RemoteSensing Wiki - Νέες σελίδες [el]

Ταξινόμηση καλλιεργήσιμων εκτάσεων και τύπων καλλιεργειών με χρονοσειρές δορυφόρων Sentinel για τη γεωργική παρακολούθηση στην Αιθιοπία

2026-03-01T17:42:33Z

APOSTOLOU KYRIAKI: Νέα σελίδα με 'Πρωτότυπος τίτλος:Cropland and crop type classification with Sentinel-1 and Sentinel-2 time series using Google Earth Engine for agricultural monito...'

Πρωτότυπος τίτλος:Cropland and crop type classification with Sentinel-1 and Sentinel-2 time series using Google Earth Engine for agricultural monitoring in Ethiopia. 

Συγγραφείς:Christina Eisfelder, Bruno Boemke, Ursula Gessner, Patrick Sogno, Genanaw Alemu, Rahel Hailu, Christian Mesmer, Juliane Huth 
Πηγή (αναλυτικά):Eisfelder, C., Boemke, B., Gessner, U., Sogno, P., Alemu, G., Hailu, R., ... & Huth, J. (2024). Cropland and crop type classification with Sentinel-1 and Sentinel-2 time series using Google Earth Engine for agricultural monitoring in Ethiopia. Remote Sensing, 16(5), 866.


[[ Εικόνα: Ar4.eik1.jpg | thumb | right |400px|'''Εικόνα 1:''' Περιοχή μελέτης.(a) τοποθεσία των περιοχών μελέτης (b) τις αγρο-οικολογικές ζώνες εντός της Αιθιοπίας (c) χάρτης της τοποθεσίας των ζωνών LSAI (d) τρία κλιματικά διαγράμματα που αντιπροσωπεύουν τις τρεις περιοχές μελέτης. (Πηγή: Christina Eisfelder et al, 2024).]]

[[ Εικόνα: Ar4.eik2.png | thumb | right |400px|'''Εικόνα 2:''' Ροή εργασιών για την ταξινόμηση LULC (Χρήσεων/Καλύψεων Γης) και τύπου καλλιέργειας που πραγματοποιήθηκε σε αυτήν τη μελέτη, η οποία δείχνει τα δεδομένα εισόδου, την προεπεξεργασία, τα βήματα ταξινόμησης και τα τελικά προϊόντα. (Πηγή: Christina Eisfelder et al, 2024).]]

<h1>Περίληψη</h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων Ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (Large-Scale Agricultural Investments - LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας είναι η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση η οποία σκοπεύει πρώτων στην αξιολόγηση της γης που χρησιμοποιείται για γεωργική παραγωγή και δεύτερων στη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές LSAI εντός τριών περιφερειών της Αιθιοπίας. Για την επίτευξη αυτού του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

<h1>Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* Δεδομένα Sentinel-1: Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* Δεδομένα Sentinel-2: Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό δεικτών βλάστησης για την παρακολούθηση των διακριτικών χαρακτηριστικών των φυτών.
* Ψηφιακό Μοντέλο Επιφάνειας (DSM): Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* Δεδομένα Πεδίου: Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1>Προεπεξεργασίες</h1>
Το σύνολο της προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά, χρονοσειρών με μεσοδιάστημα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

[[ Εικόνα: Ar4.eik4.png | thumb | center |500px|'''Εικόνα 4:''' Σύγκριση της συνολικής ακρίβειας για τις 33 παραλλαγές των συνόλων δεδομένων εισόδου που δοκιμάστηκαν για την ταξινόμηση των τύπων καλλιέργειας. Τα μπλε σημεία δείχνουν τη μέση συνολική ακρίβεια ανά παραλλαγή. Οι μαύρες γραμμές υποδεικνύουν την ελάχιστη και τη μέγιστη ακρίβεια που επιτεύχθηκε στις επιμέρους ταξινομήσεις (έξι ταξινομήσεις από τρεις περιοχές μελέτης και δύο έτη). (Πηγή: Christina Eisfelder et al, 2024).]]

[[ Εικόνα: Ar4.eik.png | thumb | right |300px|'''Εικόνα 3:''' Ταξινομήσεις Χρήσεων/Καλύψεων Γης για τις τρεις περιοχές μελέτης: Αμχάρα, Μπενισανγκούλ και Γκαμπέλα. Οι περιοχές LSAI σημειώνονται με μαύρο περίγραμμα. Οι επιμέρους εικόνες δείχνουν: (α) Αμχάρα 2021, (β) Αμχάρα 2022, (γ) Μπενισανγκούλ 2021, (δ) Μπενισανγκούλ 2022, (ε) Γκαμπέλα 2021 και (στ) Γκαμπέλα 2022. (Πηγή: Christina Eisfelder et al, 2024).]]

<h1>Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</h1>
1. Χαρτογράφηση Χρήσεων Γης (LULC) 
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά κυμαίνονται μόλις στο 20%. 
2. Επιλογή Παραμέτρων Μοντέλου 
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff). 
3. Ταξινόμηση Τύπων Καλλιεργειών 
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1>Συμπεράσματα και αξιολόγηση των μεθόδων.</h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

Τέλος, η αξιοποίηση του Google Earth Engine συνιστά μια κομβική μεθοδολογική επιλογή, καθώς επιτρέπει στους τοπικούς φορείς της Αιθιοπίας να παρακολουθούν συστηματικά τις μεγάλες αγροτικές επενδύσεις χωρίς να απαιτείται πανάκριβος υπολογιστικός εξοπλισμός.

[[category:Ταξινόμηση καλλιεργειών]]

Ενίσχυση της ακρίβειας χαρτογράφησης των πλημμυρισμένων περιοχών με χρήση προηγμένης επεξεργασίας δεδομένων SAR

2026-03-01T17:40:51Z

APOSTOLOU KYRIAKI: Νέα σελίδα με 'Πρωτότυπος τίτλος:Enhancing Flood Area Mapping Accuracy Using Advanced SAR Data Processing Συγγραφείς:S. Pazhanivelan, K. ...'

Πρωτότυπος τίτλος:Enhancing Flood Area Mapping Accuracy Using Advanced SAR Data Processing 

Συγγραφείς:S. Pazhanivelan, K. P. Ragunath, N.S. Sudarmanian, S. Satheesh and K. Sneka 
Πηγή (αναλυτικά):Pazhanivelan, S., Ragunath, K. P., Sudarmanian, N. S., Satheesh, S., & Sneka, K. (2024). Enhancing Flood Area Mapping Accuracy Using Advanced SAR Data Processing. International Journal of Environment and Climate Change, 14(12), 783-799. DOI: 10.9734/ijecc/2024/v14i124662


<h1>Περίληψη</h1>
[[ Εικόνα: Ar5.eik1.jpg | thumb | right |300px|'''Εικόνα 1:''' Χάρτης Περιοχής μελέτης. (Πηγή: Pazhanivelan et al, 2024).]]
Οι πλημμύρες αποτελούν μια από τις συχνότερες και πλέον καταστροφικές φυσικές απειλές, προκαλώντας τεράστιες οικονομικές απώλειες και ζημιές στις γεωργικές καλλιέργειες. Η παρούσα μελέτη εστιάζει σε περιοχές της πολιτείας Ταμίλ Ναντού της Ινδίας, οι οποίες δέχονται συχνά έντονες βροχοπτώσεις, ερευνώντας την ακριβή αποτύπωση των εδαφών που κατακλύστηκαν από νερό. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι: «Να αξιολογήσει τη χωρική κατανομή των πλημμυρών το 2024 χρησιμοποιώντας δεδομένα τηλεπισκόπησης, και συγκεκριμένα το ραντάρ συνθετικού ανοίγματος (SAR), ένα ισχυρό εργαλείο στην παρακολούθηση και χαρτογράφηση των πλημμυρών λόγω της ικανότητάς του να καταγράφει δεδομένα υπό όλες τις καιρικές συνθήκες, συμπεριλαμβανομένης της βροχής και της νεφοκάλυψης, παρέχοντας εικόνες υψηλής ανάλυσης κατάλληλες για τον εντοπισμό και την ανάλυση της έκτασης των πλημμυρών.

[[ Εικόνα: Ar5.eik2.jpg | thumb | right |200px|'''Εικόνα 2:''' Λειτουργίες του δορυφόρου Sentinel 1A. (Πηγή: Pazhanivelan et al, 2024).]]

<h1>Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</h1>
Για τη διεξαγωγή της ανάλυσης αντλήθηκαν δεδομένα από τον δορυφόρο Sentinel-1A του Ευρωπαϊκού Οργανισμού Διαστήματος. Το μεγάλο συγκριτικό πλεονέκτημα του αισθητήρα του συγκεκριμένου δορυφόρου (τεχνολογίας SAR σε ζώνη C) είναι ότι έχει τη δυνατότητα να διαπερνά τα σύννεφα και τη βροχή, επιτρέποντας την αδιάλειπτη λήψη εικόνων ακόμα και εν μέσω ακραίων καιρικών φαινομένων. Εκτός από τα δορυφορικά δεδομένα, συγκεντρώθηκαν απαραίτητα πρωτογενή δεδομένα πεδίου. Οι ερευνητές χρησιμοποίησαν φορητούς δέκτες GPS για να καταγράψουν τις συντεταγμένες σε 350 σημεία ελέγχου (ground truth points), ώστε να μπορέσουν να επαληθεύσουν πρακτικά την αξιοπιστία των δορυφορικών αποτελεσμάτων.

<h1>Προεπεξεργασίες</h1>
Για να καταστούν χρήσιμες οι ακατέργαστες εικόνες ραντάρ, υποβλήθηκαν σε μια αυστηρή διαδικασία προεπεξεργασίας επτά σταδίων μέσα από το λογισμικό SNAP. Τα κυριότερα βήματα της αλυσίδας αυτής περιελάμβαναν την εισαγωγή των ακριβών τροχιακών στοιχείων του δορυφόρου, την αφαίρεση του θερμικού θορύβου (thermal noise) καθώς και του θορύβου στα όρια των εικόνων. Το πιο σημαντικό στάδιο ήταν η ραδιομετρική βαθμονόμηση, μέσω της οποίας οι απλές ψηφιακές τιμές των εικονοστοιχείων μετατράπηκαν σε κανονικοποιημένα σήματα οπισθοσκέδασης (backscatter), έτοιμα για ανάλυση.

<h1>Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</h1>
1. Χαρτογράφηση Πλημμυρισμένων Εκτάσεων 
Μέσα από τη συγκριτική ανάλυση των εικόνων πριν και μετά τις βροχοπτώσεις, διαπιστώθηκε ότι οι πλημμύρες του 2024 επηρέασαν άμεσα 90.369 εκτάρια γεωργικής γης στην περιοχή μελέτης. Η κατανομή των ζημιών παρουσίασε σημαντικές γεωγραφικές διαφοροποιήσεις. Για παράδειγμα, η περιφέρεια Tiruvannamalai δέχτηκε το μεγαλύτερο πλήγμα, μετρώντας 15.633 βυθισμένα εκτάρια, ενώ στον αντίποδα, η περιοχή Mayiladuthurai κατέγραψε σαφώς μικρότερες ζημιές (2.202 εκτάρια). 

<gallery widths="350" heights="350">
Εικόνα:Ar5.eik3.png|'''Πίνακας 1:''' Οι περιοχές που επηρεάστηκαν από τις πλημμύρες στην περιοχή μελέτης. (Πηγή: Pazhanivelan et al, 2024).
Εικόνα:Ar5.eik4.jpg|'''Εικόνα 3:''' Χάρτης πλημμυρών στην περιοχή Tiruvannamalai. (Πηγή: Pazhanivelan et al, 2024).
Εικόνα:Ar5.eik5.jpg|'''Εικόνα 4:''' Χάρτης πλημμυρών στην περιοχή Cuddalore. (Πηγή: Pazhanivelan et al, 2024).
</gallery>

2. Αξιολόγηση Ακρίβειας Μοντέλου 
Τα αποτελέσματα της δορυφορικής ταξινόμησης ελέγχθηκαν μέσω ενός πίνακα σφαλμάτων (confusion matrix) σε αντιπαραβολή με τα 309 έγκυρα σημεία εδάφους (214 σημεία με πλημμύρα και 95 χωρίς). Το μοντέλο εμφάνισε εντυπωσιακή συνολική ακρίβεια της τάξης του 90%. Ειδικότερα στις περιοχές που πραγματικά πλημμύρισαν, η ακρίβεια παραγωγού και χρήστη διαμορφώθηκε στο 92,10% και 93,40% αντίστοιχα. Ο στατιστικός δείκτης Kappa υπολογίστηκε στο 0,80, πιστοποιώντας την ισχυρή αξιοπιστία της διαδικασίας εντοπισμού. 

<h1>Συμπεράσματα και αξιολόγηση των μεθόδων.</h1>
Η συγκεκριμένη έρευνα επιβεβαιώνει ότι τα συστήματα SAR (όπως το Sentinel-1A) συνιστούν κορυφαία εργαλεία για τον άμεσο και ασφαλή εντοπισμό πλημμυρών, ακριβώς επειδή δεν επηρεάζονται από δυσμενείς καιρικές συνθήκες. Επίσης, αποδείχθηκε ότι η σύζευξη αυτών των προηγμένων τηλεπισκοπικών μεθόδων με αυστηρά δεδομένα επαλήθευσης από το πεδίο, εγκαθιδρύει ένα πολύ ισχυρό αναλυτικό πλαίσιο. Συμπερασματικά, η εργασία δεν προσφέρει απλώς μια στατιστική απεικόνιση, αλλά λειτουργεί ως ένας εφαρμόσιμος χάρτης για τους αρμόδιους φορείς. Βοηθά στην ανάδειξη των ζωνών υψηλού κινδύνου και καθοδηγεί τις προσπάθειες για την κατασκευή ανθεκτικών υποδομών, ώστε να θωρακιστεί ουσιαστικά το γεωργικό και περιβαλλοντικό μέλλον της περιοχής απέναντι στις κλιματικές αλλαγές.

[[category:Καταγραφή πλυμμηρών]]

Αποστόλου-Κάσδαγλη Κυριακή

2026-03-01T17:18:19Z

Andronis: Νέα σελίδα με '* [[Χαρτογράφηση πλημμυρών και εκτίμηση ζημιών σε καλλιέργειες με χρήση τηλεπισκόπησης πολλα...'

* [[Χαρτογράφηση πλημμυρών και εκτίμηση ζημιών σε καλλιέργειες με χρήση τηλεπισκόπησης πολλαπλών πηγών]]
* [[Αξιοποίηση Μηχανικής Μάθησης και Τηλεπισκόπησης για την Αξιολόγηση Επιπτώσεων της Αλατότητας, Νιτρικών και Υγρασίας στις Καλλιέργειες]]
* [[Εκτίμηση της Πίεσης Βόσκησης από Χρονοσειρές Δορυφορικών Δεδομένων Χωρίς Εξάρτηση Από τη Συνολική Παραγωγή]]
* [[Ταξινόμηση καλλιεργήσιμων εκτάσεων και τύπων καλλιεργειών με χρονοσειρές δορυφόρων Sentinel για τη γεωργική παρακολούθηση στην Αιθιοπία]]
* [[Ενίσχυση της ακρίβειας χαρτογράφησης των πλημμυρισμένων περιοχών με χρήση προηγμένης επεξεργασίας δεδομένων SAR]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα) ]]

Ενίσχυση της ακρίβειας χαρτογράφησης των πλημμυρισμένων περιοχών με χρήση προηγμένης επεξεργασίας δεδομένων SAR.

2026-02-28T12:06:47Z

APOSTOLOU KYRIAKI:

Ταξινόμηση καλλιεργήσιμων εκτάσεων και τύπων καλλιεργειών με χρονοσειρές δορυφόρων Sentinel για τη γεωργική παρακολούθηση στην Αιθιοπία.

2026-02-27T18:00:10Z

APOSTOLOU KYRIAKI:

Εκτίμηση της Πίεσης Βόσκησης από Χρονοσειρές Δορυφορικών Δεδομένων Χωρίς Εξάρτηση Από τη Συνολική Παραγωγή

2026-02-27T17:58:21Z

APOSTOLOU KYRIAKI:

Πρωτότυπος τίτλος: Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production 

Συγγραφείς: Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He 
Πηγή (αναλυτικά): Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.

<h1>Περίληψη</h1>


[[ Εικόνα: Ar3.eik4.jpg | thumb | right |300px|'''Εικόνα 1:''' (a) Η περιοχή των πηγών του Κίτρινου Ποταμού στο Οροπέδιο Τσινγκχάι-Θιβέτ. (b) Η περιοχή μελέτης. (c) Κατανομή των θέσεων δειγματοληψίας (Πηγή: Yan Shi et al, 2025).]]

Για την προστασία και διατήρηση των αλπικών λειμώνων, κρίνεται απαραίτητη η ακριβής αξιολόγηση των επιπτώσεων που προκαλεί η κτηνοτροφική δραστηριότητα. Παλαιότερες προσεγγίσεις συνήθως βασίζονταν αποκλειστικά στον υπολογισμό της συνολικής διαθέσιμης χορτονομής, μια μέθοδος που δεν είναι εντελώς αξιόπιστη, διότι αγνοεί την ποσότητα της βιομάζας που έχει ήδη καταναλωθεί από τα φυτοφάγα ζώα. Ο σκοπός της έρευνας, όπως παρατίθεται αυτολεξεί στο κείμενο, είναι ο εξής: «In this study, we propose a novel framework for estimating grazing pressure that integrates residual biomass with grazing intensity, thereby overcoming the limitations and uncertainties inherent in total forage-based assessments.» (Στην παρούσα μελέτη, προτείνουμε ένα νέο πλαίσιο για την εκτίμηση της πίεσης βόσκησης, το οποίο ενσωματώνει την υπολειπόμενη βιομάζα με την ένταση βόσκησης, ξεπερνώντας έτσι τους περιορισμούς και τις αβεβαιότητες που ενυπάρχουν στις εκτιμήσεις που βασίζονται στη συνολική παραγωγή χορτονομής). Η ευρύτερη στόχευση της συγκεκριμένης έρευνας είναι η δημιουργία ενός πρακτικού εργαλείου ευρείας εφαρμογής που θα μειώνει τον στατιστικό θόρυβο και θα βελτιώνει την αξιοπιστία στον εντοπισμό της υποβάθμισης των εδαφών.

<h1>Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</h1>
Η συγκεκριμένη μεθοδολογία αξιοποιεί δεδομένα από δορυφορικές πηγές προκειμένου να υπολογιστούν οι απαραίτητοι δείκτες βλάστησης (Vegetation Indices). Αντί να χρησιμοποιηθούν μεμονωμένες, στατικές εικόνες μίας χρονικής στιγμής, οι ερευνητές προτίμησαν χρονοσειρές δεδομένων, καθώς θεωρούνται πολύ πιο αξιόπιστες και ευαίσθητες στην αποτύπωση των έντονων εποχιακών μεταβολών που υφίστανται οι βοσκότοποι. Η χρήση της τηλεπισκόπησης επιτρέπει ουσιαστικά τη μη καταστροφική και μη παρεμβατική καταγραφή της υπάρχουσας (ιστάμενης) βιομάζας σε μεγάλη κλίμακα, παρέχοντας κρίσιμες πληροφορίες μέσω έμμεσων μεταβλητών.

[[ Εικόνα: Ar3.eik.png | thumb | right |300px|'''Εικόνα 2:''' Ροή εργασιών. (Πηγή: Yan Shi et al, 2025).]]

[[ Εικόνα: Ar3.eik3.jpg | thumb | right |300px|'''Εικόνα 5:''' Θερμικός χάρτης που απεικονίζει την αναλογία επικάλυψης μεταξύ της πίεσης βόσκησης, της έντασης βόσκησης και της υπολειπόμενης βιομάζας. (a,b) Η πίεση βόσκησης σε επικάλυψη με την ένταση βόσκησης και την υπολειπόμενη βιομάζα· (c,d) Η ένταση βόσκησης σε επικάλυψη με την πίεση βόσκησης και την υπολειπόμενη βιομάζα. (Πηγή: Yan Shi et al, 2025)]]

<h1>Προεπεξεργασίες</h1>
Στο πλαίσιο του νέου μοντέλου, οι ακατέργαστες δορυφορικές λήψεις μετατράπηκαν σε εξειδικευμένους δείκτες βλάστησης. Μέσα από τη συλλογή αυτών των χρονοσειρών, η ερευνητική ομάδα υπολόγισε τα επίπεδα της υπολειπόμενης υπέργειας βιομάζας σε διαφορετικές χρονικές περιόδους κατά τη διάρκεια της καλλιεργητικής περιόδου, απομονώνοντας τον δείκτη της έντασης βόσκησης από άλλους περιβαλλοντικούς παράγοντες.

<h1>Ειδικές αναλύσεις και αποτελέσματα</h1>
1. Χωροχρονική κατανομή της βόσκησης: Τα χωρικά αποτελέσματα έδειξαν μια σαφή διαφοροποίηση στον τρόπο που κατανέμεται η κτηνοτροφική πίεση μέσα στον χρόνο. Ειδικότερα, οι εκτάσεις με χαμηλότερο υψόμετρο δέχτηκαν τη μεγαλύτερη πίεση στην αρχή της περιόδου ανάπτυξης των φυτών, σε αντίθεση με τις ορεινές περιοχές όπου η δραστηριότητα των ζώων κορυφώθηκε σε μεταγενέστερο στάδιο.
2. Συσχέτιση έντασης και υποβάθμισης: Η ανάλυση κατέδειξε πως η ένταση βόσκησης δεν συνιστά από μόνη της αξιόπιστο παράγοντα για την πρόβλεψη της υποβάθμισης ενός οικοσυστήματος. Από τις περιοχές που καταγράφηκαν ως εκτάσεις υψηλής έντασης, μόλις το 38.8% αντιμετώπιζε πραγματική, σοβαρή πίεση βόσκησης. Επιπρόσθετα, επιβεβαιώθηκε ότι πάνω από το 40% αυτών των περιοχών υψηλής έντασης συνέχιζε να διαθέτει ικανοποιητικά και βιώσιμα αποθέματα υπέργειας βιομάζας.

<gallery widths="350" heights="350">
Εικόνα: Ar3.eik1.jpg‎|'''Εικόνα 3:''' Ένταση βόσκησης κατά τη διάρκεια της καλλιεργητικής περιόδου. (a–d) Χάρτες της Έντασης Βόσκησης (GI) που παρήχθησαν από το μοντέλο DNN (δ), μαζί με το θηκόγραμμα (boxplot) της Έντασης Βόσκησης σε διαφορετικές μορφές ανάγλυφου και το κυκλικό διάγραμμα της κάλυψης των επιπέδων Έντασης Βόσκησης. ((Πηγή: Yan Shi et al, 2025)
Εικόνα: Ar3.eik2.jpg |'''Εικόνα 4:''' Χάρτης πίεσης βόσκησης. (a) Χάρτης χωρικής κατανομής του GPI. (b) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (c) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. ((Πηγή: Yan Shi et al, 2025)
</gallery>

<h1>Συμπεράσματα και αξιολόγηση των μεθόδων</h1>
Η καινοτόμος προσέγγιση της παρούσας έρευνας αποδεικνύει ότι η ενσωμάτωση της υπολειπόμενης βιομάζας ως βασικής μεταβλητής προσφέρει πολύ πιο ρεαλιστικές εκτιμήσεις σε σχέση με τις παραδοσιακές μεθόδους που εστιάζουν μόνο στη συνολική παραγωγή. Επειδή ακριβώς το νέο μοντέλο βασίζεται στην πραγματική βιομάζα που απομένει στο έδαφος και δεν επηρεάζεται από την ποσότητα που έχει ήδη καταναλωθεί, καταφέρνει να περιορίσει δραστικά τα στατιστικά σφάλματα των παλαιότερων προσεγγίσεων. Εν κατακλείδι, η μελέτη εξοπλίζει την επιστημονική κοινότητα και τους διαχειριστές γης με ένα αποτελεσματικό και ευέλικτο σύστημα για την ορθή παρακολούθηση της χρήσης και της σταδιακής φθοράς των ευαίσθητων αλπικών οικοσυστημάτων.

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

Αξιοποίηση Μηχανικής Μάθησης και Τηλεπισκόπησης για την Αξιολόγηση Επιπτώσεων της Αλατότητας, Νιτρικών και Υγρασίας στις Καλλιέργειες

2026-02-27T16:13:54Z

APOSTOLOU KYRIAKI:

Πρωτότυπος τίτλος: Integration of Machine Learning and Remote Sensing to Evaluate the Effects of Soil Salinity, Nitrate, and Moisture on Crop Yields and Economic Returns in the Semi-Arid Region of Ethiopia 

Συγγραφείς: Gezimu Gelu Otoro and Katsuaki Komai 
Πηγή (αναλυτικά): Otoro, G. G., & Komai, K. (2025). Integration of Machine Learning and Remote Sensing to Evaluate the Effects of Soil Salinity, Nitrate, and Moisture on Crop Yields and Economic Returns in the Semi-Arid Region of Ethiopia. Agriculture, 15, 2378. DOI: 10.3390/agriculture15222378

<h1>Περίληψη</h1>


[[ Εικόνα: Ar2.eik2.png | thumb | right |300px|'''Εικόνα 1:''' (α) Η περιοχή μελέτης. (β) Κατανομή των καλλιεργειών βαμβακιού, καλαμποκιού και μπανάνας (Πηγή: Otoro and Komai, 2025)]]

Η συγκεκριμένη επιστημονική μελέτη εστιάζει στη δραματική μείωση της γεωργικής απόδοσης και των αντίστοιχων οικονομικών κερδών που προκαλούνται από το αλατούχο έδαφος, τη μειωμένη εδαφική υγρασία και την απώλεια απαραίτητων θρεπτικών συστατικών στις ημι-ξηρές ζώνες της Αιθιοπίας. Οι ερευνητές ανέλυσαν τη συνδυαστική επιρροή αυτών των τριών παραγόντων σε βασικές καλλιέργειες (βαμβάκι, καλαμπόκι και μπανάνα), αντλώντας δεδομένα τόσο από επιτόπιες μετρήσεις όσο και από δορυφορικά συστήματα, ενώ παράλληλα δοκίμασαν επτά διαφορετικούς αλγορίθμους μηχανικής μάθησης.
Σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι: «Η παρούσα μελέτη αντιμετωπίζει αυτούς τους περιορισμούς ενσωματώνοντας τη μηχανική μάθηση και την τηλεπισκόπηση για (α) την εκτίμηση των αποδόσεων των καλλιεργειών υπό ποικίλες συνθήκες αλατότητας, υγρασίας και νιτρικών, (β) την αξιολόγηση των οικονομικών επιπτώσεων της καλλιέργειας μπανάνας, καλαμποκιού και βαμβακιού μεταξύ των μικροκαλλιεργητών στη νότια Αιθιοπία, και (γ) τον εντοπισμό βασικών προγνωστικών παραγόντων και αλγορίθμων για τη βιώσιμη διαχείριση της γης.

<h1>Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</h1>
Η συλλογή των πρωτογενών δεδομένων πραγματοποιήθηκε μέσω δειγματοληψίας πεδίου στο αρδευτικό δίκτυο Sille. Συλλέχθηκαν δείγματα εδάφους για τη μέτρηση των επιπέδων αλατότητας (EC), εδαφικής υγρασίας (SM) και νιτρικών (N), καθώς και στοιχεία για τη στρεμματική απόδοση των φυτειών από χωράφια αγροτών.
Επειδή, ωστόσο, τα επιτόπια δεδομένα ήταν περιορισμένα λόγω χωρικών και οικονομικών δυσκολιών, χρησιμοποιήθηκαν συνδυαστικά δορυφορικά δεδομένα για να ενισχυθεί η αξιοπιστία των μοντέλων. Επιλέχθηκαν τρεις πηγές με διαφορετικές διακριτικές ικανότητες:
• Landsat 8: Προσφέρει χωρική ανάλυση 30 μέτρων και λήψη εικόνων ανά 16 ημέρες, παρέχοντας τα απαραίτητα δεδομένα για τον υπολογισμό των δεικτών εδαφικής αλατότητας (NDSI).
• MODIS: Διαθέτει ανάλυση που κυμαίνεται από 250 μέτρα έως 1 χιλιόμετρο. Τα δεδομένα αυτά αξιοποιήθηκαν κυρίως για την αποτύπωση των δεικτών νιτρικών και εδαφικής υγρασίας σε καθημερινή βάση.
• Sentinel-2: Με σαφώς υψηλότερη διακριτική ικανότητα (10 έως 60 μέτρα), επιστρατεύτηκε για την ενδελεχή παρακολούθηση της δυναμικής της υγρασίας στο έδαφος της υπό εξέταση περιοχής.

<h1>Προεπεξεργασία δεδομένων</h1>
Η ροή εργασιών από την αρχική συλλογή έως την ενσωμάτωση των δεδομένων στα μοντέλα ακολούθησε τα εξής στάδια προεπεξεργασίας:
• Επεξεργασία των δορυφορικών εικόνων και υπολογισμός των απαραίτητων φασματικών δεικτών (NDVI, NDSI, NDMI) μέσα από το υπολογιστικό περιβάλλον του Google Earth Engine (GEE) σε συνεργασία με το Google Colab.
• Χρήση της μεθόδου κανονικοποίησης κλίμακας (min-max scaling) στα δεδομένα που ελήφθησαν από το έδαφος, ώστε να εναρμονιστούν απόλυτα με το μέγεθος και την κλίμακα των παραγόμενων δορυφορικών δεικτών.
• Εκπαίδευση ενός αλγορίθμου ταξινόμησης Random Forest εντός του GEE, ο οποίος τροφοδοτήθηκε με τις σημειακές επιτόπιες παρατηρήσεις, προκειμένου να ελεγχθεί και να διασφαλιστεί η ακρίβεια των δορυφορικών δεικτών πριν την τελική τους χρήση.

[[ Εικόνα: Αr2.eik1.jpg | thumb | right |400px|'''Εικόνα 2:''' Τρισδιάστατη μορφή διαγράμματος Scatter Plot Αλατότητας, Νιτρικών και Υγρασίας σε καλλιέργειες (a) βαμβακιού, (b) καλαμποκιού και (c) μπανάνας. (Πηγή: Otoro and Komai, 2025)]]

<h1>Εφαρμογή μοντέλων Μηχανικής Μάθησης και αποτελέσματα </h1>
1. Πρόβλεψη Αποδόσεων Καλλιεργειών: Αναπτύχθηκαν και αξιολογήθηκαν επτά διαφορετικοί αλγόριθμοι μηχανικής μάθησης. Η σύγκριση έδειξε ότι το μοντέλο Random Forest (RF) ξεχώρισε, επιτυγχάνοντας εξαιρετική ακρίβεια στην πρόβλεψη της παραγωγής βαμβακιού. Για την περίπτωση του καλαμποκιού, το μοντέλο Gradient Boosting (GB) απέδωσε καλύτερα , ενώ για τη μελέτη της μπανάνας, πιο αποτελεσματικά αποδείχθηκαν τα Δέντρα Απόφασης (DT). Στον αντίποδα, μοντέλα όπως τα K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP) και Support Vector (SV) εμφάνισαν συστηματικά τις πιο αδύναμες επιδόσεις.
2. Εκτίμηση Οικονομικών Απωλειών: Η έρευνα δεν στάθηκε μόνο στις ποσότητες παραγωγής, αλλά προχώρησε στον υπολογισμό των οικονομικών συνεπειών. Τα μοντέλα που χρησιμοποιήθηκαν επιβεβαίωσαν πως οι περιβαλλοντικοί παράγοντες καθορίζουν άμεσα το περιθώριο κέρδους των γεωργών. Και σε αυτή την περίπτωση, οι αλγόριθμοι RF και GB αναδείχθηκαν ως τα καλύτερα και αξιόπιστα εργαλεία για την ποσοτικοποίηση των οικονομικών απωλειών.
3. Στατιστική Ανάλυση Σημαντικότητας (SHAP): Μέσω της ανάλυσης SHAP (SHapley Additive exPlanations), προσδιορίστηκε με ακρίβεια η βαρύτητα που έχει ο κάθε περιβαλλοντικός παράγοντας. Το τελικό πόρισμα υποδεικνύει σαφώς ότι η αλατότητα αποτελεί τον κυρίαρχο ζημιογόνο παράγοντα, προκαλώντας τη μεγαλύτερη μείωση τόσο στη σοδειά όσο και στα έσοδα σε όλα τα είδη φυτών. Η εδαφική υγρασία και τα επίπεδα των νιτρικών παίζουν επίσης ρόλο στην παραγωγικότητα, ωστόσο η επιρροή τους θεωρείται δευτερεύουσα και διαφέρει ανάλογα με τις απαιτήσεις της κάθε καλλιέργειας.

<h1>Συμπεράσματα και αξιολόγηση των μεθόδων</h1>
Σε ό,τι αφορά τα υπολογιστικά εργαλεία, η έρευνα ανέδειξε τον αλγόριθμο Random Forest ως τον πλέον κατάλληλο για την αποτύπωση των σύνθετων, μη γραμμικών αλληλεπιδράσεων μεταξύ του εδάφους και των φυτών σε ετερογενή περιβάλλοντα. Αντίθετα, αλγόριθμοι που δεν μπορούσαν να χειριστούν αυτή την πολυπλοκότητα, παρουσίασαν μειωμένη αξιοπιστία.
Όσον αφορά τις αγρονομικές προεκτάσεις, τα αποτελέσματα επιβεβαίωσαν πέραν πάσης αμφιβολίας ότι η αλατότητα αποτελεί τον υπ' αριθμόν ένα κίνδυνο για την υποβάθμιση των καλλιεργειών και την απώλεια εισοδήματος των αγροτών. Συμπερασματικά, η μελέτη αποδεικνύει ότι η αξιοποίηση δορυφορικών παρατηρήσεων με προηγμένη μηχανική μάθηση είναι καθοριστικής σημασίας σε περιοχές με περιορισμένα δεδομένα πεδίου, δίνοντας τα απαραίτητα στοιχεία για την λήψη μέτρων κατά της ερημοποίησης και ενίσχυσης της αγροτικής παραγωγής.

[[category:Εκτίμηση παραγωγής/Απόδοση]]

Βάσεις δασοτεχνικών δεδομένων στο κτηματολόγιο

2026-02-25T22:08:12Z

MABJEESH CHRISTINA: Νέα σελίδα με ''''Τίτλος: "Βάσεις δασοτεχνικών δεδομένων στο κτηματολόγιο"''' '''Συγγραφέας: ''''Καραντζίδης Νικ...'

'''Τίτλος: "Βάσεις δασοτεχνικών δεδομένων στο κτηματολόγιο"'''

'''Συγγραφέας: ''''Καραντζίδης Νικόλαος'''''''

'''Πηγή: '''https://freader.ekt.gr/eadd/index.php?doc=25486&lang=el#p=1'''

[[Εικόνα:Δορυφορικός_σχηματισμός.png|thumb|right|'''Εικόνα 1:''' Δορυφορικός Σχηματισμός GPS.]]
[[Εικόνα:Κτηματολόγιο.png|thumb|right|'''Εικόνα 2:''' Θέσεις επίγειων μόνιμων σταθμών αναφοράς τoυ συστήματος HEPOS.]]
[[Εικόνα:Χωρικά_φίλτρα.png|thumb|right|'''Εικόνα 3:''' Χωρικά φίλτρα ψηφιακών εικόνων.]]

== '''Εισαγωγή''' ==

Αντικείμενο της μελέτης αποτελεί την ανάπτυξη ενός πιλοτικού συστήματος διαχείρισης και επιτήρησης του δασικού περιβάλλοντος, αξιοποιώντας τεχνολογίες Γεωγραφικών Συστημάτων Πληροφοριών (GIS) σε περιβάλλον Web-Cloud. Η αυξανόμενη ανάγκη για αποτελεσματική παρακολούθηση των δασικών εκτάσεων και έγκαιρη ανίχνευση περιβαλλοντικών μεταβολών καθιστά απαραίτητη την αξιοποίηση σύγχρονων τεχνολογικών εργαλείων για τη συλλογή, επεξεργασία και διαχείριση γεωχωρικών δεδομένων.

Στόχος της μελέτης είναι η δημιουργία ενός λειτουργικού συστήματος που θα επιτρέπει την παρακολούθηση της κατάστασης των δασικών οικοσυστημάτων σε πραγματικό χρόνο, συμβάλλοντας στη διαχείριση και προστασία τους από φυσικές καταστροφές, όπως οι δασικές πυρκαγιές.

== '''Μεθοδολογία''' ==

Για την ανάπτυξη του συστήματος αξιοποιήθηκαν δορυφορικές εικόνες από τους αισθητήρες SPOT 1, SPOT 2, KOMPSAT-2 και LANDSAT-5 για τις χρονικές περιόδους 1989, 1997, 2009 και 2011. Μετά την προεπεξεργασία των δεδομένων πραγματοποιήθηκε:

* υπολογισμός του δείκτη βλάστησης NDVI για την εκτίμηση της κατάστασης της δασικής βλάστησης,

* ανάλυση μεταβολών στη χρήση και κάλυψη γης,

* ανάπτυξη αυτοματοποιημένων μοντέλων για την εκτίμηση κινδύνου πυρκαγιάς,

*δημιουργία βάσης δεδομένων για την αποθήκευση και διαχείριση των γεωχωρικών πληροφοριών,

*ενσωμάτωση των δεδομένων σε περιβάλλον Web-Cloud GIS για απομακρυσμένη πρόσβαση.

Παράλληλα, πραγματοποιήθηκε συλλογή δεδομένων πεδίου με χρήση φορητών συσκευών και συστημάτων GPS, τα οποία ενημέρωναν τη βάση δεδομένων σε πραγματικό χρόνο.

== '''Αποτελέσματα''' ==

Η εφαρμογή του δείκτη NDVI επέτρεψε την εκτίμηση της έκτασης και της έντασης των επιπτώσεων από δασικές πυρκαγιές, καθώς και την παρακολούθηση της εξέλιξης της βλάστησης μετά την εκδήλωσή τους. Επιπλέον, η χρήση αυτοματοποιημένων μοντέλων συνέβαλε στη μείωση του χρόνου επεξεργασίας των δεδομένων και στη βελτίωση της αξιοπιστίας των αποτελεσμάτων.

Η δημιουργία κεντρικής βάσης δεδομένων και η δυνατότητα ενημέρωσής της σε πραγματικό χρόνο διευκόλυνε τη διαχείριση των πληροφοριών και περιόρισε τα σφάλματα που σχετίζονται με την καταχώρηση δεδομένων πεδίου.

== '''Συμπεράσματα''' ==

Τα αποτελέσματα της μελέτης δείχνουν ότι η αξιοποίηση τεχνολογιών Web-Cloud GIS μπορεί να υποστηρίξει αποτελεσματικά τη διαχείριση και προστασία των δασικών οικοσυστημάτων. Η δυνατότητα απομακρυσμένης πρόσβασης σε γεωχωρικά δεδομένα και η ενημέρωσή τους σε πραγματικό χρόνο αποτελούν σημαντικά πλεονεκτήματα για την έγκαιρη λήψη αποφάσεων.

Η ανάπτυξη ενός ολοκληρωμένου συστήματος διαχείρισης μπορεί να συμβάλει στη βελτίωση της παρακολούθησης του δασικού περιβάλλοντος και στην αποτελεσματικότερη αντιμετώπιση περιβαλλοντικών κινδύνων.

[[category:Δασοπονία, Δασική διαχείριση]]

Γεωγραφικά συστήματα πληροφοριών και αρχαιολογική έρευνα: νέες πειραματικές εφαρμογές

2026-02-25T21:30:58Z

MABJEESH CHRISTINA: Νέα σελίδα με ''''Τίτλος: "Γεωγραφικά συστήματα πληροφοριών και αρχαιολογική έρευνα: νέες πειραματικές εφαρμ...'

'''Τίτλος: "Γεωγραφικά συστήματα πληροφοριών και αρχαιολογική έρευνα: νέες πειραματικές εφαρμογές"'''

'''Συγγραφέας: ''''Κωνσταντινίδη Θεοδώρα'''''''

'''Πηγή: '''https://freader.ekt.gr/eadd/index.php?doc=15136&lang=el#p=1'''

[[Εικόνα:Αλληλεπίδραση_4_συντεταγμένων.png|thumb|right|'''Εικόνα 1:''' Αλληλεπίδραση των 4 συντεταγμένων των αρχαιολογικών δεδομένων.]]
[[Εικόνα:Καταγραφη_χρονου.png|thumb|right|'''Εικόνα 2:''' Καταγραφή του χρόνου σε μια βάση δεδομένων GIS.]]
[[Εικόνα:Τούμπα.png|thumb|right|'''Εικόνα 3:''' Εναέρια όψη της Τούμπας και μία όψη ενός GIS ανασκαμμένων περιοχών.]]

== '''Εισαγωγή''' ==

Αντικείμενο της μελέτης αποτελεί η συμβολή των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην αρχαιολογική έρευνα, με έμφαση στην ανάλυση και διαχείριση αρχιτεκτονικών και χωρικών δεδομένων που προκύπτουν από ανασκαφές. Η συνεχής αύξηση της πληροφορίας που συλλέγεται στο πλαίσιο της αρχαιολογικής διαδικασίας καθιστά αναγκαία την αξιοποίηση σύγχρονων υπολογιστικών εργαλείων για την οργάνωση, επεξεργασία και ερμηνεία των δεδομένων.

Στο πλαίσιο αυτό, η αρχαιολογία προσεγγίζεται ως σύστημα πληροφορίας, στο οποίο η ανάλυση της χωρικής κατανομής των ευρημάτων και των αρχιτεκτονικών δομών μπορεί να συμβάλει στην κατανόηση της ανθρώπινης δραστηριότητας στο παρελθόν. Στόχος της μελέτης είναι η διερεύνηση των δυνατοτήτων εφαρμογής των GIS στην ανάλυση αρχαιολογικών δεδομένων και η ανάπτυξη μιας μεθοδολογικής προσέγγισης για την ενσωμάτωσή τους στην αρχαιολογική έρευνα.

== '''Μεθοδολογία''' ==

Η μεθοδολογική προσέγγιση βασίστηκε στη συλλογή, οργάνωση και επεξεργασία χωρικών δεδομένων που σχετίζονται με αρχαιολογικούς χώρους και αρχιτεκτονικά κατάλοιπα.

Ειδικότερα:

*αναπτύχθηκε γεωγραφική βάση δεδομένων για την αποθήκευση αρχιτεκτονικών μετρήσεων και σχεδιαστικών δεδομένων

* πραγματοποιήθηκε ψηφιοποίηση σχεδίων ανασκαφών και ενσωμάτωσή τους σε περιβάλλον GIS

* συνδυάστηκαν γεωμετρικά χαρακτηριστικά κτιρίων με χωρικές πληροφορίες

* εφαρμόστηκαν τεχνικές χωρικής ανάλυσης για τη διερεύνηση προτύπων οργάνωσης του δομημένου χώρου

* αξιοποιήθηκαν συγκριτικές αναλύσεις μεταξύ διαφορετικών αρχαιολογικών καταλοίπων

Η εφαρμογή των παραπάνω διαδικασιών επέτρεψε την ανάλυση των αρχιτεκτονικών δεδομένων όχι μόνο σε περιγραφικό επίπεδο, αλλά και ως σύνολο χωρικών σχέσεων που μπορούν να υποστηρίξουν την ερμηνεία της λειτουργίας και της οργάνωσης των αρχαιολογικών χώρων.

== '''Αποτελέσματα''' ==

Η επεξεργασία των δεδομένων ανέδειξε τη δυνατότητα των GIS να συμβάλλουν ουσιαστικά στην κατανόηση της χωρικής οργάνωσης αρχαιολογικών θέσεων και της σχέσης μεταξύ των επιμέρους δομικών στοιχείων. Μέσω της συνδυαστικής ανάλυσης αρχιτεκτονικών και χωρικών δεδομένων κατέστη δυνατός ο εντοπισμός προτύπων που σχετίζονται με τη διάταξη των κατασκευών και την εξέλιξη των οικιστικών δομών.

Παράλληλα, διαπιστώθηκε ότι η χρήση GIS μπορεί να υποστηρίξει την τεκμηρίωση και διαχείριση της πληροφορίας που προκύπτει από την αρχαιολογική διαδικασία, διευκολύνοντας τη σύγκριση δεδομένων από διαφορετικές ανασκαφικές φάσεις και την εξαγωγή πιο τεκμηριωμένων συμπερασμάτων.

== '''Συμπεράσματα''' ==

Τα αποτελέσματα της μελέτης δείχνουν ότι η ενσωμάτωση των Γεωγραφικών Συστημάτων Πληροφοριών στην αρχαιολογική έρευνα μπορεί να ενισχύσει σημαντικά τη διαδικασία ανάλυσης και ερμηνείας των αρχαιολογικών δεδομένων. Η χρήση χωρικών αναλυτικών εργαλείων επιτρέπει τη συστηματική οργάνωση της πληροφορίας και συμβάλλει στην ανάπτυξη νέων προσεγγίσεων για τη μελέτη του δομημένου χώρου.

Η αξιοποίηση των GIS αποτελεί ένα χρήσιμο εργαλείο για την τεκμηρίωση και διαχείριση της πολιτιστικής κληρονομιάς, υποστηρίζοντας τη λήψη αποφάσεων και την αποτελεσματικότερη κατανόηση των αρχαιολογικών καταλοίπων στο πλαίσιο της σύγχρονης αρχαιολογικής επιστήμης.

[[category:Αρχαιολογία]]

Έρευνα γεωμορφολογικών και περιβαλλοντικών μεταβολών στην υδρολογική λεκάνη του Σπερχειού ποταμού με χρήση νέων τεχνολογιών

2026-02-25T20:31:54Z

MABJEESH CHRISTINA:

'''Τίτλος: "Έρευνα γεωμορφολογικών και περιβαλλοντικών μεταβολών στην υδρολογική λεκάνη του Σπερχειού ποταμού με χρήση νέων τεχνολογιών"'''

'''Συγγραφέας: ''Ψωμιάδης Εμμανουήλ'''''

'''Πηγή: '''https://freader.ekt.gr/eadd/index.php?doc=25931&lang=el'''

[[Εικόνα:Landsat7.png|thumb|right|'''Εικόνα 1:''' H Σύνθετη Ψευδέχρωμη εικόνα (4,3,2 σαν RGB) του Landsat 7 ΕΤΜ+,πριν (αριστερά) και μετά (δεξιά) την αναδόμηση των εικονοστοιχείων.]]
[[Εικόνα:Φυσική_βλάστηση.png|thumb|right|'''Εικόνα 2:''' Φυσική βλάστηση της περιοχής μελέτης. Είναι εμφανής ο διαχωρισμός των κωνοφόρων (έλατα,πεύκα) που απεικονίζονται με πολύ έντονο κόκκινο χρώμα (σημέιο 1), των φυλλοβόλων (οξίες,δρυς,πλατάνια) που απεικονίζονται με κόκκινο ανοιχτό χρώμα (σημείο 2) και των αείφυλλων πλατύφυλλων που απεικονίζονται με ένα ενδιάμεσο κόκκινο χρώμα (σημείο 3).]]
[[Εικόνα:Ισόβαθων_καμπυλών.png|thumb|right|'''Εικόνα 3:''' Χάρτης ισοβαθών καμπυλών και σημείων βάθους πυθμένα στην παράκτια περιοχή του Μαλιακού κόλπου.]]

== '''Εισαγωγή''' ==

Η μελέτη επικεντρώνεται στη γεωμορφολογική και περιβαλλοντική διερεύνηση της υδρολογικής λεκάνης του ποταμού Σπερχειού, με τη χρήση τεχνολογιών τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Η κατανόηση των φυσικών διεργασιών που διαμορφώνουν τη λεκάνη απορροής, καθώς και των μεταβολών που παρατηρούνται στις χρήσεις και καλύψεις γης, είναι ιδιαίτερα σημαντική για την αποτύπωση της εξέλιξης του φυσικού περιβάλλοντος και των πιέσεων που δέχεται από ανθρώπινες δραστηριότητες.

Στο πλαίσιο αυτό, στόχος της μελέτης είναι η αποτύπωση της γεωμορφολογικής και περιβαλλοντικής κατάστασης της περιοχής, η διερεύνηση των διαχρονικών μεταβολών στη χρήση γης και η εκτίμηση της ευαισθησίας της λεκάνης σε φυσικούς κινδύνους, όπως πλημμύρες, κατολισθήσεις και πυρκαγιές.

== '''Μεθοδολογία''' ==

Για την επίτευξη των στόχων της μελέτης αξιοποιήθηκαν δεδομένα τηλεπισκόπησης και αεροφωτογραφίες από διαφορετικές χρονικές περιόδους. Συγκεκριμένα:

* χρησιμοποιήθηκαν δορυφορικές εικόνες Landsat 5 TM και Landsat 7 ETM+ για τα έτη 1984, 1989, 1999 και 2007

* εφαρμόστηκαν τεχνικές ψηφιακής επεξεργασίας εικόνας για την ταξινόμηση χρήσεων και καλύψεων γης

* αξιοποιήθηκαν δεδομένα radar (ERS-2) για την εκτίμηση μεταβολών της ακτογραμμής

* πραγματοποιήθηκε φωτοερμηνεία αεροφωτογραφιών για τη δημιουργία θεματικών χαρτών

* εφαρμόστηκαν τεχνικές επιβλεπόμενης ταξινόμησης για την ανίχνευση διαχρονικών μεταβολών

Παράλληλα, πραγματοποιήθηκε ανάλυση των γεωμορφολογικών παραμέτρων της λεκάνης απορροής και υπολογισμός του υδρολογικού ισοζυγίου με βάση μετεωρολογικά δεδομένα της περιόδου 1980–2001.

== '''Αποτελέσματα''' ==

Η επεξεργασία των δεδομένων ανέδειξε σημαντικές μεταβολές στις χρήσεις γης της περιοχής κατά την περίοδο 1984–2007, οι οποίες σχετίζονται με την αστική ανάπτυξη, την επέκταση των καλλιεργούμενων εκτάσεων και τη μείωση της φυσικής βλάστησης σε ορισμένες περιοχές. Παράλληλα, καταγράφηκαν μεταβολές στην ακτογραμμή της παράκτιας ζώνης και διαφοροποιήσεις στη μορφολογία της λεκάνης, που συνδέονται τόσο με φυσικές διεργασίες όσο και με ανθρώπινες παρεμβάσεις.

Η εκτίμηση της ευαισθησίας της περιοχής ανέδειξε ζώνες με αυξημένο κίνδυνο εκδήλωσης φυσικών καταστροφών, όπως πλημμυρικά φαινόμενα και κατολισθήσεις, ενώ διαπιστώθηκε ότι οι ανθρωπογενείς δραστηριότητες επηρεάζουν σε σημαντικό βαθμό το υδρολογικό καθεστώς της περιοχής.

== '''Συμπεράσματα''' ==

Τα αποτελέσματα της μελέτης δείχνουν ότι η αξιοποίηση τεχνολογιών τηλεπισκόπησης και GIS μπορεί να συμβάλει ουσιαστικά στην παρακολούθηση των περιβαλλοντικών μεταβολών και στην εκτίμηση της τρωτότητας της υδρολογικής λεκάνης του Σπερχειού σε φυσικούς κινδύνους.

Η προτεινόμενη μεθοδολογική προσέγγιση μπορεί να αποτελέσει χρήσιμο εργαλείο για τον σχεδιασμό και την εφαρμογή στρατηγικών βιώσιμης διαχείρισης των φυσικών πόρων, συμβάλλοντας τόσο στη μείωση των περιβαλλοντικών πιέσεων όσο και στην πρόληψη φυσικών καταστροφών στην ευρύτερη περιοχή.

[[category:Υδατικοί Πόροι]]

Γεωμορφολογικές και περιβαλλοντικές παρατηρήσεις στη νήσο Νάξο,με τη χρησιμοποίηση μεθόδων τηλεανίχνευσης και G.I.S.

2026-02-25T19:45:04Z

MABJEESH CHRISTINA:

'''Τίτλος: "Γεωμορφολογικές και περιβαλλοντικές παρατηρήσεις στη νήσο Νάξο, με τη χρησιμοποίηση μεθόδων τηλεανίχνευσης και G.I.S."'''

'''Συγγραφέας: Ευελπίδου Νικολέττα'''

'''Πηγή: '''https://freader.ekt.gr/eadd/index.php?doc=22293&lang=el'''

[[Εικόνα:Αεροφωτογραφια_ναξου.png|thumb|right|'''Εικόνα 1:''' Εμφάνιση του ιστογράμματος αεροφωτογραφίας του 1988 της Νάξου.]]
[[Εικόνα:Νησος_ναξος.png|thumb|right|'''Εικόνα 2:''' Η νήσος Νάξος στην ευρύτερη περιοχή.]]
[[Εικόνα:Hogbacks_1988.png|thumb|right|'''Εικόνα 3:''' Hogbacks στο βόρειο τμήμα της Νάξου,όπως φαίνονται απο τις αεροφωτογραφίες του 1988.]]

== '''Εισαγωγή''' ==

Η εργασία αυτή εστιάζει στη μελέτη των γεωμορφολογικών και περιβαλλοντικών χαρακτηριστικών της νήσου Νάξου, με τη χρήση τεχνολογιών Τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Η μορφολογία του εδάφους και οι φυσικές διεργασίες που αναπτύσσονται σε ένα νησιωτικό περιβάλλον επηρεάζουν άμεσα τόσο τη διαμόρφωση του φυσικού τοπίου όσο και τις ανθρώπινες δραστηριότητες. Για τον λόγο αυτό, ιδιαίτερη έμφαση δίνεται στη διερεύνηση των φαινομένων διάβρωσης και στις μεταβολές που παρατηρούνται στην παράκτια ζώνη.

Στόχος της μελέτης είναι η καταγραφή και ανάλυση των γεωμορφολογικών χαρακτηριστικών του νησιού και η εκτίμηση της επικινδυνότητας διάβρωσης, μέσω της αξιοποίησης και επεξεργασίας χωρικών δεδομένων.

== '''Μεθοδολογία''' ==

Η ερευνητική διαδικασία βασίστηκε στη συλλογή πρωτογενών δεδομένων από εργασίες πεδίου, καθώς και στη χρήση δευτερογενών δεδομένων, όπως αεροφωτογραφίες και χαρτογραφικό υλικό κλίμακας 1:33.000. Για τη βελτίωση της ακρίβειας των μετρήσεων χρησιμοποιήθηκαν συστήματα δορυφορικού εντοπισμού θέσης (GPS).

Η επεξεργασία και ανάλυση των δεδομένων πραγματοποιήθηκε με τη χρήση λογισμικών τηλεπισκόπησης και GIS, ενώ εφαρμόστηκαν τεχνικές ψηφιακής επεξεργασίας εικόνας για την παραγωγή θεματικών χαρτών, όπως ο γεωμορφολογικός χάρτης, ο χάρτης τοπογραφικών κλίσεων και ο χάρτης του υδρογραφικού δικτύου. Για την εκτίμηση της επικινδυνότητας διάβρωσης αξιοποιήθηκαν μέθοδοι ανάλυσης βασισμένες σε κανόνες ασαφούς λογικής (Fuzzy Logic).

== '''Αποτελέσματα''' ==

Η επεξεργασία των δεδομένων επέτρεψε την αναγνώριση και χαρτογράφηση των βασικών γεωμορφολογικών μορφών της Νάξου, καθώς και των διεργασιών διάβρωσης και απόθεσης που επηρεάζουν το ανάγλυφο της περιοχής. Παράλληλα, καταγράφηκαν τα χαρακτηριστικά του υδρογραφικού δικτύου και εξετάστηκε η σχέση τους με τη γεωλογική δομή του νησιού.

Επιπλέον, μελετήθηκαν οι υφιστάμενες χρήσεις γης και οι μεταβολές της παράκτιας ζώνης κατά την περίοδο 1966–1988, αναδεικνύοντας περιοχές με αυξημένη ευαισθησία σε φαινόμενα διάβρωσης. Η σύνθεση των δεδομένων αυτών οδήγησε στη δημιουργία χάρτη επικινδυνότητας διάβρωσης για την περιοχή μελέτης.

== '''Συμπεράσματα''' ==

Η παρούσα μελέτη συμβάλλει στην καλύτερη κατανόηση των γεωμορφολογικών διεργασιών που διαμορφώνουν το φυσικό περιβάλλον της Νάξου. Η αξιοποίηση τεχνολογιών Τηλεπισκόπησης και GIS αποδείχθηκε ιδιαίτερα χρήσιμη για την ανάλυση χωρικών δεδομένων και την εκτίμηση της τρωτότητας των επιφανειακών σχηματισμών στη διάβρωση.

Ο χάρτης επικινδυνότητας διάβρωσης που προέκυψε μπορεί να αποτελέσει χρήσιμο εργαλείο για τον σχεδιασμό και τη διαχείριση των παράκτιων περιοχών, υποστηρίζοντας την προστασία του φυσικού περιβάλλοντος και τη βιώσιμη ανάπτυξη του νησιού.

[[category:Γεωλογία – Εδαφολογία]]

Η φασματική ποικιλότητα ως δείκτης παρακολούθησης για την αρχική πρόοδο της οικολογικής αποκατάστασης στον Ανατολικό Αμαζόνιο

2026-02-24T00:25:35Z

MICHAIL LEKAKIS:

'''Πρωτότυπος τίτλος:''' ''Spectral diversity tracks initial restoration progress in the Eastern Amazon''

'''Μεταφρασμένος τίτλος''' ''Η φασματική ποικιλότητα ως δείκτης παρακολούθησης για την αρχική πρόοδο της οικολογικής αποκατάστασης στον Ανατολικό Αμαζόνιο''

'''Συγγραφείς:''' Larissa Ranielle da Silva Parente, Priscila Sanjuan de Medeiros-Sarmento, Yorranna Kelly Rossy Da Silva, Paula Godinho Ribeiro, Silvio Junio Ramos, Cecílio Frois Caldeira and Markus Gastauer

'''Δημοσιεύθηκε:''' Frontiers in Environmental Science 13 (2025) 1546771

'''Σύνδεσμος πρωτότυπου κειμένου:''' [ https://doi.org/10.3389/fenvs.2025.1546771]

'''Λέξεις-Κλειδιά:''' '' Τηλεπισκόπηση, διαδοχική δυναμική (successional dynamics), βιοποικιλότητα, Καραχάς (Carajas), Sentinel''

'''1. Εισαγωγή'''

Η αποκατάσταση υποβαθμισμένων οικοσυστημάτων, ιδιαίτερα σε περιοχές εξόρυξης και αποψίλωσης, αποτελεί κρίσιμη πρόκληση για τη διατήρηση της βιοποικιλότητας και τη βιώσιμη διαχείριση των φυσικών πόρων.

Η παρακολούθηση της προόδου των έργων αποκατάστασης είναι απαραίτητη τόσο για την αξιολόγηση της αποτελεσματικότητας των παρεμβάσεων όσο και για τη συμμόρφωση με περιβαλλοντικές πολιτικές. Παραδοσιακά, η αξιολόγηση της οικολογικής ανάκαμψης βασίζεται σε επιτόπιες δειγματοληψίες, οι οποίες απαιτούν σημαντικό χρόνο, εξειδικευμένο προσωπικό και υψηλό οικονομικό κόστος. Για τον λόγο αυτό, αναζητούνται εναλλακτικές ή συμπληρωματικές μέθοδοι που να επιτρέπουν ταχύτερη και ευρύτερης κλίμακας παρακολούθηση.

Η μελέτη εξετάζει τη δυνατότητα χρήσης της φασματικής ποικιλότητας (spectral diversity) ως εργαλείου εκτίμησης της προόδου οικολογικής αποκατάστασης στον Ανατολικό Αμαζόνιο. Συγκεκριμένα, αξιολογείται η σχέση μεταξύ δεικτών φασματικής ποικιλότητας που προκύπτουν από δορυφορικές εικόνες και του Δείκτη Αποκατάστασης (Restoration Index – RI), ενός σύνθετου δείκτη που συνδυάζει δομικά και συνθετικά χαρακτηριστικά της βλάστησης, όπως ο πλούτος ειδών, η βασική επιφάνεια και η κάλυψη κόμης.

Στόχος είναι να διερευνηθεί κατά πόσο οι φασματικές μετρήσεις μπορούν να λειτουργήσουν ως αξιόπιστος και οικονομικά αποδοτικός δείκτης της οικολογικής ανάκαμψης.

'''2. Μεθοδολογία'''

Η έρευνα πραγματοποιήθηκε σε επτά περιοχές στην πολιτεία Pará στον Ανατολικό Αμαζόνιο, οι οποίες περιλάμβαναν τέσσερις περιοχές αντιστάθμισης και τρεις περιοχές αποκατάστασης εξορυκτικών δραστηριοτήτων. Οι περιοχές αντιπροσώπευαν διαφορετικά στάδια διαδοχής και ανάκαμψης, επιτρέποντας τη σύγκριση μεταξύ πρώιμων και πιο ώριμων φάσεων αποκατάστασης.

Ο Δείκτης Αποκατάστασης (RI) υπολογίστηκε βάσει επιτόπιων δεδομένων βλάστησης, τα οποία ενσωμάτωναν ποσοτικά και ποιοτικά χαρακτηριστικά της χλωρίδας. Παράλληλα, χρησιμοποιήθηκαν δορυφορικές εικόνες από τον αισθητήρα Sentinel-2, οι οποίες προσφέρουν υψηλή χωρική και φασματική ανάλυση. Μέσω του πακέτου BiodivMapR στο λογισμικό R, υπολογίστηκαν διάφοροι δείκτες φασματικής ποικιλότητας, όπως ο φασματικός πλούτος (spectral richness), ο δείκτης Shannon, ο δείκτης Rao’s Q και δείκτες λειτουργικής σύνθεσης.

Στη συνέχεια πραγματοποιήθηκαν στατιστικές αναλύσεις συσχέτισης και γραμμικής παλινδρόμησης μεταξύ των φασματικών δεικτών και του RI, με σκοπό τον εντοπισμό των ισχυρότερων σχέσεων. Επιπλέον, σε δύο περιοχές πραγματοποιήθηκαν επαναλαμβανόμενες επιτόπιες καταγραφές σε διαφορετικές χρονικές στιγμές, ώστε να αξιολογηθεί η χρονική ευαισθησία των φασματικών μετρήσεων. Τέλος, εξετάστηκε η επίδραση της εποχικότητας μέσω σύγκρισης εικόνων διαφορετικών μηνών, προκειμένου να διαπιστωθεί η σταθερότητα των δεικτών.

[[Αρχείο:5.alfa.png | right | thumb | Εικόνα 1: Διάγραμμα ροής για την επεξεργασία των εικόνων του Sentinel-2, υπολογίζοντας την φασματική ποικιλότητα και αναλύοντας τις συσχετίσεις με τα δεδομένα πεδίου]]

[[Αρχείο:5.bhta.png | right | thumb | Πίνακας 1: Χρονοσειρές που χρησιμοποιούνται για την ανάλυση]]

'''3. Αποτελέσματα'''

Τα αποτελέσματα έδειξαν ότι μεταξύ των φασματικών μετρικών που εξετάστηκαν, ο φασματικός πλούτος και ο φασματικός δείκτης Shannon παρουσίασαν τις ισχυρότερες συσχετίσεις με τον Δείκτη Αποκατάστασης. Η γραμμική παλινδρόμηση έδειξε ότι κάθε αύξηση του RI κατά 1% αντιστοιχεί σε αύξηση 0,0198 μονάδων στον φασματικό πλούτο. Με βάση το μοντέλο, για επίπεδο αποκατάστασης 70%, ο προβλεπόμενος φασματικός πλούτος ανέρχεται σε 2,29, προσφέροντας ένα πρακτικό σημείο αναφοράς για την αξιολόγηση της προόδου αποκατάστασης.

Παρότι στις περιοχές που επανεξετάστηκαν δεν παρατηρήθηκαν στατιστικά σημαντικές αυξήσεις στον φασματικό πλούτο μεταξύ των δύο απογραφών, οι διαφορές μεταξύ διαδοχικών σταδίων αποκατάστασης αποτυπώθηκαν επαρκώς σε όλα τα διαθέσιμα σύνολα δεδομένων. Αυτό υποδηλώνει ότι οι φασματικοί δείκτες είναι ιδιαίτερα κατάλληλοι για τη διάκριση μεταξύ διαφορετικών επιπέδων οικολογικής ανάκαμψης, ακόμη και αν δεν καταγράφουν άμεσα μικρές βραχυπρόθεσμες μεταβολές.

Επιπλέον, η σύγκριση εικόνων από διαφορετικούς μήνες έδειξε μέτρια αλλά σταθερή συσχέτιση των φασματικών δεικτών, γεγονός που υποστηρίζει τη σχετική ανθεκτικότητά τους έναντι εποχικών διαφοροποιήσεων. Η διαπίστωση αυτή ενισχύει την αξιοπιστία της μεθόδου για εφαρμογή σε μακροχρόνια και μεγάλης κλίμακας προγράμματα παρακολούθησης.

Συνολικά, η μελέτη καταδεικνύει ότι η φασματική ποικιλότητα αποτελεί ένα χρήσιμο, οικονομικά αποδοτικό και διαφανές εργαλείο για την παρακολούθηση της αποκατάστασης οικοσυστημάτων. Αν και δεν αντικαθιστά πλήρως τις επιτόπιες μετρήσεις, μπορεί να λειτουργήσει συμπληρωματικά, μειώνοντας το κόστος και αυξάνοντας τη συχνότητα αξιολόγησης. Η ενσωμάτωση δορυφορικών δεδομένων στη διαδικασία αποκατάστασης ενισχύει τη δυνατότητα έγκαιρης λήψης αποφάσεων και βελτιστοποίησης των παρεμβάσεων, ιδιαίτερα σε εκτεταμένες και δυσπρόσιτες περιοχές όπως ο Αμαζόνιος.

[[category:Δασοπονία, Δασική διαχείριση]]

Εντοπισμός της δυνατότητας για πράσινες στέγες με χρήση τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών (GIS)

2026-02-23T23:48:01Z

MICHAIL LEKAKIS:

'''Πρωτότυπος τίτλος:''' ''Identification of the potential for roof greening using remote sensing and GIS''

'''Μεταφρασμένος τίτλος''' ''Εντοπισμός της δυνατότητας για πράσινες στέγες με χρήση τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών (GIS)''

'''Συγγραφείς:''' Qingyu Li, Hannes Taubenbock, Xiao Xiang Zhu

'''Δημοσιεύθηκε:''' Cities 159 (2025) 105782

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1016/j.cities.2025.105782]

'''Λέξεις-Κλειδιά:''' ''Τηλεπισκόπηση, Πράσινες στέγες, βαθιά μάθηση, αστική θερμική νησίδα''

===1. Εισαγωγή===

Η ταχεία αστικοποίηση των τελευταίων δεκαετιών έχει οδηγήσει σε σημαντικές περιβαλλοντικές προκλήσεις, όπως η αύξηση της θερμοκρασίας και η ένταση της θερμικής νησίδας, η μείωση των χώρων πρασίνου και η επιβάρυνση των συστημάτων απορροής όμβριων υδάτων. Οι πράσινες στέγες (green roofs) προτείνονται ως μια βιώσιμη λύση για την ενίσχυση του αστικού πρασίνου χωρίς την ανάγκη επιπλέον ελεύθερου εδάφους. Συμβάλλουν στη βελτίωση του μικροκλίματος, στη μείωση της ενεργειακής κατανάλωσης των κτιρίων, στην απορρόφηση διοξειδίου του άνθρακα και στη διαχείριση των όμβριων υδάτων.

Το άρθρο εξετάζει τη δυνατότητα εντοπισμού κατάλληλων στεγών ως πράσινες στέγες μέσω της αξιοποίησης τεχνολογιών τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Στόχος της μελέτης είναι η ανάπτυξη μιας μεθοδολογίας που επιτρέπει τον εντοπισμό και την αξιολόγηση του δυναμικού «πρασίνισης» στεγών σε αστικές περιοχές με συστηματικό, αξιόπιστο και επαναλήψιμο τρόπο. Η καινοτομία της έρευνας έγκειται στη συνδυαστική χρήση δορυφορικών δεδομένων, ψηφιακών μοντέλων επιφάνειας και χωρικής ανάλυσης, ώστε να ξεπεραστούν οι περιορισμοί των παραδοσιακών μεθόδων επιτόπιας καταγραφής.

===2. Μεθοδολογία===

Η μεθοδολογία της έρευνας βασίζεται στη συστηματική συλλογή, επεξεργασία και ανάλυση γεωχωρικών δεδομένων, με στόχο τον εντοπισμό και την ποσοτική εκτίμηση της δυνατότητας εγκατάστασης πράσινων στεγών σε αστικό περιβάλλον. Η προσέγγιση ακολουθεί μια πολυεπίπεδη διαδικασία που συνδυάζει τεχνικές τηλεπισκόπησης, ανάλυση ψηφιακών μοντέλων επιφάνειας και προηγμένα εργαλεία Γεωγραφικών Συστημάτων Πληροφοριών (GIS).

====Συλλογή και προεπεξεργασία γεωχωρικών δεδομένων====

Αρχικά, συλλέγονται δεδομένα τηλεπισκόπησης υψηλής χωρικής ανάλυσης, όπως δορυφορικές εικόνες ή αεροφωτογραφίες, καθώς και δεδομένα LiDAR όπου είναι διαθέσιμα. Τα δεδομένα αυτά χρησιμοποιούνται για την ακριβή αποτύπωση του αστικού ιστού και την εξαγωγή των κτιριακών περιγραμμάτων.

Η προεπεξεργασία περιλαμβάνει:
<blockquote>-Γεωαναφορά και ορθοαναγωγή εικόνων</blockquote>
<blockquote>-Ατμοσφαιρική διόρθωση (όπου απαιτείται)</blockquote>
<blockquote>-Φιλτράρισμα θορύβου</blockquote>
<blockquote>-Ενοποίηση (mosaicking) και περικοπή στην περιοχή μελέτης</blockquote>

Στη συνέχεια, δημιουργούνται Ψηφιακά Μοντέλα Επιφάνειας (DSM) και Ψηφιακά Μοντέλα Εδάφους (DTM). Από τη διαφορά DSM–DTM παράγεται το Ψηφιακό Μοντέλο Ύψους Κτιρίων (nDSM), το οποίο επιτρέπει τον υπολογισμό του πραγματικού ύψους των κατασκευών και τη σαφή διάκριση των στεγών από το έδαφος.

[[Αρχείο:4.bhta.png | right | thumb | Εικόνα 1: Γεωγραφική κατανομή τεσσάρων ευρωπαϊκών πόλεων στην βάση δεδομένων GreenRoof]]

====Εξαγωγή γεωμετρικών χαρακτηριστικών στεγών====

Με χρήση αλγορίθμων ταξινόμησης (object-based image analysis – OBIA ή supervised classification), εντοπίζονται και οριοθετούνται οι κτιριακές επιφάνειες.

Για κάθε στέγη υπολογίζονται:
<blockquote>-Κλίση (slope) μέσω ανάλυσης κλίσεων στο DSM
</blockquote>
<blockquote>-Προσανατολισμός (aspect)</blockquote>
<blockquote>-Εμβαδόν επιφάνειας</blockquote>
<blockquote>-Ύψος κτιρίου</blockquote>
<blockquote>-Τύπος στέγης (επίπεδη, δίρριχτη, πολύρριχτη)</blockquote>

Η κλίση υπολογίζεται σε μοίρες και ταξινομείται σε κατηγορίες καταλληλότητας, καθώς οι επίπεδες ή ελαφρώς κεκλιμένες στέγες (<15°–20°) θεωρούνται γενικά πιο κατάλληλες για εγκατάσταση πράσινων στεγών.

[[Αρχείο:4.gamma.png | right | thumb | Εικόνα 2: Παράδειγματα δεδομένων στεγών στην βάση GreenRoof. Η πρώτη σειρά αναφέρεται σε εικόνες τηλεπισκόπησης, ενώ η δεύτερη δημιουργεί "μάσκες" για τον προσδιορισμό της προοπτικής για πράσινες στέγες ]]

====Ανάλυση ηλιακής ακτινοβολίας και σκίασης====

Ακολουθεί ανάλυση ηλιακού δυναμικού με χρήση εργαλείων GIS (solar radiation models). Υπολογίζεται η ετήσια και εποχική ηλιακή ακτινοβολία, η διάρκεια ηλιοφάνειας και οι επιδράσεις σκίασης από γειτονικά κτίρια ή φυσικά εμπόδια.

Η σκίαση προσομοιώνεται βάσει του DSM και της τροχιάς του ήλιου, λαμβάνοντας υπόψη τη γεωγραφική θέση και την εποχικότητα. Οι επιφάνειες με ανεπαρκή ηλιακή έκθεση αποκλείονται ή κατατάσσονται σε χαμηλότερη κατηγορία καταλληλότητας.

====Πολυκριτηριακή ανάλυση καταλληλότητας====

Η αξιολόγηση της καταλληλότητας πραγματοποιείται μέσω πολυκριτηριακής ανάλυσης (Multi-Criteria Decision Analysis – MCDA). Τα βασικά κριτήρια περιλαμβάνουν (α) Κλίση στέγης, (β) Εμβαδόν διαθέσιμης επιφάνειας, (γ) Προσανατολισμό, (δ) Ηλιακή ακτινοβολία, (ε) Σκίαση, (στ) Στατική επάρκεια (όπου υπάρχουν διαθέσιμα δεδομένα)

Σε κάθε κριτήριο αποδίδεται συντελεστής βαρύτητας, είτε ισοβαρώς είτε μέσω μεθόδων όπως Analytic Hierarchy Process (AHP). Το τελικό αποτέλεσμα είναι ένας χάρτης καταλληλότητας με κατηγορίες (π.χ. υψηλή, μέτρια, χαμηλή καταλληλότητα).

====Υπολογισμός διαθέσιμου δυναμικού====

Μετά τον διαχωρισμό κατάλληλων και ακατάλληλων επιφανειών, υπολογίζεται το συνολικό διαθέσιμο εμβαδόν (m²), το ποσοστό κάλυψης επί του συνολικού αστικού ιστού και η χωρική κατανομή του δυναμικού ανά γειτονιά ή διοικητική ενότητα. Προαιρετικά, μπορεί να εκτιμηθεί το περιβαλλοντικό όφελος (μείωση αστικής θερμικής νησίδας, συγκράτηση όμβριων υδάτων, δέσμευση CO₂).

====Αυτοματοποιημένες διαδικασίες και επαναληψιμότητα====

Η μεθοδολογία βασίζεται σε αυτοματοποιημένες ροές εργασίας (geoprocessing workflows), οι οποίες υλοποιούνται σε περιβάλλον GIS (π.χ. Model Builder ή Python scripts). Η αυτοματοποίηση μειώνει το ανθρώπινο σφάλμα, αυξάνει την ακρίβεια και τη συνέπεια, επιτρέπει εφαρμογή σε μεγάλη κλίμακα και διασφαλίζει αναπαραγωγιμότητα. Η διαδικασία μπορεί να προσαρμοστεί σε διαφορετικές πόλεις, μεταβάλλοντας τα όρια κλίσης, τα κατώφλια εμβαδού ή τους συντελεστές βαρύτητας, ώστε να ανταποκρίνεται σε τοπικές κλιματικές, πολεοδομικές και τεχνικές συνθήκες.

====Έλεγχος ακρίβειας και επικύρωση====

Η αξιοπιστία των αποτελεσμάτων ελέγχεται μέσω επιτόπιων ελέγχων (ground truthing), σύγκρισης με διαθέσιμα αρχιτεκτονικά σχέδια και υπολογισμού δεικτών ακρίβειας ταξινόμησης (overall accuracy, kappa coefficient). Η διαδικασία αυτή διασφαλίζει ότι τα παραγόμενα χωρικά δεδομένα αντανακλούν με ακρίβεια την πραγματική κατάσταση του δομημένου περιβάλλοντος.

===3. Αποτελέσματα===

Τα αποτελέσματα της μελέτης καταδεικνύουν ότι σημαντικό ποσοστό των αστικών στεγών διαθέτει τεχνικά χαρακτηριστικά κατάλληλα για μετατροπή σε πράσινη στέγη. Μέσω της ανάλυσης GIS, προσδιορίστηκε με ακρίβεια το συνολικό εμβαδόν των επιφανειών που πληρούν τα κριτήρια κλίσης και μεγέθους. Διαπιστώθηκε ότι οι επίπεδες στέγες μεγάλου εμβαδού συγκεντρώνονται κυρίως σε εμπορικές και βιομηχανικές περιοχές, γεγονός που δημιουργεί σημαντικές δυνατότητες παρεμβάσεων μεγάλης κλίμακας.

Επιπλέον, η ανάλυση της ηλιακής ακτινοβολίας έδειξε ότι πολλές από τις επιλεγμένες στέγες δέχονται επαρκή ηλιακή ενέργεια, στοιχείο που ευνοεί την ανάπτυξη φυτικής βλάστησης. Ωστόσο, εντοπίστηκαν και περιοχές με αυξημένες σκιάσεις, όπου απαιτείται προσαρμογή του τύπου φυτεύσεων.

Η έρευνα επιβεβαιώνει ότι η αξιοποίηση της τηλεπισκόπησης και των GIS αποτελεί αποτελεσματικό εργαλείο για τον στρατηγικό σχεδιασμό αστικών πράσινων υποδομών. Τα αποτελέσματα μπορούν να υποστηρίξουν τη λήψη αποφάσεων από δημοτικές αρχές και πολεοδόμους, παρέχοντας ποσοτικά δεδομένα για τον σχεδιασμό πολιτικών βιώσιμης ανάπτυξης.

Συνολικά, η μελέτη αναδεικνύει τη σημασία της τεχνολογίας στη βιώσιμη αστική διαχείριση. Η εφαρμογή της προτεινόμενης μεθοδολογίας μπορεί να συμβάλει ουσιαστικά στη μείωση της θερμικής νησίδας, στη βελτίωση της ενεργειακής απόδοσης των κτιρίων και στην ενίσχυση της βιοποικιλότητας. Παράλληλα, δημιουργεί ένα πλαίσιο για μελλοντικές έρευνες που θα μπορούσαν να ενσωματώσουν οικονομικές και κοινωνικές παραμέτρους, προσφέροντας μια ολοκληρωμένη προσέγγιση στην αξιολόγηση του δυναμικού πράσινων στεγών.

[[Αρχείο:4.alfa.png | right | thumb | Εικόνα 3:Παραδείγματα και προοπτική στεγών για μετατροπή σε πράσινες στέγες ]]

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Αποτελεσματικότητα της χρήσης της τηλεπισκόπησης για την παρακολούθηση ανθίσεων φυκών και κυανοβακτηρίων

2026-02-23T23:23:57Z

MICHAIL LEKAKIS:

'''Πρωτότυπος τίτλος:''' ''Efficiency of using remote sensing to monitor algal and cyanobacterial blooms in continental aquatic environments''

'''Μεταφρασμένος τίτλος''' ''Αποτελεσματικότητα της χρήσης της τηλεπισκόπησης για την παρακολούθηση ανθίσεων φυκών και κυανοβακτηρίων σε ηπειρωτικά υδάτινα περιβάλλοντα''

'''Συγγραφείς:''' Guilherme Luiz Rissate, Elisa Parreira Darim, Gilson de Souza Ferreira Neto, Manuel Eduardo Ferreira, Fernanda Melo Carneiro

'''Δημοσιεύθηκε:''' Science of the Total Environment 1010 (2026) 181130

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1016/j.scitotenv.2025.181130 ]

'''Λέξεις-Κλειδιά:''' ''Τηλεπισκόπηση, Ατμοσφαιρική διόρθωση, δορυφόροι, χλωροφύλλη, φυτοπλαγκτόν, ευτροφισμός''

===1. Εισαγωγή===

Η παρακολούθηση των ανθίσεων φυκών (algal blooms) σε θαλάσσια και εσωτερικά ύδατα αποτελεί κρίσιμο ζήτημα για τη δημόσια υγεία, τη βιοποικιλότητα και τη διαχείριση υδατικών πόρων. Οι επιβλαβείς ανθίσεις φυκών (Harmful Algal Blooms – HABs) συνδέονται με την παραγωγή τοξινών, τη μείωση του διαλυμένου οξυγόνου και σοβαρές οικολογικές και οικονομικές επιπτώσεις, ιδίως σε περιοχές υδατοκαλλιέργειας και τουρισμού. Η κλιματική αλλαγή και ο ευτροφισμός έχουν εντείνει τη συχνότητα και την ένταση των φαινομένων αυτών, καθιστώντας αναγκαία την ανάπτυξη αξιόπιστων συστημάτων έγκαιρης προειδοποίησης.

Η μελέτη αυτή εξετάζει συστηματικά την αποτελεσματικότητα της τηλεπισκόπησης στην ανίχνευση και παρακολούθηση ανθίσεων φυκών και κυανοβακτηρίων. Μέσω μετα-ανάλυσης (meta – analysis) μεγάλου αριθμού δημοσιευμένων εργασιών, αξιολογείται η ακρίβεια των δορυφορικών και αερομεταφερόμενων μεθόδων, συγκρίνονται διαφορετικοί αισθητήρες και αναδεικνύονται οι παράγοντες που επηρεάζουν την απόδοση των μοντέλων. Η έρευνα αυτή συμβάλλει στη σύνθεση της υπάρχουσας γνώσης και στη διαμόρφωση κατευθυντήριων γραμμών για μελλοντικές εφαρμογές.

Σκοπός του άρθρου είναι η ποσοτική αξιολόγηση, μέσω μετα-ανάλυσης, της αποτελεσματικότητας και αξιοπιστίας των τεχνικών τηλεπισκόπησης στην ανίχνευση και παρακολούθηση ανθίσεων φυκών και κυανοβακτηρίων σε θαλάσσια και εσωτερικά ύδατα.

===2. Μεθοδολογία===

Η παρούσα μελέτη βασίστηκε σε συστηματική ανασκόπηση και μετα-ανάλυση της διεθνούς βιβλιογραφίας σχετικά με την εφαρμογή της τηλεπισκόπησης για την ανίχνευση και ποσοτική εκτίμηση ανθίσεων φυκών σε ηπειρωτικά υδάτινα σώματα. Η μεθοδολογική προσέγγιση ακολούθησε τις κατευθυντήριες οδηγίες PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) (βλ. '''Εικόνα 1''', διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και συστηματικότητα στη διαδικασία επιλογής και αξιολόγησης των μελετών.

[[Αρχείο:3.alfalfa.png | right | thumb | Εικόνα 1: Διάγραμμα ροής PRISMA για την ανάλυση της βιβλιογραφίας ]]

====Στρατηγική αναζήτησης και επιλογή μελετών====

Η αναζήτηση της βιβλιογραφίας πραγματοποιήθηκε σε διεθνείς επιστημονικές βάσεις δεδομένων (π.χ. Web of Science, Scopus), χρησιμοποιώντας συνδυασμούς λέξεων-κλειδιών που σχετίζονται με την τηλεπισκόπηση, τη χλωροφύλλη-a, τις ανθίσεις φυκών/κυανοβακτηρίων και τα εσωτερικά υδάτινα σώματα. Η χρονική περίοδος κάλυψε δημοσιεύσεις από τις αρχές της δορυφορικής παρατήρησης γης (δεκαετία 1970) έως και το 2021.

Η διαδικασία επιλογής περιλάμβανε τέσσερα στάδια (α) Ταυτοποίηση των δυνητικά σχετικών άρθρων (β) Αφαίρεση διπλοεγγραφών (γ) Έλεγχο τίτλου και περίληψης βάσει προκαθορισμένων κριτηρίων (δ) Πλήρη αξιολόγηση κειμένου για την τελική ένταξη.

Τα κριτήρια ένταξης (PICO framework) περιλάμβαναν:
<blockquote>-Population (Πληθυσμός): Λίμνες, ταμιευτήρες και ποτάμια (εξαιρέθηκαν θαλάσσια και μεταβατικά ύδατα).</blockquote>
<blockquote>-Intervention (Παρέμβαση): Εκτίμηση συγκέντρωσης χλωροφύλλης-a μέσω δορυφορικών ή εναέριων δεδομένων.</blockquote>
<blockquote>-Comparator (Σύγκριση): Επιτόπιες (in situ) μετρήσεις χλωροφύλλης-a.</blockquote>
<blockquote>-Outcome (Έκβαση): Ποσοτικοί δείκτες απόδοσης (r, R², RMSE) και διαθέσιμο μέγεθος δείγματος (Ν).</blockquote>

Αποκλείστηκαν μελέτες που δεν παρείχαν επαρκή στατιστικά στοιχεία, δεν ανέφεραν τον τύπο αισθητήρα ή δεν βασίζονταν σε ποσοτική βαθμονόμηση/επικύρωση μοντέλων.

====Εξαγωγή και κατηγοριοποίηση δεδομένων====

Από κάθε επιλεγμένη μελέτη συλλέχθηκαν πληροφορίες σχετικά με (α) τον τύπο αισθητήρα: πολυφασματικός ή υπερφασματικός, (β) την πλατφόρμα καταγραφής: δορυφόρος ή UAV, (γ) την χωρική ανάλυση: χαμηλή (>30 m), μέση (5–30 m), υψηλή (<5 m), (δ) την αλγοριθμική προσέγγιση: εμπειρικά μοντέλα, ημι-αναλυτικά μοντέλα, μοντέλα μηχανικής μάθησης, (ε) τον τύπο υδάτινου σώματος: λεντικό (λίμνες, ταμιευτήρες) ή λωτικό (ποτάμια), (στ) την κλιματική ζώνη: τροπική, εύκρατη, ψυχρή ή άνυδρη, (ζ) την μέθοδο ατμοσφαιρικής διόρθωσης, δεδομένης της καθοριστικής επίδρασής της στην ποιότητα του σήματος.

Σημειώνεται πως ιδιαίτερη έμφαση δόθηκε στη σύγκριση ευρέως χρησιμοποιούμενων δορυφορικών αποστολών, όπως οι: Landsat 8, Sentinel-2, MODIS. Οι αποστολές αυτές επιλέχθηκαν λόγω της ευρείας εφαρμογής τους στην εκτίμηση συγκεντρώσεων χλωροφύλλης-a και φυκοκυανίνης, της ελεύθερης πρόσβασης στα δεδομένα και της διαφορετικής χωρικής και φασματικής ανάλυσης που προσφέρουν.

====Στατιστική επεξεργασία και μετα-ανάλυση====

Οι συντελεστές συσχέτισης (r) μετατράπηκαν σε τιμές Fisher’s Z, ώστε να εξασφαλιστεί κανονικότητα και συγκρισιμότητα μεταξύ μελετών. Το βάρος κάθε μελέτης υπολογίστηκε ως το αντίστροφο της διακύμανσης, δίνοντας μεγαλύτερη βαρύτητα σε μελέτες με μεγαλύτερο δείγμα.

Για την εκτίμηση της συνολικής επίδρασης χρησιμοποιήθηκε πολυεπίπεδο μοντέλο τυχαίων επιδράσεων (three-level random effects model), ώστε να ληφθεί υπόψη η εξάρτηση πολλαπλών αποτελεσμάτων από την ίδια μελέτη.

Η ετερογένεια αξιολογήθηκε μέσω των δεικτών Q και I². Σε περιπτώσεις υψηλής ετερογένειας εφαρμόστηκαν: (α) Ανάλυση υποομάδων (subgroup analysis), (β) Μετα-παλινδρόμηση (meta-regression)

ώστε να διερευνηθεί η επίδραση παραγόντων όπως: η χωρική ανάλυση, ο τύπος αλγορίθμου, η μέθοδος ατμοσφαιρικής διόρθωσης, ο τύπος υδάτινου σώματος, η κλιματική ζώνη

====Έλεγχος μεροληψίας και αξιοπιστία====

Η πιθανή μεροληψία δημοσίευσης εξετάστηκε με διάγραμμα χοάνης (funnel plot), έλεγχο Egger και μέθοδο trim-and-fill. Επιπλέον, υπολογίστηκε ο δείκτης fail-safe number (FSN), ώστε να εκτιμηθεί ο αριθμός υποθετικών μη δημοσιευμένων μελετών που θα απαιτούνταν για την ανατροπή της στατιστικής σημαντικότητας των αποτελεσμάτων.

====Παράγοντες που εξετάστηκαν ως πηγές αβεβαιότητας====

Ιδιαίτερη έμφαση δόθηκε στην ανάλυση παραγόντων που επηρεάζουν την ακρίβεια των μοντέλων, όπως:η θολότητα και συγκέντρωση αιωρούμενων σωματιδίων, η παρουσία διαλυμένης οργανικής ύλης, η φασματική επικάλυψη χλωροφύλλης και φυκοκυανίνης, η εποχικότητα και θερμική στρωμάτωση, οι περιορισμοί χωρικής και χρονικής ανάλυσης.

Η ολοκληρωμένη αυτή μεθοδολογική προσέγγιση επέτρεψε τη συστηματική σύγκριση διαφορετικών τεχνολογιών, αλγορίθμων και περιβαλλοντικών συνθηκών, παρέχοντας μια αξιόπιστη και ποσοτικά τεκμηριωμένη αξιολόγηση της αποτελεσματικότητας της τηλεπισκόπησης στην παρακολούθηση ανθίσεων φυκών.

===3. Αποτελέσματα===

Τα αποτελέσματα της μετα-ανάλυσης καταδεικνύουν ότι η τηλεπισκόπηση αποτελεί αξιόπιστο εργαλείο για την παρακολούθηση ανθίσεων φυκών, με υψηλές τιμές συντελεστή προσδιορισμού (R²) σε πολλές περιπτώσεις, ιδιαίτερα όταν εφαρμόζονται μοντέλα μηχανικής μάθησης. Οι πολυφασματικοί αισθητήρες, όπως εκείνοι των Sentinel-2 και Landsat 8, εμφανίζουν ικανοποιητική απόδοση στην εκτίμηση χλωροφύλλης-a σε καθαρά ή μέτρια θολά ύδατα.

Ωστόσο, σε υδάτινα σώματα με υψηλή συγκέντρωση αιωρούμενων στερεών ή οργανικής ύλης, η ακρίβεια μειώνεται λόγω φασματικής παρεμβολής. Σε αυτές τις περιπτώσεις, τα υπερφασματικά δεδομένα παρουσιάζουν βελτιωμένη ικανότητα διάκρισης, αν και η περιορισμένη διαθεσιμότητα και το υψηλότερο κόστος περιορίζουν την επιχειρησιακή τους εφαρμογή.

Η ανάλυση δείχνει επίσης ότι τα μοντέλα μηχανικής μάθησης (π.χ. Random Forest, Neural Networks) υπερτερούν των απλών εμπειρικών μοντέλων, καθώς διαχειρίζονται καλύτερα τη μη γραμμικότητα των σχέσεων μεταξύ φασματικών τιμών και βιοφυσικών παραμέτρων. Επιπλέον, η συνδυαστική χρήση δορυφορικών δεδομένων με επιτόπιες μετρήσεις βελτιώνει σημαντικά την αξιοπιστία των αποτελεσμάτων.

Ένα σημαντικό εύρημα είναι ότι η απόδοση των μοντέλων διαφέρει ανάλογα με τον τύπο υδάτινου σώματος. Οι λίμνες εμφανίζουν συνήθως υψηλότερη ακρίβεια σε σύγκριση με τις παράκτιες περιοχές, όπου η παρουσία θαλάσσιων ρευμάτων και σύνθετων οπτικών ιδιοτήτων δυσχεραίνει την ανάλυση. Παράλληλα, η χωρική ανάλυση παίζει καθοριστικό ρόλο: αισθητήρες με υψηλότερη χωρική ανάλυση επιτρέπουν καλύτερη αποτύπωση τοπικών ανθίσεων.

Συνολικά, η ανάλυση επιβεβαιώνει ότι η τηλεπισκόπηση είναι αποτελεσματικό και οικονομικά αποδοτικό εργαλείο για την παρακολούθηση ανθίσεων φυκών σε μεγάλη κλίμακα. Παρά τα υφιστάμενα τεχνικά όρια, οι εξελίξεις στην τεχνητή νοημοσύνη, στη συγχώνευση δεδομένων και στους νέους υπερφασματικούς αισθητήρες αναμένεται να ενισχύσουν περαιτέρω την ακρίβεια και την επιχειρησιακή αξιοποίηση των συστημάτων έγκαιρης προειδοποίησης.

[[category:Παρακολούθηση, χαρτογράφηση και ανάλυση ποταμών, λιμνών και υγροτόπων]]
[[category:Υδατικοί Πόροι]]

Έρευνα μέσω της τηλεπισκόπησης για τα πλαστικά σε θαλάσσια και εσωτερικά ύδατα: Εξέλιξη, ευκαιρίες και προκλήσεις

2026-02-23T22:50:48Z

MICHAIL LEKAKIS:

'''Πρωτότυπος τίτλος:''' ''Remote sensing research on plastics in marine and inland water: Development, opportunities and challenges''

'''Μεταφρασμένος τίτλος''' ''Έρευνα μέσω της τηλεπισκόπησης για τα πλαστικά σε θαλάσσια και εσωτερικά ύδατα: Εξέλιξη, ευκαιρίες και προκλήσεις''

'''Συγγραφείς:''' Zhixiong Chen, Wei Si, Verner Carl Johnson, Saheed Adeyinka Oke, Shuting Wang, Xinlin Lv, Mou Leong Tan, Fei Zhang

'''Δημοσιεύθηκε:''' Journal of Environmental Management 373 (2025) 123815

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1016/j.jenvman.2024.123815]

'''Λέξεις-Κλειδιά:''' ''Τηλεπισκόπηση, Πλαστικά, Υδάτινοι πόροι, Ρύπανση Υδάτινων Πόρων''

'''1. Εισαγωγή'''

Η ευρεία χρήση του πλαστικού, σε συνδυασμό με τη μεγάλη ανθεκτικότητά του στη φυσική αποδόμηση, έχει οδηγήσει στη συσσώρευση μακροπλαστικών, μικροπλαστικών και νανοπλαστικών σε ωκεανούς, θάλασσες, λίμνες και ποτάμια.

Οι επιπτώσεις αφορούν τόσο τα υδάτινα οικοσυστήματα όσο και την ανθρώπινη υγεία, καθώς τα πλαστικά εισέρχονται στην τροφική αλυσίδα και μεταφέρονται σε μεγάλες αποστάσεις μέσω υδρολογικών και ατμοσφαιρικών διεργασιών.
Παραδοσιακά, η παρακολούθηση της πλαστικής ρύπανσης βασιζόταν σε επιτόπια δειγματοληψία και εργαστηριακές αναλύσεις (π.χ. FTIR), οι οποίες παρέχουν υψηλή ακρίβεια αλλά περιορισμένη χωρική κάλυψη.

Η εμφάνιση της τηλεπισκόπησης προσέφερε νέες δυνατότητες, επιτρέποντας συγχρονισμένες παρατηρήσεις μεγάλης κλίμακας με χαμηλότερο κόστος και αυξημένη συχνότητα. Η παρούσα μελέτη συνοψίζει την εξέλιξη της εφαρμογής της τηλεπισκόπησης στην παρακολούθηση της ρύπανσης πλαστικών σε θαλάσσια και εσωτερικά ύδατα (Marine and Inland Water Plastics Remote Sensing – MIWPRS).

[[Αρχείο:2.alfa.png | right | thumb | Εικόνα 1: Διάγραμμα ροής έρευνας της τηλεπισκόπησης στην παρακολούθηση της ρύπανσης πλαστικών σε θαλάσσια και εσωτερικά ύδατα (MIWPRS)]]

Σκοπός της παρούσας ανάλυσης είναι η παρουσίαση της μεθοδολογικής προσέγγισης και των βασικών αποτελεσμάτων της σύγχρονης έρευνας στον τομέα αυτό.

'''2. Μεθοδολογία'''

Η ερευνητική προσέγγιση βασίζεται σε βιβλιομετρική και τεχνολογική ανάλυση της επιστημονικής παραγωγής της τελευταίας δεκαετίας. Τα δεδομένα αντλήθηκαν από τη βάση Web of Science για την περίοδο 2014–2023, με θεματική αναζήτηση που συνδύαζε όρους σχετικούς με πλαστικά, υδάτινα περιβάλλοντα και τηλεπισκόπηση. Συνολικά αναλύθηκαν 415–429 δημοσιεύσεις, αποτυπώνοντας τη ραγδαία αύξηση του ενδιαφέροντος μετά το 2018.

Για τη βιβλιομετρική χαρτογράφηση χρησιμοποιήθηκε το λογισμικό CiteSpace, το οποίο επιτρέπει την ανάλυση συν-εμφάνισης λέξεων-κλειδιών (keywords), δικτύων συνεργασίας χωρών και χρονικής εξέλιξης θεματικών πεδίων. Μέσω ανάλυσης συστάδων (cluster analysis) και χρονογραμμών (timeline analysis), εντοπίστηκαν οι βασικές ερευνητικές κατευθύνσεις, όπως τα μικροπλαστικά, η θαλάσσια ρύπανση και οι τεχνικές μηχανικής μάθησης (machine learning).

Όσον αφορά τις τεχνικές ανίχνευσης, αξιοποιούνται πολυφασματικά και υπερφασματικά δεδομένα από δορυφόρους όπως οι Landsat 8 και Sentinel-2, καθώς και δεδομένα από μη επανδρωμένα αεροσκάφη (UAVs) και επίγειους αισθητήρες. Οι μέθοδοι επεξεργασίας περιλαμβάνουν φασματικούς δείκτες (π.χ. Plastic Index), παλινδρομικά μοντέλα, καθώς και αλγορίθμους/μέθοδοι μηχανικής μάθησης όπως είναι οι Random Forest, Support Vector Machines και Συνελικτικά Νευρωνικά Δίκτυα (CNN).

Ιδιαίτερη έμφαση δίνεται στη συγχώνευση πολυπηγών δεδομένων (space–air–ground integration), η οποία ενισχύει την ακρίβεια ανίχνευσης και επιτρέπει τη μοντελοποίηση της χωρικής και χρονικής μετακίνησης των πλαστικών. Παράλληλα, αναπτύσσονται υδροδυναμικά μοντέλα για την προσομοίωση της μεταφοράς πλαστικών μέσω ρευμάτων και ποτάμιων ροών.

[[Αρχείο:2.bhta.png | right | thumb | Εικόνα 2: Αριθμός δημοσιεύσεων στον τομέα της έρευνας της τηλεπισκόπησης πλαστικών σε θαλάσσια και εσωτερικά ύδατα (MIWPRS), ανά χώρα]]

'''3. Αποτελέσματα'''

Η ανάλυση δείχνει ότι από το 2014 και έπειτα παρατηρείται εκθετική αύξηση των δημοσιεύσεων στον τομέα της τηλεπισκόπησης πλαστικών σε θαλάσσια και εσωτερικά ύδατα (MIWPRS), με κυρίαρχες χώρες την Κίνα και τις Ηνωμένες Πολιτείες. Οι βασικοί θεματικοί άξονες περιλαμβάνουν τα μικροπλαστικά, τη θαλάσσια περιβαλλοντική υγεία και τη ρύπανση, επιβεβαιώνοντας ότι το πεδίο συνδέεται άμεσα με ζητήματα οικολογικής βιωσιμότητας.

Τα αποτελέσματα καταδεικνύουν ότι η τηλεπισκόπηση μπορεί να εντοπίσει επιφανειακές συγκεντρώσεις μακροπλαστικών με υψηλή ακρίβεια, ιδιαίτερα όταν συνδυάζεται με τεχνικές μηχανικής μάθησης. Η χρήση φασματικών χαρακτηριστικών επιτρέπει τη διάκριση πλαστικών από άλλα επιπλέοντα υλικά, όπως φύκια ή αφρό. Ωστόσο, η ανίχνευση μικροπλαστικών και νανοπλαστικών παραμένει πρόκληση λόγω περιορισμών χωρικής ανάλυσης και παρεμβολών από τη θολότητα του νερού.

Επιπλέον, τα δεδομένα δείχνουν μετάβαση από απλές φασματικές προσεγγίσεις σε σύνθετα μοντέλα τεχνητής νοημοσύνης μετά το 2020. Η ενσωμάτωση αλγορίθμων τεχνητής νοημοσύνης βελτιώνει την ακρίβεια ταξινόμησης και επιτρέπει την επεξεργασία μεγάλων όγκων δεδομένων σε σχεδόν πραγματικό χρόνο. Παράλληλα, η ανάπτυξη βάσεων δεδομένων και διεθνών πλατφορμών ενισχύει τη διαφάνεια και τη συγκρισιμότητα αποτελεσμάτων.

Συνολικά, η έρευνα αναδεικνύει ότι η τηλεπισκόπηση αποτελεί ένα ισχυρό εργαλείο για την παρακολούθηση της πλαστικής ρύπανσης σε μεγάλη κλίμακα, αλλά απαιτείται περαιτέρω τεχνολογική βελτίωση για την ακριβή ανίχνευση μικρότερων σωματιδίων και την ολοκληρωμένη εκτίμηση οικολογικού κινδύνου. Ο συνδυασμός δορυφορικών δεδομένων, επιτόπιων μετρήσεων και προηγμένων μοντέλων ανάλυσης διαμορφώνει το μέλλον της περιβαλλοντικής διαχείρισης υδάτινων πόρων.

[[category:Ανίχνευση ρύπανσης υδάτινων όγκων]]

[[category:Υδατικοί Πόροι]]

Λεκάκης Μιχάλης

2026-02-23T21:50:55Z

MICHAIL LEKAKIS:

[[Πώς οι επιλογές τηλεπισκόπησης επηρεάζουν τα αποτελέσματα παρακολούθησης και αξιολόγησης οικοσυστημικών υπηρεσιών]]

[[Έρευνα μέσω της τηλεπισκόπησης για τα πλαστικά σε θαλάσσια και εσωτερικά ύδατα: Εξέλιξη, ευκαιρίες και προκλήσεις]]

[[Αποτελεσματικότητα της χρήσης της τηλεπισκόπησης για την παρακολούθηση ανθίσεων φυκών και κυανοβακτηρίων]]

[[Εντοπισμός της δυνατότητας για πράσινες στέγες με χρήση τηλεπισκόπησης και Γεωγραφικών Συστημάτων Πληροφοριών (GIS)]]

[[Η φασματική ποικιλότητα ως δείκτης παρακολούθησης για την αρχική πρόοδο της οικολογικής αποκατάστασης στον Ανατολικό Αμαζόνιο]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο) ]]

Πώς οι επιλογές τηλεπισκόπησης επηρεάζουν τα αποτελέσματα παρακολούθησης και αξιολόγησης οικοσυστημικών υπηρεσιών

2026-02-23T21:40:41Z

MICHAIL LEKAKIS:

'''Πρωτότυπος τίτλος:''' ''How remote sensing choices influence ecosystem services monitoring and evaluation results of ecological restoration interventions''

'''Μεταφρασμένος τίτλος''' ''Πώς οι επιλογές τηλεπισκόπησης επηρεάζουν τα αποτελέσματα παρακολούθησης και αξιολόγησης οικοσυστημικών υπηρεσιών σε παρεμβάσεις οικολογικής αποκατάστασης''

'''Συγγραφείς:''' Trinidad del Río-Mena, Louise Willemen, Anton Vrieling, Andy Nelson

'''Δημοσιεύθηκε:''' Ecosystem Services 64 (2023) 101565

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1016/j.ecoser.2023.101565]

'''Λέξεις-Κλειδιά:''' ''Τηλεπισκόπηση, Οικοσυστημικές υπηρεσίες, Οικολογική αποκατάσταση, Παρακολούθηση και αξιολόγηση, Δείκτες βλάστησης''

'''1. Εισαγωγή'''

Η υποβάθμιση του παγκόσμιου περιβάλλοντος (εδάφη, αέρας, υδάτινοι πόροι) αποτελεί μία από τις σημαντικότερες περιβαλλοντικές προκλήσεις του 21ου αιώνα, επηρεάζοντας άμεσα τη βιοποικιλότητα, τη σταθερότητα των οικοσυστημάτων και την ανθρώπινη ευημερία. Στο πλαίσιο της «Δεκαετίας των Ηνωμένων Εθνών για την Αποκατάσταση των Οικοσυστημάτων» (2021–2030), η οικολογική αποκατάσταση αναγνωρίζεται ως βασική στρατηγική για την αντιστροφή της περιβαλλοντικής υποβάθμισης. Ωστόσο, η αποτελεσματικότητα των παρεμβάσεων αποκατάστασης πρέπει να τεκμηριώνεται με αξιόπιστες μεθόδους παρακολούθησης και αξιολόγησης.
Η τηλεπισκόπηση (Remote Sensing – RS), μέσω δορυφορικών δεδομένων όπως των αποστολών Landsat και Sentinel-2, προσφέρει τη δυνατότητα συνεχούς, χωρικά εκτεταμένης και χρονικά επαναλαμβανόμενης παρακολούθησης οικοσυστημικών υπηρεσιών. Παρά τα πλεονεκτήματα αυτά, η πληθώρα διαθέσιμων δεδομένων και μεθοδολογικών επιλογών συνεπάγεται πως πρέπει να ληφθούν κρίσιμες αποφάσεις σχετικά με την επιλογή δεικτών, χρονικών περιόδων, σημείων ελέγχου και αισθητήρων.
Σκοπός του άρθρου είναι η διερεύνηση για το πώς αυτές οι επιλογές τηλεπισκόπησης επηρεάζουν τα αποτελέσματα αξιολόγησης παρεμβάσεων οικολογικής αποκατάστασης, χρησιμοποιώντας ως μελέτη περίπτωσης την περιοχή Baviaanskloof στην Νότια Αφρική.

'''2. Μεθοδολογία'''

Η έρευνα βασίστηκε σε παρεμβάσεις αναβλάστησης που πραγματοποιήθηκαν μεταξύ 2010–2015 στην περιοχή Baviaanskloof (Eastern Cape, Νότια Αφρική), με φύτευση του είδους Portulacaria afra (spekboom), ενός ανθεκτικού, παχύφυτου φυτού με υψηλή ικανότητα δέσμευσης άνθρακα και σημαντική αξία για τη βόσκηση της άγριας πανίδας. Η περιοχή χαρακτηρίζεται από ημι-άνυδρο κλίμα και έντονα φαινόμενα υποβάθμισης λόγω υπερβόσκησης, γεγονός που την καθιστά ιδανική περίπτωση μελέτης για την αξιολόγηση της αποτελεσματικότητας παρεμβάσεων οικολογικής αποκατάστασης.

[[Αρχείο:1.alfalfa.png | right | thumb | Εικόνα 1: Σημεία αποκατάστασης στην περιοχή Baviaanskloof Hartland Bawarea, Νότια Αφρική]]

Αξιολογήθηκαν δύο οικοσυστημικές υπηρεσίες:
<blockquote>-Παροχή βοσκής, ως ένδειξη παραγωγικότητας και διαθεσιμότητας πράσινης βιομάζας (forage provision)</blockquote>
<blockquote>-Πρόληψη διάβρωσης, η οποία συνδέεται με την κάλυψη του εδάφους και τη μείωση της επιφανειακής απορροής (erosion prevention)</blockquote>

Αρχικά πραγματοποιήθηκαν επιτόπιες μετρήσεις (2017) για την εκτίμηση της φυτοκάλυψης, της πράσινης βιομάζας και της δομής της βλάστησης. Τα δεδομένα αυτά χρησιμοποιήθηκαν για τη βαθμονόμηση και επικύρωση μοντέλων συσχέτισης μεταξύ δεικτών τηλεπισκόπησης (όπως NBR, BSI, IRECI) και των μετρούμενων οικοσυστημικών υπηρεσιών. Οι δείκτες επιλέχθηκαν λόγω της ικανότητάς τους να αποτυπώνουν μεταβολές στη φυτική ζωτικότητα, στη γυμνή επιφάνεια εδάφους και στη φωτοσυνθετική δραστηριότητα.

Για την αξιολόγηση των παρεμβάσεων εφαρμόστηκε το σχήμα Before-After-Control-Impact (BACI), επιτρέποντας τη διάκριση των επιδράσεων της αποκατάστασης από τη φυσική διακύμανση του οικοσυστήματος. Η μελέτη εξέτασε πέντε βασικές επιλογές τηλεπισκόπησης: αριθμό και χωρική κατανομή σημείων ελέγχου, ενδοετήσια επιλογή εικόνων, περίοδο αναφοράς και επιλογή δορυφορικού αισθητήρα (Landsat-8 OLI έναντι Sentinel-2 MSI).

Για την αξιολόγηση των παρεμβάσεων εφαρμόστηκε το σχήμα Before-After-Control-Impact (BACI), το οποίο συγκρίνει τις μεταβολές σε περιοχές παρέμβασης και ελέγχου πριν και μετά την εφαρμογή της αποκατάστασης.
Η μελέτη εξέτασε πέντε βασικές επιλογές τηλεπισκόπησης:
-Αριθμός σημείων ελέγχου (20 vs 100 pixels)
-Χωρική κατανομή σημείων ελέγχου
-Ενδοετήσια επιλογή εικόνων (ελάχιστες ή μέγιστες ετήσιες τιμές)
-Επιλογή περιόδου αναφοράς (“before period”)
-Επιλογή δορυφορικού αισθητήρα (Landsat-8 OLI vs Sentinel-2 MSI)

Τα δεδομένα αναλύθηκαν στο περιβάλλον Google Earth Engine, επιτρέποντας πολυετή χρονοσειρά (2000–2020) και συνεπή επεξεργασία. Επιπλέον, εφαρμόστηκε μη επιβλεπόμενη ταξινόμηση ISODATA για τον διαχωρισμό συστάδων βλάστησης με διαφορετικό αρχικό επίπεδο υποβάθμισης, διασφαλίζοντας ότι η αξιολόγηση των παρεμβάσεων λαμβάνει υπόψη την προϋπάρχουσα οικολογική κατάσταση κάθε θέσης

[[Αρχείο:1.alfa.png | right | thumb | Εικόνα 2: Διάγραμμα ροής ελέγχου παρεμβάσεων αποκατάστασης μέσω τηλεπισκόπησης]]

'''3. Αποτελέσματα'''

Τα αποτελέσματα ανέδειξαν ότι οι επιλογές τηλεπισκόπησης μπορούν να επηρεάσουν σημαντικά την ερμηνεία της επιτυχίας μιας παρέμβασης αποκατάστασης.
Η ενδοετήσια επιλογή εικόνων (μέγιστες vs ελάχιστες τιμές δείκτη) είχε τον ισχυρότερο αντίκτυπο. Σε ορισμένες περιπτώσεις, η χρήση μέγιστων ετήσιων τιμών υποδείκνυε μηδενική ή περιορισμένη επίδραση της αποκατάστασης, ενώ η χρήση ελάχιστων τιμών έδειχνε θετικό αποτέλεσμα. Σε έως και 50% των περιπτώσεων παρατηρήθηκαν αντίθετα συμπεράσματα ανάλογα με την επιλογή αυτή.
Η περίοδος αναφοράς επίσης επηρέασε σημαντικά τα αποτελέσματα. Η σύγκριση μιας μακρινής ιστορικής περιόδου (1989–1990) με μια πιο πρόσφατη (2009–2011) οδήγησε σε διαφορετικές εκτιμήσεις της επίδρασης, καταδεικνύοντας τη σημασία της χρονικής βάσης σύγκρισης.
Αντίθετα, ο αριθμός και η κατανομή σημείων ελέγχου επηρέασαν λιγότερο τα τελικά αποτελέσματα, αν και μεγαλύτερος αριθμός σημείων αύξανε τη στατιστική σταθερότητα.
Όσον αφορά τη σύγκριση αισθητήρων, οι Landsat-8 και Sentinel-2 παρήγαγαν παρόμοιες χρονικές τάσεις στην εκτίμηση της πρόληψης διάβρωσης, αν και οι απόλυτες τιμές διέφεραν ελαφρώς λόγω διαφορετικής χωρικής και φασματικής ανάλυσης.
Σημαντικό εύρημα ήταν ότι οι λιγότερο υποβαθμισμένες περιοχές παρουσίαζαν μεγαλύτερη ευαισθησία στις μεθοδολογικές επιλογές, ενώ οι έντονα υποβαθμισμένες περιοχές εμφάνιζαν πιο σταθερά αποτελέσματα.

Εν κατακλείδι, η μελέτη καταδεικνύει ότι οι μεθοδολογικές επιλογές τηλεπισκόπησης μπορούν να οδηγήσουν ακόμη και σε αντικρουόμενα συμπεράσματα σχετικά με την επιτυχία μιας αποκατάστασης. Επομένως, η διαφάνεια, η τεκμηρίωση και η αιτιολόγηση των επιλογών δεδομένων και ανάλυσης είναι κρίσιμης σημασίας για την ορθή αξιολόγηση των παρεμβάσεων οικολογικής αποκατάστασης.

[[category:Οικολογία]]

Εξέλιξη αστικών περιοχών και περιαστικού χώρου

2026-02-22T11:07:29Z

MABJEESH CHRISTINA:

'''Τίτλος: "Εξέλιξη αστικών περιοχών και περιαστικού χώρου: σύστημα παρακολούθησης και αξιολόγησης των αλλαγών των χρήσεων γης με έμφαση στα οδικά αναπτυξιακά έργα"'''

'''Συγγραφέας: ''Μπέσσα Κωνσταντία'''''

'''Πηγή: '''https://freader.ekt.gr/eadd/index.php?doc=23052&lang=el'''

[[Εικόνα:τυπος_αλλαγης.png|thumb|right|'''Εικόνα 1:''' Τύποι παρατηρούμενων αλλαγών στις χρήσεις γης]]
[[Εικόνα:Τοπογραφικός_χάρτης_της_Θεσσαλονίκης.png|thumb|right|'''Εικόνα 2:''' Τοπογραφικός χάρτης της Θεσσαλονίκης (1909)]]
[[Εικόνα:Χωρική_εξέλιξη_περιφερειακής_οδού_(ανατολικό_τμήμα).png|thumb|right|'''Εικόνα 3:''' Χωρική εξέλιξη περιφερειακής οδού (ανατολικό τμήμα)]]

[[Εικόνα:Αναθεωρημένο_και_επικαιροποιημένο_ρυθμιστικό_σχέδιο_του_2009_στον_τομέα_των_μεταφορών..png|thumb|right|'''Εικόνα 4:''' Αναθεωρημένο και επικαιροποιημένο ρυθμιστικό σχέδιο του 2009 στον τομέα των μεταφορών.]]

== '''Εισαγωγή''' ==

Στόχος της έρευνας είναι ο προσδιορισμός και η ανάπτυξη μιας κατάλληλης μεθοδολογίας για την απεικόνιση, την παρακολούθηση και την αξιολόγηση των αλλαγών στις χρήσεις γης στον περιαστικό χώρο, με ιδιαίτερη έμφαση στην επίδραση των οδικών αναπτυξιακών έργων. Η μελέτη επιδιώκει να κατανοήσει τη δυναμική και τα χωρικά πρότυπα των μεταβολών σε διαφορετικές χωρικές και χρονικές κλίμακες, να αναδείξει τις συγκρούσεις μεταξύ ανταγωνιστικών χρήσεων γης και να συμβάλει στη βελτίωση του χωρικού και περιβαλλοντικού σχεδιασμού.

Η ανάλυση εστιάζει στην περιαστική ζώνη της Θεσσαλονίκης, όπου οι μεταφορικές υποδομές λειτούργησαν ως καταλύτες μετασχηματισμού του χώρου. Η ενσωμάτωση δεικτών και Γεωγραφικών Συστημάτων Πληροφοριών (GIS) επιτρέπει τη συστηματική και ποσοτική αποτύπωση των αλλαγών.

Πριν από την αξιοποίηση της τηλεπισκόπησης, η μελέτη των αλλαγών στις χρήσεις γης βασιζόταν κυρίως σε επιτόπιες παρατηρήσεις και χαρτογραφικό υλικό. Με την ενσωμάτωση της τηλεπισκόπησης και των GIS κατέστη δυνατή η διαχρονική και ακριβέστερη παρακολούθηση των μεταβολών, προσφέροντας πληρέστερη ανάλυση των χωρικών διεργασιών.

== '''Μεθοδολογία''' ==

Η διατριβή βασίζεται σε πολυμεθοδολογική προσέγγιση, αξιοποιώντας εργαλεία GIS, τηλεπισκοπικά δεδομένα και στατιστική ανάλυση.

Συλλέχθηκαν και συνδυάστηκαν πρωτογενή και δευτερογενή δεδομένα, όπως:

* Χάρτες και ορθοφωτοχάρτες

* Αεροφωτογραφίες

* Θεσμικά και πολεοδομικά στοιχεία

* Στατιστικά δεδομένα της ΕΣΥΕ

Η ανάλυση πραγματοποιήθηκε για δύο διακριτές χρονικές περιόδους:

* 1990–2000

* 2000–2007

Οι χρήσεις γης χαρτογραφήθηκαν και συγκρίθηκαν μέσω χωρικής επικάλυψης (overlay analysis). Αναπτύχθηκε σύστημα δεικτών για την εκτίμηση:

1. Της έντασης των μεταβολών

2. Της έκτασης των αλλαγών

3. Της κατεύθυνσης των χωρικών μετασχηματισμών

Τα βασικά στάδια της ανάλυσης περιλάμβαναν:

1. Συλλογή και προεπεξεργασία δεδομένων

2. Ψηφιοποίηση και κατηγοριοποίηση χρήσεων γης

3. Χωρική επικάλυψη και ανάλυση μεταβολών

4. Υπολογισμό δεικτών αλλαγής

5. Συσχέτιση μεταβολών με οδικές υποδομές

6. Ερμηνεία αποτελεσμάτων

== '''Αποτελέσματα''' ==

Τα αποτελέσματα δείχνουν ότι κατά την περίοδο 1990–2000 σημειώθηκαν έντονες και χωρικά άνισες αλλαγές χρήσεων γης στην περιαστική περιοχή της Θεσσαλονίκης.

Παρατηρείται:

* Σημαντική επέκταση της αστικής και βιομηχανικής χρήσης

* Μείωση της γεωργικής γης

* Χωρική συγκέντρωση των μεταβολών κατά μήκος βασικών οδικών αξόνων

Οι μεταβολές είναι εντονότερες σε περιοχές υψηλής προσβασιμότητας και κοντά σε νέες μεταφορικές υποδομές, επιβεβαιώνοντας τον ρόλο των οδικών έργων ως καταλυτών αστικοποίησης

Παράλληλα, η ανάπτυξη εμφανίζεται κατακερματισμένη και συχνά άναρχη (urban sprawl), γεγονός που δυσχεραίνει τον χωρικό έλεγχο και επιβαρύνει το περιβάλλον.

== '''Συμπεράσματα''' ==

Η εφαρμογή της προτεινόμενης μεθοδολογίας στην περιαστική ζώνη της Θεσσαλονίκης απέδειξε ότι ο συνδυασμός GIS, τηλεπισκόπησης και συστήματος δεικτών αποτελεί αποτελεσματικό εργαλείο για τη διαχρονική παρακολούθηση των αλλαγών χρήσεων γης.

Τα οδικά αναπτυξιακά έργα διαδραματίζουν καθοριστικό ρόλο στη διαμόρφωση του περιαστικού χώρου, επηρεάζοντας την κατεύθυνση και την ένταση της αστικής επέκτασης. Η μελέτη συμβάλλει στην κατανόηση των χωρικών μετασχηματισμών και παρέχει χρήσιμα εργαλεία για τον χωρικό και περιβαλλοντικό σχεδιασμό.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Μεροληψία σε Παρελθόντα Τοπία: Απορρίμματα σε εγκαταλελειμμένες σοβιετικές πυρηνικές βάσεις του Ψυχρού Πολέμου στην Πολωνία

2026-02-22T00:03:22Z

MATRAKOUKA ELEFTHERIA:

'''Πρωτότυπος τίτλος:''' Past Landscapes of Bias: Refuse at Abandoned Cold War Soviet Nuclear Bases in Poland [[Αρχείο:Map sovietn.png|200px|thumb|right| Εικόνα 1:Τοποθεσίες των σοβιετικών τακτικών πυρηνικών βάσεων στην Πολωνία.]]

'''Συγγραφέας:''' Grzegorz Kiarszys[[Αρχείο:Templewo.png|200px|thumb|right| Εικόνα 2:Τοποθεσίες Η πυρηνική βάση Templewo (Αντικείμενο 3003) στο πέρασμα του χρόνου. α) Δορυφορική εικόνα CORONA, 27 Ιουλίου 1969· β) Δορυφορική εικόνα HEXAGON, 10 Απριλίου 1979· γ) Δορυφορική εικόνα HEXAGON, 1 Ιουνίου 1982 (τελευταίες αποχαρακτηρισμένες εικόνες)· δ) η βάση Templewo σε κατακόρυφη αεροφωτογραφία που τραβήχτηκε πριν από την κατεδάφισή της, 12 Αυγούστου 1995 (α–γ: δεδομένα ευγενική προσφορά της Γεωλογικής Υπηρεσίας των ΗΠΑ· δ: Κεντρικό Γραφείο Γεωδαισίας και Χαρτογραφίας (GUGiK), Βαρσοβία]]

'''Ημ/νια δημοσίευσης:''' 12 Σεπτεμβρίου 2025

'''Σύνδεσμος πρωτότυπου κειμένου:''' https://www.cambridge.org/core/journals/european-journal-of-archaeology/article/past-landscapes-of-bias-refuse-at-abandoned-cold-war-soviet-nuclear-bases-in-poland/DFD44896EDAD76FACACC0048F1FA1E71

'''Εισαγωγή'''[[Αρχείο:ALS.png|200px|thumb|right| Εικόνα 3:Βάση στο Ποντμπόρσκο (Αντικείμενο 3001). α) Συντελεστής Sky View από το ALS με επάλληλες ερμηνείες και περιγραφές επιλεγμένων κατασκευών· β) αεροφωτογραφία του 2017 της πρώην βάσης. Τα αρχικά σοβιετικά κτίρια είναι ορατά στο ανατολικό τμήμα, τα οποία σήμερα λειτουργούν ως το κρατικό κέντρο κράτησης «Ντόμπροβο». Στο δυτικό τμήμα, διακρίνονται δύο αποθήκες τύπου T-7, οι οποίες αποτελούν πλέον μέρος του Μουσείου Ψυχρού Πολέμου (α & β: δεδομένα ευγενική προσφορά του Κεντρικού Γραφείου Γεωδαισίας και Χαρτογραφίας (GUGiK), Βαρσοβία).]]

----

Ένα σημαντικό πεδίο έρευνας στο οποίο εισχωρεί η επιστήμη της τηλεπισκόπησης είναι αυτό της αρχαιολογίας των σύγχρονων συγκρούσεων η οποία εξετάζει τις πολεμικές συγκρούσεις που έχουν διεξαχθεί σε διεθνές και εθνικό επίπεδο με τη μορφή ή όχι ένοπλης σύγκρουσης. Το παρόν άρθρο υιοθετεί ως περιοχές μελέτης τρεις εγκαταλελειμμένες σοβιετικές τακτικές πυρηνικές βάσεις στα βορειοδυτικά της Πολωνίας. Μέσω της εξέτασης απορριμμάτων της περιοχής επανεξετάζονται οι δηλώσεις στην Συμφωνία της Βαρσοβίας, καθώς παρουσιάζονται σοβαρές αντιφάσεις. [[Αρχείο:SOCIALINTER.png|200px|thumb|right| Εικόνα 4:Μια επιλογή από το κυρίως «πολιτικό» περιεχόμενο των σκουπιδιών στο Templewo. α) Παιδικό παπούτσι, κεραμικός βραστήρας, πλαστικό μελανοδοχείο, στοιχεία πλαστικού όπλου και μια κούκλα· β) μπότα πάνω από το γόνατο και μικρό παπούτσι για τρέξιμο· γ) κομμάτια πλαστικών παιχνιδιών και μπογιές για αφίσες· δ) παιδικές χειμερινές μπότες, ένα σκισμένο μπατζάκι από στρατιωτική προστατευτική στολή από χημικά, σκισμένη στολή με δύο κουμπιά με το σφυροδρέπανο και ένα σπασμένο πιάτο.]]

'''Αντικείμενο έρευνας'''

----

Η αξιολόγηση της μονοδιάστατης χρήσης αρχαιολογικών και τεχνολογικών μεθόδων (remote sensing) και η προβληματική του survivorship bias, μέσα από τη διερεύνση των απορριμμάτων (refuse dumps) στις τρεις εγκαταλελειμμένες σοβιετικές πυρηνικές βάσεις. Οι συγκρούσεις της επιτοπίας έρευνας με τα ιστορικά αρχεία αναδεικνύουν τις συνέπειες της ελλειπούς έρευνας και κριτικής.

'''Μεθοδολογία'''

----

1.δορυφορικές εικόνες

2.αεροφωτογραφίες

3.εδαφικές σαρώσεις με λέιζερ (ALS και TLS)

4.φωτογραφίες από μη επανδρωμένα αεροσκάφη (UAV)

5.μοντελοποίηση δομών από κίνηση (SfM)

6.ιστορικές αεροφωτογραφίες

7.επιτόπια έρευνα

'''Τι είναι το survivor bias;'''

----

Η ιδέα του λογικού σφάλματος επιβίωσης, δηλαδή η τάση να επικεντρωνόμαστε μόνο στα άτομα ή τα αντικείμενα που «επιβίωσαν» από μια διαδικασία επιλογής, αγνοώντας εκείνα που απέτυχαν, οδηγεί σε εσφαλμένα ή υπεραισιόδοξα συμπεράσματα. Το επιχείρημα αυτό εγκολπώθηκε στην μοντέρνα επιστημονική σκέψη χάρις τον μαθηματικό Abraham Wald.

'''Περιοχή μελέτης'''

----

To 1967 ξεκίνησε η κατασκευή τριων τακτικών πυρηνικών βάσεων στην Πολωνία (Εικόνα 1), με το όνομα «Object», ολοκληρώθηκαν το 1969 και καταστράφηκαν το 1990 ολοσχερώς με εντολή των πολωνικών δυνάμεων μετά την αποχώρησή του Σοβιετικού Στρατού. Σύμφωνα με την Πολωνοσοβιετική συμφωνία σκοπός των βάσεων ήταν η μακροπρόθεσμη αποθήκευση πυρηνικών προς χρήση των πολωνικών μονάδων πυραύλων και στρατιωτικής αεροπορίας. Η προσβασιμότητα και η εποπτεία των βάσεων ήταν προνόμιο των Σοβιετικών δυνάμεων. Τα αρχεία που αφορούν λεπτομερείς πληροφορίες για τις εγκαταστάσεις είναι κατεστραμμένα. Η αιτία της επιλεκτικής κατάργησης κάποιων πηγών δεν είναι σαφής καθώς ορισμένες από τις διασώζουσες είναι υψίστης σημασίας.

'''Χωροταξική διάταξη και σχεδίαση των βάσεων'''

----

Οι δορυφορικές εικόνες της CIA ανέδειξαν τις αλλαγές στο τοπίο, ενώ τα δεδομένα ALS διευκόλυνα την χαρτογράφηση των κρυφών εγκαταστάσεων (πχ χαρακώματα, αμυντικές θέσεις). Από την άλλη, οι επίγειες σαρώσεις με λέιζερ των αποθηκών ανέδειξαν την μηχανική τους και οι ιστορικές αεροφωτογραφίες αποτυπώνουν τη σταδιακή διάβρωση των κτιρίων, από το 1995 και ύστερα. Η μοντελοποίηση SfM από εικόνες UAV κατέγραψε λεπτομερέστερα χαρακτηριστικά, όπως τσιμεντένια οχυρά και οχυρώσεις πεδίου. Τέλος, μέσα ποιοτικής έρευνας συνεντεύξεων από Πολωνούς στρατιωτικούς που υπηρέτησαν στις πυρηνικές βάσεις ερμηνεύτηκε το λειτουργκό σκέλος το κατασκευών.

'''''Τα αποτελέσματα της τηλεπισκοπικής ανάλυσης για τη χωροταξική διάταξη :'''''

1) περιορισμένη ζώνη πυρηνικών κεφαλών

2) ζώνη στρατώνων (αταλύματα των αξιωματικών και των στρατιωτών, αποθήκες, τραπεζαρία, κινηματογράφο, ιατρείο και βοηθητικές εγκαταστάσεις)

3) χώροι στάθμευσης φορτηγών μεταφοράς πυρηνικών κεφαλών

Τα παράγωγα της ALS ανέδειξαν και τεκμηρίωσαν τις εργασίες οχύρωσης περιμετρικά των βάσεων, ακόμη και διαβρωμένα μονοπάτια περιπολίας. Από την άλλη πλευρά, η στρατιωτική εμπειρογνωμοσύνη διευκόλυνε την ερμηνεία των σωζόμενων συστημάτων οχύρωσης πεδίου, διασαφηνίζοντας τις στρατηγικές προστασίας των τοποθεσιών από πιθανές επιθέσεις ή μη εξουσιοδοτημένη παρακολούθηση. Το περίπλοκο δίκτυο περιφράξεων, πυλών, χωματόδρομων και κρυφών καταφυγίων φανερώνει τις διαδικασίες έκτακτης εκκένωσης πυρηνικών κεφαλών.

'''Το λογικό σφάλμα επιβίωσης και οι αρχαιολογικές καταγραφές'''

----

Η μεροληψία επιβίωσης συνεπάγεται την εξαγωγή άκριτων και επαγωγικών συμπερασμάτων από ελλιπή σύνολα δεδομένων, χωρίς να αναγνωρίζονται τα εγγενή τους ελαττώματα. Συχνά η αφθονία των δεδομένων από μεθόδους τηλεπισκόπησης ενισχύει την μεροληψία και την έλλειψη κριτική σε αρχαιολογικές μελέτες δημιουργώντας την ψευδαίσθηση κορεσμού πληροφοριών. Η κριτική ανάλυση απέναντι στα διασωζόμενα αρχεία, στην αξιολόγηση των ιστορικών εγγράφων και ευρημάτων καθώς και η πολυεπίπεδη ερμηνεία των γεγονότων, με σκοπό την αποφυγή μονόπλευρης προοπτικής, είναι ζωτικής σημασίας.

'''Επιτόπια έρευνα στις βάσεις'''

----

Στόχος της έρευνας ήταν η εξέταση των χωματερών κοντά στις 3 βάσιεις, οι οποίες είχαν ανιχνευθεί με δορυφορικές εικόνες ALS.Εντοπίστηκαν, αρχικά, πολυάριθμες χωματερές εκτός των τριών βάσεων καθώς και ασυμβίβαστα αντικείμενα με το πλαίσιο, όπως παιδικές μπότες και ρούχα, θραύσματα πλαστικών παιχνιδιών, γυναικεία παπούτσια και γυναικεία ρούχα ( Εικόνα 4).

''Αρχειακή σύγκρουση και νέα στοιχεία''

Νέος κύκλος ερωτημάτων άνοιξε γύρω από τις συνθήκες διαβίωσης στο ελεγχόμενο στρατιωτικό περιβάλλον, καθώς τα αποχαρακτηρισμένα έγγραφα του Ψυχρού Πολέμου δεν κάνουν καμία τέτοια αναφορά. Αντιθέτως, η επίσημη πολιτική για λόγους αντικατασκοπείας ορίζει οι οικογένειες και τα παιδιά να ζουν μακριά από τις πυρηνικές βάσεις. Σε στρατιωτικό φόρουμ βετεράνων του πρώην Σοβιετικού Στρατού, μόνιμων κατοίκων των βάσεων, βρέθηκε φωτογραφικό υλικό με παιδιά σε εθνικές εορτές που επαληθεύει τα παραπάνω ευρήματα καθώς και εκτενής περιγραφή της καθημερινής ζωής.

'''Επανερμηνεία του κοινωνικού μικροκόσμου των σοβιετικών πυρηνικών βάσεων'''

Το υλικό της επιτόπιας έρευνας δείχνει ότι οι τοποθεσίες αυτές δεν αποτελούσαν ενκλάβεια και περίκλειστα εδάφη για το επιλεγμένο στρατιωτικό προσωπικό αλλά κοινωνικούς μικρόκοσμους όπου διαχωριζόταν ο εργασιακός και οικογενειακός χώρος. Υπήρχαν κατοικίες για αξιωματικούς, στρατιώτες και τις οικογένειές τους, χώροι για τις οικογενειακές δραστηριότητες (παιδικά παιχνίδια, σχολεία), κήποι και φυτεύσεις γύρω από κατοικίες. Συνεπώς η επιτόπια έρευνα επέτρεψε μια τεκμηριωμένη ανάλυση γύρω από τις αλλαγές χρήσης του χώρου, κάτι το οποίο δεν ήταν εφικτό με τεχνικές τηλεπισκόπησης.

'''Συμπεράσματα'''

----
Στην παρούσα μελέτη περίπτωσης εξετάζεται κριτικά η χρήση της τηλεπισκόπησης στην αρχαιολογία. Αν και η εναέρια προοπτική έχει επικριθεί ως τεχνητή και αποκομμένη από το κοινωνικοπολιτισμικό πλαίσιο, η πίστη στην αντικειμενικότητα των τεχνικών αυτών παραμένει ισχυρή, ιδιαίτερα στην εποχή των μεγάλων δεδομένων και της «ανάλυσης βάσει δεδομένων». Το βασικό πρόβλημα της έρευνας ήταν το survivor bias. Η απλή επανάληψη της έρευνας με ίδιες μεθόδους αναπαράγει τις αρχικές μεροληψίες. Απαιτείται, αντίθετα, κριτική ενσωμάτωση πολλαπλών μεθόδων και αλλαγή γνωστικής προοπτικής. Συμπερασματικά, η αρχαιολογική ερμηνεία παραμένει πάντα ανοιχτή και μη γραμμική, υποχρεώνοντάς μας να επανεξετάζουμε διαρκώς τα δεδομένα μας.

[[category:Αρχαιολογία]]

Από τον μετριασμό των πλημμυρών έως την περιβαλλοντική και κοινωνικοοικονομική διαταραχή:Μελέτη περίπτωσης της ρήξης της άμμου Langue de Barbarie

2026-02-21T23:49:44Z

MATRAKOUKA ELEFTHERIA:

Πρωτότυπος τίτλος: From Flood Mitigation to Environmental and Socioeconomic Disruption: A Case Study of the Langue de Barbarie Sand Spit Breach[[Αρχείο:Senegal.png|200px|thumb|right| Εικόνα 1:Η περιοχή μελέτης: κάτω δέλτα του ποταμού Σενεγάλης (βορειοδυτικά της Σενεγάλης, στην περιοχή της πόλης Saint-Louis). ]]
Συγγραφέας: Souleymane Fall
Σύνδεσμος πρωτότυπου κειμένου: https://www.mdpi.com/2306-5338/12/4/97[[Αρχείο:Changes.png|200px|thumb|right| Εικόνα 2: Εξέλιξη της ρήξης κατά μήκος της αμμώδους κοίλης γης Langue de Barbarie από τις 3 Οκτωβρίου 2003 έως τις 25 Μαΐου 2004. Το βέλος που εμφανίζεται στο τέταρτο πλαίσιο (25 Μαΐου 2004) υποδεικνύει την κατεύθυνση προς την υπεράκτια γραμμή. (Φωτογραφίες από τον Ibrahima Diop, Service Hydraulique de la Ville de Saint-Louis). ]]

'''1. Εισαγωγή'''[[Αρχείο:Breachevol.png|200px|thumb|right| Εικόνα 3: Εξέλιξη της διάνοιξης βάσει δορυφορικών εικόνων Landsat (2003–2025). ]]

----

Η μελέτη εξετάζει τις μακροπρόθεσμες, σε κοινωνικοοικονομικό και περιβαλλοντικό επίπεδο, συνέπειες της τεχνητής διάνοιξης (breach) της αμμώδους λωρίδας Langue de Barbarie, που λειτουργούσε ως φυσικό φράγμα μεταξύ του Ατλαντικού Ωκεανού και του ποταμού Senegal River, κοντά στην πόλη Saint-Louis (Εικόνα 1). Ο αρχικός σκοπός της παρέμβασης ήταν η άμεση εκτόνωση πλημμυρικού κινδύνου και η προστασία της αστικής ζώνης και των υποδομών.

'''2. Φυσικό και Γεωμορφολογικό Πλαίσιο'''[[Αρχείο:Env imm.png|200px|thumb|right| Εικόνα 4:Εξέλιξη της ακτής και των όχθων του ποταμού Σενεγάλης στην περιοχή του χωριού Doune Baba Dieye από το 2003 έως το 2023, με βάση ιστορικές εικόνες από το Google Map. Αυτή η ακολουθία δείχνει πώς ολόκληρο το χωριό εξαφανίστηκε μετά το άνοιγμα της τεχνητής ρήξης στην αμμώδη σχισμή. Οι κίτρινες ελλείψεις υποδεικνύουν την τοποθεσία του χωριού (συνεχής γραμμή: οι κατασκευές του χωριού εξακολουθούν να υπάρχουν· διακεκομμένη γραμμή: οι κατασκευές έχουν καταστραφεί). ]]

----

1.Στενή, δυναμική αμμώδης λωρίδα.

2.Υψηλή ευασιθησία σε κυματισμό, παλιρροϊκές διεργασίες και μεταφορά ιζήματος.

Κρίσιμη για:

oΡύθμιση αλατότητας

oΠροστασία υγροτόπων

oΣταθερότητα ακτογραμμής

Η τεχνητή τομή για αντιπλημμυρική προστασία άλλαξε ριζικά την υδροδυναμική ισορροπία.

'''3. Μεθοδολογία'''

----

''3.1 Δορυφορική Ανάλυση''

Χρονική σύγκριση εικόνων (πριν και μετά το 2003).

Παρακολούθηση της περιοχής ως προς τη:

oΔιεύρυνση του καναλιού

oΜετατόπιση ακτογραμμής

oΜεταβολή ιζηματογένεσης

''3.2 Χωρική ανάλυση''

Μεταβολές μορφολογίας

Στάδια διάβρωσης

Μεταβολή υδρολογικής συνδεσιμότητας

''3.3 Δευτερογενή δεδομένα''

Υδρολογικά στοιχεία

Κοινωνικοοικονομικές καταγραφές

Τοπικές μαρτυρίες και στατιστικά

'''4. Δορυφορικά Δεδομένα'''

----

Χρήση δορυφορικών εικόνων USGS (Landsat archive)

Μέση χωρική ανάλυση (~30 m).

Διαχρονική κάλυψη δεκαετιών.

Δυνατότητα συγκριτικής ανάλυσης pre- και post-breach.

'''5.Τεχνική παρακολούθηση'''

----

''5.1. Multi-Temporal Analysis''

'''a.Χρονική Σύγκριση Ακτογραμμής'''

Ψηφιοποίηση ακτογραμμής από κάθε χρονική φάση.

Επικάλυψη (overlay analysis) σε GIS περιβάλλον

''Υπολογισμός:''

oΡυθμού διάβρωσης

oΡυθμού προχώρησης (progradation)

oΜετατόπισης καναλιού

'''b.Change Detection'''

Εντοπισμός περιοχών απώλειας εδάφους.

Εντοπισμός νέων υδάτινων επιφανειών.

Παρακολούθηση διεύρυνσης του στομίου.

Η διαδικασία βασίζεται:

1.Σε φασματική διαφοροποίηση νερού–ξηράς.

2.Σε thresholding για διαχωρισμό υδάτινων σωμάτων.

'''6. Περιορισμοί'''

----

''Βασικοί περιορισμοί στη μεθοδολογία:''

Ο περιορισμός ακρίβειας μικρής κλίμακας λόγω μέσης χωρικής ανάλυσης (30 m)

Η έλλειψη υψηλής ανάλυσης DEM για μορφοδυναμική μοντελοποίηση

Η απουσία αριθμητικού υδροδυναμικού μοντέλου

Η περιορισμένη άμεση φασματική ανάλυση της αλατότητας

'''7. Συνέπειες'''

----

''7.1 Περιβαλλοντικές''

Η τεχνητή διάνοιξη οδήγησε αρχικά σε υδροδυναμικές αλλαγές, όπως αύξηση της παλιρροϊκής εισχώρησης, ενίσχυση της θαλάσσιας διείσδυσης και μεταβολή στη ροή του ποταμού. Η ενίσχυση της θαλάσσιας διείσδυσης επέτρεψε την είσοδο του θαλασσινού νερού σε υπόγειους υδροφορείς με αποτέλεσμα την υφαλμήρωση των γεωργικών εδαφών και κατ’ επέκταση την μείωση τη αγροτικής παραγωγικότητας. Από την άλλη, η ταχεία διάνοιξη και διεύρυνση του καναλιού οδήγησε στην κατάρρευση της ακτογραμμής και την καταστροφή των οικιστικών ζωνών (Εικόνα 4). Τέλος σε οικολογικό επίπεδο, σημειώθηκε σημαντική απώλεια υγροτοπικών οικοσυστημάτων, συνέπεια που μετακυλά στην ισορροπία των τροφικών αλυσίδων και στην βιοποικιλότητα.

''7.2 Κοινωνικοοικονομικές''

Σε κοινωνικοοικονομικό επίπεδο, σημειώθηκε εισοδηματική κατάρρευση των αγροτικών νοικοκυριών μετά την αχρήστευση των καλλιεργήσιμων γαιών. Σημαντικές μεταβολές καταγράφηκαν και στην αλιεία με μείωση της παραγωγής και συνεπώς την εισοδηματική αστάθεια. Οι νέες συνθήκες στον πρωτογενή τομέα προξένησαν σημαντική κοινωνική αναδιάρθρωση στην περιοχή με μετακινήσεις πληθυσμού, απώλεια κατοικιών και μείωση του βιοτικού επίπεδου. Σε αυτήν την κρίσιμη συνθήκη, καθοριστικό ρόλο διαδραμάτισε ο γυναικείος πληθυσμός ο οποίος ενίσχυσε την τοπική ανθεκτικότητα μέσα από εναλλακτικές δραστηριότητες ( πχ παραγωγή αλατιού, μεταποίηση), αλλάζοντας τις κοινωνικές δυναμικές.

'''8. Συμπεράσματα'''

----

Συμπερασματικά, η τεχνητή διάνοιξη μείωσε από την μία τον άμεσο πλημμυρικό κίνδυνο αλλά αποσταθεροποίησε βαθιά τη λειτουργία του οικοσυστήματος φέρνοντας θεμελιώδεις μεταβολές στον αγροτικό και αλιευτικό τομέα και κατ’ επέκταση στην κοινωνικοοικονομικές ισορροπίες. Τέλος, τονίζεται η ανάγκη για μια ολιστική παράκτια διαχείριση που θα συνυπολογίζει μελλοντικά τόσο τους περιβαλλοντικούς όσο και τους ανθρώπινους παράγοντες.

[[category:Υδατικοί Πόροι]]

Σωλήνες λάβας στη Γη, τη Σελήνη και τον Άρη: Δυνατότητα ανίχνευσης, εξέλιξης και εξερεύνησης

2026-02-21T23:15:33Z

MATRAKOUKA ELEFTHERIA:

'''Πρωτότυπος τίτλος:''' Lava tubes on earth, the Moon and Mars: Detection, Evolution, and exploration potential [[Αρχείο:Solines lavas.png|200px|thumb|right|Εικόνα 1: Σχηματική αναπαράσταση των κύριων διεργασιών σχηματισμού σωλήνων λάβας. (A–B) Διεργασίες υπερκρούσης: οι στέγες των σωλήνων μπορούν να σχηματιστούν με συγκόλληση επιπλέουσας κρούστας (C–D) Διεργασίες ρηχού πληθωρισμού: διαδοχικά γεγονότα πληθωρισμού και καθοδική διάβρωση σε λάβες pāhoehoe (E–F) Βαθύς πληθωρισμός και θερμική/μηχανική διάβρωση: συγχώνευση πρωτοσωλήνων]]

'''Συγγραφείς:''' Juan M. Losarcos, Andrew J. Dombard [[Αρχείο:Field notebooks.png|200px|thumb|right|Εικόνα 2: Σημειωματάριο πεδίου, απεικονίσεις του αγωγού λάβας Schurtshelir στην Ισλανδία του 1860. Από Forbes ]]

'''Ημ/νια δημοσίευσης:''' 15 Δεκεμβρίου 2025 [[Αρχείο:Coceptual ill.png|200px|thumb|right|Εικόνα 3:Εννοιολογική απεικόνιση μιας πιθανής ανθρώπινης βάσης μέσα σε έναν σεληνιακό σωλήνα λάβας, που βρίσκεται μέσα στον βασαλτικό φλοιό. Ο σωλήνας λάβας προσφέρει φυσική προστασία από σημαντικούς επιφανειακούς κινδύνους όπως η κοσμική ακτινοβολία, οι ακραίες διακυμάνσεις της θερμοκρασίας και η πρόσκρουση μετεωριτών. ]]

'''Σύνδεσμος πρωτότυπου κειμένου:''' https://link.springer.com/article/10.1007/s11214-025-01260-9

'''Εισαγωγή'''

----

Το άρθρο αποτελεί ενδελεχή επισκόπηση των σωληνοειδών κοιλοτήτων λάβας (lava tubes) σε τρία πλανητικά περιβάλλοντα: Γη, Σελήνη και Άρης. Σκοπός του άρθρου είναι:
1. Κατανόηση της μορφολογίας και της γενετικής ανάπτυξης των lava tubes σε διαφορετικά πετρωματικά και βαρυτικά περιβάλλοντα.
2. Ανασκόπηση των μεθόδων ανίχνευσης και χαρτογράφησης, από την επιτόπια εξερεύνηση στη Γη μέχρι χρήση απομακρυσμένης τηλεπισκόπησης στον Άρη και στη Σελήνη.
3. Αξιολόγηση της δυνατότητας χρήσης των lava tubes για μελλοντικές εργασίες, συμπεριλαμβανομένης της γεωλογικής μελέτης και της ανθρώπινης/ρομποτικής εξερεύνησης.

'''Γένεση και γεωμορφολογία lava tubes'''
----

Σχηματισμός και Μορφομετρία

• Μηχανισμοί Σχηματισμού στη Γη: Περιγράφονται τρεις κύριοι μηχανισμοί στην Eικόνα 1

• Επικάλυψη με κρούστα (Overcrusting): Η επιφάνεια της λάβας σε ένα ανοιχτό κανάλι ψύχεται και στερεοποιείται, σχηματίζον μια στέγη. Αυτό μπορεί να συμβεί με:

Πλευρική ανάπτυξη στερεοποιημένων τοιχωμάτων.

Συσσώρευση σταγόνων λάβας (spatter) στα χείλη.

Σύνδεση πλωτών πλακών (rafts) στην επιφάνεια.

• Άλλοι μηχανισμοί: ρηχή διόγκωση/shallow inflation και βαθιά διόγκωση/deep inflation

'''Μεθοδολογίες ανίχνευσης'''

----

• Επίγεια χαρτογράφηση: Γεωφυσικές μετρήσεις, εξερεύνηση διαμέσου σπηλαιολογικών αποστολών και λεπτομερείς γεωλογικές καταγραφές στους σωλήνες της Γης. (Εικόνα 2)

• Σεληνιακές/Άρειες εφαρμογές: Με χρήση τηλεπισκόπησης από δορυφόρους, εικόνες υψηλής ανάλυσης και δεδομένα βαρύτητας για την υποστήριξη διαθέσιμων υποθέσεων για ύπαρξη υπόγειων διαδρόμων.

'''Σύγκριση πλανητικών περιβαλλόντων'''

----

• Βαρύτητα: Η μειωμένη βαρύτητα της Σελήνης και ιδιαίτερα του Άρη επηρεάζει την κλίμακα και τη διατήρηση των σωλήνων—οι χαμηλότερες δυνάμεις επιτρέπουν μεγαλύτερα ανοίγματα πριν προκαλέσουν κατάρρευση.

• Κλιματολογικοί παράγοντες: Η έλλειψη πυκνής ατμόσφαιρας στη Σελήνη επιτρέπει καλύτερη διατήρηση μορφών μέσω γεωλογικών χρόνων σε σχέση με την επιφανειακή διάβρωση στη Γη και τον Άρη.

'''Εφαρμογές και προοπτικές'''

----

Α) Εξερεύνηση και αστροβιολογία
Το άρθρο υπογραμμίζει ότι οι lava tubes είναι υποσχόμενοι στόχοι για αστροβιολογικές έρευνες επειδή μπορούν να διαφυλάξουν περιβαλλοντικά σταθερά μικροπεριβάλλοντα και ίχνη παλαιότερων υγρών/παγετών (Εικόνα 3).
Β) Οικιστική και ανθρώπινη παρουσία
Τα σωληνοειδή συστήματα είναι ιδιαίτερα ελκυστικά ως φυσικοί καταφύγιοι από κοσμική ακτινοβολία, θερμοκρασιακές ακραίες συνθήκες και μετεωριτικές επιπτώσεις—ιδανικά για βιώσιμες επανδρωμένες βάσεις στη Σελήνη και τον Άρη.

'''Συμπεράσματα'''

----

Οι ηφαιστειακοί σωλήνες (lava tubes) στη Γη, τη Σελήνη και τον Άρη αποτελούν σημαντικές γεωλογικές δομές που προσφέρουν πολύτιμες πληροφορίες για την ηφαιστειακή ιστορία, την πλανητική εξέλιξη και πιθανά βιολογικά αρχεία. Η μελέτη των χερσαίων σωλήνων έχει δημιουργήσει θεμελιώδη μοντέλα για τον σχηματισμό, τη δυναμική ροής και τη δομική σταθερότητά τους, τα οποία εφαρμόζονται για την κατανόηση των αντίστοιχων σεληνιακών και αρειανών σχηματισμών. Στη Σελήνη και τον Άρη, οι σωλήνες λάβας παρουσιάζουν ιδιαίτερο ενδιαφέρον, καθώς προσφέρουν φυσικά προστατευμένα περιβάλλοντα από την ακτινοβολία, τις ακραίες θερμοκρασίες και άλλους επιφανειακούς κινδύνους. Αυτό τους καθιστά ιδανικούς υποψήφιους για μελλοντικές ανθρώπινες και ρομποτικές αποστολές. Η συνεχής ανίχνευση, χαρακτηρισμός και μοντελοποίηση αυτών των δομών είναι επομένως απαραίτητη τόσο για την προώθηση της πλανητικής επιστήμης όσο και για την υποστήριξη της βιώσιμης ανθρώπινης εξερεύνησης του διαστήματος.

[[category:Γεωλογία – Εδαφολογία]]

Ματρακούκα Ελευθερία

2026-02-21T23:11:17Z

MATRAKOUKA ELEFTHERIA:

*[[Σωλήνες λάβας στη Γη, τη Σελήνη και τον Άρη: Δυνατότητα ανίχνευσης, εξέλιξης και εξερεύνησης]]
*[[Χρήση Τηλεπισκόπησης στην Αυτόματη Χαρτογράφηση Γεωλογικών Γραμμικών Στοιχείων του Γρανιτοειδούς Tichka (Δυτικός Υψηλός Άτλας)]]
*[[Δορυφορική Τηλεπισκόπηση για τη Βιολογία των Ωκεανών: Μια Ινδική Προοπτική]]
*[[Από τον μετριασμό των πλημμυρών έως την περιβαλλοντική και κοινωνικοοικονομική διαταραχή:Μελέτη περίπτωσης της ρήξης της άμμου Langue de Barbarie]]
*[[Μεροληψία σε Παρελθόντα Τοπία: Απορρίμματα σε εγκαταλελειμμένες σοβιετικές πυρηνικές βάσεις του Ψυχρού Πολέμου στην Πολωνία]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Μέτσοβο)]]

Χρήση Τηλεπισκόπησης στην Αυτόματη Χαρτογράφηση Γεωλογικών Γραμμικών Στοιχείων του Γρανιτοειδούς Tichka (Δυτικός Υψηλός Άτλας)

2026-02-21T22:33:53Z

MATRAKOUKA ELEFTHERIA:

'''Πρωτότυπος τίτλος:''' Utilisation de la Télédétection dans la Cartographie Automatique des Linéaments Géologiques du Granitoïde de Tichka (Haut Atlas Occidental)[[Αρχείο:Tichka.png|200px|thumb|right|Εικόνα 1: Τοποθεσία περιοχής μελέτης ]]

'''Συγγραφείς:''' Hicham SI Mhamdi, Mohammed Raji, Mostafa Oukassou[[Αρχείο:Lineaments.png|200px|thumb|right|Εικόνα 2:Συνθετικός χάρτης γραμμικών στοιχείων]]

'''Ημ/νία δημοσίευσης:''' 4 Οκτωβρίου 2016

'''Σύνδεσμος πρωτότυπου κειμένου:''' https://www.researchgate.net/profile/Hicham-Si-Mhamdi/publication/310187002_Utilisation_de_la_teledetection_dans_la_cartographie_automatique_des_lineaments_geologiques_du_granitoide_de_Tichka_Haut_Atlas_Occidental/links/587f74b508ae4445c072574f/Utilisation-de-la-teledetection-dans-la-cartographie-automatique-des-lineaments-geologiques-du-granitoide-de-Tichka-Haut-Atlas-Occidental.pdf

'''''Εισαγωγή'''''[[Αρχείο:Densite.png|200px|thumb|right|Εικόνα 3:Χάρτης πυκνότητας γραμμικών σχηματισμών]]
----

Το παρόν άρθρο μελετά πώς μπορούν να χρησιμοποιηθούν δορυφορικές τεχνικές και συστήματα τηλεπισκόπησης για την αυτόματη χαρτογράφηση γεωλογικών γραμμικών δομών (linéaments) σε έναν πολύπλοκο γεωλογικά χώρο — τον γρανιτικό όγκο του Tichka στο Δυτικό Haut Atlas του Μαρόκου. Η περιοχή συνορεύει με σημαντικές τεκτονικές δομές και έχει πολύπλοκο δίκτυο ρωγμών και σχιστότητας.[[Αρχείο:Frequence.png|200px|thumb|right|Εικόνα 4:Συχνότητα κατανομής των γραμμικών σχηματισμών]]

'''Περιοχή μελέτης'''[[Αρχείο:Rosace.png|200px|thumb|right|Εικόνα 5:Κατευθύνσεις γραμμικών σχηματισμών στον γρανιτικό ορεινό όγκο (Α) Ροζέτα προσανατολισμού των γραμμικών σχηματισμών με διάστημα 100 (Β) Συχνότητα του προσανατολισμού των γραμμικών σχηματισμών με διάστημα 200.]]

----

Ο γρανιτικός όγκος του Tichka, στο Haut Atlas Occidental (Δυτικό Άτλας), βρίσκεται περίπου 30χλμ Βόρεια της πόλης Oulad Berhil στο Μαρόκο και χαρακτηρίζεται από ένα πολύπλοκο γεωλογικά περιβάλλον με πάρα πολλές ρωγμές, ρήγματα και τεκτονικές δομές. Ιδιαίτερο ενδιαφέρον παρουσιάζει για πετρογραφία, δομικές ανωμαλίες, και τεκτονική ιστορία.
Στην Tichka εντοπίζεται πλουτωνικό σύμπλεγμα του Ερκυνίου το οποίο τοποθετήθηκε σε ηφαιστειακά-ιζηματογενείς ακολουθίες της Κάτω Κάμβριας . Το παρόν σύμπλεγμα σχηματίζεται κυρίως από πέντε πετρώματα :
1. γάββροι
2. διορίτες
3. γρανοδιορίτες - τοναλίτες
4. μονζαγρανίτες
5. λευκογρανίτες

Οι ζεβρόμορφες δομές ( διορίτη και γρανοδίτη) υποδηλώνουν την ισχυρή ανάμειξη ή και την απουσία αυτής κατά τα διάφορα στάδια τοποθέτησης. Γενικώς το σύνολο διασχίζεται από δίκτυο αναχωμάτων και φλεβών.

'''Δεδομένα'''

----

• Δορυφορική εικόνα Landsat 8 Oli

• ημ/νια λήψης εικόνας : 09 /06/2014

• χωρίς νεφοκάλυψη.

'''Μεθοδολογία'''[[Αρχείο:Schistosite.png|200px|thumb|right|Εικόνα 6: Εκδήλωση σχιστότητας στην κλίμακα της εξόρυξης (Α) Σχιστότητα στον γρανοδιορίτη
η οποία τέμνει διόδους μικρογρανίτη (Β) Σχιστότητα στον μικρογρανίτη που τέμνεται από
ρωγμές (Γ) Σχιστότητα λοξή προς την τεντωμένη γραμμική διαγράμμιση (Δ, Ε) Σχιστότητα στις
ζωνωτές επιφάνειες στον γρανοδιορίτη, η οποία παρουσιάζει διάθλαση που σχετίζεται με την ικανότητα του υλικού (ΣΤ) Σχιστότητα σε βασική φλέβα μέσα στον γρανοδιορίτη.]]

----

Η μεθοδολογία περιλαμβάνει:[[Αρχείο:Reprsentation.png|200px|thumb|right|Εικόνα 7: Παρουσίαση στερεογραφικών μετρήσεων σχιστότητας στους γρανιδιορίτες του Tichka]]

Προεπεξεργασία

• Ραδιομετρική και γεωμετρική διόρθωση.

• Βελτίωση αντίθεσης.

''Ανάλυση Κύριων Συνιστωσών (PCA / ACP)''

• Εφαρμογή στις 7 φασματικές ζώνες.

• Επιλογή Ζώνης 5 και ACP1 ως καταλληλότερων για ανάδειξη γραμμικών δομών

''Εξαγωγή γραμμικών στοιχείων''

• Αυτόματη εξαγωγή (αλγόριθμοι προσανατολισμένων φίλτρων).

• Ημιαυτόματη εξαγωγή.

• Χειροκίνητη φωτοερμηνεία.

• Διόρθωση γεωμετρίας.

• Αφαίρεση μη γεωλογικών γραμμικών στοιχείων (δρόμοι, ποτάμια, κορυφογραμμές).

''Επικύρωση''

• Σύγκριση με Google Earth.

• Προϋπάρχοντα γεωλογικά δεδομένα.

• Εργασίες πεδίου.

''Στατιστική ανάλυση''

• Χάρτης πυκνότητας (Line Density).

• Κατανομή μηκών.

• Ροζέτες προσανατολισμού.

'''Αποτελέσματα'''

----

Με τη χρήση αλγορίθμου Line Density δημιουργήθηκε συνθετικός χάρτη γραμμικών σχηματισμών, με περισσότερα από 600 γραμμικά στοιχεία (Εικόνα 3)

1.Πυκνότητα γραμμικών σχηματισμών : υψηλή πύκνωση στη Νότια και στη Βορειοανατολική ζώνη και χαμηλή πύκνωση στη βόρεια και βορειοδυτική ζώνη (Εικόνα 4).

2.Μήκη γραμμικών σχηματισμών :Το διάγραμμα συχνότητας των μηκών δείχνει κατανομή έως 1600 m με μέγιστη κορυφή 45% για το διάστημα 400 m έως 800 m.

3.Προσανατολισμός των γραμμικών σχηματισμών : Στο διάγραμμα συχνοτήτων (Εικόνα 5) των προσανατολισμών παρουσιάζεται ορισμένη ομοιογένεια στην κατανομή των κατευθύνσεων με ελαφρές αιχμές στην πλευρά ΒΑ-ΝΔ και Α-Δ. Ο προσανατολισμός ΒΑ-ΝΔ είναι κυρίαρχος, συγκεντρώνοντας ποσοστό άνω του 32% των γραμμών.

'''Ερμηνεία και συζήτηση'''

----

Η επεξεργασία δορυφορικών δεδομένων επέτρεψε την αναγνώριση των ορίων της ζεβρόμορφης δομής ( διορίτη και γρανοδιορίτη ) στην νότια ζώνη του γρανιτικού ορεινού όγκου και των γραμμικών σχηματισμών ( πιθανά γραμμικά στοιχεία σχιστότητας), παράλληλα της ζεβρωμένης δομής. Η ερμηνεία της σχιστότητας δεν κατέστη δυνατή αποκλειστικά μέσω δορυφορικών δεδομένων, λόγω του έντονου μορφολογικού αναγλύφου της περιοχής.

Ερμηνεία σχιστότητας:
• η σχιστότητα ποικίλλει ως προς την κατεύθυνση και τη συχνότητα ανάλογα με το
υλικό και την τοποθεσία

• μετρήσεις σχιστότητας στο
γρανιτοειδές της Tichka ( κατά Lagarde & Roddaz ) (Εικόνα 6)

• παρατηρείται παρουσία δομών διάτμησης
δεκαμετρικής κλίσης με προσανατολισμό N125° (Εικόνα 7)
• «πιθανή» παρουσία ζωνών διάτμησης στο εσωτερικό του γρανιτοειδούς (Εικόνα 7)

'''Συμπεράσματα'''

----

Σκοπός της παρούσας εργασίας ήταν η ανάπτυξη μιας μεθοδολογικής προσέγγισης για τη διερεύνηση των γεωλογικών δομών μέσω της ανάλυσης γραμμικών στοιχείων που προέκυψαν από την επεξεργασία δορυφορικών εικόνων του Landsat 8.
Η ανάλυση έδειξε ότι ο προσανατολισμός των γραμμώσεων σχιστότητας στη νότια περιοχή του γρανοδιορίτη παρουσιάζει μια καμπύλωση. Αυτή συμπίπτει με τα όρια της εσωτερικής "ζεβρής" δομής του πετρώματος και αποδίδεται στην παραμόρφωση που προκλήθηκε κατά την Ερκύνια ορογένεση

[[category:Γεωλογία – Εδαφολογία]]

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

2026-02-16T20:26:15Z

TASIOU VASILIKI:

== 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

[https://www.mdpi.com/2220-9964/14/1/30 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.

[[Αρχείο:perioxi_meletis.png | right | thumb | 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.

[[Αρχείο:methodology.png | right | thumb | 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.

[[Αρχείο:elevation_aspect_slope.png | right | thumb | 3. Τοπογραφικοί παράμετροι: (a) DEM, (b) κλίση, and (c) προσανατολισμός. ]]

[[Αρχείο:Spatial representation of accessibility data (a) Distance from streams and (b) distance.png | right | thumb | 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.

=== 3. Αποτελέσματα ===

Τα αποτελέσματα αναδεικνύουν μια δραματική μεταβολή του τοπίου και αυξανόμενους κινδύνους για την επόμενη δεκαετία:

- '''Ιστορική Αστική Επέκταση (1990-2020):'''

Η αστική περιοχή αυξήθηκε από το 13,4% (1990) στο 23,7% (2020) της συνολικής έκτασης. Η καθαρή αύξηση της δομημένης επιφάνειας ανήλθε σε 370,81 km2, η οποία προήλθε κυρίως από τη μετατροπή άγονης γης (-230,64 km2) και υδάτινων πόρων.

- '''Υποβάθμιση Φυσικών Πόρων:'''

Τα υδάτινα σώματα μειώθηκαν δραματικά από το 3,4% στο 1,3% της επικράτειας.Η έκταση του ποταμού Malir συρρικνώθηκε από τα 17,19 km2 στα 5,07 km2 έως το 2020, λόγω έντονης διάβρωσης και ανθρώπινης επέμβασης.

- '''Μελλοντικές Προβλέψεις (2025-2035):'''

Η αστική δόμηση αναμένεται να συνεχίσει την αυξητική της πορεία, φτάνοντας τα 909 km2 έως το 2035. Αντίθετα, η βλάστηση προβλέπεται να μειωθεί περαιτέρω από τα 111 km2 (2020) στα 77 km2 το 2035.

[[Αρχείο:LULC_mellontikes_provlepseis.png | right | thumb | 5. Οι προγνωστικοί χάρτες LULC για (a) το 2025, (b) το 2030 και (c) το 2035 αποκαλύπτουν μια αξιοσημείωτη αύξηση στα εικονοστοιχεία της αστικής κατηγορίας, ενώ εκείνα που σχετίζονται με τις κατηγορίες νερού και βλάστησης παρουσιάζουν μείωση, υποδηλώνοντας μετατροπή σε αστική χρήση γης. ]]

- '''Κίνδυνος Πλημμύρας:'''

Οι προσομοιώσεις δείχνουν ότι οι αστικές περιοχές θα είναι οι πλέον ευάλωτες, με το 66,65% αυτών να βρίσκεται υπό κίνδυνο κατάκλυσης έως το 2035.

- '''Ποσοτικοποίηση Στόχων Βιώσιμης Ανάπτυξης (SDGs):'''

Το άρθρο πρωτοτυπεί υπολογίζοντας το ποσοστό επίτευξης συγκεκριμένων στόχων:

◦ SDG 9 (Βιομηχανία & Υποδομές): 26%

◦ SDG 11 (Βιώσιμες Πόλεις): 18%

◦ SDG 8 (Οικονομική Ανάπτυξη): 16%

◦ SDG 13 (Δράση για το Κλίμα): 13%

◦ SDG 6 (Καθαρό Νερό): 11% (το χαμηλότερο ποσοστό λόγω της μείωσης των υδάτινων σωμάτων)

[[Αρχείο:sdg.png | right | thumb | 6. Ποσοτική συμβολή της αλλαγής στη χρήση γης και της ανάλυσης του κινδύνου πλημμυρών στο Καράτσι στην επίτευξη των Στόχων Βιώσιμης Ανάπτυξης (ΣΒΑ). ]]

=== 4. Συζήτηση ===

Η μελέτη καταλήγει στο συμπέρασμα ότι η τρέχουσα πορεία ανάπτυξης του Καράτσι δεν είναι βιώσιμη.

- '''''Σύνδεση με SDGs:''''' Η άναρχη επέκταση δυσχεραίνει την επίτευξη του Στόχου 11 (Βιώσιμες Πόλεις), καθώς αυξάνει την τρωτότητα σε πλημμύρες και περιβαλλοντική ρύπανση.

- '''''Διαχείριση Παράκτιων Ζωνών:''''' Η καταστροφή των μαγγρόβιων δασών λόγω της αστικοποίησης αφαιρεί μια φυσική άμυνα κατά της ανόδου της στάθμης της θάλασσας.

- '''''Πολιτικές Συστάσεις:''''' Προτείνεται η υιοθέτηση "πράσινων" υποδομών και ο αυστηρός χωροταξικός έλεγχος. Η χρήση των εργαλείων GIS και Τηλεπισκόπησης προτείνεται ως μόνιμος μηχανισμός παρακολούθησης για τις τοπικές αρχές, ώστε να λαμβάνονται αποφάσεις βασισμένες σε πραγματικά δεδομένα.

[[category: Διαχείριση κινδύνων]]

Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΑ και τηλεπισκόπηση δασών και καλλιεργειών

2026-02-16T19:41:08Z

TASIOU VASILIKI:

== Sustainable land use in Moldova: GIS & remote sensing of forests and crops ==

== Βιώσιμη χρήση της γης στη Μολδαβία: ΓΣΠ και τηλεπισκόπηση δασών και καλλιεργειών ==

Aleksandar Valjarevic, Cezar Morar, Ljiljana Brasanac-Bosanac, Tatjana Cirkovic-Mitrovic, Tatjana Djekic, Marija Mihajlovic, Ivica Milevski, Golub Culafic, Milan Lukovic, Liudmyla Niemets, Kateryna Sehida, Gordana Kaplan

[https://www.sciencedirect.com/science/article/pii/S0264837725000481?via%3Dihub Land Use Policy 152 (2025) 107515]

=== 1. Εισαγωγή ===

Το άρθρο εξετάζει τη σημασία των δασών και των γεωργικών εκτάσεων ως κρίσιμων στοιχείων για την περιβαλλοντική σταθερότητα και τη βιοποικιλότητα. Η Δημοκρατία της Μολδαβίας αντιμετωπίζει μια ιδιαίτερη πρόκληση, καθώς διαθέτει ένα από τα χαμηλότερα ποσοστά δασοκάλυψης στην Ευρώπη (μόλις 11,4% της επικράτειας), ενώ ο γεωργικός τομέας είναι κυρίαρχος, με έμφαση στις καλλιέργειες ηλίανθου και σταφυλιών. Η μελέτη στοχεύει στην ανάλυση των χωρικών αλληλεπιδράσεων μεταξύ των δασικών εκτάσεων και αυτών των δύο βασικών καλλιεργειών, προκειμένου να προταθούν στρατηγικές βιώσιμης διαχείρισης γης που εξισορροπούν την οικονομική ανάπτυξη με την προστασία του περιβάλλοντος.

[[Αρχείο:moldova.png | right | thumb | 1. Περιοχή ενδιαφέροντος: Μολδαβία και η τοπολογία της ]]

=== 2. Μεθοδολογία ===

Η έρευνα βασίζεται στην ενσωμάτωση προηγμένων εργαλείων τηλεπισκόπησης και συστημάτων γεωγραφικών πληροφοριών:

[[Αρχείο:flowchart_methodology.png | right | thumb | 2. Σχεδιάγραμμα ροής - Μεθοδολογία]]

'''i. Πηγές και Διαχείριση Δεδομένων'''

Οι ερευνητές αξιοποίησαν ένα ευρύ φάσμα δεδομένων για να καλύψουν τη χρονική περίοδο από το 1996 έως το 2018, αλλά και την τρέχουσα κατάσταση (2021):

''Δορυφορικές Εικόνες:'' Χρησιμοποιήθηκαν δεδομένα από τις αποστολές Sentinel-1 (ραντάρ) και Sentinel-2 (οπτικά δεδομένα) για τη χαρτογράφηση του 2021. Επίσης, αντλήθηκαν ιστορικά δεδομένα από τους δορυφόρους Landsat 7 και 8 για τη σύγκριση των μεταβολών.

''Πλατφόρμα Google Earth Engine (GEE):'' Η χρήση του GEE επέτρεψε την επεξεργασία τεράστιου όγκου δεδομένων στο υπολογιστικό νέφος, ξεπερνώντας τους περιορισμούς των τοπικών υπολογιστών.

''Βάσεις Δεδομένων:'' Ενσωματώθηκαν δεδομένα από το ευρωπαϊκό πρόγραμμα CORINE Land Cover (CLC) για τον προσδιορισμό των χρήσεων γης, καθώς και κτηματολογικά (cadastral) αρχεία της Μολδαβίας για την ιδιοκτησία και τα όρια των εκτάσεων.

'''ii. Προεπεξεργασία και Φασματικοί Δείκτες'''

Πριν την ταξινόμηση, οι εικόνες υποβλήθηκαν σε αυστηρά φίλτρα:

''Cloud Masking:'' Εφαρμόστηκε φίλτρο νεφώσεων κάτω του 5% για τη διασφάλιση καθαρών παρατηρήσεων, με τη χρήση 215 εικόνων για το καλοκαίρι και 200 για τον χειμώνα.

''Υπολογισμός Δεικτών:'' Για τον καλύτερο διαχωρισμό των κλάσεων, υπολογίστηκαν οι δείκτες:

- ''NDVI (Βλάστηση):'' Για τον εντοπισμό των διαφόρων ειδών βλάστησης.

- ''NDWI (Νερό):'' Για τον εντοπισμό υδάτινων όγκων.

- ''NDBI (Δόμηση):'' Για τις αστικές και τεχνητές επιφάνειες.

'''iii. Αλγόριθμος Ταξινόμησης και Επικύρωση'''

Για τη δημιουργία του χάρτη κάλυψης γης 5 κλάσεων (αστικά, καλλιέργειες, δάση, νερό, άγονη γη), ακολουθήθηκε η εξής διαδικασία:

''Support Vector Machine (SVM):'' Χρησιμοποιήθηκε αυτός ο αλγόριθμος επιβλεπόμενης μάθησης, ο οποίος θεωρείται από τους πλέον αξιόπιστους για την ταξινόμηση δορυφορικών εικόνων.

''Δείγμα Εκπαίδευσης:'' Συλλέχθηκαν πάνω από 300 δείγματα εδάφους. Το σύνολο των δεδομένων χωρίστηκε σε 70% για την εκπαίδευση του μοντέλου και 30% για τον έλεγχο της ακρίβειας.

''Αξιολόγηση:'' Η ακρίβεια επικυρώθηκε με τη χρήση της συνολικής ακρίβειας (Overall Accuracy) και του στατιστικού δείκτη Kappa.

'''iv. Εξειδικευμένη Ανάλυση Καλλιεργειών και Κλίματος'''

Ιδιαίτερη έμφαση δόθηκε στον ηλίανθο και τα αμπέλια:

''Λογισμικό DIVA-GIS:'' Χρησιμοποιήθηκε για τον ακριβή υπολογισμό των εκτάσεων συγκεκριμένων καλλιεργειών, λαμβάνοντας υπόψη τις φυσικές ιδιότητες των φυτών.

''Κλιματικά Δεδομένα:'' Ενσωματώθηκαν μετεωρολογικά δεδομένα 30 ετών (θερμοκρασία, βροχόπτωση) για να αναλυθεί πώς οι κλιματικές ακρότητες (π.χ. ξηρασίες) επηρεάζουν τη γεωργική παραγωγή.

'''v. Μοντέλο Ασαφούς Λογικής (Fuzzy MCDM)'''

Για την αξιολόγηση της κοινωνικοοικονομικής πίεσης στα δάση, εφαρμόστηκε το πλαίσιο '''''Pressure-Regional-Response (PRR):'''''

''Fuzzy AHP (Analytic Hierarchy Process):'' Μια μέθοδος λήψης αποφάσεων που ιεραρχεί τα κριτήρια (περιβαλλοντικά, οικονομικά) χρησιμοποιώντας ασαφή λογική για να αντιμετωπιστεί η αβεβαιότητα των δεδομένων.

''Weighted Sum Model:'' Μέσω του QGIS, οι βαθμολογίες της ασαφούς λογικής συνδυάστηκαν για να δημιουργηθούν χάρτες τρωτότητας, που κατατάσσουν τις περιοχές από "πολύ χαμηλή" έως "υψηλή" επικινδυνότητα για υποβάθμιση.

[[Αρχείο:kuries_sunistwses_AHP.png | right | thumb | 3. Χάρτης τρωτότητας ]]

=== 3. Αποτελέσματα ===

'''''Χωρική Κατανομή:''''' Τα δάση της Μολδαβίας είναι εξαιρετικά περιορισμένα και συγκεντρώνονται κυρίως στην κεντρική περιοχή (οροπέδιο Codri), ενώ στο βορρά και το νότο η δασοκάλυψη είναι πολύ αραιή.

'''''Ακρίβεια Μοντέλων:''''' Η ταξινόμηση της κάλυψης γης μέσω GEE επέδειξε υψηλή αξιοπιστία, με συνολική ακρίβεια 90% και συντελεστή Kappa 0,88.

[[Αρχείο:GEE_land-classification_2021.png | right | thumb | 4. Κατανομή γης βάσει του Google Earth Engine ]]

'''''Κλιματικές Επιπτώσεις:''''' Διαπιστώθηκε ότι οι ακραίες ξηρασίες (όπως αυτές του 2007 και του 2020) έχουν προκαλέσει τεράστιες οικονομικές απώλειες στον γεωργικό τομέα, επηρεάζοντας το 80% της επικράτειας και οδηγώντας σε σημαντική μείωση της παραγωγής.

'''''Ευάλωτες Περιοχές:''''' Εντοπίστηκαν ζώνες όπου η γεωργική επέκταση έρχεται σε άμεση σύγκρουση με τις προστατευόμενες δασικές εκτάσεις, αυξάνοντας τον κίνδυνο υποβάθμισης του εδάφους.

=== 4. Συζήτηση ===

Τα αποτελέσματα υπογραμμίζουν την επείγουσα ανάγκη για προσαρμοστικές στρατηγικές χρήσης γης που να λαμβάνουν υπόψη την κλιματική μεταβλητότητα και την αστική εξάπλωση.

'''''Πολιτικές Προστασίας:''''' Η έρευνα προτείνει την ιεράρχηση της αναδάσωσης σε ευάλωτες περιοχές για την αποκατάσταση της οικολογικής ισορροπίας και την πρόληψη της διάβρωσης του εδάφους.

'''''Βιώσιμη Ανάπτυξη:''''' Η εξισορρόπηση μεταξύ της γεωργικής παραγωγικότητας (ιδιαίτερα στον τομέα της οινοποιίας και του ηλίανθου) και της διατήρησης των δασών είναι απαραίτητη για τη μακροπρόθεσμη ανθεκτικότητα των φυσικών πόρων της χώρας.

'''''Τεχνολογική Συμβολή:''''' Η μελέτη αποδεικνύει ότι ο συνδυασμός GIS, Τηλεπισκόπησης και κτηματολογικών δεδομένων παρέχει ένα ισχυρό πλαίσιο για τους λήπτες αποφάσεων, επιτρέποντας τον ακριβή εντοπισμό περιοχών που απαιτούν άμεση παρέμβαση.

[[category: Δασοπονία, Δασική διαχείριση]]

Χρήση τηλεπισκόπησης για τον προσδιορισμό βέλτιστων σεναρίων χρήσης γης και την αντιμετώπιση της αύξησης της ευπάθειας σε κατολισθήσεις

2026-02-16T18:46:07Z

TASIOU VASILIKI:

== 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

[https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]

=== 1. Εισαγωγή ===

[[Αρχείο:1.study area.png | right | thumb | 1.Περιοχή μελέτης και κατανομή του επιπέδου κατολισθήσεων από ανάλυση επιτόπιας επιθεώρησης ]]

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 ===

[[Αρχείο:2.framework.png | right | thumb | 2. Πλαίσιο έρευνας και σενάρια με βάση τα μοντέλα BAU, RSP και LC.]]

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.

- '''''Σενάρια Ανάπτυξης:''''' Εξετάστηκαν τρία σενάρια για το 2049:

1.Business-as-Usual (BAU): Συνέχιση των υπαρχουσών τάσεων χωρίς παρεμβάσεις.

2.Ecological Protection (EP): Εστίαση στην προστασία των δασών και την αναδάσωση.

3.Sustainable Development (SD): Ισορροπία μεταξύ οικονομικής ανάπτυξης και περιβαλλοντικής προστασίας.

- '''''Χαρτογράφηση Επικινδυνότητας (LSM):''''' Η ευπάθεια σε κατολισθήσεις αναλύθηκε με το μοντέλο RF, λαμβάνοντας υπόψη 10 παράγοντες, όπως η κλίση, το υψόμετρο, η λιθολογία, η βροχόπτωση και η χρήση γης.

=== 3. Αποτελέσματα ===

[[Αρχείο:3.results.png | right | thumb | 3. Χάρτες χρήσης γης σε σειρά, με βάση τα βασικά δεδομένα (a) 2017, (b) 2019, (c) 2021, (d) 2022.]]

[[Αρχείο:4.differences.png | right | thumb | 4. Οπτικοποίηση των διαφορών στη χρήση γης με βάση τα σενάρια BAU, LCC και RSP.]]

- '''''Ιστορική Εξέλιξη:''''' Από το 1999 έως το 2024, παρατηρήθηκε δραματική αύξηση των δομημένων επιφανειών και της καλλιεργήσιμης γης εις βάρος των δασικών εκτάσεων.

- '''''Προβλέψεις για το 2049:'''''

α.Στο σενάριο BAU, η ευπάθεια σε κατολισθήσεις αυξάνεται σημαντικά, καθώς η ανεξέλεγκτη δόμηση επεκτείνεται σε επικίνδυνες πλαγιές.

β.Το σενάριο EP παρουσίασε τη χαμηλότερη επικινδυνότητα, αναδεικνύοντας τη σημασία της δασικής κάλυψης στη σταθεροποίηση του εδάφους.

γ.Το σενάριο SD έδειξε μια ελεγχόμενη αύξηση της επικινδυνότητας, επιτρέποντας την απαραίτητη ανάπτυξη με παράλληλη λήψη μέτρων προστασίας.

- '''''Αξιοπιστία:''''' Το μοντέλο Random Forest επέδειξε υψηλή ακρίβεια πρόβλεψης (AUC > 0.85), επιβεβαιώνοντας την εγκυρότητα των παραγόμενων χαρτών.

=== 4. Συζήτηση ===

[[Αρχείο:5.priority map.png | right | thumb | 5. Χάρτης προτεραιοτήτων αναβλάστησης για την καταπολέμηση των κινδύνων κατολισθήσεων στην περιοχή μελέτης.]]

Η μελέτη υπογραμμίζει ότι η χρήση γης είναι ο μόνος δυναμικός παράγοντας που μπορεί να ελεγχθεί από τον άνθρωπο για τον μετριασμό των φυσικών καταστροφών.

- '''''Πολιτικές Προτάσεις:''''' Οι ερευνητές προτείνουν την υιοθέτηση του σεναρίου Βιώσιμης Ανάπτυξης (SD), το οποίο συνδυάζει τον περιορισμό της δόμησης σε απότομες κλίσεις με τη διατήρηση των δασικών ζωνών.

- '''''Τεχνολογική Συμβολή:''''' Η συνδυαστική χρήση Τηλεπισκόπησης και Random Forests αποδεικνύεται ένα ισχυρό εργαλείο για τις τοπικές αρχές, επιτρέποντας τον προληπτικό χωροταξικό σχεδιασμό.

- '''''Συμπέρασμα:''''' Η μετατροπή των δασών σε γεωργική γη στις ορεινές περιοχές είναι ο κύριος "ένοχος" για την αύξηση των κατολισθήσεων, και η αυστηρή εφαρμογή ζωνών προστασίας είναι απαραίτητη για την ασφάλεια των κατοίκων.

[[category:Διαχείριση κινδύνων ]]

[[category:Κατολισθήσεις ]]

Χαρτογράφηση πλημμυρών και εκτίμηση ζημιών σε καλλιέργειες με χρήση τηλεπισκόπησης πολλαπλών πηγών

2026-02-15T20:10:24Z

APOSTOLOU KYRIAKI:

'''Χαρτογράφηση πλημμυρών και εκτίμηση ζημιών σε καλλιέργειες με χρήση τηλεπισκόπησης πολλαπλών πηγών: Μελέτη περίπτωσης της καταιγίδας "7.27" στην επαρχία Hebei, Κίνα''' 
'''Συγγραφείς''': Wen, C., Sun, Z., Li, H., Han, Y., Gunasekera, D., Chen, Y., Zhang, H., Zhao, X. 
'''Πηγή''': Remote Sensing 2025, 17, 904. https://doi.org/10.3390/rs17050904 

'''1. Σύνοψη '''

Η παρούσα έρευνα στοχεύει στην άμεση αποτύπωση της χωρικής και χρονικής εξέλιξης των πλημμυρικών φαινομένων, καθώς και στην αξιολόγηση των επιπτώσεων στις γεωργικές καλλιέργειες. Η συγκεκριμένη μελέτη επικεντρώνεται στην καταιγίδα «7.27», η οποία έπληξε την πόλη Zhuozhou και τις γύρω περιοχές στην επαρχία Hebei το 2023, προκαλώντας σοβαρά προβλήματα και επισιτιστική ανασφάλεια. Παράλληλα, η έρευνα επικεντρώνεται στην ανάπτυξη μιας μεθοδολογίας για τον ακριβή εντοπισμό των υδάτινων επιφανειών, μέσα από τον συνδυασμό δεδομένων διπλής πόλωσης από συστήματα ραντάρ συνθετικού ανοίγματος (SAR). Αυτή η προσέγγιση προτείνεται για την επίλυση των διαφορών στον προσδιορισμό των χαρακτηριστικών που οφείλονται σε διαφορετικούς τρόπους πόλωσης. Ταυτόχρονα, χρησιμοποιούνται οπτικά δεδομένα για την κατηγοριοποίηση των ζημιών, δημιουργώντας έτσι ένα υπολογιστικό πλαίσιο που λειτουργεί ως σημείο αναφοράς για την αποκατάσταση μετά την καταστροφή και την εκτίμηση του κινδύνου.

<gallery widths="250" heights="250">
Εικόνα: Ar1.eik1.jpg‎|'''Εικόνα 1:''' Χάρτης της περιοχής μελέτης. (πηγή: https://www.mdpi.com/2072-4292/17/5/904)
Εικόνα: Ar1.eik..jpg |'''Εικόνα 2:''' Δορυφορικές εικόνες από την περιοχή μελέτης. (a-c) Δεδομένα από GF-3SAR. (b) Δεδομένα από GF-6. (e) Δεδομένα από Landsat-8 (πηγή: https://www.mdpi.com/2072-4292/17/5/904)
</gallery>

[[ Εικόνα: Ar1.eik2.png | thumb | right |350px| Εικόνα 3: Διάγραμμα ροής για την εξαγωγή και τον προσδιορισμό των χωρικών και χρονικών μεταβολών των πλημμυρών, καθώς και για την εκτίμηση των ζημιών στις καλλιέργειες. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''2. Υλικά'''

Η μελέτη βασίστηκε στη συνδυασμένη χρήση δεδομένων από πολλαπλούς δορυφορικούς δέκτες. Αυτή η προσέγγιση ήταν απαραίτητη για να ξεπεραστούν οι περιορισμοί που προκύπτουν από τις καιρικές συνθήκες (π.χ. εκτεταμένη νεφοκάλυψη) και από την ανάγκη για υψηλή ανάλυση. Συγκεκριμένα, χρησιμοποιήθηκαν δεδομένα SAR από τον δορυφόρο GF-3 (λειτουργία Fine Stripe 2), καθώς αυτή η λειτουργία διευκολύνει τη λήψη εικόνων παρουσία νεφών, το οποίο αποτελεί έναν κρίσιμο παράγοντα για την παρακολούθηση καταιγίδων. Η χωρική ανάλυση των εικόνων GF-3 είναι 10 μέτρα.
Η χρήση δεδομένων από τον δορυφόρο GF-6, που χρησιμοποιεί την υψηλής ανάλυσης πανχρωματική/πολυφασματική κάμερα (PMS), ήταν καθοριστική για τη διευκόλυνση της οπτικής παρατήρησης και χαρτογράφησης των πλημμυρικών ζωνών. Η ανάλυση των πανχρωματικών εικόνων είναι 2 μέτρα, ενώ η ανάλυση των πολυφασματικών εικόνων είναι 8 μέτρα. Επιπλέον, επιλέχθηκαν εικόνες Landsat-8 OLI για τη δημιουργία εποχιακών δεδομένων καλλιεργειών, τα οποία, μετά την επεξεργασία, προσφέρουν ανάλυση 15 μέτρων. Τέλος, εικόνες Sentinel-2 MSI (κανάλια κόκκινου και εγγύς υπέρυθρου) με ανάλυση 10 μέτρων χρησιμοποιήθηκαν για τον υπολογισμό του δείκτη NDVI και την ταξινόμηση των ζημιών.

'''3. Μεθοδολογία'''

Η μεθοδολογία περιελάμβανε τα ακόλουθα στάδια επεξεργασίας εικόνων, από τη στιγμή της απόκτησης έως τη δημιουργία δεδομένων για ανάλυση:
Αρχικά, για τα δεδομένα SAR (GF-3), εφαρμόστηκε η διαδικασία «Multilooking» για τον μετριασμό του θορύβου στίγματος, ακολουθούμενη από φιλτράρισμα με χρήση του φίλτρου Refined Lee. Στη συνέχεια, πραγματοποιήθηκε γεωμετρική διόρθωση με χρήση του ψηφιακού μοντέλου υψομέτρου (DEM) SRTM και ραδιομετρική βαθμονόμηση για τον υπολογισμό του συντελεστή οπισθοσκέδασης σε ντεσιμπέλ (dB).
Δεύτερον, όσον αφορά τα οπτικά δεδομένα, συγκεκριμένα τα GF-6 και Landsat-8, το στάδιο της προεπεξεργασίας περιελάμβανε ραδιομετρική βαθμονόμηση, η οποία μετέτρεψε τις τιμές DN σε τιμές ακτινοβολίας. Στη συνέχεια, εφαρμόστηκε ατμοσφαιρική διόρθωση για την απομάκρυνση των ατμοσφαιρικών επιδράσεων. Ακολούθησε ορθοαναγωγή για τη διόρθωση των γεωμετρικών παραμορφώσεων που προκλήθηκαν από τις διακυμάνσεις του ανάγλυφου. Τέλος, χρησιμοποιήθηκαν τεχνικές συγχώνευσης και ευκρίνειας εικόνων για τη βελτίωση της χωρικής ανάλυσης.

'''''3.1. Χρήση πρόσθετων βάσεων δεδομένων'''''

Τα ακόλουθα βοηθητικά δεδομένα χρησιμοποιήθηκαν για την υποστήριξη της ανάλυσης:
1) Ψηφιακό μοντέλο υψομέτρου (DEM): Χρησιμοποιήθηκαν δεδομένα SRTM με ανάλυση 30 μέτρων για τη δημιουργία μάσκας σε ορεινές περιοχές (κλίση > 5 μοίρες) προκειμένου να γίνει διάκριση μεταξύ των σκιών των βουνών και των υδάτινων σωμάτων στις εικόνες SAR, εξασφαλίζοντας έτσι την ακρίβεια και τη σαφήνεια της ερμηνείας των δεδομένων.
2) Google Earth Engine (GEE): Η πλατφόρμα GEE χρησιμοποιήθηκε για την επεξεργασία των δεδομένων Sentinel-2 και τον υπολογισμό των μέγιστων συνθετικών τιμών NDVI πριν και μετά την καταστροφή.

'''4. Αποτελέσματα'''

'''''4.1. Χαρτογράφηση πλημμυρών''''

Στο πλαίσιο της αποκατάστασης και χαρτογράφησης των πλημμυρών, ο προσδιορισμός των υδάτινων σωμάτων στα δεδομένα SAR διαδραματίζει καθοριστικό ρόλο. Ο δείκτης υδάτινων σωμάτων (WI), που προέρχεται από μια πολύπλευρη ανάλυση των συντελεστών οπισθοσκέδασης διπλής πόλωσης (HH και HV), έχει αναδειχθεί ως αξιόπιστος δείκτης για το σκοπό αυτό. Η μέθοδος αυτή βελτιώνει τη διαφοροποίηση μεταξύ νερού και μη νερού. Το κατώφλι καθορίστηκε χρησιμοποιώντας έναν αλγόριθμο ομαδοποίησης K-means για την αποφυγή υποκειμενικών σφαλμάτων. Επιπλέον, χρησιμοποιήθηκαν οπτικά δεδομένα GF-6 για την αντιμετώπιση των κενών που προέκυψαν από τον κύκλο επανελέγχου του δορυφόρου SAR. Τα ευρήματα έδειξαν ότι η συνολική πλημμυρισμένη έκταση κάλυπτε 700,51 τετραγωνικά χιλιόμετρα, αποτελώντας το 14,10% της περιοχής μελέτης

'''''4.2. Ταξινόμηση καλλιεργειών'''''

Λόγω της απουσίας κυβερνητικών δεδομένων απογραφής κατά τη διάρκεια της καταστροφής, δημιουργήθηκε ένας χάρτης καλλιεργειών με βάση εικόνες Landsat-8. Το μοντέλο Random Forest, που περιλαμβάνει 500 δέντρα αποφάσεων, χρησιμοποιήθηκε για την ταξινόμηση των καλλιεργειών σε τρεις διακριτές κατηγορίες: καλαμπόκι, όσπρια και λαχανικά. Η ακρίβεια της ταξινόμησης αξιολογήθηκε με δείκτη συνολικής ακρίβειας (OA) 96,32% και συντελεστή Kappa 0,95, επιβεβαιώνοντας την αξιοπιστία της μεθόδου.

[[ Εικόνα: Ar1.eik4.jpg | thumb | right |350px| Εικόνα 4: Χωρική κατανομή των καλλιεργειών που επλήγησαν από τις πλημμύρες.(a–c) Aπεικόνιση της κατανομής και της έντασης της ζημιάς για το καλαμπόκι, τα λαχανικά και τα όσπρια, αντίστοιχα. (d) Η ένταση κάθε επιπέδου ζημιάς για τις τρεις καλλιέργειες, εκφρασμένη ως ποσοστό επί της αντίστοιχης έκτασής τους. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''''4.3. Εκτίμηση ζημιών'''''

Η εκτίμηση της έντασης της καταστροφής βασίστηκε στη διαφορά του δείκτη βλάστησης (NDVI) πριν και μετά την πλημμύρα, χρησιμοποιώντας δεδομένα Sentinel-2. Το επίπεδο καταστροφής βάσει του NDVI υπολογίστηκε και ταξινομήθηκε σε έξι κατηγορίες. Τα αποτελέσματα έδειξαν ότι περίπου 40.700 εκτάρια (ha) κύριων καλλιεργειών επηρεάστηκαν, που αντιστοιχεί στο 8,46% της συνολικής έκτασης. Το καλαμπόκι ήταν η καλλιέργεια που επηρεάστηκε περισσότερο, καλύπτοντας 33.700 εκτάρια, ενώ η μέτρια ζημιά αποτέλεσε την κυρίαρχη κατηγορία (37,62%) των πληγείσων περιοχών.

'''5. Συμπέρασμα'''

Η μελέτη έδειξε ότι η πόλη Zhuozhou υπέστη τις πιο σοβαρές ζημιές, με 284,31 τετραγωνικά χιλιόμετρα πλημμυρισμένης γης και 13.700 εκτάρια κατεστραμμένων καλλιεργειών. Η ενσωμάτωση δεδομένων SAR και οπτικών δεδομένων αποδείχθηκε αποτελεσματική, επιτυγχάνοντας υψηλό βαθμό ακρίβειας στην ταξινόμηση των καλλιεργειών (OA > 96%).
Ωστόσο, εντοπίστηκαν ορισμένοι περιορισμοί. Η μέθοδος WI, η οποία βασίζεται στην ομαδοποίηση K-means, έχει παρατηρηθεί ότι έχει την τάση να θολώνει τα όρια μεταξύ των καλλιεργειών και των ρηχών υδάτων. Επιπλέον, η πόλωση HV του GF-3 έδειξε ευαισθησία στις διαταραχές του ανέμου, γεγονός που περιστασιακά οδήγησε σε εσφαλμένες εκτιμήσεις των ρηχών υδάτων. Στο μέλλον, συνιστάται η χρήση μοντέλων βαθιάς μάθησης (π.χ. U-Net) και η ενσωμάτωση χαρακτηριστικών υφής για τη βελτίωση της ακρίβειας των αποτελεσμάτων. Συμπερασματικά, η εργασία αυτή παρέχει πολύτιμα δεδομένα για τη διαχείριση κινδύνων και την αγροτική παραγωγή μετά από καταστροφές.

[[category:Εκτίμηση καταστροφών από πλημμύρες]]

Μακροπρόθεσμη μεταβολή της χιονοκάλυψης στα βουνά Qilian (1986–2024): Μία υψηλής-ανάλυσης με βάση το Landsat ανάλυση

2026-02-15T18:49:43Z

TASIOU VASILIKI:

== Long-Term Snow Cover Change in the Qilian Mountains (1986–2024): A High-Resolution Landsat-Based Analysis ==

Enwei Huang, Guofeng Zhu, Yuhao Wang, Rui Li, Yuxin Miao, Xiaoyu Qi, Qingyang Wang, Yinying Jiao, Qinqin Wang and Ling Zhao

[https://www.mdpi.com/2072-4292/17/14/2497 Remote Sensing 2025, 17, 2497]

=== 1. Εισαγωγή ===
Η κάλυψη χιονιού αποτελεί κρίσιμο στοιχείο της κρυόσφαιρας και ζωτική πηγή νερού για τις άνυδρες περιοχές της βορειοδυτικής Κίνας. Τα βουνά Qilian (QLM), στην βορειοανατολική άκρη του Θιβετιανού Οροπεδίου, λειτουργούν ως οικολογικό φράγμα και περιοχή διατήρησης υδάτων. Λόγω της κλιματικής αλλαγής, η παρακολούθηση του χιονιού είναι απαραίτητη για την πρόβλεψη της διαθεσιμότητας νερού. Ενώ προηγούμενες μελέτες βασίζονταν σε δεδομένα MODIS (χαμηλής ανάλυσης 500m), η παρούσα έρευνα στοχεύει στη δημιουργία του πρώτου προϊόντος χιονιού υψηλής ανάλυσης (30m) για την περίοδο 1986-2024, καλύπτοντας ένα κενό 39 ετών ιστορικών δεδομένων.

[[Αρχείο:Eikona_01.png | right | thumb | 1.Περιοχή ενδιαφέροντος ]]

=== 2. Μεθοδολογία ===
Η μελέτη χρησιμοποίησε μια σύνθετη προσέγγιση τηλεπισκόπησης και στατιστικής ανάλυσης:

'''''α. Δεδομένα και Πηγές (Data Acquisition)'''''

Η μελέτη βασίστηκε σε μια στρατηγική συνδυασμού πολλαπλών αισθητήρων για την επίτευξη συνεχούς παρακολούθησης 39 ετών(1986-2025):

- Χρησιμοποιήθηκαν δεδομένα από τους Landsat 5 TM (1986-1999), Landsat 7 ETM+ (1999-2012), Landsat 8 OLI (2013-2020) και Landsat 9 OLI-2 (2021-2024).

- Η επεξεργασία έγινε μέσω του Google Earth Engine (GEE), το οποίο επέτρεψε την ανάλυση 42.006 εικόνων.

- Χρησιμοποιήθηκαν δεδομένα SRTM (Shuttle Radar Topography Mission) ανάλυσης 30 μέτρων για τον υπολογισμό του υψομέτρου, της κλίσης και του προσανατολισμού.

'''''β. Στρατηγική Κάλυψης Νεφών (Cloud Masking Strategy)'''''

Λόγω της συχνής παρουσίας νεφών στις ορεινές περιοχές, αναπτύχθηκε μια διπλή προσαρμοστική στρατηγική:

- ''Επιεικής (Lenient) Μάσκα:'' Αποκλείει μόνο τα βέβαια νέφη και τις σκιές τους, διατηρώντας το 65-75% των δεδομένων.

- ''Συντηρητική (Conservative) Μάσκα:'' Αποκλείει μόνο τα νέφη υψηλής εμπιστοσύνης, διατηρώντας το 75-85% των δεδομένων, κάτι που είναι κρίσιμο για τους χειμερινούς μήνες όπου τα δεδομένα είναι σπάνια.

'''''γ. Φασματικοί Δείκτες και Προεπεξεργασία'''''

Για την ακριβή αναγνώριση του χιονιού, πραγματοποιήθηκαν οι εξής ενέργειες:

- ''Ραδιομετρική Διόρθωση:'' Μετατροπή των ψηφιακών αριθμών (DN) σε τιμές επιφανειακής ανάκλασης (SR).

- ''Δείκτης NDSI (Normalized Difference Snow Index):'' Υπολογίστηκε με βάση την πράσινη (ρgreen) και τη βραχεία υπέρυθρη ζώνη (ρSWIR1). Ο δείκτης αυτός εκμεταλλεύεται την υψηλή ανακλαστικότητα του χιονιού στο ορατό φως και τη χαμηλή ανάκλασή του στο υπέρυθρο.

'''''δ. Αλγόριθμος Ταξινόμησης Χιονιού Τριών Επιπέδων'''''

Αντί για ένα απλό όριο, χρησιμοποιήθηκε ένα σύστημα τριών επιπέδων εμπιστοσύνης:

1. Βασική Εμπιστοσύνη (Basic): NDSI > 0,3.

2. Μέση Εμπιστοσύνη (Medium): NDSI > 0,35 και επιπλέον φασματικά όρια στο μπλε και υπέρυθρο.

3. Υψηλή Εμπιστοσύνη (High): NDSI > 0,4 με τα πιο αυστηρά κατώφλια ανάκλασης.

Η τελική μάσκα χιονιού προέκυψε από τη λογική ένωση (OR) αυτών των τριών επιπέδων.

'''''ε. Χωρική Παρεμβολή και Συμπλήρωση Κενών'''''

Για τη συμπλήρωση των κενών που προκαλούνται από σύννεφα ή από την αστοχία του αισθητήρα SLC-off του Landsat 7, εφαρμόστηκαν:

- Αλγόριθμος χωρικής παρεμβολής (focal statistics) που χρησιμοποιεί ένα κυκλικό παράθυρο ακτίνας 150 μέτρων για την εκτίμηση των ελλειπουσών τιμών από τα γειτονικά pixel.

- Δημιουργία μηνιαίων σύνθετων εικόνων χρησιμοποιώντας τη διάμεσο τιμή(median compositing), γεγονός που καταστέλλει τον θόρυβο και τις ακραίες τιμές.

'''''στ. Στατιστική Ανάλυση Τάσεων (Trend Analysis)'''''

Η ανάλυση της μεταβολής στον χρόνο έγινε με δύο μη παραμετρικές μεθόδους:

- Sen-Theil Trend Analysis: Χρησιμοποιήθηκε για τον υπολογισμό του ρυθμού μεταβολής (κλίση) της χιονοκάλυψης και του υψομέτρου της χιονογραμμής.

- Mann-Kendall Test: Εφαρμόστηκε για να διαπιστωθεί αν οι παρατηρούμενες τάσεις είναι στατιστικά σημαντικές ή οφείλονται σε τυχαίες διακυμάνσεις.

Αυτή η πολυεπίπεδη προσέγγιση επέτρεψε στους ερευνητές να ξεπεράσουν τους περιορισμούς των παραδοσιακών μεθόδων (όπως το MODIS) και να προσφέρουν μια εικόνα υψηλής ακρίβειας για τις αλλαγές στο χιόνι της περιοχής.

=== 3. Αποτελέσματα ===

Τα κυριότερα ευρήματα της ανάλυσης είναι:

- ''Έκταση Χιονοκάλυψης (SCE):'' Η μέση ετήσια κάλυψη χιονιού στα QLM ανήλθε σε 15,73%. Παρατηρήθηκε μια ελαφρά πτωτική τάση (-0,046% ανά έτος), η οποία όμως δεν κρίθηκε στατιστικά σημαντική.

- ''Μετακίνηση Χιονογραμμής (Snowline):'' Διαπιστώθηκε σημαντική άνοδος της χιονογραμμής, με το μέσο υψόμετρο να αυξάνεται κατά 3,98 m/έτος και το ελάχιστο υψόμετρο κατά 2,81 m/έτος.

- ''Υψομετρική Διαφοροποίηση:'' Η μείωση του χιονιού ήταν εντονότερη σε υψόμετρα άνω των 5000m και σε χαμηλά υψόμετρα (2000-3500m), ενώ οι ενδιάμεσες περιοχές παρέμειναν σχετικά σταθερές.

- ''Εποχικότητα:'' Η μέγιστη κάλυψη καταγράφεται τον Φεβρουάριο (27,5%) και η ελάχιστη τον Αύγουστο (2,8%).

=== 4. Συζήτηση ===

Η έρευνα αναδεικνύει την ανωτερότητα των δεδομένων υψηλής ανάλυσης:

- ''Αξιοπιστία Δεδομένων:'' Η χρήση των Landsat 8 και 9 βελτίωσε σημαντικά την ακρίβεια ανίχνευσης, επιτυγχάνοντας κάλυψη παρατήρησης 93,4%.

- ''Σύγκριση με MODIS:'' Η σύγκριση έδειξε ότι το MODIS υποτιμά συστηματικά την κάλυψη χιονιού στις ορεινές περιοχές (κατά περίπου 8,06%), γεγονός που καθιστά τα δεδομένα Landsat πιο ευαίσθητα και αξιόπιστα για τέτοια περιβάλλοντα.

Τα αποτελέσματα παρέχουν επιστημονικά τεκμήρια για τη διαχείριση των υδάτινων πόρων και τη χάραξη στρατηγικών προσαρμογής στην κλιματική αλλαγή στην ευρύτερη περιοχή. Η άνοδος της χιονογραμμής αποτελεί σαφή δείκτη της επίδρασης της υπερθέρμανσης του πλανήτη στα ορεινά οικοσυστήματα.

[[category:Περιβαλλοντικές Επιπτώσεις]]

[[category:Εκτίμηση φυσικών χαρακτηριστικών]]

Μαμπζής Χριστίνα

2026-02-10T10:50:21Z

MABJEESH CHRISTINA:

* [[Εξέλιξη αστικών περιοχών και περιαστικού χώρου]]
* [[Γεωμορφολογικές και περιβαλλοντικές παρατηρήσεις στη νήσο Νάξο,με τη χρησιμοποίηση μεθόδων τηλεανίχνευσης και G.I.S.]]
* [[Έρευνα γεωμορφολογικών και περιβαλλοντικών μεταβολών στην υδρολογική λεκάνη του Σπερχειού ποταμού με χρήση νέων τεχνολογιών]]
* [[Γεωγραφικά συστήματα πληροφοριών και αρχαιολογική έρευνα: νέες πειραματικές εφαρμογές]]
* [[Βάσεις δασοτεχνικών δεδομένων στο κτηματολόγιο]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα) ]]

Incorporating Drone and AI to Empower Smart Journalism via Optimizing a Propagation Model

2026-02-10T00:23:01Z

Andronis:

Το άρθρο των Faris A. Almalki, Maha Aljohani, Merfat Algethami και Ben Othman Soufiene, που δημοσιεύτηκε στο Sustainability το 2022, εξετάζει τη σύνδεση της τεχνητής νοημοσύνης (AI) με μη επανδρωμένα εναέρια οχήματα (drones) στη δημοσιογραφία, με σκοπό τη βελτιστοποίηση της διάδοσης σήματος και τη δημιουργία ενός αποδοτικότερου και βιώσιμου συστήματος εναέριας δημοσιογραφίας. Οι συγγραφείς επιχειρούν να προτείνουν ένα καινοτόμο μοντέλο μετάδοσης δεδομένων, βασισμένο σε αυτόματη προσαρμογή και βελτιστοποίηση μέσω τεχνητής νοημοσύνης.

Η δημοσιογραφία, στην εποχή της Τέταρτης Βιομηχανικής Επανάστασης (4IR), επηρεάζεται βαθύτατα από την τεχνολογική πρόοδο, που επιτρέπει τη μετάδοση πληροφοριών σε πραγματικό χρόνο, τη βελτίωση της ακρίβειας της πληροφόρησης και τη διεύρυνση της γεωγραφικής κάλυψης. Το άρθρο εστιάζει στη χρήση drones εξοπλισμένων με κάμερες, αισθητήρες και τεχνολογίες τεχνητής νοημοσύνης, ώστε να εξυπηρετηθούν ανάγκες όπως:

Ερευνητική δημοσιογραφία (ανθρωπιστικές κρίσεις, συγκρούσεις).
Μετάδοση γεγονότων (φυσικές ή ανθρωπογενείς καταστροφές).
Ζωντανή κάλυψη μεγάλων εκδηλώσεων (Ολυμπιακοί Αγώνες, συναυλίες, κοινωνικές διαδηλώσεις).
Η μελέτη των συγγραφέων επιχειρεί να ενσωματώσει αυτές τις τεχνολογίες, βελτιώνοντας το μοντέλο διάδοσης σήματος, προκειμένου να διασφαλιστεί αποδοτική και βιώσιμη λειτουργία της εναέριας δημοσιογραφίας.

Μεθοδολογία και Τεχνική Προσέγγιση

1. Νευρωνικό Δίκτυο και Μοντέλο Βελτιστοποίησης

Οι συγγραφείς αναπτύσσουν ένα Νευρωνικό Δίκτυο με ακτινικές βάσεις (NN-RBFN), το οποίο προσαρμόζεται δυναμικά και μαθαίνει να επιλέγει το ιδανικό μοντέλο διάδοσης σήματος σε πραγματικό χρόνο. Ο στόχος είναι:

Αύξηση της ακρίβειας του σήματος.
Βελτίωση της συνδεσιμότητας μέσω επιλογής του κατάλληλου καναλιού επικοινωνίας.
Μείωση των απωλειών σήματος μέσω βελτιστοποίησης του προτύπου διάδοσης.
Το νευρωνικό δίκτυο χρησιμοποιεί πέντε διαφορετικά μοντέλα διάδοσης σήματος για να υπολογίσει το βέλτιστο κανάλι:

ITU-R P.529-3 Model: Κατάλληλο για αστικές και προαστιακές περιοχές.
Hata-Davidson Model: Εκτεταμένο μοντέλο βασισμένο στο Hata για ευρύτερη κάλυψη.

Okumura Model: Αποδοτικό για ποικίλα εδάφη και σύνθετα αστικά περιβάλλοντα.
Air-to-Ground (ATG) Model: Βελτιστοποιημένο για εναέριες εφαρμογές.
Two-Ray Model: Καλύτερο για σενάρια με ισχυρές ανακλάσεις και εμπόδια.
Το προτεινόμενο μοντέλο εκπαιδεύεται να επιλέγει το πιο αποδοτικό μοντέλο διάδοσης για κάθε δεδομένο περιβάλλον, ώστε να εξασφαλίσει μέγιστη κάλυψη, ελάχιστες παρεμβολές και αποδοτική μετάδοση δεδομένων.

2. Περιβάλλον Δοκιμών και Υπολογιστική Προσομοίωση

Η προσομοίωση πραγματοποιήθηκε χρησιμοποιώντας:

MATLAB: Για την ανάλυση και εξομοίωση του συστήματος.
3D Remcom Wireless Insite Tool: Για προσομοίωση πραγματικών συνθηκών μετάδοσης σήματος.
Η δοκιμή πραγματοποιήθηκε στο Souq Okaz (Σαουδική Αραβία), ένα χώρο που φιλοξενεί μεγάλες εκδηλώσεις και ποικιλία φυσικών εμποδίων, γεγονός που επέτρεψε τη δοκιμή των διαφόρων μοντέλων σε ρεαλιστικές συνθήκες.

Το σύστημα δοκιμάστηκε σε υψόμετρα 10-70 μέτρων για να αναλυθεί ο τρόπος διάδοσης του σήματος σε διαφορετικά περιβάλλοντα.

Κύρια Συμπεράσματα

Το NN-RBFN πέτυχε ακρίβεια 99% στην επιλογή του ιδανικού μοντέλου διάδοσης, προσαρμόζοντας δυναμικά τη μετάδοση του σήματος.
Το Two-Ray Model είχε την καλύτερη απόδοση, εξασφαλίζοντας υψηλή ποιότητα σήματος και μεγάλη κάλυψη.
Η ενσωμάτωση drones στη δημοσιογραφία αυξάνει τη γεωγραφική κάλυψη και επιτρέπει την καταγραφή γεγονότων σε δυσπρόσιτες ή επικίνδυνες περιοχές.
Η χρήση 5G MIMO κεραίας επέτρεψε υψηλούς ρυθμούς μετάδοσης δεδομένων, βελτιώνοντας τη ροή της πληροφορίας.
Ο αυτοματοποιημένος έλεγχος και η δυναμική επιλογή καναλιών καθιστούν τη δημοσιογραφία πιο βιώσιμη και αποδοτική, μειώνοντας το κόστος λειτουργίας.
Σημασία και Προοπτικές

Το άρθρο καταδεικνύει ότι η ενοποίηση drones με AI μπορεί να επιφέρει επανάσταση στη δημοσιογραφία, καθιστώντας τη ταχύτερη, αποδοτικότερη και λιγότερο εξαρτημένη από φυσική παρουσία δημοσιογράφων. Αυτή η τεχνολογία έχει τη δυναμική να βελτιώσει την ασφάλεια των δημοσιογράφων, καθώς θα μπορούν να καλύπτουν ειδήσεις εξ αποστάσεως, χωρίς να εκτίθενται σε κινδύνους.

Μελλοντικές προτάσεις περιλαμβάνουν:

Δοκιμές σε περισσότερα περιβάλλοντα, όπως αστικές και αγροτικές περιοχές.
Ανάλυση σε πραγματικά γεγονότα, αντί μόνο σε προσομοιώσεις.
Ανάπτυξη AI με δυνατότητα πρόβλεψης των βέλτιστων συνθηκών λήψης πριν την αποστολή του drone.
Συμπέρασμα

Το άρθρο παρέχει μια καινοτόμο προσέγγιση στη χρήση drones και AI στη δημοσιογραφία, εστιάζοντας στη βελτιστοποίηση της διάδοσης σήματος για αποτελεσματικότερη, πιο οικονομική και ασφαλέστερη ενημέρωση. Η εναέρια δημοσιογραφία μέσω drones μπορεί να αναδιαμορφώσει τον τρόπο κάλυψης ειδήσεων, ενισχύοντας τη διαφάνεια, τη βιωσιμότητα και την προσβασιμότητα στην πληροφόρηση.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Sensing What’s New: Considering Ethics When Using Sensor Data in Journalistic Practices

2026-02-10T00:21:00Z

Andronis:

Το άρθρο των Francesca Morini, Marian Dörk και Ester Appelgren, που δημοσιεύτηκε στο Digital Journalism, διερευνά τις ηθικές προκλήσεις που προκύπτουν από τη χρήση δεδομένων αισθητήρων (sensor data) στη δημοσιογραφική πρακτική. Οι συγγραφείς εξετάζουν τον ρόλο της sensor journalism, δηλαδή της δημοσιογραφικής πρακτικής που βασίζεται στη συλλογή δεδομένων μέσω αισθητήρων, και πώς αυτή επαναπροσδιορίζει τις επαγγελματικές ηθικές αξίες των δημοσιογράφων δεδομένων.

Η μελέτη βασίζεται σε συνεντεύξεις και εργαστήρια με δημοσιογράφους δεδομένων και ακαδημαϊκούς, αποκαλύπτοντας πώς οι δημοσιογράφοι ενσωματώνουν και επαναξιολογούν ηθικές αξίες καθώς προσαρμόζουν τη δουλειά τους στη χρήση αισθητήρων.

Μεθοδολογία και Θεωρητικό Πλαίσιο

Η έρευνα εξετάζει:

Πώς οι δημοσιογράφοι εφαρμόζουν ηθικές αρχές κατά τη χρήση δεδομένων αισθητήρων.
Τις αναδυόμενες ηθικές ανησυχίες που προκύπτουν από τη χρήση αισθητήρων στη δημοσιογραφία.
Τη σχέση τεχνολογίας και δημοσιογραφίας και πώς η εισαγωγή αισθητήρων αλλάζει τους ηθικούς κανόνες του επαγγέλματος.
Η μεθοδολογία βασίζεται στη θεωρία του Value-Sensitive Design (VSD), που προτείνει ότι οι τεχνολογίες πρέπει να σχεδιάζονται λαμβάνοντας υπόψη θεμελιώδεις ανθρώπινες αξίες. Μέσω συνεντεύξεων και εργαστηρίων, οι συγγραφείς εξετάζουν πώς οι δημοσιογράφοι προσαρμόζουν τις ηθικές τους αρχές όταν χρησιμοποιούν αισθητήρες για τη συλλογή δεδομένων.

Κύρια Ευρήματα και Ανάλυση

1. Οι αισθητήρες ως εργαλείο δημοσιογραφίας

Οι αισθητήρες έχουν υιοθετηθεί από τους δημοσιογράφους δεδομένων για τη συλλογή περιβαλλοντικών, υγειονομικών και προσωπικών δεδομένων. Οι βασικοί τομείς εφαρμογής περιλαμβάνουν:

Μέτρηση ρύπανσης (αέρα, νερού, εδάφους).
Ανάλυση δεδομένων από wearables (π.χ. smartwatches) για την καταγραφή φυσιολογικών αντιδράσεων.
Καταγραφή κοινωνικών και πολιτικών φαινομένων (π.χ. επιπτώσεις διαδηλώσεων στο άγχος των συμμετεχόντων).
Ωστόσο, οι αισθητήρες επαναπροσδιορίζουν την έννοια των πηγών στη δημοσιογραφία, καθώς οι πολίτες μετατρέπονται από πληροφοριοδότες σε ενεργούς παραγωγούς δεδομένων.

2. Οι Ηθικές Αντιπαραθέσεις της Sensor Journalism

Η χρήση δεδομένων αισθητήρων δημιουργεί νέες ηθικές ανησυχίες:

Ιδιωτικότητα (Privacy): Τα προσωπικά δεδομένα που συλλέγονται από αισθητήρες μπορεί να εκθέσουν ιδιωτικές πληροφορίες των ατόμων.
Διαφάνεια (Transparency): Οι δημοσιογράφοι πρέπει να εξηγούν πώς συλλέγουν και χρησιμοποιούν τα δεδομένα.
Αλήθεια (Truthfulness): Οι αισθητήρες μπορεί να καταγράφουν αντικειμενικά δεδομένα, αλλά η ερμηνεία τους μπορεί να είναι προβληματική.
Διαφορετικότητα (Diversity): Οι αισθητήρες δεν λειτουργούν το ίδιο για όλους, καθώς διαφορετικοί άνθρωποι και κοινωνικές ομάδες έχουν διαφορετικές φυσιολογικές αντιδράσεις.
Σεβασμός (Respect): Οι δημοσιογράφοι πρέπει να διασφαλίζουν ότι οι πολίτες κατανοούν πώς χρησιμοποιούνται τα δεδομένα τους.
Οι συμμετέχοντες στην έρευνα υποστήριξαν ότι η δημοσιογραφία δεδομένων βασίζεται περισσότερο στην τεχνολογία και τις μεθοδολογίες ανάλυσης δεδομένων, παρά στις παραδοσιακές δημοσιογραφικές τεχνικές, γεγονός που οδηγεί σε απομάκρυνση από τα κλασικά ηθικά πρωτόκολλα.

Τάσεις και Προκλήσεις

1. Η Απουσία Θεσμοθετημένων Ηθικών Κανόνων

Οι συγγραφείς επισημαίνουν ότι δεν υπάρχει σαφής ηθικός κώδικας για τη χρήση δεδομένων αισθητήρων στη δημοσιογραφία. Οι εθνικοί και εταιρικοί δημοσιογραφικοί κώδικες επικεντρώνονται στην αλήθεια, την ακρίβεια και την προστασία των πηγών, αλλά δεν καλύπτουν πλήρως την ηθική διάσταση της τεχνολογίας αισθητήρων.

2. Σύγκρουση μεταξύ Παράδοσης και Καινοτομίας

Οι δημοσιογράφοι δεδομένων βλέπουν τη δουλειά τους ως εν μέρει συμβατή και εν μέρει αποκλίνουσα από την παραδοσιακή δημοσιογραφία. Δεν βασίζονται αποκλειστικά σε μαρτυρίες ή συνεντεύξεις, αλλά σε αριθμητικά δεδομένα και ανάλυση. Ωστόσο, αναγνωρίζουν ότι τα ηθικά πρότυπα πρέπει να προσαρμοστούν ώστε να αντικατοπτρίζουν αυτές τις τεχνολογικές αλλαγές.

3. Διαφορετικές Αντιλήψεις μεταξύ Δημοσιογράφων και Ακαδημαϊκών

Οι ακαδημαϊκοί θεωρούν ότι οι δημοσιογράφοι δεδομένων πρέπει να αναπτύξουν έναν ειδικό ηθικό κώδικα για τη sensor journalism. Οι ίδιοι οι δημοσιογράφοι, ωστόσο, πιστεύουν ότι η υπάρχουσα ηθική επάρκεια είναι αρκετή και ότι το πραγματικό ζήτημα είναι η εκπαίδευση και η τεχνογνωσία στη διαχείριση δεδομένων.

Βασικά Συμπεράσματα

Οι αισθητήρες αλλάζουν τον ρόλο των δημοσιογράφων από απλούς ερευνητές σε δημιουργούς δεδομένων.
Η ιδιωτικότητα, η διαφάνεια και η αξιοπιστία των δεδομένων είναι οι μεγαλύτερες ηθικές προκλήσεις.
Η δημοσιογραφία δεδομένων λειτουργεί με λιγότερη εξάρτηση από μαρτυρίες και περισσότερο από δεδομένα και αλγορίθμους, κάτι που απαιτεί νέες ηθικές προσεγγίσεις.
Οι θεσμοθετημένοι ηθικοί κανόνες δημοσιογραφίας δεν καλύπτουν πλήρως τη χρήση αισθητήρων και πρέπει να προσαρμοστούν στις νέες τεχνολογίες.
Οι δημοσιογράφοι δεδομένων δίνουν μεγαλύτερη έμφαση στην πρακτική εφαρμογή ηθικών αρχών, παρά στη θεσμική τυποποίησή τους.
Η διασταύρωση ανθρώπινων δεδομένων με τεχνολογίες ανάλυσης μπορεί να προκαλέσει ακούσιες στρεβλώσεις, καθιστώντας αναγκαία τη βελτίωση των ηθικών προσεγγίσεων.
Τελικό Συμπέρασμα

Το άρθρο καταλήγει ότι η sensor journalism είναι ένα αναδυόμενο πεδίο με σημαντικές ηθικές προκλήσεις. Οι δημοσιογράφοι δεδομένων πρέπει να αναπτύξουν διαφανείς, δίκαιες και ασφαλείς πρακτικές για τη χρήση δεδομένων αισθητήρων, προσαρμόζοντας την παραδοσιακή δημοσιογραφική ηθική στη νέα εποχή της τεχνολογίας και της αυτοματοποιημένης ανάλυσης δεδομένων.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Deep Learning in Remote Sensing Applications: A Meta-Analysis and Review

2026-02-10T00:19:19Z

Andronis:

Το άρθρο των Lei Ma, Yu Liu, Xueliang Zhang, Yuanxin Ye, Gaofei Yin και Brian Alan Johnson, που δημοσιεύτηκε στο ISPRS Journal of Photogrammetry and Remote Sensing, αποτελεί μια συστηματική επισκόπηση της χρήσης των αλγορίθμων βαθιάς μάθησης (Deep Learning - DL) στις εφαρμογές τηλεπισκόπησης (Remote Sensing). Οι συγγραφείς αναλύουν περισσότερες από 200 επιστημονικές δημοσιεύσεις των τελευταίων ετών και εξετάζουν τις κύριες DL τεχνικές που χρησιμοποιούνται στη δορυφορική απεικόνιση, καθώς και τις προκλήσεις και προοπτικές για μελλοντική έρευνα.

Μεθοδολογία και Θεωρητικό Πλαίσιο

Οι συγγραφείς διεξήγαγαν μια μετα-ανάλυση (meta-analysis) που περιλαμβάνει:

Εξέταση των τύπων εικόνων τηλεπισκόπησης που χρησιμοποιήθηκαν (υψηλής, μέτριας και χαμηλής ανάλυσης).
Ανάλυση των DL αλγορίθμων που εφαρμόστηκαν (CNN, RNN, Autoencoders, GANs).
Κατηγοριοποίηση των εφαρμογών βαθιάς μάθησης στην τηλεπισκόπηση, συμπεριλαμβανομένων των τεχνικών ταξινόμησης χρήσης γης (LULC), ανίχνευσης αντικειμένων, συγχώνευσης εικόνων και ανάλυσης σκηνών.
Αξιολόγηση της ακρίβειας των DL μοντέλων και σύγκρισή τους με παραδοσιακούς αλγορίθμους (Support Vector Machines - SVM, Random Forest - RF).
Βασικά Ευρήματα και Εφαρμογές

Η ανάλυση του άρθρου επικεντρώνεται σε έξι βασικές εφαρμογές της βαθιάς μάθησης στην τηλεπισκόπηση:

1. Συγχώνευση εικόνων (Image Fusion)

Η συγχώνευση εικόνων αποσκοπεί στη δημιουργία εικόνων υψηλότερης ανάλυσης συνδυάζοντας δεδομένα από πολλαπλές πηγές. Οι συγγραφείς επισημαίνουν ότι:

Τα Convolutional Neural Networks (CNNs) έχουν αντικαταστήσει τις παραδοσιακές μεθόδους συγχώνευσης εικόνων.
Η χρήση Generative Adversarial Networks (GANs) μπορεί να βελτιώσει την ποιότητα των συγχωνευμένων εικόνων, ειδικά στη σύντηξη δεδομένων πολυφασματικών και υπερφασματικών εικόνων.
2. Ταξινόμηση χρήσης και κάλυψης γης (LULC Classification)

Η βαθιά μάθηση χρησιμοποιείται για την ανάλυση της κάλυψης γης σε μεγάλες κλίμακες. Τα ευρήματα περιλαμβάνουν:

Τα CNNs υπερέχουν στις ταξινομήσεις υψηλής ανάλυσης, ενώ τα Recurrent Neural Networks (RNNs) είναι πιο αποδοτικά στη χρονοσειριακή ανάλυση δεδομένων Landsat και Sentinel.
Η χρήση GANs μπορεί να αντιμετωπίσει το πρόβλημα της έλλειψης ετικετοποιημένων δεδομένων, βελτιώνοντας την εκπαίδευση των δικτύων.
3. Ανίχνευση αντικειμένων (Object Detection)

Η βαθιά μάθηση επιτρέπει την αυτόματη ανίχνευση αντικειμένων σε δορυφορικές εικόνες. Οι βασικές εφαρμογές περιλαμβάνουν:

Ανίχνευση αεροσκαφών, οχημάτων και πλοίων σε υψηλής ανάλυσης εικόνες.
Χρήση CNNs για τον εντοπισμό αστικών περιοχών και υποδομών.
Βελτιώσεις μέσω ενσωμάτωσης δεδομένων LiDAR και δορυφορικών εικόνων.
4. Ανάλυση Σκηνών (Scene Classification)

Η βαθιά μάθηση χρησιμοποιείται για τη χαρτογράφηση και κατηγοριοποίηση αστικών και φυσικών περιβαλλόντων. Τα αποτελέσματα δείχνουν ότι:

Τα CNNs επιτυγχάνουν ακρίβεια έως 95% στην ταξινόμηση σκηνών.
Τα προεκπαιδευμένα νευρωνικά δίκτυα (transfer learning) βελτιώνουν σημαντικά την απόδοση, ιδιαίτερα όταν υπάρχουν λίγα δεδομένα εκπαίδευσης.
5. Αλλαγές Χρήσης Γης και Ανίχνευση Μεταβολών (Change Detection)

Η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση των περιβαλλοντικών αλλαγών και της επέκτασης των αστικών περιοχών. Τα ευρήματα περιλαμβάνουν:

Τα Long Short-Term Memory (LSTM) και RNN μοντέλα υπερέχουν στην ανίχνευση μεταβολών, καθώς επεξεργάζονται δεδομένα χρονοσειρών.
Η συνδυασμένη χρήση πολυφασματικών και ρανταρικών δεδομένων (SAR) με DL βελτιώνει την ακρίβεια ανίχνευσης.
6. Ανάλυση Υψηλής Χωρικής Ανάλυσης (Super-Resolution Mapping)

Η βαθιά μάθηση επιτρέπει τη βελτίωση της ανάλυσης εικόνων χαμηλής ανάλυσης. Τα αποτελέσματα δείχνουν ότι:

GANs και CNNs μπορούν να δημιουργήσουν εικόνες υψηλότερης ανάλυσης από δεδομένα χαμηλής ανάλυσης.
Οι τεχνικές super-resolution βοηθούν στην ακριβέστερη χαρτογράφηση αστικών και αγροτικών περιοχών.
Κύριες Προκλήσεις και Μελλοντικές Τάσεις

Οι συγγραφείς τονίζουν ότι παρά τις σημαντικές προόδους, η εφαρμογή της βαθιάς μάθησης στην τηλεπισκόπηση αντιμετωπίζει αρκετές προκλήσεις:

Έλλειψη δεδομένων εκπαίδευσης: Οι DL αλγόριθμοι απαιτούν μεγάλες ποσότητες ετικετοποιημένων δεδομένων, τα οποία είναι δύσκολο να αποκτηθούν.
Υπολογιστικό κόστος: Η χρήση DL απαιτεί μεγάλη υπολογιστική ισχύ, καθιστώντας την ανάλυση δύσκολη για αναπτυσσόμενες χώρες και μικρότερα ερευνητικά κέντρα.
Επεξήγηση των αποτελεσμάτων (Explainability): Τα DL μοντέλα συχνά λειτουργούν ως «μαύρα κουτιά», καθιστώντας δύσκολη την ερμηνεία των αποτελεσμάτων.
Συνδυασμός δεδομένων από διαφορετικές πηγές: Η ενοποίηση δεδομένων από διαφορετικούς αισθητήρες (π.χ. πολυφασματικά, ρανταρικά, LiDAR) παραμένει πρόκληση.
Για το μέλλον, οι συγγραφείς προτείνουν:

Χρήση GANs και μεταφοράς μάθησης (transfer learning) για τη μείωση της ανάγκης εκπαίδευσης με μεγάλες βάσεις δεδομένων.
Ανάπτυξη ερμηνεύσιμων DL μοντέλων που θα επιτρέπουν καλύτερη κατανόηση των αποφάσεων του αλγορίθμου.
Δημιουργία προτύπων για benchmarking DL εφαρμογών στην τηλεπισκόπηση.
Συμπέρασμα

Το άρθρο παρέχει μια συνολική και εις βάθος ανάλυση της χρήσης βαθιάς μάθησης στην τηλεπισκόπηση, αναδεικνύοντας τις εφαρμογές, τα οφέλη και τις προκλήσεις της τεχνολογίας αυτής. Η έρευνα υποστηρίζει ότι η DL αποτελεί την πιο καινοτόμο και αποδοτική προσέγγιση για την ανάλυση δορυφορικών εικόνων, με σημαντικές προοπτικές για τη χαρτογράφηση περιβαλλοντικών αλλαγών και την ανάλυση αστικών δεδομένων.
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Supporting Global Environmental Change Research: A Review of Trends and Knowledge Gaps in Urban Remote Sensing

2026-02-10T00:17:26Z

Andronis:

Το άρθρο των Elizabeth A. Wentz, Sharolyn Anderson, Michail Fragkias, Maik Netzband, Victor Mesev, Soe W. Myint, Dale Quattrochi, Atiqur Rahman και Karen C. Seto, που δημοσιεύτηκε στο Remote Sensing το 2014, εξετάζει τη χρήση τηλεπισκόπησης (remote sensing) στην έρευνα των παγκόσμιων περιβαλλοντικών αλλαγών, εστιάζοντας στον αστικό χώρο. Η μελέτη παρέχει μια συνολική ανασκόπηση των σύγχρονων τεχνολογιών τηλεπισκόπησης που χρησιμοποιούνται για την κατανόηση του αντίκτυπου της αστικοποίησης στις περιβαλλοντικές μεταβολές, υποστηρίζοντας τη χάραξη πολιτικής και την επιστημονική έρευνα.

Μεθοδολογία και Προσέγγιση της Έρευνας

Οι συγγραφείς εξετάζουν πώς οι τεχνικές τηλεπισκόπησης συμβάλλουν στη συλλογή γεωχωρικών δεδομένων υψηλής ανάλυσης για την κατανόηση των βιοφυσικών, κοινωνικών και οικονομικών πτυχών των αστικών περιοχών. Το άρθρο βασίζεται σε τρεις βασικούς άξονες ανάλυσης:

Χαρτογράφηση (Mapping): Καταγραφή του αστικού περιβάλλοντος μέσω τηλεπισκοπικών δεδομένων.
Δείκτες (Indices): Χρήση τηλεπισκοπικών τεχνικών για τη δημιουργία δεικτών περιβαλλοντικών και κοινωνικών μεταβλητών.
Μοντελοποίηση (Modeling): Χρήση χαρτογραφικών και τηλεπισκοπικών δεδομένων ως είσοδοι σε μοντέλα πρόβλεψης για τις περιβαλλοντικές αλλαγές.
Η μελέτη υποστηρίζει ότι η τηλεπισκόπηση επιτρέπει μια χωρική και συνοπτική ανάλυση που δεν είναι εφικτή με τις παραδοσιακές μεθόδους καταγραφής δεδομένων, όπως οι πληθυσμιακές απογραφές και οι επιτόπιες έρευνες.

Βασικά Ευρήματα και Θεματικές Ενότητες

1. Χαρτογράφηση Αστικών Περιοχών

Η τηλεπισκόπηση χρησιμοποιείται για την καταγραφή κρίσιμων περιβαλλοντικών μεταβλητών, όπως:

Αστική επέκταση: Χρήση δεδομένων από δορυφόρους, όπως Landsat, IKONOS, SPOT και Synthetic Aperture Radar (SAR), για την αναγνώριση των ορίων των πόλεων και των προαστίων.
Αλλαγές στη χρήση γης: Ανάλυση της μετατροπής φυσικών περιοχών σε αστικά περιβάλλοντα.
Πληθυσμιακή κατανομή: Συσχετισμός δορυφορικών δεδομένων με δημογραφικά στοιχεία.
Ατμοσφαιρικοί ρύποι και ποιότητα αέρα: Χρήση δεδομένων από MODIS και MOPITT για τη χαρτογράφηση της συγκέντρωσης ρύπων, όπως CO και NO₂.
2. Δείκτες Αστικού Περιβάλλοντος

Οι συγγραφείς εξετάζουν τη χρήση τηλεπισκοπικών δεικτών που επιτρέπουν τη σύγκριση του αστικού περιβάλλοντος σε διαφορετικές περιοχές και χρονικές περιόδους:

Βιοφυσικοί δείκτες:
Δείκτης Βλάστησης NDVI (Normalized Difference Vegetation Index): Εκτίμηση της φυτικής κάλυψης και της σχέσης της με την ποιότητα ζωής.
Δείκτης Αστικού Δομημένου Περιβάλλοντος (NDBI - Normalized Difference Built-up Index): Αποτύπωση της αστικής ανάπτυξης.
Δείκτης Διαφοράς Νερού (NDWI - Normalized Difference Water Index): Χρήση για τη μέτρηση της διαθέσιμης υγρασίας σε αστικές περιοχές.
Κοινωνικοοικονομικοί δείκτες:
Συσχετισμός δορυφορικών δεδομένων με οικονομικούς δείκτες, όπως το ΑΕΠ (GDP) μέσω των δορυφορικών δεδομένων νυχτερινού φωτισμού (DMSP-OLS Nighttime Lights).
Χρήση δεδομένων τηλεπισκόπησης για την ανάλυση αστικής φτώχειας και ανισοτήτων.
3. Μοντελοποίηση Περιβαλλοντικών και Κοινωνικών Διαδικασιών

Οι συγγραφείς εξετάζουν τη χρήση των τηλεπισκοπικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων που σχετίζονται με:

Το αστικό κλίμα και το φαινόμενο της θερμικής νησίδας (Urban Heat Island - UHI):
Χρήση θερμικών εικόνων από Landsat, MODIS και ASTER για τη μέτρηση των διαφορών θερμοκρασίας στις αστικές περιοχές.
Την αστική υδρολογία και την ποιότητα του νερού:
Ανάλυση των αλλαγών στην απορροή των υδάτων λόγω της αύξησης των αδιαπέρατων επιφανειών (άσφαλτος, σκυρόδεμα).
Την προσομοίωση της αστικής επέκτασης:
Ενσωμάτωση τηλεπισκοπικών δεδομένων σε μοντέλα αστικής ανάπτυξης.
Τη μοντελοποίηση των κοινωνικοοικονομικών συνθηκών:
Χρήση τηλεπισκοπικών δεδομένων για την πρόβλεψη των επιπτώσεων της αστικοποίησης στη δημόσια υγεία, την ποιότητα ζωής και τις περιβαλλοντικές ανισότητες.
Γνώση που Λείπει και Προτάσεις για Μελλοντική Έρευνα

Οι συγγραφείς τονίζουν ότι, παρά τις προόδους στην τηλεπισκόπηση, υπάρχουν ακόμη κενά γνώσης που πρέπει να καλυφθούν:

Αντιστοίχιση τηλεπισκοπικών δεδομένων με κοινωνικοοικονομικές μεταβλητές: Υπάρχουν προκλήσεις στη σύνδεση των δορυφορικών δεδομένων με πληθυσμιακές και οικονομικές στατιστικές.
Περιορισμοί ανάλυσης δεδομένων: Παρότι υπάρχουν δορυφορικές εικόνες υψηλής ανάλυσης, η διαχείριση και η ανάλυσή τους απαιτούν εξειδικευμένους αλγόριθμους και τεχνολογίες.
Ανάγκη για καλύτερη ενοποίηση δεδομένων από διαφορετικές πηγές: Χρειάζεται συνδυασμός δορυφορικών δεδομένων με δεδομένα από μέσα κοινωνικής δικτύωσης, GPS και crowd-sourced πληροφορίες για πιο ακριβή μοντέλα.
Προκλήσεις στην πρόβλεψη της αστικής ανάπτυξης: Τα περισσότερα μοντέλα βασίζονται σε ιστορικά δεδομένα και δεν λαμβάνουν υπόψη μελλοντικές τεχνολογικές ή πολιτικές αλλαγές.
Συμπέρασμα

Το άρθρο υποστηρίζει ότι η τηλεπισκόπηση αποτελεί θεμελιώδες εργαλείο για την κατανόηση των παγκόσμιων περιβαλλοντικών αλλαγών, ιδιαίτερα όσον αφορά την επίδραση της αστικοποίησης στο περιβάλλον. Προτείνει τη συνδυασμένη χρήση τηλεπισκοπικών δεδομένων με κοινωνικοοικονομικά μοντέλα για μια πληρέστερη και πολυδιάστατη ανάλυση της σχέσης πόλεων και περιβάλλοντος.

Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στη βελτίωση των τεχνικών ανάλυσης δεδομένων, στην ενοποίηση πληροφοριών από διαφορετικές πηγές και στη δημιουργία ακριβέστερων μοντέλων πρόβλεψης, ώστε η επιστήμη και οι υπεύθυνοι χάραξης πολιτικής να μπορούν να σχεδιάσουν αποτελεσματικές παρεμβάσεις για βιώσιμη αστική ανάπτυξη.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Remote Sensing in Environmental Justice Research—A Review

2026-02-10T00:17:06Z

Andronis:

Το άρθρο των Matthias Weigand, Michael Wurm, Stefan Dech και Hannes Taubenböck, που δημοσιεύτηκε στο International Journal of Geo-Information, αποτελεί μία ανασκόπηση σχετικά με τη χρήση της τηλεπισκόπησης (remote sensing) στην έρευνα περιβαλλοντικής δικαιοσύνης. Οι συγγραφείς διερευνούν τον ρόλο των δορυφορικών δεδομένων και των γεωχωρικών τεχνικών στην ανάλυση της περιβαλλοντικής ανισότητας, δηλαδή της άνισης κατανομής περιβαλλοντικών επιβαρύνσεων σε κοινωνικές ομάδες με διαφορετικό κοινωνικοοικονομικό επίπεδο.

Η μελέτη υπογραμμίζει ότι η έκθεση σε περιβαλλοντικούς παράγοντες, όπως η ατμοσφαιρική ρύπανση, ο θόρυβος, η έλλειψη πράσινων χώρων και οι θερμικές νησίδες, επηρεάζει δυσανάλογα τις κοινωνικές ομάδες με χαμηλότερο κοινωνικοοικονομικό επίπεδο. Οι συγγραφείς αναδεικνύουν την ανάγκη χρήσης δεδομένων τηλεπισκόπησης για να καλυφθούν τα κενά στις υφιστάμενες μεθοδολογίες, οι οποίες συχνά χρησιμοποιούν δεδομένα που δεν έχουν χωρική λεπτομέρεια («essentially aspatial data»), οδηγώντας σε ανακριβή συμπεράσματα.

Μεθοδολογία και Θεωρητικό Πλαίσιο

Η μελέτη αναλύει πώς η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για:

Χαρτογράφηση περιβαλλοντικών επιβαρύνσεων μέσω δορυφορικών δεδομένων υψηλής ανάλυσης.
Διασύνδεση των περιβαλλοντικών δεδομένων με κοινωνικοοικονομικές πληροφορίες (π.χ. στοιχεία απογραφών, δημογραφικά δεδομένα).
Μοντελοποίηση της επίδρασης της περιβαλλοντικής ανισότητας στην υγεία με τη χρήση τεχνικών GIS και γεωστατιστικής ανάλυσης.
Οι συγγραφείς εξετάζουν πώς διαφορετικές κοινωνικές ομάδες εκτίθενται σε περιβαλλοντικές απειλές και πώς αυτό μπορεί να μετρηθεί με τηλεπισκοπικά δεδομένα και αλγορίθμους ανάλυσης μεγάλης κλίμακας.

Κύρια Ευρήματα και Αναλύσεις

1. Περιβαλλοντικοί Παράγοντες και Επιδράσεις στην Υγεία

Οι συγγραφείς κατηγοριοποιούν τους βασικούς περιβαλλοντικούς παράγοντες που επηρεάζουν την υγεία και μπορούν να χαρτογραφηθούν μέσω τηλεπισκόπησης:

Πράσινοι χώροι (Green space): Η έλλειψη πρόσβασης σε πράσινους χώρους έχει συσχετιστεί με υψηλότερα επίπεδα άγχους και καρδιαγγειακών νοσημάτων. Τα δεδομένα Landsat και Sentinel-2 μπορούν να χαρτογραφήσουν τη διαθεσιμότητα αστικού πρασίνου.
Ατμοσφαιρική ρύπανση (Air pollution): Τα τηλεπισκοπικά δεδομένα από MODIS και Sentinel-5P μπορούν να χρησιμοποιηθούν για την εκτίμηση των συγκεντρώσεων PM2.5 και NO₂ σε μεγάλες αστικές περιοχές.
Θόρυβος (Noise pollution): Ο θόρυβος από οδική κυκλοφορία και βιομηχανικές δραστηριότητες έχει συσχετιστεί με υπέρταση και αυξημένα επίπεδα στρες. Ενώ δεν μπορεί να μετρηθεί άμεσα με τηλεπισκόπηση, η χρήση γεωχωρικών αναλύσεων μπορεί να δημιουργήσει χωρικά μοντέλα πρόβλεψης.
Θερμικές νησίδες (Urban Heat Islands - UHI): Οι αστικές περιοχές διατηρούν υψηλότερες θερμοκρασίες λόγω αδιαπέραστων επιφανειών (άσφαλτος, σκυρόδεμα), επιδεινώνοντας την υγεία των ευπαθών ομάδων. Τα δεδομένα Landsat-8 και MODIS μπορούν να χρησιμοποιηθούν για τη χαρτογράφηση θερμικών νησίδων.
2. Ο Ρόλος της Κοινωνικοοικονομικής Κατάστασης

Η μελέτη εξετάζει πώς κοινωνικοοικονομικοί δείκτες (εισόδημα, εκπαίδευση, φυλή, επαγγελματική απασχόληση) σχετίζονται με την περιβαλλοντική έκθεση. Οι χαμηλότερες κοινωνικοοικονομικές τάξεις συχνά κατοικούν σε περιοχές με:

Υψηλή ατμοσφαιρική ρύπανση λόγω εγγύτητας σε βιομηχανικές ζώνες ή αυτοκινητοδρόμους.
Μικρή πρόσβαση σε πάρκα και πράσινους χώρους, περιορίζοντας τα οφέλη της φυσικής δραστηριότητας.
Υψηλή ηχορύπανση από πυκνή κυκλοφορία και θορυβώδεις περιοχές.
Οι συγγραφείς αναφέρουν ότι η τηλεπισκόπηση μπορεί να καλύψει κενά σε προηγούμενες μελέτες που βασίζονται σε αποσπασματικά ή ελλιπή κοινωνικά δεδομένα, βοηθώντας στην καλύτερη μοντελοποίηση των περιβαλλοντικών ανισοτήτων.

3. Μεθοδολογικές Προκλήσεις και Προτεινόμενες Βελτιώσεις

Η μελέτη εξετάζει ζητήματα όπως:

Το Πρόβλημα των Μεταβαλλόμενων Χωρικών Οντοτήτων (Modifiable Areal Unit Problem - MAUP): Τα δεδομένα κοινωνικοοικονομικής ανάλυσης συχνά παρουσιάζουν στρεβλώσεις λόγω εσφαλμένων ορίων ζωνών (π.χ. απογραφικά τετράγωνα που δεν αντιστοιχούν σε πραγματικά αστικά όρια).
Το Οικολογικό Σφάλμα (Ecological Fallacy): Η χρήση υπερβολικά γενικευμένων δεδομένων (π.χ. μέσες τιμές εισοδήματος για μια ολόκληρη πόλη) μπορεί να οδηγήσει σε λανθασμένα συμπεράσματα.
Ανάγκη συνδυασμού δεδομένων τηλεπισκόπησης με κοινωνικές έρευνες: Οι συγγραφείς προτείνουν την ενσωμάτωση δορυφορικών δεδομένων με δημογραφικά και οικονομικά στοιχεία για πιο ακριβείς αναλύσεις.
Συμπεράσματα και Προτάσεις για Μελλοντική Έρευνα

Το άρθρο καταλήγει στο ότι η τηλεπισκόπηση αποτελεί ένα ισχυρό εργαλείο για τη μελέτη της περιβαλλοντικής δικαιοσύνης, καθώς επιτρέπει:

Λεπτομερή χαρτογράφηση περιβαλλοντικών ανισοτήτων σε μεγάλη κλίμακα.
Ανάλυση των επιπτώσεων των περιβαλλοντικών παραγόντων στην ανθρώπινη υγεία.
Δημιουργία μοντέλων πρόβλεψης που θα βοηθήσουν στη λήψη πολιτικών αποφάσεων για τη μείωση των ανισοτήτων.
Οι συγγραφείς προτείνουν:

Ενσωμάτωση δορυφορικών δεδομένων με κοινωνικοοικονομικές βάσεις δεδομένων.
Βελτίωση της ανάλυσης δεδομένων μέσω αλγορίθμων AI και μηχανικής μάθησης.
Ανάπτυξη διεθνών προτύπων για τη χρήση τηλεπισκόπησης στην περιβαλλοντική δικαιοσύνη.
Το άρθρο προσφέρει σημαντικές πληροφορίες για τη βελτίωση της περιβαλλοντικής έρευνας και την εφαρμογή νέων τεχνολογιών για την καταπολέμηση των ανισοτήτων στην πρόσβαση σε υγιές περιβάλλον.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

A Review of Artificial Intelligence and Remote Sensing for Archaeological Research

2026-02-10T00:15:27Z

Andronis:

Το άρθρο των Argyro Argyrou και Athos Agapiou, που δημοσιεύτηκε στο Remote Sensing (2022, 14, 6000), εξετάζει τη συμβολή της τεχνητής νοημοσύνης (AI) και της τηλεπισκόπησης (RS) στην αρχαιολογική έρευνα. Η μελέτη αναλύει τις τεχνολογικές εξελίξεις στη συλλογή, χαρτογράφηση και ανάλυση αρχαιολογικών δεδομένων, εστιάζοντας στη χρήση δορυφορικών, αερομεταφερόμενων και επίγειων αισθητήρων, UAVs (drones), LiDAR, και αλγορίθμων μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL).

Η έρευνα αναγνωρίζει ότι η αρχαιολογική τηλεπισκόπηση έχει εξελιχθεί ραγδαία την τελευταία δεκαετία, οδηγώντας σε αυτοματοποιημένες μεθόδους ανίχνευσης αρχαιολογικών θέσεων μέσω AI. Ωστόσο, ένα βασικό ερώτημα που παραμένει ανοιχτό είναι το πόσο αποτελεσματικές είναι αυτές οι τεχνικές και πώς μπορούν να βελτιωθούν περαιτέρω.

1. Εισαγωγή – Ο Ρόλος της Τηλεπισκόπησης στην Αρχαιολογία

Η αρχαιολογία χρησιμοποιεί παραδοσιακά επιτόπιες μεθόδους, όπως πεζοπορικές ανασκαφές (field surveys), ιστορικούς χάρτες και τυχαία ευρήματα. Ωστόσο, η τηλεπισκόπηση (Remote Sensing - RS) επιτρέπει την ανακάλυψη αρχαιολογικών θέσεων χωρίς ανασκαφές, χρησιμοποιώντας:

Δορυφορικές εικόνες (π.χ. Landsat, Sentinel).
Αεροφωτογραφίες και UAVs (Drones).
Υπέρυθρη και πολυφασματική ανάλυση για τον εντοπισμό δομών κάτω από την επιφάνεια.
LiDAR και ραντάρ συνθετικού ανοίγματος (SAR) για χαρτογράφηση θαμμένων καταλοίπων.
Η αύξηση της διαθεσιμότητας ελεύθερων δορυφορικών δεδομένων έχει ενισχύσει τη χρήση της τηλεπισκόπησης στην αρχαιολογική έρευνα.

2. Ανάπτυξη της Αρχαιολογικής Τηλεπισκόπησης

2.1 Συστηματικές Έρευνες Επιφάνειας

Η επιφανειακή αρχαιολογική έρευνα αποτελεί βασικό εργαλείο για την ταυτοποίηση νέων και γνωστών αρχαιολογικών θέσεων. Ωστόσο, έχει περιορισμούς:

Υψηλό κόστος και χρονοβόρες διαδικασίες.
Περιβαλλοντικοί και ανθρωπογενείς παράγοντες που επηρεάζουν την ορατότητα (βλάστηση, διάβρωση, κτίρια).
Υποκειμενικότητα στην ανάλυση των ευρημάτων.
Η τηλεπισκόπηση και η τεχνητή νοημοσύνη μπορούν να συμπληρώσουν και να βελτιώσουν την επιφανειακή έρευνα μέσω αυτοματοποιημένων αναλύσεων και ταξινόμησης δεδομένων.

2.2 Εξέλιξη των Τηλεπισκοπικών Τεχνικών

Από τη δεκαετία του 1970, με την εκτόξευση του Landsat 1 (1972), έως και το σύγχρονο IKONOS (1999) και Sentinel-2 (2015), η ανάλυση των δορυφορικών εικόνων έχει βελτιωθεί σημαντικά, επιτρέποντας την ακριβέστερη χαρτογράφηση αρχαιολογικών θέσεων. Η χρήση θερμικών, πολυφασματικών και ρανταρικών δεδομένων έχει οδηγήσει σε νέες ανακαλύψεις αρχαιολογικών τοπίων.

3. Η Χρήση της Τεχνητής Νοημοσύνης στην Αρχαιολογική Τηλεπισκόπηση

Η AI εφαρμόζεται στην ανάλυση τηλεπισκοπικών δεδομένων με μεθόδους μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL) για:

Αυτόματη αναγνώριση αρχαιολογικών δομών από δορυφορικές εικόνες.
Ταξινόμηση δεδομένων εδάφους μέσω αλγορίθμων νευρωνικών δικτύων.
Ανίχνευση αλλαγών στο τοπίο (εξαφάνιση ή εμφάνιση αρχαιολογικών καταλοίπων).
3.1 Βασικά Συστατικά της AI

Μηχανική Μάθηση (Machine Learning - ML): Ανάλυση μεγάλου όγκου δεδομένων για ταξινόμηση αρχαιολογικών θέσεων.
Βαθιά Μάθηση (Deep Learning - DL): Αυτόματη αναγνώριση προτύπων σε δορυφορικές και αερομεταφερόμενες εικόνες.
Νευρωνικά Δίκτυα (Neural Networks - NN): Ανάλυση δεδομένων με τεχνικές παρόμοιες με τη λειτουργία του ανθρώπινου εγκεφάλου.
Όραση Υπολογιστών (Computer Vision): Αναγνώριση αρχαιολογικών χαρακτηριστικών σε φωτογραφίες και πολυφασματικά δεδομένα.
4. Παραδείγματα Εφαρμογών AI και RS στην Αρχαιολογία

4.1 Ανίχνευση Αρχαιολογικών Θέσεων με Δορυφορικές και UAV Εικόνες

Orengo & Garcia-Molsosa (2019): Αυτόματη ανίχνευση κεραμικών μέσω UAV και αλγορίθμων ML.
Mehrnoush et al. (2020): Εφαρμογή DL για εντοπισμό qanat shafts από δορυφορικές εικόνες Cold War CORONA.
Bundzel et al. (2020): Ανίχνευση αρχαιολογικών δομών των Μάγια μέσω LiDAR και Mask R-CNN.
Berganzo-Besga et al. (2021): Ανίχνευση αρχαίων τάφων μέσω LiDAR και αλγορίθμων Random Forest.
4.2 Η Αυξημένη Χρήση AI στην Ανάλυση Μεγάλων Δεδομένων

Η AI επιτρέπει την ταχύτερη και ακριβέστερη ανάλυση τηλεπισκοπικών δεδομένων, μειώνοντας την εξάρτηση από παραδοσιακές μεθόδους. Ωστόσο, παραμένουν ανοιχτά ερωτήματα:

Η ανάγκη για εξειδικευμένη εκπαίδευση αρχαιολόγων στη χρήση AI.
Η ακρίβεια των μοντέλων AI σε διαφορετικά γεωγραφικά περιβάλλοντα.
Ηθικά ζητήματα σχετικά με τη χρήση αυτόνομων αλγορίθμων στην αρχαιολογία.
5. Συμπεράσματα

Η τεχνητή νοημοσύνη και η τηλεπισκόπηση αλλάζουν ριζικά την αρχαιολογική έρευνα, επιτρέποντας την αυτοματοποιημένη ανίχνευση και ανάλυση δεδομένων.
Ο συνδυασμός δορυφορικών, UAV και LiDAR δεδομένων προσφέρει νέες δυνατότητες χαρτογράφησης.
Η μηχανική μάθηση και η βαθιά μάθηση μπορούν να μειώσουν τον χρόνο και το κόστος των ερευνών.
Οι μελλοντικές προκλήσεις περιλαμβάνουν την αύξηση της ακρίβειας των αλγορίθμων και τη δεοντολογική χρήση της AI στην αρχαιολογία.
Η συνεργασία μεταξύ αρχαιολόγων, επιστημόνων AI και ειδικών τηλεπισκόπησης είναι απαραίτητη για τη βελτίωση των τεχνικών και την αξιοποίηση των νέων τεχνολογιών.
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

NASA Standards for Earth Remote Sensing Data

2026-02-10T00:13:33Z

Andronis:

Το άρθρο των Liping Di και Ben Kobler, που δημοσιεύτηκε στο International Archives of Photogrammetry and Remote Sensing, αναλύει τα πρότυπα που έχει αναπτύξει η NASA για την τηλεπισκόπηση της Γης, ειδικά μέσω του Earth Observing System Data and Information System (EOSDIS). Η μελέτη εστιάζει στο πώς τα πρότυπα αυτά διευκολύνουν τη συλλογή, επεξεργασία, αποθήκευση και διαμοίραση δορυφορικών δεδομένων για τη μελέτη των παγκόσμιων περιβαλλοντικών αλλαγών.

1. Εισαγωγή στο EOSDIS και τον ρόλο της NASA στην Τηλεπισκόπηση της Γης

Η NASA, μέσω του προγράμματος Earth Observing System (EOS), έχει αναπτύξει ένα ολοκληρωμένο δίκτυο συλλογής και διαχείρισης δεδομένων τηλεπισκόπησης. Το EOSDIS αποτελεί το κεντρικό σύστημα διαχείρισης των δεδομένων αυτών και περιλαμβάνει:

Δορυφόρους και τηλεπισκοπικά εργαλεία που παρακολουθούν τη Γη.
Πλατφόρμες αποθήκευσης και διαμοίρασης δεδομένων που εξασφαλίζουν τη μακροχρόνια διάθεση των πληροφοριών σε επιστήμονες και φορείς χάραξης πολιτικής.
Πρότυπα μορφοποίησης δεδομένων, ώστε τα στοιχεία να είναι συμβατά και προσβάσιμα από διαφορετικά συστήματα.
Το EOSDIS αναμένεται να λειτουργήσει για τουλάχιστον 15 χρόνια, παρέχοντας συνεχή ροή τηλεπισκοπικών δεδομένων για τη μελέτη γεωφυσικών και βιολογικών διαδικασιών.

2. Πρότυπα Δεδομένων στο EOSDIS

2.1 Εννοιολογικά Μοντέλα Δεδομένων

Η NASA έχει αναπτύξει τρία βασικά μοντέλα για την οργάνωση των δεδομένων τηλεπισκόπησης:

Grid Model (Πλέγμα): Αφορά γεωαναφερμένα δεδομένα που αποθηκεύονται σε μορφή πλέγματος (ορθογώνιες δομές).
Swath Model (Λωρίδα): Εστιάζει σε δεδομένα που συλλέγονται από δορυφόρους με συνεχή σάρωση του εδάφους.
Point Model (Σημείο): Περιλαμβάνει δεδομένα που αντιστοιχούν σε μεμονωμένα γεωγραφικά σημεία.
Τα μοντέλα αυτά βοηθούν στην τυποποίηση των δεδομένων, διευκολύνοντας την επεξεργασία, την αποθήκευση και την ανάλυση μέσω συμβατών λογισμικών.

2.2 Μεταδεδομένα και Συστήματα Οργάνωσης

Τα δεδομένα στο EOSDIS συνοδεύονται από μεταδεδομένα (metadata), τα οποία διακρίνονται σε:

Structure Metadata: Καθορίζουν τη σχέση των δεδομένων μεταξύ τους (π.χ., σύνδεση γεωαναφοράς με δορυφορικές εικόνες).
Product Metadata: Παρέχουν πληροφορίες για το προϊόν των δεδομένων (π.χ., αισθητήρας, ανάλυση, ημερομηνία συλλογής).
Η NASA έχει δημιουργήσει δικά της πρότυπα μεταδεδομένων, τα οποία είναι συμβατά με διεθνή πρότυπα, όπως το FGDC (Federal Geographic Data Committee).

2.3 Ταξινόμηση των Επεξεργασμένων Δεδομένων

Τα τηλεπισκοπικά δεδομένα της NASA ταξινομούνται σε πέντε επίπεδα (Levels 0-4) ανάλογα με τον βαθμό επεξεργασίας:

Level 0: Ανεπεξέργαστα δεδομένα απευθείας από τον αισθητήρα.
Level 1A: Χρονικά συγχρονισμένα δεδομένα με διορθώσεις.
Level 1B: Επεξεργασμένα δεδομένα με προσαρμογές αισθητήρα.
Level 2: Παράγωγες γεωφυσικές μεταβλητές.
Level 3 & 4: Δεδομένα σε κανονικοποιημένο χωροχρονικό πλέγμα και προγνωστικά μοντέλα.
Αυτή η ιεραρχία βοηθάει στην ευκολότερη οργάνωση και ανάλυση δεδομένων από διαφορετικές αποστολές.

3. Τυποποίηση των Μορφών Δεδομένων

Η NASA έχει υιοθετήσει το Hierarchical Data Format (HDF) ως κύριο πρότυπο αποθήκευσης και διαμοίρασης δεδομένων. Το HDF-EOS είναι μια εξειδικευμένη εκδοχή που επιτρέπει τη διαχείριση δεδομένων των Grid, Swath και Point models.

Τα πλεονεκτήματα του HDF περιλαμβάνουν:

Υποστήριξη πολλαπλών τύπων δεδομένων (εικόνες, πίνακες, ASCII).
Συμβατότητα με πολλά λειτουργικά συστήματα.
Δωρεάν διαθεσιμότητα και εκτενής τεκμηρίωση.
Αποδοτική διαχείριση μεγάλου όγκου επιστημονικών δεδομένων.
Η NASA συνεχίζει να αναπτύσσει HDF-5 ως τη νέα γενιά αυτού του προτύπου, προσφέροντας ακόμα καλύτερη υποστήριξη δεδομένων μεγάλης κλίμακας.

4. Διεθνείς Συνεργασίες και Προώθηση των Προτύπων της NASA

Η NASA προωθεί τη χρήση των προτύπων EOSDIS μέσω διεθνών οργανισμών όπως:

U.S. Federal Geographic Data Committee (FGDC) – Συμβολή στην ανάπτυξη των προτύπων Remote Sensing Swath Data και Geospatial Metadata.
ISO Technical Committee 211 (ISO/TC211) – Ανάπτυξη παγκόσμιων προτύπων για τηλεπισκοπικά και γεωγραφικά δεδομένα.
Open GIS Consortium (OGC) – Προώθηση προτύπων για διαλειτουργικότητα (interoperability) μεταξύ γεωχωρικών συστημάτων.
Αυτές οι συνεργασίες εξασφαλίζουν ότι τα δεδομένα της NASA είναι συμβατά με διεθνείς προδιαγραφές και μπορούν να αξιοποιηθούν ευρύτερα από την επιστημονική κοινότητα.

5. Συμπεράσματα

Η NASA έχει αναπτύξει ένα πλήρες σύστημα προτύπων για την τηλεπισκόπηση της Γης μέσω του EOSDIS, το οποίο επιτρέπει αποδοτική συλλογή, αποθήκευση και ανάλυση δεδομένων.
Τα τρία βασικά μοντέλα δεδομένων (Grid, Swath, Point) παρέχουν σαφή τυποποίηση, διευκολύνοντας τη χρήση τους σε επιστημονικές εφαρμογές.
Η τυποποίηση των μεταδεδομένων και η ταξινόμηση των επιπέδων επεξεργασίας των δεδομένων (Levels 0-4) εξασφαλίζουν καλύτερη διαχείριση και διαλειτουργικότητα.
Η NASA προωθεί τα πρότυπά της μέσω διεθνών οργανισμών (FGDC, ISO, OGC), διασφαλίζοντας παγκόσμια αποδοχή και χρήση των δεδομένων EOSDIS.
Το HDF-EOS αποτελεί το κύριο πρότυπο αποθήκευσης δεδομένων τηλεπισκόπησης, επιτρέποντας εύκολη πρόσβαση και ανάλυση από επιστήμονες και φορείς χάραξης πολιτικής.
Η έρευνα υπογραμμίζει ότι η NASA έχει παίξει ηγετικό ρόλο στη δημιουργία προτύπων για την τηλεπισκόπηση της Γης, παρέχοντας ένα ισχυρό πλαίσιο για τη μελέτη των περιβαλλοντικών αλλαγών σε παγκόσμια κλίμακα.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

The Potential of Multi-Sensor Remote Sensing Mineral Exploration: Examples from Southern Africa

2026-02-10T00:11:58Z

Andronis:

Το άρθρο των R. Booysen, R. Gloaguen, S. Lorenz, R. Zimmermann, L. Andreani και P. A. M. Nex, που παρουσιάστηκε στο IGARSS 2019, εξετάζει τη χρήση πολυαισθητήριας τηλεπισκόπησης (multi-sensor remote sensing) για την εξερεύνηση μεταλλευμάτων σε απομακρυσμένες και δυσπρόσιτες περιοχές της Νότιας Αφρικής. Οι συγγραφείς προτείνουν νέες μεθοδολογίες εξερεύνησης κρίσιμων ορυκτών πόρων, αξιοποιώντας δορυφορικά, εναέρια, UAV (drones) και επίγεια δεδομένα.

Η έρευνα επικεντρώνεται σε REEs (Σπάνιες Γαίες), κασσίτερο (Sn) και ψευδάργυρο (Zn), λόγω της σημασίας τους για την τεχνολογική βιομηχανία (π.χ. ηλεκτρονικές συσκευές, τουρμπίνες, φωτοβολταϊκά συστήματα). Οι συγγραφείς υποστηρίζουν ότι η χρήση πολυφασματικής και υπερφασματικής τηλεπισκόπησης αντιμετωπίζει τις προκλήσεις των παραδοσιακών γεωλογικών ερευνών, όπως η δυσκολία πρόσβασης, το υψηλό κόστος και οι κοινωνικές αντιδράσεις.

1. Εισαγωγή – Η Ανάγκη για Νέες Μεθόδους Μεταλλευτικής Εξερεύνησης

Η αυξανόμενη ζήτηση για κρίσιμα ορυκτά υλικά (π.χ. REEs, Sn, Zn) απαιτεί καινοτόμες προσεγγίσεις για τον εντοπισμό και την εξόρυξή τους. Οι παραδοσιακές μέθοδοι βασίζονται σε εκτεταμένες γεωλογικές εργασίες πεδίου και γεωφυσικές μετρήσεις, αλλά συχνά:

Είναι χρονοβόρες και δαπανηρές.
Περιορίζονται από τοπικούς κοινωνικούς και περιβαλλοντικούς κανονισμούς.
Αντιμετωπίζουν προβλήματα πρόσβασης σε απομακρυσμένες περιοχές.
Οι συγγραφείς προτείνουν πολυαισθητήρια τηλεπισκόπηση, που συνδυάζει διαφορετικές τεχνολογίες παρατήρησης της Γης για μη επεμβατική και αποδοτικότερη εξερεύνηση.

2. Μεθοδολογία – Πολυαισθητήρια Τηλεπισκόπηση

Οι ερευνητές προτείνουν ένα πολυεπίπεδο σύστημα συλλογής δεδομένων, που βασίζεται στη μετάβαση από χαμηλή σε υψηλή ανάλυση:

Δορυφορικά δεδομένα (χαμηλή ανάλυση) – αρχικός εντοπισμός πιθανών μεταλλευτικών ζωνών.
Αερομεταφερόμενα δεδομένα (μέση ανάλυση) – λεπτομερής χαρτογράφηση πιθανών κοιτασμάτων.
UAV (drones) (υψηλή ανάλυση) – λεπτομερής χαρτογράφηση μικρής κλίμακας.
Επίγειες μετρήσεις – επιβεβαίωση των αποτελεσμάτων μέσω γεωλογικών δειγματοληψιών.
Η συγκεκριμένη προσέγγιση μειώνει το κόστος των ερευνών και βελτιώνει την ακρίβεια των χαρτογραφήσεων.

2.1 Αισθητήρες και Πλατφόρμες

Οι ερευνητές χρησιμοποίησαν διαφορετικές πλατφόρμες και αισθητήρες:

Δορυφορικοί αισθητήρες: Landsat, Sentinel-2 (πολυφασματική ανάλυση).
Αερομεταφερόμενοι αισθητήρες: Υπερφασματικοί αισθητήρες σε αεροσκάφη.
UAV (Drones): Hyperspectral Rikola Imager και RGB κάμερες για φωτογραμμετρική χαρτογράφηση.
Επίγειοι αισθητήρες: Hyperspectral Telops Hyper-Cam (SWIR και LWIR για υπέρυθρη χαρτογράφηση).
Αυτή η πολυαισθητήρια προσέγγιση γεφυρώνει το κενό μεταξύ της δορυφορικής και της επίγειας χαρτογράφησης, επιτρέποντας ακριβέστερες προβλέψεις για την τοποθεσία των κοιτασμάτων.

3. Αποτελέσματα και Ανάλυση

3.1 Στοχευμένη Εξερεύνηση στη Νότια Αφρική

Η ερευνητική ομάδα χρησιμοποίησε πολυφασματικά δεδομένα από Sentinel-2 για την αρχική ανίχνευση ανθρακικών κοιτασμάτων (carbonatite bodies) στη Νότια Ναμίμπια. Με την εφαρμογή μηχανικής μάθησης (Support Vector Machines - SVM) εντόπισαν πιθανές μεταλλοφόρες περιοχές, οι οποίες επιβεβαιώθηκαν με αερομεταφερόμενα υπερφασματικά δεδομένα.

Οι αναλύσεις επέτρεψαν τη χαρτογράφηση διαφορετικών τύπων ανθρακικών ορυκτών (Calcio-, Ferro-, Magnesio-carbonatites), τα οποία περιέχουν ποικίλες ποσότητες Σπανίων Γαιών (REEs).

3.2 Ανίχνευση Σπάνιων Γαιών με UAV

Μετά την αρχική χαρτογράφηση, η ομάδα χρησιμοποίησε UAV με υπερφασματικούς αισθητήρες για λεπτομερή ανάλυση των γεωλογικών σχηματισμών. Τα δεδομένα UAV συνδυάστηκαν με Ψηφιακά Μοντέλα Εδάφους (DEM) και αναλύσεις μορφομετρίας, αποκαλύπτοντας μικρές δομές, όπως ρηξιγενείς ζώνες που σχετίζονται με μεταλλοφόρα κοιτάσματα.

Όλα τα τηλεπισκοπικά δεδομένα επικυρώθηκαν μέσω δειγματοληψίας πεδίου και εργαστηριακών γεωχημικών αναλύσεων.

4. Συμπεράσματα

Η μελέτη καταλήγει στα εξής κύρια συμπεράσματα:

Η πολυαισθητήρια τηλεπισκόπηση είναι ένα αποτελεσματικό εργαλείο για την εξερεύνηση κρίσιμων ορυκτών

Επιτρέπει τον εντοπισμό μεταλλευτικών ζωνών σε δυσπρόσιτες περιοχές.
Μειώνει το κόστος και τον χρόνο των ερευνών, σε σύγκριση με τις παραδοσιακές γεωλογικές μεθόδους.
Ο συνδυασμός δορυφορικών, UAV και επίγειων δεδομένων αυξάνει την ακρίβεια της χαρτογράφησης

Η προσέγγιση πολλαπλών επιπέδων καλύπτει διαφορετικές κλίμακες ανάλυσης, από μακροσκοπική (δορυφορική) έως μικροσκοπική (UAV).
Οι τεχνικές μηχανικής μάθησης (SVM, Random Forest) βοηθούν στην ταξινόμηση των δεδομένων.
Η χρήση UAV με υπερφασματικούς αισθητήρες βελτιώνει την ικανότητα χαρτογράφησης των REEs

Τα δεδομένα UAV επέτρεψαν την αναγνώριση ανθρακικών ορυκτών σε εξαιρετικά λεπτομερή κλίμακα.
Η πολυαισθητήρια προσέγγιση μπορεί να οδηγήσει σε πιο βιώσιμες πρακτικές εξόρυξης

Η μη επεμβατική φύση της τηλεπισκόπησης μειώνει τον περιβαλλοντικό αντίκτυπο της εξερεύνησης.
Η έρευνα προτείνει περαιτέρω δοκιμές σε διαφορετικά γεωλογικά περιβάλλοντα και τη χρήση αλγορίθμων AI για την αυτοματοποίηση της χαρτογράφησης των κοιτασμάτων.

Η πολυαισθητήρια τηλεπισκόπηση αναδεικνύεται ως μια από τις πιο καινοτόμες και βιώσιμες τεχνολογίες για την εξόρυξη κρίσιμων ορυκτών πόρων.
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

A History of NASA Remote Sensing Contributions to Archaeology

2026-02-10T00:10:16Z

Andronis:

Το άρθρο του Marco J. Giardino, που δημοσιεύτηκε από τη NASA Stennis Space Center, προσφέρει μια λεπτομερή αναδρομή στη συμβολή της NASA στην αρχαιολογία μέσω της τηλεπισκόπησης (remote sensing). Η μελέτη επικεντρώνεται στον ρόλο της δορυφορικής και εναέριας τηλεπισκόπησης στην ανακάλυψη, χαρτογράφηση και ανάλυση αρχαιολογικών τοποθεσιών παγκοσμίως, αναδεικνύοντας σημαντικά έργα και τεχνολογικές εξελίξεις από τη δεκαετία του 1960 έως σήμερα.

Ιστορική Αναδρομή και Ανάπτυξη της Τηλεπισκόπησης στην Αρχαιολογία

Η συμβολή της NASA στην αρχαιολογία ξεκινάει ήδη από το 1965, όταν οι πρώτες διαστημικές αποστολές, όπως η Gemini 4, ξεκίνησαν να λαμβάνουν φωτογραφίες της Γης από το διάστημα. Οι πρώτες πολυφασματικές (multispectral) εικόνες καταγράφηκαν το 1968 από την Apollo 9, εισάγοντας νέες δυνατότητες στην αρχαιολογική έρευνα.

Κατά τη διάρκεια της δεκαετίας του 1970, η NASA ανέπτυξε μια σειρά από δορυφορικά συστήματα απεικόνισης, όπως το Landsat, που προσέφεραν συνεχή παρακολούθηση της Γης και αποτέλεσαν κρίσιμο εργαλείο για τους αρχαιολόγους. Αυτές οι εικόνες αποκάλυψαν κρυμμένα τοπογραφικά χαρακτηριστικά, όπως αρχαία οδικά δίκτυα, εγκαταλελειμμένους οικισμούς και συστήματα άρδευσης.

Βασικές Τεχνολογίες και Μέθοδοι Τηλεπισκόπησης

1. Πολυφασματική και Υπερφασματική Απεικόνιση

Οι πρώτες αρχαιολογικές εφαρμογές της τηλεπισκόπησης επικεντρώθηκαν στη χρήση πολυφασματικών εικόνων, οι οποίες επέτρεπαν τη διάκριση διαφορετικών υλικών στην επιφάνεια της Γης. Στη συνέχεια, αναπτύχθηκαν υπερφασματικοί αισθητήρες (hyperspectral imaging), όπως ο Hyperion, που μπορούσαν να αναγνωρίσουν μικρές διαφορές στη σύσταση του εδάφους, διευκολύνοντας την αναγνώριση θαμμένων ή δυσδιάκριτων αρχαιολογικών στοιχείων.

2. Ρανταρική και Θερμική Απεικόνιση

Η NASA χρησιμοποίησε επίσης ρανταρικές εικόνες (SAR - Synthetic Aperture Radar) και θερμικές εικόνες (thermal imaging) για την ανίχνευση αρχαιολογικών καταλοίπων κάτω από την επιφάνεια του εδάφους. Για παράδειγμα:

Η θερμική υπέρυθρη απεικόνιση (TIMS) βοήθησε στην αποκάλυψη προϊστορικών δρόμων στο Chaco Canyon.
Το ραντάρ διείσδυσης εδάφους (GPR - Ground Penetrating Radar) χρησιμοποιήθηκε για την ανίχνευση θαμμένων κατασκευών.
Σημαντικά Αρχαιολογικά Προγράμματα της NASA

Η NASA έχει συνεργαστεί με ερευνητές και πανεπιστήμια για την εφαρμογή της τηλεπισκόπησης σε σημαντικές αρχαιολογικές έρευνες. Μερικά από τα πιο επιτυχημένα έργα περιλαμβάνουν:

1. Chaco Canyon (Νέο Μεξικό, ΗΠΑ)

Η ανάλυση δορυφορικών εικόνων Landsat και δεδομένων από αισθητήρες υπερύθρων αποκάλυψε ένα εκτεταμένο δίκτυο αρχαίων δρόμων που συνδέουν τους οικισμούς των Anasazi, επιβεβαιώνοντας θεωρίες για την ύπαρξη ενός πολύπλοκου εμπορικού και διοικητικού συστήματος.

2. Αρχαία Ελληνική και Ρωμαϊκή Αρχιτεκτονική στην Ιταλία

Η NASA παρείχε δορυφορικά δεδομένα για την ανάλυση αρχαιολογικών τοποθεσιών στην Ιταλία, επιτρέποντας τη χαρτογράφηση ρωμαϊκών οικισμών και υποδομών, ιδιαίτερα σε συνεργασία με το Πανεπιστήμιο της Νάπολης.

3. Poverty Point (Λουιζιάνα, ΗΠΑ)

Η χρήση θερμικής τηλεπισκόπησης επέτρεψε τον εντοπισμό θαμμένων στοιχείων στην προϊστορική τοποθεσία Poverty Point, που αποτελεί έναν από τους πιο σημαντικούς αρχαιολογικούς χώρους της Βόρειας Αμερικής.

4. Lewis and Clark Bicentennial Project

Στο πλαίσιο της επετείου των 200 χρόνων από την αποστολή των Lewis and Clark, η NASA αξιοποίησε δεδομένα GIS και δορυφορικές εικόνες για την ακριβή χαρτογράφηση των τοποθεσιών όπου είχαν κατασκηνώσει οι εξερευνητές.

5. Coast 2050 Cultural Resources Survey

Η NASA πραγματοποίησε τηλεπισκοπική χαρτογράφηση 50.000 εκταρίων στη νότια Λουιζιάνα, εντοπίζοντας προϊστορικούς και ιστορικούς οικισμούς σε περιοχές που απειλούνται από τη διάβρωση και την κλιματική αλλαγή.

Επιπτώσεις και Συμβολή της NASA στην Αρχαιολογία

Η μελέτη καταλήγει στο ότι η συμβολή της NASA στην αρχαιολογία είναι ανεκτίμητη, καθώς:

Βελτίωσε την ικανότητα των αρχαιολόγων να εντοπίζουν νέες τοποθεσίες χωρίς επιτόπια ανασκαφή.
Παρείχε νέα δεδομένα για την κατανόηση αρχαίων πολιτισμών μέσω πολυφασματικών και ρανταρικών εικόνων.
Υποστήριξε την προστασία αρχαιολογικών χώρων από φυσικές καταστροφές και ανθρώπινες παρεμβάσεις.
Εισήγαγε καινοτόμες τεχνολογίες, όπως η υπερφασματική τηλεπισκόπηση και η θερμική χαρτογράφηση, που άνοιξαν νέους ορίζοντες στην αρχαιολογική έρευνα.
Μελλοντικές Προοπτικές

Η μελέτη επισημαίνει ότι η νέα γενιά δορυφορικών αισθητήρων, όπως οι ASTER και Hyperion, θα συνεχίσει να προσφέρει πρωτοποριακές δυνατότητες στην αρχαιολογία. Επιπλέον, η ανάπτυξη αλγορίθμων μηχανικής μάθησης (AI) και deep learning μπορεί να επιτρέψει την αυτοματοποιημένη ανίχνευση αρχαιολογικών τοποθεσιών μέσω τηλεπισκόπησης.

Το άρθρο καταλήγει ότι η τηλεπισκόπηση έχει μεταμορφώσει την αρχαιολογία, επιτρέποντας τη χαρτογράφηση πολιτιστικών τοπίων σε παγκόσμια κλίμακα και ανοίγοντας νέους δρόμους για την κατανόηση του ανθρώπινου παρελθόντος.

Βασικά Συμπεράσματα του Άρθρου "A History of NASA Remote Sensing Contributions to Archaeology"

Το άρθρο του Marco J. Giardino καταδεικνύει τον καθοριστικό ρόλο της NASA στην εξέλιξη της αρχαιολογικής τηλεπισκόπησης, προσφέροντας νέες τεχνολογίες και μεθοδολογίες που επέτρεψαν την ανακάλυψη, χαρτογράφηση και ανάλυση αρχαιολογικών τοποθεσιών με πρωτοφανή ακρίβεια. Τα κύρια συμπεράσματα της μελέτης συνοψίζονται ως εξής:

Η NASA έχει διαδραματίσει πρωτοποριακό ρόλο στην αρχαιολογική έρευνα μέσω της τηλεπισκόπησης

Από τις πρώτες φωτογραφίες της Γης στο διάστημα (Gemini 4, Apollo 9) έως τα σημερινά δορυφορικά δεδομένα, η NASA έχει συμβάλει σημαντικά στην κατανόηση της αρχαιολογίας μέσω πολυφασματικών, ρανταρικών και θερμικών εικόνων.
Τα δορυφορικά δεδομένα έχουν επιτρέψει την ανακάλυψη και παρακολούθηση αρχαιολογικών τοποθεσιών παγκοσμίως

Η χρήση πολυφασματικών (multispectral) και υπερφασματικών (hyperspectral) αισθητήρων έχει οδηγήσει στην ανακάλυψη αρχαίων δρόμων, χαμένων πόλεων και θαμμένων δομών, όπως στα Chaco Canyon, Poverty Point και τις ρωμαϊκές πόλεις της Ιταλίας.
Η τεχνολογία της NASA έχει επιταχύνει και βελτιώσει τη χαρτογράφηση και διατήρηση αρχαιολογικών χώρων

Τα συστήματα Landsat, ASTER, Hyperion και SAR έχουν βοηθήσει στην προστασία πολιτιστικών κληρονομιών, ειδικά σε περιοχές που απειλούνται από τη διάβρωση, την κλιματική αλλαγή και την αστικοποίηση.
Η εφαρμογή ρανταρικών και θερμικών τεχνικών έχει επιτρέψει την ανίχνευση αρχαιολογικών δομών κάτω από την επιφάνεια της γης

Οι θερμικές υπέρυθρες απεικονίσεις (TIMS, ATLAS) αποκάλυψαν κρυμμένα στοιχεία σε προϊστορικούς χώρους, όπως προϊστορικά δίκτυα άρδευσης στις ΗΠΑ, ενώ το ραντάρ συνθετικού ανοίγματος (SAR) χρησιμοποιήθηκε για την ανάλυση αρχαιολογικών τοποθεσιών σε δυσπρόσιτες περιοχές.
Η ενσωμάτωση δεδομένων GIS και τεχνολογιών ανάλυσης μεγάλων δεδομένων (Big Data) έχει μεταμορφώσει την αρχαιολογική έρευνα

Η επεξεργασία ψηφιακών χαρτών, η συνδυαστική χρήση GPS και GIS, καθώς και η ανάπτυξη προγνωστικών μοντέλων έχουν ενισχύσει την ικανότητα των αρχαιολόγων να προβλέπουν νέες τοποθεσίες με ακρίβεια άνω του 90%.
Η NASA έχει υποστηρίξει τη διεπιστημονική συνεργασία μεταξύ αρχαιολόγων, γεωγράφων και επιστημόνων τηλεπισκόπησης

Μέσα από διεθνή ερευνητικά προγράμματα και συνεργασίες με πανεπιστήμια, η NASA έχει προωθήσει τη χρήση προηγμένων αισθητήρων και τεχνικών τηλεπισκόπησης στην αρχαιολογία.
Οι νέες τεχνολογίες, όπως η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (Machine Learning), θα βελτιώσουν περαιτέρω την αρχαιολογική τηλεπισκόπηση

Τα αλγοριθμικά μοντέλα και η βαθιά μάθηση (Deep Learning) μπορούν να αυτοματοποιήσουν την ανίχνευση αρχαιολογικών δομών σε τεράστιες εκτάσεις, μειώνοντας τον χρόνο και το κόστος των ερευνών.
Τελικό Συμπέρασμα

Η NASA έχει συμβάλει ουσιαστικά στην προώθηση της διαστημικής αρχαιολογίας, προσφέροντας πρωτοποριακά εργαλεία τηλεπισκόπησης που έχουν αλλάξει τον τρόπο με τον οποίο οι αρχαιολόγοι εντοπίζουν, αναλύουν και προστατεύουν τους αρχαιολογικούς χώρους. Η εξέλιξη των αισθητήρων και των τεχνικών απεικόνισης προβλέπεται να διευρύνει ακόμα περισσότερο τις δυνατότητες της αρχαιολογικής έρευνας, καθιστώντας την πιο αποδοτική, ακριβή και προσβάσιμη σε παγκόσμια κλίμακα.

[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]

Εφαρμογή ανίχνευσης της υδατικής περιεκτικότητας της δασικής βλάστησης με βάση δεδομένα τηλεπισκόπησης στην πρόληψη δασικών πυρκαγιών

2026-02-07T17:19:58Z

IOANNA OSMANI:

'''Application of Remote Sensing Data-based Detection of Forest Vegetation Water Content in Forest Fire Prevention'''

''Zhongchen Wu''

''Πηγή'': [https://www.researchgate.net/publication/394987857_Application_of_Remote_Sensing_Data-based_Detection_of_Forest_Vegetation_Water_Content_in_Forest_Fire_Prevention]

: '''Λέξεις κλειδιά''' : Δασικές πυρκαγιές· Δεδομένα αεροδιαστημικής τηλεπισκόπησης· Υδατική περιεκτικότητα βλάστησης

===ΠΕΡΙΛΗΨΗ===
Οι δασικές πυρκαγιές που εκδηλώνονται στη Γη προκαλούν τεράστιες απώλειες κάθε χρόνο και η συχνότητά τους παρουσιάζει αυξητική τάση. Για τη μείωση της εμφάνισης δασικών πυρκαγιών, έχουν αναπτυχθεί τα τελευταία χρόνια νέες τεχνολογίες που βασίζονται στην τηλεπισκόπηση για την πρόβλεψη και τη δυναμική παρακολούθηση των δασικών πυρκαγιών. Στην παρούσα εργασία, η τιμή του Κανονικοποιημένου Δείκτη Διαφοράς Υπέρυθρου (NDII) της περιοχής μελέτης υπολογίζεται με βάση δορυφορικά δεδομένα τηλεπισκόπησης, με σκοπό την ανίχνευση και εκτίμηση της υδατικής περιεκτικότητας της βλάστησης στις δασικές περιοχές, ώστε να προβλεφθεί η εκδήλωση δασικών πυρκαγιών, να ενισχυθούν τα προληπτικά μέτρα και να μειωθεί η πιθανότητα εκδήλωσής τους.
Τα αποτελέσματα έδειξαν ότι η υδατική περιεκτικότητα της βλάστησης παρουσιάζει σημαντική αρνητική συσχέτιση με τον κίνδυνο δασικών πυρκαγιών. Όταν η τιμή NDII της βλάστησης ήταν χαμηλότερη από -0,8486, αυτό υποδήλωνε ότι η υγρασία της βλάστησης είχε μειωθεί σε πολύ χαμηλό επίπεδο, καθιστώντας την ιδιαίτερα εύφλεκτη και αυξάνοντας σημαντικά την πιθανότητα πυρκαγιάς. Για την περιοχή μελέτης, η υδατική περιεκτικότητα της βλάστησης τείνει να είναι ακόμη χαμηλότερη, ιδίως κατά τις θερμές και ξηρές εποχές, γεγονός που οδηγεί σε συνολική αύξηση του επιπέδου κινδύνου δασικών πυρκαγιών. Η παρούσα μελέτη επιβεβαιώνει περαιτέρω ότι η υδατική περιεκτικότητα της βλάστησης αποτελεί έναν από τους βασικούς δείκτες στην αξιολόγηση του κινδύνου δασικών πυρκαγιών. Η έρευνα αυτή παρέχει περισσότερους δείκτες πρόληψης για τις εγκαταστάσεις πρόληψης δασικών πυρκαγιών και συμβάλλει στη βελτίωση του συστήματος πρόληψης.

='''1. Εισαγωγή'''=
Τα δάση, ως ένας από τους σημαντικότερους πόρους της οικολογίας της Γης, διαδραματίζουν καθοριστικό ρόλο στη ρύθμιση της κυκλοφορίας του αέρα και των υδατικών πόρων στη φύση και αποτελούν αναπόσπαστο μέρος του συστήματος κλιματικής ισορροπίας. Παράλληλα, τα δάση αποτελούν τη βάση για την παροχή του περιβάλλοντος και των υλικών από τα οποία εξαρτάται η επιβίωση των ανθρώπων και των έμβιων οργανισμών και είναι γνωστά ως το «λίκνο της ζωής», έχοντας αναντικατάστατο ρόλο στη μακροπρόθεσμη κοινωνική και φυσική ανάπτυξη.
Ωστόσο, τα τελευταία χρόνια, η συχνότητα και η ένταση των δασικών πυρκαγιών παρουσιάζουν αυξητική τάση, ιδίως υπό συνθήκες ξηρασίας ή υψηλών θερμοκρασιών, όπου ο κίνδυνος πυρκαγιάς γίνεται ολοένα και σοβαρότερος. Σύμφωνα με ελλιπή στατιστικά στοιχεία, το 2024 σημειώθηκαν 295 δασικές και λιβαδικές πυρκαγιές σε ολόκληρη την Κίνα, γεγονός που όχι μόνο καταναλώνει μεγάλο όγκο ανθρώπινων πόρων, αλλά προκαλεί και τεράστιες οικονομικές και οικολογικές απώλειες. Επομένως, η αποτελεσματική παρακολούθηση και πρόβλεψη της εκδήλωσης δασικών πυρκαγιών έχει καταστεί ένα σημαντικό ερευνητικό αντικείμενο για την προστασία των δασικών πόρων και την πρόληψη φυσικών καταστροφών.
Η παραδοσιακή παρακολούθηση των δασικών πυρκαγιών βασίζεται συχνά σε επιτόπιους ελέγχους ή δειγματοληψίες εδάφους, οι οποίες χαρακτηρίζονται από αργή απόκριση και περιορισμένη κάλυψη. Επιπλέον, σε ορισμένες περιοχές, το προσωπικό παρουσιάζει χαμηλή ευαισθητοποίηση σχετικά με την πρόληψη πυρκαγιών, ενώ οι υποδομές και τα συστήματα πρόληψης δεν είναι επαρκώς ανεπτυγμένα, γεγονός που καθιστά την πρόληψη δυσχερή.
Με την ανάπτυξη της επιστήμης και της τεχνολογίας, έχουν εμφανιστεί νέες μέθοδοι παρακολούθησης δασικών πυρκαγιών. Τον Ιανουάριο του 2025, ο Li Xuguang πρότεινε τη χρήση υπέρυθρης θερμικής απεικόνισης, πολυφασματικής τηλεπισκόπησης και άλλων τεχνικών για την ανίχνευση δασικών πυρκαγιών. Τον Φεβρουάριο του 2025, ο Cao Kongfei πρότεινε τη χρήση μη επανδρωμένων αεροσκαφών (drones) και τεχνητής νοημοσύνης για την ανίχνευση δασικών πυρκαγιών σε πραγματικό χρόνο και την εφαρμογή τους στην κατάσβεση. Η εμφάνιση αυτών των νέων τεχνολογιών προσφέρει αναμφίβολα πιο αποδοτικές και ακριβείς λύσεις για την πρόληψη των δασικών πυρκαγιών.
Ωστόσο, τα περισσότερα από τα υπάρχοντα τεχνολογικά μέσα επικεντρώνονται κυρίως στην ανίχνευση των πυρκαγιών, ενώ δεν υπάρχει επαρκώς ανεπτυγμένο και αποτελεσματικό σύστημα πρόβλεψης και έγκαιρης προειδοποίησης. Για τον λόγο αυτό, η παρούσα μελέτη βασίζεται στην οπτική τηλεπισκόπηση (Optical Remote Sensing – ORS), η οποία αποτελεί μια μέθοδο μη επαφής που βασίζεται στις ιδιότητες ανάκλασης και απορρόφησης των ηλεκτρομαγνητικών κυμάτων και μπορεί να συλλέγει σε πραγματικό χρόνο πληροφορίες για μεγάλες εκτάσεις μέσω της ανακλώμενης ή εκπεμπόμενης ακτινοβολίας.
Μέσω της ανάλυσης των φασματικών χαρακτηριστικών της δασικής βλάστησης, και ειδικότερα της υδατικής της περιεκτικότητας, μπορούν να εξαχθούν σημαντικές ενδείξεις για την αξιολόγηση του κινδύνου πυρκαγιάς. Η υγρασία της βλάστησης αποτελεί έναν σημαντικό δείκτη της ευφλεκτότητάς της· βλάστηση με χαμηλή υδατική περιεκτικότητα είναι πιο επιρρεπής στην καύση, αυξάνοντας την πιθανότητα εκδήλωσης πυρκαγιών. Συνεπώς, η παρακολούθηση της υδατικής περιεκτικότητας της δασικής βλάστησης με βάση την οπτική τηλεπισκόπηση μπορεί, σε κάποιο βαθμό, να προβλέψει την εμφάνιση δασικών πυρκαγιών και να παρέχει ουσιαστικά δεδομένα για τα συστήματα έγκαιρης προειδοποίησης κινδύνου.
Με βάση το παραπάνω ερευνητικό υπόβαθρο, η παρούσα μελέτη στοχεύει στην εκτίμηση της υδατικής περιεκτικότητας της δασικής βλάστησης μέσω φασματικής ανάλυσης δεδομένων τηλεπισκόπησης και στη δημιουργία ενός ολοκληρωμένου μοντέλου αξιολόγησης της πιθανότητας εκδήλωσης δασικών πυρκαγιών. Μέσω του μοντέλου αυτού, μπορεί να επιτευχθεί έγκαιρη προειδοποίηση για δασικές πυρκαγιές, παρέχοντας νέα τεχνική υποστήριξη για την πρόληψη, μειώνοντας σε μεγαλύτερο βαθμό τον κίνδυνο εκδήλωσής τους και περιορίζοντας τις καταστροφές και τις απώλειες που προκαλούν.

'''2. Δεδομένα και μεθοδολογία'''

: '''2.1 Επισκόπηση της περιοχής μελέτης'''
Η περιοχή μελέτης που επιλέχθηκε για την παρούσα εργασία βρίσκεται στη δασική περιοχή της πόλης Xichang, στην Αυτόνομη Νομαρχία Liangshan, στην επαρχία Sichuan, με τη γεωγραφική της θέση να παρουσιάζεται στο Σχ. 1. Στην περιοχή αυτή εκδηλώθηκε δασική πυρκαγιά στις 30 Μαρτίου 2020, με συνολική καμένη έκταση περίπου 1.000 ha και περίπου 80 ha καμένου δάσους. Η εστία της πυρκαγιάς βρισκόταν κοντά σε σταθμούς αποθήκευσης και διανομής υγραερίου (LPG), πρατήρια καυσίμων, σχολεία και μονάδες πολιτιστικής κληρονομιάς (όπως ο ναός Guangfu και το Μουσείο Κοινωνιών Δούλων) στη γραφική περιοχή Qionghai–Lushan.
Κατά τη διαδικασία διάσωσης της δασικής πυρκαγιάς, λόγω αιφνίδιων αλλαγών στη διεύθυνση του ανέμου, απότομης αύξησης της έντασής του, μεταφοράς καύτρων που απέκοψαν τις οδούς διαφυγής και αποτυχίας αυτοδιάσωσης, 19 άτομα που συμμετείχαν στην κατάσβεση έχασαν τη ζωή τους και 3 τραυματίστηκαν. Η πυρκαγιά είχε ως αποτέλεσμα την καύση συνολικής έκτασης 3.047,7805 εκταρίων διαφόρων τύπων γης, επηρεάζοντας δασική έκταση 791,6 εκταρίων, ενώ η άμεση οικονομική απώλεια ανήλθε σε 97.312.000 γιουάν.

[[Αρχείο: Εικόνα 1. Map of Xichang City, Liangshan Prefecture, Sichuan Province.jpg|thumb|center|1200px|'''Εικόνα 1.''' Εικόνα 1. Map of Xichang City, Liangshan Prefecture, Sichuan Province]]

Η βλάστηση της περιοχής κυριαρχείται από δάση πεύκης Yunnan, τα οποία χαρακτηρίζονται από υψηλή περιεκτικότητα σε ρητίνη και έντονη ευφλεκτότητα. Η περιοχή ανήκει στη ζώνη υποτροπικού μουσωνικού κλίματος και χαρακτηρίζεται από ξηρό και θερμό κλίμα κοιλάδων ποταμών. Η ξηρή περίοδος (Ιανουάριος–Ιούνιος) παρουσιάζει υψηλές θερμοκρασίες και περιορισμένες βροχοπτώσεις. Η μέση ετήσια βροχόπτωση κυμαίνεται μεταξύ 800–1.000 mm, ενώ η μέση ετήσια θερμοκρασία είναι 17,2 °C. Πρόκειται για ξηρό κλίμα, όπου η επίδραση των ανέμων που ευνοούν την εξάπλωση της φωτιάς είναι έντονη και οι κεραυνικές πυρκαγιές εμφανίζονται συχνά. Επιπλέον, λόγω της υψηλής ευφλεκτότητας της βλάστησης, η περιοχή είναι ιδιαίτερα επιρρεπής σε ανθρωπογενείς πυρκαγιές. Επομένως, η ενίσχυση του συστήματος πρόληψης πυρκαγιών στην περιοχή αυτή είναι ιδιαίτερα σημαντική.

'''2.2 Συλλογή δεδομένων'''

: '''2.2.1 Δορυφορικά δεδομένα εικόνας'''
Τα δεδομένα του δορυφόρου Landsat 8, που αποτελεί σήμερα το πιο ευρέως χρησιμοποιούμενο δορυφόρο της συγκεκριμένης σειράς, αναπτύχθηκαν από τη NASA σε συνεργασία με τη Γεωλογική Υπηρεσία των Ηνωμένων Πολιτειών (USGS). Ο δορυφόρος εκτοξεύθηκε επιτυχώς στις 11 Φεβρουαρίου 2013 και λειτουργεί κανονικά έως σήμερα. Βρίσκεται σε τροχιά ύψους 705 km, με κλίση τροχιάς 98,2°, περίοδο επανάληψης 16 ημερών και φέρει τον Απεικονιστή Επιχειρησιακής Γης (OLI) και τον Θερμικό Υπέρυθρο Αισθητήρα (TIRS).
Ο OLI περιλαμβάνει οκτώ φασματικές ζώνες με χωρική ανάλυση 30 m και μία παγχρωματική ζώνη με ανάλυση 15 m, με εύρος απεικόνισης 185 × 185 km. Ο TIRS αποτελείται από δύο θερμικές υπέρυθρες ζώνες με χωρική ανάλυση 100 m.
Στο παρόν πείραμα, αποκτήθηκαν δεδομένα εικόνας Landsat 8 της περιοχής μελέτης για τον Μάρτιο του 2020, τον Μάρτιο του 2018 και τον Μάρτιο του 2016 μέσω της επίσημης ιστοσελίδας του Geospatial Data Cloud. Τα δεδομένα αυτά αναλύθηκαν και επεξεργάστηκαν στα επόμενα στάδια του πειράματος. Η αντίστοιχη υδατική περιεκτικότητα της βλάστησης εκτιμήθηκε μέσω υπολογισμού σχετικών παραμέτρων. Ιδιαίτερα, τα δεδομένα του Μαρτίου 2020 αντιστοιχούν στην περίοδο ακριβώς πριν από τη δασική πυρκαγιά της Xichang στις 30 Μαρτίου 2020 και παρουσιάζουν ισχυρή συσχέτιση με την εκδήλωση της πυρκαγιάς.
Στο πείραμα, τα δεδομένα που κατεβάστηκαν από τον ιστότοπο Geospatial Data Cloud εισήχθησαν στο λογισμικό ENVI. Τα τρία σύνολα εικόνων διαφορετικών χρονικών περιόδων υποβλήθηκαν σε ραδιομετρική βαθμονόμηση και ατμοσφαιρική διόρθωση μέσω των αντίστοιχων ενοτήτων του ENVI. Στη συνέχεια, οι επεξεργασμένες δορυφορικές εικόνες αποκόπηκαν (clipped) με τη χρήση του ArcGIS, βάσει του χάρτη της πόλης Xichang που λήφθηκε από την πλατφόρμα οπτικοποίησης δεδομένων AliCloud (Datavision).
Μετά την επεξεργασία, οι τιμές του Κανονικοποιημένου Δείκτη Βλάστησης (NDVI) υπολογίστηκαν με τη χρήση του εργαλείου Band Math του ENVI, σύμφωνα με τον ακόλουθο τύπο:
NDVI = (NIR − Red) / (NIR + Red) (1)

'''2.3 Επεξεργασία δεδομένων'''

: '''2.3.1 Επεξεργασία δορυφορικών δεδομένων εικόνας'''
Τα λογισμικά εργαλεία που χρησιμοποιήθηκαν για την προεπεξεργασία των δορυφορικών δεδομένων εικόνας ήταν τα ENVI 5.6 και ArcGIS. Τέλος, οι υπολογισμένες τιμές NDVI συνδυάστηκαν με την ενότητα ArcMap του ArcGIS, ώστε να εξαχθεί η βλάστηση της πόλης Xichang και να παραχθεί ο χάρτης εξαγωγής βλάστησης της περιοχής.

: '''2.3.2 Επεξεργασία δεδομένων βλάστησης της περιοχής μελέτης'''
Σύμφωνα με τον χάρτη εξαγωγής βλάστησης της πόλης Xichang, επιλέχθηκαν κατάλληλες και ομοιόμορφα κατανεμημένες περιοχές βλάστησης ως περιοχές ενδιαφέροντος (ROI) για το πείραμα. Στη συνέχεια, με τη χρήση εκ νέου του εργαλείου Band Math στο ENVI, υπολογίστηκαν και εξήχθησαν οι τιμές NDVI και του Κανονικοποιημένου Δείκτη Διαφοράς Υπέρυθρου (NDII) των εικόνων, σύμφωνα με τους αντίστοιχους τύπους υπολογισμού.

'''3. Πειραματικά αποτελέσματα'''

: '''3.1 Αποτελέσματα δορυφορικών δεδομένων εικόνας'''
Τα αποτελέσματα που προέκυψαν μετά την προεπεξεργασία των τριών συνόλων δεδομένων εικόνας διαφορετικών χρονικών περιόδων με το λογισμικό ENVI παρουσιάζονται στο Σχ. 2. Παρατηρώντας τις προεπεξεργασμένες εικόνες των ετών 2016, 2018 και 2020, μπορεί να διαπιστωθεί ότι δεν υπάρχουν σημαντικές μεταβολές στη δασική έκταση της πόλης Xichang στην περιοχή μελέτης, γεγονός που υποδεικνύει ότι τα δεδομένα είναι αξιόπιστα και δεν επηρεάζουν την εγκυρότητα του πειράματος.

[[Αρχείο: Εικόνα 2(α). Προεπεξεργασμένη εικόνα από τον Μάρτιο 2020.jpg|thumb|center|700px|'''Εικόνα 2(α).''' Προεπεξεργασμένη εικόνα από τον Μάρτιο 2020]]
[[Αρχείο: Εικόνα 2(β). Προεπεξεργασμένη εικόνα από τον Μάρτιο 2018.jpg|thumb|center|700px|'''Εικόνα 2(β).''' Προεπεξεργασμένη εικόνα από τον Μάρτιο 2018]]
[[Αρχείο: Εικόνα 2(γ). Προεπεξεργασμένη εικόνα από τον Μάρτιο 2016.jpg|thumb|center|700px|'''Εικόνα 2(γ).''' Προεπεξεργασμένη εικόνα από τον Μάρτιο 2016]]

Μετά τον υπολογισμό των τιμών NDVI στα δεδομένα εικόνας, τα αποτελέσματα του χάρτη εξαγωγής βλάστησης για την πόλη Xichang παρουσιάζονται στο Σχ. 3. Από τα αποτελέσματα της εξαγωγής βλάστησης προκύπτει ότι η κατανομή της βλάστησης είναι πιο ομοιόμορφη στις βορειοδυτικές και νοτιοανατολικές περιοχές της πόλης, ενώ σε άλλες περιοχές η κατανομή είναι ανομοιόμορφη λόγω της επίδρασης της ανθρώπινης δραστηριότητας.
Λαμβάνοντας υπόψη ότι η δασική περιοχή στο νοτιοανατολικό τμήμα βρίσκεται πολύ κοντά στην περιοχή της δασικής πυρκαγιάς της 30ής Μαρτίου 2020 στην πόλη Xichang και ανταποκρίνεται περισσότερο στις απαιτήσεις του πειράματος, η τελική περιοχή ενδιαφέροντος (ROI) καθορίστηκε.

[[Αρχείο: Εικόνα 3. Χάρτης εξαγωγής βλάστησης της πόλης Xichang.jpg|thumb|center|400px|'''Εικόνα 3.''' Χάρτης εξαγωγής βλάστησης της πόλης Xichang]]

'''3.2 Αποτελέσματα δεδομένων περιοχής βλάστησης'''

: '''3.2.1 Ανάλυση τιμών NDVI'''
Τα αποτελέσματα των τιμών NDVI και NDII των περιοχών βλάστησης στην πόλη Xichang για τα τρία σύνολα δεδομένων του Μαρτίου 2020, του Μαρτίου 2018 και του Μαρτίου 2016 που χρησιμοποιήθηκαν στο πείραμα παρουσιάζονται στους Πίνακες 1, 2 και 3, αντίστοιχα, μέσω του σχετικού τύπου υπολογισμού. Τα δεδομένα που προέκυψαν περιλαμβάνουν τις μέσες, μέγιστες και ελάχιστες τιμές των δεικτών NDII και NDVI στην υπολογισμένη περιοχή ενδιαφέροντος (ROI), καθώς και τη διακύμανση (variance) των υπολογισμένων δεδομένων.

[[Αρχείο: Πίνακας 1. Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2020.jpg|thumb|center|1000px|'''Πίνακας 1.''' Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2020]]

[[Αρχείο: Πίνακας 2. Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2018.jpg|thumb|center|1000px|'''Πίνακας 2.''' Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2018]]

[[Αρχείο: Πίνακας 3. Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2016.jpg|thumb|center|1000px|'''Πίνακας 3.''' Τιμές NDVI και NDII των φυτικών περιοχών στην πόλη Xichang το 2016]]

Από την παρατήρηση των αποτελεσμάτων των δεδομένων προκύπτει ότι, σύμφωνα με τα δεδομένα των πινάκων για τα έτη 2016, 2018 και 2020, το εύρος τιμών του NDVI κυμαίνεται μεταξύ -1 και 1 και οι μέσες τιμές NDVI των τριών συνόλων δεδομένων είναι παρόμοιες, συγκεκριμένα 0,4593, 0,4517 και 0,1752, αντίστοιχα. Η διαφορά δεν υπερβαίνει το 0,3, γεγονός που υποδεικνύει ότι το πείραμα για την περιοχή ενδιαφέροντος (ROI) του δασικού τομέα της πόλης Xichang είναι αξιόπιστο. Αυτό δείχνει ότι η βλάστηση στην εξεταζόμενη δασική περιοχή της πόλης Xichang δεν παρουσίασε σημαντικές μεταβολές από τον Μάρτιο του 2016 έως τον Μάρτιο του 2020. Το αποτέλεσμα αυτό αποκλείει την πιθανότητα σφαλμάτων που προκαλούνται από μεταβολές στους γεωγραφικούς ή περιβαλλοντικούς παράγοντες, διασφαλίζοντας την ακρίβεια των πειραματικών δεδομένων και τη σταθερότητα των αποτελεσμάτων.

: '''3.2.2 Ανάλυση υδατικής περιεκτικότητας και ευφλεκτότητας'''
Δεδομένου ότι ο δείκτης NDII έχει ισχυρή θετική συσχέτιση με την περιεκτικότητα της βλάστησης σε νερό και αποτελεί τον προτιμώμενο δείκτη για την παρακολούθηση της υγρασίας, η περιεκτικότητα σε νερό της βλάστησης μπορεί να εκτιμηθεί με βάση τις τιμές NDII της τοπικής βλάστησης, ώστε να προσδιοριστεί η ευφλεκτότητα της τοπικής βλάστησης και η πιθανότητα εκδήλωσης δασικών πυρκαγιών σε περίπτωση ξηρασίας.
Συγκρίνοντας τις τιμές NDII των τριών ομάδων δεδομένων στους Πίνακες 1–3, διαπιστώνεται ότι η μέση τιμή NDII τον Μάρτιο του 2020 είναι −0.7770, η οποία είναι πολύ μικρότερη από τη μέση τιμή NDII των 0.7814 τον Μάρτιο του 2018 και 0.2917 τον Μάρτιο του 2016. Το πειραματικό αποτέλεσμα δείχνει ότι η μέση περιεκτικότητα σε νερό της δασικής βλάστησης και άλλων καύσιμων υλικών στην πειραματική περιοχή τον Μάρτιο του 2020 είναι πολύ χαμηλότερη από τη μέση περιεκτικότητα σε νερό της δασικής βλάστησης και άλλων καύσιμων υλικών τον Μάρτιο του 2016 και τον Μάρτιο του 2018, γεγονός που συμφωνεί με την πραγματική κατάσταση των δασικών πυρκαγιών στην πόλη Xichang στις 30 Μαρτίου 2020. Το αποτέλεσμα αυτό αποδεικνύει επίσης ότι η μείωση της μέσης περιεκτικότητας σε υγρασία έχει ισχυρή συσχέτιση με την πιθανότητα εκδήλωσης δασικών πυρκαγιών.
Η ελάχιστη τιμή NDII τον Μάρτιο του 2020 έφτασε επίσης σε πολύ χαμηλό επίπεδο, −0.8486, υποδεικνύοντας ότι η βλάστηση στη συγκεκριμένη τοποθεσία έχει τη χαμηλότερη περιεκτικότητα σε νερό και είναι πιο πιθανό να αποτελεί ένα από τα πιθανά σημεία έναρξης της πυρκαγιάς της 30ής Μαρτίου 2020 στο Xichang.
Αναλύοντας τα πειραματικά αποτελέσματα, μπορεί να κριθεί ότι η περιεκτικότητα σε νερό της βλάστησης στην πόλη Xichang τον Μάρτιο του 2020 είναι πολύ μικρότερη από αυτήν του Μαρτίου 2018 καθώς και του Μαρτίου 2016, και ότι η βλάστηση είναι ιδιαίτερα εύφλεκτη, με υψηλή πιθανότητα εκδήλωσης δασικών πυρκαγιών.

'''4. Συζήτηση'''

Σύμφωνα με τα πειραματικά δεδομένα, οι μέσες τιμές του δείκτη NDVI στις περιοχές βλάστησης της πόλης Xichang τον Μάρτιο των ετών 2016, 2018 και 2020 ήταν αντίστοιχα 0.1752, 0.4517 και 0.4593. Παρότι παρατηρήθηκαν διακυμάνσεις μεταξύ των ετών από το 2016 έως το 2018, ο συνδυασμός των μετεωρολογικών παραγόντων της πόλης Xichang που προκλήθηκαν από ανώμαλες μεταβολές στις τιμές, καθώς και η διαφορά μεταξύ των τιμών, δεν υπερέβη το 0.3. Παράλληλα, τα τρία σύνολα δεδομένων βρίσκονται εντός του θεωρητικού εύρους τιμών του NDVI (−1 έως 1), ενώ συνολικά τα δεδομένα και η διασπορά τους δεν παρουσίασαν σημαντικές ανωμαλίες.
Το αποτέλεσμα αυτό καταδεικνύει τη σταθερότητα της φυτοκάλυψης στην πειραματική περιοχή μελέτης. Η χαμηλή μεταβλητότητα των δεδομένων NDVI, χωρίς συστηματική μετατόπιση, υποδηλώνει ότι δεν έχει σημειωθεί εκτεταμένη υποβάθμιση της βλάστησης ή αλλαγή στη χρήση γης στην περιοχή μελέτης. Αυτό επιβεβαιώνει ότι η επίδραση των γεωγραφικών μεταβολών στα πειραματικά αποτελέσματα είναι αμελητέα και συμφωνεί με την περιγραφή της σταθερότητας της κάλυψης από αειθαλή πλατύφυλλα δάση στη νοτιοδυτική περιοχή, όπως αναφέρεται στην «Έκθεση για τους Δασικούς Πόρους της Κίνας».
Η μέση τιμή του NDII στην περιοχή μελέτης τον Μάρτιο του 2020 ήταν −0.7770, παρουσιάζοντας σημαντική αρνητική μετατόπιση σε σύγκριση με το 2016 (0.2917) και το 2018 (0.7814). Δεδομένου ότι ο δείκτης NDII συσχετίζεται γραμμικά και θετικά με την περιεκτικότητα της βλάστησης σε νερό, αυτό υποδηλώνει ότι η περιεκτικότητα σε νερό της περιφερειακής βλάστησης τον Μάρτιο του 2020 μειώθηκε στο χαμηλότερο επίπεδο της τριετούς περιόδου παρατήρησης, περίπου κατά 35% έως 48% σε σύγκριση με τα δύο προηγούμενα έτη, γεγονός που υποδηλώνει εξαιρετικά υψηλό κίνδυνο ευφλεκτότητας.
Επιπλέον, η παρούσα μελέτη βασίζεται στη μέγιστη, την ελάχιστη και τη μέση τιμή του NDII στην περιοχή μελέτης τον Μάρτιο του 2020, ως τρία διαφορετικά κατώφλια, προκειμένου να δημιουργηθεί ένα σύστημα προειδοποίησης τριών επιπέδων [10]. Συγκεκριμένα, όταν η τιμή NDII είναι χαμηλότερη από τη μέγιστη τιμή NDII της περιοχής βλάστησης της πόλης Xichang τον Μάρτιο του 2020 (−0.478), υπάρχει συγκεκριμένη πιθανότητα εκδήλωσης δασικής πυρκαγιάς και μπορεί να ενεργοποιηθεί προειδοποίηση δασικής πυρκαγιάς τρίτου επιπέδου. Όταν η τιμή NDII είναι χαμηλότερη από τη μέση τιμή NDII της περιοχής βλάστησης της πόλης Xichang τον Μάρτιο του 2020 (−0.7770), μπορεί να ενεργοποιηθεί προειδοποίηση δασικής πυρκαγιάς δεύτερου επιπέδου. Όταν η τιμή NDII είναι χαμηλότερη από την ελάχιστη τιμή NDII της περιοχής βλάστησης της πόλης Xichang τον Μάρτιο του 2020 (−0.8486), η πιθανότητα εκδήλωσης δασικής πυρκαγιάς είναι εξαιρετικά υψηλή και ενεργοποιείται προειδοποίηση δασικής πυρκαγιάς πρώτου επιπέδου. Με βάση αυτά τα τρία διαφορετικά κατώφλια προειδοποίησης, μπορεί να δημιουργηθεί ένα μοντέλο προειδοποίησης δασικών πυρκαγιών.

'''5. Συμπεράσματα'''

Μέσω της παρούσας μελέτης, παρακολουθήθηκε και αναλύθηκε η βλάστηση της δασικής περιοχής της πόλης Xichang, στην Αυτόνομη Νομαρχία Liangshan της επαρχίας Sichuan. Τα αποτελέσματα έδειξαν ότι η περιεκτικότητα της βλάστησης σε νερό παρουσιάζει σημαντική αρνητική συσχέτιση με τον κίνδυνο εκδήλωσης δασικών πυρκαγιών και ότι η πιθανότητα πυρκαγιάς είναι ιδιαίτερα υψηλή όταν η τιμή NDII, που αντιπροσωπεύει την περιεκτικότητα της βλάστησης σε νερό, είναι χαμηλότερη από −0.8486.
Για την περιοχή μελέτης, ιδίως κατά τις θερμές και ξηρές περιόδους, η περιεκτικότητα της βλάστησης σε νερό τείνει να μειώνεται, γεγονός που οδηγεί σε συνολική αύξηση του επιπέδου κινδύνου δασικών πυρκαγιών. Αυτό αποδεικνύει αναμφίβολα ότι η περιεκτικότητα της βλάστησης σε νερό αποτελεί έναν από τους βασικούς δείκτες στην αξιολόγηση του κινδύνου δασικών πυρκαγιών.
Συνολικά, η περιεκτικότητα της βλάστησης σε νερό, ως σημαντικός δείκτης για την πρόληψη και την ανίχνευση δασικών πυρκαγιών, παρουσιάζει ευρείες προοπτικές εφαρμογής στη βελτίωση της ανθρώπινης ικανότητας πρόληψης δασικών πυρκαγιών. Ωστόσο, η παρούσα μελέτη παρουσιάζει ορισμένους προφανείς περιορισμούς. Για παράδειγμα, η πηγή δεδομένων που χρησιμοποιήθηκε είναι ο δορυφόρος Landsat 8· ως δορυφόρος διαστημικής τηλεπισκόπησης, τα δεδομένα που παρέχει παρουσιάζουν αναπόφευκτα χρονική υστέρηση, γεγονός που καθιστά αδύνατη την παρακολούθηση σε πραγματικό χρόνο και την άμεση παροχή ανατροφοδότησης δεδομένων, μειώνοντας έτσι την επικαιρότητα του συστήματος ανίχνευσης και έγκαιρης προειδοποίησης.
Η παρούσα εργασία προτείνει ορισμένες ιδέες για την αντιμετώπιση αυτού του προβλήματος. Στο μέλλον, θα μπορούσε να εξεταστεί η αντικατάσταση των δορυφορικών δεδομένων με χρονική υστέρηση από εναέρια τηλεπισκόπηση με άμεση απόκριση, καθώς και η χρήση φορητών μη επανδρωμένων αεροσκαφών (drones) εξοπλισμένων με οπτικούς αισθητήρες τηλεπισκόπησης για την παρατήρηση συγκεκριμένων περιοχών. Με τον τρόπο αυτό μπορούν να αντιμετωπιστούν οι αδυναμίες της διαστημικής τηλεπισκόπησης ως προς την αμεσότητα. Επιπλέον, οι επιδόσεις και οι λειτουργίες της τηλεπισκόπησης θα πρέπει να βελτιστοποιούνται και να ενισχύονται συνεχώς σε μεγαλύτερη χωρική και χρονική κλίμακα, ώστε να βελτιώνεται διαρκώς το σύστημα αξιολόγησης του κινδύνου δασικών πυρκαγιών.

[[category: Δασοπονία, Δασική διαχείριση]]

Ευαισθησία στην Ξηρασία του Castanea sativa: Μελέτη της Καλοκαιρινής Ξηρασίας του 2003 στις Νότιες Άλπεις

2026-02-07T16:49:03Z

IOANNA OSMANI:

'''Drought Sensitivity of Castanea sativa: Case Study of Summer 2003 in the Southern Alps'''

''M. Conedera, F. Barthold, D. Torriani, G.B. Pezzatti''

''Πηγή'': [https://www.researchgate.net/profile/Gianni-Pezzatti/publication/287715352_Drought_sensitivity_of_Castanea_sativa_Case_study_of_summer_2003_in_the_Southern_Alps/links/567a939508aebccc4dfd36e2/Drought-sensitivity-of-Castanea-sativa-Case-study-of-summer-2003-in-the-Southern-Alps.pdf]

: '''Λέξεις κλειδιά''' : Περιοχή καστανιάς, Ακραία καιρικά φαινόμενα, Καλοκαιρινή ξηρασία, Κλιματική αλλαγή

===ΠΕΡΙΛΗΨΗ===
Οι μετα-καλλιεργητικές δυναμικές των εγκαταλειμμένων δασών καστανιάς και οι ασθένειες, όπως η ασθένεια της καστανιάς και η ασθένεια του μελανιού, έχουν αναγνωριστεί ως κύριοι παράγοντες της φυσικής αποχώρησης της καστανιάς. Η κλιματική θέρμανση που προκαλεί ξηρασία ενδέχεται να αλληλεπιδρά με αυτές τις δυναμικές και να επιταχύνει την εξαφάνιση της καστανιάς από περιοχές που παλαιότερα καλλιεργούνταν. Το καλοκαίρι του 2003 ήταν το θερμότερο στην ιστορία της Ελβετίας. Ορισμένα δάση καστανιάς υπέστησαν ζημιές λόγω ενός συνδυασμού της θερμότητας και ενός σημαντικού ελλείμματος βροχοπτώσεων στις Νότιες Άλπεις. Μεταξύ Αυγούστου και Οκτωβρίου 2003, οι περιοχές αυτές χαρτογραφήθηκαν και εξετάστηκαν για πιθανές συσχετίσεις με τις γεωμορφολογικές συνθήκες. Όπως αναμενόταν, η ξηρασία και η θερμότητα, ειδικά σε δάση που επηρεάστηκαν με επιφανειακά εδάφη και στις άκρες των δασών, φάνηκαν να είναι ακόμη πιο σημαντικές λόγω της έκθεσης. Παρά την περιορισμένη ζημιά που υπήρξε, το καλοκαίρι του 2003 έδειξε ότι η Castanea sativa δεν διαθέτει έναν αποτελεσματικό μηχανισμό για να προστατευθεί από την υπερβολική διαπνοή σε ακραία και ξηρά περιβάλλοντα. Αυτό μπορεί να εγείρει νέα ερωτήματα σχετικά με την οικολογική πλαστικότητα της καστανιάς με την προοπτική της κλιματικής αλλαγής.

'''1. Υλικά και Μέθοδοι'''

Με το τέλος του Ιουλίου 2003, τα δέντρα καστανιάς που υπέστησαν στρες λόγω ξηρασίας παρουσίασαν συμπτώματα με καφέ χρώμα στα φύλλα, δίνοντας στο στέμμα μια κυρίαρχη καφετιά απόχρωση. Από τις 8 Αυγούστου έως τις 6 Οκτωβρίου 2003, όλα τα δάση καστανιάς στην περιοχή μελέτης που παρουσίαζαν συμπτώματα μαρασμού εντοπίστηκαν από την αντίθετη πλευρά της κοιλάδας με τη βοήθεια κιάλια και χαρτογραφήθηκαν. Το ποσοστό των μαραμένων δέντρων εκτιμήθηκε σε κλάσεις του 5%. Συνεχόμενα δάση ή ομάδες δέντρων που παρουσίαζαν παρόμοιο βαθμό μαρασμένων φύλλων ομαδοποιήθηκαν σε ομογενείς περιοχές μαρασμένων κλαδιών και τα αντίστοιχα πολύγωνα ψηφιοποιήθηκαν σε GIS.
Τα αναφοράς πολύγωνα των φαινομενικά υγιών (μη μαραμένων) δέντρων καστανιάς δημιουργήθηκαν με GIS, αποτελούμενα από κυκλικές περιοχές που κατανεμήθηκαν τυχαία και είχαν μέγεθος ίσο με το μέσο πολύγωνο των παρατηρηθέντων μαραμένων περιοχών. Όλα τα πολύγωνα μαραμένων και μη μαραμένων κατατάχθηκαν σύμφωνα με τα εξής χαρακτηριστικά: Ποσοστό μαραμένων δέντρων (έρευνα στο πεδίο), Κλίση Εδάφους, Άκρες Δασών και Βράχοι (από τον τοπογραφικό χάρτη 1:25’000). Δημιουργήθηκε ένα πλέγμα 50 x 50 μέτρων τετραγώνων για κάθε θεωρούμενο πολύγωνο και προστέθηκαν οι πληροφορίες σχετικά με το Υψόμετρο, την Κλίση και την Κατεύθυνση για κάθε σημείο σύμφωνα με το Ψηφιακό Μοντέλο Υψομέτρου (Swisstopo DHM25). Ο πίνακας 2 δείχνει τις κατηγορίες που χρησιμοποιήθηκαν για τον καθορισμό των μεταβλητών για κάθε μεταβλητή που εξετάστηκε.
Η μοντελοποίηση έγινε με τη χρήση της στατιστικής διαδικασίας Systat 10, με την επιλογή "backwards stepwise" και βασίστηκε σε 1000 τυχαία επιλεγμένα σημεία του πλέγματος και για τα δύο πολύγωνα των μαραμένων και των υγιών δέντρων (Barthold et al., 2004).

[[Αρχείο: Εικόνα 1. Περιοχή μελέτης.jpg|thumb|center|1200px|'''Εικόνα 1.''' Περιοχή μελέτης]]

'''2. Αποτελέσματα'''
Συνολικά, χαρτογραφήθηκαν 715,98 ha δασών καστανιάς, όπου τουλάχιστον το 5% των δέντρων παρουσίασαν μαρασμό, που αντιστοιχεί στο 6,03% της περιοχής μελέτης. Μόνο 10,24 ha (0,09%) κατατάχθηκαν ως πλήρως μαραμένα, δηλαδή όλα τα δέντρα παρουσίαζαν συμπτώματα μαρασμού. Οι πιο επηρεασμένες περιοχές ήταν οι Ανατολικές και Δυτικές όψεις, ενώ τα χαμηλά υψόμετρα (<500) παρουσίασαν μεγαλύτερη επίπτωση. Η παρουσία βράχων, ανυψώσεων ή άκρων δασών αύξησε τη συχνότητα των δέντρων με ζημιές.

[[Αρχείο: Εικόνα 2. Συσσωρευμένες βροχοπτώσεις στον μετεωρολογικό σταθμό του Λοκάρνο-Μόντι το 2003 και μέσες τιμές για την περίοδο 1981-2008 (πηγή. MeteoSwiss).jpg|thumb|left|700px|'''Εικόνα 2.''' Συσσωρευμένες βροχοπτώσεις στον μετεωρολογικό σταθμό του Λοκάρνο-Μόντι το 2003 και μέσες τιμές για την περίοδο 1981-2008 (πηγή: MeteoSwiss)]]

[[Αρχείο: Εικόνα 3. Μέσες ημερήσιες θερμοκρασίες στον μετεωρολογικό σταθμό του Locarno-Monti το 2003 και μέσες τιμές της περιόδου 1981–2008 (πηγή. MeteoSwiss).jpg|thumb|right|700px|'''Εικόνα 3.''' Μέσες ημερήσιες θερμοκρασίες στον μετεωρολογικό σταθμό του Locarno-Monti το 2003 και μέσες τιμές της περιόδου 1981–2008]]

'''3. Συζήτηση'''

Ο συνδυασμός της ξηρασίας και των ακραία υψηλών θερμοκρασιών προκαλεί έναν σοβαρό παράγοντα στρες για τη βλάστηση, που μπορεί να οδηγήσει σε ανεπανόρθωτες βλάβες των ιστών (Wang et al., 2003). Οι επιπτώσεις του καλοκαιριού του 2003 στις Νότιες Άλπεις της Ελβετίας έδειξαν ότι η καστανιά είναι ευαίσθητη στην έλλειψη νερού. Παρόμοια ευρήματα είχαν αναφερθεί και το 1949 σχετικά με τον μαρασμό των ενήλικων δέντρων καστανιάς κατά τη διάρκεια του καλοκαιριού ξηρασίας στη Γαλλική Βρετάνη, όπου επηρεάστηκαν κυρίως τα δέντρα που βρίσκονταν στις άκρες των δασών. Αυτό δείχνει ότι η καστανιά στον ορεινό νότιο κλίμα της Ελβετίας μπορεί να έχει ήδη επιλεγεί από προηγούμενες, μικρότερες ξηρασίες.
Αν και η αντοχή της καστανιάς στη ξηρασία μπορεί να διαφέρει ανάλογα με την προέλευση των δέντρων, προτείνουμε την υπόθεση ότι η Castanea sativa δεν διαθέτει έναν αποτελεσματικό μηχανισμό για να προστατευτεί από την υπερβολική διαπνοή σε περίπτωση ακραίας θερμότητας και ξηρασίας. Αυτό εγείρει νέα ερωτήματα σχετικά με την οικολογική πλαστικότητα της καστανιάς ενόψει της κλιματικής αλλαγής. Επιπλέον, τα στρεσαρισμένα και μαραμένα δέντρα καστανιάς είναι πιο επιρρεπή σε προσβολές από παθογόνα όπως οι Cryphonectria parasitica ή Phytophthora spp., τα οποία μειώνουν τη ζωτικότητα των δέντρων και την ανταγωνιστικότητά τους (Turchetti et al., 2003; Prospero et al., 2006).
Η αναμενόμενη αύξηση των ακραίων καιρικών φαινομένων, και ειδικά των θερμών καλοκαιρινών περιόδων, μπορεί να αποτελέσει σοβαρή απειλή για τα δάση καστανιάς στην Ευρώπη.

[[category: Δασοπονία, Δασική διαχείριση]]

GIS-Based Assessment of Fire Effects on Flash Flood Hazard: The Case of the Summer 2021 Forest Fires in Greece

2026-02-07T15:47:24Z

IOANNA OSMANI:

'''GIS-Based Assessment of Fire Effects on Flash Flood Hazard: The Case of the Summer 2021 Forest Fires in Greece'''

''Niki Evelpidou, Maria Tzouxanioti, Evangelos Spyrou, Alexandros Petropoulos, Anna Karkani, Giannis Saitis και Markos Margaritis''

''Πηγή'': [http://scholar.uoa.gr/sites/default/files/evelpidou/files/evelpidou_niki_paper54.pdf]

: '''Λέξεις κλειδιά''' : Πλημμύρες, Δασικές πυρκαγιές, Φυσικοί κίνδυνοι, Μοντελοποίηση

===ΠΕΡΙΛΗΨΗ===
Η Ελλάδα, όπως και οι άλλες χώρες της Μεσογείου, αντιμετωπίζει δασικές πυρκαγιές κάθε χρόνο. Εκτός από τις βραχυπρόθεσμες κοινωνικοοικονομικές συνέπειες, την οικολογική καταστροφή και τις ανθρώπινες απώλειες, οι δασικές πυρκαγιές αυξάνουν τον κίνδυνο για πλημμύρες, καθώς η βλάστηση που προστάτευε το έδαφος από την απορροή και τη διάβρωση καταστρέφεται. Ανάμεσα στις πιο σοβαρές πυρκαγιές στην Ελλάδα, ήταν εκείνες του καλοκαιριού του 2021, οι οποίες συνέπεσαν με τις ακραίες θερμοκρασίες που πλήττουν την περιοχή των Βαλκανίων. Περισσότερα από 3600 km² καμένης γης και σημαντική απώλεια φυσικής βλάστησης καταγράφηκαν. Στην παρούσα εργασία εξετάζονται τρεις περιοχές που επλήγησαν από τις πυρκαγιές, συγκεκριμένα η Αττική, η Βόρεια Εύβοια και η Πελοπόννησος, προκειμένου να αξιολογηθεί ο κίνδυνος για μελλοντικές πλημμύρες. Η χαρτογράφηση των καμένων περιοχών, καθώς και η ανάλυση των γεωλογικών και γεωμορφολογικών χαρακτηριστικών τους, επιτρέπει την εφαρμογή ενός μοντέλου εκτίμησης του κινδύνου για πλημμύρες με χρήση Γεωγραφικών Συστημάτων Πληροφοριών (GIS). Τα ευρήματα δείχνουν ότι οι περιοχές που βρίσκονται κάτω από τις καμένες εκτάσεις διατρέχουν υψηλό κίνδυνο για πλημμύρες λόγω των γεωμορφολογικών χαρακτηριστικών τους.

='''1. Εισαγωγή'''=
Οι πλημμύρες και ειδικά οι ξαφνικές πλημμύρες αποτελούν μερικές από τις πιο καταστροφικές φυσικές καταστροφές. Συνήθως συμβαίνουν μετά από έντονες και συνεχείς βροχοπτώσεις, ενώ η εμφάνισή τους ενισχύεται από τα γεωμορφολογικά και γεωλογικά χαρακτηριστικά της περιοχής, καθώς και από την κάλυψη του εδάφους και τη διαχείρισή του. Η βλάστηση, και ειδικότερα τα δέντρα, παίζουν καθοριστικό ρόλο στην απορρόφηση των βροχοπτώσεων και την προστασία από τις πλημμύρες. Μετά από δασικές πυρκαγιές, η βλάστηση αφαιρείται και οι συνθήκες για πλημμύρες επιδεινώνονται λόγω της απώλειας αυτών των προστατευτικών λειτουργιών.
Οι δασικές πυρκαγιές έχουν καταστροφικές συνέπειες για το περιβάλλον και τις υποδομές, επηρεάζοντας τη διείσδυση του νερού στο έδαφος και προκαλώντας την αύξηση της απορροής και της διάβρωσης. Μελέτες σε διάφορες περιοχές, όπως η Βρετανική Κολούμπια, έδειξαν ότι οι φυσικοί κίνδυνοι αυξάνονται μετά από πυρκαγιές, με την εμφάνιση κατολισθήσεων, ροών συντριμμιών και πλημμυρών.

='''2. Περιοχές Μελέτης'''=
Στην παρούσα έρευνα μελετήθηκαν τρεις περιοχές στην Ελλάδα: η Αττική, η Βόρεια Εύβοια και η Πελοπόννησος. Η Αττική καλύπτει 3023 km², η Εύβοια είναι το δεύτερο μεγαλύτερο νησί της Ελλάδας (3658 km²), και η Πελοπόννησος καλύπτει 21,650 km². Το κλίμα είναι μεσογειακό, με ήπιους χειμώνες και ζεστά, ξηρά καλοκαίρια. Οι πλημμύρες στην περιοχή προκαλούνται από ακραίες και έντονες βροχοπτώσεις, όπως η πλημμύρα της 9ης Αυγούστου 2020 στην Εύβοια, η οποία οφείλεται σε βροχή 297 mm σε 8 ώρες.

='''3. Υλικά και Μέθοδοι'''=
Για τους σκοπούς αυτής της μελέτης, εξετάστηκαν τα γεωλογικά και γεωμορφολογικά χαρακτηριστικά των καμένων περιοχών και των ευρύτερων περιοχών τους. Τα δεδομένα προήλθαν από τη βιβλιογραφία, διάφορες μετρήσεις με λογισμικό GIS (ArcGIS Pro και MapInfo Pro), και επιτόπια εργασία που πραγματοποιήθηκε κατά τη διάρκεια προηγούμενων ερευνών στις περιοχές μελέτης. Όλα τα συλλεχθέντα δεδομένα εισήχθησαν στο λογισμικό GIS (ArcGIS Pro έκδοση 2.9.3 και MapInfo Pro έκδοση 12.5). Επίσης, δημιουργήθηκε ένας διαδικτυακός χάρτης μέσω της πλατφόρμας ArcGIS, όπου απεικονίζονται οι καμένες περιοχές των περιοχών μελέτης. Ο διαδικτυακός χάρτης είναι προσβάσιμος μέσω του παρακάτω συνδέσμου: https://arcg.is/1bqz1i (πρόσβαση στις 15 Μαΐου 2022).
Ο κίνδυνος για πλημμύρες εκτίμηθηκε χρησιμοποιώντας ένα μοντέλο βασισμένο σε λογική Boolean. Οι βασικές παράμετροι που χρησιμοποιήθηκαν ήταν η μορφολογία της κλίσης, η πυκνότητα απορροής, η υδρογεωλογία και οι καμένες περιοχές (Εικόνα 7). Τα βασικά δεδομένα που χρησιμοποιήθηκαν για την εκτίμηση περιλάμβαναν ένα μοντέλο ψηφιακού υψομέτρου (DEM) υψηλής ανάλυσης 5 × 5 μέτρα, το οποίο προήλθε από τοπογραφικούς χάρτες κλίμακας 1:5000, από έρευνες UAV (DJI Mavic Mini με υψόμετρο πτήσης 50–70 μέτρα) και μετρήσεις RTK-GNSS (Spectra SP-80 με ακρίβεια 0.2 μέτρα) στο πεδίο. Το DEM δημιουργήθηκε για να εντοπιστούν αλλαγές στο ανάγλυφο και στα φυσικά χαρακτηριστικά της περιοχής μελέτης.
Οι λεκάνες απορροής χρησιμοποιήθηκαν για να εντοπιστούν οι περιοχές της ανώτερης, μέσης και κατώτερης κλίσης, οι οποίες επηρεάζονται διαφορετικά σε περίπτωση ακραίας πλημμύρας, καθώς το νερό συγκεντρώνεται σε περιοχές χαμηλής κλίσης. Για την εκτίμηση του κινδύνου πλημμύρας, δημιουργήθηκε ένα πλέγμα 0.5 × 0.5 km, στο οποίο εφαρμόστηκαν οι κανόνες λογικής Boolean, αντί να χρησιμοποιηθούν οι λεκάνες απορροής, καθώς το μέγεθός τους δεν είναι ομοιόμορφο. Για παράδειγμα, στη Βόρεια Εύβοια, η μεγαλύτερη λεκάνη απορροής έχει μέγεθος 404 km², ενώ η επόμενη 152 km² και η αμέσως επόμενη 49 km². Στη συνέχεια, 103 λεκάνες απορροής με μέγεθος από 1–49 km² και πάνω από 500 μικρότερες λεκάνες απορροής καθορίστηκαν λόγω της παρουσίας ενός καλά αναπτυγμένου υδρογραφικού δικτύου στην περιοχή μελέτης.
Αυτοί οι κανόνες εκφράστηκαν μέσω ενός συνόλου κανόνων λογικής Boolean (Πίνακας 1) και αφορούν το πώς οι παράμετροι θα επηρεάσουν τις περιοχές χαμηλότερης κλίσης των μελετημένων υδρολογικών λεκανών. Σύμφωνα με τα μορφομετρικά και φυσιογραφικά χαρακτηριστικά των περιοχών μελέτης μας, οι κανόνες Boolean αποδίδουν τέσσερις τιμές στην παράμετρο της κλίσης (υψηλή, μεσαία, χαμηλή, πολύ χαμηλή), τέσσερις τιμές στην πυκνότητα απορροής (πολύ υψηλή, υψηλή, μεσαία και χαμηλή) και τρεις τιμές στην υδρογεωλογία (υψηλή, μεσαία, χαμηλή).
Η παράμετρος που έλαβε τη μεγαλύτερη βαρύτητα στο προτεινόμενο μοντέλο είναι η καμένη περιοχή. Αυτή η παράμετρος συνδυάστηκε με άλλες τρεις παραμέτρους, δηλαδή τη μορφολογία της κλίσης, την πυκνότητα απορροής και την υδρογεωλογία, προκειμένου να παραχθεί ο χάρτης κινδύνου πλημμύρας για τις περιοχές κατώτερης κλίσης. Πιο συγκεκριμένα, όταν η περιοχή ανώτερης κλίσης αποτελείται από μεγάλο ποσοστό καμένων περιοχών σε συνδυασμό με απότομο ανάγλυφο, υψηλή πυκνότητα απορροής και αδιαπέραστο υπέδαφος, αυτό οδηγεί σε επεισόδια πλημμυρών στις περιοχές χαμηλής κλίσης της κατώτερης περιοχής. Οι κανόνες λογικής θεωρούνται έγκυροι βάσει των επεισοδίων πλημμύρας του τρέχοντος έτους στη Βόρεια Εύβοια (Λίμνη, Μαδούδι και Αγία Άννα), περιοχές όπου το προτεινόμενο μοντέλο κατατάσσει τον κίνδυνο πλημμύρας των κατώτερων περιοχών τους ως υψηλό έως πολύ υψηλό.
Η τελική εκτίμηση του κινδύνου κατατάσσεται σε πέντε τιμές (πολύ υψηλό, υψηλό, μεσαίο, χαμηλό και πολύ χαμηλό) βάσει της συσχέτισης της καμένης περιοχής με την τιμή των άλλων παραμέτρων (π.χ., μορφολογία κλίσης, πυκνότητα απορροής και υδρογεωλογία). Οι περιοχές κατώτερης κλίσης σε κάθε περιοχή μελέτης χαρακτηρίζονται από χαμηλές έως πολύ χαμηλές μορφολογικές κλίσεις και χαμηλό ανάγλυφο. Ως αποτέλεσμα, παράμετροι όπως το συνολικό ανάγλυφο ή το μέσο υψόμετρο δεν παρέχουν έγκυρα αποτελέσματα. Παράμετροι όπως η ισχύς των ρεμάτων δεν υπολογίστηκαν, καθώς δεν υπήρχαν δεδομένα για τη ροή όγκου νερού. Οι παραπάνω παράμετροι, σε συνδυασμό με αυτές που χρησιμοποιήθηκαν στην παρούσα μελέτη, όπως η καμένη περιοχή, οι μορφολογικές κλίσεις, η πυκνότητα απορροής και η υδρογεωλογία, δεν οδήγησαν σε διαφορετικά αποτελέσματα και ως εκ τούτου δεν ελήφθησαν υπόψη.

[[Αρχείο: Εικόνα 1. Περιοχές που επηρεάστηκαν στη ευρύτερη περιοχή της βόρειας Εύβοιας.jpg|thumb|center|800px|'''Εικόνα 1.''' Περιοχές που επηρεάστηκαν στη ευρύτερη περιοχή της βόρειας Εύβοιας]]

[[Αρχείο: Εικόνα 2. Περιοχές που επηρεάστηκαν στην ευρύτερη περιοχή της Αρχαίας Ολυμπίας.jpg|thumb|center|800px|'''Εικόνα 2.'''Περιοχές που επηρεάστηκαν στην ευρύτερη περιοχή της Αρχαίας Ολυμπίας]]

[[Αρχείο: Εικόνα 3. Περιοχές που επηρεάστηκαν από πυρκαγιές και λαμβάνουν υψηλές τιμές στους κανόνες της λογικής Boolean: (Α) Αττική, (Β) Εύβοια, και (Γ) Πελοπόννησος.jpg|thumb|left|600px|'''Εικόνα 3.''' Περιοχές που επηρεάστηκαν από πυρκαγιές και λαμβάνουν υψηλές τιμές στους κανόνες της λογικής Boolean: (Α) Αττική, (Β) Εύβοια, και (Γ) Πελοπόννησος]]

='''4. Αποτελέσματα και Συζήτηση'''=
Σε πολλές χώρες ανά τον κόσμο, όπως η Ελλάδα, δεν υπάρχει συστηματική καταγραφή των υδρολογικών παραμέτρων (π.χ., δεδομένα παροχής). Στην προσέγγισή μας, χρησιμοποιείται μια ποσοτική μορφομετρική ανάλυση της λεκάνης απορροής σε σχέση με άλλες παραμέτρους (π.χ., πυκνότητα απορροής, υδρολογία) για την εκτίμηση του κινδύνου πλημμυρών σε μεγάλες περιοχές, όπως το βόρειο νησί της Εύβοιας, η Αττική και η Πελοπόννησος.
Οι εικόνες 3–6 δείχνουν τα φυσιογραφικά–μορφομετρικά χαρακτηριστικά των περιοχών μελέτης (καμένες περιοχές, κλίσεις, πυκνότητα απορροής και υδρολογία) που χρησιμοποιήθηκαν για την εκτίμηση του κινδύνου πλημμύρας. Όσον αφορά τις μορφολογικές κλίσεις, για την Αττική, τα περισσότερα μέρη των καμένων περιοχών χαρακτηρίζονται από μεγάλες κλίσεις. Η κατανομή της μορφολογικής κλίσης της Αττικής φαίνεται στην Εικόνα 4Α. Οι υψηλές κλίσεις καλύπτουν πάνω από το ήμισυ των πυρόπληκτων περιοχών. Συγκεκριμένα, το 53% των κλίσεων της περιοχής έχει κλίση μεγαλύτερη από 10°, το 1% από τις οποίες ξεπερνά τα 30°, το 29% κυμαίνεται μεταξύ 4° και 10°, και το 18% χαρακτηρίζεται από κλίση μικρότερη των 4°. Η καμένη περιοχή του βόρειου νησιού της Εύβοιας χαρακτηρίζεται από απότομες κλίσεις, διάβρωση από κοπή και πυκνά συστήματα απορροής. Συγκεκριμένα, η περιοχή χαρακτηρίζεται από μεγάλους αριθμούς μορφολογικών κλίσεων, μικρές λεκάνες και σύντομα υδρογραφικά δίκτυα. Σχεδόν το 65% της καμένης περιοχής έχει κλίση 10° έως 30° και το 20% περισσότερα από 30°. Επιπλέον, για την ευρύτερη περιοχή της Πελοποννήσου, οι πυρόπληκτες περιοχές χαρακτηρίζονται από υψηλές υψομετρικές τιμές και απότομες μορφολογικές κλίσεις (Εικόνα 4C). Στις περιοχές της Αρχαίας Ολυμπίας και της Ανατολικής Μάνης παρατηρείται καλά ανεπτυγμένο σύστημα απορροής. Στις περισσότερες περιπτώσεις, πάνω από το 80% των καμένων περιοχών χαρακτηρίζονται από κλίσεις με κλίση μεγαλύτερη από 10°. Συγκεκριμένα, στην Αρχαία Ολυμπία, οι κλίσεις με κλίση από 10° έως 30° καλύπτουν το 52%, ενώ οι κλίσεις που ξεπερνούν τα 30° καλύπτουν το 28%. Μόνο το 5% χαρακτηρίζεται από κλίση μικρότερη από 4°. Παρόμοια, στην περιοχή Διαβολίτσι, το 62% και το 24% των κλίσεων έχουν κλίσεις 10–30° και πάνω από 30° αντίστοιχα, ενώ οι επίπεδες περιοχές (λιγότερο από 4° κλίση) καλύπτουν μόνο το 3% της συνολικής περιοχής. Τέλος, στη Μάνη, οι κλίσεις πάνω από 30° και 10–30° είναι σχεδόν ίδιες, καλύπτοντας το 48% και το 35% των καμένων περιοχών αντίστοιχα, ενώ το 11% της περιοχής χαρακτηρίζεται από κλίσεις μεταξύ 4° και 10°.
Όσον αφορά την περιοχή Βίλια της Περιφέρειας Αττικής, ο κίνδυνος πλημμύρας γύρω από την καμένη περιοχή χαρακτηρίζεται γενικά ως χαμηλός προς μέτριος, καθώς η κλίση της περιοχής είναι χαμηλή προς μέτρια, η υδρολογία είναι μέτρια και η πυκνότητα απορροής κυμαίνεται από πολύ χαμηλή έως υψηλή (Εικόνα 6). Υψηλός κίνδυνος πλημμύρας παρατηρείται μόνο περιστασιακά βόρεια της καμένης περιοχής. Αυτό ήταν αναμενόμενο, καθώς η κλίση στην περιοχή αυτή είναι χαμηλή, αν και η υδρολογία χαρακτηρίζεται ως μέτρια προς υψηλή. Η πυκνότητα απορροής είναι υψηλή μόνο νότια των καμένων εκτάσεων και μόνο περιστασιακά βόρεια. Η στενή περιοχή γύρω από τα καμένα εδάφη περιλαμβάνει μια βόρεια λεκάνη απορροής των οποίων τα ρεύματα ρέουν προς τα ανατολικά και μια νότια που ρέει προς τα νοτιοανατολικά. Όσον αφορά την καμένη περιοχή της βόρειας λεκάνης, η περιοχή κατάντη χαρακτηρίζεται από μέτριο έως πολύ υψηλό κίνδυνο πλημμύρας. Όσο χαμηλότερο είναι το υψόμετρο κατά μήκος της λεκάνης, τόσο υψηλότερος είναι ο κίνδυνος πλημμύρας, το ίδιο ισχύει και για τη νότια λεκάνη: ο κίνδυνος πλημμύρας είναι μέτριος έως υψηλός αμέσως κατάντη της καμένης περιοχής και γίνεται υψηλός έως πολύ υψηλός όσο μειώνεται το υψόμετρο.
Όσον αφορά την περιοχή Βαρυμπόμπη, η περιοχή ανατολικά και δυτικά των καμένων εκτάσεων χαρακτηρίζεται από χαμηλό έως μέτριο κίνδυνο πλημμύρας (Εικόνα 7). Αντίθετα, οι πεδινές περιοχές κατάντη, όπως η αλλουβιακή πεδιάδα του Κηφισού, χαρακτηρίζονται από πολύ υψηλό κίνδυνο πλημμύρας, καθώς η κλίση της λεκάνης απορροής κατάντη είναι πολύ χαμηλή και ένα μεγάλο ποσοστό της λεκάνης απορροής ανάντη είναι καμένο.
Στην περίπτωση του Εθνικού Δρυμού Σουνίου (Εικόνα 7), οι τιμές κλίσης γύρω από τις καμένες περιοχές είναι χαμηλές προς μέτριες, ενώ η υδρολογία χαρακτηρίζεται ως μέτρια προς υψηλή. Το δίκτυο απορροής χαρακτηρίζεται από πολύ χαμηλή έως χαμηλή πυκνότητα απορροής, έτσι έχει ελάχιστη επίδραση στον κίνδυνο πλημμύρας. Συνολικά, ο κίνδυνος στην περιοχή χαρακτηρίζεται ως χαμηλός προς μέτριος, εκτός από την ανατολική πλευρά, όπου είναι πολύ υψηλός, καθώς η υδρολογία της περιοχής είναι μέτρια, οι κλίσεις κατάντη είναι πολύ χαμηλές και ανάντη η λεκάνη απορροής είναι καμένη.
Η βόρεια Εύβοια έχει υψηλές έως πολύ υψηλές τιμές όσον αφορά τις κλίσεις, την υδρολογία και την πυκνότητα απορροής. Ο κίνδυνος πλημμύρας χαρακτηρίζεται κυρίως ως υψηλός έως πολύ υψηλός σε σχεδόν όλες τις περιοχές γύρω από τις καμένες εκτάσεις (Εικόνα 8). Χαμηλές τιμές σημειώνονται στις νοτιοανατολικές και νοτιοδυτικές ακτές, όπου οι παράκτιες κλίσεις είναι υψηλές. Μεταξύ των περιοχών με πολύ υψηλό και υψηλό κίνδυνο πλημμύρας βρίσκονται χωριά και μικρότεροι οικισμοί με αρκετά μεγάλο πληθυσμό.
Στην Πελοπόννησο (Εικόνα 9), η περιοχή της Αρχαίας Ολυμπίας χαρακτηρίζεται κυρίως από πολύ χαμηλές, χαμηλές και μέτριες κλίσεις, με την πυκνότητα απορροής να είναι γενικά μέτρια, εκτός από τα μέρη κοντά στα κύρια ρεύματα, τα οποία έχουν υψηλές έως πολύ υψηλές τιμές. Η κύρια λεκάνη απορροής ρέει νοτιοδυτικά. Οι περιοχές κατάντη των καμένων περιοχών χαρακτηρίζονται κυρίως από υψηλό και πολύ υψηλό κίνδυνο πλημμύρας.
Στην περιοχή Διαβολίτσι, η κλίση κυμαίνεται από χαμηλή έως πολύ υψηλή γύρω από την καμένη περιοχή. Οι τιμές της πυκνότητας απορροής είναι γενικά μέτριες, με υψηλές και πολύ υψηλές τιμές κοντά στα κύρια ρεύματα. Στην στενή περιοχή της καμένης περιοχής υπάρχουν δύο λεκάνες απορροής: η ανατολική ρέει προς βόρεια και η δυτική προς νότια. Και οι δύο χαρακτηρίζονται από την ίδια προφίλ κινδύνου πλημμύρας: κατάντη της καμένης περιοχής, ο κίνδυνος είναι υψηλός, και γίνεται πολύ υψηλός περαιτέρω κατάντη.
Τέλος, στην Ανατολική Μάνη, οι τιμές κλίσης κυμαίνονται από μέτριες έως πολύ υψηλές γύρω από την καμένη περιοχή, με τις υψηλότερες τιμές να είναι βορειοδυτικά της καμένης περιοχής. Η πυκνότητα απορροής έχει τις ίδιες τιμές, με τις υψηλότερες να εμφανίζονται βορειοανατολικά των καμένων περιοχών. Υπάρχουν τρεις κύριες λεκάνες απορροής, οι οποίες ρέουν ΝΑ–ΝΔ. Από βόρεια προς νότια, ρέουν νοτιοδυτικά, νοτιοανατολικά και νοτιοδυτικά. Σε όλες τις περιπτώσεις, ο κίνδυνος πλημμύρας είναι υψηλός γύρω από τις καμένες περιοχές (ανάντη), αλλά πολύ υψηλός αμέσως κατάντη έως την παράκτια ζώνη.

='''5. Συμπεράσματα'''=
Οι καλοκαιρινές δασικές πυρκαγιές του 2021 ήταν από τις πιο έντονες και καταστρεπτικές πυρκαγιές που πλήττουν την Ελλάδα εδώ και δεκαετίες. Ως εκ τούτου, η ζημιά που προκλήθηκε στην τοπική χαμηλή βλάστηση και τα δάση ήταν μεγάλη, γεγονός που σημαίνει ότι τα χαρακτηριστικά και οι αρνητικές επιπτώσεις των ενδεχόμενων πλημμυρών είναι ακόμη μεγαλύτερες. Οι αναφερόμενες μελέτες περιπτώσεων δείχνουν ότι ο κίνδυνος πλημμύρας, ο οποίος είναι ήδη υψηλός στη Μεσογειακή περιοχή, αυξάνεται σε πολύ σημαντικό βαθμό αμέσως ή σύντομα μετά από σοβαρά γεγονότα πυρκαγιών. Τα αποτελέσματά μας επιβεβαιώνουν ότι οι περιοχές μελέτης, η βόρεια Εύβοια, η δυτική Πελοπόννησος και η περιοχή του Σουνίου στην Αττική, χαρακτηρίζονται από γεωλογικά και γεωμορφολογικά χαρακτηριστικά που διευκολύνουν τα φαινόμενα πλημμυρών κατάντη των καμένων περιοχών. Αυτό σημαίνει ότι μετά τις πυρκαγιές του καλοκαιριού του 2021, οι οποίες έκαψαν μια πολύ σημαντική επιφάνεια σε κάθε περιοχή και κατέστρεψαν μια τεράστια έκταση βλάστησης (κυρίως δάση), ο κίνδυνος πλημμυρών αναμένεται να αυξηθεί σημαντικά, δημιουργώντας την ανάγκη για μέτρα προστασίας και μετριασμού από τις τοπικές αρχές προκειμένου να μειωθούν οι επιπτώσεις της πυρκαγιάς στο μέγιστο δυνατό βαθμό. Στην περίπτωση των δασικών πυρκαγιών, η διαχείριση μετά τη φωτιά είναι δύσκολη λόγω των μεγάλων περιοχών που κινδυνεύουν. Για το λόγο αυτό, είναι απαραίτητο να καθοριστούν οι περιοχές υψηλού κινδύνου και να σχεδιαστούν πιο αποδοτικά τα έργα που πρέπει να πραγματοποιηθούν και πού. Δεδομένου ότι στις περισσότερες περιπτώσεις οι περιοχές υψηλού κινδύνου είναι κατοικημένες, είναι αναγκαίο να ληφθούν μέτρα προκειμένου να αποτραπεί η απώλεια ανθρώπινων ζωών και να προστατευτούν οι περιουσίες και οι υποδομές. Αυτή η μεθοδολογία θα μπορούσε να χρησιμοποιηθεί για την εκτίμηση του κινδύνου πλημμύρας σε μικρής κλίμακας περιοχές παγκοσμίως, και θα μπορούσε να βελτιωθεί στο μέλλον με την προσθήκη κοινωνικοοικονομικών παραμέτρων.

[[category: Δασοπονία, Δασική διαχείριση]]

Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων

2026-02-07T12:51:33Z

Rizoselef:

[[category:Υγεία]]

'''Αξιοποίηση της τηλεπισκόπησης και των γεωχωρικών τεχνολογιών στην πρόβλεψη εξάρσεων διαβιβαστικών νοσημάτων (Ανασκόπηση) '''

'''Πρωτότυπος τίτλος:''' ''Application of remote sensing and geospatial technologies in predicting vector-borne disease outbreaks (Review article)''

'''Συγγραφείς''': ''Ebrahim Abbasi''

'''Δημοσιεύθηκε''': ''15/10/2025, στο The Royal Society,''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1098/rsos.250536]

''' 1. ΕΙΣΑΓΩΓΗ'''

Τα νοσήματα που μεταδίδονται μέσω φορέων (Vector-Borne Diseases - VBDs) αποτελούν μία από τις μεγαλύτερες προκλήσεις για την παγκόσμια υγεία, επηρεάζοντας εκατομμύρια ανθρώπους ετησίως, ιδιαίτερα στις τροπικές και υποτροπικές περιοχές. Τα νοσήματα αυτά μεταδίδονται από φορείς όπως κουνούπια, τσιμπούρια και μύγες, οι οποίοι μεταφέρουν παθογόνους οργανισμούς (ιούς, βακτήρια, πρωτόζωα), προκαλώντας υψηλά ποσοστά νοσηρότητας και θνησιμότητας. Η εμφάνιση και η εξάπλωσή τους επηρεάζονται από ένα σύνθετο πλέγμα περιβαλλοντικών, κλιματικών και κοινωνικοοικονομικών παραγόντων. Η κατανόηση της χωρικής και χρονικής δυναμικής τους είναι κρίσιμη για την εφαρμογή έγκαιρων μέτρων ελέγχου, ειδικά υπό το πρίσμα της ταχείας αστικοποίησης και της κλιματικής αλλαγής.
Τις τελευταίες δεκαετίες, η πρόοδος στις γεωχωρικές τεχνολογίες και την τηλεπισκόπηση έχει φέρει επανάσταση στον τρόπο παρακολούθησης των οικολογικών παραγόντων που συμβάλλουν στη μετάδοση των VBDs. Τα δεδομένα τηλεπισκόπησης, όταν ενσωματώνονται σε Γεωγραφικά Συστήματα Πληροφοριών (GIS), προσφέρουν ισχυρά εργαλεία για την ανάλυση των οικοτόπων των φορέων, τον εντοπισμό ζωνών κινδύνου και την πρόβλεψη εξάρσεων.
Οι τεχνολογίες αυτές επιτρέπουν τη συλλογή δεδομένων υψηλής ανάλυσης για μεταβλητές όπως θερμοκρασία και υγρασία, βοχόπτωση και διαθεσιμότητα υδάτινων πόρων, χρήσεις γης και κάλυψη βλάστησης και τοπογραφία.
Ένα από τα κύρια πλεονεκτήματα της τηλεπισκόπησης είναι η ικανότητα παροχής πραγματικού χρόνου και συνεχούς κάλυψης σε παγκόσμια κλίμακα. Σε αντίθεση με τις παραδοσιακές μεθόδους επίγειας παρατήρησης, οι οποίες είναι χρονοβόρες και γεωγραφικά περιορισμένες, η τηλεπισκόπηση επιτρέπει την παρακολούθηση απομακρυσμένων ή δυσπρόσιτων περιοχών. Η ενσωμάτωση δεδομένων Παρατήρησης της Γης (Earth Observation - EO) με επιδημιολογικά μοντέλα ενισχύει την ακρίβεια των προβλέψεων, οδηγώντας σε βελτιωμένα Συστήματα Έγκαιρης Προειδοποίησης (Early Warning Systems - EWS).
Οι γεοχωρικές τεχνολογίες έχουν συνεισφέρει σημαντικά στον σχεδιασμό προγνωστικών μοντέλων που εκτιμούν τον κίνδυνο εξάρσεων VBDs, ενσωματώνοντας κλιματικές μεταβλητές, την πληθυσμιακή πυκνότητα και ιστορικά επιδημιολογικά δεδομένα. Επιπρόσθετα ο συνδυασμός δεδομένων τηλεπισκόπησης με τεχνητή νοημοσύνη και μηχανική μάθηση ενισχύει την ακρίβεια των προβλέψεων, αποκαλύπτοντας σύνθετα πρότυπα που οι παραδοσιακές στατιστικές μέθοδοι αδυνατούν να εντοπίσουν. Ωστόσο, η εφαρμογή αυτή έρχεται αντιμέτωπη με προκλήσεις, όπως η ανάγκη για δεδομένα υψηλής ανάλυσης και η αντιμετώπιση περιορισμών που προκύπτουν από τη νεφοκάλυψη ή την περιορισμένη χρονική συχνότητα των λήψεων. Η ουσιαστική αξιοποίηση των δεδομένων Παρατήρησης της Γης (EO) προϋποθέτει την ανάπτυξη ισχυρών μοντέλων που μπορούν να ερμηνεύσουν τις πολυεπίπεδες αλληλεπιδράσεις μεταξύ περιβαλλοντικών παραγόντων και συμπεριφοράς των φορέων.
Πέρα από το τεχνικό πλαίσιο, η μελέτη υπογραμμίζει την επιτακτική ανάγκη για διεπιστημονική συνεργασία μεταξύ εντομολόγων, επιδημιολόγων, κλιματολόγων και αναλυτών γεοχωρικών δεδομένων. Η ανταλλαγή δεδομένων, η τυποποίηση των μεθοδολογιών και η δημιουργία εύχρηστων συστημάτων υποστήριξης αποφάσεων είναι καθοριστικής σημασίας για τη μετατροπή της έρευνας σε εφαρμόσιμη πολιτική υγείας. Στόχος της εργασίας είναι να διερευνήσει τις τρέχουσες εφαρμογές και τις μελλοντικές προοπτικές αυτής της τηελεπισκόπισης και των γεοχωρικών δεδομένων για πρόβλεψη και έλεγχο εξάρσεων VBDs, αναδεικνύοντας τον κεντρικό ρόλο των δεδομένων παρατήρησης της Γης στη βελτίωση της επιτήρησης των νόσων και των συστημάτων έγκαιρης προειδοποίησης μέσα σε ένα διαρκώς μεταβαλλόμενο περιβάλλον.

'''2. ΜΕΘΟΔΟΛΟΓΙΑ'''

Η εργασία αποτελεί ανασκόπηση υιοθετώντας μια συστηματική και ολοκληρωμένη προσέγγιση για την αξιολόγηση των τρέχουσων εφαρμογών και του μελλοντικού δυναμικού των τεχνολογιών τηλεπισκόπησης (RS) και γεοχωρικής ανάλυσης στην πρόβλεψη και διαχείριση επιδημιών νοσημάτων που μεταδίδονται μέσω διαβιβαστών (VBDs).
Η μεθοδολογία είναι σχεδιασμένη για την διασφάλιση αυστηρής σύνθεσης του υπάρχοντος σώματος της βιβλιογραφίας, με έμφαση σε διεπιστημονικές μελέτες που γεφυρώνουν τα πεδία της ιατρικής εντομολογίας, της τηλεπισκόπησης και της γεωχωρικής ανάλυσης.
Οι ακόλουθες υποενότητες παρουσιάζουν τα βασικά βήματα και τα κριτήρια που εφαρμόστηκαν στη διαδικασία της ανασκόπησης, διασφαλίζοντας διαφάνεια, αναπαραγωγιμότητα και επιστημονική αυστηρότητα.

'''2.1 Στρατηγική Αναζήτησης Βιβλιογραφίας'''

Πραγματοποιήθηκε συστηματική αναζήτηση σε επιστημονικές βάσεις δεδομένων (PubMed, Web of Science, Scopus, IEEE Xplore). Χρησιμοποιήθηκαν λέξεις - κλειδιά όπως «Vector-borne diseases», «Remote sensing», «GIS», «Earth observation data» και «Machine learning». Η εργασία περιορίστηκε σε άρθρα κριτικά αξιολογημένα (peer reviewed) που δημοσιεύθηκαν μεταξύ 2000 και 2025, προκειμένου να συμπεριληφθούν οι πλέον σύγχρονες τεχνολογικές εξελίξεις.

'''2.2 Κριτήρια Ένταξης και Αποκλεισμού'''

Για τη διασφάλιση της ποιότητας, τα επιλεγμένα άρθρα έπρεπε να:

1. Εστιάζουν στην εφαρμογή RS ή GIS στο πλαίσιο των VBDs.

2. Αναλύουν περιβαλλοντικούς ή κλιματικούς παράγοντες.

3. Παρέχουν ποσοτικά ή ποιοτικά στοιχεία για προγνωστικά μοντέλα ή εκτίμηση κινδύνου.

Αποκλείστηκαν μελέτες που αφορούσαν αποκλειστικά εργαστηριακή έρευνα χωρίς γεoχωρική οπτική, καθώς και άρθρα χωρίς επαρκή μεθοδολογική τεκμηρίωση. Όλοι οι τίτλοι και τα abstracts αξιολογήθηκαν από δύο άτομα – κριτές.

'''2.3 Εξαγωγή και Σύνθεση Δεδομένων'''

Ένα δομημένο πρότυπο χρησιμοποιήθηκε για την καταγραφή κατάλληλων πληροφοριών από τις μελέτες. Τα δεδομένα που εξάχθηκαν περιλαμβάνουν, δεδομένα αναφορικά με τους στόχους της εργασίας, με την γεωγραφική περιοχή, με τις δορυφορικές πλατφόρμες (MODIS, Landsat, Sentinel), με τις αναλυτικές τεχνικές (Machine Learning - ML, χωρική στατιστική) και με τα βασικά ευρήματα για την επιτήρηση των φορέων. Η σύνθεση των εξαχθέντων δεδομένων έγινε με ομαδοποίηση των μελετών ανάλογα με το κύριο αντικείμενο τους.

'''2.4-2.5 Ποιοτική Αξιολόγηση και Θεωρητικό Πλαίσιο'''

Εφαρμόστηκε ένα πλαίσιο αξιολόγησης βάσει της σαφήνειας των στόχων και της ισχύος της στατιστικής ανάλυσης. Η μελέτη ενσωμάτωσε θεωρίες όπως η τοπιακή επιδημιολογία (landscape epidemiology) και η μοντελοποίηση οικολογικού θώκου (ecological niche modelling), για να ερμηνεύσει τις αλληλεπιδράσεις περιβάλλοντος-φορέα-ανθρώπου.

'''2.6 ΠΕΡΙΟΡΙΣΜΟΙ ΚΑΙ ΕΥΡΟΣ ΤΗΣ ΑΝΑΣΚΟΠΗΣ'''

Παρά τη συστηματική της προσέγγιση, η ανασκόπηση παρουσιάζει ορισμένους περιορισμούς. Ο αποκλεισμός μη αγγλόφωνων μελετών και η έμφαση αποκλειστικά σε βιβλιογραφία κρτικά αξιολογημένα (peer reviewed) ενδέχεται να περιόρισαν την ενσωμάτωση τοπικών δεδομένων ή αδημοσίευτων ερευνών Παράλληλα, η μελέτη εστιάζει στις τεχνολογίες τηλεπισκόπησης και GIS, χωρίς να επεκτείνεται σε μοριακές ή γενετικές αναλύσεις των φορέων. Παρά τους περιορισμούς αυτούς, η εργασία θέτει στέρεες βάσεις για μελλοντικές διεπιστημονικές εφαρμογές στην αντιμετώπιση των νοσημάτων που μεταδίδονται από φορείς.

[[Αρχείο:rs_wiki_4_prediction.png | thumb| 400 px | '''Εικόνα 1:'''Η διαδικασία πρόβλεψης και επιτήρησης VBDs με τη χρήση RS και GIS''']]

[[Αρχείο:rs_wiki_4_radarchart.png | thumb| 400 px | '''Εικόνα 2:''' Αξιολόγηση της ικανότητας και των προκλήσεων της εφαρμογής RS και GIS τεχνολογιών στην πρόβλεψη έξαρσης VBDs''']]

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ '''

Τα ευρήματα της παρούσας εργασίας (ανασκόπησης) κατηγοριοποιούνται σε κεντρικούς θεματικούς τομείς, αναδεικνύοντας τις προόδους και τους περιορισμούς των γεοχωρικών τεχνολογιών στην πρόβλεψη των VBDs. Ένα ευρύ φάσμα πλατφορμών τηλεπισκόπησης χρησιμοποιούνται για την παρακολούθηση περιβαλλοντικών και κλιματικών παραγόντων. Οι δορυφόροι Landsat αξιοποιούνται κυρίως για τη μελέτη αλλαγών στη χρήση και την κάλυψη γης (LULC), οι οποίες είναι καθοριστικές για την κατανόηση της καταλληλότητας των ενδιαιτημάτων για φορείς όπως τα κουνούπια (Aedes aegypti). Αντίστοιχα, ο MODIS εφαρμόζεται εκτενώς για την ανάλυση κλιματικών παραμέτρων, όπως η θερμοκρασία της επιφάνειας εδάφους και οι δείκτες βλάστησης, παρέχοντας δεδομένα για τη μοντελοποίηση της πυκνότητας των φορέων και του κινδύνου μετάδοσης. Ο Sentinel-2 αναδείχθηκε ως η προτιμώμενη πλατφόρμα για τη λεπτομερή χαρτογράφηση αστικών περιβαλλόντων με σημασία στην πρόβλεψη πυκνοκατοικημένων περιοχών, ενώ η ενσωμάτωση δεδομένων από μη επανδρωμένα αεροσκάφη (UAVs) πρόσφερε υψηλή ανάλυση για τοπικές παρεμβάσεις, παρά την περιορισμένη χωρική κάλυψη που παρέχουν.
Παράλληλα, υπογραμμίστηκε ο κομβικός ρόλος των Γεωγραφικών Συστημάτων Πληροφοριών (GIS) στην ενοποίηση περιβαλλοντικών και επιδημιολογικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων. Η χρήση δεικτών όπως ο NDVI σε συνδυασμό με δεδομένα βροχόπτωσης επέτρεψε την πρόβλεψη εποχιακών εξάρσεων της ελονοσίας, ενώ τα μοντέλα μηχανικής μάθησης (Random Forests, SVM) ενίσχυσαν την ακρίβεια των προβλέψεων. Κυρίαρχο θέμα στις εργασίες που ενσωματώθηκαν και αξιοοποιήθηκαν για την ανασκόπηση αποτελεί ο προσδιορισμός των περιβαλλοντικών οδηγών δηλαδή τη θερμοκρασία, τη βροχόπτωση και την αστικοποίηση, οι οποίοι αναδεικνύονται ως οι βασικότεροι παράγοντες που ρυθμίζουν τη δυναμική των πληθυσμών των φορέων. Συγκεκριμένα, διαπιστώθηκαν ισχυρές συσχετίσεις μεταξύ θερμοκρασιακών ανωμαλιών και εξάρσεων δάγκειου πυρετού, ενώ οι αλλαγές στη χρήση γης λόγω αστικοποίησης επηρέασαν σημαντικά την αφθονία των φορέων σε αστικές και περι-αστικές περιοχές.
Η εφαρμογή της τηλεπισκόπησης στην ανάπτυξη Συστημάτων Έγκαιρης Προειδοποίησης (EWS) αποτέλεσε επίσης σημείο αναφοράς, καθώς η συνέργεια δορυφορικών και επίγειων εντομολογικών δεδομένων βελτίωσε αισθητά την ικανότητα έγκαιρης παρέμβασης της δημόσιας υγείας. Ωστόσο, εντοπίστηκαν σημαντικά κενά, όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος και η ελλιπής ενσωμάτωση κοινωνικοοικονομικών μεταβλητών στα υπάρχοντα μοντέλα, όπως η κινητικότητα του πληθυσμού και η πρόσβαση σε υπηρεσίες υγείας. Τέλος, η ανασκόπηση ανέδειξε υποσχόμενες μελλοντικές εξελίξεις, όπως η χρήση υπερφασματικής απεικόνισης, η τεχνητή νοημοσύνη και οι πλατφόρμες βασισμένες στο νέφος (π.χ. Google Earth Engine). Η ανάδυση συστημάτων συμμετοχικής επιτήρησης, που συνδυάζουν δεδομένα συλλεγμένα μέσω συμμετοχής του κοινού με τηλεπισκοπικά αποτελέσματα, προσφέρει νέες προοπτικές για την ενίσχυση της ακρίβειας και αύξηση της κλίμακας στην παγκόσμια παρακολούθηση των ασθενειών.

''' 4. ΣΥΖΗΤΗΣΗ'''

Η ενσωμάτωση της τηλεπισκόπησης και των γεοχωρικών τεχνολογιών φέρει σημαντική μεταρρυθμιστική επίδραση στην ικανότητά μας να κατανοούμε, να προβλέπουμε και να μετριάζουμε τις εξάρσεις των νοσημάτων που μεταδίδονται από φορείς (VBD). Τα ευρήματα επιβεβαιώνουν ότι τα γεοχωρικά εργαλεία μπορούν να καλύψουν κρίσιμα κενά στη διαχείριση των ασθενειών αυτών, ιδιαίτερα μέσα στο πλαίσιο των ραγδαίων περιβαλλοντικών αλλαγών και της αστικοποίησης. Υπογραμμίζεται ο καθοριστικός ρόλος πλατφορμών όπως οι Landsat, MODIS και Sentinel-2, οι οποίες παρέχουν περιβαλλοντικά δεδομένα υψηλής ανάλυσης, επιτρέποντας στους ερευνητές να παρακολουθούν τις αλλαγές στις χρήσεις γης, τους δείκτες βλάστησης και τις κλιματικές μεταβλητές με αρκετή χωρική και χρονική ακρίβεια. Επιπλέον, η χρήση μη επανδρωμένων αεροσκαφών (UAVs) ενισχύει τη συλλογή τοπικών δεδομένων, κάτι που είναι μεγάλης σημασίας για στοχευμένες παρεμβάσεις, αν και παραμένουν προκλήσεις σχετικά με την περιορισμένη εμβέλειά τους και την ανάγκη για εξειδικευμένη εκπαίδευση των επαγγελματιών υγείας.
Τα Γεωγραφικά Συστήματα Πληροφοριών (GIS) έχουν αναδειχθεί σε απαραίτητα εργαλεία για την οπτικοποίηση του κινδύνου και την καθοδήγηση των αποκρίσεων δημόσιας υγείας. Η ενοποίηση τηλεπισκοπικών και επιδημιολογικών δεδομένων, διευκολύνουν τη δημιουργία χαρτών επικινδυνότητας που ενημερώνουν τις στρατηγικές κατανομής πόρων. Η αυξανόμενη ενσωμάτωση αλγορίθμων μηχανικής μάθησης, όπως του Random Forest, ενισχύει περαιτέρω την προγνωστική ακρίβεια αυτών των μοντέλων. Ωστόσο, η ικανότητα γενίκευσης των μοντέλων αυτών περιορίζεται συχνά από την ποιότητα και την ανάλυση των εισαγώμενων δεδομένων, καθώς πολλές μελέτες βασίζονται αποκλειστικά σε κλιματικές μεταβλητές, παραμερίζοντας κοινωνικοοικονομικούς παράγοντες που επηρεάζουν σημαντικά τη μετάδοση. Η μελλοντική έρευνα οφείλει να επικεντρωθεί στην ανάπτυξη ολοκληρωμένων πλαισίων μοντελοποίησης που θα περιλαμβάνουν τόσο περιβαλλοντικούς όσο και κοινωνικούς προσδιοριστές.
Η ανασκόπηση δείχνει επίσης τη σημαντική επιρροή περιβαλλοντικών οδηγών, όπως η θερμοκρασία και η βροχόπτωση στη δυναμική των VBDs. Οι αλλαγές σε αυτές τις μεταβλητές, που συχνά καθοδηγούνται από την ανθρωπογενή δραστηριότητα και την κλιματική αλλαγή δημιουργούν ευνοϊκές συνθήκες για τον πολλαπλασιασμό των φορέων και την επέκταση των ενδιαιτημάτων τους, όπως στην περίπτωση του κουνουπιού Aedes aegypti σε νέες περιοχές. Αυτά τα ευρήματα καθιστούν αναγκαία την υιοθέτηση προσαρμοστικών στρατηγικών διαχείρισης και τη δέσμευση της δημόσιας υγείας στον αστικό σχεδιασμό για την ελαχιστοποίηση των εστιών αναπαραγωγής. Παράλληλα, τα Συστήματα Έγκαιρης Προειδοποίησης (EWS) αντιπροσωπεύουν μια σημαντική πρόοδο στην προληπτική διαχείριση, αν και η λειτουργία τους παραμένει δύσκολη σε περιοχές με περιορισμένους πόρους λόγω έλλειψης υπολογιστικών υποδομών.
Τέλος, εντοπίζονται κρίσιμα κενά όπως η υποεκπροσώπηση περιοχών χαμηλού εισοδήματος που φέρουν το μεγαλύτερο βάρος των ασθενειών. Η επέκταση της έρευνας σε αυτές τις περιοχές είναι επιτακτική για την επίτευξη ισότητας στην πρόληψη. Η ραγδαία εξέλιξη τεχνολογιών όπως η υπερφασματική απεικόνιση και η τεχνητή νοημοσύνη προσφέρουν νέες δυνατότητες, ενώ τα συμμετοχικά συστήματα επιτήρησης ενδυναμώνουν τις κοινότητες να συνεισφέρουν στην παρακολούθηση των νόσων. Εν τέλει, απαιτείται μια ολιστική προσέγγιση που θα ενσωματώνει κοινωνικές μεταβλητές όπως η οικονομική επισφάλεια και διεπιστημονική συνεργασία συνεισφέροντας και στον εκδημοκρατισμό των δεδομένων, γεφυρώνοντας το χάσμα μεταξύ επιστημονικής καινοτομίας και εφαρμόσιμης πολιτικής υγείας.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Η παραπάνω συζήτηση αναδεικνύει τις προόδους και τις προκλήσεις στην εφαρμογή των τεχνολογιών τηλεπισκόπησης (RS) και γεωχωρικής ανάλυσης για τη διαχείριση VBDs. Με την αντιμετώπιση των κενών και την αξιοποίηση των αναδυόμενων τάσεων, ερευνητές και φορείς χάραξης πολιτικής μπορούν να ενισχύσουν την αποτελεσματικότητα των στρατηγικών πρόληψης και ελέγχου των νοσημάτων. Τελικά, οι προσπάθειες αυτές ενδέχεται να συμβάλλουν στη δημιουργία ανθεκτικών συστημάτων δημόσιας υγείας, ικανών να προσαρμόζονται στη σύνθετη και δυναμική φύση των VBDs.

Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια

2026-02-07T12:43:02Z

Rizoselef:

[[category:Εφαρμογές άγριας πανίδας]]

'''Η τηλεπισκόπηση δείχνει τον ρόλο της ποιότητας και της ποσότητας της διαθέσιμης βοσκής στη θερινή χρήση ενδιαιτημάτων από κόκκινα ελάφια'''

'''Πρωτότυπος τίτλος:''' ''Remote sensing reveals the role of forage quality and quantity for summer habitat use in red deer''

'''Συγγραφείς''': ''Thomas Rempfler, Christian Rossi, Jan Schweizer, Wibke Peters, Claudio Signer, Flurin Filli, Hannes Jenny, Klaus Hackländer, Sven Buchmann & Pia Anderwald''

'''Δημοσιεύθηκε''': ''18/12/2024 στο Movement Ecology vol. 12, αρθρο 80''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://doi.org/10.1186/s40462-024-00521-6]

''' 1. Εισαγωγή'''

Η οικολογία των άγριων ζώων διέπεται από μια συνεχή προσπάθεια εξισορρόπησης μεταξύ των αναγκών τροφοληψίας και της διασφάλισης της ατομικής ασφάλειας. Η ανάγκη αποφυγής θηρευτών, στην οποία περιλαμβάνεται και ο άνθρωπος λόγω της θηρευτικής δραστηριότητας, αναγκάζει πολλά είδη να τροποποιούν τη χρήση του ενδιαιτήματός τους. Αυτό εκδηλώνεται συχνά με την αλλαγή της ημερήσιας δραστηριότητας για την αποφυγή των ανθρώπων κατά τη διάρκεια της ημέρας, καθώς και με τη σαφή προτίμηση προς προστατευόμενες περιοχές όπου απαγορεύεται το κυνήγι. Παράλληλα, οι τροφοληπτικές ανάγκες επιβάλλουν στρατηγικές που εξασφαλίζουν τη μέγιστη δυνατή ενέργεια με το ελάχιστο κόστος, υπό την προϋπόθεση ότι τα ζώα μπορούν να κινηθούν ελεύθερα και διαθέτουν επαρκή πληροφόρηση για το περιβάλλον τους. Σε αυτό το πλαίσιο, ανακύπτει ένα κρίσιμο αντισταθμιστικό όφελος μεταξύ της ποιότητας και της ποσότητας της τροφής, το οποίο επηρεάζει άμεσα τις επιλογές των φυτοφάγων.
Το κόκκινο ελάφι (Cervus elaphus), το οποίο ταξινομείται ως ενδιάμεσος καταναλωτής, καλείται να ικανοποιήσει υψηλές μεταβολικές απαιτήσεις μέσω μιας αυξημένης ημερήσιας πρόσληψης τροφής, η οποία πρέπει να ευθυγραμμίζεται με τη διαθεσιμότητα και την ποιότητα της βλάστησης κατά τη θερινή περίοδο. Παρά τις πολυάριθμες έρευνες, τα αποτελέσματα σχετικά με το αν το είδος προτιμά την ποσότητα έναντι της ποιότητας παραμένουν αντικρουόμενα. Επιπλέον, οι διαφορές εντός του ίδιου πληθυσμού, όπως αυτές που παρατηρούνται μεταξύ μόνιμων και μεταναστευτικών ατόμων, περιπλέκουν περαιτέρω την κατανόηση αυτών των προτύπων επιλογής. Ιδιαίτερα σε ετερογενή αλπικά ενδιαιτήματα με σύντομες βλαστικές περιόδους, παραμένει ασαφές σε ποιο βαθμό τα ελάφια προβαίνουν σε συμβιβασμούς μεταξύ αυτών των δύο παραμέτρων, κυρίως λόγω της δυσκολίας διαχωρισμού και μέτρησης των μεταβλητών ποιότητας και ποσότητας μέσω παραδοσιακών μεθόδων πεδίου.
Οι κλασικές μελέτες που βασίζονται σε δειγματοληψίες βιομάζας και αζώτου στο πεδίο παρέχουν συχνά μόνο μια στιγμιαία εικόνα και περιορισμένη χωρική κάλυψη. Η χρήση της τηλεπισκόπησης προσφέρει μια εναλλακτική λύση, αν και οι μέχρι τώρα έρευνες βασίζονταν υπερβολικά στον δείκτη NDVI. Παρόλο που ο NDVI είναι ένας αξιόπιστος δείκτης για την πράσινη βλάστηση και τη βιομάζα, στερείται της εξειδίκευσης που απαιτείται για τον ακριβή διαχωρισμό μεταξύ της ποιότητας και της ποσότητας της τροφής. Η εξέλιξη των υπερφασματικών αισθητήρων προσφέρει νέες προοπτικές, αλλά η περιορισμένη χρονική διαθεσιμότητα των δεδομένων τους καθιστά δύσκολη την παρακολούθηση των οπληφόρων καθ' όλη τη διάρκεια της αυξητικής περιόδου των φυτών.
Στην παρούσα μελέτη χρησιμοποιούνται τα δεδομένα των δορυφόρων Sentinel-2 του προγράμματος Copernicus, τα οποία συνδυάζουν υψηλή χωρική και χρονική διακριτική ικανότητα. Μέσω αυτών των δεδομένων, η ερευνητική ομάδα εφάρμοσε φυσικά μοντέλα μεταφοράς ακτινοβολίας (RTMs) για την εκτίμηση βιοχημικών και βιοφυσικών χαρακτηριστικών των φυτών, τα οποία σχετίζονται άμεσα με την ποιότητα και την ποσότητα της τροφής. Η προσέγγιση αυτή επιτρέπει την αξιολόγηση της σημασίας της φασματικής ανάκλασης, των δεικτών βλάστησης και των οπτικών χαρακτηριστικών στην πρόβλεψη των τροφοληπτικών παραμέτρων, υπερβαίνοντας τους περιορισμούς των απλών δεικτών όπως ο NDVI.
Η έρευνα εστιάζει στην περιοχή του Ελβετικού Εθνικού Πάρκου (SNP) και των περιχώρων του, χρησιμοποιώντας δεδομένα τηλεμετρίας από κολάρα GPS για την ανάλυση της συμπεριφοράς του κόκκινου ελαφιού. Οι βασικές υποθέσεις εργασίας προβλέπουν ότι τα ελάφια επιλέγουν ενδιαιτήματα με βάση πρωτίστως την ποσότητα της τροφής και δευτερευόντως την ποιότητα, με τα αρσενικά να εμφανίζουν πιο έντονη προτίμηση στην ποιότητα σε σύγκριση με τα θηλυκά. Ταυτόχρονα, συνυπολογίζονται οι επιδράσεις της τοπογραφίας και της ανθρώπινης όχλησης, με την προσμονή ότι τα ζώα θα αποφεύγουν συστηματικά τις περιοχές ανθρώπινης δραστηριότητας και θα προτιμούν την ασφάλεια που παρέχει το προστατευόμενο καθεστώς του Εθνικού Πάρκου. Με αυτόν τον τρόπο, η μελέτη επιχειρεί να αναδείξει πώς οι προηγμένες μέθοδοι τηλεπισκόπησης μπορούν να φωτίσουν τις στρατηγικές επιλογής ενδιαιτήματος σε σύνθετα οικοσυστήματα.

'''2. ΥΛΙΚΑ ΜΕΘΟΔΟΙ'''

''' ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''

Η έρευνα επικεντρώνεται στις εσωτερικές αλπικές κοιλάδες της ανατολικής Ελβετίας, καλύπτοντας το Ελβετικό Εθνικό Πάρκο (SNP) και τις παρακείμενες περιοχές του καντονιού Grisons, καθώς και τμήματα της Αυστρίας και της Ιταλίας. Το υψόμετρο κυμαίνεται από 1000 έως 3200 μέτρα, με το όριο των δέντρων να εντοπίζεται περίπου στα 2200 μέτρα. Το κλίμα χαρακτηρίζεται ως ξηρό και ψυχρό με μέση θερινή θερμοκρασία τους 13.2°C και παρατεταμένους χειμώνες που διαρκούν περίπου 154 ημέρες. Η ανθρώπινη παρουσία είναι έντονη στους πυθμένες των κοιλάδων, όπου βρίσκονται τα χωριά, ενώ η γεωργική δραστηριότητα αφορά κυρίως βοσκοτόπια. Το καθεστώς προστασίας διαφοροποιείται σημαντικά στην περιοχή, καθώς στο SNP απαγορεύεται κάθε ανθρώπινη δραστηριότητα, ενώ στις γύρω περιοχές το κυνήγι επιτρέπεται κατά τη διάρκεια της ημέρας, δημιουργώντας ένα σύνθετο τοπίο κινδύνου για τα ζώα.

[[Αρχείο:rs_wiki_5_area.png | thumb| center | 400 px | ''Εικόνα 1 Στον χάρτη φαίνεται η περιοχή μελέτης. Με κόκκινα όρια καθορίζεται το SNP. Για το υπολογισμό των περιοχών στις οποίες επιστρέφουν ξανά τα ελάφια έγινε παραδοχή ακτίνας 500m.'' ]]

''' ΔΕΔΟΜΕΝΑ ΚΟΚΚΙΝΟΥ ΕΛΑΦΙΟΥ'''

Για τη μελέτης παρακολουθήθηκαν 70 ενήλικα άτομα, τα οποία αιχμαλωτίστηκαν σε 12 διαφορετικές περιοχές. Τα δεδομένα συλλέχθηκαν μέσω τηλεμετρικών κολάρων GPS που κατέγραφαν στίγματα κάθε τρεις ώρες για διάστημα ενός έως τριών ετών. Μετά από αυστηρό φιλτράρισμα για την αφαίρεση ανακριβών τοποθεσιών και τον αποκλεισμό ατόμων με χαμηλό ρυθμό καταγραφής, κατέληξαν σε 45 θηλυκά και 21 αρσενικά. Η μελέτη περιορίστηκε αποκλειστικά στους θερινούς μήνες και σε ανοιχτά ενδιαιτήματα, όπως λιβάδια και περιοχές με αραιή βλάστηση. Ενώ για τον διαχωρισμό των ημερήσιων και νυχτερινών συμπεριφορών ως ημέρα θεωρήθηκαν οι ώρες από την ανατολή ως τη δύση του ηλίου και νύχτα οι υπόλοιπες.

'''ΕΡΜΗΝΕΥΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

''' ΒΙΟΜΑΖΑ ΚΑΙ ΣΧΕΤΙΚΟ ΑΖΩΤΟ'''

Υπολογίστηκαν η απόλυτη βιομάζας φυλλώματα και η σχετική σύσταση αζώτου του πρασίνου μέσω δύο ξεχωριστών μοντέλων παλινδρόμησης Random Forest, εκπαιδευμένων με δεδομένα πεδίου από 322 επιφάνειες. Για τα δεδομένα η βλάστηση κόπηκε, ξηράνθηκε και ζυγίστηκε, ενώ η χημική ανάλυση για το άζωτο έγινε με εργαστηριακές μεθόδους και φασματομετρία υπέρυθρης ανάκλασης. Όλες οι επιφάνειες βλάστησης δειγματοληψίας γεοαναφέρθηκαν (georeferenced) με συστήματα υψηλής ακρίβειας (Global Navigation Satellite System, GNSS), διασφαλίζοντας την αξιοπιστία της συσχέτισης των δεδομένων πεδίου με τις δορυφορικές παρατηρήσεις.

'''ΠΡΟΒΛΕΠΤΙΚΕΣ ΜΕΤΑΒΛΗΤΕΣ'''

Χρησιμοποιήθηκαν τρεις τύποι δεδομένων από τον Sentinel-2: φασματικές ανακλάσεις 10 καναλιών, δείκτες βλάστησης (NDVI, MTCI, TGI, CAI) και οπτικά χαρακτηριστικά από το μοντέλο PROSAIL (LAI, CHL, EWT). Ο MTCI αξιολογεί το άζωτο σε λιβάδια, ο TGI τη χλωροφύλλη και ο CAI τη μη φωτοσυνθετική βλάστηση. Οι συγκεκριμένοι δείκτες επιλέχθηκαν επειδή καλύπτουν διαφορετικές περιοχές του ηλεκτρομαγνητικού φάσματος και προσφέρουν συμπληρωματικές πληροφορίες για την περιεκτικότητα σε άζωτο και τη συνολική βιομάζα, υπερβαίνοντας τους περιορισμούς του απλού NDVI.

'''ΕΠΙΛΟΓΗ ΜΟΝΤΕΛΟΥ ΚΑΙ ΣΗΜΑΣΙΑ ΜΕΤΑΒΛΗΤΩΝ'''

Τα μοντέλα Random Forest εκπαιδεύτηκαν με αλγόριθμο RFE και βελτιστοποίηση υπερπαραμέτρων μέσω πενταπλής διασταυρούμενης επικύρωσης. Επιλέχθηκαν τα μοντέλα με τον υψηλότερο συντελεστή R2 και το χαμηλότερο σφάλμα RMSE. Η σημασία των μεταβλητών αξιολογήθηκε με μια στρατηγική μεταθέσεων ομαδοποιώντας τις μεταβλητές είτε βάσει της υψηλής συσχέτισης τους είτε βάσει του τύπου τους, για να υπολογιστεί η επίδραση κάθε ομάδας στην ακρίβεια της πρόβλεψης.

'''ΠΡΟΒΛΕΨΗ ΘΕΣΕΩΝ GPS ΚΑΙ ΑΦΑΙΡΕΣΗ ΑΚΡΑΙΩΝ ΤΙΜΩΝ'''
Κάθε τοποθεσία GPS αντιστοιχίστηκε με τη χρονικά πλησιέστερη δορυφορική εικόνα, με μέση απόκλιση τις 7,7 ημέρες. Για την αποφυγή λανθασμένων προβλέψεων σε περιοχές που διέφεραν από τα δεδομένα εκπαίδευσης, χρησιμοποιήθηκε ο δείκτης ανομοιότητας (DI). Οι θέσεις που παρουσίαζαν υπερβολικά υψηλό βαθμό ανομοιότητας αποκλείστηκαν από την περαιτέρω ανάλυση, διασφαλίζοντας ότι οι εκτιμήσεις για τη βιομάζα και το άζωτο στις θέσεις των ελαφιών ήταν εντός των ορίων εγκυρότητας του μοντέλου.

'''ΛΟΙΠΕΣ ΜΕΤΑΒΛΗΤΕΣ ΕΝΔΙΑΙΤΗΜΑΤΟΣ ΚΑΙ ΜΟΝΤΕΛΟΠΟΙΗΣΗ'''

Εκτός από την τροφή, εξετάστηκαν μεταβλητές που σχετίζονται με την αποφυγή του ανθρώπου, όπως η απόσταση από το δάσος, η απόσταση από μονοπάτια και η κλίση του εδάφους. Η κίνηση των ζώων αξιολογήθηκε μέσω του μήκους βήματος (step length), το οποίο ενσωματώθηκε στις συναρτήσεις επιλογής βήματος (iSSFs). Για κάθε πραγματική θέση του ελαφιού δημιουργήθηκαν 25 τυχαίες θέσεις, και η ανάλυση περιορίστηκε σε βήματα που πραγματοποιήθηκαν σε ανοιχτά ενδιαιτήματα. Τέλος, χρησιμοποιήθηκαν γενικευμένα γραμμικά μικτά μοντέλα (glmmTMB) ξεχωριστά για κάθε φύλο, συμπεριλαμβάνοντας το άτομο ως τυχαία επίδραση για τον έλεγχο της τυχαιότητας της ατομικής συμπεριφοράς.

''' 3. ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''

'''Πρότυπα κίνησης και χωρική κατανομή'''

Το 74% των θερινών θέσεων εντοπίστηκε σε λιβάδια και το 24% σε εκτάσεις με βρύα/λειχήνες. Τα δύο φύλα παρουσίασαν παρόμοια χαρακτηριστικά όσον αφορά τις ημερήσιες διανυόμενες αποστάσεις, το μέγεθος της περιοχής εξάπλωσης και το μήκος των βημάτων τους. Ωστόσο, παρατηρήθηκε μια σαφής υψομετρική διαφοροποίηση εντός του SNP, με τα αρσενικά να κινούνται σε σημαντικά υψηλότερα υψόμετρα σε σχέση με τα θηλυκά. Είναι αξιοσημείωτο ότι οι μετακινήσεις μεταξύ του εσωτερικού και του εξωτερικού της προστατευόμενης περιοχής ήταν εξαιρετικά περιορισμένες αντιπροσωπεύοντας μόλις το 2% των συνολικών καταγραφών.

'''Επιδόσεις των μοντέλων βιομάζας και αζώτου'''

Η μοντελοποίηση της βιομάζας (ποσότητα τροφής) μέσω του αλγορίθμου Random Forest πέτυχε υψηλή προγνωστική ακρίβεια με συντελεστή προσδιορισμού R2 = 0.60 και μέσο τετραγωνικό σφάλμα (RMSE) 88.55 g/m². Η ανάλυση της σημασίας των μεταβλητών ανέδειξε τον δείκτη MTCI ως τον καθοριστικότερο παράγοντα, ακολουθούμενο από τον NDVI, τον δείκτη κυτταρίνης (CAI) και τον δείκτη φυλλικής επιφάνειας (LAI). Αντίθετα, η πρόβλεψη του σχετικού αζώτου (ποιότητα τροφής) αποδείχθηκε πιο απαιτητική, με μέτρια ακρίβεια της τάξης του R2 = 0.34, απαιτώντας τη συνδρομή και των 18 διαθέσιμων μεταβλητών για τη βελτιστοποίηση του μοντέλου.
Συνολικά, οι δείκτες βλάστησης (VIs) ήταν οι σημαντικότεροι και στα δύο μοντέλα. Παρόλα αυτά, τα οπτικά χαρακτηριστικά (optical traits) προσέφεραν κρίσιμη συμπληρωματική πληροφορία ιδιαίτερα στα μοντέλα βιομάζας. Ενώ οι φασματικές ανακλάσεις φάνηκαν να συνεισφέρουν στη μοντελοποίηση του αζώτου, η επίδρασή τους ήταν οριακή στην περίπτωση της βιομάζας, όπου οι δείκτες βλάστησης και τα δομικά χαρακτηριστικά των φυτών παρείχαν την απαραίτητη πληροφορία.

'''Επιλογή ενδιαιτήματος και ανάγκες ασφάλειας'''

Τα αποτελέσματα των συναρτήσεων επιλογής βήματος (iSSFs) έδειξαν ότι και τα δύο φύλα επιλέγουν ενδιαιτήματα με υψηλή βιομάζα και υψηλή περιεκτικότητα σε άζωτο. Ωστόσο, η ποσότητα της τροφής (βιομάζα) αναδείχθηκε ως ο επικρατέστερος παράγοντας επιλογής έναντι της ποιότητας. Στη σύγκριση μεταξύ των φύλων, τα θηλυκά εμφάνισαν ισχυρότερη προτίμηση σε περιοχές με υψηλή βιομάζα, ενώ τα αρσενικά έδωσαν ελαφρώς μεγαλύτερη έμφαση στην ποιότητα (άζωτο).
Σχετικά με τις μεταβλητές που αφορούν την ασφάλεια τα θηλυκά προτίμησαν την εγγύτητα στο δάσος και στα μονοπάτια κινούμενα κυρίως σε επίπεδα εδάφη. Τα αρσενικά επέλεξαν επίσης μικρές αποστάσεις από το δάσος αλλά η συμπεριφορά τους δεν επηρεάστηκε σημαντικά από την ύπαρξη μονοπατιών ή την κλίση του εδάφους. Και τα δύο φύλα παρουσίασαν αυξημένο μήκος βήματος δείχνοντας έντονης κινητικότητα, με τα θηλυκά να καλύπτουν μεγαλύτερες αποστάσεις.

[[Αρχείο:rs_wiki_5_diagram.png | thumb| center | 400 px | ''Εικόνα 2 Επιλογή ενδιατημάτων την καλοκαιρινή περίοδο σε σχέση με τη βιομάζα, το σχετικό άζωτο, την απόσταση από το δάσος, τα μονοπάτια και τις πλαγιές και το μήκος βήματος με όρια αξιοπιστίας 95%. Ο δεκαδικός λογάριθμος του πηλίκου αναφέρεται σε συχνότητα μεταξύ τοποθεσιών που αξιοποιούνται (used) και που είναι διαθέσιμες (available). Οι τιμές >0 δείχνουν προτίμηση ενώ οι <0 τιμές αποφυγή. Τα διαγράμματα αποτυπώνουν διαφορετικές κλίμακες.'']]

'''Η επίδραση του Εθνικού Πάρκου και ο κύκλος ημέρας-νύχτας'''

Τα θηλυκά παρέμεναν στο πάρκο στο 82% των περιπτώσεων, ενώ τα αρσενικά στο 46%. Η παρουσία εντός του πάρκου ήταν αυξημένη την ημέρα (89% θηλυκά, 59% αρσενικά) και μειωνόταν τη νύχτα. Το πάρκο λειτουργεί ως καταφύγιο κατά τις ώρες αιχμής της ανθρώπινης παρουσίας, επιτρέποντας νυχτερινές μετακινήσεις σε εξωτερικές περιοχές.

[[Αρχείο:rs_wiki_5_location.png | thumb| center | 400 px | ''Εικόνα 3 Αναλογία τοποθεσίας ανά φύλα a) εντός (πράσινο) και εκτός (μπλε) του Εθνικού πάρκου b) αντίστοιχα ως προς μέρα και νύχτα'' ]]

''' 4. ΣΥΖΗΤΗΣΗ'''

'''Επιλογή ενδιαιτήματος και στρατηγικές επιβίωσης'''

Η χρήση των συναρτήσεων iSSF επέτρεψε τον ταυτόχρονο προσδιορισμό της κίνησης και της επιλογής πόρων, αποκαλύπτοντας πώς το κόκκινο ελάφι διαχειρίζεται το κρίσιμο αντισταθμιστικό όφελος μεταξύ τροφοληψίας και ασφάλειας. Τα αποτελέσματά μας δείχνουν ότι σε αυτό το ετερογενές αλπικό τοπίο, τα ελάφια προτεραιοποιούν την ποσότητα της τροφής (βιομάζα) έναντι της ποιότητας (άζωτο). Αυτή η προτίμηση παραμένει σταθερή καθ' όλη τη διάρκεια του καλοκαιριού και δεν φαίνεται να επηρεάζεται από την εποχιακή υποβάθμιση της βλάστησης. Οι διαφορές μεταξύ των φύλων ήταν υπαρκτές αλλά περιορισμένες με τα θηλυκά να επιλέγουν περιοχές με μεγαλύτερη ποσότητα βιομάζας, ενώ τα αρσενικά έδειξαν μια ελαφρώς μεγαλύτερη τάση προς την ποιότητα πιθανώς εκμεταλλευόμενα τα αλπικά βοσκοτόπια εκτός του Εθνικού Πάρκου (SNP) που προσφέρουν πιο θρεπτική βλάστηση λόγω της κτηνοτροφικής δραστηριότητας.
Η ανάγκη για ασφάλεια αναδείχθηκε ως κυρίαρχος παράγοντας με την εγγύτητα στο δάσος να αποτελεί κοινή προτίμηση και για τα δύο φύλα εξυπηρετώντας τόσο την προστασία όσο και τη θερμορύθμιση. Η έντονη χρήση του SNP από τα θηλυκά, ειδικά κατά τη διάρκεια της ημέρας (89%), υπογραμμίζει την ανάγκη προστασίας των απογόνων τους από την ανθρώπινη όχληση. Αντίθετα, τα αρσενικά εμφανίστηκαν πιο ανεκτικά στις διαταραχές εγκαταλείποντας το Πάρκο κατά τη διάρκεια της νύχτας με διπλάσια συχνότητα από τα θηλυκά. Αυτή η νυχτερινή μετακίνηση εκτός των ορίων του SNP μπορεί να ερμηνευτεί ως μια στρατηγική αποφυγής της υψηλής πυκνότητας του πληθυσμού εντός του Πάρκου, αλλά και ως μια προσπάθεια πρόσβασης σε τροφή υψηλότερης ποιότητας σε περιοχές που θεωρούνται ριψοκίνδυνες κατά τη διάρκεια της ημέρας.
Ένα φαινομενικά παράδοξο εύρημα ήταν η προτίμηση των θηλυκών για περιοχές κοντά σε μονοπάτια και σε επίπεδο ανάγλυφο, σημεία που παραδοσιακά συνδέονται με υψηλή ανθρώπινη δραστηριότητα. Η ερμηνεία μας είναι ότι εντός του πάρκου, όπου η κίνηση των επισκεπτών είναι αυστηρά περιορισμένη και προβλέψιμη, τα ελάφια έχουν εξοικειωθεί με την παρουσία των πεζοπόρων. Αυτή η «προβλεψιμότητα» της όχλησης επιτρέπει στα ζώα να εκμεταλλεύονται τους πλούσιους τροφοληπτικούς πόρους που συχνά εντοπίζονται σε αυτές τις περιοχές, χωρίς να αισθάνονται άμεση απειλή, αναδεικνύοντας την προσαρμοστικότητα του είδους σε ελεγχόμενα περιβάλλοντα.

'''Αξιολόγηση των τηλεπισκοπικών μοντέλων'''

Η μελέτη απέδειξε ότι τα δεδομένα του Sentinel-2 μπορούν να προσφέρουν εκτιμήσεις βιομάζας και αζώτου συγκρίσιμες με εκείνες των ακριβότερων υπερφασματικών αισθητήρων. Η ισχυρή απόδοση του μοντέλου βιομάζας (R2 = 0.60) οφείλεται σε μεγάλο βαθμό στην ενσωμάτωση του δείκτη MTCI και οπτικών χαρακτηριστικών όπως ο LAI. Η χρήση φυσικών μοντέλων μεταφοράς ακτινοβολίας (PROSAIL) με τη μέθοδο του πίνακα αναζήτησης (LUT) αποδείχθηκε ανώτερη από τις τυποποιημένες εφαρμογές, προσφέροντας μεγαλύτερη ακρίβεια και αναπραγωγιμότητα των αποτελεσμάτων.
Ωστόσο, η πρόβλεψη του σχετικού αζώτου παραμένει μια σημαντική πρόκληση στην τηλεπισκόπηση, γεγονός που αντικατοπτρίζεται στη μέτρια ακρίβεια του αντίστοιχου μοντέλου (R2 = 0.34). Η πολυπλοκότητα αυτή προκύπτει από το γεγονός ότι η φασματική ανάκλαση επηρεάζεται περισσότερο από την απόλυτη ποσότητα αζώτου ανά μονάδα επιφάνειας παρά από τη συγκέντρωσή του στους ιστούς. Παρά τους περιορισμούς αυτούς, η χρήση δεδομένων αναφοράς από το πεδίο αποτελεί μια σημαντική βελτίωση σε σχέση με προηγούμενες μελέτες που βασίζονταν αποκλειστικά σε δείκτες-υποκατάστατα (proxies) χωρίς επαλήθευση. Η ενσωμάτωση πρόσθετων δεικτών πέραν του NDVI, όπως ο MTCI που είναι ευαίσθητος στη χλωροφύλλη είναι απαραίτητη για την αποφυγή του φαινομένου κορεσμού σε περιοχές με πυκνή βλάστηση και για την ακριβέστερη αποτύπωση της ποιότητας της τροφής.
Συμπερασματικά, η εργασία αναδεικνύει την αξία των σύγχρονων δορυφορικών αποστολών στην οικολογία κίνησης. Η δυνατότητα παραγωγής εβδομαδιαίων χαρτών ποιότητας και ποσότητας τροφής σε υψηλή ανάλυση επιτρέπει τη βαθύτερη κατανόηση του πώς τα μεγάλα οπληφόρα πλοηγούνται σε δυναμικά τοπία, εξισορροπώντας τις ενεργειακές τους ανάγκες με την επιβίωση. Οι μελλοντικοί υπερφασματικοί αισθητήρες αναμένεται να βελτιώσουν περαιτέρω αυτές τις προβλέψεις προσφέροντας ακόμη πιο λεπτομερή εικόνα των βιοχημικών χαρακτηριστικών της βλάστησης.

'''5. ΣΥΜΠΕΡΑΣΜΑΤΑ'''

Το κόκκινο ελάφι βάζει σε προτεραιότητα την ποσότητα της τροφής έναντι της ποιότητας στα θερινά αλπικά ενδιαιτήματα, με την επιλογή του να καθορίζεται σημαντικά και από την ανάγκη για ασφάλεια. Τα θηλυκά εμφανίζονται πιο ευαίσθητα στην ανθρώπινη δραστηριότητα έχοντας ισχυρή προτίμηση στην προστασία που παρέχει το πάρκο. Παράλληλα, η τηλεπισκόπηση αναδεικνύεται σε πολύτιμο εργαλείο για τη χαρτογράφηση των τροφοληπτικών πόρων, καθώς ο συνδυασμός δεικτών βλάστησης και οπτικών χαρακτηριστικών βελτιώνει σημαντικά την ακρίβεια των προβλέψεων. Ενώ η βιομάζα χαρτογραφείται με υψηλή αξιοπιστία, η εκτίμηση του αζώτου παραμένει τεχνική πρόκληση, η οποία αναμένεται να αντιμετωπιστεί στο μέλλον μέσω των προηγμένων υπερφασματικών δορυφορικών αισθητήρων.

Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία

2026-02-07T12:28:21Z

Rizoselef:

Add Your Content Here

[[category:Εκτίμηση βιοπικοιλότητας]]

'''Η βαθιά μάθηση επιτρέπει τη δορυφορική παρακολούθηση μεγάλων πληθυσμών χερσαίων θηλαστικών σε ετερογενή τοπία'''

'''Πρωτότυπος τίτλος:''' ''Deep learning enables satellite-based monitoring of large populations of terrestrial mammals across heterogeneous landscape''

'''Συγγραφείς''': ''Zijing Wu, Ce Zhang, Xiaowei Gu, Isla Duporge, Lacey F. Hughey, Jared A. Stabach, Andrew K. Skidmore, J. Grant C. Hopcraft, Stephen J. Lee, Peter M. Atkinson, Douglas J. McCauley, Richard Lamprey, Shadrack Ngene & Tiejun Wang''

'''Δημοσιεύθηκε''': ''27/05/2023, στο Nature Communications, volume 14, Article number: 3072 ''

'''Σύνδεσμος πρωτότυπου κειμένου:''' [: https://doi.org/10.1038/s41467-023-38901-y ]

''' 1. Εισαγωγή'''

Η αφρικανική ήπειρος φιλοξενεί τη μεγαλύτερη ποικιλότητα και αφθονία θηλαστικών στον κόσμο. Ωστόσο, αυτός ο πλούτος απειλείται από τις αλλαγές στη χρήση γης, την εξόρυξη φυσικών πόρων και έργα υποδομών. Ακόμη και εντός προστατευόμενων περιοχών, οι πληθυσμοί μεγάλων θηλαστικών έχουν μειωθεί κατά 59% μέσα σε τρεις δεκαετίες. Η κλιματική αλλαγή αναμένεται να επιταχύνει αυτές τις απώλειες, υπογραμμίζοντας έτσι την ανάγκη για προηγμένες τεχνικές παρακολούθησης που μπορούν να παρέχουν πληροφορίες με ρυθμό αντίστοιχο των περιβαλλοντικών αλλαγών.
Οι συμβατικές μέθοδοι για την έρευνα της άγριας πανίδας βασίζονται κυρίως σε επανδρωμένες εναέριες έρευνες. Αν και παρέχουν πολύτιμα δεδομένα, ενέχουν κινδύνους τόσο για τον άνθρωπο όσο και για την πανίδα, ενώ υπόκεινται και σε σφάλματα μεροληψίας (εντοπισμός, εμπειρία παρατηρητή, διπλή καταμέτρηση). Τα μη επανδρωμένα αεροσκάφη (UAVs - drones) προσφέρουν μια εναλλακτική, αλλά έχουν κάποιους περιορισμούς όπως η διάρκεια ζωής της μπαταρίας, που μειώνει την εμβέλεια αλλά και την όχληση που προκαλούν στην πανίδα.
Η εξέλιξη της δορυφορικής τεχνολογίας έχει αυξήσει την ικανότητα διεξαγωγής ερευνών σε δυσπρόσιτες περιοχές, σε διευρυμένη κλίμακα σε σχέση με τα UAVs. Η δορυφορική τεχνολογία αρχικά έδινε την δυνατότητα μελέτης μεγάλων ζώων, τα σώματα των οποίων ξεπερνούν τα 8 πίξελ (φάλαινες, ελέφαντες) ή έμμεσα ίχνη όπως φωλιές, πλέον όμως υπάρχει ανάγκη για αυτοματοποιημένες τεχνικές επεξεργασίας εικόνων υψηλής ανάλυσης και για μικρότερα είδη. Η μηχανική μάθηση (Machine Learning) και η βαθιά μάθηση (Deep Learning) προσφέρουν λύσεις, μέσω αποδοτικών αλγορίθμων. Ωστόσο, η ανίχνευση μικρότερων ζώων (π.χ. <9 pixels σε δορυφορικές εικόνες) σε πολύπλοκα υπόβαθρα (μικτά δάση και σαβάνες) παραμένει πρόκληση.
Η παρούσα μελέτη παρουσιάζει ένα πλαίσιο για τον εντοπισμό και την καταμέτρηση ζώων σε μεγέθους γκνου (wildebeest, 1,5-2,5 m) από δορυφορικές εικόνες υπο-μετρικής (submeter) ανάλυσης, σε εκτενή και ετερογενή περιβάλλοντα. Αυτό το επιτυγχάνεται ενσωματώνοντας μια ενότητα ομαδοποίησης (clustering module) μετά την επεξεργασία σε ένα μοντέλο βαθιάς μάθησης βασισμένο στο U-Net, το οποίο χρησιμοποιεί κατάτμηση εικόνας βάσει εικονοστοιχείων (pixel-based image segmentation) υψηλής ακρίβειας. Το μοντέλο αξιοποιείται για τον εντοπισμό των ζώων σε επίπεδο αντικειμένου, για τον εντοπισμό της μετανάστευσης γκνου (Connochaetes taurinus) και ζέβρας (Equus quagga), στο οικοσύστημα Σερενγκέτι-Μάρα. Η ικανότητα ακριβούς και συχνής αξιολόγησης των μεταναστευτικών πληθυσμών είναι κρίσιμη για τη διαμόρφωση πολιτικών διατήρησης, την κατανόηση οικολογικών διαδικασιών και συμπεριφορικών μοτίβων αγέλης.

'''2. ΑΠΟΤΕΛΕΣΜΑΤΑ'''

''' Μοντέλο ensemble learning βασισμένο στο U-Net για ανίχνευση γκνου '''

Η ροή εργασίας της μελέτης μετατρέπει το δίκτυο U-Net από εργαλείο κατάτμησης εικόνας σε σύστημα ανίχνευσης μεμονωμένων ζώων μέσω δορυφόρου. Η διαδικασία ξεκινά με την κατάτμηση των δορυφορικών εικόνων σε μικρότερα τμήματα (patches 336 x 336 pixel) και τη δημιουργία δυαδικών μασκών όπου τα γκνου επισημαίνονται ως ομάδες εικονοστοιχείων. Στη συνέχεια, το μοντέλο U-Net αναλύει αυτά τα δεδομένα χρησιμοποιώντας μια συμμετρική δομή κωδικοποιητή-αποκωδικοποιητή για την εξαγωγή χαρακτηριστικών και τον ακριβή εντοπισμό τους. Για τη διασφάλιση της αξιοπιστίας των αποτελεσμάτων εφαρμόζεται ομαδική μάθηση με δέκα διαφορετικά μοντέλα μέσω της μεθόδου K-fold. Στο τελικό στάδιο της μετα-επεξεργασίας χρησιμοποιείται ο αλγόριθμος ομαδοποίησης K-means, ο οποίος διαχωρίζει τις συστάδες εικονοστοιχείων σε διακριτές οντότητες. Αυτή η προσέγγιση επιτρέπει τη μετάβαση από την απλή πρόβλεψη πιθανότητας στην ακριβή καταμέτρηση και αξιολόγηση των ζώων σε επίπεδο ατόμου, προσφέροντας μια αποτελεσματική λύση για την παρακολούθηση μεγάλων μεταναστευτικών πληθυσμών από το διάστημα.

[[ Αρχείο: rs_wiki_3_method.png | thumb | center| 400 px | ''Εικόνα 1 Τα τρία κύρια βήματα της ροής εργασίας 1) επισήμναση γκνου 2) εισαγωγή εικόνων και μασκών για εκπαίδευση του μοντέλου και παραγωγή χαρτών πιθανότητας 3) οι χάρτες οδηγούν σε τελικές προβλέψεις μέσω K-mean clustering. Οι μπλε κουκίδες αναφέρονται σε χειροκίνητα επισημασμένα γκνου, οι κόκκινες αναφέρονται σε γκνου εντοπισμένα από το μοντέλο.'' ]]

Το μοντέλο εφαρμόστηκε σε εικόνες έξι ετών (2009-2020) που καλύπτουν 2.747 τ.χλμ., με χρήση δορυφορικών αισθητήρων με ικανότητα χωρικής ανάλυση 38-50 cm GeoEye-1 (GE01), WorldView-2(WV02) και WorldView-3 (WV03). Το σύνολο δεδομένων εκπαίδευσης περιελάμβανε 53.906 χειροκίνητα επισημασμένα γκνου σε 1097 patches που αντιπροσώπευαν διάφορες περιβαλλοντικές συνθήκες, κάθε γκνου αντιστοιχούσε σε 3-4 εικονοστοιχεία σε μήκος και 1-3 σε πλάτος.

[[ Αρχείο: rs_wiki_3_spotting.png.jpg | thumb | center| 400 px | ''Εικόνα 2 a. Εικόνα αναφοράς του 2012 b. Εικόνα 2010 με γκνου c. Επισήμανση γκνου της εικόνας b'']]

Για την αξιολόγηση αξιοποιήθηκε στρωματοποιημένη μέθοδος δειγματοληψίας υπο-περιοχών της ευρύτερης περιοχής, με σκοπό να επιλεγούν υπο-περιοχές με σημαντικό αριθμό γκνου, οι οποίες αξιοποιήθηκαν για αντιπροσωπευτικότητα και ανεξαρτησίας από τα δεδομένα εκπαίδευσης. Από τις 2700 εικόνες ελέγχου το μοντέλο πέτυχε συνολικό F1-score 84,75%, με ακρίβεια (precision) 87,85% και ανάκληση (recall) 81,86%. Το μοντέλο επέδειξε καλή ικανότητα γενίκευσης σε διαφορετικά έτη και αναλύσεις εικόνας, παρότι οι εικόνες διέφεραν χρονικά, χωρικά και ως προς το περιβαλλοντικό τους υπόβαθρο. Η σύγκριση του αθροιστικού μοντέλου (ensemble model) με τα μεμονωμένα μοντέλα, έδειξε ότι το πρώτο υπερέχει σημαντικά, η σύγκριση έγινε μέσω καμπύλης Ακρίβειας- Ανάκλησης και εμβαδόντος υπό την καμπύλη(AUC) με το μοντέλο να πετυχαίνει AUC 0,88 σημαντικά υψηλότερο από όλα τα επιμέρους μοντέλα.

[[ Αρχείο: rs_wiki_3_PRF.png | thumb | center| 400 px ]]
[[ Αρχείο: rs_wiki_3_evaluation.png | thumb | center| 400 px | ''Εικόνα 3 Στη στήλη Evaluation, οι προβλέψεις (predictions) που συμφωνούν με τις επίγειες αναφορές (ground reference) ταξινομούνται ως Αληθώς Θετικά (True Positives, TP , κόκκινοι σταυροί), ενώ εκείνες που δεν αντιστοιχούν στις επίγειες αναφορές χαρακτηρίζονται ως Ψευδώς Θετικά (False Positives, FP, μπλε σταυροί), οι επίγειες αναφορές που δεν ανιχνεύθηκαν από το μοντέλο κατατάσσονται ως Ψευδώς Αρνητικά (False Negatives, FN, κίτρινοι σταυροί).'' ]]

'''Μεταφερσιμότητα Μοντέλου (Model Transferability) '''

Εξετάστηκε η δυνατότητα μεταφοράς του μοντέλου σε χρονικά και χωρικά διαφορετικά δεδομένα:
1. Χρονική μεταφερσιμότητα: Το μοντέλο εκπαιδεύτηκε από δεδομένα 5 διαφορετικών ετών (2009, 2010, 2013, 2018, 2020) και δοκιμάστηκε σε εικόνα του 2015 διαφορετικού αισθητήρα, με καλύτερη ανάλυση από τις εικόνες των 5 ετών (WV03). Πετυχαίνοντας F1-score 93,13%, αποδεικνύοντας ότι μπορεί να λειτουργήσει σε νέα χρονικά δεδομένα χωρίς επιπλέον εκπαίδευση.
2. Χωρική μεταφερσιμότητα: Το μοντέλο δοκιμάστηκε σε δεδομένα του 2020, εικόνα η οποία παρείχε διαφορετική γεωγραφική κάλυψη και χαμηλότερη ανάλυση από τις εικόνες εκπαίδευσης, οι οποίες ήταν πάλι 5 διαφορετικών ετών (2009, 2010, 2013, 2015, 2018). Πέτυχε υψηλή ακρίβεια (96,98%) στην αποφυγή ψευδώς θετικών αποτελεσμάτων, αν και η ανάκληση ήταν χαμηλότερη (60,65%), υποδεικνύοντας περιθώρια βελτίωσης με προσθήκη δειγμάτων.

'''Ανίχνευση και καταμέτρηση γκνου '''

Το εκπαιδευμένο πλέον, αθροιστικό U-Net base μοντέλο εφαρμόστηκε για ανίχνευση γκνου στο σύνολο των δεδομένων. Τα αποτελέσματα έδειξαν αξιοποιστία σε αλλαγές 1) μεταξύ διαφορετικών δορυφορικών αισθητήρων σε 6 χρονικές περιόδους, 2) στο υπόβαθρο του τοπίου με σύγχυση μόνο με φωλιές τερμιτών, μικρούς θάμνους και σκίες από το έδαφος και 3) στα ποικίλα μοτίβα συνάθροισης των γκνου (διάσπαρτα, σε γραμμές ή σε ομάδες) . Η συνολική καταμέτρηση ανέδειξε 480.362 γκνου με F1-score: 84.75 ± 0.18%.
Ανάλυση της χωρικής κατανομής έδειξε ότι η πυκνότητα των γκνου ποικίλλει σημαντικά κατά την ξηρή περίοδο (Ιούλιος-Οκτώβριος), με κορυφώσεις τον Αύγουστο στο δυτικό μέρος του εθνικού κατφυγίου Masai Mara (>4.000-6.000 άτομα/τ.χλμ.) και χαμηλές συγκεντρώσεις τον Ιούλιο και τον Οκτώβριο (~1.500-2.000 άτομα/τ.χλμ). Τα πρότυπα κατανομής συμφωνούν με τις γνωστές μεταναστευτικές κινήσεις: τα ζώα κινούνται βόρεια προς το "Τρίγωνο Μάρα" τον Ιούλιο-Αύγουστο και εξαπλώνονται νότια στο Σερενγκέτι τον Οκτώβριο.

''' 3. ΣΥΖΗΤΗΣΗ'''

Η προτεινόμενη διαδικασία καταδεικνύει τις δυνατότητες της βαθιάς μάθησης για αποτελεσματικές, αυτοματοποιημένες έρευνες άγριας ζωής μέσω τηλεπισκοπικών δεδομένων. Η μεγάλη χωρική κλίμακα και η επιβεβαίωση υψήλης ποιότητας αποτελεσμάτων για διαφορετικές χωρικές, χρονικές συνθήκες και αναλύσεις, δίνει την δυνατότητα αξιοποίησης του μοντέλου σε πραγματικές συνθήκες.
Η μέθοδος πέρα από το ότι είναι ανοιχτού κώδικα και ότι μπορεί να εφαρμοστεί και σε μεταβλητά χωρικά και χρονικά περιβάλλοντα, έχει ιδιαίτερη σημασία για τη διαχείριση μεταναστευτικών, αγελαίων ειδών όπως το γκνου, των οποίων τα μοτίβα συγκρότησης ομάδων παραβιάζουν τις παραδοχές των κλασικών στατιστικών μεθόδων εκτίμησης πληθυσμών, οδηγώντας συχνά σε συστηματικές υποεκτιμήσεις. Έτσι μια αυτοματοποιημένη ολική καταμέτρηση από δορυφόρους θα μπορούσε να μειώσει δραστικά αυτή την αβεβαιότητα και να προσφέρει ακόμη και διορθωτικούς παράγοντες για παλαιότερες εκτιμήσεις. Αν και προϋποθέτει σχεδόν τέλεια ανίχνευση, ενδέχεται να είναι εφικτό σε ανοικτά οικοσυστήματα και σε περιόδους όπου οι βιολογικοί κύκλοι οδηγούν σε προβλέψιμες συγκεντρώσεις ζώων.
Επιπλέον, η μέθοδος ανοίγει νέους δρόμους για τη μελέτη της οικολογίας των ζωικών συναθροίσεων, επιτρέποντας την ποσοτική περιγραφή μοτίβων βόσκησης στο φυσικό περιβάλλον, την κατανόηση των κοινωνικών και περιβαλλοντικών οδηγών της ζωικής συμπεριφοράς και την διερεύνηση του πώς ατομικές συμπεριφορές κλιμακώνονται σε πληθυσμιακά φαινόμενα. Ταυτόχρονα ο εντοπισμός αυτής της διασποράς των μοτίβων συνάθροισης σε βάθος χρόνου μπορούν να δώσουν την δυνατότητα καλύτερης διαχείρισης των ζώων και κατανόησης των μηχανισμών προσαρμογής τους σε ραγδαίες περιβαλλοντικές αλλαγές.
Θα μπορούσε επίσης να χρησιμοποιηθεί για την ανακάλυψη μεταναστεύσεων που δεν έχουν τεκμηριωθεί προηγουμένως, ειδικά σε απομακρυσμένες ή μη ασφαλείς περιοχές, σε συνδυασμό και με συσκευές GPS.
Παρά τις δυνατότητες, υπάρχουν τεχνικοί περιορισμοί. Η χαμηλή ανάλυση των σημερινών δορυφορικών εικόνων δυσκολεύει τη διάκριση μεταξύ ειδών παρόμοιου μεγέθους, όπως το γκνου και άλλα άγρια ή οικόσιτα βοοειδή, ενώ μικρότερα είδη δεν είναι ορατά. Ωστόσο, η χρήση μοντέλων τμηματοποίησης τύπου U-Net, σε συνδυασμό με αθροιστική μάθηση (ensemble learning) και αλγορίθμους ομαδοποίησης επιτρέπει την ανίχνευση αντικειμένων που καταλαμβάνουν λιγότερα από 9 εικονοστοιχεία, ξεπερνώντας περιορισμούς προηγούμενων μελετών. Ενδεχόμενες τεχνολογικές εξελίξεις σε δορυφορική ανάλυση και η μείωση του κόστους πρόσβασης σε πολύ υψηλής ανάλυσης δεδομένα αναμένεται να άρουν σταδιακά αυτούς τους περιορισμούς

'''4. ΜΕΘΟΔΟΙ'''

'''Δορυφορικές Εικόνες'''

Η μελέτη βασίστηκε σε πολύ υψηλής ανάλυσης δορυφορικές εικόνες που συλλέχθηκαν στο οικοσύστημα Σερενγκέτι–Μάρα κατά την περίοδο 2009–2020. Συνολικά χρησιμοποιήθηκαν εννέα πολυφασματικές εικόνες από τρεις δορυφορικούς αισθητήρες (GeoEye-1, WorldView-2 και WorldView-3), με χωρική ανάλυση 38–50 cm και συνολική κάλυψη 2.747 τ.χλμ. Όλες οι εικόνες ήταν τετραφασματικές (RGB + Near Infrared), με νεφοκάλυψη μικρότερη του 2%. Επιπλέον, χρησιμοποιήθηκε ανεξάρτητο σύνολο εικόνων αναφοράς, διαφορετικών ημερομηνιών αλλά ίδιων περιοχών, για την ασφαλή διάκριση κινούμενων ζώων από στατικά αντικείμενα του τοπίου.

'''Επισήμανση γκνου'''

Η επισήμανση των γκνου πραγματοποιήθηκε χειροκίνητα σε επίπεδο ατόμου, με τη μορφή σημείων στο κέντρο κάθε ζώου, τα οποία στη συνέχεια επεκτάθηκαν σε πολυγωνικές επιφάνειες 3×3 pixels. Η διαδικασία πραγματοποιήθηκε από τέσσερις έμπειρους παρατηρητές και τα τελικά labels προέκυψαν μέσω πλειοψηφικής ψήφου, ώστε να μειωθεί η υποκειμενικότητα και η σύγχυση με παρόμοια φασματικά αντικείμενα (π.χ. θάμνοι, φωλιές τερμιτών).

'''Δεδομένα εκπαίδευσης και ελέγχου'''

Για την εκπαίδευση και αξιολόγηση του μοντέλου, οι εικόνες χωρίστηκαν σε πλέγμα κυψελών (336×336 pixels). Το σύνολο εκπαίδευσης περιλάμβανε 1.097 κυψέλες με 53.906 επισημασμένα γκνου, ενώ το σύνολο ελέγχου αποτελούνταν από 2.700 κυψέλες με 11.594 άτομα. Η επιλογή των δεδομένων ελέγχου έγινε με στρωματοποιημένη τυχαία δειγματοληψία, βάσει πυκνότητας ζώων, ώστε να διασφαλιστεί αντιπροσωπευτικότητα τόσο περιοχών χαμηλής όσο και υψηλής συγκέντρωσης.

'''Η εκπαίδευση του U-Net based αθροιστικού μοντέλου '''

Το μοντέλο βασίστηκε σε αρχιτεκτονική U-Net για τμηματοποίηση εικόνας σε επίπεδο εικονοστοιχείου. Τα δεδομένα υποβλήθηκαν σε τεχνικές αύξησης (data augmentation), ενώ εφαρμόστηκε αθροιστική μάθηση (ensemble learning) με K-fold (K=10), δημιουργώντας δέκα υπομοντέλα των οποίων οι προβλέψεις συνδυάστηκαν. Για την αντιμετώπιση της έντονης ανισορροπίας μεταξύ κλάσεων, χρησιμοποιήθηκε η συνάρτηση απώλειας Tversky με αυξημένη έμφαση στη μείωση ψευδώς αρνητικών αποτελεσμάτων.

'''Αξιολόγηση του Μοντέλου'''

Η ακρίβεια του μοντέλου U-Net βασίστηκε στη σύγκριση των προβλεπόμενων σημείων με τα πραγματικά δεδομένα πεδίου (ground reference). Για να αντισταθμιστούν μικρές αποκλίσεις στον εντοπισμό των κέντρων των ζώων, ορίστηκε μια περιοχή αναζήτησης ακτίνας 0,71 μέτρων (ισοδύναμη με τη διαγώνιο ενός εικονοστοιχείου ανάλυσης 0,5 m). Τα προβλεπόμενα σημεία που μπορούσαν να αντιστοιχιστούν με ένα από τα πλησιέστερα σημεία αναφοράς πεδίου (ground reference) εντός της περιοχής αναζήτησης, προσμετρήθηκαν ως Αληθώς θετικά (true positive, TP), ενώ όσα δεν μπορούσαν να αντιστοιχιστούν με κανένα ως ψευδώς θετικα (false positive, FP). Τέλος όλα τα υπόλοιπα σημεία αναφοράς που δεν αντιστοιχίστηκαν με κανένα προβλεπόμενο σημείο θεωρήθηκαν Ψευδώς Αρνητικά (False Negatives, FN). Με βάση αυτά χρησιμοποιήθηκαν οι δείκτες Precision, Recall και F1-score, ενώ η συνολική απόδοση συγκρίθηκε μέσω της καμπύλης Ακρίβειας-Ανάκλησης και του δείκτη AUC, ο οποίος αποτιμά τη συνολική ικανότητα του μοντέλου να διακρίνει τα ζώα υπό διαφορετικά κατώφλια πιθανότητας.

'''Έλεγχοι Μεταφερσιμότητας '''

Η μεθοδολογία τεκμηριώνεται επαρκώς στα αποτελέσματα.

'''Ανίχνευση και Χωρική Ανάλυση '''

Αφού το μοντέλο έδωσε υψηλή ακρίβεια εφαρμόστηκε σε ολόκληρο το σύνολο των δορυφορικών εικόνων. Οι προβλέψεις πιθανότητας του αθροιστικού μοντέλου μετατράπηκαν σε μεμονωμένα σημεία μέσω K-means clustering για την εκτίμηση του πληθυσμού. Για τα χωρικά μοτίβα μετανάστευσης σε διαφορετικές ημερομηνίες, δημιουργήθηκαν χάρτες πυκνότητας σημείων (point density maps) με μήκος κελιού 100 m ακτίνα 500 μέτρων. Αυτοί οι χάρτες, σε συνδυασμό με ιστογράμματα συχνότητας, οπτικοποίησαν πώς οι συναθροίσεις των γκνου αλλάζουν χωρικά και χρονικά, προσφέροντας μια λεπτομερή εικόνα της κατανομής τους στο οικοσύστημα Σερενγκέτι-Μάρα.

[[ Αρχείο: rs_wiki_3_hotspot.png | thumb | center| 400 px | ''Εικόνα 4 Χάρτης θερμών σημείων και χωρικής πυκνότητας διασποράς γκνου.'']]

[[ Αρχείο: rs_wiki_3_histogram.png | thumb | center| 400 px | ''Εικόνα 5 Χωρική διασπορά εντοπισμένων γκνου, με ιστογράμματα συχνότητας (2009-2020)'']]

Platypus cylindrus, φορέας του Ceratocystis platani σε πληθυσμούς Platanus orientalis στην Ελλάδα

2026-02-06T14:23:47Z

IOANNA OSMANI:

''' Platypus cylindrus, a vector of Ceratocystis platani in Platanus orientalis stands in Greece'''

''N. Soulioti, P. Tsopelas and S. Woodward''

''Πηγή'': [https://repository-theophrastus.ekt.gr/theophrastus/handle/20.500.12038/114]

: '''Λέξεις κλειδιά''' : Diseases; Fungi, Pathogens, Insects, Ceratocystis platani, Platanus orientalis, Platypus cylindrus, Ασθένειες, Μύκητες, Παθογόνα, Έντομα

'''ΠΕΡΙΛΗΨΗ'''

Το σκαθάρι της αμπροσίας Platypus cylindrus εντοπίστηκε σε μεγάλους αριθμούς σε δάση και φυτεύσεις του Platanus orientalis στην Ελλάδα, προσβάλλοντας δέντρα που είχαν ήδη μολυνθεί από τον μύκητα Ceratocystis platani. Στο 59% των ενήλικων σκαθαριών που συλλέχθηκαν από μολυσμένα δέντρα, εντοπίστηκε ο μύκητας C. platani. Η μετάδοση της ασθένειας στο P. orientalis επιβεβαιώθηκε σε 80% των σπορόφυτων που εκτέθηκαν σε μολυσμένα σκαθάρια. Αυτά τα σκαθάρια ανασκάπτονταν στα δέντρα προκαλώντας πληγές και σχηματίζοντας στοές, όπου παρατηρήθηκαν άφθονες περθηκίες του μύκητα. Αν και το σκαθάρι αυτό προσβάλλει κυρίως δέντρα που είναι καταπονημένα ή νεκρά, φαίνεται να παίζει σημαντικό ρόλο ως φορέας της ασθένειας Ceratocystis platani, ιδιαίτερα όταν επισκέπτεται πληγωμένα δέντρα.

='''1. Εισαγωγή'''=
Η ασθένεια που προκαλεί ο μύκητας Ceratocystis platani, γνωστή ως «κηλίδωση καρκινώματος», είναι μία από τις πιο καταστρεπτικές ασθένειες των δέντρων Platanus και αποτελεί σοβαρό οικολογικό κίνδυνο, ιδίως για το Platanus orientalis στην Ελλάδα. Εντοπίστηκε για πρώτη φορά στην περιοχή το 2003 και έκτοτε έχει επεκταθεί γρήγορα σε περιοχές της Πελοποννήσου και άλλες περιοχές της Ελλάδας. Η ασθένεια μεταδίδεται κυρίως μέσω ανθρώπινων δραστηριοτήτων, όπως η χρήση μολυσμένων εργαλείων, ενώ η διάδοση του μύκητα πραγματοποιείται και μέσω των ριζικών ενώσεων ή των κατεστραμμένων υλικών των δέντρων.
Ο Platypus cylindrus, ένα κοινό σκαθάρι αμπροσίας, έχει παρατηρηθεί να προσβάλλει δέντρα πλάτανου που έχουν ήδη μολυνθεί από τον μύκητα, ενισχύοντας τη διάδοση της ασθένειας μέσω της μετάδοσης του μύκητα κατά την επαφή με τα μολυσμένα δέντρα.

'''2. Υλικά και Μέθοδοι'''

: '''2.1 Παρουσία του Platypus cylindrus'''
Από το 2007 έως το 2013 πραγματοποιήθηκαν εκτεταμένες έρευνες σε φυσικά δάση και φυτεύσεις του Platanus orientalis στην Πελοπόννησο και την Ήπειρο, προκειμένου να εντοπιστεί η παρουσία του P. cylindrus. Παρατηρήθηκε ότι τα σκαθάρια αυτά ήταν συχνά παρόντα σε μολυσμένα δέντρα, με έντονη παρουσία αχνού και στοών στον κορμό των δέντρων. Τα σκαθάρια συλλέχθηκαν από τις στοές, και η ταυτοποίησή τους έγινε με τη χρήση στερεομικροσκοπίου.

: '''2.2 Συλλογή Σκαθαριών'''
Τα σκαθάρια συλλέχθηκαν από δέντρα που είχαν μολυνθεί από τον μύκητα C. platani και παγιδεύτηκαν σε δολώματα που περιείχαν τον μύκητα. Χρησιμοποιήθηκαν παγίδες πτήσης που περιείχαν καλλιέργειες του C. platani και τοποθετήθηκαν σε δάσος κοντά στο ποτάμι Ροδιά στην Πελοπόννησο. Οι σκαθάριοι που παγιδεύτηκαν στις παγίδες μεταφέρθηκαν σε εργαστήριο για ανάλυση.

: '''2.3 Απομόνωση του C. platani από τα Σκαθάρια '''
Η παρουσία του C. platani στα σκαθάρια επιβεβαιώθηκε μέσω ενός τροποποιημένου τεχνικού πρωτοκόλλου παγίδευσης. Τα σκαθάρια καθαρίστηκαν και τοποθετήθηκαν σε πιάτα Petri με φρέσκα κλαδιά του P. orientalis, στα οποία εντοπίστηκαν περθηκίες του μύκητα. Η απομόνωση του μύκητα έγινε μέσω των ασκοσπορίων που εκκρίνονταν από τις περθηκίες.

'''3. Αποτελέσματα'''

: '''3.1 Παρουσία του Platypus cylindrus σε Μολυσμένα Δάση'''
Η παρουσία του P. cylindrus ήταν έντονη σε πολλές περιοχές της Πελοποννήσου και της Ηπείρου, ειδικά σε δέντρα P. orientalis που είχαν μολυνθεί από το C. platani. Η παρουσία του έντονου αχνού και οι χαρακτηριστικές τρύπες των στοών που δημιουργούσαν τα σκαθάρια, επιβεβαίωσαν την έντονη μόλυνση των δέντρων. Τα σκαθάρια ανιχνεύτηκαν σε δέντρα που είχαν μολυνθεί για περισσότερο από 1-3 χρόνια, ενώ σε δέντρα που είχαν πρόσφατα μολυνθεί, τα σκαθάρια ανιχνεύτηκαν μόνο στις μολυσμένες περιοχές του κορμού.

: '''3.2 Παρουσία του Μύκητα Ceratocystis platani σε Platypus cylindrus'''
Από τα 22 σκαθάρια που συλλέχθηκαν κατά την πτήση, τα 13 (59%) ήταν μολυσμένα με C. platani. Παρατηρήθηκε ότι τα αρσενικά σκαθάρια είχαν μεγαλύτερη πιθανότητα να μεταφέρουν τον μύκητα (78,5%) σε σχέση με τα θηλυκά (25%).

: '''3.3 Πειράματα Μεταφοράς Παθογόνου'''
Σε πείραμα, τα σκαθάρια P. cylindrus που εκτέθηκαν σε καλλιέργειες του C. platani μετέφεραν τον μύκητα σε υγιή φυτά P. orientalis. Στην πλειοψηφία των φυτών (16 από τα 20), δημιουργήθηκαν νέες βλάβες, με το 80% των φυτών να παρουσιάζουν σημάδια μόλυνσης. Στα φυτά που δεν μολύνθηκαν, οι πληγές έκλεισαν με καλέους χωρίς να εμφανιστούν βλάβες.

[[Αρχείο: Πίνακας 1. Παρουσία του Platypus cylindrus σε Platanus spp. σε διάφορες περιοχές της Ελλάδας.jpg|thumb|center|1100px|'''Πίνακας 1.''' Παρουσία του Platypus cylindrus σε Platanus spp. σε διάφορες περιοχές της Ελλάδας]]

[[Αρχείο: Πίνακας 2. Μόλυνση από Ceratocystis platani σε δέντρα Platanus orientalis που εκτέθηκαν σε ενήλικα Platypus cylindrus τρέφοντας τα με καλλιέργειες του μύκητα.jpg|thumb|center|1100px|'''Πίνακας 2.''' Μόλυνση από Ceratocystis platani σε δέντρα Platanus orientalis που εκτέθηκαν σε ενήλικα Platypus cylindrus τρέφοντας τα με καλλιέργειες του μύκητα]]

:'''3.4 Πείραμα Δημιουργίας Πληγών'''
Το φθινόπωρο του 2009, πραγματοποιήθηκε πείραμα με τεχνητές πληγές σε υγιή δέντρα P. orientalis. Οι πληγές καλύφθηκαν με διαφανές δίχτυ και παρατηρήθηκε ότι τα σκαθάρια επισκέφτηκαν συχνά τα πληγωμένα δέντρα, δημιουργώντας έντονη δραστηριότητα και παρουσίαση των μυκητιακών περθηκιών στις πληγείσες περιοχές.

'''4. Συζήτηση'''
Η μελέτη αυτή αναδεικνύει τον σημαντικό ρόλο του Platypus cylindrus στη διάδοση του μύκητα Ceratocystis platani, ο οποίος προκαλεί την ασθένεια της «κηλίδωσης καρκινώματος» στους δέντρους Platanus orientalis. Ειδικά τα αρσενικά σκαθάρια φαίνεται να μεταφέρουν πιο συχνά τον μύκητα κατά την πτήση τους, υπογραμμίζοντας τη δυνατότητα του σκαθαριού να διασπείρει τη νόσο σε ευρύτερες περιοχές.
Η έρευνα επισημαίνει ότι το σκαθάρι μπορεί να μεταδώσει τον μύκητα σε υγιή δέντρα μέσω της δημιουργίας πληγών, είτε λόγω φυσικών αιτίων είτε από ανθρώπινη παρέμβαση, όπως το κόψιμο ή άλλες χειρουργικές επεμβάσεις στα δέντρα. Αυτό καθιστά τον P. cylindrus ένα κρίσιμο στοιχείο για την εξάπλωση της ασθένειας, ενώ οι μολυσμένοι πληθυσμοί σκαθαριών μπορεί να αποτελούν έναν αυξανόμενο κίνδυνο σε περιοχές που ήδη πλήττονται από την ασθένεια.
Η ανάγκη για πιο ενδελεχή στρατηγικές διαχείρισης, όπως η πρόληψη της δημιουργίας πληγών στα δέντρα και ο έλεγχος του πληθυσμού του σκαθαριού, είναι επιτακτική, καθώς η διάδοση του μύκητα μέσω αυτών των έντονων θα μπορούσε να έχει σοβαρές οικολογικές και οικονομικές συνέπειες για τις περιοχές που επηρεάζονται από τον Platanus orientalis. Οι μελλοντικές έρευνες μπορούν να επικεντρωθούν στο να εντοπίσουν άλλους πιθανούς φορείς της ασθένειας και να αναπτύξουν στρατηγικές για την πιο αποτελεσματική προστασία των δασών.

[[Αρχείο: Εικόνα 1. Στοά που δημιουργήθηκε στον κορμό του Platanus orientalis από ενήλικο Platypus cylindrus.jpg|thumb|center|600px|'''Εικόνα 1.''' Στοά που δημιουργήθηκε στον κορμό του Platanus orientalis από ενήλικο Platypus cylindrus]]

[[category: Δασοπονία, Δασική διαχείριση]]

Αξιολόγηση Δεδομένων Οπτικής Απομακρυσμένης Ανίχνευσης για Χαρτογράφηση Καμένων Περιοχών στο Νησί Θάσος, Ελλάδα

2026-02-06T07:47:44Z

IOANNA OSMANI:

'''Evaluation of Optical Remote Sensing Data in Burned Areas Mapping of Thasos Island, Greece'''

''Mohamed Elhag, Nese Yimaz, Jarbou Bahrawi & Silvena Boteva''

''Πηγή'': [https://link.springer.com/article/10.1007/s41748-020-00195-1]

: '''Λέξεις κλειδιά''' : Δασική πυρκαγιά · Μεσογειακό οικοσύστημα · Δείκτης κανονικοποιημένης διαφοράς βλάστησης · Ανάλυση κύριων συνιστωσών · Χρονολογική ανάλυση

===ΠΕΡΙΛΗΨΗ===
Η μελέτη αφορά την αξιολόγηση των δεδομένων οπτικής απομακρυσμένης ανίχνευσης για τη χαρτογράφηση καμένων περιοχών στο νησί της Θάσου, Ελλάδα. Οι δασικές πυρκαγιές αποτελούν συχνό φαινόμενο στις μεσογειακές περιοχές και προκαλούν σημαντικές οικολογικές και οικονομικές ζημιές. Η ανάλυση πραγματοποιήθηκε χρησιμοποιώντας τον δορυφόρο Landsat-8 και την τεχνική Ανάλυσης Κύριων Συνιστωσών (PCA), σε συνδυασμό με τον Δείκτη Κανονικοποιημένης Διαφοράς Βλάστησης (NDVI), για την ακριβή εκτίμηση και χαρτογράφηση των καμένων περιοχών. Η μέθοδος πέτυχε υψηλή ακρίβεια (85%) στην καταγραφή των καμένων εκτάσεων, παρέχοντας αξιόπιστα αποτελέσματα για τις περιοχές που επηρεάστηκαν από τις πυρκαγιές.

='''1. Εισαγωγή'''=
Οι δασικές πυρκαγιές στην Ελλάδα έχουν αυξηθεί σημαντικά τα τελευταία χρόνια, τόσο σε αριθμό όσο και σε έκταση. Από το 1984 μέχρι το 2016, οι πυρκαγιές αυξήθηκαν από 83 σε 206 περιστατικά ετησίως, προκαλώντας τεράστιες καταστροφές. Το πρόβλημα εντείνεται λόγω των κλιματικών συνθηκών και της εύφλεκτης βλάστησης σε περιοχές όπως η Κρήτη και η Θάσος. Η εκτίμηση των ζημιών από πυρκαγιές απαιτεί ακριβή και έγκαιρη χαρτογράφηση των καμένων περιοχών. Η απομακρυσμένη ανίχνευση, χρησιμοποιώντας δορυφορικές εικόνες και τεχνικές ανάλυσης όπως η PCA, προσφέρει μια αξιόπιστη μέθοδο για τη χαρτογράφηση και εκτίμηση των καμένων περιοχών, μειώνοντας την ανάγκη για χρονοβόρες επισκέψεις στο πεδίο και αεροφωτογραφίες.

'''2. Υλικά και Μέθοδοι'''

: '''2.1 Περιγραφή Περιοχής Μελέτης'''
Η περιοχή της μελέτης βρίσκεται στο νησί Θάσος, το πιο βόρειο νησί της Ελλάδας, και ανήκει στην Περιφερειακή Ενότητα Καβάλας, Μακεδονία. Εκτείνεται από 24°30′ έως 24°48′ Ε και από 40°33′ έως 40°49′ Β. Η έκταση του νησιού είναι 399 τετραγωνικά χιλιόμετρα, ενώ η περίμετρός του είναι περίπου 102 χιλιόμετρα (Εικόνα 1). Το νησί έχει ηφαιστειακή προέλευση και καλύπτεται από ασβεστόλιθους και μάρμαρα που καλύπτουν την κρυσταλλική του βάση, κάνοντάς το σημαντική πηγή μάρμαρων (Elhag & Alshamsi, 2019). Η τοπογραφία του νησιού είναι ορεινή, με το υψηλότερο σημείο του να φτάνει τα 1217 μέτρα πάνω από την επιφάνεια της θάλασσας. Το κλίμα της Θάσου είναι τυπικό μεσογειακό, με καυτά, ξηρά και ηλιόλουστα καλοκαίρια και ψυχρούς χειμώνες (Elhag & Bahrawi, 2016a). Η Εθνική Υπηρεσία Δασών, Σταθμός Δασών Θάσου, τηρεί αρχεία πυρκαγιών. Σύμφωνα με αυτά τα αρχεία, οι μεγαλύτερες δασικές πυρκαγιές του αιώνα σημειώθηκαν το 1928 (1500 εκτάρια), το 1938 (1700 εκτάρια), το 1945 (700 εκτάρια), το 1984 (1669 εκτάρια), το 1985 (10.405 εκτάρια), το 1989 (8401 εκτάρια) και το 2000 (187 εκτάρια). Ωστόσο, κατά την περίοδο 2010-2020 παρατηρήθηκε εκρηκτική αύξηση στον αριθμό των πυρκαγιών και την έκταση που κάηκε. Στην πραγματικότητα, οι μεγαλύτερες πυρκαγιές της τελευταίας εκατονταετίας συνέβησαν κατά την εν λόγω περίοδο και οδήγησαν στην απώλεια περίπου 20.000 εκταρίων από τα δάση πεύκων (Pinus brutia και Pinus nigra) (Elhag & Boteva, 2020). Η περιοχή που επηρεάστηκε αποτέλεσε περισσότερα από τα μισά του μεγέθους του νησιού Θάσος.

[[Αρχείο: Εικόνα 1. Η τοποθεσία Νήσος Θάσος στο Αιγαίο Πέλαγος, Ελλάδα.jpg|thumb|center|700px|'''Εικόνα 1.''' Η τοποθεσία Νήσος Θάσος στο Αιγαίο Πέλαγος, Ελλάδα]]

: '''2.2 Δεδομένα Από Απομακρυσμένη Σάρωση (Remote Sensing)'''
Η γεωμορφολογία του νησιού, η μεγάλη έκταση των πυρκαγιών του 2016 και του 2018, οι τύποι κάλυψης γης, καθώς και η ύπαρξη υδάτινων σωμάτων καθιστούν την περιοχή της μελέτης ιδανική για τη χαρτογράφηση καμένων περιοχών (Sakellariou et al., 2019). Οι δύο πυρκαγιές που αναφέρονται συνέβησαν μεταξύ 2016 και 2018. Η πυρκαγιά του 2016 ήταν συνδυασμένη πυρκαγιά κώνου και επιφανειακή, που διήρκεσε 8 ημέρες, ενώ η πυρκαγιά του 2018 ήταν κυρίως πυρκαγιά κώνου, η οποία κατέστρεψε 11.870 εκτάρια διαφόρων τύπων γης (Sakellariou et al., 2019; Tampekis et al., 2015). Τα δεδομένα που χρησιμοποιήθηκαν για αυτή τη μελέτη περιλαμβάνουν δύο δορυφορικές εικόνες με λιγότερο από 5% κάλυψη σύννεφων, έναν τοπογραφικό χάρτη και τις επίσημες περιμέτρους των πυρκαγιών που δημοσιεύθηκαν από την Υπηρεσία Δασών και τον «Χάρτη Δρόμων και Ακτών» της Θάσου. Οι δύο δορυφορικές εικόνες αποκτήθηκαν από την πλατφόρμα Landsat-8, μία 6 ημέρες μετά την πρώτη πυρκαγιά (4 Αυγούστου 2016) και η άλλη μετά τη δεύτερη πυρκαγιά (24 Οκτωβρίου 2018).
Η πλατφόρμα Landsat-8 παρέχει συνολικά 11 φασματικά κανάλια, από τα οποία 9 είναι γνωστά ως Οπτικός Απεικονιστής Χώρου (OLI) και 2 ως Θερμικός Ακτινοβολητής (TIRS). Τα κανάλια OLI (1-9) καταγράφουν δεδομένα στο Ορατό, Υπέρυθρο (NIR) και Εύρος Μικροκυμάτων (SWIR), με ανάλυση 30 μέτρων για τα περισσότερα κανάλια, εκτός από το κανάλι 8 (πανχρωματικό, ανάλυση 15 μέτρων) και το κανάλι 7 (SWIR, 60 μέτρα). Επίσης, τα κανάλια TIRS (10 και 11) έχουν ανάλυση 100 μέτρων και αντιπροσωπεύουν το Μακροκύμα Υπέρυθρο (LWIR).

: '''2.3 Εννοιολογικό Πλαίσιο'''
Πριν από την ταξινόμηση εικόνας, απαιτείται προκατεργασία των δεδομένων που προκύπτουν από την απομακρυσμένη σάρωση. Οι δύο βασικές τεχνικές που χρησιμοποιούνται στην προκατεργασία είναι οι ακτινομετρικές και γεωμετρικές διορθώσεις. Τα ακτινομετρικά σφάλματα προκύπτουν από την ατμοσφαιρική απορρόφηση ή θόρυβο, που είναι αποτέλεσμα της διάσπασης και απορρόφησης του φωτός καθώς περνά μέσα από την ατμόσφαιρα της Γης (Boers et al., 1996), ενώ γεωμετρικές παραμορφώσεις συμβαίνουν επειδή η εικόνα αναπαριστά την καμπύλη επιφάνεια της Γης σε δύο διαστάσεις (Singh, 1989). Οι ακτινομετρικές διορθώσεις δεν πραγματοποιήθηκαν στη μελέτη αυτή, καθώς είναι απαραίτητες μόνο όταν στόχος είναι η ανίχνευση πολύ μικρών αλλαγών. Εξάλλου, πολλές μελέτες απομακρυσμένης σάρωσης που σχετίζονται με την κάλυψη γης παραβλέπουν το πρόβλημα των ατμοσφαιρικών διορθώσεων, καθώς τα σήματα από τα αντικείμενα που μελετώνται είναι αρκετά ισχυρά για να ανιχνευθούν παρά την ατμοσφαιρική απορρόφηση (Boers et al., 1996). Επιπλέον, λόγω περιορισμένου χρόνου δεν εφαρμόστηκαν αυτές οι τεχνικές. Επομένως, η παραδοχή ήταν ότι οι διαφορές στην ανακλαστικότητα οφείλονται σε αλλαγές στα χαρακτηριστικά και στην κάλυψη γης και όχι σε ακτινομετρικά σφάλματα. Συνεπώς, πραγματοποιήθηκε μόνο γεωμετρική διόρθωση. Για να αναλυθεί η ανίχνευση αλλαγών από τις δορυφορικές εικόνες, τα δεδομένα πρέπει να συγχρονιστούν και προτιμότερο να ευθυγραμμιστούν σε σύστημα προβολής χάρτη (Vogelmann et al., 2001).

: '''2.4 Μέθοδοι Ανίχνευσης Αλλαγών'''
Για την ανίχνευση αλλαγών, εφαρμόστηκε η μέθοδος διαφορών δεικτών, η οποία υπολογίζει τις διαφορές μεταξύ των σχετικών δεικτών από δύο εικόνες σε διαφορετικούς χρόνους. Αυτή η μέθοδος επιτρέπει την αξιολόγηση των αλλαγών στη βλάστηση, στην κάλυψη γης ή σε άλλες παραμέτρους. Η μέθοδος διαφορών δεικτών παρέχει πληροφορίες για το πού υπήρξαν σημαντικές αλλαγές στην κάλυψη γης και διευκολύνει την παρακολούθηση των περιοχών που επηρεάστηκαν από καταστροφές ή άλλες περιβαλλοντικές αλλαγές.
Για την εφαρμογή αυτής της τεχνικής, υπολογίστηκαν οι διαφορές μεταξύ των δεικτών NDVI (Normalized Difference Vegetation Index) για τις δύο χρονικές στιγμές. Το NDVI χρησιμοποιείται ευρέως για τη μέτρηση της πυκνότητας και της κατάστασης της βλάστησης, και η σύγκριση αυτών των δεικτών μπορεί να αποκαλύψει περιοχές όπου η βλάστηση έχει αλλάξει, είτε αυξάνοντας είτε μειώνοντας. Η ανάλυση αυτών των διαφορών συνδυάστηκε με την ταξινόμηση εικόνας για να εντοπιστούν περιοχές που υπήρξαν σημαντικές αλλαγές, όπως οι ζημιές από πυρκαγιές ή άλλες ανθρωπογενείς ή φυσικές επιρροές.

[[Αρχείο: Εικόνα 2. Η εικόνα ταξινόμησης με Μέγιστη Πιθανότητα της περιοχής μελέτης που αποκτήθηκε το 2016 (πάνω) και το 2018 (κάτω).jpg|thumb|center|700px|'''Εικόνα 2.''' Η εικόνα ταξινόμησης με Μέγιστη Πιθανότητα της περιοχής μελέτης που αποκτήθηκε το 2016 (πάνω) και το 2018 (κάτω)]]

: '''2.5 Ανάλυση Αποτελεσμάτων'''
Η τελική ανάλυση ανίχνευσης αλλαγών περιλαμβάνει τη δημιουργία ενός χάρτη αλλαγών που υποδεικνύει τις περιοχές όπου παρατηρήθηκαν διαφορές μεταξύ των δύο χρονικών στιγμών. Τα αποτελέσματα αναλύθηκαν αξιολογώντας τόσο ποσοτικές όσο και ποιοτικές διαφορές στις κατηγορίες κάλυψης γης, λαμβάνοντας υπόψη παραμέτρους που σχετίζονται με τις κλιματικές και περιβαλλοντικές συνθήκες κατά την περίοδο παρατήρησης.

'''3. Εφαρμογές της Ανίχνευσης Αλλαγών με Τεχνικές Remote Sensing'''

Η ανίχνευση αλλαγών μέσω τεχνικών απομακρυσμένης σάρωσης (remote sensing) έχει πολλές εφαρμογές σε διάφορους τομείς, όπως η παρακολούθηση του περιβάλλοντος, η διαχείριση φυσικών πόρων και η αντίδραση σε φυσικές καταστροφές. Μέσω της χρήσης δορυφορικών εικόνων και άλλων δεδομένων remote sensing, είναι δυνατόν να παρακολουθούμε τις αλλαγές στη γη και να κατανοούμε τις επιπτώσεις των καταστροφών ή των μεταβολών στην κάλυψη γης.

: '''3.1 Παρακολούθηση της Γης'''
Η ανίχνευση αλλαγών χρησιμοποιείται για τη συνεχιζόμενη παρακολούθηση περιοχών που υφίστανται επανειλημμένες μεταβολές. Αυτή η τεχνική επιτρέπει την αναγνώριση και καταγραφή περιοχών που επηρεάζονται από φυσικές καταστροφές όπως πλημμύρες, πυρκαγιές και σεισμούς. Επίσης, βοηθά στην αποτίμηση των ζημιών και της έκτασης των κατεστραμμένων περιοχών. Ένα άλλο πεδίο εφαρμογής είναι η παρακολούθηση της ανάπτυξης των πόλεων και η κατανόηση της μεταβολής των φυσικών οικοσυστημάτων, κάτι που είναι κρίσιμο για την ορθολογική διαχείριση της γης.

: '''3.2 Διαχείριση Καταστροφών'''
Η τεχνική της ανίχνευσης αλλαγών μέσω remote sensing είναι ιδιαίτερα χρήσιμη για την έγκαιρη διάγνωση και διαχείριση φυσικών καταστροφών. Στην περίπτωση πυρκαγιών, για παράδειγμα, η ανίχνευση αλλαγών μπορεί να προσδιορίσει με ακρίβεια τις περιοχές που έχουν επηρεαστεί, επιτρέποντας στις αρμόδιες αρχές να αναλάβουν άμεση δράση για την αποκατάσταση των πληγεισών περιοχών. Αντίστοιχα, μετά από πλημμύρες, η ανίχνευση αλλαγών μέσω remote sensing μπορεί να προσφέρει πολύτιμα δεδομένα για την εκτίμηση της έκτασης της καταστροφής και της έντασης των ζημιών.

: '''3.3 Χρησιμοποιούμενοι Δείκτες και Αλγόριθμοι'''
Η ανίχνευση αλλαγών πραγματοποιείται συχνά μέσω διάφορων δεικτών, οι οποίοι παρέχουν χρήσιμες πληροφορίες για την παρακολούθηση της γης και των φυσικών πόρων. Οι πιο συνηθισμένοι δείκτες περιλαμβάνουν:
:: '''i. NDVI (Normalized Difference Vegetation Index)''' : Χρησιμοποιείται για την παρακολούθηση της υγείας και της πυκνότητας της βλάστησης, ενώ η σύγκριση των τιμών του NDVI σε διαφορετικούς χρόνους επιτρέπει την ανίχνευση αλλαγών στη βλάστηση.
:: '''ii. EVI (Enhanced Vegetation Index)''' : Προσφέρει καλύτερη ακρίβεια σε περιοχές με έντονες αλλαγές στη χρήση γης ή στη βλάστηση.
:: '''iii. NDWI (Normalized Difference Water Index)''' : Χρησιμοποιείται για την παρακολούθηση των υδάτων και των υδάτινων σωμάτων.
:: '''iv. NDBI (Normalized Difference Built-up Index)''' : Χρησιμοποιείται για την ανίχνευση περιοχών αστικής ανάπτυξης.

Επιπλέον, αλγόριθμοι όπως η '''Ανάλυση Συνεκτικότητας και η Μονοδιάστατη Ανάλυση Κύριων Συνιστωσών (PCA)''' χρησιμοποιούνται για την απομόνωση και ανάλυση των περιοχών που παρουσίασαν σημαντικές αλλαγές στην κάλυψη γης. Αυτές οι μέθοδοι επιτρέπουν την εξαγωγή χρήσιμων πληροφοριών για τη διαχείριση φυσικών και ανθρωπογενών καταστάσεων, καθώς και για την παρακολούθηση των περιβαλλοντικών αλλαγών σε μεγάλη κλίμακα.

[[Αρχείο: Εικόνα 3. Μετασχηματισμός PCA της τελευταίας αποκτηθείσας εικόνας Landsat (2018).jpg|thumb|left|500px|'''Εικόνα 3.''' Μετασχηματισμός PCA της τελευταίας αποκτηθείσας εικόνας Landsat (2018)]]

[[Αρχείο: Εικόνα 4. Multi-temporal PCA της αποκτηθείσας εικόνας Landsat-8, Band-5 (2016).jpg|thumb|right|500px|'''Εικόνα 4.''' Multi-temporal PCA της αποκτηθείσας εικόνας Landsat-8, Band-5 (2016)]]

[[Αρχείο: Εικόνα 5. Οι καμένες περιοχές εμφανίζονται με πράσινο χρώμα στις temporal εικόνες Landsat.jpg|thumb|left|500px|'''Εικόνα 5.''' Οι καμένες περιοχές εμφανίζονται με πράσινο χρώμα στις temporal εικόνες Landsat]]

[[Αρχείο: Εικόνα 6. Η χαρτογράφηση των καμένων περιοχών χρησιμοποιώντας NDVI από εικόνες Landsat-8.jpg|thumb|right|500px|'''Εικόνα 6.''' Η χαρτογράφηση των καμένων περιοχών χρησιμοποιώντας NDVI από εικόνες Landsat-8]]

:'''4. Αξιολόγηση'''

Η ανίχνευση αλλαγών μέσω τεχνικών remote sensing αποτελεί ένα εξαιρετικά χρήσιμο εργαλείο για την παρακολούθηση της γης και την ανάλυση της δυναμικής του περιβάλλοντος. Αυτή η τεχνική βοηθά στην εκτίμηση των επιπτώσεων φυσικών και ανθρωπογενών καταστροφών, προσφέροντας δεδομένα που ενισχύουν τη διαχείριση φυσικών πόρων και τη χάραξη πολιτικών.
Με την πρόοδο των τεχνολογιών remote sensing και την ανάπτυξη πιο προηγμένων αλγορίθμων ανάλυσης εικόνας, οι δυνατότητες για την παρακολούθηση περιβαλλοντικών αλλαγών και την έγκαιρη διάγνωση καταστροφών θα συνεχίσουν να βελτιώνονται. Αυτή η πρόοδος αναμένεται να συμβάλει στην ενίσχυση στρατηγικών αειφορίας και αποκατάστασης του περιβάλλοντος, βοηθώντας τις κοινότητες να ανταποκριθούν καλύτερα σε περιβαλλοντικές προκλήσεις.

:'''5. Συμπεράσματα'''
Οι δασικές πυρκαγιές αποτελούν φυσικό φαινόμενο των μεσογειακών οικοσυστημάτων και έχουν παίξει σημαντικό ρόλο στη διαμόρφωση των χαρακτηριστικών των δασών της Μεσογείου για χιλιάδες χρόνια. Ωστόσο, η συχνότητά τους έχει αυξηθεί τις τελευταίες δεκαετίες λόγω της ανθρώπινης παρέμβασης και της αστικοποίησης, προκαλώντας σοβαρές περιβαλλοντικές επιπτώσεις, όπως η διάβρωση του εδάφους και η επιδείνωση των επιπτώσεων της κλιματικής αλλαγής.
Η χρήση δορυφορικών εικόνων υψηλής χωρικής ανάλυσης, όπως αυτές του Landsat-8, σε συνδυασμό με προηγμένες τεχνικές επεξεργασίας ψηφιακής εικόνας, επιτρέπει τη λεπτομερή και ακριβή ανίχνευση των καμένων περιοχών και την εκτίμηση της καμένης έκτασης. Τα αποτελέσματα της παρούσας έρευνας επιβεβαιώνουν την αποτελεσματικότητα των τεχνικών remote sensing για την παρακολούθηση των πυρκαγιών, ενώ η εφαρμογή της Ανάλυσης Κύριων Συνιστωσών (PCA) σε πολυχρονική βάση επιτρέπει την παρακολούθηση των καμένων περιοχών σε διάφορες χρονικές στιγμές.
Τα κανάλια 4 και 5 του Landsat-8 αποδείχθηκαν ιδιαίτερα χρήσιμες για την αναγνώριση των καμένων περιοχών, ενώ ο δείκτης NDVI, αν και χρήσιμος, παρουσίασε κάποιες αδυναμίες, καθώς επηρεάζεται από σύννεφα και σκιές. Η χρησιμοποιούμενη μεθοδολογία προσέφερε ποσοστό ακριβείας 84,61% στην εκτίμηση της καμένης έκτασης, ενώ η πολυχρονική PCA βοήθησε στην απομόνωση των καμένων περιοχών των ετών 2016 και 2018, αν και υπήρξε κάποια υποεκτίμηση της καμένης περιοχής στο κέντρο του νησιού, λόγω της παρουσίας γυμνού βράχου.
Για τη βελτίωση των αποτελεσμάτων, προτείνεται η χρήση άλλων μεθόδων ανάλυσης, όπως η Ημιτονοειδή Ιστογράμματα (HIS), καθώς και η ενσωμάτωση του καναλιού 7 του Landsat-8, που θα μπορούσε να ενισχύσει περαιτέρω την ανίχνευση των καμένων περιοχών.

[[category: Δασοπονία, Δασική διαχείριση]]

Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά: Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)

2026-02-05T14:59:59Z

KONSTANTINOU GEORGIOS:

''' Άρθρο: Μεταβλητότητα της Χιονοκάλυψης στην Κανταβρική Οροσειρά (Ισπανία): Μελέτη σε Επίπεδο Λεκάνης Απορροής με Χρήση Δορυφορικών Δεδομένων (2000–2024)''' 
'''Συγγραφείς: Adrián Melón-Nava, Amelia Gómez-Villar ''' 
'''Πηγή: https://doi.org/10.18172/cig.6543''' 
'''Ημερομηνία: 30 Ιουνίου 2025''' 

[[Αρχείο: 6_1.jpg | thumb | '''Εικόνα 1.''' Περιοχή μελέτης: Η Κανταβρική Οροσειρά και η οριοθέτηση των 36 υδρογραφικών λεκανών απορροής]]

[[Αρχείο: 6_2.jpg | thumb | '''Εικόνα 2.''' Ροή εργασιών (Workflow) για την παραγωγή χρονοσειρών Κλάσματος Χιονοκάλυψης (SCF) στο Google Earth Engine από δορυφορικές εικόνες. Το παράδειγμα πλήρωσης κενών (gap-filling) δείχνει την αποκατάσταση δεδομένων σε κενό 4 ημερών.]]

[[Αρχείο: 6_3.jpg | thumb | '''Εικόνα 3.''' . Χρονοσειρές της εξέλιξης του Ποσοστού Χιονοκάλυψης (SCF) (2000-2024) και χάρτες των σχετικών τάσεων ανά λεκάνη απορροής και ανά εποχή ]]

[[Αρχείο: 6_4.jpg | thumb | '''Πίνακας 1.''' Στατιστικά τάσεων (Mann-Kendall) για το Ποσοστό Χιονοκάλυψης (SCF) ανά υψομετρική ζώνη. ]]

'''Περίληψη''' 

Η παρούσα μελέτη εστιάζει στο αντικείμενο της Υδρολογίας και της Κλιματολογίας, και συγκεκριμένα στην παρακολούθηση των κρυοσφαιρικών μεταβολών. Κύριος στόχος της εφαρμογής είναι η λεπτομερής ανάλυση της δυναμικής της χιονοκάλυψης στην Κανταβρική Οροσειρά της βόρειας Ισπανίας για μια περίοδο 24 ετών (2000–2024), προκειμένου να κατανοηθούν οι επιπτώσεις της κλιματικής αλλαγής στη διαθεσιμότητα υδάτινων πόρων. Πριν από την ανάπτυξη και την ευρεία χρήση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων σε ορεινούς όγκους γινόταν σχεδόν αποκλειστικά μέσω δικτύων επίγειων μετεωρολογικών σταθμών. Η μέθοδος αυτή παρουσίαζε σημαντικούς περιορισμούς, καθώς οι σταθμοί ήταν χωρικά αραιοί, βρίσκονταν κυρίως σε χαμηλά ή μέσα υψόμετρα και αδυνατούσαν να καταγράψουν τη χωρική ετερογένεια του χιονιού στις δυσπρόσιτες κορυφογραμμές, οδηγώντας σε ελλιπή κατανόηση του υδρολογικού κύκλου.

'''Μέθοδοι''' 

Για την υλοποίηση της μελέτης χρησιμοποιήθηκε ένας συνδυασμός διαφορετικών ειδών δορυφορικών συστημάτων και αισθητήρων. Συγκεκριμένα, αξιοποιήθηκαν εικόνες από τον φασματοραδιόμετρο MODIS (στους δορυφόρους Terra και Aqua) για την υψηλή χρονική του ανάλυση, καθώς και δεδομένα από τη σειρά δορυφόρων Landsat (Landsat 5 TM, Landsat 7 ETM+, Landsat 8 OLI, Landsat 9 OLI-2) και τους δορυφόρους Sentinel-2 (MSI) του προγράμματος Copernicus για την υψηλή χωρική τους διακριτική ικανότητα. Η επεξεργασία αυτού του τεράστιου όγκου δεδομένων πραγματοποιήθηκε εξ ολοκλήρου στην πλατφόρμα νέφους Google Earth Engine (GEE), η οποία επιτρέπει την ταχεία ανάλυση χρονοσειρών "μεγάλων δεδομένων" (big data).

Από τους παραπάνω δέκτες έγινε χρήση συγκεκριμένων φασματικών καναλιών, κυρίως του ορατού φάσματος (Πράσινο κανάλι) και του Βραχέος Υπέρυθρου (SWIR). Η χρησιμότητα του συνδυασμού αυτών των καναλιών έγκειται στην ικανότητά τους να διαχωρίζουν αποτελεσματικά το χιόνι (που ανακλά έντονα στο ορατό και απορροφά στο SWIR) από τα σύννεφα (που ανακλούν και στα δύο), επιτρέποντας τον υπολογισμό του Κανονικοποιημένου Δείκτη Διαφοράς Χιονιού (NDSI). Οι απαραίτητες προεπεξεργασίες περιλάμβαναν την ατμοσφαιρική διόρθωση μέσω της χρήσης προϊόντων Επιφανειακής Ανακλαστικότητας (Surface Reflectance), τη γεωαναφορά και, κρισίμως, τη δημιουργία μασκών νεφών για την εξάλειψη των ατμοσφαιρικών παρεμβολών. Ως κύριος ψηφιακός αλγόριθμος χρησιμοποιήθηκε η κατωφλίωση του δείκτη NDSI (με τιμή > 0.4) για την ταξινόμηση των εικονοστοιχείων. Για τη βελτίωση της ακρίβειας, εφαρμόστηκαν τεχνικές συγχώνευσης δεδομένων (data fusion) και χρονικής παρεμβολής για την πλήρωση κενών λόγω νέφωσης. Επιπρόσθετα, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) της αποστολής SRTM της NASA. Η αναγκαιότητα του DEM ήταν καθοριστική για τις ειδικές επεξεργασίες GIS, καθώς επέτρεψε την υψομετρική διαστρωμάτωση της ανάλυσης ανά 500 μέτρα και την εξαγωγή στατιστικών ανά υδρολογική λεκάνη.

Για την εγκυρότητα των αποτελεσμάτων, πραγματοποιήθηκε αξιολόγηση με χρήση δεδομένων αναφοράς από επίγειες ψηφιακές κάμερες time-lapse (π.χ. στην περιοχή Campoo). Η σύγκριση έδειξε ότι σε συνθήκες καθαρής ατμόσφαιρας η συμφωνία ταξινόμησης (classification agreement) υπερβαίνει το 85%, ενώ οι αλγόριθμοι πλήρωσης κενών (gap-filling) μείωσαν σημαντικά τα σφάλματα υποτίμησης της χιονοκάλυψης, καθιστώντας τα προϊόντα αξιόπιστα.

'''Αποτελέσματα''' 

Η εφαρμογή προηγμένων στατιστικών αλγορίθμων (Mann-Kendall) αποκάλυψε μεταβολές στο καθεστώς χιονοκάλυψης, με τα πιο ισχυρά στατιστικά ευρήματα να εντοπίζονται στην ανάλυση της έκτασης. Συγκεκριμένα, για το Ποσοστό Χιονοκάλυψης (SCF), καταγράφηκαν στατιστικά σημαντικές (p<0.05) πτωτικές τάσεις, ιδιαίτερα κατά τη διάρκεια του χειμώνα στις λεκάνες που προσανατολίζονται προς το Νότο (μείωση που αγγίζει το 10-16% ανά δεκαετία).

Πέρα από την έκταση (SCF), η μελέτη εξέτασε αναλυτικά και τη φαινολογία του χιονιού μέσω δεικτών όπως η Τελευταία Ημέρα Χιονοκάλυψης (LSCD),
η Πρώτη Ημέρα (FESD) και η έναρξη της σταθερής χιονόπτωσης (SOD). Παρόλο που οι μεμονωμένες τάσεις διάρκειας δεν ήταν πάντα στατιστικά σημαντικές
(λόγω της μεγάλης ετήσιας μεταβλητότητας), η συνοχή τους υποδεικνύει μια σαφή στροφή του καθεστώτος.
Ειδικότερα, παρατηρήθηκε συρρίκνωση της εποχής του χιονιού και από τα δύο άκρα: Αφενός, η Τελευταία Ημέρα (LSCD) και η ημέρα τήξης (SMOD) εμφανίζουν αρνητική τάση, μετατοπιζόμενες σταθερά νωρίτερα μέσα στο έτος.
Αφετέρου, η έναρξη της χιονόπτωσης τείνει να καθυστερεί ή να γίνεται πιο ασταθής (επηρεάζοντας το FESD/SOD).
Η μείωση αυτή της συνολικής διάρκειας (SCD) υπολογίστηκε κατά μέσο όρο σε 1 ημέρα ανά δεκαετία, φτάνοντας όμως τις 5,8 ημέρες ανά δεκαετία στις υψηλότερες ζώνες. Ο συνδυασμός της σημαντικής μείωσης της χειμερινής έκτασης (SCF) με τη συνεπή τάση πρόωρης τήξης συνθέτει την εικόνα της σταδιακής αποσταθεροποίησης της κρυόσφαιρας. 

'''Συμπεράσματα''' 

Η μελέτη κατέληξε στο συμπέρασμα ότι η Κανταβρική Οροσειρά παρουσιάζει σαφείς ενδείξεις υποχώρησης της κρυόσφαιρας. Η μεθοδολογία που αναπτύχθηκε, βασισμένη στην Τηλεπισκόπηση και την επεξεργασία στο νέφος (Cloud Computing), αποδείχθηκε ένα ισχυρό εργαλείο για την εξαγωγή περιβαλλοντικών πληροφοριών σε μεγάλη κλίμακα. Αν και ορισμένοι φαινολογικοί δείκτες διάρκειας εμφανίζουν κυρίως τάσεις (tendencies) λόγω της έντονης κλιματικής διακύμανσης, η στατιστικά επιβεβαιωμένη μείωση της χειμερινής έκτασης (SCF) είναι κρίσιμη για την προσαρμογή των μοντέλων διαχείρισης υδάτινων πόρων. Τα ευρήματα αυτά υπογραμμίζουν την ανάγκη για συνέχιση της παρακολούθησης ώστε να επιβεβαιωθούν οι μακροπρόθεσμες επιπτώσεις στη βιοποικιλότητα και τα υδατικά αποθέματα της περιοχής.

[[category:Υδατικοί Πόροι]]

Συνεργατική Δυνατότητα Τηλεπισκόπησης Οπτικών και Ραντάρ Συστημάτων για την Παρακολούθηση της Χιονοκάλυψης

2026-02-05T14:59:37Z

KONSTANTINOU GEORGIOS:

''' Άρθρο: Συνεργατική Δυνατότητα Τηλεπισκόπησης Οπτικών και Ραντάρ Συστημάτων για την Παρακολούθηση της Χιονοκάλυψης''' 
'''Συγγραφείς: Jose-David Hidalgo-Hidalgo, Antonio-Juan Collados-Lara, David Pulido-Velazquez, Steven R. Fassnacht, C. Husillos ''' 
'''Πηγή: https://doi.org/10.3390/rs16193705''' 
'''Ημερομηνία: 5 Οκτωβρίου 2024''' 

[[Αρχείο: 5_1.jpg | thumb | '''Εικόνα 1.''' Χάρτης της περιοχής μελέτης που απεικονίζει τις 5 οροσειρές της Ιβηρικής Χερσονήσου (Κανταβρικό, Πυρηναία, Κεντρικό Σύστημα, Ιβηρική, Σιέρα Νεβάδα) και το υψομετρικό τους ανάγλυφο.]]

[[Αρχείο: 5_2.jpg | thumb | '''Εικόνα 2.''' Διάγραμμα ροής της μεθοδολογίας: Συνδυασμός προϊόντων MODIS και HRS&I SWS για τη δημιουργία του τελικού χάρτη χιονοκάλυψης.]]

[[Αρχείο: 5_3.jpg | thumb | '''Εικόνα 3.''' Παραδείγματα χαρτών συνδυαστικής χιονοκάλυψης (HRS&I SWS + MODIS) για δύο χαρακτηριστικές ημερομηνίες: 4 Φεβρουαρίου 2017 (Χειμώνας) και 18 Απριλίου 2018 (Άνοιξη). ]]

[[Αρχείο: 5_4.jpg | thumb | '''Εικόνα 4.''' Διαγράμματα διασποράς που δείχνουν τη συσχέτιση μεταξύ υψομέτρου και πιθανότητας χιονιού.]]

[[Αρχείο: 5_5.jpg | thumb | '''Εικόνα 5.''' Μηνιαία κατανομή της χιονοκάλυψης στα Πυρηναία. Το γράφημα δείχνει τη συνολική έκταση χιονιού, διαχωρίζοντας τη συμβολή του MODIS από την πρόσθετη πληροφορία που ανακτήθηκε χάρη στο ραντάρ (HRS&I SWS).]]

[[Αρχείο: 5_6.jpg | thumb | '''Πίνακας 1.''' Μέγεθος της τάσης (%/πενταετία) των χρονικών μεταβολών του δείκτη PSCPI για κάθε μήνα στις κύριες οροσειρές.]]

'''Περίληψη''' 

Η παρούσα μελέτη εντάσσεται στο ευρύτερο επιστημονικό αντικείμενο της Υδρολογίας και της Κλιματολογίας, εστιάζοντας στην κρίσιμη ανάγκη για ακριβή και διαχρονική παρακολούθηση της χιονοκάλυψης σε ορεινά οικοσυστήματα. Ο κύριος στόχος της εφαρμογής είναι η υπέρβαση των σημαντικών περιορισμών που θέτει η συχνή νεφοκάλυψη στις ορεινές περιοχές, η οποία παραδοσιακά εμποδίζει την παρατήρηση της επιφάνειας της Γης. Πριν την έλευση της Τηλεπισκόπησης, η παρακολούθηση τέτοιων φαινομένων βασιζόταν αποκλειστικά σε δίκτυα επίγειων μετεωρολογικών σταθμών και σε επιτόπιες δειγματοληψίες. Οι μέθοδοι αυτές παρείχαν μόνο σημειακές και χωρικά ασυνεχείς πληροφορίες, καθιστώντας αδύνατη την ακριβή χαρτογράφηση της κατανομής του χιονιού σε μεγάλες, δυσπρόσιτες και γεωμορφολογικά πολύπλοκες οροσειρές. Η έρευνα αυτή, εστιάζοντας σε πέντε οροσειρές της Ιβηρικής Χερσονήσου, επιχειρεί να αποδείξει πως η συνδυαστική χρήση διαφορετικών δορυφορικών τεχνολογιών μπορεί να καλύψει αυτά τα κενά πληροφόρησης.

'''Μέθοδοι''' 

Για την επίτευξη των στόχων της μελέτης χρησιμοποιήθηκε μια συνδυαστική μεθοδολογία που αξιοποιεί διαφορετικά είδη δορυφορικών συστημάτων, ενσωματώνοντας τόσο παθητικούς όσο και ενεργητικούς αισθητήρες. Συγκεκριμένα, έγινε χρήση του δορυφόρου Terra που φέρει τον οπτικό δέκτη MODIS (κάνοντας χρήση οπτικών και υπέρυθρων καναλιών), καθώς και του δορυφόρου Sentinel-1 της ευρωπαϊκής αποστολής Copernicus, ο οποίος είναι εξοπλισμένος με Ραντάρ Συνθετικού Ανοίγματος (SAR) στη ζώνη συχνοτήτων C-band. Η χρησιμότητα των συγκεκριμένων δεκτών λειτούργησε συμπληρωματικά, καθώς ο μεν MODIS προσέφερε μια μακροχρόνια και συνεπή χρονοσειρά οπτικών δεδομένων από το 2000 έως το 2022, ο δε Sentinel-1 αξιοποιήθηκε για τη μοναδική του ικανότητα να διαπερνά τα σύννεφα και να εντοπίζει το υγρό χιόνι κατά τις περιόδους τήξης, λειτουργώντας ως εργαλείο πλήρωσης κενών.

Σε επίπεδο προεπεξεργασίας και ψηφιακών επεξεργασιών, η μελέτη εφάρμοσε συγκεκριμένους αλγορίθμους και τεχνικές GIS. Αρχικά, για την ελαχιστοποίηση του θορύβου από τη νεφοκάλυψη στα οπτικά δεδομένα, χρησιμοποιήθηκαν οι 8-ήμερες συνθέσεις του προϊόντος MOD10A2, ενώ πραγματοποιήθηκε γεωαναφορά και επαναδειγματοληψία (resampling) για την ομογενοποίηση των δεδομένων. Στη συνέχεια, εφαρμόστηκε ο δείκτης Πιθανότητας Παρουσίας Χιονοκάλυψης (PSCPI), βασισμένος σε μεθόδους φασματικών λόγων και ταξινόμησης (classification), για την ποσοτικοποίηση της χιονοκάλυψης. Παράλληλα, ενσωματώθηκε το προϊόν HRS&I SWS για την ανάκτηση δεδομένων στις περιοχές που οι οπτικοί αισθητήρες αδυνατούσαν να καταγράψουν. Μια κρίσιμη ειδική επεξεργασία αφορούσε τη διαδικασία "gap-filling", κατά την οποία τα κενά των οπτικών εικόνων συμπληρώθηκαν με την πληροφορία υγρού χιονιού από το HRS&I SWS. Η εφαρμογή αυτής της μεθοδολογίας επέτρεψε τη δημιουργία ολοκληρωμένων χαρτών χιονοκάλυψης, αξιοποιώντας την υψηλή ανάλυση του προϊόντος ραντάρ.

Επιπρόσθετα, για την ανάλυση της επίδρασης της τοπογραφίας, έγινε χρήση του Ψηφιακού Μοντέλου Υψομέτρου (DEM) Copernicus GLO-30, η αναγκαιότητα του οποίου κρίθηκε επιτακτική για τη συσχέτιση του υψομέτρου με τη διάρκεια του χιονιού. Τέλος, η στατιστική ανάλυση των τάσεων πραγματοποιήθηκε με τη χρήση των αλγορίθμων Mann-Kendall και Sen’s slope estimator.

'''Αποτελέσματα''' 

Η ανάλυση των αποτελεσμάτων ανέδειξε τη σημαντική χωρική διαφοροποίηση της χιονοκάλυψης, με τα Πυρηναία και τη Σιέρα Νεβάδα να εμφανίζουν τη μεγαλύτερη διάρκεια χιονιού. Οι στατιστικές επεξεργασίες επιβεβαίωσαν ότι το γεωγραφικό πλάτος επηρεάζει καθοριστικά το υψόμετρο της χιονοκάλυψης, με τον συντελεστή προσδιορισμού να αγγίζει πολύ υψηλές τιμές (R2 ≥ 0.84). Παράλληλα, η ισχυρή εξάρτηση της πιθανότητας χιονιού (PSCPI) από το υψόμετρο αποτυπώνεται ξεκάθαρα στα παρακάτω διαγράμματα διασποράς για κάθε οροσειρά ξεχωριστά.

Ένα από τα κρισιμότερα ευρήματα ήταν η εξαιρετική αποτελεσματικότητα της μεθόδου "gap-filling" με τη χρήση του προϊόντος HRS&I SWS. Το παρακάτω γράφημα αποτυπώνει ξεκάθαρα τη συνεισφορά του προϊόντος SWS στη συνολική χαρτογράφηση. Όπως φαίνεται, η συμβολή του (το τμήμα που προστίθεται στο συνολικό εμβαδό) είναι καθοριστική κατά τους εαρινούς μήνες, επιτρέποντας την ανάκτηση χιονοκάλυψης που οι οπτικοί αισθητήρες έχαναν λόγω νεφών.

Τέλος, η ανάλυση των κλιματικών τάσεων αποκάλυψε μια ανησυχητική μείωση. Ο παρακάτω πίνακας παρουσιάζει το μέγεθος της τάσης μεταβολής ανά πενταετία για κάθε μήνα. Οι αρνητικές τιμές κυριαρχούν, ιδιαίτερα τους χειμερινούς μήνες, υποδεικνύοντας σαφή συρρίκνωση της χιονοκάλυψης λόγω της κλιματικής αλλαγής.

'''Συμπεράσματα''' 

Η αξιολόγηση των μεθόδων καταδεικνύει ότι η συνέργεια μεταξύ οπτικών συστημάτων όπως ο MODIS και του προϊόντος HRS&I SWS αποτελεί μια εξαιρετικά αποτελεσματική προσέγγιση για την υδρολογική παρακολούθηση και τη διαχείριση των ορεινών υδάτινων πόρων. Οι συγγραφείς τονίζουν ότι, ενώ οι οπτικοί αισθητήρες παραμένουν αναντικατάστατοι για την ιστορική καταγραφή και την ευρεία κάλυψη, η συμπληρωματική χρήση προηγμένων προϊόντων ραντάρ είναι απαραίτητη για την υπέρβαση των ατμοσφαιρικών εμποδίων. Η προτεινόμενη μεθοδολογία κρίνεται πλέον ως επιχειρησιακά ώριμη και προτείνεται η επέκτασή της σε άλλες ορεινές περιοχές, προσφέροντας μια πιο ολοκληρωμένη και αξιόπιστη εικόνα της κρυόσφαιρας σε συνθήκες μεταβαλλόμενου κλίματος.

[[category:Υδατικοί Πόροι]]

Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης

2026-02-05T14:58:00Z

KONSTANTINOU GEORGIOS:

''' Άρθρο: Διερεύνηση της Γιγαντιαίας Αμμοθύελλας της Σαχάρας του Ιουνίου 2020 με Χρήση Παρατηρήσεων Τηλεπισκόπησης και Μοντέλων Επανάλυσης''' 
'''Συγγραφείς: A Asutosh, V Vinoj, Nuncio Murukesh, Ramakrishna Ramisetty, Nishant Mittal ''' 
'''Πηγή:''' https://doi.org/10.1038/s41598-022-10017-1 
'''Ημερομηνία: 12 Απριλίου 2022 ''' 

[[Αρχείο: 4_1.jpg | thumb |201px| '''Εικόνα 1.''' Εξέλιξη της αμμοθύελλας από το διάστημα (Εικόνες ορατού φάσματος από το MODIS) ]]

[[Αρχείο: 4_2.jpg | thumb |201px| '''Εικόνα 2.''' Κατακόρυφη δομή στρώματος σκόνης από τον αισθητήρα CALIOP. Πηγή: NASA Earth Observatory/CALIPSO).]]

[[Αρχείο: 4_3.jpg | thumb |201px| '''Εικόνα 3.''' Χρονοσειρά Οπτικού Βάθους (AOD) (Χρονοσειρές μέσων τιμών AOD από MODIS, OMI και μοντέλα. Η σκίαση δείχνει την περίοδο αιχμής 14–19 Ιουνίου 2020).]]

[[Αρχείο: 4_4.png | thumb |201px| '''Εικόνα 4.''' Οπτικές Ιδιότητες Αερολυμάτων (Χρονοσειρές μέσων τιμών περιοχής για (a) την παράμετρο Angstrom από το MERRA-2, (b) τον Δείκτη Αερολυμάτων UV από το OMI, (c) το Single Scattering Albedo από το OMI. Η σκίαση υποδεικνύει την περίοδο της αμμοθύελλας. Οι ράβδοι σφάλματος υποδεικνύουν την τυπική απόκλιση +1σ). ]]

[[Αρχείο: 4_5.jpg | thumb |201px| '''Εικόνα 5.''' Επίγεια Επιβεβαίωση (Ραδιοβολίσεις) (Σύνθετη απεικόνιση έξι ημερών στον σταθμό Guimar-Τενερίφη. Συγκρίνει τα προφίλ θερμοκρασίας και υγρασίας πριν, κατά τη διάρκεια και μετά το γεγονός. Τα επίπεδα πίεσης 700 hPa και 550 hPa αντιστοιχούν σε υψόμετρο 3 χιλιομέτρων και 5 χιλιομέτρων αντίστοιχα.)]]

[[Αρχείο: 4_6.jpg | thumb |201px| '''Εικόνα 6.''' Χωρικός χάρτης Ατμοσφαιρικού Εξαναγκασμού Ακτινοβολίας (ARF) (Χωρικός χάρτης μέσων τιμών του ARF (a) στην κορυφή της ατμόσφαιρας, (b) εντός της ατμόσφαιρας και (c) στην επιφάνεια, χρησιμοποιώντας δεδομένα MERRA-2 κατά τη διάρκεια της αμμοθύελλας).]]

[[Αρχείο: 4_7.jpg | thumb |201px| '''Πίνακας 1.''' Συγκεντρωτική μεταβολή οπτικών και θερμοδυναμικών παραμέτρων κατά την αμμοθύελλα σε σχέση με την κλιματολογία (2015–2019). ]]

'''Περίληψη''' 

Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και της Διαχείρισης Φυσικών Καταστροφών, εστιάζοντας ειδικότερα στην πολυπαραμετρική ανάλυση της ιστορικής αμμοθύελλας "Godzilla" του Ιουνίου 2020. Πρόκειται για το σφοδρότερο γεγονός μεταφοράς σκόνης των τελευταίων δεκαετιών, και ο κύριος στόχος της εφαρμογής είναι η διερεύνηση των άμεσων επιπτώσεών του στις ατμοσφαιρικές ακτινοβολιακές και θερμοδυναμικές ιδιότητες, καθώς και η αξιολόγηση της ικανότητας των σύγχρονων εργαλείων να χαρτογραφούν τέτοια ακραία φαινόμενα. Στο παρελθόν, η παρακολούθηση της μεταφοράς σκόνης γινόταν με μεθόδους όπως τα αραιά δίκτυα επίγειων μετρήσεων και οι υποκειμενικές αναφορές ορατότητας από εμπορικά πλοία ή αεροδρόμια. Οι μέθοδοι αυτές άφηναν τεράστια χωρικά κενά στον Ατλαντικό Ωκεανό και αδυνατούσαν πλήρως να καταγράψουν την κατακόρυφη δομή του νέφους ή να ποσοτικοποιήσουν την επίδρασή του στο ενεργειακό ισοζύγιο. Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, συνδυάζοντας δορυφορικά δεδομένα πολλαπλών δεκτών με προηγμένα μοντέλα για την ολοκληρωμένη μελέτη του φαινομένου σε τρεις διαστάσεις.

'''Μέθοδοι''' 

Η έρευνα αξιοποιεί δεδομένα από ένα πλέγμα δορυφορικών συστημάτων (Terra, Aqua, Aura, CALIPSO) σε συνέργεια με τα παγκόσμια μοντέλα επανάλυσης MERRA-2 και CAMS. Χρησιμοποιήθηκαν εξειδικευμένοι δέκτες για κάθε πτυχή του φαινομένου: το MODIS (φάσμα ορατού) παρείχε το Οπτικό Βάθος Αερολυμάτων (AOD) για τη χωρική κατανομή, το OMI (υπεριώδες) τον Δείκτη Αερολυμάτων (UVAI) για τον διαχωρισμό των απορροφητικών σωματιδίων, ενώ το AIRS συνεισέφερε με προφίλ θερμοκρασίας και υγρασίας. Κρίσιμη ήταν η συμβολή του ενεργού αισθητήρα Lidar του CALIOP, ο οποίος επέτρεψε την τομή της ατμόσφαιρας για την εύρεση του ύψους της σκόνης.
Σε επίπεδο προεπεξεργασίας, επιλέχθηκαν δεδομένα Επιπέδου 3 (Level-3), τα οποία είχαν υποστεί γεωαναφορά και αναγωγή σε παγκόσμιο πλέγμα 1° × 1°. Βασικό μεθοδολογικό βήμα αποτέλεσε ο υπολογισμός των κλιματικών ανωμαλιών βάσει της περιόδου αναφοράς 2002–2019. Μέσω αυτής της διαδικασίας αφαιρέθηκε το εποχικό υπόβαθρο, επιτρέποντας την ακριβή απομόνωση και ποσοτικοποίηση της ακραίας απόκλισης που προκάλεσε το συγκεκριμένο γεγονός.

Επιπλέον, για την πλήρη κατανόηση της τρισδιάστατης εξέλιξης, αξιοποιήθηκαν τα δεδομένα του CALIOP. Η ανάλυση της κατακόρυφης τομής ήταν απαραίτητη για να επιβεβαιωθεί ότι η θέρμανση που παρατηρήθηκε συνέπιπτε υψομετρικά με το στρώμα της σκόνης.

Τέλος, πραγματοποιήθηκε συγχώνευση και στατιστική σύγκριση των δορυφορικών μετρήσεων με τα μοντέλα για την αμοιβαία επικύρωση των ευρημάτων.

'''Αποτελέσματα''' 

Η ανάλυση κατέδειξε ότι το φαινόμενο ήταν το ισχυρότερο της εικοσαετίας, με τις τιμές AOD να ξεπερνούν το 1.5, τιμή εξαιρετικά σπάνια για ωκεάνιες περιοχές.

Η σύγκριση της χωρικής κατανομής μεταξύ των δορυφορικών δεδομένων και των μοντέλων έδειξε ότι τα μοντέλα (MERRA-2, CAMS) κατάφεραν να αναπαράγουν με μεγάλη ακρίβεια τη γεωγραφική εξάπλωση του νέφους σκόνης. Η στατιστική αντιπαραβολή με τα μοντέλα επανάλυσης εμφάνισε υψηλή συσχέτιση (Pearson’s r > 0.93), αποδεικνύοντας την αξιοπιστία των σύγχρονων προσομοιώσεων.
Πέρα από την ποσότητα, αναλύθηκαν και οι οπτικές ιδιότητες των σωματιδίων για να επιβεβαιωθεί η προέλευσή τους. Οι δείκτες επιβεβαίωσαν ότι πρόκειται για χονδρόκοκκα και απορροφητικά σωματίδια σκόνης, όπως φαίνεται στα παρακάτω διαγράμματα.

Το σημαντικότερο εύρημα, ωστόσο, αφορά τη θερμοδυναμική αλληλεπίδραση. Η παρουσία του πυκνού νέφους σκόνης προκάλεσε σημαντική θέρμανση των ατμοσφαιρικών στρωμάτων (8–16%) και μείωση της σχετικής υγρασίας (2–4%), γεγονός που επιβεβαιώνεται από την ανάλυση των κατακόρυφων προφίλ της ατμόσφαιρας μέσω επίγειων μετρήσεων.

Η αιτία αυτής της θέρμανσης και της μεταβολής στη σταθερότητα της ατμόσφαιρας αποδίδεται στον Εξαναγκασμό Ακτινοβολίας (ARF). Η σκόνη απορρόφησε ηλιακή ενέργεια εντός της ατμόσφαιρας, εμποδίζοντάς την να φτάσει στην επιφάνεια, προκαλώντας έτσι ψύξη χαμηλά αλλά θέρμανση στα ψηλότερα στρώματα.

Για την ποσοτική αποτίμηση της έντασης του φαινομένου, οι συνολικές αποκλίσεις όλων των εξεταζόμενων παραμέτρων (οπτικών και θερμοδυναμικών) σε σχέση με την κλιματολογική περίοδο αναφοράς, συνοψίζονται στον ακόλουθο πίνακα:

'''Συμπεράσματα''' 

Η μελέτη αποδεικνύει ότι η συνδυαστική χρήση πολυφασματικών δορυφορικών δεκτών και μοντέλων είναι απαραίτητη για την ολοκληρωμένη παρακολούθηση ακραίων φαινομένων. Η μέθοδος υπερτερεί σαφώς των συμβατικών τεχνικών, καθώς παρέχει κρίσιμη γνώση όχι μόνο για τη μεταφορά μάζας, αλλά και για την αλληλεπίδραση αερολυμάτων-ακτινοβολίας. Τα ευρήματα αυτά είναι ζωτικής σημασίας για τη βελτίωση των κλιματικών προβλέψεων, καθώς η ακριβής αναπαράσταση της θέρμανσης που προκαλεί η σκόνη μπορεί να βελτιώσει την κατανόηση της ενεργειακής ισορροπίας του πλανήτη και της εξέλιξης των καιρικών συστημάτων στον Ατλαντικό.

'''Βιβλιογραφία''' 

1. NASA Earth Observatory. A Dust Plume to Remember. June 2020. https://earthobservatory.nasa.gov/

[[category:Περιβαλλοντικές Επιπτώσεις]]

Βελτιωμένος Εντοπισμός Παγκόσμιων Σημάτων NO2 από τη Ναυτιλία

2026-02-05T14:55:03Z

KONSTANTINOU GEORGIOS:

''' Άρθρο: Improved detection of global NO2 signals from shipping in Sentinel-5P TROPOMI data''' 
'''Συγγραφείς: Miriam Latsch, Andreas Richter, John P. Burrows, Hartmut Bösch ''' 
'''Πηγή:''' https://doi.org/10.5194/amt-18-4373-2025 
'''Ημερομηνία: 10 Σεπτεμβρίου 2025 ''' 

[[Αρχείο: 3_1.jpg | thumb |201px| '''Εικόνα 1.''' Επίδραση της διαδικασίας φιλτραρίσματος στα δεδομένα TROPOMI ]]

[[Αρχείο: 3_2.jpg | thumb |201px| '''Εικόνα 2.''' Παγκόσμιος χάρτης φιλτραρισμένου σήματος NO2 ]]

[[Αρχείο: 3_3.jpg | thumb |201px| '''Εικόνα 3.''' Σύγκριση σημάτων NO2 του TROPOMI με διαφορετικά φίλτρα (αριστερά διαγράμματα) με δεδομένα απογραφής CAMS-GLOB-SHIP(δεξί διάγραμμα) ανοιχτά των ακτών της Πορτογαλίας]]

[[Αρχείο: 3_4.jpg | thumb |201px| '''Εικόνα 4.''' Επικύρωση με χρήση σταθερών πηγών: (a) Οι φιλτραρισμένες εστίες (hotspots) NO2 του TROPOMI στη Βόρεια Θάλασσα συμπίπτουν με (b) τις θέσεις ενεργών εξεδρών άντλησης πετρελαίου και φυσικού αερίου ]]

[[Αρχείο: 3_5.jpg | thumb |201px| '''Εικόνα 5.''' Εντοπισμός μη καταγεγραμμένης ναυτιλιακής δραστηριότητας στη Βερίγγειο Θάλασσα: Ο TROPOMI (a) ανιχνεύει ένα σαφές ίχνος NO2 το οποίο απουσιάζει από τον χάρτη πυκνότητας του CAMS-GLOB-SHIP που βασίζεται στο AIS (b), υποδηλώνοντας την παρουσία πλοίων με απενεργοποιημένο σύστημα εντοπισμού.]]

'''Περίληψη''' 

Η παρούσα μελέτη εμπίπτει στο πεδίο της Ατμοσφαιρικής Φυσικής και Ποιότητας Αέρα, εστιάζοντας στον εντοπισμό ανθρωπογενών εκπομπών οξειδίων του αζώτου (NO2) από την παγκόσμια ναυτιλία. Κύριος στόχος είναι η ανάπτυξη μιας μεθοδολογίας για τη δημιουργία ενός ανεξάρτητου εργαλείου παρακολούθησης, ικανού να επαληθεύει τις απογραφές ρύπων και να εντοπίζει πηγές που διαφεύγουν της καταγραφής. Στο παρελθόν, η εκτίμηση των ναυτιλιακών εκπομπών γινόταν αποκλειστικά με συμβατικές μεθόδους, όπως τα μοντέλα απογραφής (bottom-up) και τα δεδομένα AIS. Οι μέθοδοι αυτές, ωστόσο, παρουσίαζαν σημαντικούς περιορισμούς λόγω ελλιπών στοιχείων ή αδυναμίας κάλυψης παράνομων δραστηριοτήτων ("σκοτεινά πλοία"). Η προτεινόμενη προσέγγιση καλύπτει αυτό το κενό, αξιοποιώντας τη συνεχή δορυφορική κάλυψη για την απευθείας μέτρηση των ρύπων, προσφέροντας μια αντικειμενική εικόνα της ρύπανσης που δεν βασίζεται στην εθελοντική αναφορά θέσης από τα πλοία.

'''Μέθοδοι''' 

Η έρευνα βασίζεται αποκλειστικά σε δεδομένα από τον δορυφόρο Sentinel-5P του προγράμματος Copernicus και το φασματόμετρο TROPOMI, εστιάζοντας στο φασματικό εύρος UV-Visible (405–465 nm) για την ανίχνευση NO2. Μια κρίσιμη καινοτομία είναι η χρήση της λοξής στήλης πυκνότητας (tSCD) αντί της τυπικής κάθετης στήλης (VCD). Η επιλογή αυτή έγινε για να αποφευχθούν οι αβεβαιότητες του Συντελεστή Αέριας Μάζας (AMF) πάνω από τους ωκεανούς, ο οποίος συχνά επισκιάζει το ασθενές σήμα των πλοίων.
Για την ανάδειξη της πληροφορίας, χρησιμοποιήθηκε ένα εκτεταμένο χρονοσειριακό σύνολο δεδομένων (2018–2022) ώστε να μεγιστοποιηθεί ο λόγος σήματος προς θόρυβο. Εφαρμόστηκαν αυστηρές προεπεξεργασίες: φιλτράρισμα νέφωσης (κάλυψη >30%), μάσκα ξηράς για εστίαση στο θαλάσσιο περιβάλλον και χρήση φίλτρων Fourier για destriping (αφαίρεση θορύβου γραμμώσεων). Ως προηγμένη επεξεργασία εξαγωγή χαρακτηριστικών, αναπτύχθηκε ένας αλγόριθμος επαναληπτικού υψιπερατού φίλτρου (High-pass filter), ο οποίος αφαιρεί το ομαλό υπόβαθρο του NO2 και απομονώνει τις αιχμές των καυσαερίων, επιτρέποντας τον εντοπισμό ακόμα και ασθενών ιχνών που χάνονταν σε ημερήσιες λήψεις.

Στο πλαίσιο των επεξεργασιών GIS, τα δεδομένα συγχωνεύθηκαν σε χωρικό πλέγμα υψηλής ανάλυσης (0.05° × 0.05°) μέσω υπερ-δειγματοληψίας. Η χρήση επιπρόσθετων δεδομένων (μοντέλο απογραφής CAMS-GLOB-SHIP και χάρτες AIS) κρίθηκε αναγκαία για την αξιολόγηση, καθώς χωρίς αυτά θα ήταν αδύνατος ο διαχωρισμός των πραγματικών σημάτων ναυσιπλοΐας από τυχόν τεχνητά σφάλματα του δορυφόρου ή ατμοσφαιρικό θόρυβο.

'''Αποτελέσματα''' 

Η μέθοδος αποκάλυψε με ευκρίνεια τις κύριες ναυτιλιακές οδούς σε Ινδικό, Μεσόγειο και Ειρηνικό, οι οποίες παρέμεναν αόρατες στα ακατέργαστα δεδομένα επιπέδου L2. Επιπλέον, η ανάλυση κατέδειξε ότι η ποιότητα του εντοπισμού εξαρτάται σημαντικά από τις μετεωρολογικές συνθήκες, καθώς οι ισχυροί άνεμοι προκαλούν διασπορά και "θόλωμα" των ιχνών, καθιστώντας δυσκολότερη την ανίχνευση σε περιοχές με έντονη κυκλωνική δραστηριότητα, εντούτοις η μακροχρόνια συσσώρευση δεδομένων αντιστάθμισε μερικώς αυτό το πρόβλημα.

Η στατιστική και οπτική σύγκριση με τη βάση CAMS-GLOB-SHIP έδειξε ισχυρή χωρική συσχέτιση, επιβεβαιώνοντας την ικανότητα του δορυφόρου να ποσοτικοποιεί τη δραστηριότητα. Όπως φαίνεται και στο παράδειγμα του Ατλαντικού Ωκεανού, οι διακριτές λωρίδες ναυσιπλοΐας που εντοπίζει ο δορυφόρος ταυτίζονται απόλυτα με τις καταγραφές των μοντέλων AIS.

Η ακρίβεια της μεθόδου επιβεβαιώθηκε περαιτέρω μέσω του εντοπισμού σταθερών σημείων εκπομπής, όπως οι πλατφόρμες πετρελαίου στη Βόρεια Θάλασσα, οι οποίες ταυτοποιήθηκαν απόλυτα με τις γνωστές εγκαταστάσεις.

Το πλέον σημαντικό εύρημα προέκυψε από την αντιπαραβολή με το AIS. Σε περιοχές όπως ο Βόρειος Ειρηνικός, το μοντέλο εντόπισε σαφή γραμμικά ίχνη NO2 ("ορφανά σήματα") χωρίς αντίστοιχα στίγματα πλοίων. Αυτό υποδηλώνει την παρουσία πλοίων που δεν αναφέρουν τη θέση τους ή σφάλματα καταγραφής, αποδεικνύοντας την υπεροχή της τηλεπισκόπησης στον εντοπισμό μη δηλωμένης δραστηριότητας.

'''Συμπεράσματα''' 

Η μελέτη καταδεικνύει ότι η καινοτόμος χρήση της tSCD του TROPOMI με εξειδικευμένους αλγορίθμους συνιστά μια αξιόπιστη μέθοδο παρακολούθησης της ναυτιλίας. Λειτουργώντας συμπληρωματικά προς το AIS, προσφέρει ένα κρίσιμο εργαλείο ελέγχου συμμόρφωσης και εντοπισμού παράνομων εκπομπών, ειδικά εντός των καθορισμένων Περιοχών Ελέγχου Εκπομπών (ECAs). Η δυνατότητα ανεξάρτητης επαλήθευσης κρίνεται απαραίτητη για την υποστήριξη των διεθνών κανονισμών του IMO, θέτοντας παράλληλα τα θεμέλια για την αξιοποίηση μελλοντικών αποστολών (όπως το CO2M) υψηλότερης διακριτικής ικανότητας, οι οποίες θα επιτρέψουν τη συσχέτιση των εκπομπών NO2 με τα αέρια του θερμοκηπίου για την αντιμετώπιση της κλιματικής αλλαγής.

[[category:Ατμοσφαιρική Ρύπανση]]

Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα

2026-02-05T14:54:29Z

KONSTANTINOU GEORGIOS:

''' Άρθρο: Μηχανική Μάθηση για την Πρόβλεψη της Ποιότητας του Αστικού Αέρα Χρησιμοποιώντας Δορυφορικές Ενσωματώσεις του Google AlphaEarth Foundations: Μελέτη Περίπτωσης στο Κίτο, Εκουαδόρ''' 
'''Συγγραφείς: Cesar Ivan Alvarez, Carlos Andrés Ulloa Vaca, Neptali Armando Echeverria Llumipanta ''' 
'''Πηγή:''' https://doi.org/10.3390/rs17203472 
'''Ημερομηνία: 17 Οκτώβρη 2025 ''' 

[[Αρχείο: 2_1.png | thumb |201px| '''Εικόνα 1.''' Περιοχή μελέτης και τοποθεσία των σταθμών παρακολούθησης στο Κίτο ]]

[[Αρχείο: 2_2.jpg | thumb |201px|'''Πίνακας 1. ''' Εκτιμητές απόδοσης (MAE, RMSE, R2) των βέλτιστων μοντέλων για κάθε ρύπο. ]]

[[Αρχείο: 2_3α.jpg | thumb |201px| '''Εικόνα 2 α-β.''' ]]
[[Αρχείο: 2_3β.jpg | thumb |201px| '''Εικόνα 2 γ-δ.''' Διαγράμματα σημαντικότητας χαρακτηριστικών SHAP για τα μοντέλα με την καλύτερη απόδοση ανά ρύπο.]]

[[Αρχείο: 2_4.jpg | thumb |201px| '''Εικόνα 3.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης NO2 ]]

[[Αρχείο: 2_5.jpg | thumb |201px| '''Εικόνα 4.''' Χωρική κατανομή της προβλεπόμενης συγκέντρωσης SO2 ]]

'''Περίληψη''' 

Η παρούσα μελέτη διερευνά τη χρήση των πολυ-αισθητηριακών "ενσωματώσεων" (embeddings) του θεμελιώδους μοντέλου Google AlphaEarth Foundations (AEF) για την πρόβλεψη ετήσιων συγκεντρώσεων πέντε ατμοσφαιρικών ρύπων NO2, SO2, PM2.5, CO, O3). Ως περιοχή μελέτης επιλέχθηκε το Κίτο του Ισημερινού (2017-2024), μια μητρόπολη σε υψόμετρο 2.850μ. με πολύπλοκη τοπογραφία και έντονο κυκλοφοριακό πρόβλημα. Το κεντρικό ερευνητικό ερώτημα αφορά το κατά πόσον τα συμπυκνωμένα δορυφορικά δεδομένα (embeddings), τα οποία προκύπτουν μέσω βαθιάς μάθησης και όχι από παραδοσιακές φασματικές μπάντες, μπορούν να αντικαταστήσουν τα πολύπλοκα φυσικά μοντέλα διασποράς και τις συμβατικές παρεμβολές. Η μελέτη φιλοδοξεί να προσφέρει ένα κλιμακώσιμο και οικονομικά βιώσιμο πλαίσιο παρακολούθησης της ποιότητας του αέρα, ειδικά σχεδιασμένο για περιοχές με περιορισμένους πόρους (data-scarce regions) και ελλιπή δίκτυα επίγειων μετρήσεων.

'''Μέθοδοι''' 

Η μεθοδολογική προσέγγιση διαφοροποιείται από τις κλασικές μεθόδους τηλεπισκόπησης καθώς δεν χρησιμοποιεί άμεσα τις τιμές ανακλαστικότητας. Αντ' αυτού, βασίζεται στο σύνολο δεδομένων AlphaEarth Foundations (AEF). Το μοντέλο αυτό πραγματοποιεί σύντηξη δεδομένων (data fusion) από πολλαπλές πηγές: οπτικά δεδομένα από τον Sentinel-2 (για τη φασματική πληροφορία χρήσεων γης), δεδομένα ραντάρ SAR από τον Sentinel-1 (για την αποτύπωση της δομής και τραχύτητας του αστικού ιστού), θερμικά δεδομένα από τον Landsat, καθώς και κλιματικές μεταβλητές από το μοντέλο ERA5.
Ως κρίσιμη προεπεξεργασία, τα δεδομένα υπέστησαν χρονική συσσωμάτωση (temporal aggregation) για τη δημιουργία "ετήσιων μέσων συνθέσεων" (annual median composites), εξασφαλίζοντας εικόνες χωρίς κενά και χωρίς επιρροή από τη νέφωση (cloud-free). Μέσω ενός νευρωνικού δικτύου μετασχηματιστών, αυτές οι πληροφορίες συμπυκνώνονται σε 64 συνθετικά κανάλια (bands A00–A63) για κάθε pixel εδάφους, ανάλυσης 10 μέτρων.

Για την ανάπτυξη των προγνωστικών μοντέλων, οι ερευνητές δημιούργησαν ένα σύνολο δεδομένων εκπαίδευσης συνδυάζοντας τα κανάλια A00-A63 χρησιμοποιώντας ως απαραίτητη βάση αναφοράς (ground truth) τις μετρήσεις συγκεντρώσεων από το δίκτυο REEMAQ. Αξιολογήθηκαν τέσσερις κύριοι αλγόριθμοι μηχανικής μάθησης: Support Vector Regression (SVR), Random Forest (RF), Τεχνητά Νευρωνικά Δίκτυα (ANN) και K-Nearest Neighbors (KNN). Η βελτιστοποίηση των υπερ-παραμέτρων έγινε μέσω της μεθόδου Grid Search με διασταυρούμενη επικύρωση (K-fold cross-validation).

'''Αποτελέσματα''' 

Η στατιστική ανάλυση κατέδειξε ότι ο αλγόριθμος Support Vector Regression (SVR) υπερείχε έναντι των υπολοίπων για τους περισσότερους ρύπους. Για την επιβεβαίωση της ακρίβειας, συγκρίθηκαν οι παρατηρούμενες τιμές με τις προβλεπόμενες, βασιζόμενες στη μέση ετήσια συγκέντρωση ανά σταθμό.

Οι στήλες 'No. Train' και 'No. Test' του Πίνακα 1 αντιστοιχούν στο πλήθος των ετήσιων δειγμάτων που χρησιμοποιήθηκαν για την εκπαίδευση και την αξιολόγηση αντίστοιχα. Τα σημεία για το NO2 και το SO2 συγκεντρώνονται πολύ κοντά στη διαγώνιο (R2 ≈0.71), αποδεικνύοντας την υψηλή προγνωστική ικανότητα του μοντέλου, ενώ τα CO και PM2.5 εμφάνισαν μέτρια συσχέτιση. Αντιθέτως, αξιοσημείωτη είναι η απουσία του Όζοντος (O3) από τις απεικονίσεις, καθώς το μοντέλο απέτυχε πλήρως στην πρόβλεψή του (R2 ≈ 0), γεγονός που επιβεβαιώνει τη δυσκολία εκτίμησης του συγκεκριμένου δευτερογενούς ρύπου σε ετήσια βάση.
Για την ερμηνεία του βέλτιστου μοντέλου, η ανάλυση SHAP είναι καθοριστική. Στο διάγραμμα, η οριζόντια θέση κάθε τελείας υποδεικνύει την επίδραση στην πρόβλεψη (δεξιά αύξηση, αριστερά μείωση) και το χρώμα την τιμή του χαρακτηριστικού (κόκκινο υψηλή, μπλε χαμηλή). Παρατηρείται ότι οι υψηλές τιμές σε συγκεκριμένα κανάλια (κόκκινες τελείες δεξιά) αυξάνουν την προβλεπόμενη ρύπανση, υποδηλώνοντας ότι το μοντέλο αναγνωρίζει δορυφορικά σήματα πυκνής δόμησης ή ασφάλτου. Αντιθέτως, χαμηλές τιμές (μπλε τελείες, πιθανώς βλάστηση) μειώνουν την πρόβλεψη, επιβεβαιώνοντας τη φυσική σημασία των δεδομένων. Πρακτικά, η ανάλυση αυτή αποκαλύπτει ότι μεγάλο μέρος της πληροφορίας είναι πλεονάζον, επιτρέποντας την ανάπτυξη απλούστερων μοντέλων στο μέλλον.

Ο οριζόντιος άξονας απεικονίζει τη μέση απόλυτη τιμή SHAP, η οποία δηλώνει πόσο συνεισφέρει κάθε κανάλι embedding (A00–A63) στην πρόβλεψη. Παρατηρείται ότι για τα (a) NO2 και (b) SO2, η πρόβλεψη κυριαρχείται από ένα μικρό υποσύνολο καναλιών, ενώ τα υπόλοιπα έχουν αμελητέα επίδραση. Αντίθετα, στα (c) PM2.5 και (d) CO η επιρροή κατανέμεται πιο ομοιόμορφα. Το εύρημα αυτό αναδεικνύει τον πλεονασμό πληροφορίας (redundancy) στα 64 κανάλια. Τέλος, η εφαρμογή του μοντέλου για την παραγωγή χαρτών ανέδειξε τη χωρική υπεροχή της μεθόδου. Κατασκευάστηκαν χάρτες χωρικής πρόβλεψης για το NO2 και το SO2 σε ανάλυση 10 μέτρων, οι οποίοι αποτύπωσαν τη μεταβλητότητα λεπτής κλίμακας σε όλο το Κίτο, καθώς τα μοντέλα για τους συγκεκριμένους ρύπους πέτυχαν τόσο αποδεκτή όσο και ψηλότερη ακρίβεια. Σε αντίθεση με τις απλές παρεμβολές που "θολώνουν" την πληροφορία, η ανάλυση των 10 μέτρων αποκαλύπτει κρίσιμες λεπτομέρειες. Στον χάρτη του NO2, παρατηρείται έντονος εγκλωβισμός των ρύπων στη λεκάνη της πόλης λόγω της τοπογραφίας των Άνδεων, με τις συγκεντρώσεις να "ακολουθούν" πιστά τη χάραξη των μεγάλων λεωφόρων.

Αντιθέτως, ο χάρτης του SO2 εμφανίζει μια πιο κηλιδωτή κατανομή, εντοπίζοντας συγκεκριμένες βιομηχανικές εστίες ή περιοχές καύσης diesel που δεν εξαρτώνται άμεσα από τη ροή της κυκλοφορίας, αποδεικνύοντας ότι το μοντέλο μπορεί να διακρίνει διαφορετικές πηγές ρύπανσης.

'''Συμπεράσματα''' 

Η μελέτη καταλήγει ότι η Μηχανική Μάθηση (ML) σε συνδυασμό με θεμελιώδη δορυφορικά μοντέλα (AlphaEarth) αναδιαμορφώνει την περιβαλλοντική παρακολούθηση. Η επιτυχία του αλγορίθμου SVR ( R2 ≈ 0.71) απέδειξε ότι το ML μπορεί να εντοπίσει πολύπλοκες, μη γραμμικές σχέσεις μεταξύ της αστικής δομής και των ρύπων (NO2, SO2), αντικαθιστώντας αποτελεσματικά τα δαπανηρά φυσικά μοντέλα και τους μετεωρολογικούς σταθμούς. Για το CO και τα PM2.5, η μέθοδος προσφέρει μια λύση χαρτογράφησης μεσαίας ακρίβειας, καλύπτοντας το κενό σε περιοχές όπου τα φυσικά μοντέλα είναι ανεφάρμοστα λόγω έλλειψης δεδομένων. Η αξία της μεθόδου ενισχύεται από την ανάλυση SHAP, η οποία προσφέρει διαφάνεια στις αποφάσεις του αλγορίθμου, επιβεβαιώνοντας τη φυσική σημασία των χαρακτηριστικών. Παρότι η ετήσια κλίμακα περιόρισε την πρόβλεψη του όζοντος, η προσέγγιση αυτή αποτελεί ίσως μια λύση για τον Παγκόσμιο Νότο. Προσφέρει ένα οικονομικά αποδοτικό εργαλείο στους φορείς χάραξης πολιτικής για τον εντοπισμό “hotspots" και τον σχεδιασμό βιώσιμων πόλεων, ξεπερνώντας τα εμπόδια των ελλιπών δεδομένων πεδίου.

[[category:Ατμοσφαιρική Ρύπανση]]