RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Χρήση Τηλεσκοπικών Μεθόδων για την Εκτίμηση Καταστροφών από Σεισμούς: Αποτίμηση Γνώσης και Μελλοντικές Δυνατότητες.

2018-02-25T23:41:26Z

Dimpap27: Νέα σελίδα με '''' Χρήση τηλεσκοπικών μεθόδων για την εκτίμηση καταστροφών από σεισμούς: αποτίμηση γνώσης απ...'

''' Χρήση τηλεσκοπικών μεθόδων για την εκτίμηση καταστροφών από σεισμούς: αποτίμηση γνώσης από πρόσφατα συμβάντα και μελλοντικές δυνατότητες. '''

'''Πρωτότυπος τίτλος:''' ''The use of remote sensing for post-earthquake damage assessment: lessons from recent events, and future prospects assessment: lessons from recent events, and future prospects''

'''Συγγραφείς: ''' R. Foulser-Piggott, R. Spence, K. Saito, D.M.Brown, R. Eguchi

'''Δημοσιεύθηκε: ''' ''Proceedings of the 15th World Conference on Earthquake Engineering Lisbon, Portugal, 2012''

'''Εισαγωγή'''

Ήδη από την αρχή της διαθεσιμότητάς τους εδώ και μια δεκαετία, δορυφορικές εικόνες υψηλής ανάλυσης καθώς και αεροφωτογραφίες χρησιμοποιούνται όλο και περισσότερο για πρώιμες εκτιμήσης καταστροφών από σεισμούς, με εξαιρετικά δυνητικά πλεονεκτήματα: μεγάλες εκτάσεις που έχουν υποστεί ζημιές μπορούν να εξεταστούν με ταχύτητα χωρίς παρεμπόδιση από τις επιτόπου δραστηριότητες αντιμετώπισης της κρίσης, οι ομάδες διάσωσης μπορούν να κατευθυνθούν σε περιοχές ή κτίρια με τη μεγαλύτερη ανάγκη και παράλληλα είναι δυνατή η αποτίμηση των καταστροφών, με περαιτέρω εκτίμηση του κόστους ανοικοδόμησης. Η πρόσφατη ανάπτυξη διαδικτυακών τεχικών έχει ωθήσει ακόμα περισσότερο τις δυνατότητες τέτοιων μεθόδων, δίνοντας τη δυνατότητα σε μεγάλες ομάδες έμπειρων ατόμων να μοιραστούν το έργο της κτίριο-προς-κτίριο εκτίμησης των καταστροφών σε μεγάλη κλίμακα, ώστε μια συνολική εκτίμηση να είναι δυνατή σε πολύ λιγότερο χρόνο, με χαρακτηριστικό παράδειγμα αυτό του σεισμού στην Αϊτή το 2010. Ωστόσο, γίνεται εμφανές από τις υπάρχουσες μελέτες πως ένα μεγάλο ποσοστό των ζημιών στα κτίρια και τις υποδομές πληγέντων περιοχών δεν είναι δυνατό να εκτιμηθεί. Παρόλα αυτά θεωρείται πως με περαιτέρω μελέτες, είναι δυνατόν να βρεθούν τρόποι παρεκβολής των ορατών ζημιών ώστε να είναι δυνατή μια πρώιμη αλλά ταυτόχρονα χρήσιμη εκτίμηση της συνολικής καταστροφής με βάση το ανιχνεύσιμο τμήμα των ζημιών. Ο σεισμός στο Christchurch της Νέας Ζηλανδίας το 2011, λόγω και του εκτεταμένου όγκου δεδομένων που συλλέχθησαν, παρήχε την ευκαιρία να ελεγχθεί η ανωτέρω υπόθεση. Τόσο τα δορυφορικά και εναέρια δεδομένα που συλλέχθησαν, καθώς και οι επιτόπιες εκτιμήσεις από την τοπική αυτοδιοίκηση και από διάφορες άλλες επιστημονικές ομάδες συλλέχθησαν μέσα σε λίγες μέρες μετά τον βασικό σεισμό. Το γεγονός αυτό παρήχε τη δυνατότητα για μια GEO-CAN τύπου ανάλυση και επιβεβαίωση μέσω μιας μελέτης πάνω σε ένα πολύ μεγαλύτερο σύνολο δεδομένων.

'''Μελέτη επιβεβαίωσης GEO-CAN ανάλυσης '''

(Σ.Σ.: Η GEO-CAN είναι μια κοινοπραξία που δημιουργήθηκε μετά το σεισμό της Αϊτής από το Earthquake Engineering Research Institute με σκοπό την άμεση συγκέντρωση πληροφορίας για τις επιπτώσεις φυσικών καταστροφών, αξιοποιώντας τη συλλογική γνώση μηχανικών, επαγγελματιών και άλλων εθελοντών ανά τον κόσμο, οι οποίοι μπορούν να εργαστούν συλλογικά από απόσταση μέσω του διαδικτύου.)

Ο σκοπός της παρούσας μελέτης ήταν να εκτιμηθεί η απόδοση των τεχνολογιών τηλεπισκόπησης (όπως χρησιμοποιήθηκαν κατά την GEO-CAN ανάλυση) στον εντοπισμό κτιρίων που είχαν υποστεί ζημιές από το σεισμό με τρείς βασικούς στόχους. Αρχικά να εκτιμηθούν οι περιπτώσεις κατά τις οποίες η GEO-CAN ομάδα αναγνώρισε κάποιο κτίριο που έχει υποστεί ζημιά. Στη συνέχεια να βρεθεί σε τι βαθμό η διαδικασία παρήγαγε εκτιμήσεις σε συμφωνία με τις πραγματικές ζημιές ενός κτιρίου και τέλος να ταυτοποιηθούν οι βασικοί παράγοντες που επηρεάζουν την τηλεπισκοπική εκτίμηση ζημιών, κάνοντας χρήση δορυφορικών εικόνων και αεροφωτογραφιών του Christchurch πριν και μετά το σεισμό. Συνολικά 200 εθελοντές εργάστηκαν στην GEO-CΑΝ ομάδα με την πλειοψηφία των εθελοντών να εργάζονται πάνω σε αεροφωτογραφίες κάνοντας εκτίμηση των ζημιών των δομικών στοιχείων των κτιρίων. Για κάθε εθελοντή ορίστηκε μια συγκεκριμένη περιοχή της πόλης και του/της ζητήθηκε να ταυτοποιήσει κτίρια τα οποία έχουν υποστεί ζημιές, να σχεδιάσει ένα πολύγωνο γύρο από το κτίριο και να εκτιμήσει το εύρος των ζημιών του κάθε κτιρίου βάσει οδηγιών που υπάρχουν στην ιστοσελίδα της GEO-CAN. Συνολικά έγινε ανάλυση 1623 πολυγώνων από την GEO-CAN ομάδα σε περιβάλλον GIS. Επιτόπιες έρευνες πραγματοποιήθηκαν σε 8201 οικιστικά και εμπορικά κτίρια. Για την επικύρωση της διαδικασίας έγινε σύγκριση των αποτελεσμάτων για τα κτίρια στα οποία έγινε επιτόπια και τηλεπισκοπική ανάλυση.

[[Εικόνα:Percentage geocan.JPG |thumb|right|Εικόνα 1:'''Αριστερά: αναλογία των GEO-CAN πολυγώνων στα οποία αποδόθηκε κάθε τύπος ποσοστού ζημιάς (Type_ID), Δεξιά: αναλογία των δεδομένων επιτόπιας έρευνας με την αντίστοιχη ετικέτα χρήσης''']]

'''Συνδυασμός και σύγκριση δεδομένων'''

Η περιοχή στην οποία έγινε σύγκριση των δύο μεθόδων αποτυπώνεται στην εικόνα 2 όπου με μπλε χρώμα εμφανίζονται τα κτίρια που ελέγχθησαν από την GEO-CAN ομάδα και με κόκκινο τα κτίρια στα οποία έγινε επιτόπου εκτίμηση των ζημιών. Αρχικά έγινε αντιστοίχηση των επιτόπιων δεδομένων με αυτά της GEO-CAN για κάθε κτίριο κάνοντας χρήση της εντολής “Intersect” στο λογισμικό ArcGIS και δημιουργήθηκαν δύο σύνολα δεδομένων, ένα σύνολο χωρικής συνένωσης μεταξύ των GEO-CAN πολυγώνων και των σημείων επιτόπιας έρευνας καθώς και ένα ίδιο σύνολο με buffer 5 μέτρων. Και τα 2 σύνολα παρουσιάζουν κάποια εγγενή σφάλματα. Το πρώτο σύνολο θα «χάσει» κάποια κτίρια αν η ανάθεση του σημείου ή πολυγώνου δεν είναι ακριβής. Το εκτεταμένο σύνολο δύναται να αποδώσει σημεία σε λάθος πολύγωνα. Και τα δύο σύνολα επίσης θα χάσουν κάποιες τοποθεσίες. Για παράδειγμα για ένα μεγάλο κτίριο όπως ο καθεδρικός ναός της πόλης, το buffer των 5 μέτρων είναι πολύ μικρό για να συμπεριλάβει το κεντρικό κτίριο και το καμπαναριό, με αποτέλεσμα ένα σημείο που βρίσκεται στο κεντρικό τμήμα του ναού να μην συνδεθεί με το πολύγωνο που σκιαγραφεί μόνο το καμπαναριό. Η παρούσα εργασία βασίζεται στο πρώτο σύνολο. Κατά το δεύτερο βήμα πραγματοποιείται μια σύγκριση των δεδομένων των δύο πηγών.

[[Εικόνα:Combining data.JPG |thumb|right|Εικόνα 2:'''Το εύρος της περιοχής ανάλυσης μέσω GEO-CAN (μαύρο πολύγωνο), με τα πολύγωνα ανάλυσης GEO-CAN (μπλε) και τις τοποθεσίες επιτόπιας έρευνας (κόκκινο)''']]

'''Ανάλυση'''

Η ανάλυση των δεδομένων υποδεικνύει πως η GEO-CAN μεθοδολογία μπορεί να εκτιμήσει το κατά πόσο ένα κτίριο έχει υποστεί ζημιές αλλά δεν αναθέτει με ακρίβεια το εύρος των καταστροφών. Τρείς βασικοί παράγοντες εξετάστηκαν για την πιθανή συνεισφορά τους στην επίδοση της GEO-CAN ανάλυσης: η εμπειρία των εθελοντών πάνω σε θέματα τηλεπισκόπησης, το κατά πόσο η ανάλυση βασίστηκε σε αεροφωτογραφίες ή δορυφορικές εικόνες και η δυνατότητα των τηλεπισκοπικών μεθόδων στην αναγνώριση ζημιών σε διαφορετικούς τύπους κτιρίων. Τα βασικά ευρήματα είναι τα εξής: οι πιο έμπειροι εθελοντές τείνουν να αποδίδουν σε λιγότερα κτίρια ολοκληρωτικές ζημιές που προκάλεσαν κατάρρευση, οι ομάδες που χρησιμοποίησαν δορυφορικές εικόνες τείνουν να εντοπίζουν χαμηλότερα επίπεδα ζημιών από ότι οι ομάδες που χρησιμοποίησαν αεροφωτογραφίες και οι διαφορετικοί τύποι κτιρίων έχουν πολύ διαφορετικά πρότυπα εκτίμησης ζημιών καθώς σε συγκριτικά περισσότερα κτίρια κατασκευασμένα με λιθοδομή αποδόθηκε ο χαρακτήρισμός ID-2, πολύ σοβαρές ζημιές, σε σχέση με κτίρια κατασκευασμένα από οπλισμένο σκυρόδεμα ή ξυλοδομή.

[[Εικόνα:Geocan propo.JPG |thumb|right|Εικόνα 3:'''Κατανομή των GEO-CAN Type ID σε σχέση με τις επιτόπιες έρευνες''']]

'''Αποτελέσματα και συμπεράσματα'''

Η περιοχή μελέτης αποτελείται από ένα πλέγμα 500 χ 500 μέτρα, επιλέχθηκε ως αντιπροσωπευτικό δείγμα της κεντρικής εμπορικής περιοχής και περιέχει 254 σημεία από την επιτόπια έρευνα και 87 GEO-CAN πολύγωνα. Εντοπίστηκαν μια σειρά αναντιστοιχιών κυρίως λόγω λανθασμένης ταξινόμησης των ζημιών των κτιρίων από την GEO-CAN ανάλυση, σε ποσοστό περίπου 15%, γεγονός που αποδίδεται σε δύο από τους παράγοντες που προαναφέρθηκαν: το επίπεδο εμπειρίας των αναλυτών και οι διαφορετικές τυπολογίες των κτιρίων. Σχετικά με τη χρήση μεθόδων τηλεπισκόπησης για την εκτίμηση ζημιών έως σήμερα, οι συγγραφείς της παρούσας μελέτης συνοψίζουν την κατάσταση ως εξής. Ένα μεγάλο ποσοστό της ζημιάς γίνεται εμφανές από την ανάλυση των δορυφορικών εικόνων και των αεροφωτογραφιών με ανάλυση 1 μέτρου και κάτω. Η καταγραφή ζημιών μέσω μεθόδων τηλεπισκόπησης κατά κύριο λόγο επιβεβαιώνεται από επιτόπιες έρευνες, ωστόσο πολλές φορές το εύρος των ζημιών υποτιμάται. Αντίθετα, σε μεγάλο βαθμό κατά την επιτόπια έρευνα καταγράφονται κτίρια τα οποία έχουν υποστεί ζημιές εν.ω δεν έχουν χαρακτηριστεί ως τέτοια μέσω των μεθόδων τηλεπισκόπησης (μεγάλο σφάλμα παράλειψης), με κάποια συγκεκριμένα ήδη ζημιών να καταγράφονται λιγότερο, όπως για παράδειγμα ζημιές σε χαμηλότερους ορόφους. Το εύρος των σφαλμάτων παράλειψης και συμπερίληψης επηρεάζεται από μια σειρά παραγόντων, συμπεριλαμβανομένης της ποιότητας και ανάλυσης της εικόνας που χρησιμοποιείται, την εμπειρία του αναλυτή, τον τύπο της κατασκευής και τους τύπους ζημιάς. Χωρίς πρόσφατες έρευνες πεδίου μεγάλων δειγμάτων των περιοχών που έχουν πληγεί χρησιμοποιώντας την ίδια κλίμακα ζημιών είναι αδύνατη η ποσοτικοποίηση των σφαλμάτων παράλειψης. Περαιτέρω έρευνες πάνω σε μελλοντικούς σεισμούς είναι αναγκαίες με σκοπό την ανάπτυξη μεθόδων ώστε να είναι δυνατή η αναγωγή του εύρους των μη ορατών ζημιών μέσω αυτών που μπορούν να εντοπιστούν με μεθόδους τηλεπισκόπησης. Η χρήση τηλεπισκοπικών μεθόδων πρόκειται να έχει αυξανόμενα σημαντικό ρόλο στην πρώιμη εκτίμηση των ζημιών από σεισμούς.

[[Εικόνα:Validation geocan.JPG |thumb|right|Εικόνα 4:'''Η άσκηση επιβεβαίωσης πραγματοποιήθηκε σε μια περιοχή 500χ500 m στην κεντρική εμπορική περιοχή (Central Business District) του Christchurch (Αριστερά: επιτόπια έρευνα, Δεξιά: GEO-CAN ανάλυση)''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [http://www.iitk.ac.in/nicee/wcee/article/WCEE2012_0526.pdf]

Αρχείο:Validation geocan.JPG

2018-02-25T23:39:01Z

Dimpap27:

Αρχείο:Geocan propo.JPG

2018-02-25T23:37:20Z

Dimpap27:

Αρχείο:Combining data.JPG

2018-02-25T23:35:03Z

Dimpap27:

2018-02-25T23:11:00Z

Dimpap27:

Αρχείο:Flowchart aval.JPG

2018-02-25T23:08:37Z

Dimpap27:

Αρχείο:Exclusion sites.JPG

2018-02-25T23:03:36Z

Dimpap27:

Αρχείο:Periorekseos.JPG

2018-02-25T22:59:33Z

Dimpap27:

Παπαγεωργίου Δημήτρης

2018-02-25T22:48:04Z

Dimpap27:

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες.]]

[[Χαρτογράφηση Καμένων Περιοχών στην Ελλάδα Χρησιμοποιώντας Εικόνες SPOT-4 HRVIR και Αντικειμενοστρεφή Ανάλυση Εικόνας.]]

[[Εντοπισμός καταστροφών μέσω τηλεπισκόπησης στην αστική ζώνη του Χαλεπιού.]]

[[Αυτοματοποιημένη Aνίχνευση και Xαρτογράφηση Eναποθέσεων Xιονοστιβάδας με Xρήση Aεροφωτογραφιών.]]

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Εντοπισμός καταστροφών μέσω τηλεπισκόπησης στην αστική ζώνη του Χαλεπιού.

2018-02-25T22:43:49Z

Dimpap27: Νέα σελίδα με '''' Εντοπισμός καταστροφών μέσω τηλεπισκόπησης στην αστική ζώνη του Χαλεπιού.''' '''Πρωτότυπος ...'

''' Εντοπισμός καταστροφών μέσω τηλεπισκόπησης στην αστική ζώνη του Χαλεπιού.'''

'''Πρωτότυπος τίτλος:''' '' Conflict Urbanism Aleppo
Remote Sensing Urban Damage''

'''Συγγραφείς: ''' Jamon Van Den Hoek, Grga Basic, Laura Kurgan, Dare Brawley

'''Δημοσιεύθηκε: ''' ''Center for Spatial Research, Columbia University''

'''Εισαγωγή'''

Η συγκεκριμένη μελέτη περίπτωσης καταγράφει μια πειραματική προσέγγιση χρήσης χαμηλής ανάλυσης δορυφορικών εικόνων Landsat για την καταγραφή και τη χαρτογράφηση μεταβολών στις τιμές φάσματος pixel στην περιοχή του Χαλεπιού. Χρησιμοποιώντας μια μέθοδο που χρησιμοποιείται κατά βάση από επιστήμονες τηλεπισκόπησης για τη μελέτη οικολογικών αλλαγών, αναπτύχθηκε αλγόριθμος ειδικά για τη γεωγραφία του Χαλεπιού, με σκοπό τον τηλεπισκοπικό εντοπισμό καταστροφών στην αστική ζώνη της πόλης ως άμεσο αποτέλεσμα της πολεμικής σύρραξης. Χρησιμοποιώντας σχεδόν 200 δορυφορικές εικόνες ελεύθερης πρόσβασης, χαρτογραφήθηκε η χωρική και χρονική μεταβολή στις τιμές φάσματος των pixel των δορυφορικών εικόνων από το Χαλέπι, δημιουργώντας ένα αρχείο σημαντικών μεταβολών με 2 μετρήσεις ανά μήνα για τους τελευταίους 64 μήνες (2011-2016). Ως πειραματική μέθοδος πάσχει από ασάφειες και ελαττώματα, αλλά δύναται να ανοίξει νέους δρόμους για τη μελέτη των επιπτώσεων των πολεμικών συρράξεων σε αστικές περιοχές.

[[Εικόνα:Clouds.JPG |thumb|right|Εικόνα 1:'''Αποκλεισμός νεφών και των σκιών τους με τη χρήση των χαρτών της USGS''']]

'''Προηγούμενες Προσεγγίσεις'''

Μέχρι σήμερα, εκτιμήσεις των καταστροφών στο Χαλέπι μέσω δορυφορικών εικόνων έχουν βασιστεί κατά κύριο λόγο σε ποιοτική, οπτική ερμηνεία εικόνων με πολύ υψηλή ανάλυση (μικρότερη του ενός μέτρου) από δύο διαφορετικές ημερομηνίες ενδιαφέροντος. Εμφανείς μεταβολές σε αστικά χαρακτηριστικά, όπως κατεστραμμένα κτίρια ή γέφυρες και καμένες εκτάσεις, έχουν καταγραφεί από οργανισμούς όπως οι Human Rights Watch (HRW) και United Nations Operational Satellite Applications Programme (UNOSAT). Παρόλο που οι μέθοδοι των προαναφερθέντων οργανισμών διαφέρουν ως προς τις οπτικές τεχνικές ανάλυσης και την επιλογή των ημερομηνιών, και οι δύο προσεγγίσεις βασίζονται σε ακριβές εμπορικές εικόνες, είναι ιδιαίτερα περιορισμένες χωρικά και δεν είναι αυτοματοποιημένες. Καθώς οι αναλύσεις των HRW και UNOSAT γίνονται κατά βάση με γνώμονα συγκεκριμένα και έντονα γεγονότα, όπως η έναρξη βομβαρδισμών από τη Ρωσία, υπάρχει έλλειψη πληροφορίας για τις πιθανόν μικρότερης κλίμακας ζημιών και καταστροφών που προκαλούνται σε καθημερινή βάση λόγω της σύρραξης. Και οι δύο οργανισμοί έχουν παράγει πολλαπλά γεωαναφερμένα σύνολα δεδομένων από εμπορικές δορυφορικές εικόνες οι οποίες αποτυπώνουν συγκεκριμένες περιοχές στο Χαλέπι, το Κομπάνι και τη Δαμασκό καθώς και σε άλλες μικρότερες πόλεις. Ο UNOSAT κυκλοφόρησε 2 χάρτες για το Χαλέπι για τα τελευταία 5 χρόνια χρησιμοποιώντας 5 δορυφορικές εικόνες, με τον HRW να χρησιμοποιεί παρόμοιες μεθόδους. Τα ζεύγη των φωτογραφιών που χρησιμοποιήθηκαν από τους δύο οργανισμούς για ένα συγκεκριμένο χάρτη, κυμαίνονται στην ημερομηνία λήψης από 5 έως 900 μέρες. Ενώ προσφέρουν στιγμιότυπα των καταστροφών λόγω του πολέμου, δεν καταγράφουν τις συνεχείς διακυμάνσεις κατά τη διάρκεια της σύρραξης.

'''Χωρικά, Χρονικά και Φασματικά Χαρακτηριστικά των Landsat εικόνων'''

Αντί των εμπορικών εικόνων, χρησιμοποιήθηκαν δορυφορικές φωτογραφίες ελεύθερης πρόσβασης από 2 δορυφόρους της NASA/USGS, τους Landsat 7 και 8. Κάθε δορυφόρος έχει συλλέξει φωτογραφίες πάνω από το Χαλέπι κάθε 16 μέρες από την έναρξη του πολέμου και συνολικά έχουν συλλεχθεί 238 φωτογραφίες από το Μάρτιο του 2011 έως τον Ιούλιο του 2016. Τα δεδομένα από τους δορυφόρους Landsat δεν προβλέπονταν να χρησιμοποιηθούν για τη διερεύνηση των επιπτώσεων ενόπλων συρράξεων σε αστικές υποδομές και είχαν αρχικά σχεδιαστεί για παρακολούθηση οικολογικών ζητημάτων, όπως αξιολόγηση δασικής υγείας ή επέκτασης αγροτικών εκτάσεων. Για αυτό το σκοπό, οι Landsat δορυφόροι έχουν δύο διαφορετικά είδη αισθητήρων. Έναν πολυφασματικό αισθητήρα, με μια σειρά καναλιών για τη μέτρηση διαφορετικών μηκών κύματος, συμπεριλαμβανομένης της υπέρυθρης, της ερυθρής, της πράσινης ή της μπλε ακτινοβολίας, σε ανάλυση 30 μέτρων στο έδαφος ανά pixel. Τα ποσοστά φωτός που ανακλώνται από αντικείμενα στο έδαφος και οι αλλαγές σε αυτά τα ποσοστά, προσφέρουν πληροφορίες για τη φύση του αντικειμένου και τις μεταβολές που επιδέχεται. Για παράδειγμα, ενώ η υγιής βλάστηση αντανακλά το μεγαλύτερο ποσοστό near-infrared ακτινοβολίας που δέχεται, απορροφά μεγάλο ποσοστό της ερυθρής ακτινοβολίας ώστε είναι δυνατή η ταυτοποίηση υγειούς βλάστησης συγκρίνοντας την ανακλώμενη near-infrared με την ερυθρή ακτινοβολία. Οι Landsat 7 και 8 είναι επίσης εφοδιασμένοι με έναν παγχρωματικό αισθητήρα ο οποίος σε ένα μοναδικό κανάλι συλλέγει ακτινοβολία ορατού φάσματος, ανακλώμενη από την επιφάνεια της Γης. Καθώς ο παγχρωματικός αισθητήρας συλλέγει ακτινοβολία η οποία θα είχε «μοιραστεί» σε διαφορετικά πολυφασματικά κανάλια, τα pixel σε μια παγχρωματική εικόνα μπορούν να έχουν μεγαλύτερη ανάλυση, παίρνοντας εικόνες σε ανάλυση 15 μέτρων στο έδαφος ανά pixel. Ο τόνος καθενός pixel σε μια παγχρωματική εικόνα απεικονίζεται από έναν αριθμό 8-bit, με τιμές από 0 έως 255 για απόλυτα μαύρο και απόλυτα άσπρο αντίστοιχα για κάθε pixel, με τα περισσότερα χαρακτηριστικά στο Χαλέπι να κυμαίνονται σε τιμές από 30 έως 100. Ένα pixel πάνω σε ασφαλτοστρωμένο δρόμο για παράδειγμα μπορεί στο παγχρωματικό κανάλι να έχει τιμή 62, ενώ μία τσιμεντένια ταράτσα 94. Βλάστηση όπως δέντρα και κήποι ή ακάλυπτο χώμα τείνουν να αποτυπώνονται σχετικά σκούρα με παγχρωματικές τιμές κοντά στο 24. Μεταξύ συνεχόμενων εικόνων με 16 μέρες διαφορά, πόσο μάλλον στην πορεία ενός χρόνο, οι τιμές των pixel μεταβάλλονται λόγω διαφορών στη θέση του ήλιου, ατμοσφαιρικής επιρροής.

[[Εικόνα:Pixel change.JPG |thumb|right|Εικόνα 2:'''Μεταβολή στη φασματική τιμή των pixel. Η τέταρτη εικόνα αποτυπώνει τις τιμές οι οποίες ξεπερνούν το ελάχιστο όριο που τέθηκε.''']]

'''Χαρτογράφηση της αλλαγής των τιμών των εικονοστοιχείων'''

Δεδομένου ότι οι δορυφορικές εικόνες είχαν μεταξύ τους απόσταση 16 ημερών, νέφη και οι σκιές αυτών, ενίοτε παρεμπόδιζαν την ορατότητα του δορυφόρου προς το Χαλέπι. Η αντιμετώπιση αυτού του προβλήματος με την αφαίρεση των νεφών και των σκιών τους είναι το πρώτο βήμα για την προετοιμασία των εικόνων προς ανάλυση. Η USGS παρέχει ένα χάρτη «συννεφιασμένων» pixel για κάθε δορυφορική εικόνα από Landsat εντοπίζοντας τα pixel εκείνα που είναι συγχρόνως πολύ φωτεινά και σχετικά ψυχρά, ενώ εντοπίζει τα pixel εκείνα στα οποία πέφτει η σκιά από τα σύννεφα βάση της θέσης τους και της γωνίας προσπίπτουσας ακτινοβολίας από τον ήλιο. Κάνοντας χρήση αυτών των χαρτών αφαιρέθηκαν τα σύννεφα και οι σκιές τους από τις εικόνες. Για κάθε ζεύγος φωτογραφιών ανά 16 ημέρες, καταγράφηκαν αλλαγές στις τιμές των pixel στην περιοχή του Χαλεπιού, και συγκεκριμένα στη φωτεινότητα υποδομών, όπως δρόμοι, αυτοκινητόδρομοι, αεροδιάδρομοι, γέφυρες, κτίρια αλλά και στη βλάστηση. Κτίρια που υπέστησαν ζημιές έτειναν να είναι σκουρότερα, με αποτέλεσμα τη μείωση της φασματικής τιμής των αντίστοιχων pixel στο παγχρωματικό κανάλι. Αντίθετα, περιοχές με κατεστραμμένη βλάστηση και δέντρα έτειναν να δείχνουν φωτεινότερες λόγω της καταστροφής του φυλλώματος και έκθεσης του φωτεινότερου εδάφους. Στο σύνολο των 238 εικόνων, το Χαλέπι στο μεγαλύτερο μέρος του μοιάζει να παραμένει σταθερό από τη μία εικόνα στην άλλη και οι περισσότερες από τις αλλαγές σε επίπεδο pixel είναι ιδιαίτερα χαμηλές. Μερικά pixel δείχνουν σημαντικές αλλαγές στις τιμές μεταξύ των εικόνων αλλά έντονες μεταβολές μπορεί να υποδεικνύουν ένα βομβαρδισμένο κτίριο ή μια διασταύρωση καλυμμένη από συντρίμμια. Για το σκοπό της καταγραφής της χωρικής και χρονικής διασποράς των καταστροφών στο Χαλέπι, μόνο μεταβολές πάνω από ένα ελάχιστο όριο θεωρήθηκαν σημαντικές, οπότε και αγνοήθηκαν μεταβολές που ενδεχομένως προέκυψαν από διαφορετικά αίτια. Λόγω της χρήσης εικόνων με 16 μέρες απόσταση, είναι δυνατόν να εντοπιστούν ζημιές μικρής έκτασης κατά τη διάρκεια του πολέμου. Για παράδειγμα, είναι δυνατό να χαρτογραφηθούν ζημιές στα και περί των νοσοκομείων στο Χαλέπι τα οποία έχουν βομβαρδιστεί επανειλημμένα ή να καταγραφούν οι επιπτώσεις του πολέμου στην ιστορική ακρόπολη. Είναι επίσης δυνατό να απεικονιστούν εφήμερες ή αλλαγές μικρότερης κλίμακας, οι οποίες σε διαφορετική περίπτωση δε θα γίνονταν αντιληπτές στις εκτιμήσεις των HRW και UNOSAT. Παράλληλα, οι ιδιαίτερα σημαντικοί στη μεταφορά αγαθών και ανθρωπιστικής βοήθειας δρόμοι και κόμβοι δείχνουν τακτικές μεταβολές κατά τη διάρκεια του πολέμου, οι οποίες περνούν απαρατήρητες στους χάρτες των HRW και UNOSAT. Για παράδειγμα, ο δρόμος Castello στο βόρειο τμήμα της πόλης, ο οποίος χρησίμευε για την πρόσβαση στα ανατολικά τμήματα τα οποία κατέχονταν από αντικαθεστωτικές δυνάμεις, κατά το Μάιο – Ιούνιο του 2016 έγινε εσκεμμένα στόχος. Το γεγονός αυτό καταγράφηκε εκτεταμένα μέσα από βίντεο στο YouTube και γίνεται επίσης εμφανές μέσω της παρούσας ανάλυσης.

[[Εικόνα:Castello proper.JPG |thumb|right|Εικόνα 3:'''Σύγκριση των μεταβαλλόμενων pixel μεταξύ εικόνων Landsat μέσω του αλγόριθμου που αναπτύχθηκε και υψηλής ανάλυσης μετά από οπτική επεξεργασία. Οι εικόνες αποτυπώνουν έναν κεντρικό κόμβο στο δρόμο Castello.''']]

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://ac.els-cdn.com/S2095756416301076/1-s2.0-S2095756416301076-main.pdf?_tid=spdf-25446908-efab-4872-aa1f-0f5fbc1a221a&acdnat=1519578663_9ba66c468c28c2ed6703be7554d81211]

Αρχείο:Castello proper.JPG

2018-02-25T22:43:13Z

Dimpap27:

Αρχείο:Pixel change.JPG

2018-02-25T22:42:10Z

Dimpap27:

Αρχείο:Clouds.JPG

2018-02-25T22:39:11Z

Dimpap27:

Παπαγεωργίου Δημήτρης

2018-02-25T22:28:20Z

Dimpap27:

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες.]]

[[Χαρτογράφηση Καμένων Περιοχών στην Ελλάδα Χρησιμοποιώντας Εικόνες SPOT-4 HRVIR και Αντικειμενοστρεφή Ανάλυση Εικόνας.]]

[[Εντοπισμός καταστροφών μέσω τηλεπισκόπησης στην αστική ζώνη του Χαλεπιού.]]

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες.

2018-02-25T22:26:49Z

Dimpap27:

''' Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες. '''

'''Πρωτότυπος τίτλος:''' '' A review of road extraction from remote sensing images ''

'''Συγγραφείς: ''' Weixing Wang, Nan Yang, Yi Zhang, Fengping Wang, Ting Cao, Patrik Eklund

'''Δημοσιεύθηκε: ''' ''Journal of Traffic and Transportation Engineering (english edition) 2016; 3 (3): 271-282''

'''Εισαγωγή'''

Από την εκτόξευση του πρώτου αμερικανικού τηλεπισκοπικού δορυφόρου το 1972, μια σειρά τεχνολογιών που εφαρμόζονται στην επεξεργασία τηλεπισκοπικών εικόνων αναπτύχθηκε ραγδαία, συμπεριλαμβανομένων των τεχνικών της συμπίεσης, διάδοσης, ταξινόμησης, σύντηξης και κατανόησης. Οι υψηλής ανάλυσης τηλεπισκοπικές εικόνες όπως αυτές από τους δορυφόρους IKonos, QuickBird, WorldView και GeoEye παρέχουν έναν γρήγορο και οικονομικό τρόπο πρόσβασης στην πρόσφατα αποκτηθείσα γεωγραφική πληροφορία και θέτουν τη βάση για περαιτέρω εφαρμογές της τηλεπισκοπικής τεχνολογίας. Οι βασικές εφαρμογές των τηλεπισκοπικών εικόνων υψηλής ανάλυσης αφορούν μεταξύ άλλων την τηλεπισκόπηση πόλεων, τη γεωγραφική χαρτογράφηση, την παρακολούθηση και αξιολόγηση του περιβάλλοντος, τη γεωργία ακριβείας κ.α. Ο σλοπός των τηλεπισκοπικών εφαρμογών είναι η άντληση πληροφορίας και η κατανόηση της εικόνας. Η ψηφιοποίηση του οδικού δικτύου μέσω τηλεπισκόπησης είναι ένας απαιτητικός αλλά απαραίτητος ερευνητικός τομέας, ειδικά σε ό,τι αφορά τη διαχείριση κυκλοφορίας, τον πολεοδομικό σχεδιασμό, την πλοήγηση μέσω GPS κτλ. Η παρούσα εργασία πραγματοποιεί μια περίληψη των διαφορετικών τεχνικών που χρησιμοποιούνται τα τελευταία 30 χρόνια, ενώ παράλληλα εστιάζει σε πρόσφατα επιτεύγματα.

[[Εικόνα:Klasiko montelo dromou.JPG |thumb|right|Εικόνα 1:'''Κλασικό Μοντέλο Οδικού Δικτύου''']]

'''Χαρακτηριστικά του οδικού δικτύου και μοντέλα'''
Οι δυσκολίες στην ψηφιοποίηση του οδικού δικτύου από τηλεπισκοπικές εικόνες έγγυται στο γεγονός ότι τα χαρακτηριστικά του οδικού δικτύου επηρεάζονται από τον τύπο του αισθητήρα, τη φασματική και χωρική ανάλυση, τις καιρικές συνθήκες, τις μεταβολές στη φωτεινότητα, τα χαρακτηριστικά του εδάφους κ.α.
Σε γενικές γραμμές είναι αναγκαίο να γίνει βελτίωση μιας τηλεπισκοπικής εικόνας πριν να είναι δυνατή η εξαγωγή χρήσιμης πληροφορίας. Ένας δρόμος σε με τηλεπισκοπική εικόνα εμφανίζεται ως ένα επιμήκες γεωμετρικό τμήμα με 4 βασικές ομάδες χαρακτηριστικών:
Γεωμετρικά Χαρακτηριστικά: Ένας δρόμος γενικά εμφανίζεται σαν μια λωρίδα με σταθερό πλάτος και εξαιρετικά μεγάλο λόγο μήκους/πλάτους, παρουσιάζοντας διασταυρώσεις.
Φωτομετρικά Χαρακτηριστικά: Οι δρόμοι παροουσιάζουν δύο εμφανείς ακμές στις άκρες τους, ενώ οι φασματικές τιμές της επιφάνειας είναι σχετικά σταθερές και παρουσιάζουν μικρές μεταβολές, αλλά συνήθως είναι πολύ διαφορετικές από την περιβάλλουσα περιοχή.
Τοπολογικά Χαρακτηριστικά: Σε γενικές γραμμές, το οδικό δίκτυο παρουσιάζει διασταυρώσεις και δεν υπάρχουν ξαφνικές διακοπές.
Χαρακτηριστικά Υφής: Οι διαφορετικές υφές μιας εικόνες διατηρούν τοπικά χαρακτηριστικά, τα οποία υποδηλώνουν την ομοιογένεια της εικόνας. Η υφή χαρακτηρίζεται από την χωρική κατανομή των φασματικών εντάσεων των εικονοστοιχείων. Διαφορετικά στοιχεία του οδικού δικτύου έχουν και διαφορετικές ιδιότητες. Στην πράξη, οι περισσότερες μέθοδοι ψηφιοποίησης οδικού δικτύου χρησιμοποιούν συνδυασμό των χαρακτηριστικών του οδικού δικτύου αντί για ένα ξεχωριστό χαρακτηριστικό.
Καθώς μια σειρά παραγόντων μπορεί να επηρεάσει την ποιότητα μιας τηλεπισκοπικής εικόνας, είναι σημαντικό να ληφθούν υπόψιν οι παρακάτω παράγοντες παρεμβολής: - η παρατηρούμενη εμφάνιση ενός δρόμου σε μια τηλεπισκοπική εικόνα έχει σημαντικές διαφορές, γεγονός που καθιστά την κατάτμηση της εικόνας δυσκολότερη, - σε κακές καιρικές συνθήκες, η μικρή διαφορά στις φασματικές τιμές μεταξύ της επιφάνειας του δρόμου και του περιβάλλοντος δυσκολεύει το διαχωρισμό και προκαλεί κακό αποτέλεσμα κατάτμησης, - το πλάτος του δρόμου επιλέγεται ανάλογα με τις προδιαγραφές και δρόμοι με διαφορετικά πλάτη διασταυρώνονται, - το φαινόμενο της ασυνέχειας εμφανίζεται συχνά ειδικά σε περιπτώσεις όπου υπάρχουν σήραγγες και υπόγειες διαβάσεις, - μια τηλεπισκοπική εικόνα περιλαμβάνει μεγάλα ποσά πληροφορίας και είναι αναγκαία η εκτίμηση της ταχύτητας, της ακρίβειας και πληρότητας του αλγορίθμου ψηφιοποίησης

[[Εικόνα:Paradeigmata thlepip.JPG |thumb|right|Εικόνα 2:'''Παραδείγματα δύο τηλεπισκοπικών εικόνων (a) δρόμοι που περιβάλλονται κυρίως από γρασίδι και (b) δρόμοι που περιβάλλονται από υδατικές επιφάνειες και κτίρια''']]

'''Μέθοδοι Ψηφιοποίησης Οδικού Δικτύου'''

Μέθοδοι μέσω Ταξινόμησης:
Οι μέθοδοι μέσω ταξινόμησης συνήθως κάνουν χρήση των γεωμετρικών και φωτομετρικών χαρακτηριστικών και της υφής του δρόμου. Η ακρίβεια της ταξινόμησης συχνά δεν είναι ικανοποιητική λόγω της λανθασμένης ταξινόμησης μεταξύ του οδικού δικτύου και άλλων φασματικά παρόμοιων αντικειμένων όπως κτίρια, υδάτινοι όγκοι, πάρκινγκ κτλ. Ανάλογα με τη χρήση ή όχι περιοχών εκπαίδευσης, οι μέθοδοι χωρίζονται σε επιβλεπόμενες και μη. Οι επιβλεπόμενες μέθοδοι βασίζονται στην επιλογή περιοχών εκπαίδευσης και σε μεγάλο βαθμό η ακρίβεια της μεθόδου βασίζεται στα επιλεγμένα δείγματα. Σε γενικά πλαίσια οι μέθοδοι επιβλεπόμενης ταξινόμησης χωρίζονται σε μεθόδους με τεχνητά νευρωνικά δίκτυα, διανύσματα υποστήριξης μηχανής (support vector machines – svm), τυχαία πεδία Markov (Markov random fields – MRV) και μέγιστης πιθανοφάνειας (maximum likelihood – ML). Τα τεχνητά νευρωνικά δίκτυα εμπνέονται από τα βιολογικά νευρωνικά δίκτυα, όπου το υπολογιστικό μοντέλο αποτελείται από κόμβους οι οποίοι είναι συνδεδεμένοι μεταξύ τους. Μια σειρά από μεθόδους έχουν αναπτυχθεί βασισμένες πάνω σε αλγόριθμους οπισθοδιάδοσης (back propagation algorithm), οι οποίες παρουσιάζουν έναν σημαντικό αριθμό μειονεκτημάτων, όπως η ανάγκη πολλαπλών δειγμάτων εκπαίδευσης, η μείωσης της απόδοσης με την αύξηση του αριθμού των κατηγοριών ταξινόμησης κ.α., οπότε νέες μέθοδοι αναπτύσονται συνεχώς. Οι μέθοδοι που κάνουν χρήση διανυσμάτων υποστήριξης μηχανής είναι επιβλεπόμενες μέθοδοι οι οποίες αναπτύχθηκαν αρχικά για πραγματοποίηση ταξινόμησης και ανάλυση παλινδρόμησης. Παρουσιάζουν κάποια πλεονεκτήματα σχετικά με τη δυνατότητα γενικοποίησής τους και χρησιμοποιούνται ευρέως για την ανίχνευση αντικειμένων σε τηλεπισκοπικές εικόνες. Ωστόσο, παρουσιάζουν δυσκολίες στη χρήση τους όπως η επιλογή του διαστατικού χώρου, περιοχών εκπαίδευσης κ.α. Οι μέθοδοι με τη χρήση τυχαίων πεδίων Markov ανήκουν σε κλάδο της θεωρίας πιθανοτήτων και μπορούν να εξηγήσουν την συσχέτιση μεταξύ φυσικών φαινομένων. Η αλληλεπίδραση μεταξύ των εικονοστοιχείων διατηρεί μια χωρική συσχέτιση ώστε η εικόνα μπορεί να αναλυθεί αποτελεσματικά με τη χρήση τυχαίων πεδίων Markov πειγράφοντας τα στατιστικά χαρακτηριστικά της υφής. Ο αλγόριθμος χρησιμοποιείται ευρέως στην ανίχνευση ακμών, την κατάτμηση εικόνας κ.α. Η ταξινόμηση μέγιστης πιθανοφάνειας είναι μία από τις πιο συχνές μεθόδους επιβλεπόμενης ταξινόμησης. Κάνει χρήση της γκαουσιανής συνάρτησης πιθανοφάνειας και υπολογίζει την πιθανότητα κάποιου εικονοστοιχείου να ανήκει σε κάποια από τις κατηγορίες και το τοποθετεί στην κατηγορία με τη μεγαλύτερη πιθανότητα. Πρόσφατα, με σκοπό τη βελτίωση της ακρίβειας της ταξινόμησης, μια σειρά ερευνών πραγματοποιοούνται πάνω στον συνδυασμό διαφορετικών μεθόδων ταξινόμησης. Η ιδέα είναι να γίνεται εκπαίδευση διαφορετικών αλγορίθμων ταξινόμησης πάνω στις ίδιες περιοχές και στη συνέχεια να συνδυάζονται τα αποτελέσματα της ταξινόμησης. Οι μη επιβλεπόμενες μέθοδοι δεν απαιτούν την εκπαίδευση και έχουν κάποια πλεονεκ΄τηματα όσων αφορά στην επίλυση θεμάτων ταξινόμησης, αλλά σε γενικές γραμμές παράγουν αποτελέσματα χαμηλότερης ακρίβειας.

[[Εικόνα:Psif drom.JPG |thumb|right|Εικόνα 3:'''(a) Αρχική εικόνα IKONOS (b) Ψηφιοποιημένος δρόμος''']]

Μέθοδοι Έμπειρων Συστημάτων:
Η ψηφιοποίηση δρόμων κάνοντας χρήση μόνο του τοπικού φάσματος και της πληροφορίας της υφής είναι δύσκολη. Τα μονέλα που κάνουν χρήση κάποιων κοινών παραμέτρων συνήθως κάνουν εξαγωγή κάποιων δομικών στοιχείων σύμφωνα με τη μεταξύ τους σχέση και εντοπίζουν συγκεκριμένες κατασκευές με σκοπό την υλοποίηση της τελικής ανίχνευσης αντικειμένου. Ενώ μια σειρά μεθόδων έχουν χρησιμοποιηθεί για την ψηφιοποίηση δρόμων από τηλεπισκοπικές εικόνες, οι μέθοδοι αυτές έχουν μια σειρά μειονεκτημάτων.
Μέθοδοι Μαθηματικής Μορφολογίας:
Η μέθοδος μαθηματικής μορφολογίας έχει επιστήσει την προσοχή μιας σειράς ακαδημαϊκών κύκλων σε τομείς όπως η επεξεργασία εικόνας, η αναγνώριση προτύπων κ.α. Από τη δεκαετία του ’80 ερευνητές χρησιμοποιούν τη μέθοδο για ψηφιοποίηση δρόμων από τηλεπισκοπικές εικόνες, ωστόσο τέτοιες μέθοδοι συνήθως συνδιάζονται με διαφορετικές μεθόδους κατάτμησης της εικόνας. Οι μέθοδοι μαθηματικής μορφολογίας παρέχουν κάποια βασικά πλεονεκτήματα τα οποία τις καθιστούν ευρέως χρησιμοποιούμενες για την ψηφιοποίηση δρόμων από τηλεπισκοπικές εικόνες, ωστόσο στην πράξη η κατάτμηση της εικόνας επηρεάζεται σημαντικά από την επιλογή των στοιχείων (σχήμα και μέγεθος).
Μοντέλα Ενεργού Περιγράμματος:
Η βασική ιδέα της μεθόδου είναι η χρήση μιας συνεχούς καμπύλης για την έκφραση της κατατομής των αντικειμένων και του ορισμού συνάρτησης ενέργειας με σκοπό η διαδικασία κατάτμησης να ορίζεται από την κατώτατη τιμή της συνάρτησης ενέργειας. Η χρήση του μοντέλου σε συνδυασμό με άλλες μεθόδους αποτελεί αυξανόμενη τάση για τη δημιουργία σωστών αποτελεσμάτων κατάτμησης σε τηλεπισκοπικές εικόνες.
Δυναμικός Προγραμματισμός και Ομαδοποίηση:
Ο δυναμικός προγραμματισμός εφαρμόζει μια μαθηματική μέθοδο για την επίλυση της βελτιστοποίησης της διαδικασίας απόφασης. Σε γενικές γραμμές, ένα παραμετρικό μοντέλο του δρόμου εκφράζεται ως συνάρτηση κόστους και στη συνέχεια γίνεται χρήση δυναμικού προγραμματισμού ως υπολογιστικού εργαλείου για τον ορισμό της βέλτισης πορείας μεταξύ των σημείων εισαγωγής.

[[Εικόνα:Psif drom 2.JPG |thumb|right|Εικόνα 4:'''(a) Αρχική εικόνα (b) Ανίχνευση οδικού δικτύου''']]

'''Σύκριση'''

Όπως προαναφέρθηκε, κάθε αλγόριθμος έχει τα αντίστοιχα πλεονεκτήματα και μειονεκτήματα και ως εκ τούτου είναι δύσκολη η χρήση αποκλειστικά μιας μεθόδου για την επίτευξη υψηλής ακρίβειας κατάτμησης. Ως αποτέλεσμα οι διαδικασίες ψηφιοποίησης δρόμων πρέπει να συμπεριλαμβάνουν μια σειρά μεθόδων. Τα περισσότερα υπάρχοντα μοντέλα αντιμετωπίζουν τον δρόμο ως μια στενή φωτεινή λωρίδα και παράγουν καλό αποτέλεσμα ανίχνευσης. Ωστόσο, με την συνεχώς αυξανόμενη ανάλυση των εικόνων, τα χαρακτηριστικά των δρόμων αποκτούν μεγαλύτερη λεπτομέρεια με εντονότερες παρεμβολές λόγω οπτικού θορύβου και επομένως απαιτούν μια πιο λεπτομερή περιγραφή. Επομένως η επίτευξη ενός λεπτομερούς μοντέλου και η γρήγορη και ακριβής ψηφιοποίησης των δρόμων αποτελέι κοινό ενδιαφέρον πολλών ερευνητών.

[[Εικόνα:Psif drom 3.JPG |thumb|right|Εικόνα 5:'''Αποτελέσματα Ψηφιοποίησης (a) Αρχική εικόνα (b) Ανίχνευση οδικού δικτύου''']]

'''Συμπεράσματα'''
Η συγκεκριμένη εργασία επικεντρώνεται κυρίως στην ψηφιοποίηση κεντρικών και τροφοδοτικών δρόμων από τηλεπισκοπικές εικόνες. Οι περισσότερες από τις υπάρχουσες μεθόδους μπορούν με επιτυχία να αναγνωρίσουν δρόμους οι οποίοι έχουν ομογενή επιφάνεια, κάνοντας χρήση διαφορετικών χαρακτηριστικών. Ωστόσο, σε περιπτωσεις όπου ο περιβάλλων χώρος αποτελείται από υδατικές επιφάνειες, δέντρα, κτίρια, γρασίδι ή αυτοκίνητα και ειδικά από κατασκευές όπως υπερυψωμένες διαβάσεις, η φηφιοποίηση συχνά αποτυγχάνει, εισάγοντας κενά και ασυνέχειες. Επομένως, είναι αναγκαία επιπλέον έρευνα κυρίως λόγω της δυσκολίας της ενσωμάτωσης τέτοιου είδους ασυναφειών στην διαδικασία μοντελοποίησης, της ανάγκης χρήσης διαφορετικών και πολλαπλών χαρακτηριστικών των δρόμων σε μια τηλεπισκοπική εικόνα (υφή, φασματική υπογραφή κτλ) και της ανάγκης δημιουργίας μιας πλήρως αυτοματοποιημένης μεθόδου.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://ac.els-cdn.com/S2095756416301076/1-s2.0-S2095756416301076-main.pdf?_tid=spdf-25446908-efab-4872-aa1f-0f5fbc1a221a&acdnat=1519578663_9ba66c468c28c2ed6703be7554d81211]

Χαρτογράφηση Καμένων Περιοχών στην Ελλάδα Χρησιμοποιώντας Εικόνες SPOT-4 HRVIR και Αντικειμενοστρεφή Ανάλυση Εικόνας.

2018-02-25T22:26:02Z

Dimpap27: Νέα σελίδα με '''' Χαρτογράφηση καμένων περιοχών στην Ελλάδα χρησιμοποιώντας εικόνες SPOT-4 HRVIR και αντικειμενο...'

''' Χαρτογράφηση καμένων περιοχών στην Ελλάδα χρησιμοποιώντας εικόνες SPOT-4 HRVIR και αντικειμενοστρεφή ανάλυση εικόνας. '''

'''Πρωτότυπος τίτλος:''' '' Burned Area Mapping in Greece Using SPOT-4 HRVIR Images and Object-Based Image Analysis ''

'''Συγγραφείς: ''' Anastasia Polychronaki, Ioannis Z. Gitas

'''Δημοσιεύθηκε: ''' ''Remote Sensing 2012, 4(2), 424-438''

'''Σκοπός'''

Οι καταστροφικές πυρκαγιές που συνέβησαν τα καλοκαίρια του 2007 και 2009 στην Ελλάδα έκανα προφανή την ανάγκη για έναν λειτουργικό μηχανισμό χαρτογράφησης καμένων περιοχών. Με σκοπό τη δημιουργία μιας διαδικασίας ταξινόμησης για χαρτογράφηση καμένων περιοχών, χρησιμοποιήθηκαν εικόνες SPOT-4 HRVIR σε περιβάλλον αντικειμενοστραφούς ταξινόμησης. Η διαδικασία βασίστηκε σε δύο εικόνες και στη συνέχεια έγιναν έλεγχοι για τη δυνατότητα μεταφοράς σε άλλες καμένες περιοχές. Τα αποτελέσματα έδειξαν πολύ υψηλή ακρίβεια ταξινόμησης και η διαδικασία αντικειμενοστραφούς ταξινόμησης που αναπτύχθηκε μπορεί να χρησιμοποιηθεί και σε άλλες περιοχές μελέτης.

'''Εισαγωγή'''
Οι ακριβείς πληροφορίες σχετικά με τις επιπτώσεις της φωτιάς στο περιβάλλον είναι σημαντικός παράγοντας για τις ακόλουθες διαδικασίες: ποσοτικοποίηση των επιπτώσεων της φωτιάς στο τοπίο, επιλογή και προτεραιοποίηση των επί τόπου διαδικασιών βελτίωσης, σχεδιασμός και παρακολούθηση διαδικασιών αποκατάστασης και παροχή πληροφοριών για μελλοντική παρακολούθηση. Λόγω της εξαιρετικά ευρείας έκτασης και της συχνά περιορισμένης πρόσβασης στις πυρόπληκτες περιοχές, η δορυφορική τηλεπισκόπηση αποτελεί μια βασική τεχνολογία για τη συλλογή πληροφοριών μετά την πυρκαγιά με αποδοτικό τρόπο και χαμηλό κόστος. Λόγω της αυξημένης συχνότητας πυρκαγιών στην περιοχή της Μεσογείου, είναι αναγκαία η δημιουργία μιας αξιόπιστης διαδικασίας για τη χαρτογράφηση καμένων περιοχών με ακρίβεια και ταχύτητα. Οπτικά δορυφορικά δεδομένα χρησιμοποιούνται εδώ και χρόνια για την ανίχνευση και χαρτογράφηση πυρόπληκτων περιοχών, κάνοντας χρήση μιας σειράς δορυφόρων και διαφορετικών τεχνικών, ονομαστικά: principal component analysis, spectral mixture analysis, logistic regression modeling, supervised classification, multitemporal image composition algorithms, spectral indices thresholding και πρόσφατα support vector machines technique for burned area mapping. Παρότι έχουν χρησιμοποιηθεί πολλές διαφορετικές τεχνικές, οι μεθοδολογίες δημιουργούν διάφορους τύπους σύγχυσης μεταξύ των καμένων εκτάσεων και άλλων χρήσεων γης, όπως υδατικοί όγκοι, σκιές και υγιής βλάστηση. Η αντικειμενοστρεφής ανάλυση ξεκίνησε να χρησιμοποιείται πρόσφατα στο πεδίο της χαρτογράφησης πυρόπληκτων περιοχών και ήδη δείχνει καλά αποτελέσματα. Οι στόχοι της συγκεκριμένης εργασίας είναι: η δημιουργία μιας μεθοδολογίας αντικειμενοστρεφούς ταξινόμησης για τη χαρτογράφηση πυρόπληκτων εκτάσεων στις δύο περιοχές της Ελλάδας χρησιμοποιώντας SPOT-4 HVIR εικόνες και ο έλεγχος της δυνατότητας χρήσης της συγκεκριμένης μεθοδολογίας ταξινόμησης για την χαρτογράφηση δύο διαφορετικών πυρόπληκτων περιοχών της Ελλάδας.

[[Εικόνα:Perioxh.JPG |thumb|right|Εικόνα 1:'''Τοποθεσία των περιοχών μελέτης (1) Πελοπόννησος (2) Ανατολική Αττική (3) Πάρνηθα (4) Πήλιο''']]

'''Περιοχή Μελέτης και Δεδομένα'''

Η παρούσα εργασία εξετάζει τις πυρκαγιές που συνέβησαν στις περιοχές της Πελοποννήσου, Ανατολικής Αττικής, Πηλίου και Πάρνηθας, τα καλοκαίρια του 2007 και 2009. Οι περιοχές μελέτης είναι καλυμμένες από διαφορετικά ήδη βλάστησης, χαμηλής και δασώδους. Το καλοκαίρι του 2007 η Ελλάδα αντιμετώπισε μια από τις χειρότερες καταστροφές των τελευταίων δεκαετιών, με το 12% της συνολικής δασώδους επιφάνειας της Ελλάδας να έχει καεί. Τέσσερις εικόνες SPOT -4 HVIR (4 κανάλια: πράσινο, κόκκινο, εγγύς υπέρυθρο (NIR) και μικρού μήκους κύματος υπέρυθρο (SWIR)) αποκτήθηκαν πολύ σύντομα μετά τις πυρκαγιές. Παράλληλα, λόγω της έλλειψης επίσημων περιμέτρων των πυρκαγιών, χρησιμοποιήθηκαν 3 εικόνες πολύ υψηλής ανάλυσης (VHR) (2 SPOT-5 , 1 Ikonos) για την εκτίμηση της ακρίβειας της ταξινόμησης.

'''Μεθοδολογία'''

Η μεθοδολογία περιλαμβάνει τη προεπεξεργασία των SPOT-4 HVIR εικόνων, τη δημιουργία της διαδικασίας αντικειμενοστραφούς ταξινόμησης και τον έλεγχο της δυνατότητας χρήσης της διαδικασίας σε άλλες περιοχές μελέτης. Κατά την προεπεξεργασία των δεδομένων έγινε ατμοσφαιρική διόρθωση των εικόνων για την βελτίωση του αποτελέσματος της ταξινόμησης και θεωρήθηκε αναγκαία δεδομένου ότι η διαδικασία θα χρησιμοποιούνταν κάνοντας χρήση διαφορετικών εικόνων που είχαν παρθεί υπό διαφορετικές ατμοσφαιρικές συνθήκες. Στη συνέχεια έγινε γεωμετρική διόρθωση των SPOT εικόνων χρησιμοποιώντας τις VHR εικόνες ως εικόνες αναφοράς μέσω διγραμμικής παρεμβολής και τέλος δημιουργήθηκαν χάρτες αναφοράς των πυρόπληκτων περιοχών μέσω φωτοερμηνείας και ψηφιοποίησης των VHR εικόνων. Για τη διαμόρφωση της μεθοδολογίας αντικειμενοστρεφούς ταξινόμησης χρησιμοποιήθηκαν αρχικά 2 εικόνες SPOT, μία για τη δημιουργία και μία για την βαθμονόμηση της διαδικασίας ταξινόμησης. Οι υπόλοιπες 2 εικόνες χρησιμοποιήθηκαν στη συνέχεια για να εκτιμηθεί η δυνατότητα εφαρμογής της διαδικασίας σε διαφορετικές περιοχές μελέτης. Για τις ανάγκες της παρούσης έγινε χρήση του λογισμικού eCognition Developer 8.0. Αρχικά έγινε κατάτμηση της εικόνας σε αντικείμενα. Για τον καθορισμό του μεγέθους των αντικειμένων ελήφθησαν υπόψιν μια σειρά παραγόντων, ονομαστικά: η παράμετρος κλίμακας (scale parameter), τα βάρη των επιπέδων (single layer weights) και το κριτήριο ομοιογένειας (homogeneity criterion). Για την παραγωγή των αντικειμένων κατάλληλου μεγέθους ακολουθήθηκε μια διαδικασία trial-and-error και τελικά: στα πράσινο, κόκκινο και NIR κανάλια δόθηκε layer weight 1 ενώ στο SWIR 0, η κλίμακα τέθηκε 15 και στο κριτήριο χρώματος δόθηκε το μέγιστο βάρος. Στο επόμενο βήμα έγινε ταξινόμηση των αντικειμένων σε δύο κατηγορίες: καμένα και νερό. Σε αυτό το στάδιο τα αντικείμενα που χαρακτηρίστηκαν ως καμένα θα χρησιμοποιούντο στην πορεία για την τελική ταξινόμηση των καμένων περιοχών. Η δημιουργία της κατηγορίας του νερού βοήθησε να ξεπεραστεί η σύγχυση μεταξύ των καμένων και υδατικών όγκων σε επόμενα βήματα. Για κάθε κατηγορία ορίστηκε ένας κανόνας. Στην συγκεκριμένη περίπτωση ήταν αρκετή η ευσαγωγή κατώτατων ορίων ήταν αρκετή και δεν ήταν αναγκαία η χρήση μεθόδων ασαφούς λογικής (fuzzy logic).Στα επόμενα βήματα περιλαμβάνονταν η βελτιστοποίηση της αρχικής ταξινόμησης, κάτι που κρίθηκε αναγκαίο καθώς κάποια αντικείμενα στη ακτογραμμή ταξινομούνταν λανθασμένα ως καμένα. Στη συνέχεια, μόνο τα μη ταξινομημένα αντικείμενα επανακατατμήθηκαν, με σκοπό τη δημιουργία μικρότερων αντικειμένων για την ταξινόμηση μικρότερων καμένων επιφανειών οι οποίες δεν είχαν κατηγοριοποιηθεί στο προηγούμενο βήμα ταξινόμησης, με μόνη διαφορά στα κριτήρια της αλλαγής της κλίμακας σε 5. Σε αυτό το βήμα δημιουργήθηκε μια τρίτη κατηγορία, αυτή της «χέρσας γης», λόγω σύγχυσης μεταξύ ελαφρώς καμένων περιοχών και γυμνού εδάφους. Κατά το τελευταίο βήμα έγινε εφαρμογή της μεθοδολογίας στις υπόλοιπες δύο εικόνες με σκοπό τον έλεγχο της δυνατότητας χρήσης της διαδικασίας σε διαφορετικές περιοχές μελέτης.

[[Εικόνα:Flowchart.JPG |thumb|right|Εικόνα 2:'''Διάγραμμα ροής της μεθοδολογίας κατά την ανάπτυξη της διαδικασίας ταξινόμησης''']]

[[Εικόνα:Final.taki.JPG |thumb|right|Εικόνα 3:'''(a) Λεπτομέρεια της SPOT-4 HVIR εικόνας που απεικονίζει την φωτιά της Ανατολικής Αττικής (b) Ταξινόμηση των αντικειμένων εισαγωγής των καμένων περιοχών (κίτρινο) και των υδατικών επιφανειών (μπλε) (c) Βελτιστοποίηση της ταξινόμησης, αντικέιμενα με NBR<-0.15 ενσωματώθηκαν με τις καμένες περιοχές (d) Τελική ταξινόμηση''']]

'''Αποτελέσματα και Συμπεράσματα'''
Σε γενικές γραμμές, τα αποτελέσματα δείχνουν ότι με την διαδικασία αντικειμενοστρεφούς ταξινόμησης που αναπτύχθηκε, έγινε χαρτογράφηση των καμένων εκτάσεων με πολύ μεγάλη ακρίβεια της τάξης του 97.8% σε σύγκριση με τον χάρτη αναφοράς και με τον συντελεστή κ να είναι 0.87. Ταυτόχρονα, οι παραλήψεις των καμένων περιοχών που δεν ταξινομήθηκαν βρέθηκαν να είναι χαμηλές, της τάξης του 10.52%, ενώ η υπερεκτίμηση των καμένων περιοχών βρέθηκε λίγο υψηλότερη, της τάξης του 12.24%. Σχετικά με τη δυνατότητα μεταφοράς της μεθοδολογίας σε διαφορετικές περιοχές, τα αποτελέσματα ήταν αντίστοιχα και στις υπόλοιπες δύο περιοχές μελέτης, με την ταξινόμηση να είναι σχετικά καλύτερη στην περιοχή του Πηλίου σε σχέση με αυτή της Πάρνηθας, γεγονός που θα μπορούσε να αποδοθεί στη σύγχυση μεταξύ καμένων και σκιασμένων τμημάτων στις περιοχές με μεγάλη κλίση. Η χρήση φασματικής πληροφορίας σε συνδυασμό με συναφή πληροφορία μπορεί να βοηθήσει στο να ξεπεραστεί η σύγχυση μεταξύ καμένων εκτάσεων και άλλων κατηγοριών κάλυψης γης όπως υδατικά σώματα και σκιές. Τα αποτελέσματα αποδεικνύουν τη δυνατότητα χρήσης SPOT-4 HVIR εικόνων και αντικειμενοστραφούς ταξινόμησης για τη χαρτογράφηση διαφορετικών καμένων εκτάσεων στην Ελλάδα.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [http://www.mdpi.com/2072-4292/4/2/424/htm]

Αρχείο:Final.taki.JPG

2018-02-25T22:20:45Z

Dimpap27:

Αρχείο:Flowchart.JPG

2018-02-25T22:17:01Z

Dimpap27:

Αρχείο:Perioxh.JPG

2018-02-25T22:14:00Z

Dimpap27:

Παπαγεωργίου Δημήτρης

2018-02-25T22:06:42Z

Dimpap27:

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες.]]

[[Χαρτογράφηση Καμένων Περιοχών στην Ελλάδα Χρησιμοποιώντας Εικόνες SPOT-4 HRVIR και Αντικειμενοστρεφή Ανάλυση Εικόνας.]]

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση.]]

[[category:ΔΠΜΣ "Περιβάλλον & Ανάπτυξη" (Αθήνα)]]

Ανασκόπηση της Ψηφιοποίησης Οδικού Δικτύου από Τηλεπισκοπικές Εικόνες.

2018-02-25T21:57:55Z

2018-02-20T21:54:42Z

Dimpap27:

''' Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση. '''

'''Πρωτότυπος τίτλος:''' '' Remote sensing of snow avalanches. Potential and limitation for operational use ''

'''Συγγραφείς: ''' Markus Eckerstorfer, Yves Bühler

'''Δημοσιεύθηκε: ''' ''ResearchGate, Απρίλιος 2015''

'''Εισαγωγή'''

Στο σύνολο της έρευνας πάνω στις χιονοστιβάδες, τα βασικά ερωτήματα παραμένουν τα ίδια. Παρόλα αυτά, οι μέθοδοι προσέγγισης των πολύπλοκων διαδικασιών που εμπλέκονται στη δημιουργία χιονοστιβάδων εξελίσσονται. Οι έρευνες πεδίου αποτελούν ακόμα τη ραχοκοκαλιά του συνόλου της έρευνας, αλλά δεν έχει επιτευχθεί η δημιουργία χρονικών και χωρικών βάσεων δεδομένων για τη δραστηριότητα των χιονοστιβάδων. Η χρήση τηλεπισκοπικών οργάνων στην έρευνα των χιονοστιβάδων δύναται να καλύψει αυτό το κενό πληροφορίας, καθώς επιτρέπει την περιεκτική, αμερόληπτη και ασφαλή συνεχόμενη παρακολούθηση μεγάλων επιφανειών. Ενώ η τηλεπισκόπηση χιονιού έχει μεγάλη ιστορία, η τηλεπισκόπηση χιονοστιβάδων βρίσκεται σε πρώιμο στάδιο. Στην παρούσα εργασία γίνεται μια ανασκόπηση των πρόσφατων εξελίξεων στην εξ αποστάσεως ανίχνευση χιονοστιβάδων, αναφέρονται δυνατότητες και περιορισμοί της μεθόδου και γίνονται προτάσεις για περαιτέρω λειτουργικές προβλέψεις.

'''Πιθανοί χρήστες, Σύγχρονες ανάγκες και κενά πληροφορίας'''

Σε μια πρόσφατη μελέτη, διεξήχθησαν συνεντεύξεις με επαγγελματίες που ασχολούνται με τις χιονοστιβάδες με σκοπό τον εντοπισμό πιθανών ομάδων χρηστών των τηλεπισκοπικών δεδομένων καθώς και των κενών πληροφορίας που θα μπορούσαν να καλυφθούν. Τρείς βασικές ομάδες χρηστών εντοπίστηκαν: εθνικές και περιφερειακές υπηρεσίες προειδοποίησης χιονοστιβάδων, αλπικές υπηρεσίες καθώς και υπηρεσίες διαχείρισης και κατασκευής οδών και τέλος το ευρύ κοινό. Τα τρία βασικά κενά πληροφορίας που εντοπίστηκαν ήταν η δραστηριότητα των χιονοστιβάδων, η έλλειψη πληροφορίας για την επιφάνεια του χιονιού και η σταθερότητα του στρώματος χιονιού, με πιο κρίσιμο να χαρακτηρίζεται αυτό της έλλειψης πληροφορίας για τη δραστηριότητα χιονοστιβάδων. Τα δεδομένα θα πρέπει να είναι γρήγορα διαθέσιμα, αξιόπιστα, να έχουν υψηλή χρονική ανάλυση (μικρότερη των τριών ημερών) και χωρική ανάλυση καλύτερη των 5 μέτρων.

'''Το ηλεκτρομαγνητικό φάσμα'''

Τα όργανα τηλεπισκόπησης μπορούν να βασίζονται σε επίγειες, εναέριες ή διαστημικές πλατφόρμες, παίρνοντας μετρήσεις σε διαφορετικά μήκη κύματος τους ηλεκτρομαγνητικού φάσματος. Οι οπτικοί αισθητήρες κάνουν χρήση του ανακλώμενου φωτός του ήλιου και επομένως χαρακτηρίζονται ως παθητικοί. Οι LiDAR (Light Detection and Ranging) και Radar (Radio Detection and Ranging) αισθητήρες, εκπέμπουν ακτινοβολία και παίρνουν μετρήσεις της ανακλώμενης από την επιφάνεια της γης ακτινοβολίας και επομένως χαρακτηρίζονται ως ενεργητικοί αισθητήρες. Οι LiDAR αισθητήρες λειτουργούν στο ορατό και NIR τμήμα του φάσματος, ενώ οι αισθητήρες radar εκπέμπουν μικροκύματα και έχουν το πλεονέκτημα της παροχής πληροφορίας ακόμα και υπό κακές καιρικές συνθήκες.

'''Οπτική τηλεπισκόπηση χιονοστιβάδων'''

Το χιόνι έχει σε γενικές γραμμές υψηλή ανακλαστικότητα στα ορατά μήκη κύματος η οποία εξαρτάται κυρίως από το μέγεθος του «κόκκου» του χιονιού, καθώς και από την περιεκτικότητα σε υγρό νερό για το τμήμα του εγγύς υπέρυθρου. Η ανίχνευση χιονοστιβάδων λειτουργεί βάσει των διαφορών στην αντίθεση μεταξύ του ανώμαλου τμήματος της χιονοστιβάδας και της περιβάλλουσας χιονοκάλυψης. Με τη χρήση εικόνων υψηλής ανάλυσης, είναι δυνατή η εκπαίδευση αυτόματων αλγόριθμων στον εντοπισμό χιονοστιβάδων. Οι αλγόριθμοι λειτουργούν σταδιακά αφαιρώντας περιοχές των εικόνων που δεν είναι αντιπροσωπευτικές των χιονοστιβάδων και των φερτών υλικών που πιθανώς να μεταφέρουν. Με αυτόν τον τρόπο οι χιονοστιβάδες μπορούν να εντοπιστούν με πολύ μεγάλα ποσοστά επιτυχίας, ωστόσο επιτόπια επαλήθευση ή επαλήθευση μέσω μοντέλων είναι συνήθως αναγκαία. Η πολύ υψηλή χωρική ανάλυση των οπτικών αισθητήρων συνοδεύεται από υψηλά κόστη απόκτησης, περιορισμένης χρονικής ανάλυσης και χωρικού εύρους, καθώς επίσης είναι αδύνατη η χρήση τους υπό αντίξοες καιρικές συνθήκες ή σε συνθήκες σκότους. Μια πιο φιλική από άποψη κόστους προσέγγιση είναι η χρήση αυτόματων φωτογραφικών μηχανών λήψης με διαστήματα (time lapse).

'''Τηλεπισκόπηση με χρήση LiDAR'''

Τα μήκη κύματος στα οποία λειτουργούν οι αισθητήρες LiDAR διεισδύουν μόνο μερικά εκατοστά στο ξερό χιόνι. Έρευνες έχουν δείξει πως οι χιονοστιβάδες μπορούν να εντοπιστούν μέσω επαναλαμβανόμενων σαρώσεων ως τμήματα που δείχνουν υψηλή συγκέντρωση μάζας στο σημείο συσσώρευσης και χαμηλή συγκέντρωση στην εκκίνηση και κατά τη διαδρομή. Τα ακριβά όργανα LiDAR παράγουν υψηλής ακρίβειας επιφανειακά μοντέλα, με ανάλυση καλύτερης των 15 εκατοστών και είναι μέχρι στιγμής η πιο ακριβής μέθοδος χαρτογράφησης μαζών που μετακινήθηκαν από χιονοστιβάδα, αλλά καλύπτοντας μόνο μία πλαγιά.

'''Τηλεπισκόπηση με χρήση Radar'''

Όταν το σήμα του ραντάρ χτυπήσει μια επιφάνεια ξερού χιονιού διαχέεται μερικώς από την επιφάνεια του χιονιού, του κόκκους του χιονιού και τη διεπιφάνεια μεταξύ χιονιού και εδάφους . Επομένως, ο όγκος του χιονιού, η περιεκτικότητα σε νερό σε υγρή μορφή, το μέγεθος των κόκκων, η πυκνότητα και παρουσία πάγου επηρεάζουν δραστικά το ανακλώμενο σήμα. Σε συνθήκες υγρού χιονιού αντιθέτως, το σήμα ανακλάται κατά βάση από την επιφάνεια του χιονιού, χωρίς να υπάρχει σημαντική διείσδυσή του σήματος στον όγκο της χιονοκάλυψης. Μέχρι στιγμής, δεν υπάρχει δημοσιευμένο κάποιο ποσοτικό ηλεκτρομαγνητικό μοντέλο για τη διάχυση του φωτός από χιονοστιβάδες. Ωστόσο, οι χιονοστιβάδες αποτυπώνονται ως στοιχεία με αυξημένη διάχυση σε φωτογραφίες radar σε σχέση με την περιβάλλουσα χιονοκάλυψη. Σύμφωνα με σύγχρονες μελέτες, αυτή η διαφορά στη διάχυση του φωτός είναι ιδιαίτερα χρήσιμη για τον εντοπισμό χιονοστιβάδων, ωστόσο οι δορυφορικές ειόνες radar είναι αρκετά κοστοβόρες και δεν χαρακτηρίζονται από χρονική συνέχεια.

'''Κατάταξη οπτικών, radar και LiDAR αισθητήρων'''

Για την ανίχνευση μιας μοναδικής χιονοστιβάδας, η χωρική ανάλυση του αισθητήρα αποτελεί τον βασικότερο παράγοντα, με ελάχιστη ανάλυση τα 30 μέτρα. Σύμφωνα με τους συγγραφείς της έρευνας, οι αισθητήρες radar είναι οι βέλτιστοι για τη συγκεκριμένη εφαρμογή, κυρίως λόγω της δυνατότητας παροχής πληροφορίας ανεξαρτήτως καιρικών συνθηκών και του μεγάλου εδαφικού εύρους υψηλής ανάλυσης δεδομένων. Οι LiDAR αισθητήρες κατατάσσονται ως οι δεύτεροι καλύτεροι, κυρίως λόγω της δυνατότητας γρήγορης απόκτησης δεδομένων και υψηλής χωρικής ανάλυσης και ευκρίνειας. Οι αισθητήρες LiDAR έχουν ένα βασικό πλεονέκτημα όσων αφορά τον εντοπισμό διαφορών σε μάζες χιονιού πραγματοποιώντας σαρώσεις πριν και μετά τη δημιουργία χιονοστιβάδας. Οι οπτικοί αισθητήρες καταλαμβάνουν την τελευταία θέση για τη συγκεκριμένη εφαρμογή. Πολύ υψηλής ανάλυσης εικόνες είναι ακριβές και συνήθως χαρακτηρίζονται από μεγάλους χρόνους επανακαταγραφής. Πρόσφατες μελέτες έκαναν χρήση αεροφωτογραφιών οι οποίες όμως απαιτούν τη χρήση αεροπλάνου και ακριβών συστημάτων. Παράλληλα, εξαιτίας της εξάρτησης από τις καιρικές συνθήκες, η παροχή των αναγκαίων στοιχείων δεν μπορεί να θεωρηθεί δεδομένη. Ωστόσο, κάνοντας χρήση οπτικών δεδομένων υψηλής ανάλυσης, είναι δυνατή η ανίχνευση χιονοστιβάδων με μεγάλη ακρίβεια και χαμηλά ποσοστά λάθους, χρησιμοποιώντας παράλληλα αυτοματοποιημένες μεθόδους.

'''Σύνοψη'''

Έως σήμερα, οι διαθέσιμοι λειτουργικοί δορυφόροι δεν παρέχουν τα αναγκαία σε πραγματικό χρόνο δεδομένα για την κα΄λυψη των αναγκών των διαφορετικών ομάδων χρηστών, μια ανάγκη που ίσως καλύψει ο πλέον λειτουργικός δορυφόρος Sentinel, καθώς προσφέρει δωρεάν εικόνες υψηλής ανάλυσης με υψηλή συχνότητα επανάληψης (3 μέρες). Οι τεχνικές τηλεπισκόπησης που περιεγράφηκαν βρίσκονται σε ένα στάδιο ωρίμανσης, ανεπτυσόμενες σε σημείο που να μπορούν να χρησιμοποιηθούν επαρκώς από υπηρεσίες προειδοποίησης χιονοστιβάδων, με τους βασικούς ανασταλτικούς παράγοντες να αποτελούν το κόστος των δεδομένων αλλά και των οργάνων καθώς και τη διαθεσιμότητα των δεδομένων. Είναι αναγκαία η ανάπτυξη ενός ολοκληρωμένου συς΄τηματος, με τη δυνατότητα αυτοματοποιημένης συλλογής και ανάλυσης τηλεπισκοπικών δεδομένων, τα οποία θα συνδέονται στη συνέχεια με επιτόπιες παρατηρήσεις και μοντέλα.

'''Σύνδεσμος πρωτότυπου κειμένου:''' [https://www.researchgate.net/publication/274076283_Remote_sensing_of_snow_avalanches_Potential_and_limitation_for_operational_use]

Χρήστης:Dimpap27

2018-02-20T21:52:35Z

''' Τηλεπισκόπηση Χιονοστιβάδων, δυνατότητες και περιορισμοί για λειτουργική χρήση. '''

'''Πρωτότυπος τίτλος:''' '' Remote sensing of snow avalanches. Potential and limitation for operational use ''

'''Συγγραφείς: ''' Markus Eckerstorfer, Yves Bühler

'''Δημοσιεύθηκε: ''' ''ResearchGate, Απρίλιος 2015''

'''Εισαγωγή'''

Στο σύνολο της έρευνας πάνω στις χιονοστιβάδες, τα βασικά ερωτήματα παραμένουν τα ίδια. Παρόλα αυτά, οι μέθοδοι προσέγγισης των πολύπλοκων διαδικασιών που εμπλέκονται στη δημιουργία χιονοστιβάδων εξελίσσονται. Οι έρευνες πεδίου αποτελούν ακόμα τη ραχοκοκαλιά του συνόλου της έρευνας, αλλά δεν έχει επιτευχθεί η δημιουργία χρονικών και χωρικών βάσεων δεδομένων για τη δραστηριότητα των χιονοστιβάδων. Η χρήση τηλεπισκοπικών οργάνων στην έρευνα των χιονοστιβάδων δύναται να καλύψει αυτό το κενό πληροφορίας, καθώς επιτρέπει την περιεκτική, αμερόληπτη και ασφαλή συνεχόμενη παρακολούθηση μεγάλων επιφανειών. Ενώ η τηλεπισκόπηση χιονιού έχει μεγάλη ιστορία, η τηλεπισκόπηση χιονοστιβάδων βρίσκεται σε πρώιμο στάδιο. Στην παρούσα εργασία γίνεται μια ανασκόπηση των πρόσφατων εξελίξεων στην εξ αποστάσεως ανίχνευση χιονοστιβάδων, αναφέρονται δυνατότητες και περιορισμοί της μεθόδου και γίνονται προτάσεις για περαιτέρω λειτουργικές προβλέψεις.

'''Πιθανοί χρήστες, Σύγχρονες ανάγκες και κενά πληροφορίας'''

Σε μια πρόσφατη μελέτη, διεξήχθησαν συνεντεύξεις με επαγγελματίες που ασχολούνται με τις χιονοστιβάδες με σκοπό τον εντοπισμό πιθανών ομάδων χρηστών των τηλεπισκοπικών δεδομένων καθώς και των κενών πληροφορίας που θα μπορούσαν να καλυφθούν. Τρείς βασικές ομάδες χρηστών εντοπίστηκαν: εθνικές και περιφερειακές υπηρεσίες προειδοποίησης χιονοστιβάδων, αλπικές υπηρεσίες καθώς και υπηρεσίες διαχείρισης και κατασκευής οδών και τέλος το ευρύ κοινό. Τα τρία βασικά κενά πληροφορίας που εντοπίστηκαν ήταν η δραστηριότητα των χιονοστιβάδων, η έλλειψη πληροφορίας για την επιφάνεια του χιονιού και η σταθερότητα του στρώματος χιονιού, με πιο κρίσιμο να χαρακτηρίζεται αυτό της έλλειψης πληροφορίας για τη δραστηριότητα χιονοστιβάδων. Τα δεδομένα θα πρέπει να είναι γρήγορα διαθέσιμα, αξιόπιστα, να έχουν υψηλή χρονική ανάλυση (μικρότερη των τριών ημερών) και χωρική ανάλυση καλύτερη των 5 μέτρων.

'''Το ηλεκτρομαγνητικό φάσμα'''

Τα όργανα τηλεπισκόπησης μπορούν να βασίζονται σε επίγειες, εναέριες ή διαστημικές πλατφόρμες, παίρνοντας μετρήσεις σε διαφορετικά μήκη κύματος τους ηλεκτρομαγνητικού φάσματος. Οι οπτικοί αισθητήρες κάνουν χρήση του ανακλώμενου φωτός του ήλιου και επομένως χαρακτηρίζονται ως παθητικοί. Οι LiDAR (Light Detection and Ranging) και Radar (Radio Detection and Ranging) αισθητήρες, εκπέμπουν ακτινοβολία και παίρνουν μετρήσεις της ανακλώμενης από την επιφάνεια της γης ακτινοβολίας και επομένως χαρακτηρίζονται ως ενεργητικοί αισθητήρες. Οι LiDAR αισθητήρες λειτουργούν στο ορατό και NIR τμήμα του φάσματος, ενώ οι αισθητήρες radar εκπέμπουν μικροκύματα και έχουν το πλεονέκτημα της παροχής πληροφορίας ακόμα και υπό κακές καιρικές συνθήκες.

'''Οπτική τηλεπισκόπηση χιονοστιβάδων'''

Το χιόνι έχει σε γενικές γραμμές υψηλή ανακλαστικότητα στα ορατά μήκη κύματος η οποία εξαρτάται κυρίως από το μέγεθος του «κόκκου» του χιονιού, καθώς και από την περιεκτικότητα σε υγρό νερό για το τμήμα του εγγύς υπέρυθρου. Η ανίχνευση χιονοστιβάδων λειτουργεί βάσει των διαφορών στην αντίθεση μεταξύ του ανώμαλου τμήματος της χιονοστιβάδας και της περιβάλλουσας χιονοκάλυψης. Με τη χρήση εικόνων υψηλής ανάλυσης, είναι δυνατή η εκπαίδευση αυτόματων αλγόριθμων στον εντοπισμό χιονοστιβάδων. Οι αλγόριθμοι λειτουργούν σταδιακά αφαιρώντας περιοχές των εικόνων που δεν είναι αντιπροσωπευτικές των χιονοστιβάδων και των φερτών υλικών που πιθανώς να μεταφέρουν. Με αυτόν τον τρόπο οι χιονοστιβάδες μπορούν να εντοπιστούν με πολύ μεγάλα ποσοστά επιτυχίας, ωστόσο επιτόπια επαλήθευση ή επαλήθευση μέσω μοντέλων είναι συνήθως αναγκαία. Η πολύ υψηλή χωρική ανάλυση των οπτικών αισθητήρων συνοδεύεται από υψηλά κόστη απόκτησης, περιορισμένης χρονικής ανάλυσης και χωρικού εύρους, καθώς επίσης είναι αδύνατη η χρήση τους υπό αντίξοες καιρικές συνθήκες ή σε συνθήκες σκότους. Μια πιο φιλική από άποψη κόστους προσέγγιση είναι η χρήση αυτόματων φωτογραφικών μηχανών λήψης με διαστήματα (time lapse).

'''Τηλεπισκόπηση με χρήση LiDAR'''

Τα μήκη κύματος στα οποία λειτουργούν οι αισθητήρες LiDAR διεισδύουν μόνο μερικά εκατοστά στο ξερό χιόνι. Έρευνες έχουν δείξει πως οι χιονοστιβάδες μπορούν να εντοπιστούν μέσω επαναλαμβανόμενων σαρώσεων ως τμήματα που δείχνουν υψηλή συγκέντρωση μάζας στο σημείο συσσώρευσης και χαμηλή συγκέντρωση στην εκκίνηση και κατά τη διαδρομή. Τα ακριβά όργανα LiDAR παράγουν υψηλής ακρίβειας επιφανειακά μοντέλα, με ανάλυση καλύτερης των 15 εκατοστών και είναι μέχρι στιγμής η πιο ακριβής μέθοδος χαρτογράφησης μαζών που μετακινήθηκαν από χιονοστιβάδα, αλλά καλύπτοντας μόνο μία πλαγιά.

'''Τηλεπισκόπηση με χρήση Radar'''

Όταν το σήμα του ραντάρ χτυπήσει μια επιφάνεια ξερού χιονιού διαχέεται μερικώς από την επιφάνεια του χιονιού, του κόκκους του χιονιού και τη διεπιφάνεια μεταξύ χιονιού και εδάφους . Επομένως, ο όγκος του χιονιού, η περιεκτικότητα σε νερό σε υγρή μορφή, το μέγεθος των κόκκων, η πυκνότητα και παρουσία πάγου επηρεάζουν δραστικά το ανακλώμενο σήμα. Σε συνθήκες υγρού χιονιού αντιθέτως, το σήμα ανακλάται κατά βάση από την επιφάνεια του χιονιού, χωρίς να υπάρχει σημαντική διείσδυσή του σήματος στον όγκο της χιονοκάλυψης. Μέχρι στιγμής, δεν υπάρχει δημοσιευμένο κάποιο ποσοτικό ηλεκτρομαγνητικό μοντέλο για τη διάχυση του φωτός από χιονοστιβάδες. Ωστόσο, οι χιονοστιβάδες αποτυπώνονται ως στοιχεία με αυξημένη διάχυση σε φωτογραφίες radar σε σχέση με την περιβάλλουσα χιονοκάλυψη. Σύμφωνα με σύγχρονες μελέτες, αυτή η διαφορά στη διάχυση του φωτός είναι ιδιαίτερα χρήσιμη για τον εντοπισμό χιονοστιβάδων, ωστόσο οι δορυφορικές ειόνες radar είναι αρκετά κοστοβόρες και δεν χαρακτηρίζονται από χρονική συνέχεια.

'''Κατάταξη οπτικών, radar και LiDAR αισθητήρων'''

Για την ανίχνευση μιας μοναδικής χιονοστιβάδας, η χωρική ανάλυση του αισθητήρα αποτελεί τον βασικότερο παράγοντα, με ελάχιστη ανάλυση τα 30 μέτρα. Σύμφωνα με τους συγγραφείς της έρευνας, οι αισθητήρες radar είναι οι βέλτιστοι για τη συγκεκριμένη εφαρμογή, κυρίως λόγω της δυνατότητας παροχής πληροφορίας ανεξαρτήτως καιρικών συνθηκών και του μεγάλου εδαφικού εύρους υψηλής ανάλυσης δεδομένων. Οι LiDAR αισθητήρες κατατάσσονται ως οι δεύτεροι καλύτεροι, κυρίως λόγω της δυνατότητας γρήγορης απόκτησης δεδομένων και υψηλής χωρικής ανάλυσης και ευκρίνειας. Οι αισθητήρες LiDAR έχουν ένα βασικό πλεονέκτημα όσων αφορά τον εντοπισμό διαφορών σε μάζες χιονιού πραγματοποιώντας σαρώσεις πριν και μετά τη δημιουργία χιονοστιβάδας. Οι οπτικοί αισθητήρες καταλαμβάνουν την τελευταία θέση για τη συγκεκριμένη εφαρμογή. Πολύ υψηλής ανάλυσης εικόνες είναι ακριβές και συνήθως χαρακτηρίζονται από μεγάλους χρόνους επανακαταγραφής. Πρόσφατες μελέτες έκαναν χρήση αεροφωτογραφιών οι οποίες όμως απαιτούν τη χρήση αεροπλάνου και ακριβών συστημάτων. Παράλληλα, εξαιτίας της εξάρτησης από τις καιρικές συνθήκες, η παροχή των αναγκαίων στοιχείων δεν μπορεί να θεωρηθεί δεδομένη. Ωστόσο, κάνοντας χρήση οπτικών δεδομένων υψηλής ανάλυσης, είναι δυνατή η ανίχνευση χιονοστιβάδων με μεγάλη ακρίβεια και χαμηλά ποσοστά λάθους, χρησιμοποιώντας παράλληλα αυτοματοποιημένες μεθόδους.

'''Σύνοψη'''

Έως σήμερα, οι διαθέσιμοι λειτουργικοί δορυφόροι δεν παρέχουν τα αναγκαία σε πραγματικό χρόνο δεδομένα για την κα΄λυψη των αναγκών των διαφορετικών ομάδων χρηστών, μια ανάγκη που ίσως καλύψει ο πλέον λειτουργικός δορυφόρος Sentinel, καθώς προσφέρει δωρεάν εικόνες υψηλής ανάλυσης με υψηλή συχνότητα επανάληψης (3 μέρες). Οι τεχνικές τηλεπισκόπησης που περιεγράφηκαν βρίσκονται σε ένα στάδιο ωρίμανσης, ανεπτυσόμενες σε σημείο που να μπορούν να χρησιμοποιηθούν επαρκώς από υπηρεσίες προειδοποίησης χιονοστιβάδων, με τους βασικούς ανασταλτικούς παράγοντες να αποτελούν το κόστος των δεδομένων αλλά και των οργάνων καθώς και τη διαθεσιμότητα των δεδομένων. Είναι αναγκαία η ανάπτυξη ενός ολοκληρωμένου συς΄τηματος, με τη δυνατότητα αυτοματοποιημένης συλλογής και ανάλυσης τηλεπισκοπικών δεδομένων, τα οποία θα συνδέονται στη συνέχεια με επιτόπιες παρατηρήσεις και μοντέλα.