http://147.102.106.44/rs/wiki/index.php?feed=atom&target=%CE%A0%CE%B1%CE%BD%CE%B1%CE%B3%CE%B9%CF%8E%CF%84%CE%B7%CF%82+%CE%9A%CE%B1%CE%BA%CF%81%CE%B9%CE%B4%CF%8E%CE%BD%CE%B7%CF%82&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82 2026-04-26T02:17:52Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%85%CE%B4%CF%81%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%BF%CF%8D_%CE%B4%CE%B9%CE%BA%CF%84%CF%8D%CE%BF%CF%85_%CE%BB%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%B1%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_Sentinel 2023-02-11T12:18:03Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div>'''Ανίχνευση υδρολογικού δικτύου λεκάνης απορροής με εικόνες Sentinel-2 χωρικής ανάλυσης 10m'''<br /> <br /> Basin-scale high-resolution extraction of drainage networks using 10-m Sentinel-2 imagery<br /> <br /> ''Συγγραφείς: Zifeng Wang, Junguo Liu, Jinbao Li, Ying Meng, Yadu Pokhrel, Hongsheng Zhang''<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0034425720306544]<br /> <br /> '''1.Εισαγωγή'''<br /> <br /> Η χαρτογράφηση του υδρολογικού δικτύου ανέκαθεν χρησιμοποιούνταν για την κατανόηση της ροής του νερού στην γήινη επιφάνεια. Η σημασία όμως των μικρών ποταμιών στον γεωχημικό κύκλο ήταν υποτιμημένη. Τα μικρά ποτάμια συστήματα είναι όμως πιο γεωχημικώς ενεργά.<br /> <br /> Η χαρτογράφηση αυτών των μικρών ποτάμιων συστημάτων επιτυγχάνεται χάρις σε δορυφορικές εικόνες υψηλής χωρικής ανάλυσης. Για την χαρτογράφηση του υδρολογικού δικτύου μια λεκάνης απορροής προτιμώνται μέθοδοι μη επιβλεπόμενων δεικτών νερού, όπως ο NDWI, MNDWI και MuWI. <br /> <br /> '''2.Δεδομένα και μέθοδοι'''<br /> <br /> ''2.1 Περιοχή μελέτης''<br /> <br /> Η λεκάνη του ποταμού Lancang-Mekong, του μεγαλύτερου ποταμού της νοτιοανατολικής Ασίας, αποτελεί την περιοχή μελέτης. Ο ποταμός έχει μήκος ~5000km, απορροή ~145000m3/s και εμβαδόν λεκάνης 795000km2 και διαρρέει 6 χώρες (Σχήμα 1).<br /> <br /> [[Εικόνα: pakr_a5_e1.png| thumb| right| '''Σχήμα 1: a) Το υδρολογικό δίκτυο της λεκάνης απορροής/ b) σκιαγράφηση των ποταμών και σημεία διακοπής της ροής τους''']]<br /> <br /> ''2.2 Δεδομένα''<br /> <br /> 2.2.1 Δεδομένα ανακλαστικότητας<br /> <br /> Τα κατάλληλα δεδομένα αντλήθηκαν από πολυφασματικές εικόνες Sentinel-2. Ο δέκτης αυτός καταγράφει ακτινοβολία σε 13 κανάλια σε 3 χωρικές αναλύσεις (10m, 20m, 60m) Επιπλέον χρησιμοποιήθηκαν εικόνες Landsat (TM, OLI) χωρικής ανάλυσης 30m. <br /> <br /> 2.2.2 Τοπογραφικά δεδομένα<br /> <br /> Ως δεδομένα ανάγλυφου χρησιμοποιήθηκε ένα MERIT DEM χωρικής ανάλυσης 90m.<br /> <br /> 2.2.3 Δεδομένα θέσης ποταμών αναφοράς<br /> <br /> Οι θέσεις των ποταμών αναφοράς αντλήθηκαν από βάση δεδομένων GRWL. Καθώς όμως τα δεδομένα της βάσης αυτής αντλήθηκαν από Landsat εικόνες, ποτάμια με πλάτος &lt;30m δεν συμπεριλαμβάνονται. Από τη βάση αυτή εν τέλη εξήχθησαν διανυσματικά δεδομένα για 649189 ποταμούς.<br /> <br /> ''2.3 Μέθοδος''<br /> <br /> 2.3.1 Παραγωγή της σύνθετης εικόνας από εκατοστημόριο ανακλαστικότητας<br /> <br /> Η εικόνα δημιουργήθηκε με τον υπολογισμό ανά κανάλι, ανά pixel εκατοστημόρια ανακλαστικότητας. Χρησιμοποιήθηκε το εκατοστημόριο των 50% καθώς αντιπροσωπεύει τη μέση κατάσταση ανά περίοδο ενώ μειώνει την αβεβαιότητα. Ο μεγάλος αριθμός εικόνων Sentinel 2 και Landsat που χρησιμοποιήθηκαν επέτρεψε κάθε pixel να εμπεριέχεται σε εικόνες από 50 ως 157 φορές. Επιπροσθέτως εξουδετερώθηκαν οι νεφοκαλύψεις.<br /> <br /> 2.3.2 Ανίχνευση παρουσίας νερού με πολυφασματικό δείκτη νερού (MuWI)<br /> <br /> Ο δείκτης MuWI επιλέχθηκε έναντι άλλων για την υψηλότερη χωρική του ανάλυση και ακρίβειας αποτελεσμάτων. Επιπλέον παρουσιάζει ενισχυμένες επιδόσεις σε pixel χαμηλής φωταυγείας, μειώνοντας τον αριθμό των σφαλμάτων καθώς τείνουν να αναγνωρίζονται λανθασμένα ως νερό. Ο δείκτης υπολογίστηκε με τους εξής τύπους για εικόνες Sentinel-2 και Landsat:<br /> <br /> MuWISentinel-2 = - 4ND(2, 3)+2ND(3, 8)+2ND(3, 12) - ND(3, 11) <br /> <br /> MuWILandsat-5 = - 4ND(1, 2)+2ND(2, 4)+2ND(2, 7) - ND(2, 5) <br /> <br /> όπου ND(i,j) η κανονικοποιημένη διαφορά των καναλιών i και j <br /> <br /> ND(i, j) = (ρbandi-ρbandj)/(ρbandi+ρbandj)<br /> <br /> όπου, ρ η ανακλαστικότητα στην κορυφή της ατμόσφαιρας (ΤΟΑ).<br /> <br /> 2.3.3 Αποτύπωση ρεμάτων και δρομολόγηση ροής<br /> <br /> Η μέθοδος stream burning χρησιμοποιείται για την παραγωγή DEM προσαρμοσμένων για την άντληση ποτάμιων δικτύων λεκανών απορροής χρησιμοποιώντας έναν κανονικοποιημένο χάρτη ποταμών<br /> <br /> Για τον προσδιορισμό της πορείας της ροής, ενσωματώθηκαν στο DEM τα αποτυπωμένα ύδατα από το MuWI. Καθώς αυτά έχουν συνεχείς τιμές για τα εδάφη και τα νερά απαλείφονται συχνά σφάλματα από το αν αποτυπώνονταν μόνο τα pixel νερού. <br /> <br /> Z_burning=Z_base-φMuWI <br /> <br /> όπου φ η παράμετρος έντασης της αποτύπωσης<br /> <br /> 2.3.4 Ανάλυση<br /> <br /> Έγινε εκτίμηση της ακρίβειας της θέσης των ποταμών σύμφωνα με τον Goodchild<br /> <br /> p(x)=(L(επικάλυψη με το buffer του μεγέθους x))/L_total<br /> <br /> Η παράμετρος φ είναι ο κύριος παράγοντας ελέγχου και τις τοπογραφικές μετατροπές και την τελική εξαγωγή. Έγινε σύγκριση τιμών φ από τα 1,5,10 και 20m.<br /> <br /> [[Εικόνα: pakr_a5_e2.png| thumb| right| '''Σχήμα 2: Σύγκριση εξαγωγών υψηλής και χαμηλής ανάλυσης σε 2 επίπεδα zoom: α) επίπεδο δικτύου, β) επίπεδο μαιάνδρου.''']]<br /> <br /> '''3. Αποτελέσματα'''<br /> <br /> ''3.1 Υψηλής ανάλυσης εξαγωγή του υδρολογικού δικτύου''<br /> <br /> Οι συναρτήσεις αθροιστικής πυκνότητας δείχνουν ότι η ακρίβεια είχε βελτιωθεί στις εξαγωγές υψηλής ανάλυσης προερχόμενες από το RSSB (Σχήμα 3).<br /> <br /> <br /> [[Εικόνα: pakr_a5_e3.png| thumb| right| '''Σχήμα 3: Αθροιστικές συναρτήσεις διανομής της διαφοράς θέσης των παρατηρούμενων κεντρικών γραμμών δικτύων εξαγμένων από RSSB και στις 2 χωρικές αναλύσεις αναλύσεις χρησιμοποιώντας διαφορετικά DEM , και για δίκτυα εξαγμένα με την συμβατική μέθοδο.''']]<br /> <br /> Την καλύτερη ακρίβεια έδωσε η εξαγωγή 10m βάσει του DEM 90m. <br /> <br /> Το σχήμα 4 δείχνει τα μήκη των ποταμών και την πυκνότητα των δικτύων για τις 2 χωρικές αναλύσεις. Η υψηλότερη ανάλυση δίνει μεγαλύτερα μήκη και περισσότερα ρυάκια, δίνοντας έτσι όχι μόνο καλύτερη απεικόνιση της ροής των νερών αλλά ενισχύει το επίπεδο λεπτομέρειας του δικτύου.<br /> <br /> [[Εικόνα: pakr_a5_e4.png| thumb| right| '''Σχήμα 4: Η τάξη, ο αριθμός το συνολικό μήκος και η πυκνότητα του ποτάμιου δικτύου από την υψηλής ανάλυσης εξαγωγή και από την συμβατική χαμηλής ανάλυσης''']]<br /> <br /> ''3.2 Πολυχρονική αναπαράσταση του δικτύου απορροής''<br /> <br /> Η εξαγωγή υψηλής ανάλυσης είναι ικανή να διαχωρίσει την διαδρομή της ροής και μετά από περιβαλλοντικές αλλαγές (Σχήμα 5)<br /> <br /> <br /> [[Εικόνα: pakr_a5_e5.png| thumb| right| '''Σχήμα 5: Πολυχρονικά δίκτυα απορροής''']]<br /> <br /> ''3.3 Εξαγωγή του δικτύου απορροής σε όλη τη λεκάνη''<br /> <br /> Τα αποτελέσματα ου εξήχθησαν ήταν 2 (Origin και RSSB) και τα δύο σε χωρική ανάλυση 90m μμε την διαφορά μεταξύ τους να είναι στο αν ενσωματώθηκε η εικόνα Sentinel 2 μέσω του MuWI (Σχήμα 6). Η απόσταση στο RSSB από την κεντρική γραμμή μειώθηκε κατά 48%. Γενικά μεγαλύτερα πλάτυ ποταμών έχουν μικρές διαφορές. Για ποτάμια όμως πλατύτερα των 500m η σχέση πλάτους σφάλματος δεν είναι σταθερή.<br /> <br /> Η χωρική διασπορά των σφαλμάτων θέσης στην λεκάνη απορροής φαίνονται στο σχήμα 7. <br /> <br /> [[Εικόνα: pakr_a5_e6.png| thumb| right| '''Σχήμα 6: Βελτίωση της χωρικής ακρίβειας εξαγόμενων δικτύων''']]<br /> <br /> [[Εικόνα: pakr_a5_e7.png| thumb| right| '''Σχήμα 7: Χωρική διανομή της βελτίωσης της ακρίβειας θέσης στην λεκάνη απορροής''']]<br /> <br /> ''3.4 Ανάλυση ευαισθησίας''<br /> <br /> Η πιο ευαίσθητη παράμετρος της μεθόδου είναι η φ. Μεγάλη τιμή φ σημαίνει βελτίωση της ακρίβειας μέχρι τα 10m ενώ από τα 10 ως τα 20m παρατηρείται μικρή μείωση. (Σχήμα 8). Η καλύτερη τιμή φ είναι στα 10m.<br /> <br /> '''4 Συζήτηση'''<br /> <br /> ''4.1 Σημασία των τηλεπισκοπικών εισροών''<br /> <br /> Η χρήση τηλεπισκοπικών δεδομένων προσφέρει πολλά πλεονεκτήματα. Πρώτα, χωρικά συνεχή δεδομένα βοηθούν στην εξαγωγή του δικτύου απορροής. Δίνει ένα συνεχές και ακριβές δίκτυο χωρίς περαιτέρω επεξεργασία.<br /> <br /> ''4.3 Περιορισμοί και μελλοντική δουλειά''<br /> <br /> Πρώτον, χρειάζονται έλεγχοι σχετικά με την επίδραση της ανακλαστικότητας, την επιλογή της εξίσωσης αποτύπωσης και την λήψη δεδομένων σχετικά με τα βάθη των νερών. Δεύτερον, η αύξηση της χωρικής ανάλυσης του εξαγόμενου αποτελέσματος περιορίζεται από την υπολογιστική ισχύ. Η μέθοδος αν και ακριβής δεν μπορεί ακόμα να αποτυπώσει όλες τις λεπτομέρειες του δικτύου.<br /> <br /> '''5 Συμπεράσματα'''<br /> <br /> Η προτεινόμενη μέθοδος υψηλής ανάλυσης έδωσε καλύτερα αποτελέσματα, μείωση του σφάλματος κατά 50%. Η μέθοδος αυτή επιβάλει την συνδεσιμότητα σε μεγάλη κλίμακα των λεκανών απορροής που δεν λαμβάνεται υπόψη σε άλλες μεθόδους.<br /> <br /> [[category:Υδατικοί Πόροι]]</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%85%CE%B4%CF%81%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CE%BA%CE%BF%CF%8D_%CE%B4%CE%B9%CE%BA%CF%84%CF%8D%CE%BF%CF%85_%CE%BB%CE%B5%CE%BA%CE%AC%CE%BD%CE%B7%CF%82_%CE%B1%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BC%CE%B5_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_Sentinel 2023-02-11T12:16:46Z

<p>Παναγιώτης Κακριδώνης: Νέα σελίδα με ''''Ανίχνευση υδρολογικού δικτύου λεκάνης απορροής με εικόνες Sentinel-2 χωρικής ανάλυσης 10m''' Basin-sc...'</p> <hr /> <div>'''Ανίχνευση υδρολογικού δικτύου λεκάνης απορροής με εικόνες Sentinel-2 χωρικής ανάλυσης 10m'''<br /> <br /> Basin-scale high-resolution extraction of drainage networks using 10-m Sentinel-2 imagery<br /> <br /> ''Συγγραφείς: Zifeng Wang, Junguo Liu, Jinbao Li, Ying Meng, Yadu Pokhrel, Hongsheng Zhang''<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0034425720306544]<br /> <br /> '''1.Εισαγωγή'''<br /> <br /> Η χαρτογράφηση του υδρολογικού δικτύου ανέκαθεν χρησιμοποιούνταν για την κατανόηση της ροής του νερού στην γήινη επιφάνεια. Η σημασία όμως των μικρών ποταμιών στον γεωχημικό κύκλο ήταν υποτιμημένη. Τα μικρά ποτάμια συστήματα είναι όμως πιο γεωχημικώς ενεργά.<br /> <br /> Η χαρτογράφηση αυτών των μικρών ποτάμιων συστημάτων επιτυγχάνεται χάρις σε δορυφορικές εικόνες υψηλής χωρικής ανάλυσης. Για την χαρτογράφηση του υδρολογικού δικτύου μια λεκάνης απορροής προτιμώνται μέθοδοι μη επιβλεπόμενων δεικτών νερού, όπως ο NDWI, MNDWI και MuWI. <br /> <br /> '''2.Δεδομένα και μέθοδοι'''<br /> <br /> ''2.1 Περιοχή μελέτης''<br /> <br /> Η λεκάνη του ποταμού Lancang-Mekong, του μεγαλύτερου ποταμού της νοτιοανατολικής Ασίας, αποτελεί την περιοχή μελέτης. Ο ποταμός έχει μήκος ~5000km, απορροή ~145000m3/s και εμβαδόν λεκάνης 795000km2 και διαρρέει 6 χώρες (Σχήμα 1).<br /> <br /> [[Εικόνα: pakr_a5_e1.png| thumb| right| '''Σχήμα 1: a) Το υδρολογικό δίκτυο της λεκάνης απορροής/ b) σκιαγράφηση των ποταμών και σημεία διακοπής της ροής τους''']]<br /> <br /> ''2.2 Δεδομένα''<br /> <br /> 2.2.1 Δεδομένα ανακλαστικότητας<br /> <br /> Τα κατάλληλα δεδομένα αντλήθηκαν από πολυφασματικές εικόνες Sentinel-2. Ο δέκτης αυτός καταγράφει ακτινοβολία σε 13 κανάλια σε 3 χωρικές αναλύσεις (10m, 20m, 60m) Επιπλέον χρησιμοποιήθηκαν εικόνες Landsat (TM, OLI) χωρικής ανάλυσης 30m. <br /> <br /> 2.2.2 Τοπογραφικά δεδομένα<br /> <br /> Ως δεδομένα ανάγλυφου χρησιμοποιήθηκε ένα MERIT DEM χωρικής ανάλυσης 90m.<br /> <br /> 2.2.3 Δεδομένα θέσης ποταμών αναφοράς<br /> <br /> Οι θέσεις των ποταμών αναφοράς αντλήθηκαν από βάση δεδομένων GRWL. Καθώς όμως τα δεδομένα της βάσης αυτής αντλήθηκαν από Landsat εικόνες, ποτάμια με πλάτος &lt;30m δεν συμπεριλαμβάνονται. Από τη βάση αυτή εν τέλη εξήχθησαν διανυσματικά δεδομένα για 649189 ποταμούς.<br /> <br /> ''2.3 Μέθοδος''<br /> <br /> 2.3.1 Παραγωγή της σύνθετης εικόνας από εκατοστημόριο ανακλαστικότητας<br /> <br /> Η εικόνα δημιουργήθηκε με τον υπολογισμό ανά κανάλι, ανά pixel εκατοστημόρια ανακλαστικότητας. Χρησιμοποιήθηκε το εκατοστημόριο των 50% καθώς αντιπροσωπεύει τη μέση κατάσταση ανά περίοδο ενώ μειώνει την αβεβαιότητα. Ο μεγάλος αριθμός εικόνων Sentinel 2 και Landsat που χρησιμοποιήθηκαν επέτρεψε κάθε pixel να εμπεριέχεται σε εικόνες από 50 ως 157 φορές. Επιπροσθέτως εξουδετερώθηκαν οι νεφοκαλύψεις.<br /> <br /> 2.3.2 Ανίχνευση παρουσίας νερού με πολυφασματικό δείκτη νερού (MuWI)<br /> <br /> Ο δείκτης MuWI επιλέχθηκε έναντι άλλων για την υψηλότερη χωρική του ανάλυση και ακρίβειας αποτελεσμάτων. Επιπλέον παρουσιάζει ενισχυμένες επιδόσεις σε pixel χαμηλής φωταυγείας, μειώνοντας τον αριθμό των σφαλμάτων καθώς τείνουν να αναγνωρίζονται λανθασμένα ως νερό. Ο δείκτης υπολογίστηκε με τους εξής τύπους για εικόνες Sentinel-2 και Landsat:<br /> <br /> MuWISentinel-2 = - 4ND(2, 3)+2ND(3, 8)+2ND(3, 12) - ND(3, 11) <br /> <br /> MuWILandsat-5 = - 4ND(1, 2)+2ND(2, 4)+2ND(2, 7) - ND(2, 5) <br /> <br /> όπου ND(i,j) η κανονικοποιημένη διαφορά των καναλιών i και j <br /> <br /> ND(i, j) = (ρbandi-ρbandj)/(ρbandi+ρbandj)<br /> <br /> όπου, ρ η ανακλαστικότητα στην κορυφή της ατμόσφαιρας (ΤΟΑ).<br /> <br /> 2.3.3 Αποτύπωση ρεμάτων και δρομολόγηση ροής<br /> <br /> Η μέθοδος stream burning χρησιμοποιείται για την παραγωγή DEM προσαρμοσμένων για την άντληση ποτάμιων δικτύων λεκανών απορροής χρησιμοποιώντας έναν κανονικοποιημένο χάρτη ποταμών<br /> <br /> Για τον προσδιορισμό της πορείας της ροής, ενσωματώθηκαν στο DEM τα αποτυπωμένα ύδατα από το MuWI. Καθώς αυτά έχουν συνεχείς τιμές για τα εδάφη και τα νερά απαλείφονται συχνά σφάλματα από το αν αποτυπώνονταν μόνο τα pixel νερού. <br /> <br /> Z_burning=Z_base-φMuWI <br /> <br /> όπου φ η παράμετρος έντασης της αποτύπωσης<br /> <br /> 2.3.4 Ανάλυση<br /> <br /> Έγινε εκτίμηση της ακρίβειας της θέσης των ποταμών σύμφωνα με τον Goodchild<br /> <br /> p(x)=(L(επικάλυψη με το buffer του μεγέθους x))/L_total<br /> <br /> Η παράμετρος φ είναι ο κύριος παράγοντας ελέγχου και τις τοπογραφικές μετατροπές και την τελική εξαγωγή. Έγινε σύγκριση τιμών φ από τα 1,5,10 και 20m.<br /> <br /> [[Εικόνα: pakr_a5_e2.png| thumb| right| '''Σχήμα 2: Σύγκριση εξαγωγών υψηλής και χαμηλής ανάλυσης σε 2 επίπεδα zoom: α) επίπεδο δικτύου, β) επίπεδο μαιάνδρου.''']]<br /> <br /> '''3. Αποτελέσματα'''<br /> <br /> ''3.1 Υψηλής ανάλυσης εξαγωγή του υδρολογικού δικτύου''<br /> <br /> Οι συναρτήσεις αθροιστικής πυκνότητας δείχνουν ότι η ακρίβεια είχε βελτιωθεί στις εξαγωγές υψηλής ανάλυσης προερχόμενες από το RSSB (Σχήμα 3).<br /> <br /> <br /> [[Εικόνα: pakr_a5_e3.png| thumb| right| '''Σχήμα 3: Αθροιστικές συναρτήσεις διανομής της διαφοράς θέσης των παρατηρούμενων κεντρικών γραμμών δικτύων εξαγμένων από RSSB και στις 2 χωρικές αναλύσεις αναλύσεις χρησιμοποιώντας διαφορετικά DEM , και για δίκτυα εξαγμένα με την συμβατική μέθοδο.''']]<br /> <br /> Την καλύτερη ακρίβεια έδωσε η εξαγωγή 10m βάσει του DEM 90m. <br /> <br /> Το σχήμα 4 δείχνει τα μήκη των ποταμών και την πυκνότητα των δικτύων για τις 2 χωρικές αναλύσεις. Η υψηλότερη ανάλυση δίνει μεγαλύτερα μήκη και περισσότερα ρυάκια, δίνοντας έτσι όχι μόνο καλύτερη απεικόνιση της ροής των νερών αλλά ενισχύει το επίπεδο λεπτομέρειας του δικτύου.<br /> <br /> [[Εικόνα: pakr_a5_e4.png| thumb| right| '''Σχήμα 4: Η τάξη, ο αριθμός το συνολικό μήκος και η πυκνότητα του ποτάμιου δικτύου από την υψηλής ανάλυσης εξαγωγή και από την συμβατική χαμηλής ανάλυσης''']]<br /> <br /> ''3.2 Πολυχρονική αναπαράσταση του δικτύου απορροής''<br /> <br /> Η εξαγωγή υψηλής ανάλυσης είναι ικανή να διαχωρίσει την διαδρομή της ροής και μετά από περιβαλλοντικές αλλαγές (Σχήμα 5)<br /> <br /> <br /> [[Εικόνα: pakr_a5_e5.png| thumb| right| '''Σχήμα 5: Πολυχρονικά δίκτυα απορροής''']]<br /> <br /> ''3.3 Εξαγωγή του δικτύου απορροής σε όλη τη λεκάνη''<br /> <br /> Τα αποτελέσματα ου εξήχθησαν ήταν 2 (Origin και RSSB) και τα δύο σε χωρική ανάλυση 90m μμε την διαφορά μεταξύ τους να είναι στο αν ενσωματώθηκε η εικόνα Sentinel 2 μέσω του MuWI (Σχήμα 6). Η απόσταση στο RSSB από την κεντρική γραμμή μειώθηκε κατά 48%. Γενικά μεγαλύτερα πλάτυ ποταμών έχουν μικρές διαφορές. Για ποτάμια όμως πλατύτερα των 500m η σχέση πλάτους σφάλματος δεν είναι σταθερή.<br /> <br /> Η χωρική διασπορά των σφαλμάτων θέσης στην λεκάνη απορροής φαίνονται στο σχήμα 7. <br /> <br /> [[Εικόνα: pakr_a5_e6.png| thumb| right| '''Σχήμα 6: Βελτίωση της χωρικής ακρίβειας εξαγόμενων δικτύων''']]<br /> <br /> [[Εικόνα: pakr_a5_e7.png| thumb| right| '''Σχήμα 7: Χωρική διανομή της βελτίωσης της ακρίβειας θέσης στην λεκάνη απορροής''']]<br /> <br /> ''3.4 Ανάλυση ευαισθησίας''<br /> <br /> Η πιο ευαίσθητη παράμετρος της μεθόδου είναι η φ. Μεγάλη τιμή φ σημαίνει βελτίωση της ακρίβειας μέχρι τα 10m ενώ από τα 10 ως τα 20m παρατηρείται μικρή μείωση. (Σχήμα 8). Η καλύτερη τιμή φ είναι στα 10m.<br /> <br /> '''4 Συζήτηση'''<br /> <br /> ''4.1 Σημασία των τηλεπισκοπικών εισροών''<br /> <br /> Η χρήση τηλεπισκοπικών δεδομένων προσφέρει πολλά πλεονεκτήματα. Πρώτα, χωρικά συνεχή δεδομένα βοηθούν στην εξαγωγή του δικτύου απορροής. Δίνει ένα συνεχές και ακριβές δίκτυο χωρίς περαιτέρω επεξεργασία.<br /> <br /> ''4.3 Περιορισμοί και μελλοντική δουλειά''<br /> <br /> Πρώτον, χρειάζονται έλεγχοι σχετικά με την επίδραση της ανακλαστικότητας, την επιλογή της εξίσωσης αποτύπωσης και την λήψη δεδομένων σχετικά με τα βάθη των νερών. Δεύτερον, η αύξηση της χωρικής ανάλυσης του εξαγόμενου αποτελέσματος περιορίζεται από την υπολογιστική ισχύ. Η μέθοδος αν και ακριβής δεν μπορεί ακόμα να αποτυπώσει όλες τις λεπτομέρειες του δικτύου.<br /> <br /> '''5 Συμπεράσματα'''<br /> <br /> Η προτεινόμενη μέθοδος υψηλής ανάλυσης έδωσε καλύτερα αποτελέσματα, μείωση του σφάλματος κατά 50%. Η μέθοδος αυτή επιβάλει την συνδεσιμότητα σε μεγάλη κλίμακα των λεκανών απορροής που δεν λαμβάνεται υπόψη σε άλλες μεθόδους.</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e8.png 2023-02-11T12:08:56Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e7.png 2023-02-11T12:08:49Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e6.png 2023-02-11T12:08:39Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e5.png 2023-02-11T12:08:28Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e4.png 2023-02-11T12:08:21Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e3.png 2023-02-11T12:08:14Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e2.png 2023-02-11T12:08:06Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pakr_a5_e1.png 2023-02-11T12:07:58Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%8D%CE%B3%CF%87%CF%81%CE%BF%CE%BD%CE%BF%CF%82_3D_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%83%CE%B5_%CF%80%CF%81%CE%B1%CE%B3%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8C_%CF%87%CF%81%CF%8C%CE%BD%CE%BF_%CE%B1%CE%AD%CF%81%CE%B9%CE%B1%CF%82_%CF%81%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AD%CE%BC%CE%BF%CF%85_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CE%AD%CE%BD%CE%B1_%CE%BC%CE%BF%CE%BD%CE%B1%CE%B4%CE%B9%CE%BA%CE%AE%CF%82_%CF%83%CF%85%CE%BD%CE%AC%CF%86%CE%B9%CE%B1_doppler_Lidar_%CE%B1%CE%BD%CE%AD%CE%BC%CE%BF%CF%85 2023-02-11T12:06:14Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div>'''Σύγχρονος 3D εντοπισμός σε πραγματικό χρόνο αέριας ρύπανσης και ανέμου χρησιμοποιώντας ένα μοναδικής συνάφια doppler Lidar ανέμου.'''<br /> <br /> Real-Time Synchronous 3-D Detection of Air Pollution and wind using a solo coherent doppler wind LiDAR<br /> <br /> ''Συγγραφείς: Jinlong Yuan, Yunbin Wu, Zhifeng Shu, Lian Su, Dawei Tang, Yuanjian Yang, Jingjing Dong, Saifen Yu, Zhen Zhang, Haiyun Xia''<br /> <br /> [https://www.mdpi.com/2072-4292/14/12/2809]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η ρύπανση του αέρα έχει γίνει ένα σημαντικό περιβαλλοντικό πρόβλημα που επηρεάζει και την ανθρώπινη υγεία. Μέχρι τώρα χρησιμοποιούνταν μέθοδοι οι οποίες παρουσίαζαν κάποια προβλήματα. Χωρίς σύγχρονη υψηλής ανάλυσης 3D πληροφορίας για τον αέρα και τα σωματίδια aerosol, είναι δύσκολο για τα περισσότερα Lidar (CDWL) να ανιχνεύσουν και να μελετήσουν το φαινόμενο. Τα συναφούς Doppler lidar ανέμου μπορούν να χρησιμοποιηθούν για τέτοιες μετρήσεις λόγω της απλής κατασκευής, δυνατή ικανότητα αντί-παρεμβάσεων, ευρεία εμβέλεια εντοπισμού και ανώτερη λειτουργία σε πραγματικό χρόνο.<br /> <br /> '''2. Τοποθεσία και δεδομένα'''<br /> <br /> ''2.1 Επίγειες μετρήσεις''<br /> <br /> Το πείραμα έγινε στη πόλη Binzhou, στην επαρχία Shandong της Κίνας. Οι μετρήσεις έλαβαν χώρα από τις 25-30 Μάρτη 2021. Λόγω της δόμησης ο δέκτης έπρεπε να τοποθετηθεί όσο ψηλότερα γινόταν (Σχήμα 1).<br /> <br /> [[Εικόνα: pkakr_a4_e1.PNG| thumb| right| '''Σχήμα 1: Το CDWL στην ταράτσα κτηρίου''']]<br /> <br /> Το CDWL είναι παντός καιρού κι ασφαλές για τον άνθρωπο. Η συνήθης εμβέλεια του ανέρχεται στα 15km όμως λόγω των καιρικών συνθηκών που επικρατούσαν η εμβέλεια δεν ξεπέρασε τα 4.5km. Σαρώθηκε η περιοχή κυκλικά, με οριζόντιο βήμα την 1o και με ανύψωση από 0-4ο. Η οριζόντια σάρωση έγινε για την ανίχνευση της πηγής της ρύπανσης. Κατακόρυφα η ζενίθια γωνία ορίστηκε στις 60ο με οριζόντιο βήμα τις 5ο. Η κατακόρυφη έγινε για αποκτηθούν δεδομένα για προφίλ για τις ιδιότητες των aerosol και του αιολικού πεδίου. Η περίοδοι σάρωσης οριζόντια και κάθετα ορίστηκαν στα 5 λεπτά και 40 δευτερόλεπτα αντίστοιχα. Η ακρίβεια της γωνιακής ταχύτητας προσδιορίστηκε με τον λόγο CNR, ο λόγος της έντασης του σήματος προς την ένταση του θορύβου.<br /> <br /> ''2.2 Δημόσιο επίγειος σταθμός παρακολούθησης''<br /> <br /> Χρησιμοποιήθηκαν δεδομένα για τις συγκεντρώσεις σωματιδίων PM2.5 και ΡΜ10<br /> <br /> ''2.3 Ανάλυση προς τα πίσω''<br /> <br /> Για τον εντοπισμό των πηγών της ρύπανσης και της διαδρομής που ακολούθησαν οι ρύποι χρησιμοποιήθηκε η HYSPLIT.<br /> <br /> '''3. Αποτελέσματα'''<br /> <br /> ''3.1 Παρακολούθηση τοπικής σημειακής ρύπανσης''<br /> <br /> Για την τοπική σημειακή ρύπανση χρησιμοποιήθηκε οριζόντια σάρωση PPI με μικρή ανύψωση (Σχήμα 2). Οι μετρήσεις έδειξαν πως η πορεία της ρύπανσης ήταν παράλληλη με την κατεύθυνση του αέρα<br /> <br /> [[Εικόνα: pkakr_a4_e2.PNG| thumb| right| '''Σχήμα 2: Τα αποτελέσματα της οριζόντιας σάρωσης του συντελεστή οπισθοσκέδασης και δισδιάστατου διανύσματος του ανέμου''']]<br /> <br /> Η μορφή που λάμβανε το νέφος της μόλυνσης εξαρτιούνταν από την κατάσταση της ατμόσφαιρας. Στην πηγή, το νέφος παρατηρήθηκε να φτάνει τα 130m. Κατ’ ελάχιστον, το νέφος έφτανε τα 30m. Με την δισδιάστατη οριζόντια παρακολούθηση του ανέμου, προσδιορίστηκε η πηγή της ρύπανσης (Σχήμα 3). Η ακρίβεια του εντοπισμού εξαρτάται από την πυκνότητα των χωρικών κομματιών.<br /> <br /> [[Εικόνα: pkakr_a4_e3.PNG| thumb| right| '''Σχήμα 3: a) Οι τροχιές των νεφών καπνού όπως εξήχθησαν από το Σχ. 2. (b) Το αποτέλεσμα της ανίχνευσης της πηγής της σημειακής ρύπανσης. (c) Η πηγή της ρύπανσης.''']]<br /> <br /> ''3.2 Εντοπισμός διασυνοριακής μεταφοράς της ρύπανσης''<br /> <br /> Η περιοχή μελέτης υποφέρει από αμμοθύελλες κατά την άνοιξη. Μια από αυτές παρατηρήθηκε στην μελέτη. Παρουσιάζονται χάρτες που δείχνουν την πορεία του φαινομένου, και τους συντελεστές οπισθοσκέδασης του CDWL, PM2.5 και ΡΜ10 δεδομένα παρακάτω (Σχήμα 4). Η αμμοθύελλα αυτή ξεκίνησε να επηρεάζει στις 28 Μάρτη όπως φάνηκε και από την αύξηση στον συντελεστή οπισθοσκέδασης των PM10 σωματιδίων.<br /> <br /> [[Εικόνα: pkakr_a4_e4.PNG| thumb| right| '''Σχήμα 4: Η πορεία της αμμοθύελλας και η επίδρασή της στις μετρήσεις Lidar''']]<br /> <br /> Στην κατακόρυφη σάρωση λόγω της επίδρασης της άμμου και της σκόνης ενισχύθηκε το σήμα ηχούς της επιφάνειας και στη συνέχεια εξασθενήθηκε ραγδαία αφού έφτασε η θύελλα στον δέκτη. Η εμβέλεια του lidar μειώθηκε στα 500m λόγω της απόσβεσης. Οι επιδράσεις της θύελλας αυτής στα αποτελέσματα απεικονίστηκαν παρακάτω (Σχήμα 5).<br /> <br /> <br /> [[Εικόνα: pkakr_a4_e5.PNG| thumb| right| '''Σχήμα 5: Η ανίχνευση της αμμοθύελλας από την κατακόρυφη σάρωση''']]<br /> <br /> Το ζενίθ των τιμών του συντελεστή οπισθοσκέδασης και το ναδίρ της εμβέλειας του lidar παρατηρήθηκαν μόλις χτύπησε η θύελλα, και εξασθενούσε και δυνάμωνε αντίστοιχα όσο περνούσε αποδυνάμωνε η θύελλα. Σε γενικές γραμμές η παρατηρήσεις του CDWL ήταν σύμφωνες με αυτές του δημόσιου σταθμού παρακκολούθησης.<br /> Το ύψος που μεταφέρεται η σκόνη εξαρτάται από την διανομή των μεγεθών των σωματιδίων και από την κατάσταση της ατμόσφαιρας (Σχ. 6). Η λεπτόκοκκη σκόνη μεταφερόταν ευκολότερα σε υψόμετρο 4km. Τα πρώτα σωματίδια που έφτασαν στην περιοχή μελέτης και ανιχνεύθηκαν ήταν τα λεπτόκοκκα, με τα βαρύτερα σωματίδια που προκάλεσαν χειρότερη ρύπανση να καταφτάνουν αργότερα.<br /> <br /> [[Εικόνα: pkakr_a4_e6.PNG| thumb| right| '''Σχήμα 6: Η προς τα πίσω τροχιά 4 ωρών HYSPLIT''']]<br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Το CDWL είναι χρήσιμο για την παρακολούθηση σημειακών πηγών ρύπανσης και για την πρόβλεψη της διάχυσης της, σε συνδυασμό με την οριζόντια κατεύθυνση του ανέμου. Με την κατακόρυφη σάρωση καταγράφτηκε η δομή μια διασυνοριακής ρύπανσης από σκόνη. Τα δεδομένα του CDWL ήταν σύμφωνα με άλλους σταθμούς παρακολούθησης. Ανιχνεύθηκαν 2 επίπεδα ρύπανσης, ένα με ανώτατο υψόμετρο τα 700m και ένα δεύτερο με υψόμετρο που κυμαινόταν από 3-4km. Το δεύτερο εμπεριείχε μικρά σωματίδια, χαρακτηριστικό του οποίου ήταν η γρήγορη διασπορά και η μακρά διάρκεια, με δυνατότητα μεταφοράς μεγάλων αποστάσεων. Εν κατακλείδι, η CDWL, αποτελεί καλό εργαλείο εντοπισμού και παρακολούθησης της ρύπανσης σε τοπικό επίπεδο.<br /> <br /> [[category: Ατμοσφαιρική Ρύπανση]]</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%8D%CF%80%CE%BF%CF%80%CF%84%CF%89%CE%BD_%CE%B5%CE%BA%CF%81%CE%BF%CF%8E%CE%BD_%CE%BB%CF%85%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CF%83%CE%B5_%CF%80%CE%B1%CF%81%CE%AC%CE%BA%CF%84%CE%B9%CE%B5%CF%82_%CE%B5%CE%BA%CF%81%CE%BF%CE%AD%CF%82_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel 2023-02-11T12:05:21Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div>'''Αυτόματος εντοπισμός ύποπτων εκροών λυμάτων σε παράκτιες εκροές βάσει εικόνων Sentinel-2'''<br /> <br /> Automatic detection of suspected sewage discharge from coastal outfalls based on Sentinel-2 imagery<br /> <br /> ''Συγγραφείς: Yuxin Wang, Xianqiang He, Yan Bai, Yingyu Tan, Bozhong Zhu, Difeng Wang, Mengyuan Ou, Fang Gong, Qiankun Zhu, Haiqing Huang''<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0048969722054730]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Οι επίγειοι ρύποι που καταλήγουν στην θάλασσα από παράκτιες εκροές αποτελούν σημαντική απειλή για τα θαλάσσια οικοσυστήματα. Επειδή δεν είναι δυνατή η επιτόπια παρακολούθηση όλων των εκροών, με χρήση τεχνικών τηλεπισκόπισης είναι δυνατή η πιο αποτελεσματική παρακολούθηση των εκροών, παρακολουθώντας την ανακλαστικότητα των υδάτων. Ο σκοπός της μελέτης αυτής ήταν η ταξινόμηση των παράκτιων υδάτων ανά το χρώμα τους και ο εντοπισμός των υποπτευόμενων εκροών λυμάτων. Η μέθοδος ταξινόμησης που εφαρμόστηκε ήταν η random forest.<br /> <br /> '''2 Δεδομένα και μέθοδος'''<br /> <br /> ''2.1 Δορυφορικά δεδομένα''<br /> <br /> Εικόνες από πολυφασματικό δέκτη Sentinel-2 της ESA.<br /> <br /> ''2.2 Ατμοσφαιρική διόρθωση των δορυφορικών δεδομένων''<br /> <br /> H ESA παρέχει ατμοσφαιρικά διορθωμένα προϊόντα. Όμως η ανακλαστικότητα στο κάτω μέρος της ατμόσφαιρας (BOA) δεν ισούται με την Rrs. Για την απόκτηση αυτής της ανακλαστικότητας έγινε συγκεκριμένη ατμοσφαιρική διόρθωση. Η διόρθωση αυτή βασίστηκε στην ανακλαστκότητα διορθωμένη από το φαινόμενο Rayleigh ρrc. Η μέθοδος έδωσε καλύτερα αποτελέσματα από άλλους αλγόριθμους ατμοσφαιρικής διόρθωσης.<br /> <br /> ''2.3 Επιτόπιες μετρήσεις''<br /> <br /> Για την εξακρίβωση κι επαλήθευση των εκροών που εντοπίστηκαν από τις δορυφορικές εικόνες, ελήφθησαν και επιτόπιες μετρήσεις και δείγματα νερού (Σχήμα 1). Τα δείγματα όμως λόγω της φύσης του φαινομένου και της μεταβλητότητάς του εμπεριέχουν πολλές αβεβαιότητες. Σε εξακριβωμένες περιπτώσεις ρύπανσης συλλέχθηκαν οι ανακλαστικότητες Rrs(λ). Φάνηκε πως οι φασματικές υπογραφές των ρυπασμένων νερών διαφέρουν από την γενική φασματική συμπεριφορά του νερού. Για την εκπαίδευση του αλγορίθμου χρειάστηκαν ποικίλα δεδομένα.<br /> <br /> [[Εικόνα:pk_a3_e1.PNG| thumb| right| '''Σχήμα 1: Τυπικές εκροές λυμάτων, δορυφορική εικόνα και επιτόπια φωτογραφία. Τα μπλε σημεία είναι τα σημεία εκροών''']]<br /> <br /> '''3. Ανάπτυξη της μεθόδου αυτόματου εντοπισμού ύποπτων εκροών λυμάτων'''<br /> <br /> ''3.1 Συστάδα φασμάτων''<br /> <br /> Υπολογίστηκε η ομαλοποιημένη Rrs(λ) για 9 κανάλια. Αρχικά εφαρμόστηκε μη επιβλεπόμενη ταξινόμηση για την πρώτη ομαδοποίηση. Επιπλέον, εφαρμόστηκαν αλγόριθμοι ασαφούς c-means και K-means. Ο αλγόριθμος επέλεξε κέντρα ομάδων και ανάθεσε παρατηρήσεις σε διαφορετικές ομάδες με γνωστό αριθμό. Ο αριθμός των ομάδων ελέγχθηκε με το κριτήριο Davies-Bouldin. Βάσει αυτού και των τύπων νερών των Forel-Ule, επιλέχθηκαν 14 ομάδες ως ο βέλτιστος αριθμός. Στις 14 αυτές ομάδες εντάχθηκαν 9103 μετρήσεις Rrs(λ) (Σχήμα 2).<br /> <br /> [[Εικόνα:pk_a3_e2.PNG| thumb| right| '''Σχήμα 2: Ομαλοποιημένες Rrs(λ) για 14 ομάδες. Η κόκκινη γραμμή δείχνει την μέση φασματική υπογραφή, και οι γκρι για κάθε μέτρηση''']]<br /> <br /> Οι ομάδες 1-4 είχαν χαρακτηριστικά καθαρού νερού, οι 5-10 θολού νερού, οι 11,12 ψηλή συγκέντρωση χλωροφύλλης, η 13 είχε πολλά αιρούμενα στερεά και οι 14 ήταν αυτή με τα υποπτευόμενα ρυπασμένα νερά.<br /> <br /> ''3.2 Εκπαίδευση του μοντέλου''<br /> <br /> Στην μελέτη αυτή επιλέχθηκαν 15 φασματικά χαρακτηριστικά ως δεδομένα εισόδου στο μοντέλο: 9 nRrs(λ) για τα κανάλια 1-8a και 6 φασματικοί δείκτες (Σχήμα 3). Αυτές οι παράμετροι αύξησαν την φασματική διαχωριστικότητα ανάμεσα στους τύπους των νερών. Για τον προσδιορισμό των καλύτερων παραμέτρων έγιναν πολλές δοκιμές, με διαφορετικές παραμέτρους. Εν τέλη η RF που υλοποιήθηκε είχε 1800 δέντρα, μέγιστο αριθμό χαρακτηριστικών τα 15, μέγιστο βάθος τα 20 και ελάχιστο αριθμό διαίρεσης δειγμάτων το 2. Η ακρίβεια του μοντέλου ελέγχθηκε με πίνακα σύγχυσης με αληθείς τάξεις αποκτημένες από ομαδοποίηση K-means + + και τις τάξεις που πρόβλεψε το μοντέλο RF. Ο πίνακας έδωσε σχεδόν 100% ακρίβεια.<br /> <br /> [[Εικόνα:pk_a3_e3.PNG| thumb| right| '''Σχήμα 3: Οι 15 μεταβλητές της ταξινόμησης''']]<br /> <br /> '''4. Έλεγχος μοντέλου και εφαρμογή'''<br /> <br /> ''4.1 Έλεγχος της εκτέλεσης του μοντέλου''<br /> <br /> Για τον έλεγχο των μοντέλου χρησιμοποιήθηκαν 2 τυπικά γεγονότα ID#1 και ID#4 (Σχήμα 1). Για το ID#1 τα αποτελέσματα της ταξινόμησης έδωσε τύπο διαφάνειας νερού 14. Η επιτόπια επιβεβαίωση έδωσε συγκέντρωση αμμωνιακού αζώτου στα 23.2mg/L και συνολικά φωσφορικά στα 0.84mg/L ποσοστά πολύ υψηλότερα των επιτρεπτών. <br /> <br /> [[Εικόνα:pk_a3_e4.PNG| thumb| right| '''Σχήμα 4: Διάγραμμα ροής εντοπισμού ύποπτων απόθεσης λυμάτων από παράκτιες απορροές''']]<br /> <br /> [[Εικόνα:pk_a3_e5.PNG| thumb| right| '''Σχήμα 5: Ταξινομήσεις για το συμβάν #1 βάσει πολυφασματικών δορυφορικών απεικονίσεων α) 14 Αυγούστου 2019, β) 5 Απριλίου 2021 και ταξινομήσεις για το συμβάν #4 γ) 30 Ιουλίου 2018, δ) 17 Δεκεμβρίου 2019, ε)19 Ιουλίου 2020 και στ) 14 Ιουλίου 2021.''']]<br /> <br /> Για το συμβάν #4 η ταξινόμηση έδωσε τύπο διαφάνειας νερού 14 στην 30 Ιουλίου 2018 και τύπο 12 στις 14 Ιουλίου του 2021. Κατά τον επιτόπιο έλεγχο οι συγκεντρώσεις των νιτρικών, αμμωνιακών και φωσφορικών ήταν 6.02mg/L, 2.94mg/L και 0.35mg/L αντίστοιχα. Συνεπώς το μοντέλο αυτό είναι ικανό να ανιχνεύει προβλήματα. <br /> <br /> <br /> ''4.2 Εφαρμογή του μοντέλου''<br /> <br /> Το μοντέλο ταξινομεί τα pixel στην ακτογραμμή σύμφωνα με τον οπτικό τύπο του νερού. Τα λύματα εντοπίζονται καθώς το ρυπασμένο νερό έχει αντίθεση με το καθαρό. Η διανομή των τύπων του νερού ως προς τη διαφάνειά τους (Σχήμα 6) δείχνει θολότητα κοντά στην ακτή. Η διαρροή λυμάτων εντοπίζεται εύκολα καθώς οι εικόνες ανανεώνονται κάθε 6 ώρες. <br /> <br /> [[Εικόνα:pk_a3_e6.PNG| thumb| right| '''Σχήμα 6: Ταξινόμηση για την παράκτια ζώνη της Zhejiang στις 14 Φεβρουαρίου 2022''']]<br /> <br /> '''5. Σύνοψη'''<br /> <br /> Η ευρεία γνώση σχετικά με την ποιότητα των υδάτων και τους κινδύνους από τη ρύπανση είναι ζωτικής σημασίας. Τα λύματα μπορούν να ανιχνευθούν με ταξινόμηση φασματικών κατηγοριών. Επιπλέον το μοντέλο αυτό μπορεί αυτόματα να διορθώσει ατμοσφαιρικά δορυφορικές εικόνες και να πραγματοποιήσει ταξινόμηση. Συμπληρωματικά με επιτόπιες μετρήσεις είναι δυνατή η περαιτέρω βελτίωση της ακρίβειας του μοντέλου. Συγκριτικά με ταξινομήσεις καλύψεων γης, η ταξινόμηση του νερού είναι δυσκολότερη λόγω της μικρότερης ανακλαστικότητας του. Επίσης, λόγω της έλλειψης δεδομένων για την υφιστάμενη κατάσταση η πρώιμη μη επιβλεπόμενη ταξινόμηση με τον k means μπορεί να εμπεριέχει αβεβαιότητες. Τέλος το μοντέλο αυτό απέδειξε την χρησιμότητα της τηλεπισκόπισης για την παρακολούθηση περιβαλλοντικών ζητημάτων.<br /> <br /> [[category:Υδατικοί Πόροι]]</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%BD%CE%B7%CF%83%CE%AF%CE%B4%CF%89%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CF%81%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CE%9C%CF%8C%CF%83%CF%87%CE%B1,_%CE%A1%CF%89%CF%83%CE%AF%CE%B1 2023-02-11T12:04:16Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div>'''Προσδιορισμός νησίδων αστικής ρύπανσης με τηλεπισκόπηση στην Μόσχα, Ρωσία'''<br /> <br /> Determination of urban pollution islands by using remote sensing technology in Moscow, Russia<br /> <br /> ''Συγγραφείς: Natalia Bakaeva, Minh Tuan Le''<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S1574954121002843]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Μια αστική νησίδα θερμότητας είναι η αλλαγή στην θερμική ισορροπία των πόλεων, συγκριτικά με τις επαρχιακές περιοχές, που προκαλείται από την ανθρώπινη δραστηριότητα. Μια νησίδα αστικής ρύπανσης ορίζεται ως η αλλαγή στην συγκέντρωση ρύπων που οφείλεται στην αστική δραστηριότητα. Οι αστικές νησίδες θερμότητας και η αστική ρύπανση συνυπάρχουν καθώς η μία προκαλεί την άλλη. <br /> <br /> Οι ρύποι τύπου αεροζόλ που θεωρούνται οι πιο βλαβεροί για τον άνθρωπο. Αεροζόλ είναι το σύνολο των σωματιδίων που έχουν διάμετρο από 0.05μm ως 15μm, από αυτά εκείνα με διάμετρο &lt;2.5μm (PM2.5)θεωρούνται τα πιο βλαβερά για τον άνθρωπο. Για την ανίχνευση χρησιμοποιήθηκαν μετρήσεις από μετεωρολογικούς σταθμούς και δορυφορικές εικόνες. Κάθε pixel της εικόνας λειτουργεί ως σταθμός παρακολούθησης. Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν είχαν ληφθεί από Landsat 8 OLI.<br /> <br /> '''2. Περιοχή Μελέτης'''<br /> <br /> Ως περιοχή μελέτης επιλέχθηκε η Μόσχα (Σχήμα 1). Βρίσκεται σε υψόμετρο 180m από την επιφάνεια της θάλασσας, χαρακτηρίζεται από υγρό εύκρατο ηπειρωτικό κλίμα με ξεκάθαρη εποχικότητα. Η έκταση της πόλεις εκτείνεται στα 2561km2, με πληθυσμό 12.7 εκατομμύρια.<br /> <br /> <br /> [[Εικόνα:pk_p1_e1.png | thumb| right| '''Σχήμα 1: Το σχήμα και η διοικητική διαίρεση της Μόσχας και οι θέσεις των μετεωρολογικών σταθμών που παρείχαν δεδομένα για την μελέτη''']]<br /> <br /> ''2.1. Περιγραφή της φύσης της εικόνας που λήφθηκε από τον Landsat 8 στην Μόσχα''<br /> <br /> Χρησιμοποιήθηκαν εικόνες Landsat 8 OLI η οποίες είχαν ληφθεί τον Ιούνιο του 2019 και τον Δεκέμβρη του 2020 (Σχήμα 3) .<br /> <br /> ''2.2 Δεδομένα για την συγκέντρωση των σωματιδίων PM2.5 που καταγράφτηκαν από μετεωρολογικούς σταθμούς''<br /> <br /> 2.2.1 Περιγραφή των συσκευών που χρησιμοποιήθηκαν για την μέτρηση των PM2.5<br /> <br /> Η μέτρηση της συγκέντρωσης γίνεται με αναλυτές σκόνης, οι οποίοι βασίζονται σε μικροϊσορροπία, ραδιοισότοπα και νεφελομετρικά, κάθε ένα από αυτά έχει πλεονεκτήματα και μειωνεκτήματα. Στην συγκεκριμένη μελέτη χρησιμοποιήθηκαν αναλυτές σκόνης που χρησιμοποιούν νεφελομετρική μέθοδο (Σχήμα 2).<br /> <br /> [[Εικόνα:pk_p1_e2.png | thumb| center| '''Σχήμα 2: Μετρητής σκόνης CityAir που χρησιμοποιήθηκε στην μελέτη''']]<br /> <br /> Μετρητές σκόνης που χρησιμοποιούν την νεφελομετρική μέθοδο βασίζονται στην ένταση μιας μονοχρωματικής δέσμης φωτός που σκεδάζεται σε γωνία 90ο στο μέγεθος και συγκέντρωση των σωματιδίων.<br /> <br /> 2.2.2 Πραγματικά δεδομένα συγκέντρωσης των σωματιδίων PM2.5 καταγεγραμμένα από του μετεωρολογικούς σταθμούς<br /> <br /> Τα δεδομένα συγκέντρωσης των σωματιδίων PM2.5 από τους σταθμούς καταγράφτηκαν το 2019 και το 2020 (Σχήμα 4) <br /> <br /> [[Εικόνα:pk_p1_e3.png | thumb| right| '''Σχήμα 3: Πίνακες παραμέτρων εικόνων Landsat 8 OLI''']]<br /> <br /> <br /> [[Εικόνα:pk_p1_e4.png | thumb| right| '''Σχήμα 4: Δεδομένα για τα PM2.5 από τους μετεωρολογικούς σταθμούς''']]<br /> <br /> '''3. Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε είχε τα εξής στάδια: συλλογή δεδομένων, προ επεξεργασία εικόνων, επεξεργασία δεδομένων, επιλογή μοντέλου, έλεγχος και αποτελέσματα.<br /> <br /> ''3.1 Προ επεξεργασία εικόνων''<br /> <br /> Μετατροπή των αριθμητικών τιμών σε φασματικά μήκη κύματος ή φασματική ανακλαστηκότητα με πολλά επίπεδα διόρθωσης της ακτινοβολίας.<br /> <br /> ''3.2 Μετατροπή αριθμητικών τιμών σε φασματική ακτινοβολία στην κορυφή της ατμόσφαιρας (ΤΟΑ).''<br /> <br /> Η μετατροπή των τιμών έγινε με την εξής σχέση:<br /> <br /> L_λ=M_L×Q_cal+ A_L (1) <br /> <br /> ''3.3 Μετατροπή αριθμητικών τιμών σε ανακλαστηκότητα στο πάνω μέρος της ατμόσφαιρας.''<br /> Η μετατροπή αυτή έγινε με τη σχέση<br /> <br /> ρλ΄=Μ_ρ×Q_cal+ A_ρ (2)<br /> <br /> ''3.4 ΤΟΑ ανακλαστικότητα στα ψηλότερα τμήματα της ατμόσφαιρας λαμβάνοντας υπόψη τη γωνία του ήλιου''<br /> <br /> ρ_λ= (ρλ΄)/(cos⁡(θ_SZ))=(ρλ΄)/(sin⁡(θ_SE)) (3) <br /> <br /> ''3.5 Ατμοσφαιρική διόρθωση''<br /> <br /> Στις εικόνες Landsat OLI η ανακλαστικότητα από το έδαφος υπολογίζεται με την εξής σχέση:<br /> <br /> ρ=(π×(L_λ-L_P)×d^2)/(T_v×((〖ESUN〗_λ×cos⁡(θ_SZ )×T_Z )+E_down)) (4) <br /> <br /> Για την ατμοσφαιρική διόρθωση χρησιμοποιήθηκε η μέθοδος αφαίρεσης DOS και καθορισμού της ακτινοβολίας της γραμμής μετάδοσης. Η μέθοδος αυτή είναι απλή και ιδιαίτερα αποτελεσματική στην διόρθωση της ατμοσφαιρικής επίδρασης. Για της εικόνες Landsat 8 OLI χρησιμοποιείται η εξής σχέση:<br /> <br /> L_P=L_min-0.01×(T_v×(ESUN×cos⁡(θ_SZ )×T_Z )+E_down)/(π×d^2 ) (5) <br /> <br /> Η μέθοδος DOS στηρίζεται στις παραμέτρους TV, TZ, και Edown. Επιπλέον χωρίζεται σε διάφορους τύπους (DOS1, DOS2, DOS3, DOS4). Στην μελέτη αυτή χρησιμοποιήθηκε ο DOS1 και οι παράμετροι καθορίστηκαν TV=1, TZ=1, Edown=0. Η σχέση υπολογισμού της ακτινοβολίας της γραμμής μετάδοσης είναι:<br /> <br /> L_P=L_min-0.01×(〖ESUN〗_λ×cos⁡(θ_SZ))/(π×d^2 ) (6) <br /> <br /> Η ανακλαστηκότητα της επιφάνειας υπολογίστηκε με την εξής σχέση:<br /> <br /> ρ=(π×(L_λ-L_P)×d^2)/(〖ESUN〗_λ×cos⁡(θ_SZ)) (7) <br /> <br /> ‘’3.6 Προετοιμασία της τιμής της ανακλαστικότητας της ατμόσφαιρας’’<br /> <br /> Η ανακλαστικότητα στην κορυφή της ατμόσφαιρας ισούται με το άθροισμα της ανακλαστικότητας της γήινης επιφάνειας και της ατμόσφαιρας, έτσι ο συντελεστής ανακλαστικότητας της ατμόσφαιρας υπολογίζεται με την σχέση:<br /> <br /> R_atm=ρλ-ρ (8) <br /> <br /> Η συσχέτιση ανάμεσα στο πάχος του στρώματος των αεροζολ (AOT) και της περιεκτικότητας του σε PM2.5. Η ηλιακή ακτινοβολία εισέρχεται στο στρώμα των αεροζόλ, ανακλάται μερικώς και φτάνει στον δέκτη. Κομμάτι των ακτινών του Ήλιου χτυπούν ένα αντικείμενο στη Γη και ανακλώνται στον δέκτη. Βάσει της απώλειας ενέργειας που καταγράφει ο δέκτης λόγω της απορρόφησης και της σκέδασης από τα μόρια των αέριων ρύπων και σωματιδίων σκόνης, υπολογίζεται η σύσταση της σκόνης.<br /> <br /> Υπολογίζεται η ανακλαστικότητα στο TOA και η ανακλαστικότητα από την επιφάνεια της Γης, βάσει αυτών υπολογίζεται ο συντελεστής ανακλαστικότητας της ατμόσφαιρας. Το οπτικό πάχος του στρώματος του αεροζόλ υπολογίζεται από την εξής σχέση:<br /> <br /> ΑΟΤ(λ)=α_0 R(λ) (9) <br /> <br /> Η σχέση (8) γράφεται ως εξής:<br /> <br /> ΑΟΤ(λ)=α_0 R_λ1+α_j R_λ2+α_2 R_λ3+⋯ (10) <br /> <br /> Η σύνδεση μεταξύ των PM και ΑΟΤ γίνεται από ένα ομοιογενές επίπεδο που εμπεριέχει σφαιρικά σωματίδια. Η συγκέντρωση των σωματιδίων στην επιφάνεια λαμβάνεται με τη ξήρανση του δείγματος αέρα.<br /> <br /> 〖PM〗_x=4/3 πρ∫_0^(χ/2)▒〖r^3 n(r)dr〗 (11) <br /> <br /> <br /> Βρέθηκε πως τα περιεχόμενα PM συσχετίζονται καλύτερα με το ΑΟΤ. Αντικαθιστώντας το ΑΟΤ με το ΡΜ2.5 στη σχέση (9), προκύπτει η σχέση (11), και ο αλγόριθμος για το κανάλι της εικόνας ή το μήκος κύματος, ΡΜ2.5, απλοποιείται από τη σχέση:<br /> <br /> ΡΜ2.5= α_0 R_λ1+α_j R_λ2+α_2 R_λ3+⋯ (12)<br /> <br /> ''3.7 Προσδιορισμός του σφάλματος''<br /> <br /> Υπολογίζεται από την εξής σχέση:<br /> <br /> RMSE=√(∑▒(P_calculation-P_measurement ) ^2/N) (13) <br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> Βάσει της σχέσης (12), έρευνα, ανάλυση συσχέτισης, και ανάλυση παλινδρόμησης των PM2.5, υλοποιήθηκαν μοντέλα υπολογισμού με εικόνες Landsat 8 OLI που ελήφθησαν τον Ιούνιο του 2019.<br /> Συνδυάστηκαν τα δεδομένα από τις εικόνες με τα επίγεια δεδομένα για τον υπολογισμό του συντελεστή της εξίσωσης γραμμικής παλινδρόμησης (Σχήμα 5). Επιπλέον, γραμμική ανάλυση παλινδρόμησης εφαρμόστηκε στις επίγειες μετρήσεις (Σχήμα 4). Η τιμή του συντελεστή ατμοσφαιρικής ανακλαστκότητας Ri είναι ανεξάρτητη μεταβλητή ενώ η συγκέντρωση ΡΜ2.5 που μετρήθηκε στους επίγειους σταθμούς είναι η εξαρτημένη μεταβλητή. Τα αποτελέσματα παρουσιάζονται στο παρακάτω (Σχήμα 6). Όταν χρησιμοποιούνται ανεξάρτητα κανάλια ο συντελεστής R είναι πολύ μικρός. Οι μέγιστες τιμές του συντελεστή παρουσιάζονται όταν συνδυάζονται 4 κανάλια. Για το 2019 R= 0.9143 και R2= 0.8361. Για το 2020 R=0.9889 και R2=0.9779.<br /> <br /> [[Εικόνα:pk_p1_e5.png | thumb| rightt| '''Σχήμα 5: Μοντέλο παλινδρόμησης και ανάλυσης συσχέτισης''']]<br /> <br /> <br /> [[Εικόνα:pk_p1_e6.png | thumb| right| '''Σχήμα 6: Αποτελέσματα ανάλυσης συσχέτισης και παλινδρόμησης''']]<br /> <br /> Επισημαίνεται πως η πιθανότητα σημασίας (Σχ. 7) δεν θα πρέπει να είναι παραπάνω από 0.05, για να θεωρηθεί το μοντέλο σημαντικό. Η σχέση που χρησιμοποιείται για την χαρτογράφηση του ΡΜ2.5 είναι:<br /> <br /> 〖ΡΜ〗_2.5=-0.0496-0.20733R_1+0.13929R_2+0.08063R_3-0.0572R_4 (14)<br /> <br /> 〖ΡΜ〗_2.5=-0.3143R_1+0.3539R_2+0.15012R_3-0.1973R_4 (15)<br /> <br /> [[Εικόνα:pk_p1_e7.png | thumb| right| '''Σχήμα 7: Πίνακες ANOVA''']]<br /> <br /> Βάσει των εξισώσεων (14) και (15) δημιουργήθηκαν χάρτες για τις εικόνες του Ιουνίου 2019 και Δεκεμβρίου 2020 αντίστοιχα (Σχήμα 8, Σχήμα 9).<br /> <br /> <br /> [[Εικόνα:pk_p1_e8.png | thumb| right| '''Σχήμα 8: Χάρτης Ιουνίου 2019''']]<br /> [[Εικόνα:pk_p1_e9.png | thumb| right| '''Σχήμα 9: Χάρτης Δεκεμβρίου''']]<br /> <br /> '''5. Συζήτηση'''<br /> <br /> ''5.1 Η σχέση μεταξύ νησίδων αστικής θερμότητας και νησίδων αστικής ρύπανσης''<br /> <br /> Η πιθανότητα εμφάνισης νησίδων αυξάνεται όσο πλησιέστερα στο κέντρο της πόλης. Οι νησίδες επηρεάζουν τις κλιματολογικές συνθήκες. Σε μερικές περιπτώσεις η θετική συσχέτιση μεταξύ των 2 μπορεί να αναστραφεί. Επιπλέον παρατηρούνται διαφορές από μέρα σε νύχτα.<br /> <br /> ''5.2 Μελλοντική έρευνα''<br /> <br /> Για μελλοντικές έρευνες θα μπορούσαν να επεκταθούν οι επίγειοι δέκτες για την βελτίωση της ακρίβειας του μοντέλου. Επιπλέον περαιτέρω έρευνα θα μπορούσε να περιλαμβάνει την σύνδεση των αποτελεσμάτων του καθορισμού των σημείων ρύπανσης και υψηλής θερμοκρασίας βάσει μοντέλα προσομοίωσης μικροκλίματος. Έτσι δίνεται ιδιαίτερη προσοχή στις νησίδες ζέστης στην πόλη που επηρεάζουν την κατανομή λεπτόκοκκων σωματιδίων στην πόλη, δίνοντας ταυτόχρονη λύση στην μείωση των νησίδων υψηλής θερμοκρασίας και ρύπανσης.<br /> <br /> '''6. Συμπεράσματα'''<br /> <br /> Η μέθοδος μπορεί να χρησιμοποιηθεί με διάφορους συντελεστές για την αύξηση της ακρίβειας της δορυφορικής εικόνας σε συνδυασμό με δεδομένα για την συγκέντρωση των ρύπων από επίγειες μετρήσεις. Οι ζώνες ρύπανσης παρατηρήθηκαν στο κέντρο της πόλης, στα βόρεια και μειώνονται στα νοτιοδυτικά.<br /> <br /> [[category: Ατμοσφαιρική Ρύπανση]]</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%8D%CE%B3%CF%87%CF%81%CE%BF%CE%BD%CE%BF%CF%82_3D_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%83%CE%B5_%CF%80%CF%81%CE%B1%CE%B3%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CF%8C_%CF%87%CF%81%CF%8C%CE%BD%CE%BF_%CE%B1%CE%AD%CF%81%CE%B9%CE%B1%CF%82_%CF%81%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%B9_%CE%B1%CE%BD%CE%AD%CE%BC%CE%BF%CF%85_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CE%AD%CE%BD%CE%B1_%CE%BC%CE%BF%CE%BD%CE%B1%CE%B4%CE%B9%CE%BA%CE%AE%CF%82_%CF%83%CF%85%CE%BD%CE%AC%CF%86%CE%B9%CE%B1_doppler_Lidar_%CE%B1%CE%BD%CE%AD%CE%BC%CE%BF%CF%85 2023-02-11T12:03:27Z

<p>Παναγιώτης Κακριδώνης: Νέα σελίδα με ''''Σύγχρονος 3D εντοπισμός σε πραγματικό χρόνο αέριας ρύπανσης και ανέμου χρησιμοποιώντας ένα ...'</p> <hr /> <div>'''Σύγχρονος 3D εντοπισμός σε πραγματικό χρόνο αέριας ρύπανσης και ανέμου χρησιμοποιώντας ένα μοναδικής συνάφια doppler Lidar ανέμου.'''<br /> <br /> Real-Time Synchronous 3-D Detection of Air Pollution and wind using a solo coherent doppler wind LiDAR<br /> <br /> ''Συγγραφείς: Jinlong Yuan, Yunbin Wu, Zhifeng Shu, Lian Su, Dawei Tang, Yuanjian Yang, Jingjing Dong, Saifen Yu, Zhen Zhang, Haiyun Xia''<br /> <br /> [https://www.mdpi.com/2072-4292/14/12/2809]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η ρύπανση του αέρα έχει γίνει ένα σημαντικό περιβαλλοντικό πρόβλημα που επηρεάζει και την ανθρώπινη υγεία. Μέχρι τώρα χρησιμοποιούνταν μέθοδοι οι οποίες παρουσίαζαν κάποια προβλήματα. Χωρίς σύγχρονη υψηλής ανάλυσης 3D πληροφορίας για τον αέρα και τα σωματίδια aerosol, είναι δύσκολο για τα περισσότερα Lidar (CDWL) να ανιχνεύσουν και να μελετήσουν το φαινόμενο. Τα συναφούς Doppler lidar ανέμου μπορούν να χρησιμοποιηθούν για τέτοιες μετρήσεις λόγω της απλής κατασκευής, δυνατή ικανότητα αντί-παρεμβάσεων, ευρεία εμβέλεια εντοπισμού και ανώτερη λειτουργία σε πραγματικό χρόνο.<br /> <br /> '''2. Τοποθεσία και δεδομένα'''<br /> <br /> ''2.1 Επίγειες μετρήσεις''<br /> <br /> Το πείραμα έγινε στη πόλη Binzhou, στην επαρχία Shandong της Κίνας. Οι μετρήσεις έλαβαν χώρα από τις 25-30 Μάρτη 2021. Λόγω της δόμησης ο δέκτης έπρεπε να τοποθετηθεί όσο ψηλότερα γινόταν (Σχήμα 1).<br /> <br /> [[Εικόνα: pkakr_a4_e1.PNG| thumb| right| '''Σχήμα 1: Το CDWL στην ταράτσα κτηρίου''']]<br /> <br /> Το CDWL είναι παντός καιρού κι ασφαλές για τον άνθρωπο. Η συνήθης εμβέλεια του ανέρχεται στα 15km όμως λόγω των καιρικών συνθηκών που επικρατούσαν η εμβέλεια δεν ξεπέρασε τα 4.5km. Σαρώθηκε η περιοχή κυκλικά, με οριζόντιο βήμα την 1o και με ανύψωση από 0-4ο. Η οριζόντια σάρωση έγινε για την ανίχνευση της πηγής της ρύπανσης. Κατακόρυφα η ζενίθια γωνία ορίστηκε στις 60ο με οριζόντιο βήμα τις 5ο. Η κατακόρυφη έγινε για αποκτηθούν δεδομένα για προφίλ για τις ιδιότητες των aerosol και του αιολικού πεδίου. Η περίοδοι σάρωσης οριζόντια και κάθετα ορίστηκαν στα 5 λεπτά και 40 δευτερόλεπτα αντίστοιχα. Η ακρίβεια της γωνιακής ταχύτητας προσδιορίστηκε με τον λόγο CNR, ο λόγος της έντασης του σήματος προς την ένταση του θορύβου.<br /> <br /> ''2.2 Δημόσιο επίγειος σταθμός παρακολούθησης''<br /> <br /> Χρησιμοποιήθηκαν δεδομένα για τις συγκεντρώσεις σωματιδίων PM2.5 και ΡΜ10<br /> <br /> ''2.3 Ανάλυση προς τα πίσω''<br /> <br /> Για τον εντοπισμό των πηγών της ρύπανσης και της διαδρομής που ακολούθησαν οι ρύποι χρησιμοποιήθηκε η HYSPLIT.<br /> <br /> '''3. Αποτελέσματα'''<br /> <br /> ''3.1 Παρακολούθηση τοπικής σημειακής ρύπανσης''<br /> <br /> Για την τοπική σημειακή ρύπανση χρησιμοποιήθηκε οριζόντια σάρωση PPI με μικρή ανύψωση (Σχήμα 2). Οι μετρήσεις έδειξαν πως η πορεία της ρύπανσης ήταν παράλληλη με την κατεύθυνση του αέρα<br /> <br /> [[Εικόνα: pkakr_a4_e2.PNG| thumb| right| '''Σχήμα 2: Τα αποτελέσματα της οριζόντιας σάρωσης του συντελεστή οπισθοσκέδασης και δισδιάστατου διανύσματος του ανέμου''']]<br /> <br /> Η μορφή που λάμβανε το νέφος της μόλυνσης εξαρτιούνταν από την κατάσταση της ατμόσφαιρας. Στην πηγή, το νέφος παρατηρήθηκε να φτάνει τα 130m. Κατ’ ελάχιστον, το νέφος έφτανε τα 30m. Με την δισδιάστατη οριζόντια παρακολούθηση του ανέμου, προσδιορίστηκε η πηγή της ρύπανσης (Σχήμα 3). Η ακρίβεια του εντοπισμού εξαρτάται από την πυκνότητα των χωρικών κομματιών.<br /> <br /> [[Εικόνα: pkakr_a4_e3.PNG| thumb| right| '''Σχήμα 3: a) Οι τροχιές των νεφών καπνού όπως εξήχθησαν από το Σχ. 2. (b) Το αποτέλεσμα της ανίχνευσης της πηγής της σημειακής ρύπανσης. (c) Η πηγή της ρύπανσης.''']]<br /> <br /> ''3.2 Εντοπισμός διασυνοριακής μεταφοράς της ρύπανσης''<br /> <br /> Η περιοχή μελέτης υποφέρει από αμμοθύελλες κατά την άνοιξη. Μια από αυτές παρατηρήθηκε στην μελέτη. Παρουσιάζονται χάρτες που δείχνουν την πορεία του φαινομένου, και τους συντελεστές οπισθοσκέδασης του CDWL, PM2.5 και ΡΜ10 δεδομένα παρακάτω (Σχήμα 4). Η αμμοθύελλα αυτή ξεκίνησε να επηρεάζει στις 28 Μάρτη όπως φάνηκε και από την αύξηση στον συντελεστή οπισθοσκέδασης των PM10 σωματιδίων.<br /> <br /> [[Εικόνα: pkakr_a4_e4.PNG| thumb| right| '''Σχήμα 4: Η πορεία της αμμοθύελλας και η επίδρασή της στις μετρήσεις Lidar''']]<br /> <br /> Στην κατακόρυφη σάρωση λόγω της επίδρασης της άμμου και της σκόνης ενισχύθηκε το σήμα ηχούς της επιφάνειας και στη συνέχεια εξασθενήθηκε ραγδαία αφού έφτασε η θύελλα στον δέκτη. Η εμβέλεια του lidar μειώθηκε στα 500m λόγω της απόσβεσης. Οι επιδράσεις της θύελλας αυτής στα αποτελέσματα απεικονίστηκαν παρακάτω (Σχήμα 5).<br /> <br /> <br /> [[Εικόνα: pkakr_a4_e5.PNG| thumb| right| '''Σχήμα 5: Η ανίχνευση της αμμοθύελλας από την κατακόρυφη σάρωση''']]<br /> <br /> Το ζενίθ των τιμών του συντελεστή οπισθοσκέδασης και το ναδίρ της εμβέλειας του lidar παρατηρήθηκαν μόλις χτύπησε η θύελλα, και εξασθενούσε και δυνάμωνε αντίστοιχα όσο περνούσε αποδυνάμωνε η θύελλα. Σε γενικές γραμμές η παρατηρήσεις του CDWL ήταν σύμφωνες με αυτές του δημόσιου σταθμού παρακκολούθησης.<br /> Το ύψος που μεταφέρεται η σκόνη εξαρτάται από την διανομή των μεγεθών των σωματιδίων και από την κατάσταση της ατμόσφαιρας (Σχ. 6). Η λεπτόκοκκη σκόνη μεταφερόταν ευκολότερα σε υψόμετρο 4km. Τα πρώτα σωματίδια που έφτασαν στην περιοχή μελέτης και ανιχνεύθηκαν ήταν τα λεπτόκοκκα, με τα βαρύτερα σωματίδια που προκάλεσαν χειρότερη ρύπανση να καταφτάνουν αργότερα.<br /> <br /> [[Εικόνα: pkakr_a4_e6.PNG| thumb| right| '''Σχήμα 6: Η προς τα πίσω τροχιά 4 ωρών HYSPLIT''']]<br /> <br /> '''4. Συμπεράσματα'''<br /> <br /> Το CDWL είναι χρήσιμο για την παρακολούθηση σημειακών πηγών ρύπανσης και για την πρόβλεψη της διάχυσης της, σε συνδυασμό με την οριζόντια κατεύθυνση του ανέμου. Με την κατακόρυφη σάρωση καταγράφτηκε η δομή μια διασυνοριακής ρύπανσης από σκόνη. Τα δεδομένα του CDWL ήταν σύμφωνα με άλλους σταθμούς παρακολούθησης. Ανιχνεύθηκαν 2 επίπεδα ρύπανσης, ένα με ανώτατο υψόμετρο τα 700m και ένα δεύτερο με υψόμετρο που κυμαινόταν από 3-4km. Το δεύτερο εμπεριείχε μικρά σωματίδια, χαρακτηριστικό του οποίου ήταν η γρήγορη διασπορά και η μακρά διάρκεια, με δυνατότητα μεταφοράς μεγάλων αποστάσεων. Εν κατακλείδι, η CDWL, αποτελεί καλό εργαλείο εντοπισμού και παρακολούθησης της ρύπανσης σε τοπικό επίπεδο.</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pkakr_a4_e6.PNG 2023-02-11T11:59:23Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pkakr_a4_e5.PNG 2023-02-11T11:59:16Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pkakr_a4_e4.PNG 2023-02-11T11:59:09Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pkakr_a4_e3.PNG 2023-02-11T11:59:01Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pkakr_a4_e2.PNG 2023-02-11T11:58:54Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pkakr_a4_e1.PNG 2023-02-11T11:58:46Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%85%CF%84%CF%8C%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CF%8D%CF%80%CE%BF%CF%80%CF%84%CF%89%CE%BD_%CE%B5%CE%BA%CF%81%CE%BF%CF%8E%CE%BD_%CE%BB%CF%85%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CF%83%CE%B5_%CF%80%CE%B1%CF%81%CE%AC%CE%BA%CF%84%CE%B9%CE%B5%CF%82_%CE%B5%CE%BA%CF%81%CE%BF%CE%AD%CF%82_%CE%B2%CE%AC%CF%83%CE%B5%CE%B9_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_Sentinel 2023-02-11T11:53:37Z

<p>Παναγιώτης Κακριδώνης: Νέα σελίδα με ''''Αυτόματος εντοπισμός ύποπτων εκροών λυμάτων σε παράκτιες εκροές βάσει εικόνων Sentinel-2''' Automat...'</p> <hr /> <div>'''Αυτόματος εντοπισμός ύποπτων εκροών λυμάτων σε παράκτιες εκροές βάσει εικόνων Sentinel-2'''<br /> <br /> Automatic detection of suspected sewage discharge from coastal outfalls based on Sentinel-2 imagery<br /> <br /> ''Συγγραφείς: Yuxin Wang, Xianqiang He, Yan Bai, Yingyu Tan, Bozhong Zhu, Difeng Wang, Mengyuan Ou, Fang Gong, Qiankun Zhu, Haiqing Huang''<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S0048969722054730]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Οι επίγειοι ρύποι που καταλήγουν στην θάλασσα από παράκτιες εκροές αποτελούν σημαντική απειλή για τα θαλάσσια οικοσυστήματα. Επειδή δεν είναι δυνατή η επιτόπια παρακολούθηση όλων των εκροών, με χρήση τεχνικών τηλεπισκόπισης είναι δυνατή η πιο αποτελεσματική παρακολούθηση των εκροών, παρακολουθώντας την ανακλαστικότητα των υδάτων. Ο σκοπός της μελέτης αυτής ήταν η ταξινόμηση των παράκτιων υδάτων ανά το χρώμα τους και ο εντοπισμός των υποπτευόμενων εκροών λυμάτων. Η μέθοδος ταξινόμησης που εφαρμόστηκε ήταν η random forest.<br /> <br /> '''2 Δεδομένα και μέθοδος'''<br /> <br /> ''2.1 Δορυφορικά δεδομένα''<br /> <br /> Εικόνες από πολυφασματικό δέκτη Sentinel-2 της ESA.<br /> <br /> ''2.2 Ατμοσφαιρική διόρθωση των δορυφορικών δεδομένων''<br /> <br /> H ESA παρέχει ατμοσφαιρικά διορθωμένα προϊόντα. Όμως η ανακλαστικότητα στο κάτω μέρος της ατμόσφαιρας (BOA) δεν ισούται με την Rrs. Για την απόκτηση αυτής της ανακλαστικότητας έγινε συγκεκριμένη ατμοσφαιρική διόρθωση. Η διόρθωση αυτή βασίστηκε στην ανακλαστκότητα διορθωμένη από το φαινόμενο Rayleigh ρrc. Η μέθοδος έδωσε καλύτερα αποτελέσματα από άλλους αλγόριθμους ατμοσφαιρικής διόρθωσης.<br /> <br /> ''2.3 Επιτόπιες μετρήσεις''<br /> <br /> Για την εξακρίβωση κι επαλήθευση των εκροών που εντοπίστηκαν από τις δορυφορικές εικόνες, ελήφθησαν και επιτόπιες μετρήσεις και δείγματα νερού (Σχήμα 1). Τα δείγματα όμως λόγω της φύσης του φαινομένου και της μεταβλητότητάς του εμπεριέχουν πολλές αβεβαιότητες. Σε εξακριβωμένες περιπτώσεις ρύπανσης συλλέχθηκαν οι ανακλαστικότητες Rrs(λ). Φάνηκε πως οι φασματικές υπογραφές των ρυπασμένων νερών διαφέρουν από την γενική φασματική συμπεριφορά του νερού. Για την εκπαίδευση του αλγορίθμου χρειάστηκαν ποικίλα δεδομένα.<br /> <br /> [[Εικόνα:pk_a3_e1.PNG| thumb| right| '''Σχήμα 1: Τυπικές εκροές λυμάτων, δορυφορική εικόνα και επιτόπια φωτογραφία. Τα μπλε σημεία είναι τα σημεία εκροών''']]<br /> <br /> '''3. Ανάπτυξη της μεθόδου αυτόματου εντοπισμού ύποπτων εκροών λυμάτων'''<br /> <br /> ''3.1 Συστάδα φασμάτων''<br /> <br /> Υπολογίστηκε η ομαλοποιημένη Rrs(λ) για 9 κανάλια. Αρχικά εφαρμόστηκε μη επιβλεπόμενη ταξινόμηση για την πρώτη ομαδοποίηση. Επιπλέον, εφαρμόστηκαν αλγόριθμοι ασαφούς c-means και K-means. Ο αλγόριθμος επέλεξε κέντρα ομάδων και ανάθεσε παρατηρήσεις σε διαφορετικές ομάδες με γνωστό αριθμό. Ο αριθμός των ομάδων ελέγχθηκε με το κριτήριο Davies-Bouldin. Βάσει αυτού και των τύπων νερών των Forel-Ule, επιλέχθηκαν 14 ομάδες ως ο βέλτιστος αριθμός. Στις 14 αυτές ομάδες εντάχθηκαν 9103 μετρήσεις Rrs(λ) (Σχήμα 2).<br /> <br /> [[Εικόνα:pk_a3_e2.PNG| thumb| right| '''Σχήμα 2: Ομαλοποιημένες Rrs(λ) για 14 ομάδες. Η κόκκινη γραμμή δείχνει την μέση φασματική υπογραφή, και οι γκρι για κάθε μέτρηση''']]<br /> <br /> Οι ομάδες 1-4 είχαν χαρακτηριστικά καθαρού νερού, οι 5-10 θολού νερού, οι 11,12 ψηλή συγκέντρωση χλωροφύλλης, η 13 είχε πολλά αιρούμενα στερεά και οι 14 ήταν αυτή με τα υποπτευόμενα ρυπασμένα νερά.<br /> <br /> ''3.2 Εκπαίδευση του μοντέλου''<br /> <br /> Στην μελέτη αυτή επιλέχθηκαν 15 φασματικά χαρακτηριστικά ως δεδομένα εισόδου στο μοντέλο: 9 nRrs(λ) για τα κανάλια 1-8a και 6 φασματικοί δείκτες (Σχήμα 3). Αυτές οι παράμετροι αύξησαν την φασματική διαχωριστικότητα ανάμεσα στους τύπους των νερών. Για τον προσδιορισμό των καλύτερων παραμέτρων έγιναν πολλές δοκιμές, με διαφορετικές παραμέτρους. Εν τέλη η RF που υλοποιήθηκε είχε 1800 δέντρα, μέγιστο αριθμό χαρακτηριστικών τα 15, μέγιστο βάθος τα 20 και ελάχιστο αριθμό διαίρεσης δειγμάτων το 2. Η ακρίβεια του μοντέλου ελέγχθηκε με πίνακα σύγχυσης με αληθείς τάξεις αποκτημένες από ομαδοποίηση K-means + + και τις τάξεις που πρόβλεψε το μοντέλο RF. Ο πίνακας έδωσε σχεδόν 100% ακρίβεια.<br /> <br /> [[Εικόνα:pk_a3_e3.PNG| thumb| right| '''Σχήμα 3: Οι 15 μεταβλητές της ταξινόμησης''']]<br /> <br /> '''4. Έλεγχος μοντέλου και εφαρμογή'''<br /> <br /> ''4.1 Έλεγχος της εκτέλεσης του μοντέλου''<br /> <br /> Για τον έλεγχο των μοντέλου χρησιμοποιήθηκαν 2 τυπικά γεγονότα ID#1 και ID#4 (Σχήμα 1). Για το ID#1 τα αποτελέσματα της ταξινόμησης έδωσε τύπο διαφάνειας νερού 14. Η επιτόπια επιβεβαίωση έδωσε συγκέντρωση αμμωνιακού αζώτου στα 23.2mg/L και συνολικά φωσφορικά στα 0.84mg/L ποσοστά πολύ υψηλότερα των επιτρεπτών. <br /> <br /> [[Εικόνα:pk_a3_e4.PNG| thumb| right| '''Σχήμα 4: Διάγραμμα ροής εντοπισμού ύποπτων απόθεσης λυμάτων από παράκτιες απορροές''']]<br /> <br /> [[Εικόνα:pk_a3_e5.PNG| thumb| right| '''Σχήμα 5: Ταξινομήσεις για το συμβάν #1 βάσει πολυφασματικών δορυφορικών απεικονίσεων α) 14 Αυγούστου 2019, β) 5 Απριλίου 2021 και ταξινομήσεις για το συμβάν #4 γ) 30 Ιουλίου 2018, δ) 17 Δεκεμβρίου 2019, ε)19 Ιουλίου 2020 και στ) 14 Ιουλίου 2021.''']]<br /> <br /> Για το συμβάν #4 η ταξινόμηση έδωσε τύπο διαφάνειας νερού 14 στην 30 Ιουλίου 2018 και τύπο 12 στις 14 Ιουλίου του 2021. Κατά τον επιτόπιο έλεγχο οι συγκεντρώσεις των νιτρικών, αμμωνιακών και φωσφορικών ήταν 6.02mg/L, 2.94mg/L και 0.35mg/L αντίστοιχα. Συνεπώς το μοντέλο αυτό είναι ικανό να ανιχνεύει προβλήματα. <br /> <br /> <br /> ''4.2 Εφαρμογή του μοντέλου''<br /> <br /> Το μοντέλο ταξινομεί τα pixel στην ακτογραμμή σύμφωνα με τον οπτικό τύπο του νερού. Τα λύματα εντοπίζονται καθώς το ρυπασμένο νερό έχει αντίθεση με το καθαρό. Η διανομή των τύπων του νερού ως προς τη διαφάνειά τους (Σχήμα 6) δείχνει θολότητα κοντά στην ακτή. Η διαρροή λυμάτων εντοπίζεται εύκολα καθώς οι εικόνες ανανεώνονται κάθε 6 ώρες. <br /> <br /> [[Εικόνα:pk_a3_e6.PNG| thumb| right| '''Σχήμα 6: Ταξινόμηση για την παράκτια ζώνη της Zhejiang στις 14 Φεβρουαρίου 2022''']]<br /> <br /> '''5. Σύνοψη'''<br /> <br /> Η ευρεία γνώση σχετικά με την ποιότητα των υδάτων και τους κινδύνους από τη ρύπανση είναι ζωτικής σημασίας. Τα λύματα μπορούν να ανιχνευθούν με ταξινόμηση φασματικών κατηγοριών. Επιπλέον το μοντέλο αυτό μπορεί αυτόματα να διορθώσει ατμοσφαιρικά δορυφορικές εικόνες και να πραγματοποιήσει ταξινόμηση. Συμπληρωματικά με επιτόπιες μετρήσεις είναι δυνατή η περαιτέρω βελτίωση της ακρίβειας του μοντέλου. Συγκριτικά με ταξινομήσεις καλύψεων γης, η ταξινόμηση του νερού είναι δυσκολότερη λόγω της μικρότερης ανακλαστικότητας του. Επίσης, λόγω της έλλειψης δεδομένων για την υφιστάμενη κατάσταση η πρώιμη μη επιβλεπόμενη ταξινόμηση με τον k means μπορεί να εμπεριέχει αβεβαιότητες. Τέλος το μοντέλο αυτό απέδειξε την χρησιμότητα της τηλεπισκόπισης για την παρακολούθηση περιβαλλοντικών ζητημάτων.</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%AF%CE%B4%CF%81%CE%B1%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%8C%CE%BE%CE%B9%CE%BD%CE%B7%CF%82_%CE%B1%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BF%CF%81%CF%85%CF%87%CE%B5%CE%AF%CE%BF%CF%85_%CF%83%CF%84%CE%B1_%CE%B5%CF%80%CE%B9%CF%86%CE%B1%CE%BD%CE%B5%CE%B9%CE%B1%CE%BA%CE%AC_%CF%8D%CE%B4%CE%B1%CF%84%CE%B1_%CF%83%CF%84%CE%B7%CE%BD_%CE%BA%CE%BF%CE%B9%CE%BB%CE%AC%CE%B4%CE%B1_Kizel_coal_%CE%BC%CE%B5_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_Sentinel 2023-02-11T11:50:34Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div>'''Παρακολούθηση της επίδρασης της όξινης απορροής ορυχείου στα επιφανειακά ύδατα στην κοιλάδα Kizel coal με εικόνες Sentinel-2'''<br /> <br /> Monitoring Acid Mine Drainage’s Effects on Surface Water in the Kizel<br /> <br /> ''Συγγραφείς: Sergey V. Pyankov, Nikolay G. Maximovich, Elena A. Khayrulina, Olga A. Berezina, Andrey N. Shikhov, Rinat K. Abdullin''<br /> <br /> [https://www.researchgate.net/publication/349444438_Monitoring_Acid_Mine_Drainage%27s_Effects_on_Surface_Water_in_the_Kizel_Coal_Basin_with_Sentinel-2_Satellite_ImagesMonitoreo_de_los_efectos_del_drenaje_acido_de_las_minas_en_las_aguas_superficiales_de_l]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η ρύπανση των υδάτων από όξινες απορροές ορυχείων (AMD) είναι ένα από τα μεγαλύτερα περιβαλλοντικά προβλήματα που προκαλεί η εξορυκτική δραστηριότητα. Η τηλεπισκόπιση αποτελεί ένα σημαντικό εργαλείο για την παρακολούθηση του φαινόμενου αυτού. Τα AMD παρουσιάζουν υψηλότερη ανακλαστικότητα στο φάσμα 650-750nm από το νερό και τα ιζήματά του πυθμένα. Σχέση βρέθηκε μεταξύ των φασματικών χαρακτηριστικών και των μετρήσεων pH. Έχουν βρεθεί 2 κορυφές ανακλαστικότητας του νερού ρυπασμένο από AMD, ανάμεσσα στα 570-640nm και στα 700nm. Τα κανάλια στο red και red edge είναι κρίσιμα για την ανίχνευση αυτής της ρύπανσης στα νερά. Ιδιαίτερα χρήσιμοι για την ανίχνευση είναι οι δορυφόροι Sentinel-2 οι οποίοι έχουν τα κατάλληλα κανάλια, σε καλή χωρική ανάλυση, υψηλή συχνότητα λήψης δεδομένων.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η κοιλάδα Kizel coal (Σχήμα 1), εκτείνεται 100km παράλληλα στα Ουράλια Όρη, με εύκρατο υγρό κλίμα. Η μέση ετήσια θερμοκρασία κυμαίνεται από του 0-2 οC. Η έντονη εξόρυξη κατά τον 20ο αιώνα προκάλεσε έντονα περιβαλλοντικά προβλήματα. Μέχρι τον 21ο αιώνα όλα τα ορυχεία είχαν κλείσει, τα οποία εν συνεχεία γεμίστηκαν με νερό που προκάλεσε την ρύπανση από AMD. Σήμερα υπάρχουν 19 πηγές AMD. Από τη ρύπανση επηρεάζονται παραπόταμοι που καταλήγουν στον ταμιευτήρα Kama.<br /> <br /> [[Εικόνα: pk_a2_e1.png| thumb| right| Σχήμα 1: Η κοιλάδα Kizel, οι πυγές ρύπανσης και σημεία δειγματοληψίας επίγειων υδάτων]]<br /> <br /> <br /> [[Εικόνα: pk_a2_e2.png| thumb| right|Σχήμα 2: Ρύπανση ποταμών από AMD]]<br /> <br /> '''3. Δεδομένα και Μεθοδολογία'''<br /> <br /> ''3.1 Ολοκληρωμένη εικόνα των πηγών δεδομένων''<br /> <br /> Στην μελέτη αυτή χρησιμοποιήθηκαν διάφορες πηγές δεδομένων. Εικόνες Sentinel-2 δεδομένα από την UCSEM, επιτόπια δειγματοληψία επιφανειακών ρυπασμένων υδάτων και δεδομένα για τα καθιζήματα. Προβλήματα των εικόνων Sentinel είναι η συχνή νεφοκάλυψη της περιοχής μελέτης και οι συχνές βροχοπτώσεις καθώς προκαλούν θολότητα στο νερό αυξάνοντας την ανακλαστικότητά του στο κόκκινο κανάλι . Επίσης, υπάρχει μικρός αριθμός μετρήσεων της UCSEM.<br /> <br /> ''3.2 Δορυφορική εκτίμηση ρύπανσης επιφανειακών υδάτων από AMD''<br /> <br /> Λόγω της υψηλότερης ανακλαστηκότητας των ρυπασμένων υδάτων στο red και red edge από ότι στα άλλα κανάλια του ορατού, δημιουργήθηκαν και χρησιμοποιήθηκαν κατάλληλοι δείκτες:<br /> <br /> D_(S-2(AMD))=(D_560-D_664 )+(D_703-D_782)<br /> <br /> AMWI=(Red-Blue)/(Red+Blue)<br /> <br /> Οι δείκτες αυτοί ξεχωρίζουν όξινα νερά και σιδηρούχα καθιζήματα από καθαρά νερά και άλλα καθιζήματα.<br /> <br /> '''3.3 Επεξεργασία δορυφορικών δεδομένων'''<br /> <br /> Χρησιμοποιήθηκαν 34 εικόνες Sentinel-2 τους καλοκαιρινούς μήνες. Οι εικόνες υπέστησαν ατμοσφαιρική διόρθωση. Έπειτα υπολογίστηκε ο AMWI για περιοχές που περιλάμβαναν σημεία δειγματοληψίας, και για περιοχές με καθαρό νερό (Σχήμα 3). Για την εκτίμηση της συσχέτισης μεταξύ των τιμών του δείκτη και τις επίγειες μετρήσεις, υπολογίστηκε ο συντελεστής συσχέτισης Spearman ρ (Σχήμα 4)<br /> <br /> <br /> ''3.4 Μετεωρολογικά και υδρολογικά δεδομένα''<br /> <br /> Επειδή οι υδρολογικές συνθήκες μεταβάλλονται, κυρίως λόγω της βροχόπτωσης, επιπλέον ελήφθησαν υπόψη οι πλημμύρες τις άνοιξης, καθώς επηρεάζουν την απορροή από τα ορυχεία και την συγκέντρωση των ρύπων (Σχήμα 5) <br /> <br /> [[Εικόνα: pk_a2_e3.png| thumb| right| Σχήμα 3: Φασματική υπογραφή των ρυπασμένων ποταμών, στα σημεία δειγματοληψίας]]<br /> <br /> [[Εικόνα: pk_a2_e4.png| thumb| right| Σχήμα 4: Ο συντελεστής συσχέτισης Spearman μεταξύ τιμών του AMWI και των σημείων δειγματοληψίας]]<br /> <br /> [[Εικόνα: pk_a2_e5.png| thumb| right| Σχήμα 5: Τα πλημμυρικά δεδομένα]]<br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> 4.1 Συσχέτιση μεταξύ τιμών AMWI και της συνολικής συγκέντρωσης σιδήρου στα επιφανειακά ύδατα.<br /> Έγινε σύγκριση των τιμών του AMWI και της συγκέντρωσης του σιδήρου στο νερό για την εκτίμηση του πόσο καλά αναγνώρισε ο δείκτης την ρύπανση από AMD (Σχήμα 6, 7).<br /> <br /> [[Εικόνα: pk_a2_e6.png| thumb| right| Σχήμα 6: Σύγκριση τιμών AMWI και Fetotal]]<br /> <br /> [[Εικόνα: pk_a2_e7.png| thumb| right| Σχήμα 7: Μεταβλητότητα της συγκέντρωσης Fetotal και τιμών AMWI]]<br /> <br /> ''4.2 Διαετήσια και εποχιακή μεταβλητότητα των AMWI και ρύπανσης του νερού.''<br /> <br /> Ο συντελεστής συσχέτισης Spearman υπολογίστηκε για την εκτίμηση της συγχρονικότητας της μεταβλητότητας του AMWI στους προς μελέτη ποταμούς (Σχήμα 4). Η μεταβλητότητα των τιμών AMWI για τα 4 δειγματοληπτικά σημεία φαίνονται παρακάτω (Σχήμα 8)<br /> <br /> [[Εικόνα: pk_a2_e8.png| thumb| right| Σχήμα 8: Μεταβλητότητα των τιμών AMWI και της παροχής νερού στους μετρητές νερού στις κοιλάδες των ποταμών]]<br /> <br /> ''4.3 Η εξέλιξη της ρύπανσης του νερού κατάντη των πηγών AMD ρύπανσης, σύμφωνα με δεδομένα Sentinel-2''<br /> <br /> Η ποσότητα της ρύπανσης μειώνεται ανάλογα με την απόσταση από την πηγή της, καθώς οι ρύποι καθιζάνουν και νερό αναμειγνύεται με καθαρό νερό από παραποτάμους. Στις εικόνες Sentinel-2 έγινε ανάλυση των επιφανειακών υδάτων για 3 περιόδους, όταν οι τιμές του ΑMWI ήταν υψηλές, μέτριες και χαμηλές. Ο δείκτης υπολογίστηκε ανά 10km και από την συμβολή των ρυπασμένων ποταμών Bol’shoi Kizel και Vil’va μέχρι τις εκβολές του ποταμού Yaiva (Σχήμα 9).<br /> <br /> [[Εικόνα: pk_a2_e9.png| thumb| right| Σχήμα 9: Εικόνα Sentinel-2 των ποταμών Vil’va και Yaiva (RGB φυσικά χρώματα) και μείωση του AMWI κατάντη των ποταμών για διαφορετικές ημερομηνίες]]<br /> <br /> '''5. Συζήτηση'''<br /> <br /> '''5.1 Περιορισμοί δεδομένων και μεθοδολογίας'''<br /> <br /> Οι εικόνες Sentinel-2 παρά τα πολλά πλεονεκτήματά του έχουν ένα σημαντικό μειονέκτημα και αυτό είναι η χωρική ανάλυση των καναλιών, που είναι σχετικά μικρή για τέτοιου είδους εφαρμογές. Ο δείκτης AMWI μπορεί να επηρεάζεται από ένυδρα οξείδια του σιδήρου τα οποία αιωρούνται και κυριαρχούν στο ολικό φορτίο του σιδήρου. Επιπλέον ο AMWI επηρεάζεται από το βάθος του ποταμού και από την ταχύτητα της ροής.<br /> <br /> ''5.2 Εποχικές αλλαγές έντασης του AMD και της ποτάμιας ρύπανσης''<br /> <br /> Παρατηρήθηκε μοτίβο στην μεταβλητότητα της ρύπανσης από AMD με τις μεταβολές των εποχών, με την μικρότερη να εμφανίστηκε σε ξηρές και ζεστές περιόδους και με την μεγαλύτεροι τις υγρές περιόδους.<br /> <br /> '''6. Συμπεράσματα'''<br /> <br /> Αποδείχθηκε πως παρά τα μειονεκτήματα οι δορυφορικές απεικονίσεις ήταν αποτελεσματικές στην αναγνώριση της ρύπανσης από AMD στα ποτάμια. Επιπλέον, εξακριβώθηκε η υψηλή στατιστική συσχέτιση της ολικής συγκέντρωσης σιδήρου, με τα φασματικά χαρακτηριστικά της επιφάνειας του νερού. Η μέθοδος αυτή είναι εφαρμόσιμη για σχετικά μεγάλα ποτάμια με πλάτη που ξεπερνούν τα 20m. Επιπροσθέτως ανακαλύφθηκε πως η συσχέτιση μεταξύ Fetotal και AMWI έχει σημασία μόνο σε ψευδο-ουδέτερα νερά.<br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a3_e6.PNG 2023-02-11T11:48:52Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a3_e5.PNG 2023-02-11T11:48:37Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a3_e4.PNG 2023-02-11T11:48:27Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a3_e3.PNG 2023-02-11T11:48:15Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a3_e2.PNG 2023-02-11T11:48:01Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a3_e1.PNG 2023-02-11T11:47:51Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e9.png 2023-02-11T11:41:43Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e8.png 2023-02-11T11:41:28Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e7.png 2023-02-11T11:41:03Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e6.png 2023-02-11T11:40:42Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e3.png 2023-02-11T11:39:47Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%AF%CE%B4%CF%81%CE%B1%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%8C%CE%BE%CE%B9%CE%BD%CE%B7%CF%82_%CE%B1%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BF%CF%81%CF%85%CF%87%CE%B5%CE%AF%CE%BF%CF%85_%CF%83%CF%84%CE%B1_%CE%B5%CF%80%CE%B9%CF%86%CE%B1%CE%BD%CE%B5%CE%B9%CE%B1%CE%BA%CE%AC_%CF%8D%CE%B4%CE%B1%CF%84%CE%B1_%CF%83%CF%84%CE%B7%CE%BD_%CE%BA%CE%BF%CE%B9%CE%BB%CE%AC%CE%B4%CE%B1_Kizel_coal_%CE%BC%CE%B5_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_Sentinel 2023-02-11T11:39:22Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div>'''Παρακολούθηση της επίδρασης της όξινης απορροής ορυχείου στα επιφανειακά ύδατα στην κοιλάδα Kizel coal με εικόνες Sentinel-2'''<br /> <br /> Monitoring Acid Mine Drainage’s Effects on Surface Water in the Kizel<br /> <br /> ''Συγγραφείς: Sergey V. Pyankov, Nikolay G. Maximovich, Elena A. Khayrulina, Olga A. Berezina, Andrey N. Shikhov, Rinat K. Abdullin''<br /> <br /> [https://www.researchgate.net/publication/349444438_Monitoring_Acid_Mine_Drainage%27s_Effects_on_Surface_Water_in_the_Kizel_Coal_Basin_with_Sentinel-2_Satellite_ImagesMonitoreo_de_los_efectos_del_drenaje_acido_de_las_minas_en_las_aguas_superficiales_de_l]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η ρύπανση των υδάτων από όξινες απορροές ορυχείων (AMD) είναι ένα από τα μεγαλύτερα περιβαλλοντικά προβλήματα που προκαλεί η εξορυκτική δραστηριότητα. Η τηλεπισκόπιση αποτελεί ένα σημαντικό εργαλείο για την παρακολούθηση του φαινόμενου αυτού. Τα AMD παρουσιάζουν υψηλότερη ανακλαστικότητα στο φάσμα 650-750nm από το νερό και τα ιζήματά του πυθμένα. Σχέση βρέθηκε μεταξύ των φασματικών χαρακτηριστικών και των μετρήσεων pH. Έχουν βρεθεί 2 κορυφές ανακλαστικότητας του νερού ρυπασμένο από AMD, ανάμεσσα στα 570-640nm και στα 700nm. Τα κανάλια στο red και red edge είναι κρίσιμα για την ανίχνευση αυτής της ρύπανσης στα νερά. Ιδιαίτερα χρήσιμοι για την ανίχνευση είναι οι δορυφόροι Sentinel-2 οι οποίοι έχουν τα κατάλληλα κανάλια, σε καλή χωρική ανάλυση, υψηλή συχνότητα λήψης δεδομένων.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η κοιλάδα Kizel coal (Σχήμα 1), εκτείνεται 100km παράλληλα στα Ουράλια Όρη, με εύκρατο υγρό κλίμα. Η μέση ετήσια θερμοκρασία κυμαίνεται από του 0-2 οC. Η έντονη εξόρυξη κατά τον 20ο αιώνα προκάλεσε έντονα περιβαλλοντικά προβλήματα. Μέχρι τον 21ο αιώνα όλα τα ορυχεία είχαν κλείσει, τα οποία εν συνεχεία γεμίστηκαν με νερό που προκάλεσε την ρύπανση από AMD. Σήμερα υπάρχουν 19 πηγές AMD. Από τη ρύπανση επηρεάζονται παραπόταμοι που καταλήγουν στον ταμιευτήρα Kama.<br /> <br /> [[Εικόνα: pk_a2_e1.png| thumb| right| Σχήμα 1: Η κοιλάδα Kizel, οι πυγές ρύπανσης και σημεία δειγματοληψίας επίγειων υδάτων]]<br /> <br /> <br /> [[Εικόνα: pk_a2_e2.png| thumb| right|Σχήμα 2: Ρύπανση ποταμών από AMD]]<br /> <br /> '''3. Δεδομένα και Μεθοδολογία'''<br /> <br /> ''3.1 Ολοκληρωμένη εικόνα των πηγών δεδομένων''<br /> <br /> Στην μελέτη αυτή χρησιμοποιήθηκαν διάφορες πηγές δεδομένων. Εικόνες Sentinel-2 δεδομένα από την UCSEM, επιτόπια δειγματοληψία επιφανειακών ρυπασμένων υδάτων και δεδομένα για τα καθιζήματα. Προβλήματα των εικόνων Sentinel είναι η συχνή νεφοκάλυψη της περιοχής μελέτης και οι συχνές βροχοπτώσεις καθώς προκαλούν θολότητα στο νερό αυξάνοντας την ανακλαστικότητά του στο κόκκινο κανάλι . Επίσης, υπάρχει μικρός αριθμός μετρήσεων της UCSEM.<br /> <br /> ''3.2 Δορυφορική εκτίμηση ρύπανσης επιφανειακών υδάτων από AMD''<br /> <br /> Λόγω της υψηλότερης ανακλαστηκότητας των ρυπασμένων υδάτων στο red και red edge από ότι στα άλλα κανάλια του ορατού, δημιουργήθηκαν και χρησιμοποιήθηκαν κατάλληλοι δείκτες:<br /> <br /> D_(S-2(AMD))=(D_560-D_664 )+(D_703-D_782)<br /> <br /> AMWI=(Red-Blue)/(Red+Blue)<br /> <br /> Οι δείκτες αυτοί ξεχωρίζουν όξινα νερά και σιδηρούχα καθιζήματα από καθαρά νερά και άλλα καθιζήματα.<br /> <br /> '''3.3 Επεξεργασία δορυφορικών δεδομένων'''<br /> <br /> Χρησιμοποιήθηκαν 34 εικόνες Sentinel-2 τους καλοκαιρινούς μήνες. Οι εικόνες υπέστησαν ατμοσφαιρική διόρθωση. Έπειτα υπολογίστηκε ο AMWI για περιοχές που περιλάμβαναν σημεία δειγματοληψίας, και για περιοχές με καθαρό νερό (Σχήμα 3). Για την εκτίμηση της συσχέτισης μεταξύ των τιμών του δείκτη και τις επίγειες μετρήσεις, υπολογίστηκε ο συντελεστής συσχέτισης Spearman ρ (Σχήμα 4)<br /> <br /> <br /> ''3.4 Μετεωρολογικά και υδρολογικά δεδομένα''<br /> <br /> Επειδή οι υδρολογικές συνθήκες μεταβάλλονται, κυρίως λόγω της βροχόπτωσης, επιπλέον ελήφθησαν υπόψη οι πλημμύρες τις άνοιξης, καθώς επηρεάζουν την απορροή από τα ορυχεία και την συγκέντρωση των ρύπων (Σχήμα 5) <br /> <br /> [[Εικόνα: pk_a2_e3.png| thumb| right| Σχήμα 3: Φασματική υπογραφή των ρυπασμένων ποταμών, στα σημεία δειγματοληψίας]]<br /> <br /> [[Εικόνα: pk_a2_e4.png| thumb| right| Σχήμα 4: Ο συντελεστής συσχέτισης Spearman μεταξύ τιμών του AMWI και των σημείων δειγματοληψίας]]<br /> <br /> [[Εικόνα: pk_a2_e5.png| thumb| right| Σχήμα 5: Τα πλημμυρικά δεδομένα]]<br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> 4.1 Συσχέτιση μεταξύ τιμών AMWI και της συνολικής συγκέντρωσης σιδήρου στα επιφανειακά ύδατα.<br /> Έγινε σύγκριση των τιμών του AMWI και της συγκέντρωσης του σιδήρου στο νερό για την εκτίμηση του πόσο καλά αναγνώρισε ο δείκτης την ρύπανση από AMD (Σχήμα 6, 7).<br /> <br /> [[Εικόνα: pk_a2_e6.png| thumb| right| Σχήμα 6: Σύγκριση τιμών AMWI και Fetotal]]<br /> <br /> [[Εικόνα: pk_a2_e7.png| thumb| right| Σχήμα 7: Μεταβλητότητα της συγκέντρωσης Fetotal και τιμών AMWI]]<br /> <br /> ''4.2 Διαετήσια και εποχιακή μεταβλητότητα των AMWI και ρύπανσης του νερού.''<br /> <br /> Ο συντελεστής συσχέτισης Spearman υπολογίστηκε για την εκτίμηση της συγχρονικότητας της μεταβλητότητας του AMWI στους προς μελέτη ποταμούς (Σχήμα 4). Η μεταβλητότητα των τιμών AMWI για τα 4 δειγματοληπτικά σημεία φαίνονται παρακάτω (Σχήμα 8)<br /> <br /> [[Εικόνα: pk_a2_e8.png| thumb| right| Σχήμα 8: Μεταβλητότητα των τιμών AMWI και της παροχής νερού στους μετρητές νερού στις κοιλάδες των ποταμών]]<br /> <br /> ''4.3 Η εξέλιξη της ρύπανσης του νερού κατάντη των πηγών AMD ρύπανσης, σύμφωνα με δεδομένα Sentinel-2''<br /> <br /> Η ποσότητα της ρύπανσης μειώνεται ανάλογα με την απόσταση από την πηγή της, καθώς οι ρύποι καθιζάνουν και νερό αναμειγνύεται με καθαρό νερό από παραποτάμους. Στις εικόνες Sentinel-2 έγινε ανάλυση των επιφανειακών υδάτων για 3 περιόδους, όταν οι τιμές του ΑMWI ήταν υψηλές, μέτριες και χαμηλές. Ο δείκτης υπολογίστηκε ανά 10km και από την συμβολή των ρυπασμένων ποταμών Bol’shoi Kizel και Vil’va μέχρι τις εκβολές του ποταμού Yaiva (Σχήμα 9).<br /> <br /> [[Εικόνα: pk_a2_e9.png| thumb| right| Σχήμα 9: Εικόνα Sentinel-2 των ποταμών Vil’va και Yaiva (RGB φυσικά χρώματα) και μείωση του AMWI κατάντη των ποταμών για διαφορετικές ημερομηνίες]]<br /> <br /> '''5. Συζήτηση'''<br /> <br /> '''5.1 Περιορισμοί δεδομένων και μεθοδολογίας'''<br /> <br /> Οι εικόνες Sentinel-2 παρά τα πολλά πλεονεκτήματά του έχουν ένα σημαντικό μειονέκτημα και αυτό είναι η χωρική ανάλυση των καναλιών, που είναι σχετικά μικρή για τέτοιου είδους εφαρμογές. Ο δείκτης AMWI μπορεί να επηρεάζεται από ένυδρα οξείδια του σιδήρου τα οποία αιωρούνται και κυριαρχούν στο ολικό φορτίο του σιδήρου. Επιπλέον ο AMWI επηρεάζεται από το βάθος του ποταμού και από την ταχύτητα της ροής.<br /> <br /> ''5.2 Εποχικές αλλαγές έντασης του AMD και της ποτάμιας ρύπανσης''<br /> <br /> Παρατηρήθηκε μοτίβο στην μεταβλητότητα της ρύπανσης από AMD με τις μεταβολές των εποχών, με την μικρότερη να εμφανίστηκε σε ξηρές και ζεστές περιόδους και με την μεγαλύτεροι τις υγρές περιόδους.<br /> <br /> '''6. Συμπεράσματα'''<br /> <br /> Αποδείχθηκε πως παρά τα μειονεκτήματα οι δορυφορικές απεικονίσεις ήταν αποτελεσματικές στην αναγνώριση της ρύπανσης από AMD στα ποτάμια. Επιπλέον, εξακριβώθηκε η υψηλή στατιστική συσχέτιση της ολικής συγκέντρωσης σιδήρου, με τα φασματικά χαρακτηριστικά της επιφάνειας του νερού. Η μέθοδος αυτή είναι εφαρμόσιμη για σχετικά μεγάλα ποτάμια με πλάτη που ξεπερνούν τα 20m. Επιπροσθέτως ανακαλύφθηκε πως η συσχέτιση μεταξύ Fetotal και AMWI έχει σημασία μόνο σε ψευδο-ουδέτερα νερά.</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%AF%CE%B4%CF%81%CE%B1%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%8C%CE%BE%CE%B9%CE%BD%CE%B7%CF%82_%CE%B1%CF%80%CE%BF%CF%81%CF%81%CE%BF%CE%AE%CF%82_%CE%BF%CF%81%CF%85%CF%87%CE%B5%CE%AF%CE%BF%CF%85_%CF%83%CF%84%CE%B1_%CE%B5%CF%80%CE%B9%CF%86%CE%B1%CE%BD%CE%B5%CE%B9%CE%B1%CE%BA%CE%AC_%CF%8D%CE%B4%CE%B1%CF%84%CE%B1_%CF%83%CF%84%CE%B7%CE%BD_%CE%BA%CE%BF%CE%B9%CE%BB%CE%AC%CE%B4%CE%B1_Kizel_coal_%CE%BC%CE%B5_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_Sentinel 2023-02-11T11:39:03Z

<p>Παναγιώτης Κακριδώνης: Νέα σελίδα με ''''Παρακολούθηση της επίδρασης της όξινης απορροής ορυχείου στα επιφανειακά ύδατα στην κοιλά...'</p> <hr /> <div>'''Παρακολούθηση της επίδρασης της όξινης απορροής ορυχείου στα επιφανειακά ύδατα στην κοιλάδα Kizel coal με εικόνες Sentinel-2'''<br /> <br /> Monitoring Acid Mine Drainage’s Effects on Surface Water in the Kizel<br /> <br /> ''Συγγραφείς: Sergey V. Pyankov, Nikolay G. Maximovich, Elena A. Khayrulina, Olga A. Berezina, Andrey N. Shikhov, Rinat K. Abdullin''<br /> <br /> [https://www.researchgate.net/publication/349444438_Monitoring_Acid_Mine_Drainage%27s_Effects_on_Surface_Water_in_the_Kizel_Coal_Basin_with_Sentinel-2_Satellite_ImagesMonitoreo_de_los_efectos_del_drenaje_acido_de_las_minas_en_las_aguas_superficiales_de_l]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Η ρύπανση των υδάτων από όξινες απορροές ορυχείων (AMD) είναι ένα από τα μεγαλύτερα περιβαλλοντικά προβλήματα που προκαλεί η εξορυκτική δραστηριότητα. Η τηλεπισκόπιση αποτελεί ένα σημαντικό εργαλείο για την παρακολούθηση του φαινόμενου αυτού. Τα AMD παρουσιάζουν υψηλότερη ανακλαστικότητα στο φάσμα 650-750nm από το νερό και τα ιζήματά του πυθμένα. Σχέση βρέθηκε μεταξύ των φασματικών χαρακτηριστικών και των μετρήσεων pH. Έχουν βρεθεί 2 κορυφές ανακλαστικότητας του νερού ρυπασμένο από AMD, ανάμεσσα στα 570-640nm και στα 700nm. Τα κανάλια στο red και red edge είναι κρίσιμα για την ανίχνευση αυτής της ρύπανσης στα νερά. Ιδιαίτερα χρήσιμοι για την ανίχνευση είναι οι δορυφόροι Sentinel-2 οι οποίοι έχουν τα κατάλληλα κανάλια, σε καλή χωρική ανάλυση, υψηλή συχνότητα λήψης δεδομένων.<br /> <br /> '''2. Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης είναι η κοιλάδα Kizel coal (Σχήμα 1), εκτείνεται 100km παράλληλα στα Ουράλια Όρη, με εύκρατο υγρό κλίμα. Η μέση ετήσια θερμοκρασία κυμαίνεται από του 0-2 οC. Η έντονη εξόρυξη κατά τον 20ο αιώνα προκάλεσε έντονα περιβαλλοντικά προβλήματα. Μέχρι τον 21ο αιώνα όλα τα ορυχεία είχαν κλείσει, τα οποία εν συνεχεία γεμίστηκαν με νερό που προκάλεσε την ρύπανση από AMD. Σήμερα υπάρχουν 19 πηγές AMD. Από τη ρύπανση επηρεάζονται παραπόταμοι που καταλήγουν στον ταμιευτήρα Kama.<br /> <br /> [[Εικόνα: pk_a2_e1.png| thumb| right| Σχήμα 1: Η κοιλάδα Kizel, οι πυγές ρύπανσης και σημεία δειγματοληψίας επίγειων υδάτων]]<br /> <br /> <br /> [[Εικόνα: pk_a2_e2.png| thumb| right|Σχήμα 2: Ρύπανση ποταμών από AMD]]<br /> <br /> '''3. Δεδομένα και Μεθοδολογία'''<br /> <br /> ''3.1 Ολοκληρωμένη εικόνα των πηγών δεδομένων''<br /> <br /> Στην μελέτη αυτή χρησιμοποιήθηκαν διάφορες πηγές δεδομένων. Εικόνες Sentinel-2 δεδομένα από την UCSEM, επιτόπια δειγματοληψία επιφανειακών ρυπασμένων υδάτων και δεδομένα για τα καθιζήματα. Προβλήματα των εικόνων Sentinel είναι η συχνή νεφοκάλυψη της περιοχής μελέτης και οι συχνές βροχοπτώσεις καθώς προκαλούν θολότητα στο νερό αυξάνοντας την ανακλαστικότητά του στο κόκκινο κανάλι . Επίσης, υπάρχει μικρός αριθμός μετρήσεων της UCSEM.<br /> <br /> ''3.2 Δορυφορική εκτίμηση ρύπανσης επιφανειακών υδάτων από AMD''<br /> <br /> Λόγω της υψηλότερης ανακλαστηκότητας των ρυπασμένων υδάτων στο red και red edge από ότι στα άλλα κανάλια του ορατού, δημιουργήθηκαν και χρησιμοποιήθηκαν κατάλληλοι δείκτες:<br /> <br /> D_(S-2(AMD))=(D_560-D_664 )+(D_703-D_782)<br /> <br /> AMWI=(Red-Blue)/(Red+Blue)<br /> <br /> Οι δείκτες αυτοί ξεχωρίζουν όξινα νερά και σιδηρούχα καθιζήματα από καθαρά νερά και άλλα καθιζήματα.<br /> <br /> '''3.3 Επεξεργασία δορυφορικών δεδομένων'''<br /> <br /> Χρησιμοποιήθηκαν 34 εικόνες Sentinel-2 τους καλοκαιρινούς μήνες. Οι εικόνες υπέστησαν ατμοσφαιρική διόρθωση. Έπειτα υπολογίστηκε ο AMWI για περιοχές που περιλάμβαναν σημεία δειγματοληψίας, και για περιοχές με καθαρό νερό (Σχήμα 3). Για την εκτίμηση της συσχέτισης μεταξύ των τιμών του δείκτη και τις επίγειες μετρήσεις, υπολογίστηκε ο συντελεστής συσχέτισης Spearman ρ (Σχήμα 4)<br /> <br /> <br /> ''3.4 Μετεωρολογικά και υδρολογικά δεδομένα''<br /> <br /> Επειδή οι υδρολογικές συνθήκες μεταβάλλονται, κυρίως λόγω της βροχόπτωσης, επιπλέον ελήφθησαν υπόψη οι πλημμύρες τις άνοιξης, καθώς επηρεάζουν την απορροή από τα ορυχεία και την συγκέντρωση των ρύπων (Σχήμα 5) <br /> <br /> [[Εικόνα: pk_a2_e3.png| thumb| right| Σχήμα 3: Φασματική υπογραφή των ρυπασμένων ποταμών, στα σημεία δειγματοληψίας]]<br /> <br /> [[Εικόνα: pk_a2_e4.png| thumb| right| Σχήμα 4: Ο συντελεστής συσχέτισης Spearman μεταξύ τιμών του AMWI και των σημείων δειγματοληψίας]]<br /> <br /> [[Εικόνα: pk_a2_e5.png| thumb| right| Σχήμα 5: Τα πλημμυρικά δεδομένα]]<br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> 4.1 Συσχέτιση μεταξύ τιμών AMWI και της συνολικής συγκέντρωσης σιδήρου στα επιφανειακά ύδατα.<br /> Έγινε σύγκριση των τιμών του AMWI και της συγκέντρωσης του σιδήρου στο νερό για την εκτίμηση του πόσο καλά αναγνώρισε ο δείκτης την ρύπανση από AMD (Σχήμα 6, 7).<br /> <br /> [[Εικόνα: pk_a2_e6.png| thumb| right| Σχήμα 6: Σύγκριση τιμών AMWI και Fetotal]]<br /> <br /> [[Εικόνα: pk_a2_e7.png| thumb| right| Σχήμα 7: Μεταβλητότητα της συγκέντρωσης Fetotal και τιμών AMWI]]<br /> <br /> ''4.2 Διαετήσια και εποχιακή μεταβλητότητα των AMWI και ρύπανσης του νερού.''<br /> <br /> Ο συντελεστής συσχέτισης Spearman υπολογίστηκε για την εκτίμηση της συγχρονικότητας της μεταβλητότητας του AMWI στους προς μελέτη ποταμούς (Σχήμα 4). Η μεταβλητότητα των τιμών AMWI για τα 4 δειγματοληπτικά σημεία φαίνονται παρακάτω (Σχήμα 8)<br /> <br /> [[Εικόνα: pk_a2_e8.png| thumb| right| Σχήμα 8: Μεταβλητότητα των τιμών AMWI και της παροχής νερού στους μετρητές νερού στις κοιλάδες των ποταμών]]<br /> <br /> ''4.3 Η εξέλιξη της ρύπανσης του νερού κατάντη των πηγών AMD ρύπανσης, σύμφωνα με δεδομένα Sentinel-2''<br /> <br /> Η ποσότητα της ρύπανσης μειώνεται ανάλογα με την απόσταση από την πηγή της, καθώς οι ρύποι καθιζάνουν και νερό αναμειγνύεται με καθαρό νερό από παραποτάμους. Στις εικόνες Sentinel-2 έγινε ανάλυση των επιφανειακών υδάτων για 3 περιόδους, όταν οι τιμές του ΑMWI ήταν υψηλές, μέτριες και χαμηλές. Ο δείκτης υπολογίστηκε ανά 10km και από την συμβολή των ρυπασμένων ποταμών Bol’shoi Kizel και Vil’va μέχρι τις εκβολές του ποταμού Yaiva (Σχήμα 9).<br /> <br /> [[Εικόνα: pk_a2_e9.png| thumb| right| Σχήμα 9: Εικόνα Sentinel-2 των ποταμών Vil’va και Yaiva (RGB φυσικά χρώματα) και μείωση του AMWI κατάντη των ποταμών για διαφορετικές ημερομηνίες]]<br /> <br /> '''5. Συζήτηση'''<br /> <br /> '''5.1 Περιορισμοί δεδομένων και μεθοδολογίας'''<br /> <br /> Οι εικόνες Sentinel-2 παρά τα πολλά πλεονεκτήματά του έχουν ένα σημαντικό μειονέκτημα και αυτό είναι η χωρική ανάλυση των καναλιών, που είναι σχετικά μικρή για τέτοιου είδους εφαρμογές. Ο δείκτης AMWI μπορεί να επηρεάζεται από ένυδρα οξείδια του σιδήρου τα οποία αιωρούνται και κυριαρχούν στο ολικό φορτίο του σιδήρου. Επιπλέον ο AMWI επηρεάζεται από το βάθος του ποταμού και από την ταχύτητα της ροής.<br /> <br /> ''5.2 Εποχικές αλλαγές έντασης του AMD και της ποτάμιας ρύπανσης''<br /> <br /> Παρατηρήθηκε μοτίβο στην μεταβλητότητα της ρύπανσης από AMD με τις μεταβολές των εποχών, με την μικρότερη να εμφανίστηκε σε ξηρές και ζεστές περιόδους και με την μεγαλύτεροι τις υγρές περιόδους.<br /> <br /> '''6. Συμπεράσματα'''<br /> <br /> Αποδείχθηκε πως παρά τα μειονεκτήματα οι δορυφορικές απεικονίσεις ήταν αποτελεσματικές στην αναγνώριση της ρύπανσης από AMD στα ποτάμια. Επιπλέον, εξακριβώθηκε η υψηλή στατιστική συσχέτιση της ολικής συγκέντρωσης σιδήρου, με τα φασματικά χαρακτηριστικά της επιφάνειας του νερού. Η μέθοδος αυτή είναι εφαρμόσιμη για σχετικά μεγάλα ποτάμια με πλάτη που ξεπερνούν τα 20m. Επιπροσθέτως ανακαλύφθηκε πως η συσχέτιση μεταξύ Fetotal και AMWI έχει σημασία μόνο σε ψευδο-ουδέτερα νερά.</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e5.png 2023-02-11T11:34:50Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e3.PNG 2023-02-11T11:28:57Z

<p>Παναγιώτης Κακριδώνης: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Pk a2 e3.PNG&amp;quot;</p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e9.PNG 2023-02-11T11:15:47Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e8.PNG 2023-02-11T11:15:37Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e7.PNG 2023-02-11T11:15:27Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e6.PNG 2023-02-11T11:15:18Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e5.PNG 2023-02-11T11:15:08Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e3.PNG 2023-02-11T11:15:01Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e2.png 2023-02-11T11:14:50Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e1.png 2023-02-11T11:14:41Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_a2_e4.png 2023-02-11T11:12:25Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%BD%CE%B7%CF%83%CE%AF%CE%B4%CF%89%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CF%81%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CE%9C%CF%8C%CF%83%CF%87%CE%B1,_%CE%A1%CF%89%CF%83%CE%AF%CE%B1 2023-02-11T11:01:48Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div>'''Προσδιορισμός νησίδων αστικής ρύπανσης με τηλεπισκόπηση στην Μόσχα, Ρωσία'''<br /> <br /> Determination of urban pollution islands by using remote sensing technology in Moscow, Russia<br /> <br /> ''Συγγραφείς: Natalia Bakaeva, Minh Tuan Le''<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S1574954121002843]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Μια αστική νησίδα θερμότητας είναι η αλλαγή στην θερμική ισορροπία των πόλεων, συγκριτικά με τις επαρχιακές περιοχές, που προκαλείται από την ανθρώπινη δραστηριότητα. Μια νησίδα αστικής ρύπανσης ορίζεται ως η αλλαγή στην συγκέντρωση ρύπων που οφείλεται στην αστική δραστηριότητα. Οι αστικές νησίδες θερμότητας και η αστική ρύπανση συνυπάρχουν καθώς η μία προκαλεί την άλλη. <br /> <br /> Οι ρύποι τύπου αεροζόλ που θεωρούνται οι πιο βλαβεροί για τον άνθρωπο. Αεροζόλ είναι το σύνολο των σωματιδίων που έχουν διάμετρο από 0.05μm ως 15μm, από αυτά εκείνα με διάμετρο &lt;2.5μm (PM2.5)θεωρούνται τα πιο βλαβερά για τον άνθρωπο. Για την ανίχνευση χρησιμοποιήθηκαν μετρήσεις από μετεωρολογικούς σταθμούς και δορυφορικές εικόνες. Κάθε pixel της εικόνας λειτουργεί ως σταθμός παρακολούθησης. Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν είχαν ληφθεί από Landsat 8 OLI.<br /> <br /> '''2. Περιοχή Μελέτης'''<br /> <br /> Ως περιοχή μελέτης επιλέχθηκε η Μόσχα (Σχήμα 1). Βρίσκεται σε υψόμετρο 180m από την επιφάνεια της θάλασσας, χαρακτηρίζεται από υγρό εύκρατο ηπειρωτικό κλίμα με ξεκάθαρη εποχικότητα. Η έκταση της πόλεις εκτείνεται στα 2561km2, με πληθυσμό 12.7 εκατομμύρια.<br /> <br /> <br /> [[Εικόνα:pk_p1_e1.png | thumb| right| '''Σχήμα 1: Το σχήμα και η διοικητική διαίρεση της Μόσχας και οι θέσεις των μετεωρολογικών σταθμών που παρείχαν δεδομένα για την μελέτη''']]<br /> <br /> ''2.1. Περιγραφή της φύσης της εικόνας που λήφθηκε από τον Landsat 8 στην Μόσχα''<br /> <br /> Χρησιμοποιήθηκαν εικόνες Landsat 8 OLI η οποίες είχαν ληφθεί τον Ιούνιο του 2019 και τον Δεκέμβρη του 2020 (Σχήμα 3) .<br /> <br /> ''2.2 Δεδομένα για την συγκέντρωση των σωματιδίων PM2.5 που καταγράφτηκαν από μετεωρολογικούς σταθμούς''<br /> <br /> 2.2.1 Περιγραφή των συσκευών που χρησιμοποιήθηκαν για την μέτρηση των PM2.5<br /> <br /> Η μέτρηση της συγκέντρωσης γίνεται με αναλυτές σκόνης, οι οποίοι βασίζονται σε μικροϊσορροπία, ραδιοισότοπα και νεφελομετρικά, κάθε ένα από αυτά έχει πλεονεκτήματα και μειωνεκτήματα. Στην συγκεκριμένη μελέτη χρησιμοποιήθηκαν αναλυτές σκόνης που χρησιμοποιούν νεφελομετρική μέθοδο (Σχήμα 2).<br /> <br /> [[Εικόνα:pk_p1_e2.png | thumb| center| '''Σχήμα 2: Μετρητής σκόνης CityAir που χρησιμοποιήθηκε στην μελέτη''']]<br /> <br /> Μετρητές σκόνης που χρησιμοποιούν την νεφελομετρική μέθοδο βασίζονται στην ένταση μιας μονοχρωματικής δέσμης φωτός που σκεδάζεται σε γωνία 90ο στο μέγεθος και συγκέντρωση των σωματιδίων.<br /> <br /> 2.2.2 Πραγματικά δεδομένα συγκέντρωσης των σωματιδίων PM2.5 καταγεγραμμένα από του μετεωρολογικούς σταθμούς<br /> <br /> Τα δεδομένα συγκέντρωσης των σωματιδίων PM2.5 από τους σταθμούς καταγράφτηκαν το 2019 και το 2020 (Σχήμα 4) <br /> <br /> [[Εικόνα:pk_p1_e3.png | thumb| right| '''Σχήμα 3: Πίνακες παραμέτρων εικόνων Landsat 8 OLI''']]<br /> <br /> <br /> [[Εικόνα:pk_p1_e4.png | thumb| right| '''Σχήμα 4: Δεδομένα για τα PM2.5 από τους μετεωρολογικούς σταθμούς''']]<br /> <br /> '''3. Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε είχε τα εξής στάδια: συλλογή δεδομένων, προ επεξεργασία εικόνων, επεξεργασία δεδομένων, επιλογή μοντέλου, έλεγχος και αποτελέσματα.<br /> <br /> ''3.1 Προ επεξεργασία εικόνων''<br /> <br /> Μετατροπή των αριθμητικών τιμών σε φασματικά μήκη κύματος ή φασματική ανακλαστηκότητα με πολλά επίπεδα διόρθωσης της ακτινοβολίας.<br /> <br /> ''3.2 Μετατροπή αριθμητικών τιμών σε φασματική ακτινοβολία στην κορυφή της ατμόσφαιρας (ΤΟΑ).''<br /> <br /> Η μετατροπή των τιμών έγινε με την εξής σχέση:<br /> <br /> L_λ=M_L×Q_cal+ A_L (1) <br /> <br /> ''3.3 Μετατροπή αριθμητικών τιμών σε ανακλαστηκότητα στο πάνω μέρος της ατμόσφαιρας.''<br /> Η μετατροπή αυτή έγινε με τη σχέση<br /> <br /> ρλ΄=Μ_ρ×Q_cal+ A_ρ (2)<br /> <br /> ''3.4 ΤΟΑ ανακλαστικότητα στα ψηλότερα τμήματα της ατμόσφαιρας λαμβάνοντας υπόψη τη γωνία του ήλιου''<br /> <br /> ρ_λ= (ρλ΄)/(cos⁡(θ_SZ))=(ρλ΄)/(sin⁡(θ_SE)) (3) <br /> <br /> ''3.5 Ατμοσφαιρική διόρθωση''<br /> <br /> Στις εικόνες Landsat OLI η ανακλαστικότητα από το έδαφος υπολογίζεται με την εξής σχέση:<br /> <br /> ρ=(π×(L_λ-L_P)×d^2)/(T_v×((〖ESUN〗_λ×cos⁡(θ_SZ )×T_Z )+E_down)) (4) <br /> <br /> Για την ατμοσφαιρική διόρθωση χρησιμοποιήθηκε η μέθοδος αφαίρεσης DOS και καθορισμού της ακτινοβολίας της γραμμής μετάδοσης. Η μέθοδος αυτή είναι απλή και ιδιαίτερα αποτελεσματική στην διόρθωση της ατμοσφαιρικής επίδρασης. Για της εικόνες Landsat 8 OLI χρησιμοποιείται η εξής σχέση:<br /> <br /> L_P=L_min-0.01×(T_v×(ESUN×cos⁡(θ_SZ )×T_Z )+E_down)/(π×d^2 ) (5) <br /> <br /> Η μέθοδος DOS στηρίζεται στις παραμέτρους TV, TZ, και Edown. Επιπλέον χωρίζεται σε διάφορους τύπους (DOS1, DOS2, DOS3, DOS4). Στην μελέτη αυτή χρησιμοποιήθηκε ο DOS1 και οι παράμετροι καθορίστηκαν TV=1, TZ=1, Edown=0. Η σχέση υπολογισμού της ακτινοβολίας της γραμμής μετάδοσης είναι:<br /> <br /> L_P=L_min-0.01×(〖ESUN〗_λ×cos⁡(θ_SZ))/(π×d^2 ) (6) <br /> <br /> Η ανακλαστηκότητα της επιφάνειας υπολογίστηκε με την εξής σχέση:<br /> <br /> ρ=(π×(L_λ-L_P)×d^2)/(〖ESUN〗_λ×cos⁡(θ_SZ)) (7) <br /> <br /> ‘’3.6 Προετοιμασία της τιμής της ανακλαστικότητας της ατμόσφαιρας’’<br /> <br /> Η ανακλαστικότητα στην κορυφή της ατμόσφαιρας ισούται με το άθροισμα της ανακλαστικότητας της γήινης επιφάνειας και της ατμόσφαιρας, έτσι ο συντελεστής ανακλαστικότητας της ατμόσφαιρας υπολογίζεται με την σχέση:<br /> <br /> R_atm=ρλ-ρ (8) <br /> <br /> Η συσχέτιση ανάμεσα στο πάχος του στρώματος των αεροζολ (AOT) και της περιεκτικότητας του σε PM2.5. Η ηλιακή ακτινοβολία εισέρχεται στο στρώμα των αεροζόλ, ανακλάται μερικώς και φτάνει στον δέκτη. Κομμάτι των ακτινών του Ήλιου χτυπούν ένα αντικείμενο στη Γη και ανακλώνται στον δέκτη. Βάσει της απώλειας ενέργειας που καταγράφει ο δέκτης λόγω της απορρόφησης και της σκέδασης από τα μόρια των αέριων ρύπων και σωματιδίων σκόνης, υπολογίζεται η σύσταση της σκόνης.<br /> <br /> Υπολογίζεται η ανακλαστικότητα στο TOA και η ανακλαστικότητα από την επιφάνεια της Γης, βάσει αυτών υπολογίζεται ο συντελεστής ανακλαστικότητας της ατμόσφαιρας. Το οπτικό πάχος του στρώματος του αεροζόλ υπολογίζεται από την εξής σχέση:<br /> <br /> ΑΟΤ(λ)=α_0 R(λ) (9) <br /> <br /> Η σχέση (8) γράφεται ως εξής:<br /> <br /> ΑΟΤ(λ)=α_0 R_λ1+α_j R_λ2+α_2 R_λ3+⋯ (10) <br /> <br /> Η σύνδεση μεταξύ των PM και ΑΟΤ γίνεται από ένα ομοιογενές επίπεδο που εμπεριέχει σφαιρικά σωματίδια. Η συγκέντρωση των σωματιδίων στην επιφάνεια λαμβάνεται με τη ξήρανση του δείγματος αέρα.<br /> <br /> 〖PM〗_x=4/3 πρ∫_0^(χ/2)▒〖r^3 n(r)dr〗 (11) <br /> <br /> <br /> Βρέθηκε πως τα περιεχόμενα PM συσχετίζονται καλύτερα με το ΑΟΤ. Αντικαθιστώντας το ΑΟΤ με το ΡΜ2.5 στη σχέση (9), προκύπτει η σχέση (11), και ο αλγόριθμος για το κανάλι της εικόνας ή το μήκος κύματος, ΡΜ2.5, απλοποιείται από τη σχέση:<br /> <br /> ΡΜ2.5= α_0 R_λ1+α_j R_λ2+α_2 R_λ3+⋯ (12)<br /> <br /> ''3.7 Προσδιορισμός του σφάλματος''<br /> <br /> Υπολογίζεται από την εξής σχέση:<br /> <br /> RMSE=√(∑▒(P_calculation-P_measurement ) ^2/N) (13) <br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> Βάσει της σχέσης (12), έρευνα, ανάλυση συσχέτισης, και ανάλυση παλινδρόμησης των PM2.5, υλοποιήθηκαν μοντέλα υπολογισμού με εικόνες Landsat 8 OLI που ελήφθησαν τον Ιούνιο του 2019.<br /> Συνδυάστηκαν τα δεδομένα από τις εικόνες με τα επίγεια δεδομένα για τον υπολογισμό του συντελεστή της εξίσωσης γραμμικής παλινδρόμησης (Σχήμα 5). Επιπλέον, γραμμική ανάλυση παλινδρόμησης εφαρμόστηκε στις επίγειες μετρήσεις (Σχήμα 4). Η τιμή του συντελεστή ατμοσφαιρικής ανακλαστκότητας Ri είναι ανεξάρτητη μεταβλητή ενώ η συγκέντρωση ΡΜ2.5 που μετρήθηκε στους επίγειους σταθμούς είναι η εξαρτημένη μεταβλητή. Τα αποτελέσματα παρουσιάζονται στο παρακάτω (Σχήμα 6). Όταν χρησιμοποιούνται ανεξάρτητα κανάλια ο συντελεστής R είναι πολύ μικρός. Οι μέγιστες τιμές του συντελεστή παρουσιάζονται όταν συνδυάζονται 4 κανάλια. Για το 2019 R= 0.9143 και R2= 0.8361. Για το 2020 R=0.9889 και R2=0.9779.<br /> <br /> [[Εικόνα:pk_p1_e5.png | thumb| rightt| '''Σχήμα 5: Μοντέλο παλινδρόμησης και ανάλυσης συσχέτισης''']]<br /> <br /> <br /> [[Εικόνα:pk_p1_e6.png | thumb| right| '''Σχήμα 6: Αποτελέσματα ανάλυσης συσχέτισης και παλινδρόμησης''']]<br /> <br /> Επισημαίνεται πως η πιθανότητα σημασίας (Σχ. 7) δεν θα πρέπει να είναι παραπάνω από 0.05, για να θεωρηθεί το μοντέλο σημαντικό. Η σχέση που χρησιμοποιείται για την χαρτογράφηση του ΡΜ2.5 είναι:<br /> <br /> 〖ΡΜ〗_2.5=-0.0496-0.20733R_1+0.13929R_2+0.08063R_3-0.0572R_4 (14)<br /> <br /> 〖ΡΜ〗_2.5=-0.3143R_1+0.3539R_2+0.15012R_3-0.1973R_4 (15)<br /> <br /> [[Εικόνα:pk_p1_e7.png | thumb| right| '''Σχήμα 7: Πίνακες ANOVA''']]<br /> <br /> Βάσει των εξισώσεων (14) και (15) δημιουργήθηκαν χάρτες για τις εικόνες του Ιουνίου 2019 και Δεκεμβρίου 2020 αντίστοιχα (Σχήμα 8, Σχήμα 9).<br /> <br /> <br /> [[Εικόνα:pk_p1_e8.png | thumb| right| '''Σχήμα 8: Χάρτης Ιουνίου 2019''']]<br /> [[Εικόνα:pk_p1_e9.png | thumb| right| '''Σχήμα 9: Χάρτης Δεκεμβρίου''']]<br /> <br /> '''5. Συζήτηση'''<br /> <br /> ''5.1 Η σχέση μεταξύ νησίδων αστικής θερμότητας και νησίδων αστικής ρύπανσης''<br /> <br /> Η πιθανότητα εμφάνισης νησίδων αυξάνεται όσο πλησιέστερα στο κέντρο της πόλης. Οι νησίδες επηρεάζουν τις κλιματολογικές συνθήκες. Σε μερικές περιπτώσεις η θετική συσχέτιση μεταξύ των 2 μπορεί να αναστραφεί. Επιπλέον παρατηρούνται διαφορές από μέρα σε νύχτα.<br /> <br /> ''5.2 Μελλοντική έρευνα''<br /> <br /> Για μελλοντικές έρευνες θα μπορούσαν να επεκταθούν οι επίγειοι δέκτες για την βελτίωση της ακρίβειας του μοντέλου. Επιπλέον περαιτέρω έρευνα θα μπορούσε να περιλαμβάνει την σύνδεση των αποτελεσμάτων του καθορισμού των σημείων ρύπανσης και υψηλής θερμοκρασίας βάσει μοντέλα προσομοίωσης μικροκλίματος. Έτσι δίνεται ιδιαίτερη προσοχή στις νησίδες ζέστης στην πόλη που επηρεάζουν την κατανομή λεπτόκοκκων σωματιδίων στην πόλη, δίνοντας ταυτόχρονη λύση στην μείωση των νησίδων υψηλής θερμοκρασίας και ρύπανσης.<br /> <br /> '''6. Συμπεράσματα'''<br /> <br /> Η μέθοδος μπορεί να χρησιμοποιηθεί με διάφορους συντελεστές για την αύξηση της ακρίβειας της δορυφορικής εικόνας σε συνδυασμό με δεδομένα για την συγκέντρωση των ρύπων από επίγειες μετρήσεις. Οι ζώνες ρύπανσης παρατηρήθηκαν στο κέντρο της πόλης, στα βόρεια και μειώνονται στα νοτιοδυτικά.<br /> <br /> [[category: Ατμοσφαιρική Ρύπανση]]</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C%CF%82_%CE%BD%CE%B7%CF%83%CE%AF%CE%B4%CF%89%CE%BD_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CF%81%CF%8D%CF%80%CE%B1%CE%BD%CF%83%CE%B7%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CE%9C%CF%8C%CF%83%CF%87%CE%B1,_%CE%A1%CF%89%CF%83%CE%AF%CE%B1 2023-02-11T11:00:03Z

<p>Παναγιώτης Κακριδώνης: Νέα σελίδα με ''''Προσδιορισμός νησίδων αστικής ρύπανσης με τηλεπισκόπηση στην Μόσχα, Ρωσία''' Determination of urban pol...'</p> <hr /> <div>'''Προσδιορισμός νησίδων αστικής ρύπανσης με τηλεπισκόπηση στην Μόσχα, Ρωσία'''<br /> <br /> Determination of urban pollution islands by using remote sensing technology in Moscow, Russia<br /> <br /> ''Συγγραφείς: Natalia Bakaeva, Minh Tuan Le''<br /> <br /> [https://www.sciencedirect.com/science/article/pii/S1574954121002843]<br /> <br /> '''1. Εισαγωγή'''<br /> <br /> Μια αστική νησίδα θερμότητας είναι η αλλαγή στην θερμική ισορροπία των πόλεων, συγκριτικά με τις επαρχιακές περιοχές, που προκαλείται από την ανθρώπινη δραστηριότητα. Μια νησίδα αστικής ρύπανσης ορίζεται ως η αλλαγή στην συγκέντρωση ρύπων που οφείλεται στην αστική δραστηριότητα. Οι αστικές νησίδες θερμότητας και η αστική ρύπανση συνυπάρχουν καθώς η μία προκαλεί την άλλη. <br /> <br /> Οι ρύποι τύπου αεροζόλ που θεωρούνται οι πιο βλαβεροί για τον άνθρωπο. Αεροζόλ είναι το σύνολο των σωματιδίων που έχουν διάμετρο από 0.05μm ως 15μm, από αυτά εκείνα με διάμετρο &lt;2.5μm (PM2.5)θεωρούνται τα πιο βλαβερά για τον άνθρωπο. Για την ανίχνευση χρησιμοποιήθηκαν μετρήσεις από μετεωρολογικούς σταθμούς και δορυφορικές εικόνες. Κάθε pixel της εικόνας λειτουργεί ως σταθμός παρακολούθησης. Οι δορυφορικές εικόνες που χρησιμοποιήθηκαν είχαν ληφθεί από Landsat 8 OLI.<br /> <br /> '''2. Περιοχή Μελέτης'''<br /> <br /> Ως περιοχή μελέτης επιλέχθηκε η Μόσχα (Σχήμα 1). Βρίσκεται σε υψόμετρο 180m από την επιφάνεια της θάλασσας, χαρακτηρίζεται από υγρό εύκρατο ηπειρωτικό κλίμα με ξεκάθαρη εποχικότητα. Η έκταση της πόλεις εκτείνεται στα 2561km2, με πληθυσμό 12.7 εκατομμύρια.<br /> <br /> <br /> [[Εικόνα:pk_p1_e1.png | thumb| right| '''Σχήμα 1: Το σχήμα και η διοικητική διαίρεση της Μόσχας και οι θέσεις των μετεωρολογικών σταθμών που παρείχαν δεδομένα για την μελέτη''']]<br /> <br /> ''2.1. Περιγραφή της φύσης της εικόνας που λήφθηκε από τον Landsat 8 στην Μόσχα''<br /> <br /> Χρησιμοποιήθηκαν εικόνες Landsat 8 OLI η οποίες είχαν ληφθεί τον Ιούνιο του 2019 και τον Δεκέμβρη του 2020 (Σχήμα 3) .<br /> <br /> ''2.2 Δεδομένα για την συγκέντρωση των σωματιδίων PM2.5 που καταγράφτηκαν από μετεωρολογικούς σταθμούς''<br /> <br /> 2.2.1 Περιγραφή των συσκευών που χρησιμοποιήθηκαν για την μέτρηση των PM2.5<br /> <br /> Η μέτρηση της συγκέντρωσης γίνεται με αναλυτές σκόνης, οι οποίοι βασίζονται σε μικροϊσορροπία, ραδιοισότοπα και νεφελομετρικά, κάθε ένα από αυτά έχει πλεονεκτήματα και μειωνεκτήματα. Στην συγκεκριμένη μελέτη χρησιμοποιήθηκαν αναλυτές σκόνης που χρησιμοποιούν νεφελομετρική μέθοδο (Σχήμα 2).<br /> <br /> [[Εικόνα:pk_p1_e2.png | thumb| center| '''Σχήμα 2: Μετρητής σκόνης CityAir που χρησιμοποιήθηκε στην μελέτη''']]<br /> <br /> Μετρητές σκόνης που χρησιμοποιούν την νεφελομετρική μέθοδο βασίζονται στην ένταση μιας μονοχρωματικής δέσμης φωτός που σκεδάζεται σε γωνία 90ο στο μέγεθος και συγκέντρωση των σωματιδίων.<br /> <br /> 2.2.2 Πραγματικά δεδομένα συγκέντρωσης των σωματιδίων PM2.5 καταγεγραμμένα από του μετεωρολογικούς σταθμούς<br /> <br /> Τα δεδομένα συγκέντρωσης των σωματιδίων PM2.5 από τους σταθμούς καταγράφτηκαν το 2019 και το 2020 (Σχήμα 4) <br /> <br /> [[Εικόνα:pk_p1_e3.png | thumb| right| '''Σχήμα 3: Πίνακες παραμέτρων εικόνων Landsat 8 OLI''']]<br /> <br /> <br /> [[Εικόνα:pk_p1_e4.png | thumb| right| '''Σχήμα 4: Δεδομένα για τα PM2.5 από τους μετεωρολογικούς σταθμούς''']]<br /> <br /> '''3. Μεθοδολογία'''<br /> <br /> Η μεθοδολογία που ακολουθήθηκε είχε τα εξής στάδια: συλλογή δεδομένων, προ επεξεργασία εικόνων, επεξεργασία δεδομένων, επιλογή μοντέλου, έλεγχος και αποτελέσματα.<br /> <br /> ''3.1 Προ επεξεργασία εικόνων''<br /> <br /> Μετατροπή των αριθμητικών τιμών σε φασματικά μήκη κύματος ή φασματική ανακλαστηκότητα με πολλά επίπεδα διόρθωσης της ακτινοβολίας.<br /> <br /> ''3.2 Μετατροπή αριθμητικών τιμών σε φασματική ακτινοβολία στην κορυφή της ατμόσφαιρας (ΤΟΑ).''<br /> <br /> Η μετατροπή των τιμών έγινε με την εξής σχέση:<br /> <br /> L_λ=M_L×Q_cal+ A_L (1) <br /> <br /> ''3.3 Μετατροπή αριθμητικών τιμών σε ανακλαστηκότητα στο πάνω μέρος της ατμόσφαιρας.''<br /> Η μετατροπή αυτή έγινε με τη σχέση<br /> <br /> ρλ΄=Μ_ρ×Q_cal+ A_ρ (2)<br /> <br /> ''3.4 ΤΟΑ ανακλαστικότητα στα ψηλότερα τμήματα της ατμόσφαιρας λαμβάνοντας υπόψη τη γωνία του ήλιου''<br /> <br /> ρ_λ= (ρλ΄)/(cos⁡(θ_SZ))=(ρλ΄)/(sin⁡(θ_SE)) (3) <br /> <br /> ''3.5 Ατμοσφαιρική διόρθωση''<br /> <br /> Στις εικόνες Landsat OLI η ανακλαστικότητα από το έδαφος υπολογίζεται με την εξής σχέση:<br /> <br /> ρ=(π×(L_λ-L_P)×d^2)/(T_v×((〖ESUN〗_λ×cos⁡(θ_SZ )×T_Z )+E_down)) (4) <br /> <br /> Για την ατμοσφαιρική διόρθωση χρησιμοποιήθηκε η μέθοδος αφαίρεσης DOS και καθορισμού της ακτινοβολίας της γραμμής μετάδοσης. Η μέθοδος αυτή είναι απλή και ιδιαίτερα αποτελεσματική στην διόρθωση της ατμοσφαιρικής επίδρασης. Για της εικόνες Landsat 8 OLI χρησιμοποιείται η εξής σχέση:<br /> <br /> L_P=L_min-0.01×(T_v×(ESUN×cos⁡(θ_SZ )×T_Z )+E_down)/(π×d^2 ) (5) <br /> <br /> Η μέθοδος DOS στηρίζεται στις παραμέτρους TV, TZ, και Edown. Επιπλέον χωρίζεται σε διάφορους τύπους (DOS1, DOS2, DOS3, DOS4). Στην μελέτη αυτή χρησιμοποιήθηκε ο DOS1 και οι παράμετροι καθορίστηκαν TV=1, TZ=1, Edown=0. Η σχέση υπολογισμού της ακτινοβολίας της γραμμής μετάδοσης είναι:<br /> <br /> L_P=L_min-0.01×(〖ESUN〗_λ×cos⁡(θ_SZ))/(π×d^2 ) (6) <br /> <br /> Η ανακλαστηκότητα της επιφάνειας υπολογίστηκε με την εξής σχέση:<br /> <br /> ρ=(π×(L_λ-L_P)×d^2)/(〖ESUN〗_λ×cos⁡(θ_SZ)) (7) <br /> <br /> ‘’3.6 Προετοιμασία της τιμής της ανακλαστικότητας της ατμόσφαιρας’’<br /> <br /> Η ανακλαστικότητα στην κορυφή της ατμόσφαιρας ισούται με το άθροισμα της ανακλαστικότητας της γήινης επιφάνειας και της ατμόσφαιρας, έτσι ο συντελεστής ανακλαστικότητας της ατμόσφαιρας υπολογίζεται με την σχέση:<br /> <br /> R_atm=ρλ-ρ (8) <br /> <br /> Η συσχέτιση ανάμεσα στο πάχος του στρώματος των αεροζολ (AOT) και της περιεκτικότητας του σε PM2.5. Η ηλιακή ακτινοβολία εισέρχεται στο στρώμα των αεροζόλ, ανακλάται μερικώς και φτάνει στον δέκτη. Κομμάτι των ακτινών του Ήλιου χτυπούν ένα αντικείμενο στη Γη και ανακλώνται στον δέκτη. Βάσει της απώλειας ενέργειας που καταγράφει ο δέκτης λόγω της απορρόφησης και της σκέδασης από τα μόρια των αέριων ρύπων και σωματιδίων σκόνης, υπολογίζεται η σύσταση της σκόνης.<br /> <br /> Υπολογίζεται η ανακλαστικότητα στο TOA και η ανακλαστικότητα από την επιφάνεια της Γης, βάσει αυτών υπολογίζεται ο συντελεστής ανακλαστικότητας της ατμόσφαιρας. Το οπτικό πάχος του στρώματος του αεροζόλ υπολογίζεται από την εξής σχέση:<br /> <br /> ΑΟΤ(λ)=α_0 R(λ) (9) <br /> <br /> Η σχέση (8) γράφεται ως εξής:<br /> <br /> ΑΟΤ(λ)=α_0 R_λ1+α_j R_λ2+α_2 R_λ3+⋯ (10) <br /> <br /> Η σύνδεση μεταξύ των PM και ΑΟΤ γίνεται από ένα ομοιογενές επίπεδο που εμπεριέχει σφαιρικά σωματίδια. Η συγκέντρωση των σωματιδίων στην επιφάνεια λαμβάνεται με τη ξήρανση του δείγματος αέρα.<br /> <br /> 〖PM〗_x=4/3 πρ∫_0^(χ/2)▒〖r^3 n(r)dr〗 (11) <br /> <br /> <br /> Βρέθηκε πως τα περιεχόμενα PM συσχετίζονται καλύτερα με το ΑΟΤ. Αντικαθιστώντας το ΑΟΤ με το ΡΜ2.5 στη σχέση (9), προκύπτει η σχέση (11), και ο αλγόριθμος για το κανάλι της εικόνας ή το μήκος κύματος, ΡΜ2.5, απλοποιείται από τη σχέση:<br /> <br /> ΡΜ2.5= α_0 R_λ1+α_j R_λ2+α_2 R_λ3+⋯ (12)<br /> <br /> ''3.7 Προσδιορισμός του σφάλματος''<br /> <br /> Υπολογίζεται από την εξής σχέση:<br /> <br /> RMSE=√(∑▒(P_calculation-P_measurement ) ^2/N) (13) <br /> <br /> '''4. Αποτελέσματα'''<br /> <br /> Βάσει της σχέσης (12), έρευνα, ανάλυση συσχέτισης, και ανάλυση παλινδρόμησης των PM2.5, υλοποιήθηκαν μοντέλα υπολογισμού με εικόνες Landsat 8 OLI που ελήφθησαν τον Ιούνιο του 2019.<br /> Συνδυάστηκαν τα δεδομένα από τις εικόνες με τα επίγεια δεδομένα για τον υπολογισμό του συντελεστή της εξίσωσης γραμμικής παλινδρόμησης (Σχήμα 5). Επιπλέον, γραμμική ανάλυση παλινδρόμησης εφαρμόστηκε στις επίγειες μετρήσεις (Σχήμα 4). Η τιμή του συντελεστή ατμοσφαιρικής ανακλαστκότητας Ri είναι ανεξάρτητη μεταβλητή ενώ η συγκέντρωση ΡΜ2.5 που μετρήθηκε στους επίγειους σταθμούς είναι η εξαρτημένη μεταβλητή. Τα αποτελέσματα παρουσιάζονται στο παρακάτω (Σχήμα 6). Όταν χρησιμοποιούνται ανεξάρτητα κανάλια ο συντελεστής R είναι πολύ μικρός. Οι μέγιστες τιμές του συντελεστή παρουσιάζονται όταν συνδυάζονται 4 κανάλια. Για το 2019 R= 0.9143 και R2= 0.8361. Για το 2020 R=0.9889 και R2=0.9779.<br /> <br /> [[Εικόνα:pk_p1_e5.png | thumb| rightt| '''Σχήμα 5: Μοντέλο παλινδρόμησης και ανάλυσης συσχέτισης''']]<br /> <br /> <br /> [[Εικόνα:pk_p1_e6.png | thumb| right| '''Σχήμα 6: Αποτελέσματα ανάλυσης συσχέτισης και παλινδρόμησης''']]<br /> <br /> Επισημαίνεται πως η πιθανότητα σημασίας (Σχ. 7) δεν θα πρέπει να είναι παραπάνω από 0.05, για να θεωρηθεί το μοντέλο σημαντικό. Η σχέση που χρησιμοποιείται για την χαρτογράφηση του ΡΜ2.5 είναι:<br /> <br /> 〖ΡΜ〗_2.5=-0.0496-0.20733R_1+0.13929R_2+0.08063R_3-0.0572R_4 (14)<br /> <br /> 〖ΡΜ〗_2.5=-0.3143R_1+0.3539R_2+0.15012R_3-0.1973R_4 (15)<br /> <br /> [[Εικόνα:pk_p1_e7.png | thumb| right| '''Σχήμα 7: Πίνακες ANOVA''']]<br /> <br /> Βάσει των εξισώσεων (14) και (15) δημιουργήθηκαν χάρτες για τις εικόνες του Ιουνίου 2019 και Δεκεμβρίου 2020 αντίστοιχα (Σχήμα 8, Σχήμα 9).<br /> <br /> <br /> [[Εικόνα:pk_p1_e8.png | thumb| right| '''Σχήμα 8: Χάρτης Ιουνίου 2019''']]<br /> [[Εικόνα:pk_p1_e9.png | thumb| right| '''Σχήμα 9: Χάρτης Δεκεμβρίου''']]<br /> <br /> '''5. Συζήτηση'''<br /> <br /> ''5.1 Η σχέση μεταξύ νησίδων αστικής θερμότητας και νησίδων αστικής ρύπανσης''<br /> <br /> Η πιθανότητα εμφάνισης νησίδων αυξάνεται όσο πλησιέστερα στο κέντρο της πόλης. Οι νησίδες επηρεάζουν τις κλιματολογικές συνθήκες. Σε μερικές περιπτώσεις η θετική συσχέτιση μεταξύ των 2 μπορεί να αναστραφεί. Επιπλέον παρατηρούνται διαφορές από μέρα σε νύχτα.<br /> <br /> ''5.2 Μελλοντική έρευνα''<br /> <br /> Για μελλοντικές έρευνες θα μπορούσαν να επεκταθούν οι επίγειοι δέκτες για την βελτίωση της ακρίβειας του μοντέλου. Επιπλέον περαιτέρω έρευνα θα μπορούσε να περιλαμβάνει την σύνδεση των αποτελεσμάτων του καθορισμού των σημείων ρύπανσης και υψηλής θερμοκρασίας βάσει μοντέλα προσομοίωσης μικροκλίματος. Έτσι δίνεται ιδιαίτερη προσοχή στις νησίδες ζέστης στην πόλη που επηρεάζουν την κατανομή λεπτόκοκκων σωματιδίων στην πόλη, δίνοντας ταυτόχρονη λύση στην μείωση των νησίδων υψηλής θερμοκρασίας και ρύπανσης.<br /> <br /> '''6. Συμπεράσματα'''<br /> <br /> Η μέθοδος μπορεί να χρησιμοποιηθεί με διάφορους συντελεστές για την αύξηση της ακρίβειας της δορυφορικής εικόνας σε συνδυασμό με δεδομένα για την συγκέντρωση των ρύπων από επίγειες μετρήσεις. Οι ζώνες ρύπανσης παρατηρήθηκαν στο κέντρο της πόλης, στα βόρεια και μειώνονται στα νοτιοδυτικά.<br /> <br /> [[category: Ρύπανση της ατμόσφαιρας]]</div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_p1_e9.png 2023-02-11T10:42:17Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_p1_e8.png 2023-02-11T10:42:07Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Pk_p1_e7.png 2023-02-11T10:41:47Z

<p>Παναγιώτης Κακριδώνης: </p> <hr /> <div></div>

Παναγιώτης Κακριδώνης