RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Δαλιάνης Απόστολος

2026-01-22T20:46:43Z

APOSTOLOS DALIANIS:

<b><span style="color: brown">Παρακολούθηση παράκτιων οικοσυστημάτων</span></b>
* [[Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης]]
* [[Νέες τεχνολογίες για την παρακολούθηση της δυναμικής των παράκτιων οικοσυστημάτων]]
<br>
<b><span style="color: brown">Μελέτη της διάβρωσης των ακτογραμμών</span></b>
* [[Αξιολόγηση της παράκτιας τρωτότητας στην άνοδο στάθμης και συγκριτική μελέτη δύο ορμίσκων σε εποχική κλίμακα, νήσος Ίος, Κυκλάδες, Ελλάδα]]
<br>
<b><span style="color: brown">Διαχείριση υδατικών οικοσυστημάτων - Παρακολούθηση, χαρτογράφηση και ανάλυση των ποταμών, λιμνών και υγροτόπων</span></b>
* [[Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών]]
* [[Περιβαλλοντική παρακολούθηση χωροχρονικών μεταβολών με χρήση τηλεπισκόπησης και GIS σε έναν μεσογειακό υγρότοπο της Βόρειας Ελλάδας]]

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

Αξιολόγηση της παράκτιας τρωτότητας στην άνοδο στάθμης και συγκριτική μελέτη δύο ορμίσκων σε εποχική κλίμακα, νήσος Ίος, Κυκλάδες, Ελλάδα

2026-01-22T20:44:09Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u> Coastal Vulnerability Assessment for Future Sea Level Rise and a Comparative Study of Two Pocket Beaches in Seasonal Scale, Ios Island, Cyclades, Greece<br><br>

<b>Συγγραφείς:</b> Komi, A., Petropoulos, A., Evelpidou, N., Poulos, S., & Kapsimalis, V.<br>
<b>Πηγή (αναλυτικά):</b> Komi, A., Petropoulos, A., Evelpidou, N., Poulos, S., & Kapsimalis, V. (2022). Coastal Vulnerability Assessment for Future Sea Level Rise and a Comparative Study of Two Pocket Beaches in Seasonal Scale, Ios Island, Cyclades, Greece. Journal of Marine Science and Engineering, 10(11), 1673. DOI: [https://www.mdpi.com/2077-1312/10/11/1673 10.3390/jmse10111673]
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η παράκτια ζώνη αποτελεί το πεδίο δυναμικής αλληλεπίδρασης μεταξύ θαλάσσιου και χερσαίου περιβάλλοντος, η οποία απειλείται παγκοσμίως από την άνοδο της στάθμης της θάλασσας. Στόχος της παρούσας εργασίας είναι η εκτίμηση της παράκτιας τρωτότητας της νήσου Ίου, η οποία εντοπίζεται στις κεντρικές Κυκλάδες, για τα επόμενα 100 χρόνια και ο εντοπισμός των περιοχών που είναι συγκριτικά πιο ευάλωτες. Εξετάστηκαν οι εποχικές μεταβολές σχετικά μέσω υπολογισμού της ιζηματολογικής, γεωμορφολογικής και τοπογραφικής εξέλιξης των ακτών σε περιορισμένη χωρική κλίμακα, σε δύο ορμίσκους ([https://en.wikipedia.org/wiki/Pocket_beach pocket beaches]) της Ίου: οι παραλίες του Μυλοπότα και Μαγγανάρι. Οι περίοδοι μελέτης για τις εποχικές αλλαγές αφορούν το φθινόπωρο και την άνοιξη του 2018. Για τους σκοπούς της παραπάνω εποχικής προσέγγισης, πραγματοποιήθηκαν τοπογραφικές τομές και μετρήσεις κατά μήκος της ακτογραμμής κάθε περιοχής μελέτης με τη χρήση Διαφορικού Συστήματος Εντοπισμού Θέσης (Differential GPS) με δέκτη [https://en.wikipedia.org/wiki/Satellite_navigation GNSS] υψηλής ακρίβειας, για τον μετέπειτα υπολογισμό του ρυθμού μετατόπισης της ακτογραμμής. Επίσης, κρίθηκε απαραίτητη η δειγματοληψία ιζημάτων για την παρούσα έρευνα.

<h1><b><span style="color:#FF4500">Τοποθεσία περιοχής μελέτης</span></b></h1>
Η νήσος Ίος βρίσκεται στο Νοτιοανατολικό Αιγαίο και ανήκει στον νομό Κυκλάδων. Η έρευνα εστιάζει σε δύο χαρακτηριστικές παραλίες. Πρώτη είναι η παραλία του Μυλοπότα που εντοπίζεται στη δυτική Ίο, έχει συνολικό μήκος 700 μέτρα, οριοθετείται από δύο φυσικά ακρωτήρια και έχει προσανατολισμό ΒΔ-ΝΑ. Η συγκεκριμένη παραλία θεωρείται η πιο τουριστική στο νησί της Ίου. Δεύτερη, η παραλία Μαγγανάρι η οποία τοποθετείται στο νότιο άκρο του νησιού και αποτελείται από δύο κολπίσκους με διεύθυνση Δ-ΝΑ. Ο δυτικός κόλπος έχει μήκος 343 μέτρα, ενώ ο ανατολικός 300 μέτρα. Σε αντίθεση με την παραλία του Μυλοπότα, το Μαγγανάρι δεν φιλοξενεί πολλές τουριστικές επιχειρήσεις, αλλά αποτελεί μια αναπτυσσόμενη παράκτια περιοχή.

[[ Εικόνα: 3_εικ1.png | thumb | left|250px|'''Εικόνα 1:''' Θέση των περιοχών μελέτης. Στα δυτικά βρίσκεται η παραλία Μυλοπότας, ενώ στα νότια βρίσκεται η παραλία Μαγγανάρι.]]

[[ Εικόνα: 3_εικ3.jpeg | thumb | right|300px|'''Εικόνα 3:''' Η παραλία Μαγγανάρι βρίσκεται στο νότιο τμήμα της Ίου. Το κόκκινο βέλος υποδεικνύει τη θέση της περιοχής μελέτης.]]

[[ Εικόνα: 3_εικ2.jpeg | thumb | center|300px|'''Εικόνα 2:''' Η παραλία Μυλοπότας βρίσκεται στο δυτικό τμήμα της Ίου. Το κόκκινο βέλος υποδεικνύει τη θέση της περιοχής μελέτης.]]

<h1><b><span style="color:#FF4500">Δείκτης τρωτότητας ακτών (CVI) και δορυφορικά δεδομένα που αξιοποιήθηκαν</span></b></h1>
Για την επίτευξη των στόχων της μελέτης χρησιμοποιήθηκε ένας συνδυασμός τηλεπισκοπικών και επιτόπιων μεθόδων. Για τον υπολογισμό των παραμέτρων, έγινε εφαρμογή του δείκτη τρωτότητας των ακτών ([https://climate-adapt.eea.europa.eu/en/metadata/tools/coastal-vulnerability-index-2013-cvi CVI]), και συγκεκριμένα για τον ρυθμό μεταβολής της ακτογραμμής, αξιοποιήθηκαν ιστορικά και σύγχρονα δεδομένα από οπτικούς δορυφορικούς δέκτες μέτριας διακριτικής ικανότητας ([https://en.wikipedia.org/wiki/Landsat_program Landsat]). Τα δεδομένα αυτά επέτρεψαν τη διαχρονική χαρτογράφηση της θέσης της ακτογραμμής σε βάθος δεκαετιών. Παράλληλα, για την εποχική μελέτη ακριβείας στους δύο ορμίσκους, η δορυφορική πληροφορία εμπλουτίστηκε με μετρήσεις πεδίου υψηλής ακρίβειας (GNSS), προσφέροντας την απαραίτητη λεπτομέρεια για την καταγραφή μικρο-μεταβολών στην τοπογραφία της παραλίας.

[[ Εικόνα: 3_εικ5.jpeg | thumb | right|300px|'''Εικόνα 5:''' Χάρτης της παραλίας Magganari. Όλα τα σημεία υποδεικνύουν σημεία μέτρησης DGPS: τα μαύρα σημεία υποδεικνύουν το όριο της παραλίας προς την ενδοχώρα, τα κόκκινα σημεία υποδεικνύουν κάθετες διατομές σε σχέση με την ακτογραμμή, τα μπλε σημεία υποδεικνύουν την ακτογραμμή κατά τη διάρκεια της περιόδου πεδίου. (α) Μετρήσεις πεδίου προφίλ άνοιξη (36 διατομές). (β) Μετρήσεις πεδίου προφίλ φθινόπωρο (42 διατομές) προφίλ.]]

[[ Εικόνα: 3_εικ4.jpeg | thumb | center|650px|'''Εικόνα 4:''' Χάρτης της παραλίας Μυλοπότας. Όλα τα σημεία υποδεικνύουν σημεία μέτρησης DGPS: τα μαύρα σημεία υποδεικνύουν το όριο της παραλίας προς την ενδοχώρα, τα κόκκινα σημεία υποδεικνύουν κατακόρυφες διατομές σε σχέση με την ακτογραμμή, τα μπλε σημεία υποδεικνύουν την ακτογραμμή κατά τη διάρκεια της περιόδου πεδίου. (α) Μετρήσεις πεδίου προφίλ άνοιξη (41 διατομές). (β) Μετρήσεις πεδίου προφίλ φθινόπωρο (40 διατομές) προφίλ.]]

<h1><b><span style="color:#FF4500">Παρουσίαση πραγματικών δεδομένων που αξιοποιήθηκαν</span></b></h1>
Τα δεδομένα που επιλέχθηκαν για την ανάλυση είναι τα εξής:
* <b><span style="color:#FF4500">Γεωλογικά και Γεωμορφολογικά δεδομένα:</span></b>Έγινε εκμετάλλευση χαρτών και δορυφορικών εικόνων για την ταξινόμηση της ακτογραμμής σε κατηγορίες γεωμορφολογίας και τον υπολογισμό της παράκτιας κλίσης.
* <b><span style="color:#FF4500">Ωκεανογραφικά δεδομένα:</span></b> Συλλέχθηκαν δεδομένα για το σημαντικό ύψος κύματος και το παλιρροϊκό εύρος, τα οποία αποτελούν κρίσιμες μεταβλητές για τον δείκτη CVI.
* <b><span style="color:#FF4500">Δεδομένα πεδίου:</span></b> Πραγματοποιήθηκαν δειγματοληψίες ιζημάτων και χάραξη τοπογραφικών τομών κατά τη διάρκεια της θερινής και χειμερινής περιόδου του 2018, με στόχο την κοκκομετρική ανάλυση δειγμάτων για τον προσδιορισμό της υφής των ιζημάτων και βαθυμετρική αποτύπωση για την κατανόηση της μορφολογίας του πυθμένα αντίστοιχα.

<h1><b><span style="color:#FF4500">Στάδια προεπεξεργασίας δεδομένων</span></b></h1>
* Ψηφιοποίηση της ακτογραμμής από ιστορικούς χάρτες και δορυφορικές εικόνες σε περιβάλλον Γεωγραφικών Συστημάτων Πληροφοριών (GIS).
* Δημιουργία Ψηφιακών Μοντέλων Εδάφους ([https://en.wikipedia.org/wiki/Digital_elevation_model DEMs]) για την εξαγωγή της κλίσης της ακτής.
* Γεωαναφορά και εναρμόνιση των διαφορετικών πηγών δεδομένων (γεωλογικών, κυματικών, τοπογραφικών) σε κοινό σύστημα αναφοράς (Greek Geodetic Reference System 1987 ή EGSA 87-GreekGrid).

<h1><b><span style="color:#FF4500">Μεθοδολογία και διαδικασία άντλησης αποτελεσμάτων</span></b></h1>
<b><span style="color:#FF4500">1. Υπολογισμός Δείκτη Παράκτιας Τρωτότητας (CVI)</span></b><br>
Εφαρμόστηκε η μεθοδολογία του CVI, η οποία ενσωματώνει έξι μεταβλητές: γεωμορφολογία, παράκτια κλίση, ρυθμό μεταβολής ακτογραμμής, σχετική άνοδο στάθμης θάλασσας, μέσο παλιρροϊκό εύρος και μέσο σημαντικό ύψος κύματος. Κάθε μεταβλητή βαθμολογήθηκε σε κλίμακα επικινδυνότητας (από πολύ χαμηλή έως πολύ υψηλή). Η τελική τιμή του δείκτη προέκυψε από τον συνδυασμό αυτών των παραμέτρων, επιτρέποντας την ποσοτική αξιολόγηση της τρωτότητας για κάθε τμήμα της ακτογραμμής. Ο τύπος υπολογισμού του CVI είναι:
CVI =√((a∗b∗c∗d∗e∗f)/6)
όπου: a = γεωμορφολογία, b = παράκτια κλίση, c = σχετική μεταβολή στάθμης θάλασσας, d = ρυθμός μετατόπισης ακτογραμμής, e = μέσο παλιρροϊκό εύρος και f = μέσο ύψος κύματος.<br>
<b><span style="color:#FF4500">2. Ανάλυση Μεταβολής Ακτογραμμής</span></b><br>
Για την ανάλυση της μετατόπισης της ακτογραμμής αξιοποιήθηκαν στατιστικοί δείκτες διάβρωσης και απόθεσης μέσω του εργαλείου ψηφιακού συστήματος ανάλυσης ακτογραμμής (DSAS), ενώ οι μετρήσεις υψηλής ακρίβειας με DGPS/GNSS επέτρεψαν τον ακριβή προσδιορισμό των εποχικών μεταβολών στις παραλίες αναφοράς.

<h1><b><span style="color:#FF4500">Συμπεράσματα</span></b></h1>
Η μελέτη πέτυχε μια συνδυαστική αποτίμηση της τρωτότητας της νήσου Ίου έναντι της ανόδου της στάθμης της θάλασσας, εξετάζοντας ταυτόχρονα τη μικροκλίμακα της εποχικής εξέλιξης σε δύο επιλεγμένους ορμίσκους.<br>
Τα ευρήματα καταδεικνύουν ότι, λόγω της επικράτησης βραχώδους γεωμορφολογίας και απότομων κλίσεων, η συντριπτική πλειονότητα της ακτογραμμής παρουσιάζει πολύ χαμηλή τρωτότητα έως το έτος 2100. Το γεγονός αυτό επιβεβαιώνεται από ιστορικά δεδομένα μετατόπισης της ακτογραμμής, τα οποία δείχνουν ότι ουσιαστικές μεταβολές (της τάξης του 1 μέτρου ετησίως) περιορίζονται αποκλειστικά σε αμμώδεις εκτάσεις με ήπια κλίση, ενώ οι βραχώδεις ακτές παραμένουν σταθερές. Σε επίπεδο ιζηματολογίας, και στις δύο παραλίες μελέτης κυριαρχεί άμμος με πρόσμιξη χαλικιού, ενώ παρατηρήθηκαν εποχικές διακυμάνσεις στη μορφολογία του πυθμένα, οι οποίες αποδίδονται κυρίως στη δράση των κυμάτων κατά τη θερινή περίοδο. Ωστόσο, εντοπίστηκε μια σημαντική διαφοροποίηση στη δυναμική των δύο παραλιών που συνδέεται με την ανθρώπινη παρέμβαση. Συγκεκριμένα, η παραλία του Μυλοπότα εμφανίζει τάσεις υποχώρησης, οι οποίες φαίνεται να οφείλονται στον εγκλωβισμό των φερτών υλικών από φράγμα που έχει κατασκευαστεί ανάντη, διακόπτοντας τη φυσική τροφοδοσία της ακτής, σε συνδυασμό με την έντονη τουριστική εκμετάλλευση. Αντίθετα, στο Μαγγανάρι, η ηπιότερη τουριστική ανάπτυξη και η απρόσκοπτη λειτουργία του υδρογραφικού δικτύου επιτρέπουν τη φυσική αναπλήρωση και συγκράτηση των ιζημάτων, οδηγώντας σε σταθερότητα ή ακόμα και σε μικρή προέλαση της ακτογραμμής.

Χάρτης της παραλίας Magganari. Όλα τα σημεία υποδεικνύουν σημεία μέτρησης DGPS: τα μαύρα σημεία υποδεικνύουν το όριο της παραλίας προς την ενδοχώρα, τα κόκκινα σημεία υποδεικνύουν κάθετες διατομές σε σχέση με την ακτογραμμή, τα μπλε σημεία υποδεικνύουν την ακτογραμμή κατά τη διάρκεια της περιόδου πεδίου. (α) Μετρήσεις πεδίου προφίλ άνοιξη (36 διατομές). (β) Μετρήσεις πεδίου προφίλ φθινόπωρο (42 διατομές) προφίλ.

[[ Εικόνα: 3_εικ7.jpeg | thumb | right|400px|'''Εικόνα 7:''' Χάρτης εποχιακής μετατόπισης της ακτογραμμής στην παραλία Μαγγανάρι.]]

[[ Εικόνα: 3_εικ6.jpeg | thumb | center|300px|'''Εικόνα 6:''' Χάρτης εποχιακής μετατόπισης της ακτογραμμής στην παραλία Μυλοπότα.]]

Αρχείο:3 εικ6.jpeg

2026-01-22T20:35:02Z

APOSTOLOS DALIANIS:

Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών

2026-01-22T20:22:52Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u>Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research<br><br>

<b>Συγγραφείς:</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F.<br>
<b>Πηγή (αναλυτικά):</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F. (2022). Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research. Remote Sensing, 14(23), 6104. DOI: [https://www.mdpi.com/2072-4292/14/23/6104 10.3390/rs14236104]
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Οι υγρότοποι ([https://en.wikipedia.org/wiki/Wetland wetlands]) αποτελούν οικοσυστήματα ζωτικής σημασίας που παρέχουν κρίσιμες οικολογικές υπηρεσίες, ωστόσο υφίστανται έντονες πιέσεις λόγω της κλιματικής αλλαγής και της ανθρωπογενούς δραστηριότητας. Η παραδοσιακή παρακολούθησή τους μέσω επιτόπιων ερευνών είναι συχνά δυσχερής, δαπανηρή και χρονικά περιορισμένη. Στόχος της επιστημονικής μελέτης είναι η διεξοδική διερεύνηση της εξέλιξης των μεθόδων χαρτογράφησης και παρακολούθησης υγροτόπων κατά τις τελευταίες τρεις δεκαετίες, εστιάζοντας στη συνέργεια της Τηλεπισκόπησης ([https://en.wikipedia.org/wiki/Remote_sensing Remote Sensing]) και της Μηχανικής Μάθησης ([https://el.wikipedia.org/wiki/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 Machine Learning]). Μέσω μιας συστηματικής μετα-ανάλυσης της διεθνούς βιβλιογραφίας, υιοθετεί μια σφαιρική προσέγγιση, αναλύοντας εκατοντάδες επιστημονικές δημοσιεύσεις που καλύπτουν το χρονικό διάστημα από τις αρχές της δεκαετίας του 1990 έως το 2022. Αξιολογεί την αποτελεσματικότητα διαφορετικών αλγορίθμων, δορυφορικών δεδομένων και υπολογιστικών πλατφορμών, αναδεικνύοντας τις τάσεις που διαμορφώνουν το μέλλον της διαχείρισης και ταξινόμησης υγροτόπων διαφόρων τύπων (π.χ. έλη, τυρφώνες, μαγκρόβια δάση), εξετάζοντας πώς η τεχνολογική πρόοδος μετέβαλε τις μεθοδολογίες από απλές φωτοερμηνείες σε πολύπλοκα μοντέλα Βαθιάς Μάθησης ([https://el.wikipedia.org/wiki/%CE%92%CE%B1%CE%B8%CE%B9%CE%AC_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7#:~:text=%CE%97%20%CE%B2%CE%B1%CE%B8%CE%B9%CE%AC%20%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%20%CE%B5%CE%AF%CE%BD%CE%B1%CE%B9%20%CE%AD%CE%BD%CE%B1,%CF%84%CE%BF%CF%85%CF%82%20%CE%B3%CE%B9%CE%B1%20%CF%84%CE%B7%CE%BD%20%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%20%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD. Deep Learning]). Κατηγοριοποιεί τις μελέτες βάσει της γεωγραφικής κατανομής, των χρησιμοποιούμενων αισθητήρων και των αλγοριθμικών προσεγγίσεων.

<h1><b><span style="color:#FF4500">Τάσεις χρήσης δεδομένων τηλεπισκόπησης</span></b></h1>
Μέσω της βιβλιογραφικής επισκόπησης καταδεικνύεται ότι η παρακολούθηση των υγροτόπων βασίζεται σε ένα ευρύ φάσμα αισθητήρων, με διαφορετικά πλεονεκτήματα. Κυρίαρχο ρόλο διαχρονικά διαδραματίζουν τα οπτικά δορυφορικά συστήματα, κυρίως λόγω της σειράς Landsat που προσφέρει το μεγαλύτερο ιστορικό αρχείο καταγραφών, αλλά και των νεότερων αποστολών [https://www.sentinel-hub.com/ Sentinel-2] που παρέχουν βελτιωμένη χωρική και χρονική ανάλυση. Παράλληλα, καταγράφεται μια σταθερή αύξηση στη χρήση αισθητήρων Ραντάρ Συνθετικού Ανοίγματος ([https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/sar SAR]), όπως οι Sentinel-1 και RADARSAT. Η ικανότητα των ραντάρ να διεισδύουν μέσω νεφώσεων και να αλληλεπιδρούν με τη δομή της βλάστησης και την επιφανειακή υγρασία τα καθιστά αναντικατάστατα για παρακολούθηση υγροτοπικών περιβαλλόντων. Τέλος, εμφανίζεται η χρήση δεδομένων [https://oceanservice.noaa.gov/facts/lidar.html Lidar] (Light Detection and Ranging) και μη επανδρωμένων αεροσκαφών ([https://en.wikipedia.org/wiki/Unmanned_aerial_vehicle UAVs]) για εφαρμογές που απαιτούν εξαιρετικά υψηλή λεπτομέρεια.

[[ Εικόνα: 4_εικ1.jpeg| thumb | center|500px|'''Εικόνα 1:''' Εννοιολογική επισκόπηση της χρήσης εργαλείων ML και RS για την εξαγωγή παραγωγών.]]

[[ Εικόνα: 4_εικ2.png | thumb | right|200px|'''Εικόνα 2:''' Συχνότητα χρήσης δεδομένων τηλεπισκόπησης από μία ή περισσότερες πηγές σε μελέτες υγροτόπων.]]

Πολυφασματικά, SAR και σύντηξη δεδομένων
Η επιλογή των δεδομένων δεν είναι πλέον μονοδιάστατη, καθώς η έρευνα στρέφεται στη συνδυαστική χρήση πόρων:
* <b><span style="color:#FF4500">Οπτικά Δεδομένα:</span></b> Παραμένουν η βάση για τον εντοπισμό τύπων βλάστησης μέσω φασματικών υπογραφών, ενισχυμένα από την πολιτική ανοικτής πρόσβασης (open access) της NASA και της ESA.
* <b><span style="color:#FF4500">Δεδομένα SAR:</span></b> Επιλέγονται στρατηγικά για τη διάκριση μεταξύ πλημμυρισμένων και μη πλημμυρισμένων περιοχών, εκμεταλλευόμενα τη διηλεκτρική συμπεριφορά του νερού.
* <b><span style="color:#FF4500">Σύντηξη (Fusion):</span></b> Η σημαντικότερη τάση που αναδεικνύεται είναι η σύντηξη οπτικών και SAR δεδομένων. Η συνδυαστική πληροφορία (multi-sensor data fusion) βελτιώνει δραματικά την ακρίβεια ταξινόμησης, καθώς αλληλοσυμπληρώνονται οι πληροφορίες, όπως, για παράδειγμα, την παρατήρηση βλάστησης όπου επιτυγχάνεται καταγραφή τόσο για τη χημική σύσταση (οπτικά), όσο και για τη φυσική δομή/υγρασία (SAR) των φυτών.

<h1><b><span style="color:#FF4500">Υπολογιστικά περιβάλλοντα και επεξεργασία στο νέφος (cloud)</span></b></h1>
Η μετάβαση στην εποχή των Μεγάλων Δεδομένων ([https://en.wikipedia.org/wiki/Big_data Big Data]) έχει μετασχηματίσει ριζικά τις ροές εργασίας. Η παραδοσιακή επεξεργασία σε τοπικούς σταθμούς εργασίας, η οποία απαιτούσε χρονοβόρες διορθώσεις και λήψεις αρχείων, αντικαθίσταται σταδιακά από πλατφόρμες υπολογιστικού νέφους (Cloud Computing). Το Google Earth Engine (GEE) αναδεικνύεται ως το κυρίαρχο εργαλείο, παρέχοντας άμεση πρόσβαση σε πεταμπάιτ δεδομένων και έτοιμα προς χρήση προϊόντα (Analysis Ready Data - ARD). Αυτό επιτρέπει στους ερευνητές να εκτελούν πολύπλοκες αναλύσεις σε παγκόσμια κλίμακα σχεδόν σε πραγματικό χρόνο, εστιάζοντας στην ανάπτυξη αλγορίθμων αντί για τη διαχείριση αρχείων.

<h1><b><span style="color:#FF4500">Εξέλιξη αλγορίθμων ταξινόμησης και Μηχανική Μάθηση</span></b></h1>
<b><span style="color:#FF4500">1. Κυριαρχία μη παραμετρικών αλγορίθμων</span></b><br>
Η ανάλυση έδειξε ότι οι αλγόριθμοι Μηχανικής Μάθησης έχουν εκτοπίσει τις παραδοσιακές στατιστικές μεθόδους. Ο αλγόριθμος Random Forest (RF - Τυχαία Δάση) αναδεικνύεται ως ο "βασιλιάς" των ταξινομητών στον τομέα των υγροτόπων, λόγω της ευκολίας παραμετροποίησης, της υπολογιστικής αποδοτικότητας και της ανθεκτικότητάς του στον θόρυβο. Ακολουθούν σε δημοφιλία τα Μηχανήματα Διανυσμάτων Υποστήριξης (SVM), τα οποία διατηρούν υψηλές επιδόσεις ακόμη και με περιορισμένα δεδομένα εκπαίδευσης.<br>
<b><span style="color:#FF4500">2. Η επανάσταση της Βαθιάς Μάθησης </span></b><br>
Τα τελευταία έτη χαρακτηρίζονται από την είσοδο της Βαθιάς Μάθησης (Deep Learning) και ειδικότερα των Νευρωνικών Δικτύων συνέλιξης (CNNs). Αυτά τα μοντέλα επιτυγχάνουν τις υψηλότερες ακρίβειες ταξινόμησης καθώς δεν εξετάζουν μεμονωμένα pixels, αλλά αναλύουν τα χωρικά πρότυπα και την υφή της εικόνας, προσεγγίζοντας την πολυπλοκότητα της ανθρώπινης όρασης.<br>
<b><span style="color:#FF4500">3. Συγκριτική Απόδοση</span></b><br>
Τα ευρήματα της μετα-ανάλυσης επιβεβαιώνουν ότι οι προσεγγίσεις σύντηξης δεδομένων σε συνδυασμό με προηγμένους αλγορίθμους (DL ή RF) υπερτερούν σταθερά έναντι των μονο-φασματικών αναλύσεων. Ωστόσο, η αυξημένη ακρίβεια της Βαθιάς Μάθησης συνοδεύεται από υψηλότερες απαιτήσεις σε υπολογιστική ισχύ, δεδομένα αναφοράς και κεφάλαιο (χρήμα).

<h1><b><span style="color:#FF4500">Ρόλος επικουρικών γεωχωρικών δεδομένων</span></b></h1>
Για τη βελτιστοποίηση των μοντέλων, η τηλεπισκόπηση πλαισιώνεται συχνά από βοηθητικά δεδομένα. Τα Ψηφιακά Μοντέλα Υψομέτρου (DEMs) και οι υδρολογικοί δείκτες που προκύπτουν από αυτά κρίνονται απαραίτητα, καθώς η παρουσία των υγροτόπων καθορίζεται πρωτίστως από το ανάγλυφο και τη ροή του ύδατος. Επιπρόσθετα, εδαφολογικοί χάρτες και κλιματικά δεδομένα χρησιμοποιούνται για να ενισχύσουν τη διαχωριστική ικανότητα των μοντέλων μεταξύ υγροτόπων και άλλων χρήσεων γης με παρόμοια φασματική συμπεριφορά.

<h1><b><span style="color:#FF4500">Προκλήσεις</span></b></h1>
Παρά την τεχνολογική πρόοδο, η μελέτη εντοπίζει σημαντικά εμπόδια. Η φασματική σύγχυση μεταξύ διαφορετικών τύπων υγροτόπων και η έντονη εποχικότητα καθιστούν την ταξινόμηση δύσκολη. Επιπλέον, η έλλειψη επαρκών, ποιοτικών και χωρικά κατανεμημένων δεδομένων πεδίου (ground truth) παραμένει το ευάλωτο σημείο για την εκπαίδευση των πολύπλοκων μοντέλων βαθιάς μάθησης. Τέλος, η υπολογιστική πολυπλοκότητα των σύγχρονων μεθόδων απαιτεί εξειδικευμένες υποδομές, γεγονός που μπορεί να περιορίσει τη δυνατότητα εφαρμογής τους σε επιχειρησιακό επίπεδο.

<h1><b><span style="color:#FF4500">Συμπεράσματα</span></b></h1>
[[ Εικόνα: 4_εικ3.png | thumb | right|350px|'''Εικόνα 3:''' Επισκόπηση της ποικιλίας των τομέων εφαρμογής των παρατηρήσεων της Γης από τηλεπισκόπηση σε υγροβιότοπους.]]

Η παρούσα μετα-ανάλυση ανέλυσε 344 δημοσιευμένα επιστημονικά περιοδικά πάνω στην παρατήρηση υγροτόπων μέσω τεχνικών τηλεπισκόπησης, τις κατηγοριοποίησε με βάση κάποια μεταξύ τους κοινά χαρακτηριστικά και ως κύριο πόρισμα έβγαλε ότι η σύζευξη της τηλεπισκόπησης με τη μηχανική μάθηση αποτελεί πλέον θεμέλιο για την παρακολούθηση των υγροτόπων σε παγκόσμια κλίμακα. Τεκμηριώνει ότι η ελεύθερη διάθεση δορυφορικών δεδομένων και η ανάπτυξη πλατφορμών, όπως το Google Earth Engine, έχουν επιτρέψει τη χαρτογράφηση σε κλίμακες που ήταν αδύνατες στο παρελθόν. Το μέλλον της έρευνας βαδίζει προς μοντέλα βαθιάς μάθησης, με προτεραιότητα την ανάγκη δημιουργίας εκτεταμένων βιβλιοθηκών δεδομένων εκπαίδευσης. Η προστασία αυτών των ευαίσθητων οικοσυστημάτων απαιτεί τη συνεχή ενσωμάτωση αυτών των καινοτομιών σε συστήματα λήψης αποφάσεων.

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

Αρχείο:3 εικ4.jpeg

2026-01-22T20:20:49Z

APOSTOLOS DALIANIS:

Αρχείο:4 εικ1.jpeg

2026-01-22T20:12:57Z

APOSTOLOS DALIANIS:

Αρχείο:3 εικ7.jpeg

2026-01-22T20:12:44Z

APOSTOLOS DALIANIS:

Αρχείο:3 εικ5.jpeg

2026-01-22T20:12:33Z

APOSTOLOS DALIANIS:

Αρχείο:3 εικ3.jpeg

2026-01-22T20:12:22Z

APOSTOLOS DALIANIS:

Αρχείο:3 εικ2.jpeg

2026-01-22T20:12:10Z

APOSTOLOS DALIANIS:

Περιβαλλοντική παρακολούθηση χωροχρονικών μεταβολών με χρήση τηλεπισκόπησης και GIS σε έναν μεσογειακό υγρότοπο της Βόρειας Ελλάδας

2026-01-22T19:42:32Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u>Environmental Monitoring of Spatio-temporal Changes Using Remote Sensing and GIS in a Mediterranean Wetland of Northern Greece<br><br>

<b>Συγγραφείς:</b>Papastergiadou, E. S., Retalis, A., Apostolakis, A., & Georgiadis, T.<br>
<b>Πηγή (αναλυτικά):</b>Papastergiadou, E. S., Retalis, A., Apostolakis, A., & Georgiadis, T. (2008). Environmental monitoring of spatio-temporal changes using remote sensing and GIS in a Mediterranean wetland of Northern Greece. Water Resources Management, 22(5), 579-594. DOI: [https://www.researchgate.net/publication/226229330_Environmental_Monitoring_of_Spatio-temporal_Changes_Using_Remote_Sensing_and_GIS_in_a_Mediterranean_Wetland_of_Northern_Greece 10.1007/s11269-007-9179-7]
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
Οι υγρότοποι της Μεσογείου έχουν υποστεί δραματική συρρίκνωση κατά τον τελευταίο αιώνα, κυρίως λόγω της μετατροπής τους σε γεωργικές εκτάσεις. Η εξεταζόμενη επιστημονική μελέτη ερευνά τις μακροχρόνιες περιβαλλοντικές αλλαγές στη [https://el.wikipedia.org/wiki/%CE%A7%CE%B5%CE%B9%CE%BC%CE%B1%CE%B4%CE%AF%CF%84%CE%B9%CE%B4%CE%B1 λίμνη Χειμαδίτιδα] και την παρακείμενη λίμνη [https://el.wikipedia.org/wiki/%CE%96%CE%AC%CE%B6%CE%B1%CF%81%CE%B7 Ζάζαρη] στη Βόρεια Ελλάδα, περιοχές υψηλής οικολογικής σημασίας για τη διατήρηση της βιοποικιλότητας και ειδικότερα της ορνιθοπανίδας. Στόχος της μελέτης είναι η ποσοτική και ποιοτική αποτίμηση των μεταβολών στην κάλυψη γης και στα υγροτοπικά ενδιαιτήματα σε βάθος σχεδόν 60 ετών (1945–2002). Εστιάζει στον εντοπισμό των επιπτώσεων που προκλήθηκαν από τη μετατροπή της λεκάνης απορροής, η οποία ιστορικά κυριαρχούνταν από τυρφώνες, σε εντατικά καλλιεργούμενες και βοσκήσιμες εκτάσεις. Αυτή η ανθρωπογενής παρέμβαση διατάραξε το υδρολογικό ισοζύγιο και επιδείνωσε την ποιότητα των υδάτων μέσω του ευτροφισμού, οδηγώντας σε ταχεία επέκταση των καλαμώνων εις βάρος της ανοιχτής υδάτινης επιφάνειας. Μέσω της συνδυαστικής χρήσης ιστορικών αεροφωτογραφιών και Γεωγραφικών Συστημάτων Πληροφοριών ([https://www.esri.com/en-us/what-is-gis/overview GIS]) για την επιτυχή κάλυψη του επιλεγμένου χρονικού εύρους, παρέχει χάρτες ακριβείας που λειτουργούν ως γραμμή βάσης (baseline) για την κατανόηση της χωρικής κατανομής των πιέσεων. Τα αποτελέσματα καταδεικνύουν την ανάγκη λήψης άμεσων μέτρων διαχείρισης και αποκατάστασης, προκειμένου να αναχαιτισθεί η περαιτέρω υποβάθμιση και η σταδιακή ελοποίηση του οικοσυστήματος.

<h1><b><span style="color:darkgreen">Περιοχή μελέτης και οικολογικό πλαίσιο</span></b></h1>
Η περιοχή μελέτης αφορά το υγροτοπικό σύμπλεγμα των λιμνών Χειμαδίτιδας και Ζάζαρης, το οποίο βρίσκεται στα σύνορα των Περιφερειακών Ενοτήτων Φλώρινας και Κοζάνης. Η λίμνη Χειμαδίτιδα, μια φυσική, ρηχή και ευτροφική λίμνη, αποτελεί έναν βιότοπο ζωτικής σημασίας με πλούσια βιοποικιλότητα και έχει ενταχθεί στο Ευρωπαϊκό πρόγραμμα προστατευόμενων περιοχών [https://www.eea.europa.eu/en/datahub/datahubitem-view/6fc8ad2d-195d-40f4-bdec-576e7d1268e4 NATURA 2000]. Ωστόσο, η λεκάνη απορροής της έχει υποστεί ριζικές αλλαγές. Ιστορικά, η περιοχή περιβαλλόταν από εκτεταμένους τυρφώνες, οι οποίοι σταδιακά αποστραγγίστηκαν και μετατράπηκαν σε βοσκότοπους και καλλιεργήσιμες γαίες. Η υδρολογική ισορροπία της Χειμαδίτιδας εξαρτάται άμεσα από την υπερχείλιση της γειτονικής Ζάζαρης, όμως οι ανθρώπινες παρεμβάσεις για την εξυπηρέτηση της άρδευσης έχουν διαταράξει αυτή τη σχέση.

[[ Εικόνα: 5_εικ1.png| thumb | center|600px|'''Εικόνα 1:''' Θέση της περιοχής της μελέτης περίπτωσης, υγρότοπος της λίμνης Χειμαδιτίδα, Βόρεια Ελλάδα. ]]

<h1><b><span style="color:darkgreen">Επιλογή δεδομένων και χρονική κλίμακα</span></b></h1>
Για να επιτευχθεί η χαρτογράφηση των ιστορικών και σύγχρονων τάσεων, έγινε αξιοποίηση ενός ευρέος φάσματος χωρικών δεδομένων που καλύπτουν μια περίοδο πολλών δεκαετιών. Συγκεκριμένα, χρησιμοποιήθηκαν:
* <b><span style="color:darkgreen">Ιστορικά Δεδομένα:</span></b> Ασπρόμαυρες αεροφωτογραφίες από τα έτη 1945, 1969, 1982 και 1996, οι οποίες αποτέλεσαν τη βάση αναφοράς για την κατάσταση του υγροτόπου πριν από την εντατικοποίηση των παρεμβάσεων. Συλλέχθηκαν από την Ελληνική Γεωγραφική Υπηρεσία Στρατού (ΓΥΣ).
* <b><span style="color:darkgreen">Δεδομένα Πεδίου:</span></b> Πραγματοποιήθηκαν εκτεταμένες εργασίες πεδίου το 2002 για την επαλήθευση των χαρτών του 1996 και την επικαιροποίηση της κατάστασης του υγροτόπου, εξασφαλίζοντας την ακρίβεια της ταξινόμησης (ground truthing). Η επιλογή των συγκεκριμένων ετών επέτρεψε την αποτύπωση κρίσιμων φάσεων στην εξέλιξη του υγροτόπου, πριν και μετά τα μεγάλα αποστραγγιστικά και αρδευτικά έργα της περιοχής.

<h1><b><span style="color:darkgreen">Μεθοδολογία επεξεργασίας και ταξινόμηση</span></b></h1>
Η επεξεργασία των δεδομένων πραγματοποιήθηκε σε περιβάλλον GIS (πρόγραμμα ArcGIS 8.3), ακολουθώντας τα εξής βήματα:
* <b><span style="color:darkgreen">Γεωμετρική Διόρθωση:</span></b> Όλες οι αεροφωτογραφίες διορθώθηκαν γεωμετρικά και προσαρμόστηκαν στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ '87) για να επιτευχθεί η ακριβής υπέρθεση και σύγκριση των πολυγώνων μεταξύ των διαφορετικών ετών.
* <b><span style="color:darkgreen">Φωτοερμηνεία και Ψηφιοποίηση:</span></b> Εφαρμόστηκε η μέθοδος της οπτικής ερμηνείας των αεροφωτογραφιών για τον εντοπισμό και την οριοθέτηση των διαφορετικών τύπων βλάστησης και χρήσεων γης. Τα όρια των ενδιαιτημάτων ψηφιοποιήθηκαν στην οθόνη.
* <b><span style="color:darkgreen">Κατηγοριοποίηση:</span></b> Αναγνωρίστηκαν και χαρτογραφήθηκαν 10 κατηγορίες κάλυψης/χρήσης γης, με τις σημαντικότερες να είναι: ανοιχτή επιφάνεια νερού, καλαμώνες (κυρίως Phragmites australis), τυρφώνες/έλη (peat lands/fen), υγρά λιβάδια, γεωργικές εκτάσεις και βοσκότοποι.

<h1><b><span style="color:darkgreen">Αποτελέσματα χωρικών και χρονικών μεταβολών</span></b></h1>
Η συγκριτική ανάλυση ανέδειξε μια σαφή τάση υποβάθμισης του υγροτόπου:
* <b><span style="color:darkgreen">Συρρίκνωση Υδάτινης Επιφάνειας:</span></b> Η έκταση της ανοιχτής επιφάνειας νερού στη Χειμαδίτιδα μειώθηκε δραματικά από το 1945 έως το 2002. Η μείωση αυτή οφείλεται στη συσσώρευση φερτών υλικών και στην υπερβολική άντληση υδάτων.
* <b><span style="color:darkgreen">Επέκταση Καλαμώνων:</span></b>Παρατηρήθηκε ραγδαία επέκταση των καλαμώνων εις βάρος της ανοιχτής λίμνης. Λόγω του ευτροφισμού (εισροή λιπασμάτων από τις γειτονικές καλλιέργειες) και της μείωσης του βάθους, τα υδροχαρή φυτά κατέλαβαν μεγάλο μέρος της πρώην υδάτινης έκτασης.
* <b><span style="color:darkgreen">Απώλεια Υγρών Λιβαδιών:</span></b> Μεγάλες εκτάσεις που παλαιότερα λειτουργούσαν ως υγρά λιβάδια ή μεταβατικές ζώνες αποστραγγίστηκαν και μετατράπηκαν σε καλλιεργήσιμη γη, μειώνοντας τη φυσική ζώνη προστασίας της λίμνης.

[[ Εικόνα: 5_εικ2.png| thumb | center|500px|'''Εικόνα 2:''' Εκτεταμένη κάλυψη/χρήση γης (εκτάρια) για την περίοδο 1945-1996, στην περιοχή μελέτης.]]

[[ Εικόνα: 5_εικ3.png| thumb | center|500px|'''Εικόνα 3:''' Αλλαγές στην κάλυψη/χρήση γης (%) και ετήσια μεταβολή (εκτάρια/έτος) στην περιοχή μελέτης για την περίοδο 1945–1996.]]

<h1><b><span style="color:darkgreen">Υδρολογική διαχείριση και οικολογικές επιπτώσεις</span></b></h1>

[[ Εικόνα: 5_εικ4.png| thumb | right|250px|'''Εικόνα 4:''' Χωροχρονικές μεταβολές των ανοιχτών υδάτινων εκτάσεων/λιμνών που αντιπροσωπεύουν την εναπομένουσα περιεκτικότητα σε νερό κατά την περίοδο 1945–1996.]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη Χειμαδίτιδα μετατρέπεται σταδιακά από μια ανοιχτή λίμνη σε ένα έλος κυριαρχούμενο από καλαμώνες. Η μελέτη υπογραμμίζει ότι οι κύριοι οδηγοί αυτής της αλλαγής είναι ανθρωπογενείς: η κατασκευή αποστραγγιστικών τάφρων, η εντατική γεωργία και η κακή διαχείριση των υδάτινων πόρων της λεκάνης απορροής. Η αλλαγή στη χρήση γης από τυρφώνες σε γεωργικές εκτάσεις είχε ως αποτέλεσμα την αύξηση των θρεπτικών φορτίων που καταλήγουν στη λίμνη, επιταχύνοντας τη διαδικασία της γήρανσης και του ευτροφισμού του οικοσυστήματος.

<h1><b><span style="color:darkgreen">Προκλήσεις και τεχνικοί περιορισμοί</span></b></h1>
Στη μελέτη διευκρινίζεται πως κατά την ανάλυση εντοπίστηκαν δυσκολίες που αφορούν κυρίως τη διακριτική ικανότητα των δεδομένων. Ο διαχωρισμός μεταξύ διαφορετικών ειδών υδρόβιας βλάστησης (π.χ. Phragmites έναντι Typha) ή μεταξύ πυκνής βλάστησης και ορισμένων γεωργικών καλλιεργειών υπήρξε πρόκληση στις δορυφορικές εικόνες μέτριας ανάλυσης. Παρόλα αυτά, η συνδυαστική χρήση των αεροφωτογραφιών υψηλής ανάλυσης βοήθησε στην επαλήθευση των ιστορικών ορίων και στη βελτίωση της ακρίβειας της χαρτογράφησης.

<h1><b><span style="color:darkgreen">Συμπεράσματα</span></b></h1>
Γίνεται αντιληπτό ότι η λίμνη Χειμαδίτιδα βρίσκεται σε κρίσιμη κατάσταση, έχοντας απολέσει σημαντικό μέρος των οικολογικών της λειτουργιών τις τελευταίες δεκαετίες, με την ανθρωπογενή παρέμβαση να αποτελεί την κύρια αιτία καταστροφής και υποβάθμισης των υδάτινων ενδιαιτημάτων, με τον κατακερματισμό των φυσικών οικοτόπων να απειλεί άμεσα και τη βιοποικιλότητα. Επομένως, η ύπαρξη ενός συνεπούς και συνεχούς προγράμματος παρακολούθησης της κατάστασης και της έκτασης αυτών των ευαίσθητων οικοσυστημάτων κρίνεται απαραίτητη προϋπόθεση για τη διατήρηση και διασφάλιση του τοπίου. Η μεθοδολογία ανάλυσης αεροφωτογραφιών που εφαρμόστηκε αποδείχθηκε όχι μόνο οικονομικά αποδοτική, αλλά και επιστημονικά ακριβής, επιτρέποντας την ερμηνεία των οικολογικών διεργασιών και τη σύγκριση της τρέχουσας κατανομής της χλωρίδας με ιστορικά δεδομένα. Η προσέγγιση αυτή αποτελεί ένα πολύτιμο εργαλείο σχεδιασμού για την ιεράρχηση των περιοχών που χρήζουν περαιτέρω έρευνας ή μέτρων αποκατάστασης. Επιπρόσθετα, αναδεικνύεται η διαχείριση της διακύμανσης της στάθμης των υδάτων ως το πλέον αποτελεσματικό εργαλείο για την οικολογική ανόρθωση της λίμνης. Ειδική έμφαση δίνεται στον ρόλο συγκεκριμένων ειδών, όπως τα ‘Phragmites australis’ και ‘Typha angustifolia’, στη διαδικασία του αποικισμού και της υποβάθμισης του υγροτόπου. Η αλλοίωση του οικοσυστήματος τεκμηριώνεται από την ανεξέλεγκτη υπερ-ανάπτυξη των καλαμώνων στην επιφάνεια και εντός της στήλης του ύδατος, καθώς και από τη συσσώρευση νεκρής οργανικής ύλης (τύρφης) στον πυθμένα, στοιχεία που πρέπει να ληφθούν σοβαρά υπόψη στο πλαίσιο της ολοκληρωμένης διαχείρισης της προστατευόμενης περιοχής NATURA 2000.

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

Περιβαλλοντική παρακολούθηση χωροχρονικών μεταβολών με χρήση τηλεπισκόπησης και GIS σε έναν μεσογειακό υγρότοπο της Βόρειας Ελλάδας

2026-01-22T19:39:31Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u>Environmental Monitoring of Spatio-temporal Changes Using Remote Sensing and GIS in a Mediterranean Wetland of Northern Greece<br><br>

<b>Συγγραφείς:</b>Papastergiadou, E. S., Retalis, A., Apostolakis, A., & Georgiadis, T.<br>
<b>Πηγή (αναλυτικά):</b>Papastergiadou, E. S., Retalis, A., Apostolakis, A., & Georgiadis, T. (2008). Environmental monitoring of spatio-temporal changes using remote sensing and GIS in a Mediterranean wetland of Northern Greece. Water Resources Management, 22(5), 579-594. DOI: [https://www.researchgate.net/publication/226229330_Environmental_Monitoring_of_Spatio-temporal_Changes_Using_Remote_Sensing_and_GIS_in_a_Mediterranean_Wetland_of_Northern_Greece 10.1007/s11269-007-9179-7]
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
Οι υγρότοποι της Μεσογείου έχουν υποστεί δραματική συρρίκνωση κατά τον τελευταίο αιώνα, κυρίως λόγω της μετατροπής τους σε γεωργικές εκτάσεις. Η εξεταζόμενη επιστημονική μελέτη ερευνά τις μακροχρόνιες περιβαλλοντικές αλλαγές στη [https://el.wikipedia.org/wiki/%CE%A7%CE%B5%CE%B9%CE%BC%CE%B1%CE%B4%CE%AF%CF%84%CE%B9%CE%B4%CE%B1 λίμνη Χειμαδίτιδα] και την παρακείμενη λίμνη [https://el.wikipedia.org/wiki/%CE%96%CE%AC%CE%B6%CE%B1%CF%81%CE%B7 Ζάζαρη] στη Βόρεια Ελλάδα, περιοχές υψηλής οικολογικής σημασίας για τη διατήρηση της βιοποικιλότητας και ειδικότερα της ορνιθοπανίδας. Στόχος της μελέτης είναι η ποσοτική και ποιοτική αποτίμηση των μεταβολών στην κάλυψη γης και στα υγροτοπικά ενδιαιτήματα σε βάθος σχεδόν 60 ετών (1945–2002). Εστιάζει στον εντοπισμό των επιπτώσεων που προκλήθηκαν από τη μετατροπή της λεκάνης απορροής, η οποία ιστορικά κυριαρχούνταν από τυρφώνες, σε εντατικά καλλιεργούμενες και βοσκήσιμες εκτάσεις. Αυτή η ανθρωπογενής παρέμβαση διατάραξε το υδρολογικό ισοζύγιο και επιδείνωσε την ποιότητα των υδάτων μέσω του ευτροφισμού, οδηγώντας σε ταχεία επέκταση των καλαμώνων εις βάρος της ανοιχτής υδάτινης επιφάνειας. Μέσω της συνδυαστικής χρήσης ιστορικών αεροφωτογραφιών και Γεωγραφικών Συστημάτων Πληροφοριών ([https://www.esri.com/en-us/what-is-gis/overview GIS]) για την επιτυχή κάλυψη του επιλεγμένου χρονικού εύρους, παρέχει χάρτες ακριβείας που λειτουργούν ως γραμμή βάσης (baseline) για την κατανόηση της χωρικής κατανομής των πιέσεων. Τα αποτελέσματα καταδεικνύουν την ανάγκη λήψης άμεσων μέτρων διαχείρισης και αποκατάστασης, προκειμένου να αναχαιτισθεί η περαιτέρω υποβάθμιση και η σταδιακή ελοποίηση του οικοσυστήματος.

<h1><b><span style="color:darkgreen">Περιοχή μελέτης και οικολογικό πλαίσιο</span></b></h1>
Η περιοχή μελέτης αφορά το υγροτοπικό σύμπλεγμα των λιμνών Χειμαδίτιδας και Ζάζαρης, το οποίο βρίσκεται στα σύνορα των Περιφερειακών Ενοτήτων Φλώρινας και Κοζάνης. Η λίμνη Χειμαδίτιδα, μια φυσική, ρηχή και ευτροφική λίμνη, αποτελεί έναν βιότοπο ζωτικής σημασίας με πλούσια βιοποικιλότητα και έχει ενταχθεί στο Ευρωπαϊκό πρόγραμμα προστατευόμενων περιοχών [https://www.eea.europa.eu/en/datahub/datahubitem-view/6fc8ad2d-195d-40f4-bdec-576e7d1268e4 NATURA 2000]. Ωστόσο, η λεκάνη απορροής της έχει υποστεί ριζικές αλλαγές. Ιστορικά, η περιοχή περιβαλλόταν από εκτεταμένους τυρφώνες, οι οποίοι σταδιακά αποστραγγίστηκαν και μετατράπηκαν σε βοσκότοπους και καλλιεργήσιμες γαίες. Η υδρολογική ισορροπία της Χειμαδίτιδας εξαρτάται άμεσα από την υπερχείλιση της γειτονικής Ζάζαρης, όμως οι ανθρώπινες παρεμβάσεις για την εξυπηρέτηση της άρδευσης έχουν διαταράξει αυτή τη σχέση.

[[ Εικόνα: 5_εικ1.png| thumb | center|600px|'''Εικόνα 1:''' Θέση της περιοχής της μελέτης περίπτωσης, υγρότοπος της λίμνης Χειμαδιτίδα, Βόρεια Ελλάδα. ]]

<h1><b><span style="color:darkgreen">Επιλογή δεδομένων και χρονική κλίμακα</span></b></h1>
Για να επιτευχθεί η χαρτογράφηση των ιστορικών και σύγχρονων τάσεων, έγινε αξιοποίηση ενός ευρέος φάσματος χωρικών δεδομένων που καλύπτουν μια περίοδο πολλών δεκαετιών. Συγκεκριμένα, χρησιμοποιήθηκαν:
* <b><span style="color:darkgreen">Ιστορικά Δεδομένα:</span></b> Ασπρόμαυρες αεροφωτογραφίες από τα έτη 1945, 1969, 1982 και 1996, οι οποίες αποτέλεσαν τη βάση αναφοράς για την κατάσταση του υγροτόπου πριν από την εντατικοποίηση των παρεμβάσεων. Συλλέχθηκαν από την Ελληνική Γεωγραφική Υπηρεσία Στρατού (ΓΥΣ).
* <b><span style="color:darkgreen">Δεδομένα Πεδίου:</span></b> Πραγματοποιήθηκαν εκτεταμένες εργασίες πεδίου το 2002 για την επαλήθευση των χαρτών του 1996 και την επικαιροποίηση της κατάστασης του υγροτόπου, εξασφαλίζοντας την ακρίβεια της ταξινόμησης (ground truthing). Η επιλογή των συγκεκριμένων ετών επέτρεψε την αποτύπωση κρίσιμων φάσεων στην εξέλιξη του υγροτόπου, πριν και μετά τα μεγάλα αποστραγγιστικά και αρδευτικά έργα της περιοχής.

<h1><b><span style="color:darkgreen">Μεθοδολογία επεξεργασίας και ταξινόμηση</span></b></h1>
Η επεξεργασία των δεδομένων πραγματοποιήθηκε σε περιβάλλον GIS (πρόγραμμα ArcGIS 8.3), ακολουθώντας τα εξής βήματα:
* <b><span style="color:darkgreen">Γεωμετρική Διόρθωση:</span></b> Όλες οι αεροφωτογραφίες διορθώθηκαν γεωμετρικά και προσαρμόστηκαν στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ '87) για να επιτευχθεί η ακριβής υπέρθεση και σύγκριση των πολυγώνων μεταξύ των διαφορετικών ετών.
* <b><span style="color:darkgreen">Φωτοερμηνεία και Ψηφιοποίηση:</span></b> Εφαρμόστηκε η μέθοδος της οπτικής ερμηνείας των αεροφωτογραφιών για τον εντοπισμό και την οριοθέτηση των διαφορετικών τύπων βλάστησης και χρήσεων γης. Τα όρια των ενδιαιτημάτων ψηφιοποιήθηκαν στην οθόνη.
* <b><span style="color:darkgreen">Κατηγοριοποίηση:</span></b> Αναγνωρίστηκαν και χαρτογραφήθηκαν 10 κατηγορίες κάλυψης/χρήσης γης, με τις σημαντικότερες να είναι: ανοιχτή επιφάνεια νερού, καλαμώνες (κυρίως Phragmites australis), τυρφώνες/έλη (peat lands/fen), υγρά λιβάδια, γεωργικές εκτάσεις και βοσκότοποι.

<h1><b><span style="color:darkgreen">Αποτελέσματα χωρικών και χρονικών μεταβολών</span></b></h1>
Η συγκριτική ανάλυση ανέδειξε μια σαφή τάση υποβάθμισης του υγροτόπου:
* <b><span style="color:darkgreen">Συρρίκνωση Υδάτινης Επιφάνειας:</span></b> Η έκταση της ανοιχτής επιφάνειας νερού στη Χειμαδίτιδα μειώθηκε δραματικά από το 1945 έως το 2002. Η μείωση αυτή οφείλεται στη συσσώρευση φερτών υλικών και στην υπερβολική άντληση υδάτων.
* <b><span style="color:darkgreen">Επέκταση Καλαμώνων:</span></b>Παρατηρήθηκε ραγδαία επέκταση των καλαμώνων εις βάρος της ανοιχτής λίμνης. Λόγω του ευτροφισμού (εισροή λιπασμάτων από τις γειτονικές καλλιέργειες) και της μείωσης του βάθους, τα υδροχαρή φυτά κατέλαβαν μεγάλο μέρος της πρώην υδάτινης έκτασης.
* <b><span style="color:darkgreen">Απώλεια Υγρών Λιβαδιών:</span></b> Μεγάλες εκτάσεις που παλαιότερα λειτουργούσαν ως υγρά λιβάδια ή μεταβατικές ζώνες αποστραγγίστηκαν και μετατράπηκαν σε καλλιεργήσιμη γη, μειώνοντας τη φυσική ζώνη προστασίας της λίμνης.

[[ Εικόνα: 5_εικ2.png| thumb | center|500px|'''Εικόνα 2:''' Εκτεταμένη κάλυψη/χρήση γης (εκτάρια) για την περίοδο 1945-1996, στην περιοχή μελέτης.]]

[[ Εικόνα: 5_εικ3.png| thumb | center|500px|'''Εικόνα 3:''' Αλλαγές στην κάλυψη/χρήση γης (%) και ετήσια μεταβολή (εκτάρια/έτος) στην περιοχή μελέτης για την περίοδο 1945–1996.]]

<h1><b><span style="color:darkgreen">Υδρολογική διαχείριση και οικολογικές επιπτώσεις</span></b></h1>

[[ Εικόνα: 5_εικ4.png| thumb | right|400px|'''Εικόνα 4:''' Χωροχρονικές μεταβολές των ανοιχτών υδάτινων εκτάσεων/λιμνών που αντιπροσωπεύουν την εναπομένουσα περιεκτικότητα σε νερό κατά την περίοδο 1945–1996.]]

Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη Χειμαδίτιδα μετατρέπεται σταδιακά από μια ανοιχτή λίμνη σε ένα έλος κυριαρχούμενο από καλαμώνες. Η μελέτη υπογραμμίζει ότι οι κύριοι οδηγοί αυτής της αλλαγής είναι ανθρωπογενείς: η κατασκευή αποστραγγιστικών τάφρων, η εντατική γεωργία και η κακή διαχείριση των υδάτινων πόρων της λεκάνης απορροής. Η αλλαγή στη χρήση γης από τυρφώνες σε γεωργικές εκτάσεις είχε ως αποτέλεσμα την αύξηση των θρεπτικών φορτίων που καταλήγουν στη λίμνη, επιταχύνοντας τη διαδικασία της γήρανσης και του ευτροφισμού του οικοσυστήματος.

<h1><b><span style="color:darkgreen">Προκλήσεις και τεχνικοί περιορισμοί</span></b></h1>
Στη μελέτη διευκρινίζεται πως κατά την ανάλυση εντοπίστηκαν δυσκολίες που αφορούν κυρίως τη διακριτική ικανότητα των δεδομένων. Ο διαχωρισμός μεταξύ διαφορετικών ειδών υδρόβιας βλάστησης (π.χ. Phragmites έναντι Typha) ή μεταξύ πυκνής βλάστησης και ορισμένων γεωργικών καλλιεργειών υπήρξε πρόκληση στις δορυφορικές εικόνες μέτριας ανάλυσης. Παρόλα αυτά, η συνδυαστική χρήση των αεροφωτογραφιών υψηλής ανάλυσης βοήθησε στην επαλήθευση των ιστορικών ορίων και στη βελτίωση της ακρίβειας της χαρτογράφησης.

<h1><b><span style="color:darkgreen">Συμπεράσματα</span></b></h1>
Γίνεται αντιληπτό ότι η λίμνη Χειμαδίτιδα βρίσκεται σε κρίσιμη κατάσταση, έχοντας απολέσει σημαντικό μέρος των οικολογικών της λειτουργιών τις τελευταίες δεκαετίες, με την ανθρωπογενή παρέμβαση να αποτελεί την κύρια αιτία καταστροφής και υποβάθμισης των υδάτινων ενδιαιτημάτων, με τον κατακερματισμό των φυσικών οικοτόπων να απειλεί άμεσα και τη βιοποικιλότητα. Επομένως, η ύπαρξη ενός συνεπούς και συνεχούς προγράμματος παρακολούθησης της κατάστασης και της έκτασης αυτών των ευαίσθητων οικοσυστημάτων κρίνεται απαραίτητη προϋπόθεση για τη διατήρηση και διασφάλιση του τοπίου. Η μεθοδολογία ανάλυσης αεροφωτογραφιών που εφαρμόστηκε αποδείχθηκε όχι μόνο οικονομικά αποδοτική, αλλά και επιστημονικά ακριβής, επιτρέποντας την ερμηνεία των οικολογικών διεργασιών και τη σύγκριση της τρέχουσας κατανομής της χλωρίδας με ιστορικά δεδομένα. Η προσέγγιση αυτή αποτελεί ένα πολύτιμο εργαλείο σχεδιασμού για την ιεράρχηση των περιοχών που χρήζουν περαιτέρω έρευνας ή μέτρων αποκατάστασης. Επιπρόσθετα, αναδεικνύεται η διαχείριση της διακύμανσης της στάθμης των υδάτων ως το πλέον αποτελεσματικό εργαλείο για την οικολογική ανόρθωση της λίμνης. Ειδική έμφαση δίνεται στον ρόλο συγκεκριμένων ειδών, όπως τα ‘Phragmites australis’ και ‘Typha angustifolia’, στη διαδικασία του αποικισμού και της υποβάθμισης του υγροτόπου. Η αλλοίωση του οικοσυστήματος τεκμηριώνεται από την ανεξέλεγκτη υπερ-ανάπτυξη των καλαμώνων στην επιφάνεια και εντός της στήλης του ύδατος, καθώς και από τη συσσώρευση νεκρής οργανικής ύλης (τύρφης) στον πυθμένα, στοιχεία που πρέπει να ληφθούν σοβαρά υπόψη στο πλαίσιο της ολοκληρωμένης διαχείρισης της προστατευόμενης περιοχής NATURA 2000.

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

Αξιολόγηση της παράκτιας τρωτότητας στην άνοδο στάθμης και συγκριτική μελέτη δύο ορμίσκων σε εποχική κλίμακα, νήσος Ίος, Κυκλάδες, Ελλάδα

2026-01-22T19:26:34Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u> Coastal Vulnerability Assessment for Future Sea Level Rise and a Comparative Study of Two Pocket Beaches in Seasonal Scale, Ios Island, Cyclades, Greece<br><br>

<b>Συγγραφείς:</b> Komi, A., Petropoulos, A., Evelpidou, N., Poulos, S., & Kapsimalis, V.<br>
<b>Πηγή (αναλυτικά):</b> Komi, A., Petropoulos, A., Evelpidou, N., Poulos, S., & Kapsimalis, V. (2022). Coastal Vulnerability Assessment for Future Sea Level Rise and a Comparative Study of Two Pocket Beaches in Seasonal Scale, Ios Island, Cyclades, Greece. Journal of Marine Science and Engineering, 10(11), 1673. DOI: [https://www.mdpi.com/2077-1312/10/11/1673 10.3390/jmse10111673]
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η παράκτια ζώνη αποτελεί το πεδίο δυναμικής αλληλεπίδρασης μεταξύ θαλάσσιου και χερσαίου περιβάλλοντος, η οποία απειλείται παγκοσμίως από την άνοδο της στάθμης της θάλασσας. Στόχος της παρούσας εργασίας είναι η εκτίμηση της παράκτιας τρωτότητας της νήσου Ίου, η οποία εντοπίζεται στις κεντρικές Κυκλάδες, για τα επόμενα 100 χρόνια και ο εντοπισμός των περιοχών που είναι συγκριτικά πιο ευάλωτες. Εξετάστηκαν οι εποχικές μεταβολές σχετικά μέσω υπολογισμού της ιζηματολογικής, γεωμορφολογικής και τοπογραφικής εξέλιξης των ακτών σε περιορισμένη χωρική κλίμακα, σε δύο ορμίσκους ([https://en.wikipedia.org/wiki/Pocket_beach pocket beaches]) της Ίου: οι παραλίες του Μυλοπότα και Μαγγανάρι. Οι περίοδοι μελέτης για τις εποχικές αλλαγές αφορούν το φθινόπωρο και την άνοιξη του 2018. Για τους σκοπούς της παραπάνω εποχικής προσέγγισης, πραγματοποιήθηκαν τοπογραφικές τομές και μετρήσεις κατά μήκος της ακτογραμμής κάθε περιοχής μελέτης με τη χρήση Διαφορικού Συστήματος Εντοπισμού Θέσης (Differential GPS) με δέκτη [https://en.wikipedia.org/wiki/Satellite_navigation GNSS] υψηλής ακρίβειας, για τον μετέπειτα υπολογισμό του ρυθμού μετατόπισης της ακτογραμμής. Επίσης, κρίθηκε απαραίτητη η δειγματοληψία ιζημάτων για την παρούσα έρευνα.

<h1><b><span style="color:#FF4500">Τοποθεσία περιοχής μελέτης</span></b></h1>
Η νήσος Ίος βρίσκεται στο Νοτιοανατολικό Αιγαίο και ανήκει στον νομό Κυκλάδων. Η έρευνα εστιάζει σε δύο χαρακτηριστικές παραλίες. Πρώτη είναι η παραλία του Μυλοπότα που εντοπίζεται στη δυτική Ίο, έχει συνολικό μήκος 700 μέτρα, οριοθετείται από δύο φυσικά ακρωτήρια και έχει προσανατολισμό ΒΔ-ΝΑ. Η συγκεκριμένη παραλία θεωρείται η πιο τουριστική στο νησί της Ίου. Δεύτερη, η παραλία Μαγγανάρι η οποία τοποθετείται στο νότιο άκρο του νησιού και αποτελείται από δύο κολπίσκους με διεύθυνση Δ-ΝΑ. Ο δυτικός κόλπος έχει μήκος 343 μέτρα, ενώ ο ανατολικός 300 μέτρα. Σε αντίθεση με την παραλία του Μυλοπότα, το Μαγγανάρι δεν φιλοξενεί πολλές τουριστικές επιχειρήσεις, αλλά αποτελεί μια αναπτυσσόμενη παράκτια περιοχή.

[[ Εικόνα: 3_εικ1.png | thumb | right |500px|'''Εικόνα 1:''' Θέση των περιοχών μελέτης. Στα δυτικά βρίσκεται η παραλία Μυλοπότας, ενώ στα νότια βρίσκεται η παραλία Μαγγανάρι.]]

[[ Εικόνα: 3_εικ2.png | thumb | center|500px|'''Εικόνα 2:''' Η παραλία Μυλοπότας βρίσκεται στο δυτικό τμήμα της Ίου. Το κόκκινο βέλος υποδεικνύει τη θέση της περιοχής μελέτης.]]

[[ Εικόνα: 3_εικ3.png | thumb | center|500px|'''Εικόνα 3:''' Η παραλία Μαγγανάρι βρίσκεται στο νότιο τμήμα της Ίου. Το κόκκινο βέλος υποδεικνύει τη θέση της περιοχής μελέτης.]]

<h1><b><span style="color:#FF4500">Δείκτης τρωτότητας ακτών (CVI) και δορυφορικά δεδομένα που αξιοποιήθηκαν</span></b></h1>
Για την επίτευξη των στόχων της μελέτης χρησιμοποιήθηκε ένας συνδυασμός τηλεπισκοπικών και επιτόπιων μεθόδων. Για τον υπολογισμό των παραμέτρων, έγινε εφαρμογή του δείκτη τρωτότητας των ακτών ([https://climate-adapt.eea.europa.eu/en/metadata/tools/coastal-vulnerability-index-2013-cvi CVI]), και συγκεκριμένα για τον ρυθμό μεταβολής της ακτογραμμής, αξιοποιήθηκαν ιστορικά και σύγχρονα δεδομένα από οπτικούς δορυφορικούς δέκτες μέτριας διακριτικής ικανότητας ([https://en.wikipedia.org/wiki/Landsat_program Landsat]). Τα δεδομένα αυτά επέτρεψαν τη διαχρονική χαρτογράφηση της θέσης της ακτογραμμής σε βάθος δεκαετιών. Παράλληλα, για την εποχική μελέτη ακριβείας στους δύο ορμίσκους, η δορυφορική πληροφορία εμπλουτίστηκε με μετρήσεις πεδίου υψηλής ακρίβειας (GNSS), προσφέροντας την απαραίτητη λεπτομέρεια για την καταγραφή μικρο-μεταβολών στην τοπογραφία της παραλίας.

[[ Εικόνα: 3_εικ4.png | thumb | right|500px|'''Εικόνα 4:''' Χάρτης της παραλίας Μυλοπότας. Όλα τα σημεία υποδεικνύουν σημεία μέτρησης DGPS: τα μαύρα σημεία υποδεικνύουν το όριο της παραλίας προς την ενδοχώρα, τα κόκκινα σημεία υποδεικνύουν κατακόρυφες διατομές σε σχέση με την ακτογραμμή, τα μπλε σημεία υποδεικνύουν την ακτογραμμή κατά τη διάρκεια της περιόδου πεδίου. (α) Μετρήσεις πεδίου προφίλ άνοιξη (41 διατομές). (β) Μετρήσεις πεδίου προφίλ φθινόπωρο (40 διατομές) προφίλ.]]

[[ Εικόνα: 3_εικ5.png | thumb | center|500px|'''Εικόνα 4:''' Χάρτης της παραλίας Magganari. Όλα τα σημεία υποδεικνύουν σημεία μέτρησης DGPS: τα μαύρα σημεία υποδεικνύουν το όριο της παραλίας προς την ενδοχώρα, τα κόκκινα σημεία υποδεικνύουν κάθετες διατομές σε σχέση με την ακτογραμμή, τα μπλε σημεία υποδεικνύουν την ακτογραμμή κατά τη διάρκεια της περιόδου πεδίου. (α) Μετρήσεις πεδίου προφίλ άνοιξη (36 διατομές). (β) Μετρήσεις πεδίου προφίλ φθινόπωρο (42 διατομές) προφίλ.]]

<h1><b><span style="color:#FF4500">Παρουσίαση πραγματικών δεδομένων που αξιοποιήθηκαν</span></b></h1>
Τα δεδομένα που επιλέχθηκαν για την ανάλυση είναι τα εξής:
* <b><span style="color:#FF4500">Γεωλογικά και Γεωμορφολογικά δεδομένα:</span></b>Έγινε εκμετάλλευση χαρτών και δορυφορικών εικόνων για την ταξινόμηση της ακτογραμμής σε κατηγορίες γεωμορφολογίας και τον υπολογισμό της παράκτιας κλίσης.
* <b><span style="color:#FF4500">Ωκεανογραφικά δεδομένα:</span></b> Συλλέχθηκαν δεδομένα για το σημαντικό ύψος κύματος και το παλιρροϊκό εύρος, τα οποία αποτελούν κρίσιμες μεταβλητές για τον δείκτη CVI.
* <b><span style="color:#FF4500">Δεδομένα πεδίου:</span></b> Πραγματοποιήθηκαν δειγματοληψίες ιζημάτων και χάραξη τοπογραφικών τομών κατά τη διάρκεια της θερινής και χειμερινής περιόδου του 2018, με στόχο την κοκκομετρική ανάλυση δειγμάτων για τον προσδιορισμό της υφής των ιζημάτων και βαθυμετρική αποτύπωση για την κατανόηση της μορφολογίας του πυθμένα αντίστοιχα.

<h1><b><span style="color:#FF4500">Στάδια προεπεξεργασίας δεδομένων</span></b></h1>
* Ψηφιοποίηση της ακτογραμμής από ιστορικούς χάρτες και δορυφορικές εικόνες σε περιβάλλον Γεωγραφικών Συστημάτων Πληροφοριών (GIS).
* Δημιουργία Ψηφιακών Μοντέλων Εδάφους ([https://en.wikipedia.org/wiki/Digital_elevation_model DEMs]) για την εξαγωγή της κλίσης της ακτής.
* Γεωαναφορά και εναρμόνιση των διαφορετικών πηγών δεδομένων (γεωλογικών, κυματικών, τοπογραφικών) σε κοινό σύστημα αναφοράς (Greek Geodetic Reference System 1987 ή EGSA 87-GreekGrid).

<h1><b><span style="color:#FF4500">Μεθοδολογία και διαδικασία άντλησης αποτελεσμάτων</span></b></h1>
<b><span style="color:#FF4500">1. Υπολογισμός Δείκτη Παράκτιας Τρωτότητας (CVI)</span></b><br>
Εφαρμόστηκε η μεθοδολογία του CVI, η οποία ενσωματώνει έξι μεταβλητές: γεωμορφολογία, παράκτια κλίση, ρυθμό μεταβολής ακτογραμμής, σχετική άνοδο στάθμης θάλασσας, μέσο παλιρροϊκό εύρος και μέσο σημαντικό ύψος κύματος. Κάθε μεταβλητή βαθμολογήθηκε σε κλίμακα επικινδυνότητας (από πολύ χαμηλή έως πολύ υψηλή). Η τελική τιμή του δείκτη προέκυψε από τον συνδυασμό αυτών των παραμέτρων, επιτρέποντας την ποσοτική αξιολόγηση της τρωτότητας για κάθε τμήμα της ακτογραμμής. Ο τύπος υπολογισμού του CVI είναι:
CVI =√((a∗b∗c∗d∗e∗f)/6)
όπου: a = γεωμορφολογία, b = παράκτια κλίση, c = σχετική μεταβολή στάθμης θάλασσας, d = ρυθμός μετατόπισης ακτογραμμής, e = μέσο παλιρροϊκό εύρος και f = μέσο ύψος κύματος.<br>
<b><span style="color:#FF4500">2. Ανάλυση Μεταβολής Ακτογραμμής</span></b><br>
Για την ανάλυση της μετατόπισης της ακτογραμμής αξιοποιήθηκαν στατιστικοί δείκτες διάβρωσης και απόθεσης μέσω του εργαλείου ψηφιακού συστήματος ανάλυσης ακτογραμμής (DSAS), ενώ οι μετρήσεις υψηλής ακρίβειας με DGPS/GNSS επέτρεψαν τον ακριβή προσδιορισμό των εποχικών μεταβολών στις παραλίες αναφοράς.

<h1><b><span style="color:#FF4500">Συμπεράσματα</span></b></h1>
Η μελέτη πέτυχε μια συνδυαστική αποτίμηση της τρωτότητας της νήσου Ίου έναντι της ανόδου της στάθμης της θάλασσας, εξετάζοντας ταυτόχρονα τη μικροκλίμακα της εποχικής εξέλιξης σε δύο επιλεγμένους ορμίσκους.<br>
Τα ευρήματα καταδεικνύουν ότι, λόγω της επικράτησης βραχώδους γεωμορφολογίας και απότομων κλίσεων, η συντριπτική πλειονότητα της ακτογραμμής παρουσιάζει πολύ χαμηλή τρωτότητα έως το έτος 2100. Το γεγονός αυτό επιβεβαιώνεται από ιστορικά δεδομένα μετατόπισης της ακτογραμμής, τα οποία δείχνουν ότι ουσιαστικές μεταβολές (της τάξης του 1 μέτρου ετησίως) περιορίζονται αποκλειστικά σε αμμώδεις εκτάσεις με ήπια κλίση, ενώ οι βραχώδεις ακτές παραμένουν σταθερές. Σε επίπεδο ιζηματολογίας, και στις δύο παραλίες μελέτης κυριαρχεί άμμος με πρόσμιξη χαλικιού, ενώ παρατηρήθηκαν εποχικές διακυμάνσεις στη μορφολογία του πυθμένα, οι οποίες αποδίδονται κυρίως στη δράση των κυμάτων κατά τη θερινή περίοδο. Ωστόσο, εντοπίστηκε μια σημαντική διαφοροποίηση στη δυναμική των δύο παραλιών που συνδέεται με την ανθρώπινη παρέμβαση. Συγκεκριμένα, η παραλία του Μυλοπότα εμφανίζει τάσεις υποχώρησης, οι οποίες φαίνεται να οφείλονται στον εγκλωβισμό των φερτών υλικών από φράγμα που έχει κατασκευαστεί ανάντη, διακόπτοντας τη φυσική τροφοδοσία της ακτής, σε συνδυασμό με την έντονη τουριστική εκμετάλλευση. Αντίθετα, στο Μαγγανάρι, η ηπιότερη τουριστική ανάπτυξη και η απρόσκοπτη λειτουργία του υδρογραφικού δικτύου επιτρέπουν τη φυσική αναπλήρωση και συγκράτηση των ιζημάτων, οδηγώντας σε σταθερότητα ή ακόμα και σε μικρή προέλαση της ακτογραμμής.

Χάρτης της παραλίας Magganari. Όλα τα σημεία υποδεικνύουν σημεία μέτρησης DGPS: τα μαύρα σημεία υποδεικνύουν το όριο της παραλίας προς την ενδοχώρα, τα κόκκινα σημεία υποδεικνύουν κάθετες διατομές σε σχέση με την ακτογραμμή, τα μπλε σημεία υποδεικνύουν την ακτογραμμή κατά τη διάρκεια της περιόδου πεδίου. (α) Μετρήσεις πεδίου προφίλ άνοιξη (36 διατομές). (β) Μετρήσεις πεδίου προφίλ φθινόπωρο (42 διατομές) προφίλ.

[[ Εικόνα: 3_εικ6.png | thumb | right|500px|'''Εικόνα 6:''' Χάρτης εποχιακής μετατόπισης της ακτογραμμής στην παραλία Μυλοπότα.]]

[[ Εικόνα: 3_εικ7.png | thumb | center|500px|'''Εικόνα 7:''' Χάρτης εποχιακής μετατόπισης της ακτογραμμής στην παραλία Μαγγανάρι.]]

Νέες τεχνολογίες για την παρακολούθηση της δυναμικής των παράκτιων οικοσυστημάτων

2026-01-22T02:36:06Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u> New Technologies for Monitoring Coastal Ecosystem Dynamics <br><br>

<b>Συγγραφείς:</b> Cavanaugh, K. C., Bell, T. W., Aerni, K. E., Byrnes, J. E., McCammon, S., & Smith, M. M.<br>
<b>Πηγή (αναλυτικά):</b>Cavanaugh, K. C., Bell, T. W., Aerni, K. E., Byrnes, J. E., McCammon, S., & Smith,
M. M. (2025). New technologies for monitoring coastal ecosystem dynamics. Annual Review of
Marine Science, 17(1), 409-433. DOI: [https://www.annualreviews.org/content/journals/10.1146/annurev-marine-040523-020221 10.1146/annurev-marine-040523-020221]
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Τα παράκτια οικοσυστήματα, όπως τα μαγκρόβια δάση, τα αλατούχα έλη, τα λιβάδια φανερόγαμων και τα δάση φαιοφυκών (kelp forests), παρέχουν κρίσιμες υπηρεσίες οικοσυστήματος, από την προστασία των ακτών έως τη δέσμευση άνθρακα. Παρόλα αυτά, η δυναμική τους φύση και οι ταχύτατες περιβαλλοντικές αλλαγές που υφίστανται καθιστούν τις παραδοσιακές μεθόδους παρακολούθησης ανεπαρκείς. Στόχος της παρούσας ανασκόπησης της διαθέσιμης επιστημονικής βιβλιογραφίας είναι η αξιολόγηση της πρόσφατης τεχνολογικής επανάστασης που μετασχηματίζει τον τρόπο με τον οποίο μελετάται η παράκτια ζώνη. Οι συγγραφείς συνθέτουν τις εξελίξεις σε τέσσερις βασικούς τομείς: την τηλεπισκόπηση υψηλής ανάλυσης (από δορυφόρους και drones), την ανάλυση περιβαλλοντικού DNA (eDNA), τη χρήση χαμηλού κόστους αισθητήρων και την επεξεργασία δεδομένων μέσω υπολογιστικού νέφους και τεχνητής νοημοσύνης ([https://en.wikipedia.org/wiki/Artificial_intelligence artificial intelligence, ή AI]). Η εργασία υποστηρίζει ότι η μετάβαση από τη σπανιότητα στην αφθονία δεδομένων επιτρέπει πλέον την παρακολούθηση των οικολογικών διεργασιών σε πραγματικό χρόνο και σε πολλαπλές κλίμακες, υπό την προϋπόθεση ότι θα ξεπεραστούν εμπόδια που σχετίζονται με την προσβασιμότητα και την ολοκλήρωση των διαφορετικών πηγών πληροφορίας.

<h1><b><span style="color:#FF4500">Η ανάγκη για παρακολούθηση σε πολλές κλίμακες </span></b></h1>
Η διαχειριση των παρακτιων πορων απαιτει κατανοηση των αλλαγων που συμβαινουν τοσο σε
τοπικο, οσο και παγκοσμιο επιπεδο. Στο παρελθον, οι ερευνητες επρεπε να επιλεξουν μεταξυ
λεπτομερων αλλα τοπικων επιτοπιων μετρησεων και ευρειας κλιμακας αλλα χαμηλης αναλυσης
δορυφορικων εικονων. Η μελετη αναδεικνυει οτι οι νεες τεχνολογιες γεφυρωνουν αυτο το χασμα.
Η δυνατοτητα ταυτοχρονης καταγραφης της εκτασης, της βιομαζας, της δομης και της
βιοποικιλοτητας των οικοσυστηματων επιτρεπει την κατανοηση οχι μονο του που συμβαινουν οι
αλλαγες, αλλα και του γιατι και πως επηρεαζουν τη λειτουργια του συστηματος.

[[ Εικόνα: 2_εικ1.png | thumb | center|400px|'''Εικόνα 1:''' Εννοιολογικό διάγραμμα που δείχνει τη γενική χωρική και χρονική κάλυψη των διαφόρων κατηγοριών τεχνολογιών παρατήρησης των ακτών το 2000 και το 2024. Συντομογραφίες: AUV, αυτόνομο υποβρύχιο όχημα· ROV, τηλεχειριζόμενο όχημα· UAV, μη επανδρωμένο αεροσκάφος.]]

<h1><b><span style="color:#FF4500">Επανάσταση στην Τηλεπισκόπηση: από δορυφόρους σε UAVs</span></b></h1>
Σημειωνεται μια θεμελιωδης αλλαγη στα διαθεσιμα εργαλεια παρατηρησης της Γης:<br>
* <b><span style="color:#FF4500">Δορυφορικά Συστήματα Νέας Γενιάς:</span></b> Η εμφάνιση μηχανισμών δορυφορικής κάλυψης της επιφάνειας της Γης από απόσταση μέσα από εμπορικές συστοιχίες μικρο-δορυφόρων (CubeSats), όπως τη συστοιχία της PlanetScope, προσφέρει πλέον καθημερινή κάλυψη με υψηλή χωρική ανάλυση (λίγων μέτρων), επιτρέποντας την καταγραφή ταχέων φαινομένων, όπως οι πλημμύρες ή η φαινολογία της βλάστησης. Συμληρωματικά, αναμένονται νέες αποστολές υπερφασματικής απεικόνισης που θα επιτρέψουν την πιο διακριτή καταγραφή ειδών και φυσιολογικών καταστάσεων που δεν ήταν ορατές με παλαιότερους αισθητήρες.
* <b><span style="color:#FF4500">Μη Επανδρωμένα Αεροσκάφη ([https://en.wikipedia.org/wiki/Unmanned_aerial_vehicle UAVs]):</span></b> Τα drones έχουν φέρει επανάσταση στην παράκτια χαρτογράφηση, παρέχοντας δεδομένα εκατοστιαίας ακρίβειας. Η βασική συνεισφορά τους εντοπίζεται στη δυνατότητα παραγωγής τρισδιάστατων (3D) δεδομένων για τη δομή των παράκτιων οικοσυστημάτων. Αυτό επιτυγχάνεται κυρίως μέσω δύο τεχνολογιών: της φωτογραμμετρίας «Δομή από Κίνηση» (Structure from Motion - SfM), η οποία χρησιμοποιεί αλληλοεπικαλυπτόμενες δισδιάστατες εικόνες από συμβατικές κάμερες για τη δημιουργία τρισδιάστατων μοντέλων, και των ενεργητικών αισθητήρων LiDAR που σαρώνουν άμεσα τη δομή της βλάστησης. Οι τεχνολογίες αυτές επιτρέπουν την ακριβή μέτρηση παραμέτρων, όπως το ύψος και ο όγκος του θόλου των φυτών, μετρήσεις θεμελιώδεις για την εκτίμηση της υπέργειας βιομάζας και των αποθεμάτων άνθρακα σε οικοσυστήματα, όπως τα μαγκρόβια δάση και τα αλατούχα έλη, αντικαθιστώντας ή συμπληρώνοντας τις χρονοβόρες παραδοσιακές μεθόδους απογραφής.

[[ Εικόνα: 2_εικ3.png | thumb | right |500px|'''Εικόνα 3:''' Παραδείγματα πλατφορμών για καθέναν από τους τρεις τύπους συστημάτων AUV. Φωτογραφίες: Austin Greene, WHOI (CUREE); Sheri White, WHOI, Ocean Observatories Initiative (REMUS 600); Ben Allsup, Teledyne Webb Research (Slocum G2 Glider); QUT (RangerBot); ecoSUB Robotics (ecoSUBm5); και Robert Todd, WHOI (Spray glider), προσαρμοσμένο με άδεια. Συντομογραφίες: AUV, αυτόνομο υποβρύχιο όχημα; CUREE, Curious Underwater Robot for Ecosystem Exploration (Περίεργο υποβρύχιο ρομπότ για εξερεύνηση οικοσυστημάτων); QUT, Queensland University of Technology (Πανεπιστήμιο Τεχνολογίας του Κουίνσλαντ); REMUS, Remote Environmental Measuring Units (Μονάδες απομακρυσμένης μέτρησης περιβάλλοντος); WHOI, Woods Hole Oceanographic Institution (Ωκεανογραφικό Ινστιτούτο Woods Hole).]]

[[ Εικόνα: 2_εικ2.png | thumb | center|500px|'''Εικόνα 2:''' Δεδομένα που συλλέχθηκαν με ένα μη επανδρωμένο αεροσκάφος από τη νότια ακτή του νησιού Άλεν, στο Μέιν, στις 17 Ιουλίου 2022. Ο κανονικοποιημένος δείκτης διαφοράς κόκκινου άκρου είναι ένα μέτρο της βλάστησης. Παρατηρήστε την κάλυψη από μακροφύκη κατά μήκος της ακτογραμμής εντός της παλιρροιακής ζώνης. Το ψηφιακό μοντέλο υψομέτρου προήλθε από τις έγχρωμες εικόνες χρησιμοποιώντας την τεχνική «δομή από κίνηση» (structure-from-motion).]]

<h1><b><span style="color:#FF4500">Καινοτομίες στη βιολογική και περιβαλλοντική παρακολούθηση</span></b></h1>
H ερευνα εστιαζει και σε τεχνολογιες που καταγραφουν τη βιολογικη ταυτοτητα και τις
φυσικοχημικες συνθηκες:
* <b><span style="color:#FF4500">Περιβαλλοντικό DNA (eDNA):</span></b> Η ανάλυση γενετικού υλικού που συλλέγεται από το νερό ή το ίζημα επιτρέπει την παρακολούθηση της βιοποικιλότητας χωρίς την ανάγκη σύλληψης ή οπτικής παρατήρησης των οργανισμών. Αυτό είναι ιδιαίτερα χρήσιμο για την ανίχνευση κρυπτικών, σπάνιων ή εισβολικών ειδών σε θολά παράκτια ύδατα.
* <b><span style="color:#FF4500">Δίκτυα Αισθητήρων:</span></b> Η ανάπτυξη φθηνών, ανοιχτού κώδικα (open-source) αισθητήρων επιτρέπει τη συνεχή καταγραφή παραμέτρων ποιότητας υδάτων (θερμοκρασία, οξύτητα, θολερότητα) σε υψηλή συχνότητα, παρέχοντας δεδομένα για τη σύνδεση των φυσικών παραμέτρων με τις βιολογικές αποκρίσεις.

<h1><b><span style="color:#FF4500">Διαχείριση δεδομένων: Νέφος και Τεχνητή Νοημοσύνη </span></b></h1>
Ο τεράστιος όγκος δεδομένων που παράγεται από τα παραπάνω συστήματα δημιουργεί την ανάγκη για νέες προσεγγίσεις ανάλυσης:
* <b><span style="color:#FF4500">Υπολογιστικό Νέφος (Cloud):</span></b> Πλατφόρμες όπως το Google Earth Engine και το Microsoft Planetary Computer έχουν εκδημοκρατίσει την πρόσβαση σε υπολογιστική ισχύ, επιτρέποντας την επεξεργασία πεταμπάιτ δεδομένων χωρίς την ανάγκη τοπικών υπερ-υπολογιστών.
* <b><span style="color:#FF4500">Μηχανική Μάθηση ([https://el.wikipedia.org/wiki/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 Machine Learning]):</span></b> Η χρήση Συνελικτικών Νευρωνικών Δικτύων (CNNs) και τεχνικών Βαθιάς Μάθησης (Deep Learning) είναι πλέον απαραίτητη για την αυτοματοποιημένη ερμηνεία εικόνων. Αυτοί οι αλγόριθμοι μπορούν να διακρίνουν πολύπλοκα πρότυπα, όπως τη διαφοροποίηση μεταξύ διαφορετικών ειδών φυκών ή την ταξινόμηση υποθαλάσσιων ενδιαιτημάτων, ξεπερνώντας τους περιορισμούς των παραδοσιακών μεθόδων ταξινόμησης.

<h1><b><span style="color:#FF4500">Προκλήσεις ενσωμάτωσης και προσβασιμότητας </span></b></h1>
Παρα την εμφανη τεχνολογικη προοδο, υπογραμμιζεται οτι η ευρεια υιοθετηση αυτων των
μεθοδων προσκρουει σε σημαντικα εμποδια. Παρολο που το κοστος ορισμενων μεσων (οπως τα εμπορικα drones) εχει μειωθει, η προσβαση σε εξειδικευμενους αισθητηρες (π.χ.
υπερφασματικους η LiDAR υψηλης πυκνοτητας) και η υπολογιστικη ισχυς που απαιτειται για την
αναλυση «μεγαλων δεδομενων» παραμενουν δαπανηρες, δημιουργωντας ανισοτητες μεταξυ
ερευνητικων ομαδων και χωρων με διαφορετικους οικονομικους πορους. Μια κεντρικη προκληση
αποτελει η λεγομενη «συντηξη δεδομενων» (data fusion) και συγκεκριμενα η γεφυρωση του
χασματος κλιμακας: πως δηλαδη μπορουν να ενσωματωθουν αποτελεσματικα οι σημειακες,
υψηλης ακριβειας μετρησεις, οπως το περιβαλλοντικο DNA – eDNA, με τη συνοπτικη, ευρειας
κλιμακας πληροφορια που παρεχουν οι δορυφορικες εικονες, ωστε να εξαχθουν εμπιστα
οικολογικα συμπερασματα. Ακομα, η ελλειψη τυποποιημενων πρωτοκολλων συλλογης και
επεξεργασιας δεδομενων εμποδιζει συχνα τη συγκρισιμοτητα των αποτελεσματων μεταξυ
διαφορετικων μελετων, καθιστωντας δυσκολη τη δημιουργια μιας διεθνους εικονας για την
κατασταση των παρακτιων οικοσυστηματων.

<h1><b><span style="color:#FF4500">Συμπεράσματα και Μελλοντικές Προοπτικές</span></b></h1>
Η ανασκόπηση καταλήγει στο συμπέρασμα ότι βρισκόμαστε στο κατώφλι μιας νέας εποχής για την παράκτια επιστήμη. Η σύγκλιση των ανεπτυγμένων τεχνολογιών, όπως αυτή της τηλεπισκόπησης και της επιστήμης δεδομένων προσφέρει πρωτοφανείς δυνατότητες για την κατανόηση της δυναμικής των οικοσυστημάτων. Βέβαια, η τεχνολογία από μόνη της δεν αρκεί, διότι απαιτείται και η παράλληλη ανάπτυξη διεπιστημονικών συνεργασιών που θα γεφυρώσουν την οικολογία με τη μηχανική και την πληροφορική. Το μέλλον της παρακολούθησης έγκειται στην επιχειρησιακή εφαρμογή αυτών των εργαλείων για τη λήψη αποφάσεων σε πραγματικό χρόνο, μετατρέποντας τα "μεγάλα δεδομένα" σε απαραίτητη γνώση για την προστασία και αποκατάσταση των απειλούμενων παράκτιων ζωνών. Το άρθρο κλείνει με τη δήλωση πως η επιτυχία θα κριθεί από την ικανότητά μας να καταστήσουμε αυτά τα εργαλεία προσβάσιμα και εφαρμόσιμα σε παγκόσμια κλίμακα, εξασφαλίζοντας τη βιωσιμότητα των πολύτιμων αυτών οικοσυστημάτων.
[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης

2026-01-22T02:26:37Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u> The future of coastal monitoring through satellite remote sensing<br><br>

<b>Συγγραφείς:</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A.<br>
<b>Πηγή (αναλυτικά):</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J.
A. (2023). The future of coastal monitoring through satellite remote sensing. Cambridge Prisms:
Coastal Futures, 1, e10. DOI: [https://www.cambridge.org/core/journals/cambridge-prisms-coastal-futures/article/future-of-coastal-monitoring-through-satellite-remote-sensing/CEDC8CD6260C8FA6E10DD148AE50BF4E 10.1017/cft.2022.4]
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>
Η κλιματική αλλαγή και η άνοδος της στάθμης της θάλασσας επιβάλλουν την ανάγκη για βελτιωμένη παρακολούθηση των παράκτιων ζωνών, καθώς οι παραδοσιακές επιτόπιες μετρήσεις είναι συχνά αραιές χρονικά και δαπανηρές. Η παρούσα μελέτη εξετάζει πώς η "δημοκρατικοποίηση" των δορυφορικών δεδομένων και η πρόοδος στην επιστήμη των δεδομένων (data science) μετασχηματίζουν την παράκτια γεωμορφολογία. Στόχος της είναι η ανασκόπηση και η παρουσίαση της μετάβασης από τις παραδοσιακές, αραιές «in-situ» μετρήσεις στη συνεχή, παγκόσμιας κλίμακας παρακολούθηση των παράκτιων διεργασιών (όπως η διάβρωση και η μορφολογική εξέλιξη) μέσω δορυφορικών παρατηρήσεων. Ειδικότερα, εστιάζει στην εμφάνιση της "καθοδηγούμενης από δεδομένα παράκτιας επιστήμης" (data-driven coastal science), η οποία αξιοποιεί τη μηχανική μάθηση για την εξαγωγή πληροφορίας από τεράστιους όγκους εικόνων, καθώς και στην προοπτική ολοκλήρωσης (integration) αυτών των παρατηρήσεων με επιχειρησιακά μοντέλα παράκτιας αλλαγής για την επίτευξη ακριβέστερων προγνώσεων.

<h1><b><span style="color:darkgreen">Είδη δορυφορικών συστημάτων, δεκτών, καναλιών και χρησιμότητά τους</span></b></h1>
Η ανάκτηση και η χαρτογράφηση των παράκτιων χαρακτηριστικών πραγματοποιείται μέσω ενός συνδυασμού παθητικών και ενεργητικών δεκτών. Οι δέκτες μέτριας διακριτικής ικανότητας (10-30m), όπως οι δορυφόροι [https://en.wikipedia.org/wiki/Landsat_program Landsat (5, 7, 8, 9)] και [https://www.sentinel-hub.com/ Sentinel-2], αποτελούν τη βάση της διαχρονικής παρακολούθησης, προσφέροντας ελεύθερα δεδομένα και μακροχρόνιες χρονοσειρές που επιτρέπουν την ανάλυση εδάφους από απόσταση σε διάστημα δεκαετιών. Η χρήση εμπορικών μικρο-δορυφόρων (SmallSats/CubeSats), όπως η PlanetScope, με απόσταση επίγειας δειγματοληψίας της τάξης των 3 μέτρων και ημερήσια επαναληψιμότητα, αρχίζει σταδιακά να κυριαρχεί, επιτρέποντας την παρακολούθηση γεγονότων υψηλής συχνότητας (π.χ. καταιγίδες). Τέλος, ενεργητικοί δέκτες [https://oceanservice.noaa.gov/facts/lidar.html Lidar], όπως το σύστημα ATLAS του ICESat-2, παρέχουν κρίσιμα υψομετρικά δεδομένα υψηλής ακρίβειας για την κάθετη δομή της παραλίας και τη βαθυμετρία.

<h1><b><span style="color:darkgreen">Επιλογή και διαθεσιμότητα δεδομένων</span></b></h1>
Με βάση την ιστορική αναδρομή και τις σύγχρονες δυνατότητες που εξετάζει η μελέτη, τα δεδομένα κατηγοριοποιούνται ως ακολούθως:
* <u>Δεδομενα ιστορικου αρχειου:</u> Αξιοποιούνται εικόνες από το πρόγραμμα Landsat που καλύπτουν μια περίοδο σχεδόν 40 ετών. Αυτά τα δεδομένα επιλέγονται για την κατανόηση των μακροχρόνιων τάσεων της ακτογραμμής και της μεταβολής του τοπίου σε κλίμακα δεκαετιών.
* <u>Δεδομενα υψηλης συχνοτητας:</u> Επιλέγονται σύγχρονες εικόνες από το σύστημα Sentinel-2 και PlanetScope. Λόγω του υψηλού όγκου δεδομένων, η διαθεσιμότητα είναι πλέον σχεδόν καθημερινή, επιτρέποντας την επιλογή εικόνων "καθαρού ουρανού" χωρίς νέφωση.
* <u>Δεδομενα ακριβειας (Lidar):</u> Τα δεδομένα του ICESat-2 χρησιμοποιούνται ως "δεδομένα αναφοράς" για την επικύρωση των οπτικών μεθόδων και την παροχή υψομετρικής πληροφορίας ακριβείας.

[[ Εικόνα: 1_εικ1.png | thumb | right |500px|'''Εικόνα 1:''' Η πολυκλιμακωτή φύση των διαδικασιών αλλαγής των ακτών (αριστερά) και των τεχνικών παρατήρησης (δεξιά) που επιδιώκουν να καταγράψουν τη συμπεριφορά της παράκτιας μεταβολής μεταξύ πολλών κλιμάκων. Πηγή: Vitousek et al., 2023.]]

[[ Εικόνα: 1_εικ2.png | thumb | center |600px|'''Πίνακας 1:''' Σύνοψη των διαφόρων σύγχρονων τεχνολογιών για την παρακολούθηση των ακτών. Πηγή: Vitousek et al., 2023. ]]

<h1><b><span style="color:darkgreen">Προεπεξεργασίες </span></b></h1>
Τα στάδια προεπεξεργασίας για τη διαχείριση των Μεγάλων Δεδομένων (Big Data) στην παράκτια ζώνη περιλαμβάνουν:
* Χρήση πλατφορμών υπολογιστικού νέφους (Cloud Computing) όπως το Google Earth Engine (GEE).
* Ατμοσφαιρική διόρθωση των εικόνων για την ελαχιστοποίηση της επίδρασης των αερολυμάτων.
αερολυματων.
* Διαχωρισμός ξηράς-νερού μέσω φασματικών δεικτών και εφαρμογή μασκών (masks) για την αφαίρεση νεφών και κυμάτων θραύσης.

<h1><b><span style="color:darkgreen">Ψηφιακές, προχωρημένες, ειδικές επεξεργασίες των δορυφορικών εικόνων</span></b></h1>
<b>1. Ανάκτηση δεδομένων με Μηχανική Μάθηση</b><br>
Υπολογίστηκαν οι θέσεις της ακτογραμμής (SDS) και η βαθυμετρία (SDB) μέσω προηγμένων αλγορίθμων. Η μελέτη δίνει έμφαση στη μετάβαση στην "καθοδηγούμενη από δεδομένα επιστήμη" (data-driven science) χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης ([https://el.wikipedia.org/wiki/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 Machine Learning]). Αντί για απλές εμπειρικές σχέσεις, χρησιμοποιούνται βαθιά νευρωνικά δίκτυα ([https://el.wikipedia.org/wiki/%CE%92%CE%B1%CE%B8%CE%B9%CE%AC_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7#:~:text=%CE%97%20%CE%B2%CE%B1%CE%B8%CE%B9%CE%AC%20%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%20%CE%B5%CE%AF%CE%BD%CE%B1%CE%B9%20%CE%AD%CE%BD%CE%B1,%CF%84%CE%BF%CF%85%CF%82%20%CE%B3%CE%B9%CE%B1%20%CF%84%CE%B7%CE%BD%20%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%20%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD. Deep Learning]) και Συνελικτικά Νευρωνικά Δίκτυα (CNNs) για την ταξινόμηση κάθε εικονοστοιχείου (pixel-wise classification) και την αυτόματη αναγνώριση γεωμορφολογικών χαρακτηριστικών.

[[ Εικόνα: 1_εικ3.png | thumb | center|600px|'''Εικόνα 2:''' Σχηματική απεικόνιση μιας εννοιολογικής, βασισμένης σε δεδομένα ροής εργασίας ανίχνευσης ακτογραμμής που χρησιμοποιεί μια σειρά μοντέλων μηχανικής μάθησης. Αφού μια νέα εικόνα είναι διαθέσιμη για μια τοποθεσία (π.χ. Ocean Beach, Καλιφόρνια, σε αυτό το παράδειγμα), ένα αρχικό μοντέλο καθορίζει την καταλληλότητα της εικόνας για επεξεργασία. Τα επόμενα μοντέλα εκτελούν φιλτράρισμα εικόνας, υπερ-ανάλυση και συμπλήρωση (συμπλήρωση κενών/σύννεφων). Στη συνέχεια, χρησιμοποιείται ένα μοντέλο τμηματοποίησης εικόνας για τον προσδιορισμό της θέσης της γραμμής της θάλασσας, η οποία διορθώνεται για την παλίρροια και άλλες στιγμιαίες μεταβλητές, όπως η ανύψωση, η κλίση, το μέγεθος των κόκκων κ.λπ., από άλλα μοντέλα μηχανικής μάθησης ή μοντέλα αφομοίωσης δεδομένων. Πηγή: Vitousek et al., 2023.]]

<b>2. Ενσωμάτωση σε επιχειρησιακά μοντέλα</b><br>
Εξετάστηκε η ενσωμάτωση των δορυφορικών δεδομένων σε επιχειρησιακά μοντέλα παράκτιας μεταβολής. Η διαδικασία αυτή περιλαμβάνει την αφομοίωση δεδομένων, συχνά μέσω τεχνικών όπως το φίλτρο Kalman, όπου οι δορυφορικές παρατηρήσεις ενημερώνουν και διορθώνουν τις προβλέψεις των αριθμητικών μοντέλων σε πραγματικό χρόνο. Αυτή η προσέγγιση επιτρέπει τη δημιουργία συστημάτων έγκαιρης προειδοποίησης και δυναμικών προβλέψεων της εξέλιξης της ακτογραμμής.<br>
<b>3. Στατιστική ανάλυση</b><br>
Πραγματοποιήθηκε αξιολόγηση των σφαλμάτων των μοντέλων χάραξης ακτογραμμής και βαθυμετρίας από δορυφορικά δεδομένα (SDS και SBD αντίστοιχα), συγκρίνοντας τα αποτελέσματα με παραδοσιακές μεθόδους. Τα αποτελέσματα έδειξαν ότι οι μέθοδοι μηχανικής μάθησης προσφέρουν βελτιωμένη ακρίβεια σε πολύπλοκα περιβάλλοντα, ενώ η αφομοίωση δεδομένων μειώνει την αβεβαιότητα των προγνωστικών μοντέλων.

<h1><b><span style="color:darkgreen">Χρήση επιπρόσθετων δεδομένων</span></b></h1>
Για περαιτέρω αξιολόγηση και επαλήθευση των δορυφορικών παρατηρήσεων, χρησιμοποιήθηκαν:
* Παγκόσμια ψηφιακά μοντέλα εδάφους ([https://en.wikipedia.org/wiki/Digital_elevation_model DEMs]).
* Δεδομένα από παλιρροιογράφους για τη διόρθωση των οπτικών λήψεων.
* Μοντέλα κυματισμού για τον υπολογισμό της επίδρασης των κυμάτων στην ακτή.

<h1><b><span style="color:darkgreen">Προκλήσεις</span></b></h1>
Για την πλήρη αξιοποίηση των δορυφορικών μεθόδων παρακολούθησης, απαιτείται σημαντική εργασία στην επαλήθευση και την αντιμετώπιση συγκεκριμένων τεχνικών περιορισμών. Οι κύριες προκλήσεις που εντοπίστηκαν κατηγοριοποιούνται ως εξής:

* <u>Ανάλυση (Resolution)</u>: Η ανάλυση των pixel παραμένει κρίσιμος παράγοντας. Οι υφιστάμενες μέθοδοι ανίχνευσης ακτογραμμής δίνουν τυπικά σφάλματα (RMSE) περίπου το μισό του μεγέθους του pixel (π.χ. 10-15m για Landsat, 3.5-5m για Planet). Παρόλο που υπάρχουν δορυφόροι πολύ υψηλής ανάλυσης, αναμένεται ότι το σφάλμα δεν θα μειωθεί αντίστοιχα λόγω άλλων παραγόντων (γεωαναφορά, αναρρίχηση κύματος) που δημιουργούν "συμφόρηση" στην ακρίβεια.

* <u> Συναρμογή εικόνας και γεωαναφορά (Image coregistration & geo-referencing)</u>:Η γεωαναφορά των εικόνων αποτελεί μια σημαντική και λιγότερο κατανοητή πηγή σφάλματος, με τα τυπικά σφάλματα του ίδιου του δορυφόρου να είναι της τάξης των ~5m (για Landsat). Η συναρμογή των εικόνων σε μια εικόνα αναφοράς μπορεί να μειώσει σημαντικά αυτές τις αποκλίσεις, παρέχοντας μεγαλύτερη συνέπεια.

* <u> Αλγόριθμοι μηχανικής όρασης (Machine-vision algorithms)</u>: Οι περισσότεροι αλγόριθμοι είναι σχετικά νέοι και, καθώς η χρήση τους επεκτείνεται σε νέες τοποθεσίες, η αξιοπιστία τους δοκιμάζεται. Οι δορυφορικές παρατηρήσεις περιέχουν θόρυβο (σε σύγκριση με τις in-situ μετρήσεις) και δεν είναι, ακόμα, γνωστός ο βέλτιστος συνδυασμός δεικτών και κατωφλίων (thresholds) για κάθε περίπτωση. Τεχνικές φιλτραρίσματος βασισμένες στη μηχανική μάθηση θα μπορούσαν να χρησιμοποιηθούν για την αποθορυβοποίηση των παρατηρήσεων.

* <u> Διεργασίες της παράκτιας ζώνης και διορθώσεις στάθμης ύδατος (Nearshore processes & water-level corrections)</u>: Η αναρρίχηση του κύματος (wave runup), που περιλαμβάνει την ανύψωση λόγω κυματισμού (setup) και τη διαβροχή (swash), αποτελεί σημαντική πηγή αβεβαιότητας. Τα περισσότερα εργαλεία διορθώνουν μόνο για την παλίρροια (tidal stage) και όχι για την αναρρίχηση του κύματος. Ενώ η ανύψωση (setup) θα μπορούσε να διορθωθεί με εμπειρικές εξισώσεις, η διόρθωση για τη δυναμική διαβροχή (swash) είναι πιο δύσκολη και απαιτεί περαιτέρω έρευνα, πιθανώς μέσω "οπτικών μεθόδων μέτρησης αναρρίχησης" από τις ίδιες τις εικόνες.

<h1><b><span style="color:darkgreen">Συμπεράσματα και αξιολόγηση των μεθόδων</span></b></h1>
Όσον αφορά μελλοντικές προοπτικές, είναι αξιοσημείωτο ότι η επιστημονική κοινότητα κλίνει προς τη δημιουργία "Παράκτιων Ψηφιακών Διδύμων" (Coastal Digital Twins). Αυτά τα συστήματα δεν θα περιορίζονται απλώς στην παρατήρηση, αλλά θα αφομοιώνουν συνεχώς δορυφορικά δεδομένα SDB και SDS σε αριθμητικά μοντέλα πρόγνωσης σε πραγματικό χρόνο. Παρατηρήθηκε ότι, παρόλο που η διακριτική ικανότητα των δορυφόρων βελτιώνεται, η κύρια πρόκληση παραμένει η ακρίβεια στην κάθετη διάσταση (υψόμετρο/βάθος) σε σχέση με την οριζόντια. Εντούτοις, οι διαφορές αυτές μειώνονται (ακρίβεια υπο-μέτρου σε ορισμένες εφαρμογές) όταν συνδυάζονται οπτικά δεδομένα με δεδομένα Lidar (ICESat-2).

Συμπερασματικά, η μελέτη καταλήγει ότι η δορυφορική τηλεπισκόπηση έχει ωριμάσει αρκετά ώστε να αποτελέσει τον κύριο πυλώνα για συστήματα έγκαιρης προειδοποίησης και διαχείρισης παράκτιων κινδύνων σε παγκόσμια κλίμακα, αντικαθιστώντας σταδιακά τις δαπανηρές επιτόπιες μετρήσεις. Όπως σχολιάζεται στη μελέτη: «Έχουμε την ευκαιρία να αξιοποιήσουμε τον μεγαλύτερο πόρο δεδομένων παράκτιας αλλαγής στον κόσμο (δηλαδή τα συνεχώς επεκτεινόμενα αρχεία των δορυφόρων παρατήρησης της Γης) για να κατανοήσουμε και να διαχειριστούμε την παράκτια απόκριση σε ένα μεταβαλλόμενο κλίμα» (Vitousek S., et. al., 2023).

[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Αρχείο:5 εικ4.png

2026-01-22T02:17:31Z

APOSTOLOS DALIANIS:

Αρχείο:5 εικ3.png

2026-01-22T02:17:21Z

APOSTOLOS DALIANIS:

Αρχείο:5 εικ2.png

2026-01-22T02:17:10Z

APOSTOLOS DALIANIS: ανέβασμα νέας έκδοσης του "Αρχείο:5 εικ2.png"

Αρχείο:5 εικ2.png

2026-01-22T02:16:58Z

APOSTOLOS DALIANIS:

Αρχείο:5 εικ1.png

2026-01-22T02:16:47Z

APOSTOLOS DALIANIS:

Αρχείο:4 εικ3.png

2026-01-22T02:14:52Z

APOSTOLOS DALIANIS:

Αρχείο:4 εικ2.png

2026-01-22T02:14:24Z

APOSTOLOS DALIANIS:

Δαλιάνης Απόστολος

2026-01-22T02:12:53Z

APOSTOLOS DALIANIS:

<b><span style="color:darkblue">Παρακολούθηση παράκτιων οικοσυστημάτων</span></b>
* [[Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης]]
* [[Νέες τεχνολογίες για την παρακολούθηση της δυναμικής των παράκτιων οικοσυστημάτων]]
<br>
<b><span style="color:darkblue">Μελέτη της διάβρωσης των ακτογραμμών</span></b>
* [[Αξιολόγηση της παράκτιας τρωτότητας στην άνοδο στάθμης και συγκριτική μελέτη δύο ορμίσκων σε εποχική κλίμακα, νήσος Ίος, Κυκλάδες, Ελλάδα]]
<br>
<b><span style="color:darkblue">Διαχείριση υδατικών οικοσυστημάτων - Παρακολούθηση, χαρτογράφηση και ανάλυση των ποταμών, λιμνών και υγροτόπων</span></b>
* [[Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών]]
* [[Περιβαλλοντική παρακολούθηση χωροχρονικών μεταβολών με χρήση τηλεπισκόπησης και GIS σε έναν μεσογειακό υγρότοπο της Βόρειας Ελλάδας]]

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

Δαλιάνης Απόστολος

2026-01-22T02:11:39Z

APOSTOLOS DALIANIS:

<b><span style="color:darkblue">Παρακολούθηση παράκτιων οικοσυστημάτων</span></b>
* [[Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης]]
* [[Νέες τεχνολογίες για την παρακολούθηση της δυναμικής των παράκτιων οικοσυστημάτων]]
<br>
<b><span style="color:darkblue">Διαχείριση υδατικών οικοσυστημάτων - Παρακολούθηση, χαρτογράφηση και ανάλυση των ποταμών, λιμνών και υγροτόπων</span></b>
* [[Αξιολόγηση της παράκτιας τρωτότητας στην άνοδο στάθμης και συγκριτική μελέτη δύο ορμίσκων σε εποχική κλίμακα, νήσος Ίος, Κυκλάδες, Ελλάδα]]
<br>
<b><span style="color:darkblue">Διαχείριση υδατικών οικοσυστημάτων - Παρακολούθηση, χαρτογράφηση και ανάλυση των ποταμών, λιμνών και υγροτόπων</span></b>
* [[Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών]]
* [[Περιβαλλοντική παρακολούθηση χωροχρονικών μεταβολών με χρήση τηλεπισκόπησης και GIS σε έναν μεσογειακό υγρότοπο της Βόρειας Ελλάδας]]

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

Δαλιάνης Απόστολος

2026-01-22T02:05:15Z

APOSTOLOS DALIANIS:

* [[Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης]]

* [[Νέες τεχνολογίες για την παρακολούθηση της δυναμικής των παράκτιων οικοσυστημάτων]]

* [[Αξιολόγηση της παράκτιας τρωτότητας στην άνοδο στάθμης και συγκριτική μελέτη δύο ορμίσκων σε εποχική κλίμακα, νήσος Ίος, Κυκλάδες, Ελλάδα]]

* [[Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών]]

* [[Περιβαλλοντική παρακολούθηση χωροχρονικών μεταβολών με χρήση τηλεπισκόπησης και GIS σε έναν μεσογειακό υγρότοπο της Βόρειας Ελλάδας]]

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

Περιβαλλοντική παρακολούθηση χωροχρονικών μεταβολών με χρήση τηλεπισκόπησης και GIS σε έναν μεσογειακό υγρότοπο της Βόρειας Ελλάδας

2026-01-22T02:04:21Z

APOSTOLOS DALIANIS: Νέα σελίδα με '<u>Πρωτότυπος τίτλος:</u>Environmental Monitoring of Spatio-temporal Changes Using Remote Sensing and GIS in a Mediterranean Wetland of Northern Greece<br>...'

<u>Πρωτότυπος τίτλος:</u>Environmental Monitoring of Spatio-temporal Changes Using Remote Sensing and GIS in a Mediterranean Wetland of Northern Greece<br><br>

<b>Συγγραφείς:</b>Papastergiadou, E. S., Retalis, A., Apostolakis, A., & Georgiadis, T.<br>
<b>Πηγή (αναλυτικά):</b>Papastergiadou, E. S., Retalis, A., Apostolakis, A., & Georgiadis, T. (2008). Environmental monitoring of spatio-temporal changes using remote sensing and GIS in a Mediterranean wetland of Northern Greece. Water Resources Management, 22(5), 579-594. DOI: [https://www.researchgate.net/publication/226229330_Environmental_Monitoring_of_Spatio-temporal_Changes_Using_Remote_Sensing_and_GIS_in_a_Mediterranean_Wetland_of_Northern_Greece 10.1007/s11269-007-9179-7]
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
Οι υγρότοποι της Μεσογείου έχουν υποστεί δραματική συρρίκνωση κατά τον τελευταίο αιώνα, κυρίως λόγω της μετατροπής τους σε γεωργικές εκτάσεις. Η εξεταζόμενη επιστημονική μελέτη ερευνά τις μακροχρόνιες περιβαλλοντικές αλλαγές στη [https://el.wikipedia.org/wiki/%CE%A7%CE%B5%CE%B9%CE%BC%CE%B1%CE%B4%CE%AF%CF%84%CE%B9%CE%B4%CE%B1 λίμνη Χειμαδίτιδα] και την παρακείμενη λίμνη [https://el.wikipedia.org/wiki/%CE%96%CE%AC%CE%B6%CE%B1%CF%81%CE%B7 Ζάζαρη] στη Βόρεια Ελλάδα, περιοχές υψηλής οικολογικής σημασίας για τη διατήρηση της βιοποικιλότητας και ειδικότερα της ορνιθοπανίδας. Στόχος της μελέτης είναι η ποσοτική και ποιοτική αποτίμηση των μεταβολών στην κάλυψη γης και στα υγροτοπικά ενδιαιτήματα σε βάθος σχεδόν 60 ετών (1945–2002). Εστιάζει στον εντοπισμό των επιπτώσεων που προκλήθηκαν από τη μετατροπή της λεκάνης απορροής, η οποία ιστορικά κυριαρχούνταν από τυρφώνες, σε εντατικά καλλιεργούμενες και βοσκήσιμες εκτάσεις. Αυτή η ανθρωπογενής παρέμβαση διατάραξε το υδρολογικό ισοζύγιο και επιδείνωσε την ποιότητα των υδάτων μέσω του ευτροφισμού, οδηγώντας σε ταχεία επέκταση των καλαμώνων εις βάρος της ανοιχτής υδάτινης επιφάνειας. Μέσω της συνδυαστικής χρήσης ιστορικών αεροφωτογραφιών και Γεωγραφικών Συστημάτων Πληροφοριών ([https://www.esri.com/en-us/what-is-gis/overview GIS]) για την επιτυχή κάλυψη του επιλεγμένου χρονικού εύρους, παρέχει χάρτες ακριβείας που λειτουργούν ως γραμμή βάσης (baseline) για την κατανόηση της χωρικής κατανομής των πιέσεων. Τα αποτελέσματα καταδεικνύουν την ανάγκη λήψης άμεσων μέτρων διαχείρισης και αποκατάστασης, προκειμένου να αναχαιτισθεί η περαιτέρω υποβάθμιση και η σταδιακή ελοποίηση του οικοσυστήματος.

<h1><b><span style="color:darkgreen">Περιοχή μελέτης και οικολογικό πλαίσιο</span></b></h1>
Η περιοχή μελέτης αφορά το υγροτοπικό σύμπλεγμα των λιμνών Χειμαδίτιδας και Ζάζαρης, το οποίο βρίσκεται στα σύνορα των Περιφερειακών Ενοτήτων Φλώρινας και Κοζάνης. Η λίμνη Χειμαδίτιδα, μια φυσική, ρηχή και ευτροφική λίμνη, αποτελεί έναν βιότοπο ζωτικής σημασίας με πλούσια βιοποικιλότητα και έχει ενταχθεί στο Ευρωπαϊκό πρόγραμμα προστατευόμενων περιοχών [https://www.eea.europa.eu/en/datahub/datahubitem-view/6fc8ad2d-195d-40f4-bdec-576e7d1268e4 NATURA 2000]. Ωστόσο, η λεκάνη απορροής της έχει υποστεί ριζικές αλλαγές. Ιστορικά, η περιοχή περιβαλλόταν από εκτεταμένους τυρφώνες, οι οποίοι σταδιακά αποστραγγίστηκαν και μετατράπηκαν σε βοσκότοπους και καλλιεργήσιμες γαίες. Η υδρολογική ισορροπία της Χειμαδίτιδας εξαρτάται άμεσα από την υπερχείλιση της γειτονικής Ζάζαρης, όμως οι ανθρώπινες παρεμβάσεις για την εξυπηρέτηση της άρδευσης έχουν διαταράξει αυτή τη σχέση.

FOTOOOO

<h1><b><span style="color:darkgreen">Επιλογή δεδομένων και χρονική κλίμακα</span></b></h1>
Για να επιτευχθεί η χαρτογράφηση των ιστορικών και σύγχρονων τάσεων, έγινε αξιοποίηση ενός ευρέος φάσματος χωρικών δεδομένων που καλύπτουν μια περίοδο πολλών δεκαετιών. Συγκεκριμένα, χρησιμοποιήθηκαν:
* <b><span style="color:darkgreen">Ιστορικά Δεδομένα:</span></b> Ασπρόμαυρες αεροφωτογραφίες από τα έτη 1945, 1969, 1982 και 1996, οι οποίες αποτέλεσαν τη βάση αναφοράς για την κατάσταση του υγροτόπου πριν από την εντατικοποίηση των παρεμβάσεων. Συλλέχθηκαν από την Ελληνική Γεωγραφική Υπηρεσία Στρατού (ΓΥΣ).
* <b><span style="color:darkgreen">Δεδομένα Πεδίου:</span></b> Πραγματοποιήθηκαν εκτεταμένες εργασίες πεδίου το 2002 για την επαλήθευση των χαρτών του 1996 και την επικαιροποίηση της κατάστασης του υγροτόπου, εξασφαλίζοντας την ακρίβεια της ταξινόμησης (ground truthing). Η επιλογή των συγκεκριμένων ετών επέτρεψε την αποτύπωση κρίσιμων φάσεων στην εξέλιξη του υγροτόπου, πριν και μετά τα μεγάλα αποστραγγιστικά και αρδευτικά έργα της περιοχής.

<h1><b><span style="color:darkgreen">Μεθοδολογία επεξεργασίας και ταξινόμηση</span></b></h1>
Η επεξεργασία των δεδομένων πραγματοποιήθηκε σε περιβάλλον GIS (πρόγραμμα ArcGIS 8.3), ακολουθώντας τα εξής βήματα:
* <b><span style="color:darkgreen">Γεωμετρική Διόρθωση:</span></b> Όλες οι αεροφωτογραφίες διορθώθηκαν γεωμετρικά και προσαρμόστηκαν στο Ελληνικό Γεωδαιτικό Σύστημα Αναφοράς (ΕΓΣΑ '87) για να επιτευχθεί η ακριβής υπέρθεση και σύγκριση των πολυγώνων μεταξύ των διαφορετικών ετών.
* <b><span style="color:darkgreen">Φωτοερμηνεία και Ψηφιοποίηση:</span></b> Εφαρμόστηκε η μέθοδος της οπτικής ερμηνείας των αεροφωτογραφιών για τον εντοπισμό και την οριοθέτηση των διαφορετικών τύπων βλάστησης και χρήσεων γης. Τα όρια των ενδιαιτημάτων ψηφιοποιήθηκαν στην οθόνη.
* <b><span style="color:darkgreen">Κατηγοριοποίηση:</span></b> Αναγνωρίστηκαν και χαρτογραφήθηκαν 10 κατηγορίες κάλυψης/χρήσης γης, με τις σημαντικότερες να είναι: ανοιχτή επιφάνεια νερού, καλαμώνες (κυρίως Phragmites australis), τυρφώνες/έλη (peat lands/fen), υγρά λιβάδια, γεωργικές εκτάσεις και βοσκότοποι.

<h1><b><span style="color:darkgreen">Αποτελέσματα χωρικών και χρονικών μεταβολών</span></b></h1>
Η συγκριτική ανάλυση ανέδειξε μια σαφή τάση υποβάθμισης του υγροτόπου:
* <b><span style="color:darkgreen">Συρρίκνωση Υδάτινης Επιφάνειας:</span></b> Η έκταση της ανοιχτής επιφάνειας νερού στη Χειμαδίτιδα μειώθηκε δραματικά από το 1945 έως το 2002. Η μείωση αυτή οφείλεται στη συσσώρευση φερτών υλικών και στην υπερβολική άντληση υδάτων.
* <b><span style="color:darkgreen">Επέκταση Καλαμώνων:</span></b>Παρατηρήθηκε ραγδαία επέκταση των καλαμώνων εις βάρος της ανοιχτής λίμνης. Λόγω του ευτροφισμού (εισροή λιπασμάτων από τις γειτονικές καλλιέργειες) και της μείωσης του βάθους, τα υδροχαρή φυτά κατέλαβαν μεγάλο μέρος της πρώην υδάτινης έκτασης.
* <b><span style="color:darkgreen">Απώλεια Υγρών Λιβαδιών:</span></b> Μεγάλες εκτάσεις που παλαιότερα λειτουργούσαν ως υγρά λιβάδια ή μεταβατικές ζώνες αποστραγγίστηκαν και μετατράπηκαν σε καλλιεργήσιμη γη, μειώνοντας τη φυσική ζώνη προστασίας της λίμνης.

FOTOOOO

<h1><b><span style="color:darkgreen">Υδρολογική διαχείριση και οικολογικές επιπτώσεις</span></b></h1>
Τα αποτελέσματα επιβεβαιώνουν ότι η λίμνη Χειμαδίτιδα μετατρέπεται σταδιακά από μια ανοιχτή λίμνη σε ένα έλος κυριαρχούμενο από καλαμώνες. Η μελέτη υπογραμμίζει ότι οι κύριοι οδηγοί αυτής της αλλαγής είναι ανθρωπογενείς: η κατασκευή αποστραγγιστικών τάφρων, η εντατική γεωργία και η κακή διαχείριση των υδάτινων πόρων της λεκάνης απορροής. Η αλλαγή στη χρήση γης από τυρφώνες σε γεωργικές εκτάσεις είχε ως αποτέλεσμα την αύξηση των θρεπτικών φορτίων που καταλήγουν στη λίμνη, επιταχύνοντας τη διαδικασία της γήρανσης και του ευτροφισμού του οικοσυστήματος.

FOTOOO

<h1><b><span style="color:darkgreen">Προκλήσεις και τεχνικοί περιορισμοί</span></b></h1>
Στη μελέτη διευκρινίζεται πως κατά την ανάλυση εντοπίστηκαν δυσκολίες που αφορούν κυρίως τη διακριτική ικανότητα των δεδομένων. Ο διαχωρισμός μεταξύ διαφορετικών ειδών υδρόβιας βλάστησης (π.χ. Phragmites έναντι Typha) ή μεταξύ πυκνής βλάστησης και ορισμένων γεωργικών καλλιεργειών υπήρξε πρόκληση στις δορυφορικές εικόνες μέτριας ανάλυσης. Παρόλα αυτά, η συνδυαστική χρήση των αεροφωτογραφιών υψηλής ανάλυσης βοήθησε στην επαλήθευση των ιστορικών ορίων και στη βελτίωση της ακρίβειας της χαρτογράφησης.

<h1><b><span style="color:darkgreen">Συμπεράσματα</span></b></h1>
Γίνεται αντιληπτό ότι η λίμνη Χειμαδίτιδα βρίσκεται σε κρίσιμη κατάσταση, έχοντας απολέσει σημαντικό μέρος των οικολογικών της λειτουργιών τις τελευταίες δεκαετίες, με την ανθρωπογενή παρέμβαση να αποτελεί την κύρια αιτία καταστροφής και υποβάθμισης των υδάτινων ενδιαιτημάτων, με τον κατακερματισμό των φυσικών οικοτόπων να απειλεί άμεσα και τη βιοποικιλότητα. Επομένως, η ύπαρξη ενός συνεπούς και συνεχούς προγράμματος παρακολούθησης της κατάστασης και της έκτασης αυτών των ευαίσθητων οικοσυστημάτων κρίνεται απαραίτητη προϋπόθεση για τη διατήρηση και διασφάλιση του τοπίου. Η μεθοδολογία ανάλυσης αεροφωτογραφιών που εφαρμόστηκε αποδείχθηκε όχι μόνο οικονομικά αποδοτική, αλλά και επιστημονικά ακριβής, επιτρέποντας την ερμηνεία των οικολογικών διεργασιών και τη σύγκριση της τρέχουσας κατανομής της χλωρίδας με ιστορικά δεδομένα. Η προσέγγιση αυτή αποτελεί ένα πολύτιμο εργαλείο σχεδιασμού για την ιεράρχηση των περιοχών που χρήζουν περαιτέρω έρευνας ή μέτρων αποκατάστασης. Επιπρόσθετα, αναδεικνύεται η διαχείριση της διακύμανσης της στάθμης των υδάτων ως το πλέον αποτελεσματικό εργαλείο για την οικολογική ανόρθωση της λίμνης. Ειδική έμφαση δίνεται στον ρόλο συγκεκριμένων ειδών, όπως τα ‘Phragmites australis’ και ‘Typha angustifolia’, στη διαδικασία του αποικισμού και της υποβάθμισης του υγροτόπου. Η αλλοίωση του οικοσυστήματος τεκμηριώνεται από την ανεξέλεγκτη υπερ-ανάπτυξη των καλαμώνων στην επιφάνεια και εντός της στήλης του ύδατος, καθώς και από τη συσσώρευση νεκρής οργανικής ύλης (τύρφης) στον πυθμένα, στοιχεία που πρέπει να ληφθούν σοβαρά υπόψη στο πλαίσιο της ολοκληρωμένης διαχείρισης της προστατευόμενης περιοχής NATURA 2000.

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

Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών

2026-01-22T02:04:16Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u>Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research<br><br>

<b>Συγγραφείς:</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F.<br>
<b>Πηγή (αναλυτικά):</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F. (2022). Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research. Remote Sensing, 14(23), 6104. DOI: [https://www.mdpi.com/2072-4292/14/23/6104 10.3390/rs14236104]
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Οι υγρότοποι ([https://en.wikipedia.org/wiki/Wetland wetlands]) αποτελούν οικοσυστήματα ζωτικής σημασίας που παρέχουν κρίσιμες οικολογικές υπηρεσίες, ωστόσο υφίστανται έντονες πιέσεις λόγω της κλιματικής αλλαγής και της ανθρωπογενούς δραστηριότητας. Η παραδοσιακή παρακολούθησή τους μέσω επιτόπιων ερευνών είναι συχνά δυσχερής, δαπανηρή και χρονικά περιορισμένη. Στόχος της επιστημονικής μελέτης είναι η διεξοδική διερεύνηση της εξέλιξης των μεθόδων χαρτογράφησης και παρακολούθησης υγροτόπων κατά τις τελευταίες τρεις δεκαετίες, εστιάζοντας στη συνέργεια της Τηλεπισκόπησης ([https://en.wikipedia.org/wiki/Remote_sensing Remote Sensing]) και της Μηχανικής Μάθησης ([https://el.wikipedia.org/wiki/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 Machine Learning]). Μέσω μιας συστηματικής μετα-ανάλυσης της διεθνούς βιβλιογραφίας, υιοθετεί μια σφαιρική προσέγγιση, αναλύοντας εκατοντάδες επιστημονικές δημοσιεύσεις που καλύπτουν το χρονικό διάστημα από τις αρχές της δεκαετίας του 1990 έως το 2022. Αξιολογεί την αποτελεσματικότητα διαφορετικών αλγορίθμων, δορυφορικών δεδομένων και υπολογιστικών πλατφορμών, αναδεικνύοντας τις τάσεις που διαμορφώνουν το μέλλον της διαχείρισης και ταξινόμησης υγροτόπων διαφόρων τύπων (π.χ. έλη, τυρφώνες, μαγκρόβια δάση), εξετάζοντας πώς η τεχνολογική πρόοδος μετέβαλε τις μεθοδολογίες από απλές φωτοερμηνείες σε πολύπλοκα μοντέλα Βαθιάς Μάθησης ([https://el.wikipedia.org/wiki/%CE%92%CE%B1%CE%B8%CE%B9%CE%AC_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7#:~:text=%CE%97%20%CE%B2%CE%B1%CE%B8%CE%B9%CE%AC%20%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%20%CE%B5%CE%AF%CE%BD%CE%B1%CE%B9%20%CE%AD%CE%BD%CE%B1,%CF%84%CE%BF%CF%85%CF%82%20%CE%B3%CE%B9%CE%B1%20%CF%84%CE%B7%CE%BD%20%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%20%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD. Deep Learning]). Κατηγοριοποιεί τις μελέτες βάσει της γεωγραφικής κατανομής, των χρησιμοποιούμενων αισθητήρων και των αλγοριθμικών προσεγγίσεων.

<h1><b><span style="color:#FF4500">Τάσεις χρήσης δεδομένων τηλεπισκόπησης</span></b></h1>
Μέσω της βιβλιογραφικής επισκόπησης καταδεικνύεται ότι η παρακολούθηση των υγροτόπων βασίζεται σε ένα ευρύ φάσμα αισθητήρων, με διαφορετικά πλεονεκτήματα. Κυρίαρχο ρόλο διαχρονικά διαδραματίζουν τα οπτικά δορυφορικά συστήματα, κυρίως λόγω της σειράς Landsat που προσφέρει το μεγαλύτερο ιστορικό αρχείο καταγραφών, αλλά και των νεότερων αποστολών [https://www.sentinel-hub.com/ Sentinel-2] που παρέχουν βελτιωμένη χωρική και χρονική ανάλυση. Παράλληλα, καταγράφεται μια σταθερή αύξηση στη χρήση αισθητήρων Ραντάρ Συνθετικού Ανοίγματος ([https://www.earthdata.nasa.gov/learn/earth-observation-data-basics/sar SAR]), όπως οι Sentinel-1 και RADARSAT. Η ικανότητα των ραντάρ να διεισδύουν μέσω νεφώσεων και να αλληλεπιδρούν με τη δομή της βλάστησης και την επιφανειακή υγρασία τα καθιστά αναντικατάστατα για παρακολούθηση υγροτοπικών περιβαλλόντων. Τέλος, εμφανίζεται η χρήση δεδομένων [https://oceanservice.noaa.gov/facts/lidar.html Lidar] (Light Detection and Ranging) και μη επανδρωμένων αεροσκαφών ([https://en.wikipedia.org/wiki/Unmanned_aerial_vehicle UAVs]) για εφαρμογές που απαιτούν εξαιρετικά υψηλή λεπτομέρεια.

FOTOOOO

Πολυφασματικά, SAR και σύντηξη δεδομένων
Η επιλογή των δεδομένων δεν είναι πλέον μονοδιάστατη, καθώς η έρευνα στρέφεται στη συνδυαστική χρήση πόρων:
* <b><span style="color:#FF4500">Οπτικά Δεδομένα:</span></b> Παραμένουν η βάση για τον εντοπισμό τύπων βλάστησης μέσω φασματικών υπογραφών, ενισχυμένα από την πολιτική ανοικτής πρόσβασης (open access) της NASA και της ESA.
* <b><span style="color:#FF4500">Δεδομένα SAR:</span></b> Επιλέγονται στρατηγικά για τη διάκριση μεταξύ πλημμυρισμένων και μη πλημμυρισμένων περιοχών, εκμεταλλευόμενα τη διηλεκτρική συμπεριφορά του νερού.
* <b><span style="color:#FF4500">Σύντηξη (Fusion):</span></b> Η σημαντικότερη τάση που αναδεικνύεται είναι η σύντηξη οπτικών και SAR δεδομένων. Η συνδυαστική πληροφορία (multi-sensor data fusion) βελτιώνει δραματικά την ακρίβεια ταξινόμησης, καθώς αλληλοσυμπληρώνονται οι πληροφορίες, όπως, για παράδειγμα, την παρατήρηση βλάστησης όπου επιτυγχάνεται καταγραφή τόσο για τη χημική σύσταση (οπτικά), όσο και για τη φυσική δομή/υγρασία (SAR) των φυτών.

FOTOOOOO

<h1><b><span style="color:#FF4500">Υπολογιστικά περιβάλλοντα και επεξεργασία στο νέφος (cloud)</span></b></h1>
Η μετάβαση στην εποχή των Μεγάλων Δεδομένων ([https://en.wikipedia.org/wiki/Big_data Big Data]) έχει μετασχηματίσει ριζικά τις ροές εργασίας. Η παραδοσιακή επεξεργασία σε τοπικούς σταθμούς εργασίας, η οποία απαιτούσε χρονοβόρες διορθώσεις και λήψεις αρχείων, αντικαθίσταται σταδιακά από πλατφόρμες υπολογιστικού νέφους (Cloud Computing). Το Google Earth Engine (GEE) αναδεικνύεται ως το κυρίαρχο εργαλείο, παρέχοντας άμεση πρόσβαση σε πεταμπάιτ δεδομένων και έτοιμα προς χρήση προϊόντα (Analysis Ready Data - ARD). Αυτό επιτρέπει στους ερευνητές να εκτελούν πολύπλοκες αναλύσεις σε παγκόσμια κλίμακα σχεδόν σε πραγματικό χρόνο, εστιάζοντας στην ανάπτυξη αλγορίθμων αντί για τη διαχείριση αρχείων.

<h1><b><span style="color:#FF4500">Εξέλιξη αλγορίθμων ταξινόμησης και Μηχανική Μάθηση</span></b></h1>
<b><span style="color:#FF4500">1. Κυριαρχία μη παραμετρικών αλγορίθμων</span></b><br>
Η ανάλυση έδειξε ότι οι αλγόριθμοι Μηχανικής Μάθησης έχουν εκτοπίσει τις παραδοσιακές στατιστικές μεθόδους. Ο αλγόριθμος Random Forest (RF - Τυχαία Δάση) αναδεικνύεται ως ο "βασιλιάς" των ταξινομητών στον τομέα των υγροτόπων, λόγω της ευκολίας παραμετροποίησης, της υπολογιστικής αποδοτικότητας και της ανθεκτικότητάς του στον θόρυβο. Ακολουθούν σε δημοφιλία τα Μηχανήματα Διανυσμάτων Υποστήριξης (SVM), τα οποία διατηρούν υψηλές επιδόσεις ακόμη και με περιορισμένα δεδομένα εκπαίδευσης.<br>
<b><span style="color:#FF4500">2. Η επανάσταση της Βαθιάς Μάθησης </span></b><br>
Τα τελευταία έτη χαρακτηρίζονται από την είσοδο της Βαθιάς Μάθησης (Deep Learning) και ειδικότερα των Νευρωνικών Δικτύων συνέλιξης (CNNs). Αυτά τα μοντέλα επιτυγχάνουν τις υψηλότερες ακρίβειες ταξινόμησης καθώς δεν εξετάζουν μεμονωμένα pixels, αλλά αναλύουν τα χωρικά πρότυπα και την υφή της εικόνας, προσεγγίζοντας την πολυπλοκότητα της ανθρώπινης όρασης.<br>
<b><span style="color:#FF4500">3. Συγκριτική Απόδοση</span></b><br>
Τα ευρήματα της μετα-ανάλυσης επιβεβαιώνουν ότι οι προσεγγίσεις σύντηξης δεδομένων σε συνδυασμό με προηγμένους αλγορίθμους (DL ή RF) υπερτερούν σταθερά έναντι των μονο-φασματικών αναλύσεων. Ωστόσο, η αυξημένη ακρίβεια της Βαθιάς Μάθησης συνοδεύεται από υψηλότερες απαιτήσεις σε υπολογιστική ισχύ, δεδομένα αναφοράς και κεφάλαιο (χρήμα).

<h1><b><span style="color:#FF4500">Ρόλος επικουρικών γεωχωρικών δεδομένων</span></b></h1>
Για τη βελτιστοποίηση των μοντέλων, η τηλεπισκόπηση πλαισιώνεται συχνά από βοηθητικά δεδομένα. Τα Ψηφιακά Μοντέλα Υψομέτρου (DEMs) και οι υδρολογικοί δείκτες που προκύπτουν από αυτά κρίνονται απαραίτητα, καθώς η παρουσία των υγροτόπων καθορίζεται πρωτίστως από το ανάγλυφο και τη ροή του ύδατος. Επιπρόσθετα, εδαφολογικοί χάρτες και κλιματικά δεδομένα χρησιμοποιούνται για να ενισχύσουν τη διαχωριστική ικανότητα των μοντέλων μεταξύ υγροτόπων και άλλων χρήσεων γης με παρόμοια φασματική συμπεριφορά.

<h1><b><span style="color:#FF4500">Προκλήσεις</span></b></h1>
Παρά την τεχνολογική πρόοδο, η μελέτη εντοπίζει σημαντικά εμπόδια. Η φασματική σύγχυση μεταξύ διαφορετικών τύπων υγροτόπων και η έντονη εποχικότητα καθιστούν την ταξινόμηση δύσκολη. Επιπλέον, η έλλειψη επαρκών, ποιοτικών και χωρικά κατανεμημένων δεδομένων πεδίου (ground truth) παραμένει το ευάλωτο σημείο για την εκπαίδευση των πολύπλοκων μοντέλων βαθιάς μάθησης. Τέλος, η υπολογιστική πολυπλοκότητα των σύγχρονων μεθόδων απαιτεί εξειδικευμένες υποδομές, γεγονός που μπορεί να περιορίσει τη δυνατότητα εφαρμογής τους σε επιχειρησιακό επίπεδο.

<h1><b><span style="color:#FF4500">Συμπεράσματα</span></b></h1>
Η παρούσα μετα-ανάλυση ανέλυσε 344 δημοσιευμένα επιστημονικά περιοδικά πάνω στην παρατήρηση υγροτόπων μέσω τεχνικών τηλεπισκόπησης, τις κατηγοριοποίησε με βάση κάποια μεταξύ τους κοινά χαρακτηριστικά και ως κύριο πόρισμα έβγαλε ότι η σύζευξη της τηλεπισκόπησης με τη μηχανική μάθηση αποτελεί πλέον θεμέλιο για την παρακολούθηση των υγροτόπων σε παγκόσμια κλίμακα. Τεκμηριώνει ότι η ελεύθερη διάθεση δορυφορικών δεδομένων και η ανάπτυξη πλατφορμών, όπως το Google Earth Engine, έχουν επιτρέψει τη χαρτογράφηση σε κλίμακες που ήταν αδύνατες στο παρελθόν. Το μέλλον της έρευνας βαδίζει προς μοντέλα βαθιάς μάθησης, με προτεραιότητα την ανάγκη δημιουργίας εκτεταμένων βιβλιοθηκών δεδομένων εκπαίδευσης. Η προστασία αυτών των ευαίσθητων οικοσυστημάτων απαιτεί τη συνεχή ενσωμάτωση αυτών των καινοτομιών σε συστήματα λήψης αποφάσεων.

FOTOOOO

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

Αξιολόγηση της παράκτιας τρωτότητας στην άνοδο στάθμης και συγκριτική μελέτη δύο ορμίσκων σε εποχική κλίμακα, νήσος Ίος, Κυκλάδες, Ελλάδα

2026-01-22T02:04:11Z

APOSTOLOS DALIANIS: Νέα σελίδα με '<u>Πρωτότυπος τίτλος:</u>Coastal Vulnerability Assessment for Future Sea Level Rise and a Comparative Study of Two Pocket Beaches in Seasonal Scale, Ios Is...'

<u>Πρωτότυπος τίτλος:</u>Coastal Vulnerability Assessment for Future Sea Level Rise and a Comparative Study of Two Pocket Beaches in Seasonal Scale, Ios Island, Cyclades, Greece<br><br>

<b>Συγγραφείς:</b>Komi, A., Petropoulos, A., Evelpidou, N., Poulos, S., & Kapsimalis, V.<br>
<b>Πηγή (αναλυτικά):</b>Komi, A., Petropoulos, A., Evelpidou, N., Poulos, S., & Kapsimalis, V. (2022). Coastal Vulnerability Assessment for Future Sea Level Rise and a Comparative Study of Two Pocket Beaches in Seasonal Scale, Ios Island, Cyclades, Greece. Journal of Marine Science and Engineering, 10(11), 1673. DOI: [https://www.mdpi.com/2077-1312/10/11/1673 10.3390/jmse10111673]
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η παράκτια ζώνη αποτελεί το πεδίο δυναμικής αλληλεπίδρασης μεταξύ θαλάσσιου και χερσαίου περιβάλλοντος, η οποία απειλείται παγκοσμίως από την άνοδο της στάθμης της θάλασσας. Στόχος της παρούσας εργασίας είναι η εκτίμηση της παράκτιας τρωτότητας της νήσου Ίου, η οποία εντοπίζεται στις κεντρικές Κυκλάδες, για τα επόμενα 100 χρόνια και ο εντοπισμός των περιοχών που είναι συγκριτικά πιο ευάλωτες. Εξετάστηκαν οι εποχικές μεταβολές σχετικά μέσω υπολογισμού της ιζηματολογικής, γεωμορφολογικής και τοπογραφικής εξέλιξης των ακτών σε περιορισμένη χωρική κλίμακα, σε δύο ορμίσκους ([https://en.wikipedia.org/wiki/Pocket_beach pocket beaches]) της Ίου: οι παραλίες του Μυλοπότα και Μαγγανάρι. Οι περίοδοι μελέτης για τις εποχικές αλλαγές αφορούν το φθινόπωρο και την άνοιξη του 2018. Για τους σκοπούς της παραπάνω εποχικής προσέγγισης, πραγματοποιήθηκαν τοπογραφικές τομές και μετρήσεις κατά μήκος της ακτογραμμής κάθε περιοχής μελέτης με τη χρήση Διαφορικού Συστήματος Εντοπισμού Θέσης (Differential GPS) με δέκτη [https://en.wikipedia.org/wiki/Satellite_navigation GNSS] υψηλής ακρίβειας, για τον μετέπειτα υπολογισμό του ρυθμού μετατόπισης της ακτογραμμής. Επίσης, κρίθηκε απαραίτητη η δειγματοληψία ιζημάτων για την παρούσα έρευνα.

<h1><b><span style="color:#FF4500">Τοποθεσία περιοχής μελέτης</span></b></h1>
Η νήσος Ίος βρίσκεται στο Νοτιοανατολικό Αιγαίο και ανήκει στον νομό Κυκλάδων. Η έρευνα εστιάζει σε δύο χαρακτηριστικές παραλίες. Πρώτη είναι η παραλία του Μυλοπότα που εντοπίζεται στη δυτική Ίο, έχει συνολικό μήκος 700 μέτρα, οριοθετείται από δύο φυσικά ακρωτήρια και έχει προσανατολισμό ΒΔ-ΝΑ. Η συγκεκριμένη παραλία θεωρείται η πιο τουριστική στο νησί της Ίου. Δεύτερη, η παραλία Μαγγανάρι η οποία τοποθετείται στο νότιο άκρο του νησιού και αποτελείται από δύο κολπίσκους με διεύθυνση Δ-ΝΑ. Ο δυτικός κόλπος έχει μήκος 343 μέτρα, ενώ ο ανατολικός 300 μέτρα. Σε αντίθεση με την παραλία του Μυλοπότα, το Μαγγανάρι δεν φιλοξενεί πολλές τουριστικές επιχειρήσεις, αλλά αποτελεί μια αναπτυσσόμενη παράκτια περιοχή.

FOTOOO

<h1><b><span style="color:#FF4500">Δείκτης τρωτότητας ακτών (CVI) και δορυφορικά δεδομένα που αξιοποιήθηκαν</span></b></h1>
Για την επίτευξη των στόχων της μελέτης χρησιμοποιήθηκε ένας συνδυασμός τηλεπισκοπικών και επιτόπιων μεθόδων. Για τον υπολογισμό των παραμέτρων, έγινε εφαρμογή του δείκτη τρωτότητας των ακτών ([https://climate-adapt.eea.europa.eu/en/metadata/tools/coastal-vulnerability-index-2013-cvi CVI]), και συγκεκριμένα για τον ρυθμό μεταβολής της ακτογραμμής, αξιοποιήθηκαν ιστορικά και σύγχρονα δεδομένα από οπτικούς δορυφορικούς δέκτες μέτριας διακριτικής ικανότητας ([https://en.wikipedia.org/wiki/Landsat_program Landsat]). Τα δεδομένα αυτά επέτρεψαν τη διαχρονική χαρτογράφηση της θέσης της ακτογραμμής σε βάθος δεκαετιών. Παράλληλα, για την εποχική μελέτη ακριβείας στους δύο ορμίσκους, η δορυφορική πληροφορία εμπλουτίστηκε με μετρήσεις πεδίου υψηλής ακρίβειας (GNSS), προσφέροντας την απαραίτητη λεπτομέρεια για την καταγραφή μικρο-μεταβολών στην τοπογραφία της παραλίας.

FOTOOO

<h1><b><span style="color:#FF4500">Παρουσίαση πραγματικών δεδομένων που αξιοποιήθηκαν</span></b></h1>
Τα δεδομένα που επιλέχθηκαν για την ανάλυση είναι τα εξής:
* <b><span style="color:#FF4500">Γεωλογικά και Γεωμορφολογικά δεδομένα:</span></b>Έγινε εκμετάλλευση χαρτών και δορυφορικών εικόνων για την ταξινόμηση της ακτογραμμής σε κατηγορίες γεωμορφολογίας και τον υπολογισμό της παράκτιας κλίσης.
* <b><span style="color:#FF4500">Ωκεανογραφικά δεδομένα:</span></b> Συλλέχθηκαν δεδομένα για το σημαντικό ύψος κύματος και το παλιρροϊκό εύρος, τα οποία αποτελούν κρίσιμες μεταβλητές για τον δείκτη CVI.
* <b><span style="color:#FF4500">Δεδομένα πεδίου:</span></b> Πραγματοποιήθηκαν δειγματοληψίες ιζημάτων και χάραξη τοπογραφικών τομών κατά τη διάρκεια της θερινής και χειμερινής περιόδου του 2018, με στόχο την κοκκομετρική ανάλυση δειγμάτων για τον προσδιορισμό της υφής των ιζημάτων και βαθυμετρική αποτύπωση για την κατανόηση της μορφολογίας του πυθμένα αντίστοιχα.

<h1><b><span style="color:#FF4500">Στάδια προεπεξεργασίας δεδομένων</span></b></h1>
* Ψηφιοποίηση της ακτογραμμής από ιστορικούς χάρτες και δορυφορικές εικόνες σε περιβάλλον Γεωγραφικών Συστημάτων Πληροφοριών (GIS).
* Δημιουργία Ψηφιακών Μοντέλων Εδάφους ([https://en.wikipedia.org/wiki/Digital_elevation_model DEMs]) για την εξαγωγή της κλίσης της ακτής.
* Γεωαναφορά και εναρμόνιση των διαφορετικών πηγών δεδομένων (γεωλογικών, κυματικών, τοπογραφικών) σε κοινό σύστημα αναφοράς (Greek Geodetic Reference System 1987 ή EGSA 87-GreekGrid).

<h1><b><span style="color:#FF4500">Μεθοδολογία και διαδικασία άντλησης αποτελεσμάτων</span></b></h1>
<b><span style="color:#FF4500">1. Υπολογισμός Δείκτη Παράκτιας Τρωτότητας (CVI)</span></b><br>
Εφαρμόστηκε η μεθοδολογία του CVI, η οποία ενσωματώνει έξι μεταβλητές: γεωμορφολογία, παράκτια κλίση, ρυθμό μεταβολής ακτογραμμής, σχετική άνοδο στάθμης θάλασσας, μέσο παλιρροϊκό εύρος και μέσο σημαντικό ύψος κύματος. Κάθε μεταβλητή βαθμολογήθηκε σε κλίμακα επικινδυνότητας (από πολύ χαμηλή έως πολύ υψηλή). Η τελική τιμή του δείκτη προέκυψε από τον συνδυασμό αυτών των παραμέτρων, επιτρέποντας την ποσοτική αξιολόγηση της τρωτότητας για κάθε τμήμα της ακτογραμμής. Ο τύπος υπολογισμού του CVI είναι:
CVI =√((a∗b∗c∗d∗e∗f)/6)
όπου: a = γεωμορφολογία, b = παράκτια κλίση, c = σχετική μεταβολή στάθμης θάλασσας, d = ρυθμός μετατόπισης ακτογραμμής, e = μέσο παλιρροϊκό εύρος και f = μέσο ύψος κύματος.<br>
<b><span style="color:#FF4500">2. Ανάλυση Μεταβολής Ακτογραμμής</span></b><br>
Για την ανάλυση της μετατόπισης της ακτογραμμής αξιοποιήθηκαν στατιστικοί δείκτες διάβρωσης και απόθεσης μέσω του εργαλείου ψηφιακού συστήματος ανάλυσης ακτογραμμής (DSAS), ενώ οι μετρήσεις υψηλής ακρίβειας με DGPS/GNSS επέτρεψαν τον ακριβή προσδιορισμό των εποχικών μεταβολών στις παραλίες αναφοράς.

<h1><b><span style="color:#FF4500">Συμπεράσματα</span></b></h1>
Η μελέτη πέτυχε μια συνδυαστική αποτίμηση της τρωτότητας της νήσου Ίου έναντι της ανόδου της στάθμης της θάλασσας, εξετάζοντας ταυτόχρονα τη μικροκλίμακα της εποχικής εξέλιξης σε δύο επιλεγμένους ορμίσκους.<br>
Τα ευρήματα καταδεικνύουν ότι, λόγω της επικράτησης βραχώδους γεωμορφολογίας και απότομων κλίσεων, η συντριπτική πλειονότητα της ακτογραμμής παρουσιάζει πολύ χαμηλή τρωτότητα έως το έτος 2100. Το γεγονός αυτό επιβεβαιώνεται από ιστορικά δεδομένα μετατόπισης της ακτογραμμής, τα οποία δείχνουν ότι ουσιαστικές μεταβολές (της τάξης του 1 μέτρου ετησίως) περιορίζονται αποκλειστικά σε αμμώδεις εκτάσεις με ήπια κλίση, ενώ οι βραχώδεις ακτές παραμένουν σταθερές. Σε επίπεδο ιζηματολογίας, και στις δύο παραλίες μελέτης κυριαρχεί άμμος με πρόσμιξη χαλικιού, ενώ παρατηρήθηκαν εποχικές διακυμάνσεις στη μορφολογία του πυθμένα, οι οποίες αποδίδονται κυρίως στη δράση των κυμάτων κατά τη θερινή περίοδο. Ωστόσο, εντοπίστηκε μια σημαντική διαφοροποίηση στη δυναμική των δύο παραλιών που συνδέεται με την ανθρώπινη παρέμβαση. Συγκεκριμένα, η παραλία του Μυλοπότα εμφανίζει τάσεις υποχώρησης, οι οποίες φαίνεται να οφείλονται στον εγκλωβισμό των φερτών υλικών από φράγμα που έχει κατασκευαστεί ανάντη, διακόπτοντας τη φυσική τροφοδοσία της ακτής, σε συνδυασμό με την έντονη τουριστική εκμετάλλευση. Αντίθετα, στο Μαγγανάρι, η ηπιότερη τουριστική ανάπτυξη και η απρόσκοπτη λειτουργία του υδρογραφικού δικτύου επιτρέπουν τη φυσική αναπλήρωση και συγκράτηση των ιζημάτων, οδηγώντας σε σταθερότητα ή ακόμα και σε μικρή προέλαση της ακτογραμμής.

[[category:Μελέτη της διάβρωσης των ακτογραμμών]]

Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης

2026-01-22T02:04:08Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u> The future of coastal monitoring through satellite remote sensing<br><br>

<b>Συγγραφείς:</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A.<br>
<b>Πηγή (αναλυτικά):</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J.
A. (2023). The future of coastal monitoring through satellite remote sensing. Cambridge Prisms:
Coastal Futures, 1, e10. DOI: [https://www.cambridge.org/core/journals/cambridge-prisms-coastal-futures/article/future-of-coastal-monitoring-through-satellite-remote-sensing/CEDC8CD6260C8FA6E10DD148AE50BF4E 10.1017/cft.2022.4]
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>
Η κλιματική αλλαγή και η άνοδος της στάθμης της θάλασσας επιβάλλουν την ανάγκη για βελτιωμένη παρακολούθηση των παράκτιων ζωνών, καθώς οι παραδοσιακές επιτόπιες μετρήσεις είναι συχνά αραιές χρονικά και δαπανηρές. Η παρούσα μελέτη εξετάζει πώς η "δημοκρατικοποίηση" των δορυφορικών δεδομένων και η πρόοδος στην επιστήμη των δεδομένων (data science) μετασχηματίζουν την παράκτια γεωμορφολογία. Στόχος της είναι η ανασκόπηση και η παρουσίαση της μετάβασης από τις παραδοσιακές, αραιές «in-situ» μετρήσεις στη συνεχή, παγκόσμιας κλίμακας παρακολούθηση των παράκτιων διεργασιών (όπως η διάβρωση και η μορφολογική εξέλιξη) μέσω δορυφορικών παρατηρήσεων. Ειδικότερα, εστιάζει στην εμφάνιση της "καθοδηγούμενης από δεδομένα παράκτιας επιστήμης" (data-driven coastal science), η οποία αξιοποιεί τη μηχανική μάθηση για την εξαγωγή πληροφορίας από τεράστιους όγκους εικόνων, καθώς και στην προοπτική ολοκλήρωσης (integration) αυτών των παρατηρήσεων με επιχειρησιακά μοντέλα παράκτιας αλλαγής για την επίτευξη ακριβέστερων προγνώσεων.

<h1><b><span style="color:darkgreen">Είδη δορυφορικών συστημάτων, δεκτών, καναλιών και χρησιμότητά τους</span></b></h1>
Η ανάκτηση και η χαρτογράφηση των παράκτιων χαρακτηριστικών πραγματοποιείται μέσω ενός συνδυασμού παθητικών και ενεργητικών δεκτών. Οι δέκτες μέτριας διακριτικής ικανότητας (10-30m), όπως οι δορυφόροι [https://en.wikipedia.org/wiki/Landsat_program Landsat (5, 7, 8, 9)] και [https://www.sentinel-hub.com/ Sentinel-2], αποτελούν τη βάση της διαχρονικής παρακολούθησης, προσφέροντας ελεύθερα δεδομένα και μακροχρόνιες χρονοσειρές που επιτρέπουν την ανάλυση εδάφους από απόσταση σε διάστημα δεκαετιών. Η χρήση εμπορικών μικρο-δορυφόρων (SmallSats/CubeSats), όπως η PlanetScope, με απόσταση επίγειας δειγματοληψίας της τάξης των 3 μέτρων και ημερήσια επαναληψιμότητα, αρχίζει σταδιακά να κυριαρχεί, επιτρέποντας την παρακολούθηση γεγονότων υψηλής συχνότητας (π.χ. καταιγίδες). Τέλος, ενεργητικοί δέκτες [https://oceanservice.noaa.gov/facts/lidar.html Lidar], όπως το σύστημα ATLAS του ICESat-2, παρέχουν κρίσιμα υψομετρικά δεδομένα υψηλής ακρίβειας για την κάθετη δομή της παραλίας και τη βαθυμετρία.

<h1><b><span style="color:darkgreen">Επιλογή και διαθεσιμότητα δεδομένων</span></b></h1>
Με βάση την ιστορική αναδρομή και τις σύγχρονες δυνατότητες που εξετάζει η μελέτη, τα δεδομένα κατηγοριοποιούνται ως ακολούθως:
* <u>Δεδομενα ιστορικου αρχειου:</u> Αξιοποιούνται εικόνες από το πρόγραμμα Landsat που καλύπτουν μια περίοδο σχεδόν 40 ετών. Αυτά τα δεδομένα επιλέγονται για την κατανόηση των μακροχρόνιων τάσεων της ακτογραμμής και της μεταβολής του τοπίου σε κλίμακα δεκαετιών.
* <u>Δεδομενα υψηλης συχνοτητας:</u> Επιλέγονται σύγχρονες εικόνες από το σύστημα Sentinel-2 και PlanetScope. Λόγω του υψηλού όγκου δεδομένων, η διαθεσιμότητα είναι πλέον σχεδόν καθημερινή, επιτρέποντας την επιλογή εικόνων "καθαρού ουρανού" χωρίς νέφωση.
* <u>Δεδομενα ακριβειας (Lidar):</u> Τα δεδομένα του ICESat-2 χρησιμοποιούνται ως "δεδομένα αναφοράς" για την επικύρωση των οπτικών μεθόδων και την παροχή υψομετρικής πληροφορίας ακριβείας.

[[ Εικόνα: 1_εικ1.png | thumb | right |450px|'''Πίνακας 1:''' Σύγκριση της ικανότητας παρακολούθησης πετρελαιοκηλίδων με διάφορες τεχνολογίες τηλεπισκόπησης. ]]

<h1><b><span style="color:darkgreen">Προεπεξεργασίες </span></b></h1>
Τα στάδια προεπεξεργασίας για τη διαχείριση των Μεγάλων Δεδομένων (Big Data) στην παράκτια ζώνη περιλαμβάνουν:
* Χρήση πλατφορμών υπολογιστικού νέφους (Cloud Computing) όπως το Google Earth Engine (GEE).
* Ατμοσφαιρική διόρθωση των εικόνων για την ελαχιστοποίηση της επίδρασης των αερολυμάτων.
αερολυματων.
* Διαχωρισμός ξηράς-νερού μέσω φασματικών δεικτών και εφαρμογή μασκών (masks) για την αφαίρεση νεφών και κυμάτων θραύσης.

<h1><b><span style="color:darkgreen">Ψηφιακές, προχωρημένες, ειδικές επεξεργασίες των δορυφορικών εικόνων</span></b></h1>
<b>1. Ανάκτηση δεδομένων με Μηχανική Μάθηση</b><br>
Υπολογίστηκαν οι θέσεις της ακτογραμμής (SDS) και η βαθυμετρία (SDB) μέσω προηγμένων αλγορίθμων. Η μελέτη δίνει έμφαση στη μετάβαση στην "καθοδηγούμενη από δεδομένα επιστήμη" (data-driven science) χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης ([https://el.wikipedia.org/wiki/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 Machine Learning]). Αντί για απλές εμπειρικές σχέσεις, χρησιμοποιούνται βαθιά νευρωνικά δίκτυα ([https://el.wikipedia.org/wiki/%CE%92%CE%B1%CE%B8%CE%B9%CE%AC_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7#:~:text=%CE%97%20%CE%B2%CE%B1%CE%B8%CE%B9%CE%AC%20%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%20%CE%B5%CE%AF%CE%BD%CE%B1%CE%B9%20%CE%AD%CE%BD%CE%B1,%CF%84%CE%BF%CF%85%CF%82%20%CE%B3%CE%B9%CE%B1%20%CF%84%CE%B7%CE%BD%20%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%20%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD. Deep Learning]) και Συνελικτικά Νευρωνικά Δίκτυα (CNNs) για την ταξινόμηση κάθε εικονοστοιχείου (pixel-wise classification) και την αυτόματη αναγνώριση γεωμορφολογικών χαρακτηριστικών.

FOTOOOO

<b>2. Ενσωμάτωση σε επιχειρησιακά μοντέλα</b><br>
Εξετάστηκε η ενσωμάτωση των δορυφορικών δεδομένων σε επιχειρησιακά μοντέλα παράκτιας μεταβολής. Η διαδικασία αυτή περιλαμβάνει την αφομοίωση δεδομένων, συχνά μέσω τεχνικών όπως το φίλτρο Kalman, όπου οι δορυφορικές παρατηρήσεις ενημερώνουν και διορθώνουν τις προβλέψεις των αριθμητικών μοντέλων σε πραγματικό χρόνο. Αυτή η προσέγγιση επιτρέπει τη δημιουργία συστημάτων έγκαιρης προειδοποίησης και δυναμικών προβλέψεων της εξέλιξης της ακτογραμμής.<br>
<b>3. Στατιστική ανάλυση</b><br>
Πραγματοποιήθηκε αξιολόγηση των σφαλμάτων των μοντέλων χάραξης ακτογραμμής και βαθυμετρίας από δορυφορικά δεδομένα (SDS και SBD αντίστοιχα), συγκρίνοντας τα αποτελέσματα με παραδοσιακές μεθόδους. Τα αποτελέσματα έδειξαν ότι οι μέθοδοι μηχανικής μάθησης προσφέρουν βελτιωμένη ακρίβεια σε πολύπλοκα περιβάλλοντα, ενώ η αφομοίωση δεδομένων μειώνει την αβεβαιότητα των προγνωστικών μοντέλων.

<h1><b><span style="color:darkgreen">Χρήση επιπρόσθετων δεδομένων</span></b></h1>
Για περαιτέρω αξιολόγηση και επαλήθευση των δορυφορικών παρατηρήσεων, χρησιμοποιήθηκαν:
* Παγκόσμια ψηφιακά μοντέλα εδάφους ([https://en.wikipedia.org/wiki/Digital_elevation_model DEMs]).
* Δεδομένα από παλιρροιογράφους για τη διόρθωση των οπτικών λήψεων.
* Μοντέλα κυματισμού για τον υπολογισμό της επίδρασης των κυμάτων στην ακτή.

<h1><b><span style="color:darkgreen">Προκλήσεις</span></b></h1>
Για την πλήρη αξιοποίηση των δορυφορικών μεθόδων παρακολούθησης, απαιτείται σημαντική εργασία στην επαλήθευση και την αντιμετώπιση συγκεκριμένων τεχνικών περιορισμών. Οι κύριες προκλήσεις που εντοπίστηκαν κατηγοριοποιούνται ως εξής:

* <u>Ανάλυση (Resolution)</u>: Η ανάλυση των pixel παραμένει κρίσιμος παράγοντας. Οι υφιστάμενες μέθοδοι ανίχνευσης ακτογραμμής δίνουν τυπικά σφάλματα (RMSE) περίπου το μισό του μεγέθους του pixel (π.χ. 10-15m για Landsat, 3.5-5m για Planet). Παρόλο που υπάρχουν δορυφόροι πολύ υψηλής ανάλυσης, αναμένεται ότι το σφάλμα δεν θα μειωθεί αντίστοιχα λόγω άλλων παραγόντων (γεωαναφορά, αναρρίχηση κύματος) που δημιουργούν "συμφόρηση" στην ακρίβεια.

* <u> Συναρμογή εικόνας και γεωαναφορά (Image coregistration & geo-referencing)</u>:Η γεωαναφορά των εικόνων αποτελεί μια σημαντική και λιγότερο κατανοητή πηγή σφάλματος, με τα τυπικά σφάλματα του ίδιου του δορυφόρου να είναι της τάξης των ~5m (για Landsat). Η συναρμογή των εικόνων σε μια εικόνα αναφοράς μπορεί να μειώσει σημαντικά αυτές τις αποκλίσεις, παρέχοντας μεγαλύτερη συνέπεια.

* <u> Αλγόριθμοι μηχανικής όρασης (Machine-vision algorithms)</u>: Οι περισσότεροι αλγόριθμοι είναι σχετικά νέοι και, καθώς η χρήση τους επεκτείνεται σε νέες τοποθεσίες, η αξιοπιστία τους δοκιμάζεται. Οι δορυφορικές παρατηρήσεις περιέχουν θόρυβο (σε σύγκριση με τις in-situ μετρήσεις) και δεν είναι, ακόμα, γνωστός ο βέλτιστος συνδυασμός δεικτών και κατωφλίων (thresholds) για κάθε περίπτωση. Τεχνικές φιλτραρίσματος βασισμένες στη μηχανική μάθηση θα μπορούσαν να χρησιμοποιηθούν για την αποθορυβοποίηση των παρατηρήσεων.

* <u> Διεργασίες της παράκτιας ζώνης και διορθώσεις στάθμης ύδατος (Nearshore processes & water-level corrections)</u>: Η αναρρίχηση του κύματος (wave runup), που περιλαμβάνει την ανύψωση λόγω κυματισμού (setup) και τη διαβροχή (swash), αποτελεί σημαντική πηγή αβεβαιότητας. Τα περισσότερα εργαλεία διορθώνουν μόνο για την παλίρροια (tidal stage) και όχι για την αναρρίχηση του κύματος. Ενώ η ανύψωση (setup) θα μπορούσε να διορθωθεί με εμπειρικές εξισώσεις, η διόρθωση για τη δυναμική διαβροχή (swash) είναι πιο δύσκολη και απαιτεί περαιτέρω έρευνα, πιθανώς μέσω "οπτικών μεθόδων μέτρησης αναρρίχησης" από τις ίδιες τις εικόνες.

<h1><b><span style="color:darkgreen">Συμπεράσματα και αξιολόγηση των μεθόδων</span></b></h1>
Όσον αφορά μελλοντικές προοπτικές, είναι αξιοσημείωτο ότι η επιστημονική κοινότητα κλίνει προς τη δημιουργία "Παράκτιων Ψηφιακών Διδύμων" (Coastal Digital Twins). Αυτά τα συστήματα δεν θα περιορίζονται απλώς στην παρατήρηση, αλλά θα αφομοιώνουν συνεχώς δορυφορικά δεδομένα SDB και SDS σε αριθμητικά μοντέλα πρόγνωσης σε πραγματικό χρόνο. Παρατηρήθηκε ότι, παρόλο που η διακριτική ικανότητα των δορυφόρων βελτιώνεται, η κύρια πρόκληση παραμένει η ακρίβεια στην κάθετη διάσταση (υψόμετρο/βάθος) σε σχέση με την οριζόντια. Εντούτοις, οι διαφορές αυτές μειώνονται (ακρίβεια υπο-μέτρου σε ορισμένες εφαρμογές) όταν συνδυάζονται οπτικά δεδομένα με δεδομένα Lidar (ICESat-2).

Συμπερασματικά, η μελέτη καταλήγει ότι η δορυφορική τηλεπισκόπηση έχει ωριμάσει αρκετά ώστε να αποτελέσει τον κύριο πυλώνα για συστήματα έγκαιρης προειδοποίησης και διαχείρισης παράκτιων κινδύνων σε παγκόσμια κλίμακα, αντικαθιστώντας σταδιακά τις δαπανηρές επιτόπιες μετρήσεις. Όπως σχολιάζεται στη μελέτη: «Έχουμε την ευκαιρία να αξιοποιήσουμε τον μεγαλύτερο πόρο δεδομένων παράκτιας αλλαγής στον κόσμο (δηλαδή τα συνεχώς επεκτεινόμενα αρχεία των δορυφόρων παρατήρησης της Γης) για να κατανοήσουμε και να διαχειριστούμε την παράκτια απόκριση σε ένα μεταβαλλόμενο κλίμα» (Vitousek S., et. al., 2023).

[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Νέες τεχνολογίες για την παρακολούθηση της δυναμικής των παράκτιων οικοσυστημάτων

2026-01-22T02:04:00Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u> New Technologies for Monitoring Coastal Ecosystem Dynamics <br><br>

<b>Συγγραφείς:</b> Cavanaugh, K. C., Bell, T. W., Aerni, K. E., Byrnes, J. E., McCammon, S., & Smith, M. M.<br>
<b>Πηγή (αναλυτικά):</b>Cavanaugh, K. C., Bell, T. W., Aerni, K. E., Byrnes, J. E., McCammon, S., & Smith,
M. M. (2025). New technologies for monitoring coastal ecosystem dynamics. Annual Review of
Marine Science, 17(1), 409-433. DOI: [https://www.annualreviews.org/content/journals/10.1146/annurev-marine-040523-020221 10.1146/annurev-marine-040523-020221]
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Τα παράκτια οικοσυστήματα, όπως τα μαγκρόβια δάση, τα αλατούχα έλη, τα λιβάδια φανερόγαμων και τα δάση φαιοφυκών (kelp forests), παρέχουν κρίσιμες υπηρεσίες οικοσυστήματος, από την προστασία των ακτών έως τη δέσμευση άνθρακα. Παρόλα αυτά, η δυναμική τους φύση και οι ταχύτατες περιβαλλοντικές αλλαγές που υφίστανται καθιστούν τις παραδοσιακές μεθόδους παρακολούθησης ανεπαρκείς. Στόχος της παρούσας ανασκόπησης της διαθέσιμης επιστημονικής βιβλιογραφίας είναι η αξιολόγηση της πρόσφατης τεχνολογικής επανάστασης που μετασχηματίζει τον τρόπο με τον οποίο μελετάται η παράκτια ζώνη. Οι συγγραφείς συνθέτουν τις εξελίξεις σε τέσσερις βασικούς τομείς: την τηλεπισκόπηση υψηλής ανάλυσης (από δορυφόρους και drones), την ανάλυση περιβαλλοντικού DNA (eDNA), τη χρήση χαμηλού κόστους αισθητήρων και την επεξεργασία δεδομένων μέσω υπολογιστικού νέφους και τεχνητής νοημοσύνης ([https://en.wikipedia.org/wiki/Artificial_intelligence artificial intelligence, ή AI]). Η εργασία υποστηρίζει ότι η μετάβαση από τη σπανιότητα στην αφθονία δεδομένων επιτρέπει πλέον την παρακολούθηση των οικολογικών διεργασιών σε πραγματικό χρόνο και σε πολλαπλές κλίμακες, υπό την προϋπόθεση ότι θα ξεπεραστούν εμπόδια που σχετίζονται με την προσβασιμότητα και την ολοκλήρωση των διαφορετικών πηγών πληροφορίας.

<h1><b><span style="color:#FF4500">Η ανάγκη για παρακολούθηση σε πολλές κλίμακες </span></b></h1>
Η διαχειριση των παρακτιων πορων απαιτει κατανοηση των αλλαγων που συμβαινουν τοσο σε
τοπικο, οσο και παγκοσμιο επιπεδο. Στο παρελθον, οι ερευνητες επρεπε να επιλεξουν μεταξυ
λεπτομερων αλλα τοπικων επιτοπιων μετρησεων και ευρειας κλιμακας αλλα χαμηλης αναλυσης
δορυφορικων εικονων. Η μελετη αναδεικνυει οτι οι νεες τεχνολογιες γεφυρωνουν αυτο το χασμα.
Η δυνατοτητα ταυτοχρονης καταγραφης της εκτασης, της βιομαζας, της δομης και της
βιοποικιλοτητας των οικοσυστηματων επιτρεπει την κατανοηση οχι μονο του που συμβαινουν οι
αλλαγες, αλλα και του γιατι και πως επηρεαζουν τη λειτουργια του συστηματος.

FOTOOO

<h1><b><span style="color:#FF4500">Επανάσταση στην Τηλεπισκόπηση: από δορυφόρους σε UAVs</span></b></h1>
Σημειωνεται μια θεμελιωδης αλλαγη στα διαθεσιμα εργαλεια παρατηρησης της Γης:<br>
* <b><span style="color:#FF4500">Δορυφορικά Συστήματα Νέας Γενιάς:</span></b> Η εμφάνιση μηχανισμών δορυφορικής κάλυψης της επιφάνειας της Γης από απόσταση μέσα από εμπορικές συστοιχίες μικρο-δορυφόρων (CubeSats), όπως τη συστοιχία της PlanetScope, προσφέρει πλέον καθημερινή κάλυψη με υψηλή χωρική ανάλυση (λίγων μέτρων), επιτρέποντας την καταγραφή ταχέων φαινομένων, όπως οι πλημμύρες ή η φαινολογία της βλάστησης. Συμληρωματικά, αναμένονται νέες αποστολές υπερφασματικής απεικόνισης που θα επιτρέψουν την πιο διακριτή καταγραφή ειδών και φυσιολογικών καταστάσεων που δεν ήταν ορατές με παλαιότερους αισθητήρες.
* <b><span style="color:#FF4500">Μη Επανδρωμένα Αεροσκάφη ([https://en.wikipedia.org/wiki/Unmanned_aerial_vehicle UAVs]):</span></b> Τα drones έχουν φέρει επανάσταση στην παράκτια χαρτογράφηση, παρέχοντας δεδομένα εκατοστιαίας ακρίβειας. Η βασική συνεισφορά τους εντοπίζεται στη δυνατότητα παραγωγής τρισδιάστατων (3D) δεδομένων για τη δομή των παράκτιων οικοσυστημάτων. Αυτό επιτυγχάνεται κυρίως μέσω δύο τεχνολογιών: της φωτογραμμετρίας «Δομή από Κίνηση» (Structure from Motion - SfM), η οποία χρησιμοποιεί αλληλοεπικαλυπτόμενες δισδιάστατες εικόνες από συμβατικές κάμερες για τη δημιουργία τρισδιάστατων μοντέλων, και των ενεργητικών αισθητήρων LiDAR που σαρώνουν άμεσα τη δομή της βλάστησης. Οι τεχνολογίες αυτές επιτρέπουν την ακριβή μέτρηση παραμέτρων, όπως το ύψος και ο όγκος του θόλου των φυτών, μετρήσεις θεμελιώδεις για την εκτίμηση της υπέργειας βιομάζας και των αποθεμάτων άνθρακα σε οικοσυστήματα, όπως τα μαγκρόβια δάση και τα αλατούχα έλη, αντικαθιστώντας ή συμπληρώνοντας τις χρονοβόρες παραδοσιακές μεθόδους απογραφής.
FOTOOOO

<h1><b><span style="color:#FF4500">Καινοτομίες στη βιολογική και περιβαλλοντική παρακολούθηση</span></b></h1>
H ερευνα εστιαζει και σε τεχνολογιες που καταγραφουν τη βιολογικη ταυτοτητα και τις
φυσικοχημικες συνθηκες:
* <b><span style="color:#FF4500">Περιβαλλοντικό DNA (eDNA):</span></b> Η ανάλυση γενετικού υλικού που συλλέγεται από το νερό ή το ίζημα επιτρέπει την παρακολούθηση της βιοποικιλότητας χωρίς την ανάγκη σύλληψης ή οπτικής παρατήρησης των οργανισμών. Αυτό είναι ιδιαίτερα χρήσιμο για την ανίχνευση κρυπτικών, σπάνιων ή εισβολικών ειδών σε θολά παράκτια ύδατα.
* <b><span style="color:#FF4500">Δίκτυα Αισθητήρων:</span></b> Η ανάπτυξη φθηνών, ανοιχτού κώδικα (open-source) αισθητήρων επιτρέπει τη συνεχή καταγραφή παραμέτρων ποιότητας υδάτων (θερμοκρασία, οξύτητα, θολερότητα) σε υψηλή συχνότητα, παρέχοντας δεδομένα για τη σύνδεση των φυσικών παραμέτρων με τις βιολογικές αποκρίσεις.

<h1><b><span style="color:#FF4500">Διαχείριση δεδομένων: Νέφος και Τεχνητή Νοημοσύνη </span></b></h1>
Ο τεράστιος όγκος δεδομένων που παράγεται από τα παραπάνω συστήματα δημιουργεί την ανάγκη για νέες προσεγγίσεις ανάλυσης:
* <b><span style="color:#FF4500">Υπολογιστικό Νέφος (Cloud):</span></b> Πλατφόρμες όπως το Google Earth Engine και το Microsoft Planetary Computer έχουν εκδημοκρατίσει την πρόσβαση σε υπολογιστική ισχύ, επιτρέποντας την επεξεργασία πεταμπάιτ δεδομένων χωρίς την ανάγκη τοπικών υπερ-υπολογιστών.
* <b><span style="color:#FF4500">Μηχανική Μάθηση ([https://el.wikipedia.org/wiki/%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7 Machine Learning]):</span></b> Η χρήση Συνελικτικών Νευρωνικών Δικτύων (CNNs) και τεχνικών Βαθιάς Μάθησης (Deep Learning) είναι πλέον απαραίτητη για την αυτοματοποιημένη ερμηνεία εικόνων. Αυτοί οι αλγόριθμοι μπορούν να διακρίνουν πολύπλοκα πρότυπα, όπως τη διαφοροποίηση μεταξύ διαφορετικών ειδών φυκών ή την ταξινόμηση υποθαλάσσιων ενδιαιτημάτων, ξεπερνώντας τους περιορισμούς των παραδοσιακών μεθόδων ταξινόμησης.

<h1><b><span style="color:#FF4500">Προκλήσεις ενσωμάτωσης και προσβασιμότητας </span></b></h1>
Παρα την εμφανη τεχνολογικη προοδο, υπογραμμιζεται οτι η ευρεια υιοθετηση αυτων των
μεθοδων προσκρουει σε σημαντικα εμποδια. Παρολο που το κοστος ορισμενων μεσων (οπως τα εμπορικα drones) εχει μειωθει, η προσβαση σε εξειδικευμενους αισθητηρες (π.χ.
υπερφασματικους η LiDAR υψηλης πυκνοτητας) και η υπολογιστικη ισχυς που απαιτειται για την
αναλυση «μεγαλων δεδομενων» παραμενουν δαπανηρες, δημιουργωντας ανισοτητες μεταξυ
ερευνητικων ομαδων και χωρων με διαφορετικους οικονομικους πορους. Μια κεντρικη προκληση
αποτελει η λεγομενη «συντηξη δεδομενων» (data fusion) και συγκεκριμενα η γεφυρωση του
χασματος κλιμακας: πως δηλαδη μπορουν να ενσωματωθουν αποτελεσματικα οι σημειακες,
υψηλης ακριβειας μετρησεις, οπως το περιβαλλοντικο DNA – eDNA, με τη συνοπτικη, ευρειας
κλιμακας πληροφορια που παρεχουν οι δορυφορικες εικονες, ωστε να εξαχθουν εμπιστα
οικολογικα συμπερασματα. Ακομα, η ελλειψη τυποποιημενων πρωτοκολλων συλλογης και
επεξεργασιας δεδομενων εμποδιζει συχνα τη συγκρισιμοτητα των αποτελεσματων μεταξυ
διαφορετικων μελετων, καθιστωντας δυσκολη τη δημιουργια μιας διεθνους εικονας για την
κατασταση των παρακτιων οικοσυστηματων.

<h1><b><span style="color:#FF4500">Συμπεράσματα και Μελλοντικές Προοπτικές</span></b></h1>
Η ανασκόπηση καταλήγει στο συμπέρασμα ότι βρισκόμαστε στο κατώφλι μιας νέας εποχής για την παράκτια επιστήμη. Η σύγκλιση των ανεπτυγμένων τεχνολογιών, όπως αυτή της τηλεπισκόπησης και της επιστήμης δεδομένων προσφέρει πρωτοφανείς δυνατότητες για την κατανόηση της δυναμικής των οικοσυστημάτων. Βέβαια, η τεχνολογία από μόνη της δεν αρκεί, διότι απαιτείται και η παράλληλη ανάπτυξη διεπιστημονικών συνεργασιών που θα γεφυρώσουν την οικολογία με τη μηχανική και την πληροφορική. Το μέλλον της παρακολούθησης έγκειται στην επιχειρησιακή εφαρμογή αυτών των εργαλείων για τη λήψη αποφάσεων σε πραγματικό χρόνο, μετατρέποντας τα "μεγάλα δεδομένα" σε απαραίτητη γνώση για την προστασία και αποκατάσταση των απειλούμενων παράκτιων ζωνών. Το άρθρο κλείνει με τη δήλωση πως η επιτυχία θα κριθεί από την ικανότητά μας να καταστήσουμε αυτά τα εργαλεία προσβάσιμα και εφαρμόσιμα σε παγκόσμια κλίμακα, εξασφαλίζοντας τη βιωσιμότητα των πολύτιμων αυτών οικοσυστημάτων.
[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Αρχείο:3 εικ1.png

2026-01-22T01:43:22Z

APOSTOLOS DALIANIS:

Αρχείο:2 εικ3.png

2026-01-22T01:43:12Z

APOSTOLOS DALIANIS:

Αρχείο:2 εικ2.png

2026-01-22T01:42:54Z

APOSTOLOS DALIANIS:

Αρχείο:2 εικ1.png

2026-01-22T01:41:42Z

APOSTOLOS DALIANIS: ορθό

ορθό

Αρχείο:1 εικ3.png

2026-01-22T01:40:25Z

APOSTOLOS DALIANIS:

Αρχείο:1 εικ2.png

2026-01-22T01:39:36Z

APOSTOLOS DALIANIS:

Εργαλεία τηλεπισκόπησης και μηχανικής μάθησης για την υποστήριξη της παρακολούθησης υγροτόπων: Μια μετα-ανάλυση έρευνας τριών δεκαετιών

2026-01-22T00:13:07Z

APOSTOLOS DALIANIS: Νέα σελίδα με '<u>Πρωτότυπος τίτλος:</u>Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research<br><br> <b>...'

<u>Πρωτότυπος τίτλος:</u>Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research<br><br>

<b>Συγγραφείς:</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F.<br>
<b>Πηγή (αναλυτικά):</b>Jafarzadeh, H., Mahdianpari, M., Gill, E. W., Brisco, B., & Mohammadimanesh, F. (2022). Remote Sensing and Machine Learning Tools to Support Wetland Monitoring: A Meta-Analysis of Three Decades of Research. Remote Sensing, 14(23), 6104. DOI: 10.3390/rs14236104
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Οι υγρότοποι (wetlands) αποτελούν οικοσυστήματα ζωτικής σημασίας που παρέχουν κρίσιμες οικολογικές υπηρεσίες, ωστόσο υφίστανται έντονες πιέσεις λόγω της κλιματικής αλλαγής και της ανθρωπογενούς δραστηριότητας. Η παραδοσιακή παρακολούθησή τους μέσω επιτόπιων ερευνών είναι συχνά δυσχερής, δαπανηρή και χρονικά περιορισμένη. Στόχος της επιστημονικής μελέτης είναι η διεξοδική διερεύνηση της εξέλιξης των μεθόδων χαρτογράφησης και παρακολούθησης υγροτόπων κατά τις τελευταίες τρεις δεκαετίες, εστιάζοντας στη συνέργεια της Τηλεπισκόπησης (Remote Sensing) και της Μηχανικής Μάθησης (Machine Learning). Μέσω μιας συστηματικής μετα-ανάλυσης της διεθνούς βιβλιογραφίας, υιοθετεί μια σφαιρική προσέγγιση, αναλύοντας εκατοντάδες επιστημονικές δημοσιεύσεις που καλύπτουν το χρονικό διάστημα από τις αρχές της δεκαετίας του 1990 έως το 2022. Αξιολογεί την αποτελεσματικότητα διαφορετικών αλγορίθμων, δορυφορικών δεδομένων και υπολογιστικών πλατφορμών, αναδεικνύοντας τις τάσεις που διαμορφώνουν το μέλλον της διαχείρισης και ταξινόμησης υγροτόπων διαφόρων τύπων (π.χ. έλη, τυρφώνες, μαγκρόβια δάση), εξετάζοντας πώς η τεχνολογική πρόοδος μετέβαλε τις μεθοδολογίες από απλές φωτοερμηνείες σε πολύπλοκα μοντέλα Βαθιάς Μάθησης (Deep Learning). Κατηγοριοποιεί τις μελέτες βάσει της γεωγραφικής κατανομής, των χρησιμοποιούμενων αισθητήρων και των αλγοριθμικών προσεγγίσεων.

<h1><b><span style="color:#FF4500">Τάσεις χρήσης δεδομένων τηλεπισκόπησης</span></b></h1>
Μέσω της βιβλιογραφικής επισκόπησης καταδεικνύεται ότι η παρακολούθηση των υγροτόπων βασίζεται σε ένα ευρύ φάσμα αισθητήρων, με διαφορετικά πλεονεκτήματα. Κυρίαρχο ρόλο διαχρονικά διαδραματίζουν τα οπτικά δορυφορικά συστήματα, κυρίως λόγω της σειράς Landsat που προσφέρει το μεγαλύτερο ιστορικό αρχείο καταγραφών, αλλά και των νεότερων αποστολών Sentinel-2 που παρέχουν βελτιωμένη χωρική και χρονική ανάλυση. Παράλληλα, καταγράφεται μια σταθερή αύξηση στη χρήση αισθητήρων Ραντάρ Συνθετικού Ανοίγματος (SAR), όπως οι Sentinel-1 και RADARSAT. Η ικανότητα των ραντάρ να διεισδύουν μέσω νεφώσεων και να αλληλεπιδρούν με τη δομή της βλάστησης και την επιφανειακή υγρασία τα καθιστά αναντικατάστατα για παρακολούθηση υγροτοπικών περιβαλλόντων. Τέλος, εμφανίζεται η χρήση δεδομένων LiDAR (Light Detection and Ranging) και μη επανδρωμένων αεροσκαφών (UAVs) για εφαρμογές που απαιτούν εξαιρετικά υψηλή λεπτομέρεια.

FOTOOOO

Πολυφασματικά, SAR και σύντηξη δεδομένων
Η επιλογή των δεδομένων δεν είναι πλέον μονοδιάστατη, καθώς η έρευνα στρέφεται στη συνδυαστική χρήση πόρων:
* <b><span style="color:#FF4500">Οπτικά Δεδομένα:</span></b> Παραμένουν η βάση για τον εντοπισμό τύπων βλάστησης μέσω φασματικών υπογραφών, ενισχυμένα από την πολιτική ανοικτής πρόσβασης (open access) της NASA και της ESA.
* <b><span style="color:#FF4500">Δεδομένα SAR:</span></b> Επιλέγονται στρατηγικά για τη διάκριση μεταξύ πλημμυρισμένων και μη πλημμυρισμένων περιοχών, εκμεταλλευόμενα τη διηλεκτρική συμπεριφορά του νερού.
* <b><span style="color:#FF4500">Σύντηξη (Fusion):</span></b> Η σημαντικότερη τάση που αναδεικνύεται είναι η σύντηξη οπτικών και SAR δεδομένων. Η συνδυαστική πληροφορία (multi-sensor data fusion) βελτιώνει δραματικά την ακρίβεια ταξινόμησης, καθώς αλληλοσυμπληρώνονται οι πληροφορίες, όπως, για παράδειγμα, την παρατήρηση βλάστησης όπου επιτυγχάνεται καταγραφή τόσο για τη χημική σύσταση (οπτικά), όσο και για τη φυσική δομή/υγρασία (SAR) των φυτών.

FOTOOOOO

<h1><b><span style="color:#FF4500">Υπολογιστικά περιβάλλοντα και επεξεργασία στο νέφος (cloud)</span></b></h1>
Η μετάβαση στην εποχή των Μεγάλων Δεδομένων (Big Data) έχει μετασχηματίσει ριζικά τις ροές εργασίας. Η παραδοσιακή επεξεργασία σε τοπικούς σταθμούς εργασίας, η οποία απαιτούσε χρονοβόρες διορθώσεις και λήψεις αρχείων, αντικαθίσταται σταδιακά από πλατφόρμες υπολογιστικού νέφους (Cloud Computing). Το Google Earth Engine (GEE) αναδεικνύεται ως το κυρίαρχο εργαλείο, παρέχοντας άμεση πρόσβαση σε πεταμπάιτ δεδομένων και έτοιμα προς χρήση προϊόντα (Analysis Ready Data - ARD). Αυτό επιτρέπει στους ερευνητές να εκτελούν πολύπλοκες αναλύσεις σε παγκόσμια κλίμακα σχεδόν σε πραγματικό χρόνο, εστιάζοντας στην ανάπτυξη αλγορίθμων αντί για τη διαχείριση αρχείων.

<h1><b><span style="color:#FF4500">Εξέλιξη αλγορίθμων ταξινόμησης και Μηχανική Μάθηση</span></b></h1>
<b><span style="color:#FF4500">1. Κυριαρχία μη παραμετρικών αλγορίθμων</span></b><br>
Η ανάλυση έδειξε ότι οι αλγόριθμοι Μηχανικής Μάθησης έχουν εκτοπίσει τις παραδοσιακές στατιστικές μεθόδους. Ο αλγόριθμος Random Forest (RF - Τυχαία Δάση) αναδεικνύεται ως ο "βασιλιάς" των ταξινομητών στον τομέα των υγροτόπων, λόγω της ευκολίας παραμετροποίησης, της υπολογιστικής αποδοτικότητας και της ανθεκτικότητάς του στον θόρυβο. Ακολουθούν σε δημοφιλία τα Μηχανήματα Διανυσμάτων Υποστήριξης (SVM), τα οποία διατηρούν υψηλές επιδόσεις ακόμη και με περιορισμένα δεδομένα εκπαίδευσης.<br>
<b><span style="color:#FF4500">2. Η επανάσταση της Βαθιάς Μάθησης </span></b><br>
Τα τελευταία έτη χαρακτηρίζονται από την είσοδο της Βαθιάς Μάθησης (Deep Learning) και ειδικότερα των Νευρωνικών Δικτύων συνέλιξης (CNNs). Αυτά τα μοντέλα επιτυγχάνουν τις υψηλότερες ακρίβειες ταξινόμησης καθώς δεν εξετάζουν μεμονωμένα pixels, αλλά αναλύουν τα χωρικά πρότυπα και την υφή της εικόνας, προσεγγίζοντας την πολυπλοκότητα της ανθρώπινης όρασης.<br>
<b><span style="color:#FF4500">3. Συγκριτική Απόδοση</span></b><br>
Τα ευρήματα της μετα-ανάλυσης επιβεβαιώνουν ότι οι προσεγγίσεις σύντηξης δεδομένων σε συνδυασμό με προηγμένους αλγορίθμους (DL ή RF) υπερτερούν σταθερά έναντι των μονο-φασματικών αναλύσεων. Ωστόσο, η αυξημένη ακρίβεια της Βαθιάς Μάθησης συνοδεύεται από υψηλότερες απαιτήσεις σε υπολογιστική ισχύ, δεδομένα αναφοράς και κεφάλαιο (χρήμα).

<h1><b><span style="color:#FF4500">Ρόλος επικουρικών γεωχωρικών δεδομένων</span></b></h1>
Για τη βελτιστοποίηση των μοντέλων, η τηλεπισκόπηση πλαισιώνεται συχνά από βοηθητικά δεδομένα. Τα Ψηφιακά Μοντέλα Υψομέτρου (DEMs) και οι υδρολογικοί δείκτες που προκύπτουν από αυτά κρίνονται απαραίτητα, καθώς η παρουσία των υγροτόπων καθορίζεται πρωτίστως από το ανάγλυφο και τη ροή του ύδατος. Επιπρόσθετα, εδαφολογικοί χάρτες και κλιματικά δεδομένα χρησιμοποιούνται για να ενισχύσουν τη διαχωριστική ικανότητα των μοντέλων μεταξύ υγροτόπων και άλλων χρήσεων γης με παρόμοια φασματική συμπεριφορά.

<h1><b><span style="color:#FF4500">Προκλήσεις</span></b></h1>
Παρά την τεχνολογική πρόοδο, η μελέτη εντοπίζει σημαντικά εμπόδια. Η φασματική σύγχυση μεταξύ διαφορετικών τύπων υγροτόπων και η έντονη εποχικότητα καθιστούν την ταξινόμηση δύσκολη. Επιπλέον, η έλλειψη επαρκών, ποιοτικών και χωρικά κατανεμημένων δεδομένων πεδίου (ground truth) παραμένει το ευάλωτο σημείο για την εκπαίδευση των πολύπλοκων μοντέλων βαθιάς μάθησης. Τέλος, η υπολογιστική πολυπλοκότητα των σύγχρονων μεθόδων απαιτεί εξειδικευμένες υποδομές, γεγονός που μπορεί να περιορίσει τη δυνατότητα εφαρμογής τους σε επιχειρησιακό επίπεδο.

<h1><b><span style="color:#FF4500">Συμπεράσματα</span></b></h1>
Η παρούσα μετα-ανάλυση ανέλυσε 344 δημοσιευμένα επιστημονικά περιοδικά πάνω στην παρατήρηση υγροτόπων μέσω τεχνικών τηλεπισκόπησης, τις κατηγοριοποίησε με βάση κάποια μεταξύ τους κοινά χαρακτηριστικά και ως κύριο πόρισμα έβγαλε ότι η σύζευξη της τηλεπισκόπησης με τη μηχανική μάθηση αποτελεί πλέον θεμέλιο για την παρακολούθηση των υγροτόπων σε παγκόσμια κλίμακα. Τεκμηριώνει ότι η ελεύθερη διάθεση δορυφορικών δεδομένων και η ανάπτυξη πλατφορμών, όπως το Google Earth Engine, έχουν επιτρέψει τη χαρτογράφηση σε κλίμακες που ήταν αδύνατες στο παρελθόν. Το μέλλον της έρευνας βαδίζει προς μοντέλα βαθιάς μάθησης, με προτεραιότητα την ανάγκη δημιουργίας εκτεταμένων βιβλιοθηκών δεδομένων εκπαίδευσης. Η προστασία αυτών των ευαίσθητων οικοσυστημάτων απαιτεί τη συνεχή ενσωμάτωση αυτών των καινοτομιών σε συστήματα λήψης αποφάσεων.

FOTOOOO

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

Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης

2026-01-22T00:01:43Z

APOSTOLOS DALIANIS:

<u>Πρωτότυπος τίτλος:</u> The future of coastal monitoring through satellite remote sensing<br><br>

<b>Συγγραφείς:</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A.<br>
<b>Πηγή (αναλυτικά):</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J.
A. (2023). The future of coastal monitoring through satellite remote sensing. Cambridge Prisms:
Coastal Futures, 1, e10. DOI: 10.1017/cft.2022.4
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>
Η κλιματική αλλαγή και η άνοδος της στάθμης της θάλασσας επιβάλλουν την ανάγκη για βελτιωμένη παρακολούθηση των παράκτιων ζωνών, καθώς οι παραδοσιακές επιτόπιες μετρήσεις είναι συχνά αραιές χρονικά και δαπανηρές. Η παρούσα μελέτη εξετάζει πώς η "δημοκρατικοποίηση" των δορυφορικών δεδομένων και η πρόοδος στην επιστήμη των δεδομένων (data science) μετασχηματίζουν την παράκτια γεωμορφολογία. Στόχος της είναι η ανασκόπηση και η παρουσίαση της μετάβασης από τις παραδοσιακές, αραιές «in-situ» μετρήσεις στη συνεχή, παγκόσμιας κλίμακας παρακολούθηση των παράκτιων διεργασιών (όπως η διάβρωση και η μορφολογική εξέλιξη) μέσω δορυφορικών παρατηρήσεων. Ειδικότερα, εστιάζει στην εμφάνιση της "καθοδηγούμενης από δεδομένα παράκτιας επιστήμης" (data-driven coastal science), η οποία αξιοποιεί τη μηχανική μάθηση για την εξαγωγή πληροφορίας από τεράστιους όγκους εικόνων, καθώς και στην προοπτική ολοκλήρωσης (integration) αυτών των παρατηρήσεων με επιχειρησιακά μοντέλα παράκτιας αλλαγής για την επίτευξη ακριβέστερων προγνώσεων.

<h1><b><span style="color:darkgreen">Είδη δορυφορικών συστημάτων, δεκτών, καναλιών και χρησιμότητά τους</span></b></h1>
Η ανάκτηση και η χαρτογράφηση των παράκτιων χαρακτηριστικών πραγματοποιείται μέσω ενός συνδυασμού παθητικών και ενεργητικών δεκτών. Οι δέκτες μέτριας διακριτικής ικανότητας (10-30m), όπως οι δορυφόροι Landsat (5, 7, 8, 9) και Sentinel-2, αποτελούν τη βάση της διαχρονικής παρακολούθησης, προσφέροντας ελεύθερα δεδομένα και μακροχρόνιες χρονοσειρές που επιτρέπουν την ανάλυση εδάφους από απόσταση σε διάστημα δεκαετιών. Η χρήση εμπορικών μικρο-δορυφόρων (SmallSats/CubeSats), όπως η PlanetScope, με απόσταση επίγειας δειγματοληψίας της τάξης των 3 μέτρων και ημερήσια επαναληψιμότητα, αρχίζει σταδιακά να κυριαρχεί, επιτρέποντας την παρακολούθηση γεγονότων υψηλής συχνότητας (π.χ. καταιγίδες). Τέλος, ενεργητικοί δέκτες Lidar, όπως το σύστημα ATLAS του ICESat-2, παρέχουν κρίσιμα υψομετρικά δεδομένα υψηλής ακρίβειας για την κάθετη δομή της παραλίας και τη βαθυμετρία.

<h1><b><span style="color:darkgreen">Επιλογή και διαθεσιμότητα δεδομένων</span></b></h1>
Με βάση την ιστορική αναδρομή και τις σύγχρονες δυνατότητες που εξετάζει η μελέτη, τα δεδομένα κατηγοριοποιούνται ως ακολούθως:
* <u>Δεδομενα ιστορικου αρχειου:</u> Αξιοποιούνται εικόνες από το πρόγραμμα Landsat που καλύπτουν μια περίοδο σχεδόν 40 ετών. Αυτά τα δεδομένα επιλέγονται για την κατανόηση των μακροχρόνιων τάσεων της ακτογραμμής και της μεταβολής του τοπίου σε κλίμακα δεκαετιών.
* <u>Δεδομενα υψηλης συχνοτητας:</u> Επιλέγονται σύγχρονες εικόνες από το σύστημα Sentinel-2 και PlanetScope. Λόγω του υψηλού όγκου δεδομένων, η διαθεσιμότητα είναι πλέον σχεδόν καθημερινή, επιτρέποντας την επιλογή εικόνων "καθαρού ουρανού" χωρίς νέφωση.
* <u>Δεδομενα ακριβειας (Lidar):</u> Τα δεδομένα του ICESat-2 χρησιμοποιούνται ως "δεδομένα αναφοράς" για την επικύρωση των οπτικών μεθόδων και την παροχή υψομετρικής πληροφορίας ακριβείας.

FOTOOOO

<h1><b><span style="color:darkgreen">Προεπεξεργασίες </span></b></h1>
Τα στάδια προεπεξεργασίας για τη διαχείριση των Μεγάλων Δεδομένων (Big Data) στην παράκτια ζώνη περιλαμβάνουν:
* Χρήση πλατφορμών υπολογιστικού νέφους (Cloud Computing) όπως το Google Earth Engine (GEE).
* Ατμοσφαιρική διόρθωση των εικόνων για την ελαχιστοποίηση της επίδρασης των αερολυμάτων.
αερολυματων.
* Διαχωρισμός ξηράς-νερού μέσω φασματικών δεικτών και εφαρμογή μασκών (masks) για την αφαίρεση νεφών και κυμάτων θραύσης.

<h1><b><span style="color:darkgreen">Ψηφιακές, προχωρημένες, ειδικές επεξεργασίες των δορυφορικών εικόνων</span></b></h1>
<b>1. Ανάκτηση δεδομένων με Μηχανική Μάθηση</b><br>
Υπολογίστηκαν οι θέσεις της ακτογραμμής (SDS) και η βαθυμετρία (SDB) μέσω προηγμένων αλγορίθμων. Η μελέτη δίνει έμφαση στη μετάβαση στην "καθοδηγούμενη από δεδομένα επιστήμη" (data-driven science) χρησιμοποιώντας τεχνικές Μηχανικής Μάθησης (Machine Learning). Αντί για απλές εμπειρικές σχέσεις, χρησιμοποιούνται βαθιά νευρωνικά δίκτυα (Deep Learning) και Συνελικτικά Νευρωνικά Δίκτυα (CNNs) για την ταξινόμηση κάθε εικονοστοιχείου (pixel-wise classification) και την αυτόματη αναγνώριση γεωμορφολογικών χαρακτηριστικών.

FOTOOOO

<b>2. Ενσωμάτωση σε επιχειρησιακά μοντέλα</b><br>
Εξετάστηκε η ενσωμάτωση των δορυφορικών δεδομένων σε επιχειρησιακά μοντέλα παράκτιας μεταβολής. Η διαδικασία αυτή περιλαμβάνει την αφομοίωση δεδομένων, συχνά μέσω τεχνικών όπως το φίλτρο Kalman, όπου οι δορυφορικές παρατηρήσεις ενημερώνουν και διορθώνουν τις προβλέψεις των αριθμητικών μοντέλων σε πραγματικό χρόνο. Αυτή η προσέγγιση επιτρέπει τη δημιουργία συστημάτων έγκαιρης προειδοποίησης και δυναμικών προβλέψεων της εξέλιξης της ακτογραμμής.<br>
<b>3. Στατιστική ανάλυση</b><br>
Πραγματοποιήθηκε αξιολόγηση των σφαλμάτων των μοντέλων χάραξης ακτογραμμής και βαθυμετρίας από δορυφορικά δεδομένα (SDS και SBD αντίστοιχα), συγκρίνοντας τα αποτελέσματα με παραδοσιακές μεθόδους. Τα αποτελέσματα έδειξαν ότι οι μέθοδοι μηχανικής μάθησης προσφέρουν βελτιωμένη ακρίβεια σε πολύπλοκα περιβάλλοντα, ενώ η αφομοίωση δεδομένων μειώνει την αβεβαιότητα των προγνωστικών μοντέλων.

<h1><b><span style="color:darkgreen">Χρήση επιπρόσθετων δεδομένων</span></b></h1>
Για περαιτέρω αξιολόγηση και επαλήθευση των δορυφορικών παρατηρήσεων, χρησιμοποιήθηκαν:
* Παγκόσμια ψηφιακά μοντέλα εδάφους (DEMs).
* Δεδομένα από παλιρροιογράφους για τη διόρθωση των οπτικών λήψεων.
* Μοντέλα κυματισμού για τον υπολογισμό της επίδρασης των κυμάτων στην ακτή.

<h1><b><span style="color:darkgreen">Προκλήσεις</span></b></h1>
Για την πλήρη αξιοποίηση των δορυφορικών μεθόδων παρακολούθησης, απαιτείται σημαντική εργασία στην επαλήθευση και την αντιμετώπιση συγκεκριμένων τεχνικών περιορισμών. Οι κύριες προκλήσεις που εντοπίστηκαν κατηγοριοποιούνται ως εξής:

* <u>Ανάλυση (Resolution)</u>: Η ανάλυση των pixel παραμένει κρίσιμος παράγοντας. Οι υφιστάμενες μέθοδοι ανίχνευσης ακτογραμμής δίνουν τυπικά σφάλματα (RMSE) περίπου το μισό του μεγέθους του pixel (π.χ. 10-15m για Landsat, 3.5-5m για Planet). Παρόλο που υπάρχουν δορυφόροι πολύ υψηλής ανάλυσης, αναμένεται ότι το σφάλμα δεν θα μειωθεί αντίστοιχα λόγω άλλων παραγόντων (γεωαναφορά, αναρρίχηση κύματος) που δημιουργούν "συμφόρηση" στην ακρίβεια.

* <u> Συναρμογή εικόνας και γεωαναφορά (Image coregistration & geo-referencing)</u>:Η γεωαναφορά των εικόνων αποτελεί μια σημαντική και λιγότερο κατανοητή πηγή σφάλματος, με τα τυπικά σφάλματα του ίδιου του δορυφόρου να είναι της τάξης των ~5m (για Landsat). Η συναρμογή των εικόνων σε μια εικόνα αναφοράς μπορεί να μειώσει σημαντικά αυτές τις αποκλίσεις, παρέχοντας μεγαλύτερη συνέπεια.

* <u> Αλγόριθμοι μηχανικής όρασης (Machine-vision algorithms)</u>: Οι περισσότεροι αλγόριθμοι είναι σχετικά νέοι και, καθώς η χρήση τους επεκτείνεται σε νέες τοποθεσίες, η αξιοπιστία τους δοκιμάζεται. Οι δορυφορικές παρατηρήσεις περιέχουν θόρυβο (σε σύγκριση με τις in-situ μετρήσεις) και δεν είναι, ακόμα, γνωστός ο βέλτιστος συνδυασμός δεικτών και κατωφλίων (thresholds) για κάθε περίπτωση. Τεχνικές φιλτραρίσματος βασισμένες στη μηχανική μάθηση θα μπορούσαν να χρησιμοποιηθούν για την αποθορυβοποίηση των παρατηρήσεων.

* <u> Διεργασίες της παράκτιας ζώνης και διορθώσεις στάθμης ύδατος (Nearshore processes & water-level corrections)</u>: Η αναρρίχηση του κύματος (wave runup), που περιλαμβάνει την ανύψωση λόγω κυματισμού (setup) και τη διαβροχή (swash), αποτελεί σημαντική πηγή αβεβαιότητας. Τα περισσότερα εργαλεία διορθώνουν μόνο για την παλίρροια (tidal stage) και όχι για την αναρρίχηση του κύματος. Ενώ η ανύψωση (setup) θα μπορούσε να διορθωθεί με εμπειρικές εξισώσεις, η διόρθωση για τη δυναμική διαβροχή (swash) είναι πιο δύσκολη και απαιτεί περαιτέρω έρευνα, πιθανώς μέσω "οπτικών μεθόδων μέτρησης αναρρίχησης" από τις ίδιες τις εικόνες.

<h1><b><span style="color:darkgreen">Συμπεράσματα και αξιολόγηση των μεθόδων</span></b></h1>
Όσον αφορά μελλοντικές προοπτικές, είναι αξιοσημείωτο ότι η επιστημονική κοινότητα κλίνει προς τη δημιουργία "Παράκτιων Ψηφιακών Διδύμων" (Coastal Digital Twins). Αυτά τα συστήματα δεν θα περιορίζονται απλώς στην παρατήρηση, αλλά θα αφομοιώνουν συνεχώς δορυφορικά δεδομένα SDB και SDS σε αριθμητικά μοντέλα πρόγνωσης σε πραγματικό χρόνο. Παρατηρήθηκε ότι, παρόλο που η διακριτική ικανότητα των δορυφόρων βελτιώνεται, η κύρια πρόκληση παραμένει η ακρίβεια στην κάθετη διάσταση (υψόμετρο/βάθος) σε σχέση με την οριζόντια. Εντούτοις, οι διαφορές αυτές μειώνονται (ακρίβεια υπο-μέτρου σε ορισμένες εφαρμογές) όταν συνδυάζονται οπτικά δεδομένα με δεδομένα Lidar (ICESat-2).

Συμπερασματικά, η μελέτη καταλήγει ότι η δορυφορική τηλεπισκόπηση έχει ωριμάσει αρκετά ώστε να αποτελέσει τον κύριο πυλώνα για συστήματα έγκαιρης προειδοποίησης και διαχείρισης παράκτιων κινδύνων σε παγκόσμια κλίμακα, αντικαθιστώντας σταδιακά τις δαπανηρές επιτόπιες μετρήσεις. Όπως σχολιάζεται στη μελέτη: «Έχουμε την ευκαιρία να αξιοποιήσουμε τον μεγαλύτερο πόρο δεδομένων παράκτιας αλλαγής στον κόσμο (δηλαδή τα συνεχώς επεκτεινόμενα αρχεία των δορυφόρων παρατήρησης της Γης) για να κατανοήσουμε και να διαχειριστούμε την παράκτια απόκριση σε ένα μεταβαλλόμενο κλίμα» (Vitousek S., et. al., 2023).

[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Νέες τεχνολογίες για την παρακολούθηση της δυναμικής των παράκτιων οικοσυστημάτων

2026-01-21T23:59:11Z

APOSTOLOS DALIANIS: Νέα σελίδα με '<u>Πρωτότυπος τίτλος:</u> New Technologies for Monitoring Coastal Ecosystem Dynamics <br><br> <b>Συγγραφείς:</b> Cavanaugh, K. C., Bell, T. W., ...'

<u>Πρωτότυπος τίτλος:</u> New Technologies for Monitoring Coastal Ecosystem Dynamics <br><br>

<b>Συγγραφείς:</b> Cavanaugh, K. C., Bell, T. W., Aerni, K. E., Byrnes, J. E., McCammon, S., & Smith, M. M.<br>
<b>Πηγή (αναλυτικά):</b>Cavanaugh, K. C., Bell, T. W., Aerni, K. E., Byrnes, J. E., McCammon, S., & Smith,
M. M. (2025). New technologies for monitoring coastal ecosystem dynamics. Annual Review of
Marine Science, 17(1), 409-433. DOI: 10.1146/annurev-marine-040523-020221
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Τα παράκτια οικοσυστήματα, όπως τα μαγκρόβια δάση, τα αλατούχα έλη, τα λιβάδια φανερόγαμων και τα δάση φαιοφυκών (kelp forests), παρέχουν κρίσιμες υπηρεσίες οικοσυστήματος, από την προστασία των ακτών έως τη δέσμευση άνθρακα. Παρόλα αυτά, η δυναμική τους φύση και οι ταχύτατες περιβαλλοντικές αλλαγές που υφίστανται καθιστούν τις παραδοσιακές μεθόδους παρακολούθησης ανεπαρκείς. Στόχος της παρούσας ανασκόπησης της διαθέσιμης επιστημονικής βιβλιογραφίας είναι η αξιολόγηση της πρόσφατης τεχνολογικής επανάστασης που μετασχηματίζει τον τρόπο με τον οποίο μελετάται η παράκτια ζώνη. Οι συγγραφείς συνθέτουν τις εξελίξεις σε τέσσερις βασικούς τομείς: την τηλεπισκόπηση υψηλής ανάλυσης (από δορυφόρους και drones), την ανάλυση περιβαλλοντικού DNA (eDNA), τη χρήση χαμηλού κόστους αισθητήρων και την επεξεργασία δεδομένων μέσω υπολογιστικού νέφους και τεχνητής νοημοσύνης (artificial intelligence, ή AI). Η εργασία υποστηρίζει ότι η μετάβαση από τη σπανιότητα στην αφθονία δεδομένων επιτρέπει πλέον την παρακολούθηση των οικολογικών διεργασιών σε πραγματικό χρόνο και σε πολλαπλές κλίμακες, υπό την προϋπόθεση ότι θα ξεπεραστούν εμπόδια που σχετίζονται με την προσβασιμότητα και την ολοκλήρωση των διαφορετικών πηγών πληροφορίας.

<h1><b><span style="color:#FF4500">Η ανάγκη για παρακολούθηση σε πολλές κλίμακες </span></b></h1>
Η διαχειριση των παρακτιων πορων απαιτει κατανοηση των αλλαγων που συμβαινουν τοσο σε
τοπικο, οσο και παγκοσμιο επιπεδο. Στο παρελθον, οι ερευνητες επρεπε να επιλεξουν μεταξυ
λεπτομερων αλλα τοπικων επιτοπιων μετρησεων και ευρειας κλιμακας αλλα χαμηλης αναλυσης
δορυφορικων εικονων. Η μελετη αναδεικνυει οτι οι νεες τεχνολογιες γεφυρωνουν αυτο το χασμα.
Η δυνατοτητα ταυτοχρονης καταγραφης της εκτασης, της βιομαζας, της δομης και της
βιοποικιλοτητας των οικοσυστηματων επιτρεπει την κατανοηση οχι μονο του που συμβαινουν οι
αλλαγες, αλλα και του γιατι και πως επηρεαζουν τη λειτουργια του συστηματος.

FOTOOO

<h1><b><span style="color:#FF4500">Επανάσταση στην Τηλεπισκόπηση: από δορυφόρους σε UAVs</span></b></h1>
Σημειωνεται μια θεμελιωδης αλλαγη στα διαθεσιμα εργαλεια παρατηρησης της Γης:<br>
* <b><span style="color:#FF4500">Δορυφορικά Συστήματα Νέας Γενιάς:</span></b> Η εμφάνιση μηχανισμών δορυφορικής κάλυψης της επιφάνειας της Γης από απόσταση μέσα από εμπορικές συστοιχίες μικρο-δορυφόρων (CubeSats), όπως τη συστοιχία της PlanetScope, προσφέρει πλέον καθημερινή κάλυψη με υψηλή χωρική ανάλυση (λίγων μέτρων), επιτρέποντας την καταγραφή ταχέων φαινομένων, όπως οι πλημμύρες ή η φαινολογία της βλάστησης. Συμληρωματικά, αναμένονται νέες αποστολές υπερφασματικής απεικόνισης που θα επιτρέψουν την πιο διακριτή καταγραφή ειδών και φυσιολογικών καταστάσεων που δεν ήταν ορατές με παλαιότερους αισθητήρες.
* <b><span style="color:#FF4500">Μη Επανδρωμένα Αεροσκάφη (UAVs):</span></b> Τα drones έχουν φέρει επανάσταση στην παράκτια χαρτογράφηση, παρέχοντας δεδομένα εκατοστιαίας ακρίβειας. Η βασική συνεισφορά τους εντοπίζεται στη δυνατότητα παραγωγής τρισδιάστατων (3D) δεδομένων για τη δομή των παράκτιων οικοσυστημάτων. Αυτό επιτυγχάνεται κυρίως μέσω δύο τεχνολογιών: της φωτογραμμετρίας «Δομή από Κίνηση» (Structure from Motion - SfM), η οποία χρησιμοποιεί αλληλοεπικαλυπτόμενες δισδιάστατες εικόνες από συμβατικές κάμερες για τη δημιουργία τρισδιάστατων μοντέλων, και των ενεργητικών αισθητήρων LiDAR που σαρώνουν άμεσα τη δομή της βλάστησης. Οι τεχνολογίες αυτές επιτρέπουν την ακριβή μέτρηση παραμέτρων, όπως το ύψος και ο όγκος του θόλου των φυτών, μετρήσεις θεμελιώδεις για την εκτίμηση της υπέργειας βιομάζας και των αποθεμάτων άνθρακα σε οικοσυστήματα, όπως τα μαγκρόβια δάση και τα αλατούχα έλη, αντικαθιστώντας ή συμπληρώνοντας τις χρονοβόρες παραδοσιακές μεθόδους απογραφής.
FOTOOOO

<h1><b><span style="color:#FF4500">Καινοτομίες στη βιολογική και περιβαλλοντική παρακολούθηση</span></b></h1>
H ερευνα εστιαζει και σε τεχνολογιες που καταγραφουν τη βιολογικη ταυτοτητα και τις
φυσικοχημικες συνθηκες:
* <b><span style="color:#FF4500">Περιβαλλοντικό DNA (eDNA):</span></b> Η ανάλυση γενετικού υλικού που συλλέγεται από το νερό ή το ίζημα επιτρέπει την παρακολούθηση της βιοποικιλότητας χωρίς την ανάγκη σύλληψης ή οπτικής παρατήρησης των οργανισμών. Αυτό είναι ιδιαίτερα χρήσιμο για την ανίχνευση κρυπτικών, σπάνιων ή εισβολικών ειδών σε θολά παράκτια ύδατα.
* <b><span style="color:#FF4500">Δίκτυα Αισθητήρων:</span></b> Η ανάπτυξη φθηνών, ανοιχτού κώδικα (open-source) αισθητήρων επιτρέπει τη συνεχή καταγραφή παραμέτρων ποιότητας υδάτων (θερμοκρασία, οξύτητα, θολερότητα) σε υψηλή συχνότητα, παρέχοντας δεδομένα για τη σύνδεση των φυσικών παραμέτρων με τις βιολογικές αποκρίσεις.

<h1><b><span style="color:#FF4500">Διαχείριση δεδομένων: Νέφος και Τεχνητή Νοημοσύνη </span></b></h1>
Ο τεράστιος όγκος δεδομένων που παράγεται από τα παραπάνω συστήματα δημιουργεί την ανάγκη για νέες προσεγγίσεις ανάλυσης:
* <b><span style="color:#FF4500">Υπολογιστικό Νέφος (Cloud):</span></b> Πλατφόρμες όπως το Google Earth Engine και το Microsoft Planetary Computer έχουν εκδημοκρατίσει την πρόσβαση σε υπολογιστική ισχύ, επιτρέποντας την επεξεργασία πεταμπάιτ δεδομένων χωρίς την ανάγκη τοπικών υπερ-υπολογιστών.
* <b><span style="color:#FF4500">Μηχανική Μάθηση (Machine Learning):</span></b> Η χρήση Συνελικτικών Νευρωνικών Δικτύων (CNNs) και τεχνικών Βαθιάς Μάθησης (Deep Learning) είναι πλέον απαραίτητη για την αυτοματοποιημένη ερμηνεία εικόνων. Αυτοί οι αλγόριθμοι μπορούν να διακρίνουν πολύπλοκα πρότυπα, όπως τη διαφοροποίηση μεταξύ διαφορετικών ειδών φυκών ή την ταξινόμηση υποθαλάσσιων ενδιαιτημάτων, ξεπερνώντας τους περιορισμούς των παραδοσιακών μεθόδων ταξινόμησης.

<h1><b><span style="color:#FF4500">Προκλήσεις ενσωμάτωσης και προσβασιμότητας </span></b></h1>
Παρα την εμφανη τεχνολογικη προοδο, υπογραμμιζεται οτι η ευρεια υιοθετηση αυτων των
μεθοδων προσκρουει σε σημαντικα εμποδια. Παρολο που το κοστος ορισμενων μεσων (οπως τα εμπορικα drones) εχει μειωθει, η προσβαση σε εξειδικευμενους αισθητηρες (π.χ.
υπερφασματικους η LiDAR υψηλης πυκνοτητας) και η υπολογιστικη ισχυς που απαιτειται για την
αναλυση «μεγαλων δεδομενων» παραμενουν δαπανηρες, δημιουργωντας ανισοτητες μεταξυ
ερευνητικων ομαδων και χωρων με διαφορετικους οικονομικους πορους. Μια κεντρικη προκληση
αποτελει η λεγομενη «συντηξη δεδομενων» (data fusion) και συγκεκριμενα η γεφυρωση του
χασματος κλιμακας: πως δηλαδη μπορουν να ενσωματωθουν αποτελεσματικα οι σημειακες,
υψηλης ακριβειας μετρησεις, οπως το περιβαλλοντικο DNA – eDNA, με τη συνοπτικη, ευρειας
κλιμακας πληροφορια που παρεχουν οι δορυφορικες εικονες, ωστε να εξαχθουν εμπιστα
οικολογικα συμπερασματα. Ακομα, η ελλειψη τυποποιημενων πρωτοκολλων συλλογης και
επεξεργασιας δεδομενων εμποδιζει συχνα τη συγκρισιμοτητα των αποτελεσματων μεταξυ
διαφορετικων μελετων, καθιστωντας δυσκολη τη δημιουργια μιας διεθνους εικονας για την
κατασταση των παρακτιων οικοσυστηματων.

<h1><b><span style="color:#FF4500">Συμπεράσματα και Μελλοντικές Προοπτικές</span></b></h1>
Η ανασκόπηση καταλήγει στο συμπέρασμα ότι βρισκόμαστε στο κατώφλι μιας νέας εποχής για την παράκτια επιστήμη. Η σύγκλιση των ανεπτυγμένων τεχνολογιών, όπως αυτή της τηλεπισκόπησης και της επιστήμης δεδομένων προσφέρει πρωτοφανείς δυνατότητες για την κατανόηση της δυναμικής των οικοσυστημάτων. Βέβαια, η τεχνολογία από μόνη της δεν αρκεί, διότι απαιτείται και η παράλληλη ανάπτυξη διεπιστημονικών συνεργασιών που θα γεφυρώσουν την οικολογία με τη μηχανική και την πληροφορική. Το μέλλον της παρακολούθησης έγκειται στην επιχειρησιακή εφαρμογή αυτών των εργαλείων για τη λήψη αποφάσεων σε πραγματικό χρόνο, μετατρέποντας τα "μεγάλα δεδομένα" σε απαραίτητη γνώση για την προστασία και αποκατάσταση των απειλούμενων παράκτιων ζωνών. Το άρθρο κλείνει με τη δήλωση πως η επιτυχία θα κριθεί από την ικανότητά μας να καταστήσουμε αυτά τα εργαλεία προσβάσιμα και εφαρμόσιμα σε παγκόσμια κλίμακα, εξασφαλίζοντας τη βιωσιμότητα των πολύτιμων αυτών οικοσυστημάτων.
[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Δαλιάνης Απόστολος

2026-01-21T23:17:39Z

APOSTOLOS DALIANIS:

[[Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης]]

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

Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης

2026-01-21T22:48:09Z

APOSTOLOS DALIANIS:

<u>Πρωτοτυπος τιτλος:</u> The future of coastal monitoring through satellite remote sensing
<p>
<b>Συγγραφείς:</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A.
</p>
<b>Πηγή (αναλυτικά):</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J.
A. (2023). The future of coastal monitoring through satellite remote sensing. Cambridge Prisms:
Coastal Futures, 1, e10. DOI: 10.1017/cft.2022.4
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>
Η κλιματικη αλλαγη και η ανοδος της σταθμης της θαλασσας επιβαλλουν την αναγκη για
βελτιωμενη παρακολουθηση των παρακτιων ζωνων, καθως οι παραδοσιακες επιτοπιες μετρησεις
ειναι συχνα αραιες χρονικα και δαπανηρες. Η παρουσα μελετη εξεταζει πως η
"δημοκρατικοποιηση" των δορυφορικων δεδομενων και η προοδος στην επιστημη των
δεδομενων (data science) μετασχηματιζουν την παρακτια γεωμορφολογια. Στοχος της ειναι η
ανασκοπηση και η παρουσιαση της μεταβασης απο τις παραδοσιακες, αραιες «in-situ» μετρησεις
στη συνεχη, παγκοσμιας κλιμακας παρακολουθηση των παρακτιων διεργασιων (οπως η
διαβρωση και η μορφολογικη εξελιξη) μεσω δορυφορικων παρατηρησεων. Ειδικοτερα, εστιαζει
στην εμφανιση της "καθοδηγουμενης απο δεδομενα παρακτιας επιστημης" (data-driven coastal
science), η οποια αξιοποιει τη μηχανικη μαθηση για την εξαγωγη πληροφοριας απο τεραστιους
ογκους εικονων, καθως και στην προοπτικη ολοκληρωσης (integration) αυτων των
παρατηρησεων με επιχειρησιακα μοντελα παρακτιας αλλαγης για την επιτευξη ακριβεστερων
προγνωσεων.
[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Δαλιάνης Απόστολος

2026-01-21T20:25:58Z

APOSTOLOS DALIANIS:

Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης

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

Το μέλλον της παρακολούθησης των ακτών μέσω δορυφορικής τηλεπισκόπησης

2026-01-21T20:25:25Z

APOSTOLOS DALIANIS: Νέα σελίδα με '<u>Πρωτοτυπος τιτλος:</u> The future of coastal monitoring through satellite remote sensing <p> <b>ΣΥΓΓΡΑΦΕΙΣ:</b> Vitousek, S., Buscombe, D., Vo...'

<u>Πρωτοτυπος τιτλος:</u> The future of coastal monitoring through satellite remote sensing
<p>
<b>ΣΥΓΓΡΑΦΕΙΣ:</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J. A.
</p>
<b>ΠΗΓΗ (αναλυτικά):</b> Vitousek, S., Buscombe, D., Vos, K., Barnard, P. L., Ritchie, A. C., & Warrick, J.
A. (2023). The future of coastal monitoring through satellite remote sensing. Cambridge Prisms:
Coastal Futures, 1, e10. DOI: 10.1017/cft.2022.4
<p>
<h1><b>Περίληψη</b></h1>
</p>
Η κλιματικη αλλαγη και η ανοδος της σταθμης της θαλασσας επιβαλλουν την αναγκη για
βελτιωμενη παρακολουθηση των παρακτιων ζωνων, καθως οι παραδοσιακες επιτοπιες μετρησεις
ειναι συχνα αραιες χρονικα και δαπανηρες. Η παρουσα μελετη εξεταζει πως η
"δημοκρατικοποιηση" των δορυφορικων δεδομενων και η προοδος στην επιστημη των
δεδομενων (data science) μετασχηματιζουν την παρακτια γεωμορφολογια. Στοχος της ειναι η
ανασκοπηση και η παρουσιαση της μεταβασης απο τις παραδοσιακες, αραιες «in-situ» μετρησεις
στη συνεχη, παγκοσμιας κλιμακας παρακολουθηση των παρακτιων διεργασιων (οπως η
διαβρωση και η μορφολογικη εξελιξη) μεσω δορυφορικων παρατηρησεων. Ειδικοτερα, εστιαζει
στην εμφανιση της "καθοδηγουμενης απο δεδομενα παρακτιας επιστημης" (data-driven coastal
science), η οποια αξιοποιει τη μηχανικη μαθηση για την εξαγωγη πληροφοριας απο τεραστιους
ογκους εικονων, καθως και στην προοπτικη ολοκληρωσης (integration) αυτων των
παρατηρησεων με επιχειρησιακα μοντελα παρακτιας αλλαγης για την επιτευξη ακριβεστερων
προγνωσεων.
[[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]

Δαλιάνης Απόστολος

2026-01-21T20:25:08Z

APOSTOLOS DALIANIS: Νέα σελίδα με 'Add Your Content Here category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα) '

Add Your Content Here

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

Αρχείο:1 εικ1.png

2026-01-21T20:23:44Z

APOSTOLOS DALIANIS: