Univerza v Ljubljani Fakulteta za gradbeništvoin geodezijo Doktorandka URŠKA KANJIR SPREMLJANJE MIGRACIJ NA MORJU IN ANALIZA VPLIVA IZBRANIH BEGUNSKIH CENTROV NA OKOLJE Z DALJINSKIM ZAZNAVANJEM Doktorskadisertacija MONITORING MIGRATIONS BY SEA AND ANALYSIS OF REFUGEE CAMPS’ ENVIRONMENTAL IMPACT WITH REMOTE SENSING Doctoral dissertation Ljubljana, julij 2021 Univerza v Ljubljani Fakulteta za gradbeništvoin geodezijo Mentor: izr. prof. Krištof Oštir, UL FGG. Somentorica: doc.dr.Ana Kralj, UL FSD. Komisijazaspremljanjedoktorskegaštudenta/-tke: doc.dr.Mojca Kosmatin Fras, UL FGG, izr. prof. dr. Jure Gombac, UNG FH, prof. dr.Stojan Petelin, UL FPP. Podpisana študentka UrškaKanjir, vpisna številka 74090511,avtorica pisnega zakljucnega delaštudija z naslovom: Spremljanje migracijna morju in analiza vpliva begunskih centrov na okolje z daljinskim zaznavanjem IZJAVLJAM 1. da je pisno zakljucno delo študija rezultat mojega samostojnega dela; 2.da je tiskana oblika pisnega zakljucnega dela študija istovetna elektronskioblikipisnega zakljucnega dela študija; 3.da sempridobila vsa potrebna dovoljenja za uporabo podatkov in avtorskih delv pisnemzakljucnem delu študija in jih v pisnem zakljucnem delu študija jasno oznacila; 4.da sempripripravipisnega zakljucnega dela študija ravnala v skladu z eticniminaceliin,kjerje to potrebno, za raziskavo pridobila soglasje eticne komisije; 5.soglašam,da se elektronska oblika pisnega zakljucnega dela študija uporabiza preverjanje podobnosti vsebine z drugimi deli s programsko opremo za preverjanje podobnosti vsebine, kije povezana s študijskim informacijskim sistemom clanice; 6. da na UL neodplacno, neizkljucno,prostorsko in casovno neomejeno prenašampravico shranitve avtorskega dela v elektronskiobliki,pravico reproduciranja terpravico dajanja pisnega zakljucnega dela študija na voljo javnosti na svetovnem spletu preko Repozitorija UL; 7.[za zakljucnadelana3. stopnji študija, sestavljenaizclankov] da semodzaložnikov, nakatere sem predhodno izkljucno prenesel/-lamaterialneavtorskepravicenaclankih, pridobil/-a potrebna soglasja za vkljucitev clankov v tiskano in elektronsko obliko disertacije. SoglasjaUL omogocajo neodplacno, neizkljucno, prostorsko in casovno neomejeno hranjenje avtorskega dela v elektronski obliki in reproduciranje ter dajanje disertacije na voljo javnostina svetovnemspletu preko Repozitorija UL; 8. da dovoljujemobjavo svojih osebnih podatkov,kiso navedeni v pisnem zakljucnem delu študija in tej izjavi, skupaj z objavo pisnega zakljucnega dela študija. VLjubljani, Datum:30.06.2021 Podpisštudentke: »Ta stran je namenoma prazna« Matevžu When you're missing a friend, the time moves slow. »Ta stran je namenoma prazna« POPRAVKI – ERRATA Stran z napako Vrsticaznapako Namesto Najbo Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja ZAHVALA Hvala mentorju,prof.dr.Krištofu Oštirju, zavsenasvete, pomocinpotrpežljivost napoti dokoncnega rezultata. Hvalasomentorici,dr.Ani Kralj,zanjenostrokovnopodporoinodprtostpripovezovanjunepovezljivih tematik. Neskoncnahvala kolegomizInštituta za antropološkeinprostorske študije za izvrstnointelektualno družbo inzagotavljanje stimulativnegaokolja. Šeposebej hvalaekipi 404:Tatjani,Alešu in Petruza prijetno pocutje v našipisarniterza vse odgovore na vprašanja,Borutu,zanjegovneverjeten obcutek zasocloveka, Nataši, dajevednobrezpogojno verjela vame in Maji,da mikaže sfere neoprijemljivega na subtilen nacin. Hvala HarmuGreidanusuzapomembendoprinosprivsebiniclankainposledicnopricujocegateksta. HvalaFabianu,da mije pokazal, dajeprogramiranjezabavnoin da mu ninikoliproblem delitisvojega znanja. HvalapodjetjuSinergise(predvsem MatejuBaticu) za podporo pri podatkih in licencah. HvaladragiZoji, medzvezde,zaprviresnejšijezikovnipregled besedila. Hvala Mojci, da je znala z obcutkom pokazati kurz, ko sem izgubila smer plovbe. HvalaJuretu,za vse nasvete in energijo prisokreiranju vsebine, ki je sicernivec v prvotniobliki. HvalaGreguzanedobljenostavos kolesom, dve desetletjipravih kolicin brc zazagoninvse dobre debate. HvalamojiTjaši,Niniin Kajiza neskoncno moralnopodporoinda ste vedno tu zame. HvalaBorji zasopotništvoinoporo med celotnim procesom ter zalovljenjevejicin reševanjeostalih slovnicnih in kontekstualnih zank. Hvala Ajri,da mevodinasprehode. Hvalastaršema, ki sta sta v ozadju neopaženo še vedno pripravljena loviti vsak moj padec. Hvalatudi vsem ostalim, ki ste kakorkolidrugaceprisostvovalik zakljucku naloge. Disertacijoposvecam prijateljem -mojidrugifamiliji.Hvala vam, kerste! BIBLIOGRAFSKO-DOKUMENTACIJSKA STRAN IN IZVLECEK UDK: 502.1:314.151.3:352:528.8(043) Avtor: Urška Kanjir,univ. dipl. inž. geod. Mentor: prof. dr. Krištof Oštir Somentorica: doc. dr. Ana Kralj Naslov: Spremljanje migracij na morju in analiza vpliva izbranih begunskih centrov na okolje z daljinskim zaznavanjem Tipdokumenta: Doktorska disertacija Obsegin oprema: 131 str., 9 pregl., 36 sl., 12 en., 1 pril. Kljucne besede: Daljinskozaznavanje,migracije, zaznavanjein klasifikacija plovil, opticni satelitski posnetki, casovne vrste, širjenje begunskih taborišc Izvlecek Migracijesostalnicaclovekovegaobstoja. VzadnjihletihsosevEvropi drasticnopovecalemigracije prebežnikov cez Sredozemsko morje. Njihovapot se pogosto zakljuciv begunskih taborišcih, kjer so nastanjeni v slabih razmerah.Vnalogi sezuporabodaljinskozaznanihpodatkovnavezujemona širšo tematiko migracij. Osredotocamo se na zaznavanje plovil prebežnikov po morju in na opazovanje vplivov, ki jih lahko povecane migracije povzrocijo na okolje v okolici begunskih centrov. Zapridobitev podatkovo gibanju prebežnikov na morjuraziskujemomožnosti uporaberaznovrstnih (zelo) visokolocljivihopticnihsatelitskihposnetkov. Vtanamensmorazvili metodo za samodejno zaznavanje plovil, ki jev grobemsestavljenaiz štirihzaporednihkorakov: locevanjekopnega in morja, dolocanjekandidatov za plovila, locevanje plovilod neplovilinklasifikacijaplovil.Rezultatikažejo,da z omenjenimalgoritmom zaznavamo plovila najboljnatancno sposnetkov z ugodnejšimivremenskimi razmerami. Vecji problem pri zaznavi predstavljajo lažnipozitivikot nezaznana plovila. Za odkrivanje sprememb površine taborišc sprememb smo uporabili analizo casovnih vrst BFAST (Breaks For AdditiveSeasonandTrend) Monitor, s katerospremljamo motnjevcasovnih vrstah na podlagimodela stabilnega zgodovinskega vedenja.Analizo smo naredili na posnetkih Sentinel-2 na obmocjih begunskih taborišc na sredozemskih otokih,kise že dlje casa srecujejo spritokommigracij. Opazovanesobilenegativnozaznanespremembe NDVI(normiranidiferencialni vegetacijski indeks) v letu 2019.Ugotovili smo, da sopodatki Sentinel-2 primerni za analizo casovnih vrst zaradi njihove goste casovne vrste.Ocena verjetnih vplivov v okolici begunskih taborišc jedolocenanapodlagi treh verjetnostnih razredov glede na velikostnegativne magnitudezaznanihsprememb. BIBLIOGRAPHIC-DOCUMENTAL INFORMATION AND ABSTRACT UDC: 502.1:314.151.3:352:528.8(043) Author: Urška Kanjir,univ. grad. in geod. eng. Supervisor: prof. Krištof Oštir, Ph.D. Co-supervisor: assist. prof. Ana Kralj, Ph.D. Title: Monitoring migrations by sea and analysis of selected refugee camps' environmental impact with remote sensing Documenttype: DoctoralDissertation Notes: 131 p., 9 tab., 36fig., 12eq., 1 app. Keywords: Remote sensing, migration, ship detection and classification, optical satellite data, time series, refugee camp sprawl Abstract Migrationshavebeen afeature ofhuman existencefor centuries.The migrations of migrants who risk their lives toreachEurope via the Mediterranean have increased dramatically in recenttimes.Their journey oftenends in refugeecamps wherethey arehousedinpoor conditions. Inthis dissertationwe use remote sensing data in the contextofthe broaderissue ofmigration.We focus on the detection of migrant vessels atsea andthe environmentalimpactthatincreasedmigration canhave aroundrefugee centers. Inorder toobtaindataonthemovement of migrants at sea, weinvestigatethepossibilities of using a variety of(very)high-resolutionoptical satelliteimages. Wehavedeveloped amethodfor automatic vesseldetection consisting offour consecutive steps: sea-land separation, candidatedetection, vessel discrimination and vesselclassification.The resultsshowthatthe developed algorithmmore accurately detects vesselsfromimageswith more favourable weather conditions. False positives are a greater problemin detection than undetected vessels. Todetectchangesinthevicinityoftherefugeecamps,weusedthetimeseries analysis BFAST(Breaks For Additive Season and Trend) Monitor, which monitors disturbances in time series based on a model for stablehistorical behaviour. Theanalysis was appliedonSentinel-2 imagesin areasofrefugee camps on the Mediterranean islands that havebeenexperiencinglongterm influxes of migrants. Weobserved negatively detected changesin the NDVI(normalised difference vegetation index)in 2019. Sentinel-2 data proved to be suitable fortime series analysis due to their dense time series.The assessmentof potential environmentalimpactsin the vicinity ofrefugee campsare furtherdetermined on the basisof probability classesdefined according to the negative magnitude ofthe observed changes. KAZALO VSEBINE POPRAVKI – ERRATA ............................................................................................................ I ZAHVALA ................................................................................................ ................................ II BIBLIOGRAFSKO-DOKUMENTACIJSKA STRAN IN IZVLECEK .................................. III BIBLIOGRAPHIC-DOCUMENTAL INFORMATION AND ABSTRACT ......................... IV KAZALO VSEBINE ................................................................................................................. V KAZALO PREGLEDNIC ..................................................................................................... VIII KAZALO SLIK ........................................................................................................................ IX LIST OF TABLES .................................................................................................................. XII LIST OF FIGURES ............................................................................................................... XIII SEZNAM PRILOG ............................................................................................................... XVI OKRAJŠAVE IN SIMBOLI ............................................................................................... XVII 1 UVOD ................................................................................................ ................................. 1 1.1 Raziskovalnikontekst............................................................................................................... 1 1.2 Orisproblema........................................................................................................................... 4 1.3 Utemeljitevrelevantnostipredlaganetemedoktorskedisertacije............................................6 1.4 Raziskovalnehipoteze.............................................................................................................. 8 1.5 Struktura doktorske disertacije................................................................................................ .9 I. TEORETICNI DEL ........................................................................................................... 11 2 OZADJE: SODOBNE MIGRACIJE IN NJIHOVA PROBLEMATIKA ......................... 11 2.1 GlavnemigrantskepotipoSredozemlju................................................................................ 11 2.2 Operacije posvecene migracijam po morju............................................................................ 15 2.3 Begunskataborišcainokolje.................................................................................................. 17 2.4 Povzetek in sklepi2.poglavja................................................................................................ 19 3 SISTEMI ZA OPAZOVANJE PLOVIL IN OKOLJSKIH SPREMEMB ........................ 21 3.1 Splošno o opazovanju plovilssatelitskih posnetkov .............................................................21 3.2 Obstojecisistemidaljinskegazaznavanjazaopazovanjeplovilnamorju.............................22 3.3 Opticnisistemidaljinskegazaznavanja.................................................................................. 24 3.4 Problemuporabljenih podatkov priobravnavanih temah ......................................................26 3.5 Povzetek in sklepi................................................................................................................... 27 4 ZAZNAVANJE MAJHNIH PLOVIL Z OPTICNIH SATELITSKIH POSNETKOV .... 29 4.1 Zaznavanjeobjektovzopticnihsatelitskihposnetkov...........................................................29 4.1.1 Locevanjekopnegainmorja............................................................................................................. 31 4.1.2 Odstranjevanjealizmanjševanjeokoljskihvplivov......................................................................... 32 4.1.3 Zaznavanjekandidatovplovil........................................................................................................... 35 4.1.4 Locevanjeplovil ............................................................................................................................... 37 4.1.5 Klasifikacija................................................................................................ ......................................37 4.1.6 Ocenakakovostizaznavanjaplovil .................................................................................................. 39 4.2 Združevanjepodatkovrazlicnih senzorjev............................................................................. 40 4.3 Povzetek in sklepi................................................................................................................... 42 5 OCENJEVANJE VPLIVOV NA LOKALNO OKOLJE – ZAZNAVANJE SPREMEMB V BEGUNSKIH TABORIŠCIH .............................................................................................. 43 5.1 Daljinskozaznavanjeinopazovanjebegunskihtaborišc.......................................................43 5.2 Zaznavanjespremembzanalizamicasovnihvrst ..................................................................44 5.2.1 Metodologijacasovnihvrst(BFASTMonitor) ................................................................................ 46 5.2.2 Ocenjevanje verjetnih vplivov na okolje.......................................................................................... 48 5.3 Povzetek in sklepi................................................................................................................... 48 II. PRAKTICNI DEL ......................................................................................................... 49 6 ŠTUDIJSKA OBMOCJA IN UPORABLJENI PODATKI .............................................. 49 6.1 Morjeinobala ........................................................................................................................ 49 6.2 Begunskataborišca................................................................................................................. 51 6.2.1 Študijska obmocja............................................................................................................................. 51 6.2.2 Podatki................................................................................................ ..............................................56 6.3 Povzetek in sklepi................................................................................................................... 58 7 METODOLOGIJA IN REZULTATI ................................................................................ 59 7.1 Zaznavanjeplovilssatelitskihposnetkov.............................................................................. 59 7.1.1 Maskamorjainkopnega................................................................................................................... 59 7.1.2 Odstranjevanjealizmanjševanjeokoljskihvplivov......................................................................... 64 7.1.3 Zaznavanjeplovil.............................................................................................................................. 65 7.1.4 Locevanjeinklasifikacijaplovil....................................................................................................... 70 7.1.5 Vrednotenjezaznavanjaplovil ......................................................................................................... 73 7.1.6 Prikazrezultatov zaznavanjaplovil.................................................................................................. 78 7.1.7 Trendiinsmerniceprizaznavanjuplovilzopticnihposnetkov.......................................................81 7.2 Zaznavanješirjenjabegunskihtaborišcscasovnimivrstami.................................................82 7.2.1 Potek analizecasovnih vrstBFASTMonitor ................................................................................... 82 7.2.2 VrednotenjeoziromaprimerjavaanalizecasovnihvrstsenzorjevSentinel-2 in Landsat8.............94 7.2.3 Vplivnaokolje,zaznanscasovnimivrstami................................................................................... 98 7.3 Povzetek in sklepi................................................................................................................. 100 ZAKLJUCEK .................................................................................................................. 101 8.1 Vrednotenjeraziskovalnihhipotezskljucnimiugotovitvami..............................................101 8.2 Prispevek k znanosti............................................................................................................. 104 8.3 Predlog za nadaljnje raziskave ............................................................................................. 105 POVZETEK............................................................................................................................ 107 SUMMARY ............................................................................................................................ 109 VIRI ................................................................................................ ........................................ 111 SEZNAM PRILOG ................................................................................................................ 121 KAZALO PREGLEDNIC Preglednica 1. Preglednica prikazuje satelitske posnetke, na katerih sem testirala razvitialgoritem za zaznavanje plovil................................................................................................. ...................................49 Preglednica 2. Število obdelanih posnetkov Sentinel-2, velikost opazovanega obmocja ter casovni razpon razpoložljivih posnetkov na obravnavanih obmocjih begunskih taborišc..................................57 Preglednica 3.Mejne vrednosti, uporabljene prilocevanju segmentov potencialnih plovilod napacno zaznanih segmentov. .............................................................................................................................. 70 Preglednica 4.Število ucnih vzorcev glede na razred za posamezno študijsko obmocje. .....................72 Preglednica 5.Natancnostin tocnostpredlaganega algoritma za zaznavanje plovil na razlicnih vrstah morskegapovršjaterrazlicnihopticnihsatelitskihsenzorjih. ...............................................................74 Preglednica 6.Natancnostklasifikacije ter koeficientKappa na razlicnih opticnih satelitskih senzorjih. ................................................................................................ ................................................................76 Preglednica 7.Cas obdelave v sekundah po posameznih posnetkih in korakih obdelave. ....................78 Preglednica 8.Vrednostideterminacijskega koeficienta (r2) ter prelomnih tock(dni vletu) nanakljucnih koordinatah v okolicištudijskih obmocijz razlicno uporabljenimimodeli...........................................86 Preglednica 9. Natancnosti zaznave sprememb v okolici begunskih taborišc na grških otokih. Spremembe so predstavljale vse vrednostiz negativno magnitudo. ......................................................96 KAZALO SLIK Slika 1.Glavne vodne in kopenske migrantske potiiz Severne Afrike in Bližnjega vzhoda preko in okoli Sredozemskega morja v Evropske države (povzeto po:Conant et al., 2015).Slika opisno skuša postaviti tematiko naloge v širši kontekst. ............................................................................................................ 12 Slika 2. Število smrtnih žrtev med preckanjem Sredozemskega morja med leti 2014-2019. Zaradi nekonsistentnostipodatkov o pogrešanih prebežnikih predstavljajo omenjenaštevilanajnižjeocene.Vir: MissingMigrantsProject(2020)............................................................................................................ 14 Slika 3. Prikaz števila umrlih pri poskusih preckanja Sredozemlja med letoma 2014-2019. Vir za podatke o položajih in številu umrlih je Missing MigrantsProject(2020)............................................14 Slika 4.Število utirjenih opticnih satelitov se je drasticno povecalo v zadnjemdesetletju.Leta 1972 je bilizstreljen prviopticnisatelit za opazovanje Zemlje,imenovan Landsat1. Podatkiso pridobljeni na podlagiraziskave od Belward in Skøien (2015)in za zadnjih petlet posodobljeniiz spletne strani N2YO.com(2020)................................................................................................. .................................24 Slika 5.Delmesta Cascais(Portugalska),zajetoktobra 2011 z opticnimsenzorjemGeoeye-1,prostorske locljivosti 1.65m, prikazanvkompozituRGB. Sslikejerazvidno, dajeplovilarelativnolahkozaznati s posnetka takrat, kadar na njem ni oblakov ali valov, kar nakazuje, da jih je mogoce zaznati s samodejnimi pristopi.............................................................................................................................. 30 Slika 6.Posplošena shema poteka zaznavanja plovilz opticnih satelitskih posnetkov. ........................31 Slika 7. Detajl posnetka WorldView-2 s prostorsko locljivostjo 1,8 m prikazuje RGB kompozit zahodnega dela otoka Lampeduza (Italija),zajetega septembra 2013.S slike je razvidno,da oblaki onemogocajo zaznavo plovilkadarprekrivajo vecino posnetka............................................................34 Slika 8.Primerklasifikacije plovilna podlaginjihovih velikostina posnetku GeoEye-1.Slika prikazuje del otoka Lampeduza (Italija). Levo: vhodni posnetek. Sredina: klasificirani segmenti. Desno: klasificirana plovila, oznacena skrižcem.Majhna plovila so objekti,kiimajo dolžino manjšo od 20 m, srednjamerijomed20in100m, velika so tista, ki merijoveckot 100m. SlikajenastalavokviruFP7 projekta NEREIDS................................................................................................. ................................38 Slika 9.Analiza casovnih vrst. Povzeto po: Stephan (2015)..................................................................45 Slika 10.Razdelitev obdobijcasovne vrste prialgoritmu BFASTMonitor. .........................................46 Slika 11.Prikaz študijskih obmocijzaznavanja plovil........................................................................... 50 Slika 12.Najpogostejša preckanja prebežnikov na otok Lezbos(Grcija)po morju iz Turcije.Zrdeco sta oznacena položaja obeh obravnavanih begunskih centrov,Kara Tepe in Moria.Slika jepovzetapo: HernandezinStylianou(2016)............................................................................................................... 52 Slika 13.Begunsko taborišce Vathy na otokuSamosv Grciji(oznacen z belimkrogom).Število ljudi, kitrenutno živi v njem, za okolidesetkratpresega kapaciteto taborišca.(Podlaga:Google Earth, 2020) ................................................................................................ ................................................................53 Slika 14.Slika prikazuje begunsko taborišce Vial na otoku Hiosv Grciji.(Posnetek:Google Earth,2020) ................................................................................................ ................................................................54 Slika 15.Begunsko taborišce Hal Far na skrajnemjugu Malte.(Podlaga:Google Earth, 2020) ..........55 Slika 16.Cara diMineo,situiran v notranjostiSicilije (Italija),je bilnekoc najvecjisprejemnicenterza begunce v Evropi,a je danesže zaprt.(Podlaga:PlanetLabsInc.,2020) .............................................56 Slika 17. Število uporabnih posnetkov Sentinel-2 za posamezno študijsko obmocje. Za begunski taborišci Hios inMaltajezaradi prekrivanja tirnic na voljo veliko vec posnetkov,kot za taborišca na Lezbosu,SamosualiSiciliji................................................................................................................... 58 Slika 18.Izvirni posnetek (levo) inNDWI (desno) naposnetku senzorjaGeoEyejužnoodmestaCadiz (Španija). Vodnepovršine sovbeli barvi izrazitovidnepri izracunuindeksaNDWI, saj sonjihove vrednostivišje od ostalih tipov pokrovnosti........................................................................................... 61 Slika 19.Primerjava locevanja kopnega in morja z indeksoma b)NDWIterc)MNDWI na posnetkih Sentinel-2................................................................................................. ...............................................61 Slika 20. Posebnosti innepravilnosti, s katerimi semse srecevalapri odstranjevanjukopnegas posnetka s predlaganimalgoritmom. Maskamorjajeprikazanavlevemstolpcu, poudarjeni primeri nepravilnosti sooznaceni zrdecobarvovdesnem stolpcu: a) polegkopnega so sposnetka odstranjenitudisklopi belih, penecih se valov, b) vecje sence oblakov, ki padajo na kopno, algoritem zazna kot morje, c) majhnesence,kijih mecejonakopnem višji objekti,sopravtakozaznanekot voda,d) velikeladjev pristanišcih so napacno zaznane kot kopno,e)bazeniob turisticnih kompleksih ostajajo v maski kopnega kot vodne površine in f) predvsempri posnetkih srednjih locljivostih (S-2) ostajajo pomoliin rti nezaznaniin se pripišejo morju.............................................................................................................. 64 Slika 21. Postopek zaznavanja plovil..................................................................................................... 65 Slika 22.Plovila na posnetkih in njihovi(povprecni) spektralnih odboji v segmentu na senzorjih a) IKONOS, b) GeoEye, c) QuickBird in d) WorldView-2....................................................................... 66 Slika 23.Ilustracija racunanja dolžine (odebeljena premica z modro pušcico)in širine (rdeca linija) zaznanega segmenta.Pušcica predstavlja smerladje (±180°). ..............................................................68 Slika 24. Primeri nepravilnih zaznav s predlaganim samodejnim algoritmom za zaznavanje plovil. Rezultati sopredstavljeni z rumeno obrobo,posebnostizaboljšopredstavodane v rdecokrogel okvir: a) vec mirujocih plovilje lahko zaradinjihove medsebojne bližine napacno zaznanih kot eno vecje plovilo namesto vec manjših;b) obratno so velika plovila – zlasti na posnetkih VHR – zaradinjihove heterogenostinapacno zaznana kot vec segmentov;c)površina plovilje zaradi pen v njihovi neposredni okoliciprecenjena;d) meglice na posnetku povzrocajo napacno zaznavo............................................70 Slika 25.Primerodlocitvenega drevesa za posnetek GeoEye (Dakar, Senegal). ..................................72 Slika 26.Prikaz verjetnostizaznave tertocnostizaznanih plovilna obdelanih opticnih posnetkih......75 Slika 27.Rezultatiobdelave na posnetku Geoeye na obmocju Cadiz (Španija)....................................79 Slika 28.Rezultatiobdelave na posnetku QuickBird na obmocju Pozzala (Sicilija,Italija). ................79 Slika 29.Rezultatiobdelave na posnetku IKONOS na obmocju Lampeduze (Italija). .........................80 Slika 30.Rezultatiobdelave na posnetku WorldView-2 na obmocju Akre (Gana)...............................80 Slika 31. Potek metodologije casovnih vrstBFAST,kije bil v tej nalogi uporabljen za zaznavanje sprememb. ................................................................................................ ..............................................83 Slika 32.Primerianalize casovnih vrst z uporabo razlicnih modelov na istempikslu v okoliciMorie (Lezbos)................................................................................................. .................................................85 Slika 33. Negativnespremembevrednosti NDVI vokolici begunskihtaborišc, modelirane s sezonsko­trendnimmodelomnapodatkihSentinel-2.Spremembe kažejo odraz situacije za leto 2019.Kotpodlaga služijo za prikaz posnetki podjetja Planet (Planet Labs Inc., 2020), z locljivostjo 3 m.........................91 Slika 34. Prikaz vpliva casa zacetka opazovanega obdobja na rezultate trenda in prelomnih tock. Rezultati,izracunanissezonsko-trendnimmodelom, prikazujejoopazovanjana istempikslu. Zacetek opazovanega obdobja je v grafu zgorajlevo definiran na 180. dan v letu 2018, zgoraj desno na 1. dan leta 2019, spodaj levo pa na 180. dan v letu 2019.................................................................................. 93 Slika 35.Primerjava trajektorijtrenda glede na stabilno zgodovino spodatkov Sentinel-2 terLandsat8 na istempikslu, z istim uporabljenimmodelom..................................................................................... 95 Slika 36.Velikostvpliva na okolje glede na negativno zaznane spremembe v okolicibegunskih taborišc v letu 2019. ................................................................................................ .............................................99 LIST OF TABLES Table1. Thetableshows satelliteimages onwhichthedevelopedvessel detectionalgorithmwas tested. ................................................................................................ ................................................................49 Table2.NumberofprocessedSentinel-2 images,the size ofthe observed study area and time range of available imagesin the considered areasofrefugee camps...................................................................57 Table3.Thresholdsthatareusedwhilediscriminatingpotentialvesselsfromdefinitefalsealarms. ..70 Table4.Numberoftrainingsamples per class for each study area.......................................................72 Table5.Accuracy and precision ofa suggested algorithmfor vesseldetection on differentsea states, using differentopticalsatellite sensors. ................................................................................................ .74 Table6. Classification resultsandKappa coeficientofvesselclassification on opticalsatellite sensors. ................................................................................................ ................................................................76 Table7.Processingtimeinsecondsbyindividualimagesandprocessingsteps. .................................78 Table8. Valuesofdeterminationcoefficient(r2) andbreakpoints (days inyear) on randomcoordinates in the vicinity of the study areas with different models applied. ...........................................................86 Table9. Accuracydetectionofdetectedchangesinthevicinityofrefugeecampsonthe Greekislands. Thechangesrepresentedallvalueswithanegativemagnitude.............................................................96 LIST OF FIGURES Figure 1.Main sea and land migration routesfromNorth Africa andMiddleEastthrough and around MediterraneanSeatoEuropean countries(summarizedfrom:Conant et al.,2015).Thefiguretriesto putthe topic ofthe dissertation descriptively into a broader context.....................................................12 Figure 2.Numberoffatalitieswhile crossing Mediterranean Sea during the years2014-2019.Due to the inconsistency of themissing migrants’ datathegivennumbers represent minimumestimates. Source: MissingMigrantsProject(2020)............................................................................................................ 14 Figure 3.The number of deathsin the Mediterranean crossing attempts between 2014 and 2019.The locationandthenumber of deceasedimmigrants wereobtained fromtheMissingMigrants Project (2020)................................................................................................. ....................................................14 Figure 4.The numberofopticalsatelitesin orbithas been rapidly increasing in the last decade.Year 1972 marksthe launch ofthe firstEarth observation opticalsatellite Landsat1. Thedata is obtainedon thebasis of BelwardandSkøien(2015) researchandfor thelast fiveyears updatedfromthewebpage N2YO.com(2020)................................................................................................. .................................24 Figure 5.Detailofa GeoEye-1 opticalimage ofCascais(Portugal),acquired in October 2011,with a spatial resolutionof 1.65 m(RGB composite). This imageshows that vessels canbevisuallyeasily recognisedfromtheimagewhenthereare no cloudsorwavespresent,which impliesthatthey can also be recognised by automatic processing methods. .................................................................................. 30 Figure 6.Acommon scheme of vesseldetection workflowfromopticalsatellite images....................31 Figure 7.Detailof a WorldView-2 image with a spatialresolution of1,8 mofthe Western region of Lampedusa(Italy), acquiredinSeptember2013(RGB composite). Thisimageillustratesthedifficulty ofdetecting vesselswhen much ofthe scene isobscured by clouds. ....................................................34 Figure 8. Exampleof vessel classificationonaGeoEye-1 image ofLampedusa (Italy) based on the vesselsize.Left:inputimage.Middle:classified segments.Right:classified targetsmarked with crosses. Small(red) vesselsrepresentdetected segmentssmallerthan 20 m,medium(green)between 20 m and 100 m, and big (blue) vessels are the onesmeasuring more than 100 m.The image was created in the scope of the FP7 project NEREIDS. ...................................................................................................... 39 Figure 9.Time-series analysis. Summarised from: Stephan (2015). .....................................................45 Figure 10.The division of time series in BFAST Monitor algorithm....................................................46 Figure 11.Areasofstudy casesfor vesseldetection.............................................................................. 50 Figure 12.The mostfrequentmigrantroutes used while reaching the island ofLesbos(Greece)by sea fromTurkey. Locations of thetwo refugeecentres, KaraTepeandMoria, aremarked with redpoints. Thisfigureissummarizedfrom:HernandezandStylianou(2016).......................................................52 Figure 13.Vathy Refugee Center on the island of Samosin Greece (marked with white circle).The numberof people currently residing there is aboutten timesthe capacity ofthe camp.(Background: Google Earth, 2020) ............................................................................................................................... 53 Figure 14.The image showsthe Vialrefugee camp on the island Chiosin Greece.(Image:Google Earth, 2020)................................................................................................ .......................................................54 Figure 15.HalFarrefugee camp atthe southern extreme ofMalta.(Background:Google Earth, 2020) ................................................................................................ ................................................................55 Figure 16.Cara diMineo,located in the interiorsofSicily (Italy)was once Europe'sbiggest camp for migrantsandasylum seekersandisnowadaysclosed.(Background:PlanetLabsInc., 2020) .............56 Figure 17.The numberofanalysed Sentinel-2 data foreach ofthe study areas.Because of overlapping orbitsmore imagesare available forrefugee camps on Hiosand Malta than campsonLesbos,Samosor Sicily................................................................................................. ......................................................58 Figure 18.Originalimage (left)and NDWI(right)on the GeoEye sensorimage south ofCadiz (Spain). Watersurfaces are clearly visible using NDWIindex;their values are higherthan those ofothertypes ofland cover................................................................................................. ..........................................61 Figure 19.Comparision ofland mask on Sentinel-2 image with the index b)NDWIand c)MNDWI.61 Figure 20.The pecularities and irregularitiesthat wereencounteredintheprocess of landremoval with theproposedalgorithm. Theresults of theseamaskontheseimages areshownindarker shades, landis showninwhite, whereas exposedexamples aremarkedwith redcolor: a) thesets odwhite, fizzywaves are removed fromthe image and detected asland,b)biggershadowsofcloudsfalling on land are detected aswaterareas,c)small shadows castby the higherobjects on the land are detected aswater, d)large shipsin portsare mistakenly detected asshoreor land, e) pools alongturist complexes remain inthemaskas water objects, andf) withthemiddlespatial resolutionimages (f.e. S-2),the piers and small capes remain undetected and are added to the sea mask. .............................................................64 Figure 21.Vessel detection workflow.................................................................................................... 65 Figure 22.Vessels on satellite images and their(average)spectralresponse on sensorsa)IKONOS,b) GeoEye,c)QuickBirdandd)WorldView-2.......................................................................................... 66 Figure 23.Illustration ofa detected segments’length (blue bold line with a blue arrow)and width (red line). Blue arrow represents the course of the detected ship (±180°).....................................................68 Figure 24.Incorrectdetectionsofthe proposed automatic vesselsdetection algorithm.The detections are presented in yellow andpecularitiesaremarkedwitharedframe:a)severalstationaryvesselsmay be mistakenly detected as one larger vesselinstead ofseveralsmaller ones due to theirmutualproximity; b)inversely, because oftheir heterogenity large vessels – especiallyonVHRimages – are mistakenly detected as multiple segments; c) due to the foam in their vicinity the surface of the vessels is overestimated;d)the miston the image can cause misdetections. ........................................................70 Figure 25.An example ofdecision tree resultsforGeoEye image (Dakar, Senegal)............................72 Figure 26.Probability ofdetection and precision ratio in analysed opticaldata. ..................................75 Figure 27.Resultsofthe processing ofa Geoeye image,study area Cádiz (Spain)..............................79 Figure 28.Resultsofthe processing ofa QuickBird image,study area Pozzalo (Sicily,Italy). ...........79 Figure 29.ResultstheprocessingofaIKONOSimage,studyareaLampedusa(Italy)........................80 Figure 30.Resultsofthe processing ofa WorldView-2 image,study area Accra (Ghana). .................80 Figure 31.WorkflowofBFASTtime seriesmethodology thatwasused forthe detection of changesin this work................................................................................................. ................................................83 Figure 32.Examplesoftime series analysis using differentmodels on the same pixelin the vicinity of MoriaonLesbos................................................................................................. ....................................85 Figure 33.Negative NDVIchange valuesin the vicinity ofrefugee camps,modeled with the seasonal-trend model on the basis of Sentinel-2 data. Changes reflect the situation for the year 2019. The background imagesare Planetimages(PlanetLabsInc.,2020)with 3 mresolution............................91 Figure 34. Thetemporal startingpoint of theobservedperiodinfluences thetimeseries trend and breakpoints.Resultsshow observationsofthe same pixel, calculated with the season-trend model. In theupper left graphthe start of theobservation is defined onthe 180.julian day in 2018,in the upper right on the 1. day in 2019 and in the lower left on the 180. day in 2019..............................................94 Figure 35.The comparision oftrend fitbased on stable history obtained fromSentinel-2 and Landsat8 data forthe same pixel and the same used model. ................................................................................. 95 Figure 36.The magnitude ofthe impact on the environment based on negative changesin the vicinity ofrefugee campsin 2019. ...................................................................................................................... 99 SEZNAMPRILOG Priloga A.Rezultatizaznavanjainklasifikacijeplovilz uporabo razvitega algoritma z nekaterih opticnih satelitskih posnetkov z razlicno locljivostjo. OKRAJŠAVEINSIMBOLI BFAST (Breaks For AdditiveSeasonandTrend) – Prelomiza dodajanjesezonin trendov. V disertaciji uporabljen algoritem za analizo casovnih vrst BOA (Bottom Of the Atmosphere) – Odbojna vrednostz odstranjenim vplivom atmosfere COSUM(reversed-ordered-cumulative sum)–Statisticna metoda obrnjene kumulativne vsote ostankov ESA (EuropeanSpaceAgency) – Evropskavesoljskaagencija EU –Evropskaunija EUROSUR (The European Border Surveillance System) – Sistem Evropske unije za sledenje nedokumentiranem priseljevanju v države clanice EU Frontex (The European Union border and coast guard agency) –Mejnainobalnavarnostnaagencija Evropske unije GeoEye(GE) –VisokolocljivisatelitzaopazovanjeZemlje,izstreljenleta 2008 GIS –Geografskoinformacijskisistemi GSHHS(Global Self-consistent Hierarchical, High-resolution Shoreline) – Samostojna svetovna skladna podatkovna zbirka obale HJ-1A –KonstelacijaHJ-1 je kitajski nacionalniprogrammreže satelitov za opazovanje Zemlje.HJ-1A je prvi v serijiizstreljenih satelitov HR (HighResolution) –visoka (prostorska)locljivost(4 m < locljivost < 30 m) HRSC2016(HighResolutionShipColection) –Zbirkaladijvisokelocljivosti IKONOS(IK) –Prvikomercialnivisoko locljivisatelitza opazovanje Zemlje,izstreljen leta 2001,a je leta 2015 prenehal delovati IMO (International Maritime Organisation) –Mednarodnapomorskaorganizacija IOM (International Organizaton for Migration) – Mednarodnaorganizacijaza migracije IR kanal – Infrardeci kanal Landsat –AmeriškiprogramzaopazovanjeZemlje,kizagotavljanajdaljši neprekinjenpogleds sateliti na Zemljo iz vesolja(od leta 1972 naprej) LRIT (Long-RangeIdentificationandTracking) –Dolgorazdaljnaidentifikacijainsledenjezaplovila MDA(MaritimeDomainAwareness) –Domenapomorskeozavešcenosti MMSI(Maritime MobileServiceIdentity) – Identifikacijska pomorska številka plovila MNDWI(Modified Normalized Differential Water Index)– Modificiran normaliziran diferencialni vodniindeks MOSUM (MOvingSUM) – Statisticna metodapremikajoce se vsote MSF(MédecinsSans Frontiers) –Zdravnikibrezmeja NATO (The North Atlantic Treaty Organization) – Severnoatlantska pogodbena organizacija NEMO-HD –Prvislovenskisatelitza opazovanje Zemlje,kije bilizstreljen leta 2020 NEREIDS(New Service Capabilities for Integrated and Advanced Maritime Surveillance) – Nove storitvenezmogljivosti za integriran innapredenpomorski nadzor. Evropski projekt vokviru sedmega okvirnega programa, pri katerem smo na ZRC SAZU sodelovali kot partnerji. NDVI(NormalizedDifferential Vegetation Index) –Normiranidiferencialnivegatacijskiindeks NDWI(NormalizedDifferentialWaterIndex) –Normalizirandiferencialnivodniindeks QuickBird(QB) –Visokolocljivi satelit zaopazovanjeZemlje,izstreljenleta2001,ajeleta2015 prenehal delovati R-G-B-NIR (Red-Green-Blue-Nearinfrared) –Rdec-zelen-moder-bližnje infrardeci(kanal) RTV SLO –RadioTelevizijaSlovenije SAR (Synthetic Aperture Radar) – Umetnoodprtinskiradar Sentinel –MisijaEvropskeKomisijeinESEza opazovanje Zemlje. Sentinel-1 (S-1)je radarskisatelit, Sentinel-2 (S-2) pa opticnisatelit SOS (Save Our Ship)–MednarodniMorsejevznakzastisko SRTM(Shuttle Radar Topography Mission) –Projektameriške vesoljske agencije NASAzaustvarjanje visokolocljivega globalnega digitalnega modela zemeljske površine SVM(SupportVectorMachine) –Metodapodpornihvektorjev SWBD(SRTMWaterBody Data) –SRTMvodnih teles TOA (Top Of the Atmosphere) – Odbojna vrednost, ki upošteva vpliv atmosfere UAV (UnmannedAerialVehicle) – Brezpilotniletalnik UNHCR (UnitedNations HighCommissionerfor Refugees) –UradZdruženihnarodovzabegunce UNOSAT (UNITAR'sOperationalSatelliteApplication Programme) –ProgramZdruženih narodov za satelitske aplikacije VHR(VeryHighResolution) – Zelovisoka(prostorska)locljivost(locljivostmanjša od 4 m) VMS(VesselMonitoringSystem) –Sistemspremljanja plovil ZRC SAZU –ZnanstvenoraziskovalnicenterSlovenskeakademijeznanostiinumetnosti WDB(CIA WorldDataBankII) –Zbirkaglobalnihprostorskih podatkov,kije sestavljena iz vektorskih obrisov zemljišc,rek in politicnih meja WorldView-2(WV2) –visoko locljivisatelitza opazovanje Zemlje,izstreljen oktobra 2009 WVS(WorldVectorsShorelines) – Svetovna vektorska baza obrežij Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja UVOD Vecinasvetovnegaprebivalstvaniso migranti/keinsitotudineželijobiti. (Hammar et al., 1997) V uvodnempoglavjupredstavimtemodoktorskedisertacijeinpredmet raziskovanja. Nalogonajprej umestim v širši kontekst družboslovnega razumevanja fenomena (nereguliranih) migracij, nato predstavimproblem, kise pri temodpira, ter opišemzastavljenehipoteze. Nakoncupoglavjaopišem celotno strukturo doktorske naloge. 1.1 Raziskovalnikontekst Kakorazumeti migracije?Castles(2010)trdi, dajemigracije trebarazumeti kot del širšeskupine procesov družbenih sprememb, ki izhajajoizvecjihsprememb v globalnih,politicnih, ekonomskih in družbenihodnosih.Mednarodne migracijepovecujejo etnicno in nacionalno raznolikostprebivalstva ter spreminjajodemografskostrukturovelikevecinet. i. razvitihdržav, kar jeposebnoizrazitovnekdanjih razmeroma kulturno homogenih nacionalnih državah (Kralj, 2008; str. 144). Problem današnjega razumevanjamigracij je, dajihvidimokot težavo, izjemoali ekstrem. Priseljenciso zaradirazlicnih pogledov na migracije s strani EU politike, pogosto obravnavani kot nekaj nevarnega, tujega, kot razdiralenelement, ki ogroža nacionalno državo (Judt, 2015).Migracijese razumekot anomalije,še posebejv svetu,kjernacionalne države in njihove meje veljajo za trdno dolocene razmejitve. Danesjepovsemsvetuokoli80milijonovprisilno razseljenih ljudi(UNHCR, 2020).Vzroki za njihove selitve soekonomski, politicni, demografski, socialni ali okoljski,1 najveckrat pa kombinacija vseh. Dejavniki, ki vplivajo na izbiro destinacij, kamor so migranti namenjeni, so prav tako razlicni. Geografskabližinainkulturnevezisonajrelevantnejši,ašezdalecneedinidejavnik,kivplivanavzorec in smer mednarodnih migracij. Z razvojem telekomunikacijskih omrežij in storitev, z manjšimi transportnimi stroški, razvejenostjo socialnih omrežij ter mednarodno tihotapsko mrežo postajajo migracijeresnicnoglobalniproces(Kralj,2008:str. 150). Vstrokovnemdiskurzu, ter šetolikobolj na ravni medijskihinpoliticnihdiskurzov, ješevednovelikopojmovnenedorecenosti obuporabi terminov migrant, begunec, prebežnik ipd. Glosar migracij za angleški termin »migrant« navaja slovenski 1 V splošnempoznamopetgonilnikovmigracij. K ekonomskim gonilnikomprištevamo možnosti zaposlovanjain razlike v prihodkih med prostori.V politicne spadajokonflikti,(ne)varnost,diskriminacijainpreganjanjeterprisiljenepremestitve.K demografskim gonilnikom štejemo velikost in strukturo prebivalcev na dolocenem ozemlju ter njihovo obolevnost in umrljivost. Socialni gonilniki vkljucujejo družinskain kulturnapricakovanja,iskanjepriložnosti zaizobraževanjein kulturne prakse(npr.dedišcineali poroke).Med okoljske gonilnike migracij sodijo izpostavljenost nesrecam in razpoložljivost ekosistemskihstoritev.V veciniprimerovsovsiomenjenigonilnikipovezani,vsak od njih jekompleksen pojem perse (Black etal., 2011). Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja ustreznik migrant ter poudarja, dasplošnedefinicijemigrantanamednarodni ravni ni (IOM, 2006). Termin migrant se najpogosteje uporablja v primerih, »ko oseba samostojno, brez vpliva drugih zunanjih dejavnikov, sprejme odlocitev, da bo migrirala zaradi “osebnih ugodnosti”«, nanaša se na »osebe in njihove družinske clane,kipotujejo v druge države aliobmocja, da siizboljšajo materialne ali socialne razmere ter nadaljnje možnosti zase in za življenje svojih družin«.Na spletnistraniUrada Visokega komisariata Združenih narodov za begunce je poudarjena razlika med migrantom in beguncem: migranti svoje domove zapustijo prostovoljno, da biizboljšali svoje življenjske razmere, begunciso v to prisiljeni, zato da birešilisvoje življenje aliostalisvobodni. V SSKJje prebežnik razloženkot 'kdor prebeži', prebežati pa kot 'z begompritidrugam,v drug kraj'.V eniizmed raziskav o prebežnikih v Sloveniji so bilikottakiobravnavani»ljudje,kiso se po nekem spletunakljucij znašli obistemcasunaistemmestuinso pretrgali(ekonomske,družbene,socialne idr.) veziz maticnimokoljem«,mejo so prestopilibrez dokumentov in so biliujetiv Sloveniji(Pajnik et al., 2001).V skladu z mnenjem terminološke sekcije Inštituta za slovenskijezik Fran Ramovšje tako izraz prebežnik, ki sicer ni pravni termin, potemtakem ustrezno krovno poimenovanje za migrante, ki iz razlicnihvzrokov(ekonomski, politicni, verski itd.) zapustijosvojodržavo, zlasti cevdrugo državo vstopijo mimo uradnih institucij. V deluuporabljamizraz prebežnik,skaterimopisujemljudi na poti,katerih pravnipoložaj(še)ni dorecen.Vto skupino uvršcamtako ljudi,kizapušcajo svojo domovinoprisilno, zaradivojnih razmer vupanju,da jimbo odobren status begunca, kakortudiljudi,kiišcejo deloinboljšeživljenjezunaj svoje maticnedržaveinsotozapustili »prostovoljno«, oziroma tiste, ki jihmedijski inpoliticni diskurzi najpogosteje poimenujejo »ekonomski migranti«. Z izrazom »prebežniki«, bi se rada izognila semanticnemu razcepu razlikovanjamed»ekonomskimi migranti«in»begunci«. Kot poudarjaSandro Mezzadravsvojem delu "Pravicadobega" (Mezzadra,2004),ljudjenebežijolezaradivojnin ogroženosti,temvec tudi zaradinajrazlicnejših strukturnih razlogov,kiomogocajo izkorišcanjerazlicnih skupinljudi, kot sonaprimer dolgotrajnabrezposelnost in revšcina, patriarhat, izkljucenost (politicna participacija) ... Torej vsi ljudje, razvršceni v ti dve kategoriji, doživljajo negotovosti in iz njih ne moremoprepoznavatikompleksnostirazmerin njihovih ranljivosti na poti. Prav tako nijasne in splošne opredelitve nereguliranih migracij(ang. illegal migration oziroma irregular migration). Obicajno termin pomeni gibanje oseb, ki se dogaja izven okvirov veljavnih zakonov države pošiljateljice, prejemnice ali tranzitne države. Z vidika države prejemnice gre za nezakonit vstop, bivanje in delo v državi, kar pomeni, da prebežnik nima ustreznih dovoljenj ali veljavnih dokumentov za delo,prebivanje in vstop v državo,kotto dolocajo predpisio priseljevanju.S strani države pošiljateljice gre za nereguliranost takrat, ko oseba precka mednarodno mejo brez veljavnega potnega lista ali potovalnega dokumenta ali ne izpolnjuje upravnih zahtev za zapustitev države (IOM, 2006). Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja Opredeljevanje nereguliranih migracijje še vedno predmetintenzivnih razprav,kivecinoma potekajo v pregretih politicnih ozracjih posameznih nacionalnih držav,kjerimajo termini,kotso nezakonit/e (ang. illegal), tajni/e(ang. clandestine), nedokumentiran/e (ang. undocumented) razlicnekonotacije, vsempa jeponavadi skupnatendencakpovezovanjumigracij oziromamigrantov s kriminalom. Vendar vstop oziroma bivanje v državibrez zahtevanih dokumentov v vecinidržav ni kaznivo dejanje,temvec zgolj administrativni prekršek. Zaradi tega mednarodne institucije (Združeni narodi, Evropska Unija, Mednarodna organizacija za migracije), nevladne organizacijeterštevilnipredstavnikiinpredstavnice akademske stroke in aktivisticnih organizacijpriporocajo, da seizrazu “nezakonitemigracije/migranti” izogibamo ter uporabljamo izraza “neregulirane migracije” (angl. irregular migration) in “migrant z neurejenimstatusom” (angl. irregular migrant). Migracije sicer niso novpojav, respaje,da seje vEvropi v zadnjemcasudramaticnopovecal njihov obseg. Pravtakososezgodilepomembnespremembepri njihovemupravljanju in prinadzoru na mejah. Predvsemod 90.letprejšnjega stoletja naprejje za EU znacilna aktivna politika razmejevanja in omejevanja (ang. debordering and rebordering; Rumford, 2006). Mejeznotraj EUsovednobolj odprte, karvecinidržavljanov omogoca prosto gibanje,hkratipa je njena zunanja meja vedno boljmilitarizirana oziroma nadzorovana.Vecina migracij v Evropo poteka zakonito:približno 90% migrantovalitako imenovanihdržavljanovtretjihdržav(ang. thirdcountrynational) vstopavEvropopoformalnourejenih poteh preko vizumov in sporazumov (Trilling, 2018).Ostalimpreostanenereguliranprehod meje, najveckrat v organizaciji tihotapcevzljudmi. Tanacinzaradi drageinnevarnepoti uspelenekaterim, za vecino pa sta znacilna stalen tranzit po tako imenovanih "tretjihdržavah" in iskanjemožnosti za prehod meje,proces,kilahko traja vec let. V Evropskiunijivelja,danajbise v tem obdobju soocaliz najvecjo migrantskokrizopo drugisvetovni vojni. Priseljenciso takratodlocilno prispevalik ekonomskemu cudežu Zahodne Evrope,zlastizato, kerso bili mlada in pocenidelovna sila.Danesseješteviloprebežnikov, ki se odpravijo na potproti Evropi,povecalopredvsem spojavom novihkonfliktovnpr. v Afganistanu,Iraku, LibijiSiriji, Eritreji in Kongu, v katere so bile in so še vedno posredno ali neposredno vpletene države Evropske Unije. CepravseješteviloprebežnikovvEvropi vzadnjihletihpovecevalo, pavseeno vecina prebežnikov obtici nekje na poti proti Evropi in so nastanjeni v begunskih taborišcih ali neformalnih naseljih »tamponskih držav«, ki skupaj gostijopribližno80% svetovnihbeguncev.O resni migrantskikrizi lahkotorej govorimo v Libanonu (kjer40 %celotnega prebivalstva sestavljajo prebežniki),Jordaniji, Turciji,Pakistanu, Iranu, Etiopiji, Alžiriji, Maroku ... Razlog, da sejevEU zaobravnavanje trenutne situacijeuveljavil diskurzmigrantskekrize,je torej,da migrantiprihajajo v Evropo.Doklerso odhajali drugam,»krize« nibilo.To,cemur na splošno recemo migrantska alibegunska kriza, jedejanskoposkus EU innacionalnihdržav,danadzorujejo,zadržujejo in obvladujejo transnacionalna in medcelinska gibanja ljudi(De Genova etal., 2015).Evropskaunijasiprekoprocesaeksternalizacijesvojemejne Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja politike zelo prizadeva, da bi zadržala prebežnike v Afriki,Turcijiin na Bližnjem vzhodu.Obenemni nobenega zagotovila,da bodo prebežniki,ko bodo prestopiligeopoliticniprag EU –sami ali s pomocjo tihotapcev, kerso jih rešiliribici, mornaricaali obalnastraža –, dobili pravicodoazila, niti ni nujno, da bodo zmožnipremagatištevilne pravne,socialne in moralne prepreke. Prebežnike se pogosto tudiviktimizira (Scheel,2013)injihmedijialiposamezniki pogosto oznacujejo kot»obupane«ljudi, ki jihje treba rešiti. Skladno s temobravnavaprebežnikovkot pomoci potrebnih žrtev omogoca paternalisticno politiko (takšno,kiomejuje izbiro posameznikom, ne glede na njihove lastneintereseinbreznjihovega soglasja), ki joobcasnoizvajajonekaterehumanitarneorganizacije (Mitropoulos, 2007). Prebežniki imajosvojovoljo, ki jezunaj moci tistih, ki jimželijopomagati ali jih nadzorovati(Sharma,2009:str. 469), kar namigujenadejstvo, dasebodomigracijenadaljevaletudi v prihodnosti, ne glede na razpon nadzora, s katerim se bodo države lotevale tega fenomena. Mnogoprebežnikovvželji,dabiprišli v Evropo,tvega svoja življenja in precka Sredozemsko morje, vecinoma v plovilih v slabih razmerah. Predvsem zunanje meje2 Grcije, Italije, Malte,Španije in Gibraltarjasopostale znane kotobmocja s povecanimštevilomprebežnikovna morju. Tosoobmocja, na katerih vse vec prebežnikov umre (Last et al., 2017). Omenjenedržave veljajo za »prag«Evrope (Cabot, 2014) in sopogostoleprehodnaobmocjaprebežnikomnapoti proti severnoevropskimdržavam, kotso Švedska,Nemcija,Nizozemska,saj imajotedržavežezdaj bolj integriraneraznolikeetnicne skupnosti, za prebežnike ugodnejše zakonske dolocbe in bolj obetaven sprejem. V letu2019jeprekoSredozemljavdržaveEU prispelookoli124.000 migrantov,najvec iz Afganistana, sledijo državljani/ke Sirije, Maroka, Alžirije, Gvineje, Iraka, Slonokošcene obale, Demokraticne republikeKongo, Tunizije inMalija (UNHCR, 2020b). Napodrocjudržav nekdanjeJugoslavije(t.im. »Balkanskapot«) pajebilo po zadnjih razpoložljivih podatkih (november 2020) vec kot 19.700 nereguliranih preckanj prebežnikov.Med vstopajocimije bila vec kot polovica Sircev, cetrtina pa Afganistancev(RTVSLO,2020). Cepravjebila Balkanskapotmedletoma2015-2016 za begunce fizicnonaporna, jebiloštevilosmrtnihžrtev takratveliko manjše v primerjavissmrtmimed preckanjem Sredozemskega morja. 1.2 Orisproblema Merjenje in spremljanje cloveških dejavnostina morju jepomembna tema,ki vzbuja vse vec zanimanja. Položajploviljekljucen podatek za varno plovbo. Razpoložljivi inažurni prostorski podatki ogibanju prebežnikov na morjupa so kljub temupomanjkljivi(Wheeler, 2015). Ti podatki sonamrecomejeni z 2 V doktorskinalogi sebeseda»meja«nanašanafizicne,zunanjemejnelinijeEU, vkljucno z odprtimmorjemmed državami EUinostalimidržavami,kiznjomejijonaSredozemskemmorju. Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja metodologijami zbiranja, nedoslednosti med njimi ter s samo nepredvidljivo naravo nereguliranih migracij.Obenem jezarazumevanjeinukrepanjenujnopotrebnonjihovopodrobnorazclenjevanje. Sistemi, ki so v rabi za pogled nad situacijo na morju, temeljijo na terestricnih radarjih, pomorskih patruljah in porocilih iz bližnjih ribiških plovil.Zaznavanje plovil z opticnih satelitskih posnetkov je uporabno na mnogih podrocjih in ima širok spekter uporabe – za potrebe pomorske varnosti, pomorskega prometa, onesnaževanja morja,prostorskega nacrtovanja,upravljanja ribištva,pregleda nad nezakonitim ribolovom, nadzora na mejah, nereguliranimi migracijami itn. V pricujocem delu se osredotocam na spremljanje plovilna morju za potrebe lažjega razumevanja migracijterboljšo pomoc prebežnikom pripreckanju morja (ang. search and rescue). Podatki daljinskega zaznavanja so še posebej koristni za opazovanje plovil na oddaljenih in velikih obmocjih,kjertradicionalne metode spremljanja niso mogoce (Corbane et al., 2010). Nekateri od sistemovzapoglednadsituacijonamorju sežeopirajonadaljinsko zaznane podatke (npr. z opazovanji morja zletali,helikopterji alibrezpilotnimiletali).Takipristopi zahtevajo za obdelavo velikocasain velika financna sredstva, pokrivajo lahko naenkratle manjša obmocja, hkratisoomejeni na teritorialne vode.Z opazovanjem morjazopticnimisatelitskimiposnetkiseizognemotemomejitvam, saj lahkoz njimiucinkovito spremljamo plovila migracij na velikih obmocjih, neodvisno od nacionalnih mej.Z obdelavo satelitskih posnetkov lahko zberemo podrobne podatke in ponudimo ažurne prostorske informacije nosilcem odlocanja (npr. humanitarnim organizacijam ali državnim organom zapomoc prebežnikom) terlahko pridobimo dragocene podatke,kiso sicer(zaradipoliticnih ali geografskih razlogov) težko dostopni. Položaji brodolomov in plovil na poti, migracijske poti in kraji vkrcanja/izkrcanja so pomembni za boljše razumevanje migracijskih vzorcev. Pravtakosopomembni za potrebe prilagajanja humanitarnih politik in boljšo pomoc prebežnikom na poti ter posledicno za preprecevanje izgub življenj. S satelitskimiposnetkilahko opazujemo tudipovršino begunskih taborišcin(okoljske)spremembev njihovi okolici.Nenaden pritok velikega števila beguncev na neko obmocje lahko povzroci hud pritisk na lokalno okolje,njegovo nosilnostin na obstojece naravne vire,zato so tocne in zanesljive informacije o razmerah v begunskih taborišcih bistvenega pomena.Nenadzorovanarastprebivalcevinprihodnovih prebežnikov, onesnaženje okolja in njegova degradacija,zaloge vode in sanitarije,zdravje in higiena ter varnost,je le nekajpodrocij, s katerimi sesoocajo organizacije,kiupravljajo begunska taborišca(Kranz et al., 2010). Tenemorejovednopridobiti informacij zgolj zocenonaterenu; varnostni razlogiali obsežnosttaborišc onemogoca zbiranje vseh informacijo dejanskemstanju.Informacije, pridobljeneiz posnetkov daljinskega zaznavanja,lahko pripomorejo k boljšemu razumevanju dinamike populacije, razvoja in strukture taborišc ter vpliva na okolje, vkljucno z morebitnimpritiskomna naravne vire. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja Odkrivanjeinkarakterizacijaspremembskozicasjeprvikorakkprepoznavanjugonilnikovsprememb in razumevanjumehanizmov, ki povzrocajospremembe. Satelitski senzorji souporabna tehnologijaza omenjeno nalogo,saj zagotavljajo dosledne in ponovljive meritve, karje primerno za zaznavanje ucinkov številnih procesov,ki povzrocajo naravne aliantropogene spremembe (Jin in Sader, 2005).S posnetkov daljinskega zaznavanja lahko opazujemo populacijsko dinamiko in strukturo begunskih taborišcter dobimovpogledvokoljskespremembevnjihovi okolici;najucinkoviteje z uporabo visoko locljivihposnetkov.Ssatelitskimi podatki srednjelocljivostipalahkoopazujemotrendevplivanaokolje na regionalni ravni(Lang et al., 2015). Širjenje begunskih taborišc na okolje je v pricujoci nalogi ocenjeno z uporabo veccasovnih satelitskih posnetkov, pridobljenih s sateliti pri visoki casovni locljivosti. Telahkokažejonaspremembo rabetal vdaljšemcasovnemobdobju. Ocenjevanje takih sprememb z daljinsko zaznanih podatkov ni enostavno, saj vsebujejo casovne vrste kombinacijo sezonskih, postopnih innenadnih sprememb, poleg omenjenegapodatki vsebujejo šum, ki izhaja iz geometrijskih aliatmosferskih napak tervplivovoblakov na posnetku (Roy et al., 2002). Z ocenami o situaciji,kijih lahko pridobimo s casovnimi vrstami na satelitskih posnetkih,lahko informacije o površju pomagajo oceniti spremembe na obmocju begunskih taborišc ter posledicno prispevajo k strateškemnacrtovanju humanitarne pomoci.Namen »vzvratne« analize prostora v njegovi zgodoviniin nato vrnitev k zdajšnjostije, da zaslutimo, ce že ne previdimo,možno in prihodnje (Lefebvre, 2013). 1.3 Utemeljitevrelevantnostipredlaganetemedoktorskedisertacije Rezultati obdelave opticnih visoko locljivih podatkov pripomorejo k boljšemu razumevanju in premošcanju težav,s katerimi se srecujejo politike upravljanja z (nereguliranimi) migracijami, ter k boljšemu razumevanju dinamike begunskih taborišc. Veliko število smrtnih žrtev in trpljenje prebežnikov v tranzitu kažeta na to,kakšno je razumevanje migracijskih dinamik nereguliranihvstopov. Napredenpreglednadplovilimigracijzapotrebereševanjaterokoljskasituacijabegunskihtaborišcsta torej nujen element, vendar trenutno ne ali le delno operativna. Migracijepomorjuponavadi potekajona relativnomajhnihplovilih. Najveckratso to leseni colni, prvotno uporabljeni za ribolov, dolgido nekaj desetmetrov.Daneslesene colne pogosto nadomešcajo hitrejši, napihljivi colniiz gume (imenovani zodiacs), ki so dolgi med 2,5 in 18 m. Številaplovil sprebežniki,kipreckajo Sredozemlje,nimogoce natancno dolociti.Razlicneuradnein neuradne ustanove uporabljajorazlicne bazepodatkov,tako da se številke med sebojmocno razlikujejo. Po nekaterih informacijah je v letu 2019 prišlo v EUvec kot 120.000 prebežnikov, vecina po morju (InfoMigrants, 2019). Iz tegalahkosklepamo, daje(vprimernihokolišcinah) lahkonamorju tudi po vec desetplovilsprebežniki na dan. S pristopom za zaznavanje plovil,razvitimv okvirutenaloge, jemožnopripraviti sistemzaspremljanje, odkrivanjein sledenjegibanjaprebežnikovpovsemSredozemljuintakoizkoristiti funkcionalnost Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja opticnih satelitskih sistemov. Skupaj z že obstojecimi sistemi bi tako lahko rešili tehnicne težave in sestavili integrirano rešitev, koordiniraninkoherentni pristop za pomoc prebežnikom na morju, kar poskušamdelno doseciz razvitimalgoritmom za zaznavanje ladij z opticnih satelitskih posnetkov. Obenemsepostavljavprašanje, ali jemogocetakoambiciozen pristop v praksisplohizvajati (politicno, ekonomsko, eticno itn.). Vendar se v disertaciji se ne bom ukvarjala s pravnimi, politicnimi in administrativnimi rešitvami,nitijih ne bompredlagala,saj omenjene teme dalec presegajo moje kompetence steh podrocij. Znanstvenidoprinosizvedeneraziskaveje poleg same obravnave ažurnosti tematike tudi v tem, da razviti algoritem, ki gapredstavljamvnalogi, delujenakateremkoli opticnem senzorjuinna razlicnih stanjihpovršja. Tendencadoslej razvitihalgoritmovjenamrec, da seosredotocajonadolocen senzor – okoli tretjinavseh avtorjev, ki sejeukvarjalazzaznavanjemladij zopticnihsatelitskih sistemov, je testirala svoje razvite algoritme zgolj na enem satelitskem senzorju alicelo samo na enem posnetku (Kanjir et al., 2018). Pogostoso strokovnjaki preizkušali razvitealgoritmenapodobnihtipihsenzorjev, zato so rezultati prilagojeni njihovimspecifikam, algoritmi papreizkušenile na izbranih, obrezanih obmocjih,kivkljucujejo ciljne objekte, obenempazanemarjajo obmocja,kjerse iskaniobjekti(plovila) ne pojavljajo.To je razumljivo za raziskave, opravljenedo konca prejšnjega stoletja, sajjebilotakrat na voljo le nekajopticnih senzorjevinjebil tudi dostop do posnetkov logisticno in financno zahtevnejši. Posledicno take metode ne dajo nujno dobrih rezultatov na posnetkih, pridobljenih z razlicnimi satelitskimi senzorji, na razlicnih obmocjih, ob mešanih vremenskih razmerah. Vecina dosedanjih raziskavtudi opisujealgoritme, ki sošev razvoju, lepešcica avtorjev opisujealgoritme,kiso razviti vse do operativne implementacije. Prav tako do danes ni zaznati veliko del, ki bi se ukvarjala z zaznavanjemladijiz opticnih posnetkov za potrebe opazovanja migracijna morju. V primerubegunskihtaborišclahkosatelitskipodatkioplemenitijo informacije,kiso zbrane na terenu (Bjorgo, 2000). S posnetkov daljinskega zaznavanja lahko opazujemo velikosttaborišca, populacijsko dinamiko,strukturo in gostoto šotorov v njem,ter dobimo pogled v okoljske spremembe v njegovi okolici. Tocne in zanesljive informacije o razmerah v begunskih taborišcih so bistvenega pomena predvsem za nacrtovanje pomoci tamkajšnjim prebivalcem. Analiza casovnih vrst BFAST Monitor (metodologija, ki jo v nalogi uporabljam za zaznavanje sprememb v okolici begunskih taborišcin s katero poskušamdolocatinjihov vpliv na okolje)na satelitskih posnetkih jeinovativenpristop, saj doslej šeni bil v rabi zapotrebezaznavanjavplivamigracij vokolici begunskihtaborišc. Tapristoppomaga razumeti, kje so tista obmocja,kiso bila izpostavljena najvecjimspremembam,in oceniti, kako velike so tespremembeinkdaj so sezgodile. Šeposebej inovativnajeuporaba satelitskihposnetkov senzorja Sentinel-2za to nalogo. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja Pomen doktorske naloge vidimtudiv povezovanju naravoslovnih in tehnicnih terdružbenih ved;do tega povezovanja namrec le redko prihaja. Prostor je namrec relevantna sestavina socioloških raziskav, zato je priporocljivo, da se pri reševanju sodobnih družbenih problemov ucinkovito uporabljajo prostorski podatki, vkljucno s tistimi zajetimi zdaljinskimzaznavanjem. Tainterdisciplinarni nacin lahkoprispevak temu, dabomogoceinovativnopreuciti prostorskedinamike, saj bodo sociološke študijeobogatenezinformacijami oprostorskemuznanjuinnjegovemu dojemanju,in obratno,rezultati daljinskega zaznavanja bodo dobilidragocen dodaten pomen. 1.4 Raziskovalnehipoteze V doktorski disertacijisem si zastavila naslednje hipoteze: Hipoteza1:Z uporabo objektnega pristopa je z(zelo)visokolocljivih opticnih satelitskih posnetkov možnoprepoznatimajhnaplovilana morju. Prebežnikipo navadipreckajo morje zmanjšimiplovili, kiimajodolžinoodnekaj metrovdookoli 20 m.Ciljnalogejerazvitialgoritem zaznavanja manjšihplovilnasatelitskihposnetkihvseh locljivostiz 80 %ali boljšimujemanjem z vizualno analizo.Najprej bomo algoritemtestirali na posnetkih zelo visoko locljivih opticnih senzorjev, kiimajo prostorsko locljivostmed 0,5 in 5 m(GeoEye,WorldView-2,QuickBird,IKONOS), kasneje nameravamo zaradi vsesplošne dostopnostiin pogoste uporabnosti apliciratialgoritemtudi na visokolocljive posnetke satelita Sentinel-2,kiimajo locljivost10 m . Hipoteza 2: Iz podatkov daljinskega zaznavanja je mogoce spremljati razvoj izbranih begunskih taborišc in njihov vpliv na okolje. Spremembe, zaznane v okolici taborišc, dajejo vpogled v razvoj in dolocevanje vpliva povecanega številaprebivalcevnaokolje. Kot neposredni cloveški vplivi naokolje somišljeni dejavniki, ki vplivajo na spremembe fizicnih karakteristik (npr.krcenje vegetacije, unicenje obdelovalnih površin,širjenje urbanih obmocij) na lokalnemnivoju.Gre predvsem za opazovanje sprememb rabe talv neposredni okolici begunskih taborišc na sredozemskih otokih,vecjihod 1000 m2. Spremembe bo mogoce dolociti z 90 %tematsko natancnostjo. Hipoteza3:Z uporabo podatkov daljinskega zaznavanja lahko bolje definiramo dolocena družbena dogajanja, kotso upravljanje zmigracijamiin mejnimirežimi. S prostorskimipodatkio številu in položajevplovilprebežnikov pomagamo k boljšemu razumevanju narave migracijskih procesov in tako opozorimo na obmocja,kjerso migracije boljpogoste (statisticni podatki). Prav tako dobimo kvantitativne vrednosti razsežnosti vplivov migracij na okolje, kar daje pogled v ekološko stanje obmocja, kije podvržen pritiskom. S kombinacijo znanj si nadejamo kontekstualiziratirezultate,pridobljene stehnologijo daljinskega zaznavanja,ter preveriti ucinkovitost Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja te tehnike kot orodja za pomoc v analizah sodobnih migracijskih procesov. Pri tem se bomo konceptualno navezovalina rezultate metodologije,kijih bomo teoreticno ovrednotili. 1.5 Struktura doktorske disertacije Doktorskanalogajerazdeljenanateoreticni(poglavja2 –5), prakticni(poglavji 6in7) delinzakljucek (poglavje 8). V uvodnem delu naloge najprej predstavim kontekst tematike doktorske disertacije (migracije) inorišemprobleme, ki sepojavljajovnjej. Poznejeutemeljim relevantnost predlaganeteme ter predstavimraziskovalne hipoteze. Na zacetku drugega poglavja poskušam na kratko predstavitiglavne prehodne potiin opisatitrenutno situacijo prebežnikov, ki za vstop v Evropo preckajo Sredozemlje. Te informacije so nujne za vsesplošno razumevanje doktorske naloge. Pri tem se – zaradi kompleksnosti pojava migracij – namenoma držim analiticnega redukcionizma. V tem poglavju nadalje opišem trenutno obstojece (predvsem terestricne) sisteme za opazovanje migracij po morju. Prav tako predstavim situacijo v nekaterih begunskih taborišcih teropišemmožne okoljske pritiske,kijih povzroca dotok vecjega števila ljudi v zacasna prebivališca. V tretjempoglavju nadaljujemspredstavitvijo sistemov daljinskega zaznavanja za opazovanje migracij po morju.Najprejna splošno predstavimvse obstojece satelitske sisteme,skaterimije mogoce iz vesolja ladje sploh zaznavati, bolj nadrobno se osredotocim na opticne satelitske sisteme in njihove specifikacije, ki jihuporabljamvdoktorski nalogi. Vcetrtempoglavu zaporedno opisujemvse korake, kisestavljajo celoten potek zaznavanja plovil:od faze locevanja morja in kopnega pa vse do klasifikacije plovil.Vpetempoglavju se osredotocam na ocenjevanje vplivov na lokalno okolje in metodologijo,ki jebila za to uporabljena.Boljnadrobno predstavimprincip delovanja analiz casovnih vrstteruporabljeni algoritemBFASTMonitor. Prakticni del naloge se zacne s šestim poglavjem, v katerem predstavim študijska obmocja in uporabljene satelitske podatke, prav tako na kratko prestavim vsako begunsko taborišce posebej. Nadaljujemspoglavjem,kijesestavljenoizpredstavitevindiskusijrezultatov.V prvemdelusedmega poglavja predstavimrazviti sistem za zaznavanje plovil z opticnih satelitskih posnetkov in podrobno opišemnjegove podmodule.Na koncu vsakega podpoglavja so opisanitudirezultati.Natopredstavim rezultateizbranegaalgoritmazanalizocasovnihvrst, ki služi zazaznavanjevplivovnaokolje. Cilj dela je raziskati primernost metodeBFASTMonitor za odkrivanje širjenja begunskih taborišc z uporabo casovnih vrst Sentinel-2 na primeru najvecjih begunskih taborišc v Sredozemlju. Rezultati so ovrednotenitako za zaznavanje in klasifikacijo plovilkotza pridobitev sprememb v okolicibegunskih taborišc. Celoten opisanipotek zaznavanja plovilin casovnih vrstdeluje samodejno na vecposnetkih zapored. Doktorskodisertacijozakljucimv osmem poglavju,kjer ovrednotim postavljene hipoteze in strnem zakljucne ugotovitve opravljene raziskave, opredelim doprinos k znanosti in stroki ter predlagam usmeritveza prihodnje raziskave. Sledipoglavjes povzetkom, vkateremso strnjeni zakljucki disertacijeinpriloga, kjersopredstavljeni vizualnirezultatizaznavanja plovil. I. TEORETICNI DEL OZADJE:SODOBNEMIGRACIJEINNJIHOVAPROBLEMATIKA V tem poglavju opišem glavne migrantske poti po Sredozemlju, enem izmed komercialno najbolj obremenjenih mórijna svetu,inpredstavimobstojece sisteme, ki jihglavni akterji (evropskedržavein razne nevladne organizacije) uporabljajo za opazovanje (nereguliranih) migracij po morju. Sredozemsko morje, ki pokriva 2,5 milijona km2, sodi namrec med najbolj nadzorovana morska obmocja.Nadalje predstavimokolišcine,skaterimise srecujejo beguncimed prebivanjemv begunskih taborišcih in opišemmožne vplive na lokalno okolje zaradi povecanega števila prebivalcev na prostor, kije za begunce navadno zacasen kraj prebivanja. 2.1 GlavnemigrantskepotipoSredozemlju LjudjepreckajozunanjemejeEvropskeunije(EU)brezdovoljenja že od 80.letprejšnjega stoletja (Balibar, 2004; Düvell, 2006; Haas, 2008). Pogoji za nereguliranemigracijealimigracije,kipotekajo skozi stranski ali zasilni izhod, so nastali kot odgovor na omejevanje legalnega vstopa ljudem ter izvajanjevisoko selektivnih in restriktivnih mejnih režimov v državah ali zvezah držav (primerEU Schengenskirežim)(Kralj, 2008:162).Trend nereguliranihpreckanjSredozemskega morja je narastel predvsem v zacetku 90.let, ko se je povecal nadzor na mejah in ko sta Španija in Italija uvedlivize za priseljence iz Maghreba.3 Ti ukrepi posameznih držav so povzrocili predvsem diverzifikacijo migracijskihpoticezSredozemsko morje(Haas,2008).Prebivalcem državseverneAfrikesosepri preckanju Sredozemskega morja od konca prejšnjega stoletja naprej pridružili tudi podsaharski Africani.4 Obenemjevtemobdobju Libijazaradi vrstepoliticnihpotez(zracniinvojaški embargo) postala glavna destinacija,kiodprto sprejema prebežnike iz številnih drugih držav Afrike,zato jepostala glavna begunska izhodišcna tocka na potiprotiEvropi. Kot odgovor naporast migracijješpanska vladapostavila ograje okoli svojih enklav vMaroku ter razvila sistemzazgodnjeopozarjanje(SIVE) naGibraltarski ožini ter vokolici Kanarskihotokov. EU je poskušala eksternalizirati nadzor na mejah s pritiskom na severnoafriške države5 v zameno za razvojno pomoc, financno podporo pri nadzoru na mejah, vojaško opremo in za omejeno število zacasnih delovnih dovoljenj za priseljence (Haas, 2008).Taprizadevanjazapreprecitevvstopa 3 MaghrebjeregijaAfrike,kizajemapodrocjesevernoodSahareinzahodnoodrekeNil.Vkljucujedržave Maroko,Zahodno Saharo,Alžirijo,TunizijoinLibijo, inponekaterihpojmovanjih tudi Mavretanijo teršpanski enklavi Ceuto inMellillo (Wikipedia,2017).4Rast(vseh)afriškihmigracijvEvropoprotikoncu20.stoletjasodobroobravnavaliAlbahari(2015);Carling(2007);Hoggart inMendoza(1999).5 PredvsemLibijajeprinadzorumigracijtesnosodelovalazEU,šeposebejzItalijo, sajsijeprizadevala,dabiEUumaknila embargo,sajbistemdobila mednarodnospoštovanje inpritegnila tuje neposredne naložbe. migrantovvEvroponisoustavilavecineprebežnikov,kvecjemusoimela nasprotne ucinke. Prebežniki sonamestocezGibraltarskavrata, ki sobilažeodnekdaj prehodnatockamedAfrikoinEvropo, zaceli preckatimorje z boljvzhodnih delov maroške obale in Alžirije proticentralni Španiji(cez Alboransko morje),iz zahodnih obalMarokainZahodneSahare(inpoznejeiz Mavretanije,SenegalainGambije) na Kanarske otoke,iz Tunizije na italijanske otoke,iz Libije protiMaltiinItaliji,prekoAlžirijev Španijo.Vse omenjene poti so daljše in predvsem nevarnejše v primerjavispreckanjemGibraltarske ožine.Danesje najpogosteje izbrani prehod prebežnikov na potiiz Severne Afrike v Južno Evropo srednji del Sredozemskegamorja.OdhodnomestojenajpogostejeobalaseverneTunizije,vse do mesta Misurata vLibiji,glavno obmocjepristankovplovilpa so otoki Lampeduza,Pantelleria,Linosa in Sicilija.PredvsemLampeduza je zaradisvoje lege srediSicilijskega kanala idealnociljno mesto. Potovanje med obema obalama lahko traja med 10 do 12 ur,prebežnikinajpogosteje priplujejo v krhkih colnicih (ang. dinghy), lesenih, epoksi ali ribiških motornih ladjah (Topputo et al., 2016). Staremorske potipreko Gibraltarske ožine (11 km)aliOtrantskih vrat(72km)so bile manj nevarne kot nove potiiz LibijenaSicilijo(pot,dolga500kmalivec)aliceloizEgiptainTurcijevItalijo(ca.2500km).Povzetek glavnih migracijskih potiv Mediteranu prikazuje slika 1. Slika1. GlavnevodneinkopenskemigrantskepotiizSeverneAfrikein Bližnjegavzhodaprekoin okoliSredozemskega morjavEvropskedržave(povzetopo:Conant etal., 2015).Slikaopisnoskušapostavititematiko nalogevširšikontekst. Figure1. MainseaandlandmigrationroutesfromNorthAfricaandMiddleEastthroughandaroundMediterranean SeatoEuropean countries(summarized from:Conantetal.,2015).Thefiguretriesto putthetopicofthedissertation descriptivelyintoa broadercontext. Preckanje mej po Sredozemskemmorju z ladjo lahko traja od nekajminut(grško-turškameja) dovec uralicelo dni(Afrika –JužnaEvropa). Plovila, vkaterihljudi migrirajo, sepogostopotopijo, ljudjeso na plovilih ali na odrocnih krajih pristanka dehidriranialipodhlajeni.Sredozemsko morje je trenutno najnevarnejše mejno obmocje na svetu:6 v povprecju se je v njem od leta 2000 utopilo okoli1500 ljudi na leto (MissingMigrants Project, 2019). Po zbranihpodatkih vec organizacij, ki vodijopodatkovno bazo umrlih in pogrešanih na migracijskih poteh po morju (npr.projekt MissingMigrant Mednarodne organizacije za migracije (IOM),FortressEurope,Eurostat),je od leta 1988 do konca leta 2019,torej v dobrih tridesetih letih,priposkusu vstopa v države EUpreko Sredozemskega morja življenje izgubilo (ali sobili pogrešani) okoli 38.000prebežnikov,7 ceprav je tocno število nemogoce ugotoviti.Veliko brodolomov se zgodibrez pric,v neopazovanih predelihmorja, pravtakosoštudijeosmrtnihprimerih pripreckanju morja mocno odvisne od podatkov,kiizvirajo iz medijev,kizaradi nekonsistentnostipri podajanju informacijniso vedno zanesljiv vir(Last et al., 2017). Cetrupel prebežnikovni mogocenajti incenatancni položaj potopljeneladjeni znan, vinstitucionalnihdokumentih takbrodolomvodijokot »domneven«, govorimo tudi o »fantomskem brodolomu« (Albahari, 2015). Najvec potopljenih migrantskihladijjezaznativSicilskem kanalu,Gibraltarskiožini,Egejskemmorju in na Jadranu. Trend nereguliranegapreckanja Sredozemlja se stihotapci danes nadaljuje predvsempreko Libije v Italijo(srednjasredozemskapot, ki joješeposebej izzvalaarabskapomladleta2011), izGibraltarjaali izseverovzhodnih afriških držav preko Cipra v Grcijo.Število takšnihpreckanjse je še posebej povecalo po marcu 2016,8 ko je Evropa zaprla svoje vzhodne meje in tako prisilila ljudi, da v iskanju zašcite tvegajo svoje življenje na poti cez Sredozemlje (veliko krajšo in relativno varnejšo kopno pot so zamenjali za daljšo in bolj nevarno morsko pot). V letu2016jezabeleženih najvecžrtevoziroma pogrešanih ljudi doslej,skupaj vec kot 5000 (MSF, 2017). Sredozemskomorjejepostalomnožicno grobišce;število zabeleženih smrtnih žrtev prikazuje slika2. Najvecprebežnikovizginenacentralni sredozemski poti (okoli 85 %, glej sliko 3). 6 Drugazaskrbljujocaobmocja,ki se srecujejo s podobnimproblemom, sošemejamedZDAinMehiko,Bengalski zaliv, RdecemorjeinAdenskizaliv,Karibi,SaharainjugovzhodnaAzija.7 PokomentarjihZdravnikovbrez meja(fr. Médecins Sans Frontiers – MSF)podveh zaporednihkatastrofalnihpotopih migrantskihladijaprila2015soteštevilkenaSredozemljusrhljivopodobnetistim izvojnihcon(MSF,2015).8 Evropska unijain Turcija sta18.3.2016podpisalidogovor o zaustavitvi nereguliranih migracijiz Turcije v EU.Vsi novi prebežnikiso od 20.marcategaleta vrnjeni v Turcijo,za vsakegaSirca, vrnjenega v Turcijo zgrških otokov,jedrug Sirec selektivnopremešcenizTurcijevEU.Merilonacionalnostijetorejpostaloglavnadistinkcija,kiseuporabljazalocevanje na tiste,ki jimje dovoljeno vstopitiv EUin zaprositizaazil,in nadruge,kiso zaustavljenialiilegalizirani(glejCasas-Cortes et al., 2015). PolegtegajeTurcijadobilavzamenodovoljenjevstopaturškimdržavljanomvEUbrezvizumov, oživitevpogajanj za vstop vEU termilijardeevrovfinancnepomoci.Medtemkososeprehodi izTurcijevEvroporeszmanjšali,jev tem obdobju tudi veliko prebežnikov obticalo v južniin vzhodniEvropi,predvsemv Grciji,Italijiin Srbiji. Slika2. ŠtevilosmrtnihžrtevmedpreckanjemSredozemskegamorjamedleti2014-2019.Zaradi nekonsistentnosti podatkov o pogrešanih prebežnikih predstavljajo omenjena števila najnižje ocene. Vir: Missing Migrants Project (2020). Figure2. Number offatalitieswhilecrossingMediterraneanSeaduringtheyears2014-2019.Due tothe inconsistency of the missing migrants’data the given numbers represent minimum estimates.Source:Missing MigrantsProject (2020). Slika3. Prikazštevila umrlihpriposkusihpreckanjaSredozemlja medletoma2014-2019. Vir zapodatke o položajih inšteviluumrlihjeMissingMigrantsProject(2020). Figure3. Thenumber ofdeathsintheMediterranean crossingattemptsbetween2014and2019. Thelocationandthe numberofdeceased immigrantswereobtained fromtheMissingMigrantsProject(2020). Priposkusih vstopov v EU se prebežnikisrecujejo z vrsto tveganj.Plovbe so pogosto nevarne zaradi slabihvremenskih razmer, plovila, vkaterihplujejo, sovvecini primerovpremajhna, prenatrpanater narejenaizmanj obstojnihmaterialov. Prebežniki sepri prehoduzavedajotveganja, ki gapreckanje prinaša, vendarse vseeno podajo v nevarnost,sajje situacija,iz katere prihajajo,najveckrat nevzdržna. Ranljivostprebežnikovjevecjatudi zaraditega,kerprimanjkuje zanesljivih informacij, dokumentacij in regulacij zaravnanjes prebežniki, begunci, razseljenimi ali osebami brezdržavljanstva. Pravtakoso glavniakterjinereguliranihmigracijpoSredozemskem morjukotpriseljencivdržavahvstopanavadno žrtve izrazito restriktivnih in selektivnih migracijskih politik.Imigracijske politike držav EU,predvsem držav na t.i.schengenskiperiferiji,kiso obenemtudidržave prvega vstopa za imigrante iz t. i. tretjih držav (tj.držav,kiniso clanice EU),rajšiuporabljajo restriktivne mehanizme nadzora meja (omejevanje migracijskihtokov, repatriacije,deportacije)kakor nudijopomocin zašcitotistim,ki sobiliprisiljeni preckati evropske meje po neuradni poti.Velik tok prebežnikov v Evropo je namrec povzrocil institucionalnorazumevanje, daje trebamigracijenamorjuodvrniti, visoko-tehnološkonadzorovati in jih omejevati z bilateralnimi sporazumi, ki omogocajo preprecevanje, prestrezanje in odvrnitev prebežnikov (Albahari, 2015). Politizacija migracij je povzrocila, da so mednarodne migracije nemalokratizenacene skriminalom,karpomeni,da so v javnosti migracije nemalokratprikazane kot varnostniproblem,kise ga je treba lotevatipredvsems kazenskopravnega vidika,torejz mehanizmi policijskega nadzora in kaznovalnega aparata države (Kralj,2008,str.158).KotpraviJones(2016)meje samepo sebi nisonaravni del cloveškega svetainže samobstoj mejeproizvajanasilje, ki joobdaja. Usklajevanjeeticnostiinucinkovitegavpogledavstanjeprebežnikov na morju je torejnujnopotrebno. 2.2 Operacije posvecene migracijam po morju Reševanjeljudi v stiski na morjuježe od nekdaj univerzalno »pomorskopravo«.9 Številne ladje, ki pripadajo mednarodnimmisijamalinevladnimorganizacijam,redno patruljirajo po morju z namenom, da bi pomagale ladjam v stiski.EUintenzivno ozavešcao stanju na mejah preko mrežnih programov, biometricnih tehnologijin tehnologij»pametnih meja«.Po brodolomu 3.oktobra 2013,v kateremje manj kot 1 km stran od lampeduške obale umrlo skoraj 400 ljudi, je bila ustanovljena vojaška in humanitarna operacija MareNostrum (»Naše morje«), katereglavni namenjebil reševanjemigrantskih plovil v stiski na Sredozemskemmorju.Kljub veckratnim pozivomKomisije EUk »solidarnostiEU« jemisijaostalapodjetje, ki gajeupravljala samo Italija(Albahari, 2015)10. MareNostrum je imel za delovanje v srednjem Sredozemlju na voljo povprecno pet ladij, dve podmornici, helikopterje in podporo drugih italijanskih oboroženih sil;skupajje bilo na morju vsak dan skoraj1000 mornarjev.Ker seje številoprebežnikovvcasudelovanjaoperacijedrasticnopovecalo, sovladenekaterihevropskih držav operacijo kmalu videle kot dejavnik, ki naj bi še dodatno pripomogel k povecanem številu prebežnikov v Evropo. Posledicno sejeoperacija v imenu ekonomske netrajnostikoncala konec leta 2014.11 NamestotegajeFrontex,mejnainobalnavarnostnaagencija EU (ang. The European Union 9 Leta1982jenastalaKonvencijaZdruženihnarodov o pomorskemmednarodnempravu,kimed drugim obvezujepoveljnike ladij,da takoj pomagajoosebamvstiski namorju,cesoseznanjeni spotrebopopomoci insosposobni zagotoviti pomoc. Zakonpravtakodoloca,dajetrebarešeneljudipripeljativnajbližjepristanišce,karv primeru reševanjaprebežnikov ni vedno izpolnjeno.10 OdvsehEU državjeedinoSlovenijaposlalavpomocvojaškoladjo Triglav. 11 V enajstih mesecihdelovanjasoprekoprogramaMareNostrumrešili okoli142.000ljudi.Albahari (2015) v svojiknjigi CrimesofPeace trdi,da MareNostrum ni docakalsvojedruge obletnicepredvsemzaradipoliticnih razlogov,sajso ga nekateri videlikot »državno linijo zaprevozprebežnikov v Evropo«.V raziskavi o vplivu humanitarnih akcij naštevilomigracijpo Sredozemlju sototrditev raziskovalciGoldsmithskolidža(Univerza vLondonu) ovrgli(Dearden,2017).Reševanje prebežnikov torejnivirproblema,nitinirešitev problema,ampak jenujen odgovornasituacijo.Od koncaprograma Mare Nostrum jerekordnošteviloljudi poskušalopreckati Sredozemlje,prav tako jihjerekordnošteviloutonilo(Thompsonin Singhvi,2017). border and coastguard agency), novembra2014zacel zoperacijo Triton, ki jeimel navoljomanj plovil za opazovanje voda, opazovaliso dlje od libijske obale,njena prednostna naloga pa je bila boljnadzor na meji,kotsamo reševanjeprebežnikov.Misija se je koncala v zacetku leta 2018,nasledila jo je misija Themis, ki seosredotocanakontrolomorskihmejapredvsemvItaliji. Vtej misiji z razliko od prejšnjih odlocitev o izkrcanju prepustijo državi,ki ureja doticno reševanje12. V casuprestrukturalizacijein sprememb namenov operacij so nakljucnekomercialneladjeposledicno postale primarni akterji pri reševanju prebežnikov v osrednjem Sredozemlju, seveda pa niso (bile) primerno opremljene za velika reševanja (Hellerin Pezzani, 2016). Polegžeomenjenihoperacij EUje operativen tudi vseevropskisistem nadzorovanja meja (ang. European BorderSurveillanceSystem ali EUROSUR),kijezaceldelovatidecembra2013. EUROSURjevecnamenski sistem sodelovanjamed državami clanicami EU in agencijo Frontex. Je orodje, ki naj bi pripomoglo k reševanju življenj prebežnikov,preprecevanju kriminala na mejah EU,hkratinajbiprispevalo k upravljanju migracijskih tokov z zmanjšanjem števila priseljencev, ki vstopajo v schengensko obmocje nedokumentirano. Njegovo infrastrukturo sestavljajo brezpilotni letalniki, senzorji na morju, inteligentna oprema in satelitski sistemi13. PravtakojevSredozemljuprisotenNATO, ki s svojooperacijo»Sea Guardian« (bivšaoperacija»ActiveEndeavour«) s satelitskoin radarskotehnologijozbira podatke, kijih pridobiva iz razlicnihdržavininstitucij intakodoloca trendeinanomalijevSredozemlju. Njihoveladje sole obcasno pomagale pri reševanju prebežnikov, ampak kerje to vojaška operacija,rutinsko ne deli informacij z ostalimi civilnimi agencijami, kotjih deli, na primer, Frontex. Še pred omenjenimi operacijami so v casu pospešenih migrantskih pritiskov po morju ob prehodu stoletjaŠpanci uvedli SIVE(šp. Sistema Integrado de Vigilancia Exterior); sistem za zaznavanje in zajetje prebežnikov v Gibraltarskiožinisfiksnimiinmobilnimisenzorji(radarji,infrardeceinvideokamere)zaznavaplovila od 10 do 25 km stran od obale (Carling, 2007). Poleg omenjenih sistemov imajo delni pregled nad prebežniki na Sredozemlju tudi nevladne organizacije. Trenutno obstaja le nekaj ladij v lastni nevladnih organizacij, kot npr. MSF & SOS Méditerranée,SeaEye,ProactivaOpenArms,katerih namenje reševanjepotencialnihprebežnikov.14 Morsko gladino vecinoma opazujejo s prostim ocesom, medtem ko operacije EU temeljijo na kombinaciji raznih tehnologij.Kertrenutno nobena evropska misija ne usklajuje reševalcev za pomoc ladjamv stiski, pogostoprihajadozmede, kdobi semoral naklicodzvati ins kakšnimizmogljivostmi 12 Kakršnikolipodatki o misijiThemis, razen nekajgenericnihinformacij, so zaupne narave,tudi zadržavljaneEU (glej npr. primer o zahteviinformacijo delovanju misijein njenizavrnitvisstranipredstavnikov EU:AsktheEU.org,2018).13 Ceprav najbibilEUROSUR sprejel satelitskeposnetkekot virpodatkov oplovilih na morju,je namestnikgeneralnega direktorjaFrontexaGilAriaFernandezdejal, »dato ne bo koristno zapreprecevanjetragedij, sajbodo satelitski posnetkina voljo organom kontrolemeja v urah ali celo nekajdni po samem dogodku« (Nielsen, 2014).To dejansko nakazujeproblem pridobivanjapoložajev plovilizsatelitskih posnetkov,kijelahko delno rešeno s podporo drugih sistemov zapomorsko opazovanje.14 Ravnovcasupisanjadoktorskenalogesonekaterehumanitarne organizacijezacasno opustilereševanje naSredozemskem morju, sajjeLibija vdogovoru zEUprepovedalagibanje vpriobalnem obmocjuin s tem onemogocila nevladnim organizacijam, kot so npr. Save the Children, MOAS(Migrant Offshore Aid Station), SeaWatch, iskanje in reševanje prebežnikov namorju. nastopitiprireševanju. Kermedladjaminevladnihorganizacijtervojaškimiinladjamireševalnih misij pogosto nidobre komunikacije,pozitivno sodelovanje ni vedno izvedljivo (Bagnoli,2016).Trenutno – pomorskemu pravu navkljub – nekatere države (Italija,Malta)prepovedujejo reševalnimladjam, ki so vecinoma v lasti nevladnih humanitarnih organizacij, da bi na morju rešene prebežnike izkrcale v njihovih pristanišcih15. Alipazajeteprebežnikenamorjuvracajonazaj vdržavoodhoda,predvsemv dogovorih z lokalnimiobalnimistražami(Libijska,Turška).Posledicno ladje sprebežnikiskušajo priti cimdlje v mednarodne vode,kar povecuje verjetnostbrodoloma. Namesto urejenih procedur so reševanja zaradi nepripravljenosti držav clanic do prevzema trajne odgovornostipri zašcitiin reševanju prebežnikov,sploh od zakljucka misije MareNostrum naprej, postala produkt ad hoc rešitev, brezkakršnihkoli transparentnihpravil. StrožjaprizadevanjaEU pri varovanju meja sopovzrocila le to, da sovarnejše inkrajšemigracijskepoti zamenjalenove, bolj nevarne pomorske migracijske poti. EU innjeneinštitucijebi semoralevprašati,zakaj spremljajoin patruljirajo po Sredozemlju.Zato,da biga zavarovalipred migracijami,darešujejoljudinapoti,alipa da jih prestrezajo in deportirajo nazajv dežele,od koderso prišlioziroma v njihove domovine (Albahari, 2015:str.176)? Pregled obstojecih ukrepov in smernic EUo evropskih imigracijskih in azilnih politikah razkriva,da se EUboljnagiba k uporabimehanizmov nadzorovanja in represije,kotk pomociin zašciti tistih, ki so bili prisiljeni preckati evropske meje po neuradnih poteh (Kralj, 2008, str. 171). Navkljubposredovanju raznih organizacij zapomocprebežnikom napoti ostaja osrednjeSredozemlje ševednonajbolj nevarnoobmocjeprehoda. Zatojepotrebnozaznavanjemajhnihplovil na odprtem morjuizboljšati,karbilahkoprispevalokvecjimožnostizareševanjein posledicno rešilovecživljenj na morju. 2.3 Begunska taborišca in okolje Poleg zapletov,kijih prebežnikilahko doživijo med potjo,so problematicne tudi razmereprinjihovi namestitvi v državah sprejemnicah.Ceprav se po navadi vecina beguncev naseli v državigostiteljici razpršeno(okoli 60%), sejihveliko,sploh v primeru suše alihude revšcine,naseliv begunska taborišca (Jacobsen, 1997). Trenutnoživi vbegunskih taborišcihpovsem svetuokoli 2,6milijonabeguncev (UNHCR, 2020a). Poleg nenehnega narašcanja števila beguncev in notranje razseljenih oseb v dolgotrajnemizgnanstvu narašca tudi povprecna dolžina bivanja v izgnanstvu (Loescherin Milner, 2011). Begunciinnotranjerazseljeneosebeživijovbegunskihtaborišcih,kijihponavadi upravljajo 15 Odprvepoloviceleta2020naprej,jeprirocen izgovorzaprepovedizkrcanjaplovil v pristanišcih nevarnost prenosa korona virusa. humanitarne organizacije in/alidržave gostiteljice, v zelo raznolikih razmerah (od dobro uveljavljenih begunskih taborišc do zacasnih zgošcenih zatocišc,ali,v najslabšemprimeru,karživljenje na prostem). Cepravsobegunskataborišcaponavadimanjnevarnakotkraji,odkoderprihajajobegunci,pogosto ne zagotavljajo primernih življenjskih razmer.Nehumane razmere se kažejo kot odsotnosttekoce vode in elektricne energije,pomanjkanje hrane (ta je po navadi dodeljena družinamglede na njihovo velikost), necistoca, onesnaženost vode sfekalijami,izbruhi bolezni,spolni napadi na ženske, nasilje, pogosta gneca in pomanjkanje kapacitet,ki nastajajo zaradipreobremenjenostibegunskih taborišc.Dolgotrajne neznosne razmere begunskih taborišcih so že dolgo tema razprav in intenzivnih raziskav med akademiki inakterji, ki delujejovtaborišcih, todate raziskaveimajolemaloucinka(Loescher inMilner, 2011). Glavnatežavaparadigmetaborišcjeta,da narekuje,da sebegunce obravnavakot zacasnipojav,inje najpogosteje v službiinteresovdržav.Vtaborišcih so begunciv tranzicijskemprostoru,imajo prehodne pravice,humanitarne pomociso pogosto deležnisamo,ce ostanejo v teh prostorih (Chkam,2016). Raziskava med humanitarnimi organizacijami je pokazala, da je ena izmed najpomembnejših informacijskih zahtev, ko se uporabljajo geografski informacijski sistemi, ravno okoljski vidik (Johannessen et al., 2001). Pritiski,kijih povzroca dotok vecjegaštevilaljudi vbegunskataborišca, lahko botrujejo k številnim negativnim vplivom na okolje. To so krcenje gozdov in posledicno izpostavitev teh obmocij erozijskim procesom, unicenje obdelovalih površin, dezertifikacija, netrajnostno crpanjepodtalnice, nitrifikacija inposlabšanje kvalitete vodnih virov (Black, 1994; Jacobsen, 1997). Kajjedegradacijaokolja,nastalakotposledicabegunskih taborišc,jeproblem,o katerempotekajo številne razprave (glejnpr.Kibreab, 2002). Obsegdegradacijenamrec nemorebiti dolocen a priori inbovednoodvisenod obcutljivosti ali odpornosti obravnavanega prostora.V tej doktorskidisertacijise izraz “vpliv na okolje” nanaša zgoljna processprememb,kise pojavljajo v zvezi z negativno spremembo vegetacije, obdelovalnih površin in vode v okolici begunskih taborišc, obenem moj namen ni oznaciti begunce kot »onesnaževalce okolja«. Degradacija okolja je odvisna od opazovalca. Tistokarlokalniprebivalciinbeguncidojemajokot nekaj nujnega ali celokottrajnostno uporabo naravnih virov, lahko nacionalne in mednarodne agencije oznacijo kot grožnjo ohranitvi naravnih ekosistemov (Jacobsen, 1997). Begunskataborišca sopovezana z edinstveno skupino okoljskihproblemovintveganj(Zetter,1995). Zacetniproblemjelahkožedelnadeforestacija alikrcenje vegetacije(vcasih celobuldožiranje), potrebno za grajenje taborišc ali za gradbenimaterial.Drugiproblemje nenadno povecanje gostote prebivalstva (vcasih tudinjihove živine) na obmocju.Velik pritisk na lokalno okolje najveckratpomeni pomanjkanje obdelovalne zemlje,razgaljenostipašnih površin, drvzakurjenjeter pomanjkanjeali onesnaženje vodnih virov.Tretjiniz okoljskih groženjizhaja iz vsakodnevnega delovanja taborišc,kot npr. napacno odlaganje in zbiranje odpadkov ter odpadne vode (Jacobsen,1997).Okoljskadegradacija lahkoposledicnovodi dopovecanjaživljenjskih nevarnostiv taborišcih terdo nasilnih konfliktov,kiso povezani z zmanjševanjem okoljske preskrbe (Hagenlocher et al., 2012). Dalec najvecjeposledice za okolje po navadi ne nastanejo zaradi vpliva beguncev, temvec zaradi posledic vojn, ki ustvarjajo begunce (Jacobsen, 1997).16 Okoljskaintegritetaimakljucno vlogopri ohranjanjuživljenja vbegunskih taborišcih: ne samo,da neposredna okolica zagotavlja bistvene vire, kotso pitna voda,drva in zemlja za kmetijsko obdelavo, prav tako sta blaginja in zdravje beguncev odvisna od tega,kako dojemajo okoljske naravne razmere v svoji bližini (Crea et al., 2015). Polegcelostne slikeogibanjuprebežnikovinucinkihnjihovegavpliva na okolje na obmocju begunskih taborišc,sopravtakopomembnezanesljiveinformacijeomožnostih dolgorocnega vkljucevanja priseljencev. Tehnologijadaljinskegazaznavanjalahkopomagaocenitiucinekhumanitarnihkriznaokolje,vkljucno z retrospektivnim pogledom na obravnavano obmocje (Hagenlocher et al., 2012; Lang et al., 2010). Lokalneoblastiinorganizacijepotrebujejoinformacije,kiomogocajoocenjevanjealicelomodeliranje trajnosti celotneregijegledenanaravnevire, postavitevinfrastrukturein razvoj socio-ekonomskih parametrov. Z zadostnim zagotavljanjem hrane, kurjave in vode lahko humanitarne organizacije v taborišcihposledicnozmanjšujejopotrebopotehvirih iz lokalnegaokolja (Jacobsen, 1997). Z obdelavo satelitskihposnetkovlahkoprispevamokhitrim, stroškovnoucinkovitiminobjektivniminformacijam o številnih dejavnikihprejomenjenih okoljskih dejavnikov, šeposebej naobmocjih, kjer soobstojeci zemljevidislabe kakovostialijih nimogoce dobiti.Natancno število stanovanjin prebivalcev,velikost taborišc in stanje okolice po navadi niso dokumentirani v celoti in jih je zato treba oceniti. 2.4 Povzetekin sklepi2. poglavja V tempoglavjusemopisalaglavnemigrantskepoti,kipotekajoprekoSredozemskegamorjavEvropske države in prikazalaštevilo smrtnihžrtevskozi leta. Tuizstopaleto2016, kojezabeleženihnajvecžrtev oziroma pogrešanih ljudi doslej(vec kot 5000).Predstavila sem obstojece tehnicne in operativne sisteme, ki seukvarjajozopazovanjem stanjamigracij predvsemnaSredozemskemmorju.Navkljub posredovanju raznih organizacij za pomoc prebežnikom na poti ostaja osrednje Sredozemlje še vedno najboljnevarno obmocje prehoda. Prav tako sem na kratko predstavila stanje v begunskih taborišcih,kakršno je z vidika okolja in njegovih prebivalcev. Begunci in notranje razseljene osebe živijo v begunskih taborišcih, ki pogosto ne zagotavljajo cloveških življenjskih razmer(prenaseljenost, odsotnost tekocevodeinelektricneenergije, pomanjkanje hrane itd.),zato so prebežniki pogosto primoraniposeciv lokalno okolje. 16 Naprimer,v afganistansko-pakistanskih mejnih obmocjih jevojnarazbilatradicionalnesistemeupravljanjagozdov.LokalniPakistancisokasnejenenadzorovanoizkorišcaligozdovezakapitalnarastocemtrgulesa.Šehujšinegativniucineksejezgodil po predajigozdov afganistanski gverili,kijeprodajalaleszafinanciranjenakupa orožja. »Ta stran je namenoma prazna« SISTEMIZAOPAZOVANJEPLOVILINOKOLJSKIHSPREMEMB V tempoglavju opišem obstojece sisteme, skaterimije mogoce zaznavatiplovila na morjuterširjenje in dinamiko begunskih taborišc. Nadalje predstavim obstojece sisteme daljinskega zaznavanja. Na koncu poglavja na kratko opišem probleme, s katerimi se v praksi srecujemo pri uporabi daljinsko zaznanihpodatkov za opazovanje migracij. 3.1 Splošno o opazovanju plovilssatelitskih posnetkov Gledenato,daoceanipokrivajookoli71%zemeljskepovršine,zahtevanjihovoopazovanjeprecejšen naporin širok naborsenzorjev,kiopazujejo obalne pasove in odprto morje.Sistem obvešcenosti na morju (ang. Maritime Domain Awareness -MDA17) jeomogocen skombinacijo podatkov,pridobljenih na kopnemin morju z letalskimiinsatelitskimisenzorji, izboljšanpajez razlicnimiGIS(geografsko informacijski sistemi) informacijami in repozitoriji, ki hranijoinformacijeoplovilih(Dekker et al., 2013).Vskladu s številnimi globalnimi, regionalnimi innacionalnimi predpisi morajobiti plovila opremljena stransponderji(odzivniki). Z njimi oddajajo svoj položajv dolocenem ponavljajocemse casovnemintervalu.Tipodatkiso vodeni v sklopu razlicnih sistemov za identifikacijo in dolocevanje položajevplovil v realnemcasu,od katerih ima vsak svoj namen;najveckratso obvezni za plovila od dolocene velikosti naprej.Eden od najpogostejših sistemov za sledenje je avtomatskisistem za identifikacijoplovil ali AIS(ang. AutomaticIdentificationSystem), ki samodejnoposredujeinformacijo o položajupomorskimuradomin drugim okoliškimplovilom(IMO, 2000).Vecina manjših ladijs tem sistemom ni opremljena, kar ovira dolocanje natancne gostote prometa na morju ter ucinkovito nadzorovanje premikov plovil.Medtemko je bilAIS prvotno zasnovan za pridobivanje položajevplovil blizu obale, jeMednarodnapomorskaorganizacijaIMO(ang. International MaritimeOrganisation) prav tako vzpostavila mednarodno identifikacijo in sledenje vecjega dometa (ang. Long-Range IdentificationandTracking -LRIT)(IMO,2006).Polegtegapomorski uradi za spremljanje ribiških plovil uporabljajo sistem spremljanja plovil ali VMS (ang. Vessel Monitoring System -VMS). V nasprotju z AIS inLRITuporabaVMS ni globalnourejena, ampakjepogojenaznacionalnimi ali regionalnimi zahtevami. Cepravsoomenjenisistemiucinkovitaorodja za sledenje plovilom, ne dajejo popolne slike o položaju na morju.Vecinimajhnihplovil(< 300 ton)nitreba oddajatiAIS aliLRIT,majhnaoziroma vsa ribiška plovila ne uporabljajo nitiVMS(odvisnood regije).Poleg tegalahkonezakonitodelujocaplovila 17 MDAjedefinirankot ucinkovito razumevanje vsega,karjepovezano spomorstvominbilahko vplivalo na varnost, gospodarstvo aliokolje.Podrocjepomorstvajedefinirano kotvsa obmocja inobjektiiz,na,pod,kise nanašajona/kimejijo na morje, ocean alidruge vodne poti ali so blizu njim, vkljucno z vsemidejavnostmi, ki se nanašajo na pomorske aktivnosti, infrastrukturo,ljudi, tovor,plovila indrugaprevoznasredstva(IMO,2010,p.201). izklopijosvoj sistemsledenjaali celolažnoprikažejosvojepoložaje. DostopdopodatkovLRIT inVMS je zelo omejen, sajjih lahko zbirajo zgoljdoloceni vladni organi, ki morajo upoštevatiposebne pravne podlage. Posledicno torej noben od teh sistemov ne zagotavljacelostne slike. Uporabasatelitskihposnetkovjetorej lahkovvelikopomocpri (samodejnem) spremljanjuplovil. Glavneprednosti satelitskih senzorjevstacasovno pogosta opazovanja, kar jezaspremljanjeobalein morjazelopomembno,in opazovanje velikih površin, kar ješeposebej prirocnozaspremljanjena odprtemmorju,kjertradicionalne metode niso možne. 3.2 Obstojecisistemidaljinskegazaznavanjazaopazovanjeplovilna morju Metode za opazovanje in zaznavanje objektov oziroma plovil na morju, ki temeljijo na obdelavi posnetkov, so uporabljene na razlicnih vrstah posnetkov. Najpogosteje uporabljene posnetke za zaznavanje plovillahkorazdelimov štirikategorije:a)opticniin(odbojni) infrardeci, b) hiperspektralni, c) termicniinfrardeci(IR) ind) radarskiposnetki. Senzorji solahkonamešceni na razlicnihplatformah (naobali, ladji, letaluali satelitu). OpazujejolahkoZemljonavpicnonavzdol, naprej ali vstran, odvisno od platforme, za svojo obdelavo zahtevajo specificno znanje in imajo razlicne operativne stroške. Opticniposnetkidelujejo v vidnemspektru, ki gazaznavacloveškooko(valovnedolžinepribližno400­700 nm),IRpa pokrivajo bližnje-inkratkovalovnekanale, vsedo treh mikronov. Opticni senzorji so pasivni,karpomeni,da se zanašajo na zunanjo osvetlitev,obicajno od Sonca.Multispektralnisenzorji lahkozvecbarvnimikanalipridobijo vec informacijo površju Zemlje,ampak stemizgubijo prostorsko locljivost, ki je vedno višja pri pankromatskih posnetkih. Opticni posnetki zagotavljajo dragocene informacije za natancno zaznavanje plovil in njihovih znacilk (Liu et al., 2013) ter omogocajo klasifikacijo in široko uporabo –glede na nizke stroške in enostavno strukturo (Lan in Wan, 2009). Njihovainterpretacijajezaoperaterjaponavadi enostavna, saj jenjihovprincippodobendelovanju cloveškega ocesa. Zaradi možnosti spektralnega prepoznavanja zagotavljajo veliko informacij za klasifikacijo plovil(Willhauck et al., 2005), zlasti za plovila, izdelana iz steklenih vlaken, jekla, aluminija,lesa alicelo betona.Prav tako imajo plovila omejeno površino, dolžino in širino (po navadi soladjedolgeintanke), kar pomeni, da sozanjihovoodkrivanjein razvršcanjedragoceni podatki ne samonjihovmaterial ampak predvsemnjihova velikostin oblika.Številne omejitve snemalnih opticnih senzorjev, kot soprisotnost velikihkontrastovzaradi razlicnihvremenskih razmer ali vplivov soncne svetlobeinrazlicni koti opazovanj, lahkovnesejonapakepri zaznavanjuplovil.Samodejno zaznavanje plovil z opticnihposnetkov je zatorejprecej zahtevno delo in klice k podrobnejšimraziskavam na tem podrocju. Posnetki,narejeniiz letalskih platform,imajonavadnovelikovecjoprostorskolocljivost vprimerjavi s satelitskimi opticnimi posnetki in sozaradi vsehdetajlov, ki jihlahkozaobjamejo, predvsemprirocni za klasifikacijoplovil(Feng et al., 2019). Vzadnjemcasu sejepredvsempovecal obsegraziskavnatemo zaznavanja plovil z letalniki (ang. UnmannedAerialVehicle -UAV)(npr. Dolgopolov et al., 2017; Lodeiro-Santiago et al., 2019), pravtakojezazaznavanje plovilobetavna uporaba video kamer,pripetih na letalske platforme (Arshad et al., 2010; Bao et al., 2013; Fefilatyev et al., 2010; RodriguezSullivan in Shah, 2008).Tehnike,ki analizirajo zaporedja slik,so razširjene predvsem za zaznavanje cestnih vozil,medtemko je zaznavanje plovilz videa v uporabiboljza pristaniška obmocja. Hiperspektralniposnetki, pri katerih slikovni spektrometer zberenastotineozkihkanalov razlicnih valovnih dolžin za isto prostorsko obmocje, so še vedno razvijajoce se podrocje v daljinskem zaznavanju,zato tudiprizaznavanju plovil na teh posnetkih še nibilo narejenih veliko raziskav (npr. Marin-Mcgee,2013;Park etal., 2018; Wang et al., 2016). Termicniinfrardeci senzorji niso odvisni od soncne osvetlitve, temvec od emisij opazovanih objektov na posnetku, zato soprivlacnatehnologijazaopazovanjeponoci (Lee et al., 1990; Leira et al., 2015; Mirghasemi et al., 2011;Neele, 2005;Wu et al., 2011). Pri snemanju s satelitauporabo termicnih posnetkov pogosto ovira nizka locljivostteratmosferskivplivi(predvsemoblakiin vlaga). Radarje od vseh omenjenih najbolj klasicnatehnologija za zaznavanjeladij (glej Crisp, 2004). Najpogostejeseuporabljajorotacijskeantenenavigacijskihradarjev,kisopritrjenenaladjah,inradarji za nadzorplovbe,kiso navadno postavljeni na obali.Na letalih radarskenira ali snema z radarjem bocnega pogleda (ang. SideLookingAirborneRadar – SLAR),kilahko snema tudissatelita, vendarje tazaradi slabšelocljivosti redkejev rabi. Za snemanje s satelitajeprimernejši SAR(ang. Synthetic Aperture Radar), saj jenjegovalocljivost neodvisnaodsmeri. MedtemkoSLAR uporablja za svoje delovanje dolgo fizicno anteno,SAR simulira anteno spremikanjem naprej.SARje eden izmed najprimernejših senzorjev za zaznavanje plovil s satelitskih platform, saj so njegove locljivosti primerljive z velikostjo ladij(razen za resmajhna plovila), snemajo relativno velika obmocja pri konstantnilocljivosti,vreme in cassnemanja pa nanj ne vplivata.Poleg tega ima struktura vecine ladij ostre robove, kar povzroca intenziven odbojradarskih signalov;plovila so na posnetku prikazana kot svetle, ostre pike (Chang et al., 2019; Máttyus, 2013; Wang et al., 2019). Kljub temu imajo SAR posnetkitudinekaj negativnih lastnosti:za radarske posnetkejeznacilenšum, zaznavanjeladij jemocno ovirano, kadarje pri snemanju prisoten mocan veterin je morje razburkano,majhne objekte je težko zaznati,klasifikacija v tipe plovilje zahtevna naloga,identifikacija plovilje prakticno nemogoca (Greidanus, 2005). Najpomembnejši dejavnik, ki ovirazaznavanje ladijssatelitskih posnetkov SAR,je njihova casovna redkostin prostorska nepokritost. Zaustreznopokritost bi moraloobratovati nastotine satelitovSARnamestodobrihdeset, ki soutirjeni danes. Podrugi strani obstajavecopticnih satelitovv orbiti,kilahko pomembno prispevajo k odkrivanju plovilna morju. Cepravimajo tehnologijeletalskih opticnih oziroma(odbojnih)infrardecih senzorjev, videoinSAR razlicnefunkcionalnosti vprimerjavi s satelitskimi opticnimi senzorji, obstajajonekaterepodobnosti v tehnikahprocesiranja, ki jihjemogoce izkoristiti. Z obdelavovideoposnetkov,kiganudijonekateri satelitski sistemi (npr. SkySat,Jilin aliseptembra2020izstreljeni slovenski satelit NEMO-HD),bilahko opazovalidinamiko oziroma sledenje(predvsemgibajocihse) plovil.To pomeni, dabilahko opazovali plovila,kiprihajajo ali odhajajo iz opazovanega obmocja.Zanjihovospremljanjebibilo potrebno obdelovatisekvence slik,katerih vsota bi namdala sled plovil. V pricujocemdoktorskemdelusebomosredotocalasamonaopticnesatelitske sisteme. 3.3 Opticnisistemidaljinskegazaznavanja Satelitskiposnetkisopomembenvir podatkovzaspremljanje, merjenjein razumevanjezemeljskegain kopnega okolja.OdizstrelitveprvegacivilnegaopticnegasatelitaLandsat1 leta 1972 je bilo do danes izstreljenihna stotineopticnih satelitov, ki krožijookoli našegaplaneta s širokimnaboromprostorskih, spektralnih, radiometricnihincasovnihlocljivosti. Slika 4 prikazuje številovsehizstreljenihopticnih satelitov skozi zgodovino in njihov ociten porastv zadnjih letih. Slika4. Številoutirjenihopticnihsatelitovsejedrasticnopovecalovzadnjemdesetletju. Leta1972jebilizstreljenprvi opticni satelit za opazovanjeZemlje,imenovanLandsat1.Podatki so pridobljeni napodlagi raziskaveod Belward in Skøien (2015)inzazadnjihpetletposodobljeni izspletnestrani N2YO.com(2020). Figure4. The number ofopticalsatelitesin orbithasbeen rapidlyincreasinginthelastdecade. Year1972marksthe launchofthefirstEarthobservationoptical satelliteLandsat1.ThedataisobtainedonthebasisofBelwardandSkøien (2015)researchandfor the lastfive yearsupdatedfromthe webpage N2YO.com(2020). Opazna sprememba seje zgodila naprehodu stoletja,ko sokomercialni zelo visokolocljivi opticni sateliti, s prostorskolocljivostjomanjšoodpetihmetrov, prišli v širšorabo. Vzadnjih dveh desetletjih seješteviloopticnih satelitskihmisij povecalo, kar jeizboljšalocasovnolocljivost inomogocilopogosto spremljanje istihobmocij. Aktualnatemavsatelitski industriji sotrenutnomajhni sateliti, ki tehtajo manjkot500kg,šeposebejtisti z maso manjkot 100 kg, predvsemzaradi lažjeizdelaveinmanjših stroškov. Njihovo številovorbitah okoli Zemlje sejevzadnjihletihprecej povecalo. Samoleta2014 jebiloizstreljenihveckot 160mikro-innanosatelitov, raziskovalci(npr. glejDoncasteret al., 2017)pa napovedujejo še nadaljnjo rast njihovega števila. Podjetja kot so Planet, Spire, BlackSky, Surrey Satellite Technology in podobni že nekajlet rednoizstreljujejonovo številonano-inmikrosatelitovv vesolje.Tisatelitizagotavljajo opazovanja z visoko prostorsko locljivostjo,tudi veckratna dan. Danesjetorej navoljovelikoopticnih senzorjev,kiposredujejoinformacijev razlicni prostorski, casovni, spektralni in radiometricni locljivosti. Prostorska locljivost na posnetku doloca velikost najmanjših opazovanih predmetov,kijih na posnetkih še prepoznamo (Oštir, 2006). Vsplošnemimajo posnetkiz velikostjo enega piksla,vecjega od 300 m,nizko prostorsko locljivost,tiste med 30 in 300 m pa srednjo. Visokoinzelovisokolocljivost delimovsakovdvarazreda: HR2(ang.High Resolution) locljivosti so posnetki s piksli velikosti med10in30 m, HR1med4in10 mzavisokoprostorsko locljivost inVHR2(ang.Very High Resolution) zapikslevelikosti med1do4 m ter VHR1 zapiksle, manjšeod1 m zazelovisokoprostorskolocljivost(Lang et al., 2015). Posnetki z visoko prostorsko locljivostjo so dostopni šele dve desetletji; z njimi lahko opazujemo podrobne pojave in dobro opredeljene geografske objekte,kjerigrajo struktura,roboviin informacije o teksturipomembno vlogo. Spektralna locljivost pove, kako dobro senzor locirazlicne valovne dolžine.Boljša kotje, ožji so spektralni pasovi oziromakanali invecjejenjihovo število(Oštir, 2006). Ceprav sejevzadnjihletih povecalo število naprednih vecspektralnih senzorjev,kiso zmožni zaznati vec sto zelo ozkih pasov valovnih dolžin (imenujemo jih hiperspektralnisenzorji),semse v nalogi ukvarjala ssistemiza daljinsko zaznavanje,kimerijo odbojnostv manjkotdesetobmocjih valovnih dolžin.Takimsenzorjempravimo vec-alimultispektralnisenzorji. Poleg že omenjene spektralne in prostorske locljivostise je predvsem v zadnjih petnajstih letih izboljšala tudi radiometricna locljivost (bitna globina alidinamicni razpon) satelitov, kar jeomogociloboljšeprepoznavanjeobjektov s posnetkov. Višja radiometricnalocljivost omogoca razlocevanje detajlov na posnetku. Casovna locljivost ali ponovno snemanje istih delov Zemljejekljucnidejavnikpridaljinsko zaznanihaplikacijah, saj pogostarazpoložljivost posnetkovv daljšem casovnem obdobju omogoca ugotovitve o vzrokih in smereh nekaterih vzorcev trenda. Poleg omenjenih locljivosti sta pomembnadejavnikaopticnih senzorjev še širina snemalnega pasu in vpadni kot. Opticni senzorji snemajo podnevi, smiselne posnetke dobimo v dobrih vremenskih razmerah, koni velikooblakov. Številodostopnihpodatkov je odvisno od geografskegapoložaja opazovanega obmocja in pogostosti oblacnosti na tem obmocju. Za nekatere regije lahko dobimo posnetke površja že z enimpreletomsatelita, za druge so ti zaradiobstojnega oblacnega pokrova redko dostopni.Prav tako moramo upoštevati, da je število uporabnih posnetkov za analize odvisno od vrste inzahtevnosti aplikacije. V mnogihprimerih sateliti ne snemajopovršjacezoceane, saj bi pokrivanje celotne Zemlje znatno povecalo kolicino podatkov.Prav tako se glavni prihodki odprodajeustvarijo s posnetki kopnega (Bannisterin Neyland, 2015)ali obale.Izjema so posnetkisatelita Sentinel-2,ki sistematicno snemajo celotno obmocje Sredozemlja in so dostopni zastonj. Pri uporabi opticnih satelitskihposnetkovmoramo upoštevati, da je delovanje opticnih satelitov za opazovanje Zemlje odvisno od dnevne svetlobe (nocnih prehodov torejnimogoce zaznati),omejeniso na caspreleta satelita (posnetektorej ni mogocedobiti kateri koli trenutek vcasu), uporabni podatki pridejodouporabnika šele z nekajurno ali nekajdnevno zamudo. Cas dostave opticnih posnetkov (cas, ko se pridobijo informacijes satelitainkoprodukt dosežekoncnegauporabnika) vprogramuCopernicussicer znaša okoli30 min, kar kaže na to, da so lahkopodatki Sentinel dostopni v najboljšemscenariju v skoraj realnemcasu(EMSA, 2020). Kogovorimotorej oprednostihin slabostihtetehnologije, semoramo sprijazniti s tem, daševednoobstajavrzel medzmogljivostjoindejanskouporabosatelitskih posnetkov. 3.4 Problemuporabljenihpodatkovpriobravnavanihtemah Cepravjedaljinsko zaznavanje »demokraticno orodje«(Lang et al., 2013), saj razkriva razmere na zemeljskem površju take, kakršne so – neizkrivljene, ne-manipulirane,dostopnevsakomurin pogosto edini virtrenutnega stanja na zemeljski površini –, paopazovanje s satelitskimi posnetki ni vedno sprejemljivozeticnegavidika. Toveljazlasti zauporabo senzorjevVHR(Slonecker et al., 1998). Posnetki, ki zaznavajoobjektezlocljivostjo1m, lahkozaznajoprostorskepodrobnosti, ki senanašajo na zasebnostposameznika (npr.stanovanja,avtomobili),zato se priuporabisatelitskih posnetkov za potrebe opazovanja ljudi pogosto pojavljajo eticna vprašanja.Naobstojecihkomercialnih satelitskih posnetkih posameznih oseb sicer zaenkratše nimogoce identificirati,je pa tomožnostoriti zavecje skupine ljudi, kot so, na primer, begunci (Ehrlich et al., 2009). Razlogi, zakaj uporaba satelitskih posnetkov za opazovanje ljudi in njihovih vzorcev vcasih zbuja skepticizem (predvsem pri strokovnjakih, katerih strokajevsaj delomadružboslovna, avendar ne zgoljprinjih)so torejupraviceni. Cepravzemeljskopovršjesateliti zajemajo »objektivno«,z enakimipogoji,sajv dolocenemcasovnem trenutkuposnamejodinamikonekegapojava, imajolahkonjihovi podatki v praksi dvojno uporabo. Lahkosouporabljeniza blaginjo cloveštva, obenemlahko delujejoljudem v škodo. Opticni satelitskipodatkilahkovkljucujejoobcutljive(tj.politicne,vojaške)informacije in ljudje, ki takšneprostorskepodatkeobdelujejo, bi lahkoizgubili nadzor nadtem, kako se ti prostorski podatki uporabljajo ali zlorabljajo.To lahko povzroci obilico negativnih posledic, kot, na primer, obtožbe o vohunjenju, nepristranskostianalitika itn. Ceprav sezdi, dajesplošnajavnost pripravljenauporabljati novo tehnologijo,se jiprilagajatialijo vsajtestirati,je predvsemmed vedami,kise ukvarjajo neposredno z ljudmi,še vedno zaznatinekaj odpora alipredvseminstitucionalne ovire zaradislabih izkušenj ali latentnih skrbi za morebitno dvojno uporabo satelitskih posnetkov (Lang et al., 2015). V primeruopazovanjgibanjaprebežnikovnamorskipoti spodatki daljinskega zaznavanja,birada predvsem pokazala na prakticne možnostiuporabe sodobnetehnologije, ki imavelike prednostipri neposrednem opazovanju Zemlje,kilahkoopazujevecjaobmocjainkilahko pomaga ljudemv stiski. Zavedamse,dalahkozrazvitimalgoritmomzaznavanjaplovilnamorjupravtakoogrozimoprebežnike na poti,sajjih je tako lažje nadzorovatialiizvajatiposledicno izvajatirepatriacije, kar pani moj namen. Tehnologijajepomagalaprestrukturirati vrednoteinnacinživljenjanasvetu –intakobotudi v prihodnje – , zatojovidimkot podaljšekcloveka,a se hkratizavedamnjenih omejitev, kadarprevec poseže v cloveška življenja. 3.5 Povzetekinsklepi V tempoglavjusempredstaviladaljinskozaznanepodatkeinostaleobstojecesisteme, ki sejihuporablja za opazovanje plovil na morju.Tehjevec,anedajejopopolneslikeo situaciji na morju.Uporaba satelitskihposnetkovjelahkovvelikopomocpri iskanjuplovil, splohtistih, ki izklopijonapraveza sledenjeali pasodejanskoneopazna. Kersevdoktorskinalogiukvarjamzobdelavoopticnih posnetkov, detajlnejepredstavimnjihov princip delovanja.Vednovecještevilodostopnihopticnih senzorjev ponuja posnetke v razlicnihprostorskih, casovnih, spektralnihin radiometricnihlocljivostih. Nakoncupoglavja poskušampredstavitiprobleme,kijih odpira tehnologija za opazovanje cloveških dejavnosti,inzadržke, s katerimi sem seobcasno srecevalapri predstavljanju svojenalogedrugimznanstvenikomoziroma ljudem iz drugih strok, ki so jim zmogljivosti daljinskega zaznavanja manj poznane. »Ta stran je namenoma prazna« ZAZNAVANJE MAJHNIHPLOVIL Z OPTICNIHSATELITSKIHPOSNETKOV Namenpoglavjajepredstavitikorakevsamodejnemalgoritmuzaznavanjaplovilinobenempregledati obstojece metode za zaznavanje ladijz opticnih satelitskih posnetkov.To poglavje je razdeljeno na dva dela.Vprvem podpoglavju predstavimnajpomembnejše sklope lastnega algoritma za zaznavanje plovil, pozneje pa še možnostzdruževanja opticnih satelitskih posnetkov z drugimiviri. Obseženpregledobstojeceliterature,kiseukvarjazzaznavoplovilzopticnihsatelitskihposnetkov(do julija2017jebilo na to tematiko dostopnih okoli120 strokovnih clankov),smos soavtorjiopisali v preglednem clanku, objavljenem v reviji RemoteSensing of Environment (glej Kanjir et al., 2018). Cepravjepredvsemvzadnjihletihvliteraturizaznatiobilicoposkusovza samodejno zaznavanja plovil z opticnih satelitskih posnetkov (npr.Corbane et al., 2010; Liu et al., 2014; Tang et al., 2015; Zhu et al., 2010) –tokaže,da je tematikazelo aktualna–, ševednovelikovecraziskavnatotemotemelji na podatkih SAR(Greidanus,2005). Zaenkrat so se samoTopputo et al. (2015)ukvarjaliz zaznavo plovil z opticnih satelitskih posnetkov izkljucno za potrebe migracij. 4.1 Zaznavanjeobjektovzopticnihsatelitskih posnetkov Zaznavanje objektov sposnetkovje enaizmed najbolj razširjenihin obenem zahtevnihtempri raziskavah vznanosti daljinskegazaznavanja. Številneprimere samodejnezaznavemajhnihobjektov lahkonajdemonapodrocjugeoznanosti, geografije,prostorskega nacrtovanja, nadzora infrastrukture, inženiringa itn. (Marshburn et al., 2009). Povpraševanje po samodejnih metodah poganja obilica satelitskih senzorjev in vsakodnevno pridobivanje terabajtov podatkov z razlicnimi prostorskimi, spektralnimi, radiometricnimi in casovnimi locljivostmi (Hay et al., 2005). Problem zaznavanja plovil z opticnih satelitskih posnetkovje mogoce obravnavati kot dokaj enostavno odkrivanje svetlih objektov stemnejšega ozadja (morje)(primer slika5). Resnicajesevedavelikobolj zapletena –objekti so lahko temnejši, na morju so lahko hkratištevilnidrugiobjekti,kijih lahko napacno zaznamo kotplovila. Samodejno zaznavanje plovil v skorajrealnem casu (to pomeni, da posnetek obdelamo takoj,ko je na voljo)je kljucna tocka prirazlicnih pomorskih misijah in ima široko paleto aplikacij. Rezultati so uporabni pri pomorskem prometu, za identifikacijo (tj. ugotavljanje identitet plovil) onesnaževalcevnamorju, nedovoljenega ribolovainmigracij (nereguliranopreckanje meja),pripomorskivarnosti,nadzorupomorskihmejaitn. Slika5. DelmestaCascais(Portugalska),zajetoktobra2011zopticnim senzorjem Geoeye-1,prostorskelocljivosti1.65 m,prikazan vkompozituRGB.S slikeje razvidno,dajeplovila relativnolahko zaznati s posnetkatakrat, kadar na njemnioblakovalivalov,karnakazuje,da jihjemogocezaznatissamodejnimipristopi. Figure5. DetailofaGeoEye-1 opticalimageofCascais(Portugal),acquiredinOctober 2011,witha spatialresolution of1.65 m(RGBcomposite).Thisimageshowsthat vessels can be visually easily recognised from the image when there areno clouds orwavespresent,whichimpliesthatthey canalso berecognisedby automaticprocessing methods. V literaturiobstajatadvapojma,kioznacujetaumetneobjektenamorskipovršini:»ladja« in »plovilo«. Ceprav vecina avtorjev uporabljaizraz »ladja«,jeizraz »plovilo«boljustrezen zaradiširšegapomena, sajzajema razne objekte na morju vseh velikosti(vkljucno z zelo majhnimicolni, kanujiitn.),kottudi neobicajne plavajoce objekte (npr.pomole).Vdisertacijibomzato v veciniuporabljala izraz plovilo. Celotenpostopekzaznavanjaploviljesestavljeniztrehglavnihzaporednihkorakov: 1. zaznavanje plovil(iskanje kandidatov na posnetku in njihovo lociranje), 2. klasifikacija plovil (locevanjezaznanihobjektov –plovila in drugiobjektina morju –, šelenato razvršcanje v pripadajoci razred (npr. plovila za ribolov, tanker, tovorna plovila itn.), 3. identifikacija plovil (vzpostavitev identitete plovil, v katero spadajo podatki o številki Mednarodnepomorske organizacijeIMO,identifikatorplovila vpomorskikomunikaciji(ang. Maritime MobileServiceIdentity, MMSI), ime ladje itn.) Zadnjega koraka, identifikacije, ni mogoceizvesti zuporabo satelitskihposnetkovinzatoneboopisan v tejdisertaciji.Navkljub optimisticnimtrditvam nekaterih avtorjev (Heiselberg (2016), na primer, predlaga, da bo spektralna knjižnica ladijskih podpisov omogocila identifikacijo plovil z multispektralnimi posnetki senzorja Sentinel-2), ni zaenkrat nobene objavljene študije o tem. Pravzaprav sije zelotežkopredstavljati, dalahkospektralni ali drugi podpisi vopticnih posnetkih enotno identificirajo na stotine tisoc plovil,ki obstajajo na svetu.18 S satelitskim opazovanjembilahko dolociliidentiteto ladij le v primeru, ce imamo a priori znanih nekaj osnovnihpodatkov o plovilu. Za lažje razumevanje poteka samodejnega zaznavanja plovil s satelitskih posnetkov sem razdelila obdelavo v nekajosnovnih korakov,kise najpogosteje pojavljajotudi vtovrstni strokovni literaturi. Glavnekorakepostopkazaznavanjaladij zopticnih satelitskihposnetkovprikazuje slika6. Vprvem koraku s posnetkaizlocimokopno, ki ga izlocimoiznadaljnjeobdelave. Poznejeizposnetkaodstranimo vplive okolja (npr. oblake, valove, odbojsonca na morju).Najpomembnejšidelprocesa je zaznavanje kandidatov plovil,kjers posnetka pridobimo objekte(segmente), ki predstavljajopotencialnaplovila. Zaznane kandidatev naslednjemkoraku locimomedplovilainneplovila. Locevanje je lahko nadgrajeno s klasifikacijo, kjer soplovila razdeljenav razredegledenanjihovelastnosti. Pridobljene rezultatena koncu še ovrednotimo. Vsak od omenjenih korakov je v nadaljevanju podrobneje predstavljen. Slika6. Posplošena shema poteka zaznavanja plovil z opticnih satelitskih posnetkov. Figure6. A common scheme of vesseldetectionworkflowfromopticalsatelliteimages. 4.1.1 Locevanjekopnegainmorja Natancnolocevanjekopnegainmorja(imenovanotudi maskiranjekopnega)jepomembenkorakpri zaznavanju plovil. Postopek ni pomemben le za natancno in pravilno odkrivanje plovil v obmocju pristanišc (Willhauck et al., 2005), ampak je kljucnega pomena tudi zato, ker lahko algoritmi za zaznavanje plovil,kadarso uporabljeni na kopnem,proizvedejo veliko število lažnih alarmov(Corbane 18 Samosvetovnatrgovskaflotajeleta2015štelaveckot87.000plovil(EMSA,2015). et al., 2008b). Locevanje kopnega in morja v grobem delimo na dva pristopa: uporaba že izdelane maske kopnega v algoritemalilocevanje kopnega od morja z algoritmom na podlagispektralnih vrednosti neposredno s posnetka. Obalnocrto,tj.linija,kilocikopenskepovršineod morja ali oceana (Lavalle et al., 2011) je mogoce uvozitikot že obstojecisloj geografsko informacijskih sistemov (GIS).Najpogosteje uporabljen nabor podatkov je brezplacnodostopna svetovna baza obal,kije kombinacija podatkovne baze svetovne banke (ang.WorldDatabaseBank -WDB)insvetovnevektorskebazeobrežij(ang. WorldVectorsShorelines -WVS).Podatkisozdruženivsamostojnosvetovnoskladnopodatkovnozbirkoobal(ang. Global Self-consistent Hierarchical, High-resolution Shoreline -GSHHS), ki je na voljo brezplacno (NOAA, 2017)19. Drugaprostodostopna svetovnamaskavodaje tista, ki uporabljaSRTM(ang. Shuttle Radar Topography Mission) inSRTMvodnih teles (ang. SRTMWaterBody Data -SWBD),v katerinajdemo nabor podatkov za obale med zemljepisno širino ±60°, z locljivostjo okoli30 m.Uporaba omenjenih baz zagotavlja hiterin enostaven postopek zaznavanja obale,vendarpa je njihova uporaba pomanjkljiva. Obalnalinijavtehbazahobsegale trenutni zajemvodnihteles povsemsvetu, zatomaskenekažejo njihovega dinamicnega obnašanja (Fichtelmann in Borg, 2012).Prav tako je locljivostteh mask nizka, zato je posledicno veliko podrobnostina obaliizpušcenih (npr.pomolialipolotoki),zaradicesarje obala precej robustno predstavljena (Buck et al., 2008).Taproblemješetolikobolj opazenpridelu z VHR posnetki. Nekatereodomenjenihnapakjemogoceodpraviti rocno, vendar jetozelozamudenpostopek. Postopki, ki vkljucujejo locitev morja in kopnega na podlagi posnetka, se zdijo bolj prirocni, saj opredelijo tocno tisto obalno linijo, ki jezajetanaposnetku(odvisnoodcasapridobitve satelitskega posnetka), in se lahko obicajno izvedejo samodejno. Locevanjekopneganapodlagi spektralnih vrednosti neposrednos posnetkanajpogostejeizvajamoz enostavnosegmentacijona histogramu.Voda ima namrec v infrardecem kanalunizek odbojinjojezato relativnolahko dolociti. Gledenapraghistograma, ki gaizracunamo, posnetek razdelimonavodnein ostale površine. Tametodajepreprostainhitra, zlasti, cevisokolocljive posnetke prevzorcimona manjšolocljivost (ang. downsample), dazmanjšamo racunskeobremenitve. Pri omenjenempostopku lahkovseeno pride do napak.Na primer, deli kopnegalahkoostanejoizvenmaske, lahkopatudi po pomotiodstranimo plovila z nizko intenzivnostjo.Te napake je mogoce popraviti sfiltriranjemin/ali glajenjemposnetkov.Natancnostsegmentacijevpliva na tocnostzaznavanja plovil. 4.1.2 Odstranjevanjealizmanjševanjeokoljskihvplivov Prisotnost okoljskih dejavnikov na opticnih posnetkih je nezaželena, ampak v splošnem neizogibna predvsemprizaznavanju plovil,kiso oddaljena od obale.Glavniokoljskidejavniki,kibistveno vplivajo na tocnost zaznavanjaplovil, sovalovanje, oblaki insoncevodsev v vodi(ang. sunglint). Vplivi okolja 19 Predkratkim sejepreimenovala vGSHHG(ang. Global Self-consistent, Hierarchical, High-resolution Geography Database). –šeposebej, cejihjeveliko –lahkootežijozaznavanjeplovil invplivajonatocnost zaznavanja. Yang et al. (2014)so, naprimer, testirali delovanjealgoritma za zaznavanje plovilna razlicnih tipihmorske gladine (mirno,rahlo vzvalovano in razburkano morje)in pokazali, da je natancnost zaznavanja na posnetkihz mirnimmorjemdrasticno boljša,kottamkjerso prisotnivalovi. Ker jev literaturi mogoce opaziti, da odstranjevanje okoljskih vplivov uporabljajo le redki ali kerje njihovo odstranjevanje lahko integrirano v sam korak zaznave plovil,je ta korak na sliki6 prikazan kot opcijski.Predvidevam, da z vecino algoritmov, ki so do zdaj razviti, ne bi pridobili zadovoljivih rezultatov na posnetkih s kompleksno morsko površino alitamkjer okoljskivplivi znatno kvarijo posnetek.Pomen stanja morske površine prialgoritmih zaznavanja plovilsta poudarila Guang et al. (2011) inYanget al. (2014). Nekaj primerov odstranjevanja okoljskih vplivov je opisanih v naslednjih podpoglavjih. 4.1.2.1 Valovi Valoviimajorazlicnedolžine,višineinsmeri,oblikujejopalahkorazlicnevzorce. Valovi ustvarjajo razlikevvrednostihpikslov na opticnemposnetku zaradi dveh ucinkov:a)valovita pobocja odbijajo razlicnekolicine soncne svetlobeinb) lomljeni valovi ustvarjajo svetlepenenapovršju. Mirnomorje jeracunskoidealno, saj lahkoplovila odkrijemo z visoko natancnostjo ne gledenanjihovovelikost. Algoritemzazaznavanjeplovil,kidelujebrezhibnonamirnemmorju,dajepopolnomarazlicnerezultate v primeru razburkane morske gladine,še posebej kadar zaznavamo majhna plovila (Kanjir et al., 2018). Gladinamorjaselahkospreminjabodisi zaradi majhnih, razburkanihvalov, ki jihpovzrocaveter in katerih valovna dolžina znaša le nekaj decimetrov, ali zaradi grobih,izbocenih ali vbocenih valov, katerih valovna dolžina lahko šteje nekajsto metrov.Tiso lahko pokritiše skapilarnimivalovi valovnih dolžin nekaj centimetrov,kijih ustvarja veterin so kratkega obstoja ter povzrocijo »hrapavost« na morskigladini.Prisotnostpredvsem razpenjenih valovlahkopredstavlja problem, saj sospektralne vrednostitakihvalov nasprotne povprecnimvrednostimpikslov vode.Intenziteta majhnih valov je po navadisorazmerna hitrostivetra in stanju morske gladine; karpomeni, da je privisokih hitrostih vetra inkompleksnejši morski gladini težezanesljivozaznati vsaplovilainohraniti nizko številonapacno zaznanih plovil(Dekker et al., 2013). Pravtako sedrasticnopovecacas obdelavezaradi številnih kandidatov, ki bi v fazi locevanja lahko predstavljali plovila. Kot taki lahko algoritmi v delovnih razmerahpostanejoneucinkoviti inneuporabni(Jubelin in Khenchaf, 2014).Najpogosteje so lažni alarmi,kijih povzrocijo valovi,odstranjeniv fazilocevanja (Corbane et al., 2010; Ding et al., 2012; Guang et al., 2011; Zhu et al., 2010). Opozoritije treba,da sepri obravnavanjuheterogene morskepovršine(prisotnost valov)lahkocas racunanja obdelave drasticno poveca (Tang et al., 2015). 4.1.2.2 Oblaki Kot velja za vecino aplikacij z opticnih satelitskih posnetkov, oblaki negativno vplivajo tudi na samodejnozaznavanjeplovil, zatojepomembno, dajihizlocimos posnetka. Majhni, izolirani oblaki so lahkonaposnetkuvideti kot potencialnaplovila, ki jihjemogocevfazi klasifikacije sicer odstraniti, medtem kopopolnaoblacnost zakrijeobmocje,kiga nameravamo analizirati(slika7). Pomisleki, da opticnisatelitskisistemi ne delujejo ravno v casu, ko soplovila nanajhujšihpreizkušnjah(npr. vcasu nevihte),so upraviceni.Pri tem ne smemo pozabiti,da je razpoložljivostpoložajev plovil v urah ali dnevih pred incidentom ali po njem še vedno pomembna za zmanjševanje negotovosti na morju (Bannister in Neyland, 2015). Slika7. Detajlposnetka WorldView-2 sprostorsko locljivostjo 1,8 mprikazujeRGBkompozit zahodnega dela otoka Lampeduza(Italija), zajetega septembra2013.S slikeje razvidno,da oblaki onemogocajo zaznavoplovilkadar prekrivajovecino posnetka. Figure7. DetailofaWorldView-2 imagewitha spatialresolutionof1,8 mof theWesternregionof Lampedusa(Italy), acquiredinSeptember 2013 (RGB composite).Thisimageillustratesthedifficulty ofdetecting vesselswhenmuchof thesceneisobscuredbyclouds. Tehnike iskanja praga histograma na posnetku so pri odstranjevanju oblakov z daljinsko zaznanih posnetkov najpogosteje uporabljena metoda,sajimajo oblakivisoke spektralne vrednostiin so zato relativnoenostavni zaodkrivanje. Vec netocnosti prinašajomeglice, saj lahkozlasti medklasifikacijo vplivajo na spektralne lastnostobjektov na površju in spreminjajo njihov dejanskispektralni podpis.Z odstranjevanjemmeglic s posnetkov pri zaznavanju plovil so se ukvarjali Buck et al. (2007). 4.1.2.3 Soncev odboj Cesonamorskigladiniprisotnivalovi,sesoncna svetloba odbija od njihovih pobocijglede na relativni položajmed senzorjem, geometrijo valov in azimutomter zenitom Sonca (de Michele et al., 2012) v zelo razlicne smeri. Cesetakoodbitasvetlobaodbijevsmersenzorja,tazaznasoncevodboj.Ce so valovidaljšiod locljivostisenzorja, povzrocijo visok kontrast na satelitskemposnetku, saj sonekatera lokalnaobmocjavalovv smeri, ki odbijajoSonce, drugapane. Vprimerih, kojevalovitost morjana manjših obmocjih nizka(od centimetradovelikostilocljivosti senzorja),so ti kontrastiše posebej izraziti, medtemkosopri vecjemvalovanjuvodeintorej šibkejših, adolgihvalovih, velikemorske površine enakomerno zelo svetle.Prisotnostsoncevega odboja alivisoke odbojnostina dolocenih delih posnetkavpliva na napacno zaznavo objektov.Vtakih primerih je objekte na posnetkutežkolociti od ozadja celo sprostim ocesom. Soncev odbojso raziskovalci vglavnemodstranjevali pri odkrivanju razlitjanafte(Grimaldi et al., 2011; Hu, 2011; Liu et al., 2011). Pri detekciji ladij zopticnihposnetkov ni nobene raziskave,kibise neposredno ukvarjala z omenjenimfenomenom.Že kratek pregled posnetkov vpregledovalnikuGoogleEarthdokazuje,dajetoprecejpogostucineknaposnetkihmorskih površin. Soncevodbojnima samo negativnegavpliva, saj lahkopomagarazkrivati kompleksnevzorce valov, na katere vplivataobala in morsko dno,karpa nifokusteraziskave. 4.1.3 Zaznavanjekandidatovplovil Kosposnetkasamodejnoodstranimokopnoinvpliveokolja,moramouporabitiprimerenalgoritemza zaznavanje plovil.Glavniciljmetod zaznavanja plovilje uspešno izlocevanje pikslov, ki predstavljajo možna plovila. Študije kažejo na širok spekter razvitih tehnik in pristopov za izolacijo plovil s posnetkov.Metode je težko razvrstiti v le nekajskupin,še posebej,kerso predlaganipristopi navadno sestavljeni iz številnihsklopov, ki si prizadevajozmanjšati racunski cas in/ali številolažnihalarmov. Metodezaznavanjaplovil zopticnihposnetkovsemgledenaprincipdelovanjarazdelila v osemskupin, kiso na kratko omenjene v spodnjemodstavku (za podrobnostio razdelitvimetod za zaznavanje plovil glejKanjir et al. (2018)). Najpogostejeuporabljenetehnikezazaznavoplovil temeljijonatem, da soplovila svetlejšaod svoje neposredne okolice in zato prinjihovi zaznavi uporabljajo lokalni kontrast(Harvey et al., 2010). Klasicna in pogosto uporabljena metoda na podlagi dolocevanja pragu (ang. threshold-based methods) lociposnetek na podlagivrednostiizracunanegapragu na dva razreda, ospredjeinozadje.Te metodesoprimernepredvsem vsituacijah,vkaterihjemorskagladinanaposnetkugladka aliko je med plovilomin morjemvisok kontrast. Metode na podlagiizstopanja (ang. salient-based methods) so pristopi, ki na podlagi lokalnih znacilnosti in njihovih interakcij v prostoru na celotnem posnetku zaznavajo izstopajoce regije, ki predstavljajo možno plovilo. Te metode dajejo dobre rezultate na heterogenimorskipovršini,kadarpa je na posnetkuprevec razpenjenih valov,se lahko pojavipovišano številolažnihalarmov. Nekateri avtorji soizkoristili razlicneznacilnosti plovil inmorjain so razvili metodenapodlagioblikeinteksture, vkatere so vkljucilitudinjihove spektralne lastnosti.Te metode so robustne in dajejo relativno visoke natancnosti prepoznavanja, ceprav so lažni alarmi (valovi, razburkanost) ševednoprisotni. Razlicne statisticne metode lahkopomagajopri odkrivanju tarcna morjus specificnim statisticnimobnašanjemplovil inne-plovilna posnetku. Temetodedajejonavadno rezultate zelohitro, ampakobenemzahtevajo obsežno znanjeoperaterja. Nadaljepoznamo metodena podlagi transformacij (ang. transform-domain methods) zazaznavanjeplovil. Temetodeuspešno oslabijo vplive spreminjajocih se intenzitet na morski površini,a so omejene pri obdelavirazlicnih kompleksnih morskih gladin in svetlih tertemnih plovilih.Priteh metodah navadno kombiniramo tudi morfološkafiltriranja,saj setakoplovilalaželocijood ostalega šuma na razburkanimorskigladini. Plovila lahko zaznamo tudi z metodami zaznavanja anomalij (ang. anomaly detection methods); pri tehmetodahsoplovilaprikazanakot nepravilnostina gladiniin jih je zatorejmogoce odkritiz analizo normalnih komponent na morskigladini.Te metode so robustne, kadarje morje zelo razburkano ali zaznavanje poteka v neobicajnih razmerah (npr.ko so plovila temna),vendardajejo slabše rezultate, ko zaznavamo plovila,kiso blizu obale.Pri metodahracunalniškegavida (ang.computervision methods) racunalniki posnemajocloveški vid. Te seprekrivajoznekaterimi ustreznimi tehnikami vdaljinskem zaznavanju, kar pomeni, da so osnovne tehnike,kijihuporabljajoin razvijajona tehpodrocjih, bolj ali manjenake.Temetodeimajovisokozmogljivostinzagotavljajodobroocenodolžinplovil,obenem od operaterja zahtevajo obsežnoznanje.Za potrebe ucnih vzorcev,kiso temeljnidelteh pristopov,soLiu et al. (2017) zbralipodatkovniniz referencnih podatkov za prepoznavanje plovilHRSC2016 (zbirka ladij visoke locljivosti, ang. HighResolutionShipColection). Tabazapomagapri samodejnemucnem pristopu za prepoznavanje plovilin je sestavljena iz javnodostopnihposnetkovvisokelocljivosti za plovila na morju ter v priobalnem pasu.Modeliplovil so organizirani v drevesno strukturo,kije sestavljenaiz treh ravni (razred, kategorijainvrsta). Vtej bazi obstajaskoraj 3000 vzorcevzaskupaj vec kot 25 razredov plovil.Zadnja kategorija zaznavanja plovil, metodeglobokih nevronskih mrež (ang.deep learning methods), uporabljavecplastnenevronskemrežeinprilagajaucinkovitost metodez ucenjemalgoritmov iz ucnih vzorcev.Pritempristopu nitreba eksplicitno definiratiobjektnih znacilk, saj se slikovni podatki hranijoneposrednovumetnonevronskomrežo. Tametodajezeloucinkovita, a je za njeno dobro delovanje treba zbrati veliko število ucnih vzorcev, saj so sicer objekti napacno razvršceni,ce niso dobro zastopanimed ucnimivzorci. Plovila terozadje na posnetku (vsipiksli, ki nepredstavljajoplovil) solahkonaposnetkupredstavljeni z raznoliko intenzivnostjo, zato je prilocevanju lahko vecja bitna globina zelo koristna.Vpraksi se lahkointenzivnost istegaplovilaspreminjaodposnetkado posnetka, plovilasolahkotemnejšakot ozadje,ali pa je morjevrazlicnih stanjih, kar jeodvisnood vetra, valovanjainpogojev snemanja. Nekatereladjesonaposnetkihsvetlejšeodsvojihsosednjih regij,obenemse lahko druga plovila v istih kanalih prikazujejo temnejše od ozadja. Prav tako imajo razlicni deli istih plovil lahko razlicno intenziteto, ki jelahkoposledicarazlicnihkotovgledanjanaposnetku, oziromasvetlobnih razmer (Ding et al., 2012). Prostorska locljivostsatelitskih posnetkov vpliva na najmanjšo velikostplovil,kijo sposnetkov še lahko zaznamo.Kadar,naprimer,zazaznavanjeploviluporabljamoposnetke z locljivostjo 5 m,nismiselno pricakovati, dabomoodkrili plovila, manjšaod20m(Tang et al., 2015). Kot ugotavljajoTopputo et al. (2016), selahko rezultati zaznavanjaplovil poslabšajo, ko seprostorskalocljivost zmanjša, šeposebej nimogoce natancno oceniti dolžine plovil.Plovila,manjša od 10 metrov,je še mogoce zaznati s posnetkovobstojecih satelitskih senzorjev, vendarje njihova klasifikacija skoraj nemogoca (Greidanus in Kourti, 2006). 4.1.4 Locevanje plovil Ciljlocevanja je prepoznati»resnicna« plovila med vsemisamodejno zaznanimikandidati,tj.odstraniti lažnealarmeiznaboraodkritihplovil izprejšnjegakoraka. Rezultati locevanja soobjekti dveh vrst: plovila in objekti,kiniso plovila (lažnialarmi).Zaznaniobjekti,kiniso plovila so lahko oblaki, razpenjeni valovi, otoki ali ostalemajhne regije, ki lahkospominjajonaladjein sonapacnoostalev maskikopnega.Cepravnajbibilolocevanje med zaznanimikandidati nedvoumno,jevcasihlažne alarme, ki imajopodobno obliko indimenzijekot ladje, vseeno nemogoce odstraniti (Bi et al., 2010). Cesealgoritemkoncavtemdelu, sokoncnirezultatizaznavanjaplovilzopticnihposnetkovizolirani, še ne klasificirani objekti plovil. Vecinaavtorjevuporabljalocevanje, ki temelji napreprostihgeometrijskihznacilnostihobjektovali njihovih kombinacij(npr.dolžina in širina plovil,njihova površina,razmerje med dolžino in širino)ali spektralnih podpisov zaznanih objektov. Kot ugotavljajo Liu et al. (2017), je vecino ladij, katerih razmerjemeddolžinoin širinosegibljeod3,0do7,2, mogocepravilnoidentificirati negledenanjihovo velikost. Sama sem postopek locevanja vkljucila kar v modul zaznavanja plovil,kjerizlocujemmanj verjetne segmentenapodlagi parametrov,kinajbi ustrezali segmentomplovil(npr.premajhna aliprevelika površina ladij).Delno to opravimmed samo klasifikacijo,kjerne-plovila izlocimna podlagikombinacij njihovih atributnih lastnosti,karbo podrobneje opisano v naslednjem podpoglavju. Dejanskojenemogocedolociti,kateripristopjenajboljšizalocevanjeplovilnavsehsenzorjihinvvseh razmerah. Glede na to, da imamo opraviti z opticnimi podatki, je najboljša izbira ta, da locimo zaznane objekte na podlagi kombinacij njihovih geometrijskih, spektralnih in teksturnih lastnosti. 4.1.5 Klasifikacija Glavni namenklasifikacijeje razvrstiti vse zaznane objekte v specificne razredeplovil napodlagi njihovih znacilnosti.Razrediso odvisni od tega, kaj želimo in kajje sploh mogocesklasifikacijo. Razredisolahkodolocenipreprosto napodlagivelikostiobjektov(npr.klasifikacija v majhna, srednja invelikaplovila) ali jihjemogocepodrobnoopredeliti in razlikovati gledenanjihovnamen, npr. na ribiškaplovila, tovornaplovila,tankerje,križarke,jahte,vlacilce,pomožne colne itn.Zaradi podobnosti postopkov je vcasih nemogoce potegnitijasno crto med dihotomnimlocevanjem, navedenim v prejšnjempoglavju,in klasifikacijo.Med detekcijo plovil zaznanimobjektomsamodejno pripišemo veliko atributov,kijih je mogoce uporabitiza klasifikacijo (glejpoglavje 4.1.3). Koristni parametri pri klasifikacijiplovil so lahko, na primer,prostorske lastnosti(velikostobjekta,razmerje med njegovo dolžino in širino,elipsoidnostobjekta itn.)alispektralne znacilnostiobjektov.Že z enostavno analizo, prikateri se opiramo na obliko zaznanega objekta,lahko odpravimo karnekajlažnih alarmov (npr. oblaki,deliobale,velikiotokialivalovi).Prav tako so za boljšo klasifikacijo primernimultispektralni posnetki,sajlahko izkorišcajo spektralne podpise,kiso enkratna lastnostplovil(Daniel et al., 2013). Zhu et al. (2010)sodokazali, dastarazdelitevvpodrazredeinhierarhicnaklasifikacijazelokoristnaza doseganje dobre klasifikacije plovil,terda je uporaba vecatributov segmentov hkratikoristnejša za pravilnejšo klasifikacijo plovil. Poznamo razlicne metode strojnega ucenja, ki samodejno klasificirajo zaznane objekte v razlicne razrede plovil. Najbolj pogosta metoda, uporabljena za klasifikacijo plovil, je metoda SVM (ang. SupportVectorMachine), ki jemetodanadzorovaneklasifikacije. Tapristop daje dobre rezultate na posnetkih z»idealnimi«razmerami. Vprimeru zapletenih okoljskih vplivov pa imajo SVMin druge tradicionalnetehnike, veliko slabšouspešnost zaznavekot naprednejšetehnike(Tang et al., 2015). Za klasifikacijo plovil so v rabi tudi nevronske mreže. Corbane et al. (2008a)in Tang et al. (2015) so pokazali, da ti algoritmi delajo hitro in bolje generalizirajo objekte v primerjavi z ostalimi tradicionalnimi ucnimi algoritmi. Ostali klasifikatorji, ki jihpravtakouporabljajovštudijahzaznavanja ladij, so Bayesov klasifikator (Antelo et al., 2009), Random forest (Johansson, 2011), Fisherjev klasifikator(Zhang etal., 2012), dinamicnoverjetnostni generativni model (Guo et al., 2014) itn. Primer klasifikacije plovilna podlaginjihove velikostiprikazujeslika 8. Slika8. Primerklasifikacijeplovil napodlagi njihovih velikosti naposnetkuGeoEye-1.Slika prikazujedel otoka Lampeduza(Italija). Levo: vhodniposnetek. Sredina:klasificirani segmenti. Desno:klasificiranaplovila, oznacenas križcem.Majhnaplovilasoobjekti,kiimajodolžinomanjšood 20m,srednjamerijo med20in100m,velikasotista, kimerijoveckot100m.Slikaje nastalavokviru FP7projektaNEREIDS. Figure8. ExampleofvesselclassificationonaGeoEye-1 imageofLampedusa (Italy)basedonthevesselsize.Left:input image.Middle:classified segments. Right:classifiedtargetsmarkedwithcrosses. Small(red)vesselsrepresentdetected segments smallerthan20 m, medium(green)between20mand100 m, andbig(blue) vessels aretheones measuring morethan100m.TheimagewascreatedinthescopeoftheFP7projectNEREIDS. 4.1.6 Ocenakakovostizaznavanjaplovil Prizaznavanjuplovilna morju,nipomembno le,da plovila zaznamo,temvec tudi,da pridobimo dobre ocene tocnosti zaznave. Poskusi preverjanja sonavadnomanj uspešni zaradi pomanjkanja neodvisnih podatkov o položajihplovil,kibibilidostopniv casu snemanja satelitskega posnetka. Kljubtemujeza uporabnike podatkov,pridobljenih ssatelitskih posnetkov, pomembnovdani situaciji vedeti kakšenje odstotekplovil,kiso ostala nezaznana (Greidanus, 2005).Treba je tudi ugotoviti, katere so tiste znacilnosti,kivplivajo na to,da plovila ostanejo neodkrita,in kakšniso vzrokilažnih alarmov.Kotje zapisano v clanku Kanjir et al. (2018), nobena odanaliziranih tehnik iz preglednih strokovnih clankov o zaznavanju plovilnivseskoziboljša od drugih.Zato lahko trdimo,da nobena od tehnik ninajboljša za vse satelitske tipe in nobena obenemnajboljprimernaza posameznisatelitskisenzor. Tojepredvsem posledica razlicnih pristopov algoritmov,kiso bilirazvitiza specificne naloge (Greidanus,2005). Kotsemžeomenila,sonajvecjiizzivštevilnilažnialarmi,kisošeposebejizraziti,cejemorskagladina takokompleksna, dajenanjej prepoznavanjetežkoceloz vizualnimpregledom.V praksisolažnialarmi veliko pogostejšiproblemkotlažninegativi,tj., plovila, ki so izpušcena pri zaznavanju. Zaovrednotenjemetodzaznavesovrabinaslednjimere: !"!"#$ Š%.'()*+,-.0)0-) +h',.*+, Š%.(23-+c-.'.0+%+*-+h (1) !"%&'($ =Š%.-)')c-.0)0-)-+h',.*+,=Š%.,)ž-+h),)(6.*=Š%.-)')c-.'.0+%+*-+h (2) !" Š%.0)0-) +h',.*+, !"!"#$ +!"%&'($ (3) !# Š%.20)0-) +h',.*+, Š%.-)')c-.-28)%+*-+h (4) !" Š%."29)-3:+h',.*+, !"!"#$ +!# (5) Prav tako so v rabi naslednjemeres katerimi merimoucinkovitost zaznavanja plovil:razmerje zaznave (ang. detection ratio), razmerje zgrešenihplovil(ang. missingratio), razmerje napacno zaznanih plovil (ang. false ratio), tocnost in parametri napak (ang.errorfigure). Omenjenemere so definiranekot: *)!"#$ (6) ;)=<2(92%-.3%0)0-)*2==)062(920)0-)*2= *" (7) Razmerjezgrešenihplovil=!!#" =1-;) = !"!"#$(8) P.c-.3% !" = !"%&'($(9) =)062(92-)')c-.0)0-)-+h',.*+,!" =1-P.c-.3% ;)()62%(+-)'): =)062(92'.8(2š)-+h',.*+, (10) +=)062(92-)')c-.0)0-)-+h',.*+, Za pridobitev referencnih podatkov oziroma dejanskih položajev plovil in njihovih lastnosti so najveckratv rabi podatki,kiso rocno identificirani(glejBi et al., 2010; Corbane et al., 2010; Kanjir et al., 2014; Liu et al., 2014). Odlocitev za rocno identifikacijo je navadno posledica pomanjkanja razpoložljivihpodatkovAISali kakršnih kolidrugih referencnih podatkov za obravnavano obmocje. Študijo, v katerisoavtorji postavili testnetockenaplovilainzbrali terenskemeritve, soopravili Pegler et al. (2007). Še eno merilo,kije prav tako pomembno pri oceniprocesa zaznavanjaplovil,je casovna poraba, oziroma to, kako dolgo algoritempotrebuje za izvedbo celotnega postopka do koncnih rezultatov.S hitro rastoco velikostjo satelitskih posnetkov postaja casovna ucinkovitost algoritmov vedno bolj pomembna, kar posledicno prinaša tudi nove izzive pri zaznavanju plovil s posnetkov daljinskega zaznavanja (Zou in Shi, 2016).Hiterprocesnicasje še posebejpomemben za aplikacije,kispremljajo plovila v realnem casu in ko je treba rezultate dostavitihitro (npr. v primeru reševanja prebežnikov na morju).Cas,porabljenzaizracun,je mocnoodvisentudi od strojne opreme racunalnika. 4.2 Združevanjepodatkovrazlicnihsenzorjev Opticnisatelitskiposnetkiselahkouporabljajosamostojnoalikotedenizmedvecvirov za zaznavanje plovil.Za zanesljivejše odkrivanjeplovillahkoz metodo združevanja podatkov (ang. data fusion) pridobimo položaje plovil iz razlicnih virov naenkrat. Iz kombiniranih opazovanj visokolocljivih opticnih senzorjev najbipo Bannisterin Neyland (2015) v teorijipridobilivsak dan eno alivec fiksnih položajev velikih (=100 m)ladijin ene manjše ladje (˜ 20 m) vsakih 1 – 4 dni.Potencialniviri za združevanje,kidajejo najboljgotove in najpogostejše položajeplovilna morju,so že opisaniv poglavjih 3.2. in 3.3. V pomorstvu se najpogosteje uporablja združevanje s podatki AIS ali VMS, ki zagotavljajo tudi najpogostejša opazovanja plovilin kiso glavni nadzornisistemprinedovoljenemribolovu na morju. Prizdruževanju satelitskih podatkov in podatkov AIS/VMS interpoliramo aliekstrapoliramo položaje AIS/VMS pred zajetjem satelitskega posnetka ali po njem. Sistemi, kot so AIS/VMS, na splošno zagotavljajo potiplovil(tj. casovno serijozaznanihpoložajevplovil, ki jihmedsebojlahkopovežemo v trajektorijo plovbe), medtemko sistemi zaopazovanjeZemljedajejopoložajeplovilz enega samega posnetka (Dekker et al., 2013). Sslednjimije potek plovbe zato težepovezati, saj operiramozmanj podatki. Pri uporabi razlicnih prostorskih podatkov se lahko pojavijo položajne negotovosti, ki so posledica nenatancnega georeferenciranja, in ki lahko postanejo velike, kadar interpoliramo daljše intervale signalov AIS/VMS. Obstajajo tudi raziskave, kjerso znanstvenikizdruževaliopticne in SARposnetke (npr. Brekkeet al., 2008), a tu se srecamo s problemomcasazajema, saj snemanjezobema senzorjemani socasno. Ta problembiostajal,cetudibibila oba senzorja pritrjena na isto platformo,sajse širinapasupri opticnih satelitihnebi prekrivalas širinopasu satelitovSAR.Opticnisisteminamrec opazujejo Zemljookvirno v nadirju(od zgoraj navzdol), medtemkoradarski snemajopovršjevstran. Kot drugojetudi prehodni cas obeh sistemov drugacen.Opticni sistemipogostopreletavajoZemljinopovršinookoli10:30po lokalnemcasu, s cimer zajemajooptimalnoopticnoosvetlitevin statisticnomanjšooblacnost, medtem ko satelitiSARpreletavajo Zemljo ob 6.urizjutrajaliob 18.popoldne, saj jesnemanje v zori/mraku ugodnejše zaradi energetskega vidika.Tudi ce bi združilioba satelitska sistema,kibilahko opazovala zemeljsko površino pod približno istimivpadnimikotina isto platformo,bibila torej kvaliteta vsajenega od obeh posnetkov slabša kot vnjunihnormalnihpogojih. Prav takobi bil pri takemzdruževanju pomemben premislek glede izbire primernih radarskih valovnih dolžin in polarizacijprizdruževanju z opticnimiposnetki(Huang et al., 2010). Leomejennaborstrokovnihclankovpa obravnava združevanje opticnih in drugih virov (Dekker et al., 2013;Jubelin in Khenchaf, 2014). JubelininKhenchaf (2014)navajata, da bi uporaba razlicnih algoritmov za posameznisenzor posebej povzrocila dodatne stroškerazvoja, vzdrževanjaintežav priusposabljanju operaterjev;uporaba le enega univerzalnega algoritma biomejila te težave in olajšala združevanje omenjenih dveh tipov satelitskih posnetkov.Po mojemmnenju to ne drži.Menim,da bimoralioperativni sistemi uporabljati ustrezne algoritme za dolocene podatke,sajbi namenskialgoritmiza opticne in radarske podatke zagotovo dali boljše rezultate kot eden sam za vse podatke.Rezultati,kijih pridobimo iz opticnih in radarskih posnetkov, sovosnovi razlicni;tega zaenkratše ne preseže nobeden od razvitih algoritmov.Jubelinin Khenchaf(2014) staedinaavtorja, ki sta razvilaalgoritemzaodkrivanjeplovil, ki delujetakona opticnih kottudi na radarskih posnetkih vseh prostorskih locljivostih. V tej disertaciji sezzdruževanjemopticnihindrugihpodatkovnisemukvarjala, saj bi topresegalo obseg naloge. 4.3 Povzetekinsklepi V tempoglavjusemdetajlnejeopisalavse korake obdelave zaznavanja in klasifikacijeplovilz opticnih satelitskihposnetkov.Najprejjepredstavljenopislocevanjakopnegainmorjasposnetka. Natojeopisan del, kjer iz posnetka odstranimo okoljske vplive (npr. oblake, valove, soncev odboj). Sledi najpomembnejši del procesa -zaznavanje kandidatov plovil, kjer s posnetka pridobimo objekte, ki predstavljajo potencialna plovila. Te v naslednjem koraku locimo med plovila in neplovila oziroma jih primerno klasificiramo v razrede glede na njihove lastnosti. Pridobljene rezultate na koncu še ovrednotimo. V poglavju sledi opis združevanja opticnih in ostalih podatkovnih virov, ki bi lahko prispevalik boljšizaznaviplovil na morju.V vsakem podpoglavju je navedena tudi literatura, ki se ukvarja z obravnavano tematiko. OCENJEVANJEVPLIVOVNALOKALNOOKOLJE – ZAZNAVANJE SPREMEMB V BEGUNSKIHTABORIŠCIH V poglavjunajprejpredstavimuporabnostdaljinskegazaznavanjazaopazovanjebegunskihtaborišcin sprememb okolja kot posledico cloveškega vpliva. Pozneje predstavim uporabljeno metodologijo casovnih vrstin opišem, kako semdolocala vpliv na okolje na podlagiteh rezultatov. 5.1 Daljinskozaznavanjeinopazovanjebegunskihtaborišc Kartiranjeinopazovanjedinamikbegunskihtaborišcpovsemsvetuspodatkidaljinskega zaznavanja je razmeromaaktualna tema.Raziskave na to temo so opravljalinpr.Braun et al. (2019); Giada et al. (2003); Kemper inHeinzel (2014); Kranz et al. (2010); Quinn et al. (2018); Tiede et al. (2017). Z obdelavo satelitskih posnetkov lahko preucujemo naslednje neposredne ucinke,kispremljajo širjenje begunskih taborišc: -dinamiko taborišc, vkljucno s spremembami površine taborišca, njegovo strukturo in zgošcevanje njegovih delov.S podatkidaljinskega zaznavanja lahko pomagamo ocenitiskupno število ljudi, ki so prisotni v kampu; -vpliv begunskih taborišc na okolje. Na podlagi sprememb v lesnih virih ali kmetijskih dejavnostih lahko prispevamo k oceni narašcajocega pritiska na naravne vire; -izrabljanje lesa inmineralovvokolicitaborišc. Trajnostnoupravljanjeznaravnimi viri lahko prispeva k dolgorocnistabilizacijihitro priseljene regije. Kar nekaj strokovnjakov sejetudiže ukvarjalo z vplivombegunskih taborišc na okolje spodatki daljinskega zaznavanja (npr. Braun et al., 2016; Gorsevski et al., 2012; Hagenlocher et al., 2012; Kranz et al., 2010). Krcenje gozdov, dezertifikacija, degradacija tal, netrajnostno crpanje in onesnaženje podtalnice so pojavi,kijih lahko opazujemo v okolici begunskihtaborišc. Kot sougotoviliJohannessen et al. (2001), so satelitski senzorji s prostorskolocljivostjood10do30 m, npr. Landsat inSPOT, primerni za kartiranje okolic begunskih taborišc v merilu 1:40.000inmanj. Danes sejimpridružujejo tudi opazovanja,pridobljena ssenzorjem Sentinel-2.Znaštetimi senzorjilahko obravnavana obmocja opazujemo pogostoalicelo periodicnoter pridobivamozanesljiveinnajnovejšeinformacije, kar je kljucno za humanitarne organizacije. Po Braun et al. (2016) naj bisenaravni viri vcelotnemobmocju v begunskemtaborišcu Dadaab (Kenija)med letoma 1997 in 2014 zmanjšaliza skoraj12 %,prav tako senaj bi medletoma1972do2010povecalepovršinebegunskih taborišczaveckot 6km2, kar je velik vpliv in pritisk na okolje. Pogosti nacin za dolocanje kazalnikov dinamike ekosistemov je uporaba spektralnih vegetacijskih indeksov, ki sopovezani s fotosinteticnozmogljivostjo rastlin, kot naprimer NDVI (Myneni et al., 1995; Pettorelli et al., 2005; Potter et al., 2003), saj z njimi lahko zaznavamo sezonske in medletne spremembe. 5.2 Zaznavanjespremembzanalizamicasovnihvrst Zaznavanjespremembskozicassevdaljinskemzaznavanjuopravljanaposnetkihposnetihv razlicnih casovnih intervalih,karje bistvenega pomena za ustrezno razumevanje sprememb in smeri staticnih dogodkov. Pri tem je pomembna izbira primernih arhivskih posnetkov, da zajamemo kljucne spremembevcasu. Glavneomejitvepri izbiri takemetodologije so napake,kise lahko pojavijo na posnetkih(npr. šumnaposnetkih, oblacnost) ter dinamicnovedenjevegetacijevdaljšemcasovnem obdobju.Kadarzaznavamospremembeizsamodvehcasovnihobdobij,tvegamo, datrenutnefenološke spremembe zaznavamo kotdejanske spremembe površja (DeVries et al., 2015). Kersateliti zaopazovanjeZemljezajemajo posnetke z visoko casovno locljivostjo in ker posledicno omogocajo velike zbirke podatkov,je smiselno razvoj zemeljskega površja preucevati v daljšem casovnem obdobju, upoštevaje veliko število posnetkov. Takšno obilico posnetkov na omenjenem podrocju imenujemo casovna vrsta. Njenaprednostje, da lahko spremljamodinamikepovršinv dolocenem obdobju. Analiza casovnih vrst po navadi ni mogoca, ce je število razpoložljivih podatkovnih nizov premajhno za obravnavano obmocje (Verbesselt et al., 2012a). Frekvenca, s katero soposnetki zajeti, bi moralabiti sorazmernazdinamikosituacije(npr. širjenjeurbanih obmocijzahteva gostejše posnetke kotrecimo opazovanjespremembetokareke)(Lang et al., 2015), kar sevedavpraksi ni vedno možno. Osnovniprincipanalize casovnih vrstje, da preucujemo kopico vseh satelitskih posnetkov oziroma indeksov, ki jihiznjihizracunamo,skozi cas. Sekvenca satelitskihposnetkovzdolocenocasovno frekvencoomogoca, da sestavimocasovnovrstozadolocenpiksel v prostoru, karprikazuje slika9. Položajpiksla predstavljadolocenoobmocjena rastrskemposnetku, morabitiprostorsko skladenin imeti enako prostorsko razsežnost v vsakem posnetku casovne vrste, za kar poskrbimo v fazi predobdelave posnetkov. Z izvedbo analize casovne vrste želimo ugotoviti oziroma zaznati trend opazovanega pojava (rast, upadanje alistagnacija)in identificirati sezonske, postopneali nenadne spremembe. Slika9. Analizacasovnihvrst.Povzetopo:Stephan(2015). Figure9. Time-series analysis.Summarisedfrom:Stephan(2015). Ocenjevanjesprememb scasovnimi vrstami nipreprosto,saj so na posnetkih prisotne kombinacije sprememb, ki prikazujejo periodicnost, ciklicnost, zacasnost ali nakljucnost sprememb, predvsem vegetacijskega pokrova.Spremembe v grobem delimo v trirazrede (Verbesselt et al., 2010): a) sezonske spremembe, ki soposledica spremembletnih temperatur in padavin, ki vplivajo na fenologijo rastlin. Pomembnojepoudariti, dase sezonskost lahkorazlikujeodletadoleta, zato jepomembnougotoviti, kaj sonaravni inkajantropogenivpliviv dolocenemcasovnem obdobju (Dutrieux et al., 2015a); b) postopne spremembe, kotso medletne spremembe podnebja (npr.trendi v povprecnih letnih padavinah)alipostopne spremembe priupravljanju z zemljišcialipridegradacijizemljišc,ter c) nenadne spremembe, kijih povzrocajo motnje, kot so na primer poseke, naravne nesrece, urbanizacija, poplave alipožari. Zaznavanje sprememb vtemprimeru ni omejeno samo naiskanje sprememb vegetacijskihprocesov, ampak na skupek okoljskih dinamicnih procesov.Prianalizisem pozorna predvsem na tiste spremembe, kiso lahko posledica povecanega števila prebivalcev v obravnavanih begunskih taborišcih.To so lahko nenadne ter postopne spremembe, oboje posledica cloveških dejavnosti v kratkem oziroma relativno kratkem casu. Razvitihjemnogorazlicnihpristopovanalizcasovnih vrstizpodatkovdaljinskegazaznavanja. V disertaciji semzaanalizoobsegainvrst spremembnabegunskih taborišcihizbralametodologijoBFAST Monitor, kijodetajlnejepredstavljamvnaslednjempodpoglavju. Z omenjenometodojebilonamrec mogoceocenitiverjetnevplivenaokoljenalokalniinregionalniravni. 5.2.1 Metodologijacasovnihvrst(BFASTMonitor) Metoda Breaks For AdditiveSeasonandTrendMonitor(BFAST Monitor)(Verbesselt et al., 2012b) je bila primarno razvita in se tudinajveckratuporablja za odkrivanje sprememb vegetacijskega pokrova na podatkih Landsatin MODIS (ang. Moderate Resolution Imaging Spectrometer). Obenem ni specificnazanekodolocenovrstosatelitskih podatkovinnije potrebno omejiti na doloceno casovno obdobje.BFASTMonitorje nadgrajena verzija algoritma BFAST(Verbesselt et al., 2010). Medtemko BFAST delujelena zgodovinskih podatkih,BFASTMonitoromogoca zaznavanje sprememb v skoraj realnem casu,pricemeruporabljarazlicneregresijske modele(sezonski,trendni,harmonicni,trendno­harmonicniitn.) za stabilna zgodovinska obdobja.V osnovimetodologija deluje tako, da racuna trend na zgodovinskih casovnih vrstah in opazuje odstopanje od trenda na vrednostih posnetkov v casu opazovanja.Izvaja se po naslednjih treh korakih (PotocnikBuhvald, 2018, povzetopoVerbesselt et al., 2012b): 1.) Identificiranje stabilnega referencnega obdobja. Casovna vrsta se razdeli na zgodovinsko obdobje in obdobje opazovanja (slika10). Cese obdobje opazovanja zacne v casu tn, je zgodovinsko obdobje opredeljeno kot obdobje t1 = ti < tn, obdobje opazovanjapa kot preostanek casovne vrste,tn = ti =tN. Slika 10. Razdelitev obdobijcasovne vrste pri algoritmu BFAST Monitor. Figure10. Thedivision oftimeseriesinBFAST Monitoralgorithm. Zazanesljivmonitoringjebistvenegapomena,dajezgodovinskoobdobjestabilno, brezmotenj in dovolj dolgo. 2.) Dolocanje modela stabilne referencne periode (sezonski, trendni, harmonicni, trendno­harmonicni). 3.) Izvedbaanalizecasovnihvrst vobdobju opazovanjasprememb. Rezultatcasovnevrsteje razdeljennasezonskokomponento, komponento trendainkomponentonapak. Spremembe, ki odstopajo od trenda,lahko tako kažejo na trajne »motnje« oziroma spremembe v prostoru (npr. požari, deforestacija, urbanizacija), medtem ko spremembe, ki nastajajo znotraj sezonske komponente, kažejo na fenološke spremembe (npr.spremembe pokrovnostital)(Verbesselt et al., 2010). Osnovnimodelcasovnihvrsttemeljinaenacbi(15)(Verbesselt et al., 2010): !!=#!+%!+&! (11) t.1,…,n kjerje: t casovna vrsta, Yt opazovanja v casu t, Tt komponenta trenda, St sezonska komponenta in &t komponenta napak. Spremembe se racunajo kotmediana ostanka med predvidenimiin opazovanimivrednostmiv obdobju spremljanja. Nastavitve parametrov modela lahko vplivajo na zaznano velikost sprememb. V obravnavani nalogi sem opazovanja Y v casu t obravnavala s sezonsko-trendnim modelom, ki je standardenmodel funkcijeBFASTMonitor. Ta sejeizkazal zanajbolj primernega(vprimerjavi z drugimi modeli nosi najvecji koeficient determinacije R2), saj upošteva osnovni trend in sezonske spremembe v casovni vrsti, tako da se sezonsko-trendni vzorci odstranijo v nastalih preostankih. Sezonsko-trendni model jestandardni linearni regresijski model, kjer jekomponenta trenda Tdolocena z linearno regresijo, sezonska komponenta S pa je dolocena s harmonicno funkcijo. Sezonska komponenta je pomembna za zaznavanje letnih –predvsemfenoloških –sprememb, komponentatrenda jepovezanazdolgoletnimi spremembami, komponentanapak ali ostanekpanakazujeneenakomerne kratkorocne spremembe ališume,kijih najpogosteje povzrocajo oblaki,prisotni na posnetku. Modelseracunaponaslednjienacbi(Verbesselt et al., 2012b): % (12) =/" +/#*1+2 3$sin62891 .!: +;$<+&! $&" kjer predstavljajo: a1 koeficientmagnitude sprememb, a2 koeficientsmerisprememb (naklon), .j amplitude, dj faze, f frekvenca po enoti casa, &t komponenta napak in k harmonicna doba za robustno odkrivanje motenj(po navadije k = 3,karpomeni opazovanja znotrajštirih mesecev). Spremembe nastanejo takrat,ko uporabljenimodelni vec stabilen.Pritem uporabimo statisticnitest casovnih vrst modela v novih opazovanjih na podlagialgoritma MOSUM(ang. MOvingSUM). Ce model ostanestabilen,jevrednostMOSUM-a blizu nic, oziroma rahlo odstopa od te vrednosti.Ko njegova absolutna vrednost prekoraci 5 % stopnjo tveganja, zaznamo prelomno tocko oziroma spremembo. Obenemracunamo tudimagnitudo spremembe oziroma velikost spremembe ne glede na cas,v kateremjo je algoritem zaznal.Magnitudajeopredeljena kotrazlika med dejansko in pricakovano vrednostjo v obdobju zaznavanja sprememb (Potocnik Buhvald, 2018; Verbesselt et al., 2012a, 2010). Naivno bi bilo pricakovati, da nosijo vsa zgodovinska opazovanja popolne vrednosti za sezonsko­trendni model. Zatopri tej metodologiji uporabljamosamotistaopazovanja, ki lahkozagotovijostabilni model.Pritem zgodovinskaopazovanja,kijih upoštevamo,racunamo po metodi obrnjene kumulativne vsote ostankov aliCUSUM(ang. reversed-ordered-cumulative sum). Ta sepremikanazaj vcasuin ocenjuje kumulativne prediktivne napake, doklerse model,predstavljenvenacbi 12, neporuši (zavec detajlov glej Zeileis et al., 2001). Vsplošnem metodaCUSUMdelujepodobnokot pristopMOSUM, opisan v prejšnjem odstavku. 5.2.2 Ocenjevanjeverjetnihvplivovnaokolje Zacelostnoocenosprememb vneposrednemokoljubegunskih taborišc sorazviti razlicniprostorski indeksi, s katerimi lahko ovrednotimo posledice okoljskih sprememb v okolici begunskih naselijin celostnost ekosistemov (npr.Hagenlocheret al. (2012)). Pristopi vkljucujejo terenske podatke in podatke strokovnjakov na obravnavanem obmocju. Zaradi nezmožnosti pridobivanja podatkov na terenu se nisemlotila podobnega ovrednotenja.Ocena verjetnih vplivov na okolje je v disertaciji dolocena na podlagi verjetnostnih razredov,kiso bilidefiniraniglede na velikostnegativne magnitude zaznanih sprememb, pridobljene z analizo casovnih vrst BFAST Monitor, opisane v prejšnjem podpoglavju. Rezultati predstavljajo tri razrede, ki so doloceni empiricno,in sicer glede na jakost negativno zaznane magnitude: visok ali zelo verjeten vpliv na okolje, zmeren ali verjeten vpliv ter majhenalimanjverjetenvplivnaokolje. 5.3 Povzetekinsklepi V poglavjusopredstavljeni možnineposredniucinki,kispremljajo širjenjebegunskihtaborišc,kijih lahko preucujemo z obdelavogoste serijecasovnih satelitskih posnetkov. Naštetesoraziskave,kisose s podobno temoukvarjaledo sedaj. Nato semopisalaprincip delovanja casovnih vrst, kjerpreucujemo kopico vseh satelitskihposnetkovoziromaindeksov, ki jihiznjihizracunamo, skozi cas.Detajlnosem opisala predvsem delovanje algoritma za analizo casovnih vrst BFAST Monitor, ki ga uporabim v nalogi.Poglavje se konca z opisomocenjevanjaverjetnih vplivov na okolje, ki sovprimerutedisertacije razdeljeni v tri verjetnostne razrede glede na velikost negativne magnitude. II. PRAKTICNI DEL ŠTUDIJSKAOBMOCJAINUPORABLJENIPODATKI V poglavjujepredstavljennaborpodatkov,kisemjihuporabilavdisertaciji. Nakratko so opisanatudi izbranaštudijskaobmocja, na katerih so tipodatkitestirani.Zazaznavanjeplovil semuporabilatiste visoko locljive posnetke, ki semjihzapotrebenalogelahkopridobilavsklopu raziskovalnihprojektov na Inštitutu za antropološkeinprostorske študijeZRCSAZU. Srednje locljive posnetke Sentinel-2,ki sobrezplacnodostopni, sempridobilazatistaobmocja, ki serealnosrecujejos povecanimimigracijami prebežnikov. 6.1 Morjeinobala Zaobširnopreizkušanjeucinkovitostiinrobustnostimetode za zaznavanje in klasifikacijo plovil,razvite za potrebe te doktorske disertacije,semizbralavecje število satelitskih posnetkov razlicnih senzorjev v razlicnih vremenskih stanjih (glej preglednico 1). Preizkušeni posnetki omenjenih satelitov so reprezentativni predstavniki v svojih razredih prostorske locljivosti, vecina le teh ima zelo visoko prostorsko locljivost(< 0,6 m).Prav tako sem analizirala posnetke senzorja Sentinel-2 sprostorsko locljivostjo10 m. Vsi uporabljeni posnetki vsebujejo rdec, zelen, moder inNIRkanal. Predstavljeni kraji v pregledniciso obmocja rednega prehajanja prebežnikov po morju(glej sliko 11). Preglednica1. Preglednicaprikazujesatelitskeposnetke, nakaterihsemtestiralarazvitialgoritemzazaznavanjeplovil. Table1. The table shows satellite images on which the developed vessel detection algorithm was tested. Senzor Obmocje Cas snemanja Prostorska locljivost (PAN/MS)[m] GeoEye Cadiz (ES) 7. 10. 2011 0,5/2,0 Dakar (SN) 24. 3. 2013 Lampeduza (IT) (3 posnetki) 14. 7. 2013 Mboro (SN) 10. 3. 2013 Nouakchott(MR) 8. 10. 2011 Oeiras (PT) 2. 1. 2013 IKONOS Akra (GH) 7. 3. 2013 1,0/4,0 Lampeduza (IT) 1. 4. 2011 Lampeduza (IT) 4. 12. 2003 QuickBird Pozallo (IT) 29. 6. 2004 0,65/2,5 WorldView-2 Akra (GH) 14. 3. 2013 0,5/2,0 Lampeduza (IT) 7. 9. 2013 Sentinel-2 Lezbos (GR) 16. 10. 2016 -/10,0 Samos (GR) 15. 9. 2017 Lampeduza (IT) 10. 10. 2016 Sicilija – Agrigento (IT) 15. 9. 2017 Gibraltarska ožina 30. 8. 2017 Slika 11. Prikaz študijskih obmocij zaznavanja plovil. Figure 11. Areas of study cases for vessel detection. Zazaznavoploviljeprimernauporabaposnetkov(zelo)visokihlocljivosti(VHR),obenemsopotrebna tudi opazovanjanavelikihobmocjih. Tojepomembnozato, da secimbolj povecaverjetnost, da se bodo na posnetkih v dolocenemcasu in kraju pojavila plovila(Bannister inNeyland, 2015). Ta dva avtorja sta tudi pokazala, daso, vteoriji, kombiniranaopazovanjaposnetkovVHR naistemobmocju sposobnavsakdanzagotavljati enali vecpoložaj/evvelikihladij (= 100 m)in en položajmanjšega (˜ 20 m)plovila na vsakih 1-4 dni. SatelitskiposnetkiVHRso bilipridobljeniv sklopu evropskega projekta FP7 (Sedmiokvirniprogram) NEREIDS -New Service CapabilitiesforIntegratedandAdvancedMaritimeSurveillance (NEREIDS, 2014), posnetki Sentinel-2 pa so pridobljenipreko spletnega servisa SentinelHub (Sentinel Hub, 2019). Casovnaizbiraposnetkov za samo izvedbo algoritma ni pomembna; izbrani posnetki sonakljucno uporabljeni zgoljzaradi prilagoditve algoritma na specificen satelitski senzor. Vsisatelitskiposnetki sobili preduporabopredobdelani. Pri posnetkih, ki imajodostopenpankromatski kanal,semmultispektralne kanale prevzorcila na pankromatsko locljivost(ang. pansharpening) z metodointensity-hue-saturation (IHS). Vsi posnetki sobili enakoobdelani kot posnetki, ki sem jih uporabljala za potrebe preucevanja vpliva na okolje, opisanem v naslednjem podpoglavju. 6.2 Begunskataborišca 6.2.1 Študijska obmocja Vecinaprebežnikovprispena sredozemske otoke z majhnimiplovilineposredno iz Turcije (grškiotoki) aliiz severnih afriških držav.Prva trištudijska obmocja predstavljajo triglavne žarišcnebegunsketocke na otokih Egejskega morja,kjerse srecujemo z najvecjo preobremenjenostjotaborišcvGrciji: begunski taborišci KaraTepeinMorianaotokuLezbos (sliki 12), taborišceVathynaotokuSamos (slika13)ter taborišceVial naotokuHios(slika14). CetrtoštudijskoobmocjepredstavljaograjenotaborišceHal Far na skrajno južnem deluMalte (slika15), peto, lociranov središcuSicilijevItaliji, jesedaj žezaprto taborišce Cara di Mineo (slika 16). Natancnepoložaje begunskih taborišc je pogosto zaradi varnostnih razlogov težko pridobiti. 6.2.1.1 BegunskitaborišciKaraTepeinMoria (otok Lezbos,Grcija) BegunskitaborišciKara TepeinMorialežita navzhodnistraniEgejskegaotoka Lezbos. Obetaborišci stabili vletu2015, kojenadanprispelonaotoktudi do3300ljudi, mednajbolj zasedenimi begunskimi taborišci vGrciji. Narašcajocidotok novih ljudije povzrocilizjemen pritisk na otok,predvsemzato,ker je število priseljencev drasticno preseglo kapaciteto sprejema. Samo v taborišcu Moria je od poletja 2019,ko je bilo tamokoli5000 prebivalcev (kapaciteta Morie je za okoli3000 ljudi),to število v pol leta narastlo na19.000 (Grant et al., 2020). Pri ustreznem sprejemuprebežnikovhudoprimanjkuje osebja,prav tako so življenjske razmere v obeh taborišcih zaskrbljujoce,karizpostavlja prebežnike k hudimtveganjem.Bivanje v teh tranzitnih taborišcih je, ko je bila balkanska potše odprta,trajalo od dva do tridni, nekateriprebežnikiso cakali na urejene dokumente za nadaljnjo potpo Grcijiin ostali Evropitudipoveckotdesetdni.Tosejespremenilomarca2016,kosodržave ob zahodni balkanski potizaprle svoje meje.Vec sto priseljencev je bilo v okviru spornega dogovora med EUin Turcijo o upravljanju migracijskih potiposlanih nazajv Turcijo,karnekajjih je obstalo v Grcijiin cakajo na azil alina selitev.20 Danesprebežnikicakajo na aziltudi dve leti. CenezapreckanjemorjaizTurcijenagrškiotokLezbossegibljejomed600in2500ameriškimidolarji, preckanje morja z gumijastim colnom cez kanaltraja ob lepem vremenu med eno in dvema urama, ce 20 Nagrškihotokihjebilomarca2018vtakoimenovanihsprejemnihcentrih,ujetihokoli11.000ljudi,vcelinskiGrcijipavec kot 30.000 (Videmšek,2018). Tiprebežnikisovveciniostaliujetitamobzaprtjubalkanskemigracijskepoti. Vaprilu2020je samonaEgejskihotokih35.000 prosilcev zaazilprebivalo v objektih,namenjenih zamanjkot 6000 ljudi(UNHCR,2020b). jemorjevalovito, padlje(Hernandez inStylianou, 2016). Slika12prikazujenajpogostejšepoti iz TurcijenaotokLezbosinpoložaja obeh begunskih taborišc. Slika 12. NajpogostejšapreckanjaprebežnikovnaotokLezbos(Grcija)pomorju izTurcije.Z rdecostaoznacena položaja obeh obravnavanihbegunskih centrov,Kara TepeinMoria.Slika jepovzeta po:HernandezinStylianou (2016). Figure 12. Themostfrequent migrant routesused whilereachingtheisland ofLesbos(Greece)by seafromTurkey. Locationsofthetworefugeecentres,Kara TepeandMoria,aremarked with redpoints. Thisfigureissummarized from: HernandezandStylianou(2016). 6.2.1.2 BegunskotaborišceVathy(otokSamos,Grcija) BegunskotaborišceVathy se nahaja ob istoimenskemmestecunaseverovzhoduSamosa(Grcija), otoka, kije manj kot dva kilometra oddaljen od turške meje.Taborišce,kije bilo ustanovljeno v zacetku leta 2016 na obmocju nekdanje vojaške baze,ima kapaciteto sprejema okoli650 ljudi,od januarja 2020 v njemprebiva okoli6800 ljudi(InfoMigrants, 2020). Njegovapovršinadanes obsegavsegaskupaj 5 hektarjev (slika 13).Prebežnikiso nastanjeniv prenapolnjenih kontejnerjih,veliko ljudisije v okolici uradnega taborišca postavilo improvizirane šotore. Sanitarna in zdravstvena oskrba sta trenutno v taborišcu popolnoma nezadostni.Prebivalcise nenehno srecujejo sstenicamiin garjami, ženske,ki predstavljajo vec kot 20 %populacije v taborišcu,imajo na voljo le štirisanitarije, za celo taborišce je na voljo le en zdravnik, en psiholog in hudo preobremenjena lokalna bolnišnica.Zaradiprenatrpanosti, resnicno slabih razmer v begunskem taborišcu in recentnega požara je grška vlada sporocila, da namerava taborišce zapretido konca leta 2020,prebežnike prestavitiv novo,zaprto taborišce blizu vasi Mytilinioi. S temnameravajoproblemnaSamosu ter naostalihotokih, ki se srecujejo s podobnim problemom,prestavitiv zaprta taborišca v notranjostotoka,stran od ocidomacinov in turistov. Slika 13. BegunskotaborišceVathynaotokuSamosvGrciji(oznacen zbelimkrogom). Številoljudi,kitrenutnoživiv njem,zaokolidesetkratpresegakapacitetotaborišca.(Podlaga:Google Earth,2020) Figure 13. VathyRefugeeCenter ontheislandofSamosinGreece(marked with white circle).The number ofpeople currentlyresidingthere isabouttentimesthe capacityofthe camp.(Background:Google Earth,2020) 6.2.1.3 BegunskotaborišceVial(otokHios,Grcija) GrškiotokHios,kijevsevernemegejskemmorju,jevnajbližjitocki oddaljen le okolišestkilometrov od turške meje.Begunsko taborišce Vial(slika 14),kije v notranjostiotoka,je bilo zgrajeno z namenom nastanitve okoli1100 ljudi,trenutno jih v njemživi okoli5000 (France-Presse, 2020).Nekajjih živi v zabojnikih,vecina v šotorih terbarakah brez elektrike in tekoce vode.Edino ogrevanje,kiga imajo v mrzlih mesecih,sodrva,kijih naberejovokolici.Podobnokotprej omenjenataborišcasetudiVial srecuje s prenapolnjenostjo, sanitarnimi težavami,slabim duševnim zdravjem prebežnikovinhudim pomanjkanjem vode.Prav tako jeza prebivalcetam zelo nevarno. Slika 14. Slika prikazuje begunsko taborišce Vial na otoku Hios v Grciji. (Posnetek: Google Earth, 2020) Figure 14. The image shows the Vial refugee camp on the island Chios in Greece. (Image: Google Earth, 2020) 6.2.1.4 BegunskotaborišceHalFar,Malta Begunskotaborišce HalFar naMaltijeodprto, aograjenobegunskotaborišce,zgrajenonanekdanjem letališcu (slika15), kjer trenutnoprebivaokoli tisoc – vecinoma afriških – migrantov(InfoMigrants, 2020).Zgrajeno je bilo že leta 2005.Center na splošno nudispalne prostore v oblikisob,kjerbiva od štiri do24 oseb, ali mobilnihkovinskihzabojnikovzaokoli osem ljudi. Prav takokot vGrciji, so življenjske razmere za prebežnike v odprtih centrih na Malti zaradiprenaseljenostiin pomanjkanja sredstevizjemnozahtevne, prebivalci sepredvsem srecujejozresnimi higienskimi težavami, nemiri, pomanjkanjem hrane,itd. Slika15. Begunsko taborišce Hal Far na skrajnem jugu Malte. (Podlaga: Google Earth, 2020) Figure15. Hal Far refugee camp at the southern extreme of Malta. (Background: Google Earth,2020) 6.2.1.5 BegunskotaborišceCaradiMineo,Sicilija,Italija Nekoc najvecji sprejemni centerzaprosilcezaazil v Evropi,begunskotaborišce CaradiMineona Siciliji,je od julija 2019, z odredbo notranjega ministra Italije Mattea Salvinija, zaprto.V vrhuncu delovanja taborišca (oziroma v casu begunske krize v Evropi)leta 2014,je v njemživelo vec kot 4000 ljudi (BBC, 2019), kar jebilanjegovadvakratnazmogljivost. Za taborišcejeveljalo, dajebil kraj brez zakonov,kinajbi muvladale razlicne italijanskemafijskeorganizacije. Tesoizprebežnikovin samega delovanja taborišca hotele iztržiti cim vec dobicka in so posledicno zato zmanjševale stroške vseh osnovnih obratov.Vtaborišcu nibilo dovoljvode,nitielektrike,prebežniki soživeliv nehigienskihin težkihživljenjskih razmerah, cakalne dobe za zaslišanje za azil sobiledolge.Gibanjeljudi izinv taborišce, ki jebiloskrbnoograjeno, jebiloomejeno. Zaradi revšcine sobili prebežniki vtaborišcu pogosto prisiljeniv beracenje aliprodajanje spolnih uslug v bližnjih mestih (Pai,2018).Zaprtje taborišca ni povzrocilo reforme sprejema prebežnikov v Italiji,temvec je sovpadlo z zaprtjempristanišc in še vecjo kriminalizacijo migracij.Slika 16 prikazuje položajtaborišcav notranjostiSicilije. Slika 16. CaradiMineo, situiranvnotranjostiSicilije(Italija),jebil nekoc najvecjisprejemni centerzabeguncev Evropi,ajedanesžezaprt.(Podlaga:PlanetLabsInc.,2020) Figure 16. CaradiMineo, locatedintheinteriorsofSicily(Italy) wasonceEurope'sbiggest campformigrantsand asylumseekers andisnowadaysclosed.(Background:PlanetLabsInc.,2020) 6.2.2 Podatki Za vse študijske primere sem uporabila obstojece brezplacne podatkovne vire opticnega satelita Sentinel-2 (S-2).VGrcijisem za opazovanje izbrala begunska taborišcaKaraTepeinMorianaotoku Lezbos,taborišce Vathy naotokuSamoster Vial naotoku Hios,naMalti semanaliziralabegunsko taborišce Hal Far, na Siciliji (Italija) pa taborišce Cara di Mineo. Delo s casovnim nizom S-2 podatkov vkljucuje obdelavo velikih kolicin podatkov. Za dostop do satelitskihposnetkov semuporabilaknjižnico eo-learn(eo-learn, 2020), ki omogocaenostaveninhiter prenosvelike kolicine satelitskih podatkov preko spletnega servisa SentinelHub(Sentinel Hub, 2020). Zaobdelavo sempridobilavecspektralneposnetkeS-2Ain S-2B z oblacnostjo manjšo od 20 %, od zacetka snemanj(sredinaleta2015), dokoncaleta2019. Preneseni posnetki sobili predobdelani do stopnje 2A, kar pomeni, da so taki posnetki že ortorektificirani, projicirani v projekcijo UTM z natancnostjo povprecno polpiksla (okoli5m),obdelani zatmosferskimiintopografskimipopravki. Vrednostipikslovsozato odbojnevrednosti z odstranjenimvplivomatmosfere aliBOA (ang. Bottom OftheAtmosphere). Ker vsiposnetki od zacetka snemanj do konca oktobra 2016 na omenjeniplatformi še niso preobdelani do stopnje 2A, smo za tisto obdobje vzeli posnetke stopnje 1C, ki pa niso atmosfersko in topografsko predobdelani,njihove vrednosti pa zato predstavljajo odbojne vrednosti, brez upoštevanega vpliva atmosfere aliTOA (ang. Top Ofthe Atmosphere). Casovnavrstategaobdobja jev primerjaviskasnejšimiobdobji redkejša, saj jevtemcasudelovalsamoprvi oddveh satelitov, Sentinel-2A(po marcu 2017 jecasovnavrstagostejša, saj seje senzorjuS-2Apridružiltudi senzorS-2B).VrednostiBOA inTOA vcasovnivrstineodstopajoznatno, zatosoposnetki medseboj primerljivi. Iz nabora pretocenih podatkov sem rocno izlocila tiste z veliko oblakiin se s tem izognila napacnim vrednostimv casovni analizi. Število analiziranih posnetkov za posameznoštudijskoobmocjeprikazuje preglednica 2. Poleg štirih spektralnih kanalov, iz katerih izracunam vegetacijski indeks NDVI, sem iz spletnega servisa SentinelHub pridobila tudi maske oblakov. Na podlagi maske oblakov posnetka oziroma njegovih derivatov odstranimo obmocja, na katerih podatke o zemeljskempovršjuprekrivajooblaki, zato jih izkljucimo iz nadaljnje obdelave.Pomembno je,da je maska oblakov visoke kakovostiinda z njo pravilno odstranimo oblake iz posnetka. Preglednica2. ŠteviloobdelanihposnetkovSentinel-2, velikostopazovanega obmocja tercasovnirazponrazpoložljivih posnetkov naobravnavanih obmocjih begunskih taborišc. Table2. NumberofprocessedSentinel-2 images,thesizeoftheobservedstudy area andtimerange ofavailable images intheconsideredareasofrefugeecamps. Študijsko obmocje Št. posnetkov z oblacnostjo <20 % Velikost opazovanega obmocja Datum prvega posnetka Datum zadnjega posnetka Kara Tepe/Moria (Lezbos,GR) 163 6 x 4 km 2. 8. 2015 9. 12. 2019 Vathy(Samos, GR) 175 0,9 x 1,3 km 2. 8. 2015 14. 12. 2019 Vial(Hios, GR) 325 1,4 x 1,3 km 16. 7. 2015 17. 12. 2019 HalFar (MLT) 321 3 x 2,3 km 28.6.2015 29.12.2019 Cara diMineo (Sicilija,IT) 179 5 x 4,6 km 28.6.2015 29.12.2019 KonstelacijasatelitovSentinel-2 je z obema satelitomadosegla 5-dnevno globalno periodicno snemanje zemeljskega površja.Število posnetkov nekega obmocja je tako okoli70 na leto, na obmocjih,kjerse tirnicipreleta prekrivata,pa še enkrattoliko. Pravtakojetrebaupoštevati, daještevilouporabnih posnetkov odvisno od prisotnostioblakov na obmocju,ki ga opazujemo.Vnekaterih regijah po svetu (predvsemekvatorialnaobmocja) jeverjetnost oblacnihopazovanj vecjaod80%(WilsoninJetz, 2016). Izpreglednice2, ki prikazuje številouporabnihposnetkovglede na študijsko obmocje,je razvidno, da jezaotokHios inMaltodostopnihskoraj enkrat vecposnetkovkot za študijskaobmocjanaLezbosu, Samosu in Siciliji. Po pregledu sem ugotovila, da je to posledica prekrivanja tirnic na analiziranem obmocju. Slika 17. ŠtevilouporabnihposnetkovSentinel-2 za posamezno študijsko obmocje.Za begunskitaborišciHiosinMalta jezaradiprekrivanjatirnic navoljo veliko vecposnetkov,kotza taborišca na Lezbosu,SamosualiSiciliji. Figure17. Thenumberof analysedSentinel-2 data foreachofthestudy areas.Becauseof overlapping orbitsmore imagesareavailableforrefugeecampsonHiosandMaltathancampsonLesbos,SamosorSicily. Casovnevrstesatelitskihposnetkovzaposamezno študijskoobmocjesobilezazaznavanjenegativnih okoljskih sprememb analizirane od srede leta 2015 do konca leta 2019.Število uporabljenih posnetkov po letih glede na obmocje prikazujeslika 17. Naposnetkih,ki so uporabljeni za analizocasovnih vrst, je njihovageometricnaporavnavakljucnega pomena. V tej nalogi posnetkov nisem poravnavala med seboj, saj sem za analizo casovnih vrst obdelovala satelitske posnetke Sentinel-2,kjerje trenutno vec-casovna registracija med posnetki(tudi med posnetki v razlicnih orbitah) 0,3 piksla ± 2s (ESA, 2020). Pri prostorski locljivosti 10 m ta neskladnostne igra kljucne vloge prinatancnosti zaznave sprememb v begunskih taborišcihinnjihovi okolici. 6.3 Povzetekinsklepi Vseposkusezalgoritmi,kibodopredstavljenivnadaljevanjudisertacije(poglavje7), semopravilana podatkih,kiso naštetiv tem poglavju.Zazaznavanjeplovilsouporabljeniposnetkivisokihinsrednjih locljivosti, za zaznavanje širjenja begunskih taborišc pa posnetki Sentinel-2. Poleg znacilnosti uporabljenih posnetkov za oba sklopa doktorske disertacijesemopisalatudi študijskaobmocjainpri begunskih taborišcih na kratko predstavila znacilnostispecificne za posamezno obmocje.Prizaznavanju plovilopazujem obmocja tako v Sredozemlju kot v zahodniAfriki.Begunska taborišca se nahajajo na tistih sredozemskihotokih, ki seženekaj casa srecujejo s povecanimpritokomprebežnikov(Grcija, Italija, Malta). METODOLOGIJAIN REZULTATI V poglavjunajprejpredstavljampotek samodejnegaalgoritmazazaznavanje inklasifikacijoplovil z visoko locljivih posnetkov,kisemga razvila za potrebe doktorske disertacije.Algoritem zaznavanja plovilje razvit naosnovi poteka, prikazanega v poglavju 4(glej sliko 6). Rezultatealgoritma sem testirala na posnetkih, predstavljenimi v prejšnjem poglavju ter rezultate ocenila kvantitativno. Opazovanja napacnih rezultatov,skaterimise srecujemo prisamodejnem zaznavanju plovilin njegovih korakih,so prikazana v spodnjih poglavjih.Prav tako slikovno predstavimrezultate zaznave na razlicnih obmocjih. Predstavim tudi rezultate zaznavanja sprememb s casovnimi vrstami BFAST Monitor na obmocju izbranih begunskih taborišc. Na koncu poglavja so predstavljeni rezultati natancnosti omenjenih metodologij. Razvitialgoritemjebilnapisan v programskemjeziku R. 7.1 Zaznavanjeplovil ssatelitskih posnetkov Algoritem samodejnega pridobivanja plovil s satelitskih posnetkov je sestavljen iz nekaj osnovnih korakov. Vprvemkorakuizposnetkaodstranimoziroma maskiram kopno, pravtakovtej fazi odstranim s posnetkaoblake in druge okoljske vplive.Sledi zaznavanje kandidatov,kjerpridobimsposnetka objekte,kipredstavljajo potencialna plovila,v naslednjemkoraku locimplovila od neplovil. Pozneje vse segmente, ki predstavljajo potencialna plovila, še klasificiram, tako da so plovila razdeljena v razredegledenanjihovelastnosti. Rezultatenakoncuovrednotim. Celotenpristoptemelji narobustnem inponovljivem samodejnempostopku, ki omogocazaznavanjeinklasifikacijoplovil navisokoter srednjelocljivihopticnihsatelitskihposnetkih.Koncnirezultatizaznavanja plovilza izbraneanalizirane posnetke so slikovno predstavljeni na koncu doktorske disertacije v Prilogi A. Celotnakodazaznavanjainklasifikacijeplovil naposnetkihSentinel-2 je na spletnem odložišcu GitHub21, potekjedetajlnejeopisanvclanku, objavljenemv strokovni reviji Acta Astronautica (glej Kanjir,2019). 7.1.1 Maskamorjainkopnega Za samodejno razmejitev kopnega in morja sem uporabila segmentacijo na osnovi iskanja praga v histogramu,kjerje osnovni cilj razvrstiti piksle danega posnetka v dva ali vec razredov; na ozadje (kopno) innaobmocje, ki nas zanima(morje s plovili). Segmentacijo semizvedlanapodobi NDWI 21 Kodajeprostodostopnona:https://github.com/ursulka/VesselDet_S2.git (normaliziran diferencialni vodniindeks,ang.NormalizedDifferentialWaterIndex), naposnetkihzvec kotštirimi spektralnimikanalipa na MNDWI(modificiran normaliziran diferencialni vodniindeks). Oba indeksa prikazujeta vodne objekte na podobi kot pozitivne vrednosti, medtem ko ima kopno navadno negativne vrednosti, zatojihjemed seboj relativnolahkolociti. Izbiraindeksajeodvisnaod tipa posnetkov, ki ga obdelujemo, v obeh primerih sta indeksa izracunana iz razmerij spektralnih kanalov. Naposnetkih,kiimajodostopneštirispektralnekanale(R-G-B-NIR),npr. posnetkiGeoEye,IKONOS, QuickBird,WorldView-222, semkopnoinmorjelocevalazindeksom NDWIskombinacijozelenegain infrardecega kanala, ki se racuna kot (McFeeters, 1996): =>?@ = '()(*+,-./ (13) '()(*+0-./, kjer »Zeleni« pomeni zeleni kanal izbranega satelitskega posnetka ter NIR bližnji infrardeci kanal. Primerindeksa NDWI, izracunan na posnetek Geoeye,prikazuje slika 18. Posnetkom,kivsebujejo vec kotsamo štirispektralne kanale in vsebujejo kanalMIR(srednje infrardeci kanal),semizracunala vrednostiMNDWI(Xu, 2006),kise racunajo kot: = '()(*+,1./ A=>?@ (14) '()(*+01./. MNDWI sem torej racunala zgolj na posnetkihSentinel-2,kivsebujejo srednje infrardeci kanal(MIR). Takanalimapri senzorjuS-2 nižjo prostorsko locljivost(20 m) v primerjavis kanaliRGBin NIR,ki imajo10 mlocljivost. Pred racunanjemMNDWI semzatovišjelocljivekanaleprevzorcilanaenako locljivost kot MIR kanal (20 m). MNDWItemelji na NDWI,vendarznjimbistvenoizboljšamozaznavovoda.Tosempreizkusilapri samodejnemlocevanjumorjainkopnegana istemsatelitskemposnetkuS-2.ZindeksomMNDWI dobimo boljše rezultate zlasti tam,kjer sospektralnevrednosti vodnihteles bolj podobneodbojem zemeljskega površja (npr.lagune alikalno morje).Ugotovila sem, da z uporabo kanala NDWIin NIR (bližnjeIR) dobim vec napak na morju,medtemko priuporabiMNDWIdobim vec napak na kopnem. Primerlocevanja kopnega z uporabo obeh indeksov prikazuje slika 19. Indeks MNDWI jezazaznavanje plovilboljprimerna izbira,sajje bolje, da je maska morjapretiranain da izlocimonapacnozaznane segmentepozneje, kotpa da morske površine ne zaznamo v celoti.Natancnejše locevanje kopnega in morja medNDWIinMNDWI(napodatkihLandsat) smopokazali v clanku,objavljenemv reviji AppliedGeography(Gregoric Bon et al., 2018). 22 PosnetkiWorldView-2 imajo v originalu osemspektralnih kanalov,aso satelitski posnetki,ki semjihdobilazapotrebe razvojaomenjenegaalgoritma,imelisamoosnovneštirikanale. Slika 18. Izvirni posnetek(levo) inNDWI(desno) naposnetkusenzorjaGeoEyejužnoodmestaCadiz(Španija).Vodne površinesov beli barviizrazitovidne priizracunu indeksaNDWI,saj sonjihovevrednosti višjeod ostalih tipov pokrovnosti. Figure 18. Original image(left)andNDWI(right)ontheGeoEyesensor imagesouthofCadiz(Spain).Watersurfaces areclearly visibleusing NDWIindex;their valuesarehigherthanthoseofothertypesoflandcover. Slika19. Primerjava locevanja kopnega in morja z indeksomab)NDWIterc)MNDWInaposnetkih Sentinel-2. Figure19. Comparision of land mask on Sentinel-2 imagewiththeindex b)NDWIandc)MNDWI. Prag za dolocanje kopnega in morja dolocimshistogramomvrednostina indeksu (NDWIaliMNDWI), kiima v idealnemprimeru dva znacilna vrhova (maksimuma): en vrh predstavlja spektralnevrednosti kopnih površin,drugivrh pa spektralne vrednostivodnih površin.Prag med obema vrhovoma se racuna z iskanjemlokalnega minimuma na histogramu.Ko izracunamprag in ga uporabim na histogramu posnetka, dobimkot izhodni produkt dvojiško slikovrednosti obehrazredov, morjainkopnega(0in1). Preden izlocimkopno iz posnetka, masko zgladim znizkoprepustnimfiltrom (ang. lowpass filter)23, ki v primeru dvojiške slike izracuna povprecje (mean)piksla in njegove okolice. Premikajoci se filter dimenzije 9 x 9 pikslov sejepotestiranjuizkazal zanajoptimalnejšegagledenaanalizirane posnetke, saj zgladi vseodstopajocepodatketako, dajimzamenja trenutnovrednost zmaksimalnovrednostjo sosednjihpikslov. Glajenjejeuporabno, saj znjimneizgubimovelikihplovil, ki bi selahkoizlocilaiz 23 Uporabljeni nizkoprepustnifilterjeprostorskifilter,ki vrednost naposnetku nadomesti zizbrano statisticno vrednostjo v izbrani okolici. posnetkakotkopno pripostopku segmentacije na podlagihistograma.Zglajeno dvojiško podobo potem maskiram na veckanalniposnetek,kimu izlocimvse vrednostikopnega. Ugotovitve: Nepravilne razmejitve morjainkopnega,karjeprvikorak obdelave, najpogostejepovzrocakalna oziroma motna voda.Boljše locevanje med obema tipoma pokrovnostiomogoca lažje zaznavanje plovil v nadaljnjih fazah analize in viša natancnostzaznave. Pri opazovanju rezultatov sem pri locevanju kopnega in morja zaznala naslednje nepravilnosti ali posebnosti: -Kadarsonaobalnempasuprisotnimocnipenecisevalovi,jemaskamorjapodcenjena,sajses posnetka odstraniprevec vodnih teles oziroma maska kopnega prevec poseže v morje (primer slika20a).Ce bibila v tem obalnempasu prisotna plovila,bibilanajverjetnejenapacnododana v masko kopnega. -Vecjesenceoblakovnaposnetku so pogosto vzrok napacne zaznave kopnega.Vecja obmocja sencoblakovnakopnem sozaradi njihovihnižjihspektralnihvrednosti zaznanakot vodain torej njihova površina napacno ostaja v maskimorja (primer slika20b). -Podobno napako predstavljajo,predvsem na posnetkih zelo visokih locljivosti,majhne sence, kijih mecejo višjiobjekti na posnetku (predvsemvisoke zgradbe in visoka vegetacija).Ti objekti so med morfološkim glajenjem posnetkov pri analizi nehote še dodatno povecani (primer slika20c). Takojeopaziti, dajenaposnetkih, kjer jeprisotennizki kot osoncenja površja, zaznati vec napak v maski kopnega kot pri opazovanju istega obmocja z istim senzorjemvcasu pozicije Sonca v zenitu. Posledicno lahko trdim, da položaj Sonca v casu snemanja vpliva na kvaliteto locevanja kopnega in morja. -V pristanišcih,kjer soprisotna vecja obmocjapozidanih(asfaltiranih) ravnihpovršinin ladijskihzabojnikov,prihaja do napak prizaznavanju maskemorja. Grucenjeplovil inpomolov jezaradi svetlejšihspektralnihodbojevvprimerjavi zvodo, napacno tretiranokot del kopnega (primer slika20d). -Navsehposnetkihostajajo v maski kopnega tudimanjšivodniobjekti,npr. bazeniob turisticnih kompleksih (primer slika20e).Tiobjekti sopravilnozaznani,asozaradi svojevelikosti nepotrebniobjektiv maskimorja (niso del kontinuirane celote). -Na posnetkih Sentinel-2 majhni rti in daljši pomoli pogosto niso dobro odstranjeni v fazi maskiranjakopnegaodmorja.Tipodaljškikopnegapogostoproizvedejolažnenegativne(ang. false negatives) rezultate (primer slika20 f). Slika 20. Posebnostiinnepravilnosti, skaterimisemsesrecevalapriodstranjevanjukopnegasposnetkaspredlaganim algoritmom.Maskamorjajeprikazanavlevemstolpcu,poudarjeniprimerinepravilnostisooznacenizrdecobarvo v desnemstolpcu: a) polegkopnega so s posnetkaodstranjenitudi sklopi belih, penecih sevalov,b)vecjesenceoblakov, kipadajo nakopno,algoritemzaznakot morje,c) majhnesence,kijih mecejo nakopnemvišji objekti,sopravtako zaznane kot voda,d) velike ladje vpristanišcih so napacno zaznanekotkopno,e)bazeniobturisticnihkompleksih ostajajo v maskikopnega kot vodnepovršineinf)predvsempriposnetkihsrednjihlocljivostih(S-2)ostajajo pomoliin rtinezaznaniin sepripišejo morju. Figure 20. Thepecularitiesandirregularitiesthatwereencounteredintheprocess oflandremovalwiththeproposed algorithm.Theresultsofthesea mask ontheseimages areshownindarkershades,landisshowninwhite,whereas exposed examplesare markedwith red color:a)thesetsod white,fizzywavesareremoved fromtheimageand detected asland,b)biggershadowsofcloudsfalling onland aredetected aswater areas,c) small shadowscastby thehigher objectsonthelandaredetectedaswater,d)largeships inports aremistakenlydetectedas shoreorland,e)pools along turist complexesremainin themask aswaterobjects,andf) with themiddlespatial resolutionimages (f.e.S-2),the piersand smallcapesremain undetected and areadded tothesea mask. Vse omenjene napake,ki nastanejoprilocevanjukopnegain morja, seprenašajo v naslednjefazein vplivajo na zaznavanje plovil, zato se število napacno zaznanih plovilzaradiopisanih napak povecuje. 7.1.2 Odstranjevanjealizmanjševanje okoljskih vplivov Cepravsemprizaznavanjuplovilzopticnihposnetkovodstranjevanjeokoljskihvplivovpriporocila, ga v algoritemnisem vkljucila kotsamostojen modul.Okoljske vplive semeliminirala v korakihmedsamo analizo. Valoveter soncev odboj,prisoten na posnetku, odstranjujem v fazi zaznavanja plovil, v kateri se te motnjeodstranijosamodejnozindeksom plovil(glejpoglavje 4.1.3). Lahkosoklasificiranevrazred ne-plovila pozneje v fazirazvršcanja aliklasifikacije.Oblakiso odstranjeniv fazilocevanja kopnega in morja, podobno kotsotoopravili Corbane et al. (2010, 2008b) inDaniel et al. (2013). Ker imajogosti oblakidrugacne vrednostikotmorje, jihjeizhistograma sorazmernolahkoodstraniti. Težavanastane, kadarse na površinimorja pojavimeglica,kizmanjša natancnostinterpretacije podatkov. 7.1.3 Zaznavanjeplovil V temmodulujevhodnapodobapridobljenavkorakuodstranjevanja kopnega.Nanjejpridobimpo korakih,kijih prikazuje slika 21,vektorje potencialnih plovilna podobi. Slika21. Postopekzaznavanjaplovil. Figure 21. Vesseldetectionworkflow. Prvo izracunam indeksplovil,kiizkorišcavrednostiplovilv razlicnih spektralnih kanalih24. Chen et al. (2009)soodkrili, dasoplovilanajboljeprepoznavnavmodremkanalu satelitskegasenzorjaHJ-1A.Za posnetke srednjih locljivostije Burgess(1993)ugotovila,da sta rdeci kanalin kanalNIRob uporabi posnetkov Landsat TM najbolj uporabna kanala za odkrivanje plovil v cisti morski vodi, medtem ko so za motno vodo Wu et al. (2009)navedli,da kanaliSWIRbolje locujejo plovila kotvidni kanaliin kanali NIR,sajtiboljelocujejoplovilapredvsemvmotnivodi.Ding et al. (2012)sodokazali, dadajeobdelava vec spektralnih kanalov naenkrat boljše rezultate kot obdelava vsakega kanala posebej. ObdetajlnempregleduspektralnihodbojevmorjainplovilnaposnetkihVHR jeopaziti,daimamorje znacilno padajoce vrednosti v kombinaciji moder-zelen-rdec-IR kanal, medtem ko imajo plovila v zadnjem, kanalu IRvišjo vrednost.V temprimeru je torejspektralni podpis padajoc le do rdecega kanala,potem zopetrastoc (slika 22). 24 Zahvalozatoidejo dolgujemprijatelju dr.Fabian Fassnacht-u. Slika22. Plovilanaposnetkih in njihovi(povprecni)spektralnih odbojiv segmentu nasenzorjih a)IKONOS,b) GeoEye,c)QuickBirdind)WorldView-2. Figure22. Vessels on satellite images and their (average) spectral response on sensors a) IKONOS, b) GeoEye, c) QuickBirdandd)WorldView-2. Indeks plovil izrazimo kot: @2==@B-B, (15) kjerje Rrdeci,NIRpa infrardeci kanal.Ta indeksje zasnovan tako,da 1.)predstavljajo piksli, ki imajo vrednostiIp > 0 na morju,plovila, vrednostiIp < 0 predstavljajo morje oziroma ostale objekte na morju, kiso izkljuceniiz nadaljnje obravnave;in2.)se znebimo napacno zaznanih objektov na površinimorja (npr. valovi, pene na morju) in posledicno z njim zmanjšamo napake meteoroloških vplivov. Na posnetku, na katerem sem racunala indeks plovil, vsi piksli z indeksom manj od 0 predstavljajo neplovila, medtem kopiksliz vrednostjo indeksa vecje odnic predstavljajo potencialna plovila. Po obširnemtestiranju na razlicnih posnetkih terprianaliziranju vec razlicnih materialov plovil sem ugotovila,da omenjeniindeks ne zaznava gumijastih colnov (tj.razlika kanala NIRin Rnivecja od 0). Prav tako sem opazila,da Ip deluje najbolje na satelitskih posnetkih GeoEye.Na drugih posnetkih so z uporabo tega indeksa vcasih tudiocitno prisotna plovila na posnetku spregledana,sploh kadarimajo odbojmocnejšivbelemalirdecemdelu spektra. Za boljšo samodejno zaznavo sempolegindeksaplovil uporabila še dodaten pogoj in izkoristila spektralno svetlejše odboje pikslov plovil v primerjavi s temnejšim ozadjem (morje). Ugotovila sem, da plovila kažejo visoke vrednosti, kadar linearno prevzorcimo vsoto vseh štirih spektralnih kanalov (R-G-B-NIR)naposameznempiksluod 0 do 1.Piksli z visoko vrednostjobodotorej dodeljeni plovilom, saj imajovecjovsotovrednosti vprimerjavi z morjem.Prag medploviliin morjem jepovprecnavrednostpikslov v maski morja(mean)kateri prištejemo 2/3 srednjega standardnega odklona. Ta vrednost se je pri testiranju izkazala kot najprimernejša za zaznavanje potencialnih plovilna morju,kijihz indeksomplovilizpusti. Rezultat,kigadobim,kouporabimobapogoja na maski morja, jedvojiškamaska. Maskozgladimz morfološkimioperatorji(closing, opening), dazapolnim luknjevzaznanihobjektih. Nato jo pretvorim v vektorsko obliko, ki vrne vsa potencialna plovila v obliki poligonov. Poligonizacija rastrskih podob jenavadnocasovnozahtevnaoperacija, a semjozapotrebetenaloge s paralelizacijovprogramskem jezikuRdrasticnopospešila. Pridobljenimpoligonom, ki potencialnopredstavljajoplovila, nadalje pripišemin izracunamkopico geometricnih,spektralnih in teksturnih vrednosti(atributov).Atributi,ki jihpripišemizracunanimsegmentom, sonjihove semanticne lastnostiin na njihovipodlagite segmente v poznejših fazah razvršcanja in klasifikacijeprimernorazvrstimglede na razlicne kriterije.Lastnost atributov je,da obenemzagotavljajo opispodobe terklasifikacijske kriterije (Oliveau in Sahbi,2016). Vsem segmentom na posnetku najprej izracunam površino. Pozneje iz vseh potencialnih objektov izlocim tiste, ki sozunaj razponaminimalneinmaksimalnepovršineplovil –tevrednosti soodvisneod locljivosti posnetka. Pri dolocevanjuminimalne površine sem upoštevala prag,kista ga predlagala Bannisterin Neyland(2015), ki pravita, dajedetekcijamožna, cejeprostorska locljivost manjšaod tretjinedolžineplovila: locljivost 30.Najvecja površina,kijo lahko ima zaznan objekt,je odmerjena spovršino,kijo imajonajdaljši delujoci tankerji, ki dosežejovdolžinotudi do400m(najdaljšeplovilovobratovanjuje trenutnokontejnerski ladji imenovani Barzanter MOLTriumph, ki meritanatanko400 m), v širino nekje do 50 m. Poudaritije treba, da je velikostsegmentov plovil,pridobljenih ssatelitskih posnetkov, pogosto precenjeno zaradi brazde25, ki jo(predvsemhitra) premikajoca seplovilapušcajonagladinimorja za seboj. Brazdaplovila, oziroma»tracnice«, ki jihza seboj pušcaladja, povedovkatero smer seplovilo premika (kurz) inkakohitrosepremika. Pravtakojezaradi brazdemožno zaznati manjša plovila,ki sicer drugacenisovidnana posnetku(Bouma et al., 2013). Zaocenopravilnedolžineplovilaje treba brazdo locitiod plovila, karje lahko zahtevna naloga,sajsta segmenta med seboj povezana, obenem pa imatazelopodobenspektralni odboj (Greidanus inKourti, 2006), kar jepomembnoupoštevati predvsem priklasifikacijiplovil.Kerimajo linearno obliko,jih je mogoce zaznavati tudis posnetkov slabših locljivosti (Fisk, 1994). 25 Brazda(ang. turbulent wake) jebelapenazapropelerjemplovila,kijeponavadilinearnihoblikinjojepredvsemprivecjih ladjahmogoceopaziti žena satelitskihposnetkihnizkih locljivosti(Fisk,1994). Segmentompotencialnih plovilnadalje izracunampoložaj(x,y),orientacijo (.) ter dolžino(D) in širino (Š), oziromanajdaljšoinnajkrajšo razdaljov segmentu(slika23). Tonaredimtako, davsakemu segmentuposebej najprej izracunamcentroid. Natopoišcemnajdaljšodaljico, ki predstavljadolžino plovila,njena pravokotna daljica predstavlja širino plovila.To naredimtako,da cez centroid segmenta potegnempremico,kijo podvojimo na vsakih 10° alikaterikoli rocno dolocen kot,kije odvisen od želene natancnosti orientacije plovila,med 0° in 360°.Vprimeru izbranega 10° kota v našemprimeru dobimo18premic,ki sekajo centroid segmenta(slika23). Natopoišcempremico, ki je znotraj obravnavanega segmentanajdaljšainizracunamnjenopresecnorazdaljo. Kot medorientiranopremico, kinajdlje seka segment,in osjo y predstavlja orientacijo plovila., oziroma njegovo smer(±180°, saj iz segmenta težkodolocimo smer gibanja). Ko imamdolocenodolžino, izracunam še širinoplovila, in sicer tako, da poišcem pravokotno daljico na najdaljšo premico oziroma dolžino zaznanega segmenta. Slika23. Ilustracija racunanja dolžine (odebeljena premica z modro pušcico) in širine (rdeca linija) zaznanega segmenta.Pušcicapredstavlja smerladje(±180°). Figure23. Illustration of a detected segments’ length(blueboldlinewitha blue arrow)andwidth(redline).Blue arrowrepresentsthecourse ofthedetectedship(±180°). Pozneje segmentompripišem v atributno tabelo tudielipticnost(e), oziroma razmerje med dolžino in širino: = 3!,Š! &. (16) 3!0Š! Elipticnost sepriplovilih obicajnogibljemede˜ 0,89 – 0,96,karustreza razmerju dolžine in širine plovila: 3=D"05 (17) Š",5˜4-7. Taatributjepomembnalastnost segmentovplovil oziromaplovilompodobnih segmentov (ti sopo navadi dolgiin tanki)inješezlasti uporabenpri njihovi klasifikaciji. Taparameter torej locujeplovila od ledenih gora, majhnih otockov, vetrnih turbin in drugih manj podolgovatih objektov na morski gladini. Segmentompripišemo tudispektralne atribute.Iz posnetka izracunamo srednjo vrednost(mean) zavsak spektralni kanal posebej. Tako dobimo v primeru štirih spektralnih kanalov (R-G-B-NIR) še štiri dodatne atribute. Skupajimajo zaznani segmenti torej 12 atributov, napodlagi katerihvnaslednjihkorakihalgoritma izvajamlocevanjeinklasifikacijoplovil. Avtorji Zhu et al. (2010) sodokazali, dasoklasifikacijeplovil boljtocne tam,kjerklasifikacija temelji na kombinaciji razlicnih lastnosti segmentov,manjnatancne pritistih,kitemeljijo le na enilastnosti segmenta.To je bilo glavno vodilo, da semsegmentom v tem delu izracunala vec razlicnih (spektralnih in geometrijskih)atributov. Ugotovitve: Pripregledu rezultatov koraka samodejnega zaznavanja plovil naletimo na naslednje omejitve: -V pristanišcih,kjer soladje v mirovanju sidrane aliprivezanedruga vštricdruge,jeponekod vec plovilzaradinjihove neposredne bližine napacno zaznano kot eno samo (slika24a). -Vcasihjezaradiheterogenostinapovršinipredvsemvecjihplovil,zaznansamodelladjein ne celoten objekt(po navadiso spregledanitemnejšideliplovil),zato je njena zaznana površina manjšaodrealne(slika 24b). -Površina plovilje pogosto zaradispremljajocih valov pripremikajocih se plovilih precenjena (slika 24c). -Meglicenaposnetkihslabšajozaznavanjeplovil.Plovila,kijihprekrivajo meglice,sopogosto spregledana, obenem je opaziti porast napacno zaznanih plovil (slika 24d). -Valovi razlicnih oblik in razlicnih svetlosti so glavni vzrok za lažno zaznavanje plovil na opticnih satelitskih posnetkih. Velikotakihlažnihalarmovjetežkoodpraviti tudi zvizualnim pregledom. a) IKONOS,Lampeduza(2003) b) IKONOS,Lampeduza(2011) c) GeoEye,Cadiz d) WorldView-2, Lampeduza Slika 24. Primeri nepravilnih zaznav s predlaganim samodejnim algoritmom za zaznavanje plovil. Rezultati so predstavljenizrumenoobrobo, posebnosti za boljšo predstavo danevrdec okrogel okvir: a) vec mirujocih plovilje lahko zaradi njihove medsebojnebližine napacno zaznanihkot eno vecjeplovilo namesto vec manjših;b) obratno so velika plovila –zlastinaposnetkihVHR –zaradinjihove heterogenostinapacno zaznana kotvecsegmentov;c)površina ploviljezaradipen vnjihovineposredniokoliciprecenjena;d)meglice naposnetku povzrocajo napacnozaznavo. Figure24. Incorrectdetectionsoftheproposedautomaticvesselsdetectionalgorithm.Thedetections arepresentedin yellow andpecularities aremarkedwith a redframe:a)severalstationary vesselsmay bemistakenly detected as one larger vessel insteadofseveral smaller onesduetotheir mutual proximity;b)inversely,because oftheirheterogenity largevessels – especially onVHRimages – aremistakenly detected asmultiplesegments; c)dueto thefoamintheir vicinity thesurfaceofthevesselsis overestimated;d)themistontheimagecancausemisdetections. 7.1.4 Locevanje in klasifikacija plovil Postopek locevanja plovilod ostalih ocitno napacno zaznanih segmentov je preprostin je vkljucen že v modul zaznavanja plovil. Tam iz nabora vseh zaznanih segmentov izlocimo tiste, ki na podlagi parametrov ne ustrezajo segmentom plovil (npr. premajhna ali prevelika površina). Nemogoce je dolocitinajboljšipristop za locevanje plovilna vseh senzorjih in ob vseh pogojih.Glede na to, daimamo opraviti z opticnimi podatki,je verjetno najboljša izbira, da locimo zaznane objekte na podlagi kombinacijnjihovih geometrijskih, spektralnih in teksturnih lastnosti. Vse mejne vrednosti znacilk segmentov, ki souporabljenepri locevanjuplovil, sonavedenevpregledniciPreglednica 3. Segmenti, ki ne ustrezajo omenjenih pogojem,so samodejno odstranjeniiz nadaljnje obdelave. Preglednica 3. Mejne vrednosti, uporabljene pri locevanju segmentov potencialnih plovil od napacno zaznanih segmentov. Table3. Thresholds that are used while discriminating potential vessels from definite false alarms. Modul Eksperimentalniparametri Razvršcanje plovil Minimalna površina: (prostorska locljivostsenzorja)2 x 3 Maksimalna površina:400m x 50m Razmerjedolžina/širinazaplovila:4 – 7alielipsoidnostplovil:0,89 – 0,96 Vsi segmenti, ki po postopku locevanja ostanejo, so klasificirani v izbrane razrede na podlagi kombinacijnjihovih atributnih lastnosti.Za klasifikacijo segmentov sem uporabila metodo odlocitvenih dreves,pricemersem uporabila funkcijo »recursivepartitioningandregression trees« knjižnice rpart v statisticnem programskem okolju R.Klasifikacijsko drevo je oblikovano po naslednjem postopku: najprejsepoišce spremenljivka,kinajbolje razdeli segmente v dve skupini. Podatkiso loceni,nato se tapostopekuporabljaposebej zavsakopodskupino, šezlasti, dokler podskupinenedosežejonajmanjše velikosti, oziroma doklerrezultatov nimogoce izboljšati(Therneau in Atkinson, 2017).Prednosti uporabe klasifikacijskih drevesso (Rokach in Maimon, 2005): -Rezultatisorazumljiviinintuitivni. -Ekstremneposameznevrednostiinnapakevpodatkih ne vplivajo na odlocitvena drevesa.Te vrednostiso po navadiizolirane in ne vplivajo na klasifikacijo kotceloto. -Drevesa vizualno jasno prikazujejo razdelitve v razrede in so lahko razumljiva tudi neprofesionalnim uporabnikom. Zaucenjealgoritma,kaj soplovilainkajdrugiobjekti,kiso prisotni na posnetku, semuporabilaza ucne podatke približno 40 %zaznanih segmentov,kisemjih rocnooznacilavpetnajpogosteje prisotnih razredov: ladja, oblak, kopno (deli obale, otocki), valovi in sence. Zaradi preprostosti algoritma v izvedenihposkusihladjenisobile razdeljenenavecpodrazredov, saj ustreznihucnihvzorcev razlicnih tipovladij ni bilona razpolago. Vhodni podatki za regresijskodrevo sobili vsi atributi, ki semjih segmentom pripisala v fazi zaznavanja. Pozneje sem dodala pravila, pridobljena z odlocitvenim drevesom,še na preostale segmente,kiše niso imelipripisanega razreda (ostalih 60 %),in tako pridobila klasificirane segmente plovil in ostalih klasifikacijskih razredov. Pravila odlocitvenih dreves tako racunamzavsakposnetekposebej, ucne razredeje trebaob odsotnosti referencnihpodatkovzavsak posnetek posebejizbirati,karje casovno dokajpotratno.Ko modelnajde vzorce v podatkih v atributni tabeli, se izrišejo odlocitvena drevesa, ki so vizualno dobro predstavljena. Primer rezultatov odlocitvenih dreves prikazuje slika 25. Te odlocitve so pozneje aplicirane na ostalih 60 % testnih podatkov,katerimželimnapovedati,v katerirazred pripadajo.Vsemtemsevatributni tabeli samodejno pripiše razred klasifikacije glede na pogoje odlocitvenih dreves. Slika25. Primer odlocitvenegadrevesazaposnetekGeoEye (Dakar,Senegal). Figure25. An example of decisiontree resultsfor GeoEye image (Dakar,Senegal). V preglednici4jeprikazanoštevilovzorcevzavsakposamezenrazredpoposameznihposnetkih. Preglednica4. Številoucnih vzorcevglede narazred zaposameznoštudijskoobmocje. Table4. Number of training samples per class for each study area. Tippovršja Senzor* in obmocje Kopno Ladja Morje Oblak Val Sence Preprosta morska površina GE Cadiz GE Dakar GE Lampeduza 1 GE Mboro GE Lampeduza 3 GE Nouakchott IK Lampeduza_2003 QB Pozallo WV2Akra S-2 Gibraltar S-2 Sicilija S-2 Lampeduza S-2 Lezbos S-2 Samos 81 22 5 22 20 5 15 6 42 11 11 29 10 38 79 41 56 41 11 56 57 6 19 10 1 5 8 9 9 17 17 17 5 17 14 0 4 7 1 5 0 22 0 37 0 37 0 0 0 0 0 5 0 14 0 0 67 0 0 0 0 0 0 0 3 0 0 0 0 0 0 1 0 1 0 0 8 0 0 1 0 0 0 1 Kompleksnamorskapovršina GE Oeiras IK Akra IK Lampeduza_2011 95 1 18 1 87 57 0 0 14 0 0 0 0 267 0 0 0 8 Kompleksnevremenskerazmere GE Lampeduza 2 WV2Lampeduza 41 1 8 9 36 34 5 33 0 0 0 0 *GE = GeoEye,IK= IKONOS,QB= QuickBird,WV2 = WorldView2,S-2 = Sentinel-2 7.1.5 Vrednotenjezaznavanjaplovil Odkrivanjeplovil selahko navzkrižno sklicuje napodatke opoložajuploviliz sistema za spremljanje plovil(VMS)ali sistema AIS.Ker za potrebe ovrednotenja nibilo mogoce pridobitipodatkov AIS,ki bise ujemali s casom zajema in položajem analiziranih satelitskihposnetkov, jebiloovrednotenje opravljeno z vizualno analizo.Priporoceno je,da referencne podatke zagotoviobjektivnioperater,saj takozagotovimoneodvisen set podatkov. Na posnetku selahkopojavi velikolažnihalarmov, njihova diskriminacija je po navadiveliko vecjiproblemkotspregledana plovila.Izredno pomembno je,da se pri merjenju natancnosti razvitega algoritma za zaznavo plovil oziroma njegove ucinkovitosti poleg upoštevanja razmerja zaznanih plovilupošteva tudilažno stopnjo zaznav,kije pomemben dejavnikpri ovrednotenju rezultatov (Kanjir et al., 2018). Ucinkovitostpredlaganemetodezaznavanjaplovilsemocenilanavsehobdelanihposnetkihsparametri natancnostiin tocnosti,kiso navedeniv poglavju 4.1.6. (enacbe1 –11),predstavljeniso vpreglednici 5. Zalažjopredstavo,kako atmosferskivpliviinheterogenost morskepovršine vplivajo na natancnost zaznave,so rezultativalidacije razdeljeniglede na to,kajje na posnetku prisotno:preprosta morska površina,kompleksna morska površina alikompleksne vremenske razmere (posnetki,kiimajo prisotnih veliko oblakov oziroma meglic). Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja Preglednica5. Natancnost in tocnost predlaganega algoritma za zaznavanje plovil na razlicnih vrstah morskega površja ter razlicnih opticnihsatelitskihsenzorjih. Table5. Accuracyandprecisionofasuggestedalgorithmfor vesseldetectionondifferentseastates,usingdifferentopticalsatellite sensors. Tip površin Senzor*, obmocje Število pravilno zaznanih plovil Ndtrue Število napacno (klasif.) plovil Ndfalse Število zazna-nih plovil Nd Število neza­znanih plovil Nu Število dejan­skih plovil Nr Verjet­nost zaznave (%) Pd Razmerje zgrešenih plovil(%) Nu/Nr Tocnost (%) Razmerje napacno zaznanih plovil (%) Para-metri napak Preprosta morska površina GE Cadiz GE Dakar GE Lampeduza_1 GE Mboro GE Lampeduza 3 GE Nouakchott IK Lampeduza_2003 QB Pozallo WV2Akra S-2 Gibraltar S-2 Sicilija S-2 Lampeduza S-2 Lezbos S-2 Samos 298 93 15 5 127 15 135 8 33 25 2 5 8 9 19 5 1 0 2 1 2 0 1 0 0 0 0 0 317 98 16 5 129 16 137 8 34 25 2 5 8 9 32 15 6 0 9 4 7 0 1 3 2 7 0 2 330 108 21 5 136 19 142 8 34 28 4 12 8 11 90,3 86,1 71,4 100 93,4 78,9 95,1 100 97,1 89,3 50 41,7 100 81,8 9,7 13,9 28,6 0 6,6 21,1 4,9 0 2,9 10,7 50 58,3 0 18,2 94,1 94,9 93,7 100 98,5 93,7 98,6 100 97,1 100 100 100 100 100 5,9 5,1 6,3 0 1,5 6,3 1,4 0 2,9 0 0 0 0 0 0,1 0,14 0,30 0 0,07 0,2 0,05 0 0,03 0,2 50 0,6 0 0,20 Kompleksnamorskapovršina GE Oeiras IK Akra IK Lampeduza_2011 1 16 98 0 6 1 1 22 99 2 11 9 3 27 107 33,3 59,3 91,6 66,7 40,7 8,4 1 72,7 99 0 27,3 1 0,67 0,46 0,084 Kompleksnevremenskerazmere GE Lampeduza 2 WV2Lampeduza 9 10 0 2 9 12 8 5 17 15 52,9 66,7 47,1 33,3 100 83,3 0 16,7 0,47 0,37 *GE =GeoEye,IK =IKONOS,QB =QuickBird,WV2 =WorldView2,S-2 =Sentinel-2 GE =GeoEye,IK =IKONOS,QB =QuickBird,WV2 =WorldView2,S-2 = Sentinel-2 Slika26. Prikaz verjetnosti zaznave ter tocnosti zaznanih plovil na obdelanihopticnihposnetkih. Figure 26. Probability of detection and precision ratio in analysed optical data. Slika 26prikazuje verjetnostzaznave (Pd) in tocnost zaznanihplovil gledena razmerenaposnetku, ter kaže uspešnostialgoritmagledenaizbranpristop ocenekakovosti.Verjetnost zaznavedajeobcutno slabše rezultatekot tocnost, kjer se racuna razmerjemedštevilompravilnozaznanihplovil (Ndtrue) in številom zaznanihplovil (Nd), medtemko sepri Pd racuna razmerjemedštevilompravilnozaznanih plovilin številom dejanskih plovil(Nr). Pri tocnosti se torej zlahkaspregledajonezaznani objekti na testiranem algoritmu. V splošnemlahkoz opticnihposnetkov(zelo)visokelocljivostispredlaganimalgoritmomzaznavamo plovila samodejno sskoraj 80 %verjetnostjo zaznave (77,8 %), oziroma s 96 %tocnostjo.Natancneje, v primeru preproste morske površine zaznavamo plovila s 84 % verjetnostjo,plovila na kompleksni morskipovršini z61% verjetnostjoinplovilaprisotnanaposnetku s kompleksnimi vremenskimi razmerami s 60%. Rezultati kažejo, dazaznavamoplovilasposnetkov,kjer vremenske razmere nimajo velikega vpliva, velikoboljnatancno, kot tam, kjer jih imajo, kar je pricakovano. Slaba uspešnost zaznave na posnetkih S-2 (primerLampeduze z 42% inSicilijes50% verjetnostjo zaznave)je predvsemposledica spregledanih majhnih turisticnih plovil(na posnetku velikih okolitri piksle), ki sopremajhnazazaznavoinževfazi zaznaveizlocenaiznadaljnjeobdelave. Posledicnoje mogocetrditi,daposnetkiS-2 niso primerniza zaznavanje plovil,manjših od 30 m(Kanjir,2019).Kot semžeomenila, kompleksnemorskeinatmosferske razmerenaposnetkupravilomanižajouspešnost zaznave,karje prav tako razvidno nagrafu na sliki 26(tocke, oznacenezoranžnoinmodrobarvo). Najslabširezultatisopridobljeninaposnetku GeoEyenaobmocjuportugalskegamesta Oeiras(33,3% verjetnostzaznave in 100 %tocnost),kjerje prisotnih veliko belih valov,kiso posledica vetra in kiso bilinapacno zaznanikotplovila.Na posnetku je na splošno zelo malo plovil(referencna plovila za cel posnetek štejejo štiriladje). Prizaznavanju plovilssatelitskihposnetkovjepogostogeometricnaoblikaplovil neskladnazdejansko oblikoplovil v realnosti. Tojepredvsemposledica zobatostiobjektov, kozaradi lažjegadelavfazi klasifikacije,pretvorimo potencialna plovila iz rastrskevvektorskoobliko. Pravilno geometricno obliko zaznanih objektov kvarijo tudi pene in valovi okoliplovil,ki povzrocijo, da so objektinavidezno vecji. Pravilne geometrije ploviltako s samodejneobdelave satelitskihposnetkovni mogocepridobiti, razen s kasnejšo zamudno rocno obdelavo. Poleg uspešnosti zaznave sem ovrednotila tudi rezultate klasifikacije plovil. Pri ovrednotenju sem uporabila klasifikacijsko matriko napak (ang. confusion matrix), pri kateri s kvadratnomatriko v obliki preproste navzkrižne tabele ugotavljamo odnos med referencnimi »resnicnimi« podatki in rezultati klasifikacije v odstotkih pravilno razvršcenih razredov (Campbell, 1996).Diagonalne vrednosti v kvadratnimatrikikažejo število pravilno zaznanih segmentov,števila v ostalih poljih pa predstavljajo napake (natancnostproizvajalca in natancnost uporabnika).V splošnem velja, dajepri klasifikaciji splošna natancnost nad 90 % dobra, nad 80 % pa zadovoljiva (Oštir, 2006). Poleg splošne natancnosti dodajamtudi vrednost koeficienta Kappa.S koeficientomKappa merimo razlikomedpreucevanoinnakljucnoklasifikacijo in je torejdrugo merilo za izracun natancnosti klasifikacije.Koeficientje definiran v razponu med 0 in 1,kjervrednost0 pomeni,da z uporabljeno klasifikacijo nisemdosegla boljših rezultatov,kotbijih z nakljucno.Enapomeni,da je uporabljena klasifikacija brez napake,vrednost0,5 pa pomeni,da je uporabljena klasifikacija za 50 %boljša od nakljucne (Janža, 2005). Oziromakot menitaLandis inKoch(1977) sovrednosti Kappamed0 -0,20 definirane kotnizke,0,21 -0,40 kotsrednje,0,41 -0,60 kotzmerne,0,61 -0,80 kot znatne in vrednosti med0,81 -1 skoraj kot popolne.Splošne natancnostiin koeficientiKappa vseh analiz so opisani v preglednici6. Preglednica6. Natancnost klasifikacije ter koeficientKappanarazlicnihopticnihsatelitskihsenzorjih. Table6. Classification results and Kappa coeficient of vessel classification on optical satellite sensors. Tip Natancnost Koeficient površja Senzor* in obmocje klasifikacije Kappa Preprosta morska površina GE Cadiz GE Dakar GE Lampeduza_1 GE Mboro GE Lampeduza 3 GE Nouakchott IK Lampeduza_2003 QB Pozallo WV2Akra 86,44 81,36 89,74 83,33 77,78 94,44 87,63 50,00 88,24 0,80 0,74 0,77 0,00 0,65 0,87 0,80 0,00 0,77 S-2 Gibraltar S-2 Sicilija S-2 Lampeduza S-2 Lezbos S-2 Samos 73,53 84,62 81,13 55,56 91,43 0,63 0,00 0,71 0,00 0,85 Kompleksnamorskapovršina GE Oeiras IK Akra IK Lampeduza_2011 98,96 96,34 88,32 0,00 0,90 0,80 ne GE Lampeduza 2 enskeeer 76,67 0,59 Kompleksvremrazm WV2Lampeduza 84,42 0,73 *GE =GeoEye,IK =IKONOS,QB =QuickBird,WV2 =WorldView2,S-2 =Sentinel-2 Analizanatancnostikaže,dasoklasifikacijenaveciniposnetkovzadovoljiveoziromadobre. Najboljšo klasifikacijo in koeficientKappa je dosegla klasifikacija na posnetkih GENouakchott(94,44 % ter koeficient 0,87) ter na posnetku IKONOS na obmocju Accre (96,34 %, koeficient 0,90). V obeh primerih so rezultatipricakovani: plovila sonaposnetkihdobrovidnatudi s prostimocesom, zavzemajo zadostno površino pikslov za enolicno klasifikacijo, predvsem na morju ni prisotnih posledic vplivov okolja (morjeimaenolicenspektralni odboj). Najslabši rezultat klasifikacijepripadaposnetkuSentinel­2 na obmocju otoka Lezbos.Pri maskiranju kopnega je na posnetku ostalo veliko število majhnih ostankov kopnega v morju,kiso se v faziklasifikacije napacno zaznali kot plovila. Tam,kjerjekoeficientKappaenak0(posnetki:GE Mboro,GE Oeiras,QB Pozzalo,S-2 Sicilija), jena posnetku malo plovilin je zato posledicno malo zaznanih objektov za klasifikacijo.Prav tako v vseh klasifikacijskih razredih ni zadostnega reprezentativnega vzorca testnih objektov. 7.1.5.1 Cas obdelave Med obdelavosem merilacasposameznih modulovalgoritma.Maskiranje morjainvodevserijskem procesiranju 15 visokolocljivih posnetkov izbranevelikosti okoli 2,5x3km(okoli 150MB) jemogoce obdelativ približno 12 min. Sposnetka sštirimispektralnimikanalitorej dobimo masko morja v 48s. Nadaljejeprisamodejnemzaznavanjuobjektovnamorjucasovnadolžinaobdelaveodvisnapredvsem od števila zaznanih segmentov,kinajbipredstavljali plovila. Algoritemracunadljenaposnetkihzvec potencialnimi plovili, oziroma tam, kjer dobimo veliko število napacno zaznanih objektov (slabše vremenske razmere). Velikost obdelanega posnetka ne igra pomembne vloge. Cas obdelave posameznega posnetka po korakih glede na njegovo velikost prikazuje preglednica 7. Preglednica7. Cas obdelavev sekundahpoposameznih posnetkih in korakih obdelave. Table7. Processing timein seconds byindividual imagesandprocessingsteps. Tip površja Senzor* in obmocje Maska morja [min] Zaznavanje plovil[min] Velikostposnetka [kmx km] Preprosta morska površina GE Cadiz GE Dakar GE Lampeduza_1 GE Mboro GE Lampeduza 3 GE Nouakchott IK Lampeduza_2003 QB Pozallo WV2Akra S-2 Gibraltar S-2 Sicilija S-2 Lampeduza S-2 Lezbos S-2 Samos 1,1 0,7 0,6 0,8 0,7 1,2 0,7 0,8 1.2 0.7 0,8 0,8 0,9 0,7 16,4 7,2 6,1 4,1 3,9 5,4 6,3 4,2 12,3 8,9 7,6 9,9 7,2 9,8 4 x 4,2 2,2 x 1,2 1,7 x 2 2,8 x 1,8 2,5 x 1,5 1,7 x 1,1 2,5 x 2,6 1,7 x 1,1 2,3 x 1,5 74,2 x 44,3 19,8 x 12,6 49,9 x 24,8 18,7 x 15,6 21,4 x 15,8 Kompleksnamorskapovršina GE Oeiras IK Akra IK Lampeduza_2011 2,4 1,7 1,8 14,8 12,8 15,7 4,1 x 2,8 5,3 x 4,7 4,1 x 3,3 Kompleksnevremenskerazmere GE Lampeduza 2 WV2Lampeduza 2,3 1,9 16,7 14,1 2,7 x 2,7 2,1 x 1,8 *GE =GeoEye,IK =IKONOS,QB =QuickBird,WV2 =WorldView2,S-2 =Sentinel-2 V splošnemtorej zaopticni posneteks preprostomorskopovršino, kar jenajpogostejepraksa, trdimo, da pridobimo koncne rezultate v nekaj minutah od pridobitve posnetka. Ce upoštevamo še cas od trenutka, kojebil posneteknarejen, donjegovepridobitve(zavecotemglej poglavje3.4) ter obdelave, so plovila s posnetka pridobljena v manj kot uri. 7.1.6 Prikazrezultatovzaznavanjaplovil Slike 27 -30 prikazujejo rezultate zaznavanja in klasifikacije plovil, pridobljene s samodejnim algoritmom zaznavanja plovil z razlicnih VHR posnetkov. Slike prikazujejo zaznane segmente potencialnih plovil,kiso bilikasneje klasificirani v primerne razrede (ladja, kopno, val,senca, oblak) na podlagi geometricnih in spektralnih lastnosti. Ostali rezultati obdelave izbranih posnetkov so prikazaniv PrilogiAna koncu doktorske disertacije. Slika27. Rezultati obdelave na posnetku Geoeye na obmocju Cadiz(Španija). Figure 27. ResultsoftheprocessingofaGeoeyeimage,studyarea Cádiz(Spain). QuickBird Pozallo (Italija) Legenda kopno ladja morje val Slika28. Rezultati obdelave na posnetku QuickBird na obmocjuPozzala(Sicilija,Italija). Figure28. Results of the processing of a QuickBird image, study areaPozzalo(Sicily,Italy). Slika 29. RezultatiobdelavenaposnetkuIKONOSnaobmocjuLampeduze(Italija). Figure29. Results the processing of a IKONOS image, study area Lampedusa (Italy). WorldView-2 Akra (Gana) Legenda kopno ladja morje val Slika30. RezultatiobdelavenaposnetkuWorldView-2 na obmocjuAkre(Gana). Figure30. Results of the processing of a WorldView-2 image,study area Accra (Ghana). 7.1.7 Trendiinsmerniceprizaznavanjuplovilzopticnihposnetkov Pripodrobnejšempregledu zbranih metodoloških pristopov zaznavanja in klasifikacije plovilv literaturi ter med razvojemintestiranjemvtej disertaciji opisanegaalgoritma(glej poglavje4) semopazila dolocene trende.Splošniproblemi,skaterimi semse srecevalav raziskaviin kiso pogosto zaznaniv obstojeciliteraturi,so: -Kompleksnemorskepovršineali razmere,kosovvecji meriprisotni valovi, soncev odboj, oblakiin/alimajhniotocki,vplivajo na to,da dobimovelikoštevilolažnihplovil. -Plovila in njihovi sestavni deli sonaposnetkihzelo razlicnoprikazani zaradi razlicnihpogojev osvetlitev in razlicnih materialov plovil.To je razlog,da imajo plovila višjo alinižjo odbojnost kotmorska površina in jih je zato težko zaznatialiklasificiratiz enolicnimalgoritmom. -Natancnorazlikovanjeplovilinnjihovihbrazdjenaopticnihposnetkihzahtevno opravilo. -Majhnaplovila je težko klasificiratizaradiskromnega vzorca statisticnih vrednosti. -Razviti algoritemzasamodejnozaznavanjeplovilbibilomogocešeboljpospešiti z napredno strojno opremo in naprednejšimi funkcijami programiranja (paralelno procesiranje). -Zavecjorelevantnostinširšeprepoznavanjeploviljebistvenegapomena,darazvite algoritme preizkusimo na številnih posnetkih razlicnih senzorjev in na razlicnih obmocjih ter v nepredvidljivih meteoroloških razmerah.Robustnost razvitega algoritma je potrjena le z uporabo heterogenih posnetkov in satelitskih sistemov. Prirazvojualgoritma za zaznavanje plovilsemsledilacilju, danajalgoritemdeluje na vseh tipihmorske površine, navseh opticnih satelitskih senzorjihindazaznavavsetipeplovil namorjuna razlicnih obmocjih. To omogoca, da se algoritem uporablja za splošno uporabo in spremljanje razlicnih pomorskih ukrepov, kot so: spremljanje komercialnega ribolova, spremljanje okoljskih nevarnosti, spremljanje plovil in analiza prometa, opazovanje migrantskih plovil itn. Kerrazvitialgoritemni omejen specificno za zaznavanje plovil,bilahko biluporabljen za zaznavanje razlicnihobjektov,kise od svoje okolice lahko, podobnokot plovila, locijo(npr. zaznavanjekonvojev tovornjakov po Sahari, ki prevažajo migrante, zaznavanje letal parkiranih na letališcih, zaznava avtomobilov na parkirišcih itd.). Ocenjujem,dabi,gledenageometrijosatelitskih tirnic,zemeljskih postajin obdelave posnetkov,podatke o plovilih pridobilinajhitreje slabo uro po zajetju. Napodlagipoglobljeneanalizepredlagamnaslednjesmernice,po katerih najbise ravnale nove študije zaznavanja plovil: -Uporabarazlicnihopticnihsenzorjev. -Ovrednotenjerezultatovnarazlicnihtipihmorskihpovršin. -Boljša uporabainformacij,kijihprinašajo opticni satelitskiposnetki(npr. uporaba vseh spektralnih kanalov). -Izboljšava zmogljivosti zaznavanja plovil, zlasti v kompleksnejših okoljih. -Razvojklasifikacijepredvsemzamajhnaplovila. -Primerjava razlicnih klasifikatorjev za iskanje najboljšega klasifikatorja plovil. -Vkljucevanje ovrednotenja plovil, ki poleg razmerja odkrivanja vsebuje še lažno stopnjo zaznave. Zaznavanjeplovil zopticnihposnetkovjeaktualnatemavdaljinskemzaznavanju. Trend razvijanja racunalniškoucinkovitihtehnikzazaznavanjeinklasifikacijoplovil sebo verjetno nadaljevalše naprej, zlasti zaradirazpoložljivostivelikega števila brezplacnih posnetkov s povecanoprostorskoincasovno locljivostjo. Splohpodatki, ki jih bodo v prihodnostizajeli sateliti ESE (Sentineli)indrugi sateliti novejše generacije,še posebejmajhniin nanosateliti(npr. sateliti podjetij Planet, Skybox Imaging). 7.2 Zaznavanješirjenjabegunskihtaborišcscasovnimivrstami Za odkrivanje sprememb na izbranih begunskih taborišcih na otokih v Sredozemlju (predstavljena v poglavju 6.2.1),semnasatelitskihposnetkihS-2 uporabila analizo casovnih vrst,imenovanoBFAST Monitor(Verbesselt et al., 2012b). Tometodojemogoceuporabiti za ugotavljanjekje in kdajse zgodijo spremembevbegunskihtaborišcihinnjihovi bližnji okolici. Scasovnimivrstamijemogocezaznavati spremembe, ki so posledica antropogenih vplivov, kar se po navadi odraža v prostorskem smislu. Naravne spremembe navadno nastajajo na regionalnih ravneh, medtem,ko so spremembe,kijih povzroca clovek, vecinoma lokalne narave (tukaj ne upoštevamo posledic podnebnih sprememb). Navsehizbranihprimerihbegunskihtaborišcjebila za dolocevanje socio-ekoloških procesov,s fokusom na antropogenih dejavnikih, uporabljena identicna metodologija. V primeru begunskega taborišcaVial naHiosusemistipristop uporabilatudi nacasovnivrstiposnetkov Landsat8 inrezultate primerjala s tistimi, ki so bili izracunani s casovno vrstoSentinel-2. 7.2.1 Potekanalizecasovnih vrstBFASTMonitor Casovnevrstenavsehtrehštudijskih obmocjih semanaliziralavstatisticnemokolju R (http://cran.r­project.org/), s knjižnico bfastSpatial (Dutrieux et al., 2015b). Potek analizecasovnihvrst v tej nalogi prikazuje slika31. Slika31. Potek metodologije casovnih vrst BFAST, ki je bil v tej nalogi uporabljen za zaznavanje sprememb. Figure31. WorkflowofBFASTtimeseriesmethodology thatwasusedforthedetectionofchangesinthiswork. Uporabljeni posnetki so bili predobdelani po postopku, opisanem na zacetku poglavja 6.2.2. Na posnetkih sem za vsak pripadajocidatumizracunala normiranidiferencialni vegetacijskiindeks(NDVI). NDVIjepokazatelj aktivnosti vegetacije na zemeljskipovršiniinje relativnoinposredno merilo kolicine fotosintetske biomase.LetnopovprecjeNDVI oziromanjegovmaksimumzagotavlja integriran pogled na fotosintetsko aktivnost(Myneni etal., 1995), sezonskaamplitudaNDVI jepovezanas sestavo zimzelene in listopadne vegetacije (DeFries et al., 1995), prav takojedolžina rastnesezone NDVI povezana sfenološkimispremembami(Tucker et al., 2001). NDVI jeprimerenindeks zacasovnevrste, saj znjimanaliziramorazlicnespremembev vegetaciji. Taindeksje tudi indikator antropogenihvplivov na širšem obmocju begunskih taborišc,saj sonjegovevisokevrednosti dokazzdravevegetacije, njegov upad pa znamenje, da se je degradacija na obravnavanih obmocjih povecala oziroma so se skrcile naravne kapacitete (npr. posek lesa za kurjavo).Natancnosttrenda na casovnih vrstah NDVIje odvisna od uporabljenih satelitskih posnetkov,prostorske locljivostiin uporabljenih statisticnih metod (Forkel et al., 2013). Kosempridobilaslojevegetacijskegaindeksazavsedatume,semjihzložilavvecplastniinveccasovni rastrski objekt. Pri tem koraku morajo imeti vhodni podatki enak prostorski obseg, torej enako geografskoprojekcijo. Podatkeocasovnemzajemuposnetka sem samodejnopridobilaizimena sloja; zapisanisov posamezno rastrsko dimenzijo.Ko je kopicaposnetkovpripravljena,se zacne obdelava casovnih vrst. PodatkiS-2 so sicer dokaj gosto, a v casu neenakomerno razporejeni(satelitski posnetki S-2 so dostopniod sredine leta 2015 naprej;v prvih dveh letih jeopazovanjmanj, kasneje njihovo število naraste), sploh kadar so na opazovanemobmocju oblakiin je treba teposnetkeizlociti iz obdelave. RezultatecasovnevrsteBFAST lahkoopazujemonanivojuenegapiksla(tockovno)alinanivojurastra (ploskovno), analiza in rezultati obeh pristopov so opisani v naslednjih dveh podpoglavjih. 7.2.1.1 Analizacasovnihvrstnaizbranempikslu Rezultatizbrane metodologije na enemizbranem slikovnem elementu alipikslu,pridobljen sfunkcijo bfmPixel, je casovni profil za to doloceno koordinato. Iz njega razberemo zgodovinsko obdobje opazovanj, zacetek obdobja zaznavanja sprememb, vrednosti opazovanj, cas zaznave sprememb in referencnotrajektorijo(trend), ki seoblikujenapodlagi izbranegareferencnegamodelain stabilne zgodovine. Stabilna opazovanja ne sovpadajo vedno z zgodovinskim obdobjem;lahko so krajša od njega, odvisno od kvalitete opazovanj. Za vsak uporabljeni model (sezonsko-trendni, trendni, harmonicni/sezonski – za primerjavo njihovega delovanja glejsliko32) jes funkcijo bfmPixel mogoce izracunati determinacijski koeficient r2, ki imavrednosti med0in1. Povenam, kolikšendel odvisne spremenljivke(NDVI) jemogocepojasniti zizbranim regresijskimmodelom. Višjakot jevrednost determinacijskega koeficienta, boljše model aproksimiraopazovanjavzgodovinskemobdobjuoziroma v obdobju opazovanja.Nizke vrednostikoeficienta r2 soposledicanepopolnecasovnevrsteNDVI ter izpada podatkov in preostanka šumov na posnetkih (Potocnik Buhvald, 2018). Slika32. Primeri analize casovnih vrst z uporabo razlicnih modelov na istempiksluv okoliciMorie(Lezbos). Figure32. Examples of time series analysis using different models on the same pixel in the vicinity ofMoriaon Lesbos. S casovnimiprofiliprikažemo dinamiko razvoja vegetacije v okolici begunskih taborišc.Na vsakemod študijskihobmocij semzaprimerjavonanakljucni koordinati vokolici begunskihtaborišcizbrala razlicneprelomnedatume (ti razdelijo casovno vrsto na dva dela – zgodovinsko obdobje ter obdobje opazovanj)zaznavanja sprememb (po mesecih),in sicer z uporabo razlicnih modelov casovnih vrst. Rezultate determinacijskega koeficienta sem pozneje primerjala med seboj ter za vsako študijsko obmocjeizbralatisti modelinprelomnoleto(datum) z najvišjo vrednostjo koeficienta (ceprav so odstopanja vrednostikoeficientov medrazlicnimidatumidejanskozelomajhna). Pri izbiri prelomnega datuma sem upoštevala tudi to, da sta tako zgodovinsko kot opazovano obdobje dovolj dolga (zgodovinskotri, opazovanopavsaj enoleto). Takosobili datumi zacetkaopazovanj izbrani naprelomu let 2018in2019, kar pomeni, dasemnavsehštudijskihobmocjihopazovalalespremembevletu2019. Rezultatideterminacijskihkoeficientovzaizbrane tockevokolici begunskih taborišcgledena razlicen zacetek opazovanja so predstavljeniv preglednici8. Preglednica prikazuje vrednostideterminacijskega koeficienta, oziroma mero kakovostiuporabljenega modela,na razlicnih koordinatah na vseh študijskih obmocjih z razlicnim uporabljenimmodelom.Najvišjideterminacijski koeficienti so v tabelioznaceni z oranžno barvo.Tabelaprikazuje tudi prelomne tocke,ko najbise po modelu v opazovanemletu zgodila spremembavtem opazovanem pikslu(danvletu). Tabela takopomagapri odlocitvi, kateri modelje najprimernejši ter kateri datum uporabiti za zacetek opazovanj v analizi casovnih vrst. Preglednica8. Vrednostideterminacijskegakoeficienta(r2)terprelomnihtock(dnivletu) nanakljucnihkoordinatah v okolicištudijskihobmocijzrazlicno uporabljenimimodeli. Table8. Valuesofdeterminationcoefficient(r2) andbreakpoints(daysin year) onrandomcoordinatesin thevicinity ofthestudy areaswithdifferentmodelsapplied. Datumzacetkaopazovanj(leto/danvletu) LEZBOS koordinata 457156, 4331963 MoriaJ 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 /60 /90 Sezonsko-trendni 0.65 2018 0.67 2018 0.67 0.67 2019 0.67 2019 0.68 2019 0.67 2019 0.67 2019 0.67 2019 0.63 0.61 prelom zaznan /213 /223 2019/18 /58 /63 /63 /63 /63 /83 / / Trendni 0.01 0.00 0.00 0.02 0.04 0.04 0.04 0.04 0.04 0.03 0.02 2018 2018 2018 prelom zaznan /213 /223 /238 / / / / / / / / Harmonicni 0.65 0.67 0.67 0.67 0.67 0.68 0.66 0.66 0.66 0.61 0.57 2018 2018 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /228 /238 /18 /53 /53 /53 /53 /53 /53 /63 /93 LEZBOS koordinata 460778, 4330966 KaraTepeV 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 /60 /90 Sezonsko-trendni 0.82 2019 0.80 2019 0.79 2019 0.78 2019 0.78 2019 0.78 2019 0.78 2019 0.78 2019 0.79 2019 0.81 2019 0.83 2019 prelom zaznan /258 /258 /248 /238 /243 /238 /238 /238 /233 /238 /238 Trendni 0.35 0.35 0.34 0.35 0.33 0.33 0.35 0.35 0.37 0.41 0.45 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /228 /223 /238 /248 /258 /273 /273 /273 /273 /258 /258 Harmonicni 0.63 0.58 0.54 0.45 0.40 0.38 0.36 0.36 0.37 0.39 0.44 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 2019 prelom zaznan /153 /183 /213 /243 /283 /303 /18 /18 /48 /63 /93 SAMOS koordinata 498416, 4178937 VathyJV 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 /60 /90 Sezonsko-trendni 0.84 2019 0.84 2019 0.85 2019 0.85 2019 0.86 2019 0.85 2019 0.85 2019 0.83 2019 0.83 2019 0.79 2019 0.54 2019 prelom zaznan /63 /63 /63 /63 /63 /63 /63 /68 /68 /78 /118 Trendni 0.06 0.04 0.02 0.0 0.00 0.00 0.00 0.00 0.00 0.00 0.02 2018 2018 2018 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /238 /243 /278 /93 /128 /138 /123 /123 /123 /138 /168 Harmonicni 0.44 0.42 0.41 0.41 0.41 0.41 0.41 0.40 0.40 0.38 0.30 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /123 /123 /123 /123 /123 /118 /118 /118 /118 /123 /153 498255, 4178869 VathyJZ /358 /358 /8 /8 /8 /8 /63 /68 /78 /83 /118 Trendni 0.15 0.14 0.10 0.06 0.03 0.02 0.01 0.01 0.01 0.01 0.00 2018 2018 2018 2018 2018 2019 2019 2019 2019 2019 2019 prelom zaznan /233 /238 /253 /298 /318 /8 /108 /108 /118 /108 /128 Harmonicni 0.71 0.71 0.71 0.71 0.71 0.71 0.70 0.69 0.66 0.64 0.51 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /83 /83 /83 /83 /83 /83 /88 /88 /88 /93 /118 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 /60 /90 Sezonsko-trendni 0.86 2018 0.86 2018 0.85 2018 0.85 2018 0.85 2019 0.85 2019 0.84 2019 0.84 2019 0.85 2019 0.86 2019 0.87 2019 prelom zaznan /231 /231 /266 /233 /233 /233 /148 /148 /151 /236 /236 Trendni 0.18 0.12 0.08 0.04 0.03 0.02 0.01 0.02 0.03 0.05 0.09 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 prelom zaznan /216 /228 /241 /266 /283 /301 /341 /6 /138 /258 /248 Harmonicni 0.82 0.82 0.82 0.82 0.82 0.81 0.81 0.81 0.82 0.83 0.84 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /83 /83 /88 /88 /101 /106 /101 /106 /106 /111 /116 HIOS koordinata 420659, 4241922 VialJ 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 /60 /90 Sezonsko-trendni 0.51 2018 0.51 2018 0.46 2018 0.45 2018 0.45 2018 0.42 2018 0.37 2018 0.37 2019 0.37 2019 0.38 2019 0.40 2019 prelom zaznan /198 /198 /233 /291 /291 /303 /341 /331 /323 /323 /323 Trendni 0.31 0.25 0.19 0.09 0.06 0.04 0.01 0.02 0.02 0.02 0.04 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 prelom zaznan /211 /223 /223 /263 /276 /301 /341 /6 /36 /63 /91 Harmonicni 0.36 0.35 0.35 0.38 0.40 0.40 0.35 0.36 0.36 0.36 0.38 2018 2018 2018 2018 2018 prelom zaznan /313 /316 /316 /341 /316 / / / / / / HIOS koordinata 420645, 4241984 JZ odtaborišca 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 /60 /90 Sezonsko-trendni 0.87 0.87 0.87 0.87 0.86 0.86 0.86 0.87 0.89 0.89 0.90 2018 2018 2018 2018 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /248 /255 /280 /280 /220 /220 /213 /218 /218 /215 /198 Trendni 0.17 0.12 0.07 0.05 0.03 0.02 0.04 0.08 0.11 0.13 0.17 2018 2018 2018 2018 2018 2019 2019 2019 2019 2019 2019 prelom zaznan /203 /215 /238 /248 /270 /63 /78 /118 /225 /223 /220 Harmonicni 0.81 0.81 0.81 0.80 0.81 0.80 0.79 0.82 0.83 0.84 0.84 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 2019 prelom zaznan /188 /195 /213 /325 /325 /340 /43 /50 /65 /65 /100 MALTA koordinata 455081, 3964321 V odtaborišca koordinata 454931, 3964097 JZ odtaborišca 2018 2018 2018 2018 2019 2019 2019 2019 2019 2019 prelom zaznan /213 /223 /248 /248 /175 /175 / /295 /293 /248 /363 Trendni 0.29 0.22 0.13 0.09 0.05 0.04 0.05 0.08 0.11 0.13 0.17 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 prelom zaznan /205 /223 /238 /245 /270 /303 /340 /143 /175 /260 /250 0.73 Harmonicni 0.740 0.738 0.746 0.749 0.752 0.751 0.727 0.721 0.714 0.721 7 2018 2018 2018 2018 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /178 /363 /363 /363 /3 /3 /8 /43 /103 /12 /128 SICILIJA Koordinata 467859, 4127317 Z odtaborišca 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 /60 /90 Sezonsko-trendni 0.83 0.83 0.83 0.84 0.83 0.83 0.83 0.83 0.83 0.84 0.86 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /173 /183 /178 /178 /188 /203 /198 /223 /228 /163 /168 Trendni 0.03 0.01 0.01 0.00 0.00 0.00 0.00 0.00 0.00 0.01 0.04 2018 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /268 /113 /108 /98 /98 /98 /98 /98 /98 /113 /303 Harmonicni 0.83 0.83 0.83 0.84 0.83 0.83 0.83 0.83 0.83 0.84 0.86 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /158 /158 /128 /128 /128 /153 /153 /153 /158 /153 /128 SICILIJA koordinata 468169, 4127864 V odtaborišca 2018 2018 2018 2018 2018 2018 2018 2019 2019 2019/ 2019 model /150 /180 /210 /240 /270 /300 /330 /1 /30 60 /90 Sezonsko-trendni 0.86 2019 0.86 2019 0.86 2019 0.86 2019 0.85 2019 0.85 2019 0.85 2019 0.84 2019 0.82 2019 0.78 2019 0.81 2019 prelom zaznan /38 /38 /48 /48 /38 /38 /38 /48 /223 /223 /233 Trendni 0.08 0.05 0.02 0.01 0.01 0.00 0.00 0.00 0.00 0.01 0.03 2018 2018 2019 2019 2019 2019 2019 prelom zaznan /233 /248 /243 / / /128 /128 /118 /118 / / Harmonicni 0.85 0.85 0.86 0.86 0.85 0.85 0.84 0.83 0.82 0.78 0.81 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 2019 prelom zaznan /58 /58 /58 /68 /73 /68 /58 /88 /218 /223 /228 V vsehprimerih sejepokazalo,dajesezonsko-trendni model najprimernejši (navseh tockahin prelomnih datumih ima najvecji determinacijski koeficient), zato sem ga uporabila pri nadaljnjih rastrskihanalizah. Preglednica 8prav tako prikazuje, kako se prelomnetocke(breakpoints), zaznanev opazovanem obdobju,spreminjajo glede na prelomni datum.Predvidevam, da le tam,kjerse prelomni datum ponavlja veckrat, dejansko prihaja do vecjega odstopanja v opazovanjih oziroma je možna sprememba v okolju. Zaradi majhnih odstopanj med vrednostmi v determinacijskem koeficientu v izbranihdatumihsemzavsaštudijskaobmocjaizbralakot zacetek opazovanjprvidan v letu 2019.S temsemzagotovilazgodovinskimopazovanjemdovolj dolgocasovnovrsto(vsaj tri letaopazovanj). Navsehobmocjihsemtorejzaradiizbrane metodologije opazovala spremembe,kiso se zgodile v letu 2019. 7.2.1.2 Analizacasovnihvrstnarastru Rastrska obdelava(funkcija bfmSpatial) je racunskovelikobolj zahtevnakot racunanjecasovnevrste na posameznempikslu.Drasticno pospešitev rastrske obdelave sem dosegla s paralelnimracunanjem, ki obdeluje podatke na vec racunalniških jedrih hkrati. Hitrost obdelave je odvisna od števila racunalniškihjeder, s katerimi razpolagamo. Zanemotenodelovanje semnajprej definiralazacetek opazovanj; na vseh treh obmocjih zagotavljajo zgodovinsko opazovanje nabor posnetkov vsajtreh let. Verbesselt et al. (2012) namrec menijo, daje stabilnazgodovina za natancno spremljanje sprememb vsaj dve letiopazovanj(za podatke MODIS). Algoritemizdosledneganaborazgodovinskihposnetkov izracunapovprecjeinpridobi primerno vrsto meritev.Za posnetkeS-2 so zgodovinski posnetki dokaj omejeni,sajjeoperativen od leta 2015 naprej.Zatocasovna vrsta satelitaS-2 nitako dolga, kot bi bili, na primer, casovni vrstiposnetkov LandsataliMODIS. Rezultatcasovnevrstenarastrusotrirastrskepodobe: 1. Prelomna tocka (ang. breakpoint) jecasovno obdobjeprekinitve oziroma zaznana sprememba v opazovanemletu. Tosolahkoposledice(Forkel et al., 2013): 1) napak harmoniziranega nabora podatkov,pridobljenegaod razlicnih senzorjev (do tega v opisanemprimeru ne more priti,sajsemuporabljala samo casovne vrste istih senzorjev),2)meteoroloških popacenj(oblaki na posnetku ali snežnipokrov)in 3)okoljskih procesov,kotso, na primer,vplivimedletnih sprememb v vremenskih razmerah ali motnja ekosistemov. 2. Magnitudaspremembe(ang. change magnitude) ali velikost zaznanespremembejerazlikamed pricakovanimiin opazovanimi(dejanskimi) vrednostmi v obdobju spremljanja.Magnituda se uporablja tudi zalocevanjemeddejanskimi spremembami nazemeljski površini (npr. krcenje gozda)in drugimidejavniki,kipotencialno povzrocajo spremembe oziroma prelomne tocke (npr. šumi v podatkih). 3. Napake(ang. errorflag) nastanejo, kadar pridedozaznanenapakenapikslu, tj. kadarmodel odloci,da je v stabilniperiodipremalo število referencnih podatkov. Magnitudespremembalgoritem BFASTMonitorvobdobjuodkrivanjaspremembzaznavasamodejno. Rezultate analize satelitskihposnetkovje mogoce opisatikot odkrivanje »žarišcnih« obmocij s pomembnimipozitivnimiin negativnimitrendiv vegetacijskempokrovu v obravnavanemkraju in casu. Pozitivna vrednost magnitude pomeni nenaden skok v vegetacijski aktivnosti, medtem ko negativna magnituda pomeni nenaden padec vrednosti odboja vegetacije, najverjetneje zaradi novih pozidav, sekanjadreves, obdelovanjazemljeipd. Negativni trendi vokolici vsehštudijskihprimerovbegunskih taborišc sozaradi njihovegavplivanaokolicošeposebej pomembni, zatomezazaznavanjedegradacije v okolici zanimajo prav te informacije,kikažejo,kolikšen je vpliv cloveških dejavnosti na okolje.Iz vrednostinegativnih magnitud v casovnivrstipoleg vrednostisprememb NDVIpridobimo tudi podatke o položaju in casu nastalih sprememb. Slika33. NegativnespremembevrednostiNDVIvokolicibegunskihtaborišc, modeliranessezonsko-trendnimmodelom napodatkih Sentinel-2.Spremembekažejo odrazsituacijeza leto 2019.Kotpodlaga služijozaprikazposnetkipodjetja Planet(PlanetLabsInc.,2020),zlocljivostjo3m. Figure33. NegativeNDVIchangevaluesinthevicinityofrefugeecamps, modeledwiththeseasonal-trendmodelonthe basisofSentinel-2 data.Changesreflectthesituationfortheyear2019.Thebackgroundimages arePlanetimages (Planet LabsInc.,2020) with3m resolution. Kersem analiziralarelativnokratkecasovnevrste,jepravespremembevokoljutežkozaznavati z visoko gotovostjo, zato torejspremembe le približno ocenimo.Ob natancnempregledu je mogoce opaziti,da so na razlicnih obdelanih tockah na istih obmocjih trendirazlicni(pozitivniin negativni),kar pomeni, da je v okolici vseh treh študijskih obmocijzaznatitako ozelenjevanje kakortudi degradacijo. Zapotrebe zaznavanja negativnega vpliva na okolje semprikazala samo negativne spremembe (slika 33). Te soprikazanevrdeci barvni lestvici; temnejšakotje barva, vecjajedegradacijaoziromaizguba vegetacije na obravnavanem obmocju. Negativne vrednosti sprememb NDVI so lahko dejanske vrednosti,nižje od pricakovanih vrednostiNDVI(dejanske spremembe),alipa se za stabilno obdobje zajema premalo referencnih opazovanjterse zato izoblikuje napacen trend (zaznane navidezne oziroma napacne spremembe) (Potocnik Buhvald, 2018). Napacne oziroma navidezne spremembe so lahko prisotne navkljub dobrivnaprejšnjipripravipodatkov (geometricni,atmosferskipopravkiinizlocevanje šumov) insonajverjetnejeposledicaslabšekvalitetemaskeoblakov. Pri vrednotenjurezultatov sije za smiselnost rezultatov zato treba pomagati z grafi analize tockovnih casovnih vrst. V nekaterihprimerihjevokolicibegunskihtaborišczaznati,poleg samega širjenja begunskih taborišc, kiso spregledovalnikov relativno preprosto vizualno preverljiva,tudiostale negativne spremembe. Te spremembe so lahko posledice povecanega prebivalstva ter posledice razmer v katerih prebežniki prebivajo (npr.izsekavanje lesa za kurjavo).Njihov vzrok je samo z vizualno metodo težje dolocljiv;za njihovo preverjanjebi potrebovaliterenske podatke. OpazovanjetaborišcaMoria,kijetrenutnonajboljprenaseljenobegunskotaborišcevGrciji,scasovnimi vrstamije pokazalo, da se je taborišce v letu 2019 razširilo na severter na severozahod (slika33a), kar potrjuje tudi vizualna analiza na posnetkih zelo visokih locljivostipregledovalnika Google Earth.To pomeni,da se je na teh obmocjih skrcila vegetacija,kiso jo nadomestila zacasne,improvizirane hiše in šotori. Pravtakojena širšemobmocju zaznatinegativne vrednosti spremembe NDVI(magnituda),ki soposledicasprememb nakmetijskihnjivahskozi leta(kolobarjenje), kar v temprimeruni objekt zanimanja. CepravpredstavljataborišceKaraTepenavzhoduotokaLezbosprehodnomestozamigrante v Morii, v okolicitaborišca v letu 2019 ni zaznati sprememb(slika33b). Popodatkih v literaturi se taborišce Kara Tepe,kjersovosnovinastanjeneranljivedružine,odleta2017,kojegrškavladapovecalaobseg za vec kotpolovico,ni vecalo.Tako kotv okoliciMorie,je tudiv temprimeru v širšiokolicitaborišca zaznati spremembe na kmetijskih obmocjih, ki najverjetneje niso spremembe, ki bi kazale vpliv povecanega števila prebežnikov na bližnje okolje. V okolici taborišca Vathy naotokuSamossovopazovanemleturezultatipokazali,dasevokolici begunskih taborišc povecujejo gole površine(slika33c). Opazno je,da se je begunsko taborišce leta 2019 (sploh v drugipolovicileta)napramprejšnjimletomocitno povecalo,karse sklada sstanjemiz terenskihopisovin literaturo(RSA, 2019). Napacno sokot negativnespremembezaznanaobmocjana sencnih straneh površja v okolici. Prav tako,sicer v manjšem obsegu,se je povecalo begunsko taborišce Vial na otoku Hios,kjerje negativne spremembe zaznatipredvsemna vzhodnemdelu obmocja taborišca(slika33d). Na obmocju begunskih taborišc na Malti in Siciliji v letu 2019 ni zaznanih nobenih negativnih spremembvokolju. Vokolici malteškegataborišcaHal Tar (južno) semzvizualnoanalizo na posnetkih opazila,da je zaznatile negativne spremembe kijih je povzrocilo širjenje industrijskega obmocja(slika 33e). NaSiciliji sonegativnespremembezaznanekot pravilnegeometrijskeoblike, kar jeposledica obdelovanja in spremembe vegetacijskega pokrova na njivskih obmocjih glede na prejšnja leta(slika33 f). Odsotnostnegativnih sprememb,tako na Sicilijikotna Malti,lahko pripišemotemu, dastataborišci skrbnoograjeni, kar onemogoca nenadzorovano širjenje,prav tako njuniprebivalciniso imeli/nimajo neomejenega dostopa do neposredne okolice.Vprimeru Sicilije je vzrok za odsotnostsprememb tudi zaprtje taborišca v sredinileta 2019. Ugotovitve: -S premikanjem datuma zacetka opazovanega obdobja na casovni vrsti sem ugotovila, da so prelomne tocke (breakpoints) odvisne od dolžine zgodovinskega obdobja, prav tako je od dolžine casovne vrste odvisen izracunan trend. Toješeposebej ocitnopri krajšihcasovnih vrstah na podatkih S-2,kjerje zgodovinsko obdobje kratko in ima trend že z manjšimi casovnimi razlikamidrugacno valovanje.Daljšakojecasovnavrsta, bolj jemogocemodel približatidejanskistvarnosti. Slika 34prikazuje,kako na trend casovne vrste vplivajovrednosti v zgodovinskem obdobju terštevilo vhodnih podatkov oziroma gostota casovne vrste. Slika 34. Prikazvplivacasazacetkaopazovanegaobdobjanarezultatetrenda inprelomnihtock.Rezultati,izracunani s sezonsko-trendnimmodelom,prikazujejoopazovanjanaistempikslu. Zacetekopazovanegaobdobjajevgrafuzgoraj levodefiniranna180.danvletu2018,zgorajdesnona1.danleta2019,spodajlevopana180.danv letu2019. Figure34. Thetemporalstartingpointoftheobservedperiodinfluencesthetimeseriestrendandbreakpoints. Results showobservations ofthesamepixel,calculated withtheseason-trend model.Inthe upperleftgraph thestart ofthe observationisdefined onthe 180.julianday in 2018,intheupperright onthe1.day in 2019 andinthelowerleft on the180.dayin2019. Zgornjigrafkaže,daizbiradatumazacetkaopazovanegaobdobjavplivanarezultate trendain prelomnih tock, posebej v kratki casovni vrsti. Posledicno je torej dolgo stabilno obdobje kljucno za koncnirezultat analize casovnih vrst.Obenemje pomembno tudi, da je opazovano obdobje dovoljdolgo, vsaj eno leto. -Najslabšerezultatedeterminacijskegakoeficientavvsehprimerihdaje trendni model, nato harmonicni, najboljše rezultate sem pridobila s kombinacijo obeh modelov, s sezonsko­trendnimmodelom. Toje tudi zapricakovati, saj se tanajboljeprilagodi vrednostimvcasovni vrsti (glej sliko 32). -Na vsehštudijskih obmocjihimamo na voljo relativnokratka zgodovinska(okoli trileta)in opazovalna obdobja (eno leto).To pomeni, da opazujemo samo spremembe,kiso se na obravnavanih obmocjih zgodile v zadnjem letu, letu 2019. Z daljšo casovno vrsto (npr. senzorjevLandsat 5, 7), bi bilomogoceopazovati, kdaj sejedejanskotaborišce širiloinkjeso vecjivplivina okolje;z danimirezultatiso zaznane spremembe na obmocju begunskih taborišc le približno ocenjene. -Rezultatiinkvaliteta zaznanih sprememb so zelo odvisni od vhodnih podatkov.Za doseganje kvalitetnih rezultatov analize casovnih vrstje potrebna gosta in dovoljdolga casovna vrsta,prav tako tudi kvalitetne maske senc in oblakov. -Cepravjebilozmetodo BFAST Monitor mogocezaznati spremembevkrajini za izbrana obmocja v kratkem obdobju,nibilo mogoce zaznatijasnega vzorca degradacije zemljišc.Za to bibilo potrebno najtijasno povezavo med širjenjem begunskih taborišc in zmanjšanjem naravnih virov. 7.2.2 Vrednotenjeoziroma primerjava analize casovnih vrstsenzorjev Sentinel-2 in Landsat8 Zaocenjevanjeucinkovitostimetodejebistvenegapomenaprostorsko-casovno preverjanje, kar pomeni da se preverjajo spremembe tako po casu kotpo prostoru. Validacijaveccasovnihmetod za zaznavanje spremembpogostoni neposredna, saj morajobiti zatonavoljoneodvisni referencni podatki za širok razponpotencialnihsprememb(Kennedy etal., 2007). Terenskih (referencnih) podatkovni bilonavoljo za nobeno od izbranih obmocij. Zapreverjanje negativnih sprememb,kijih pridobimo z metodo casovnih vrstBFAST,sem za primerjavo na obmocju taborišca Vial na otoku Hiosopravila casovno analizo z istimalgoritmomtudi na posnetkih Landsat8 terprimerjala podatke pridobljene z obema satelitskimasenzorjemamedseboj. Cilj teanalizejedokazati, dacepravsoposnetki S-2 dostopni nekaj let in s temtvorijo relativnokratkocasovnovrsto, znjihovoanalizo s pristopomBFASTmonitor lahko prikažemo pravilne informacije o spremembah in trendih.Landsat8jebil, cepravjedostopenlenekaj let veckot S-2, za primerjavo izbran,kerso spektralni kanaliobeh senzorjev zelo podobni,prav tako imajo posnetki podobno geometricno natancnost(USGS, 2020). PodatkiLandsat8 imajo daljšo casovno vrsto (za to obmocje so dostopniod aprila 2013 naprej),a nižjo casovno locljivostkotposnetkiS-2 (dostopniso vsakih 16 dni).Vanalizo so bilivkljuceni 103 posnetki Landsat8(obpogojupod20%oblacnostinacelotnemdostopnemposnetku, jebilo s spletnegaservisa SentinelHub prenesenih 151 posnetkov(Sentinel Hub, 2020), vendarjihjebilo48rocnoodstranjenih zaradi oblakov cez izbrano študijsko obmocje). Specifika za Hiosje, da tako na podatkih S-2 kot na podatkih Landsat8 gosti oblakiprekrivajo zemeljsko površjepredvsem v zimskih mesecih, zato je casovna vrsta v obeh primerih v teh mesecih redkejša. Slika 35. Primerjavatrajektorijtrendagledenastabilnozgodovinospodatkov Sentinel-2 terLandsat 8 na istempikslu, z istimuporabljenimmodelom. Figure35. Thecomparisionoftrendfitbased onstablehistory obtainedfromSentinel-2 andLandsat8 data forthe samepixelandthe sameusedmodel. Opazovanja in vrednostihistoricnih podatkov,stabilne zgodovine in trenda se na obeh podatkih ujemata (slika35). Ocitnoje, daponujaS-2 gostejšo vrsto podatkov, casovna vrsta Landsat8 jezadoticno obmocje, ceprav ima dostopne podatke za daljše obdobje, naceloma preredka.S-2 torej v primerjavi z Landsat 8ponuja –za nekoliko krajše obdobje –relevantnejšepodatkezaanalizocasovnihvrst, saj so le te gostejše. Vseeno so manjše natancnosti rezultatov tudi v krajših casovnih vrstah. Predvsem obmocja izven Evrope so za leto 2015 slabše pokrita kotsama Evropa.Zato lahko trdim,da so posnetki S-2 primerni za nadaljnjo analizo in bodo predvsem v prihodnostizelo uporabno orodje za zaznavanje spremembzanalizo casovnih vrst. Po vizualnem pregledujedirektnaprimerjavanegativnozaznanih spremembnaizbranemobmocjumed obema senzorjema zaradinjunih razlik v locljivostih neprimerljiva. Zapreverjanje ucinkovitostipredlaganega analizecasovnih vrstterdobljenih sprememb sem za vsako študijskoobmocje na sredozemskih otokih uporabila sto tock,kisemjih nakljucno ustvarila v programu QGIS. Ker rezultati negativnih sprememb magnitud prikazujejo spremembe v letu 2019, sem za validacijo uporabila posnetke podjetja Planetiz zacetka leta 2019 terzacetka 2020.Vse tocke so bile vizualno pregledane;dodeljena jimje bila vrednost spremembe,ko so bile te zaznane.Tereferencne tockesonatoprimerjane stockami,pridobljenimiz analizo casovnih vrstBFAST.Matrika napak je za vsako obmocje je prikazana v preglednici9. Preglednica 9. Natancnosti zaznave sprememb v okolici begunskih taborišc na grških otokih. Spremembe so predstavljalevsevrednostiz negativnomagnitudo. Table9. Accuracydetectionofdetected changesinthevicinity ofrefugeecamps ontheGreekislands.Thechanges representedallvalueswithanegative magnitude. Lezbos BFAST Ni spremembe Sprememba Vizualna analiza Ni spremembe 80 9 Sprememba 2 9 Opazovana natancnost: 0,89 Kappa koeficient: 0,56 Samos BFAST Ni spremembe Sprememba Vizualna analiza Ni spremembe 86 4 Sprememba 0 10 Opazovana natancnost: 0,96 Kappa koeficient: 0,81 Hios BFAST Ni spremembe Sprememba Vizualna analiza Ni spremembe 86 6 Sprememba 7 1 Opazovana natancnost: 0,87 Kappa koeficient: 0,07 Malta BFAST Ni spremembe Sprememba Vizualna analiza Ni spremembe 89 4 Sprememba 0 7 Opazovana natancnost: 0,96 Kappa koeficient: 0,76 Sicilija BFAST Ni spremembe Sprememba Vizualna analiza Ni spremembe 76 2 Sprememba 5 17 Opazovana natancnost: 0,93 Kappa koeficient: 0,79 Kotžeomenjenovpoglavju 7.1.5, senatancnost oziromatocnost izracunakot razmerjemedpravilno zaznanimi spremembamiglede na celotno število testiranih tock, vrednostKappa pa je metrika, ki primerja opazovano in pricakovano natancnost.Analiza kaže,da so bile negativne spremembe na vseh študijskih obmocjih v povprecju zaznane z 92 % tematsko natancnostjo. Najpogostejše negativne spremembe, ki semjihzaznala, vkljucujejo prehod iz gozda ali travnika v golo zemljo alipozidano obmocje.Napacnozaznanespremembesopogostosence, ki jih na zemeljsko površje mecejovisokteren alivisokiobjekti.Kot napacnozaznanenegativnespremembesolahkotudi razlicnifenološki stadiji vegetacije med leti. Najboljesobile negativne spremembe v okolici begunskih taborišc zaznane v primeru Samosa,sajsta visoka tako natancnostzaznave kot koeficientKappa (96 %oziroma 0,81).Tukajje sprememba rabe tal kot rezultat cloveških dejavnosti v letu 2019 precej dinamicna, zaznati je povecanje begunskega taborišcazacelih50.000m2. Podobnojevprimerubegunskega taborišcaMorianaotokuLezbos, kjer sejetaborišce razširilovenemletuzaokoli 13.000 m2. Natancnost zaznavejebilanatem študijskem obmocju 89 %, koeficientKappa je dosegel0,56.Najnižjo vrednostnatancnosti zaznave sprememb je opaziti na primeru otoka Hios,kjerje natancnost sicerdosegla 87 %,koeficientKappa imavrednost 0,06.Nizek koeficientKappa jeposledica napacne klasifikacije dejanskihspremembkotobmocja brez sprememb na celotnem obmocju.Analiza casovnih vrst v temprimeru ni dala dobrih rezultatov,sajje že z vizualnimpregledom zgodovinskih posnetkov širjenje begunskega taborišca vec kot ocitno.Z analizo casovnih vrstje bilo spregledano novo obmocje, veliko okoli20.000 m2, ki je nastaloglede na leto poprej. Razlogi zaslabozaznavosovtem, dasoseglavne širitvebegunskegataborišcadogajalepredvsemv letu2020, kar jepažeizvencasa analize (opazovanega obdobja),referencni podatki, na katerih smo preverjali spremembe, so iz zacetka leta 2020. Rezultati so torej posledica casovne razlike med referencnimi podatki inanaliziranimi podatki. V primerubegunskegataborišca HalFarnaMaltije opazno, da se samo taborišce niširilo,spremembe je opazitile na industrijskem obmocju v okolici. Natancnostzaznave je bila v temprimeru 96 %, koeficientKappajedosegel vrednost 0,76. NaSiciliji jezaznati, daseokolicabegunskegataborišcaCaradi Mineovletu2019 ni širila, saj jebilotakrat taborišcezaprto, pravtakojebiložeodsamegazacetkaograjenoin torej fizicnoomejeno. Spremembe na obravnavanem obmocju predstavljajo le spremembe na kmetijskih zemljišcih, karje posledica obdelovanja razlicnih kulturskozileta.Zaznava je bila tukaj93 %uspešna, koeficientKappajedosegel na temštudijskem obmocju vrednost0,79. 7.2.3 Vplivnaokolje,zaznanscasovnimivrstami Vplivnaokoljejemogocezaznavati kot širjenje urbanih površin ali degradacija naravnega okolja. Ceprav prebežniki predvsem v okolici najvecjih begunskih taborišc na svetu (npr. Kutupalong (Bangladeš), Bidibidi (Uganda) ali Dadaab(Kenija), kjer prebivapovecsto tisocljudi) zbirajoles za kurjavo tudido 10 km okolitaborišc,v katerih živijo (AmnestyInternational, 2009; Bloesch, 2001), semnapodlagi casovnihvrst opazovalavplivnaokoljelevneposredni bližini begunskih taborišc.V nobenemod izbranih begunskih taborišc na sredozemskih otokih zaenkratne prebiva vec kotdesettisoc ljudi. Vpliv na okolje sem na podlagi rezultatov casovnih vrstdolocila na podlagi verjetnostnih razredov, ki sobili definirani gledenamagnitudo zaznanih sprememb.Ena od prednosti verjetnostnih razredov je, da se lahko uporabnik odloci,kakšna je sprejemljiva raven,kije odvisna od namenaaplikacije (Lambert et al., 2015). Opazovani sobili samopiksli znegativnovrednostjospremembNDVI, ki predstavljajo spremembovaktivnosti vegetacije. Vplivnaokoljejebil dolocenpojakosti negativne spremembe NDVI(magnitude). Vecja kotje sprememba, vecja je degradacija oziroma slabljenje vegetacije na obravnavanemobmocju in posledicno je bolj verjeten vpliv na okolje.Ta je razdeljen v tri razrede,ki so bili empiricno doloceniglede na jakostnegativno zaznane magnitude: -visok alizelo verjeten vpliv (vrednostspremembe NDVImanjše od -0,3), -zmeren aliverjeten vpliv (-0,3 < vrednostspremembe NDVI< -0,2)in -majhenalimanjverjetenvplivnaokolje(-0,2 < vrednostspremembe NDVI< -0,1). Rezultativplivanaokoljeporazredihsozavsaštudijskaobmocjaprikazani nasliki 36. Slika36. Velikost vpliva na okolje glede na negativno zaznanespremembev okolicibegunskihtaborišcv letu 2019. Figure 36. The magnitude of the impact on the environment based on negative changes in the vicinity of refugee campsin2019. Kervdisertaciji opazujemspremembelevletu 2019,je o bistvenih vplivih na okolje težko govoriti, med drugim tudi zato, ker motnje v ekosistemu po navadi zaznamo zakasnjeno. Glavni kazalnik degradacije talv okolicibegunskih taborišc je nenehno povecevanje golih taloziroma širjenje begunskih taborišc.Tudi ko se število ljudi v begunskih taborišcih v nekitocki zacne manjšati,se degradacija nadaljuje še leta kasneje (Lang et al., 2010). Zadolocevanjevplivaokoljabipotrebovalidaljšocasovnovrsto.Pravtakonibilomogocezanobenega od opazovanih begunskih taborišc dobiti referencnih podatkov na podlagi terenskih raziskav ali obstojecih zemljevidov vegetacije.Vplive na okolje je zato mogoce z rezultatipredlagane metode le domnevati.Predlagana metoda je torejzgoljprikaz možnih pristopov za ocenjevanje posegov v okolje, za nadgraditev in relevantno kvantifikacijo so nujne terenske raziskave ter sodelovanje z drugimi strokovnimi podrocji. 7.3 Povzetekinsklepi V poglavjusempredstavilauporabljenometodologijoinrezultateanaliz.Postopekzaznavanjaplovilje sestavljeniz štirihosnovnihmodulov, ki semjihizvajalazaporedno. Privsakemkoraku so predstavljene njihove omejitve.Predstavila sem vrednosti natancnosti zaznave in klasifikacije plovil terprihodnje trendein smernicepri zaznavanjuplovil zopticnihposnetkov. Zopticnih posnetkov (zelo)visoke locljivosti lahko s predlaganimalgoritmomzaznavamoplovila s skoraj 80% verjetnostjozaznave. Plovila zaznavamo boljnatancno sposnetkov,kjervremenske razmere nimajo velik vpliv,kottam,kjer jih imajo. Kasneje semopisalauporabljeni algoritemzaanalizocasovnihvrst BFASTMonitor inpredstavila rezultate tako na tockovnem kot na rastrskem nivoju. Negativne spremembe so zaznane z 92 % natancnostjo. Za primerjavo poteka casovnih vrst na istem obmocju sem primerjala rezultate na posnetkih S-2 sposnetkiLandsat8. PodatkiS-2 imajogostejšo casovno vrsto in je zato primernejšiza analize casovnih vrst. Nakoncupoglavjasempredstavilašemožnevplivenaokolje,kijihjemogocezaznatispredstavljeno metodologijocasovnihvrst. ZAKLJUCEK V doktorski nalogi sem se ukvarjala z dvema obširnima temama, ki sem ju opazovala z opticnimi satelitskimiposnetki: zzaznavanjemplovil v Sredozemlju ter širjenjembegunskihtaborišc na petih sredozemskihotokih. Obe temi senavezujeta na širšo tematikomigracij, znamenom pokazati, kako lahko daljinsko zaznani podatki podprejo, dopolnijo in bogatijo razumevanjemigracij, potrdijo(ali ovržejo) obstojece domneve o njihovih dinamikah in pokažejo na trenutno stanje in spremembe v prostoru. V zakljucnemdelu disertacije najprej odgovorim na zastavljene hipoteze in obenem podam kljucne ugotovitvenaloge.Kasnejeizpostavimizvirni prispevekk znanosti indelo zakljucimspredlogiin usmeritvamiza prihodnje raziskave na obravnavanempodrocju. 8.1 Vrednotenje raziskovalnih hipotez skljucnimiugotovitvami V nalogisempreverilanaslednjetrihipoteze. Hipoteza1:Z uporabo objektnegapristopaje z(zelo) visokolocljivih opticnih satelitskihposnetkov možnoprepoznatimajhnaplovilana morju. V prvem delu naloge sem na podlagi dostopne literature podrobno preucila obstojece metode za zaznavanje plovil z opticnih satelitskih posnetkov in identificiralakljucnekorake, ki sopomembni pri razvoju samodejnega algoritma za zaznavanje plovil. Ti koraki so: locevanje morja in kopnega, zaznavanje potencialnih kandidatov plovil, odstranitev napacno zaznanih plovil (locevanje) in klasifikacija pravilno zaznanih plovil. Uspešnost zaznave plovilje odvisna od mnogih dejavnikov, na primer, od vremena, odboja soncevih žarkov na vodi in njihovega vpadnega kota, vrste senzorja snemanja, znacilnosti opazovanega objekta in sledi, ki jih plovilo ustvarja ob plutju. Pri razvoju samodejnega algoritma zaznave plovil sem vkljucila vse omenjene korake razvoja in poskušala upoštevativse dejavnike, ki bilahko izboljšaliuspešnostzaznave plovil. Gledenaobilicotestov,kisemjihopravilana posameznih srednje(Sentinel-2)in(zelo) visokolocljivih opticnih satelitskih posnetkih (GeoEye,WorldView-2,QuickBird,IKONOS),lahko dano hipotezo le deloma potrdim.Izkazalo se namrec je,da je z razvitim algoritmom zaznavanja manjših plovil (manjša od 20 m) na satelitskih posnetkih razlicnih locljivosti mogoce zaznavatiplovila z 78 %natancnostjo. Veckot80% natancnostdosežemole,kadar zaznavamoplovila naposnetkih spreprosto morsko površino(brez valov)in brez vremenskih posebnosti(oblaki, meglice). Vprimeru, kojena opticnih posnetkih prisotna kompleksnejša morska površina (z valovi)in/ali slabše vremenske razmere, daje algoritem slabše rezultate in lahko plovila na takšnih posnetkih pravilno zaznamo z le okoli 60 % verjetnostjo. Poleg omenjenega sem ugotovila tudi, da solažni pozitivi velikovecji problemkot plovila, ki so izpušcena pri zaznavanju. V literaturi se to kaže pri razlicnih pristopih ovrednotenja natancnosti zaznave, s katerimiselahkoizognemodejanski uspešnostialgoritma.V mojem primeruje na vseh testiranihposnetkihverjetnost zaznave plovil78 %,tocnost zaznave plovilpa kar96 %.Razlikamed obema vrednostma sešepoveca na posnetkih,kjerso prisotni razlicni vremenski vplivi, predvsem meglicealioblaki,terkompleksnapovršina morja(okoli60% verjetnostzaznavein90% tocnost).Za vrednotenje uspešnosti algoritma zaznavanja in klasifikacije plovil je torej pomembna njegova objektivna validacija.Skozi raziskavo se je izkazalo, da morajo izbrani testni vzorci vsebovati reprezentativen nabor plovil vseh velikosti, ki se pojavljajo na posnetkih v razlicnih vremenskih in morskih stanjih(torej nesamovidealnihrazmerah) inda najbibiliizbraniv razlicnih,heterogenih obmocjihpo svetu. Kotpricakovano,somajhnaplovilazelodobro zaznana iz(zelo) visokolocljivihposnetkov, medtem ko je vecje ladje lažje prepoznati s podatkov srednje locljivostiSentinel-2.Tiposnetkiso zaradisvoje nižje prostorske locljivostimanj obcutljivi na kompleksno morsko površino kotvisokolocljivisatelitski posnetki.Prav tako je manjša plovila, kotpricakovano,težjeklasificirati kot vecja. Tudi izkušenemu operaterju je lahko težko vizualno lociti med npr.majhno ribiškoladjoinpatruljnoladjo. Obenemje potrebno poudariti, da je klasifikacija pomemben, oziroma, celo zaželen clen priprocesu zaznavanja plovil, tudi ce ni glavni cilj raziskave. Uspešnost klasifikacije plovil v primeru omenjenih testnih podatkov je bila 82 %. Hipoteza2:Izpodatkovdaljinskegazaznavanjaje mogocespremljati razvoj izbranihbegunskih taborišc in njihov vpliv na okolje. V nalogi sempredstavilaintestirala nacin za ocenjevanjepotencialnih antropogenih vplivov v obliki spremembrabe tal v okolici begunskih taborišc z metodo casovnih vrstna podatkih srednje locljivosti Sentinel-2. Na študijskihobmocjihna sredozemskihotokih semželelaprikazati možnosti zaznavanja sprememb z analizo BFAST Monitor na casovnih vrstah. Zaradinedostopnostiterenskihreferencnihpodatkovnibilo mogoce natancno kvantitativno dolociti,za koliko so senaravni viri zmanjšali poobsegu(npr. krcenjevegetacijena racun širjenjabegunskih taborišc, krcenjelesazakurjenjevokolici taborišc). Antropogenivplivi na okolje so bili ocenjeni na podlaginegativnih vrednostimagnitud sprememb na podatkih NDVI. Tevrednosti negativnihmagnitud spremembsobilerazporejenevtri razlicneskupinegledenaverjetnosti vplivanaokolje(visokali zelo verjeten vpliv, zmeren ali verjeten vpliv in majhen ali manj verjeten vpliv na okolje). Natancnosti zaznavanja sprememb v okolici begunskih taborišc kažejo, daje okoljske spremembe(npr. krcenje vegetacije, unicenje obdelovalnih površin,širjenje urbanih obmocij ...) na lokalnem nivoju mogoce zaznati z 90 % tematsko natancnostjo, zato lahko hipotezo 2 potrdimo. Opazovane so bile vse spremembe vecje od1000 m2. Na grških otokih (sploh v primeru begunskega taborišca na Samosu)je bilo v letu 2019 zaznano širjenje tudi do 50.000 m2.Predlaganaveccasovnametodaje torej objektiven in ucinkovitpristop za zaznavanje sprememb v naravnih krajinah, ceprav z njeno uporabo ne moremo prikazaticelovitega stanja okolja v smislu obremenitev (raba naravnih virov),trenutnega stanja okolja (ravenonesnaženosti zraka, vodeintal, podnebnespremembe, ekosistemske storitve) inodzivov na okoljske probleme (okoljske dajatve, energetika in obnovljiviviri energije).Lahko pa ocenimo stanje okolja in njegovih sprememb z vidika sprememb rabe talv izbranemcasovnem obdobju. Ugotovilasem,dajezapridobitevsmiselnihrezultatovspredlagano metodo potrebna predvsem dovolj dolga casovna vrsta (dovoljveliko število uporabljenih referencnih oziroma stabilnih opazovanj)in casovno gost nabor posnetkov. Rezultati so torej mocno odvisni od vhodnih podatkov s katerimi operiramo.Smiselnost uporabe posnetkov Sentinel-2 sempreverila sprimerjavo iste metodologije na istemobmocju s posnetki senzorjaLandsat 8, ki imanekolikodaljšocasovnovrsto, amanj zgošcena opazovanja.Rezultatikažejo,da so vrednostiv casovnih vrstah obeh senzorjev podobne.Pravtakosem ugotovila, da sozaznanespremembezalgoritmomBFASTMonitor najbolj primernoidentificirane s sezonsko-trendnim modelom. Hipoteza3:Z uporabopodatkovdaljinskega zaznavanjalahkoboljedefiniramodolocenadružbena dogajanja, kotso upravljanje zmigracijamiin mejnimirežimi. Daljinsko zaznane podatke lahko, skupaj z ustreznimi tehnikami analiz, vkljucimo v širše (multidisciplinarne) raziskavedolocenegafenomenainznjimi spremljamotrenutnostanje situacije v prostoru,torejstanje »na terenu«. Natanacinti podatki obstojecimrezultatomraziskavdodajonovo komponento in jih stempodprejo,dopolnijo in bogatijo alicelo ovržejo.Z obširnorazlagokompleksnih družbenih pojmov migracij vuvodnem delunaloge, sem poskušala rezultate, pridobljenezdaljinskim zaznavanjem, bolje umestiti v kontekst razumevanja same narave naloge in osmisliti njihovo uporabnost. Konkretniprostorskipodatki ošteviluinpoložaju migrantskihplovillahkopripomorejok dejanskemu reševanju plovilv težavah na morju,teoreticnobiseznjimilahkonatancnejelotilianalize migracijskihprocesovnamorjuinposledicnoopozorilinaobmocja,kjersomigracijeboljpogoste.Prav takobi uporaba algoritma za zaznavanja plovillahko pomagala pri sodnihpreiskavah odejanskih (preteklih) dogodkihnamorju izhistoricnihposnetkov. Stembi vnekaterihprimerih lahkodokazovali, ali so bila plovila namenoma spregledana pri reševanju sstranioblasti,oziroma,ali se je stemkršilo evropsko pomorsko pravo. Izanalizejetudi razvidno, da širjenjaposameznih begunskih taborišc,kiso se zgodila v relativno kratkem casu in kiso jih pokazali rezultatiprostorskih analiz daljinskega zaznavanja,sovpadajo s statisticnimi vrednostmi onjihovemširjenjuinposledicno s številomprebežnikov, ki so trenutnoujeti na izbranih sredozemskih otokih.Rezultati,pridobljeniscasovnimianalizami,realno odražajo stanje na terenu. Stemi podatki lahkopodkrepimodiskurzeo sodobnihmigracijskihprocesihinpomagamo razumeti naravosamegafenomena. Analizazrezultati daljinskegazaznavanjatorejnudiobjektivno in kvalitetnopodlago za razpravo o migracijah,scimerlahkohipotezo3 potrdim. 8.2 Prispevek k znanosti Tema doktorske naloge se nanaša na do danes premalo raziskano podrocje nereguliranih migracij. Nalogajerezultat interdisciplinarnegadela, kjer vprvi vrstiprevladuje podrocje daljinskega zaznavanja. Izhajalasemizdejstva, dapodatki,pridobljeniz daljinsko zaznanimitehnologijami,lahko pripomorejo k razvoju kazalnikov,kipomagajo prepoznatiin razumeti razlicne oblike,akterje in procese povezane zmigracijami.V strokovniliteraturi do danesni zaznati veliko prispevkov, ki vkljucujejo daljinsko zaznane podatke v proces preucevanja migracij. V prvem delu doktorske naloge sem na podlagi obstojece literature celovito opisala metode zaznave plovil iz opticnih satelitskih posnetkov po korakih in predlagala nekatere kljucne rešitve, ki so pomembniza kakovostno zaznavoplovilna morju,karjeedenglavnihprispevkov disertacije k znanosti. Napodlagiidentificiranihdejavnikovzazagotovitevustreznekakovostivposameznihkorakihzaznave sem razvila samodejni algoritem zaznave plovil.Njegovaprednost v primerjavi z ostalimi v literaturi dostopnimipristopije,da deluje na razlicnihopticnihsenzorjihinnarazlicnihstanjihmorskegapovršja. Dodatenprispevekk znanosti napodrocju opazovanjabegunskih taborišcin vplivov na okoljeje uporaba analize casovnih vrst. Nasatelitskihposnetkihuporabljena metodologija analizecasovnih vrst BFAST Monitor,jeinovativenpristop, saj doslej šeni bil v rabi zapotrebezaznavanjasprememb v okolici begunskih taborišc. Vokvirunalogejebilacelotnametodologijaanalizecasovnih vrstBFAST Monitorprilagojenazauporabona satelitskihposnetkih senzorjaSentinel-2.Pridobljene informacije s predlaganimpristopom casovnih vrst,kisem ga testirala v nalogi, pomagajo razumeti,kje se lahko dogaja degradacija okolja, ali povedo, za koliko so se zacasna prebivališca prebežnikov povecala v dolocenemcasovnemobdobju oziroma kako intenzivnosobili korišceni naravni viri vnjihovi okolici. Na splošnoje uporaba opticnihposnetkov sicer zaradištevilnih odprtih vprašanj še vednoprecej omejena in neraziskana, vendarravno to predstavlja izziv in novostpriraziskovanju migracijna morju ter vplivabegunskihtaborišcnaokoljes satelitskimi posnetki.Pritemje potrebno poudariti,da migracijenespreminjajookoljaneposredno,pacpasolahkonjihoveposledicevidnepredvsem vobliki širjenja begunskih taborišc. V literaturijepovezovanjaprostorskih podatkov in socioloških dognanj relativnomalo, pravtakovelja obratno, da se podrocje sociologije le redko povezuje z daljinskim zaznavanjem.Znanstveni doprinos izvedene raziskave je tudi v tem, da prepleta ne direktno povezljive pristope in težko primerljive rezultatedružboslovnihinnaravoslovnihved. Cepravsezdi, daješiršajavnost pripravljenauporabljati, seprilagajati ali vsaj testirati novo tehnologijo, jepredvsemvvedah, ki seukvarjajoneposrednoz ljudmi, še vedno zaznati nekaj odpora in predvsem institucionalnih ovir zaradi slabih izkušenj ali latentnihskrbi, dabi bili satelitski posnetki neustreznouporabljeni. Kljucnoje, dapri tehnoloških rezultatihovrednotimonjihovovsebinoali danas vsaj vodijodoboljšega razumevanjaopazovanega fenomena. Topomeni, da sami rezultati iz satelitskihposnetkovnimajovrednosti, cejihneznamo »vnovciti« in pravilno interpretirati.Prav tako zanašanje izkljucno na tehnološke rezultate ne prinese nujno tudi razumevanja nekega pojava. 8.3 Predlog za nadaljnje raziskave Pri razvoju in uporabi omenjenih metodologij, so se tekom izdelave doktorske disertacije odpirale številnedileme, pomisleki, priložnosti inideje. Podrocje daljinskega zaznavanje se nasplošnohitro spreminja, kar jeposledicavelikanskekolicineodprtihinprostodostopnih podatkov terhitrega napredka na podrocju digitalnih tehnologij. Trenutni napredek za oba pristopa, kiju v nalogi uporabljam (zaznavanjeobjektovinanalizacasovnihvrst), jevidenpredvsemvrazvojuinuporabi tehnik strojnega ucenja, s katerimi povezujemo in obdelujemo velike kolicine podatkov z zmogljivo strojno in programsko opremo. Tehnike strojnega ucenja predlagam kot nadaljnje raziskave ne samo za zaznavanje in pridobivanje segmentov plovil,kjerje na splošno bilo opravljenega že veliko dela,ampak tudi zaklasifikacijoplovil, ki jezaenkrat ševednoslaborazvita. Prav tako je predlog nadaljnjihraziskav v uporabi casovnih analiz z uporabo ažurnih modelov strojnega ucenja in primerjava njihovih zmogljivostimed seboj.S tembilahko ugotovili,kateripristopidajejo najboljše rezultateza opazovanje, zaznavanje in identificiranje antropogenih vplivov na okolje. Glavniovirizaopazovanje razlicnih fenomenov na zemeljskipovršiniz opticnimisatelitskimiposnetki staoblacnostin snemanje zemeljskega površja samo cez dan.Zato jepredlog za nadaljnje raziskave usmerjen v uporabo in združevanje razlicnih vrst podatkov. Na primer, zaznavanje plovil v skoraj realnemcasujetrenutnonavkljub velikemu številu satelitov v orbitiin optimiziranimpostopkom,težko izvedljivovsaktrenutek, saj soposnetki vezani naprelete satelitov(posnetki sonajveckrat narejeni v dopoldanskemu casu,ko so atmosferske okolišcine ugodnejše,sajje v atmosferimanjdelcev). Takobi bila za to nalogo primernejša uporaba kombinacijopticnihsatelitskih posnetkovz ostalimiplatformami za opazovanje plovil(kotso AIS,VMS,SAR), drugimiterestricnimiin daljinsko zaznanimipodatkiter že obstojecimievidencamiplovil.Obenempavsevecja zmogljivost satelitov omogoca, da se ustvari namenska konstelacija –predvidoma malih satelitov –za pomorstvo in ozavešcenostna morju,karlahko omogoci, da je konceptpolno izkorišcen (Bannisterin Neyland, 2015).Cas obdelave bise priobeh pristopihzaradiveliko podatkov povecal, obenempalahkovzamemovobzir, dalahkoz racunanjemv oblaku in z uporabo vedno višje procesorske moci racunalnikov, znatno izboljšamo in pohitrimo obdelavo podatkov.Zaoperativnoizvedbosistema za opazovanjemigracij namorju(ali katerihkoli ostalih plovil) v realnemcasu,bibilo potrebnoopraviti temeljito analizo njegove uporabnostiin ga funkcionalno in stroškovno primerjati s trenutnimi obstojecimi sistemi za opazovanje plovil. Prav tako rezultatiin ugotovitve zaznavanja antropogenih vplivov na okolje odpirajo še številne druge možnostizanadaljnjeraziskave.Pri analizah casovnih vrst bi s kombinacijo satelitskih podatkov lahko zgostilicasovne vrste,pridobiligostejša opazovanja in obenemizkoristiliprednosti razlicnihsenzorjev. Za prihodnje raziskave je prav tako potrebno pri presoji vplivov na okolje rezultate sprememb pokrovnosti,pridobljene s podatki daljinskega zaznavanja,mocnopodpretisširokim naborom terenskih podatkov.Letakojemogocevplivnaokoljetakokvalitativno kot kvantitativno bolje opisati. Gibanjeljudi medAfriko, Turcijo, Bližnjimvzhodomin Evroposebovprihodnjihletih zagotovoše nadaljevalo, zato zahteva reševanje migrantske situacije v prihodnosti številne nove razmisleke in ukrepe. Težišcereševanjabi sepomojemmnenjumoraloosredotociti naizboljšanjestabilnostiin varnosti v državah odhoda, uvedbo možnosti legaliziranih poti v EU ter ustvarjanje možnosti in priložnostiza prebežnike v državah prihoda.Življenjaprebežnikovnamorjujenujnoreševati, nedabi se predhodno ukvarjali s preucevanjem njihovega pravnega statusa. POVZETEK Migracijesostalnicacloveštva in se dogajajo že stoletja.Ljudje zaradirazlicnihvzrokovprehajajoiz enega v drugo obmocje,takopomorjukot pokopnem. Vdisertaciji seukvarjamz obdelavo opticnih satelitskih posnetkov za potrebepreucevanjamigracij.Preucujem zaznavanje plovil, ki sopovezana s prehodiprebežnikov po morju,invplivena okolje,kijih lahko povecane migracije povzrocijo v okolici begunskih taborišc. Položajplovilje kljucen podatek za varno plovbo, zato jespremljanjecloveškihdejavnosti namorju pomembna tema. Razpoložljiviin ažurniprostorskipodatkio gibanju prebežnikov na morju so pogosto pomanjkljivi, saj ti preckajoSredozemljepogostoneopaženo, pravtakose za transportprebežnikov pogosto uporabljajo slabe in cenene ladje, neprimerne za daljšo plovbo. S podatki daljinskega zaznavanja lahkopremostimoto oviro,saj sokoristni zaopazovanjeplovil naoddaljenihinvelikih obmocjih, predvsem tam, kjer tradicionalne metode spremljanja niso mogoce. V okviru doktorske disertacije sempreucila obstojece metode in razvila samodejni postopekzazaznavanjeinklasifikacijo plovilna opticnih satelitskih posnetkih.Tadeluje na razlicnih opticnih satelitskih posnetkih (srednje in visoke prostorske locljivosti). Postopek zaznavanja plovilje sestavljen iz štirihglavnih zaporednih korakov:locevanje kopnega in morja, zaznavanje kandidatov plovil,locevanje plovilin klasifikacija. V prvem koraku iz posnetka s segmentacijonaosnovi histogramaodstranimkopno, pravtakovtej fazi odstranimsposnetka oblake in druge vremenskevplive.Zaznavanje kandidatov plovilje izvedeno na podlagi indeksa plovil in seštevka spektralnih kanalov. Locevanje in klasifikacija plovil temelji na osnovigeometrijskih znacilnostih objektov alinjihovih kombinacij(npr.dolžina in širina plovil,njihova površina,razmerje med dolžino in širino)in njihovih spektralnihvrednosti. Rezultati zaznavanjain klasifikacije so kasneje primerno ovrednoteniz meraminatancnostiin nazorno kažejo,da z omenjenim algoritmom zaznamo plovila veliko bolj natancno s posnetkov z ugodnimi vremenskimi razmerami. Obratno pa rezultati kažejo slabšo zaznavo tam, kjer so vremenske razmere nestabilne (prisotnost oblakov, valov,meglic itd.). Nenadenpritok velikegaštevilaprebežnikov na neko obmocje lahko povzroci hud pritisk na lokalno okolje,njegovo nosilnostin na obstojece naravne vire. Zgostocasovno serijo satelitskihposnetkov pomagamoprepoznavati,kje so se spremembe zgodile in kakšen je njihov obseg.Spremembe v okolici begunskih taborišc,s katerimi poskušamdolocati vplivnaokolje,semzaznalaizposnetkov Sentinel-2 posnetih v obdobju 2015-2019. CasovnevrstesemanaliziralazmetodoBFAST (Breaksfor Additive Season and Trend) Monitor. Tadeluje tako,daizracunatrendna zgodovinskih casovnih vrstah, natopa opazuje odstopanje od trenda na vrednostih posnetkov v casu opazovanja.Analizosemtestiralanašestih begunskih taborišcih v Sredozemlju, kileže na otokih Lezbos, Samos,Hios,Maltiin Siciliji.Za vsa študijskaobmocja sem opazovala negativne spremembe v letu 2019,kiso lahko posledice povecanega prebivalstva (npr. širjenjebegunskihtaborišc,izsekavanjelesazakurjavo). Rezultati inkvaliteta zaznanih sprememb so zelo odvisniod uporabljenih vhodnih podatkov. Kernisemimeladostopado terenskihpodatkov, semza ocenjevanje ucinkovitosti metode na obmocju taborišca na otoku Hios opravila casovno analizo z istimalgoritmom, kot zaposnetkeSenitnel-2,tudi na posnetkih Landsat8 in primerjala pridobljene podatke.Rezultati kažejo, da so podatki Sentinel-2 v primerjavi z Landsat8 primernejši za analizo casovnih vrst,sajje njihova casovna vrsta gostejša.Nakoncusemna podlagi verjetnostnih razredov ocenila vpliv na okolje, glede na velikost negativne magnitude zaznanih sprememb. Rezultati predstavljajo tri razrede, ki sobili definirani pragmaticno: visok ali zeloverjeten vpliv na okolje,zmeren aliverjeten vpliv inmajhenalimanjverjetenvplivnaokolje. Rezultate,pridobljenestehnologijodaljinskega zaznavanja,sem podprla ssociološkim znanjemin s tempripomoglakboljšemurazumevanjukompleksnosti vsebinenaloge. Položaji brodolomovinplovil na poti, migracijske poti in kraji vkrcanja/izkrcanja so namrec pomembni za boljše razumevanje migracijskih vzorcev.Zbrana literatura je omogocila vpogled v trenutno tehnološko stanje,razumevanje vzrokov in posledic migracijpo morju terrazumevanje stanja v begunskih taborišcih. SUMMARY Migrationsarearegularfeatureofhumanity andhavebeengoing on for centuries. People move from one area to anotherby sea or/and by land for variousreasons.In thisdissertation,I amdealing with optical satellite images analysis to study migration. I am analysing detection of vessels that are inherently related to the passage of migrants by sea and the environmental impact that increased migration maycausenearrefugeecamps. Thepositionofvesselsisacrucialpiece ofinformation forthe safety of navigation,therefore monitoring human activitiesatsea isan importantissue.Available and up-to-date spatialdata on the movementsof migrantsat seaisscarce,asthey oftencrossthe Mediterraneanseaunnoticed. Oftenunpropriateand cheap ships, unsuitable for long voyages, are used to transport migrants. Remote sensing data can overcome this barrier asitis usefulformonitoring vesselsin remote and large areas, especially where traditional methods are not possible. Within mydissertation, I investigate existing methods andfocus on the developmentofan automatic procedure forthe detection and classification ofvesselson optical satelliteimages of mediumandhighspatial resolution. Thevessel detectionprocedureconsists of four successivemain steps: sea-land separation, detectionof vessel candidates, vessel discriminationand vessel classification. In the first step, I remove land from the image using a histogram-based segmentationapproach. Inthis phase,I also removeclouds and other weather phenomena fromthe image. Therecognitionof vessel candidatesisbased on the vesselindex and the sumofthe spectral bands.The differentiation and classification of vessels derivesfromthegeometricproperties of the objects ortheir combinations(e.g.length and width, area,length-to-width ratio) and theirspectral values. The results of detection and classification are later appropriately evaluated with precision measures. The results show that with the mentioned algorithm we can detect vessels much more precisely fromimageswith favorable weather conditions thanfromimages wheretheweather conditions are unstable (presence ofclouds,waves,mists,etc.). Thesuddeninfluxoflarge numbers of migrantsinto an area canputseverepressure onthelocal environment,its carrying capacity and existing naturalresources.With a dense time seriesofsatellite images, wecontributetotheidentificationofwhereandtowhatextentchangeshavetakenplace.With theuseof Sentinel 2images takeninperiod2015-2019,I haveidentified changes takingplaceinthe surroundings of the refugeecamps. Withthesealternations,I am tryingtodeterminetheeffects onthe environment.The time series analysisused to detect and characterize changesisthe BFAST(Breaksfor AdditiveSeasonandTrend)Monitor.Themethodology worksby calculating the trend on historical timeseries andobservingthedeviationfromthe trendontheimagevalues at thetimeof observation. I applied the analysisto six refugee campsin the Mediterranean: on the islandsofLesbos,Chios,Malta and Sicily.In 2019,Iobserved negative changesin allstudy areasthat could resultfrom an increase in population (e.g. expansion ofrefugee camps,deforestation forfirewood).The resultsand the quality of theobservedchanges stronglydependonthe inputdata used.To evaluate the effectivenessofthe method without availablefielddata,Iperformed atimeseriesanalysisontheisland ofChiosusingthesame algorithm on Landsat8 images and compared the obtained data.Theresultsshow thatSentinel-2 data are more suitable fortime seriesanalysisthan Landsat8,because theirtimeseries is moredense.Finally, I estimatedtheenvironmental impact basedonthenegativemagnitudeof thedetectedchanges based on theprobabilityclasses. Theresults represent threeclasses that weredefinedpragmatically: highor very likely environmental impact, moderate or likely impact, and low or less likely environmental impact. I supportedthe results obtained with remote sensing technology with sociological knowledge. This multidisciplinary approachisessentialforabetterandmorein-depth understanding ofthe complexity ofthe subjectofthe dissertation.The position ofshipwrecks and vessels on theirway,the migration routes andtheplaces of embarkationanddisembarkationare essentialfor abetter understanding of migrationpatterns.Thecollectedliteratureallowedaninsightintothecurrenttechnologicalsituation,a knowledgeofthe causes and consequencesofmigrationbyseaandanunderstandingofthesituationin refugee camps. VIRI Albahari, M., 2015. Crimes of Peace: Mediterranean Migrations at the World’s Deadliest Border. UniversityofPennsylvaniaPress. Amnesty International, 2009.No place for us here.Violence against refugee women in eastern Chad., AmnestyIntenrationalPublications. Antelo, J., Ambrosio, G., Gonzalez, J., Galindo, C., 2009. Ship detection and recognition in high-resolutionsatelliteimages,in:IEEEInternationalGeoscience and Remote Sensing Symposium (IGARSS). pp. 514–517. https://doi.org/10.1109/IGARSS.2009.5417426 Arshad, N.,Moon, K.-S.,Kim,J.-N.,2010.Multipleshipdetectionand tracking usingbackground registrationand morphological operations,in:Kim,T.,Pal,S.K.,Grosky,W.I.,Pissinou,N., Shih,T.K.,Slezak,D.(Eds.),SignalProcessing and Multimedia,Communicationsin Computer and Information Science. pp. 121–126. AsktheEU.org,2018.OperationalplanforoperationThemis -a FreedomofInformation requestto European Border and Coast Guard Agency [WWW Document]. AsktheEU.org. URL https://www.asktheeu.org/en/request/operational_plan_for_operation_t(accessed 12.4.19). Bagnoli,L.,2016.TheMediterranean:why somanydeathsatsea in 2016? /Open Migration [WWW Document]. Open Migration. URL http://openmigration.org/en/analyses/the-mediterranean­why-so-many-deaths-at-sea-in-2016/(accessed 6.19.17). Balibar, É., 2004. We, the People of Europe?: Reflections on Transnational Citizenship. Princeton UniversityPress,Princeton, N.J. Bannister, N.P., Neyland, D.L., 2015. Maritime domain awareness with commercially accessible electro-optical sensors in space. International Journal of Remote Sensing 36, 211–243. https://doi.org/10.1080/01431161.2014.990647 Bao,X.,Zinger,S.,Wijnhoven,R.,deWith,P.H.N.,2013.Shipdetectioninportsurveillancebasedon context and motion saliency analysis, in: Proc. SPIE 8663, Video Surveillance and TransportationImagingApplications.SanFrancisco. https://doi.org/10.1117/12.2000452 BBC,2019.ItalyshutsEurope’sone-time largest migrant camp. BBC News. Bi,F.,Liu,F.,Gao,L.,2010.A hierarchicalsalient-regionbasedalgorithmfor shipdetectionin remote sensing images, in: Zeng, Z., Wang,J.(Eds.),AdvancesinNeuralNetworkResearch and Applications.Springer Berlin Heidelberg,pp.729–738. Bjorgo,E.,2000. RefugeeCampMappingUsingVeryHighSpatialResolutionSatelliteSensorImages. GeocartoInternational15,79–88. https://doi.org/10.1080/10106049908542156 Black, R.,1994. EnvironmentalChangein Refugee AffectedAreasofthe ThirdWorld: The Roleof Policy and Research.Disasters18,107–139. Black, R., Adger, W.N., Arnell, N.W., Dercon, S., Geddes, A., Thomas, D., 2011. The effect of environmental change on human migration. Global Environmental Change, Migration and Global Environmental Change – Review of Drivers of Migration 21, S3–S11. https://doi.org/10.1016/j.gloenvcha.2011.10.001 Bloesch,U.,2001.Theuseoffireinthe environmentalrehabilitation on the sitesof a formerrefugee camp atBenaco,Tanzania. Schweizerische ZeitschriftfürForstwesen 152,377–382. Bouma,H.,Dekker,R.J.,Schoemaker,R.M.,Mohamoud,A.A.,2013.Segmentationandwakeremoval ofseafaring vesselsin opticalsatellite images,in:Kamerman,G.W.,Steinvall,O.K.,Bishop, G.J., Gonglewski,J.D.(Eds.),Proc.SPIE 8897, Electro-Optical RemoteSensing,Photonic Technologies,andApplications VII; andMilitaryApplicationsinHyperspectralImaging and HighSpatialResolutionSensing.p.11.https://doi.org/10.1117/12.2029791 Braun, A.,Fakhri,F., Hochschild, V.,2019. Refugee CampMonitoring and Environmental Change Assessment ofKutupalong,Bangladesh,Based onRadarImagery ofSentinel-1 and ALOS-2. RemoteSensing11,2047.https://doi.org/10.3390/rs11172047 Braun, A., Lang,S., Hochschild, V.,2016.Impact ofRefugee Campson Their Environment. A Case Study Using Multi-TemporalSAR Data.JournalofGeography,EnvironmentandEarthScience International 4,1–17. Brekke, C., Weydahl, D.J., Helleren, O., Olsen, R., 2008. Ship traffic monitoring using multi-polarisation satellite SAR images combined with AIS reports, in: Proc. of 7th European ConferenceonSyntheticAperture Radar(EUSAR).pp.1–4. Buck, H., Sharghi, E., Bromley, K., Guilas, C., Chheng, T., 2007. Shipdetectionandclassificationfrom overhead imagery,in:Tescher,A.G.(Ed.), Proc. SPIE 6696,Applications ofDigitalImage Processing XXX.p. 15.https://doi.org/10.1117/12.754019 Buck,H., Sharghi, E., Guilas, C., Stastny, J., Morgart, W., Schalcosky, B., Pifko, K., 2008. Enhanced shipdetection fromoverheadimagery, in: Halvorson, C.S., Lehrfeld, D., Saito, T.T. (Eds.), Proc. SPIE 6945, Optics and Photonics in Global Homeland Security IV. p. 12. https://doi.org/10.1117/12.792058 Burgess,D.W.,1993. Automaticshipdetectioninsatellitemultispectralimagery.Photogrammetric EngineeringandRemoteSensing59,229–237. Cabot, H., 2014. On the Doorstep of Europe: Asylum and Citizenship in Greece. University of Pennsylvania Press. Campbell,J.B.,1996.Introductionto RemoteSensing. TaylorandFrancis, New York. Carling, J., 2007. Unauthorized Migration from Africa to Spain. International Migration 45, 3–37. https://doi.org/10.1111/j.1468-2435.2007.00418.x Casas-Cortes,M.,Cobarrubias,S.,Genova,N.D.,Garelli,G.,Grappi,G.,Heller,C.,Hess,S.,Kasparek, B.,Mezzadra,S.,Neilson,B.,Peano,I.,Pezzani,L.,Pickles,J.,Rahola,F.,Riedner,L.,Scheel, S.,Tazzioli,M., 2015.NewKeywords: MigrationandBorders. Cultural Studies 29, 55–87. https://doi.org/10.1080/09502386.2014.891630 Castles,S.,2010. UnderstandingGlobalMigration: A SocialTransformationPerspective.Journal of EthnicandMigrationStudies36,1565–1586. https://doi.org/10.1080/1369183X.2010.489381 Chang, Y.-L., Anagaw, A., Chang, L.,Wang, Y.C., Hsiao, C.-Y., Lee,W.-H.,2019.ShipDetection Based on YOLOv2 for SAR Imagery. Remote Sensing 11, 786. https://doi.org/10.3390/rs11070786 Chen,P.,Huang,W.,Shi,A.,Zhang, H., Wang, J., 2009. AutomaticshipdetectioninHJ-1Asatellite data,in:Zhang,T.,Hirsch,B.,Cao,Z.,Lu,H.(Eds.),Proc.SPIE7495,MIPPR 2009:Automatic TargetRecognitionandImage Analysis.p.5.https://doi.org/10.1117/12.832745 Chkam, H.,2016. AidandthePerpetuationof RefugeeCamps: TheCaseof DadaabinKenya1991– 2011.Refugee Survey Quarterly 35,79–97.https://doi.org/10.1093/rsq/hdw005 Conant, E., Chwastyk,M.,Williams, R.,2015. TheWorld’s CongestedHumanMigration Routesin5 Maps [WWW Document]. National Geographic News. URL https://news.nationalgeographic.com/2015/09/150919-data-points-refugees-migrants-maps­human-migrations-syria-world/(accessed11.28.17). Corbane,C.,Marre,F.,Petit,M.,2008a.UsingSPOT-5 HRGdata in panchromatic mode foroperational detection of small ships in tropical area. Sensors 8, 2959–2973. https://doi.org/10.3390/s8052959 Corbane, C., Najman, L.,Pecoul, E., Demagistri, L.,Petit,M.,2010. A completeprocessing chainfor ship detection using optical satellite imagery. International Journal of Remote Sensing 31, 5837–5854. https://doi.org/10.1080/01431161.2010.512310 Corbane, C.,Pecoul, E., Demagistri, L.,Petit,M.,2008b.Fullyautomatedprocedureforshipdetection using opticalsatellite imagery,in: Frouin, R.J., Andrefouet, S., Kawamura, H., Lynch, M.J., Pan,D., Platt,T.(Eds.), Proc. SPIE 7150,Remote Sensing ofInland,Coastal, and Oceanic Waters.p.13.https://doi.org/10.1117/12.805097 Crea, T.M., Calvo, R., Loughry,M.,2015. Refugee HealthandWellbeing: Differences betweenUrban and Camp-Based Environments in Sub-Saharan Africa. J Refug Stud 28, 319–330. https://doi.org/10.1093/jrs/fev003 Crisp,D.J.,2004.Thestate-of-the-artin ship detection in Synthetic Aperture Radarimagery [WWW Document].URLhttp://digext6.defence.gov.au/dspace/handle/1947/3354 (accessed 7.23.15). Daniel,B.J.,Schaum,A.P.,Allman,E.C.,Leathers,R.A.,Downes,T.V.,2013.Automaticshipdetection from commercial multispectral satellite imagery, in: Proc. SPIE 8743, Algorithms and Technologies for Multispectral, Hyperspectral, and Ultraspectral Imagery XIX. p. 8. https://doi.org/10.1117/12.2017762 De Genova, N.,Fontanari, E.,Picozza,F.,Soto Bermant, L.,Spathopoulou, A.,Stierl,M.,Suffee, Z., Tazzioli, M., van Baar, H., Yildiz, C., 2015. “Migrant crisis”/"Refugee crisis". URL http://nearfuturesonline.org/europecrisis-new-keywords-of-crisis-in-and-of-europe-part-3/ (accessed 6.20.17). de Michele,M.,Leprince,S.,Thiébot,J.,Raucoules,D.,Binet,R., 2012.Directmeasurementofocean wavesvelocityfieldfromasingleSPOT-5 dataset.Remote Sensing ofEnvironment 119,266– 271. https://doi.org/10.1016/j.rse.2011.12.014 Dearden,L.,2017. Refugeerescueshipsnotcolludingwithsmugglers,reportfinds[WWWDocument]. The Independent. URL http://www.independent.co.uk/news/world/europe/refugee-crisis­europe-rescue-boats-ngos-pull-factor-collusion-smugglers-report-debunked-goldmiths-a7782781.html(accessed 6.16.17). DeFries, R., Hansen,M., Townshend,J.,1995. Globaldiscriminationoflandcovertypesfrommetrics derived from AVHRR pathfinder data. Remote Sensing of Environment 54, 209–222. https://doi.org/10.1016/0034-4257(95)00142-5 Dekker, R.J., Bouma, H., Breejen, E.den, Broek, A.C.vanden, Hanckmann,P., Hogervorst, M.A., Mohamoud, A.A., Schoemaker, R.M., Sijs, J., Tan, R.G., Toet, A., Smith, A.J.E., 2013. Maritime situation awareness capabilities from satellite and terrestrial sensor systems, in: MaritimeSystemsandTechnologyConferenceandExhibition(MAST Europe). DeVries, B., Verbesselt,J., Kooistra, L., Herold,M.,2015. Robust monitoring of small-scale forest disturbances in a tropical montane forest using Landsat time series. Remote Sensing of Environment161,107–121. https://doi.org/10.1016/j.rse.2015.02.012 Ding, Z., Yu, Y.,Wang, B., Zhang, L.,2012. Anapproachforvisual attentionbased onbiquaternion and its application for ship detection in multispectral imagery. Neurocomputing 76, 9–17. https://doi.org/10.1016/j.neucom.2011.05.027 Dolgopolov,A.V.,Kazantsev,P.A.,Bezuhliy,N.N.,2017.Ship Detection in ImagesObtained fromthe Unmanned Aerial Vehicle (UAV). Indian Journal of Science and Technology 9, 1–7. https://doi.org/10.17485/ijst/2016/v9i46/107562 Doncaster, B.,Williams, C.,Shulman,J.,2017.2017Nano/Microsatellite MarketForecast. Dutrieux, L.P., Verbesselt, J., Kooistra, L., Herold, M., 2015a. Monitoring forest cover loss using multiple data streams, a case study of a tropical dry forest in Bolivia. ISPRS Journal of Photogrammetry and Remote Sensing Complete, 112–125. https://doi.org/10.1016/j.isprsjprs.2015.03.015 Dutrieux, L.P., Verbesselt, J., Kooistra, L., Herold, M., 2015b. Monitoring forest cover loss using multiple data streams, a case study of a tropical dry forest in Bolivia. ISPRS Journal of Photogrammetry and Remote Sensing,Multitemporalremote sensing data analysis 107, 112– 125. https://doi.org/10.1016/j.isprsjprs.2015.03.015 Düvell, F. (Ed.), 2006. Illegal Immigration in Europe -Beyond Control. Palgrave Macmillan, Houndmills, Basingstoke, Hampshire. Ehrlich, D., Lang, S., Laneve, G., Mubareka, S., Schneiderbauer, S., Tiede, D., 2009. Can Earth Observation Help toImproveInformationonPopulation?,in: RemoteSensingfromSpace. Springer,Dordrecht, pp. 211–237.https://doi.org/10.1007/978-1-4020-8484-3_14 EMSA,2020.CopernicusMaritimeSurveillance -ProductCatalogue. EMSA,2015.The worldmerchantfleetin2015;StatisticsfromEquasis. eo-learn, 2020. Introduction — eo-learn 0.7.7 documentation [WWW Document]. URL https://eo­learn.readthedocs.io/en/latest/# (accessed 8.18.20). ESA,2020.Performance -Sentinel-2 MSITechnicalGuide -SentinelOnline [WWWDocument].URL https://sentinel.esa.int/web/sentinel/technical-guides/sentinel-2-msi/performance (accessed 11.16.20). Fefilatyev,S.,Goldgof,D.,Lembke,C., 2010.Tracking shipsfromfastmoving camera through image registration, in: 20th International Conference onPatternRecognition (ICPR). pp. 3500–3503. https://doi.org/10.1109/ICPR.2010.854 Feng,Y.,Diao, W., Sun, X., Yan, M., Gao, X., 2019. Towards AutomatedShipDetectionandCategory Recognition from High-Resolution Aerial Images. Remote Sensing 11, 1901. https://doi.org/10.3390/rs11161901 Fichtelmann,B.,Borg,E., 2012.A newself-learning algorithmfor dynamicclassificationof water bodies,in:Murgante,B.,Gervasi,O.,Misra, S.,Nedjah,N.,Rocha,A.M.A.C.,Taniar,D., Apduhan,B.O.(Eds.),ComputationalScienceandItsApplications –ICCSA2012. Springer Berlin Heidelberg,pp.457–470. Fisk,M., 1994.Automated Detection of Ship Tracksin Multispectral Satellite Data (ProgressReport). MissionResearchCorporation. Forkel,M.,Carvalhais,N.,Verbesselt,J.,Mahecha,M.D.,Neigh,C.S.R.,Reichstein,M., 2013.Trend ChangeDetectioninNDVITimeSeries:EffectsofInter-AnnualVariabilityandMethodology. RemoteSensing5,2113–2144. https://doi.org/10.3390/rs5052113 France-Presse, A., 2020. Fire wrecks Greek refugee camp after unrest over woman’s death. The Guardian. Giada,S.,Groeve,T.D.,Ehrlich,D.,Soille,P., 2003.Information extraction fromvery high resolution satelliteimageryover Lukole refugeecamp, Tanzania. International Journal of RemoteSensing 24, 4251–4266. https://doi.org/10.1080/0143116021000035021 Gorsevski,V.,Kasischke,E., Dempewolf, J., Loboda, T., Grossmann, F., 2012. Analysis of theImpacts of armed conflict on the Eastern Afromontane forest region on the South Sudan —Uganda borderusing multitemporalLandsatimagery.Remote Sensing ofEnvironment118,10–20. https://doi.org/10.1016/j.rse.2011.10.023 Grant, H., Humphrey, R.,Worthington,P., Cassin, E., Yusuf, C., Kacoutie, A.,Jackson, N.,Maynard, P., n.d.Life on Lesbos:what’s happening to the refugeesthere? 2020. Gregoric Bon, N., Josipovic, D., Kanjir, U., 2018. Linking geomorphological and demographic movements: The case of Southern Albania. Applied Geography 100, 55–67. https://doi.org/10.1016/j.apgeog.2018.09.002 Greidanus,H.,2005. Assessingtheoperationalityofshipdetectionfromspace,in:Proc.oftheEURISY SymposiumNew Space ServicesforMaritime Users -TheImpact ofSatelliteTechnology on MaritimeLegislation.p.5. Greidanus,H.,Kourti, N.,2006. A detailedcomparisonbetweenradarandopticalvesselsignatures,in: Geoscience and Remote Sensing Symposium (IGARSS). pp. 3267–3270. https://doi.org/10.1109/IGARSS.2006.839 Grimaldi,C.S.L.,Casciello,D.,Coviello,I.,Lacava,T.,Pergola,N.,Tramutoli,V.,2011. Animproved RST approachfortimely alert andNear RealTimemonitoring of oil spilldisasters by using AVHRR data. Nat. Hazards EarthSyst.Sci.11,1281–1291. https://doi.org/10.5194/nhess-11­1281-2011 Guang, Y., Qichao, L.,Feng, G.,2011. A novelshipdetectionmethodbasedonseastateanalysisfrom opticalimagery,in: 6th International ConferenceonImageandGraphics(ICIG).pp.466–471. https://doi.org/10.1109/ICIG.2011.19 Guo,W., Xia, X., Xiaofei,W.,2014. A remotesensing ship recognitionmethodbased ondynamic probability generative model. Expert Systems with Applications 41, 6446–6458. https://doi.org/10.1016/j.eswa.2014.03.033 Haas, H.de,2008. TheMyth ofInvasion:theinconvenient realitiesofAfricanmigrationto Europe. ThirdWorldQuarterly29,1305–1322. https://doi.org/10.1080/01436590802386435 Hagenlocher,M.,Lang, S.,Tiede,D., 2012.Integrated assessment ofthe environmentalimpact of an IDP campinSudanbased onveryhigh resolutionmulti-temporal satelliteimagery. Remote Sensing ofEnvironment 126,27–38.https://doi.org/10.1016/j.rse.2012.08.010 Hammar,T.,Brochmann,G.,Tamas,K.,Faist,T.(Eds.),1997.InternationalMigration,Immobilityand Development:MultidisciplinaryPerspectives. BloomsburyAcademic. Harvey,N.R.,Porter,R.,Theiler,J.,2010.Shipdetectioninsatelliteimageryusing rank-ordergrayscale hit-or-misstransforms,in:Rahman,Z.,Reichenbach,S.E.,Neifeld, M.A.(Eds.),Proc.SPIE 7701,VisualInformation Processing XIX. https://doi.org/10.1117/12.850886 Hay,G.J.,Castilla,G.,Wulder,M.A.,Ruiz,J.R.,2005.Anautomated object-based approach forthe multiscale image segmentation of forest scenes. International Journal of Applied Earth ObservationandGeoinformation7,339–359. https://doi.org/10.1016/j.jag.2005.06.005 Heiselberg,H.,2016.A DirectandFastMethodology forShip Recognition in Sentinel-2 Multispectral Imagery. Remote Sensing 8. https://doi.org/10.3390/rs8121033 Heller,C.,Pezzani,L.,2016.Deathbyrescue.TheleathaleffectsoftheEU’spoliciesofnon-assistance. [WWW Document]. URL https://deathbyrescue.org/ Hernandez, V., Stylianou, N., 2016. The untold story of Europe’s drowned migrants [WWW Document]. BBC News. URL http://www.bbc.co.uk/news/resources/idt-91f3683c-5e3c-4a2e­92eb-7d7f6a024c02 (accessed 7.26.17). Hoggart,K.,Mendoza,C.,1999.AfricanImmigrant Workers inSpanishAgriculture. SociologiaRuralis 39, 538–562. https://doi.org/10.1111/1467-9523.00123 Hu, C.,2011. Anempirical approach toderiveMODIS oceancolorpatternsunderseveresunglint. Geophys. Res. Lett.38,5.https://doi.org/10.1029/2010GL045422 Huang,S.,Potter,C.,Crabtree,R.L.,Hager,S.,Gross,P.,2010.Fusingopticalandradardatatoestimate sagebrush, herbaceous, andbaregroundcover inYellowstone. RemoteSensingof Environment 114, 251–264. https://doi.org/10.1016/j.rse.2009.09.013 IMO, 2010. Amendments to the International Aeronautical and Maritime Search And Rescue (IAMSAR) manual, International Maritime Organization, MSC.1 / Circ.1367, 24 May 2010. IMO, 2006. SOLAS Convention 1974, Chapter V, Regulation 19-1,adopted 19 May 2006. IMO, 2000. SOLAS Convention 1974, Chapter V, Regulation 19, amended 6 Dec 2000. InfoMigrants, 2020. GreecetocloseSamos island migrant campbyyear end[WWWDocument]. InfoMigrants. URLhttps://www.infomigrants.net/en/post/24409/greece-to-close-samos-island-migrant-camp-by-year-end (accessed 5.14.20). InfoMigrants, 2020. Malta: 1,000migrants quarantinedafter eight test positivefor coronavirus [WWW Document]. InfoMigrants. URL https://www.infomigrants.net/en/post/23890/malta-1-000­migrants-quarantined-after-eight-test-positive-for-coronavirus(accessed 6.7.20). InfoMigrants, 2019. Migration toEuropein2019: Facts andfigures [WWWDocument]. InfoMigrants. URL https://www.infomigrants.net/en/post/21811/migration-to-europe-in-2019-facts-and-figures (accessed 11.15.20). IOM, 2006. Glosar migracij No. 8. Mednarodno migracijsko pravo. Jacobsen, K., 1997. Refugees’ Environmental Impact: TheEffect of Patterns of Settlement. J Refug Stud 10, 19–36. https://doi.org/10.1093/jrs/10.1.19 Janža,M.,2005.Dolocitev rabe talsklasifikacijo satelitske podobe za namene hidrološkega modeliranja na obmocju zaledja izvira Rižane.Geologija 48, 153–159. Jin, S., Sader, S.A., 2005. Comparisonof timeseries tasseledcapwetness andthenormalizeddifference moistureindexindetectingforestdisturbances.RemoteSensingofEnvironment94,364–372. https://doi.org/10.1016/j.rse.2004.10.012 Johannessen, O.M., Dalen, Ø., Bjørgo, E., Bouchardy, J.Y., Babiker, M., Andersen, G., Haglund, A., Ordonez, C., Sandven, S., 2001. Environmental monitoring of refugee camps using high-resolution satellite images (EnviRef) -Finalreport(NERSCTechnicalreportno.201). Johansson, P., 2011. Small vessel detectioninhighqualityoptical satelliteimagery. Tech. Report Chalmers UniversityofTechnologySweden. Jones, R., 2016. Violent Borders: Refugees and the Right to Move. Verso. Jubelin, G., Khenchaf, A., 2014. Aunifiedalgorithmfor shipdetectiononoptical andSARspaceborne images, in: Bruzzone, L., Benediktsson, J.A., Bovolo, F. (Eds.), Proc. SPIE9244, Imageand SignalProcessing forRemote Sensing XX.p.9.https://doi.org/10.1117/12.2067154 Judt, T., 2015. Velika iluzija? Razmislek o Evropi. UMco. Kanjir,U.,2019.Detecting migrant vesselsintheMediterranean Sea:Using Sentinel-2 imagesto aid humanitarian actions. Acta Astronautica 155, 45–50. https://doi.org/10.1016/j.actaastro.2018.11.012 Kanjir, U., Greidanus, H., Oštir, K.,2018. Vesseldetection and classificationfrom spaceborne optical images: A literature survey. Remote Sensing of Environment 207, 1–26. https://doi.org/10.1016/j.rse.2017.12.033 Kanjir, U.,Marsetic, A.,Pehani,P., Oštir, K.,2014. Anautomaticprocedureforsmallvesseldetection fromvery-high resolution opticalimagery,in:5th Geographic Object-BasedImageAnalysis Conference(GEOBIA).p.4. Kemper, T., Heinzel,J.,2014.Mapping and monitoring of refugeesandinternallydisplacedpeople using EOdata.Taylor&Francis/CRCPress.https://doi.org/10.1201/b17012-14 Kennedy,R.E.,Cohen,W.B.,Schroeder,T.A.,2007.Trajectory-based change detection forautomated characterization offorest disturbance dynamics.Remote Sensing ofEnvironment 110, 370– 386. https://doi.org/10.1016/j.rse.2007.03.010 Kibreab,G.,2002. EnvironmentalCausesandImpactofRefugeeMovements:A CritiqueoftheCurrent Debate. Disasters21,20–38. https://doi.org/10.1111/1467-7717.00042 Kralj, A.,2008. Nepovabljeni:globalizacija,nacionalizeminmigracije. UniverzanaPrimorskem, UniverzitetnazaložbaAnnales. Kranz, O., Zeug, G., Tiede, D., Clandillon,S., Bruckert, D., Kemper, T., Lang,S., Caspard,M.,2010. Monitoring Refugee/IDP Camps to Support International Relief Action. Joint Board of GeospatialInformationSocieties(JB GIS). Lambert, J., Denux, J.-P., Verbesselt, J., Balent, G., Cheret, V., 2015. Detecting Clear-Cuts and DecreasesinForestVitalityUsingMODISNDVITimeSeries.RemoteSensing7,3588–3612. https://doi.org/10.3390/rs70403588 Lan,J.,Wan,L.,2009. Automaticshiptargetclassificationbasedonaerial images, in: Sheng, Y., Wang, Y., Zeng, L.(Eds.),Proc.SPIE 7156,International ConferenceonOpticalInstrumentsand Technology: Optical Systems and Optoelectronic Instruments, 715612. p. 10. https://doi.org/10.1117/12.811434 Landis, J.R., Koch, G.G., 1977. The Measurement of Observer Agreement for Categorical Data. Biometrics33,159–174. https://doi.org/10.2307/2529310 Lang,S., Corbane, C.,Pernkopf, L.,2013. EarthObservationfor HabitatandBiodiversityMonitoring, in: Jekel, T., Car, A.,Strobl,J., Griesebner, G.(Eds.), .Presented atthe GI_Forum2013: Creatingthe GISociety,Wichmann, Heidelberg, Germany,pp.478–486. Lang,S.,Füreder,P., Kranz, O., Card, B., Roberts,S.,Papp, A.,2015. Humanitarian Emergencies: Causes, Traits, and Impacts as ObservedbyRemoteSensing, in: RemoteSensing of Water Resources,Disasters,andUrbanStudies. CRC Press,Taylor&FrancisGroup,p.32. Lang,S.,Tiede,D.,Hölbling,D.,Füreder,P.,Zeil,P.,2010.Earth observation(EO)-based ex post assessment ofinternally displaced person (IDP) camp evolution and population dynamicsin Zam Zam, Darfur. International Journal of Remote Sensing 31, 5709–5731. https://doi.org/10.1080/01431161.2010.496803 Last,T.,Mirto,G.,Ulusoy,O.,Urquijo, I., Harte, J., Bami, N., Pérez, M.P., Delgado, F.M., Tapella, A., Michalaki,A., Michalitsi,E.,Latsoudi,E.,Tselepi,N.,Chatziprokopiou, M.,Spijkerboer,T., 2017.Deathsatthe bordersdatabase:evidence of deceased migrants’bodiesfound along the southern external borders of theEuropeanUnion. Journal of Ethnic andMigrationStudies 43, 693–712. https://doi.org/10.1080/1369183X.2016.1276825 Lavalle, C., Rocha Gomes, C., Baranzelli, C., Batista e Silva, F., 2011. Coastal Zones: Policy alternativesimpacts onEuropeanCoastal Zones 2000 – 2050.European Commission,Joint ResearchCentre,Institutefor EnvironmentandSustainability. Lee,H.-J., Huang, L.-F.,Chen,Z.,1990.Multi-frameShipDetectionandTrackinginanInfraredImage Sequence. Pattern Recogn.23, 785–798.https://doi.org/10.1016/0031-3203(90)90101-P Lefebvre, H.,2013.Produkcijaprostora.Studia Humanitatis,Ljubljana. Leira, F.S., Johansen, T.A., Fossen, T.I., 2015. Automatic detection, classification and tracking of objects in the ocean surface from UAVs using a thermal camera, in: IEEE Aerospace Conference.pp.1–10. https://doi.org/10.1109/AERO.2015.7119238 Liu,G.,Zhang,Y.,Zheng,X.,Sun,X.,Fu,K.,Wang,H.,2014. A new methodoninshoreshipdetection inhigh-resolution satellite images using shape and contextinformation.IEEEGeoscience and RemoteSensingLetters11,617–621. https://doi.org/10.1109/LGRS.2013.2272492 Liu, Y.,Weisberg, R.H., Hu, C., Zheng, L.,2011. Combiningnumericaloceancirculationmodels with satelliteobservations inatrajectoryforecast system: arapidresponsetotheDeepwater Horizon oil spill, in: Proc. SPIE 8030, Ocean Sensing and Monitoring III. p. 9. https://doi.org/10.1117/12.887983 Liu, Z., Yuan, L.,Weng, L., Yang, Y.,2017. A HighResolutionOptical Satellite ImageDataset for Ship Recognition and Some NewBaselines,in:Proc.ofthe 6th InternationalConference on Pattern Recognition Applications and Methods (ICPRAM). pp. 324–331. https://doi.org/10.5220/0006120603240331 Liu,Z.,Zhou,F., Bai, X., Yu, X., 2013. Automaticdetectionof ship target and motiondirectionin visual images. International Journal of Electronics 100, 94–111. https://doi.org/10.1080/00207217.2012.687188 Lodeiro-Santiago,M.,Caballero-Gil,P.,Aguasca-Colomo,R.,Caballero-Gil,C.,2019.Secure UAV-BasedSystemtoDetectSmallBoatsUsingNeuralNetworks[WWWDocument]. Complexity. https://doi.org/10.1155/2019/7206096 Loescher, G.,Milner,J.,2011. Respondingtoprotracted refugeesituations:lessonsfromadecade of discussion.RSC Policy Briefing Series6. Marin-Mcgee, M.,2013.ShipDetectionUsingHSI. Marshburn, E.G., Wang, Y., Allen, T.R., 2009. Potentials and impediments for operational remote sensing of small recreational vessels, in: ASPRS 2009 Annual Conference. p. 6. Máttyus,G.,2013.Nearreal-time automatic marine vessel detection on optical satellite images. ISPRS International Archives of the Photogrammetry, Remote Sensing and Spatial Information SciencesXL-1/W1, 233–237.https://doi.org/10.5194/isprsarchives-XL-1-W1-233-2013 McFeeters,S.K.,1996.The use oftheNormalizedDifferenceWaterIndex(NDWI)inthedelineation of open water features. International Journal of Remote Sensing 17, 1425–1432. https://doi.org/10.1080/01431169608948714 Mezzadra,S.,2004.Derecho de fuga.Migraciones,ciudadania y globalización.,Traficantesde Sueños. ed. Mirghasemi, S., SadoghiYazdi, H., Lotfizad, M., 2011. A target-based color space for sea target detection.ApplIntell36, 960–978.https://doi.org/10.1007/s10489-011-0307-y Missing Migrants Project, 2020. Missing Migrants Project [WWW Document]. URL https://missingmigrants.iom.int/(accessed 1.10.20). Missing Migrants Project, 2019. Missing Migrants Project [WWW Document]. URL https://missingmigrants.iom.int/region/mediterranean (accessed 10.11.19). Mitropoulos,A.,2007.Autonomy,Recognition, andMovement,in:Shukaitis,S.,Graeber,D.,Biddle, E.(Eds.), ConstituentImagination:MilitantInvestigations, Collective Theorization.AKPress, Oakland,pp.127–36. MSF, 2017. Mediterranean search and rescue | MSF UK [WWW Document]. URL https://www.msf.org.uk/country/mediterranean-search-and-rescue (accessed 6.15.17). MSF,2015. MSF callsforlargescalesearch and rescueoperationin the Mediterranean [WWW Document]. Médecins Sans Frontières (MSF) International. URL http://www.msf.org/en/article/msf-calls-large-scale-search-and-rescue-operation­mediterranean(accessed6.19.17). Myneni,R.B.,Hall,F.G.,Sellers,P.J.,Marchak,A.,1995.The interpretation ofspectral vegetation indexes. IEEE Transactions on Geoscience and Remote Sensing 33, 481–486. https://doi.org/10.1109/36.377948 N2YO, 2020. BROWSE SATELLITES BY LAUNCH DATE [WWW Document]. URL https://www.n2yo.com/browse/(accessed 8.23.20). Neele,F.,2005.Infrared ship signatureanalysisand optimisation,in:Proc.SPIE 5811, Targetsand Backgrounds XI:CharacterizationandRepresentation.https://doi.org/10.1117/12.603404 NEREIDS,2014.Final ReportSummary -NEREIDS(New Service CapabilitiesforIntegrated and AdvancedMaritimeSurveillance) |ReportSummary |NEREIDS |FP7|CORDIS |European Commission [WWW Document]. URL https://cordis.europa.eu/project/id/263468/reporting (accessed 11.17.20). Nielsen,N.,2014.EU bordersurveillance system nothelping to save lives[WWWDocument].URL https://euobserver.com/justice/124136 (accessed 6.25.17). NOAA, 2017. Earth Observation Group -Defense Meteorological Satellite Progam, Boulder | ngdc.noaa.gov [WWW Document]. URL https://www.ngdc.noaa.gov/eog/viirs/download_boat.html(accessed 5.22.17). Oliveau,Q.,Sahbi,H.,2016.Attributelearningforshipcategoryrecognitioninremotesensingimagery, in: IEEE International GeoscienceandRemoteSensingSymposium (IGARSS). pp. 96–99. https://doi.org/10.1109/IGARSS.2016.7729015 Oštir,K.,2006.Daljinskozaznavanje.Založba ZRC,Ljubljana. Pai,H.-H.,2018. “Thecampisrunbybadpeople”:anasylumseeker’slifeinSicily.TheGuardian. Pajnik,M.,Lesjak-Tušek,P.,Gregorcic,M.,2001.Prebežniki, kdo ste? Mirovni inštitut. Park,K.-A.,Park,J.-J., Jang, J.-C.,Lee,J.-H.,Oh,S.,Lee,M.-J., 2018. Multi-Spectral Ship Detection using Optical,Hyperspectral, and Microwave SARRemote Sensing for Sustainability ofthe CoastalRegion.https://doi.org/10.20944/preprints201808.0504.v1 Pegler, K., Coleman, D., Pelot, R., Keller, C.P., 2007. An enhanced spatio-spectral template for automatic smallrecreational vessel detection. Photogrammetric engineering and remote sensing 73, 79–87. Pettorelli, N., Vik,J.O.,Mysterud, A., Gaillard,J.-M.,Tucker,C.J.,Stenseth,N.C.,2005.Usingthe satellite-derived NDVIto assess ecologicalresponsesto environmental change.TrendsEcol. Evol.(Amst.)20,503–510. https://doi.org/10.1016/j.tree.2005.05.011 Potocnik Buhvald,A., 2018.Regeneracija gozdov v ZgornjiMežiški dolini– zaznavanje sprememb z daljinskim zaznavanjem.Univerza v Ljubljani, Fakulteta za gradbeništvo in geodezijo. Potter,C.,Tan, P.-N.,Steinbach,M., Klooster,S., Kumar, V.,Myneni, R., Genovese, V., 2003. Major disturbance eventsin terrestrial ecosystems detected using globalsatellite data sets.Global Change Biology9,1005–1021. https://doi.org/10.1046/j.1365-2486.2003.00648.x Quinn, J.A., Nyhan, M.M., Navarro, C., Coluccia, D., Bromley, L., Luengo-Oroz, M., 2018. Humanitarianapplicationsofmachinelearningwithremote-sensingdata: reviewandcase study in refugee settlement mapping. Philosophical Transactions of the Royal Society A: Mathematical,PhysicalandEngineeringSciences. RodriguezSullivan,M.D.,Shah,M.,2008. Visualsurveillanceinmaritimeportfacilities,in:Societyof Photo-Optical Instrumentation Engineers (SPIE) Conference Series. pp. 697811–697818. https://doi.org/10.1117/12.777645 Rokach, L.,Maimon, O.,2005. DecisionTrees, in: DataMiningandKnowledgeDiscoveryHandbook. Springer,Boston,MA, pp. 165–192.https://doi.org/10.1007/0-387-25465-X_9 Roy, D.P., Borak,J.S., Devadiga,S.,Wolfe, R.E., Zheng,M., Descloitres,J.,2002. TheMODISLand product quality assessment approach. Remote Sensing of Environment, The Moderate ResolutionImagingSpectroradiometer(MODIS):anew generationofLandSurfaceMonitoring 83, 62–76. https://doi.org/10.1016/S0034-4257(02)00087-1 RSA,2019.Refugeestrapped onSamos:A humanitarian crisiswith no end in sight -R.S.A.[WWW Document]. URL https://rsaegean.org/en/refugees-trapped-on-samos/ (accessed 6.2.20). RTVSLO, 2020. Letos upad nezakonitih vstopov v EU in tudi Slovenijo [WWW Document]. RTVSLO.si. URL https://www.rtvslo.si/svet/evropa/letos-upad-nezakonitih-vstopov-v-eu-in­tudi-slovenijo/542622 (accessed 11.25.20). Rumford, C., 2006. Theorizing Borders. European Journal of Social Theory 9, 155–169. https://doi.org/10.1177/1368431006063330 Scheel,S., 2013.Autonomy ofMigration Despite Its Securitisation? Facing the Terms and Conditions ofBiometric Rebordering:Millennium. https://doi.org/10.1177/0305829813484186 SentinelHub, 2020. SentinelHub [WWWDocument].URLhttps://www.sentinel-hub.com/(accessed 5.26.20). SentinelHub, 2019.EOBrowser| SentinelHub [WWWDocument].URL https://www.sentinel­hub.com/explore/eobrowser(accessed 11.18.19). Sharma,N., 2009.Escape Artists:Migrantsand the PoliticsofNaming.Subjectivity 29,467–476. Slonecker,E.T., Shaw,D.M.,Lillesand,T.M., 1998.Emerging legal and ethicalissuesin advanced remote sensing technology. Photogrammetric Engineering and Remote Sensing 64, 589–595. Stephan,C., 2015.Automatic NearReal-Time DeforestationMonitoringWithSatellite ImageTime Series(MasterThesis).University ofMuenster. Tang,J.,Deng,C.,Huang,G.-B.,Zhao,B.,2015.Compressed-domain ship detection on spaceborne opticalimage using deep neural network and extreme learning machine.IEEETransactions on GeoscienceandRemoteSensing53,1174–1185. https://doi.org/10.1109/TGRS.2014.2335751 Therneau, T.M., Atkinson, E.J.,2017. AnIntroductionto RecursivePartitioning Using the RPART Routines. Thompson, S.A., Singhvi, A., 2017. Efforts to Rescue Migrants Caused Deadly, Unexpected Consequences. The New YorkTimes. Tiede, D., Krafft,P.,Füreder,P., Lang,S.,2017.Stratified TemplateMatching toSupport Refugee Camp Analysis in OBIA Workflows. Remote Sensing 9, 326. https://doi.org/10.3390/rs9040326 Topputo,F.,Massari,M.,Lombardi,R.,Gianinetto,M.,Marchesi,A.,Aiello,M.,Tebaldini,S.,Banda, F., 2016. Space Shepherd -Usingspacesystemstosavehumanlives. Topputo,F.,Massari,M.,Lombardi,R.,Gianinetto,M.,Marchesi, A., Aiello, M., Tebaldini, S., Banda, F., 2015. Space shepherd: Search and rescue ofillegalimmigrantsin the mediterranean sea throughsatelliteimagery, in: IEEEInternational GeoscienceandRemoteSensingSymposium (IGARSS). pp. 4852–4855. https://doi.org/10.1109/IGARSS.2015.7326917 Trilling, D.,2018.Fivemythsabouttherefugeecrisis. The Guardian. Tucker, C.J., Slayback, D.A., Pinzon, J.E., Los, S.O., Myneni, R.B., Taylor, M.G., 2001. Higher northern latitude normalized difference vegetation index and growing season trendsfrom 1982 to 1999. Int J Biometeorol 45, 184–190. https://doi.org/10.1007/s00484-001-0109-8 UNHCR, 2020b. The Refugee Brief -2 April 2020. The Refugee Brief. URL https://www.unhcr.org/refugeebrief/the-refugee-brief-2-april-2020/(accessed 5.14.20). UNHCR,2020a.Whatisa Refugee Camp? DefinitionandStatistics[WWW Document]. URL https://www.unrefugees.org/refugee-facts/camps/ (accessed 6.4.20). UNHCR,2020. Figures at aGlance[WWWDocument]. UNHCR. URLhttps://www.unhcr.org/figures-at-a-glance.html(accessed 15.04.21). USGS,2020.USGS EROSArchive -ComparisonofSentinel-2 and Landsat[WWWDocument].URL https://www.usgs.gov/centers/eros/science/usgs-eros-archive-sentinel-2-comparison-sentinel­2-and-landsat?qt-science_center_objects=0#qt-science_center_objects (accessed 8.19.20). Verbesselt,J.,Hyndman, R., Newnham, G., Culvenor, D.,2010. Detectingtrendandseasonalchanges in satellite image time series. Remote Sensing of Environment 114, 106–115. https://doi.org/10.1016/j.rse.2009.08.014 Verbesselt,J.,Zeileis,A.,Herold,M.,2012a.Nearreal-timedisturbancedetectionusingsatelliteimage time series. Remote Sensing of Environment 123, 98–108. https://doi.org/10.1016/j.rse.2012.02.022 Verbesselt,J.,Zeileis,A.,Herold, M., 2012b. Near real-timedisturbancedetectionusingsatelliteimage time series. Remote Sensing of Environment 123, 98–108. https://doi.org/10.1016/j.rse.2012.02.022 Videmšek, B.,2018.Sirskibegunec,ki muje Evropavzelapravicodoclovecnosti. Delo,Sobotna Priloga. Wang,Y., Wang,C.,Zhang,H.,Dong,Y., Wei,S.,2019.ASARDataset ofShipDetectionforDeep Learning under Complex Backgrounds. Remote Sensing 11, 765. https://doi.org/10.3390/rs11070765 Wang,Z.,Yin,Q.,Li,H.,Hu,B.,2016. Surface ship target detection in hyperspectralimages based on improved variance minimum algorithm. p. 7. https://doi.org/10.1117/12.2243872 Wheeler,J.,2015.People Watching:Tracking andMonitoringMigration[WWW Document].URL /people-watching-tracking-and-monitoring-migration/(accessed6.18.17). Wikipedia,2017.Magreb. Wikipedija,prostaenciklopedija. Willhauck, G., Caliz, J.J., Hoffmann, C., Lingenfelder, I., Heynen, M., 2005. Object oriented ship detection fromVHRsatellite images,in:6th Geomatic Week Conference. p. 12. Wilson,A.M.,Jetz,W.,2016.RemotelySensedHigh-ResolutionGlobalCloudDynamicsforPredicting Ecosystem and Biodiversity Distributions. PLOS Biology 14, e1002415. https://doi.org/10.1371/journal.pbio.1002415 Wu,G.,deLeeuw, J., Skidmore, A.K., Liu, Y., Prins, H.H.T., 2009. Performanceof Landsat TMinship detection in turbid waters. International Journal of Applied Earth Observation and Geoinformation11,54–61. https://doi.org/10.1016/j.jag.2008.07.001 Wu,W.,Luo,J.,Qiao,C.,Shen,Z.,2011.Ship recognition fromhigh resolution remote sensing imagery aided by spatial relationship, in: International Conference on Spatial Data Mining and Geographical Knowledge Services (ICSDM). pp. 567–569. https://doi.org/10.1109/ICSDM.2011.5969110 Xu,H.,2006.Modificationof normaliseddifference waterindex(NDWI) toenhanceopen water features in remotely sensedimagery. International Journal of RemoteSensing27, 3025–3033. https://doi.org/10.1080/01431160600589179 Yang, G., Li, B.,Ji,S., Gao,F.,Xu, Q.,2014.Shipdetectionfromopticalsatelliteimagesbasedonsea surface analysis. IEEE Geoscience and Remote Sensing Letters 11, 641–645. https://doi.org/10.1109/LGRS.2013.2273552 Zeileis,A.,Leisch,F.,Hornik,K.,Kleiber,C.,2001.strucchange.AnR packagefortestingforstructural change in linear regression models. [WWWDocument]. URL http://epub.wu.ac.at/1124/ (accessed 5.22.18). Zetter,R.,1995.ShelterProvision and Settlement PoliciesforRefugees:Astate ofthe artreview.The Nordic AfricaInstitute. Zhang,W.,Bian,C.,Zhao,X.,Hou,Q.,2012.Shiptargetsegmentationanddetectionincomplexoptical remotesensingimagebased oncomponent treecharacteristics discrimination, in: Proc. SPIE 8558, Optoelectronic Imaging and Multimedia Technology II, 85582F. p. 9. https://doi.org/10.1117/12.2000688 Zhu, C., Zhou, H., Wang, R., Guo, J., 2010. A novel hierarchical method of ship detection from spaceborne optical image based on shape and texture features. IEEE Transactions on GeoscienceandRemoteSensing48,3446–3456. https://doi.org/10.1109/TGRS.2010.2046330 Zou, Z., Shi, Z., 2016. Ship Detection in Spaceborne Optical Image With SVD Networks. IEEE Transactions on Geoscience and Remote Sensing 54, 5832–5845. https://doi.org/10.1109/TGRS.2016.2572736 Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja SEZNAMPRILOG PRILOGAA:REZULTATI ZAZNAVANJA IN KLASIFIKACIJE PLOVIL Z UPORABO RAZVITEGA ALGORITMA Z NEKATERIH OPTICNIH SATELITSKIHPOSNETKOVZRAZLICNO LOCLJIVOSTJO. Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.:RezultatizaznavanjaplovilnaposnetkuGeoeye(posnet 24.3.2013)naobmocju mestaDakar(Senegal). Geoeye Dakar (Senegal) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.1:RezultatizaznavanjaplovilnaposnetkuGeoeye(posnet 14.7.2013)naobmocju Lampeduze -del1(Italija). Geoeye Lampeduza 1 (Italija) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.2:RezultatizaznavanjaplovilnaposnetkuGeoeye(posnet 14.7.2013) naobmocju Lampeduze -del2(Italija). Geoeye Lampeduza 2 (Italija) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.3:RezultatizaznavanjaplovilnaposnetkuGeoeye(posnet 14.7.2013) naobmocju Lampeduze -del3(Italija). Geoeye Lampeduza 3 (Italija) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja Geoeye Mboro (Senegal) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.5:RezultatizaznavanjaplovilnaposnetkuGeoeye(posnet 8.10.2011)naobmocju mestaNouakchott(Mavretanija). Geoeye Nouakchott (Mavretanija) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.6:RezultatizaznavanjaplovilnaposnetkuIKONOS(posnet 7.3.2013)naobmocju mestaAkra(Gana). IKONOS Akra (Gana) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.7:RezultatizaznavanjaplovilnaposnetkuIKONOS(posnet 1.4.2011)naobmocju Lampeduze(Italija). IKONOS Lampeduza (Italija) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana,UL FGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.8: RezultatizaznavanjaplovilnaposnetkuWorldView-2 (posnet 7.9.2013) naobmocju Lampeduza(Italija). WorldView-2 Lampeduza (Italija) Legenda kopno ladja morje val Kanjir,U.2021.Spremljanjemigracijnamorjuinanalizavplivaizbranihbegunskihcentrovnaokoljezdaljinskim zaznavanjem. Doktorskadisertacija.Ljubljana, ULFGG,InterdisciplinarnidoktorskištudijVarstvaokolja PrilogaA.9:RezultatizaznavanjaplovilnaposnetkuSentinel-2 (posnet 15.9.2017) naobmocju otoka Samos(Grcija). Sentinel-2 Samos (Grc.ija) Legenda kopno ladja morje val