http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Cathy_ap&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%2FCathy_ap 2026-06-19T07:51:26Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B9%CE%B1_%CF%80%CF%81%CE%BF%CF%83%CE%AD%CE%B3%CE%B3%CE%B9%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%80%CE%BF%CF%85_%CE%B2%CE%B1%CF%83%CE%AF%CE%B6%CE%B5%CF%84%CE%B1%CE%B9_%CF%83%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CF%84%CF%81%CE%B1%CF%80%CE%B5%CE%B6%CE%BF%CE%B5%CE%B9%CE%B4%CE%BF%CF%8D%CF%82_%CE%BC%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF%CF%85_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B1%CF%81%CE%B4%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2024-02-26T10:03:25Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;A stand-alone remote sensing approach based on the use of the optical trapezoid model for detecting the irrigated areas&quot; ==<br /> '''Συγγραφείς:''' Giuseppe Longo-Minnolo , Simona Consoli , Daniela Vanella, Juan Miguel Ramírez-Cuesta , Isabella Greimeister-Pfeil , Martin Neuwirth , Francesco Vuolo <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S0378377422005224]<br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η λειψυδρία αποτελεί σημαντικό παγκόσμιο κίνδυνο, επηρεάζοντας τη ζωή του ανθρώπου, ιδίως καθώς η κλιματική αλλαγή συμβάλλει σε μελλοντικές παρατεταμένες ξηρασίες και αυξημένη εξάρτηση των καλλιεργειών από την παροχή νερού. Η αρδευόμενη γεωργία, ένας σημαντικός καταναλωτής γλυκού νερού, διαδραματίζει κρίσιμο ρόλο στην παγκόσμια παραγωγή τροφίμων. Παρά την παγκόσμια αύξηση του πληθυσμού, υπάρχει μια ασυμφωνία μεταξύ των απαιτήσεων σε νερό των καλλιεργειών και των πραγματικών πρακτικών άρδευσης, γεγονός που καθιστά αναγκαία τη βελτιωμένη διαχείριση του γεωργικού νερού.<br /> Η ακριβής χαρτογράφηση των αρδευόμενων περιοχών είναι απαραίτητη για αποτελεσματικές στρατηγικές διαχείρισης των υδάτων. Οι υφιστάμενες προσπάθειες, όπως η απογραφή INEA της Ιταλίας και οι έρευνες για τη δομή των αγροκτημάτων της Αυστρίας, αντιμετωπίζουν προκλήσεις, συμπεριλαμβανομένων κενών στα δεδομένα και περιορισμών στην ακρίβεια. Η τηλεπισκόπηση (RS), που χρησιμοποιεί δορυφορικά οπτικά και μικροκυματικά δεδομένα, έχει χρησιμοποιηθεί από τη δεκαετία του 1980. Ενώ οι οπτικές μέθοδοι, που βασίζονται στην ανάλυση χρονοσειρών NDVI, αντιμετωπίζουν περιορισμούς όπως η εξάρτηση από κάλυψη νεφών, οι μέθοδοι μικροκυμάτων προσφέρουν μια εναλλακτική λύση, ειδικά σε συνθήκες νέφους.<br /> Η μεθοδολογία OPTRAM είναι μια φυσική προσέγγιση που χρησιμοποιεί κατανομή pixel εντός NDVI και μετασχηματισμένο χώρο ανάκλασης υπέρυθρων βραχέων κυμάτων για την εκτίμηση της υγρασίας του εδάφους. Οι στόχοι περιλαμβάνουν την ανάπτυξη μιας αυτόνομης οπτικής μεθόδου RS για την ανίχνευση αρδευόμενων περιοχών, που συνδυάζει την μη επιβλεπόμενη ταξινόμηση και το OPTRAM. Η μέθοδος προορίζεται να επικυρωθεί σε διαφορετικά χωρικά επίπεδα και υπό ποικίλες κλιματικές συνθήκες. Ο στόχος είναι η παροχή μιας φιλικής προς τον χρήστη, αναπαραγόμενη μέθοδο, ανεξάρτητη από δεδομένα αναφοράς εδάφους, υποστηρίζοντας τους ενδιαφερόμενους στην παρακολούθηση και την αναφορά των αρδευόμενων περιοχών. Αυτή η προσέγγιση στοχεύει να διευκολύνει την εφαρμογή αποτελεσματικών στρατηγικών εξοικονόμησης νερού και τη συμμόρφωση με τις πολιτικές που σχετίζονται με το νερό.<br /> <br /> '''ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ'''<br /> <br /> '''1. Περιοχή μελέτης'''<br /> <br /> Το άρθρο διερεύνησε δύο τοποθεσίες δοκιμών: την περιοχή άρδευσης «Quota 102,50» στην Ανατολική Σικελία (2019–2020) και την περιοχή «Marchfeld Cropland» στην Κάτω Αυστρία (2021). Η περιοχή «Quota 102,50» εκτείνεται σε 5050 εκτάρια, και περιέχει κυρίως ελαιώνες εσπεριδοειδών και φρούτων, ενώ η Marchfeld, που καλύπτει 60.000 εκτάρια, καλλιεργούνται λαχανικά και δημητριακά. Και οι δύο έχουν ξεχωριστές περιόδους άρδευσης και ποικίλες ετήσιες βροχοπτώσεις.<br /> <br /> [[Αρχείο:Tests_sites.png]]<br /> <br /> '''2. Εντοπισμός των αρδευόμενων εκτάσεων'''<br /> <br /> Η μεθοδολογική προσέγγιση περιλαμβάνει μια άνευ επίβλεψης ταξινόμηση εποχιακών χρονοσειρών NDVI που ακολουθείται από εφαρμογή μοντέλου OPTRAM για την ανίχνευση αρδευόμενων περιοχών. Οι αρχικές πηγές δεδομένων περιλαμβάνουν δορυφορικές εικόνες Sentinel-2, τιμές βροχόπτωσης και παραμέτρους εδάφους. Χρησιμοποιούνται εικόνες καθαρού ουρανού, με μια προκαταρκτική ανάλυση βροχοπτώσεων που προσδιορίζει τις περιόδους ξηρασίας. Οι τιμές NDVI και STR υπολογίζονται για πιθανά αρδευόμενα τμήματα.<br /> <br /> [[Αρχείο:OPTRAM_MODEL.png]]<br /> <br /> '''3. Εισαγωγή δεδομένων'''<br /> <br /> Η μελέτη χρησιμοποίησε πολυφασματικές εικόνες από τον δορυφόρο Sentinel-2 ESA, εξοπλισμένο με οπτοηλεκτρονικό πολυφασματικό αισθητήρα, παρέχοντας χωρική ανάλυση 10–60 m σε φασματικές ζώνες VIS, NIR και SWIR. Με χρονική ανάλυση 10 ημερών ανά δορυφόρο, συλλέχθηκαν συνολικά 158 εικόνες για τις περιοχές μελέτης κατά την περίοδο 2019–2020 και 2021. Δημιουργήθηκαν NDVI χρονοσειρές για κάθε σύνολο δεδομένων. Τα δεδομένα βροχοπτώσεων ελήφθησαν από κοντινούς μετεωρολογικούς σταθμούς. <br /> <br /> '''4. Μη επιβλεπόμενη ταξινόμηση'''<br /> <br /> Η μη επιβλεπόμενη ταξινόμηση με τις χρονοσειρές NDVI έγινε με τη χρήση του αλγορίθμου ISODATA, με στόχο την ομαδοποίηση παρόμοιων μοτίβων σε συστάδες. Προτείνεται μια υπόθεση, η οποία συσχετίζει τα υψηλά και αυξανόμενα προφίλ NDVI με τις αρδευόμενες εκτάσεις κατά την ξηρή περίοδο. Ορίζεται ένα όριο 0,3 NDVI και δημιουργούνται 20 ομάδες για τη διάκριση μεταξύ δυνητικά αρδευόμενων και μη αρδευόμενων περιοχών. Οι μη γεωργικές εκτάσεις εξαιρούνται με βάση τα χρονικά προφίλ NDVI, διευκολύνοντας τη μετέπειτα ανάλυση.<br /> <br /> '''5. Οπτικό τραπεζοειδές μοντέλο'''<br /> <br /> Το μοντέλο OPTRAM χρησιμοποιεί ένα τραπεζοειδές μοντέλο, που δημιουργείται με τη σχεδίαση της σχέσης μεταξύ του δείκτη NDVI και της Μετασχηματισμένης Ανάκλασης Υπέρυθρων Βραχέων Κυμάτων (STR). Αυτό το μοντέλο χρησιμεύει ως αναπαράσταση της περιεκτικότητας σε νερό του εδάφους και της βλάστησης. Το μοντέλο χρησιμοποιεί γραμμικές παραμετροποιήσεις κατά μήκος των υγρών και ξηρών άκρων του μοντέλου.<br /> <br /> Σε αυτό, η πάνω και η κάτω πλευρά δηλώνουν υγρές και ξηρές συνθήκες, αντίστοιχα. Το OPTRAM υπολογίζει την περιεκτικότητα σε νερό (W) για μεμονωμένα pixel με βάση τις τιμές NDVI και STR. Το τραπεζοειδές μοντέλο επιτρέπει μια λεπτομερής ανάλυση, προσφέροντας πληροφορίες σχετικά με τις διακυμάνσεις της περιεκτικότητας σε νερό του εδάφους και της βλάστησης κατά την περίοδο άρδευσης. Εφαρμόζοντας αυτό το μοντέλο, γίνεται διάκριση μεταξύ καλά ποτισμένης και υδατικά καταπονημένης βλάστησης, ιδιαίτερα χρήσιμη για τον εντοπισμό των αρδευόμενων περιοχών και την κατανόηση των συνθηκών υγρασίας του εδάφους κάτω από διαφορετικά σενάρια.<br /> <br /> [[Αρχείο:TRAPEZOID_MODEL.png]]<br /> <br /> '''6. Στατιστική αξιολόγηση'''<br /> <br /> Τα ευρήματά επικυρώθηκαν σε δύο μέτωπα: πρώτον, σε επίπεδο αγρού στην περιοχή Marchfeld Cropland και, δεύτερον, σε επίπεδο περιφέρειας στην αρδευτική περιοχή Quota 102,50.<br /> Η αξιολόγηση ακρίβειας σε επίπεδο αγρού στην περιοχή Marchfeld Cropland χρησιμοποίησε έναν δυαδικό πίνακα σύγχυσης, συγκρίνοντας τις εκτιμώμενες αρδευόμενες/μη αρδευόμενες εκτάσεις με δεδομένα αναφοράς από μια ολοκληρωμένη επιτόπια έρευνα το 2021. Η έρευνα συγκέντρωσε γεωαναφερόμενες παρατηρήσεις της κατάστασης άρδευσης για 2560 χωράφια, με μετρήσεις όπως η αποδοτικότητα της άρδευσης (ακρίβεια και ανάκληση) και η βαθμολογία F1. Μια ανάλυση ευαισθησίας εξέτασε τη μεταβολή του ορίου μαρασμού (WP) για την αξιολόγηση της ευρωστίας των αποτελεσμάτων.<br /> Για την αρδευτική περιοχή Quota 102,50, η μελέτη συνέκρινε τη συνολική αρδευόμενη έκταση που προσδιορίστηκε μέσω της μεθοδολογίας της με δεδομένα που παρέχονται από την Κοινοπραξία. Αυτή η σύγκριση είχε ως στόχο να αξιολογήσει την ακρίβεια της προτεινόμενης προσέγγισης στην εκτίμηση της συνολικής αρδευόμενης επιφάνειας σε επίπεδο περιοχής.<br /> Οι μετρήσεις που χρησιμοποιούνται, παρέχουν μια ολοκληρωμένη αξιολόγηση της απόδοσης του μοντέλου, ενώ η ανάλυση ευαισθησίας βοηθά στην κατανόηση του αντίκτυπου των διακυμάνσεων στο όριο WP στα αποτελέσματα. Η σύγκριση σε επίπεδο περιφέρειας διασφαλίζει μια ευρύτερη αξιολόγηση της εφαρμοσιμότητας και της αξιοπιστίας της προτεινόμενης μεθοδολογίας σε μεγαλύτερες γεωγραφικές περιοχές.<br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ'''<br /> <br /> Στην περιοχή Marchfeld Cropland, τα αποτελέσματα έδειξαν 64% μη αρδευόμενες και 36% αρδευόμενες εκτάσεις, με συνολική ακρίβεια 71%, όπως επικυρώθηκε με βάση τα δεδομένα αναφοράς. Μια ανάλυση ευαισθησίας αξιολόγησε τον αντίκτυπο της μεταβολής του ορίου μαρασμού (WP) στις μετρήσεις.<br /> Για την περιοχή άρδευσης Quota 102,50, τα αποτελέσματα επικυρώθηκαν με βάση τα δεδομένα της Κοινοπραξίας, δείχνοντας αξιοσημείωτη υπερεκτίμηση (20,98% και 21,16%) των αρδευόμενων εκτάσεων σε σύγκριση με τις δηλωμένες τιμές για το 2019 και το 2020. Η ανάλυση αφορούσε προφίλ NDVI, παραμέτρους OPTRAM και μετρήσεις σύγκρισης.<br /> <br /> [[Αρχείο:Irrigated_Area.png]]<br /> <br /> [[Αρχείο:IRR_AREA.png]]<br /> <br /> '''ΣΥΖΗΤΗΣΗ'''<br /> <br /> Υπάρχει κρίσιμη ανάγκη για ακριβείς και επίκαιρους χάρτες των αρδευόμενων περιοχών στο πλαίσιο της λειψυδρίας. Σε αντίθεση με προηγούμενες μεθόδους που βασίζονται σε διαδικασίες εκπαίδευσης και δένδρα αποφάσεων, αυτή η αυτόνομη προσέγγιση οπτικής τηλεπισκόπησης δεν απαιτεί εκπαίδευση, καθιστώντας την εύκολα αναπαραγόμενη σε διαφορετικά περιβάλλοντα. Η μέθοδος ενσωματώνει ταξινόμηση χωρίς επίβλεψη, χρονική ανάλυση προφίλ NDVI και μοντελοποίηση OPTRAM, χρησιμοποιώντας δορυφορικές εικόνες, δεδομένα βροχόπτωσης και πληροφορίες για την περιεκτικότητα σε νερό του εδάφους. Τα αποτελέσματα, που επικυρώθηκαν με βάση τα δεδομένα αναφοράς, έδειξαν λογική ακρίβεια, με συνολική ακρίβεια 70% για την αυστριακή τοποθεσία το 2021. Ωστόσο, ορισμένοι περιορισμοί, όπως αβεβαιότητες στην ταξινόμηση και οπτική επιθεώρηση χωρίς επίβλεψη και ο αντίκτυπος της υγρασίας του εδάφους, χρειάζονται περαιτέρω διερεύνηση για τη βελτίωση της μεθόδου. Η προσέγγιση προσφέρει πολύτιμη συμβολή στη χαρτογράφηση άρδευσης μεγάλης κλίμακας χωρίς μεγάλη εξάρτηση από δεδομένα εδάφους από απευθείας παρατήρηση ή διαδικασίες εκπαίδευσης.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η μέθοδος απαιτεί ελάχιστα δεδομένα εισόδου (δορυφορικές εικόνες χωρίς σύννεφα, παράμετροι βροχοπτώσεων και εδαφικού νερού) χωρίς να βασίζεται σε πληροφορίες τύπου καλλιέργειας αναφοράς, διασφαλίζοντας τη δυνατότητα μεταφοράς σε χρόνο και χώρο. Δοκιμασμένη στην Αυστρία και την Ιταλία, η προσέγγιση πέτυχε συνολική ακρίβεια 70% και προσδιόρισε με ακρίβεια τις αρδευόμενες εκτάσεις. Παρά τη χαμηλότερη ακρίβεια από τις εποπτευόμενες μεθόδους, η μελέτη υπογραμμίζει τις δυνατότητες του OPTRAM για αρδευτικούς σκοπούς. Η μελλοντική έρευνα θα μπορούσε να βελτιώσει την προσέγγιση αντιμετωπίζοντας τις αβεβαιότητες και επιτρέποντας την εφαρμογή σε πλατφόρμες υπολογιστικού νέφους για ευρύτερες εφαρμογές. Τελικά, η μέθοδος υποστηρίζει αποφάσεις διαχείρισης του νερού βάσει δεδομένων, ενισχύοντας τη βιωσιμότητα της αρδευόμενης γεωργίας και βοηθώντας τα κράτη μέλη της ΕΕ να εκπληρώσουν τις υποχρεώσεις της Οδηγίας Πλαίσιο για τα Νερά.<br /> <br /> <br /> <br /> [[category:Σχεδιασμός αδρευτικών συστημάτων]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B9%CE%B1_%CF%80%CF%81%CE%BF%CF%83%CE%AD%CE%B3%CE%B3%CE%B9%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%80%CE%BF%CF%85_%CE%B2%CE%B1%CF%83%CE%AF%CE%B6%CE%B5%CF%84%CE%B1%CE%B9_%CF%83%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CF%84%CF%81%CE%B1%CF%80%CE%B5%CE%B6%CE%BF%CE%B5%CE%B9%CE%B4%CE%BF%CF%8D%CF%82_%CE%BC%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF%CF%85_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B1%CF%81%CE%B4%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2024-02-26T10:02:11Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;A stand-alone remote sensing approach based on the use of the optical trapezoid model for detecting the irrigated areas&quot; ==<br /> '''Συγγραφείς:''' Giuseppe Longo-Minnolo , Simona Consoli , Daniela Vanella, Juan Miguel Ramírez-Cuesta , Isabella Greimeister-Pfeil , Martin Neuwirth , Francesco Vuolo <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S0378377422005224]<br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η λειψυδρία αποτελεί σημαντικό παγκόσμιο κίνδυνο, επηρεάζοντας τη ζωή του ανθρώπου, ιδίως καθώς η κλιματική αλλαγή συμβάλλει σε μελλοντικές παρατεταμένες ξηρασίες και αυξημένη εξάρτηση των καλλιεργειών από την παροχή νερού. Η αρδευόμενη γεωργία, ένας σημαντικός καταναλωτής γλυκού νερού, διαδραματίζει κρίσιμο ρόλο στην παγκόσμια παραγωγή τροφίμων. Παρά την παγκόσμια αύξηση του πληθυσμού, υπάρχει μια ασυμφωνία μεταξύ των απαιτήσεων σε νερό των καλλιεργειών και των πραγματικών πρακτικών άρδευσης, γεγονός που καθιστά αναγκαία τη βελτιωμένη διαχείριση του γεωργικού νερού.<br /> Η ακριβής χαρτογράφηση των αρδευόμενων περιοχών είναι απαραίτητη για αποτελεσματικές στρατηγικές διαχείρισης των υδάτων. Οι υφιστάμενες προσπάθειες, όπως η απογραφή INEA της Ιταλίας και οι έρευνες για τη δομή των αγροκτημάτων της Αυστρίας, αντιμετωπίζουν προκλήσεις, συμπεριλαμβανομένων κενών στα δεδομένα και περιορισμών στην ακρίβεια. Η τηλεπισκόπηση (RS), που χρησιμοποιεί δορυφορικά οπτικά και μικροκυματικά δεδομένα, έχει χρησιμοποιηθεί από τη δεκαετία του 1980. Ενώ οι οπτικές μέθοδοι, που βασίζονται στην ανάλυση χρονοσειρών NDVI, αντιμετωπίζουν περιορισμούς όπως η εξάρτηση από κάλυψη νεφών, οι μέθοδοι μικροκυμάτων προσφέρουν μια εναλλακτική λύση, ειδικά σε συνθήκες νέφους.<br /> Η μεθοδολογία OPTRAM είναι μια φυσική προσέγγιση που χρησιμοποιεί κατανομή pixel εντός NDVI και μετασχηματισμένο χώρο ανάκλασης υπέρυθρων βραχέων κυμάτων για την εκτίμηση της υγρασίας του εδάφους. Οι στόχοι περιλαμβάνουν την ανάπτυξη μιας αυτόνομης οπτικής μεθόδου RS για την ανίχνευση αρδευόμενων περιοχών, που συνδυάζει την μη επιβλεπόμενη ταξινόμηση και το OPTRAM. Η μέθοδος προορίζεται να επικυρωθεί σε διαφορετικά χωρικά επίπεδα και υπό ποικίλες κλιματικές συνθήκες. Ο στόχος είναι η παροχή μιας φιλικής προς τον χρήστη, αναπαραγόμενη μέθοδο, ανεξάρτητη από δεδομένα αναφοράς εδάφους, υποστηρίζοντας τους ενδιαφερόμενους στην παρακολούθηση και την αναφορά των αρδευόμενων περιοχών. Αυτή η προσέγγιση στοχεύει να διευκολύνει την εφαρμογή αποτελεσματικών στρατηγικών εξοικονόμησης νερού και τη συμμόρφωση με τις πολιτικές που σχετίζονται με το νερό.<br /> <br /> '''ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ'''<br /> <br /> '''1. Περιοχή μελέτης'''<br /> <br /> Το άρθρο διερεύνησε δύο τοποθεσίες δοκιμών: την περιοχή άρδευσης «Quota 102,50» στην Ανατολική Σικελία (2019–2020) και την περιοχή «Marchfeld Cropland» στην Κάτω Αυστρία (2021). Η περιοχή «Quota 102,50» εκτείνεται σε 5050 εκτάρια, και περιέχει κυρίως ελαιώνες εσπεριδοειδών και φρούτων, ενώ η Marchfeld, που καλύπτει 60.000 εκτάρια, καλλιεργούνται λαχανικά και δημητριακά. Και οι δύο έχουν ξεχωριστές περιόδους άρδευσης και ποικίλες ετήσιες βροχοπτώσεις.<br /> <br /> [[Αρχείο:Tests_sites.png]]<br /> <br /> '''2. Εντοπισμός των αρδευόμενων εκτάσεων'''<br /> <br /> Η μεθοδολογική προσέγγιση περιλαμβάνει μια άνευ επίβλεψης ταξινόμηση εποχιακών χρονοσειρών NDVI που ακολουθείται από εφαρμογή μοντέλου OPTRAM για την ανίχνευση αρδευόμενων περιοχών. Οι αρχικές πηγές δεδομένων περιλαμβάνουν δορυφορικές εικόνες Sentinel-2, τιμές βροχόπτωσης και παραμέτρους εδάφους. Χρησιμοποιούνται εικόνες καθαρού ουρανού, με μια προκαταρκτική ανάλυση βροχοπτώσεων που προσδιορίζει τις περιόδους ξηρασίας. Οι τιμές NDVI και STR υπολογίζονται για πιθανά αρδευόμενα τμήματα.<br /> <br /> [[Αρχείο:OPTRAM_MODEL.png]]<br /> <br /> '''3. Εισαγωγή δεδομένων'''<br /> <br /> Η μελέτη χρησιμοποίησε πολυφασματικές εικόνες από τον δορυφόρο Sentinel-2 ESA, εξοπλισμένο με οπτοηλεκτρονικό πολυφασματικό αισθητήρα, παρέχοντας χωρική ανάλυση 10–60 m σε φασματικές ζώνες VIS, NIR και SWIR. Με χρονική ανάλυση 10 ημερών ανά δορυφόρο, συλλέχθηκαν συνολικά 158 εικόνες για τις περιοχές μελέτης κατά την περίοδο 2019–2020 και 2021. Δημιουργήθηκαν NDVI χρονοσειρές για κάθε σύνολο δεδομένων. Τα δεδομένα βροχοπτώσεων ελήφθησαν από κοντινούς μετεωρολογικούς σταθμούς. <br /> <br /> '''4. Μη επιβλεπόμενη ταξινόμηση'''<br /> <br /> Η μη επιβλεπόμενη ταξινόμηση με τις χρονοσειρές NDVI έγινε με τη χρήση του αλγορίθμου ISODATA, με στόχο την ομαδοποίηση παρόμοιων μοτίβων σε συστάδες. Προτείνεται μια υπόθεση, η οποία συσχετίζει τα υψηλά και αυξανόμενα προφίλ NDVI με τις αρδευόμενες εκτάσεις κατά την ξηρή περίοδο. Ορίζεται ένα όριο 0,3 NDVI και δημιουργούνται 20 ομάδες για τη διάκριση μεταξύ δυνητικά αρδευόμενων και μη αρδευόμενων περιοχών. Οι μη γεωργικές εκτάσεις εξαιρούνται με βάση τα χρονικά προφίλ NDVI, διευκολύνοντας τη μετέπειτα ανάλυση.<br /> <br /> '''5. Οπτικό τραπεζοειδές μοντέλο'''<br /> <br /> Το μοντέλο OPTRAM χρησιμοποιεί ένα τραπεζοειδές μοντέλο, που δημιουργείται με τη σχεδίαση της σχέσης μεταξύ του δείκτη NDVI και της Μετασχηματισμένης Ανάκλασης Υπέρυθρων Βραχέων Κυμάτων (STR). Αυτό το μοντέλο χρησιμεύει ως αναπαράσταση της περιεκτικότητας σε νερό του εδάφους και της βλάστησης. Το μοντέλο χρησιμοποιεί γραμμικές παραμετροποιήσεις κατά μήκος των υγρών και ξηρών άκρων του μοντέλου.<br /> <br /> Σε αυτό, η πάνω και η κάτω πλευρά δηλώνουν υγρές και ξηρές συνθήκες, αντίστοιχα. Το OPTRAM υπολογίζει την περιεκτικότητα σε νερό (W) για μεμονωμένα pixel με βάση τις τιμές NDVI και STR. Το τραπεζοειδές μοντέλο επιτρέπει μια λεπτομερής ανάλυση, προσφέροντας πληροφορίες σχετικά με τις διακυμάνσεις της περιεκτικότητας σε νερό του εδάφους και της βλάστησης κατά την περίοδο άρδευσης. Εφαρμόζοντας αυτό το μοντέλο, γίνεται διάκριση μεταξύ καλά ποτισμένης και υδατικά καταπονημένης βλάστησης, ιδιαίτερα χρήσιμη για τον εντοπισμό των αρδευόμενων περιοχών και την κατανόηση των συνθηκών υγρασίας του εδάφους κάτω από διαφορετικά σενάρια.<br /> <br /> [[Αρχείο:TRAPEZOID_MODEL.png]]<br /> <br /> '''6. Στατιστική αξιολόγηση'''<br /> <br /> Τα ευρήματά επικυρώθηκαν σε δύο μέτωπα: πρώτον, σε επίπεδο αγρού στην περιοχή Marchfeld Cropland και, δεύτερον, σε επίπεδο περιφέρειας στην αρδευτική περιοχή Quota 102,50.<br /> Η αξιολόγηση ακρίβειας σε επίπεδο αγρού στην περιοχή Marchfeld Cropland χρησιμοποίησε έναν δυαδικό πίνακα σύγχυσης, συγκρίνοντας τις εκτιμώμενες αρδευόμενες/μη αρδευόμενες εκτάσεις με δεδομένα αναφοράς από μια ολοκληρωμένη επιτόπια έρευνα το 2021. Η έρευνα συγκέντρωσε γεωαναφερόμενες παρατηρήσεις της κατάστασης άρδευσης για 2560 χωράφια, με μετρήσεις όπως η αποδοτικότητα της άρδευσης (ακρίβεια και ανάκληση) και η βαθμολογία F1. Μια ανάλυση ευαισθησίας εξέτασε τη μεταβολή του ορίου μαρασμού (WP) για την αξιολόγηση της ευρωστίας των αποτελεσμάτων.<br /> Για την αρδευτική περιοχή Quota 102,50, η μελέτη συνέκρινε τη συνολική αρδευόμενη έκταση που προσδιορίστηκε μέσω της μεθοδολογίας της με δεδομένα που παρέχονται από την Κοινοπραξία. Αυτή η σύγκριση είχε ως στόχο να αξιολογήσει την ακρίβεια της προτεινόμενης προσέγγισης στην εκτίμηση της συνολικής αρδευόμενης επιφάνειας σε επίπεδο περιοχής.<br /> Οι μετρήσεις που χρησιμοποιούνται, παρέχουν μια ολοκληρωμένη αξιολόγηση της απόδοσης του μοντέλου, ενώ η ανάλυση ευαισθησίας βοηθά στην κατανόηση του αντίκτυπου των διακυμάνσεων στο όριο WP στα αποτελέσματα. Η σύγκριση σε επίπεδο περιφέρειας διασφαλίζει μια ευρύτερη αξιολόγηση της εφαρμοσιμότητας και της αξιοπιστίας της προτεινόμενης μεθοδολογίας σε μεγαλύτερες γεωγραφικές περιοχές.<br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ'''<br /> <br /> Στην περιοχή Marchfeld Cropland, τα αποτελέσματα έδειξαν 64% μη αρδευόμενες και 36% αρδευόμενες εκτάσεις, με συνολική ακρίβεια 71%, όπως επικυρώθηκε με βάση τα δεδομένα αναφοράς. Μια ανάλυση ευαισθησίας αξιολόγησε τον αντίκτυπο της μεταβολής του ορίου μαρασμού (WP) στις μετρήσεις.<br /> Για την περιοχή άρδευσης Quota 102,50, τα αποτελέσματα επικυρώθηκαν με βάση τα δεδομένα της Κοινοπραξίας, δείχνοντας αξιοσημείωτη υπερεκτίμηση (20,98% και 21,16%) των αρδευόμενων εκτάσεων σε σύγκριση με τις δηλωμένες τιμές για το 2019 και το 2020. Η ανάλυση αφορούσε προφίλ NDVI, παραμέτρους OPTRAM και μετρήσεις σύγκρισης.<br /> <br /> [[Αρχείο:Irrigated_Area.png]]<br /> <br /> [[Αρχείο:IRR_AREA.png]]<br /> <br /> '''ΣΥΖΗΤΗΣΗ'''<br /> <br /> Υπάρχει κρίσιμη ανάγκη για ακριβείς και επίκαιρους χάρτες των αρδευόμενων περιοχών στο πλαίσιο της λειψυδρίας. Σε αντίθεση με προηγούμενες μεθόδους που βασίζονται σε διαδικασίες εκπαίδευσης και δένδρα αποφάσεων, αυτή η αυτόνομη προσέγγιση οπτικής τηλεπισκόπησης δεν απαιτεί εκπαίδευση, καθιστώντας την εύκολα αναπαραγόμενη σε διαφορετικά περιβάλλοντα. Η μέθοδος ενσωματώνει ταξινόμηση χωρίς επίβλεψη, χρονική ανάλυση προφίλ NDVI και μοντελοποίηση OPTRAM, χρησιμοποιώντας δορυφορικές εικόνες, δεδομένα βροχόπτωσης και πληροφορίες για την περιεκτικότητα σε νερό του εδάφους. Τα αποτελέσματα, που επικυρώθηκαν με βάση τα δεδομένα αναφοράς, έδειξαν λογική ακρίβεια, με συνολική ακρίβεια 70% για την αυστριακή τοποθεσία το 2021. Ωστόσο, ορισμένοι περιορισμοί, όπως αβεβαιότητες στην ταξινόμηση και οπτική επιθεώρηση χωρίς επίβλεψη και ο αντίκτυπος της υγρασίας του εδάφους, χρειάζονται περαιτέρω διερεύνηση για τη βελτίωση της μεθόδου. Η προσέγγιση προσφέρει πολύτιμη συμβολή στη χαρτογράφηση άρδευσης μεγάλης κλίμακας χωρίς μεγάλη εξάρτηση από δεδομένα εδάφους από απευθείας παρατήρηση ή διαδικασίες εκπαίδευσης.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η μέθοδος απαιτεί ελάχιστα δεδομένα εισόδου (δορυφορικές εικόνες χωρίς σύννεφα, παράμετροι βροχοπτώσεων και εδαφικού νερού) χωρίς να βασίζεται σε πληροφορίες τύπου καλλιέργειας αναφοράς, διασφαλίζοντας τη δυνατότητα μεταφοράς σε χρόνο και χώρο. Δοκιμασμένη στην Αυστρία και την Ιταλία, η προσέγγιση πέτυχε συνολική ακρίβεια 70% και προσδιόρισε με ακρίβεια τις αρδευόμενες εκτάσεις. Παρά τη χαμηλότερη ακρίβεια από τις εποπτευόμενες μεθόδους, η μελέτη υπογραμμίζει τις δυνατότητες του OPTRAM για αρδευτικούς σκοπούς. Η μελλοντική έρευνα θα μπορούσε να βελτιώσει την προσέγγιση αντιμετωπίζοντας τις αβεβαιότητες και επιτρέποντας την εφαρμογή σε πλατφόρμες υπολογιστικού νέφους για ευρύτερες εφαρμογές. Τελικά, η μέθοδος υποστηρίζει αποφάσεις διαχείρισης του νερού βάσει δεδομένων, ενισχύοντας τη βιωσιμότητα της αρδευόμενης γεωργίας και βοηθώντας τα κράτη μέλη της ΕΕ να εκπληρώσουν τις υποχρεώσεις της Οδηγίας Πλαίσιο για τα Νερά.<br /> <br /> <br /> <br /> [[category:Σχεδιασμός αδρευτικών συστημάτων]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T10:01:22Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> <br /> <br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> [[Αρχείο:Υγιες_φύλλο_2.png]]<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> [[Αρχείο: Άρρωστο φύλλο.png]]<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T10:01:08Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> <br /> <br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> [[Αρχείο:Υγιες_φύλλο_2.png]]<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> [[Αρχείο: Άρρωστο φύλλο.png]]<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%80%CE%BF%CF%83%CF%84%CE%BF%CE%BB%CE%BF%CF%80%CE%BF%CF%8D%CE%BB%CE%BF%CF%85_%CE%9A%CE%B1%CF%84%CE%B5%CF%81%CE%AF%CE%BD%CE%B1 2024-02-26T10:00:02Z

<p>Cathy ap: </p> <hr /> <div>[[Εφαρμογές της επεξεργασίας εικόνας στην Γεωπονία: Μια έρευνα]]<br /> <br /> [[Ανίχνευση φυτοασθενειών με χρήση τεχνικών επεξεργασίας εικόνας]]<br /> <br /> [[Μια προσέγγιση τηλεπισκόπησης που βασίζεται στη χρήση του οπτικού τραπεζοειδούς μοντέλου για την ανίχνευση των αρδευόμενων περιοχών]]<br /> <br /> [[Διερεύνηση των επιπέδων αλατότητας και οργανικού άνθρακα στα γεωργικά εδάφη της Λέσβου με χρήση γεωπληροφορικής]]<br /> <br /> [[Εξαγωγή χαρακτηριστικών με χρήση δείκτη κανονικοποιημένης διαφοράς βλάστησης (NDVI): μια μελέτη περίπτωσης της πόλης Jabalpur]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BE%CE%B1%CE%B3%CF%89%CE%B3%CE%AE_%CF%87%CE%B1%CF%81%CE%B1%CE%BA%CF%84%CE%B7%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B7_%CE%BA%CE%B1%CE%BD%CE%BF%CE%BD%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CE%AC%CF%82_%CE%B2%CE%BB%CE%AC%CF%83%CF%84%CE%B7%CF%83%CE%B7%CF%82_(NDVI):_%CE%BC%CE%B9%CE%B1_%CE%BC%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%80%CF%8C%CE%BB%CE%B7%CF%82_Jabalpur 2024-02-26T09:59:49Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Feature Extraction using Normalized Difference Vegetation Index (NDVI): a Case Study of Jabalpur City&quot; ==<br /> '''Συγγραφείς:''' A. K. Bhandaria, A. Kumara, and G. K. Singhb<br /> '''Πηγή:'''[[https://www.sciencedirect.com/science/article/pii/S2212017312006196?ref=cra_js_challenge&amp;fr=RR-1]]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Αυτή η μελέτη διερευνά τη χρήση πολυφασματικών εικόνων για την ανάλυση της περιοχής Jabalpur, με στόχο την εξαγωγή χαρακτηριστικών όπως βλάστηση, υδάτινα σώματα, κάλυψη γης και αστικές περιοχές για δημόσια χρήση και πρόληψη καταστροφών, ιδιαίτερα πλημμύρες. Η μελέτη χρησιμοποιεί πολυφασματικές εικόνες INSAT με κανάλια στο εγγύς υπέρυθρο, στο κόκκινο και στο πράσσινο. Η ψηφιακή επεξεργασία εικόνας περιλαμβάνει αλγόριθμους και NDVI (Normalized Difference Vegetation Index) για την επισήμανση της βλάστησης. Το NDVI βρίσκει εφαρμογές στην παρακολούθηση της βλάστησης, στην αξιολόγηση της κάλυψης των καλλιεργειών και στην παρακολούθηση της ξηρασίας.<br /> Διάφορες τεχνικές όπως το NDVI, το Τεχνητό Νευρωνικό Δίκτυο (ANN) και μέθοδοι όπως ο Διακριτής Μετασχηματισμός Κυματιδίων (DWT) και η Αποσύνθεση Ενιαίας Τιμής (SVD) χρησιμοποιούνται για την ανάλυση δορυφορικών εικόνων. Ο στόχος είναι η εξαγωγή χαρακτηριστικών από δεδομένα πολλαπλών ζωνών, παρουσιάζοντας διαφορετικές μεθοδολογίες για εξαγωγή και ανάλυση χαρακτηριστικών.<br /> <br /> '''ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΠΕΡΙΓΡΑΦΗ''' <br /> <br /> Η έρευνα επικεντρώθηκε σε μια μελέτη περίπτωσης που πραγματοποιήθηκε στο κεντρικό τμήμα της Ινδίας, συγκεκριμένα στην περιοχή Jabalpur. Τοποθετημένο εντός της Madhya Pradesh της Ινδίας, το Jabalpur βρίσκεται περίπου σε 23° 10' 0&quot; βόρειο γεωγραφικό πλάτος και 79° 57' 0&quot; ανατολικό γεωγραφικό μήκος, όπως απεικονίζεται στο Fig 1α.<br /> <br /> [[Αρχείο:Jabalpur.png]]<br /> <br /> '''ΕΠΙΣΚΟΠΗΣΗ ΤΟΥ NDVI'''<br /> <br /> Ο NDVI (Normalized Difference Vegetation Index) είναι μια ευρέως χρησιμοποιούμενη μέθοδος για την αξιολόγηση της υγείας των καλλιεργειών σε γεωργικά πλαίσια. Λόγω των διαφορών στις ιδιότητες του εδάφους μεταξύ των χωραφιών, η γεωργία ακριβείας βασίζεται σε γεωστατιστικές για την ανάλυση των επιφανειών χωρικής συνέχειας που παράγονται από πληροφορίες σημείου NDVI. Οι εικόνες που ανιχνεύονται από απόσταση, που χαρακτηρίζονται από χωρικές και φασματικές αναλύσεις, παίζουν καθοριστικό ρόλο. Οι χωρικές και φασματικές αναλύσεις αναφέρονται στη γεωμετρική σχέση μεταξύ των εικονοστοιχείων και των παραλλαγών εντός των εικονοστοιχείων με βάση το μήκος κύματος. Το NDVI, που προέρχεται από πολυφασματικές εικόνες τηλεπισκόπησης, χρησιμοποιεί αυτές τις αναλύσεις για να διακρίνει τη βλάστηση από άλλα υλικά, βασιζόμενο κυρίως στα μοναδικά μοτίβα ανακλαστικότητας σε διαφορετικές φασματικές ζώνες. Το NDVI χρησιμεύει ως κοινός και αποτελεσματικός δείκτης για την ανάδειξη περιοχών βλάστησης σε εικόνες τηλεπισκόπησης.<br /> <br /> '''ΜΕΘΟΔΟΛΟΓΙΑ ΒΑΣΙΣΜΕΝΗ ΣΤΟΝ ΔΕΙΚΤΗ NDVI'''<br /> <br /> Αυτή η ενότητα χρησιμοποιεί την τεχνική NDVI για την εξαγωγή διαφόρων χαρακτηριστικών από τη δορυφορική εικόνα 3 ζωνών της περιοχής Jabalpur. Η βλάστηση είναι ένας κρίσιμος βιοφυσικός δείκτης για τη διάβρωση του εδάφους και οι δείκτες βλάστησης που προέρχονται από δορυφορικές εικόνες βοηθούν στην αξιολόγηση της κατανομής της. Το NDVI, ένας αριθμητικός δείκτης, βασίζεται στη διαφορά μεταξύ των ζωνών Near-Infrared (NIR) και των κόκκινων ζωνών, παρέχοντας πληροφορίες για τη ζωντανή πράσινη βλάστηση. <br /> Ομαλοποιεί αυτή τη διαφορά για να μετριάσει τον αντίκτυπο του ανομοιόμορφου φωτισμού, όπως οι σκιές ή τα σύννεφα. Οι τιμές NDVI αντιστοιχούν σε διαφορετικούς τύπους κάλυψης γης, με τις χαμηλές τιμές να υποδεικνύουν άγονες περιοχές, τις μέτριες τιμές να αντιπροσωπεύουν θάμνους και λιβάδια και οι υψηλές τιμές να υποδηλώνουν εύκρατα και τροπικά δάση. Η εξαγωγή των χαρακτηριστικών εκτελείται χρησιμοποιώντας τρεις ορατές ζώνες: κοντά στο υπέρυθρο, ορατό κόκκινο και ορατό πράσινο. Ο βαθμός πρασίνου συνδέεται με τη συγκέντρωση χλωροφύλλης, επηρεάζοντας τις τιμές NDVI μέσω της απορρόφησης του κόκκινου φωτός από τη χλωροφύλλη και της ανάκλασης της υπέρυθρης ακτινοβολίας από τα γεμάτα νερό κύτταρα φύλλων. Το διάγραμμα ροής στο Fig.3 περιγράφει τα βήματα της προτεινόμενης μεθοδολογίας, δίνοντας έμφαση στην εφαρμογή του NDVI για εξαγωγή χαρακτηριστικών σε διαφορετικές φασματικές ζώνες. <br /> <br /> [[Αρχείο:Μεθοδολογία.png]]<br /> <br /> '''1. Εύρεση βλάστησης σε πολυφασματική δορυφορική εικόνα'''<br /> <br /> Για την ανίχνευση του δείκτη βλάστησης σε μια πολυφασματική εικόνα, η διαδικασία NDVI περιλαμβάνει τον διαχωρισμό κάθε ζώνης που υπάρχει στη δορυφορική εικόνα. Μετά από αυτόν τον διαχωρισμό, η μέθοδος NDVI εφαρμόζεται χρησιμοποιώντας διαφορετικές τιμές κατωφλίου, όπως 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4 και 0,5. Αυτές οι διάφορες τιμές κατωφλίου χρησιμοποιούνται για την επίτευξη βέλτιστων αποτελεσμάτων στην εξαγωγή πληροφοριών βλάστησης από τη δορυφορική εικόνα της περιοχής Jabalpur.<br /> <br /> '''2. Δημιουργία εικόνων FCC (False Color Composite)'''<br /> <br /> Η διαδικασία αλλαγής των χρωμάτων σε μια εικόνα, όπως η αντικατάσταση του κόκκινου με μπλε, του πράσινου με κόκκινο και του μπλε με πράσινο, είναι γνωστή ως ψευδής έγχρωμη εικόνα ή Σύνθετο ψευδών χρωμάτων (FCC). Ο σκοπός της δημιουργίας μιας σύνθεσης ψευδών χρωμάτων είναι να επισημανθούν και να εντοπιστούν συγκεκριμένα χαρακτηριστικά μέσα στην εικόνα με την ανάθεση διαφορετικών χρωμάτων σε αυτά.<br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Η μελέτη χρησιμοποιεί εκτενώς τοn NDVI (Normalized Difference Vegetation Index) για την αξιολόγηση της ευρωστίας και του ρυθμού ανάπτυξης της βλάστησης, καθώς και για την ανίχνευση αλλαγών στη βλάστηση. Τα αποτελέσματα που εξάγονται από τη δορυφορική εικόνα της περιοχής Jabalpur συγκρίνονται με τις εικόνες του Google Earth, παρουσιάζοντας σημαντική βελτίωση. Οι πολυφασματικές εικόνες αποδίδουν βέλτιστα αποτελέσματα για όλα τα χαρακτηριστικά σε τιμή NDVI 0,3, ενώ η δεύτερη εικόνα έχει καλή απόδοση σε τιμή NDVI 0,2. Οι τιμές NDVI κυμαίνονται από 0,1 έως 0,5 για την εξαγωγή των καλύτερων χαρακτηριστικών από το Jabalpur. Η ανάλυση περιλαμβάνει διάφορες ζώνες, δείκτες βλάστησης και σύνθετα ψεύτικα χρώματα, επιδεικνύοντας διακριτά χαρακτηριστικά όπως βλάστηση, δομές, υδάτινα σώματα και υπόλοιπες περιοχές στην περιοχή Jabalpur.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η μελέτη χρησιμοποιεί εκτενώς τοn NDVI για την αξιολόγηση της ζωτικότητας και του ρυθμού ανάπτυξης των φυτών, καθώς και για τον εντοπισμό αλλαγών στη βλάστηση. Τα αποτελέσματα που εξήχθησαν από την ανάλυση της δορυφορικής εικόνας της περιοχής του Jabalpur συγκρίνονται με εικόνες του Google Earth, εμφανίζοντας σημαντική βελτίωση. Οι πολυφασματικές εικόνες παρέχουν βέλτιστα αποτελέσματα για όλα τα χαρακτηριστικά στην τιμή NDVI 0,3, ενώ η δεύτερη εικόνα λειτουργεί καλά στην τιμή NDVI 0,2. Οι τιμές NDVI κυμαίνονται από 0,1 έως 0,5 για την εξαγωγή των καλύτερων χαρακτηριστικών από το Jabalpur. Η ανάλυση περιλαμβάνει διάφορες ζώνες, δείκτες βλάστησης και λανθασμένες χρωματικές σύνθεσής, επιδεικνύοντας διακριτικά χαρακτηριστικά, όπως η βλάστηση, τα κτίρια, τα ύδατα και τα υπόλοιπα στην περιοχή του Jabalpur.<br /> <br /> <br /> <br /> <br /> [[category:Γεωργία]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BE%CE%B1%CE%B3%CF%89%CE%B3%CE%AE_%CF%87%CE%B1%CF%81%CE%B1%CE%BA%CF%84%CE%B7%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B7_%CE%BA%CE%B1%CE%BD%CE%BF%CE%BD%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CE%AC%CF%82_%CE%B2%CE%BB%CE%AC%CF%83%CF%84%CE%B7%CF%83%CE%B7%CF%82_(NDVI):_%CE%BC%CE%B9%CE%B1_%CE%BC%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%80%CF%8C%CE%BB%CE%B7%CF%82_Jabalpur 2024-02-26T09:59:21Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Feature Extraction using Normalized Difference Vegetation Index (NDVI): a Case Study of Jabalpur City&quot; ==<br /> '''Συγγραφείς:''' A. K. Bhandaria, A. Kumara, and G. K. Singhb<br /> '''Πηγή:'''[[https://www.sciencedirect.com/science/article/pii/S2212017312006196?ref=cra_js_challenge&amp;fr=RR-1]]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Αυτή η μελέτη διερευνά τη χρήση πολυφασματικών εικόνων για την ανάλυση της περιοχής Jabalpur, με στόχο την εξαγωγή χαρακτηριστικών όπως βλάστηση, υδάτινα σώματα, κάλυψη γης και αστικές περιοχές για δημόσια χρήση και πρόληψη καταστροφών, ιδιαίτερα πλημμύρες. Η μελέτη χρησιμοποιεί πολυφασματικές εικόνες INSAT με κανάλια στο εγγύς υπέρυθρο, στο κόκκινο και στο πράσσινο. Η ψηφιακή επεξεργασία εικόνας περιλαμβάνει αλγόριθμους και NDVI (Normalized Difference Vegetation Index) για την επισήμανση της βλάστησης. Το NDVI βρίσκει εφαρμογές στην παρακολούθηση της βλάστησης, στην αξιολόγηση της κάλυψης των καλλιεργειών και στην παρακολούθηση της ξηρασίας.<br /> Διάφορες τεχνικές όπως το NDVI, το Τεχνητό Νευρωνικό Δίκτυο (ANN) και μέθοδοι όπως ο Διακριτής Μετασχηματισμός Κυματιδίων (DWT) και η Αποσύνθεση Ενιαίας Τιμής (SVD) χρησιμοποιούνται για την ανάλυση δορυφορικών εικόνων. Ο στόχος είναι η εξαγωγή χαρακτηριστικών από δεδομένα πολλαπλών ζωνών, παρουσιάζοντας διαφορετικές μεθοδολογίες για εξαγωγή και ανάλυση χαρακτηριστικών.<br /> <br /> '''ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΠΕΡΙΓΡΑΦΗ''' <br /> <br /> Η έρευνα επικεντρώθηκε σε μια μελέτη περίπτωσης που πραγματοποιήθηκε στο κεντρικό τμήμα της Ινδίας, συγκεκριμένα στην περιοχή Jabalpur. Τοποθετημένο εντός της Madhya Pradesh της Ινδίας, το Jabalpur βρίσκεται περίπου σε 23° 10' 0&quot; βόρειο γεωγραφικό πλάτος και 79° 57' 0&quot; ανατολικό γεωγραφικό μήκος, όπως απεικονίζεται στο Fig 1α.<br /> <br /> [[Αρχείο:Jabalpur.png]]<br /> <br /> '''ΕΠΙΣΚΟΠΗΣΗ ΤΟΥ NDVI'''<br /> <br /> Ο NDVI (Normalized Difference Vegetation Index) είναι μια ευρέως χρησιμοποιούμενη μέθοδος για την αξιολόγηση της υγείας των καλλιεργειών σε γεωργικά πλαίσια. Λόγω των διαφορών στις ιδιότητες του εδάφους μεταξύ των χωραφιών, η γεωργία ακριβείας βασίζεται σε γεωστατιστικές για την ανάλυση των επιφανειών χωρικής συνέχειας που παράγονται από πληροφορίες σημείου NDVI. Οι εικόνες που ανιχνεύονται από απόσταση, που χαρακτηρίζονται από χωρικές και φασματικές αναλύσεις, παίζουν καθοριστικό ρόλο. Οι χωρικές και φασματικές αναλύσεις αναφέρονται στη γεωμετρική σχέση μεταξύ των εικονοστοιχείων και των παραλλαγών εντός των εικονοστοιχείων με βάση το μήκος κύματος. Το NDVI, που προέρχεται από πολυφασματικές εικόνες τηλεπισκόπησης, χρησιμοποιεί αυτές τις αναλύσεις για να διακρίνει τη βλάστηση από άλλα υλικά, βασιζόμενο κυρίως στα μοναδικά μοτίβα ανακλαστικότητας σε διαφορετικές φασματικές ζώνες. Το NDVI χρησιμεύει ως κοινός και αποτελεσματικός δείκτης για την ανάδειξη περιοχών βλάστησης σε εικόνες τηλεπισκόπησης.<br /> <br /> '''ΜΕΘΟΔΟΛΟΓΙΑ ΒΑΣΙΣΜΕΝΗ ΣΤΟΝ ΔΕΙΚΤΗ NDVI'''<br /> <br /> Αυτή η ενότητα χρησιμοποιεί την τεχνική NDVI για την εξαγωγή διαφόρων χαρακτηριστικών από τη δορυφορική εικόνα 3 ζωνών της περιοχής Jabalpur. Η βλάστηση είναι ένας κρίσιμος βιοφυσικός δείκτης για τη διάβρωση του εδάφους και οι δείκτες βλάστησης που προέρχονται από δορυφορικές εικόνες βοηθούν στην αξιολόγηση της κατανομής της. Το NDVI, ένας αριθμητικός δείκτης, βασίζεται στη διαφορά μεταξύ των ζωνών Near-Infrared (NIR) και των κόκκινων ζωνών, παρέχοντας πληροφορίες για τη ζωντανή πράσινη βλάστηση. <br /> Ομαλοποιεί αυτή τη διαφορά για να μετριάσει τον αντίκτυπο του ανομοιόμορφου φωτισμού, όπως οι σκιές ή τα σύννεφα. Οι τιμές NDVI αντιστοιχούν σε διαφορετικούς τύπους κάλυψης γης, με τις χαμηλές τιμές να υποδεικνύουν άγονες περιοχές, τις μέτριες τιμές να αντιπροσωπεύουν θάμνους και λιβάδια και οι υψηλές τιμές να υποδηλώνουν εύκρατα και τροπικά δάση. Η εξαγωγή των χαρακτηριστικών εκτελείται χρησιμοποιώντας τρεις ορατές ζώνες: κοντά στο υπέρυθρο, ορατό κόκκινο και ορατό πράσινο. Ο βαθμός πρασίνου συνδέεται με τη συγκέντρωση χλωροφύλλης, επηρεάζοντας τις τιμές NDVI μέσω της απορρόφησης του κόκκινου φωτός από τη χλωροφύλλη και της ανάκλασης της υπέρυθρης ακτινοβολίας από τα γεμάτα νερό κύτταρα φύλλων. Το διάγραμμα ροής στο Fig.3 περιγράφει τα βήματα της προτεινόμενης μεθοδολογίας, δίνοντας έμφαση στην εφαρμογή του NDVI για εξαγωγή χαρακτηριστικών σε διαφορετικές φασματικές ζώνες. <br /> <br /> [[Αρχείο:Μεθοδολογία.png]]<br /> <br /> '''1. Εύρεση βλάστησης σε πολυφασματική δορυφορική εικόνα'''<br /> <br /> Για την ανίχνευση του δείκτη βλάστησης σε μια πολυφασματική εικόνα, η διαδικασία NDVI περιλαμβάνει τον διαχωρισμό κάθε ζώνης που υπάρχει στη δορυφορική εικόνα. Μετά από αυτόν τον διαχωρισμό, η μέθοδος NDVI εφαρμόζεται χρησιμοποιώντας διαφορετικές τιμές κατωφλίου, όπως 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4 και 0,5. Αυτές οι διάφορες τιμές κατωφλίου χρησιμοποιούνται για την επίτευξη βέλτιστων αποτελεσμάτων στην εξαγωγή πληροφοριών βλάστησης από τη δορυφορική εικόνα της περιοχής Jabalpur.<br /> <br /> '''2. Δημιουργία εικόνων FCC (False Color Composite)'''<br /> <br /> Η διαδικασία αλλαγής των χρωμάτων σε μια εικόνα, όπως η αντικατάσταση του κόκκινου με μπλε, του πράσινου με κόκκινο και του μπλε με πράσινο, είναι γνωστή ως ψευδής έγχρωμη εικόνα ή Σύνθετο ψευδών χρωμάτων (FCC). Ο σκοπός της δημιουργίας μιας σύνθεσης ψευδών χρωμάτων είναι να επισημανθούν και να εντοπιστούν συγκεκριμένα χαρακτηριστικά μέσα στην εικόνα με την ανάθεση διαφορετικών χρωμάτων σε αυτά.<br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Η μελέτη χρησιμοποιεί εκτενώς τοn NDVI (Normalized Difference Vegetation Index) για την αξιολόγηση της ευρωστίας και του ρυθμού ανάπτυξης της βλάστησης, καθώς και για την ανίχνευση αλλαγών στη βλάστηση. Τα αποτελέσματα που εξάγονται από τη δορυφορική εικόνα της περιοχής Jabalpur συγκρίνονται με τις εικόνες του Google Earth, παρουσιάζοντας σημαντική βελτίωση. Οι πολυφασματικές εικόνες αποδίδουν βέλτιστα αποτελέσματα για όλα τα χαρακτηριστικά σε τιμή NDVI 0,3, ενώ η δεύτερη εικόνα έχει καλή απόδοση σε τιμή NDVI 0,2. Οι τιμές NDVI κυμαίνονται από 0,1 έως 0,5 για την εξαγωγή των καλύτερων χαρακτηριστικών από το Jabalpur. Η ανάλυση περιλαμβάνει διάφορες ζώνες, δείκτες βλάστησης και σύνθετα ψεύτικα χρώματα, επιδεικνύοντας διακριτά χαρακτηριστικά όπως βλάστηση, δομές, υδάτινα σώματα και υπόλοιπες περιοχές στην περιοχή Jabalpur.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η μελέτη χρησιμοποιεί εκτενώς τοn NDVI για την αξιολόγηση της ζωτικότητας και του ρυθμού ανάπτυξης των φυτών, καθώς και για τον εντοπισμό αλλαγών στη βλάστηση. Τα αποτελέσματα που εξήχθησαν από την ανάλυση της δορυφορικής εικόνας της περιοχής του Jabalpur συγκρίνονται με εικόνες του Google Earth, εμφανίζοντας σημαντική βελτίωση. Οι πολυφασματικές εικόνες παρέχουν βέλτιστα αποτελέσματα για όλα τα χαρακτηριστικά στην τιμή NDVI 0,3, ενώ η δεύτερη εικόνα λειτουργεί καλά στην τιμή NDVI 0,2. Οι τιμές NDVI κυμαίνονται από 0,1 έως 0,5 για την εξαγωγή των καλύτερων χαρακτηριστικών από το Jabalpur. Η ανάλυση περιλαμβάνει διάφορες ζώνες, δείκτες βλάστησης και λανθασμένες χρωματικές σύνθεσής, επιδεικνύοντας διακριτικά χαρακτηριστικά, όπως η βλάστηση, τα κτίρια, τα ύδατα και τα υπόλοιπα στην περιοχή του Jabalpur.<br /> <br /> <br /> <br /> <br /> [[category:Γεωργία]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BE%CE%B1%CE%B3%CF%89%CE%B3%CE%AE_%CF%87%CE%B1%CF%81%CE%B1%CE%BA%CF%84%CE%B7%CF%81%CE%B9%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%B5%CE%AF%CE%BA%CF%84%CE%B7_%CE%BA%CE%B1%CE%BD%CE%BF%CE%BD%CE%B9%CE%BA%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B4%CE%B9%CE%B1%CF%86%CE%BF%CF%81%CE%AC%CF%82_%CE%B2%CE%BB%CE%AC%CF%83%CF%84%CE%B7%CF%83%CE%B7%CF%82_(NDVI):_%CE%BC%CE%B9%CE%B1_%CE%BC%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%80%CF%8C%CE%BB%CE%B7%CF%82_Jabalpur 2024-02-26T09:58:17Z

<p>Cathy ap: Νέα σελίδα με '== Πρωτότυπος τίτλος&quot;Feature Extraction using Normalized Difference Vegetation Index (NDVI): a Case Study of Jabalpur City&quot; == '''Συγγραφείς:''' ...'</p> <hr /> <div>== Πρωτότυπος τίτλος&quot;Feature Extraction using Normalized Difference Vegetation Index (NDVI): a Case Study of Jabalpur City&quot; ==<br /> '''Συγγραφείς:''' A. K. Bhandaria, A. Kumara, and G. K. Singhb<br /> '''Πηγή:'''[[https://www.sciencedirect.com/science/article/pii/S2212017312006196?ref=cra_js_challenge&amp;fr=RR-1]]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Αυτή η μελέτη διερευνά τη χρήση πολυφασματικών εικόνων για την ανάλυση της περιοχής Jabalpur, με στόχο την εξαγωγή χαρακτηριστικών όπως βλάστηση, υδάτινα σώματα, κάλυψη γης και αστικές περιοχές για δημόσια χρήση και πρόληψη καταστροφών, ιδιαίτερα πλημμύρες. Η μελέτη χρησιμοποιεί πολυφασματικές εικόνες INSAT με κανάλια στο εγγύς υπέρυθρο, στο κόκκινο και στο πράσσινο. Η ψηφιακή επεξεργασία εικόνας περιλαμβάνει αλγόριθμους και NDVI (Normalized Difference Vegetation Index) για την επισήμανση της βλάστησης. Το NDVI βρίσκει εφαρμογές στην παρακολούθηση της βλάστησης, στην αξιολόγηση της κάλυψης των καλλιεργειών και στην παρακολούθηση της ξηρασίας.<br /> Διάφορες τεχνικές όπως το NDVI, το Τεχνητό Νευρωνικό Δίκτυο (ANN) και μέθοδοι όπως ο Διακριτής Μετασχηματισμός Κυματιδίων (DWT) και η Αποσύνθεση Ενιαίας Τιμής (SVD) χρησιμοποιούνται για την ανάλυση δορυφορικών εικόνων. Ο στόχος είναι η εξαγωγή χαρακτηριστικών από δεδομένα πολλαπλών ζωνών, παρουσιάζοντας διαφορετικές μεθοδολογίες για εξαγωγή και ανάλυση χαρακτηριστικών.<br /> <br /> '''ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ ΚΑΙ ΠΕΡΙΓΡΑΦΗ''' <br /> <br /> Η έρευνα επικεντρώθηκε σε μια μελέτη περίπτωσης που πραγματοποιήθηκε στο κεντρικό τμήμα της Ινδίας, συγκεκριμένα στην περιοχή Jabalpur. Τοποθετημένο εντός της Madhya Pradesh της Ινδίας, το Jabalpur βρίσκεται περίπου σε 23° 10' 0&quot; βόρειο γεωγραφικό πλάτος και 79° 57' 0&quot; ανατολικό γεωγραφικό μήκος, όπως απεικονίζεται στο Fig 1α.<br /> <br /> [[Αρχείο:Jabalpur.png]]<br /> <br /> '''ΕΠΙΣΚΟΠΗΣΗ ΤΟΥ NDVI'''<br /> <br /> Ο NDVI (Normalized Difference Vegetation Index) είναι μια ευρέως χρησιμοποιούμενη μέθοδος για την αξιολόγηση της υγείας των καλλιεργειών σε γεωργικά πλαίσια. Λόγω των διαφορών στις ιδιότητες του εδάφους μεταξύ των χωραφιών, η γεωργία ακριβείας βασίζεται σε γεωστατιστικές για την ανάλυση των επιφανειών χωρικής συνέχειας που παράγονται από πληροφορίες σημείου NDVI. Οι εικόνες που ανιχνεύονται από απόσταση, που χαρακτηρίζονται από χωρικές και φασματικές αναλύσεις, παίζουν καθοριστικό ρόλο. Οι χωρικές και φασματικές αναλύσεις αναφέρονται στη γεωμετρική σχέση μεταξύ των εικονοστοιχείων και των παραλλαγών εντός των εικονοστοιχείων με βάση το μήκος κύματος. Το NDVI, που προέρχεται από πολυφασματικές εικόνες τηλεπισκόπησης, χρησιμοποιεί αυτές τις αναλύσεις για να διακρίνει τη βλάστηση από άλλα υλικά, βασιζόμενο κυρίως στα μοναδικά μοτίβα ανακλαστικότητας σε διαφορετικές φασματικές ζώνες. Το NDVI χρησιμεύει ως κοινός και αποτελεσματικός δείκτης για την ανάδειξη περιοχών βλάστησης σε εικόνες τηλεπισκόπησης.<br /> <br /> '''ΜΕΘΟΔΟΛΟΓΙΑ ΒΑΣΙΣΜΕΝΗ ΣΤΟΝ ΔΕΙΚΤΗ NDVI'''<br /> <br /> Αυτή η ενότητα χρησιμοποιεί την τεχνική NDVI για την εξαγωγή διαφόρων χαρακτηριστικών από τη δορυφορική εικόνα 3 ζωνών της περιοχής Jabalpur. Η βλάστηση είναι ένας κρίσιμος βιοφυσικός δείκτης για τη διάβρωση του εδάφους και οι δείκτες βλάστησης που προέρχονται από δορυφορικές εικόνες βοηθούν στην αξιολόγηση της κατανομής της. Το NDVI, ένας αριθμητικός δείκτης, βασίζεται στη διαφορά μεταξύ των ζωνών Near-Infrared (NIR) και των κόκκινων ζωνών, παρέχοντας πληροφορίες για τη ζωντανή πράσινη βλάστηση. <br /> Ομαλοποιεί αυτή τη διαφορά για να μετριάσει τον αντίκτυπο του ανομοιόμορφου φωτισμού, όπως οι σκιές ή τα σύννεφα. Οι τιμές NDVI αντιστοιχούν σε διαφορετικούς τύπους κάλυψης γης, με τις χαμηλές τιμές να υποδεικνύουν άγονες περιοχές, τις μέτριες τιμές να αντιπροσωπεύουν θάμνους και λιβάδια και οι υψηλές τιμές να υποδηλώνουν εύκρατα και τροπικά δάση. Η εξαγωγή των χαρακτηριστικών εκτελείται χρησιμοποιώντας τρεις ορατές ζώνες: κοντά στο υπέρυθρο, ορατό κόκκινο και ορατό πράσινο. Ο βαθμός πρασίνου συνδέεται με τη συγκέντρωση χλωροφύλλης, επηρεάζοντας τις τιμές NDVI μέσω της απορρόφησης του κόκκινου φωτός από τη χλωροφύλλη και της ανάκλασης της υπέρυθρης ακτινοβολίας από τα γεμάτα νερό κύτταρα φύλλων. Το διάγραμμα ροής στο Fig.3 περιγράφει τα βήματα της προτεινόμενης μεθοδολογίας, δίνοντας έμφαση στην εφαρμογή του NDVI για εξαγωγή χαρακτηριστικών σε διαφορετικές φασματικές ζώνες. <br /> <br /> [[Αρχείο:Μεθοδολογία.png]]<br /> <br /> '''1. Εύρεση βλάστησης σε πολυφασματική δορυφορική εικόνα'''<br /> <br /> Για την ανίχνευση του δείκτη βλάστησης σε μια πολυφασματική εικόνα, η διαδικασία NDVI περιλαμβάνει τον διαχωρισμό κάθε ζώνης που υπάρχει στη δορυφορική εικόνα. Μετά από αυτόν τον διαχωρισμό, η μέθοδος NDVI εφαρμόζεται χρησιμοποιώντας διαφορετικές τιμές κατωφλίου, όπως 0,1, 0,15, 0,2, 0,25, 0,3, 0,35, 0,4 και 0,5. Αυτές οι διάφορες τιμές κατωφλίου χρησιμοποιούνται για την επίτευξη βέλτιστων αποτελεσμάτων στην εξαγωγή πληροφοριών βλάστησης από τη δορυφορική εικόνα της περιοχής Jabalpur.<br /> <br /> '''2. Δημιουργία εικόνων FCC (False Color Composite)'''<br /> <br /> Η διαδικασία αλλαγής των χρωμάτων σε μια εικόνα, όπως η αντικατάσταση του κόκκινου με μπλε, του πράσινου με κόκκινο και του μπλε με πράσινο, είναι γνωστή ως ψευδής έγχρωμη εικόνα ή Σύνθετο ψευδών χρωμάτων (FCC). Ο σκοπός της δημιουργίας μιας σύνθεσης ψευδών χρωμάτων είναι να επισημανθούν και να εντοπιστούν συγκεκριμένα χαρακτηριστικά μέσα στην εικόνα με την ανάθεση διαφορετικών χρωμάτων σε αυτά.<br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Η μελέτη χρησιμοποιεί εκτενώς τοn NDVI (Normalized Difference Vegetation Index) για την αξιολόγηση της ευρωστίας και του ρυθμού ανάπτυξης της βλάστησης, καθώς και για την ανίχνευση αλλαγών στη βλάστηση. Τα αποτελέσματα που εξάγονται από τη δορυφορική εικόνα της περιοχής Jabalpur συγκρίνονται με τις εικόνες του Google Earth, παρουσιάζοντας σημαντική βελτίωση. Οι πολυφασματικές εικόνες αποδίδουν βέλτιστα αποτελέσματα για όλα τα χαρακτηριστικά σε τιμή NDVI 0,3, ενώ η δεύτερη εικόνα έχει καλή απόδοση σε τιμή NDVI 0,2. Οι τιμές NDVI κυμαίνονται από 0,1 έως 0,5 για την εξαγωγή των καλύτερων χαρακτηριστικών από το Jabalpur. Η ανάλυση περιλαμβάνει διάφορες ζώνες, δείκτες βλάστησης και σύνθετα ψεύτικα χρώματα, επιδεικνύοντας διακριτά χαρακτηριστικά όπως βλάστηση, δομές, υδάτινα σώματα και υπόλοιπες περιοχές στην περιοχή Jabalpur.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η μελέτη χρησιμοποιεί εκτενώς τοn NDVI για την αξιολόγηση της ζωτικότητας και του ρυθμού ανάπτυξης των φυτών, καθώς και για τον εντοπισμό αλλαγών στη βλάστηση. Τα αποτελέσματα που εξήχθησαν από την ανάλυση της δορυφορικής εικόνας της περιοχής του Jabalpur συγκρίνονται με εικόνες του Google Earth, εμφανίζοντας σημαντική βελτίωση. Οι πολυφασματικές εικόνες παρέχουν βέλτιστα αποτελέσματα για όλα τα χαρακτηριστικά στην τιμή NDVI 0,3, ενώ η δεύτερη εικόνα λειτουργεί καλά στην τιμή NDVI 0,2. Οι τιμές NDVI κυμαίνονται από 0,1 έως 0,5 για την εξαγωγή των καλύτερων χαρακτηριστικών από το Jabalpur. Η ανάλυση περιλαμβάνει διάφορες ζώνες, δείκτες βλάστησης και λανθασμένες χρωματικές σύνθεσής, επιδεικνύοντας διακριτικά χαρακτηριστικά, όπως η βλάστηση, τα κτίρια, τα ύδατα και τα υπόλοιπα στην περιοχή του Jabalpur.<br /> <br /> <br /> <br /> <br /> [[category:Γεωργία]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%9C%CE%B5%CE%B8%CE%BF%CE%B4%CE%BF%CE%BB%CE%BF%CE%B3%CE%AF%CE%B1.png 2024-02-26T09:56:27Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Jabalpur.png 2024-02-26T09:54:48Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%94%CE%B9%CE%B5%CF%81%CE%B5%CF%8D%CE%BD%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B5%CF%80%CE%B9%CF%80%CE%AD%CE%B4%CF%89%CE%BD_%CE%B1%CE%BB%CE%B1%CF%84%CF%8C%CF%84%CE%B7%CF%84%CE%B1%CF%82_%CE%BA%CE%B1%CE%B9_%CE%BF%CF%81%CE%B3%CE%B1%CE%BD%CE%B9%CE%BA%CE%BF%CF%8D_%CE%AC%CE%BD%CE%B8%CF%81%CE%B1%CE%BA%CE%B1_%CF%83%CF%84%CE%B1_%CE%B3%CE%B5%CF%89%CF%81%CE%B3%CE%B9%CE%BA%CE%AC_%CE%B5%CE%B4%CE%AC%CF%86%CE%B7_%CF%84%CE%B7%CF%82_%CE%9B%CE%AD%CF%83%CE%B2%CE%BF%CF%85_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B3%CE%B5%CF%89%CF%80%CE%BB%CE%B7%CF%81%CE%BF%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AE%CF%82 2024-02-26T09:48:34Z

<p>Cathy ap: Νέα σελίδα με '== Πρωτότυπος τίτλος &quot;Exploring the spatial patterns of soil salinity and organic carbon in agricultural areas of Lesvos Island, Greece, using geoinformati...'</p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Exploring the spatial patterns of soil salinity and organic carbon in agricultural areas of Lesvos Island, Greece, using geoinformation technologies.&quot; ==<br /> '''Συγγραφείς:''' Christina Lekka , George P. Petropoulos, Dimitris Triantakonstantis, Spyridon E. Detsikas, Christos Chalkias<br /> '''Πηγή:''' [[https://link.springer.com/article/10.1007/s10661-023-10923-5]]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> Αυτή η μελέτη πραγματεύεται το παγκόσμιο ζήτημα της αλατότητας του εδάφους, μια σημαντική απειλή για την υγεία του εδάφους και τη γεωργική του παραγωγικότητα. Η αλάτωση του εδάφους, ιδιαίτερα διαδεδομένη σε άνυδρες και ημίξηρες περιοχές, επηρεάζει αρνητικά την ποιότητα του εδάφους, την ανάπτυξη της βλάστησης και την παραγωγή τροφίμων. Η πολύπλοκη σχέση μεταξύ του οργανικού άνθρακα του εδάφους (SOC) και της αλατότητας επηρεάζεται από διάφορους παράγοντες, όπως η αναστολή της ανάπτυξης των φυτών και η μείωση της μικροβιακής δραστηριότητας. Καθώς εντείνεται η αλατότητα του εδάφους, η οποία επιδεινώνεται από μη βιώσιμες γεωργικές πρακτικές, η ανάγκη ανίχνευσης, παρακολούθησης και αξιολόγησης των εδαφών που επηρεάζονται από το αλάτι γίνεται κρίσιμη, ειδικά σε αγροτικές περιοχές με προκλήσεις άρδευσης.<br /> Οι τεχνολογίες γεωπληροφοριών, ειδικά η τηλεπισκόπηση (RS) και τα συστήματα γεωγραφικών πληροφοριών (GIS), προσφέρουν αποτελεσματικές λύσεις για την παρακολούθηση της αλατότητας του εδάφους. Το RS επιτρέπει μη καταστροφική, οικονομικά αποδοτική παρακολούθηση σε διαφορετικές χωρικές και χρονικές κλίμακες. Η μελέτη τονίζει τη σημασία του RS και του GIS για την ανίχνευση και την παρακολούθηση της αλατότητας του εδάφους, επιδεικνύοντας την αξιοπιστία τους στη χαρτογράφηση εδαφών που επηρεάζονται από αλάτι. Ο Παγκόσμιος χάρτης των εδαφών που επηρεάζονται από το αλάτι (GSAS) που κυκλοφόρησε πρόσφατα από τον Οργανισμό Τροφίμων και Γεωργίας (FAO) επισημαίνεται ως σημαντική πρόοδος σε αυτόν τον τομέα.<br /> Εστιάζοντας στη νήσο Λέσβο στην Ελλάδα, η μελέτη προτείνει μια τροποποιημένη έκδοση του μοντέλου του FAO για τη χαρτογράφηση των αλμυρών εδαφών. Οι στόχοι περιλαμβάνουν την ανάπτυξη ενός μοντέλου πιθανοτήτων για τη χωρική κατανομή εδαφών με υψηλή αλατότητα σε καλλιεργήσιμες εκτάσεις και τη διερεύνηση της χωρικής συσχέτισης μεταξύ της κατανομής αλατούχου εδάφους και του αποθέματος SOC. Η μεθοδολογία, που εφαρμόζεται σε περιβάλλον GIS, αντιπροσωπεύει μια προσαρμοσμένη προσέγγιση εμπνευσμένη από το μοντέλο του FAO για τη χαρτογράφηση εδαφών που επηρεάζονται από αλάτι.<br /> <br /> '''ΠΕΡΙΟΧΗ ΜΕΛΕΤΗΣ'''<br /> <br /> Η Λέσβος, το τρίτο μεγαλύτερο στην Ελλάδα, βρίσκεται στο βορειοανατολικό Αιγαίο Πέλαγος, εκτείνεται από 39° Β έως 26° Δ. Γνωστό για την πλούσια βιοποικιλότητά του, το νησί διαθέτει ποικίλα οικοσυστήματα, όπως φυσικά λιβάδια, θαμνώδεις εκτάσεις, δάση, πολυετείς οπωρώνες και ετήσιες αρδευόμενες καλλιέργειες. Το κλίμα παρουσιάζει ευδιάκριτα εποχιακά μοτίβα σε βροχοπτώσεις και θερμοκρασία, που χαρακτηρίζονται από ξηρά-θερμικά καλοκαίρια και υγρούς χειμώνες. Με μέση θερμοκρασία γύρω στους 17°C, η Λέσβος παρουσιάζει σημαντικές θερμοκρασιακές διακυμάνσεις. Οι βροχοπτώσεις ποικίλλουν χωρικά και κυμαίνονται από 725 mm στις ανατολικές υγροτοπικές περιοχές έως 415 mm στις δυτικές ημίξηρες περιοχές. Οι ξηρόθερμες συνθήκες, σε συνδυασμό με τις μη βιώσιμες γεωργικές πρακτικές που υιοθετούν οι ντόπιοι αγρότες, δημιουργούν ευνοϊκές συνθήκες για την ανάπτυξη εδαφών που επηρεάζονται από το αλάτι. Στο πιο άνυδρο δυτικό τμήμα της Λέσβου, αυτά τα αλατούχα εδάφη έχουν αυξηθεί, οδηγώντας σε υποβάθμιση της γης και ερημοποίηση.<br /> <br /> '''ΔΕΔΟΜΕΝΑ'''<br /> <br /> '''1. Μετρήσεις Πεδίου'''<br /> <br /> Τα δεδομένα πεδίου για αυτή τη μελέτη, που συλλέχθηκαν το 2015 από διάφορες τοποθεσίες στην ανατολική και κεντρική Λέσβο, επικεντρώθηκαν σε δείγματα φυτικού εδάφους. Μετά τη συλλογή, τα δείγματα εδάφους υποβλήθηκαν σε ολοκληρωμένη ανάλυση των φυσικών και χημικών ιδιοτήτων τους μέσω διαδικασιών υγροχημείας σε εργαστήριο εδάφους. Το σύνολο δεδομένων που προέκυψε από αυτήν την ανάλυση περιελάβανε μετρήσεις ηλεκτρικής αγωγιμότητας κορεσμένης πάστας (ECe). Η πλειονότητα των τιμών ECe, που αποτελεί το 89,7% του συνόλου δεδομένων εδάφους, υπερέβη τα 4 dS m−1. Επιπλέον, το 7,8% των εδαφών εμφάνισε τιμές ECe που κυμαίνονταν από 4 έως 8 dS m−1. Ένα μικρότερο ποσοστό, 1,7%, είχε τιμές ECe μεταξύ 8 και 15 dS m−1, ενώ το 0,9% ξεπέρασε τα 15 dS m−1. Τα εδαφικά δεδομένα που χρησιμοποιήθηκαν σε αυτή τη μελέτη προέρχονται από το αρχείο του Τμήματος Εδάφους της Αθήνας-Ινστιτούτο Εδάφους και Υδάτινων Πόρων, ΕΛΓΟ-ΔΗΜΗΤΡΑ, και η εικόνα απεικονίζει την γεωγραφική κατανομή των σημείων των μετρήσεων.<br /> <br /> [[Αρχείο:Lesvos_1.png]]<br /> <br /> '''2. Δορυφορικά δεδομένα'''<br /> <br /> Οι δείκτες βλάστησης και αλατότητας υπολογίστηκαν χρησιμοποιώντας δεδομένα Landsat 8 OLI USGS Level 2 Collection 2 Surface Reflectance (SR), συγκεκριμένα τις μέσες τιμές πολυφασματικών εικόνων Tier 1 για το 2015 στο νησί της Λέσβου, με χωρική ανάλυση 30 μέτρων. Οι εικόνες Landsat 8 SR ελήφθησαν μέσω του Google Earth Engine (GEE), μιας πλατφόρμας που βασίζεται σε cloud που διευκολύνει την αποτελεσματική πρόσβαση και την επεξεργασία δεδομένων τηλεπισκόπησης. Επιπλέον, τα μετεωρολογικά δεδομένα για το έτος 2015, συμπεριλαμβανομένων της μέσης, μέγιστης και ελάχιστης θερμοκρασίας (°C) και των τιμών βροχόπτωσης (mm), λήφθηκαν από το Terra Climate σε χωρική ανάλυση 4 km, χρησιμοποιώντας επίσης GEE. Επιπλέον, η μελέτη ενσωμάτωσε το Ψηφιακό Υψομετρικό Μοντέλο (DEM) της ASTER για τη Λέσβο, που ελήφθη από την πλατφόρμα USGS Earth Explorer, χωρικής ανάλυσης 30 μέτρων. Η πρόσβαση σε όλα αυτά τα σύνολα δεδομένων ήταν δωρεάν.<br /> <br /> '''3. Εδαφολογικός χάρτης οργανικού άνθρακα'''<br /> <br /> Τα δεδομένα για το απόθεμα οργανικού άνθρακα του εδάφους, και συγκεκριμένα ο χάρτης «Οργανικός Άνθρακας Επιφανείας Εδάφους (LUCAS)», ελήφθησαν χωρίς κόστος από το Ευρωπαϊκό Κέντρο Δεδομένων Εδάφους (ESDAC). Αυτό το σύνολο δεδομένων, που αναπτύχθηκε το 2014, καλύπτει 25 κράτη μέλη της Ευρωπαϊκής Ένωσης και παρέχει πληροφορίες σχετικά με τα εκτιμώμενα αποθέματα οργανικού άνθρακα του εδάφους (SOC) εντός του βάθους εδάφους 0–20 cm, μετρημένα σε γραμμάρια άνθρακα ανά κιλό εδάφους (g C kg⁻1). Η χωρική ανάλυση αυτού του συνόλου δεδομένων είναι 500 μέτρα. Τα δεδομένα δημιουργήθηκαν χρησιμοποιώντας ένα γενικευμένο προσθετικό μοντέλο (GAM), το οποίο προσαρμόστηκε στο 85% του συνόλου δεδομένων με R² 0,29, χρησιμοποιώντας την περιεκτικότητα σε οργανικό άνθρακα (OC) ως εξαρτημένη μεταβλητή. Η συνολική ακρίβεια του μοντέλου οδήγησε σε R² 0,27.<br /> <br /> '''ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> '''Επισκόπηση Μεθοδολογίας'''<br /> <br /> Η μεθοδολογία περιλαμβάνει πολλαπλά βήματα για τη χαρτογράφηση εδαφών που έχουν πρόβλημα αλατότητας και τη διερεύνηση της χωρικής τους συσχέτισης με τον οργανικό άνθρακα του εδάφους (SOC) στη Λέσβο. Τα βασικά βήματα περιλαμβάνουν την προεπεξεργασία, την εξαγωγή τοπογραφικών δεικτών, την ενσωμάτωση κλιματικών παραμέτρων, την εκτίμηση των δεικτών βλάστησης και αλατότητας, την εφαρμογή της ανάλυσης κύριου συστατικού (PCA) και την ανάπτυξη ενός μοντέλου λογιστικής παλινδρόμησης για την αλατότητα του εδάφους. Πραγματοποιείται επικύρωση μοντέλου χρησιμοποιώντας καμπύλες ROC και η μελέτη διερευνά επίσης τη χωρική συσχέτιση μεταξύ αλατότητας εδάφους και SOC.<br /> <br /> '''Προεπεξεργασία'''<br /> <br /> Τα γεωχωρικά δεδομένα αποθηκεύονται, γεωοροθετούνται και επεξεργάζονται στο ArcGIS, συμπεριλαμβανομένων τοπογραφικών δεικτών που προέρχονται από το DEM, κλιματικών παραμέτρων μειωμένης κλίμακας χρησιμοποιώντας συνηθισμένο kriging και δεικτών βλάστησης/αλατότητας από εικόνες Landsat 8 OLI SR.<br /> <br /> '''Τοπογραφικοί δείκτες'''<br /> <br /> Τοπογραφικοί παράγοντες όπως η κλίση, η καμπυλότητα της κάτοψης, το επίπεδο βάσης του δικτύου καναλιών και ο τοπογραφικός δείκτης υγρασίας προέρχονται από το QGIS για τη μοντελοποίηση της αλατότητας του εδάφους.<br /> <br /> '''Κλιματικές Παράμετροι'''<br /> <br /> Η μέση βροχόπτωση και η μέγιστη/ελάχιστη θερμοκρασία για το 2015 λαμβάνονται από το TerraClimate, μειώνοντας την κλίμακα χρησιμοποιώντας συνηθισμένο kriging για να ταιριάζει με τη χωρική ανάλυση 30x30 m.<br /> <br /> '''Δείκτες βλάστησης και αλατότητας'''<br /> <br /> Δεκατρείς δορυφορικοί δείκτες αναπτύχθηκαν από εικόνες Landsat 8 και το PCA εφαρμόζεται για τη μείωση του πλεονασμού και την επιλογή των κύριων στοιχείων (PC1 και PC2) για το μοντέλο λογιστικής παλινδρόμησης.<br /> <br /> '''Χαρτογράφηση αλατότητας εδάφους'''<br /> <br /> Αναπτύχθηκε ένα μοντέλο λογιστικής παλινδρόμησης με εννέα ανεξάρτητες μεταβλητές για την πρόβλεψη εδαφών με προβλήματα αλατότητας σε καλλιεργήσιμες εκτάσεις, με βάση τις τιμές ECe. Πραγματοποιείται κανονικοποίηση και το μοντέλο εφαρμόζεται στο ArcGIS χρησιμοποιώντας συντελεστές εξίσωσης λογιστικής παλινδρόμησης.<br /> <br /> '''Επικύρωση μοντέλου'''<br /> <br /> Η ανάλυση ROC αξιολογεί την ακρίβεια πρόβλεψης του μοντέλου λογιστικής παλινδρόμησης, με μια τιμή AUC που υποδεικνύει την ποιότητά του. Συνολικά χρησιμοποιούνται 220 σημεία δείγματος για την επικύρωση.<br /> <br /> '''Χάρτης Οργανικού Άνθρακα εδάφους'''<br /> <br /> Τα δεδομένα SOC λαμβάνονται από το Ευρωπαϊκό Κέντρο Δεδομένων Εδάφους (ESDAC) και εκτελείται μια χωρική ένωση για να συσχετιστεί το περιεχόμενο SOC με συγκεκριμένες περιοχές καλλιέργειας.<br /> <br /> '''Ανάλυση χωρικής συσχέτισης'''<br /> <br /> Η ανάλυση hotspot (Getis-Ord Gi*) και η ανάλυση cluster/outlier (Local Moran's I) εφαρμόζονται για την αξιολόγηση των χωρικών τάσεων και της συσχέτισης μεταξύ της αλατότητας του εδάφους και του SOC.<br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ'''<br /> <br /> '''Αποτελέσματα μοντέλου πιθανότητας'''<br /> <br /> Η μελέτη χρησιμοποιεί παράγοντες όπως η γεωμορφολογία, η υγρασία, οι τοπογραφικοί δείκτες, η βροχόπτωση, η θερμοκρασία και οι δείκτες τηλεπισκόπησης για την εκτίμηση της χωρικής πιθανότητας αλατότητας του εδάφους σε καλλιέργειες της Λέσβου. Το μοντέλο λογιστικής παλινδρόμησης δείχνει συνολική ακρίβεια 97,1% στην πρόβλεψη αλμυρών εδαφών. Σημαντικοί παράγοντες περιλαμβάνουν τη βροχόπτωση, τις ετήσιες θερμοκρασίες και τη γεωμορφολογία του εδάφους. Το μοντέλο ερμηνεύει το 11,3% της διακύμανσης στην αλατότητα του εδάφους.<br /> <br /> '''Επικύρωση μοντέλου και χωρική κατανομή'''<br /> <br /> Η μέθοδος της καμπύλης ROC χρησιμοποιείται για την επικύρωση του μοντέλου, εμφανίζοντας καλά αποτελέσματα με εμβαδόν κάτω από την καμπύλη (AUC) 0,73. Η χωρική κατανομή των περιοχών πιθανότητας δείχνει ότι σχεδόν το 55% της γεωργικής γης έχει χαμηλή πιθανότητα αλατότητας, ενώ το 23,7% στα δυτικά και ΝΑ τμήματα έχει υψηλή πιθανότητα.<br /> <br /> '''Παράγοντες που επηρεάζουν την αλατότητα του εδάφους'''<br /> <br /> Η αλάτωση του εδάφους στη Λέσβο οφείλεται τόσο σε ανθρώπινους όσο και σε κλιματικούς παράγοντες, όπως η χαμηλή ετήσια βροχόπτωση, η υψηλή εξατμισοδιαπνοή και η ξηρασία. Περιοχές με μεγάλη πιθανότητα αλατότητας συγκεντρώνονται στο δυτικό τμήμα με χαμηλότερες βροχοπτώσεις.<br /> Χωρική συσχέτιση αλατότητας με τον οργανικό άνθρακα του εδάφους (SOC)<br /> Οι παγκόσμιες και τοπικές αναλύσεις χωρικής αυτοσυσχέτισης αποκαλύπτουν θετική χωρική αυτοσυσχέτιση τόσο για την πιθανότητα αλατότητας του εδάφους όσο και για το SOC. Συστάδες πιθανότητας υψηλής αλατότητας συμπίπτουν με συστάδες χαμηλής SOC, ιδιαίτερα στις βόρειες και ανατολικές περιοχές.<br /> <br /> [[Αρχείο:Λέσβος_2.png]]<br /> <br /> '''Ανάλυση Hot Spot'''<br /> <br /> Η στατιστική Getis-Ord Gi εντοπίζει θερμά σημεία αλατότητας στα νοτιοανατολικά και κεντρικά τμήματα της Λέσβου, ενώ ψυχρά σημεία παρατηρούνται κυρίως στο νοτιοανατολικό τμήμα. Η κατανομή των χαμηλών επιπέδων SOC αντιστοιχεί σε περιοχές με υψηλή πιθανότητα αλατότητας, εκτός από ορισμένες περιοχές με ετερογένεια λόγω φυσικής βλάστησης.<br /> <br /> [[Αρχείο:Λέσβος_3.png]]<br /> <br /> '''ΣΥΖΗΤΗΣΗ'''<br /> Γενικά, το LR, που χρησιμοποιήθηκε προηγουμένως σε διάφορες περιβαλλοντικές μελέτες, αποδεικνύεται αποτελεσματικό στην πρόβλεψη αλατούχων εδαφών. Το μοντέλο που αναπτύχθηκε, με Nagelkerke R² 11,3%, προσδιορίζει τους κλιματικούς παράγοντες (ετήσιες θερμοκρασίες και βροχοπτώσεις) και την τοπογραφία (υψόμετρο και επίπεδο βάσης δικτύου καναλιών) ως σημαντικούς παράγοντες.<br /> Η ακρίβεια του μοντέλου επαληθεύεται μέσω της καμπύλης ROC, επιδεικνύοντας καλή προσαρμοστικότητα (AUC = 0,73). Οι συγκρίσεις με άλλες μελέτες υπογραμμίζουν τη σταθερή επίδραση προγνωστικών παραγόντων όπως η τοπογραφία στην πρόβλεψη της αλατότητας του εδάφους.<br /> Η αλάτωση του εδάφους αποτελεί σημαντική απειλή για το περιβάλλον, τη γονιμότητα και την ασφάλεια των τροφίμων, επηρεάζοντας τις αποδόσεις των καλλιεργειών παγκοσμίως. Η μελέτη τονίζει την ανάγκη προσαρμογής των πρακτικών γεωργικής διαχείρισης και των συστημάτων άρδευσης για τον μετριασμό των δυσμενών επιπτώσεων στη γεωργική παραγωγή και την ποιότητα του εδάφους. Οι κύριες αιτίες της αλατότητας του εδάφους στη Λέσβο εντοπίζονται ως οι χαμηλές βροχοπτώσεις, ο υψηλός δείκτης βιοκλιματικής ξηρασίας και οι μη βιώσιμες γεωργικές πρακτικές.<br /> Η μελέτη διερευνά τα χωρικά μοτίβα της αλατότητας του εδάφους και των αποθεμάτων οργανικού άνθρακα σε καλλιεργήσιμες εκτάσεις. Τα εδάφη με υψηλή πιθανότητα αλατότητας παρατηρείται ότι ακολουθούν διαφορετικά χωρικά πρότυπα από εκείνα με υψηλή περιεκτικότητα σε οργανικό άνθρακα. Περιοχές με υψηλή πιθανότητα αλατότητας συχνά συσχετίζονται με χαμηλό οργανικό άνθρακα, υποδηλώνοντας μια πιθανή αρνητική επίδραση. Οι γεωργικές περιοχές, ιδιαίτερα οι αρόσιμες και μη αρδευόμενες εκτάσεις, και οι ελαιώνες προσδιορίζονται ως πιο επιρρεπείς στην αλάτωση του εδάφους. Η χωρική ανάλυση αποκαλύπτει μια πιθανή συσχέτιση μεταξύ της αλατότητας του εδάφους και της περιεκτικότητας σε οργανικό άνθρακα. Οι περιοχές με πιθανότητα υψηλής αλατότητας ομαδοποιούνται όπου επικρατούν χαμηλές τιμές SOC, υποδεικνύοντας πιθανή αρνητική επίδραση στην περιεκτικότητα σε SOC. Αυτό ευθυγραμμίζεται με προηγούμενες μελέτες που υποδηλώνουν ότι τα εδάφη που επηρεάζονται από αλάτι τείνουν να ελαχιστοποιούν τις εισροές διοξειδίου του άνθρακα και έχουν περιορισμένη SOC, συμβάλλοντας σε αυξημένα ποσοστά απελευθέρωσης άνθρακα στην ατμόσφαιρα μέσω της υποβάθμισης του εδάφους.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Αυτή η μελέτη χρησιμοποιεί τεχνολογίες γεωπληροφορικής, συμπεριλαμβανομένης της τηλεπισκόπησης (RS) και των Συστημάτων Γεωγραφικών Πληροφοριών (GIS), για την εκτίμηση της πιθανότητας αλατότητας του εδάφους σε γεωργικές περιοχές της Λέσβου. Το πιθανοτικό μοντέλο, που βασίζεται στην λογιστική παλινδρόμηση, πέτυχε ένα σωστό ποσοστό πρόβλεψης 97,1%, με το Nagelkerke R² να ερμηνεύει το 11,3% της διακύμανσης της εξαρτημένης μεταβλητής. Το συνολικό μοντέλο είναι στατιστικά σημαντικό, καθιστώντας το μια αξιόπιστη μέθοδο για την πρόβλεψη της αλατότητας του εδάφους σε γεωργικά εδάφη, δυνητικά εφαρμόσιμη σε παρόμοιες περιβαλλοντικές συνθήκες.<br /> <br /> '''Σημαντικά ευρήματα'''<br /> <br /> '''1. Ακρίβεια μοντέλου:''' Το μοντέλο λογιστικής παλινδρόμησης έδειξε υψηλή ακρίβεια, προβλέποντας σωστά τα περιστατικά αλατότητας. Η στατιστική σημασία του μοντέλου και η περιοχή κάτω από την καμπύλη ROC (AUC) 0,73 επικυρώνουν την αποτελεσματικότητά του για την πρόβλεψη της αλατότητας του εδάφους.<br /> <br /> '''2. Χωρική κατανομή:''' Το δυτικό τμήμα της Λέσβου, που περιλαμβάνει περίπου το 20% των γεωργικών εκτάσεων, εμφανίζει τις υψηλότερες πιθανότητες αλατότητας του εδάφους. Συνολική έκταση 169,51 km², κυρίως στο δυτικό και νοτιοανατολικό τμήμα, υποδηλώνει μεγάλη πιθανότητα εμφάνισης αλατότητας του εδάφους, κάτι που δικαιολογεί περαιτέρω διερεύνηση.<br /> <br /> '''3. Σχέση SOC:''' Η γεωχωρική ανάλυση αποκαλύπτει μια μικρή διακύμανση στην περιεκτικότητα σε οργανικό άνθρακα του εδάφους (SOC) σε εδάφη με αυξημένη πιθανότητα αλατότητας του εδάφους. Τα διαφορετικά μοτίβα χωρικής κατανομής των δύο παραμέτρων υποδηλώνουν αρνητικές χωρικές συσχετίσεις, υποδεικνύοντας δυσμενείς επιπτώσεις των αλατούχων εδαφών στη συσσώρευση SOC.<br /> <br /> <br /> <br /> [[category:Γεωργία]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%9B%CE%AD%CF%83%CE%B2%CE%BF%CF%82_3.png 2024-02-26T09:45:34Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%9B%CE%AD%CF%83%CE%B2%CE%BF%CF%82_2.png 2024-02-26T09:44:29Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Lesvos_1.png 2024-02-26T09:40:19Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%9C%CE%B9%CE%B1_%CF%80%CF%81%CE%BF%CF%83%CE%AD%CE%B3%CE%B3%CE%B9%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%80%CE%BF%CF%85_%CE%B2%CE%B1%CF%83%CE%AF%CE%B6%CE%B5%CF%84%CE%B1%CE%B9_%CF%83%CF%84%CE%B7_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%BF%CF%8D_%CF%84%CF%81%CE%B1%CF%80%CE%B5%CE%B6%CE%BF%CE%B5%CE%B9%CE%B4%CE%BF%CF%8D%CF%82_%CE%BC%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF%CF%85_%CE%B3%CE%B9%CE%B1_%CF%84%CE%B7%CE%BD_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B1%CF%81%CE%B4%CE%B5%CF%85%CF%8C%CE%BC%CE%B5%CE%BD%CF%89%CE%BD_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD 2024-02-26T09:29:47Z

<p>Cathy ap: Νέα σελίδα με '== Πρωτότυπος τίτλος &quot;A stand-alone remote sensing approach based on the use of the optical trapezoid model for detecting the irrigated areas&quot; == '''Συγ...'</p> <hr /> <div>== Πρωτότυπος τίτλος &quot;A stand-alone remote sensing approach based on the use of the optical trapezoid model for detecting the irrigated areas&quot; ==<br /> '''Συγγραφείς:''' Giuseppe Longo-Minnolo , Simona Consoli , Daniela Vanella, Juan Miguel Ramírez-Cuesta , Isabella Greimeister-Pfeil , Martin Neuwirth , Francesco Vuolo <br /> '''Πηγή:''' [https://www.sciencedirect.com/science/article/pii/S0378377422005224]<br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η λειψυδρία αποτελεί σημαντικό παγκόσμιο κίνδυνο, επηρεάζοντας τη ζωή του ανθρώπου, ιδίως καθώς η κλιματική αλλαγή συμβάλλει σε μελλοντικές παρατεταμένες ξηρασίες και αυξημένη εξάρτηση των καλλιεργειών από την παροχή νερού. Η αρδευόμενη γεωργία, ένας σημαντικός καταναλωτής γλυκού νερού, διαδραματίζει κρίσιμο ρόλο στην παγκόσμια παραγωγή τροφίμων. Παρά την παγκόσμια αύξηση του πληθυσμού, υπάρχει μια ασυμφωνία μεταξύ των απαιτήσεων σε νερό των καλλιεργειών και των πραγματικών πρακτικών άρδευσης, γεγονός που καθιστά αναγκαία τη βελτιωμένη διαχείριση του γεωργικού νερού.<br /> Η ακριβής χαρτογράφηση των αρδευόμενων περιοχών είναι απαραίτητη για αποτελεσματικές στρατηγικές διαχείρισης των υδάτων. Οι υφιστάμενες προσπάθειες, όπως η απογραφή INEA της Ιταλίας και οι έρευνες για τη δομή των αγροκτημάτων της Αυστρίας, αντιμετωπίζουν προκλήσεις, συμπεριλαμβανομένων κενών στα δεδομένα και περιορισμών στην ακρίβεια. Η τηλεπισκόπηση (RS), που χρησιμοποιεί δορυφορικά οπτικά και μικροκυματικά δεδομένα, έχει χρησιμοποιηθεί από τη δεκαετία του 1980. Ενώ οι οπτικές μέθοδοι, που βασίζονται στην ανάλυση χρονοσειρών NDVI, αντιμετωπίζουν περιορισμούς όπως η εξάρτηση από κάλυψη νεφών, οι μέθοδοι μικροκυμάτων προσφέρουν μια εναλλακτική λύση, ειδικά σε συνθήκες νέφους.<br /> Η μεθοδολογία OPTRAM είναι μια φυσική προσέγγιση που χρησιμοποιεί κατανομή pixel εντός NDVI και μετασχηματισμένο χώρο ανάκλασης υπέρυθρων βραχέων κυμάτων για την εκτίμηση της υγρασίας του εδάφους. Οι στόχοι περιλαμβάνουν την ανάπτυξη μιας αυτόνομης οπτικής μεθόδου RS για την ανίχνευση αρδευόμενων περιοχών, που συνδυάζει την μη επιβλεπόμενη ταξινόμηση και το OPTRAM. Η μέθοδος προορίζεται να επικυρωθεί σε διαφορετικά χωρικά επίπεδα και υπό ποικίλες κλιματικές συνθήκες. Ο στόχος είναι η παροχή μιας φιλικής προς τον χρήστη, αναπαραγόμενη μέθοδο, ανεξάρτητη από δεδομένα αναφοράς εδάφους, υποστηρίζοντας τους ενδιαφερόμενους στην παρακολούθηση και την αναφορά των αρδευόμενων περιοχών. Αυτή η προσέγγιση στοχεύει να διευκολύνει την εφαρμογή αποτελεσματικών στρατηγικών εξοικονόμησης νερού και τη συμμόρφωση με τις πολιτικές που σχετίζονται με το νερό.<br /> <br /> '''ΥΛΙΚΑ ΚΑΙ ΜΕΘΟΔΟΙ'''<br /> <br /> '''1. Περιοχή μελέτης'''<br /> <br /> Το άρθρο διερεύνησε δύο τοποθεσίες δοκιμών: την περιοχή άρδευσης «Quota 102,50» στην Ανατολική Σικελία (2019–2020) και την περιοχή «Marchfeld Cropland» στην Κάτω Αυστρία (2021). Η περιοχή «Quota 102,50» εκτείνεται σε 5050 εκτάρια, και περιέχει κυρίως ελαιώνες εσπεριδοειδών και φρούτων, ενώ η Marchfeld, που καλύπτει 60.000 εκτάρια, καλλιεργούνται λαχανικά και δημητριακά. Και οι δύο έχουν ξεχωριστές περιόδους άρδευσης και ποικίλες ετήσιες βροχοπτώσεις.<br /> <br /> [[Αρχείο:Tests_sites.png]]<br /> <br /> '''2. Εντοπισμός των αρδευόμενων εκτάσεων'''<br /> <br /> Η μεθοδολογική προσέγγιση περιλαμβάνει μια άνευ επίβλεψης ταξινόμηση εποχιακών χρονοσειρών NDVI που ακολουθείται από εφαρμογή μοντέλου OPTRAM για την ανίχνευση αρδευόμενων περιοχών. Οι αρχικές πηγές δεδομένων περιλαμβάνουν δορυφορικές εικόνες Sentinel-2, τιμές βροχόπτωσης και παραμέτρους εδάφους. Χρησιμοποιούνται εικόνες καθαρού ουρανού, με μια προκαταρκτική ανάλυση βροχοπτώσεων που προσδιορίζει τις περιόδους ξηρασίας. Οι τιμές NDVI και STR υπολογίζονται για πιθανά αρδευόμενα τμήματα.<br /> <br /> [[Αρχείο:OPTRAM_MODEL.png]]<br /> <br /> '''3. Εισαγωγή δεδομένων'''<br /> <br /> Η μελέτη χρησιμοποίησε πολυφασματικές εικόνες από τον δορυφόρο Sentinel-2 ESA, εξοπλισμένο με οπτοηλεκτρονικό πολυφασματικό αισθητήρα, παρέχοντας χωρική ανάλυση 10–60 m σε φασματικές ζώνες VIS, NIR και SWIR. Με χρονική ανάλυση 10 ημερών ανά δορυφόρο, συλλέχθηκαν συνολικά 158 εικόνες για τις περιοχές μελέτης κατά την περίοδο 2019–2020 και 2021. Δημιουργήθηκαν NDVI χρονοσειρές για κάθε σύνολο δεδομένων. Τα δεδομένα βροχοπτώσεων ελήφθησαν από κοντινούς μετεωρολογικούς σταθμούς. <br /> <br /> '''4. Μη επιβλεπόμενη ταξινόμηση'''<br /> <br /> Η μη επιβλεπόμενη ταξινόμηση με τις χρονοσειρές NDVI έγινε με τη χρήση του αλγορίθμου ISODATA, με στόχο την ομαδοποίηση παρόμοιων μοτίβων σε συστάδες. Προτείνεται μια υπόθεση, η οποία συσχετίζει τα υψηλά και αυξανόμενα προφίλ NDVI με τις αρδευόμενες εκτάσεις κατά την ξηρή περίοδο. Ορίζεται ένα όριο 0,3 NDVI και δημιουργούνται 20 ομάδες για τη διάκριση μεταξύ δυνητικά αρδευόμενων και μη αρδευόμενων περιοχών. Οι μη γεωργικές εκτάσεις εξαιρούνται με βάση τα χρονικά προφίλ NDVI, διευκολύνοντας τη μετέπειτα ανάλυση.<br /> <br /> '''5. Οπτικό τραπεζοειδές μοντέλο'''<br /> <br /> Το μοντέλο OPTRAM χρησιμοποιεί ένα τραπεζοειδές μοντέλο, που δημιουργείται με τη σχεδίαση της σχέσης μεταξύ του δείκτη NDVI και της Μετασχηματισμένης Ανάκλασης Υπέρυθρων Βραχέων Κυμάτων (STR). Αυτό το μοντέλο χρησιμεύει ως αναπαράσταση της περιεκτικότητας σε νερό του εδάφους και της βλάστησης. Το μοντέλο χρησιμοποιεί γραμμικές παραμετροποιήσεις κατά μήκος των υγρών και ξηρών άκρων του μοντέλου.<br /> <br /> Σε αυτό, η πάνω και η κάτω πλευρά δηλώνουν υγρές και ξηρές συνθήκες, αντίστοιχα. Το OPTRAM υπολογίζει την περιεκτικότητα σε νερό (W) για μεμονωμένα pixel με βάση τις τιμές NDVI και STR. Το τραπεζοειδές μοντέλο επιτρέπει μια λεπτομερής ανάλυση, προσφέροντας πληροφορίες σχετικά με τις διακυμάνσεις της περιεκτικότητας σε νερό του εδάφους και της βλάστησης κατά την περίοδο άρδευσης. Εφαρμόζοντας αυτό το μοντέλο, γίνεται διάκριση μεταξύ καλά ποτισμένης και υδατικά καταπονημένης βλάστησης, ιδιαίτερα χρήσιμη για τον εντοπισμό των αρδευόμενων περιοχών και την κατανόηση των συνθηκών υγρασίας του εδάφους κάτω από διαφορετικά σενάρια.<br /> <br /> [[Αρχείο:TRAPEZOID_MODEL.png]]<br /> <br /> '''6. Στατιστική αξιολόγηση'''<br /> <br /> Τα ευρήματά επικυρώθηκαν σε δύο μέτωπα: πρώτον, σε επίπεδο αγρού στην περιοχή Marchfeld Cropland και, δεύτερον, σε επίπεδο περιφέρειας στην αρδευτική περιοχή Quota 102,50.<br /> Η αξιολόγηση ακρίβειας σε επίπεδο αγρού στην περιοχή Marchfeld Cropland χρησιμοποίησε έναν δυαδικό πίνακα σύγχυσης, συγκρίνοντας τις εκτιμώμενες αρδευόμενες/μη αρδευόμενες εκτάσεις με δεδομένα αναφοράς από μια ολοκληρωμένη επιτόπια έρευνα το 2021. Η έρευνα συγκέντρωσε γεωαναφερόμενες παρατηρήσεις της κατάστασης άρδευσης για 2560 χωράφια, με μετρήσεις όπως η αποδοτικότητα της άρδευσης (ακρίβεια και ανάκληση) και η βαθμολογία F1. Μια ανάλυση ευαισθησίας εξέτασε τη μεταβολή του ορίου μαρασμού (WP) για την αξιολόγηση της ευρωστίας των αποτελεσμάτων.<br /> Για την αρδευτική περιοχή Quota 102,50, η μελέτη συνέκρινε τη συνολική αρδευόμενη έκταση που προσδιορίστηκε μέσω της μεθοδολογίας της με δεδομένα που παρέχονται από την Κοινοπραξία. Αυτή η σύγκριση είχε ως στόχο να αξιολογήσει την ακρίβεια της προτεινόμενης προσέγγισης στην εκτίμηση της συνολικής αρδευόμενης επιφάνειας σε επίπεδο περιοχής.<br /> Οι μετρήσεις που χρησιμοποιούνται, παρέχουν μια ολοκληρωμένη αξιολόγηση της απόδοσης του μοντέλου, ενώ η ανάλυση ευαισθησίας βοηθά στην κατανόηση του αντίκτυπου των διακυμάνσεων στο όριο WP στα αποτελέσματα. Η σύγκριση σε επίπεδο περιφέρειας διασφαλίζει μια ευρύτερη αξιολόγηση της εφαρμοσιμότητας και της αξιοπιστίας της προτεινόμενης μεθοδολογίας σε μεγαλύτερες γεωγραφικές περιοχές.<br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ'''<br /> <br /> Στην περιοχή Marchfeld Cropland, τα αποτελέσματα έδειξαν 64% μη αρδευόμενες και 36% αρδευόμενες εκτάσεις, με συνολική ακρίβεια 71%, όπως επικυρώθηκε με βάση τα δεδομένα αναφοράς. Μια ανάλυση ευαισθησίας αξιολόγησε τον αντίκτυπο της μεταβολής του ορίου μαρασμού (WP) στις μετρήσεις.<br /> Για την περιοχή άρδευσης Quota 102,50, τα αποτελέσματα επικυρώθηκαν με βάση τα δεδομένα της Κοινοπραξίας, δείχνοντας αξιοσημείωτη υπερεκτίμηση (20,98% και 21,16%) των αρδευόμενων εκτάσεων σε σύγκριση με τις δηλωμένες τιμές για το 2019 και το 2020. Η ανάλυση αφορούσε προφίλ NDVI, παραμέτρους OPTRAM και μετρήσεις σύγκρισης.<br /> <br /> [[Αρχείο:Irrigated_Area.png]]<br /> <br /> [[Αρχείο:IRR_AREA.png]]<br /> <br /> '''ΣΥΖΗΤΗΣΗ'''<br /> <br /> Υπάρχει κρίσιμη ανάγκη για ακριβείς και επίκαιρους χάρτες των αρδευόμενων περιοχών στο πλαίσιο της λειψυδρίας. Σε αντίθεση με προηγούμενες μεθόδους που βασίζονται σε διαδικασίες εκπαίδευσης και δένδρα αποφάσεων, αυτή η αυτόνομη προσέγγιση οπτικής τηλεπισκόπησης δεν απαιτεί εκπαίδευση, καθιστώντας την εύκολα αναπαραγόμενη σε διαφορετικά περιβάλλοντα. Η μέθοδος ενσωματώνει ταξινόμηση χωρίς επίβλεψη, χρονική ανάλυση προφίλ NDVI και μοντελοποίηση OPTRAM, χρησιμοποιώντας δορυφορικές εικόνες, δεδομένα βροχόπτωσης και πληροφορίες για την περιεκτικότητα σε νερό του εδάφους. Τα αποτελέσματα, που επικυρώθηκαν με βάση τα δεδομένα αναφοράς, έδειξαν λογική ακρίβεια, με συνολική ακρίβεια 70% για την αυστριακή τοποθεσία το 2021. Ωστόσο, ορισμένοι περιορισμοί, όπως αβεβαιότητες στην ταξινόμηση και οπτική επιθεώρηση χωρίς επίβλεψη και ο αντίκτυπος της υγρασίας του εδάφους, χρειάζονται περαιτέρω διερεύνηση για τη βελτίωση της μεθόδου. Η προσέγγιση προσφέρει πολύτιμη συμβολή στη χαρτογράφηση άρδευσης μεγάλης κλίμακας χωρίς μεγάλη εξάρτηση από δεδομένα εδάφους από απευθείας παρατήρηση ή διαδικασίες εκπαίδευσης.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η μέθοδος απαιτεί ελάχιστα δεδομένα εισόδου (δορυφορικές εικόνες χωρίς σύννεφα, παράμετροι βροχοπτώσεων και εδαφικού νερού) χωρίς να βασίζεται σε πληροφορίες τύπου καλλιέργειας αναφοράς, διασφαλίζοντας τη δυνατότητα μεταφοράς σε χρόνο και χώρο. Δοκιμασμένη στην Αυστρία και την Ιταλία, η προσέγγιση πέτυχε συνολική ακρίβεια 70% και προσδιόρισε με ακρίβεια τις αρδευόμενες εκτάσεις. Παρά τη χαμηλότερη ακρίβεια από τις εποπτευόμενες μεθόδους, η μελέτη υπογραμμίζει τις δυνατότητες του OPTRAM για αρδευτικούς σκοπούς. Η μελλοντική έρευνα θα μπορούσε να βελτιώσει την προσέγγιση αντιμετωπίζοντας τις αβεβαιότητες και επιτρέποντας την εφαρμογή σε πλατφόρμες υπολογιστικού νέφους για ευρύτερες εφαρμογές. Τελικά, η μέθοδος υποστηρίζει αποφάσεις διαχείρισης του νερού βάσει δεδομένων, ενισχύοντας τη βιωσιμότητα της αρδευόμενης γεωργίας και βοηθώντας τα κράτη μέλη της ΕΕ να εκπληρώσουν τις υποχρεώσεις της Οδηγίας Πλαίσιο για τα Νερά.<br /> <br /> <br /> <br /> [[category:Σχεδιασμός αδρευτικών συστημάτων]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:IRR_AREA.png 2024-02-26T09:25:02Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Irrigated_Area.png 2024-02-26T09:24:06Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:TRAPEZOID_MODEL.png 2024-02-26T09:21:15Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:OPTRAM_MODEL.png 2024-02-26T09:17:35Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Tests_sites.png 2024-02-26T09:16:03Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T09:09:55Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> <br /> <br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> [[Αρχείο:Υγιες_φύλλο_2.png]]<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> [[Αρχείο: Άρρωστο φύλλο.png]]<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%86%CF%81%CF%81%CF%89%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CE%BF.png 2024-02-26T09:08:26Z

<p>Cathy ap: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Άρρωστο φύλλο.png&amp;quot;</p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%86%CF%81%CF%81%CF%89%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CE%BF.png 2024-02-26T09:08:25Z

<p>Cathy ap: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Άρρωστο φύλλο.png&amp;quot;</p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%86%CF%81%CF%81%CF%89%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CE%BF.png 2024-02-26T09:08:24Z

<p>Cathy ap: ανέβασμα νέας έκδοσης του &amp;quot;Αρχείο:Άρρωστο φύλλο.png&amp;quot;</p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T09:06:27Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> <br /> <br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> [[Αρχείο:Υγιες_φύλλο_2.png]]<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> [[Αρχείο:Άρρωστο_φύλλο.png]]<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%86%CF%81%CF%81%CF%89%CF%83%CF%84%CE%BF_%CF%86%CF%8D%CE%BB%CE%BB%CE%BF.png 2024-02-26T09:03:46Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:%CE%A5%CE%B3%CE%B9%CE%B5%CF%82_%CF%86%CF%8D%CE%BB%CE%BB%CE%BF_2.png 2024-02-26T09:01:49Z

<p>Cathy ap: </p> <hr /> <div></div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T08:59:01Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> <br /> <br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T08:58:41Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> <br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T08:58:02Z

<p>Cathy ap: </p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CF%86%CF%85%CF%84%CE%BF%CE%B1%CF%83%CE%B8%CE%B5%CE%BD%CE%B5%CE%B9%CF%8E%CE%BD_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82 2024-02-26T08:57:01Z

<p>Cathy ap: Νέα σελίδα με '== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; == '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma '''Πηγή:...'</p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Remote Area Plant Disease Detection Using Image Processing&quot; ==<br /> <br /> '''Συγγραφείς:'''Sabah Bashir, Navdeep Sharma<br /> <br /> '''Πηγή:''' [https://www.iosrjournals.org/iosr-jece/papers/vol2-issue6/H0263134.pdf]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Η παραδοσιακή μέθοδος οπτικής ανίχνευσης ασθενειών στα φυτά είναι επίπονη και αναποτελεσματική. Η χρήση μηχανικής όρασης, ειδικά σε περιβάλλον MATLAB, έχει αποδειχθεί αποτελεσματική και εξοικονομεί χρόνο για τον εντοπισμό ασθενειών στα φυτά. Η συμβατική διαδικασία διάγνωσης βασίζεται σε επιστημονικές τεχνικές και στη συνεργασία με γεωπόνους, έτσι ώστε να γίνει ο εντοπισμός ασθενειών με βάση τα συμπτώματα και τα σημεία τους. Ωστόσο, οι φυτοπαθολόγοι μπορούν να χρησιμοποιήσουν εργαλεία επεξεργασίας εικόνας για να αναλύσουν ψηφιακές εικόνες για τη διάγνωση ασθενειών.<br /> Μία όμοια περίπτωση ανίχνευσης ασθενειών σε καλλιέργεια αγγουριού, περιλαμβάνει στάδια όπως η βελτίωση εικόνας, η κατάτμηση, η εξαγωγή χαρακτηριστικών και η ταξινόμηση. Τα μορφολογικά χαρακτηριστικά των φύλλων των φυτών χρησιμοποιούνται για την ανίχνευση και ταξινόμηση ασθενειών όπως ο Περονόσπορος κολοκυνθοειδών (''Pseudoperonospora cubensis''), το Ωίδιο (''Erysiphe cichoracearum'') και εντομολογικές προσβολές από Αγρομυζίδες (''Agromyzidae''). Το σύστημα αυτό περιλαμβάνει επίσης, τεχνητή όραση (κάμερα), έναν συνδυασμό ταξινομητών και αλγορίθμων επεξεργασίας εικόνας.<br /> Έχουν διερευνηθεί ακόμη διάφορες προσεγγίσεις, όπως η χρήση ενός νευρωνικού δικτύου Backpropagation για την αναγνώριση των φύλλων με βάση το σχήμα και την ανίχνευση ακμών Prewitt. Το σύστημα έδειξε επιτυχία στον προσδιορισμό των ειδών των φύλλων. Ωστόσο, υπάρχει δυνατότητα βελτίωσης με τη διεξαγωγή περισσότερων πειραμάτων με μεγαλύτερα σετ εκπαίδευσης για την αναγνώριση διαφόρων φύλλων που επηρεάζονται από παράσιτα ή ασθένειες.<br /> Ως προς τις καλλιέργειες ρυζιού, ένα πρωτότυπο σύστημα λογισμικού περιγράφεται για την ανίχνευση ασθενειών χρησιμοποιώντας εικόνες με προσβολές. Τεχνικές όπως το image growing , η τμηματοποίηση και ένας αλγόριθμος ζουμ χρησιμοποιούνται για την εξαγωγή χαρακτηριστικών, με ένα νευρωνικό δίκτυο αυτοοργάνωσης χάρτη που χρησιμοποιείται για την ταξινόμηση εικόνων προσβεβλημένων φυτών ρυζιού. Μια άλλη προτεινόμενη μέθοδος περιλαμβάνει την κατάτμηση Otsu, την ομαδοποίηση K-means και το Backpropagation Feedforward Neural Network για γρήγορη και ακριβή ανίχνευση και ταξινόμηση φυτικών ασθενειών που προσβάλλουν τα φύλλα. Συνολικά, αυτές οι τεχνολογικές προσεγγίσεις στοχεύουν στη βελτίωση της αποτελεσματικότητας και της ακρίβειας, της ανίχνευσης και της ταξινόμησης ασθενειών στα φυτά.<br /> '''ΠΡΟΤΕΙΝΟΜΕΝΗ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> Σε αυτό το άρθρο, εφαρμόζεται ένας αποτελεσματικός αλγόριθμος τμηματοποίησης εικόνας για την ανάλυση χρώματος και υφής στην ανίχνευση φυτοασθενειών. Τα βασικά βήματα περιλαμβάνουν:<br /> <br /> '''1. Λήψη εικόνας:''' Δείγματα από Μηλιά (''Malus Domestica''), τόσο υγιή όσο και προσβεβλημένα, συλλέγονται με χρήση ψηφιακής κάμερας.<br /> <br /> '''2. Διαχωρισμός στοιχείων RGB:''' Οι έγχρωμες εικόνες είναι σε μορφή RGB, όπου κάθε μήτρα αντιπροσωπεύει κόκκινα, πράσινα ή μπλε στοιχεία. Εφαρμόζεται εξισορρόπηση ιστογράμματος για τον χειρισμό των τιμών έντασης για την καλύτερη βελτίωση της εικόνας.<br /> <br /> '''3. Τμηματοποίηση με βάση το χρώμα και την υφή:''' Η κατάτμηση της εικόνας πραγματοποιείται με βάση το χρώμα και την υφή για τον εντοπισμό συμπτωμάτων που απαιτούνται για την ανίχνευση της νόσου. Η ανάλυση υφής περιλαμβάνει μια μέθοδο μήτρας ταυτόχρονης εμφάνισης και τα χαρακτηριστικά χρώματος εξάγονται στον χρωματικό χώρο έντασης κορεσμού απόχρωσης (HSI).<br /> <br /> '''4. K-means Clustering για ανάλυση υφής:''' Η ομαδοποίηση K-means ταξινομεί τα εικονοστοιχεία σε κλάσεις Κ και σε αυτήν την εργασία, εφαρμόζεται για τον διαμερισμό εικόνων φύλλων σε τέσσερις ομάδες, προσδιορίζοντας την παρουσία ασθένειας.<br /> <br /> '''5. Ανάλυση εικόνας:''' Γίνονται ποσοτικές μετρήσεις από τις εικόνες για να παραχθεί μια περιγραφή.<br /> <br /> '''6. Όριο αντιστοίχισης:''' Το κατώφλι εφαρμόζεται για την επισήμανση εικονοστοιχείων ως &quot;αντικείμενο&quot; ή &quot;φόντο&quot; με βάση τις τιμές της έντασής τους.<br /> Η τμηματοποίηση χρωμάτων είναι ζωτικής σημασίας σε διάφορες εφαρμογές υπολογιστικής όρασης. Η ανάλυση υφής χρησιμοποιώντας τη ομαδοποίηση K-means βοηθά στην ταξινόμηση των εικονοστοιχείων και στην αναγνώριση συστάδων ασθενειών μέσα στις εικόνες των φύλλων, ιδιαίτερα όταν πολλές ασθένειες επηρεάζουν ένα μόνο φύλλο. Η απόδοση της τμηματοποίησης χρωμάτων επηρεάζει σημαντικά την ποιότητα της κατανόησης της εικόνας σε διάφορες εφαρμογές.<br /> <br /> <br /> '''ΑΠΟΤΕΛΕΣΜΑΤΑ ΚΑΙ ΣΥΖΗΤΗΣΗ'''<br /> <br /> Ακολουθεί η αρχική εικόνα (Fig-1(a)) και το rgb2gray ισοδύναμό της (Fig-1(b)) καθώς και το ιστόγραμμα της αρχικής εικόνας (Fig-1(c)). Η εικόνα Fig 1(d) δείχνει την εξισορροπημένη εικόνα του ιστογράμματος που γίνεται για την βελτίωση της αντίθεσης. Η ανάλυση υφής, χρώματος δίνεται στο Fig-1(e) και Fig-1(f) μετά την εφαρμογή των παραπάνω αλγόριθμων σε εικόνες με υγιή φύλλα μηλιάς.<br /> <br /> Ακολουθούν οι αντίστοιχες εικόνες με προσβεβλημένα φύλλα μηλιάς<br /> <br /> Συγκρίνοντας αυτές τις εικόνες ανάλυσης υφής και χρώματος με τις προηγούμενες, μπορεί να υπάρχουν λίγα σημεία στις εικόνες που μπορούν να χρησιμοποιηθούν για την περαιτέρω ανίχνευση ασθενειών στα φυτά. <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εργασία παρουσιάζει μια μεθοδολογία για την ταξινόμηση διαφόρων φυτοασθενειών χρησιμοποιώντας ανάλυση υφής και χρώματος, εστιάζοντας ειδικά στην μηλιά (''Malus Domestica''). Τα βασικά βήματα της μεθοδολογίας περιλαμβάνουν τη χρήση ενός ταξινομητή Bayes για την κατηγοριοποίηση διαφορετικών φυτικών ασθενειών με βάση χαρακτηριστικά που εξάγονται από προκύπτουσες εικόνες. Η μελέτη ενσωματώνει ένα σύνολο δεδομένων με 10 δείγματα εικόνων, που περιλαμβάνει τόσο κανονικά όσο και προσβεβλημένα φύλλα ''Malus Domestica''.<br /> Στην προτεινόμενη προσέγγιση, τα χαρακτηριστικά χρώματος και υφής εφαρμόζονται στα δείγματα εικόνων που λαμβάνονται για την εξαγωγή βασικών πληροφοριών που είναι απαραίτητες για τη διάκριση μεταξύ κανονικών και προσβεβλημένων δειγμάτων. Στη συνέχεια, ο ταξινομητής Bayes χρησιμοποιείται για την ταξινόμηση των εικόνων με βάση τα εξαγόμενα χαρακτηριστικά, επιτρέποντας την αποτελεσματική διάγνωση της νόσου.<br /> Επιπλέον, η εργασία προτείνει μελλοντικές κατευθύνσεις έρευνας προτείνοντας την ανάλυση εναλλακτικών ταξινομητών όπως η ομαδοποίηση K-means και η ανάλυση κύριου συστατικού για βελτιωμένους σκοπούς ταξινόμησης. Έτσι υπογραμμίζει τη δυνατότητα για βελτίωση της τρέχουσας μεθοδολογίας και διερεύνηση εναλλακτικών τεχνικών για την ταξινόμηση των φυτικών ασθενειών.<br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> <br /> [[category:Ενέργειες φυτικής διαχείρισης]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%95%CF%86%CE%B1%CF%81%CE%BC%CE%BF%CE%B3%CE%AD%CF%82_%CF%84%CE%B7%CF%82_%CE%B5%CF%80%CE%B5%CE%BE%CE%B5%CF%81%CE%B3%CE%B1%CF%83%CE%AF%CE%B1%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B1%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CE%93%CE%B5%CF%89%CF%80%CE%BF%CE%BD%CE%AF%CE%B1:_%CE%9C%CE%B9%CE%B1_%CE%AD%CF%81%CE%B5%CF%85%CE%BD%CE%B1 2024-02-26T08:32:32Z

<p>Cathy ap: Νέα σελίδα με '== Πρωτότυπος τίτλος &quot;Applications of Image Processing in Agriculture: A Survey&quot; == '''Συγγραφείς:''' Anup Vibhute, S K Bodhe '''Πηγή:''' ...'</p> <hr /> <div>== Πρωτότυπος τίτλος &quot;Applications of Image Processing in Agriculture: A Survey&quot; ==<br /> <br /> <br /> '''Συγγραφείς:''' Anup Vibhute, S K Bodhe<br /> <br /> '''Πηγή:''' [https://www.researchgate.net/publication/253908767_Application_of_Image_Processing_in_Agriculture_A_Survey]<br /> <br /> '''ΕΙΣΑΓΩΓΗ'''<br /> <br /> Οι αναδυόμενες τεχνολογίες και ιδιαίτερα αυτή της γεωργίας ακριβείας, διαδραματίζουν πρωτεύοντα ρόλο στην προώθηση βιώσιμων γεωργικών πρακτικών. Η γεωργία ακριβείας ενσωματώνει προηγμένες τεχνικές για τη βελτίωση της παραγωγικότητας των αγροκτημάτων και της περιβαλλοντικής προστασίας ελαχιστοποιώντας τα λάθη και το κόστος. Αντιμετωπίζει κρίσιμους παράγοντες όπως η άρδευση, τα λιπάσματα, τα φυτοφάρμακα και η ποιότητα της απόδοσης, τα οποία, εάν δεν ελεγχθούν, μπορούν να επηρεάσουν αρνητικά την παραγωγή των καλλιεργειών. Η τηλεπισκόπηση και οι τεχνικές επεξεργασίας εικόνας αποτελούν σημαντικά εργαλεία για την ακριβή και οικονομική ανάλυση των αγρονομικών παραμέτρων. <br /> <br /> '''ΕΡΓΑΛΕΙΑ ΚΑΙ ΜΕΘΟΔΟΛΟΓΙΑ'''<br /> <br /> '''1.1 ΕΦΑΡΜΟΓΕΣ ΒΑΣΙΣΜΕΝΕΣ ΣΕ ΤΕΧΝΙΚΕΣ ΑΠΕΙΚΌΝΙΣΗΣ''' <br /> <br /> Διάφορα κανάλια απεικόνισης χρησιμοποιήθηκαν όπως ακτίνες Γ, ακτίνες Χ, UV, ορατό φως, υπέρυθρες απεικονίσεις , μικροκύματα και ραδιοκύματα.<br /> Οι εφαρμογές της Τηλεπισκόπησης (RS) στη γεωργία περιλαμβάνουν την παρατήρηση της γεωργικής έκτασης, την παραγωγικότητα και την πυκνότητα καλλιεργειών. Τα δεδομένα RS βοηθούν σε πληροφορίες που σχετίζονται με τα υπόγεια ύδατα για την άρδευση, τη διαχείριση των πλημμυρών και άλλες εφαρμογές, όπως η περιβαλλοντική αξιολόγηση, η παρακολούθηση καταστροφών, η ανάλυση του κλίματος του καιρού και η διαθεσιμότητα πόρων.<br /> Τα δεδομένα RS και οι τεχνικές αναγνώρισης χρησιμοποιούνται για την εκτίμηση των καλλιεργήσιμων εκτάσεων. Εξετάζονται διάφορες τεχνικές για την απογραφή των καλλιεργειών, με χρήση οπτικών δεδομένων και δεδομένων μικροκυμάτων. Η διαδικασία διάκρισης των καλλιεργειών περιλαμβάνει οπτικές και ψηφιακές τεχνικές ερμηνείας όπως οι spectral unmixing, confusion matrix και regression estimator.<br /> Η τηλεπισκόπηση επίσης χρησιμοποιείται στη χαρτογράφηση της βλάστησης, παρέχοντας πληροφορίες τόσο για το ανθρωπογενές όσο και για το φυσικό περιβάλλον. Οι δορυφορικές πλατφόρμες που χρησιμοποιήθηκαν οι :LANDSAT, TM, SPOI, MODIS, ASTER. Η εξαγωγή της βλάστησης περιλαμβάνει προεπεξεργασία εικόνας, συμπεριλαμβανομένων των διορθώσεων (ραδιομετρικές, γεωμετρικές και αφαίρεση σύννεφων) και στη συνέχεια αναθεωρούνται τεχνικές ταξινόμησης εικόνων όπως το K-mean για τις μη επιβλεπόμενες μεθόδους και το MLC για τις επιβλεπόμενες μεθόδους. Γίνεται επίσης χρήση προηγμένων τεχνικών όπως ο ταξινομητής φασματικής γωνίας (SAC), τα τεχνητά νευρωνικά δίκτυα (ANN), fuzzy logic και SVM-BEE. Επίσης, το άρθρο αναφέρεται στην προτίμηση για υπερφασματικές εικόνες για την περίπτωση της χαρτογράφησης της βλάστησης λόγω της ικανότητάς του να διακρίνει πολύπλοκες κοινότητες μικτών εικονοστοιχείων . Η τεχνική image fusion επισημαίνεται ως μια τεχνική για την ενίσχυση της ταξινόμησης της βλάστησης αντισταθμίζοντας τους περιορισμούς των αισθητήρων. <br /> Στον κλάδο της άρδευσης η θερμική απεικόνιση βρίσκει εφαρμογές στη γεωργία, όπως φυτώρια, προγραμματισμό άρδευσης και εργασίες μετά τη συγκομιδή. Ωστόσο, η μεταβλητότητα στη φυσιολογία των φυτών και στις κλιματικές συνθήκες περιορίζει την καθολική αποδοχή. Αντίθετα οι ακτίνες Χ είναι αρκετά αποτελεσματικές για τον ποιοτικό έλεγχο σε διάφορα προϊόντα διατροφής.<br /> <br /> '''1.2 ΕΦΑΡΜΟΓΕΣ ΣΤΗΝ ΑΝΑΓΝΩΡΙΣΗ ΖΙΖΑΝΙΩΝ'''<br /> <br /> Διάφοροι μέθοδοι τηλεπισκόπησης και επεξεργασίας εικόνας έχουν αναπτυχθεί για την καταπολέμηση των ζιζανίων.<br /> Χρησιμοποιούνται αλγόριθμοι όπως edge detection, ανίχνευση χρώματος και ταξινόμηση με βάση κυμματίδια και fuzzy logic . Ένα σύστημα αναγνώρισης ζιζανίων σε πραγματικό χρόνο χρησιμοποιεί τη μηχανική όραση με έναν ταξινομητή με edge detection για τον εντοπισμό πλατύφυλλων και στενόφυλλων ζιζανίων. Οι εικόνες RGB μετατρέπονται σε κλίμακα του γκρι και επεξεργάζονται ως δυαδικές εικόνες, εντοπίζοντας φωτεινά pixel σε σκούρο φόντο ως ζιζάνια. Ωστόσο, σημειώνεται ένας περιορισμός καθώς αυτό το μοντέλο δεν ταξινομεί μικτά ζιζάνια.<br /> Μια άλλη μέθοδος χρησιμοποιεί την ανίχνευση χρώματος. Με τη χρήση του EGRIBI matrix διαχωρίζονται πληροφορίες έντασης ενώ, η ομαδοποίηση K-means και ο ταξινομητής Bayes μετρούν την Ευκλείδεια απόσταση για την ταξινόμηση εικονοστοιχείων. Η ταξινόμηση βάσει νευρωνικών δικτύων αποδεικνύεται ανώτερη από την προσέγγιση του πίνακα αναζήτησης K-means, αλλά η τελευταία είναι ταχύτερη. <br /> Οι στατιστικές μέθοδοι που περιλαμβάνουν τη μέση και τυπική απόκλιση χρησιμοποιούνται για την κατηγοριοποίηση των ζιζανίων σε μικρά, στενόφυλλα και πλατύφυλλα. Ωστόσο, αυτή η μέθοδος αντιμετωπίζει περιορισμούς στην ταξινόμηση των μικτών ζιζανίων και το ποσοστό επιτυχίας της είναι χαμηλότερο σε σύγκριση με τις μεθόδους που βασίζονται στο χρώμα.<br /> Το απόσπασμα συζητά επίσης τεχνικές εξαγωγής χαρακτηριστικών με χρήση επεξεργασίας έγχρωμης εικόνας για ανίχνευση ζιζανίων, χρησιμοποιώντας FFT και GLCM. Ένα φίλτρο Excess Color (Ex-C) εφαρμόζεται για την αφαίρεση του κόκκινου και του μπλε, αφήνοντας το πράσινο ως τιμή έντασης. Το GLCM και το FFT χρησιμεύουν ως εργαλεία εξαγωγής χαρακτηριστικών, με την προσέγγιση Ex-Color να αποδεικνύεται ανώτερη από την κλίμακα του γκρι για την ταξινόμηση των ζιζανίων.<br /> Άλλες μεθοδολογίες περιλαμβάνουν γενετικούς αλγόριθμους για την αναγνώριση ζιζανίων, συστήματα συλλογιστικής των περιπτώσεων, αλγόριθμους fuzzy για ακριβή εφαρμογή ζιζανιοκτόνου και την εφαρμογή τεχνητών νευρωνικών δικτύων (ΑΝΝ) για αποτελεσματική ταξινόμηση καλλιεργειών και ζιζανίων. <br /> Τέλος, τεχνικές που χρησιμοποιούν δείκτες φωτεινότητας RGB, erosion and dilation segmentation και ανάλυση κυρίων συνιστωσών(PCA) για ανίχνευση και ταξινόμηση ειδών.<br /> <br /> '''1.3 ΕΦΑΡΜΟΓΕΣ ΣΤΗΝ ΤΑΞΙΝΟΜΗΣΗ ΦΡΟΥΤΩΝ ΚΑΙ ΤΡΟΦΙΜΩΝ'''<br /> <br /> Η ανάγκη για ακριβή ταξινόμηση και ταξινόμηση των γεωργικών προϊόντων ώστε να ανταποκρίνονται στις όλο και αυξανόμενες προσδοκίες για ποιότητα και ασφάλεια είναι μεγάλη. Οι υπολογιστική όραση και οι τεχνικές επεξεργασίας εικόνας είναι μη καταστροφικές, ακριβείς και αξιόπιστες. Οι ερευνητές διερευνούν διάφορες μεθόδους επεξεργασίας εικόνας για την ταξινόμηση προϊόντων αρτοποιίας, φρούτων, λαχανικών και δημητριακών, ενσωματώνοντας τεχνικές όπως image segmentation, ανάλυση σχήματος, μορφολογία, ανάλυση υφής και αναγνώριση μοτίβων. <br /> Επιπλέον, μεθοδολογίες όπως η PCA για την ανίχνευση δερματικών ελαττωμάτων στα εσπεριδοειδή, η ομαδοποίηση K-mean για ταξινόμηση φράουλας και η συγχώνευση χαρακτηριστικών και ταξινομητών για την ταξινόμηση φρούτων και λαχανικών είχαν ενθαρρυντικά αποτελέσματα . Μορφολογικές διεργασίες και μετασχηματισμός Fourier χρησιμοποιούνται για επιθεώρηση και ταξινόμηση σε πραγματικό χρόνο των επεξεργασμένων τμημάτων μανταρινιού, παρέχοντας ακριβή αποτελέσματα. Όμοια αποτελέσματα είχε και η αξιολόγηση της ποιότητας ντομάτας με βάση το χρώμα, το σχήμα, το μέγεθος και τη σφριγηλότητα, επιβεβαιώνοντας την αποτελεσματικότητά των τεχνικών ανάλυσης εικόνας. <br /> Σε μια άλλη περίπτωση, ένα οικονομικό μοντέλο για τη διαλογή κόκκινου και λευκού σίτου χρησιμοποίησε ανάλυση εικόνας με φιλτράρισμα Bayer. Το σύστημα πέτυχε υψηλή ακρίβεια ταξινόμησης 97%, υπερτερώντας των εμπορικών διαλογέων χρωμάτων. Μια άλλη εφαρμογή, η οποία περιελάβανε τρεις αισθητήρες CMOS και έναν προγραμματισμούς FPGA, έδειξε αυξημένη ταχύτητα για την ταξινόμηση των κόκκων, επιτυγχάνοντας ποσοστό ακρίβειας 91% στις περιπτώσεις σίτου και καλαμποκιού.<br /> Η ταξινόμηση σπόρων σκληρού σιταριού σε υαλώδεις και μη προτάθηκε χρησιμοποιώντας συστήματα απεικόνισης που βασίζονται σε ακτίνες Χ σε πραγματικό χρόνο ή σε εκπεμπόμενο φως. Διαφορετικά χαρακτηριστικά που εξήχθησαν από εικόνες ακτίνων Χ και εκπεμπόμενου φωτός ταξινομήθηκαν χρησιμοποιώντας στατιστικούς ταξινομητές, επιδεικνύοντας υψηλότερη ακρίβεια για μη υαλώδεις πυρήνες και εικόνες μεταδιδόμενου φωτός.<br /> Για την αναγνώριση της ποικιλίας καλαμποκιού, εφαρμόστηκε μια μέθοδος που περιελάβανε διακριτική ανάλυση και νευρωνικά δίκτυα. Οι εικόνες που καταγράφηκαν με επίπεδο σαρωτή υποβλήθηκαν σε ανάλυση μορφολογικών χαρακτηριστικών και εξαγωγή χρωματικών χαρακτηριστικών, επιτυγχάνοντας μέσο ποσοστό ακρίβειας 90% για την αναγνώριση της ποικιλίας.<br /> Σε μια άλλη εφαρμογή, μονόχρωμες εικόνες που τραβήχτηκαν κάτω από διαφορετικούς φωτισμούς χρησιμοποιήθηκαν για την ταξινόμηση των κόκκων σιταριού, με μια γραμμική συνάρτηση διακρίσεως που εφαρμόστηκε κατά την ταξινόμηση. Η μέθοδος έδειξε βελτιωμένη απόδοση υπό ορισμένες συνθήκες φωτισμού.<br /> Ακόμη στην περίπτωση ανίχνευσης ελαττωμάτων σε μήλα χρησιμοποιήθηκε ανάλυση εικόνων πολλαπλής σάρωσης και συστήματα τριών καμερών. <br /> <br /> Τέλος, η ποιοτική ταξινόμηση των καρπών ''Jatropha curcas'' για την παραγωγή βιοντίζελ με βάση το χρώμα του δέρματος, το μέγεθος των καρπών και τα ελαττώματα, έγινε με τη χρήση της τεχνικής Μέσης Έντασης Χρώματος (MCI) που χρησιμοποιεί έγχρωμα ιστογράμματα RGB. Η MCI αποδείχθηκε αποτελεσματική στην κατηγοριοποίηση των Jatropha curcas σε άγουρα, ώριμα και υπερώριμα με βάση τις τιμές μέσης έντασης χρώματος.<br /> <br /> '''ΣΥΜΠΕΡΑΣΜΑΤΑ'''<br /> <br /> Η εφαρμογή της τηλεπισκόπησης και των τεχνικών επεξεργασίας εικόνας έχει αποδειχθεί εξαιρετικά αποτελεσματικές στον αγροτικό τομέα. Διάφορες τεχνολογίες απεικόνισης, συμπεριλαμβανομένης της υπέρυθρης, της υπερφασματικής απεικόνισης και των ακτινών Χ, έχουν αποδείξει χρησιμότητα σε εργασίες όπως ο προσδιορισμός δεικτών βλάστησης, η μέτρηση των παραμέτρων του θόλου και η χαρτογράφηση αρδευόμενων εδαφών με αξιοσημείωτη ακρίβεια. Οι αλγόριθμοι επεξεργασίας εικόνας έχουν δείξει την ικανότητα να ταξινομούν με ακρίβεια τα ζιζάνια, επηρεάζοντας έτσι την απόδοση, με ακρίβεια ταξινόμησης που κυμαίνεται από 85% έως 96%. Αυτή η ακριβής ταξινόμηση δίνει τη δυνατότητα στους αγρότες να εφαρμόζουν με σύνεση ζιζανιοκτόνα, προωθώντας τη διατήρηση του περιβάλλοντος και τη σχέση κόστους-αποτελεσματικότητας.<br /> Ομοίως, στα συστήματα ταξινόμησης φρούτων, η κατάτμηση και η ταξινόμηση μπορούν να εκτελεστούν με εξαιρετική ακρίβεια. Η ακρίβεια ταξινόμησης στην ταξινόμηση των φρούτων μπορεί να φτάσει έως και το 96% όταν χρησιμοποιούνται κατάλληλες τεχνικές και αλγόριθμοι απεικόνισης. Συνοπτικά, η επεξεργασία εικόνας ξεχωρίζει ως ένα μη επεμβατικό και ισχυρό εργαλείο για γεωργική ανάλυση, προσφέροντας αξιοσημείωτη ακρίβεια στην αξιολόγηση διαφόρων αγρονομικών παραμέτρων. <br /> <br /> [[category:Γεωργία]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%80%CE%BF%CF%83%CF%84%CE%BF%CE%BB%CE%BF%CF%80%CE%BF%CF%8D%CE%BB%CE%BF%CF%85_%CE%9A%CE%B1%CF%84%CE%B5%CF%81%CE%AF%CE%BD%CE%B1 2024-02-26T08:05:45Z

<p>Cathy ap: </p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο) ]]</div>

Cathy ap http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%80%CE%BF%CF%83%CF%84%CE%BF%CE%BB%CE%BF%CF%80%CE%BF%CF%8D%CE%BB%CE%BF%CF%85_%CE%9A%CE%B1%CF%84%CE%B5%CF%81%CE%AF%CE%BD%CE%B1 2024-02-26T08:02:48Z

<p>Cathy ap: Νέα σελίδα με 'Add Your Content Here category:ΔΠΜΣ '</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:ΔΠΜΣ ]]</div>

Cathy ap