http://147.102.106.44/rs/wiki/index.php?feed=atom&target=Evangelos_Arletos&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%2FEvangelos_Arletos 2026-04-29T02:15:12Z Από RemoteSensing Wiki MediaWiki 1.16.2 http://147.102.106.44/rs/wiki/index.php/%CE%A3%CE%B1%CE%BA%CE%B1%CE%BB%CE%AF%CE%B4%CE%B7%CF%82_%CE%93%CF%81%CE%B7%CE%B3%CF%8C%CF%81%CE%B9%CE%BF%CF%82 2024-03-20T06:10:40Z

<p>Evangelos Arletos: </p> <hr /> <div>Ο ρόλος της τηλεπισκόπησης κατά την διάρκεια μιας παγκόσμιας κρίσης : Μελέτη περίπτωσης της πανδημίας του COVID-19 .<br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

Evangelos Arletos 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_%CF%84%CE%BF%CF%85_%CE%B4%CF%85%CE%BD%CE%B1%CE%BC%CE%B9%CE%BA%CE%BF%CF%8D_%CE%B1%CE%BD%CE%B1%CF%88%CF%85%CF%87%CE%AE%CF%82_%CF%84%CF%89%CE%BD_%CE%B4%CE%B1%CF%83%CF%8E%CE%BD_%CE%B1%CF%80%CF%8C_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_%CE%BA%CE%BF%CE%B9%CE%BD%CF%89%CE%BD%CE%B9%CE%BA%CF%8E%CE%BD_%CE%BC%CE%AD%CF%83%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CE%B1_%CF%84%CE%B5%CF%87%CE%BD%CE%BF%CE%BB%CE%BF%CE%B3%CE%B9%CF%8E%CE%BD_%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 2024-03-20T05:32:36Z

<p>Evangelos Arletos: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Remote sensing for natural disaster recovery: Lessons learned from Hurricanes Irma and Maria in Puerto Rico<br /> <br /> '''Συγγραφείς:''' Miriam E. Marlier, Susas A. Resetar, Beth E. Lachman, Katherine Anania, Keenan Adams<br /> <br /> The RAND Corporation, USA<br /> <br /> US Forest Service, USA<br /> <br /> '''Δημοσιεύθηκε:''' Environmental Science &amp; Policy, 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.envsci.2022.02.023]]<br /> <br /> '''Λέξεις-κλειδιά:''' Τηλεπισκόπηση, Ανάκτηση φυσικών καταστροφών, Τυφώνας, Φυσικοί πόροι'''<br /> <br /> '''Περίληψη'''<br /> <br /> Η περίληψη του κειμένου περιγράφει την ενσωμάτωση δεδομένων τηλεπισκόπησης στη διαδικασία αξιολόγησης και σχεδιασμού μετά τους τυφώνες Ίρμα και Μαρία στο Πουέρτο Ρίκο. Επισημαίνει την εφαρμογή διαφόρων τεχνικών τηλεπισκόπησης για την αξιολόγηση των ζημιών σε τρεις τομείς φυσικών πόρων: χερσαία δάση, κατολισθήσεις και παράκτια συστήματα. Ενώ τονίζεται ο κρίσιμος ρόλος των δεδομένων τηλεπισκόπησης στην παροχή αρχικών εκτιμήσεων ζημιών, η περίληψη αναγνωρίζει επίσης τις προκλήσεις στην ενσωμάτωσή τους στο σχεδιασμό της αποκατάστασης λόγω των διαφορετικών χρονοδιαγραμμάτων των φορέων λήψης αποφάσεων. Το χειρόγραφο καταλήγει προτείνοντας δρόμους για τη βελτίωση της αξιοποίησης των δεδομένων τηλεπισκόπησης στο σχεδιασμό και τις προσπάθειες αντιμετώπισης καταστροφών.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Οι τυφώνες Ίρμα και Μαρία, που έπληξαν το Πουέρτο Ρίκο τον Σεπτέμβριο του 2017, προκάλεσαν εκτεταμένες ζημιές στις υποδομές και τους φυσικούς πόρους του νησιού. Στον απόηχο αυτών των καταστροφών, οι έγκαιρες και αξιόπιστες πληροφορίες ήταν ζωτικής σημασίας για την αξιολόγηση των ζημιών και τη διαμόρφωση στρατηγικών ανάκαμψης. Τα δεδομένα τηλεπισκόπησης έπαιξαν σημαντικό ρόλο σε αυτή τη διαδικασία, παρέχοντας πολύτιμες πληροφορίες για την έκταση των ζημιών σε διάφορους τομείς, ιδίως σε περιοχές στις οποίες ήταν δύσκολη η πρόσβαση. Ωστόσο, η ενσωμάτωση των δεδομένων τηλεπισκόπησης στον σχεδιασμό αποκατάστασης και μετριασμού των καταστροφών συνοδεύεται από τις δικές της προκλήσεις. Αυτές περιλαμβάνουν τη διαφορετική φύση των δεδομένων τηλεπισκόπησης και των μεθόδων επεξεργασίας που απαιτούνται για τα διάφορα σενάρια καταστροφών, καθώς και την ανάγκη για γνώσεις εμπειρογνωμόνων για την αποτελεσματική ερμηνεία και εφαρμογή αυτών των δεδομένων. Επιπλέον, ζητήματα όπως η ιεράρχηση της απόκτησης δορυφορικών δεδομένων, η ευαισθητοποίηση των υπευθύνων λήψης αποφάσεων σχετικά με τις δυνατότητες των δεδομένων τηλεπισκόπησης και η διαχείριση και διάδοση των δεδομένων αποτελούν σημαντικές προκλήσεις. Παρά τις προκλήσεις αυτές, έχουν δημιουργηθεί διάφορες πρωτοβουλίες και συστήματα για τη διευκόλυνση της χρήσης δεδομένων τηλεπισκόπησης στις προσπάθειες αντιμετώπισης και αποκατάστασης καταστροφών. Σε αυτές περιλαμβάνονται διεθνείς συνεργασίες όπως ο Διεθνής Χάρτης για το Διάστημα και τις Μεγάλες Καταστροφές, καθώς και έργα όπως το έργο ARIA για τους φυσικούς κινδύνους και οι υπηρεσίες διαχείρισης εκτάκτων αναγκών Copernicus.<br /> <br /> Στο παρόν χειρόγραφο, παρουσιάζουμε τρεις μελέτες περιπτώσεων από τον τομέα των φυσικών πόρων του Πουέρτο Ρίκο - χερσαία δάση, κατολισθήσεις και παράκτιοι πόροι - για να δείξουμε πώς χρησιμοποιήθηκαν δεδομένα τηλεπισκόπησης στη διαδικασία εκτίμησης των ζημιών και σχεδιασμού της αποκατάστασης μετά τους τυφώνες Ίρμα και Μαρία. Σε κάθε μελέτη περίπτωσης περιγράφονται οι μεθοδολογικές προσεγγίσεις που χρησιμοποιήθηκαν, ο ρόλος των τηλεπισκοπικών δεδομένων στην ενημέρωση των στρατηγικών αποκατάστασης, καθώς και οι δυνητικοί δρόμοι για μελλοντική έρευνα και εφαρμογή. Συνολικά, το παρόν χειρόγραφο αναδεικνύει τη σημασία των δεδομένων τηλεπισκόπησης στις προσπάθειες αποκατάστασης και σχεδιασμού καταστροφών, ενώ παράλληλα εντοπίζει τομείς για βελτίωση και περαιτέρω έρευνα ώστε να ενισχυθεί η ενσωμάτωση της τηλεπισκόπησης στις πρακτικές διαχείρισης καταστροφών.<br /> <br /> '''Μελέτες Περιπτώσεων'''<br /> <br /> Το Εθνικό Πλαίσιο Ανάκαμψης από Καταστροφές (NDRF) που θεσπίστηκε από τη FEMA παρέχει μια δομημένη προσέγγιση για την ανάκαμψη από καταστροφές, η οποία περιλαμβάνει τις φάσεις ετοιμότητας, απόκρισης και μακροπρόθεσμης ανάκαμψης. Η Λειτουργία Υποστήριξης Ανάκαμψης Φυσικών και Πολιτιστικών Πόρων (RSF) στο πλαίσιο του NDRF επικεντρώνεται στην προστασία των φυσικών και πολιτιστικών αγαθών κατά τη διάρκεια της διαδικασίας ανάκαμψης. Τα δεδομένα τηλεπισκόπησης, που λαμβάνονται από δορυφορικές και εναέριες πλατφόρμες, προσφέρουν πολύτιμες πληροφορίες που μπορούν να υποστηρίξουν τις προσπάθειες αποκατάστασης μετά από φυσικές καταστροφές. Το παρόν χειρόγραφο διερευνά την εφαρμογή των δεδομένων τηλεπισκόπησης στην ενδιάμεση έως μακροπρόθεσμη φάση αποκατάστασης, όπως ορίζεται από το NDRF, με έμφαση στην αποκατάσταση του Πουέρτο Ρίκο από τους τυφώνες Ίρμα και Μαρία. Μέσω περιπτωσιολογικών μελετών που αφορούν χερσαία δάση, κατολισθήσεις και παράκτιους πόρους, καταδεικνύουμε πώς τα δεδομένα τηλεπισκόπησης μπορούν να ενημερώσουν τις στρατηγικές ανάκαμψης και να συμβάλουν στην αποκατάσταση και τη διατήρηση των φυσικών πόρων σε περιοχές που έχουν πληγεί από καταστροφές. Τα ευρήματά μας υπογραμμίζουν τη σημασία της τηλεπισκόπησης για την ενίσχυση της ανθεκτικότητας σε μελλοντικές καταστροφές και την προώθηση των προσπαθειών βιώσιμης αποκατάστασης. Η παρούσα μελέτη διερευνά τον αντίκτυπο των τυφώνων Ίρμα και Μαρία στα χερσαία δάση του Πουέρτο Ρίκο, εστιάζοντας στις ζημιές του οικοσυστήματος και στις διαδικασίες αποκατάστασης. Οι τυφώνες αποτελούν επαναλαμβανόμενες φυσικές διαταραχές στο Πουέρτο Ρίκο, επηρεάζοντας τη δομή των δασών, τη σύνθεση των ειδών και την οικολογική δυναμική. Χρησιμοποιώντας δεδομένα δορυφορικής τηλεπισκόπησης, ιδίως παρατηρήσεις Landsat 8 και MODIS, η μελέτη αξιολογεί τις αλλαγές στη μη φωτοσυνθετική βλάστηση (NPV) ως δείκτη ζημιών που προκλήθηκαν από τυφώνες. Οι προκαταρκτικές εκτιμήσεις δείχνουν ότι ο τυφώνας Μαρία προκάλεσε σημαντική θνησιμότητα και ζημιές στα δέντρα, με εκατομμύρια δέντρα να έχουν πληγεί. Η σύγκριση με προηγούμενους τυφώνες αναδεικνύει τη σοβαρότητα του τυφώνα Μαρία και τις επιπτώσεις του στα δασικά οικοσυστήματα. Τα ευρήματα συμβάλλουν στην κατανόηση της μακροπρόθεσμης πορείας ανάκαμψης των δασών του Πουέρτο Ρίκο και παρέχουν πληροφορίες για μελλοντικές στρατηγικές διαχείρισης και διατήρησης ενόψει της κλιμάκωσης των διαταραχών που σχετίζονται με το κλίμα.<br /> <br /> Οι τυφώνες Ίρμα και Μαρία επηρέασαν σοβαρά το Πουέρτο Ρίκο το 2017, απαιτώντας ολοκληρωμένες προσπάθειες ανάκαμψης σε διάφορους τομείς. Τα δεδομένα τηλεπισκόπησης αναδείχθηκαν σε κρίσιμο εργαλείο για την αξιολόγηση των ζημιών και την ενημέρωση των στρατηγικών ανάκαμψης σε φυσικά και αστικά περιβάλλοντα, καθώς και για την εκτίμηση της επικινδυνότητας κατολισθήσεων. Στο παρόν έγγραφο παρουσιάζονται μελέτες περιπτώσεων που απεικονίζουν την εφαρμογή δεδομένων τηλεπισκόπησης στον σχεδιασμό της αποκατάστασης μετά τον τυφώνα στο Πουέρτο Ρίκο. Στον τομέα των δασών, δορυφορικά και εναέρια δεδομένα τηλεπισκόπησης παρείχαν αρχικές εκτιμήσεις των ζημιών στα οικοσυστήματα. Οι παρατηρήσεις Landsat και MODIS ποσοτικοποίησαν τις αλλαγές στη βλάστηση, ενώ το σύστημα G-LiHT προσέφερε λεπτομερείς πληροφορίες για τη δομή και τη σύνθεση του θόλου. Τα δεδομένα αυτά βοήθησαν τους σχεδιαστές αποκατάστασης στην εκτίμηση της σοβαρότητας των ζημιών, στον προσδιορισμό των περιοχών προτεραιότητας για αποκατάσταση και στην παρακολούθηση της προόδου της μακροπρόθεσμης αποκατάστασης. Τα αστικά δάση αξιολογήθηκαν με τη χρήση του λογισμικού i-Tree, το οποίο εκτίμησε τις αλλαγές στην κάλυψη δέντρων και τις σχετικές οικοσυστημικές υπηρεσίες. Τα δορυφορικά δεδομένα ενημέρωσαν για τους στόχους αποκατάστασης και υποστήριξαν τη διαδικασία δημόσιας βοήθειας της FEMA για τον υπολογισμό της απώλειας δέντρων. Τα δεδομένα τηλεπισκόπησης έπαιξαν καθοριστικό ρόλο στην καθοδήγηση των στρατηγικών αποκατάστασης τόσο για τα φυσικά όσο και για τα αστικά δάση, στη διευκόλυνση στοχευμένων αξιολογήσεων και στην παρακολούθηση της προόδου της αποκατάστασης. Επιπλέον, τα δεδομένα τηλεπισκόπησης συνέβαλαν στην αξιολόγηση των επιπτώσεων των ενδιαιτημάτων σε βασικά είδη, όπως το απειλούμενο με εξαφάνιση Πεδινού του Πουέρτο Ρίκο. Οι αναλύσεις με βάση το Landsat αποκάλυψαν εκτεταμένες διαταραχές των δασών μετά τους τυφώνες, βοηθώντας στην ανάπτυξη προτάσεων αποκατάστασης. Οι έρευνες πεδίου επιβεβαίωσαν τα ευρήματα της τηλεπισκόπησης, καθοδηγώντας στοχευμένες προσπάθειες αποκατάστασης για την υγεία των ειδών και του οικοσυστήματος. Επιπλέον, τα δεδομένα τηλεπισκόπησης διαδραμάτισαν ζωτικό ρόλο στην αξιολόγηση του κινδύνου κατολισθήσεων, εντοπίζοντας ευάλωτες περιοχές που είναι επιρρεπείς σε κατολισθήσεις που προκαλούνται από βροχοπτώσεις. Προηγούμενες έρευνες υπογράμμισαν τη σημασία της τηλεπισκόπησης στην εκτίμηση της επικινδυνότητας κατολισθήσεων και στο σχεδιασμό μετριασμού των επιπτώσεων, ιδίως σε δύσβατα ορεινά εδάφη. Συνολικά, αυτές οι περιπτωσιολογικές μελέτες αναδεικνύουν τις ποικίλες εφαρμογές των δεδομένων τηλεπισκόπησης στο σχεδιασμό της αποκατάστασης μετά τον τυφώνα στο Πουέρτο Ρίκο, τονίζοντας τη σημασία τους στην αξιολόγηση των ζημιών, την καθοδήγηση των στρατηγικών αποκατάστασης και την παρακολούθηση της προόδου της μακροπρόθεσμης αποκατάστασης σε διάφορους τομείς. <br /> <br /> Αφού ο τυφώνας Μαρία έπληξε το Πουέρτο Ρίκο το 2017, επιστήμονες του Γεωλογικού Ινστιτούτου των Ηνωμένων Πολιτειών (USGS) και ερευνητές από το Πανεπιστήμιο του Πουέρτο Ρίκο Mayaguez χρησιμοποίησαν δεδομένα τηλεπισκόπησης για να αξιολογήσουν τις επιπτώσεις στις κατολισθήσεις, τα θαλάσσια λιβάδια και τα μαγγρόβια. Μια προκαταρκτική καταγραφή των κατολισθήσεων δημιουργήθηκε με τη χρήση οπτικών δορυφορικών και εναέριων εικόνων, παρέχοντας πληροφορίες σχετικά με τη σοβαρότητα των ζημιών σε όλο το νησί. Επιπλέον, αναπτύχθηκε ένας λεπτομερής ψηφιακός κατάλογος κατολισθήσεων, βοηθώντας στην εκτίμηση των επιπτώσεων της καθίζησης σε κρίσιμους ταμιευτήρες και ενημερώνοντας για τις προσπάθειες σταθεροποίησης του εδάφους. Τα δεδομένα τηλεπισκόπησης διευκόλυναν επίσης την αξιολόγηση των ενδιαιτημάτων θαλασσόχορτου, με τις αρχικές αναλύσεις να υποδεικνύουν σημαντικές ζημιές κοντά στην ακτή. Χρησιμοποιήθηκαν ιστορικές αεροφωτογραφίες και αεροφωτογραφίες υψηλής ανάλυσης από μη επανδρωμένα συστήματα αεροσκαφών (UAS) για την αξιολόγηση των μακροπρόθεσμων τάσεων και των ζημιών στα δάση μαγκρόβων. Μέσω της οπτικής ανάλυσης και της αξιολόγησης του χρώματος των ωκεανών, οι ερευνητές εντόπισαν δείκτες ζημιών στα θαλάσσια λιβάδια, αναδεικνύοντας τον εκτεταμένο αντίκτυπο του τυφώνα Μαρία στα παράκτια οικοσυστήματα. Τα ευρήματα αυτά υπογραμμίζουν τον ανεκτίμητο ρόλο των δεδομένων τηλεπισκόπησης στην αξιολόγηση μετά την καταστροφή και τον σχεδιασμό αποκατάστασης των φυσικών πόρων στο Πουέρτο Ρίκο.<br /> <br /> '''Μελλοντικές Κατευθύνσεις'''<br /> <br /> Η αποτελεσματική αξιοποίηση των τηλεπισκοπικών δεδομένων είναι ζωτικής σημασίας για τις δυνατότητες ταχείας αντίδρασης στη διαχείριση των παράκτιων οικοσυστημάτων, ιδίως αν ληφθεί υπόψη η υψηλή φυσική μεταβλητότητά τους και οι προκλήσεις που συνδέονται με την πρόσβαση σε υποθαλάσσια ή παλίρροια περιβάλλοντα. Οι παραδοσιακές τεχνικές πεδίου συχνά περιορίζονται στην παροχή μεγάλης κλίμακας, μακροπρόθεσμων συνόλων δεδομένων λόγω του κόστους και της δυσκολίας τους. Ως εκ τούτου, τα δεδομένα τηλεπισκόπησης χρησιμεύουν ως πολύτιμη πρωτογενής ή συμπληρωματική πηγή για τη διαχείριση των παράκτιων περιοχών, προσφέροντας αποτελεσματική πρόσβαση σε δεδομένα μεγαλύτερης κλίμακας με αυξημένη συχνότητα.Τα δεδομένα τηλεπισκόπησης διαδραματίζουν καθοριστικό ρόλο στην παρακολούθηση της ανάκαμψης των θαλάσσιων λιβαδιών, στον εντοπισμό των απειλών ρύπανσης, στην αξιολόγηση της αποκατάστασης των ενδιαιτημάτων των ειδών και στην υποστήριξη της δημιουργίας θαλάσσιων προστατευόμενων περιοχών. Για παράδειγμα, τα ιστορικά, τρέχοντα και μελλοντικά δεδομένα τηλεπισκόπησης των δασών μαγκρόβων στο Πουέρτο Ρίκο παρέχουν ουσιαστικές πληροφορίες για την προστασία και την αποκατάσταση απειλούμενων ειδών, όπως ο κίτρινος μαυροπετρίτης και τα καβούρια των μαγκρόβων. Επιπλέον, τα δεδομένα αυτά συμβάλλουν στην πληροφόρηση μακροπρόθεσμων στρατηγικών προσαρμοστικής διαχείρισης και στην αξιολόγηση της ευρύτερης υγείας του οικοσυστήματος, ενισχύοντας έτσι την ανθεκτικότητα σε μελλοντικές καταιγίδες και άλλες περιβαλλοντικές προκλήσεις.<br /> <br /> '''Συζήτηση'''<br /> <br /> Μετά τον καταστροφικό αντίκτυπο των τυφώνων Ίρμα και Μαρία στο Πουέρτο Ρίκο, τα δεδομένα τηλεπισκόπησης αναδείχθηκαν σε κρίσιμο εργαλείο για την αξιολόγηση της έκτασης και της σοβαρότητας των ζημιών και την καθοδήγηση των προσπαθειών αποκατάστασης. Το παρόν χειρόγραφο παρουσιάζει διάφορες μελέτες περίπτωσης που επικεντρώνονται στους φυσικούς πόρους, καταδεικνύοντας τη χρησιμότητα των δεδομένων τηλεπισκόπησης στην ενημέρωση των στρατηγικών αποκατάστασης. Ενώ τα παραδείγματα που συζητούνται αφορούν τη δασοκομία, τις κατολισθήσεις και τους παράκτιους πόρους, είναι σημαντικό να σημειωθεί ότι τα δεδομένα τηλεπισκόπησης έχουν ευρύτερες εφαρμογές πέρα από αυτούς τους τομείς. Στον τομέα της δασοκομίας, οι παρατηρήσεις τηλεπισκόπησης από πλατφόρμες όπως το Landsat και το αερομεταφερόμενο LiDAR έπαιξαν καθοριστικό ρόλο στη χαρτογράφηση των προτύπων ζημιών στα δάση σε όλο το νησί και στην αξιολόγηση των αλλαγών στο ύψος των δασικών στεγών μετά την καταιγίδα. Ενώ τα δεδομένα αυτά υποστήριξαν την ανάγκη για πρωτοβουλίες αναδάσωσης, η συνεχής συλλογή και ανάλυση δεδομένων, συμπεριλαμβανομένων των επίγειων ερευνών και περαιτέρω αξιολογήσεων μέσω τηλεπισκόπησης, είναι απαραίτητη για την παρακολούθηση τόσο των φυσικών όσο και των ελεγχόμενων προσπαθειών ανάκαμψης με την πάροδο του χρόνου. Ομοίως, τα δεδομένα τηλεπισκόπησης έπαιξαν σημαντικό ρόλο στην εκτίμηση της σοβαρότητας των κατολισθήσεων και στην αξιολόγηση των κινδύνων κατολίσθησης μετά τους τυφώνες. Οι πληροφορίες αυτές ενσωματώθηκαν σε δευτερογενείς αναλύσεις για την κατανόηση του αντίκτυπου της ιζηματογένεσης στη χωρητικότητα των ταμιευτήρων και τη διαθεσιμότητα πόσιμου νερού. Όσον αφορά τους παράκτιους πόρους, οι παρατηρήσεις τηλεπισκόπησης παρείχαν πολύτιμες πληροφορίες για τις ζημιές σε ενδιαιτήματα όπως τα θαλάσσια χόρτα και τα μαγγρόβια, καθώς και για τη σοβαρότητα της θαλάσσιας ρύπανσης. Τα δεδομένα αυτά προσδιόρισαν τοποθεσίες προτεραιότητας για λεπτομερείς μελέτες παρακολούθησης και βοήθησαν στην κατανόηση των μακροπρόθεσμων παραγόντων πίεσης που επηρεάζουν τα εν λόγω οικοσυστήματα. Μέσα από αυτές τις περιπτωσιολογικές μελέτες αναδεικνύονται διάφορα βασικά θέματα. Η πρόσβαση στις πληγείσες περιοχές ήταν συχνά περιορισμένη αμέσως μετά τις καταιγίδες, καθιστώντας τα δεδομένα τηλεπισκόπησης την πρωταρχική πηγή πληροφοριών. Τα δεδομένα βάσης ήταν ζωτικής σημασίας για την απομόνωση των επιπτώσεων των τυφώνων, αναδεικνύοντας τη σημασία των προϋπαρχόντων συνόλων δεδομένων για σύγκριση. Πρωτόκολλα και συστήματα για την απόκτηση, διαχείριση και ανάλυση δεδομένων τηλεπισκόπησης πρέπει να καθιερωθούν πριν από την εκδήλωση καταστροφών, τονίζοντας την ανάγκη για σχεδιασμό ετοιμότητας. <br /> Τέλος, ενώ η ταχεία συλλογή δεδομένων είναι κρίσιμη για τις προσπάθειες αντιμετώπισης έκτακτης ανάγκης, τα δεδομένα τηλεπισκόπησης παραμένουν πολύτιμα για μακροπρόθεσμες στρατηγικές διαχείρισης και αποκατάστασης.Συνοπτικά, τα δεδομένα τηλεπισκόπησης προσφέρουν έγκαιρες και κρίσιμες πληροφορίες για την αξιολόγηση των ζημιών από καταστροφές, την ιεράρχηση των προσπαθειών αντιμετώπισης, την ενημέρωση για τον σχεδιασμό και τα μέτρα μετριασμού και την παρακολούθηση της προόδου της ανάκαμψης. Τα παραδείγματα από το Πουέρτο Ρίκο υπογραμμίζουν τη σημασία της αξιοποίησης της τεχνολογίας τηλεπισκόπησης στην αντιμετώπιση και διαχείριση καταστροφών.<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%81%CF%8C%CE%BB%CE%BF%CF%82_%CF%84%CE%B7%CF%82_%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%CF%84%CE%AC_%CF%84%CE%B7%CE%BD_%CE%B4%CE%B9%CE%AC%CF%81%CE%BA%CE%B5%CE%B9%CE%B1_%CE%BC%CE%B9%CE%B1%CF%82_%CF%80%CE%B1%CE%B3%CE%BA%CF%8C%CF%83%CE%BC%CE%B9%CE%B1%CF%82_%CE%BA%CF%81%CE%AF%CF%83%CE%B7%CF%82_:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%80%CE%B1%CE%BD%CE%B4%CE%B7%CE%BC%CE%AF%CE%B1%CF%82_%CF%84%CE%BF%CF%85_COVID-19_. 2024-03-20T05:25:02Z

<p>Evangelos Arletos: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' The role of remote sensing during a global disaster: COVID-19 pandemic as case study<br /> <br /> '''Συγγραφείς:''' Albertus S.Louw, Jinjin FU, Aniket Raut, Azim Zulhilmi, Shuyu Yao, Miki McAlinn, Akari Fujikawa, Muhammad Taimur Siddique, Xiaoxiao Wang, Xinyue Yu, Kaushik Mandvikar Ram Avtar<br /> <br /> Graduate School of Environmental Earth Science, Hokkaido University, Sapporo, 060-0810, Japan<br /> <br /> Arctic Research Center, Hokkaido University, Sapporo, 060-0810, Japan<br /> <br /> Faculty of Environmental Earth Science, Hokkaido University, Sapporo, 060-0810, Japan<br /> <br /> '''Δημοσιεύθηκε:''' Remote Sensing Applications: Society and Environment, 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.rsase.2022.100789]]<br /> <br /> '''Λέξεις-κλειδιά:''' COVID 19, Τηλεπισκόπηση, Δορυφορικές εικόνες, Λήψη αποφάσης, Ρύπανση, Επιδημιολογία, Οικονομία, Ανασκόπηση'''<br /> <br /> '''Εισαγωγή '''<br /> <br /> Η τηλεπισκόπηση χρησιμοποιείται ως εργαλείο στη λήψη αποφάσεων σε μεγάλη ποικιλία επιστημονικών πεδίων. Χρησιμοποιείται συχνά για φυσικές καταστροφές, πολέμους, για παρακολούθηση συνόρων και την παρακολούθηση γεωργικών δραστηριοτήτων. Ένα πρόσφατο γεγονός στο οποίο βρήκε εφαρμογή η τηλεπισκόπηση ήταν για την λήψη αποφάσεων της πανδημίας του COVID-19. <br /> Οι πληροφορίες που παράχθηκαν από την τηλεπίσκοπηση στα πλαίσια αυτής της πανδημίας είχαν να κάνουν με: <br /> • Χρήση τηλεπισκόπησης για εικόνες πραγματικού χρόνου για τη λήψη αποφάσεων για παράδειγμα από ανθρωπιστικές οργανώσεις ή εταιρείες μεταφορών.<br /> • Εικόνες από την τηλεπισκόπηση για την μελέτη των αλλαγών στο περιβάλλον, όπως αλλαγές στον αέρα και της μόλυνσης του νερού μετά από την μείωση των ανθρωπογενών δραστηριοτήτων.<br /> • Κοινωνικό-οικονομικές συνέπειες της πανδημίας <br /> • Κατανόηση της επιδημιολογίας του SARS-COV-2<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Για την πραγματοποίηση της συγκεκριμένης έρευνα αρχικά έγινε αναζήτηση στην επιστημονική βιβλιογραφία με τους όρους «COVID-19» και «Τηλεπισκόπηση» και έπειτα κατηγοριοποίηση των αποτελεσμάτων. Για την συγκεκριμένη έρευνα επίσης χρησιμοποιήθηκαν αξιόπιστες πηγές που όμως δεν ανήκαν στην ακαδημαϊκή βιβλιογραφία. Οι υπό-ενότητες που εντοπίστηκαν και από τα δύο είδη πηγών(επιστημονικά περιοδικά ή μη) ήταν:<br /> 1) Παροχή πληροφοριών για την αντιμετώπιση της πανδημίας<br /> 2) Περιβαλλοντικές συνέπειες<br /> 3) Παρακολούθηση των κοινωνικό-οικονομικών επιπτώσεων της πανδημίας με την χρήση της τηλεπισκόπησης<br /> 4) Χρήση τηλεπισκόπησης για επιδημιολογική μελέτη<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η χρήση της τηλεπισκόπησης βοήθησε κυβερνήσεις και άλλους stakeholders σε καμπάνιες ενάντια στην πανδημία του COVID-19 με την τροφοδότηση real-time εικόνων του εδάφους. Αυτά τα δεδομένα επέτρεψαν την συνέχιση δραστηριοτήτων οι οποίες διαφορετικά θα είχαν σταματήσει.<br /> Η χρήση εικόνων υψηλής ανάλυσης περιοχών σε συνδυασμός με δημογραφικά, οικονομικά και κοινωνικά δεδομένα βοήθησαν τις αρχές να σχεδιάσουν καλύτερα της αντιμετώπιση της πανδημίας. Σε μια περίπτωση εικόνες από UAV χρησιμοποιήθηκαν για να αναλυθεί ο πληθυσμός και η πυκνότητα των ψαράδων στην ακτογραμμή και στη συνέχεια η ενημέρωση της τοπικής κοινωνίας για συγκεκριμένα μέτρα κοινωνικής αποστασιοποίησης. Σε άλλη περίπτωση εικόνες από δορυφόρο χρησιμοποιήθηκαν για να εκτιμήσουν τους θανάτους από covid από την καταμέτρηση των τάφω. Ακόμα δορυφορικές εικόνες χρησιμοποιήθηκαν για την παρακολούθηση της αποτελεσματικότητας των περιοριστικών μέτρων στις μετακινήσεις που είχαν επιβληθεί από τοπικές αρχές. <br /> Χρήση UAV πολύ υψηλής ανάλυσης χρησιμοποιήθηκαν για την παρακολούθηση του πλήθους με σκοπό την αναγνώριση περιπτώσεων COVID-19. Με χρήση θερμικών καμερών αναγνωρίστηκαν πιθανές περιπτώσεις COVID-19. Η συγκεκριμένη τακτική προκάλεσε αντιδράσεις από ανθρωπιστικούς οργανισμούς.<br /> Η πανδημία προκάλεσε προβλήματα στις εφοδιαστικές αλυσίδες των πλοίων. Η χρήση της τηλεπισκόπησης χρησιμοποιήθηκε για την παρακολούθηση και τον συντονισμό των πλοίων κοντά στα λιμάνια. <br /> <br /> Τα περιοριστικά μέτρα που επιβλήθηκαν σε παγκόσμιο επίπεδο οδήγησαν στην μείωση των μετακινήσεων και της δραστηριότητας του κόσμου που στη συνέχεια είχε ως συνέπεια την μείωση της ρύπανσης. Με την χρήση της τηλεπισκόπησης μπόρεσε να γίνει η καταγραφή αυτής της αλλαγής στην ατμόσφαιρα, στην υδρόσφαιρα και στην βιόσφαιρα. Παρατηρήθηκε μείωση των καυσαερίων στις μεγάλες πόλεις και βελτίωση της ποιότητας του νερού. Οι εικόνες ακόμα αποκάλυψαν και την ρύπανση από ανθρωπογενής ενέργειες σε λίμνες και ποτάμια. <br /> <br /> Από την αρχή της πανδημίας σχεδόν όλες οι οικονομίες και κοινωνίες παγκόσμια επηρεάστηκαν. Οι αλλαγές αυτές είχαν να κάνουν με τις οικονομικές δραστηριότητες, τα κοινωνικά events, την κατανομή του πληθυσμού μεταξύ αστικών και αγροτικών περιοχών, αλλαγές σε διατροφικές συνήθειες και στην ανεργία. Η τηλεπισκόπηση και βοήθησε στην παρακολούθηση αυτών των αλλαγών με διάφορους τρόπους. Για παράδειγμα με την μέτρηση της κίνησης των αυτοκινήτων με την εικόνων υψηλής ευκρίνειας. Εικόνες από εργατικά οχήματα έδωσαν πληροφορίες για την κατασκευαστική δραστηριότητα ανά περιοχή. Την καταγραφή των αεροπλάνων που βρισκόταν στον αέρα.<br /> <br /> Στην επιδημιολογία η χρήση της τηλεπισκόπησης μπορεί να βοηθήσει στην ανακάλυψη παραγόντων που επηρεάζουν την ασθένεια όπως για παράδειγμα οι καιρικές συνθήκες που ευνοούν την εξάπλωση κάποιου ιού. Έτσι κατά την διάρκεια της πανδημίας χρησιμοποιήθηκαν καιρικά δεδομένα και επιδημιολογικά δεδομένα για την μελέτη της συσχέτισης τους. Μία έρευνα κατέληξε πως η χαμηλή θερμοκρασία και η υγρασία συνέβαλαν στην εξάπλωση του ιού.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%9F_%CF%81%CF%8C%CE%BB%CE%BF%CF%82_%CF%84%CE%B7%CF%82_%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%CF%84%CE%AC_%CF%84%CE%B7%CE%BD_%CE%B4%CE%B9%CE%AC%CF%81%CE%BA%CE%B5%CE%B9%CE%B1_%CE%BC%CE%B9%CE%B1%CF%82_%CF%80%CE%B1%CE%B3%CE%BA%CF%8C%CF%83%CE%BC%CE%B9%CE%B1%CF%82_%CE%BA%CF%81%CE%AF%CF%83%CE%B7%CF%82_:_%CE%9C%CE%B5%CE%BB%CE%AD%CF%84%CE%B7_%CF%80%CE%B5%CF%81%CE%AF%CF%80%CF%84%CF%89%CF%83%CE%B7%CF%82_%CF%84%CE%B7%CF%82_%CF%80%CE%B1%CE%BD%CE%B4%CE%B7%CE%BC%CE%AF%CE%B1%CF%82_%CF%84%CE%BF%CF%85_COVID-19_. 2024-03-20T05:24:14Z

<p>Evangelos Arletos: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' The role of remote sensing during a global disaster: COVID-19 pandemic as case study '''Συγγραφείς:''' Albertus S.Louw,...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' The role of remote sensing during a global disaster: COVID-19 pandemic as case study<br /> <br /> '''Συγγραφείς:''' Albertus S.Louw, Jinjin FU, Aniket Raut, Azim Zulhilmi, Shuyu Yao, Miki McAlinn, Akari Fujikawa, Muhammad Taimur Siddique, Xiaoxiao Wang, Xinyue Yu, Kaushik Mandvikar Ram Avtar<br /> <br /> 1 Department of Forest Resources Management, Faculty of Forestry, University of British Columbia, Forest Sciences Centre, 2424 Main Mall, Vancouver, BC V6T 1Z4, Canada<br /> <br /> 2 Institute of Terrestrial Ecosystems, Department of Environmental System Sciences, ETH Zurich CHN K72.2, Universitätstrasse 16, 8092 Zurich, Switzerland<br /> <br /> '''Δημοσιεύθηκε:''' Remote Sensing Applications: Society and Environment, 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.rsase.2022.100789]]<br /> <br /> '''Λέξεις-κλειδιά:''' COVID 19, Τηλεπισκόπηση, Δορυφορικές εικόνες, Λήψη αποφάσης, Ρύπανση, Επιδημιολογία, Οικονομία, Ανασκόπηση'''<br /> <br /> '''Εισαγωγή '''<br /> <br /> Η τηλεπισκόπηση χρησιμοποιείται ως εργαλείο στη λήψη αποφάσεων σε μεγάλη ποικιλία επιστημονικών πεδίων. Χρησιμοποιείται συχνά για φυσικές καταστροφές, πολέμους, για παρακολούθηση συνόρων και την παρακολούθηση γεωργικών δραστηριοτήτων. Ένα πρόσφατο γεγονός στο οποίο βρήκε εφαρμογή η τηλεπισκόπηση ήταν για την λήψη αποφάσεων της πανδημίας του COVID-19. <br /> Οι πληροφορίες που παράχθηκαν από την τηλεπίσκοπηση στα πλαίσια αυτής της πανδημίας είχαν να κάνουν με: <br /> • Χρήση τηλεπισκόπησης για εικόνες πραγματικού χρόνου για τη λήψη αποφάσεων για παράδειγμα από ανθρωπιστικές οργανώσεις ή εταιρείες μεταφορών.<br /> • Εικόνες από την τηλεπισκόπηση για την μελέτη των αλλαγών στο περιβάλλον, όπως αλλαγές στον αέρα και της μόλυνσης του νερού μετά από την μείωση των ανθρωπογενών δραστηριοτήτων.<br /> • Κοινωνικό-οικονομικές συνέπειες της πανδημίας <br /> • Κατανόηση της επιδημιολογίας του SARS-COV-2<br /> <br /> <br /> '''Μεθοδολογία'''<br /> <br /> Για την πραγματοποίηση της συγκεκριμένης έρευνα αρχικά έγινε αναζήτηση στην επιστημονική βιβλιογραφία με τους όρους «COVID-19» και «Τηλεπισκόπηση» και έπειτα κατηγοριοποίηση των αποτελεσμάτων. Για την συγκεκριμένη έρευνα επίσης χρησιμοποιήθηκαν αξιόπιστες πηγές που όμως δεν ανήκαν στην ακαδημαϊκή βιβλιογραφία. Οι υπό-ενότητες που εντοπίστηκαν και από τα δύο είδη πηγών(επιστημονικά περιοδικά ή μη) ήταν:<br /> 1) Παροχή πληροφοριών για την αντιμετώπιση της πανδημίας<br /> 2) Περιβαλλοντικές συνέπειες<br /> 3) Παρακολούθηση των κοινωνικό-οικονομικών επιπτώσεων της πανδημίας με την χρήση της τηλεπισκόπησης<br /> 4) Χρήση τηλεπισκόπησης για επιδημιολογική μελέτη<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Η χρήση της τηλεπισκόπησης βοήθησε κυβερνήσεις και άλλους stakeholders σε καμπάνιες ενάντια στην πανδημία του COVID-19 με την τροφοδότηση real-time εικόνων του εδάφους. Αυτά τα δεδομένα επέτρεψαν την συνέχιση δραστηριοτήτων οι οποίες διαφορετικά θα είχαν σταματήσει.<br /> Η χρήση εικόνων υψηλής ανάλυσης περιοχών σε συνδυασμός με δημογραφικά, οικονομικά και κοινωνικά δεδομένα βοήθησαν τις αρχές να σχεδιάσουν καλύτερα της αντιμετώπιση της πανδημίας. Σε μια περίπτωση εικόνες από UAV χρησιμοποιήθηκαν για να αναλυθεί ο πληθυσμός και η πυκνότητα των ψαράδων στην ακτογραμμή και στη συνέχεια η ενημέρωση της τοπικής κοινωνίας για συγκεκριμένα μέτρα κοινωνικής αποστασιοποίησης. Σε άλλη περίπτωση εικόνες από δορυφόρο χρησιμοποιήθηκαν για να εκτιμήσουν τους θανάτους από covid από την καταμέτρηση των τάφω. Ακόμα δορυφορικές εικόνες χρησιμοποιήθηκαν για την παρακολούθηση της αποτελεσματικότητας των περιοριστικών μέτρων στις μετακινήσεις που είχαν επιβληθεί από τοπικές αρχές. <br /> Χρήση UAV πολύ υψηλής ανάλυσης χρησιμοποιήθηκαν για την παρακολούθηση του πλήθους με σκοπό την αναγνώριση περιπτώσεων COVID-19. Με χρήση θερμικών καμερών αναγνωρίστηκαν πιθανές περιπτώσεις COVID-19. Η συγκεκριμένη τακτική προκάλεσε αντιδράσεις από ανθρωπιστικούς οργανισμούς.<br /> Η πανδημία προκάλεσε προβλήματα στις εφοδιαστικές αλυσίδες των πλοίων. Η χρήση της τηλεπισκόπησης χρησιμοποιήθηκε για την παρακολούθηση και τον συντονισμό των πλοίων κοντά στα λιμάνια. <br /> <br /> Τα περιοριστικά μέτρα που επιβλήθηκαν σε παγκόσμιο επίπεδο οδήγησαν στην μείωση των μετακινήσεων και της δραστηριότητας του κόσμου που στη συνέχεια είχε ως συνέπεια την μείωση της ρύπανσης. Με την χρήση της τηλεπισκόπησης μπόρεσε να γίνει η καταγραφή αυτής της αλλαγής στην ατμόσφαιρα, στην υδρόσφαιρα και στην βιόσφαιρα. Παρατηρήθηκε μείωση των καυσαερίων στις μεγάλες πόλεις και βελτίωση της ποιότητας του νερού. Οι εικόνες ακόμα αποκάλυψαν και την ρύπανση από ανθρωπογενής ενέργειες σε λίμνες και ποτάμια. <br /> <br /> Από την αρχή της πανδημίας σχεδόν όλες οι οικονομίες και κοινωνίες παγκόσμια επηρεάστηκαν. Οι αλλαγές αυτές είχαν να κάνουν με τις οικονομικές δραστηριότητες, τα κοινωνικά events, την κατανομή του πληθυσμού μεταξύ αστικών και αγροτικών περιοχών, αλλαγές σε διατροφικές συνήθειες και στην ανεργία. Η τηλεπισκόπηση και βοήθησε στην παρακολούθηση αυτών των αλλαγών με διάφορους τρόπους. Για παράδειγμα με την μέτρηση της κίνησης των αυτοκινήτων με την εικόνων υψηλής ευκρίνειας. Εικόνες από εργατικά οχήματα έδωσαν πληροφορίες για την κατασκευαστική δραστηριότητα ανά περιοχή. Την καταγραφή των αεροπλάνων που βρισκόταν στον αέρα.<br /> <br /> Στην επιδημιολογία η χρήση της τηλεπισκόπησης μπορεί να βοηθήσει στην ανακάλυψη παραγόντων που επηρεάζουν την ασθένεια όπως για παράδειγμα οι καιρικές συνθήκες που ευνοούν την εξάπλωση κάποιου ιού. Έτσι κατά την διάρκεια της πανδημίας χρησιμοποιήθηκαν καιρικά δεδομένα και επιδημιολογικά δεδομένα για την μελέτη της συσχέτισης τους. Μία έρευνα κατέληξε πως η χαμηλή θερμοκρασία και η υγρασία συνέβαλαν στην εξάπλωση του ιού.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BE%CF%8C%CF%81%CF%85%CE%BE%CE%B7_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CE%BB%CE%B5%CE%BB%CE%B5%CE%B9%CE%BC%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BB%CE%BF%CF%86%CF%8E%CE%B4%CE%B5%CE%B9%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%B7_%CF%87%CF%89%CF%81%CE%BF%CF%87%CF%81%CE%BF%CE%BD%CE%B9%CE%BA%CE%AE_%CF%83%CF%8D%CE%BD%CF%84%CE%B7%CE%BE%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CF%80%CE%B7%CE%B3%CF%8E%CE%BD 2024-03-20T05:18:17Z

<p>Evangelos Arletos: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Extraction of Abandoned Land in Hilly Areas Based on the Spatio-Temporal Fusion of Multi-Source Remote Sensing Images <br /> <br /> '''Συγγραφείς:''' Shan He 1, Huaiyong Shao 1, Wei Xian 2, Shuhui Zhang 1, Jialong Zhong 3 and Jiaguo Qi 4<br /> <br /> 1 Key Laboratory of Geoscience Spatial Information Technology, Ministry of Land and Resources of China, Chengdu University of Technology, Chengdu 610059, China<br /> <br /> 2 College of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225, China<br /> <br /> 3 College of Management Science, Chengdu University of Technology, Chengdu 610059, China<br /> <br /> 4 Center for Global Change and Earth Observations, Michigan State University, East Lansing, MI 48824, USA<br /> <br /> '''Δημοσιεύθηκε:''' Remote Sens. 2021<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.3390/rs13193956]]<br /> <br /> '''Λέξεις-κλειδιά:''' εγκαταλελειμμένη γη, ρύπανση από σύννεφα, λοφώδης περιοχή, εικόνες πολλαπλών πηγών, χωροχρονική σύντηξη, αλλαγή χρονοσειράς '''<br /> <br /> '''Περίληψη'''<br /> <br /> Οι ορεινές περιοχές αποτελούν κρίσιμα στοιχεία του παγκόσμιου τοπίου, ωστόσο ορισμένες περιοχές αντιμετωπίζουν σημαντική εγκατάλειψη γης, θέτοντας προκλήσεις για την επισιτιστική ασφάλεια και τα μέσα διαβίωσης. Η χαρτογράφηση της εγκαταλελειμμένης γης σε αυτές τις περιοχές με τη χρήση εικόνων τηλεπισκόπησης είναι περίπλοκη λόγω του κατακερματισμού και της ρύπανσης από τα σύννεφα. Η παρούσα μελέτη προτείνει μια προσέγγιση που ενσωματώνει τη γραμμική έκταση (LS), τη σύνθεση μέγιστης τιμής (MVC) και την ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF) για την ανάλυση των αλλαγών χρονοσειρών και την εξαγωγή εγκαταλελειμμένων εκτάσεων. Οι εικόνες MOD09GA, MOD13Q1 και Sentinel-2 σχηματίζουν ένα μηνιαίο χωροχρονικό σύνολο δεδομένων 10 μέτρων. Δείκτες βλάστησης (VI) όπως ο NDVI, ο SAVI και ο NDWI προσδιορίζουν τις εγκαταλελειμμένες εκτάσεις, ενώ η ταξινόμηση με μηχανή διανύσματος υποστήριξης (SVM) τις διακρίνει από τις καλλιεργούμενες εκτάσεις και τις δασικές εκτάσεις. Η ενσωμάτωση των LS, MVC και FSDAF με SVM επιτυγχάνει συνολική ακρίβεια 88,1%, ξεπερνώντας το Sentinel-2 κατά 10,8-23,6% για την εξαγωγή εγκαταλελειμμένων εκτάσεων. Αυτή η μέθοδος προσφέρει τεχνική καθοδήγηση για τη χαρτογράφηση εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές και υποστηρίζει τις προσπάθειες για την καταπολέμηση της φτώχειας και την αναζωογόνηση της υπαίθρου.<br /> <br /> '''Εισαγωγή '''<br /> <br /> Το κείμενο που παρατίθεται περιγράφει τις προκλήσεις και τη σημασία της εξαγωγής της κατανομής των εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές με τη χρήση εικόνων τηλεπισκόπησης. Οι λοφώδεις περιοχές συχνά υποφέρουν από εγκατάλειψη γης λόγω τοπογραφικού περιθωρίου και ρύπανσης από σύννεφα, με επιπτώσεις στην επισιτιστική ασφάλεια και τα μέσα διαβίωσης. Ενώ η τηλεπισκόπηση έχει χρησιμοποιηθεί για το σκοπό αυτό, οι υπάρχουσες μέθοδοι αντιμετωπίζουν περιορισμούς, όπως η χαμηλή χωρική ανάλυση και η παρεμβολή των νεφών. Για την αντιμετώπιση αυτών των προκλήσεων, προτείνεται μια νέα προσέγγιση, η οποία ενσωματώνει τη γραμμική έκταση (LS), τη σύνθεση μέγιστης τιμής (MVC) και την ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF). Η προσέγγιση αυτή αποσκοπεί στην ανάλυση των αλλαγών χρονοσειρών και στην ακριβή εξαγωγή της κατανομής των εγκαταλελειμμένων εκτάσεων. Συγκεκριμένα, συγχωνεύονται οι εικόνες MODIS και Sentinel-2 για να αξιοποιηθεί η χρονική και χωρική τους ανάλυση. Το μοντέλο STARFM και οι παραλλαγές του, συμπεριλαμβανομένου του FSDAF, αξιοποιούνται για την αποτελεσματική ανάμειξη των δεδομένων Landsat και MODIS. Εξετάζεται επίσης η μέθοδος Improved Flexible Spatiotemporal Data Fusion (IFSDAF) για τη μεγιστοποίηση της χρήσης εικονοστοιχείων υψηλής ανάλυσης, παρά τα πιθανά σπασμωδικά σφάλματα. Στην παρούσα μελέτη, ως εγκαταλελειμμένη γη ορίζεται η ακαλλιέργητη καλλιεργούμενη γη ή η κατεστραμμένη δασική έκταση που παραμένει για περισσότερο από ένα έτος. Η γραμμική τάνυση και η MVC χρησιμοποιούνται για την αντιμετώπιση των διαφορών ακτινοβολίας και για την εξαγωγή μηνιαίων εκτιμήσεων της έκτασης φύτευσης. Η προτεινόμενη προσέγγιση ενσωματώνει αυτές τις τεχνικές με το FSDAF για την ανάλυση των αλλαγών σε χρονοσειρές και την ακριβή εξαγωγή της κατανομής των εγκαταλελειμμένων εκτάσεων. Η ταξινόμηση με μηχανή διανυσμάτων υποστήριξης (SVM) εφαρμόζεται χρησιμοποιώντας έναν συνδυασμό χαρτών χρήσεων γης, ορθοφωτογραφιών, εικόνων UAV και εικόνων χρονοσειρών Sentinel-2, MOD09GA και MOD13Q1 για την επικύρωση της εξαγόμενης κατανομής. Συνολικά, η μελέτη αποσκοπεί στην παροχή πολύτιμης υποστήριξης δεδομένων και συστάσεων στις τοπικές υπηρεσίες διαχείρισης γης για τον αποτελεσματικό σχεδιασμό και τη διαχείριση των χρήσεων γης σε λοφώδεις περιοχές.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Το τεχνικό διάγραμμα ροής της μελέτης περιλαμβάνει τρία βασικά βήματα, όπως απεικονίζεται στο Σχήμα 1. Ο πρωταρχικός στόχος του βήματος 1 είναι να οριοθετηθεί το εύρος των δασικών και καλλιεργούμενων εκτάσεων και να συγκεντρωθούν δείγματα δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων με τη χρήση της πλατφόρμας ArcGIS. Το βήμα αυτό περιλαμβάνει τις ακόλουθες πτυχές: <br /> Διαλογή χαρακτηριστικών: Χρήση πληροφοριών χαρακτηριστικών για τον εντοπισμό των δασικών εκτάσεων και των καλλιεργούμενων εκτάσεων στο χάρτη κατανομής χρήσεων γης και στο προϊόν κάλυψης γης. Στη συνέχεια, τα αποτελέσματα αναλύονται με τη χρήση τεχνικών επικάλυψης για τη βελτίωση της ακρίβειας.Προσαρμογή χωρικής ανάλυσης: Δεδομένου ότι η χωρική ανάλυση των προαναφερθέντων δεδομένων είναι 30 μέτρα, είναι απαραίτητο να βελτιωθεί το εύρος των δασικών εκτάσεων και των καλλιεργούμενων εκτάσεων. Για τον σκοπό αυτό χρησιμοποιούνται ορθοφωτογραφίες της Google με χωρική ανάλυση 1,7 μέτρων λόγω της ικανότητάς τους να αναγνωρίζουν μικρά αγροτεμάχια. Η αλληλεπίδραση ανθρώπου-υπολογιστή χρησιμοποιείται στις ορθοφωτογραφίες της Google για την εξάλειψη των περιοχών που δεν αντιστοιχούν σε δασικές ή καλλιεργούμενες εκτάσεις.Διανυσματική κάλυψη: Τα διανυσματικά δεδομένα του OpenStreetMap, που περιέχουν πληροφορίες για δρόμους, κτίρια, υδάτινα σώματα και όχθες ποταμών, χρησιμοποιούνται για τη συγκάλυψη των επικαλυπτόμενων αποτελεσμάτων που προέκυψαν από τα προηγούμενα βήματα. Η επικάλυψη των αποτελεσμάτων της αλληλεπίδρασης ανθρώπου-υπολογιστή από τις ορθοφωτογραφίες της Google με τα διανυσματικά δεδομένα του OpenStreetMap βοηθά στην αφαίρεση των περιοχών που δεν είναι δασικές ή καλλιεργούμενες εκτάσεις. Εντοπισμός πιθανών εγκαταλελειμμένων περιοχών: Οι διαλεγμένες κατανομές των δασικών και καλλιεργούμενων εκτάσεων επικαλύπτονται σε εικόνες πραγματικού χρώματος από το Sentinel-2 για τον εντοπισμό περιοχών που ενδέχεται να είναι εγκαταλελειμμένες. Εννέα τυπικές περιοχές και προγραμματισμένες διαδρομές δειγματοληψίας πεδίου οριοθετούνται με βάση αυτή την ανάλυση. <br /> Συλλογή δειγμάτων: Δείγματα δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων λαμβάνονται μέσω της οριοθέτησης με τη χρήση χρονοσειρών εικόνων Sentinel-2, αλληλεπίδρασης ανθρώπου-υπολογιστή σε ορθοφωτογραφίες της Google, επιχειρήσεων UAV (μη επανδρωμένου εναέριου οχήματος) στις εννέα τυπικές περιοχές και δειγματοληψίας πεδίου στις περιοχές μελέτης.Ακολουθώντας αυτά τα βήματα, η μελέτη αποσκοπεί στον ακριβή εντοπισμό και τη συλλογή δειγμάτων δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων, τα οποία είναι απαραίτητα για την περαιτέρω ανάλυση και ταξινόμηση. Μέσω των επιλεγμένων δειγμάτων που απεικονίζονται στην Εικόνα 4, δημιουργήσαμε διαγράμματα καμπύλων χρονοσειρών των δεικτών βλάστησης (VI) για τα δάση, τις καλλιεργούμενες εκτάσεις και τις εγκαταλελειμμένες εκτάσεις με βάση τις μέσες τιμές των δειγμάτων. Οι μέγιστες και ελάχιστες τιμές αυτών των καμπυλών καταγράφηκαν με οριζόντιες γραμμές, όπως φαίνεται στην Εικόνα 7. <br /> <br /> '''Συζήτηση'''<br /> <br /> Παρουσιάζεται μια νέα προσέγγιση για την εξόρυξη εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές με την ενσωμάτωση δεδομένων τηλεπισκόπησης πολλαπλών πηγών και προηγμένων τεχνικών σύντηξης. Οι λοφώδεις περιοχές αντιμετωπίζουν συχνά προκλήσεις όπως η κατακερματισμένη γη και η ρύπανση από σύννεφα, γεγονός που καθιστά δύσκολη την ακριβή χαρτογράφηση των εγκαταλελειμμένων εκτάσεων. Στην παρούσα μελέτη, συνδυάστηκαν η γραμμική έκταση (Ls), η σύνθετη μέθοδος μέγιστης τιμής (MVC) και η ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF) για την ανάλυση των χρονικών αλλαγών και την εξαγωγή της χωρικής κατανομής των εγκαταλελειμμένων εκτάσεων. Τα Sentinel-2, MOD09GA και MOD13Q1 χρησιμοποιήθηκαν για τη συγχώνευση ενός μηνιαίου συνόλου δεδομένων χωρικής ανάλυσης 10 m, ενώ οι δείκτες βλάστησης (VIs) χρησιμοποιήθηκαν για τον εντοπισμό εγκαταλελειμμένων εκτάσεων. Ο ταξινομητής διανυσματικής μηχανής υποστήριξης (SVM) εφαρμόστηκε για τη διάκριση των εγκαταλελειμμένων εκτάσεων από τις καλλιεργούμενες εκτάσεις και τις δασικές εκτάσεις. Η προτεινόμενη προσέγγιση πέτυχε συνολική ακρίβεια 88,1%, ξεπερνώντας τις μεθόδους μίας πηγής κατά 10,8-23,6% για την εξαγωγή εγκαταλελειμμένων εκτάσεων. Μέσω ερευνών πεδίου, εντοπίστηκαν οι λόγοι εγκατάλειψης γης και διατυπώθηκαν συστάσεις για την αντιμετώπιση του κατακερματισμού και τη βελτίωση της διαχείρισης των υδάτων. Η μελέτη αυτή καταδεικνύει τις δυνατότητες συγχώνευσης τηλεπισκοπικών δεδομένων πολλαπλών πηγών για την ακριβή χαρτογράφηση εγκαταλελειμμένων εκτάσεων, προσφέροντας πολύτιμες πληροφορίες για τη διαχείριση της γης και τις προσπάθειες διατήρησης σε λοφώδεις περιοχές. <br /> <br /> '''Επίλογος'''<br /> <br /> Στην παρούσα μελέτη, ο συνδυασμός των πηγών τηλεπισκοπικών δεδομένων Sentinel-2, MOD09GA και MOD13Q1 διευκόλυνε την εξαγωγή εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές, παρά τις προκλήσεις όπως η ρύπανση από σύννεφα και η ποικίλη βλάστηση. Μέσω της προσέγγισης Ls+MVC+FSDAF ελήφθησαν μηνιαίοι δείκτες βλάστησης (ndvi, savi και ndwi) με χωρική ανάλυση 10 m, επιτρέποντας την ταχεία και αξιόπιστη εξαγωγή εγκαταλελειμμένων εκτάσεων. Η μέθοδος αυτή προσφέρει πολύτιμες πληροφορίες για την τοπική παραγωγή τροφίμων και τη διαχείριση των εδαφικών πόρων σε λοφώδεις περιοχές που χαρακτηρίζονται από μικρά αγροτεμάχια και πολύπλοκα πρότυπα βλάστησης.<br /> <br /> Προχωρώντας προς τα εμπρός, η χρήση πλατφορμών επεξεργασίας σύννεφων μεγάλων δεδομένων, όπως η Google Earth Engine (GEE), θα είναι ζωτικής σημασίας για την εξαγωγή της χωροχρονικής κατανομής των εγκαταλελειμμένων εκτάσεων σε μεγαλύτερη κλίμακα και για μεγαλύτερες χρονοσειρές. Η ενσωμάτωση αλγορίθμων αφαίρεσης νεφών, τεχνικών συγχώνευσης τηλεπισκοπικών δεδομένων πολλαπλών πηγών και προηγμένων μοντέλων ταξινόμησης βαθιάς μάθησης θα βελτιώσει περαιτέρω την ακρίβεια της εξαγωγής εγκαταλελειμμένων εκτάσεων, παρέχοντας πολύτιμη υποστήριξη για τη διαχείριση της γης και τις προσπάθειες διατήρησης σε λοφώδεις περιοχές.<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B7_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_U-Net 2024-03-20T05:17:58Z

<p>Evangelos Arletos: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Detecting Buildings and Nonbuildings from Satellite Images Using U-Net<br /> <br /> '''Συγγραφείς:''' Waleed Alsabhan 1, Turky Alotaiby 2, Basil Dudin 1<br /> <br /> 1 Al Faisal University, College of Engineering, P.O.Box 50927, Riyadh 11533, Kingdom of Saudi Arabia<br /> <br /> 2 King Abdulaziz City for Science and Technology, National Center for Artificial Intelligence, P.B. Box 6086, Riyadh 11442,<br /> Saudi Arabia<br /> <br /> '''Δημοσιεύθηκε:''' Computational Intelligence and Neuroscience, 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1155/2022/4831223]]<br /> <br /> '''Περίληψη'''<br /> <br /> Η αυτόματη ανίχνευση κτιρίων από δορυφορικές εικόνες υψηλής ανάλυσης εξυπηρετεί διάφορες εφαρμογές, όπως ο πολεοδομικός σχεδιασμός, η αντιμετώπιση καταστροφών και η παρακολούθηση της δυναμικής του πληθυσμού. Οι παραδοσιακές τεχνικές επεξεργασίας εικόνων συχνά υποφέρουν από ανακρίβειες ή μεγάλους χρόνους επεξεργασίας. Τα συνεπτυγμένα νευρωνικά δίκτυα (CNN) προσφέρουν μια πολλά υποσχόμενη λύση, με την αρχιτεκτονική U-Net, η οποία αναπτύχθηκε αρχικά για την κατάτμηση ιατρικών εικόνων, να αναδεικνύεται σε δημοφιλή επιλογή.Η παρούσα μελέτη διερευνά την αποτελεσματικότητα της χρήσης του U-Net για την εξαγωγή κτιρίων από δορυφορικές εικόνες, εστιάζοντας ιδιαίτερα στην ικανότητά του να επιτυγχάνει υψηλή ακρίβεια με ελάχιστα δεδομένα εκπαίδευσης. Το τμήμα κωδικοποιητή της αρχιτεκτονικής U-Net τροποποιείται ώστε να ενσωματώνει τη μάθηση μεταφοράς, αξιοποιώντας προ-εκπαιδευμένα μοντέλα όπως τα VGGNet και ResNet. Τα μοντέλα αυτά συγκρίνονται με μια προσαρμοσμένη αρχιτεκτονική U-Net.Τα αποτελέσματα δείχνουν ότι η ραχοκοκαλιά με βάση το VGGNet αποδίδει την υψηλότερη ακρίβεια 84,9%. Αυτή η προσέγγιση επιδεικνύει ανώτερες επιδόσεις σε σύγκριση με τα υπάρχοντα μοντέλα, ιδίως όταν πρόκειται για περιορισμένα δεδομένα εκπαίδευσης. Τα ευρήματα αναδεικνύουν τις δυνατότητες της μάθησης μεταφοράς στην ανάλυση δορυφορικών εικόνων και υπογραμμίζουν την αποτελεσματικότητα των CNN, ιδίως της αρχιτεκτονικής U-Net, σε εργασίες αυτόματης ανίχνευσης κτιρίων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η παρούσα μελέτη ασχολείται με την πρόκληση της αυτοματοποίησης της εξαγωγής κτιρίων από δορυφορικές εικόνες, η οποία είναι ζωτικής σημασίας για διάφορες εφαρμογές όπως ο αστικός σχεδιασμός και η αντιμετώπιση καταστροφών. Οι παραδοσιακές μέθοδοι, όπως οι χειροκίνητες έρευνες, είναι χρονοβόρες, γεγονός που επιβάλλει την ανάγκη για αποτελεσματικές τεχνικές επεξεργασίας εικόνας. Αξιοποιώντας τις εξελίξεις στην τεχνολογία της τηλεπισκόπησης, η παρούσα έρευνα χρησιμοποιεί βαθιά μάθηση, και συγκεκριμένα συνεπαγωγικά νευρωνικά δίκτυα (CNN), για τη σημασιολογική κατάτμηση δορυφορικών εικόνων για την ταξινόμηση κάθε εικονοστοιχείου ως ανήκοντος σε κτίριο ή όχι.Εμπνευσμένο από την αρχιτεκτονική U-Net, ένα μοντέλο CNN αναπτύσσεται και εκπαιδεύεται σε δυαδικές μάσκες που αντιπροσωπεύουν εικονοστοιχεία κτιρίων. Διερευνώνται τεχνικές μάθησης μεταφοράς για τη βελτίωση της ακρίβειας ταξινόμησης, ενσωματώνοντας κωδικοποιητές ResNet και VGGNet στο πλαίσιο U-Net. Το προτεινόμενο μοντέλο αποσκοπεί στην επίτευξη ακριβούς κατάτμησης κτιρίων με ταυτόχρονη ελαχιστοποίηση των απαιτήσεων δεδομένων εκπαίδευσης.Οι βασικές συνεισφορές αυτής της εργασίας περιλαμβάνουν την ανάπτυξη ενός υπολογιστικά αποδοτικού μοντέλου για την τμηματοποίηση κτιρίων, την επίτευξη υψηλής ακρίβειας με ελάχιστα δεδομένα εκπαίδευσης και την υπεροχή έναντι προηγούμενων μοντέλων που έχουν κατασκευαστεί με μεγαλύτερα σύνολα δεδομένων. Η ευελιξία του μοντέλου αποδεικνύεται με την εκπαίδευση σε εικόνες RGB, επιτρέποντας τη χρήση διαφόρων πλαισίων βαθιάς μάθησης για την αποτελεσματική εξαγωγή κτιρίων από δορυφορικές εικόνες.<br /> <br /> '''Βιβλιογραφική ανασκόπηση'''<br /> <br /> Παρουσιάζεται το υπάρχον ερευνητικό τοπίο και τις πρόσφατες εξελίξεις στην αυτοματοποιημένη αναγνώριση κτιρίων από δορυφορικές εικόνες. Ενώ έχουν χρησιμοποιηθεί παραδοσιακές μέθοδοι όπως ANN, πιθανοτικές προσεγγίσεις και SVM, η πρόσφατη εστίαση έχει μετατοπιστεί προς τις τεχνικές βαθιάς μάθησης, ιδίως τα νευρωνικά δίκτυα συνελίξεων (CNN). Αυτές οι προσεγγίσεις που βασίζονται σε CNN στοχεύουν στην ακριβή τμηματοποίηση κτιρίων από δορυφορικές εικόνες, αντιμετωπίζοντας προκλήσεις όπως ο εντοπισμός και τα σημασιολογικά όρια τμηματοποίησης. Επιπλέον, οι ερευνητές έχουν διερευνήσει τεχνικές συγχώνευσης δεδομένων και έχουν αξιοποιήσει σύνολα δεδομένων που παρέχονται από οργανισμούς όπως η Inria για τη βελτίωση της ακρίβειας εξαγωγής κτιρίων. Η περίληψη υπογραμμίζει τη σημασία της αυτοματοποιημένης αναγνώρισης κτιρίων για διάφορες εφαρμογές και αναδεικνύει τις δυνατότητες των μεθόδων βαθιάς μάθησης σε αυτόν τον τομέα.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη χρησιμοποιεί ένα ανοικτό σύνολο δεδομένων από δορυφορικές εικόνες υψηλής ανάλυσης της αγροτικής επαρχίας Xinxing, επαρχία Guangdong, Κίνα, που περιλαμβάνει 68 εικόνες RGB, οι οποίες έχουν κατατμηθεί χειροκίνητα σε κατηγορίες φόντου, νέων κτιρίων και παλαιών κτιρίων. Για να αντιμετωπιστεί ο περιορισμένος αριθμός εικόνων που έχουν σχολιαστεί για τις κατηγορίες κτιρίων, το σύνολο δεδομένων μειώνεται σε δύο κατηγορίες (κτίριο και μη κτίριο). Εφαρμόζονται τεχνικές επαύξησης δεδομένων σε πραγματικό χρόνο για την αύξηση του μεγέθους του συνόλου δεδομένων εκπαίδευσης, οι οποίες περιλαμβάνουν περιστροφές, αναστροφές, ζουμ και ψαλιδίσματα. Η αρχιτεκτονική U-Net, εμπνευσμένη από τους αυτόματους κωδικοποιητές, χρησιμοποιείται για τη σημασιολογική κατάτμηση, η οποία χωρίζει τη σκηνή σε κατηγορίες κτιρίων και μη κτιρίων. Το U-Net περιλαμβάνει ένα μονοπάτι συρρίκνωσης για την εξαγωγή χαρακτηριστικών και ένα μονοπάτι επέκτασης για την ανάκτηση χάρτη τμηματοποίησης, με συνδέσεις παράλειψης που βοηθούν στην ανάκτηση και τον εντοπισμό χαρακτηριστικών. Το μοντέλο υλοποιείται χρησιμοποιώντας το πλαίσιο Keras με backend TensorFlow και εκπαιδεύεται σε GPU, χρησιμοποιώντας τον αλγόριθμο βελτιστοποίησης Adam. Η διαδικασία εκπαίδευσης περιλαμβάνει αλλαγή μεγέθους εικόνων σε 512x512, εκπαίδευση για 50 εποχές με μέγεθος παρτίδας δύο. Το εκπαιδευμένο μοντέλο αξιολογείται σε δοκιμαστικές εικόνες για να εκτιμηθεί η απόδοσή του.<br /> <br /> '''Συζήτηση και αποτελέσματα'''<br /> <br /> Η μελέτη χρησιμοποίησε αρχικά μια βασική αρχιτεκτονική U-Net για την τμηματοποίηση κτιρίων, η οποία απέδωσε μη βέλτιστες επιδόσεις λόγω της απουσίας επαύξησης της εικόνας. Για την αντιμετώπιση αυτού του προβλήματος, ο κωδικοποιητής U-Net αντικαταστάθηκε με ResNet και VGGNet προεκπαιδευμένα στο ImageNet, με αποτέλεσμα τη βελτίωση των επιδόσεων. Συγκεκριμένα, το U-Net με κορμό VGG πέτυχε την υψηλότερη ακρίβεια. Η εκμάθηση μεταφοράς από το ImageNet παρείχε ένα καλό σημείο εκκίνησης για τη λεπτομερή ρύθμιση των μοντέλων, ενισχύοντας τη μαθησιακή τους ικανότητα παρά το μικρότερο σύνολο δεδομένων εκπαίδευσης. Η απλή αρχιτεκτονική του VGG με ομοιογενείς πυρήνες συνέλιξης και maxpooling συνέβαλε στην ανώτερη απόδοσή του σε εργασίες τμηματοποίησης εικόνων. Εφαρμόστηκαν διάφορες τεχνικές επαύξησης, όπως αναστροφή, ζουμ, περιστροφή και διάτμηση, για τη διαφοροποίηση του συνόλου δεδομένων εκπαίδευσης, βελτιώνοντας τη γενίκευση του μοντέλου. Η πρόοδος της εκπαίδευσης παρακολουθήθηκε, διασφαλίζοντας ότι δεν υπήρξε υπερβολική προσαρμογή, με μετρικές επιδόσεων όπως ο συντελεστής Dice και η ακρίβεια να αυξάνονται σταθερά. Παρά την ανισορροπία του συνόλου δεδομένων, όπου κυριαρχούσαν τα εικονοστοιχεία που δεν ήταν κτίρια, το εκπαιδευμένο μοντέλο παρουσίασε υψηλή ακρίβεια στη διάκριση μεταξύ των κλάσεων κτιρίων και μη κτιρίων, όπως αποδεικνύεται από την ανάλυση του πίνακα σύγχυσης. Συνολικά, η εκμάθηση μεταφοράς με προ-εκπαιδευμένους κωδικοποιητές και η αύξηση των δεδομένων αποδείχθηκε αποτελεσματική στην ενίσχυση της απόδοσης κατάτμησης κτιρίων.<br /> <br /> Η αναγνώριση κτιρίων από δορυφορικές φωτογραφίες είναι ζωτικής σημασίας για διάφορες εφαρμογές, όπως ο πολεοδομικός σχεδιασμός, η ανάπτυξη υποδομών και η αστική διαχείριση. Ωστόσο, η χειροκίνητη αναγνώριση κτιρίων από δορυφορικές εικόνες είναι χρονοβόρα και αναποτελεσματική. Ως εκ τούτου, οι αυτόματες μέθοδοι ανίχνευσης κτιρίων είναι απαραίτητες για την αντιμετώπιση αυτών των προκλήσεων. Στην παρούσα μελέτη, για τη δημιουργία του συνόλου δεδομένων χρησιμοποιήθηκαν δορυφορικές εικόνες υψηλής ανάλυσης από την αγροτική Κίνα. Οι εικόνες είχαν ανάλυση 0,26 m και το μέγεθός τους κυμαινόταν από 900 × 900 έως 1024 × 1024 εικονοστοιχεία. Ενώ προηγούμενες έρευνες επιχείρησαν την τμηματοποίηση περιπτώσεων χρησιμοποιώντας το μοντέλο Mask R-CNN, η παρούσα μελέτη επικεντρώθηκε στην ανάπτυξη ενός σημασιολογικού μοντέλου τμηματοποίησης για την ταξινόμηση και τμηματοποίηση κτιρίων σε εικόνες. Παρά τη χρήση μικρότερου αριθμού εικόνων εκπαίδευσης, το μοντέλο που αναπτύχθηκε σε αυτή τη μελέτη είχε ως στόχο να ξεπεράσει τους περιορισμούς που παρατηρούνται σε άλλα σύνολα δεδομένων, όπως τα εσφαλμένα ή ασαφή δεδομένα. Τα αποτελέσματα συγκρίθηκαν με την υπάρχουσα βιβλιογραφία, όπου οι τυπικές αρχιτεκτονικές U-Net ενισχύθηκαν και εκπαιδεύτηκαν σε σύνολα δεδομένων με υψηλότερες αναλύσεις. Ωστόσο, αυτά τα μοντέλα αντιμετώπισαν δυσκολίες στην ακριβή τμηματοποίηση κτιρίων μικρού μεγέθους λόγω περιορισμών στον χειρισμό λεπτομερών χαρακτηριστικών. Συνολικά, το μοντέλο σημασιολογικής τμηματοποίησης που αναπτύχθηκε στην παρούσα μελέτη προσφέρει μια πολλά υποσχόμενη προσέγγιση για την αναγνώριση κτιρίων σε δορυφορικές εικόνες, με πιθανές εφαρμογές σε διάφορους τομείς που απαιτούν ακριβή και αποτελεσματική εξαγωγή πληροφοριών για κτίρια. Το μοντέλο που αναπτύχθηκε σε αυτή τη μελέτη, βασισμένο σε μια αρχιτεκτονική U-Net με μια ραχοκοκαλιά VGG16, προεκπαιδευμένη με βάρη ImageNet, υπερέβη τις επιδόσεις των άλλων δύο μοντέλων που αξιολογήθηκαν. Το εύρημα αυτό αναδεικνύει την αποτελεσματικότητα της επιλεγμένης αρχιτεκτονικής και της ραχοκοκαλιάς στην ακριβή τμηματοποίηση κτιρίων από δορυφορικές εικόνες. Επιπλέον, η διαδικασία ανάπτυξης ήταν ταχύτερη και αποτελεσματικότερη, ακόμη και με μικρότερο σύνολο δεδομένων εκπαίδευσης. Αυτό υποδηλώνει ότι το μοντέλο μπορεί να επιτύχει υψηλές επιδόσεις με λιγότερα σχολιασμένα παραδείγματα, μειώνοντας τον χρόνο σχολιασμού, διατηρώντας παράλληλα την ικανότητα τμηματοποίησης. Συνολικά, τα αποτελέσματα αυτά καταδεικνύουν την ευρωστία και την αποτελεσματικότητα της προτεινόμενης προσέγγισης για την αναγνώριση κτιρίων σε δορυφορικές εικόνες.<br /> <br /> '''Επίλογος'''<br /> Στόχος της μελέτης ήταν η αυτόματη τμηματοποίηση όλων των κτιρίων σε δορυφορικές εικόνες υψηλής ανάλυσης χρησιμοποιώντας το μοντέλο σημασιολογικής τμηματοποίησης U-Net. Η προσέγγιση αυτή επιλέχθηκε λόγω της υψηλής ακρίβειας που προσφέρει με ελάχιστα δεδομένα εκπαίδευσης και ελάχιστες απαιτήσεις σε επεξεργαστική ισχύ. Οι ερευνητές διερεύνησαν την απόδοση ενός προσαρμοσμένου μοντέλου U-Net από άκρη σε άκρη και προ-εκπαιδευμένων μοντέλων ως αντικαταστάτες του κωδικοποιητή. Τα αποτελέσματα έδειξαν ότι τα προ-εκπαιδευμένα μοντέλα υπερτερούσαν του παραδοσιακού μοντέλου U-Net, καθώς παρείχαν πιο ισχυρές αναπαραστάσεις χαρακτηριστικών. Συγκεκριμένα, ο προ-εκπαιδευμένος κωδικοποιητής VGGNet που ενσωματώθηκε στην αρχιτεκτονική U-Net απέδωσε πολλά υποσχόμενα αποτελέσματα, επιτυγχάνοντας ακρίβεια 89,28%, διατομή πάνω από την ένωση (IoU) 74,70%, βαθμολογία F1 84,90%, ακρίβεια 88,99%, ανάκληση 82,61% και βαθμολογία Dice 77,47% σε ένα μικρό σύνολο δεδομένων εικόνας. Αυτές οι μετρήσεις καταδεικνύουν την αποτελεσματικότητα της προτεινόμενης προσέγγισης στην ακριβή τμηματοποίηση κτιρίων από δορυφορικές εικόνες, ξεπερνώντας προηγούμενα μοντέλα όπως το Mask R-CNN όσον αφορά την ακρίβεια με περιορισμένα δεδομένα εκπαίδευσης. Οι μελλοντικές ερευνητικές προσπάθειες αποσκοπούν στην επέκταση του συνόλου δεδομένων εκπαίδευσης και στη βελτίωση του σχεδιασμού του δικτύου για τη βελτίωση της ικανότητας γενίκευσης του προτεινόμενου μοντέλου. Αυτό περιλαμβάνει τη διερεύνηση μεγαλύτερων συνόλων δεδομένων και πιο προηγμένων αρχιτεκτονικών δικτύου για την περαιτέρω ενίσχυση της απόδοσης και την προσαρμογή σε πιο εκτεταμένες δυνατότητες επεξεργασίας.<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CE%BB%CE%AD%CF%84%CE%BF%CF%82_%CE%95%CF%85%CE%AC%CE%B3%CE%B3%CE%B5%CE%BB%CE%BF%CF%82 2024-03-20T05:17:14Z

<p>Evangelos Arletos: </p> <hr /> <div>* [[Ανίχνευση εγκαταλελειμμένων σπιτιών σε αγροτικές περιοχές πμε χρήση δεδομένων από πολλές πηγές]] <br /> <br /> * [[Ανίχνευση κτιρίων και μη από δορυφορικές εικόνες με χρήση του U-Net]] <br /> <br /> * [[Ανίχνευση μεμονωμένων εγκαταλελειμμένων σπιτιών από την προβολή οδών Google: Μια ιεραρχική προσέγγιση βαθιάς μάθησης.]] <br /> <br /> * [[Εξόρυξη εγκαταλελειμμένης γης σε λοφώδεις περιοχές με βάση τη χωροχρονική σύντηξη εικόνων τηλεπισκόπησης πολλαπλών πηγών]] <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CE%BB%CE%AD%CF%84%CE%BF%CF%82_%CE%95%CF%85%CE%AC%CE%B3%CE%B3%CE%B5%CE%BB%CE%BF%CF%82 2024-03-20T05:16:46Z

<p>Evangelos Arletos: </p> <hr /> <div>* [[Ανίχνευση εγκαταλελειμμένων σπιτιών σε αγροτικές περιοχές πμε χρήση δεδομένων από πολλές πηγές]] <br /> <br /> * [[Ανίχνευση κτιρίων και μη από δορυφορικές εικόνες με χρήση του U-Net]] <br /> <br /> * [[Ανίχνευση μεμονωμένων εγκαταλελειμμένων σπιτιών από την προβολή οδών Google: Μια ιεραρχική προσέγγιση βαθιάς μάθησης]] <br /> <br /> * [[Εξόρυξη εγκαταλελειμμένης γης σε λοφώδεις περιοχές με βάση τη χωροχρονική σύντηξη εικόνων τηλεπισκόπησης πολλαπλών πηγών]] <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CE%BB%CE%B5%CE%BB%CE%B5%CE%B9%CE%BC%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CF%80%CE%B9%CF%84%CE%B9%CF%8E%CE%BD_%CF%83%CE%B5_%CE%B1%CE%B3%CF%81%CE%BF%CF%84%CE%B9%CE%BA%CE%AD%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CF%80%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CE%B4%CE%B5%CE%B4%CE%BF%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B1%CF%80%CF%8C_%CF%80%CE%BF%CE%BB%CE%BB%CE%AD%CF%82_%CF%80%CE%B7%CE%B3%CE%AD%CF%82 2024-03-19T19:25:44Z

<p>Evangelos Arletos: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Detecting Abandoned Houses in Rural Areas using Multi-Source Data '''Συγγραφείς:''' Changro Lee 1. Departament of Real...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Detecting Abandoned Houses in Rural Areas using Multi-Source Data<br /> <br /> '''Συγγραφείς:''' Changro Lee<br /> <br /> 1. Departament of Real Estate, Kangwon National University, 1 Kangwondaehak-gil, Chuncheon, Gangwon-do, 24341, <br /> Republic of Korea, e-mail: spatialstat@naver.com, ORCID: 0000-0002-7727-3168 <br /> <br /> '''Δημοσιεύθηκε:''' Real Estate Management and Valuation, 2023<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.2478/remav-2023-0021]]<br /> <br /> '''Λέξεις-κλειδιά:''' εγκαταλελειμμένα σπίτια, αγροτική περιοχή, νευρωνικό δίκτυο, εικόνες'''<br /> <br /> '''Περίληψη'''<br /> <br /> Τα εγκαταλελειμμένα σπίτια μαστίζουν όλο και περισσότερο τις επαρχίες της Νότιας Κορέας, επηρεάζοντας αρνητικά την αισθητική, την ασφάλεια και τα τοπικά οικονομικά. Ο εντοπισμός τους είναι ζωτικής σημασίας για την αποτελεσματική διακυβέρνηση. Η παρούσα μελέτη προτείνει μια οικονομικά αποδοτική μέθοδο που χρησιμοποιεί δεδομένα πολλαπλών πηγών και ένα νευρωνικό δίκτυο πολλαπλών εισόδων, επιτυγχάνοντας ακρίβεια 86,2%. Η προκύπτουσα βάση δεδομένων μπορεί να ενημερώσει για τη διαχείριση των κατοικιών, ανακουφίζοντας τα αγροτικά κενά.<br /> Κατά την τελευταία δεκαετία, η Νότια Κορέα υπήρξε μάρτυρας μιας αξιοσημείωτης αύξησης του αριθμού των εγκαταλελειμμένων σπιτιών (ΑΣ), φτάνοντας περίπου το 1,5 εκατομμύριο μονάδες σε εθνικό επίπεδο το 2020. Η τάση αυτή, που επικρατεί τόσο στις αστικές όσο και στις αγροτικές περιοχές, δημιουργεί σημαντικές κοινωνικές και οικονομικές προκλήσεις, συμπεριλαμβανομένων των επιπτώσεων στην ποιότητα των γειτονιών, στα ποσοστά εγκληματικότητας και στα οικονομικά της τοπικής αυτοδιοίκησης. Για την αντιμετώπιση αυτού του ζητήματος, η αποτελεσματική ανίχνευση και διαχείριση των ΑΗ είναι επιτακτική ανάγκη. Η παρούσα μελέτη επικεντρώνεται στον συστηματικό εντοπισμό των ΑΗ, ιδίως στις αγροτικές περιοχές, και προτείνει μια μέθοδο που χρησιμοποιεί δεδομένα πολλαπλών πηγών και μια νέα προσέγγιση για τη βελτίωση της ακρίβειας ανίχνευσης. Τα ευρήματα υπογραμμίζουν τη σημασία της αντιμετώπισης της εγκατάλειψης αγροτικών κατοικιών και καταδεικνύουν την αποτελεσματικότητα της ενσωμάτωσης ετερογενών συνόλων δεδομένων για βελτιωμένη απόδοση ανίχνευσης. Η έρευνα αυτή συμβάλλει στην ενημέρωση των τοπικών πολιτικών και στρατηγικών με στόχο τον μετριασμό των επιπτώσεων της εγκατάλειψης σπιτιών και την προώθηση της κοινοτικής ανάπτυξης. <br /> <br /> '''Βιβλιογραφική Ανασκόπηση'''<br /> <br /> Η συρρίκνωση των πόλεων και η επικράτηση των εγκαταλελειμμένων κατοικιών έχουν μελετηθεί εκτενώς τόσο στις ευρωπαϊκές όσο και στις αμερικανικές πόλεις, με παράγοντες όπως τα χαμηλά ποσοστά γεννήσεων, η οικονομική παρακμή και ο βιομηχανικός μετασχηματισμός να έχουν αναγνωριστεί ως βασικοί παράγοντες. Οι στρατηγικές για την αναζωογόνηση των αστικών περιοχών περιλαμβάνουν την άρση των πολιτικών εμποδίων, την παροχή φορολογικών κινήτρων και τη δημιουργική επαναχρησιμοποίηση των κενών ακινήτων. Στη Νότια Κορέα, οι κενές αστικές κατοικίες συχνά πλαισιώνονται στο πλαίσιο της &quot;πόλης του ντόνατ&quot;, ενώ οι αγροτικές περιοχές αντιμετωπίζουν επίσης σημαντικές προκλήσεις της ΑΗ λόγω της ερήμωσης και της οικονομικής στασιμότητας. Παρά το γεγονός ότι είναι λιγότερο ορατές, οι αγροτικές ΑΧ δημιουργούν σοβαρές δυσκολίες για τις τοπικές κυβερνήσεις. Η παρούσα μελέτη αποκλίνει από την έρευνα που επικεντρώνεται στις πόλεις, διερευνώντας τις αγροτικές ΑΧ και προτείνει μια σχετική προσέγγιση ανίχνευσης.<br /> <br /> Η ανίχνευση εγκαταλελειμμένων κατοικιών είναι ζωτικής σημασίας για την τοπική στεγαστική πολιτική και τον περιφερειακό σχεδιασμό, αλλά θέτει προκλήσεις όσον αφορά τη σχέση κόστους-αποτελεσματικότητας και ταχύτητας. Έχουν προταθεί διάφορες μέθοδοι, συμπεριλαμβανομένων των ερευνών πεδίου, της ανάλυσης δεδομένων κοινής ωφέλειας και της ανάλυσης δορυφορικών εικόνων. Οι έρευνες πεδίου, αν και ακριβείς, είναι απαιτητικές σε πόρους. Η ανάλυση δεδομένων κοινής ωφέλειας είναι οικονομικά αποδοτική αλλά περιορισμένη λόγω των κανονισμών προστασίας δεδομένων. Η ανάλυση δορυφορικών εικόνων, που χρησιμοποιεί αλγορίθμους βαθιάς μάθησης, προσφέρει οικονομική αποδοτικότητα και διαθεσιμότητα δεδομένων, αλλά απαιτεί αξιόπιστη απόδοση. Αν και οι έρευνες πεδίου προτιμώνται συνήθως, είναι χρονοβόρες. Η παρούσα μελέτη αντιμετωπίζει ερευνητικά κενά εστιάζοντας σε αγροτικές ΑΧ και ενσωματώνοντας ετερογενή σύνολα δεδομένων -εικόνες και δεδομένα μητρώου κτιρίων- για την ανίχνευση. Με τη χρήση δορυφορικών εικόνων και εικόνων θέασης του δρόμου και νευρωνικών δικτύων συνελικτικής ανάλυσης (CNN), η παρούσα μελέτη αποσκοπεί στην ενίσχυση της ακρίβειας ανίχνευσης ΑΗ και στη γεφύρωση των υφιστάμενων ερευνητικών περιορισμών.<br /> <br /> '''Σύνολο δεδομένων και νευρωνικό δίκτυο πολλαπλών εισόδων'''<br /> <br /> Η παρούσα μελέτη επικεντρώνεται στην Yeongwol-gun, έναν νομό στην επαρχία Gangwon της Νότιας Κορέας, που χαρακτηρίζεται από σοβαρή ερήμωση και υψηλό επιπολασμό εγκαταλελειμμένων σπιτιών. Χρησιμοποιώντας δεδομένα από έρευνα πεδίου που διεξήχθη το 2019, η οποία εντόπισε 518 ΑΗ και 714 κατειλημμένα σπίτια (ΚΑ), η παρούσα ανάλυση ενσωματώνει ετερογενή σύνολα δεδομένων, συμπεριλαμβανομένων μεταδεδομένων από το μητρώο κτιρίων της κομητείας και φωτογραφιών που ελήφθησαν κατά τη διάρκεια της έρευνας. Τα περιγραφικά στατιστικά στοιχεία αποκαλύπτουν σημαντικές διαφορές μεταξύ των AHs και των OHs, με τα AHs να είναι γενικά μικρότερα, παλαιότερα και χαμηλότερης εκτιμώμενης αξίας σε σύγκριση με τα OHs. Οι κατηγορικές μεταβλητές αναδεικνύουν περαιτέρω τις διακρίσεις στον τύπο κατασκευής και τα χαρακτηριστικά του χώρου μεταξύ των ΑΗ και των ΟΗ, τονίζοντας τη σημασία της συνεκτίμησης αυτών των χαρακτηριστικών στην αναγνώριση των ΑΗ. Συνολικά 1.232 κατοικίες χωρίζονται σε δείγματα εκπαίδευσης και δοκιμής για ανάλυση. Οι εικόνες των παραδειγμάτων απεικονίζουν τυπικά οπτικά χαρακτηριστικά των ΑΗ, όπως η υπερτροφική βλάστηση και η φθορά των εξωτερικών χώρων, σε αντίθεση με την καλοδιατηρημένη εμφάνιση των ΟΗ. Η μελέτη υπογραμμίζει την ανάγκη αποτελεσματικής σύλληψης και αξιοποίησης αυτών των οπτικών ενδείξεων για την αποτελεσματική ανίχνευση ΑΗ.<br /> <br /> Η ανίχνευση εγκαταλελειμμένων σπιτιών (Ε.Σ.) απαιτεί την αξιοποίηση τόσο των μεταδεδομένων όσο και των δεδομένων εικόνας, γεγονός που απαιτεί ένα ευέλικτο μοντέλο ικανό να επεξεργάζεται πολλαπλά σύνολα δεδομένων από κοινού. Τα νευρωνικά δίκτυα προσφέρουν προσαρμόσιμες αρχιτεκτονικές κατάλληλες για το έργο αυτό, που δέχονται μικτές εισόδους και παράγουν αποτελεσματικά ετερογενείς εξόδους. Στην παρούσα μελέτη, σχεδιάζεται μια αρχιτεκτονική νευρωνικού δικτύου πολλαπλών εισόδων (και μίας εξόδου) για την ταυτόχρονη επεξεργασία φωτογραφιών και μεταδεδομένων. Το δίκτυο αποτελείται από δύο κλάδους: ο ένας χρησιμοποιεί ένα προεκπαιδευμένο νευρωνικό δίκτυο συνελικτικού τύπου (CNN) για την επεξεργασία των φωτογραφιών, ενώ ο άλλος χρησιμοποιεί ένα πυκνό νευρωνικό δίκτυο (DNN) για την επεξεργασία των μεταδεδομένων. Το ResNet-50, ένα υπολειμματικό δίκτυο 50 επιπέδων, χρησιμοποιείται ως το προεκπαιδευμένο CNN. Προστίθενται στρώματα ταξινόμησης για τη σύλληψη πληροφοριών από το σύνολο δεδομένων εικόνας, ενώ το DNN αποτελείται από πυκνά στρώματα για την επεξεργασία μεταδεδομένων. Τα στοιχεία CNN και DNN συνενώνονται, ακολουθούμενα από πρόσθετα πυκνά στρώματα και ένα τελικό στρώμα εξόδου για ταξινόμηση. Το δίκτυο εκπαιδεύεται χρησιμοποιώντας τον βελτιστοποιητή RMSProp με αρχικοποίηση Glorot, συνάρτηση ενεργοποίησης ReLU για όλα τα στρώματα εκτός από το στρώμα εξόδου και συνάρτηση ενεργοποίησης σιγμοειδούς για το στρώμα εξόδου. Χρησιμοποιείται η μάθηση μεταφοράς με το ResNet-50 να έχει οριστεί ως μη εκπαιδεύσιμο, ενώ τα επόμενα πυκνά στρώματα είναι εκπαιδεύσιμα. Το δίκτυο εκπαιδεύεται για 20 εποχές με μέγεθος παρτίδας 64, χρησιμοποιώντας ως συνάρτηση απώλειας τη διασταυρούμενη εντροπία. Η προσέγγιση αυτή επιτρέπει την αποτελεσματική ανίχνευση των ΑΗ αξιοποιώντας αποτελεσματικά τόσο τις εικόνες όσο και τα δεδομένα μεταδεδομένων.<br /> <br /> '''Αποτελέσματα'''<br /> <br /> Ο Πίνακας 3 παρουσιάζει τις μετρήσεις απόδοσης του προτεινόμενου νευρωνικού δικτύου, με συνολική ακρίβεια 86,2% στην ανίχνευση εγκαταλελειμμένων σπιτιών. Η αντικειμενική αξιολόγηση αυτού του επιπέδου ακρίβειας αποδεικνύεται δύσκολη λόγω των γεωγραφικών διαφοροποιήσεων (αστικές έναντι αγροτικών περιοχών) και των διαφορών στην ποιότητα των δεδομένων (π.χ. τύπος δεδομένων, ανάλυση εικόνας, όγκος δεδομένων). Παρόλα αυτά, παρόμοιες μελέτες προσφέρουν ορισμένα σημεία αναφοράς: Οι Deng και Ma (2015) πέτυχαν ακρίβεια 80,4% χρησιμοποιώντας λογιστική παλινδρόμηση σε αεροφωτογραφίες στο Binghamton της Νέας Υόρκης, ενώ οι Zou και Wang (2021) ανέφεραν ακρίβεια 78,7% με ένα νευρωνικό δίκτυο χρησιμοποιώντας εικόνες του Google Street View στο Ντιτρόιτ του Μίσιγκαν. Παρόλο που η παρούσα μελέτη ξεπερνά αυτές τις προηγούμενες μελέτες με επίκεντρο τις πόλεις, είναι δύσκολο να εξαχθεί οριστικό συμπέρασμα λόγω του αγροτικού πλαισίου.<br /> <br /> Από την άποψη της πρακτικής διαχείρισης, μια ακρίβεια που υπερβαίνει το 80% θεωρείται αποδεκτή. Οι τοπικές κυβερνήσεις δίνουν προτεραιότητα στον εντοπισμό των περισσότερων ΑΧ με οικονομικά αποδοτικό τρόπο παρά στην επίτευξη απόλυτης ανίχνευσης, καθώς οι ΑΧ που λείπουν μπορούν να αντιμετωπιστούν με συμπληρωματικές μεθόδους, όπως οι έρευνες πεδίου παρακολούθησης.<br /> <br /> Στην παρούσα μελέτη, διερευνάται η αποτελεσματικότητα της χρήσης τόσο των δεδομένων εικόνας όσο και των μεταδεδομένων, όπως τα μητρώα κτιρίων, για τον εντοπισμό εγκαταλελειμμένων κατοικιών (ΕΑ). Ένα νευρωνικό δίκτυο μίας εισόδου που επεξεργάζεται μόνο δεδομένα εικόνας πέτυχε συνολική ακρίβεια 75,3%. Ωστόσο, με την ενσωμάτωση τόσο της εικόνας όσο και των μεταδεδομένων, η μελέτη πέτυχε σημαντική βελτίωση της ακρίβειας, φτάνοντας το 86,2%. Προηγούμενες μελέτες βασίζονταν συχνά σε μεμονωμένες πηγές δεδομένων, όπως δεδομένα κοινής ωφέλειας ή αεροφωτογραφίες, ενώ οι τοπικές κυβερνήσεις βασίζονταν παραδοσιακά σε δεδομένα μητρώου κτιρίων ή σε έρευνες πεδίου. Με τις εξελίξεις στην τεχνολογία της πληροφορικής, ιδίως τους αλγορίθμους βαθιάς μάθησης, οι τοπικές κυβερνήσεις έχουν πλέον τη δυνατότητα να έχουν ευκολότερη πρόσβαση και να χρησιμοποιούν διάφορα σύνολα δεδομένων, αξιοποιώντας τα πλαίσια βαθιάς μάθησης. Εικόνες σπιτιών μπορούν να λαμβάνονται τακτικά από ιστότοπους πύλης, ενώ μεταδεδομένα όπως μητρώα κτιρίων ή φορολογικοί κατάλογοι ακινήτων μπορούν να ανακτηθούν σχεδόν άμεσα από βάσεις δεδομένων από υπαλλήλους της τοπικής αυτοδιοίκησης. Αυτό το εξελισσόμενο τοπίο αποτελεί ευκαιρία για τις τοπικές κυβερνήσεις να αξιοποιήσουν αποτελεσματικότερα πολλαπλές πηγές δεδομένων στην ανίχνευση ΑΗ. Με την υιοθέτηση της προσέγγισης που προτείνεται στην παρούσα μελέτη, οι τοπικές κυβερνήσεις μπορούν να αποφύγουν τα ακριβά έξοδα επιτόπιας έρευνας και να συντομεύσουν τις περιόδους ενημέρωσης, επιτρέποντας την άμεση και οικονομικά αποδοτική αντιμετώπιση του αυξανόμενου αριθμού ΑΗ και διευκολύνοντας την επιτυχή διαχείριση των κατοικιών.<br /> <br /> '''Συμπεράσματα'''<br /> <br /> Η παρούσα μελέτη επικεντρώνεται στην εγκατάλειψη αγροτικών κατοικιών, χρησιμοποιώντας μια προσέγγιση νευρωνικού δικτύου για τον εντοπισμό εγκαταλελειμμένων κατοικιών (ΑΗ) με οικονομικά αποδοτικό τρόπο. Αξιοποιώντας πολλαπλές πηγές δεδομένων, συμπεριλαμβανομένων εικόνων και δεδομένων μητρώου κτιρίων, ένα νευρωνικό δίκτυο δύο εισόδων πέτυχε ποσοστό ακρίβειας 86,2%, το οποίο θεωρείται αποδεκτό για διοικητικούς σκοπούς. Σε αντίθεση με προηγούμενες μελέτες που επικεντρώθηκαν κυρίως σε αστικά κενά, η παρούσα έρευνα ρίχνει φως στα ΑΗ σε αγροτικές περιοχές, ιδίως σε αγροτικά και αλιευτικά σπίτια που έμειναν ακατοίκητα για μεγάλα χρονικά διαστήματα. Αντί να βασίζεται σε ένα σύνολο δεδομένων μίας πηγής, όπως τα δεδομένα μητρώου κτιρίων, η παρούσα μελέτη αξιοποιεί πλήρως ετερογενή σύνολα δεδομένων για την αποτελεσματική ανίχνευση ΑΗ.<br /> <br /> Απαιτείται περαιτέρω έρευνα για τη γενίκευση αυτών των ευρημάτων σε διαφορετικά γεωγραφικά περιβάλλοντα, λαμβάνοντας υπόψη τις διαφορές στην πυκνότητα και τους τύπους κατανομής των κατοικιών μεταξύ αγροτικών και αστικών περιοχών. Επιπλέον, η χρησιμοποίηση ενός προ-μαθημένου δικτύου προσαρμοσμένου για την αναγνώριση ακινήτων, αντί του ResNet-50 που εκπαιδεύεται σε γενικές εικόνες, θα μπορούσε να βελτιώσει την απόδοση ανίχνευσης ΑΗ. Η προτεινόμενη προσέγγιση προσφέρει μια άμεση και οικονομικά αποδοτική μέθοδο για τη διαχείριση των ΑΗ, διευκολύνοντας τη διαχείριση των κατοικιών από τις τοπικές κυβερνήσεις και συμβάλλοντας στη μείωση των κενών κατοικιών στις αγροτικές περιοχές.<br /> <br /> [[Αρχείο:Gbisas4_foto7.png|200px|thumb|right|'''Εικόνα 7.''' Η οικονομική αξία των οικοσυστημικών υπηρεσιών αναψυχής στο πάρκο Cypress.]]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%BA%CF%84%CE%B9%CF%81%CE%AF%CF%89%CE%BD_%CE%BA%CE%B1%CE%B9_%CE%BC%CE%B7_%CE%B1%CF%80%CF%8C_%CE%B4%CE%BF%CF%81%CF%85%CF%86%CE%BF%CF%81%CE%B9%CE%BA%CE%AD%CF%82_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CE%B5%CF%82_%CE%BC%CE%B5_%CF%87%CF%81%CE%AE%CF%83%CE%B7_%CF%84%CE%BF%CF%85_U-Net 2024-03-19T18:40:32Z

<p>Evangelos Arletos: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Detecting Buildings and Nonbuildings from Satellite Images Using U-Net '''Συγγραφείς:''' Waleed Alsabhan 1, Turky Alota...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Detecting Buildings and Nonbuildings from Satellite Images Using U-Net<br /> <br /> '''Συγγραφείς:''' Waleed Alsabhan 1, Turky Alotaiby 2, Basil Dudin 1<br /> <br /> 1 Al Faisal University, College of Engineering, P.O.Box 50927, Riyadh 11533, Kingdom of Saudi Arabia<br /> <br /> 2 King Abdulaziz City for Science and Technology, National Center for Artificial Intelligence, P.B. Box 6086, Riyadh 11442,<br /> Saudi Arabia<br /> <br /> '''Δημοσιεύθηκε:''' Computational Intelligence and Neuroscience, 2022<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1155/2022/4831223]]<br /> <br /> '''Περίληψη'''<br /> <br /> Η αυτόματη ανίχνευση κτιρίων από δορυφορικές εικόνες υψηλής ανάλυσης εξυπηρετεί διάφορες εφαρμογές, όπως ο πολεοδομικός σχεδιασμός, η αντιμετώπιση καταστροφών και η παρακολούθηση της δυναμικής του πληθυσμού. Οι παραδοσιακές τεχνικές επεξεργασίας εικόνων συχνά υποφέρουν από ανακρίβειες ή μεγάλους χρόνους επεξεργασίας. Τα συνεπτυγμένα νευρωνικά δίκτυα (CNN) προσφέρουν μια πολλά υποσχόμενη λύση, με την αρχιτεκτονική U-Net, η οποία αναπτύχθηκε αρχικά για την κατάτμηση ιατρικών εικόνων, να αναδεικνύεται σε δημοφιλή επιλογή.Η παρούσα μελέτη διερευνά την αποτελεσματικότητα της χρήσης του U-Net για την εξαγωγή κτιρίων από δορυφορικές εικόνες, εστιάζοντας ιδιαίτερα στην ικανότητά του να επιτυγχάνει υψηλή ακρίβεια με ελάχιστα δεδομένα εκπαίδευσης. Το τμήμα κωδικοποιητή της αρχιτεκτονικής U-Net τροποποιείται ώστε να ενσωματώνει τη μάθηση μεταφοράς, αξιοποιώντας προ-εκπαιδευμένα μοντέλα όπως τα VGGNet και ResNet. Τα μοντέλα αυτά συγκρίνονται με μια προσαρμοσμένη αρχιτεκτονική U-Net.Τα αποτελέσματα δείχνουν ότι η ραχοκοκαλιά με βάση το VGGNet αποδίδει την υψηλότερη ακρίβεια 84,9%. Αυτή η προσέγγιση επιδεικνύει ανώτερες επιδόσεις σε σύγκριση με τα υπάρχοντα μοντέλα, ιδίως όταν πρόκειται για περιορισμένα δεδομένα εκπαίδευσης. Τα ευρήματα αναδεικνύουν τις δυνατότητες της μάθησης μεταφοράς στην ανάλυση δορυφορικών εικόνων και υπογραμμίζουν την αποτελεσματικότητα των CNN, ιδίως της αρχιτεκτονικής U-Net, σε εργασίες αυτόματης ανίχνευσης κτιρίων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Η παρούσα μελέτη ασχολείται με την πρόκληση της αυτοματοποίησης της εξαγωγής κτιρίων από δορυφορικές εικόνες, η οποία είναι ζωτικής σημασίας για διάφορες εφαρμογές όπως ο αστικός σχεδιασμός και η αντιμετώπιση καταστροφών. Οι παραδοσιακές μέθοδοι, όπως οι χειροκίνητες έρευνες, είναι χρονοβόρες, γεγονός που επιβάλλει την ανάγκη για αποτελεσματικές τεχνικές επεξεργασίας εικόνας. Αξιοποιώντας τις εξελίξεις στην τεχνολογία της τηλεπισκόπησης, η παρούσα έρευνα χρησιμοποιεί βαθιά μάθηση, και συγκεκριμένα συνεπαγωγικά νευρωνικά δίκτυα (CNN), για τη σημασιολογική κατάτμηση δορυφορικών εικόνων για την ταξινόμηση κάθε εικονοστοιχείου ως ανήκοντος σε κτίριο ή όχι.Εμπνευσμένο από την αρχιτεκτονική U-Net, ένα μοντέλο CNN αναπτύσσεται και εκπαιδεύεται σε δυαδικές μάσκες που αντιπροσωπεύουν εικονοστοιχεία κτιρίων. Διερευνώνται τεχνικές μάθησης μεταφοράς για τη βελτίωση της ακρίβειας ταξινόμησης, ενσωματώνοντας κωδικοποιητές ResNet και VGGNet στο πλαίσιο U-Net. Το προτεινόμενο μοντέλο αποσκοπεί στην επίτευξη ακριβούς κατάτμησης κτιρίων με ταυτόχρονη ελαχιστοποίηση των απαιτήσεων δεδομένων εκπαίδευσης.Οι βασικές συνεισφορές αυτής της εργασίας περιλαμβάνουν την ανάπτυξη ενός υπολογιστικά αποδοτικού μοντέλου για την τμηματοποίηση κτιρίων, την επίτευξη υψηλής ακρίβειας με ελάχιστα δεδομένα εκπαίδευσης και την υπεροχή έναντι προηγούμενων μοντέλων που έχουν κατασκευαστεί με μεγαλύτερα σύνολα δεδομένων. Η ευελιξία του μοντέλου αποδεικνύεται με την εκπαίδευση σε εικόνες RGB, επιτρέποντας τη χρήση διαφόρων πλαισίων βαθιάς μάθησης για την αποτελεσματική εξαγωγή κτιρίων από δορυφορικές εικόνες.<br /> <br /> '''Βιβλιογραφική ανασκόπηση'''<br /> <br /> Παρουσιάζεται το υπάρχον ερευνητικό τοπίο και τις πρόσφατες εξελίξεις στην αυτοματοποιημένη αναγνώριση κτιρίων από δορυφορικές εικόνες. Ενώ έχουν χρησιμοποιηθεί παραδοσιακές μέθοδοι όπως ANN, πιθανοτικές προσεγγίσεις και SVM, η πρόσφατη εστίαση έχει μετατοπιστεί προς τις τεχνικές βαθιάς μάθησης, ιδίως τα νευρωνικά δίκτυα συνελίξεων (CNN). Αυτές οι προσεγγίσεις που βασίζονται σε CNN στοχεύουν στην ακριβή τμηματοποίηση κτιρίων από δορυφορικές εικόνες, αντιμετωπίζοντας προκλήσεις όπως ο εντοπισμός και τα σημασιολογικά όρια τμηματοποίησης. Επιπλέον, οι ερευνητές έχουν διερευνήσει τεχνικές συγχώνευσης δεδομένων και έχουν αξιοποιήσει σύνολα δεδομένων που παρέχονται από οργανισμούς όπως η Inria για τη βελτίωση της ακρίβειας εξαγωγής κτιρίων. Η περίληψη υπογραμμίζει τη σημασία της αυτοματοποιημένης αναγνώρισης κτιρίων για διάφορες εφαρμογές και αναδεικνύει τις δυνατότητες των μεθόδων βαθιάς μάθησης σε αυτόν τον τομέα.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Η μελέτη χρησιμοποιεί ένα ανοικτό σύνολο δεδομένων από δορυφορικές εικόνες υψηλής ανάλυσης της αγροτικής επαρχίας Xinxing, επαρχία Guangdong, Κίνα, που περιλαμβάνει 68 εικόνες RGB, οι οποίες έχουν κατατμηθεί χειροκίνητα σε κατηγορίες φόντου, νέων κτιρίων και παλαιών κτιρίων. Για να αντιμετωπιστεί ο περιορισμένος αριθμός εικόνων που έχουν σχολιαστεί για τις κατηγορίες κτιρίων, το σύνολο δεδομένων μειώνεται σε δύο κατηγορίες (κτίριο και μη κτίριο). Εφαρμόζονται τεχνικές επαύξησης δεδομένων σε πραγματικό χρόνο για την αύξηση του μεγέθους του συνόλου δεδομένων εκπαίδευσης, οι οποίες περιλαμβάνουν περιστροφές, αναστροφές, ζουμ και ψαλιδίσματα. Η αρχιτεκτονική U-Net, εμπνευσμένη από τους αυτόματους κωδικοποιητές, χρησιμοποιείται για τη σημασιολογική κατάτμηση, η οποία χωρίζει τη σκηνή σε κατηγορίες κτιρίων και μη κτιρίων. Το U-Net περιλαμβάνει ένα μονοπάτι συρρίκνωσης για την εξαγωγή χαρακτηριστικών και ένα μονοπάτι επέκτασης για την ανάκτηση χάρτη τμηματοποίησης, με συνδέσεις παράλειψης που βοηθούν στην ανάκτηση και τον εντοπισμό χαρακτηριστικών. Το μοντέλο υλοποιείται χρησιμοποιώντας το πλαίσιο Keras με backend TensorFlow και εκπαιδεύεται σε GPU, χρησιμοποιώντας τον αλγόριθμο βελτιστοποίησης Adam. Η διαδικασία εκπαίδευσης περιλαμβάνει αλλαγή μεγέθους εικόνων σε 512x512, εκπαίδευση για 50 εποχές με μέγεθος παρτίδας δύο. Το εκπαιδευμένο μοντέλο αξιολογείται σε δοκιμαστικές εικόνες για να εκτιμηθεί η απόδοσή του.<br /> <br /> '''Συζήτηση και αποτελέσματα'''<br /> <br /> Η μελέτη χρησιμοποίησε αρχικά μια βασική αρχιτεκτονική U-Net για την τμηματοποίηση κτιρίων, η οποία απέδωσε μη βέλτιστες επιδόσεις λόγω της απουσίας επαύξησης της εικόνας. Για την αντιμετώπιση αυτού του προβλήματος, ο κωδικοποιητής U-Net αντικαταστάθηκε με ResNet και VGGNet προεκπαιδευμένα στο ImageNet, με αποτέλεσμα τη βελτίωση των επιδόσεων. Συγκεκριμένα, το U-Net με κορμό VGG πέτυχε την υψηλότερη ακρίβεια. Η εκμάθηση μεταφοράς από το ImageNet παρείχε ένα καλό σημείο εκκίνησης για τη λεπτομερή ρύθμιση των μοντέλων, ενισχύοντας τη μαθησιακή τους ικανότητα παρά το μικρότερο σύνολο δεδομένων εκπαίδευσης. Η απλή αρχιτεκτονική του VGG με ομοιογενείς πυρήνες συνέλιξης και maxpooling συνέβαλε στην ανώτερη απόδοσή του σε εργασίες τμηματοποίησης εικόνων. Εφαρμόστηκαν διάφορες τεχνικές επαύξησης, όπως αναστροφή, ζουμ, περιστροφή και διάτμηση, για τη διαφοροποίηση του συνόλου δεδομένων εκπαίδευσης, βελτιώνοντας τη γενίκευση του μοντέλου. Η πρόοδος της εκπαίδευσης παρακολουθήθηκε, διασφαλίζοντας ότι δεν υπήρξε υπερβολική προσαρμογή, με μετρικές επιδόσεων όπως ο συντελεστής Dice και η ακρίβεια να αυξάνονται σταθερά. Παρά την ανισορροπία του συνόλου δεδομένων, όπου κυριαρχούσαν τα εικονοστοιχεία που δεν ήταν κτίρια, το εκπαιδευμένο μοντέλο παρουσίασε υψηλή ακρίβεια στη διάκριση μεταξύ των κλάσεων κτιρίων και μη κτιρίων, όπως αποδεικνύεται από την ανάλυση του πίνακα σύγχυσης. Συνολικά, η εκμάθηση μεταφοράς με προ-εκπαιδευμένους κωδικοποιητές και η αύξηση των δεδομένων αποδείχθηκε αποτελεσματική στην ενίσχυση της απόδοσης κατάτμησης κτιρίων.<br /> <br /> Η αναγνώριση κτιρίων από δορυφορικές φωτογραφίες είναι ζωτικής σημασίας για διάφορες εφαρμογές, όπως ο πολεοδομικός σχεδιασμός, η ανάπτυξη υποδομών και η αστική διαχείριση. Ωστόσο, η χειροκίνητη αναγνώριση κτιρίων από δορυφορικές εικόνες είναι χρονοβόρα και αναποτελεσματική. Ως εκ τούτου, οι αυτόματες μέθοδοι ανίχνευσης κτιρίων είναι απαραίτητες για την αντιμετώπιση αυτών των προκλήσεων. Στην παρούσα μελέτη, για τη δημιουργία του συνόλου δεδομένων χρησιμοποιήθηκαν δορυφορικές εικόνες υψηλής ανάλυσης από την αγροτική Κίνα. Οι εικόνες είχαν ανάλυση 0,26 m και το μέγεθός τους κυμαινόταν από 900 × 900 έως 1024 × 1024 εικονοστοιχεία. Ενώ προηγούμενες έρευνες επιχείρησαν την τμηματοποίηση περιπτώσεων χρησιμοποιώντας το μοντέλο Mask R-CNN, η παρούσα μελέτη επικεντρώθηκε στην ανάπτυξη ενός σημασιολογικού μοντέλου τμηματοποίησης για την ταξινόμηση και τμηματοποίηση κτιρίων σε εικόνες. Παρά τη χρήση μικρότερου αριθμού εικόνων εκπαίδευσης, το μοντέλο που αναπτύχθηκε σε αυτή τη μελέτη είχε ως στόχο να ξεπεράσει τους περιορισμούς που παρατηρούνται σε άλλα σύνολα δεδομένων, όπως τα εσφαλμένα ή ασαφή δεδομένα. Τα αποτελέσματα συγκρίθηκαν με την υπάρχουσα βιβλιογραφία, όπου οι τυπικές αρχιτεκτονικές U-Net ενισχύθηκαν και εκπαιδεύτηκαν σε σύνολα δεδομένων με υψηλότερες αναλύσεις. Ωστόσο, αυτά τα μοντέλα αντιμετώπισαν δυσκολίες στην ακριβή τμηματοποίηση κτιρίων μικρού μεγέθους λόγω περιορισμών στον χειρισμό λεπτομερών χαρακτηριστικών. Συνολικά, το μοντέλο σημασιολογικής τμηματοποίησης που αναπτύχθηκε στην παρούσα μελέτη προσφέρει μια πολλά υποσχόμενη προσέγγιση για την αναγνώριση κτιρίων σε δορυφορικές εικόνες, με πιθανές εφαρμογές σε διάφορους τομείς που απαιτούν ακριβή και αποτελεσματική εξαγωγή πληροφοριών για κτίρια. Το μοντέλο που αναπτύχθηκε σε αυτή τη μελέτη, βασισμένο σε μια αρχιτεκτονική U-Net με μια ραχοκοκαλιά VGG16, προεκπαιδευμένη με βάρη ImageNet, υπερέβη τις επιδόσεις των άλλων δύο μοντέλων που αξιολογήθηκαν. Το εύρημα αυτό αναδεικνύει την αποτελεσματικότητα της επιλεγμένης αρχιτεκτονικής και της ραχοκοκαλιάς στην ακριβή τμηματοποίηση κτιρίων από δορυφορικές εικόνες. Επιπλέον, η διαδικασία ανάπτυξης ήταν ταχύτερη και αποτελεσματικότερη, ακόμη και με μικρότερο σύνολο δεδομένων εκπαίδευσης. Αυτό υποδηλώνει ότι το μοντέλο μπορεί να επιτύχει υψηλές επιδόσεις με λιγότερα σχολιασμένα παραδείγματα, μειώνοντας τον χρόνο σχολιασμού, διατηρώντας παράλληλα την ικανότητα τμηματοποίησης. Συνολικά, τα αποτελέσματα αυτά καταδεικνύουν την ευρωστία και την αποτελεσματικότητα της προτεινόμενης προσέγγισης για την αναγνώριση κτιρίων σε δορυφορικές εικόνες.<br /> <br /> '''Επίλογος'''<br /> Στόχος της μελέτης ήταν η αυτόματη τμηματοποίηση όλων των κτιρίων σε δορυφορικές εικόνες υψηλής ανάλυσης χρησιμοποιώντας το μοντέλο σημασιολογικής τμηματοποίησης U-Net. Η προσέγγιση αυτή επιλέχθηκε λόγω της υψηλής ακρίβειας που προσφέρει με ελάχιστα δεδομένα εκπαίδευσης και ελάχιστες απαιτήσεις σε επεξεργαστική ισχύ. Οι ερευνητές διερεύνησαν την απόδοση ενός προσαρμοσμένου μοντέλου U-Net από άκρη σε άκρη και προ-εκπαιδευμένων μοντέλων ως αντικαταστάτες του κωδικοποιητή. Τα αποτελέσματα έδειξαν ότι τα προ-εκπαιδευμένα μοντέλα υπερτερούσαν του παραδοσιακού μοντέλου U-Net, καθώς παρείχαν πιο ισχυρές αναπαραστάσεις χαρακτηριστικών. Συγκεκριμένα, ο προ-εκπαιδευμένος κωδικοποιητής VGGNet που ενσωματώθηκε στην αρχιτεκτονική U-Net απέδωσε πολλά υποσχόμενα αποτελέσματα, επιτυγχάνοντας ακρίβεια 89,28%, διατομή πάνω από την ένωση (IoU) 74,70%, βαθμολογία F1 84,90%, ακρίβεια 88,99%, ανάκληση 82,61% και βαθμολογία Dice 77,47% σε ένα μικρό σύνολο δεδομένων εικόνας. Αυτές οι μετρήσεις καταδεικνύουν την αποτελεσματικότητα της προτεινόμενης προσέγγισης στην ακριβή τμηματοποίηση κτιρίων από δορυφορικές εικόνες, ξεπερνώντας προηγούμενα μοντέλα όπως το Mask R-CNN όσον αφορά την ακρίβεια με περιορισμένα δεδομένα εκπαίδευσης. Οι μελλοντικές ερευνητικές προσπάθειες αποσκοπούν στην επέκταση του συνόλου δεδομένων εκπαίδευσης και στη βελτίωση του σχεδιασμού του δικτύου για τη βελτίωση της ικανότητας γενίκευσης του προτεινόμενου μοντέλου. Αυτό περιλαμβάνει τη διερεύνηση μεγαλύτερων συνόλων δεδομένων και πιο προηγμένων αρχιτεκτονικών δικτύου για την περαιτέρω ενίσχυση της απόδοσης και την προσαρμογή σε πιο εκτεταμένες δυνατότητες επεξεργασίας.<br /> <br /> [[Αρχείο:Gbisas4_foto1.jpg|200px|thumb|right|'''Εικόνα 1.''' Χάρτης της περιοχής μελέτης. Στην κάτω αριστερή γωνία δείγμα από τις εικόνες περιλαμβάνονται στη μελέτη.]]<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%91%CE%BD%CE%AF%CF%87%CE%BD%CE%B5%CF%85%CF%83%CE%B7_%CE%BC%CE%B5%CE%BC%CE%BF%CE%BD%CF%89%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CE%BB%CE%B5%CE%BB%CE%B5%CE%B9%CE%BC%CE%BC%CE%AD%CE%BD%CF%89%CE%BD_%CF%83%CF%80%CE%B9%CF%84%CE%B9%CF%8E%CE%BD_%CE%B1%CF%80%CF%8C_%CF%84%CE%B7%CE%BD_%CF%80%CF%81%CE%BF%CE%B2%CE%BF%CE%BB%CE%AE_%CE%BF%CE%B4%CF%8E%CE%BD_Google:_%CE%9C%CE%B9%CE%B1_%CE%B9%CE%B5%CF%81%CE%B1%CF%81%CF%87%CE%B9%CE%BA%CE%AE_%CF%80%CF%81%CE%BF%CF%83%CE%AD%CE%B3%CE%B3%CE%B9%CF%83%CE%B7_%CE%B2%CE%B1%CE%B8%CE%B9%CE%AC%CF%82_%CE%BC%CE%AC%CE%B8%CE%B7%CF%83%CE%B7%CF%82. 2024-03-19T18:26:58Z

<p>Evangelos Arletos: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Detecting individual abandoned houses from google street view: A hierarchical deep learning approach '''Συγγραφείς:''' ...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Detecting individual abandoned houses from google street view: A hierarchical deep learning approach<br /> <br /> '''Συγγραφείς:''' Shengyuan Zou, Le Wang<br /> <br /> 1 Department of Geography, University at Buffalo, the State University of New York, Amherst, NY 14261, United States<br /> <br /> '''Δημοσιεύθηκε:''' ISPRS Journal of Photogrammetry and Remote Sensing, 2021<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.1016/j.isprsjprs.2021.03.020]]<br /> <br /> '''Λέξεις-κλειδιά:''' Εγκατάλειψη κατοικιών, θέαση δρόμου, Βαθιά μάθηση καθοδηγούμενη από τη γνώση, Ταξινόμηση που βασίζεται σε patch'''<br /> <br /> '''Περίληψη'''<br /> <br /> Οι εγκαταλελειμμένες κατοικίες (ΑΣ) αποτελούν σημαντικές προκλήσεις στις αστικές κοινότητες, επηρεάζοντας την τοπική ασφάλεια, τις αγορές κατοικίας και τα οικονομικά της κυβέρνησης. Οι παραδοσιακές πηγές δεδομένων για την ανίχνευση ΑΗ, όπως τα δεδομένα πεδίου, τα δεδομένα κοινής ωφέλειας και τα δεδομένα τηλεπισκόπησης, συχνά υπολείπονται στην παροχή δεδομένων λεπτής ανάλυσης σε μεγάλες χωρικές περιοχές με οικονομικά αποδοτικό τρόπο. Για την αντιμετώπιση αυτής της πρόκλησης, οι εικόνες του Google Street View (GSV) αναδεικνύονται ως πολύτιμη πηγή δεδομένων ανοικτής πρόσβασης με παγκόσμια κάλυψη. Ωστόσο, η ανίχνευση ΑΗ από εικόνες GSV απαιτεί μια αποτελεσματική μέθοδο για τη διάκριση των αυθεντικών οπτικών χαρακτηριστικών από τον περιττό θόρυβο. Η παρούσα μελέτη παρουσιάζει μια ιεραρχική μέθοδο βαθιάς μάθησης για την ανίχνευση ΑΗ σε ατομικό επίπεδο από εικόνες GSV. Η μέθοδος αξιοποιεί τόσο τα παγκόσμια όσο και τα τοπικά οπτικά χαρακτηριστικά της AH μέσω τριών βημάτων: (1) Η ταξινόμηση με βάση το σκηνικό εξάγει τα παγκόσμια οπτικά χαρακτηριστικά μέσω της τελειοποίησης ενός προ-εκπαιδευμένου μοντέλου βαθιάς συνελικτικής νευρωνικής δικτύωσης (CNN). (2) Η ταξινόμηση βάσει κηλίδων εντοπίζει συγκεκριμένα τοπικά χαρακτηριστικά χρησιμοποιώντας δύο βαθιά μοντέλα CNN για την ταξινόμηση επιφανειών φθαρμένων προσόψεων κτιρίων και κηλίδων υπερφυούς βλάστησης που παράγονται από εικόνες GSV. (3) Ανιχνεύονται ΑΗ σε ατομικό επίπεδο με την ενσωμάτωση των αποτελεσμάτων της ταξινόμησης σκηνής και της ταξινόμησης μπαλωμάτων σε ένα μοντέλο δέντρου απόφασης. Τα πειραματικά αποτελέσματα σε ένα σύνολο δεδομένων που συλλέχθηκαν από πέντε πόλεις της ζώνης σκουριάς καταδεικνύουν ένα F-score 0,84 για την ανίχνευση AH, αναδεικνύοντας την αποτελεσματικότητα της προτεινόμενης ιεραρχικής προσέγγισης βαθιάς μάθησης. Επιπλέον, η μέθοδος εφαρμόζεται για τη δημιουργία ενός χάρτη AH σε μια νέα τοποθεσία στο Detroit, MI, αποδεικνύοντας τη σκοπιμότητα και τη δυνατότητά της για την ανίχνευση AH σε μεγάλες χωρικές εκτάσεις. Η παρούσα μελέτη υπογραμμίζει τη σημασία των εικόνων GSV στην ανίχνευση ΑΗ και αναδεικνύει τις πολλά υποσχόμενες εφαρμογές της σε αστικές μελέτες και διαδικασίες λήψης αποφάσεων.<br /> <br /> '''Εισαγωγή'''<br /> <br /> Το άρθρο πραγματεύεται την επείγουσα ανάγκη ανίχνευσης εγκαταλελειμμένων σπιτιών σε ατομικό επίπεδο και την περιορισμένη εξερεύνηση στον τομέα αυτό. Οι υπάρχουσες μελέτες έχουν χρησιμοποιήσει τρεις κύριες πηγές δεδομένων - δεδομένα πεδίου, δεδομένα κοινής ωφέλειας και δεδομένα τηλεπισκόπησης πολύ υψηλής ανάλυσης (VHR) - για την πρόβλεψη της εγκατάλειψης κατοικιών σε ατομικό επίπεδο. Τα δεδομένα πεδίου περιλαμβάνουν συνήθως πληροφορίες για τη στέγαση που συλλέγονται μέσω ερευνών, ενώ τα δεδομένα κοινής ωφέλειας, όπως τα δεδομένα για τους κρουνούς, έχουν επίσης χρησιμοποιηθεί στη μοντελοποίηση της εγκατάλειψης. Ωστόσο, αυτές οι μέθοδοι αντιμετωπίζουν περιορισμούς όσον αφορά την προσβασιμότητα και την ποιότητα των δεδομένων σε διάφορες πόλεις.Για να ξεπεραστούν αυτοί οι περιορισμοί, ορισμένοι μελετητές έχουν στραφεί σε δεδομένα τηλεπισκόπησης VHR, τα οποία παρέχουν λεπτομερείς εικόνες φυσικών χαρακτηριστικών. Ωστόσο, τα παραδοσιακά δεδομένα τηλεπισκόπησης έχουν τις δικές τους αδυναμίες, καθώς προσφέρουν μόνο απόψεις από πάνω προς τα κάτω και περιορισμένες πληροφορίες σχετικά με τις στέγες και τη βλάστηση, καθιστώντας δύσκολη την αποτελεσματική διαφοροποίηση μεταξύ εγκαταλελειμμένων και κατειλημμένων σπιτιών. Ως εκ τούτου, υπάρχει ανάγκη για μια νέα πηγή δεδομένων που να είναι τόσο προσβάσιμη όσο και αποτελεσματική στον εντοπισμό εγκαταλελειμμένων σπιτιών. <br /> <br /> Το άρθρο εξετάζει τις δυνατότητες των εικόνων του Google Street View (GSV) ως λύση για τον εντοπισμό εγκαταλελειμμένων σπιτιών (AH) και τις προκλήσεις που σχετίζονται με την ανάπτυξη μιας συμβατής μεθόδου για την εξαγωγή αυθεντικών οπτικών χαρακτηριστικών των AH από εικόνες GSV. Οι εικόνες GSV προσφέρουν μια ανθρωπομορφική προοπτική σε επίπεδο δρόμου, η οποία συνδυάζει την ευρεία κάλυψη των δεδομένων τηλεπισκόπησης με τις λεπτομερείς απόψεις των δεδομένων πεδίου. Αυτό την καθιστά πολύτιμη πηγή δεδομένων για αστικές μελέτες, συμπεριλαμβανομένης της ανίχνευσης ΑΗ. Ωστόσο, προκύπτει μια κρίσιμη πρόκληση στην ανάπτυξη μιας μεθόδου για την αποτελεσματική εξαγωγή σχετικών οπτικών χαρακτηριστικών της ΑΗ από εικόνες GSV, λαμβάνοντας υπόψη την υπερβολική πληροφορία που περιέχεται σε αυτές τις εικόνες. Οι υπάρχουσες μέθοδοι βαθιάς μάθησης για την εξαγωγή χαρακτηριστικών κτιρίων λειτουργούν σε δύο κλίμακες: με βάση τη σκηνή και με βάση τα μπαλώματα. Οι μέθοδοι που βασίζονται στη σκηνή εστιάζουν σε παγκόσμια χαρακτηριστικά που εξάγονται από ολόκληρη τη σκηνή θέασης δρόμου, ενώ οι μέθοδοι που βασίζονται σε μπαλώματα αναλύουν τοπικά χαρακτηριστικά που εξάγονται από ομοιογενή μπαλώματα εντός της σκηνής. Παρά τις προόδους τόσο στις μεθόδους που βασίζονται στη σκηνή όσο και στις μεθόδους που βασίζονται σε επιθέματα, δεν έχουν γίνει προσπάθειες προσαρμογής αυτών των μεθόδων για την ανίχνευση ΑΗ από εικόνες GSV. Προκαταρκτικά πειράματα έχουν δείξει ότι τόσο τα παγκόσμια όσο και τα τοπικά χαρακτηριστικά μπορούν να υποδείξουν την εγκατάλειψη κατοικιών σε εικόνες GSV, αλλά η ενσωμάτωση αυτών των χαρακτηριστικών με τη χρήση υφιστάμενων μεθόδων παραμένει άλυτη. Ως εκ τούτου, η μελέτη αποσκοπεί στην αντιμετώπιση δύο βασικών στόχων: πρώτον, στη διερεύνηση της σκοπιμότητας και της ακρίβειας της χρήσης εικόνων GSV για την ανίχνευση εγκαταλελειμμένων οικιστικών μονάδων σε ατομικό επίπεδο και, δεύτερον, στην ανάπτυξη μιας ιεραρχικής προσέγγισης βαθιάς μάθησης που ενσωματώνει παγκόσμια και τοπικά οπτικά χαρακτηριστικά για την αποτελεσματικότερη ανίχνευση ΑΗ.<br /> <br /> '''Μέθοδος'''<br /> <br /> Στην παρούσα μελέτη, αναπτύχθηκε μια νέα ιεραρχική μέθοδος ταξινόμησης βαθιάς μάθησης για την ανίχνευση εγκαταλελειμμένων σπιτιών (AH) από εικόνες Google Street View (GSV) (βλ. Εικ. 2). Η μεθοδολογία περιελάμβανε διάφορα βασικά βήματα, όπως περιγράφονται παρακάτω: Συλλογή και προεπεξεργασία δεδομένων: Οι εικόνες GSV συλλέχθηκαν και προεπεξεργάστηκαν για να προετοιμαστούν για την ταξινόμηση. Ταξινόμηση βάσει σκηνής (ενότητα 2.3): Χρησιμοποιήθηκε ένα προεκπαιδευμένο βαθύ μοντέλο συνεπτυγμένου νευρωνικού δικτύου (CNN) σε μια προσέγγιση μάθησης μεταφοράς για την εξαγωγή χαρακτηριστικών παγκόσμιου επιπέδου από ολόκληρη τη σκηνή προβολής δρόμου. Αυτό το βήμα αποσκοπούσε στη σύλληψη γενικών οπτικών ενδείξεων ενδεικτικών της ΑΗ. Ταξινόμηση με βάση τα σημεία (ενότητα 2.4): Δημιουργήθηκαν patches από τις εικόνες GSV και τα patches αυτά ταξινομήθηκαν εκ των προτέρων σε τρεις κατηγορίες: κτίριο, βλάστηση και άλλα. Δύο ξεχωριστά βαθιά μοντέλα CNN τελειοποιήθηκαν χρησιμοποιώντας τα μπαλώματα κτιρίων και βλάστησης για να αναγνωρίσουν ανεξάρτητα τα υποβαθμισμένα μπαλώματα κτιρίων και τα μπαλώματα βλάστησης. Αυτό το βήμα επικεντρώθηκε στην εξαγωγή χαρακτηριστικών σε τοπικό επίπεδο ειδικά για την AH. Ενσωμάτωση των αποτελεσμάτων ταξινόμησης βάσει σκηνής και βάσει μπαλωμάτων (ενότητα 2.5): Τα ποσοστά των αναγνωρισμένων μπαλωμάτων σε όλα τα μπαλώματα χρησιμοποιήθηκαν ως χαρακτηριστικά τοπικού επιπέδου. Αυτά τα χαρακτηριστικά ενσωματώθηκαν στη συνέχεια με τα αποτελέσματα της ταξινόμησης βάσει σκηνής με τη χρήση ενός μοντέλου δέντρων απόφασης. Το δέντρο απόφασης έβγαλε την κατάσταση εγκατάλειψης κατοικιών σε ατομικό επίπεδο, καθορίζοντας αν το σπίτι εντός της εικόνας GSV ήταν ΑΗ ή όχι. Η λεπτομερής μεθοδολογία παρουσιάστηκε στις ενότητες που καλύπτουν τη συλλογή εικόνων, την προεπεξεργασία εικόνων, την ταξινόμηση βάσει σκηνής, την ταξινόμηση βάσει κηλίδων και την ενσωμάτωση των αποτελεσμάτων της ταξινόμησης βάσει σκηνής και κηλίδων στην ανίχνευση εγκαταλελειμμένων σπιτιών. Αυτή η ολοκληρωμένη προσέγγιση αποσκοπούσε στην αξιοποίηση τόσο των παγκόσμιων όσο και των τοπικών οπτικών χαρακτηριστικών που εξάγονται από τις εικόνες GSV για τη βελτίωση της ακρίβειας της ανίχνευσης ΑΗ.<br /> <br /> Στην παρούσα μελέτη χρησιμοποιήθηκαν δύο σύνολα δεδομένων εικόνων:<br /> <br /> Rust-Belt Dataset: Αυτό το σύνολο δεδομένων καλύπτει πέντε πόλεις των ΗΠΑ που βρίσκονται στην περιοχή Rust Belt: Cleveland, OH- Chicago, IL- Pittsburgh, PA- Detroit, MI- και Binghamton, NY (όπως απεικονίζεται στο Σχήμα 3). Η περιοχή Rust Belt έχει βιώσει σημαντική αποβιομηχάνιση και ερήμωση από τα μέσα του 20ου αιώνα, με αποτέλεσμα τη συγκέντρωση εγκαταλελειμμένων κατοικιών (ΑΗ). Για παράδειγμα, στο Ντιτρόιτ, ο πληθυσμός μειώθηκε κατά περισσότερο από το ήμισυ από το 1950 έως το 2015, ενώ πάνω από το ένα τρίτο των ακινήτων (139.699 από τα 384.672) αντιμετωπίζουν κατάσχεση λόγω αθέτησης υποθηκών ή απλήρωτων φόρων. Το σύνολο δεδομένων περιλαμβάνει ΑΗ που βρίσκονται σε μεταβατικό στάδιο, όπως προκύπτει από τα σημαντικά προγράμματα κατεδάφισης που εφαρμόστηκαν σε αυτές τις πόλεις. Για παράδειγμα, μόνο η πόλη του Ντιτρόιτ κατεδάφισε περισσότερα από 20.000 σπίτια μέχρι το έτος 2020. Δοκιμαστικό σύνολο δεδομένων Ντιτρόιτ: Αυτό το πρόσθετο σύνολο δεδομένων επικεντρώνεται σε μια ξεχωριστή περιοχή μελέτης που βρίσκεται σε μια προαστιακή περιοχή εντός του Ντιτρόιτ, MI, χωρίς καμία επικάλυψη με το σύνολο δεδομένων Rust-Belt. Η περιοχή μελέτης περιλαμβάνει 340 αγροτεμάχια που βρίσκονται σε μια προαστιακή περιοχή με υπερ-κενό, όπως περιγράφεται στο Σχήμα 7. Αυτό το σύνολο δεδομένων χρησιμεύει για την αξιολόγηση της αποτελεσματικότητας της προτεινόμενης μεθόδου και την επίδειξη της εφαρμογής της σε ένα διαφορετικό γεωγραφικό περιβάλλον. Η χρήση αυτών των συνόλων δεδομένων επιτρέπει μια ολοκληρωμένη αξιολόγηση της αποτελεσματικότητας της ανίχνευσης της ΑΗ σε διαφορετικά αστικά περιβάλλοντα, που κυμαίνονται από μεγάλες πόλεις στην περιοχή Rust Belt μέχρι συγκεκριμένες προαστιακές περιοχές εντός του Ντιτρόιτ, MI. <br /> <br /> Συλλέχθησαν ακατέργαστες εικόνες ανακτώντας και κατεβάζοντας εικόνες από το σύνολο δεδομένων GSV ανοικτής πρόσβασης. Δύο σύνολα δεδομένων οικιστικών διευθύνσεων λειτούργησαν ως είσοδος για τη συλλογή πιθανών εικόνων AH και OH, αντίστοιχα. Οι εγκαταλελειμμένες διευθύνσεις μονοκατοικιών ελήφθησαν από μια εμπορική εταιρεία δεδομένων με την ονομασία Vacant House Data Feed(https://realestatewealthnetwork.com/vacant-house-data-feed/). Αντίθετα, οι κατοικημένες διευθύνσεις μονοκατοικιών ελήφθησαν από το σύνολο δεδομένων OpenAddresses(https://openaddresses.io/), αφού αφαιρέθηκαν οι διευθύνσεις που επικαλύπτονται με το Vacant House Data Feed. Συγκεκριμένα, πρέπει να σημειωθεί ότι το Vacant House Data Feed είναι ένα εμπορικό σύνολο δεδομένων που συλλέγει διευθύνσεις κενών κατοικιών για διαχειριστές κατοικιών, το οποίο περιλαμβάνει όχι μόνο σπίτια που είναι εγκαταλελειμμένα αλλά και σπίτια που είναι προσωρινά κενά και προς πώληση. Ως εκ τούτου, τα σπίτια στο σύνολο δεδομένων που περιλαμβάνουν μεγάλο αριθμό καλά συντηρημένων σπιτιών προς πώληση είναι πέρα από τον ορισμό των εγκαταλελειμμένων σπιτιών, καθιστώντας απαραίτητη τη χειροκίνητη επισήμανση με οπτική ανάλυση για τον προσδιορισμό αξιόπιστων ετικετών βασικής αλήθειας. Οι εικόνες του Google Street View για τις AH και OH ανακτήθηκαν με βάση τις παραπάνω επιλεγμένες διευθύνσεις μέσω του GSV Static API. Για κάθε διεύθυνση σπιτιού στα σύνολα δεδομένων διευθύνσεων, το API επέστρεψε τη φωτογραφία που ελήφθη στην πλησιέστερη θέση λήψης εικόνας που βρίσκεται απέναντι από τη διεύθυνση-στόχο. Το μέγιστο οπτικό πεδίο ορίστηκε ως 120 μοίρες και ο βαθμός της κάθετης γωνίας της κάμερας ήταν 0. Το μέγεθος εξόδου της εικόνας σε pixels ήταν 640 × 640. Υπήρχαν 18.964 εικόνες GSV που συλλέχθηκαν ως ακατέργαστα δεδομένα με βάση διευθύνσεις από τα σύνολα δεδομένων Vacant House Data Feed και OpenAddresses. Συνολικά 7.580 (40%) των ακατέργαστων εικόνων διατηρήθηκαν μετά την προεπεξεργασία. Μεταξύ των 7.580 εικόνων, επιλέξαμε 2.011 εικόνες, συμπεριλαμβανομένων 1.007 εικόνων AH και 1.004 εικόνων OH για περαιτέρω επεξεργασιας (Πίνακας 1). Στη νέα τοποθεσία δοκιμής στο Detroit, MI, 136 από τα 340 αγροτεμάχια είχαν κατοικίες και ήταν διαθέσιμα για την ανίχνευση AH.<br /> <br /> Λόγω της ανεξέλεγκτης ποιότητας των εικόνων street view, πολλές ακατέργαστες εικόνες GSV δεν μπορούν να χρησιμοποιηθούν στην ανίχνευση και πρέπει να αφαιρεθούν. Οι εικόνες αυτές παρουσιάζουν τα ακόλουθα προβλήματα (βλ. Εικ. 4): (1) Απόκρυψη. Το κτίριο-στόχος εμποδίζεται από άλλα αντικείμενα, όπως δέντρα και οχήματα, και έτσι δεν μπορεί να εμφανιστεί στην εικόνα. (2) Εσφαλμένη καταχώριση. Κατά τη λήψη εικόνων GSV, η κάμερα έχει πιθανώς μια απομακρυσμένη μετατόπιση με το σπίτι-στόχο, με αποτέλεσμα η εικόνα που λαμβάνεται να μην περιέχει μια πλήρη οικιστική ιδιοκτησία. Απαραίτητη προϋπόθεση για την ανίχνευση εγκατάλειψης κατοικιών είναι η εικόνα GSV να περιέχει μια σαφή και πλήρη οικιστική ιδιοκτησία στο κεντρικό της τμήμα. Είτε η απόκρυψη είτε η λανθασμένη καταχώριση μπορεί να επηρεάσει σοβαρά τα αποτελέσματα της ανίχνευσης. Έτσι, αναπτύξαμε έναν αγωγό επεξεργασίας εικόνας για την αφαίρεση αυτών των ακραίων στοιχείων.<br /> <br /> Κατά τη διαδικασία ανίχνευσης και αφαίρεσης των ακραίων τιμών από τις εικόνες του Google Street View (GSV) για την ανίχνευση εγκαταλελειμμένων σπιτιών, υιοθετήσαμε μια εκλεπτυσμένη προσέγγιση για τη βελτίωση της ποιότητας του συνόλου δεδομένων. Αρχικά, επικεντρωθήκαμε στα κεντρικά εικονοστοιχεία 320 × 320 των εικόνων GSV 640 × 640 εικονοστοιχείων, στρέφοντας την προσοχή στην κεντρική περιοχή που περιέχει το κτίριο-στόχο. Αξιοποιώντας μια προηγουμένως καθιερωμένη μεθοδολογία (Kang et al., 2018), χρησιμοποιήσαμε το μοντέλο VGG16 deep convolutional neural network (CNN) που εκπαιδεύτηκε στο σύνολο δεδομένων Places365 (Simonyan and Zisserman, 2014; Zhou et al., 2017) για την αναγνώριση σκηνών. Χρησιμοποιώντας το σύστημα ταξινόμησης στο Places365, επιλέξαμε εννέα κλάσεις-στόχους που σχετίζονται με οικιστικές δομές. Μόνο οι περικομμένες εικόνες που ανήκαν σε αυτές τις κλάσεις-στόχους διατηρήθηκαν για περαιτέρω ανάλυση. Ως αποτέλεσμα, 7.580 (40%) ακατέργαστες εικόνες GSV διατηρήθηκαν, ενώ 11.384 (60%) φιλτράρονταν. Στη συνέχεια, μέσω οπτικής ερμηνείας, επιλέξαμε 1.007 εγκαταλελειμμένα σπίτια και 1.004 κατοικημένα σπίτια από τις διατηρημένες εικόνες, εξασφαλίζοντας την καθαρότητα του συνόλου εκπαίδευσης. Αυτή η σχολαστική διαδικασία βελτίωσης είχε ως στόχο να ενισχύσει την αξιοπιστία και την ακρίβεια των μετέπειτα προσπαθειών εντοπισμού εγκαταλελειμμένων σπιτιών με τη χρήση εικόνων GSV.<br /> <br /> Σε αυτή την ενότητα, παρουσιάζουμε την εφαρμογή μιας προσέγγισης μάθησης μεταφοράς για ταξινόμηση βάσει σκηνής για την εξαγωγή παγκόσμιων χαρακτηριστικών από εικόνες του Google Street View (GSV). Χρησιμοποιώντας τις εικόνες GSV που διατηρήθηκαν στην προηγούμενη ενότητα, η κατάσταση εγκατάλειψης κατοικιών κάθε εικόνας επισημάνθηκε χειροκίνητα μέσω οπτικής ερμηνείας. Το σύνολο δεδομένων χωρίστηκε τυχαία σε σύνολα εκπαίδευσης (50%), επικύρωσης (10%) και δοκιμής (40%). Υιοθετήσαμε μια στρατηγική εκμάθησης μεταφοράς για την τελειοποίηση ενός προ-εκπαιδευμένου μοντέλου συνελικτικού νευρωνικού δικτύου (CNN), συγκεκριμένα του μοντέλου VGG16 που προ-εκπαιδεύτηκε στο σύνολο δεδομένων Places365. Πριν από την εκμάθηση, οι εικόνες άλλαξαν μέγεθος ώστε να ταιριάζουν στις απαιτήσεις εισόδου του μοντέλου CNN. Η έξοδος αυτής της δυαδικής ταξινόμησης ήταν τόσο η προβλεπόμενη κατηγορία όσο και η πιθανότητα η σκηνή να ανήκει σε δύο κατηγορίες, με την πιθανότητα να ανήκει στην κατηγορία εγκαταλελειμμένο σπίτι (AH) να χρησιμοποιείται ως αποτέλεσμα ταξινόμησης με βάση τη σκηνή στο επακόλουθο μοντέλο δέντρου αποφάσεων.<br /> Η διαδικασία εκμάθησης εκτελέστηκε με τη χρήση του Caffe σε μια πλατφόρμα Linux Ubuntu 16.04, με τη χρήση μιας GPU NVIDIA GTX 1080 Ti, επιταχυνόμενη από το cuDNN5. Η εκπαίδευση πραγματοποιήθηκε σε 50 εποχές με μέγεθος παρτίδας 10, ρυθμό μάθησης 1 * 10^-3, ορμή 0,9 και μείωση του ρυθμού μάθησης κατά 0,1 κάθε 10 εποχές. Για την εκπαίδευση χρησιμοποιήθηκε απώλεια διασταυρούμενης εντροπίας, η οποία συμπληρώθηκε από μια παράμετρο αποσύνθεσης βάρους 5 * 10^-4. Αυτή η μεθοδολογία επέτρεψε την εξαγωγή παγκόσμιων χαρακτηριστικών που είναι ζωτικής σημασίας για τον εντοπισμό εγκαταλελειμμένων σπιτιών από εικόνες GSV, συμβάλλοντας στην επακόλουθη ανάπτυξη ενός ολοκληρωμένου μοντέλου δέντρου απόφασης για την ανίχνευση εγκαταλελειμμένων σπιτιών.<br /> <br /> Η παρούσα μελέτη παρουσιάζει μια μέθοδο ταξινόμησης με βάση τη σκηνή που αποσκοπεί στον εντοπισμό εγκαταλελειμμένων σπιτιών από εικόνες του Google Street View (GSV). Μέσω χειροκίνητης οπτικής ερμηνείας, οι εικόνες GSV επισημάνθηκαν με την κατάσταση εγκατάλειψης κατοικιών και χωρίστηκαν σε σύνολα εκπαίδευσης, επικύρωσης και δοκιμής. Αξιοποιώντας τη μάθηση μεταφοράς, ένα προ-εκπαιδευμένο μοντέλο συνελικτικού νευρωνικού δικτύου (CNN), το VGG16, προ-εκπαιδευμένο στο σύνολο δεδομένων Places365, συντονίστηκε λεπτομερώς για την εξαγωγή συνολικών χαρακτηριστικών από τις εικόνες GSV. Η έξοδος αυτής της δυαδικής ταξινόμησης παρείχε τόσο την προβλεπόμενη κατηγορία όσο και την πιθανότητα η σκηνή να ανήκει στην κατηγορία των εγκαταλελειμμένων σπιτιών. Η διαδικασία εκμάθησης, η οποία διεξήχθη με τη χρήση του Caffe σε μια πλατφόρμα Linux Ubuntu 16.04 με μια GPU NVIDIA GTX 1080 Ti, περιελάμβανε εκπαίδευση σε 50 εποχές με συγκεκριμένες παραμέτρους βελτιστοποιημένες για ακρίβεια. Αυτή η μεθοδολογία διευκόλυνε την εξαγωγή βασικών χαρακτηριστικών για την αναγνώριση εγκαταλελειμμένων σπιτιών, συμβάλλοντας στην ανάπτυξη ενός ισχυρού μοντέλου δέντρων απόφασης για την αξιολόγηση της αστικής παρακμής και τις προσπάθειες αναζωογόνησης. Η αστική παρακμή που προκύπτει από την εγκατάλειψη κατοικιών αποτελεί σημαντική πρόκληση για τις πόλεις παγκοσμίως. Η αντιμετώπιση του ζητήματος αυτού απαιτεί αποτελεσματικές μεθόδους για τον εντοπισμό εγκαταλελειμμένων κατοικιών, οι οποίες είναι απαραίτητες για τον αστικό σχεδιασμό και τις προσπάθειες αναζωογόνησης. Στην παρούσα μελέτη, προτείνουμε μια νέα προσέγγιση που αξιοποιεί εικόνες του Google Street View (GSV) και προηγμένες τεχνικές βαθιάς μάθησης για την αυτοματοποιημένη ανίχνευση εγκαταλελειμμένων σπιτιών. Η μεθοδολογία μας περιλαμβάνει δύο βασικά στοιχεία: ταξινόμηση με βάση τη σκηνή και ταξινόμηση με βάση τα μπαλώματα. Στην ταξινόμηση με βάση τη σκηνή, χρησιμοποιούμε μάθηση μεταφοράς με ένα προ-εκπαιδευμένο μοντέλο VGG16 CNN για την εξαγωγή σφαιρικών χαρακτηριστικών από εικόνες GSV. Αυτά τα χαρακτηριστικά χρησιμοποιούνται για την πρόβλεψη της πιθανότητας εγκατάλειψης κατοικιών σε επίπεδο σκηνής. Εν τω μεταξύ, η ταξινόμηση με βάση τα μπαλώματα επικεντρώνεται στην εξαγωγή τοπικών χαρακτηριστικών χρησιμοποιώντας τον αλγόριθμο Pyramid Histogram of Visual Words (PHOW). Χρησιμοποιούμε την ομαδοποίηση και την ταξινόμηση με βαθιά μάθηση για να εντοπίσουμε τα επιδιορθωμένα μπαλώματα κτιρίων και τα μπαλώματα βλάστησης που έχουν αναπτυχθεί υπερβολικά μέσα σε εικόνες GSV. Η ενσωμάτωση των αποτελεσμάτων της ταξινόμησης με βάση τη σκηνή και την περιοχή επιτυγχάνεται μέσω ενός μοντέλου δέντρων απόφασης. Αυτό το μοντέλο συνδυάζει χαρακτηριστικά σε παγκόσμιο επίπεδο από την ταξινόμηση βάσει σκηνής με χαρακτηριστικά σε τοπικό επίπεδο από την ταξινόμηση βάσει κηλίδων για την πρόβλεψη της εγκατάλειψης κατοικιών σε ατομικό επίπεδο. Λαμβάνοντας υπόψη τόσο μακροσκοπικά όσο και μικροσκοπικά οπτικά στοιχεία, η προσέγγισή μας προσφέρει μια ολοκληρωμένη λύση για τον ακριβή εντοπισμό εγκαταλελειμμένων κατοικιών. Επικυρώνουμε τη μεθοδολογία μας χρησιμοποιώντας σύνολα δεδομένων που συλλέχθηκαν από πολλές πόλεις των ΗΠΑ, όπως το Κλίβελαντ, το Σικάγο, το Πίτσμπουργκ, το Ντιτρόιτ και το Μπίνγκαμτον, καθώς και μια τοποθεσία δοκιμής στα προάστια του Ντιτρόιτ. Τα αποτελέσματά μας καταδεικνύουν την αποτελεσματικότητα της προτεινόμενης προσέγγισης στον εντοπισμό εγκαταλελειμμένων σπιτιών, παρέχοντας έτσι πολύτιμες πληροφορίες για τους πολεοδόμους και τους υπεύθυνους χάραξης πολιτικής για την καταπολέμηση της αστικής παρακμής και την αναζωογόνηση των προβληματικών γειτονιών. <br /> <br /> '''Google Street View'''<br /> <br /> Η ανίχνευση εγκαταλελειμμένων κατοικιών αποτελεί σημαντική πρόκληση για τις αστικές μελέτες, με επιπτώσεις στην αναζωογόνηση των γειτονιών και τη διαχείριση των πόλεων. Οι παραδοσιακές μέθοδοι που βασίζονται σε έρευνες πεδίου ή δεδομένα τηλεπισκόπησης έχουν περιορισμούς όσον αφορά την ακρίβεια, το κόστος ή την προσβασιμότητα. Στην παρούσα μελέτη, διερευνούμε την αποτελεσματικότητα των εικόνων του Google Street View (GSV) ως αυτόνομη πηγή δεδομένων για την ανίχνευση ΑΗ. Αναπτύξαμε μια ιεραρχική μέθοδο ταξινόμησης βαθιάς μάθησης για την εξαγωγή τόσο παγκόσμιων όσο και τοπικών χαρακτηριστικών από εικόνες GSV. Η ταξινόμηση με βάση το σκηνικό χρησιμοποίησε μια προσέγγιση μάθησης μεταφοράς με ένα προ-εκπαιδευμένο μοντέλο VGG16 για την εξαγωγή παγκόσμιων χαρακτηριστικών, ενώ η ταξινόμηση με βάση το patch χρησιμοποίησε χαρακτηριστικά πυραμίδας ιστογράμματος οπτικών λέξεων (PHOW) και μοντέλα CNN για την εξαγωγή τοπικών χαρακτηριστικών. Η ενσωμάτωση αυτών των χαρακτηριστικών με τη χρήση ενός μοντέλου δέντρων απόφασης επέτρεψε την ανίχνευση ΑΗ σε ατομικό επίπεδο.Τα πειράματα που πραγματοποιήθηκαν σε ένα σύνολο δεδομένων που καλύπτει πέντε πόλεις των ΗΠΑ στην περιοχή Rust Belt κατέδειξαν την αποτελεσματικότητα των εικόνων GSV στην ανίχνευση ΑΗ, επιτυγχάνοντας συνολική ακρίβεια 85% και βαθμολογία F 0,84. Οι δοκιμές σε μια νέα περιοχή μελέτης στο Ντιτρόιτ, MI, απέδωσαν συνολική ακρίβεια 78,7% και βαθμολογία F 0,74. Τα αποτελέσματα αυτά συγκρίνονται ευνοϊκά με προηγούμενες μελέτες που χρησιμοποιούν πολλαπλές πηγές δεδομένων για την ανίχνευση ΑΗ. Τα ευρήματά μας υποδηλώνουν ότι οι εικόνες GSV προσφέρουν μια οικονομικά αποδοτική και προσιτή λύση για την ανίχνευση ΑΗ, συμπληρώνοντας τις υπάρχουσες μεθόδους και διευκολύνοντας τις προσπάθειες αστικού σχεδιασμού και διαχείρισης. Ως σύνολο δεδομένων ανοικτής πρόσβασης με εκτεταμένη κάλυψη, οι εικόνες GSV υπόσχονται να αποτελέσουν ένα πολύτιμο εργαλείο για την αντιμετώπιση της αστικής παρακμής και την αναζωογόνηση των προβληματικών γειτονιών. Η ανίχνευση εγκαταλελειμμένων σπιτιών (ΑΣ) με τη χρήση εικόνων του Google Street View (GSV) προσφέρει σημαντικά πλεονεκτήματα, αλλά αντιμετωπίζει επίσης αρκετούς περιορισμούς. Το GSV παρέχει πολύτιμες πληροφορίες σε επίπεδο δρόμου για τον εντοπισμό της εγκατάλειψης κατοικιών, όπως αποδεικνύεται από τα πειράματα της μελέτης που επιτυγχάνουν συνολική ακρίβεια 85% και F-score 0,84 μόνο με τη χρήση εικόνων GSV. Παρά αυτά τα πολλά υποσχόμενα αποτελέσματα, εξακολουθούν να υπάρχουν προκλήσεις, ιδίως όσον αφορά την παρουσία παρακείμενων κτιρίων και την απόκρυψη στις εικόνες GSV. Τα γειτονικά κτίρια μπορούν να επηρεάσουν την ακρίβεια ανίχνευσης, οδηγώντας σε ψευδώς θετικά αποτελέσματα όταν τα κοντινά σπίτια είναι εγκαταλελειμμένα. Ομοίως, η απόκρυψη από δέντρα ή οχήματα μπορεί να αποκρύψει τις κατοικίες, επηρεάζοντας την αξιοπιστία της ανίχνευσης. Λύσεις όπως ο ακριβής εντοπισμός των κτιρίων-στόχων και η αξιοποίηση πολυχρονικών εικόνων GSV μπορούν να μετριάσουν αυτά τα ζητήματα. Επιπλέον, η ιεραρχική προσέγγιση, και ιδιαίτερα η μέθοδος με βάση τα μπαλώματα, έχει περιορισμούς που σχετίζονται με την απαιτητική σε εργασία επισήμανση των μπαλωμάτων και την εξάρτηση των παραμέτρων. Η αντιμετώπιση αυτών των προκλήσεων απαιτεί την τελειοποίηση των μεθόδων για την ακριβή εξαγωγή χαρακτηριστικών και τη βελτιστοποίηση των παραμέτρων για βελτιωμένη ακρίβεια ταξινόμησης. Οι μελλοντικές ερευνητικές κατευθύνσεις μπορεί να περιλαμβάνουν τη διερεύνηση μεθόδων σημασιολογικής τμηματοποίησης, την ενσωμάτωση πρόσθετων πηγών δεδομένων και την εφαρμογή των αποτελεσμάτων ανίχνευσης AH σε μελέτες αστικών περιοχών με λεπτή ανάλυση. Συνολικά, ενώ οι εικόνες GSV προσφέρουν πολύτιμες γνώσεις για την ανίχνευση ΑΗ, η αντιμετώπιση των περιορισμών τους είναι ζωτικής σημασίας για την αξιοποίηση του πλήρους δυναμικού τους στις αστικές μελέτες και στις διαδικασίες λήψης αποφάσεων.<br /> <br /> '''Επίλογος'''<br /> <br /> Σε αντίθεση με τα παραδοσιακά δεδομένα τηλεπισκόπησης, οι εικόνες προβολής δρόμου παρέχουν εντελώς νέες πληροφορίες για τη δομή της πρόσοψης του κτιρίου και την κατάσταση της βλάστησης στον προαύλιο χώρο, οι οποίες είναι απαραίτητες για την ανίχνευση ΑΗ. Στην παρούσα εργασία, αποδείξαμε την αποτελεσματικότητα των εικόνων GSV στην ανίχνευση ΑΗ σε ατομικό επίπεδο και προτείναμε την πρώτη προσέγγιση βαθιάς μάθησης για την ανίχνευση. Η νέα πηγή δεδομένων και η νέα ιεραρχική προσέγγιση βαθιάς μάθησης δίνουν τη δυνατότητα στο μοντέλο που αναπτύχθηκε να επιτύχει σημαντική ακρίβεια. Συγκεκριμένα, οι εικόνες GSV, ως νέα πηγή δεδομένων, είναι εξαιρετικές ως προς την αποτελεσματικότητα και την προσβασιμότητα στην ανίχνευση AH και απέδωσαν με συνέπεια σε όλη την περιοχή Rust Belt. Επίσης, η προτεινόμενη ιεραρχική βαθιά προσέγγιση CNN που μπορεί να ενσωματώσει παγκόσμια και τοπικά χαρακτηριστικά έχει μεγάλες δυνατότητες στην επίγεια επεξεργασία εικόνων σε αστικές μελέτες. Όσον αφορά τα πλεονεκτήματα και τους περιορισμούς στα δεδομένα και τη μέθοδο, η γενίκευση της προτεινόμενης μεθόδου σε μια μεγάλη περιοχή είναι συγκρατημένα αισιόδοξη. Τα αποτελέσματα της ανίχνευσης θα βοηθήσουν την πρωτοβουλία &quot;Έξυπνη πόλη&quot; συμβάλλοντας στην καλύτερη κατανόηση του αστικού περιβάλλοντος και φέρνοντας τη νέα ευκαιρία σε αστικές μελέτες υψηλής ανάλυσης, στη διαχείριση κατοικιών και στον αστικό σχεδιασμό.<br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BE%CF%8C%CF%81%CF%85%CE%BE%CE%B7_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CE%BB%CE%B5%CE%BB%CE%B5%CE%B9%CE%BC%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BB%CE%BF%CF%86%CF%8E%CE%B4%CE%B5%CE%B9%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%B7_%CF%87%CF%89%CF%81%CE%BF%CF%87%CF%81%CE%BF%CE%BD%CE%B9%CE%BA%CE%AE_%CF%83%CF%8D%CE%BD%CF%84%CE%B7%CE%BE%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CF%80%CE%B7%CE%B3%CF%8E%CE%BD 2024-03-19T18:15:17Z

<p>Evangelos Arletos: </p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Extraction of Abandoned Land in Hilly Areas Based on the Spatio-Temporal Fusion of Multi-Source Remote Sensing Images <br /> <br /> '''Συγγραφείς:''' Shan He 1, Huaiyong Shao 1, Wei Xian 2, Shuhui Zhang 1, Jialong Zhong 3 and Jiaguo Qi 4<br /> <br /> 1 Key Laboratory of Geoscience Spatial Information Technology, Ministry of Land and Resources of China, Chengdu University of Technology, Chengdu 610059, China<br /> <br /> 2 College of Resources and Environment, Chengdu University of Information Technology, Chengdu 610225, China<br /> <br /> 3 College of Management Science, Chengdu University of Technology, Chengdu 610059, China<br /> <br /> 4 Center for Global Change and Earth Observations, Michigan State University, East Lansing, MI 48824, USA<br /> <br /> '''Δημοσιεύθηκε:''' Remote Sens. 2021<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.3390/rs13193956]]<br /> <br /> '''Λέξεις-κλειδιά:''' εγκαταλελειμμένη γη, ρύπανση από σύννεφα, λοφώδης περιοχή, εικόνες πολλαπλών πηγών, χωροχρονική σύντηξη, αλλαγή χρονοσειράς '''<br /> <br /> '''Περίληψη'''<br /> <br /> Οι ορεινές περιοχές αποτελούν κρίσιμα στοιχεία του παγκόσμιου τοπίου, ωστόσο ορισμένες περιοχές αντιμετωπίζουν σημαντική εγκατάλειψη γης, θέτοντας προκλήσεις για την επισιτιστική ασφάλεια και τα μέσα διαβίωσης. Η χαρτογράφηση της εγκαταλελειμμένης γης σε αυτές τις περιοχές με τη χρήση εικόνων τηλεπισκόπησης είναι περίπλοκη λόγω του κατακερματισμού και της ρύπανσης από τα σύννεφα. Η παρούσα μελέτη προτείνει μια προσέγγιση που ενσωματώνει τη γραμμική έκταση (LS), τη σύνθεση μέγιστης τιμής (MVC) και την ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF) για την ανάλυση των αλλαγών χρονοσειρών και την εξαγωγή εγκαταλελειμμένων εκτάσεων. Οι εικόνες MOD09GA, MOD13Q1 και Sentinel-2 σχηματίζουν ένα μηνιαίο χωροχρονικό σύνολο δεδομένων 10 μέτρων. Δείκτες βλάστησης (VI) όπως ο NDVI, ο SAVI και ο NDWI προσδιορίζουν τις εγκαταλελειμμένες εκτάσεις, ενώ η ταξινόμηση με μηχανή διανύσματος υποστήριξης (SVM) τις διακρίνει από τις καλλιεργούμενες εκτάσεις και τις δασικές εκτάσεις. Η ενσωμάτωση των LS, MVC και FSDAF με SVM επιτυγχάνει συνολική ακρίβεια 88,1%, ξεπερνώντας το Sentinel-2 κατά 10,8-23,6% για την εξαγωγή εγκαταλελειμμένων εκτάσεων. Αυτή η μέθοδος προσφέρει τεχνική καθοδήγηση για τη χαρτογράφηση εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές και υποστηρίζει τις προσπάθειες για την καταπολέμηση της φτώχειας και την αναζωογόνηση της υπαίθρου.<br /> <br /> '''Εισαγωγή '''<br /> <br /> Το κείμενο που παρατίθεται περιγράφει τις προκλήσεις και τη σημασία της εξαγωγής της κατανομής των εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές με τη χρήση εικόνων τηλεπισκόπησης. Οι λοφώδεις περιοχές συχνά υποφέρουν από εγκατάλειψη γης λόγω τοπογραφικού περιθωρίου και ρύπανσης από σύννεφα, με επιπτώσεις στην επισιτιστική ασφάλεια και τα μέσα διαβίωσης. Ενώ η τηλεπισκόπηση έχει χρησιμοποιηθεί για το σκοπό αυτό, οι υπάρχουσες μέθοδοι αντιμετωπίζουν περιορισμούς, όπως η χαμηλή χωρική ανάλυση και η παρεμβολή των νεφών. Για την αντιμετώπιση αυτών των προκλήσεων, προτείνεται μια νέα προσέγγιση, η οποία ενσωματώνει τη γραμμική έκταση (LS), τη σύνθεση μέγιστης τιμής (MVC) και την ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF). Η προσέγγιση αυτή αποσκοπεί στην ανάλυση των αλλαγών χρονοσειρών και στην ακριβή εξαγωγή της κατανομής των εγκαταλελειμμένων εκτάσεων. Συγκεκριμένα, συγχωνεύονται οι εικόνες MODIS και Sentinel-2 για να αξιοποιηθεί η χρονική και χωρική τους ανάλυση. Το μοντέλο STARFM και οι παραλλαγές του, συμπεριλαμβανομένου του FSDAF, αξιοποιούνται για την αποτελεσματική ανάμειξη των δεδομένων Landsat και MODIS. Εξετάζεται επίσης η μέθοδος Improved Flexible Spatiotemporal Data Fusion (IFSDAF) για τη μεγιστοποίηση της χρήσης εικονοστοιχείων υψηλής ανάλυσης, παρά τα πιθανά σπασμωδικά σφάλματα. Στην παρούσα μελέτη, ως εγκαταλελειμμένη γη ορίζεται η ακαλλιέργητη καλλιεργούμενη γη ή η κατεστραμμένη δασική έκταση που παραμένει για περισσότερο από ένα έτος. Η γραμμική τάνυση και η MVC χρησιμοποιούνται για την αντιμετώπιση των διαφορών ακτινοβολίας και για την εξαγωγή μηνιαίων εκτιμήσεων της έκτασης φύτευσης. Η προτεινόμενη προσέγγιση ενσωματώνει αυτές τις τεχνικές με το FSDAF για την ανάλυση των αλλαγών σε χρονοσειρές και την ακριβή εξαγωγή της κατανομής των εγκαταλελειμμένων εκτάσεων. Η ταξινόμηση με μηχανή διανυσμάτων υποστήριξης (SVM) εφαρμόζεται χρησιμοποιώντας έναν συνδυασμό χαρτών χρήσεων γης, ορθοφωτογραφιών, εικόνων UAV και εικόνων χρονοσειρών Sentinel-2, MOD09GA και MOD13Q1 για την επικύρωση της εξαγόμενης κατανομής. Συνολικά, η μελέτη αποσκοπεί στην παροχή πολύτιμης υποστήριξης δεδομένων και συστάσεων στις τοπικές υπηρεσίες διαχείρισης γης για τον αποτελεσματικό σχεδιασμό και τη διαχείριση των χρήσεων γης σε λοφώδεις περιοχές.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Το τεχνικό διάγραμμα ροής της μελέτης περιλαμβάνει τρία βασικά βήματα, όπως απεικονίζεται στο Σχήμα 1. Ο πρωταρχικός στόχος του βήματος 1 είναι να οριοθετηθεί το εύρος των δασικών και καλλιεργούμενων εκτάσεων και να συγκεντρωθούν δείγματα δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων με τη χρήση της πλατφόρμας ArcGIS. Το βήμα αυτό περιλαμβάνει τις ακόλουθες πτυχές: <br /> Διαλογή χαρακτηριστικών: Χρήση πληροφοριών χαρακτηριστικών για τον εντοπισμό των δασικών εκτάσεων και των καλλιεργούμενων εκτάσεων στο χάρτη κατανομής χρήσεων γης και στο προϊόν κάλυψης γης. Στη συνέχεια, τα αποτελέσματα αναλύονται με τη χρήση τεχνικών επικάλυψης για τη βελτίωση της ακρίβειας.Προσαρμογή χωρικής ανάλυσης: Δεδομένου ότι η χωρική ανάλυση των προαναφερθέντων δεδομένων είναι 30 μέτρα, είναι απαραίτητο να βελτιωθεί το εύρος των δασικών εκτάσεων και των καλλιεργούμενων εκτάσεων. Για τον σκοπό αυτό χρησιμοποιούνται ορθοφωτογραφίες της Google με χωρική ανάλυση 1,7 μέτρων λόγω της ικανότητάς τους να αναγνωρίζουν μικρά αγροτεμάχια. Η αλληλεπίδραση ανθρώπου-υπολογιστή χρησιμοποιείται στις ορθοφωτογραφίες της Google για την εξάλειψη των περιοχών που δεν αντιστοιχούν σε δασικές ή καλλιεργούμενες εκτάσεις.Διανυσματική κάλυψη: Τα διανυσματικά δεδομένα του OpenStreetMap, που περιέχουν πληροφορίες για δρόμους, κτίρια, υδάτινα σώματα και όχθες ποταμών, χρησιμοποιούνται για τη συγκάλυψη των επικαλυπτόμενων αποτελεσμάτων που προέκυψαν από τα προηγούμενα βήματα. Η επικάλυψη των αποτελεσμάτων της αλληλεπίδρασης ανθρώπου-υπολογιστή από τις ορθοφωτογραφίες της Google με τα διανυσματικά δεδομένα του OpenStreetMap βοηθά στην αφαίρεση των περιοχών που δεν είναι δασικές ή καλλιεργούμενες εκτάσεις. Εντοπισμός πιθανών εγκαταλελειμμένων περιοχών: Οι διαλεγμένες κατανομές των δασικών και καλλιεργούμενων εκτάσεων επικαλύπτονται σε εικόνες πραγματικού χρώματος από το Sentinel-2 για τον εντοπισμό περιοχών που ενδέχεται να είναι εγκαταλελειμμένες. Εννέα τυπικές περιοχές και προγραμματισμένες διαδρομές δειγματοληψίας πεδίου οριοθετούνται με βάση αυτή την ανάλυση. <br /> Συλλογή δειγμάτων: Δείγματα δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων λαμβάνονται μέσω της οριοθέτησης με τη χρήση χρονοσειρών εικόνων Sentinel-2, αλληλεπίδρασης ανθρώπου-υπολογιστή σε ορθοφωτογραφίες της Google, επιχειρήσεων UAV (μη επανδρωμένου εναέριου οχήματος) στις εννέα τυπικές περιοχές και δειγματοληψίας πεδίου στις περιοχές μελέτης.Ακολουθώντας αυτά τα βήματα, η μελέτη αποσκοπεί στον ακριβή εντοπισμό και τη συλλογή δειγμάτων δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων, τα οποία είναι απαραίτητα για την περαιτέρω ανάλυση και ταξινόμηση. Μέσω των επιλεγμένων δειγμάτων που απεικονίζονται στην Εικόνα 4, δημιουργήσαμε διαγράμματα καμπύλων χρονοσειρών των δεικτών βλάστησης (VI) για τα δάση, τις καλλιεργούμενες εκτάσεις και τις εγκαταλελειμμένες εκτάσεις με βάση τις μέσες τιμές των δειγμάτων. Οι μέγιστες και ελάχιστες τιμές αυτών των καμπυλών καταγράφηκαν με οριζόντιες γραμμές, όπως φαίνεται στην Εικόνα 7. <br /> <br /> '''Συζήτηση'''<br /> <br /> Παρουσιάζεται μια νέα προσέγγιση για την εξόρυξη εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές με την ενσωμάτωση δεδομένων τηλεπισκόπησης πολλαπλών πηγών και προηγμένων τεχνικών σύντηξης. Οι λοφώδεις περιοχές αντιμετωπίζουν συχνά προκλήσεις όπως η κατακερματισμένη γη και η ρύπανση από σύννεφα, γεγονός που καθιστά δύσκολη την ακριβή χαρτογράφηση των εγκαταλελειμμένων εκτάσεων. Στην παρούσα μελέτη, συνδυάστηκαν η γραμμική έκταση (Ls), η σύνθετη μέθοδος μέγιστης τιμής (MVC) και η ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF) για την ανάλυση των χρονικών αλλαγών και την εξαγωγή της χωρικής κατανομής των εγκαταλελειμμένων εκτάσεων. Τα Sentinel-2, MOD09GA και MOD13Q1 χρησιμοποιήθηκαν για τη συγχώνευση ενός μηνιαίου συνόλου δεδομένων χωρικής ανάλυσης 10 m, ενώ οι δείκτες βλάστησης (VIs) χρησιμοποιήθηκαν για τον εντοπισμό εγκαταλελειμμένων εκτάσεων. Ο ταξινομητής διανυσματικής μηχανής υποστήριξης (SVM) εφαρμόστηκε για τη διάκριση των εγκαταλελειμμένων εκτάσεων από τις καλλιεργούμενες εκτάσεις και τις δασικές εκτάσεις. Η προτεινόμενη προσέγγιση πέτυχε συνολική ακρίβεια 88,1%, ξεπερνώντας τις μεθόδους μίας πηγής κατά 10,8-23,6% για την εξαγωγή εγκαταλελειμμένων εκτάσεων. Μέσω ερευνών πεδίου, εντοπίστηκαν οι λόγοι εγκατάλειψης γης και διατυπώθηκαν συστάσεις για την αντιμετώπιση του κατακερματισμού και τη βελτίωση της διαχείρισης των υδάτων. Η μελέτη αυτή καταδεικνύει τις δυνατότητες συγχώνευσης τηλεπισκοπικών δεδομένων πολλαπλών πηγών για την ακριβή χαρτογράφηση εγκαταλελειμμένων εκτάσεων, προσφέροντας πολύτιμες πληροφορίες για τη διαχείριση της γης και τις προσπάθειες διατήρησης σε λοφώδεις περιοχές. <br /> <br /> '''Επίλογος'''<br /> <br /> Στην παρούσα μελέτη, ο συνδυασμός των πηγών τηλεπισκοπικών δεδομένων Sentinel-2, MOD09GA και MOD13Q1 διευκόλυνε την εξαγωγή εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές, παρά τις προκλήσεις όπως η ρύπανση από σύννεφα και η ποικίλη βλάστηση. Μέσω της προσέγγισης Ls+MVC+FSDAF ελήφθησαν μηνιαίοι δείκτες βλάστησης (ndvi, savi και ndwi) με χωρική ανάλυση 10 m, επιτρέποντας την ταχεία και αξιόπιστη εξαγωγή εγκαταλελειμμένων εκτάσεων. Η μέθοδος αυτή προσφέρει πολύτιμες πληροφορίες για την τοπική παραγωγή τροφίμων και τη διαχείριση των εδαφικών πόρων σε λοφώδεις περιοχές που χαρακτηρίζονται από μικρά αγροτεμάχια και πολύπλοκα πρότυπα βλάστησης.<br /> <br /> Προχωρώντας προς τα εμπρός, η χρήση πλατφορμών επεξεργασίας σύννεφων μεγάλων δεδομένων, όπως η Google Earth Engine (GEE), θα είναι ζωτικής σημασίας για την εξαγωγή της χωροχρονικής κατανομής των εγκαταλελειμμένων εκτάσεων σε μεγαλύτερη κλίμακα και για μεγαλύτερες χρονοσειρές. Η ενσωμάτωση αλγορίθμων αφαίρεσης νεφών, τεχνικών συγχώνευσης τηλεπισκοπικών δεδομένων πολλαπλών πηγών και προηγμένων μοντέλων ταξινόμησης βαθιάς μάθησης θα βελτιώσει περαιτέρω την ακρίβεια της εξαγωγής εγκαταλελειμμένων εκτάσεων, παρέχοντας πολύτιμη υποστήριξη για τη διαχείριση της γης και τις προσπάθειες διατήρησης σε λοφώδεις περιοχές.<br /> <br /> [[Αρχείο:Gbisas4_foto7.png|200px|thumb|right|'''Εικόνα 7.''' Η οικονομική αξία των οικοσυστημικών υπηρεσιών αναψυχής στο πάρκο Cypress.]]<br /> <br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%95%CE%BE%CF%8C%CF%81%CF%85%CE%BE%CE%B7_%CE%B5%CE%B3%CE%BA%CE%B1%CF%84%CE%B1%CE%BB%CE%B5%CE%BB%CE%B5%CE%B9%CE%BC%CE%BC%CE%AD%CE%BD%CE%B7%CF%82_%CE%B3%CE%B7%CF%82_%CF%83%CE%B5_%CE%BB%CE%BF%CF%86%CF%8E%CE%B4%CE%B5%CE%B9%CF%82_%CF%80%CE%B5%CF%81%CE%B9%CE%BF%CF%87%CE%AD%CF%82_%CE%BC%CE%B5_%CE%B2%CE%AC%CF%83%CE%B7_%CF%84%CE%B7_%CF%87%CF%89%CF%81%CE%BF%CF%87%CF%81%CE%BF%CE%BD%CE%B9%CE%BA%CE%AE_%CF%83%CF%8D%CE%BD%CF%84%CE%B7%CE%BE%CE%B7_%CE%B5%CE%B9%CE%BA%CF%8C%CE%BD%CF%89%CE%BD_%CF%84%CE%B7%CE%BB%CE%B5%CF%80%CE%B9%CF%83%CE%BA%CF%8C%CF%80%CE%B7%CF%83%CE%B7%CF%82_%CF%80%CE%BF%CE%BB%CE%BB%CE%B1%CF%80%CE%BB%CF%8E%CE%BD_%CF%80%CE%B7%CE%B3%CF%8E%CE%BD 2024-03-19T18:10:57Z

<p>Evangelos Arletos: Νέα σελίδα με ''''Πρωτότυπος τίτλος:''' Assessing forest recreational potential from social media data and remote sensing technologies data '''Συγγραφείς:''' J...'</p> <hr /> <div>'''Πρωτότυπος τίτλος:''' Assessing forest recreational potential from social media data and remote sensing technologies data<br /> <br /> '''Συγγραφείς:''' Jiqiu Deng 1 2, Yiwei Guo 1 2, Xiaoyan Chen 1 2, Liang Liu 1 2, Wenyi Liu 3 4 5 6 <br /> <br /> 1 Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring, Central South University, Ministry of Education, Changsha 410083, China<br /> <br /> 2 School of Geosciences and Info-Physics, Central South University, Ministry of Education, Changsha 410083, China<br /> <br /> 3 Henan Academy of Geology, Zhengzhou 450016, China<br /> <br /> 4 Henan Natural Resources Science and Technology Innovation Center (Multi-Source Remote Sensing Application Research), Zhengzhou 450016, China<br /> <br /> 5 The Geological Sub Center of Henan Data and Application Center of Earth Observation System with High Resolution, Zhengzhou 450016, China<br /> <br /> 6 The Seventh Geological Team of Henan Nonferrous Metals Geological Bureau, Zhengzhou 450016, China<br /> <br /> '''Δημοσιεύθηκε:''' Applied Sciences, 2024<br /> <br /> '''Σύνδεσμος πρωτότυπου κειμένου:''' [[https://doi.org/10.3390/rs13193956]]<br /> <br /> '''Λέξεις-κλειδιά:''' συγχώνευση δεδομένων πολλαπλών αισθητήρων, εγκατάλειψη γεωργικής γης, Χρονοσειρά NDVI '''<br /> <br /> '''Περίληψη'''<br /> <br /> Οι ορεινές περιοχές αποτελούν κρίσιμα στοιχεία του παγκόσμιου τοπίου, ωστόσο ορισμένες περιοχές αντιμετωπίζουν σημαντική εγκατάλειψη γης, θέτοντας προκλήσεις για την επισιτιστική ασφάλεια και τα μέσα διαβίωσης. Η χαρτογράφηση της εγκαταλελειμμένης γης σε αυτές τις περιοχές με τη χρήση εικόνων τηλεπισκόπησης είναι περίπλοκη λόγω του κατακερματισμού και της ρύπανσης από τα σύννεφα. Η παρούσα μελέτη προτείνει μια προσέγγιση που ενσωματώνει τη γραμμική έκταση (LS), τη σύνθεση μέγιστης τιμής (MVC) και την ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF) για την ανάλυση των αλλαγών χρονοσειρών και την εξαγωγή εγκαταλελειμμένων εκτάσεων. Οι εικόνες MOD09GA, MOD13Q1 και Sentinel-2 σχηματίζουν ένα μηνιαίο χωροχρονικό σύνολο δεδομένων 10 μέτρων. Δείκτες βλάστησης (VI) όπως ο NDVI, ο SAVI και ο NDWI προσδιορίζουν τις εγκαταλελειμμένες εκτάσεις, ενώ η ταξινόμηση με μηχανή διανύσματος υποστήριξης (SVM) τις διακρίνει από τις καλλιεργούμενες εκτάσεις και τις δασικές εκτάσεις. Η ενσωμάτωση των LS, MVC και FSDAF με SVM επιτυγχάνει συνολική ακρίβεια 88,1%, ξεπερνώντας το Sentinel-2 κατά 10,8-23,6% για την εξαγωγή εγκαταλελειμμένων εκτάσεων. Αυτή η μέθοδος προσφέρει τεχνική καθοδήγηση για τη χαρτογράφηση εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές και υποστηρίζει τις προσπάθειες για την καταπολέμηση της φτώχειας και την αναζωογόνηση της υπαίθρου.<br /> <br /> '''Εισαγωγή '''<br /> <br /> Το κείμενο που παρατίθεται περιγράφει τις προκλήσεις και τη σημασία της εξαγωγής της κατανομής των εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές με τη χρήση εικόνων τηλεπισκόπησης. Οι λοφώδεις περιοχές συχνά υποφέρουν από εγκατάλειψη γης λόγω τοπογραφικού περιθωρίου και ρύπανσης από σύννεφα, με επιπτώσεις στην επισιτιστική ασφάλεια και τα μέσα διαβίωσης. Ενώ η τηλεπισκόπηση έχει χρησιμοποιηθεί για το σκοπό αυτό, οι υπάρχουσες μέθοδοι αντιμετωπίζουν περιορισμούς, όπως η χαμηλή χωρική ανάλυση και η παρεμβολή των νεφών. Για την αντιμετώπιση αυτών των προκλήσεων, προτείνεται μια νέα προσέγγιση, η οποία ενσωματώνει τη γραμμική έκταση (LS), τη σύνθεση μέγιστης τιμής (MVC) και την ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF). Η προσέγγιση αυτή αποσκοπεί στην ανάλυση των αλλαγών χρονοσειρών και στην ακριβή εξαγωγή της κατανομής των εγκαταλελειμμένων εκτάσεων. Συγκεκριμένα, συγχωνεύονται οι εικόνες MODIS και Sentinel-2 για να αξιοποιηθεί η χρονική και χωρική τους ανάλυση. Το μοντέλο STARFM και οι παραλλαγές του, συμπεριλαμβανομένου του FSDAF, αξιοποιούνται για την αποτελεσματική ανάμειξη των δεδομένων Landsat και MODIS. Εξετάζεται επίσης η μέθοδος Improved Flexible Spatiotemporal Data Fusion (IFSDAF) για τη μεγιστοποίηση της χρήσης εικονοστοιχείων υψηλής ανάλυσης, παρά τα πιθανά σπασμωδικά σφάλματα. Στην παρούσα μελέτη, ως εγκαταλελειμμένη γη ορίζεται η ακαλλιέργητη καλλιεργούμενη γη ή η κατεστραμμένη δασική έκταση που παραμένει για περισσότερο από ένα έτος. Η γραμμική τάνυση και η MVC χρησιμοποιούνται για την αντιμετώπιση των διαφορών ακτινοβολίας και για την εξαγωγή μηνιαίων εκτιμήσεων της έκτασης φύτευσης. Η προτεινόμενη προσέγγιση ενσωματώνει αυτές τις τεχνικές με το FSDAF για την ανάλυση των αλλαγών σε χρονοσειρές και την ακριβή εξαγωγή της κατανομής των εγκαταλελειμμένων εκτάσεων. Η ταξινόμηση με μηχανή διανυσμάτων υποστήριξης (SVM) εφαρμόζεται χρησιμοποιώντας έναν συνδυασμό χαρτών χρήσεων γης, ορθοφωτογραφιών, εικόνων UAV και εικόνων χρονοσειρών Sentinel-2, MOD09GA και MOD13Q1 για την επικύρωση της εξαγόμενης κατανομής. Συνολικά, η μελέτη αποσκοπεί στην παροχή πολύτιμης υποστήριξης δεδομένων και συστάσεων στις τοπικές υπηρεσίες διαχείρισης γης για τον αποτελεσματικό σχεδιασμό και τη διαχείριση των χρήσεων γης σε λοφώδεις περιοχές.<br /> <br /> '''Υλικά και Μέθοδοι'''<br /> <br /> Το τεχνικό διάγραμμα ροής της μελέτης περιλαμβάνει τρία βασικά βήματα, όπως απεικονίζεται στο Σχήμα 1. Ο πρωταρχικός στόχος του βήματος 1 είναι να οριοθετηθεί το εύρος των δασικών και καλλιεργούμενων εκτάσεων και να συγκεντρωθούν δείγματα δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων με τη χρήση της πλατφόρμας ArcGIS. Το βήμα αυτό περιλαμβάνει τις ακόλουθες πτυχές: <br /> Διαλογή χαρακτηριστικών: Χρήση πληροφοριών χαρακτηριστικών για τον εντοπισμό των δασικών εκτάσεων και των καλλιεργούμενων εκτάσεων στο χάρτη κατανομής χρήσεων γης και στο προϊόν κάλυψης γης. Στη συνέχεια, τα αποτελέσματα αναλύονται με τη χρήση τεχνικών επικάλυψης για τη βελτίωση της ακρίβειας.Προσαρμογή χωρικής ανάλυσης: Δεδομένου ότι η χωρική ανάλυση των προαναφερθέντων δεδομένων είναι 30 μέτρα, είναι απαραίτητο να βελτιωθεί το εύρος των δασικών εκτάσεων και των καλλιεργούμενων εκτάσεων. Για τον σκοπό αυτό χρησιμοποιούνται ορθοφωτογραφίες της Google με χωρική ανάλυση 1,7 μέτρων λόγω της ικανότητάς τους να αναγνωρίζουν μικρά αγροτεμάχια. Η αλληλεπίδραση ανθρώπου-υπολογιστή χρησιμοποιείται στις ορθοφωτογραφίες της Google για την εξάλειψη των περιοχών που δεν αντιστοιχούν σε δασικές ή καλλιεργούμενες εκτάσεις.Διανυσματική κάλυψη: Τα διανυσματικά δεδομένα του OpenStreetMap, που περιέχουν πληροφορίες για δρόμους, κτίρια, υδάτινα σώματα και όχθες ποταμών, χρησιμοποιούνται για τη συγκάλυψη των επικαλυπτόμενων αποτελεσμάτων που προέκυψαν από τα προηγούμενα βήματα. Η επικάλυψη των αποτελεσμάτων της αλληλεπίδρασης ανθρώπου-υπολογιστή από τις ορθοφωτογραφίες της Google με τα διανυσματικά δεδομένα του OpenStreetMap βοηθά στην αφαίρεση των περιοχών που δεν είναι δασικές ή καλλιεργούμενες εκτάσεις. Εντοπισμός πιθανών εγκαταλελειμμένων περιοχών: Οι διαλεγμένες κατανομές των δασικών και καλλιεργούμενων εκτάσεων επικαλύπτονται σε εικόνες πραγματικού χρώματος από το Sentinel-2 για τον εντοπισμό περιοχών που ενδέχεται να είναι εγκαταλελειμμένες. Εννέα τυπικές περιοχές και προγραμματισμένες διαδρομές δειγματοληψίας πεδίου οριοθετούνται με βάση αυτή την ανάλυση. <br /> Συλλογή δειγμάτων: Δείγματα δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων λαμβάνονται μέσω της οριοθέτησης με τη χρήση χρονοσειρών εικόνων Sentinel-2, αλληλεπίδρασης ανθρώπου-υπολογιστή σε ορθοφωτογραφίες της Google, επιχειρήσεων UAV (μη επανδρωμένου εναέριου οχήματος) στις εννέα τυπικές περιοχές και δειγματοληψίας πεδίου στις περιοχές μελέτης.Ακολουθώντας αυτά τα βήματα, η μελέτη αποσκοπεί στον ακριβή εντοπισμό και τη συλλογή δειγμάτων δασικών εκτάσεων, καλλιεργούμενων εκτάσεων και εγκαταλελειμμένων εκτάσεων, τα οποία είναι απαραίτητα για την περαιτέρω ανάλυση και ταξινόμηση. Μέσω των επιλεγμένων δειγμάτων που απεικονίζονται στην Εικόνα 4, δημιουργήσαμε διαγράμματα καμπύλων χρονοσειρών των δεικτών βλάστησης (VI) για τα δάση, τις καλλιεργούμενες εκτάσεις και τις εγκαταλελειμμένες εκτάσεις με βάση τις μέσες τιμές των δειγμάτων. Οι μέγιστες και ελάχιστες τιμές αυτών των καμπυλών καταγράφηκαν με οριζόντιες γραμμές, όπως φαίνεται στην Εικόνα 7. <br /> <br /> '''Συζήτηση'''<br /> <br /> Παρουσιάζεται μια νέα προσέγγιση για την εξόρυξη εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές με την ενσωμάτωση δεδομένων τηλεπισκόπησης πολλαπλών πηγών και προηγμένων τεχνικών σύντηξης. Οι λοφώδεις περιοχές αντιμετωπίζουν συχνά προκλήσεις όπως η κατακερματισμένη γη και η ρύπανση από σύννεφα, γεγονός που καθιστά δύσκολη την ακριβή χαρτογράφηση των εγκαταλελειμμένων εκτάσεων. Στην παρούσα μελέτη, συνδυάστηκαν η γραμμική έκταση (Ls), η σύνθετη μέθοδος μέγιστης τιμής (MVC) και η ευέλικτη συγχώνευση χωροχρονικών δεδομένων (FSDAF) για την ανάλυση των χρονικών αλλαγών και την εξαγωγή της χωρικής κατανομής των εγκαταλελειμμένων εκτάσεων. Τα Sentinel-2, MOD09GA και MOD13Q1 χρησιμοποιήθηκαν για τη συγχώνευση ενός μηνιαίου συνόλου δεδομένων χωρικής ανάλυσης 10 m, ενώ οι δείκτες βλάστησης (VIs) χρησιμοποιήθηκαν για τον εντοπισμό εγκαταλελειμμένων εκτάσεων. Ο ταξινομητής διανυσματικής μηχανής υποστήριξης (SVM) εφαρμόστηκε για τη διάκριση των εγκαταλελειμμένων εκτάσεων από τις καλλιεργούμενες εκτάσεις και τις δασικές εκτάσεις. Η προτεινόμενη προσέγγιση πέτυχε συνολική ακρίβεια 88,1%, ξεπερνώντας τις μεθόδους μίας πηγής κατά 10,8-23,6% για την εξαγωγή εγκαταλελειμμένων εκτάσεων. Μέσω ερευνών πεδίου, εντοπίστηκαν οι λόγοι εγκατάλειψης γης και διατυπώθηκαν συστάσεις για την αντιμετώπιση του κατακερματισμού και τη βελτίωση της διαχείρισης των υδάτων. Η μελέτη αυτή καταδεικνύει τις δυνατότητες συγχώνευσης τηλεπισκοπικών δεδομένων πολλαπλών πηγών για την ακριβή χαρτογράφηση εγκαταλελειμμένων εκτάσεων, προσφέροντας πολύτιμες πληροφορίες για τη διαχείριση της γης και τις προσπάθειες διατήρησης σε λοφώδεις περιοχές. <br /> <br /> '''Επίλογος'''<br /> <br /> Στην παρούσα μελέτη, ο συνδυασμός των πηγών τηλεπισκοπικών δεδομένων Sentinel-2, MOD09GA και MOD13Q1 διευκόλυνε την εξαγωγή εγκαταλελειμμένων εκτάσεων σε λοφώδεις περιοχές, παρά τις προκλήσεις όπως η ρύπανση από σύννεφα και η ποικίλη βλάστηση. Μέσω της προσέγγισης Ls+MVC+FSDAF ελήφθησαν μηνιαίοι δείκτες βλάστησης (ndvi, savi και ndwi) με χωρική ανάλυση 10 m, επιτρέποντας την ταχεία και αξιόπιστη εξαγωγή εγκαταλελειμμένων εκτάσεων. Η μέθοδος αυτή προσφέρει πολύτιμες πληροφορίες για την τοπική παραγωγή τροφίμων και τη διαχείριση των εδαφικών πόρων σε λοφώδεις περιοχές που χαρακτηρίζονται από μικρά αγροτεμάχια και πολύπλοκα πρότυπα βλάστησης.<br /> <br /> Προχωρώντας προς τα εμπρός, η χρήση πλατφορμών επεξεργασίας σύννεφων μεγάλων δεδομένων, όπως η Google Earth Engine (GEE), θα είναι ζωτικής σημασίας για την εξαγωγή της χωροχρονικής κατανομής των εγκαταλελειμμένων εκτάσεων σε μεγαλύτερη κλίμακα και για μεγαλύτερες χρονοσειρές. Η ενσωμάτωση αλγορίθμων αφαίρεσης νεφών, τεχνικών συγχώνευσης τηλεπισκοπικών δεδομένων πολλαπλών πηγών και προηγμένων μοντέλων ταξινόμησης βαθιάς μάθησης θα βελτιώσει περαιτέρω την ακρίβεια της εξαγωγής εγκαταλελειμμένων εκτάσεων, παρέχοντας πολύτιμη υποστήριξη για τη διαχείριση της γης και τις προσπάθειες διατήρησης σε λοφώδεις περιοχές.<br /> <br /> [[Αρχείο:Gbisas4_foto7.png|200px|thumb|right|'''Εικόνα 7.''' Η οικονομική αξία των οικοσυστημικών υπηρεσιών αναψυχής στο πάρκο Cypress.]]<br /> <br /> <br /> [[category:ΔΠΜΣ ]]</div>

Evangelos Arletos http://147.102.106.44/rs/wiki/index.php/%CE%91%CF%81%CE%BB%CE%AD%CF%84%CE%BF%CF%82_%CE%95%CF%85%CE%AC%CE%B3%CE%B3%CE%B5%CE%BB%CE%BF%CF%82 2024-03-18T20:02:20Z

<p>Evangelos Arletos: Νέα σελίδα με 'Add Your Content Here category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)'</p> <hr /> <div>Add Your Content Here <br /> <br /> [[category:ΔΠΜΣ &quot;Περιβάλλον &amp; Ανάπτυξη&quot; (Μέτσοβο)]]</div>

Evangelos Arletos