<?xml version="1.0"?>
<?xml-stylesheet type="text/css" href="http://147.102.106.44/rs/wiki/skins/common/feed.css?270"?>
<feed xmlns="http://www.w3.org/2005/Atom" xml:lang="el">
		<id>http://147.102.106.44/rs/wiki/index.php?feed=atom&amp;target=Andronis&amp;title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82</id>
		<title>RemoteSensing Wiki - Συνεισφορές χρήστη [el]</title>
		<link rel="self" type="application/atom+xml" href="http://147.102.106.44/rs/wiki/index.php?feed=atom&amp;target=Andronis&amp;title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82"/>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C:%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82/Andronis"/>
		<updated>2026-04-15T03:12:38Z</updated>
		<subtitle>Από RemoteSensing Wiki</subtitle>
		<generator>MediaWiki 1.16.2</generator>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%80%CE%BF%CF%83%CF%84%CF%8C%CE%BB%CE%BF%CF%85-%CE%9A%CE%AC%CF%83%CE%B4%CE%B1%CE%B3%CE%BB%CE%B7_%CE%9A%CF%85%CF%81%CE%B9%CE%B1%CE%BA%CE%AE</id>
		<title>Αποστόλου-Κάσδαγλη Κυριακή</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%80%CE%BF%CF%83%CF%84%CF%8C%CE%BB%CE%BF%CF%85-%CE%9A%CE%AC%CF%83%CE%B4%CE%B1%CE%B3%CE%BB%CE%B7_%CE%9A%CF%85%CF%81%CE%B9%CE%B1%CE%BA%CE%AE"/>
				<updated>2026-03-01T17:18:19Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Νέα σελίδα με '* [[Χαρτογράφηση πλημμυρών και εκτίμηση ζημιών σε καλλιέργειες με χρήση τηλεπισκόπησης πολλα...'&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;* [[Χαρτογράφηση πλημμυρών και εκτίμηση ζημιών σε καλλιέργειες με χρήση τηλεπισκόπησης πολλαπλών πηγών]]&lt;br /&gt;
* [[Αξιοποίηση Μηχανικής Μάθησης και Τηλεπισκόπησης για την Αξιολόγηση Επιπτώσεων της Αλατότητας, Νιτρικών και Υγρασίας στις Καλλιέργειες]]&lt;br /&gt;
* [[Εκτίμηση της Πίεσης Βόσκησης από Χρονοσειρές Δορυφορικών Δεδομένων Χωρίς Εξάρτηση Από τη Συνολική Παραγωγή]]&lt;br /&gt;
* [[Ταξινόμηση καλλιεργήσιμων εκτάσεων και τύπων καλλιεργειών με χρονοσειρές δορυφόρων Sentinel για τη γεωργική παρακολούθηση στην Αιθιοπία]]&lt;br /&gt;
* [[Ενίσχυση της ακρίβειας χαρτογράφησης των πλημμυρισμένων περιοχών με χρήση προηγμένης επεξεργασίας δεδομένων SAR]]&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A4%CF%83%CE%B1%CE%BA%CF%8C%CE%BD%CE%B9_%CE%A7%CE%AD%CE%BB%CE%B3%CE%BA%CE%B1_-_%CE%95%CE%BB%CE%AD%CE%BD%CE%B7</id>
		<title>Τσακόνι Χέλγκα - Ελένη</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A4%CF%83%CE%B1%CE%BA%CF%8C%CE%BD%CE%B9_%CE%A7%CE%AD%CE%BB%CE%B3%CE%BA%CE%B1_-_%CE%95%CE%BB%CE%AD%CE%BD%CE%B7"/>
				<updated>2026-02-15T11:13:59Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;* [[Αναγνώριση θαλάσσιας ρύπανσης από πετρελαιοκηλίδες με τη χρήση υπερφασματικής και θερμικής υπέρυθρης τηλεπισκόπησης]]&lt;br /&gt;
* [[Τηλεπισκοπικός δείκτης για την ανίχνευση πολλαπλών τύπων ανωμαλιών στην ποιότητα των υδάτων σε σύνθετα γεωγραφικά περιβάλλοντα]]&lt;br /&gt;
* [[Έγκαιρη χαρτογράφηση πλημμυρών με την εφαρμογή της τεχνικής RST σε δεδομένα SAR]]&lt;br /&gt;
* [[Χωροθέτηση ΧΥΤΑ με τη χρήση τηλεπισκόπησης και GIS στην περιοχή Sanliurfa του έργου GAP, Tουρκία]]&lt;br /&gt;
* [[Γεωμορφολογική χαρτογράφηση βασισμένη σε δεδομένα GIS και τηλεπισκόπησης: ένα παράδειγμα από την Jena, Γερμανία]]&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα)]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B1%CF%81%CE%AF%CE%BD%CE%B1_%CE%9B%CE%B9%CF%8C%CE%BB%CE%B9%CE%BF%CF%85</id>
		<title>Μαρίνα Λιόλιου</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B1%CF%81%CE%AF%CE%BD%CE%B1_%CE%9B%CE%B9%CF%8C%CE%BB%CE%B9%CE%BF%CF%85"/>
				<updated>2026-02-15T10:30:42Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Η Μαρίνα Λιόλιου μετακινήθηκε στη θέση Λιόλιου Μαρίνα&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;#ΑΝΑΚΑΤΕΥΘΥΝΣΗ [[Λιόλιου Μαρίνα]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9B%CE%B9%CF%8C%CE%BB%CE%B9%CE%BF%CF%85_%CE%9C%CE%B1%CF%81%CE%AF%CE%BD%CE%B1</id>
		<title>Λιόλιου Μαρίνα</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9B%CE%B9%CF%8C%CE%BB%CE%B9%CE%BF%CF%85_%CE%9C%CE%B1%CF%81%CE%AF%CE%BD%CE%B1"/>
				<updated>2026-02-15T10:30:42Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Η Μαρίνα Λιόλιου μετακινήθηκε στη θέση Λιόλιου Μαρίνα&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;# [[Βελτιωμένη εκτίμηση της επιφανειακής ηλιακής ακτινοβολίας με χρήση δορυφορικών δεδομένων και εξαγωγής χαρακτηριστικών]]&lt;br /&gt;
# [[Χαρτογράφηση καμένων περιοχών στην Ταϊλάνδη με εικόνες Sentinel-2 και τεχνικές Object-Based Image Analysis]]&lt;br /&gt;
# [[Δορυφορική Τηλεπισκόπηση της Παγκόσμιας Θερμοκρασίας Επιφάνειας Εδάφους&amp;amp;#58; Ορισμός, Μέθοδοι, Προϊόντα και Εφαρμογές]]&lt;br /&gt;
# [[Εκτίμηση της εκπεμπτικότητας της επιφάνειας εδάφους από δορυφορικά δεδομένα]]&lt;br /&gt;
# [[Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα)]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/The_Potential_of_Multi-Sensor_Remote_Sensing_Mineral_Exploration:_Examples_from_Southern_Africa</id>
		<title>The Potential of Multi-Sensor Remote Sensing Mineral Exploration: Examples from Southern Africa</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/The_Potential_of_Multi-Sensor_Remote_Sensing_Mineral_Exploration:_Examples_from_Southern_Africa"/>
				<updated>2026-02-10T09:47:01Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των R. Booysen, R. Gloaguen, S. Lorenz, R. Zimmermann, L. Andreani και P. A. M. Nex, που παρουσιάστηκε στο IGARSS 2019, εξετάζει τη χρήση πολυαισθητήριας τηλεπισκόπησης (multi-sensor remote sensing) για την εξερεύνηση μεταλλευμάτων σε απομακρυσμένες και δυσπρόσιτες περιοχές της Νότιας Αφρικής. Οι συγγραφείς προτείνουν νέες μεθοδολογίες εξερεύνησης κρίσιμων ορυκτών πόρων, αξιοποιώντας δορυφορικά, εναέρια, UAV (drones) και επίγεια δεδομένα.&lt;br /&gt;
&lt;br /&gt;
Η έρευνα επικεντρώνεται σε REEs (Σπάνιες Γαίες), κασσίτερο (Sn) και ψευδάργυρο (Zn), λόγω της σημασίας τους για την τεχνολογική βιομηχανία (π.χ. ηλεκτρονικές συσκευές, τουρμπίνες, φωτοβολταϊκά συστήματα). Οι συγγραφείς υποστηρίζουν ότι η χρήση πολυφασματικής και υπερφασματικής τηλεπισκόπησης αντιμετωπίζει τις προκλήσεις των παραδοσιακών γεωλογικών ερευνών, όπως η δυσκολία πρόσβασης, το υψηλό κόστος και οι κοινωνικές αντιδράσεις.&lt;br /&gt;
&lt;br /&gt;
1. Εισαγωγή – Η Ανάγκη για Νέες Μεθόδους Μεταλλευτικής Εξερεύνησης&lt;br /&gt;
&lt;br /&gt;
Η αυξανόμενη ζήτηση για κρίσιμα ορυκτά υλικά (π.χ. REEs, Sn, Zn) απαιτεί καινοτόμες προσεγγίσεις για τον εντοπισμό και την εξόρυξή τους. Οι παραδοσιακές μέθοδοι βασίζονται σε εκτεταμένες γεωλογικές εργασίες πεδίου και γεωφυσικές μετρήσεις, αλλά συχνά:&lt;br /&gt;
&lt;br /&gt;
Είναι χρονοβόρες και δαπανηρές.&lt;br /&gt;
Περιορίζονται από τοπικούς κοινωνικούς και περιβαλλοντικούς κανονισμούς.&lt;br /&gt;
Αντιμετωπίζουν προβλήματα πρόσβασης σε απομακρυσμένες περιοχές.&lt;br /&gt;
Οι συγγραφείς προτείνουν πολυαισθητήρια τηλεπισκόπηση, που συνδυάζει διαφορετικές τεχνολογίες παρατήρησης της Γης για μη επεμβατική και αποδοτικότερη εξερεύνηση.&lt;br /&gt;
&lt;br /&gt;
2. Μεθοδολογία – Πολυαισθητήρια Τηλεπισκόπηση&lt;br /&gt;
&lt;br /&gt;
Οι ερευνητές προτείνουν ένα πολυεπίπεδο σύστημα συλλογής δεδομένων, που βασίζεται στη μετάβαση από χαμηλή σε υψηλή ανάλυση:&lt;br /&gt;
&lt;br /&gt;
Δορυφορικά δεδομένα (χαμηλή ανάλυση) – αρχικός εντοπισμός πιθανών μεταλλευτικών ζωνών.&lt;br /&gt;
Αερομεταφερόμενα δεδομένα (μέση ανάλυση) – λεπτομερής χαρτογράφηση πιθανών κοιτασμάτων.&lt;br /&gt;
UAV (drones) (υψηλή ανάλυση) – λεπτομερής χαρτογράφηση μικρής κλίμακας.&lt;br /&gt;
Επίγειες μετρήσεις – επιβεβαίωση των αποτελεσμάτων μέσω γεωλογικών δειγματοληψιών.&lt;br /&gt;
Η συγκεκριμένη προσέγγιση μειώνει το κόστος των ερευνών και βελτιώνει την ακρίβεια των χαρτογραφήσεων.&lt;br /&gt;
&lt;br /&gt;
2.1 Αισθητήρες και Πλατφόρμες&lt;br /&gt;
&lt;br /&gt;
Οι ερευνητές χρησιμοποίησαν διαφορετικές πλατφόρμες και αισθητήρες:&lt;br /&gt;
&lt;br /&gt;
Δορυφορικοί αισθητήρες: Landsat, Sentinel-2 (πολυφασματική ανάλυση).&lt;br /&gt;
Αερομεταφερόμενοι αισθητήρες: Υπερφασματικοί αισθητήρες σε αεροσκάφη.&lt;br /&gt;
UAV (Drones): Hyperspectral Rikola Imager και RGB κάμερες για φωτογραμμετρική χαρτογράφηση.&lt;br /&gt;
Επίγειοι αισθητήρες: Hyperspectral Telops Hyper-Cam (SWIR και LWIR για υπέρυθρη χαρτογράφηση).&lt;br /&gt;
Αυτή η πολυαισθητήρια προσέγγιση γεφυρώνει το κενό μεταξύ της δορυφορικής και της επίγειας χαρτογράφησης, επιτρέποντας ακριβέστερες προβλέψεις για την τοποθεσία των κοιτασμάτων.&lt;br /&gt;
&lt;br /&gt;
3. Αποτελέσματα και Ανάλυση&lt;br /&gt;
&lt;br /&gt;
3.1 Στοχευμένη Εξερεύνηση στη Νότια Αφρική&lt;br /&gt;
&lt;br /&gt;
Η ερευνητική ομάδα χρησιμοποίησε πολυφασματικά δεδομένα από Sentinel-2 για την αρχική ανίχνευση ανθρακικών κοιτασμάτων (carbonatite bodies) στη Νότια Ναμίμπια. Με την εφαρμογή μηχανικής μάθησης (Support Vector Machines - SVM) εντόπισαν πιθανές μεταλλοφόρες περιοχές, οι οποίες επιβεβαιώθηκαν με αερομεταφερόμενα υπερφασματικά δεδομένα.&lt;br /&gt;
&lt;br /&gt;
Οι αναλύσεις επέτρεψαν τη χαρτογράφηση διαφορετικών τύπων ανθρακικών ορυκτών (Calcio-, Ferro-, Magnesio-carbonatites), τα οποία περιέχουν ποικίλες ποσότητες Σπανίων Γαιών (REEs).&lt;br /&gt;
&lt;br /&gt;
3.2 Ανίχνευση Σπάνιων Γαιών με UAV&lt;br /&gt;
&lt;br /&gt;
Μετά την αρχική χαρτογράφηση, η ομάδα χρησιμοποίησε UAV με υπερφασματικούς αισθητήρες για λεπτομερή ανάλυση των γεωλογικών σχηματισμών. Τα δεδομένα UAV συνδυάστηκαν με Ψηφιακά Μοντέλα Εδάφους (DEM) και αναλύσεις μορφομετρίας, αποκαλύπτοντας μικρές δομές, όπως ρηξιγενείς ζώνες που σχετίζονται με μεταλλοφόρα κοιτάσματα.&lt;br /&gt;
&lt;br /&gt;
Όλα τα τηλεπισκοπικά δεδομένα επικυρώθηκαν μέσω δειγματοληψίας πεδίου και εργαστηριακών γεωχημικών αναλύσεων.&lt;br /&gt;
&lt;br /&gt;
4. Συμπεράσματα&lt;br /&gt;
&lt;br /&gt;
Η μελέτη καταλήγει στα εξής κύρια συμπεράσματα:&lt;br /&gt;
&lt;br /&gt;
Η πολυαισθητήρια τηλεπισκόπηση είναι ένα αποτελεσματικό εργαλείο για την εξερεύνηση κρίσιμων ορυκτών&lt;br /&gt;
&lt;br /&gt;
Επιτρέπει τον εντοπισμό μεταλλευτικών ζωνών σε δυσπρόσιτες περιοχές.&lt;br /&gt;
Μειώνει το κόστος και τον χρόνο των ερευνών, σε σύγκριση με τις παραδοσιακές γεωλογικές μεθόδους.&lt;br /&gt;
Ο συνδυασμός δορυφορικών, UAV και επίγειων δεδομένων αυξάνει την ακρίβεια της χαρτογράφησης&lt;br /&gt;
&lt;br /&gt;
Η προσέγγιση πολλαπλών επιπέδων καλύπτει διαφορετικές κλίμακες ανάλυσης, από μακροσκοπική (δορυφορική) έως μικροσκοπική (UAV).&lt;br /&gt;
Οι τεχνικές μηχανικής μάθησης (SVM, Random Forest) βοηθούν στην ταξινόμηση των δεδομένων.&lt;br /&gt;
Η χρήση UAV με υπερφασματικούς αισθητήρες βελτιώνει την ικανότητα χαρτογράφησης των REEs&lt;br /&gt;
&lt;br /&gt;
Τα δεδομένα UAV επέτρεψαν την αναγνώριση ανθρακικών ορυκτών σε εξαιρετικά λεπτομερή κλίμακα.&lt;br /&gt;
Η πολυαισθητήρια προσέγγιση μπορεί να οδηγήσει σε πιο βιώσιμες πρακτικές εξόρυξης&lt;br /&gt;
&lt;br /&gt;
Η μη επεμβατική φύση της τηλεπισκόπησης μειώνει τον περιβαλλοντικό αντίκτυπο της εξερεύνησης.&lt;br /&gt;
Η έρευνα προτείνει περαιτέρω δοκιμές σε διαφορετικά γεωλογικά περιβάλλοντα και τη χρήση αλγορίθμων AI για την αυτοματοποίηση της χαρτογράφησης των κοιτασμάτων.&lt;br /&gt;
&lt;br /&gt;
Η πολυαισθητήρια τηλεπισκόπηση αναδεικνύεται ως μια από τις πιο καινοτόμες και βιώσιμες τεχνολογίες για την εξόρυξη κρίσιμων ορυκτών πόρων.&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Supporting_Global_Environmental_Change_Research:_A_Review_of_Trends_and_Knowledge_Gaps_in_Urban_Remote_Sensing</id>
		<title>Supporting Global Environmental Change Research: A Review of Trends and Knowledge Gaps in Urban Remote Sensing</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Supporting_Global_Environmental_Change_Research:_A_Review_of_Trends_and_Knowledge_Gaps_in_Urban_Remote_Sensing"/>
				<updated>2026-02-10T09:46:44Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των Elizabeth A. Wentz, Sharolyn Anderson, Michail Fragkias, Maik Netzband, Victor Mesev, Soe W. Myint, Dale Quattrochi, Atiqur Rahman και Karen C. Seto, που δημοσιεύτηκε στο Remote Sensing το 2014, εξετάζει τη χρήση τηλεπισκόπησης (remote sensing) στην έρευνα των παγκόσμιων περιβαλλοντικών αλλαγών, εστιάζοντας στον αστικό χώρο. Η μελέτη παρέχει μια συνολική ανασκόπηση των σύγχρονων τεχνολογιών τηλεπισκόπησης που χρησιμοποιούνται για την κατανόηση του αντίκτυπου της αστικοποίησης στις περιβαλλοντικές μεταβολές, υποστηρίζοντας τη χάραξη πολιτικής και την επιστημονική έρευνα.&lt;br /&gt;
&lt;br /&gt;
Μεθοδολογία και Προσέγγιση της Έρευνας&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς εξετάζουν πώς οι τεχνικές τηλεπισκόπησης συμβάλλουν στη συλλογή γεωχωρικών δεδομένων υψηλής ανάλυσης για την κατανόηση των βιοφυσικών, κοινωνικών και οικονομικών πτυχών των αστικών περιοχών. Το άρθρο βασίζεται σε τρεις βασικούς άξονες ανάλυσης:&lt;br /&gt;
&lt;br /&gt;
Χαρτογράφηση (Mapping): Καταγραφή του αστικού περιβάλλοντος μέσω τηλεπισκοπικών δεδομένων.&lt;br /&gt;
Δείκτες (Indices): Χρήση τηλεπισκοπικών τεχνικών για τη δημιουργία δεικτών περιβαλλοντικών και κοινωνικών μεταβλητών.&lt;br /&gt;
Μοντελοποίηση (Modeling): Χρήση χαρτογραφικών και τηλεπισκοπικών δεδομένων ως είσοδοι σε μοντέλα πρόβλεψης για τις περιβαλλοντικές αλλαγές.&lt;br /&gt;
Η μελέτη υποστηρίζει ότι η τηλεπισκόπηση επιτρέπει μια χωρική και συνοπτική ανάλυση που δεν είναι εφικτή με τις παραδοσιακές μεθόδους καταγραφής δεδομένων, όπως οι πληθυσμιακές απογραφές και οι επιτόπιες έρευνες.&lt;br /&gt;
&lt;br /&gt;
Βασικά Ευρήματα και Θεματικές Ενότητες&lt;br /&gt;
&lt;br /&gt;
1. Χαρτογράφηση Αστικών Περιοχών&lt;br /&gt;
&lt;br /&gt;
Η τηλεπισκόπηση χρησιμοποιείται για την καταγραφή κρίσιμων περιβαλλοντικών μεταβλητών, όπως:&lt;br /&gt;
&lt;br /&gt;
Αστική επέκταση: Χρήση δεδομένων από δορυφόρους, όπως Landsat, IKONOS, SPOT και Synthetic Aperture Radar (SAR), για την αναγνώριση των ορίων των πόλεων και των προαστίων.&lt;br /&gt;
Αλλαγές στη χρήση γης: Ανάλυση της μετατροπής φυσικών περιοχών σε αστικά περιβάλλοντα.&lt;br /&gt;
Πληθυσμιακή κατανομή: Συσχετισμός δορυφορικών δεδομένων με δημογραφικά στοιχεία.&lt;br /&gt;
Ατμοσφαιρικοί ρύποι και ποιότητα αέρα: Χρήση δεδομένων από MODIS και MOPITT για τη χαρτογράφηση της συγκέντρωσης ρύπων, όπως CO και NO₂.&lt;br /&gt;
2. Δείκτες Αστικού Περιβάλλοντος&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς εξετάζουν τη χρήση τηλεπισκοπικών δεικτών που επιτρέπουν τη σύγκριση του αστικού περιβάλλοντος σε διαφορετικές περιοχές και χρονικές περιόδους:&lt;br /&gt;
&lt;br /&gt;
Βιοφυσικοί δείκτες:&lt;br /&gt;
Δείκτης Βλάστησης NDVI (Normalized Difference Vegetation Index): Εκτίμηση της φυτικής κάλυψης και της σχέσης της με την ποιότητα ζωής.&lt;br /&gt;
Δείκτης Αστικού Δομημένου Περιβάλλοντος (NDBI - Normalized Difference Built-up Index): Αποτύπωση της αστικής ανάπτυξης.&lt;br /&gt;
Δείκτης Διαφοράς Νερού (NDWI - Normalized Difference Water Index): Χρήση για τη μέτρηση της διαθέσιμης υγρασίας σε αστικές περιοχές.&lt;br /&gt;
Κοινωνικοοικονομικοί δείκτες:&lt;br /&gt;
Συσχετισμός δορυφορικών δεδομένων με οικονομικούς δείκτες, όπως το ΑΕΠ (GDP) μέσω των δορυφορικών δεδομένων νυχτερινού φωτισμού (DMSP-OLS Nighttime Lights).&lt;br /&gt;
Χρήση δεδομένων τηλεπισκόπησης για την ανάλυση αστικής φτώχειας και ανισοτήτων.&lt;br /&gt;
3. Μοντελοποίηση Περιβαλλοντικών και Κοινωνικών Διαδικασιών&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς εξετάζουν τη χρήση των τηλεπισκοπικών δεδομένων για τη δημιουργία προγνωστικών μοντέλων που σχετίζονται με:&lt;br /&gt;
&lt;br /&gt;
Το αστικό κλίμα και το φαινόμενο της θερμικής νησίδας (Urban Heat Island - UHI):&lt;br /&gt;
Χρήση θερμικών εικόνων από Landsat, MODIS και ASTER για τη μέτρηση των διαφορών θερμοκρασίας στις αστικές περιοχές.&lt;br /&gt;
Την αστική υδρολογία και την ποιότητα του νερού:&lt;br /&gt;
Ανάλυση των αλλαγών στην απορροή των υδάτων λόγω της αύξησης των αδιαπέρατων επιφανειών (άσφαλτος, σκυρόδεμα).&lt;br /&gt;
Την προσομοίωση της αστικής επέκτασης:&lt;br /&gt;
Ενσωμάτωση τηλεπισκοπικών δεδομένων σε μοντέλα αστικής ανάπτυξης.&lt;br /&gt;
Τη μοντελοποίηση των κοινωνικοοικονομικών συνθηκών:&lt;br /&gt;
Χρήση τηλεπισκοπικών δεδομένων για την πρόβλεψη των επιπτώσεων της αστικοποίησης στη δημόσια υγεία, την ποιότητα ζωής και τις περιβαλλοντικές ανισότητες.&lt;br /&gt;
Γνώση που Λείπει και Προτάσεις για Μελλοντική Έρευνα&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς τονίζουν ότι, παρά τις προόδους στην τηλεπισκόπηση, υπάρχουν ακόμη κενά γνώσης που πρέπει να καλυφθούν:&lt;br /&gt;
&lt;br /&gt;
Αντιστοίχιση τηλεπισκοπικών δεδομένων με κοινωνικοοικονομικές μεταβλητές: Υπάρχουν προκλήσεις στη σύνδεση των δορυφορικών δεδομένων με πληθυσμιακές και οικονομικές στατιστικές.&lt;br /&gt;
Περιορισμοί ανάλυσης δεδομένων: Παρότι υπάρχουν δορυφορικές εικόνες υψηλής ανάλυσης, η διαχείριση και η ανάλυσή τους απαιτούν εξειδικευμένους αλγόριθμους και τεχνολογίες.&lt;br /&gt;
Ανάγκη για καλύτερη ενοποίηση δεδομένων από διαφορετικές πηγές: Χρειάζεται συνδυασμός δορυφορικών δεδομένων με δεδομένα από μέσα κοινωνικής δικτύωσης, GPS και crowd-sourced πληροφορίες για πιο ακριβή μοντέλα.&lt;br /&gt;
Προκλήσεις στην πρόβλεψη της αστικής ανάπτυξης: Τα περισσότερα μοντέλα βασίζονται σε ιστορικά δεδομένα και δεν λαμβάνουν υπόψη μελλοντικές τεχνολογικές ή πολιτικές αλλαγές.&lt;br /&gt;
Συμπέρασμα&lt;br /&gt;
&lt;br /&gt;
Το άρθρο υποστηρίζει ότι η τηλεπισκόπηση αποτελεί θεμελιώδες εργαλείο για την κατανόηση των παγκόσμιων περιβαλλοντικών αλλαγών, ιδιαίτερα όσον αφορά την επίδραση της αστικοποίησης στο περιβάλλον. Προτείνει τη συνδυασμένη χρήση τηλεπισκοπικών δεδομένων με κοινωνικοοικονομικά μοντέλα για μια πληρέστερη και πολυδιάστατη ανάλυση της σχέσης πόλεων και περιβάλλοντος.&lt;br /&gt;
&lt;br /&gt;
Η μελλοντική έρευνα θα πρέπει να επικεντρωθεί στη βελτίωση των τεχνικών ανάλυσης δεδομένων, στην ενοποίηση πληροφοριών από διαφορετικές πηγές και στη δημιουργία ακριβέστερων μοντέλων πρόβλεψης, ώστε η επιστήμη και οι υπεύθυνοι χάραξης πολιτικής να μπορούν να σχεδιάσουν αποτελεσματικές παρεμβάσεις για βιώσιμη αστική ανάπτυξη.&lt;br /&gt;
&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Sensing_What%E2%80%99s_New:_Considering_Ethics_When_Using_Sensor_Data_in_Journalistic_Practices</id>
		<title>Sensing What’s New: Considering Ethics When Using Sensor Data in Journalistic Practices</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Sensing_What%E2%80%99s_New:_Considering_Ethics_When_Using_Sensor_Data_in_Journalistic_Practices"/>
				<updated>2026-02-10T09:46:22Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των Francesca Morini, Marian Dörk και Ester Appelgren, που δημοσιεύτηκε στο Digital Journalism, διερευνά τις ηθικές προκλήσεις που προκύπτουν από τη χρήση δεδομένων αισθητήρων (sensor data) στη δημοσιογραφική πρακτική. Οι συγγραφείς εξετάζουν τον ρόλο της sensor journalism, δηλαδή της δημοσιογραφικής πρακτικής που βασίζεται στη συλλογή δεδομένων μέσω αισθητήρων, και πώς αυτή επαναπροσδιορίζει τις επαγγελματικές ηθικές αξίες των δημοσιογράφων δεδομένων.&lt;br /&gt;
&lt;br /&gt;
Η μελέτη βασίζεται σε συνεντεύξεις και εργαστήρια με δημοσιογράφους δεδομένων και ακαδημαϊκούς, αποκαλύπτοντας πώς οι δημοσιογράφοι ενσωματώνουν και επαναξιολογούν ηθικές αξίες καθώς προσαρμόζουν τη δουλειά τους στη χρήση αισθητήρων.&lt;br /&gt;
&lt;br /&gt;
Μεθοδολογία και Θεωρητικό Πλαίσιο&lt;br /&gt;
&lt;br /&gt;
Η έρευνα εξετάζει:&lt;br /&gt;
&lt;br /&gt;
Πώς οι δημοσιογράφοι εφαρμόζουν ηθικές αρχές κατά τη χρήση δεδομένων αισθητήρων.&lt;br /&gt;
Τις αναδυόμενες ηθικές ανησυχίες που προκύπτουν από τη χρήση αισθητήρων στη δημοσιογραφία.&lt;br /&gt;
Τη σχέση τεχνολογίας και δημοσιογραφίας και πώς η εισαγωγή αισθητήρων αλλάζει τους ηθικούς κανόνες του επαγγέλματος.&lt;br /&gt;
Η μεθοδολογία βασίζεται στη θεωρία του Value-Sensitive Design (VSD), που προτείνει ότι οι τεχνολογίες πρέπει να σχεδιάζονται λαμβάνοντας υπόψη θεμελιώδεις ανθρώπινες αξίες. Μέσω συνεντεύξεων και εργαστηρίων, οι συγγραφείς εξετάζουν πώς οι δημοσιογράφοι προσαρμόζουν τις ηθικές τους αρχές όταν χρησιμοποιούν αισθητήρες για τη συλλογή δεδομένων.&lt;br /&gt;
&lt;br /&gt;
Κύρια Ευρήματα και Ανάλυση&lt;br /&gt;
&lt;br /&gt;
1. Οι αισθητήρες ως εργαλείο δημοσιογραφίας&lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες έχουν υιοθετηθεί από τους δημοσιογράφους δεδομένων για τη συλλογή περιβαλλοντικών, υγειονομικών και προσωπικών δεδομένων. Οι βασικοί τομείς εφαρμογής περιλαμβάνουν:&lt;br /&gt;
&lt;br /&gt;
Μέτρηση ρύπανσης (αέρα, νερού, εδάφους).&lt;br /&gt;
Ανάλυση δεδομένων από wearables (π.χ. smartwatches) για την καταγραφή φυσιολογικών αντιδράσεων.&lt;br /&gt;
Καταγραφή κοινωνικών και πολιτικών φαινομένων (π.χ. επιπτώσεις διαδηλώσεων στο άγχος των συμμετεχόντων).&lt;br /&gt;
Ωστόσο, οι αισθητήρες επαναπροσδιορίζουν την έννοια των πηγών στη δημοσιογραφία, καθώς οι πολίτες μετατρέπονται από πληροφοριοδότες σε ενεργούς παραγωγούς δεδομένων.&lt;br /&gt;
&lt;br /&gt;
2. Οι Ηθικές Αντιπαραθέσεις της Sensor Journalism&lt;br /&gt;
&lt;br /&gt;
Η χρήση δεδομένων αισθητήρων δημιουργεί νέες ηθικές ανησυχίες:&lt;br /&gt;
&lt;br /&gt;
Ιδιωτικότητα (Privacy): Τα προσωπικά δεδομένα που συλλέγονται από αισθητήρες μπορεί να εκθέσουν ιδιωτικές πληροφορίες των ατόμων.&lt;br /&gt;
Διαφάνεια (Transparency): Οι δημοσιογράφοι πρέπει να εξηγούν πώς συλλέγουν και χρησιμοποιούν τα δεδομένα.&lt;br /&gt;
Αλήθεια (Truthfulness): Οι αισθητήρες μπορεί να καταγράφουν αντικειμενικά δεδομένα, αλλά η ερμηνεία τους μπορεί να είναι προβληματική.&lt;br /&gt;
Διαφορετικότητα (Diversity): Οι αισθητήρες δεν λειτουργούν το ίδιο για όλους, καθώς διαφορετικοί άνθρωποι και κοινωνικές ομάδες έχουν διαφορετικές φυσιολογικές αντιδράσεις.&lt;br /&gt;
Σεβασμός (Respect): Οι δημοσιογράφοι πρέπει να διασφαλίζουν ότι οι πολίτες κατανοούν πώς χρησιμοποιούνται τα δεδομένα τους.&lt;br /&gt;
Οι συμμετέχοντες στην έρευνα υποστήριξαν ότι η δημοσιογραφία δεδομένων βασίζεται περισσότερο στην τεχνολογία και τις μεθοδολογίες ανάλυσης δεδομένων, παρά στις παραδοσιακές δημοσιογραφικές τεχνικές, γεγονός που οδηγεί σε απομάκρυνση από τα κλασικά ηθικά πρωτόκολλα.&lt;br /&gt;
&lt;br /&gt;
Τάσεις και Προκλήσεις&lt;br /&gt;
&lt;br /&gt;
1. Η Απουσία Θεσμοθετημένων Ηθικών Κανόνων&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς επισημαίνουν ότι δεν υπάρχει σαφής ηθικός κώδικας για τη χρήση δεδομένων αισθητήρων στη δημοσιογραφία. Οι εθνικοί και εταιρικοί δημοσιογραφικοί κώδικες επικεντρώνονται στην αλήθεια, την ακρίβεια και την προστασία των πηγών, αλλά δεν καλύπτουν πλήρως την ηθική διάσταση της τεχνολογίας αισθητήρων.&lt;br /&gt;
&lt;br /&gt;
2. Σύγκρουση μεταξύ Παράδοσης και Καινοτομίας&lt;br /&gt;
&lt;br /&gt;
Οι δημοσιογράφοι δεδομένων βλέπουν τη δουλειά τους ως εν μέρει συμβατή και εν μέρει αποκλίνουσα από την παραδοσιακή δημοσιογραφία. Δεν βασίζονται αποκλειστικά σε μαρτυρίες ή συνεντεύξεις, αλλά σε αριθμητικά δεδομένα και ανάλυση. Ωστόσο, αναγνωρίζουν ότι τα ηθικά πρότυπα πρέπει να προσαρμοστούν ώστε να αντικατοπτρίζουν αυτές τις τεχνολογικές αλλαγές.&lt;br /&gt;
&lt;br /&gt;
3. Διαφορετικές Αντιλήψεις μεταξύ Δημοσιογράφων και Ακαδημαϊκών&lt;br /&gt;
&lt;br /&gt;
Οι ακαδημαϊκοί θεωρούν ότι οι δημοσιογράφοι δεδομένων πρέπει να αναπτύξουν έναν ειδικό ηθικό κώδικα για τη sensor journalism. Οι ίδιοι οι δημοσιογράφοι, ωστόσο, πιστεύουν ότι η υπάρχουσα ηθική επάρκεια είναι αρκετή και ότι το πραγματικό ζήτημα είναι η εκπαίδευση και η τεχνογνωσία στη διαχείριση δεδομένων.&lt;br /&gt;
&lt;br /&gt;
Βασικά Συμπεράσματα&lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες αλλάζουν τον ρόλο των δημοσιογράφων από απλούς ερευνητές σε δημιουργούς δεδομένων.&lt;br /&gt;
Η ιδιωτικότητα, η διαφάνεια και η αξιοπιστία των δεδομένων είναι οι μεγαλύτερες ηθικές προκλήσεις.&lt;br /&gt;
Η δημοσιογραφία δεδομένων λειτουργεί με λιγότερη εξάρτηση από μαρτυρίες και περισσότερο από δεδομένα και αλγορίθμους, κάτι που απαιτεί νέες ηθικές προσεγγίσεις.&lt;br /&gt;
Οι θεσμοθετημένοι ηθικοί κανόνες δημοσιογραφίας δεν καλύπτουν πλήρως τη χρήση αισθητήρων και πρέπει να προσαρμοστούν στις νέες τεχνολογίες.&lt;br /&gt;
Οι δημοσιογράφοι δεδομένων δίνουν μεγαλύτερη έμφαση στην πρακτική εφαρμογή ηθικών αρχών, παρά στη θεσμική τυποποίησή τους.&lt;br /&gt;
Η διασταύρωση ανθρώπινων δεδομένων με τεχνολογίες ανάλυσης μπορεί να προκαλέσει ακούσιες στρεβλώσεις, καθιστώντας αναγκαία τη βελτίωση των ηθικών προσεγγίσεων.&lt;br /&gt;
Τελικό Συμπέρασμα&lt;br /&gt;
&lt;br /&gt;
Το άρθρο καταλήγει ότι η sensor journalism είναι ένα αναδυόμενο πεδίο με σημαντικές ηθικές προκλήσεις. Οι δημοσιογράφοι δεδομένων πρέπει να αναπτύξουν διαφανείς, δίκαιες και ασφαλείς πρακτικές για τη χρήση δεδομένων αισθητήρων, προσαρμόζοντας την παραδοσιακή δημοσιογραφική ηθική στη νέα εποχή της τεχνολογίας και της αυτοματοποιημένης ανάλυσης δεδομένων.&lt;br /&gt;
&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Remote_Sensing_in_Environmental_Justice_Research%E2%80%94A_Review</id>
		<title>Remote Sensing in Environmental Justice Research—A Review</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Remote_Sensing_in_Environmental_Justice_Research%E2%80%94A_Review"/>
				<updated>2026-02-10T09:46:03Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των Matthias Weigand, Michael Wurm, Stefan Dech και Hannes Taubenböck, που δημοσιεύτηκε στο International Journal of Geo-Information, αποτελεί μία ανασκόπηση σχετικά με τη χρήση της τηλεπισκόπησης (remote sensing) στην έρευνα περιβαλλοντικής δικαιοσύνης. Οι συγγραφείς διερευνούν τον ρόλο των δορυφορικών δεδομένων και των γεωχωρικών τεχνικών στην ανάλυση της περιβαλλοντικής ανισότητας, δηλαδή της άνισης κατανομής περιβαλλοντικών επιβαρύνσεων σε κοινωνικές ομάδες με διαφορετικό κοινωνικοοικονομικό επίπεδο.&lt;br /&gt;
&lt;br /&gt;
Η μελέτη υπογραμμίζει ότι η έκθεση σε περιβαλλοντικούς παράγοντες, όπως η ατμοσφαιρική ρύπανση, ο θόρυβος, η έλλειψη πράσινων χώρων και οι θερμικές νησίδες, επηρεάζει δυσανάλογα τις κοινωνικές ομάδες με χαμηλότερο κοινωνικοοικονομικό επίπεδο. Οι συγγραφείς αναδεικνύουν την ανάγκη χρήσης δεδομένων τηλεπισκόπησης για να καλυφθούν τα κενά στις υφιστάμενες μεθοδολογίες, οι οποίες συχνά χρησιμοποιούν δεδομένα που δεν έχουν χωρική λεπτομέρεια («essentially aspatial data»), οδηγώντας σε ανακριβή συμπεράσματα.&lt;br /&gt;
&lt;br /&gt;
Μεθοδολογία και Θεωρητικό Πλαίσιο&lt;br /&gt;
&lt;br /&gt;
Η μελέτη αναλύει πώς η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για:&lt;br /&gt;
&lt;br /&gt;
Χαρτογράφηση περιβαλλοντικών επιβαρύνσεων μέσω δορυφορικών δεδομένων υψηλής ανάλυσης.&lt;br /&gt;
Διασύνδεση των περιβαλλοντικών δεδομένων με κοινωνικοοικονομικές πληροφορίες (π.χ. στοιχεία απογραφών, δημογραφικά δεδομένα).&lt;br /&gt;
Μοντελοποίηση της επίδρασης της περιβαλλοντικής ανισότητας στην υγεία με τη χρήση τεχνικών GIS και γεωστατιστικής ανάλυσης.&lt;br /&gt;
Οι συγγραφείς εξετάζουν πώς διαφορετικές κοινωνικές ομάδες εκτίθενται σε περιβαλλοντικές απειλές και πώς αυτό μπορεί να μετρηθεί με τηλεπισκοπικά δεδομένα και αλγορίθμους ανάλυσης μεγάλης κλίμακας.&lt;br /&gt;
&lt;br /&gt;
Κύρια Ευρήματα και Αναλύσεις&lt;br /&gt;
&lt;br /&gt;
1. Περιβαλλοντικοί Παράγοντες και Επιδράσεις στην Υγεία&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς κατηγοριοποιούν τους βασικούς περιβαλλοντικούς παράγοντες που επηρεάζουν την υγεία και μπορούν να χαρτογραφηθούν μέσω τηλεπισκόπησης:&lt;br /&gt;
&lt;br /&gt;
Πράσινοι χώροι (Green space): Η έλλειψη πρόσβασης σε πράσινους χώρους έχει συσχετιστεί με υψηλότερα επίπεδα άγχους και καρδιαγγειακών νοσημάτων. Τα δεδομένα Landsat και Sentinel-2 μπορούν να χαρτογραφήσουν τη διαθεσιμότητα αστικού πρασίνου.&lt;br /&gt;
Ατμοσφαιρική ρύπανση (Air pollution): Τα τηλεπισκοπικά δεδομένα από MODIS και Sentinel-5P μπορούν να χρησιμοποιηθούν για την εκτίμηση των συγκεντρώσεων PM2.5 και NO₂ σε μεγάλες αστικές περιοχές.&lt;br /&gt;
Θόρυβος (Noise pollution): Ο θόρυβος από οδική κυκλοφορία και βιομηχανικές δραστηριότητες έχει συσχετιστεί με υπέρταση και αυξημένα επίπεδα στρες. Ενώ δεν μπορεί να μετρηθεί άμεσα με τηλεπισκόπηση, η χρήση γεωχωρικών αναλύσεων μπορεί να δημιουργήσει χωρικά μοντέλα πρόβλεψης.&lt;br /&gt;
Θερμικές νησίδες (Urban Heat Islands - UHI): Οι αστικές περιοχές διατηρούν υψηλότερες θερμοκρασίες λόγω αδιαπέραστων επιφανειών (άσφαλτος, σκυρόδεμα), επιδεινώνοντας την υγεία των ευπαθών ομάδων. Τα δεδομένα Landsat-8 και MODIS μπορούν να χρησιμοποιηθούν για τη χαρτογράφηση θερμικών νησίδων.&lt;br /&gt;
2. Ο Ρόλος της Κοινωνικοοικονομικής Κατάστασης&lt;br /&gt;
&lt;br /&gt;
Η μελέτη εξετάζει πώς κοινωνικοοικονομικοί δείκτες (εισόδημα, εκπαίδευση, φυλή, επαγγελματική απασχόληση) σχετίζονται με την περιβαλλοντική έκθεση. Οι χαμηλότερες κοινωνικοοικονομικές τάξεις συχνά κατοικούν σε περιοχές με:&lt;br /&gt;
&lt;br /&gt;
Υψηλή ατμοσφαιρική ρύπανση λόγω εγγύτητας σε βιομηχανικές ζώνες ή αυτοκινητοδρόμους.&lt;br /&gt;
Μικρή πρόσβαση σε πάρκα και πράσινους χώρους, περιορίζοντας τα οφέλη της φυσικής δραστηριότητας.&lt;br /&gt;
Υψηλή ηχορύπανση από πυκνή κυκλοφορία και θορυβώδεις περιοχές.&lt;br /&gt;
Οι συγγραφείς αναφέρουν ότι η τηλεπισκόπηση μπορεί να καλύψει κενά σε προηγούμενες μελέτες που βασίζονται σε αποσπασματικά ή ελλιπή κοινωνικά δεδομένα, βοηθώντας στην καλύτερη μοντελοποίηση των περιβαλλοντικών ανισοτήτων.&lt;br /&gt;
&lt;br /&gt;
3. Μεθοδολογικές Προκλήσεις και Προτεινόμενες Βελτιώσεις&lt;br /&gt;
&lt;br /&gt;
Η μελέτη εξετάζει ζητήματα όπως:&lt;br /&gt;
&lt;br /&gt;
Το Πρόβλημα των Μεταβαλλόμενων Χωρικών Οντοτήτων (Modifiable Areal Unit Problem - MAUP): Τα δεδομένα κοινωνικοοικονομικής ανάλυσης συχνά παρουσιάζουν στρεβλώσεις λόγω εσφαλμένων ορίων ζωνών (π.χ. απογραφικά τετράγωνα που δεν αντιστοιχούν σε πραγματικά αστικά όρια).&lt;br /&gt;
Το Οικολογικό Σφάλμα (Ecological Fallacy): Η χρήση υπερβολικά γενικευμένων δεδομένων (π.χ. μέσες τιμές εισοδήματος για μια ολόκληρη πόλη) μπορεί να οδηγήσει σε λανθασμένα συμπεράσματα.&lt;br /&gt;
Ανάγκη συνδυασμού δεδομένων τηλεπισκόπησης με κοινωνικές έρευνες: Οι συγγραφείς προτείνουν την ενσωμάτωση δορυφορικών δεδομένων με δημογραφικά και οικονομικά στοιχεία για πιο ακριβείς αναλύσεις.&lt;br /&gt;
Συμπεράσματα και Προτάσεις για Μελλοντική Έρευνα&lt;br /&gt;
&lt;br /&gt;
Το άρθρο καταλήγει στο ότι η τηλεπισκόπηση αποτελεί ένα ισχυρό εργαλείο για τη μελέτη της περιβαλλοντικής δικαιοσύνης, καθώς επιτρέπει:&lt;br /&gt;
&lt;br /&gt;
Λεπτομερή χαρτογράφηση περιβαλλοντικών ανισοτήτων σε μεγάλη κλίμακα.&lt;br /&gt;
Ανάλυση των επιπτώσεων των περιβαλλοντικών παραγόντων στην ανθρώπινη υγεία.&lt;br /&gt;
Δημιουργία μοντέλων πρόβλεψης που θα βοηθήσουν στη λήψη πολιτικών αποφάσεων για τη μείωση των ανισοτήτων.&lt;br /&gt;
Οι συγγραφείς προτείνουν:&lt;br /&gt;
&lt;br /&gt;
Ενσωμάτωση δορυφορικών δεδομένων με κοινωνικοοικονομικές βάσεις δεδομένων.&lt;br /&gt;
Βελτίωση της ανάλυσης δεδομένων μέσω αλγορίθμων AI και μηχανικής μάθησης.&lt;br /&gt;
Ανάπτυξη διεθνών προτύπων για τη χρήση τηλεπισκόπησης στην περιβαλλοντική δικαιοσύνη.&lt;br /&gt;
Το άρθρο προσφέρει σημαντικές πληροφορίες για τη βελτίωση της περιβαλλοντικής έρευνας και την εφαρμογή νέων τεχνολογιών για την καταπολέμηση των ανισοτήτων στην πρόσβαση σε υγιές περιβάλλον.&lt;br /&gt;
&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/NASA_Standards_for_Earth_Remote_Sensing_Data</id>
		<title>NASA Standards for Earth Remote Sensing Data</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/NASA_Standards_for_Earth_Remote_Sensing_Data"/>
				<updated>2026-02-10T09:45:40Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των Liping Di και Ben Kobler, που δημοσιεύτηκε στο International Archives of Photogrammetry and Remote Sensing, αναλύει τα πρότυπα που έχει αναπτύξει η NASA για την τηλεπισκόπηση της Γης, ειδικά μέσω του Earth Observing System Data and Information System (EOSDIS). Η μελέτη εστιάζει στο πώς τα πρότυπα αυτά διευκολύνουν τη συλλογή, επεξεργασία, αποθήκευση και διαμοίραση δορυφορικών δεδομένων για τη μελέτη των παγκόσμιων περιβαλλοντικών αλλαγών.&lt;br /&gt;
&lt;br /&gt;
1. Εισαγωγή στο EOSDIS και τον ρόλο της NASA στην Τηλεπισκόπηση της Γης&lt;br /&gt;
&lt;br /&gt;
Η NASA, μέσω του προγράμματος Earth Observing System (EOS), έχει αναπτύξει ένα ολοκληρωμένο δίκτυο συλλογής και διαχείρισης δεδομένων τηλεπισκόπησης. Το EOSDIS αποτελεί το κεντρικό σύστημα διαχείρισης των δεδομένων αυτών και περιλαμβάνει:&lt;br /&gt;
&lt;br /&gt;
Δορυφόρους και τηλεπισκοπικά εργαλεία που παρακολουθούν τη Γη.&lt;br /&gt;
Πλατφόρμες αποθήκευσης και διαμοίρασης δεδομένων που εξασφαλίζουν τη μακροχρόνια διάθεση των πληροφοριών σε επιστήμονες και φορείς χάραξης πολιτικής.&lt;br /&gt;
Πρότυπα μορφοποίησης δεδομένων, ώστε τα στοιχεία να είναι συμβατά και προσβάσιμα από διαφορετικά συστήματα.&lt;br /&gt;
Το EOSDIS αναμένεται να λειτουργήσει για τουλάχιστον 15 χρόνια, παρέχοντας συνεχή ροή τηλεπισκοπικών δεδομένων για τη μελέτη γεωφυσικών και βιολογικών διαδικασιών.&lt;br /&gt;
&lt;br /&gt;
2. Πρότυπα Δεδομένων στο EOSDIS&lt;br /&gt;
&lt;br /&gt;
2.1 Εννοιολογικά Μοντέλα Δεδομένων&lt;br /&gt;
&lt;br /&gt;
Η NASA έχει αναπτύξει τρία βασικά μοντέλα για την οργάνωση των δεδομένων τηλεπισκόπησης:&lt;br /&gt;
&lt;br /&gt;
Grid Model (Πλέγμα): Αφορά γεωαναφερμένα δεδομένα που αποθηκεύονται σε μορφή πλέγματος (ορθογώνιες δομές).&lt;br /&gt;
Swath Model (Λωρίδα): Εστιάζει σε δεδομένα που συλλέγονται από δορυφόρους με συνεχή σάρωση του εδάφους.&lt;br /&gt;
Point Model (Σημείο): Περιλαμβάνει δεδομένα που αντιστοιχούν σε μεμονωμένα γεωγραφικά σημεία.&lt;br /&gt;
Τα μοντέλα αυτά βοηθούν στην τυποποίηση των δεδομένων, διευκολύνοντας την επεξεργασία, την αποθήκευση και την ανάλυση μέσω συμβατών λογισμικών.&lt;br /&gt;
&lt;br /&gt;
2.2 Μεταδεδομένα και Συστήματα Οργάνωσης&lt;br /&gt;
&lt;br /&gt;
Τα δεδομένα στο EOSDIS συνοδεύονται από μεταδεδομένα (metadata), τα οποία διακρίνονται σε:&lt;br /&gt;
&lt;br /&gt;
Structure Metadata: Καθορίζουν τη σχέση των δεδομένων μεταξύ τους (π.χ., σύνδεση γεωαναφοράς με δορυφορικές εικόνες).&lt;br /&gt;
Product Metadata: Παρέχουν πληροφορίες για το προϊόν των δεδομένων (π.χ., αισθητήρας, ανάλυση, ημερομηνία συλλογής).&lt;br /&gt;
Η NASA έχει δημιουργήσει δικά της πρότυπα μεταδεδομένων, τα οποία είναι συμβατά με διεθνή πρότυπα, όπως το FGDC (Federal Geographic Data Committee).&lt;br /&gt;
&lt;br /&gt;
2.3 Ταξινόμηση των Επεξεργασμένων Δεδομένων&lt;br /&gt;
&lt;br /&gt;
Τα τηλεπισκοπικά δεδομένα της NASA ταξινομούνται σε πέντε επίπεδα (Levels 0-4) ανάλογα με τον βαθμό επεξεργασίας:&lt;br /&gt;
&lt;br /&gt;
Level 0: Ανεπεξέργαστα δεδομένα απευθείας από τον αισθητήρα.&lt;br /&gt;
Level 1A: Χρονικά συγχρονισμένα δεδομένα με διορθώσεις.&lt;br /&gt;
Level 1B: Επεξεργασμένα δεδομένα με προσαρμογές αισθητήρα.&lt;br /&gt;
Level 2: Παράγωγες γεωφυσικές μεταβλητές.&lt;br /&gt;
Level 3 &amp;amp; 4: Δεδομένα σε κανονικοποιημένο χωροχρονικό πλέγμα και προγνωστικά μοντέλα.&lt;br /&gt;
Αυτή η ιεραρχία βοηθάει στην ευκολότερη οργάνωση και ανάλυση δεδομένων από διαφορετικές αποστολές.&lt;br /&gt;
&lt;br /&gt;
3. Τυποποίηση των Μορφών Δεδομένων&lt;br /&gt;
&lt;br /&gt;
Η NASA έχει υιοθετήσει το Hierarchical Data Format (HDF) ως κύριο πρότυπο αποθήκευσης και διαμοίρασης δεδομένων. Το HDF-EOS είναι μια εξειδικευμένη εκδοχή που επιτρέπει τη διαχείριση δεδομένων των Grid, Swath και Point models.&lt;br /&gt;
&lt;br /&gt;
Τα πλεονεκτήματα του HDF περιλαμβάνουν:&lt;br /&gt;
&lt;br /&gt;
Υποστήριξη πολλαπλών τύπων δεδομένων (εικόνες, πίνακες, ASCII).&lt;br /&gt;
Συμβατότητα με πολλά λειτουργικά συστήματα.&lt;br /&gt;
Δωρεάν διαθεσιμότητα και εκτενής τεκμηρίωση.&lt;br /&gt;
Αποδοτική διαχείριση μεγάλου όγκου επιστημονικών δεδομένων.&lt;br /&gt;
Η NASA συνεχίζει να αναπτύσσει HDF-5 ως τη νέα γενιά αυτού του προτύπου, προσφέροντας ακόμα καλύτερη υποστήριξη δεδομένων μεγάλης κλίμακας.&lt;br /&gt;
&lt;br /&gt;
4. Διεθνείς Συνεργασίες και Προώθηση των Προτύπων της NASA&lt;br /&gt;
&lt;br /&gt;
Η NASA προωθεί τη χρήση των προτύπων EOSDIS μέσω διεθνών οργανισμών όπως:&lt;br /&gt;
&lt;br /&gt;
U.S. Federal Geographic Data Committee (FGDC) – Συμβολή στην ανάπτυξη των προτύπων Remote Sensing Swath Data και Geospatial Metadata.&lt;br /&gt;
ISO Technical Committee 211 (ISO/TC211) – Ανάπτυξη παγκόσμιων προτύπων για τηλεπισκοπικά και γεωγραφικά δεδομένα.&lt;br /&gt;
Open GIS Consortium (OGC) – Προώθηση προτύπων για διαλειτουργικότητα (interoperability) μεταξύ γεωχωρικών συστημάτων.&lt;br /&gt;
Αυτές οι συνεργασίες εξασφαλίζουν ότι τα δεδομένα της NASA είναι συμβατά με διεθνείς προδιαγραφές και μπορούν να αξιοποιηθούν ευρύτερα από την επιστημονική κοινότητα.&lt;br /&gt;
&lt;br /&gt;
5. Συμπεράσματα&lt;br /&gt;
&lt;br /&gt;
Η NASA έχει αναπτύξει ένα πλήρες σύστημα προτύπων για την τηλεπισκόπηση της Γης μέσω του EOSDIS, το οποίο επιτρέπει αποδοτική συλλογή, αποθήκευση και ανάλυση δεδομένων.&lt;br /&gt;
Τα τρία βασικά μοντέλα δεδομένων (Grid, Swath, Point) παρέχουν σαφή τυποποίηση, διευκολύνοντας τη χρήση τους σε επιστημονικές εφαρμογές.&lt;br /&gt;
Η τυποποίηση των μεταδεδομένων και η ταξινόμηση των επιπέδων επεξεργασίας των δεδομένων (Levels 0-4) εξασφαλίζουν καλύτερη διαχείριση και διαλειτουργικότητα.&lt;br /&gt;
Η NASA προωθεί τα πρότυπά της μέσω διεθνών οργανισμών (FGDC, ISO, OGC), διασφαλίζοντας παγκόσμια αποδοχή και χρήση των δεδομένων EOSDIS.&lt;br /&gt;
Το HDF-EOS αποτελεί το κύριο πρότυπο αποθήκευσης δεδομένων τηλεπισκόπησης, επιτρέποντας εύκολη πρόσβαση και ανάλυση από επιστήμονες και φορείς χάραξης πολιτικής.&lt;br /&gt;
Η έρευνα υπογραμμίζει ότι η NASA έχει παίξει ηγετικό ρόλο στη δημιουργία προτύπων για την τηλεπισκόπηση της Γης, παρέχοντας ένα ισχυρό πλαίσιο για τη μελέτη των περιβαλλοντικών αλλαγών σε παγκόσμια κλίμακα.&lt;br /&gt;
&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Incorporating_Drone_and_AI_to_Empower_Smart_Journalism_via_Optimizing_a_Propagation_Model</id>
		<title>Incorporating Drone and AI to Empower Smart Journalism via Optimizing a Propagation Model</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Incorporating_Drone_and_AI_to_Empower_Smart_Journalism_via_Optimizing_a_Propagation_Model"/>
				<updated>2026-02-10T09:45:21Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των Faris A. Almalki, Maha Aljohani, Merfat Algethami και Ben Othman Soufiene, που δημοσιεύτηκε στο Sustainability το 2022, εξετάζει τη σύνδεση της τεχνητής νοημοσύνης (AI) με μη επανδρωμένα εναέρια οχήματα (drones) στη δημοσιογραφία, με σκοπό τη βελτιστοποίηση της διάδοσης σήματος και τη δημιουργία ενός αποδοτικότερου και βιώσιμου συστήματος εναέριας δημοσιογραφίας. Οι συγγραφείς επιχειρούν να προτείνουν ένα καινοτόμο μοντέλο μετάδοσης δεδομένων, βασισμένο σε αυτόματη προσαρμογή και βελτιστοποίηση μέσω τεχνητής νοημοσύνης.&lt;br /&gt;
&lt;br /&gt;
Η δημοσιογραφία, στην εποχή της Τέταρτης Βιομηχανικής Επανάστασης (4IR), επηρεάζεται βαθύτατα από την τεχνολογική πρόοδο, που επιτρέπει τη μετάδοση πληροφοριών σε πραγματικό χρόνο, τη βελτίωση της ακρίβειας της πληροφόρησης και τη διεύρυνση της γεωγραφικής κάλυψης. Το άρθρο εστιάζει στη χρήση drones εξοπλισμένων με κάμερες, αισθητήρες και τεχνολογίες τεχνητής νοημοσύνης, ώστε να εξυπηρετηθούν ανάγκες όπως:&lt;br /&gt;
&lt;br /&gt;
Ερευνητική δημοσιογραφία (ανθρωπιστικές κρίσεις, συγκρούσεις).&lt;br /&gt;
Μετάδοση γεγονότων (φυσικές ή ανθρωπογενείς καταστροφές).&lt;br /&gt;
Ζωντανή κάλυψη μεγάλων εκδηλώσεων (Ολυμπιακοί Αγώνες, συναυλίες, κοινωνικές διαδηλώσεις).&lt;br /&gt;
Η μελέτη των συγγραφέων επιχειρεί να ενσωματώσει αυτές τις τεχνολογίες, βελτιώνοντας το μοντέλο διάδοσης σήματος, προκειμένου να διασφαλιστεί αποδοτική και βιώσιμη λειτουργία της εναέριας δημοσιογραφίας.&lt;br /&gt;
&lt;br /&gt;
Μεθοδολογία και Τεχνική Προσέγγιση&lt;br /&gt;
&lt;br /&gt;
1. Νευρωνικό Δίκτυο και Μοντέλο Βελτιστοποίησης&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς αναπτύσσουν ένα Νευρωνικό Δίκτυο με ακτινικές βάσεις (NN-RBFN), το οποίο προσαρμόζεται δυναμικά και μαθαίνει να επιλέγει το ιδανικό μοντέλο διάδοσης σήματος σε πραγματικό χρόνο. Ο στόχος είναι:&lt;br /&gt;
&lt;br /&gt;
Αύξηση της ακρίβειας του σήματος.&lt;br /&gt;
Βελτίωση της συνδεσιμότητας μέσω επιλογής του κατάλληλου καναλιού επικοινωνίας.&lt;br /&gt;
Μείωση των απωλειών σήματος μέσω βελτιστοποίησης του προτύπου διάδοσης.&lt;br /&gt;
Το νευρωνικό δίκτυο χρησιμοποιεί πέντε διαφορετικά μοντέλα διάδοσης σήματος για να υπολογίσει το βέλτιστο κανάλι:&lt;br /&gt;
&lt;br /&gt;
ITU-R P.529-3 Model: Κατάλληλο για αστικές και προαστιακές περιοχές.&lt;br /&gt;
Hata-Davidson Model: Εκτεταμένο μοντέλο βασισμένο στο Hata για ευρύτερη κάλυψη.&lt;br /&gt;
&lt;br /&gt;
Okumura Model: Αποδοτικό για ποικίλα εδάφη και σύνθετα αστικά περιβάλλοντα.&lt;br /&gt;
Air-to-Ground (ATG) Model: Βελτιστοποιημένο για εναέριες εφαρμογές.&lt;br /&gt;
Two-Ray Model: Καλύτερο για σενάρια με ισχυρές ανακλάσεις και εμπόδια.&lt;br /&gt;
Το προτεινόμενο μοντέλο εκπαιδεύεται να επιλέγει το πιο αποδοτικό μοντέλο διάδοσης για κάθε δεδομένο περιβάλλον, ώστε να εξασφαλίσει μέγιστη κάλυψη, ελάχιστες παρεμβολές και αποδοτική μετάδοση δεδομένων.&lt;br /&gt;
&lt;br /&gt;
2. Περιβάλλον Δοκιμών και Υπολογιστική Προσομοίωση&lt;br /&gt;
&lt;br /&gt;
Η προσομοίωση πραγματοποιήθηκε χρησιμοποιώντας:&lt;br /&gt;
&lt;br /&gt;
MATLAB: Για την ανάλυση και εξομοίωση του συστήματος.&lt;br /&gt;
3D Remcom Wireless Insite Tool: Για προσομοίωση πραγματικών συνθηκών μετάδοσης σήματος.&lt;br /&gt;
Η δοκιμή πραγματοποιήθηκε στο Souq Okaz (Σαουδική Αραβία), ένα χώρο που φιλοξενεί μεγάλες εκδηλώσεις και ποικιλία φυσικών εμποδίων, γεγονός που επέτρεψε τη δοκιμή των διαφόρων μοντέλων σε ρεαλιστικές συνθήκες.&lt;br /&gt;
&lt;br /&gt;
Το σύστημα δοκιμάστηκε σε υψόμετρα 10-70 μέτρων για να αναλυθεί ο τρόπος διάδοσης του σήματος σε διαφορετικά περιβάλλοντα.&lt;br /&gt;
&lt;br /&gt;
Κύρια Συμπεράσματα&lt;br /&gt;
&lt;br /&gt;
Το NN-RBFN πέτυχε ακρίβεια 99% στην επιλογή του ιδανικού μοντέλου διάδοσης, προσαρμόζοντας δυναμικά τη μετάδοση του σήματος.&lt;br /&gt;
Το Two-Ray Model είχε την καλύτερη απόδοση, εξασφαλίζοντας υψηλή ποιότητα σήματος και μεγάλη κάλυψη.&lt;br /&gt;
Η ενσωμάτωση drones στη δημοσιογραφία αυξάνει τη γεωγραφική κάλυψη και επιτρέπει την καταγραφή γεγονότων σε δυσπρόσιτες ή επικίνδυνες περιοχές.&lt;br /&gt;
Η χρήση 5G MIMO κεραίας επέτρεψε υψηλούς ρυθμούς μετάδοσης δεδομένων, βελτιώνοντας τη ροή της πληροφορίας.&lt;br /&gt;
Ο αυτοματοποιημένος έλεγχος και η δυναμική επιλογή καναλιών καθιστούν τη δημοσιογραφία πιο βιώσιμη και αποδοτική, μειώνοντας το κόστος λειτουργίας.&lt;br /&gt;
Σημασία και Προοπτικές&lt;br /&gt;
&lt;br /&gt;
Το άρθρο καταδεικνύει ότι η ενοποίηση drones με AI μπορεί να επιφέρει επανάσταση στη δημοσιογραφία, καθιστώντας τη ταχύτερη, αποδοτικότερη και λιγότερο εξαρτημένη από φυσική παρουσία δημοσιογράφων. Αυτή η τεχνολογία έχει τη δυναμική να βελτιώσει την ασφάλεια των δημοσιογράφων, καθώς θα μπορούν να καλύπτουν ειδήσεις εξ αποστάσεως, χωρίς να εκτίθενται σε κινδύνους.&lt;br /&gt;
&lt;br /&gt;
Μελλοντικές προτάσεις περιλαμβάνουν:&lt;br /&gt;
&lt;br /&gt;
Δοκιμές σε περισσότερα περιβάλλοντα, όπως αστικές και αγροτικές περιοχές.&lt;br /&gt;
Ανάλυση σε πραγματικά γεγονότα, αντί μόνο σε προσομοιώσεις.&lt;br /&gt;
Ανάπτυξη AI με δυνατότητα πρόβλεψης των βέλτιστων συνθηκών λήψης πριν την αποστολή του drone.&lt;br /&gt;
Συμπέρασμα&lt;br /&gt;
&lt;br /&gt;
Το άρθρο παρέχει μια καινοτόμο προσέγγιση στη χρήση drones και AI στη δημοσιογραφία, εστιάζοντας στη βελτιστοποίηση της διάδοσης σήματος για αποτελεσματικότερη, πιο οικονομική και ασφαλέστερη ενημέρωση. Η εναέρια δημοσιογραφία μέσω drones μπορεί να αναδιαμορφώσει τον τρόπο κάλυψης ειδήσεων, ενισχύοντας τη διαφάνεια, τη βιωσιμότητα και την προσβασιμότητα στην πληροφόρηση.&lt;br /&gt;
&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Deep_Learning_in_Remote_Sensing_Applications:_A_Meta-Analysis_and_Review</id>
		<title>Deep Learning in Remote Sensing Applications: A Meta-Analysis and Review</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Deep_Learning_in_Remote_Sensing_Applications:_A_Meta-Analysis_and_Review"/>
				<updated>2026-02-10T09:45:01Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των Lei Ma, Yu Liu, Xueliang Zhang, Yuanxin Ye, Gaofei Yin και Brian Alan Johnson, που δημοσιεύτηκε στο ISPRS Journal of Photogrammetry and Remote Sensing, αποτελεί μια συστηματική επισκόπηση της χρήσης των αλγορίθμων βαθιάς μάθησης (Deep Learning - DL) στις εφαρμογές τηλεπισκόπησης (Remote Sensing). Οι συγγραφείς αναλύουν περισσότερες από 200 επιστημονικές δημοσιεύσεις των τελευταίων ετών και εξετάζουν τις κύριες DL τεχνικές που χρησιμοποιούνται στη δορυφορική απεικόνιση, καθώς και τις προκλήσεις και προοπτικές για μελλοντική έρευνα.&lt;br /&gt;
&lt;br /&gt;
Μεθοδολογία και Θεωρητικό Πλαίσιο&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς διεξήγαγαν μια μετα-ανάλυση (meta-analysis) που περιλαμβάνει:&lt;br /&gt;
&lt;br /&gt;
Εξέταση των τύπων εικόνων τηλεπισκόπησης που χρησιμοποιήθηκαν (υψηλής, μέτριας και χαμηλής ανάλυσης).&lt;br /&gt;
Ανάλυση των DL αλγορίθμων που εφαρμόστηκαν (CNN, RNN, Autoencoders, GANs).&lt;br /&gt;
Κατηγοριοποίηση των εφαρμογών βαθιάς μάθησης στην τηλεπισκόπηση, συμπεριλαμβανομένων των τεχνικών ταξινόμησης χρήσης γης (LULC), ανίχνευσης αντικειμένων, συγχώνευσης εικόνων και ανάλυσης σκηνών.&lt;br /&gt;
Αξιολόγηση της ακρίβειας των DL μοντέλων και σύγκρισή τους με παραδοσιακούς αλγορίθμους (Support Vector Machines - SVM, Random Forest - RF).&lt;br /&gt;
Βασικά Ευρήματα και Εφαρμογές&lt;br /&gt;
&lt;br /&gt;
Η ανάλυση του άρθρου επικεντρώνεται σε έξι βασικές εφαρμογές της βαθιάς μάθησης στην τηλεπισκόπηση:&lt;br /&gt;
&lt;br /&gt;
1. Συγχώνευση εικόνων (Image Fusion)&lt;br /&gt;
&lt;br /&gt;
Η συγχώνευση εικόνων αποσκοπεί στη δημιουργία εικόνων υψηλότερης ανάλυσης συνδυάζοντας δεδομένα από πολλαπλές πηγές. Οι συγγραφείς επισημαίνουν ότι:&lt;br /&gt;
&lt;br /&gt;
Τα Convolutional Neural Networks (CNNs) έχουν αντικαταστήσει τις παραδοσιακές μεθόδους συγχώνευσης εικόνων.&lt;br /&gt;
Η χρήση Generative Adversarial Networks (GANs) μπορεί να βελτιώσει την ποιότητα των συγχωνευμένων εικόνων, ειδικά στη σύντηξη δεδομένων πολυφασματικών και υπερφασματικών εικόνων.&lt;br /&gt;
2. Ταξινόμηση χρήσης και κάλυψης γης (LULC Classification)&lt;br /&gt;
&lt;br /&gt;
Η βαθιά μάθηση χρησιμοποιείται για την ανάλυση της κάλυψης γης σε μεγάλες κλίμακες. Τα ευρήματα περιλαμβάνουν:&lt;br /&gt;
&lt;br /&gt;
Τα CNNs υπερέχουν στις ταξινομήσεις υψηλής ανάλυσης, ενώ τα Recurrent Neural Networks (RNNs) είναι πιο αποδοτικά στη χρονοσειριακή ανάλυση δεδομένων Landsat και Sentinel.&lt;br /&gt;
Η χρήση GANs μπορεί να αντιμετωπίσει το πρόβλημα της έλλειψης ετικετοποιημένων δεδομένων, βελτιώνοντας την εκπαίδευση των δικτύων.&lt;br /&gt;
3. Ανίχνευση αντικειμένων (Object Detection)&lt;br /&gt;
&lt;br /&gt;
Η βαθιά μάθηση επιτρέπει την αυτόματη ανίχνευση αντικειμένων σε δορυφορικές εικόνες. Οι βασικές εφαρμογές περιλαμβάνουν:&lt;br /&gt;
&lt;br /&gt;
Ανίχνευση αεροσκαφών, οχημάτων και πλοίων σε υψηλής ανάλυσης εικόνες.&lt;br /&gt;
Χρήση CNNs για τον εντοπισμό αστικών περιοχών και υποδομών.&lt;br /&gt;
Βελτιώσεις μέσω ενσωμάτωσης δεδομένων LiDAR και δορυφορικών εικόνων.&lt;br /&gt;
4. Ανάλυση Σκηνών (Scene Classification)&lt;br /&gt;
&lt;br /&gt;
Η βαθιά μάθηση χρησιμοποιείται για τη χαρτογράφηση και κατηγοριοποίηση αστικών και φυσικών περιβαλλόντων. Τα αποτελέσματα δείχνουν ότι:&lt;br /&gt;
&lt;br /&gt;
Τα CNNs επιτυγχάνουν ακρίβεια έως 95% στην ταξινόμηση σκηνών.&lt;br /&gt;
Τα προεκπαιδευμένα νευρωνικά δίκτυα (transfer learning) βελτιώνουν σημαντικά την απόδοση, ιδιαίτερα όταν υπάρχουν λίγα δεδομένα εκπαίδευσης.&lt;br /&gt;
5. Αλλαγές Χρήσης Γης και Ανίχνευση Μεταβολών (Change Detection)&lt;br /&gt;
&lt;br /&gt;
Η τηλεπισκόπηση χρησιμοποιείται για την παρακολούθηση των περιβαλλοντικών αλλαγών και της επέκτασης των αστικών περιοχών. Τα ευρήματα περιλαμβάνουν:&lt;br /&gt;
&lt;br /&gt;
Τα Long Short-Term Memory (LSTM) και RNN μοντέλα υπερέχουν στην ανίχνευση μεταβολών, καθώς επεξεργάζονται δεδομένα χρονοσειρών.&lt;br /&gt;
Η συνδυασμένη χρήση πολυφασματικών και ρανταρικών δεδομένων (SAR) με DL βελτιώνει την ακρίβεια ανίχνευσης.&lt;br /&gt;
6. Ανάλυση Υψηλής Χωρικής Ανάλυσης (Super-Resolution Mapping)&lt;br /&gt;
&lt;br /&gt;
Η βαθιά μάθηση επιτρέπει τη βελτίωση της ανάλυσης εικόνων χαμηλής ανάλυσης. Τα αποτελέσματα δείχνουν ότι:&lt;br /&gt;
&lt;br /&gt;
GANs και CNNs μπορούν να δημιουργήσουν εικόνες υψηλότερης ανάλυσης από δεδομένα χαμηλής ανάλυσης.&lt;br /&gt;
Οι τεχνικές super-resolution βοηθούν στην ακριβέστερη χαρτογράφηση αστικών και αγροτικών περιοχών.&lt;br /&gt;
Κύριες Προκλήσεις και Μελλοντικές Τάσεις&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς τονίζουν ότι παρά τις σημαντικές προόδους, η εφαρμογή της βαθιάς μάθησης στην τηλεπισκόπηση αντιμετωπίζει αρκετές προκλήσεις:&lt;br /&gt;
&lt;br /&gt;
Έλλειψη δεδομένων εκπαίδευσης: Οι DL αλγόριθμοι απαιτούν μεγάλες ποσότητες ετικετοποιημένων δεδομένων, τα οποία είναι δύσκολο να αποκτηθούν.&lt;br /&gt;
Υπολογιστικό κόστος: Η χρήση DL απαιτεί μεγάλη υπολογιστική ισχύ, καθιστώντας την ανάλυση δύσκολη για αναπτυσσόμενες χώρες και μικρότερα ερευνητικά κέντρα.&lt;br /&gt;
Επεξήγηση των αποτελεσμάτων (Explainability): Τα DL μοντέλα συχνά λειτουργούν ως «μαύρα κουτιά», καθιστώντας δύσκολη την ερμηνεία των αποτελεσμάτων.&lt;br /&gt;
Συνδυασμός δεδομένων από διαφορετικές πηγές: Η ενοποίηση δεδομένων από διαφορετικούς αισθητήρες (π.χ. πολυφασματικά, ρανταρικά, LiDAR) παραμένει πρόκληση.&lt;br /&gt;
Για το μέλλον, οι συγγραφείς προτείνουν:&lt;br /&gt;
&lt;br /&gt;
Χρήση GANs και μεταφοράς μάθησης (transfer learning) για τη μείωση της ανάγκης εκπαίδευσης με μεγάλες βάσεις δεδομένων.&lt;br /&gt;
Ανάπτυξη ερμηνεύσιμων DL μοντέλων που θα επιτρέπουν καλύτερη κατανόηση των αποφάσεων του αλγορίθμου.&lt;br /&gt;
Δημιουργία προτύπων για benchmarking DL εφαρμογών στην τηλεπισκόπηση.&lt;br /&gt;
Συμπέρασμα&lt;br /&gt;
&lt;br /&gt;
Το άρθρο παρέχει μια συνολική και εις βάθος ανάλυση της χρήσης βαθιάς μάθησης στην τηλεπισκόπηση, αναδεικνύοντας τις εφαρμογές, τα οφέλη και τις προκλήσεις της τεχνολογίας αυτής. Η έρευνα υποστηρίζει ότι η DL αποτελεί την πιο καινοτόμο και αποδοτική προσέγγιση για την ανάλυση δορυφορικών εικόνων, με σημαντικές προοπτικές για τη χαρτογράφηση περιβαλλοντικών αλλαγών και την ανάλυση αστικών δεδομένων.&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/A_Review_of_Artificial_Intelligence_and_Remote_Sensing_for_Archaeological_Research</id>
		<title>A Review of Artificial Intelligence and Remote Sensing for Archaeological Research</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/A_Review_of_Artificial_Intelligence_and_Remote_Sensing_for_Archaeological_Research"/>
				<updated>2026-02-10T09:44:39Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο των Argyro Argyrou και Athos Agapiou, που δημοσιεύτηκε στο Remote Sensing (2022, 14, 6000), εξετάζει τη συμβολή της τεχνητής νοημοσύνης (AI) και της τηλεπισκόπησης (RS) στην αρχαιολογική έρευνα. Η μελέτη αναλύει τις τεχνολογικές εξελίξεις στη συλλογή, χαρτογράφηση και ανάλυση αρχαιολογικών δεδομένων, εστιάζοντας στη χρήση δορυφορικών, αερομεταφερόμενων και επίγειων αισθητήρων, UAVs (drones), LiDAR, και αλγορίθμων μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL).&lt;br /&gt;
&lt;br /&gt;
Η έρευνα αναγνωρίζει ότι η αρχαιολογική τηλεπισκόπηση έχει εξελιχθεί ραγδαία την τελευταία δεκαετία, οδηγώντας σε αυτοματοποιημένες μεθόδους ανίχνευσης αρχαιολογικών θέσεων μέσω AI. Ωστόσο, ένα βασικό ερώτημα που παραμένει ανοιχτό είναι το πόσο αποτελεσματικές είναι αυτές οι τεχνικές και πώς μπορούν να βελτιωθούν περαιτέρω.&lt;br /&gt;
&lt;br /&gt;
1. Εισαγωγή – Ο Ρόλος της Τηλεπισκόπησης στην Αρχαιολογία&lt;br /&gt;
&lt;br /&gt;
Η αρχαιολογία χρησιμοποιεί παραδοσιακά επιτόπιες μεθόδους, όπως πεζοπορικές ανασκαφές (field surveys), ιστορικούς χάρτες και τυχαία ευρήματα. Ωστόσο, η τηλεπισκόπηση (Remote Sensing - RS) επιτρέπει την ανακάλυψη αρχαιολογικών θέσεων χωρίς ανασκαφές, χρησιμοποιώντας:&lt;br /&gt;
&lt;br /&gt;
Δορυφορικές εικόνες (π.χ. Landsat, Sentinel).&lt;br /&gt;
Αεροφωτογραφίες και UAVs (Drones).&lt;br /&gt;
Υπέρυθρη και πολυφασματική ανάλυση για τον εντοπισμό δομών κάτω από την επιφάνεια.&lt;br /&gt;
LiDAR και ραντάρ συνθετικού ανοίγματος (SAR) για χαρτογράφηση θαμμένων καταλοίπων.&lt;br /&gt;
Η αύξηση της διαθεσιμότητας ελεύθερων δορυφορικών δεδομένων έχει ενισχύσει τη χρήση της τηλεπισκόπησης στην αρχαιολογική έρευνα.&lt;br /&gt;
&lt;br /&gt;
2. Ανάπτυξη της Αρχαιολογικής Τηλεπισκόπησης&lt;br /&gt;
&lt;br /&gt;
2.1 Συστηματικές Έρευνες Επιφάνειας&lt;br /&gt;
&lt;br /&gt;
Η επιφανειακή αρχαιολογική έρευνα αποτελεί βασικό εργαλείο για την ταυτοποίηση νέων και γνωστών αρχαιολογικών θέσεων. Ωστόσο, έχει περιορισμούς:&lt;br /&gt;
&lt;br /&gt;
Υψηλό κόστος και χρονοβόρες διαδικασίες.&lt;br /&gt;
Περιβαλλοντικοί και ανθρωπογενείς παράγοντες που επηρεάζουν την ορατότητα (βλάστηση, διάβρωση, κτίρια).&lt;br /&gt;
Υποκειμενικότητα στην ανάλυση των ευρημάτων.&lt;br /&gt;
Η τηλεπισκόπηση και η τεχνητή νοημοσύνη μπορούν να συμπληρώσουν και να βελτιώσουν την επιφανειακή έρευνα μέσω αυτοματοποιημένων αναλύσεων και ταξινόμησης δεδομένων.&lt;br /&gt;
&lt;br /&gt;
2.2 Εξέλιξη των Τηλεπισκοπικών Τεχνικών&lt;br /&gt;
&lt;br /&gt;
Από τη δεκαετία του 1970, με την εκτόξευση του Landsat 1 (1972), έως και το σύγχρονο IKONOS (1999) και Sentinel-2 (2015), η ανάλυση των δορυφορικών εικόνων έχει βελτιωθεί σημαντικά, επιτρέποντας την ακριβέστερη χαρτογράφηση αρχαιολογικών θέσεων. Η χρήση θερμικών, πολυφασματικών και ρανταρικών δεδομένων έχει οδηγήσει σε νέες ανακαλύψεις αρχαιολογικών τοπίων.&lt;br /&gt;
&lt;br /&gt;
3. Η Χρήση της Τεχνητής Νοημοσύνης στην Αρχαιολογική Τηλεπισκόπηση&lt;br /&gt;
&lt;br /&gt;
Η AI εφαρμόζεται στην ανάλυση τηλεπισκοπικών δεδομένων με μεθόδους μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL) για:&lt;br /&gt;
&lt;br /&gt;
Αυτόματη αναγνώριση αρχαιολογικών δομών από δορυφορικές εικόνες.&lt;br /&gt;
Ταξινόμηση δεδομένων εδάφους μέσω αλγορίθμων νευρωνικών δικτύων.&lt;br /&gt;
Ανίχνευση αλλαγών στο τοπίο (εξαφάνιση ή εμφάνιση αρχαιολογικών καταλοίπων).&lt;br /&gt;
3.1 Βασικά Συστατικά της AI&lt;br /&gt;
&lt;br /&gt;
Μηχανική Μάθηση (Machine Learning - ML): Ανάλυση μεγάλου όγκου δεδομένων για ταξινόμηση αρχαιολογικών θέσεων.&lt;br /&gt;
Βαθιά Μάθηση (Deep Learning - DL): Αυτόματη αναγνώριση προτύπων σε δορυφορικές και αερομεταφερόμενες εικόνες.&lt;br /&gt;
Νευρωνικά Δίκτυα (Neural Networks - NN): Ανάλυση δεδομένων με τεχνικές παρόμοιες με τη λειτουργία του ανθρώπινου εγκεφάλου.&lt;br /&gt;
Όραση Υπολογιστών (Computer Vision): Αναγνώριση αρχαιολογικών χαρακτηριστικών σε φωτογραφίες και πολυφασματικά δεδομένα.&lt;br /&gt;
4. Παραδείγματα Εφαρμογών AI και RS στην Αρχαιολογία&lt;br /&gt;
&lt;br /&gt;
4.1 Ανίχνευση Αρχαιολογικών Θέσεων με Δορυφορικές και UAV Εικόνες&lt;br /&gt;
&lt;br /&gt;
Orengo &amp;amp; Garcia-Molsosa (2019): Αυτόματη ανίχνευση κεραμικών μέσω UAV και αλγορίθμων ML.&lt;br /&gt;
Mehrnoush et al. (2020): Εφαρμογή DL για εντοπισμό qanat shafts από δορυφορικές εικόνες Cold War CORONA.&lt;br /&gt;
Bundzel et al. (2020): Ανίχνευση αρχαιολογικών δομών των Μάγια μέσω LiDAR και Mask R-CNN.&lt;br /&gt;
Berganzo-Besga et al. (2021): Ανίχνευση αρχαίων τάφων μέσω LiDAR και αλγορίθμων Random Forest.&lt;br /&gt;
4.2 Η Αυξημένη Χρήση AI στην Ανάλυση Μεγάλων Δεδομένων&lt;br /&gt;
&lt;br /&gt;
Η AI επιτρέπει την ταχύτερη και ακριβέστερη ανάλυση τηλεπισκοπικών δεδομένων, μειώνοντας την εξάρτηση από παραδοσιακές μεθόδους. Ωστόσο, παραμένουν ανοιχτά ερωτήματα:&lt;br /&gt;
&lt;br /&gt;
Η ανάγκη για εξειδικευμένη εκπαίδευση αρχαιολόγων στη χρήση AI.&lt;br /&gt;
Η ακρίβεια των μοντέλων AI σε διαφορετικά γεωγραφικά περιβάλλοντα.&lt;br /&gt;
Ηθικά ζητήματα σχετικά με τη χρήση αυτόνομων αλγορίθμων στην αρχαιολογία.&lt;br /&gt;
5. Συμπεράσματα&lt;br /&gt;
&lt;br /&gt;
Η τεχνητή νοημοσύνη και η τηλεπισκόπηση αλλάζουν ριζικά την αρχαιολογική έρευνα, επιτρέποντας την αυτοματοποιημένη ανίχνευση και ανάλυση δεδομένων.&lt;br /&gt;
Ο συνδυασμός δορυφορικών, UAV και LiDAR δεδομένων προσφέρει νέες δυνατότητες χαρτογράφησης.&lt;br /&gt;
Η μηχανική μάθηση και η βαθιά μάθηση μπορούν να μειώσουν τον χρόνο και το κόστος των ερευνών.&lt;br /&gt;
Οι μελλοντικές προκλήσεις περιλαμβάνουν την αύξηση της ακρίβειας των αλγορίθμων και τη δεοντολογική χρήση της AI στην αρχαιολογία.&lt;br /&gt;
Η συνεργασία μεταξύ αρχαιολόγων, επιστημόνων AI και ειδικών τηλεπισκόπησης είναι απαραίτητη για τη βελτίωση των τεχνικών και την αξιοποίηση των νέων τεχνολογιών.&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/A_History_of_NASA_Remote_Sensing_Contributions_to_Archaeology</id>
		<title>A History of NASA Remote Sensing Contributions to Archaeology</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/A_History_of_NASA_Remote_Sensing_Contributions_to_Archaeology"/>
				<updated>2026-02-10T09:44:17Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;Το άρθρο του Marco J. Giardino, που δημοσιεύτηκε από τη NASA Stennis Space Center, προσφέρει μια λεπτομερή αναδρομή στη συμβολή της NASA στην αρχαιολογία μέσω της τηλεπισκόπησης (remote sensing). Η μελέτη επικεντρώνεται στον ρόλο της δορυφορικής και εναέριας τηλεπισκόπησης στην ανακάλυψη, χαρτογράφηση και ανάλυση αρχαιολογικών τοποθεσιών παγκοσμίως, αναδεικνύοντας σημαντικά έργα και τεχνολογικές εξελίξεις από τη δεκαετία του 1960 έως σήμερα.&lt;br /&gt;
&lt;br /&gt;
Ιστορική Αναδρομή και Ανάπτυξη της Τηλεπισκόπησης στην Αρχαιολογία&lt;br /&gt;
&lt;br /&gt;
Η συμβολή της NASA στην αρχαιολογία ξεκινάει ήδη από το 1965, όταν οι πρώτες διαστημικές αποστολές, όπως η Gemini 4, ξεκίνησαν να λαμβάνουν φωτογραφίες της Γης από το διάστημα. Οι πρώτες πολυφασματικές (multispectral) εικόνες καταγράφηκαν το 1968 από την Apollo 9, εισάγοντας νέες δυνατότητες στην αρχαιολογική έρευνα.&lt;br /&gt;
&lt;br /&gt;
Κατά τη διάρκεια της δεκαετίας του 1970, η NASA ανέπτυξε μια σειρά από δορυφορικά συστήματα απεικόνισης, όπως το Landsat, που προσέφεραν συνεχή παρακολούθηση της Γης και αποτέλεσαν κρίσιμο εργαλείο για τους αρχαιολόγους. Αυτές οι εικόνες αποκάλυψαν κρυμμένα τοπογραφικά χαρακτηριστικά, όπως αρχαία οδικά δίκτυα, εγκαταλελειμμένους οικισμούς και συστήματα άρδευσης.&lt;br /&gt;
&lt;br /&gt;
Βασικές Τεχνολογίες και Μέθοδοι Τηλεπισκόπησης&lt;br /&gt;
&lt;br /&gt;
1. Πολυφασματική και Υπερφασματική Απεικόνιση&lt;br /&gt;
&lt;br /&gt;
Οι πρώτες αρχαιολογικές εφαρμογές της τηλεπισκόπησης επικεντρώθηκαν στη χρήση πολυφασματικών εικόνων, οι οποίες επέτρεπαν τη διάκριση διαφορετικών υλικών στην επιφάνεια της Γης. Στη συνέχεια, αναπτύχθηκαν υπερφασματικοί αισθητήρες (hyperspectral imaging), όπως ο Hyperion, που μπορούσαν να αναγνωρίσουν μικρές διαφορές στη σύσταση του εδάφους, διευκολύνοντας την αναγνώριση θαμμένων ή δυσδιάκριτων αρχαιολογικών στοιχείων.&lt;br /&gt;
&lt;br /&gt;
2. Ρανταρική και Θερμική Απεικόνιση&lt;br /&gt;
&lt;br /&gt;
Η NASA χρησιμοποίησε επίσης ρανταρικές εικόνες (SAR - Synthetic Aperture Radar) και θερμικές εικόνες (thermal imaging) για την ανίχνευση αρχαιολογικών καταλοίπων κάτω από την επιφάνεια του εδάφους. Για παράδειγμα:&lt;br /&gt;
&lt;br /&gt;
Η θερμική υπέρυθρη απεικόνιση (TIMS) βοήθησε στην αποκάλυψη προϊστορικών δρόμων στο Chaco Canyon.&lt;br /&gt;
Το ραντάρ διείσδυσης εδάφους (GPR - Ground Penetrating Radar) χρησιμοποιήθηκε για την ανίχνευση θαμμένων κατασκευών.&lt;br /&gt;
Σημαντικά Αρχαιολογικά Προγράμματα της NASA&lt;br /&gt;
&lt;br /&gt;
Η NASA έχει συνεργαστεί με ερευνητές και πανεπιστήμια για την εφαρμογή της τηλεπισκόπησης σε σημαντικές αρχαιολογικές έρευνες. Μερικά από τα πιο επιτυχημένα έργα περιλαμβάνουν:&lt;br /&gt;
&lt;br /&gt;
1. Chaco Canyon (Νέο Μεξικό, ΗΠΑ)&lt;br /&gt;
&lt;br /&gt;
Η ανάλυση δορυφορικών εικόνων Landsat και δεδομένων από αισθητήρες υπερύθρων αποκάλυψε ένα εκτεταμένο δίκτυο αρχαίων δρόμων που συνδέουν τους οικισμούς των Anasazi, επιβεβαιώνοντας θεωρίες για την ύπαρξη ενός πολύπλοκου εμπορικού και διοικητικού συστήματος.&lt;br /&gt;
&lt;br /&gt;
2. Αρχαία Ελληνική και Ρωμαϊκή Αρχιτεκτονική στην Ιταλία&lt;br /&gt;
&lt;br /&gt;
Η NASA παρείχε δορυφορικά δεδομένα για την ανάλυση αρχαιολογικών τοποθεσιών στην Ιταλία, επιτρέποντας τη χαρτογράφηση ρωμαϊκών οικισμών και υποδομών, ιδιαίτερα σε συνεργασία με το Πανεπιστήμιο της Νάπολης.&lt;br /&gt;
&lt;br /&gt;
3. Poverty Point (Λουιζιάνα, ΗΠΑ)&lt;br /&gt;
&lt;br /&gt;
Η χρήση θερμικής τηλεπισκόπησης επέτρεψε τον εντοπισμό θαμμένων στοιχείων στην προϊστορική τοποθεσία Poverty Point, που αποτελεί έναν από τους πιο σημαντικούς αρχαιολογικούς χώρους της Βόρειας Αμερικής.&lt;br /&gt;
&lt;br /&gt;
4. Lewis and Clark Bicentennial Project&lt;br /&gt;
&lt;br /&gt;
Στο πλαίσιο της επετείου των 200 χρόνων από την αποστολή των Lewis and Clark, η NASA αξιοποίησε δεδομένα GIS και δορυφορικές εικόνες για την ακριβή χαρτογράφηση των τοποθεσιών όπου είχαν κατασκηνώσει οι εξερευνητές.&lt;br /&gt;
&lt;br /&gt;
5. Coast 2050 Cultural Resources Survey&lt;br /&gt;
&lt;br /&gt;
Η NASA πραγματοποίησε τηλεπισκοπική χαρτογράφηση 50.000 εκταρίων στη νότια Λουιζιάνα, εντοπίζοντας προϊστορικούς και ιστορικούς οικισμούς σε περιοχές που απειλούνται από τη διάβρωση και την κλιματική αλλαγή.&lt;br /&gt;
&lt;br /&gt;
Επιπτώσεις και Συμβολή της NASA στην Αρχαιολογία&lt;br /&gt;
&lt;br /&gt;
Η μελέτη καταλήγει στο ότι η συμβολή της NASA στην αρχαιολογία είναι ανεκτίμητη, καθώς:&lt;br /&gt;
&lt;br /&gt;
Βελτίωσε την ικανότητα των αρχαιολόγων να εντοπίζουν νέες τοποθεσίες χωρίς επιτόπια ανασκαφή.&lt;br /&gt;
Παρείχε νέα δεδομένα για την κατανόηση αρχαίων πολιτισμών μέσω πολυφασματικών και ρανταρικών εικόνων.&lt;br /&gt;
Υποστήριξε την προστασία αρχαιολογικών χώρων από φυσικές καταστροφές και ανθρώπινες παρεμβάσεις.&lt;br /&gt;
Εισήγαγε καινοτόμες τεχνολογίες, όπως η υπερφασματική τηλεπισκόπηση και η θερμική χαρτογράφηση, που άνοιξαν νέους ορίζοντες στην αρχαιολογική έρευνα.&lt;br /&gt;
Μελλοντικές Προοπτικές&lt;br /&gt;
&lt;br /&gt;
Η μελέτη επισημαίνει ότι η νέα γενιά δορυφορικών αισθητήρων, όπως οι ASTER και Hyperion, θα συνεχίσει να προσφέρει πρωτοποριακές δυνατότητες στην αρχαιολογία. Επιπλέον, η ανάπτυξη αλγορίθμων μηχανικής μάθησης (AI) και deep learning μπορεί να επιτρέψει την αυτοματοποιημένη ανίχνευση αρχαιολογικών τοποθεσιών μέσω τηλεπισκόπησης.&lt;br /&gt;
&lt;br /&gt;
Το άρθρο καταλήγει ότι η τηλεπισκόπηση έχει μεταμορφώσει την αρχαιολογία, επιτρέποντας τη χαρτογράφηση πολιτιστικών τοπίων σε παγκόσμια κλίμακα και ανοίγοντας νέους δρόμους για την κατανόηση του ανθρώπινου παρελθόντος.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
Βασικά Συμπεράσματα του Άρθρου &amp;quot;A History of NASA Remote Sensing Contributions to Archaeology&amp;quot;&lt;br /&gt;
&lt;br /&gt;
Το άρθρο του Marco J. Giardino καταδεικνύει τον καθοριστικό ρόλο της NASA στην εξέλιξη της αρχαιολογικής τηλεπισκόπησης, προσφέροντας νέες τεχνολογίες και μεθοδολογίες που επέτρεψαν την ανακάλυψη, χαρτογράφηση και ανάλυση αρχαιολογικών τοποθεσιών με πρωτοφανή ακρίβεια. Τα κύρια συμπεράσματα της μελέτης συνοψίζονται ως εξής:&lt;br /&gt;
&lt;br /&gt;
Η NASA έχει διαδραματίσει πρωτοποριακό ρόλο στην αρχαιολογική έρευνα μέσω της τηλεπισκόπησης&lt;br /&gt;
&lt;br /&gt;
Από τις πρώτες φωτογραφίες της Γης στο διάστημα (Gemini 4, Apollo 9) έως τα σημερινά δορυφορικά δεδομένα, η NASA έχει συμβάλει σημαντικά στην κατανόηση της αρχαιολογίας μέσω πολυφασματικών, ρανταρικών και θερμικών εικόνων.&lt;br /&gt;
Τα δορυφορικά δεδομένα έχουν επιτρέψει την ανακάλυψη και παρακολούθηση αρχαιολογικών τοποθεσιών παγκοσμίως&lt;br /&gt;
&lt;br /&gt;
Η χρήση πολυφασματικών (multispectral) και υπερφασματικών (hyperspectral) αισθητήρων έχει οδηγήσει στην ανακάλυψη αρχαίων δρόμων, χαμένων πόλεων και θαμμένων δομών, όπως στα Chaco Canyon, Poverty Point και τις ρωμαϊκές πόλεις της Ιταλίας.&lt;br /&gt;
Η τεχνολογία της NASA έχει επιταχύνει και βελτιώσει τη χαρτογράφηση και διατήρηση αρχαιολογικών χώρων&lt;br /&gt;
&lt;br /&gt;
Τα συστήματα Landsat, ASTER, Hyperion και SAR έχουν βοηθήσει στην προστασία πολιτιστικών κληρονομιών, ειδικά σε περιοχές που απειλούνται από τη διάβρωση, την κλιματική αλλαγή και την αστικοποίηση.&lt;br /&gt;
Η εφαρμογή ρανταρικών και θερμικών τεχνικών έχει επιτρέψει την ανίχνευση αρχαιολογικών δομών κάτω από την επιφάνεια της γης&lt;br /&gt;
&lt;br /&gt;
Οι θερμικές υπέρυθρες απεικονίσεις (TIMS, ATLAS) αποκάλυψαν κρυμμένα στοιχεία σε προϊστορικούς χώρους, όπως προϊστορικά δίκτυα άρδευσης στις ΗΠΑ, ενώ το ραντάρ συνθετικού ανοίγματος (SAR) χρησιμοποιήθηκε για την ανάλυση αρχαιολογικών τοποθεσιών σε δυσπρόσιτες περιοχές.&lt;br /&gt;
Η ενσωμάτωση δεδομένων GIS και τεχνολογιών ανάλυσης μεγάλων δεδομένων (Big Data) έχει μεταμορφώσει την αρχαιολογική έρευνα&lt;br /&gt;
&lt;br /&gt;
Η επεξεργασία ψηφιακών χαρτών, η συνδυαστική χρήση GPS και GIS, καθώς και η ανάπτυξη προγνωστικών μοντέλων έχουν ενισχύσει την ικανότητα των αρχαιολόγων να προβλέπουν νέες τοποθεσίες με ακρίβεια άνω του 90%.&lt;br /&gt;
Η NASA έχει υποστηρίξει τη διεπιστημονική συνεργασία μεταξύ αρχαιολόγων, γεωγράφων και επιστημόνων τηλεπισκόπησης&lt;br /&gt;
&lt;br /&gt;
Μέσα από διεθνή ερευνητικά προγράμματα και συνεργασίες με πανεπιστήμια, η NASA έχει προωθήσει τη χρήση προηγμένων αισθητήρων και τεχνικών τηλεπισκόπησης στην αρχαιολογία.&lt;br /&gt;
Οι νέες τεχνολογίες, όπως η τεχνητή νοημοσύνη (AI) και η μηχανική μάθηση (Machine Learning), θα βελτιώσουν περαιτέρω την αρχαιολογική τηλεπισκόπηση&lt;br /&gt;
&lt;br /&gt;
Τα αλγοριθμικά μοντέλα και η βαθιά μάθηση (Deep Learning) μπορούν να αυτοματοποιήσουν την ανίχνευση αρχαιολογικών δομών σε τεράστιες εκτάσεις, μειώνοντας τον χρόνο και το κόστος των ερευνών.&lt;br /&gt;
Τελικό Συμπέρασμα&lt;br /&gt;
&lt;br /&gt;
Η NASA έχει συμβάλει ουσιαστικά στην προώθηση της διαστημικής αρχαιολογίας, προσφέροντας πρωτοποριακά εργαλεία τηλεπισκόπησης που έχουν αλλάξει τον τρόπο με τον οποίο οι αρχαιολόγοι εντοπίζουν, αναλύουν και προστατεύουν τους αρχαιολογικούς χώρους. Η εξέλιξη των αισθητήρων και των τεχνικών απεικόνισης προβλέπεται να διευρύνει ακόμα περισσότερο τις δυνατότητες της αρχαιολογικής έρευνας, καθιστώντας την πιο αποδοτική, ακριβή και προσβάσιμη σε παγκόσμια κλίμακα.&lt;br /&gt;
&lt;br /&gt;
[[category:Εφαρμογές Φωτοερμηνείας - Τηλεπισκόπησης]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7</id>
		<title>Καλαμπαλίκη Μαίρη</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7"/>
				<updated>2026-02-10T09:42:57Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism]]&lt;br /&gt;
&lt;br /&gt;
[[A History of NASA Remote Sensing Contributions to Archaeology]]&lt;br /&gt;
&lt;br /&gt;
[[The Potential of Multi-Sensor Remote Sensing Mineral Exploration: Examples from Southern Africa]]&lt;br /&gt;
&lt;br /&gt;
[[NASA Standards for Earth Remote Sensing Data]]&lt;br /&gt;
&lt;br /&gt;
[[A Review of Artificial Intelligence and Remote Sensing for Archaeological Research]]&lt;br /&gt;
&lt;br /&gt;
[[Remote Sensing in Environmental Justice Research—A Review]]&lt;br /&gt;
&lt;br /&gt;
[[Supporting Global Environmental Change Research: A Review of Trends and Knowledge Gaps in Urban Remote Sensing]]&lt;br /&gt;
&lt;br /&gt;
[[Deep Learning in Remote Sensing Applications: A Meta-Analysis and Review]]&lt;br /&gt;
&lt;br /&gt;
[[Sensing What’s New: Considering Ethics When Using Sensor Data in Journalistic Practices]]&lt;br /&gt;
&lt;br /&gt;
[[Incorporating Drone and AI to Empower Smart Journalism via Optimizing a Propagation Model]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7</id>
		<title>Καλαμπαλίκη Μαίρη</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7"/>
				<updated>2026-02-10T09:42:26Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism]]&lt;br /&gt;
&lt;br /&gt;
[[A History of NASA Remote Sensing Contributions to Archaeology]]&lt;br /&gt;
&lt;br /&gt;
[[The Potential of Multi-Sensor Remote Sensing Mineral Exploration: Examples from Southern Africa]]&lt;br /&gt;
&lt;br /&gt;
[[NASA Standards for Earth Remote Sensing Data]]&lt;br /&gt;
&lt;br /&gt;
[[A Review of Artificial Intelligence and Remote Sensing for Archaeological Research]]&lt;br /&gt;
&lt;br /&gt;
[[Remote Sensing in Environmental Justice Research-A Review]]&lt;br /&gt;
&lt;br /&gt;
[[Supporting Global Environmental Change Research: A Review of Trends and Knowledge Gaps in Urban Remote Sensing]]&lt;br /&gt;
&lt;br /&gt;
[[Deep Learning in Remote Sensing Applications: A Meta-Analysis and Review]]&lt;br /&gt;
&lt;br /&gt;
[[Sensing What’s New: Considering Ethics When Using Sensor Data in Journalistic Practices]]&lt;br /&gt;
&lt;br /&gt;
[[Incorporating Drone and AI to Empower Smart Journalism via Optimizing a Propagation Model]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7</id>
		<title>Καλαμπαλίκη Μαίρη</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7"/>
				<updated>2026-02-10T09:40:25Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism]&lt;br /&gt;
&lt;br /&gt;
[A History of NASA Remote Sensing Contributions to Archaeology]&lt;br /&gt;
&lt;br /&gt;
[The Potential of Multi-Sensor Remote Sensing Mineral Exploration: Examples from Southern Africa]&lt;br /&gt;
&lt;br /&gt;
[NASA Standards for Earth Remote Sensing Data]&lt;br /&gt;
&lt;br /&gt;
[A Review of Artificial Intelligence and Remote Sensing for Archaeological Research]&lt;br /&gt;
&lt;br /&gt;
[Remote Sensing in Environmental Justice Research-A Review]&lt;br /&gt;
&lt;br /&gt;
[Supporting Global Environmental Change Research: A Review of Trends and Knowledge Gaps in Urban Remote Sensing]&lt;br /&gt;
&lt;br /&gt;
[Deep Learning in Remote Sensing Applications: A Meta-Analysis and Review]&lt;br /&gt;
&lt;br /&gt;
[Sensing What’s New: Considering Ethics When Using Sensor Data in Journalistic Practices]&lt;br /&gt;
&lt;br /&gt;
[Incorporating Drone and AI to Empower Smart Journalism via Optimizing a Propagation Model]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7</id>
		<title>Καλαμπαλίκη Μαίρη</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7"/>
				<updated>2026-02-10T09:38:23Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism]&lt;br /&gt;
[A History of NASA Remote Sensing Contributions to Archaeology]&lt;br /&gt;
[The Potential of Multi-Sensor Remote Sensing Mineral Exploration: Examples from Southern Africa]&lt;br /&gt;
[NASA Standards for Earth Remote Sensing Data]&lt;br /&gt;
[A Review of Artificial Intelligence and Remote Sensing for Archaeological Research]&lt;br /&gt;
[Remote Sensing in Environmental Justice Research-A Review]&lt;br /&gt;
[Supporting Global Environmental Change Research: A Review of Trends and Knowledge Gaps in Urban Remote Sensing]&lt;br /&gt;
[Deep Learning in Remote Sensing Applications: A Meta-Analysis and Review]&lt;br /&gt;
[Sensing What’s New: Considering Ethics When Using Sensor Data in Journalistic Practices]&lt;br /&gt;
[Incorporating Drone and AI to Empower Smart Journalism via Optimizing a Propagation Model]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7</id>
		<title>Καλαμπαλίκη Μαίρη</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CE%BB%CE%B1%CE%BC%CF%80%CE%B1%CE%BB%CE%AF%CE%BA%CE%B7_%CE%9C%CE%B1%CE%AF%CF%81%CE%B7"/>
				<updated>2026-02-10T09:35:59Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Η Καλαμπαλίκη Μαίρη μετακινήθηκε στη θέση News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;#ΑΝΑΚΑΤΕΥΘΥΝΣΗ [[News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/News_Reporting_in_Drone_Internet_of_Things_Digital_Journalism:_Drones_Technology_for_Intelligence_Gathering_in_Journalism</id>
		<title>News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/News_Reporting_in_Drone_Internet_of_Things_Digital_Journalism:_Drones_Technology_for_Intelligence_Gathering_in_Journalism"/>
				<updated>2026-02-10T09:35:59Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Η Καλαμπαλίκη Μαίρη μετακινήθηκε στη θέση News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;&amp;quot;News Reporting in Drone Internet of Things Digital Journalism: Drones Technology for Intelligence Gathering in Journalism&amp;quot; &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
Το άρθρο των Andrew Chinonso Nwanakwaugwu, Ugochukwu O. Matthew, Ogobuchi Daniel Okey, Jazuli Sanusi Kazaure και Ubochi Chibueze Nwamouh, που δημοσιεύτηκε στο International Journal of Interactive Communication Systems and Technologies (Volume 12, Issue 1), διερευνά τον ρόλο της τεχνολογίας μη επανδρωμένων εναέριων οχημάτων (drones) και του Διαδικτύου των Πραγμάτων (IoT) στη σύγχρονη δημοσιογραφία. Το κύριο αντικείμενο της έρευνας είναι η υιοθέτηση αυτόνομων drones απομακρυσμένης ανίχνευσης (remote sensing) για συλλογή πληροφοριών και δημοσιογραφική κάλυψη σε επικίνδυνες ή απρόσιτες περιοχές.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
Μεθοδολογία και Προσέγγιση&lt;br /&gt;
&lt;br /&gt;
1. Το Θεωρητικό Πλαίσιο της Έρευνας&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς παρουσιάζουν ένα ολοκληρωμένο θεωρητικό πλαίσιο, όπου εξετάζουν:&lt;br /&gt;
&lt;br /&gt;
Την εξέλιξη της δημοσιογραφίας με την ενσωμάτωση IoT και AI (Τεχνητής Νοημοσύνης).&lt;br /&gt;
Την ψηφιακή επανάσταση και την επιρροή της στις δημοσιογραφικές πρακτικές.&lt;br /&gt;
Τη χρησιμότητα των drones στη δημοσιογραφία ερευνητικού χαρακτήρα.&lt;br /&gt;
Τα ζητήματα δεοντολογίας, ασφάλειας και νομοθεσίας που προκύπτουν από τη χρήση drones στη δημοσιογραφία.&lt;br /&gt;
Το άρθρο αναδεικνύει τη δυνατότητα των drones να αντικαταστήσουν φυσικούς δημοσιογράφους σε επικίνδυνες αποστολές, μειώνοντας τους θανάτους και τους τραυματισμούς των επαγγελματιών του κλάδου.&lt;br /&gt;
&lt;br /&gt;
2. Εφαρμογή της Τεχνολογίας Drones και IoT στη Δημοσιογραφία&lt;br /&gt;
&lt;br /&gt;
Η έρευνα επικεντρώνεται στη σύνδεση drones με IoT και τα πλεονεκτήματα που προκύπτουν από αυτήν τη σύζευξη:&lt;br /&gt;
&lt;br /&gt;
Χρήση αυτόνομων drones που μπορούν να καταγράφουν βίντεο, να συλλέγουν δεδομένα και να μεταδίδουν σε πραγματικό χρόνο μέσω cloud computing.&lt;br /&gt;
Διασύνδεση με AI και μηχανική μάθηση, ώστε τα drones να αναλύουν και να φιλτράρουν τις πληροφορίες που συλλέγουν.&lt;br /&gt;
Εφαρμογή σε ζώνες πολέμου, φυσικές καταστροφές, και πολιτικές διαδηλώσεις, όπου η ανθρώπινη παρουσία είναι επικίνδυνη.&lt;br /&gt;
Η έρευνα παρουσιάζει επίσης σύγχρονες τεχνολογίες που ενσωματώνονται στα drones, όπως:&lt;br /&gt;
&lt;br /&gt;
5G MIMO κεραίες, οι οποίες επιτρέπουν υψηλές ταχύτητες μετάδοσης δεδομένων.&lt;br /&gt;
Συστήματα θερμικής ανίχνευσης (FLIR) για λήψη εικόνων σε χαμηλό φωτισμό.&lt;br /&gt;
Αισθητήρες απομακρυσμένης ανίχνευσης, οι οποίοι εντοπίζουν κίνδυνο και αναλύουν τις συνθήκες σε πραγματικό χρόνο.&lt;br /&gt;
Κύρια Συμπεράσματα&lt;br /&gt;
&lt;br /&gt;
Η χρήση drones στη δημοσιογραφία μπορεί να μειώσει σημαντικά τους θανάτους δημοσιογράφων, καθώς επιτρέπει την κάλυψη ειδήσεων εξ αποστάσεως, ειδικά σε επικίνδυνες ζώνες.&lt;br /&gt;
Η τεχνολογία IoT επιτρέπει την αυτονομία των drones, βελτιώνοντας τη συλλογή και ανάλυση δεδομένων, χωρίς την ανάγκη ανθρώπινης παρέμβασης.&lt;br /&gt;
Η εναέρια δημοσιογραφία μπορεί να προσφέρει πιο αντικειμενικές αναφορές καθώς μειώνει την ανθρώπινη προκατάληψη και παρέχει ακατέργαστα δεδομένα σε πραγματικό χρόνο.&lt;br /&gt;
Τα drones είναι πιο οικονομικά και λειτουργικά από τα παραδοσιακά μέσα κάλυψης, όπως τα ελικόπτερα, μειώνοντας το κόστος για τους δημοσιογραφικούς οργανισμούς.&lt;br /&gt;
Η ενοποίηση drones με AI μπορεί να βελτιώσει τη διαδικασία συλλογής και ανάλυσης δεδομένων, δημιουργώντας ψηφιακή πραγματικότητα (VR) για αναπαράσταση γεγονότων.&lt;br /&gt;
Υπάρχουν προκλήσεις στην υιοθέτηση της τεχνολογίας, συμπεριλαμβανομένων νομικών ζητημάτων, ζητημάτων ιδιωτικότητας και ασφάλειας δεδομένων.&lt;br /&gt;
Ζητήματα Νομοθεσίας και Ηθικής&lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς αναλύουν νομικά και δεοντολογικά ζητήματα που σχετίζονται με τη χρήση drones στη δημοσιογραφία:&lt;br /&gt;
&lt;br /&gt;
Νομοθετικοί περιορισμοί: Οι κυβερνήσεις ορισμένων χωρών έχουν αυστηρούς νόμους για τη χρήση drones, ειδικά για θέματα ιδιωτικότητας και ασφάλειας.&lt;br /&gt;
Θέματα ιδιωτικότητας: Η χρήση drones για καταγραφή δεδομένων εγείρει ανησυχίες σχετικά με την καταπάτηση της ιδιωτικότητας.&lt;br /&gt;
Ζητήματα ασφαλείας: Τα drones μπορεί να αποτελέσουν στόχο κακόβουλων επιθέσεων ή να χρησιμοποιηθούν για κατασκοπεία.&lt;br /&gt;
Το άρθρο προτείνει την ανάπτυξη διεθνών προτύπων και κανονισμών για τη χρήση drones στη δημοσιογραφία, με στόχο τη διασφάλιση της ηθικής και της αντικειμενικότητας στην ειδησεογραφική κάλυψη.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
Εφαρμογές και Μελλοντικές Προοπτικές&lt;br /&gt;
&lt;br /&gt;
Το άρθρο προτείνει μελλοντικές χρήσεις των drones στη δημοσιογραφία, όπως:&lt;br /&gt;
&lt;br /&gt;
Δημιουργία ψηφιακών αναπαραστάσεων γεγονότων μέσω VR και 3D χαρτογράφησης.&lt;br /&gt;
Βελτίωση των drones με AI, ώστε να αναγνωρίζουν και να ταξινομούν τις πληροφορίες που συλλέγουν.&lt;br /&gt;
Χρήση drones για κάλυψη φυσικών καταστροφών, παρέχοντας εικόνες και δεδομένα σε πραγματικό χρόνο για ανθρωπιστική βοήθεια.&lt;br /&gt;
Ανάπτυξη αυτόνομων drones με αναβαθμισμένους αισθητήρες, ικανά να ανιχνεύουν και να φιλτράρουν fake news.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
Συμπέρασμα&lt;br /&gt;
&lt;br /&gt;
Το άρθρο καταλήγει στο ότι η ενσωμάτωση drones και IoT μπορεί να αλλάξει ριζικά τη δημοσιογραφία, καθιστώντας την πιο αποδοτική, ασφαλή και αντικειμενική. Παρόλο που υπάρχουν νομικά και ηθικά εμπόδια, η εξέλιξη της τεχνολογίας θα καταστήσει τα drones απαραίτητο εργαλείο για τη σύγχρονη δημοσιογραφία. Η έρευνα προτείνει περαιτέρω μελέτες σε πραγματικά σενάρια χρήσης drones, καθώς και τη δημιουργία διεθνών κανονισμών που θα διασφαλίζουν τη διαφάνεια και τη δεοντολογία στη χρήση τους.&lt;br /&gt;
&lt;br /&gt;
Η τεχνολογία αυτή ανοίγει νέους ορίζοντες στη δημοσιογραφία και μπορεί να συμβάλει σε μια πιο δημοκρατική και ασφαλή ενημέρωση για το κοινό, καθιστώντας την πιο διαδραστική και προσβάσιμη σε παγκόσμια κλίμακα.&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B5%CE%BA%CE%B9%CE%AC%CF%81%CE%B7%CF%82_%CE%9C%CE%B1%CE%BD%CF%8C%CE%BB%CE%B7%CF%82</id>
		<title>Μπεκιάρης Μανόλης</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B5%CE%BA%CE%B9%CE%AC%CF%81%CE%B7%CF%82_%CE%9C%CE%B1%CE%BD%CF%8C%CE%BB%CE%B7%CF%82"/>
				<updated>2025-12-17T12:32:36Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;*[[ Χαρτογράφηση της ευαισθησίας στην ερημοποίηση στην Κρήτη και ο  κίνδυνος για τις αγροτικές περιοχές]]&lt;br /&gt;
*[[ Αστική ποιότητα ζωής: Χωρική μοντελοποίηση και δεικτοδότηση στη Μητροπολιτική Περιοχή της Αθήνας]]&lt;br /&gt;
*[[Παγκόσμια γεωχωρικά δεδομένα από την παρατήρηση της Γης: κατάσταση και ζητήματα]]&lt;br /&gt;
*[[Τηλεπισκόπηση για τις βαθιες στραγγισεις]]&lt;br /&gt;
*[[Η Εφαρμογή GIS στη διαχείριση πλημμυρών – Η περίπτωση της  Paraiba do Sul, Νοτιοανατολική Βραζιλία]]&lt;br /&gt;
&lt;br /&gt;
[[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα)]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B5%CE%BA%CE%B9%CE%AC%CF%81%CE%B7%CF%82_%CE%9C%CE%B1%CE%BD%CF%8C%CE%BB%CE%B7%CF%82</id>
		<title>Μπεκιάρης Μανόλης</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B5%CE%BA%CE%B9%CE%AC%CF%81%CE%B7%CF%82_%CE%9C%CE%B1%CE%BD%CF%8C%CE%BB%CE%B7%CF%82"/>
				<updated>2025-12-17T12:31:31Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;#[[Gradient Descent-2]]&lt;br /&gt;
#[[ Χαρτογράφηση της ευαισθησίας στην ερημοποίηση στην Κρήτη και ο  κίνδυνος για τις αγροτικές περιοχές]]&lt;br /&gt;
#[[ Αστική ποιότητα ζωής: Χωρική μοντελοποίηση και δεικτοδότηση στη Μητροπολιτική Περιοχή της Αθήνας]]&lt;br /&gt;
#[[Παγκόσμια γεωχωρικά δεδομένα από την παρατήρηση της Γης: κατάσταση και ζητήματα]]&lt;br /&gt;
#[[Τηλεπισκόπηση για τις βαθιες στραγγισεις]]&lt;br /&gt;
#[[Η Εφαρμογή GIS στη διαχείριση πλημμυρών – Η περίπτωση της  Paraiba do Sul, Νοτιοανατολική Βραζιλία]]&lt;br /&gt;
&lt;br /&gt;
[[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα)]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B1%CE%BB%CE%B1%CE%BF%CF%8D%CF%81%CE%B1_%CE%92%CE%B1%CF%83%CE%B9%CE%BB%CE%B9%CE%BA%CE%AE</id>
		<title>Μπαλαούρα Βασιλική</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B1%CE%BB%CE%B1%CE%BF%CF%8D%CF%81%CE%B1_%CE%92%CE%B1%CF%83%CE%B9%CE%BB%CE%B9%CE%BA%CE%AE"/>
				<updated>2025-12-17T12:24:45Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;* [[Χαρτογράφηση και ανάλυση χρήσεων γης μέσω Τηλεπισκόπησης και ΓΣΠ: Η περίπτωση μελέτης της λεκάνης απορροής Simly στο Πακιστάν.]]&lt;br /&gt;
&lt;br /&gt;
* [[Παρακολούθηση αποκατάστασης περιοχών εξόρυξης μέσω της Τηλεπισκόπησης και του GIS.]]&lt;br /&gt;
&lt;br /&gt;
* [[Αξιολόγηση των δυνατοτήτων της Τηλεπισκόπησης στην παρακολούθηση του υάκινθου στα οικοσυστήματα γλυκών νερών.]]&lt;br /&gt;
&lt;br /&gt;
* [[Αξιολόγηση φυσικής ευπάθειας και κινδύνου μέσω τεχνικών Τηλεπισκόπησης για την πόλη της Αλεξάνδρειας στην Αίγυπτο.]]&lt;br /&gt;
&lt;br /&gt;
* [[Χαρτογράφηση καμένων περιοχών με τη χρήση διαχρονικών δεδομένων Landsat.]]&lt;br /&gt;
&lt;br /&gt;
* [[Χαρτογράφηση και ανάλυση χρήσεων γης μέσω Τηλεπισκόπησης και ΓΣΠ: Η περίπτωση μελέτης του Tanguar Haor στο Μπαγκλαντές.]]&lt;br /&gt;
&lt;br /&gt;
* [[Συσχέτιση της τεκτονικής, της σεισμικότητας και του γεωθερμικού δυναμικού στη Λέσβο χρησιμοποιώντας τηλεπισκοπικά δεδομένα και GIS.]]&lt;br /&gt;
&lt;br /&gt;
* [[Νέα μέθοδος ανίχνευσης πλημμυρών με τη βοήθεια των τεχνικών της Τηλεπισκόπησης και της υδροχημείας.]]&lt;br /&gt;
&lt;br /&gt;
* [[Δέκα χρόνια μετά τον τυφώνα Κατρίνα: Παρακολούθηση της ανάκαμψης στη Νέα Ορλεάνη και των γύρω περιοχές μέσω Τηλεπισκόπησης.]]&lt;br /&gt;
&lt;br /&gt;
* [[Εντοπισμός υδάτινων συστημάτων και ανίχνευση μεταβολών με τη χρήση διαχρονικών τηλεπισκοπικών εικόνων στη λίμνη Burdur, Τουρκία.]]&lt;br /&gt;
&lt;br /&gt;
  &lt;br /&gt;
  [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα)]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B1%CE%BB%CE%B1%CE%BF%CF%8D%CF%81%CE%B1_%CE%92%CE%B1%CF%83%CE%B9%CE%BB%CE%B9%CE%BA%CE%AE</id>
		<title>Μπαλαούρα Βασιλική</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%9C%CF%80%CE%B1%CE%BB%CE%B1%CE%BF%CF%8D%CF%81%CE%B1_%CE%92%CE%B1%CF%83%CE%B9%CE%BB%CE%B9%CE%BA%CE%AE"/>
				<updated>2025-12-17T12:23:41Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;* [[Gradient Descent-2]]&lt;br /&gt;
&lt;br /&gt;
* [[Χαρτογράφηση και ανάλυση χρήσεων γης μέσω Τηλεπισκόπησης και ΓΣΠ: Η περίπτωση μελέτης της λεκάνης απορροής Simly στο Πακιστάν.]]&lt;br /&gt;
&lt;br /&gt;
* [[Παρακολούθηση αποκατάστασης περιοχών εξόρυξης μέσω της Τηλεπισκόπησης και του GIS.]]&lt;br /&gt;
&lt;br /&gt;
* [[Αξιολόγηση των δυνατοτήτων της Τηλεπισκόπησης στην παρακολούθηση του υάκινθου στα οικοσυστήματα γλυκών νερών.]]&lt;br /&gt;
&lt;br /&gt;
* [[Αξιολόγηση φυσικής ευπάθειας και κινδύνου μέσω τεχνικών Τηλεπισκόπησης για την πόλη της Αλεξάνδρειας στην Αίγυπτο.]]&lt;br /&gt;
&lt;br /&gt;
* [[Χαρτογράφηση καμένων περιοχών με τη χρήση διαχρονικών δεδομένων Landsat.]]&lt;br /&gt;
&lt;br /&gt;
* [[Χαρτογράφηση και ανάλυση χρήσεων γης μέσω Τηλεπισκόπησης και ΓΣΠ: Η περίπτωση μελέτης του Tanguar Haor στο Μπαγκλαντές.]]&lt;br /&gt;
&lt;br /&gt;
* [[Συσχέτιση της τεκτονικής, της σεισμικότητας και του γεωθερμικού δυναμικού στη Λέσβο χρησιμοποιώντας τηλεπισκοπικά δεδομένα και GIS.]]&lt;br /&gt;
&lt;br /&gt;
* [[Νέα μέθοδος ανίχνευσης πλημμυρών με τη βοήθεια των τεχνικών της Τηλεπισκόπησης και της υδροχημείας.]]&lt;br /&gt;
&lt;br /&gt;
* [[Δέκα χρόνια μετά τον τυφώνα Κατρίνα: Παρακολούθηση της ανάκαμψης στη Νέα Ορλεάνη και των γύρω περιοχές μέσω Τηλεπισκόπησης.]]&lt;br /&gt;
&lt;br /&gt;
* [[Εντοπισμός υδάτινων συστημάτων και ανίχνευση μεταβολών με τη χρήση διαχρονικών τηλεπισκοπικών εικόνων στη λίμνη Burdur, Τουρκία.]]&lt;br /&gt;
&lt;br /&gt;
  &lt;br /&gt;
  [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα)]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Gradient_Descent-2</id>
		<title>Gradient Descent-2</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Gradient_Descent-2"/>
				<updated>2025-12-17T12:19:14Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Νέα σελίδα με ''''Gradient Descent'''   '''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; Εισαγωγή &amp;lt;/span&amp;gt;'''  Η κλίση καθόδου (gradi...'&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[εικόνα: gradient.png|th7umb|right|400px|'''Gradient Descent''' ]]&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; Εισαγωγή &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&lt;br /&gt;
Η κλίση καθόδου (gradient descent) έχει αναδειχθεί ως ένα αποτελεσματικό εργαλείο βελτιστοποίησης με ευρεία εφαρμογή σε πολλούς αλγορίθμους μηχανικής μάθησης, συμπεριλαμβανομένων των νευρωνικών δικτύων. Ο βασικός σκοπός αυτού του αλγορίθμου βελτιστοποίησης είναι η ελαχιστοποίηση μιας κυρτής συνάρτησης κόστους, η οποία αντιπροσωπεύει την απόδοση ενός μοντέλου.&lt;br /&gt;
Η βασική ιδέα πίσω από την κλίση καθόδου είναι να προσαρμόζονται επαναληπτικά οι παράμετροι ενός μοντέλου με στόχο την ελαχιστοποίηση της συνάρτησης κόστους. Κατά τη διαδικασία αυτή, οι παράμετροι ενημερώνονται με βάση την αντίθετη κατεύθυνση της κλίσης της συνάρτησης κόστους. Αυτό σημαίνει ότι το μοντέλο κινείται προς την κατεύθυνση της μεγαλύτερης αύξησης της συνάρτησης κόστους, με σκοπό την εύρεση του ελάχιστου.&lt;br /&gt;
Ουσιαστικά, η διαδικασία είναι ως εξής: Αφού προσδιοριστεί μια αρχική θέση (ή σύνολο παραμέτρων) για το μοντέλο, η κλίση της συνάρτησης κόστους υπολογίζεται σε αυτήν τη θέση. Στη συνέχεια, οι παράμετροι ενημερώνονται κατά μήκος της αντίθετης κατεύθυνσης της κλίσης, λαμβάνοντας υπόψιν έναν ρυθμό εκμάθησης. Αυτή η διαδικασία επαναλαμβάνεται μέχρις ότου επιτευχθεί σύγκλιση σε ένα ολικό ελάχιστο.&lt;br /&gt;
Είναι σημαντικό να τονίσουμε ότι η αποτελεσματικότητα της κλίσης καθόδου οφείλεται στο γεγονός ότι οι περισσότερες συναρτήσεις κόστους είναι κυρτές. Αυτό εξασφαλίζει την σύγκλιση του αλγορίθμου σε ένα ολικό ελάχιστο.&lt;br /&gt;
Η κλίση καθόδου αντιπροσωπεύει ένα βασικό κομμάτι της εφαρμογής μηχανικής μάθησης, επιτρέποντας τη βελτιστοποίηση μοντέλων και την προσαρμογή τους προς τα επιθυμητά αποτελέσματα.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; Τί είναι κλίση (gradient); &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&lt;br /&gt;
Ο όρος «κλίση» αναφέρεται στο μέτρο της μεταβολής όλων των βαρών ενός μοντέλου ως αποτέλεσμα της μεταβολής του σφάλματος. Μπορούμε επίσης να σκεφτούμε την κλίση ως την κλίση μιας συνάρτησης. Όσο μεγαλύτερη είναι η κλίση, τόσο πιο απότομη είναι η κάθοδος και τόσο γρηγορότερα μαθαίνει ένα μοντέλο. Αν όμως η κλίση είναι μηδενική, το μοντέλο σταματά να μαθαίνει. Μαθηματικά, η κλίση είναι μια μερική παράγωγος ως προς τις εισόδους της.&lt;br /&gt;
Ένα απτό παράδειγμα είναι το εξής: Ένας τυφλός άνθρωπος θέλει να ανέβει στην κορυφή ενός λόφου με τον λιγότερο δυνατό αριθμό βημάτων. Αρχικά, μπορεί να αρχίσει να ανεβαίνει το λόφο κάνοντας πολύ μεγάλα βήματα προς την πιο απότομη κατεύθυνση, όσο δεν είναι κοντά στην κορυφή. Καθώς πλησιάζει όμως στην κορυφή, τα βήματά του γίνονται ολοένα και μικρότερα για να αποφύγει το να την υπερβεί. Αυτή η διαδικασία μπορεί να περιγραφεί μαθηματικά χρησιμοποιώντας την έννοια της κλίσης [1].&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; Η εξίσωση της μεθόδου &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&lt;br /&gt;
Η εξίσωση που περιγράφει τη μέθοδο είναι:&lt;br /&gt;
&lt;br /&gt;
[[εικόνα: typos_gradient.png|thumb|center|300px]]&lt;br /&gt;
&lt;br /&gt;
 1.	Pn+1: Αντιπροσωπεύει τη νέα θέση ή το νέο σύνολο παραμέτρων. Κατά την εκτέλεση της κλίσης καθόδου, η θέση ενημερώνεται βάσει της κατεύθυνσης και του ρυθμού εκμάθησης.&lt;br /&gt;
2.	pn: Αντιπροσωπεύει την τρέχουσα θέση ή το τρέχον σύνολο παραμέτρων.&lt;br /&gt;
3.	η: Ο ρυθμός εκμάθησης. Αυτή η παράμετρος καθορίζει πόσο μεγάλο είναι το βήμα προς την επόμενη θέση. Είναι σημαντικό να επιλεγεί με προσοχή, καθώς μικρές μεταβολές μπορούν να επηρεάσουν σημαντικά τον χρόνο και την ποιότητα της εκπαίδευσης.&lt;br /&gt;
4.	∇f(pn) Η κατεύθυνση της πιο απότομης κατάβασης της συνάρτησης κόστους στο σημείο pn.&lt;br /&gt;
&lt;br /&gt;
Σε κάθε επανάληψη, η νέα θέση που προκύπτει είναι αντίστροφη προς την κατεύθυνση, ενώ το μέγεθος της ενημέρωσης ελέγχεται από τον ρυθμό εκμάθησης. Ο αλγόριθμος συνεχίζει να εκτελείται μέχρι να επιτευχθεί σύγκλιση σε ένα ολικό ελάχιστο.&lt;br /&gt;
Αυτή η διαδικασία επιτρέπει στο μοντέλο να ενημερώνει τις παραμέτρους του προς την κατεύθυνση που μειώνει τη συνάρτηση κόστους, ελαχιστοποιώντας έτσι την απόκλιση και βελτιώνοντας την απόδοση του μοντέλου.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; Εφαρμογές της μεθόδου &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&lt;br /&gt;
Η εφαρμογή της κλίσης καθόδου είναι ευρέως διαδεδομένη σε προβλήματα μηχανικής μάθησης. &lt;br /&gt;
&lt;br /&gt;
1.	'''Εκπαίδευση Νευρωνικών Δικτύων (Neural Networks):'''&lt;br /&gt;
Τα νευρωνικά δίκτυα χρησιμοποιούνται ευρέως σε προβλήματα μηχανικής μάθησης, όπως αναγνώριση εικόνας, φωνής, και άλλα. Κατά τη διάρκεια της εκπαίδευσης των νευρωνικών δικτύων, η κλίση καθόδου χρησιμοποιείται για την ενημέρωση των βαρών του δικτύου με σκοπό την ελαχιστοποίηση της συνάρτησης κόστους [2].&lt;br /&gt;
&lt;br /&gt;
2.	'''Γραμμική Κατηγοριοποίηση και Παλινδρόμηση: '''&lt;br /&gt;
Σε αλγόριθμους παλινδρόμησης και κατηγοριοποίησης, όπως η γραμμική παλινδρόμηση και η λογιστική παλινδρόμηση, η κλίση καθόδου χρησιμοποιείται για την εκπαίδευση του μοντέλου προσαρμόζοντας τις παραμέτρους προς την κατεύθυνση της ελαχιστοποίησης του κόστους [3].&lt;br /&gt;
&lt;br /&gt;
3.	'''Μηχανή Διανυσματικής Υποστήριξης (SVM): '''&lt;br /&gt;
Η κλίση καθόδου χρησιμοποιείται για την εκπαίδευση μοντέλων SVM προσαρμόζοντας τις παραμέτρους τους για την επίτευξη βέλτιστης απόστασης μεταξύ των κλάσεων [4].&lt;br /&gt;
&lt;br /&gt;
4.	'''Βελτιστοποίηση Υπερπαραμέτρων:'''&lt;br /&gt;
Η κλίση καθόδου χρησιμοποιείται επίσης για τη βελτιστοποίηση των υπερπαραμέτρων μοντέλων μηχανικής μάθησης, όπως οι ρυθμίσεις του ρυθμού εκμάθησης [5].&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; Τύποι Κλίσης Καθόδου &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&lt;br /&gt;
Υπάρχουν τρία είδη αλγορίθμων κλίσης καθόδου:&lt;br /&gt;
&lt;br /&gt;
Η στοχαστική κλίση καθόδου, ο Batch gradient descent και ο Mini-batch gradient descent&lt;br /&gt;
&lt;br /&gt;
•	'''Στοχαστική Κλίση Καθόδου (Stochastic Gradient Descent):'''&lt;br /&gt;
Η στοχαστική κλίση καθόδου βασίζεται στην μεθοδολογία που αναφέρθηκε παραπάνω, με την διαφορά ότι η κλίση υπολογίζεται με βάση ενός υποσυνόλου του σετ δεδομένων. Η λειτουργία αυτή επιταχύνει σημαντικά τον αλγόριθμο καθιστώντας την απαραίτητη σε προβλήματα υψηλών διαστάσεων. Εκ πρώτης όψεως, η στοχαστική κλίση καθόδου παρουσιάζεται ως αλγόριθμος χαμηλής ποιότητας, ωστόσο επιλύονται σημαντικά προβλήματα του κλίσης καθόδου όπως είναι η προσκόλληση της συνάρτησης σε τοπικά ελάχιστα. &lt;br /&gt;
&lt;br /&gt;
•	'''Batch Gradient Descent: '''&lt;br /&gt;
Ο batch gradient descent είναι ένας αλγόριθμος βελτιστοποίησης που χρησιμοποιείται για την εκπαίδευση μοντέλων στην μηχανική μάθηση. Λειτουργεί ως εξής:&lt;br /&gt;
&lt;br /&gt;
1.	'''Υπολογισμός Σφάλματος:''' Κάθε φορά που το μοντέλο μηχανικής μάθησης κάνει μια πρόβλεψη, υπολογίζουμε το πόσο λάθος ήταν σε σχέση με το πραγματικό αποτέλεσμα.&lt;br /&gt;
&lt;br /&gt;
2.	'''Σύνολο Εκπαίδευσης:''' Έχουμε ένα σύνολο εκπαίδευσης με πολλά παραδείγματα.&lt;br /&gt;
&lt;br /&gt;
3.	'''Μέσος Υπολογισμός:''' Ο Batch Gradient Descent υπολογίζει το συνολικό σφάλμα για όλα τα παραδείγματα εκπαίδευσης.&lt;br /&gt;
&lt;br /&gt;
4.	'''Ανανέωση Παραμέτρων:''' Με βάση αυτό το συνολικό σφάλμα, ανανεώνουμε τις παραμέτρους του μοντέλου μας.&lt;br /&gt;
&lt;br /&gt;
5.	'''Επανάληψη:''' Επαναλαμβάνουμε τη διαδικασία για πολλές εποχές (epochs), προσπαθώντας να μειώσουμε συνεχώς το σφάλμα.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
•	'''Mini-Batch Gradient Descent: '''&lt;br /&gt;
Ο Mini-batch gradient descent συνδυάζει ιδέες από τους αλγορίθμους batch gradient descent και στοχαστικής κλίσης καθόδου. Διαιρεί τα σετ δεδομένων εκπαίδευσης σε μικρά τμήματα (μικρές δέσμες) και κάνει ενημερώσεις(updates) σε κάθε δέσμη. Αυτή η προσέγγιση εξασφαλίζει μια ισορροπία ανάμεσα στην αποτελεσματικότητα του batch gradient descent και την ταχύτητα της στοχαστικής κλίσης καθόδου [6].&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; Προκλήσεις &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&lt;br /&gt;
'''Τοπικά Ελάχιστα και Σημεία Σέλας'''&lt;br /&gt;
&lt;br /&gt;
Σε προβλήματα όπου θέλουμε να βρούμε το καλύτερο αποτέλεσμα (γενικά το &amp;quot;ελάχιστο&amp;quot;), μπορεί να υπάρχουν τοπικά ελάχιστα. Αυτά είναι σημεία που μοιάζουν με ελάχιστα, αλλά δεν είναι το πραγματικό καλύτερο αποτέλεσμα. Υπάρχουν επίσης τα σημεία σέλας, σημεία δηλαδή όπου η καμπύλη της συνάρτησης είναι επίπεδη και μπορεί να είναι δύσκολο για τον αλγόριθμο να προχωρήσει προς μια κατεύθυνση. Κάτι που μπορεί να βοηθήσει τον αλγόριθμο να &amp;quot;δραπετεύσει&amp;quot; από τα τοπικά ελάχιστα και τα σημεία σέλας, επιτρέποντας του να συνεχίσει την εύρεση του γενικού ελαχίστου, είναι ο θόρυβος. Ο &amp;quot;θόρυβος&amp;quot; στην κλίση καθόδου αναφέρεται σε μικρές ανεπιθύμητες αλλαγές στην κατεύθυνση. Αυτό μπορεί να οφείλεται σε διάφορους παράγοντες, όπως τα δεδομένα που δεν είναι απόλυτα καθαρά.&lt;br /&gt;
&lt;br /&gt;
Κατά την εκπαίδευση βαθιών νευρωνικών δικτύων (DNN), όπως τα αναδρομικά νευρωνικά δίκτυα (RNN), μπορεί να συναντήσουμε άλλους 2 τύπους προβλημάτων:&lt;br /&gt;
&lt;br /&gt;
'''Vanishing gradients'''&lt;br /&gt;
&lt;br /&gt;
Συμβαίνει όταν η κλίση γίνεται πολύ μικρή. Καθώς προχωράμε πίσω κατά τη διαδικασία του backpropagation, η κλίση συνεχίζει να μικραίνει, κάνοντας τα πρώτα επίπεδα του δικτύου να μαθαίνουν πιο αργά από τα επόμενα. Αυτό μπορεί να οδηγήσει σε ανανέωση των βαρών μέχρι να γίνουν αμελητέα (δηλαδή 0), με αποτέλεσμα να μην μαθαίνει πλέον το μοντέλο.&lt;br /&gt;
&lt;br /&gt;
'''Exploding gradients'''&lt;br /&gt;
&lt;br /&gt;
Συμβαίνει όταν η κλίση γίνεται πολύ μεγάλη, δημιουργώντας ένα ασταθές μοντέλο. Σε αυτήν την περίπτωση, τα βάρη του μοντέλου θα αυξηθούν πολύ, με αποτέλεσμα να γίνονται NaN (μη ορισμένα). Μια λύση σε αυτό το πρόβλημα είναι να χρησιμοποιηθεί μια τεχνική μείωσης των διαστάσεων, η οποία μπορεί να βοηθήσει στον περιορισμό της πολυπλοκότητας μέσα στο μοντέλο.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:Αμμοδοχείο]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%BF%CE%BD%CF%85%CF%83%CF%8C%CF%80%CE%BF%CF%85%CE%BB%CE%BF%CF%82_%CE%91%CE%B8%CE%B1%CE%BD%CE%AC%CF%83%CE%B9%CE%BF%CF%82</id>
		<title>Διονυσόπουλος Αθανάσιος</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%BF%CE%BD%CF%85%CF%83%CF%8C%CF%80%CE%BF%CF%85%CE%BB%CE%BF%CF%82_%CE%91%CE%B8%CE%B1%CE%BD%CE%AC%CF%83%CE%B9%CE%BF%CF%82"/>
				<updated>2025-03-07T07:47:35Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;*[[Remote sensing of mountain snow from space: status and recommendations]]&amp;lt;br&amp;gt;&lt;br /&gt;
*[[Assessing Forest Degradation Through Remote Sensing in the Brazilian Amazon]]&amp;lt;br&amp;gt;&lt;br /&gt;
*[[Remote Sensing and Machine Learning for Safer Railways]]&amp;lt;br&amp;gt;&lt;br /&gt;
*[[Thermal Infrared Remote Sensing of Stress Responses in Forest Environments]]&amp;lt;br&amp;gt;&lt;br /&gt;
*[[Integration of remote sensing data and GIS technologies in river management system]]&amp;lt;br&amp;gt;&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Μέτσοβο) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82</id>
		<title>Δεληπέτρος Δημήτρης</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B5%CE%BB%CE%B7%CF%80%CE%AD%CF%84%CF%81%CE%BF%CF%82_%CE%94%CE%B7%CE%BC%CE%AE%CF%84%CF%81%CE%B7%CF%82"/>
				<updated>2025-02-16T18:52:45Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[ Ανίχνευση αλλαγών πολλαπλών μορφών μέσω αυτοεποπτευόμενης μάθησης αντίθεσης διαφορών για τηλεπισκόπηση ]]&lt;br /&gt;
&lt;br /&gt;
[[Ανίχνευση Αλλαγών μεταξύ Ιστορικών Χαρτών Χρήσης Γης και Σύγχρονων Δορυφορικών Εικόνων ]]&lt;br /&gt;
&lt;br /&gt;
[[ Ανάλυση αλλαγών στη χρήση γης και στην κάλυψη γης χρησιμοποιώντας τηλεπισκόπηση και GIS: Μια μελέτη περίπτωσης της Hamirpur, Ινδία]]&lt;br /&gt;
&lt;br /&gt;
[[ Κατηγοριοποίηση εικόνων τηλεπισκόπησης με βάση έναν ημι-εποπτευόμενο προσαρμοστικό αλγόριθμο fuzzy c-means τύπου-2 με διαστήματα ]]&lt;br /&gt;
&lt;br /&gt;
[[ Βελτιστοποίση διαχείρισης απορριμμάτων σε αγροτεικές περιοχές με χρήση τηλεπισκόπισης και GIS ]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Lolo</id>
		<title>Lolo</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Lolo"/>
				<updated>2025-01-22T10:09:36Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Η Lolo μετακινήθηκε στη θέση Loloo&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;#ΑΝΑΚΑΤΕΥΘΥΝΣΗ [[Loloo]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%97_%CE%B5%CF%80%CE%AF%CE%B4%CF%81%CE%B1%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B2%CF%8C%CF%83%CE%BA%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CE%99%CE%B2%CE%B7%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B1%CF%83%CE%BF%CE%BB%CE%B9%CE%B2%CE%B1%CE%B4%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B7_%CE%B2%CE%BB%CE%AC%CF%83%CF%84%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%BD%CE%BF%CE%BD%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CE%AC%CF%82_NDVI</id>
		<title>Η επίδραση της περιτροπικής βόσκησης των Ιβηρικών δασολιβαδικών συστημάτων με δείκτη βλάστησης κανονικοποιημένης διαφοράς NDVI</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%97_%CE%B5%CF%80%CE%AF%CE%B4%CF%81%CE%B1%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CF%84%CF%81%CE%BF%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B2%CF%8C%CF%83%CE%BA%CE%B7%CF%83%CE%B7%CF%82_%CF%84%CF%89%CE%BD_%CE%99%CE%B2%CE%B7%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B1%CF%83%CE%BF%CE%BB%CE%B9%CE%B2%CE%B1%CE%B4%CE%B9%CE%BA%CF%8E%CE%BD_%CF%83%CF%85%CF%83%CF%84%CE%B7%CE%BC%CE%AC%CF%84%CF%89%CE%BD_%CE%BC%CE%B5_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B7_%CE%B2%CE%BB%CE%AC%CF%83%CF%84%CE%B7%CF%83%CE%B7%CF%82_%CE%BA%CE%B1%CE%BD%CE%BF%CE%BD%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CE%AC%CF%82_NDVI"/>
				<updated>2024-02-27T15:08:45Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''Πρωτότυπος τίτλος:''' ''Assessing the effect of rotational grazing adoption in Iberian silvopastoral systems with &lt;br /&gt;
Normalized Difference Vegetation Index time series''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς: ''' ''Antonio Frongia, Antonio Pulina, Alberto Tanda, Giovanna Seddaiu, Pier &lt;br /&gt;
Paolo Roggero, Gerardo Moreno''&lt;br /&gt;
&lt;br /&gt;
'''Λέξεις κλειδιά: ''' ''Χρονοσειρές, προσαρμοστική βόσκηση, διαχείριση βόσκησης, &lt;br /&gt;
φαινολογία λιβαδιών, τηλεπισκόπηση'' &lt;br /&gt;
&lt;br /&gt;
'''Δημοσιεύθηκε: '''  ''Italian Journal of Agronomy 2023, volume 18:2185,  https://doi.org/10.4081/ija.2023.2185''&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; ΟΡΙΣΜΟΣ &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt; ''Προσαρμοστικοί περιφραγμένοι χώροι'' που στα αγγλικά μεταφράζεται ως ''Adaptive multi paddock (AMP)'' αφορά ένα σύστημα βόσκησης το οποίο συνδυάζει εντατική γρήγορη βόσκηση κυκλικά με σύντομες περιόδους βόσκησης και μετά από τη βόσκηση εκτενή χρόνο αποκατάστασης και ανάκαμψης. Σε ένα μεσογειακό δασολιβαδικό οικοσύστημα έπειτα από την εφαρμογή αυτού του τύπου βόσκησης παρουσιάζεται αλλαγή στη φαινολογία του βοσκότοπου και στη μεταβλητότητα του συγκρίνοντας τις διάφορες χρήσεις γης με μεθόδους τηλεπισκόπησης με δείκτες βλάστησης(NDVI) μέσω δορυφόρου  Landsat. &amp;lt;/p&amp;gt;&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; ΕΙΣΑΓΩΓΗ  &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Η τηλεπισκόπηση μέσω δορυφορικών δεδομένων χρησιμοποιείται ευρέως για τον ποσοτικό προσδιορισμό παραγωγικότητας των καλλιεργειών, κτηνοτροφικών καλλιεργειών και χορτολιβαδικών εκτάσεων. Μελέτες για τη παραγωγή βιομάζας και επιπτώσεις των πρακτικών διαχείρισης στη διαθεσιμότητα τροφής συχνά εστιάζεται στους ομοιογενείς λειμώνες. Όμως το σχήμα, η πολυπλοκότητα και η ετερογένεια των αγροδασικών συστημάτων καθιστούν την τηλεπισκόπηση δυσκολότερη από ό,τι σε διακριτούς και ομοιογενείς τύπους κάλυψης γης, όπως δάση και λειμώνες. Η πολυπλοκότητα αυξάνεται όταν χρησιμοποιούνται εργαλεία τηλεπισκόπησης για τον προσδιορισμό των φαινολογικών φάσεων και αλλαγών των βοσκοτόπων από τότε που  τα συστήματα αυτά συνδυάζουν ποώδες και θαμνώδες υπόγειο με χαμηλής πυκνότητας κάλυψης δέντρων. Μεταξύ των φασματικών δεικτών που αναπτύχθηκαν για την παρακολούθηση της βλάστησης, ο δείκτης βλάστησης κανονικοποιημένης διαφοράς (NDVI) είναι ο πιο συχνά χρησιμοποιούμενος ως υποκατάστατο της κλασματικής απορροφημένης φωτοσυνθετικά ενεργής ακτινοβολίας για την παρακολούθηση της δυναμικής των βοσκοτόπων, η οποία με τη σειρά της σχετίζεται με την παραγωγή βοσκοτόπων και στη συνέχεια διαθεσιμότητα βοσκήσιμης ύλης για βόσκηση. Επιπλέον, η ανάλυση της μεταβλητότητας του NDVI μπορεί να παρέχει πληροφορίες σχετικά με την αποτελεσματικότητα της διαχείρισης της βόσκησης από τη μεταβλητότητα των δεικτών του NDVI εντός των μονάδων βόσκησης, όπως ο NDVI τυπική απόκλιση (SD), που σχετίζονται με το επίπεδο αξιοποίησης των λιβαδικών πόρων από τα ζώα που βόσκουν. &lt;br /&gt;
Υιοθετώντας αυτό το σύστημα βόσκησης σαν διαχειριστικό εργαλείο στόχος είναι η σταθερότητα και η παραγωγικότητα των λιβαδικών οικοσυστημάτων σε σχέση με την συνεχόμενη βόσκηση και κατά συνέπεια υπερβόσκηση.&amp;lt;/p&amp;gt; &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ &amp;lt;/span&amp;gt;''' &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#008000&amp;quot;&amp;gt; Περιοχή Μελέτης &amp;lt;/span&amp;gt;''' &lt;br /&gt;
&lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Το σύνολο της πειραματικής περιοχής ήταν περίπου 2250 εκτάρια, τα οποία διακρίνονται σύμφωνα με το CORINE Κάλυψη γης ως:&lt;br /&gt;
 &amp;lt;blockquote&amp;gt;•	αγροδασοπονική/δασολιβαδοπονική κάλυψη γης (43,3%)&amp;lt;/blockquote&amp;gt;  &lt;br /&gt;
 &amp;lt;blockquote&amp;gt;•	μη αρδευόμενες αρόσιμες εκτάσεις (35,5%) &amp;lt;/blockquote&amp;gt;  &lt;br /&gt;
 &amp;lt;blockquote&amp;gt;•	βοσκότοποι (12,4%) &amp;lt;/blockquote&amp;gt;&lt;br /&gt;
 &amp;lt;blockquote&amp;gt;•	μόνιμα αρδευόμενες εκτάσεις (3,9%) &amp;lt;/blockquote&amp;gt;&lt;br /&gt;
 &amp;lt;blockquote&amp;gt;•	μεταβατικά δάση-θάμνοι (3,8%) &amp;lt;/blockquote&amp;gt; &lt;br /&gt;
 &amp;lt;blockquote&amp;gt;•	δάση πλατύφυλλων (1,0%) &amp;lt;/blockquote&amp;gt;&lt;br /&gt;
Οι χορτολιβαδικές εκτάσεις εντός αυτών των κτηνοτροφικών εκμεταλλεύσεων βόσκονταν από βοοειδή και πρόβατα, που παραδοσιακά διαχειρίζονται με συνεχή βόσκηση και χαμηλά ποσοστά αποθεματοποίησης. Σε κάθε εκμετάλλευση, δύο διαφορετικές καλύψεις γης εντοπίστηκαν: '''WG'''(ξυλώδης βλάστηση/λιβάδι) και '''GR'''(λιβάδι/βοσκότοπος). Το σύστημα βόσκησης AMP που εισήχθησε σε ορισμένα χωράφια κάθε αγροκτήματος μεταξύ 2014 και 2016, με αποτέλεσμα προσδιορίζοντας μια περίοδο πριν από την υιοθέτηση του AMP (πριν από το 2014, 2010-2014), μια μεταβατική περίοδο (2014-2016) και μια περίοδο μετά την οποία το σύστημα βόσκησης AMP ήταν καλά εδραιωμένο (2016-2021). Κατά την ίδια περίοδο μεγάλες περιοχές βόσκονταν με συνεχή βόσκηση '''CON'''. '''[Εικόνα 1]''' '''[Πίνακας 1]''' &amp;lt;/p&amp;gt; &lt;br /&gt;
&lt;br /&gt;
[[Αρχείο:Εικόνα .1.1.png| thumb| right|'''Εικόνα 1.''' ''Χάρτες των 3 εκμεταλλεύσεων στις περιοχές Alentejo (Πορτογαλία) και Extremadura (Ισπανία) της Ιβηρικής Χερσονήσου. Οι κόκκινες περιοχές αντιπροσωπεύουν&lt;br /&gt;
τις δασικές χορτολιβαδικές εκτάσεις και οι πράσινες περιοχές αντιπροσωπεύουν τη χορτολιβαδική εδαφοκάλυψη. Οι συμπαγείς περιοχές αντιπροσωπεύουν το χωράφι στο οποίο υπάρχει συνεχής βόσκηση&lt;br /&gt;
γινόταν καθ' όλη τη διάρκεια της περιόδου μελέτης (2010-2021), ενώ οι ραβδωτές περιοχές υποδεικνύουν αγρούς στους οποίους εφαρμόστηκε το προσαρμοστικό σύστημα βόσκησης με πολλαπλά μαντριά.&lt;br /&gt;
εφαρμόζεται από το 2014-2016. AMP-προσαρμοστικό σύστημα πολλαπλών βοσκοτόπων, CON-συνεχής βόσκηση'' ]] &lt;br /&gt;
&lt;br /&gt;
[[Αρχείο:Table1.png| thumb| right|'''Πίνακας 1.''' ''Τοποθεσία της εκμετάλλευσης και επιφάνεια των βοσκοτόπων (εκτάρια) εντός των βοσκοτόπων και των δασικών βοσκοτόπων στο πλαίσιο των προσαρμοστικών συστημάτων βόσκησης με πολλαπλά μαντριά και συνεχούς βόσκησης'' ]] &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#008000&amp;quot;&amp;gt; Συλλογή Δεδομένων τηλεπισκόπησης&amp;lt;/span&amp;gt;''' &lt;br /&gt;
&lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Οι εικόνες Landsat συλλέχθηκαν από τις Ηνωμένες Πολιτείες Geological Survey USGS (2023) web service. Εικόνες Landsat Level-2 με λιγότερο από 10% νεφοκάλυψη συλλέχθηκαν μεταξύ των διαθέσιμων (κάθε 16 ημέρες) από το Landsat-5 thematic mapper (TM) και Landsat-7 enhanced thematic mapper/ενισχυμένη (ETM) από τον Ιανουάριο 2010 έως Μάρτιος 2013 και από τον Landsat-8 operational land imager/θερμικό αισθητήρα υπερύθρων (OLI/TIR) από τον Απρίλιο του 2013 έως τον Δεκέμβριο του 2020. Οι εικόνες και από τους δύο δορυφόρους είχαν χωρική ανάλυση 30×30 m ανά pixel. Για την παρούσα μελέτη, συλλέχθηκαν κόκκινες και εγγύς υπέρυθρες (NIR) ζώνες και των δύο δορυφόρων, που αντιστοιχούν σε φασματικό πλάτος 0,63- 0. 69 µm και 0,64-0,67 µm για το κόκκινο (ζώνες 3 και 4 του Landsat-5/7 και Landsat 8, αντίστοιχα) και 0,76-0,90 µm και 0,85-0,88 µm για το NIR (ζώνες 4 και 5 των Landsat 5 και Landsat 8, αντίστοιχα). Η διόρθωση της ατμόσφαιρας  πραγματοποιήθηκε για την αφαίρεση τυχόν επίδρασης της ατμόσφαιρας στην ανάκλαση, με αποτέλεσμα στις τηλεπισκοπικές εικόνες να διορθώσουμε τις τιμές ανάκλασης σε επίπεδο εικονοστοιχείου με τη χρήση του πρόσθετου ημιαυτόματης ταξινόμησης.&amp;lt;/p&amp;gt; &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#008000&amp;quot;&amp;gt; Εποχιακές παράμετροι βλάστησης &amp;lt;/span&amp;gt;''' &lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Η μέθοδος εφαρμόστηκε με τη χρήση του λογισμικού TIMESAT (έκδοση 3. 3, Jönsson και Eklundh, 2004). Για την παρούσα μελέτη, ο αλγόριθμος ορίστηκε με βάση το εποχιακό εύρος του NDVI, που ορίζεται ως η διαφορά μεταξύ της μέγιστης και τις τιμές βάσης του NDVI. Μετά την υιοθέτηση του συστήματος βόσκησης AMP, ένας σχεδιασμός χωρισμένου χωραφιού με τρεις επαναλήψεις (αγροκτήματα) υιοθετήθηκε για να ελεγχθεί η επίδραση της αλληλεπίδρασης μεταξύ της κάλυψης γης (κύριος παράγοντας, GR έναντι WG) και το σύστημα βόσκησης (υποπαράγοντας, AMP έναντι CON) στις εποχιακές φαινολογικές παραμέτρους. Οι χρονοσειρές NDVI αναλύθηκαν από την εφαρμογή της προσαρμοστικής μεθόδου Savitzky-Golay μέσα από την οποία περιέχονται εποχιακές παράμετροι βλάστησης όπως προαναφέραμε χρησιμοποιώντας το λογισμικό TIMESAT. Οι ημερομηνίες έναρξης και λήξης κάθε εποχής, που εκτιμώνται από τον αλγόριθμο, χρησιμοποιήθηκαν για να προσδιορίσουν αν τα δεδομένα NDVI θα πρέπει να συμπεριληφθούν στην αναπτυξιακή περίοδο. Όπως για παράδειγμα το πράσινο στάδιο όταν NDVI &amp;gt;80%. '''[Διάγραμμα 1]''' &amp;lt;/p&amp;gt; &lt;br /&gt;
[[Αρχείο:Εικόνα ..1.2.png| thumb| right|'''Διάγραμμα 1.''' ''Σχηματική αναπαράσταση της αναγνώρισης των φαινολογικών σταδίων σε διάστημα 2 ετών. Οι χρωματιστές κουκκίδες αντιπροσωπεύουν το μέσο όρο του NDVI&lt;br /&gt;
Οι μαύρες κουκκίδες και τα τρίγωνα αντιπροσωπεύουν την αρχή και το τέλος της εποχής που εκτιμήθηκαν μέσω του λογισμικού TIMESAT- η διακεκομμένη γραμμή αντιπροσωπεύει τις προσαρμοσμένες τιμές του κανονικοποιημένου δείκτη βλάστησης που προέκυψαν&lt;br /&gt;
μέσω της μεθόδου εξομάλυνσης Savitzky-Golay'' ]] &lt;br /&gt;
  &lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; ΑΠΟΤΕΛΕΣΜΑΤΑ &amp;lt;/span&amp;gt;''' &lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Εξετάζεται η δυναμική του NDVI και των εποχιακών παραμέτρων της βλάστησης πριν και μετά την υιοθέτηση συστημάτων εκ περιτροπής βόσκησης όπως η AMP τόσο σε δασώδη λιβάδια (WG) όσο και σε λιβάδια (GR). Πριν από την υιοθέτηση του AMP, οι τιμές του NDVI διέφεραν μεταξύ των καλύψεων γης και παρατηρήθηκαν σημαντικές διαφορές σε παραμέτρους όπως val_end, ampl, der_l, der_r και integ_small με βάση την κάλυψη γης και το σύστημα βόσκησης. Μετά την υιοθέτηση, παρατηρήθηκαν μεταβολές στον NDVI και στις εποχιακές παραμέτρους, με την υιοθέτηση του AMP να οδηγεί σε σημαντικές μεταβολές σε παραμέτρους όπως val_start, val_peak, val_base και ρυθμό αύξησης, ιδίως στις περιοχές GR. Τα αποτελέσματα αυτά αναδεικνύουν τον αντίκτυπο της εκ περιτροπής βόσκησης στη δυναμική της βλάστησης και υποδηλώνουν τις δυνατότητές της στη βελτίωση της διαθεσιμότητας και της χρήσης της βοσκήσιμης ύλης σε μεσογειακά δασολιβαδικά συστήματα.&amp;lt;/p&amp;gt;  &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; ΣΥΖΗΤΗΣΗ &amp;lt;/span&amp;gt;''' &lt;br /&gt;
 &lt;br /&gt;
&amp;lt;u&amp;gt;H επίδραση της χρήσης γης και της βόσκησης στις εποχιακές παραμέτρους βλάστησης&amp;lt;/u&amp;gt; &lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Οι διαφορές που παρατηρούνται μεταξύ GR και WG στις παραμέτρους εκτιμώντας την έναρξη και τη τιμή βάσης του NDVI (val_start, val_base) συνδέονται με την επίδραση των αειθαλών ειδών δέντρων (κυρίως Q. ilex και Q. suber) χαρακτηριστικά των &lt;br /&gt;
οικοσυστημάτων Dehesas με βάση το NDVI. Στο πλαίσιο της ΑΜP μετά την υιοθέτηση της &lt;br /&gt;
εκ περιτροπής βόσκησης(AMP), οι υψηλότερες τιμές των παραμέτρων εκτίμησης του NDVI &lt;br /&gt;
στην αρχή του σταδίου ανάπτυξης (val_start, val_base) και τη μέγιστη τιμή της (val_peak, &lt;br /&gt;
val_peak, integ_large) προτείνοντας ότι το σύστημα AMP μπορεί να τονώσει την &lt;br /&gt;
επανεκκίνηση του φθινοπώρου, οδηγώντας σε υψηλότερη παραγωγή στην αιχμή της &lt;br /&gt;
περιόδου, η οποία ήρθε κατά μέσο όρο νωρίτερα στο πλαίσιο του AMP από ό,τι στο &lt;br /&gt;
CON(συνεχής βόσκηση).&amp;lt;/p&amp;gt; &lt;br /&gt;
&amp;lt;u&amp;gt;Η επίδραση της χρήσης γης και διαχείρισης στη μεταβλητότητα του NDVI&amp;lt;/u&amp;gt;&lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Τα στοιχεία που προκύπτουν από την ανάλυση της μεταβλητότητας του NDVI επιβεβαίωσε την υπόθεση ότι η εκ περιτροπής βόσκηση θα μπορούσε να μειώσει την χωρική μεταβλητότητα της βιομάζας των βοσκοτόπων. Η υψηλότερη χωρική μεταβλητότητα του NDVI υπό τη βόσκηση CON μπορεί να αποδίδεται στη λιγότερο αποτελεσματική εκμετάλλευση της βοσκήσιμης ύλης. Αυτό μπορεί να έχει ως αποτέλεσμα την απώλεια της ποιότητας των βοσκοτόπων, δηλαδή την απώλεια όσπριων και άλλων εύγευστων ειδών, και στη συνέχεια τη γονιμότητα του εδάφους. Το εύρημα αυτό υποδηλώνει υψηλότερη αξιοποίηση των κτηνοτροφικών πόρων από τα ζώα που βόσκουν, γεγονός που οδηγεί σε υπολογισμό της εκ περιτροπής βόσκηση ως στρατηγικής για τη βελτίωση της βιομάζας υπό χαμηλά ποσοστά αποθεματοποίησης ενός βοσκότοπου στα εκτεταμένα διαχειριζόμενα δασο-κτηνοτροφικά συστήματα. Συνδυασμός δεδομένων υψηλής ανάλυσης με παρατήρηση πεδίου για την παραγωγικότητα και την ποιότητα της χορτονομής μπορεί να αποτελούν εργαλείο για τη βελτίωση της επιστημονικής γνώσης σχετικά με τις επιπτώσεις των πρακτικών βόσκησης στα μεσογειακά δασο-κτηνοτροφικά συστήματα.&amp;lt;/p&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''&amp;lt;span style=&amp;quot;color:#006400&amp;quot;&amp;gt; ΣΥΜΠΕΡΑΣΜΑΤΑ &amp;lt;/span&amp;gt;'''&lt;br /&gt;
&amp;lt;p align=&amp;quot;justify&amp;quot;&amp;gt;Η μελέτη επιβεβαίωσε ότι η υιοθέτηση συστημάτων εκ περιτροπής βόσκησης, όπως η AMP, επηρεάζει σημαντικά τις εποχιακές παραμέτρους της βλάστησης και τη χωρική μεταβλητότητα, όπως προκύπτει από την ανάλυση NDVI. Παρόλο που δεν έδειξαν όλες οι παράμετροι θετική επίδραση, η συνολική χρονοσειρά NDVI έδειξε σημαντικές βελτιώσεις στη φαινολογία των βοσκοτόπων λόγω της βόσκησης AMP μέσα σε σύντομο χρονικό διάστημα 4-5 ετών. Αυτό υποδηλώνει αυξημένη διαθεσιμότητα βοσκήσιμης ύλης, ιδιαίτερα ευεργετική σε χαμηλά ποσοστά ζωικού κεφαλαίου σε μεσογειακά δασολιβαδικά συστήματα. Επιπλέον, η μελέτη ανέδειξε τη χρησιμότητα των δορυφορικών δεδομένων Landsat στην ανάλυση των επιπτώσεων της διαχείρισης της βόσκησης, αν και με περιορισμούς σε σύγκριση με τους νεότερους δορυφόρους. Οι επίγειες παρατηρήσεις κρίθηκαν απαραίτητες για την επικύρωση και την παροχή λεπτομερών πληροφοριών σχετικά με την κατανομή της βιομάζας. Η αξιοποίηση δορυφορικών δεδομένων υψηλής ανάλυσης παράλληλα με παρατηρήσεις πεδίου προσφέρει πολλά υποσχόμενες προοπτικές για βαθύτερη κατανόηση των επιπτώσεων της εκ περιτροπής βόσκησης σε μεσογειακά περιβάλλοντα.&amp;lt;/p&amp;gt;&lt;br /&gt;
&lt;br /&gt;
[[category:Χαρτογράφηση βοσκοτόπων]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82</id>
		<title>Σκουτέρης Κωνσταντίνος</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82"/>
				<updated>2024-02-14T18:09:28Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;* [[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]] &lt;br /&gt;
&lt;br /&gt;
* [[Building and Road Detection from Remote Sensing Images Based on Weights Adaptive Multi-Teacher Collaborative Distillation Using a Fused Knowledge]]&lt;br /&gt;
&lt;br /&gt;
* [[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]]&lt;br /&gt;
&lt;br /&gt;
* [[Σύγκριση των τηλεπισκοπικών και των καταγεγραμμένων βάσεων δεδομένων από καμένες περιοχές στην Μεσογειακή Ευρώπη]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Μέτσοβο) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82</id>
		<title>Σκουτέρης Κωνσταντίνος</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82"/>
				<updated>2024-02-14T18:06:59Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;* [[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]] &lt;br /&gt;
&lt;br /&gt;
* [[Building and Road Detection from Remote Sensing Images Based on Weights Adaptive Multi-Teacher Collaborative Distillation Using a Fused Knowledge]]&lt;br /&gt;
&lt;br /&gt;
* [[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Μέτσοβο) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82</id>
		<title>Σκουτέρης Κωνσταντίνος</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82"/>
				<updated>2024-02-14T18:02:26Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]] &lt;br /&gt;
[[Building and Road Detection from Remote Sensing Images Based on Weights Adaptive Multi-Teacher Collaborative Distillation Using a Fused Knowledge]]&lt;br /&gt;
[[Σύγκριση των τηλεπισκοπικών και των καταγεγραμμένων βάσεων δεδομένων από καμένες περιοχές στην Μεσογειακή Ευρώπη]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Μέτσοβο) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82</id>
		<title>Σκουτέρης Κωνσταντίνος</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82"/>
				<updated>2024-02-14T18:02:00Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]] &lt;br /&gt;
&lt;br /&gt;
[[Building and Road Detection from Remote Sensing Images Based on Weights Adaptive Multi-Teacher Collaborative Distillation Using a Fused Knowledge]]&lt;br /&gt;
&lt;br /&gt;
[[Σύγκριση των τηλεπισκοπικών και των καταγεγραμμένων βάσεων δεδομένων από καμένες περιοχές στην Μεσογειακή Ευρώπη]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Μέτσοβο) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82</id>
		<title>Σκουτέρης Κωνσταντίνος</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82"/>
				<updated>2024-02-14T18:01:39Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]] &lt;br /&gt;
[[Building and Road Detection from Remote Sensing Images Based on Weights Adaptive Multi-Teacher Collaborative Distillation Using a Fused Knowledge]]&lt;br /&gt;
[[Σύγκριση των τηλεπισκοπικών και των καταγεγραμμένων βάσεων δεδομένων από καμένες περιοχές στην Μεσογειακή Ευρώπη]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Μέτσοβο) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82</id>
		<title>Σκουτέρης Κωνσταντίνος</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%BA%CE%BF%CF%85%CF%84%CE%AD%CF%81%CE%B7%CF%82_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%BF%CF%82"/>
				<updated>2024-02-14T18:00:22Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[Αντιμετώπιση φυσικών καταστροφών Μεταβολή χρήσεων γης με τη βοήθεια της Τηλεπισκόπησης, Η περίπτωση της πυρκαγιάς του 2007]] &lt;br /&gt;
[[Building and Road Detection from Remote Sensing Images Based on Weights Adaptive Multi-Teacher Collaborative Distillation Using a Fused Knowledge]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Μέτσοβο) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/2.3.1._Pastures</id>
		<title>2.3.1. Pastures</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/2.3.1._Pastures"/>
				<updated>2024-01-30T21:04:21Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''Λιβάδια'''&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:Libadia22.jpg|thumb|right|Εικόνα SPOT 321,1:100000,Γαλλία,Περιοχή Saint-Laurent-et-Bennon,Μάιος 1989 ]]&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:Libadia13.jpg|thumb|right|Ιnterpretation]]&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:Libadia11.jpg|thumb|right|Πανχρωματική αεροφωτογραφία ]]&lt;br /&gt;
&lt;br /&gt;
Περιοχές που αποτελούνται από πυκνή χλόη ανθοκομικής σύνθεσης που κυριαρχείται από αγρωστώδη και δεν υπόκειται σε αμειψισπορά. Τα φυτά χρησιμοποιούνται κυρίως για βοσκή αλλά πολλές μπορούν να θεριστούν με μηχανικό τρόπο. Ακόμα περιλαμβάνονται περιοχές με θάμνους.&lt;br /&gt;
&lt;br /&gt;
Τα χαρακτηριστικά του εδάφους αλλά και η ύπαρξη υγρασίας επηρεάζουν σημαντικά την φασματική υπογραφή της κατηγορίας αυτής. Τα υγρά λιβάδια που είναι πλημμυρισμένα ορισμένες εποχές του έτους (χειμερινή υδροφόρτωση βάθους μεταξύ 10 και 30 εκ.) και μπορούν να χρησιμοποιούνται για βοσκή ανήκουν σ’ αυτή την κατηγορία και δεν θα πρέπει να ταξινομούνται ως υδάτινες επιφάνειες. Προσοχή χρειάζεται στον διαχωρισμό αυτής της κατηγορίας με την 3.2.1 (Φυσικοί Βοσκότοποι). Τα λιβάδια βρίσκονται πάντα κοντά σε κατοικημένες και καλλιεργούμενες εκτάσεις πράγμα που σημαίνει ότι λιβάδια σε υψίπεδα που βρίσκονται μακριά από σπίτια ή καλλιέργειες θα πρέπει να ταξινομούνται στην κατηγορία 3.2.1 και όχι στην κατηγορία 2.3.1.&lt;br /&gt;
&lt;br /&gt;
Τα λιβάδια μπορούν ακόμα να περιγραφούν ως ευρέως χρησιμοποιούμενα βοσκοτόπια. Αυτό γίνεται με την παρουσία υποδομών φάρμας: φράχτες, χώροι προστασίας, περιφραγμένοι χώροι, θέσεις για πότισμα, σκάφες ποτίσματος ζώων καθώς και με την παρουσία συνήθων γεωργικών εργασιών όπως θερισμός,  αποστράγγιση, παραγωγή σανού, γεωργικές πρακτικές, λίπανση.&lt;br /&gt;
&lt;br /&gt;
'''Ιδιαιτερότητα της κατηγορίας 2.3.1:''' Λιβάδια σε εγκατελειμμένη γη&lt;br /&gt;
&lt;br /&gt;
Βοσκότοπος  που έχει αναπτυχθεί από τη μη χρησιμοποίηση αρώσιμης γης για πάνω από τρία χρόνια. Προσδιορισμός του εν λόγω βοσκότοπου απαιτεί συγκέντρωση πληροφοριών από το πεδίο .&lt;br /&gt;
&lt;br /&gt;
Αυτός ο ορισμός περιλαμβάνει:&lt;br /&gt;
*περιοχές  βοσκοτόπων  που αποτελούν διαδοχή φυσικής υπερανάπτυξη αρώσιμης γης από κυρίως ποώδη βλάστηση&lt;br /&gt;
*περιοχές με σποραδικά απαντώμενους θάμνους.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Ιδιαιτερότητα της κατηγορίας 2.3.1:'''Δασωμένα λιβάδια&lt;br /&gt;
&lt;br /&gt;
Λιβάδια όπου διάσπαρτα δέντρα και θάμνοι καλύπτουν έως 50% της επιφάνειας της έκτασης. Αυτά τα λιβάδια χαρακτηρίζονται από πλούσια&lt;br /&gt;
ανθοκομική σύνθεση.&lt;br /&gt;
&lt;br /&gt;
Αυτός ο ορισμός περιλαμβάνει:&lt;br /&gt;
*περιοχές βοσκοτόπων , μερικά καλυπτόμενες από κορυφές δέντρων&lt;br /&gt;
*περιοχές διάσπαρτων δέντρων και θάμνων&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Η κατηγορία 2.3.1 γενικά περιλαμβάνει:'''&lt;br /&gt;
*	Προσωρινά και τεχνητά λιβάδια που δεν είναι σε αμειψισπορά και που γίνονται μόνιμα  βοσκοτόπια  πέντε χρόνια μετά από το όργωμα.&lt;br /&gt;
*	Εγκαταλελειμμένη αρόσιμη γη που δεν είναι σε αμειψισπορά και που χρησιμοποιείται  ως λιβάδι (μετά από 3 χρόνια).&lt;br /&gt;
*	Τα λιβάδια μπορεί να περιλαμβάνουν διάσπαρτα τμήματα αρόσιμης γης που δεν καλύπτουν πάνω από το 25% της συνολικής επιφάνειας.&lt;br /&gt;
*	Υγρά λιβάδια με κυρίαρχη την κάλυψη από γρασίδι. Σπάρτα, βούρλα, γαϊδουράγκαθα και τσουκνίδες πρέπει να καλύπτουν λιγότερο από το 25% της επιφάνειας της έκτασης.&lt;br /&gt;
*	Διάσπαρτα δέντρα και θάμνους (10-20% της συνολικής επιφάνειας ).&lt;br /&gt;
&lt;br /&gt;
'''Η κατηγορία 2.3.1 γενικά δεν περιλαμβάνει:'''&lt;br /&gt;
*	Γήπεδα με γρασίδι για στρατιωτικές ασκήσεις (χωρίς βοσκή) (κατηγορία 3.2.1).&lt;br /&gt;
*	Λιβάδια διαποτισμένα με αλμυρό νερό που βρίσκονται σε επίπεδες περιοχές παλίρροιας (κατηγορία 4.2.3)&lt;br /&gt;
*	Λιβάδια μέσα σε περιοχές αθλητισμού και αναψυχής (κατηγορία 1.4.2).&lt;br /&gt;
*	Υψηλής παραγωγικότητας φυσικά ορεινά λιβάδια μακριά από κατοικίες και καλλιέργειες (κατηγορία 3.2.1)&lt;br /&gt;
*	Καλλιέργειες με κτηνοτροφή  (κατηγορία 2.1.1).&lt;br /&gt;
*	Εγκαταλελειμμένοι βοσκότοποι όπου η ημι-γραμμική ή γραμμική βλάστηση καλύπτει τουλάχιστον 25%  της έκτασης (κατηγορία 3.2.2 ή 3.2.4).&lt;br /&gt;
*	Υγρά λιβάδια όπου τα υδρόφιλα είδη φυτών καλύπτουν τουλάχιστον 25% της έκτασης (κατηγορία 4.1.1).&lt;br /&gt;
*	Κάλυψη από χλόη που συνίσταται από μη-εύγευστα και μη επιθυμητά φυτά για βοοειδή (κατηγορία 3.2.1).&lt;br /&gt;
&lt;br /&gt;
'''Semantic Tags:'''&amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
ID Σπουδαστή: [[student_name::Chairetakis]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Όνομα Κλειδιού: [[preferred_name::2.3.1_Pastures]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Ελληνικό Όνομα Κλειδιού: [[greek_name::2.3.1_Livadia]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Τύπος Άρθρου: [[article_type::photointerpretation_key]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Είναι είδος: [[is_a_kind_of::Category:2.3._Pastures]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Τόνος του γκρι στο κανάλι 3 του Landsat TM: [[landsat_tm_band_3_tone::medium]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Δείκτης NDVI του Landsat TM: [[landsat_tm_NDVI_tone::medium]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 321 του Landsat TM: [[landsat_tm_rgb321_color::grey]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 432 του Landsat TM: [[landsat_tm_rgb432_color::grey]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 453 του Landsat TM: [[landsat_tm_rgb453_color::green]] , [[landsat_tm_rgb453_color::light_green]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 754 του Landsat TM: [[landsat_tm_rgb754_color::light_green]] , [[landsat_tm_rgb754_color::grey]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Υφή: [[texture::medium]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Πρότυπο: [[pattern::agricultural]] &amp;lt;br /&amp;gt;&lt;br /&gt;
Ομοιογένεια τόνου: [[photo_tone_uniformity::semi-uniform]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Είδος τόνου περιγράμματος: [[boundary_tone_type::semi-discrete]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Σχήμα σε 2 διαστάσεις: [[shape2d::undefined]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Σχετικό μέγεθος: [[relative_size::large]] &amp;lt;br /&amp;gt;&lt;br /&gt;
Κανονικότητα σχήματος: [[compactness::non-compact]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Αντίθεση με τον περίγυρο: [[contrast_with_surrounding::no]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Περιλαμβάνει :[[contains::low_vegetation]] , [[contains::fences]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Ανθρώπινη παρέμβαση : [[human_influence::yes]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Τύπος Κλειδιού: [[photointerpretation_key::Corine_Land_Cover]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[Category:2.3.1._Pastures]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/2.3.1._Pastures</id>
		<title>2.3.1. Pastures</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/2.3.1._Pastures"/>
				<updated>2024-01-30T20:21:56Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''Λιβάδια'''&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:Libadia22.jpg|thumb|right|Εικόνα SPOT 321,1:100000,Γαλλία,Περιοχή Saint-Laurent-et-Bennon,Μάιος 1989 ]]&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:Libadia13.jpg|thumb|right|Ιnterpretation]]&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:Libadia11.jpg|thumb|right|Πανχρωματική αεροφωτογραφία ]]&lt;br /&gt;
&lt;br /&gt;
Περιοχές που αποτελούνται από πυκνή χλόη ανθοκομικής σύνθεσης που κυριαρχείται από αγρωστώδη και δεν υπόκειται σε αμειψισπορά. Τα φυτά χρησιμοποιούνται κυρίως για βοσκή αλλά πολλές μπορούν να θεριστούν με μηχανικό τρόπο. Ακόμα περιλαμβάνονται περιοχές με θάμνους.&lt;br /&gt;
&lt;br /&gt;
Τα χαρακτηριστικά του εδάφους αλλά και η ύπαρξη υγρασίας επηρεάζουν σημαντικά την φασματική υπογραφή της κατηγορίας αυτής. Τα υγρά λιβάδια που είναι πλημμυρισμένα ορισμένες εποχές του έτους (χειμερινή υδροφόρτωση βάθους μεταξύ 10 και 30 εκ.) και μπορούν να χρησιμοποιούνται για βοσκή ανήκουν σ’ αυτή την κατηγορία και δεν θα πρέπει να ταξινομούνται ως υδάτινες επιφάνειες. Προσοχή χρειάζεται στον διαχωρισμό αυτής της κατηγορίας με την 3.2.1 (Φυσικοί Βοσκότοποι). Τα λιβάδια βρίσκονται πάντα κοντά σε κατοικημένες και καλλιεργούμενες εκτάσεις πράγμα που σημαίνει ότι λιβάδια σε υψίπεδα που βρίσκονται μακριά από σπίτια ή καλλιέργειες θα πρέπει να ταξινομούνται στην κατηγορία 3.2.1 και όχι στην κατηγορία 2.3.1.&lt;br /&gt;
&lt;br /&gt;
Τα λιβάδια μπορούν ακόμα να περιγραφούν ως ευρέως χρησιμοποιούμενα βοσκοτόπια. Αυτό γίνεται με την παρουσία υποδομών φάρμας: φράχτες, χώροι προστασίας, περιφραγμένοι χώροι, θέσεις για πότισμα, σκάφες ποτίσματος ζώων καθώς και με την παρουσία συνήθων γεωργικών εργασιών όπως θερισμός,  αποστράγγιση, παραγωγή σανού, γεωργικές πρακτικές, λίπανση.&lt;br /&gt;
&lt;br /&gt;
'''Ιδιαιτερότητα της κατηγορίας 2.3.1:''' Λιβάδια σε εγκατελειμμένη γη&lt;br /&gt;
&lt;br /&gt;
Βοσκότοπος  που έχει αναπτυχθεί από τη μη χρησιμοποίηση αρώσιμης γης για πάνω από τρία χρόνια. Προσδιορισμός του εν λόγω βοσκότοπου απαιτεί συγκέντρωση πληροφοριών από το πεδίο .&lt;br /&gt;
&lt;br /&gt;
Αυτός ο ορισμός περιλαμβάνει:&lt;br /&gt;
*περιοχές  βοσκοτόπων  που αποτελούν διαδοχή φυσικής υπερανάπτυξη αρώσιμης γης από κυρίως ποώδη βλάστηση&lt;br /&gt;
*περιοχές με σποραδικά απαντώμενους θάμνους.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Ιδιαιτερότητα της κατηγορίας 2.3.1:'''Δασωμένα λιβάδια&lt;br /&gt;
&lt;br /&gt;
Λιβάδια όπου διάσπαρτα δέντρα και θάμνοι καλύπτουν έως 50% της επιφάνειας της έκτασης. Αυτά τα λιβάδια χαρακτηρίζονται από πλούσια&lt;br /&gt;
ανθοκομική σύνθεση.&lt;br /&gt;
&lt;br /&gt;
Αυτός ο ορισμός περιλαμβάνει:&lt;br /&gt;
*περιοχές βοσκοτόπων , μερικά καλυπτόμενες από κορυφές δέντρων&lt;br /&gt;
*περιοχές διάσπαρτων δέντρων και θάμνων&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Η κατηγορία 2.3.1 γενικά περιλαμβάνει:'''&lt;br /&gt;
*	Προσωρινά και τεχνητά λιβάδια που δεν είναι σε αμειψισπορά και που γίνονται μόνιμα  βοσκοτόπια  πέντε χρόνια μετά από το όργωμα.&lt;br /&gt;
*	Εγκαταλελειμμένη αρόσιμη γη που δεν είναι σε αμειψισπορά και που χρησιμοποιείται  ως λιβάδι (μετά από 3 χρόνια).&lt;br /&gt;
*	Τα λιβάδια μπορεί να περιλαμβάνουν διάσπαρτα τμήματα αρόσιμης γης που δεν καλύπτουν πάνω από το 25% της συνολικής επιφάνειας.&lt;br /&gt;
*	Υγρά λιβάδια με κυρίαρχη την κάλυψη από γρασίδι. Σπάρτα, βούρλα, γαϊδουράγκαθα και τσουκνίδες πρέπει να καλύπτουν λιγότερο από το 25% της επιφάνειας της έκτασης.&lt;br /&gt;
*	Διάσπαρτα δέντρα και θάμνους (10-20% της συνολικής επιφάνειας ).&lt;br /&gt;
&lt;br /&gt;
'''Η κατηγορία 2.3.1 γενικά δεν περιλαμβάνει:'''&lt;br /&gt;
*	Γήπεδα με γρασίδι για στρατιωτικές ασκήσεις (χωρίς βοσκή) (κατηγορία 3.2.1).&lt;br /&gt;
*	Λιβάδια διαποτισμένα με αλμυρό νερό που βρίσκονται σε επίπεδες περιοχές παλίρροιας (κατηγορία 4.2.3)&lt;br /&gt;
*	Λιβάδια μέσα σε περιοχές αθλητισμού και αναψυχής (κατηγορία 1.4.2).&lt;br /&gt;
*	Υψηλής παραγωγικότητας φυσικά ορεινά λιβάδια μακριά από κατοικίες και καλλιέργειες (κατηγορία 3.2.1)&lt;br /&gt;
*	Καλλιέργειες με κτηνοτροφή  (κατηγορία 2.1.1).&lt;br /&gt;
*	Εγκαταλελειμμένοι βοσκότοποι όπου η ημι-γραμμική ή γραμμική βλάστηση καλύπτει τουλάχιστον 25%  της έκτασης (κατηγορία 3.2.2 ή 3.2.4).&lt;br /&gt;
*	Υγρά λιβάδια όπου τα υδρόφιλα είδη φυτών καλύπτουν τουλάχιστον 25% της έκτασης (κατηγορία 4.1.1).&lt;br /&gt;
*	Κάλυψη από χλόη που συνίσταται από μη-εύγευστα και μη επιθυμητά φυτά για βοοειδή (κατηγορία 3.2.1).&lt;br /&gt;
&lt;br /&gt;
'''Semantic Tags:'''&amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
ID Σπουδαστή: [[student_name::Chairetakis]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Όνομα Κλειδιού: [[preferred_name::2.3.1_Pastures]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Ελληνικό Όνομα Κλειδιού: [[greek_name::2.3.1_Livadia]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Τύπος Άρθρου: [[article_type::photointerpretation_key]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Είναι είδος: [[is_a_kind_of::Category:2.3._Pastures]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Τόνος του γκρι στο κανάλι 3 του Landsat TM: [[landsat_tm_band_3_tone::medium]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Δείκτης NDVI του Landsat TM: [[landsat_tm_NDVI_tone::medium]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 321 του Landsat TM: [[landsat_tm_rgb321_color::grey]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 432 του Landsat TM: [[landsat_tm_rgb432_color::grey]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 453 του Landsat TM: [[landsat_tm_rgb453_color::green]] , [[landsat_tm_rgb453_color::light_green]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Απόχρωση σε έγχρωμο σύνθετο RGB 754 του Landsat TM: [[landsat_tm_rgb754_color::light_green]] , [[landsat_tm_rgb754_color::grey]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Υφή: [[texture::medium]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Πρότυπο: [[pattern::agricultural]] &amp;lt;br /&amp;gt;&lt;br /&gt;
Ομοιογένεια τόνου: [[photo_tone_uniformity::semi-uniform]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Είδος τόνου περιγράμματος: [[boundary_tone_type::semi-discrete]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Σχήμα σε 2 διαστάσεις: [[shape2d::undefined]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Σχετικό μέγεθος: [[relative_size::large]] &amp;lt;br /&amp;gt;&lt;br /&gt;
Κανονικότητα σχήματος: [[compactness::non-compact]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Αντίθεση με τον περίγυρο: [[contrast_with_surrounding::no]] &amp;lt;br/&amp;gt;&lt;br /&gt;
Περιλαμβάνει :[[contains::low_vegetation]] , [[contains::fences]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Ανθρώπινη παρέμβαση : [[human_influence::yes]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&lt;br /&gt;
Τύπος Κλειδιού: [[photointerpretation_key::Corine_Land_Cover]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&amp;lt;math&amp;gt; (f^{y})\index{Gauss}(x) = f(x,y) = e^{-\frac{(d(x,y))^2}{2\sigma^2}} &amp;lt;/math&amp;gt;&lt;br /&gt;
&lt;br /&gt;
[[Category:2.3.1._Pastures]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES</id>
		<title>RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES"/>
				<updated>2024-01-30T05:48:16Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES'''&lt;br /&gt;
&lt;br /&gt;
'''Πηγή: https://www.researchgate.net/publication/335843313_RULE-BASED_MAPPING_OF_PARKED_VEHICLES_USING_AERIAL_IMAGE_SEQUENCES'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς: J. Knöttner , D. Rosenbaum , Franz Kurz, Peter Reinartz, Ansgar Brunn'''&lt;br /&gt;
&lt;br /&gt;
'''ΕΙΣΑΓΩΓΗ'''&lt;br /&gt;
&lt;br /&gt;
Η ανεξέλεγκτη χρήση του ΙΧ αυτοκινήτου και η αύξηση του κυκλοφοριακού προβλήματος είναι ένα από τα πιο πολύπλοκα ζητήματα που αντιμετωπίζουν οι σύγχρονες πόλεις σήμερα. Η στάθμευση των οχημάτων ωστόσο και η έλλειψη χώρων στάθμευσης είναι επίσης ένα εξίσου σημαντικό πρόβλημα που αντιμετωπίζουν οι πόλεις και οι πολίτες καθημερινώς. Η ανάγκη επίλυσης του προβλήματος κρίνεται αναγκαία και οι συγγραφείς του παρόντος άρθρου επιχείρησαν να προτείνουν μια νέα μέθοδο επίλυσης αυτού μέσω της αναγνώρισης και της ανάλυσης της υφιστάμενης κατάστασης. Αναλυτικότερα, η βάση των ερευνητών βασίζεται στην χαρτογράφηση των χώρων στάθμευσης στις πόλεις. Αν και οι επίγειοι αισθητήρες ή οι αισθητήρες που βασίζονται σε οχήματα  είναι  ίσως η πιο διαδεδομένη πηγή δεδομένων για τη χαρτογράφηση χώρων στάθμευσης, η αερομεταφερόμενη παρακολούθηση μπορεί να παίξει καινοτόμο και πρωτοποριακό ρόλο στη δημιουργία χαρτών, οι οποίοι περιλαμβάνουν επίσης χώρους στάθμευσης σε βοηθητικούς και προαστιακούς δρόμους. Οι ερευνητές παρουσίασαν  ένα νέο πλαίσιο για αυτόματη ταξινόμηση σε όλη την πόλη των οχημάτων που κινούνται, σταματούν και σταθμεύουν χρησιμοποιώντας αλληλουχίες εναέριων εικόνων και πληροφορίες από μια βάση δεδομένων οδών(Open Street Map) . Το χρονικό διάστημα παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια μιας ακολουθίας εικόνων συνήθως δεν είναι αρκετό για να αποφασιστεί με σαφήνεια, εάν ένα όχημα σταμάτησε π.χ. πριν από ένα φανάρι ή σταθμεύει κατά μήκος του δρόμου. Έτσι, η ροή εργασιών περιλαμβάνει μια μέθοδο ανίχνευσης και παρακολούθησης οχήματος καθώς και μια ροή εργασίας ασαφούς λογικής βασισμένη σε κανόνες για την ταξινόμηση των οχημάτων. Η ροή εργασίας ταξινομεί τα σταματημένα και σταθμευμένα οχήματα συμπεριλαμβάνοντας τη συνολική υφιστάμενη περικλείουσα κατάσταση κάθε οχήματος μέσω ενός γραφήματος Delaunay. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμές ορθότητας περίπου 86,3%, κάτι που επιτυγχάνεται χρησιμοποιώντας τρεις διαφορετικές αλληλουχίες αεροφωτογραφιών. Τα αποτελέσματα εξαρτώνται από πολλούς παράγοντες όπως η ποιότητα ανίχνευσης και η ακρίβεια της βάσης δεδομένων του δρόμου.&lt;br /&gt;
&lt;br /&gt;
'''ΜΕΘΟΔΟΛΟΓΙΑ''' &lt;br /&gt;
&lt;br /&gt;
Το πρώτο στάδιο της μεθοδολογίας που προτείνουν οι ερευνητές περιλαμβάνει τη διαδικασία αυτόματης ανίχνευσης και παρακολούθησης των οχημάτων, η οποία περιλαμβάνει πληροφορίες για την ταχύτητα και την κατεύθυνση οδήγησης κάθε οχήματος. Η διάκριση μεταξύ κινούμενων, σταματημένων ή σταθμευμένων οχημάτων γίνεται κυρίως λαμβάνοντας υπόψη τα γειτονικά αυτοκίνητα. Για το λόγο αυτό, όλα τα οχήματα που σταματούν ή σταθμεύουν ομαδοποιούνται σε ουρές οχημάτων. Μια ουρά οχημάτων αποτελείται από αυτοκίνητα που βρίσκονται το ένα κοντά στο άλλο στο ίδιο οδικό τμήμα. Κάθε ουρά είναι επίσης παράλληλη με τον κεντρικό άξονα του δρόμου και όλοι οι συμμετέχοντες έχουν την ίδια κατεύθυνση κίνησης. Επίσης, πολύτιμη πληροφορία για αυτή τη διάκριση είναι οι θέσεις των φωτεινών σηματοδοτών ή των διασταυρώσεων, οι οποίες περιέχονται στις βάσεις δεδομένων των δρόμων. Τα οχήματα που βρίσκονται κοντά σε διασταυρώσεις και φανάρια διακρίνονται χωριστά. Τέλος, όλες οι σχετικές παράμετροι συγχωνεύονται και λαμβάνεται μια απόφαση με βάση μια κοινή λογική, εάν ένα όχημα συμμετέχει στην κυκλοφορία ή ένα όχημα σταθμεύει. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia3.1.jpg| thumb| center|'''Eικόνα 1:'''Ροή εργασιών για ταξινόμηση οχημάτων..]]&lt;br /&gt;
&lt;br /&gt;
'''Πως γίνεται η διάκριση οχημάτων σε ουρές?'''&lt;br /&gt;
Για να πραγματοποιηθεί διάκριση οχημάτων σε ουρές οι ερευνητές προτείνουν την μέθοδο του τριγωνισμού Delaunay. Βάση του συγκεκριμένου σχηματισμού, όλες οι θέσεις του οχήματος είναι δικτυωμένες με τρίγωνα που έχουν τις μεγαλύτερες πιθανές εσωτερικές γωνίες. Το γράφημα Delaunay που δημιουργείται αποτελείται από ακμές και κορυφές. Οι θέσεις του οχήματος είναι οι κορυφές και οι γραμμές σύνδεσης μεταξύ των γειτονικών αυτοκινήτων είναι οι άκρες. Χρησιμοποιώντας τις κορυφές του γραφήματος Delaunay είναι δυνατό να αποσαφηνιστεί η υφιστάμενη περικλείουσα κατάσταση γειτονιάς για κάθε αυτοκίνητο. Για να μειωθεί το γράφημα σε ουρές, πρέπει να καθοριστούν τα οδικά τμήματα στα οποία βρίσκονται τα αυτοκίνητα. Σε μια βάση δεδομένων δρόμου, συνήθως κάθε τμήμα δρόμου αναπαρίσταται ως γραμμή με μοναδικό αναγνωριστικό. Η κατεύθυνση ή το τμήμα του δρόμου είναι επίσης απαραίτητο για την τελική μείωση σε ουρές. Η γωνία καθορίζει την κατεύθυνση πορείας στο οδικό τμήμα. Τα οχήματα είναι μέρος μιας ουράς, αν όλα είναι στην άκρη. Οι κατευθύνσεις του γραφήματος αντιστοιχούν με την κατεύθυνση πορείας στο τρέχον οδικό τμήμα. Κάθε οδικό τμήμα ορίζεται από πολλά σημεία. Τα οδικά τμήματα χωρίς ευθεία πορεία πρέπει να χωριστούν. Τέλος, υπολογίζεται ο προσδιορισμός της προκαθορισμένης κατεύθυνσης διαδρομής σε κάθε τμήμα ανάγνωσης. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia3.2.png| thumb| center|'''Eικόνα 2:'''Οι ουρές οχημάτων μετά τη μείωση του γραφήματος Delaunay.Οι ουρές με κινούμενα οχήματα επισημαίνονται με πράσινο χρώμα, ενώ οι ουρές με σταματημένα ή σταθμευμένα οχήματα σημειώνονται με κόκκινο χρώμα..]]&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia3.3.png| thumb| center|'''Eικόνα 3:'''Yπερυψωμένες διασταυρώσεις μεταξύ δρόμων..]]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Οχήματα κοντά σε διασταυρώσεις και φανάρια'''&lt;br /&gt;
Η συγκεκριμένη μεθοδολογία που προτείνουν οι ερευνητές, προορίζεται για την ταξινόμηση των οχήματα κοντά σε διασταυρώσεις ή φανάρια. Η ταξινόμηση θα αποφασίσει για κάθε όχημα, αν συμμετέχει στην κυκλοφορία ή βρίσκεται σταθμευμένο. Μια βασική παραδοχή είναι ότι οχήματα που βρίσκονται κοντά σε διασταυρώσεις ή φανάρια εμπλέκονται στην κυκλοφορία με μεγαλύτερη πιθανότητα. Μαζί με τις θέσεις των φαναριών, είναι δυνατό να προσδιοριστεί πόσο κοντά βρίσκονται τα οχήματα σε διασταύρωση ή φανάρι. Για το σκοπό αυτό, τα οχήματα επιλέγονται περαιτέρω με βάση την απόσταση μέχρι την επόμενη διασταύρωση ή τα φανάρια. Εφαρμόζονται τα ακόλουθα όρια απόστασης: 36m για διασταυρώσεις με δύο και περισσότερες λωρίδες και 17m για διασταυρώσεις με μία λωρίδα ανά κατεύθυνση.&lt;br /&gt;
[[Εικόνα:athanasia3.4.png| thumb| center|'''Eικόνα 4:'''Επιλεγμένα οχήματα κοντά σε φανάρια και σε περιοχές διασταυρώσεων..]]&lt;br /&gt;
&lt;br /&gt;
'''Ταξινόμηση οχημάτων με βάση τη ασαφή λογική'''&lt;br /&gt;
&lt;br /&gt;
Η τελική ταξινόμηση των οχημάτων σε στάθμευση ή στη  συμμετοχή στην κυκλοφορία γίνεται με τη χρήση ασαφούς λογικής, η οποία μπορεί να μοντελοποιηθεί διαισθητικά χωρίς πολύπλοκα υποκείμενα στατιστικά στοιχεία. Γενικά, τα οχήματα που έχουν εκχωρηθεί σε ουρές και όχι σε ουρές, επεξεργάζονται χωριστά με διαφορετικά ασαφή συστήματα.&lt;br /&gt;
Με βάση προκαθορισμένους κανόνες, πολλές παράμετροι που ονομάζονται γλωσσικές μεταβλητές συγχωνεύονται σε ένα ασαφές σύστημα. Αυτό περιλαμβάνει για κάθε όχημα:&lt;br /&gt;
• ταχύτητα οδήγησης &lt;br /&gt;
• απόσταση από διασταύρωση δρόμου/φανάρι&lt;br /&gt;
• κατηγορία δρόμου&lt;br /&gt;
• αριθμός λωρίδων για κάθε κατεύθυνση οδήγησης&lt;br /&gt;
• πυκνότητα οχήματος ουράς D (μόνο για οχήματα σε ουρές)&lt;br /&gt;
Για παράδειγμα, εάν ένα όχημα οδηγεί αργά και βρίσκεται κοντά σε φανάρι ή διασταύρωση, θεωρείται ότι αυτό το όχημα σταθμεύει με μικρότερη πιθανότητα από εκείνα τα οχήματα που δεν βρίσκονται κοντά σε μια τέτοια περιοχή. Ένα ασαφές σύστημα λαμβάνει μια ευκρινή τιμή εισόδου και επιστρέφει μια ευκρινή τιμή εξόδου. Στην ασάφεια, οι ευκρινείς τιμές μετατρέπονται σε μη δυαδικές τιμές που βασίζονται σε μη αποκλειστικές συναρτήσεις μέλους. Η αντιστοίχιση μιας μεταβλητής στο ασαφές σύνολο γίνεται μέσω της συνάρτησης μέλους. Ο ορισμός των συναρτήσεων μέλους γίνεται εμπειρικά, με βάση άλλη βιβλιογραφία ή λογικών εκτιμήσεων.&lt;br /&gt;
Η γλωσσική μεταβλητή ταχύτητα έχει τους αντίστοιχους όρους αργή και γρήγορη. Ακόμα κι αν ένα όχημα κινείται αργά, δεν μπορεί να εκχωρηθεί αυτόματα ως μη σταθμευμένο, καθώς η μέτρηση της ταχύτητας μπορεί να είναι λανθασμένη. Η ακρίβεια της ταχύτητας οδήγησης επηρεάζεται από διάφορους παράγοντες. Αυτό περιλαμβάνει την ακρίβεια της μέτρησης του οχήματος, τα σφάλματα χρονισμού κατά τη λήψη εικόνας και το σφάλμα κλίμακας που προκαλείται από το ψηφιακό υψομετρικό μοντέλο. Λαμβάνοντας υπόψη τους επιμέρους παράγοντες, η εμπειρική τυπική απόκλιση είναι κάτω από 5 km/h. Επομένως, όλα τα οχήματα που έχουν ταχύτητα οδήγησης μικρότερη από 5 km/h μπορούν να θεωρηθούν σταθμευμένα. &lt;br /&gt;
Μια άλλη γλωσσική μεταβλητή είναι η επιρροή από τα φανάρια ή τα σταυροδρόμια. Τα φανάρια και οι διασταυρώσεις επηρεάζουν την οδηγική συμπεριφορά των χρηστών του δρόμου. Οι συνδυασμοί τους μαζί με την κατηγορία λωρίδας εξετάζονται με διαφορετικές σταθμίσεις στο ασαφές σύστημα. Επιπλέον, η στάθμευση εξαρτάται από την κατηγορία λωρίδας. Εάν ο δρόμος αποτελείται από δύο λωρίδες, το τμήμα του δρόμου χρησιμοποιείται περισσότερο και η επιρροή ενός φαναριού ή διασταύρωσης είναι κατά συνέπεια μεγαλύτερη. Η κατηγορία του δρόμου είναι σημαντική για τη στάθμευση αυτοκινήτων κατά μήκος του δρόμου σε κατοικημένες περιοχές. Τα οχήματα σε αυτές τις περιοχές λαμβάνουν ειδική στάθμιση εντός του ασαφούς συστήματος. Για τον ορισμό της συνάρτησης μέλους, οι κατηγορίες δρόμων 1-2 συγχωνεύονται σε nuds ισχυρής κυκλοφορίας και οι άλλες κατηγορίες 3-5 σε δρόμους χαμηλής κυκλοφορίας.&lt;br /&gt;
Μια άλλη γλωσσική μεταβλητή είναι η πυκνότητα του οχήματος μιας ουράς. Αυτή η μεταβλητή είναι μόνο μέρος του ασαφούς συστήματος των οχημάτων σε ουρές. Υπολογίζεται η πυκνότητα του οχήματος D όπου n είναι ο αριθμός των οχημάτων σε μια ουρά για ένα άκρο και As είναι το μήκος της άκρης. Η τιμή παρέχει πληροφορίες σχετικά με το πόσο κοντά βρίσκονται τα οχήματα το ένα πίσω από το άλλο. Εάν τα αυτοκίνητα περιμένουν σε διασταύρωση, η απόσταση μεταξύ τους είναι μικρή και η πυκνότητα κατά συνέπεια υψηλή. Μπορούμε λοιπόν βάση των ερευνητών να υποθέσουμε ότι οχήματα με πυκνότητα 0,15 ή μεγαλύτερη βρίσκονται σταθμευμένα  λόγω της κυκλοφορίας (Van Aerde, Rakha, 1995).&lt;br /&gt;
Για τη σύνδεση των γεγονότων, ορίζονται κανόνες if-then. Για τον κανόνα της κρυφής μνήμης, οι γλωσσικές μεταβλητές συνδέονται με &amp;quot;Και&amp;quot;.&lt;br /&gt;
Μετά τον καθορισμό των κανόνων, η υπαγωγή στη βάση κανόνων μπορεί να είναι καθοριστική ξεχωριστά για τα οχήματα σε ουρά και τα οχήματα που δεν έχουν εκχωρηθεί σε ουρές. Η διάσταση του διανύσματος συσχετίζεται με τον αριθμό των κανόνων. Για το λόγο αυτό, ο βαθμός υπαγωγής στον κανόνα προπονητή είναι ο ελάχιστος. Στη συνέχεια, γίνεται η συσσώρευση. Τα διανύσματα &amp;quot;Parking high&amp;quot; και &amp;quot;Parking low&amp;quot; έχουν αρκετά ασαφή σύνολα. Ο τελεστής συσσώρευσης συνδυάζει τα μερικά αποτελέσματα με μια σύνδεση Ok σε ένα τελικό σετ.  Λόγω της λειτουργίας OR, χρησιμοποιείται ο μέγιστος τελεστής. Η μεταβλητή εξόδου είναι η γλωσσική μεταβλητή «στάθμευση» με δύο γλωσσικούς όρους «χαμηλό» και «υψηλό». Ο όρος χαμηλός αντιπροσωπεύει &amp;quot;εμπλέκεται στην κυκλοφορία&amp;quot; και ο όρος υψηλός &amp;quot;στάθμευση&amp;quot;.&lt;br /&gt;
Οι τιμές flazzy μετατρέπονται σε ευκρινείς τιμές. Η έξοδος είναι η τιμή στάθμευσης με την αντίστοιχη ισχύ. Όλα τα οχήματα σε μια ουρά λαμβάνουν την ίδια τιμή. Όλα τα οχήματα που δεν βρίσκονται σε ουρές λαμβάνουν ατομική αξία στάθμευσης. Τα αυτοκίνητα με μεγαλύτερη τιμή στάθμευσης από 0,5 θεωρείται ότι σταθμεύουν, τα άλλα εμπλέκονται στην κυκλοφορία.&lt;br /&gt;
 &lt;br /&gt;
'''ΠΕΙΡΑΜΑΤΑ'''&lt;br /&gt;
&lt;br /&gt;
Τα πειράματα διεξήχθησαν χρησιμοποιώντας δεδομένα  αερό-φωτογραφίας που ελήφθησαν από το λεγόμενο σύστημα κάμερας 4k για εφαρμογές σε πραγματικό χρόνο και ταχεία χαρτογράφηση, μια εσωτερική ανάπτυξη DLR, η οποία είναι τοποθετημένη σε ελικόπτερο&lt;br /&gt;
&lt;br /&gt;
'''Σύνολο δεδομένων'''&lt;br /&gt;
&lt;br /&gt;
Η μέθοδος αναπτύχθηκε και επικυρώθηκε σε ακολουθίες εικόνων διαφορετικών σκηνών στην περιοχή του Μονάχου, που αποκτήθηκαν με το σύστημα αισθητήρων 4k σε ύψος πτήσης 8000 hm από το έδαφος. Ο τελικός χρόνος παρατήρησης ήταν μικρότερος από 10 δευτερόλεπτα. &lt;br /&gt;
Στην περίπτωσή του πειράματος καταγράφηκαν τρεις εικόνες  με ρυθμό επανάληψης 2 καρέ ανά δευτερόλεπτο και ανά κάμερα. Η διάρκεια του διαλείμματος μεταξύ κάθε ριπής είναι 6-7 δευτερόλεπτα. Αυτές οι σύντομες ακολουθίες είναι καλές για τον εντοπισμό και την παρακολούθηση οχημάτων, ενώ τα διαλείμματα της λειτουργίας ριπής μειώνουν την ποσότητα δεδομένων που πρέπει να χειριστεί (σε πραγματικό χρόνο) στους υπολογιστές του συστήματος του αεροσκάφους. &lt;br /&gt;
&lt;br /&gt;
''' Αποτελέσματα'''&lt;br /&gt;
Οι παρακάτω εικόνες παρουσιάζουν τα τελικά αποτελέσματα της ταξινόμησης οχημάτων μιας σκηνής. Τα χρώματα των ουρών οχημάτων αντιστοιχούν στα αποτελέσματα της ασαφούς λογικής. Όλα τα οχήματα που βρίσκονται σε πράσινη ουρά εμπλέκονται στην κυκλοφορία ενώ με κόκκινο χρώμα συγκαταλέγονται τα οχήματα εκείνα  που σταθμεύουν . &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia3.5.png| thumb| center|'''Eικόνα 5:'''α) Αποτελέσματα για το διαχωρισμό των ουρών στάθμευσης και της κυκλοφορίας που προκαλούνται από σταματημένες ουρές, (β) Αποτελέσματα ταξινόμησης οχημάτων στάθμευσης και κυκλοφορίας που προκαλούνται από σταματημένα οχήματα&lt;br /&gt;
..]]&lt;br /&gt;
&lt;br /&gt;
'''ΣΥΖΗΤΗΣΗ ΚΑΙ ΠΡΟΟΠΤΙΚΕΣ – ΣΥΜΠΕΡΑΣΜΑΤΑ''' &lt;br /&gt;
&lt;br /&gt;
Η παρουσιαζόμενη μέθοδος για την ταξινόμηση των οχημάτων σε &amp;quot;moving&amp;quot;, &amp;quot;stop&amp;quot; και &amp;quot;parking&amp;quot; εκμεταλλεύεται τις πληροφορίες που εμπεριέχονται σε αλληλουχίες εναέριων εικόνων. Το χρονικό διάστημα της παρατήρησης ενός συγκεκριμένου οχήματος κατά τη διάρκεια αυτής της ακολουθίας βρίσκεται στα σύνολα δεδομένων που συλλέγονται. Η παρουσιαζόμενη μέθοδος φτάνει σε τιμή ορθότητας περίπου 86,3%. Τα αποτελέσματα εξαρτώνται από διάφορους παράγοντες οι οποίοι αναφέρθηκαν στην ανάλυση. Η ανάγκη επίλυσης του ζητήματος της στάθμευσης των οχημάτων οδήγησε στην ανάπτυξη της παρούσας μεθόδου. Η χρήση της τηλεπισκόπησης και η επεξεργασία αεροφωτογραφιών για την ανάλυση της υφιστάμενης κατάστασης έχει συμβάλλει ουσιαστικά στο παρόν ζήτημα. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:Περιβαλλοντικές Επιπτώσεις]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/USE_OF_REMOTE-SENSING_TECHNOLOGY_FOR_VEHICLE_EMISSIONS_MONITORING_AND_CONTROL</id>
		<title>USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/USE_OF_REMOTE-SENSING_TECHNOLOGY_FOR_VEHICLE_EMISSIONS_MONITORING_AND_CONTROL"/>
				<updated>2024-01-30T05:46:59Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL'''&lt;br /&gt;
&lt;br /&gt;
'''Πηγή:https://theicct.org/sites/default/files/publications/ICCT_remote-sensing_brief_201812.pdf'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς: Tim Dallmann'''&lt;br /&gt;
&lt;br /&gt;
'''ΕΙΣΑΓΩΓΗ'''&lt;br /&gt;
 &lt;br /&gt;
Η αλματώδης με ξέφρενούς ρυθμούς, ανάπτυξη της τεχνολογίας στα τέλη του 20ου αιώνα, συνοδεύεται από μια εκτεταμένη οικολογική καταστροφή στον πλανήτη μας. Η ατμόσφαιρα του πλανήτη μας δέχεται σήμερα μια επιβάρυνση από ρυπογόνους παράγοντες σε τρομακτικό και συνεχώς αυξανόμενο ρυθμό. Οι ρύποι των ΙΧ αποτελούν μία από τις αιτίες του προβλήματος που επιβαρύνουν συνεχώς την κατάσταση. Η μέτρηση των εκπομπών καυσαερίων από τα οχήματα κατά την κανονική λειτουργία τους στο δρόμο είναι το κλειδί για κάθε αποτελεσματικό σύστημα ελέγχου της ατμοσφαιρικής ρύπανσης στον τομέα των μεταφορών. Ιδιαιτέρως σημαντικό είναι να επισημανθεί και να εντοπιστεί η διαφορά μεταξύ της απόδοσης των δοκιμών πιστοποίησης και των πραγματικών εκπομπών οχημάτων &amp;quot;πραγματικού κόσμου&amp;quot;, προκειμένου να αποσαφηνιστεί η πραγματική υφιστάμενη κατάσταση. Το παρόν άρθρο επιχειρεί να παρουσιάσει τη μέθοδο παρακολούθησης και ελέγχου των εκπομπών των οχημάτων μέσω της αξιοποίησης της επιστήμης της τηλεπισκόπησης. &lt;br /&gt;
Η πιο ευρέως γνωστή μέθοδος δοκιμής εκπομπών οχημάτων κατά τη χρήση χρησιμοποιεί ένα φορητό σύστημα μέτρησης εκπομπών ή PEMS. Αυτό περιλαμβάνει δειγματοληψία και ανάλυση της εξάτμισης με εξοπλισμό τοποθετημένο σε ένα μεμονωμένο όχημα καθώς κυκλοφορεί πάνω από το δρόμο ή σε κλειστή διαδρομή, και παράγει λεπτομερή, ανά δευτερόλεπτο, καταγραφή των εκπομπών από αυτό το μεμονωμένο όχημα. Το PEMS χρησιμοποιείται ευρέως από ερευνητές και διαδραμάτισε βασικό ρόλο στην ανίχνευση εκτεταμένης φοροδιαφυγής και παραβίασης των κανονισμών εκπομπών οχημάτων από τους κατασκευαστές και έχει ενσωματωθεί στα πρωτόκολλα δοκιμών πιστοποίησης τόσο για βαρέα όσο και για ελαφρά οχήματα. Είναι όμως χρονοβόρο και ακριβό. Για αυτούς και άλλους λόγους, το PEMS δεν είναι εγγενώς κατάλληλο για την παρακολούθηση και την επιτήρηση του στόλου. &lt;br /&gt;
Η τηλεπισκόπηση ως μέσο μέτρησης των εκπομπών μηχανοκίνητων οχημάτων είναι λιγότερο γνωστή, αν και είναι μια καθιερωμένη ερευνητική τεχνική σε αυτόν τον τομέα καθώς και σε άλλους. Σε σύγκριση με τη δοκιμή PEMS είναι λιγότερο δαπανηρή τόσο σε χρόνο όσο και σε χρήμα. Η διακριτική (&amp;quot;απομακρυσμένη&amp;quot;) φύση της τεχνικής την καθιστά κατάλληλη για την παρακολούθηση του στόλου.&lt;br /&gt;
&lt;br /&gt;
'''ΒΑΣΙΚΕΣ ΑΡΧΕΣ  ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ για την παρακολούθηση του φαινομένου'''&lt;br /&gt;
&lt;br /&gt;
Τα συστήματα τηλεπισκόπησης χρησιμοποιούν φασματοσκόπια απορρόφησης για τη μη παρεμβατική μέτρηση των συγκεντρώσεων ρύπων στα καυσαέρια των εν χρήσει οχημάτων. Μια φωτεινή πηγή και ένας ανιχνευτής τοποθετούνται είτε δίπλα είτε πάνω από ένα οδόστρωμα, με το όργανο προσανατολισμένο έτσι ώστε η φωτεινή δέσμη που παράγεται από την πηγή να διασχίζει τα λοφία καυσαερίων των οχημάτων που διέρχονται. Οι ρύποι αλληλοεπιδρούν με το φως, επομένως η σχετική ποσότητα αυτών των ειδών που υπάρχουν στα καυσαέρια του οχήματος μπορεί να προσδιοριστεί μετρώντας πόσο φως ορισμένων μηκών κύματος απορροφάται καθώς η δέσμη φωτός διέρχεται από το λοφίο. Κάθε μέτρηση τηλεπισκόπησης διαρκεί λιγότερο από ένα δευτερόλεπτο και, όταν είναι επιτυχής, δίνει μια εκτίμηση της συγκέντρωσης των ρύπων σε σχέση με τη συγκέντρωση του CO2 στο νέφος των καυσαερίων. Τα συστήματα τηλεπισκόπησης μετρούν το μονοξείδιο του αζώτου (NO), το διοξείδιο του αζώτου (NO2), το μονοξείδιο του άνθρακα (CO), τους υδρογονάνθρακες (HC) και το διοξείδιο του άνθρακα (CO2). Οι εκπομπές σωματιδίων (PM) μετρούνται έμμεσα με χρήση αδιαφάνειας λοφίου. Οι εκπομπές διοξειδίου του θείου (SO2) και αμμωνίας (NH1) μπορούν επίσης να μετρηθούν χρησιμοποιώντας τηλεπισκόπηση.&lt;br /&gt;
Τα δεδομένα εκπομπών είναι περιορισμένης χρησιμότητας εάν δεν μπορούν να συνδεθούν με πληροφορίες σχετικά με το όχημα από το οποίο προέρχονται, συμπεριλαμβανομένου του τρόπου λειτουργίας του οχήματος τη στιγμή της μέτρησης. Τα συστήματα τηλεπισκόπησης ενσωματώνουν πρόσθετο εξοπλισμό για την απόκτηση αυτών των πληροφοριών. Μια κάμερα καταγράφει μια εικόνα του αριθμού πινακίδας του οχήματος, η οποία μπορεί να χρησιμοποιηθεί για την ανάκτηση των προδιαγραφών του οχήματος (π.χ. μάρκα, μοντέλο, τύπος καυσίμου, μέγεθος κινητήρα, πρότυπο εκπομπών) από βάσεις δεδομένων καταχώρησης. Μια άλλη συσκευή μετρά την ταχύτητα και τον ρυθμό επιτάχυνσης του οχήματος, η οποία παρέχει πληροφορίες σχετικά με το φορτίο του κινητήρα του οχήματος τη στιγμή της μέτρησης των εκπομπών. Τέλος, οι αισθητήρες μετρούν τις συνθήκες περιβάλλοντος, όπως η θερμοκρασία, η πίεση και η σχετική υγρασία.&lt;br /&gt;
&lt;br /&gt;
Ένα πλήρες αρχείο τηλεπισκόπησης για ένα μεμονωμένο όχημα περιέχει τις ακόλουθες πληροφορίες:&lt;br /&gt;
&lt;br /&gt;
	τη μέτρηση συγκέντρωσης κάθε είδους εκπομπών σε σχέση με το CO2 συγκριτικά με τη συγκέντρωση τους στον αέρα του περιβάλλοντος&lt;br /&gt;
&lt;br /&gt;
	τη ταχύτητα και το ρυθμό επιτάχυνσης του οχήματος&lt;br /&gt;
&lt;br /&gt;
	τις συνθήκες μέτρησης: χαρακτηριστικά  δρόμου, θερμοκρασία και πίεση περιβάλλοντος και σχετική υγρασία&lt;br /&gt;
&lt;br /&gt;
	τις προδιαγραφές του οχήματος, συμπεριλαμβανομένης της μάρκας, του μοντέλου, της κατηγορίας, έτος μοντέλου, τύπος και μέγεθος αμαξώματος, τύπος καυσίμου, μέγεθος κινητήρα, πρότυπο εκπομπών, τιμή CO₂ έγκρισης τύπου και μάζα άδειας οχήματος&lt;br /&gt;
&lt;br /&gt;
Οι ερευνητές επισημαίνουν μέσω του άρθρου πως υπάρχουν δύο κύριοι προμηθευτές εξοπλισμού τηλεπισκόπησης και υπηρεσιών δοκιμών στις Ηνωμένες Πολιτείες και την Ευρωπαϊκή Ένωση: η Hager Environmental and Atmospheric Technologies (HEAT) και η Opus Inspection. Κάθε μία από αυτές τις εταιρείες έχει αναπτύξει συστήματα τηλεπισκόπησης που ακολουθούν τις γενικές αρχές που περιγράφονται παραπάνω. Ωστόσο, υπάρχουν σημαντικές διαφορές στις προσεγγίσεις μέτρησης που εφαρμόζουν οι δύο εταιρείες. Η πιο εύκολα εμφανής διαφορά μεταξύ των δύο, που απεικονίζεται στο Σχήμα 1, είναι η τοποθέτηση της φωτεινής πηγής και των μονάδων ανιχνευτή σε σχέση με το οδόστρωμα. Το όργανο Opus, το RSD5000, εφαρμόζει μια γεωμετρία κατά μήκος του δρόμου, όπου το όργανο τοποθετείται στο πλάι του δρόμου και η φωτεινή δέσμη διασχίζει οριζόντια το λοφίο της εξάτμισης. Αντίθετα, το όργανο τηλεπισκόπησης HEAT EDAR είναι τοποθετημένο πάνω από ένα οδόστρωμα με τη φωτεινή δέσμη να περνά κατακόρυφα μέσα από τα στόμια εξάτμισης των οχημάτων δοκιμής. Από πρακτική άποψη, η γεωμετρία από πάνω προς τα κάτω του οργάνου EDAR διευκολύνει τη διενέργεια μετρήσεων σε τοποθεσίες με πολλές λωρίδες και καθιστά τη μέτρηση λιγότερο ευαίσθητη στο ύψος και τον προσανατολισμό της εξάτμισης του οχήματος δοκιμής. Από την άλλη πλευρά, η τοποθέτηση στο δρόμο και η εύκολη μεταφορά του RSD5000 υποστηρίζουν σχετικά γρήγορη εγκατάσταση και αυξάνουν την ευελιξία ανάπτυξης του οργάνου. Το όργανο HEAT EDAR διακρίνεται περαιτέρω από το Opus RSD5000 στη χρήση λέιζερ ως πηγή φωτός. Το λέιζερ σαρώνεται σε όλο το πλάτος του οδοστρώματος, επιτρέποντας τη μέτρηση ολόκληρου του νέφους εξάτμισης του οχήματος. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia5.1.png| thumb| center|'''Eικόνα 1:'''Σχηματική ρύθμιση των τριών μονάδων της συσκευής τηλεπισκόπησης. Κορυφή, ρύθμιση για διασταύρωση&lt;br /&gt;
Τηλεπισκόπηση: η πηγή φωτός με τον ανακλαστικό καθρέφτη στην άλλη πλευρά του δρόμου και το φως&lt;br /&gt;
ανιχνευτής; τους ανιχνευτές ταχύτητας και επιτάχυνσης· και το καταγραφικό πινακίδων. Κάτω, ρύθμιση για&lt;br /&gt;
σύστημα τηλεπισκόπησης από πάνω προς τα κάτω (EDAR)...]]&lt;br /&gt;
&lt;br /&gt;
'''ΑΝΑΛΥΣΗ ΔΕΔΟΜΕΝΩΝ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ'''&lt;br /&gt;
&lt;br /&gt;
Σε σύγκριση με μια δοκιμή PEMS, μια μεμονωμένη εγγραφή τηλεπισκόπησης παρέχει περιορισμένο αριθμό δεδομένων σχετικά με τις επιδόσεις εκπομπών ενός οχήματος. Το δείγμα τηλεπισκόπησης διαρκεί λιγότερο από 1 δευτερόλεπτο και οι μετρούμενες εκπομπές είναι αντιπροσωπευτικές μιας μεμονωμένης κατάστασης οδήγησης, όπως ορίζεται από την ταχύτητα και την επιτάχυνση του οχήματος και τον βαθμό δρόμου. Η δοκιμή τηλεπισκόπησης είναι συγκρίσιμη με δεδομένα αξίας ενός δευτερολέπτου από μια δοκιμή PEMS, η οποία μπορεί να διαρκέσει έως και αρκετές ώρες. Το μικρό μήκος δοκιμής θα πρέπει να θεωρείται ως χαρακτηριστικό της μεθόδου τηλεπισκόπησης και όχι ως περιορισμός. Η προσέγγιση επιτρέπει τη μέτρηση των πραγματικών εκπομπών από έναν πολύ μεγάλο αριθμό οχημάτων σε σύντομο χρονικό διάστημα και με οικονομικά αποδοτικό τρόπο. Ένα μόνο όργανο τηλεπισκόπησης μπορεί να μετρήσει τις εκπομπές χιλιάδων οχημάτων κάθε μέρα. Ενώ κάθε μεμονωμένη μέτρηση είναι μόνο ένα στιγμιότυπο των εκπομπών από ένα μόνο όχημα, το συνολικό δείγμα μπορεί να παρέχει λεπτομερείς πληροφορίες για τις εκπομπές όχι μόνο από τον μετρούμενο στόλο αλλά και από συγκεκριμένες υποομάδες εντός αυτού. Εάν οι μετρήσεις τηλεπισκόπησης πραγματοποιούνται σε πολλές τοποθεσίες σε μια αστική περιοχή ή ακόμα και σε τοποθεσίες σε διαφορετικές γεωγραφικές περιοχές με παρόμοιους στόλους οχημάτων, το συνδυασμένο σύνολο δεδομένων μπορεί να προσφέρει μια πλούσια προοπτική για τις πραγματικές επιδόσεις εκπομπών σε μια σειρά συνθηκών οδήγησης και περιβάλλοντος . Το αποτέλεσμα μιας μέτρησης τηλεπισκόπησης είναι η συγκέντρωση ενός δεδομένου ρύπου στο στόμιο εξάτμισης του υπό δοκιμή οχήματος σε σχέση με το CO, συγκέντρωση στα καυσαέρια. Αυτή η τιμή τυπικά μετατρέπεται σε ειδικό συντελεστή εκπομπής καυσίμου, ο οποίος είναι ένα μέτρο της μάζας του ρύπου που εκπέμπεται από το όχημα ανά μάζα καυσίμου που καίγεται (γραμμάρια ανά κιλό καυσίμου, g/kg). Αναπτύχθηκαν μέθοδοι για την περαιτέρω μετατροπή των ειδικών για το καύσιμο συντελεστών εκπομπών σε ρυθμούς εκπομπών ειδικών για την απόσταση (γραμμάρια ανά χιλιόμετρο, g/km) προκειμένου να γίνει σύγκριση με τα ρυθμιστικά όρια και τα μοντέλα συντελεστών εκπομπών. Μέχρι στιγμής, αυτές οι μέθοδοι έχουν εφαρμοστεί μόνο σε συγκεντρωτικά δείγματα εγγραφών τηλεπισκόπησης για συγκεκριμένες ομάδες οχημάτων, όχι σε μεμονωμένα δείγματα οχημάτων. Οι περισσότερες αναλύσεις δεδομένων τηλεπισκόπησης συγκεντρώνουν μεμονωμένα αρχεία εκπομπών οχημάτων για την αξιολόγηση των εκπομπών για συγκεκριμένες ομάδες οχημάτων. Αυτές οι ομαδοποιήσεις μπορούν, για παράδειγμα, να είναι ανά τύπο οχήματος, τύπο καυσίμου, πιστοποιημένο πρότυπο εκπομπών και/ή έτος μοντέλου, κατασκευαστή και μοντέλο ή οικογένεια οχημάτων. Εάν υπάρχουν επαρκή δεδομένα, μπορεί να πραγματοποιηθεί περαιτέρω ανάλυση του τρόπου με τον οποίο οι εκπομπές για κάθε υποομάδα ποικίλλουν ανάλογα με το φορτίο του κινητήρα ή τη θερμοκρασία περιβάλλοντος. Γενικά, όσο πιο λεπτός είναι ο βαθμός ευκρίνειας της ανάλυσης, τόσο περισσότερα δεδομένα τηλεπισκόπησης απαιτούνται για την παροχή στατιστικά ισχυρών αποτελεσμάτων. &lt;br /&gt;
&lt;br /&gt;
'''ΕΦΑΡΜΟΓΕΣ ΤΗΛΕΠΙΣΚΟΠΗΣΗΣ''' &lt;br /&gt;
&lt;br /&gt;
Επειδή η τηλεπισκόπηση επιτρέπει στους ερευνητές  να συλλέγουν οικονομικά δεδομένα εκπομπών από μια σειρά οχημάτων, μπορεί να συμβάλει σε διάφορα προγράμματα, πολιτικές και αποφάσεις που σχετίζονται με την ποιότητα του αέρα.&lt;br /&gt;
&lt;br /&gt;
	Προσδιορισμός μεμονωμένων υψηλών ή χαμηλών εκπομπών&lt;br /&gt;
&lt;br /&gt;
Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τον εντοπισμό οχημάτων που κατά πάσα πιθανότητα έχουν είτε ελαττωματικό σύστημα ελέγχου εκπομπών είτε κάποιο που έχει παραβιαστεί. Ομοίως, η τηλεπισκόπηση μπορεί να αναγνωρίσει οχήματα στα οποία, κατά πάσα πιθανότητα, το σύστημα ελέγχου εκπομπών λειτουργεί σωστά και πλήρως. Αυτή η δυνατότητα θα μπορούσε να χρησιμοποιηθεί για διάφορους σκοπούς, όπως η υποστήριξη και η βελτίωση της ακρίβειας και κάλυψης υφιστάμενων προγραμμάτων περιοδικής τεχνικής επιθεώρησης (PTI), η υποστήριξη προγραμμάτων οδικής επιθεώρησης ή η υποστήριξη ενός &amp;quot;προγράμματος καθαρής οθόνης που επιτρέπει στους οδηγούς να παρακάμπτουν τις περιοδικές εκπομπές καυσαερίων δοκιμής πιστοποίησης με την επαλήθευση ότι οι εκπομπές του οχήματός τους βρίσκονται εντός ενός ορίου.&lt;br /&gt;
&lt;br /&gt;
	Βελτίωση των μοντέλων εκπομπών ρύπων και ποιότητας αέρα&lt;br /&gt;
&lt;br /&gt;
Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τη δημιουργία πραγματικών παραγόντων εκπομπών σε πολλά επίπεδα ευαισθησίας ανάλογα με τη διαθεσιμότητα δεδομένων. Παράγοντες εκπομπών μπορεί να είναι οι εξής: ο τύπος οχήματος (π.χ. ελαφρύ ή βαρέως τύπου), ο τύπος καυσίμου (π.χ. βενζίνη ή ντίζελ), πρότυπο εκπομπών (π.χ. Euro 5 ή Euro 6), ο κατασκευαστής (π.χ. Volkswagen ή Renault), η οικογένεια οχημάτων (όλα τα οχήματα με τον ίδιο κινητήρα) ή μοντέλο οχήματος. Οι πραγματικοί παράγοντες εκπομπών θα μπορούσαν να χρησιμοποιηθούν ως στοιχεία εισόδου σε διάφορα μοντέλα εκπομπών, εργαλεία πρόβλεψης ποιότητας αέρα ή μοντέλα κυκλοφορίας και θα επέτρεπαν σημαντική βελτίωση στην ακρίβεια των εκροών τέτοιων μοντέλων.&lt;br /&gt;
&lt;br /&gt;
	Καθοδήγηση νέων πολιτικών&lt;br /&gt;
&lt;br /&gt;
Τοπικές, περιφερειακές, εθνικές και σε επίπεδο Ευρωπαϊκής Ένωσης αρχές εργάζονται για την ανάπτυξη ή τη βελτίωση πολιτικών που θα μπορούσαν να επεξεργάζονται καλύτερα τα δεδομένα που λαμβάνονται από την τηλεπισκόπηση. Για παράδειγμα, οι πόλεις που εξετάζουν την εφαρμογή ζώνης χαμηλών εκπομπών ή απαγόρευσης οχημάτων θα μπορούσαν να χρησιμοποιήσουν τα δεδομένα για να προβλέψουν την αποτελεσματικότητα διαφορετικών επαναλήψεων πολιτικής. Ομοίως, οι κυβερνήσεις που εξετάζουν ένα πρόγραμμα απόσυρσης και αντικατάστασης οχημάτων θα μπορούσαν να προσδιορίσουν τους στόχους οχημάτων με τις υψηλότερες εκπομπές, για μέγιστο αντίκτυπο. Οι υπεύθυνοι χάραξης πολιτικής που αναπτύσσουν κανονισμούς εκπομπών για νέα οχήματα μπορούν να χρησιμοποιήσουν δεδομένα πραγματικού κόσμου για να εντοπίσουν περιορισμούς ή ελαττώματα σε υφιστάμενους κανονισμούς.&lt;br /&gt;
&lt;br /&gt;
	Παρακολούθηση της αποτελεσματικότητας της πολιτικής.&lt;br /&gt;
&lt;br /&gt;
Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στον προσδιορισμό του εάν οι πολιτικές παράγουν τα επιδιωκόμενα αποτελέσματά τους, π.χ. εάν το σχέδιο χρέωσης συμφόρησης/τοξικότητας μιας πόλης έχει οδηγήσει σε μετρήσιμη μείωση της ρύπανσης.&lt;br /&gt;
&lt;br /&gt;
	Παρακολούθηση της αποτελεσματικότητας των τεχνολογιών που προωθούνται &lt;br /&gt;
&lt;br /&gt;
Τα δεδομένα τηλεπισκόπησης μπορούν να βοηθήσουν στον προσδιορισμό του εάν οι τεχνολογίες προάγουν και επιτυγχάνουν τα επιδιωκόμενα αποτελέσματα τους, δηλαδή επιδιώκεται ο έλεγχος της αποτελεσματικότητας των τεχνολογιών στον πραγματικό κόσμο και του τρόπου με τον οποίο αυτές αλλάζει με το χρόνο.&lt;br /&gt;
&lt;br /&gt;
	Αποτελεσματικό έλεγχο ολόκληρου του στόλου&lt;br /&gt;
&lt;br /&gt;
Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί από δημόσιους ή ιδιωτικούς ιδιοκτήτες στόλου να παρακολουθούν την «υγεία» του στόλου τους. Ένας ιδιοκτήτης στόλου θα μπορούσε, για παράδειγμα, να δημιουργήσει ένα σύστημα απομακρυσμένης ανίχνευσης για δειγματοληψία της εξάτμισης του οχήματος για πολλές ημέρες, εβδομάδες ή μήνες και να χρησιμοποιήσει τα δεδομένα για τον εντοπισμό υψηλών εκπομπών που πρέπει να επισκευαστούν ή να αντικατασταθούν.&lt;br /&gt;
&lt;br /&gt;
	Κατανόηση  του αντίκτυπου συγκεκριμένων συνθηκών οδήγησης&lt;br /&gt;
&lt;br /&gt;
Συνθήκες οδήγησης όπως : το είδος του οχήματος, η ταχύτητα, η θερμοκρασία περιβάλλοντος, το υψόμετρο και ο βαθμός του δρόμου επηρεάζουν τις πραγματικές εκπομπές ρύπων. Μερικές πόλεις ή περιοχές μπορεί να έχουν συγκεκριμένες συνθήκες οδήγησης—για παράδειγμα, πιο απότομες κατηγορίες, πιο ακραίες θερμοκρασίες ή υψηλότερο υψόμετρο—που προκαλούν το προφίλ εκπομπών εκεί να διαφέρει από τον μέσο όρο. Η τηλεπισκόπηση μπορεί να χρησιμοποιηθεί για τον προσδιορισμό κάθε είδους οδήγησης και να το συνδυάσει με τις εκπομπές των αερίων ρύπων. &lt;br /&gt;
&lt;br /&gt;
	Σύνδεση με τις αποφάσεις της αγοράς&lt;br /&gt;
&lt;br /&gt;
Η τηλεπισκόπηση παρέχει βασικές πληροφορίες για κάθε είδος οχήματος και για κάθε μοντέλο οχήματος. Οι πληροφορίες σχετικά με τις πραγματικές εκπομπές μιας συγκεκριμένης μάρκας και μοντέλου οχήματος μπορούν να επηρεάσουν τις αποφάσεις αγοράς τόσο μικρών (σε επίπεδο μεμονωμένου καταναλωτή) όσο και μεγάλων (π.χ. στόλοι δημοτικών λεωφορείων).&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia5.2.png| thumb| center|'''Eικόνα 2:'''Εννοιολογικό διάγραμμα που δείχνει πιθανές εφαρμογές τηλεπισκόπησης οχημάτων σε ένα&lt;br /&gt;
βελτιωμένο πρόγραμμα ελέγχου εκπομπών οχημάτων...]]&lt;br /&gt;
 [[category:Περιβαλλοντικές Επιπτώσεις]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/APPLICATION_OF_REMOTE_SENSING_TECHNOLOGY_IN_SMART_CITY_CONSTRUCTION_AND_PLANNING</id>
		<title>APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/APPLICATION_OF_REMOTE_SENSING_TECHNOLOGY_IN_SMART_CITY_CONSTRUCTION_AND_PLANNING"/>
				<updated>2024-01-30T05:45:00Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING'''&lt;br /&gt;
&lt;br /&gt;
'''Πηγή: https://www.researchgate.net/publication/374964055_Application_of_remote_sensing_technology_in_smart_city_construction_and_planning'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς: Yongcheng Liu'''&lt;br /&gt;
&lt;br /&gt;
'''Εισαγωγή''' &lt;br /&gt;
&lt;br /&gt;
Ο σχεδιασμός μιας έξυπνης πόλης είναι πολύπλοκος και απαιτεί χρόνο, τεχνογνωσία και βελτιώσεις. Η μετατροπή των σύγχρονων πόλεων σε έξυπνες είναι επιτακτική ανάγκη του μέλλοντος προκειμένου οι πόλεις να εξελιχθούν προσαρμοζόμενες στις νέες τεχνολογίες και προκειμένου να προσφέρουν στους πολίτες τους ένα βιωσιμότερο και πιο αποδοτικό περιβάλλον διαβίωσης  το οποίο θα θέτει τον άνθρωπο και την ποιότητα της ζωής του στο επίκεντρο. Η τηλεπισκόπηση είναι η επιστήμη που χρησιμοποιείται από τους σχεδιαστές προκειμένου να επιτύχουν τον καλύτερο σχεδιασμό. Σε σύγκριση με τις παραδοσιακές μεθόδους, η τεχνολογία της τηλεπισκόπησης έχει συνήθως τα πλεονεκτήματα της υψηλής απόδοσης και του χαμηλού κόστους. Αυτό το άρθρο παρουσιάζει τη βάση σχεδιασμού των έξυπνων πόλεων, εστιάζοντας σε τεχνολογίες και μεθόδους που σχετίζονται με την τηλεπισκόπιση που μπορούν να εφαρμοστούν σε διαφορετικές πτυχές του σχεδιασμού. Αναλυτικότερα, τονίζουν την σημαντικότητα της επιστήμης της τηλεπισκόπησης όσον αφορά την παρακολούθηση της ρύπανσης στην αστική κυκλοφορία, τον έλεγχο των φυσικών καταστροφών καθώς και την παρακολούθηση της ρύπανσης λόγω των οχημάτων που κυκλοφορούν στους δρόμους των πόλεων. Η σωστή έρευνα και ο σχεδιασμός καταλήγουν και επισημαίνουν μέσω αυτής της έρευνας ότι αποτελεί τη βάση για τη δημιουργία και την εξέλιξη των πόλεων του μέλλοντος. &lt;br /&gt;
&lt;br /&gt;
'''Τι ορίζεται ως έξυπνη πόλη?'''&lt;br /&gt;
&lt;br /&gt;
Μέχρι σήμερα δεν υπάρχει μια ακριβής απάντηση στον ορισμό της έξυπνης πόλης. Η αναπτυξιακή κατεύθυνση της κάθε πόλης ορίζει το πλαίσιο ορισμού της έννοιας. Πολλοί ερευνητές επιχείρησαν να αναπτύξουν ένα βασικό ορισμό και να δικαιολογήσουν τον επιθετικό προσδιορισμό της &amp;lt;&amp;lt;έξυπνης&amp;gt;&amp;gt; με χαρακτηριστικό παράδειγμα τους Bowerman et al. ,οι οποίοι όρισαν ότι μια &amp;lt;&amp;lt;έξυπνη πόλη – smart city&amp;gt;&amp;gt; ορίζεται ως η αποτελεσματική χρήση των σύγχρονων καινοτόμων τεχνολογιών σε όλες τις πτυχές του αστικού σχεδιασμού, προσφέροντας ένα ασφαλές και άνετο αστικό περιβάλλον για όλους. Παρουσίασαν δηλαδή μια πόλη ασφαλής που μπορεί να προσφέρει στους πολίτες της κάθε υπηρεσία και έναν πιο αποτελεσματικό και βιώσιμο τρόπο ζωής με απώτερο σκοπό να επιτύχουν τον υψηλότερο δείκτη ανθρώπινης (HDI) και οικονομικής ανάπτυξης συμβαδίζοντας με τις νέες τεχνολογίες. Ο Toppeta ολοκλήρωσε τον ορισμό προτείνοντας έξι κύριες πτυχές σχεδιασμού της έξυπνης πόλης οι οποίες είναι οι εξής:&lt;br /&gt;
	Έξυπνη και αποδοτικότερη οικονομία&lt;br /&gt;
	Έξυπνη και βιώσιμη αστική κινητικότητα&lt;br /&gt;
	Έξυπνο και υπό προστασία περιβάλλον&lt;br /&gt;
	Έξυπνοι και ενεργοί πολίτες, ανοιχτοί σε νέες και καινοτόμες τεχνολογίες&lt;br /&gt;
	Έξυπνη και ποιοτικότερη διαβίωση&lt;br /&gt;
	Έξυπνη διακυβέρνηση&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia4.1.png| thumb| center|'''Eικόνα 1:'''Διαφορετικές πτυχές των έξυπνων πόλεων..]]&lt;br /&gt;
&lt;br /&gt;
'''Εφαρμογές τηλεπισκόπησης''' &lt;br /&gt;
&lt;br /&gt;
'''	Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρακολούθηση της αστικής ατμοσφαιρικής ρύπανσης''' &lt;br /&gt;
&lt;br /&gt;
Για πολλές πόλεις στις αναπτυσσόμενες χώρες, το πρόβλημα ποιότητας του αέρα που προκαλείται από τις εκπομπές των αυτοκινήτων είναι ένας τεράστιος παράγοντας που εμποδίζει την ανάπτυξη των έξυπνων πόλεων, προκαλώντας ποικίλα προβλήματα στην ποιότητα ζωής των πολιτών. Σύμφωνα με στατιστικά στοιχεία, σχεδόν 400.000  θάνατοι σχετίζονταν με την επίδραση των επιβλαβών αερίων που παράγονται από οχήματα υψηλών εκπομπών. Οι εταιρείες κατασκευής οχημάτων έχουν προσαρμόσει σε μεγάλο βαθμό σήμερα τις τεχνολογίες τους δημιουργώντας σύγχρονα οχήματα τα οποία εκπέμπουν σε μικρότερο βαθμό. Ωστόσο υπάρχουν όμως πολλοί μη ελεγχόμενοι παράγοντες, όπως ο χρόνος οδήγησης του αυτοκινήτου, η μείωση της λειτουργίας του επιβλαβούς συστήματος φίλτρου αερίου, η συντήρηση του οχήματος από τον οδηγό και οι οδηγικές συνήθειες του οδηγού. Τα επιβλαβή αέρια αναπόφευκτα δημιουργούνται και διασκορπίζονται στον αέρα. Η επιστήμη της τηλεπισκόπhσης χρησιμοποιείται με σκοπό την παρακολούθηση και τον έλεγχο της αστικής ατμοσφαιρικής ρύπανσης. Αναλυτικότερα, οι ερευνητές του παρόντος άρθρου παρουσίασαν τον παράδειγμα του Χονγκ Κονγκ (HKEPD) το οποίο ενσωμάτωσε τις τεχνολογίες RS. Πιο συγκεκριμένα, επιλέχθηκαν για έρευνα ορισμένα οχήματα υγραερίου και βενζίνης ως δείγματα έρευνας για την ολοκλήρωση της ανάλυσης πληροφοριών. Μέσω της τηλεπισκόπισης πραγματοποιήθηκαν μετρήσεις και επιχειρήθηκε η ανάλυση της υφιστάμενης κατάστασης κάνοντας τη σύγκριση ανάλογα του είδους του οχήματος. Η μέθοδος αυτή προσέφερε πιο αποτελεσματικά και ακριβή αποτελέσματα από τα παραδοσιακά με χαμηλότερο κόστος και μεγαλύτερο εύρος μετρήσεων. Ωστόσο, οι ερευνητές επισήμαναν συγκεκριμένες προκλήσεις και περιορισμούς. Πρώτον, η οριζόντια οπτική διαμόρφωση περιορίζει την εφαρμογή της σε δρόμους μονής λωρίδας. Το δεύτερο έργο HKEPD μέτρησε μόνο δεδομένα εκπομπών για το υγραέριο και τη βενζίνη αλλά όχι το ντίζελ, επειδή πολλοί αβέβαιοι παράγοντες καθιστούν τη μέτρηση των εκπομπών κινητήρων ντίζελ πολύ δύσκολη. Η πιθανή παραγωγή του κινητήρα ντίζελ σε λειτουργία καύσης μπορεί να αντιπροσωπεύει μόνο ένα μικρό μέρος της συνολικής παραγωγής, αλλά το ντίζελ συμβάλλει σημαντικά στα NOx και τα σωματίδια. &lt;br /&gt;
&lt;br /&gt;
'''	Εφαρμογή της τεχνολογίας τηλεπισκόπησης στην παρατήρηση του αστικού πρασίνου των πόλεων'''&lt;br /&gt;
&lt;br /&gt;
Το αστικό πράσινο αποφέρει ποικίλα οφέλη στην ανάπτυξη των πόλεων αποτελώντας βασικό στοιχείο σχεδιασμού τους. Αναλυτικότερα, συντελεί στη μείωση της ατμοσφαιρικής ρύπανσης, στη μείωση των αναπνευστικών προβλημάτων των πολιτών και βελτιώνει τη αισθητική των πόλεων καθώς επίσης αυξάνει την αξία της ακίνητης περιουσίας. Έρευνες έχουν αναδείξει την αξία του αστικού πράσινου στις πόλεις υπερτονίζοντας την έντονη επιθυμία των πολιτών να μετακινηθούν όσο πιο κοντά σε χώρους πρασίνους. Επίσης, έχει αποδειχθεί πως τα φυτά μπορούν να βοηθήσουν το σύστημα αποχέτευσης με περιορισμένη χωρητικότητα να επιτύχει ένα μέρος της απορρόφησης του βρόχινου νερού για να μειώσει την παράλυση των συστημάτων αστικών μεταφορών που προκαλείται από ακατάλληλη διαχείριση των όμβριων υδάτων. Δύο είδη δεδομένων τηλεπισκόπησης μπορούν να χρησιμοποιηθούν για παρατήρηση αλλαγής δασών, το ένα είναι τα δεδομένα της χρονοσειράς και το άλλο είναι τριπλής χρονικής διάρκειας, γνωστά και ως χρονικές δορυφορικές εικόνες. Το Triple-Temporal δεν μπορεί να αποτυπώσει αποτελεσματικά τη μεταβαλλόμενη εικόνα του δάσους φασματικά, ωστόσο μπορεί να παρέχει εικόνες με υψηλή χωρική και χρονική ανάλυση για να εξασφαλίσει υψηλή απόδοση στην ανάλυση δεδομένων. Τα δεδομένα χρονοσειρών μπορούν να εξασφαλίσουν τη μετάδοση δεδομένων αλλαγής δασών σε πραγματικό χρόνο και τη μακροπρόθεσμη παρακολούθηση της σημαντικής απόδοσης επένδυσης της περιοχής αλλαγής, ωστόσο είναι πολύπλοκο για τις χρονοσειρές να αποκτήσουν μια εικόνα υψηλής ανάλυσης. Η ενσωμάτωση του ραντάρ συνθετικού διαφράγματος (SAR), του ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), του φασματομετρητή απεικόνισης μέτριας ανάλυσης (MODIS) και του ραντάρ συνθετικού διαφράγματος L-Band Phased Array (PALSAR) σε δορυφόρο (π.χ. Advanced Land Observing Satellite (ALOS)) μπορεί να δημιουργήσει τρισδιάστατες εικόνες με υψηλή ανάλυση με ακρίβεια.  Το PALSAR χωρίς σύννεφα είναι καλό για την παρακολούθηση και την παρατήρηση βροχερών και συννεφιασμένων περιοχών σε τροπικές περιοχές και μπορεί επίσης να χρησιμοποιήσει τα πλεονεκτήματα των οπτικών αισθητήρων για να αντισταθμίσει τα μειονεκτήματα των δεδομένων ραντάρ ενσωματώνοντας τη χρήση. Έτσι χρησιμοποιώντας τις τηλεπισκοπικές εικόνες γίνεται έλεγχος της υφιστάμενης κατάστασης βοηθώντας τους ερευνητές για το σχεδιασμό των πόλεων. &lt;br /&gt;
&lt;br /&gt;
'''	Εφαρμογή της τεχνολογίας τηλεπισκόπησης στη διαχείριση της κυκλοφορίας'''&lt;br /&gt;
&lt;br /&gt;
Η παρακολούθηση της κυκλοφορίας μπορεί να εξάγει πληροφορίες για το δρόμο ενσωματώνοντας αλγόριθμους RS και βαθιάς εκμάθησης. Επειδή αυτή η μέθοδος είναι πιο αποτελεσματική από τις συμβατικές προσεγγίσεις, τα αποτελέσματα μπορούν να χρησιμοποιηθούν για την παρακολούθηση της κατάστασης του δρόμου. Επιπλέον, η εξαγωγή χαρακτηριστικών δρόμου που βασίζεται σε ένα μοντέλο βαθιάς μάθησης μπορεί επίσης να εφαρμοστεί στη διαχείριση της κυκλοφορίας, στις επιχειρήσεις έκτακτης ανάγκης διάσωσης, στην κατασκευή δρόμων, στη χαρτογράφηση και στην ενημέρωση. Η εξαγωγή χαρακτηριστικών δρόμου μέσω UAV και η ορθογραφική προβολή μπορεί να παράγει εικόνες RS με σχετικά υψηλή ανάλυση.&lt;br /&gt;
&lt;br /&gt;
'''	Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φυσικές καταστροφές'''&lt;br /&gt;
&lt;br /&gt;
Η πρόληψη και ο έλεγχος των φυσικών καταστροφών και τα σχετικά μέτρα παρακολούθησης είναι επίσης αξιοσημείωτα προβλήματα για την ανάπτυξη των έξυπνων πόλεων. &lt;br /&gt;
&lt;br /&gt;
'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα κατολισθήσεων'''&lt;br /&gt;
Η τηλεπισκόπιση συμβάλει στην δημιουργία ειδικών χαρτών πρόβλεψης κατολισθητικών φαινομένων μέσω των οποίων υπολογίζεται ο βαθμός ευαλωτότητας βάση των ειδικών χαρακτηριστικών περιοχών κάθε περιοχής. Πιο συγκεκριμένα, προσδιορίζονται ειδικά κριτήρια ανάλυσης του φαινομένου και μέσω του περιβάλλοντος του GIS δημιουργούνται χάρτες ειδικής κατηγορίας επικινδυνότητας ορίζοντας κάθε περιοχή με ειδικά χρώματα ανάλογα του βαθμού επικινδυνότητας. &lt;br /&gt;
&lt;br /&gt;
'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα σεισμών'''&lt;br /&gt;
&lt;br /&gt;
Πρόβλεψη σεισμών :Μέχρι στιγμής, είναι δύσκολο για τους ανθρώπους να προβλέψουν άμεσα την ακριβή ώρα και περιοχή ενός σεισμού μέσω αισθητήρων ή τεχνολογίας RS. &lt;br /&gt;
Οδηγίες πρόληψης και εκκένωσης: Μπορεί να ληφθεί με ανάλυση σχετικών παραμέτρων μέσω του QGIS, το οποίο μπορεί να προσφέρει στους ανθρώπους μια περιοχή διαφυγής σε περίπτωση σεισμού. Μέσω των εικόνων που λαμβάνονται μέσω δορυφόρου, η απόσταση μεταξύ των διαφορετικών κτιρίων μπορεί να υπολογιστεί για να εκτιμηθεί η απειλή των οικοδομικών συντριμμιών σε μια συγκεκριμένη περιοχή, καθώς και από υπολογισμούς εικόνων ψηφιακού υψομετρικού μοντέλου (DEM) υψομέτρων σε διάφορα σημεία της πόλης και να αξιολογηθεί η πιθανότητα ασφαλούς εκκένωσης.&lt;br /&gt;
&lt;br /&gt;
'''Εφαρμογή τεχνολογίας τηλεπισκόπησης σε φαινόμενα τσουνάμι'''&lt;br /&gt;
&lt;br /&gt;
Ένα τσουνάμι είναι μια λιγότερο συχνή φυσική καταστροφή για τις εσωτερικές περιοχές. Ωστόσο, είναι σχετικά κοινό σε παράκτια περιοχές που βρίσκονται σε ηφαιστειακές σεισμικές ζώνες και απειλούν την παράκτια βιομηχανική αλυσίδα και την ασφάλεια των πολιτών. Χρησιμοποιώντας το RS και τις σχετικές τεχνολογίες ολοκλήρωσης, μπορεί να επιτευχθεί προστασία από τσουνάμι. Ως εκ τούτου, μπορεί να μειώσει αποτελεσματικά τις οικονομικές απώλειες και τα θύματα. Κάνοντας χρήση των δορυφορικών εικόνων μέσω της τηλεπισκόπισης και επιλέγοντας διαφορετικά έγχρωμα φωτοσύνθετα οι ερευνητές επισήμαναν πως μπορούμε να αναλύσουμε την υφιστάμενη κατάσταση. Η παρακολούθηση της υφιστάμενης κατάστασης συμβάλλει και διευκολύνει την εφαρμογή μέτρων αποκατάστασης μετά την καταστροφή.&lt;br /&gt;
&lt;br /&gt;
'''ΣΥΜΠΕΡΑΣΜΑΤΑ'''&lt;br /&gt;
&lt;br /&gt;
Μια έξυπνη πόλη από μόνη της είναι μια δυναμική έννοια. Η περιγραφή της έξυπνης πόλης προσαρμόζεται συνεχώς με το χρόνο, τον βαθμό αστικής ανάπτυξης και τις εθνικές πολιτικές και κατευθύνσεις ανάπτυξης. Η προσαρμογή στις περιβαλλοντικές αλλαγές είναι η κύρια κατεύθυνση της ανάπτυξης της έξυπνης πόλης. Στον σχεδιασμό και την κατασκευή έξυπνων πόλεων, οι μέθοδοι RS και που σχετίζονται με την RS είναι πιο αποτελεσματικές και χαμηλού κόστους από τις παραδοσιακές μεθόδους. Όσον αφορά την παρακολούθηση ρύπων, το HKEPD πραγματοποίησε το HKTET έργο για την αξιολόγηση της ακρίβειας της μέτρησης και της παρακολούθησης RS και των επιπτώσεων των κινητήρων με διαφορετικούς βαθμούς ζημιάς στο περιβάλλον συγκρίνοντας κινητήρες με διαφορετικούς βαθμούς ζημιάς και παρακολούθηση των εκπομπών άνθρακα μέσω της τεχνολογίας RS. Όσον αφορά το αστικό πράσινο, εισάγονται αρκετοί κοινοί οπτικοί αισθητήρες και αισθητήρες ραντάρ και συγκρίνονται τα πλεονεκτήματα και τα μειονεκτήματά τους, όπως ραντάρ συνθετικού διαφράγματος (SAR), ραντάρ ανίχνευσης φωτός και εμβέλειας (Lidar), φασματόμετρο απεικόνισης ανάλυσης μοντέλου (MODIS) και Ραντάρ με συνθετικό διάφραγμα ζώνης L με σειρά φάσεων (PALSAR). Όσον αφορά τη διαχείριση της κυκλοφορίας, εισάγονται τέσσερα βασικά μοντέλα βαθιάς εκμάθησης που βασίζονται στην τεχνολογία RS, αναφέροντας τα πλεονεκτήματα και τα μειονεκτήματά τους, τις πιο σύνθετες εργασίες που μπορούν να ολοκληρωθούν, τα χαρακτηριστικά των αποτελεσμάτων εξόδου τους και την ομαλότητα των εικόνων. Να αξιολογήσει τα σενάρια που είναι κατάλληλα για τη χρήση τους. Όσον αφορά την πρόληψη φυσικών καταστροφών, το LSM που παράγεται με τη χρήση σχετικών τύπων και λογισμικού μηχανικής δείχνει αποτελεσματικά την πιθανότητα κατολισθήσεων στην πόλη και τις γύρω ορεινές περιοχές και την οπτικοποιεί. Είναι δυνατή η χρήση QGIS και σχετικών πρόσθετων για την ολοκλήρωση του χώρου εκκένωσης σε περίπτωση σεισμού.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:Οικολογία]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY</id>
		<title>DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY"/>
				<updated>2024-01-30T05:42:32Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY'''&lt;br /&gt;
&lt;br /&gt;
Ανίχνευση κυκλοφοριακής συμφόρησης μέσω τηλεπισκοπικών εικόνων&lt;br /&gt;
&lt;br /&gt;
'''Πηγή''':'''https://www.researchgate.net/publication/224383158_Detection_of_Traffic_Congestion_in_Optical_Remote_Sensing_Imagery'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Gintautas Palubinskas / Franz Kurz /Peter Reinartz&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''1.ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Η κυκλοφοριακή συμφόρηση και η αύξηση των κυκλοφοριακών φόρτων των οδικών αξόνων είναι ένα από τα προβλήματα που με το πέρασμα των χρόνων συνεχώς αυξάνεται και η ανάγκη για άμεση επίλυση του κρίνεται αναγκαία. Η κυκλοφοριακή συμφόρηση των οδικών αξόνων είναι ένας από τους κύριους λόγους για την τεράστια αύξηση του κόστους μεταφοράς λόγω χαμένου χρόνου και των επιπλέον καυσίμων. Τα προβλήματα που προκύπτουν είναι ποικίλα και πολυδιάστατα. Προκειμένου ωστόσο να λυθεί το πρόβλημα αυτό, η ανάλυση του προβλήματος και η συλλογή των απαραίτητων στοιχείων αποτελεί πρωταρχική κίνηση των ερευνητών. Οι συγγραφείς του παρόντος άρθρου που φέρει τον τίτλο &amp;lt;&amp;lt;DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY&amp;gt;&amp;gt; επιχειρούν την ανίχνευση του προβλήματος της κυκλοφοριακής συμφόρησης των οδικών αξόνων μέσω της χρήσης της επιστήμης της τηλεπισκόπισης και των τηλεπισκοπικών εικόνων. Πιο συγκεκριμένα, οι συγγραφείς προτείνουν μια νέα προσέγγιση προωθώντας τη χρήση τηλεπισκοπικών εικόνων χρονοσειράς οπτικής ψηφιακής δορυφορικής κάμερας. Μέσω αυτών επιχειρείται η καταγραφή της πυκνότητας των οχημάτων στους οδικούς άξονες, η μέση ταχύτητα του οχήματος καθώς και η αρχή και το τέλος της συμφόρησης. Η μέθοδος αυτή εστιάζει στην ανίχνευση των οχημάτων στο οδικό τμήμα μέσω της ανίχνευσης των αλλαγών μεταξύ δύο εικόνων με σύντομη χρονική υστέρηση, της χρήσης εκ των προτέρων βασικών πληροφοριών όπως είναι τα βασικά χαρακτηριστικά των δρόμων καθώς και μέσω των μεγεθών των οχημάτων, και των αποστάσεων μεταξύ τους. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.ΜΕΘΟΔΟΣ''' &lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες που είναι εγκατεστημένοι σε αεροσκάφη ή δορυφόρους επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα, καθιστώντας τους κατάλληλους για διάφορες εφαρμογές παρακολούθησης της κυκλοφορίας. Η λήψη εικόνων για κάθε σημείο από πολλαπλές κάμερες με διαφορά λίγων δευτερολέπτων αποτελεί τη βάση της μεθόδου εντοπισμού του προβλήματος που μελετάται. &lt;br /&gt;
Πιο συγκεκριμένα, μέσω της συγκεκριμένης μεθόδου επιχειρείται η καταγραφή της υφιστάμενης κατάστασης των οδικών αξόνων, μοντελοποιώντας την ροή κυκλοφορίας στο οδικό τμήμα και όχι καταγράφοντας απλά κάθε μεμονωμένο όχημα. Η μέθοδος ανίχνευσης, βασίζεται στον συνδυασμό διαφόρων τεχνικών όπως: ανίχνευσης αλλαγών, επεξεργασίας εικόνων και ενσωμάτωσης βασικών πληροφοριών-δεδομένων όπως τα δεδομένα της υφιστάμενης κατάστασης των οδικών αξόνων. Αναλυτικότερα, η ανίχνευση των αλλαγών σε δύο εικόνες με μικρή χρονική υστέρηση υλοποιείται μέσω της μεθόδου ανίχνευσης. Οι αλλαγές των χρονικών στιγμών μεταφράζονται σε αλλαγές στην ανακλώμενη ακτινοβολία, βοηθώντας μας να αντιληφθούμε τις αλλαγές κάθε χρονική στιγμή και να εντοπίσουμε τα κινούμενα οχήματα και το ρυθμό ροής τους. Η επεξεργασία εικόνων, πραγματοποιείται προκειμένου να εξαχθούν συμπληρωματικά στοιχεία για να πραγματοποιηθεί η ανάλυση της υφιστάμενης κατάστασης. Παράδειγμα αποτελεί ο υπολογισμός της εκτιμώμενης πυκνότητας των οχημάτων. Η εκτιμώμενη πυκνότητα μπορεί να συσχετιστεί με τη θεωρητική πυκνότητα του οχήματος, η οποία μπορεί να αποκτηθεί με τη μοντελοποίηση της ροής κυκλοφορίας για ένα οδικό τμήμα. Το μοντέλο προέρχεται από τις εκ των προτέρων βασικές πληροφορίες που έχουν συλλεχθεί σχετικά με τα μεγέθη των οχημάτων και τις παραμέτρους του δρόμου (π.χ. βάση δεδομένων NAVTEQ). Η θεωρητική πυκνότητα οχήματος σχετίζεται άμεσα με τη μέση ταχύτητα του οχήματος στο τμήμα του δρόμου και επομένως με τις πληροφορίες σχετικά με την κατάσταση της κυκλοφορίας (π.χ. η ύπαρξη συμφόρησης, η αρχή και το τέλος συμφόρησης η διάρκεια εμπλοκής, οι πραγματικοί χρόνοι ταξιδιού κ.α.) &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.1.ΠΩΣ ΓΙΝΕΤΑΙ Η ΑΝΙΧΝΕΥΣΗ ΤΩΝ ΟΧΗΜΑΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
1 Επιλέγονται δύο διαφορετικές εικόνες με διαφορά λίγων δευτερολέπτων. Οι περιορισμοί που τίθενται είναι στις εικόνες που επιλέγονται  το όχημα που ορίζεται για ανάλυση να μην επικαλύπτεται από τον εαυτό του ή με το προηγούμενο αυτού. &lt;br /&gt;
2 Ορίζεται η περιοχή ενδιαφέροντος- ο οδικός άξονας κίνησης των οχημάτων με βάση τη γραμμή κίνησης. &lt;br /&gt;
3.Λαμβάνεται η εικόνα αλλαγής η οποία εντοπίζεται με αλγόριθμο Median absolute deviation. Η λαμβανόμενη εικόνα αλλαγής τίθενται σε ειδική επεξεργασία βελτιστοποιήσεων. Η πυκνότητα των οχημάτων που υπολογίζεται για κάθε τμήμα δρόμου από τη νέα εικόνα ( δυαδική ) ορίζεται ως ο λόγος των λευκών εικονοστοιχείων προς τον συνολικό αριθμό των εικονοστοιχείων στο συνολικό τμήμα του δρόμου. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.2.ΠΟΙΕΣ ΕΙΝΑΙ ΟΙ ΕΚ ΤΩΝ ΠΡΟΤΕΡΩΝ ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΣΥΛΛΕΓΟΝΤΑΙ''' &lt;br /&gt;
&lt;br /&gt;
Οι εκ των προτέρων βασικές πληροφορίες-prior information που συλλέγονται περιλαμβάνουν τα εξής: &lt;br /&gt;
	Βάση δεδομένων δρόμων ( οδικές γραμμές και στις δύο κατευθύνσεις ) &lt;br /&gt;
	Μεγέθη οχημάτων επιβατικών οχημάτων, φορτηγών και λεωφορείων&lt;br /&gt;
	Χαρακτηριστικά δρόμων ( αριθμός λωρίδων, πλάτη δρόμων )&lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
2.3.ΠΡΟΤΕΙΝΟΜΕΝΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ ΚΥΚΛΟΦΟΡΙΑΣ &lt;br /&gt;
&lt;br /&gt;
Το προτεινόμενο γραμμικό μοντέλο που προτείνουν οι συγγραφείς είναι το εξής : &lt;br /&gt;
'''S=B*g(V)+L'''&lt;br /&gt;
Όπου:&lt;br /&gt;
'''S-&amp;gt; απόσταση οχήματος από το προηγούμενο και το επόμενο του &lt;br /&gt;
'''g(V)-&amp;gt; η συνάρτηση που μετατρέπει την ταχύτητα (km/h) σε m''' &lt;br /&gt;
'''L-&amp;gt; μήκος οχήματος σε m''' &lt;br /&gt;
Β-&amp;gt; αδιάστατη παράμετρος μοντέλου ( οι τιμές για την κυκλοφοριακή συμφόρηση κυμαίνονται από 0,5-1 )''' &lt;br /&gt;
Επίσης, η θεωρητική πυκνότητα υπολογίζεται ως εξής:  D=1km/S&lt;br /&gt;
Σε αυτό τον τύπο υπονοούνται εγγενείς υποθέσεις σχετικά με τη σταθερή ταχύτητα και τον ίδιο τύπο οχημάτων για ένα επιλεγμένο οδικό τμήμα. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''3.ΠΕΙΡΑΜΑ ΠΟΥ ΔΙΕΞΗΓΑΓΑΝ''' &lt;br /&gt;
&lt;br /&gt;
Ο αυτοκινητόδρομος που μελετήθηκε είναι ο αυτοκινητόδρομος Α8 νότια του Μονάχου. Αποτελεί ένα από τα πιο πολυσύχναστα μέρη του γερμανικού δικτύου αυτοκινητοδρόμων με μέσο φόρτο περίπου 100.000 οχήματα ημερησίως. Στις 2 Σεπτεμβρίου του 2006 αναμενόταν μεγάλη κίνηση σε αυτό το τμήμα που επιλέχθηκε από ταξιδιώτες. Τρείς λήψεις δεδομένων λήφθηκαν από σύστημα καμερών DLR 3K μεταξύ του χρονικού διαστήματος 14:01 και 15:11 από 2000 μέτρα πάνω από το έδαφος σε τρεις υπερπτήσεις. Κατά τη διάρκεια κάθε υπερπτήσεως, λήφθηκαν 22 ριπές εικόνων που η καθεμία περιείχε τέσσερις διαδοχικές εικόνες. Η χρονική διαφορά σε αυτές τις ριπές ήταν 0,7 δευτερόλεπτα έτσι ώστε κάθε αυτοκίνητο να παρακολουθείται. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.1.jpg| thumb| center|'''Eικόνα 1:'''Παράδειγμα ανίχνευσης κυκλοφοριακής συμφόρησης στον αυτοκινητόδρομο Α8 μεταξύ Μονάχου και Σάλτσμπουργκ για δεδομένα αισθητήρα 3K που αποκτήθηκαν κατά την εκστρατεία πτήσης ADAC στις 2.9.2006.]]&lt;br /&gt;
&lt;br /&gt;
Τα αποτελέσματα της ανίχνευσης κυκλοφοριακής συμφόρησης στο χώρο δοκιμών του αυτοκινητοδρόμου Α8  παρουσιάζονται στο παραπάνω σχήμα. Η εικόνα a. είναι η πρώτη εικόνα του παραδείγματος ακολουθίας που λήφθηκε, η εικόνα b είναι η δεύτερη εικόνα που αποκτήθηκε 2,1 δευτερόλεπτα αργότερα, η εικόνα c είναι η δυαδική εικόνα αλλαγής  η οποία εντοπίστηκε με αλγόριθμο Median absolute deviation μετά τη διαδικασία βελτιστοποιήσεων, η εικόνα d παρουσιάζει το προφίλ ταχύτητας για ξεχωριστές οδικές κατευθύνσεις που απεικονίζονται στη δυαδική εικόνα και στην εικόνα e παρουσιάζονται οι μετρήσεις ταχύτητας αναφοράς στην πρώτη εικόνα. Με κόκκινο χρώμα σημειώνεται η περιοχή συμφόρησης στην οποία καταγράφεται μέση ταχύτητα έως 80 km/h. &lt;br /&gt;
Τα πειραματικά αποτελέσματα που ελήφθησαν παρουσιάζουν τις δυνατότητες της προτεινόμενης μεθόδου για την ανίχνευση της κυκλοφοριακής συμφόρησης σε αυτοκινητοδρόμους. Τα συμπεράσματα που εξήχθησαν από τους ερευνητές είναι τα εξής : για την ακριβή εκτίμηση της πυκνότητας του οχήματος, η βέλτιστη χρονική καθυστέρηση των δύο εικόνων φαίνεται να είναι περίπου 3 δευτερόλεπτα και το εύρος των ταχυτήτων μεταξύ των 10 km/h και 80km/h ( κατάσταση κυκλοφοριακής συμφόρησης ). &lt;br /&gt;
Το πρόβλημα που εντοπίζεται για τα πολύ αργά ή σταματημένα αυτοκίνητα επισημαίνεται από τους συγγραφείς πως μπορεί να επιλυθεί με την ενσωμάτωση άλλων προσεγγίσεων όπως π.χ. τη ταξινόμηση της μεμονωμένης εικόνας. Επίσης οι παραμορφώσεις που προκαλούνται λόγω των σκιάσεων των οχημάτων και μπορούν να ελαχιστοποιηθούν μέσω των πρόσθετων prior information όπως το υψόμετρο του ήλιου και το ύψος των οχημάτων.  &lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
'''4.ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς του παρόντος άρθρου εισήγαγαν μια νέα προσέγγιση ανίχνευσης κυκλοφοριακής συμφόρησης μέσω της χρήσης εικόνων χρονοσειρών που λαμβάνονται από αερομεταφερόμενο οπτικό σύστημα κάμερας 3Κ. Μας επιτρέπει να εξάγουμε διάφορες παραμέτρους κυκλοφορίας όπως την πυκνότητα οχήματος, τη μέση ταχύτητα, την αρχή και το τέλος της συμφόρησης καθώς και τη διάρκειας της συμφόρησης. Η μέθοδος βασίζεται στην ανίχνευση οχήματος στο τμήμα του δρόμου από αλλαγή ανίχνευσης δύο εικόνων με μικρή χρονική καθυστέρηση, χρήση μιας εκ των προτέρων πληροφόρησης και ενός απλού μοντέλου κυκλοφορίας. Το παρακάτω σχήμα παρουσιάζει οπτικά μέσω σχημάτων το μοντέλο ανάλυσης των ερευνητών. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.2.jpg| thumb| center|'''Eικόνα 2:'''Διάγραμμα ροής της προτεινόμενης μεθόδου ανίχνευσης κυκλοφοριακής συμφόρησης.]]&lt;br /&gt;
 [[category:Περιβαλλοντικές Επιπτώσεις]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/IMPROVED_DEEP_LEARNING-BASED_VEHICLE_DETECTION_FOR_URBAN_APPLICATIONS_USING_REMOTE_SENSING_IMAGERY</id>
		<title>IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/IMPROVED_DEEP_LEARNING-BASED_VEHICLE_DETECTION_FOR_URBAN_APPLICATIONS_USING_REMOTE_SENSING_IMAGERY"/>
				<updated>2024-01-30T05:40:59Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''&lt;br /&gt;
&lt;br /&gt;
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi  and Alaa O. Khadidos&lt;br /&gt;
&lt;br /&gt;
'''ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.&lt;br /&gt;
&lt;br /&gt;
'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :&lt;br /&gt;
	Η βελτιωμένη ανίχνευση οχήματος RefineDet&lt;br /&gt;
	Η ταξινόμηση βάση CAE &lt;br /&gt;
	Ο συντονισμός υπερπαραμέτρων βάση το QDMO &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]&lt;br /&gt;
&lt;br /&gt;
'''Ανίχνευση οχήματος''' &lt;br /&gt;
&lt;br /&gt;
Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών  υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.&lt;br /&gt;
&lt;br /&gt;
'''Ταξινόμηση οχημάτων'''&lt;br /&gt;
&lt;br /&gt;
Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου. &lt;br /&gt;
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]&lt;br /&gt;
&lt;br /&gt;
'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ''' &lt;br /&gt;
&lt;br /&gt;
Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI  και τη βάση δεδομένων ISPRS Potsdam. &lt;br /&gt;
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων. &lt;br /&gt;
[[Εικόνα:athanasia2.3.png| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]&lt;br /&gt;
&lt;br /&gt;
-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης. &lt;br /&gt;
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω. &lt;br /&gt;
&lt;br /&gt;
Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.&lt;br /&gt;
[[Εικόνα:athanasia2.7.png| thumb| center|'''Eικόνα 4:'''Περιγραφή της βάσης δεδομένων ISPRS και VEDAI Potsdam...]]&lt;br /&gt;
[[Εικόνα:athanasia2.4.png| thumb| center|'''Eικόνα 5:'''Επιδόσεις στη βάση δεδομένων VEDAI και ISPRS...]]&lt;br /&gt;
 &lt;br /&gt;
	'''VEDAI'''&lt;br /&gt;
&lt;br /&gt;
Τα παραπάνω σχήματα  παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή  accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα. &lt;br /&gt;
[[Εικόνα:athanasia2.5.png| thumb| center|'''Eικόνα 5:'''Αποτελέσματα αναγνώρισης οχήματος της τεχνικής IDLVD-UARSI στη βάση δεδομένων VEDAI....]]&lt;br /&gt;
&lt;br /&gt;
	'''ISPRS'''&lt;br /&gt;
&lt;br /&gt;
Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως  η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα.&lt;br /&gt;
[[Εικόνα:athanasia2.6.png| thumb| center|'''Eικόνα 5:'''Αποτελέσματα αναγνώρισης οχήματος της τεχνικής IDLVD-UARSI στη βάση δεδομένων ISPRS....]]&lt;br /&gt;
&lt;br /&gt;
Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα&lt;br /&gt;
&lt;br /&gt;
'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ''' &lt;br /&gt;
&lt;br /&gt;
Σε αυτή τη μελέτη, οι ερευνητές εστίασαν  στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη  αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:1.1.1. Continuous Urban Fabric]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/IMPROVED_DEEP_LEARNING-BASED_VEHICLE_DETECTION_FOR_URBAN_APPLICATIONS_USING_REMOTE_SENSING_IMAGERY</id>
		<title>IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/IMPROVED_DEEP_LEARNING-BASED_VEHICLE_DETECTION_FOR_URBAN_APPLICATIONS_USING_REMOTE_SENSING_IMAGERY"/>
				<updated>2024-01-30T05:35:27Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY'''&lt;br /&gt;
&lt;br /&gt;
'''Πηγή:https://www.researchgate.net/publication/374278863_Improved_Deep_Learning-Based_Vehicle_Detection_for_Urban_Applications_Using_Remote_Sensing_Imagery'''&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Mahmoud Ragab , , Hesham A. Abdushkour, Adil O. Khadidos, Abdulrhman M. Alshareef, Khaled H. Alyoubi  and Alaa O. Khadidos&lt;br /&gt;
&lt;br /&gt;
'''ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Tα δεδομένα τηλεπισκόπησης (RS) μπορούν να ληφθούν από διαφορετικές πηγές, όπως drones, δορυφόρους, εναέριες πλατφόρμες ή κάμερες σε επίπεδο δρόμου. Κάθε πηγή έχει τα δικά της χαρακτηριστικά, συμπεριλαμβανομένων των φασματικών ζωνών, της χωρικής ανάλυσης και της χρονικής κάλυψης, που μπορεί να επηρεάσουν την απόδοση του αλγόριθμου ανίχνευσης οχήματος. Ο εντοπισμός οχημάτων για αστικές εφαρμογές με χρήση εικόνων τηλεπισκόπησης (RSI) είναι μια δύσκολη αλλά σημαντική εργασία με πολλές εφαρμογές σε πραγματικό χρόνο. Λόγω των δυνατοτήτων του σε διάφορους τομείς, συμπεριλαμβανομένης της διαχείρισης της κυκλοφορίας, του πολεοδομικού σχεδιασμού, της περιβαλλοντικής παρακολούθησης και της άμυνας, η ανίχνευση οχημάτων από δεδομένα RS, όπως εναέριες ή δορυφορικές εικόνες, έχει λάβει μεγαλύτερη έμφαση. Η μηχανική μάθηση (ML), ειδικά η βαθιά μάθηση (DL), έχει αποδειχθεί αποτελεσματική στις εργασίες ανίχνευσης οχημάτων. Ένα συνελικτικό νευρωνικό δίκτυο (CNN) χρησιμοποιείται ευρέως για την ανίχνευση οχημάτων και την αυτόματη εκμάθηση χαρακτηριστικών από τις εικόνες εισόδου. Αυτή η μελέτη αναπτύσσει τη βελτιωμένη ανίχνευση οχήματος με βάση τη βαθιά μάθηση για εφαρμογές αστικών περιοχών χρησιμοποιώντας την τεχνική Remote Sensing Imagery (IDLVD-UARSI). Ο κύριος στόχος της μεθόδου IDLVD-UARSI δίνει έμφαση στην αναγνώριση και ταξινόμηση στόχων οχημάτων στο RSI χρησιμοποιώντας ένα μοντέλο DL συντονισμένο με υπερπαραμέτρους. Για να επιτευχθεί αυτό, ο αλγόριθμος IDLVD-UARSI χρησιμοποιεί ένα βελτιωμένο μοντέλο RefineDet για τη διαδικασία ανίχνευσης και ταξινόμησης οχημάτων. Μόλις εντοπιστούν τα οχήματα, η διαδικασία ταξινόμησης πραγματοποιείται χρησιμοποιώντας το μοντέλο συνελικτικού αυτοκωδικοποιητή (CAE). Τέλος, εφαρμόζεται ένας αλγόριθμος Quantum-Based Dwarf Mongoose Optimization (QDMO) για να διασφαλιστεί η βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων, καταδεικνύοντας την καινοτομία της εργασίας. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι η τεχνική IDLVD-UARSI ξεπερνά τα άλλα πρόσφατα μοντέλα DL, με μέγιστη ακρίβεια 97,89% και 98,69% στις βάσεις δεδομένων VEDAI και ISPRS Potsdam, αντίστοιχα.&lt;br /&gt;
&lt;br /&gt;
'''ΠΡΟΤΕΙΝΟΜΕΝΟ ΜΟΝΤΕΛΟ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι ερευνητές στο παρόν άρθρο εστιάζουν στο σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI χρησιμοποιώντας RSI. Ο κύριος στόχος της προσέγγισης IDLVD-UARSI εστιάζει στον εντοπισμό και την ταξινόμηση των οχημάτων σε RSI. Στην τεχνική IDLVD – UARSI , συμπεριλαμβάνονται τρείς κύριες διαδικασίες οι οποίες είναι οι εξής :&lt;br /&gt;
	Η βελτιωμένη ανίχνευση οχήματος RefineDet&lt;br /&gt;
	Η ταξινόμηση βάση CAE &lt;br /&gt;
	Ο συντονισμός υπερπαραμέτρων βάση το QDMO &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia2.1.jpg| thumb| center|'''Eικόνα 1:'''Συνολική ροή αλγορίθμου IDLVD-UARSI..]]&lt;br /&gt;
&lt;br /&gt;
'''Ανίχνευση οχήματος''' &lt;br /&gt;
&lt;br /&gt;
Το Improved RefineDet χρησιμοποιεί την αρχιτεκτονική VGG16(αλγόριθμος ανίχνευσης και ταξινόμησης αντικειμένων που μπορεί να ταξινομήσει 1000 εικόνες 1000 διαφορετικών κατηγοριών με ακρίβεια 92,7%.) ως δίκτυο κορμού, το οποίο κατασκευάζει ένα σύνολο αγκυρώσεων με λόγο διαστάσεων και κλίμακα από τον χάρτη χαρακτηριστικών μέσω του μοντέλου δημιουργίας αγκύρωσης του RPN(Risk Priority Number) . Μετά από δύο ταξινομήσεις και παλινδρομήσεις, επιτυγχάνει έναν ορισμένο αριθμό πλαισίων οριοθέτησης αντικειμένων, μαζί με τις πιθανότητες ύπαρξης των διαφόρων κλάσεων στο πλαίσιο οριοθέτησης. Η μονάδα ανίχνευσης αντικειμένων (ODM), η μονάδα βελτίωσης αγκύρωσης (ARM) και το μπλοκ σύνδεσης μεταφοράς (TCB) είναι οι τρεις ενότητες του προτεινόμενου αλγορίθμου. Τέλος, η τελική παλινδρόμηση και η ταξινόμηση επιτυγχάνονται με μη μέγιστη καταστολή (NMS).Η ενότητα ARM περιλαμβάνει κυρίως πρόσθετα επίπεδα συνέλιξης και το δίκτυο κορμού, VGG16. Το φίλτρο αρνητικής αγκύρωσης, η εξαγωγή χαρακτηριστικών, η δημιουργία αγκύρωσης και η βελτίωση αγκύρωσης υλοποιούνται από τη μονάδα ARM. Το αρνητικό φίλτρο αγκύρωσης μπορεί αποτελεσματικά να εξαγάγει το αρνητικό πλαίσιο αγκύρωσης και να μετριάσει την ανισορροπία του δείγματος. Στη συνέχεια, το συγχωνευμένο χαρακτηριστικό μετατρέπεται σε χαρακτηριστικά χαμηλότερου επιπέδου μέσω TCB, έτσι ώστε το χαρακτηριστικό χαρτογράφησης χαμηλού επιπέδου που χρησιμοποιείται για ανίχνευση να έχει ένα σημασιολογικό σύνολο δεδομένων υψηλού επιπέδου και να ενισχύει τα αποτελέσματα αιωρούμενων αντικειμένων. Η μονάδα TCB διασυνδέει το ODM και το ARM και στη συνέχεια μεταφέρει τα δεδομένα ARM στο ODM. Όπως η αρχιτεκτονική του FPN, το κοντινό TCB συνδέεται για να αυξήσει το σύνολο σημασιολογικών δεδομένων των χαρακτηριστικών χαμηλότερου επιπέδου και να πραγματοποιήσει τη συγχώνευση χαρακτηριστικών  υψηλού και χαμηλού επιπέδου. Η ενότητα ODM περιλαμβάνει κυρίως επίπεδα πρόβλεψης (ταξινόμηση και επίπεδα παλινδρόμησης, π.χ. ., 3 × 3 πυρήνες συνέλιξης) και την έξοδο των TCB. Τα πλαίσια βελτίωσης αγκύρωσης αξιοποιούνται ως είσοδος για την παλινδρόμηση και την ταξινόμηση και, με βάση το NMS, επιλέγεται το τελικό πλαίσιο οριοθέτησης.&lt;br /&gt;
&lt;br /&gt;
'''Ταξινόμηση οχημάτων'''&lt;br /&gt;
&lt;br /&gt;
Σε αυτή την εργασία, το μοντέλο CAE χρησιμοποιείται για την αναγνώριση και ταξινόμηση των οχημάτων. Ως παραλλαγή του AE, το CAE ενσωματώνει την ικανότητα του αυτόματου κωδικοποιητή (AE) να αναπαριστά το σύνολο δεδομένων εισόδου και την ικανότητα των CNN να εξάγουν αποτελεσματικά χαρακτηριστικά εικόνας . Ο Anencoder και ο αποκωδικοποιητής είναι δύο μπλοκ NN που χρησιμοποιούνται για την αναδημιουργία της εισόδου. Το κωδικοποιημένο μπλοκ χρησιμοποιείται για την κωδικοποίηση της εισόδου 𝑥 σε κρυφό αποτέλεσμα 𝑙, το οποίο είναι μια συμπιεσμένη μορφή εισόδου. Η διάσταση του κρυφού αποτελέσματος 𝑙 είναι μικρότερη από αυτή της εισόδου 𝑥. Ο αποκωδικοποιητής βασίζεται στην κρυφή έξοδο 𝑙 και παράγει την έξοδο, 𝑥”, στην είσοδο, 𝑥. Η AE εκπαιδεύεται για να ελαχιστοποιεί την ανακατασκευασμένη απώλεια του δικτύου για τη σωστή αναγέννηση της αρχικής εισόδου. &lt;br /&gt;
[[Εικόνα:athanasia2.2.jpg| thumb| center|'''Eικόνα 2:'''Δομή CAE..]]&lt;br /&gt;
&lt;br /&gt;
'''ΕΦΑΡΜΟΓΗ ΜΟΝΤΕΛΟΥ''' &lt;br /&gt;
&lt;br /&gt;
Η απόδοση της μεθόδου IDLVD-UARSI δοκιμάστηκε χρησιμοποιώντας δύο βάσεις δεδομένων : τη βάση δεδομένων VEDAI  και τη βάση δεδομένων ISPRS Potsdam. &lt;br /&gt;
-Το σύνολο δεδομένων VEDAI περιλαμβάνει ανάλυση εικόνων σε φωτοσύνθετο RGB (1024 X 1024 px) και σχετικές υπέρυθρες (IR) εικόνες σε χωρική ανάλυση 12,5cm. Σε κάθε pixel παρέχονται πληροφορίες για την κατηγορία του οχήματος, οι συντεταγμένες του κέντρου και οι τέσσερις γωνίες των οριοθετημένων πολυγώνων για όλα τα οχήματα της εικόνας. Το VEDAI χρησιμοποιείται για την εκπαίδευση ενός CNN για ταξινόμηση οχημάτων. &lt;br /&gt;
[[Εικόνα:athanasia2.3.png| thumb| center|'''Eικόνα 3:'''Δείγματα αποτελεσμάτων (α) Εισαγωγή εικόνων και (β) ταξινομημένες εικόνες...]]&lt;br /&gt;
&lt;br /&gt;
-Το σύνολο των δεδομένων Semantic labeling ISPRS Postdam περιλαμβάνει ανάλυση εικόνων (6000 Χ 6000 px) με χωρική ανάλυση 5 cm, που έχουν ληφθεί στην πόλη Postdam (Γερμανία). Παρέχεται μια ολοκληρωμένη αλήθεια εδάφους σε επίπεδο pixel για 24 pixel ανάλυσης. &lt;br /&gt;
Η βάση δεδομένων VEDAI περιλαμβάνει 3687 δείγματα και η βάση δεδομένων ISPRS Postdam περιλαμβάνει 2244 δείγματα όπως στους ορίζονται στους πίνακες παρακάτω. &lt;br /&gt;
&lt;br /&gt;
Οι ερευνητές χρησιμοποίησαν και τις δύο μεθόδους δεδομένων για να κάνουν ανάλυση του βασικού ζητούμενου τους.&lt;br /&gt;
[[Εικόνα:athanasia2.7.png| thumb| center|'''Eικόνα 4:'''Περιγραφή της βάσης δεδομένων ISPRS και VEDAI Potsdam...]]&lt;br /&gt;
[[Εικόνα:athanasia2.4.png| thumb| center|'''Eικόνα 5:'''Επιδόσεις στη βάση δεδομένων VEDAI και ISPRS...]]&lt;br /&gt;
 &lt;br /&gt;
	'''VEDAI'''&lt;br /&gt;
&lt;br /&gt;
Τα παραπάνω σχήματα  παρουσιάζουν τα αποτελέσματα της ταξινόμησης της μεθόδου IDLVD-UARSI στη βάση δεδομένων VEDAI και ISPRS. Τα σχήματα που δημιουργήθηκαν από τη βάση δεδομένων VEDAI παρουσιάζουν πως η μέθοδος έχει εντοπίσει και ταξινομήσει και τις εννέα κλάσεις με ακρίβεια. Η επίδοση PR που καταγράφηκε είναι ιδιαιτέρως υψηλή παρουσιάζοντας πως η τεχνική έχει λάβει υψηλότερα αποτελέσματα PR και στις εννέα κατηγορίες. Τα αποτελέσματα δείχνουν ότι το σύστημα IDLVD-UARSI αναγνωρίζει σωστά τα οχήματα. Στο 70% του συνόλου TR, η μέθοδος IDLVD-UARSI δίνει μέση τιμή  accuy, precn, recal , Fscore και MCC 97,72%, 85,91%, 72,09%, 74,86% και 75,26%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 97,89%, 78,78%, 72,86%, 75,35% και 74,42%, αντίστοιχα. &lt;br /&gt;
[[Εικόνα:athanasia2.5.png| thumb| center|'''Eικόνα 5:'''Αποτελέσματα αναγνώρισης οχήματος της τεχνικής IDLVD-UARSI στη βάση δεδομένων VEDAI....]]&lt;br /&gt;
&lt;br /&gt;
	'''ISPRS'''&lt;br /&gt;
&lt;br /&gt;
Η μέθοδος IDLVD-UARSI ( δεύτερη μέθοδος ταξινόμησης που χρησιμοποιήθηκε) ταξινόμησε τέσσερις ετικέτες κλάσεων με ακρίβεια. Τα παραπάνω σχήματα για τη συγκεκριμένη ταξινόμηση παρουσιάζουν πως  η μέθοδος έχει κερδίσει τη μέγιστη απόδοση PR και στις τέσσερις κατηγορίες δημιουργώντας έτσι πολλά υποσχόμενα αποτελέσματα, με υψηλές τιμές ROC. Τα πειραματικά αποτελέσματα δείχνουν ότι η μέθοδος IDLVD-UARSI ανίχνευσε σωστά τα οχήματα. Στο 70% του συνόλου TR, το σύστημα IDLVD-UARSI εμφανίζει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,69%, 91,92%, 84,48%, 87,72% και 84,96%, αντίστοιχα. Επιπλέον, στο 30% του συνόλου TS, η τεχνική IDLVD-UARSI προσφέρει μέση ακρίβεια, precn, ανάκληση, Fscore και MCC 98,29%, 93,89%, 75,96%, 83,40% και 79,86%, αντίστοιχα.&lt;br /&gt;
[[Εικόνα:athanasia2.6.png| thumb| center|'''Eικόνα 5:'''Αποτελέσματα αναγνώρισης οχήματος της τεχνικής IDLVD-UARSI στη βάση δεδομένων ISPRS....]]&lt;br /&gt;
&lt;br /&gt;
Αυτά τα αποτελέσματα απόδοσης των μεθόδων που μελετήθηκαν υπογραμμίζονται τα ανώτερα αποτελέσματα της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλες μεθόδους. Η βελτιωμένη λύση του αλγορίθμου IDLVD-UARSI οφείλεται στη χρήση συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, ο οποίος επιλέγει κατάλληλα τις βέλτιστες τιμές για τις υπερπαραμέτρους της παρεχόμενης προσέγγισης CAE. Οι υπερπαράμετροι είναι ρυθμίσεις που δεν μπορούν να μαθευτούν στην εκπαίδευση και έχουν σημαντικό αντίκτυπο στην απόδοση του μοντέλου και η επιλογή της βέλτιστης λύσης οδηγεί στην καλύτερη ακρίβεια. Με την ενσωμάτωση του συντονισμού υπερπαραμέτρων που βασίζεται σε QDMO, το σύστημα IDLVD-UARSI λαμβάνει τις βέλτιστες λύσεις εστιάζοντας σε καλύτερες ρυθμίσεις για τη μέθοδο. Αυτά τα αποτελέσματα διασφαλίζουν τη μεγαλύτερη λύση της μεθοδολογίας IDLVD-UARSI σε σύγκριση με άλλα υπάρχοντα συστήματα&lt;br /&gt;
&lt;br /&gt;
'''ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΑΣ''' &lt;br /&gt;
&lt;br /&gt;
Σε αυτή τη μελέτη, οι ερευνητές εστίασαν  στον σχεδιασμό και την ανάπτυξη της μεθόδου IDLVD-UARSI που χρησιμοποιεί RSI. Ο κύριος στόχος της μεθόδου IDLVD-UARSI επικεντρώνεται στον εντοπισμό και την ταξινόμηση στόχων οχημάτων σε RSI. Στην τεχνική IDLVD-UARSI, εμπλέκονται τρεις κύριες διαδικασίες, συγκεκριμένα η βελτιωμένη ανίχνευση οχήματος RefineDet, η ταξινόμηση βάσει CAE και ο συντονισμός υπερπαραμέτρων με βάση το QDMO. Ο σχεδιασμός της τεχνικής QDMO βοηθά στη βέλτιστη διαδικασία συντονισμού υπερπαραμέτρων και βοηθά στην επίτευξη βελτιωμένης απόδοσης. Τα αποτελέσματα της προσομοίωσης της τεχνικής IDLVD-UARSI λαμβάνονται σε μια βάση δεδομένων οχημάτων αναφοράς. Οι τιμές προσομοίωσης υποδεικνύουν ότι ο αλγόριθμος IDLVD-UARSI έχει καλύτερη απόδοση από άλλα πρόσφατα μοντέλα DL υπό διάφορες μετρήσεις. Στο μέλλον, οι ερευνητές τονίζουν πως θα ήθελαν να επεκτείνουν την τεχνική IDLVD-UARSI κάνοντας χρήση προσεγγίσεων σύντηξης χαρακτηριστικών. Επιπλέον, τονίζουν πως ο συνδυασμός πολυτροπικών πηγών δεδομένων, όπως πολυφασματικές εικόνες και δεδομένα LiDAR, προσφέρει πλουσιότερα δεδομένα για ταξινόμηση. Τέλος, επισημαίνουν πως η ανάπτυξη  αποτελεσματικών τεχνικών DL κατάλληλων για χρήση περιβαλλόντων τηλεπισκόπησης με περιορισμένους πόρους, όπως δορυφόροι ή drones, είναι κρίσιμη για ταξινόμηση σε πραγματικό χρόνο και σε κάθε συσκευή. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:Αμμοδοχείο]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY</id>
		<title>DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY"/>
				<updated>2024-01-30T05:33:59Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY'''&lt;br /&gt;
&lt;br /&gt;
Ανίχνευση κυκλοφοριακής συμφόρησης μέσω τηλεπισκοπικών εικόνων&lt;br /&gt;
&lt;br /&gt;
'''Πηγή''':'''https://www.researchgate.net/publication/224383158_Detection_of_Traffic_Congestion_in_Optical_Remote_Sensing_Imagery'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Gintautas Palubinskas / Franz Kurz /Peter Reinartz&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''1.ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Η κυκλοφοριακή συμφόρηση και η αύξηση των κυκλοφοριακών φόρτων των οδικών αξόνων είναι ένα από τα προβλήματα που με το πέρασμα των χρόνων συνεχώς αυξάνεται και η ανάγκη για άμεση επίλυση του κρίνεται αναγκαία. Η κυκλοφοριακή συμφόρηση των οδικών αξόνων είναι ένας από τους κύριους λόγους για την τεράστια αύξηση του κόστους μεταφοράς λόγω χαμένου χρόνου και των επιπλέον καυσίμων. Τα προβλήματα που προκύπτουν είναι ποικίλα και πολυδιάστατα. Προκειμένου ωστόσο να λυθεί το πρόβλημα αυτό, η ανάλυση του προβλήματος και η συλλογή των απαραίτητων στοιχείων αποτελεί πρωταρχική κίνηση των ερευνητών. Οι συγγραφείς του παρόντος άρθρου που φέρει τον τίτλο &amp;lt;&amp;lt;DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY&amp;gt;&amp;gt; επιχειρούν την ανίχνευση του προβλήματος της κυκλοφοριακής συμφόρησης των οδικών αξόνων μέσω της χρήσης της επιστήμης της τηλεπισκόπισης και των τηλεπισκοπικών εικόνων. Πιο συγκεκριμένα, οι συγγραφείς προτείνουν μια νέα προσέγγιση προωθώντας τη χρήση τηλεπισκοπικών εικόνων χρονοσειράς οπτικής ψηφιακής δορυφορικής κάμερας. Μέσω αυτών επιχειρείται η καταγραφή της πυκνότητας των οχημάτων στους οδικούς άξονες, η μέση ταχύτητα του οχήματος καθώς και η αρχή και το τέλος της συμφόρησης. Η μέθοδος αυτή εστιάζει στην ανίχνευση των οχημάτων στο οδικό τμήμα μέσω της ανίχνευσης των αλλαγών μεταξύ δύο εικόνων με σύντομη χρονική υστέρηση, της χρήσης εκ των προτέρων βασικών πληροφοριών όπως είναι τα βασικά χαρακτηριστικά των δρόμων καθώς και μέσω των μεγεθών των οχημάτων, και των αποστάσεων μεταξύ τους. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.ΜΕΘΟΔΟΣ''' &lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες που είναι εγκατεστημένοι σε αεροσκάφη ή δορυφόρους επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα, καθιστώντας τους κατάλληλους για διάφορες εφαρμογές παρακολούθησης της κυκλοφορίας. Η λήψη εικόνων για κάθε σημείο από πολλαπλές κάμερες με διαφορά λίγων δευτερολέπτων αποτελεί τη βάση της μεθόδου εντοπισμού του προβλήματος που μελετάται. &lt;br /&gt;
Πιο συγκεκριμένα, μέσω της συγκεκριμένης μεθόδου επιχειρείται η καταγραφή της υφιστάμενης κατάστασης των οδικών αξόνων, μοντελοποιώντας την ροή κυκλοφορίας στο οδικό τμήμα και όχι καταγράφοντας απλά κάθε μεμονωμένο όχημα. Η μέθοδος ανίχνευσης, βασίζεται στον συνδυασμό διαφόρων τεχνικών όπως: ανίχνευσης αλλαγών, επεξεργασίας εικόνων και ενσωμάτωσης βασικών πληροφοριών-δεδομένων όπως τα δεδομένα της υφιστάμενης κατάστασης των οδικών αξόνων. Αναλυτικότερα, η ανίχνευση των αλλαγών σε δύο εικόνες με μικρή χρονική υστέρηση υλοποιείται μέσω της μεθόδου ανίχνευσης. Οι αλλαγές των χρονικών στιγμών μεταφράζονται σε αλλαγές στην ανακλώμενη ακτινοβολία, βοηθώντας μας να αντιληφθούμε τις αλλαγές κάθε χρονική στιγμή και να εντοπίσουμε τα κινούμενα οχήματα και το ρυθμό ροής τους. Η επεξεργασία εικόνων, πραγματοποιείται προκειμένου να εξαχθούν συμπληρωματικά στοιχεία για να πραγματοποιηθεί η ανάλυση της υφιστάμενης κατάστασης. Παράδειγμα αποτελεί ο υπολογισμός της εκτιμώμενης πυκνότητας των οχημάτων. Η εκτιμώμενη πυκνότητα μπορεί να συσχετιστεί με τη θεωρητική πυκνότητα του οχήματος, η οποία μπορεί να αποκτηθεί με τη μοντελοποίηση της ροής κυκλοφορίας για ένα οδικό τμήμα. Το μοντέλο προέρχεται από τις εκ των προτέρων βασικές πληροφορίες που έχουν συλλεχθεί σχετικά με τα μεγέθη των οχημάτων και τις παραμέτρους του δρόμου (π.χ. βάση δεδομένων NAVTEQ). Η θεωρητική πυκνότητα οχήματος σχετίζεται άμεσα με τη μέση ταχύτητα του οχήματος στο τμήμα του δρόμου και επομένως με τις πληροφορίες σχετικά με την κατάσταση της κυκλοφορίας (π.χ. η ύπαρξη συμφόρησης, η αρχή και το τέλος συμφόρησης η διάρκεια εμπλοκής, οι πραγματικοί χρόνοι ταξιδιού κ.α.) &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.1.ΠΩΣ ΓΙΝΕΤΑΙ Η ΑΝΙΧΝΕΥΣΗ ΤΩΝ ΟΧΗΜΑΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
1 Επιλέγονται δύο διαφορετικές εικόνες με διαφορά λίγων δευτερολέπτων. Οι περιορισμοί που τίθενται είναι στις εικόνες που επιλέγονται  το όχημα που ορίζεται για ανάλυση να μην επικαλύπτεται από τον εαυτό του ή με το προηγούμενο αυτού. &lt;br /&gt;
2 Ορίζεται η περιοχή ενδιαφέροντος- ο οδικός άξονας κίνησης των οχημάτων με βάση τη γραμμή κίνησης. &lt;br /&gt;
3.Λαμβάνεται η εικόνα αλλαγής η οποία εντοπίζεται με αλγόριθμο Median absolute deviation. Η λαμβανόμενη εικόνα αλλαγής τίθενται σε ειδική επεξεργασία βελτιστοποιήσεων. Η πυκνότητα των οχημάτων που υπολογίζεται για κάθε τμήμα δρόμου από τη νέα εικόνα ( δυαδική ) ορίζεται ως ο λόγος των λευκών εικονοστοιχείων προς τον συνολικό αριθμό των εικονοστοιχείων στο συνολικό τμήμα του δρόμου. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.2.ΠΟΙΕΣ ΕΙΝΑΙ ΟΙ ΕΚ ΤΩΝ ΠΡΟΤΕΡΩΝ ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΣΥΛΛΕΓΟΝΤΑΙ''' &lt;br /&gt;
&lt;br /&gt;
Οι εκ των προτέρων βασικές πληροφορίες-prior information που συλλέγονται περιλαμβάνουν τα εξής: &lt;br /&gt;
	Βάση δεδομένων δρόμων ( οδικές γραμμές και στις δύο κατευθύνσεις ) &lt;br /&gt;
	Μεγέθη οχημάτων επιβατικών οχημάτων, φορτηγών και λεωφορείων&lt;br /&gt;
	Χαρακτηριστικά δρόμων ( αριθμός λωρίδων, πλάτη δρόμων )&lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
2.3.ΠΡΟΤΕΙΝΟΜΕΝΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ ΚΥΚΛΟΦΟΡΙΑΣ &lt;br /&gt;
&lt;br /&gt;
Το προτεινόμενο γραμμικό μοντέλο που προτείνουν οι συγγραφείς είναι το εξής : &lt;br /&gt;
'''S=B*g(V)+L'''&lt;br /&gt;
Όπου:&lt;br /&gt;
'''S-&amp;gt; απόσταση οχήματος από το προηγούμενο και το επόμενο του &lt;br /&gt;
'''g(V)-&amp;gt; η συνάρτηση που μετατρέπει την ταχύτητα (km/h) σε m''' &lt;br /&gt;
'''L-&amp;gt; μήκος οχήματος σε m''' &lt;br /&gt;
Β-&amp;gt; αδιάστατη παράμετρος μοντέλου ( οι τιμές για την κυκλοφοριακή συμφόρηση κυμαίνονται από 0,5-1 )''' &lt;br /&gt;
Επίσης, η θεωρητική πυκνότητα υπολογίζεται ως εξής:  D=1km/S&lt;br /&gt;
Σε αυτό τον τύπο υπονοούνται εγγενείς υποθέσεις σχετικά με τη σταθερή ταχύτητα και τον ίδιο τύπο οχημάτων για ένα επιλεγμένο οδικό τμήμα. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''3.ΠΕΙΡΑΜΑ ΠΟΥ ΔΙΕΞΗΓΑΓΑΝ''' &lt;br /&gt;
&lt;br /&gt;
Ο αυτοκινητόδρομος που μελετήθηκε είναι ο αυτοκινητόδρομος Α8 νότια του Μονάχου. Αποτελεί ένα από τα πιο πολυσύχναστα μέρη του γερμανικού δικτύου αυτοκινητοδρόμων με μέσο φόρτο περίπου 100.000 οχήματα ημερησίως. Στις 2 Σεπτεμβρίου του 2006 αναμενόταν μεγάλη κίνηση σε αυτό το τμήμα που επιλέχθηκε από ταξιδιώτες. Τρείς λήψεις δεδομένων λήφθηκαν από σύστημα καμερών DLR 3K μεταξύ του χρονικού διαστήματος 14:01 και 15:11 από 2000 μέτρα πάνω από το έδαφος σε τρεις υπερπτήσεις. Κατά τη διάρκεια κάθε υπερπτήσεως, λήφθηκαν 22 ριπές εικόνων που η καθεμία περιείχε τέσσερις διαδοχικές εικόνες. Η χρονική διαφορά σε αυτές τις ριπές ήταν 0,7 δευτερόλεπτα έτσι ώστε κάθε αυτοκίνητο να παρακολουθείται. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.1.jpg| thumb| center|'''Eικόνα 1:'''Παράδειγμα ανίχνευσης κυκλοφοριακής συμφόρησης στον αυτοκινητόδρομο Α8 μεταξύ Μονάχου και Σάλτσμπουργκ για δεδομένα αισθητήρα 3K που αποκτήθηκαν κατά την εκστρατεία πτήσης ADAC στις 2.9.2006.]]&lt;br /&gt;
&lt;br /&gt;
Τα αποτελέσματα της ανίχνευσης κυκλοφοριακής συμφόρησης στο χώρο δοκιμών του αυτοκινητοδρόμου Α8  παρουσιάζονται στο παραπάνω σχήμα. Η εικόνα a. είναι η πρώτη εικόνα του παραδείγματος ακολουθίας που λήφθηκε, η εικόνα b είναι η δεύτερη εικόνα που αποκτήθηκε 2,1 δευτερόλεπτα αργότερα, η εικόνα c είναι η δυαδική εικόνα αλλαγής  η οποία εντοπίστηκε με αλγόριθμο Median absolute deviation μετά τη διαδικασία βελτιστοποιήσεων, η εικόνα d παρουσιάζει το προφίλ ταχύτητας για ξεχωριστές οδικές κατευθύνσεις που απεικονίζονται στη δυαδική εικόνα και στην εικόνα e παρουσιάζονται οι μετρήσεις ταχύτητας αναφοράς στην πρώτη εικόνα. Με κόκκινο χρώμα σημειώνεται η περιοχή συμφόρησης στην οποία καταγράφεται μέση ταχύτητα έως 80 km/h. &lt;br /&gt;
Τα πειραματικά αποτελέσματα που ελήφθησαν παρουσιάζουν τις δυνατότητες της προτεινόμενης μεθόδου για την ανίχνευση της κυκλοφοριακής συμφόρησης σε αυτοκινητοδρόμους. Τα συμπεράσματα που εξήχθησαν από τους ερευνητές είναι τα εξής : για την ακριβή εκτίμηση της πυκνότητας του οχήματος, η βέλτιστη χρονική καθυστέρηση των δύο εικόνων φαίνεται να είναι περίπου 3 δευτερόλεπτα και το εύρος των ταχυτήτων μεταξύ των 10 km/h και 80km/h ( κατάσταση κυκλοφοριακής συμφόρησης ). &lt;br /&gt;
Το πρόβλημα που εντοπίζεται για τα πολύ αργά ή σταματημένα αυτοκίνητα επισημαίνεται από τους συγγραφείς πως μπορεί να επιλυθεί με την ενσωμάτωση άλλων προσεγγίσεων όπως π.χ. τη ταξινόμηση της μεμονωμένης εικόνας. Επίσης οι παραμορφώσεις που προκαλούνται λόγω των σκιάσεων των οχημάτων και μπορούν να ελαχιστοποιηθούν μέσω των πρόσθετων prior information όπως το υψόμετρο του ήλιου και το ύψος των οχημάτων.  &lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
'''4.ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς του παρόντος άρθρου εισήγαγαν μια νέα προσέγγιση ανίχνευσης κυκλοφοριακής συμφόρησης μέσω της χρήσης εικόνων χρονοσειρών που λαμβάνονται από αερομεταφερόμενο οπτικό σύστημα κάμερας 3Κ. Μας επιτρέπει να εξάγουμε διάφορες παραμέτρους κυκλοφορίας όπως την πυκνότητα οχήματος, τη μέση ταχύτητα, την αρχή και το τέλος της συμφόρησης καθώς και τη διάρκειας της συμφόρησης. Η μέθοδος βασίζεται στην ανίχνευση οχήματος στο τμήμα του δρόμου από αλλαγή ανίχνευσης δύο εικόνων με μικρή χρονική καθυστέρηση, χρήση μιας εκ των προτέρων πληροφόρησης και ενός απλού μοντέλου κυκλοφορίας. Το παρακάτω σχήμα παρουσιάζει οπτικά μέσω σχημάτων το μοντέλο ανάλυσης των ερευνητών. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.2.jpg| thumb| center|'''Eικόνα 2:'''Διάγραμμα ροής της προτεινόμενης μεθόδου ανίχνευσης κυκλοφοριακής συμφόρησης.]]&lt;br /&gt;
 [[category:Αμμοδοχείο]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY</id>
		<title>DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY"/>
				<updated>2024-01-30T05:33:19Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY'''&lt;br /&gt;
Ανίχνευση κυκλοφοριακής συμφόρησης μέσω τηλεπισκοπικών εικόνων&lt;br /&gt;
&lt;br /&gt;
'''Πηγή''':'''https://www.researchgate.net/publication/224383158_Detection_of_Traffic_Congestion_in_Optical_Remote_Sensing_Imagery'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Gintautas Palubinskas / Franz Kurz /Peter Reinartz&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''1.ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Η κυκλοφοριακή συμφόρηση και η αύξηση των κυκλοφοριακών φόρτων των οδικών αξόνων είναι ένα από τα προβλήματα που με το πέρασμα των χρόνων συνεχώς αυξάνεται και η ανάγκη για άμεση επίλυση του κρίνεται αναγκαία. Η κυκλοφοριακή συμφόρηση των οδικών αξόνων είναι ένας από τους κύριους λόγους για την τεράστια αύξηση του κόστους μεταφοράς λόγω χαμένου χρόνου και των επιπλέον καυσίμων. Τα προβλήματα που προκύπτουν είναι ποικίλα και πολυδιάστατα. Προκειμένου ωστόσο να λυθεί το πρόβλημα αυτό, η ανάλυση του προβλήματος και η συλλογή των απαραίτητων στοιχείων αποτελεί πρωταρχική κίνηση των ερευνητών. Οι συγγραφείς του παρόντος άρθρου που φέρει τον τίτλο &amp;lt;&amp;lt;DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY&amp;gt;&amp;gt; επιχειρούν την ανίχνευση του προβλήματος της κυκλοφοριακής συμφόρησης των οδικών αξόνων μέσω της χρήσης της επιστήμης της τηλεπισκόπισης και των τηλεπισκοπικών εικόνων. Πιο συγκεκριμένα, οι συγγραφείς προτείνουν μια νέα προσέγγιση προωθώντας τη χρήση τηλεπισκοπικών εικόνων χρονοσειράς οπτικής ψηφιακής δορυφορικής κάμερας. Μέσω αυτών επιχειρείται η καταγραφή της πυκνότητας των οχημάτων στους οδικούς άξονες, η μέση ταχύτητα του οχήματος καθώς και η αρχή και το τέλος της συμφόρησης. Η μέθοδος αυτή εστιάζει στην ανίχνευση των οχημάτων στο οδικό τμήμα μέσω της ανίχνευσης των αλλαγών μεταξύ δύο εικόνων με σύντομη χρονική υστέρηση, της χρήσης εκ των προτέρων βασικών πληροφοριών όπως είναι τα βασικά χαρακτηριστικά των δρόμων καθώς και μέσω των μεγεθών των οχημάτων, και των αποστάσεων μεταξύ τους. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.ΜΕΘΟΔΟΣ''' &lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες που είναι εγκατεστημένοι σε αεροσκάφη ή δορυφόρους επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα, καθιστώντας τους κατάλληλους για διάφορες εφαρμογές παρακολούθησης της κυκλοφορίας. Η λήψη εικόνων για κάθε σημείο από πολλαπλές κάμερες με διαφορά λίγων δευτερολέπτων αποτελεί τη βάση της μεθόδου εντοπισμού του προβλήματος που μελετάται. &lt;br /&gt;
Πιο συγκεκριμένα, μέσω της συγκεκριμένης μεθόδου επιχειρείται η καταγραφή της υφιστάμενης κατάστασης των οδικών αξόνων, μοντελοποιώντας την ροή κυκλοφορίας στο οδικό τμήμα και όχι καταγράφοντας απλά κάθε μεμονωμένο όχημα. Η μέθοδος ανίχνευσης, βασίζεται στον συνδυασμό διαφόρων τεχνικών όπως: ανίχνευσης αλλαγών, επεξεργασίας εικόνων και ενσωμάτωσης βασικών πληροφοριών-δεδομένων όπως τα δεδομένα της υφιστάμενης κατάστασης των οδικών αξόνων. Αναλυτικότερα, η ανίχνευση των αλλαγών σε δύο εικόνες με μικρή χρονική υστέρηση υλοποιείται μέσω της μεθόδου ανίχνευσης. Οι αλλαγές των χρονικών στιγμών μεταφράζονται σε αλλαγές στην ανακλώμενη ακτινοβολία, βοηθώντας μας να αντιληφθούμε τις αλλαγές κάθε χρονική στιγμή και να εντοπίσουμε τα κινούμενα οχήματα και το ρυθμό ροής τους. Η επεξεργασία εικόνων, πραγματοποιείται προκειμένου να εξαχθούν συμπληρωματικά στοιχεία για να πραγματοποιηθεί η ανάλυση της υφιστάμενης κατάστασης. Παράδειγμα αποτελεί ο υπολογισμός της εκτιμώμενης πυκνότητας των οχημάτων. Η εκτιμώμενη πυκνότητα μπορεί να συσχετιστεί με τη θεωρητική πυκνότητα του οχήματος, η οποία μπορεί να αποκτηθεί με τη μοντελοποίηση της ροής κυκλοφορίας για ένα οδικό τμήμα. Το μοντέλο προέρχεται από τις εκ των προτέρων βασικές πληροφορίες που έχουν συλλεχθεί σχετικά με τα μεγέθη των οχημάτων και τις παραμέτρους του δρόμου (π.χ. βάση δεδομένων NAVTEQ). Η θεωρητική πυκνότητα οχήματος σχετίζεται άμεσα με τη μέση ταχύτητα του οχήματος στο τμήμα του δρόμου και επομένως με τις πληροφορίες σχετικά με την κατάσταση της κυκλοφορίας (π.χ. η ύπαρξη συμφόρησης, η αρχή και το τέλος συμφόρησης η διάρκεια εμπλοκής, οι πραγματικοί χρόνοι ταξιδιού κ.α.) &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.1.ΠΩΣ ΓΙΝΕΤΑΙ Η ΑΝΙΧΝΕΥΣΗ ΤΩΝ ΟΧΗΜΑΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
1 Επιλέγονται δύο διαφορετικές εικόνες με διαφορά λίγων δευτερολέπτων. Οι περιορισμοί που τίθενται είναι στις εικόνες που επιλέγονται  το όχημα που ορίζεται για ανάλυση να μην επικαλύπτεται από τον εαυτό του ή με το προηγούμενο αυτού. &lt;br /&gt;
2 Ορίζεται η περιοχή ενδιαφέροντος- ο οδικός άξονας κίνησης των οχημάτων με βάση τη γραμμή κίνησης. &lt;br /&gt;
3.Λαμβάνεται η εικόνα αλλαγής η οποία εντοπίζεται με αλγόριθμο Median absolute deviation. Η λαμβανόμενη εικόνα αλλαγής τίθενται σε ειδική επεξεργασία βελτιστοποιήσεων. Η πυκνότητα των οχημάτων που υπολογίζεται για κάθε τμήμα δρόμου από τη νέα εικόνα ( δυαδική ) ορίζεται ως ο λόγος των λευκών εικονοστοιχείων προς τον συνολικό αριθμό των εικονοστοιχείων στο συνολικό τμήμα του δρόμου. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.2.ΠΟΙΕΣ ΕΙΝΑΙ ΟΙ ΕΚ ΤΩΝ ΠΡΟΤΕΡΩΝ ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΣΥΛΛΕΓΟΝΤΑΙ''' &lt;br /&gt;
&lt;br /&gt;
Οι εκ των προτέρων βασικές πληροφορίες-prior information που συλλέγονται περιλαμβάνουν τα εξής: &lt;br /&gt;
	Βάση δεδομένων δρόμων ( οδικές γραμμές και στις δύο κατευθύνσεις ) &lt;br /&gt;
	Μεγέθη οχημάτων επιβατικών οχημάτων, φορτηγών και λεωφορείων&lt;br /&gt;
	Χαρακτηριστικά δρόμων ( αριθμός λωρίδων, πλάτη δρόμων )&lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
2.3.ΠΡΟΤΕΙΝΟΜΕΝΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ ΚΥΚΛΟΦΟΡΙΑΣ &lt;br /&gt;
&lt;br /&gt;
Το προτεινόμενο γραμμικό μοντέλο που προτείνουν οι συγγραφείς είναι το εξής : &lt;br /&gt;
'''S=B*g(V)+L'''&lt;br /&gt;
Όπου:&lt;br /&gt;
'''S-&amp;gt; απόσταση οχήματος από το προηγούμενο και το επόμενο του &lt;br /&gt;
'''g(V)-&amp;gt; η συνάρτηση που μετατρέπει την ταχύτητα (km/h) σε m''' &lt;br /&gt;
'''L-&amp;gt; μήκος οχήματος σε m''' &lt;br /&gt;
Β-&amp;gt; αδιάστατη παράμετρος μοντέλου ( οι τιμές για την κυκλοφοριακή συμφόρηση κυμαίνονται από 0,5-1 )''' &lt;br /&gt;
Επίσης, η θεωρητική πυκνότητα υπολογίζεται ως εξής:  D=1km/S&lt;br /&gt;
Σε αυτό τον τύπο υπονοούνται εγγενείς υποθέσεις σχετικά με τη σταθερή ταχύτητα και τον ίδιο τύπο οχημάτων για ένα επιλεγμένο οδικό τμήμα. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''3.ΠΕΙΡΑΜΑ ΠΟΥ ΔΙΕΞΗΓΑΓΑΝ''' &lt;br /&gt;
&lt;br /&gt;
Ο αυτοκινητόδρομος που μελετήθηκε είναι ο αυτοκινητόδρομος Α8 νότια του Μονάχου. Αποτελεί ένα από τα πιο πολυσύχναστα μέρη του γερμανικού δικτύου αυτοκινητοδρόμων με μέσο φόρτο περίπου 100.000 οχήματα ημερησίως. Στις 2 Σεπτεμβρίου του 2006 αναμενόταν μεγάλη κίνηση σε αυτό το τμήμα που επιλέχθηκε από ταξιδιώτες. Τρείς λήψεις δεδομένων λήφθηκαν από σύστημα καμερών DLR 3K μεταξύ του χρονικού διαστήματος 14:01 και 15:11 από 2000 μέτρα πάνω από το έδαφος σε τρεις υπερπτήσεις. Κατά τη διάρκεια κάθε υπερπτήσεως, λήφθηκαν 22 ριπές εικόνων που η καθεμία περιείχε τέσσερις διαδοχικές εικόνες. Η χρονική διαφορά σε αυτές τις ριπές ήταν 0,7 δευτερόλεπτα έτσι ώστε κάθε αυτοκίνητο να παρακολουθείται. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.1.jpg| thumb| center|'''Eικόνα 1:'''Παράδειγμα ανίχνευσης κυκλοφοριακής συμφόρησης στον αυτοκινητόδρομο Α8 μεταξύ Μονάχου και Σάλτσμπουργκ για δεδομένα αισθητήρα 3K που αποκτήθηκαν κατά την εκστρατεία πτήσης ADAC στις 2.9.2006.]]&lt;br /&gt;
&lt;br /&gt;
Τα αποτελέσματα της ανίχνευσης κυκλοφοριακής συμφόρησης στο χώρο δοκιμών του αυτοκινητοδρόμου Α8  παρουσιάζονται στο παραπάνω σχήμα. Η εικόνα a. είναι η πρώτη εικόνα του παραδείγματος ακολουθίας που λήφθηκε, η εικόνα b είναι η δεύτερη εικόνα που αποκτήθηκε 2,1 δευτερόλεπτα αργότερα, η εικόνα c είναι η δυαδική εικόνα αλλαγής  η οποία εντοπίστηκε με αλγόριθμο Median absolute deviation μετά τη διαδικασία βελτιστοποιήσεων, η εικόνα d παρουσιάζει το προφίλ ταχύτητας για ξεχωριστές οδικές κατευθύνσεις που απεικονίζονται στη δυαδική εικόνα και στην εικόνα e παρουσιάζονται οι μετρήσεις ταχύτητας αναφοράς στην πρώτη εικόνα. Με κόκκινο χρώμα σημειώνεται η περιοχή συμφόρησης στην οποία καταγράφεται μέση ταχύτητα έως 80 km/h. &lt;br /&gt;
Τα πειραματικά αποτελέσματα που ελήφθησαν παρουσιάζουν τις δυνατότητες της προτεινόμενης μεθόδου για την ανίχνευση της κυκλοφοριακής συμφόρησης σε αυτοκινητοδρόμους. Τα συμπεράσματα που εξήχθησαν από τους ερευνητές είναι τα εξής : για την ακριβή εκτίμηση της πυκνότητας του οχήματος, η βέλτιστη χρονική καθυστέρηση των δύο εικόνων φαίνεται να είναι περίπου 3 δευτερόλεπτα και το εύρος των ταχυτήτων μεταξύ των 10 km/h και 80km/h ( κατάσταση κυκλοφοριακής συμφόρησης ). &lt;br /&gt;
Το πρόβλημα που εντοπίζεται για τα πολύ αργά ή σταματημένα αυτοκίνητα επισημαίνεται από τους συγγραφείς πως μπορεί να επιλυθεί με την ενσωμάτωση άλλων προσεγγίσεων όπως π.χ. τη ταξινόμηση της μεμονωμένης εικόνας. Επίσης οι παραμορφώσεις που προκαλούνται λόγω των σκιάσεων των οχημάτων και μπορούν να ελαχιστοποιηθούν μέσω των πρόσθετων prior information όπως το υψόμετρο του ήλιου και το ύψος των οχημάτων.  &lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
'''4.ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς του παρόντος άρθρου εισήγαγαν μια νέα προσέγγιση ανίχνευσης κυκλοφοριακής συμφόρησης μέσω της χρήσης εικόνων χρονοσειρών που λαμβάνονται από αερομεταφερόμενο οπτικό σύστημα κάμερας 3Κ. Μας επιτρέπει να εξάγουμε διάφορες παραμέτρους κυκλοφορίας όπως την πυκνότητα οχήματος, τη μέση ταχύτητα, την αρχή και το τέλος της συμφόρησης καθώς και τη διάρκειας της συμφόρησης. Η μέθοδος βασίζεται στην ανίχνευση οχήματος στο τμήμα του δρόμου από αλλαγή ανίχνευσης δύο εικόνων με μικρή χρονική καθυστέρηση, χρήση μιας εκ των προτέρων πληροφόρησης και ενός απλού μοντέλου κυκλοφορίας. Το παρακάτω σχήμα παρουσιάζει οπτικά μέσω σχημάτων το μοντέλο ανάλυσης των ερευνητών. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.2.jpg| thumb| center|'''Eικόνα 2:'''Διάγραμμα ροής της προτεινόμενης μεθόδου ανίχνευσης κυκλοφοριακής συμφόρησης.]]&lt;br /&gt;
 [[category:Αμμοδοχείο]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%84%CE%B1%CE%BC%CE%BF%CF%8D%CE%BB%CE%BF%CF%85_%CE%91%CE%B9%CE%BA%CE%B1%CF%84%CE%B5%CF%81%CE%AF%CE%BD%CE%B7</id>
		<title>Σταμούλου Αικατερίνη</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A3%CF%84%CE%B1%CE%BC%CE%BF%CF%8D%CE%BB%CE%BF%CF%85_%CE%91%CE%B9%CE%BA%CE%B1%CF%84%CE%B5%CF%81%CE%AF%CE%BD%CE%B7"/>
				<updated>2024-01-30T04:47:38Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: Νέα σελίδα με '* Εργασία 1 ... * Εργασία 2 ... * Εργασία 3 ... * Εργασία 4 ... * Εργασία 5 ...   [[category:ΔΠΜΣ &amp;quot;Περιβά...'&lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;* [[Εργασία 1 ...]]&lt;br /&gt;
* [[Εργασία 2 ...]]&lt;br /&gt;
* [[Εργασία 3 ...]]&lt;br /&gt;
* [[Εργασία 4 ...]]&lt;br /&gt;
* [[Εργασία 5 ...]]&lt;br /&gt;
&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα) ]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%B8%CE%B1%CE%BD%CE%B1%CF%83%CE%B9%CE%AC_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%B1</id>
		<title>Αθανασιά Κωνσταντίνα</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%B8%CE%B1%CE%BD%CE%B1%CF%83%CE%B9%CE%AC_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%B1"/>
				<updated>2023-12-20T20:19:24Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;&amp;lt;li/&amp;gt; [[ DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY ]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&amp;lt;li/&amp;gt; [[ IMPROVED DEEP LEARNING-BASED VEHICLE DETECTION FOR URBAN APPLICATIONS USING REMOTE SENSING IMAGERY]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&amp;lt;li/&amp;gt; [[ RULE-BASED MAPPING OF PARKED VEHICLES USING AERIAL IMAGE SEQUENCES]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&amp;lt;li/&amp;gt; [[ APPLICATION OF REMOTE SENSING TECHNOLOGY IN SMART CITY CONSTRUCTION AND PLANNING]] &amp;lt;br/&amp;gt;&lt;br /&gt;
&amp;lt;li/&amp;gt; [[ USE OF REMOTE-SENSING TECHNOLOGY FOR VEHICLE EMISSIONS MONITORING AND CONTROL]] &amp;lt;br/&amp;gt;&lt;br /&gt;
 [[category:ΔΠΜΣ &amp;quot;Περιβάλλον &amp;amp; Ανάπτυξη&amp;quot; (Αθήνα)]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY</id>
		<title>DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY"/>
				<updated>2023-12-20T11:43:39Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY'''&lt;br /&gt;
Ανίχνευση κυκλοφοριακής συμφόρησης μέσω τηλεπισκοπικών εικόνων&lt;br /&gt;
'''Πηγή''':'''https://www.researchgate.net/publication/224383158_Detection_of_Traffic_Congestion_in_Optical_Remote_Sensing_Imagery'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Gintautas Palubinskas / Franz Kurz /Peter Reinartz&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''1.ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Η κυκλοφοριακή συμφόρηση και η αύξηση των κυκλοφοριακών φόρτων των οδικών αξόνων είναι ένα από τα προβλήματα που με το πέρασμα των χρόνων συνεχώς αυξάνεται και η ανάγκη για άμεση επίλυση του κρίνεται αναγκαία. Η κυκλοφοριακή συμφόρηση των οδικών αξόνων είναι ένας από τους κύριους λόγους για την τεράστια αύξηση του κόστους μεταφοράς λόγω χαμένου χρόνου και των επιπλέον καυσίμων. Τα προβλήματα που προκύπτουν είναι ποικίλα και πολυδιάστατα. Προκειμένου ωστόσο να λυθεί το πρόβλημα αυτό, η ανάλυση του προβλήματος και η συλλογή των απαραίτητων στοιχείων αποτελεί πρωταρχική κίνηση των ερευνητών. Οι συγγραφείς του παρόντος άρθρου που φέρει τον τίτλο &amp;lt;&amp;lt;DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY&amp;gt;&amp;gt; επιχειρούν την ανίχνευση του προβλήματος της κυκλοφοριακής συμφόρησης των οδικών αξόνων μέσω της χρήσης της επιστήμης της τηλεπισκόπισης και των τηλεπισκοπικών εικόνων. Πιο συγκεκριμένα, οι συγγραφείς προτείνουν μια νέα προσέγγιση προωθώντας τη χρήση τηλεπισκοπικών εικόνων χρονοσειράς οπτικής ψηφιακής δορυφορικής κάμερας. Μέσω αυτών επιχειρείται η καταγραφή της πυκνότητας των οχημάτων στους οδικούς άξονες, η μέση ταχύτητα του οχήματος καθώς και η αρχή και το τέλος της συμφόρησης. Η μέθοδος αυτή εστιάζει στην ανίχνευση των οχημάτων στο οδικό τμήμα μέσω της ανίχνευσης των αλλαγών μεταξύ δύο εικόνων με σύντομη χρονική υστέρηση, της χρήσης εκ των προτέρων βασικών πληροφοριών όπως είναι τα βασικά χαρακτηριστικά των δρόμων καθώς και μέσω των μεγεθών των οχημάτων, και των αποστάσεων μεταξύ τους. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.ΜΕΘΟΔΟΣ''' &lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες που είναι εγκατεστημένοι σε αεροσκάφη ή δορυφόρους επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα, καθιστώντας τους κατάλληλους για διάφορες εφαρμογές παρακολούθησης της κυκλοφορίας. Η λήψη εικόνων για κάθε σημείο από πολλαπλές κάμερες με διαφορά λίγων δευτερολέπτων αποτελεί τη βάση της μεθόδου εντοπισμού του προβλήματος που μελετάται. &lt;br /&gt;
Πιο συγκεκριμένα, μέσω της συγκεκριμένης μεθόδου επιχειρείται η καταγραφή της υφιστάμενης κατάστασης των οδικών αξόνων, μοντελοποιώντας την ροή κυκλοφορίας στο οδικό τμήμα και όχι καταγράφοντας απλά κάθε μεμονωμένο όχημα. Η μέθοδος ανίχνευσης, βασίζεται στον συνδυασμό διαφόρων τεχνικών όπως: ανίχνευσης αλλαγών, επεξεργασίας εικόνων και ενσωμάτωσης βασικών πληροφοριών-δεδομένων όπως τα δεδομένα της υφιστάμενης κατάστασης των οδικών αξόνων. Αναλυτικότερα, η ανίχνευση των αλλαγών σε δύο εικόνες με μικρή χρονική υστέρηση υλοποιείται μέσω της μεθόδου ανίχνευσης. Οι αλλαγές των χρονικών στιγμών μεταφράζονται σε αλλαγές στην ανακλώμενη ακτινοβολία, βοηθώντας μας να αντιληφθούμε τις αλλαγές κάθε χρονική στιγμή και να εντοπίσουμε τα κινούμενα οχήματα και το ρυθμό ροής τους. Η επεξεργασία εικόνων, πραγματοποιείται προκειμένου να εξαχθούν συμπληρωματικά στοιχεία για να πραγματοποιηθεί η ανάλυση της υφιστάμενης κατάστασης. Παράδειγμα αποτελεί ο υπολογισμός της εκτιμώμενης πυκνότητας των οχημάτων. Η εκτιμώμενη πυκνότητα μπορεί να συσχετιστεί με τη θεωρητική πυκνότητα του οχήματος, η οποία μπορεί να αποκτηθεί με τη μοντελοποίηση της ροής κυκλοφορίας για ένα οδικό τμήμα. Το μοντέλο προέρχεται από τις εκ των προτέρων βασικές πληροφορίες που έχουν συλλεχθεί σχετικά με τα μεγέθη των οχημάτων και τις παραμέτρους του δρόμου (π.χ. βάση δεδομένων NAVTEQ). Η θεωρητική πυκνότητα οχήματος σχετίζεται άμεσα με τη μέση ταχύτητα του οχήματος στο τμήμα του δρόμου και επομένως με τις πληροφορίες σχετικά με την κατάσταση της κυκλοφορίας (π.χ. η ύπαρξη συμφόρησης, η αρχή και το τέλος συμφόρησης η διάρκεια εμπλοκής, οι πραγματικοί χρόνοι ταξιδιού κ.α.) &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.1.ΠΩΣ ΓΙΝΕΤΑΙ Η ΑΝΙΧΝΕΥΣΗ ΤΩΝ ΟΧΗΜΑΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
1 Επιλέγονται δύο διαφορετικές εικόνες με διαφορά λίγων δευτερολέπτων. Οι περιορισμοί που τίθενται είναι στις εικόνες που επιλέγονται  το όχημα που ορίζεται για ανάλυση να μην επικαλύπτεται από τον εαυτό του ή με το προηγούμενο αυτού. &lt;br /&gt;
2 Ορίζεται η περιοχή ενδιαφέροντος- ο οδικός άξονας κίνησης των οχημάτων με βάση τη γραμμή κίνησης. &lt;br /&gt;
3.Λαμβάνεται η εικόνα αλλαγής η οποία εντοπίζεται με αλγόριθμο Median absolute deviation. Η λαμβανόμενη εικόνα αλλαγής τίθενται σε ειδική επεξεργασία βελτιστοποιήσεων. Η πυκνότητα των οχημάτων που υπολογίζεται για κάθε τμήμα δρόμου από τη νέα εικόνα ( δυαδική ) ορίζεται ως ο λόγος των λευκών εικονοστοιχείων προς τον συνολικό αριθμό των εικονοστοιχείων στο συνολικό τμήμα του δρόμου. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.2.ΠΟΙΕΣ ΕΙΝΑΙ ΟΙ ΕΚ ΤΩΝ ΠΡΟΤΕΡΩΝ ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΣΥΛΛΕΓΟΝΤΑΙ''' &lt;br /&gt;
&lt;br /&gt;
Οι εκ των προτέρων βασικές πληροφορίες-prior information που συλλέγονται περιλαμβάνουν τα εξής: &lt;br /&gt;
	Βάση δεδομένων δρόμων ( οδικές γραμμές και στις δύο κατευθύνσεις ) &lt;br /&gt;
	Μεγέθη οχημάτων επιβατικών οχημάτων, φορτηγών και λεωφορείων&lt;br /&gt;
	Χαρακτηριστικά δρόμων ( αριθμός λωρίδων, πλάτη δρόμων )&lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
2.3.ΠΡΟΤΕΙΝΟΜΕΝΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ ΚΥΚΛΟΦΟΡΙΑΣ &lt;br /&gt;
&lt;br /&gt;
Το προτεινόμενο γραμμικό μοντέλο που προτείνουν οι συγγραφείς είναι το εξής : &lt;br /&gt;
'''S=B*g(V)+L'''&lt;br /&gt;
Όπου:&lt;br /&gt;
'''S-&amp;gt; απόσταση οχήματος από το προηγούμενο και το επόμενο του &lt;br /&gt;
'''g(V)-&amp;gt; η συνάρτηση που μετατρέπει την ταχύτητα (km/h) σε m''' &lt;br /&gt;
'''L-&amp;gt; μήκος οχήματος σε m''' &lt;br /&gt;
Β-&amp;gt; αδιάστατη παράμετρος μοντέλου ( οι τιμές για την κυκλοφοριακή συμφόρηση κυμαίνονται από 0,5-1 )''' &lt;br /&gt;
Επίσης, η θεωρητική πυκνότητα υπολογίζεται ως εξής:  D=1km/S&lt;br /&gt;
Σε αυτό τον τύπο υπονοούνται εγγενείς υποθέσεις σχετικά με τη σταθερή ταχύτητα και τον ίδιο τύπο οχημάτων για ένα επιλεγμένο οδικό τμήμα. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''3.ΠΕΙΡΑΜΑ ΠΟΥ ΔΙΕΞΗΓΑΓΑΝ''' &lt;br /&gt;
&lt;br /&gt;
Ο αυτοκινητόδρομος που μελετήθηκε είναι ο αυτοκινητόδρομος Α8 νότια του Μονάχου. Αποτελεί ένα από τα πιο πολυσύχναστα μέρη του γερμανικού δικτύου αυτοκινητοδρόμων με μέσο φόρτο περίπου 100.000 οχήματα ημερησίως. Στις 2 Σεπτεμβρίου του 2006 αναμενόταν μεγάλη κίνηση σε αυτό το τμήμα που επιλέχθηκε από ταξιδιώτες. Τρείς λήψεις δεδομένων λήφθηκαν από σύστημα καμερών DLR 3K μεταξύ του χρονικού διαστήματος 14:01 και 15:11 από 2000 μέτρα πάνω από το έδαφος σε τρεις υπερπτήσεις. Κατά τη διάρκεια κάθε υπερπτήσεως, λήφθηκαν 22 ριπές εικόνων που η καθεμία περιείχε τέσσερις διαδοχικές εικόνες. Η χρονική διαφορά σε αυτές τις ριπές ήταν 0,7 δευτερόλεπτα έτσι ώστε κάθε αυτοκίνητο να παρακολουθείται. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.1.jpg| thumb| center|'''Eικόνα 1:'''Παράδειγμα ανίχνευσης κυκλοφοριακής συμφόρησης στον αυτοκινητόδρομο Α8 μεταξύ Μονάχου και Σάλτσμπουργκ για δεδομένα αισθητήρα 3K που αποκτήθηκαν κατά την εκστρατεία πτήσης ADAC στις 2.9.2006.]]&lt;br /&gt;
&lt;br /&gt;
Τα αποτελέσματα της ανίχνευσης κυκλοφοριακής συμφόρησης στο χώρο δοκιμών του αυτοκινητοδρόμου Α8  παρουσιάζονται στο παραπάνω σχήμα. Η εικόνα a. είναι η πρώτη εικόνα του παραδείγματος ακολουθίας που λήφθηκε, η εικόνα b είναι η δεύτερη εικόνα που αποκτήθηκε 2,1 δευτερόλεπτα αργότερα, η εικόνα c είναι η δυαδική εικόνα αλλαγής  η οποία εντοπίστηκε με αλγόριθμο Median absolute deviation μετά τη διαδικασία βελτιστοποιήσεων, η εικόνα d παρουσιάζει το προφίλ ταχύτητας για ξεχωριστές οδικές κατευθύνσεις που απεικονίζονται στη δυαδική εικόνα και στην εικόνα e παρουσιάζονται οι μετρήσεις ταχύτητας αναφοράς στην πρώτη εικόνα. Με κόκκινο χρώμα σημειώνεται η περιοχή συμφόρησης στην οποία καταγράφεται μέση ταχύτητα έως 80 km/h. &lt;br /&gt;
Τα πειραματικά αποτελέσματα που ελήφθησαν παρουσιάζουν τις δυνατότητες της προτεινόμενης μεθόδου για την ανίχνευση της κυκλοφοριακής συμφόρησης σε αυτοκινητοδρόμους. Τα συμπεράσματα που εξήχθησαν από τους ερευνητές είναι τα εξής : για την ακριβή εκτίμηση της πυκνότητας του οχήματος, η βέλτιστη χρονική καθυστέρηση των δύο εικόνων φαίνεται να είναι περίπου 3 δευτερόλεπτα και το εύρος των ταχυτήτων μεταξύ των 10 km/h και 80km/h ( κατάσταση κυκλοφοριακής συμφόρησης ). &lt;br /&gt;
Το πρόβλημα που εντοπίζεται για τα πολύ αργά ή σταματημένα αυτοκίνητα επισημαίνεται από τους συγγραφείς πως μπορεί να επιλυθεί με την ενσωμάτωση άλλων προσεγγίσεων όπως π.χ. τη ταξινόμηση της μεμονωμένης εικόνας. Επίσης οι παραμορφώσεις που προκαλούνται λόγω των σκιάσεων των οχημάτων και μπορούν να ελαχιστοποιηθούν μέσω των πρόσθετων prior information όπως το υψόμετρο του ήλιου και το ύψος των οχημάτων.  &lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
'''4.ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς του παρόντος άρθρου εισήγαγαν μια νέα προσέγγιση ανίχνευσης κυκλοφοριακής συμφόρησης μέσω της χρήσης εικόνων χρονοσειρών που λαμβάνονται από αερομεταφερόμενο οπτικό σύστημα κάμερας 3Κ. Μας επιτρέπει να εξάγουμε διάφορες παραμέτρους κυκλοφορίας όπως την πυκνότητα οχήματος, τη μέση ταχύτητα, την αρχή και το τέλος της συμφόρησης καθώς και τη διάρκειας της συμφόρησης. Η μέθοδος βασίζεται στην ανίχνευση οχήματος στο τμήμα του δρόμου από αλλαγή ανίχνευσης δύο εικόνων με μικρή χρονική καθυστέρηση, χρήση μιας εκ των προτέρων πληροφόρησης και ενός απλού μοντέλου κυκλοφορίας. Το παρακάτω σχήμα παρουσιάζει οπτικά μέσω σχημάτων το μοντέλο ανάλυσης των ερευνητών. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.2.jpg| thumb| center|'''Eικόνα 2:'''Διάγραμμα ροής της προτεινόμενης μεθόδου ανίχνευσης κυκλοφοριακής συμφόρησης.]]&lt;br /&gt;
 [[category:Αμμοδοχείο]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY</id>
		<title>DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY"/>
				<updated>2023-12-20T11:43:08Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY'''&lt;br /&gt;
Ανίχνευση κυκλοφοριακής συμφόρησης μέσω τηλεπισκοπικών εικόνων&lt;br /&gt;
'''https://www.researchgate.net/publication/224383158_Detection_of_Traffic_Congestion_in_Optical_Remote_Sensing_Imagery'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Gintautas Palubinskas / Franz Kurz /Peter Reinartz&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''1.ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Η κυκλοφοριακή συμφόρηση και η αύξηση των κυκλοφοριακών φόρτων των οδικών αξόνων είναι ένα από τα προβλήματα που με το πέρασμα των χρόνων συνεχώς αυξάνεται και η ανάγκη για άμεση επίλυση του κρίνεται αναγκαία. Η κυκλοφοριακή συμφόρηση των οδικών αξόνων είναι ένας από τους κύριους λόγους για την τεράστια αύξηση του κόστους μεταφοράς λόγω χαμένου χρόνου και των επιπλέον καυσίμων. Τα προβλήματα που προκύπτουν είναι ποικίλα και πολυδιάστατα. Προκειμένου ωστόσο να λυθεί το πρόβλημα αυτό, η ανάλυση του προβλήματος και η συλλογή των απαραίτητων στοιχείων αποτελεί πρωταρχική κίνηση των ερευνητών. Οι συγγραφείς του παρόντος άρθρου που φέρει τον τίτλο &amp;lt;&amp;lt;DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY&amp;gt;&amp;gt; επιχειρούν την ανίχνευση του προβλήματος της κυκλοφοριακής συμφόρησης των οδικών αξόνων μέσω της χρήσης της επιστήμης της τηλεπισκόπισης και των τηλεπισκοπικών εικόνων. Πιο συγκεκριμένα, οι συγγραφείς προτείνουν μια νέα προσέγγιση προωθώντας τη χρήση τηλεπισκοπικών εικόνων χρονοσειράς οπτικής ψηφιακής δορυφορικής κάμερας. Μέσω αυτών επιχειρείται η καταγραφή της πυκνότητας των οχημάτων στους οδικούς άξονες, η μέση ταχύτητα του οχήματος καθώς και η αρχή και το τέλος της συμφόρησης. Η μέθοδος αυτή εστιάζει στην ανίχνευση των οχημάτων στο οδικό τμήμα μέσω της ανίχνευσης των αλλαγών μεταξύ δύο εικόνων με σύντομη χρονική υστέρηση, της χρήσης εκ των προτέρων βασικών πληροφοριών όπως είναι τα βασικά χαρακτηριστικά των δρόμων καθώς και μέσω των μεγεθών των οχημάτων, και των αποστάσεων μεταξύ τους. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.ΜΕΘΟΔΟΣ''' &lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες που είναι εγκατεστημένοι σε αεροσκάφη ή δορυφόρους επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα, καθιστώντας τους κατάλληλους για διάφορες εφαρμογές παρακολούθησης της κυκλοφορίας. Η λήψη εικόνων για κάθε σημείο από πολλαπλές κάμερες με διαφορά λίγων δευτερολέπτων αποτελεί τη βάση της μεθόδου εντοπισμού του προβλήματος που μελετάται. &lt;br /&gt;
Πιο συγκεκριμένα, μέσω της συγκεκριμένης μεθόδου επιχειρείται η καταγραφή της υφιστάμενης κατάστασης των οδικών αξόνων, μοντελοποιώντας την ροή κυκλοφορίας στο οδικό τμήμα και όχι καταγράφοντας απλά κάθε μεμονωμένο όχημα. Η μέθοδος ανίχνευσης, βασίζεται στον συνδυασμό διαφόρων τεχνικών όπως: ανίχνευσης αλλαγών, επεξεργασίας εικόνων και ενσωμάτωσης βασικών πληροφοριών-δεδομένων όπως τα δεδομένα της υφιστάμενης κατάστασης των οδικών αξόνων. Αναλυτικότερα, η ανίχνευση των αλλαγών σε δύο εικόνες με μικρή χρονική υστέρηση υλοποιείται μέσω της μεθόδου ανίχνευσης. Οι αλλαγές των χρονικών στιγμών μεταφράζονται σε αλλαγές στην ανακλώμενη ακτινοβολία, βοηθώντας μας να αντιληφθούμε τις αλλαγές κάθε χρονική στιγμή και να εντοπίσουμε τα κινούμενα οχήματα και το ρυθμό ροής τους. Η επεξεργασία εικόνων, πραγματοποιείται προκειμένου να εξαχθούν συμπληρωματικά στοιχεία για να πραγματοποιηθεί η ανάλυση της υφιστάμενης κατάστασης. Παράδειγμα αποτελεί ο υπολογισμός της εκτιμώμενης πυκνότητας των οχημάτων. Η εκτιμώμενη πυκνότητα μπορεί να συσχετιστεί με τη θεωρητική πυκνότητα του οχήματος, η οποία μπορεί να αποκτηθεί με τη μοντελοποίηση της ροής κυκλοφορίας για ένα οδικό τμήμα. Το μοντέλο προέρχεται από τις εκ των προτέρων βασικές πληροφορίες που έχουν συλλεχθεί σχετικά με τα μεγέθη των οχημάτων και τις παραμέτρους του δρόμου (π.χ. βάση δεδομένων NAVTEQ). Η θεωρητική πυκνότητα οχήματος σχετίζεται άμεσα με τη μέση ταχύτητα του οχήματος στο τμήμα του δρόμου και επομένως με τις πληροφορίες σχετικά με την κατάσταση της κυκλοφορίας (π.χ. η ύπαρξη συμφόρησης, η αρχή και το τέλος συμφόρησης η διάρκεια εμπλοκής, οι πραγματικοί χρόνοι ταξιδιού κ.α.) &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.1.ΠΩΣ ΓΙΝΕΤΑΙ Η ΑΝΙΧΝΕΥΣΗ ΤΩΝ ΟΧΗΜΑΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
1 Επιλέγονται δύο διαφορετικές εικόνες με διαφορά λίγων δευτερολέπτων. Οι περιορισμοί που τίθενται είναι στις εικόνες που επιλέγονται  το όχημα που ορίζεται για ανάλυση να μην επικαλύπτεται από τον εαυτό του ή με το προηγούμενο αυτού. &lt;br /&gt;
2 Ορίζεται η περιοχή ενδιαφέροντος- ο οδικός άξονας κίνησης των οχημάτων με βάση τη γραμμή κίνησης. &lt;br /&gt;
3.Λαμβάνεται η εικόνα αλλαγής η οποία εντοπίζεται με αλγόριθμο Median absolute deviation. Η λαμβανόμενη εικόνα αλλαγής τίθενται σε ειδική επεξεργασία βελτιστοποιήσεων. Η πυκνότητα των οχημάτων που υπολογίζεται για κάθε τμήμα δρόμου από τη νέα εικόνα ( δυαδική ) ορίζεται ως ο λόγος των λευκών εικονοστοιχείων προς τον συνολικό αριθμό των εικονοστοιχείων στο συνολικό τμήμα του δρόμου. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.2.ΠΟΙΕΣ ΕΙΝΑΙ ΟΙ ΕΚ ΤΩΝ ΠΡΟΤΕΡΩΝ ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΣΥΛΛΕΓΟΝΤΑΙ''' &lt;br /&gt;
&lt;br /&gt;
Οι εκ των προτέρων βασικές πληροφορίες-prior information που συλλέγονται περιλαμβάνουν τα εξής: &lt;br /&gt;
	Βάση δεδομένων δρόμων ( οδικές γραμμές και στις δύο κατευθύνσεις ) &lt;br /&gt;
	Μεγέθη οχημάτων επιβατικών οχημάτων, φορτηγών και λεωφορείων&lt;br /&gt;
	Χαρακτηριστικά δρόμων ( αριθμός λωρίδων, πλάτη δρόμων )&lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
2.3.ΠΡΟΤΕΙΝΟΜΕΝΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ ΚΥΚΛΟΦΟΡΙΑΣ &lt;br /&gt;
&lt;br /&gt;
Το προτεινόμενο γραμμικό μοντέλο που προτείνουν οι συγγραφείς είναι το εξής : &lt;br /&gt;
'''S=B*g(V)+L'''&lt;br /&gt;
Όπου:&lt;br /&gt;
'''S-&amp;gt; απόσταση οχήματος από το προηγούμενο και το επόμενο του &lt;br /&gt;
'''g(V)-&amp;gt; η συνάρτηση που μετατρέπει την ταχύτητα (km/h) σε m''' &lt;br /&gt;
'''L-&amp;gt; μήκος οχήματος σε m''' &lt;br /&gt;
Β-&amp;gt; αδιάστατη παράμετρος μοντέλου ( οι τιμές για την κυκλοφοριακή συμφόρηση κυμαίνονται από 0,5-1 )''' &lt;br /&gt;
Επίσης, η θεωρητική πυκνότητα υπολογίζεται ως εξής:  D=1km/S&lt;br /&gt;
Σε αυτό τον τύπο υπονοούνται εγγενείς υποθέσεις σχετικά με τη σταθερή ταχύτητα και τον ίδιο τύπο οχημάτων για ένα επιλεγμένο οδικό τμήμα. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''3.ΠΕΙΡΑΜΑ ΠΟΥ ΔΙΕΞΗΓΑΓΑΝ''' &lt;br /&gt;
&lt;br /&gt;
Ο αυτοκινητόδρομος που μελετήθηκε είναι ο αυτοκινητόδρομος Α8 νότια του Μονάχου. Αποτελεί ένα από τα πιο πολυσύχναστα μέρη του γερμανικού δικτύου αυτοκινητοδρόμων με μέσο φόρτο περίπου 100.000 οχήματα ημερησίως. Στις 2 Σεπτεμβρίου του 2006 αναμενόταν μεγάλη κίνηση σε αυτό το τμήμα που επιλέχθηκε από ταξιδιώτες. Τρείς λήψεις δεδομένων λήφθηκαν από σύστημα καμερών DLR 3K μεταξύ του χρονικού διαστήματος 14:01 και 15:11 από 2000 μέτρα πάνω από το έδαφος σε τρεις υπερπτήσεις. Κατά τη διάρκεια κάθε υπερπτήσεως, λήφθηκαν 22 ριπές εικόνων που η καθεμία περιείχε τέσσερις διαδοχικές εικόνες. Η χρονική διαφορά σε αυτές τις ριπές ήταν 0,7 δευτερόλεπτα έτσι ώστε κάθε αυτοκίνητο να παρακολουθείται. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.1.jpg|  center|'''Eικόνα 1:'''Παράδειγμα ανίχνευσης κυκλοφοριακής συμφόρησης στον αυτοκινητόδρομο Α8 μεταξύ Μονάχου και Σάλτσμπουργκ για δεδομένα αισθητήρα 3K που αποκτήθηκαν κατά την εκστρατεία πτήσης ADAC στις 2.9.2006.]]&lt;br /&gt;
&lt;br /&gt;
Τα αποτελέσματα της ανίχνευσης κυκλοφοριακής συμφόρησης στο χώρο δοκιμών του αυτοκινητοδρόμου Α8  παρουσιάζονται στο παραπάνω σχήμα. Η εικόνα a. είναι η πρώτη εικόνα του παραδείγματος ακολουθίας που λήφθηκε, η εικόνα b είναι η δεύτερη εικόνα που αποκτήθηκε 2,1 δευτερόλεπτα αργότερα, η εικόνα c είναι η δυαδική εικόνα αλλαγής  η οποία εντοπίστηκε με αλγόριθμο Median absolute deviation μετά τη διαδικασία βελτιστοποιήσεων, η εικόνα d παρουσιάζει το προφίλ ταχύτητας για ξεχωριστές οδικές κατευθύνσεις που απεικονίζονται στη δυαδική εικόνα και στην εικόνα e παρουσιάζονται οι μετρήσεις ταχύτητας αναφοράς στην πρώτη εικόνα. Με κόκκινο χρώμα σημειώνεται η περιοχή συμφόρησης στην οποία καταγράφεται μέση ταχύτητα έως 80 km/h. &lt;br /&gt;
Τα πειραματικά αποτελέσματα που ελήφθησαν παρουσιάζουν τις δυνατότητες της προτεινόμενης μεθόδου για την ανίχνευση της κυκλοφοριακής συμφόρησης σε αυτοκινητοδρόμους. Τα συμπεράσματα που εξήχθησαν από τους ερευνητές είναι τα εξής : για την ακριβή εκτίμηση της πυκνότητας του οχήματος, η βέλτιστη χρονική καθυστέρηση των δύο εικόνων φαίνεται να είναι περίπου 3 δευτερόλεπτα και το εύρος των ταχυτήτων μεταξύ των 10 km/h και 80km/h ( κατάσταση κυκλοφοριακής συμφόρησης ). &lt;br /&gt;
Το πρόβλημα που εντοπίζεται για τα πολύ αργά ή σταματημένα αυτοκίνητα επισημαίνεται από τους συγγραφείς πως μπορεί να επιλυθεί με την ενσωμάτωση άλλων προσεγγίσεων όπως π.χ. τη ταξινόμηση της μεμονωμένης εικόνας. Επίσης οι παραμορφώσεις που προκαλούνται λόγω των σκιάσεων των οχημάτων και μπορούν να ελαχιστοποιηθούν μέσω των πρόσθετων prior information όπως το υψόμετρο του ήλιου και το ύψος των οχημάτων.  &lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
'''4.ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς του παρόντος άρθρου εισήγαγαν μια νέα προσέγγιση ανίχνευσης κυκλοφοριακής συμφόρησης μέσω της χρήσης εικόνων χρονοσειρών που λαμβάνονται από αερομεταφερόμενο οπτικό σύστημα κάμερας 3Κ. Μας επιτρέπει να εξάγουμε διάφορες παραμέτρους κυκλοφορίας όπως την πυκνότητα οχήματος, τη μέση ταχύτητα, την αρχή και το τέλος της συμφόρησης καθώς και τη διάρκειας της συμφόρησης. Η μέθοδος βασίζεται στην ανίχνευση οχήματος στο τμήμα του δρόμου από αλλαγή ανίχνευσης δύο εικόνων με μικρή χρονική καθυστέρηση, χρήση μιας εκ των προτέρων πληροφόρησης και ενός απλού μοντέλου κυκλοφορίας. Το παρακάτω σχήμα παρουσιάζει οπτικά μέσω σχημάτων το μοντέλο ανάλυσης των ερευνητών. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.2.jpg| thumb| center|'''Eικόνα 2:'''Διάγραμμα ροής της προτεινόμενης μεθόδου ανίχνευσης κυκλοφοριακής συμφόρησης.]]&lt;br /&gt;
 [[category:Αμμοδοχείο]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/Evaluation_of_Ecological_Carrying_Capacity_and_Identification_of_Its_Influencing_Factors_Based_on_Remote_Sensing_and_Geographic_Information_System:_A_Case_Study_of_the_Yellow_River_Basin_in_Shaanxi</id>
		<title>Evaluation of Ecological Carrying Capacity and Identification of Its Influencing Factors Based on Remote Sensing and Geographic Information System: A Case Study of the Yellow River Basin in Shaanxi</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/Evaluation_of_Ecological_Carrying_Capacity_and_Identification_of_Its_Influencing_Factors_Based_on_Remote_Sensing_and_Geographic_Information_System:_A_Case_Study_of_the_Yellow_River_Basin_in_Shaanxi"/>
				<updated>2023-12-20T11:29:28Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;[[Αρχείο:2awiki.jpg|thumb|right|'''Εικόνα 1:''' H υπολογιστική διαδικασία για τον υπολογισμό του δυναμικού αριθμού ενός συγκεκριμένου τύπου χρήσης γης.]]&lt;br /&gt;
[[Αρχείο:2bwiki.jpg|thumb|right|'''Εικόνα 2:''' Tροποποιημένο μοντέλο Carnegie–Ames–Stanford (CASA) για τον υπολογισμό της NPP βλάστησης.]]&lt;br /&gt;
'''Αξιολόγηση της οικολογικής χωρητικότητας και αναγνώριση των παραγόντων που την επηρεάζουν με βάση την τηλεπισκόπηση και τα συστήματα γεωγραφικών πληροφοριών: Μια μελέτη για τη λεκάνη του Κίτρινου Ποταμού στο Shaanxi.'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς:''' Zhiyuan Zhu, Zhikun Mei, Shilin Li, Guangxin Ren and Yongzhong Feng&lt;br /&gt;
&lt;br /&gt;
'''Πηγή:''' [https://www.mdpi.com/2073-445X/11/7/1080]&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''Εισαγωγή'''&lt;br /&gt;
&lt;br /&gt;
Η μελέτη επικεντρώνεται στη σημασία του οικολογικού περιβάλλοντος ως θεμέλιο της ανθρώπινης ύπαρξης και της κοινωνικής ανάπτυξης. Με την αυξανόμενη απειλή για το περιβάλλον λόγω της εκβιομηχάνισης και αστικοποίησης, επισημαίνεται η ανάγκη για μια βιώσιμη ανάπτυξη. Οι Στόχοι της Βιώσιμης Ανάπτυξης (SDGs) αναδεικνύονται ως παγκόσμια προσπάθεια για την προστασία και την αειφόρο χρήση των φυσικών πόρων.&lt;br /&gt;
Επιπλέον η έννοια της οικολογικής φέρουσας ικανότητας (ECC) και η σημασία της χρησιμοποιούνται σε διάφορους επιστημονικούς τομείς. Η ECC εξετάζει την παραγωγική ικανότητα της γης συνδέοντας την με την οικονομία, την κοινωνία και την τεχνολογία. Η μέθοδος του οικολογικού αποτυπώματος χρησιμοποιείται ευρέως στη μελέτη του ECC, αναδεικνύοντας την επίδραση των φυσικών, οικονομικών και κοινωνικών συστημάτων σε αυτό. Η μέθοδος οικολογικού αποτυπώματος, που αναπτύχθηκε από τον Rees, ταξινομεί τη βιολογικά παραγωγική γη σε έξι μεγάλες κατηγορίες με βάση τις διαφορές στην παραγωγικότητα(νερό, αστικός ιστός, δάση, ορυκτά, έδαφος, γρασίδι) που αντιπροσωπεύουν έξι χρήσεις γης. Η μέθοδος χρησιμοποιεί παράγοντες απόδοσης και ισορροπίας για την αξιολόγηση των διαφόρων τύπων γης, μετατρέποντας τους σε μια κοινή μονάδα &amp;quot;παγκόσμιου εκταρίου (gha)&amp;quot; για σύγκριση.&lt;br /&gt;
Παρά την χρησιμότητα αυτής της μεθόδου, επισημαίνονται προκλήσεις, όπως η ανάγκη βελτίωσης της διαδικασίας υπολογισμού του συντελεστή μετατροπής της ECC. Επίσης, η έλλειψη αξιόπιστων στατιστικών και εμπειρικών δεδομένων από εγχώριες μελέτες μπορεί να επηρεάσει την ακρίβεια της αξιολόγησης του οικοσυστήματος. Συνεπώς, επισημαίνεται η ανάγκη για βελτίωση του μοντέλου οικολογικού αποτυπώματος για να είναι πιο αξιόπιστο και αποτελεσματικό ως εργαλείο αξιολόγησης οικοσυστημάτων.&lt;br /&gt;
&lt;br /&gt;
Η τρέχουσα έρευνα επικεντρώνεται κυρίως στη βελτίωση του μοντέλου ECC και στην ανάλυση των χωροχρονικών αλλαγών και των κινητήριων δυνάμεων. Επιπλέον, η έρευνα σχετικά με την ECC έχει επεκταθεί και σε άλλα πεδία. Οι μελέτες βασίζονται σε στατιστικά δεδομένα, αλλά η ακρίβεια των χωροχρονικών αλλαγών της περιφερειακής ECC παραμένει πρόκληση.&lt;br /&gt;
Για να αντιμετωπιστεί αυτή η πρόκληση, προτείνεται η χρήση γεωγραφικών πληροφοριών (GIS) και τηλεπισκόπησης (RS). Αυτά τα εργαλεία παρέχουν ισχυρή υποστήριξη για τη μελέτη της ECC, καθιστώντας τα αποτελέσματα πιο ισχυρά με ακριβή χωροχρονικά χαρακτηριστικά. Επιπλέον, η χρήση GIS και RS παρέχει άφθονα δεδομένα, βοηθώντας στην υπολογιστική ακρίβεια των παραμέτρων της ECC, όπως οι συντελεστές ισορροπίας και απόδοσης.&lt;br /&gt;
Συνολικά, η χρήση προηγμένων τεχνολογιών, όπως GIS και RS, ενισχύει την ικανότητα ανάλυσης του ECC, καθιστώντας την πιο αξιόπιστη και αποτελεσματική ως εργαλείο για τη μελέτη των οικοσυστημάτων.&lt;br /&gt;
Στην μελέτη αυτή εξετάζονται οι μέθοδοι αξιολόγησης της οικολογικής κατάστασης της λεκάνης απορροής του Κίτρινου Ποταμού στην Κίνα, με σκοπό την παροχή προτάσεων για την οικολογική προστασία και την ποιοτική ανάπτυξη της περιοχής. Η έρευνα χρησιμοποιεί δεδομένα τηλεπισκόπησης (RS) και τεχνολογίας γεωγραφικών πληροφοριών (GIS) για να αξιολογήσει την εξέλιξη του Οικολογικού Αποτυπώματος (ECC) στη λεκάνη του Κίτρινου Ποταμού και να εξερευνήσει τους κινητήριους παράγοντες που τον επηρεάζουν.&lt;br /&gt;
Τα αποτελέσματα αναμένεται να έχουν σημαντική θεωρητική και πρακτική σημασία για την οικολογική αποκατάσταση και τη βιώσιμη ανάπτυξη της περιοχής. Η μελέτη αυτή μπορεί να χρησιμεύσει ως αναφορά για παρόμοιες έρευνες σε άλλες περιοχές. Επιπλέον, πρόκειται για την πρώτη προσπάθεια ενσωμάτωσης μοντέλων τηλεπισκόπησης και γεωγραφικών ανιχνευτών για τη μελέτη της ECC, ξεπερνώντας τους περιορισμούς παραδοσιακών μεθόδων. Η μεθοδολογία αυτή θέτει τα θεμέλια για τη διεξαγωγή μελετών μεγάλης κλίμακας, χρησιμοποιώντας χωρικά δεδομένα και ανάλυση.&lt;br /&gt;
&lt;br /&gt;
'''Υλικά &amp;amp; Μέθοδοι'''&lt;br /&gt;
&lt;br /&gt;
Περιοχή μελέτης :  Η έρευνα επικεντρώνεται στη μέθοδο οικολογικού αποτυπώματος (ECC) για τη βιοφυσική αξιολόγηση του περιβάλλοντος, με έμφαση στη λεκάνη του Κίτρινου Ποταμού στο Shaanxi στη Κίνα. Η ECC ταξινομεί τη γη σε έξι κατηγορίες, αντιπροσωπεύοντας διάφορες χρήσεις. Ο Wachernagel χρησιμοποίησε παράγοντες απόδοσης και ισορροπίας για υπολογισμό της ECC, ενώ η έρευνα επικεντρώνεται στη βελτίωση του μοντέλου ECC και τη χρήση συστημάτων γεωγραφικών πληροφοριών (GIS) και τηλεπισκόπησης (RS) για πιο ακριβείς αξιολογήσεις. Η περιοχή Shaanxi αποτελεί σημαντική περιοχή οικολογικής διαχείρισης, με προκλήσεις όπως η μετατροπή καλλιεργήσιμης γης και η ρύπανση των ποταμών. Η μελέτη αποσκοπεί στην αξιολόγηση του ECC, εξετάζοντας τις χωροχρονικές αλλαγές και τους κινητήριους παράγοντες, προτείνοντας προσεγγίσεις για την οικολογική προστασία και την ποιοτική ανάπτυξη στην περιοχή.&lt;br /&gt;
&lt;br /&gt;
'''Μεθοδολογία'''&lt;br /&gt;
&lt;br /&gt;
Στη μελέτη, αναπτύχθηκε μια μέθοδος υπολογισμού του Οικολογικού Αποτυπώματος (ECC) με χρήση δεδομένων Τηλεπισκόπησης (RS) και Γεωγραφικά συστήματα πληροφοριών (GIS), εστιάζοντας στην εκτίμηση της καθαρής πρωτογενούς παραγωγή (NPP). Η μέθοδος χρησιμοποίησε ένα μοντέλο βασισμένο στην προσέγγιση Carnegie–Ames–Stanford (CASA) για τον υπολογισμό της NPP. Η NPP κάθε τύπου γης χρησιμοποιήθηκε ως δείκτης για την αξιολόγηση της παραγωγικότητας, με τους παράγοντες ισορροπίας και απόδοσης να υπολογίζονται. Στη συνέχεια, υπολογίστηκε η ECC της λεκάνης απορροής, με τις ικανότητες κάθε τύπου γης. Η λειτουργία χωρικής ανάλυσης του GIS χρησιμοποιήθηκε για τη μελέτη της χωρικής ετερογένειας της ECC. Τέλος, το μοντέλο του γεωγραφικού ανιχνευτή χρησιμοποιήθηκε για την ανάλυση των παραγόντων που επηρεάζουν την ECC. &lt;br /&gt;
Η Καθαρή Πρωτογενής Παραγωγή (NPP) αντιπροσωπεύει την ετήσια παραγωγή βιομάζας από τα φυτά μέσω της ηλιακής φωτοσύνθεσης, αποτελώντας τη βάση για τη ζωή, την ανάπτυξη και την αναπαραγωγή όλων των οργανισμών στη Γη. Η NPP αντικατοπτρίζει την παραγωγική ικανότητα των φυτικών κοινοτήτων υπό φυσικές συνθήκες. Η μελέτη χρησιμοποίησε το τροποποιημένο μοντέλο Carnegie–Ames–Stanford (CASA) για τον υπολογισμό της NPP βλάστησης, όπως περιγράφηκε από τους Wen et al., χρησιμοποιώντας τους τύπους της εικόνας2 όπου NPP(x,t) - συσσωρευμένη ολική οργανική ύλη φυτών σε pixel x τον μήνα t, APAR(x,t) – αποτελεσματική φωτοσυνθετική ακτινοβολία που απορροφάται σε pixel x κατά το χρόνο t, e(x,t) - πραγματική χρήση φωτός των φυτών σε pixel x κατά χρόνο t. SOL(x,t) – συνολική ηλιακή ακτινοβολία , FPAR(x,t) – αναλογία αποτελεσματικής φωτοσυνθετικής ακτινοβολίας που απορροφάται από την βλάστηση. Τε1(x,t) &amp;amp;  Τε2(x,t) είναι οι συντελεστές επιρροής της τάσης χαμηλής και υψηλής θερμοκρασίας , Wε(x,t) – συντελεστής επίδρασης υδάτινου στρες και εμεγιστη- μέγιστο ποσοστό χρήσης φωτεινής ενέργειας υπό ιδανική κατάσταση&lt;br /&gt;
 &lt;br /&gt;
'''Αξιολόγηση ECC'''&lt;br /&gt;
&lt;br /&gt;
Οι συντελεστές απόδοσης χρησιμοποιήθηκαν λαμβάνοντας υπόψη τις διαφορετικές εκροές βιολογικής παραγωγής σε διάφορες περιοχές. Παρότι το σφάλμα στον υπολογισμό της βιολογικής παραγωγής του φυσικού συστήματος είναι μεγάλο, ο συντελεστής απόδοσης που χρησιμοποιείται εδώ είναι ο λόγος του NPP ενός συγκεκριμένου τύπου χρήσης γης σε ολόκληρη τη λεκάνη προς αυτόν του NPP σε ολόκληρη τη χώρα. Αυτό αντικατοπτρίζει καλύτερα τον περιφερειακό χαρακτήρα της βιολογικής παραγωγής του φυσικού συστήματος. Ο συντελεστής ισορροπίας υπολογίστηκε διαιρώντας το NPP ενός συγκεκριμένου τύπου οργανισμού στη λεκάνη με το μέσο NPP όλων των τύπων γης στη λεκάνη.&lt;br /&gt;
Ο δυναμικός βαθμός χρήσης γης αποτελεί έναν κρίσιμο δείκτη που ποσοτικά αντικατοπτρίζει τον ρυθμό αλλαγής στη χρήση της γης σε συγκεκριμένη περίοδο. Αυτός ο δείκτης διακρίνει τη διαφορά χρήσεων γης μεταξύ διάφορων περιοχών και επιτρέπει την πρόβλεψη της μελλοντικής τάσης στις χρήσεις γης μιας περιοχής. Συγκεκριμένα, περιλαμβάνει τον ενιαίο δυναμικό βαθμό χρήσης γης και τον συνολικό δυναμικό βαθμό χρήσης γης. Ο ενιαίος δυναμικός βαθμός αναφέρεται στον ρυθμό μεταβολής της χρήσης γης για έναν συγκεκριμένο τύπο γης, ενώ ο συνολικός δυναμικός βαθμός καταγράφει τη συνολική τάση αλλαγής χρήσεων γης σε μια περιοχή. Η υπολογιστική διαδικασία περιγράφεται με τους τύπους στην εικόνα2.  &lt;br /&gt;
K είναι ο δυναμικός βαθμός ενός συγκεκριμένου τύπου χρήσης γης κατά την ερευνητική περίοδο , Um και Un είναι οι περιοχές του τύπου χρήσης γης στην περιοχή μελέτης στην αρχή και στο τέλος μιας ορισμένης περιόδου, T είναι η ερευνητική περίοδος , S ο συνολικός δυναμικός βαθμός γης κατά την περίοδο μελέτης, Si−j το συνολικό εμβαδόν του i είναι η ερευνητική περίοδος, T είναι η αρχική περιοχή (μονάδα: ha); και iS (μονάδα: εκτάρια). T-τύπος χρήσης γης που μετατράπηκε σε άλλους τύπους χρήσης γης στην περίοδο μελέτης.&lt;br /&gt;
Το μοντέλο γεωγραφικού ανιχνευτή αναπτύχθηκε ως στατιστική μέθοδος για την ανάλυση της χωρικής ετερογένειας σε γεωγραφικά φαινόμενα. Χρησιμοποιεί διάφορους υπο-ανιχνευτές για παράγοντες, κινδύνους, αλληλεπίδραση και οικολογική ανίχνευση. Στη συγκεκριμένη μελέτη, επικεντρώνεται κυρίως στην ανίχνευση παραγόντων και αλληλεπίδρασης, διερευνώντας τη σχέση μεταξύ μεταβλητών και αναλύοντας την χωρική ετερογένεια. Η ανίχνευση παραγόντων χρησιμοποιείται στην έρευνα για τον προσδιορισμό των κυρίαρχων παραγόντων. &lt;br /&gt;
Ο ανιχνευτής παραγόντων υπολογίζει την τιμή q κάθε παράγοντα και ποσοτικοποιεί τη χωρική διακύμανση που εξηγείται από κάθε παράγοντα.&lt;br /&gt;
Η ανίχνευση της αλληλεπίδρασης χρησιμοποιήθηκε για να καθοριστεί εάν η αλληλεπίδραση των ανεξάρτητων μεταβλητών Xm και Xn θα ενισχύσει ή θα αποδυναμώσει την εξήγηση της εξαρτημένης μεταβλητής Y, ή εάν τα αποτελέσματα αυτών των ανεξάρτητων μεταβλητών στην εξαρτημένη μεταβλητή Y είναι ανεξάρτητα μεταξύ τους. Η συγκεκριμένη μέθοδος μέτρησης είναι η εξής. Υπολογίζουμε την επεξηγηματική ισχύ q(X1) και q(X2) των δύο ανεξάρτητων μεταβλητών στην εξαρτημένη μεταβλητή Y. Δεύτερον, υπολογίζουμε την αλληλεπίδραση μεταξύ των δύο ανεξάρτητων μεταβλητών και την επεξηγηματική ισχύ q(X1∩X2) της εξαρτημένης μεταβλητής Y. Τρίτον, συγκρίνουμε το μέγεθος των τριών αποτελεσμάτων υπολογισμού και κρίνουμε εάν η επίδραση της αλληλεπίδρασης των δύο παραγόντων στην εξαρτημένη μεταβλητή ενισχύεται ή αποδυναμώνεται σε σχέση με έναν μόνο παράγοντα.&lt;br /&gt;
Σε συνδυασμό με άλλους παράγοντες όπως ο καιρός, η τοπογραφία, το έδαφος και οι κοινωνικοοικονομικές μεταβλητές, επιλέχθηκαν 11 αντιπροσωπευτικοί δείκτες ως κινητήριοι παράγοντες. Αυτοί οι παράγοντες μπορούν να εξηγήσουν καλύτερα τις δυνάμεις που οδηγούν την ECC σε διαφορετικά επίπεδα. Επιπλέον, αυτή η μελέτη χρησιμοποιεί επίσης δείκτες νυχτερινού φωτός ως μέτρο για να αντικατοπτρίζει το επίπεδο της αστικής ανάπτυξης. Ανάλογα με το μέγεθος της περιοχής μελέτης, δημιουργήθηκε ένα πλέγμα 5 × 5 km για αταξινομημένα δεδομένα και εξήχθη η τιμή pixel του κεντρικού σημείου του πλέγματος.&lt;br /&gt;
&lt;br /&gt;
'''Πηγές δεδομένων'''&lt;br /&gt;
&lt;br /&gt;
Δεδομένα τηλεπισκόπησης : Για χρήσεις γης από GlobeLand30 με χωρική ανάλυση 30m, τα έτη 2000, 2010, 2020. Για τη βλάστηση από το επιστημονικό κέντρο δεδομένων της Κινέζικης ακαδημίας επιστημών. Για τον NDVI από MOD13Q1,MODIS (NASA) για 16 ημέρες με χωρική ανάλυση 250m και τα δεδομένα νυχτερινού φωτός ελήφθησαν από τα προϊόντα της National Polar-Orbiting Partnership Visible and Infrared Imager/Radiometer Suite. &lt;br /&gt;
Μετεωρολογικά στοιχεία από τους σταθμούς Shaanxi και επαρχιών.&lt;br /&gt;
Άλλα χωρικά δεδομένα από κέντρο περιβαλλοντικών δεδομένων πόρων της κινέζικης ακαδημίας επιστημών.&lt;br /&gt;
&lt;br /&gt;
'''Αποτελέσματα'''&lt;br /&gt;
&lt;br /&gt;
Από το 2000 έως το 2010, οι εκτάσεις δασών, θάμνων, τεχνητού εδάφους και γυμνών εκτάσεων αυξήθηκαν, οι εκτάσεις της καλλιεργούμενης γης, των λιβαδιών, των υγροτόπων και των υδάτινων σωμάτων μειώθηκαν και η έκταση των βοσκοτόπων μειώθηκε με ετήσιο ρυθμό 0,12%. Από το 2010 έως το 2020, οι εκτάσεις των ανθρωπογενών επιφανειών και υδάτινων σωμάτων αυξήθηκαν ενώ η μεγαλύτερη αύξηση σημειώθηκε στην ανθρωπογενή επιφάνεια από 3,13% το 2010 σε 4,38% το 2020 με ετήσιο ρυθμό αύξησης 3,41%. &lt;br /&gt;
Συνολικά, η NPP της λεκάνης απορροής του κίτρινου ποταμού αυξήθηκε σταθερά τα τελευταία 20 χρόνια. Ωστόσο, σε σύγκριση με τον εθνικό μέσο όρο, η παραγωγικότητα της βλάστησης είναι χαμηλή.  Η ECC καλλιεργούμενης γης αυξάνεται από βορρά προς νότο. Η ECC της καλλιεργούμενης γης παρουσίασε μια τάση αρχικά μείωσης και μετά αύξησης τα τελευταία 20 χρόνια.&lt;br /&gt;
Αξίζει να αναφέρουμε ότι έχουμε μελετήσει τη μεταβαλλόμενη τάση του ECC του YRBS τα τελευταία 20 χρόνια. Διαπιστώσαμε ότι η βλάστηση του YRBS έχει ανακάμψει σημαντικά και οι προσπάθειες για την κατασκευή του οικολογικού περιβάλλοντος έχουν επιτύχει αξιοσημείωτα αποτελέσματα. Ωστόσο, η περιοχή μελέτης έχει ένα σχετικά εύθραυστο οικολογικό περιβάλλον, το οποίο μπορεί να επιδεινωθεί όταν η αξία των οικολογικών υπηρεσιών που εφαρμόζονται σε αυτήν είναι ανεπαρκής για τη διατήρηση του συστήματος. Στο πλαίσιο της υπερθέρμανσης του πλανήτη, τα ακραία καιρικά φαινόμενα όπως ξηρασίες, βροχοπτώσεις και πλημμύρες έχουν ενταθεί και ως εκ τούτου είναι δύσκολο να διατηρηθεί μια σταθερή περιφερειακή βλάστηση. Με την οικονομική ανάπτυξη, η ζήτηση νερού για αγροτικές, βιομηχανικές και αστικές οικιακές ανάγκες αυξάνεται και η αντίφαση μεταξύ της περιφερειακής προσφοράς και ζήτησης νερού θα γίνει πιο εμφανής. Ως εκ τούτου, είναι απαραίτητο να ενισχυθεί η αξιολόγηση του αντίκτυπου της κλιματικής αλλαγής στους περιφερειακούς υδάτινους πόρους και να βελτιωθούν οι δυνατότητες απόκρισης βασικών λειτουργικών περιοχών, περιοχών αποκατάστασης και διαχείρισης για την κάλυψη των αναγκών μιας οικολογικά υγιούς περιφερειακής ανάπτυξης υψηλής ποιότητας.&lt;br /&gt;
&lt;br /&gt;
'''Συμπεράσματα'''&lt;br /&gt;
&lt;br /&gt;
Η περιοχή YRBS αποτελεί μια οικολογικά ευαίσθητη περιοχή στην ημίξηρη περιοχή της Κίνας. Η έρευνα αυτή χρησιμοποίησε μια σειρά χωρικών μεθόδων για τη μελέτη της οικολογικής φέρουσας ικανότητας και ενσωμάτωσε τεχνολογίες RS και GIS. Το οικολογικό αποτύπωμα της NPP της βλάστησης χρησιμοποιήθηκε για τον υπολογισμό του οικολογικού αποτυπώματος (ECC), ενώ γεωγραφικοί ανιχνευτές εξετάστηκαν για τη μελέτη των κινητήριων παραγόντων. Τα αποτελέσματα έδειξαν σημαντικές μεταβολές στο ECC του YRBS από το 2000 έως το 2020, επηρεαζόμενο από τη βροχόπτωση. Η επίδραση των ανθρώπινων δραστηριοτήτων στο ECC αυξήθηκε σημαντικά τα τελευταία 20 χρόνια. Τα ευρήματα αυτά προσφέρουν πληροφορίες για την οικολογική αποκατάσταση και βιώσιμη ανάπτυξη στο YRBS, ενισχύοντας τις επιστημονικές και πολιτικές προσεγγίσεις για τη διαχείριση της περιοχής. Πιθανές μελλοντικές έρευνες μπορούν να επεκταθούν σε εθνικό και παγκόσμιο επίπεδο, ενσωματώνοντας κοινωνικοοικονομικούς παράγοντες για πιο ολοκληρωμένη κατανόηση της σχέσης μεταξύ ανθρώπου και περιβάλλοντος, ιδίως σε περιοχές που υφίστανται αστικοποίηση.&lt;br /&gt;
&lt;br /&gt;
 [[category:Περιβαλλοντικές Επιπτώσεις]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY</id>
		<title>DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/DETECTION_OF_TRAFFIC_CONGESTION_IN_OPTICAL_REMOTE_SENSING_IMAGERY"/>
				<updated>2023-12-20T11:25:39Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY'''&lt;br /&gt;
Ανίχνευση κυκλοφοριακής συμφόρησης μέσω τηλεπισκοπικών εικόνων&lt;br /&gt;
'''https://www.researchgate.net/publication/224383158_Detection_of_Traffic_Congestion_in_Optical_Remote_Sensing_Imagery'''&lt;br /&gt;
'''Συγγραφείς:''' Gintautas Palubinskas / Franz Kurz /Peter Reinartz&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''1.ΕΙΣΑΓΩΓΗ''' &lt;br /&gt;
&lt;br /&gt;
Η κυκλοφοριακή συμφόρηση και η αύξηση των κυκλοφοριακών φόρτων των οδικών αξόνων είναι ένα από τα προβλήματα που με το πέρασμα των χρόνων συνεχώς αυξάνεται και η ανάγκη για άμεση επίλυση του κρίνεται αναγκαία. Η κυκλοφοριακή συμφόρηση των οδικών αξόνων είναι ένας από τους κύριους λόγους για την τεράστια αύξηση του κόστους μεταφοράς λόγω χαμένου χρόνου και των επιπλέον καυσίμων. Τα προβλήματα που προκύπτουν είναι ποικίλα και πολυδιάστατα. Προκειμένου ωστόσο να λυθεί το πρόβλημα αυτό, η ανάλυση του προβλήματος και η συλλογή των απαραίτητων στοιχείων αποτελεί πρωταρχική κίνηση των ερευνητών. Οι συγγραφείς του παρόντος άρθρου που φέρει τον τίτλο &amp;lt;&amp;lt;DETECTION OF TRAFFIC CONGESTION IN OPTICAL REMOTE SENSING IMAGERY&amp;gt;&amp;gt; επιχειρούν την ανίχνευση του προβλήματος της κυκλοφοριακής συμφόρησης των οδικών αξόνων μέσω της χρήσης της επιστήμης της τηλεπισκόπισης και των τηλεπισκοπικών εικόνων. Πιο συγκεκριμένα, οι συγγραφείς προτείνουν μια νέα προσέγγιση προωθώντας τη χρήση τηλεπισκοπικών εικόνων χρονοσειράς οπτικής ψηφιακής δορυφορικής κάμερας. Μέσω αυτών επιχειρείται η καταγραφή της πυκνότητας των οχημάτων στους οδικούς άξονες, η μέση ταχύτητα του οχήματος καθώς και η αρχή και το τέλος της συμφόρησης. Η μέθοδος αυτή εστιάζει στην ανίχνευση των οχημάτων στο οδικό τμήμα μέσω της ανίχνευσης των αλλαγών μεταξύ δύο εικόνων με σύντομη χρονική υστέρηση, της χρήσης εκ των προτέρων βασικών πληροφοριών όπως είναι τα βασικά χαρακτηριστικά των δρόμων καθώς και μέσω των μεγεθών των οχημάτων, και των αποστάσεων μεταξύ τους. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.ΜΕΘΟΔΟΣ''' &lt;br /&gt;
&lt;br /&gt;
Οι αισθητήρες που είναι εγκατεστημένοι σε αεροσκάφη ή δορυφόρους επιτρέπουν τη συλλογή δεδομένων σε μεγάλη κλίμακα, καθιστώντας τους κατάλληλους για διάφορες εφαρμογές παρακολούθησης της κυκλοφορίας. Η λήψη εικόνων για κάθε σημείο από πολλαπλές κάμερες με διαφορά λίγων δευτερολέπτων αποτελεί τη βάση της μεθόδου εντοπισμού του προβλήματος που μελετάται. &lt;br /&gt;
Πιο συγκεκριμένα, μέσω της συγκεκριμένης μεθόδου επιχειρείται η καταγραφή της υφιστάμενης κατάστασης των οδικών αξόνων, μοντελοποιώντας την ροή κυκλοφορίας στο οδικό τμήμα και όχι καταγράφοντας απλά κάθε μεμονωμένο όχημα. Η μέθοδος ανίχνευσης, βασίζεται στον συνδυασμό διαφόρων τεχνικών όπως: ανίχνευσης αλλαγών, επεξεργασίας εικόνων και ενσωμάτωσης βασικών πληροφοριών-δεδομένων όπως τα δεδομένα της υφιστάμενης κατάστασης των οδικών αξόνων. Αναλυτικότερα, η ανίχνευση των αλλαγών σε δύο εικόνες με μικρή χρονική υστέρηση υλοποιείται μέσω της μεθόδου ανίχνευσης. Οι αλλαγές των χρονικών στιγμών μεταφράζονται σε αλλαγές στην ανακλώμενη ακτινοβολία, βοηθώντας μας να αντιληφθούμε τις αλλαγές κάθε χρονική στιγμή και να εντοπίσουμε τα κινούμενα οχήματα και το ρυθμό ροής τους. Η επεξεργασία εικόνων, πραγματοποιείται προκειμένου να εξαχθούν συμπληρωματικά στοιχεία για να πραγματοποιηθεί η ανάλυση της υφιστάμενης κατάστασης. Παράδειγμα αποτελεί ο υπολογισμός της εκτιμώμενης πυκνότητας των οχημάτων. Η εκτιμώμενη πυκνότητα μπορεί να συσχετιστεί με τη θεωρητική πυκνότητα του οχήματος, η οποία μπορεί να αποκτηθεί με τη μοντελοποίηση της ροής κυκλοφορίας για ένα οδικό τμήμα. Το μοντέλο προέρχεται από τις εκ των προτέρων βασικές πληροφορίες που έχουν συλλεχθεί σχετικά με τα μεγέθη των οχημάτων και τις παραμέτρους του δρόμου (π.χ. βάση δεδομένων NAVTEQ). Η θεωρητική πυκνότητα οχήματος σχετίζεται άμεσα με τη μέση ταχύτητα του οχήματος στο τμήμα του δρόμου και επομένως με τις πληροφορίες σχετικά με την κατάσταση της κυκλοφορίας (π.χ. η ύπαρξη συμφόρησης, η αρχή και το τέλος συμφόρησης η διάρκεια εμπλοκής, οι πραγματικοί χρόνοι ταξιδιού κ.α.) &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.1.ΠΩΣ ΓΙΝΕΤΑΙ Η ΑΝΙΧΝΕΥΣΗ ΤΩΝ ΟΧΗΜΑΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
1 Επιλέγονται δύο διαφορετικές εικόνες με διαφορά λίγων δευτερολέπτων. Οι περιορισμοί που τίθενται είναι στις εικόνες που επιλέγονται  το όχημα που ορίζεται για ανάλυση να μην επικαλύπτεται από τον εαυτό του ή με το προηγούμενο αυτού. &lt;br /&gt;
2 Ορίζεται η περιοχή ενδιαφέροντος- ο οδικός άξονας κίνησης των οχημάτων με βάση τη γραμμή κίνησης. &lt;br /&gt;
3.Λαμβάνεται η εικόνα αλλαγής η οποία εντοπίζεται με αλγόριθμο Median absolute deviation. Η λαμβανόμενη εικόνα αλλαγής τίθενται σε ειδική επεξεργασία βελτιστοποιήσεων. Η πυκνότητα των οχημάτων που υπολογίζεται για κάθε τμήμα δρόμου από τη νέα εικόνα ( δυαδική ) ορίζεται ως ο λόγος των λευκών εικονοστοιχείων προς τον συνολικό αριθμό των εικονοστοιχείων στο συνολικό τμήμα του δρόμου. &lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
'''2.2.ΠΟΙΕΣ ΕΙΝΑΙ ΟΙ ΕΚ ΤΩΝ ΠΡΟΤΕΡΩΝ ΠΛΗΡΟΦΟΡΙΕΣ ΠΟΥ ΣΥΛΛΕΓΟΝΤΑΙ''' &lt;br /&gt;
&lt;br /&gt;
Οι εκ των προτέρων βασικές πληροφορίες-prior information που συλλέγονται περιλαμβάνουν τα εξής: &lt;br /&gt;
	Βάση δεδομένων δρόμων ( οδικές γραμμές και στις δύο κατευθύνσεις ) &lt;br /&gt;
	Μεγέθη οχημάτων επιβατικών οχημάτων, φορτηγών και λεωφορείων&lt;br /&gt;
	Χαρακτηριστικά δρόμων ( αριθμός λωρίδων, πλάτη δρόμων )&lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
2.3.ΠΡΟΤΕΙΝΟΜΕΝΟ ΓΡΑΜΜΙΚΟ ΜΟΝΤΕΛΟ ΚΥΚΛΟΦΟΡΙΑΣ &lt;br /&gt;
&lt;br /&gt;
Το προτεινόμενο γραμμικό μοντέλο που προτείνουν οι συγγραφείς είναι το εξής : &lt;br /&gt;
'''S=B*g(V)+L'''&lt;br /&gt;
Όπου:&lt;br /&gt;
'''S-&amp;gt; απόσταση οχήματος από το προηγούμενο και το επόμενο του &lt;br /&gt;
'''g(V)-&amp;gt; η συνάρτηση που μετατρέπει την ταχύτητα (km/h) σε m''' &lt;br /&gt;
'''L-&amp;gt; μήκος οχήματος σε m''' &lt;br /&gt;
Β-&amp;gt; αδιάστατη παράμετρος μοντέλου ( οι τιμές για την κυκλοφοριακή συμφόρηση κυμαίνονται από 0,5-1 )''' &lt;br /&gt;
Επίσης, η θεωρητική πυκνότητα υπολογίζεται ως εξής:  D=1km/S&lt;br /&gt;
Σε αυτό τον τύπο υπονοούνται εγγενείς υποθέσεις σχετικά με τη σταθερή ταχύτητα και τον ίδιο τύπο οχημάτων για ένα επιλεγμένο οδικό τμήμα. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.1.jpg| thumb| center|Eικόνα 1:'''3D map of Kiev municipal landfill #5 and its outskirt ''']]&lt;br /&gt;
&lt;br /&gt;
'''3.ΠΕΙΡΑΜΑ ΠΟΥ ΔΙΕΞΗΓΑΓΑΝ''' &lt;br /&gt;
&lt;br /&gt;
Ο αυτοκινητόδρομος που μελετήθηκε είναι ο αυτοκινητόδρομος Α8 νότια του Μονάχου. Αποτελεί ένα από τα πιο πολυσύχναστα μέρη του γερμανικού δικτύου αυτοκινητοδρόμων με μέσο φόρτο περίπου 100.000 οχήματα ημερησίως. Στις 2 Σεπτεμβρίου του 2006 αναμενόταν μεγάλη κίνηση σε αυτό το τμήμα που επιλέχθηκε από ταξιδιώτες. Τρείς λήψεις δεδομένων λήφθηκαν από σύστημα καμερών DLR 3K μεταξύ του χρονικού διαστήματος 14:01 και 15:11 από 2000 μέτρα πάνω από το έδαφος σε τρεις υπερπτήσεις. Κατά τη διάρκεια κάθε υπερπτήσεως, λήφθηκαν 22 ριπές εικόνων που η καθεμία περιείχε τέσσερις διαδοχικές εικόνες. Η χρονική διαφορά σε αυτές τις ριπές ήταν 0,7 δευτερόλεπτα έτσι ώστε κάθε αυτοκίνητο να παρακολουθείται. &lt;br /&gt;
Τα αποτελέσματα της ανίχνευσης κυκλοφοριακής συμφόρησης στο χώρο δοκιμών του αυτοκινητοδρόμου Α8  παρουσιάζονται στο παραπάνω σχήμα. Η εικόνα a. είναι η πρώτη εικόνα του παραδείγματος ακολουθίας που λήφθηκε, η εικόνα b είναι η δεύτερη εικόνα που αποκτήθηκε 2,1 δευτερόλεπτα αργότερα, η εικόνα c είναι η δυαδική εικόνα αλλαγής  η οποία εντοπίστηκε με αλγόριθμο Median absolute deviation μετά τη διαδικασία βελτιστοποιήσεων, η εικόνα d παρουσιάζει το προφίλ ταχύτητας για ξεχωριστές οδικές κατευθύνσεις που απεικονίζονται στη δυαδική εικόνα και στην εικόνα e παρουσιάζονται οι μετρήσεις ταχύτητας αναφοράς στην πρώτη εικόνα. Με κόκκινο χρώμα σημειώνεται η περιοχή συμφόρησης στην οποία καταγράφεται μέση ταχύτητα έως 80 km/h. &lt;br /&gt;
Τα πειραματικά αποτελέσματα που ελήφθησαν παρουσιάζουν τις δυνατότητες της προτεινόμενης μεθόδου για την ανίχνευση της κυκλοφοριακής συμφόρησης σε αυτοκινητοδρόμους. Τα συμπεράσματα που εξήχθησαν από τους ερευνητές είναι τα εξής : για την ακριβή εκτίμηση της πυκνότητας του οχήματος, η βέλτιστη χρονική καθυστέρηση των δύο εικόνων φαίνεται να είναι περίπου 3 δευτερόλεπτα και το εύρος των ταχυτήτων μεταξύ των 10 km/h και 80km/h ( κατάσταση κυκλοφοριακής συμφόρησης ). &lt;br /&gt;
Το πρόβλημα που εντοπίζεται για τα πολύ αργά ή σταματημένα αυτοκίνητα επισημαίνεται από τους συγγραφείς πως μπορεί να επιλυθεί με την ενσωμάτωση άλλων προσεγγίσεων όπως π.χ. τη ταξινόμηση της μεμονωμένης εικόνας. Επίσης οι παραμορφώσεις που προκαλούνται λόγω των σκιάσεων των οχημάτων και μπορούν να ελαχιστοποιηθούν μέσω των πρόσθετων prior information όπως το υψόμετρο του ήλιου και το ύψος των οχημάτων.  &lt;br /&gt;
&lt;br /&gt;
 &lt;br /&gt;
'''4.ΤΕΛΙΚΑ ΣΥΜΠΕΡΑΣΜΑΤΑ ΕΡΕΥΝΗΤΩΝ''' &lt;br /&gt;
&lt;br /&gt;
Οι συγγραφείς του παρόντος άρθρου εισήγαγαν μια νέα προσέγγιση ανίχνευσης κυκλοφοριακής συμφόρησης μέσω της χρήσης εικόνων χρονοσειρών που λαμβάνονται από αερομεταφερόμενο οπτικό σύστημα κάμερας 3Κ. Μας επιτρέπει να εξάγουμε διάφορες παραμέτρους κυκλοφορίας όπως την πυκνότητα οχήματος, τη μέση ταχύτητα, την αρχή και το τέλος της συμφόρησης καθώς και τη διάρκειας της συμφόρησης. Η μέθοδος βασίζεται στην ανίχνευση οχήματος στο τμήμα του δρόμου από αλλαγή ανίχνευσης δύο εικόνων με μικρή χρονική καθυστέρηση, χρήση μιας εκ των προτέρων πληροφόρησης και ενός απλού μοντέλου κυκλοφορίας. Το παρακάτω σχήμα παρουσιάζει οπτικά μέσω σχημάτων το μοντέλο ανάλυσης των ερευνητών. &lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:athanasia.1.2.jpg| thumb| right|Eικόνα 1:'''3D map of Kiev municipal landfill #5 and its outskirt ''']]&lt;br /&gt;
 [[category:Αμμοδοχείο]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	<entry>
		<id>http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B5%CF%85%CE%B1%CE%B9%CF%83%CE%B8%CE%B7%CF%83%CE%AF%CE%B1%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%81%CE%B7%CE%BC%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CF%81%CE%AE%CF%84%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%BF_%CE%BA%CE%AF%CE%BD%CE%B4%CF%85%CE%BD%CE%BF%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B9%CF%82_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AD%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82</id>
		<title>Χαρτογράφηση της ευαισθησίας στην ερημοποίηση στην Κρήτη και ο κίνδυνος για τις αγροτικές περιοχές</title>
		<link rel="alternate" type="text/html" href="http://147.102.106.44/rs/wiki/index.php/%CE%A7%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B5%CF%85%CE%B1%CE%B9%CF%83%CE%B8%CE%B7%CF%83%CE%AF%CE%B1%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%B5%CF%81%CE%B7%CE%BC%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7_%CF%83%CF%84%CE%B7%CE%BD_%CE%9A%CF%81%CE%AE%CF%84%CE%B7_%CE%BA%CE%B1%CE%B9_%CE%BF_%CE%BA%CE%AF%CE%BD%CE%B4%CF%85%CE%BD%CE%BF%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B9%CF%82_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AD%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82"/>
				<updated>2023-12-20T10:43:06Z</updated>
		
		<summary type="html">&lt;p&gt;Andronis: &lt;/p&gt;
&lt;hr /&gt;
&lt;div&gt;'''Τίτλος: Χαρτογράφηση της ευαισθησίας στην ερημοποίηση στην Κρήτη και ο  κίνδυνος για τις αγροτικές περιοχές'''&lt;br /&gt;
&lt;br /&gt;
'''Πρωτότυπος Τίτλος :Mapping sensitivity to desertification in Crete (Greece),the risk for agricultural areas'''&lt;br /&gt;
&lt;br /&gt;
'''Πηγή:https://www.researchgate.net/publication/327622337_Mapping_sensitivity_to_desertification_in_Crete_Greece_the_risk_for_agricultural_areas'''&lt;br /&gt;
&lt;br /&gt;
'''Συγγραφείς: G. G. Morianou, N. N. Kourgialas, G. Psarras and G. C. Koubouris'''&lt;br /&gt;
&lt;br /&gt;
[[Εικόνα:pic1_bekiaris_desert.JPG| thumb| right]]&lt;br /&gt;
&lt;br /&gt;
 '''Εισαγωγή'''&lt;br /&gt;
Ερημοποίηση σύμφωνα με  το United Nations Convention to Combat Desertification (UNCCD) είναι η υποβάθμιση της γης και με αυτό εννοούμε την απώλεια της βιολογικής και οικονομικής παραγωγικής ικανότητας της γης λόγω του ανθρώπινου παράγοντα. Η υπερβόσκηση και η καταστροφή των δασών θεωρούνται από τους δυο κύριους λόγους της ερημοποίησης. Θεωρείτε από πολλούς ως ένα από τα πιο σημαντικά περιβαλλοντικά προβλήματα του 21ου αιώνα.&lt;br /&gt;
Ο σκοπός της εργασίας αυτής είναι να αναγνωρίσει και να χαρτογραφήσει περιβαλλοντικά ευαίσθητες περιοχές στο νησί της Κρήτης στα πλαίσια του LIFE+ AGROCLIMAWATER πρότζεκτ που έχει σαν σκοπό την προσαρμογή της γεωργίας στις προκλήσεις της κλιματικής αλλαγής.&lt;br /&gt;
Παίρνοντας ως δεδομένο ότι η Κρήτη είναι από τα πιο επιρρεπή μεσογειακά οικοσυστήματα στην ερημοποίηση για πρώτη φορά θα φτιαχτούν χάρτες που θα υποδεικνύουν με σαφήνεια το πρόβλημα αυτό. &lt;br /&gt;
&lt;br /&gt;
Το ESAI(Environmental Sensitivity Area Index)  είναι o δείκτης που συνήθως χρησιμοποιείται στην Μεσόγειο για να υπολογίσει το ρίσκο υποβάθμισης των εδαφών. Στην περίπτωση της Κρήτης στην εργασία αυτή χρησιμοποιήθηκε μια τροποποίηση της προσέγγισης  MEDALUS ,προσθέτοντας επιπλέον τους παραμέτρους της διάβρωσης και την οργανικής ουσίας.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 '''Περιοχή μελέτης'''&lt;br /&gt;
&lt;br /&gt;
Η Κρήτη είναι νησί της Νότιας Ελλάδας με έκταση περίπου 8.264 km2, με μέσο υψόμετρο 482 μ. και υψηλότερο κορυφή το όρος Ψηλορείτης(2400μ). Το ύψος της βροχής ανέρχεται κατά μέσο όρο στα 655mm με το 95% αυτών να πέφτουν μεταξύ Οκτωβρίου και Μαΐου. Κύριες καλλιέργειες είναι η Ελιά και το αμπέλι. Οι οκτώ κύριες περιοχές εντατικής γεωργίας καλλιεργούνται με ελιές , αβοκάντο, εσπεριδοειδή, αμπελώνες και θερμοκήπια και απεικονίζονται με κόκκινο στον χάρτη(εικόνα 1). Τα εδάφη στα δυτικά χαρακτηρίζονται από μέτρια σύσταση εδάφους όπου οι ελιές, τα αβοκάντο και τα εσπεριδοειδή προτιμώνται λόγω του μικροκλίματος. Στα ανατολικά τα εδάφη είναι πιο λεπτόκοκκα και προτιμώνται αμπέλια και ελιές. Η Κρήτη καλύπτεται κυρίως από φυσικά λιβάδια και βοσκοτόπια. Οι ελαιώνες είναι οι πιο εκτεταμένες καλλιέργειες και, μαζί με τους  αμπελώνες, τις οπωροφυτείες και λίγες άλλες γεωργικές εκτάσεις, καταλαμβάνουν σημαντικό μέρος της γης. Αειθαλής δάση, δάση κωνοφόρων και μεσογειακή θαμνώδη βλάστηση λιγότερο από το 5% του νησιού.&lt;br /&gt;
&lt;br /&gt;
 '''ESAI μεθοδολογία'''&lt;br /&gt;
&lt;br /&gt;
Στην παρούσα μελέτη ορίστηκαν  15 layers, τα οποία  ανήκουν στους 4 κύριους  περιβαλλοντικούς ποιοτικούς δείκτες (κλίμα, βλάστησης, έδαφος, χρήσης γης)όπως αυτοί ορίστηκαν από το Basso . Οι τέσσερις δείκτες ποιότητας εκτιμήθηκαν χρησιμοποιώντας&lt;br /&gt;
Εξίσωση&lt;br /&gt;
Qualityx =(layer1 × layer2 × layer3 × ... layern) 1/n&lt;br /&gt;
Όπου :Qualityx είναι η υπολογισμένη τιμή κάθε ποιότητας και όπου n ο αριθμός των layers&lt;br /&gt;
&lt;br /&gt;
 Για τον υπολογισμό του  ESAI δίνετε ίση βαρύτητα σε κάθε στρώμα(layer)  κατά τον υπολογισμό κάθε ποιότητας (π.χ. η υφή του εδάφους έχει την ίδια βαρύτητα με τη διάβρωση του εδάφους), καθώς και ίσα βάρη σε κάθε ποιότητα κατά τον υπολογισμό της συνολικής περιβαλλοντικής ευαισθησίας  του δείκτη. Κατηγοριοποιήθηκαν τα δεδομένα για τον χαρακτηρισμό των 4 ποιοτικών δεικτών και πάρθηκαν δεδομένα για έδαφος, γεωλογία, κλίμα, βλάστηση. Δεδομένα βροχόπτωσης και εξατμισοδιαπνοής συλλέχθηκαν από διάφορα μετεωρολογικούς σταθμούς που είναι ομοιόμορφα κατανεμημένοι στο νησί . Δεδομένα για τα εδάφη πάρθηκαν από το Εuropean Soil Database (ESDCAC) και το (ΕΑΓΜΕ) - τ. ΙΓΜΕ (Ελληνική Αρχή Γεωλογικών και Μεταλλευτικών Ερευνών).&lt;br /&gt;
&lt;br /&gt;
'''Αποτελέσματα και συζήτηση'''&lt;br /&gt;
&lt;br /&gt;
Στα αποτελέσματα που απεικονίζονται στην (εικόνα 2) φαίνεται η ευαισθησία του συνόλου των περιοχών του νησιού στους 4  περιβαλλοντικούς δείκτες.&lt;br /&gt;
Όπως φαίνεται οι ανατολικές περιοχές δέχονται λιγότερες κατακρημνίσεις . Στο δείκτη της βλάστησης βλέπουμε μια μέτρια ευαισθησία στο μεγαλύτερο μέρος του νησιού εκτός από κάποιες περιοχές του Νομού Ηράκλειο. Στο δείκτη έδαφος τα πιο ευαίσθητα εδάφη είναι τα νότια ανατολικά εδάφη του Νομού Ηρακλείου και Λασιθίου. Το υπόλοιπο νησί έχει μέτρια εδαφική ευαισθησία  και αυτό προκύπτει από την παρουσία πολλών περιοχών με μεγαλύτερες κλίσεις από 18%, συχνή παρουσία εδαφών με εδαφικό βάθος μικρότερο από 30 cm&lt;br /&gt;
Και ταυτόχρονα  σημαντική παρουσία αργιλικών εδαφών. Τα αποτελέσματα σχετίζονται επίσης με τα υψηλά ποσοστά διάβρωσης του εδάφους και φτωχή περιεκτικότητα του εδάφους σε οργανική ουσία. Τέλος στις χρήσης γης αρκετά ευαίσθητες παρουσιάζονται τα Βόρεια των νομών Χανίων και Ηρακλείου όπου υπάρχει και έντονο το πρόβλημα της υπερβόσκησης και του ξηλώματος των αμπελώνων με ταυτόχρονη αντικατάσταση τους με ελιές και οπωροφόρα ενώ οι νότιες περιοχές παρουσιάζονται ως μέτριας ευαισθησίας στον δείκτη αυτό. &lt;br /&gt;
Στην εικόνα 3 φαίνεται ότι  συντριπτική πλειοψηφία του νησιού θεωρείται εύθραυστο στην ερημοποίηση. Τα πιο ευαίσθητα μέρη (κρίσιμες περιοχές) βρίσκονται κυρίως στο νότιο και ανατολικό τμήμα της Κρήτης και έχουν υποβαθμιστεί σε πολύ ρηχά (βάθος 0–15 cm) ή&lt;br /&gt;
σε ρηχά (15–30 cm) εδάφη με κακή βλάστηση. Σημαντικό εμφανίζεται το γεγονός ότι οι εύθραυστες περιοχές εμφανίζονται διαδεδομένες κατά μήκος του νησιού και αντιπροσωπεύονται από ζώνες στις οποίους  οι παράγοντες διαχείρισης, ποιότητα εδάφους και κλίμα δεν είναι πολύ κρίσιμοι.&lt;br /&gt;
Το 37% του νησιού χαρακτηρίζεται ως κριτικά ευαίσθητο στην ερημοποίηση και 7 από τις 8 περιοχές με εντατική καλλιέργεια εμφανίζουν μεγάλο κίνδυνο ερημοποίησης. &lt;br /&gt;
&lt;br /&gt;
'''Συμπέρασμα'''&lt;br /&gt;
&lt;br /&gt;
Στην μελέτη χρησιμοποιήθηκε μια τροποποιημένη μέθοδος της MEDALUS και αποδείχτηκε σημαντικά πιο βελτιωμένη στην πληροφορία που μας δίνει για την ευαισθησία στην ερημοποίηση του νησιού της Κρήτης. Οι πιο επιρρεπείς στην ερημοποίηση περιοχές συγκεντρώνονται στα ανατολικά του νησιού ενώ παράλληλα αυξημένο κίνδυνο παρουσιάζουν και οι περιοχές που καλλιεργούνται εντατικά. Επειδή η ερημοποίηση μπορεί να προκαλέσει ανεπανόρθωτες ζημιές σε τοπικό και περιφερειακό επίπεδο, οι χάρτες που προέκυψαν από την μέθοδο αυτή μπορούν να γίνουν χρήσιμο εργαλείο στις τοπικές αρχές για τον σχεδιασμό δράσεων μετριασμού του φαινομένου.&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
&lt;br /&gt;
 [[category:Περιβαλλοντικές Επιπτώσεις]]&lt;/div&gt;</summary>
		<author><name>Andronis</name></author>	</entry>

	</feed>