Χρήση τηλεπισκόπησης για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις
Από RemoteSensing Wiki
| Γραμμή 13: | Γραμμή 13: | ||
[[Αρχείο:1.study area.png]] | [[Αρχείο:1.study area.png]] | ||
| + | |||
| + | === 2. Μεθοδολογία === | ||
| + | |||
| + | Η έρευνα χρησιμοποίησε έναν συνδυασμό προηγμένων τεχνικών Τηλεπισκόπησης και Μηχανικής Μάθησης: | ||
| + | |||
| + | - '''''Επεξεργασία Δεδομένων:''''' Χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat (5, 7, 8 και 9) για τη χαρτογράφηση των χρήσεων γης τα έτη 1999, 2014 και 2024. | ||
| + | |||
| + | - '''''Ταξινόμηση και Πρόβλεψη:''''' Ο αλγόριθμος Random Forest (RF) χρησιμοποιήθηκε για την ταξινόμηση της κάλυψης γης, ενώ το μοντέλο Cellular Automata-Markov Chain (CA-Markov) χρησιμοποιήθηκε για την πρόβλεψη των μελλοντικών τάσεων έως το 2049. | ||
| + | |||
| + | |||
[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο) ]] | [[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο) ]] | ||
Αναθεώρηση της 18:51, 16 Φεβρουαρίου 2026
Πίνακας περιεχομένων |
Utilizing Remote Sensing and Random Forests to Identify Optimal Land Use Scenarios and Address the Increase in Landslide Susceptibility
Χρήση τηλεπισκόπησης και Random Forests για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις
Aditya Nugraha Putra, Jaenudin, Novandi Rizky Prasetya, Michelle Talisia Sugiarto, Sudarto, Cahyo Prayogo, Febrian Maritimo and Fandy Tri Admajaya
1. Εισαγωγή
Το άρθρο επικεντρώνεται στην περιοχή Sukapura της Ινδονησίας, μια ορεινή περιοχή με έντονο ανάγλυφο που πλήττεται συχνά από κατολισθήσεις. Η μελέτη αναγνωρίζει ότι οι αλλαγές στη χρήση και την κάλυψη γης (LULC), οι οποίες οφείλονται κυρίως στην ανθρώπινη δραστηριότητα, αποτελούν καθοριστικό παράγοντα για την αύξηση της επικινδυνότητας. Στόχος της έρευνας είναι η ανάλυση των ιστορικών μεταβολών της γης από το 1999 έως το 2024, η πρόβλεψη των τάσεων για το 2049 και η αξιολόγηση της ευπάθειας σε κατολισθήσεις υπό διαφορετικά σενάρια διαχείρισης, ώστε να προταθεί η βέλτιστη λύση για τη βιώσιμη ανάπτυξη της περιοχής.
2. Μεθοδολογία
Η έρευνα χρησιμοποίησε έναν συνδυασμό προηγμένων τεχνικών Τηλεπισκόπησης και Μηχανικής Μάθησης:
- Επεξεργασία Δεδομένων: Χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat (5, 7, 8 και 9) για τη χαρτογράφηση των χρήσεων γης τα έτη 1999, 2014 και 2024.
- Ταξινόμηση και Πρόβλεψη: Ο αλγόριθμος Random Forest (RF) χρησιμοποιήθηκε για την ταξινόμηση της κάλυψης γης, ενώ το μοντέλο Cellular Automata-Markov Chain (CA-Markov) χρησιμοποιήθηκε για την πρόβλεψη των μελλοντικών τάσεων έως το 2049.
