Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση

Από RemoteSensing Wiki

Αναθεώρηση της 20:43, 16 Φεβρουαρίου 2026

Synergy of Remote Sensing and Geospatial Technologies to Advance Sustainable Development Goals for Future Coastal Urbanization and Environmental Challenges in a Riverine Megacity

Συνέργεια τηλεπισκόπησης και γεωχωρικών τεχνολογιών για την προώθηση των στόχων βιώσιμης ανάπτυξης για τη μελλοντική αστικοποίηση των παράκτιων περιοχών και τις περιβαλλοντικές προκλήσεις σε μια μεγαλούπολη σε παραποτάμια περιοχή

Minza Mumtaz, Syed Humayoun Jahanzaib, Waqar Hussain, Sadia Khan, Youssef M. Youssef, Saleh Qaysi, Abdalla Abdelnabi, Nassir Alarifi and Mahmoud E. Abd-Elmaboud

ISPRS Int. J. Geo-Inf. 2025, 14, 30

1. Εισαγωγή

Η μελέτη εστιάζει στο Καράτσι του Πακιστάν, μια παραθαλάσσια μεγαλούπολη που αντιμετωπίζει ακραίες προκλήσεις λόγω της άναρχης αστικοποίησης. Η ραγδαία πληθυσμιακή αύξηση και η επέκταση των δομημένων επιφανειών ασκούν τεράστια πίεση στους φυσικούς πόρους και το παράκτιο περιβάλλον. Το άρθρο υπογραμμίζει την ανάγκη ευθυγράμμισης της αστικής ανάπτυξης με τους Στόχους Βιώσιμης Ανάπτυξης (SDGs) του ΟΗΕ (ειδικά τους Στόχους 11, 13 και 15), χρησιμοποιώντας τεχνολογίες αιχμής για την παρακολούθηση και την πρόβλεψη των περιβαλλοντικών επιπτώσεων.

1. (a) Ο παγκόσμιος χάρτης ξηρασίας κατατάσσει το Πακιστάν στην κατηγορία των ξηρών έως ημι-ξηρών ζωνών. Τα πλαίσια (b,c) απεικονίζουν το Καράτσι, την πρωτεύουσα της επαρχίας Σιντ, που οριοθετείται από ένα κόκκινο πολύγωνο στο νότιο Πακιστάν, χρησιμοποιώντας εικόνες Landsat-8 (ζώνες RGB 7, 5, 2) που επισημαίνουν τους κύριους υδάτινουςπόρους και τις υποδομές της πόλης.

2. Μεθοδολογία

Η μελέτη υιοθετεί ένα ολοκληρωμένο πλαίσιο που συνδυάζει την ανάλυση χρονοσειρών δορυφορικών δεδομένων με μοντέλα πρόβλεψης και υδρολογικές προσομοιώσεις.

2. Μεθοδολογία

Δεδομένα και Προεπεξεργασία:

Χρησιμοποιήθηκαν πολυφασματικές εικόνες Landsat (5, 7 και 8) για έξι χρονικά διαστήματα (1990, 1995, 2000, 2010, 2015 και 2020).

Ενσωματώθηκαν υποστηρικτικά δεδομένα όπως το SRTM-DEM (ψηφιακό μοντέλο υψομέτρου), δεδομένα πληθυσμού και χάρτες οδικού και υδρογραφικού δικτύου.

Για τα πληθυσμιακά δεδομένα χρησιμοποιήθηκε το εργαλείο Euclidean Distance, ώστε να αποτυπωθεί η επιρροή της πυκνότητας του πληθυσμού στις αλλαγές χρήσης γης.

3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός.

4. Χωρική αναπαράσταση δεδομένων προσβασιμότητας: (a) Απόσταση από ρέματα και (b) απόστασηαπό δρόμους.

Ταξινόμηση και Πρόβλεψη (MOLUSCE & CA-ANN):

- Η γη κατηγοριοποιήθηκε σε 5 κλάσεις: Αστική περιοχή, Βλάστηση, Υδάτινα σώματα, Υγρότοποι και Άγονη γη.

- Χρησιμοποιήθηκε το πρόσθετο MOLUSCE σε συνδυασμό με Τεχνητά Νευρωνικά Δίκτυα (ANN) και Κυψελωτά Αυτόματα (Cellular Automata - CA) για τη μοντελοποίηση των μελλοντικών αλλαγών.

- Δημιουργήθηκαν μήτρες πιθανότητας μετάβασης (transition probability matrices), οι οποίες υπολόγισαν, για παράδειγμα, ότι τα υδάτινα σώματα είχαν 34,7% πιθανότητα να μετατραπούν σε αστικές περιοχές.

- Υδρολογική Μοντελοποίηση (HEC-RAS):

i. Εφαρμόστηκε το μοντέλο HEC-RAS για την προσομοίωση πλημμυρικών φαινομένων.

ii. Το μοντέλο βαθμονομήθηκε με βάση το ακραίο συμβάν των μουσώνων του 2020, χρησιμοποιώντας συντελεστή τραχύτητας Manning 0,04 για τις όχθες του ποταμού.

Επικύρωση (Validation):

Η ακρίβεια του μοντέλου ήταν εξαιρετικά υψηλή, με συνολική ακρίβεια άνω του 97% και συντελεστή Kappa 0,97, γεγονός που επιβεβαιώνει την αξιοπιστία των προσομοιώσεων.