RemoteSensing Wiki - Συνεισφορές χρήστη [el]

Γεωργαλάς Σπύρος

2013-02-10T06:52:00Z

Georgalas:

* [[Ενημέρωση τοπογραφικών χαρτών με χρήση δορυφορικών εικόνων του δέκτη SPOT 5]]

* [[Παρακολούθηση της λανθάνουσας ροής θερμότητας επιφανειών με στόχο την πρόβλεψη σεισμικών φαινομένων]]

* [[Εντοπισμός των κατεστραμμένων κτιρίων με χρήση δορυφορικών εικόνων υψηλής ανάλυσης στον σεισμό της Κεντρικής Τζάβα το 2006]]

* [[Δημιουργία μοντέλου πρόβλεψης κατολισθήσεων με χρήση τηλεπισκόπησης, GIS και γεωλογίας πεδίου]]

* [[Οπτική επιθεώρηση ζημιών σε κτίρια της πόλης Μπαμ με χρήση δορυφορικών εικόνων του δέκτη QuickBird μετά τον σεισμό του 2003 ]]

* [[Χρήση τηλεπισκοπικών μεθόδων στην προσπάθεια ανίχνευσης πετρελαιοκηλίδων.]]

* [[Αυτοματοποιημένη μέθοδος ταξινόμησης χρήσεων γης σε εικόνες Landsat με χρήση βάσεων δεδομένων χαρακτηριστικών γνωρισμάτων]]

* [[Χαρτογράφηση της πυκνότητας της βλάστησης ως δείκτη επικινδυνότητας εκδήλωσης πυρκαγιάς στα φαράγγια της πόλης Σαν Ντιέγκο.]]

* [[Χρήση εικόνων ραντάρ για την παρακολούθηση υπόγειων διεργασιών]]

* [[Διερεύνηση της θερμοκρασίας, των ουσιών και της στάθμης των υδάτων στην Κασπία θάλασσα μέσω μεθόδων τηλεπισκόπησης]]

* [[Εξαγωγή Οδικών δικτύων από δορυφορικές εικόνες και αεροφωτογραφίες μεγάλης διαχωριστικής ικανότητας με υψηλά επίπεδα θορύβου.]]

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

Γεωργαλάς Σπύρος

2013-02-10T06:51:20Z

Georgalas:

Γεωργαλάς Σπύρος

2013-02-10T06:48:39Z

Georgalas: Νέα σελίδα με '* Ενημέρωση τοπογραφικών χαρτών με χρήση δορυφορικών εικόνων του δέκτη SPOT 5 * [[Παρακολούθησ...'

Εξαγωγή Οδικών δικτύων από δορυφορικές εικόνες και αεροφωτογραφίες μεγάλης διαχωριστικής ικανότητας με υψηλά επίπεδα θορύβου.

2013-02-10T06:36:17Z

Georgalas: Νέα σελίδα με ''''Πηγή''' The University of Texas at Dallas '''Τίτλος κειμένου''' Extraction of Roads from High Resolution Aerial and Satellite Images with Heavy Noi...'

'''Πηγή'''

The University of Texas at Dallas

'''Τίτλος κειμένου'''

Extraction of Roads from High Resolution Aerial and Satellite Images with Heavy Noise

'''Συγγραφέας'''

Yan Li and Ronald Briggs

'''Εισαγωγή'''

Η εξαγωγή οδικών δικτύων από εικόνες ράστερ είναι ένα πάρα πολύ σημαντικό κομμάτι πολλών εργασιών GIS, το οποίο όμως αποδεικνύεται πολύ χρονοβόρο όταν πραγματοποιείται χειροκίνητα. Σε αυτή την εργασία γίνεται έρευνα για την εξαγωγή οδικών δικτύων από εικόνες υψηλής ανάλυσης, όπως δορυφορικές εικόνες και αεροφωτογραφίες. Μια εικόνα υψηλής ανάλυσης έχει συνήθως διαχωριστική ικανότητα από 0,5 μέχρι 1m. Με μια τέτοια διαχωριστική ικανότητα, η οδός δεν είναι πια μια λεπτή γραμμή, αντιθέτως αντικείμενα όπως αυτοκίνητα και δέντρα είναι εύκολα αναγνωρίσιμα. Εντούτοις, οι εικόνες αυτές αποτελούν σημαντική πρόκληση στην προσπάθεια αυτόματης εξαγωγής χαρακτηριστικών εξαιτίας της έμφυτης πολυπλοκότητας τους (πληθώρα αντικειμένων, οδοί με διαφορετικά φυσικά χαρακτηριστικά κ.λ.π). Δυστυχώς δεν υπάρχουν ακόμα μέθοδοι που να μπορούν να λύσουν αυτά τα προβλήματα αποτελεσματικά.
Οι περισσότερες από τις υπάρχουσες μεθόδους εξαγωγής βασίζονται στα όρια των οδών. Για οδούς με ευθεία και καθαρά όρια, αυτά μπορούν να προσδιοριστούν χρησιμοποιώντας αλγόριθμους ανίχνευσης ακμών. Επειδή όμως οι οδοί δεν έχουν συνήθως τέτοια χαρακτηριστικά, το αποτέλεσμα της ανίχνευσης ακμών είναι τόσο πολύπλοκο, όσο και η ίδια η εικόνα. Σε αυτό το άρθρο, αναπτύσσεται μια ολοκληρωμένη μελέτη αυτόματης εξαγωγής που εκμεταλλεύεται τη φύση των οδών. Η μέθοδος δεν βασίζεται στις ακμές ώστε να ανιχνεύσει τις οδούς, αλλά προσπαθεί να προσδιορίσει τα pixel που ανήκουν στην ίδια περιοχή οδών βασιζόμενη στο πως αυτά συσχετίζονται οπτικά και γεωμετρικά. Η οδός θεωρείται μια ομάδα παρόμοιων pixel. H ομοιότητα καθορίζεται από την γενική μορφή της περιοχής που ανήκουν οι οδοί, την περιοχή του φάσματος που ανήκουν και τα γεωμετρικά χαρακτηριστικά της περιοχής. Η μέθοδος εξετάζει αρχικά τα οπτικά και γεωμετρικά χαρακτηριστικά των pixels χρησιμοποιώντας μια νέα τεχνική που ονομάζεται κύκλος αναφοράς. Στη συνέχεια τα pixel κλειδιά, συγκεκριμένα τα κεντρικά pixel, προσδιορίζονται, ώστε να εκπροσωπήσουν κάθε περιοχή. Τέλος, οι περιοχές επαληθεύονται με βάση τους γενικούς οπτικούς και γεωμετρικούς περιορισμούς που σχετίζονται με τις οδούς.

'''Εφαρμογή'''

[[Εικόνα: SG_Roads_pic1.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 1: Παραδείγματα εικόνων υψηλής διαχωριστικής ικανότητας - αριστερά αεροφωτογραφία περιοχής της πόλης Ντάλλας, δεξιά εικόνα κατοικήσιμης περιοχής''']]

Οι υπάρχουσες μέθοδοι για την εξαγωγή οδικών δικτύων καλύπτουν μια μεγάλη ποικιλία στρατηγικών και χρησιμοποιούν διαφορετικής ανάλυσης δορυφορικές εικόνες και αεροφωτογραφίες. Γενικά, οι μέθοδοι χωρίζονται σε δύο γκρουπ: ημιαυτόματες και αυτόματες. Οι περισσότερες όμως από αυτές τις μεθόδους ερευνούν υποθέσεις σχετικά απλοϊκών οδικών δικτύων και απαιτούν οι οδοί να είναι εύκολα αναγνωρίσιμες στις εικόνες. Κατά συνέπεια, είναι ιδιαίτερα ευαίσθητες σε παρεμβάσεις όπως αυτοκίνητα, σκιές ή συγκλίσεις και δεν παρέχουν πάντα συνεπή και αξιόπιστα αποτελέσματα.
Ο στόχος της προτεινόμενης μεθόδου είναι να αναπτύξει μια πλήρη και πρακτική αυτόματη επίλυση του προβλήματος της εξαγωγής του οδικού δικτύου από υψηλής ανάλυσης δορυφορικές εικόνες και αεροφωτογραφίες. Η μέθοδος αποτελείται από δύο στάδια. Στο πρώτο στάδιο γίνεται εξαγωγή των οδών που είναι ευκολότερο να αναγνωριστούν, όπως οι κύριες οδικές αρτηρίες, και στο δεύτερο στάδιο των δυσκολότερων στην αναγνώριση οδών. Κάθε στάδιο εμπεριέχει τρία βασικά βήματα: φιλτράρισμα, κατάτμηση, ομαδοποίηση και οπτικοποίηση. Οι δύο παραδοχές που γίνονται είναι οι εξής:

''Οπτική παραδοχή'': Η πλειοψηφία των pixels της ίδιας οδού έχει παρόμοιες φασματικές υπογραφές που είναι αναγνωρίσιμες σε σχέση με τον περιβάλλοντα χώρο

''Γεωμετρική παραδοχή'': Η οδός είναι μια περιοχή που είναι σχετικά μακριά και στενή σε σύγκριση με άλλα αντικείμενα στην εικόνα.

'''Φιλτράρισμα'''

[[Εικόνα: SG_Roads_pic2.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 2: Κύκλοι αναφοράς''']]

[[Εικόνα: SG_Roads_pic3.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 3: Κεντρικά pixel''']]

Το βήμα του φιλτραρίσματος γίνεται για να αναγνωριστούν τα pixels - κλειδιά που πιθανόν ανήκουν σε ένα οδικό τμήμα. Οι δύο καινούργιες τεχνικές που προτείνονται εδώ είναι ο κύκλος αναφοράς και το κεντρικό pixel και βασίζονται στην ανίχνευση ακμών. Ο κύκλος αναφοράς για ένα pixel είναι ο μεγαλύτερος κύκλος με κέντρο το pixel, που δεν περιέχει κάποια ακμή. Κεντρικό pixel θεωρείται αυτό που έχει μεγαλύτερο κύκλο αναφοράς σε σχέση με τα γειτονικά του, σε μια περιοχή 3x3. Σε ιδανική περίπτωση όλα αυτά τα κεντρικά pixel όταν ενωθούν σχηματίζουν τον κεντρικό οδικό άξονα.

'''Κατάτμηση'''

[[Εικόνα: SG_Roads_pic4.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 4: Αποτέλεσμα κατάτμησης''']]

Στο στάδιο της κατάτμησης, επιβεβαιώνονται οι περιοχές που είναι πιθανά οδικά δίκτυα με βάση τα κεντρικά pixel. Αυτό γίνεται μέσα από γεωμετρικές αλλά και οπτικές παραδοχές. Για παράδειγμα ένας δρόμος που είναι επιμήκης, θα έχει ένα μεγάλο αριθμό κεντρικών pixel. Άρα μόνο οι περιοχές που έχουν μεγάλο ποσοστό κεντρικών pixel σε σχέση με τις μέσες ακτίνες των κύκλων, θα είναι υποψήφιες για να αποτελέσουν οδικά δίκτυα. Οπτικά, μπορούν να αποκλειστούν σε αυτό το στάδιο κάποιες περιοχές που προφανώς δεν αποτελούν οδικό τμήμα. Σε μια έγχρωμη απεικόνιση, για παράδειγμα τα δέντρα και η βλάστηση φαίνονται πράσινα. Επίσης οι περιοχές αυτές έχουν πολύ πιο τραχεία υφή από ένα οδικό τμήμα.

'''Ομαδοποίηση και οπτικοποίηση'''

[[Εικόνα: SG_Roads_pic5.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 5: Τελικό αποτέλεσμα ομαδοποίησης και οπτικοποίησης''']]

Μετά το στάδιο της κατάτμησης τα οδικά τμήματα είναι συνήθως ατελή και ασύνδετα εξαιτίας του θορύβου. Στο στάδιο αυτό, ομαδοποιούνται τα ημιτελή οδικά τμήματα για να προκύψουν τα αρτιότερα τελικά αποτελέσματα για την εξαγωγή των οδικών δικτύων. Τα βασικά προβλήματα εδώ είναι η ανίχνευση των οδικών τμημάτων που σχετίζονται μεταξύ τους και ο τρόπος με τον οποίο θα ομαδοποιηθούν. Και εδώ οι παραδοχές που γίνονται είναι γεωμετρικές αλλά και οπτικές. Αν για παράδειγμα, υπάρχει ένα μικρό κενό μεταξύ δύο όμοιων τμημάτων που βρίσκονται στην ίδια ευθεία, ο αλγόριθμος θα υποθέσει ότι πρέπει αυτά να ομαδοποιηθούν.
Το αποτέλεσμα όλων αυτών των διαδικασιών φαίνεται στην εικόνα 5 όπου έχει εξαχθεί το τελικό προϊόν με το σύνολο του οδικού δικτύου.

'''Σύνοψη'''

Στο παρόν άρθρο προτείνεται μία νέα αυτόματη μέθοδος εξαγωγής οδικών δικτύων που θα αντιμετωπίζει τα προβλήματα των υπαρχουσών τεχνικών, στηριζόμενη στα οπτικά και γεωμετρικά χαρακτηριστικά των οδών. Η προσέγγιση αυτή είναι αξιόπιστη και δεν απαιτεί εκ των προτέρων γνώση της κατάστασης του οδικού δικτύου και του περιβάλλοντος χώρου. Τέλος, είναι αποτελεσματική ακόμα και για πολύπλοκες αεροφωτογραφίες και δορυφορικές εικόνες.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Αρχείο:SG Roads pic5.jpg

2013-02-10T06:33:34Z

Georgalas:

Αρχείο:SG Roads pic4.jpg

2013-02-10T06:33:21Z

Georgalas:

Αρχείο:SG Roads pic3.jpg

2013-02-10T06:33:07Z

Georgalas:

Αρχείο:SG Roads pic2.jpg

2013-02-10T06:32:52Z

Georgalas:

Αρχείο:SG Roads pic1.jpg

2013-02-10T06:32:36Z

Georgalas:

Διερεύνηση της θερμοκρασίας, των ουσιών και της στάθμης των υδάτων στην Κασπία θάλασσα μέσω μεθόδων τηλεπισκόπησης

2013-02-10T06:21:57Z

Georgalas: Νέα σελίδα με ''''Πηγή''' Casp Info '''Τίτλος κειμένου''' Remote sensing data '''Θερμοκρασία στην επιφάνεια της θάλασσας''' [[...'

'''Πηγή'''

Casp Info

'''Τίτλος κειμένου'''

Remote sensing data

'''Θερμοκρασία στην επιφάνεια της θάλασσας'''

[[Εικόνα: SG_Caspiansea_pic1.jpg| thumb| right|'''ΕΙΚΟΝΑ 1: Επισκόπηση της θερμοκρασίας της Κασπίας Θάλασσας μέσω του δέκτη Modis''']]

Η θερμοκρασία της επιφάνειας της θάλασσας αποτελεί ουσιαστικά ένα θερμόμετρο της θάλασσας. Η θερμοκρασία αυτή αποτελεί μια πολύ σημαντική παράμετρο που βοηθάει: α) τους ωκεανογράφους να μελετήσουν την δυναμική των ωκεανών, β) τους μετεωρολόγους να προβλέψουν τον καιρό και το κλίμα, γ) τους αλιείς να εντοπίσουν τις περιοχές αλιείας και δ) τους φορείς χάραξης πολιτικής να σχεδιάσουν τη θαλάσσια χωροταξία. Ως παράδειγμα δίνεται μια λήψη του δέκτη Modis από τον αισθητήρα Terra, της περιοχής της Κασπίας θάλασσας.

'''Δείκτης Θαλάσσιων ουσιών'''

[[Εικόνα: SG_Caspiansea_pic2.jpg| thumb| right|'''ΕΙΚΟΝΑ 2: Επισκόπηση της συγκέντρωσης χλωροφύλλης στην Κασπία θάλασσα.''']]

Ο δείκτης θαλάσσιων ουσιών είναι ο δείκτης των ουσιών και των οργανισμών που βρίσκονται στο εσωτερικό των θαλασσών. Οι αποστολές των Esa ( δέκτης Meris) και Nasa (δέκτης Modis), εξασφαλίζουν ότι οι παρατηρήσεις δεν σταματούν αλλά δημιουργείται ένα συνεχές αρχείο για το μέλλον. Το θαλάσσιο χρώμα είναι μια πολύ σημαντική παράμετρος που βοηθάει: α) τους ωκεανογράφους να μελετήσουν το πετρέλαιο στους ωκεανούς, β) τις επιχειρήσεις να αξιολογήσουν τις περιβαλλοντικές επιδράσεις, γ) τους αλιείς να εντοπίσουν τις περιοχές αλιείας και δ) τους φορείς χάραξης πολιτικής να διαχειριστούν τους φυσικούς πόρους. Σαν παράδειγμα δίνεται μια εικόνα της συγκέντρωσης χλωροφύλλης που ελήφθη από τον δέκτη Modis του δορυφόρου Aqua στην Κασπία Θάλασσα. Η εικόνα δείχνει που υπάρχουν μικρές και μεγάλες συγκεντρώσεις χλωροφύλλης και αποτελεί μια ένδειξη του αριθμού των οργανισμών που είναι παρόντες.

'''Στάθμη της θάλασσας'''

[[Εικόνα: SG_Caspiansea_pic3.jpg| thumb| right|'''ΕΙΚΟΝΑ 3: Διάγραμμα διακύμανσης της στάθμης της Κασπίας θάλασσας στην περιοχή του Μπακού.''']]

Η στάθμη της Κασπίας θάλασσας αποτελεί ένα θέμα που προκαλεί αυξανόμενη ανησυχία στις πέντε χώρες που την περιβάλλουν (Αζερμπαϊτζάν, Δημοκρατία του Ιράν, Καζακστάν, Ρωσία και Τουρκμενιστάν). Η Κασπία θάλασσα υπόκειται σε σημαντικές διακυμάνσεις της στάθμης των υδάτων της που είχαν σοβαρές επιπτώσεις για τις χαμηλές και πυκνοκατοικημένες παραλιακές περιοχές, μετατοπίζοντας χιλιάδες ανθρώπους, καταστρέφοντας επενδύσεις στη βιομηχανία και τις υποδομές και προκαλώντας σοβαρούς κινδύνους μόλυνσης.
Το διάγραμμα δείχνει τη διακύμανση της επιφάνειας της θάλασσας στην περιοχή του Μπακού, όπου φαίνεται καθαρά η αύξηση της στάθμης κατά δύο μέτρα μεταξύ των ετών 1977 και 1995. Η στάθμη είναι τώρα σταθερή στο επίπεδο των -27. Οι μεταπτώσεις αυτές οφείλονται σε πολλούς παράγοντες όπως είναι οι κλιματικοί, οι ανθρωπογενείς και οι γεωλογικοί παράγοντες.
Η αλτιμετρία ραντάρ είναι μια σημαντική τεχνική για την επισκόπηση της στάθμης της θάλασσας. Η διαδικασία απαιτεί μια σειρά βημάτων ώστε να μετατραπούν τα αρχικά δεδομένα του δέκτη σε χρήσιμη πληροφορία για τη στάθμη της θάλασσας. Τα βήματα αυτά περιλαμβάνουν την αφαίρεση του θορύβου που προκαλείται από το όργανο, την ατμόσφαιρα και τον ωκεανό. Με τη συνεχή βελτίωση των συστημάτων, η αλτιμετρία ραντάρ είναι σε θέση να διεξάγει μετρήσεις στην επιφάνεια της ανοιχτής θάλασσας με ακρίβεια εκατοστού.
Η αλτιμετρία ραντάρ αντιμετωπίζει κάποια τεχνικά προβλήματα σε μικρά σώματα νερού. Η αιτία έγκειται στο ότι τα παλιά όργανα χρησιμοποιούνταν για εφαρμογή σε ανοιχτές θάλασσες. Η συνεχής ανάλυση και πρόοδος των συνόλων δεδομένων οδηγεί στην καλύτερη λειτουργία της μεθόδου για τις περιοχές αυτές. Η νέα κατηγορία αλτιμέτρων (π.χ. ALTIKA, Sentinel-3, SWOT, κ.λ.π.) υπόσχεται ακόμα πιο αυξημένες δυνατότητες.

[[category:Υδατικοί Πόροι]]

Αρχείο:SG Caspiansea pic3.jpg

2013-02-10T06:19:55Z

Georgalas:

Αρχείο:SG Caspiansea pic2.jpg

2013-02-10T06:19:41Z

Georgalas:

Αρχείο:SG Caspiansea pic1.jpg

2013-02-10T06:18:53Z

Georgalas:

Χρήση εικόνων ραντάρ για την παρακολούθηση υπόγειων διεργασιών

2013-02-10T06:12:10Z

Georgalas: Νέα σελίδα με ''''Πηγή''' Science and Technology Review '''Τίτλος κειμένου''' Monitoring Earth’s Subsurface from space '''Συγγραφέας''' Gabriele Rennie...'

'''Πηγή'''

Science and Technology Review

'''Τίτλος κειμένου'''

Monitoring Earth’s Subsurface from space

'''Συγγραφέας'''

Gabriele Rennie

'''Εισαγωγή'''

Από το 1945 που οι αμερικανοί επιστήμονες διεξήγαγαν την πρώτη πυρηνική τους δοκιμή, τα έθνη έχουν υπογράψει μια σειρά από συνθήκες για την μείωση του πεδίου των πυρηνικών δοκιμών καθώς και την πλήρη εξάλειψή τους. Οι ΗΠΑ, αν και δεν έχουν επικυρώσει τη συνθήκη του 1966 για την απαγόρευση κάθε είδους πυρηνικών δοκιμών (CTBT), κάνουν μια σημαντική προσπάθεια να παρακολουθήσουν παγκοσμίως τις πυρηνικές εκρήξεις. Η ανίχνευση και ο προσδιορισμός των σεισμικών γεγονότων είναι μια από τις κυρίαρχες μεθόδους στην προσπάθεια αυτή.
Η πιθανότητα πραγματοποίησης μιας πυρηνικής δοκιμής με παράλληλη σκόπιμη μείωση των σεισμικών της σημάτων, έχει οδηγήσει στην ανάπτυξη εργαλείων που συμπληρώνουν τις υπάρχουσες τεχνικές παρακολούθησης σεισμικών φαινομένων. Επιπλέον, τα εργαλεία αυτά αυξάνουν την ακρίβεια ανίχνευσης και προσδιορισμού των υπόγειων εκρήξεων. Ένα τέτοιο εργαλείο είναι η χρήση ραντάρ εικόνων από δορυφόρους, για την ανίχνευση κάθετων μετατοπίσεων της επιφάνειας. Τέτοιες μετατοπίσεις μπορεί αν είναι μικρότερες από 1 cm και προκαλούνται από υπόγειες διεργασίες.

'''Μεθοδολογία'''

[[Εικόνα: SG_InSAR_pic1.jpg| thumb| right|'''ΕΙΚΟΝΑ 1: Η InSAR εικόνα που παράγεται βασίζεται σε 2 εικόνες ραντάρ που έχουν ληφθεί από την ίδια οπτική γωνία σε διαφορετικές χρονικές στιγμές. Τα χρωματικά μοτίβα δείχνουν μετατόπιση που προέκυψε από κάποιο σεισμικό φαινόμενο. Κάθε μοτίβο (ένας κύκλος όλων των χρωμάτων) αντιπροσωπεύει 2,8 cm κάθετης στην επιφάνειας μετατόπισης. Προσθέτοντας τα μοτίβα, υπολογίζεται η συνολική μετατόπιση.''']]

Η τεχνική που χρησιμοποιείται ονομάζεται interferometric synthetic aperture radar (InSAR) και χρησιμοποιείται για την παρακολούθηση της επιφάνειας της γης και την ανίχνευση μυστικών υπόγειων πυρηνικών δοκιμών.
Ο δορυφόρος Seasat που εκτοξεύθηκε το 1978, ήταν ο πρώτος που χρησιμοποιούσε μια νέα τεχνολογία ραντάρ που ονομάζεται ραντάρ συνθετικών ανοιγμάτων (SAR). Το σύστημα SAR αποτελείται από έναν μεγάλο δέκτη που συγκεντρώνει μια σειρά από επιστροφές ραντάρ σημάτων καθώς ο δορυφόρος κινείται στην τροχιά του, γεγονός που οδηγεί σε αυξημένη ανάλυση εικόνας. Μια κινούμενη κεραία SAR δύναται να λαμβάνει επιστροφές σε δύο διευθύνσεις δημιουργώντας δισδιάστατες εικόνες. Τα σήματα που εκπέμπει μια SAR κεραία έχουν μια μετατόπιση Doppler καθώς ανακλώνται πίσω σε αυτήν. Αυτό σημαίνει ότι τα μικροκύματα που λαμβάνει η κεραία μπροστά από το δορυφόρο έχουν μεγαλύτερες συχνότητες (θετική μετατόπιση Doppler), ενώ αυτά που λαμβάνονται πίσω από τον δορυφόρο έχουν μικρότερες (αρνητική μετατόπιση Doppler). Η μετατόπιση Doppler είναι μηδενική για τα κύματα που λαμβάνονται ακριβώς μπροστά από την κεραία του δορυφόρου. Η μηδενική τιμή επιτρέπει τη σωστή τοποθέτηση κάθε επιστροφής σήματος κατά μήκος της τροχιάς του δορυφόρου. Με αυτόν τον τρόπο οι ερευνητές δημιουργούν μια δισδιάστατη εικόνα SAR.
Το επόμενο βήμα είναι η μετατροπή των δεδομένων SAR σε χάρτες που να δείχνουν τις μετατοπίσεις στην επιφάνεια της Γης. Οι ερευνητές αρχικά ψάχνουν για κοινά σημεία μεταξύ 2 SAR εικόνων. Στη συνέχεια εφαρμόζουν κάποιους αλγόριθμους για να εντοπίσουν τη διαφορά φάσης. Όταν δύο εικόνες SAR της ίδιας περιοχής λαμβάνονται από παραπλήσιες γωνίες λήψης, τότε αυτές μπορούν να συνδυαστούν pixel με pixel. Η διαδικασία αυτή δημιουργεί κάποια χαρακτηριστικά μοτίβα και η καινούργια εικόνα ονομάζεται ιντερφερόγραμα. Κάθε μοτίβο απεικονίζεται στην εικόνα σαν ένας κύκλος χρωμάτων, όπου κάθε κύκλος αντιπροσωπεύει 2,8 cm κάθετης μετατόπισης της επιφάνειας. Όσο μεγαλύτερη είναι η μετατόπιση, τόσο πιο κοντά είναι μεταξύ τους τα μοτίβα. Με αυτήν τη μέθοδο, οι ερευνητές δημιουργούν έναν δισδιάστατο χάρτη μετατοπίσεων για επιφάνειες μεγαλύτερες από 10000 km2. Προσθέτοντας αυτά τα μοτίβα μπορούν να προσδιορίσουν την συνολική μετατόπιση του εδάφους.

'''Διερεύνηση των Σεισμικών υπογραφών'''

[[Εικόνα: SG_InSAR_pic2.jpg| thumb| right|'''ΕΙΚΟΝΑ 2: Εικόνα InSAR όπου έχει σημανθεί (τρίγωνο) το διορθωμένο επίκεντρο του σεισμού του 1998 στο Ιράν κατά 20km σε σχέση με τις μετρήσεις (αστέρια) των σεισμογράφων.''']]

Στην προσπάθεια παρακολούθησης των πυρηνικών δοκιμών παγκοσμίως, έχουν μελετηθεί ιδιαίτερα οι διαφορές των υπογραφών που παράγονται από τους σεισμούς. Οι σεισμοί και οι υπόγειες εκρήξεις διαφέρουν σε 4 σημεία. Οι εκρήξεις συνήθως συμβαίνουν σε απόσταση λίγων χιλιομέτρων από την επιφάνεια της Γης και παράγουν σφαιρικά συμμετρικά σήματα, ενώ οι σεισμοί ενδέχεται να γίνουν σε πολύ μεγαλύτερες αποστάσεις και παράγουν σήματα κατά μήκος των ασυνεχειών του εδάφους. Ακόμα, οι ελαστικές ιδιότητες του βράχου μετά από ένα σεισμό ή μια έκρηξη τείνουν να διαφέρουν. Τέλος οι εκρήξεις έχουν πολύ μικρότερη διάρκεια από τους σεισμούς. Με βάση αυτές τις διαφορές, οι επιστήμονες έχουν διεξάγει μια σειρά από μετρήσεις που τους επιτρέπουν να διακρίνουν και να ξεχωρίζουν τις εκρήξεις από τις σεισμικές δονήσεις.
Γενικότερα η μέθοδος InSAR δίνει στους ερευνητές σημαντικές πληροφορίες για τον ακριβή εντοπισμό του επικέντρου μιας σεισμικής δραστηριότητας. Για παράδειγμα, με την μέθοδο αυτή, έγινε διόρθωση κατά 20 km του επικέντρου που είχε δοθεί για τον σεισμό που έγινε στο Ιράν το 1998.

'''Συμπεράσματα'''

Η μέθοδος InSAR έχει γίνει ένα σταθερό εργαλείο για την χαρτογράφηση αλλαγών στην επιφάνεια της Γης από σεισμικές δραστηριότητες. Πέρα από την χρησιμότητά της για την διερεύνηση υπόγειων πυρηνικών δοκιμών, διεξάγεται έρευνα για την επέκτασή της και σε άλλες εφαρμογές. Μια από αυτές είναι η δυνατότητα εντοπισμού υπόγειων δραστηριοτήτων, όπως κάποιο τούνελ, τα οποία είναι δύσκολο να ανακαλυφθούν με οπτικές μεθόδους λόγω της μικροσκοπικής παραμόρφωσης που προκαλούν στην επιφάνεια του εδάφους. Τέλος, γίνεται προσπάθεια να αναπτυχθεί ένα νέο σύστημα που ονομάζεται δυναμικό InSAR, που μπορεί να παράξει μοτίβα μετατόπισης κατά τη διάρκεια πραγματοποίησης ενός φαινομένου. Μια τέτοια εξέλιξη θα έχει τεράστια εφαρμογή στην προσπάθεια έγκαιρης ανίχνευσης μεγάλων φυσικών κινδύνων όπως σεισμοί, ηφαίστεια και τσουνάμι.

[[category:Διαχείριση κινδύνων]]

Αρχείο:SG InSAR pic2.jpg

2013-02-10T06:09:48Z

Georgalas:

Αρχείο:SG InSAR pic1.jpg

2013-02-10T06:09:17Z

Georgalas:

Χαρτογράφηση της πυκνότητας της βλάστησης ως δείκτη επικινδυνότητας εκδήλωσης πυρκαγιάς στα φαράγγια της πόλης Σαν Ντιέγκο.

2013-02-09T17:24:40Z

Georgalas: Νέα σελίδα με ''''Πηγή''' International Society for Photogrammetry and Remote Sensing '''Τίτλος κειμένου''' Vegetation Fire Fuels Mapping in the San Diego City Canyo...'

'''Πηγή'''

International Society for Photogrammetry and Remote Sensing

'''Τίτλος κειμένου'''

Vegetation Fire Fuels Mapping in the San Diego City Canyons – A Method Comparison

'''Συγγραφέας'''

M. Neubert, S. Kropp, S. Wagenknecht, D. Stow, L. Coulter

'''Εισαγωγή'''

Οι καταστροφικές πυρκαγιές αποτελούν μεγάλη απειλή για τη ζωή, τις περιουσίες και τα φυσικά διαθέσιμα της Νότιας Καλιφόρνιας. Στην πόλη Σαν Ντιέγκο οι κάτοικοι είναι υποχρεωμένοι να καθαρίσουν ή να μειώσουν τη βλάστηση σε μια ζώνη 30m από τις ιδιοκτησίες τους ώστε να μειωθεί ο κίνδυνος από μια πιθανή πυρκαγιά. Στην προσπάθεια ανίχνευσης των περιοχών που ενέχουν υψηλό κίνδυνο εκδήλωσης πυρκαγιάς, το κέντρο διάσωσης της πόλης επιδιώκει τη χαρτογράφηση της πυκνότητας της βλάστησης που αντιπροσωπεύει διαφορετικές κατηγορίες κινδύνου. Η χαρτογράφηση αυτή βασίζεται μέχρι τώρα στη χονδροειδή ερμηνεία αεροφωτογραφιών.
Στο παρόν άρθρο γίνεται προσπάθεια να χρησιμοποιηθούν τηλεπισκοπικές εικόνες υψηλής χωρικής ανάλυσης με σκοπό την λεπτομερή χαρτογράφηση της βλάστησης σε φαράγγια πόλεων και άλλες περιπτώσεις γειτονίας αστικών – ακαλλιέργητων εκτάσεων. Παράλληλα, αναλύεται η καταλληλότητα διαφορετικών πολυφασματικών τηλεπισκοπικών εικόνων για την χαρτογράφηση της πυκνότητας της βλάστησης. Επιπλέον, επιδιώκεται η χρήση της καταλληλότερης μεθόδου ταξινόμησης. Τέλος, ερευνώνται και οι δείκτες βλάστησης και περισσότερο η διαφοροποίηση μεταξύ δέντρων και θάμνων που θα αυξήσει την ποιότητα του χάρτη επικινδυνότητας.

'''Περιοχή μελέτης και δεδομένα'''

[[Εικόνα: SG_SanDiego_pic1.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 1: Σαρωμένη υπέρυθρη αεροφωτογραφία''']]

[[Εικόνα: SG_SanDiego_pic2.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 2: Ψηφιακή αεροφωτογραφία ADS40''']]

[[Εικόνα: SG_SanDiego_pic3.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 3: Δορυφορική εικόνα του δέκτη Quickbird''']]

[[Εικόνα: SG_SanDiego_pic4.jpg‎| thumb| right|'''ΠΙΝΑΚΑΣ 1: Χαρακτηριστικά των εικόνων που χρησιμοποιήθηκαν στην εργασία''']]

Το Σαν Ντιέγκο βρίσκεται στην πολιτεία της Καλιφόρνια στα Νοτιοδυτικά των Ηνωμένων Πολιτειών Αμερικής. Οι ζώνες γύρω από την πόλη χαρακτηρίζονται από κοιλάδες και λόφους. Αν οι κοιλάδες και οι λόφοι επεκτείνονται προς το αστικό περιβάλλον, χαρακτηρίζονται ως φαράγγια πόλεων. Επιλέχθηκαν 2 περιοχές μελέτης στην πόλη.
Τα δεδομένα αποτελούνται από 3 διαφορετικές εικόνες υψηλής ανάλυσης με διαχωριστική ικανότητα μικρότερη από 1m:

• Μια σαρωμένη υπέρυθρη αεροφωτογραφία (εικόνα 1)

• Μια ψηφιακή αεροφωτογραφία ADS40 (εικόνα 2)

• Μια δορυφορική εικόνα του δέκτη Quickbird (εικόνα 3)

Στον πίνακα 1 φαίνονται τα γεωμετρικά, φασματικά και ραδιομετρικά χαρακτηριστικά των τριών παραπάνω εικόνων.

'''Εφαρμογή'''

[[Εικόνα: SG_SanDiego_pic5.jpg| thumb| right|'''ΠΙΝΑΚΑΣ 2: Δείκτες βλάστησης που χρησιμοποιήθηκαν στην εργασία''']]

Σύμφωνα με το μοντέλο που έχει δημιουργηθεί από το κέντρο πρόληψης του Σαν Ντιέγκο, δημιουργούνται 5 κλάσεις. Οι πληροφορίες που λαμβάνονται υπόψη αφορούν στη γενική βλάστηση, στην τοπογραφία, στα κτίρια, στις διαθέσιμες πηγές προστασίας από πυρκαγιά, στις χρήσεις και σε άλλους παράγοντες. Οι κλάσεις που σχηματίζονται είναι οι εξής:

1. Καθόλου - Βλάστηση ανθεκτική σε πυρκαγιά.

2. Λίγο – γρασίδι, αραιή βλάστηση που καίγεται γρήγορα αλλά χαμηλά.

3. Μέσο – χαμηλοί θάμνοι που καίγονται γρήγορα με μικρές θερμοκρασίες.

4. Πολύ - Δέντρα και θάμνοι μέσης πυκνότητας που καίγονται γρήγορα με μεγάλες θερμοκρασίες.

5. Τεράστιο – Δέντρα και θάμνοι με μεγάλη πυκνότητα που καίγονται γρήγορα σε μεγάλα ύψη και υψηλές θερμοκρασίες.

Επιπλέον δημιουργήθηκε ένας χάρτης καλύψεων γης με επιτόπια έρευνα με σκοπό να εκτιμηθεί η ακρίβεια των αποτελεσμάτων της ταξινόμησης. Στη συνέχεια, οι ταξινομήσεις που πραγματοποιήθηκαν ώστε να εκτιμηθεί η καταλληλότερη ήταν οι εξής: μη επιβλεπόμενη (Isodata), επιβλεπόμενη ( μέγιστης πιθανοφάνειας, ελάχιστης απόστασης, παραλληλεπιπέδου), fuzzy-logic, segment-based και rule-based.
Επιπρόσθετα, αξιολογήθηκαν κάποιοι δείκτες βλάστησης ώστε να διαπιστωθεί η ικανότητά τους να βελτιώσουν την ακρίβεια των αποτελεσμάτων. Οι δείκτες που χρησιμοποιήθηκαν φαίνονται στον πίνακα 2. Ο τελευταίος στόχος της εργασίας ήταν η δημιουργία μιας μεθόδου διαφοροποίησης των θόλων που σχηματίζουν τα ψηλά δέντρα από αυτούς των θάμνων. Λόγω της μεγάλης ομοιότητας των δύο αυτών ειδών, είναι δύσκολος ο διαχωρισμός τους τόσο φασματικά όσο και από άποψη υφής. Η κεντρική ιδέα της μεθόδου είναι η ανίχνευση των ψηλών δέντρων με βάση την παρακείμενη σκιά που σχηματίζουν.

'''Αποτελέσματα'''

[[Εικόνα: SG_SanDiego_pic6.jpg‎| thumb| right|'''ΠΙΝΑΚΑΣ 3: Τελικές ακρίβειες ταξινόμησης για όλους τους ταξινομητές και όλες τις εικόνες''']]

[[Εικόνα: SG_SanDiego_pic7.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 4: Αρχική εικόνα ADS40 (επάνω), αποτέλεσμα ταξινόμησης segment - based (μέσο), χάρτης-υπόβαθρο (κάτω) - κλάσεις ταξινόμησης: 1-άσπρο, 2-ανοιχτό καφέ, 3-ανοιχτό κόκκινο, 4-μοβ, 5-κόκκινο''']]

Οι ταξινομήσεις που έγιναν για κάθε εικόνα και με κάθε μέθοδο, εκτιμήθηκαν με βάση το χάρτη που δημιουργήθηκε από την επιτόπια έρευνα. Οι τελικές ακρίβειες παρουσιάζονται στον πίνακα 3. Όλες οι τιμές βρίσκονται μεταξύ των ποσοστών 51% και 68%. Η μικρότερη ακρίβεια προέκυψε από την ταξινόμηση ελάχιστης απόστασης για την σαρωμένη υπέρυθρη αεροφωτογραφία, ενώ η μέγιστη ακρίβεια επιτεύχθηκε από την segment-based ταξινόμηση της ψηφιακής εικόνας ADS40. Γενικότερα, συγκρίνοντας τις ακρίβειες αποδείχθηκε πως η συγκεκριμένη ψηφιακή εικόνα ήταν η καταλληλότερη. Εντούτοις, η επιλογή δεδομένων εξαρτάται και από άλλους παράγοντες όπως η διαθεσιμότητα και το κόστος. Όσον αφορά στις ακρίβειες για κάθε τύπο ταξινόμησης, διαφαίνεται ότι καταλληλότερες είναι η μη επιβλεπόμενη ταξινόμηση, η segment-based και η rule-based. Συνολικά, τα αποτελέσματα των ταξινομήσεων, συγκρινόμενα με άλλες διεξαχθείσες έρευνες, χαρακτηρίζονται μέτρια ως προς τις ακρίβειες που έχουν επιτευχθεί.
Για να εκτιμηθεί ο αριθμός των σωστά εντοπισμένων δέντρων, έγινε μια αξιολόγηση βασισμένη στα pixel της εικόνας και μία στα αντικείμενα αυτής. Οι ακρίβειες που επιτεύχθηκαν και από τις 2 τεχνικές ήταν αρκετά χαμηλές. Κατά συνέπεια, κρίνεται πως η προτεινόμενη μέθοδος για την ανίχνευση των θόλων των δέντρων με βάση την παρακείμενη σκιά δεν είναι κατάλληλη.

''Δυνατότητες αύξησης της ακρίβειας των ταξινομήσεων''

Καθώς οι ακρίβειες της διαδικασίας δεν ήταν ιδιαίτερα υψηλές, έγιναν κάποιες προσπάθειες με σκοπό τη βελτίωσή τους. Αρχικά, έγινε εισαγωγή των δεικτών βλάστησης που παρουσιάστηκαν προηγουμένως. Αποδείχθηκε ότι ο κανονικοποιημένος δείκτης βλάστησης (NDVI) είναι ο καταλληλότερος αλλά όταν προστέθηκε στη διαδικασία, οι ακρίβειες έμειναν σχεδόν αναλλοίωτες ((+/- 1-2 %). Στη συνέχεια, δημιουργήθηκε ένας νέος, λεπτομερής και μεγάλης ακρίβειας χάρτης χρήσεων γης στο πεδίο καθώς ο προηγούμενος χάρτης ενδέχεται να περιείχε λάθη. Πράγματι οι ακρίβειες των ταξινομήσεων βελτιώθηκαν μέχρι και το ποσοστό του 20% και ιδιαίτερα η ταξινόμηση rule-based για την εικόνα ADS40. Η τρίτη δοκιμή που έγινε περιελάμβανε τη συνένωση κλάσεων. Έτσι, συνενώθηκαν οι κλάσεις 2 και 3 καθώς και οι κλάσεις 4 και 5 και οι ακρίβειες βελτιώθηκαν κατά 22% κατά μέσο όρο για όλες τις εικόνες και όλους τους ταξινομητές
Η επόμενη τεχνική βελτίωσης αφορά στην ταξινόμηση ενός μόνο συγκεκριμένου τύπου χρήσης γης, του γρασιδιού που έχει συνολικά υψηλές ακρίβειες. Για την δορυφορική εικόνα του δέκτη Quickbird, επιτεύχθηκαν ακρίβειες της τάξης του 84% για την rule-based ταξινόμηση και 87% για την segment-based. Τέλος, προστέθηκαν και δεδομένα Lidar τα οποία σε συνδυασμό με την πολυφασματική εικόνα ADS40 έδωσαν ακρίβεια 84% για όλες τις κλάσεις.

'''Συμπεράσματα'''

Ο βασικός στόχος της έρευνας ήταν να εκτιμηθεί η καταλληλότητα των τηλεπισκοπικών πολυφασματικών εικόνων υψηλής διαχωριστικής ικανότητας για ταξινόμηση της πυκνότητας της βλάστησης. Η έρευνα κατέδειξε πως οι εικόνες αυτές είναι κατάλληλες, καθώς επετεύχθη μια ικανοποιητική ταξινόμηση. Ακόμα καλύτερα αποτελέσματα μπορούν να εξαχθούν αν γίνει συνδυασμός ακριβούς και λεπτομερούς χάρτη χρήσεων γης καθώς και δεδομένων Lidar. Η καλύτερη εικόνα για την συγκεκριμένη διαδικασία αποδείχθηκε πως ήταν η ADS40 και η καλύτερη ταξινόμηση ήταν η μη επιβλεπόμενη. Εντούτοις, αν διατίθενται κάποια επιπλέον δεδομένα ή αν πρέπει να ανιχνευθούν συγκεκριμένα αντικείμενα της εικόνας προτείνεται ο συνδυασμός μιας προσέγγισης με κατάτμηση της εικόνας και rule-based ταξινόμησης. Τέλος, ο στόχος της ανίχνευσης των θόλων των δέντρων δεν ήταν εφικτός.

[[category:Διαχείριση κινδύνων]]

Αρχείο:SG SanDiego pic7.jpg

2013-02-09T17:12:47Z

Georgalas:

Αρχείο:SG SanDiego pic6.jpg

2013-02-09T17:12:32Z

Georgalas:

Αρχείο:SG SanDiego pic5.jpg

2013-02-09T17:12:09Z

Georgalas:

Αρχείο:SG SanDiego pic4.jpg

2013-02-09T17:11:51Z

Georgalas:

Αρχείο:SG SanDiego pic3.jpg

2013-02-09T17:11:38Z

Georgalas:

Αρχείο:SG SanDiego pic2.jpg

2013-02-09T17:11:23Z

Georgalas:

Αρχείο:SG SanDiego pic1.jpg

2013-02-09T17:10:57Z

Georgalas:

Αυτοματοποιημένη μέθοδος ταξινόμησης χρήσεων γης σε εικόνες Landsat με χρήση βάσεων δεδομένων χαρακτηριστικών γνωρισμάτων

2013-02-09T16:51:10Z

Georgalas: Νέα σελίδα με ''''Πηγή''' International Society for Photogrammetry and Remote Sensing '''Τίτλος κειμένου''' Automatic Land-Cover Classification of Landsat ImagesUsin...'

'''Πηγή'''

International Society for Photogrammetry and Remote Sensing

'''Τίτλος κειμένου'''

Automatic Land-Cover Classification of Landsat ImagesUsing Feature Database in a Network

'''Συγγραφείς'''

G. W. Yoon, S. I. Cho, G. J. Chae, J. H. Park

'''Εισαγωγή'''

Η τεχνολογία της τηλεπισκόπησης προσφέρει μια μεγάλη ποικιλία ψηφιακών εικόνων, οι οποίες καλύπτουν το μεγαλύτερο μέρος της επιφάνειας της γης. Οι εικόνες αυτές αποτελούν ένα πολλά υποσχόμενο εργαλείο για την παραγωγή χαρτών ακριβείας χρήσεων/καλύψεων γης. Η μέγιστη αξιοποίηση αυτών των δεδομένων γίνεται με χρήση αυτοματοποιημένων και αποτελεσματικών μεθόδων ταξινόμησης και κυρίως των ταξινομήσεων που βασίζονται στα pixel της εικόνας. Σήμερα γίνεται έρευνα πάνω σε ένα νέο είδος ταξινομήσεων, τις ταξινομήσεις με βάση τα αντικείμενα της εικόνας. Η βασική αρχή της νέας τεχνικής είναι η χρήση σημαντικών πληροφοριών (σχήμα, υφή και συναφείς πληροφορίες) που βρίσκονται στα αντικείμενα της εικόνας.

'''Ταξινόμηση με βάση τα αντικείμενα'''

[[Εικόνα: SG_classification_pic1.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 1: Εικόνα Landsat ΤΜ της περιοχής μελέτης''']]

Η ταξινόμηση με βάση τα αντικείμενα στηρίζεται στην ιδέα πως οι απαραίτητες πληροφορίες για την ερμηνεία μιας εικόνας δεν αντιπροσωπεύονται στα pixel της εικόνας αλλά στα αντικείμενα της και στις αμοιβαίες σχέσεις τους. Η ανάλυση της εικόνας βασίζεται σε περιοχές της εικόνας που παρουσιάζουν ομοιογένεια και οι οποίες δημιουργούνται με κατάτμηση. Τα αντικείμενα της εικόνας χαρακτηρίζονται από πολύ περισσότερες χρήσιμες ιδιότητες όπως μορφή, υφή, γειτονιά η πλαίσιο σε σχέση με τα μεμονωμένα pixel που χαρακτηρίζονται μόνο από τη φασματική υπογραφή.

''Κατάτμηση''

Τα παρακείμενα και παρόμοια pixel συναθροίζονται σε κομμάτια υπό την προϋπόθεση ότι η ετερογένεια των φασματικών υπογραφών ελαχιστοποιείται σε αυτό το βήμα. Τα γειτονικά τμήματα συνενώνονται επίσης εφόσον η ετερογένεια δεν ξεπερνάει κάποιο προκαθορισμένο όριο.

''Ταξινόμηση''

Συνήθως η ταξινόμηση αποτελεί την προσθήκη αντικειμένων σε μια συγκεκριμένη κλάση ανάλογα με την περιγραφή της κλάσης αυτής και τα χαρακτηριστικά που έχουν οριστεί για αυτήν. Κατά συνέπεια κάθε αντικείμενο ανήκει σε μία ή σε καμία κλάση. Οι μέθοδοι ταξινόμησης χωρίζονται σε σκληρές (μέγιστη πιθανοφάνεια, ελάχιστη απόσταση, παραλληλεπίπεδο) και μαλακές (κυρίως συγκεχυμένα συστήματα η ταξινομητές Bayes), ανάλογα με την κλίμακα που χρησιμοποιούν για την ένταξη αντικειμένων στις κλάσεις.

'''Εφαρμογή'''

[[Εικόνα: SG_classification_pic2.jpg| thumb| right|'''ΕΙΚΟΝΑ 2: Χάρτης χρήσεων γης ως υπόβαθρο της έρευνας''']]

[[Εικόνα: SG_classification_pic3.jpg| thumb| right|'''ΕΙΚΟΝΑ 3: Χάρτες ταξινομήσεων της περιοχής μελέτης: (α) χάρτης χρήσεων γης που χρησιμοποιήθηκε ως υπόβαθρο, (β) χάρτης ταξινόμησης με τη μέθοδο της βάσης δεδομένων χαρακτηριστικών γνωρισμάτων, (γ) χάρτης ταξινόμησης βάσει των pixel της εικόνας''']]

''Δεδομένα και περιοχή μελέτης''

Η περιοχή μελέτης εντάσσεται γύρω από την πόλη Daejeon στο μέσο της χερσονήσου της Κορέας και περιλαμβάνει αστικές, γεωργικές, δασικές και άλλες εκτάσεις. Η ταξινόμηση για την περιοχή έγινε με χρήση των λήψεων του δέκτη Landsat TM στις 13 Μαρτίου 2000. Επιπλέον, χρησιμοποιήθηκε ένας χάρτης χρήσεων γης μεγάλης κλίμακας (1:50000) σαν υπόβαθρο για την ταξινόμηση. Ο χάρτης αποτελείται από 7 κλάσεις: αστική έκταση, δασική έκταση, χλόη, γεωργική έκταση, υγρότοπος, άγονη έκταση και νερό.

''Κατασκευή βάσης δεδομένων χαρακτηριστικών γνωρισμάτων''

Στην επιβλεπόμενη ταξινόμηση γίνεται επιλογή περιοχών εκπαίδευσης, αντιπροσωπευτικών κάθε κλάσης. Οι περιοχές αυτές είναι ιδιαίτερα σημαντικές αν το περιβάλλον στο οποίο βρίσκονται είναι ομογενές, ενώ αν οι χρήσεις γης αλλάζουν δραματικά στην περιοχή μελέτης, τότε και οι περιοχές εκπαίδευσης θα περιέχουν πολλές διαφορετικές φασματικές υπογραφές. Σύμφωνα με το γενικό κανόνα που ακολουθείται, αν τα δεδομένα εξάγονται από ν κανάλια, τότε οι περιοχές εκπαίδευσης για κάθε κλάση πρέπει να έχουν έκταση μεγαλύτερη των 10ν pixel.
Η διαδικασία επιλογής περιοχών εκπαίδευσης είναι αρκετά χρονοβόρα, και έτσι στο παρόν άρθρο εισάγεται η έννοια της βάσης δεδομένων χαρακτηριστικών γνωρισμάτων. Έτσι, οι μη ειδικοί χρήστες των λογισμικών ταξινόμησης έχουν το πλεονέκτημα της άνεσης και της ακρίβειας κατά τη διαδικασία ταξινόμησης. Το σύστημα ταξινόμησης που χρησιμοποιήθηκε στην εργασία είχε 7 κλάσεις, όπως ακριβώς και ο χάρτης χρήσεων γης. Η εξαγωγή των χαρακτηριστικών της εικόνας γίνεται ανά δύο μήνες εξαιτίας της διαφοράς στη φωτεινότητα των pixel ανάλογα με τη στιγμή της λήψης. Στις βάσεις δεδομένων τα αντικείμενα που δημιουργήθηκαν από την κατάτμηση, έχουν πληροφορία σχετικά με τα χαρακτηριστικά γνωρίσματα.

''Επεξεργασία και αποτελέσματα''

Χρησιμοποιώντας τη βάση δεδομένων της εικόνας Landsat και τη βάση δεδομένων του υποβάθρου, κατασκευάζεται η βάση δεδομένων χαρακτηριστικών γνωρισμάτων, όπως αναφέρθηκε παραπάνω. Όταν ταξινομηθούν οι εικόνες Landsat, η βάση δεδομένων θα βοηθήσει τους χρήστες να πραγματοποιήσουν τα βήματα για την τελική ταξινόμηση των χρήσεων γης. Ουσιαστικά, οι περιοχές εκπαίδευσης έχουν αντικατασταθεί από τις βάσεις δεδομένων που δημιουργήθηκαν. Με αυτό τον τρόπο, οι χρήστες δεν χρειάζεται να καταπιαστούν με τη χρονοβόρα διαδικασία της επιλογής περιοχών εκπαίδευσης. Η εικόνα 7(b) αποτελεί τον τελικό χάρτη ταξινόμησης με τη μέθοδο της βάσης δεδομένων χαρακτηριστικών γνωρισμάτων, η εικόνα 7(a) αποτελεί τον χάρτη χρήσεων γης που χρησιμοποιήθηκε ως υπόβαθρο και η εικόνα 7(c) είναι ένας χάρτης ταξινόμησης βάσει των pixel της εικόνας με χρήση του λογισμικού Earth 2.0.

'''Συμπεράσματα'''

Στο παρόν άρθρο προτείνεται η χρήση αυτοματοποιημένης μεθόδου ταξινόμησης για τον προσδιορισμό των χρήσεων γης κατά την οποία δημιουργούνται βάσεις δεδομένων χαρακτηριστικών γνωρισμάτων αντί για περιοχές εκπαίδευσης. Οι βάσεις αυτές έχουν υπολογισμένα στατιστικά για τις περιοχές εκπαίδευσης. Το αποτέλεσμα της μεθόδου αυτής είναι η μεγαλύτερη ακρίβεια σε σχέση με τις παραδοσιακές τεχνικές και ένα πιο άνετο περιβάλλον για τους άπειρους χρήστες.

[[category:Αστικός και περιφερειακός σχεδιασμός]]

Αρχείο:SG classification pic3.jpg

2013-02-09T16:44:55Z

Georgalas:

Αρχείο:SG classification pic2.jpg

2013-02-09T16:44:40Z

Georgalas:

Αρχείο:SG classification pic1.jpg

2013-02-09T16:44:24Z

Georgalas:

Χρήση τηλεπισκοπικών μεθόδων στην προσπάθεια ανίχνευσης πετρελαιοκηλίδων.

2013-02-09T16:06:40Z

Georgalas: Νέα σελίδα με ''''Πηγή''' e-Research, A Journal of Undergraduate Work. '''Τίτλος κειμένου''' Utilizing Remote Sensing to Detect Deepwater Horizon Oil Spill Propertie...'

'''Πηγή'''

e-Research, A Journal of Undergraduate Work.

'''Τίτλος κειμένου'''

Utilizing Remote Sensing to Detect Deepwater Horizon Oil Spill Properties

'''Συγγραφέας'''

Amanda Kristedja

'''Εισαγωγή'''

[[Εικόνα: SG_oilspill_pic1.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 1: Συγκέντρωση χλωροφύλλης-α τον Απρίλιο του 2009 - Δέκτης Modis-Aqua στα 4km''']]

[[Εικόνα: SG_oilspill_pic2.jpg| thumb| right|'''ΕΙΚΟΝΑ 2: Συγκέντρωση χλωροφύλλης-α τον Απρίλιο του 2010 - Δέκτης Modis-Aqua στα 4km''']]

Οι διαρροές πετρελαίου, ιδιαίτερα στην επιφάνεια των ωκεανών, αποτελούν έναν κίνδυνο που εμφανίστηκε στη γη από την ανθρώπινη δραστηριότητα. Οι πηγές διαρροών περιλαμβάνουν πλατφόρμες άντλησης πετρελαίου και εγκαταστάσεις γεώτρησης στη μέση του ωκεανού καθώς και διαρροές από πετρελαιοφόρα και άλλα μεγάλα πλοία. Μερικά από τα περιβαλλοντικά προβλήματα που δημιουργούνται από πετρελαιοκηλίδες είναι ο τραυματισμός ή και ο θάνατος θαλάσσιων οργανισμών καθώς και η παρεμπόδιση των ακτίνων του ηλίου να προσεγγίσουν τους φυτικούς οργανισμούς του βυθού της θάλασσας. Η δυνατότητα ανίχνευσης πετρελαιοκηλίδων είναι ένα πολύ σημαντικό βήμα στην προσπάθεια εξάλειψής τους και ο πιο αποτελεσματικός τρόπος για να πραγματοποιηθεί είναι η τηλεπισκόπηση.
Ο σκοπός αυτού του άρθρου είναι η παρουσίαση των αποτελεσμάτων που προέκυψαν από τη διαδικασία ανίχνευσης πετρελαιοκηλίδων μέσω τηλεπισκόπησης. Υπάρχουν διάφοροι τηλεπισκοπικοί δέκτες και όργανα για τον εντοπισμό της παρουσίας αλλά και των περιβαλλοντικών επιπτώσεων των διαρροών πετρελαίου. Τα δεδομένα που αναλύονται στην έρευνα προέρχονται από τους τηλεπισκοπικούς δέκτες της NASA και αφορούν τη μεγάλη διαρροή πετρελαίου στον κόλπο του Μεξικού το 2010. Η πλατφόρμα πετρελαίου Deepwater Horizon που βρισκόταν στον κόλπο του Μεξικού εξερράγη στις 20 Απριλίου 2010, με τις επιπτώσεις στον άνθρωπο και στο περιβάλλον να είναι ιδιαίτερα σημαντικές καθώς το συμβάν του κόλπου του Μεξικού αποτελεί τη μεγαλύτερη διαρροή από την έναρξη της εξόρυξης πετρελαίου από τον άνθρωπο. Βασικό υπόβαθρο της μελέτης αποτελούν οι εικόνες που παρείχε η NASA, οι οποίες συγκρίνονται για τις περιόδους πριν αλλά και μετά τη διαρροή.

'''Εφαρμογή'''

[[Εικόνα: SG_oilspill_pic3.jpg| thumb| right|'''ΕΙΚΟΝΑ 3: Θερμοκρασία στην επιφάνεια της θάλασσας (ημέρα) τον Απρίλιο του 2009 - δέκτης Modis-Terra στα 9km''']]

[[Εικόνα: SG_oilspill_pic4.jpg| thumb| right|'''ΕΙΚΟΝΑ 4: Θερμοκρασία στην επιφάνεια της θάλασσας (ημέρα) τον Απρίλιο του 2010 - δέκτης Modis-Terra στα 9km''']]

Η πηγή δεδομένων για την εργασία αυτή ήταν η διαδικτυακή εφαρμογή της NASA, Giovanni, που δίνει τη δυνατότητα ελεύθερης επεξεργασίας τηλεπισκοπικών δεδομένων. Οι τέσσερις δέκτες που χρησιμοποιούνται για το πείραμα αυτό είναι ο Sea WiFS στα 9km, ο MODIS-aqua στα 9km, ο MODIS-aqua στα 4km, και ο MODIS-terra στα 9km. Οι παράμετροι που μελετώνται στην εργασία είναι οι εξής τέσσερις: η συγκέντρωση χλωροφύλλης-α (chlorophyll a content), η συγκέντρωση διαλυμένων οργανικών ουσιών (cdom), η ανακλαστικότητα και η θερμοκρασία στην επιφάνεια της θάλασσας. Οι δέκτες Sea WiFS και MODIS-aqua έχουν τη δυνατότητα μέτρησης της συγκέντρωσης χλωροφύλλης, των διαλυμένων οργανικών ουσιών και της ανάκλασης σε μήκος κύματος 443nm. Ο MODIS-aqua και ο MODIS-terra δύνανται να μετρήσουν και τη θερμοκρασία της επιφάνειας των υδάτων.
Οι τέσσερις παράμετροι που περιγράφηκαν παραπάνω, επιλέχθηκαν στη συγκεκριμένη έρευνα για να επιβεβαιώσουν την υπόθεση κατά την οποία αποτελούν ενδείξεις διαρροής πετρελαίου. Μία από τις υποθέσεις που γίνονται είναι πως με την παρουσία πετρελαιοκηλίδας, αυξάνεται η συγκέντρωση χλωροφύλλης-α. Οι απόψεις πάνω σε αυτήν την υπόθεση διίστανται, γεγονός που οδήγησε στην περαιτέρω διερεύνησή της στην παρούσα εργασία. Σύμφωνα με μια δεύτερη υπόθεση, η διαλυμένων οργανικών ουσιών στους ωκεανούς αυξάνεται επίσης μετά από μια διαρροή πετρελαίου. Επιπλέον, η ανακλαστικότητα είναι μεγαλύτερη σε υδάτινες επιφάνειες όπου υπάρχουν πετρελαιοκηλίδες, εξαιτίας των φυσικών ιδιοτήτων του πετρελαίου, το οποίο ανακλά σε μεγάλο βαθμό την ηλιακή ακτινοβολία. Η μειωμένη απορρόφηση ακτινοβολίας από το πετρέλαιο, οδηγεί στη μείωση της θερμοκρασίας της επιφάνειας των υδάτων στις περιοχές που συντελείται η διαρροή.
Στα πλαίσια της εργασίας, με βάση τα δεδομένα από τους δορυφόρους της NASA, παρήχθησαν χάρτες για κάθε παράμετρο πριν και μετά το συμβάν της διαρροής στον κόλπο του Μεξικού. Οι χάρτες παρουσιάζουν τα δεδομένα με τη μορφή μιας χρωματικής κλίμακας που βοηθά στην απεικόνιση κάθε παραμέτρου. Το βαθύ μοβ χρώμα αντιστοιχεί στην ελάχιστη συγκέντρωση μιας παραμέτρου, ενώ το βαθύ κόκκινο χρώμα αντιστοιχεί στη μέγιστη συγκέντρωση.

Η ανακλαστικότητα σε μήκος κύματος 443nm μετρήθηκε επίσης μέσω του δέκτη MODIS-aqua στα 4km. Οι δύο χάρτες που παρήχθησαν για τον Απρίλιο κάθε έτους δείχνουν μεγαλύτερη ανακλαστικότητα στον ανοιχτό ωκεανό και μικρότερη κοντά στις ακτές. Τα δεδομένα όμως για τον Μάιο και τον Ιούνιο του 2010 απεικονίζουν μια αύξηση της ανακλαστικότητας κοντά στις ακτές. Τέλος, η συγκέντρωση διαλυμένων οργανικών ουσιών αναλύθηκε παρομοίως από τα δεδομένα του ίδιου δέκτη. Τον Απρίλιο του 2009 διακρίνονται μεγαλύτερες συγκεντρώσεις οργανικής ουσίας κοντά στις ακτές. Παρόμοιο είναι το πρότυπο και για τον Απρίλιο του 2010 αλλά οι συγκεντρώσεις τότε δεν είναι τόσο υψηλές. Γενικότερα οι συγκεντρώσεις το 2010 ήταν αισθητά μειωμένες. Τα δεδομένα για τον Ιούνιο του 2010 κατέδειξαν σχεδόν μηδενικές συγκεντρώσεις σε όλη την περιοχή.

'''Αποτελέσματα'''

[[Εικόνα: SG_oilspill_pic5.jpg| thumb| right|'''ΕΙΚΟΝΑ 5:Ανακλαστικότητα στα 443nm τον Απρίλιο του 2010 - δέκτης Modis Aqua στα 4km''']]

[[Εικόνα: SG_oilspill_pic6.jpg| thumb| right|'''ΕΙΚΟΝΑ 6: Ανακλαστικότητα στα 443nm το Μάιο του 2010 - δέκτης Modis Aqua στα 4km''']]

[[Εικόνα: SG_oilspill_pic7.jpg| thumb| right|'''ΕΙΚΟΝΑ 7: Διαλυμένη οργανική ουσία τον Απρίλιο του 2010 - δέκτης Modis Aqua στα 4km''']]

[[Εικόνα: SG_oilspill_pic8.jpg| thumb| right|'''ΕΙΚΟΝΑ 8: Διαλυμένη οργανική ουσία το Μάιο του 2010 - δέκτης Modis Aqua στα 4km''']]

Οι τελικοί χάρτες που προέκυψαν από τα δεδομένα των τεσσάρων δεκτών για κάθε παράμετρο, περιοχή και χρονική περίοδο, παρουσίασαν μεγάλες ομοιότητες μεταξύ τους. Εντούτοις, οι καλύτερες εικόνες προέκυψαν από το δέκτη MODIS-aqua στα 4km για αυτό και οι χάρτες που παρουσιάζονται προέρχονται κυρίως από δεδομένα του συγκεκριμένου δέκτη. Όσον αφορά στη θερμοκρασία της επιφάνειας της θάλασσας, ο δέκτης MODIS-terra στα 9km παρήγαγε τα ποιοτικότερα αποτελέσματα.
Αρχικά για την ανίχνευση της συγκέντρωσης χλωροφύλλης χρησιμοποιήθηκαν δεδομένα από το δέκτη MODIS-aqua στα 4km που ελήφθησαν τον Απρίλιο του 2009 και τον Απρίλιο του 2010. Είναι εμφανές από τους χάρτες ότι η συγκέντρωση χλωροφύλλης–α αυξάνεται κοντά στην πλατφόρμα πετρελαίου αλλά και στις ακτές που βρίσκονται πλησιέστερα αυτής μετά την έκρηξη. Παρόμοια αποτελέσματα προκύπτουν και από τα δεδομένα του δέκτη MODIS-terra για τις ίδιες χρονικές περιόδους για τη θερμοκρασία στην επιφάνεια της θάλασσας. Η θερμοκρασία των υδάτων πλησίον των ακτών τον Απρίλιο του 2010 είναι μειωμένη σε σχέση με τον Απρίλιο του 2009, ενισχύοντας έτσι την αρχική υπόθεση. Συγκεκριμένα, οι ψυχρές θερμοκρασίες τον Απρίλιο του 2010 έχουν επεκταθεί σε μεγαλύτερες εκτάσεις και τον Ιούνιο του 2010 επεκτείνονται ακόμα πιο μακριά από τις ακτές.
Η ανακλαστικότητα σε μήκος κύματος 443nm μετρήθηκε επίσης μέσω του δέκτη MODIS-aqua στα 4km. Οι δύο χάρτες που παρήχθησαν για τον Απρίλιο κάθε έτους δείχνουν μεγαλύτερη ανακλαστικότητα στον ανοιχτό ωκεανό και μικρότερη κοντά στις ακτές. Τα δεδομένα όμως για τον Μάιο και τον Ιούνιο του 2010 απεικονίζουν μια αύξηση της ανακλαστικότητας κοντά στις ακτές. Τέλος, η συγκέντρωση διαλυμένων οργανικών ουσιών αναλύθηκε παρομοίως από τα δεδομένα του ίδιου δέκτη. Τον Απρίλιο του 2009 διακρίνονται μεγαλύτερες συγκεντρώσεις οργανικής ουσίας κοντά στις ακτές. Παρόμοιο είναι το πρότυπο και για τον Απρίλιο του 2010 αλλά οι συγκεντρώσεις τότε δεν είναι τόσο υψηλές. Γενικότερα οι συγκεντρώσεις το 2010 ήταν αισθητά μειωμένες. Τα δεδομένα για τον Ιούνιο του 2010 κατέδειξαν σχεδόν μηδενικές συγκεντρώσεις σε όλη την περιοχή.

'''Συμπεράσματα'''

Τα περισσότερα από τα αποτελέσματα που παρήχθησαν σε αυτή την έρευνα συμβάδιζαν με τις αρχικές υποθέσεις. Η συγκέντρωση της χλωροφύλλης-α ήταν αυξημένη κοντά στην πλατφόρμα άντλησης του πετρελαίου αμέσως μετά την διαρροή ενώ στη συνέχεια αυξήθηκε κοντά στις ακτές και κυρίως προς τις ακτές της Φλόριντα, ακολουθώντας τη διαδρομή της πετρελαιοκηλίδας κατά την ίδια χρονική περίοδο. Κατά συνέπεια επιβεβαιώνεται η υπόθεση πως η χλωροφύλλη–α αυξάνεται με την παρουσία πετρελαίου.
Παρόμοια αποτελέσματα προέκυψαν και για τη θερμοκρασία της επιφάνειας των υδάτων καθώς επιβεβαιώθηκε πως ήταν μειωμένη στις περιοχές που ανιχνεύθηκαν ποσότητες πετρελαίου. Οι δέκτες τον Ιούνιο του 2010 κατέγραψαν μικρότερες θερμοκρασίες ακόμα πιο μακριά από τις ακτές καθώς η πετρελαιοκηλίδα είχε μειωθεί και είχε επεκταθεί μακρύτερα από τις ακτές.
Η ίδια επιβεβαίωση γίνεται και για την ανακλαστικότητα που είναι αρκετά μεγαλύτερη στις περιοχές της θάλασσας που έχει διαρρεύσει το πετρέλαιο. Φυσιολογικά το πετρέλαιο θα έπρεπε να απορροφά περισσότερο την ηλιακή ακτινοβολία λόγω του μαύρου χρώματός του. Όμως οι φυσικές ιδιότητές του το κάνουν να ανακλά περισσότερο από την καθαρή θάλασσα που έχει πολύ μικρή ανακλαστικότητα.
Η παράμετρος που δεν έδωσε δεδομένα που να επιβεβαιώνουν την αρχική υπόθεση είναι η διαλυμένη οργανική ουσία. Αυτό ενδέχεται να οφείλεται στις προσπάθειες απομάκρυνσης του πετρελαίου κατά τους μήνες Μάιο και Ιούνιο του 2010 όπου οι οργανικές συγκεντρώσεις είναι μειωμένες. Μια άλλη πιθανή αιτία είναι η επιλογή λανθασμένου μήκους κύματος, οπότε σε αυτήν την περίπτωση ένας άλλος δέκτης σε διαφορετικά μήκη κύματος θα ήταν πιο κατάλληλος.
Συνολικά, η εργασία αυτή κρίνεται επιτυχημένη στην επιλογή δεκτών για κάθε παράμετρο που εξετάστηκε. Τα αποτελέσματα δείχνουν σημαντικές μεταβολές στις περισσότερες παραμέτρους μετά τη μεγάλη διαρροή πετρελαίου του κόλπου του Μεξικού. Το γεγονός αυτό καταδεικνύει πως είναι αναγκαίο να διεξαχθούν περαιτέρω έρευνες με διαφορετικούς δέκτες και περισσότερα δεδομένα ώστε τα αποτελέσματα να είναι απολύτως αξιόπιστα και να μπορούν αυτοί οι δείκτες να χρησιμοποιηθούν αποτελεσματικά στο μέλλον στην προσπάθεια ανίχνευσης διαρροών πετρελαίου.

[[category:Ανίχνευση ρύπανσης υδάτινων όγκων]]

Αρχείο:SG oilspill pic8.jpg

2013-02-09T15:56:08Z

Georgalas:

Αρχείο:SG oilspill pic7.jpg

2013-02-09T15:55:47Z

Georgalas:

Αρχείο:SG oilspill pic6.jpg

2013-02-09T15:55:35Z

Georgalas:

Αρχείο:SG oilspill pic5.jpg

2013-02-09T15:55:20Z

Georgalas:

Αρχείο:SG oilspill pic4.jpg

2013-02-09T15:55:02Z

Georgalas:

Αρχείο:SG oilspill pic3.jpg

2013-02-09T15:54:48Z

Georgalas:

Αρχείο:SG oilspill pic2.jpg

2013-02-09T15:54:32Z

Georgalas:

Αρχείο:SG oilspill pic1.jpg

2013-02-09T15:54:12Z

Georgalas:

Οπτική επιθεώρηση ζημιών σε κτίρια της πόλης Μπαμ με χρήση δορυφορικών εικόνων του δέκτη QuickBird μετά τον σεισμό του 2003

2013-02-09T15:24:39Z

Georgalas: Νέα σελίδα με ''''Πηγή''' Department of Urban Environment Systems Graduate School of Engineering Chiba University '''Τίτλος κειμένου''' Visual Damage Interpretation ...'

'''Πηγή'''

Department of Urban Environment Systems Graduate School of Engineering Chiba University

'''Τίτλος κειμένου'''

Visual Damage Interpretation of Buildings in Bam City Using QuickBird Images Following the 2003 Bam, Iran, Earthquake

'''Συγγραφείς'''

Fumio Yamazaki, Yoshihisa Yano, Masashi Matsuoka

'''Εισαγωγή'''

Ο εντοπισμός των καταστροφών μετά από ένα φυσικό φαινόμενο είναι ιδιαίτερα σημαντικός στην προσπάθεια διαχείρισης εκτάκτων αναγκών και πραγματοποίησης εργασιών αποκατάστασης. Ο οπτικός εντοπισμός τέτοιων καταστροφών, όπως οι ζημιές σε μεμονωμένα σπίτια μετά από σεισμό, μπορεί να γίνει με χρήση αεροφωτογραφιών ή μέσω δορυφορικών εικόνων που έχουν επιπλέον το πλεονέκτημα της παρατήρησης μεγάλων σε έκταση περιοχών με μία λήψη. Εντούτοις, η διαχωριστική ικανότητα των συμβατικών δορυφορικών εικόνων είναι πολύ μικρή (20 – 30m), γεγονός που αποτρέπει τον εντοπισμό καταστροφών σε κτίρια και γέφυρες. Δύο δορυφόροι των οποίων οι εικόνες χρησιμοποιούνται συχνά για απεικόνιση αστικών περιοχών, είναι ο Ikonos και ο Quickbird με διαχωριστική ικανότητα 1m και 0,6m αντίστοιχα. Στο παρόν άρθρο γίνεται χρήση εικόνων του δέκτη Quickbird, πριν και μετά τον σεισμό που έγινε στο Μπαμ του Ιράν στις 26 Δεκεμβρίου 2003. Σκοπός του άρθρου είναι η οπτική επιθεώρηση όλων των κτιρίων της πόλης Μπαμ για τον εντοπισμό ζημιών ώστε να αναδειχθούν οι δυνατότητες των δορυφορικών εικόνων υψηλής ανάλυσης.

'''Δεδομένα'''

[[Εικόνα: SG_Bam_pic1.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 1: Pan-sharpened εικόνες RGB-3,2,1 της πόλης Μπαμ από το δέκτη Quickbird - αριστερά η εικόνα πριν το σεισμό και δεξιά η εικόνα μετά το σεισμό''']]

Μετά το σεισμό στην πόλη Μπαμ έγινε λήψη εικόνων υψηλής ανάλυσης από τον δορυφόρο Ikonos και τον Quickbird. Επιπρόσθετα είχε πραγματοποιηθεί λήψη της ίδιας πόλης από τον Quickbird τρεις μήνες πριν από το συμβάν. Ο δορυφόρος Quickbird έχει τη δυνατότητα να μεταβάλλει τη γωνία λήψης της εικόνας, για αυτό και οι 2 εικόνες που διατίθενται για το Μπαμ έχουν διαφορετικές οπτικές γωνίες. Κατά συνέπεια, είναι δύσκολη η διαδικασία αυτοματοποιημένου εντοπισμού αλλαγών. Επιπλέον πρόβλημα αποτελούν οι αλλαγές στη σκιά των κτιρίων αλλά και στη βλάστηση σε λήψεις διαφορετικών χρονικών περιόδων. Έτσι, σε πρώτο στάδιο στην εργασία έγινε οπτική ερμηνεία των ζημιών. Για να εντοπιστούν οι καταστροφές, παρήχθησαν pan–sharpened εικόνες με συνδυασμό παγχρωματικών εικόνων ανάλυσης 0,6m και πολυφασματικών εικόνων ανάλυσης 2,4m. Με αυτήν την ενίσχυση τα κτίρια, τα αυτοκίνητα και τα συντρίμμια είναι παρατηρούνται με μεγάλη ευκολία.

'''Εφαρμογή'''

[[Εικόνα: SG_Bam_pic2.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 2: Τελικό αποτέλεσμα της μεθόδου οπτικής επιθεώρησης. Τα επίπεδα ζημιών δημιουργήθηκαν με βάση την ταξινόμηση της Ευρωπαϊκής Μακροσεισμικής κλίμακας''']]

[[Εικόνα: SG_Bam_pic3.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 3: Σύγκριση του αποτελέσματος οπτικής επιθεώρησης από εικόνες Quickbird (αριστερή εικόνα) και αεροφωτογραφίες (δεξιά εικόνα)''']]

Αρχικά, χρησιμοποιώντας την εικόνα του δέκτη Quickbird που ελήφθη πριν το σεισμό, έγινε εντοπισμός όλων των μεμονωμένων κτιρίων και καταχώρηση τους σε περιβάλλον GIS ενώ ορίστηκαν και οι κύριες οδικές αρτηρίες που περιβάλλουν τα οικοδομικά τετράγωνα. Η οπτική επιθεώρηση των ζημιών των κτιρίων πραγματοποιήθηκε με βάση την ταξινόμηση της Ευρωπαϊκής Μακροσεισμικής κλίμακας (EMS 1998).
Συγκρίνοντας τις εικόνες πριν και μετά το σεισμικό γεγονός, ανιχνεύθηκαν τα κτίρια που περιβάλλονται από συντρίμμια, τα κτίρια που έχουν μερικώς καταρρεύσει και αυτά που έχουν καταρρεύσει ολοσχερώς, δηλαδή τις κατηγορίες 3,4 και 5 της κλίμακας. Οι κατηγορίες 1 και 2 είναι σχεδόν αδύνατο να ανιχνευθούν ακόμα και με την διαχωριστική ικανότητα των 0,6m που διαθέτει ο δέκτης Quickbird. Αντιθέτως θεωρείται εύκολος ο εντοπισμός καταστροφών κατηγορίας 5, καθώς υπήρχε μεγάλη συμφωνία μεταξύ των διαφόρων ερμηνευτών. Οι επιπτώσεις της σκιάς των κτιρίων καθώς και της βλάστησης γίνονται εμφανείς κατά την προσπάθεια ανίχνευσης κτιρίων κατηγορίας 4, η οποία θεωρείται πιο δύσκολη από την κατηγορία 5. Όσον αφορά στις ζημιές κατηγορίας 3, αυτές μπορούν να ανιχνευθούν κυρίως όταν υπάρχουν παραμορφώσεις στην οροφή των κτιρίων ή παρατηρούνται συντρίμμια γύρω από αυτά.
Με τη μέθοδο της οπτικής επιθεώρησης με χρήση προσεισμικών και μετασεισμικών εικόνων, έγινε ταξινόμηση συνολικά 12.063 κτιρίων με βάση την έκταση των ζημιών τους η οποία παρουσιάζεται στην εικόνα 2. Ο αριθμός των κτιρίων που εντοπίστηκε για κάθε κατηγορία είναι ο εξής:

• '''Κατηγορία 1 και 2''' : 1597 (μπλε χρώμα)

• '''Κατηγορία 3''' : 3815 (πράσινο χρώμα)

• '''Κατηγορία 4''' : 1700 (κίτρινο χρώμα)

• '''Κατηγορία 5''' : 4951 (κόκκινο χρώμα)

Παράλληλα, πραγματοποιήθηκε έρευνα στο πεδίο από τους Hisada et al. (2005) ώστε να διαπιστωθεί η ακρίβεια της μεθόδου που χρησιμοποιήθηκε, με βάση την ίδια κλίμακα καταστροφών. Στην περιοχή που διεξήχθη η έρευνα, το ποσοστό των ζημιών κατηγορίας 5 ήταν 72%, ενώ με την οπτική παρατήρηση των εικόνων ήταν 64%. Η ταύτιση των αποτελεσμάτων σε αυτήν την περιοχή που χαρακτηρίζεται από μεγάλο αριθμό καταστροφών, θεωρείται αρκετά υψηλή. Μια δεύτερη σύγκριση των δύο εργασιών έγινε για μια περιοχή με λιγότερες καταστροφές στο δυτικό τμήμα του Μπαμ και κατέδειξε μικρές διαφορές στις ζημιές κατηγορίας 1 και 2 και απόλυτη ταύτιση στην κατηγορία 5. Αντιθέτως, υπήρχε σημαντική διαφορά στα αποτελέσματα της κατηγορίας 4 η οποία αποδίδεται στο γεγονός ότι τα κτίρια της περιοχής είναι καινούργια και οι καταστροφές είναι δύσκολο να παρατηρηθούν από μια εικόνα. Στη συνέχεια πραγματοποιήθηκε μια τελευταία σύγκριση για μια μεγαλύτερη έκταση που περιελάμβανε 421 κτίρια. Τα τελικά συμπεράσματα που προέκυψαν είναι πως πρέπει να αναμένεται ένας αριθμός λαθών που οφείλονται στην παράλειψη ζημιών κατά τη διαδικασία της οπτικής επιθεώρησης. Στην εικόνα 3 παρουσιάζονται τα αποτελέσματα για το σύνολο της πόλης με βάση την οπτική επιθεώρηση από εικόνες Quickbird (ποσοστό κτιρίων κατηγορίας 5) και την επιθεώρηση από αεροφωτογραφίες. Παρατηρούνται αρκετές διαφορές μεταξύ των χαρτών αλλά υπάρχει μια γενικότερη συμφωνία ως προς τις ζημίες για κάθε περιοχή της πόλης.

'''Συμπεράσματα'''

Στο παρόν άρθρο παρουσιάστηκε η εργασία οπτικής επιθεώρησης ζημιών σε κτίρια της πόλης Μπαμ του Ιράν, με βάση εικόνες του δέκτη Quickbird πριν και μετά το σεισμό που συνέβη το Δεκέμβρη του 2003. Παράλληλα διεξήχθη επιτόπια έρευνα για την επαλήθευση των αποτελεσμάτων της οπτικής παρατήρησης. Μέσω της σύγκρισης των δύο μεθόδων, είναι εμφανές ότι η τεχνική της οπτικής επιθεώρησης δίνει αρκετά ακριβή αποτελέσματα. Εντούτοις, παρατηρήθηκαν κάποιες παραλείψεις ζημιών που οφείλονται στους περιορισμούς που προκύπτουν από την ανάλυση των 0,6m που προσφέρει ο δέκτης Quickbird. Το γεγονός αυτό πρέπει να ληφθεί σοβαρά υπόψη στην προσπάθεια εκτίμησης ζημιών που γίνεται σε πρώιμο στάδιο.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Αρχείο:SG Bam pic3.jpg

2013-02-09T15:17:16Z

Georgalas:

Αρχείο:SG Bam pic2.jpg

2013-02-09T15:16:42Z

Georgalas:

Αρχείο:SG Bam pic1.jpg

2013-02-09T15:16:20Z

Georgalas:

Εντοπισμός των κατεστραμμένων κτιρίων με χρήση δορυφορικών εικόνων υψηλής ανάλυσης στον σεισμό της Κεντρικής Τζάβα το 2006

2013-02-09T15:00:43Z

Georgalas: Νέα σελίδα με ''''Πηγή''' Asian Association on Remote Sensing '''Τίτλος κειμένου''' Extraction of Damaged Buildings Using High-resolution Satellite Images in the 200...'

'''Πηγή'''

Asian Association on Remote Sensing

'''Τίτλος κειμένου'''

Extraction of Damaged Buildings Using High-resolution Satellite Images in the 2006 Central Java Earthquake

'''Συγγραφείς'''

Kazuki Matsumoto, Tuong Thuy Vu, Fumio Yamazaki

'''Εισαγωγή'''

Η δυνατότητα εκτίμησης της έκτασης των καταστροφών σε σύντομο χρονικό διάστημα μετά από την τέλεση ενός φυσικού φαινομένου είναι εξαιρετικά σημαντική. Χάρη στην πρόοδο της τεχνολογίας της τηλεπισκόπησης, είναι πλέον δυνατή η λήψη δορυφορικών εικόνων υψηλής ανάλυσης από δέκτες όπως ο Quickbird και ο Ikonos αλλά και μεσαίας ανάλυσης αμέσως μετά την τέλεση ενός φυσικού φαινομένου. Έτσι, οι τηλεπισκοπικές εικόνες αποτελούν μια από τις πιο σημαντικές πηγές για την εκτίμηση καταστροφών σε ευρείες περιοχές.
Στο παρελθόν έχει γίνει προσπάθεια, από αρκετές ερευνητικές ομάδες, οπτικής επιθεώρησης καταστροφών σε αστικές περιοχές μετά από σεισμό χρησιμοποιώντας εικόνες πρωθύστερες και μεταγενέστερες του φυσικού φαινομένου. Τα δεδομένα που χρησιμοποιήθηκαν ήταν δορυφορικές εικόνες Quickbird και Ikonos. Παρά το γεγονός πως η οπτική επιθεώρηση ζημιών παρέχει πολύ χρήσιμες πληροφορίες, έχει το μειονέκτημα πως είναι αρκετά χρονοβόρα. Έτσι, έχουν αναπτυχθεί μέθοδοι επεξεργασίας των εικόνων με σκοπό τη γρήγορη διεξαγωγή της επιθεώρησης των ζημιών. Η πιο τυπική μέθοδος είναι η ταξινόμηση των χρήσεων γης με βάση τα pixel της εικόνας που πραγματοποιείται με την τεχνική της ταξινόμησης μέγιστης πιθανοφάνειας. Εντούτοις, σε εικόνες υψηλής ανάλυσης, οι μέθοδοι που βασίζονται στα pixel ενδέχεται να παράξουν υψηλά επίπεδα θορύβου. Για να λυθεί το πρόβλημα αυτό έχουν αναπτυχθεί ταξινομήσεις που στηρίζονται στα αντικείμενα της εικόνας.
Στο παρόν άρθρο γίνεται περαιτέρω διερεύνηση της χρησιμότητας των ταξινομήσεων βάσει αντικειμένων στον εντοπισμό ζημιών σε κτίρια, από υψηλής διαχωριστικής ικανότητας δορυφορικές εικόνες που ελήφθησαν πριν και μετά το σεισμό του 2006 στην Κεντρική Τζάβα της Ινδονησίας το 2006. Γίνεται εξαγωγή των κτιρίων από εικόνες με ταξινομήσεις βασιζόμενες στα pixel αλλά και στα αντικείμενα των εικόνων. Τα αποτελέσματα των δύο μεθόδων συγκρίνονται μεταξύ τους και με βάση τις διαφορές που παρατηρούνται στις περιοχές που έχουν κτίρια, ανιχνεύονται οι περιοχές που έχουν υποστεί ζημιές και τα αποτελέσματα συγκρίνονται με την οπτική

'''Δεδομένα'''

[[Εικόνα: SG_Java_pic1.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 1: αριστερή εικόνα - επίκεντρο σεισμού, κεντρική και δεξιά εικόνα - pan-sharpened εικόνες RGB - 3,2,1 για την περιοχή Ιμοτζίρι''']]

Ο ισχυρός σεισμός μεγέθους 6,3 βαθμών της κλίμακας ρίχτερ στην Κεντρική Τζάβα της Ινδονησίας στις 27 Μαΐου 2006 είχε ως συνέπεια τον θάνατο και τον τραυματισμό δεκάδων χιλιάδων ανθρώπων. Επιπλέον εκατοντάδες χιλιάδες σπίτια κατέρρευσαν ή υπέστησαν σοβαρές ζημιές. Οι εικόνες που λαμβάνονται από τον δέκτη Quickbird, έχουν υψηλή διαχωριστική ικανότητα της τάξης των 0,6m στις παγχρωματικές εικόνες και των 2,4m στις πολυφασματικές. Τα κανάλια που διατίθενται είναι τέσσερα: μπλε, πράσινο, κόκκινο, εγγύς υπέρυθρο. Ένα μήνα μετά το σεισμό, ο Quickbird έλαβε μια καθαρή εικόνα της πληγείσας περιοχής. Για την ίδια περιοχή αγοράστηκε και μια εικόνα πριν το σεισμό και συγκεκριμένα στις 11 Ιουλίου 2003.
Αρχικά δημιουργήθηκαν pan-sharpened εικόνες με ανάλυση 0,6m συνδυάζοντας παγχρωματικές και πολυφασματικές εικόνες. Στη συνέχεια, έγινε γεωαναφορά των εικόνων πριν και μετά το σεισμικό γεγονός με χρήση RST μετασχηματισμού και της μέθοδο του εγγύτερου γείτονα. Η διαδικασία αυτή είναι αρκετά σημαντική καθώς η αφαίρεση πραγματοποιείται πάνω στα αποτελέσματα των δύο εικόνων.

'''Εντοπισμός περιοχών που βρίσκονται κτίρια'''

''Ταξινόμηση με βάση τα pixel της εικόνας''

Αρχικά διεξήχθη μια συμβατική ταξινόμηση βάσει των pixel της εικόνας με τη μέθοδο της μέγιστης πιθανοφάνειας. Οι περιοχές εκπαίδευσης της ταξινόμησης για την εικόνα πριν το σεισμό ήταν οι εξής: μαύρη οροφή, γκρίζα οροφή, κόκκινη οροφή και άσπρη οροφή κτιρίων, δρόμοι, έδαφος, βλάστηση και σκιά. Στην εικόνα μετά το σεισμό δεν συμπεριελήφθησαν οι περιοχές εκπαίδευσης των κτιρίων άσπρης οροφής και του εδάφους καθώς είναι πολύ δύσκολη η ανίχνευση τους και συγχέονται με τα συντρίμμια που προστέθηκαν ως περιοχή εκπαίδευσης. Τα αποτελέσματα με τις περιοχές που ανιχνεύθηκαν κτίρια φαίνονται στις εικόνες 2 και 3.

''Ταξινόμηση με βάση τα αντικείμενα της εικόνας''

[[Εικόνα: SG_Java_pic2.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 2: Τμήμα των περιοχών που ανιχνεύθηκαν κτίρια πριν το σεισμό''']]

[[Εικόνα: SG_Java_pic3.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 3: Τμήμα των περιοχών που ανιχνεύθηκαν κτίρια μετά το σεισμό''']]

Η ταξινόμηση έγινε με βάση το λογισμικό e-cognition. Αρχικά έγινε κατάτμηση της εικόνας για να δημιουργηθούν τα «αντικείμενα» στηριζόμενη σε 5 παραμέτρους: επίπεδο, συνεκτικότητα, στιλπνότητα, σχήμα και κλίμακα. Η πιο σημαντική είναι η παράμετρος κλίμακας που καθορίζει το μέγεθος του αντικειμένου. Ξεκινώντας από τα pixel, η κατάτμηση τρέχει τη συγχώνευση μεταξύ δύο αντικειμένων και ολοκληρώνεται όταν δημιουργηθεί μια καινούργια κατάσταση. Η κατάσταση αυτή εξαρτάται από τις παραμέτρους που έχουν τεθεί. Στη συνέχεια επιλέχθηκαν οι περιοχές εκπαίδευσης όπως ακριβώς έγινε και την ταξινόμηση βάσει των pixel της εικόνας. Ως δείκτες της ταξινόμησης χρησιμοποιήθηκαν οι μέσες τιμές των αντικειμένων στα 4 κανάλια του δέκτη Quickbird και η μέθοδος που επιλέχθηκε ήταν αυτή του εγγύτερου γείτονα. Τα αποτελέσματα φαίνονται στις εικόνες 2 και 3.
Η σύγκριση των αποτελεσμάτων των δύο ταξινομήσεων με την επιτόπια οπτική επιθεώρηση, κατέδειξε υψηλά επίπεδα θορύβου στην ταξινόμηση βάσει των pixel. Κατά συνέπεια, συμπεραίνεται πως σε αυτή την ανάλυση και σε αυτά τα μεγέθη αντικειμένων, η ταξινόμηση που βασίζεται στα αντικείμενα προσφέρει καλύτερα αποτελέσματα. Εντούτοις, κάποιοι δρόμοι και σκιές ταξινομήθηκαν λάθος στις κλάσεις των κτιρίων εξαιτίας των παρόμοιων φασματικών υπογραφών.

'''Εντοπισμός περιοχών με κατεστραμμένα κτίρια'''

[[Εικόνα: SG_Java_pic4.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 4: Τμήμα περιοχής με κατεστραμμένα κτίρια''']]

[[Εικόνα: SG_Java_pic5.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 5: Απεικόνιση με κόκκινο χρώμα των κατεστραμμένων κτιρίων στην περιοχή μελέτης''']]

Στην παρούσα εργασία, ανιχνεύθηκαν οι περιοχές με κτίρια που έχουν υποστεί ζημιές με την ταξινόμηση βάσει των αντικειμένων στην εικόνα πριν τον σεισμό αλλά και σε αυτήν μετά το σεισμό. Έγινε αφαίρεση των κτιρίων που ανιχνεύθηκαν στην μετασεισμική εικόνα σε σχέση με την προσεισμική και το υπόλοιπο θεωρήθηκε ότι αποτελεί τα κτίρια που έχουν καταρρεύσει. Άλλες πιθανές αιτίες διαφορών ανάμεσα στις 2 ταξινομημένες εικόνες, είναι η ύπαρξη βλάστησης και σκιάς στην μετασεισμική εικόνα ή η μεταφορά κάποιων κτιρίων στο διάστημα των τριών χρόνων μεταξύ των δύο εικόνων. Η δεύτερη περίπτωση δεν λήφθηκε υπόψη καθώς θεωρήθηκε ότι η απουσία κτιρίων αποτελεί κατά βάση αποτέλεσμα του σεισμικού φαινομένου.
Τα τελικά αποτελέσματα για τις περιοχές των οποίων τα κτίρια έχουν υποστεί ζημιές φαίνεται στις εικόνες 6 και 7. Συγκρίνοντας τα αποτελέσματα της μεθόδου που περιγράφηκε με αυτά της οπτικής παρατήρησης, καταγράφεται ένα λογικό επίπεδο ακρίβειας. Παρατηρείται όμως και πληθώρα λαθών και παραλείψεων. Η τελική ακρίβεια αξιολογήθηκε χρησιμοποιώντας τις έννοιες της ακρίβειας παραγωγού και της ακρίβειας χρήστη ως 67,4% και 51,5% αντίστοιχα για το σύνολο της περιοχής μελέτης.

'''Συμπεράσματα'''

Συνολικά, η έρευνα κατέδειξε πως η χρήση μεθόδου ταξινόμησης με βάση τα αντικείμενα της εικόνας είναι καταλληλότερη για τις εικόνες υψηλής διαχωριστικής ικανότητας όπως αυτές των δεκτών Quickbird και Ikonos. Ωστόσο, παρατηρούνται αρκετά λάθη κατά την ταξινόμηση των χαρακτηριστικών της εικόνας, καθιστώντας απαραίτητη κάποια περαιτέρω επεξεργασία. Το τελικό αποτέλεσμα ήταν αρκετά ακριβές συγκρινόμενο με την οπτική επιθεώρηση. Η προσπάθεια όμως εγκαθίδρυσης μιας γενικότερης μεθόδου ανίχνευσης ζημιών σε κτίρια στο μέλλον, απαιτεί μεγαλύτερη έρευνα παραμέτρων για τα διάφορα αστικά και επαρχιακά περιβάλλοντα.

[[category:Ανίχνευση καταστροφών κτιρίων από σεισμό]]

Αρχείο:SG Java pic5.jpg

2013-02-09T14:52:12Z

Georgalas:

Αρχείο:SG Java pic4.jpg

2013-02-09T14:51:48Z

Georgalas:

Αρχείο:SG Java pic3.jpg

2013-02-09T14:51:22Z

Georgalas:

Αρχείο:SG Java pic2.jpg

2013-02-09T14:50:56Z

Georgalas:

Αρχείο:SG Java pic1.jpg

2013-02-09T14:50:29Z

Georgalas:

Παρακολούθηση της λανθάνουσας ροής θερμότητας επιφανειών με στόχο την πρόβλεψη σεισμικών φαινομένων

2013-02-09T14:11:59Z

Georgalas: Νέα σελίδα με ''''Πηγή''' The Mason Gazzette '''Τίτλος κειμένου''' Spotlight on Research: Mason Center Close to Achieving Earthquake Prediction System '''Συγγ...'

'''Πηγή'''

The Mason Gazzette

'''Τίτλος κειμένου'''

Spotlight on Research: Mason Center Close to Achieving Earthquake Prediction System

'''Συγγραφέας'''

Robin Herron

'''Εισαγωγή'''

Τα τελευταία χρόνια οι ερευνητές του Κέντρου Παρατήρησης της Γης και Έρευνας του Διαστήματος(CEOSR) έχουν στρέψει την προσοχή τους στην πρόβλεψη σεισμικών φαινομένων με αφορμή τον θανατηφόρο σεισμό στη Σουμάτρα της Ινδονησίας καθώς και το τσουνάμι που ακολούθησε. Τα εργαλεία που χρησιμοποιούν είναι τα δεδομένα από τους δορυφόρους της Nasa που είναι εξοπλισμένοι με τηλεπισκοπικούς δέκτες, τα οποία επικεντρώνονται σε 300 σεισμούς που συνέβησαν τα τελευταία 5 χρόνια. Ο καταστροφικός σεισμός του Ινδικού ωκεανού που κόστισε τη ζωή σε πάνω από 300.000 ανθρώπους, έχει δώσει μια πληθώρα δεδομένων που βοηθούν αποφασιστικά στην εξέλιξη του συστήματος ανάλυσης που χρησιμοποιούν οι ερευνητές.

'''Μεθοδολογία'''

Η μεθοδολογία που χρησιμοποιούν οι επιστήμονες αφορά στην παρατήρηση των ατμοσφαιρικών παραμέτρων που συνδέονται με σεισμικά φαινόμενα, μέσω της τηλεπισκόπησης. Πιο συγκεκριμένα, ο ερευνητής Guido Cervone θεωρεί πως στην περίπτωση των χερσαίων σεισμών, υπάρχει μια ισχυρή αλληλεπίδραση μεταξύ της λιθόσφαιρας (εξωτερικός φλοιός της γης), της υδρόσφαιρας (νερό και ατμός στην ατμόσφαιρα) και της ατμόσφαιρας. Άρα, είτε οι σεισμοί συμβαίνουν στην ξηρά είτε στη θάλασσα, τα αποτελέσματά τους είναι ορατά στην ατμόσφαιρα. Με τη βοήθεια των τηλεπισκοπικών δεκτών και της καθημερινής παγκόσμιας κάλυψής τους, αυτά τα αποτελέσματα στην ατμόσφαιρα μπορούν να διερευνηθούν.
Γνωρίζοντας ότι οι περισσότεροι χερσαίοι σεισμοί συμβαίνουν κατά μήκος ηπειρωτικών ορίων, αυτές οι περιοχές αποκτούν ένα ιδιαίτερο ενδιαφέρον. Αν παρατηρηθούν ανωμαλίες που έχουν παρόμοια γεωμετρικά χαρακτηριστικά με ένα από τα ηπειρωτικά όρια, και βρίσκονται ακριβώς πάνω από τα όρια, τότε είναι πολύ πιθανό αυτές να συνδέονται με κάποιο σεισμό παρά με κάποιο άλλο ατμοσφαιρικό φαινόμενο. Οι ερευνητές αναζητούν μεγάλες σε μέγεθος ανωμαλίες με χαρακτηριστικό γεωμετρικό σχήμα, όπως μια γραμμή, ένα σχήμα U, ή ένα ανάποδο U. Άλλοι σεισμικοί δείκτες είναι οι θερμικές ανωμαλίες, οι ηλεκτρομαγνητικές ανωμαλίες, η έκλυση αερίων και ο ήχος. Οι παρατηρήσεις του εργαστηρίου δείχνουν ακόμα ότι αυξάνεται σημαντικά η χλωροφύλλη πριν από έναν χερσαίο σεισμό.
Αυτό όμως που ενδιαφέρει κυρίως τους ερευνητές του CEOSR είναι μια παράμετρος που ονομάζεται λανθάνουσα ροή θερμότητας σε επιφάνεια. Η παράμετρος αυτή αποτελεί ένα είδος θερμότητας που μεταβάλλει τη δομή ή την όψη ενός υλικού και όχι τη θερμοκρασία του. Όταν συμβαίνουν χερσαίοι σεισμοί, η αύξηση στη θερμοκρασία της χερσαίας επιφάνειας, λόγω της σεισμικής κίνησης, προκαλεί εξάτμιση του νερού. Κατά την εξάτμιση αυτή υπάρχει μια λανθάνουσα ροή θερμότητας, που δείχνει ότι μεταφέρεται ενέργεια από την επιφάνεια της γης στην ατμόσφαιρα. Όταν η επιφάνεια του νερού γίνει θερμότερη, υπάρχει ακόμα μεγαλύτερη εξάτμιση η οποία μπορεί να καταγραφεί μέσω τηλεπισκοπικών δεκτών.

'''Εφαρμογή'''

[[Εικόνα: SG_Mason_pic1.jpg‎| thumb| right|'''ΕΙΚΟΝΑ 1: Ανωμαλία που οφείλεται στη λανθάνουσα ροή θερμότητας στην περιοχή του σεισμού της Σουμάτρας λίγες εβδομάδες πριν γίνει ο σεισμός.''']]

Με βάση την παραπάνω μεθοδολογία, την 1η Ιανουαρίου 2005, οι ερευνητές προέβλεψαν μια πιθανή σεισμική δραστηριότητα στις ακτές της Ιαπωνίας. Οχτώ μέρες αργότερα, συνέβη ένας σεισμός μεγέθους 5,3 βαθμών της κλίμακας ρίχτερ ακριβώς εκεί που είχε προβλεφθεί.
Επιπλέον, οι παρατηρήσεις που έγιναν σε τηλεπισκοπικά δεδομένα πριν τον καταστροφικό σεισμό της Σουμάτρας, κατέδειξαν μια ισχυρή ανωμαλία της λανθάνουσας ροής θερμότητας.

'''Συμπεράσματα'''

Οι επιστήμονες του Κέντρου Παρατήρησης της Γης και Έρευνας του Διαστήματος, πιστεύουν ότι η λανθάνουσα ροή θερμότητας μπορεί να αποτελέσει το κλειδί στην προσπάθεια πρόβλεψης των σεισμικών φαινομένων. Σύμφωνα με τις έρευνες, όσο πιο μικρής έντασης είναι το σεισμικό φαινόμενο, τόσο μικρότερο είναι το χρονικό διάστημα μεταξύ των ανωμαλιών που παρατηρούνται και της πραγματοποίησης του σεισμού. Ένας ισχυρός σεισμός προσφέρει ένα μεγαλύτερο χρονικό διάστημα, γεγονός που βοηθάει σε μια πιθανή προσπάθεια εκκένωσης.
Οι έρευνες επεκτείνονται και στην προσπάθεια ενσωμάτωσης και ανάλυσης διαφορετικών παραμέτρων. Σύμφωνα με τους ερευνητές, η απλή παρατήρηση μιας ανωμαλίας, όπως της λανθάνουσας ροής θερμότητας όσο μεγάλη και αν είναι αυτή, δύσκολα μπορεί να συνδεθεί με ένα σεισμικό φαινόμενο. Αλλά αν η παρατήρηση περιλαμβάνει ανωμαλία στη ροή θερμότητας, ίσως στη χλωροφύλλη ή και άλλες ατμοσφαιρικές ανωμαλίες, τότε η πρόβλεψη γίνεται ακόμα πιο ασφαλής.
Τους τελευταίους μήνες έχει γίνει προσπάθεια από τους ερευνητές να συνδυαστούν οι παραπάνω μέθοδοι με αυτές άλλων ομάδων παγκοσμίως, ώστε να διαπιστωθούν τα ακριβή σημάδια που προμηνύουν ένα σεισμικό φαινόμενο. Επιπλέον γίνεται προσπάθεια να επικεντρωθούν οι έρευνες σε συγκεκριμένες περιοχές της Γης, καθώς οι ανωμαλίες είναι διαφορετικές ανά περιοχή.

[[category:Σεισμοί]]

Αρχείο:SG Mason pic1.jpg

2013-02-09T14:06:01Z

Georgalas:

Δημιουργία μοντέλου πρόβλεψης κατολισθήσεων με χρήση τηλεπισκόπησης, GIS και γεωλογίας πεδίου

2013-01-12T07:56:54Z

Georgalas: Νέα σελίδα με ''''Πηγή''' GEOTHAI’07 International Conference on Geology of Thailand: Towards Sustainable Development and Sufficiency Economy '''Τίτλος Κειμένου'''...'

'''Πηγή'''

GEOTHAI’07 International Conference on Geology of Thailand: Towards Sustainable Development and Sufficiency Economy

'''Τίτλος Κειμένου'''

Landslide prediction model using remote sensing, GIS and field Geology: A case study of Wang Chin district, Phrae province, northern Thailand

'''Συγγραφείς'''

Suree Teerarungsigul, Chongpan Chonglakmani, Friedrich Kuehn

'''Εισαγωγή'''

Τα τελευταία χρόνια παρατηρείται στην Ταϊλάνδη αυξημένη συχνότητα κατολισθήσεων. Μεγάλα ορεινά τμήματα εκτίθενται στους κινδύνους κατολισθήσεων, οι οποίες στις περισσότερες περιπτώσεις αποτελούν ροή συντριμμιών και προκαλούνται από έντονη και συνεχή βροχόπτωση. Η εργασία αυτή επικεντρώνεται στην αξιολόγηση του κινδύνου κατολισθήσεων στην περιοχή Wang Chin της επαρχίας Phrae της Βόρειας Ταϊλάνδης, η οποία επλήγη από μια καταστροφική κατολίσθηση στις 4 Μαΐου 2001. Σκοπός είναι η αξιολόγηση του κινδύνου καθίζησης εδάφους σε μια περιφερειακή κλίμακα (1:50000 έως 1:100000). Η έρευνα βασίζεται σε ένα κατάλογο υπαρκτών κατολισθήσεων και σε διάφορους παράγοντες που συνδέονται με τις κατολισθήσεις και διακρίνονται σε γεωλογικούς, τοπογραφικούς, υδρολογικούς καθώς και στην κατάσταση της βλάστησης. Τα δεδομένα αυτά συγκεντρώθηκαν με την βοήθεια της τηλεπισκόπησης και επαληθεύτηκαν από την έρευνα στο πεδίο. Στη συνέχεια μετατράπηκαν σε ψηφιακή μορφή και αποθηκεύτηκαν σε βάση δεδομένων του GIS. Ακολούθως, έγινε ανάλυση με τεχνικές GIS με βάση τη μεθοδολογία της διμεταβλητής πιθανότητας και ανάλυσης βαρών και παρήχθη το μοντέλο πρόβλεψης κατολίσθησης και ο χάρτης κινδύνου κατολίσθησης.

'''Δεδομένα'''

[[Εικόνα: SG_landslide_pic1.jpg| thumb| right| '''ΕΙΚΟΝΑ 1: Συγχώνευση των εικόνων Aster και IRS-1D όπου διακρίνονται καθαρά τα φρύδια των κατολισθήσεων με άσπρο χρώμα''']]

Η χαρτογράφηση των κατολισθήσεων επιτυγχάνεται με χρήση των δορυφορικών εικόνων Landsat 7, Aster και IRS-1D. Τα δεδομένα αυτά λαμβάνονται μετά από μια κατολίσθηση και κατά την εποχή της πράσινης βλάστησης. Οι εικόνες αυτές δίνουν πληροφορίες σχετικά με την επιφάνεια του εδάφους που σχετίζονται με το φαινόμενο, όπως η ακριβής τοποθεσία της κατολίσθησης και οι χρήσεις/καλύψεις γης. Χαρακτηριστικά όπως πτυχώσεις στο έδαφος, διακοπή της βλάστησης, και διαφορές στην εδαφική υγρασία είναι γενικά ευδιάκριτα σε δορυφορικές εικόνες. Ο δορυφόρος Landsat όμως λόγω της μικρής ανάλυσης δεν είναι πάντα κατάλληλος για χαρτογράφηση κατολισθήσεων. Για αυτό το λόγο, χρησιμοποιείται μια συγχώνευση των εικόνων Aster και IRS-1D που διαθέτει την μεγάλη χωρική ανάλυση των IRS-1D εικόνων (5 x 5 m) και τη σύνθεση καναλιών 1,2 και 3 των Aster εικόνων.

'''Μεθοδολογία'''

[[Εικόνα: SG_landslide_pic2.jpg| thumb| right| '''ΕΙΚΟΝΑ 2: Χάρτης επικινδυνότητας κατολισθήσεων. Με κόκκινο χρώμα διακρίνονται οι πλέον επικίνδυνες περιοχές για την εμφάνιση κατολισθήσεων.''']]

Το πρώτο στάδιο περιλαμβάνει την επιλογή, συλλογή και αποθήκευση των δεδομένων που έχουν προκύψει μέσω τηλεπισκόπησης και έρευνας στο πεδίο. Η κλίση του εδάφους, η πτυχή κλίσης, τα υψόμετρα και η κατεύθυνση ροής προέκυψαν από ένα ψηφιακό μοντέλο επιφάνειας με χωρική ανάλυση 15 x 15 m μέσω εικόνων του δορυφόρου ASTER. Ο δείκτης βλάστησης και τα χαρακτηριστικά σχήματα του εδάφους παρήχθησαν από εικόνες του ενισχυμένου θεματικού χαρτογράφου του δορυφόρου Landsat 7. Η τοποθεσίες των κατολισθήσεων συγκεντρώθηκαν από τον δορυφόρο Landsat 7 χωρικής ανάλυσης 30 x 30 m , τις παγχρωματικές εικόνες του IRS-1D χωρικής ανάλυσης 5 x 5 m και τις εικόνες του δορυφόρου ASTER χωρικής ανάλυσης 15 x 15 m. Τα στοιχεία χρήσεων και καλύψεων γης καθώς και τα γεωλογικά δεδομένα προήλθαν από το Τμήμα Ανάπτυξης Περιβάλλοντος και το Τμήμα Ορυκτών Πόρων.
Οι παράγοντες που επηρεάζουν τις κατολισθήσεις είναι κυρίως η λιθολογία, τα χαρακτηριστικά σχήματα του εδάφους, το υψόμετρο, η κλίση του εδάφους, ο προσανατολισμός της κλίσης, οι χρήσεις/καλύψεις γης, ο δείκτης βλάστησης, η κατεύθυνση ροής ενός υδροκρίτη, ο τύπος του εδάφους κ η τοποθεσία των προηγούμενων κατολισθήσεων. Όλα τα δεδομένα που συγκεντρώθηκαν, αποθηκεύτηκαν σε βάση δεδομένων GIS και όλοι οι χάρτες κατασκευάστηκαν με χρήση του λογισμικού Arc View 3.2.
Η μεθοδολογία που ακολουθήθηκε στην έρευνα για τους κινδύνους κατολίσθησης ονομάζεται ανάλυση διμεταβλητής πιθανότητας. Σε αυτή τη μέθοδο δημιουργείται ένας στατιστικός συσχετισμός μεταξύ της πιθανότητας να συμβεί ένα περιστατικό καθίζησης και στους παράγοντες που το επηρεάζουν. Αρχικά, ανιχνεύεται η πιθανότητα σύνδεσης μιας κατολίσθησης με έναν από τους παράγοντες που μελετώνται με βάση τη συχνότητα εμφάνισης τους σε παλαιότερες κατολισθήσεις. Στη συνέχεια, υπολογίζεται η πιθανότητα κατολίσθησης για ολόκληρη την περιοχή και γίνεται σύγκριση των 2 πιθανοτήτων που έχουν βρεθεί από την οποία προκύπτουν κάποιες αναλογίες. Ακολούθως, εκτιμήθηκε η σημασία κάθε παράγοντα και δόθηκε σε κάθε έναν το κατάλληλο βάρος. Στο τελικό στάδιο γίνεται ένας συνδυασμός των αναλογιών και των βαρών που έχουν προκύψει ώστε να δημιουργηθεί η ζώνη επικινδυνότητας κατολίσθησης. Το τελικό αποτέλεσμα είναι ο χάρτης επικινδυνότητας κατολισθήσεων στον οποίον έχουν χρωματιστεί οι διάφορες περιοχές ανάλογα με την πιθανότητα εμφάνισης κατολίσθησης. Ο χάρτης αυτός επαληθεύτηκε με βάση υπάρχοντα δεδομένα κατολισθήσεων.

'''Συμπεράσματα'''

Οι παράγοντες που επηρεάζουν τις κατολισθήσεις είναι πολλοί αλλά στην εργασία αυτή επιλέχθηκαν οι 9 πιο σημαντικοί που αναφέρθηκαν παραπάνω. Με βάση τα αποτελέσματα της έρευνας και την εξέταση κάθε παράγοντα που επηρεάζει τις καθιζήσεις του εδάφους, η κύρια αιτία των καθιζήσεων μπορεί να αποδοθεί στην ύπαρξη κάποιων αδύναμων χαρακτηριστικών επιπέδων στο έδαφος σε σχέση και με τοπογραφικούς και άλλους παράγοντες.
Η διαδικασία επαλήθευσης κατέδειξε μια σημαντική συμφωνία μεταξύ του τελικού χάρτη και των υπαρχόντων δεδομένων από κατολισθήσεις, γεγονός που επικυρώνει την δυνατότητα εφαρμογής των συγκεκριμένων μεθόδων και προσεγγίσεων. Τα τελικά αποτελέσματα είναι πολύ σημαντικά για την διερεύνηση του κινδύνου κατολισθήσεων, την πρόληψη, τον ορθότερο προγραμματισμό των χρήσεων γης και την ανάπτυξη για το μέλλον.

[[category:Κατολισθήσεις]]

Αρχείο:SG landslide pic2.jpg

2013-01-12T07:54:50Z

Georgalas: