Συμβολή της γεωστατιστικής στην οριοθέτηση ζωνών ευτροφισμού

Abstract

Η εκτίμηση του θαλάσσιου ευτροφισμού αποτελεί σημαντικό στάδιο για τον χαρακτηρισμό της οικολογικής κατάστασης στην παράκτια ζώνη. Η οριοθέτηση ζωνών ευτροφισμού αποτελεί σημαντικό διαχειριστικό εργαλείο για την επίτευξη του σκοπού αυτού. Ωστόσο, η εκτίμηση του ευτροφισμού αποτελεί μια πολύπλοκη διαδικασία μιας και υπάρχουν πολλές παράμετροι που επηρεάζουν το φαινόμενο και είναι μεταξύ τους συσχετισμένες. Οι μέθοδοι ομαδοποίησης χρησιμοποιούνται συχνά για την κατάταξη θαλάσσιων δεδομένων αλλά αγνοούν την χωρική διάσταση των δεδομένων. Η περιοχή που μελετήθηκε είναι το στενό της Μυτιλήνης της νήσου Λέσβου στο Αιγαίο Αρχιπέλαγος. Μελετήθηκαν τέσσερεις μεταβλητές (Chlα, ΝΟ3, ΝΗ3, PO4) από 34 σταθμούς δειγματοληψίας. Τα δείγματα ελήφθησαν σε διάστημα 2 ημερών το έτος 1994 με αποτέλεσμα να μην αντικατοπτρίζουν μακροχρόνια την υφιστάμενη κατάσταση ευτροφισμού της περιοχής. Η μεθοδολογία που ακολουθήθηκε δίνει έμφαση στην οριοθέτηση ζωνών ευτροφισμού με την εισαγωγή χωρικής διάστασης στα δεδομένα. Αρχικά, χρησιμοποιήθηκε ο αλγόριθμος ομαδοποίησης Κ-means με τέσσερις (4) ομάδες σύμφωνα με την ομαδοποίηση της βιβλιογραφίας. Τα αποτελέσματα ανέδειξαν την πολυπλοκότητα του φαινόμενου και το γεγονός ότι η χρήση πολλών μεταβλητών δεν οδηγεί σε μια κατ’ ανάγκη ρεαλιστική απεικόνιση του ευτροφισμού, αφού τα όρια των ομάδων ευτροφισμού συνήθως καθορίζονται ανά μεταβλητή (ανεξάρτητα από τις τιμές των άλλων μεταβλητών). Για το λόγο αυτό εφαρμόστηκε η μέθοδος Ανάλυσης Κυρίων Συνιστωσών. Τα αποτελέσματα της πρώτης κυρίας συνιστώσας χρησιμοποιήθηκαν για την εκτίμηση ενός δείκτη ευτροφισμού. Οι τιμές του δείκτη ευτροφισμού για κάθε σταθμό ομαδοποιήθηκαν σε τρεις (3) ομάδες με τον αλγόριθμο K-medoids και τα κέντρα τους αντιστοιχιστήκαν με τις τιμές του δείκτη που υπολογίστηκαν χρησιμοποιώντας βιβλιογραφικά κέντρα διαστημάτων ευτροφισμού. Στη συνέχεια, λήφθηκε υπόψη η χωρική διάσταση των τιμών του δείκτη ευτροφισμού και ομαδοποιήθηκαν ξανά με τον αλγόριθμο K-medoids. Η χωρική διάσταση των δεδομένων έφερε μικρή αλλαγή ως προς την ομαδοποίηση ενός σταθμού και άλλαξε το κέντρο της μιας ομάδας. Η μικρή διαφορά στα αποτελέσματα οφείλεται στα περιορισμένα δεδομένα που χρησιμοποιήθηκαν. Εντούτοις η μεθοδολογία που ακολουθήθηκε προμηνύει πως η χωρική πληροφορία είναι μια ακόμη παράμετρος που σχετίζεται με το φαινόμενο του ευτροφισμού και πρέπει να εισαχθεί στην μελέτη του με τη βοήθεια της γεωστατιστικής.

Assessment of sea eutrophication is an important step towards the characterization of the ecological status of the coastal zone. The spatial delineation of eutrophication zones can serve as a coastal management tool for implementing this goal. However, the estimation of eutrophication limits can be a complex process, since there are many correlated parameters involved. Cluster analysis has been often used in sea data classification but ignores the spatial dimension of in the data. The study area of this research is the Mytilini straight, off the island of Lesbos, in the Aegean Archipelagos. Four variables where studied (Chlα, ΝΟ3, ΝΗ3, PO4) from 34 sampling stations. The data were gathered in a two day period during 1994, and consequently they do not reflect the long-term state of eutrophication. A clustering methodology was developed that emphasizes the spatial delineation of eutrophication by inserting spatial information in the classification procedure. Initially, the K-means clustering algorithm was applied to the data, forming four (4) clusters according to known bibliographic nutrient eutrophication limits. The results revealed the complexity of the characterization of eutrophication, as the use of many variables does not necessarily yield a consistent outcome, since bibliographic eutrophication limits are often determined using one variable at a time. For that reason Principal Component Analysis (PCA) was applied to the data. The first principal component was used in order to define an eutrophication index (EI). The resulting values of the eutrophication index at the sampling stations were classified into three (3) clusters using the K-medoids clustering algorithm and the cluster centers were correlated with EI values computed from the midpoints of variable limits defining eutrophication intervals. Next, the spatial spatial dimension of the EI values was injected as additional information in the K-medoids clustering algorithm. This explicit account of the spatial dimension of the data caused a station to be assigned to another cluster and also changed the center of the one out of the three (3) clusters formed. The small change in the spatial dealineation of eutrophication zones was due to the limited data that were used in this particular case study. Nevertheless, the methodology followed foreshadows that spatial dimension of the measurements is another parameter related to eutrophication and should be accounted for via geostatistics.