Υπολογισμός και χαρτογράφηση δεικτών στόχων βιώσιμης ανάπτυξης, με ανοιχτά δεδομένα παρατήρησης γης και υπηρεσίες υπολογιστικού νέφους

Abstract

In 2015, the United Nations established the "Sustainable Development Goals" (SDGs), which consist of specific Indicators that serve as quantitative measures for monitoring their progress. However, most studies for calculating them rely solely on statistical data without utilizing the spatial dimension, making it difficult to identify regional disparities and analyze the spatiotemporal impacts of SDG practices. Therefore, the integration of geospatial information is crucial for monitoring their progress and geospatial disaggregation is necessary, for their effective monitoring by relevant authorities .Remote sensing offers an economical, efficient, and systematic way to provide timely information about Earth's surface with spatial continuity and high spatial accuracy. Moreover, advanced processing methods, including deep learning algorithms and cloud computing, enhances the monitoring and decision-making for the SDGs. The objectives of the thesis were: a) developing a workflow for mapping open urban land use, utilizing satellite data and open geospatial products, and b) developing a workflow for national-scale land cover mapping, using satellite data and "weak" labels from open geospatial data, instead of ground data. Both workflows were designed to eliminate the need for ground reference samples and make use of deep learning algorithms as well as cloud computing technologies. The third objective of the thesis involved implementing the two developed workflows by calculating and mapping two SDG Indicators at national level for Greece. Specifically, the research focused on Indicator 11.7.1 ("Average share of the built-up area of cities that is open space for public use for all, by sex, age and persons with disabilities") and 15.4.2 ("Mountain Green Cover Index"). Open satellite data and geospatial products were mainly used, along with commercial very high-resolution satellite images. More specifically, Indicator 11.7.1 was estimated for the Athens metropolitan area 21.74%, for year 2020, while its spatial disaggregation highlighted the uneven distribution of urban open spaces among municipalities and between the city centre and the periphery. The mapping of the road extent sub-variable provided accurate results, however, the urban areas sub-variable mapping presented errors of commission. Nevertheless, the result can serve as a "potential" level for urban green spaces. As for Indicator 15.4.2, the overall accuracy of the produced land cover product was 68.65% for the six-category classification scheme and 88.21% for binary classification into "green" and "non-green" areas, while the final Indicator value for the entire country was estimated at 93.54%, for the year 2018. The spatial disaggregation of the Indicator revealed significant differences between mainland Greece and the islands, while by land cover type, the Indicator’s inability to depict the health conditions of mountain ecosystems, is highlighted. In this thesis, these indicators are calculated for the first time for the country and a new and practical approach for their monitoring and evaluation is introduced.

Το 2015, ο Οργανισμός Ηνωμένων Εθνών έθεσε τους «Στόχους Βιώσιμης Ανάπτυξης» (ΣΒΑ), οι οποίοι αποτελούνται από συγκεκριμένους Δείκτες, που χρησιμεύουν ως ποσοτικά μέτρα για την παρακολούθηση της προόδου τους. Ωστόσο, οι περισσότερες μελέτες για αυτούς βασίζονται αποκλειστικά σε στατιστικά δεδομένα, χωρίς να γίνεται αξιοποίηση της γεωχωρικής διάστασης, καθιστώντας δύσκολο τον εντοπισμό περιφερειακών ανισοτήτων και την ανάλυση των χωροχρονικών επιπτώσεων των ΣΒΑ. Ως εκ τούτου, είναι κρίσιμη η ενσωμάτωση γεωχωρικών πληροφοριών στην παρακολούθησή τους και η γεωχωρική διάσπασή τους, για την αποτελεσματικότερη παρακολούθησή τους από τους αρμόδιους φορείς. Η τηλεπισκόπηση προσφέρει οικονομική, αποδοτική και συστηματική παροχή έγκαιρων πληροφοριών σχετικά με την επιφάνεια της Γης, με χωρική συνέχεια και μεγάλη χωρική ακρίβεια. Η επιπλέον αξιοποίηση προηγμένων μεθόδων επεξεργασίας, συμπεριλαμβανομένων των αλγορίθμων βαθιάς μάθησης (deep learning) και του υπολογιστικού νέφους (cloud computing), ενισχύει την παρακολούθηση και τη λήψη αποφάσεων για τους ΣΒΑ. Στόχοι της διατριβής αποτέλεσαν: α) η δημιουργία μίας ροής εργασίας για τη χαρτογράφηση χρήσεων γης ανοιχτών χώρων στο αστικό τοπίο, χρησιμοποιώντας δορυφορικά δεδομένα και ανοιχτά γεωχωρικά προϊόντα και β) η δημιουργία μίας ροής εργασίας για τη χαρτογράφηση κάλυψης γης σε εθνική κλίμακα, χρησιμοποιώντας δορυφορικά δεδομένα και «ασαφή» δείγματα αναφοράς, από ανοιχτά γεωχωρικά προϊόντα, αντί επίγειων δεδομένων. Οι δύο αυτές ροές εργασίας δημιουργήθηκαν κατά τρόπο που να απαλλάσσονται από την ανάγκη επίγειων δειγμάτων αναφοράς, και αξιοποιώντας αλγορίθμους βαθιάς μάθησης και τεχνολογίες υπολογιστικού νέφους. Τρίτο στόχο της διατριβής, αποτέλεσε η υλοποίηση των δύο ροών εργασίας, μέσω του υπολογισμού και τη χαρτογράφηση δύο Δεικτών των ΣΒΑ, σε εθνικό επίπεδο για την Ελλάδα. Πιο συγκεκριμένα, η έρευνα εστιάστηκε στον Δείκτη 11.7.1 («Μέσο ποσοστό δομημένης έκτασης των πόλεων, που είναι ανοιχτοί χώροι δημόσιας χρήσης για όλους, ανά φύλο, ηλικία και άτομα με αναπηρίες») και τον 15.4.2 («Δείκτης πράσινης κάλυψης ορεινών περιοχών»). Χρησιμοποιήθηκαν κυρίως ανοικτά δορυφορικά δεδομένα και γεωχωρικά προϊόντα, αλλά και εμπορικές δορυφορικές εικόνες πολύ υψηλής χωρικής ανάλυσης. Πιο συγκεκριμένα για τον Δείκτη 11.7.1, η τελική τιμή του εκτιμήθηκε για τη μητροπολιτική περιοχή της Αθήνας σε 21.74%, για το έτος 2020, ενώ η γεωχωρική του διάσπαση ανέδειξε την άνιση κατανομή των ανοιχτών χώρων μεταξύ Δήμων, και μεταξύ κέντρου και περιφέρειας. Η χαρτογράφηση της επιμέρους μεταβλητής έκτασης των δρόμων απέδωσε ακριβή αποτελέσματα, ωστόσο, η χαρτογράφηση της μεταβλητής αστικών χώρων παρουσίασε σφάλματα επιφόρτισης (commission errors). Παρ' όλα αυτά, το αποτέλεσμα μπορεί να χρησιμεύσει ως «εν δυνάμει» επίπεδο για τους αστικούς χώρους πρασίνου. Όσον αφορά τον Δείκτη 15.4.2, η συνολική ακρίβεια του παραγόμενου προϊόντος κάλυψης γης ήταν 68.65% για την ταξινόμηση έξι κατηγοριών, και 88.21% για τη δυαδική ταξινόμηση σε «πράσινες» και «μη πράσινες» περιοχές, ενώ η τελική τιμή του Δείκτη 15.4.2, για το σύνολο της χώρας, υπολογίστηκε σε 93.54%, για το έτος 2018. Η γεωχωρική διάσπαση του Δείκτη ανέδειξε σημαντικές διαφορές μεταξύ χερσαίας και νησιωτικής Ελλάδας, ενώ ανά τύπο κάλυψης γης, αναδεικνύεται η αδυναμία του Δείκτη να απεικονίσει τις συνθήκες υγείας των ορεινών οικοσυστημάτων. Στην παρούσα διατριβή υπολογίζονται για πρώτη φορά οι Δείκτες αυτοί για τη χώρα και εισάγεται μια νέα και πρακτική προσέγγιση για την παρακολούθηση και αξιολόγησή τους.