Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice [625925]

UNIVERSITATEA DE ȘTIINȚE AGRICOLE ȘI MEDICINĂ
VETERINARĂ A BANATULUI
“REGELE MIHAI I AL ROM ÂNIEI” DIN TIMIȘOARA
FACULTATEA DE AGRICULTURĂ
PROGRAMUL DE STUDIU: MĂSURĂTORI TERESTRE ȘI
CADASTRU

REPREZENTAREA
CARTOGRAFIC Ă A
GHE ȚARULUI TOKOSITNA
(ALAS KA)
CU AJUTORUL S ISTEMELOR
INFORMATICE GEOGRAFICE

COORDONATOR ȘTIINȚIFIC:

SL. DR. ING. MIHAI -VALENTIN HERBEI

CANDIDAT: [anonimizat]

2017

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

CAPITOLUL III: REZULTATE ȘI DISCUȚII

Acest capitol este dedicat în întregime pașilor urmați pentru a realiza cartografierea ghețarului
Tokositna din Alaska.

1.1 PRINCIPIUL ANALIZEI ORIENTATE PE OBIECT
Pentru definitivarea cartografierii , trebuie realizat ă o clasificare a pixelilor ce formează
imaginea rasterul. Pentru realizarea acestei clasificări am ales metoda analizei orientate pe obiect
OBIA.
Clasificarea folosind OBIA începe cu o segmentare a imaginii. Algoritmul este o metodă de
jos în sus care inițiază pixeli individuali și îmbină acești pixeli în grupuri (adică obiecte) pe baza a trei
parametri : scară, formă și compactitate [11].
Parametrul scării influențează mărimea obiectelor individuale, iar forma definește
omogenitatea texturală a obiectului care rezult ă.
Criteriul "compact itate" optimizează obiectele rezultate în ceea ce privește compactitatea
generală în cadrul criteriului de formă. Mai mult , seturile de date de intrare, cum a r fi diferitele benzi
satelitare , pot fi ponderate în procesul de segmentare. Aceasta permite influențarea creării obiectelor
în funcție de mărime, formă și număr.[11]
După segmentare, imaginea poate fi clasificată în co nformitate cu proceduri bine definite de
clasificare, cum ar fi raportul de bandă sau combinația de informații rezultate din pantă și din banda
termică. [11]

1.2 ANALIZA SPA ȚIALĂ ORIENTAT Ă PE OBIECT

În abordarea OBIA, imaginile trebuie să fie segmentate în obiecte (pasul 1) înainte să se poate
realiza clasificarea (pasul 2).

Segmentarea și clasificarea
Pentru acest studiu am aplicat un algoritm d e segmentare multi -rezolutional cu ponderări
diferite a celor patru seturi de date de intrar e (banda Roșu -1, SWIR -1, TIR -2 și panta -3). Interpretarea
acestor ponderi este următoarea : cu cât ponderea este mai mare cu atât importan ța în realizarea
clasificării este mai mare. Apoi a m definit scara(10), forma (0.1) și compactitatea (0.5) și am rulat
segmentarea pentr u a crea obiectele pentr u procedura de clasificare[11].
În etapa de clasificare, obiectele reprezentând raportul RATIO ( RED / SWIR bazat pe DN –
digital number ) au fost atribuite clasei "gheat ă "(am definit clasa „gheat ă” ca fiind parte din ghe țar)
atunci când valoarea medie a fiecărui obiect a depășit pragul de 2,0. [11] Valorile de pornire pentru
pragurile fiecărei condiții se bazează pe valorile deja publicate pentru seturile de date de intrare
selectate, dar au fost ajustate la scena curentă pent ru a îmbunătăți rezultatele.

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Ulterior, obiectele au fost clasificate drept "pante blânde" pentru valori ale pantei mai mici de
6⁰ și ca "temperatură pozitivă" dacă au fost depășite 273 .15 K( 0 ⁰ C).
După efectuarea acestei etape, obiectele clasificate drept "pantă blândă" și "temperatură
pozitivă" au fost combinate și dacă s -au suprapus au fost atribuite clasei " gheat ă "(aceste 2 clasific ări
ne determin ă inglobarea debrisului in gheat ă.

Post-procesare în OBIA
Aplicarea unei imagini „RATIO ” pentru cartografierea gheții și zăpezii este destul de robustă.
Astfel se cartează toate suprafețele acoperite de gheață și zăpadă, fără a lua în considerare dacă zăpada
este localizată pe un ghețar (și aparținând astfel clasei "ghețarului") sau în afar ă. Pe de altă parte,
morenele mediane, părțile glaciare acoperite debris sau lacurile supraglaciare nu sunt cartografiate cu
această metodă, dar trebuie incluse în clasa "ghețarului".[11]
Pentru acest tip de distincție, capacitățile post -procesare ale OBIA pot fi aplicate. Este posibil
să se reconsidere erorile de omisiune și de comis ie ale alocării de clase pe baz ă contextual ă și să fie
incluse în clasa corectă. Pentru post -procesarea rezultatelor de clasificare am creat o buclă în setul de
reguli care a mă rit sau a micșorat pragurile pentru setul de date de intrare asociat.
Pentru a include obiectele neclasificate rămase, am folosit mai multe instrumente OBIA
specifice, care au atribuit obiecte clasei "ghețar", de exemplu prin utilizarea regulilor de vecin ătate. O
astfel de regulă ar putea să se refere la raportul dintre lungimea împărțită a unui obiect și un obiect
învecinat atribuit unei clase definite, la lungimea totală a limitei. O altă posibilitate de a aloca corect
obiecte clasei "ghețar", este de a selecta în plus obiecte în funcție de forma lor. De exemplu, morenele
mediane sunt adesea reprezentate ca obiecte alungite după segmentarea inițială a imaginii. Această
formă specifică poate fi folosită pentru a le distinge de alte obiecte și pentru a le a tribui corect clasei
"ghețar".
În continuare o să rezum pas cu pas regulile ce trebuie urmate pentru cartografierea ghețarului
cu ajutorul OBIA (în programul eCognition Developer ). Întregul flux de lucru are patru părți majore
(pre-procesare, segmentare, c lasificare și postprocesare), fiecare parte fiind împărțită î n etape distincte
de prelucrare:

1. Pre-procesarea
– importul și conversia formatului benzilor de imagine și calculare a raportului DEM al benzii
(RED / SWIR) ,
– calculul radianței și temperaturii din banda infraroșu -termic (TIR) ,
– calcularea pantei din DEM ,
– crearea de imagini compozite îmbunătățite prin contrast (false -color) pentru analiza vizuală a
rezultatelor .
2. Segmentarea
– selectarea factorului de scalare (10 dacă exista regiuni puține sunt acoperite debris, 20 dacă
este prezentă o acoperire larga) ,
– formă și compactitate: fixat la 0,1 și respectiv 0,5 ,
– alocarea ponderilor datelor de intrare: 1 pentru RED și SWIR , 2 pentru banda infraroșu termal ă
și 3 pentru pante .

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

– crearea de obiecte prin rularea segmentării .
3. Clasificarea:
– aplicarea valorilor de prag (TV) pentru a crearea clasificări intermediare (date binare) din toate
seturile de date de intr are rezultând clasa "gheaț ă” in funcție de RATIO (TV > 2), "pante
blânde" (TV < 6 ⁰), "temperatură pozitivă" (TV > 273 .15K),
– ajustarea iterativă a valorilor pragurilor pentru a obține rezultate optimizate (bazate pe analiza
vizuală)
4. Post-procesarea:
– relațiile de vecinătate: lungimea relativă a unei limite cu o altă clasă (de ex. pentru a exclude
iceberg -urile) și analiza aferentă formei (caracteristici alungite) pentr u a identifica morenele
mediane,
– îmbinarea tuturor claselor relevante clasei "ghețar" ,
– exportul rezultatului ca strat vectorial[11] .

1.3 METODOLGIE

Pentru început am descărcat 4 imagini satelitare de tip ASTER DEM la rezoluție de 30 metrii
din data de 9 iulie 2009 pentru a putea realiza harta hipsometric ă a arealului ales pentru studiu, Din
aceeasi dat ă am reu șit sa descar si imaginile satelitare reprezent ând benzile magnetice Landsat TM 5
la rezolu ție de 30 metrii. În programul ArcGIS, interfața ArcMAP, cu ajutorul funcției MOSAIC TO
NEW RASTER le -am unit într-un singur DEM. (Fig. 3.1. )

Fig. 3.1. Utilizarea funcției MOSAIC TO NEW RASTER

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Pe baza acestui nou DEM generat am realizat harta hipsometric ă (cea a altitudinilor) prin
reclasificarea rezultatelor obținute .(Fig 3.2.)

Fig 3.2. DEM Alaska

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Următor pas const ă în extragerea pantei.
Pe baza noul DEM generat , din setul de „unelte ArcTOOLBOX, cu ajutorul funcției SLOPE
am generat harta pantelor . Aceste pante apoi le -am clasificat în 2 praguri: pante intre 0⁰ și 12⁰ și intre
12.01⁰ și 85.3⁰, deoarece cum am descri s mai sus, știm din literatura de specialitate, sa pot clasifica
corect zonele care includ ghea ță amestecat ă cu debris. (fig 3.3. și fig 3.4.)

Fig 3.2. Utilizarea funcției SLOPE

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig. 3.4. Harta Pantelor (2 praguri: 0⁰ -12⁰ și 12.01⁰ -89.3⁰)

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Următorul pas pentru a realiza ulterior segmentarea în obiecte este conversia radiantei.
Radianța corespunde valorii cantitative a energiei radiante sau emisa în spațiu de un obiect cu
o relativa omogenitate fizic ă și chimic ă. Este exprimat ă în unități de energie raportate la unghi solid,
suprafață și lungime de und ă. Fiecărui obiect din imagine îi corespunde un anumit n ivel al radianței
ce poate exprima în imagini printr -o anumita strălucire .[2.9]
Pentru determinarea radianței întâi am realizat Conversia D igital Number în radianț ă cu
ajutorul funcției RASTER CALCULATOR, (fig. 3.5 și fig. 3.6) după următoarea formula :

Lλ = Grescale * QCAL + Brescale
adică :
Lλ = ((LMAX λ – LMIN λ)/(QCALMAX -QCALMIN)) * (QCAL -QCALMIN) + LMIN λ

unde:
Lλ reprezintă radianța spectral ă la deschiderea senzo rului în wați / (metru pătrat * ster * μm)
Grescale = Valoarea rescalat ă (produsul "câștigul" conținut în antetul de nivel 1 sau în fișierul de
date auxiliare) în wați / (metru pătrat * ster * μm) / DN
Bresclae = Rezistența redusă (produsul de date "offset" conținut în antetul produsului de nivel 1 sau
înregistrarea datelor auxiliare) în wați / (metru pătrat * ster *μm)
Qcal = Valoarea pixelului calibrat cuantificat în DN
LMIN λ = Luminozitatea spectrală care e ste scalată la QCALMIN în wați / (metru pătrat * ster * μm)
LMAX λ = Luminozitatea spectrală care este scalată la QCALMIN în wați / (metru pătrat * ster * μm)
QCALMIN = Valoarea minimă a pixelu lui calibrat (corespunzătoare LMINλ) în DN, are valoarea 1
pentru produsele LPGS , valoarea 1 pentru produsele NLAPS prelucrate după 4/4/2004 și valoarea 0
pentru produsele NLAPS procesate înainte de 4/5/2004
QCALMAX = valoarea maximă a pixelu lui calibrat (care corespunde valorii LMAXλ) în DN, este
egala cu 255 [2]
Fig. 3.5. Conversia radianței

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig. 3.6. Conversia radianței

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Apoi am realizat conversia radianței în grade Kelvin (fig. 3.6. și fig. 3.7) . Pentru calcul am
utilizat funcția RASTER CALCULATOR și am aplicat formula :

unde:
T = temperatura efectivă la satelit în Kelvin
K2 = Constanta de calibrare 2 din tabelul 2
K1 = Conformitatea de calibrare 1 din tabelul 2
L = Radiația spectrală în w ați / (metru pătrat * ster * μm) [2]

Tabel 2: Banda Infraroșu -termic ETM+ și TM
Constante de Calibrare
Constant 1 – K1 Constant 2 – K2
watts/(meter squared * ster * µm) Kelvin
Landsat 7 666.09 1282.71
Landsat 5 607.76 1260.56

Fig. 3.6. Conversia radianței în temperatura ( ⁰Kelvin)

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig. 3.7 Harta temperaturilor reprezentat ă în grade Kelvin

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Următorul pas pentru realizarea segmentării este calcularea indicelui RATIO din benzile
satelitare 3 și 5 (banda roșu și banda infraroșu îndepărtat )(fig. 3.8 și fig 3.9 ).

Fig 3.8. Calcularea RATIO (RED/SWIR)

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig. 3.9. Indicele RATIO

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Suplimentar fa ța de literatura de specialitate aleas ă de mine pentru realizarea clasificării
ghețarului , am ales să introduc o a patra variabil ă, și anume indicele normalizat de diferențiere a
zăpezii NDSI.
Indice normalizat de diferențiere al zăpezii – NDSI reprezintă un raport de banda spectrala
bazat pe avantajul diferențelor spectrale ale zăpezii benzile ultra -scurte infraroșii și vizibile . Folosește
benzile spectrale verde (reflectanță mare a zăpezii) și infraroșu mijlociu (reflectanță scăzută).
Interpretare a NDSI este următoarea : tonuri deschise (teren cu zăpada), tonuri închise (teren fără
zăpadă). În general, zăpada este caracterizată prin valori mari ale NDSI (peste 0.4) și este exprimată
prin tonuri de cu loare deschisă (aproape de alb).[3]
Calcularea cu funcția RASTER CALCULATOR a indicelui normalizat de diferențiere al
zăpezii NDSI(fig. 3.9 și fig. 3.10) se face după formula:

NDSI =( G – IR) / (G + IR) = (B2 – B5) / (B2 + B5)

Fig. 3.10 . Calcularea indicelui normalizat de diferențiere a zăpezii

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig. 3.11 . Indicele Normalizat de Diferențiere a Zăpezii

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Odată procesate imaginilor satelitare , am trecut la pasul 2, și adică realiza rea segmentării
în obiecte, clasificarea obiectelor rezultate pe baza pragurilor stabilite anterior și în final exportul
rezultatului sub forma de imagine vectorial ă.
Pentru realizarea segmentării și clasificării , am ales să lucrez în aplicația eCognition
Developer .
Aceasta se realizează relativ ușor prin crearea unui nou spațiu de lucru, la care am atașa t
un proiect nou numit ”panta1” (fig. 3.12) și am introdus imaginilor procesate anterior cu ajutorul
ArcMAP

Fig. 3.12 Introducerea datelor(imagini satelitare procesate) pe baza cărora se va realiza segmentarea

Al doilea pas pentru realizarea segmentării în obiecte a imaginii satelitare consta în aplicarea
unui algoritm logic, cu ajutorul funcției PROCESS TREE.
Pentru început inser ăm un proces „ părinte ” , care va sta la baza segmentării mele . Definirea
unui proc es părinte este destul de esențiala , intru cât ne permite rularea(executarea) algoritmul definit
de la început pana la sfârșit , fără a fi nevoiți să rulam pe rând fiecare condiție . (fig. 3.14 )
Tipul de segmentare ales es te segmentarea multi -rezoluție (MULTIRESOLUTION
SEGMENTATION) . Algoritmul acestui tip de segmentare grupează pixelii care au aproximativ
aceleași caracteristici în obiecte. Pixelii care formează imaginea sunt clasificați în funcție de
proprietățile de omogenitate și pe baza relațiilor de vecinătate în obiecte care au mărimea de 1 pixel.
Valoarea scării obiectelor afectează cel mai mult segmentarea, întrucât ea determin ă mărimea
obiectelor. Astfel cu cât scara este mai mare, c u atât mai multi pixeli conține și cu atât este mai mare
ca forma. [3.1]

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig. 3.13 Stabilirea pragurilor pe baza cărora se realizează segmentarea

Apoi, acestui „părinte”, cu ajutorul funcției „ INSERT CHILD” îi vom insera un proces
secundar care va conține valorile pe baza căruia se va realiza segmentarea : scara, forma,
compactitatea obiectelor și ponderea pe care o va avea fiecare din imaginile satelitare în procesul de
segmentare și ulterior clasificare.. (fig. 3.14 )

Fig. 3.14. Inserarea procesului „copil”

În analiza realizat ă de către mine am ales, din literatura de specialitate, ca pragurile pentru
realizarea segmentării să fie: scara 10, forma să fie 0.1 și compactitatea 0.5 .
Iar pentru pragurile imaginilor satelitare utilizare în vederea clasificării, am ales ca ponderea
cea mai mare să o aibă pantele (3), apoi temperatura (2) , benzile RED și SWIR utilizate pentru
indicele numit RATIO să aibă ponderea 1, iar banda GREEN să aibă ponderea 0.[ 11] (fig. 3.15).

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig 3.15 Stabilirea pragurilor de segmentare și clasificare

În eCognition, proprietățile obiectelor segmentate poa rta denu mirea de atribute. Pentru a putea
avea o privire de ansamblu asupra analizei mele, folosind funcția „SELECT FEATURES TO
DISPLAY”, am ales ca să afișez în fereastră „IMAGE OBJECT INFORMATION” atributele
obiectelor selectate.(fig.3.16) Aceasta este extrem de util ă in analiza vizual ă a clasific ării.

Fig. 3.16 Utilizarea funcției SELECT FEATURES TO DISPLAY

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

După realizarea segmentării , următorul pas consta în clasificarea obiectelor. Pentru a realiza
clasificare a am ales un algoritm elementar și relativ simplu „AS SIGN CLASS” , (fig. 3.17) , bazat pe
alocarea de atribute fiecărui obiect în funcție de pragurile de clasificare definite prin algoritm.

Fig. 3.18 Utilizarea algoritmului A SSIGN CLASS

Astfel prin utilizarea repetata a acestui algoritm , am atribuit pe rând obiectelor, pragurile
stabilite în vederea realizării clasificării .(fig. 3.19)

Fig. 3.19 Clasificarea obiectelor utilizând pragurile pentru temperatur ă cu algoritmul ASIGN CLASS

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

În momentul în care dorim să rulam din nou clasificarea , algoritmul da greș (fig 3.20) . Aceasta
eroare se întâmpla deoarece programul nu mai are de clasificat nici un obiect, toate obiectele care
îndeplinesc condițiile impuse fiind deja clasificate.

Fig. 3.20 Eroare de clasificare

Pentru a evita aceasta eroare și pentru a putea reclasifica în orice moment, dac ă dorim să
schimbam sau nu pragurile, vom trata acest algoritm precum orice alt algoritm informatic. Cea mai
bună metod ă este introducerea la începutul clasificării a unei funcții de re -setare „DELETE OBJECT” .
Aceasta funcție prin apelarea ei, întâi șterge toate clasificările realizate anterior, apoi realizează din
nou clasificarea de la început pana la sfârșit în funcție de pragurile alese.(fig 3.21)

Fig. 3.21 Definirea algoritmului de „resetare”

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

În momentul in care clasificarea s -a realizat corect si înainte de a exporta rezultatele, pentru o
mai bun ă vizualizare în programul ArcGIS, este recomandat s ă unim toate obiectele care indeplinesc
condi ția impusa prin algoritm într -un singur poligon. Aceasta se face prin apelarea functiei MERGE.

Fig. 3.22Apelarea funcției MERGE pentru unirea obiectelor clas ificate

Pentru a realiza o clasificare corect ă a ghe țarului Tokositna, pe lang ă pragurile impuse si știute
din literatura de specialitate , am folosit și o analiza vizual ă a imaginii. Astfel de la 12 ⁰ grade am
adaptat panta la 6 ⁰, iar clasele utilizate în clasificare au fost „ghea ță” și „ nu este ghe ță”. Dup ă cum se
subînțelege, clasa „ghea ță” a fost atribuita ghe țarului, iar clasa „nu este ghea ță” a fost atribuita
celorlalte obiecte care nu au facut parte din ghe țar.(fig 3.23) `

Fig. 3.23 Rezultatul clasificarii

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Algoritmul pe care l -am rulat in final pentru realizarea clasificarii se urmatorul:
– toate obiectele neclasificate cu NDSI < 0.44 au fost atribuite clasei „ nu este ghe ță”,
– toate obiectele neclasificate cu RATIO <2 au fost atribuite clasei „ nu este ghea ță”,
– obiectele neclasificate, cele clasificate ca apar ținand clasei „ nu este ghea ță” și care
îndeplinesc condi ția ca temperatura s ă se situeze între 273.15 ⁰ K si 297 ⁰ K.
– obiectele neclasificate , cele clasificate ca apar ținand clasei „ nu este gh eață” și care de
asemenea îndeplinesc condi ția ca panta sa fie mai mi că de 6⁰ au fost atribuite clasei
„ghea ță”.
Pentru definitivarea proiectului rezultatele au fost exportate sub forma de shape -file de date
vectoriale .
După suprapunerea layere -lor care con țin limita Ghe țarului Tokositna rezultat ă din prelucrarea
datelor GLIMS in programul ArcGIS , si cea a rez ultatelor in urma analizei OBIA se poate vizualiza
cu usurin ță o oarecare apropriere in forrma si marime ghe țarului.(fig 3.24) . Imaginea shape -file a
Glims -ului utilizat este realizat ă pentru anul 2010.(fig. 3.25).
După cum se poate observa ghe țarul a ramas relativ nemodifcat in form ă si suprafa ță.

Fig 3.25 GLIMS Tokositna pentru anul 2010

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

Fig 3.24 Rezultat analiza si limita gheț ar din date GLIMS

Alina Maria STĂNCESCU – Reprezentarea cartografică a Ghețarului Tokositna (Alaska) cu ajutorul sistemelor informatice geografice

CONCLUZII

Ghețarii ocupă 10% din suprafața Pământului, adică se întind pe 16,24 milioane km2. Ei se
formează doar în zonele unde există temperaturi medii scăzute și o anumită cantitate de precipitații,
elemente ce păstează apa în formă solidă (zăpadă, firn, gheața).
Comportamentul ghețarilor a repre zentat un interes din totdeauna, astfel se real izează multe
cercetari în acest domeniu și există multe metode prin care pot sa fie studiați, de exemplu GLIMS
(Global Land Ice Measurements from Space ), ASTER ( Advanced Spaceborne Thermal Emission and
Reflection Radiometer ), cât și alte metode cu ajutorul teledetecției și a sistemelor informatice
geografice, precum în tema aleasă si abordată in prezenta lucrare de diplomă
Informațiile privind amploarea spațială a ghețarilor (de exemplu un corp de gheață care
provine din zăpadă comprimată și care curge în jos datorită stresului indus de greutatea sa) este crucial
pentru aplicații cum ar fi modelarea evoluției lor viitoare ca răspuns la schimbările climatice și a
contribuțiilor la creșterea nivelului oceanului planetar. [1 ]
Ghețarii ocupa un loc important în înțelegerea schimbărilor climatice ce au avut loc de -a lungul
timpurilor, oferind totodată și avertismente în legătura cu evenimentele ce se produc in mod regular
( era glaciara cât și anomaliile climatice ).
Ocupând mai mult de 10% din suprafața pământului, pro tejarea ghețarilor e fundamentală
pentru viitorul nostru, oamenii de știință anticipând că, fără masuri extraordi nare de protecție a
mediului, luam în considerare și ritmul intensificării temperaturilor ( ex. efectul de sera ) , care poate
duce la o creștere a nivelului marilor cu peste 10 metri, punând in pericol multe din zo nele limitrofe
oceanelor si marilor .
Dacă în trecut oamenii au studiat ghețarii îndeaproape, tehnologia de azi ne permite sa privim
de la mari altitudini schimbări ce au loc global, permițând schimbul de date intre centrele de
monitorizare a ghețarilor in timp real.
În concluzie, studierea ghețari lor este importantă și din cauza acțiunilor pe care le desfășoară,
unele dintre ele având impact negativ asupra mediului, precum hazardele provocate de aceștia.