RemoteSensing Wiki - Συνεισφορές χρήστη [el]

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

2026-03-01T17:42:33Z

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

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

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

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

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

<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων Ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (Large-Scale Agricultural Investments - LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας είναι η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση η οποία σκοπεύει πρώτων στην αξιολόγηση της γης που χρησιμοποιείται για γεωργική παραγωγή και δεύτερων στη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές LSAI εντός τριών περιφερειών της Αιθιοπίας. Για την επίτευξη αυτού του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-1: </span></b> Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-2:</span></b> Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό δεικτών βλάστησης για την παρακολούθηση των διακριτικών χαρακτηριστικών των φυτών.
* <b><span style="color:#FF4500">Ψηφιακό Μοντέλο Επιφάνειας (DSM):</span></b> Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* <b><span style="color:#FF4500">Δεδομένα Πεδίου:</span></b> Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Το σύνολο της προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά, χρονοσειρών με μεσοδιάστημα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

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

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

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Χρήσεων Γης (LULC) </span></b><br>
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά κυμαίνονται μόλις στο 20%.<br>
<b><span style="color:#FF4500">2. Επιλογή Παραμέτρων Μοντέλου</span></b><br>
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).<br>
<b><span style="color:#FF4500">3. Ταξινόμηση Τύπων Καλλιεργειών </span></b><br>
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2026-03-01T17:40:51Z

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

<u>Πρωτότυπος τίτλος:</u>Enhancing Flood Area Mapping Accuracy Using Advanced SAR Data Processing<br><br>

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

<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
[[ Εικόνα: Ar5.eik1.jpg | thumb | right |300px|'''Εικόνα 1:''' Χάρτης Περιοχής μελέτης. (Πηγή: Pazhanivelan et al, 2024).]]
Οι πλημμύρες αποτελούν μια από τις συχνότερες και πλέον καταστροφικές φυσικές απειλές, προκαλώντας τεράστιες οικονομικές απώλειες και ζημιές στις γεωργικές καλλιέργειες. Η παρούσα μελέτη εστιάζει σε περιοχές της πολιτείας Ταμίλ Ναντού της Ινδίας, οι οποίες δέχονται συχνά έντονες βροχοπτώσεις, ερευνώντας την ακριβή αποτύπωση των εδαφών που κατακλύστηκαν από νερό. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι: «Να αξιολογήσει τη χωρική κατανομή των πλημμυρών το 2024 χρησιμοποιώντας δεδομένα τηλεπισκόπησης, και συγκεκριμένα το ραντάρ συνθετικού ανοίγματος (SAR), ένα ισχυρό εργαλείο στην παρακολούθηση και χαρτογράφηση των πλημμυρών λόγω της ικανότητάς του να καταγράφει δεδομένα υπό όλες τις καιρικές συνθήκες, συμπεριλαμβανομένης της βροχής και της νεφοκάλυψης, παρέχοντας εικόνες υψηλής ανάλυσης κατάλληλες για τον εντοπισμό και την ανάλυση της έκτασης των πλημμυρών.

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

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Για τη διεξαγωγή της ανάλυσης αντλήθηκαν δεδομένα από τον δορυφόρο Sentinel-1A του Ευρωπαϊκού Οργανισμού Διαστήματος. Το μεγάλο συγκριτικό πλεονέκτημα του αισθητήρα του συγκεκριμένου δορυφόρου (τεχνολογίας SAR σε ζώνη C) είναι ότι έχει τη δυνατότητα να διαπερνά τα σύννεφα και τη βροχή, επιτρέποντας την αδιάλειπτη λήψη εικόνων ακόμα και εν μέσω ακραίων καιρικών φαινομένων. Εκτός από τα δορυφορικά δεδομένα, συγκεντρώθηκαν απαραίτητα πρωτογενή δεδομένα πεδίου. Οι ερευνητές χρησιμοποίησαν φορητούς δέκτες GPS για να καταγράψουν τις συντεταγμένες σε 350 σημεία ελέγχου (ground truth points), ώστε να μπορέσουν να επαληθεύσουν πρακτικά την αξιοπιστία των δορυφορικών αποτελεσμάτων.

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Για να καταστούν χρήσιμες οι ακατέργαστες εικόνες ραντάρ, υποβλήθηκαν σε μια αυστηρή διαδικασία προεπεξεργασίας επτά σταδίων μέσα από το λογισμικό SNAP. Τα κυριότερα βήματα της αλυσίδας αυτής περιελάμβαναν την εισαγωγή των ακριβών τροχιακών στοιχείων του δορυφόρου, την αφαίρεση του θερμικού θορύβου (thermal noise) καθώς και του θορύβου στα όρια των εικόνων. Το πιο σημαντικό στάδιο ήταν η ραδιομετρική βαθμονόμηση, μέσω της οποίας οι απλές ψηφιακές τιμές των εικονοστοιχείων μετατράπηκαν σε κανονικοποιημένα σήματα οπισθοσκέδασης (backscatter), έτοιμα για ανάλυση.

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Πλημμυρισμένων Εκτάσεων </span></b><br>
Μέσα από τη συγκριτική ανάλυση των εικόνων πριν και μετά τις βροχοπτώσεις, διαπιστώθηκε ότι οι πλημμύρες του 2024 επηρέασαν άμεσα 90.369 εκτάρια γεωργικής γης στην περιοχή μελέτης. Η κατανομή των ζημιών παρουσίασε σημαντικές γεωγραφικές διαφοροποιήσεις. Για παράδειγμα, η περιφέρεια Tiruvannamalai δέχτηκε το μεγαλύτερο πλήγμα, μετρώντας 15.633 βυθισμένα εκτάρια, ενώ στον αντίποδα, η περιοχή Mayiladuthurai κατέγραψε σαφώς μικρότερες ζημιές (2.202 εκτάρια).<br>

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

<b><span style="color:#FF4500">2. Αξιολόγηση Ακρίβειας Μοντέλου</span></b><br>
Τα αποτελέσματα της δορυφορικής ταξινόμησης ελέγχθηκαν μέσω ενός πίνακα σφαλμάτων (confusion matrix) σε αντιπαραβολή με τα 309 έγκυρα σημεία εδάφους (214 σημεία με πλημμύρα και 95 χωρίς). Το μοντέλο εμφάνισε εντυπωσιακή συνολική ακρίβεια της τάξης του 90%. Ειδικότερα στις περιοχές που πραγματικά πλημμύρισαν, η ακρίβεια παραγωγού και χρήστη διαμορφώθηκε στο 92,10% και 93,40% αντίστοιχα. Ο στατιστικός δείκτης Kappa υπολογίστηκε στο 0,80, πιστοποιώντας την ισχυρή αξιοπιστία της διαδικασίας εντοπισμού.<br>

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η συγκεκριμένη έρευνα επιβεβαιώνει ότι τα συστήματα SAR (όπως το Sentinel-1A) συνιστούν κορυφαία εργαλεία για τον άμεσο και ασφαλή εντοπισμό πλημμυρών, ακριβώς επειδή δεν επηρεάζονται από δυσμενείς καιρικές συνθήκες. Επίσης, αποδείχθηκε ότι η σύζευξη αυτών των προηγμένων τηλεπισκοπικών μεθόδων με αυστηρά δεδομένα επαλήθευσης από το πεδίο, εγκαθιδρύει ένα πολύ ισχυρό αναλυτικό πλαίσιο. Συμπερασματικά, η εργασία δεν προσφέρει απλώς μια στατιστική απεικόνιση, αλλά λειτουργεί ως ένας εφαρμόσιμος χάρτης για τους αρμόδιους φορείς. Βοηθά στην ανάδειξη των ζωνών υψηλού κινδύνου και καθοδηγεί τις προσπάθειες για την κατασκευή ανθεκτικών υποδομών, ώστε να θωρακιστεί ουσιαστικά το γεωργικό και περιβαλλοντικό μέλλον της περιοχής απέναντι στις κλιματικές αλλαγές.

[[category:Καταγραφή πλυμμηρών]]

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

2026-03-01T17:31:24Z

APOSTOLOU KYRIAKI:

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

2026-03-01T16:36:22Z

APOSTOLOU KYRIAKI:

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

2026-03-01T16:35:17Z

APOSTOLOU KYRIAKI:

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

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

[[ Εικόνα: Ar4.eik1.jpg | thumb | right |300px|'''Εικόνα 1:''' Περιοχή μελέτης.(a) τοποθεσία των περιοχών μελέτης (b) τις αγρο-οικολογικές ζώνες εντός της Αιθιοπίας (c) χάρτης της τοποθεσίας των ζωνών LSAI (d) τρία κλιματικά διαγράμματα που αντιπροσωπεύουν τις τρεις περιοχές μελέτης. (Πηγή: Christina Eisfelder et al, 2024).]]

[[ Εικόνα: Ar4.eik2.png | thumb | right |300px|'''Εικόνα 2:''' Ροή εργασιών για την ταξινόμηση LULC (Χρήσεων/Καλύψεων Γης) και τύπου καλλιέργειας που πραγματοποιήθηκε σε αυτήν τη μελέτη, η οποία δείχνει τα δεδομένα εισόδου, την προεπεξεργασία, τα βήματα ταξινόμησης και τα τελικά προϊόντα. (Πηγή: Christina Eisfelder et al, 2024).]]

<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων Ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (Large-Scale Agricultural Investments - LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας είναι η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση η οποία σκοπεύει πρώτων στην αξιολόγηση της γης που χρησιμοποιείται για γεωργική παραγωγή και δεύτερων στη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές LSAI εντός τριών περιφερειών της Αιθιοπίας. Για την επίτευξη αυτού του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-1: </span></b> Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-2:</span></b> Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό δεικτών βλάστησης για την παρακολούθηση των διακριτικών χαρακτηριστικών των φυτών.
* <b><span style="color:#FF4500">Ψηφιακό Μοντέλο Επιφάνειας (DSM):</span></b> Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* <b><span style="color:#FF4500">Δεδομένα Πεδίου:</span></b> Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Το σύνολο της προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά, χρονοσειρών με μεσοδιάστημα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

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

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

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Χρήσεων Γης (LULC) </span></b><br>
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά κυμαίνονται μόλις στο 20%.<br>
<b><span style="color:#FF4500">2. Επιλογή Παραμέτρων Μοντέλου</span></b><br>
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).<br>
<b><span style="color:#FF4500">3. Ταξινόμηση Τύπων Καλλιεργειών </span></b><br>
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2026-03-01T16:04:47Z

APOSTOLOU KYRIAKI:

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

2026-03-01T12:56:29Z

APOSTOLOU KYRIAKI:

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

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

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

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

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

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

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

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

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

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

2026-03-01T12:50:56Z

APOSTOLOU KYRIAKI:

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

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

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

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

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

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

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

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

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

Αρχείο:Ar3.eik.png

2026-03-01T12:37:59Z

APOSTOLOU KYRIAKI:

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

2026-03-01T11:56:04Z

APOSTOLOU KYRIAKI:

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

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

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

[[ Εικόνα: Ar3.eik1.jpg | thumb | right |300px|'''Εικόνα 2:''' Ένταση βόσκησης κατά τη διάρκεια της καλλιεργητικής περιόδου. (α–δ) Χάρτες της Έντασης Βόσκησης (GI) που παρήχθησαν από το μοντέλο DNN (δ), μαζί με το θηκόγραμμα (boxplot) της Έντασης Βόσκησης σε διαφορετικές μορφές ανάγλυφου και το κυκλικό διάγραμμα της κάλυψης των επιπέδων Έντασης Βόσκησης. ((Πηγή: Yan Shi et al, 2025)]]

[[ Εικόνα: Ar3.eik2.jpg | thumb | right |200px|'''Εικόνα 3:''' Χάρτης πίεσης βόσκησης. (α) Χάρτης χωρικής κατανομής του GPI. (β) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (γ) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. ((Πηγή: Yan Shi et al, 2025)]]

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

[[ Εικόνα: Ar3.eik3.jpg | thumb | right |200px|'''Εικόνα 4:''' Θερμικός χάρτης που απεικονίζει την αναλογία επικάλυψης μεταξύ της πίεσης βόσκησης, της έντασης βόσκησης και της υπολειπόμενης βιομάζας. (α,β) Η πίεση βόσκησης σε επικάλυψη με την ένταση βόσκησης και την υπολειπόμενη βιομάζα· (γ,δ) Η ένταση βόσκησης σε επικάλυψη με την πίεση βόσκησης και την υπολειπόμενη βιομάζα. (Πηγή: Yan Shi et al, 2025)]]

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

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

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

2026-03-01T11:37:50Z

APOSTOLOU KYRIAKI:

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

2026-03-01T11:09:31Z

APOSTOLOU KYRIAKI:

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

'''1. Σύνοψη '''

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

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

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

'''2. Υλικά'''

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

'''3. Μεθοδολογία'''

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

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

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

'''4. Αποτελέσματα'''

'''''4.1. Χαρτογράφηση πλημμυρών''''

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

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

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

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

'''''4.3. Εκτίμηση ζημιών'''''

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

'''5. Συμπέρασμα'''

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

[[category:Εκτίμηση καταστροφών από πλημμύρες]]

Αρχείο:Ar1.eik4.jpg

2026-03-01T11:06:43Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar1.eik2.png

2026-03-01T10:49:26Z

APOSTOLOU KYRIAKI:

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

2026-03-01T10:37:49Z

APOSTOLOU KYRIAKI:

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

'''1. Σύνοψη '''

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

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

'''2. Υλικά'''

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

'''3. Μεθοδολογία'''

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

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

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

'''4. Αποτελέσματα'''

'''''4.1. Χαρτογράφηση πλημμυρών''''

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

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

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

[[ Εικόνα: Rs_wiki_EKTIMISIZIMION.png | thumb | right | Εικόνα 3: Χωρική θέση των καλλιεργειών που επλήγησαν από τις πλημμύρες. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''''4.3. Εκτίμηση ζημιών'''''

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

'''5. Συμπέρασμα'''

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

[[category:Εκτίμηση καταστροφών από πλημμύρες]]

Αρχείο:Ar1.eik..jpg

2026-03-01T10:33:34Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar1.eik1.jpg

2026-03-01T10:33:08Z

APOSTOLOU KYRIAKI:

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

2026-03-01T10:27:17Z

APOSTOLOU KYRIAKI:

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

[[ Εικόνα: Rs_wiki_SINOPSI.png‎ | thumb | right | Εικόνα 1: Χάρτης της περιοχής μελέτης. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''1. Σύνοψη '''

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

[[ Εικόνα: Rs_wiki_ILIKA.png‎ | thumb | right | Εικόνα 2: (a-c) δεδομένα από GF-3SAR. (b) δεδομένα από GF-6. (e) δεδομένα από Landsat-8 (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''2. Υλικά'''

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

'''3. Μεθοδολογία'''

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

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

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

'''4. Αποτελέσματα'''

'''''4.1. Χαρτογράφηση πλημμυρών''''

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

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

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

[[ Εικόνα: Rs_wiki_EKTIMISIZIMION.png | thumb | right | Εικόνα 3: Χωρική θέση των καλλιεργειών που επλήγησαν από τις πλημμύρες. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''''4.3. Εκτίμηση ζημιών'''''

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

'''5. Συμπέρασμα'''

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

[[category:Εκτίμηση καταστροφών από πλημμύρες]]

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

2026-02-28T12:06:47Z

<u>Πρωτότυπος τίτλος:</u>Enhancing Flood Area Mapping Accuracy Using Advanced SAR Data Processing<br><br>

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

<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
[[ Εικόνα: Ar5.eik1.jpg | thumb | right |300px|'''Εικόνα 1:''' Χάρτης Περιοχής μελέτης. (Πηγή: Pazhanivelan et al, 2024).]]
Οι πλημμύρες αποτελούν μια από τις συχνότερες και πλέον καταστροφικές φυσικές απειλές, προκαλώντας τεράστιες οικονομικές απώλειες και ζημιές στις γεωργικές καλλιέργειες. Η παρούσα μελέτη εστιάζει σε περιοχές της πολιτείας Ταμίλ Ναντού της Ινδίας, οι οποίες δέχονται συχνά έντονες βροχοπτώσεις, ερευνώντας την ακριβή αποτύπωση των εδαφών που κατακλύστηκαν από νερό. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι: «Να αξιολογήσει τη χωρική κατανομή των πλημμυρών το 2024 χρησιμοποιώντας δεδομένα τηλεπισκόπησης, και συγκεκριμένα το ραντάρ συνθετικού ανοίγματος (SAR), ένα ισχυρό εργαλείο στην παρακολούθηση και χαρτογράφηση των πλημμυρών λόγω της ικανότητάς του να καταγράφει δεδομένα υπό όλες τις καιρικές συνθήκες, συμπεριλαμβανομένης της βροχής και της νεφοκάλυψης, παρέχοντας εικόνες υψηλής ανάλυσης κατάλληλες για τον εντοπισμό και την ανάλυση της έκτασης των πλημμυρών.

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

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Για τη διεξαγωγή της ανάλυσης αντλήθηκαν δεδομένα από τον δορυφόρο Sentinel-1A του Ευρωπαϊκού Οργανισμού Διαστήματος. Το μεγάλο συγκριτικό πλεονέκτημα του συγκεκριμένου αισθητήρα (τεχνολογίας SAR σε ζώνη C) είναι ότι έχει τη δυνατότητα να διαπερνά τα σύννεφα και τη βροχή, επιτρέποντας την αδιάλειπτη λήψη εικόνων ακόμα και εν μέσω ακραίων καιρικών φαινομένων. Εκτός από τα δορυφορικά δεδομένα, συγκεντρώθηκαν απαραίτητα πρωτογενή δεδομένα πεδίου. Οι ερευνητές χρησιμοποίησαν φορητούς δέκτες GPS για να καταγράψουν τις συντεταγμένες σε 350 σημεία ελέγχου (ground truth points), ώστε να μπορέσουν να επαληθεύσουν πρακτικά την αξιοπιστία των δορυφορικών αποτελεσμάτων.

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Για να καταστούν χρήσιμες οι ακατέργαστες εικόνες ραντάρ, υποβλήθηκαν σε μια αυστηρή διαδικασία προεπεξεργασίας επτά σταδίων μέσα από το λογισμικό SNAP. Τα κυριότερα βήματα της αλυσίδας αυτής περιελάμβαναν την εισαγωγή των ακριβών τροχιακών στοιχείων του δορυφόρου, την αφαίρεση του θερμικού θορύβου (thermal noise) καθώς και του θορύβου στα όρια των εικόνων. Ίσως το πιο κομβικό στάδιο ήταν η ραδιομετρική βαθμονόμηση, μέσω της οποίας οι απλές ψηφιακές τιμές των εικονοστοιχείων μετατράπηκαν σε κανονικοποιημένα σήματα οπισθοσκέδασης (backscatter), έτοιμα για ανάλυση.

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Πλημμυρισμένων Εκτάσεων </span></b><br>
Μέσα από τη συγκριτική ανάλυση των εικόνων πριν και μετά τις βροχοπτώσεις, διαπιστώθηκε ότι οι πλημμύρες του 2024 επηρέασαν άμεσα 90.369 εκτάρια γεωργικής γης στην περιοχή μελέτης. Η κατανομή των ζημιών παρουσίασε σημαντικές γεωγραφικές διαφοροποιήσεις. Για παράδειγμα, η περιφέρεια Tiruvannamalai δέχτηκε το μεγαλύτερο πλήγμα, μετρώντας 15.633 βυθισμένα εκτάρια, ενώ στον αντίποδα, η περιοχή Mayiladuthurai κατέγραψε σαφώς μικρότερες ζημιές (2.202 εκτάρια).<br>

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

<b><span style="color:#FF4500">2. Αξιολόγηση Ακρίβειας Μοντέλου</span></b><br>
Τα αποτελέσματα της δορυφορικής ταξινόμησης ελέγχθηκαν μέσω ενός πίνακα σφαλμάτων (confusion matrix) σε αντιπαραβολή με τα 309 έγκυρα σημεία εδάφους (214 σημεία με πλημμύρα και 95 χωρίς). Το μοντέλο εμφάνισε εντυπωσιακή συνολική ακρίβεια της τάξης του 90%. Ειδικότερα στις περιοχές που πραγματικά πλημμύρισαν, η ακρίβεια παραγωγού και χρήστη διαμορφώθηκε στο 92,10% και 93,40% αντίστοιχα. Ο στατιστικός δείκτης Kappa υπολογίστηκε στο 0,80, πιστοποιώντας την ισχυρή αξιοπιστία της διαδικασίας εντοπισμού.<br>

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η συγκεκριμένη έρευνα επιβεβαιώνει ότι τα συστήματα SAR (όπως το Sentinel-1A) συνιστούν κορυφαία εργαλεία για τον άμεσο και ασφαλή εντοπισμό πλημμυρών, ακριβώς επειδή δεν επηρεάζονται από δυσμενείς καιρικές συνθήκες. Επίσης, αποδείχθηκε ότι η σύζευξη αυτών των προηγμένων τηλεπισκοπικών μεθόδων με αυστηρά δεδομένα επαλήθευσης από το πεδίο, εγκαθιδρύει ένα πολύ ισχυρό αναλυτικό πλαίσιο. Συμπερασματικά, η εργασία δεν προσφέρει απλώς μια στατιστική απεικόνιση, αλλά λειτουργεί ως ένας εφαρμόσιμος χάρτης για τους αρμόδιους φορείς. Βοηθά στην ανάδειξη των ζωνών υψηλού κινδύνου και καθοδηγεί τις προσπάθειες για την κατασκευή ανθεκτικών υποδομών, ώστε να θωρακιστεί ουσιαστικά το γεωργικό και περιβαλλοντικό μέλλον της περιοχής απέναντι στις κλιματικές αλλαγές.

[[category:Καταγραφή πλυμμηρών]]

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

2026-02-27T19:57:25Z

APOSTOLOU KYRIAKI:

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

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

[[ Εικόνα: Ar4.eik1.jpg | thumb | right |300px|'''Εικόνα 1:''' Περιοχή μελέτης.(α) τοποθεσία των περιοχών μελέτης (β) τις αγρο-οικολογικές ζώνες εντός της Αιθιοπίας (γ) χάρτης της τοποθεσίας των ζωνών LSAI (δ) τρία κλιματικά διαγράμματα που αντιπροσωπεύουν τις τρεις περιοχές μελέτης. (Πηγή: Christina Eisfelder et al, 2024).]]

[[ Εικόνα: Ar4.eik2.png | thumb | right |300px|'''Εικόνα 2:''' Ροή εργασιών για την ταξινόμηση LULC (Χρήσεων/Καλύψεων Γης) και τύπου καλλιέργειας που πραγματοποιήθηκε σε αυτήν τη μελέτη, η οποία δείχνει τα δεδομένα εισόδου, την προεπεξεργασία, τα βήματα ταξινόμησης και τα τελικά προϊόντα. (Πηγή: Christina Eisfelder et al, 2024).]]

<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι ο εξής: «Ο σκοπός της παρουσιαζόμενης μελέτης ήταν η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση με σκοπό την εξέταση της γης που χρησιμοποιείται για γεωργική παραγωγή και τη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές μεγάλης κλίμακας γεωργικών επενδύσεων (LSAI) εντός τριών περιφερειών της Αιθιοπίας». Για την επίτευξη του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-1: </span></b> Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-2:</span></b> Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό κρίσιμων δεικτών βλάστησης για την παρακολούθηση της φαινολογίας των φυτών.
* <b><span style="color:#FF4500">Ψηφιακό Μοντέλο Επιφάνειας (DSM):</span></b> Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* <b><span style="color:#FF4500">Δεδομένα Πεδίου:</span></b> Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Η αλυσίδα προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά χρονοσειρών με βήμα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

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

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

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Χρήσεων Γης (LULC) </span></b><br>
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά леγkυμαίνονται μόλις στο 20%.<br>
<b><span style="color:#FF4500">2. Επιλογή Παραμέτρων Μοντέλου</span></b><br>
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).<br>
<b><span style="color:#FF4500">3. Ταξινόμηση Τύπων Καλλιεργειών </span></b><br>
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2026-02-27T19:54:36Z

APOSTOLOU KYRIAKI:

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

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

[[ Εικόνα: Ar4.eik1.jpg | thumb | right |300px|'''Εικόνα 1:''' Περιοχή μελέτης.(α) τοποθεσία των περιοχών μελέτης (β) τις αγρο-οικολογικές ζώνες εντός της Αιθιοπίας (γ) χάρτης της τοποθεσίας των ζωνών LSAI (δ) τρία κλιματικά διαγράμματα που αντιπροσωπεύουν τις τρεις περιοχές μελέτης. (Πηγή: Christina Eisfelder et al, 2024).]]

[[ Εικόνα: Ar4.eik2.png | thumb | right |300px|'''Εικόνα 2:''' Ροή εργασιών για την ταξινόμηση LULC (Χρήσεων/Καλύψεων Γης) και τύπου καλλιέργειας που πραγματοποιήθηκε σε αυτήν τη μελέτη, η οποία δείχνει τα δεδομένα εισόδου, την προεπεξεργασία, τα βήματα ταξινόμησης και τα τελικά προϊόντα. (Πηγή: Christina Eisfelder et al, 2024).]]

<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι ο εξής: «Ο σκοπός της παρουσιαζόμενης μελέτης ήταν η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση με σκοπό την εξέταση της γης που χρησιμοποιείται για γεωργική παραγωγή και τη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές μεγάλης κλίμακας γεωργικών επενδύσεων (LSAI) εντός τριών περιφερειών της Αιθιοπίας». Για την επίτευξη του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

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

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-1: </span></b> Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-2:</span></b> Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό κρίσιμων δεικτών βλάστησης για την παρακολούθηση της φαινολογίας των φυτών.
* <b><span style="color:#FF4500">Ψηφιακό Μοντέλο Επιφάνειας (DSM):</span></b> Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* <b><span style="color:#FF4500">Δεδομένα Πεδίου:</span></b> Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Η αλυσίδα προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά χρονοσειρών με βήμα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

[[ Εικόνα: Ar4.eik4.png | thumb | center |300px|'''Εικόνα 4:''' Σύγκριση της συνολικής ακρίβειας για τις 33 παραλλαγές των συνόλων δεδομένων εισόδου που δοκιμάστηκαν για την ταξινόμηση των τύπων καλλιέργειας. Τα μπλε σημεία δείχνουν τη μέση συνολική ακρίβεια ανά παραλλαγή. Οι μαύρες γραμμές υποδεικνύουν την ελάχιστη και τη μέγιστη ακρίβεια που επιτεύχθηκε στις επιμέρους ταξινομήσεις (έξι ταξινομήσεις από τρεις περιοχές μελέτης και δύο έτη). (Πηγή: Christina Eisfelder et al, 2024).]]

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Χρήσεων Γης (LULC) </span></b><br>
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά леγkυμαίνονται μόλις στο 20%.<br>
<b><span style="color:#FF4500">2. Επιλογή Παραμέτρων Μοντέλου</span></b><br>
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).<br>
<b><span style="color:#FF4500">3. Ταξινόμηση Τύπων Καλλιεργειών </span></b><br>
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2026-02-27T19:52:24Z

APOSTOLOU KYRIAKI:

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

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

[[ Εικόνα: Ar4.eik1.jpg | thumb | right |200px|'''Εικόνα 1:''' Περιοχή μελέτης.(α) τοποθεσία των περιοχών μελέτης (β) τις αγρο-οικολογικές ζώνες εντός της Αιθιοπίας (γ) χάρτης της τοποθεσίας των ζωνών LSAI (δ) τρία κλιματικά διαγράμματα που αντιπροσωπεύουν τις τρεις περιοχές μελέτης. (Πηγή: Christina Eisfelder et al, 2024).]]

[[ Εικόνα: Ar4.eik2.jpg | thumb | right |200px|'''Εικόνα 2:''' Ροή εργασιών για την ταξινόμηση LULC (Χρήσεων/Καλύψεων Γης) και τύπου καλλιέργειας που πραγματοποιήθηκε σε αυτήν τη μελέτη, η οποία δείχνει τα δεδομένα εισόδου, την προεπεξεργασία, τα βήματα ταξινόμησης και τα τελικά προϊόντα. (Πηγή: Christina Eisfelder et al, 2024).]]

<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι ο εξής: «Ο σκοπός της παρουσιαζόμενης μελέτης ήταν η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση με σκοπό την εξέταση της γης που χρησιμοποιείται για γεωργική παραγωγή και τη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές μεγάλης κλίμακας γεωργικών επενδύσεων (LSAI) εντός τριών περιφερειών της Αιθιοπίας». Για την επίτευξη του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

[[ Εικόνα: Ar4.eik.jpg | thumb | right |200px|'''Εικόνα 3:''' Ταξινομήσεις Χρήσεων/Καλύψεων Γης για τις τρεις περιοχές μελέτης: Αμχάρα, Μπενισανγκούλ και Γκαμπέλα. Οι περιοχές LSAI σημειώνονται με μαύρο περίγραμμα. Οι επιμέρους εικόνες δείχνουν: (α) Αμχάρα 2021, (β) Αμχάρα 2022, (γ) Μπενισανγκούλ 2021, (δ) Μπενισανγκούλ 2022, (ε) Γκαμπέλα 2021 και (στ) Γκαμπέλα 2022. (Πηγή: Christina Eisfelder et al, 2024).]]

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-1: </span></b> Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-2:</span></b> Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό κρίσιμων δεικτών βλάστησης για την παρακολούθηση της φαινολογίας των φυτών.
* <b><span style="color:#FF4500">Ψηφιακό Μοντέλο Επιφάνειας (DSM):</span></b> Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* <b><span style="color:#FF4500">Δεδομένα Πεδίου:</span></b> Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Η αλυσίδα προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά χρονοσειρών με βήμα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

[[ Εικόνα: Ar4.eik4.jpg | thumb | center |200px|'''Εικόνα 4:''' Σύγκριση της συνολικής ακρίβειας για τις 33 παραλλαγές των συνόλων δεδομένων εισόδου που δοκιμάστηκαν για την ταξινόμηση των τύπων καλλιέργειας. Τα μπλε σημεία δείχνουν τη μέση συνολική ακρίβεια ανά παραλλαγή. Οι μαύρες γραμμές υποδεικνύουν την ελάχιστη και τη μέγιστη ακρίβεια που επιτεύχθηκε στις επιμέρους ταξινομήσεις (έξι ταξινομήσεις από τρεις περιοχές μελέτης και δύο έτη). (Πηγή: Christina Eisfelder et al, 2024).]]

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Χρήσεων Γης (LULC) </span></b><br>
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά леγkυμαίνονται μόλις στο 20%.<br>
<b><span style="color:#FF4500">2. Επιλογή Παραμέτρων Μοντέλου</span></b><br>
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).<br>
<b><span style="color:#FF4500">3. Ταξινόμηση Τύπων Καλλιεργειών </span></b><br>
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2026-02-27T18:23:38Z

APOSTOLOU KYRIAKI:

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

[[ Εικόνα: Ar3.eik4.jpg | thumb | right |200px|'''Εικόνα 1:''' (α) Τοποθεσία της Ζώνης Πηγών του Κίτρινου Ποταμού στο Οροπέδιο Τσινγκχάι-Θιβέτ. (β) Τοποθεσία της περιοχής μελέτης. (γ) Κατανομή των θέσεων δειγματοληψίας και των τύπων ανάγλυφου εντός της περιοχής μελέτης, μαζί με το ποσοστό της έκτασης που αντιπροσωπεύεται από κάθε κατηγορία ανάγλυφου (Πηγή: Yan Shi et al, 2025).]]

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

[[ Εικόνα: Ar3.eik1.jpg | thumb | right |200px|'''Εικόνα 2:''' Ένταση βόσκησης κατά τη διάρκεια της καλλιεργητικής περιόδου. (α–δ) Χάρτες της Έντασης Βόσκησης (GI) που παρήχθησαν από το μοντέλο DNN (δ), μαζί με το θηκόγραμμα (boxplot) της Έντασης Βόσκησης σε διαφορετικές μορφές ανάγλυφου και το κυκλικό διάγραμμα της κάλυψης των επιπέδων Έντασης Βόσκησης. ((Πηγή: Yan Shi et al, 2025)]]

[[ Εικόνα: Ar3.eik2.jpg | thumb | right |200px|'''Εικόνα 3:''' Χάρτης πίεσης βόσκησης. (α) Χάρτης χωρικής κατανομής του GPI. (β) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (γ) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. ((Πηγή: Yan Shi et al, 2025)]]

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

[[ Εικόνα: Ar3.eik3.jpg | thumb | right |200px|'''Εικόνα 4:''' Θερμικός χάρτης που απεικονίζει την αναλογία επικάλυψης μεταξύ της πίεσης βόσκησης, της έντασης βόσκησης και της υπολειπόμενης βιομάζας. (α,β) Η πίεση βόσκησης σε επικάλυψη με την ένταση βόσκησης και την υπολειπόμενη βιομάζα· (γ,δ) Η ένταση βόσκησης σε επικάλυψη με την πίεση βόσκησης και την υπολειπόμενη βιομάζα. (Πηγή: Yan Shi et al, 2025)]]

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

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

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

2026-02-27T18:15:44Z

APOSTOLOU KYRIAKI:

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

[[ Εικόνα: Ar3.eik4.jpg | thumb | right |200px|'''Εικόνα 1:''' (α) Τοποθεσία της Ζώνης Πηγών του Κίτρινου Ποταμού στο Οροπέδιο Τσινγκχάι-Θιβέτ. (β) Τοποθεσία της περιοχής μελέτης. (γ) Κατανομή των θέσεων δειγματοληψίας και των τύπων ανάγλυφου εντός της περιοχής μελέτης, μαζί με το ποσοστό της έκτασης που αντιπροσωπεύεται από κάθε κατηγορία ανάγλυφου (Πηγή: Yan Shi et al, 2025).]]

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

[[ Εικόνα: Ar3.eik1.jpg | thumb | right |200px|'''Εικόνα 2:''' Ένταση βόσκησης κατά τη διάρκεια της καλλιεργητικής περιόδου. (α–δ) Χάρτες της Έντασης Βόσκησης (GI) που παρήχθησαν από το μοντέλο DNN (δ), μαζί με το θηκόγραμμα (boxplot) της Έντασης Βόσκησης σε διαφορετικές μορφές ανάγλυφου και το κυκλικό διάγραμμα της κάλυψης των επιπέδων Έντασης Βόσκησης. ((Πηγή: Yan Shi et al, 2025)]]

[[ Εικόνα: Ar3.eik2.jpg | thumb | right |200px|'''Εικόνα 3:''' Χάρτης δείκτη πίεσης βόσκησης που προκύπτει από την ένταση βόσκησης και την υπολειπόμενη βιομάζα. (α) Χάρτης χωρικής κατανομής του Δείκτη Πίεσης Βόσκησης (GPI). (β) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (γ) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. Ποσοστά μικρότερα του 1% δεν εμφανίζονται στα κυκλικά διαγράμματα. ((Πηγή: Yan Shi et al, 2025)]]

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

[[ Εικόνα: Ar3.eik3.jpg | thumb | right |200px|'''Εικόνα 4:''' Θερμικός χάρτης που απεικονίζει την αναλογία επικάλυψης μεταξύ της πίεσης βόσκησης, της έντασης βόσκησης και της υπολειπόμενης βιομάζας. (α,β) Η πίεση βόσκησης σε επικάλυψη με την ένταση βόσκησης και την υπολειπόμενη βιομάζα· (γ,δ) Η ένταση βόσκησης σε επικάλυψη με την πίεση βόσκησης και την υπολειπόμενη βιομάζα. (Πηγή: Yan Shi et al, 2025)]]

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

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

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

2026-02-27T18:11:44Z

APOSTOLOU KYRIAKI:

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

[[ Εικόνα: Ar3.eik4.jpg | thumb | right |300px|'''Εικόνα 1:''' Τοποθεσία και μορφές ανάγλυφου της περιοχής μελέτης και κατανομή των θέσεων δειγματοληψίας. (α) Τοποθεσία της Ζώνης Πηγών του Κίτρινου Ποταμού στο Οροπέδιο Τσινγκχάι-Θιβέτ. (β) Τοποθεσία της περιοχής μελέτης. (γ) Κατανομή των θέσεων δειγματοληψίας και των τύπων ανάγλυφου εντός της περιοχής μελέτης, μαζί με το ποσοστό της έκτασης που αντιπροσωπεύεται από κάθε κατηγορία ανάγλυφου (ποσοστά μικρότερα του 5% δεν εμφανίζονται)(Πηγή: Yan Shi et al, 2025).]]

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

[[ Εικόνα: Ar3.eik1.jpg | thumb | right |300px|'''Εικόνα 2:''' Ένταση βόσκησης κατά τη διάρκεια της καλλιεργητικής περιόδου. (α–δ) Χάρτες της Έντασης Βόσκησης (GI) που παρήχθησαν από το μοντέλο DNN (δ), μαζί με το θηκόγραμμα (boxplot) της Έντασης Βόσκησης σε διαφορετικές μορφές ανάγλυφου και το κυκλικό διάγραμμα της κάλυψης των επιπέδων Έντασης Βόσκησης. ((Πηγή: Yan Shi et al, 2025)]]

[[ Εικόνα: Ar3.eik2.jpg | thumb | right |300px|'''Εικόνα 3:''' Χάρτης δείκτη πίεσης βόσκησης που προκύπτει από την ένταση βόσκησης και την υπολειπόμενη βιομάζα. (α) Χάρτης χωρικής κατανομής του Δείκτη Πίεσης Βόσκησης (GPI). (β) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (γ) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. Ποσοστά μικρότερα του 1% δεν εμφανίζονται στα κυκλικά διαγράμματα. ((Πηγή: Yan Shi et al, 2025)]]

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

[[ Εικόνα: Ar3.eik3.jpg | thumb | right |300px|'''Εικόνα 4:''' Θερμικός χάρτης που απεικονίζει την αναλογία επικάλυψης μεταξύ της πίεσης βόσκησης, της έντασης βόσκησης και της υπολειπόμενης βιομάζας. (α,β) Η πίεση βόσκησης σε επικάλυψη με την ένταση βόσκησης και την υπολειπόμενη βιομάζα· (γ,δ) Η ένταση βόσκησης σε επικάλυψη με την πίεση βόσκησης και την υπολειπόμενη βιομάζα. (Πηγή: Yan Shi et al, 2025)]]

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

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

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

2026-02-27T18:01:00Z

APOSTOLOU KYRIAKI:

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

<b>Συγγραφείς:</b>Christina Eisfelder, Bruno Boemke, Ursula Gessner, Patrick Sogno, Genanaw Alemu, Rahel Hailu, Christian Mesmer, Juliane Huth<br>
<b>Πηγή (αναλυτικά):</b>Eisfelder, C., Boemke, B., Gessner, U., Sogno, P., Alemu, G., Hailu, R., ... & Huth, J. (2024). Cropland and crop type classification with Sentinel-1 and Sentinel-2 time series using Google Earth Engine for agricultural monitoring in Ethiopia. Remote Sensing, 16(5), 866.
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι ο εξής: «Ο σκοπός της παρουσιαζόμενης μελέτης ήταν η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση με σκοπό την εξέταση της γης που χρησιμοποιείται για γεωργική παραγωγή και τη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές μεγάλης κλίμακας γεωργικών επενδύσεων (LSAI) εντός τριών περιφερειών της Αιθιοπίας». Για την επίτευξη του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-1: </span></b> Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-2:</span></b> Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό κρίσιμων δεικτών βλάστησης για την παρακολούθηση της φαινολογίας των φυτών.
* <b><span style="color:#FF4500">Ψηφιακό Μοντέλο Επιφάνειας (DSM):</span></b> Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* <b><span style="color:#FF4500">Δεδομένα Πεδίου:</span></b> Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Η αλυσίδα προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά χρονοσειρών με βήμα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Χρήσεων Γης (LULC) </span></b><br>
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά леγkυμαίνονται μόλις στο 20%.<br>
<b><span style="color:#FF4500">2. Επιλογή Παραμέτρων Μοντέλου</span></b><br>
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).<br>
<b><span style="color:#FF4500">3. Ταξινόμηση Τύπων Καλλιεργειών </span></b><br>
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2026-02-27T18:00:24Z

APOSTOLOU KYRIAKI:

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

[[ Εικόνα: Ar3.eik4.jpg | thumb | right |500px|'''Εικόνα 1:''' Τοποθεσία και μορφές ανάγλυφου της περιοχής μελέτης και κατανομή των θέσεων δειγματοληψίας. (α) Τοποθεσία της Ζώνης Πηγών του Κίτρινου Ποταμού στο Οροπέδιο Τσινγκχάι-Θιβέτ. (β) Τοποθεσία της περιοχής μελέτης. (γ) Κατανομή των θέσεων δειγματοληψίας και των τύπων ανάγλυφου εντός της περιοχής μελέτης, μαζί με το ποσοστό της έκτασης που αντιπροσωπεύεται από κάθε κατηγορία ανάγλυφου (ποσοστά μικρότερα του 5% δεν εμφανίζονται)(Πηγή: Yan Shi et al, 2025).]]

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

[[ Εικόνα: Ar3.eik1.jpg | thumb | right |500px|'''Εικόνα 2:''' Ένταση βόσκησης κατά τη διάρκεια της καλλιεργητικής περιόδου. (α–δ) Χάρτες της Έντασης Βόσκησης (GI) που παρήχθησαν από το μοντέλο DNN, 12 Ιουνίου–27 Ιουλίου (α), 27 Ιουλίου–16 Αυγούστου (β), 16 Αυγούστου–5 Σεπτεμβρίου (γ) και για ολόκληρη την καλλιεργητική περίοδο (δ), μαζί με το θηκόγραμμα (boxplot) της Έντασης Βόσκησης σε διαφορετικές μορφές ανάγλυφου και το κυκλικό διάγραμμα της κάλυψης των επιπέδων Έντασης Βόσκησης (ποσοστά μικρότερα του 5% δεν εμφανίζονται). Τα κεφαλαία γράμματα υποδηλώνουν σημαντικές διαφορές σε p < 0,001· τα πεζά γράμματα υποδηλώνουν επίπεδο σημαντικότητας p < 0,05. ((Πηγή: Yan Shi et al, 2025)]]

[[ Εικόνα: Ar3.eik2.jpg | thumb | right |500px|'''Εικόνα 3:''' Χάρτης δείκτη πίεσης βόσκησης που προκύπτει από την ένταση βόσκησης και την υπολειπόμενη (βιομάζα). (α) Χάρτης χωρικής κατανομής του Δείκτη Πίεσης Βόσκησης (GPI). (β) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (γ) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. Ποσοστά μικρότερα του 1% δεν εμφανίζονται στα κυκλικά διαγράμματα. ((Πηγή: Yan Shi et al, 2025)]]

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

[[ Εικόνα: Ar3.eik3.jpg | thumb | right |500px|'''Εικόνα 4:''' Θερμικός χάρτης που απεικονίζει την αναλογία επικάλυψης μεταξύ της πίεσης βόσκησης, της έντασης βόσκησης και της υπολειπόμενης βιομάζας. (α,β) Η πίεση βόσκησης σε επικάλυψη με την ένταση βόσκησης και την υπολειπόμενη βιομάζα· (γ,δ) Η ένταση βόσκησης σε επικάλυψη με την πίεση βόσκησης και την υπολειπόμενη βιομάζα. (Πηγή: Yan Shi et al, 2025)]]

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

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

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

2026-02-27T18:00:10Z

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

<b>Συγγραφείς:</b>Christina Eisfelder, Bruno Boemke, Ursula Gessner, Patrick Sogno, Genanaw Alemu, Rahel Hailu, Christian Mesmer, Juliane Huth<br>
<b>Πηγή (αναλυτικά):</b>Eisfelder, C., Boemke, B., Gessner, U., Sogno, P., Alemu, G., Hailu, R., ... & Huth, J. (2024). Cropland and crop type classification with Sentinel-1 and Sentinel-2 time series using Google Earth Engine for agricultural monitoring in Ethiopia. Remote Sensing, 16(5), 866.
<p>
<h1><b><span style="color:#FF4500">Περίληψη</span></b></h1>
Η συστηματική παρακολούθηση των γεωργικών εκτάσεων είναι απαραίτητη για τη διασφάλιση της επισιτιστικής επάρκειας, ιδιαίτερα σε χώρες όπως η Αιθιοπία που δοκιμάζονται από τις επιπτώσεις της κλιματικής αλλαγής. Για τον σκοπό αυτό, έχουν δημιουργηθεί ζώνες Μεγάλης Κλίμακας Γεωργικών Επενδύσεων (LSAI), η πορεία των οποίων ωστόσο απαιτεί στενή παρακολούθηση. Ο σκοπός της έρευνας, όπως αναφέρεται χαρακτηριστικά μέσα στο κείμενο, είναι ο εξής: «Ο σκοπός της παρουσιαζόμενης μελέτης ήταν η ανάπτυξη μιας μεθόδου βασισμένης στην τηλεπισκόπηση με σκοπό την εξέταση της γης που χρησιμοποιείται για γεωργική παραγωγή και τη διαφοροποίηση των τύπων καλλιεργειών που αναπτύσσονται σε περιοχές μεγάλης κλίμακας γεωργικών επενδύσεων (LSAI) εντός τριών περιφερειών της Αιθιοπίας». Για την επίτευξη του στόχου, η ερευνητική ομάδα ανέλυσε συνδυαστικά δεδομένα από διαφορετικούς δορυφόρους και δοκίμασε 33 διαφορετικές παραλλαγές μοντέλων μηχανικής μάθησης.

<h1><b><span style="color:#FF4500">Είδη δεδομένων (δορυφορικών και πεδίου) και η χρησιμότητά τους</span></b></h1>
Η ανάλυση βασίστηκε σε έναν εκτενή συνδυασμό τηλεπισκοπικών δεδομένων και επιτόπιων μετρήσεων για τα έτη 2021 και 2022.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-1: </span></b> Ελήφθησαν χρονοσειρές ραντάρ συνθετικού ανοίγματος (SAR) στις πολώσεις VV και VH. Ο ρόλος τους ήταν υποστηρικτικός, ιδίως για τη δημιουργία δεικτών ραντάρ (όπως οι Diff, Ratio, RVI) που προσφέρουν δεδομένα ανεξαρτήτως νεφοκάλυψης.
* <b><span style="color:#FF4500">Δεδομένα Sentinel-2:</span></b> Αξιοποιήθηκαν οπτικές πολυφασματικές χρονοσειρές υψηλής χωρικής ανάλυσης (10 και 20 μέτρων), με έμφαση στο ορατό, το εγγύς υπέρυθρο και το υπέρυθρο βραχέων κυμάτων. Αυτά τα δεδομένα χρησίμευσαν στον υπολογισμό κρίσιμων δεικτών βλάστησης για την παρακολούθηση της φαινολογίας των φυτών.
* <b><span style="color:#FF4500">Ψηφιακό Μοντέλο Επιφάνειας (DSM):</span></b> Χρησιμοποιήθηκαν δεδομένα ALOS World 3D, τα οποία παρείχαν πληροφορίες για την κλίση του εδάφους, με σκοπό να αποφευχθούν λανθασμένες ταξινομήσεις σε περιοχές με έντονο ανάγλυφο.
* <b><span style="color:#FF4500">Δεδομένα Πεδίου:</span></b>
Η έρευνα τροφοδοτήθηκε με πρωτογενή δεδομένα για 18 διαφορετικούς τύπους καλλιεργειών, συλλεγμένα από τρεις διαφορετικές περιοχές (Amhara, Benishangul και Gambela).

<h1><b><span style="color:#FF4500">Προεπεξεργασίες</span></b></h1>
Η αλυσίδα προεπεξεργασίας των δεδομένων από τις δορυφορικές λήψεις έως την εισαγωγή τους στα μοντέλα ταξινόμησης (μέσα στο περιβάλλον του Google Earth Engine) περιελάμβανε τα παρακάτω στάδια:
* Για τα οπτικά δεδομένα (Sentinel-2), εφαρμόστηκε απόκρυψη νεφών με όριο πιθανότητας 15%, ώστε να απομακρυνθούν οι αραιοί νεφικοί σχηματισμοί. Ακολούθησε μωσαϊκοποίηση και γραμμική παρεμβολή, με αποτέλεσμα τη δημιουργία συνεχών, χωρίς κενά χρονοσειρών με βήμα 5 ημερών.
* Τα δεδομένα ραντάρ (Sentinel-1) υποβλήθηκαν σε χωρικό φιλτράρισμα θορύβου (speckle filtering), ραδιομετρική κανονικοποίηση βάσει του εδάφους και μετατροπή των τιμών σε μονάδες ντεσιμπέλ.
* Σε μεταγενέστερο στάδιο, όλα τα δεδομένα συμπτύχθηκαν σε μηνιαίες μέσες τιμές (medians) για να τροφοδοτήσουν ομαλά τον αλγόριθμο ταξινόμησης.

<h1><b><span style="color:#FF4500">Ειδικές αναλύσεις των δορυφορικών εικόνων και αποτελέσματα.</span></b></h1>
<b><span style="color:#FF4500">1. Χαρτογράφηση Χρήσεων Γης (LULC) </span></b><br>
Αρχικά, εφαρμόστηκε ένας αλγόριθμος Random Forest με 100 δέντρα απόφασης για να απομονωθούν οι καλλιεργήσιμες εκτάσεις από τις υπόλοιπες χρήσεις γης. Η ανάλυση έδειξε εντυπωσιακές χωρικές ανισότητες στην εκμετάλλευση των LSAI: ενώ στην περιοχή Amhara καλλιεργείται περίπου το 80% των διαθέσιμων εκτάσεων, στις περιοχές Benishangul και Gambela τα αντίστοιχα ποσοστά леγkυμαίνονται μόλις στο 20%.<br>
<b><span style="color:#FF4500">2. Επιλογή Παραμέτρων Μοντέλου</span></b><br>
Οι ερευνητές αξιολόγησαν 33 διαφορετικούς συνδυασμούς παραμέτρων εισόδου. Τα οπτικά δεδομένα του Sentinel-2 αποδείχθηκαν εξαιρετικά ισχυρά, προσφέροντας από μόνα τους ακρίβεια κοντά στο 85%. Ο ιδανικότερος συνδυασμός, ο οποίος επέτυχε συνολική ακρίβεια 86%, περιελάμβανε τόσο τις φασματικές ζώνες και τους οπτικούς δείκτες EVI2 και NDRe2, όσο και επιλεγμένες μεταβλητές ραντάρ (VV, VH, Diff).<br>
<b><span style="color:#FF4500">3. Ταξινόμηση Τύπων Καλλιεργειών </span></b><br>
Με βάση το βέλτιστο μοντέλο, αναλύθηκε η σύνθεση της γεωργικής παραγωγής. Τα αποτελέσματα φανέρωσαν πως στην Amhara κυριαρχεί κατά κύριο λόγο το καλαμπόκι, η σόγια και το σιτάρι. Στο Benishangul, τη μεγαλύτερη έκταση καταλαμβάνουν το καλαμπόκι και το σόργο , ενώ στην περιοχή της Gambela, οι βασικές καλλιέργειες είναι τα ροβίθια (mung bean) και το βαμβάκι.

<h1><b><span style="color:#FF4500">Συμπεράσματα και αξιολόγηση των μεθόδων.</span></b></h1>
Η μελέτη απέδειξε ότι, αν και τα οπτικά δεδομένα είναι ο πρωταρχικός οδηγός για την αναγνώριση των καλλιεργειών , η ενσωμάτωση των δεδομένων ραντάρ συνεισφέρει καθοριστικά στη βελτιστοποίηση της ακρίβειας των αποτελεσμάτων. Επιπλέον, διαπιστώθηκε πως η ποιότητα του μοντέλου εξαρτάται άμεσα από τον όγκο των επιτόπιων δεδομένων αναφοράς, καθώς κατηγορίες φυτών με λιγότερα από 40 δείγματα παρουσίασαν σημαντικά μειωμένη εγκυρότητα στην πρόβλεψη.

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

[[category:Ταξινόμηση καλλιεργειών]]

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

2026-02-27T17:58:21Z

APOSTOLOU KYRIAKI: Νέα σελίδα με '<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production<br><br> <b>Συγγραφείς:</b>...'

<u>Πρωτότυπος τίτλος:</u> Estimating Grazing Pressure from Satellite Time Series Without
Reliance on Total Production<br><br>

<b>Συγγραφείς:</b> Yan Shi , Jay Gao , Gary Brierley , Xilai Li and Jin-Sheng He<br>
<b>Πηγή (αναλυτικά):</b> Shi, Y., Gao, J., Brierley, G., Li, X., & He, J.-S. (2025). Estimating Grazing Pressure from Satellite Time Series Without Reliance on Total Production. Remote Sensing, 17(22), 3781.
<p>
<h1><b><span style="color:darkgreen">Περίληψη</span></b></h1>
</p>

[[ Εικόνα: Ar3.eik4.jpg | thumb | right |500px|'''Εικόνα 1:''' Τοποθεσία και μορφές ανάγλυφου της περιοχής μελέτης και κατανομή των θέσεων δειγματοληψίας. (α) Τοποθεσία της Ζώνης Πηγών του Κίτρινου Ποταμού στο Οροπέδιο Τσινγκχάι-Θιβέτ. (β) Τοποθεσία της περιοχής μελέτης. (γ) Κατανομή των θέσεων δειγματοληψίας και των τύπων ανάγλυφου εντός της περιοχής μελέτης, μαζί με το ποσοστό της έκτασης που αντιπροσωπεύεται από κάθε κατηγορία ανάγλυφου (ποσοστά μικρότερα του 5% δεν εμφανίζονται)(Πηγή: Yan Shi et al, 2025).]]

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

[[ Εικόνα: Ar3.eik1.jpg | thumb | right |500px|'''Εικόνα 2:''' Ένταση βόσκησης κατά τη διάρκεια της καλλιεργητικής περιόδου. (α–δ) Χάρτες της Έντασης Βόσκησης (GI) που παρήχθησαν από το μοντέλο DNN, 12 Ιουνίου–27 Ιουλίου (α), 27 Ιουλίου–16 Αυγούστου (β), 16 Αυγούστου–5 Σεπτεμβρίου (γ) και για ολόκληρη την καλλιεργητική περίοδο (δ), μαζί με το θηκόγραμμα (boxplot) της Έντασης Βόσκησης σε διαφορετικές μορφές ανάγλυφου και το κυκλικό διάγραμμα της κάλυψης των επιπέδων Έντασης Βόσκησης (ποσοστά μικρότερα του 5% δεν εμφανίζονται). Τα κεφαλαία γράμματα υποδηλώνουν σημαντικές διαφορές σε p < 0,001· τα πεζά γράμματα υποδηλώνουν επίπεδο σημαντικότητας p < 0,05. ((Πηγή: Yan Shi et al, 2025)]]

[[ Εικόνα: Ar3.eik2.jpg | thumb | right |500px|'''Εικόνα 3:''' Χάρτης δείκτη πίεσης βόσκησης που προκύπτει από την ένταση βόσκησης και την υπολειπόμενη (βιομάζα). (α) Χάρτης χωρικής κατανομής του Δείκτη Πίεσης Βόσκησης (GPI). (β) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (γ) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. Ποσοστά μικρότερα του 1% δεν εμφανίζονται στα κυκλικά διαγράμματα. ((Πηγή: Yan Shi et al, 2025)]]

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

[[ Εικόνα: Ar3.eik3.jpg | thumb | right |500px|'''Εικόνα 4:''' Χάρτης δείκτη πίεσης βόσκησης που προκύπτει από την ένταση βόσκησης και την υπολειπόμενη (βιομάζα). (α) Χάρτης χωρικής κατανομής του Δείκτη Πίεσης Βόσκησης (GPI). (β) Ο GPI σε σχέση με διαφορετικές θέσεις μορφών ανάγλυφου και τύπους βλάστησης. (γ) Αναλογία κάλυψης των διαφορετικών επιπέδων του GPI. Ποσοστά μικρότερα του 1% δεν εμφανίζονται στα κυκλικά διαγράμματα. ((Πηγή: Yan Shi et al, 2025)]]

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

[[ Εικόνα: Ar3.eik4.jpg | thumb | right |500px|'''Εικόνα 5:''' Θερμικός χάρτης που απεικονίζει την αναλογία επικάλυψης μεταξύ της πίεσης βόσκησης, της έντασης βόσκησης και της υπολειπόμενης βιομάζας. (α,β) Η πίεση βόσκησης σε επικάλυψη με την ένταση βόσκησης και την υπολειπόμενη βιομάζα· (γ,δ) Η ένταση βόσκησης σε επικάλυψη με την πίεση βόσκησης και την υπολειπόμενη βιομάζα. (Πηγή: Yan Shi et al, 2025)]]

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

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

[[category:Καταγραφή κτηνοτροφικών δραστηριοτήτων στους αγρούς]]

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

2026-02-27T17:24:12Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar5.eik5.jpg

2026-02-27T16:54:18Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar5.eik4.jpg

2026-02-27T16:54:02Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar5.eik3.png

2026-02-27T16:53:47Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar5.eik2.jpg

2026-02-27T16:53:33Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar5.eik1.jpg

2026-02-27T16:53:19Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar4.eik4.png

2026-02-27T16:52:26Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar4.eik.png

2026-02-27T16:52:04Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar4.eik2.png

2026-02-27T16:51:46Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar4.eik1.jpg

2026-02-27T16:51:30Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar3.eik4.jpg

2026-02-27T16:49:59Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar3.eik3.jpg

2026-02-27T16:49:46Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar3.eik2.jpg

2026-02-27T16:49:25Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar3.eik1.jpg

2026-02-27T16:49:06Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar2.eik2.png

2026-02-27T16:48:36Z

APOSTOLOU KYRIAKI: ανέβασμα νέας έκδοσης του "Αρχείο:Ar2.eik2.png"

scatter plot

Αρχείο:Αr2.eik1.jpg

2026-02-27T16:48:13Z

APOSTOLOU KYRIAKI:

Αρχείο:Ar2.eik2.png

2026-02-27T16:44:55Z

APOSTOLOU KYRIAKI: scatter plot

scatter plot

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

2026-02-27T16:13:54Z

APOSTOLOU KYRIAKI: Νέα σελίδα με '<u>Πρωτότυπος τίτλος:</u> Integration of Machine Learning and Remote Sensing to Evaluate the Effects of Soil Salinity, Nitrate, and Moisture on Crop Yields...'

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

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

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

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

[[ Εικόνα: 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">Εφαρμογή μοντέλων Μηχανικής Μάθησης και αποτελέσματα </span></b></h1>
1. Πρόβλεψη Αποδόσεων Καλλιεργειών Αναπτύχθηκαν και αξιολογήθηκαν επτά διαφορετικοί αλγόριθμοι μηχανικής μάθησης. Η σύγκριση έδειξε ότι το μοντέλο Random Forest (RF) ξεχώρισε, επιτυγχάνοντας εξαιρετική ακρίβεια στην πρόβλεψη της παραγωγής βαμβακιού. Για την περίπτωση του καλαμποκιού, το μοντέλο Gradient Boosting (GB) απέδωσε καλύτερα , ενώ για τη μελέτη της μπανάνας, πιο αποτελεσματικά αποδείχθηκαν τα Δέντρα Απόφασης (DT). Στον αντίποδα, μοντέλα όπως τα K-Nearest Neighbors (KNN), Multi-Layer Perceptron (MLP) και Support Vector (SV) εμφάνισαν συστηματικά τις πιο αδύναμες επιδόσεις.
2. Εκτίμηση Οικονομικών Απωλειών Η έρευνα δεν στάθηκε μόνο στις ποσότητες παραγωγής, αλλά προχώρησε στον υπολογισμό των οικονομικών συνεπειών. Τα μοντέλα επιβεβαίωσαν πως οι περιβαλλοντικές πιέσεις καθορίζουν άμεσα το περιθώριο κέρδους των γεωργών. Και σε αυτή την περίπτωση, οι αλγόριθμοι RF και GB αναδείχθηκαν ως τα πιο στιβαρά και αξιόπιστα εργαλεία για την ποσοτικοποίηση των οικονομικών απωλειών.
3. Στατιστική Ανάλυση Σημαντικότητας (SHAP) Μέσω της ανάλυσης SHAP (SHapley Additive exPlanations), προσδιορίστηκε με ακρίβεια η βαρύτητα που έχει ο κάθε περιβαλλοντικός παράγοντας. Το τελικό πόρισμα υποδεικνύει σαφώς ότι η αλατότητα αποτελεί τον κυρίαρχο κατασταλτικό παράγοντα, προκαλώντας τη μεγαλύτερη μείωση τόσο στη σοδειά όσο και στα έσοδα σε όλα τα είδη φυτών. Η εδαφική υγρασία και τα επίπεδα των νιτρικών παίζουν επίσης ρόλο στην παραγωγικότητα, ωστόσο η επιρροή τους θεωρείται δευτερεύουσα και διαφέρει ανάλογα με τις απαιτήσεις της κάθε καλλιέργειας.
<h1><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">Συμπεράσματα και αξιολόγηση των μεθόδων</span></b></h1>
Σε ό,τι αφορά τα υπολογιστικά εργαλεία, η έρευνα ανέδειξε τον αλγόριθμο Random Forest ως τον πλέον κατάλληλο για την αποτύπωση των σύνθετων, μη γραμμικών αλληλεπιδράσεων μεταξύ του εδάφους και των φυτών σε ετερογενή περιβάλλοντα. Αντίθετα, αλγόριθμοι που δεν μπορούσαν να χειριστούν αυτή την πολυπλοκότητα, παρουσίασαν μειωμένη αξιοπιστία.
Όσον αφορά τις αγρονομικές προεκτάσεις, τα αποτελέσματα επιβεβαίωσαν πέραν πάσης αμφιβολίας ότι η αλατότητα αποτελεί τον υπ' αριθμόν ένα κίνδυνο για την υποβάθμιση των καλλιεργειών και την απώλεια εισοδήματος των αγροτών. Συμπερασματικά, η μελέτη αποδεικνύει ότι η ενσωμάτωση δορυφορικών παρατηρήσεων με προηγμένη μηχανική μάθηση είναι καθοριστικής σημασίας σε περιοχές όπου απουσιάζουν εκτεταμένα δεδομένα πεδίου, δίνοντας στους υπεύθυνους χάραξης πολιτικής τα απαραίτητα στοιχεία για να προωθήσουν έργα μετριασμού της αλατότητας και να θωρακίσουν την επισιτιστική ασφάλεια.

[[category:Εκτίμηση παραγωγής/Απόδοση]]

Αρχείο:Rs wiki ILIKA.png

2026-02-27T15:45:17Z

APOSTOLOU KYRIAKI: ανέβασμα νέας έκδοσης του "Αρχείο:Rs wiki ILIKA.png"

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

2026-02-27T15:34:22Z

APOSTOLOU KYRIAKI:

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

[[ Εικόνα: Rs_wiki_SINOPSI.png‎ | thumb | right | Εικόνα 1: Χάρτης της περιοχής μελέτης. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''1. Σύνοψη '''

Σκοπός της παρούσας μελέτης είναι η ταχεία χαρτογράφηση της χωρικής και χρονικής κατανομής των πλημμυρικών υδάτων και η εκτίμηση των ζημιών που υπέστησαν οι κύριες καλλιέργειες. Η παρούσα μελέτη επικεντρώνεται στην καταιγίδα «7.27», η οποία έπληξε την πόλη Zhuozhou και τις γύρω περιοχές στην επαρχία Hebei το 2023, προκαλώντας σοβαρά προβλήματα και επισιτιστική ανασφάλεια. Ο στόχος της παρούσας μελέτης είναι να επιτύχει μια μέθοδο για τον προσδιορισμό των υδάτινων σωμάτων συνδυάζοντας ζώνες διπλής πόλωσης για δεδομένα συνθετικού ραντάρ ανοικτού διαφράγματος (SAR). Αυτή η προσέγγιση προτείνεται για την επίλυση των διαφορών στον προσδιορισμό των χαρακτηριστικών που οφείλονται σε διαφορετικούς τρόπους πόλωσης. Ταυτόχρονα, χρησιμοποιούνται οπτικά δεδομένα για την κατηγοριοποίηση των ζημιών, δημιουργώντας έτσι ένα υπολογιστικό πλαίσιο που λειτουργεί ως σημείο αναφοράς για την αποκατάσταση μετά την καταστροφή και την εκτίμηση του κινδύνου.

[[ Εικόνα: Rs_wiki_ILIKA.png‎ | thumb | right | Εικόνα 2: (a-c) δεδομένα από GF-3SAR. (b) δεδομένα από GF-6. (e) δεδομένα από Landsat-8 (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''2. Υλικά'''

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

'''3. Μεθοδολογία'''

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

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

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

'''4. Αποτελέσματα'''

'''''4.1. Χαρτογράφηση πλημμυρών''''

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

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

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

[[ Εικόνα: Rs_wiki_EKTIMISIZIMION.png | thumb | right | Εικόνα 3: Χωρική θέση των καλλιεργειών που επλήγησαν από τις πλημμύρες. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''''4.3. Εκτίμηση ζημιών'''''

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

'''5. Συμπέρασμα'''

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

[[category:Εκτίμηση καταστροφών από πλημμύρες]]

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

2026-02-27T15:28:47Z

APOSTOLOU KYRIAKI:

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

[[ Εικόνα: Rs_wiki_SINOPSI.png‎ | thumb | right | Εικόνα 1: Χάρτης της περιοχής μελέτης. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''1. Σύνοψη '''

Σκοπός της παρούσας μελέτης είναι η ταχεία χαρτογράφηση της χωρικής και χρονικής κατανομής των πλημμυρικών υδάτων και η εκτίμηση των ζημιών που υπέστησαν οι κύριες καλλιέργειες. Η παρούσα μελέτη επικεντρώνεται στην καταιγίδα «7.27», η οποία έπληξε την πόλη Zhuozhou και τις γύρω περιοχές στην επαρχία Hebei το 2023, προκαλώντας σοβαρά προβλήματα και επισιτιστική ανασφάλεια. Ο στόχος της παρούσας μελέτης είναι να επιτύχει μια μέθοδο για τον προσδιορισμό των υδάτινων σωμάτων συνδυάζοντας ζώνες διπλής πόλωσης για δεδομένα συνθετικού ραντάρ ανοικτού διαφράγματος (SAR). Αυτή η προσέγγιση προτείνεται για την επίλυση των διαφορών στον προσδιορισμό των χαρακτηριστικών που οφείλονται σε διαφορετικούς τρόπους πόλωσης. Ταυτόχρονα, χρησιμοποιούνται οπτικά δεδομένα για την κατηγοριοποίηση των ζημιών, δημιουργώντας έτσι ένα υπολογιστικό πλαίσιο που λειτουργεί ως σημείο αναφοράς για την αποκατάσταση μετά την καταστροφή και την εκτίμηση του κινδύνου.

[[ Εικόνα: Rs_wiki_ILIKA.png‎ | thumb | right | Εικόνα 2: Χωρική θέση των καλλιεργειών που επλήγησαν από τις πλημμύρες. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''2. Υλικά'''

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

'''3. Μεθοδολογία'''

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

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

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

'''4. Αποτελέσματα'''

'''''4.1. Χαρτογράφηση πλημμυρών''''

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

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

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

[[ Εικόνα: Rs_wiki_EKTIMISIZIMION.png | thumb | right | Εικόνα 3: Χωρική θέση των καλλιεργειών που επλήγησαν από τις πλημμύρες. (πηγή: https://www.mdpi.com/2072-4292/17/5/904) ]]

'''''4.3. Εκτίμηση ζημιών'''''

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

'''5. Συμπέρασμα'''

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

[[category:Εκτίμηση καταστροφών από πλημμύρες]]

Αρχείο:Rs wiki ILIKA.png

2026-02-27T15:24:09Z

APOSTOLOU KYRIAKI: ανέβασμα νέας έκδοσης του "Αρχείο:Rs wiki ILIKA.png"