http://147.102.106.44/rs/wiki/index.php?feed=atom&target=CHRISTAKOU+KONSTANTINA&title=%CE%95%CE%B9%CE%B4%CE%B9%CE%BA%CF%8C%3A%CE%A3%CF%85%CE%BD%CE%B5%CE%B9%CF%83%CF%86%CE%BF%CF%81%CE%AD%CF%82 2026-04-17T09:40:24Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%B7%CF%82:CHRISTAKOU_KONSTANTINA 2026-02-02T17:04:04Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>* [[Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα]]<br /> <br /> * [[Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης]]<br /> <br /> * [[Χρήση χρονοσειρών τηλεπισκοπικών δεδομένων για τον εντοπισμό και την παρακολούθηση μεμονωμένων φωλιών πτηνών σε μεγάλη χωρική κλίμακα]]<br /> <br /> * [[Μελέτη των επιπτώσεων της κλιματικής αλλαγής στις τουριστικές δραστηριότητες με τη χρήση τηλεπισκόπησης στην περιοχή των Καρπαθίων]]<br /> <br /> * [[Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%B7%CF%83%CF%84%CE%AC%CE%BA%CE%BF%CF%85_%CE%9A%CF%89%CE%BD%CF%83%CF%84%CE%B1%CE%BD%CF%84%CE%AF%CE%BD%CE%B1 2026-02-02T17:02:04Z

<p>CHRISTAKOU KONSTANTINA: Νέα σελίδα με '* [[Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικ...'</p> <hr /> <div>* [[Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα]]<br /> <br /> * [[Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης]]<br /> <br /> * [[Χρήση χρονοσειρών τηλεπισκοπικών δεδομένων για τον εντοπισμό και την παρακολούθηση μεμονωμένων φωλιών πτηνών σε μεγάλη χωρική κλίμακα]]<br /> <br /> * [[Μελέτη των επιπτώσεων της κλιματικής αλλαγής στις τουριστικές δραστηριότητες με τη χρήση τηλεπισκόπησης στην περιοχή των Καρπαθίων]]<br /> <br /> * [[Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης]]<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%B7%CF%82:CHRISTAKOU_KONSTANTINA 2026-02-02T17:00:44Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>* [[Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα]]<br /> <br /> * [[Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης]]<br /> <br /> * [[Χρήση χρονοσειρών τηλεπισκοπικών δεδομένων για τον εντοπισμό και την παρακολούθηση μεμονωμένων φωλιών πτηνών σε μεγάλη χωρική κλίμακα]]<br /> <br /> * [[Μελέτη των επιπτώσεων της κλιματικής αλλαγής στις τουριστικές δραστηριότητες με τη χρήση τηλεπισκόπησης στην περιοχή των Καρπαθίων]]<br /> <br /> * [[Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης]]<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%B7%CF%82:CHRISTAKOU_KONSTANTINA 2026-02-02T17:00:05Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>[[Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα]]<br /> <br /> [[Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης]]<br /> <br /> [[Χρήση χρονοσειρών τηλεπισκοπικών δεδομένων για τον εντοπισμό και την παρακολούθηση μεμονωμένων φωλιών πτηνών σε μεγάλη χωρική κλίμακα]]<br /> <br /> [[Μελέτη των επιπτώσεων της κλιματικής αλλαγής στις τουριστικές δραστηριότητες με τη χρήση τηλεπισκόπησης στην περιοχή των Καρπαθίων]]<br /> <br /> [[Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης]]<br /> <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AE_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B4%CF%81%CF%85%CE%BF%CE%B3%CF%81%CE%B1%CE%BC%CE%BC%CE%AE%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%BF_%CF%8C%CF%81%CE%B9%CE%BF_%CE%B4%CE%AC%CF%83%CE%BF%CF%85%CF%82%E2%80%93%CE%B1%CE%BB%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B6%CF%8E%CE%BD%CE%B7%CF%82 2026-02-02T16:50:26Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Treeline remote sensing: from tracking treeline shifts to multi-dimensional monitoring of ecotonal change''<br /> <br /> '''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto &amp; Peter J. Weisberg<br /> <br /> '''Δημοσιεύθηκε: ''' ''Remote Sensing in Ecology andConservation 2023;9 (6):729–742''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://zslpublications.onlinelibrary.wiley.com/doi/epdf/10.1002/rse2.351]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία έχει ως κύριο στόχο να αξιολογήσει τον ρόλο της τηλεπισκόπησης στην έρευνα της δρυογραμμής (treeline), δηλαδή της μεταβατικής ζώνης ανάμεσα στο κλειστό δάσος και την αλπική βλάστηση σε ορεινά οικοσυστήματα. Η έρευνα επικεντρώνεται στην ανάγκη να ξεπεραστεί η παραδοσιακή παρακολούθηση των μετακινήσεων της δρυογραμμής (treeline shifts) και να προωθηθεί μια πολυδιάστατη παρακολούθηση των δομικών αλλαγών στη ζώνη μετάβασης, ενσωματώνοντας διαφορετικές τεχνολογίες τηλεπισκόπησης και μεθοδολογικές προσεγγίσεις για την καλύτερη κατανόηση των περιβαλλοντικών επιδράσεων, ιδιαίτερα στο πλαίσιο της κλιματικής αλλαγής.<br /> <br /> Το άρθρο εντάσσεται στην ευρύτερη συζήτηση για το πώς η τηλεπισκόπηση μπορεί να ενσωματωθεί σε οικολογικά ερωτήματα που αφορούν τόσο τη θέση όσο και τη δομή των οικοτόνων, και πώς αυτές οι αλλαγές σχετίζονται με περιβαλλοντικούς παράγοντες όπως η θερμοκρασία, τα πρότυπα υγρασίας και οι ανθρωπογενείς επιδράσεις σε παγκόσμια κλίμακα.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Το άρθρο δεν περιορίζεται σε μία μοναδική γεωγραφική περιοχή, αλλά αποτελεί παγκόσμια ανασκόπηση μελέτης τηλεπισκόπησης της δρυογραμμής (treeline ecology), εξετάζοντας δεδομένα και επιστημονικές εργασίες από ορεινά οικοσυστήματα σε ολόκληρο τον κόσμο. Οι εφαρμογές που περιλαμβάνονται αφορούν τόσο άλπεις όσο και αρκετές τροπικές και αρκτικές ορεινές περιοχές, όπου οι μεταβολές στη θέση του ορίου των δέντρων και στη δομή τους έχουν τεκμηριωθεί με διαφορετικές μεθοδολογίες παρατήρησης.<br /> <br /> Τα δεδομένα στις μελετώμενες δημοσιεύσεις περιλαμβάνουν:<br /> <br /> - αεροφωτογραφίες υψηλής ανάλυσης για ιστορική ανάλυση και φωτοερμηνεία,<br /> <br /> - δορυφορικές εικόνες μέσης και υψηλής ανάλυσης (π.χ. Landsat, Sentinel) για ανίχνευση «greenness» και αλλαγών κάλυψης,<br /> <br /> - εικόνες από UAV και LiDAR για λεπτομερείς μετρήσεις δομής βλάστησης σε μικρότερες κλίμακες,<br /> και συνδυασμούς συνόλων δεδομένων για πολυδιαστατική ανάλυση.<br /> <br /> Η χρήση τέτοιων δυναμικών συνόλων δεδομένων επιτρέπει την εκτίμηση της χωρικής και χρονικής μεταβλητότητας της δρυογραμμής, καθώς και τη σύνδεση των αλλαγών αυτών με παράγοντες όπως η κλιματική μεταβολή.<br /> <br /> [[Αρχείο:Christakou5_1.png|200px|thumb|right|'''Εικόνα 1''': Πλαίσιο συστηματικής ανασκόπησης και μετα-ανάλυσης: τα γκρι πλαίσια αντιστοιχούν στα στάδια επιλογής της βιβλιογραφίας, ενώ τα κίτρινα πλαίσια απεικονίζουν τις στατιστικές αναλύσεις που εφαρμόστηκαν.]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μελέτη είναι κυρίως μετα-ανάλυση και ανασκόπηση (review + meta-analysis) των δημοσιευμένων εργασιών που αξιοποιούν τηλεπισκόπηση για την έρευνα δρυογραμμής. Η μεθοδολογία περιλαμβάνει ποσοτική και ποιοτική αποτίμηση των τηλεπισκοπικών τεχνικών, με σκοπό να συσχετίσει τις μεθόδους αυτές με βασικούς οικολογικούς δείκτες και να αναδείξει τα κενά στη βιβλιογραφία.<br /> <br /> Η διαδικασία ανασκόπησης περιλαμβάνει τα εξής τεχνικά βήματα:<br /> <br /> - Συλλογή δεδομένων από βάσεις όπως Scopus και Web of Science, με λέξεις-κλειδιά που αφορούν remote sensing, treeline, ecotone και climate change.<br /> <br /> - Καταγραφή και κατηγοριοποίηση των μελετών ανάλογα με τον τύπο τηλεπισκοπικών δεδομένων που χρησιμοποιούν (π.χ. χρονοσειρές δορυφορικών εικόνων, UAV, LiDAR), την κλίμακα ανάλυσης και τον χρόνο παρατήρησης.<br /> <br /> - Co-occurrence mapping για τη διερεύνηση της σχέσης μεταξύ τεχνικών τηλεπισκόπησης και οικολογικών μετρικών, όπως η θέση του treeline, η πυκνότητα δέντρων και η δομή της βλάστησης.<br /> <br /> - Πολυμεταβλητές στατιστικές αναλύσεις για να προσδιοριστεί πόσο καλά οι διαφορετικές τηλεπισκοπικές μέθοδοι συσχετίζονται με οικολογικούς δείκτες και για να εντοπιστούν προτεραιότητες και κενά στην επιστημονική έρευνα.<br /> <br /> - Σύγκριση χωρικών αναλύσεων (spatial resolution) και χρονικών επεκτάσεων (temporal extent) μεταξύ παραδοσιακών μελετών και εφαρμογών τηλεπισκόπησης.<br /> <br /> Η μεθοδολογία αυτή δεν περιλαμβάνει πρωτογενή συλλογή δορυφορικών εικόνων από τους ίδιους τους συγγραφείς· αντιθέτως, αξιοποιεί τη μεταδεδομένη γνώση για να αναλύσει πώς οι διαθέσιμες τεχνικές έχουν εφαρμοστεί και τι αποτελέσματα έχουν αποδώσει.<br /> <br /> [[Αρχείο:Christakou5_2.png|200px|thumb|right|'''Εικόνα 2''': Γεωγραφική κατανομή των δημοσιευμένων μελετών δρυογραμμής, συμπεριλαμβανομένων των δρυογραμμών γεωγραφικού πλάτους (latitudinal treelines, μαύρες τελείες) και υψομετρικών δρυογραμμών (elevational treelines, μαύρα τρίγωνα), σε υπέρθεση με τις ορεινές περιοχές του πλανήτη, όπως χαρτογραφούνται στο GMBA Mountain Inventory v.2 (Snethlage et al., 2022).]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση της βιβλιογραφίας καταδεικνύει ότι, παρά τη μακρά ιστορία εφαρμογών της τηλεπισκόπησης στη μελέτη της δρυογραμμής, μόνο περίπου 10 % των μελετών οικολογίας δρυογραμμής χρησιμοποιούν τηλεπισκοπικά εργαλεία, και τα περισσότερα από αυτά συνδέονται με την έννοια της κλιματικής αλλαγής.<br /> <br /> Οι μελέτες που περιλαμβάνουν παρακολούθηση της δρυογραμμής έχουν διαφορετικά χαρακτηριστικά χωρικής και χρονικής ανάλυσης:<br /> <br /> - Οι παραδοσιακές μελέτες χρησιμοποιούν αλόγιστη φωτοερμηνεία αεροφωτογραφιών με πολλή μεγάλη χρονική διάρκεια αλλά χαμηλή χωρική λεπτομέρεια, καλύπτοντας συχνά δεκαετίες αλλαγών σε ευρείες περιοχές.<br /> <br /> - Οι μελέτες με δορυφορικές εικόνες χρησιμοποιούν δείκτες βλάστησης (όπως greenness από NDVI) και ταξινόμηση pixel-based για να ποσοτικοποιήσουν τις αλλαγές στη θέση της δρυογραμμής, παρέχοντας επαναλαμβανόμενες χρονοσειρές με σταθερή επαναληψιμότητα.<br /> <br /> - Οι UAV και LiDAR προσεγγίσεις είναι πιο πρόσφατες και επιτρέπουν την εκχύλιση δεικτών σε επίπεδο δέντρου, όπως ύψος, πυκνότητα και δομή κόμης, γεφυρώνοντας το κενό ανάμεσα σε τοπικές μετρήσεις πεδίου και δορυφορικές παρατηρήσεις.<br /> <br /> Παράλληλα, στο επίπεδο των μεθοδολογικών τάσεων, μόνο περίπου 19 % των εργασιών εφαρμόζουν πολυ-αισθητήριες και πολυκλιμακικές προσεγγίσεις (multi-sensor, multi-scale approaches), οι οποίες θεωρούνται πιο κατάλληλες για την αποκωδικοποίηση της πολυδιάστατης δομής της δρυογραμμής και της αντίδρασής της σε περιβαλλοντικούς παράγοντες.<br /> <br /> Από την εξέταση των μελετών προκύπτει επίσης ότι η ενσωμάτωση πληροφοριών από διαφορετικές πλατφόρμες και αισθητήρες αυξάνει την ικανότητα εντοπισμού αλλαγών που δεν είναι εμφανείς με μεθόδους μιας μόνο πηγής δεδομένων.<br /> <br /> [[Αρχείο:Christakou5_3.png|200px|thumb|right|'''Εικόνα 3''': Συχνότητα μελετών δρυογραμμής (αριθμός δημοσιεύσεων) που υιοθετούν διαφορετικές προσεγγίσεις τηλεπισκόπησης (Remote Sensing – RS) κατά την περίοδο 1990–2021. Οι εναέριες και επίγειες προσεγγίσεις σαρωτών λέιζερ ομαδοποιήθηκαν σε μία ενιαία κατηγορία (LiDAR). Μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο έτος 1990, ενώ το πρώτο εξάμηνο του 2022 συγχωνεύθηκε στο 2021.]]<br /> <br /> [[Αρχείο:Christakou5_4.png|200px|thumb|right|'''Εικόνα 4''': Πηγές τηλεπισκοπικών δεδομένων, εργαλεία και προσεγγίσεις ταξινόμησης, παρουσιασμένα ως ποσοστό επί του συνόλου των δημοσιεύσεων για καθεμία από τις τέσσερις ομάδες (clusters) που προέκυψαν από την ανάλυση συστάδων (cluster analysis). Η χρονική ανάλυση (ResTe – Temporal Resolution) και η χρονική έκταση (ExtTe – Temporal Extent) παρουσιάζονται ως ο μέσος αριθμός χρονικών βημάτων και ετών, αντίστοιχα.]]<br /> <br /> [[Αρχείο:Christakou5_5.png|200px|thumb|right|'''Εικόνα 5''': Χρονική εξέλιξη της συχνότητας δημοσιεύσεων για τη δρυογραμμή που χρησιμοποιούν τηλεπισκόπηση, κανονικοποιημένη ως προς το σύνολο των μελετών δρυογραμμής που δημοσιεύθηκαν το ίδιο έτος. Οι μελέτες ομαδοποιήθηκαν βάσει της ανάλυσης συστάδων (cluster analysis) που πραγματοποιήθηκε σε πίνακα τηλεπισκοπικών χαρακτηριστικών. Οι μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο 1990, ενώ οι πρώτοι τρεις μήνες του 2022 συγχωνεύθηκαν στο 2021.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η εργασία καταλήγει ότι η τηλεπισκόπηση είναι ένα πολύτιμο εργαλείο για την παρακολούθηση των δρυογραμμικών αλλαγών, αλλά η χρήση της στην οικολογική έρευνα παραμένει σχετικά περιορισμένη. Η συνδυαστική χρήση πολλαπλών αισθητήρων, πολυκλιμακικών δεδομένων και μεθοδολογιών αυξάνει σημαντικά την ικανότητα ανίχνευσης και ερμηνείας των δομικών και λειτουργικών αλλαγών στην δρυογραμμή ως απόκριση στην κλιματική αλλαγή και άλλους περιβαλλοντικούς παράγοντες.<br /> <br /> Οι συγγραφείς προτείνουν ότι η ενσωμάτωση τηλεπισκόπησης με δεδομένα πεδίου, μοντέλα κλίματος και οικολογικές μετρήσεις θα ενισχύσει την ικανότητα μοντελοποίησης και πρόβλεψης, επιτρέποντας πιο ολοκληρωμένη και πολυδιάστατη κατανόηση των μεταβολών της δρυογραμμής σε διάφορες κλίμακες και περιβάλλοντα.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AE_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B4%CF%81%CF%85%CE%BF%CE%B3%CF%81%CE%B1%CE%BC%CE%BC%CE%AE%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%BF_%CF%8C%CF%81%CE%B9%CE%BF_%CE%B4%CE%AC%CF%83%CE%BF%CF%85%CF%82%E2%80%93%CE%B1%CE%BB%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B6%CF%8E%CE%BD%CE%B7%CF%82 2026-02-02T16:48:51Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Treeline remote sensing: from tracking treeline shifts to multi-dimensional monitoring of ecotonal change''<br /> <br /> '''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto &amp; Peter J. Weisberg<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία έχει ως κύριο στόχο να αξιολογήσει τον ρόλο της τηλεπισκόπησης στην έρευνα της δρυογραμμής (treeline), δηλαδή της μεταβατικής ζώνης ανάμεσα στο κλειστό δάσος και την αλπική βλάστηση σε ορεινά οικοσυστήματα. Η έρευνα επικεντρώνεται στην ανάγκη να ξεπεραστεί η παραδοσιακή παρακολούθηση των μετακινήσεων της δρυογραμμής (treeline shifts) και να προωθηθεί μια πολυδιάστατη παρακολούθηση των δομικών αλλαγών στη ζώνη μετάβασης, ενσωματώνοντας διαφορετικές τεχνολογίες τηλεπισκόπησης και μεθοδολογικές προσεγγίσεις για την καλύτερη κατανόηση των περιβαλλοντικών επιδράσεων, ιδιαίτερα στο πλαίσιο της κλιματικής αλλαγής.<br /> <br /> Το άρθρο εντάσσεται στην ευρύτερη συζήτηση για το πώς η τηλεπισκόπηση μπορεί να ενσωματωθεί σε οικολογικά ερωτήματα που αφορούν τόσο τη θέση όσο και τη δομή των οικοτόνων, και πώς αυτές οι αλλαγές σχετίζονται με περιβαλλοντικούς παράγοντες όπως η θερμοκρασία, τα πρότυπα υγρασίας και οι ανθρωπογενείς επιδράσεις σε παγκόσμια κλίμακα.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Το άρθρο δεν περιορίζεται σε μία μοναδική γεωγραφική περιοχή, αλλά αποτελεί παγκόσμια ανασκόπηση μελέτης τηλεπισκόπησης της δρυογραμμής (treeline ecology), εξετάζοντας δεδομένα και επιστημονικές εργασίες από ορεινά οικοσυστήματα σε ολόκληρο τον κόσμο. Οι εφαρμογές που περιλαμβάνονται αφορούν τόσο άλπεις όσο και αρκετές τροπικές και αρκτικές ορεινές περιοχές, όπου οι μεταβολές στη θέση του ορίου των δέντρων και στη δομή τους έχουν τεκμηριωθεί με διαφορετικές μεθοδολογίες παρατήρησης.<br /> <br /> Τα δεδομένα στις μελετώμενες δημοσιεύσεις περιλαμβάνουν:<br /> <br /> - αεροφωτογραφίες υψηλής ανάλυσης για ιστορική ανάλυση και φωτοερμηνεία,<br /> <br /> - δορυφορικές εικόνες μέσης και υψηλής ανάλυσης (π.χ. Landsat, Sentinel) για ανίχνευση «greenness» και αλλαγών κάλυψης,<br /> <br /> - εικόνες από UAV και LiDAR για λεπτομερείς μετρήσεις δομής βλάστησης σε μικρότερες κλίμακες,<br /> και συνδυασμούς συνόλων δεδομένων για πολυδιαστατική ανάλυση.<br /> <br /> Η χρήση τέτοιων δυναμικών συνόλων δεδομένων επιτρέπει την εκτίμηση της χωρικής και χρονικής μεταβλητότητας της δρυογραμμής, καθώς και τη σύνδεση των αλλαγών αυτών με παράγοντες όπως η κλιματική μεταβολή.<br /> <br /> [[Αρχείο:Christakou5_1.png|200px|thumb|right|'''Εικόνα 1''': Πλαίσιο συστηματικής ανασκόπησης και μετα-ανάλυσης: τα γκρι πλαίσια αντιστοιχούν στα στάδια επιλογής της βιβλιογραφίας, ενώ τα κίτρινα πλαίσια απεικονίζουν τις στατιστικές αναλύσεις που εφαρμόστηκαν.]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μελέτη είναι κυρίως μετα-ανάλυση και ανασκόπηση (review + meta-analysis) των δημοσιευμένων εργασιών που αξιοποιούν τηλεπισκόπηση για την έρευνα δρυογραμμής. Η μεθοδολογία περιλαμβάνει ποσοτική και ποιοτική αποτίμηση των τηλεπισκοπικών τεχνικών, με σκοπό να συσχετίσει τις μεθόδους αυτές με βασικούς οικολογικούς δείκτες και να αναδείξει τα κενά στη βιβλιογραφία.<br /> <br /> Η διαδικασία ανασκόπησης περιλαμβάνει τα εξής τεχνικά βήματα:<br /> <br /> - Συλλογή δεδομένων από βάσεις όπως Scopus και Web of Science, με λέξεις-κλειδιά που αφορούν remote sensing, treeline, ecotone και climate change.<br /> <br /> - Καταγραφή και κατηγοριοποίηση των μελετών ανάλογα με τον τύπο τηλεπισκοπικών δεδομένων που χρησιμοποιούν (π.χ. χρονοσειρές δορυφορικών εικόνων, UAV, LiDAR), την κλίμακα ανάλυσης και τον χρόνο παρατήρησης.<br /> <br /> - Co-occurrence mapping για τη διερεύνηση της σχέσης μεταξύ τεχνικών τηλεπισκόπησης και οικολογικών μετρικών, όπως η θέση του treeline, η πυκνότητα δέντρων και η δομή της βλάστησης.<br /> <br /> - Πολυμεταβλητές στατιστικές αναλύσεις για να προσδιοριστεί πόσο καλά οι διαφορετικές τηλεπισκοπικές μέθοδοι συσχετίζονται με οικολογικούς δείκτες και για να εντοπιστούν προτεραιότητες και κενά στην επιστημονική έρευνα.<br /> <br /> - Σύγκριση χωρικών αναλύσεων (spatial resolution) και χρονικών επεκτάσεων (temporal extent) μεταξύ παραδοσιακών μελετών και εφαρμογών τηλεπισκόπησης.<br /> <br /> Η μεθοδολογία αυτή δεν περιλαμβάνει πρωτογενή συλλογή δορυφορικών εικόνων από τους ίδιους τους συγγραφείς· αντιθέτως, αξιοποιεί τη μεταδεδομένη γνώση για να αναλύσει πώς οι διαθέσιμες τεχνικές έχουν εφαρμοστεί και τι αποτελέσματα έχουν αποδώσει.<br /> <br /> [[Αρχείο:Christakou5_2.png|200px|thumb|right|'''Εικόνα 2''': Γεωγραφική κατανομή των δημοσιευμένων μελετών δρυογραμμής, συμπεριλαμβανομένων των δρυογραμμών γεωγραφικού πλάτους (latitudinal treelines, μαύρες τελείες) και υψομετρικών δρυογραμμών (elevational treelines, μαύρα τρίγωνα), σε υπέρθεση με τις ορεινές περιοχές του πλανήτη, όπως χαρτογραφούνται στο GMBA Mountain Inventory v.2 (Snethlage et al., 2022).]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση της βιβλιογραφίας καταδεικνύει ότι, παρά τη μακρά ιστορία εφαρμογών της τηλεπισκόπησης στη μελέτη της δρυογραμμής, μόνο περίπου 10 % των μελετών οικολογίας δρυογραμμής χρησιμοποιούν τηλεπισκοπικά εργαλεία, και τα περισσότερα από αυτά συνδέονται με την έννοια της κλιματικής αλλαγής.<br /> <br /> Οι μελέτες που περιλαμβάνουν παρακολούθηση της δρυογραμμής έχουν διαφορετικά χαρακτηριστικά χωρικής και χρονικής ανάλυσης:<br /> <br /> - Οι παραδοσιακές μελέτες χρησιμοποιούν αλόγιστη φωτοερμηνεία αεροφωτογραφιών με πολλή μεγάλη χρονική διάρκεια αλλά χαμηλή χωρική λεπτομέρεια, καλύπτοντας συχνά δεκαετίες αλλαγών σε ευρείες περιοχές.<br /> <br /> - Οι μελέτες με δορυφορικές εικόνες χρησιμοποιούν δείκτες βλάστησης (όπως greenness από NDVI) και ταξινόμηση pixel-based για να ποσοτικοποιήσουν τις αλλαγές στη θέση της δρυογραμμής, παρέχοντας επαναλαμβανόμενες χρονοσειρές με σταθερή επαναληψιμότητα.<br /> <br /> - Οι UAV και LiDAR προσεγγίσεις είναι πιο πρόσφατες και επιτρέπουν την εκχύλιση δεικτών σε επίπεδο δέντρου, όπως ύψος, πυκνότητα και δομή κόμης, γεφυρώνοντας το κενό ανάμεσα σε τοπικές μετρήσεις πεδίου και δορυφορικές παρατηρήσεις.<br /> <br /> Παράλληλα, στο επίπεδο των μεθοδολογικών τάσεων, μόνο περίπου 19 % των εργασιών εφαρμόζουν πολυ-αισθητήριες και πολυκλιμακικές προσεγγίσεις (multi-sensor, multi-scale approaches), οι οποίες θεωρούνται πιο κατάλληλες για την αποκωδικοποίηση της πολυδιάστατης δομής της δρυογραμμής και της αντίδρασής της σε περιβαλλοντικούς παράγοντες.<br /> <br /> Από την εξέταση των μελετών προκύπτει επίσης ότι η ενσωμάτωση πληροφοριών από διαφορετικές πλατφόρμες και αισθητήρες αυξάνει την ικανότητα εντοπισμού αλλαγών που δεν είναι εμφανείς με μεθόδους μιας μόνο πηγής δεδομένων.<br /> <br /> [[Αρχείο:Christakou5_3.png|200px|thumb|right|'''Εικόνα 3''': Συχνότητα μελετών δρυογραμμής (αριθμός δημοσιεύσεων) που υιοθετούν διαφορετικές προσεγγίσεις τηλεπισκόπησης (Remote Sensing – RS) κατά την περίοδο 1990–2021. Οι εναέριες και επίγειες προσεγγίσεις σαρωτών λέιζερ ομαδοποιήθηκαν σε μία ενιαία κατηγορία (LiDAR). Μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο έτος 1990, ενώ το πρώτο εξάμηνο του 2022 συγχωνεύθηκε στο 2021.]]<br /> <br /> [[Αρχείο:Christakou5_4.png|200px|thumb|right|'''Εικόνα 4''': Πηγές τηλεπισκοπικών δεδομένων, εργαλεία και προσεγγίσεις ταξινόμησης, παρουσιασμένα ως ποσοστό επί του συνόλου των δημοσιεύσεων για καθεμία από τις τέσσερις ομάδες (clusters) που προέκυψαν από την ανάλυση συστάδων (cluster analysis). Η χρονική ανάλυση (ResTe – Temporal Resolution) και η χρονική έκταση (ExtTe – Temporal Extent) παρουσιάζονται ως ο μέσος αριθμός χρονικών βημάτων και ετών, αντίστοιχα.]]<br /> <br /> [[Αρχείο:Christakou5_5.png|200px|thumb|right|'''Εικόνα 5''': Χρονική εξέλιξη της συχνότητας δημοσιεύσεων για τη δρυογραμμή που χρησιμοποιούν τηλεπισκόπηση, κανονικοποιημένη ως προς το σύνολο των μελετών δρυογραμμής που δημοσιεύθηκαν το ίδιο έτος. Οι μελέτες ομαδοποιήθηκαν βάσει της ανάλυσης συστάδων (cluster analysis) που πραγματοποιήθηκε σε πίνακα τηλεπισκοπικών χαρακτηριστικών. Οι μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο 1990, ενώ οι πρώτοι τρεις μήνες του 2022 συγχωνεύθηκαν στο 2021.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η εργασία καταλήγει ότι η τηλεπισκόπηση είναι ένα πολύτιμο εργαλείο για την παρακολούθηση των δρυογραμμικών αλλαγών, αλλά η χρήση της στην οικολογική έρευνα παραμένει σχετικά περιορισμένη. Η συνδυαστική χρήση πολλαπλών αισθητήρων, πολυκλιμακικών δεδομένων και μεθοδολογιών αυξάνει σημαντικά την ικανότητα ανίχνευσης και ερμηνείας των δομικών και λειτουργικών αλλαγών στην δρυογραμμή ως απόκριση στην κλιματική αλλαγή και άλλους περιβαλλοντικούς παράγοντες.<br /> <br /> Οι συγγραφείς προτείνουν ότι η ενσωμάτωση τηλεπισκόπησης με δεδομένα πεδίου, μοντέλα κλίματος και οικολογικές μετρήσεις θα ενισχύσει την ικανότητα μοντελοποίησης και πρόβλεψης, επιτρέποντας πιο ολοκληρωμένη και πολυδιάστατη κατανόηση των μεταβολών της δρυογραμμής σε διάφορες κλίμακες και περιβάλλοντα.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AE_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B4%CF%81%CF%85%CE%BF%CE%B3%CF%81%CE%B1%CE%BC%CE%BC%CE%AE%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%BF_%CF%8C%CF%81%CE%B9%CE%BF_%CE%B4%CE%AC%CF%83%CE%BF%CF%85%CF%82%E2%80%93%CE%B1%CE%BB%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B6%CF%8E%CE%BD%CE%B7%CF%82 2026-02-02T16:45:10Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Treeline remote sensing: from tracking treeline shifts to multi-dimensional monitoring of ecotonal change''<br /> <br /> '''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto &amp; Peter J. Weisberg<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία έχει ως κύριο στόχο να αξιολογήσει τον ρόλο της τηλεπισκόπησης στην έρευνα της δρυογραμμής (treeline), δηλαδή της μεταβατικής ζώνης ανάμεσα στο κλειστό δάσος και την αλπική βλάστηση σε ορεινά οικοσυστήματα. Η έρευνα επικεντρώνεται στην ανάγκη να ξεπεραστεί η παραδοσιακή παρακολούθηση των μετακινήσεων της δρυογραμμής (treeline shifts) και να προωθηθεί μια πολυδιάστατη παρακολούθηση των δομικών αλλαγών στη ζώνη μετάβασης, ενσωματώνοντας διαφορετικές τεχνολογίες τηλεπισκόπησης και μεθοδολογικές προσεγγίσεις για την καλύτερη κατανόηση των περιβαλλοντικών επιδράσεων, ιδιαίτερα στο πλαίσιο της κλιματικής αλλαγής.<br /> <br /> Το άρθρο εντάσσεται στην ευρύτερη συζήτηση για το πώς η τηλεπισκόπηση μπορεί να ενσωματωθεί σε οικολογικά ερωτήματα που αφορούν τόσο τη θέση όσο και τη δομή των οικοτόνων, και πώς αυτές οι αλλαγές σχετίζονται με περιβαλλοντικούς παράγοντες όπως η θερμοκρασία, τα πρότυπα υγρασίας και οι ανθρωπογενείς επιδράσεις σε παγκόσμια κλίμακα.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Το άρθρο δεν περιορίζεται σε μία μοναδική γεωγραφική περιοχή, αλλά αποτελεί παγκόσμια ανασκόπηση μελέτης τηλεπισκόπησης της δρυογραμμής (treeline ecology), εξετάζοντας δεδομένα και επιστημονικές εργασίες από ορεινά οικοσυστήματα σε ολόκληρο τον κόσμο. Οι εφαρμογές που περιλαμβάνονται αφορούν τόσο άλπεις όσο και αρκετές τροπικές και αρκτικές ορεινές περιοχές, όπου οι μεταβολές στη θέση του ορίου των δέντρων και στη δομή τους έχουν τεκμηριωθεί με διαφορετικές μεθοδολογίες παρατήρησης.<br /> <br /> Τα δεδομένα στις μελετώμενες δημοσιεύσεις περιλαμβάνουν:<br /> <br /> - αεροφωτογραφίες υψηλής ανάλυσης για ιστορική ανάλυση και φωτοερμηνεία,<br /> <br /> - δορυφορικές εικόνες μέσης και υψηλής ανάλυσης (π.χ. Landsat, Sentinel) για ανίχνευση «greenness» και αλλαγών κάλυψης,<br /> <br /> - εικόνες από UAV και LiDAR για λεπτομερείς μετρήσεις δομής βλάστησης σε μικρότερες κλίμακες,<br /> και συνδυασμούς συνόλων δεδομένων για πολυδιαστατική ανάλυση.<br /> <br /> Η χρήση τέτοιων δυναμικών συνόλων δεδομένων επιτρέπει την εκτίμηση της χωρικής και χρονικής μεταβλητότητας της δρυογραμμής, καθώς και τη σύνδεση των αλλαγών αυτών με παράγοντες όπως η κλιματική μεταβολή.<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μελέτη είναι κυρίως μετα-ανάλυση και ανασκόπηση (review + meta-analysis) των δημοσιευμένων εργασιών που αξιοποιούν τηλεπισκόπηση για την έρευνα δρυογραμμής. Η μεθοδολογία περιλαμβάνει ποσοτική και ποιοτική αποτίμηση των τηλεπισκοπικών τεχνικών, με σκοπό να συσχετίσει τις μεθόδους αυτές με βασικούς οικολογικούς δείκτες και να αναδείξει τα κενά στη βιβλιογραφία.<br /> <br /> Η διαδικασία ανασκόπησης περιλαμβάνει τα εξής τεχνικά βήματα:<br /> <br /> - Συλλογή δεδομένων από βάσεις όπως Scopus και Web of Science, με λέξεις-κλειδιά που αφορούν remote sensing, treeline, ecotone και climate change.<br /> <br /> - Καταγραφή και κατηγοριοποίηση των μελετών ανάλογα με τον τύπο τηλεπισκοπικών δεδομένων που χρησιμοποιούν (π.χ. χρονοσειρές δορυφορικών εικόνων, UAV, LiDAR), την κλίμακα ανάλυσης και τον χρόνο παρατήρησης.<br /> <br /> - Co-occurrence mapping για τη διερεύνηση της σχέσης μεταξύ τεχνικών τηλεπισκόπησης και οικολογικών μετρικών, όπως η θέση του treeline, η πυκνότητα δέντρων και η δομή της βλάστησης.<br /> <br /> - Πολυμεταβλητές στατιστικές αναλύσεις για να προσδιοριστεί πόσο καλά οι διαφορετικές τηλεπισκοπικές μέθοδοι συσχετίζονται με οικολογικούς δείκτες και για να εντοπιστούν προτεραιότητες και κενά στην επιστημονική έρευνα.<br /> <br /> - Σύγκριση χωρικών αναλύσεων (spatial resolution) και χρονικών επεκτάσεων (temporal extent) μεταξύ παραδοσιακών μελετών και εφαρμογών τηλεπισκόπησης.<br /> <br /> Η μεθοδολογία αυτή δεν περιλαμβάνει πρωτογενή συλλογή δορυφορικών εικόνων από τους ίδιους τους συγγραφείς· αντιθέτως, αξιοποιεί τη μεταδεδομένη γνώση για να αναλύσει πώς οι διαθέσιμες τεχνικές έχουν εφαρμοστεί και τι αποτελέσματα έχουν αποδώσει.<br /> <br /> [[Αρχείο:Christakou5_1.png|200px|thumb|right|'''Εικόνα 1''': Πλαίσιο συστηματικής ανασκόπησης και μετα-ανάλυσης: τα γκρι πλαίσια αντιστοιχούν στα στάδια επιλογής της βιβλιογραφίας, ενώ τα κίτρινα πλαίσια απεικονίζουν τις στατιστικές αναλύσεις που εφαρμόστηκαν.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση της βιβλιογραφίας καταδεικνύει ότι, παρά τη μακρά ιστορία εφαρμογών της τηλεπισκόπησης στη μελέτη της δρυογραμμής, μόνο περίπου 10 % των μελετών οικολογίας δρυογραμμής χρησιμοποιούν τηλεπισκοπικά εργαλεία, και τα περισσότερα από αυτά συνδέονται με την έννοια της κλιματικής αλλαγής.<br /> <br /> Οι μελέτες που περιλαμβάνουν παρακολούθηση της δρυογραμμής έχουν διαφορετικά χαρακτηριστικά χωρικής και χρονικής ανάλυσης:<br /> <br /> - Οι παραδοσιακές μελέτες χρησιμοποιούν αλόγιστη φωτοερμηνεία αεροφωτογραφιών με πολλή μεγάλη χρονική διάρκεια αλλά χαμηλή χωρική λεπτομέρεια, καλύπτοντας συχνά δεκαετίες αλλαγών σε ευρείες περιοχές.<br /> <br /> - Οι μελέτες με δορυφορικές εικόνες χρησιμοποιούν δείκτες βλάστησης (όπως greenness από NDVI) και ταξινόμηση pixel-based για να ποσοτικοποιήσουν τις αλλαγές στη θέση της δρυογραμμής, παρέχοντας επαναλαμβανόμενες χρονοσειρές με σταθερή επαναληψιμότητα.<br /> <br /> - Οι UAV και LiDAR προσεγγίσεις είναι πιο πρόσφατες και επιτρέπουν την εκχύλιση δεικτών σε επίπεδο δέντρου, όπως ύψος, πυκνότητα και δομή κόμης, γεφυρώνοντας το κενό ανάμεσα σε τοπικές μετρήσεις πεδίου και δορυφορικές παρατηρήσεις.<br /> <br /> Παράλληλα, στο επίπεδο των μεθοδολογικών τάσεων, μόνο περίπου 19 % των εργασιών εφαρμόζουν πολυ-αισθητήριες και πολυκλιμακικές προσεγγίσεις (multi-sensor, multi-scale approaches), οι οποίες θεωρούνται πιο κατάλληλες για την αποκωδικοποίηση της πολυδιάστατης δομής της δρυογραμμής και της αντίδρασής της σε περιβαλλοντικούς παράγοντες.<br /> <br /> Από την εξέταση των μελετών προκύπτει επίσης ότι η ενσωμάτωση πληροφοριών από διαφορετικές πλατφόρμες και αισθητήρες αυξάνει την ικανότητα εντοπισμού αλλαγών που δεν είναι εμφανείς με μεθόδους μιας μόνο πηγής δεδομένων.<br /> <br /> [[Αρχείο:Christakou5_2.png|200px|thumb|right|'''Εικόνα 2''': Γεωγραφική κατανομή των δημοσιευμένων μελετών δρυογραμμής, συμπεριλαμβανομένων των δρυογραμμών γεωγραφικού πλάτους (latitudinal treelines, μαύρες τελείες) και υψομετρικών δρυογραμμών (elevational treelines, μαύρα τρίγωνα), σε υπέρθεση με τις ορεινές περιοχές του πλανήτη, όπως χαρτογραφούνται στο GMBA Mountain Inventory v.2 (Snethlage et al., 2022).]]<br /> <br /> [[Αρχείο:Christakou5_3.png|200px|thumb|right|'''Εικόνα 3''': Συχνότητα μελετών δρυογραμμής (αριθμός δημοσιεύσεων) που υιοθετούν διαφορετικές προσεγγίσεις τηλεπισκόπησης (Remote Sensing – RS) κατά την περίοδο 1990–2021. Οι εναέριες και επίγειες προσεγγίσεις σαρωτών λέιζερ ομαδοποιήθηκαν σε μία ενιαία κατηγορία (LiDAR). Μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο έτος 1990, ενώ το πρώτο εξάμηνο του 2022 συγχωνεύθηκε στο 2021.]]<br /> <br /> [[Αρχείο:Christakou5_4.png|200px|thumb|right|'''Εικόνα 4''': Πηγές τηλεπισκοπικών δεδομένων, εργαλεία και προσεγγίσεις ταξινόμησης, παρουσιασμένα ως ποσοστό επί του συνόλου των δημοσιεύσεων για καθεμία από τις τέσσερις ομάδες (clusters) που προέκυψαν από την ανάλυση συστάδων (cluster analysis). Η χρονική ανάλυση (ResTe – Temporal Resolution) και η χρονική έκταση (ExtTe – Temporal Extent) παρουσιάζονται ως ο μέσος αριθμός χρονικών βημάτων και ετών, αντίστοιχα.]]<br /> <br /> [[Αρχείο:Christakou5_5.png|200px|thumb|right|'''Εικόνα 5''': Χρονική εξέλιξη της συχνότητας δημοσιεύσεων για τη δρυογραμμή που χρησιμοποιούν τηλεπισκόπηση, κανονικοποιημένη ως προς το σύνολο των μελετών δρυογραμμής που δημοσιεύθηκαν το ίδιο έτος. Οι μελέτες ομαδοποιήθηκαν βάσει της ανάλυσης συστάδων (cluster analysis) που πραγματοποιήθηκε σε πίνακα τηλεπισκοπικών χαρακτηριστικών. Οι μελέτες της περιόδου 1987–1989 συγχωνεύθηκαν στο 1990, ενώ οι πρώτοι τρεις μήνες του 2022 συγχωνεύθηκαν στο 2021.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η εργασία καταλήγει ότι η τηλεπισκόπηση είναι ένα πολύτιμο εργαλείο για την παρακολούθηση των δρυογραμμικών αλλαγών, αλλά η χρήση της στην οικολογική έρευνα παραμένει σχετικά περιορισμένη. Η συνδυαστική χρήση πολλαπλών αισθητήρων, πολυκλιμακικών δεδομένων και μεθοδολογιών αυξάνει σημαντικά την ικανότητα ανίχνευσης και ερμηνείας των δομικών και λειτουργικών αλλαγών στην δρυογραμμή ως απόκριση στην κλιματική αλλαγή και άλλους περιβαλλοντικούς παράγοντες.<br /> <br /> Οι συγγραφείς προτείνουν ότι η ενσωμάτωση τηλεπισκόπησης με δεδομένα πεδίου, μοντέλα κλίματος και οικολογικές μετρήσεις θα ενισχύσει την ικανότητα μοντελοποίησης και πρόβλεψης, επιτρέποντας πιο ολοκληρωμένη και πολυδιάστατη κατανόηση των μεταβολών της δρυογραμμής σε διάφορες κλίμακες και περιβάλλοντα.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou5_5.png 2026-02-02T16:35:39Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou5_4.png 2026-02-02T16:35:21Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou5_3.png 2026-02-02T16:35:09Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou5_2.png 2026-02-02T16:34:58Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou5_1.png 2026-02-02T16:34:40Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AE_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B4%CF%81%CF%85%CE%BF%CE%B3%CF%81%CE%B1%CE%BC%CE%BC%CE%AE%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%BF_%CF%8C%CF%81%CE%B9%CE%BF_%CE%B4%CE%AC%CF%83%CE%BF%CF%85%CF%82%E2%80%93%CE%B1%CE%BB%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B6%CF%8E%CE%BD%CE%B7%CF%82 2026-02-02T16:26:46Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Treeline remote sensing: from tracking treeline shifts to multi-dimensional monitoring of ecotonal change''<br /> <br /> '''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto &amp; Peter J. Weisberg<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία έχει ως κύριο στόχο να αξιολογήσει τον ρόλο της τηλεπισκόπησης στην έρευνα της δρυογραμμής (treeline), δηλαδή της μεταβατικής ζώνης ανάμεσα στο κλειστό δάσος και την αλπική βλάστηση σε ορεινά οικοσυστήματα. Η έρευνα επικεντρώνεται στην ανάγκη να ξεπεραστεί η παραδοσιακή παρακολούθηση των μετακινήσεων της δρυογραμμής (treeline shifts) και να προωθηθεί μια πολυδιάστατη παρακολούθηση των δομικών αλλαγών στη ζώνη μετάβασης, ενσωματώνοντας διαφορετικές τεχνολογίες τηλεπισκόπησης και μεθοδολογικές προσεγγίσεις για την καλύτερη κατανόηση των περιβαλλοντικών επιδράσεων, ιδιαίτερα στο πλαίσιο της κλιματικής αλλαγής.<br /> <br /> Το άρθρο εντάσσεται στην ευρύτερη συζήτηση για το πώς η τηλεπισκόπηση μπορεί να ενσωματωθεί σε οικολογικά ερωτήματα που αφορούν τόσο τη θέση όσο και τη δομή των οικοτόνων, και πώς αυτές οι αλλαγές σχετίζονται με περιβαλλοντικούς παράγοντες όπως η θερμοκρασία, τα πρότυπα υγρασίας και οι ανθρωπογενείς επιδράσεις σε παγκόσμια κλίμακα.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Το άρθρο δεν περιορίζεται σε μία μοναδική γεωγραφική περιοχή, αλλά αποτελεί παγκόσμια ανασκόπηση μελέτης τηλεπισκόπησης της δρυογραμμής (treeline ecology), εξετάζοντας δεδομένα και επιστημονικές εργασίες από ορεινά οικοσυστήματα σε ολόκληρο τον κόσμο. Οι εφαρμογές που περιλαμβάνονται αφορούν τόσο άλπεις όσο και αρκετές τροπικές και αρκτικές ορεινές περιοχές, όπου οι μεταβολές στη θέση του ορίου των δέντρων και στη δομή τους έχουν τεκμηριωθεί με διαφορετικές μεθοδολογίες παρατήρησης.<br /> <br /> Τα δεδομένα στις μελετώμενες δημοσιεύσεις περιλαμβάνουν:<br /> <br /> - αεροφωτογραφίες υψηλής ανάλυσης για ιστορική ανάλυση και φωτοερμηνεία,<br /> <br /> - δορυφορικές εικόνες μέσης και υψηλής ανάλυσης (π.χ. Landsat, Sentinel) για ανίχνευση «greenness» και αλλαγών κάλυψης,<br /> <br /> - εικόνες από UAV και LiDAR για λεπτομερείς μετρήσεις δομής βλάστησης σε μικρότερες κλίμακες,<br /> και συνδυασμούς συνόλων δεδομένων για πολυδιαστατική ανάλυση.<br /> <br /> Η χρήση τέτοιων δυναμικών συνόλων δεδομένων επιτρέπει την εκτίμηση της χωρικής και χρονικής μεταβλητότητας της δρυογραμμής, καθώς και τη σύνδεση των αλλαγών αυτών με παράγοντες όπως η κλιματική μεταβολή.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μελέτη είναι κυρίως μετα-ανάλυση και ανασκόπηση (review + meta-analysis) των δημοσιευμένων εργασιών που αξιοποιούν τηλεπισκόπηση για την έρευνα δρυογραμμής. Η μεθοδολογία περιλαμβάνει ποσοτική και ποιοτική αποτίμηση των τηλεπισκοπικών τεχνικών, με σκοπό να συσχετίσει τις μεθόδους αυτές με βασικούς οικολογικούς δείκτες και να αναδείξει τα κενά στη βιβλιογραφία.<br /> <br /> Η διαδικασία ανασκόπησης περιλαμβάνει τα εξής τεχνικά βήματα:<br /> <br /> - Συλλογή δεδομένων από βάσεις όπως Scopus και Web of Science, με λέξεις-κλειδιά που αφορούν remote sensing, treeline, ecotone και climate change.<br /> <br /> - Καταγραφή και κατηγοριοποίηση των μελετών ανάλογα με τον τύπο τηλεπισκοπικών δεδομένων που χρησιμοποιούν (π.χ. χρονοσειρές δορυφορικών εικόνων, UAV, LiDAR), την κλίμακα ανάλυσης και τον χρόνο παρατήρησης.<br /> <br /> - Co-occurrence mapping για τη διερεύνηση της σχέσης μεταξύ τεχνικών τηλεπισκόπησης και οικολογικών μετρικών, όπως η θέση του treeline, η πυκνότητα δέντρων και η δομή της βλάστησης.<br /> <br /> - Πολυμεταβλητές στατιστικές αναλύσεις για να προσδιοριστεί πόσο καλά οι διαφορετικές τηλεπισκοπικές μέθοδοι συσχετίζονται με οικολογικούς δείκτες και για να εντοπιστούν προτεραιότητες και κενά στην επιστημονική έρευνα.<br /> <br /> - Σύγκριση χωρικών αναλύσεων (spatial resolution) και χρονικών επεκτάσεων (temporal extent) μεταξύ παραδοσιακών μελετών και εφαρμογών τηλεπισκόπησης.<br /> <br /> Η μεθοδολογία αυτή δεν περιλαμβάνει πρωτογενή συλλογή δορυφορικών εικόνων από τους ίδιους τους συγγραφείς· αντιθέτως, αξιοποιεί τη μεταδεδομένη γνώση για να αναλύσει πώς οι διαθέσιμες τεχνικές έχουν εφαρμοστεί και τι αποτελέσματα έχουν αποδώσει.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση της βιβλιογραφίας καταδεικνύει ότι, παρά τη μακρά ιστορία εφαρμογών της τηλεπισκόπησης στη μελέτη της δρυογραμμής, μόνο περίπου 10 % των μελετών οικολογίας δρυογραμμής χρησιμοποιούν τηλεπισκοπικά εργαλεία, και τα περισσότερα από αυτά συνδέονται με την έννοια της κλιματικής αλλαγής.<br /> <br /> Οι μελέτες που περιλαμβάνουν παρακολούθηση της δρυογραμμής έχουν διαφορετικά χαρακτηριστικά χωρικής και χρονικής ανάλυσης:<br /> <br /> - Οι παραδοσιακές μελέτες χρησιμοποιούν αλόγιστη φωτοερμηνεία αεροφωτογραφιών με πολλή μεγάλη χρονική διάρκεια αλλά χαμηλή χωρική λεπτομέρεια, καλύπτοντας συχνά δεκαετίες αλλαγών σε ευρείες περιοχές.<br /> <br /> - Οι μελέτες με δορυφορικές εικόνες χρησιμοποιούν δείκτες βλάστησης (όπως greenness από NDVI) και ταξινόμηση pixel-based για να ποσοτικοποιήσουν τις αλλαγές στη θέση της δρυογραμμής, παρέχοντας επαναλαμβανόμενες χρονοσειρές με σταθερή επαναληψιμότητα.<br /> <br /> - Οι UAV και LiDAR προσεγγίσεις είναι πιο πρόσφατες και επιτρέπουν την εκχύλιση δεικτών σε επίπεδο δέντρου, όπως ύψος, πυκνότητα και δομή κόμης, γεφυρώνοντας το κενό ανάμεσα σε τοπικές μετρήσεις πεδίου και δορυφορικές παρατηρήσεις.<br /> <br /> Παράλληλα, στο επίπεδο των μεθοδολογικών τάσεων, μόνο περίπου 19 % των εργασιών εφαρμόζουν πολυ-αισθητήριες και πολυκλιμακικές προσεγγίσεις (multi-sensor, multi-scale approaches), οι οποίες θεωρούνται πιο κατάλληλες για την αποκωδικοποίηση της πολυδιάστατης δομής της δρυογραμμής και της αντίδρασής της σε περιβαλλοντικούς παράγοντες.<br /> <br /> Από την εξέταση των μελετών προκύπτει επίσης ότι η ενσωμάτωση πληροφοριών από διαφορετικές πλατφόρμες και αισθητήρες αυξάνει την ικανότητα εντοπισμού αλλαγών που δεν είναι εμφανείς με μεθόδους μιας μόνο πηγής δεδομένων.<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η εργασία καταλήγει ότι η τηλεπισκόπηση είναι ένα πολύτιμο εργαλείο για την παρακολούθηση των δρυογραμμικών αλλαγών, αλλά η χρήση της στην οικολογική έρευνα παραμένει σχετικά περιορισμένη. Η συνδυαστική χρήση πολλαπλών αισθητήρων, πολυκλιμακικών δεδομένων και μεθοδολογιών αυξάνει σημαντικά την ικανότητα ανίχνευσης και ερμηνείας των δομικών και λειτουργικών αλλαγών στην δρυογραμμή ως απόκριση στην κλιματική αλλαγή και άλλους περιβαλλοντικούς παράγοντες.<br /> <br /> Οι συγγραφείς προτείνουν ότι η ενσωμάτωση τηλεπισκόπησης με δεδομένα πεδίου, μοντέλα κλίματος και οικολογικές μετρήσεις θα ενισχύσει την ικανότητα μοντελοποίησης και πρόβλεψης, επιτρέποντας πιο ολοκληρωμένη και πολυδιάστατη κατανόηση των μεταβολών της δρυογραμμής σε διάφορες κλίμακες και περιβάλλοντα.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AE_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B4%CF%81%CF%85%CE%BF%CE%B3%CF%81%CE%B1%CE%BC%CE%BC%CE%AE%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%BF_%CF%8C%CF%81%CE%B9%CE%BF_%CE%B4%CE%AC%CF%83%CE%BF%CF%85%CF%82%E2%80%93%CE%B1%CE%BB%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B6%CF%8E%CE%BD%CE%B7%CF%82 2026-02-02T16:26:02Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Treeline remote sensing: from tracking treeline shifts to multi-dimensional monitoring of ecotonal change''<br /> <br /> '''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto &amp; Peter J. Weisberg<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία έχει ως κύριο στόχο να αξιολογήσει τον ρόλο της τηλεπισκόπησης στην έρευνα της δρυογραμμής (treeline), δηλαδή της μεταβατικής ζώνης ανάμεσα στο κλειστό δάσος και την αλπική βλάστηση σε ορεινά οικοσυστήματα. Η έρευνα επικεντρώνεται στην ανάγκη να ξεπεραστεί η παραδοσιακή παρακολούθηση των μετακινήσεων της δρυογραμμής (treeline shifts) και να προωθηθεί μια πολυδιάστατη παρακολούθηση των δομικών αλλαγών στη ζώνη μετάβασης, ενσωματώνοντας διαφορετικές τεχνολογίες τηλεπισκόπησης και μεθοδολογικές προσεγγίσεις για την καλύτερη κατανόηση των περιβαλλοντικών επιδράσεων, ιδιαίτερα στο πλαίσιο της κλιματικής αλλαγής.<br /> <br /> Το άρθρο εντάσσεται στην ευρύτερη συζήτηση για το πώς η τηλεπισκόπηση μπορεί να ενσωματωθεί σε οικολογικά ερωτήματα που αφορούν τόσο τη θέση όσο και τη δομή των οικοτόνων, και πώς αυτές οι αλλαγές σχετίζονται με περιβαλλοντικούς παράγοντες όπως η θερμοκρασία, τα πρότυπα υγρασίας και οι ανθρωπογενείς επιδράσεις σε παγκόσμια κλίμακα.<br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Το άρθρο δεν περιορίζεται σε μία μοναδική γεωγραφική περιοχή, αλλά αποτελεί παγκόσμια ανασκόπηση μελέτης τηλεπισκόπησης της δρυογραμμής (treeline ecology), εξετάζοντας δεδομένα και επιστημονικές εργασίες από ορεινά οικοσυστήματα σε ολόκληρο τον κόσμο. Οι εφαρμογές που περιλαμβάνονται αφορούν τόσο άλπεις όσο και αρκετές τροπικές και αρκτικές ορεινές περιοχές, όπου οι μεταβολές στη θέση του ορίου των δέντρων και στη δομή τους έχουν τεκμηριωθεί με διαφορετικές μεθοδολογίες παρατήρησης.<br /> <br /> Τα δεδομένα στις μελετώμενες δημοσιεύσεις περιλαμβάνουν:<br /> <br /> - αεροφωτογραφίες υψηλής ανάλυσης για ιστορική ανάλυση και φωτοερμηνεία,<br /> <br /> - δορυφορικές εικόνες μέσης και υψηλής ανάλυσης (π.χ. Landsat, Sentinel) για ανίχνευση «greenness» και αλλαγών κάλυψης,<br /> <br /> - εικόνες από UAV και LiDAR για λεπτομερείς μετρήσεις δομής βλάστησης σε μικρότερες κλίμακες,<br /> και συνδυασμούς συνόλων δεδομένων για πολυδιαστατική ανάλυση.<br /> <br /> Η χρήση τέτοιων δυναμικών συνόλων δεδομένων επιτρέπει την εκτίμηση της χωρικής και χρονικής μεταβλητότητας της δρυογραμμής, καθώς και τη σύνδεση των αλλαγών αυτών με παράγοντες όπως η κλιματική μεταβολή.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μελέτη είναι κυρίως μετα-ανάλυση και ανασκόπηση (review + meta-analysis) των δημοσιευμένων εργασιών που αξιοποιούν τηλεπισκόπηση για την έρευνα δρυογραμμής. Η μεθοδολογία περιλαμβάνει ποσοτική και ποιοτική αποτίμηση των τηλεπισκοπικών τεχνικών, με σκοπό να συσχετίσει τις μεθόδους αυτές με βασικούς οικολογικούς δείκτες και να αναδείξει τα κενά στη βιβλιογραφία.<br /> <br /> Η διαδικασία ανασκόπησης περιλαμβάνει τα εξής τεχνικά βήματα:<br /> <br /> - Συλλογή δεδομένων από βάσεις όπως Scopus και Web of Science, με λέξεις-κλειδιά που αφορούν remote sensing, treeline, ecotone και climate change.<br /> <br /> - Καταγραφή και κατηγοριοποίηση των μελετών ανάλογα με τον τύπο τηλεπισκοπικών δεδομένων που χρησιμοποιούν (π.χ. χρονοσειρές δορυφορικών εικόνων, UAV, LiDAR), την κλίμακα ανάλυσης και τον χρόνο παρατήρησης.<br /> <br /> - Co-occurrence mapping για τη διερεύνηση της σχέσης μεταξύ τεχνικών τηλεπισκόπησης και οικολογικών μετρικών, όπως η θέση του treeline, η πυκνότητα δέντρων και η δομή της βλάστησης.<br /> <br /> - Πολυμεταβλητές στατιστικές αναλύσεις για να προσδιοριστεί πόσο καλά οι διαφορετικές τηλεπισκοπικές μέθοδοι συσχετίζονται με οικολογικούς δείκτες και για να εντοπιστούν προτεραιότητες και κενά στην επιστημονική έρευνα.<br /> <br /> - Σύγκριση χωρικών αναλύσεων (spatial resolution) και χρονικών επεκτάσεων (temporal extent) μεταξύ παραδοσιακών μελετών και εφαρμογών τηλεπισκόπησης.<br /> <br /> Η μεθοδολογία αυτή δεν περιλαμβάνει πρωτογενή συλλογή δορυφορικών εικόνων από τους ίδιους τους συγγραφείς· αντιθέτως, αξιοποιεί τη μεταδεδομένη γνώση για να αναλύσει πώς οι διαθέσιμες τεχνικές έχουν εφαρμοστεί και τι αποτελέσματα έχουν αποδώσει.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η ανάλυση της βιβλιογραφίας καταδεικνύει ότι, παρά τη μακρά ιστορία εφαρμογών της τηλεπισκόπησης στη μελέτη της δρυογραμμής, μόνο περίπου 10 % των μελετών οικολογίας δρυογραμμής χρησιμοποιούν τηλεπισκοπικά εργαλεία, και τα περισσότερα από αυτά συνδέονται με την έννοια της κλιματικής αλλαγής.<br /> <br /> Οι μελέτες που περιλαμβάνουν παρακολούθηση της δρυογραμμής έχουν διαφορετικά χαρακτηριστικά χωρικής και χρονικής ανάλυσης:<br /> <br /> - Οι παραδοσιακές μελέτες χρησιμοποιούν αλόγιστη φωτοερμηνεία αεροφωτογραφιών με πολλή μεγάλη χρονική διάρκεια αλλά χαμηλή χωρική λεπτομέρεια, καλύπτοντας συχνά δεκαετίες αλλαγών σε ευρείες περιοχές.<br /> <br /> - Οι μελέτες με δορυφορικές εικόνες χρησιμοποιούν δείκτες βλάστησης (όπως greenness από NDVI) και ταξινόμηση pixel-based για να ποσοτικοποιήσουν τις αλλαγές στη θέση της δρυογραμμής, παρέχοντας επαναλαμβανόμενες χρονοσειρές με σταθερή επαναληψιμότητα.<br /> <br /> - Οι UAV και LiDAR προσεγγίσεις είναι πιο πρόσφατες και επιτρέπουν την εκχύλιση δεικτών σε επίπεδο δέντρου, όπως ύψος, πυκνότητα και δομή κόμης, γεφυρώνοντας το κενό ανάμεσα σε τοπικές μετρήσεις πεδίου και δορυφορικές παρατηρήσεις.<br /> <br /> Παράλληλα, στο επίπεδο των μεθοδολογικών τάσεων, μόνο περίπου 19 % των εργασιών εφαρμόζουν πολυ-αισθητήριες και πολυκλιμακικές προσεγγίσεις (multi-sensor, multi-scale approaches), οι οποίες θεωρούνται πιο κατάλληλες για την αποκωδικοποίηση της πολυδιάστατης δομής της δρυογραμμής και της αντίδρασής της σε περιβαλλοντικούς παράγοντες.<br /> <br /> Από την εξέταση των μελετών προκύπτει επίσης ότι η ενσωμάτωση πληροφοριών από διαφορετικές πλατφόρμες και αισθητήρες αυξάνει την ικανότητα εντοπισμού αλλαγών που δεν είναι εμφανείς με μεθόδους μιας μόνο πηγής δεδομένων.<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η εργασία καταλήγει ότι η τηλεπισκόπηση είναι ένα πολύτιμο εργαλείο για την παρακολούθηση των δρυογραμμικών αλλαγών, αλλά η χρήση της στην οικολογική έρευνα παραμένει σχετικά περιορισμένη. Η συνδυαστική χρήση πολλαπλών αισθητήρων, πολυκλιμακικών δεδομένων και μεθοδολογιών αυξάνει σημαντικά την ικανότητα ανίχνευσης και ερμηνείας των δομικών και λειτουργικών αλλαγών στην δρυογραμμή ως απόκριση στην κλιματική αλλαγή και άλλους περιβαλλοντικούς παράγοντες.<br /> <br /> Οι συγγραφείς προτείνουν ότι η ενσωμάτωση τηλεπισκόπησης με δεδομένα πεδίου, μοντέλα κλίματος και οικολογικές μετρήσεις θα ενισχύσει την ικανότητα μοντελοποίησης και πρόβλεψης, επιτρέποντας πιο ολοκληρωμένη και πολυδιάστατη κατανόηση των μεταβολών της δρυογραμμής σε διάφορες κλίμακες και περιβάλλοντα.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CE%AE_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B4%CF%81%CF%85%CE%BF%CE%B3%CF%81%CE%B1%CE%BC%CE%BC%CE%AE%CF%82_%CE%BA%CE%B1%CE%B9_%CF%84%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%B2%CE%B1%CE%BB%CE%BB%CE%BF%CE%BD%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CF%8E%CE%BD_%CF%83%CF%84%CE%BF_%CF%8C%CF%81%CE%B9%CE%BF_%CE%B4%CE%AC%CF%83%CE%BF%CF%85%CF%82%E2%80%93%CE%B1%CE%BB%CF%80%CE%B9%CE%BA%CE%AE%CF%82_%CE%B6%CF%8E%CE%BD%CE%B7%CF%82 2026-02-02T14:56:39Z

<p>CHRISTAKOU KONSTANTINA: Νέα σελίδα με ''''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσο...'</p> <hr /> <div>'''Τηλεπισκοπική παρακολούθηση της δρυογραμμής και των περιβαλλοντικών αλλαγών στο όριο δάσους–αλπικής ζώνης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Treeline remote sensing: from tracking treeline shifts to multi-dimensional monitoring of ecotonal change''<br /> <br /> '''Συγγραφείς: ''' Matteo Garbarino, Donato Morresi, Nicolo Anselmetto &amp; Peter J. Weisberg<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης<br /> <br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό)<br /> <br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%84%CF%89%CE%BD_%CE%B5%CF%80%CE%B9%CF%80%CF%84%CF%8E%CF%83%CE%B5%CF%89%CE%BD_%CF%84%CE%B7%CF%82_%CE%BA%CE%BB%CE%B9%CE%BC%CE%B1%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BB%CE%BB%CE%B1%CE%B3%CE%AE%CF%82_%CF%83%CF%84%CE%B9%CF%82_%CF%84%CE%BF%CF%85%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CE%AD%CF%82_%CE%B4%CF%81%CE%B1%CF%83%CF%84%CE%B7%CF%81%CE%B9%CF%8C%CF%84%CE%B7%CF%84%CE%B5%CF%82_%CE%BC%CE%B5_%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AE_%CF%84%CF%89%CE%BD_%CE%9A%CE%B1%CF%81%CF%80%CE%B1%CE%B8%CE%AF%CF%89%CE%BD 2026-02-01T20:52:31Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μελέτη των επιπτώσεων της κλιματικής αλλαγής στις τουριστικές δραστηριότητες με τη χρήση τηλεπισκόπησης στην περιοχή των Καρπαθίων''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Study of the Impact of Climate Change on Tourism Activities Using Remote Sensing in the Carpathian Region''<br /> <br /> '''Συγγραφείς: ''' Mykola DEPUTAT , Khrystyna TERLETSKA , Vasyl ZHUPNYK , Pavlo HORISHEVSKYI , Dmytro KASIYANCHUK<br /> <br /> '''Δημοσιεύθηκε: ''' ''Geographia Technica, Vol. 20, Issue 2, 2025, pp 15 to 30''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://technicalgeography.org/pdf/2_2025/02_deputat.pdf]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα μελέτη εξετάζει τις επιπτώσεις της κλιματικής αλλαγής στις τουριστικές δραστηριότητες της περιοχής των Ουκρανικών Καρπαθίων, με έμφαση στον χειμερινό τουρισμό. Οι συγγραφείς προσεγγίζουν το θέμα από τεχνική και ποσοτική σκοπιά, αξιοποιώντας εργαλεία τηλεπισκόπησης, γεωχωρικής ανάλυσης και στατιστικής επεξεργασίας δεδομένων, με σκοπό να αναδείξουν πώς οι μακροχρόνιες μεταβολές των κλιματικών παραμέτρων επηρεάζουν τη βιωσιμότητα του τουριστικού προϊόντος σε μια ορεινή και κλιματικά ευαίσθητη περιοχή. Βασικός στόχος της εργασίας είναι η ανάλυση της δυναμικής των κλιματικών αλλαγών και η εκτίμηση της επίδρασής τους στις τουριστικές δραστηριότητες, μέσω της συσχέτισης μεταβλητών όπως η μέση θερμοκρασία αέρα, η έκταση και η διάρκεια της χιονοκάλυψης και τα πρότυπα βροχόπτωσης. Ιδιαίτερη σημασία δίνεται στον προσδιορισμό των τάσεων που επηρεάζουν άμεσα τον χειμερινό τουρισμό, καθώς και στη διερεύνηση των δυνατοτήτων προσαρμογής του τουριστικού τομέα στις νέες κλιματικές συνθήκες.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης περιλαμβάνει το σύνολο των Ουκρανικών Καρπαθίων, καλύπτοντας διοικητικά τις περιφέρειες Λβιβ, Ιβάνο-Φρανκίβσκ, Ζακαρπάτσια και Τσερνίβτσι. Πρόκειται για μια εκτεταμένη ορεινή ζώνη περίπου 56.600 km², η οποία χαρακτηρίζεται από έντονο υψομετρικό ανάγλυφο, σημαντική βιοποικιλότητα και υψηλή συγκέντρωση τουριστικών υποδομών. Η περιοχή αποτελεί έναν από τους σημαντικότερους τουριστικούς πόλους της Ουκρανίας, με κύριες δραστηριότητες τον χειμερινό αθλητικό τουρισμό, την ορεινή αναψυχή, τον οικοτουρισμό και τον πεζοπορικό τουρισμό.<br /> <br /> [[Αρχείο:Christakou4_1.png|200px|thumb|right|'''Εικόνα 1''': Χάρτης της περιοχής μελέτης της Ευρωπεριφέρειας Καρπαθίων εντός της Ουκρανίας.]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται σε μια ολοκληρωμένη προσέγγιση που συνδυάζει δεδομένα τηλεπισκόπησης, γεωχωρική ανάλυση μέσω Συστημάτων Γεωγραφικών Πληροφοριών (GIS) και στατιστική επεξεργασία μακροχρόνιων κλιματικών χρονοσειρών. Στόχος της μεθοδολογικής προσέγγισης είναι η ποσοτική αποτύπωση των κλιματικών μεταβολών στην περιοχή των Ουκρανικών Καρπαθίων και η συσχέτισή τους με παραμέτρους που επηρεάζουν άμεσα τη λειτουργία και τη βιωσιμότητα των τουριστικών δραστηριοτήτων, κυρίως του χειμερινού τουρισμού.<br /> Για την ανάλυση των κλιματικών παραμέτρων χρησιμοποιήθηκαν μακροχρόνια μετεωρολογικά δεδομένα που καλύπτουν την περίοδο από το 1980 έως το 2024. Τα δεδομένα αυτά περιλαμβάνουν τιμές μέσης εποχικής και ετήσιας θερμοκρασίας αέρα, καθώς και συνολικά ύψη βροχόπτωσης. Η επεξεργασία τους πραγματοποιήθηκε με τη χρήση στατιστικών μεθόδων ανάλυσης τάσεων, κυρίως μέσω γραμμικής παλινδρόμησης, προκειμένου να εντοπιστούν μακροχρόνιες μεταβολές και ρυθμοί αλλαγής των βασικών κλιματικών μεταβλητών.<br /> <br /> Κεντρικό ρόλο στη μεθοδολογία κατέχει η χρήση δεδομένων τηλεπισκόπησης, τα οποία προέρχονται από δορυφορικές πλατφόρμες παρατήρησης της Γης. Οι συγγραφείς αξιοποίησαν δορυφορικές εικόνες για την παρακολούθηση της εποχικής και διαχρονικής μεταβολής της χιονοκάλυψης στην περιοχή μελέτης. Για τον σκοπό αυτό εφαρμόστηκε ο Δείκτης Κανονικοποιημένης Διαφοράς Χιονιού (Normalized Difference Snow Index – NDSI), ο οποίος επιτρέπει τη διάκριση των χιονοκαλυμμένων επιφανειών από άλλους τύπους κάλυψης γης, βασιζόμενος στη φασματική απόκριση του χιονιού στο ορατό και στο εγγύς υπέρυθρο φάσμα.<br /> Παράλληλα, αναλύθηκε η επιφανειακή λευκαύγεια, δηλαδή ο λόγος της ανακλώμενης προς την προσπίπτουσα ηλιακή ακτινοβολία, το οποίο αποτελεί κρίσιμο δείκτη για την εκτίμηση της παρουσίας και της ποιότητας της χιονοκάλυψης. Η μείωση της λευκαύγειας χρησιμοποιείται ως ένδειξη απώλειας χιονιού και αντικατάστασής του από πιο σκοτεινές επιφάνειες, όπως το έδαφος ή η βλάστηση. Όλα τα δεδομένα τηλεπισκόπησης ενσωματώθηκαν και αναλύθηκαν σε περιβάλλον GIS, επιτρέποντας τη χωρική ανάλυση και τη χαρτογράφηση των μεταβολών. <br /> Η ανάλυση ολοκληρώθηκε με τη χρήση πλατφορμών Cloud, όπως το Google Earth Engine, που διευκόλυναν τη διαχείριση μεγάλου όγκου δορυφορικών δεδομένων και την εξαγωγή στατιστικών δεικτών σε χωρικό και χρονικό επίπεδο. Η μεθοδολογία αυτή επέτρεψε τη συστηματική σύγκριση των κλιματικών μεταβολών με δείκτες που σχετίζονται άμεσα με τη διάρκεια και την αξιοπιστία της τουριστικής περιόδου.<br /> <br /> [[Αρχείο:Christakou4_2.png|200px|thumb|right|'''Εικόνα 2''': Μέσες μακροχρόνιες τιμές από το 1980 έως το 2024 κατά θερμοκρασία και βροχόπτωση.]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα της μελέτης καταδεικνύουν σαφή και στατιστικά σημαντική μεταβολή των κλιματικών συνθηκών στην περιοχή των Ουκρανικών Καρπαθίων, με άμεσες επιπτώσεις στις τουριστικές δραστηριότητες. Η ανάλυση των θερμοκρασιακών χρονοσειρών έδειξε σταθερή αύξηση της μέσης θερμοκρασίας αέρα σε όλες τις εποχές του έτους. Η μεγαλύτερη άνοδος παρατηρείται κατά τη θερινή και τη χειμερινή περίοδο, γεγονός που επηρεάζει τόσο τη θερμική άνεση όσο και τη διατήρηση της χιονοκάλυψης στις ορεινές ζώνες.<br /> Ιδιαίτερα σημαντικά είναι τα ευρήματα που αφορούν τη χιονοκάλυψη. Η ανάλυση των δορυφορικών δεδομένων μέσω του δείκτη NDSI αποκάλυψε σταδιακή μείωση της χιονοκαλυμμένης έκτασης, με μέσο ρυθμό μείωσης περίπου 0,21% ανά έτος. Παράλληλα, καταγράφηκε μείωση στο μέσο πάχος του χιονιού της τάξης των 4,4 mm ετησίως. Οι μεταβολές αυτές επιβεβαιώνονται και από την ανάλυση του αλμπέντο, το οποίο παρουσιάζει πτωτική τάση, υποδηλώνοντας απώλεια χιονιού και μεταβολή των επιφανειακών χαρακτηριστικών.<br /> Οι αλλαγές αυτές έχουν άμεσο αντίκτυπο στη διάρκεια και την αξιοπιστία της χειμερινής τουριστικής περιόδου. Η μείωση της φυσικής χιονόστρωσης οδηγεί σε συρρίκνωση της περιόδου κατά την οποία οι συνθήκες είναι κατάλληλες για χιονοδρομικές δραστηριότητες, αυξάνοντας την εξάρτηση των τουριστικών υποδομών από τεχνητές μεθόδους παραγωγής χιονιού. Το γεγονός αυτό συνεπάγεται αυξημένο ενεργειακό και οικονομικό κόστος, καθώς και περιβαλλοντικές πιέσεις.<br /> Παρά τις αρνητικές επιπτώσεις στον χειμερινό τουρισμό, τα αποτελέσματα υποδεικνύουν ότι η αύξηση της θερμοκρασίας μπορεί να δημιουργήσει ευνοϊκότερες συνθήκες για την ανάπτυξη του θερινού και φθινοπωρινού τουρισμού. Η μεγαλύτερη διάρκεια ήπιων θερμοκρασιών ενισχύει δραστηριότητες όπως η πεζοπορία, ο οικοτουρισμός και οι υπαίθριες μορφές αναψυχής, γεγονός που μπορεί να συμβάλει στη μείωση της εποχικότητας του τουρισμού στην περιοχή.<br /> <br /> Η επεξεργασία και ανάλυση των δορυφορικών δεδομένων πραγματοποιήθηκε μέσω της πλατφόρμας Google Earth Engine (GEE), η οποία επιτρέπει την αποδοτική διαχείριση και ανάλυση μεγάλου όγκου γεωχωρικών δεδομένων. Ο αναπτυγμένος κώδικας υλοποιεί μια ολοκληρωμένη προσέγγιση ανάλυσης δορυφορικών εικόνων, με στόχο την ταξινόμηση της κάλυψης γης στην περιοχή μελέτης. Για τον σκοπό αυτό χρησιμοποιήθηκαν πολυφασματικά δεδομένα Sentinel-2, θερμοκρασιακά δεδομένα MODIS, καθώς και το ψηφιακό μοντέλο υψομέτρου SRTM, τα οποία αξιοποιήθηκαν τόσο για την εκτίμηση της χιονοκάλυψης όσο και για την ενσωμάτωση υψομετρικών παραμέτρων. Η ταξινόμηση της επιφάνειας πραγματοποιήθηκε με τη χρήση του αλγορίθμου Random Forest, ο οποίος επιλέχθηκε λόγω της υψηλής ακρίβειας και της ικανότητάς του να λαμβάνει υπόψη πολλαπλά φασματικά και γεωφυσικά χαρακτηριστικά της επιφάνειας.<br /> <br /> [[Αρχείο:Christakou4_3.png|200px|thumb|right|'''Εικόνα 3''': Χωρική κατανομή του Δείκτη Κανονικοποιημένης Διαφοράς Χιονιού (NDSI) στην ενεργή τουριστική περιοχή των Ουκρανικών Καρπαθίων για δύο χρονικές στιγμές της χειμερινής περιόδου (26/11/2024 και 28/12/2024), που αποτυπώνει τη διαφορά και τη μεταβολή της χιονοκάλυψης σε σχέση με το υψόμετρο, τη βλάστηση και τη χρήση γης.]]<br /> <br /> [[Αρχείο:Christakou4_4.png|200px|thumb|right|'''Εικόνα 4''': Μοντέλο μηχανικής μάθησης βασισμένο στην ταξινόμηση Random Forest (RF).]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Στα συμπεράσματα της μελέτης τονίζεται ότι η κλιματική αλλαγή αποτελεί κρίσιμο παράγοντα κινδύνου για τον παραδοσιακό χειμερινό τουρισμό των Καρπαθίων, ωστόσο ταυτόχρονα δημιουργεί νέες προοπτικές για την ενίσχυση του θερινού και μεταβατικού τουρισμού. Οι συγγραφείς υπογραμμίζουν την ανάγκη υιοθέτησης στρατηγικών προσαρμογής, όπως η χρήση τεχνητής χιονόπτωσης όπου είναι περιβαλλοντικά βιώσιμη, η διαφοροποίηση του τουριστικού προϊόντος και η ενσωμάτωση κλιματικών δεδομένων στον μακροπρόθεσμο τουριστικό σχεδιασμό. Συνολικά, η μελέτη αναδεικνύει τον καθοριστικό ρόλο της τηλεπισκόπησης και της γεωχωρικής ανάλυσης στην κατανόηση των επιπτώσεων της κλιματικής αλλαγής και στη διαμόρφωση βιώσιμων πολιτικών τουριστικής ανάπτυξης.<br /> <br /> <br /> <br /> <br /> <br /> [[category:Περιβαλλοντικές Επιπτώσεις]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou4_4.png 2026-02-01T20:45:24Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou4_3.png 2026-02-01T20:36:44Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou4_2.png 2026-02-01T20:36:31Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou4_1.png 2026-02-01T20:36:21Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A7%CF%81%CE%AE%CF%83%CE%B7_%CF%87%CF%81%CE%BF%CE%BD%CE%BF%CF%83%CE%B5%CE%B9%CF%81%CF%8E%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CE%BF%CF%80%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%B5%CE%BD%CF%84%CE%BF%CF%80%CE%B9%CF%83%CE%BC%CF%8C_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CF%80%CE%B1%CF%81%CE%B1%CE%BA%CE%BF%CE%BB%CE%BF%CF%8D%CE%B8%CE%B7%CF%83%CE%B7_%CE%BC%CE%B5%CE%BC%CE%BF%CE%BD%CF%89%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%86%CF%89%CE%BB%CE%B9%CF%8E%CE%BD_%CF%80%CF%84%CE%B7%CE%BD%CF%8E%CE%BD_%CF%83%CE%B5_%CE%BC%CE%B5%CE%B3%CE%AC%CE%BB%CE%B7_%CF%87%CF%89%CF%81%CE%B9%CE%BA%CE%AE_%CE%BA%CE%BB%CE%AF%CE%BC%CE%B1%CE%BA%CE%B1 2026-02-01T20:34:33Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Χρήση χρονοσειρών τηλεπισκοπικών δεδομένων για τον εντοπισμό και την παρακολούθηση μεμονωμένων φωλιών πτηνών σε μεγάλη χωρική κλίμακα''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Using time-series remote sensing to identify and track individual bird nests at large scales<br /> Journal: Remote Sensing in Ecology and Conservation''<br /> <br /> '''Συγγραφείς: ''' S. K. Morgan Ernest , Lindsey A. Garner , Ben G. Weinstein, Peter Frederick, Henry Senyondo,Glenda M. Yenni &amp; Ethan P. White<br /> <br /> '''Δημοσιεύθηκε: ''' ''Remote Sensing in Ecology and Conservation''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://zslpublications.onlinelibrary.wiley.com/doi/full/10.1002/rse2.70046]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Ο κύριος στόχος της παρούσας μελέτης είναι η αξιολόγηση της δυνατότητας αξιοποίησης χρονοσειρών τηλεπισκοπικών δεδομένων υψηλής χωρικής ανάλυσης για τον εντοπισμό και τη συστηματική παρακολούθηση μεμονωμένων φωλιών πτηνών σε εκτεταμένες χωρικές κλίμακες. Οι συγγραφείς επιδιώκουν να αντιμετωπίσουν τις αδυναμίες των συμβατικών μεθόδων απογραφής, οι οποίες στηρίζονται κυρίως σε επίγειες καταγραφές ή σε μεμονωμένες αεροφωτογραφίες και συχνά χαρακτηρίζονται από αυξημένες απαιτήσεις σε χρόνο και κόστος, καθώς και περιορισμένη χωρική κάλυψη. Η έρευνα εστιάζει στην ανάπτυξη μιας πλήρως αυτοματοποιημένης προσέγγισης που συνδυάζει τεχνικές υπολογιστικής όρασης και μηχανικής μάθησης με οικολογικά τεκμηριωμένους κανόνες, αντιμετωπίζοντας τις φωλιές πτηνών ως δυναμικές δομές που εξελίσσονται στον χρόνο. Η διαχρονική αυτή θεώρηση επιτρέπει την καταγραφή τόσο της παρουσίας όσο και της διάρκειας λειτουργίας των φωλιών, συμβάλλοντας στην εξαγωγή κρίσιμων δημογραφικών δεικτών, όπως η αναπαραγωγική επιτυχία. Τελικός στόχος είναι η αξιολόγηση της αξιοπιστίας της προτεινόμενης μεθοδολογίας σε σύγκριση με την ανθρώπινη οπτική ερμηνεία και η διερεύνηση της εφαρμογής της στη βιολογία διατήρησης και στη διαχείριση φυσικών οικοσυστημάτων.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η περιοχή μελέτης βρίσκεται στο Εθνικό Πάρκο Everglades, στη νότια Φλόριντα των Ηνωμένων Πολιτειών. Πρόκειται για έναν υγρότοπο με μεγάλη έκταση και υψηλή οικολογική αξία, το οποίο φιλοξενεί σημαντικούς πληθυσμούς υδρόβιων και παρυδάτιων πτηνών. Η περιοχή χαρακτηρίζεται από έντονη εποχικότητα, μεταβολές στη στάθμη των υδάτων και ετερογενή βλάστηση, παράγοντες που καθιστούν τη χαρτογράφηση και παρακολούθηση φωλιών ιδιαίτερα απαιτητική. Η μελέτη επικεντρώνεται σε αποικίες φωλεοποίησης πτηνών, κυρίως ερωδιών και συναφών ειδών, τα οποία δημιουργούν φωλιές σε συστάδες βλάστησης εντός υγρών περιοχών. Οι συγκεκριμένες αποικίες αποτελούν ιδανικό πεδίο δοκιμής, καθώς παρουσιάζουν υψηλή πυκνότητα φωλιών, αλλά και δυναμικές μεταβολές κατά τη διάρκεια της αναπαραγωγικής περιόδου. Η επιλογή της περιοχής μελέτης επιτρέπει την αξιολόγηση της μεθοδολογίας σε ένα πολύπλοκο φυσικό περιβάλλον, με έντονες χωρικές και χρονικές μεταβολές, ενισχύοντας τη δυνατότητα γενίκευσης των αποτελεσμάτων.<br /> <br /> [[Αρχείο:Christakou3_1.png|200px|thumb|right|'''Εικόνα 1''': Θέση της περιοχής μελέτης (λευκό περίγραμμα) εντός της πολιτείας της Φλόριντα στις Ηνωμένες Πολιτείες (ένθετο). Οι αποικίες παρυδάτιων πτηνών (κίτρινα σημεία) κατανέμονται σε ολόκληρη την Περιοχή Διατήρησης Υδάτων 3 (Water Conservation Area 3), η οποία αποτελεί τμήμα της ευρύτερης περιοχής των Μεγάλων Έβεργκλεϊντς (Greater Everglades) στη νότια Φλόριντα. Εικόνα από το Google Earth.]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η μεθοδολογία της μελέτης βασίζεται στη συλλογή χρονοσειρών εναέριων εικόνων υψηλής χωρικής ανάλυσης με χρήση μη επανδρωμένων αεροσκαφών (UAS – drones) σε εβδομαδιαία βάση κατά τη διάρκεια της αναπαραγωγικής περιόδου. Οι εικόνες αποκτήθηκαν με κάμερες υψηλής ανάλυσης (RGB, ~1–2 cm/pixel) και υποβλήθηκαν σε γεωαναφορά και ευθυγράμμιση μεταξύ διαδοχικών λήψεων, ώστε να εξασφαλιστεί η χωρική συνέπεια των δεδομένων και η αξιοπιστία των συγκρίσεων στον χρόνο.<br /> Για την ανίχνευση των πτηνών εφαρμόστηκε ο αλγόριθμος RetinaNet 50 (DeepForest bird detector), ένα σύγχρονο μοντέλο υπολογιστικής όρασης εκπαιδευμένο σε εκατοντάδες εικόνες πτηνών από προηγούμενες πτήσεις. Το μοντέλο αυτό επέτρεψε την αυτόματη αναγνώριση πτηνών μέσα σε πολύπλοκα φυσικά περιβάλλοντα, με υψηλή ακρίβεια εντοπισμού.<br /> Οι ανιχνεύσεις πτηνών στη συνέχεια επεξεργάστηκαν με δύο κανόνες χρονοσειράς για να προβλεφθούν φωλιές: ο κανόνας bird bird bird, ο οποίος θεωρεί ότι μια θέση περιέχει φωλιά εφόσον εμφανιστούν τουλάχιστον τρεις ανιχνεύσεις πτηνών σε διαφορετικές χρονικές στιγμές, και ο κανόνας bird bird plus, που επιτρέπει την εκτίμηση φωλιάς είτε με τρεις ανιχνεύσεις είτε με δύο διαδοχικές εμφανίσεις. Αυτοί οι κανόνες συνδυάζουν την ανίχνευση πτηνών με οικολογικά τεκμηριωμένα πρότυπα συμπεριφοράς φωλεοποίησης, αντιμετωπίζοντας τις φωλιές ως δυναμικές δομές που εξελίσσονται στον χρόνο.<br /> Η εφαρμογή των κανόνων αυτών επέτρεψε τη μετατροπή των σημείων παρουσίας πτηνών σε εκτιμήσεις θέσεων φωλιών, οι οποίες μπορούσαν να παρακολουθούνται διαχρονικά, παρέχοντας στοιχεία για τη διάρκεια λειτουργίας κάθε φωλιάς. Η αξιολόγηση της μεθόδου έγινε συγκρίνοντας τα αποτελέσματα της αυτοματοποιημένης ανάλυσης με ανθρώπινη οπτική ερμηνεία των ίδιων εικόνων, επιτρέποντας την ποσοτική αποτίμηση της ακρίβειας, της ευαισθησίας και της αξιοπιστίας της προσέγγισης.<br /> <br /> [[Αρχείο:Christakou3_2.png|200px|thumb|right|'''Εικόνα 2''': Παραδείγματα ανίχνευσης φωλιών που δείχνουν πώς οι ανιχνεύσεις πτηνών χρησιμοποιούνται για την πρόβλεψη θέσεων φωλιών με βάση τον κανόνα bird-bird-bird (τουλάχιστον τρεις ανιχνεύσεις πτηνών) και τον κανόνα bird-bird-plus (τουλάχιστον τρεις ανιχνεύσεις πτηνών ή δύο διαδοχικές ανιχνεύσεις). Οι μικροί κίτρινοι κύκλοι υποδηλώνουν αυτοματοποιημένες ανιχνεύσεις πτηνών που δεν παρατηρούνται κατά την ανθρώπινη αξιολόγηση των φωτογραφιών.]]<br /> <br /> [[Αρχείο:Christakou3_3.png|200px|thumb|right|'''Εικόνα 3''': Τοποθεσίες που αξιολογήθηκαν μόνο αεροφωτογραφικά ανά έτος και αποικία, εξαιρουμένων των μη ταξινομήσιμων τοποθεσιών.]]<br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Τα αποτελέσματα έδειξαν ότι η προτεινόμενη αυτοματοποιημένη μέθοδος, η οποία συνδυάζει την ανίχνευση πτηνών με το μοντέλο RetinaNet 50 (DeepForest bird detector) και την εφαρμογή κανόνων χρονοσειράς (bird bird bird και bird bird plus), είναι ικανή να εντοπίζει φωλιές με ακρίβεια συγκρίσιμη με εκείνη της ανθρώπινης οπτικής ερμηνείας. Ιδιαίτερα για φωλιές που παρέμειναν ενεργές για μεγάλο χρονικό διάστημα, ο κανόνας bird bird bird απέδωσε εξαιρετικά καλά, με πολύ υψηλό ποσοστό εντοπισμού (&gt;90% recall) και ελάχιστα ψευδώς θετικά αποτελέσματα, καθιστώντας τον την πιο σταθερή επιλογή για αξιόπιστη χαρτογράφηση φωλιών.<br /> Ο κανόνας bird bird plus, αν και επέτρεψε τον εντοπισμό ορισμένων φωλιών που το bird bird bird δεν ανίχνευσε, παρουσίασε περισσότερα false positives, καθώς εντόπιζε σημεία όπου πτηνά παρέμεναν προσωρινά χωρίς να φωλεοποιούν. Η χρήση χρονοσειρών αποδείχθηκε καθοριστική για τη μείωση των σφαλμάτων που προκύπτουν από στιγμιαίες παρατηρήσεις και για τη διάκριση μεταξύ πραγματικών φωλιών και παροδικών παρουσιών πτηνών.<br /> Παρά τους περιορισμούς, η συνολική απόδοση της μεθόδου κρίθηκε πολύ ικανοποιητική, επιβεβαιώνοντας ότι η αυτοματοποιημένη προσέγγιση μπορεί να αντικαταστήσει σε μεγάλο βαθμό την ανθρώπινη επεξεργασία, ιδιαίτερα σε μεγάλες χωρικές εκτάσεις και πολλαπλές χρονικές στιγμές. Τα αποτελέσματα αναδεικνύουν τη δυνατότητα χρήσης της τηλεπισκόπησης σε συνδυασμό με μηχανική μάθηση και κανόνες χρονοσειράς ως αξιόπιστο εργαλείο για παρακολούθηση φωλιών και μελέτη δημογραφικών δεικτών σε οικολογικές έρευνες μεγάλης κλίμακας.<br /> <br /> [[Αρχείο:Christakou3_4.png|200px|thumb|right|'''Εικόνα 4''': Ροή εργασίας για την επιτόπια επιβεβαίωση αξιολόγησης φωλιών. Οι γνωστές θέσεις φωλιών αξιολογήθηκαν στις εικόνες χρησιμοποιώντας τόσο τον αλγόριθμο ανίχνευσης φωλιών όσο και την ανθρώπινη αξιολόγηση. Στους ανθρώπινους αξιολογητές δόθηκαν επίσης τυχαίες θέσεις πτηνών—οι οποίες μπορεί επίσης να ήταν μη επιβεβαιωμένες φωλιές —για την αποφυγή μεροληψίας κατά την αξιολόγηση, αλλά αυτά τα δεδομένα δεν χρησιμοποιήθηκαν στην ανάλυση. Τα πορτοκαλί πλαίσια υποδεικνύουν δεδομένα που χρησιμοποιήθηκαν για συγκρίσεις απόδοσης.]]<br /> <br /> [[Αρχείο:Christakou3_5.png|200px|thumb|right|'''Εικόνα 5''': Σύγκριση των προσεγγίσεων bird-bird-bird και bird-bird-plus για ακρίβεια (πάνω διάγραμμα) και ανάκληση (κάτω διάγραμμα). Κάθε σημείο αντιπροσωπεύει την τιμή απόδοσης για έναν συγκεκριμένο συνδυασμό αποικίας-έτους. Λεπτομέρειες στο υπόμνημα.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη καταδεικνύει ότι ο συνδυασμός τηλεπισκόπησης υψηλής ανάλυσης, αλγορίθμων μηχανικής μάθησης (RetinaNet 50/DeepForest) και κανόνων χρονοσειράς (bird bird bird και bird bird plus) αποτελεί μια αποτελεσματική και αξιόπιστη μέθοδο για τον εντοπισμό και την παρακολούθηση μεμονωμένων φωλιών πτηνών σε μεγάλη χωρική κλίμακα. Ο κανόνας bird bird bird απέδωσε σταθερά υψηλή ακρίβεια και δυνατότητα αναγνώρισης φωλιών με μεγάλη διάρκεια ζωής, ενώ ο κανόνας bird bird plus παρείχε μεγαλύτερη ευαισθησία σε βραχύβιες φωλιές, με αυξημένο όμως ποσοστό ψευδώς θετικών ανιχνεύσεων.<br /> Η εφαρμογή χρονοσειρών αποδείχθηκε κρίσιμη για τη μείωση σφαλμάτων και την αξιολόγηση της δυναμικής των φωλιών, επιτρέποντας τη μέτρηση δημογραφικών δεικτών όπως η αναπαραγωγική επιτυχία. Συνολικά, η αυτοματοποιημένη μέθοδος επιτρέπει την κλιμάκωση της παρακολούθησης σε εκτεταμένες περιοχές και πολλαπλές χρονικές στιγμές, προσφέροντας μια λειτουργική και επεκτάσιμη λύση για εφαρμογές στη βιολογία διατήρησης, τη διαχείριση φυσικών οικοσυστημάτων και μελλοντικές οικολογικές έρευνες μεγάλης κλίμακας.</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou3_5.png 2026-02-01T20:28:11Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou3_4.png 2026-02-01T20:27:59Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou3_3.png 2026-02-01T20:27:48Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou3_2.png 2026-02-01T20:27:37Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou3_1.png 2026-02-01T20:27:21Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%9A%CE%B1%CF%84%CE%AC%CE%BB%CE%BB%CE%B7%CE%BB%CF%89%CE%BD_%CE%9F%CF%81%CE%B5%CE%B9%CE%BD%CF%8E%CE%BD_%CE%A0%CE%B5%CE%B6%CE%BF%CF%80%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A0%CF%81%CE%BF%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_GIS_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-02-01T20:26:39Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing''<br /> <br /> '''Συγγραφείς: ''' Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης<br /> <br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό)<br /> <br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%9A%CE%B1%CF%84%CE%AC%CE%BB%CE%BB%CE%B7%CE%BB%CF%89%CE%BD_%CE%9F%CF%81%CE%B5%CE%B9%CE%BD%CF%8E%CE%BD_%CE%A0%CE%B5%CE%B6%CE%BF%CF%80%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A0%CF%81%CE%BF%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_GIS_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-02-01T20:26:09Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing''<br /> <br /> '''Συγγραφείς: ''' Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης<br /> <br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό)<br /> <br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%9A%CE%B1%CF%84%CE%AC%CE%BB%CE%BB%CE%B7%CE%BB%CF%89%CE%BD_%CE%9F%CF%81%CE%B5%CE%B9%CE%BD%CF%8E%CE%BD_%CE%A0%CE%B5%CE%B6%CE%BF%CF%80%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A0%CF%81%CE%BF%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_GIS_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-02-01T20:25:54Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing''<br /> <br /> '''Συγγραφείς: ''' Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης<br /> <br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό)<br /> <br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%9A%CE%B1%CF%84%CE%AC%CE%BB%CE%BB%CE%B7%CE%BB%CF%89%CE%BD_%CE%9F%CF%81%CE%B5%CE%B9%CE%BD%CF%8E%CE%BD_%CE%A0%CE%B5%CE%B6%CE%BF%CF%80%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A0%CF%81%CE%BF%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_GIS_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-02-01T20:25:15Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing''<br /> <br /> '''Συγγραφείς: ''' Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης<br /> <br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό)<br /> <br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%9A%CE%B1%CF%84%CE%AC%CE%BB%CE%BB%CE%B7%CE%BB%CF%89%CE%BD_%CE%9F%CF%81%CE%B5%CE%B9%CE%BD%CF%8E%CE%BD_%CE%A0%CE%B5%CE%B6%CE%BF%CF%80%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A0%CF%81%CE%BF%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_GIS_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-02-01T20:24:18Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing''<br /> <br /> '''Συγγραφείς: ''' Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης,<br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό),<br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%9A%CE%B1%CF%84%CE%AC%CE%BB%CE%BB%CE%B7%CE%BB%CF%89%CE%BD_%CE%9F%CF%81%CE%B5%CE%B9%CE%BD%CF%8E%CE%BD_%CE%A0%CE%B5%CE%B6%CE%BF%CF%80%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A0%CF%81%CE%BF%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_GIS_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-02-01T20:23:46Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing''<br /> <br /> '''Συγγραφείς: ''' Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης,<br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό),<br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|right|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1_%CE%9C%CE%B7%CF%87%CE%B1%CE%BD%CE%B9%CE%BA%CE%AE%CF%82_%CE%9C%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82_%CE%B3%CE%B9%CE%B1_%CF%84%CE%BF%CE%BD_%CE%A0%CF%81%CE%BF%CF%83%CE%B4%CE%B9%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8C_%CE%9A%CE%B1%CF%84%CE%AC%CE%BB%CE%BB%CE%B7%CE%BB%CF%89%CE%BD_%CE%9F%CF%81%CE%B5%CE%B9%CE%BD%CF%8E%CE%BD_%CE%A0%CE%B5%CE%B6%CE%BF%CF%80%CE%BF%CF%81%CE%B9%CE%BA%CF%8E%CE%BD_%CE%A0%CF%81%CE%BF%CE%BF%CF%81%CE%B9%CF%83%CE%BC%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89_GIS_%CE%BA%CE%B1%CE%B9_%CE%A4%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82 2026-02-01T20:23:24Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Μεθοδολογία Μηχανικής Μάθησης για τον Προσδιορισμό Κατάλληλων Ορεινών Πεζοπορικών Προορισμών μέσω GIS και Τηλεπισκόπησης''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Machine Learning Approach to Identify Promising Mountain Hiking Destinations Using GIS and Remote Sensing''<br /> <br /> '''Συγγραφείς: ''' Lahbib Naimi, Charaf Ouaddi, Lamya Benaddi, El Mahi Bouziane, Abdeslam Jakimi, Mohamed Manaouch<br /> <br /> '''Δημοσιεύθηκε: ''' ''International Journal of Advanced Computer Science and Applications(IJACSA), Volume 15 Issue 10, 2024''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://thesai.org/Publications/ViewPaper?Volume=15&amp;Issue=10&amp;Code=IJACSA&amp;SerialNo=99]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Η παρούσα εργασία στοχεύει στον εντοπισμό και τη χαρτογράφηση δυνητικά κατάλληλων ορεινών περιοχών για υπαίθριες δραστηριότητες, όπως είναι η πεζοπορία και η ορειβασία, σε περιοχή του Μαρόκο. Συγκεκριμένα, μέσα από την αξιοποίηση των τεχνικών της μηχανικής μάθησης και των γεωγραφικών δεδομένων επιδιώκεται η ανάλυση βασικών τοπογραφικών παραμέτρων με σκοπό την ανάπτυξη ενός αξιόπιστου μοντέλου που να προβλέπει τον βιώσιμο τουριστικό σχεδιασμό της περιοχής.<br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη αφορά την περιοχή του Άτλαντα στη βορειοδυτική Αφρική, η οροσειρά του οποίου εκτείνεται από το Μαρόκο και την Αλγερία έως την Τυνησία. Συγκεκριμένα, δίνεται έμφαση στην ανατολική ζώνη του Υψηλού Άτλαντα στο νοτιοανατολικό Μαρόκο, όπου επικρατεί κλίμα που χαρακτηρίζεται από κρύους χειμώνες και ξηρά καλοκαίρια με χαμηλή βροχόπτωση (περίπου 119 έως 377 mm ετησίως) και θερμοκρασίες που κυμαίνονται από 10.2 έως 19.2°C. Επιπλέον, στην περιοχή συναντάμε υψόμετρα από 1023 έως 3687m.<br /> <br /> [[Αρχείο:Christakou2_1.png|200px|thumb|right|'''Εικόνα 1''': Περιοχή μελέτης: Ανατολικός Υψηλός Άτλαντας στο Μαρόκο.]]<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Συλλογή δεδομένων<br /> <br /> Τα δεδομένα που χρησιμοποιήθηκαν συλλέχθηκαν από επιτόπιες έρευνες, γεωλογικούς χάρτες, Google Earth images και δορυφορικές εικόνες από τον Landsat 8 OLI. Για τη διεξαγωγή της έρευνας πραγματοποιήθηκαν εκτεταμένες επισκέψεις στο σημείο ενδιαφέροντος εντοπίζοντας και μοντελοποιώντας 120 περιοχές πεζοπορικού ενδιαφέροντος. Επίσης εξετάστηκε ίσος αριθμός περιοχών που δεν πληρούν τα κριτήρια ορεινής πεζοπορίας επιδιώκοντας μια ισορροπημένη προσέγγιση.<br /> Περαιτέρω, οι βασικοί παράγοντες ελέγχου για την ορεινή πεζοπορία (Mountain Hiking Conditioning Factors – MHCFs), όπως η κλίση, το μήκος κλίσης και το υψόμετρο, που λειτουργούν ως ανεξάρτητες μεταβλητές, προσδιορίζονται και ενσωματώνονται στη μελέτη, καθώς διαδραματίζουν καθοριστικό ρόλο στον προσδιορισμό της καταλληλότητας των περιοχών πεζοπορίας. Ακόμα, δημιουργείται χάρτης καταγραφής, ο οποίος περιλαμβάνει τις 240 επιλεγμένες θέσεις και λειτουργεί ως σύνολο αναφοράς για τη διαδικασία αξιολόγησης. Από το σύνολο των δεδομένων χρησιμοποιήθηκε το 70% για εκπαίδευση και το 30% για επαλήθευση, ενώ η επεξεργασία των δεδομένων πραγματοποιήθηκε με τη χρήση των λογισμικών ArcGIS 10.5 και SPSS Statistics 26, τα οποία επέτρεψαν τη μετατροπή των γεωχωρικών δεδομένων σε μορφή πινάκων. Η διαδικασία περιλαμβάνει επίσης τον υπολογισμό λόγων συχνότητας, την κανονικοποίηση των δεδομένων, την ανάλυση χωρικών συσχετίσεων και την προετοιμασία των επιμέρους θεματικών επιπέδων, διασφαλίζοντας ότι τα δεδομένα είναι πλήρως κατάλληλα για την τελική ανάλυση. Τέλος, η επαλήθευση του μοντέλου πραγματοποιήθηκε με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under the Curve – AUC), μιας ευρέως χρησιμοποιούμενης μεθόδου σε μελέτες γεωχωρικής μοντελοποίησης για την αξιολόγηση της αξιοπιστίας των μοντέλων.<br /> <br /> [[Αρχείο:Christakou2_2.png|200px|thumb|right|'''Εικόνα 2''': Χάρτης απεικόνισης περιοχών ορεινής πεζοπορίας που επιλέχθηκαν για τη μοντελοποίηση.]]<br /> <br /> Στάδιο 2ο : Αξιολόγηση μοντέλου<br /> <br /> Η αξιολόγηση του μοντέλου γίνεται με τη χρήση της καμπύλης ROC και του εμβαδού κάτω από αυτή (Area Under Curve). Οι δείκτες αυτοί καθορίζουν την αποτελεσματικότητα του μοντέλου και παρέχουν αξιόπιστα αποτελέσματα προκειμένου να διασφαλιστεί η καταλληλότητα μιας περιοχής για ορεινή πεζοπορία.<br /> <br /> Α. Αναφορικά με τους δείκτες καταλληλότητας ορεινής πεζοπορίας (MHCFs) παρουσιάζονται οι χάρτες για κάθε έναν από αυτούς:<br /> <br /> 1. Υψόμετρο (Elevation): για τη μέτρηση του υψομέτρου χρησιμοποιούνται ευρέως τοπογραφικές μέθοδοι αποτύπωσης, δορυφορικά συστήματα προσδιορισμού θέσης (π.χ. GPS), καθώς και τεχνικές τηλεπισκόπησης, όπως το LiDAR ή τα ραντάρ.<br /> <br /> [[Αρχείο:Christakou2_3.png|200px|thumb|right|'''Εικόνα 3''': Υψόμετρο – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> <br /> 2. Κλίση (Slope): Η κλίση υπολογίζεται στο ArcGIS με βάση τη μεταβολή του υψομέτρου μεταξύ γειτονικών κελιών ενός ψηφιακού μοντέλου εδάφους (Digital Elevation Model – DEM) σε μορφή raster. Ο μαθηματικός τύπος υπολογισμού της κλίσης δίνεται από τη σχέση: Κλίση(%) = (rise/run)*100.<br /> <br /> [[Αρχείο:Christakou2_4.png|200px|thumb|right|'''Εικόνα 4''': Κλίση εδάφους – Παράγοντας Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs).]]<br /> <br /> 3. Μήκος κλίσης (LS – Length of Slope): Ο συγκεκριμένος δείκτης προκύπτει από το ψηφιακό μοντέλο εδάφους μέσα από το λογισμικό του ArcGIS και ακολουθώντας τον τύπο των Wischmeier και Smith: LS = ((L/22)^m)×(65.41〖sin⁡〗^2 (S)+4.56sin⁡(S)+0.065)<br /> όπου:<br /> <br /> - L είναι το μήκος της κλίσης,<br /> - S είναι η κλίση της επιφάνειας (εκφρασμένη ως ποσοστό),<br /> - m είναι σταθερά που μεταβάλλεται ανάλογα με το εύρος των κλίσεων.<br /> <br /> [[Αρχείο:Christakou2_5.png|200px|thumb|right|'''Εικόνα 5''': Χάρτης Παραγόντων Καταλληλότητας Ορεινής Πεζοπορίας (MHCFs): Μήκος κλίσης.]]<br /> <br /> <br /> Β. Αλγόριθμος μηχανικής μάθησης και λόγος συχνότητας (FR)<br /> <br /> 1. Για τη συγκεκριμένη μελέτη χρησιμοποιείται ο αλγόριθμος Bagging καθώς έχει την ικανότητα να αυξάνει τη σταθερότητα σε γεωχωρικά δεδομένα. Η λειτουργία του βασίζεται στην δημιουργία συνόλων εκπαίδευσης από τα αρχικά δεδομένα, μέσα από τυχαία επιλογή δειγμάτων με επανάθεση (Bootstrapping), με σκοπό την επανάληψη ή τον αποκλεισμό κάποιων παρατηρήσεων. Στη συνέχεια, με τα παραγόμενα αποτελέσματα του bootstrapping κατασκευάζονται μοντέλα που εκπαιδεύονται ανεξάρτητα ώστε να αποτυπώνουν διαφορετικά χαρακτηριστικά των δεδομένων κάθε φορά. Οι τελικές προβλέψεις προκύπτουν από τον συμψηφισμό (aggregating) των αποτελεσμάτων των επιμέρους μοντέλων.<br /> <br /> 2. Frequency Ratio Method: χρησιμοποιήθηκε για τη συσχέτιση των δεικτών καταλληλότητας περιοχών ορεινής πεζοπορίας με τη χωροθέτηση των περιοχών αυτών, με σκοπό να εντοπιστούν οι ευνοϊκότερες τοποθεσίες για την ανάπτυξη της δραστηριότητας αυτής. Όσο μεγαλύτερος είναι αυτός ο λόγος, τόσο μεγαλύτερη πιθανότητα έχουμε για κατάλληλες περιοχές εντός της γεωγραφικής κατηγορίας. <br /> <br /> Γ. Απόδοση του αλγορίθμου μέσα από την καμπύλη ROC/AUC<br /> <br /> Η ανάλυση της καμπύλης βασίστηκε στις 120 περιοχές του χάρτη και τις δυνητικά κατάλληλες περιοχές για ορεινή πεζοπορία και περιλαμβάνει τιμές ανάμεσα στο 0 και 1, όπου εάν η τιμή ισούται με 0,5 δεν παρουσιάζει διακριτική ικανότητα το μοντέλο , ενώ εάν ισουται με 1 τότε παρουσιάζει τέλεια διακριτική ικανότητα. Μέσα από τον υπολογισμό των δεικτών TP, TN, FP, FN επιτρέποντας την εκτίμηση του συμβιβασμού μεταξύ ευαισθησίας και ειδικότητας. Η τιμή AUC που είναι περίπου 0,93 δείχνει υψηλή απόδοση και αξιοπιστία του μοντέλου. Η καμπύλη ROC παρέχει οπτική απεικόνιση της απόδοσης και βοηθά στην επιλογή του βέλτιστου κατωφλίου για την ταξινόμηση των περιοχών με βάση τις απαιτήσεις της μελέτης.<br /> <br /> Δ. Συσχέτιση Περιοχών Ορεινής Πεζοπορίας με Παράγοντες Καταλληλότητας<br /> <br /> Η μελέτη ανέλυσε τη σχέση μεταξύ των περιοχών ορεινής πεζοπορίας και τριών παραγόντων καταλληλότητας χρησιμοποιώντας τον λόγο συχνότητας (Frequency Ratio – FR), με τιμές κανονικοποιημένες μεταξύ 0,1 και 0,9 για να δείξουν τη δύναμη της συσχέτισης. Οι υψηλότερες τιμές υποδηλώνουν ισχυρότερη συσχέτιση μεταξύ των περιοχών πεζοπορίας και του αντίστοιχου παράγοντα. Βάσει αυτής της ανάλυσης, ο Bagging χρησιμοποιήθηκε για τη δημιουργία χάρτη καταλληλότητας ορεινής πεζοπορίας, ο οποίος δείχνει ότι οι βόρειες και δυτικές περιοχές της μελετώμενης ζώνης είναι οι πλέον κατάλληλες για δυνητικές διαδρομές. Για την καλύτερη κατανόηση των παραγόντων που επηρεάζουν την καταλληλότητα ή μη των περιοχών, τα αποτελέσματα αξιολογήθηκαν με τη συμβολή τοπικών ειδικών και επαληθεύτηκαν με εικόνες από το Google Earth. Ο χάρτης παρέχει επίσης τα ποσοστά κάλυψης κάθε κατηγορίας καταλληλότητας, προσφέροντας σαφή απεικόνιση της χωρικής κατανομής των δυνητικών περιοχών πεζοπορίας.<br /> <br /> [[Αρχείο:Christakou2_6.png|200px|thumb|right|'''Εικόνα 6''': Κατάλληλες περιοχές για ορεινή πεζοπορία με βάση τον αλγόριθμο bagging.]]<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η απόδοση των μοντέλων μηχανικής μάθησης μπορεί να διαφέρει ανάλογα με τον αλγόριθμο που χρησιμοποιείται. Στη μελέτη αυτή, η απόδοση του Bagging αξιολογήθηκε με τη μέθοδο 10-fold cross-validation κατά τη φάση εκπαίδευσης, παρουσιάζοντας υψηλή ακρίβεια με τιμή AUC 0,97, ενώ στη φάση επικύρωσης η απόδοση μειώθηκε σε 0,93. Η υψηλή τιμή AUC υποδηλώνει ικανοποιητική προβλεπτική ικανότητα και αξιοπιστία του μοντέλου, παρά τη μικρότερη απόδοση σε σχέση με άλλες εφαρμογές όπως η πρόβλεψη περιοχών αναδασώσεων. Επιπλέον, η αξιολόγηση της καταλληλότητας των περιοχών για ορεινή πεζοπορία απαιτεί να ληφθούν υπόψη και ποιοτικοί παράγοντες πέρα από τα ποσοτικά αποτελέσματα του μοντέλου, όπως οι πολιτισμικές συνθήκες, η εμπλοκή της τοπικής κοινότητας, η ύπαρξη υποδομών πρόσβασης και σήμανσης, καθώς και η ασφάλεια και ευκολία χρήσης των διαδρομών. Περιοχές με υψηλή οικολογική ή αισθητική αξία αλλά χωρίς επαρκείς υποδομές ενδέχεται να είναι λιγότερο κατάλληλες σε σύγκριση με περιοχές που διαθέτουν καλύτερη υποστήριξη για πεζοπόρους.<br /> Η ανάλυση με τον Bagging δημιούργησε χάρτη καταλληλότητας ορεινής πεζοπορίας για την περιοχή του Άνω Ζίζ, κατηγοριοποιώντας τις περιοχές σε ακατάλληλες, κατάλληλες και πολύ κατάλληλες. Περίπου το 24% της μελετώμενης περιοχής χαρακτηρίζεται ως πολύ κατάλληλο, κυρίως στα βόρεια και δυτικά ορεινά τμήματα και κατά μήκος του φαραγγιού του Ζίζ, ενώ τα νότια θεωρούνται ακατάλληλα. Παρά τα ενθαρρυντικά αποτελέσματα, περιορισμοί όπως η ποιότητα των δεδομένων και η έλλειψη ορισμένων παραγόντων (μικροκλίμα, τύποι βλάστησης, ανθρώπινες επιδράσεις) μπορεί να επηρεάσουν την ακρίβεια του μοντέλου. <br /> <br /> [[Αρχείο:Christakou2_7.png|200px|thumb|left|'''Εικόνα 7''': Καμπύλη ρυθμού πρόβλεψης για τον χάρτη καταλληλότητας ορεινής πεζοπορίας που προέκυψε με τη μέθοδο Bagging.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι η ενσωμάτωση τοπογραφικών δεδομένων με τον αλγόριθμο Bagging αποτελεί αποτελεσματικό εργαλείο για την αναγνώριση κατάλληλων περιοχών ορεινής πεζοπορίας στην περιοχή του Άνω Ζίζ, με περίπου 24% της περιοχής να χαρακτηρίζεται πολύ κατάλληλη, κυρίως στα βόρεια, δυτικά και κατά μήκος του Ζίζ φαραγγιού. Η αξιολόγηση με την καμπύλη AUC/ROC (93%) επιβεβαίωσε την ακρίβεια και αξιοπιστία του μοντέλου, υποστηρίζοντας τεκμηριωμένες αποφάσεις για την τουριστική ανάπτυξη. Τα αποτελέσματα αναδεικνύουν τη σημασία των τεχνικών μηχανικής μάθησης στον σχεδιασμό βιώσιμου τουρισμού και προτείνουν μελλοντικές επεκτάσεις, όπως η ενσωμάτωση οικολογικών και κοινωνικο-οικονομικών δεδομένων, η συνεργασία με τοπικές κοινότητες και η εφαρμογή της μεθοδολογίας σε άλλες περιοχές για την υποστήριξη της ανάπτυξης οικοτουρισμού.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Υπολογιστικά/αλγοριθμικά θέματα]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_7.png 2026-02-01T20:08:50Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_6.png 2026-02-01T20:08:37Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_5.png 2026-02-01T20:08:25Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_4_2.png 2026-02-01T20:08:12Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_4_1.png 2026-02-01T20:07:54Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_4.png 2026-02-01T20:07:41Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_3.png 2026-02-01T20:07:30Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_2.png 2026-02-01T20:07:15Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou2_1.png 2026-02-01T20:07:04Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B1_%CE%B5%CE%AF%CE%B4%CE%B7_%CF%80%CF%84%CE%B7%CE%BD%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%B9%CE%BA%CE%B9%CE%BB%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%BC%CE%B9%CE%BA%CF%81%CE%BF-%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CE%B9%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%BC%CE%AD%CF%83%CE%B1_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1 2026-02-01T20:06:22Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Predicting bird species richness and micro-habitat diversity using satellite data''<br /> <br /> '''Συγγραφείς: ''' Ibrahim Ozdemir, Ahmet Merta, Ulas Yunus Ozkan, Sengul Aksan, Yasin Unal<br /> <br /> '''Δημοσιεύθηκε: ''' ''Forest Ecology and Management, Volume 424, 15 September 2018, Pages 483-493''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.sciencedirect.com/science/article/pii/S0378112718303359#s0075]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Μέσα από την παρούσα μελέτη διερευνάται η πιθανότητα για πρόβλεψη των διαφόρων ειδών πτηνών, καθώς και του γενικότερου μίκρο-ενδιαιτήματος σε μία περιοχή, αξιοποιώντας τη χρήση δορυφορικών δεδομένων και την ανάλυση εικόνων μέσα από τις μεταβλητές της. Αναλυτικότερα, λαμβάνονται υπόψη δύο κύριοι άξονες απεικόνισης της βιοποικιλότητας, ο πλούτος των ειδών των πτηνών στην περιοχή μελέτης και η βιοποικιλότητα του μίκρο-ενδιαιτήματος.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη των παρόντων δεικτών αφορά δάσος πεύκου (Pinus brutia Ten) στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας, με έκταση 22 km2. Πρόκειται για μια περιοχή που παρουσιάζει μεσογειακό κλίμα, δηλαδή υγρούς χειμώνες και ξηρά, ζεστά καλοκαίρια. Περαιτέρω, στη συγκεκριμένη περιοχή συναντώνται παραποτάμιες ζώνες, θαμνώδης βλάστηση και αγροτικές εκτάσεις με ήπια ανθρώπινη παρέμβαση και δραστηριότητα, καθιστώντας την ιδανική για τη μελέτη της πανίδας των πτηνών. Επιπλέον, η ύπαρξη χωρικής και δομικής ετερογένειας εξαιτίας των διαδοχικών σταδίων ανάπτυξης των συστάδων Pinus brutia, αλλά και της ποικιλίας βλάστησης, δημιουργεί ένα κατάλληλο περιβάλλον για την παρατήρηση του ενδιαιτήματος της περιοχής.<br /> <br /> [[Αρχείο:Christakou1_1.png|200px|thumb|right|'''Εικόνα 1''':Περιοχή μελέτης στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας (22 km2).]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Δειγματοληψία<br /> <br /> Τα δεδομένα λαμβάνονται από τρία διαφορετικά συστήματα παρακολούθησης της γης. Συγκεκριμένα, μέσα από τους δορυφόρους RapidEye, ASTER και SPOT-5 που καλύπτουν την περιοχή μελέτης, η δειγματοληψία γίνεται με την κατάτμησή της σε κελιά 90x90m, από τα οποία τα 40 επιλέγονται τυχαία ως δοκιμαστικές επιφάνειες. Επιπλέον, πραγματοποιήθηκε επιτόπια έρευνα προκειμένου να διαπιστωθεί εάν τα δείγματα καλύπτουν όλες τις περιπτώσεις συστάδων των Pinus brutia και όλους τους τύπους κάλυψης γης όπως αγροτικές και δασικές εκτάσεις ή θαμνώνες. Τέλος, μετά την τυχαία επιλογή, έγινε αναπροσαρμογή των δειγμάτων πέντε επιφανειών ώστε να καλύπτονται και τα πιο σπάνια ενδιαιτήματα ή λιγότερο συχνές δομές βλάστησης. Αυτό είχε ως αποτέλεσμα τα τελικά δείγματα που αφορούν τον πληθυσμό των πτηνών και την ποικιλία μίκρο-ενδιαιτήματος να είναι οικολογικά αντιπροσωπευτικά.<br /> <br /> Στάδιο 2ο : Συλλογή επιτόπιων δεδομένων βιοποικιλότητας<br /> <br /> Στο δεύτερο στάδιο της μεθοδολογίας πραγματοποιήθηκε η συλλογή επιτόπιων δεδομένων βιοποικιλότητας, τα οποία χρησιμοποιήθηκαν ως μεταβλητές απόκρισης (response variables) για τη διερεύνηση της σχέσης τους με τηλεπισκοπικούς δείκτες βλάστησης και χωρικής υφής. Συγκεκριμένα, εκτιμήθηκαν ο πλούτος ειδών πτηνών (Bird Species richness – BS richness) και η ποικιλότητα μίκρο-ενδιαιτημάτων (Micro-habitat diversity – MH diversity) σε κάθε δειγματοληπτική επιφάνεια.<br /> Η καταγραφή των πτηνών έγινε με τη μέθοδο σημειακών καταμετρήσεων (point count) σε κάθε δειγματοληπτική επιφάνεια, επαναλαμβανόμενα καθ’ όλη τη διάρκεια ενός έτους (Μάρτιος 2016 – Φεβρουάριος 2017) για να καλυφθούν αναπαραγωγική και μη αναπαραγωγική περίοδος. Κάθε επίσκεψη διήρκησε 15 λεπτά, με συνολικά 12 επαναλήψεις ανά επιφάνεια από δύο έμπειρους παρατηρητές, υπό ευνοϊκές καιρικές συνθήκες και χωρίς δασικές παρεμβάσεις. Συνολικά καταγράφηκαν 76 είδη, και ο πλούτος ειδών (BS richness) υπολογίστηκε ως ο αριθμός ειδών ανά επιφάνεια.<br /> Η ποικιλότητα μικρο-ενδιαιτημάτων εκτιμήθηκε επιτόπια για την αποτύπωση της δομικής και λειτουργικής ετερογένειας του οικοσυστήματος σε μικρή κλίμακα, η οποία επηρεάζει τον πλούτο και την κατανομή των πτηνών. Καταγράφηκαν 26 τύποι μικρο-ενδιαιτημάτων (18 δενδρικά, 8 μη δενδρικά), που λειτουργούν ως φωλεοποιητικοί χώροι, καταφύγια και πηγές τροφής/νερού. Η ποικιλότητα ποσοτικοποιήθηκε με δείκτες που λαμβάνουν υπόψη αριθμό και λειτουργική διαφοροποίηση, με ομαδοποίηση σε λειτουργικές κατηγορίες ανά οικολογικό ρόλο.<br /> <br /> [[Αρχείο:Christakou1_2.jpg|200px|thumb|right|'''Εικόνα 2''': Κατηγορίες μικρο-ενδιαιτημάτων για 26 διαφορετικούς τύπους.]]<br /> <br /> Στάδιο 3ο Τηλεπισκοπικά δεδομένα και χωρικοί δείκτες ετερογένειας τοπίου<br /> <br /> Για τη μείωση των εποχικών διαφοροποιήσεων, επιλέχθηκαν δορυφορικές εικόνες του ίδιου έτους και βλαστητικής περιόδου από τους δορυφόρους RapidEye (6,5 m, 16/08/2014), SPOT-5 (10 m, 04/07/2014) και ASTER (15 m, 26/08/2014). Οι εικόνες αποκόπηκαν στα όρια της περιοχής μελέτης (22,2 km²) και γεωαναφέρθηκαν χρησιμοποιώντας GCPs με RMSE &lt; 7,4 m, ενώ οι εικόνες SPOT-5 και ASTER προσαρμόστηκαν στη RapidEye.<br /> Για την εκτίμηση της βλάστησης υπολογίστηκε ο NDVI από τις ζώνες του ερυθρού και του εγγύς υπέρυθρου φάσματος. Από τον NDVI υπολογίστηκαν δείκτες πρώτης τάξης (STD – Τυπική Απόκλιση των τιμών NDVI) και δεύτερης τάξης μέσω GLCM (Contrast, Entropy, Correlation) σε τέσσερις κατευθύνσεις (0°, 45°, 90°, 135°) και απόσταση ενός εικονοστοιχείου. Οι τιμές των δεικτών προέκυψαν ως μέσοι όροι των κατευθύνσεων.<br /> Οι δείκτες υφής χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές για την πρόβλεψη του πλούτου ειδών πτηνών (BS richness) και της ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) μέσω πολλαπλής γραμμικής παλινδρόμησης. Η καταλληλότητα των μοντέλων ελέγχθηκε για γραμμικότητα, ομοσκεδαστικότητα, κανονικότητα υπολειμμάτων και πολυσυγγραμμικότητα (VIF &lt; 5).<br /> Η αξιολόγηση της προβλεπτικής ικανότητας έγινε με 4-fold cross-validation, χωρίζοντας τις 40 δειγματοληπτικές επιφάνειες σε 4 υποσύνολα των 10. Σε κάθε επανάληψη το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπολοίπων 10, επαναλαμβανόμενη ώστε κάθε επιφάνεια να ελεγχθεί μία φορά.<br /> <br /> [[Αρχείο:Christakou1_3.jpg|200px|thumb|right|'''Εικόνα 3''': Διάγραμμα ροής που περιγράφει τα βήματα της μελέτης για τη δημιουργία χάρτη βιοποικιλότητας με βάση δορυφορικά δεδομένα.]]<br /> <br /> Στάδιο 4ο : Στατιστική ανάλυση<br /> <br /> Οι συσχετίσεις μεταξύ πλούτου ειδών πτηνών (BS richness), ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) και δεικτών υφής εικόνας εξετάστηκαν αρχικά με ανάλυση Pearson (p = 0,05). Στη συνέχεια, χρησιμοποιήθηκε πολλαπλή γραμμική παλινδρόμηση για την πρόβλεψη των BS richness και MH diversity ως συνάρτηση των δεικτών υφής.<br /> Η σταθερότητα των μοντέλων ελέγχθηκε με:<br /> <br /> - έλεγχο γραμμικότητας μέσω scatterplots<br /> <br /> - έλεγχο ετεροσκεδαστικότητας των υπολειμμάτων<br /> <br /> - έλεγχο κανονικότητας υπολειμμάτων με QQ plots και Shapiro–Wilk test<br /> <br /> - αποκλεισμό μεταβλητών με VIF &gt; 5<br /> <br /> Επιπλέον, πραγματοποιήθηκε 4-fold cross-validation, όπου οι 40 δειγματοληπτικές επιφάνειες χωρίστηκαν σε 4 ομάδες των 10. Το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπόλοιπων 10. Η διαδικασία επαναλήφθηκε ώστε κάθε επιφάνεια να έχει εκτιμηθεί μία φορά. Τα προβλεπόμενα αποτελέσματα συγκρίθηκαν με τις πραγματικές τιμές από τις μετρήσεις πεδίου για αξιολόγηση της ακρίβειας των μοντέλων.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81.<br /> Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας.<br /> Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα.<br /> Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.<br /> <br /> [[Αρχείο:Christakou1_4.png|200px|thumb|right|'''Εικόνα 4''': Σύγκριση του πλούτου ειδών πτηνών (BS richness) που μετρήθηκε στο πεδίο με τον προβλεπόμενο από τα μοντέλα και τα σφάλματα πρόβλεψης.]]<br /> <br /> [[Αρχείο:Christakou1_5.png|200px|thumb|right|'''Εικόνα 5''': Συγκριτική απεικόνιση της επιτόπιας μετρημένης ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) με την προβλεπόμενη από τα μοντέλα.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.<br /> <br /> [[Αρχείο:Christakou1_6.png|200px|thumb|left|'''Εικόνα 6''': Χάρτης πλούτου ειδών πτηνών βασισμένος στην Τυπική Απόκλιση (STD) και την Ομοιογένεια (Homogeneity) του NDVI από εικόνες RapidEye.]]<br /> <br /> [[Αρχείο:Christakou1_6_(2).png|200px|thumb|left|'''Εικόνα 7''': Χάρτης ποικιλότητας μικρο-ενδιαιτημάτων βασισμένος στην Τυπική Απόκλιση (STD) και τη Συσχέτιση (Correlation) του NDVI από εικόνες SPOT.]]<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B1_%CE%B5%CE%AF%CE%B4%CE%B7_%CF%80%CF%84%CE%B7%CE%BD%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%B9%CE%BA%CE%B9%CE%BB%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%BC%CE%B9%CE%BA%CF%81%CE%BF-%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CE%B9%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%BC%CE%AD%CF%83%CE%B1_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1 2026-02-01T20:04:41Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Predicting bird species richness and micro-habitat diversity using satellite data''<br /> <br /> '''Συγγραφείς: ''' Ibrahim Ozdemir, Ahmet Merta, Ulas Yunus Ozkan, Sengul Aksan, Yasin Unal<br /> <br /> '''Δημοσιεύθηκε: ''' ''Forest Ecology and Management, Volume 424, 15 September 2018, Pages 483-493''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.sciencedirect.com/science/article/pii/S0378112718303359#s0075]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Μέσα από την παρούσα μελέτη διερευνάται η πιθανότητα για πρόβλεψη των διαφόρων ειδών πτηνών, καθώς και του γενικότερου μίκρο-ενδιαιτήματος σε μία περιοχή, αξιοποιώντας τη χρήση δορυφορικών δεδομένων και την ανάλυση εικόνων μέσα από τις μεταβλητές της. Αναλυτικότερα, λαμβάνονται υπόψη δύο κύριοι άξονες απεικόνισης της βιοποικιλότητας, ο πλούτος των ειδών των πτηνών στην περιοχή μελέτης και η βιοποικιλότητα του μίκρο-ενδιαιτήματος.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη των παρόντων δεικτών αφορά δάσος πεύκου (Pinus brutia Ten) στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας, με έκταση 22 km2. Πρόκειται για μια περιοχή που παρουσιάζει μεσογειακό κλίμα, δηλαδή υγρούς χειμώνες και ξηρά, ζεστά καλοκαίρια. Περαιτέρω, στη συγκεκριμένη περιοχή συναντώνται παραποτάμιες ζώνες, θαμνώδης βλάστηση και αγροτικές εκτάσεις με ήπια ανθρώπινη παρέμβαση και δραστηριότητα, καθιστώντας την ιδανική για τη μελέτη της πανίδας των πτηνών. Επιπλέον, η ύπαρξη χωρικής και δομικής ετερογένειας εξαιτίας των διαδοχικών σταδίων ανάπτυξης των συστάδων Pinus brutia, αλλά και της ποικιλίας βλάστησης, δημιουργεί ένα κατάλληλο περιβάλλον για την παρατήρηση του ενδιαιτήματος της περιοχής.<br /> <br /> [[Αρχείο:Christakou1_1.png|200px|thumb|right|'''Εικόνα 1''':Περιοχή μελέτης στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας (22 km2).]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Δειγματοληψία<br /> <br /> Τα δεδομένα λαμβάνονται από τρία διαφορετικά συστήματα παρακολούθησης της γης. Συγκεκριμένα, μέσα από τους δορυφόρους RapidEye, ASTER και SPOT-5 που καλύπτουν την περιοχή μελέτης, η δειγματοληψία γίνεται με την κατάτμησή της σε κελιά 90x90m, από τα οποία τα 40 επιλέγονται τυχαία ως δοκιμαστικές επιφάνειες. Επιπλέον, πραγματοποιήθηκε επιτόπια έρευνα προκειμένου να διαπιστωθεί εάν τα δείγματα καλύπτουν όλες τις περιπτώσεις συστάδων των Pinus brutia και όλους τους τύπους κάλυψης γης όπως αγροτικές και δασικές εκτάσεις ή θαμνώνες. Τέλος, μετά την τυχαία επιλογή, έγινε αναπροσαρμογή των δειγμάτων πέντε επιφανειών ώστε να καλύπτονται και τα πιο σπάνια ενδιαιτήματα ή λιγότερο συχνές δομές βλάστησης. Αυτό είχε ως αποτέλεσμα τα τελικά δείγματα που αφορούν τον πληθυσμό των πτηνών και την ποικιλία μίκρο-ενδιαιτήματος να είναι οικολογικά αντιπροσωπευτικά.<br /> <br /> Στάδιο 2ο : Συλλογή επιτόπιων δεδομένων βιοποικιλότητας<br /> <br /> Στο δεύτερο στάδιο της μεθοδολογίας πραγματοποιήθηκε η συλλογή επιτόπιων δεδομένων βιοποικιλότητας, τα οποία χρησιμοποιήθηκαν ως μεταβλητές απόκρισης (response variables) για τη διερεύνηση της σχέσης τους με τηλεπισκοπικούς δείκτες βλάστησης και χωρικής υφής. Συγκεκριμένα, εκτιμήθηκαν ο πλούτος ειδών πτηνών (Bird Species richness – BS richness) και η ποικιλότητα μίκρο-ενδιαιτημάτων (Micro-habitat diversity – MH diversity) σε κάθε δειγματοληπτική επιφάνεια.<br /> Η καταγραφή των πτηνών έγινε με τη μέθοδο σημειακών καταμετρήσεων (point count) σε κάθε δειγματοληπτική επιφάνεια, επαναλαμβανόμενα καθ’ όλη τη διάρκεια ενός έτους (Μάρτιος 2016 – Φεβρουάριος 2017) για να καλυφθούν αναπαραγωγική και μη αναπαραγωγική περίοδος. Κάθε επίσκεψη διήρκησε 15 λεπτά, με συνολικά 12 επαναλήψεις ανά επιφάνεια από δύο έμπειρους παρατηρητές, υπό ευνοϊκές καιρικές συνθήκες και χωρίς δασικές παρεμβάσεις. Συνολικά καταγράφηκαν 76 είδη, και ο πλούτος ειδών (BS richness) υπολογίστηκε ως ο αριθμός ειδών ανά επιφάνεια.<br /> Η ποικιλότητα μικρο-ενδιαιτημάτων εκτιμήθηκε επιτόπια για την αποτύπωση της δομικής και λειτουργικής ετερογένειας του οικοσυστήματος σε μικρή κλίμακα, η οποία επηρεάζει τον πλούτο και την κατανομή των πτηνών. Καταγράφηκαν 26 τύποι μικρο-ενδιαιτημάτων (18 δενδρικά, 8 μη δενδρικά), που λειτουργούν ως φωλεοποιητικοί χώροι, καταφύγια και πηγές τροφής/νερού. Η ποικιλότητα ποσοτικοποιήθηκε με δείκτες που λαμβάνουν υπόψη αριθμό και λειτουργική διαφοροποίηση, με ομαδοποίηση σε λειτουργικές κατηγορίες ανά οικολογικό ρόλο.<br /> <br /> [[Αρχείο:Christakou1_2.jpg|200px|thumb|right|'''Εικόνα 2''': Κατηγορίες μικρο-ενδιαιτημάτων για 26 διαφορετικούς τύπους.]]<br /> <br /> Στάδιο 3ο Τηλεπισκοπικά δεδομένα και χωρικοί δείκτες ετερογένειας τοπίου<br /> <br /> Για τη μείωση των εποχικών διαφοροποιήσεων, επιλέχθηκαν δορυφορικές εικόνες του ίδιου έτους και βλαστητικής περιόδου από τους δορυφόρους RapidEye (6,5 m, 16/08/2014), SPOT-5 (10 m, 04/07/2014) και ASTER (15 m, 26/08/2014). Οι εικόνες αποκόπηκαν στα όρια της περιοχής μελέτης (22,2 km²) και γεωαναφέρθηκαν χρησιμοποιώντας GCPs με RMSE &lt; 7,4 m, ενώ οι εικόνες SPOT-5 και ASTER προσαρμόστηκαν στη RapidEye.<br /> Για την εκτίμηση της βλάστησης υπολογίστηκε ο NDVI από τις ζώνες του ερυθρού και του εγγύς υπέρυθρου φάσματος. Από τον NDVI υπολογίστηκαν δείκτες πρώτης τάξης (STD – Τυπική Απόκλιση των τιμών NDVI) και δεύτερης τάξης μέσω GLCM (Contrast, Entropy, Correlation) σε τέσσερις κατευθύνσεις (0°, 45°, 90°, 135°) και απόσταση ενός εικονοστοιχείου. Οι τιμές των δεικτών προέκυψαν ως μέσοι όροι των κατευθύνσεων.<br /> Οι δείκτες υφής χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές για την πρόβλεψη του πλούτου ειδών πτηνών (BS richness) και της ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) μέσω πολλαπλής γραμμικής παλινδρόμησης. Η καταλληλότητα των μοντέλων ελέγχθηκε για γραμμικότητα, ομοσκεδαστικότητα, κανονικότητα υπολειμμάτων και πολυσυγγραμμικότητα (VIF &lt; 5).<br /> Η αξιολόγηση της προβλεπτικής ικανότητας έγινε με 4-fold cross-validation, χωρίζοντας τις 40 δειγματοληπτικές επιφάνειες σε 4 υποσύνολα των 10. Σε κάθε επανάληψη το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπολοίπων 10, επαναλαμβανόμενη ώστε κάθε επιφάνεια να ελεγχθεί μία φορά.<br /> <br /> [[Αρχείο:Christakou1_3.jpg|200px|thumb|right|'''Εικόνα 3''': Διάγραμμα ροής που περιγράφει τα βήματα της μελέτης για τη δημιουργία χάρτη βιοποικιλότητας με βάση δορυφορικά δεδομένα.]]<br /> <br /> Στάδιο 4ο : Στατιστική ανάλυση<br /> <br /> Οι συσχετίσεις μεταξύ πλούτου ειδών πτηνών (BS richness), ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) και δεικτών υφής εικόνας εξετάστηκαν αρχικά με ανάλυση Pearson (p = 0,05). Στη συνέχεια, χρησιμοποιήθηκε πολλαπλή γραμμική παλινδρόμηση για την πρόβλεψη των BS richness και MH diversity ως συνάρτηση των δεικτών υφής.<br /> Η σταθερότητα των μοντέλων ελέγχθηκε με:<br /> <br /> - έλεγχο γραμμικότητας μέσω scatterplots<br /> <br /> - έλεγχο ετεροσκεδαστικότητας των υπολειμμάτων<br /> <br /> - έλεγχο κανονικότητας υπολειμμάτων με QQ plots και Shapiro–Wilk test<br /> <br /> - αποκλεισμό μεταβλητών με VIF &gt; 5<br /> <br /> Επιπλέον, πραγματοποιήθηκε 4-fold cross-validation, όπου οι 40 δειγματοληπτικές επιφάνειες χωρίστηκαν σε 4 ομάδες των 10. Το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπόλοιπων 10. Η διαδικασία επαναλήφθηκε ώστε κάθε επιφάνεια να έχει εκτιμηθεί μία φορά. Τα προβλεπόμενα αποτελέσματα συγκρίθηκαν με τις πραγματικές τιμές από τις μετρήσεις πεδίου για αξιολόγηση της ακρίβειας των μοντέλων.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81.<br /> Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας.<br /> Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα.<br /> Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.<br /> <br /> [[Αρχείο:Christakou1_4.png|200px|thumb|left|'''Εικόνα 4''': Σύγκριση του πλούτου ειδών πτηνών (BS richness) που μετρήθηκε στο πεδίο με τον προβλεπόμενο από τα μοντέλα και τα σφάλματα πρόβλεψης.]]<br /> <br /> [[Αρχείο:Christakou1_5.png|200px|thumb|center|'''Εικόνα 5''': Συγκριτική απεικόνιση της επιτόπιας μετρημένης ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) με την προβλεπόμενη από τα μοντέλα.]]<br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.<br /> <br /> [[Αρχείο:Christakou1_6.png|200px|thumb|left|'''Εικόνα 6''': Χάρτης πλούτου ειδών πτηνών βασισμένος στην Τυπική Απόκλιση (STD) και την Ομοιογένεια (Homogeneity) του NDVI από εικόνες RapidEye.]]<br /> <br /> [[Αρχείο:Christakou1_6_(2).png|200px|thumb|center|'''Εικόνα 7''': Χάρτης ποικιλότητας μικρο-ενδιαιτημάτων βασισμένος στην Τυπική Απόκλιση (STD) και τη Συσχέτιση (Correlation) του NDVI από εικόνες SPOT.]]<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B1_%CE%B5%CE%AF%CE%B4%CE%B7_%CF%80%CF%84%CE%B7%CE%BD%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%B9%CE%BA%CE%B9%CE%BB%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%BC%CE%B9%CE%BA%CF%81%CE%BF-%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CE%B9%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%BC%CE%AD%CF%83%CE%B1_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1 2026-02-01T20:04:00Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Predicting bird species richness and micro-habitat diversity using satellite data''<br /> <br /> '''Συγγραφείς: ''' Ibrahim Ozdemir, Ahmet Merta, Ulas Yunus Ozkan, Sengul Aksan, Yasin Unal<br /> <br /> '''Δημοσιεύθηκε: ''' ''Forest Ecology and Management, Volume 424, 15 September 2018, Pages 483-493''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.sciencedirect.com/science/article/pii/S0378112718303359#s0075]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Μέσα από την παρούσα μελέτη διερευνάται η πιθανότητα για πρόβλεψη των διαφόρων ειδών πτηνών, καθώς και του γενικότερου μίκρο-ενδιαιτήματος σε μία περιοχή, αξιοποιώντας τη χρήση δορυφορικών δεδομένων και την ανάλυση εικόνων μέσα από τις μεταβλητές της. Αναλυτικότερα, λαμβάνονται υπόψη δύο κύριοι άξονες απεικόνισης της βιοποικιλότητας, ο πλούτος των ειδών των πτηνών στην περιοχή μελέτης και η βιοποικιλότητα του μίκρο-ενδιαιτήματος.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη των παρόντων δεικτών αφορά δάσος πεύκου (Pinus brutia Ten) στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας, με έκταση 22 km2. Πρόκειται για μια περιοχή που παρουσιάζει μεσογειακό κλίμα, δηλαδή υγρούς χειμώνες και ξηρά, ζεστά καλοκαίρια. Περαιτέρω, στη συγκεκριμένη περιοχή συναντώνται παραποτάμιες ζώνες, θαμνώδης βλάστηση και αγροτικές εκτάσεις με ήπια ανθρώπινη παρέμβαση και δραστηριότητα, καθιστώντας την ιδανική για τη μελέτη της πανίδας των πτηνών. Επιπλέον, η ύπαρξη χωρικής και δομικής ετερογένειας εξαιτίας των διαδοχικών σταδίων ανάπτυξης των συστάδων Pinus brutia, αλλά και της ποικιλίας βλάστησης, δημιουργεί ένα κατάλληλο περιβάλλον για την παρατήρηση του ενδιαιτήματος της περιοχής.<br /> <br /> [[Αρχείο:Christakou1_1.png|200px|thumb|right|'''Εικόνα 1''':Περιοχή μελέτης στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας (22 km2).]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Δειγματοληψία<br /> <br /> Τα δεδομένα λαμβάνονται από τρία διαφορετικά συστήματα παρακολούθησης της γης. Συγκεκριμένα, μέσα από τους δορυφόρους RapidEye, ASTER και SPOT-5 που καλύπτουν την περιοχή μελέτης, η δειγματοληψία γίνεται με την κατάτμησή της σε κελιά 90x90m, από τα οποία τα 40 επιλέγονται τυχαία ως δοκιμαστικές επιφάνειες. Επιπλέον, πραγματοποιήθηκε επιτόπια έρευνα προκειμένου να διαπιστωθεί εάν τα δείγματα καλύπτουν όλες τις περιπτώσεις συστάδων των Pinus brutia και όλους τους τύπους κάλυψης γης όπως αγροτικές και δασικές εκτάσεις ή θαμνώνες. Τέλος, μετά την τυχαία επιλογή, έγινε αναπροσαρμογή των δειγμάτων πέντε επιφανειών ώστε να καλύπτονται και τα πιο σπάνια ενδιαιτήματα ή λιγότερο συχνές δομές βλάστησης. Αυτό είχε ως αποτέλεσμα τα τελικά δείγματα που αφορούν τον πληθυσμό των πτηνών και την ποικιλία μίκρο-ενδιαιτήματος να είναι οικολογικά αντιπροσωπευτικά.<br /> <br /> Στάδιο 2ο : Συλλογή επιτόπιων δεδομένων βιοποικιλότητας<br /> <br /> Στο δεύτερο στάδιο της μεθοδολογίας πραγματοποιήθηκε η συλλογή επιτόπιων δεδομένων βιοποικιλότητας, τα οποία χρησιμοποιήθηκαν ως μεταβλητές απόκρισης (response variables) για τη διερεύνηση της σχέσης τους με τηλεπισκοπικούς δείκτες βλάστησης και χωρικής υφής. Συγκεκριμένα, εκτιμήθηκαν ο πλούτος ειδών πτηνών (Bird Species richness – BS richness) και η ποικιλότητα μίκρο-ενδιαιτημάτων (Micro-habitat diversity – MH diversity) σε κάθε δειγματοληπτική επιφάνεια.<br /> Η καταγραφή των πτηνών έγινε με τη μέθοδο σημειακών καταμετρήσεων (point count) σε κάθε δειγματοληπτική επιφάνεια, επαναλαμβανόμενα καθ’ όλη τη διάρκεια ενός έτους (Μάρτιος 2016 – Φεβρουάριος 2017) για να καλυφθούν αναπαραγωγική και μη αναπαραγωγική περίοδος. Κάθε επίσκεψη διήρκησε 15 λεπτά, με συνολικά 12 επαναλήψεις ανά επιφάνεια από δύο έμπειρους παρατηρητές, υπό ευνοϊκές καιρικές συνθήκες και χωρίς δασικές παρεμβάσεις. Συνολικά καταγράφηκαν 76 είδη, και ο πλούτος ειδών (BS richness) υπολογίστηκε ως ο αριθμός ειδών ανά επιφάνεια.<br /> Η ποικιλότητα μικρο-ενδιαιτημάτων εκτιμήθηκε επιτόπια για την αποτύπωση της δομικής και λειτουργικής ετερογένειας του οικοσυστήματος σε μικρή κλίμακα, η οποία επηρεάζει τον πλούτο και την κατανομή των πτηνών. Καταγράφηκαν 26 τύποι μικρο-ενδιαιτημάτων (18 δενδρικά, 8 μη δενδρικά), που λειτουργούν ως φωλεοποιητικοί χώροι, καταφύγια και πηγές τροφής/νερού. Η ποικιλότητα ποσοτικοποιήθηκε με δείκτες που λαμβάνουν υπόψη αριθμό και λειτουργική διαφοροποίηση, με ομαδοποίηση σε λειτουργικές κατηγορίες ανά οικολογικό ρόλο.<br /> <br /> [[Αρχείο:Christakou1_2.jpg|200px|thumb|right|'''Εικόνα 2''': Κατηγορίες μικρο-ενδιαιτημάτων για 26 διαφορετικούς τύπους.]]<br /> <br /> Στάδιο 3ο Τηλεπισκοπικά δεδομένα και χωρικοί δείκτες ετερογένειας τοπίου<br /> <br /> Για τη μείωση των εποχικών διαφοροποιήσεων, επιλέχθηκαν δορυφορικές εικόνες του ίδιου έτους και βλαστητικής περιόδου από τους δορυφόρους RapidEye (6,5 m, 16/08/2014), SPOT-5 (10 m, 04/07/2014) και ASTER (15 m, 26/08/2014). Οι εικόνες αποκόπηκαν στα όρια της περιοχής μελέτης (22,2 km²) και γεωαναφέρθηκαν χρησιμοποιώντας GCPs με RMSE &lt; 7,4 m, ενώ οι εικόνες SPOT-5 και ASTER προσαρμόστηκαν στη RapidEye.<br /> Για την εκτίμηση της βλάστησης υπολογίστηκε ο NDVI από τις ζώνες του ερυθρού και του εγγύς υπέρυθρου φάσματος. Από τον NDVI υπολογίστηκαν δείκτες πρώτης τάξης (STD – Τυπική Απόκλιση των τιμών NDVI) και δεύτερης τάξης μέσω GLCM (Contrast, Entropy, Correlation) σε τέσσερις κατευθύνσεις (0°, 45°, 90°, 135°) και απόσταση ενός εικονοστοιχείου. Οι τιμές των δεικτών προέκυψαν ως μέσοι όροι των κατευθύνσεων.<br /> Οι δείκτες υφής χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές για την πρόβλεψη του πλούτου ειδών πτηνών (BS richness) και της ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) μέσω πολλαπλής γραμμικής παλινδρόμησης. Η καταλληλότητα των μοντέλων ελέγχθηκε για γραμμικότητα, ομοσκεδαστικότητα, κανονικότητα υπολειμμάτων και πολυσυγγραμμικότητα (VIF &lt; 5).<br /> Η αξιολόγηση της προβλεπτικής ικανότητας έγινε με 4-fold cross-validation, χωρίζοντας τις 40 δειγματοληπτικές επιφάνειες σε 4 υποσύνολα των 10. Σε κάθε επανάληψη το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπολοίπων 10, επαναλαμβανόμενη ώστε κάθε επιφάνεια να ελεγχθεί μία φορά.<br /> <br /> [[Αρχείο:Christakou1_3.jpg|200px|thumb|right|'''Εικόνα 3''': Διάγραμμα ροής που περιγράφει τα βήματα της μελέτης για τη δημιουργία χάρτη βιοποικιλότητας με βάση δορυφορικά δεδομένα.]]<br /> <br /> Στάδιο 4ο : Στατιστική ανάλυση<br /> <br /> Οι συσχετίσεις μεταξύ πλούτου ειδών πτηνών (BS richness), ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) και δεικτών υφής εικόνας εξετάστηκαν αρχικά με ανάλυση Pearson (p = 0,05). Στη συνέχεια, χρησιμοποιήθηκε πολλαπλή γραμμική παλινδρόμηση για την πρόβλεψη των BS richness και MH diversity ως συνάρτηση των δεικτών υφής.<br /> Η σταθερότητα των μοντέλων ελέγχθηκε με:<br /> <br /> - έλεγχο γραμμικότητας μέσω scatterplots<br /> <br /> - έλεγχο ετεροσκεδαστικότητας των υπολειμμάτων<br /> <br /> - έλεγχο κανονικότητας υπολειμμάτων με QQ plots και Shapiro–Wilk test<br /> <br /> - αποκλεισμό μεταβλητών με VIF &gt; 5<br /> <br /> Επιπλέον, πραγματοποιήθηκε 4-fold cross-validation, όπου οι 40 δειγματοληπτικές επιφάνειες χωρίστηκαν σε 4 ομάδες των 10. Το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπόλοιπων 10. Η διαδικασία επαναλήφθηκε ώστε κάθε επιφάνεια να έχει εκτιμηθεί μία φορά. Τα προβλεπόμενα αποτελέσματα συγκρίθηκαν με τις πραγματικές τιμές από τις μετρήσεις πεδίου για αξιολόγηση της ακρίβειας των μοντέλων.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81.<br /> Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας.<br /> Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα.<br /> Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.<br /> <br /> [[Αρχείο:Christakou1_4.png|200px|thumb|left|'''Εικόνα 4''': Σύγκριση του πλούτου ειδών πτηνών (BS richness) που μετρήθηκε στο πεδίο με τον προβλεπόμενο από τα μοντέλα και τα σφάλματα πρόβλεψης.]]<br /> <br /> [[Αρχείο:Christakou1_5.png|200px|thumb|left|'''Εικόνα 5''': Συγκριτική απεικόνιση της επιτόπιας μετρημένης ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) με την προβλεπόμενη από τα μοντέλα.]]<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.<br /> <br /> [[Αρχείο:Christakou1_6.png|200px|thumb|left|'''Εικόνα 6''': Χάρτης πλούτου ειδών πτηνών βασισμένος στην Τυπική Απόκλιση (STD) και την Ομοιογένεια (Homogeneity) του NDVI από εικόνες RapidEye.]]<br /> <br /> [[Αρχείο:Christakou1_6_(2).png|200px|thumb|left|'''Εικόνα 7''': Χάρτης ποικιλότητας μικρο-ενδιαιτημάτων βασισμένος στην Τυπική Απόκλιση (STD) και τη Συσχέτιση (Correlation) του NDVI από εικόνες SPOT.]]<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B1_%CE%B5%CE%AF%CE%B4%CE%B7_%CF%80%CF%84%CE%B7%CE%BD%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%B9%CE%BA%CE%B9%CE%BB%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%BC%CE%B9%CE%BA%CF%81%CE%BF-%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CE%B9%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%BC%CE%AD%CF%83%CE%B1_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1 2026-02-01T20:03:28Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Predicting bird species richness and micro-habitat diversity using satellite data''<br /> <br /> '''Συγγραφείς: ''' Ibrahim Ozdemir, Ahmet Merta, Ulas Yunus Ozkan, Sengul Aksan, Yasin Unal<br /> <br /> '''Δημοσιεύθηκε: ''' ''Forest Ecology and Management, Volume 424, 15 September 2018, Pages 483-493''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.sciencedirect.com/science/article/pii/S0378112718303359#s0075]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Μέσα από την παρούσα μελέτη διερευνάται η πιθανότητα για πρόβλεψη των διαφόρων ειδών πτηνών, καθώς και του γενικότερου μίκρο-ενδιαιτήματος σε μία περιοχή, αξιοποιώντας τη χρήση δορυφορικών δεδομένων και την ανάλυση εικόνων μέσα από τις μεταβλητές της. Αναλυτικότερα, λαμβάνονται υπόψη δύο κύριοι άξονες απεικόνισης της βιοποικιλότητας, ο πλούτος των ειδών των πτηνών στην περιοχή μελέτης και η βιοποικιλότητα του μίκρο-ενδιαιτήματος.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη των παρόντων δεικτών αφορά δάσος πεύκου (Pinus brutia Ten) στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας, με έκταση 22 km2. Πρόκειται για μια περιοχή που παρουσιάζει μεσογειακό κλίμα, δηλαδή υγρούς χειμώνες και ξηρά, ζεστά καλοκαίρια. Περαιτέρω, στη συγκεκριμένη περιοχή συναντώνται παραποτάμιες ζώνες, θαμνώδης βλάστηση και αγροτικές εκτάσεις με ήπια ανθρώπινη παρέμβαση και δραστηριότητα, καθιστώντας την ιδανική για τη μελέτη της πανίδας των πτηνών. Επιπλέον, η ύπαρξη χωρικής και δομικής ετερογένειας εξαιτίας των διαδοχικών σταδίων ανάπτυξης των συστάδων Pinus brutia, αλλά και της ποικιλίας βλάστησης, δημιουργεί ένα κατάλληλο περιβάλλον για την παρατήρηση του ενδιαιτήματος της περιοχής.<br /> <br /> [[Αρχείο:Christakou1_1.png|200px|thumb|right|'''Εικόνα 1''':Περιοχή μελέτης στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας (22 km2).]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Δειγματοληψία<br /> <br /> Τα δεδομένα λαμβάνονται από τρία διαφορετικά συστήματα παρακολούθησης της γης. Συγκεκριμένα, μέσα από τους δορυφόρους RapidEye, ASTER και SPOT-5 που καλύπτουν την περιοχή μελέτης, η δειγματοληψία γίνεται με την κατάτμησή της σε κελιά 90x90m, από τα οποία τα 40 επιλέγονται τυχαία ως δοκιμαστικές επιφάνειες. Επιπλέον, πραγματοποιήθηκε επιτόπια έρευνα προκειμένου να διαπιστωθεί εάν τα δείγματα καλύπτουν όλες τις περιπτώσεις συστάδων των Pinus brutia και όλους τους τύπους κάλυψης γης όπως αγροτικές και δασικές εκτάσεις ή θαμνώνες. Τέλος, μετά την τυχαία επιλογή, έγινε αναπροσαρμογή των δειγμάτων πέντε επιφανειών ώστε να καλύπτονται και τα πιο σπάνια ενδιαιτήματα ή λιγότερο συχνές δομές βλάστησης. Αυτό είχε ως αποτέλεσμα τα τελικά δείγματα που αφορούν τον πληθυσμό των πτηνών και την ποικιλία μίκρο-ενδιαιτήματος να είναι οικολογικά αντιπροσωπευτικά.<br /> <br /> Στάδιο 2ο : Συλλογή επιτόπιων δεδομένων βιοποικιλότητας<br /> <br /> Στο δεύτερο στάδιο της μεθοδολογίας πραγματοποιήθηκε η συλλογή επιτόπιων δεδομένων βιοποικιλότητας, τα οποία χρησιμοποιήθηκαν ως μεταβλητές απόκρισης (response variables) για τη διερεύνηση της σχέσης τους με τηλεπισκοπικούς δείκτες βλάστησης και χωρικής υφής. Συγκεκριμένα, εκτιμήθηκαν ο πλούτος ειδών πτηνών (Bird Species richness – BS richness) και η ποικιλότητα μίκρο-ενδιαιτημάτων (Micro-habitat diversity – MH diversity) σε κάθε δειγματοληπτική επιφάνεια.<br /> Η καταγραφή των πτηνών έγινε με τη μέθοδο σημειακών καταμετρήσεων (point count) σε κάθε δειγματοληπτική επιφάνεια, επαναλαμβανόμενα καθ’ όλη τη διάρκεια ενός έτους (Μάρτιος 2016 – Φεβρουάριος 2017) για να καλυφθούν αναπαραγωγική και μη αναπαραγωγική περίοδος. Κάθε επίσκεψη διήρκησε 15 λεπτά, με συνολικά 12 επαναλήψεις ανά επιφάνεια από δύο έμπειρους παρατηρητές, υπό ευνοϊκές καιρικές συνθήκες και χωρίς δασικές παρεμβάσεις. Συνολικά καταγράφηκαν 76 είδη, και ο πλούτος ειδών (BS richness) υπολογίστηκε ως ο αριθμός ειδών ανά επιφάνεια.<br /> Η ποικιλότητα μικρο-ενδιαιτημάτων εκτιμήθηκε επιτόπια για την αποτύπωση της δομικής και λειτουργικής ετερογένειας του οικοσυστήματος σε μικρή κλίμακα, η οποία επηρεάζει τον πλούτο και την κατανομή των πτηνών. Καταγράφηκαν 26 τύποι μικρο-ενδιαιτημάτων (18 δενδρικά, 8 μη δενδρικά), που λειτουργούν ως φωλεοποιητικοί χώροι, καταφύγια και πηγές τροφής/νερού. Η ποικιλότητα ποσοτικοποιήθηκε με δείκτες που λαμβάνουν υπόψη αριθμό και λειτουργική διαφοροποίηση, με ομαδοποίηση σε λειτουργικές κατηγορίες ανά οικολογικό ρόλο.<br /> <br /> [[Αρχείο:Christakou1_2.jpg|200px|thumb|right|'''Εικόνα 2''': Κατηγορίες μικρο-ενδιαιτημάτων για 26 διαφορετικούς τύπους.]]<br /> <br /> Στάδιο 3ο Τηλεπισκοπικά δεδομένα και χωρικοί δείκτες ετερογένειας τοπίου<br /> <br /> Για τη μείωση των εποχικών διαφοροποιήσεων, επιλέχθηκαν δορυφορικές εικόνες του ίδιου έτους και βλαστητικής περιόδου από τους δορυφόρους RapidEye (6,5 m, 16/08/2014), SPOT-5 (10 m, 04/07/2014) και ASTER (15 m, 26/08/2014). Οι εικόνες αποκόπηκαν στα όρια της περιοχής μελέτης (22,2 km²) και γεωαναφέρθηκαν χρησιμοποιώντας GCPs με RMSE &lt; 7,4 m, ενώ οι εικόνες SPOT-5 και ASTER προσαρμόστηκαν στη RapidEye.<br /> Για την εκτίμηση της βλάστησης υπολογίστηκε ο NDVI από τις ζώνες του ερυθρού και του εγγύς υπέρυθρου φάσματος. Από τον NDVI υπολογίστηκαν δείκτες πρώτης τάξης (STD – Τυπική Απόκλιση των τιμών NDVI) και δεύτερης τάξης μέσω GLCM (Contrast, Entropy, Correlation) σε τέσσερις κατευθύνσεις (0°, 45°, 90°, 135°) και απόσταση ενός εικονοστοιχείου. Οι τιμές των δεικτών προέκυψαν ως μέσοι όροι των κατευθύνσεων.<br /> Οι δείκτες υφής χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές για την πρόβλεψη του πλούτου ειδών πτηνών (BS richness) και της ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) μέσω πολλαπλής γραμμικής παλινδρόμησης. Η καταλληλότητα των μοντέλων ελέγχθηκε για γραμμικότητα, ομοσκεδαστικότητα, κανονικότητα υπολειμμάτων και πολυσυγγραμμικότητα (VIF &lt; 5).<br /> Η αξιολόγηση της προβλεπτικής ικανότητας έγινε με 4-fold cross-validation, χωρίζοντας τις 40 δειγματοληπτικές επιφάνειες σε 4 υποσύνολα των 10. Σε κάθε επανάληψη το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπολοίπων 10, επαναλαμβανόμενη ώστε κάθε επιφάνεια να ελεγχθεί μία φορά.<br /> <br /> [[Αρχείο:Christakou1_3.jpg|200px|thumb|right|'''Εικόνα 3''': Διάγραμμα ροής που περιγράφει τα βήματα της μελέτης για τη δημιουργία χάρτη βιοποικιλότητας με βάση δορυφορικά δεδομένα.]]<br /> <br /> Στάδιο 4ο : Στατιστική ανάλυση<br /> <br /> Οι συσχετίσεις μεταξύ πλούτου ειδών πτηνών (BS richness), ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) και δεικτών υφής εικόνας εξετάστηκαν αρχικά με ανάλυση Pearson (p = 0,05). Στη συνέχεια, χρησιμοποιήθηκε πολλαπλή γραμμική παλινδρόμηση για την πρόβλεψη των BS richness και MH diversity ως συνάρτηση των δεικτών υφής.<br /> Η σταθερότητα των μοντέλων ελέγχθηκε με:<br /> <br /> - έλεγχο γραμμικότητας μέσω scatterplots<br /> <br /> - έλεγχο ετεροσκεδαστικότητας των υπολειμμάτων<br /> <br /> - έλεγχο κανονικότητας υπολειμμάτων με QQ plots και Shapiro–Wilk test<br /> <br /> - αποκλεισμό μεταβλητών με VIF &gt; 5<br /> <br /> Επιπλέον, πραγματοποιήθηκε 4-fold cross-validation, όπου οι 40 δειγματοληπτικές επιφάνειες χωρίστηκαν σε 4 ομάδες των 10. Το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπόλοιπων 10. Η διαδικασία επαναλήφθηκε ώστε κάθε επιφάνεια να έχει εκτιμηθεί μία φορά. Τα προβλεπόμενα αποτελέσματα συγκρίθηκαν με τις πραγματικές τιμές από τις μετρήσεις πεδίου για αξιολόγηση της ακρίβειας των μοντέλων.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81.<br /> Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας.<br /> Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα.<br /> Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.<br /> <br /> [[Αρχείο:Christakou1_4.png|200px|thumb|left|'''Εικόνα 4''': Σύγκριση του πλούτου ειδών πτηνών (BS richness) που μετρήθηκε στο πεδίο με τον προβλεπόμενο από τα μοντέλα και τα σφάλματα πρόβλεψης.]]<br /> <br /> [[Αρχείο:Christakou1_5.png|200px|thumb|left|'''Εικόνα 5''': Συγκριτική απεικόνιση της επιτόπιας μετρημένης ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) με την προβλεπόμενη από τα μοντέλα.]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.<br /> <br /> [[Αρχείο:Christakou1_6.png|200px|thumb|left|'''Εικόνα 6''': Χάρτης πλούτου ειδών πτηνών βασισμένος στην Τυπική Απόκλιση (STD) και την Ομοιογένεια (Homogeneity) του NDVI από εικόνες RapidEye.]]<br /> <br /> [[Αρχείο:Christakou1_6_(2).png|200px|thumb|left|'''Εικόνα 7''': Χάρτης ποικιλότητας μικρο-ενδιαιτημάτων βασισμένος στην Τυπική Απόκλιση (STD) και τη Συσχέτιση (Correlation) του NDVI από εικόνες SPOT.]]<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B1_%CE%B5%CE%AF%CE%B4%CE%B7_%CF%80%CF%84%CE%B7%CE%BD%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%B9%CE%BA%CE%B9%CE%BB%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%BC%CE%B9%CE%BA%CF%81%CE%BF-%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CE%B9%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%BC%CE%AD%CF%83%CE%B1_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1 2026-02-01T20:01:58Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Predicting bird species richness and micro-habitat diversity using satellite data''<br /> <br /> '''Συγγραφείς: ''' Ibrahim Ozdemir, Ahmet Merta, Ulas Yunus Ozkan, Sengul Aksan, Yasin Unal<br /> <br /> '''Δημοσιεύθηκε: ''' ''Forest Ecology and Management, Volume 424, 15 September 2018, Pages 483-493''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.sciencedirect.com/science/article/pii/S0378112718303359#s0075]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Μέσα από την παρούσα μελέτη διερευνάται η πιθανότητα για πρόβλεψη των διαφόρων ειδών πτηνών, καθώς και του γενικότερου μίκρο-ενδιαιτήματος σε μία περιοχή, αξιοποιώντας τη χρήση δορυφορικών δεδομένων και την ανάλυση εικόνων μέσα από τις μεταβλητές της. Αναλυτικότερα, λαμβάνονται υπόψη δύο κύριοι άξονες απεικόνισης της βιοποικιλότητας, ο πλούτος των ειδών των πτηνών στην περιοχή μελέτης και η βιοποικιλότητα του μίκρο-ενδιαιτήματος.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη των παρόντων δεικτών αφορά δάσος πεύκου (Pinus brutia Ten) στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας, με έκταση 22 km2. Πρόκειται για μια περιοχή που παρουσιάζει μεσογειακό κλίμα, δηλαδή υγρούς χειμώνες και ξηρά, ζεστά καλοκαίρια. Περαιτέρω, στη συγκεκριμένη περιοχή συναντώνται παραποτάμιες ζώνες, θαμνώδης βλάστηση και αγροτικές εκτάσεις με ήπια ανθρώπινη παρέμβαση και δραστηριότητα, καθιστώντας την ιδανική για τη μελέτη της πανίδας των πτηνών. Επιπλέον, η ύπαρξη χωρικής και δομικής ετερογένειας εξαιτίας των διαδοχικών σταδίων ανάπτυξης των συστάδων Pinus brutia, αλλά και της ποικιλίας βλάστησης, δημιουργεί ένα κατάλληλο περιβάλλον για την παρατήρηση του ενδιαιτήματος της περιοχής.<br /> <br /> [[Αρχείο:Christakou1_1.png|200px|thumb|right|'''Εικόνα 1''':Περιοχή μελέτης στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας (22 km2).]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Δειγματοληψία<br /> <br /> Τα δεδομένα λαμβάνονται από τρία διαφορετικά συστήματα παρακολούθησης της γης. Συγκεκριμένα, μέσα από τους δορυφόρους RapidEye, ASTER και SPOT-5 που καλύπτουν την περιοχή μελέτης, η δειγματοληψία γίνεται με την κατάτμησή της σε κελιά 90x90m, από τα οποία τα 40 επιλέγονται τυχαία ως δοκιμαστικές επιφάνειες. Επιπλέον, πραγματοποιήθηκε επιτόπια έρευνα προκειμένου να διαπιστωθεί εάν τα δείγματα καλύπτουν όλες τις περιπτώσεις συστάδων των Pinus brutia και όλους τους τύπους κάλυψης γης όπως αγροτικές και δασικές εκτάσεις ή θαμνώνες. Τέλος, μετά την τυχαία επιλογή, έγινε αναπροσαρμογή των δειγμάτων πέντε επιφανειών ώστε να καλύπτονται και τα πιο σπάνια ενδιαιτήματα ή λιγότερο συχνές δομές βλάστησης. Αυτό είχε ως αποτέλεσμα τα τελικά δείγματα που αφορούν τον πληθυσμό των πτηνών και την ποικιλία μίκρο-ενδιαιτήματος να είναι οικολογικά αντιπροσωπευτικά.<br /> <br /> Στάδιο 2ο : Συλλογή επιτόπιων δεδομένων βιοποικιλότητας<br /> <br /> Στο δεύτερο στάδιο της μεθοδολογίας πραγματοποιήθηκε η συλλογή επιτόπιων δεδομένων βιοποικιλότητας, τα οποία χρησιμοποιήθηκαν ως μεταβλητές απόκρισης (response variables) για τη διερεύνηση της σχέσης τους με τηλεπισκοπικούς δείκτες βλάστησης και χωρικής υφής. Συγκεκριμένα, εκτιμήθηκαν ο πλούτος ειδών πτηνών (Bird Species richness – BS richness) και η ποικιλότητα μίκρο-ενδιαιτημάτων (Micro-habitat diversity – MH diversity) σε κάθε δειγματοληπτική επιφάνεια.<br /> Η καταγραφή των πτηνών έγινε με τη μέθοδο σημειακών καταμετρήσεων (point count) σε κάθε δειγματοληπτική επιφάνεια, επαναλαμβανόμενα καθ’ όλη τη διάρκεια ενός έτους (Μάρτιος 2016 – Φεβρουάριος 2017) για να καλυφθούν αναπαραγωγική και μη αναπαραγωγική περίοδος. Κάθε επίσκεψη διήρκησε 15 λεπτά, με συνολικά 12 επαναλήψεις ανά επιφάνεια από δύο έμπειρους παρατηρητές, υπό ευνοϊκές καιρικές συνθήκες και χωρίς δασικές παρεμβάσεις. Συνολικά καταγράφηκαν 76 είδη, και ο πλούτος ειδών (BS richness) υπολογίστηκε ως ο αριθμός ειδών ανά επιφάνεια.<br /> Η ποικιλότητα μικρο-ενδιαιτημάτων εκτιμήθηκε επιτόπια για την αποτύπωση της δομικής και λειτουργικής ετερογένειας του οικοσυστήματος σε μικρή κλίμακα, η οποία επηρεάζει τον πλούτο και την κατανομή των πτηνών. Καταγράφηκαν 26 τύποι μικρο-ενδιαιτημάτων (18 δενδρικά, 8 μη δενδρικά), που λειτουργούν ως φωλεοποιητικοί χώροι, καταφύγια και πηγές τροφής/νερού. Η ποικιλότητα ποσοτικοποιήθηκε με δείκτες που λαμβάνουν υπόψη αριθμό και λειτουργική διαφοροποίηση, με ομαδοποίηση σε λειτουργικές κατηγορίες ανά οικολογικό ρόλο.<br /> <br /> [[Αρχείο:Christakou1_2.png|200px|thumb|right|'''Εικόνα 2''': Κατηγορίες μικρο-ενδιαιτημάτων για 26 διαφορετικούς τύπους.]]<br /> <br /> Στάδιο 3ο Τηλεπισκοπικά δεδομένα και χωρικοί δείκτες ετερογένειας τοπίου<br /> <br /> Για τη μείωση των εποχικών διαφοροποιήσεων, επιλέχθηκαν δορυφορικές εικόνες του ίδιου έτους και βλαστητικής περιόδου από τους δορυφόρους RapidEye (6,5 m, 16/08/2014), SPOT-5 (10 m, 04/07/2014) και ASTER (15 m, 26/08/2014). Οι εικόνες αποκόπηκαν στα όρια της περιοχής μελέτης (22,2 km²) και γεωαναφέρθηκαν χρησιμοποιώντας GCPs με RMSE &lt; 7,4 m, ενώ οι εικόνες SPOT-5 και ASTER προσαρμόστηκαν στη RapidEye.<br /> Για την εκτίμηση της βλάστησης υπολογίστηκε ο NDVI από τις ζώνες του ερυθρού και του εγγύς υπέρυθρου φάσματος. Από τον NDVI υπολογίστηκαν δείκτες πρώτης τάξης (STD – Τυπική Απόκλιση των τιμών NDVI) και δεύτερης τάξης μέσω GLCM (Contrast, Entropy, Correlation) σε τέσσερις κατευθύνσεις (0°, 45°, 90°, 135°) και απόσταση ενός εικονοστοιχείου. Οι τιμές των δεικτών προέκυψαν ως μέσοι όροι των κατευθύνσεων.<br /> Οι δείκτες υφής χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές για την πρόβλεψη του πλούτου ειδών πτηνών (BS richness) και της ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) μέσω πολλαπλής γραμμικής παλινδρόμησης. Η καταλληλότητα των μοντέλων ελέγχθηκε για γραμμικότητα, ομοσκεδαστικότητα, κανονικότητα υπολειμμάτων και πολυσυγγραμμικότητα (VIF &lt; 5).<br /> Η αξιολόγηση της προβλεπτικής ικανότητας έγινε με 4-fold cross-validation, χωρίζοντας τις 40 δειγματοληπτικές επιφάνειες σε 4 υποσύνολα των 10. Σε κάθε επανάληψη το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπολοίπων 10, επαναλαμβανόμενη ώστε κάθε επιφάνεια να ελεγχθεί μία φορά.<br /> <br /> [[Αρχείο:Christakou1_3.png|200px|thumb|right|'''Εικόνα 3''': Διάγραμμα ροής που περιγράφει τα βήματα της μελέτης για τη δημιουργία χάρτη βιοποικιλότητας με βάση δορυφορικά δεδομένα.]]<br /> <br /> Στάδιο 4ο : Στατιστική ανάλυση<br /> <br /> Οι συσχετίσεις μεταξύ πλούτου ειδών πτηνών (BS richness), ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) και δεικτών υφής εικόνας εξετάστηκαν αρχικά με ανάλυση Pearson (p = 0,05). Στη συνέχεια, χρησιμοποιήθηκε πολλαπλή γραμμική παλινδρόμηση για την πρόβλεψη των BS richness και MH diversity ως συνάρτηση των δεικτών υφής.<br /> Η σταθερότητα των μοντέλων ελέγχθηκε με:<br /> <br /> - έλεγχο γραμμικότητας μέσω scatterplots<br /> <br /> - έλεγχο ετεροσκεδαστικότητας των υπολειμμάτων<br /> <br /> - έλεγχο κανονικότητας υπολειμμάτων με QQ plots και Shapiro–Wilk test<br /> <br /> - αποκλεισμό μεταβλητών με VIF &gt; 5<br /> <br /> Επιπλέον, πραγματοποιήθηκε 4-fold cross-validation, όπου οι 40 δειγματοληπτικές επιφάνειες χωρίστηκαν σε 4 ομάδες των 10. Το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπόλοιπων 10. Η διαδικασία επαναλήφθηκε ώστε κάθε επιφάνεια να έχει εκτιμηθεί μία φορά. Τα προβλεπόμενα αποτελέσματα συγκρίθηκαν με τις πραγματικές τιμές από τις μετρήσεις πεδίου για αξιολόγηση της ακρίβειας των μοντέλων.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81.<br /> Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας.<br /> Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα.<br /> Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.<br /> <br /> [[Αρχείο:Christakou1_4.png|200px|thumb|right|'''Εικόνα 4''': Σύγκριση του πλούτου ειδών πτηνών (BS richness) που μετρήθηκε στο πεδίο με τον προβλεπόμενο από τα μοντέλα και τα σφάλματα πρόβλεψης.]]<br /> <br /> [[Αρχείο:Christakou1_5.png|200px|thumb|right|'''Εικόνα 5''': Συγκριτική απεικόνιση της επιτόπιας μετρημένης ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) με την προβλεπόμενη από τα μοντέλα.]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.<br /> <br /> [[Αρχείο:Christakou1_6.png|200px|thumb|left|'''Εικόνα 6''': Χάρτης πλούτου ειδών πτηνών βασισμένος στην Τυπική Απόκλιση (STD) και την Ομοιογένεια (Homogeneity) του NDVI από εικόνες RapidEye.]]<br /> <br /> [[Αρχείο:Christakou1_6_(2).png|200px|thumb|left|'''Εικόνα 7''': Χάρτης ποικιλότητας μικρο-ενδιαιτημάτων βασισμένος στην Τυπική Απόκλιση (STD) και τη Συσχέτιση (Correlation) του NDVI από εικόνες SPOT.]]<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%A0%CF%81%CF%8C%CE%B2%CE%BB%CE%B5%CF%88%CE%B7_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B1_%CE%B5%CE%AF%CE%B4%CE%B7_%CF%80%CF%84%CE%B7%CE%BD%CF%8E%CE%BD_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B7%CE%BD_%CF%80%CE%BF%CE%B9%CE%BA%CE%B9%CE%BB%CF%8C%CF%84%CE%B7%CF%84%CE%B1_%CF%84%CE%BF%CF%85_%CE%BC%CE%B9%CE%BA%CF%81%CE%BF-%CE%B5%CE%BD%CE%B4%CE%B9%CE%B1%CE%B9%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_%CE%BC%CE%AD%CF%83%CE%B1_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AC_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1 2026-02-01T20:00:54Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div>'''Πρόβλεψη για τα είδη πτηνών και την ποικιλότητα του μικρο-ενδιαιτήματος μέσα από δορυφορικά δεδομένα''' <br /> <br /> '''Πρωτότυπος τίτλος:''' ''Predicting bird species richness and micro-habitat diversity using satellite data''<br /> <br /> '''Συγγραφείς: ''' Ibrahim Ozdemir, Ahmet Merta, Ulas Yunus Ozkan, Sengul Aksan, Yasin Unal<br /> <br /> '''Δημοσιεύθηκε: ''' ''Forest Ecology and Management, Volume 424, 15 September 2018, Pages 483-493''<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.sciencedirect.com/science/article/pii/S0378112718303359#s0075]<br /> <br /> <br /> <br /> '''Σκοπός της εργασίας'''<br /> <br /> Μέσα από την παρούσα μελέτη διερευνάται η πιθανότητα για πρόβλεψη των διαφόρων ειδών πτηνών, καθώς και του γενικότερου μίκρο-ενδιαιτήματος σε μία περιοχή, αξιοποιώντας τη χρήση δορυφορικών δεδομένων και την ανάλυση εικόνων μέσα από τις μεταβλητές της. Αναλυτικότερα, λαμβάνονται υπόψη δύο κύριοι άξονες απεικόνισης της βιοποικιλότητας, ο πλούτος των ειδών των πτηνών στην περιοχή μελέτης και η βιοποικιλότητα του μίκρο-ενδιαιτήματος.<br /> <br /> <br /> <br /> '''Περιοχή μελέτης'''<br /> <br /> Η μελέτη των παρόντων δεικτών αφορά δάσος πεύκου (Pinus brutia Ten) στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας, με έκταση 22 km2. Πρόκειται για μια περιοχή που παρουσιάζει μεσογειακό κλίμα, δηλαδή υγρούς χειμώνες και ξηρά, ζεστά καλοκαίρια. Περαιτέρω, στη συγκεκριμένη περιοχή συναντώνται παραποτάμιες ζώνες, θαμνώδης βλάστηση και αγροτικές εκτάσεις με ήπια ανθρώπινη παρέμβαση και δραστηριότητα, καθιστώντας την ιδανική για τη μελέτη της πανίδας των πτηνών. Επιπλέον, η ύπαρξη χωρικής και δομικής ετερογένειας εξαιτίας των διαδοχικών σταδίων ανάπτυξης των συστάδων Pinus brutia, αλλά και της ποικιλίας βλάστησης, δημιουργεί ένα κατάλληλο περιβάλλον για την παρατήρηση του ενδιαιτήματος της περιοχής.<br /> <br /> [[Αρχείο:Christakou1_1.png|200px|thumb|right|'''Εικόνα 1''':Περιοχή μελέτης στη νοτιοδυτική μεσογειακή ζώνη της Τουρκίας (22 km2).]]<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η διεξαγωγή της μελέτης πραγματοποιήθηκε μέσα από ορισμένη μεθοδολογία, η οποία θα μπορούσε να διαχωριστεί στα παρακάτω στάδια:<br /> <br /> Στάδιο 1ο : Δειγματοληψία<br /> <br /> Τα δεδομένα λαμβάνονται από τρία διαφορετικά συστήματα παρακολούθησης της γης. Συγκεκριμένα, μέσα από τους δορυφόρους RapidEye, ASTER και SPOT-5 που καλύπτουν την περιοχή μελέτης, η δειγματοληψία γίνεται με την κατάτμησή της σε κελιά 90x90m, από τα οποία τα 40 επιλέγονται τυχαία ως δοκιμαστικές επιφάνειες. Επιπλέον, πραγματοποιήθηκε επιτόπια έρευνα προκειμένου να διαπιστωθεί εάν τα δείγματα καλύπτουν όλες τις περιπτώσεις συστάδων των Pinus brutia και όλους τους τύπους κάλυψης γης όπως αγροτικές και δασικές εκτάσεις ή θαμνώνες. Τέλος, μετά την τυχαία επιλογή, έγινε αναπροσαρμογή των δειγμάτων πέντε επιφανειών ώστε να καλύπτονται και τα πιο σπάνια ενδιαιτήματα ή λιγότερο συχνές δομές βλάστησης. Αυτό είχε ως αποτέλεσμα τα τελικά δείγματα που αφορούν τον πληθυσμό των πτηνών και την ποικιλία μίκρο-ενδιαιτήματος να είναι οικολογικά αντιπροσωπευτικά.<br /> <br /> Στάδιο 2ο : Συλλογή επιτόπιων δεδομένων βιοποικιλότητας<br /> <br /> Στο δεύτερο στάδιο της μεθοδολογίας πραγματοποιήθηκε η συλλογή επιτόπιων δεδομένων βιοποικιλότητας, τα οποία χρησιμοποιήθηκαν ως μεταβλητές απόκρισης (response variables) για τη διερεύνηση της σχέσης τους με τηλεπισκοπικούς δείκτες βλάστησης και χωρικής υφής. Συγκεκριμένα, εκτιμήθηκαν ο πλούτος ειδών πτηνών (Bird Species richness – BS richness) και η ποικιλότητα μίκρο-ενδιαιτημάτων (Micro-habitat diversity – MH diversity) σε κάθε δειγματοληπτική επιφάνεια.<br /> Η καταγραφή των πτηνών έγινε με τη μέθοδο σημειακών καταμετρήσεων (point count) σε κάθε δειγματοληπτική επιφάνεια, επαναλαμβανόμενα καθ’ όλη τη διάρκεια ενός έτους (Μάρτιος 2016 – Φεβρουάριος 2017) για να καλυφθούν αναπαραγωγική και μη αναπαραγωγική περίοδος. Κάθε επίσκεψη διήρκησε 15 λεπτά, με συνολικά 12 επαναλήψεις ανά επιφάνεια από δύο έμπειρους παρατηρητές, υπό ευνοϊκές καιρικές συνθήκες και χωρίς δασικές παρεμβάσεις. Συνολικά καταγράφηκαν 76 είδη, και ο πλούτος ειδών (BS richness) υπολογίστηκε ως ο αριθμός ειδών ανά επιφάνεια.<br /> Η ποικιλότητα μικρο-ενδιαιτημάτων εκτιμήθηκε επιτόπια για την αποτύπωση της δομικής και λειτουργικής ετερογένειας του οικοσυστήματος σε μικρή κλίμακα, η οποία επηρεάζει τον πλούτο και την κατανομή των πτηνών. Καταγράφηκαν 26 τύποι μικρο-ενδιαιτημάτων (18 δενδρικά, 8 μη δενδρικά), που λειτουργούν ως φωλεοποιητικοί χώροι, καταφύγια και πηγές τροφής/νερού. Η ποικιλότητα ποσοτικοποιήθηκε με δείκτες που λαμβάνουν υπόψη αριθμό και λειτουργική διαφοροποίηση, με ομαδοποίηση σε λειτουργικές κατηγορίες ανά οικολογικό ρόλο.<br /> <br /> [[Αρχείο:Christakou1_2.png|200px|thumb|right|'''Εικόνα 2''': Κατηγορίες μικρο-ενδιαιτημάτων για 26 διαφορετικούς τύπους.]]<br /> <br /> Στάδιο 3ο Τηλεπισκοπικά δεδομένα και χωρικοί δείκτες ετερογένειας τοπίου<br /> <br /> Για τη μείωση των εποχικών διαφοροποιήσεων, επιλέχθηκαν δορυφορικές εικόνες του ίδιου έτους και βλαστητικής περιόδου από τους δορυφόρους RapidEye (6,5 m, 16/08/2014), SPOT-5 (10 m, 04/07/2014) και ASTER (15 m, 26/08/2014). Οι εικόνες αποκόπηκαν στα όρια της περιοχής μελέτης (22,2 km²) και γεωαναφέρθηκαν χρησιμοποιώντας GCPs με RMSE &lt; 7,4 m, ενώ οι εικόνες SPOT-5 και ASTER προσαρμόστηκαν στη RapidEye.<br /> Για την εκτίμηση της βλάστησης υπολογίστηκε ο NDVI από τις ζώνες του ερυθρού και του εγγύς υπέρυθρου φάσματος. Από τον NDVI υπολογίστηκαν δείκτες πρώτης τάξης (STD – Τυπική Απόκλιση των τιμών NDVI) και δεύτερης τάξης μέσω GLCM (Contrast, Entropy, Correlation) σε τέσσερις κατευθύνσεις (0°, 45°, 90°, 135°) και απόσταση ενός εικονοστοιχείου. Οι τιμές των δεικτών προέκυψαν ως μέσοι όροι των κατευθύνσεων.<br /> Οι δείκτες υφής χρησιμοποιήθηκαν ως ανεξάρτητες μεταβλητές για την πρόβλεψη του πλούτου ειδών πτηνών (BS richness) και της ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) μέσω πολλαπλής γραμμικής παλινδρόμησης. Η καταλληλότητα των μοντέλων ελέγχθηκε για γραμμικότητα, ομοσκεδαστικότητα, κανονικότητα υπολειμμάτων και πολυσυγγραμμικότητα (VIF &lt; 5).<br /> Η αξιολόγηση της προβλεπτικής ικανότητας έγινε με 4-fold cross-validation, χωρίζοντας τις 40 δειγματοληπτικές επιφάνειες σε 4 υποσύνολα των 10. Σε κάθε επανάληψη το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπολοίπων 10, επαναλαμβανόμενη ώστε κάθε επιφάνεια να ελεγχθεί μία φορά.<br /> <br /> [[Αρχείο:Christakou1_3.png|200px|thumb|right|'''Εικόνα 3''': Διάγραμμα ροής που περιγράφει τα βήματα της μελέτης για τη δημιουργία χάρτη βιοποικιλότητας με βάση δορυφορικά δεδομένα.]]<br /> <br /> Στάδιο 4ο : Στατιστική ανάλυση<br /> <br /> Οι συσχετίσεις μεταξύ πλούτου ειδών πτηνών (BS richness), ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) και δεικτών υφής εικόνας εξετάστηκαν αρχικά με ανάλυση Pearson (p = 0,05). Στη συνέχεια, χρησιμοποιήθηκε πολλαπλή γραμμική παλινδρόμηση για την πρόβλεψη των BS richness και MH diversity ως συνάρτηση των δεικτών υφής.<br /> Η σταθερότητα των μοντέλων ελέγχθηκε με:<br /> <br /> - έλεγχο γραμμικότητας μέσω scatterplots<br /> <br /> - έλεγχο ετεροσκεδαστικότητας των υπολειμμάτων<br /> <br /> - έλεγχο κανονικότητας υπολειμμάτων με QQ plots και Shapiro–Wilk test<br /> <br /> - αποκλεισμό μεταβλητών με VIF &gt; 5<br /> <br /> Επιπλέον, πραγματοποιήθηκε 4-fold cross-validation, όπου οι 40 δειγματοληπτικές επιφάνειες χωρίστηκαν σε 4 ομάδες των 10. Το μοντέλο προσαρμόστηκε σε 30 επιφάνειες και χρησιμοποιήθηκε για πρόβλεψη των υπόλοιπων 10. Η διαδικασία επαναλήφθηκε ώστε κάθε επιφάνεια να έχει εκτιμηθεί μία φορά. Τα προβλεπόμενα αποτελέσματα συγκρίθηκαν με τις πραγματικές τιμές από τις μετρήσεις πεδίου για αξιολόγηση της ακρίβειας των μοντέλων.<br /> <br /> <br /> <br /> '''Αποτελέσματα'''<br /> <br /> Οι αναλύσεις συσχέτισης Pearson έδειξαν ότι ο δείκτης STD (τυπική απόκλιση NDVI) παρουσίασε τις ισχυρότερες θετικές συσχετίσεις τόσο με τον πλούτο ειδών πτηνών (BS richness) όσο και με την ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity). Οι συσχετίσεις μειώθηκαν ελαφρά με τη μείωση της χωρικής ανάλυσης των δορυφορικών δεδομένων: για το BS richness, R = 0,85 (RapidEye), 0,82 (SPOT-5) και 0,78 (ASTER), ενώ για τη MH diversity οι R τιμές ήταν περίπου 0,79–0,81.<br /> Οι δείκτες GLCM Entropy και Correlation είχαν γενικά μεγαλύτερη συσχέτιση με τις παραμέτρους βιοποικιλότητας από ό,τι η GLCM Homogeneity, αν και οι συσχετίσεις τους ήταν ασθενέστερες από το STD. Ο μέσος NDVI των εικόνων παρουσίασε αρνητική αλλά ασθενή σχέση με τις παραμέτρους βιοποικιλότητας.<br /> Η ανάλυση γραμμικής παλινδρόμησης με stepwise multiple regression έδειξε ότι τα μοντέλα εξηγούν σημαντικό ποσοστό της συνολικής διακύμανσης: τα καλύτερα μοντέλα για το BS richness είχαν RCV² = 0,72–0,73, ενώ για τη MH diversity τα καλύτερα μοντέλα έδωσαν RCV² = 0,67–0,73. Σε όλα τα καλύτερα μοντέλα επιλέχθηκε η STD, ενώ οι δείκτες δεύτερης τάξης χρησιμοποιήθηκαν σε πολύ περιορισμένο βαθμό (π.χ. GLCM Homogeneity RapidEye και GLCM Correlation SPOT-5). Ο μέσος NDVI δεν συμπεριλήφθηκε στα τελικά μοντέλα.<br /> Η cross-validation επιβεβαίωσε ότι τα μοντέλα δεν υπερεκπαιδεύτηκαν, και η γραμμικότητα, η ομοσκεδαστικότητα και η κανονικότητα των υπολειμμάτων επαληθεύτηκαν μέσω διαγραμμάτων scatterplots και Shapiro–Wilk test. Τα αποτελέσματα υποδηλώνουν ότι οι δείκτες υφής NDVI είναι αποτελεσματικοί προγνωστικοί δείκτες για τον πλούτο ειδών πτηνών και την ποικιλότητα μικρο-ενδιαιτημάτων.<br /> <br /> [[Αρχείο:Christakou1_4.png|200px|thumb|right|'''Εικόνα 4''': Σύγκριση του πλούτου ειδών πτηνών (BS richness) που μετρήθηκε στο πεδίο με τον προβλεπόμενο από τα μοντέλα και τα σφάλματα πρόβλεψης.]]<br /> <br /> [[Αρχείο:Christakou1_5.png|200px|thumb|right|'''Εικόνα 5''': Συγκριτική απεικόνιση της επιτόπιας μετρημένης ποικιλότητας μικρο-ενδιαιτημάτων (MH diversity) με την προβλεπόμενη από τα μοντέλα.]]<br /> <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η μελέτη έδειξε ότι ο πλούτος ειδών πτηνών (BS richness) και η ποικιλότητα μικρο-ενδιαιτημάτων (MH diversity) μπορούν να προβλεφθούν και να χαρτογραφηθούν με χρήση δεικτών υφής από εικόνες NDVI δορυφόρων (RapidEye, SPOT-5, Aster). Η χωρική ανάλυση των εικόνων δεν επηρεάζει σημαντικά την ακρίβεια των προβλέψεων, ενώ η τυπική απόκλιση (STD) των τιμών NDVI εμφανίζεται ως ο ισχυρότερος δείκτης. Οι δείκτες Shannon βάσει υπο-λειτουργιών και ο Functional Attribute Diversity Index είναι κατάλληλοι για την εκτίμηση της MH ποικιλότητας. Η μέθοδος αυτή παρέχει γρήγορη και οικονομική εκτίμηση της βιοποικιλότητας, υποστηρίζοντας τη διαχείριση δασών και τη μακροπρόθεσμη παρακολούθηση, με δυνατότητα περαιτέρω βελτίωσης μέσω συνδυασμού με περιβαλλοντικές μεταβλητές.<br /> <br /> [[Αρχείο:Christakou1_6.png|200px|thumb|right|'''Εικόνα 6''': Χάρτης πλούτου ειδών πτηνών βασισμένος στην Τυπική Απόκλιση (STD) και την Ομοιογένεια (Homogeneity) του NDVI από εικόνες RapidEye.]]<br /> <br /> [[Αρχείο:Christakou1_6_(2).png|200px|thumb|right|'''Εικόνα 7''': Χάρτης ποικιλότητας μικρο-ενδιαιτημάτων βασισμένος στην Τυπική Απόκλιση (STD) και τη Συσχέτιση (Correlation) του NDVI από εικόνες SPOT.]]<br /> <br /> <br /> <br /> <br /> <br /> [[category:Οικολογία]]</div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou1_6_(2).png 2026-02-01T19:53:21Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou1_6.png 2026-02-01T19:52:54Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Christakou1_5.png 2026-02-01T19:52:19Z

<p>CHRISTAKOU KONSTANTINA: </p> <hr /> <div></div>

CHRISTAKOU KONSTANTINA