς όπου µετρούνται

και καταγράφονται µετεωρολογικά δεδοµένα καθώς και στοιχεία για τη φυσική κατάσταση της
καύσιµης ύλης. Ο τελικός δείκτης υπολογίζεται για τα σηµεία αυτά ενώ για την χωρική
33
κατανοµή της επικινδυνότητας εφαρµόζεται παρεµβολή µε την µέθοδο της αντιστρόφου
βαρύνουσας απόστασης (IDW) και δηµιουργείται ο τελικός χάρτης (Σχήµα 2.4).
Σχήµα 2.4: Χάρτης Κινδύνου Πυρκαγιάς για τις Η.Π.Α.
2.4.2. Καναδάς
Η έρευνα σχετικά µε την εκτίµηση του κινδύνου στον Καναδά άρχισε το 1925 από την
Οµοσπονδιακή Κυβέρνηση. Από τότε αναπτύχθηκαν 5 διαφορετικά συστήµατα σε εθνική
κλίµακα το καθένα από τα οποία βασιζόταν σε προηγούµενα συστήµατα και χρησιµοποιούσε
αποτελέσµατα πειραµάτων στο πεδίο αλλά και εµπειρικές αναλύσεις. Το σύστηµα που
χρησιµοποιείται, γνωστό ως Καναδικό Σύστηµα Εκτίµησης Κινδύνου ∆ασικών Πυρκαγιών
(CFFDRS), δηµιουργήθηκε τη δεκαετία του 1960 από την Καναδική ∆ασική Υπηρεσία.
Το Καναδικό σύστηµα αποτελείται από 2 κύρια υποσυστήµατα:
• Μετεωρολογικό ∆είκτη Πυρκαγιών (Fire Weather Index - FWI) (Van Wagner 1987).
• Σύστηµα Πρόγνωσης Συµπεριφοράς Πυρκαγιάς (Fire Behavior Prediction System –

FBP) (Taylor et al. 1997).
Ο Μετεωρολογικός ∆είκτης βρίσκεται σε επιχειρησιακή χρήση από το 1970 µε συνεχείς

ανανεώσεις. Βασίζεται αποκλειστικά σε µετεωρολογικές παρατηρήσεις και εκτιµά τη σχετική
34
δυνητική εµφάνιση πυρκαγιάς (San-Miguel-Ayanz et al. 2003b). Αποτελείται από 6 µεταβλητές
οι οποίες, είτε µεµονωµένα είτε οµαδικά, ερµηνεύουν τις επιδράσεις της περιεχόµενης υγρασίας
της καύσιµης ύλης και του ανέµου στην ενδεχόµενη ανάφλεξη και στην πιθανή συµπεριφορά
µιας πυρκαγιάς µε τη µορφή σχετικής αριθµητικής κλίµακας. Οι µεταβλητές είναι (Σχήµα 2.5):
• Περιεχόµενη υγρασία στρώµατος νεκρής οργανικής ύλης.
• Μέση περιεχόµενη υγρασία ενός µη συµπαγούς οργανικού στρώµατος σε µέσο βάθος.
• Μέση περιεχόµενη υγρασία συµπαγούς οργανικού στρώµατος σε µεγάλο βάθος.
• Ρυθµός εξάπλωσης πυρκαγιάς.
• ∆ιαθέσιµη καύσιµη ύλη για καύση.
• Μετεωρολογικός ∆είκτης.
Ο υπολογισµός των παραπάνω παραµέτρων βασίζεται σε διαδοχικές ηµερήσιες µετρήσεις της

θερµοκρασίας, της σχετικής υγρασίας, της ταχύτητας του ανέµου και της 24ωρης βροχόπτωσης
οι οποίες λαµβάνονται από δίκτυο µετεωρολογικών σταθµών καθηµερινά στις 13:00. Έτσι,
υπολογίζεται ο πραγµατικός ή προγνωστικός κίνδυνος, λαµβάνοντας υπόψη τις προβλέψεις των
µετεωρολογικών συνθηκών (Turner and Lawson 1978). Ο υπολογισµός γίνεται εύκολα είτε
µέσω σχετικών πινάκων είτε µέσω σχετικού λογισµικού (Canadian Forestry Service 1984, San-
Miguel-Ayanz et al. 2003b).
Σχήµα 2.5: Μετεωρολογικός ∆είκτης Πυρκαγιών του Καναδά
35
Σε µια µη ολοκληρωµένη έκδοση, το Σύστηµα Πρόγνωσης Συµπεριφοράς Πυρκαγιάς (Σχήµα
2.6), δοκιµάστηκε και αξιολογήθηκε το 1984 ενώ χρησιµοποιείται επιχειρησιακά από το 1992.
Χρησιµοποιεί ένα ελλειπτικό µοντέλο διάδοσης για την εκτίµηση του µεγέθους και του
σχήµατος της πυρκαγιάς, και παρέχει ποσοτική εκτίµηση του ρυθµού εξάπλωσης του µετώπου
της πυρκαγιάς (m/min), της ανάλωσης της καύσιµης ύλης (kgr/m2), της έντασης της πυρκαγιάς
(Kwatt/min) και περιγραφή της (έρπουσα, κόµης κ.λ.π.). Η εκτίµηση των χαρακτηριστικών
αυτών βασίζεται σε:
• Μετεωρολογικές µετρήσεις
• Τύπους καύσιµης ύλης
• Κλίση εδάφους
• Γεωγραφική τοποθεσία
• Υψόµετρο
• Ηµεροµηνία
Το σύστηµα αποτελείται από περισσότερους από 1000 σταθµούς στους οποίους

πραγµατοποιούνται οι µετρήσεις και η χωρική εκτίµηση του κινδύνου υπολογίζεται µε
παρεµβολή (Σχήµα 2.7). Εκτός από τον Καναδά, αρκετές άλλες χώρες έχουν υιοθετήσει µερικά
από τα υποσυστήµατά του καθώς και την ερευνητική φιλοσοφία για τη δηµιουργία άλλων
συστηµάτων. Μερικές από τις χώρες αυτές είναι η Νέα Ζηλανδία, τα Νησιά Φίτζι, και η
Αµερικάνικη πολιτεία της Αλάσκα ενώ έχει αξιολογηθεί και από άλλες χώρες (Fogarty et al.
1998, Alexander and Cole 2001, Taylor and Alexander 2006).
Σχήµα 2.6: Σύστηµα Πρόγνωσης Συµπεριφοράς Πυρκαγιάς του Καναδά
36
Σχήµα 2.7: Χάρτης Κινδύνου Πυρκαγιάς για τον Καναδά
2.4.3. Αυστραλία
Η πρώτη προσπάθεια για την εκτίµηση του κινδύνου πυρκαγιάς στην Αυστραλία έγινε το 1946
(Cromer 1946) και περιλάµβανε τον υπολογισµό της περιεχόµενης υγρασίας της καύσιµης ύλης
λαµβάνοντας υπόψη την ηµερήσια θερµοκρασία και τη σχετική υγρασία. Η προσπάθεια αυτή
εξελίχθηκε από τον Douglas (1957) ο οποίος δηµιούργησε ένα πίνακα “δυσκολίας καταστολής”
για τη νότια Αυστραλία. Ο πίνακας του Douglas χρησιµοποιήθηκε από τον McArthur (1958) ο
οποίος ανέπτυξε ένα σύστηµα εκτίµησης κινδύνου βασισµένο στην εκτιµώµενη ταχύτητα
διάδοσης µιας πυρκαγιάς σε ξηρό στρώµα λεπτής καύσιµης ύλης κάτω από διαφορετικές
µετεωρολογικές συνθήκες. Αυτό το σύστηµα αποτέλεσε το πρώτο επιχειρησιακό σύστηµα της
Αυστραλίας µε 24ωρη πρόγνωση το οποίο χρησιµοποιείται µέχρι σήµερα έπειτα από κάποιες
ανανεώσεις και προσθήκες. Πιο συγκεκριµένα, συµπεριλήφθηκαν παράγοντες όπως: ο δείκτης
ξηρασίας Keetch-Byram, η πρόσφατη βροχόπτωση, η θερµοκρασία, η σχετική υγρασία και η
ταχύτητα του ανέµου (McArthur 1967).
Αν και η χρήση του κρίνεται ικανοποιητική λόγω της απλότητας του, των εµπειρικών σχέσεων
στις οποίες βασίζεται, της ευκολίας χρήσης του µέσω υπολογιστή τσέπης και της µικρής
ευαισθησίας του στην ακρίβεια των δεδοµένων εισόδου, το επιχειρησιακό σύστηµα της
Αυστραλίας έχει µικρές δυνατότητες όσον αφορά στην πρόγνωση της συµπεριφοράς πυρκαγιάς
σε όλο το εύρος της καύσιµης ύλης και των µετεωρολογικών και τοπογραφικών συνθηκών που
συναντώνται στη νότια και ανατολική Αυστραλία (San-Miguel-Ayanz et al. 2003b).
37
2.4.4. Ρωσία
Στη Ρωσία για να υπολογιστεί η ευφλεκτικότητα της δασικής ύλης, χρησιµοποιείται ο δείκτης
υγροθερµοκρασίας Nesterov ο οποίος βασίζεται σε τρεις παραµέτρους:
• Ηµέρες χωρίς βροχή.
• Θερµοκρασία.
• Θερµοκρασία δρόσου η οποία υπολογίζεται από την σχετική υγρασία και την
θερµοκρασία.
Ο δείκτης αυτός εφαρµόζεται σε 13 συνδυασµούς δασικών τύπων και καταστάσεων µε

σχετικούς εποχιακούς πίνακες (Καϊλίδης 1990). Ο δείκτης Nesterov υπολογίζεται σύµφωνα µε
την εξίσωση:
w
N = ∑ (t1 − Di ) × t i
i =1
όπου Ν είναι ο ∆είκτης Nesterov, W ο Αριθµός ηµερών από την τελευταία βροχόπτωση
µεγαλύτερη από 3mm, t η Θερµοκρασία ( οC ) και D η Θερµοκρασία δρόσου ( οC ).
Για τον υπολογισµό του δείκτη απαιτούνται ηµερήσιες µετρήσεις θερµοκρασίας, θερµοκρασίας
δρόσου και υγρασίας. Ο δείκτης αυξάνεται καθηµερινά µέχρι να υπάρξει βροχόπτωση
µεγαλύτερη από 3 mm οπότε πέφτει στο µηδέν. Το σύστηµα διαχωρίζεται σε 4 επίπεδα
επικινδυνότητας ανάλογα µε την τιµή του δείκτη (Πίνακας 2.2):
Πίνακας 2.2: Συσχέτιση δείκτη Nesterov και επικινδυνότητας

Επικινδυνότητα ∆είκτης Nesterov
Μικρή 0 - 300
Μέτρια 301 - 1000
Υψηλή 1001 - 4000
Ακραία 4001 +
Εκτός από τον παραπάνω δείκτη, κατασκευάστηκαν και άλλοι τοπικοί δείκτες κινδύνου
πυρκαγιάς, βασιζόµενοι σε πειράµατα στο πεδίο µε µικρές φωτιές και ενσωµατώθηκαν η
ακτινοβολία του ήλιου και η ταχύτητα του ανέµου µε τη χρησιµοποίηση µετεωρολογικών
µετρήσεων (Καϊλίδης 1990).
Επειδή οι µετεωρολογικοί σταθµοί που παρέχουν τις µετρήσεις για τον υπολογισµό του δείκτη,
δεν επαρκούν για την ικανοποιητική χωρική κατανοµή του κινδύνου σε µεγάλη περιοχή, οι
µετεωρολογικές παρατηρήσεις παρέχονται µέσω των δεκτών AVHRR και TOVS (Loupian et
al. 2006). Πιο συγκεκριµένα, έχει συσχετιστεί η θερµοκρασία και η θερµοκρασία δρόσου µε τα
δεδοµένα από το θερµικό κανάλι του AVHRR, ενώ σε περιοχές µε νεφοκάλυψη
38
χρησιµοποιούνται τα δεδοµένα µικροκυµάτων του TOVS.
2.4.5. Ινδονησία
Στην Ινδονησία έχει χρησιµοποιηθεί πειραµατικά ο δείκτης Nesterov ο οποίος περιγράφηκε

παραπάνω (Buchholz and Weidemann 2000), ενώ σε επιχειρησιακή µορφή χρησιµοποιείται ο
δείκτης ξηρασίας Keetch-Byram ο οποίος έχει ενσωµατωθεί στο Πληροφοριακό Σύστηµα
Πυρκαγιών, που αναπτύχθηκε πρόσφατα (Hoffmann et al. 1999). Ο δείκτης ξηρασίας Keetch-
Byram (KBDI) (Keetch and Byram 1968) εκφράζει την ξηρασία µε τιµές από 0 έως 2000,
βασιζόµενος στην περιεχόµενη υγρασία του εδάφους, ενώ µπορεί να συσχετιστεί και µε την
έλλειψη νερού στα φυτά (Xanthopoulos et al. 2006b). Χρησιµοποιήθηκε πειραµατικά για 5
χρόνια κατά την διάρκεια ανάπτυξης του Πληροφοριακού Συστήµατος, και το 1995
τροποποιήθηκε σε επιχειρησιακή µορφή (Deeming 1995). Το κύριο πλεονέκτηµα του δείκτη
είναι ότι χρειάζεται µόνο τρεις µεταβλητές για να υπολογιστεί ο δείκτης ξηρασίας για µια
συγκεκριµένη ηµέρα σε ένα συγκεκριµένο σταθµό:
• Μέση ετήσια βροχόπτωση.
• Μέγιστη θερµοκρασία για την συγκεκριµένη ηµέρα.
• Βροχόπτωση για την συγκεκριµένη ηµέρα.
Από τις παραπάνω µετρήσεις υπολογίζεται ο δείκτης Keetch-Byram και στη συνέχεια, µε τη
βοήθεια σχετικών πινάκων, υπολογίζεται ο συντελεστής ξηρασίας σύµφωνα µε την εξίσωση:
(2000 − KBDI ) × (0.9676 ( 0.0875×Tmax +1.552 ) − 8.299) × 0.001

DF =
1 + 10.88 ( −0.00175× AnnRain )
όπου DF είναι ο Συντελεστής ξηρασίας, Τmax η Μέγιστη Θερµοκρασία και AnnRain η Μέση
ετήσια βροχόπτωση.
Για να υπολογιστεί ο δείκτης KBDI για µια συγκεκριµένη ηµέρα πρέπει να είναι γνωστή η τιµή
του κατά την προηγούµενη ηµέρα ώστε η έναρξη µέτρησης να αρχίσει όταν ο δείκτης της
προηγούµενης ηµέρας ήταν ίσος µε µηδέν, δηλαδή όταν το έδαφος ήταν κεκορεσµένο σε νερό.
Πρακτικά, οι Keetch and Byram (1968) αναφέρουν ότι µπορεί να θεωρηθεί ο δείκτης ίσος µε
µηδέν µια συγκεκριµένη ηµέρα όταν έχει προηγηθεί αυτής µια εβδοµάδα µε συνολική
βροχόπτωση 150 µε 200 mm. Ο δείκτης, ενώ αρχικά διαχωρίστηκε σε τρεις κατηγορίες
επικινδυνότητας, διαχωρίστηκε τελικά σε τέσσερις κατηγορίες για πρακτικούς λόγους και βάση
των απαιτήσεων των τελικών χρηστών (Πίνακας 2.3).
39
Πίνακας 2.3: Κλάσεις επικινδυνότητας πυρκαγιάς
Επικινδυνότητα ∆είκτης KBDI
Μικρή 0 - 999
Μέτρια 1000 - 1499
Υψηλή 1500 - 1750
Ακραία 1750 - 2000
2.4.6. Γαλλία
Η Γαλλική µέθοδος αναφέρεται και ως Αριθµητικό Ρίσκο (numerical risk) και βασίζεται στις
ηµερήσιες τιµές θερµοκρασίας αέρα, σχετικής υγρασίας, νεφοκάλυψης, ταχύτητας ανέµου και
της αρχικής ποσότητας νερού στο έδαφος (Bovio and Nosenzo 1994, Viegas et al. 1999). Για
τον υπολογισµό του δείκτη κινδύνου χρησιµοποιείται η εµπειρική σχέση:
I = 25 − ( FHR * CRES * CVENT ) / 15 + A
όπου Ι είναι ο ∆είκτης κινδύνου (Αριθµητικό Ρίσκο), FHR ο Συντελεστής που λαµβάνει υπόψη
θερµοκρασία αέρος, σχετική υγρασία, νεφοκάλυψη, ταχύτητα ανέµου και µια εκτίµηση της
θερµοκρασίας του βελονοτάπητα, CRES ο Συντελεστής που λαµβάνει υπόψη τις µεταβολές
στην ποσότητα του νερού στο έδαφος, CVENT ο Συντελεστής που λαµβάνει υπόψη την
ταχύτητα ανέµου και Α ο Συντελεστής που λαµβάνει υπόψη τον ενδεχόµενο ρυθµό εξάπλωσης
της πυρκαγιάς.
2.4.7. Πορτογαλία
Η Πορτογαλική µέθοδος είναι τροποποιηµένη µορφή του δείκτη Nesterov και βασίζεται σε 3
επιµέρους αριθµητικούς δείκτες (Bovio and Nosenzo 1994, Viegas et al. 1999). Ο πρώτος, που
αναφέρεται ως δείκτης ανάφλεξης, είναι συνάρτηση της θερµοκρασίας αέρος και της
αντίστοιχης θερµοκρασίας στο σηµείο δρόσου. Ο δεύτερος δείκτης βασίζεται στην
θερµοκρασία αέρος και τη σχετική υγρασία και είναι συσσωρευτικός, δηλαδή ορίζεται από το
άθροισµα των ηµερήσιων τιµών του, από την αρχή της αντιπυρικής περιόδου έως µια ηµέρα
πριν από την ηµέρα για την οποία υπολογίζεται, διορθωµένος µε ένα συντελεστή ο οποίος
λαµβάνει υπόψη την βροχόπτωση. Ο τρίτος δείκτης είναι το άθροισµα όλων των προηγούµενων
δεικτών, ο οποίος διορθώνεται µε ένα συντελεστή που λαµβάνει υπόψη την ταχύτητα και την
κατεύθυνση του ανέµου.
2.4.8. Ιταλία
Η ιταλική µέθοδος IREPI βασίζεται σε καθηµερινές τιµές της εν δυνάµει εξατµισοδιαπνοής

(ETP) και της πραγµατικής εξατµισοδιαπνοής (ETR) και υπολογίζεται µε την σχέση:
40
IREPI = (( ETP − ETR ) / ETR ) * 100
Χρησιµοποιώντας τη µέθοδο Penmans υπολογίζεται η καθηµερινή εν δυνάµει εξατµισοδιαπνοή

της βλάστησης µετρώντας συγκεκριµένες µετεωρολογικές παραµέτρους (ταχύτητα ανέµου,
σχετική υγρασία, θερµοκρασία περιβάλλοντος και κάλυψη νεφών) (Bovio and Nosenzo 1994,
Viegas et al. 1999).
2.4.9. Ισπανία
Η Ισπανική µέθοδος υπολογίζει την πιθανότητα έναρξης της πυρκαγιάς, βασιζόµενη στην
ατµοσφαιρική θερµοκρασία και τη σχετική υγρασία (Bovio and Nosenzo 1994). Οι Viegas et al.
(1999) συνέκριναν τον ισπανικό δείκτη µε τέσσερις από τους προαναφερθέντες δείκτες
(καναδικό, γαλλικό, πορτογαλικό, ιταλικό) που βασίζονται σε µετεωρολογικούς παράγοντες.
Χρησιµοποιήθηκαν στατιστικά δεδοµένα για ηµερήσιο αριθµό πυρκαγιών και καµένης έκτασης
σε έξι διαφορετικές περιοχές στη Γαλλία, Ισπανία, Ιταλία και Πορτογαλία, για µία περίοδο 3-9
χρόνων τόσο για πυρκαγιές του χειµώνα όσο και του καλοκαιριού. Όλες οι µέθοδοι έχουν στην
έξοδο έναν αριθµητικό δείκτη ο οποίος συνήθως µεταφράζεται, για πρακτικούς λόγους, σε µία
κλίµακα κινδύνου µε τρία έως πέντε επίπεδα. Για να συγκριθούν τα αποτελέσµατα,
κανονικοποιήθηκαν στο διάστηµα 0-100 σύµφωνα µε την σχέση:
I x' = 100 * ( I x − I min ) /( I max − I min )
όπου Ι’x είναι η κανονικοποιηµένη τιµή του δείκτη Ix, Imin η ελάχιστη τιµή του δείκτη Ix, και Imax
η µέγιστη τιµή του δείκτη Ix.
Τα αποτελέσµατα της σύγκρισης έδειξαν ότι η Καναδική µέθοδος έχει την καλύτερη απόδοση
σε συνθήκες καλοκαιριού, ενώ Ισπανική µέθοδος δίνει σχετικά καλά αποτελέσµατα σε
συνθήκες χειµώνα χωρίς να διαφοροποιείται από περιοχή σε περιοχή, αλλά κρίνεται ανεπαρκής
για το καλοκαίρι. Τα αποτελέσµατα της Πορτογαλικής µεθόδου ήταν καλά για τις συνθήκες
χειµώνα και σχεδόν καλά για το καλοκαίρι, για όλες τις δειγµατοληπτικές περιοχές.
2.4.10. Ευρωπαϊκή Ένωση
Η Ευρωπαϊκή Ένωση κατανοώντας την ύπαρξη του προβλήµατος των δασικών πυρκαγιών,
ιδιαίτερα στη νότια Ευρώπη, ίδρυσε το 1997 στο Κοινό Ερευνητικό Κέντρο (EC DG Joint
Research Centre) µια ερευνητική οµάδα για την ανάπτυξη και την εφαρµογή µεθόδων
εκτίµησης του κινδύνου πυρκαγιάς σε Ευρωπαϊκό επίπεδο. Η οµάδα αυτή ανέπτυξε δείκτες
στους οποίους περιλαµβάνονται, ως προς τη χρονική κλίµακα, στατικές και δυναµικές
παράµετροι (San-Miguel-Ayanz et al. 2003a). Στο Σχήµα 2.8 παρουσιάζεται η µεθοδολογία που
41
ακολουθήθηκε.
Σχήµα 2.8: Προτεινόµενη προσέγγιση εκτίµησης κινδύνου από το JRC
Η ανάπτυξη του συστήµατος εξελίχθηκε σε διάφορα στάδια (San-Miguel-Ayanz 2002) µε

αποτέλεσµα να δηµιουργηθεί το Ευρωπαϊκό Σύστηµα Πληροφοριών ∆ασικών Πυρκαγιών
(European Forest Fires Information System - EFFIS). Οι µακροπρόθεσµοι δείκτες κινδύνου του
JRC περιλαµβάνουν στατικές παραµέτρους όπως την τοπογραφία ή παραµέτρους που
µεταβάλλονται µε µικρό ρυθµό, τέτοιο ώστε να θεωρούνται σταθερές (Σχήµα 2.9). Η χρήση
των µακροπρόθεσµων δεικτών βοηθά στον καθορισµό των περιοχών µε υψηλό κίνδυνο οι
οποίες θα πρέπει να ενισχυθούν µε σταθερές υποδοµές και περιλαµβάνουν το:
• ∆είκτη Πιθανότητας Πυρκαγιάς
• ∆είκτη Ενδεχόµενης Ζηµίας (Τρωτότητας)
Ο ∆είκτης Πιθανότητας Πυρκαγιάς περιλαµβάνει µεταβλητές όπως την καύσιµη ύλη, την
τοπογραφία και τους κοινωνικο-οικονοµικούς παράγοντες, ενώ η συσχέτιση των παραµέτρων
γίνεται µε υποκειµενικά κριτήρια (Chandler et al. 1991). Ο ∆είκτης Τρωτότητας υπολογίζει την
ενδεχόµενη ζηµιά που θα προκληθεί από µια πυρκαγιά και λαµβάνει υπόψη κριτήρια όπως
περιοχές µε περιβαλλοντικό ενδιαφέρον, περιοχές µε προβλήµατα έλλειψης νερού και
διάβρωσης καθώς και περιοχές κοντά σε κατοικίες.
42
Σχήµα 2.9: Μακροπρόθεσµος ∆είκτης Κινδύνου για τη νότια Ευρώπη
Οι δυναµικοί δείκτες που αναπτύχθηκαν από το JRC εκτιµούν την πιθανότητα έναρξης
πυρκαγιάς και τη δυνατότητα διάδοσής της. Οι δείκτες αυτοί βασίζονται κυρίως στην
κατάσταση της βλάστησης η οποία περιγράφεται άµεσα µέσω µετεωρολογικών παραµέτρων ή
έµµεσα µέσω της ανάλυσης δεικτών βλάστησης που υπολογίζονται από τηλεπισκοπικά
δεδοµένα (Illera et al. 1996a). ∆εν έχει αναπτυχθεί κάποιος καινούργιος µετεωρολογικός
δείκτης αλλά υπολογίζονται δείκτες που χρησιµοποιούνται σε επιµέρους κράτη και
συγκεκριµένα ο Καναδικός, ο Πορτογαλικός, ο Ισπανικός, ο Γαλλικός και ο Ιταλικός
Μετεωρολογικός ∆είκτης Κινδύνου. Τέλος, χρησιµοποιώντας µετεωρολογικές παρατηρήσεις
και τηλεπισκοπικά δεδοµένα υπολογίζεται σε ευρωπαϊκό επίπεδο ο ∆είκτης ∆υνητικών
Πυρκαγιών (Sebastian et al. 2002).
2.5. Ερευνητικές προσεγγίσεις στην εκτίµηση κινδύνου πυρκαγιών
2.5.1. Τηλεπισκόπηση και εκτίµηση κινδύνου πυρκαγιών
Η διεθνής επιστηµονική κοινότητα καταβάλλει συνεχώς προσπάθειες για την διαχείριση των
δασικών πυρκαγιών ερευνώντας νέους τρόπους πρόληψης και καταστολής. Η Ευρωπαϊκή
Ένωση έχει χρηµατοδοτήσει από το 1990, πληθώρα ερευνητικών προγραµµάτων σχετικά µε τις
δασικές πυρκαγιές. (Eftichidis 1999, Moreno 1999, Viegas 1999). Τα περισσότερα από αυτά
είχαν ως σκοπό:
• Τη µοντελοποίηση συµπεριφοράς φωτιάς (π.χ., MEFISTO, PRINCE, DYNFFP,

EFAISTOS).
• Τη µοντελοποίηση καύσιµης ύλης (π.χ., PROMETHEUS).
• Τη δορυφορική ανίχνευση και χαρτογράφηση της εξέλιξης της πυρκαγιάς (π.χ.,
43
MEGAFIRES).
• Το σχεδιασµό ενεργειών πρόληψης και προκαταστολής δασικών πυρκαγιών (π.χ.,

FOMFIS).
• Την επίγεια αυτόµατη ανίχνευση δασικών πυρκαγιών (π.χ., AFFIRM, EPOCH40).
• Την οικολογική σηµασία και τις επιπτώσεις των δασικών πυρκαγιών (π.χ.,
PROMETHEUS).
Σε παγκόσµιο επίπεδο, έχει δηµοσιευτεί πλήθος εργασιών σχετικά µε την εκτίµηση κινδύνου
πυρκαγιών ενώ πολλές χώρες έχουν εκµεταλλευτεί τα αποτελέσµατα ερευνών για
επιχειρησιακή εφαρµογή τους. Η πλειονότητα των συστηµάτων βασίζεται σε µετεωρολογικά
δεδοµένα που συλλέγονται από µετεωρολογικούς σταθµούς, όπως θερµοκρασία αέρος, υγρασία
αέρος και ταχύτητα ανέµου (Van Wagner 1987, Carrega 1991, Chuvieco 1997), ενώ
διαφορετική προσέγγιση ακολουθείται στο είδος των µεταβλητών που λαµβάνονται υπόψη, την
κλίµακα και τις σχέσεις που διασυνδέουν τις µεταβλητές.
Η βραχυπρόθεσµη εκτίµηση του κινδύνου πυρκαγιών είναι στενά συνυφασµένη µε τις καιρικές
συνθήκες οι οποίες επηρεάζουν την κατάσταση της βλάστησης. Αρκετοί ερευνητές
χρησιµοποιούν τον δέκτη AVHRR της NOAA για να παρακολουθούν την έλλειψη νερού στη
βλάστηση, αντικαθιστώντας έτσι την δειγµατοληψία από µετεωρολογικούς σταθµούς
(Chuvieco et al. 1999). Η υψηλή διαχρονική ανάλυση και η πολύ καλή φασµατική πληροφορία
(ορατό, κοντινό υπέρυθρο, µέσο υπέρυθρο και θερµικό υπέρυθρο) καθιστούν τον δέκτη αυτό
αρκετά αποτελεσµατικό για τον υπολογισµό δεικτών βλάστησης, περιεχόµενης υγρασίας
βλάστησης και επιφανειακής θερµοκρασίας εδάφους (Tucker and Sellers 1986, Vidal and
Perrier 1990, Lopez et al. 1991, Vidal 1991, Kerr et al. 1992, Gu et al. 1994, Vidal et al. 1994,
Maselli et al. 2003).
Τέσσερις κύριες µέθοδοι χρησιµοποιούνται για τον συσχετισµό των τηλεπισκοπικών δεδοµένων
και της εκτίµησης του κινδύνου πυρκαγιών, οι περισσότερες των οποίων βασίζονται στη µελέτη
διαχρονικών δεδοµένων δεικτών βλάστησης κυρίως του NDVI (Burgan and Hartford 1988,
Paltridge and Barber 1988, Lopez et al. 1991, Burgan and Hartford 1993, Dominguez et al.
1994, Alonso et al. 1996, Paronis et al. 1997 Leblon et al. 2001). Ο κανονικοποιηµένος δείκτης
βλάστησης NDVI (Normalized Difference Vegetation Index, NDVI) υπολογίζεται µε τη σχέση:
NIR − R
NDVI =
NIR + R
όπου NIR είναι η ανακλαστικότητα στο κοντινό υπέρυθρο και R η ανακλαστικότητα στο
ερυθρό.
44
Η διαφορά της ανακλαστικότητας σε αυτά τα κανάλια αποτελεί ένα µέσο παρακολούθησης της
πυκνότητας και της υγείας της βλάστησης. Η ύπαρξη της χλωροφύλλης στα φύλλα έχει ως
αποτέλεσµα τη µεγαλύτερη αντανάκλαση της ηλεκτροµαγνητικής ακτινοβολίας στην περιοχή
του κοντινού υπέρυθρου από ό,τι στο ορατό. Όταν υπάρχει έλλειψη νερού η βλάστηση
αρρωσταίνει, µειώνεται η ποσότητα χλωροφύλλης στα φύλλα και αντανακλά πολύ λιγότερο στο
κοντινό υπέρυθρο. Τα σύννεφα, το νερό και τα χιόνια έχουν µεγαλύτερη ανακλαστικότητα στο
ορατό από ό,τι στο κοντινό υπέρυθρο ενώ η διαφορά είναι σχεδόν µηδενική για τα πετρώµατα
και το γυµνό έδαφος. Ο NDVI για την βλάστηση τυπικά παίρνει τιµές από 0.1 έως 0.6 όπου οι
υψηλότερες τιµές σχετίζονται µε την έντονη πυκνότητα και την αυξηµένη χλωροφύλλη στο
φύλλωµα. Το έδαφος και τα πετρώµατα έχουν τιµή κοντά στο µηδέν, ενώ οι περιοχές µε νερό
έχουν αρνητικές τιµές. Φαινόµενα σκεδασµού από σκόνη και αερολύµατα, υψηλές τιµές ύψους
ηλίου και υψηλές τιµές γωνιών σάρωσης αυξάνουν την ανακλαστικότητα στο ερυθρό σε σχέση
µε το κοντινό υπέρυθρο µε αποτέλεσµα την µείωση του υπολογιζόµενου NDVI.
Η δεύτερη κατηγορία µεθόδων χρήσης τηλεπισκοπικών δεδοµένων στην εκτίµηση του

κινδύνου βασίζεται στις θερµικές ιδιότητες της βλάστησης ως δείκτες έλλειψης νερού µέσω του
συσχετισµού των µετεωρολογικών δεδοµένων και του υπολογισµού της εξατµισοδιαπνοής
(Vidal et al. 1994, Desbois and Vidal 1996, Di Bella et al. 2000).
Η τρίτη κατηγορία µεθόδων βασίζεται στο συνδυασµό δεικτών βλάστησης και δεδοµένων στο
θερµικό υπέρυθρο, ενώ η τέταρτη κατηγορία περιλαµβάνει συσχετισµό δεδοµένων Radar και
περιεχόµενης υγρασίας (Nemani and Running 1989, Prosper-Laget et al. 1994, Prosper-Laget et
al. 1995, Vidal and Devaux-Ros 1995, Illera et al. 1996b, Bourgeau-Chavez et al. 1999, Kant
and Badarinath 2000).
Oι Burgan et al. (1998), σε συνεργασία µε το Κέντρο ∆ορυφορικών ∆εδοµένων EROS,

ανέπτυξαν και προτείνουν τον ∆είκτη ∆υνητικών Πυρκαγιών (Fire Potential Index-FPI) ο
οποίος βασίζεται όχι µόνο σε επίγειες παρατηρήσεις αλλά και σε δορυφορικές για την
δηµιουργία ενός Αµερικανικού συστήµατος νέας γενιάς προς αντικατάσταση του NFDRS. Ο
δείκτης FPI βασίζεται στις κάτωθι υποθέσεις:
• Οι δυνητικές πυρκαγιές µπορούν να εκτιµηθούν αν καθοριστεί η αναλογία της

ζωντανής βλάστησης και είναι γνωστό το πόσο κοντά είναι η περιεχόµενη υγρασία της
λεπτής καύσιµης ύλης στην υγρασία σβησίµατος.
• Το πράσινο χρώµα της βλάστησης εξαρτάται από την ποσότητα της περιεχόµενης
υγρασίας στη ζωντανή βλάστηση.
• Η περιεχόµενη υγρασία καύσιµης ύλης χρονικής υστέρησης 10 ωρών (περιεχόµενη
45
υγρασία καύσιµης ύλης 10-h ΧΥ) πρέπει να χρησιµοποιηθεί για την απεικόνιση νεκρής
βλάστησης γιατί η περιεχόµενη υγρασία της µικρού µεγέθους νεκρής καύσιµη ύλης
είναι σηµαντική για τη διάδοση της πυρκαγιάς. Οι 10 ώρες αναφέρονται στο χρόνο που
χρειάζεται η καύσιµη ύλη να χάσει ή να κερδίσει το 63% της διαφοράς µεταξύ της
πραγµατικής περιεχόµενης υγρασίας της καύσιµης ύλης και της αντισταθµιστικής
υγρασίας (equilibrium moisture content –EMC) σε σταθερή θερµοκρασία και σχετική
υγρασία ατµόσφαιρας. Αντιστοιχεί σε ξύλο νεκρής καύσιµης ύλης διαµέτρου 0,6 – 2,5
cm.
• Ο άνεµος δεν πρέπει να συµπεριληφθεί στο µοντέλο λόγω της παροδικότητας του.
Έτσι, οι µεταβλητές εισόδου στο µοντέλο είναι ένας χάρτης καύσιµης ύλης µε ανάλυση 1 km
στον οποίο απεικονίζεται η υγρασία σβησίµατος της νεκρής καύσιµης ύλης, το µέγιστο
ποσοστό της ζωντανής καύσιµης ύλης, η σχετική τιµή πρασίνου (Relative Greenness-RG), η
οποία βασίζεται στο δείκτη βλάστησης NDVI και η περιεχόµενη υγρασία καύσιµης ύλης 10-h
ΧΥ.
Το µέγιστο ποσοστό της ζωντανής καύσιµης ύλης υπολογίζεται σύµφωνα µε τη σχέση:
LRmx = 35 + 40 * ( NDmx − 100) / 80
όπου LRmx είναι το µέγιστο ποσοστό της ζωντανής καύσιµης ύλης για κάθε pixel και NDmx η
ιστορικά µέγιστη τιµή του NDVI για κάθε εικονοστοιχείο.
Για την εισαγωγή των τιµών του NDVI στην παραπάνω σχέση µετατρέπεται αρχικά η κλίµακά
τους αφού πολλαπλασιαστούν οι αρχικές τιµές µε το 100 και προσθέτοντας 100 έτσι ώστε οι
τιµές του LRmx να είναι στο διάστηµα 0-255.
Η σχετική τιµή πρασίνου RG υπολογίζεται σύµφωνα µε την σχέση:
RG = ( NDo − NDmn ) /( NDmx − NDmn ) * 100
όπου NDo είναι η µεγαλύτερη παρατηρούµενη τιµή NDVI για περίοδο µιας εβδοµάδας, NDmn η
ιστορικά ελάχιστη τιµή NDVI για το συγκεκριµένο εικονοστοιχείο και NDmx η ιστορικά µέγιστη
τιµή NDVI για το συγκεκριµένο εικονοστοιχείο.
Η περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ βασίζεται σε µετρήσεις θερµοκρασίας,

σχετικής υγρασίας και στην κατάσταση του µετεωρολογικού σταθµού (νεφοκάλυψη,
βροχόπτωση), ενώ η χωρική κατανοµή της µεταβλητής σε ανάλυση 1 km, γίνεται µε παρεµβολή
αντιστρόφου βαρύνουσας απόστασης.
46
Βάσει των παραπάνω στοιχείων, ο δείκτης FPI υπολογίζεται σύµφωνα µε την ακολουθία των
σχέσεων:
RG f = RG / 100
LR = RG f * LR mx / 100
TN f = ( FM 10 − 2) /( MX d − 2)
FPI = (1 − TN f ) * (1 − LR ) * 100
όπου FPI είναι ο ∆είκτης ∆υνητικών πυρκαγιών, TNf η κλασµατική περιεχόµενη υγρασία
καύσιµης ύλης 10-h ΧΥ, FM10 η περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ (%) και MXd η
υγρασία σβησίµατος νεκρής καύσιµης ύλης (%).
Ο δείκτης βλάστησης NDVI από το δέκτη AVHRR έχει χρησιµοποιηθεί ως µέσο εκτίµησης του
κινδύνου πυρκαγιών και από άλλους ερευνητές. Οι Gonzalez-Alonzo et al. (1997) βασίστηκαν
σε µέγιστες εβδοµαδιαίες τιµές NDVI για τον υπολογισµό του κινδύνου. Έπειτα από την
προεπεξεργασία των εικόνων η οποία συµπεριλαµβάνει ραδιοµετρική, ατµοσφαιρική, και
γεωµετρική διόρθωση (Kaufman and Holben 1993, Illera et al. 1996b,), αποµόνωσαν τις
δασικές περιοχές χρησιµοποιώντας το χάρτη χρήσεων γης CORINE. Σε δύο εικόνες µέγιστης
εβδοµαδιαίας τιµής NDVI µε χρονική διαφορά ενός µήνα, πραγµατοποίησαν µη επιβλεπόµενη
ταξινόµηση διακρίνοντας 12 τάξεις σύµφωνα µε τη µέση τιµή NDVI και αναγνώρισαν ως
περιοχές υψηλού κινδύνου τις τάξεις των οποίων η µέση τιµή µειώθηκε περισσότερο από 10%
µεταξύ των δύο περιόδων. Πραγµατοποιώντας δοκιµές συσχετισµού µεταξύ των περιοχών που
κατατάχθηκαν ως υψηλού ρίσκου και των περιοχών που επλήγησαν, βρέθηκε στατιστικά
σηµαντική συσχέτιση, δηλαδή η συχνότητα εµφάνισης των πυρκαγιών στις περιοχές υψηλού
κινδύνου ήταν µεγαλύτερη από ό,τι στις υπόλοιπες.
Αντίθετα, οι Leblon et al. (2001) για να αξιολογήσουν το NDVI ως µέσο εκτίµησης κινδύνου,
συνέκριναν τις ηµερήσιες τιµές NDVI και ένα αθροιστικό δείκτη ΣNDVI από τον δέκτη
AVHRR µε τον Μετεωρολογικό ∆είκτη Κινδύνου (FWI) του καναδικού συστήµατος εκτίµησης
κινδύνου πυρκαγιών (CFFDRS). ∆ιαπιστώθηκε σηµαντική συσχέτιση µεταξύ του NDVI και
ΣNDVI µε τον FWI η οποία εξηγείται από το γεγονός ότι τόσο τα φασµατικά δεδοµένα όσο και
ο FWI έχουν την ίδια εποχιακή διακύµανση και όχι στην απευθείας σχέση µεταξύ του NDVI µε
την περιεχόµενη υγρασία των καυσίµων, διότι ο NDVI σχετίζεται περισσότερο µε την
χλωροφυλλική δραστηριότητα της βλάστησης παρά µε τις συνθήκες ξηρασίας.
Το ίδιο συµπέρασµα προκύπτει και από την ανασκόπηση της παρακολούθησης του κινδύνου
47
δασικής πυρκαγιάς µε τη χρήση τηλεπισκοπικών δεδοµένων που πραγµατοποιήθηκε από τη
Leblon (2005). Στην έρευνα αυτή χρησιµοποιήθηκαν δεδοµένα τόσο από πολυφασµατικούς
δέκτες όσο και από ραντάρ. Το συµπέρασµα είναι ότι ο NDVI, αν και χρησιµοποιείται
επιχειρησιακά για τη χαρτογράφηση του δυνητικού κινδύνου πυρκαγιάς, δεν επηρεάζεται από
την περιεχόµενη υγρασία της καύσιµης ύλης. Αντίθετα, η θερµοκρασία εδάφους η οποία µπορεί
να εξαχθεί από το θερµικό υπέρυθρο δίαυλο καταγραφής του δέκτη AVHRR σχετίζεται µε
µεταβλητές που περιγράφουν την υγρασία εδάφους, όπως είναι η εξατµισοδιαπνοή.
Ο Μετεωρολογικός ∆είκτης Κινδύνου (FWI) χρησιµοποιήθηκε και από άλλους ερευνητές. Οι

Bourgeau-Chavez et al. (1999) τον χρησιµοποίησαν ως µέτρο σύγκρισης για τη µέτρηση της
περιεχόµενης υγρασίας της καύσιµης ύλης µέσω Ραντάρ Συνθετικής Απεικόνισης (Synthetic
Aperture Radar – SAR). Εφαρµόζοντας τη µέθοδο της πολλαπλής παλινδρόµησης διαπίστωσαν
σηµαντική συσχέτιση µεταξύ της έντασης του επιστρεφόµενου σήµατος του ραντάρ και του
FWI. Στο ίδιο συµπέρασµα κατέληξε και η Leblon (2005) η οποία χρησιµοποίησε τους δέκτες
ERS-1 και Radarsat.
Εκτός από τα ραντάρ τύπου SAR, οι δέκτες που βασίζονται στην τεχνολογία IfSAR
(Interferometric SAR) και LiDAR µπορούν να παρέχουν συµπληρωµατικές πληροφορίες που
λαµβάνονται υπόψη σε ένα σύστηµα εκτίµησης κινδύνου, όπως είναι τα Ψηφιακά Μοντέλα
Εδάφους (Mercuri et al. 2006) καθώς και η τρισδιάστατη απεικόνιση της βιοµάζας που
βρίσκεται πάνω από το έδαφος (Drake et al. 2002). Οι Hyde et al. (2007) δοκίµασαν, σε ανοιχτό
δάσος πεύκης, τις δύο παραπάνω τεχνολογίες για την εκτίµηση της βιοµάζας. Σύµφωνα µε τα
αποτελέσµατά τους, την καλύτερη εκτίµηση παρείχε ο δέκτης LiDAR, ενώ µια πιθανή
χρησιµοποίηση και των δύο δεκτών µαζί δεν βελτίωσαν τα αποτελέσµατα. Σηµαντικό
µειονέκτηµα των δεκτών LiDAR σε σύγκριση µε τους δέκτες IfSΑR, αποτελεί η µικρή τους
κάλυψη µε αποτέλεσµα να χρειάζονται περισσότερες πτήσεις πάνω από την περιοχή µελέτης
(Balzter et al. 2007).
Η χρήση των ραντάρ, εκτός από τα πλεονεκτήµατα, παρουσιάζει και ορισµένες αδυναµίες
(Leblon 2005). ∆εν παρέχει τη δυνατότητα λήψης καθηµερινών δεδοµένων Radar καθώς επίσης
και οι διάφοροι παράγοντες που δεν σχετίζονται µε την υγρασία µπορούν να επηρεάσουν το
επιστρεφόµενο σήµα. Τέλος, οι δέκτες που χρησιµοποιούνται επιχειρησιακά σήµερα
λειτουργούν σύµφωνα µε τους νόµους της ελεύθερης αγοράς, και συνεπώς η µεθοδολογία είναι
ακριβότερη σε σύγκριση µε τους πολυφασµατικούς δέκτες.
Χρησιµοποιώντας το δείκτη βλάστησης NDVI και την επιφανειακή θερµοκρασία εδάφους Τs,
οι Prosper-Laget et al. (1994) προσδιόρισαν έναν δείκτη δασικών πυρκαγιών από το δέκτη
AVHRR και προσπάθησαν να ερµηνεύσουν τις δύο παραµέτρους βάσει της έλλειψης νερού στο
48
έδαφος και στη βλάστηση. ∆ιαπιστώθηκε ότι υπάρχει αντίθετη γραµµική συσχέτιση µεταξύ
NDVI και Ts, µε το NDVI να παίρνει µέγιστη τιµή στα τέλη της άνοιξης και στη συνέχεια, στα
µέσα του καλοκαιριού να µειώνεται στο ελάχιστο. Αντίθετα, η Ts παρουσιάζει µέγιστη τιµή
στα µέσα του καλοκαιριού, η οποία οφείλεται στο φαινόµενο της εξατµισοδιαπνοής. Όταν το
υπόστρωµα είναι εφοδιασµένο µε νερό, µέρος της ηλιακής ακτινοβολίας χρησιµοποιείται στη
διαδικασία της εξατµισοδιαπνοής, ενώ, όταν στο υπόστρωµα παρατηρείται έλλειψη νερού,
µειώνεται η εξατµισοδιαπνοή και αυξάνεται η θερµοκρασία. Έτσι, όταν το έλλειµµα νερού στο
υπόστρωµα αυξάνεται, αυξάνεται και η τιµή του δείκτη Τs. Εφαρµόζοντας ορθογώνια
παλινδρόµηση σε γράφηµα Τs-NDVI διαχωρίστηκαν 5 τάξεις, όπου η πρώτη περιέχει τις
υψηλές τιµές του δείκτη NDVI και τις χαµηλές του δείκτη Τs και η πέµπτη περιέχει τις χαµηλές
τιµές του δείκτη NDVI και τις υψηλές του δείκτη Τs. Στις τάξεις αυτές αποδόθηκαν ποιοτικοί
δείκτες κινδύνου.
2.5.2. Συστήµατα Γεωγραφικών Πληροφοριών (ΣΓΠ) και εκτίµηση κινδύνου πυρκαγιών
Για την αποτελεσµατικότερη εκτίµηση του κινδύνου πυρκαγιάς χρειάζεται αρχικά να

προσδιοριστούν η χωρική και η διαχρονική ανάλυση (Cardille and Ventura 2001, Preisler et al.
2004). Από τη µια πλευρά, η χωρική ανάλυση µπορεί να είναι µεταξύ τοπικής και παγκόσµιας
κλίµακας και εξαρτάται από τον τελικό χρήστη που θα χρησιµοποιήσει το σύστηµα της
εκτίµησης ως διαχειριστικό εργαλείο στο στάδιο της πρόληψης. Από την άλλη πλευρά η
χρονική ανάλυση αφορά στη βραχυπρόθεσµη, µεσοπρόθεσµη ή µακροπρόθεσµη εκτίµηση του
κινδύνου. Η βραχυπρόθεσµη χρησιµοποιείται στην έκτακτη λήψη αποφάσεων σχετικά µε την
πρόληψη, όπως η διασπορά κατασταλτικών δυνάµεων, ενώ η µεσοπρόθεσµη και
µακροπρόθεσµη εκτίµηση χρησιµοποιούνται στον ευρύτερο σχεδιασµό µιας ή περισσοτέρων
αντιπυρικών περιόδων.
Βάσει των όσων αναφέρθηκαν παραπάνω, η χρήση των Συστηµάτων Γεωγραφικών

Πληροφοριών (ΣΓΠ) κρίνεται αναγκαία για την εκτίµηση του κινδύνου. Τα ΣΓΠ έχουν την
ικανότητα να διαχειρίζονται αποτελεσµατικά τόσο τις χωρικές όσο και τις διαχρονικές
µεταβλητές µε αποτέλεσµα να έχουν χρησιµοποιηθεί ευρέως (Cosentino et al. 1981, Burgan and
Shasby 1984, Chuvieco and Congalton 1989, Van Wyngarden and Dixon 1989, Chou 1990,
Chou 1992a, Chou 1992b, Vega-Garcia et al. 1993, Salas and Chuvieco 1994, Salas et al. 1994,
Simard 1994, Vasconcelos et al. 1994, Chuvieco 1997, Sneeuwjagt 1998, Καλαµποκίδης και
Κούτσιας 2000, Zerger 2002, Chen et al. 2003).
Οι µεταβλητές που συνήθως λαµβάνονται υπόψη σε εφαρµογές ΣΓΠ για την προτυποποίηση
της εκτίµησης του κινδύνου είναι (Klaver et al. 1990, Chuvieco 1997, Langhart et al 1998):
49
• Τοπογραφία (υψόµετρο, κλίση, έκθεση)
• Βλάστηση (µοντέλα καύσιµης ύλης, υγρασία καύσιµης ύλης)
• Μετεωρολογικές συνθήκες (θερµοκρασία, σχετική υγρασία, άνεµος και βροχόπτωση)
• Εγγύτητα στο οδικό δίκτυο
• Απόσταση από τους οικισµούς
• Ιστορικά στοιχεία πυρκαγιών
Από τις παραπάνω µεταβλητές, η βλάστηση είναι η πιο περίπλοκη στη χαρτογράφηση.
∆ιαφορετικά είδη βλάστησης δεν συνεπάγονται απαραίτητα διαφορετικό κίνδυνο στην
εµφάνιση πυρκαγιάς. Περιοχές µε τα ίδια είδη βλάστησης µπορούν να έχουν διαφορετικό
κίνδυνο λόγω µορφολογίας (ύψος, πυκνότητα), κατάστασης (περιεχόµενη υγρασία) και
ποσότητας της βλάστησης. Αυτή η διαφοροποίηση συνοψίζεται στα διαφορετικά µοντέλα
καύσιµης ύλης (Deeming et al. 1977, Andrews 1986). Ένα µοντέλο καύσιµης ύλης ορίζεται από
την ταξινόµηση των ειδών βλάστησης σύµφωνα µε τις φυσικο-χηµικές ιδιότητές τους κατά την
καύση (Anderson 1982, Stamou et al. 1998).
Εκτός από το είδος και την κατάσταση της βλάστησης, ο ανθρώπινος παράγοντας έχει µεγάλη
σηµασία στην εκτίµηση του κινδύνου, κυρίως στις Μεσογειακές χώρες όπου αποτελεί µια από
τις κύριες αιτίες έναρξης δασικών πυρκαγιών είτε από απροσεξία είτε από εµπρησµό. Η χωρική
ανάλυση της ανθρώπινης επικινδυνότητας είναι αρκετά περίπλοκη λόγω της δυσκολίας να
απεικονισθούν χωρικά οι ανθρώπινες δραστηριότητες (Vega-Garcia et al. 1993). Η κύρια
µέθοδος που χρησιµοποιείται για τη χαρτογράφηση του κινδύνου λόγω της ανθρώπινης
παρουσίας είναι η συσχέτιση της χωρικής κατανοµής της έναρξης των πυρκαγιών µε την
εγγύτητα σε ανθρώπινες δραστηριότητες (Chuvieco and Congalton 1989, Salazar 1990, Vega-
Garcia et al. 1993, Bovio and Camia 1994, Chuvieco and Salas 1996).
Όσον αφορά στις µετεωρολογικές µεταβλητές, το κύριο πρόβληµα έγκειται στην χωρική τους
κατανοµή λαµβάνοντας σηµειακές µετρήσεις. Για την χωρική παρεµβολή τον κλιµατολογικών
δεδοµένων χρησιµοποιούνται κυρίως τέσσερις µέθοδοι (Taylor and Waite 1980, Fujioka 1983,
Carrega 1990, Chuvieco 1997):
• Πολύγωνα Thiessen
• Μέση βαρύνουσα απόσταση
• Παρεµβολή Kriging
• Πολλαπλή παλινδρόµηση µε τη χρήση και άλλων µεταβλητών (π.χ. υψόµετρο,
50
γεωγραφικό µήκος και πλάτος) (Καλαµποκίδης και Κούτσιας 2000)
Οι τρεις αρχικές µέθοδοι βασίζονται στην απόσταση, ενώ η τελευταία προϋποθέτει ότι υπάρχει
συσχέτιση µεταξύ των µετεωρολογικών µεταβλητών και κάποιων άλλων παραµέτρων όπως το
υψόµετρο. Μεγαλύτερη δυσκολία παρουσιάζεται στη χωρική κατανοµή του ανέµου, λόγω της
ροής του και της δυσκολίας να µοντελοποιηθεί σε ένα σύνθετο ανάγλυφο (McCutchan and Fox
1986, Ross et al. 1988). Για την χωρική κατανοµή µετεωρολογικών δεδοµένων σε περιοχές µε
σύνθετη και περίπλοκη τοπογραφία, έχουν αναπτυχθεί µοντέλα τρισδιάστατης κατανοµής
µετεωρολογικών παραµέτρων τα οποία βασίζονται στο Ψηφιακό Μοντέλο Εδάφους και
σηµειακές µετρήσεις από µετεωρολογικούς σταθµούς (Running and Thornton 1996).
Οι περισσότερες ερευνητικές προσεγγίσεις διαφοροποιούνται στις παραµέτρους που λαµβάνουν

υπόψη και στον τρόπο συσχέτισής τους µε την εκτίµηση του κινδύνου. Οι Bovio and Camia
(1997) χρησιµοποιώντας ΣΓΠ ανέπτυξαν µια µεθοδολογία εκτίµησης του κινδύνου σε µικρή
κλίµακα βασιζόµενη στην ταξινόµηση γεωγραφικών περιοχών µε βάση το ιστορικό πυρκαγιών
της κάθε περιοχής. Η µέθοδος οµαδοποίησης δεδοµένων που χρησιµοποιήθηκε κατά την
ταξινόµηση ήταν η ιεραρχική συσσώρευση η οποία επιτυγχάνει την ελάχιστη διακύµανση για
κάθε οµάδα δεδοµένων.
Οι Alcazar et al. (1998) χρησιµοποίησαν µεθόδους πολυκριτηριακής ανάλυσης για την

εκτίµηση της διακινδύνευσης και της επικινδυνότητας. Οι µεταβλητές που χρησιµοποίησαν για
την εκτίµηση της διακινδύνευσης ήταν αποστάσεις από περιοχές που σχετίζονται µε ανθρώπινη
παρουσία ή δραστηριότητες ενώ για την εκτίµηση της επικινδυνότητας έλαβαν υπόψη την
κλίση του εδάφους, τα µοντέλα καύσιµης ύλης, την πυκνότητα των δρόµων και την απόσταση
από σηµεία ανεφοδιασµού νερού. Για την εξαγωγή των βαρών κάθε µεταβλητής
χρησιµοποιήθηκε η Αναλυτική ∆ιαδικασία Ιεράρχησης (Analytical Hierarchy Process), κατά
την οποία πραγµατοποιήθηκε σύγκριση ανά δύο µεταβλητές ή κριτήρια από οµάδες ατόµων
εξειδικευµένων σε δασικές πυρκαγιές (πανεπιστήµια, δηµόσιες και ιδιωτικές υπηρεσίες).
Την εκτίµηση του κινδύνου πυρκαγιών µέσω της διακινδύνευσης και της επικινδυνότητας
χρησιµοποίησαν και οι Salas και Chuvieco (1994). Αν και χρησιµοποίησαν το ιστορικό των
πυρκαγιών, εφάρµοσαν αυθαίρετα βάρη για κάθε µεταβλητή λαµβάνοντας υπόψη τη σχετική
σηµασία της και δηµιούργησαν τις εξής σχέσεις:
IR = 4 * H + 3 * V + 2 * I − E
όπου IR είναι ο κίνδυνος ανάφλεξης, Η ο ανθρώπινος παράγοντας, V η βλάστηση, Ι η ηλιακή

ακτινοβολία και Ε το υψόµετρο
και
51
BR = 5 * V + 4 * S + 3 * A − E − FB
όπου BR είναι ο Κίνδυνος Συµπεριφοράς Πυρκαγιάς, V τα µοντέλα καύσιµης ύλης, S η Κλίση

εδάφους, Α η Έκθεση εδάφους, Ε το Υψόµετρο και FB τα Σηµεία ανάσχεσης πυρκαγιάς
Για την σύνθεση των δύο χαρτών κατηγοριοποιήθηκαν οι τιµές των δεικτών IR και BR
σύµφωνα µε την µέση τιµή και την τυπική απόκλιση τους σε τέσσερις ποιοτικές κατηγορίες
(Πολύ Υψηλός, Υψηλός, Μέσος, Χαµηλός) και χρησιµοποιήθηκε ο Πίνακας 2.4 για τον τελικό
δείκτη κινδύνου.
Πίνακας 2.4: Τελικός δείκτης κινδύνου των Salas and Chuvieco (1994)
Κίνδυνος Συµπεριφοράς Πυρκαγιάς
Κίνδυνος ανάφλεξης Πολύ Υψηλός Υψηλός Μέσος Χαµηλός
Πολύ Υψηλός Πολύ Υψηλός Πολύ Υψηλός Μέσος Μέσος
Υψηλός Πολύ Υψηλός Υψηλός Μέσος Μέσος
Μέσος Υψηλός Υψηλός Μέσος Χαµηλός
Χαµηλός Μέσος Μέσος Χαµηλός Χαµηλός
Τα τελευταία χρόνια άρχισαν να εφαρµόζονται νέες τεχνικές για την πρόβλεψη µιας
εξαρτηµένης µεταβλητής, όπως είναι η εµφάνιση της πυρκαγιάς, η οποία βασίζεται σε µια
σειρά ανεξάρτητων παρατηρήσεων· µια από αυτές είναι η λογιστική παλινδρόµηση, η οποία
χρησιµοποιείται για την εκτίµηση της πιθανότητας εµφάνισης ενός γεγονότος. Η εξαρτηµένη
µεταβλητή είναι δυαδική και εκφράζεται µε 0 ή 1 (Bachmann and Allgower 1998, Κούτσιας και
Καρτέρης 1999, Καλαµποκίδης και Κούτσιας 2000, Kalabokidis et al. 2007). Το λογιστικό
µοντέλο δίνεται από τη σιγµοειδή συνάρτηση:
1
f ( z) = − ( b0 + b1 X 1 + b2 X 2 +...+ bk X k )
1+ e
όπου Χ1,Χ2,..ΧΚ είναι οι ποιοτικές ή ποσοτικές ανεξάρτητες µεταβλητές και b0,b1,…bK οι

εκτιµούµενοι συντελεστές. Τη λογιστική παλινδρόµηση χρησιµοποίησαν και οι Preisler et al.
(2004) για να εκτιµήσουν την πιθανότητα: (α) έναρξης πυρκαγιάς, (β) µια πυρκαγιά, υπό
συνθήκες, να εξελιχθεί σε µεγάλη πυρκαγιά και (γ) µια πυρκαγιά, χωρίς συνθήκες, να εξελιχθεί
σε µεγάλη πυρκαγιά. Το µοντέλο εφαρµόστηκε σε περιοχές 1 km2 και σύµφωνα µε τη δοµή του
και τις µεταβλητές που λήφθηκαν υπόψη, µπορούσαν να απαντηθούν ερωτήσεις σχετικά µε τον
αναµενόµενο αριθµό πυρκαγιών ή αναµενόµενο αριθµό µεγάλων πυρκαγιών. Πρέπει να
σηµειωθεί ότι, σύµφωνα µε τα συµπεράσµατα, η παρεµβολή του πλησιέστερου γείτονα -η
οποία χρησιµοποιήθηκε για τις µετεωρολογικές παραµέτρους- δεν κρίθηκε ικανοποιητική, ενώ
ως εναλλακτικές λύσεις προτείνονται η χρήση είτε ενός πυκνότερου δικτύου µετεωρολογικών
σταθµών ή µετεωρολογικών δορυφόρων είτε η χρήση δεδοµένων από µοντέλα προσοµοίωσης
κλιµατικών συνθηκών. Στην αξιολόγηση του κλιµατικού µοντέλου MM5 (Mesoscale Model)
που έγινε από τους Hoadley et al. (2004), για να χρησιµοποιηθούν αποτελέσµατα του µοντέλου
52
ως δεδοµένα εισόδου στο Αµερικάνικο Εθνικό Σύστηµα Εκτίµησης Κινδύνου Πυρκαγιών,
διαπιστώθηκε ότι η ανάλυση του µοντέλου δεν επηρεάζει σηµαντικά τον κίνδυνο.
Συγκεκριµένα, εξετάστηκαν τρεις διαφορετικές αναλύσεις (36, 12 και 4 km) και µόνο ο άνεµος
παρουσίασε καλύτερα αποτελέσµατα µε την αύξηση της ανάλυσης.
Η συνάρτηση της λογιστική παλινδρόµησης που παρουσιάστηκε παραπάνω, χρησιµοποιείται

και στα νευρωνικά δίκτυα ως συνάρτηση ενεργοποίησης. Οι Vasconcelos et al. (2001)
συνέκριναν την λογιστική παλινδρόµηση µε τα νευρωνικά δίκτυα για τη χωρική πρόβλεψη
πιθανότητας έναρξης πυρκαγιάς. Στην ανάλυση λήφθηκαν υπόψη η τοπογραφία, οι χρήσεις γης,
τα τεχνητά χαρακτηριστικά και οι αποστάσεις από ανθρωπογενείς δραστηριότητες. Η ανάλυση
πραγµατοποιήθηκε για τρία διαφορετικά σύνολα δεδοµένων πυρκαγιών βασιζόµενα στις εξής
αιτίες: ανεξαρτήτως αιτίας, εµπρησµός, αµέλεια. Κατά τη διάρκεια της ανάλυσης διαπιστώθηκε
ότι τόσο η λογιστική παλινδρόµηση όσο και τα νευρωνικά δίκτυα έχουν την ικανότητα
πρόβλεψης ανάφλεξης πυρκαγιάς ενώ µπορούν να αναγνωρίσουν διαφορετικά χωρικά µοντέλα
ανάλογα µε την αιτία ανάφλεξης. Οι παραγόµενοι χάρτες µέσα από τις συγκεκριµένες
µεθοδολογίες είναι ίδιοι αλλά τα νευρωνικά δίκτυα πετυχαίνουν καλύτερη ακρίβεια.
Στις περισσότερες περιπτώσεις που παρουσιάστηκαν παραπάνω, οι πυρκαγιές έχουν

διαχειριστεί και εξεταστεί ως σηµειακά γεγονότα. Για να ελαχιστοποιηθεί η επίδραση της
αβεβαιότητας που παρουσιάζεται στα σηµειακά φαινόµενα, διερευνώνται νέες µεθοδολογίες
που θα µετατρέπουν τα σηµειακά φαινόµενα σε συνεχείς επιφάνειες, χρήσιµες για τη
χαρτογράφηση της εµφάνισης πυρκαγιών σε εθνικό και τοπικό επίπεδο (Davis et al. 2000). Μια
από τις µεθόδους αυτές είναι η Kernel density η οποία έχει χρησιµοποιηθεί στην πρωταρχική
της µορφή βασισµένη σε υποκειµενικές, εκ των προτέρων, επιλογές των παραµέτρων της
(Koutsias et al. 2004, de la Riva et al. 2004), αλλά και µετά από βαθµονόµηση των παραµέτρων
όπως περιγράφεται στην τεχνική Kernel density adaptive mode από τους Amatulli et al. (2007).
Τέλος, έχει δοθεί έµφαση στην δηµιουργία εργαλείων που θα µπορούν να χρησιµοποιηθούν ως
Συστήµατα Υποστήριξης Λήψεων Αποφάσεων (Decision Support Systems). Οι Vasconcelos et
al. (2002) ανέπτυξαν ένα δυναµικό Σύστηµα Γεωγραφικών Πληροφοριών (ΣΓΠ) που
προσοµοιώνει χωρικά και διαχρονικά φαινόµενα όπως είναι οι δασικές πυρκαγιές, ενώ οι
Kaloudis et al. (2005) παρουσίασαν ένα πολυκριτηριακό Συστήµατα Υποστήριξης Λήψεων
Αποφάσεων που βασίζεται στη χρήση Ασαφών Συνόλων (Fuzzy Sets). Η ιεραρχική δοµή των
κανόνων που χρησιµοποιήθηκαν είναι ικανή για µακρυπρόθεσµο δασικό σχεδιασµό, καθώς
παρέχει πρόβλεψη για µελλοντικό κίνδυνο πυρκαγιάς και καθορισµό των προκατασταλτικών
µέτρων που πρέπει να ληφθούν. Τα Ασαφή Σύνολα χρησιµοποίησε και ο Iliadis (2005) για την
κατηγοριοποίηση των νοµαρχιών της Ελλάδος ως προς το µακρυπρόθεσµο κίνδυνο πυρκαγιών
53
βασιζόµενος στις πυρκαγιές της περιόδου 1983-1996. Η ακρίβεια του Συστήµατος Λήψεων
Αποφάσεων που ανέπτυξε έφτασε το 60% για τις 10 νοµαρχίες µε τον υψηλότερο κίνδυνο
πυρκαγιάς σύµφωνα και µε τα πραγµατικά δεδοµένα του έτους 1997.
54
3. ΕΚΤΙΜΗΣΗ ΚΙΝ∆ΥΝΟΥ ΠΥΡΚΑΓΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ,
ΣΥΣΤΗΜΑΤΩΝ ΓΕΩΓΡΑΦΙΚΩΝ ΠΛΗΡΟΦΟΡΙΩΝ (ΣΓΠ) ΚΑΙ ΤΕΧΝΗΤΩΝ
ΝΕΥΡΩΝΙΚΩΝ ∆ΙΚΤΥΩΝ (ΤΝ∆)
3.1. Εισαγωγή
Στόχος αυτού του κεφαλαίου είναι η ανάπτυξη ενός ∆είκτη Κινδύνου Έναρξης Πυρκαγιάς
(∆ΚΕΠ) ο οποίος βασίζεται σε παραµέτρους που µπορούν να καθοριστούν και να µετρηθούν
εύκολα και γρήγορα ώστε να µπορεί να χρησιµοποιηθεί αυτός ο δείκτης επιχειρησιακά για τη
λήψη σε θέµατα διαχείρισης δασικών πυρκαγιών αποφάσεων, όπως (Καλαµποκίδης 2001):
• Προληπτικά µέτρα που στοχεύουν στη µείωση των δασικών πυρκαγιών, π.χ.
εκπαίδευση προσωπικού και εθελοντών, αποτελεσµατική νοµοθεσία και εφαρµογή των
νόµων σχετικά µε την ιδιοκτησία γης.
• Μέτρα ετοιµότητας για την γρήγορη και αποτελεσµατική καταστολή µιας πυρκαγιάς,
όπως αρχική διασπορά δυνάµεων δασοπυρόσβεσης, λειτουργία παρατηρητηρίων και
περιπόλων.
• Πληροφόρηση του κοινού σχετικά µε τον επικείµενο κίνδυνο πυρκαγιάς, ρύθµιση της
πρόσβασης και των επιτρεπόµενων ενεργειών πληροφόρησης του κοινού σχετικά µε
τον επικείµενο κίνδυνο.
• Ανάλυση καταστάσεων έκτακτης εκκένωσης από απειλούµενες περιοχές.
3.2. Μεθοδολογία
Το κύριο αποτέλεσµα του συστήµατος εκτίµησης κινδύνου είναι ο ∆είκτης Κινδύνου Έναρξης
Πυρκαγιάς (∆ΚΕΠ) ο οποίος βασίζεται σε τρεις άλλους δείκτες: το Μετεωρολογικό ∆είκτη
Κινδύνου (Μ∆Κ), το Βλαστητικό ∆είκτη Κινδύνου (Β∆Κ) και τον Κοινωνικο-Οικονοµικό
∆είκτη Κινδύνου (ΚΟ∆Κ) οι οποίοι είναι δυναµικοί, δηλαδή µεταβάλλονται στο χρόνο και το
χώρο. Η σχέση µεταξύ εµφάνισης της φωτιάς και των παραµέτρων-µεταβλητών που
ενσωµατώνονται στους παραπάνω δείκτες βασίζεται σε ιστορικά στοιχεία και µοντελοποιήθηκε
µε τη χρήση µεθόδων τεχνητής νοηµοσύνης, και πιο συγκεκριµένα των τεχνητών νευρωνικών
δικτύων (ΤΝ∆). Η δυνατότητα εκπαίδευσης των νευρωνικών δικτύων τα καθιστά ένα
αποτελεσµατικό εργαλείο που µπορεί να χρησιµοποιηθεί σε οποιαδήποτε γεωγραφική έκταση.
Το τελευταίο µπορεί να επιτευχθεί εάν και εφόσον αναπτυχθούν αντίστοιχα µε την παρούσα
εργασία, χωρικά δεδοµένα καθώς και συλλογή του ιστορικού εµφάνισης των πυρκαγιών για την
εκπαίδευση των νευρωνικών δικτύων. Επιπλέον, τα νευρωνικά δίκτυα έχουν την δυνατότητα
55
επανεκπαίδευσης για κάθε περιοχή µελέτης προσθέτοντας τις καινούργιες πυρκαγιές κάθε
αντιπυρικής περιόδου. Στο Σχήµα 3.1 παρουσιάζεται η µεθοδολογία καθώς και οι παράµετροι
που λαµβάνονται υπόψη για τον υπολογισµό κάθε δείκτη όπως οι µετεωρολογικές συνθήκες, οι
αποστάσεις από ανθρώπινη παρουσία, η βλάστηση και η τοπογραφία. Η σύνθεση του τελικού
δείκτη από το συνδυασµό των τριών επιµέρους δεικτών, που αναφέρθηκαν παραπάνω, έγινε µε
µεθόδους πολυκριτηριακής ανάλυσης και συγκεκριµένα µε τη ∆ιαδικασία Αναλυτικής
Ιεράρχησης (Analytic Hierarchy Process – AHP).
Σχήµα 3.1: ∆ιάγραµµα ροής µεθοδολογίας
3.2.1. Μετεωρολογικός ∆είκτης Κινδύνου (Μ∆Κ): Έννοια, δοµή και συλλογή δεδοµένων
Ο Μετεωρολογικός ∆είκτης Κινδύνου (Μ∆Κ) αναφέρεται στη συσχέτιση µεταξύ των

µετεωρολογικών συνθηκών και την ανάφλεξη πυρκαγιάς. Περιλαµβάνει την θερµοκρασία
αέρος, τη σχετική υγρασία, την ταχύτητα ανέµου και την ύπαρξη βροχόπτωσης κατά τις
τελευταίες 24 ώρες από την χρονική στιγµή για την οποία έχει υπολογιστεί ο δείκτης. Όταν
υπολογίζεται ο πραγµατικός Μ∆Κ λαµβάνονται υπόψη µετεωρολογικά δεδοµένα που
συλλέγονται από τέσσερις (4) Αυτόµατους Τηλεµετρικούς Μετεωρολογικούς Σταθµούς. Η
πρόγνωση του Μ∆Κ βασίζεται σε µετεωρολογικά δεδοµένα που λαµβάνονται από το µοντέλο
πρόγνωσης SKIRON/Eta µε µέγιστο χρονικό ορίζοντα 5 ηµέρες (Nickovic et al. 1996, Kallos et
al. 1997, Papadopoulos et al. 2001). Για τη χωρική κατανοµή των µετεωρολογικών συνθηκών
56
εφαρµόστηκε η µέθοδος των πολυγώνων Thiessen (Σχήµα 3.2), θεωρώντας ότι οι σηµειακές
µετρήσεις από τους µετεωρολογικούς σταθµούς και το µοντέλο SKIRON/Eta είναι ικανές να
περιγράψουν τις επιφανειακές µετεωρολογικές συνθήκες σύµφωνα µε την παραπάνω µέθοδο.
Για την καλύτερη περιγραφή του ανεµολογικού πεδίου απαιτούνται αποτελέσµατα µοντέλου
υψηλότερης διακριτικής ικανότητας της τάξεως των 1-2 km. Αυτό επιτυγχάνεται µέσω
ισχυροτέρων συστηµάτων Ηλεκτρονικών Υπολογιστών τα οποία δεν ήταν διαθέσιµα για
οικονοµικούς λόγους. Έτσι, στο πλαίσιο αυτής της έρευνας χρησιµοποιήθηκαν ανεµολογικά
πεδία µε οριζόντια διακριτική ικανότητα 10 km, που θεωρείται ότι καλύπτει σε ικανοποιητικό
βαθµό την παρούσα εφαρµογή. Η χρήση υψηλότερης διακριτικής ικανότητας µετεωρολογικών
πεδίων στο σύστηµα είναι δυνατόν να γίνει άµεσα εφόσον είναι διαθέσιµα.
Σχήµα 3.2: Πολύγωνα Thiessen (α) των 4 (+) µετεωρολογικών σταθµών και (β) των 8 (+) σηµείων
πρόγνωσης µετεωρολογικών δεδοµένων που υπολογίζονται από το µοντέλο SKIRON
3.2.2. Βλαστητικός ∆είκτης Κινδύνου (Β∆Κ): Έννοια, δοµή και συλλογή δεδοµένων
Ο Βλαστητικός ∆είκτης Κινδύνου (Β∆Κ) αναφέρεται στην πιθανότητα εµφάνισης πυρκαγιάς

λόγω της τοπογραφίας, του είδους της βλάστησης και της κατάστασής της. Ο Β∆Κ
περιλαµβάνει τα µοντέλα καύσιµη ύλης, την περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ, το
υψόµετρο και την έκθεση του αναγλύφου. Για τη δηµιουργία της χωρικής θεµατικής επιφάνειας
µοντέλων καύσιµης ύλης στη Λέσβο, χρησιµοποιήθηκαν οι χρήσεις γης CORINE οι οποίες
αντιστοιχήθηκαν σε ένα από τα 13 µοντέλα καύσιµης ύλης του BehavePlus2 (Andrews et al.
2003) (Πίνακας 3.1). Έπειτα, υπολογίσθηκαν οι παρακάτω παράµετροι για κάθε µοντέλο:
• Ταχύτητα διάδοσης
• Θερµότητα ανά µονάδα επιφανείας
• Θερµική ένταση µετώπου
• Μήκος φλόγας
57
• Θερµική ένταση αντίδρασης
Επιπρόσθετα εξετάστηκε η πιθανή επίδραση στο ∆είκτη Κινδύνου Έναρξης Πυρκαγιάς

(Καλαµποκίδης κ.α. 2004) υπό την προϋπόθεση ότι το ισοβαρές άθροισµα αυτών των
παραµέτρων µπορεί να θεωρηθεί ως ευφλεκτικότητα. Για τον υπολογισµό των παραπάνω
παραµέτρων λήφθηκαν υπόψη οι µέσες χείριστες περιβαλλοντικές συνθήκες για την περιοχή
µελέτης: Περιεχόµενη υγρασία καύσιµης ύλης 1-h ΧΥ 5%, περιεχόµενη υγρασία καύσιµης
ύλης 10-h ΧΥ 6%, περιεχόµενη υγρασία καύσιµης ύλης 100-h ΧΥ 7%, περιεχόµενη υγρασία
ζωντανής καύσιµης ύλης 70%, ταχύτητα ανέµου 15 km/h, ανοδική ως προς την επιφάνεια του
εδάφους διεύθυνση ανέµου και κλίσεις εδάφους 0, 15, 30, 50 και 100%.
Πίνακας 3.1: Αντιστοίχιση των τύπων χρήσεων γης του CORINE µε τα µοντέλα καύσιµης ύλης του
BEHAVE
Κωδικός Περιγραφή Μοντέλο καύσιµης
CORINE ύλης BEHAVE
223 Ελαιώνες 8
243 Γη που καλύπτεται από γεωργία και εκτάσεις φυσικής βλάστησης 7
244 Αγροτικές δασικές περιοχές 2
311 ∆άσος πλατύφυλλων 9
312 ∆άσος κωνοφόρων 10
313 Μικτό δάσος 8
321 Φυσικοί βοσκότοποι 1
322 Θάµνοι και χερσότοποι 6
323 Σκληρόφυλλη βλάστηση 4
324 Μεταβατικές δασώδεις και θαµνώδεις εκτάσεις 7
333 Εκτάσεις µε αραιή βλάστηση 2
Για τον υπολογισµό του πραγµατικού Β∆Κ λαµβάνεται υπόψη η περιεχόµενη υγρασία
καύσιµης ύλης 10-h ΧΥ η οποία καταγράφεται από κατάλληλους αισθητήρες των αυτόµατων
τηλεµετρικών µετεωρολογικών σταθµών. Επειδή το προγνωστικό µοντέλο των
µετεωρολογικών συνθηκών δεν υπολογίζει την περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ,
έχει µοντελοποιηθεί σε σχέση µε τη σχετική υγρασία αέρος (ΣΥ), χρησιµοποιώντας
πραγµατικές µετρήσεις από τους µετεωρολογικούς σταθµούς. Η καλύτερη δυνατή σχέση που
περιγράφει την περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ µε τις υπόλοιπες µετεωρολογικές
συνθήκες ήταν η εξής: (R2=0.784):
ΠΥΚΥ = -1.0232 + 0.4882 * ΣΥ - 0.0125 * ΣΥ 2 + 0.0001 * ΣΥ 3
όπου ΠΥΚΥ είναι η περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ και ΣΥ η σχετική υγρασία.
Για να εξεταστεί κατά πόσο η έναρξη των πυρκαγιών επηρεάζεται από το υψόµετρο και την
έκθεση του αναγλύφου συµπεριλήφθηκαν και οι δύο αυτές παράµετροι στον Β∆Κ. Τα
υψόµετρα έχουν προέλθει από ισοϋψείς των 20 µ. ψηφιοποιηµένες από χάρτες κλίµακας
1:50000, ενώ η έκθεση του αναγλύφου υπολογίστηκε από το Ψηφιακό Μοντέλο Εδάφους µε
58
την χρήση Συστήµατος Γεωγραφικών Πληροφοριών (ΣΓΠ).
3.2.3. Κοινωνικο-Οικονοµικός ∆είκτης Κινδύνου (ΚΟ∆Κ): Έννοια, δοµή και συλλογή

δεδοµένων
Ο ανθρώπινος παράγοντας αποτελεί κύριο στοιχείο στην εκτίµηση του κινδύνου, ειδικά σε
Μεσογειακού τύπου οικοσυστήµατα, στα οποία αποτελεί και την κυριότερη αιτία έναρξης
πυρκαγιών. Ο Κοινωνικο-Οικονοµικός ∆είκτης Κινδύνου (ΚΟ∆Κ) αναφέρεται στη πιθανότητα
εµφάνισης πυρκαγιάς σε µια συγκεκριµένη περιοχή λόγω της ανθρώπινης παρουσίας. Για
παράδειγµα, πολλές είναι οι πυρκαγιές που έχουν ξεκινήσει δίπλα στο οδικό δίκτυο λόγω
κάποιου πεταµένου τσιγάρου (Xanthopoulos et al. 2006a), ενώ τις ηµέρες µε δυνατό άνεµο τα
βραχυκυκλώµατα σε ηλεκτροφόρες γραµµές αποτελούν ένα σηµαντικό κίνδυνο. Όπως έχει
προαναφερθεί, η χωρική ανάλυση του κινδύνου έναρξης πυρκαγιάς λόγω της ανθρώπινης
παρουσίας είναι αρκετά περίπλοκη λόγω της δυσκολίας να απεικονισθούν χωρικά οι
ανθρώπινες δραστηριότητες, και η κύρια µέθοδος που χρησιµοποιείται για τη χαρτογράφηση
του ανθρώπινου κινδύνου είναι ο συσχετισµός της χωρικής κατανοµής της έναρξης των
πυρκαγιών µε την εγγύτητα σε ανθρώπινες δραστηριότητες (Chuvieco and Congalton 1989,
Chuvieco and Salas 1996).
Οι παράµετροι που λαµβάνονται υπόψη για τον υπολογισµό του ΚΟ∆Κ είναι αποστάσεις από
κύριο και δευτερεύον οδικό δίκτυο, ηλεκτροφόρες γραµµές, αστικές περιοχές, χωµατερές,
περιοχές αναψυχής (π.χ. σηµεία κατασκήνωσης, παραλίες, και άλλα µέρη µε περιοδική
παρουσία του ανθρώπου κυρίως κατά τη διάρκεια της αντιπυρικής περιόδου), αγροτικές
περιοχές, ο µήνας καθώς και η ηµέρα της εβδοµάδας. Η παράµετρος “µήνας” συµπεριλήφθηκε
στο δείκτη και βασίστηκε στο ποσοστό εµφάνισης των πυρκαγιών για κάθε µήνα από το 1970-
2001, ενώ η µεταβλητή “ηµέρα” λαµβάνεται υπόψη µε δυαδική µορφή (σαββατοκύριακο ή
καθηµερινή).
Στο Σχήµα 3.3 παρουσιάζονται οι παράµετροι του Β∆Κ και του ΚΟ∆Κ που δεν µεταβάλλονται
βραχυπρόθεσµα και βασίζονται, οι περισσότερες, στην ευκλείδεια απόσταση από τις
ανθρωπογενείς δραστηριότητες. Για τη χαρτογράφηση του οδικού δικτύου, των οικισµών και
των αγροτικών περιοχών χρησιµοποιήθηκαν τηλεπισκοπικά δεδοµένα υψηλής χωρικής
διακριτικής ικανότητας από το δέκτη QuickBird µε µέγεθος εικονοστοιχείου 2,8 m.
Περισσότερα από 20 σκηνικά παρελήφθησαν κατά τη διάρκεια των αντιπυρικών περιόδων 2002
και 2003 τα οποία κάλυπταν συνολικά ολόκληρο το νησί της Λέσβου.
59
Σχήµα 3.3: Στατικές παράµετροι του συστήµατος γραµµικά µετασχηµατισµένες στο διάστηµα 0-1
60
Τα σκηνικά διορθώθηκαν γεωµετρικά µε τη βοήθεια χαρτών και GPS και έπειτα συνενώθηκαν
σταδιακά σε ένα ενιαίο µωσαϊκό πραγµατοποιώντας παράλληλα ραδιοµετρικές διορθώσεις για
την εξάλειψη των διαφορών στα ιστογράµµατά τους που οφείλονταν στη διαφορετική ηµέρα
και γωνία λήψης. Για την αντικατάσταση των περιοχών που είχαν νεφοκάλυψη
χρησιµοποιήθηκαν τέσσερα (4) κανάλια (µπλε, το πράσινο, το κόκκινο και το κοντινό
υπέρυθρο) από εικόνα του δέκτη Landsat ETM µε µέγεθος εικονοστοιχείου 30 m στο
πολυφασµατικό και 15 m στο παγχρωµατικό.
3.2.4. ∆είκτης Κίνδυνου Έναρξης Πυρκαγιάς (∆ΚΕΠ): Έννοια και δοµή
Ο ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς (∆ΚΕΠ) αποτελεί σύνθεση των τριών (3) παραπάνω
δεικτών και εκφράζει τον συσσωρευµένο κίνδυνο έναρξης πυρκαγιάς βασισµένο στην
πιθανότητα έναρξης πυρκαγιάς λόγω των καιρικών, βλαστητικών/τοπογραφικών και
ανθρωπογενών παραµέτρων. Εφόσον δεν έχει ληφθεί υπόψη η κατηγοριοποίηση των
πυρκαγιών ως προς τα αποτελέσµατα τους (π.χ. καµένη έκταση), ο ∆ΚΕΠ υπολογίζει των
κίνδυνο έναρξης για οποιαδήποτε πυρκαγιά ανεξαρτήτως µεγέθους. Ο ∆ΚΕΠ παίρνει τιµές 0-
100 λόγω του ότι αποτελεί το σταθµισµένο άθροισµα των τριών παραπάνω δεικτών οι οποίοι
έχουν τιµές από 0-100. Για καλύτερη κατανόηση και αποδοχή του τελικού χάρτη από τους
χρήστες, ο ∆ΚΕΠ ταξινοµήθηκε σε πέντε (5) κατηγορίες: Χαµηλός (0-40), Μεσαίος (41-60),
Υψηλός (61-80), Πολύ υψηλός (81-90) και Ακραίος (91-100). Οι κατηγορίες αυτές δεν
υπαγορεύουν το είδος των προκατασταλτικών µέτρων που πρέπει να ληφθούν αλλά αποτελούν
µια ποιοτική απεικόνιση του ∆ΚΕΠ. Η επιλογή των παραπάνω κατηγοριών έγινε µετά από
οπτική ανάλυση της εµφάνισης των πυρκαγιών κατά τις περιόδους 2003 και 2004, έτσι ώστε η
βαθµονοµηµένη κλίµακα να διαχωρίζει ευκρινώς τις περιοχές όπου εµφανίζονται κυρίως οι
πυρκαγιές.
3.2.5. Συλλογή δεδοµένων και προεπεξεργασία
Συνολικά 419 πυρκαγιές έχουν συµβεί κατά την περίοδο 1970-2001 στο νησί της Λέσβου οι
οποίες χαρτογραφήθηκαν µε συνεντεύξεις κατοίκων, προσωπικού της ∆ασικής και
Πυροσβεστικής Υπηρεσίας και τη χρήση GPS. Παράλληλα, συλλέχθηκαν όλα τα απαραίτητα
για την εκπαίδευση των νευρωνικών δικτύων ιστορικά δεδοµένα για κάθε πυρκαγιά. Οι τιµές
των παραµέτρων που αναφέρονται σε αποστάσεις υπολογίσθηκαν µε την χρήση ΣΓΠ. Από τη
συνολική βάση δεδοµένων δηµιουργήθηκαν δείγµατα εκπαίδευσης και επαλήθευσης των
νευρωνικών δικτύων τα οποία αναπτύχθηκαν για τον υπολογισµό των τριών δεικτών. Λόγω µη
διαθεσιµότητας ηµερήσιων µετεωρολογικών συνθηκών καθώς και της µικρής αξιοπιστίας
µερικών από αυτά, χρησιµοποιήθηκαν πυρκαγιές που εκδηλώθηκαν κατά την περίοδο 1997-
61
2001 για τους µήνες Μάιο-Σεπτέµβριο για την εκπαίδευση του Μετεωρολογικού και του
Βλαστητικού ∆είκτη Κινδύνου. Επίσης, για τον Κοινωνικο-Οικονοµικό ∆είκτη
χρησιµοποιήθηκαν όλες οι πυρκαγιές που εκδηλώθηκαν κατά τους µήνες Μάιο-Σεπτέµβριο
(1997-2001), δηλαδή συνολικά 268 πυρκαγιές. (Πίνακας 3.2). Για να αποφευχθεί η
προκατάληψη των µοντέλων υπέρ της εµφάνισης των πυρκαγιών, επιλέχθηκε σε κάθε
διαδικασία εκπαίδευσης ένα τυχαίο δείγµα αποτελούµενο από το 70% του αρχικού δείγµατος.
Για την προσοµοίωση λειτουργίας του συστήµατος και την καλύτερη επαλήθευση του,
χαρτογραφήθηκαν οι 102 πυρκαγιές που εκδηλώθηκαν το 2003 από το Μάιο έως και τον
Οκτώβριο και συλλέχθηκαν οι τιµές όλων των παραµέτρων που λαµβάνονται υπόψη στην
εκπαίδευση. Ο Οκτώβριος συµπεριλήφθηκε στο δείγµα γιατί 42 από τις 102 πυρκαγιές
εκδηλώθηκαν κατά το µήνα αυτόν. Οι συγκεκριµένες πυρκαγιές χρησιµοποιήθηκαν µόνο στο
στάδιο της επαλήθευσης και της ερµηνείας των αποτελεσµάτων όσον αφορά στα αίτια των
πυρκαγιών στο νησί της Λέσβου.
Πίνακας 3.2: Αριθµός πυρκαγιών δεδοµένων εκπαίδευσης και επαλήθευσης για κάθε δείκτη (Μ∆Κ:
Μετεωρολογικός ∆είκτης Κινδύνου, Β∆Κ: Βλαστητικός ∆είκτης Κινδύνου, ΚΟ∆Κ: Κοινωνικο-
Οικονοµικός ∆είκτης Κινδύνου, Εκ.: Εκπαίδευση, Επ.: Επαλήθευση)
Μ∆Κ-Εκ. Μ∆Κ-Επ. Β∆Κ-Εκ. Β∆Κ-Επ. ΚΟ∆Κ-Εκ. ΚΟ∆Κ-Επ.
Συνολικό 64 27 91 25 322 121
δείγµα
Εµφάνιση 27 17 45 12 202 66
πυρκαγιών
Μη εµφάνιση 37 10 46 13 122 55
πυρκαγιών
Για τη σωστή εκπαίδευση, δηµιουργήθηκαν τυχαία σηµεία που προσοµοίωναν τη µη εµφάνιση
πυρκαγιάς για συγκεκριµένη χρονική στιγµή κατά το έτος 2003. Έπειτα από έλεγχο που
πραγµατοποιήθηκε για την πιστοποίηση της µη εµφάνισης πυρκαγιάς στα παραπάνω σηµεία τη
συγκεκριµένη χρονική στιγµή, συλλέχθηκαν τα δεδοµένα των µετεωρολογικών συνθηκών,
καθώς και οι υπόλοιποι παράµετροι σύµφωνα µε τη µεθοδολογία που ακολουθήθηκε για τις
πυρκαγιές στο χρονικό διάστηµα 1970-2001 (Σχήµα 3.4).
Οι τιµές των παραµέτρων για κάθε σηµείο πυρκαγιάς και µη πυρκαγιάς µετασχηµατίστηκαν
γραµµικά για καλύτερη σταθερότητα του ΤΝ∆ (Masters 1993) σύµφωνα µε την εξίσωση:
X in − X min
X str =
X max − X min
όπου Χstr η τεντωµένη τιµή, Χin η τιµή εισόδου και Xmin, Xmax οι αναµενόµενες ή
παρατηρούµενες ελάχιστες και µέγιστες τιµές αντίστοιχα.
62
Σχήµα 3.4: Σηµεία έναρξης δασικών πυρκαγιών (Fire ignition) στο χρονικό διάστηµα 1970-2001 και
σηµεία µη εµφάνισης πυρκαγιών (Non-Fire)
3.2.6. Εκπαίδευση Τεχνητών Νευρωνικών ∆ικτύων
Η προσέγγιση των συναρτήσεων για τον υπολογισµό των τριών αρχικών δεικτών
πραγµατοποιήθηκε µε τη χρήση ΤΝ∆ τα οποία εκπαιδεύτηκαν µε τη µέθοδο της ανάστροφης
διάδοσης σφάλµατος (back-propagation). Η συγκεκριµένη µέθοδος χρησιµοποιείται για την
επιβλεπόµενη εκπαίδευση ΤΝ∆ ευθείας τροφοδότησης. Αποτελεί την πιο δηµοφιλή µέθοδο για
την εκπαίδευση ενός ΤΝ∆ µε πολλά επίπεδα επεξεργασίας και έγινε δηµοφιλής από τους
Rumelhart and McClelland (1986). Η βασική δοµή ενός ΤΝ∆ µε i κόµβους εισόδου, ένα κρυφό
επίπεδο επεξεργασίας µε j κόµβους και ένα επίπεδο εξόδου µε k κόµβους επεξεργασίας
παρουσιάζεται στο Σχήµα 3.5.
Κατά τη διάρκεια της εκπαίδευσης το δίκτυο ξεκινά τη διαδικασία µάθησης από τυχαίες τιµές
των βαρών του. Η υπολογιζόµενη τιµή εξόδου συγκρίνεται µε την πραγµατική τιµή. Η ίδια
διαδικασία επαναλαµβάνεται πολλές φορές έτσι ώστε σταδιακά το λάθος να ελαττωθεί µέχρι να
γίνει πολύ µικρό και ανεκτό. Στόχος της εκπαίδευσης είναι να ελαχιστοποιηθεί η συνάρτηση
του λάθους µέσω της διόρθωσης των βαρών w.
63
Σχήµα 3.5: Τεχνητό Νευρωνικό ∆ίκτυο µε ένα κρυφό επίπεδο επεξεργασίας και ένα νευρώνα εξόδου.
Για την αξιολόγηση της απόδοσης του ΤΝ∆ χρησιµοποιήθηκε η συνάρτηση του µέσου
τετραγωνικού σφάλµατος (MSE):
1
MSE = ∑
n k
(t k − d k ) 2
όπου tk είναι το επιθυµητό αποτέλεσµα, dk το πραγµατικό αποτέλεσµα στο τελευταίο επίπεδο

επεξεργασίας και n ο συνολικός αριθµός του δείγµατος εκπαίδευσης.
Ως συνάρτηση ενεργοποίησης, η οποία χρειάζεται για την εφαρµογή της µη-γραµµικότητας στο
δίκτυο, χρησιµοποιήθηκε η παρακάτω σιγµοειδής συνάρτηση τόσο στα ενδιάµεσα επίπεδα
επεξεργασίας όσο και στην έξοδο του ΤΝ∆:
1
f(x)=
1 + e − σx
Η ονοµασία ‘σιγµοειδής’ προέρχεται από το σχήµα της γραφικής της παράστασης όπως
παρουσιάζεται στο σχήµα 3.6. Αυτή η συνάρτηση προσεγγίζει το 1, για µεγάλες και θετικές
τιµές του x, και το 0 για µεγάλες και αρνητικές τιµές του x, και είναι κατάλληλη για την
εµφάνιση ή µη δασικών πυρκαγιών επειδή η εξαρτηµένη µεταβλητή έχει δυαδική τιµή 0 ή 1
(Jordan 1995, Sarle 1997). Επίσης, η χρήση µιας τέτοιας συνάρτησης ως συνάρτησης
ενεργοποίησης επιτρέπει να ερµηνευτεί το αποτέλεσµα ως πιθανότητα (Hampshire and
Pearlmutter 1990, Bishop 1995) καθώς και να αποφευχθούν επιδράσεις από θόρυβο των
δεδοµένων σε αντίθεση µε τη χρήση της συνάρτησης “identity” ή οποιασδήποτε άλλης
γραµµικής συνάρτηση (Masters 1993).
64
Σχήµα 3.6: Γραφική παράσταση της λογιστικής συνάρτησης για 2 διαφορετικούς ρυθµούς κλίσης
Η διαδικασία εκπαίδευσης του ΤΝ∆ του Σχήµατος 3.5 συνοπτικά έχει ως εξής (Fausett 1994,
Bishop 1995):
• Αρχικοποίηση των βαρών w
• Τροφοδότηση του ΤΝ∆ µε µια εγγραφή δεδοµένων εκπαίδευσης x = ( x1 , x 2 ,..., xi )
• Η τιµή που εισάγεται σε κάθε κόµβο στο κρυφό επίπεδο επεξεργασίας δίνεται από την
σχέση: z _ in = ∑x w
i
i ji
• Υπολογισµός της τιµής εξόδου του κάθε κόµβου στο κρυφό επίπεδο επεξεργασίας µε
την σχέση z j = f ( z _ in ) όπου f η λογιστική συνάρτηση
• Υπολογισµός της τιµής εισόδου σε κάθε κόµβο στο επίπεδο εξόδου σύµφωνα µε την
σχέση y _ in = ∑z
j
j wkj
• Υπολογισµός της τιµής εξόδου του κάθε κόµβου στο επίπεδο εξόδου µε την σχέση
y k = f ( y _ in ) όπου f η λογιστική συνάρτηση
• ∆ιόρθωση των βαρών (π.χ. για τα βάρη που συνδέουν το επίπεδο εξόδου µε το κρυφό
∂E
επίπεδο επεξεργασίας) µε την σχέση, ∆wkj ( t + 1 ) = − r + ∆wkj ( t ) όπου r είναι ο
∂wkj
βαθµός εκµάθησης και ρυθµίζει τον ρυθµό και την ταχύτητα εκπαίδευσης
65
Το δίκτυο ανατροφοδοτείται µε νέα δεδοµένα εκπαίδευσης και η διαδικασία συνεχίζεται για t
επαναλήψεις (εποχές) µέχρι να ελαχιστοποιηθεί το λάθος. Για να διασφαλιστεί το γεγονός ότι
το δίκτυο θα µπορεί να προσεγγίσει τιµές εξόδου για οποιοδήποτε συνδυασµό τιµών εισόδου,
χρησιµοποιήθηκαν δείγµατα επαλήθευσης µε εγγραφές που δεν συµπεριλαµβάνονται στα
δεδοµένα εκπαίδευσης. Η εκπαίδευση διακόπτεται όταν το MSE αρχίζει να αυξάνεται στα
δεδοµένα επαλήθευσης, ακόµα και αν συνεχίζει να µειώνεται για το δείγµα εκπαίδευσης. Αυτό
αποτελεί ένδειξη ότι το ΤΝ∆ έχει επιτύχει καλή γενίκευση (generalization) και έχει αποφύγει
µια υπερπροσαρµογή (overfitting) στα δεδοµένα εκπαίδευσης.
3.2.7. Αναλυτική ∆ιαδικασία Ιεράρχησης
Ο ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς (∆ΚΕΠ) υπολογίζεται µε τη χρήση πολυκριτηριακής

ανάλυσης των τριών επιµέρους δεικτών (κριτήρια), σύµφωνα µε τη µέθοδο του σταθµισµένου
µέσου:
n
∆ΕΠ = ∑ w j δij
j =1
Το διάνυσµα των βαρών w υπολογίζεται µε τη ∆ιαδικασία Αναλυτικής Ιεράρχησης (Analytic

Hierarchy Process – AHP), όπως προτείνεται από τον Saaty (1980). Συγκεκριµένα, η AHP
χρησιµοποιείται για τον υπολογισµό των βαρών των τριών δεικτών έπειτα από την ανά ζεύγη
σύγκριση µεταξύ των δεικτών, χρησιµοποιώντας την κλίµακα σχετικής σηµαντικότητας που
παρουσιάζεται στον Πίνακα 3.3. Η σηµαντικότητα του ενός κριτηρίου σε σχέση µε κάποιο άλλο
εκφράζεται σε µία κλίµακα από το 1 έως το 9, ούτως ώστε να ποσοτικοποιηθούν οι γλωσσικές
επιλογές.
Πίνακας 3.3: Κλίµακα σχετικής σηµαντικότητας

Βαθµός σηµαντικότητας Ορισµός
1 Ίση σηµαντικότητα µεταξύ δύο κριτηρίων
3 Το ένα κριτήριο είναι ελαφρώς πιο σηµαντικό από το άλλο
5 Το ένα κριτήριο είναι αρκετά πιο σηµαντικό από το άλλο
7 Το ένα κριτήριο είναι πολύ πιο σηµαντικό από το άλλο
9 Το ένα κριτήριο είναι εντελώς πιο σηµαντικό από το άλλο
2,4,6,8 Ενδιάµεσες τιµές σηµαντικότητας
Αντίστροφοι αριθµοί Εάν το κριτήριο i έχει έναν από τους παραπάνω βαθµούς σηµαντικότητας
έναντι του κριτηρίου j, τότε η σηµαντικότητα του κριτηρίου j έναντι του
κριτηρίου i είναι ο αντίστροφος αριθµός
Οι συγκρίσεις αυτές πραγµατοποιούνται από ειδικούς και δηµιουργείται ένα πίνακας ν x ν όπου
ν ο αριθµός των κριτηρίων. Συνεπώς στην παρούσα διατριβή δηµιουργήθηκε πίνακας
διαστάσεων 3 x 3, ενώ ο πίνακας συγκρίσεων που δηµιουργείται έχει τις εξής βασικές
ιδιότητες: aii=1 και aij = 1 / aji. Σύµφωνα µε τον Saaty (1980), για τον υπολογισµό των βαρών
66
του κάθε κριτηρίου υπολογίζεται το δεξί κύριο ιδιοδιάνυσµα του πίνακα συγκρίσεων. Το
ιδιοδιάνυσµα µπορεί να προσεγγιστεί χρησιµοποιώντας το γεωµετρικό µέσο της κάθε γραµµής
του πίνακα. ∆ηλαδή, πολλαπλασιάζονται τα στοιχεία κάθε γραµµής µεταξύ τους και έπειτα
υπολογίζεται η ν-οστή ρίζα, όπου ν ο αριθµός των στοιχείων κάθε γραµµής. Στη συνέχεια,
κανονικοποιούνται οι γεωµετρικοί µέσοι διαιρώντας τους µε το άθροισµά τους (Triantaphyllou
and Mann 1995).
Για τους 3 δείκτες, δηλαδή, ο πίνακας συγκρίσεων και ο υπολογισµός των συντελεστών έχει ως
εξής:
Μ∆Κ Β∆Κ ΚΟ∆Κ Γεωµετρικός Μέσος (GM) Συντελεστές w

Μ∆Κ a11 a12 a13
3
a 11 * a 12 * a 13 = GM1 GM1/ ΣGM
Β∆Κ a21 a22 a23

3
a 21 * a 22 * a 23 =GM2 GM2/ ΣGM
ΚΟ∆Κ a31 a32 a33 3 a31 * a32 * a33 =GM3 GM3/ ΣGM
ΣGM=GM1+GM2+GM3
όπου αij ο βαθµός σηµαντικότητας που έχει αποδοθεί στις συγκρίσεις ανά δύο των δεικτών
κινδύνου, σύµφωνα µε τον Πίνακα 3.3. Στην πραγµατικότητα, ο πίνακας συγκρίσεων δεν είναι
τέλεια συναφής. Για τον έλεγχο αξιοπιστίας του πίνακα προτείνεται από το Saaty (1980) η
χρήση του δείκτη συνάφειας CI και του λόγου συνάφειας CR. Για να υπολογιστεί ο δείκτης
συνάφειας, χρησιµοποιείται η σχέση:
Aˆ * wˆ = λ * wˆ
^ ^
όπου A ο πίνακας συγκρίσεων, w το διάνυσµα των βαρών που υπολογίστηκαν παραπάνω και
λ η προσέγγιση της ιδιοτιµής. Έπειτα υπολογίζεται ο δείκτης συνάφειας CI σύµφωνα µε την
σχέση:
λmax − n
CI =
n−1
όπου λmax η µέγιστη ιδιοτιµή και n ο αριθµός διαστάσεων του πίνακα συγκρίσεων δηλαδή στην
συγκεκριµένη περίπτωση ισούται µε 3. Τέλος, για τον υπολογισµό του λόγου συνάφειας CR
χρησιµοποιείται η σχέση:
CI
CR =
RCI
όπου RI, διαιρώντας το δείκτη συνάφειας CI µε το δείκτη RCI ο οποίος είναι ίσος µε 0,58 για
πίνακα 3x3. Όταν ο λόγος συνάφειας CR είναι αρκετά µικρός τότε ο πίνακας συγκρίσεων
67
θεωρείται συναφής και ως κριτήριο χρησιµοποιείται η τιµή 0,1. Σε περίπτωση που CR>0,1 τότε
προτείνεται η επαναξιολόγηση των βαθµών σηµαντικότητας, οι οποίοι έχουν επιλεγεί στον
πίνακα συγκρίσεων.
3.3. Αποτελέσµατα και συζήτηση
3.3.1. Εκπαίδευση νευρωνικού δικτύου και πολυκριτηριακή ανάλυση
Για την επιλογή της τελικής δοµής των νευρωνικών δικτύων κάθε δείκτη, πραγµατοποιήθηκαν
πολλές δοκιµές. Η αξιολόγηση της εκπαίδευσης των ΤΝ∆ πραγµατοποιήθηκε µε την
παρακολούθηση των ποσοστών της σωστής ταξινόµησης των δειγµάτων εκπαίδευσης και
επαλήθευσης, δηλαδή σηµεία πυρκαγιών που ταξινοµήθηκαν ως πυρκαγιές και σηµεία µη-
πυρκαγιών που ταξινοµήθηκαν αντίστοιχα ως µη-πυρκαγιές. Επίσης πραγµατοποιούταν έλεγχος
του µέσου τετραγωνικού σφάλµατος (MSE) µε διακοπή της διαδικασίας όταν παρουσιαζόταν
αύξηση του MSE στο δείγµα επαλήθευσης για την περίοδο 1970-2001. Το MSE του δείγµατος
του 2003 υπολογίστηκε µε το εκπαιδευµένο ΤΝ∆, επειδή σε αυτό το δείγµα επαλήθευσης
συµπεριλαµβάνονται µόνο σηµεία πυρκαγιών.
Ως ρυθµός εκµάθησης επιλέχθηκε ρ=0,1 ενώ ο νευρώνας στην έξοδο θεωρείται

ενεργοποιηµένος µε τιµή µεγαλύτερη από 0,5. Πιο εύκολα προσεγγίστηκε η συνάρτηση του
Μετεωρολογικού ∆είκτη Κινδύνου, ενώ ο Κοινωνικο-Οικονοµικός ∆είκτης Κινδύνου είχε
καλύτερα ποσοστά ταξινόµησης των πυρκαγιών του 2003 (Πίνακας 3.4). Συγκεκριµένα, το
δίκτυο που έχει επιλεγεί να υπολογίσει το Μ∆Κ ταξινόµησε σωστά το 93% των πυρκαγιών του
δείγµατος εκπαίδευσης (1997-2001) και το 88% των πυρκαγιών του δείγµατος επαλήθευσης
(1997-2001). Επιπλέον, το 59% των µη-πυρκαγιών του δείγµατος εκπαίδευσης και το 60% των
µη-πυρκαγιών του δείγµατος επαλήθευσης ταξινοµήθηκαν σωστά. Σε περισσότερες από 100
εποχές στη διαδικασία εκπαίδευσης το δίκτυο έχανε τη γενίκευση στο δείγµα επαλήθευσης του
2003, ενώ σε περισσότερες εποχές χανόταν η γενίκευση και στο δείγµα επαλήθευσης του 1997-
2001, δηλαδή υπήρχε πλήρης προσαρµογή της συνάρτησης στο δείγµα εκπαίδευσης.
Προσθέτοντας και 2o επίπεδο επεξεργασίας, το δίκτυο έγινε πιο ευαίσθητο στα τοπικά ελάχιστα
ενώ στις 400 εποχές συνήθως, υπήρχε καλύτερη ταξινόµηση των πυρκαγιών του 2003. ∆εν
επιλέχθηκε όµως αυτό το δίκτυο γιατί υπήρχε υποεκτίµηση της µη εµφάνισης πυρκαγιών στο
δείγµα εκπαίδευσης. Ο Μ∆Κ, όπως έχει οριστεί, δεν µεταβάλλεται σηµαντικά κατά την
αντιπυρική περίοδο γιατί οι µεταβλητές που λαµβάνονται υπόψη δεν µεταβάλλονται σηµαντικά
από ηµέρα σε ηµέρα, ενώ οι µεταβολές των παραµέτρων επηρεάζουν κυρίως την ενδεχόµενη
συµπεριφορά µιας πυρκαγιάς. Βέβαια, αναµένεται µια αύξηση του αριθµού των πυρκαγιών από
εµπρησµό, σε ηµέρες µε υψηλές θερµοκρασίες και έντονο άνεµο γιατί δηµιουργούνται οι
68
κατάλληλες συνθήκες για γρήγορη εξάπλωση των πυρκαγιών. Οι συγκεκριµένες συνθήκες
δηµιουργούνται συνήθως µετά από το πέρασµα ξηρού ψυχρού µετώπου µε αποτέλεσµα τον
υψηλό αριθµό πυρκαγιών µεγάλης καµένης έκτασης (Xanthopoulos 2004).
Πίνακας 3.4: Αποτελέσµατα εκπαίδευσης και επαλήθευσης των νευρωνικών δικτύων.

Μ∆Κ ΚΟ∆Κ Β∆Κ
Επίπεδα επεξεργασίας 1 1 1
Αριθµός νευρώνων στο κρυφό επίπεδο επεξεργασίας 6 8 4
Εποχές εκπαίδευσης 100 1000 1500
MSE δείγµατος εκπαίδευσης* 0,122 0,121 0,091
MSE δείγµατος επαλήθευσης-1* 0,130 0,157 0,120
MSE δείγµατος επαλήθευσης-2** 0,177 0,073 -
Σωστή ταξινόµηση πυρκαγιών δείγµατος εκπαίδευσης* 93 % 87 % 91 %
Σωστή ταξινόµηση µη πυρκαγιών δείγµατος εκπαίδευσης* 59% 50% 69%
Σωστή ταξινόµηση πυρκαγιών δείγµατος επαλήθευσης-1* 88 % 89 % 75 %
Σωστή ταξινόµηση µη πυρκαγιών δείγµατος επαλήθευσης-1* 60% 38% 76%
Σωστή ταξινόµηση πυρκαγιών δείγµατος επαλήθευσης-2** 65 % 91 % -
*(Μ∆Κ και Β∆Κ: 1997-2001, Μάιος-Σεπτέµβριος, ΚΟ∆Κ: 1970-2001, Μάιος-Σεπτέµβριος)
** (Μάιος-Οκτώβριος 2003)
Ο ΚΟ∆Κ αναπτύχθηκε για να µπορεί να αναγνωρίσει περιοχές µε υψηλό κίνδυνο έναρξης
πυρκαγιών λόγω της ανθρώπινης παρουσίας. Αυτό όµως είναι αρκετά δύσκολο. Οι µεταβλητές
που λαµβάνονται υπόψη αναπαριστούν τις αιτίες έναρξης πυρκαγιών είτε από αµέλεια είτε από
εµπρησµό αν και η χωρική αναπαράστασή τους, όπως ο εµπρησµός, δεν έχει ξεκάθαρα χωρικά
πρότυπα (Leone et al. 2003). Το δίκτυο που χρησιµοποιείται από τον ΚΟ∆Κ εκπαιδεύτηκε σε
1000 εποχές, ενώ για παραπάνω εποχές έχανε τη γενίκευση στο δείγµα επαλήθευσης του 1970-
2001. Τα ποσοστά σωστής ταξινόµησης κρίνονται ικανοποιητικά αν και υπάρχει υπερεκτίµηση
λόγω του χαµηλού ποσοστού σωστής ταξινόµησης της µη εµφάνισης πυρκαγιάς στο δείγµα
επαλήθευσης του 1970-2001. Πιο συγκεκριµένα, τα σωστά ταξινοµηµένα σηµεία µη-πυρκαγιών
ήταν 50% και 38% για τα δείγµατα εκπαίδευσης και επαλήθευσης αντίστοιχα. Αυτό σηµαίνει
ότι για το 50% και το 62% των σηµείων µη εµφάνισης πυρκαγιάς των δειγµάτων εκπαίδευσης
και επαλήθευσης αντίστοιχα, υπολογίσθηκε πιθανότητα ανάφλεξης πάνω από 50%. Το νησί της
Λέσβου, δηλαδή, παρουσιάζει υψηλό κίνδυνο έναρξης πυρκαγιών σε µεγάλη έκταση λόγω της
ανθρώπινης παρουσίας και ο κίνδυνος αυτός δεν µεταβάλλεται χωρικά στη διάρκεια του χρόνου
παρά µόνο από µήνα σε µήνα και από καθηµερινές σε Σαββατοκύριακο.
Αξιοσηµείωτο είναι το µεγάλο ποσοστό (91%) σωστής ταξινόµησης του δείγµατος

επαλήθευσης των πυρκαγιών του έτους 2003. Αυτό σηµαίνει ότι το 91% των πυρκαγιών που
εκδηλώθηκαν στη Λέσβο την περίοδο Μαΐου-Οκτωβρίου του 2003, εκδηλώθηκαν σε περιοχές
όπου το επιλεγµένο δίκτυο έδινε πιθανότητα εµφάνισης πυρκαγιάς πάνω από 50%, δηλαδή οι
πυρκαγιές του 2003 είχανε ως κύρια αιτία την ανθρώπινη παρουσία και δραστηριότητα. Αυτό
επιβεβαιώνεται και από τα ανακριτικά και αιτιολογικά δεδοµένα της Πυροσβεστικής
Υπηρεσίας για το µεγάλο ποσοστό ανθρωπογενών πυρκαγιών που εκδηλώθηκαν στη Λέσβο
69
κατά το έτος 2003.
Η διαδικασία εκπαίδευσης του Β∆Κ ισχυροποίησε το παραπάνω συµπέρασµα επειδή το MSE

του δείγµατος επαλήθευσης (2003) παρουσίασε πολύ υψηλές τιµές, ενώ και το ποσοστό σωστής
ταξινόµησης των πυρκαγιών ήταν χαµηλό. Έτσι, η εκπαίδευση βασίστηκε αποκλειστικά στις
πυρκαγιές της περιόδου 1997-2001 και τερµατίστηκε πριν χαθεί η γενίκευση στο δείγµα
επαλήθευσης (1997-2001). Το 91% των πυρκαγιών και το 69% των µη-πυρκαγιών στο δείγµα
εκπαίδευσης ταξινοµήθηκε σωστά, ενώ τα αντίστοιχα ποσοστά του δείγµατος επαλήθευσης
ήταν 75% για τις πυρκαγιές και 76% για τα σηµεία που δεν εκδηλώθηκαν πυρκαγιές.
Η εκπαίδευση του Β∆Κ έδειξε ότι αν και υπάρχει σχέση µεταξύ της διαθεσιµότητας της
καύσιµης ύλης και της έναρξης πυρκαγιών κατά το διάστηµα 1997-2001, εντούτοις οι
πυρκαγιές του 2003 δεν επηρεάστηκαν από τις παραµέτρους του Β∆Κ. Αυτό εξηγείται ίσως
από το γεγονός ότι οι εµπρησµοί και οι αµέλειες δεν ακολούθησαν κάποιο συγκεκριµένο
χωρικό πρότυπο όσον αφορά στην τοπογραφία και την κατάσταση της καύσιµης ύλης.
Το διάνυσµα των βαρών του ∆ΚΕΠ προήλθε από την Αναλυτική ∆ιαδικασία Ιεράρχησης των
τριών υποδεικτών και υπολογίστηκε µε βάση τη σχετική σηµαντικότητα που αποδόθηκε σε
κάθε κριτήριο σε σχέση µε τα υπόλοιπα. Θεωρήθηκε ότι ο ΚΟ∆Κ και ο Μ∆Κ είναι ελαφρώς
πιο σηµαντικοί από το Β∆Κ, ενώ η σηµαντικότητα του ΚΟ∆Κ σε σχέση µε το Μ∆Κ είναι
σχεδόν ίση. Οι επιλογές βασίστηκαν στο ιστορικό των πυρκαγιών της περιοχής µελέτης,
λαµβάνοντας υπόψη ότι οι αναφλέξεις των πυρκαγιών βασίζονται κυρίως στον ανθρώπινο
παράγοντα. Για παράδειγµα, από τον Ιούλιο έως τον Οκτώβριο, υπάρχει µια σχεδόν ίση
κατανοµή του αριθµού των πυρκαγιών για κάθε µήνα. Επίσης, οι επιλογές βασίστηκαν στο
γεγονός ότι ο Β∆Κ και ο Μ∆Κ δεν µπορούν να σχετίζονται άµεσα µε την έναρξη πυρκαγιών
όσο κυρίως µε την εξάπλωσή τους. Ο πίνακας συγκρίσεων που δηµιουργήθηκε µε βάση τις
παραπάνω συγκρίσεις σηµαντικότητας είχε δείκτη συνάφειας CI=0,0268 και λόγο συνάφειας
CR=0,0462. Συνεπώς µε το διάνυσµα των βαρών που προέκυψε, ο ∆ΚΕΠ υπολογίζεται από τη
σχέση:
∆KΕΠ = 0.3325 ∗ Μ∆Κ + 0.1396 ∗ Β∆Κ + 0.5278 ∗ ΚΟ∆Κ
3.3.2. Χαρτογραφική απεικόνιση απόλυτων τιµών δεικτών και επιχειρησιακή εφαρµογή
Στο Σχήµα 3.7, παρουσιάζεται ο ∆ΚΕΠ για τις ηµεροµηνίες 23/6/2003 και 27/8/2003 κατά τις
οποίες εκδηλώθηκαν τρεις (3) και τέσσερις (4) πυρκαγιές αντίστοιχα. Για την δηµιουργία των
χαρτών χρησιµοποιήθηκαν οι πραγµατικές µετεωρολογικές συνθήκες, ενώ όλες οι πυρκαγιές
εκδηλώθηκαν σε περιοχές µε τιµή ∆ΚΕΠ πάνω από 50. Συγκεκριµένα, οι τρεις πυρκαγιές στις
13/6/2003 εκδηλώθηκαν σε περιοχές µε τιµές ∆ΚΕΠ 56, 59 και 72. Τη συγκεκριµένη ηµέρα, ο
70
∆ΚΕΠ υπολογίστηκε για το 4% της περιοχής ως «Χαµηλός», για το 79% της περιοχής ως
«Μεσαίος», για το 17% ως «Υψηλός». Οι τρεις πυρκαγιές στις 27/8/2006 εκδηλώθηκαν σε
περιοχές µε τιµές ∆ΚΕΠ 65, 66, 68 και 71 αντίστοιχα ενώ ο ∆ΚΕΠ υπολογίστηκε για το 29%
της περιοχής ως «Μεσαίος», για το 70% της περιοχής ως «Υψηλός» και για το 1% της περιοχής
ως «Πολύ Υψηλός».
Μια επιχειρησιακή εφαρµογή της µεθοδολογίας κάτω από πραγµατικές συνθήκες

πραγµατοποιήθηκε την αντιπυρική περίοδο του 2004 αν και εκδηλώθηκαν µόνο 28 πυρκαγιές.
Η µείωση των πυρκαγιών οφείλεται κυρίως στην υψηλή ετοιµότητα των αρµόδιων φορέων
(Πυροσβεστική Υπηρεσία, Αστυνοµία κτλ.) λόγω των Ολυµπιακών Αγώνων που έγιναν στην
Αθήνα το 2004. Σε αυτήν την περίοδο, σχεδόν καθηµερινά παραγόταν ο χάρτης του ∆ΚΕΠ και
διανέµονταν στην τοπική Πυροσβεστική Υπηρεσία και στην Γενική Γραµµατεία Πολιτικής
Προστασίας στην Αθήνα. Η επιχειρησιακή εφαρµογή είχε τα εξής αποτελέσµατα: Από τον
Ιούνιο έως και τον Σεπτέµβριο για το 63% της περιοχής µελέτης υπολογίστηκε ∆ΚΕΠ
«Μεσαίος» και σε αυτήν την περιοχή εκδηλώθηκαν 12 από τις 28 πυρκαγιές. Οι υπόλοιπες 16
πυρκαγιές εκδηλώθηκαν στο 35% της περιοχή µελέτης για την οποία υπολογίστηκε ∆ΚΕΠ
«Υψηλός».
Σχήµα 3.7: ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς στις ηµεροµηνίες 23/6/2003 και 27/8/2003.
3.3.3. Χαρτογραφική απεικόνιση σχετικών τιµών δεικτών
Για να εξεταστεί η µεσοπρόθεσµη απόδοση του δείκτη αλλά και η αναγνώριση σχετικά
επικίνδυνων περιοχών, δηµιουργήθηκαν µηνιαίοι χάρτες του δείκτη έναρξης πυρκαγιάς
λαµβάνοντας υπόψη τις µέσες τιµές των µετεωρολογικών παραµέτρων. Η κατηγοριοποίηση του
∆ΚΕΠ έγινε µε βάση τη µέση τιµή και την τυπική απόκλισή του για κάθε µήνα. Όλες οι
πυρκαγιές εµφανίστηκαν σε περιοχές µε τουλάχιστον τη µέση τιµή του ∆ΚΕΠ ενώ αρκετές
εµφανίστηκαν σε περιοχές µε έως και 2,5 τυπικές αποκλίσεις πάνω από τη µέση τιµή του.
71
Σχήµα 3.8: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Ιουνίου 2004 για το Ν. Λέσβου
Σχήµα 3.9: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Ιουλίου 2004 για το Ν. Λέσβου
72
Σχήµα 3.10: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Αυγούστου 2004 για το Ν. Λέσβου
Σχήµα 3.11: Σχετικός ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς Σεπτεµβρίου 2004 για το Ν. Λέσβου
73
3.4. Συµπεράσµατα
Η εκτίµηση του κινδύνου έναρξης δασικών πυρκαγιών, υποχρεώνει τις υπηρεσίες να

αντιµετωπίσουν την τυχαιότητα ενός φυσικού φαινοµένου και να αναπτύξουν µεθόδους οι
οποίες θα περιγράφουν το φαινόµενο της πυρκαγιάς µε χρήσιµο τρόπο για αυτούς που
λαµβάνουν αποφάσεις (Botkin 1990, Sampson et al. 2000). Σε αυτό το κεφάλαιο διερευνήθηκε
η δυνατότητα ανάπτυξης µιας µεθοδολογίας εκτίµησης του κινδύνου έναρξης δασικών
πυρκαγιών για επιχειρησιακή εφαρµογή βασισµένη σε δεδοµένα που µπορούν να συλλεχθούν
εύκολα και να επεξεργαστούν γρήγορα για τον Ελλαδικό χώρο. Τα δεδοµένα που λαµβάνονται
υπόψη για την µοντελοποίηση φυσικών φαινοµένων παρουσιάζουν, συνήθως µη γραµµικότητα
και µεταβλητότητα που δύσκολα µπορεί να προσδιοριστεί. Τα ΤΝ∆ παρουσίασαν σηµαντική
ικανότητα στην αναγνώριση προτύπων σε δεδοµένα όπου οι τυπικές στατιστικές µέθοδοι
δύσκολα θα αναγνώριζαν.
Τα επιχειρησιακά συστήµατα άλλων κρατών/περιοχών βασίζονται κυρίως σε ιδιαιτερότητες της

περιοχής εφαρµογής τους αλλά και στις δυνατότητες που παρέχει η τεχνολογική ανάπτυξη και
η ολοκληρωµένη δασική διαχείριση µέσω της συστηµατικής καταγραφής του ιστορικού των
πυρκαγιών. Έτσι, οι σχέσεις συσχέτισης µεταξύ των δεδοµένων που λαµβάνονται υπόψη και η
µεθοδολογία, δύσκολα µπορεί να εφαρµοστούν σε τοπική κλίµακα στην Ελλάδα. Αντίθετα, τα
ΤΝ∆ µπορούν να εκπαιδευτούν για να αναγνωρίσουν τα χωρικά πρότυπα έναρξης πυρκαγιών
που βασίζονται στα δεδοµένα της κάθε περιοχής εφαρµογής. ∆ηλαδή, τα εκπαιδευµένα ΤΝ∆
στην παρούσα εφαρµογή µπορούν να χρησιµοποιηθούν για την περιοχή της Λέσβου, ενώ στην
περίπτωση που χρησιµοποιηθούν δεδοµένα µιας άλλης περιοχής τα αποτελέσµατα θα αλλάξουν
γιατί θα αναγνωριστούν διαφορετικά χωρικά πρότυπα.
Αν και τα περισσότερα επιχειρησιακά συστήµατα που είναι σε χρήση σε όλο τον κόσµο δεν
συµπεριλαµβάνουν τον ανθρώπινο παράγοντα (Lin 2000, Taylor and Alexander 2006), το
προτεινόµενο σύστηµα λαµβάνει υπόψη την ανθρώπινη παρουσία στην εκτίµηση του κινδύνου.
Από τις πυρκαγιές στη Λέσβο για τις οποίες έχει εξακριβωθεί η αιτία, το µεγαλύτερο ποσοστό
οφείλεται άµεσα ή έµµεσα στον άνθρωπο. Συνεπώς, ένα σύστηµα εκτίµησης κινδύνου έναρξης
πυρκαγιάς για το νησί της Λέσβου πρέπει βασίζεται στην εκτίµηση του ανθρώπινου κινδύνου.
Η εκπαίδευση για την περιοχή της Λέσβου ταξινόµησε σωστά τα σηµεία εµφάνισης πυρκαγιών
τόσο στα δεδοµένα εκπαίδευσης όσο και στα δεδοµένα επαλήθευσης. Παρατηρείται ωστόσο
µια τάση υπερεκτίµησης κυρίως στον Κοινωνικο-Οικονοµικό ∆είκτη Κινδύνου. Αυτό οφείλεται
κυρίως στο γεγονός ότι πράγµατι ο συγκεκριµένος δείκτης είναι υψηλός για την περιοχή της
Λέσβου αφού αντικατοπτρίζει τον κίνδυνο λόγω ανθρωπογενών παραµέτρων. Υπάρχουν
δηλαδή περιοχές όπου, αν και δεν εµφανίζονται πολλές πυρκαγιές, έχουν διαχρονικά υψηλό
74
κίνδυνο έναρξης πυρκαγιάς µιας και η ανθρώπινη παρουσία σε αυτές ακολουθεί τα ίδια
πρότυπα µε την ανθρώπινη παρουσία στις περιοχές όπου υπάρχει µεγάλη συχνότητα έναρξης
πυρκαγιών.
Η εποχικότητα των δεικτών δεν παρουσίασε σηµαντικές µεταβολές. Τόσο ο Μετεωρολογικός

∆είκτης όσο και ο Βλαστητικός ∆είκτης, αν και περιέχουν παραµέτρους που µεταβάλλονται
ηµερησίως, οι µεταβολές αυτές δεν κρίνονται τόσο σηµαντικές, σύµφωνα µε το ιστορικό των
πυρκαγιών ώστε να επηρεάσουν σηµαντικά την έναρξη πυρκαγιών. Η διακύµανση δηλαδή των
σηµαντικών παραµέτρων από ηµέρα σε ηµέρα κατά την αντιπυρική περίοδο δεν επηρεάζει τον
αριθµό εµφάνισης των πυρκαγιών, επηρεάζει όµως τα αποτελέσµατά τους. Επίσης, ο
Κοινωνικο-Οικονοµικός ∆είκτης συµπεριλαµβάνει δύο χρονικά δυναµικές παραµέτρους -την
ηµέρα και το µήνα του έτους- και παρουσιάζει µικρές µεταβολές από µήνα σε µήνα και από
καθηµερινές σε Σαββατοκύριακο.
Τα παραπάνω µας οδηγούν στο συµπέρασµα ότι ο ∆είκτης Κινδύνου Έναρξης Πυρκαγιών είναι
περισσότερο κατάλληλος για µεσοπρόθεσµη και µακροπρόθεσµη χρήση κατά την οποία
µπορούν να αναγνωριστούν περιοχές µε υψηλή επικινδυνότητα, έτσι ώστε να εφαρµοστούν
συγκεκριµένα διαχειριστικά και προκατασταλτικά µέτρα που θα οδηγήσουν στην µείωση του
αριθµού των πυρκαγιών. Αυτό µπορεί να επιτευχθεί σε τοπικό επίπεδο όπου το προσωπικό που
απασχολείται µε τη διαχείριση των πυρκαγιών έχει τη δικαιοδοσία να εφαρµόσει τα κατάλληλα
προληπτικά µέτρα γνωρίζοντας τις τοπικές ιδιαιτερότητες καθώς και τις σηµαντικές περιοχές
που πρέπει να προστατευθούν. Ένα επιχειρησιακό σύστηµα έχει µικρή ωφέλεια όταν οι
αποφάσεις που λαµβάνονται είναι µόνο κατασταλτικές ή όταν τα επιχειρησιακά µέσα
διανέµονται σε πολιτικό/διοικητικό επίπεδο (Taylor and Alexander 2000).
75
4. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ∆ΙΚΤΥΩΝ ΓΙΑ ΤΗΝ
ΕΚΤΙΜΗΣΗ ΤΗΣ ΣΗΜΑΝΤΙΚΟΤΗΤΑΣ ΤΩΝ ΜΕΤΑΒΛΗΤΩΝ ΠΑΡΑΜΕΤΡΩΝ ΠΟΥ
ΛΑΜΒΑΝΟΝΤΑΙ ΥΠΟΨΗ ΣΤΗΝ ΕΚΤΙΜΗΣΗ ΚΙΝ∆ΥΝΟΥ ΠΥΡΚΑΓΙΑΣ
Η εκτίµηση του κινδύνου πυρκαγιών λαµβάνει υπόψη µεταβλητές που περιγράφουν τις
µετεωρολογικές συνθήκες, την τοπογραφία, την καύσιµη ύλη και τις κοινωνικο-οικονοµικές
συνθήκες έτσι ώστε να αποδώσουν αριθµητικούς δείκτες των πιθανών πυρκαγιών (Pyne et al.
1996, Andrews et al. 2003). ∆ιάφορες ποσοτικές µεθοδολογίες έχουν αναπτυχθεί και
δοκιµαστεί για την συσχέτιση των παραµέτρων που λαµβάνονται υπόψη στην εκτίµηση
κινδύνου πυρκαγιών, οι περισσότερες από τις οποίες έχουν ως αποτέλεσµα την άµεση ή έµµεση
αξιολόγηση της σηµαντικότητας των µεταβλητών. Για παράδειγµα, µερικές µεθοδολογίες
βασίζονται στον επιλεκτικό καθορισµό των βαρών από ειδικούς (Salas and Chuvieco 1994),
ενώ άλλες βασίζονται στην πολυκριτηριακή ανάλυση κατά την οποία ειδικοί πραγµατοποιούν
συγκρίσεις ανά δύο µεταβλητές χρησιµοποιώντας κάποια σχετική κλίµακα σηµαντικότητας
(Alcázar et al. 1998). Σε αντίθεση µε τον υποκειµενικό καθορισµό των βαρών, έχουν
χρησιµοποιηθεί ευρέως στατιστικές µέθοδοι για τη δηµιουργία µαθηµατικών σχέσεων
εκτίµησης κινδύνου. Συγκεκριµένα, έχουν χρησιµοποιηθεί η γραµµική και η λογιστική
παλινδρόµηση κατά τις οποίες οι συντελεστές των συναρτήσεων απεικονίζουν την
σηµαντικότητα των µεταβλητών που λαµβάνονται υπόψη (Chou 1992b, Chou et al. 1993,
Cardille et al. 2001, Vasconcelos et al. 2001).
Στην εκτίµηση κινδύνου πυρκαγιών έχουν χρησιµοποιηθεί, όπως στην παρούσα διατριβή, και
τα Τεχνητά Νευρωνικά ∆ίκτυα (ΤΝ∆) (Vega-Garcia et al. 1996, Chuvieco 1999, Vasconcelos et
al. 2001, Vasilakos et al. 2004). Ένα από τα µειονεκτήµατα των ΤΝ∆ είναι η ερµηνεία του
παραγόµενου µοντέλου ως προς τον προσδιορισµό των σηµαντικότερων µεταβλητών που
επηρεάζουν το µοντέλο, για αυτό και τα ΤΝ∆ έχουν χαρακτηριστεί ως “µαύρα κουτιά” (Howes
and Crook 1999, Andersson et al. 2000, Papadokonstantakis et al. 2006). ∆ιάφορες
µεθοδολογίες έχουν εφαρµοστεί για τη διερεύνηση της σηµαντικότητας των δεδοµένων εισόδου
σε ένα εκπαιδευµένο ΤΝ∆. Οι Howes και Crook (1999) πρότειναν, µεταξύ άλλων, την µέθοδο
“Γενική Επίδραση” (General Influence-GI) της κάθε µεταβλητής, η οποία βασίζεται στην
ανάλυση των βαρών και είναι παρόµοια µε τη µέθοδο που πρότειναν οι Yoon et al. (1994). Οι
δύο παραπάνω µέθοδοι σχετίζονται µε τη µέθοδο “Ποσοστό Επίδρασης” (Percentage of
Influence - PI) που αναπτύχθηκε από τον Garson (1991) και την µέθοδο “Εξαγόµενα Βάρη”
(Weight Product-WP) των Tchaban et al. (1998) οι οποίες και χρησιµοποιήθηκαν στη
76
συγκεκριµένη διατριβή. Η GI έχει χρησιµοποιηθεί επίσης σε µια συγκριτική ανασκόπηση από
τους Papadokonstantakis et al. (2006) µαζί µε την µέθοδο που προτείνεται από τους Nord and
Jacobsson (1998), οι οποίοι µηδενίζουν διαδοχικά τα βάρη (SZW) της κάθε µεταβλητής
εισόδου ώστε να µετρήσουν την επίδρασή της στην έξοδο του ΤΝ∆. Επιπλέον, έχει
χρησιµοποιηθεί η µέθοδος “Mερική Παράγωγος” (Partial Derivative – PD) της εξόδου του ΤΝ∆
ως προς κάθε µεταβλητή εισόδου για να αναλυθεί η επίδρασή τους. Πιο συγκεκριµένα, οι
Dimopoulos et al. (1995) και Ibarra et al. (2003) χρησιµοποίησαν την µέθοδο των µερικών
παραγώγων σε πραγµατικά δεδοµένα, ενώ οι Gevrey et al. (2003) και Montano and Palmer
(2003) την χρησιµοποίησαν σε προσοµοιωµένα δεδοµένα µαζί µε τις µεθόδους PI, WP και την
“Αριθµητική Ανάλυση Ευαισθησίας” (Numeric Sensitivity Analysis-NSA) η οποία βασίζεται
στον υπολογισµό των κλίσεων µεταξύ των δεδοµένων εισόδου και εξόδου. Τέλος, έχει προταθεί
και η οπτική ερµηνεία των βαρών σύνδεσης µεταξύ των νευρώνων από τους Özesmi and
Özesmi (1999) η οποία χρησιµοποιήθηκε και από τους Olden and Jackson (2002).
Σκοπός αυτού του κεφαλαίου είναι η αξιολόγηση της επίδρασης των δεδοµένων που
λαµβάνονται υπόψη στην εκπαίδευση των ΤΝ∆ που αναπτύχθηκαν στο προηγούµενο κεφάλαιο
χρησιµοποιώντας πέντε (5) διαφορετικές µεθόδους. Η ανάλυση της ευαισθησίας των
µεταβλητών που λαµβάνονται υπόψη µπορεί να αποτελέσει χρήσιµο αποτέλεσµα σε µια
ποσοτικοποιηµένη ανάλυση των δεικτών κινδύνου πυρκαγιάς, γιατί η διαχείριση των δασών
µπορεί να εστιαστεί στα κατάλληλα προκατασταλτικά µέτρα µε σκοπό την µείωση των
πυρκαγιών. Θα είναι δυνατό δηλαδή να εντοπιστούν οι κρίσιµες παράµετροι που επηρεάζουν
την έναρξη πυρκαγιών και οι προκατασταλτικές ενέργειες να έχουν ως σκοπό συγκεκριµένες
ενέργειες. Σε περίπτωση, για παράδειγµα, που η απόσταση από το οδικό δίκτυο εντοπίζεται ως
η σηµαντικότερη παράµετρος, τα µέτρα πρόληψης µπορούν να συµπεριλαµβάνουν τον
καθαρισµό της νεκρής οργανικής ύλης από τις πλευρές του οδικού δικτύου, την ενηµέρωση του
κοινού σχετικά µε το συγκεκριµένο κίνδυνο καθώς και σε µερικές περιπτώσεις µε δύσκολες
καιρικές συνθήκες, πιο ακραία µέτρα όπως την απαγόρευση της κυκλοφορίας.
4.2.1. Μέθοδοι κατάταξης σηµαντικότητας των µεταβλητών
Πέντε (5) µέθοδοι εφαρµόστηκαν για την κατάταξη των µεταβλητών που λαµβάνονται υπόψη
για τον υπολογισµό των τριών δεικτών κινδύνου: του Μετεωρολογικού ∆είκτη, του
Βλαστητικού ∆είκτη και του Κοινωνικό-Οικονοµικού ∆είκτη. Η µέθοδος PI (Garson 1991) και
η µέθοδος WP (Tchaban et al. 1998) βασίζονται στα βάρη διασύνδεσης όπως έχουν
διαµορφωθεί µετά την εκπαίδευση των νευρωνικών δικτύων. Επίσης χρησιµοποιήθηκαν η
77
γραµµική και η λογιστική παλινδρόµηση για την κατάταξη των µεταβλητών σύµφωνα µε τους
υπολογισµένους συντελεστές των ανεξάρτητων µεταβλητών. Τέλος, εφαρµόστηκαν οι µερικές
παράγωγοι της εξόδου των νευρωνικών δικτύων για να διερευνηθεί κατάταξη των παραµέτρων
αλλά και ο τρόπος µε τον οποίο επηρεάζουν οι παράµετροι τον κάθε δείκτη σε όλο το πεδίο
ορισµού τους.
“Ποσοστό Επίδρασης” (Percentage of Influence - PI)
Ο Garson (1991) πρότεινε µια µεθοδολογία µέτρησης της σχετικής σηµαντικότητας των
µεταβλητών εισόδου σε ένα νευρωνικό δίκτυο βασισµένη στα βάρη διασύνδεσης ενός
επιτυχηµένα εκπαιδευµένου νευρωνικού δικτύου. ∆ιάφορες παραλλαγές του αλγορίθµου του
παρουσιάστηκαν αργότερα (Yoon et al. 1994, Goh 1995, Howes and Crook 1999). Η
µεθοδολογία χρησιµοποιεί τις απόλυτες τιµές των βαρών διασύνδεσης γι’αυτό ένα µειονέκτηµά
του είναι ότι το αποτέλεσµα δεν εκφράζει την αρνητική ή θετική επίδραση της µεταβλητής
αλλά µόνο το µέγεθος της επίδρασης. Βασίζεται στη σχέση 1 η οποία υπολογίζει το ποσοστό
επίδρασης Qik της µεταβλητής εισόδου xi στη µεταβλητή εξόδου yk, ενός δικτύου του οποίου τα
βάρη w συνδέουν τους N νευρώνες εισόδου και τους L νευρώνες του κρυφού επίπέδου
επεξεργασίας και τα βάρη u συνδέουν τους νευρώνες του κρυφού επίπέδου επεξεργασίας µε το
νευρώνα της εξόδου. Το “ποσοστό επίδρασης” του Garson δίνεται µε την παρακάτω σχέση,
σύµφωνα µε την οποία το άθροισµα όλων των ποσοστών επίδρασης των νευρώνων εισόδου
είναι ίσο µε 100%:
⎛ ⎞
⎜ ⎟
⎜ wij u ⎟
L
∑ ⎜ N jk
⎟
⎜ ∑ rj
j =1
w ⎟
Qik = ⎝ r =1 ⎠
⎛ ⎛ ⎞⎞
⎜ L ⎜ ⎟⎟
⎜ ⎜ wij ⎟ ⎟
N
∑ ⎜∑ ⎜ N ⎟⎟
i =1
⎜⎜ j =1 ⎜ ∑ wrj ⎟ ⎟⎟
⎝ ⎝ r =1 ⎠⎠
“Εξαγόµενα Βάρη” (Weight Product-WP)
Η µεθοδολογία “εξαγόµενα βάρη” προτάθηκε από τον Tchaban (Tchaban et al. 1998) και είναι
µια απλοποιηµένη µορφή του αλγόριθµου του Garson. Βασίζεται, επίσης, στα βάρη ενός
εκπαιδευµένου νευρωνικού δικτύου αλλά δεν χρησιµοποιούνται οι απόλυτες τιµές, οπότε το
78
αποτέλεσµα εκφράζει και την θετική ή αρνητική επίδραση των µεταβλητών εισόδου στο
δίκτυο. Σκοπός της µεθόδου είναι να υπολογιστεί η επίδραση των µεταβλητών WPik η οποία
βασίζεται στο λόγο της τιµής µιας µεταβλητής εισόδου xi ως προς την υπολογιζόµενη τιµή
εξόδου yk µέσω της σχέσης:
xi L
WPik =
yk
∑w u
j =1
ij jk
Σύµφωνα µε την παραπάνω σχέση, κάθε σειρά δεδοµένων εισόδου έχει ως αποτέλεσµα
διαφορετικό WPik, οπότε για να υπολογιστεί η συνολική επίδραση της µεταβλητής εισόδου
υπολογίζεται ο αριθµητικός µέσος και η τυπική απόκλιση για όλο το δείγµα εκπαίδευσης.
“Γραµµική παλινδρόµηση” (Multi-linear Regression –MR)
Η γραµµική παλινδρόµηση χρησιµοποιήθηκε για να συσχετισθούν τα δεδοµένα εισόδου του

κάθε δείκτη µε την υπολογιζόµενες τιµές εξόδου των δικτύων. Το µέγεθος της επίδρασης των
παραµέτρων δίνεται από την παρακάτω σχέση και συγκεκριµένα από την τιµή και το πρόσηµο
των συντελεστών ai για κάθε µεταβλητή εισόδου xi (Mendehall και Sincich 1996):
y k = a1 x1 + a 2 x 2 + ... + ai xi
“Λογιστική Παλινδρόµηση” (Logistic Regression – LR)
Η λογιστική παλινδρόµηση θεωρείται µια αρκετά ικανή µέθοδος εκτίµησης της πιθανότητας
εµφάνισης ενός γεγονότος στην περίπτωση κατά την οποία η εξαρτηµένη µεταβλητή µπορεί να
εκφραστεί µε δυαδική µορφή (Hosmer and Lemeshow 1989, Καλαµποκίδης και Κούτσιας
2000, Vasconcelos et al. 2001). Το µοντέλο της λογιστικής παλινδρόµησης δίνεται µε τη σχέση
(Mendehall and Sincich 1996):
1
f (z ) = − (b0 + b1 x1 + b2 x 2 + ...+ bi x i )
1+ e
όπου xi είναι οι ποσοτικές ή ποιοτικές ανεξάρτητες µεταβλητές και bi οι εκτιµώµενοι

συντελεστές οι οποίοι παρουσιάζουν την επίδραση των δεδοµένων εισόδου στην εξαρτηµένη
µεταβλητή.
79
“Μερική Παράγωγος” (Partial Derivative – PD)
Η σηµαντικότητα των δεδοµένων ενός ΤΝ∆ µπορεί να υπολογιστεί µέσω των µερικών
παραγώγων της εξόδου των δικτύων ως προς την κάθε µεταβλητή εισόδου. Υπολογίζοντας τις
µερικές παραγώγους, προσεγγίζεται ο Jacobian matrix ο οποίος εκφράζει την ευαισθησία της
εξόδου του ΤΝ∆ ως αποτέλεσµα των µικρών µεταβολών των τιµών εισόδου (Bishop 1995).
Αυτή η µέθοδος έχει χρησιµοποιηθεί ευρέως και θεωρείται αρκετά αποτελεσµατική στον
υπολογισµό της επίδρασης των παραγόντων που λαµβάνονται υπόψη στην προσέγγιση µιας
συνάρτησης µέσω νευρωνικών δικτύων (Dimopoulos et al. 1995, 1999, Gevrey et al. 2003). Για
ένα δίκτυο µε ni µεταβλητές εισόδου, ένα κρυφό επίπεδο µε nh κόµβους επεξεργασίας και ένα
κόµβο εξόδου, η µερική παράγωγος dji της εξόδου yj ως προς τη µεταβλητή xj (όπου j=1,…Ν
και Ν ο συνολικός αριθµός παρατηρήσεων) υπολογίζεται µε την παρακάτω εξίσωση υπό την
προϋπόθεση ότι χρησιµοποιείται η λογιστική συνάρτηση ως συνάρτηση ενεργοποίησης:
nh
d ji = S j ∑ who I hj ( 1 − I hj )wih
h =1
Στην περίπτωση κατά την οποία το νευρωνικό δίκτυο δεν είναι γραµµικό, κάθε σειρά
δεδοµένων εισόδου θα έχει ως αποτέλεσµα τη διαφορετική κλίση της συνάρτησης γι’αυτό και η
συνολική επίδραση της κάθε µεταβλητής εισόδου υπολογίζεται είτε µε τον αριθµητικό µέσο και
την τυπική απόκλιση, είτε µε το άθροισµα των τετραγώνων των µερικών παραγώγων σύµφωνα
µε την εξίσωση:
N
SSDi = ∑ ( d ji )2
j =1
Τα γραφήµατα των µερικών παραγώγων ως προς κάθε µεταβλητή που δηµιουργούνται από
αυτήν την διαδικασία παρέχουν ένα χρήσιµο αποτέλεσµα στην µελέτη της επίδρασης που έχει
κάθε µεταβλητή σε όλο το εύρος των τιµών της, ενώ η τιµή SSDi δείχνει το µέγεθος της
συνολικής επίδραση της µεταβλητής i χωρίς ωστόσο να είναι εµφανές το είδος της επίδρασης
δηλαδή αν είναι αρνητική ή θετική.
Τα αποτελέσµατα από τις πέντε µεθόδους που εφαρµόστηκαν συνοψίζονται τόσο σε µορφή
πινάκων, οι οποίοι δείχνουν το µέγεθος της επίδρασης για κάθε µεταβλητή εισόδου, όσο και σε
γραφήµατα διασποράς των µερικών παραγώγων. Τα τελευταία παρουσιάζουν το είδος της
επίδρασης που έχει η κάθε παράµετρος για κάθε δείκτη για τον οποίο λαµβάνεται υπόψη π.χ.
θετικές τιµές της µερικής παραγώγου εκφράζουν θετική µεταβολή του δείκτη κινδύνου και
80
αντίστροφα ενώ το µέγεθος δείχνει το ρυθµό µεταβολής της επίδρασης.
4.3.1. Μετεωρολογικός ∆είκτης Κινδύνου (Μ∆Κ)
Οι µετεωρολογικές συνθήκες αποτελούν ένα κρίσιµο παράγοντα σε ένα περιβάλλον πυρκαγιάς,

καθώς την επηρεάζουν µερικές φορές πολύ περισσότερο από ό,τι η τοπογραφία ή η βλάστηση.
Οι µετεωρολογικές συνθήκες οι οποίες λαµβάνονται υπόψη σε ένα τέτοιο περιβάλλον και
επηρεάζουν τον πιθανό κίνδυνο έναρξη πυρκαγιάς είναι η θερµοκρασία, η σχετική υγρασία, η
βροχόπτωση και ο άνεµος (Schroeder and Buck 1970). Οι ηµερήσιες µεταβολές στη
θερµοκρασία και τη βροχόπτωση επιδρούν σηµαντικά στην περιεχόµενη υγρασία της καύσιµης
ύλης η οποία µε τη σειρά της, επηρεάζει την έναρξη και την εξάπλωση της πυρκαγιάς (π.χ.,
Andrews et al. 2003).
Ο Πίνακας 4.1 παρουσιάζει τα αποτελέσµατα των πέντε µεθόδων που εφαρµόστηκαν για να
εξεταστεί ο τρόπος µε τον οποίο οι µετεωρολογικές συνθήκες επηρεάζουν την πιθανότητα
έναρξης πυρκαγιάς. Εκτός από τη LR, όλες οι υπόλοιπες µέθοδοι αναδεικνύουν την εµφάνιση
βροχόπτωσης το τελευταίο 24ωρο ως την σηµαντικότερη παράµετρο. Πιο συγκεκριµένα, και
σύµφωνα µε τη µέθοδο PI, η επίδραση της βροχόπτωσης εκτιµάται σε 35,9%, ενώ συµφωνούν
και οι υπόλοιπες οι οποίες κατατάσσουν αυτήν την παράµετρο ως τη σηµαντικότερη µε
σηµαντική διαφορά από τις υπόλοιπες. Όλες οι µέθοδοι κατατάσσουν τη θερµοκρασία στη
δεύτερη θέση, ενώ η ταχύτητα ανέµου και η σχετική υγρασία ακολουθούν σύµφωνα µε τις
µεθόδους PI, WP, και PD.
Σύµφωνα µε τα πρόσηµα του αριθµητικού µέσου στη µέθοδο WP και των συντελεστών στις
µεθόδους MR και LR, η θερµοκρασία και η σχετική υγρασία εµφανίζονται να έχουν θετική
επίδραση στην έναρξη πυρκαγιών, ενώ η ταχύτητα ανέµου και η βροχόπτωση έχουν αρνητική.
Αυτό σηµαίνει ότι οι υψηλές θερµοκρασίες και η έλλειψη βροχόπτωσης έχουν ως αποτέλεσµα
τον υψηλό κίνδυνο πυρκαγιάς. Τα πρόσηµα της σχετικής υγρασίας και της ταχύτητας ανέµου
υποδηλώνουν αντίθετη ως προς τη γενική αντίληψη για τον τρόπο που επηρεάζουν αυτές οι
παράµετροι την έναρξη πυρκαγιών, αν και ο άνεµος θεωρείται να έχει µια κυρίαρχη επίδραση
στην πυρκαγιά (Finklin and Fischer 1990). Το παραπάνω µπορεί να εξηγηθεί από την χαµηλή
σηµαντικότητα που αποδίδεται σε αυτές τις µεταβλητές συγκριτικά µε τη θερµοκρασία και την
βροχόπτωση. Όπως φαίνεται στον Πίνακα 4.1, αποδίδονται χαµηλός αριθµητικός µέσος και
µικροί συντελεστές για τη σχετική υγρασία και την ταχύτητα ανέµου σε αντίθεση µε τον υψηλό
αριθµητικό µέσο και τους µεγάλους συντελεστές της θερµοκρασίας και της βροχόπτωσης, ενώ
από το Σχήµα 4.1 οι µερικές παράγωγοι τους Μ∆Κ ως προς της σχετική υγρασία και τη
ταχύτητα ανέµου έχουν µικρές τιµές ενώ η διασπορά δεν δείχνει κάποια καθορισµένη τάση.
81
Πίνακας 4.1: Αποτελέσµατα των 5 µεθόδων που εφαρµόστηκαν για την ανάλυση ευαισθησίας των δεδοµένων εισόδου στο Μετεωρολογικό ∆είκτη Κινδύνου (PI:
Percentage of Influence; WP: Weight Product; MR: Multi-linear Regression; LR: Logistic Regression model; PD: Partial Derivatives, Mean: Αριθµητικός Μέσος,
Beta, B: Εκτιµώµενοι συντελεστές, SSD: Sum of Square Derivatives)
Μεταβλητή PI WP MR LR PD
% Mean S.D. Beta t Sig. B Sig. SSD
Θερµοκρασία 28,7 3,893 1,710 0,203 28,244 0,000 5,963 0,002 11,246
Ταχύτητα Ανέµου 20,9 -0,438 0,294 -0,032 -5,426 0,000 -17,100 0,004 1,078
Σχετική Υγρασία 14,5 0,277 0,186 0,034 4,954 0,000 0,919 0,559 0,008
Βροχόπτωση 35,9 -6,002 9,707 -0,925 -155,072 0,000 -2,528 0,004 20,657
Σύνολο 100,0 R2 = 0,998
82
Οι τιµές της µερικής παραγώγου του Μ∆Κ ως προς τη θερµοκρασία είναι όλες θετικές γεγονός
το οποίο δηλώνει ότι η αύξηση της θερµοκρασίας οδηγεί σε αύξηση του Μ∆Κ (Σχήµα 5). Οι
υψηλότερες τιµές θερµοκρασίας έχουν ως αποτέλεσµα µεγαλύτερο ρυθµό αύξησης του Μ∆Κ.
Οι τιµές των µερικών παραγώγων του Μ∆Κ ως προς τη βροχόπτωση είναι όλες αρνητικές,
δηλαδή όταν υπάρχει βροχόπτωση τις τελευταίες 24 ώρες τότε ο Μ∆Κ µειώνεται (Σχήµα 5).
Όσον αφορά στη σχετική υγρασία και την ταχύτητα ανέµου, στο Σχήµα 4.1 δεν παρουσιάζεται
κάποια συγκεκριµένη µορφή στη διασπορά των τιµών, ενώ οι µέγιστες απόλυτες τιµές είναι
µικρές, γεγονός το οποίο οδηγεί στο συµπέρασµα ότι η πιθανότητα εµφάνισης πυρκαγιάς λόγω
των συγκεκριµένων µετεωρολογικών συνθηκών είτε δεν επηρεάζεται από αυτές τις µεταβλητές
είτε αυτοί οι παράµετροι επηρεάζουν το Μ∆Κ σε συνδυασµό µε τις υπόλοιπες, πράγµα το οποίο
θεωρείται και το πιο πιθανό. Τα παραπάνω έχουν επαληθευτεί και σε προηγούµενη έρευνα
(Kalabokidis et al. 2002b), κατά την οποία σε ένα παρόµοιο οικολογικό και οικονοµικό
περιβάλλον, η θερµοκρασία καλοκαιριού και η βροχόπτωση ήταν σηµαντικές παράµετροι στην
εµφάνιση πυρκαγιών αντίθετα µε τη σχετική υγρασία. Τέλος, ο άνεµος αποτελεί σηµαντική
παράµετρο κυρίως στην εξάπλωση της πυρκαγιάς, αλλά είναι δύσκολο να υπολογιστεί λόγω
επίδρασης της τοπογραφίας, της βλάστησης και της τοπικής ψύξης και θέρµανσης οι οποίες
έχουν ως αποτέλεσµα τη δηµιουργία ενός µικροκλίµατος µε τοπικές συνθήκες (Trewartha and
Horn 1980).
0.60 0.00
-0.02
0.50
-0.04
d(Air Temperature)
d(Wind speed)
0.40 -0.06
-0.08
0.30
-0.10
0.20 -0.12
-0.14
0.10
-0.16
0.00 -0.18
0 0.2 0.4 0.6 0.8 1 1.2 0 0.2 0.4 0.6 0.8 1 1.2
Air Temperature Wind speed
0.020 0.00
-0.10
d(Relative Humidity)
0.015 -0.20
-0.30
d(Rain)
0.010 -0.40
-0.50
0.005 -0.60
-0.70
0.000 -0.80
0 0.2 0.4 0.6 0.8 1 1.2 -0.2 0 0.2 0.4 0.6 0.8 1 1.2
Relative Humidity Rain
Σχήµα 4.1: Οι µερικές παράγωγοι του Μ∆Κ ως προς κάθε µεταβλητή εισόδου
83
4.3.2. Βλαστητικός ∆είκτης Κινδύνου (Β∆Κ)
Ο Β∆Κ είναι αποτέλεσµα της αλληλεπίδρασης βιοφυσικών παραµέτρων όπως της βλάστησης
και της τοπογραφίας (Chen et al. 2003). Η έναρξη αλλά και η εξάπλωση µιας πυρκαγιάς
σχετίζονται µε την ποσότητα, το µέγεθος, την πυκνότητα, τη συνέχεια, και την περιεχόµενη
υγρασία της βλάστησης. Οι παραπάνω παράγοντες καθορίζουν τη διαθεσιµότητα της καύσιµης
ύλης προς καύση (Andrews et al. 2003). Η τοπογραφία επηρεάζει τόσο το µικροκλίµα - άρα και
τη διαθεσιµότητα της καύσιµης ύλης - όσο και την εξάπλωση µιας πυρκαγιάς.
Ο Πίνακας 4.2 παρουσιάζει τον τρόπο µε τον οποίο η βλάστηση (µοντέλα καύσιµης ύλης και
περιεχόµενη υγρασία) και η τοπογραφία (υψόµετρο και έκθεση) επηρεάζουν την έναρξη µιας
πυρκαγιάς. Όλες οι µέθοδοι έχουν ως αποτέλεσµα την κατάταξη της περιεχόµενης υγρασίας
καύσιµης ύλης 10-h ΧΥ, όπως ορίζεται από τον Deeming et al. (1977), ως τη σηµαντικότερη
παράµετρο. Σύµφωνα µε τη µέθοδο PI, η περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ έχει
επίδραση ίση µε 60.3%, ενώ ο µέσος της µεθόδου WP και οι συντελεστές των µεθόδων MR και
LR δείχνουν την πολύ µεγάλη επίδραση αυτής της παραµέτρου. Με εξαίρεση την παραπάνω
παράµετρο, δεν υπάρχει απόλυτη συµφωνία όλων των µεθόδων ως προς την κατάταξη των
υπολοίπων µεταβλητών, εκτός από τις MR και PD οι οποίες ταξινοµούν τα µοντέλα καύσιµης
ύλης ως δεύτερη σηµαντική παράµετρο, την έκθεση ως τρίτη και το υψόµετρο ως τέταρτη,
σύµφωνα µε το µέγεθος των στατιστικών στοιχείων του Πίνακα 4.2.
Όσον αφορά στο είδος της επίδρασης, τα πρόσηµα του µέσου της µεθόδου WP και των
συντελεστών των µεθόδων MR και LR δείχνουν ότι τα µοντέλα καύσιµης ύλης έχουν θετική
επίδραση στην έναρξη πυρκαγιάς ενώ η περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ, το
υψόµετρο και η έκθεση αρνητική. Η µόνη εξαίρεση είναι η θετική επίδραση της έκθεσης,
σύµφωνα µε την µέθοδο LR.
Στο Σχήµα 4.2 παρουσιάζονται οι µερικές παράγωγοι του Β∆Κ ως προς κάθε µεταβλητή που
λαµβάνεται υπόψη για τον υπολογισµό του. Οι µερικές παράγωγοι του Β∆Κ ως προς την
ευφλεκτικότητα της καύσιµης ύλης είναι σχεδόν όλες θετικές, δηλαδή η αύξηση της
ευφλεκτικότητας έχει ως αποτέλεσµα στην αύξηση στη δυνητική έναρξη πυρκαγιών. Οι µερικές
παράγωγοι του Β∆Κ ως προς την περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ είναι όλες
αρνητικές για µικρές τιµές της υγρασίας και σχεδόν µηδενικές για µεγάλες τιµές. Αυτό σηµαίνει
ότι η αύξηση της περιεχόµενης υγρασίας οδηγεί στη µείωση του κινδύνου έναρξης πυρκαγιάς,
ενώ για τις υψηλές τιµές, ο Β∆Κ γίνεται ανεξάρτητος από αυτή την παράµετρο. Το υψόµετρο
έχει παρόµοια επίδραση στο Β∆Κ όπως και η περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ αν
και οι τιµές των παραγώγων είναι πιο διάσπαρτες. Σε χαµηλό υψόµετρο ο Β∆Κ αυξάνεται ενώ
σε υψηλό υψόµετρο ο κίνδυνος γίνεται ανεξάρτητος.
84
Πίνακας 4.2: Αποτελέσµατα των 5 µεθόδων που εφαρµόστηκαν για την ανάλυση ευαισθησίας των δεδοµένων εισόδου στο Βλαστητικό ∆είκτη Κινδύνου (PI:
Percentage of Influence; WP: Weight Product; MR: Multi-linear Regression; LR: Logistic Regression model; PD: Partial Derivatives, Mean: Αριθµητικός Μέσος,
Μοντέλα ΚΥ 12,2 422,999 2267,412 0,347 4,343 0,000 3,694 0,041 760,877
Περιεχόµενη
Υγρασία ΚΥ 60,3 -16246,136 81357,857 -0,490 -5,205 0,000 -6,532 0,035 29578,630
Υψόµετρο 10,6 -1551,479 7968,604 -0,124 -1,298 0,198 -1,061 0,478 288,322
Έκθεση 16,9 -1042,417 5666,958 -0,160 -2,057 0,043 0,712 0,275 299,648
Total 100,0 R2 = 0,491
85
Η έκθεση του αναγλύφου εκφράζει την κατεύθυνση της κλίσης και εκφράζεται σε µοίρες (0-
360). Η έκθεση επηρεάζει τη δυνητική έναρξη πυρκαγιών λόγω της διαφορετικής
προσπίπτουσας ηλιακής ακτινοβολίας στο έδαφος και των ανέµων. Οι µερικές παράγωγοι του
Β∆Κ ως προς την έκθεση του αναγλύφου είναι αρνητικές, σύµφωνα µε το Σχήµα 4.2, για
έκθεση από 0 έως 200 µοίρες (βόρεια, ανατολικά και νότια) και θετικές για έκθεση 200 έως 360
µοίρες (νότιο-δυτικά, δυτικά και βόρεια). Η υψηλότερη αρνητική επίδραση συναντάται στις
ανατολικές εκθέσεις ενώ στις νότιες και νότιο-δυτικές εκθέσεις όπου αυξάνεται ο κίνδυνος,
εκδηλώνεται συνήθως µεγαλύτερος αριθµός πυρκαγιών λόγω της υψηλής ηλιακής ακτινοβολίας
και της έλλειψης υγρασίας της βλάστησης. Οι βόρειες εκθέσεις (0 και 360 µοίρες)
παρουσιάζουν µικρή επίδραση στον δυνητικό κίνδυνο και συνήθως µικρό αριθµό πυρκαγιών
αλλά µεγάλης έκτασης λόγω της πλούσιας καύσιµης ύλης, η οποία είναι αποτέλεσµα της
υψηλής υγρασίας (Agee 1994).
6.0 0.0
5.0 -5.0
d(10h Fuel moisture)
-10.0
d(Fuel models)
4.0
-15.0
3.0
-20.0
2.0
-25.0
1.0 -30.0
0.0 -35.0
-1.0 -40.0
0 0.2 0.4 0.6 0.8 1 1.2 0 0.2 0.4 0.6 0.8 1 1.2
Fuel models 10h Fuel moisture
0.5 2.0
0.0 1.0
-0.5
0.0
-1.0
-1.0
d(Elevation)
-1.5
d(Aspect)
-2.0 -2.0
-2.5 -3.0
-3.0 -4.0
-3.5
-5.0
-4.0
-4.5 -6.0
-5.0 -7.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 0 0.2 0.4 0.6 0.8 1 1.2
Elevation Aspect
Σχήµα 4.2: Οι µερικές παράγωγοι του Β∆Κ ως προς κάθε µεταβλητή εισόδου
Σε σύγκριση µε τις υπόλοιπες µεταβλητές, η συµφωνία όλων των µεθόδων σχετικά µε την
υψηλή επίδραση της περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ επιβεβαιώνεται και από την
αρκετά καθορισµένη µορφή της διασποράς των µερικών παραγώγων της Β∆Κ στο Σχήµα 6
αλλά και από τις υψηλές τιµές των µερικών παραγώγων της Β∆Κ ως προς την περιεχόµενη
υγρασία καύσιµης ύλης 10-h ΧΥ του Πίνακα 3. Στην πραγµατικότητα, η περιεχόµενη υγρασία
καύσιµης ύλης 10-h ΧΥ αποτελεί µια από τις σηµαντικότερες ιδιότητες της καύσιµης ύλης και
σχετίζεται τόσο µε την έναρξη όσο και µε την εξάπλωση µιας πυρκαγιάς. Η ξηρή νεκρή
καύσιµη ύλη αυξάνει την πιθανότητα έναρξης και την δυνητική συµπεριφορά (Chuvieco 1999),
για αυτό και αρκετά επιχειρησιακά συστήµατα εκτίµησης κινδύνου συµπεριλαµβάνουν αυτήν
86
την παράµετρο (Deeming et al. 1977, Stocks et al. 1989). Τέλος, η έναρξη πυρκαγιών
επηρεάζεται αρνητικά σε υψηλά υψόµετρα λόγω της διαθεσιµότητας της βλάστησης για
πυρκαγιά καθώς και της µη εγγύτητας σε δυνητικές πηγές έναρξης πυρκαγιάς όπως είναι ο
ανθρώπινος παράγοντας.
4.3.3. Κοινωνικο-Οικονοµικός ∆είκτης Κινδύνου (ΚΟ∆Κ)
Ο ΚΟ∆Κ αναφέρεται στην πιθανότητα έναρξης πυρκαγιάς λόγω της ανθρώπινης παρουσίας και
δραστηριότητας. Πιο συγκεκριµένα, ο άνθρωπος αποτελεί το σπουδαιότερο παράγοντα στην
ανάλυση του κινδύνου πυρκαγιάς, ειδικά στις Μεσογειακές χώρες όπου είναι η κύρια αιτία
έναρξης πυρκαγιάς λόγω ατυχήµατος ή εµπρησµού (Henderson et al. 2005). Η χωρική ανάλυση
του ανθρώπινου ρίσκου είναι αρκετά πολύπλοκή λόγω της δυσκολίας να συσχετιστούν χωρικά
οι κοινωνικοοικονοµικές δραστηριότητες σε ένα βιοφυσικό και ανθρωπογενές περιβάλλον
(Kalabokidis et al. 2002a, Chen et al. 2003). Η κύρια µέθοδος που χρησιµοποιείται για την
εκτίµηση του ανθρωπογενούς ρίσκου είναι η συσχέτιση της χωρικής κατανοµής των σηµείων
έναρξης πυρκαγιάς µε την εγγύτητα σε ανθρώπινες δραστηριότητες (π.χ., Chuvieco and
Congalton 1989, Chuvieco and Salas 1996, Kalabokidis et al. 2002b).
Η σηµαντικότητα των παραµέτρων που λαµβάνονται υπόψη στον υπολογισµό του ΚΟ∆Κ,
σύµφωνα µε τις πέντε µεθόδους που χρησιµοποιήθηκαν, παρουσιάζεται στον Πίνακα 4.3. Λόγω
του µεγαλύτερου αριθµού µεταβλητών σε σύγκριση µε τους υπόλοιπους δείκτες αλλά και του
γεγονότος ότι δεν διακρίνεται κάποια µεταβλητή µε συγκριτικά πολύ µεγαλύτερη επίδραση από
τις υπόλοιπες, δεν υπάρχει απόλυτη συµφωνία από όλες τις µεθόδους ως προς την κατάταξη
των παραµέτρων. Η διαφορετικότητα των µηχανισµών υπολογισµού σύµφωνα µε τις πέντε
µεθόδους οδηγεί σε αποτελέσµατα µε διαφορετική τάξη µεγέθους (Gevrey et al. 2003), για αυτό
και η σύγκριση των µεθόδων κατάταξης των µεταβλητών εξετάσθηκε και παρουσιάζεται
παρακάτω µε το συντελεστή συσχέτισης του Spearman (ρ). Ωστόσο, παρατηρήθηκαν µερικές
οµοιότητες ως προς την παράµετρο του µήνα, όπου η ιστορική συχνότητα έναρξης πυρκαγιών
ταξινοµήθηκε ως πρώτη σύµφωνα µε τις µεθόδους WP, MR και PD, δεύτερη σύµφωνα µε τη
µέθοδο PI και τρίτη µε τη µέθοδο (Πίνακας 4.3). Επίσης, η εγγύτητα σε περιοχές αναψυχής
ταξινοµήθηκε τελευταία σύµφωνα µε τις µεθόδους WP και MR και προτελευταία σύµφωνα µε
τις µεθόδους LR και PD.
87
Πίνακας 4.3: Αποτελέσµατα των 5 µεθόδων που εφαρµόστηκαν για την ανάλυση ευαισθησίας των δεδοµένων εισόδου στο Κοινωνικο-Οικονοµικό ∆είκτη Κινδύνου
(PI: Percentage of Influence; WP: Weight Product; MR: Multi-linear Regression; LR: Logistic Regression model; PD: Partial Derivatives, Mean: Αριθµητικός Μέσος,
Κύριο Οδικό ∆ίκτυο 17,3 -3,977 6,844 -0,229 -7,425 0,000 -2,462 0,031 293,830
∆ευτερεύον Οδικό ∆ίκτυο 6,0 -1,944 3,067 -0,066 -2,733 0,007 -2,002 0,023 48,318
Ηλεκτροφόρες Γραµµές 6,3 -1,702 2,922 -0,116 -3,139 0,002 -1,538 0,216 60,052
Αστικές Περιοχές 9,1 -9,183 12,857 -0,435 -11,778 0,000 -2,319 0,038 489,701
Χωµατερές 9,2 4,750 6,157 0,240 9,527 0,000 0,841 0,345 175,973
Χώροι Αναψυχής 12,1 0,247 0,248 0,041 1,539 0,125 -0,489 0,471 41,051
Άγροτικές Περιοχές 12,8 1,608 3,491 0,108 3,379 0,001 1,600 0,115 99,546
Μήνας 14,3 32,965 12,690 0,643 26,530 0,000 1,724 0,000 1304,499
Ηµέρα 12,9 3,186 6,010 0,157 6,618 0,000 0,392 0,201 36,074
Σύνολο 100,00 R2 = 0,859
88
Εκτός από την εγγύτητα σε περιοχές αναψυχής, όλες οι υπόλοιπες µεταβλητές παρουσιάζουν το
ίδιο είδος επίδρασης, σύµφωνα µε τα πρόσηµα του µέσου της µεθόδου WP και των
συντελεστών των µεθόδων MR και LR. Στο Σχήµα 4.3, παρουσιάζονται οι µερικές παράγωγοι
του ΚΟ∆Κ ως προς τις µεταβλητές που λαµβάνονται υπόψη. Οι τιµές των µερικών παραγώγων
του ΚΟ∆Κ ως προς την εγγύτητα σε περιοχές αναψυχής εκτείνονται σε µεγάλο εύρος,
παρουσιάζοντας τόσο θετικές όσο και αρνητικές τιµές χωρίς µια καθορισµένη µορφή. Αυτό
οφείλεται στη µικρή επίδραση της µεταβλητής αυτής στον ΚΟ∆Κ, ενώ µπορεί να επηρεάζει
µόνο όταν αλληλεπιδρά µε άλλο παράγοντα. Όσον αφορά στο είδος της επίδρασης των
παραµέτρων, ο κίνδυνος πυρκαγιάς µειώνεται όσο αποµακρυνόµαστε από το κύριο και το
δευτερεύον οδικό δίκτυο, τις ηλεκτροφόρες γραµµές και τις αστικές περιοχές (Πίνακας 4.3 και
Σχήµα 4.3). Αξιοσηµείωτη είναι η αύξηση του κινδύνου όσο αποµακρυνόµαστε από χωµατερές
και αγροτικές περιοχές γεγονός το οποίο έρχεται σε αντίθεση µε τη γενική αντίληψη της
επίδρασης αυτών παραµέτρων. Τέλος, τις καθηµερινές, σύµφωνα µε το Σχήµα 4.3, δεν
επηρεάζεται ο κίνδυνος πυρκαγιάς σε αντίθεση µε τα σαββατοκύριακα κατά τα οποία ο ΚΟ∆Κ
αυξάνεται σηµαντικά.
Τα αποτελέσµατα από την ανάλυση της επίδρασης των µεταβλητών του ΚΟ∆Κ εξηγούν και
τους ανθρωπογενείς παράγοντες ως αιτία πυρκαγιάς σύµφωνα µε το καταγεγραµµένο ιστορικό.
Από το 1970 έως το 2001, 62% των πυρκαγιών που είχαν γνωστά αίτια (περίπου 55% όλων των
πυρκαγιών) οφείλεται σε ανθρώπινη αµέλεια, 16% σε εµπρησµούς, 10% σε κεραυνούς, 6,5%
σε στρατιωτικές δραστηριότητες, 2,8% σε ανάφλεξη λόγω απορριµµάτων και 1,7% σε
βραχυκυκλώµατα. Σύµφωνα µε τα αποτελέσµατα, οι πιο κρίσιµοι µήνες για την έναρξη
πυρκαγιών είναι ο Αύγουστος και ο Σεπτέµβριος και ακολουθούν η εγγύτητα σε αστικές
περιοχές και στο κύριο οδικό δίκτυο. Η δηµογραφική και η αστική ανάπτυξη οδηγούν σε πίεση
της υπαίθρου µε αποτέλεσµα τον αυξηµένο αριθµό πυρκαγιών σε περιαστικές περιοχές
(Chuvieco 1999), ενώ η αυξηµένη ανθρώπινη παρουσία στο οδικό δίκτυο και κοντά σε αυτό
σηµαίνει περισσότερες πιθανές πυρκαγιές λόγω ατυχήµατος ή αµέλειας (Thompson 2000). Οι
περιοχές αναψυχής, οι οποίες περιλαµβάνουν τις παραλίες και τις τοποθεσίες θρησκευτικού και
αρχαιολογικού ενδιαφέροντος, κατατάσσονται ως τελευταίες στη σηµαντικότητα λόγω του ότι
η συµπεριφορά των επισκεπτών σε αυτές τις περιοχές δεν ευνοεί κατ’ ανάγκη την έναρξη
πυρκαγιών.
89
1.5 0.0
1.0
0.5 -0.2
0.0 -0.4
-0.5
d(DMR)
d(DSR)
-1.0 -0.6
-1.5
-2.0 -0.8
-2.5 -1.0
-3.0
-3.5 -1.2
0.0 0.2 0.4 0.6 0.8 1.0 1.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
DMR DSR
0.4 0.0
0.2 -0.5
0.0 -1.0
-0.2
d(DUA)
-1.5
d(DPL)
-0.4
-2.0
-0.6
-2.5
-0.8
-1.0 -3.0
-1.2 -3.5
0.0 0.2 0.4 0.6 0.8 1.0 1.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
DPL DUA
2.0 1.5
1.8
1.6 1.0
1.4
1.2 0.5
d(DRA)
d(DLF)
1.0
0.0
0.8
0.6 -0.5
0.4
0.2 -1.0
0.0
-0.2 -1.5
0.0 0.2 0.4 0.6 0.8 1.0 1.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
DLF DRA
2.5 5.0
4.5
2.0
4.0
1.5 3.5
d(Month)
3.0
d(DAL)
1.0 2.5
2.0
0.5 1.5
0.0
1.0
0.5
-0.5 0.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
DAL M onth
1.5
1.0
d(Day of the week)
0.5
0.0
-0.5
-1.0
0.0 0.2 0.4 0.6 0.8 1.0 1.2
Day of the week
Σχήµα 4.3: Οι µερικές παράγωγοι του ΚΟ∆Κ ως προς κάθε µεταβλητή εισόδου (DMR: Κύριο Οδικό
∆ίκτυο, DSR: ∆ευτερεύον Οδικό ∆ίκτυο, DPL: Ηλεκτροφόρες Γραµµές, DUA: Αστικές Περιοχές, DLF:
Χωµατερές, DRA: Χώροι Αναψυχής, DAL: Άγροτικές Περιοχές)
90
4.4. Συµπεράσµατα
Αν και τα ΤΝ∆ έχουν µεγάλη δυνατότητα στη µοντελοποίηση σύνθετων προβληµάτων, η

ικανότητα τους για τον άµεσο υπολογισµό της σηµαντικότητας των µεταβλητών που εισάγονται
σε ένα ΤΝ∆ είναι περιορισµένες. ∆ιάφορες µέθοδοι έχουν αναπτυχθεί και εφαρµοστεί για την
αποσυναρµολόγηση του “µαύρου κουτιού”. Σκοπός αυτού του κεφαλαίου ήταν η εφαρµογή
πέντε µεθόδων για να εκτιµηθεί η σηµαντικότητα και το είδος της επίδρασης των παραγόντων
που λαµβάνονται υπόψη στον υπολογισµό των τριών δεικτών που αναπτύχθηκαν στο
προηγούµενο κεφάλαιο.
Πίνακας 4.4: Ο συντελεστής συσχέτισης του Spearman (ρ) των µεθόδων ταξινόµησης για τους Μ∆Κ,
Β∆Κ και ΚΟ∆Κ. Στον υπολογισµό του µέσου δεν λαµβάνεται υπόψη ο συντελεστής συσχέτισης µεταξύ
των ίδιων µεθόδων (PI: Percentage of Influence; WP: Weight Product; MR: Multi-linear Regression; LR:
Logistic Regression model; PD: Partial Derivatives)
∆είκτης Μέθοδος PI WP MR LR PD Mean
PI 1,000 1,000 0,800 0,200 1,000 0,750
WP 1,000 1,000 0,800 0,200 1,000 0,750
Μ∆Κ MR 0,800 0,800 1,000 -0,400 0,800 0,500
LR 0,200 0,200 -0,400 1,000 0,200 0,050
PD 1,000 1,000 0,800 0,200 1,000 0,750
PI 1,000 0,400 0,800 0,400 0,800 0,600
WP 0,400 1,000 0,200 0,400 0,200 0,300
Β∆Κ MR 0,800 0,200 1,000 0,800 1,000 0,700
LR 0,400 0,400 0,800 1,000 0,800 0,600
PD 0,800 0,200 1,000 0,800 1,000 0,700
PI 1,000 0,250 0,350 0,033 0,150 0,196
WP 0,250 1,000 0,950 0,417 0,850 0,617
ΚΟ∆Κ MR 0,350 0,950 1,000 0,333 0,900 0,633
LR 0,033 0,417 0,333 1,000 0,550 0,333
PD 0,150 0,850 0,900 0,550 1,000 0,613
Σε προηγούµενες εργασίες, για την αξιολόγηση µεθόδων ανάλυσης ευαισθησίας ΤΝ∆

χρησιµοποιήθηκαν συνθετικά δεδοµένα (π.χ, Howes and Crook 1999, Montano and Palmer
2003), πραγµατικά δεδοµένα (π.χ., Olden and Jackson 2002, Gevrey et al. 2003, Ibarra et al.
2003) και/ή πραγµατικά µαζί µε συνθετικά δεδοµένα (π.χ., Papadokonstantakis et al. 2006). Για
να αξιολογηθεί η σχετική απόδοση της κάθε µεθόδου στην παρούσα έρευνα ούτως ώστε να
καταλήξουµε σε συγκεκριµένα συµπεράσµατα σχετικά µε την επίδραση των µεταβλητών,
χρησιµοποιήθηκε ο συντελεστής συσχέτισης Spearman’s (ρ) (Norusis 1990), και τα
αποτελέσµατα παρουσιάζονται στον Πίνακα 4.4. Οι µέθοδοι PI, WP και PD παρουσίασαν
παρόµοια απόδοση στην ταξινόµηση των παραµέτρων του Μ∆Κ µε µέσο συντελεστή
συσχέτισης ίσο µε 0,750, ενώ η LR είχε χαµηλή απόδοση κυρίως ως προς την ταξινόµηση των
παραµέτρων της βροχόπτωσης και της ταχύτητας του ανέµου (Πίνακας 4.1). Οι µεταβλητές που
91
λαµβάνονται υπόψη στον υπολογισµό του Β∆Κ ταξινοµήθηκαν καλύτερα από τις µεθόδους MR
και PD µε µέσο συντελεστή συσχέτισης 0,700. Επίσης, οι µέθοδοι MR, WP και PD
παρουσίασαν παρόµοια απόδοση στην βαθµολόγηση των παραµέτρων του ΚΟ∆Κ όπου
υπήρχαν 9 συγκρίσεις ζευγών κατάταξης µε µέσο συντελεστή συσχέτισης 0,633, 0,617 και
0,613 αντίστοιχα. Συνολικά η µέθοδος των µερικών παραγώγων παρουσίασε αξιοσηµείωτη
σταθερότητα στην απόδοσή της ακόµα και στην περίπτωση που οι παράµετροι είχαν µικρή
διαφορά στην επίδρασή τους. Η απόδοση των υπόλοιπων µεθόδων φαίνεται ότι επηρεάστηκε
από τον αριθµό των παραµέτρων που λαµβάνονται υπόψη αλλά και από το µέγεθος της
επίδρασής τους.
Πίνακας 4.5: Κατάταξη των µεταβλητών εισόδου για κάθε δείκτη κινδύνου (Μ∆Κ: Μετεωρολογικός
∆είκτης Κινδύνου, Β∆Κ: Βλαστητικός ∆είκτης Κινδύνου, ΚΟ∆Κ: Κοινωνικό-οικονοµικός ∆είκτης
Κινδύνου, PI: Percentage of Influence, WP: Weight Product, MR: Multi-linear Regression, LR: Logistic
Regression model, PD: Partial Derivatives).
∆είκτης Μεταβλητή PI WP MR LR PD
Θερµοκρασία 2 2 2 2 2
Ταχύτητα Ανέµου 3 3 4 1 3
Μ∆Κ
Σχετική Υγρασία 4 4 3 4 4
Βροχόπτωση 1 1 1 3 1
Μοντέλα Καύσιµης Ύλης 3 4 2 2 2
Περιεχόµενη Υγρασία Καύσιµης Ύλης 1 1 1 1 1
Β∆Κ
Υψόµετρο 4 2 4 3 4
Έκθεση 2 3 3 4 3
Κύριο Οδικό ∆ίκτυο 1 4 4 1 3
∆ευτερεύον Οδικό ∆ίκτυο 9 6 8 3 7
Ηλεκτροφόρες Γραµµές 8 7 6 6 6
Αστικές Περιοχές 7 2 2 2 2
ΚΟ∆Κ Χωµατερές 6 3 3 7 4
Χώροι Αναψυχής 5 9 9 8 8
Άγροτικές Περιοχές 4 8 7 5 5
Μήνας 2 1 1 4 1
Ηµέρα 3 5 5 9 9
Στον Πίνακα 4.5 συνοψίζονται τα αποτελέσµατα της ταξινόµησης σύµφωνα µε τις πέντε
µεθόδους που παρουσιάστηκαν παραπάνω. Λαµβάνοντας υπόψη και τον Πίνακα 4.4, όσον
αφορά στις µετεωρολογικές συνθήκες, ο σηµαντικότερος παράγοντας που επηρεάζει την
έναρξη πυρκαγιών είναι η εµφάνιση βροχόπτωσης το προηγούµενο 24ωρο και ακολουθούν η
θερµοκρασία, η ταχύτητα του ανέµου και τέλος, η λιγότερη σηµαντική παράµετρος, σχετική
υγρασία. Την υψηλότερη θετική µεταβολή του κινδύνου προκαλούν οι υψηλές θερµοκρασίες,
ενώ την υψηλότερη αρνητική η έλλειψη βροχόπτωσης τις προηγούµενες 24 ώρες. Όσον αφορά
στη βλάστηση και την τοπογραφία, η περιεχόµενη υγρασία καύσιµης ύλης 10-h ΧΥ είναι η
σηµαντικότερη παράµετρος και ακολουθούν η ευφλεκτικότητα των µοντέλων καύσιµης ύλης, η
92
έκθεση του αναγλύφου και το υψόµετρο. Σχετικά µε την ανθρώπινη παρουσία, ο ΚΟ∆Κ,
επηρεάζεται από την ιστορικά µηνιαία συχνότητα πυρκαγιών, και ακολουθούν η απόσταση από
τις αστικές περιοχές, τις χωµατερές και το κύριο οδικό δίκτυο, ενώ η απόσταση από τις
περιοχές αναψυχής και η ηµέρα της εβδοµάδας έχουν τη µικρότερη επίδραση. Ο ΚΟ∆Κ έχει τη
µεγαλύτερη θετική µεταβολή κατά τους µήνες που παρουσιάζουν ιστορικά µεγάλη συχνότητα
πυρκαγιών και τη µεγαλύτερη αρνητική µεταβολή κοντά στο κύριο οδικό δίκτυο και τις αστικές
περιοχές.
Συµπερασµατικά, στις περιοχές της Μεσογείου οι περιαστικές περιοχές φαίνεται ότι έχουν
υψηλότερο κίνδυνο πυρκαγιών κατά την διάρκεια του Αυγούστου και του Σεπτεµβρίου οπότε
και οι µετεωρολογικές συνθήκες έχουν ως αποτέλεσµα πυρκαγιές µεγάλης έκτασης και
έντασης.
93
5. ΕΦΑΡΜΟΓΗ ΕΚΤΙΜΗΣΗΣ ΚΙΝ∆ΥΝΟΥ ΕΝΑΡΞΗΣ ∆ΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ
Η ανάγκη για την οµογενοποίηση των πληροφοριών που σχετίζονται µε τα δάση της Ευρώπης
διατυπώνεται στον κανονισµό No 1615/89 της Ευρωπαϊκής Κοινότητας.. Σύµφωνα µε αυτόν
τον κανονισµό, τα κράτη της Ε.Κ. πρέπει να τυποποιούν τις πληροφορίες που αφορούν στον
δασικό τοµέα σύµφωνα µε το Ευρωπαϊκό Σύστηµα Πληροφοριών και Επικοινωνιών (European
Information and Communication System - EFICS). Πολλά από τα συστήµατα που
δηµιουργήθηκαν έκτοτε, ακολουθούν τον κανονισµό (Rennolls et al. 2004, Schuck et al. 2005),
ενώ άλλα συστήµατα στοχεύουν κυρίως στην µοντελοποίηση των διαδικασιών µέσα σε ένα
Σύστηµα Λήψεως Αποφάσεων. Στα τελευταία συµπεριλαµβάνονται συστήµατα τα οποία έχουν
αναπτυχθεί και περιέχουν µεθοδολογίες µε εφαρµογή στον Ελλαδικό χώρο (Keramitsoglou et
al. 2004, Iliadis 2005, Kaloudis et al. 2005).
Η µεθοδολογία που αναπτύχθηκε και παρουσιάστηκε στο Κεφάλαιο 3 της παρούσας διατριβής,
ενσωµατώθηκε σε ένα λογισµικό για την αυτοµατοποίηση όλων των διεργασιών και
χρησιµοποιήθηκε ένα φιλικό προς το χρήστη γραφικό περιβάλλον διαδραστικότητας. Όλες οι
διαδικασίες έχουν ενσωµατωθεί στον πηγαίο κώδικα ώστε έχοντας ένα ήδη εκπαιδευµένο
νευρωνικό δίκτυο, δεν χρειάζεται από τον τελικό χρήστη ιδιαίτερη τεχνογνωσία για την
παραγωγή του τελικού αποτελέσµατος.
®
Για την ανάπτυξη της εφαρµογής χρησιµοποιήθηκε η γλώσσα προγραµµατισµού Visual Basic
6, ενώ για την υποστήριξη δεδοµένων ΣΓΠ χρησιµοποιήθηκε η βιβλιοθήκη αντικειµένων
®
ArcObjects™ της πλατφόρµας ανάπτυξης ArcGIS™ της εταιρείας ESRI . Η δοµή του
συστήµατος παρουσιάζεται στο Σχήµα 5.1. ∆ιακρίνονται πέντε γενικές ενότητες
διαδραστικότητας του χρήστη µε την εφαρµογή:
• Εκπαίδευση ΤΝ∆
• Λήψη µετεωρολογικών δεδοµένων και δηµιουργία µετεωρολογικών χαρτών
• Υπολογισµός ∆είκτη Κινδύνου Έναρξης Πυρκαγιάς
• ∆ηµιουργία σεναρίου
• Χαρτογραφική απόδοση ∆είκτη Κινδύνου Έναρξης Πυρκαγιάς
94
Εκπαίδευση ΤΝ∆ Εκτίµηση Βάση Γεωγραφικών Μετεωρολογικοί
Κινδύνου Σταθµοί
SKIRON
Πραγµατικός
Προγνωστικός
Ιστορικό Χαρτογραφική Απεικόνιση

ΤΝ∆ Σενάριο
∆ΚΕΠ
Σχήµα 5.1: ∆οµή της εφαρµογής εκτίµησης κινδύνου έναρξης πυρκαγιών
Για την εκπαίδευση των ΤΝ∆ αναπτύχθηκε ένα στοιχείο ελέγχου ActiveX για την
παρακολούθηση του λάθους εκπαίδευσης σε πραγµατικό χρόνο ώστε ο χρήστης να µπορεί να
διαπιστώσει αν οι εποχές εκπαίδευσης ήταν αρκετές ή όχι, αν έχει παγιδευτεί το ΤΝ∆ σε τοπικό
ελάχιστο καθώς και αν υπάρχει καλή γενίκευση (Σχήµα 5.2). Εκτός από το λάθος εκπαίδευσης,
απεικονίζονται στο γράφηµα τα σωστά ποσοστά ταξινόµησης των σηµείων πυρκαγιών και µη
πυρκαγιών και το ολικό ποσοστό σωστής ταξινόµησης σε πραγµατικό χρόνο.
Σχήµα 5.2: Αντικείµενο ελέγχου ActiveX για την παρακολούθηση της διαδικασίας εκπαίδευσης του ΤΝ∆
Για την έναρξη της εκπαίδευσης ο χρήστης επιλέγει το ∆είκτη για τον οποίο θέλει να
εκπαιδεύσει το δίκτυο καθώς και τη δοµή του ΤΝ∆. Η εκπαίδευση υποστηρίζεται από συλλογή
αρχείων τύπου ASCII τα οποία περιέχουν το ιστορικό των πυρκαγιών. Οι παράµετροι του ΤΝ∆,
όπως, αριθµός νευρώνων, αριθµός κρυφών επιπέδων, συνδεσµολογία και ρυθµός εκµάθησης,
δεν µπορούν να αποφασιστούν a priori αλλά µετά από επαναληπτικές δοκιµασίες. Αφού
εκπαιδευτεί το ΤΝ∆, είναι έτοιµο για την ηµερήσια εκτίµηση του κινδύνου. Πέρα από την
αξιολόγηση που γίνεται κατά την διάρκεια της εκπαίδευσης, υπάρχει η δυνατότητα εκ νέου
95
εκπαίδευσης του ΤΝ∆ µε βάση νέα δεδοµένα που θα προκύπτουν. ∆ηλαδή το ιστορικό των
πυρκαγιών µπορεί να εµπλουτίζεται κάθε χρόνο µε τις νέες πυρκαγιές ώστε να λαµβάνονται
υπόψη και αυτές στη διαδικασία της εκπαίδευσης. Η δυνατότητα τις συνεχούς εκµάθησης των
ΤΝ∆ έχει ως αποτέλεσµα τη δυνατότητα εφαρµογής της τελικής εφαρµογής σε οποιαδήποτε
περιοχή εφόσον δηµιουργηθεί αντίστοιχη βάση δεδοµένων. Η εκπαίδευση δηµιουργεί δύο (2)
αρχεία, ένα αρχείο µε τα βάρη του εκπαιδευµένου ΤΝ∆ και ένα αρχείο µε τις ιδιότητες του
ΤΝ∆ (Σχήµα 5.3).
Σχήµα 5.3: Ιδιότητες εκπαιδευµένου Τεχνητού Νευρωνικού ∆ικτύου

Το σύστηµα έχει τη δυνατότητα να υπολογίζει τόσο τον πραγµατικό όσο και τον προγνωστικό
∆ΚΕΠ. Στην περίπτωση του πραγµατικού ∆ΚΕΠ, λαµβάνονται υπόψη καθηµερινές µετρήσεις
από τέσσερις (4) αυτόµατους µετεωρολογικούς σταθµούς εγκατεστηµένους στο νησί της
Λέσβου.
Το σύστηµα έχει τη δυνατότητα να υπολογίζει τόσο τον πραγµατικό όσο και τον προγνωστικό
∆ΚΕΠ. Στην περίπτωση του πραγµατικού ∆ΚΕΠ, λαµβάνονται υπόψη καθηµερινές µετρήσεις
από 4 αυτόµατους µετεωρολογικούς σταθµούς εγκατεστηµένους στο νησί της Λέσβου. Η
επιλογή των τοποθεσιών έγινε µε γνώµονα την καλύτερη αναπαράσταση των µετεωρολογικών
συνθηκών. Οι τρεις σταθµοί µεταδίδουν τα δεδοµένα τους µέσω κινητής τηλεφωνίας, ενώ ο
τέταρτος µέσω σύνδεσης VHF. Τα δεδοµένα φορτώνονται αυτόµατα ηµερησίως από Η/Υ
εξοπλισµένο µε το κατάλληλο λογισµικό υποστήριξης. Για τον υπολογισµό του προγνωστικού
96
∆ΚΕΠ λαµβάνονται υπόψη αρχεία µετεωρολογικών προβλέψεων από το σύστηµα
SKIRON/Eta, τα οποία αποθηκεύει το σύστηµα αυτόµατα σε server. Τα δεδοµένα που έχουν
αποθηκευτεί στον Η/Υ ο οποίος υποστηρίζει τους αυτόµατους µετεωρολογικούς σταθµούς
καθώς και τα προγνωστικά δεδοµένα µεταφέρονται από το χρήστη της εφαρµογής µέσω
πρωτοκόλλου σύνδεσης FTP (Σχήµα 5.4).
Σχήµα 5.4: Γραφικό περιβάλλον διαδραστικότητας για τη σύνδεση του συστήµατος µε το διακοµιστή
µετεωρολογικών δεδοµένων
Για τον υπολογισµό του ∆είκτη Κινδύνου Έναρξης Πυρκαγιάς ο χρήστης δηµιουργεί τους
επιµέρους δείκτες. Για τον υπολογισµό του κάθε δείκτη χρησιµοποιούνται τα αρχεία των ΤΝ∆
που έχουν δηµιουργηθεί µετά από την εκπαίδευση τους. Ο χρόνος υπολογισµού των τριών
δεικτών και του ∆ΚΕΠ είναι περίπου 20 λεπτά και εξαρτάται από τον Η/Υ, το µέγεθος της
περιοχής µελέτης, τη δοµή του ΤΝ∆ και την ταχύτητα σύνδεσης µε το διακοµιστή των
µετεωρολογικών δεδοµένων.
Σχήµα 5.5: Φόρµα εισαγωγής τιµών για τη δηµιουργία σεναρίου

Μέσω της επιλογής του σεναρίου, ο χρήστης έχει τη δυνατότητα να εισάγει συγκεκριµένες
µετεωρολογικές και άλλες συνθήκες ώστε να υπολογίσει το ∆ΚΕΠ (Σχήµα 5.5). Επίσης, ο
χρήστης έχει τη δυνατότητα να δηµιουργήσει τον χάρτη ∆ΚΕΠ ο οποίος µπορεί να διανεµηθεί
97
στους τελικούς χρήστες είτε εκτυπώνοντάς τον, είτε δηµιουργώντας ένα συµβατικό αρχείο
εικόνας (Σχήµα 5.6).
Μειονέκτηµα της ανάπτυξης εφαρµογών µε την χρήση εµπορικών βιβλιοθηκών, και κυρίως των
ArcObjects, αποτελεί η αγορά και εγκατάσταση αυτών ακόµα και στον εξοπλισµό στον οποίο
θα εκτελεστεί η εφαρµογή. Αυτό έχει ως αποτέλεσµα το υψηλό κόστος για το δυνητικό τελικό
χρήστη ο οποίος είναι υποχρεωµένος να αποκτήσει όλη την πλατφόρµα ανάπτυξης της
εφαρµογής καθώς δεν είναι δυνατό να αποµονωθούν συγκεκριµένα τµήµατα που χρειάζονται
αποκλειστικά για την εκτέλεση εφαρµογών. Τέλος, η διαρκής ανάπτυξη της τεχνολογίας και
κυρίως της φιλοσοφίας του αντικειµενικού προγραµµατισµού επιβάλλει τη συνεχή
επικαιροποίηση του πηγαίου κώδικα, ώστε η εκτέλεση της εφαρµογής να µην παρουσιάζει
προβλήµατα συµβατότητας µε νέες βιβλιοθήκες αντικειµένων.
Σχήµα 5.6: Φόρµα χαρτογραφικής απεικόνισης αποτελεσµάτων
98
6. ΣΥΜΠΕΡΑΣΜΑΤΑ
6.1. Γενικά συµπεράσµατα
Ο βασικός στόχος της παρούσας διατριβής ήταν η ανάπτυξη ενός επιχειρησιακού συστήµατος
ποσοτικής εκτίµησης του κινδύνου έναρξης δασικών πυρκαγιών µε πεδίο εφαρµογής το νησί
της Λέσβου. Ο όρος ‘επιχειρησιακό σύστηµα’ ενσωµατώνει τους περιορισµούς και τις
προϋποθέσεις κάτω από τις οποίες πραγµατοποιήθηκε η συγκεκριµένη έρευνα. ∆ηλαδή, δεν
έγινε προσπάθεια να αναπτυχθεί µια αµιγώς ερευνητική µεθοδολογία εκτίµησης του κινδύνου η
οποία, υπό τις υπάρχουσες συνθήκες, θα ήταν αδύνατο να ενσωµατωθεί στην ελληνική
πραγµατικότητα είτε λόγω κόστους είτε λόγω µη διαθεσιµότητας στοιχείων, είτε λόγω έλλειψης
τεχνογνωσίας.
Η µεθοδολογία που παρουσιάστηκε στο Κεφάλαιο 3 αναπτύχθηκε µε γνώµονα τις

ιδιαιτερότητες του Ελλαδικού χώρου καθώς και τον, έως τώρα, τρόπο λειτουργίας των
υπηρεσιών που ασχολούνται µε τις δασικές πυρκαγιές (Xanthopoulos 2004). Το σύστηµα που
δηµιουργήθηκε βασίστηκε στις αιτίες των πυρκαγιών που εµφανίζονται στο νησί της Λέσβου,
αλλά η µεθοδολογία είναι κατά τέτοιο τρόπο δοµηµένη ώστε να µπορεί να εφαρµοστεί και σε
άλλες περιοχές όπου τα χωρικά πρότυπα και οι αιτίες πυρκαγιών είναι τελείως διαφορετικές.
Όσον αφορά στους ειδικότερους στόχους της παρούσης διατριβής, διερευνήθηκε η

χαρτογράφηση των αστικών περιοχών, του οδικού δικτύου και των χρήσεων γης, από το δέκτη
τηλεπισκόπησης QuickBird µέσω της οπτικής αναγνώρισης των παραπάνω χαρακτηριστικών. Η
συγκεκριµένη µεθοδολογία έχει µεγαλύτερη ακρίβεια από την πολυφασµατική ταξινόµηση
λόγω της µεγάλης ανάλυσής της εικόνας. Σηµαντικά µειονεκτήµατα της χρήσης τέτοιων
εικόνων είναι το µεγάλο κόστος απόκτησης ανά τετραγωνικό χιλιόµετρο και τα πολλά σκηνικά
που χρειάζονται για να καλυφτεί η συγκεκριµένη περιοχή µελέτης. Αυτό πρακτικά, σηµαίνει ότι
χρειάζονται περισσότερα περάσµατα του δέκτη συνεπώς και µεγαλύτερη πιθανότητα τα
σκηνικά να καλύπτονται σε µεγάλο ποσοστό από νέφη και σκιές µε αποτέλεσµα τη χαµηλή
ποιότητά τους.
Για τη διερεύνηση του δεύτερου στόχου, αναπτύχθηκε ο ∆είκτης Κινδύνου Έναρξης Πυρκαγιάς
(∆ΚΕΠ) βασιζόµενος στο είδος της πληροφορίας ώστε να εκφράζει τον συσσωρευµένο κίνδυνο
έναρξης πυρκαγιάς λόγω των καιρικών, βλαστητικών/τοπογραφικών και ανθρωπογενών
παραµέτρων. Αποτελείται από τρεις άλλους δείκτες: το Μετεωρολογικό ∆είκτη Κινδύνου
(Μ∆Κ), το Βλαστητικό ∆είκτη Κινδύνου (Β∆Κ) και τον Κοινωνικο-Οικονοµικό ∆είκτη
Κινδύνου (ΚΟ∆Κ). Όλοι οι επιµέρους δείκτες είναι δυναµικοί, δηλαδή µεταβάλλονται στο
99
χρόνο και το χώρο. Η επαλήθευση της εκπαίδευσης πραγµατοποιήθηκε µε την χρήση δείγµατος
από δεδοµένα εκπαίδευσης καθώς και µε επιχειρησιακή εφαρµογή σε συγκεκριµένες πυρκαγιές
κατά την αντιπυρική περίοδο 2003 και σε όλη την αντιπυρική περίοδο 2004. Τα αποτελέσµατα
της εκπαίδευσης και της επιχειρησιακής επαλήθευσης δείχνουν ότι πράγµατι ο ∆ΚΕΠ µπορεί
να βοηθήσει στην αναγνώριση περιοχών υψηλού κινδύνου ώστε να υποστηριχθούν αποφάσεις
προκατασταλτικού σχεδιασµού (Vasilakos et al. 2007).
Τρίτος στόχος της διατριβής ήταν διερεύνηση της δυνατότητας χρήσης των Τεχνητών
Νευρωνικών ∆ικτύων για τη συσχέτιση των παραµέτρων οι οποίοι θεωρήθηκαν ότι επηρεάζουν
την έναρξη των πυρκαγιών µε την ιστορική εµφάνιση των πυρκαγιών της Λέσβου (Rumelhart
and McClelland 1986). Σε αντίθεση µε τις εµπειρικές και τις στατιστικές µεθόδους που
χρησιµοποιούνται για την επιχειρησιακή εκτίµηση του κινδύνου δασικών πυρκαγιών, τα
Τεχνητά Νευρωνικά ∆ίκτυα παρουσίασαν µια ιδιαίτερη ικανότητα στην αναγνώριση προτύπων
ενός φυσικού φαινοµένου το οποίο παρουσιάζει, συνήθως, µη-γραµµικότητα και
µεταβλητότητα που δύσκολα µπορεί να προσδιοριστεί. Τα εκπαιδευµένα ΤΝ∆ στην παρούσα
εφαρµογή µπορούν να χρησιµοποιηθούν για την περιοχή της Λέσβου ενώ στην περίπτωση που
χρησιµοποιηθούν δεδοµένα µιας άλλης περιοχής τα αποτελέσµατα θα αλλάξουν γιατί θα
αναγνωριστούν διαφορετικά χωρικά πρότυπα. Σε αυτήν την περίπτωση θα πρέπει να
συλλεχθούν δεδοµένα για την περιοχή µελέτης ενώ ενδεχοµένως θα πρέπει να συµπεριληφθούν
νέες µεταβλητές ή να µη ληφθούν ορισµένες µεταβλητές από αυτές που χρησιµοποιήθηκαν σε
αυτήν την διατριβή. Η επιλογή των παραµέτρων πρέπει να γίνει ανάλογα µε τις αιτίες των
πυρκαγιών που εµφανίζονται στην υπό εξέταση περιοχή π.χ. στην ενδοχώρα ίσως θα πρέπει να
συµπεριληφθεί το σιδηροδροµικό δίκτυο.
Αν και ο χρόνος εκπαίδευσης των ΤΝ∆, λόγω των συνεχών δοκιµών, δεν µπορεί να
προσδιοριστεί εκ των προτέρων, ο χρόνος υπολογισµού του ∆ΚΕΠ συµπεριλαµβανοµένης της
µεταφοράς των µετεωρολογικών δεδοµένων, κρίνεται ικανοποιητικός για µια επιχειρησιακή
εφαρµογή. Ο χρόνος υπολογισµού των τριών δεικτών και του ∆ΚΕΠ ήταν περίπου 20 λεπτά και
εξαρτάται από τον Η/Υ, το µέγεθος της περιοχής µελέτης και τη δοµή του ΤΝ∆. Επίσης
προϋποθέτει ότι δεν υπάρχουν προβλήµατα επικοινωνίας (ασύρµατης και τηλεφωνικής, και
δικτύου) για την πρόσκτηση των µετεωρολογικών δεδοµένων από τους µετεωρολογικούς
σταθµούς και τον server.
Ένα από τα µειονεκτήµατα των ΤΝ∆ είναι η άµεση ερµηνεία της σηµαντικότητας των
µεταβλητών που λαµβάνονται υπόψη στην εκπαίδευση ενός ΤΝ∆.. Για να εκτιµηθεί ο βαθµός
επίδρασης των παραµέτρων στην παρούσα διατριβή χρησιµοποιήθηκαν 3 µέθοδοι ανάλυσης
ευαισθησίας ΤΝ∆ και δύο µέθοδοι συσχετισµού δεδοµένων στις οποίες η σηµαντικότητα των
100
µεταβλητών ερµηνεύεται µέσω των συντελεστών που υπολογίζονται. Αν και στη βιβλιογραφία
έχει µεγαλύτερη αποδοχή η µία από τις 3 µεθόδους ανάλυσης ευαισθησίας, και συγκεκριµένα η
µέθοδος των µερικών παραγώγων (Dimopoulos et al. 1995), εντούτοις, χρησιµοποιήθηκαν και
οι µέθοδοι που προτείνονται από τους Garson (1991) και Tchaban (Tchaban et al. 1998) ώστε
να δοκιµαστούν σε πραγµατικά δεδοµένα. Για να εξαχθούν συγκεκριµένα συµπεράσµατα
σχετικά µε την επίδραση των µεταβλητών στην τελική ερµηνεία των αποτελεσµάτων
κατάταξης, χρησιµοποιήθηκε ο συντελεστής συσχέτισης Spearman’s (ρ) (Norusis 1990). Από
τα αποτελέσµατα φαίνεται ότι η µέθοδος των µερικών παραγώγων παρουσίασε σταθερή
απόδοση και για τους τρεις δείκτες, ενώ οι υπόλοιπες µέθοδοι επηρεάστηκαν από τον αριθµό
των µεταβλητών προς κατάταξη καθώς και από τη διαφορά της σηµαντικότητας µεταξύ τους.
Όσον αφορά στην κατάταξη των µεταβλητών που επηρεάζουν την έναρξη των δασικών
πυρκαγιών, η έλλειψη βροχόπτωσης, η περιεχόµενη υγρασία της καύσιµης ύλης και ο µήνας
του έτους είναι οι σηµαντικότεροι παράγοντες. Επίσης, µεγάλη αύξηση του κινδύνου
προκαλείται από τις υψηλές θερµοκρασίες ενώ χωρικά παρουσιάζεται αυξηµένος κίνδυνος
κοντά στο κύριο οδικό δίκτυο και στις αστικές περιοχές. Η σχετική υγρασία, το υψόµετρο, η
απόσταση από περιοχές αναψυχής και η ηµέρα της εβδοµάδας είναι οι παράµετροι που δεν
επηρεάζουν σηµαντικά την έναρξη πυρκαγιών στη Λέσβο. Από τα παραπάνω συνάγεται ότι
πράγµατι οι µετεωρολογικές συνθήκες που χαρακτηρίζουν το µεσογειακό κλίµα ευνοούν τις
έναρξη δασικών πυρκαγιών, οι οποίες εµφανίζονται σε περιοχές µε έντονη ανθρώπινη
δραστηριότητα καθώς και σε περιοχές όπου υπάρχουν πιέσεις αλλαγής χρήσεων γης.
Τέλος, ως τέταρτος στόχος, τέθηκε η ανάπτυξη της εφαρµογής εκτίµησης κινδύνου. Η

αυτοµατοποίηση όλων των διαδικασιών µέσω Η/Υ δεν παρουσίασε µειονεκτήµατα αν και το
κόστος αγοράς των εµπορικών βιβλιοθηκών, και κυρίως των ArcObjects είναι ιδιαίτερα υψηλό,
ειδικά για τον τελικό χρήστη όπως είναι µια δηµόσια υπηρεσία. Σηµαντικό πλεονέκτηµα
αποτελεί η µη εξειδικευµένη γνώση χρήσης Η/Υ και προγραµµατισµού σε πηγαίο κώδικα από
το χρήστη της εφαρµογής, παρά µόνο µια εκπαίδευση λίγων ωρών.
Πρέπει να σηµειωθεί ότι η µεθοδολογία που αναπτύχθηκε στην παρούσα διατριβή είναι
δυνατόν να χρησιµοποιηθεί και σε άλλες εφαρµογές εκτός της εκτίµησης κινδύνου έναρξης
δασικών πυρκαγιών. Οι εφαρµογές αυτές µπορούν να περιλαµβάνουν την εκτίµηση
πιθανότητας εµφάνισης ή αναµενόµενης τιµής ενός φαινοµένου σε ένα συγκεκριµένο χώρο και
χρόνο. Έτσι, θα µπορεί να εξεταστεί αν η εµφάνιση ή η αναµενόµενη τιµή του φαινοµένου
οφείλονται στη χωροχρονική κατανοµή των αιτιών που την προκαλούν. Τέτοια φαινόµενα
µπορεί να είναι είτε άλλες φυσικές καταστροφές (π.χ. σεισµοί) ή άλλα φαινόµενα
περιβαλλοντικά (π.χ. εµφάνιση ενός είδους πανίδας ή χλωρίδας). Απαραίτητη προϋπόθεση για
101
την εφαρµογή της µεθοδολογίας στις παραπάνω εφαρµογές, είναι η ύπαρξη βάση ιστορικών
δεδοµένων του υπό εξέταση φαινοµένου καθώς και τα αντίστοιχα ιστορικά δεδοµένα των
γενεσιουργών αιτιών του.
6.2. Περαιτέρω έρευνα
Με βάση τα συµπεράσµατα αλλά και τις δυσκολίες που ανέκυψαν κατά την εφαρµογή της
µεθοδολογίας, προκύπτει η ανάγκη για περαιτέρω έρευνα σε ορισµένους τοµείς αλλά και η
βελτιστοποίηση ορισµένων διαδικασιών. Ειδικότερα, οι υπηρεσίες που ασχολούνται µε τις
δασικές πυρκαγιές και, κυρίως, η Πυροσβεστική Υπηρεσία, η οποία ασχολείται µε το έργο της
κατάσβεσης, θα πρέπει να καταγράφουν σε βάση δεδοµένων όλα τα περιστατικά πυρκαγιάς µε
όλες τις αναγκαίες πληροφορίες για τη δηµιουργία ενός ολοκληρωµένου συστήµατος εκτίµησης
κινδύνου. Το προσωπικό που καταφθάνει για την αρχική προσβολή θα πρέπει να είναι
εφοδιασµένο µε GPS για την καταγραφή των συντεταγµένων του σηµείου έναρξης καθώς και
µε φορητές µετρητικές διατάξεις βασικών µετεωρολογικών συνθηκών.
Μετά το πέρας της πυρκαγιάς, θα πρέπει να συλλέγονται συµπληρωµατικά στοιχεία, όπως: η

έκταση της καµένης περιοχής, οι αιτίες έναρξής της καθώς και να πραγµατοποιείται
χαρτογράφηση της καµένης έκτασης. Έχοντας τα παραπάνω στοιχεία, θα είναι εφικτή η
δηµιουργία ενός πιο ρεαλιστικού συστήµατος, το οποίο θα λαµβάνει υπόψη επικαιροποιηµένες
χρήσεις γης και µοντέλα καύσιµης ύλης ενώ θα χρησιµοποιούνται οι πραγµατικές
µετεωρολογικές συνθήκες που επικρατούσαν στην περιοχή της πυρκαγιάς στην εκπαίδευση των
ΤΝ∆.
Επιπλέον, είναι αναγκαία η περαιτέρω έρευνα στη δηµιουργία µετεωρολογικών θεµατικών

επιφανειών υψηλής ανάλυσης. Αν και µπορεί να κριθεί ικανοποιητικός ένας αριθµός
µετεωρολογικών σταθµών για µια συγκεκριµένη περιοχή, δεν µπορεί να περιγραφεί µε ακρίβεια
η επιφανειακή κατανοµή των συνθηκών, ιδιαίτερα σε ένα σύνθετο τοπογραφικό περιβάλλον.
Επίσης, η πρόγνωση των µετεωρολογικών συνθηκών υψηλής ανάλυσης περιορίζεται από την
υπολογιστική ισχύ συνεπώς θα ξεπεραστεί µε την πάροδο του χρόνου και τη βελτιστοποίηση
της τεχνολογίας.
Όσον αφορά στη χαρτογράφηση των µοντέλων καύσιµης ύλης αυτή µπορεί να βελτιστοποιηθεί
µε τη χρήση των δορυφορικών εικόνων QuickBird µέσω της χρήσης τεχνικών αναγνώρισης
αντικειµένων. Η τεχνική αυτή έχει χρησιµοποιηθεί τόσο σε εικόνες υψηλής ευκρίνειας για τη
χαρτογράφηση της καύσιµης ύλης (Gitas et al. 2006), καθώς και σε εικόνες µικρής χωρικής
διαχωριστικής ικανότητας για τον εντοπισµό καµένων περιοχών (Gitas et al. 2004). Έτσι, θα
είναι εφικτή η αναγνώριση περιοχών σε µεγάλη κλίµακα, µε διαφορετική ευφλεκτικότητα,
102
ιδιαίτερα σε περιοχές µε απότοµες αλλαγές στις χρήσεις γης, όπως είναι οι περιαστικές
περιοχές. Επίσης, η χρήση θεµατικής επιφάνειας µοντέλων καύσιµης ύλης υψηλής ανάλυσης θα
επιτρέπει την µοντελοποίηση της συµπεριφοράς µιας πυρκαγιάς µε µεγαλύτερη ακρίβεια. Η
λειτουργία αυτή θα πρέπει να ενσωµατωθεί σε ένα ολοκληρωµένο σύστηµα εκτίµησης
κινδύνου δασικών πυρκαγιών µαζί µε µια θεµατική επιφάνεια όπου θα εκφράζει τις
εκτιµώµενες ζηµιές που θα προκληθούν σε ενδεχόµενη πυρκαγιά. Αυτό θα έχει ως αποτέλεσµα
να διακρίνονται περιοχές οι οποίες, ενώ έχουν τον ίδιο κίνδυνο έναρξης πυρκαγιάς,
διαφοροποιούνται ως προς τα αποτελέσµατά τους συνεπώς θα πρέπει να δοθεί προτεραιότητα
στη διαχείρισή τους, ιδιαίτερα στη διαχείριση της καύσιµης ύλης (Xanthopoulos et al. 2006c).
Επιπλέον, θα πρέπει να γίνει προσπάθεια ώστε η µοντελοποίηση της έναρξης των δασικών
πυρκαγιών να λαµβάνει υπόψη την αιτία και την καµένη έκταση. Θα είναι δυνατόν, έτσι, να
εντοπιστούν χωρικά πρότυπα ανά αιτία ή/και καµένη έκταση και να απαντηθούν ερωτήµατα
όπως: (α) που υπάρχει υψηλός κίνδυνος έναρξης πυρκαγιάς από εµπρησµό; (β) που υπάρχει
υψηλός κίνδυνος έναρξης πυρκαγιάς µε αναµενόµενη καµένη έκταση 10.000 στρέµµατα; Η
χαρτογράφηση ενός δείκτη έναρξης πυρκαγιών ανά αιτία καθώς και το αναµενόµενο µέγεθος
των εν δυνάµει πυρκαγιών θα βοηθήσει στον καθορισµό συγκεκριµένων µέτρων πρόληψης
(Peterson et al. 2005). Για να πραγµατοποιηθεί αυτό θα πρέπει να είναι διαθέσιµες
οµογενοποιηµένες βάσεις δεδοµένων που προαναφέρθηκαν παραπάνω.
Επίσης, για την βραχυπρόθεσµη πρόγνωση του αναµενόµενου αριθµού πυρκαγιών σε

συγκεκριµένο χρονικό διάστηµα προτείνεται να διερευνηθεί η χρήση των Τεχνητών
Νευρωνικών ∆ικτύων έχοντας ως δεδοµένα εισόδου προηγούµενη χρονοσειρά των συµβάντων.
Η τεχνική αυτή έχει χρησιµοποιηθεί ευρέως σε οικονοµικές εφαρµογές (πρόγνωση τιµών
χρηµατιστηρίου, πτώχευση τραπεζών και εταιριών κ.λ.π.), περιβαλλοντικές εφαρµογές
(κατανάλωση ηλεκτρικού ρεύµατος, τιµές θερµοκρασίας, τιµές όζοντος κ.λ.π.) και µεταφορές
(κίνηση επιβατών κ.λ.π.) (Zhang et al. 1998).
Τέλος, προτείνεται να διερευνηθεί η ανάλυση της ποιότητας της πρόβλεψης που προκύπτει από
το ΤΝ∆ µε τη µέθοδο Monte Carlo. Έτσι θα είναι δυνατό να εκτιµηθεί το διάστηµα
εµπιστοσύνης των προβλέψεων δηλαδή να ποσοτικοποιηθεί η ευαισθησία της εξόδου του ΤΝ∆
από τυχαίο λάθος στην είσοδο του ΤΝ∆ (Derks et al. 1995, Guan et al. 1997). Όσον αφορά στην
ανάλυση ευαισθησίας για την κατάταξη των µεταβλητών ως προς τη σηµαντικότητά τους,
προτείνεται η διερεύνηση της εφαρµογής της µεθόδου των µερικών παραγώγων PaD2 όπως
περιγράφεται από τους Gevrey et al. (2005), κατά την οποία εξετάζεται η επίδραση ζευγών
µεταβλητών εισόδου στην έξοδο ενός ΤΝ∆. Έτσι, θα είναι δυνατόν να εξεταστεί αν η
ταυτόχρονη µεταβολή των τιµών δυο µεταβλητών επηρεάζει τον κίνδυνο έναρξης πυρκαγιάς.
103
7. ΒΙΒΛΙΟΓΡΑΦΙΑ
Αδαµίδης, Π., & Χαλκιάς Κ. (1999). Νευρωνικά ∆ίκτυα. Εισαγωγή [Πανεπιστηµιακές

Σηµειώσεις]. Πανεπιστήµιο Μακεδονίας, Τµήµα Εφαρµοσµένης Πληροφορικής,
Θεσσαλονίκη.
Agee, J.K. (1994). Fire and weather disturbances in terrestrial ecosystems of the eastern
Cascades. General Technical Report PNW-GTR-320. Portland, OR: USDA, Forest
Service, Pacific Northwest Research Station.
Alcázar, J., Garcia, C.V., Grauet, M., Pemán, J., & Fernández, Á. (1998). Human risk and fire
danger estimation through multicriteria evaluation methods for forest fire prevention in
Barcelona, Spain. In Viegas D.X. (ed.), Proceedings of the 3rd International
Conference on Forest Fire Research and 14th Conference on Fire and Forest
Meteorology (pp. 2379-2387). Coimbra, Portugal 16-20 November 1998. Coimbra,
Porugal: University of Coimbra.
Alexander, M.E., & Cole, F.V. (2001). Rating fire danger in Alaska ecosystems: CFFDRS
provides an invaluable guide to systematically evaluating burning conditions. U.S.
Department of Interior, Bureau of Land Management, Alaska Fire Service, Fort
Wainwright, Alaska. Fireline, 12 (4), 2-3
Alonso, M., Camarasa, A., Chuvieco, E., Kyin, I.A., Martin, M.P., & Salas, F. J. (1996).
Estimating Temporal Dynamics of Fuel Moisture Content of Mediterranean Species
from NOAA-AVHRR data. EARSeL Advances in Remote Sensing, 4 (4), 9-21.
Amatulli, G., Peréz-Cabello, F., & De la Riva, J. (2007). Mapping lighting/human-caused

wildfires occurrence under ignition point location uncertainty. Ecological Modelling,
200, 321-333.
Anderson, H.E. (1982). Aids to determining fuel models for estimating fire behavior. General
Technical Report INT-122. Ogden, UT: USDA, Forest Service.
Andersson, F.O., Aberg, M., & Jacobsson S.P. (2000). Algorithmic approaches for studies of
variable influence, contribution and selection in neural networks. Chemometrics and
Intelligent Laboratory Systems, 51, 61–72.
Andrews, P.L. (1986). BEHAVE: Fire behavior prediction and fuel modelling system. Burn
subsystem. GTR INT-194, Part 1. Ogden, UT: USDA Forest Service, Intermountain
Forest and Range Experiment Station.
104
Andrews, P.L., Bevins, C.D., & Seli, R.C. (2003). Behave Plus fire modeling system user’s
Guide, version 2.0. General Technical Report RMRS-GTR-106WWW. Ogden, UT:
USDA, Forest Service, Rocky Mountain Research Station.
Βαγενάς Α. (2002). Άτλας των πυρκαγιών της νήσου Λέσβου. Πτυχιακή εργασία, ΠΣΕ
Bachmann, A., & Allgöwer, B. (1998). Framework for wildfire risk analysis. In Viegas D.X.
(ed.), Proceedings of the 3rd International Conference on Forest Fire Research and
14th Conference on Fire and Forest Meteorology (pp. 2177-2190). Coimbra, Portugal
16-20 November 1998. Coimbra, Portugal: University of Coimbra.
Balzter, H., Luckman, A., Skinner, L., Rowland, C. & Dawson, T. (2007). Observations of
forest stand top height and mean height from interferometric SAR and LiDAR over a
conifer plantation at Thetford Forest, UK. International Journal of Remote Sensing,
28(6), 1173 – 1197.
Βασιλάκος, Χ., Καλαµποκίδης, Κ., Χατζόπουλος, Ι., Κάλλος, Γ., & Ματσίνος, Ι. (2004).
Τηλεπισκόπηση, τεχνητή νοηµοσύνη και ΣΓΠ στην εκτίµηση κινδύνου πυρκαγιών .
Στο Ν. Ζούρος (Επιµ.), Πρακτικά 7ου Πανελληνίου Γεωγραφικού Συνεδρίου της
Ελληνικής Γεωγραφικής Εταιρίας (σελ. 205-214). Μυτιλήνη 14-17 Οκτωβρίου 2004.
Μυτιλήνη: Πανεπιστήµιο Αιγαίου, Τµήµα Γεωγραφίας.
Bishop, C.M. (1995). Neural Networks for Pattern Recognition. Oxford: Oxford University
Press.
Botkin, D. (1990). Discordant Harmonies: A New Ecology for the Twenty-First Century. New
York: Oxford University Press.
Bourgeau-Chavez, L.L., Kasischke, E.S., & Rutherford, M.D. (1999). Evaluation of ERS SAR
Data for Prediction of Fire Danger in a Boreal Region. International Journal of
Wildland Fire, 9(3), 183-194.
Bovio, G., & Camia, A. (1994). Fire danger zoning using multivariate analysis. In Viegas D.X.
(ed.), Proceedings of the 2nd International Conference on Forest Fire Research (pp.
733-745). Coimbra, Portugal.
Bovio, G., & Nosenzo, A. (1994). Comparison between methods of forecasting danger of forest
fires. In Viegas D.X. (ed.), Proceedings of the 2nd International Conference on Forest
Fire Research (pp. 747-758). Coimbra, Portugal.
Bovio, G., & Camia, A. (1997). Land Zoning Based on Fire History. International Journal of
105
Wildland Fire, 7(3), 249 – 258.
Bradshaw, L.S., Deeming, J.E., Burgan, R.E., & Cohen, J.D. (1983). The 1978 National Fire-
Danger Rating System. Technical Documentation INT-169. Ogden, UT: USDA Forest
Service, Intermountain Forest and Range Experiment Station.
Brown, J.K., & Smith, J.K. (eds). (2000). Wildland fire in ecosystems: effects of fire on flora.
General Technical Report RMRS-GTR-42 vol.2, 257 pp. Ogden, UT: U.S. Department
of Agriculture, Forest Service, Rocky Mountain Research Station.
Bryson, A.E., & Ho, Y.C. (1969). Applied Optimal Control. New York: Blaisdell
Buchholz, G., & Weidemann, D. (2000). The use of Simple Fire Danger Rating Systems as a
Tool for Early Warning in Forestry. IFFN No 23, December 2000. At:
http//www.ruf.uni-freiburg.de/fireglobe/iffn/country/
Burgan, R.E. (1988). 1988 Revisions to the 1978 National Fire-Danger Rating System.
Research Paper SE-273, 39 pp. Asheville: U.S.D.A. Forest Service, Southeastern Forest
Experiment Station.
Burgan, R.E., & Shasby, M.B. (1984). Mapping Broad-Area Fire Potential From Digital Fuel,
Terrain and Weather Data. Journal of Forestry, 82(4), 228-230.
Burgan, R.E., & Hartford, R.A. (1988). Computer mapping of Fire Danger and Fire Locations
in the Continental United States. Journal of Forestry, 86(1), 25-30.
Burgan, R.E., & Hatford, R.A. (1993). Monitoring vegetation greenness with satellite data.
General Technical Report INT-297, 13 pps. Ogden, UT: USDA Forest Service-
Intermountain Reseearch Station.
Burgan, R.E., Klaver, R. W., & Klaver, J. M. (1998). Fuel models and fire potential from
satellite and surface observations. International Journal of Wildland Fire, 8(3), 159-
170.
Byram G.W. (1959). Combustion of forest fuels. In Davis K.P. (ed.), Forest Fire, Control and
Use. (pp. 61-68). McGraw Hill.
Canadian Forestry Service. (1984). Tables for the Canadian Forest Fire Weather Index System.
Forestry Technical Report 25(4th ed.). Ottawa, Ontario: Canadian Forestry Service.
Cardille, J.A., & Ventura, S.J. (2001). Occurrence of wildfire in the northern Great Lakes
Region: Effects of land cover and land ownership assessed at multiple scales.
International Journal of Wildland Fire, 10(2001), 145-154.
106
Cardille, J.A., Ventura, S.J., & Turner, M. (2001). Environmental and social factors influencing
wildfires in the upper midwest, Unites States. Ecological Applications, 11(1), 111-127.
Carlson, J.D., & Burgan, R.E. (2003). Review of user’s needs in operational fire danger
estimation: the Oklahoma example. International Journal of Remote Sensing, 24(8),
1601-1620.
Carrega, P. (1990). Climatology and index of forest fire hazard in Mediterranean France. In
Viegas D.X. (ed.), Proceedings of the 2nd International Conference on Forest Fire
Research (pp. B.05: 1-11). Coimbra, Portugal.
Carrega, P. (1991). A meteorological idex of forest fire hazard in Mediterranen France.

International Journal of Wildland Fire, 1(2), 79-86.
Chandler, C., Cheney, P., Thomas, P., & Williams, D. (1991). Fire in Forestry (Vol. Ι and II)
Reprint. Originally published New York: Wiley, 1983.
Chatto, K. (1998). Development of a wildfire threat analysis model for south-eastern Australia.
In Viegas DX (ed.), Proceedings of the 3rd International Conference on Forest Fire
Research and 14th Conference on Fire and Forest Meteorology (pp. 2177-2190).
Coimbra, Portugal 16-20 November 1998. Coimbra, Portugal: University of Coimbra.
Chen, K., Blong, R., & Jacobson, C. (2003). Towards an integrated approach to natural hazards
risk assessment using GIS: With reference to bushfires. Environmental Management,
31(4), 546-560.
Chou, Y.H. (1990). Modeling fire occurrence for wildland fire management: a GIS spatial
analysis for fire control and prevention. In: GIS/LIS ’90 Proceedings, Anaheim,
California, Vol 1, 440-449.
Chou, Y.H. (1992a). Spatial autocorrelation and weighting functions in the distribution of
wildland fires. International Journal of Wildland Fire, 2(4), 169 – 176.
Chou, Y.H. (1992b). Management of wildfires with a Geographical Information System.

International Journal of Geographic Information Systems, 6, 123-40.
Chou, Y.H, Minnich, R.A., & Chase, R.A. (1993). Mapping probability of fire Occurrence in
San Jacinto Mountains, California, USA. Environmental Management, 17(1), 129-140.
Chuvieco, E. (1997). A review of remote sensing methods for the study of large wildland fire:
Megafires project ENV-CT96-0256. Spain: University of Alcala.
Chuvieco, E. (1999). Remote Sensing of Large Wildfires in the European Mediterranean Basin.
107
Berlin: Springer-Verlag.
Chuvieco, E., & Congalton, R.G. (1989). Application of Remote Sensing and Geographic
Information System to Forest Fire Hazard Mapping. Remote Sensing of Environment.,
29, 147-159.
Chuvieco, E., & Salas, J. (1996). Mapping the spatial distribution of forest fire danger using
GIS. International Journal of Geographic Information System, 10(3), 333-345.
Chuvieco, E., Deshayes, M., Stach, N., Cocero, D., & Riano, D. (1999). Short-term fire risk:
foliage moisture content estimation from satellite data. In E. Chuvieco (Ed.), Remote
Sensing of Large Wildfires in the European Mediterannean Basin (pp. 17-38). Berlin:
Springer-Verlag.
Cosentino, M.J., Woodcock, C.E., & Franklin, J. (1981). Scene analysis for wildland fire-fuel
characteristics in a Mediterranean climate. In Proceedings of the 15th International
Symposium on Remote Sensing of Environment (pp. 635-646). Ann Arbor.
Cromer, D.A.N. (1946). Hygrographic fire danger rating and forecasting. Aust. For. 10, 52-71.
Davis, J.H., Howe, R.W., & Davis, G.J. (2000). A multi-scale spatial analysis methodfor point
data. Landscape Ecology, 15, 99-114.
Deeming, J.E. (1995). Development of a Fire Danger Rating System for East Kalimantan. IFFM
Report. Contract. No. 1-60134345.
Deeming, J.E., Robert, E.B., & Jack, D.C. (1977). The national fire-danger rating system -
1978. General Technical Report INT-39. Ogden, UT: US Department of Agriculture,
Forest Service.
De la Riva, J., Pérez-Cabello, F., Lana Renault, N., & Koutsias, N. (2004). Mapping forest fire
occurrence at a regional scale. Remote Sensing of Environment, 92, 363-369.
Derks, E.P.P.A., Sanchez Pastor, M.S. & Buydens, L.M.C. (1995). Robustness analysis of radial
base function and multi-layered feed-forward neural network models. Chemometrics
and Intelligent Laboratory Systems, 28(1995), 49-60.
Desbois, N., & Vidal, A. (1996). Real Time monitoring of vegetation flammability using
NOAA-AVHRR thermal infrared data. EARSeL Journal Advance in Remote sensing,
4(4), 25-32.
Di Bella, C.M., Rebella, C.M., & Paruelo J.M. (2000). Evapotranspiration estimates using
NOAA AVHRR imagery in the Pampa region of Argentina. International Journal of
108
Remote Sensing, 21, 791-797.
Dimopoulos, I., Bourret, P., & Lek, S. (1995). Use of some sensitivity criteria for choosing
networks with good generalization ability. Neural Processing Letters, 2(6), 1–4.
Dimopoulos, I., Chronopoulos, J., Chronopoulou-Sereli, A., & Lek, S. (1999). Neural network
models to study relationships between lead concentration in grasses and permanent
urban descriptors in Athens city (Greece). Ecological Modelling, 120, 157–165.
Dominguez, L., Lee, B.S., Chuvieco, E., & Cihlar, J. (1994). Fire danger estimation using
AVHRR images in the prairie provinces of Canada. In Viegas D.X. (ed.), Proceedings
of the 2nd International Conference on Forest Fire Research (pp. 679-690). Coimbra,
Portugal.
Douglas, D.R. (1957). Forest fire weather studies in South Australia. South Australia: Woods
and Forests Department.
Drake, J.B., Dubayah, R.O., Clark, D., Knox, R., Blair, J.B., Hofton, M., Chazdon, R.L.,
Weishampel, J.F., & Prince S. (2002). Estimation of tropical forest structural
characteristics using large-footprint lidar. Remote Sensing of Environment. 79, 305-319.
Eftihidis, G. (1999). Wildfire management-systems, models and techniques. In Proceedings of

the European Union Advanced Study Course on Wildfire Management (pp. 17-27).
Athens 6-14 October 1997. Athens: European Commission DG-XII & Algosystems
S.A.
Environmental System Research Institute. (1990). Understanding GIS: The ARC/INFO Method.
Redlands, CA: ESRI.
Fausett, L. (1994). Fundamentals of Neural Networks: Architectures, Algorithms and

Applications. New Jersey: Prentice-Hall, Inc.
Finklin, A.I., & Fischer, W.C. (1990). Weather station handbook–an interagency guide for
wildland mangers. NFES no. 2140. Boise, ID: National Wildfire Coordinating Group.
Fogarty, L.G., Pearce, H.G., Catchpole, W.R. and Alexander, M.E. (1998). Adoption vs
Adaption: lessons from applying the Canadian Forest Fire Danger Rating System In
D.X. Viegas (ed.), Proceedings of the 3rd International Conference on Forest Fire
Research and 14th Conference on Fire and Forest Meteorology (pp. 1011-1028).
Coimbra, Portugal 16-20 November 1998. Coimbra: University of Coimbra.
Fowler, C.T. (2003). Human Health Impacts of Forest Fires in the Southern United States: A
Literature Review. Journal of Ecological Anthropology. 7(2003), 39-63
109
Fujioka, F. (1983). Weighted interpolation as an interpretive tool. Implications for
meteorological network design. In Proceedings of the Seventh Conference on Fire and
Forest Meteorology. Fort Collins, Colorado 26-28 April 1983. Colorado: American
Meterological Society, Society of American Foresters.
Garson, G.D. (1991). Interpreting neural network connection weights. AI Expert, 6, 47–51.
Gevrey, M., Dimopoulos, I., & Lek, S. (2003). Review and comparison of methods to study the
contribution of variables in Artificial Neural Network models. Ecological Modelling,
160(3), 249–264.
Gevrey, M., Dimopoulos, I., & Lek, S. (2005). Two-way interaction of input variables in the
sensitivity analysis of neural network models. Ecological Modelling, (In Press).
doi:10.1016/j.ecolmodel.2005.11.008.
ΓΓΠΠ (Γενική Γραµµατεία Πολιτικής Προστασίας - Υπουργείο Εσωτερικών ∆ηµόσιας

∆ιοίκησης και Αποκέντρωσης. (2007). Το πρόβληµα των δασικών πυρκαγιών.
http://www.civilprotection.gr/description_forestfire.htm.
Gisborne, H.T. (1942). Mileposts of progress in fire control and fire research. Journal of
Forestry, 40(8), 597-608.
Gitas, I., Mitri, G. & Ventura, G. (2004). Object-Oriented Image Analysis for Burned Area
Mapping using NOAA-AVHRR Imagery in Creus Cape, Spain. Remote Sensing of
Environment, 92, 409-413.
Gitas, Z.I., Mitri, H.G., Kazakis, G., Ghosn, D., & Xanthopoulos, G. (2007). Fuel type mapping
in Anopolis, Crete by employing QuickBird imagery and object-based classification. In
Viegas D.X. (Ed) Proceedings V International Conference on Forest Fire Research.
Goh, A.T.C. (1995). Back-propagation neural networks for modeling complex systems.
Artificial Intelligence Engineering, 9, 143–151.
Gonzalez-Alonso, F., Cuevas, J.M., Casanova, J.L., Calle, A., & Illera P. (1997). A forest fire
risk assessment using NOAA AVHRR images in the Valencia area, eastern Spain.
International Journal of Remote Sensing, 18, 2201-2207.
Gu, X.F., Seguin, B., Hanoco, J.F., & Guinot, J.P. (1994). Evaluation and comparison of
atmospheric correction methods for thermal data measured by ERS1-ATSR, NOAA11-
AVHRR, and Landsat5-TM sensors. In Proceedings of ISPRS 6th International
Symposium of Physical Measurements and Signatures in Remote Sensing (pp. 793-800).
Val d’Isère, France 17-21 January 1994. France: ISPRS.
110
Guan, B.T., Gertner, G.Z. & Parysow, P. (1997). A framework for uncertainty assessment of
mechanistic forest growth models: a neural network example, Ecological Modelling.
98(1997), 47-58.
Hampshire II, J.B., & Pearlmutter, B.A. (1990). Equivalence Proofs for Multi-Layer Perceptron
Classifiers and the Bayesian Discriminant Function. In Touretzky, Elman, Sejnowski, &
Hinton (eds), Proceedings of the 1990 Connectionist Models Summer School. CA,
USA: Morgan Kaufmann.
Hatzopoulos J.N., Giourga C., Koukoulas S., & Margaris N. (1992). Land Cover Classification
of Olive Trees in the Greek Islands Using Landsat-TM Images. In Proceedings of the
ASPRS International Conference. Washington D.C., USA 2-7 August 1992.
Haykin, S. (1994). Neural Networks: A Comprehensive Foundation. NY, Macmillan.
Henderson, M., Kalabokidis, K., Marmaras, E., Konstantinidis, P., & Marangudakis, M. (2005).
Fire and society: a comparative analysis of wildfire in Greece and the United States.
Human Ecology Review, 12(2), 169-182.
Hoadley, J.L., Westrick, K., Ferguson, S.A., Goodrick, S.L., Bradshaw, L., & Werth, P. (2004).
The effect of model resolution in predicting meteorological parameters used in fire
danger rating. Journal of Applied Meteorology, 43(2004), 1333-1347.
Hoffmann, A.A., Schindler, L., & Goldammer, J.G. (1999). Aspects of a fire Information
System for East Kalimantan, Indonesia. In Proceedings of the 3rd International
Symposium on Asian Tropical Forest Management. Samarinda, East-Kalimantan,
Indonesia 20-23 September 1999.
Hosmer, D., & Lemeshow, S. (1989). Applied Logistic Regression. A Much-Cited Recent
Treatment Utilized in SPSS Routines. New York: Wiley & Sons.
Howes, P., & Crook, N. (1999). Using input parameter influences to support the decisions of
feedforward neural networks. Neurocomputing, 24, 191–206.
Hyde, P.,Nelson, R., Kimes D., & Levine E. (2007). Exploring LiDAR–RaDAR synergy-
predicting aboveground biomass in a southwestern ponderosa pine forest using LiDAR,
SAR and InSAR. Remote Sensing of Environment. 106(2007), 28–38.
Θωµαϊδου, Α., Κουτσοβίλης, Κ. (2004). Πολυφασµατική ταξινόµηση εικόνας Landsat TM µε τη

χρήση εικόνων Quickbird: χαρτογράφηση του πλήθους των ελαιοδένδρων. Πτυχιακή
εργασία, ΠΣΕ Περιβαλλοντικής Χαρτογραφίας, Πανεπιστήµιο Αιγαίου, Μυτιλήνη.
Ibarra, A.A., Gevrey, M., Park, Y., Lim, P., & Lek, S. (2003). Modelling the factors that
111
influence fish guilds composition using a back-propagation network: assessment of
metrics for indices of biotic integrity. Ecological Modelling, 160, 281-290.
Iliadis, L.S. (2005). A decision support system applying an integrated fuzzy model for long-
term forest fire risk estimation. Environmental Modelling & Software, 20(2005), 613-
621.
Illera, P., Fernandez, A., Calle, A., & Casanova J.L. (1996a). Temporal evolution of the NDVI
as an indicator of forest fire danger. International Journal of Remote Sensing, 17, 1093-
1105.
Illera, P., Fernandez, A., Calle, A., & Casanova, J.L. (1996b). Evaluation of fire danger in Spain
by means of NOAA AVHRR images. EARSeL Journal Advance in Remote Sensing,
4(4), 33-43.
Jordan, M.I. (1995). Why the logistic function? A tutorial discussion on probabilities and neural
networks. MIT Computational Cognitive Science Report 9503. At
http://www.cs.berkeley.edu/~jordan
Καϊλίδης, ∆. (1990). ∆ασικές Πυρκαγιές. Θεσσαλονίκη: Γιαχούδης-Γιαπούλης.
Καλαµποκίδης, Κ.∆. (2001). Πρόληψη δασικών πυρκαγιών, διαστάσεις του προβλήµατος και
στρατηγική αντιµετώπισης. Στo Πρακτικά Επιστηµονικής Ηµερίδας “Ανάπτυξη και
Προστασία ∆ασών - ∆ασική Εργασία” (σσ. 13-19). Θεσσαλονίκη 1 Φεβρουαρίου 2001.
Θεσσαλονίκη: AGROTICA-2001, Υπουργείο Γεωργίας, ΕΘΙΑΓΕ.
Καλαµποκίδης, ∆.Κ., & Στάµου, Ν.Ι. (1995). Ανάλυση και σχεδιασµός αντιµετώπισης του
φαινοµένου των δασικών πυρκαγιών στο Αιγαίο. Στο Πρακτικά 7ου Πανελληνίου
Συνεδρίου Ε.∆.Ε. Καρδίτσα 11-13 Οκτωβρίου 1995. Καρδίτσα: Ελληνική ∆ασολογική
Εταιρεία.
Καλαµποκίδης, ∆.Κ., & Κούτσιας, Ν. (2000). Γεωγραφική Πολυµεταβλητή Ανάλυση της

Χωρικής Εµφάνισης ∆ασικών Πυρκαγιών. Γεωτεχνικά Επιστηµονικά Θέµατα, 11, 37-
47.
Kalabokidis, K.D., Gatzogiannis, S., & Galatsidas, S. (2002a). Introducing wildfire into forest
management planning: towards a conceptual approach. Forest Ecology and
Management, 158(2002), 41-50.
Kalabokidis, K.D., Konstantinidis, P., & Vasilakos, C. (2002b). GIS analysis of physical and
human impact on wildfire patterns. In D.X. Viegas (ed.), Proceedings of the IV
International Conference on Forest Fire Research & Wildland Fire Safety. Coimbra,
112
Portugal 18–23 November 2002. The Netherlands, Rotterdam: Millpress.
Kalabokidis, K., Karavitis C., & Vasilakos C. (2004). Automated fire and flood danger
assessment system. In Xanthopoulos (ed.) Proceedings International workshop on
forest fires in the wildland-urban interface and rural areas in Europe: an integral
planning and management challenge (pp. 143-153). Athens, 15-16 May 2003. Greece:
MAICh.
Καλαµποκίδης, Κ., Ρούσσου, Ο., Βασιλάκος, Χ., & Μαρκοπούλου, ∆. (2004). Χωρική
µοντελοποίηση καύσιµης ύλης και συµπεριφοράς πυρκαγιών τοπίου. Στο Ν. Ζούρος
(Επιµ.), Πρακτικά 7ου Πανελληνίου Γεωγραφικού Συνεδρίου της Ελληνικής Γεωγραφικής
Εταιρίας (Τόµ.Α, σσ.486-494). Μυτιλήνη 14-17 Οκτωβρίου 2004. Μυτιλήνη:
Πανεπιστήµιο Αιγαίου, Τµήµα Γεωγραφίας.
Kalabokidis, K.D., Koutsias, N., Konstantinidis, P. & Vasilakos, C. (2007). Multivariate

analysis of landscape wildfire dynamics in a Mediterranean ecosystem of Greece. Area,
(in press).
Kalabokidis, K., Kallos, G., Karavitis, C., Caballero, D., Tettelaar, P., Llorens, J. & Vasilakos
C. (2005) Automated fire and flood hazard protection system. In Proceedings of the 5th
International Workshop on Remote Sensing and GIS Applications to Forest Fire
Management: Fire Effects Assessment (pp. 167-172). Zaragoza, Spain 16-18 June 2005.
Kallos, G., Nickovic, S., Jovic, D., Kakaliagou, O., Papadopoulos, A., Misirlis, N., Boukas, L.,
& Mimikou, N. (1997). The ETA model operational forecasting system and its parallel
implementation. In Proceedings of the 1st Workshop on Large-Scale Scientific
Computation. Varna, Bulgaria 7-11 June 1997. Bulgaria: Publishing house of the
Bulgarian Academy of Sciences
Kaloudis, S., Tocatlidou, A., Lorentzos, N.A., Sideridis, A.B., & Karteris, M. (2005). Assessing
Wildfire Destruction Danger: a Decision Support System Incorporating Uncertainty.
Ecological Modelling, 181(2005), 25-38.
Kant, Y., & Badarinath, K.V.S. (2000). Studies on land surface temperature over heterogeneous
areas using AVHRR data. International Journal of Remote Sensing, 21(8), 1749-1756.
Kaufmann, Y.J., & Holben, B.N. (1993). Calibration of the AVHRR visible and near-IR bands
by atmospheric scattering ocean glint and dessert reflection. International Journal of
Remote Sensing,14, 21-52.
Keetch, J.J., & Byram, G.M. (1968). A drought index for forest fire control. Research paper SE-
113
38, 32 pp. Asheville, NC: USDA Forest Service, South-eastern Forest Experiment
Station.
Kerr, Y.H., Lagouarde, J.P., & Imbernon, J. (1992). Accurate land surface temperature retrieval
from AVHRR data with use of an improved split-window algorithm. Remote Sensing of
Environment, 41, 197-209.
Ketamitsoglou, I., Kiranoudis C.T., Sarimveis, H., & Sifakis, N. (2004). A Multidisciplinary
Decision Support System forForest Fire Crisis Management. Environmental
Management, 33(2), 212–225.
Klaver, J.W., Klaver, R.W., & Burgan, R. (1990). Using GIS to assess forest fire hazard in
Mediterranean region of the U.S. In Proceedings of the 17th Annual ESRI Users
Conference. San Diego, CA 8-11 July 1997.
Κοντοζήση Ι., Ράγγου Ε. (2004). Απογραφή και χαρτογράφηση γεωγραφικών χαρακτηριστικών

του δήµου Αγιάσου Λέσβου. Πτυχιακή εργασία, ΠΣΕ Περιβαλλοντικής Χαρτογραφίας,
Πανεπιστήµιο Αιγαίου, Μυτιλήνη.
Κούτσιας, Ν., & Καρτέρης, Μ. (1999). Μοντελοποίηση και χαρτογράφηση του βαθµού
επικινδυνότητας έναρξης των δασικών πυρκαγιών σε εθνική κλίµακα. Στο [CD-ROM]
Πρακτικά 1ου Πανελλήνιου Συνέδριου ‘Γεωγραφικά Συστήµατα Πληροφοριών –
∆υνατότητες και Εφαρµογές, Προοπτικές και Προκλήσεις’. Αθήνα 9-10 ∆εκεµβριου
1999. Αθήνα: Ελληνική Εταιρία Γεωγραφικών Πληροφοριών.
Koutsias, N., Kalabokidis, K.D., & Allgöwer, B. (2004). Fire occurrence patterns at landscape
level: beyond positional accuracy of ignition points with kernel density estimation
methods. Natural Resource Modelling, 17(4), 359-376.
Κωνσταντινίδης, Ν.Π., & Γκατζογιάννης, Σ. (2001). Επιλογή ∆ασικών Ειδών για Αναδασώσεις
σε Πυρόπληκτες Περιοχές. Θεσσαλονίκη: Ινστιτούτο ∆ασικών Ερευνών Θεσσαλονίκης,
ΕΘΙΑΓΕ και Ταχυδροµικό Ταµιευτήριο.
Langhart, R., Bachmann, A., & Allgöwer, B. (1998). Temporal and spatial patterns of wildfire
occurrence (Canton of Grison, Switzerland). In D.X. Viegas (ed.), Proceedings of the
3rd International Conference on Forest Fire Research and 14th Conference on Fire
and Forest Meteorology (pp. 2279-2292). Coimbra, Portugal 16-20 November 1998.
Coimbra: University of Coimbra.
Leblon, B. (2005). Monitoring forest fire danger with remote sensing. Natural Hazards, 35
(2005), 343-359.
114
Leblon, B., Alexander, M., Chen, J., & White, S. (2001). Monitoring fire danger of northern
boreal forests with NOAA-AVHRR NDVI images. International Journal of Remote
Sensing, 22, 2839-2846.
Λέκκας, Ε.Λ. (2000). Φυσικές και Τεχνολογικές Καταστροφές. Αθήνα: Access Pre-Press.
Leone, V., Koutsias, N., Martinez, J., Vega-Garcia, C. & Allgower B. (2003). The human factor
in fire danger assesment. In Chuvieco E. (ed.), Wildland Fire Danger Estimation and
Mapping: The role of remote sensing data. Singapore: World Scientific Publishing Co.
Pte. Ltd.
Lillesand, T., & Kiefer, R. (2000). Remote Sensing and Image Interpretation. New York: John
Wiley & Sons.
Lin, C.C. (2000). The development, systems, and evaluation of forest fire danger rating: a
review. Taiwan Journal of Forest Science, 15, 507-520.
Lopez, S., Gonzalez, F., Llop, R., & Cuevas, S.M. (1991). An evaluation of the utility of NOAA
AVHRR images for monitoring forest fire risk in Spain. International Journal of
Remote Sensing, 12, 69-81.
Loupian, E.A., Mazurov, A.A., Flitman, E.V., Ershov, D.V., Korovin, G.N., Novik, V.P.,
Abushenko, N.A., Altyntsev, D.A., Koshelev, V.V., Tashchilin, S.A., Tartanikov, A.V.,
Csiszar, I., Sukhinin, A.A., Ponomarev, E.I., Afonin, S.V., Belov, V.V., Matvienko,
G.G., & Loboda, T. (2006). Satellite Monitoring of Forest Fires in Russia at Federal and
Regional Levels. Mitigation and Adaptation Strategies for Global Change, 11(2006),
113–145.
Maselli, F., Romanelli, S., Bottai, L., & Zipoli, G. (2003). Use of NOAA-AVHRR NDVI
images for the estimation of dynamic fire risk in Mediterranean areas. Remote Sensing
of Environment, 86(2003), 187-197.
Μάργαρης,, Ν. Σ. (1993). Φυσικές Ιστορίες (Περί ανέµων και υδάτων και εδαφών). Αθήνα:
Φιλιππότη.
Masters, T. (1993). Practical Neural Networks Recipes in C++. USA: Academic Press.
McArthur, A.G. (1958). The preparation and use of fire danger tables. In Proceedings of the
Fire Weather Conference. Melbourne, Australia: Bureau of Meteorology.
McArthur, A.G. (1967). Fire behaviour in eucalypt fuels. Technical Report Leaflet No. 107, 36
pp. Canberra, Australia: Commonwealth Forestry and Timber Bureau.
115
McCutchan, M.H., & Fox, D.G. (1986). Effect of Elevation and Aspect on Wind, Temperature
and Humidity. Journal of Climate and Applied Meteorology, 25, 1996-2013.
Mendenhall, W., & Sincich, T. (1996). A Second Course in Statistics: Regression Analysis.
USA: Prentice-Hall Inc.
Mercuri, P.A., Engel, B.A., & Johannsen, C.J. (2006). Evaluation and accuracy assessment of
high-resolution IFSAR DEMs in low-relief areas. International Journal of Remote
Sensing, 27(13), 2767 – 2786.
Merill, D.F., & Alexander, M.E. (eds). (1987). Glossary of forest fire management terms (4th
ed.). Publication NRCC No. 26516. Ottawa, ON: National Research Council of Canada,
Canadian Committee on Forest Fire Management.
Μερτίκας, Σ. (1999). Τηλεπισκόπηση και Ψηφιακή Ανάλυση Εικόνας. Αθήνα: ΙΩΝ.
Miller, J.D., Nyham, J.W., & Yool, S.R. (2003). Modeling potential erosion due to the Cerro
Grande Fire wih a GIS-based implementation of the Revised Universal Soil Loss
Equation. International Journal of Wildland Fire, 12(2003), 85-100.
Montano, J.J., & Palmer, A. (2003) Numeric sensitivity analysis applied to feedforward neural
networks. Neural Computing & Applications, 12, 119–125.
Moreno, J.M. (1999). Fire ecology and the European biota: research carried out under auspices
of the EC. In Proceedings of the European Union Advanced Study Course on Wildfire
Management (pp.29-41). Athens 6-14 October 1997. Athens: European Commission
DG-XII & Algosystems S.A.
Neary, D.G., Ryan, K.C., & DeBano, L.F., (eds). (2005). Wildland fire in ecosystems: effects of
fire on soils and water. General Technical Report RMRS-GTR-42-vol.4, 250 pp.
Ogden, UT: U.S. Department of Agriculture, Forest Service, Rocky Mountain Research
Station.
Nelson, R.M. (1955). The principles and uses of fire danger measurement In ‘Modern forest fire
management in the South. In Proceedings of the forth annual forestry symposium. (pp.
37-45). Louisiana State University: Baton Rouge.
Nemani, R.R., & Running, S.W. (1989). Estimation of regional surface resistance to
evapotranspiration from NDVI and thermal IR AVHRR data. Journal of Applied
Meteorology, 28(4), 276-274.
Nickovic, S., Jovic, D., & Kallos G. (1996). The Regional meteorological model ETA: Main
characteristics and applications. In Proceedings of the 3rd Panhellenic Conference on
116
Meteorology, Climatology and Atmospheric Physics (pp. 45-51). Athens 25-27
September 1996.
Nigrin, A. (1996). Neural Networks for Pattern Recognition. Cambridge, MA: The MIT Press.
Nord, L.I., & Jacobsson, S.P. (1998). A novel method for examination of the variable
contribution to computational neural network models. Chemometrics and Intelligent
Laboratory Systems, 44, 153–160.
Norusis, M.J. (1990). SPSS/PC + Advanced Statistics TM 4.0 for the IBM PC/XT/AT and PS/2.
Chicago: SPSS Inc.
Olden, J.D., & Jackson, D.A. (2002). Illuminating the ‘‘black box’’: a randomization approach
for understanding variable contributions in artificial neural networks. Ecological
Modelling154, 135–150.
Özesmi, S.L., & Özesmi, U. (1999). An artificial neural network approach to spatial habitat
modeling with interspecific interaction. Ecological Modelling, 116, 15–31.
Paltridge, G.W., & Barber, J. (1988). Monitoring grassland dryness and fire potential in
Australia with NOAA/AVHRR data. Remote Sensing of Environment, 25, 381-394.
Papadokonstantakis, A., Lygeros, A., & Jacobsson, S.P. (2006). Comparison of recent methods
for inference of variable influence in neural networks. Neural Networks, 19(4), 500-
513.
Papadopoulos, A., Katsafados, P., & Kallos, G. (2001). Regional weather forecasting for marine
application. GAOS, 8(2-3), 219-237.
Parker, D.B. (1982). Learning Logic. Invention Report S81-64, File 1. USA: Office of
Technology Licensing, Stanford University.
Paronis, D., Hatzopoulos, J.N., & Soultatis, K. (1997). Land Cover Seasonal Spectral
characteristics of the Mediterranean Countries from NOAA AVHRR images. In
Proceedings of the 1997 ASPRS/ACSM/RT 97 Annual Convention.
Pausas, J.G., & Vallejo, V.R. (1999). The role of fire European Mediterranean ecosystems. . In
E. Basin. & E. Chuvieco (Eds.), Remote Sensing of Large Wildfires in the European
Mediterannean (pp.3-16). Berlin: Springer-Verlag.
Peterson, D.L.,Johnson, M.C., Agee, J.K., Jain, T.B., McKenzie, D., & Reinhardt, E.D. (2005).
Forest structure and fire hazard in dry forests of the Western United States. General
Technical Report PNW-GTR-628. 30 pp. Portland, OR: U.S. Department of
117
Agriculture, Forest Service, Pacific Northwest Research Station.
Preisler, H.K., Brillinger, D.R., Burgan, R.E., & Benoit, J.W. (2004). Probability based models
for estimation of wildfire risk. International Journal of Wildland Fire, 13, 133-142.
Prosper-Laget, V., Douguedroit, A., & Guinot, J.P. (1994). A satellite index of forest fire
occurrence risk in summer in the Mediterranean area. In Viegas D.X. (ed.), Proceedings
of the 2nd International Conference on Forest Fire Research (pp. 637-646). Coimbra,
Portugal.
Prosper-Laget, V., Douguedroit, A., & Guinot, J.P. (1995). Mapping the risk of forest fire
occurrence using NOAA satellite information. EARSeL Advances in Remote Sensing,
4(3-XII), 30-38.
Pyne, S.J. (1984). Introduction to Wildland Fire. John New York: Wiley and Sons.
Pyne, S.J., Andrews, P.L., & Laven, R.D. (1996). Introduction to Wildland Fire (2nd ed.). New
York: Wiley & Sons.
Ross, D.G., Smith, I.N., Manins, P.C., & Fox, D.G. (1988). Diagnostic wind field modelling for
complex terrain: Model development and testing, Journal of Applied Meteorology, 27,
785-796.
Rothermel, R.C. (1972). A methamatical model for predicting fire spread in wildland fuels.
Research paper INT-115. Ogden, UT: USDA Forest Service, Intermountain Forest and
Range Experiment Station.
Rumelhart, D.E., & McClelland, J.L. (eds). (1986). Parallel Distributed Processing:
Explorations in the Microstructure of Cognition. MA: The MIT Press.
Running, S.W. & Thornton, P.E. (1996). Generating Daily Surfaces of Temperature and
Precipitation over Complex Topography. In Goodchild M.F., Steyaert L.T., Parks B.O.,
Johnston C., Maidment D., Crane M., Glendinning S. (eds), GIS and Environmental
Modelling: Progress and Research. Fort Collins, CO: GIS World Books.
Saaty, T. (1980). The Analytic Hierarchy Process. USA: McGraw-Hill.
Sabins, F.F. (1997). Remote Sensing - Principles and Interpretation (3d ed.). New York: W.H.
Freeman & Company.
Salazar, L.A. (1990). Assigning Fire Management Analysis Zones with a Geographic
Information System. In Viegas D.X. (ed.), Proceedings of the 2nd International
Conference on Forest Fire Research (pp. B.16: 1-11). Coimbra, Portugal.
118
Salas, J., & Chuvieco, E. (1994). Geographic Information Systems for wildland fire risk
mapping. Wildfire, 3(2), 7-13.
Salas, F.J., Viegas, M.T., Kyun, I.A., Chuvieco, E., & Viegas, D.X. (1994). A local risk map for
the Council of Poiares central Portugal: Comparison of GIS and field work methods. In
Viegas D.X. (ed.), Proceedings of the 2nd International Conference on Forest Fire
Research (pp. 691-702). Coimbra, Portugal.
Sampson R.N., Atkinson, R.D. & Lewis, J.W. (2000). Indexing resource data for forest health
decisionmaking. In Sampson R.N., Atkinson, R.D. & Lewis, J.W. (eds.), Mapping
Wildfire Hazards and Risks (pp. 1-14). New York: Food Products Press.
San-Miguel-Ayanz, J. (2002). Methodologies for the evaluation of forest fire risk: from long-
term (static) to dynamic indices. In Anfodillo T. & Carraro V., (eds.), Forest Fires:
Ecology and Control (pp. 117-132). University degli studi di Padova.
San-Miguel-Ayanz, J., Barbosa P., Schmuck, G., &. Libertà, G. (2003a). The European Forest
Fire Information System (EFFIS). In Chuvieco E, Martín P. & Justice C., (eds), 4th
International Workshop on Remote Sensing and GIS Applications to Forest Fire
Management: Innovative Concepts and Methods in Fire Danger Estimation (pp.51-54).
Ghent, Belgium 5-7 June 2003. Ghent: Ghent University – EARSeL.
San-Miguel-Ayanz, J., Carlson, J.D., Alexander, M., Tolhurst, K., Morgan, G., Sneeuwjagt, R.,
& Dudley, M. (2003b). Current methods to assess fire danger potential. In Chuvieco E.
(ed.), Wildland Fire Danger Estimation and Mapping: The role of remote sensing data.
Singapore: World Scientific Publishing Co. Pte. Ltd.
Sarle, W.S. (eds). (1997). Neural Network FAQ. Periodic pοsting to the Usenet newsgroup
comp.ai.neural-nets.From ftp://ftp.sas.com/pub/neural/FAQ.html
Schroeder, M.J., & Buck, C.C. (1970). Fire Weather. Agriculture Handbook 360. Washington
D.C.: USDA Forest Service.
Sebastian Lopez, A., San-Miguel-Ayanz, J. & Burgan R. (2002). Integration of satellite sensor
data, fuel type maps and meteorological observations for the evaluation of forest fire
risk at the pan-European scale. International Journal of Remote Sensing. 23(13), 2713-
2719.
Simard, A.J. (1994). Spatial analysis of large fire probabilities. In Viegas D.X. (ed.),
Proceedings of the 2nd International Conference on Forest Fire Research (pp. 557-566).
Coimbra, Portugal.
119
Singer, F.J., & Schullery, P. (1989). Yellowstone wildlife: populations in process. Western
Wildlands, 15(2), 18-22.
Smith, J.K. (ed.). (2000). Wildland fire in ecosystems: effects of fire on fauna. General
Technical Report RMRS-GTR-42-vol.1, 83 pp. Ogden, UT: U.S. Department of
Agriculture, Forest Service, Rocky Mountain Research Station.
Sneeuwjagt, R. (1998). Application of wildfire threat analysis in south-western forest of

Western Australia. In Viegas DX (ed.), Proceedings of the 3rd International
Conference on Forest Fire Research and 14th Conference on Fire and Forest
Meteorology (pp. 2155-2176). Coimbra, Portugal 16-20 November 1998. Coimbra:
University of Coimbra.
Στάµου, Ν., Χριστοδούλου, Α., & Μπλιούµης, Β. (1995). Ανάλυση του φαινοµένου των δασικών
πυρκαγιών στο Αιγαίο. Στην Επιστηµονική Επετηρίδα του Τµήµατος ∆ασολογίας και
Φυσικού Περιβάλλοντος. Θεσσαλονίκη: Αριστοτέλειο Πανεπιστήµιο Θεσσαλονίκης.
Stamou, N., Kalabokidis, K.D., Konstantinidis, P., Fotiou, S., Christodoulou, A., Blioumis, V.,
Prastacos, P., Diamandakis, M., & Kochilakis, G. (1998). Improving the efficiency of
the wildland fire prevention and suppression system in Greece. In Viegas D.X. (ed.),
Proceedings of the 3rd International Conference on Forest Fire Research and 14th
Conference on Fire and Forest Meteorology (pp. 2379-2387). Coimbra, Portugal 16-20
November 1998. Coimbra: University of Coimbra.
Star, J., & Estes, J. (1990). Geographic Information Systems: An Introduction, Englewood
Cliffs. NJ: Prentice-Hall.
Stocks, B.J., Lawson, B.D., Alexander, M.E., Van Wagner, C.E., McAlpine, R.S., Lynham,
T.J., & Dubé, D.E. (1989). The Canadian Forest Fire Danger Rating System: an
overview. The Forestry Chronicle, 65, 258-265.
Taylor, B., & Waite, W. (1980). Interpolating climatological data for rugged terrain: some
analytical techniques. In Proceedings of the Sixth Conference on Fire and Forest
Meteorology (pp. 163-173). Seattle, Washington 22-24 April 1980.
Taylor, S.W. & Alexander, M.E. (2006). Science, technology and human factors in fire danger
rating: the Canadian experience. International Journal of Wildland Fire, 15, 121 – 135.
Taylor, S.W., Pike, R.G. & Alexander, M.E. (1997). Field guide to the Canadian Forest Fire
Behavior Prediction (FBP) System Special Report 11. Edmonton, Alberta: Canadian
Forest Service, Northern Forestry Centre.
120
Tchaban, T., Taylor, M.J. & Griﬃn, A. (1998). Establishing impacts of the inputs in a
feedforward network. Neural Computing & Applications, 7, 309–317.
Τζιλβελή Χ. (2004). Επεξεργασία και απόδοση γεωγραφικών δεδοµένων από δορυφορικές

εικόνες υψηλής διακριτικής ικανότητας. Πτυχιακή εργασία, ΠΣΕ Περιβαλλοντικής
Χαρτογραφίας, Πανεπιστήµιο Αιγαίου, Μυτιλήνη.
Thompson, W.A. (2000). Using forest fire hazard modeling in multiple use forest management
planning. Forest Ecology and Management 134, 163-176.
Tomlin, C.D. (1990). Geographic Information Systems and Cartographic Modelling, NJ:
Prentice-Hall.
Trewartha, G.T., & Horn, L.H. (1980). An Introduction to Climate (5th ed.) New York:
McGraw-Hill.
Triantaphyllou, E., & Mann, S.H. (1995). Using the Analytic Hierarchy Process For Decision
Making in Engineering Applications: Some Challenges. International Journal of
Industrial Engineering: Applications and Practice, 2(1), 35-44.
Tucker, C.J., & Sellers, P.J. (1986). Satellite remote sensing of primary production.
International Journal of Remote Sensing, 7 (11), 1395-1416
Turner, J.A., & Lawson, B.D. (1978). Weather in the Canadian Forest Fire Danger Rating
System: a user guide to national standards and practices. Information Report BC-X-
177, 40 pp. Victoria, British Columbia: Canadian Forestry Servics, Pacific Forest
Resesearch Centre.
USDA Forest Service. (1964). National fire danger rating system handbook. Category 2
Handbook, FSH2 5123.3. Washington, DC: USDA Forest Service.
Van Wagner, C.E. (1987). Development and structure of the Canadian Forest Fire Weather
Index System. Forestry Technical Report 35. Ottawa: Canadian Forestry Service.
Van Wyngarden, R., & Dixon, R. (1989). Application of GIS to model forest fire rate of spread,
Challenge for the 1990's GIS, Ottawa, 967-977.
Vasconcelos, M. (1995). Integration of Remote Sensing and Geographic Information Systems

for fire risk management. In Proceedings of the International. Workshop on Remote
Sensing and GIS Applications to Forest Fires (pp. 129-147). Alcalá de Henares 7-9
September 1995. Spain: EARSeL, University of Alcalá de Henares.
Vasconcelos, M.J.P., Caetano, M.S., Pereira, J.M.C., & Correia, S. (1994). Spatially distributed
121
estimation of forest fire ignition probabilities. In Viegas D.X. (ed.), Proceedings of the
2nd International Conference on Forest Fire Research (pp. 647-548). Coimbra,
Portugal.
Vasconcelos, M.J.P., Silva, S., Tome, M., Alvim, M., & Pereira, J.M.C. (2001). Spatial
Prediction of Fire Ignition Probabilities: Comparing Logistic Regression and Neural
Networks. Photogrammetric Engineering & Remote Sensing, 67(1), 73-81.
Vasconcelos, M.J.P., Goncalves, A., Catry, F.X., Paul, J.U., & Barror, F. (2002). A working
prototype of a dynamic geographical information system. International Journal of
Geographical Information Science, 16(1), 69-91.
Vasilakos, C., Hatzopoulos J., Kalabokidis K., Koutsovilis K., & Thomaidou A. (2004).
Classification of agricultural fields by using Landsat TM and QuiciBird sensors. The
case study of olive trees in Lesvos Island. In Vlachopoulou et al. (ed.) Proceedings
International Conf. on Information Systems, & Innovative Technologies in Agriculture,
Food and Environment (Vol.2, pp. 324-332), Thessaloniki, 18-20 March 2004. Greece:
Hellenic Association of Information and Communication Technology in Agriculture,
Food and Environment (HAICTA), TEI of Thessaloniki.
Vasilakos, C., Kalabokidis, K., Hatzopoulos J., Kallos G., & Matsinos I. (2007). Integrating
New Methods and Tools in Fire Danger Rating. International Journal of Wildland Fire,
16(3), (in press).
Vega-Garcia, C., Woodard, P.M., & Lee, B. (1993). Geographic and temporal factors that seem
to explain human-caused fire occurrence in Whitecourt forest, Alberta, GIS'93
Symposium, Vancouver, 115-119.
Vega-García, C., Lee, B. and Wooddar, T. (1996). Applying neural network technology to
human-caused wildfire occurrence prediction. AI Applications, 10(3), 9-18.
Vidal, A. (1991). Atmospheric and emissivity corrections of land surface temperature measured
from satellite using ground measurements or satellite data. International Journal of
Remote Sensing, 12(12), 2449-2460.
Vidal, A., & Perrier, A. (1990). Irrigation monitoring by following the water balance from
NOAA-AVHRR thermal IR data. IEEE Transactions on Geoscience and Remote
Sensing, 28, 949-954.
Vidal, A., & Devaux-Ros, C. (1995). Evaluating forest fire hazard with a Landsat TM derived
water stress index . Agricultural. and Forest Meteorology, 77, 207-224.
122
Vidal, A., Pinglo, F., Durand, H., Devaux-Ros, C., & Maillet, A. (1994). Evaluation of a
temporal fire risk index in Mediterranean forests from NOAA thermal IR. Remote
Sensing of Environment, 49, 296-303.
Viegas, D.X. (1999). Fire behavior modeling and testing. In Proceedings of the European
Union Advanced Study Course on Wildfire Management (pp.11-16). Athens 6-14
October 1997. Athens: European Commission DG-XII & Algosystems S.A.
Viegas, X., Bovio, G., Ferreira, A., Nosenzo, A., & Bernard, S. (1999). Comparative Study of
Various Mehods of Fire Danger Evaluation in Southern Europe. International Journal
of Wildland Fire, 9(4), 235–246.
Xanthopoulos, G. (2004). Who should be responsible for forest fires? Lessons from the Greek
experience. In Proceedings II International Symposium on Fire Economics, Policy, and
Planning: A Global View. Córdoba, Spain, 19 – 22 April, 2004.
Xanthopoulos, G., Ghosn, D., & Kazakis, G. (2006a). Investigation of the wind speed threshold
above which discarded cigarettes are likely to be moved by the wind. International
Journal of Wildland Fire, 15, 567–576.
Xanthopoulos, G., Maheras, G., Gouma V., & Gouvas M. (2006b). Is the Keetch-Byram
drought index (KBDI) directly related to plant water stress? In Viegas D.X. (Ed)
Proceedings V International Conference on Forest Fire Research.
Xanthopoulos, G., Caballero, D., Galante, M., Alexandrian, D., Rigolot, E. & Marzano, R.,
(2006c). Forest Fuels Management in Europe. In Andrews P.L., Butler B.W. (comps)
Conference Proceedings: Fuels Management—How to Measure Success (pp. 29-46).
Portland, OR 28-30 March 2006. Proceedings RMRS-P-41. Fort Collins, CO: U.S.
Department of Agriculture, Forest Service, Rocky Mountain Research Station.
Χαραλαµποπούλου Α. (2003). Πολυκριτηριακή ανάλυση εκτίµησης κινδύνου πυρκαγιάς µε χρήση

ΣΓΠ στη Ν. Λέσβος. Πτυχιακή εργασία, ΠΣΕ Περιβαλλοντικής Χαρτογραφίας,
Πανεπιστήµιο Αιγαίου, Μυτιλήνη.
Χατζόπουλος, Ι.Ν. (2006). Τοπογραφία. Αθήνα: Εκδόσεις Β. Γκιούρδα.
Werbos, P.J. (1994). The Roots of Backpropagation. NY: John Wiley & Sons.
Yoon, Y., Guimaraes, T., & Swales, G. (1994). Integrating artificial neural networks with rule-
based expert systems. Decision Support Systems, 11, 497–507.
Yuan, M. (1997). Use of knowledge acquisition to build wildfire representation in Geographical

Information Systems. International Journal of Geographical Information Science,
123
11(8), 723-745
Zerder, A. (2002). Examining GIS decision utility for natural hazard risk modeling.
Environmental Modelling & Software, 17(2002), 287-294.
Zhang, G., Patuwo, B.E., & Hu M.Y. (1998). Forecasting with artificial neural networks: The
state of the art. International Journal of Forecasting, 14(1998), 35-62.
Zurada, J.M. (1992). Introduction to Artificial Neural Systems. Boston: PWS Publishing
Company.
124
8. ΠΑΡΑΡΤΗΜΑ
Εργασίες που έχουν υποβληθεί προς δηµοσίευση σε διεθνή περιοδικά:
Vasilakos, C., Kalabokidis, K., Hatzopoulos, J., Kallos, G. & Matsinos, Y. (2007). Integrating
New Methods and Tools in Fire Danger Rating. International Journal of Wildland Fire. 16(3):
(in press).
Vasilakos, C., Kalabokidis, K., Hatzopoulos, J., & Matsinos, Y. (2007). Modeling wildfire
ignition factors through sensitivity analysis of a neural network, Journal of Environmental
Management. (under review).
125

Τηλεπισκόπηση, Τεχνητή Νοημοσύνη Και Συστήματα Γεωγραφικών Πληροφοριών Στην Εκτίμηση Κινδύνου Δασικών Πυρκαγιών

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Τηλεπισκόπηση, Τεχνητή Νοημοσύνη Και Συστήματα Γεωγραφικών Πληροφοριών Στην Εκτίμηση Κινδύνου Δασικών Πυρκαγιών

Uploaded by

Copyright:

Available Formats

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ

ΤΗΛΕΠΙΣΚΟΠΗΣΗ, ΤΕΧΝΗΤΗ ΝΟΗΜΟΣΥΝΗ ΚΑΙ ΣΥΣΤΗΜΑΤΑ

Ευχαριστώ τα µέλη, προπτυχιακούς και µεταπτυχιακούς φοιτητές, των Εργαστηρίων

1.1. Το πρόβληµα των δασικών πυρκαγιών 11

2. ΑΝΑΣΚΟΠΗΣΗ ΤΗΣ ΒΙΒΛΙΟΓΡΑΦΙΑΣ 26

3. ΕΚΤΙΜΗΣΗ ΚΙΝ∆ΥΝΟΥ ΠΥΡΚΑΓΙΑΣ ΜΕ ΤΗ ΧΡΗΣΗ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ,

4. ΑΝΑΛΥΣΗ ΕΥΑΙΣΘΗΣΙΑΣ ΤΕΧΝΗΤΩΝ ΝΕΥΡΩΝΙΚΩΝ ∆ΙΚΤΥΩΝ ΓΙΑ ΤΗΝ

5. ΕΦΑΡΜΟΓΗ ΕΚΤΙΜΗΣΗΣ ΚΙΝ∆ΥΝΟΥ ΕΝΑΡΞΗΣ ∆ΑΣΙΚΩΝ ΠΥΡΚΑΓΙΩΝ 94

6.1. Γενικά συµπεράσµατα 99

Σχήµα 1.2: Χάρτης εδαφοκάλυψης Ν. Λέσβου..........................................................................................23

Σχήµα 1.3: Οµβροθερµικό διάγραµµα µετεωρολογικού σταθµού Πτερούντας, Λέσβου...........................24

Σχήµα 1.5: ∆ιάγραµµα θερµοκρασίας/περιεχόµενης υγρασίας καύσιµης ύλης µετεωρολογικού

Σχήµα 2.1: Νευρώνας Τεχνητού Νευρωνικού ∆ικτύου (ΤΝ∆) ..................................................................30

Σχήµα 2.2: (α) Γενικευµένο και (β) πλήρως προσαρµοσµένο ΤΝ∆...........................................................31

Σχήµα 2.3: Αµερικάνικο Εθνικό Σύστηµα Εκτίµησης Κινδύνου Πυρκαγιών............................................32

Σχήµα 2.4: Χάρτης Κινδύνου Πυρκαγιάς για τις Η.Π.Α............................................................................34

Σχήµα 2.5: Μετεωρολογικός ∆είκτης Πυρκαγιών του Καναδά .................................................................35

Σχήµα 2.6: Σύστηµα Πρόγνωσης Συµπεριφοράς Πυρκαγιάς του Καναδά.................................................36

Σχήµα 2.7: Χάρτης Κινδύνου Πυρκαγιάς για τον Καναδά.........................................................................37

Σχήµα 2.8: Προτεινόµενη προσέγγιση εκτίµησης κινδύνου από το JRC ...................................................42

Σχήµα 2.9: Μακροπρόθεσµος ∆είκτης Κινδύνου για τη νότια Ευρώπη.....................................................43

Σχήµα 3.1: ∆ιάγραµµα ροής µεθοδολογίας ................................................................................................56

Σχήµα 5.3: Ιδιότητες εκπαιδευµένου Τεχνητού Νευρωνικού ∆ικτύου ......................................................96

Σχήµα 5.4: Γραφικό περιβάλλον διαδραστικότητας για τη σύνδεση του συστήµατος µε το

Σχήµα 5.5: Φόρµα εισαγωγής τιµών για τη δηµιουργία σεναρίου .............................................................97

Σχήµα 5.6: Φόρµα χαρτογραφικής απεικόνισης αποτελεσµάτων ..............................................................98

Πίνακας 1.3: Ποσοστιαία κατανοµή τύπων εδαφοκάλυψης Ν. Λέσβου 23

Πίνακας 2.2: Συσχέτιση δείκτη Nesterov και επικινδυνότητας 38

Πίνακας 2.3: Κλάσεις επικινδυνότητας πυρκαγιάς 40

Πίνακας 3.3: Κλίµακα σχετικής σηµαντικότητας 66

Πίνακας 3.4: Αποτελέσµατα εκπαίδευσης και επαλήθευσης των νευρωνικών δικτύων. 69

AHP: Analytic Hierarchy Process

1.1. Το πρόβληµα των δασικών πυρκαγιών

Οι δασικές πυρκαγιές είναι πολύπλοκα φαινόµενα τα οποία λαµβάνουν χώρα ως αποτέλεσµα

• Η πιθανότητα εµφάνισης ενός δυνητικά καταστροφικού γεγονότος µέσα σε µια

• Μια φυσική ή ανθρωπογενής γεωλογική κατάσταση ή φαινόµενο κατά την οποία

Οι εξακριβωµένες αιτίες διακρίνονται σε δύο ευρύτερες κατηγορίες: α) στα τυχαία γεγονότα

1.2. Επιπτώσεις των πυρκαγιών στο φυσικό και ανθρωπογενές περιβάλλον

Η βλάστηση σε µεσογειακού τύπου οικοσυστήµατα έχει αναπτύξει µηχανισµούς προσαρµογής

Επιπλέον, οι πυρκαγιές έχουν δυσµενείς επιπτώσεις στις ανθρώπινες δραστηριότητες γιατί

1.3. Η σηµασία θέσπισης ενός συστήµατος εκτίµησης κινδύνου δασικών πυρκαγιών

Σε ένα σχέδιο αντιµετώπισης πυρκαγιών σηµαντικό στάδιο αποτελεί η πρόληψη. Η πρόληψη,

1. Απλή µεθοδολογία µέτρησης των σηµαντικών µεταβλητών, όπως η περιεχόµενη

2. Τυποποίηση των διαδικασιών τοποθέτησης των µετεωρολογικών σταθµών εκτίµησης

3. Συστηµατική και προσεκτική εκπαίδευση του προσωπικού των παραπάνω σταθµών.

5. Συνεχής καταγραφή των µετεωρολογικών συνθηκών και του κινδύνου.

Ο χάρτης παρουσιάζεται µε 5 διαφορετικές κατηγορίες κινδύνου όπου για κάθε κατηγορία

• Κατηγορία Κινδύνου 2 (Μέση): Ο κίνδυνος είναι συνήθης για τη θερινή περίοδο.

• Κατηγορία Κινδύνου 3 (Υψηλή): Ο κίνδυνος είναι υψηλός. Αναµένονται πολλές

• Κατηγορία Κινδύνου 4 (Πολύ Υψηλή): Ο κίνδυνος είναι ιδιαίτερα υψηλός. Ο αριθµός

• Κατηγορία Κινδύνου 5 (Κατάσταση ΣΥΝΑΓΕΡΜΟΥ): Ο κίνδυνος είναι ακραίος. Οι

1.4. Στόχος και πρωτοτυπία της παρούσας διατριβής

• Να εξεταστούν οι δυνατότητες που προσφέρονται από τον δέκτη τηλεπισκόπησης

• Να διερευνηθεί η συσχέτιση των βλαστητικών, µετεωρολογικών και κοινωνικο-

• Να ερευνηθεί η δυνατότητα χρησιµοποίησης τεχνητών νευρωνικών δικτύων ως

• Να αυτοµατοποιηθούν όλες οι διαδικασίες εκπαίδευσης των νευρωνικών δικτύων και

Σε παγκόσµιο επίπεδο, τα περισσότερα επιχειρησιακά µοντέλα εκτιµούν σηµειακά τον κίνδυνο,

Η παρούσα διατριβή πραγµατοποιήθηκε σε συνεργασία των Εργαστηρίων Τηλεπισκόπησης και

− Χαραλαµποπούλου Αγγελική (2003) Πολυκριτηριακή ανάλυση εκτίµησης κινδύνου

− Τζιλβελή Χάρις (2004) Επεξεργασία και απόδοση γεωγραφικών δεδοµένων από

− Θωµαϊδου Αργυρώ, Κουτσοβίλης Κώστας (2004) Πολυφασµατική ταξινόµηση εικόνας

− Κοντοζήση Ιωάννα, Ράγγου Ειρήνη (2004) Απογραφή και χαρτογράφηση γεωγραφικών

− Vasilakos, C., J. Hatzopoulos, K. Kalabokidis, K. Koutsovilis, and A. Thomaidou. 2004.

− Βασιλάκος, Χ., Κ. Καλαµποκίδης, Ι. Χατζόπουλος, Γ. Κάλλος, και Ι. Ματσίνος. 2004.