Μείωση πυκνότητας μεταφορών που προκλήθηκε από αποκλεισμούς πόλεων σε όλο τον κόσμο κατά τη διάρκεια της επιδημίας COVID-19

Από RemoteSensing Wiki

(Διαφορές μεταξύ αναθεωρήσεων)
Μετάβαση σε: πλοήγηση, αναζήτηση
(Νέα σελίδα με 'Add Your Content Here category:Αστικός και περιφερειακός σχεδιασμός')
 
(Μία ενδιάμεση αναθεώρηση δεν εμφανίζονται.)
Γραμμή 1: Γραμμή 1:
-
Add Your Content Here
+
[[Εικόνα:Tsalmasd_eikona_7.1.png|thumb|right|'''Εικόνα 1:''' Πίνακας μεταδεδομένων των συλλεγόμενων δορυφορικών δεδομένων για όλες τις περιοχές μελέτης κατά τις δύο χρονικές περιόδους (πριν και μετά την πανδημία).]]
 +
[[Εικόνα:Tsalmasd_eikona_7.2.png|thumb|right|'''Εικόνα 2:''' Διάγραμμα ροής εξαγωγής υποψήφιου οχήματος]]
 +
[[Εικόνα:Tsalmasd_eikona_7.3.png|thumb|right|'''Εικόνα 3:''' Διάγραμμα πολυκλαδικού μοντέλου βαθιάς μάθησης.]]
 +
[[Εικόνα:Tsalmasd_eikona_7.4.png|thumb|right|'''Εικόνα 4:''' Αποτελέσματα ανίχνευσης οχημάτων σε δορυφορικές πολυφασματικές εικόνες υψηλής ανάλυσης αναπαριστώμενα με κίτρινα κουτάκια. a) κοντά στο σταθμό του μετρό Hankou Railway στην πόλη της Γουχάν, b) σταθμός μετρό Centrale FS στο Μιλάνο, c) στο Puerta de Alcala στη Μαδρίτη, d) στην πλατεία the Place de la Concorde στο Παρίσι, e) κοντά στον Οργανισμό Ηνωμένων Εθνών στη Νέα Υόρκη, f) στη γέφυρα Westminster στο Λονδίνο. ]]
 +
[[Εικόνα:Tsalmasd_eikona_7.5.png|thumb|right|'''Εικόνα 5:''' Στατιστικά στοιχεία των αριθμών οχημάτων στις έξι πόλεις πριν και μετά από την καραντίνα της πανδημίας, μαζί με τις αναλογίες αλλαγής τους.]]
 +
 
 +
 
 +
 
 +
<h3>Transportation Density Reduction Caused by City Lockdowns Across the World during the COVID-19 Epidemic: From the View of High-resolution Remote Sensing Imagery</h3>
 +
 
 +
'''Συγγραφείς:''' Chen Wu, Sihan Zhu, Jiaqi Yang, Meiqi Hu, Bo Du, Liangpei Zhang, Lefei Zhang, Chengxi Han, Meng Lan
 +
 
 +
'''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://ieeexplore.ieee.org/document/9191992]]
 +
 
 +
'''Λέξεις κλειδιά:''' Covid-19, κυκλοφοριακή πυκνότητα, καραντίνα πόλεων, τηλεπισκόπηση, υψηλή ανάλυση.
 +
 
 +
 
 +
<h3>1. Αντικείμενο</h3>
 +
 
 +
Στη συγκεκριμένη μελέτη εξετάσθηκε η μείωση της πυκνότητας των μεταφορών κατά την περίοδο του 2020 λόγω της πανδημίας του Covid-19 και των μέτρων απαγόρευσης κυκλοφορίας για την αποφυγή εξάπλωσης. Η μελέτη προσεγγίζει το θέμα χρησιμοποιώντας τηλεπισκοπικές εικόνες υψηλής ανάλυσης, χωρικής ακρίβειας 1 και 0.5m με στόχο με ένα μοντέλο ανίχνευσης οχημάτων που συνδυάζει την εξαγωγή υποψήφιου οχήματος χωρίς επίβλεψη και με βαθιά μάθηση ανίχνευσης ειδικότερα για τις εικόνες ανάλυσης 0.5μ.
 +
 
 +
<h3>2. Εισαγωγή</h3>
 +
 
 +
Το 2020, η εξάπλωση του κορονοϊού (Covid-19) άλλαξε ραγδαία την ανθρώπινη καθημερινότητα σε ολόκληρο τον κόσμο. Οι περισσότερες χώρες εφάρμοσαν αυστηρά απαγορευτικά μέτρα κυκλοφορίας για την αποφυγή διασποράς του ιού ενώ απαγορεύτηκαν σε πολλές πόλεις εκδηλώσεις, τα μαγαζιά ήταν κλειστά και γενικότερα αυστηρές πολιτικές διατάσσοντας τους πολίτες να παραμένουν στο σπίτι τους και να περιορίζουν τις μετακινήσεις τους. Για το λόγο όμως ότι οι συγκεκριμένες πολιτικές διαφέρουν από χώρα σε χώρα και από πόλη σε πόλη είναι δύσκολο να αξιολογηθούν ποσοτικά οι επιπτώσεις σε παγκόσμιο επίπεδο. Οπότε η μελέτη επικεντρώθηκε σε 6 πόλεις: Γουχάν, Μιλάνο, Μαδρίτη, Παρίσι, Νέα Υόρκη και Λονδίνο.
 +
 
 +
Τα δεδομένα τηλεπισκόπησης υψηλής ευκρίνειας δίνουν τη δυνατότητα αντικειμενικών και συνεπών παρατηρήσεων μεταξύ διαφορετικών πόλεων και μεταξύ δύο περιόδων (πριν και μετά την πανδημία και τις απαγορεύσεις κυκλοφορίας), προσφέροντας έτσι την δυνατότητα αξιολόγησης της πυκνότητας των μεταφορών. Στην παρούσα μελέτη χρησιμοποιήθηκαν χρονοσειρές τηλεπισκοπικών δορυφορικών εικόνων χωρικής ανάλυσης 0.5μ. με σκοπό την εξαγωγή του αριθμού των οχημάτων στις 6 πόλεις που προαναφέρθηκαν, δημιουργώντας ένα μοντέλο βαθιάς μάθησης συνδυάζοντας το φίλτρο μορφολογίας και πολλαπλών διακλαδώσεων για την ποσοτικοποίηση της πυκνότητας των μεταφορών.
 +
 
 +
<h3>3. Περιοχές μελέτης και τηλεπισκοπικά δεδομένα</h3>
 +
 
 +
Οι περιοχές μελέτης ήταν οι 6 πόλεις που προαναφέρθηκαν. Τα τηλεπισκοπικά δεδομένα που συλλέχθηκαν ήταν πολυχρονικά, με σκοπό την αντικειμενική ανάλυση της πυκνότητας των μεταφορών πριν και μετά της πανδημίας, και υψηλής ανάλυσης για την εξαγωγή του αριθμού των οχημάτων στο δρόμο. Τα μεταδεδομένα των εικόνων που χρησιμοποιήθηκαν φαίνονται στον πίνακα της εικόνας 1.
 +
 
 +
Σχεδόν όλες οι εικόνες είναι από τον δορυφόρο Pleiades, χωρικής ανάλυσης 0.5μ., με τέσσερα φασματικά κανάλια (μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο). Για την πόλη της Γουχάν λόγω δυσκολίας εύρεσης καθαρής δορυφορικής εικόνας Pleiades, επιλέχθηκαν δορυφορικές εικόνες του δορυφόρου WorldView-3, χωρικής ανάλυσης 0.5μ, με τα ίδια τέσσερα φασματικά κανάλια.
 +
 
 +
Για την αναγνώριση οχημάτων μόνο στους δρόμους, εισήχθησαν από τα ανοιχτά δεδομένα του Open Street Map (OSM) οι αυτοκινητόδρομοι, χρησιμοποιώντας όρους ταξινόμησης με ακτίνες ζώνης (buffer) σε κύριους, δευτερεύοντες, κλπ. Μόνο τα οχήματα μέσα σε αυτές τις ακτίνες ζώνης εξήχθησαν και υπολογίσθηκαν και για τις έξι πόλεις.
 +
 
 +
<h3>4. Μεθοδολογία</h3>
 +
 
 +
Δεδομένου ότι η πληροφορία των δορυφορικών δεδομένων υψηλής ανάλυσης 0.5μ. δεν είναι δυνατόν να δώσει αρκετή χωρική πληροφορία για την άμεση ανίχνευση οχημάτων, πραγματοποιήθηκε ένας συνδυασμός εντοπισμού χωρίς επίβλεψη με αλγόριθμο βαθιάς μάθησης εύρεσης των πιθανών στόχων οχημάτων αφαιρώντας τις παρεμβολές των δρόμων για τη διάκριση οχημάτων και μη οχημάτων. Στις εικόνες 2 και 3 παρουσιάζεται η μεθοδολόγια που εφαρμόστηκε αναλυτικά.
 +
 
 +
Τα φωτεινά και τα σκοτεινά αντικείμενα στις τηλεπισκοπικές δορυφορικές εικόνες συνδυάζονται για την εύρεση των υποψήφιων οχημάτων. Ωστόσο, αυτό επειδή δεν είναι απόλυτα ακριβές από μόνο του, λόγω περιπτώσεων αντικειμένων που μπορεί να αποπροσανατολίσουν και να δημιουργήσουν λανθασμένα αποτελέσματα, χρησιμοποιήθηκαν πυρήνες στο κέντρο των υποψήφιων οχημάτων, όπου ορίστηκαν γεωμετρικοί κανόνες όσον αφορά το μέγεθος των οχημάτων για τον βέλτιστο εντοπισμό τους. Αφού πραγματοποιήθηκε αυτή η διαδικασία, αναπτύχθηκε ένα πολυκλαδικό μοντέλο βαθιάς μάθησης για τη διάκριση οχημάτων και μη οχημάτων.
 +
 
 +
<h3>5. Αποτελέσματα</h3>
 +
 
 +
Tα παραδείγματα των αποτελεσμάτων ανίχνευσης οχημάτων φαίνονται στην εικόνα 4. Μπορεί να παρατηρηθεί ότι μετά το «κλείδωμα» των πόλεων, οι πυκνότητες των οχημάτων μειώθηκαν αισθητά. Τα περισσότερα οχήματα στις εικόνες εντοπίστηκαν με επιτυχία και οι αριθμοί τους εκτιμήθηκαν με ακρίβεια. Αναλυτικά τα αποτελέσματα που προέκυψαν παρουσιάζονται στην εικόνα 5.
 +
 
 +
<h3>6. Επίλογος</h3>
 +
 
 +
Τα αποτελέσματα της μελέτης μας υποδεικνύουν ότι οι αυστηρές πολιτικές κατά τη διάρκεια της πανδημίας είχαν ως απόρροια την ραγδαία μείωση της πυκνότητας των μεταφορών κατά μέσο όρο 49.59% και έως και 75.96% στην περίπτωση της Γουχάν. Η επίδραση στις αναλογίες μπορούν να ταξινομηθούν ως εξής:
 +
 
 +
Γουχάν > Παρισι ≈ Μιλάνο > Μαδρίτη > Λονδίνο > Νέα Υόρκη
 +
 
 +
Τέλος, εντοπίσθηκε ότι η μείωση της πυκνότητας μεταφορών ήταν χωρικά σχετική με την κατανομή της χρήσης γης εντός των πόλεων. Τέλος, οι διαφορετικές πολιτικές μεταξύ αυτών των πόλεων.
 +
 
 +
 
 +
 
 +
 
 +
 
 +
 
 +
 
 +
 
 +
 
 +
 
 +
 
 +
 
  [[category:Αστικός και περιφερειακός σχεδιασμός]]
  [[category:Αστικός και περιφερειακός σχεδιασμός]]

Παρούσα αναθεώρηση της 00:35, 2 Μαρτίου 2022

Εικόνα 1: Πίνακας μεταδεδομένων των συλλεγόμενων δορυφορικών δεδομένων για όλες τις περιοχές μελέτης κατά τις δύο χρονικές περιόδους (πριν και μετά την πανδημία).
Εικόνα 2: Διάγραμμα ροής εξαγωγής υποψήφιου οχήματος
Εικόνα 3: Διάγραμμα πολυκλαδικού μοντέλου βαθιάς μάθησης.
Εικόνα 4: Αποτελέσματα ανίχνευσης οχημάτων σε δορυφορικές πολυφασματικές εικόνες υψηλής ανάλυσης αναπαριστώμενα με κίτρινα κουτάκια. a) κοντά στο σταθμό του μετρό Hankou Railway στην πόλη της Γουχάν, b) σταθμός μετρό Centrale FS στο Μιλάνο, c) στο Puerta de Alcala στη Μαδρίτη, d) στην πλατεία the Place de la Concorde στο Παρίσι, e) κοντά στον Οργανισμό Ηνωμένων Εθνών στη Νέα Υόρκη, f) στη γέφυρα Westminster στο Λονδίνο.
Εικόνα 5: Στατιστικά στοιχεία των αριθμών οχημάτων στις έξι πόλεις πριν και μετά από την καραντίνα της πανδημίας, μαζί με τις αναλογίες αλλαγής τους.


Πίνακας περιεχομένων

Transportation Density Reduction Caused by City Lockdowns Across the World during the COVID-19 Epidemic: From the View of High-resolution Remote Sensing Imagery

Συγγραφείς: Chen Wu, Sihan Zhu, Jiaqi Yang, Meiqi Hu, Bo Du, Liangpei Zhang, Lefei Zhang, Chengxi Han, Meng Lan

Σύνδεσμος πρωτότυπου κειμένου: [[1]]

Λέξεις κλειδιά: Covid-19, κυκλοφοριακή πυκνότητα, καραντίνα πόλεων, τηλεπισκόπηση, υψηλή ανάλυση.


1. Αντικείμενο

Στη συγκεκριμένη μελέτη εξετάσθηκε η μείωση της πυκνότητας των μεταφορών κατά την περίοδο του 2020 λόγω της πανδημίας του Covid-19 και των μέτρων απαγόρευσης κυκλοφορίας για την αποφυγή εξάπλωσης. Η μελέτη προσεγγίζει το θέμα χρησιμοποιώντας τηλεπισκοπικές εικόνες υψηλής ανάλυσης, χωρικής ακρίβειας 1 και 0.5m με στόχο με ένα μοντέλο ανίχνευσης οχημάτων που συνδυάζει την εξαγωγή υποψήφιου οχήματος χωρίς επίβλεψη και με βαθιά μάθηση ανίχνευσης ειδικότερα για τις εικόνες ανάλυσης 0.5μ.

2. Εισαγωγή

Το 2020, η εξάπλωση του κορονοϊού (Covid-19) άλλαξε ραγδαία την ανθρώπινη καθημερινότητα σε ολόκληρο τον κόσμο. Οι περισσότερες χώρες εφάρμοσαν αυστηρά απαγορευτικά μέτρα κυκλοφορίας για την αποφυγή διασποράς του ιού ενώ απαγορεύτηκαν σε πολλές πόλεις εκδηλώσεις, τα μαγαζιά ήταν κλειστά και γενικότερα αυστηρές πολιτικές διατάσσοντας τους πολίτες να παραμένουν στο σπίτι τους και να περιορίζουν τις μετακινήσεις τους. Για το λόγο όμως ότι οι συγκεκριμένες πολιτικές διαφέρουν από χώρα σε χώρα και από πόλη σε πόλη είναι δύσκολο να αξιολογηθούν ποσοτικά οι επιπτώσεις σε παγκόσμιο επίπεδο. Οπότε η μελέτη επικεντρώθηκε σε 6 πόλεις: Γουχάν, Μιλάνο, Μαδρίτη, Παρίσι, Νέα Υόρκη και Λονδίνο.

Τα δεδομένα τηλεπισκόπησης υψηλής ευκρίνειας δίνουν τη δυνατότητα αντικειμενικών και συνεπών παρατηρήσεων μεταξύ διαφορετικών πόλεων και μεταξύ δύο περιόδων (πριν και μετά την πανδημία και τις απαγορεύσεις κυκλοφορίας), προσφέροντας έτσι την δυνατότητα αξιολόγησης της πυκνότητας των μεταφορών. Στην παρούσα μελέτη χρησιμοποιήθηκαν χρονοσειρές τηλεπισκοπικών δορυφορικών εικόνων χωρικής ανάλυσης 0.5μ. με σκοπό την εξαγωγή του αριθμού των οχημάτων στις 6 πόλεις που προαναφέρθηκαν, δημιουργώντας ένα μοντέλο βαθιάς μάθησης συνδυάζοντας το φίλτρο μορφολογίας και πολλαπλών διακλαδώσεων για την ποσοτικοποίηση της πυκνότητας των μεταφορών.

3. Περιοχές μελέτης και τηλεπισκοπικά δεδομένα

Οι περιοχές μελέτης ήταν οι 6 πόλεις που προαναφέρθηκαν. Τα τηλεπισκοπικά δεδομένα που συλλέχθηκαν ήταν πολυχρονικά, με σκοπό την αντικειμενική ανάλυση της πυκνότητας των μεταφορών πριν και μετά της πανδημίας, και υψηλής ανάλυσης για την εξαγωγή του αριθμού των οχημάτων στο δρόμο. Τα μεταδεδομένα των εικόνων που χρησιμοποιήθηκαν φαίνονται στον πίνακα της εικόνας 1.

Σχεδόν όλες οι εικόνες είναι από τον δορυφόρο Pleiades, χωρικής ανάλυσης 0.5μ., με τέσσερα φασματικά κανάλια (μπλε, πράσινο, κόκκινο και εγγύς υπέρυθρο). Για την πόλη της Γουχάν λόγω δυσκολίας εύρεσης καθαρής δορυφορικής εικόνας Pleiades, επιλέχθηκαν δορυφορικές εικόνες του δορυφόρου WorldView-3, χωρικής ανάλυσης 0.5μ, με τα ίδια τέσσερα φασματικά κανάλια.

Για την αναγνώριση οχημάτων μόνο στους δρόμους, εισήχθησαν από τα ανοιχτά δεδομένα του Open Street Map (OSM) οι αυτοκινητόδρομοι, χρησιμοποιώντας όρους ταξινόμησης με ακτίνες ζώνης (buffer) σε κύριους, δευτερεύοντες, κλπ. Μόνο τα οχήματα μέσα σε αυτές τις ακτίνες ζώνης εξήχθησαν και υπολογίσθηκαν και για τις έξι πόλεις.

4. Μεθοδολογία

Δεδομένου ότι η πληροφορία των δορυφορικών δεδομένων υψηλής ανάλυσης 0.5μ. δεν είναι δυνατόν να δώσει αρκετή χωρική πληροφορία για την άμεση ανίχνευση οχημάτων, πραγματοποιήθηκε ένας συνδυασμός εντοπισμού χωρίς επίβλεψη με αλγόριθμο βαθιάς μάθησης εύρεσης των πιθανών στόχων οχημάτων αφαιρώντας τις παρεμβολές των δρόμων για τη διάκριση οχημάτων και μη οχημάτων. Στις εικόνες 2 και 3 παρουσιάζεται η μεθοδολόγια που εφαρμόστηκε αναλυτικά.

Τα φωτεινά και τα σκοτεινά αντικείμενα στις τηλεπισκοπικές δορυφορικές εικόνες συνδυάζονται για την εύρεση των υποψήφιων οχημάτων. Ωστόσο, αυτό επειδή δεν είναι απόλυτα ακριβές από μόνο του, λόγω περιπτώσεων αντικειμένων που μπορεί να αποπροσανατολίσουν και να δημιουργήσουν λανθασμένα αποτελέσματα, χρησιμοποιήθηκαν πυρήνες στο κέντρο των υποψήφιων οχημάτων, όπου ορίστηκαν γεωμετρικοί κανόνες όσον αφορά το μέγεθος των οχημάτων για τον βέλτιστο εντοπισμό τους. Αφού πραγματοποιήθηκε αυτή η διαδικασία, αναπτύχθηκε ένα πολυκλαδικό μοντέλο βαθιάς μάθησης για τη διάκριση οχημάτων και μη οχημάτων.

5. Αποτελέσματα

Tα παραδείγματα των αποτελεσμάτων ανίχνευσης οχημάτων φαίνονται στην εικόνα 4. Μπορεί να παρατηρηθεί ότι μετά το «κλείδωμα» των πόλεων, οι πυκνότητες των οχημάτων μειώθηκαν αισθητά. Τα περισσότερα οχήματα στις εικόνες εντοπίστηκαν με επιτυχία και οι αριθμοί τους εκτιμήθηκαν με ακρίβεια. Αναλυτικά τα αποτελέσματα που προέκυψαν παρουσιάζονται στην εικόνα 5.

6. Επίλογος

Τα αποτελέσματα της μελέτης μας υποδεικνύουν ότι οι αυστηρές πολιτικές κατά τη διάρκεια της πανδημίας είχαν ως απόρροια την ραγδαία μείωση της πυκνότητας των μεταφορών κατά μέσο όρο 49.59% και έως και 75.96% στην περίπτωση της Γουχάν. Η επίδραση στις αναλογίες μπορούν να ταξινομηθούν ως εξής:

Γουχάν > Παρισι ≈ Μιλάνο > Μαδρίτη > Λονδίνο > Νέα Υόρκη

Τέλος, εντοπίσθηκε ότι η μείωση της πυκνότητας μεταφορών ήταν χωρικά σχετική με την κατανομή της χρήσης γης εντός των πόλεων. Τέλος, οι διαφορετικές πολιτικές μεταξύ αυτών των πόλεων.

Προσωπικά εργαλεία