http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Clikos&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%2FClikos 2026-05-30T09:47:19Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%9B%CF%8D%CE%BA%CE%BF%CF%82_%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%BF%CF%82 2013-01-29T18:02:47Z

<p>Clikos: </p> <hr /> <div>''''Αρθρα'''<br /> <br /> * [[Η χρήση της τηλεπισκόπησης για την διαχείριση της αστικής δυναμικής]]<br /> * [[Αλγόριθμος τηλεπισκόπησης των αιωρούμενων σωματιδίων για την περιοχή της ανατολικής σινικής θάλασσας]]<br /> * [[Βελτίωση των Ψηφιακων Μοντέλων Εδάφους στις Αστικές Περιοχές χρησιμοποιώντας Αλγόριθμο ελαχίστων τετραγώνων]]<br /> * [[Η αστική ανάπτυξη των πόλεων Washington, D.C.–Baltimore, MD για την χρονική περίοδο 1984 έως 2010 ]]<br /> * [[Η εκτίμηση της εδαφικής κάλυψης από μορφές ανάπτυξης και γυμνού εδάφους στις σαβάνες ]]<br /> * [[Αξιολόγηση της χλωροφύλλης , με αλγόριθμο οπτικής ανίχνευσης ]]<br /> * [[Εκτίμηση δασικής μεταβολής χρησιμοποιώντας υψηλής ανάλυσης ψηφιακό επιφάνεικο μοντέλο ]]<br /> * [[Αξιολόγηση της ακρίβειας στην χαρτογράφηση δασικής μεταβολής στα δυτικά των Μεγάλων Λιμνών ]]<br /> * [[Ανάλυση των θερμοκηπίων στη Νότια Ιταλία μέσω τηλεπισκόπησης και τεχνικών μοντελοποίησης ]]<br /> * [[Παρατήρηση των βιο-περιοχών στην Αυστραλία με χρήση συστήματος MODIS στα κανάλια 8-19 ]]<br /> * [[Αντικειμενοστραφής μέθοδος αυτοματοποιημένης εξαγωγής αστικών δεδομένων από εναερίους αισθητήρες ]]<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE%CF%82_%CE%BC%CE%AD%CE%B8%CE%BF%CE%B4%CE%BF%CF%82_%CE%B1%CF%85%CF%84%CE%BF%CE%BC%CE%B1%CF%84%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B5%CE%BE%CE%B1%CE%B3%CF%89%CE%B3%CE%AE%CF%82_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CF%80%CF%8C_%CE%B5%CE%BD%CE%B1%CE%B5%CF%81%CE%AF%CE%BF%CF%85%CF%82_%CE%B1%CE%B9%CF%83%CE%B8%CE%B7%CF%84%CE%AE%CF%81%CE%B5%CF%82 2013-01-29T18:01:53Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « A NEW OBJECT BASED METHOD FOR AUTOMATED EXTRACTION OF URBAN OBJECTS FROM AIRBORNE SENSORS DATA »<br /> <br /> <br /> '''Συγγραφείς:''' By A. Moussa , N. El-Sheimy <br /> <br /> posted on 1 September, 2012 in Articles, Remote Sensing and Spatial Information Sciences, Volume XXXIX-B3, <br /> <br /> '''Πηγή:''' ISPRS Congress <br /> <br /> « Αντικειμενοστραφής μέθοδος αυτοματοποιημένης εξαγωγής αστικών δεδομένων από εναερίους αισθητήρες »<br /> <br /> Η ταξινόμηση των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμους από αερομεταφερόμενους αισθητήρες είναι ένα σημαντικό βήμα σε πολλές εφαρμογές χαρτογράφησης και μοντελοποίησης. Η αυτοματοποίηση αυτού του σταδίου είναι άκρως απαραίτητη καθώς η χειροκίνητη επεξεργασία είναι δαπανηρή και χρονοβόρα. Η αυξανόμενη διαθεσιμότητα των δεδομένων αερομεταφερόμενων αισθητήρων, όπως αεροφωτογραφίες και τα δεδομένα LIDAR προσφέρουν νέες ευκαιρίες για την ανάπτυξη μιας ικανής προσεγγίσεις για την αυτόματη ταξινόμηση. Οι προσεγγίσεις αυτές θα πρέπει να ενσωματώσουν αυτές τις πηγές δεδομένων που έχουν διαφορετικά χαρακτηριστικά. Η προτεινόμενη προσέγγιση που παρουσιάζεται στο παρόν έγγραφο συνδυάζει τις εναέριες εικόνες με δεδομένα LIDAR για την εξαγωγή κτίριων και δέντρων για μια αστική περιοχή. Τα αντικείμενα με βάση την ανάλυση, που ακολουθείται στο σύνολο των ψηφιακών δεδομένων DSM, ταξινομούνται με βάση το ύψος μεταβολής. Αυτά τα αντικείμενα προκαταρκτικά ταξινομούνται σε κτίρια, δένδρα, και έδαφος. Αυτή η πρωτογενής ταξινόμηση χρησιμοποιείται για να υπολογίσει το ύψος στο έδαφος για κάθε αντικείμενο για να βοηθήσουν στη βελτίωση της ακρίβειας της δεύτερης φάσης της ταξινόμησης. <br /> Από τα επικαλυπτόμενα των αεροφωτογραφίων που χρησιμοποιούνται γινεται η κατασκευή μιας ορθο-φωτογραφίας για να προκύψουν οι τιμες του δείκτη βλάστησης για κάθε αντικείμενο. Η δεύτερη φάση της ταξινόμησης πραγματοποιείται με βάση το ύψος απο το έδαφος και το δείκτη βλάστησης του κάθε αντικειμένου.<br /> Η προτεινόμενη προσέγγιση έχει δοκιμαστεί με τρεις περιοχές στο κέντρο της πόλης της Vaihingen. Αυτές οι περιοχές έχουν ιστορικά κτίρια που έχουν πολύπλοκα σχήματα, μερικά ψηλά κτίρια κατοικιών που περιβάλλεται από δέντρα και μια καθαρά οικιστική περιοχή με μικρές μονοκατοικίες. <br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper11fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση ορθοφωτογραφίας μιας περιοχής. ]]<br /> [[ Αρχείο:Paper11fig2.jpg | thumb | right | Εικόνα 2 – Οι τρεις περιοχές ελέγχου εμφανίζεται στην DSM. ]]<br /> [[ Αρχείο:Paper11fig3.jpg | thumb | right | Εικόνα 3 – Παραγόμενη εικόνα για την πρώτη περιοχή . ]]<br /> [[ Αρχείο:Paper11fig4.jpg | thumb | right | Εικόνα 4 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας κτιρίων για τον πρώτο τομέα. ]]<br /> [[ Αρχείο:Paper11fig5.jpg | thumb | right | Εικόνα 5 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας δένδρων για τον πρώτο τομέα . ]]<br /> [[ Αρχείο:Paper11fig6.jpg | thumb | right | Εικόνα 6 – Παραγόμενη εικόνα για την δεύτερη περιοχή . ]]<br /> [[ Αρχείο:Paper11fig7.jpg | thumb | right | Εικόνα 7 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας κτιρίων για τον δεύτερο τομέα. ]]<br /> [[ Αρχείο:Paper11fig8.jpg | thumb | right | Εικόνα 8 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας δένδρων για τον δεύτερο τομέα. ]]<br /> [[ Αρχείο:Paper11fig9.jpg | thumb | right | Εικόνα 9 – Παραγόμενη εικόνα για την τρίτη περιοχή . ]]<br /> [[ Αρχείο:Paper11fig10.jpg | thumb | right | Εικόνα 10 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας κτιρίων για τον τρίτο τομέα. ]]<br /> [[ Αρχείο:Paper11fig11.jpg | thumb | right | Εικόνα 11 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας δένδρων για τον τρίτο τομέα . ]]<br /> <br /> <br /> Η ανάγκη για την ακριβή εξαγωγή των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμοι είναι πολύ αυξημένη λόγω του ζωτικού τους ρόλου σε διάφορες εφαρμογές, όπως στη πολεοδομία, στα έργα πολιτικού μηχανικού και την προστασία του περιβάλλοντος. Οι συνεχείς εξελίξεις στους αισθητήρες εικόνας και δομένων LIDAR προσφέρουν νέα δεδομένα βελτιωμένων προδιαγραφών. Για την αξιοποίηση των δεδομένων πρέπει να εξελίσσονται και οι τεχνικές επεξεργασίας σε ακρίβεια και σε αύξηση της αυτοματοποίησης.<br /> Δεδομένα LIDAR στερούνται από τα πλούσια στοιχεία που παρέχονται από τα διάφορα κανάλια των οπτικών εικόνων που είναι πολύ χρήσιμα για την ανίχνευση πολλών κατηγοριών όπως η βλάστηση. Επίσης, οι οπτικές εικόνες προσφέρουν συνήθως υψηλότερη ανάλυση από ό, τι τα δεδομένα LIDAR. Ωστόσο, παρά τις εξελιγμένες προσεγγίσεις της επεξεργασίας εικόνας, η εξαγωγή χαρακτηριστικών αυτόματα από οπτικές εικόνες έχουν διάφορα προβλήματα όπως επικαλύψεις, σκιές, και απότομες κλίσεις. Αυτά τα προβλήματα, μπορούν να μειωθούν χρησιμοποιώντας LIDAR τεχνολογία που προσφέρει αξιόπιστα δεδομένα ύψος ανεξάρτητα από αντικείμενα, υφές και τις συνθήκες φωτισμού. Επίσης από LIDAR είναι δυνατό να παραχθουν ορθοφωτογραφιες από αεροφωτογραφίες. Η αποτελεσματικότητα των LIDAR είναι πολύ σημαντική λόγω του επιπέδου ακρίβειας και εξαιρετικά αυτοματοποιημένη ροή εργασίας απόκτηση του δεδομένα.<br /> Ένα ευρύ φάσμα των προσεγγίσεων έχουν αναπτυχθεί στα δεδομένα LIDAR για να γίνουν ταξινόμησης κάλυψης γης. Αρκετές επαναληπτικές μέθοδοι έχουν προταθεί για το φιλτράρισμα όπως διαδοχικές παρεμβολές χρησιμοποιώντας κλίσης και επιφάνειας προσανατολισμού κ.α. Οι αλγόριθμοι ομαδοποίησης, όπως k-μέσων, και fuzzy c-means προτάθηκαν να συγκεντρώσουν τα σημεία LIDAR σε διαφορετικές κατηγορίες. <br /> Από την άλλη πλευρά, πολλές προσεγγίσεις έχουν προταθεί για την εκτελέσει της εργασίας ταξινόμησης χρησιμοποιώντας αεροφωτογραφίες. Αυτές οι προσεγγίσεις παρουσιάζουν διαφορετικά χαρακτηριστικά, στα μοντέλα και στις ταξινομητές. Αρκετά χαρακτηριστικά υφής έχουν χρησιμοποιηθεί στο στάδιο εισόδου της ταξινόμησης. Τα στοιχεία χρώματος κάθε εικονοστοιχειου έχουν χρησιμοποιηθεί απευθείας ως συμβολή στο ταξινομητή. Και τα δύο χαρακτηριστικά υφής και χρώματος έχουν χρησιμοποιηθεί σε συνδυασμους για την ταξινόμηση. Μια μεγάλη ποικιλία από αλγόριθμους ταξινόμησης έχουν χρησιμοποιηθεί, όπως ταξινομητή Naive Bayes, ασαφούς λογικής, Νευρωνικά Δίκτυα, Vector Υποστήριξη Μηχάνημα αλγόριθμος SVM .<br /> <br /> Η Αντικειμενοστραφής Ανάλυση εικόνας (OBIA) κέρδισε πρόσφατα πολλή προσοχή μεταξύ των γεωγραφικών εφαρμογών χαρτογράφησης ως ένα εναλλακτικό πλαίσιο ανάλυσης που μπορεί να αποφύγει τα μειονεκτήματα που συνδέονται με τα pixel με βάση την ανάλυση. Παρά τα πλεονεκτήματα των εικονοστοιχείων με βάση την ανάλυση εικόνας, πάσχει από προβλήματα, όπως η ευαισθησία σε διακυμάνσεις αντικείμενων εντός σημαντικά μεγάλου σε μέγεθος του εικονοστοιχείου. <br /> Η χωρική έκταση των αντικειμένων που πρόκειται να ταξινομηθούν είναι μεγαλύτερης σημασίας για την διαδικασία της ταξινόμησης από την χωρική κλίμακα των εικονοστοιχείων εικόνας. Αντικειμενοστραφής ταξινόμηση μπορεί να βελτιώσει σημαντικά την ακρίβεια της ταξινόμησης με την μείωση του προβλήματος της misclassifying μεμονωμένων εικονοστοιχείων.<br /> Η προτεινόμενη προσέγγιση, που παρουσιάζονται στο παρόν έγγραφο, χρησιμοποιεί δεδομένα LIDAR μαζί με αεροφωτογραφίες για να εξαγάγετε τα κτίρια, και τα δέντρα των αστικών περιοχών. <br /> Αντικειμενοστραφής ανάλυση ακολουθείται στο σύνολο των δεδομένων DSM σε αντικείμενα με βάση τη μεταβολή στο ύψος. Η διαδικασία της ταξινόμησης βασίζεται σε δύο στάδια, όπου τα πρωτογενώς ταξινομημένα αντικείμενα μπορούν να βοηθήσουν να οδηγήσουν σε νέα χαρακτηριστικά στα οποία είναι το ύψος ως προς το έδαφος. Ανάμεσα στις πολλές δυνατότητες που παρέχονται από τις αεροφωτογραφίες, ένας κοινωνικοποιημένος δείκτης διαφοράς βλάστησης με βάση R και IR κανάλια έχει χρησιμοποιηθεί λόγω της μεγάλης σημασίας του για την εξόρυξη βλάστηση. Στο δεύτερο στάδιο της κατάταξης, χρησιμοποιεί το μέγεθος του αντικειμένου, το μέσο ύψος στο έδαφος, και ο δείκτης βλάστησης να τελειοποιήσουν την ταξινόμηση των αντικειμένων.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πρώτο βήμα είναι να εκτελεστεί κατάτμηση εικόνας βάση ύψος DSM και να διαιρεθεί η σκηνή σε αντικείμενα. Ένας αλγόριθμος υπολογίζει σε ολόκληρη την εικόνα ύψος DSM αρχίζοντας από την άνω αριστερή γωνία. Με βάση την ομοιότητα ύψος στο στάδιο τμηματοποίησης, τα σημεία του κάθε αντικειμένου που εξάγεται τείνουν να ανήκουν στο ίδιο ύψος. Επίπεδα αντικείμενα, όπως έδαφος και επιφάνειες κτιρίων θα παρουσιάζουν μεγάλα τμήματα που διατηρούν ομαλές αλλαγές ύψος. Από την άλλη πλευρά, τα δέντρα παρουσιάζουν συνήθως μεγάλη διακύμανση του ύψους, λόγω της διεισδύσεις στην κόμη του φυλλώματος. Ως εκ τούτου, τα δέντρα παρουσιάζονται σε μικρές περιοχές.<br /> <br /> Ως προκαταρκτική ταξινόμηση, τα αντικείμενα κάτω από το ελάχιστο όριο περιοχής ταξινομούνται ως βλάστηση. Το όριο αυτό που αντιπροσωπεύει την μικρότερη αναμενόμενη έκταση ενός κτιρίου και επιλέχθηκε ως 10 m2. Το υπόλοιπο των αντικειμένων ταξινομούνται ως κτίρια, εκτός για τα μεγαλύτερα αντικείμενα τα οποία έχουν ταξινομηθεί ως έδαφος. Το μεγαλύτερο αντικείμενο χρησιμοποιείται ως αναφορά του ύψους.<br /> Λόγω της παρεμβολής που εμφανίζουν τα δεδομένα LIDAR, κάποιοι τοίχοι των κτιρίων παρουσιάζουν μεγάλη διακύμανση και παραπλανητικά ύψη που οδηγούν σε μικρά κομμάτια που ταξινομούνται ως βλάστηση, το ίδιο σφάλμα συναντάται συνήθως και για τις αρχιτεκτονικές λεπτομέρειες των κτιρίων, όπως δείχνουν και απότομες αλλαγές ύψος πάνω από μικρές περιοχές. Αυτά τα σφάλματα ταξινομήσεων αναθεωρούνται κατά το δεύτερο στάδιο της κατάταξης.<br /> Για την εύρεση των αντίστοιχων φασματικών δεδομένων των αντικειμένων, μια ορθο-φωτογραφία της σκηνής κατασκευάζεται χρησιμοποιώντας όλες τις επικαλυπτόμενες εικόνες πάνω από την σκηνή. Στο Σχήμα 1 απεικονίζει δείγμα ορθοφωτογραφίας μιας περιοχής.<br /> Ο κανονικοποιημένος δείκτης βλάστησης ( NDVI=(IR-R)/(IR+R) ) υπολογίζεται για όλα τα αντικείμενα στη σκηνή με τη χρήση IR και R καναλιών .Στο δεύτερο στάδιο της ταξινόμησης διεξάγεται για να συντονίσει το προκαταρκτικό χαρακτηρισμό του πρώτου σταδίου, σύμφωνα με τους ακόλουθους κανόνες:<br /> <br /> • Τα αντικείμενα του μεγάλου ύψους-εδάφους (&gt; 0,2) και υψηλή NDVI (&gt; 0,18) που ταξινομούνται ως δέντρα.<br /> <br /> • Τα αντικείμενα του μεγάλου ύψους-εδάφους (&gt; 0,2) και χαμηλό NDVI (&lt;0,18) που ταξινομούνται ως κτίρια.<br /> <br /> • Τα αντικείμενα που δεν πληρούν τις δύο προηγούμενες συνθήκες διατηρούν προκαταρκτική ταξινόμηση τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για την αξιολόγηση της προτεινόμενης προσέγγισης, σε τρεις αστικές περιοχές στο κέντρο της πόλης της Vaihingen χρησιμοποιηθήκαν αεροφωτογραφίες και δεδομένα LIDAR. <br /> Ο αισθητήρας για τις ψηφιακές αεροφωτογραφίες είναι Intergraph / ZI DMC της RWE εταιρείας και αποκτήθηκαν στις 24 Ιουλίου και 6 Αυγούστου 2008. Οι έγχρωμες υπέρυθρες εικόνες έχουν ανάλυση 8 cm και βάθος χρώματος 11 bits.<br /> Τα δεδομένα Airborne Laser Scanner (ALS) αποτελούνται από 10 ταινίες ALS που αποκτήθηκαν στις 21 Αυγούστου 2008 από την Leica Geosystems χρησιμοποιώντας ένα σύστημα Leica ALS50 με 45 ° οπτικό πεδίο και μέσο ύψος πτήσης πάνω από το έδαφος στα 500 m. Η μέση επικάλυψη είναι 30%, και η μέση πυκνότητα είναι 6,7 σημεία points/m2. <br /> Το Σχήμα 3 δείχνει την παραγόμενη εικόνα για την πρώτη περιοχή, και το Σχήμα 4 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον πρώτο τομέα. Το Σχήμα 5 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον πρώτο τομέα. <br /> Το Σχήμα 6 δείχνει την παραγόμενη εικόνα για την δεύτερη περιοχή, και το Σχήμα 7 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον δεύτερο τομέα. Το Σχήμα 8 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον δεύτερο τομέα. <br /> Το Σχήμα 9 δείχνει την παραγόμενη εικόνα για την τρίτη περιοχή, και το Σχήμα 10 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον τρίτο τομέα. Το Σχήμα 11 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον τρίτο τομέα. <br /> Στην προτεινόμενη προσέγγιση, η επαναληπτική ταξινόμηση θα μπορούσε να επεκταθεί περαιτέρω για να συμπεριλάβει περισσότερα χαρακτηριστικά με βάση τις προηγούμενες διαδοχικές φάσεις κατάταξης. Τα κατώτατα όρια που χρησιμοποιούνται είναι ερμηνεύσιμα και θα μπορούσαν εύκολα να αλλάξουν ώστε να ταιριάζουν με τη βασική σκηνή για καλύτερα αποτελέσματα ταξινόμησης. Οι προτεινόμενοι κανόνες ταξινόμησης είναι επεκτάσιμοι ώστε να περιλαμβάνουν περισσότερες κατηγορίες, χωρίς την ανασυγκρότηση του ταξινομητή από το μηδέν.<br /> <br /> <br /> [[category:Ανίχνευση μεταβολών αστικής γης]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE%CF%82_%CE%BC%CE%AD%CE%B8%CE%BF%CE%B4%CE%BF%CF%82_%CE%B1%CF%85%CF%84%CE%BF%CE%BC%CE%B1%CF%84%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B5%CE%BE%CE%B1%CE%B3%CF%89%CE%B3%CE%AE%CF%82_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CF%80%CF%8C_%CE%B5%CE%BD%CE%B1%CE%B5%CF%81%CE%AF%CE%BF%CF%85%CF%82_%CE%B1%CE%B9%CF%83%CE%B8%CE%B7%CF%84%CE%AE%CF%81%CE%B5%CF%82 2013-01-29T18:01:09Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « A NEW OBJECT BASED METHOD FOR AUTOMATED EXTRACTION OF URBAN OBJECTS FROM AIRBORNE SENSORS DATA »<br /> <br /> <br /> '''Συγγραφείς:''' By A. Moussa , N. El-Sheimy <br /> <br /> posted on 1 September, 2012 in Articles, Remote Sensing and Spatial Information Sciences, Volume XXXIX-B3, <br /> <br /> '''Πηγή:''' ISPRS Congress <br /> <br /> « Αντικειμενοστραφής μέθοδος αυτοματοποιημένης εξαγωγής αστικών δεδομένων από εναερίους αισθητήρες »<br /> <br /> Η ταξινόμηση των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμους από αερομεταφερόμενους αισθητήρες είναι ένα σημαντικό βήμα σε πολλές εφαρμογές χαρτογράφησης και μοντελοποίησης. Η αυτοματοποίηση αυτού του σταδίου είναι άκρως απαραίτητη καθώς η χειροκίνητη επεξεργασία είναι δαπανηρή και χρονοβόρα. Η αυξανόμενη διαθεσιμότητα των δεδομένων αερομεταφερόμενων αισθητήρων, όπως αεροφωτογραφίες και τα δεδομένα LIDAR προσφέρουν νέες ευκαιρίες για την ανάπτυξη μιας ικανής προσεγγίσεις για την αυτόματη ταξινόμηση. Οι προσεγγίσεις αυτές θα πρέπει να ενσωματώσουν αυτές τις πηγές δεδομένων που έχουν διαφορετικά χαρακτηριστικά. Η προτεινόμενη προσέγγιση που παρουσιάζεται στο παρόν έγγραφο συνδυάζει τις εναέριες εικόνες με δεδομένα LIDAR για την εξαγωγή κτίριων και δέντρων για μια αστική περιοχή. Τα αντικείμενα με βάση την ανάλυση, που ακολουθείται στο σύνολο των ψηφιακών δεδομένων DSM, ταξινομούνται με βάση το ύψος μεταβολής. Αυτά τα αντικείμενα προκαταρκτικά ταξινομούνται σε κτίρια, δένδρα, και έδαφος. Αυτή η πρωτογενής ταξινόμηση χρησιμοποιείται για να υπολογίσει το ύψος στο έδαφος για κάθε αντικείμενο για να βοηθήσουν στη βελτίωση της ακρίβειας της δεύτερης φάσης της ταξινόμησης. <br /> Από τα επικαλυπτόμενα των αεροφωτογραφίων που χρησιμοποιούνται γινεται η κατασκευή μιας ορθο-φωτογραφίας για να προκύψουν οι τιμες του δείκτη βλάστησης για κάθε αντικείμενο. Η δεύτερη φάση της ταξινόμησης πραγματοποιείται με βάση το ύψος απο το έδαφος και το δείκτη βλάστησης του κάθε αντικειμένου.<br /> Η προτεινόμενη προσέγγιση έχει δοκιμαστεί με τρεις περιοχές στο κέντρο της πόλης της Vaihingen. Αυτές οι περιοχές έχουν ιστορικά κτίρια που έχουν πολύπλοκα σχήματα, μερικά ψηλά κτίρια κατοικιών που περιβάλλεται από δέντρα και μια καθαρά οικιστική περιοχή με μικρές μονοκατοικίες. <br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper11fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση ορθοφωτογραφίας μιας περιοχής. ]]<br /> [[ Αρχείο:Paper11fig2.jpg | thumb | right | Εικόνα 2 – Οι τρεις περιοχές ελέγχου εμφανίζεται στην DSM. ]]<br /> [[ Αρχείο:Paper11fig3.jpg | thumb | right | Εικόνα 3 – Παραγόμενη εικόνα για την πρώτη περιοχή . ]]<br /> [[ Αρχείο:Paper11fig4.jpg | thumb | right | Εικόνα 4 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας κτιρίων για τον πρώτο τομέα. ]]<br /> [[ Αρχείο:Paper11fig5.jpg | thumb | right | Εικόνα 5 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας δένδρων για τον πρώτο τομέα . ]]<br /> [[ Αρχείο:Paper11fig6.jpg | thumb | right | Εικόνα 6 – Παραγόμενη εικόνα για την δεύτερη περιοχή . ]]<br /> [[ Αρχείο:Paper11fig7.jpg | thumb | right | Εικόνα 7 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας κτιρίων για τον δεύτερο τομέα. ]]<br /> [[ Αρχείο:Paper11fig8.jpg | thumb | right | Εικόνα 8 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας δένδρων για τον δεύτερο τομέα. ]]<br /> [[ Αρχείο:Paper11fig9.jpg | thumb | right | Εικόνα 9 – Παραγόμενη εικόνα για την τρίτη περιοχή . ]]<br /> [[ Αρχείο:Paper11fig10.jpg | thumb | right | Εικόνα 10 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας κτιρίων για τον τρίτο τομέα. ]]<br /> [[ Αρχείο:Paper11fig11jpg | thumb | right | Εικόνα 11 – Απεικόνιση των αποτελέσματων της ταξινόμησης της κατηγορίας δένδρων για τον τρίτο τομέα . ]]<br /> <br /> <br /> Η ανάγκη για την ακριβή εξαγωγή των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμοι είναι πολύ αυξημένη λόγω του ζωτικού τους ρόλου σε διάφορες εφαρμογές, όπως στη πολεοδομία, στα έργα πολιτικού μηχανικού και την προστασία του περιβάλλοντος. Οι συνεχείς εξελίξεις στους αισθητήρες εικόνας και δομένων LIDAR προσφέρουν νέα δεδομένα βελτιωμένων προδιαγραφών. Για την αξιοποίηση των δεδομένων πρέπει να εξελίσσονται και οι τεχνικές επεξεργασίας σε ακρίβεια και σε αύξηση της αυτοματοποίησης.<br /> Δεδομένα LIDAR στερούνται από τα πλούσια στοιχεία που παρέχονται από τα διάφορα κανάλια των οπτικών εικόνων που είναι πολύ χρήσιμα για την ανίχνευση πολλών κατηγοριών όπως η βλάστηση. Επίσης, οι οπτικές εικόνες προσφέρουν συνήθως υψηλότερη ανάλυση από ό, τι τα δεδομένα LIDAR. Ωστόσο, παρά τις εξελιγμένες προσεγγίσεις της επεξεργασίας εικόνας, η εξαγωγή χαρακτηριστικών αυτόματα από οπτικές εικόνες έχουν διάφορα προβλήματα όπως επικαλύψεις, σκιές, και απότομες κλίσεις. Αυτά τα προβλήματα, μπορούν να μειωθούν χρησιμοποιώντας LIDAR τεχνολογία που προσφέρει αξιόπιστα δεδομένα ύψος ανεξάρτητα από αντικείμενα, υφές και τις συνθήκες φωτισμού. Επίσης από LIDAR είναι δυνατό να παραχθουν ορθοφωτογραφιες από αεροφωτογραφίες. Η αποτελεσματικότητα των LIDAR είναι πολύ σημαντική λόγω του επιπέδου ακρίβειας και εξαιρετικά αυτοματοποιημένη ροή εργασίας απόκτηση του δεδομένα.<br /> Ένα ευρύ φάσμα των προσεγγίσεων έχουν αναπτυχθεί στα δεδομένα LIDAR για να γίνουν ταξινόμησης κάλυψης γης. Αρκετές επαναληπτικές μέθοδοι έχουν προταθεί για το φιλτράρισμα όπως διαδοχικές παρεμβολές χρησιμοποιώντας κλίσης και επιφάνειας προσανατολισμού κ.α. Οι αλγόριθμοι ομαδοποίησης, όπως k-μέσων, και fuzzy c-means προτάθηκαν να συγκεντρώσουν τα σημεία LIDAR σε διαφορετικές κατηγορίες. <br /> Από την άλλη πλευρά, πολλές προσεγγίσεις έχουν προταθεί για την εκτελέσει της εργασίας ταξινόμησης χρησιμοποιώντας αεροφωτογραφίες. Αυτές οι προσεγγίσεις παρουσιάζουν διαφορετικά χαρακτηριστικά, στα μοντέλα και στις ταξινομητές. Αρκετά χαρακτηριστικά υφής έχουν χρησιμοποιηθεί στο στάδιο εισόδου της ταξινόμησης. Τα στοιχεία χρώματος κάθε εικονοστοιχειου έχουν χρησιμοποιηθεί απευθείας ως συμβολή στο ταξινομητή. Και τα δύο χαρακτηριστικά υφής και χρώματος έχουν χρησιμοποιηθεί σε συνδυασμους για την ταξινόμηση. Μια μεγάλη ποικιλία από αλγόριθμους ταξινόμησης έχουν χρησιμοποιηθεί, όπως ταξινομητή Naive Bayes, ασαφούς λογικής, Νευρωνικά Δίκτυα, Vector Υποστήριξη Μηχάνημα αλγόριθμος SVM .<br /> <br /> Η Αντικειμενοστραφής Ανάλυση εικόνας (OBIA) κέρδισε πρόσφατα πολλή προσοχή μεταξύ των γεωγραφικών εφαρμογών χαρτογράφησης ως ένα εναλλακτικό πλαίσιο ανάλυσης που μπορεί να αποφύγει τα μειονεκτήματα που συνδέονται με τα pixel με βάση την ανάλυση. Παρά τα πλεονεκτήματα των εικονοστοιχείων με βάση την ανάλυση εικόνας, πάσχει από προβλήματα, όπως η ευαισθησία σε διακυμάνσεις αντικείμενων εντός σημαντικά μεγάλου σε μέγεθος του εικονοστοιχείου. <br /> Η χωρική έκταση των αντικειμένων που πρόκειται να ταξινομηθούν είναι μεγαλύτερης σημασίας για την διαδικασία της ταξινόμησης από την χωρική κλίμακα των εικονοστοιχείων εικόνας. Αντικειμενοστραφής ταξινόμηση μπορεί να βελτιώσει σημαντικά την ακρίβεια της ταξινόμησης με την μείωση του προβλήματος της misclassifying μεμονωμένων εικονοστοιχείων.<br /> Η προτεινόμενη προσέγγιση, που παρουσιάζονται στο παρόν έγγραφο, χρησιμοποιεί δεδομένα LIDAR μαζί με αεροφωτογραφίες για να εξαγάγετε τα κτίρια, και τα δέντρα των αστικών περιοχών. <br /> Αντικειμενοστραφής ανάλυση ακολουθείται στο σύνολο των δεδομένων DSM σε αντικείμενα με βάση τη μεταβολή στο ύψος. Η διαδικασία της ταξινόμησης βασίζεται σε δύο στάδια, όπου τα πρωτογενώς ταξινομημένα αντικείμενα μπορούν να βοηθήσουν να οδηγήσουν σε νέα χαρακτηριστικά στα οποία είναι το ύψος ως προς το έδαφος. Ανάμεσα στις πολλές δυνατότητες που παρέχονται από τις αεροφωτογραφίες, ένας κοινωνικοποιημένος δείκτης διαφοράς βλάστησης με βάση R και IR κανάλια έχει χρησιμοποιηθεί λόγω της μεγάλης σημασίας του για την εξόρυξη βλάστηση. Στο δεύτερο στάδιο της κατάταξης, χρησιμοποιεί το μέγεθος του αντικειμένου, το μέσο ύψος στο έδαφος, και ο δείκτης βλάστησης να τελειοποιήσουν την ταξινόμηση των αντικειμένων.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πρώτο βήμα είναι να εκτελεστεί κατάτμηση εικόνας βάση ύψος DSM και να διαιρεθεί η σκηνή σε αντικείμενα. Ένας αλγόριθμος υπολογίζει σε ολόκληρη την εικόνα ύψος DSM αρχίζοντας από την άνω αριστερή γωνία. Με βάση την ομοιότητα ύψος στο στάδιο τμηματοποίησης, τα σημεία του κάθε αντικειμένου που εξάγεται τείνουν να ανήκουν στο ίδιο ύψος. Επίπεδα αντικείμενα, όπως έδαφος και επιφάνειες κτιρίων θα παρουσιάζουν μεγάλα τμήματα που διατηρούν ομαλές αλλαγές ύψος. Από την άλλη πλευρά, τα δέντρα παρουσιάζουν συνήθως μεγάλη διακύμανση του ύψους, λόγω της διεισδύσεις στην κόμη του φυλλώματος. Ως εκ τούτου, τα δέντρα παρουσιάζονται σε μικρές περιοχές.<br /> <br /> Ως προκαταρκτική ταξινόμηση, τα αντικείμενα κάτω από το ελάχιστο όριο περιοχής ταξινομούνται ως βλάστηση. Το όριο αυτό που αντιπροσωπεύει την μικρότερη αναμενόμενη έκταση ενός κτιρίου και επιλέχθηκε ως 10 m2. Το υπόλοιπο των αντικειμένων ταξινομούνται ως κτίρια, εκτός για τα μεγαλύτερα αντικείμενα τα οποία έχουν ταξινομηθεί ως έδαφος. Το μεγαλύτερο αντικείμενο χρησιμοποιείται ως αναφορά του ύψους.<br /> Λόγω της παρεμβολής που εμφανίζουν τα δεδομένα LIDAR, κάποιοι τοίχοι των κτιρίων παρουσιάζουν μεγάλη διακύμανση και παραπλανητικά ύψη που οδηγούν σε μικρά κομμάτια που ταξινομούνται ως βλάστηση, το ίδιο σφάλμα συναντάται συνήθως και για τις αρχιτεκτονικές λεπτομέρειες των κτιρίων, όπως δείχνουν και απότομες αλλαγές ύψος πάνω από μικρές περιοχές. Αυτά τα σφάλματα ταξινομήσεων αναθεωρούνται κατά το δεύτερο στάδιο της κατάταξης.<br /> Για την εύρεση των αντίστοιχων φασματικών δεδομένων των αντικειμένων, μια ορθο-φωτογραφία της σκηνής κατασκευάζεται χρησιμοποιώντας όλες τις επικαλυπτόμενες εικόνες πάνω από την σκηνή. Στο Σχήμα 1 απεικονίζει δείγμα ορθοφωτογραφίας μιας περιοχής.<br /> Ο κανονικοποιημένος δείκτης βλάστησης ( NDVI=(IR-R)/(IR+R) ) υπολογίζεται για όλα τα αντικείμενα στη σκηνή με τη χρήση IR και R καναλιών .Στο δεύτερο στάδιο της ταξινόμησης διεξάγεται για να συντονίσει το προκαταρκτικό χαρακτηρισμό του πρώτου σταδίου, σύμφωνα με τους ακόλουθους κανόνες:<br /> <br /> • Τα αντικείμενα του μεγάλου ύψους-εδάφους (&gt; 0,2) και υψηλή NDVI (&gt; 0,18) που ταξινομούνται ως δέντρα.<br /> <br /> • Τα αντικείμενα του μεγάλου ύψους-εδάφους (&gt; 0,2) και χαμηλό NDVI (&lt;0,18) που ταξινομούνται ως κτίρια.<br /> <br /> • Τα αντικείμενα που δεν πληρούν τις δύο προηγούμενες συνθήκες διατηρούν προκαταρκτική ταξινόμηση τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για την αξιολόγηση της προτεινόμενης προσέγγισης, σε τρεις αστικές περιοχές στο κέντρο της πόλης της Vaihingen χρησιμοποιηθήκαν αεροφωτογραφίες και δεδομένα LIDAR. <br /> Ο αισθητήρας για τις ψηφιακές αεροφωτογραφίες είναι Intergraph / ZI DMC της RWE εταιρείας και αποκτήθηκαν στις 24 Ιουλίου και 6 Αυγούστου 2008. Οι έγχρωμες υπέρυθρες εικόνες έχουν ανάλυση 8 cm και βάθος χρώματος 11 bits.<br /> Τα δεδομένα Airborne Laser Scanner (ALS) αποτελούνται από 10 ταινίες ALS που αποκτήθηκαν στις 21 Αυγούστου 2008 από την Leica Geosystems χρησιμοποιώντας ένα σύστημα Leica ALS50 με 45 ° οπτικό πεδίο και μέσο ύψος πτήσης πάνω από το έδαφος στα 500 m. Η μέση επικάλυψη είναι 30%, και η μέση πυκνότητα είναι 6,7 σημεία points/m2. <br /> Το Σχήμα 3 δείχνει την παραγόμενη εικόνα για την πρώτη περιοχή, και το Σχήμα 4 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον πρώτο τομέα. Το Σχήμα 5 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον πρώτο τομέα. <br /> Το Σχήμα 6 δείχνει την παραγόμενη εικόνα για την δεύτερη περιοχή, και το Σχήμα 7 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον δεύτερο τομέα. Το Σχήμα 8 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον δεύτερο τομέα. <br /> Το Σχήμα 9 δείχνει την παραγόμενη εικόνα για την τρίτη περιοχή, και το Σχήμα 10 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον τρίτο τομέα. Το Σχήμα 11 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον τρίτο τομέα. <br /> Στην προτεινόμενη προσέγγιση, η επαναληπτική ταξινόμηση θα μπορούσε να επεκταθεί περαιτέρω για να συμπεριλάβει περισσότερα χαρακτηριστικά με βάση τις προηγούμενες διαδοχικές φάσεις κατάταξης. Τα κατώτατα όρια που χρησιμοποιούνται είναι ερμηνεύσιμα και θα μπορούσαν εύκολα να αλλάξουν ώστε να ταιριάζουν με τη βασική σκηνή για καλύτερα αποτελέσματα ταξινόμησης. Οι προτεινόμενοι κανόνες ταξινόμησης είναι επεκτάσιμοι ώστε να περιλαμβάνουν περισσότερες κατηγορίες, χωρίς την ανασυγκρότηση του ταξινομητή από το μηδέν.<br /> <br /> <br /> [[category:Ανίχνευση μεταβολών αστικής γης]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CF%84%CE%B9%CE%BA%CE%B5%CE%B9%CE%BC%CE%B5%CE%BD%CE%BF%CF%83%CF%84%CF%81%CE%B1%CF%86%CE%AE%CF%82_%CE%BC%CE%AD%CE%B8%CE%BF%CE%B4%CE%BF%CF%82_%CE%B1%CF%85%CF%84%CE%BF%CE%BC%CE%B1%CF%84%CE%BF%CF%80%CE%BF%CE%B9%CE%B7%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B5%CE%BE%CE%B1%CE%B3%CF%89%CE%B3%CE%AE%CF%82_%CE%B1%CF%83%CF%84%CE%B9%CE%BA%CF%8E%CE%BD_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CF%80%CF%8C_%CE%B5%CE%BD%CE%B1%CE%B5%CF%81%CE%AF%CE%BF%CF%85%CF%82_%CE%B1%CE%B9%CF%83%CE%B8%CE%B7%CF%84%CE%AE%CF%81%CE%B5%CF%82 2013-01-29T17:57:06Z

<p>Clikos: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' « A NEW OBJECT BASED METHOD FOR AUTOMATED EXTRACTION OF URBAN OBJECTS FROM AIRBORNE SENSORS DATA » '''Συγγραφείς:''...'</p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « A NEW OBJECT BASED METHOD FOR AUTOMATED EXTRACTION OF URBAN OBJECTS FROM AIRBORNE SENSORS DATA »<br /> <br /> <br /> '''Συγγραφείς:''' By A. Moussa , N. El-Sheimy <br /> <br /> posted on 1 September, 2012 in Articles, Remote Sensing and Spatial Information Sciences, Volume XXXIX-B3, <br /> <br /> '''Πηγή:''' ISPRS Congress <br /> <br /> « Αντικειμενοστραφής μέθοδος αυτοματοποιημένης εξαγωγής αστικών δεδομένων από εναερίους αισθητήρες »<br /> <br /> Η ταξινόμηση των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμους από αερομεταφερόμενους αισθητήρες είναι ένα σημαντικό βήμα σε πολλές εφαρμογές χαρτογράφησης και μοντελοποίησης. Η αυτοματοποίηση αυτού του σταδίου είναι άκρως απαραίτητη καθώς η χειροκίνητη επεξεργασία είναι δαπανηρή και χρονοβόρα. Η αυξανόμενη διαθεσιμότητα των δεδομένων αερομεταφερόμενων αισθητήρων, όπως αεροφωτογραφίες και τα δεδομένα LIDAR προσφέρουν νέες ευκαιρίες για την ανάπτυξη μιας ικανής προσεγγίσεις για την αυτόματη ταξινόμηση. Οι προσεγγίσεις αυτές θα πρέπει να ενσωματώσουν αυτές τις πηγές δεδομένων που έχουν διαφορετικά χαρακτηριστικά. Η προτεινόμενη προσέγγιση που παρουσιάζεται στο παρόν έγγραφο συνδυάζει τις εναέριες εικόνες με δεδομένα LIDAR για την εξαγωγή κτίριων και δέντρων για μια αστική περιοχή. Τα αντικείμενα με βάση την ανάλυση, που ακολουθείται στο σύνολο των ψηφιακών δεδομένων DSM, ταξινομούνται με βάση το ύψος μεταβολής. Αυτά τα αντικείμενα προκαταρκτικά ταξινομούνται σε κτίρια, δένδρα, και έδαφος. Αυτή η πρωτογενής ταξινόμηση χρησιμοποιείται για να υπολογίσει το ύψος στο έδαφος για κάθε αντικείμενο για να βοηθήσουν στη βελτίωση της ακρίβειας της δεύτερης φάσης της ταξινόμησης. <br /> Από τα επικαλυπτόμενα των αεροφωτογραφίων που χρησιμοποιούνται γινεται η κατασκευή μιας ορθο-φωτογραφίας για να προκύψουν οι τιμες του δείκτη βλάστησης για κάθε αντικείμενο. Η δεύτερη φάση της ταξινόμησης πραγματοποιείται με βάση το ύψος απο το έδαφος και το δείκτη βλάστησης του κάθε αντικειμένου.<br /> Η προτεινόμενη προσέγγιση έχει δοκιμαστεί με τρεις περιοχές στο κέντρο της πόλης της Vaihingen. Αυτές οι περιοχές έχουν ιστορικά κτίρια που έχουν πολύπλοκα σχήματα, μερικά ψηλά κτίρια κατοικιών που περιβάλλεται από δέντρα και μια καθαρά οικιστική περιοχή με μικρές μονοκατοικίες. <br /> <br /> '''Εισαγωγη'''<br /> <br /> Η ανάγκη για την ακριβή εξαγωγή των αστικών αντικειμένων, όπως κτίρια, δέντρα και δρόμοι είναι πολύ αυξημένη λόγω του ζωτικού τους ρόλου σε διάφορες εφαρμογές, όπως στη πολεοδομία, στα έργα πολιτικού μηχανικού και την προστασία του περιβάλλοντος. Οι συνεχείς εξελίξεις στους αισθητήρες εικόνας και δομένων LIDAR προσφέρουν νέα δεδομένα βελτιωμένων προδιαγραφών. Για την αξιοποίηση των δεδομένων πρέπει να εξελίσσονται και οι τεχνικές επεξεργασίας σε ακρίβεια και σε αύξηση της αυτοματοποίησης.<br /> Δεδομένα LIDAR στερούνται από τα πλούσια στοιχεία που παρέχονται από τα διάφορα κανάλια των οπτικών εικόνων που είναι πολύ χρήσιμα για την ανίχνευση πολλών κατηγοριών όπως η βλάστηση. Επίσης, οι οπτικές εικόνες προσφέρουν συνήθως υψηλότερη ανάλυση από ό, τι τα δεδομένα LIDAR. Ωστόσο, παρά τις εξελιγμένες προσεγγίσεις της επεξεργασίας εικόνας, η εξαγωγή χαρακτηριστικών αυτόματα από οπτικές εικόνες έχουν διάφορα προβλήματα όπως επικαλύψεις, σκιές, και απότομες κλίσεις. Αυτά τα προβλήματα, μπορούν να μειωθούν χρησιμοποιώντας LIDAR τεχνολογία που προσφέρει αξιόπιστα δεδομένα ύψος ανεξάρτητα από αντικείμενα, υφές και τις συνθήκες φωτισμού. Επίσης από LIDAR είναι δυνατό να παραχθουν ορθοφωτογραφιες από αεροφωτογραφίες. Η αποτελεσματικότητα των LIDAR είναι πολύ σημαντική λόγω του επιπέδου ακρίβειας και εξαιρετικά αυτοματοποιημένη ροή εργασίας απόκτηση του δεδομένα.<br /> Ένα ευρύ φάσμα των προσεγγίσεων έχουν αναπτυχθεί στα δεδομένα LIDAR για να γίνουν ταξινόμησης κάλυψης γης. Αρκετές επαναληπτικές μέθοδοι έχουν προταθεί για το φιλτράρισμα όπως διαδοχικές παρεμβολές χρησιμοποιώντας κλίσης και επιφάνειας προσανατολισμού κ.α. Οι αλγόριθμοι ομαδοποίησης, όπως k-μέσων, και fuzzy c-means προτάθηκαν να συγκεντρώσουν τα σημεία LIDAR σε διαφορετικές κατηγορίες. <br /> Από την άλλη πλευρά, πολλές προσεγγίσεις έχουν προταθεί για την εκτελέσει της εργασίας ταξινόμησης χρησιμοποιώντας αεροφωτογραφίες. Αυτές οι προσεγγίσεις παρουσιάζουν διαφορετικά χαρακτηριστικά, στα μοντέλα και στις ταξινομητές. Αρκετά χαρακτηριστικά υφής έχουν χρησιμοποιηθεί στο στάδιο εισόδου της ταξινόμησης. Τα στοιχεία χρώματος κάθε εικονοστοιχειου έχουν χρησιμοποιηθεί απευθείας ως συμβολή στο ταξινομητή. Και τα δύο χαρακτηριστικά υφής και χρώματος έχουν χρησιμοποιηθεί σε συνδυασμους για την ταξινόμηση. Μια μεγάλη ποικιλία από αλγόριθμους ταξινόμησης έχουν χρησιμοποιηθεί, όπως ταξινομητή Naive Bayes, ασαφούς λογικής, Νευρωνικά Δίκτυα, Vector Υποστήριξη Μηχάνημα αλγόριθμος SVM .<br /> <br /> Η Αντικειμενοστραφής Ανάλυση εικόνας (OBIA) κέρδισε πρόσφατα πολλή προσοχή μεταξύ των γεωγραφικών εφαρμογών χαρτογράφησης ως ένα εναλλακτικό πλαίσιο ανάλυσης που μπορεί να αποφύγει τα μειονεκτήματα που συνδέονται με τα pixel με βάση την ανάλυση. Παρά τα πλεονεκτήματα των εικονοστοιχείων με βάση την ανάλυση εικόνας, πάσχει από προβλήματα, όπως η ευαισθησία σε διακυμάνσεις αντικείμενων εντός σημαντικά μεγάλου σε μέγεθος του εικονοστοιχείου. <br /> Η χωρική έκταση των αντικειμένων που πρόκειται να ταξινομηθούν είναι μεγαλύτερης σημασίας για την διαδικασία της ταξινόμησης από την χωρική κλίμακα των εικονοστοιχείων εικόνας. Αντικειμενοστραφής ταξινόμηση μπορεί να βελτιώσει σημαντικά την ακρίβεια της ταξινόμησης με την μείωση του προβλήματος της misclassifying μεμονωμένων εικονοστοιχείων.<br /> Η προτεινόμενη προσέγγιση, που παρουσιάζονται στο παρόν έγγραφο, χρησιμοποιεί δεδομένα LIDAR μαζί με αεροφωτογραφίες για να εξαγάγετε τα κτίρια, και τα δέντρα των αστικών περιοχών. <br /> Αντικειμενοστραφής ανάλυση ακολουθείται στο σύνολο των δεδομένων DSM σε αντικείμενα με βάση τη μεταβολή στο ύψος. Η διαδικασία της ταξινόμησης βασίζεται σε δύο στάδια, όπου τα πρωτογενώς ταξινομημένα αντικείμενα μπορούν να βοηθήσουν να οδηγήσουν σε νέα χαρακτηριστικά στα οποία είναι το ύψος ως προς το έδαφος. Ανάμεσα στις πολλές δυνατότητες που παρέχονται από τις αεροφωτογραφίες, ένας κοινωνικοποιημένος δείκτης διαφοράς βλάστησης με βάση R και IR κανάλια έχει χρησιμοποιηθεί λόγω της μεγάλης σημασίας του για την εξόρυξη βλάστηση. Στο δεύτερο στάδιο της κατάταξης, χρησιμοποιεί το μέγεθος του αντικειμένου, το μέσο ύψος στο έδαφος, και ο δείκτης βλάστησης να τελειοποιήσουν την ταξινόμηση των αντικειμένων.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Το πρώτο βήμα είναι να εκτελεστεί κατάτμηση εικόνας βάση ύψος DSM και να διαιρεθεί η σκηνή σε αντικείμενα. Ένας αλγόριθμος υπολογίζει σε ολόκληρη την εικόνα ύψος DSM αρχίζοντας από την άνω αριστερή γωνία. Με βάση την ομοιότητα ύψος στο στάδιο τμηματοποίησης, τα σημεία του κάθε αντικειμένου που εξάγεται τείνουν να ανήκουν στο ίδιο ύψος. Επίπεδα αντικείμενα, όπως έδαφος και επιφάνειες κτιρίων θα παρουσιάζουν μεγάλα τμήματα που διατηρούν ομαλές αλλαγές ύψος. Από την άλλη πλευρά, τα δέντρα παρουσιάζουν συνήθως μεγάλη διακύμανση του ύψους, λόγω της διεισδύσεις στην κόμη του φυλλώματος. Ως εκ τούτου, τα δέντρα παρουσιάζονται σε μικρές περιοχές.<br /> <br /> Ως προκαταρκτική ταξινόμηση, τα αντικείμενα κάτω από το ελάχιστο όριο περιοχής ταξινομούνται ως βλάστηση. Το όριο αυτό που αντιπροσωπεύει την μικρότερη αναμενόμενη έκταση ενός κτιρίου και επιλέχθηκε ως 10 m2. Το υπόλοιπο των αντικειμένων ταξινομούνται ως κτίρια, εκτός για τα μεγαλύτερα αντικείμενα τα οποία έχουν ταξινομηθεί ως έδαφος. Το μεγαλύτερο αντικείμενο χρησιμοποιείται ως αναφορά του ύψους.<br /> Λόγω της παρεμβολής που εμφανίζουν τα δεδομένα LIDAR, κάποιοι τοίχοι των κτιρίων παρουσιάζουν μεγάλη διακύμανση και παραπλανητικά ύψη που οδηγούν σε μικρά κομμάτια που ταξινομούνται ως βλάστηση, το ίδιο σφάλμα συναντάται συνήθως και για τις αρχιτεκτονικές λεπτομέρειες των κτιρίων, όπως δείχνουν και απότομες αλλαγές ύψος πάνω από μικρές περιοχές. Αυτά τα σφάλματα ταξινομήσεων αναθεωρούνται κατά το δεύτερο στάδιο της κατάταξης.<br /> Για την εύρεση των αντίστοιχων φασματικών δεδομένων των αντικειμένων, μια ορθο-φωτογραφία της σκηνής κατασκευάζεται χρησιμοποιώντας όλες τις επικαλυπτόμενες εικόνες πάνω από την σκηνή. Στο Σχήμα 1 απεικονίζει δείγμα ορθοφωτογραφίας μιας περιοχής.<br /> Ο κανονικοποιημένος δείκτης βλάστησης ( NDVI=(IR-R)/(IR+R) ) υπολογίζεται για όλα τα αντικείμενα στη σκηνή με τη χρήση IR και R καναλιών .Στο δεύτερο στάδιο της ταξινόμησης διεξάγεται για να συντονίσει το προκαταρκτικό χαρακτηρισμό του πρώτου σταδίου, σύμφωνα με τους ακόλουθους κανόνες:<br /> <br /> • Τα αντικείμενα του μεγάλου ύψους-εδάφους (&gt; 0,2) και υψηλή NDVI (&gt; 0,18) που ταξινομούνται ως δέντρα.<br /> <br /> • Τα αντικείμενα του μεγάλου ύψους-εδάφους (&gt; 0,2) και χαμηλό NDVI (&lt;0,18) που ταξινομούνται ως κτίρια.<br /> <br /> • Τα αντικείμενα που δεν πληρούν τις δύο προηγούμενες συνθήκες διατηρούν προκαταρκτική ταξινόμηση τους.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Για την αξιολόγηση της προτεινόμενης προσέγγισης, σε τρεις αστικές περιοχές στο κέντρο της πόλης της Vaihingen χρησιμοποιηθήκαν αεροφωτογραφίες και δεδομένα LIDAR. <br /> Ο αισθητήρας για τις ψηφιακές αεροφωτογραφίες είναι Intergraph / ZI DMC της RWE εταιρείας και αποκτήθηκαν στις 24 Ιουλίου και 6 Αυγούστου 2008. Οι έγχρωμες υπέρυθρες εικόνες έχουν ανάλυση 8 cm και βάθος χρώματος 11 bits.<br /> Τα δεδομένα Airborne Laser Scanner (ALS) αποτελούνται από 10 ταινίες ALS που αποκτήθηκαν στις 21 Αυγούστου 2008 από την Leica Geosystems χρησιμοποιώντας ένα σύστημα Leica ALS50 με 45 ° οπτικό πεδίο και μέσο ύψος πτήσης πάνω από το έδαφος στα 500 m. Η μέση επικάλυψη είναι 30%, και η μέση πυκνότητα είναι 6,7 σημεία points/m2. <br /> Το Σχήμα 3 δείχνει την παραγόμενη εικόνα για την πρώτη περιοχή, και το Σχήμα 4 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον πρώτο τομέα. Το Σχήμα 5 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον πρώτο τομέα. <br /> Το Σχήμα 6 δείχνει την παραγόμενη εικόνα για την δεύτερη περιοχή, και το Σχήμα 7 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον δεύτερο τομέα. Το Σχήμα 8 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον δεύτερο τομέα. <br /> Το Σχήμα 9 δείχνει την παραγόμενη εικόνα για την τρίτη περιοχή, και το Σχήμα 10 απεικονίζει τα αποτελέσματα της ταξινόμησης της κατηγορίας κτιρίων για τον τρίτο τομέα. Το Σχήμα 11 απεικονίζει τα αποτελέσματα ταξινόμησης των δένδρων για τον τρίτο τομέα. <br /> Στην προτεινόμενη προσέγγιση, η επαναληπτική ταξινόμηση θα μπορούσε να επεκταθεί περαιτέρω για να συμπεριλάβει περισσότερα χαρακτηριστικά με βάση τις προηγούμενες διαδοχικές φάσεις κατάταξης. Τα κατώτατα όρια που χρησιμοποιούνται είναι ερμηνεύσιμα και θα μπορούσαν εύκολα να αλλάξουν ώστε να ταιριάζουν με τη βασική σκηνή για καλύτερα αποτελέσματα ταξινόμησης. Οι προτεινόμενοι κανόνες ταξινόμησης είναι επεκτάσιμοι ώστε να περιλαμβάνουν περισσότερες κατηγορίες, χωρίς την ανασυγκρότηση του ταξινομητή από το μηδέν.<br /> <br /> <br /> [[category:Ανίχνευση μεταβολών αστικής γης]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig11.jpg 2013-01-29T17:54:12Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig10.jpg 2013-01-29T17:54:05Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig9.jpg 2013-01-29T17:53:59Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig8.jpg 2013-01-29T17:53:51Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig7.jpg 2013-01-29T17:53:44Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig6.jpg 2013-01-29T17:53:40Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig5.jpg 2013-01-29T17:53:32Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig4.jpg 2013-01-29T17:53:26Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig3.jpg 2013-01-29T17:53:21Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig2.jpg 2013-01-29T17:53:14Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper11fig1.jpg 2013-01-29T17:53:08Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%AE%CF%81%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B2%CE%B9%CE%BF-%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CF%85%CF%83%CF%84%CF%81%CE%B1%CE%BB%CE%AF%CE%B1_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_MODIS_%CF%83%CF%84%CE%B1_%CE%BA%CE%B1%CE%BD%CE%AC%CE%BB%CE%B9%CE%B1_8-19 2013-01-29T17:51:32Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « OPERATIONAL OBSERVATION OF AUSTRALIAN BIOREGIONS WITH BANDS 8-19 OF MODIS »<br /> <br /> <br /> '''Συγγραφείς:''' By B. K. McAtee , M. Gray , M. Broomhall , M. Lynch , P. Fearns <br /> <br /> posted on 1 September, 2012 in Articles, Remote Sensing and Spatial Information Sciences, Volume XXXIX-B8, 2012<br /> <br /> '''Πηγή:''' ISPRS Congress <br /> <br /> «Παρατήρηση των βιο-περιοχών στην Αυστραλία με χρήση συστήματος MODIS στα κανάλια 8-19»<br /> <br /> Δεδομένα από τα κανάλια 1-7 του οργάνου MODIS χρησιμοποιούνται για την επίγεια παρατήρηση της δραστηριότητες στην περιοχη της Αυστραλία. Ωστόσο, πολλά από τις Βιοπεριοχες της Αυστραλίας παρουσιάζουν μοναδικά σενάρια τα οποία αποτελούν πρόκληση στην τηλεπισκόπησης της ποσοτικοποίησης του περιβάλλοντος. Υπάρχει η εκτίμηση ότι τα δεδομένα MODIS στις μπάντες από 8 - 19 μπορούν να παρέχουν σημαντικό όφελος στη παρατήρηση του εδάφους πάνω σε συγκεκριμένους τύπους Βιοπεριοχών της αυστραλιανής ηπείρου.Στην εργασία αυτή υπάρχουν παραδείγματα χρήσης του καναλιού 8 για τον χαρακτηρισμό του οπτικού βάθους των αεροδιαλυματων πάνω από φωτεινές επιφάνειες γης και στον υπολογισμό της προκαλούμενης παραμόρφωσης λόγω των ατμοσφαιρικών υδρατμών. Έχουν γίνει εστιασμένες έρευνες που έχουν οδηγήσει στην ανάπτυξη της αυτοματοποιημένης επεξεργασίας, για την ατμοσφαιρική διόρθωση και BRDF διόρθωση των πρώτων 19 καναλιών του MODIS.<br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper10fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση της περιοχής μελέτης . ]]<br /> [[ Αρχείο:Paper10fig2.jpg | thumb | right | Εικόνα 2 – Απεικόνιση της αρακτηριστικής βλάστησης της περιοχής. ]]<br /> [[ Αρχείο:Paper10fig3.jpg | thumb | right | Εικόνα 3 – Θύελλες σκόνης από εικόνες MODIS . ]]<br /> [[ Αρχείο:Paper10fig4.jpg | thumb | right | Εικόνα 4– Απεικονίσεις της ατμοσφαιρικής διόρθωσης. ]]<br /> Ο αισθητήρας MODIS σχεδιάστηκε για να βελτιώσει της ικανότητας του δορυφόρου για τηλεπισκόπηση και να καλύψει τις ανάγκες της παγκόσμιας επιστημονικής κοινότητας. <br /> Το εύρος των προϊόντων που παρέχονται από τον MODIS βρήκε επίσης πρακτική εφαρμογή στους τομείς των γεωργικών, των φυσικών πόρων και των υπηρεσιών διαχείρισης έκτακτων ανάγκων, και όλο και περισσότερο στην οικολογική έρευνα.<br /> Η παρούσα εργασία αποτελεί μέρος της Έρευνας Οικοσυστημάτων (TERN) του Προγράμματος AusCover (www.auscover.org.au) και επιδιώκει να επεκτείνει τη χρήση των τηλεπισκοπικών δεδομένων στην οικολογική έρευνα.<br /> Στο πλαίσιο του έργου AusCover καταρτίζονται αρχεία των τηλεπισκοπικών προϊόντων σε εθνικό επίπεδο επίπεδο σε όλη την Αυστραλία. Άλλα θέματα στην TERN είναι η δημιουργία υποδομής για την ανάλυση και τη σύνθεση για πλήθος οικολογικών δεδομένων που θα ενσωματωθούν στην AusCover.<br /> <br /> Στην εργασία αυτή περιγράφονται μερικά από τα επεξεργασμένα δεδομένα MODIS στο πλαίσιο του έργου AusCover και περιγράφονταν επιλεγμένες εφαρμογές της έρευνας. Η επεξεργασία MODIS, αυτής της εργασίας επικεντρώνεται στην εφαρμογή της απλής μεθόδου Ατμοσφαιρική Διόρθωση (SMAC) για τις ζώνες 8-19 του MODIS στο εθνικό δίκτυο HPC.<br /> Αποτελεί μια προέκταση στο σύστημα επεξεργασίας MODIS για τις ζώνες 1-7 και η έμπνευση για αυτό πηγάζει από την πεποίθησή ότι η φασματική επιπλέον πληροφορίες που περιέχεται σε αυτές τις ζώνες θα ωφελήσει την ατμοσφαιρική διόρθωση του MODIS.<br /> Η έρευνα έχει βασίσει στην ατμοσφαιρική διόρθωση της επιφανειακής συνιστώσας ανάκλασης και η επικύρωση των αποτελεσμάτων αυτής της μελέτης κατά κύριο λόγο στηρίχτηκαν στις in situ μετρήσεις των φασματικών ανακλαστικοτήτων που συλλέγονται με τη χρήση ενός Αναλυτή Φάσματος (ASD) . <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η ανάλυση τοπίων έχει διεξαχθεί σε μια περιοχή της Δυτικής Αυστραλίας κοντα στη πόλη Merredin της περιοχής Wheatbelt. Οι θέσεις του πεδίου φαίνονται στην εικόνα 1. <br /> Κατά την πρώτη φάση αυτής της μελέτης χρησιμοποιήθηκε μια προϋπάρχουσα επικύρωση του συνόλου των δεδομένων για την αξιολόγηση της ακρίβειας των ατμοσφαιρικά διορθώσεων καναλιών MODIS 8-19. <br /> Παλαιότερες εργασίες επικύρωσης έδειξαν ότι η χρήση της SMAC μεθοδολογίας έχει επιτυχία. Στα αποτελέσματα υπάρχουν μερικές καλές ποιοτικές συγκρίσεις για τα κανάλια 1 και 3, αλλά υπάρχει σημαντική εξάπλωση στα υπόλοιπα. Με στοχο τη βελτίωση αυτών των συγκρίσεων οδηγηθήκαμε στην εξετάσει το επιπλέον καναλιών MODIS μεταξύ 8 και 19.<br /> Η υπό εξέταση έκταση διακρίνεται από αραιή βλάστηση όπως απεικονίζεται στην εικόνα 2. Για την υποβοήθηση της ανάλυσης το Μάιο του 2012 έγινε εναέρια συλλογή υπερφασματικών και LiDAR δεδομένων του έδαφος.<br /> <br /> Στο πλαίσιο της συλλογής δεδομένων και της επικύρωσης εργασίας κατασκευάστηκαν χρονοσειρές των παραμέτρων που προέρχονται από τα νέα MODIS προϊόντα από μπάντες 8-19 μπάντα που περιγράφουν τις οικολογικές διεργασίες. Στην εικόνα 4 παρουσιάζεται η χρονοσειρα της ανακλαστικότητας της επιφάνειας για το κανάλι 18 των δεδομένων MODIS επεξεργασμένων βάση της μεθόδου SMAC.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η τυπικά φωτεινή επιφάνεια της γης στην οποία υπάρχει αραιή βλάστηση δεν προσεγγίζεται στην εκτίμηση αεροδιαλυματος. Στην εργασία αυτή χρησιμοποιήθηκε η διαφορά μεταξύ της MODIS μέτρησης της επιφανειακής ανάκλασης και της προβλεπόμενης από την ανάλυση BRDF για την εκτίμηση αερολύματος στην επιφάνεια ανακλάσης. Αυτή η προσέγγιση «αλλαγής ανάκλασης» αποδεικνύεται επίσης αποτελεσματική για την ανίχνευση θύελλας από σκόνης όπως δείχνεται στο σχήμα 3.<br /> <br /> Το έργο AusCover στο πλαίσιο του προγράμματος TERN δίνει την δυνατότητα της κατάρτιση ενός αρχείου τηλεπισκοπικων δεδομένων που συνδέονται με τις επί τόπου μετρήσεις. Σε αυτό το έργο έχουν επικεντρωθεί οι προσπάθειες για την εξέλιξη στην επεξεργασία δεδομένων MODIS και την υποστήριξη μιας μεθόδου ατμοσφαιρικής διόρθωσης της ανάκλασης των επιφανειών .<br /> <br /> <br /> [[category:Εκτίμηση βιοπικοιλότητας]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%AE%CF%81%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B2%CE%B9%CE%BF-%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CF%85%CF%83%CF%84%CF%81%CE%B1%CE%BB%CE%AF%CE%B1_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_MODIS_%CF%83%CF%84%CE%B1_%CE%BA%CE%B1%CE%BD%CE%AC%CE%BB%CE%B9%CE%B1_8-19 2013-01-29T17:51:04Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « OPERATIONAL OBSERVATION OF AUSTRALIAN BIOREGIONS WITH BANDS 8-19 OF MODIS »<br /> <br /> <br /> '''Συγγραφείς:''' By B. K. McAtee , M. Gray , M. Broomhall , M. Lynch , P. Fearns <br /> <br /> posted on 1 September, 2012 in Articles, Remote Sensing and Spatial Information Sciences, Volume XXXIX-B8, 2012<br /> <br /> '''Πηγή:''' ISPRS Congress <br /> <br /> «Παρατήρηση των βιο-περιοχών στην Αυστραλία με χρήση συστήματος MODIS στα κανάλια 8-19»<br /> <br /> Δεδομένα από τα κανάλια 1-7 του οργάνου MODIS χρησιμοποιούνται για την επίγεια παρατήρηση της δραστηριότητες στην περιοχη της Αυστραλία. Ωστόσο, πολλά από τις Βιοπεριοχες της Αυστραλίας παρουσιάζουν μοναδικά σενάρια τα οποία αποτελούν πρόκληση στην τηλεπισκόπησης της ποσοτικοποίησης του περιβάλλοντος. Υπάρχει η εκτίμηση ότι τα δεδομένα MODIS στις μπάντες από 8 - 19 μπορούν να παρέχουν σημαντικό όφελος στη παρατήρηση του εδάφους πάνω σε συγκεκριμένους τύπους Βιοπεριοχών της αυστραλιανής ηπείρου.Στην εργασία αυτή υπάρχουν παραδείγματα χρήσης του καναλιού 8 για τον χαρακτηρισμό του οπτικού βάθους των αεροδιαλυματων πάνω από φωτεινές επιφάνειες γης και στον υπολογισμό της προκαλούμενης παραμόρφωσης λόγω των ατμοσφαιρικών υδρατμών. Έχουν γίνει εστιασμένες έρευνες που έχουν οδηγήσει στην ανάπτυξη της αυτοματοποιημένης επεξεργασίας, για την ατμοσφαιρική διόρθωση και BRDF διόρθωση των πρώτων 19 καναλιών του MODIS.<br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper10fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση της περιοχής μελέτης . ]]<br /> [[ Αρχείο:Paper10fig2.jpg | thumb | right | Εικόνα 2 – Απεικόνιση της αρακτηριστικής βλάστησης της περιοχής. ]]<br /> [[ Αρχείο:Paper10fig3.jpg | thumb | right | Εικόνα 3 – Θύελλες σκόνης από εικόνες MODIS . ]<br /> [[ Αρχείο:Paper10fig4.jpg | thumb | right | Εικόνα 4– Απεικονίσεις της ατμοσφαιρικής διόρθωσης. ]]<br /> Ο αισθητήρας MODIS σχεδιάστηκε για να βελτιώσει της ικανότητας του δορυφόρου για τηλεπισκόπηση και να καλύψει τις ανάγκες της παγκόσμιας επιστημονικής κοινότητας. <br /> Το εύρος των προϊόντων που παρέχονται από τον MODIS βρήκε επίσης πρακτική εφαρμογή στους τομείς των γεωργικών, των φυσικών πόρων και των υπηρεσιών διαχείρισης έκτακτων ανάγκων, και όλο και περισσότερο στην οικολογική έρευνα.<br /> Η παρούσα εργασία αποτελεί μέρος της Έρευνας Οικοσυστημάτων (TERN) του Προγράμματος AusCover (www.auscover.org.au) και επιδιώκει να επεκτείνει τη χρήση των τηλεπισκοπικών δεδομένων στην οικολογική έρευνα.<br /> Στο πλαίσιο του έργου AusCover καταρτίζονται αρχεία των τηλεπισκοπικών προϊόντων σε εθνικό επίπεδο επίπεδο σε όλη την Αυστραλία. Άλλα θέματα στην TERN είναι η δημιουργία υποδομής για την ανάλυση και τη σύνθεση για πλήθος οικολογικών δεδομένων που θα ενσωματωθούν στην AusCover.<br /> <br /> Στην εργασία αυτή περιγράφονται μερικά από τα επεξεργασμένα δεδομένα MODIS στο πλαίσιο του έργου AusCover και περιγράφονταν επιλεγμένες εφαρμογές της έρευνας. Η επεξεργασία MODIS, αυτής της εργασίας επικεντρώνεται στην εφαρμογή της απλής μεθόδου Ατμοσφαιρική Διόρθωση (SMAC) για τις ζώνες 8-19 του MODIS στο εθνικό δίκτυο HPC.<br /> Αποτελεί μια προέκταση στο σύστημα επεξεργασίας MODIS για τις ζώνες 1-7 και η έμπνευση για αυτό πηγάζει από την πεποίθησή ότι η φασματική επιπλέον πληροφορίες που περιέχεται σε αυτές τις ζώνες θα ωφελήσει την ατμοσφαιρική διόρθωση του MODIS.<br /> Η έρευνα έχει βασίσει στην ατμοσφαιρική διόρθωση της επιφανειακής συνιστώσας ανάκλασης και η επικύρωση των αποτελεσμάτων αυτής της μελέτης κατά κύριο λόγο στηρίχτηκαν στις in situ μετρήσεις των φασματικών ανακλαστικοτήτων που συλλέγονται με τη χρήση ενός Αναλυτή Φάσματος (ASD) . <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η ανάλυση τοπίων έχει διεξαχθεί σε μια περιοχή της Δυτικής Αυστραλίας κοντα στη πόλη Merredin της περιοχής Wheatbelt. Οι θέσεις του πεδίου φαίνονται στην εικόνα 1. <br /> Κατά την πρώτη φάση αυτής της μελέτης χρησιμοποιήθηκε μια προϋπάρχουσα επικύρωση του συνόλου των δεδομένων για την αξιολόγηση της ακρίβειας των ατμοσφαιρικά διορθώσεων καναλιών MODIS 8-19. <br /> Παλαιότερες εργασίες επικύρωσης έδειξαν ότι η χρήση της SMAC μεθοδολογίας έχει επιτυχία. Στα αποτελέσματα υπάρχουν μερικές καλές ποιοτικές συγκρίσεις για τα κανάλια 1 και 3, αλλά υπάρχει σημαντική εξάπλωση στα υπόλοιπα. Με στοχο τη βελτίωση αυτών των συγκρίσεων οδηγηθήκαμε στην εξετάσει το επιπλέον καναλιών MODIS μεταξύ 8 και 19.<br /> Η υπό εξέταση έκταση διακρίνεται από αραιή βλάστηση όπως απεικονίζεται στην εικόνα 2. Για την υποβοήθηση της ανάλυσης το Μάιο του 2012 έγινε εναέρια συλλογή υπερφασματικών και LiDAR δεδομένων του έδαφος.<br /> <br /> Στο πλαίσιο της συλλογής δεδομένων και της επικύρωσης εργασίας κατασκευάστηκαν χρονοσειρές των παραμέτρων που προέρχονται από τα νέα MODIS προϊόντα από μπάντες 8-19 μπάντα που περιγράφουν τις οικολογικές διεργασίες. Στην εικόνα 4 παρουσιάζεται η χρονοσειρα της ανακλαστικότητας της επιφάνειας για το κανάλι 18 των δεδομένων MODIS επεξεργασμένων βάση της μεθόδου SMAC.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η τυπικά φωτεινή επιφάνεια της γης στην οποία υπάρχει αραιή βλάστηση δεν προσεγγίζεται στην εκτίμηση αεροδιαλυματος. Στην εργασία αυτή χρησιμοποιήθηκε η διαφορά μεταξύ της MODIS μέτρησης της επιφανειακής ανάκλασης και της προβλεπόμενης από την ανάλυση BRDF για την εκτίμηση αερολύματος στην επιφάνεια ανακλάσης. Αυτή η προσέγγιση «αλλαγής ανάκλασης» αποδεικνύεται επίσης αποτελεσματική για την ανίχνευση θύελλας από σκόνης όπως δείχνεται στο σχήμα 3.<br /> <br /> Το έργο AusCover στο πλαίσιο του προγράμματος TERN δίνει την δυνατότητα της κατάρτιση ενός αρχείου τηλεπισκοπικων δεδομένων που συνδέονται με τις επί τόπου μετρήσεις. Σε αυτό το έργο έχουν επικεντρωθεί οι προσπάθειες για την εξέλιξη στην επεξεργασία δεδομένων MODIS και την υποστήριξη μιας μεθόδου ατμοσφαιρικής διόρθωσης της ανάκλασης των επιφανειών .<br /> <br /> <br /> [[category:Εκτίμηση βιοπικοιλότητας]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%A0%CE%B1%CF%81%CE%B1%CF%84%CE%AE%CF%81%CE%B7%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B2%CE%B9%CE%BF-%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CF%8E%CE%BD_%CF%83%CF%84%CE%B7%CE%BD_%CE%91%CF%85%CF%83%CF%84%CF%81%CE%B1%CE%BB%CE%AF%CE%B1_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%83%CF%85%CF%83%CF%84%CE%AE%CE%BC%CE%B1%CF%84%CE%BF%CF%82_MODIS_%CF%83%CF%84%CE%B1_%CE%BA%CE%B1%CE%BD%CE%AC%CE%BB%CE%B9%CE%B1_8-19 2013-01-29T17:49:07Z

<p>Clikos: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' « OPERATIONAL OBSERVATION OF AUSTRALIAN BIOREGIONS WITH BANDS 8-19 OF MODIS » '''Συγγραφείς:''' By B. K. McAtee , M....'</p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « OPERATIONAL OBSERVATION OF AUSTRALIAN BIOREGIONS WITH BANDS 8-19 OF MODIS »<br /> <br /> <br /> '''Συγγραφείς:''' By B. K. McAtee , M. Gray , M. Broomhall , M. Lynch , P. Fearns <br /> <br /> posted on 1 September, 2012 in Articles, Remote Sensing and Spatial Information Sciences, Volume XXXIX-B8, 2012<br /> <br /> '''Πηγή:''' ISPRS Congress <br /> <br /> «Παρατήρηση των βιο-περιοχών στην Αυστραλία με χρήση συστήματος MODIS στα κανάλια 8-19»<br /> <br /> Δεδομένα από τα κανάλια 1-7 του οργάνου MODIS χρησιμοποιούνται για την επίγεια παρατήρηση της δραστηριότητες στην περιοχη της Αυστραλία. Ωστόσο, πολλά από τις Βιοπεριοχες της Αυστραλίας παρουσιάζουν μοναδικά σενάρια τα οποία αποτελούν πρόκληση στην τηλεπισκόπησης της ποσοτικοποίησης του περιβάλλοντος. Υπάρχει η εκτίμηση ότι τα δεδομένα MODIS στις μπάντες από 8 - 19 μπορούν να παρέχουν σημαντικό όφελος στη παρατήρηση του εδάφους πάνω σε συγκεκριμένους τύπους Βιοπεριοχών της αυστραλιανής ηπείρου.Στην εργασία αυτή υπάρχουν παραδείγματα χρήσης του καναλιού 8 για τον χαρακτηρισμό του οπτικού βάθους των αεροδιαλυματων πάνω από φωτεινές επιφάνειες γης και στον υπολογισμό της προκαλούμενης παραμόρφωσης λόγω των ατμοσφαιρικών υδρατμών. Έχουν γίνει εστιασμένες έρευνες που έχουν οδηγήσει στην ανάπτυξη της αυτοματοποιημένης επεξεργασίας, για την ατμοσφαιρική διόρθωση και BRDF διόρθωση των πρώτων 19 καναλιών του MODIS.<br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper10fig1.jpg | thumb | right | Εικόνα 1 – Αναθεωρημένος χάρτης που διακρίνονται οι μεταβολές χρήσης. ]]<br /> [[ Αρχείο:Paper10fig2.jpg | thumb | right | Εικόνα 1 – Αναθεωρημένος χάρτης που διακρίνονται οι μεταβολές χρήσης. ]]<br /> [[ Αρχείο:Paper10fig3.jpg | thumb | right | Εικόνα 1 – Αναθεωρημένος χάρτης που διακρίνονται οι μεταβολές χρήσης. ]<br /> [ Αρχείο:Paper10fig4.jpg | thumb | right | Εικόνα 1 – Αναθεωρημένος χάρτης που διακρίνονται οι μεταβολές χρήσης. ]]<br /> Ο αισθητήρας MODIS σχεδιάστηκε για να βελτιώσει της ικανότητας του δορυφόρου για τηλεπισκόπηση και να καλύψει τις ανάγκες της παγκόσμιας επιστημονικής κοινότητας. <br /> Το εύρος των προϊόντων που παρέχονται από τον MODIS βρήκε επίσης πρακτική εφαρμογή στους τομείς των γεωργικών, των φυσικών πόρων και των υπηρεσιών διαχείρισης έκτακτων ανάγκων, και όλο και περισσότερο στην οικολογική έρευνα.<br /> Η παρούσα εργασία αποτελεί μέρος της Έρευνας Οικοσυστημάτων (TERN) του Προγράμματος AusCover (www.auscover.org.au) και επιδιώκει να επεκτείνει τη χρήση των τηλεπισκοπικών δεδομένων στην οικολογική έρευνα.<br /> Στο πλαίσιο του έργου AusCover καταρτίζονται αρχεία των τηλεπισκοπικών προϊόντων σε εθνικό επίπεδο επίπεδο σε όλη την Αυστραλία. Άλλα θέματα στην TERN είναι η δημιουργία υποδομής για την ανάλυση και τη σύνθεση για πλήθος οικολογικών δεδομένων που θα ενσωματωθούν στην AusCover.<br /> Στην εργασία αυτή περιγράφονται μερικά από τα επεξεργασμένα δεδομένα MODIS στο πλαίσιο του έργου AusCover και περιγράφονταν επιλεγμένες εφαρμογές της έρευνας. Η επεξεργασία MODIS, αυτής της εργασίας επικεντρώνεται στην εφαρμογή της απλής μεθόδου Ατμοσφαιρική Διόρθωση (SMAC) για τις ζώνες 8-19 του MODIS στο εθνικό δίκτυο HPC.<br /> Αποτελεί μια προέκταση στο σύστημα επεξεργασίας MODIS για τις ζώνες 1-7 και η έμπνευση για αυτό πηγάζει από την πεποίθησή ότι η φασματική επιπλέον πληροφορίες που περιέχεται σε αυτές τις ζώνες θα ωφελήσει την ατμοσφαιρική διόρθωση του MODIS.<br /> Η έρευνα έχει βασίσει στην ατμοσφαιρική διόρθωση της επιφανειακής συνιστώσας ανάκλασης και η επικύρωση των αποτελεσμάτων αυτής της μελέτης κατά κύριο λόγο στηρίχτηκαν στις in situ μετρήσεις των φασματικών ανακλαστικοτήτων που συλλέγονται με τη χρήση ενός Αναλυτή Φάσματος (ASD) . <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η ανάλυση τοπίων έχει διεξαχθεί σε μια περιοχή της Δυτικής Αυστραλίας κοντα στη πόλη Merredin της περιοχής Wheatbelt. Οι θέσεις του πεδίου φαίνονται στην εικόνα 1. <br /> Κατά την πρώτη φάση αυτής της μελέτης χρησιμοποιήθηκε μια προϋπάρχουσα επικύρωση του συνόλου των δεδομένων για την αξιολόγηση της ακρίβειας των ατμοσφαιρικά διορθώσεων καναλιών MODIS 8-19. <br /> Παλαιότερες εργασίες επικύρωσης έδειξαν ότι η χρήση της SMAC μεθοδολογίας έχει επιτυχία. Στα αποτελέσματα υπάρχουν μερικές καλές ποιοτικές συγκρίσεις για τα κανάλια 1 και 3, αλλά υπάρχει σημαντική εξάπλωση στα υπόλοιπα. Με στοχο τη βελτίωση αυτών των συγκρίσεων οδηγηθήκαμε στην εξετάσει το επιπλέον καναλιών MODIS μεταξύ 8 και 19.<br /> Η υπό εξέταση έκταση διακρίνεται από αραιή βλάστηση όπως απεικονίζεται στην εικόνα 2. Για την υποβοήθηση της ανάλυσης το Μάιο του 2012 έγινε εναέρια συλλογή υπερφασματικών και LiDAR δεδομένων του έδαφος.<br /> Στο πλαίσιο της συλλογής δεδομένων και της επικύρωσης εργασίας κατασκευάστηκαν χρονοσειρές των παραμέτρων που προέρχονται από τα νέα MODIS προϊόντα από μπάντες 8-19 μπάντα που περιγράφουν τις οικολογικές διεργασίες. Στην εικόνα 4 παρουσιάζεται η χρονοσειρα της ανακλαστικότητας της επιφάνειας για το κανάλι 18 των δεδομένων MODIS επεξεργασμένων βάση της μεθόδου SMAC.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η τυπικά φωτεινή επιφάνεια της γης στην οποία υπάρχει αραιή βλάστηση δεν προσεγγίζεται στην εκτίμηση αεροδιαλυματος. Στην εργασία αυτή χρησιμοποιήθηκε η διαφορά μεταξύ της MODIS μέτρησης της επιφανειακής ανάκλασης και της προβλεπόμενης από την ανάλυση BRDF για την εκτίμηση αερολύματος στην επιφάνεια ανακλάσης. Αυτή η προσέγγιση «αλλαγής ανάκλασης» αποδεικνύεται επίσης αποτελεσματική για την ανίχνευση θύελλας από σκόνης όπως δείχνεται στο σχήμα 3.<br /> Το έργο AusCover στο πλαίσιο του προγράμματος TERN δίνει την δυνατότητα της κατάρτιση ενός αρχείου τηλεπισκοπικων δεδομένων που συνδέονται με τις επί τόπου μετρήσεις. Σε αυτό το έργο έχουν επικεντρωθεί οι προσπάθειες για την εξέλιξη στην επεξεργασία δεδομένων MODIS και την υποστήριξη μιας μεθόδου ατμοσφαιρικής διόρθωσης της ανάκλασης των επιφανειών .<br /> <br /> <br /> [[category:Εκτίμηση βιοπικοιλότητας]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper10fig4.jpg 2013-01-29T17:47:28Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper10fig3.jpg 2013-01-29T17:47:21Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper10fig2.jpg 2013-01-29T17:47:13Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper10fig1.jpg 2013-01-29T17:47:08Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B8%CE%B5%CF%81%CE%BC%CE%BF%CE%BA%CE%B7%CF%80%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%B7_%CE%9D%CF%8C%CF%84%CE%B9%CE%B1_%CE%99%CF%84%CE%B1%CE%BB%CE%AF%CE%B1_%CE%BC%CE%AD%CF%83%CF%89_%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_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%BF%CE%BD%CF%84%CE%B5%CE%BB%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7%CF%82 2013-01-29T17:44:03Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « Analysis of plasticulture landscapes in Southern Italy through remote sensing and solid modelling techniques »<br /> <br /> <br /> '''Συγγραφείς:''' By Pietro Picuno,∗, Alfonso Tortora, Rocco Luigi Capobianco<br /> <br /> posted on 13 December, 2010 in Articles, Landscape and Urban Planning 100 (2011) 45–56<br /> <br /> '''Πηγή:''' Elsevier <br /> <br /> <br /> « Ανάλυση των θερμοκηπίων στη Νότια Ιταλία μέσω τηλεπισκόπησης και τεχνικών μοντελοποίησης »<br /> <br /> Η χρήση των πλαστικών καλυμμάτων για την προστασία της καλλιέργειας σε αγροτικές περιοχές θέτει αξιόλογα τεχνικά προβλήματα που συνδέονται με τις επιπτώσεις sτην αισθητική ρύπανση του αγροτικού τοπίου και στο περιβάλλον για τον κύκλο του νερού, του αέρα και της γεωργικής γης του αγρο-οικοσυστήματος.<br /> Στο έγγραφο αυτό χρησιμοποιήθηκαν τεχνικές που βασίζονται στην τηλεπισκόπηση για την ανάλυση της αγροτικής χρήσης γης όσον αφορά την εφαρμογή προστασίας των καλλιεργειών με πλαστικά, σε μια περιοχή μελέτης βρίσκεται στη νότια Ιταλία κοντά στην ακτή του Ιόνιου, όπου η χρήση των πλαστικών στη γεωργία είναι πολύ διαδεδομένη. <br /> Η ανάλυση έχει πραγματοποιηθεί με τη χρήση εικόνων Landsat TM με επιβλεπόμενη ταξινόμηση, επεξεργασία εικόνας, και εργαλεία GIS. Τα αποτελέσματα επέτρεψαν τη δημιουργία μιας εφαρμογής για την αυτόματη ανίχνευση των πλαστικών καλυμμάτων. <br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper9fig1.jpg | thumb | right | Εικόνα 1 – Εμφάνιση των γεωργικών εκτάσεων που καλύπτονται με πλαστική μεμβράνη. ]]<br /> [[ Αρχείο:Paper9fig2.jpg | thumb | right | Εικόνα 2 – Απεικόνιση της περιοχής μελέτης . ]]<br /> [[ Αρχείο:Paper9fig3.jpg | thumb | right | Εικόνα 3 – Απεικόνιση μεθόδων καλλιέργειας. ]]<br /> [[ Αρχείο:Paper9fig4.jpg | thumb | right | Εικόνα 4 – Απεικονίσεις α σε πραγματικά χρώματα και β σε χρωμμοσυνθετο 7,5,3. ]]<br /> [[ Αρχείο:Paper9fig5.jpg | thumb | right | Εικόνα 5 – Απεικονίσεις των φασματικών υπογράφων κάθε κατηγορίας. ]]<br /> [[ Αρχείο:Paper9fig6.jpg | thumb | right | Εικόνα 6 – Απεικονίσεις δεδομένων SAR. ]]<br /> [[ Αρχείο:Paper9fig7.jpg | thumb | right | Εικόνα 7 – Απεικονίσεις παραγόμενων χαρτών. ]]<br /> [[ Αρχείο:Paper9fig8.jpg | thumb | right | Εικόνα 8 – Απεικονίσεις αύξησης εκτάσεων κάλυψης στο χρόνο. ]]<br /> <br /> Ο σχεδιασμός των γεωργικών τοπίων είναι ένα από τα πιο ενδιαφέροντα παραδείγματα τεχνική πρόκληση. Η γεωργική παραγωγή των τροφίμων, ο κοινωνικός ρόλος των αγροτικών οικισμών, τα δίκτυα υποδομών, η αγροτική αρχιτεκτονική σε πολλές ευρωπαϊκές χώρες έχει κυρίως θετική αξία.<br /> Οι γεωργικές δραστηριότητες συχνά χαρακτηρίζεται από την πραγματοποίηση σε ευρεία κλίμακα με κυρίως απλή τεχνική προσέγγιση. Αυτό έχει ως αποτέλεσμα την έλλειψη μιας ολοκληρωμένης προσέγγισης καθώς και σε μία προοδευτική οικονομική και περιβαλλοντική απώλεια. Σύμφωνα με πρόσφατα στοιχεία, η ετήσια κατανάλωση πλαστικών φιλμ στην Ιταλία για την προστατευόμενη καλλιέργεια ανέρχεται σε περισσότερο από 150.000 τόνους . Η προστασία έναντι καιρικών φαινομένων είναι ο πιο συνηθισμένος λόγος χρήσης.<br /> Οι πλαστικές ταινίες είναι ευρέως διαδεδομένες για την κάλυψη των χαμηλων θερμοκηπίων και για προστατευτικό στρώμα στο έδαφος. Επίσης χρησιμοποιούνται και δίχτυα σκίασης για θερμοκήπια ή για την τροποποίηση του μικροπεριβάλλοντος.<br /> Αυτές οι μεγάλες προστατευόμενες γεωργικές εκτάσεις μπορούν να μελετηθούν με τρία διαφορετικά επίπεδα ανάλυσης της επιρροής τους στο αγροτικό περιβάλλον και τοπίο:<br /> <br /> • Μικρο-κλίμακα: σε αυτή η επίδραση του μικροκλίματος του αέρα που περιέχεται μέσα στην καλυμμένη περιοχή μπορεί να τροποποιήσει περιβαλλοντικές παραμέτρους, όπως η θερμοκρασία, η σχετική υγρασία, επίπεδο διοξειδίου του άνθρακα, κλπ. <br /> <br /> • Μεσο-κλίμακα: οπου η τροποποίηση στη διανομή της γύρης, των εντόμων, των πουλιά, κ.λπ. μπορεί να επηρεάσει τα ευρύτερα χαρακτηριστικά του αγροτικού οικοσυστήματος.<br /> <br /> • Μακρο-κλίμακα: η οπτική ποιότητα του αγροτικού τοπίου μπορεί να εχει σημαντικά μεταβληθεί από την τεχνητή κάλυψη. Η χρήση των πλαστικών καλυμμάτων θέτει σημαντικά προβλήματα που συνδέονται με την έννοια ότι μεγάλες επεκτάσεις των γεωργικών γαιών που καλύπτονται με συνεχή υλικό επίστρωσης (Σχ. 1), μπορεί να εχει αρνητική επιπτώση στο αγροτικό περιβάλλον.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η ανάλυση τοπίων έχει διεξαχθεί σε μια περιοχή της νότιας Ιταλία, όπου οι εκτάσεις για τη γεωργία φρούτων καλύπτεται με πλαστικό καθαρό ή φιλμ. Η περιοχή μελέτης βρίσκεται κοντά στην παράκτια σύνορα μεταξύ Basilicata και Περιφερειών Απουλίας (Νότια Ιταλία, κοντά στη θάλασσα Ιονίου). Η συνολική επιφάνεια της περιοχής μελέτης καλύπτει περίπου 3080km2, συμπεριλαμβανομένης της ακτής από Metaponto για Ταράντο, την πόλη της Ματέρα στα δυτικά, τη πόλη της Casamassima στο βόρεια, και τη πόλη του Alberobello στα ανατολικά (Εικ. 2). Αυτή η περιοχή χαρακτηρίζεται από ένα ισχυρό γεωργικό προσανατολισμό, λόγω της ευρείας διάχυσης των αμπελώνων που καλλιεργούνται με τεχνική &quot;tendone&quot; Σχήμα. 3.<br /> Η ανίχνευση της χρήσης της γης, με ειδική αναφορά στα θερμοκήπια και άλλες προστατευόμενες δομές, έχει ληφθεί χρησιμοποιώντας πολυ-χρονικές εικόνες Landsat<br /> ετών 1990,92,94,98 και 2000 με επιβλεπόμενη ταξινόμηση. Συστήματα αισθητήρων ΤΜ που χρησιμοποιούνται σε αυτό το έργο είναι Landsat 5 και Landsat 7 σε μορφή ESA CEOS με ραδιομετρική διορθωθεί. <br /> Από τα δεδομένα Landsat έχουν χρησιμοποιηθεί τα κανάλια 7 (2,08 - 2,35μm), 5 (1,55 - 1,75 μm), και 3 (0,63 - 0,69 μm) οπου συνδέονται με άλλες χαρτογραφικές πληροφορίες (Εικ. 4) και θερμικές ιδιότητες των υλικών που καλύπτουν τα θερμοκήπια. Η διαφορά μεταξύ των δύο κατηγοριών κάλυψης (εικόνα 4) είναι πιο εμφανής για τον προσδιορισμό των αστικών και γεωργικών εκτάσεων. Η ζώνη 3, λαμβάνει υπόψη την απορροφώμενη ακτινοβολία της χλωροφύλλης και είναι χρήσιμη να επισημάνει τα πλαστικά καλύμματα καθαρά.<br /> Πριν από την ανάλυση και την ταξινόμηση, ήταν αναγκαίο να παρακολουθηθεί το πεδίο για να ταιριάζουν οι τηλεσκοπικές πληροφορίες. Ειδικότερα, οι ακόλουθοι τύποι περιοχών ερευνήθηκαν: έρημο έδαφος, δομημένο περιβάλλον, καλλιεργήσιμη γης, βλάστηση, και κατηγορία πλαστική επικάλυψη. Οι &quot;φασματικές υπογραφές&quot; των διαφόρων ειδών χρήσης (Εικ. 5) ξεκίνησαν όταν οι γνώσεις σχετικά με τις περιοχές εκπαίδευσης ήταν επαρκείς για την φασματική απόκριση των διαφόρων τύπων κάλυψης. Οι «Φασματικές υπογραφές&quot; σχηματίζονται από τις διάφορες στατιστικές παραμέτρων (μέση τιμή, διακύμανση, κλπ.) που σχετίζονται με τις τιμές φασματικών συνιστωσών που αντιστοιχούν στους τύπους κάλυψης. <br /> Στην προκειμένη περίπτωση η τεχνική επιβλεπόμενης ταξινόμησης χρησιμοποιείται για να χαρακτηρίσει, ως μια πρώτη προσπάθεια, τις διάφορες χρήσεις γης στο λογισμικό ENVI. Στην παρούσα μελέτη, η μέθοδος του Παραλληλεπίπεδου έχει χρησιμοποιηθεί όπου χρησιμοποιεί ένας απλός κανόνας απόφασης για την ταξινόμηση πολυφασματικών δεδομένων. <br /> Για την επικύρωση της ταξινόμησης Landsat, στην παρούσα έρευνα έγινε μια νέα προσέγγιση χρησιμοποιώντας κάποια SAR (Synthetic Aperture Radar) εικόνα (ERS 1/ERS 2 δορυφορικές) οπου μελετήθηκαν τα αρνητικά αποτελέσματα (Σχ. 6). Μετά την ταξινόμηση, οι εικόνες που λαμβάνονται εισήχθησαν και επεξεργασία με τη χρήση ενός λογισμικού GIS (GeoMedia- Intergraph Corporation). Η εικόνα έχει υποστεί έναν μετασχηματισμό και μετέπειτα επεξεργασία GRID σε διανυσματική μορφή (Shp). Η αξιολόγηση των επιπτώσεων του τοπίου που παράγεται από τις tendone κατασκευες που βρίσκονται στην περιοχή της μελέτης εχει καταστεί δυνατή από την εφαρμογή, μέσω μιας διαδικασίας GIS. <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Με την ανάλυση της δορυφορικής τηλεπισκόπησης ήταν δυνατό να αποκτηθουν διαφορετικοι χρονικοι πολυ-θεματικοι χαρτες των επιφανειών που καλύπτονται με πλαστική μεμβράνη εντός της περιοχής μελέτης (Εικ. 7).<br /> Συγκρίνοντας τις διαφορετικές χρονολογικές πληροφορίες, είναι δυνατό να αναγνωριστεί μια απότομη αύξηση στη διάδοση των προστατευόμενων καλλιεργειών στην περιοχή μελέτης, από περίπου 65 εκτάρια το έτος 1990 σε περισσότερα από 680 εκτάρια το έτος 2000. Στο Σχήμα. 8 αυτή η τάση φαίνεται γραφικά, μαζί με μια κατάλληλη εξίσωση παρεμβολής. Οι περισσότερες από τις αλλαγές που πραγματοποιήθηκαν θέση κατά μήκος της ακτής κοντά στην πόλη της Casamassima (Επαρχία του Μπάρι). Οι επιπτώσεις στη γεωργία αυτής της ευρείας χρήσης των πλαστικών αξιολογήθηκαν χρησιμοποιώντας τη μέθοδο του Sorenson . Αυτή η μέθοδος βάζει σε σχέση και σε λογική ακολουθία αντίστοιχα τους παράγοντες, τις περιβαλλοντικές συνιστώσες και επιτρέπει μια γρήγορη ταυτοποίηση των κύριων επιπτώσεων των πλαστικών καλυμμάτων και την αξιολόγηση των αποτελεσμάτων τους για το αγρο-περιβαλλοντικό συστήμα. <br /> Τα αποτελέσματα που ελήφθησαν σε αυτό το έγγραφο επιτρέπουν τη δυνατότητα για να δημιουργηθεί μια ρουτίνα σε IDL και λογισμικού ENVI για την αυτόματη ανίχνευση των θερμοκηπίων και άλλων δομών πλαστικής κάλυψης. Αυτό το εργαλείο μπορεί να χρησιμοποιείται για την παρακολούθηση της διακύμανσης των αγροτικών χρήσεων γης και να υποστήριξη την βελτίωση των περιβαλλοντικών πολιτικών και σχεδιασμό τοπίου. Η παρούσα έρευνα έδειξε πως οι επιπτώσεις της χρήσης πλαστικού για κάλυψη των γεωργικών εκτάσεων μπορούν να αξιολογηθούν, έτσι συμβάλλεται στη διατήρηση των τυπικών αισθητικά χαρακτηριστικά του αγροτικού τοπίου.<br /> <br /> <br /> [[category:Ταξινόμηση καλλιεργειών]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B8%CE%B5%CF%81%CE%BC%CE%BF%CE%BA%CE%B7%CF%80%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%B7_%CE%9D%CF%8C%CF%84%CE%B9%CE%B1_%CE%99%CF%84%CE%B1%CE%BB%CE%AF%CE%B1_%CE%BC%CE%AD%CF%83%CF%89_%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_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%BF%CE%BD%CF%84%CE%B5%CE%BB%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7%CF%82 2013-01-29T17:43:30Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « Analysis of plasticulture landscapes in Southern Italy through remote sensing and solid modelling techniques »<br /> <br /> <br /> '''Συγγραφείς:''' By Pietro Picuno,∗, Alfonso Tortora, Rocco Luigi Capobianco<br /> <br /> posted on 13 December, 2010 in Articles, Landscape and Urban Planning 100 (2011) 45–56<br /> <br /> '''Πηγή:''' Elsevier <br /> <br /> <br /> « Ανάλυση των θερμοκηπίων στη Νότια Ιταλία μέσω τηλεπισκόπησης και τεχνικών μοντελοποίησης »<br /> <br /> Η χρήση των πλαστικών καλυμμάτων για την προστασία της καλλιέργειας σε αγροτικές περιοχές θέτει αξιόλογα τεχνικά προβλήματα που συνδέονται με τις επιπτώσεις sτην αισθητική ρύπανση του αγροτικού τοπίου και στο περιβάλλον για τον κύκλο του νερού, του αέρα και της γεωργικής γης του αγρο-οικοσυστήματος.<br /> Στο έγγραφο αυτό χρησιμοποιήθηκαν τεχνικές που βασίζονται στην τηλεπισκόπηση για την ανάλυση της αγροτικής χρήσης γης όσον αφορά την εφαρμογή προστασίας των καλλιεργειών με πλαστικά, σε μια περιοχή μελέτης βρίσκεται στη νότια Ιταλία κοντά στην ακτή του Ιόνιου, όπου η χρήση των πλαστικών στη γεωργία είναι πολύ διαδεδομένη. <br /> Η ανάλυση έχει πραγματοποιηθεί με τη χρήση εικόνων Landsat TM με επιβλεπόμενη ταξινόμηση, επεξεργασία εικόνας, και εργαλεία GIS. Τα αποτελέσματα επέτρεψαν τη δημιουργία μιας εφαρμογής για την αυτόματη ανίχνευση των πλαστικών καλυμμάτων. <br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper9fig1.jpg | thumb | right | Εικόνα 1 – Εμφάνιση των γεωργικών εκτάσεων που καλύπτονται με πλαστική μεμβράνη. ]]<br /> [[ Αρχείο:Paper9fig2.jpg | thumb | right | Εικόνα 2 – Απεικόνιση της περιοχής μελέτης . ]]<br /> [[ Αρχείο:Paper9fig3.jpg | thumb | right | Εικόνα 3 – Απεικόνιση μεθόδων καλλιέργειας. ]]<br /> [[ Αρχείο:Paper9fig4.jpg | thumb | right | Εικόνα 4 – Απεικονίσεις α σε πραγματικά χρώματα και β σε χρωμμοσυνθετο 7,5,3. ]]<br /> [[ Αρχείο:Paper9fig5.jpg | thumb | right | Εικόνα 5 – Απεικονίσεις των φασματικών υπογράφων κάθε κατηγορίας. ]]<br /> [[ Αρχείο:Paper9fig6.jpg | thumb | right | Εικόνα 6 – Απεικονίσεις δεδομένων SAR. ]]<br /> [[ Αρχείο:Paper9fig7.jpg | thumb | right | Εικόνα 7 – Απεικονίσεις παραγόμενων χαρτών. ]]<br /> [[ Αρχείο:Paper9fig8.jpg | thumb | right | Εικόνα 8 – Απεικονίσεις αύξησης εκτάσεων κάλυψης στο χρόνο. ]]<br /> <br /> Ο σχεδιασμός των γεωργικών τοπίων είναι ένα από τα πιο ενδιαφέροντα παραδείγματα τεχνική πρόκληση. Η γεωργική παραγωγή των τροφίμων, ο κοινωνικός ρόλος των αγροτικών οικισμών, τα δίκτυα υποδομών, η αγροτική αρχιτεκτονική σε πολλές ευρωπαϊκές χώρες έχει κυρίως θετική αξία.<br /> Οι γεωργικές δραστηριότητες συχνά χαρακτηρίζεται από την πραγματοποίηση σε ευρεία κλίμακα με κυρίως απλή τεχνική προσέγγιση. Αυτό έχει ως αποτέλεσμα την έλλειψη μιας ολοκληρωμένης προσέγγισης καθώς και σε μία προοδευτική οικονομική και περιβαλλοντική απώλεια. Σύμφωνα με πρόσφατα στοιχεία, η ετήσια κατανάλωση πλαστικών φιλμ στην Ιταλία για την προστατευόμενη καλλιέργεια ανέρχεται σε περισσότερο από 150.000 τόνους . Η προστασία έναντι καιρικών φαινομένων είναι ο πιο συνηθισμένος λόγος χρήσης.<br /> Οι πλαστικές ταινίες είναι ευρέως διαδεδομένες για την κάλυψη των χαμηλων θερμοκηπίων και για προστατευτικό στρώμα στο έδαφος. Επίσης χρησιμοποιούνται και δίχτυα σκίασης για θερμοκήπια ή για την τροποποίηση του μικροπεριβάλλοντος.<br /> Αυτές οι μεγάλες προστατευόμενες γεωργικές εκτάσεις μπορούν να μελετηθούν με τρία διαφορετικά επίπεδα ανάλυσης της επιρροής τους στο αγροτικό περιβάλλον και τοπίο:<br /> • Μικρο-κλίμακα: σε αυτή η επίδραση του μικροκλίματος του αέρα που περιέχεται μέσα στην καλυμμένη περιοχή μπορεί να τροποποιήσει περιβαλλοντικές παραμέτρους, όπως η θερμοκρασία, η σχετική υγρασία, επίπεδο διοξειδίου του άνθρακα, κλπ. <br /> • Μεσο-κλίμακα: οπου η τροποποίηση στη διανομή της γύρης, των εντόμων, των πουλιά, κ.λπ. μπορεί να επηρεάσει τα ευρύτερα χαρακτηριστικά του αγροτικού οικοσυστήματος.<br /> • Μακρο-κλίμακα: η οπτική ποιότητα του αγροτικού τοπίου μπορεί να εχει σημαντικά μεταβληθεί από την τεχνητή κάλυψη. Η χρήση των πλαστικών καλυμμάτων θέτει σημαντικά προβλήματα που συνδέονται με την έννοια ότι μεγάλες επεκτάσεις των γεωργικών γαιών που καλύπτονται με συνεχή υλικό επίστρωσης (Σχ. 1), μπορεί να εχει αρνητική επιπτώση στο αγροτικό περιβάλλον.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η ανάλυση τοπίων έχει διεξαχθεί σε μια περιοχή της νότιας Ιταλία, όπου οι εκτάσεις για τη γεωργία φρούτων καλύπτεται με πλαστικό καθαρό ή φιλμ. Η περιοχή μελέτης βρίσκεται κοντά στην παράκτια σύνορα μεταξύ Basilicata και Περιφερειών Απουλίας (Νότια Ιταλία, κοντά στη θάλασσα Ιονίου). Η συνολική επιφάνεια της περιοχής μελέτης καλύπτει περίπου 3080km2, συμπεριλαμβανομένης της ακτής από Metaponto για Ταράντο, την πόλη της Ματέρα στα δυτικά, τη πόλη της Casamassima στο βόρεια, και τη πόλη του Alberobello στα ανατολικά (Εικ. 2). Αυτή η περιοχή χαρακτηρίζεται από ένα ισχυρό γεωργικό προσανατολισμό, λόγω της ευρείας διάχυσης των αμπελώνων που καλλιεργούνται με τεχνική &quot;tendone&quot; Σχήμα. 3.<br /> Η ανίχνευση της χρήσης της γης, με ειδική αναφορά στα θερμοκήπια και άλλες προστατευόμενες δομές, έχει ληφθεί χρησιμοποιώντας πολυ-χρονικές εικόνες Landsat<br /> ετών 1990,92,94,98 και 2000 με επιβλεπόμενη ταξινόμηση. Συστήματα αισθητήρων ΤΜ που χρησιμοποιούνται σε αυτό το έργο είναι Landsat 5 και Landsat 7 σε μορφή ESA CEOS με ραδιομετρική διορθωθεί. <br /> Από τα δεδομένα Landsat έχουν χρησιμοποιηθεί τα κανάλια 7 (2,08 - 2,35μm), 5 (1,55 - 1,75 μm), και 3 (0,63 - 0,69 μm) οπου συνδέονται με άλλες χαρτογραφικές πληροφορίες (Εικ. 4) και θερμικές ιδιότητες των υλικών που καλύπτουν τα θερμοκήπια. Η διαφορά μεταξύ των δύο κατηγοριών κάλυψης (εικόνα 4) είναι πιο εμφανής για τον προσδιορισμό των αστικών και γεωργικών εκτάσεων. Η ζώνη 3, λαμβάνει υπόψη την απορροφώμενη ακτινοβολία της χλωροφύλλης και είναι χρήσιμη να επισημάνει τα πλαστικά καλύμματα καθαρά.<br /> Πριν από την ανάλυση και την ταξινόμηση, ήταν αναγκαίο να παρακολουθηθεί το πεδίο για να ταιριάζουν οι τηλεσκοπικές πληροφορίες. Ειδικότερα, οι ακόλουθοι τύποι περιοχών ερευνήθηκαν: έρημο έδαφος, δομημένο περιβάλλον, καλλιεργήσιμη γης, βλάστηση, και κατηγορία πλαστική επικάλυψη. Οι &quot;φασματικές υπογραφές&quot; των διαφόρων ειδών χρήσης (Εικ. 5) ξεκίνησαν όταν οι γνώσεις σχετικά με τις περιοχές εκπαίδευσης ήταν επαρκείς για την φασματική απόκριση των διαφόρων τύπων κάλυψης. Οι «Φασματικές υπογραφές&quot; σχηματίζονται από τις διάφορες στατιστικές παραμέτρων (μέση τιμή, διακύμανση, κλπ.) που σχετίζονται με τις τιμές φασματικών συνιστωσών που αντιστοιχούν στους τύπους κάλυψης. <br /> Στην προκειμένη περίπτωση η τεχνική επιβλεπόμενης ταξινόμησης χρησιμοποιείται για να χαρακτηρίσει, ως μια πρώτη προσπάθεια, τις διάφορες χρήσεις γης στο λογισμικό ENVI. Στην παρούσα μελέτη, η μέθοδος του Παραλληλεπίπεδου έχει χρησιμοποιηθεί όπου χρησιμοποιεί ένας απλός κανόνας απόφασης για την ταξινόμηση πολυφασματικών δεδομένων. <br /> Για την επικύρωση της ταξινόμησης Landsat, στην παρούσα έρευνα έγινε μια νέα προσέγγιση χρησιμοποιώντας κάποια SAR (Synthetic Aperture Radar) εικόνα (ERS 1/ERS 2 δορυφορικές) οπου μελετήθηκαν τα αρνητικά αποτελέσματα (Σχ. 6). Μετά την ταξινόμηση, οι εικόνες που λαμβάνονται εισήχθησαν και επεξεργασία με τη χρήση ενός λογισμικού GIS (GeoMedia- Intergraph Corporation). Η εικόνα έχει υποστεί έναν μετασχηματισμό και μετέπειτα επεξεργασία GRID σε διανυσματική μορφή (Shp). Η αξιολόγηση των επιπτώσεων του τοπίου που παράγεται από τις tendone κατασκευες που βρίσκονται στην περιοχή της μελέτης εχει καταστεί δυνατή από την εφαρμογή, μέσω μιας διαδικασίας GIS. <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Με την ανάλυση της δορυφορικής τηλεπισκόπησης ήταν δυνατό να αποκτηθουν διαφορετικοι χρονικοι πολυ-θεματικοι χαρτες των επιφανειών που καλύπτονται με πλαστική μεμβράνη εντός της περιοχής μελέτης (Εικ. 7).<br /> Συγκρίνοντας τις διαφορετικές χρονολογικές πληροφορίες, είναι δυνατό να αναγνωριστεί μια απότομη αύξηση στη διάδοση των προστατευόμενων καλλιεργειών στην περιοχή μελέτης, από περίπου 65 εκτάρια το έτος 1990 σε περισσότερα από 680 εκτάρια το έτος 2000. Στο Σχήμα. 8 αυτή η τάση φαίνεται γραφικά, μαζί με μια κατάλληλη εξίσωση παρεμβολής. Οι περισσότερες από τις αλλαγές που πραγματοποιήθηκαν θέση κατά μήκος της ακτής κοντά στην πόλη της Casamassima (Επαρχία του Μπάρι). Οι επιπτώσεις στη γεωργία αυτής της ευρείας χρήσης των πλαστικών αξιολογήθηκαν χρησιμοποιώντας τη μέθοδο του Sorenson . Αυτή η μέθοδος βάζει σε σχέση και σε λογική ακολουθία αντίστοιχα τους παράγοντες, τις περιβαλλοντικές συνιστώσες και επιτρέπει μια γρήγορη ταυτοποίηση των κύριων επιπτώσεων των πλαστικών καλυμμάτων και την αξιολόγηση των αποτελεσμάτων τους για το αγρο-περιβαλλοντικό συστήμα. <br /> Τα αποτελέσματα που ελήφθησαν σε αυτό το έγγραφο επιτρέπουν τη δυνατότητα για να δημιουργηθεί μια ρουτίνα σε IDL και λογισμικού ENVI για την αυτόματη ανίχνευση των θερμοκηπίων και άλλων δομών πλαστικής κάλυψης. Αυτό το εργαλείο μπορεί να χρησιμοποιείται για την παρακολούθηση της διακύμανσης των αγροτικών χρήσεων γης και να υποστήριξη την βελτίωση των περιβαλλοντικών πολιτικών και σχεδιασμό τοπίου. Η παρούσα έρευνα έδειξε πως οι επιπτώσεις της χρήσης πλαστικού για κάλυψη των γεωργικών εκτάσεων μπορούν να αξιολογηθούν, έτσι συμβάλλεται στη διατήρηση των τυπικών αισθητικά χαρακτηριστικά του αγροτικού τοπίου.<br /> <br /> <br /> [[category:Ταξινόμηση καλλιεργειών]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig8.jpg 2013-01-29T17:40:24Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig7.jpg 2013-01-29T17:40:19Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig6.jpg 2013-01-29T17:40:12Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig5.jpg 2013-01-29T17:40:06Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig4.jpg 2013-01-29T17:39:59Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig3.jpg 2013-01-29T17:39:53Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig2.jpg 2013-01-29T17:39:30Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper9fig1.jpg 2013-01-29T17:39:09Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7_%CF%84%CF%89%CE%BD_%CE%B8%CE%B5%CF%81%CE%BC%CE%BF%CE%BA%CE%B7%CF%80%CE%AF%CF%89%CE%BD_%CF%83%CF%84%CE%B7_%CE%9D%CF%8C%CF%84%CE%B9%CE%B1_%CE%99%CF%84%CE%B1%CE%BB%CE%AF%CE%B1_%CE%BC%CE%AD%CF%83%CF%89_%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_%CE%BA%CE%B1%CE%B9_%CF%84%CE%B5%CF%87%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%BF%CE%BD%CF%84%CE%B5%CE%BB%CE%BF%CF%80%CE%BF%CE%AF%CE%B7%CF%83%CE%B7%CF%82 2013-01-29T17:38:56Z

<p>Clikos: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:''' « Analysis of plasticulture landscapes in Southern Italy through remote sensing and solid modelling techniques » '''Συγγρ...'</p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « Analysis of plasticulture landscapes in Southern Italy through remote sensing and solid modelling techniques »<br /> <br /> <br /> '''Συγγραφείς:''' By Pietro Picuno,∗, Alfonso Tortora, Rocco Luigi Capobianco<br /> <br /> posted on 13 December, 2010 in Articles, Landscape and Urban Planning 100 (2011) 45–56<br /> <br /> '''Πηγή:''' Elsevier <br /> <br /> <br /> « Ανάλυση των θερμοκηπίων στη Νότια Ιταλία μέσω τηλεπισκόπησης και τεχνικών μοντελοποίησης »<br /> <br /> Η χρήση των πλαστικών καλυμμάτων για την προστασία της καλλιέργειας σε αγροτικές περιοχές θέτει αξιόλογα τεχνικά προβλήματα που συνδέονται με τις επιπτώσεις sτην αισθητική ρύπανση του αγροτικού τοπίου και στο περιβάλλον για τον κύκλο του νερού, του αέρα και της γεωργικής γης του αγρο-οικοσυστήματος.<br /> Στο έγγραφο αυτό χρησιμοποιήθηκαν τεχνικές που βασίζονται στην τηλεπισκόπηση για την ανάλυση της αγροτικής χρήσης γης όσον αφορά την εφαρμογή προστασίας των καλλιεργειών με πλαστικά, σε μια περιοχή μελέτης βρίσκεται στη νότια Ιταλία κοντά στην ακτή του Ιόνιου, όπου η χρήση των πλαστικών στη γεωργία είναι πολύ διαδεδομένη. <br /> Η ανάλυση έχει πραγματοποιηθεί με τη χρήση εικόνων Landsat TM με επιβλεπόμενη ταξινόμηση, επεξεργασία εικόνας, και εργαλεία GIS. Τα αποτελέσματα επέτρεψαν τη δημιουργία μιας εφαρμογής για την αυτόματη ανίχνευση των πλαστικών καλυμμάτων. <br /> <br /> '''Εισαγωγη'''<br /> <br /> Ο σχεδιασμός των γεωργικών τοπίων είναι ένα από τα πιο ενδιαφέροντα παραδείγματα τεχνική πρόκληση. Η γεωργική παραγωγή των τροφίμων, ο κοινωνικός ρόλος των αγροτικών οικισμών, τα δίκτυα υποδομών, η αγροτική αρχιτεκτονική σε πολλές ευρωπαϊκές χώρες έχει κυρίως θετική αξία.<br /> Οι γεωργικές δραστηριότητες συχνά χαρακτηρίζεται από την πραγματοποίηση σε ευρεία κλίμακα με κυρίως απλή τεχνική προσέγγιση. Αυτό έχει ως αποτέλεσμα την έλλειψη μιας ολοκληρωμένης προσέγγισης καθώς και σε μία προοδευτική οικονομική και περιβαλλοντική απώλεια. Σύμφωνα με πρόσφατα στοιχεία, η ετήσια κατανάλωση πλαστικών φιλμ στην Ιταλία για την προστατευόμενη καλλιέργεια ανέρχεται σε περισσότερο από 150.000 τόνους . Η προστασία έναντι καιρικών φαινομένων είναι ο πιο συνηθισμένος λόγος χρήσης.<br /> Οι πλαστικές ταινίες είναι ευρέως διαδεδομένες για την κάλυψη των χαμηλων θερμοκηπίων και για προστατευτικό στρώμα στο έδαφος. Επίσης χρησιμοποιούνται και δίχτυα σκίασης για θερμοκήπια ή για την τροποποίηση του μικροπεριβάλλοντος.<br /> Αυτές οι μεγάλες προστατευόμενες γεωργικές εκτάσεις μπορούν να μελετηθούν με τρία διαφορετικά επίπεδα ανάλυσης της επιρροής τους στο αγροτικό περιβάλλον και τοπίο:<br /> • Μικρο-κλίμακα: σε αυτή η επίδραση του μικροκλίματος του αέρα που περιέχεται μέσα στην καλυμμένη περιοχή μπορεί να τροποποιήσει περιβαλλοντικές παραμέτρους, όπως η θερμοκρασία, η σχετική υγρασία, επίπεδο διοξειδίου του άνθρακα, κλπ. <br /> • Μεσο-κλίμακα: οπου η τροποποίηση στη διανομή της γύρης, των εντόμων, των πουλιά, κ.λπ. μπορεί να επηρεάσει τα ευρύτερα χαρακτηριστικά του αγροτικού οικοσυστήματος.<br /> • Μακρο-κλίμακα: η οπτική ποιότητα του αγροτικού τοπίου μπορεί να εχει σημαντικά μεταβληθεί από την τεχνητή κάλυψη. Η χρήση των πλαστικών καλυμμάτων θέτει σημαντικά προβλήματα που συνδέονται με την έννοια ότι μεγάλες επεκτάσεις των γεωργικών γαιών που καλύπτονται με συνεχή υλικό επίστρωσης (Σχ. 1), μπορεί να εχει αρνητική επιπτώση στο αγροτικό περιβάλλον.<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η ανάλυση τοπίων έχει διεξαχθεί σε μια περιοχή της νότιας Ιταλία, όπου οι εκτάσεις για τη γεωργία φρούτων καλύπτεται με πλαστικό καθαρό ή φιλμ. Η περιοχή μελέτης βρίσκεται κοντά στην παράκτια σύνορα μεταξύ Basilicata και Περιφερειών Απουλίας (Νότια Ιταλία, κοντά στη θάλασσα Ιονίου). Η συνολική επιφάνεια της περιοχής μελέτης καλύπτει περίπου 3080km2, συμπεριλαμβανομένης της ακτής από Metaponto για Ταράντο, την πόλη της Ματέρα στα δυτικά, τη πόλη της Casamassima στο βόρεια, και τη πόλη του Alberobello στα ανατολικά (Εικ. 2). Αυτή η περιοχή χαρακτηρίζεται από ένα ισχυρό γεωργικό προσανατολισμό, λόγω της ευρείας διάχυσης των αμπελώνων που καλλιεργούνται με τεχνική &quot;tendone&quot; Σχήμα. 3.<br /> Η ανίχνευση της χρήσης της γης, με ειδική αναφορά στα θερμοκήπια και άλλες προστατευόμενες δομές, έχει ληφθεί χρησιμοποιώντας πολυ-χρονικές εικόνες Landsat<br /> ετών 1990,92,94,98 και 2000 με επιβλεπόμενη ταξινόμηση. Συστήματα αισθητήρων ΤΜ που χρησιμοποιούνται σε αυτό το έργο είναι Landsat 5 και Landsat 7 σε μορφή ESA CEOS με ραδιομετρική διορθωθεί. <br /> Από τα δεδομένα Landsat έχουν χρησιμοποιηθεί τα κανάλια 7 (2,08 - 2,35μm), 5 (1,55 - 1,75 μm), και 3 (0,63 - 0,69 μm) οπου συνδέονται με άλλες χαρτογραφικές πληροφορίες (Εικ. 4) και θερμικές ιδιότητες των υλικών που καλύπτουν τα θερμοκήπια. Η διαφορά μεταξύ των δύο κατηγοριών κάλυψης (εικόνα 4) είναι πιο εμφανής για τον προσδιορισμό των αστικών και γεωργικών εκτάσεων. Η ζώνη 3, λαμβάνει υπόψη την απορροφώμενη ακτινοβολία της χλωροφύλλης και είναι χρήσιμη να επισημάνει τα πλαστικά καλύμματα καθαρά.<br /> Πριν από την ανάλυση και την ταξινόμηση, ήταν αναγκαίο να παρακολουθηθεί το πεδίο για να ταιριάζουν οι τηλεσκοπικές πληροφορίες. Ειδικότερα, οι ακόλουθοι τύποι περιοχών ερευνήθηκαν: έρημο έδαφος, δομημένο περιβάλλον, καλλιεργήσιμη γης, βλάστηση, και κατηγορία πλαστική επικάλυψη. Οι &quot;φασματικές υπογραφές&quot; των διαφόρων ειδών χρήσης (Εικ. 5) ξεκίνησαν όταν οι γνώσεις σχετικά με τις περιοχές εκπαίδευσης ήταν επαρκείς για την φασματική απόκριση των διαφόρων τύπων κάλυψης. Οι «Φασματικές υπογραφές&quot; σχηματίζονται από τις διάφορες στατιστικές παραμέτρων (μέση τιμή, διακύμανση, κλπ.) που σχετίζονται με τις τιμές φασματικών συνιστωσών που αντιστοιχούν στους τύπους κάλυψης. <br /> Στην προκειμένη περίπτωση η τεχνική επιβλεπόμενης ταξινόμησης χρησιμοποιείται για να χαρακτηρίσει, ως μια πρώτη προσπάθεια, τις διάφορες χρήσεις γης στο λογισμικό ENVI. Στην παρούσα μελέτη, η μέθοδος του Παραλληλεπίπεδου έχει χρησιμοποιηθεί όπου χρησιμοποιεί ένας απλός κανόνας απόφασης για την ταξινόμηση πολυφασματικών δεδομένων. <br /> Για την επικύρωση της ταξινόμησης Landsat, στην παρούσα έρευνα έγινε μια νέα προσέγγιση χρησιμοποιώντας κάποια SAR (Synthetic Aperture Radar) εικόνα (ERS 1/ERS 2 δορυφορικές) οπου μελετήθηκαν τα αρνητικά αποτελέσματα (Σχ. 6). Μετά την ταξινόμηση, οι εικόνες που λαμβάνονται εισήχθησαν και επεξεργασία με τη χρήση ενός λογισμικού GIS (GeoMedia- Intergraph Corporation). Η εικόνα έχει υποστεί έναν μετασχηματισμό και μετέπειτα επεξεργασία GRID σε διανυσματική μορφή (Shp). Η αξιολόγηση των επιπτώσεων του τοπίου που παράγεται από τις tendone κατασκευες που βρίσκονται στην περιοχή της μελέτης εχει καταστεί δυνατή από την εφαρμογή, μέσω μιας διαδικασίας GIS. <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Με την ανάλυση της δορυφορικής τηλεπισκόπησης ήταν δυνατό να αποκτηθουν διαφορετικοι χρονικοι πολυ-θεματικοι χαρτες των επιφανειών που καλύπτονται με πλαστική μεμβράνη εντός της περιοχής μελέτης (Εικ. 7).<br /> Συγκρίνοντας τις διαφορετικές χρονολογικές πληροφορίες, είναι δυνατό να αναγνωριστεί μια απότομη αύξηση στη διάδοση των προστατευόμενων καλλιεργειών στην περιοχή μελέτης, από περίπου 65 εκτάρια το έτος 1990 σε περισσότερα από 680 εκτάρια το έτος 2000. Στο Σχήμα. 8 αυτή η τάση φαίνεται γραφικά, μαζί με μια κατάλληλη εξίσωση παρεμβολής. Οι περισσότερες από τις αλλαγές που πραγματοποιήθηκαν θέση κατά μήκος της ακτής κοντά στην πόλη της Casamassima (Επαρχία του Μπάρι). Οι επιπτώσεις στη γεωργία αυτής της ευρείας χρήσης των πλαστικών αξιολογήθηκαν χρησιμοποιώντας τη μέθοδο του Sorenson . Αυτή η μέθοδος βάζει σε σχέση και σε λογική ακολουθία αντίστοιχα τους παράγοντες, τις περιβαλλοντικές συνιστώσες και επιτρέπει μια γρήγορη ταυτοποίηση των κύριων επιπτώσεων των πλαστικών καλυμμάτων και την αξιολόγηση των αποτελεσμάτων τους για το αγρο-περιβαλλοντικό συστήμα. <br /> Τα αποτελέσματα που ελήφθησαν σε αυτό το έγγραφο επιτρέπουν τη δυνατότητα για να δημιουργηθεί μια ρουτίνα σε IDL και λογισμικού ENVI για την αυτόματη ανίχνευση των θερμοκηπίων και άλλων δομών πλαστικής κάλυψης. Αυτό το εργαλείο μπορεί να χρησιμοποιείται για την παρακολούθηση της διακύμανσης των αγροτικών χρήσεων γης και να υποστήριξη την βελτίωση των περιβαλλοντικών πολιτικών και σχεδιασμό τοπίου. Η παρούσα έρευνα έδειξε πως οι επιπτώσεις της χρήσης πλαστικού για κάλυψη των γεωργικών εκτάσεων μπορούν να αξιολογηθούν, έτσι συμβάλλεται στη διατήρηση των τυπικών αισθητικά χαρακτηριστικά του αγροτικού τοπίου.<br /> <br /> <br /> [[category:Ταξινόμηση καλλιεργειών]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CE%BA%CF%81%CE%AF%CE%B2%CE%B5%CE%B9%CE%B1%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE%CF%82_%CF%83%CF%84%CE%B1_%CE%B4%CF%85%CF%84%CE%B9%CE%BA%CE%AC_%CF%84%CF%89%CE%BD_%CE%9C%CE%B5%CE%B3%CE%AC%CE%BB%CF%89%CE%BD_%CE%9B%CE%B9%CE%BC%CE%BD%CF%8E%CE%BD 2013-01-29T17:34:42Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:'''« An accuracy assessment of forest disturbance mapping in the western Great Lakes »<br /> <br /> <br /> '''Συγγραφείς:''' By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala <br /> <br /> posted on 22 September, 2012 in Articles, Remote Sensing of Environment 128 (2013) 176–185 <br /> '''Πηγή:''' Elsevier <br /> <br /> « Αξιολόγηση της ακρίβειας στην χαρτογράφηση δασικής μεταβολής στα δυτικά των Μεγάλων Λιμνών»<br /> <br /> <br /> '''Εισαγωγη'''<br /> <br /> Η Πρωτοβουλία αποκατάστασης των Μεγάλων Λιμνών (GLRI) είναι μια πολυετής προσπάθεια πολλών υπηρεσιών με στόχο την βελτίωση της υγείας των Μεγάλων Λιμνών και συντονίζεται από την Αμερικανική Υπηρεσία Προστασίας Περιβάλλοντος (EPA). Οι λεκάνες απορροής των μεγάλων Λιμνών είναι περίπου 54% δάση και η ορθολογιστική διαχείριση των δασών στις λεκάνες απορροής έχει από καιρό αναγνωριστεί ως κρίσιμος παράγοντας για τη διατήρηση της ποιότητας απορροής. Η Δασική Υπηρεσία USDA λειτουργεί ως εταίρος στην GLRI, με ιδιαίτερη έμφαση στη διερεύνηση της σχέσης μεταξύ της διαχείρισης της λεκάνης απορροής και της ισορροπίας στις Μεγάλες Λίμνες.<br /> Οι δραστηριότητες αποκατάστασης και διαχείρισης Δασών θα είναι πιο αποτελεσματικές στην επίτευξη των στόχων τους, εάν εφαρμοστεί μέσα από την προοπτική της λεκάνη απορροής. Επιπροσθέτως, τα υπάρχοντα δεδομένα δεν έχουν σχεδιαστεί για να παρέχουν πληροφορίες σχετικά με τα επίπεδα απορροής των λεκανών σύμφωνα με πρότυπα που ενυπάρχουν στην οικολογία και στην διαχείριση δασών.<br /> Ως εναλλακτική λύση για την ανάλυση σε επίπεδο κράτους, οι αλγόριθμοι Landsat Time Series Stacks(LTSS) και Vegetation Change Tracker (VCT) μπορούν να χρησιμοποιηθούν για παραγωγή χάρτη δασοκάλυψης και κατά επέκταση ενημέρωση της διαχείρισης των λεκανών απορροής.<br /> Στην εργασία έχουν προσαρμόσει οι VCT σε διαδικασία για τις λεκάνες απορροής της λίμνης Superiorκαι τη λίμνη Μίτσιγκαν χρησιμοποιώντας πηγή εικόνες στον χειμώνα για μείωση των σφαλμάτων. Το αποτέλεσμα είναι ένα προϊόν που ονομάζουμε VCTw, το οποίο χρησιμοποιείται για τη χαρτογράφηση δασών Εικονα1 .<br /> <br /> '''Μεθοδολογία'''<br /> [[ Αρχείο:Paper8fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση της περιοχής μελέτης. ]]<br /> [[ Αρχείο:Paper8fig2.jpg | thumb | right | Εικόνα 2 – Απεικόνιση της κατανομής στη περιοχή μελέτης . ]]<br /> [[ Αρχείο:Paper8fig3.jpg | thumb | right | Εικόνα 3 – Αποτέλεσμα απεικόνισης ταξινόμησης δεικτών. ]]<br /> Η αξιολόγηση της ακρίβειας διεξήχθη με σύγκριση του δάσους σε σχέση σε &quot;δεδομένα αναφοράς&quot; για ένα δείγμα των εικονοστοιχείων του χάρτη. Ο VCT έχει περιγραφεί σε αρκετά έγγραφα και χρησιμοποιήθηκε για την επεξεργασία εικόνων Landsat, ο προκύπτον χάρτης φάνηκε να περιέχει σε μεγάλες περιοχές λανθασμένες ταξινομήσεις δασών. Μετά την εξέταση κάποιων προφανών χαρτογραφικών λαθών, εκτιμήθηκε ότι μέρος των σφαλμάτων οφείλονται στην φασματική σύγχυση μεταξύ δάσους φυλλώματος καλλιεργειών καλαμποκιού και θαμνώδους υγροτόπου. Οι καλλιέργειες και οι υγρότοποι είναι εξαιρετικά μεταβλητοί στο πέρασμα του χρόνου. <br /> Επιλέχθηκε ένα κατάλληλο σχέδιο δειγματοληψίας για την εκτίμηση της ακρίβειας όπου έγινε με γνώμονα την εξισορρόπηση των πρακτικών λόγων (π.χ., το κόστος της συλλογής των δεδομένα αναφοράς) και των στατιστικών εκτιμήσεων (π.χ., εξασφαλίζοντας ότι όλες οι τάξεις θα είναι επαρκώς τμήμα της δειγματοληψίας). Στην περίπτωσή μας, υπήρχαν τρεις κύριες περιοχές όπου ανάλογα το είδος των καλλιεργειών χρησιμοποιήθηκαν φωτογραφίες σε διαφορετικές εποχές (εικονα2). <br /> Επιπλέον στόχος ήταν να παράγουν αποτελέσματα για κάθε κατηγορία μεταβολής. Για την προσπάθεια αυτή υπολογίστηκαν μια σειρά δεικτών (PNF, PF, PW, D1, D2 ) ανά κατηγορία, VCTw. Ταξινόμηση των υπολογιζόμενων δεικτών σε δείγμα που συντάχθηκε κατά τη διάρκεια του πρώτου σταδίου απεικονίζεται στην Εικ. 3.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η συνολική ακρίβεια για ολόκληρη την περιοχή στόχου υπολογιστικε να είναι 91% με εκτιμώμενο τυπικό σφάλμα 0,8%. Σημειώστε ότι με βάση τα χρονικά διαστήματα υπήρχε η παραδοχή ότι οι εκτιμήσεις ανήκαν στην κανονική κατανομή. Μελέτες προσομοίωσης έχουν πρότεινε ότι η πραγματική πιθανότητα κάλυψης των εν λόγω χρονικών διαστημάτων είναι συνήθως μικρότερη από πιθανότητα της κανονικής Δηλαδή, εάν αντλήσαμε επανειλημμένα δείγματα και υπολογίζεται διαστήματα εμπιστοσύνης 95%, θα μπορούσαμε να αναμένουμε ότι λιγότερο από το 95% από αυτούς θα περιλαμβάνει την αληθινή τιμή της παραμέτρου.<br /> Το κυρίως εντυπωσιακό χαρακτηριστικό αυτών των αποτελεσμάτων είναι το συγκριτικά<br /> υψηλό ποσοστό των σφαλμάτων που σχετίζονται με τις D1 και D2 τάξεις. Για παράδειγμα, οι εκτιμώμενες πιθανότητες λάθους για ταξινομήσεις D1 και D2 είναι περίπου 21% και 25%, αντίστοιχα. Με άλλα λόγια, εκτιμούμε ότι περίπου το ένα από τα πέντε pixels ταξινομούνται από τον χάρτη ως μεταβολή χαρακτηριστικών. <br /> Οι εκτιμώμενες πιθανότητες λάθους με παράλειψη τα D1 και D2 κατηγορίες είναι περίπου 49% και 54%, αντίστοιχα, γεγονός που υποδεικνύει ότι ο VCTw που έχει βρεθεί στα μισά pixel έχει υποστεί μεταβολή. Σημειώστε, ωστόσο, ότι τα τυπικά σφάλματα που σχετίζονται με τα σφάλματα παράλειψης είναι μεγάλα. Η συνολική ακρίβεια για το LSB εκτιμήθηκε να είναι 87% με τυπικό σφάλμα το 2%, ενώ η συνολική ακρίβεια του LMB εκτιμήθηκε να είναι 92% με εκτιμώμενο τυπικό σφάλμα του 1%. <br /> Από τα παραπάνω ανακύπτει ότι το επιλεγμένο σχέδιο δειγματοληψίας ήταν επιτυχής όσον αφορά το ότι επιτρέπεται η εκτίμηση των παραμέτρων ακρίβειας. Ένα κλειδί για την επίτευξη αυτού ήταν οι οδηγίες του περί αναλλοίωτου και ανεξάρτητου (Särndal et al., 1992). <br /> Μια σημαντική συνέπεια των περιορισμών αυτών είναι ότι δεν θα ήταν δυνατό να αυξηθεί ο αριθμός των εικονοστοιχείων δειγματοληψίας που επιλέγονται από ένα δεδομένο PSU, λόγω της έλλειψης των μεταβολών σε άλλες επιλεγμένες. Αυτό σημαίνει ότι, δυστυχώς, η αρχές του αναλλοίωτου και η ανεξαρτησία δεν μπορεί να ακολουθείται σε κάθε εκτίμηση της ακρίβειας, ειδικά όταν σε δύο στάδια του σχεδιασμού χρησιμοποιούνται σπάνιας ταξινομήσεις.<br /> Μια εναλλακτική λύση σε ένα τέτοιο σενάριο είναι να διεξάγει μια δεύτερη ανεξάρτητη έρευνα που να έχει σχεδιαστεί ειδικά για να δοκιμάσουν τη σπάνια κατηγορία και να συνδυάσει τις πληροφορίες και από τις δύο έρευνες για την παραγωγή μιας βελτιωμένης εκτιμητής των χαρακτηριστικών του πληθυσμού που σχετίζονται με την σπάνια κατηγορία.<br /> <br /> [[category:Αποτίμηση δασικής γης]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CE%BA%CF%81%CE%AF%CE%B2%CE%B5%CE%B9%CE%B1%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE%CF%82_%CF%83%CF%84%CE%B1_%CE%B4%CF%85%CF%84%CE%B9%CE%BA%CE%AC_%CF%84%CF%89%CE%BD_%CE%9C%CE%B5%CE%B3%CE%AC%CE%BB%CF%89%CE%BD_%CE%9B%CE%B9%CE%BC%CE%BD%CF%8E%CE%BD 2013-01-29T17:32:58Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:'''« An accuracy assessment of forest disturbance mapping in the western Great Lakes »<br /> <br /> <br /> '''Συγγραφείς:''' By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala <br /> <br /> posted on 22 September, 2012 in Articles, Remote Sensing of Environment 128 (2013) 176–185 <br /> '''Πηγή:''' Elsevier <br /> <br /> « Αξιολόγηση της ακρίβειας στην χαρτογράφηση δασικής μεταβολής στα δυτικά των Μεγάλων Λιμνών»<br /> <br /> <br /> '''Εισαγωγη'''<br /> <br /> Η Πρωτοβουλία αποκατάστασης των Μεγάλων Λιμνών (GLRI) είναι μια πολυετής προσπάθεια πολλών υπηρεσιών με στόχο την βελτίωση της υγείας των Μεγάλων Λιμνών και συντονίζεται από την Αμερικανική Υπηρεσία Προστασίας Περιβάλλοντος (EPA). Οι λεκάνες απορροής των μεγάλων Λιμνών είναι περίπου 54% δάση και η ορθολογιστική διαχείριση των δασών στις λεκάνες απορροής έχει από καιρό αναγνωριστεί ως κρίσιμος παράγοντας για τη διατήρηση της ποιότητας απορροής. Η Δασική Υπηρεσία USDA λειτουργεί ως εταίρος στην GLRI, με ιδιαίτερη έμφαση στη διερεύνηση της σχέσης μεταξύ της διαχείρισης της λεκάνης απορροής και της ισορροπίας στις Μεγάλες Λίμνες.<br /> Οι δραστηριότητες αποκατάστασης και διαχείρισης Δασών θα είναι πιο αποτελεσματικές στην επίτευξη των στόχων τους, εάν εφαρμοστεί μέσα από την προοπτική της λεκάνη απορροής. Επιπροσθέτως, τα υπάρχοντα δεδομένα δεν έχουν σχεδιαστεί για να παρέχουν πληροφορίες σχετικά με τα επίπεδα απορροής των λεκανών σύμφωνα με πρότυπα που ενυπάρχουν στην οικολογία και στην διαχείριση δασών.<br /> Ως εναλλακτική λύση για την ανάλυση σε επίπεδο κράτους, οι αλγόριθμοι Landsat Time Series Stacks(LTSS) και Vegetation Change Tracker (VCT) μπορούν να χρησιμοποιηθούν για παραγωγή χάρτη δασοκάλυψης και κατά επέκταση ενημέρωση της διαχείρισης των λεκανών απορροής.<br /> Στην εργασία έχουν προσαρμόσει οι VCT σε διαδικασία για τις λεκάνες απορροής της λίμνης Superiorκαι τη λίμνη Μίτσιγκαν χρησιμοποιώντας πηγή εικόνες στον χειμώνα για μείωση των σφαλμάτων. Το αποτέλεσμα είναι ένα προϊόν που ονομάζουμε VCTw, το οποίο χρησιμοποιείται για τη χαρτογράφηση δασών Εικονα1 .<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η αξιολόγηση της ακρίβειας διεξήχθη με σύγκριση του δάσους σε σχέση σε &quot;δεδομένα αναφοράς&quot; για ένα δείγμα των εικονοστοιχείων του χάρτη. Ο VCT έχει περιγραφεί σε αρκετά έγγραφα και χρησιμοποιήθηκε για την επεξεργασία εικόνων Landsat, ο προκύπτον χάρτης φάνηκε να περιέχει σε μεγάλες περιοχές λανθασμένες ταξινομήσεις δασών. Μετά την εξέταση κάποιων προφανών χαρτογραφικών λαθών, εκτιμήθηκε ότι μέρος των σφαλμάτων οφείλονται στην φασματική σύγχυση μεταξύ δάσους φυλλώματος καλλιεργειών καλαμποκιού και θαμνώδους υγροτόπου. Οι καλλιέργειες και οι υγρότοποι είναι εξαιρετικά μεταβλητοί στο πέρασμα του χρόνου. <br /> Επιλέχθηκε ένα κατάλληλο σχέδιο δειγματοληψίας για την εκτίμηση της ακρίβειας όπου έγινε με γνώμονα την εξισορρόπηση των πρακτικών λόγων (π.χ., το κόστος της συλλογής των δεδομένα αναφοράς) και των στατιστικών εκτιμήσεων (π.χ., εξασφαλίζοντας ότι όλες οι τάξεις θα είναι επαρκώς τμήμα της δειγματοληψίας). Στην περίπτωσή μας, υπήρχαν τρεις κύριες περιοχές όπου ανάλογα το είδος των καλλιεργειών χρησιμοποιήθηκαν φωτογραφίες σε διαφορετικές εποχές (εικονα2). <br /> Επιπλέον στόχος ήταν να παράγουν αποτελέσματα για κάθε κατηγορία μεταβολής. Για την προσπάθεια αυτή υπολογίστηκαν μια σειρά δεικτών (PNF, PF, PW, D1, D2 ) ανά κατηγορία, VCTw. Ταξινόμηση των υπολογιζόμενων δεικτών σε δείγμα που συντάχθηκε κατά τη διάρκεια του πρώτου σταδίου απεικονίζεται στην Εικ. 3.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η συνολική ακρίβεια για ολόκληρη την περιοχή στόχου υπολογιστικε να είναι 91% με εκτιμώμενο τυπικό σφάλμα 0,8%. Σημειώστε ότι με βάση τα χρονικά διαστήματα υπήρχε η παραδοχή ότι οι εκτιμήσεις ανήκαν στην κανονική κατανομή. Μελέτες προσομοίωσης έχουν πρότεινε ότι η πραγματική πιθανότητα κάλυψης των εν λόγω χρονικών διαστημάτων είναι συνήθως μικρότερη από πιθανότητα της κανονικής Δηλαδή, εάν αντλήσαμε επανειλημμένα δείγματα και υπολογίζεται διαστήματα εμπιστοσύνης 95%, θα μπορούσαμε να αναμένουμε ότι λιγότερο από το 95% από αυτούς θα περιλαμβάνει την αληθινή τιμή της παραμέτρου.<br /> Το κυρίως εντυπωσιακό χαρακτηριστικό αυτών των αποτελεσμάτων είναι το συγκριτικά<br /> υψηλό ποσοστό των σφαλμάτων που σχετίζονται με τις D1 και D2 τάξεις. Για παράδειγμα, οι εκτιμώμενες πιθανότητες λάθους για ταξινομήσεις D1 και D2 είναι περίπου 21% και 25%, αντίστοιχα. Με άλλα λόγια, εκτιμούμε ότι περίπου το ένα από τα πέντε pixels ταξινομούνται από τον χάρτη ως μεταβολή χαρακτηριστικών. <br /> Οι εκτιμώμενες πιθανότητες λάθους με παράλειψη τα D1 και D2 κατηγορίες είναι περίπου 49% και 54%, αντίστοιχα, γεγονός που υποδεικνύει ότι ο VCTw που έχει βρεθεί στα μισά pixel έχει υποστεί μεταβολή. Σημειώστε, ωστόσο, ότι τα τυπικά σφάλματα που σχετίζονται με τα σφάλματα παράλειψης είναι μεγάλα. Η συνολική ακρίβεια για το LSB εκτιμήθηκε να είναι 87% με τυπικό σφάλμα το 2%, ενώ η συνολική ακρίβεια του LMB εκτιμήθηκε να είναι 92% με εκτιμώμενο τυπικό σφάλμα του 1%. <br /> Από τα παραπάνω ανακύπτει ότι το επιλεγμένο σχέδιο δειγματοληψίας ήταν επιτυχής όσον αφορά το ότι επιτρέπεται η εκτίμηση των παραμέτρων ακρίβειας. Ένα κλειδί για την επίτευξη αυτού ήταν οι οδηγίες του περί αναλλοίωτου και ανεξάρτητου (Särndal et al., 1992). <br /> Μια σημαντική συνέπεια των περιορισμών αυτών είναι ότι δεν θα ήταν δυνατό να αυξηθεί ο αριθμός των εικονοστοιχείων δειγματοληψίας που επιλέγονται από ένα δεδομένο PSU, λόγω της έλλειψης των μεταβολών σε άλλες επιλεγμένες. Αυτό σημαίνει ότι, δυστυχώς, η αρχές του αναλλοίωτου και η ανεξαρτησία δεν μπορεί να ακολουθείται σε κάθε εκτίμηση της ακρίβειας, ειδικά όταν σε δύο στάδια του σχεδιασμού χρησιμοποιούνται σπάνιας ταξινομήσεις.<br /> Μια εναλλακτική λύση σε ένα τέτοιο σενάριο είναι να διεξάγει μια δεύτερη ανεξάρτητη έρευνα που να έχει σχεδιαστεί ειδικά για να δοκιμάσουν τη σπάνια κατηγορία και να συνδυάσει τις πληροφορίες και από τις δύο έρευνες για την παραγωγή μιας βελτιωμένης εκτιμητής των χαρακτηριστικών του πληθυσμού που σχετίζονται με την σπάνια κατηγορία.<br /> <br /> [[category:Αποτίμηση δασικής γης]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CE%B1%CE%BA%CF%81%CE%AF%CE%B2%CE%B5%CE%B9%CE%B1%CF%82_%CF%83%CF%84%CE%B7%CE%BD_%CF%87%CE%B1%CF%81%CF%84%CE%BF%CE%B3%CF%81%CE%AC%CF%86%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE%CF%82_%CF%83%CF%84%CE%B1_%CE%B4%CF%85%CF%84%CE%B9%CE%BA%CE%AC_%CF%84%CF%89%CE%BD_%CE%9C%CE%B5%CE%B3%CE%AC%CE%BB%CF%89%CE%BD_%CE%9B%CE%B9%CE%BC%CE%BD%CF%8E%CE%BD 2013-01-29T17:32:15Z

<p>Clikos: Νέα σελίδα με ''''Πρωτότυπος Τίτλος:'''« An accuracy assessment of forest disturbance mapping in the western Great Lakes » '''Συγγραφείς:''' By J. Jarnstedt...'</p> <hr /> <div>'''Πρωτότυπος Τίτλος:'''« An accuracy assessment of forest disturbance mapping in the western Great Lakes »<br /> <br /> <br /> '''Συγγραφείς:''' By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala <br /> <br /> posted on 22 September, 2012 in Articles, Remote Sensing of Environment 128 (2013) 176–185 <br /> '''Πηγή:''' Elsevier <br /> <br /> « Αξιολόγηση της ακρίβειας στην χαρτογράφηση δασικής μεταβολής στα δυτικά των Μεγάλων Λιμνών»<br /> <br /> <br /> '''Εισαγωγη'''<br /> <br /> Η Πρωτοβουλία αποκατάστασης των Μεγάλων Λιμνών (GLRI) είναι μια πολυετής προσπάθεια πολλών υπηρεσιών με στόχο την βελτίωση της υγείας των Μεγάλων Λιμνών και συντονίζεται από την Αμερικανική Υπηρεσία Προστασίας Περιβάλλοντος (EPA). Οι λεκάνες απορροής των μεγάλων Λιμνών είναι περίπου 54% δάση και η ορθολογιστική διαχείριση των δασών στις λεκάνες απορροής έχει από καιρό αναγνωριστεί ως κρίσιμος παράγοντας για τη διατήρηση της ποιότητας απορροής. Η Δασική Υπηρεσία USDA λειτουργεί ως εταίρος στην GLRI, με ιδιαίτερη έμφαση στη διερεύνηση της σχέσης μεταξύ της διαχείρισης της λεκάνης απορροής και της ισορροπίας στις Μεγάλες Λίμνες.<br /> Οι δραστηριότητες αποκατάστασης και διαχείρισης Δασών θα είναι πιο αποτελεσματικές στην επίτευξη των στόχων τους, εάν εφαρμοστεί μέσα από την προοπτική της λεκάνη απορροής. Επιπροσθέτως, τα υπάρχοντα δεδομένα δεν έχουν σχεδιαστεί για να παρέχουν πληροφορίες σχετικά με τα επίπεδα απορροής των λεκανών σύμφωνα με πρότυπα που ενυπάρχουν στην οικολογία και στην διαχείριση δασών.<br /> Ως εναλλακτική λύση για την ανάλυση σε επίπεδο κράτους, οι αλγόριθμοι Landsat Time Series Stacks(LTSS) και Vegetation Change Tracker (VCT) μπορούν να χρησιμοποιηθούν για παραγωγή χάρτη δασοκάλυψης και κατά επέκταση ενημέρωση της διαχείρισης των λεκανών απορροής.<br /> Στην εργασία έχουν προσαρμόσει οι VCT σε διαδικασία για τις λεκάνες απορροής της λίμνης Superiorκαι τη λίμνη Μίτσιγκαν χρησιμοποιώντας πηγή εικόνες στον χειμώνα για μείωση των σφαλμάτων. Το αποτέλεσμα είναι ένα προϊόν που ονομάζουμε VCTw, το οποίο χρησιμοποιείται για τη χαρτογράφηση δασών Εικονα1 .<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Η αξιολόγηση της ακρίβειας διεξήχθη με σύγκριση του δάσους σε σχέση σε &quot;δεδομένα αναφοράς&quot; για ένα δείγμα των εικονοστοιχείων του χάρτη. Ο VCT έχει περιγραφεί σε αρκετά έγγραφα και χρησιμοποιήθηκε για την επεξεργασία εικόνων Landsat, ο προκύπτον χάρτης φάνηκε να περιέχει σε μεγάλες περιοχές λανθασμένες ταξινομήσεις δασών. Μετά την εξέταση κάποιων προφανών χαρτογραφικών λαθών, εκτιμήθηκε ότι μέρος των σφαλμάτων οφείλονται στην φασματική σύγχυση μεταξύ δάσους φυλλώματος καλλιεργειών καλαμποκιού και θαμνώδους υγροτόπου. Οι καλλιέργειες και οι υγρότοποι είναι εξαιρετικά μεταβλητοί στο πέρασμα του χρόνου. <br /> Επιλέχθηκε ένα κατάλληλο σχέδιο δειγματοληψίας για την εκτίμηση της ακρίβειας όπου έγινε με γνώμονα την εξισορρόπηση των πρακτικών λόγων (π.χ., το κόστος της συλλογής των δεδομένα αναφοράς) και των στατιστικών εκτιμήσεων (π.χ., εξασφαλίζοντας ότι όλες οι τάξεις θα είναι επαρκώς τμήμα της δειγματοληψίας). Στην περίπτωσή μας, υπήρχαν τρεις κύριες περιοχές όπου ανάλογα το είδος των καλλιεργειών χρησιμοποιήθηκαν φωτογραφίες σε διαφορετικές εποχές (εικονα2). <br /> Επιπλέον στόχος ήταν να παράγουν αποτελέσματα για κάθε κατηγορία μεταβολής. Για την προσπάθεια αυτή υπολογίστηκαν μια σειρά δεικτών (PNF, PF, PW, D1, D2 ) ανά κατηγορία, VCTw. Ταξινόμηση των υπολογιζόμενων δεικτών σε δείγμα που συντάχθηκε κατά τη διάρκεια του πρώτου σταδίου απεικονίζεται στην Εικ. 3.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η συνολική ακρίβεια για ολόκληρη την περιοχή στόχου υπολογιστικε να είναι 91% με εκτιμώμενο τυπικό σφάλμα 0,8%. Σημειώστε ότι με βάση τα χρονικά διαστήματα υπήρχε η παραδοχή ότι οι εκτιμήσεις ανήκαν στην κανονική κατανομή. Μελέτες προσομοίωσης έχουν πρότεινε ότι η πραγματική πιθανότητα κάλυψης των εν λόγω χρονικών διαστημάτων είναι συνήθως μικρότερη από πιθανότητα της κανονικής Δηλαδή, εάν αντλήσαμε επανειλημμένα δείγματα και υπολογίζεται διαστήματα εμπιστοσύνης 95%, θα μπορούσαμε να αναμένουμε ότι λιγότερο από το 95% από αυτούς θα περιλαμβάνει την αληθινή τιμή της παραμέτρου.<br /> Το κυρίως εντυπωσιακό χαρακτηριστικό αυτών των αποτελεσμάτων είναι το συγκριτικά<br /> υψηλό ποσοστό των σφαλμάτων που σχετίζονται με τις D1 και D2 τάξεις. Για παράδειγμα, οι εκτιμώμενες πιθανότητες λάθους για ταξινομήσεις D1 και D2 είναι περίπου 21% και 25%, αντίστοιχα. Με άλλα λόγια, εκτιμούμε ότι περίπου το ένα από τα πέντε pixels ταξινομούνται από τον χάρτη ως μεταβολή χαρακτηριστικών. <br /> Οι εκτιμώμενες πιθανότητες λάθους με παράλειψη τα D1 και D2 κατηγορίες είναι περίπου 49% και 54%, αντίστοιχα, γεγονός που υποδεικνύει ότι ο VCTw που έχει βρεθεί στα μισά pixel έχει υποστεί μεταβολή. Σημειώστε, ωστόσο, ότι τα τυπικά σφάλματα που σχετίζονται με τα σφάλματα παράλειψης είναι μεγάλα. Η συνολική ακρίβεια για το LSB εκτιμήθηκε να είναι 87% με τυπικό σφάλμα το 2%, ενώ η συνολική ακρίβεια του LMB εκτιμήθηκε να είναι 92% με εκτιμώμενο τυπικό σφάλμα του 1%. <br /> Από τα παραπάνω ανακύπτει ότι το επιλεγμένο σχέδιο δειγματοληψίας ήταν επιτυχής όσον αφορά το ότι επιτρέπεται η εκτίμηση των παραμέτρων ακρίβειας. Ένα κλειδί για την επίτευξη αυτού ήταν οι οδηγίες του περί αναλλοίωτου και ανεξάρτητου (Särndal et al., 1992). <br /> Μια σημαντική συνέπεια των περιορισμών αυτών είναι ότι δεν θα ήταν δυνατό να αυξηθεί ο αριθμός των εικονοστοιχείων δειγματοληψίας που επιλέγονται από ένα δεδομένο PSU, λόγω της έλλειψης των μεταβολών σε άλλες επιλεγμένες. Αυτό σημαίνει ότι, δυστυχώς, η αρχές του αναλλοίωτου και η ανεξαρτησία δεν μπορεί να ακολουθείται σε κάθε εκτίμηση της ακρίβειας, ειδικά όταν σε δύο στάδια του σχεδιασμού χρησιμοποιούνται σπάνιας ταξινομήσεις.<br /> Μια εναλλακτική λύση σε ένα τέτοιο σενάριο είναι να διεξάγει μια δεύτερη ανεξάρτητη έρευνα που να έχει σχεδιαστεί ειδικά για να δοκιμάσουν τη σπάνια κατηγορία και να συνδυάσει τις πληροφορίες και από τις δύο έρευνες για την παραγωγή μιας βελτιωμένης εκτιμητής των χαρακτηριστικών του πληθυσμού που σχετίζονται με την σπάνια κατηγορία.<br /> <br /> [[category:Αποτίμηση δασικής γης]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper8fig3.jpg 2013-01-29T17:30:42Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper8fig2.jpg 2013-01-29T17:30:28Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper8fig1.jpg 2013-01-29T17:30:14Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%9A%CE%B1%CF%84%CE%B7%CE%B3%CE%BF%CF%81%CE%AF%CE%B1:%CE%91%CF%80%CE%BF%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%B3%CE%B7%CF%82 2013-01-29T17:28:32Z

<p>Clikos: </p> <hr /> <div>[[Εκτίμηση δασικής μεταβολής χρησιμοποιώντας υψηλής ανάλυσης ψηφιακό επιφάνεικο μοντέλο ]]<br /> <br /> [[category:Δασοπονία, Δασική διαχείριση]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE%CF%82_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%88%CE%B7%CF%86%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%BA%CE%BF_%CE%BC%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF 2013-01-29T17:27:05Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' «Forest variable estimation using a high-resolution digital surface model»<br /> <br /> <br /> '''Συγγραφείς:''' By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala <br /> <br /> posted on 20 August, 2012 in Articles, ISPRS Journal of Photogrammetry and Remote Sensing 74 (2012) 78–84<br /> <br /> '''Πηγή:''' Elsevier <br /> <br /> «Εκτίμηση δασικής μεταβολής χρησιμοποιώντας υψηλής ανάλυσης ψηφιακό επιφάνεικο μοντέλο»<br /> <br /> H σάρωση με λέιζερ με χρήση αεροσκαφών θεωρείται σήμερα η πιο ακριβή μέθοδος ανίχνευσης εξ αποστάσεως για την απογραφή των δασών. Το κύριο πλεονέκτημα της σάρωσης laser είναι τα τρισδιάστατα δεδομένα. Τα ψηφιακά μοντέλα επιφάνειας απαιτούν υψηλής ανάλυσης αεροφωτογραφίες. Σε αυτή τη μελέτη μετρήθηκε το ύψος της κόμης των δένδρων. Στη Φινλανδία, έχει υιοθετηθεί ένα νέο σύστημα απογραφής των δασών. Η παραδοσιακή καταγραφή με βάση την οπτική, που απαιτούσε μεγάλη επιτόπια έρευνα, αντικαθίσταται με την πιο εκτεταμένη χρήση της τηλεπισκόπησης δεδομένων για να μειωθεί το κόστος.<br /> Η μέθοδος απογραφής των δασών βασίζεται στην ερμηνεία δεδομένων από αερομεταφερόμενων σαρώσεων με λέιζερ (ALS) και ψηφιακών αεροφωτογραφιών. Συνήθως τα δείγματα είναι , χαμηλής πυκνότητας ALS (τυπικά Pulses/m2 0,5 - 2) και ψηφιακών αεροφωτογραφιών με χωρική ανάλυση από 0,25 έως 0,5 m (που καλύπτουν ορατό και εγγύς υπέρυθρο μήκος κύματος).<br /> Σε προηγούμενες μελέτες, από δεδομένα ALS έχει αποδειχθεί ότι παράγετε καλό αποτέλεσμα στην εκτίμηση του δάσους και είναι ιδιαίτερα κατάλληλα για την εκτίμηση των χαρακτηριστικών των δασών που σχετίζονται με φυσικές διαστάσεις των δέντρων, όπως το ύψος και η περίπτερος. <br /> <br /> Με τη βοήθεια δεδομένων ALS, μπορεί να προκύψει ένα τρισδιάστατο (3D) μοντέλο της επιφάνειας του δάσους. Δεδομένου ότι είναι δυνατόν να διακρίνει παλμούς λέιζερ που ανακλάται από την επιφάνεια του εδάφους από εκείνων που ανακλάται από το φύλλωμα των δέντρων, μπορούν να δημιουργηθούν και τα ψηφιακά μοντέλα εδάφους (DTMs) και ψηφιακά μοντέλα επιφάνειας (DSMs) .<br /> Ψηφιακά μοντέλα επιφάνειας (DSMs) είναι δυνατόν να προκύψουν και με πολύ υψηλής ανάλυσης αεροφωτογραφίες στερεοσκοπικής κάλυψης. Από αυτό του είδους φωτογραφίες έχει αναφερθεί ότι είναι ανάλογης ποιότητας με τα μοντέλα που παράγονται. Με την αύξηση της πυκνότητας του φυλλώματος, καθίσταται δύσκολο να προκύψει μια ακριβείς DTM με φωτογραμμετρικές μεθόδους. <br /> <br /> Εάν ένα υψηλής ποιότητας DTM είναι διαθέσιμες, θα μπορούσαν να χρησιμοποιηθουν στην ανάλυση, αφού μπορεί κανείς να υποθέσει ότι η επιφάνεια του εδάφους θα παραμείνει αμετάβλητη μεταξύ των διαδοχικών απογραφών δάσος. <br /> Εάν δεν είναι διαθέσιμο DTM, από δεδομένα ALS γίνεται αρχικά μοντελοποίηση το έδαφος. Στις μεταγενέστερες απογραφές, αρκεί να ξαναχτίσουν τα DSMs, τα οποία μπορούν να γίνουν από αεροφωτογραφίες και ψηφιακή φωτογραμμετρία, εφοσον η απόδοση των φωτογραμμετρικών μοντέλων επιφανειών είναι ικανοποιητική. <br /> Αυτό έχει τη δυνατότητα να οδηγήσει σε σημαντική μείωση του κόστους, επειδή η ALS σάρωση δεν θα χρειάζεται για κάθε κύκλο απογραφής. Αντ 'αυτού, το DSM θα μπορούσε να βασίζεται σε εναέριες εικόνες.<br /> <br /> Υπάρχουν πολλά πακέτα λογισμικού που διατίθενται για την εξαγωγή φωτογραμμετρικων μοντέλων επιφάνειας. Παρά το γεγονός ότι χρησιμοποιούν διαφορετικούς αλγορίθμους, η απόδοση ακρίβειά τους και τα προβλήματά τους είναι γενικά παρόμοια . Για παράδειγμα, έχουν παρατίθενται οι ακόλουθες περιπτώσεις που μπορεί να οδηγήσει σε ανακρίβειες στα μοντέλα επιφανειών: (1) μικρή ή καθόλου υφή, (2) ασυνέχειες αντικειμένου, (3) επαναλαμβανόμενα αντικείμενα, (4) κινούμενα αντικείμενα (όπως σκιές), (5) αποφράξεις, (6) πολυεπίπεδα ή διαφανή αντικείμενα, και (7) του κατοπτρικοί ανακλαστήρες ή άλλα ραδιομετρικά αντικείμενα. Αυτά τα προβλήματα εμφανίζονται εάν η απεικόνιση αποκτάται κατά τη διάρκεια της σεζόν απώλειας φυλλώματος).<br /> Ο στόχος αυτής της μελέτης ήταν να αναπτυχθεί μια μέθοδος για την εκτίμηση των χαρακτηριστικών των δασών και για την ενημέρωση των δεδομένων των δασικών πόρων με βάση αεροφωτογραφίες και ψηφιακή φωτογραμμετρία. Ο δεύτερος στόχος ήταν να εκτιμηθεί η ακρίβεια των εκτιμήσεων των δασών που βασίζονται σε ένα μοντέλο φωτογραμμετρικής επιφάνειας σε σύγκριση με τις μέθοδους που βασίζονται σε εναέρια σάρωση με λέιζερ.<br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper7fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση της περιοχής μελέτης. ]]<br /> [[ Αρχείο:Paper7fig2.jpg | thumb | right | Εικόνα 2 – Αποτέλεσμα απεικόνισης δεδομένων ALS. ]]<br /> [[ Αρχείο:Paper7fig3.jpg | thumb | right | Εικόνα 3 – Αποτέλεσμα απεικόνισης από φωτογραμμομετρίκα δεδομένα . ]]<br /> Η περιοχή μελέτης, η οποία καλύπτει περίπου 2000 εκτάρια δάσους κρατικής ιδιοκτησίας, βρίσκεται στο δήμο του Evo, στη Νότια Φινλανδία. Το υλικό της μελέτης αποτελούνταν από 51 ψηφιακές και ορθο-φωτογράφησης έγχρωμου και υπέρυθρου φάσματος (CIR), και μετρήσεις στοιχείων ALS, από 402 ομόκεντρα κυκλικά οικόπεδα. Όλα τα δεδομένα και οι μετρήσεις πεδίου αποκτήθηκαν το 2009. Το υλικό αναφοράς του τομέα συγκεντρώθηκε με βάση προηγούμενα δεδομένα ALS και αεροφωτογραφίες από το 2007. <br /> Τα αγροτεμάχια εντοπίστηκαν με τη βοήθεια μιας συσκευής GPS. Ελήφθησαν δείγματα σε συνολικά 468 κυκλικές επιφάνειες δείγματος (βλέπε Εικ. 1.), με ακτίνα 9,77 m,, και σε 402 από αυτούς είχαν αυξανόμενο απόθεμα (δηλαδή, στέκονται δέντρα). Ο αριθμός των ψηλών δέντρων που μετρήθηκαν ήταν 8763. Οι ακόλουθες μεταβλητές καταγράφονται για κάθε ψηλό δέντρο: είδη δέντρων, διάμετρος σε ύψος 1,3 m, το ύψος της κόμης, και η διάμετρος της κόμης.<br /> <br /> Η αεροφωτογραφίες πάρθηκαν με τη βοήθεια ενός αισθητήρα Microsoft UltracamXp στερεοσκοπικής απεικόνισης με επικάλυψη 70%. Η ανάλυση εδάφους ήταν περίπου 0,25 m. Εκτός από RGB και CIR οι ορθοφωτογραφίες παραδόθηκαν σε 16-bit ψηφιακό GeoTIFF σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> Τα δεδομένα ALS αποκτήθηκαν από μια Leica ALS50-II με σαρωτή λέιζερ SN058. Η σάρωση πραγματοποιήθηκε με ελικόπτερο από ένα υψόμετρο 400 m πάνω από έδαφος. Το αποτύπωμα φωτοεντοπισμού ήταν 10 cm και η πυκνότητα παλμών 10,43 pulses/m2. Τα ALS δεδομένα παραδόθηκαν σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Τρεις υφιστάμενους αλγορίθμους, που εφαρμόζουν λόγους στα προεπιλεγμένα κανάλια μπλε-πράσινο για να υπολογιστεί η χλωροφύλλη. Οι αλγόριθμοι βασίζονται σε παλινδρόμηση μεταξύ καναλιών μπλε / πράσινο με Chla, και η FLH και MCI .<br /> <br /> Πριν από την παραγωγή φωτογραμμετρικών DSM οι αεροφωτογραφίες μετατράπηκαν σε 8-bit. <br /> Για την παραγωγή υψηλής ανάλυσης DSM, χρησιμοποιήθηκε το λογισμικό SET SOCET (από την BAE Systems).<br /> Το λογισμικό παρέχει πολλές στρατηγικές συσχέτισης, για διαφορετικά περιεχόμενα της εικόνας (π.χ., αστικές, επίπεδες ομοιογενείς, λοφώδεις, και απόκρημνες περιοχές). <br /> Η μέθοδος παράγει ακανόνιστα απέχοντα νέφη σημείων, από τα οποία ένα τριγωνικό ακανόνιστο δίκτυο δημιουργείται, τα οποία εξυπηρετών ως βάση για το DSM. Στην παραγωγή του πλέγματος DSM, η περιοχή θα πρέπει να έχει επαρκείς μετρήσεις σημείου , αυτό σημαίνει ότι το ελάχιστο μέγεθος ενός αντικειμένου να είναι 2n Χ 2n , όπου n είναι η αρχική απόσταση του πλέγματος. Ως εκ τούτου, η ανάλυση του προκύπτοντος DSM ορίστηκε έως 0,5 m. <br /> <br /> Μια μορφή DTM με βάση τα στοιχεία ALS δημιουργήθηκε για την περιοχή μελέτης, με τη βοήθεια της ηχώ του εδάφους για παλμούς lidar. Το μέγεθος αναλυσης του DTM ορίστηκε σε 0,5 m. <br /> Για λόγους σύγκρισης της απόδοσης του μοντέλου επιφάνειας που προέρχεται από αεροφωτογραφίες και δεδομένα ALS, τα χαρακτηριστικά εξήχθησαν από τα δύο μεθόδους. Πρώτα, το ύψος του φυλλώματος καθορίστηκε από φωτογραμμετρικά δεδομένα ως η διαφορά μεταξύ των φωτογραμμετρικών DSMs και DTM που βασίζονται σε ALS. Στη συνέχεια, γίνεται στατιστική ανάλυση με βάση τη κατακόρυφη κατανομή του ύψους κόμης για τις περιοχές δείγματος επαλήθευσης.Οι απεικονίσεις των δεδομένων ενδεικτικά φαίνονται στις εικόνες 2 και 3.<br /> Σε γενικές γραμμές, τα χαρακτηριστικά εξάγονται από δεδομένα ALS ειναι<br /> καλύτερα από ό,τι τα χαρακτηριστικά γνωρίσματα που εξάγονται από φωτογραμμετρικους υπολογισμούς ύψους φυλλώματος για την εκτίμηση των δασικών μεταβολων.<br /> <br /> Την μεγαλύτερη ακρίβεια είχαν και οι δύο πηγές δεδομένων κατά την εκτίμηση του κυρίαρχου ύψος και το μέσου ύψος, όπου η φωτογραμμετρικη μέθοδος είχε με μικρή διαφορά καλύτερα αποτελέσματα.<br /> Από αυτά τα αποτελέσματα, οι σχετικές τιμές των RMSE φωτογραμμετρικου υπολογισμού ύψους φυλλώματος ήταν για μέση διάμετρο, δασική περιοχή, μέσο ύψος, κυρίαρχο ύψος, και ο μέσο όγκο, σε 33,67%, 36,23%, 28,23%, 18,17%, και<br /> 40.39%, αντίστοιχα. Για το ALS δεδομένων, η αντίστοιχη σχετική RMSE τιμές ήταν 25,26%, 27,89%, 18,61%, 11,79% και 31,26%. <br /> Η διαφορά μεταξύ δεδομένων από αεροφωτογραφίες και ALS ήταν μικρότερη (5,39% μονάδες) κατά την εκτίμησή του μέσου ύψος. Η μεγαλύτερη διαφορά (9,31% μονάδες) παρατηρείται στις εκτιμήσεις για τον όγκο.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Όπως σημειώνεται παραπάνω, τα υπολογιζόμενα χαρακτηριστικά με ALS γενικώς εκτελούνται καλύτερα από τα χαρακτηριστικά που προέρχονται από φωτογραμμετρικα δεδωμενα. Επιπλέον, η ακρίβεια εκτίμησης και με τις δύο πηγές δεδομένων μπορεί να συγκριθεί με την ακρίβεια των πληροφοριών που παράγεται από τις παραδοσιακές επί τόπου οπτικές μεθόδους.<br /> Υπάρχουν λίγες μελέτες σχετικά με το θέμα της χρήσης φωτογραμμετρικών μεθόδων υπολογισμού ύψους φυλλώματος των δασών σε παρόμοιες συνθήκες. Πιθανές αιτίες της ανακρίβειες μπορεί να οφείλετε σε σφάλματα στη μέτρηση πεδίου και στη θέση του πεδίου δειγματοληπτικές επιφάνειες.<br /> <br /> Επιπλέων κατά τον έλεγχο διαπιστώθηκαν σημαντικά λάθη, ότι σε πολλά οικόπεδα είχαν παλμούς λέιζερ που αντιστοιχούσαν σε σημαντικά μεγαλύτερα ύψη από αυτά που μετρήθηκαν στο πεδίο. Αυτή η ανωμαλία αποδείχθηκε να προκαλείται από τα δέντρα των οποίων στελέχη ήταν έξω από την μέγιστη ακτίνα του οικοπέδου δείγμα, αλλά των οποίων ο κλάδους έφτασε μέσα στο οικόπεδο. <br /> Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι οι φωτογραμμετρικοι υπολογισμοί ύψους φυλλώματος έχουν μεγάλες δυνατότητες ως μια οικονομικά αποδοτική μέθοδος για τον υπολογισμό και ενημέρωση πληροφορίας για τα δάση, σε σύγκριση με εφαρμογές οπου βασίζονται σε LIDAR.<br /> <br /> Σε περαιτέρω μελέτες, τα ακόλουθα θέματα, πρέπει να εξεταστούν: ποιες είναι οι βέλτιστες χαρακτηριστικές των φωτογραμμετρικών μοντέλων επιφανειών για την εκτίμηση των μεταβολών των δασικών και πώς να συνδυάζουν τις πληροφορίες των φωτογραμμετρικών μοντέλα επιφανειών με τα χαρακτηριστικά φασματικής υπογραφής και υφής των εναερίων εικόνων. <br /> Επιπλέον, θα ήταν σημαντικό να κατανοήσουμε το βαθμό στον οποίο τα αποτελέσματα που παρουσιάζονται εδώ είναι εφαρμόσιμα σε συνθήκες διαφορετικές από εκείνες της αρκτικής ζώνης.<br /> <br /> [[category:Δασοπονία, Δασική διαχείριση]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%9B%CF%8D%CE%BA%CE%BF%CF%82_%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%BF%CF%82 2013-01-29T17:26:02Z

<p>Clikos: </p> <hr /> <div>''''Αρθρα'''<br /> <br /> * [[Η χρήση της τηλεπισκόπησης για την διαχείριση της αστικής δυναμικής]]<br /> * [[Αλγόριθμος τηλεπισκόπησης των αιωρούμενων σωματιδίων για την περιοχή της ανατολικής σινικής θάλασσας]]<br /> * [[Βελτίωση των Ψηφιακων Μοντέλων Εδάφους στις Αστικές Περιοχές χρησιμοποιώντας Αλγόριθμο ελαχίστων τετραγώνων]]<br /> * [[Η αστική ανάπτυξη των πόλεων Washington, D.C.–Baltimore, MD για την χρονική περίοδο 1984 έως 2010 ]]<br /> * [[Η εκτίμηση της εδαφικής κάλυψης από μορφές ανάπτυξης και γυμνού εδάφους στις σαβάνες ]]<br /> * [[Αξιολόγηση της χλωροφύλλης , με αλγόριθμο οπτικής ανίχνευσης ]]<br /> * [[Εκτίμηση δασικής μεταβολής χρησιμοποιώντας υψηλής ανάλυσης ψηφιακό επιφάνεικο μοντέλο ]]<br /> <br /> * υπο κατασκευη<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE%CF%82_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%88%CE%B7%CF%86%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%BA%CE%BF_%CE%BC%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF 2013-01-29T17:24:08Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' «Forest variable estimation using a high-resolution digital surface model»<br /> <br /> <br /> '''Συγγραφείς:''' By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala <br /> <br /> posted on 20 August, 2012 in Articles, ISPRS Journal of Photogrammetry and Remote Sensing 74 (2012) 78–84<br /> <br /> '''Πηγή:''' Elsevier <br /> <br /> «Εκτίμηση δασικής μεταβολής χρησιμοποιώντας υψηλής ανάλυσης ψηφιακό επιφάνεικο μοντέλο»<br /> <br /> H σάρωση με λέιζερ με χρήση αεροσκαφών θεωρείται σήμερα η πιο ακριβή μέθοδος ανίχνευσης εξ αποστάσεως για την απογραφή των δασών. Το κύριο πλεονέκτημα της σάρωσης laser είναι τα τρισδιάστατα δεδομένα. Τα ψηφιακά μοντέλα επιφάνειας απαιτούν υψηλής ανάλυσης αεροφωτογραφίες. Σε αυτή τη μελέτη μετρήθηκε το ύψος της κόμης των δένδρων. Στη Φινλανδία, έχει υιοθετηθεί ένα νέο σύστημα απογραφής των δασών. Η παραδοσιακή καταγραφή με βάση την οπτική, που απαιτούσε μεγάλη επιτόπια έρευνα, αντικαθίσταται με την πιο εκτεταμένη χρήση της τηλεπισκόπησης δεδομένων για να μειωθεί το κόστος.<br /> Η μέθοδος απογραφής των δασών βασίζεται στην ερμηνεία δεδομένων από αερομεταφερόμενων σαρώσεων με λέιζερ (ALS) και ψηφιακών αεροφωτογραφιών. Συνήθως τα δείγματα είναι , χαμηλής πυκνότητας ALS (τυπικά Pulses/m2 0,5 - 2) και ψηφιακών αεροφωτογραφιών με χωρική ανάλυση από 0,25 έως 0,5 m (που καλύπτουν ορατό και εγγύς υπέρυθρο μήκος κύματος).<br /> Σε προηγούμενες μελέτες, από δεδομένα ALS έχει αποδειχθεί ότι παράγετε καλό αποτέλεσμα στην εκτίμηση του δάσους και είναι ιδιαίτερα κατάλληλα για την εκτίμηση των χαρακτηριστικών των δασών που σχετίζονται με φυσικές διαστάσεις των δέντρων, όπως το ύψος και η περίπτερος. <br /> <br /> Με τη βοήθεια δεδομένων ALS, μπορεί να προκύψει ένα τρισδιάστατο (3D) μοντέλο της επιφάνειας του δάσους. Δεδομένου ότι είναι δυνατόν να διακρίνει παλμούς λέιζερ που ανακλάται από την επιφάνεια του εδάφους από εκείνων που ανακλάται από το φύλλωμα των δέντρων, μπορούν να δημιουργηθούν και τα ψηφιακά μοντέλα εδάφους (DTMs) και ψηφιακά μοντέλα επιφάνειας (DSMs) .<br /> Ψηφιακά μοντέλα επιφάνειας (DSMs) είναι δυνατόν να προκύψουν και με πολύ υψηλής ανάλυσης αεροφωτογραφίες στερεοσκοπικής κάλυψης. Από αυτό του είδους φωτογραφίες έχει αναφερθεί ότι είναι ανάλογης ποιότητας με τα μοντέλα που παράγονται. Με την αύξηση της πυκνότητας του φυλλώματος, καθίσταται δύσκολο να προκύψει μια ακριβείς DTM με φωτογραμμετρικές μεθόδους. <br /> <br /> Εάν ένα υψηλής ποιότητας DTM είναι διαθέσιμες, θα μπορούσαν να χρησιμοποιηθουν στην ανάλυση, αφού μπορεί κανείς να υποθέσει ότι η επιφάνεια του εδάφους θα παραμείνει αμετάβλητη μεταξύ των διαδοχικών απογραφών δάσος. <br /> Εάν δεν είναι διαθέσιμο DTM, από δεδομένα ALS γίνεται αρχικά μοντελοποίηση το έδαφος. Στις μεταγενέστερες απογραφές, αρκεί να ξαναχτίσουν τα DSMs, τα οποία μπορούν να γίνουν από αεροφωτογραφίες και ψηφιακή φωτογραμμετρία, εφοσον η απόδοση των φωτογραμμετρικών μοντέλων επιφανειών είναι ικανοποιητική. <br /> Αυτό έχει τη δυνατότητα να οδηγήσει σε σημαντική μείωση του κόστους, επειδή η ALS σάρωση δεν θα χρειάζεται για κάθε κύκλο απογραφής. Αντ 'αυτού, το DSM θα μπορούσε να βασίζεται σε εναέριες εικόνες.<br /> <br /> Υπάρχουν πολλά πακέτα λογισμικού που διατίθενται για την εξαγωγή φωτογραμμετρικων μοντέλων επιφάνειας. Παρά το γεγονός ότι χρησιμοποιούν διαφορετικούς αλγορίθμους, η απόδοση ακρίβειά τους και τα προβλήματά τους είναι γενικά παρόμοια . Για παράδειγμα, έχουν παρατίθενται οι ακόλουθες περιπτώσεις που μπορεί να οδηγήσει σε ανακρίβειες στα μοντέλα επιφανειών: (1) μικρή ή καθόλου υφή, (2) ασυνέχειες αντικειμένου, (3) επαναλαμβανόμενα αντικείμενα, (4) κινούμενα αντικείμενα (όπως σκιές), (5) αποφράξεις, (6) πολυεπίπεδα ή διαφανή αντικείμενα, και (7) του κατοπτρικοί ανακλαστήρες ή άλλα ραδιομετρικά αντικείμενα. Αυτά τα προβλήματα εμφανίζονται εάν η απεικόνιση αποκτάται κατά τη διάρκεια της σεζόν απώλειας φυλλώματος).<br /> Ο στόχος αυτής της μελέτης ήταν να αναπτυχθεί μια μέθοδος για την εκτίμηση των χαρακτηριστικών των δασών και για την ενημέρωση των δεδομένων των δασικών πόρων με βάση αεροφωτογραφίες και ψηφιακή φωτογραμμετρία. Ο δεύτερος στόχος ήταν να εκτιμηθεί η ακρίβεια των εκτιμήσεων των δασών που βασίζονται σε ένα μοντέλο φωτογραμμετρικής επιφάνειας σε σύγκριση με τις μέθοδους που βασίζονται σε εναέρια σάρωση με λέιζερ.<br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper7fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση της περιοχής μελέτης. ]]<br /> [[ Αρχείο:Paper7fig2.jpg | thumb | right | Εικόνα 2 – Αποτέλεσμα απεικόνισης δεδομένων ALS. ]]<br /> [[ Αρχείο:Paper7fig3.jpg | thumb | right | Εικόνα 3 – Αποτέλεσμα απεικόνισης από φωτογραμμομετρίκα δεδομένα . ]]<br /> Η περιοχή μελέτης, η οποία καλύπτει περίπου 2000 εκτάρια δάσους κρατικής ιδιοκτησίας, βρίσκεται στο δήμο του Evo, στη Νότια Φινλανδία. Το υλικό της μελέτης αποτελούνταν από 51 ψηφιακές και ορθο-φωτογράφησης έγχρωμου και υπέρυθρου φάσματος (CIR), και μετρήσεις στοιχείων ALS, από 402 ομόκεντρα κυκλικά οικόπεδα. Όλα τα δεδομένα και οι μετρήσεις πεδίου αποκτήθηκαν το 2009. Το υλικό αναφοράς του τομέα συγκεντρώθηκε με βάση προηγούμενα δεδομένα ALS και αεροφωτογραφίες από το 2007. <br /> Τα αγροτεμάχια εντοπίστηκαν με τη βοήθεια μιας συσκευής GPS. Ελήφθησαν δείγματα σε συνολικά 468 κυκλικές επιφάνειες δείγματος (βλέπε Εικ. 1.), με ακτίνα 9,77 m,, και σε 402 από αυτούς είχαν αυξανόμενο απόθεμα (δηλαδή, στέκονται δέντρα). Ο αριθμός των ψηλών δέντρων που μετρήθηκαν ήταν 8763. Οι ακόλουθες μεταβλητές καταγράφονται για κάθε ψηλό δέντρο: είδη δέντρων, διάμετρος σε ύψος 1,3 m, το ύψος της κόμης, και η διάμετρος της κόμης.<br /> <br /> Η αεροφωτογραφίες πάρθηκαν με τη βοήθεια ενός αισθητήρα Microsoft UltracamXp στερεοσκοπικής απεικόνισης με επικάλυψη 70%. Η ανάλυση εδάφους ήταν περίπου 0,25 m. Εκτός από RGB και CIR οι ορθοφωτογραφίες παραδόθηκαν σε 16-bit ψηφιακό GeoTIFF σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> Τα δεδομένα ALS αποκτήθηκαν από μια Leica ALS50-II με σαρωτή λέιζερ SN058. Η σάρωση πραγματοποιήθηκε με ελικόπτερο από ένα υψόμετρο 400 m πάνω από έδαφος. Το αποτύπωμα φωτοεντοπισμού ήταν 10 cm και η πυκνότητα παλμών 10,43 pulses/m2. Τα ALS δεδομένα παραδόθηκαν σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Τρεις υφιστάμενους αλγορίθμους, που εφαρμόζουν λόγους στα προεπιλεγμένα κανάλια μπλε-πράσινο για να υπολογιστεί η χλωροφύλλη. Οι αλγόριθμοι βασίζονται σε παλινδρόμηση μεταξύ καναλιών μπλε / πράσινο με Chla, και η FLH και MCI .<br /> <br /> Πριν από την παραγωγή φωτογραμμετρικών DSM οι αεροφωτογραφίες μετατράπηκαν σε 8-bit. <br /> Για την παραγωγή υψηλής ανάλυσης DSM, χρησιμοποιήθηκε το λογισμικό SET SOCET (από την BAE Systems).<br /> Το λογισμικό παρέχει πολλές στρατηγικές συσχέτισης, για διαφορετικά περιεχόμενα της εικόνας (π.χ., αστικές, επίπεδες ομοιογενείς, λοφώδεις, και απόκρημνες περιοχές). <br /> Η μέθοδος παράγει ακανόνιστα απέχοντα νέφη σημείων, από τα οποία ένα τριγωνικό ακανόνιστο δίκτυο δημιουργείται, τα οποία εξυπηρετών ως βάση για το DSM. Στην παραγωγή του πλέγματος DSM, η περιοχή θα πρέπει να έχει επαρκείς μετρήσεις σημείου , αυτό σημαίνει ότι το ελάχιστο μέγεθος ενός αντικειμένου να είναι 2n Χ 2n , όπου n είναι η αρχική απόσταση του πλέγματος. Ως εκ τούτου, η ανάλυση του προκύπτοντος DSM ορίστηκε έως 0,5 m. <br /> <br /> Μια μορφή DTM με βάση τα στοιχεία ALS δημιουργήθηκε για την περιοχή μελέτης, με τη βοήθεια της ηχώ του εδάφους για παλμούς lidar. Το μέγεθος αναλυσης του DTM ορίστηκε σε 0,5 m. <br /> Για λόγους σύγκρισης της απόδοσης του μοντέλου επιφάνειας που προέρχεται από αεροφωτογραφίες και δεδομένα ALS, τα χαρακτηριστικά εξήχθησαν από τα δύο μεθόδους. Πρώτα, το ύψος του φυλλώματος καθορίστηκε από φωτογραμμετρικά δεδομένα ως η διαφορά μεταξύ των φωτογραμμετρικών DSMs και DTM που βασίζονται σε ALS. Στη συνέχεια, γίνεται στατιστική ανάλυση με βάση τη κατακόρυφη κατανομή του ύψους κόμης για τις περιοχές δείγματος επαλήθευσης.Οι απεικονίσεις των δεδομένων ενδεικτικά φαίνονται στις εικόνες 2 και 3.<br /> Σε γενικές γραμμές, τα χαρακτηριστικά εξάγονται από δεδομένα ALS ειναι<br /> καλύτερα από ό,τι τα χαρακτηριστικά γνωρίσματα που εξάγονται από φωτογραμμετρικους υπολογισμούς ύψους φυλλώματος για την εκτίμηση των δασικών μεταβολων.<br /> <br /> Την μεγαλύτερη ακρίβεια είχαν και οι δύο πηγές δεδομένων κατά την εκτίμηση του κυρίαρχου ύψος και το μέσου ύψος, όπου η φωτογραμμετρικη μέθοδος είχε με μικρή διαφορά καλύτερα αποτελέσματα.<br /> Από αυτά τα αποτελέσματα, οι σχετικές τιμές των RMSE φωτογραμμετρικου υπολογισμού ύψους φυλλώματος ήταν για μέση διάμετρο, δασική περιοχή, μέσο ύψος, κυρίαρχο ύψος, και ο μέσο όγκο, σε 33,67%, 36,23%, 28,23%, 18,17%, και<br /> 40.39%, αντίστοιχα. Για το ALS δεδομένων, η αντίστοιχη σχετική RMSE τιμές ήταν 25,26%, 27,89%, 18,61%, 11,79% και 31,26%. <br /> Η διαφορά μεταξύ δεδομένων από αεροφωτογραφίες και ALS ήταν μικρότερη (5,39% μονάδες) κατά την εκτίμησή του μέσου ύψος. Η μεγαλύτερη διαφορά (9,31% μονάδες) παρατηρείται στις εκτιμήσεις για τον όγκο.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Όπως σημειώνεται παραπάνω, τα υπολογιζόμενα χαρακτηριστικά με ALS γενικώς εκτελούνται καλύτερα από τα χαρακτηριστικά που προέρχονται από φωτογραμμετρικα δεδωμενα. Επιπλέον, η ακρίβεια εκτίμησης και με τις δύο πηγές δεδομένων μπορεί να συγκριθεί με την ακρίβεια των πληροφοριών που παράγεται από τις παραδοσιακές επί τόπου οπτικές μεθόδους.<br /> Υπάρχουν λίγες μελέτες σχετικά με το θέμα της χρήσης φωτογραμμετρικών μεθόδων υπολογισμού ύψους φυλλώματος των δασών σε παρόμοιες συνθήκες. Πιθανές αιτίες της ανακρίβειες μπορεί να οφείλετε σε σφάλματα στη μέτρηση πεδίου και στη θέση του πεδίου δειγματοληπτικές επιφάνειες.<br /> <br /> Επιπλέων κατά τον έλεγχο διαπιστώθηκαν σημαντικά λάθη, ότι σε πολλά οικόπεδα είχαν παλμούς λέιζερ που αντιστοιχούσαν σε σημαντικά μεγαλύτερα ύψη από αυτά που μετρήθηκαν στο πεδίο. Αυτή η ανωμαλία αποδείχθηκε να προκαλείται από τα δέντρα των οποίων στελέχη ήταν έξω από την μέγιστη ακτίνα του οικοπέδου δείγμα, αλλά των οποίων ο κλάδους έφτασε μέσα στο οικόπεδο. <br /> Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι οι φωτογραμμετρικοι υπολογισμοί ύψους φυλλώματος έχουν μεγάλες δυνατότητες ως μια οικονομικά αποδοτική μέθοδος για τον υπολογισμό και ενημέρωση πληροφορίας για τα δάση, σε σύγκριση με εφαρμογές οπου βασίζονται σε LIDAR.<br /> <br /> Σε περαιτέρω μελέτες, τα ακόλουθα θέματα, πρέπει να εξεταστούν: ποιες είναι οι βέλτιστες χαρακτηριστικές των φωτογραμμετρικών μοντέλων επιφανειών για την εκτίμηση των μεταβολών των δασικών και πώς να συνδυάζουν τις πληροφορίες των φωτογραμμετρικών μοντέλα επιφανειών με τα χαρακτηριστικά φασματικής υπογραφής και υφής των εναερίων εικόνων. <br /> Επιπλέον, θα ήταν σημαντικό να κατανοήσουμε το βαθμό στον οποίο τα αποτελέσματα που παρουσιάζονται εδώ είναι εφαρμόσιμα σε συνθήκες διαφορετικές από εκείνες της αρκτικής ζώνης.<br /> <br /> <br /> [[category:Αναγνώριση δασικών ειδών]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE%CF%82_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%88%CE%B7%CF%86%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%BA%CE%BF_%CE%BC%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF 2013-01-29T17:23:07Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' «Forest variable estimation using a high-resolution digital surface model»<br /> <br /> <br /> '''Συγγραφείς:''' By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala <br /> <br /> posted on 20 August, 2012 in Articles, ISPRS Journal of Photogrammetry and Remote Sensing 74 (2012) 78–84<br /> <br /> '''Πηγή:''' Elsevier <br /> <br /> «Εκτίμηση δασικής μεταβολής χρησιμοποιώντας υψηλής ανάλυσης ψηφιακό επιφάνεικο μοντέλο»<br /> <br /> H σάρωση με λέιζερ με χρήση αεροσκαφών θεωρείται σήμερα η πιο ακριβή μέθοδος ανίχνευσης εξ αποστάσεως για την απογραφή των δασών. Το κύριο πλεονέκτημα της σάρωσης laser είναι τα τρισδιάστατα δεδομένα. Τα ψηφιακά μοντέλα επιφάνειας απαιτούν υψηλής ανάλυσης αεροφωτογραφίες. Σε αυτή τη μελέτη μετρήθηκε το ύψος της κόμης των δένδρων. Στη Φινλανδία, έχει υιοθετηθεί ένα νέο σύστημα απογραφής των δασών. Η παραδοσιακή καταγραφή με βάση την οπτική, που απαιτούσε μεγάλη επιτόπια έρευνα, αντικαθίσταται με την πιο εκτεταμένη χρήση της τηλεπισκόπησης δεδομένων για να μειωθεί το κόστος.<br /> Η μέθοδος απογραφής των δασών βασίζεται στην ερμηνεία δεδομένων από αερομεταφερόμενων σαρώσεων με λέιζερ (ALS) και ψηφιακών αεροφωτογραφιών. Συνήθως τα δείγματα είναι , χαμηλής πυκνότητας ALS (τυπικά Pulses/m2 0,5 - 2) και ψηφιακών αεροφωτογραφιών με χωρική ανάλυση από 0,25 έως 0,5 m (που καλύπτουν ορατό και εγγύς υπέρυθρο μήκος κύματος).<br /> Σε προηγούμενες μελέτες, από δεδομένα ALS έχει αποδειχθεί ότι παράγετε καλό αποτέλεσμα στην εκτίμηση του δάσους και είναι ιδιαίτερα κατάλληλα για την εκτίμηση των χαρακτηριστικών των δασών που σχετίζονται με φυσικές διαστάσεις των δέντρων, όπως το ύψος και η περίπτερος. <br /> <br /> Με τη βοήθεια δεδομένων ALS, μπορεί να προκύψει ένα τρισδιάστατο (3D) μοντέλο της επιφάνειας του δάσους. Δεδομένου ότι είναι δυνατόν να διακρίνει παλμούς λέιζερ που ανακλάται από την επιφάνεια του εδάφους από εκείνων που ανακλάται από το φύλλωμα των δέντρων, μπορούν να δημιουργηθούν και τα ψηφιακά μοντέλα εδάφους (DTMs) και ψηφιακά μοντέλα επιφάνειας (DSMs) .<br /> Ψηφιακά μοντέλα επιφάνειας (DSMs) είναι δυνατόν να προκύψουν και με πολύ υψηλής ανάλυσης αεροφωτογραφίες στερεοσκοπικής κάλυψης. Από αυτό του είδους φωτογραφίες έχει αναφερθεί ότι είναι ανάλογης ποιότητας με τα μοντέλα που παράγονται. Με την αύξηση της πυκνότητας του φυλλώματος, καθίσταται δύσκολο να προκύψει μια ακριβείς DTM με φωτογραμμετρικές μεθόδους. <br /> <br /> Εάν ένα υψηλής ποιότητας DTM είναι διαθέσιμες, θα μπορούσαν να χρησιμοποιηθουν στην ανάλυση, αφού μπορεί κανείς να υποθέσει ότι η επιφάνεια του εδάφους θα παραμείνει αμετάβλητη μεταξύ των διαδοχικών απογραφών δάσος. <br /> Εάν δεν είναι διαθέσιμο DTM, από δεδομένα ALS γίνεται αρχικά μοντελοποίηση το έδαφος. Στις μεταγενέστερες απογραφές, αρκεί να ξαναχτίσουν τα DSMs, τα οποία μπορούν να γίνουν από αεροφωτογραφίες και ψηφιακή φωτογραμμετρία, εφοσον η απόδοση των φωτογραμμετρικών μοντέλων επιφανειών είναι ικανοποιητική. <br /> Αυτό έχει τη δυνατότητα να οδηγήσει σε σημαντική μείωση του κόστους, επειδή η ALS σάρωση δεν θα χρειάζεται για κάθε κύκλο απογραφής. Αντ 'αυτού, το DSM θα μπορούσε να βασίζεται σε εναέριες εικόνες.<br /> <br /> Υπάρχουν πολλά πακέτα λογισμικού που διατίθενται για την εξαγωγή φωτογραμμετρικων μοντέλων επιφάνειας. Παρά το γεγονός ότι χρησιμοποιούν διαφορετικούς αλγορίθμους, η απόδοση ακρίβειά τους και τα προβλήματά τους είναι γενικά παρόμοια . Για παράδειγμα, έχουν παρατίθενται οι ακόλουθες περιπτώσεις που μπορεί να οδηγήσει σε ανακρίβειες στα μοντέλα επιφανειών: (1) μικρή ή καθόλου υφή, (2) ασυνέχειες αντικειμένου, (3) επαναλαμβανόμενα αντικείμενα, (4) κινούμενα αντικείμενα (όπως σκιές), (5) αποφράξεις, (6) πολυεπίπεδα ή διαφανή αντικείμενα, και (7) του κατοπτρικοί ανακλαστήρες ή άλλα ραδιομετρικά αντικείμενα. Αυτά τα προβλήματα εμφανίζονται εάν η απεικόνιση αποκτάται κατά τη διάρκεια της σεζόν απώλειας φυλλώματος).<br /> Ο στόχος αυτής της μελέτης ήταν να αναπτυχθεί μια μέθοδος για την εκτίμηση των χαρακτηριστικών των δασών και για την ενημέρωση των δεδομένων των δασικών πόρων με βάση αεροφωτογραφίες και ψηφιακή φωτογραμμετρία. Ο δεύτερος στόχος ήταν να εκτιμηθεί η ακρίβεια των εκτιμήσεων των δασών που βασίζονται σε ένα μοντέλο φωτογραμμετρικής επιφάνειας σε σύγκριση με τις μέθοδους που βασίζονται σε εναέρια σάρωση με λέιζερ.<br /> <br /> '''Εισαγωγη'''<br /> [[ Αρχείο:Paper7fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση της περιοχής μελέτης. ]]<br /> [[ Αρχείο:Paper7fig2.jpg | thumb | right | Εικόνα 2 – Αποτέλεσμα απεικόνισης δεδομένων ALS. ]]<br /> [[ Αρχείο:Paper7fig3.jpg | thumb | right | Εικόνα 3 – Αποτέλεσμα απεικόνισης από φωτογραμμομετρίκα δεδομένα . ]]<br /> Η περιοχή μελέτης, η οποία καλύπτει περίπου 2000 εκτάρια δάσους κρατικής ιδιοκτησίας, βρίσκεται στο δήμο του Evo, στη Νότια Φινλανδία. Το υλικό της μελέτης αποτελούνταν από 51 ψηφιακές και ορθο-φωτογράφησης έγχρωμου και υπέρυθρου φάσματος (CIR), και μετρήσεις στοιχείων ALS, από 402 ομόκεντρα κυκλικά οικόπεδα. Όλα τα δεδομένα και οι μετρήσεις πεδίου αποκτήθηκαν το 2009. Το υλικό αναφοράς του τομέα συγκεντρώθηκε με βάση προηγούμενα δεδομένα ALS και αεροφωτογραφίες από το 2007. <br /> Τα αγροτεμάχια εντοπίστηκαν με τη βοήθεια μιας συσκευής GPS. Ελήφθησαν δείγματα σε συνολικά 468 κυκλικές επιφάνειες δείγματος (βλέπε Εικ. 1.), με ακτίνα 9,77 m,, και σε 402 από αυτούς είχαν αυξανόμενο απόθεμα (δηλαδή, στέκονται δέντρα). Ο αριθμός των ψηλών δέντρων που μετρήθηκαν ήταν 8763. Οι ακόλουθες μεταβλητές καταγράφονται για κάθε ψηλό δέντρο: είδη δέντρων, διάμετρος σε ύψος 1,3 m, το ύψος της κόμης, και η διάμετρος της κόμης.<br /> <br /> Η αεροφωτογραφίες πάρθηκαν με τη βοήθεια ενός αισθητήρα Microsoft UltracamXp στερεοσκοπικής απεικόνισης με επικάλυψη 70%. Η ανάλυση εδάφους ήταν περίπου 0,25 m. Εκτός από RGB και CIR οι ορθοφωτογραφίες παραδόθηκαν σε 16-bit ψηφιακό GeoTIFF σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> Τα δεδομένα ALS αποκτήθηκαν από μια Leica ALS50-II με σαρωτή λέιζερ SN058. Η σάρωση πραγματοποιήθηκε με ελικόπτερο από ένα υψόμετρο 400 m πάνω από έδαφος. Το αποτύπωμα φωτοεντοπισμού ήταν 10 cm και η πυκνότητα παλμών 10,43 pulses/m2. Τα ALS δεδομένα παραδόθηκαν σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Τρεις υφιστάμενους αλγορίθμους, που εφαρμόζουν λόγους στα προεπιλεγμένα κανάλια μπλε-πράσινο για να υπολογιστεί η χλωροφύλλη. Οι αλγόριθμοι βασίζονται σε παλινδρόμηση μεταξύ καναλιών μπλε / πράσινο με Chla, και η FLH και MCI .<br /> <br /> Πριν από την παραγωγή φωτογραμμετρικών DSM οι αεροφωτογραφίες μετατράπηκαν σε 8-bit. <br /> Για την παραγωγή υψηλής ανάλυσης DSM, χρησιμοποιήθηκε το λογισμικό SET SOCET (από την BAE Systems).<br /> Το λογισμικό παρέχει πολλές στρατηγικές συσχέτισης, για διαφορετικά περιεχόμενα της εικόνας (π.χ., αστικές, επίπεδες ομοιογενείς, λοφώδεις, και απόκρημνες περιοχές). <br /> Η μέθοδος παράγει ακανόνιστα απέχοντα νέφη σημείων, από τα οποία ένα τριγωνικό ακανόνιστο δίκτυο δημιουργείται, τα οποία εξυπηρετών ως βάση για το DSM. Στην παραγωγή του πλέγματος DSM, η περιοχή θα πρέπει να έχει επαρκείς μετρήσεις σημείου , αυτό σημαίνει ότι το ελάχιστο μέγεθος ενός αντικειμένου να είναι 2n Χ 2n , όπου n είναι η αρχική απόσταση του πλέγματος. Ως εκ τούτου, η ανάλυση του προκύπτοντος DSM ορίστηκε έως 0,5 m. <br /> <br /> Μια μορφή DTM με βάση τα στοιχεία ALS δημιουργήθηκε για την περιοχή μελέτης, με τη βοήθεια της ηχώ του εδάφους για παλμούς lidar. Το μέγεθος αναλυσης του DTM ορίστηκε σε 0,5 m. <br /> Για λόγους σύγκρισης της απόδοσης του μοντέλου επιφάνειας που προέρχεται από αεροφωτογραφίες και δεδομένα ALS, τα χαρακτηριστικά εξήχθησαν από τα δύο μεθόδους. Πρώτα, το ύψος του φυλλώματος καθορίστηκε από φωτογραμμετρικά δεδομένα ως η διαφορά μεταξύ των φωτογραμμετρικών DSMs και DTM που βασίζονται σε ALS. Στη συνέχεια, γίνεται στατιστική ανάλυση με βάση τη κατακόρυφη κατανομή του ύψους κόμης για τις περιοχές δείγματος επαλήθευσης.Οι απεικονίσεις των δεδομένων ενδεικτικά φαίνονται στις εικόνες 2 και 3.<br /> Σε γενικές γραμμές, τα χαρακτηριστικά εξάγονται από δεδομένα ALS ειναι<br /> καλύτερα από ό,τι τα χαρακτηριστικά γνωρίσματα που εξάγονται από φωτογραμμετρικους υπολογισμούς ύψους φυλλώματος για την εκτίμηση των δασικών μεταβολων.<br /> <br /> Την μεγαλύτερη ακρίβεια είχαν και οι δύο πηγές δεδομένων κατά την εκτίμηση του κυρίαρχου ύψος και το μέσου ύψος, όπου η φωτογραμμετρικη μέθοδος είχε με μικρή διαφορά καλύτερα αποτελέσματα.<br /> Από αυτά τα αποτελέσματα, οι σχετικές τιμές των RMSE φωτογραμμετρικου υπολογισμού ύψους φυλλώματος ήταν για μέση διάμετρο, δασική περιοχή, μέσο ύψος, κυρίαρχο ύψος, και ο μέσο όγκο, σε 33,67%, 36,23%, 28,23%, 18,17%, και<br /> 40.39%, αντίστοιχα. Για το ALS δεδομένων, η αντίστοιχη σχετική RMSE τιμές ήταν 25,26%, 27,89%, 18,61%, 11,79% και 31,26%. <br /> Η διαφορά μεταξύ δεδομένων από αεροφωτογραφίες και ALS ήταν μικρότερη (5,39% μονάδες) κατά την εκτίμησή του μέσου ύψος. Η μεγαλύτερη διαφορά (9,31% μονάδες) παρατηρείται στις εκτιμήσεις για τον όγκο.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Όπως σημειώνεται παραπάνω, τα υπολογιζόμενα χαρακτηριστικά με ALS γενικώς εκτελούνται καλύτερα από τα χαρακτηριστικά που προέρχονται από φωτογραμμετρικα δεδωμενα. Επιπλέον, η ακρίβεια εκτίμησης και με τις δύο πηγές δεδομένων μπορεί να συγκριθεί με την ακρίβεια των πληροφοριών που παράγεται από τις παραδοσιακές επί τόπου οπτικές μεθόδους.<br /> Υπάρχουν λίγες μελέτες σχετικά με το θέμα της χρήσης φωτογραμμετρικών μεθόδων υπολογισμού ύψους φυλλώματος των δασών σε παρόμοιες συνθήκες. Πιθανές αιτίες της ανακρίβειες μπορεί να οφείλετε σε σφάλματα στη μέτρηση πεδίου και στη θέση του πεδίου δειγματοληπτικές επιφάνειες.<br /> <br /> Επιπλέων κατά τον έλεγχο διαπιστώθηκαν σημαντικά λάθη, ότι σε πολλά οικόπεδα είχαν παλμούς λέιζερ που αντιστοιχούσαν σε σημαντικά μεγαλύτερα ύψη από αυτά που μετρήθηκαν στο πεδίο. Αυτή η ανωμαλία αποδείχθηκε να προκαλείται από τα δέντρα των οποίων στελέχη ήταν έξω από την μέγιστη ακτίνα του οικοπέδου δείγμα, αλλά των οποίων ο κλάδους έφτασε μέσα στο οικόπεδο. <br /> Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι οι φωτογραμμετρικοι υπολογισμοί ύψους φυλλώματος έχουν μεγάλες δυνατότητες ως μια οικονομικά αποδοτική μέθοδος για τον υπολογισμό και ενημέρωση πληροφορίας για τα δάση, σε σύγκριση με εφαρμογές οπου βασίζονται σε LIDAR.<br /> <br /> Σε περαιτέρω μελέτες, τα ακόλουθα θέματα, πρέπει να εξεταστούν: ποιες είναι οι βέλτιστες χαρακτηριστικές των φωτογραμμετρικών μοντέλων επιφανειών για την εκτίμηση των μεταβολών των δασικών και πώς να συνδυάζουν τις πληροφορίες των φωτογραμμετρικών μοντέλα επιφανειών με τα χαρακτηριστικά φασματικής υπογραφής και υφής των εναερίων εικόνων. <br /> Επιπλέον, θα ήταν σημαντικό να κατανοήσουμε το βαθμό στον οποίο τα αποτελέσματα που παρουσιάζονται εδώ είναι εφαρμόσιμα σε συνθήκες διαφορετικές<br /> από εκείνα του αρκτικού ζώνης.<br /> <br /> <br /> [[category:Αναγνώριση δασικών ειδών]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper7fig3.jpg 2013-01-29T17:21:36Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper7fig2.jpg 2013-01-29T17:21:21Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CF%87%CE%B5%CE%AF%CE%BF:Paper7fig1.jpg 2013-01-29T17:21:08Z

<p>Clikos: </p> <hr /> <div></div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BA%CF%84%CE%AF%CE%BC%CE%B7%CF%83%CE%B7_%CE%B4%CE%B1%CF%83%CE%B9%CE%BA%CE%AE%CF%82_%CE%BC%CE%B5%CF%84%CE%B1%CE%B2%CE%BF%CE%BB%CE%AE%CF%82_%CF%87%CF%81%CE%B7%CF%83%CE%B9%CE%BC%CE%BF%CF%80%CE%BF%CE%B9%CF%8E%CE%BD%CF%84%CE%B1%CF%82_%CF%85%CF%88%CE%B7%CE%BB%CE%AE%CF%82_%CE%B1%CE%BD%CE%AC%CE%BB%CF%85%CF%83%CE%B7%CF%82_%CF%88%CE%B7%CF%86%CE%B9%CE%B1%CE%BA%CF%8C_%CE%B5%CF%80%CE%B9%CF%86%CE%AC%CE%BD%CE%B5%CE%B9%CE%BA%CE%BF_%CE%BC%CE%BF%CE%BD%CF%84%CE%AD%CE%BB%CE%BF 2013-01-29T17:19:18Z

<p>Clikos: Νέα σελίδα με '«Forest variable estimation using a high-resolution digital surface model» By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala , p...'</p> <hr /> <div>«Forest variable estimation using a high-resolution digital surface model»<br /> <br /> <br /> By J. Jarnstedt , A. Pekkarinen , S. Tuominen , C. Ginzler , M. Holopainen , R. Viitala <br /> , posted on 20 August, 2012 in Articles, ISPRS Journal of Photogrammetry and Remote Sensing 74 (2012) 78–84, Elsevier <br /> <br /> «Εκτίμηση δασικής μεταβολής χρησιμοποιώντας υψηλής ανάλυσης ψηφιακό επιφάνεικο μοντέλο»<br /> <br /> H σάρωση με λέιζερ με χρήση αεροσκαφών θεωρείται σήμερα η πιο ακριβή μέθοδος ανίχνευσης εξ αποστάσεως για την απογραφή των δασών. Το κύριο πλεονέκτημα της σάρωσης laser είναι τα τρισδιάστατα δεδομένα. Τα ψηφιακά μοντέλα επιφάνειας απαιτούν υψηλής ανάλυσης αεροφωτογραφίες. Σε αυτή τη μελέτη μετρήθηκε το ύψος της κόμης των δένδρων. Στη Φινλανδία, έχει υιοθετηθεί ένα νέο σύστημα απογραφής των δασών. Η παραδοσιακή καταγραφή με βάση την οπτική, που απαιτούσε μεγάλη επιτόπια έρευνα, αντικαθίσταται με την πιο εκτεταμένη χρήση της τηλεπισκόπησης δεδομένων για να μειωθεί το κόστος.<br /> Η μέθοδος απογραφής των δασών βασίζεται στην ερμηνεία δεδομένων από αερομεταφερόμενων σαρώσεων με λέιζερ (ALS) και ψηφιακών αεροφωτογραφιών. Συνήθως τα δείγματα είναι , χαμηλής πυκνότητας ALS (τυπικά Pulses/m2 0,5 - 2) και ψηφιακών αεροφωτογραφιών με χωρική ανάλυση από 0,25 έως 0,5 m (που καλύπτουν ορατό και εγγύς υπέρυθρο μήκος κύματος).<br /> Σε προηγούμενες μελέτες, από δεδομένα ALS έχει αποδειχθεί ότι παράγετε καλό αποτέλεσμα στην εκτίμηση του δάσους και είναι ιδιαίτερα κατάλληλα για την εκτίμηση των χαρακτηριστικών των δασών που σχετίζονται με φυσικές διαστάσεις των δέντρων, όπως το ύψος και η περίπτερος. <br /> <br /> Με τη βοήθεια δεδομένων ALS, μπορεί να προκύψει ένα τρισδιάστατο (3D) μοντέλο της επιφάνειας του δάσους. Δεδομένου ότι είναι δυνατόν να διακρίνει παλμούς λέιζερ που ανακλάται από την επιφάνεια του εδάφους από εκείνων που ανακλάται από το φύλλωμα των δέντρων, μπορούν να δημιουργηθούν και τα ψηφιακά μοντέλα εδάφους (DTMs) και ψηφιακά μοντέλα επιφάνειας (DSMs) .<br /> Ψηφιακά μοντέλα επιφάνειας (DSMs) είναι δυνατόν να προκύψουν και με πολύ υψηλής ανάλυσης αεροφωτογραφίες στερεοσκοπικής κάλυψης. Από αυτό του είδους φωτογραφίες έχει αναφερθεί ότι είναι ανάλογης ποιότητας με τα μοντέλα που παράγονται. Με την αύξηση της πυκνότητας του φυλλώματος, καθίσταται δύσκολο να προκύψει μια ακριβείς DTM με φωτογραμμετρικές μεθόδους. <br /> Εάν ένα υψηλής ποιότητας DTM είναι διαθέσιμες, θα μπορούσαν να χρησιμοποιηθουν στην ανάλυση, αφού μπορεί κανείς να υποθέσει ότι η επιφάνεια του εδάφους θα παραμείνει αμετάβλητη μεταξύ των διαδοχικών απογραφών δάσος. <br /> Εάν δεν είναι διαθέσιμο DTM, από δεδομένα ALS γίνεται αρχικά μοντελοποίηση το έδαφος. Στις μεταγενέστερες απογραφές, αρκεί να ξαναχτίσουν τα DSMs, τα οποία μπορούν να γίνουν από αεροφωτογραφίες και ψηφιακή φωτογραμμετρία, εφοσον η απόδοση των φωτογραμμετρικών μοντέλων επιφανειών είναι ικανοποιητική. <br /> Αυτό έχει τη δυνατότητα να οδηγήσει σε σημαντική μείωση του κόστους, επειδή η ALS σάρωση δεν θα χρειάζεται για κάθε κύκλο απογραφής. Αντ 'αυτού, το DSM θα μπορούσε να βασίζεται σε εναέριες εικόνες.<br /> <br /> Υπάρχουν πολλά πακέτα λογισμικού που διατίθενται για την εξαγωγή φωτογραμμετρικων μοντέλων επιφάνειας. Παρά το γεγονός ότι χρησιμοποιούν διαφορετικούς αλγορίθμους, η απόδοση ακρίβειά τους και τα προβλήματά τους είναι γενικά παρόμοια . Για παράδειγμα, έχουν παρατίθενται οι ακόλουθες περιπτώσεις που μπορεί να οδηγήσει σε ανακρίβειες στα μοντέλα επιφανειών: (1) μικρή ή καθόλου υφή, (2) ασυνέχειες αντικειμένου, (3) επαναλαμβανόμενα αντικείμενα, (4) κινούμενα αντικείμενα (όπως σκιές), (5) αποφράξεις, (6) πολυεπίπεδα ή διαφανή αντικείμενα, και (7) του κατοπτρικοί ανακλαστήρες ή άλλα ραδιομετρικά αντικείμενα. Αυτά τα προβλήματα εμφανίζονται εάν η απεικόνιση αποκτάται κατά τη διάρκεια της σεζόν απώλειας φυλλώματος).<br /> Ο στόχος αυτής της μελέτης ήταν να αναπτυχθεί μια μέθοδος για την εκτίμηση των χαρακτηριστικών των δασών και για την ενημέρωση των δεδομένων των δασικών πόρων με βάση αεροφωτογραφίες και ψηφιακή φωτογραμμετρία. Ο δεύτερος στόχος ήταν να εκτιμηθεί η ακρίβεια των εκτιμήσεων των δασών που βασίζονται σε ένα μοντέλο φωτογραμμετρικής επιφάνειας σε σύγκριση με τις μέθοδους που βασίζονται σε εναέρια σάρωση με λέιζερ.<br /> <br /> '''Εισαγωγη'''<br /> <br /> Η περιοχή μελέτης, η οποία καλύπτει περίπου 2000 εκτάρια δάσους κρατικής ιδιοκτησίας, βρίσκεται στο δήμο του Evo, στη Νότια Φινλανδία. Το υλικό της μελέτης αποτελούνταν από 51 ψηφιακές και ορθο-φωτογράφησης έγχρωμου και υπέρυθρου φάσματος (CIR), και μετρήσεις στοιχείων ALS, από 402 ομόκεντρα κυκλικά οικόπεδα. Όλα τα δεδομένα και οι μετρήσεις πεδίου αποκτήθηκαν το 2009. Το υλικό αναφοράς του τομέα συγκεντρώθηκε με βάση προηγούμενα δεδομένα ALS και αεροφωτογραφίες από το 2007. <br /> Τα αγροτεμάχια εντοπίστηκαν με τη βοήθεια μιας συσκευής GPS. Ελήφθησαν δείγματα σε συνολικά 468 κυκλικές επιφάνειες δείγματος (βλέπε Εικ. 1.), με ακτίνα 9,77 m,, και σε 402 από αυτούς είχαν αυξανόμενο απόθεμα (δηλαδή, στέκονται δέντρα). Ο αριθμός των ψηλών δέντρων που μετρήθηκαν ήταν 8763. Οι ακόλουθες μεταβλητές καταγράφονται για κάθε ψηλό δέντρο: είδη δέντρων, διάμετρος σε ύψος 1,3 m, το ύψος της κόμης, και η διάμετρος της κόμης.<br /> <br /> Η αεροφωτογραφίες πάρθηκαν με τη βοήθεια ενός αισθητήρα Microsoft UltracamXp στερεοσκοπικής απεικόνισης με επικάλυψη 70%. Η ανάλυση εδάφους ήταν περίπου 0,25 m. Εκτός από RGB και CIR οι ορθοφωτογραφίες παραδόθηκαν σε 16-bit ψηφιακό GeoTIFF σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> Τα δεδομένα ALS αποκτήθηκαν από μια Leica ALS50-II με σαρωτή λέιζερ SN058. Η σάρωση πραγματοποιήθηκε με ελικόπτερο από ένα υψόμετρο 400 m πάνω από έδαφος. Το αποτύπωμα φωτοεντοπισμού ήταν 10 cm και η πυκνότητα παλμών 10,43 pulses/m2. Τα ALS δεδομένα παραδόθηκαν σε γεωγραφική αναφορά στο σύστημα συντεταγμένων EUREF-FIN (ETRS89).<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Τρεις υφιστάμενους αλγορίθμους, που εφαρμόζουν λόγους στα προεπιλεγμένα κανάλια μπλε-πράσινο για να υπολογιστεί η χλωροφύλλη. Οι αλγόριθμοι βασίζονται σε παλινδρόμηση μεταξύ καναλιών μπλε / πράσινο με Chla, και η FLH και MCI .<br /> <br /> Πριν από την παραγωγή φωτογραμμετρικών DSM οι αεροφωτογραφίες μετατράπηκαν σε 8-bit. <br /> Για την παραγωγή υψηλής ανάλυσης DSM, χρησιμοποιήθηκε το λογισμικό SET SOCET (από την BAE Systems).<br /> Το λογισμικό παρέχει πολλές στρατηγικές συσχέτισης, για διαφορετικά περιεχόμενα της εικόνας (π.χ., αστικές, επίπεδες ομοιογενείς, λοφώδεις, και απόκρημνες περιοχές). <br /> Η μέθοδος παράγει ακανόνιστα απέχοντα νέφη σημείων, από τα οποία ένα τριγωνικό ακανόνιστο δίκτυο δημιουργείται, τα οποία εξυπηρετών ως βάση για το DSM. Στην παραγωγή του πλέγματος DSM, η περιοχή θα πρέπει να έχει επαρκείς μετρήσεις σημείου , αυτό σημαίνει ότι το ελάχιστο μέγεθος ενός αντικειμένου να είναι 2n Χ 2n , όπου n είναι η αρχική απόσταση του πλέγματος. Ως εκ τούτου, η ανάλυση του προκύπτοντος DSM ορίστηκε έως 0,5 m. <br /> <br /> Μια μορφή DTM με βάση τα στοιχεία ALS δημιουργήθηκε για την περιοχή μελέτης, με τη βοήθεια της ηχώ του εδάφους για παλμούς lidar. Το μέγεθος αναλυσης του DTM ορίστηκε σε 0,5 m. <br /> Για λόγους σύγκρισης της απόδοσης του μοντέλου επιφάνειας που προέρχεται από αεροφωτογραφίες και δεδομένα ALS, τα χαρακτηριστικά εξήχθησαν από τα δύο μεθόδους. Πρώτα, το ύψος του φυλλώματος καθορίστηκε από φωτογραμμετρικά δεδομένα ως η διαφορά μεταξύ των φωτογραμμετρικών DSMs και DTM που βασίζονται σε ALS. Στη συνέχεια, γίνεται στατιστική ανάλυση με βάση τη κατακόρυφη κατανομή του ύψους κόμης για τις περιοχές δείγματος επαλήθευσης.Οι απεικονίσεις των δεδομένων ενδεικτικά φαίνονται στις εικόνες 2 και 3.<br /> Σε γενικές γραμμές, τα χαρακτηριστικά εξάγονται από δεδομένα ALS ειναι<br /> καλύτερα από ό,τι τα χαρακτηριστικά γνωρίσματα που εξάγονται από φωτογραμμετρικους υπολογισμούς ύψους φυλλώματος για την εκτίμηση των δασικών μεταβολων.<br /> <br /> Την μεγαλύτερη ακρίβεια είχαν και οι δύο πηγές δεδομένων κατά την εκτίμηση του κυρίαρχου ύψος και το μέσου ύψος, όπου η φωτογραμμετρικη μέθοδος είχε με μικρή διαφορά καλύτερα αποτελέσματα.<br /> Από αυτά τα αποτελέσματα, οι σχετικές τιμές των RMSE φωτογραμμετρικου υπολογισμού ύψους φυλλώματος ήταν για μέση διάμετρο, δασική περιοχή, μέσο ύψος, κυρίαρχο ύψος, και ο μέσο όγκο, σε 33,67%, 36,23%, 28,23%, 18,17%, και<br /> 40.39%, αντίστοιχα. Για το ALS δεδομένων, η αντίστοιχη σχετική RMSE τιμές ήταν 25,26%, 27,89%, 18,61%, 11,79% και 31,26%. <br /> Η διαφορά μεταξύ δεδομένων από αεροφωτογραφίες και ALS ήταν μικρότερη (5,39% μονάδες) κατά την εκτίμησή του μέσου ύψος. Η μεγαλύτερη διαφορά (9,31% μονάδες) παρατηρείται στις εκτιμήσεις για τον όγκο.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Όπως σημειώνεται παραπάνω, τα υπολογιζόμενα χαρακτηριστικά με ALS γενικώς εκτελούνται καλύτερα από τα χαρακτηριστικά που προέρχονται από φωτογραμμετρικα δεδωμενα.<br /> Επιπλέον, η ακρίβεια εκτίμησης και με τις δύο πηγές δεδομένων μπορεί να συγκριθεί με την ακρίβεια των πληροφοριών που παράγεται από τις παραδοσιακές επί τόπου οπτικές μεθόδους.<br /> Υπάρχουν λίγες μελέτες σχετικά με το θέμα της χρήσης φωτογραμμετρικών μεθόδων υπολογισμού ύψους φυλλώματος των δασών σε παρόμοιες συνθήκες. Πιθανές αιτίες της ανακρίβειες μπορεί να οφείλετε σε σφάλματα στη μέτρηση πεδίου και στη θέση του πεδίου δειγματοληπτικές επιφάνειες.<br /> <br /> Επιπλέων κατά τον έλεγχο διαπιστώθηκαν σημαντικά λάθη, ότι σε πολλά οικόπεδα είχαν παλμούς λέιζερ που αντιστοιχούσαν σε σημαντικά μεγαλύτερα ύψη από αυτά που μετρήθηκαν στο πεδίο. Αυτή η ανωμαλία αποδείχθηκε να προκαλείται από τα δέντρα των οποίων στελέχη ήταν έξω από την μέγιστη ακτίνα του οικοπέδου δείγμα, αλλά των οποίων ο κλάδους έφτασε μέσα στο οικόπεδο. <br /> Τα αποτελέσματα αυτής της μελέτης δείχνουν ότι οι φωτογραμμετρικοι υπολογισμοί ύψους φυλλώματος έχουν μεγάλες δυνατότητες ως μια οικονομικά αποδοτική μέθοδος για τον υπολογισμό και ενημέρωση πληροφορίας για τα δάση, σε σύγκριση με εφαρμογές οπου βασίζονται σε LIDAR.<br /> <br /> Σε περαιτέρω μελέτες, τα ακόλουθα θέματα, πρέπει να εξεταστούν: ποιες είναι οι βέλτιστες χαρακτηριστικές των φωτογραμμετρικών μοντέλων επιφανειών για την εκτίμηση των μεταβολών των δασικών και πώς να συνδυάζουν τις πληροφορίες των φωτογραμμετρικών μοντέλα επιφανειών με τα χαρακτηριστικά φασματικής υπογραφής και υφής των εναερίων εικόνων. <br /> Επιπλέον, θα ήταν σημαντικό να κατανοήσουμε το βαθμό στον οποίο τα αποτελέσματα που παρουσιάζονται εδώ είναι εφαρμόσιμα σε συνθήκες διαφορετικές<br /> από εκείνα του αρκτικού ζώνης.<br /> <br /> <br /> [[category:Αναγνώριση δασικών ειδών]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%9B%CF%8D%CE%BA%CE%BF%CF%82_%CE%A7%CF%81%CE%AE%CF%83%CF%84%CE%BF%CF%82 2013-01-29T17:09:41Z

<p>Clikos: </p> <hr /> <div>''''Αρθρα'''<br /> <br /> * [[Η χρήση της τηλεπισκόπησης για την διαχείριση της αστικής δυναμικής]]<br /> * [[Αλγόριθμος τηλεπισκόπησης των αιωρούμενων σωματιδίων για την περιοχή της ανατολικής σινικής θάλασσας]]<br /> * [[Βελτίωση των Ψηφιακων Μοντέλων Εδάφους στις Αστικές Περιοχές χρησιμοποιώντας Αλγόριθμο ελαχίστων τετραγώνων]]<br /> * [[Η αστική ανάπτυξη των πόλεων Washington, D.C.–Baltimore, MD για την χρονική περίοδο 1984 έως 2010 ]]<br /> * [[Η εκτίμηση της εδαφικής κάλυψης από μορφές ανάπτυξης και γυμνού εδάφους στις σαβάνες ]]<br /> * [[Αξιολόγηση της χλωροφύλλης , με αλγόριθμο οπτικής ανίχνευσης ]]<br /> <br /> * υπο κατασκευη<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Αθήνα)]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CF%87%CE%BB%CF%89%CF%81%CE%BF%CF%86%CF%8D%CE%BB%CE%BB%CE%B7%CF%82_,_%CE%BC%CE%B5_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7%CF%82 2013-01-29T17:09:07Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « Evaluation of chlorophyll-a remote sensing algorithms for an optically complex estuary »<br /> <br /> <br /> '''Συγγραφείς:''' By Chengfeng Le , Chuanmin Hu , Jennifer Cannizzaro , David English ,Frank Muller-Karger and Zhongping<br /> <br /> posted on 2 November, 2012 in Articles, Remote Sensing of Environment 129 (2013) 75–89<br /> <br /> '''Πηγή:''' Elsevier <br /> <br /> <br /> « Αξιολόγηση της χλωροφύλλης , με αλγόριθμο οπτικής ανίχνευσης » <br /> <br /> H εκτίμηση της συγκεντρώσεις χλωροφύλλης (Chla σε mg m-3) στο νερό με τη χρήση τηλεπισκόπισης είναι δύσκολη επειδή οι παραδοσιακοί εμπειρικοί (π.χ., OCX μπλε / πράσινη μπάντα αναλογίες) ή ημι-αναλυτικοί αλγόριθμοι (Π.χ., GSM ή QAA) βασίζονται σε μπλε-πράσινα μήκη κύματος, όπου οι οπτικές ιδιότητες των συστατικων του νερού συχνά κυριαρχούν.<br /> Ορισμένες πρόσφατες προσπάθειες έχουν γίνει για υπολογιστεί η Chla βάση του κόκκινου και υπέρυθρου μήκη κύματος για την αποφυγή τέτοιων προβλημάτων. Με in situ δεδομένα που καταγράφηκαν από τις 9 κρουαζιέρες μεταξύ 1998 και 2010 στην Tampa Bay, που βρίσκεται στη Φλόριντα (ΗΠΑ). Δοκιμάσθηκαν τρεις Chla αλγόριθμοι και ένας σύνθετος δείκτης χλωροφύλλης (SCI) <br /> [[ Αρχείο:Paper6fig1.jpg | thumb | right | Εικόνα 1 – Απεικόνιση της περιοχής μελέτης.]]<br /> [[ Αρχείο:Paper6fig2.jpg | thumb | right | Εικόνα 2 – Αποτελέσματα σε κανάλια μπλε/ πράσινο . ]]<br /> [[ Αρχείο:Paper6fig3.jpg | thumb | right | Εικόνα 3 – Αποτελέσματα σε κόκκινο και NIR κανάλι. ]]<br /> [[ Αρχείο:Paper6fig4.jpg | thumb | right | Εικόνα 4 – Απεικόνιση διαφορετικών αναλύσεων. ]]<br /> [[ Αρχείο:Paper6fig5.jpg | thumb | right | Εικόνα 5 – Απεικόνιση αποτελεσμάτων ταξινόμησης του ποσοστού χλωροφύλλης. ]]<br /> <br /> <br /> '''Εισαγωγη'''<br /> <br /> Σημαντικές πρόοδοι έχουν γίνει την τελευταία δεκαετία όσον αφορά την εφαρμογή τηλεπισκόπησης στην παρακολούθηση της ποιότητας του νερού παράκτια και εσωτερικά. Ιδιαίτερο ενδιαφέρον παρουσιάζουν τα στοιχεία που παρέχονται από τους δορυφορικούς αισθητήρες όπως ο MODIS, SeaWiFS και MERIS<br /> Οι παρατηρήσεις αυτές είναι κρίσιμες στην άρση του φαινομένου aliasing στις χρονικές και χωρικές έρευνες. Επιτυχίες έχουν καταδειχθεί σε αρκετές πρόσφατες δημοσιεύσεις σε μακροπρόθεσμα δορυφορικά δεδομένα για την εκτίμηση μεταβολής της ποιότητας του νερού στις εκβολές των ποταμών και των λιμνών.Πολλές από αυτές τις μελέτες έχουν επικεντρωθεί στις ιδιότητες όπως θολερότητα και διαύγεια του νερού διότι είναι σχετικά εύκολο να προέρχονται από δορυφορικές μετρήσεις.<br /> Η θολότητα είναι ένα προσεγγιστικό μέτρο της συγκέντρωσης των σωματιδίων στο νερό και κατ 'αρχήν μπορεί να μετράτε από την ανελαστικότητα σε κόκκινες ζώνες, οι οποίες είναι λιγότερο επιρρεπείς από την μπλε-πράσινο ζώνες που εμπεριέχουν σφάλματα λογω ατμοσφαιρικής επιρροής<br /> Η διαύγεια του νερού είναι ένα μέτρο του συνόλου απορρόφησης φωτός και σκέδασης των συστατικών στο νερό.<br /> Αυτές οι πρωτοποριακές μελέτες έδειξαν μια δυνατότητα με χρήση των δορυφορικών μετρήσεων για τη μακροσκοπική παρακολούθηση της ποιότητας των παράκτιων και εσωτερικών υδάτων.<br /> Εκτίμηση βιομάζας φυτοπλαγκτού και χλωροφύλλη-α (Chla σε mg m-3) σε θολά ύδατα των εκβολών ποταμών είναι πολύ δύσκολο. Δύο σημαντικά προβλήματα είναι η έλλειψη μεθόδου για την επαρκή διόρθωση της ατμοσφαιρικής επίδρασης για τον υπολογισμό της μπλε-πράσινο ανάκλασης και η έλλειψη ισχυρή βιο-οπτικών αλγορίθμων για να διαφοροποιήσει της Chla από άλλα συστατικά του νερού. <br /> Παρά το γεγονός ότι στις τελευταίες προσπάθειες αποφευχθεί η εμφάνιση μαύρων-pixel, χρησιμοποιώντας μεγαλύτερα μήκη κύματος, τα προβλήματα εξακολουθούν να υπάρχουν για τα μπλε μήκη κύματος όπου μερικές φορές οφείλεται στην απορρόφηση από τα αερολύματα. <br /> Η θεμελιώδης εξίσωση βιο-οπτικό συσχέτισης εκφράζεται ως <br /> Rrs(λ)=G * b(λ) / ( a(λ) + b(λ) )<br /> Όπου Rrs είναι η τηλεπισκόπηση ανάκλαση <br /> το G είναι ανεξάρτητη παράμετρος η οποία εξαρτάται από την γεωμετρία και την ηλιακή θέαση<br /> b (λ) είναι η συνολική οπισθοσκέδαση<br /> a (λ) είναι η συνολική απορρόφηση<br /> <br /> Οι Βιο-οπτικοι αλγόριθμοι χρησιμοποιούνται παραδοσιακά για προσδιορισμό της Chla στα ωκεάνια νερά από το μπλε / πράσινο κανάλι. Οι αλγόριθμοι αυτοί δεν αποδίδουν σε εκβολές ποταμών.<br /> Πολλές νέες προσεγγίσεις έχουν προταθεί για την χρησιμοποιήσει φασματικών ζωνών στο κόκκινο και στο εγγύς υπέρυθρο για την αποφυγή τέτοιων προβλημάτων, αλλά τα αποτελέσματα βασίζονται κυρίως σε επί τόπου παρατηρήσεις και η εφαρμογή τους σε δορυφορικά δεδομένα σπάνια έχει τεκμηριωθεί. <br /> Σε αυτή η μελέτη, θα αξιολογούν τις επιδόσεις των τεσσάρων αλγορίθμων, χρησιμοποιώντας όλα τα κόκκινο-NIR μήκη κύματος, με στόχο να αναζητήσει του καταλληλότερου αλγόριθμου για δορυφορικά δεδομένα πάνω σε θολές εκβολές ποταμών.<br /> Ο κόλπος Tampa Bay έχει επιφάνεια περίπου 1000 km2 και μέσο βάθος νερού 4m, είναι στη Φλόριντα, και σε αυτόν δοκιμάστηκα τέσσερεις μέθοδοι. Οι βιο-οπτικές ιδιότητες στα ύδατα του κόλπου Tampa Bay επηρεάζεται έντονα επίγεια κατά τη διάρκεια της υγρής περιόδου (Ιούνιος-Οκτωβρίου) και από τον άνεμο κατά την ξηρή περίοδο (Νοέμβριος-Μάιος). <br /> Δύο in situ σύνολα δεδομένων χρησιμοποιήθηκαν σε αυτή τη μελέτη, από εν πλω έρευνες με στόχο τη μέτρηση των βιο-οπτικών ιδιοτήτων και από τις μηνιαίες μετρήσεις Chla της επιφάνειας σε προκαθορισμένους σταθμούς.<br /> Το πρώτο σύνολο δεδομένων που περιέχονται ενενήντα επτά μετρήσεις ανελαστικότητα της Chla (Rrs (λ), της απορρόφησης από το φυτοπλαγκτόν (aph), (Σχ. 1). <br /> Τα δεδομένα MODIS-Aqua και MERIS τα πήραν από τη NASA Goddard Space Flight Center (http://oceancolor.gsfc.nasa.gov/), και η επεξεργασία έγινε με το λογισμικό SeaDAS, έκδοση 6,1. Τα MODIS δεδομένα είναι 1km ανάλυση, και MERIS δεδομένα είναι 300m ανάλυση, τα οποία είναι διαθέσιμα μόνο μετά το 2009 μέσω της NASA GSFC.<br /> Για την ανάπτυξη και επικύρωση του αλγόριθμου, χρησιμοποιήθηκαν τα ακόλουθα κριτήρια : <br /> 1) οι μετρήσεις θα πρέπει να είναι μέσα σε ένα στενό παράθυρο χρόνου ± 3 ώρες<br /> 2) μια δοκιμή ομοιογένειας χρησιμοποιείται για να διασφαλιστεί ότι το pixel εικόνας δεν έχει ετερόκλητα στοιχεια <br /> 3) και η μέση τιμή από ένα 3 × 3 πίνακα pixel χρησιμοποιούνται για το φιλτράρισμα του αισθητήρα από θόρυβο<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Τρεις υφιστάμενους αλγορίθμους, που εφαρμόζουν λόγους στα προεπιλεγμένα κανάλια μπλε-πράσινο για να υπολογιστεί η χλωροφύλλη. Οι αλγόριθμοι βασίζονται σε παλινδρόμηση μεταξύ καναλιών μπλε / πράσινο με Chla, και η FLH και MCI .<br /> Στη συνέχεια, δοκιμάστηκαν τέσσερις προσεγγίσεις για να υπολογιστεί από το Rrs (λ) η Chla. Αυτές περιλαμβάνουν τα ακόλουθα:<br /> (Ι) προσέγγιση δύο-καναλιων αναλογία με τη μορφή της Rrs (λ2) / Rrs (λ1) όπου λ1 βρίσκεται γύρω από την απορρόφηση φυτοπλαγκτόν με κορυφή στα 675 nm και λ2 βρίσκεται συνήθως μεταξύ 700 και 720 nm. Η προσέγγιση αυτή βασίζεται στις υποθέσεις ότι στο (λ1) κυριαρχείται από την απορρόφηση φυτοπλαγκτόν, στο (λ2) κυριαρχείται από την απορρόφηση του νερού και τέλος το b (λ) είναι ανεξάρτητο του λ μεταξύ λ1 και λ2. Στη συνέχεια, η Rrs (λ) μπορεί να προσεγγιστεί ως:<br /> Rrs(λ2) / Rrs(λ1) = [(aph(λ1) + aw(λ2)] / aw(λ2)<br /> <br /> (ΙΙ) προσέγγιση τριών ζωνών για μετρίως θολά νερά οπου η απορρόφηση από τα αιωρούμενα σωματίδια δεν μπορεί να παραμεληθεί. Έχει αναπτυχτεί μια προσέγγιση με μορφή [Rrs (λ1)^-1 - Rrs (λ2)^-1] * Rrs (λ3) (όπου λ1 στο κόκκινο κανάλι, και λ2 και λ3 ήταν στην ζώνη NIR).<br /> [Rrs (λ1)^-1 - Rrs (λ2)^-1] * Rrs (λ3) = [(aph(λ1) + aw(λ1) - aw(λ2)] / aw(λ2)<br /> <br /> (III) προσέγγιση τεσσάρων ζωνών για πολύ θολά νερά, όπου η απορρόφηση και η οπισθοσκέδαση των σωματιδίων στο λ3 δεν είναι πλέον αμελητέα.<br /> [Rrs (λ1)^-1 - Rrs (λ2)^-1] / [Rrs (λ4)^-1 - Rrs (λ3)^-1]<br /> = [(aph(λ1) + aw(λ1) - aw(λ2)] / [(aw(λ4) - aw(λ3)]<br /> <br /> (IV) προσέγγιση με χρήση ενός σύνθετου δείκτη χλωροφύλλης για την ελαχιστοποίηση της επίδρασης της υψηλής θολότητας στο FLH αλγόριθμο. Ο δείκτης SCI προτάθηκε για να εξάγει το Rrs (λ) <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Αρκετά νέα ευρήματα ελήφθησαν από αυτή τη μελέτη. Στην εικόνα 2 υπάρχουν τα αποτελέσματα της μεθόδου που βασίζεται στα κανάλια μπλε / πράσινο είτε Rrs (488) / Rrs (547) για τον αλγόριθμο OC3 ή Rrs (510) / Rrs (555) για τον αλγόριθμο OC4. Οι αλγόριθμοι αυτοί δεν χρησιμοποιήθηκαν για τις θολές εκβολές επειδή το μπλε φως είναι κατά κύριο λόγο επηρεάζεται από CDOM αντί της Chla. <br /> <br /> Στην εικόνα 3 υπάρχουν τα αποτελέσματα της μεθόδου για 2 , 3 και 4 κανάλια. Οι σχέσεις μεταξύ των τριών αλγόριθμων και των in situ μετρήσεων Chla παρουσιάζονται στα δεξιά πάνελ του Σχεδ. 3. Υπάρχει υψηλή συσχέτιση για όλες τις περιπτώσεις, με ένα συντελεστή προσδιορισμού (R2) &gt; 0,95 και μέσο σφάλμα (MRes) 30%. Όλες οι προσεγγίσεις (2-band, 3-band, 4-band, και SCI) έδειξαν την δυνατότητα υπολογισμού της χλωροφύλλης σε εκβολές. Οι αναλύσεις εικόνας έδειξε ότι η 2-band προσέγγιση ήταν η καλύτερη επιλογή για MERIS δεδομένα, με κάποιους περιορισμούς για νερά με χαμηλή Chla .<br /> Ο αλγόριθμος 2-band MERIS μπορεί να χρησιμοποιηθεί για την ανάπτυξη χρονοσειρών (2002-σήμερα) για Tampa Bay. Αυτό αντιπροσωπεύει μία σημαντικό ορόσημο για τη χρήση δορυφορικών δεδομένων για τη μακροπρόθεσμη αξιολόγηση των αλλαγών Chla σε εκβολές ποταμών νερά. <br /> Επίσης σημαντικό είναι ότι αν και όλοι οι αλγόριθμοι έδειξαν την δυναμική τους ικανότητα στα διαγράμματα διασποράς για τον υπολογισμο τις χλοροφυλης εντουτης στην αξιολογηση αναλύσεις εικόνας, σημείο-προς-σημείο ο αλγορίθμος 2-band ήταν η η μόνη επιλογή που παρέχεται ρεαλιστική εικόνα. <br /> Τέλος, αν και η εστίασή μας ήταν στην Tampa Bay, η προσέγγιση που χρησιμοποιείται εδώ θα μπορούσε να επεκταθεί σε πολλες άλλες εκβολές με παρόμοια<br /> βιο-οπτική μεταβλητότητα, όπως φαίνεται στο παράδειγμα Chesapeake Bay.<br /> <br /> <br /> [[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]</div>

Clikos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BE%CE%B9%CE%BF%CE%BB%CF%8C%CE%B3%CE%B7%CF%83%CE%B7_%CF%84%CE%B7%CF%82_%CF%87%CE%BB%CF%89%CF%81%CE%BF%CF%86%CF%8D%CE%BB%CE%BB%CE%B7%CF%82_,_%CE%BC%CE%B5_%CE%B1%CE%BB%CE%B3%CF%8C%CF%81%CE%B9%CE%B8%CE%BC%CE%BF_%CE%BF%CF%80%CF%84%CE%B9%CE%BA%CE%AE%CF%82_%CE%B1%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7%CF%82 2013-01-29T17:06:40Z

<p>Clikos: </p> <hr /> <div>'''Πρωτότυπος Τίτλος:''' « Evaluation of chlorophyll-a remote sensing algorithms for an optically complex estuary »<br /> <br /> <br /> '''Συγγραφείς:''' By Chengfeng Le , Chuanmin Hu , Jennifer Cannizzaro , David English ,Frank Muller-Karger and Zhongping<br /> <br /> posted on 2 November, 2012 in Articles, Remote Sensing of Environment 129 (2013) 75–89, Elsevier <br /> '''Πηγή:''' Elsevier <br /> <br /> « Αξιολόγηση της χλωροφύλλης , με αλγόριθμο οπτικής ανίχνευσης » <br /> <br /> <br /> H εκτίμηση της συγκεντρώσεις χλωροφύλλης (Chla σε mg m-3) στο νερό με τη χρήση τηλεπισκόπισης είναι δύσκολη επειδή οι παραδοσιακοί εμπειρικοί (π.χ., OCX μπλε / πράσινη μπάντα αναλογίες) ή ημι-αναλυτικοί αλγόριθμοι (Π.χ., GSM ή QAA) βασίζονται σε μπλε-πράσινα μήκη κύματος, όπου οι οπτικές ιδιότητες των συστατικων του νερού συχνά κυριαρχούν.<br /> Ορισμένες πρόσφατες προσπάθειες έχουν γίνει για υπολογιστεί η Chla βάση του κόκκινου και υπέρυθρου μήκη κύματος για την αποφυγή τέτοιων προβλημάτων. Με in situ δεδομένα που καταγράφηκαν από τις 9 κρουαζιέρες μεταξύ 1998 και 2010 στην Tampa Bay, που βρίσκεται στη Φλόριντα (ΗΠΑ). Δοκιμάσθηκαν τρεις Chla αλγόριθμοι και ένας σύνθετος δείκτης χλωροφύλλης (SCI) <br /> <br /> '''Εισαγωγη'''<br /> <br /> Σημαντικές πρόοδοι έχουν γίνει την τελευταία δεκαετία όσον αφορά την εφαρμογή τηλεπισκόπησης στην παρακολούθηση της ποιότητας του νερού παράκτια και εσωτερικά. Ιδιαίτερο ενδιαφέρον παρουσιάζουν τα στοιχεία που παρέχονται από τους δορυφορικούς αισθητήρες όπως ο MODIS, SeaWiFS και MERIS<br /> Οι παρατηρήσεις αυτές είναι κρίσιμες στην άρση του φαινομένου aliasing στις χρονικές και χωρικές έρευνες. Επιτυχίες έχουν καταδειχθεί σε αρκετές πρόσφατες δημοσιεύσεις σε μακροπρόθεσμα δορυφορικά δεδομένα για την εκτίμηση μεταβολής της ποιότητας του νερού στις εκβολές των ποταμών και των λιμνών.Πολλές από αυτές τις μελέτες έχουν επικεντρωθεί στις ιδιότητες όπως θολερότητα και διαύγεια του νερού διότι είναι σχετικά εύκολο να προέρχονται από δορυφορικές μετρήσεις.<br /> Η θολότητα είναι ένα προσεγγιστικό μέτρο της συγκέντρωσης των σωματιδίων στο νερό και κατ 'αρχήν μπορεί να μετράτε από την ανελαστικότητα σε κόκκινες ζώνες, οι οποίες είναι λιγότερο επιρρεπείς από την μπλε-πράσινο ζώνες που εμπεριέχουν σφάλματα λογω ατμοσφαιρικής επιρροής<br /> Η διαύγεια του νερού είναι ένα μέτρο του συνόλου απορρόφησης φωτός και σκέδασης των συστατικών στο νερό.<br /> Αυτές οι πρωτοποριακές μελέτες έδειξαν μια δυνατότητα με χρήση των δορυφορικών μετρήσεων για τη μακροσκοπική παρακολούθηση της ποιότητας των παράκτιων και εσωτερικών υδάτων.<br /> Εκτίμηση βιομάζας φυτοπλαγκτού και χλωροφύλλη-α (Chla σε mg m-3) σε θολά ύδατα των εκβολών ποταμών είναι πολύ δύσκολο. Δύο σημαντικά προβλήματα είναι η έλλειψη μεθόδου για την επαρκή διόρθωση της ατμοσφαιρικής επίδρασης για τον υπολογισμό της μπλε-πράσινο ανάκλασης και η έλλειψη ισχυρή βιο-οπτικών αλγορίθμων για να διαφοροποιήσει της Chla από άλλα συστατικά του νερού. <br /> Παρά το γεγονός ότι στις τελευταίες προσπάθειες αποφευχθεί η εμφάνιση μαύρων-pixel, χρησιμοποιώντας μεγαλύτερα μήκη κύματος, τα προβλήματα εξακολουθούν να υπάρχουν για τα μπλε μήκη κύματος όπου μερικές φορές οφείλεται στην απορρόφηση από τα αερολύματα. <br /> Η θεμελιώδης εξίσωση βιο-οπτικό συσχέτισης εκφράζεται ως <br /> Rrs(λ)=G * b(λ) / ( a(λ) + b(λ) )<br /> Όπου Rrs είναι η τηλεπισκόπηση ανάκλαση <br /> το G είναι ανεξάρτητη παράμετρος η οποία εξαρτάται από την γεωμετρία και την ηλιακή θέαση<br /> b (λ) είναι η συνολική οπισθοσκέδαση<br /> a (λ) είναι η συνολική απορρόφηση<br /> <br /> Οι Βιο-οπτικοι αλγόριθμοι χρησιμοποιούνται παραδοσιακά για προσδιορισμό της Chla στα ωκεάνια νερά από το μπλε / πράσινο κανάλι. Οι αλγόριθμοι αυτοί δεν αποδίδουν σε εκβολές ποταμών.<br /> Πολλές νέες προσεγγίσεις έχουν προταθεί για την χρησιμοποιήσει φασματικών ζωνών στο κόκκινο και στο εγγύς υπέρυθρο για την αποφυγή τέτοιων προβλημάτων, αλλά τα αποτελέσματα βασίζονται κυρίως σε επί τόπου παρατηρήσεις και η εφαρμογή τους σε δορυφορικά δεδομένα σπάνια έχει τεκμηριωθεί. <br /> Σε αυτή η μελέτη, θα αξιολογούν τις επιδόσεις των τεσσάρων αλγορίθμων, χρησιμοποιώντας όλα τα κόκκινο-NIR μήκη κύματος, με στόχο να αναζητήσει του καταλληλότερου αλγόριθμου για δορυφορικά δεδομένα πάνω σε θολές εκβολές ποταμών.<br /> Ο κόλπος Tampa Bay έχει επιφάνεια περίπου 1000 km2 και μέσο βάθος νερού 4m, είναι στη Φλόριντα, και σε αυτόν δοκιμάστηκα τέσσερεις μέθοδοι. Οι βιο-οπτικές ιδιότητες στα ύδατα του κόλπου Tampa Bay επηρεάζεται έντονα επίγεια κατά τη διάρκεια της υγρής περιόδου (Ιούνιος-Οκτωβρίου) και από τον άνεμο κατά την ξηρή περίοδο (Νοέμβριος-Μάιος). <br /> Δύο in situ σύνολα δεδομένων χρησιμοποιήθηκαν σε αυτή τη μελέτη, από εν πλω έρευνες με στόχο τη μέτρηση των βιο-οπτικών ιδιοτήτων και από τις μηνιαίες μετρήσεις Chla της επιφάνειας σε προκαθορισμένους σταθμούς.<br /> Το πρώτο σύνολο δεδομένων που περιέχονται ενενήντα επτά μετρήσεις ανελαστικότητα της Chla (Rrs (λ), της απορρόφησης από το φυτοπλαγκτόν (aph), (Σχ. 1). <br /> Τα δεδομένα MODIS-Aqua και MERIS τα πήραν από τη NASA Goddard Space Flight Center (http://oceancolor.gsfc.nasa.gov/), και η επεξεργασία έγινε με το λογισμικό SeaDAS, έκδοση 6,1. Τα MODIS δεδομένα είναι 1km ανάλυση, και MERIS δεδομένα είναι 300m ανάλυση, τα οποία είναι διαθέσιμα μόνο μετά το 2009 μέσω της NASA GSFC.<br /> Για την ανάπτυξη και επικύρωση του αλγόριθμου, χρησιμοποιήθηκαν τα ακόλουθα κριτήρια : <br /> 1) οι μετρήσεις θα πρέπει να είναι μέσα σε ένα στενό παράθυρο χρόνου ± 3 ώρες<br /> 2) μια δοκιμή ομοιογένειας χρησιμοποιείται για να διασφαλιστεί ότι το pixel εικόνας δεν έχει ετερόκλητα στοιχεια <br /> 3) και η μέση τιμή από ένα 3 × 3 πίνακα pixel χρησιμοποιούνται για το φιλτράρισμα του αισθητήρα από θόρυβο<br /> <br /> '''Μεθοδολογία'''<br /> <br /> Τρεις υφιστάμενους αλγορίθμους, που εφαρμόζουν λόγους στα προεπιλεγμένα κανάλια μπλε-πράσινο για να υπολογιστεί η χλωροφύλλη. Οι αλγόριθμοι βασίζονται σε παλινδρόμηση μεταξύ καναλιών μπλε / πράσινο με Chla, και η FLH και MCI .<br /> Στη συνέχεια, δοκιμάστηκαν τέσσερις προσεγγίσεις για να υπολογιστεί από το Rrs (λ) η Chla. Αυτές περιλαμβάνουν τα ακόλουθα:<br /> (Ι) προσέγγιση δύο-καναλιων αναλογία με τη μορφή της Rrs (λ2) / Rrs (λ1) όπου λ1 βρίσκεται γύρω από την απορρόφηση φυτοπλαγκτόν με κορυφή στα 675 nm και λ2 βρίσκεται συνήθως μεταξύ 700 και 720 nm. Η προσέγγιση αυτή βασίζεται στις υποθέσεις ότι στο (λ1) κυριαρχείται από την απορρόφηση φυτοπλαγκτόν, στο (λ2) κυριαρχείται από την απορρόφηση του νερού και τέλος το b (λ) είναι ανεξάρτητο του λ μεταξύ λ1 και λ2. Στη συνέχεια, η Rrs (λ) μπορεί να προσεγγιστεί ως:<br /> Rrs(λ2) / Rrs(λ1) = [(aph(λ1) + aw(λ2)] / aw(λ2)<br /> <br /> (ΙΙ) προσέγγιση τριών ζωνών για μετρίως θολά νερά οπου η απορρόφηση από τα αιωρούμενα σωματίδια δεν μπορεί να παραμεληθεί. Έχει αναπτυχτεί μια προσέγγιση με μορφή [Rrs (λ1)^-1 - Rrs (λ2)^-1] * Rrs (λ3) (όπου λ1 στο κόκκινο κανάλι, και λ2 και λ3 ήταν στην ζώνη NIR).<br /> [Rrs (λ1)^-1 - Rrs (λ2)^-1] * Rrs (λ3) = [(aph(λ1) + aw(λ1) - aw(λ2)] / aw(λ2)<br /> <br /> (III) προσέγγιση τεσσάρων ζωνών για πολύ θολά νερά, όπου η απορρόφηση και η οπισθοσκέδαση των σωματιδίων στο λ3 δεν είναι πλέον αμελητέα.<br /> [Rrs (λ1)^-1 - Rrs (λ2)^-1] / [Rrs (λ4)^-1 - Rrs (λ3)^-1]<br /> = [(aph(λ1) + aw(λ1) - aw(λ2)] / [(aw(λ4) - aw(λ3)]<br /> <br /> (IV) προσέγγιση με χρήση ενός σύνθετου δείκτη χλωροφύλλης για την ελαχιστοποίηση της επίδρασης της υψηλής θολότητας στο FLH αλγόριθμο. Ο δείκτης SCI προτάθηκε για να εξάγει το Rrs (λ) <br /> <br /> '''Συμπεράσματα'''<br /> <br /> Αρκετά νέα ευρήματα ελήφθησαν από αυτή τη μελέτη. Στην εικόνα 2 υπάρχουν τα αποτελέσματα της μεθόδου που βασίζεται στα κανάλια μπλε / πράσινο είτε Rrs (488) / Rrs (547) για τον αλγόριθμο OC3 ή Rrs (510) / Rrs (555) για τον αλγόριθμο OC4. Οι αλγόριθμοι αυτοί δεν χρησιμοποιήθηκαν για τις θολές εκβολές επειδή το μπλε φως είναι κατά κύριο λόγο επηρεάζεται από CDOM αντί της Chla. <br /> <br /> Στην εικόνα 3 υπάρχουν τα αποτελέσματα της μεθόδου για 2 , 3 και 4 κανάλια. Οι σχέσεις μεταξύ των τριών αλγόριθμων και των in situ μετρήσεων Chla παρουσιάζονται στα δεξιά πάνελ του Σχεδ. 3. Υπάρχει υψηλή συσχέτιση για όλες τις περιπτώσεις, με ένα συντελεστή προσδιορισμού (R2) &gt; 0,95 και μέσο σφάλμα (MRes) 30%. Όλες οι προσεγγίσεις (2-band, 3-band, 4-band, και SCI) έδειξαν την δυνατότητα υπολογισμού της χλωροφύλλης σε εκβολές. Οι αναλύσεις εικόνας έδειξε ότι η 2-band προσέγγιση ήταν η καλύτερη επιλογή για MERIS δεδομένα, με κάποιους περιορισμούς για νερά με χαμηλή Chla .<br /> Ο αλγόριθμος 2-band MERIS μπορεί να χρησιμοποιηθεί για την ανάπτυξη χρονοσειρών (2002-σήμερα) για Tampa Bay. Αυτό αντιπροσωπεύει μία σημαντικό ορόσημο για τη χρήση δορυφορικών δεδομένων για τη μακροπρόθεσμη αξιολόγηση των αλλαγών Chla σε εκβολές ποταμών νερά. <br /> Επίσης σημαντικό είναι ότι αν και όλοι οι αλγόριθμοι έδειξαν την δυναμική τους ικανότητα στα διαγράμματα διασποράς για τον υπολογισμο τις χλοροφυλης εντουτης στην αξιολογηση αναλύσεις εικόνας, σημείο-προς-σημείο ο αλγορίθμος 2-band ήταν η η μόνη επιλογή που παρέχεται ρεαλιστική εικόνα. <br /> Τέλος, αν και η εστίασή μας ήταν στην Tampa Bay, η προσέγγιση που χρησιμοποιείται εδώ θα μπορούσε να επεκταθεί σε πολλες άλλες εκβολές με παρόμοια<br /> βιο-οπτική μεταβλητότητα, όπως φαίνεται στο παράδειγμα Chesapeake Bay.<br /> <br /> <br /> [[category:Παρακολούθηση παράκτιων οικοσυστημάτων]]</div>

Clikos